KR102214652B1 - 이미지 분석 장치 및 이미지 분석 방법 - Google Patents

이미지 분석 장치 및 이미지 분석 방법 Download PDF

Info

Publication number
KR102214652B1
KR102214652B1 KR1020190082333A KR20190082333A KR102214652B1 KR 102214652 B1 KR102214652 B1 KR 102214652B1 KR 1020190082333 A KR1020190082333 A KR 1020190082333A KR 20190082333 A KR20190082333 A KR 20190082333A KR 102214652 B1 KR102214652 B1 KR 102214652B1
Authority
KR
South Korea
Prior art keywords
image
point
image analysis
landmark point
reliability
Prior art date
Application number
KR1020190082333A
Other languages
English (en)
Other versions
KR20200006016A (ko
Inventor
김태웅
박재민
이석중
박성배
염문섭
Original Assignee
라온피플 주식회사
염문섭
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 라온피플 주식회사, 염문섭 filed Critical 라온피플 주식회사
Publication of KR20200006016A publication Critical patent/KR20200006016A/ko
Application granted granted Critical
Publication of KR102214652B1 publication Critical patent/KR102214652B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G06K9/3233—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30036—Dental; Teeth
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30204—Marker

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

이미지 분석 장치 및 방법을 제시하며, 일 실시예에 따르면 이미지 분석 장치는, 이미지 상의 랜드마크 지점을 추출하여 추출된 랜드마크 지점에 대한 신뢰도 분석을 수행하고, 상기 신뢰도 분석된 랜드마크 지점에 기초하여 분석이미지를 생성하는 제어부 및 생성된 분석이미지를 저장하는 메모리를 포함할 수 있다.

Description

이미지 분석 장치 및 이미지 분석 방법{APPARATUS AND METHOD FOR ANALYZING IMAGE}
본 명세서에서 개시되는 실시예들은 이미지 분석 장치 및 방법에 관한 것으로, 보다 상세하게는 입력된 이미지의 랜드마크를 자동으로 검출하여 검출된 랜드마크에 대한 신뢰도를 계산하고, 계산된 신뢰도에 따라 수정된 랜드마크의 학습을 통해 이미지를 분석하는 장치 및 방법에 관한 것이다.
치과, 양악 및 안면 성형 수술을 위해 환자의 두개(頭蓋) 또는 안면을 분석한 자료가 필요하다. 이를 위해 종래에는 의사가 상기 수술을 진행하기 이전에, 먼저 X선 기기 또는 컴퓨터 단층 스캔(CT) 진단 기기를 이용하여 환자의 두부를 촬영한 이미지를 의료진이 분석하고 분석된 파일을 통해 환자의 예상 수술 부위를 결정한다. 이때 의료진은 상기 이미지에 주요 지점을 마킹하는 방식으로 분석하는데 이와 같이 분석하는 방법은 오랜 기간 동안에 쌓인 의료진의 경험을 토대로 한다.
다만 이러한 방법은 의료진이 직접 지점을 선정해야 하기 때문에 실시간으로 분석자료를 얻을 수 없어 의료진이 환자에게 정확한 진단결과를 안내하는데 오랜 시간이 걸리는 문제점이 있다. 또한 상기 방법은 의료진의 경험에 의존할 수 밖에 없어 숙련된 의료진이 아닌 의료진이 지점을 선정하는 경우 지점을 잘못 선정하여 왜곡된 분석자료를 만들고 잘못된 분석자료에 기반하여 수술하기 때문에 문제가 발생될 수밖에 없는 문제점이 있다.
관련하여 선행기술 문헌인 한국특허공개번호 제 10-2000-0054062 호에서는 환자의 의료 진찰 결과 등 모든 정보를 디지털화하여 의사는 집이나 오피스 등 인터넷이 가능한 장소에서 편하게 진료할 수 있는 내용에 대해 기재할 뿐, 의학 관련 이미지를 분석한 결과를 의료진에게 제공하여 향상된 의료서비스를 의료진이 환자에게 제공할 수 있도록 하는 내용에 대해 기재하고 있지 못하다. 따라서 상술된 문제점을 해결하기 위한 기술이 필요하게 되었다.
한편, 전술한 배경기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.
본 명세서에서 개시되는 실시예들은 이미지 분석 장치 및 방법을 제시하는 데 목적이 있다.
또한 본 명세서에서 개시되는 실시예들은 이미지에 기초하여 정확한 분석결과를 제공하는데 목적이 있다.
또한 본 명세서에서 개시되는 실시예들은 이미지를 분석한 결과를 신속하게 제공하는데 목적이 있다.
또한 본 명세서에서 개시되는 실시예들은 이미지를 분석한 결과를 한차례 가공함에 따라 의료진은 물론 환자가 이해하기 쉬운 리포트를 제공하는데 목적이 있다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 일 실시예에 따르면 이미지를 분석하기 위한 장치로서, 이미지 상의 랜드마크 지점을 추출하여 추출된 랜드마크 지점에 대한 신뢰도 분석을 수행하고, 상기 신뢰도 분석된 랜드마크 지점에 기초하여 분석이미지를 생성하는 제어부 및 생성된 분석이미지를 저장하는 메모리를 포함할 수 있다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 다른 실시예에 따르면 이미지 분석 장치가 이미지를 분석하는 방법으로서, 이미지 상의 랜드마크 지점을 추출하는 단계, 추출된 랜드마크 지점에 대한 신뢰도 분석을 수행하는 단계 및 상기 신뢰도 분석된 랜드마크 지점에 기초하여 분석이미지를 생성하는 단계를 포함할 수 있다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 다른 실시예에 따르면 이미지 분석 방법을 수행하는 프로그램이 기록된 컴퓨터 판독 가능한 기록 매체일 수 있고, 상기 이미지 분석 방법은, 이미지 상의 랜드마크 지점을 추출하는 단계, 추출된 랜드마크 지점에 대한 신뢰도 분석을 수행하는 단계 및 상기 신뢰도 분석된 랜드마크 지점에 기초하여 분석이미지를 생성하는 단계를 포함할 수 있다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 다른 실시예에 따르면 이미지 분석 장치에 의해 수행되며, 이미지 분석 방법을 수행하기 위해 매체에 저장된 컴퓨터 프로그램일 수 있고, 상기 이미지 분석 방법은, 이미지 상의 랜드마크 지점을 추출하는 단계, 추출된 랜드마크 지점에 대한 신뢰도 분석을 수행하는 단계 및 상기 신뢰도 분석된 랜드마크 지점에 기초하여 분석이미지를 생성하는 단계를 포함할 수 있다.
전술한 과제 해결 수단 중 어느 하나에 의하면 이미지 분석 장치 및 방법을 제시할 수 있다.
전술한 과제 해결 수단 중 어느 하나에 의하면 이미지에 기초하여 정확한 분석결과를 제공함으로써, 의료진이 환자의 예상 수술부위를 결정하는데 도움을 줄 수 있다.
전술한 과제 해결 수단 중 어느 하나에 의하면 이미지를 분석한 결과를 신속하게 제공함으로써 필요한 수술이 늦춰지는 것을 방지할 수 있다.
전술한 과제 해결 수단 중 어느 하나에 의하면 이미지를 분석한 결과를 한차례 가공함에 따라 의료진은 물론 환자가 이해하기 쉬운 리포트를 제공할 수 있다.
개시되는 실시예들에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 개시되는 실시예들이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1 및 도 2는 일 실시예에 따른 이미지 분석 장치를 도시한 블록도이다.
도 3 은 일 실시예에 따른 이미지 분석 장치를 설명하기 위한 예시도이다.
도 4 내지 도 6은 일 실시예에 따른 이미지 분석 방법을 설명하기 위한 순서도이다.
도 7 내지 도 8은 일 실시예에 따른 이미지 분석 방법을 설명하기 위한 예시도이다.
아래에서는 첨부한 도면을 참조하여 다양한 실시예들을 상세히 설명한다. 아래에서 설명되는 실시예들은 여러 가지 상이한 형태로 변형되어 실시될 수도 있다. 실시예들의 특징을 보다 명확히 설명하기 위하여, 이하의 실시예들이 속하는 기술분야에서 통상의 지식을 가진 자에게 널리 알려져 있는 사항들에 관해서 자세한 설명은 생략하였다. 그리고, 도면에서 실시예들의 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 구성이 다른 구성과 "연결"되어 있다고 할 때, 이는 ‘직접적으로 연결’되어 있는 경우뿐 아니라, ‘그 중간에 다른 구성을 사이에 두고 연결’되어 있는 경우도 포함한다. 또한, 어떤 구성이 어떤 구성을 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한, 그 외 다른 구성을 제외하는 것이 아니라 다른 구성들을 더 포함할 수도 있음을 의미한다.
이하 첨부된 도면을 참고하여 실시예들을 상세히 설명하기로 한다.
다만 이를 설명하기에 앞서, 아래에서 사용되는 용어들의 의미를 먼저 정의한다.
‘이미지’는 환자의 두개(頭蓋) 또는 안면을 촬영한 이미지로 이는 두부(頭部) 관찰 또는 두부 계측에 이용될 수 있으며 예를 들어 머리의 해부학적 부위의 위치 또는 머리의 해부학적 위치 간의 치수를 나타낼 수 있다.
이미지는 통상 환자 머리의 정면 또는 측면을 방사선 촬영 또는 컴퓨터 단층 스캔(CT) 진단한 사진일 수 있으나 이미지의 획득 방법은 상술된 예에 제한되지 않는다. 또한 이미지는 2차원 이미지 또는 3차원의 이미지 모두 가능하다.
위에 정의한 용어 이외에 설명이 필요한 용어는 아래에서 각각 따로 설명한다.
도 1 및 도 2는 일 실시예에 따른 이미지 분석 장치를 설명하기 위한 블록도이다.
이미지 분석 장치(100)는 획득된 이미지에 대해 식별이미지를 결합한 분석이미지를 생성할 수 있다.
이러한 이미지 분석 장치(100)는 전자단말기로 구현될 수 있거나 또는 서버-클라이언트 시스템(또는 클라우드 시스템)으로 구현될 수 있으며, 상기 시스템은 사용자와의 인터랙션을 위한 온라인 서비스용 애플리케이션이 설치된 전자단말기를 포함할 수 있다.
이때 전자단말기는 네트워크(N)를 통해 원격지의 서버에 접속하거나, 타 단말 및 서버와 연결 가능한 컴퓨터나 휴대용 단말기, 텔레비전, 웨어러블 디바이스(Wearable Device) 등으로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop)등을 포함하고, 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, PCS(Personal Communication System), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), GSM(Global System for Mobile communications), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet), 스마트폰(Smart Phone), 모바일 WiMAX(Mobile Worldwide Interoperability for Microwave Access) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다. 또한, 텔레비전은 IPTV(Internet Protocol Television), 인터넷 TV(Internet Television), 지상파 TV, 케이블 TV 등을 포함할 수 있다. 나아가 웨어러블 디바이스는 예를 들어, 시계, 안경, 액세서리, 의복, 신발 등 인체에 직접 착용 가능한 타입의 정보처리장치로서, 직접 또는 다른 정보처리장치를 통해 네트워크를 경유하여 원격지의 서버에 접속하거나 타 단말과 연결될 수 있다.
일 실시예에 따른 이미지 분석 장치(100)는 제어부(110) 및 메모리(120)를 포함할 수 있다.
제어부(110)는 이미지 분석 장치(100)의 전체적인 동작을 제어하며, CPU 등과 같은 프로세서를 포함할 수 있다. 제어부(110)는 예를 들어, 입출력부(130)를 통해 수신한 사용자 입력에 대응되는 동작을 수행하도록 이미지 분석 장치(100)에 포함된 다른 구성들을 제어할 수 있다.
예를 들어, 제어부(110)는 메모리(120)에 저장된 프로그램을 실행시키거나, 메모리(120)에 저장된 파일을 읽어오거나, 새로운 파일을 메모리(120)에 저장할 수도 있다.
본 명세서에 기재된 일실시예에 따르면 제어부(110)는 이미지를 획득할 수 있다.
예를 들어 제어부(110)는, 환자의 두부에 대한 방사선 촬영 또는 컴퓨터 단층 스캔 진단이 가능한 장치(미도시)를 포함하거나, 상기 장치와 통신하고 있어 상기 장치로부터 이미지를 획득할 수 있다.
아울러 다른 실시예에 따르면 제어부(110)는 획득한 이미지에 대한 전처리를 수행한 이후 전처리된 이미지를 이미지로 획득하였다고 결정할 수 있다.
예를 들어, 제어부(110)는 획득한 이미지에 대해 CLAHE 파라미터 적용하거나, 가우시안 블러(Gaussian Blur)를 적용하거나, 와핑(warping)을 적용할 수 있고, 또는, X축 및/또는 Y축으로 스케일링(scale)하거나 학습이미지를 축소 또는 크롭(crop)하거나, 화소값 등을 변경하여 해상도를 높임으로써 이미지에 대한 전처리를 수행할 수 있다.
또 다른 실시예에 따르면 제어부(110)는 획득한 이미지가 로우이미지(raw image)인 경우 로우이미지로부터 이미지를 획득할 수 있다. 이를 위해 제어부(110)는 로우이미지에 대한 전처리를 수행할 수 있다.
관련하여 로우이미지는 이미지를 포함한 이미지로서 예를 들어 환자의 상체를 찍은 x-ray이미지와 같이 이미지를 포함하여 환자의 다른 신체 부위가 함께 찍힌 이미지일 수 있다.
제어부(110)는 로우이미지 상 소정의 영역 내에 소정의 식별자가 위치하고 있는지를 탐색할 수 있다. 예를 들어, 로우이미지 상 소정의 영역 내에 ‘안와’로 인식되는 식별자가 위치하는지 여부를 탐색할 수 있다. 이때, 이미지 분석 장치(100)는 임의의 사이즈와 형상을 갖는 폐곡선으로 이루어진 윈도우가 로우이미지 상에 위치하였을 때 상기 윈도우 내 영역을 소정의 영역으로 설정할 수 있으며, 상기 윈도우는 로우이미지 상을 이동하면서 다양한 범위의 영역을 설정할 수 있다.
또한 예를 들어, 이미지 분석 장치(100)는 윈도우 내 소정의 영역 내에 소정의 식별자가 위치하는지 여부를 탐색하기 위해 머신러닝(또는 딥러닝 또는 CNN)을 이용할 수 있다. 예를 들어, 이미지 분석 장치(100)는 소정의 영역에 대해 CNN을 수행하여 상기 영역 내의 식별자가 위치하는 좌표를 추출할 수 있다. 상기 좌표는 하나 이상의 좌표로 구성될 수 있으며, 소정의 영역 내의 좌표일 수 있고, 또는 로우이미지 상의 좌표일 수 있다.
이와 같이 로우이미지 상의 소정의 식별자에 대한 좌표를 추출한 제어부(110)는 추출한 좌표에 기초하여 이미지를 획득할 수 있다.
예를 들어, 제어부(110)는 로우이미지에서 이미지로 특정 지을 수 있는 ‘안와’, ’하악골’, ‘비강’의 3개의 식별자를 추출할 수 있다. 3개의 식별자를 추출하기 위해 제어부(110)는 윈도우를 이동시켜가며 식별자에 해당되는 좌표를 추출할 수 있다. 그리고 추출된 좌표에 기초하여 이미지로 판단되는 영역을 로우이미지 상에 설정함으로써 제어부(110)는 이미지를 획득할 수 있다. 예를 들어 이미지 분석 장치(100)는 위 3개의 식별자를 포함하면서 각 식별자로부터 소정의 범위를 포함하는 영역을 이미지로 설정할 수 있다.
이때 식별자가 3개인 것은 예시일 뿐이며, 식별자의 개수는 제한되지 않는다. 관련하여 식별자는 일 좌표로 구성될 수 있지만 복수의 좌표로 구성되어 신체의 특정 기관(器官)일 수 있다. 따라서 식별자는 예를 들어, ‘안와’의 중심 지점일 수도 있으나, ‘안와’, ‘코’, ‘척추 1번’ ‘턱’ 등과 같이 신체 기관 그 자체일 수 있다.
획득한 이미지에 대해 추가적으로 규격화 처리함으로써 제어부(110)는 랜드마크 지점의 추출이 용이해지도록 이미지를 가공할 수 있다. 즉 제어부(110)는 학습이미지로 학습하였기 때문에 학습이미지에 대해 설정된 설정값과 동일 또는 유사하도록 이미지를 규격화 처리할 수 있다. 예를 들어, 이미지 분석 장치(100)는 이미지의 해상도, 밝기 등을 변경하거나 이미지의 사이즈를 확대/축소시키는 등의 규격화 처리를 수행할 수 있다. 규격화 처리가 완료된 이후의 이미지를 제어부(110)는 획득한 이미지로 결정할 수 있다.
상술된 바와 같이 이미지를 획득하였다고 판단되면, 제어부(110)는 이미지 상의 랜드마크 지점을 추출할 수 있다.
이때 ‘랜드마크 지점’은 치아 교정, 양약 수술 등을 의료진이 수행하기 위해 알아야 할 지점으로서 환자의 이미지 상에 식별된 관심 지점을 지칭한다. 랜드마크 지점은 다양하게 조합되어 환자의 두부 상태를 판단하는데 참고 지점으로 이용되며, 종래 기술에 따르면 숙련된 의료진이 이미지에 직접 랜드마크 지점을 선정하여 표시하나 본 명세서에 기재된 실시예에 따르면 이미지 분석 장치(100)가 이미지 상의 랜드마크 지점을 추출할 수 있다.
일 실시예에 따르면 제어부(110)는, 이미지 상의 랜드마크 지점을 기하학적 연산을 통해 추출할 수 있다. 즉, 이미지 상으로 특징점이 없는 랜드마크 지점 또는 기하학적으로 정의되어 있는 랜드마크 지점의 경우 기하학적 연산을 통해 추출할 수 있다. 예를 들어, 하악평면(mandibular plane)과 레이머스(ramus)의 이등분점을 연산하여 도출된 지점을 턱모서리점(고니온; gonion)의 랜드마크 지점으로 추출할 수 있다.
또 다른 실시예에 따르면 제어부(110)는 머신러닝을 이용하여 이미지 상의 랜드마크 지점을 추출할 수 있다.
다른 실시예에 따르면 제어부(110)는 딥러닝을 이용하여 이미지 상의 랜드마크 지점을 추출할 수 있다.
다른 실시예에 따르면 제어부(110)는 CNN(convolutional neural network)을 이용하여 이미지 상의 랜드마크 지점을 추출할 수 있다. 이를 위해 이미지 분석 장치(100)는 랜드마크 지점이 표시된 이미지를 하나 이상 획득할 수 있고 상기 하나 이상의 이미지를 이용하여 CNN을 학습시켜, 학습된 CNN을 이용하여 이미지 상의 랜드마크 지점을 추출할 수 있다.
이를 위해 제어부(110)는 예를 들어, CNN의 학습을 위해 획득한 이미지로부터 콘볼루션(convolution)을 통해 피쳐 맵(feature map)을 만들며, 상기 피쳐 맵에 대한 서브샘플링(subsampling)을 통해 획득한 로컬 피쳐(local feature)에 대해 콘볼루션과 서브샘플링을 수행하여 획득한 피쳐에 대해 다시 콘볼루션과 서브샘플링을 수행하여 피쳐를 획득하고, 상기 획득한 피쳐에 대해 다시 콘볼루션과 서브샘플링을 수행하는 단계를 반복적으로 수행하여 획득한 글로벌 피쳐(global feature)를 일반적인 뉴럴 네트워크(fully connected network)의 입력으로 연결시켜 최적의 인식 결과를 내도록 할 수 있다.
즉 제어부(110)는 상술된 바와 같이 이미지 상의 랜드마크 지점을 추출하기 위해, 랜드마크 지점이 표시된(또는 렌드마크 지점에 식별이미지가 결합된) 학습이미지를 이용하여 학습할 수 있다. 상술된 CNN 학습을 위해 학습이미지에 대해 전처리를 수행할 수 있으며, 예를 들어, 학습이미지에 대해 CLAHE 파라미터 적용하거나, 가우시안 블러를 적용하거나, 와핑을 적용할 수 있고, 또는, X축 및/또는 Y축으로 스케일링하거나 학습이미지를 축소 또는 크롭하거나, 화소값 등을 변경하여 해상도를 높일 수 있다.
또한 제어부(110)는 예를 들어 CNN을 이용하여 세그멘테이션(segmentation)을 수행함으로써 이미지 상의 랜드마크 지점을 추출할 수 있다. 세그멘테이션은 이미지 상의 의미있는 부분을 구분해내는 기법으로서 공개된 다양한 방법의 세그멘테이션이 본 명세서에 기재된 실시예에 적용될 수 있다. 예를 들어, 히스토그램을 이용하여 픽셀들의 분포를 확인한 이후 적정 값의 임계값을 설정하여 픽셀 별로 구분할 수 있고, 또는 의미 있는 엣지(edge)를 추출하여 구분할 수 있으며, 또한, 동질성 (homegenety)을 갖고 있는 영역으로 구분할 수 있다.
또 다른 실시예에 따르면 제어부(110)는 이미지 상의 관심영역을 설정하고 관심영역 내에서의 랜드마크 지점을 추출할 수 있다. 관심영역 설정을 위해 이미지 분석 장치(100)는 머신러닝(또는 딥러닝 또는 CNN)을 이용할 수 있으며 또한 상기 관심영역 내의 랜드마크 지점을 추출하기 위해 머신러닝(또는 딥러닝 또는 CNN)을 이용할 수 있다.
관련하여 도 3은 이미지 분석 장치(100)가 이미지 상의 관심영역을 설정하고 랜드마크 지점을 추출하는 것을 설명하기 위한 예시도이다.
도 3의 (a)에서 도시된 바 같이, 이미지 분석 장치(100)는 이미지(300) 상의 관심영역(310, 320, 330, 340, 350)을 하나 이상 설정할 수 있으며 관심영역 각각은 상이한 형상, 상이한 사이즈를 갖거나 동일한 형상 또는 동일한 사이즈를 가질 수 있다.
관심영역(310, 320, 330, 340, 350)을 설정할 때 이미지 분석 장치(100)는 의학적으로 주요 지점이라고 판단되는 영역을 머신 러닝을 이용하여 디텍션(detection)할 수 있다. 즉 머신러닝으로 관심 대상의 위치를 식별하여 바운딩 박스(bounding box)로 구분할 수 있는데 예를 들어 이미지 분석 장치(100)는 ‘턱’이라고 판단되는 영역을 머신러닝을 이용하여 디텍션할 수 있고 턱을 아우르는 영역을 관심영역으로 설정할 수 있다. 디텍션과 관련된 공개된 기술은 본 명세서에 기재된 실시예에 적용될 수 있다. 또한 관심영역(310, 320, 330, 340, 350)을 설정할 때 이미지 분석 장치(100)는 이미지(300) 상에서 윈도우를 위치시켰을 때 윈도우 내의 영역을 관심영역으로 설정할 수 있다. 이에 이미지 분석 장치(100)는, 윈도우를 이동시키면서 관심영역을 변경해가거나, 상기 윈도우를 고정된 위치에 위치시킴으로써 지정된 범위의 영역을 관심영역으로 설정할 수 있다.
이때 도 3의 (a)에서 도시된 바와 같이 실선 내의 관심영역과 상기 관심영역 내의 점선으로 구획된 하위관심영역으로 구분할 수 있다. 하위관심영역은 랜드마크 지점을 획득하기 위한 주요 지점이라고 판단되는 영역으로서 예를 들어 일 주요지점으로 턱모서리점, 또는 턱모서리점 주변의 영역을 하위관심영역으로 설정할 수 있고, 상기 하위관심영역의 중점을 기준으로 상기 하위관심영역을 감쌀 수 있는 관심영역을 추가로 설정할 수 있다. 이를 통해 관심영역을 잘못 설정함에 따른 랜드마크 지점 추출의 오류를 최소화시켜 랜드마크 지점을 보다 정확하게 잡을 수 있다.
이와 같이 선정된 관심영역에 대해 랜드마크 지점을 추출할 수 있는데, 랜드마크 지점으로 추출되어야 하는 지점들에 대한 학습모델이 있어 상기 모델로 세그멘테이션(segmentation)을 수행하여 확률 이미지 맵을 생성하고, 생성된 확률맵에서 블롭(blob)을 설정하여 블롭의 중점을 랜드마크 지점으로 추출할 수 있다. 이와 같은 랜드마크 지점 추출은 각 관심영역(310, 320, 330, 340, 350)에 대해 수행될 수 있으며 예를 들어, 발췌 도시된 도 3의 (a)에서의 관심영역(310)에 대해, 도 3의 (b)의 관심영역(311) 상에 도시된 바와 같이 랜드마크 지점을 추출할 수 있으며 상술된 바와 같이 추출된 랜드마크 지점은 높은 수준의 정확도를 가질 수 있다.
상술된 바와 같이 이미지 상에서의 주요 분석 대상이 되는 부분을 머신러닝(또는 딥러닝 또는 CNN)을 이용하여 관심영역으로서 설정하고, 관심영역 내의 랜드마크 지점을 추출할 수 있다. 그 결과 이미지의 각도 또는 위치가 정렬되지 않았을 때 랜드마크 지점의 추출이 어려운 문제점을 해결하여 빠르고 정확하게 랜드마크 지점을 추출할 수 있도록 한다.
한편 다른 실시예에 따르면 제어부(110)는 추출하고자 하는 랜드마크 지점에 대해, 머신러닝(또는 딥러닝 또는 CNN)을 이용하여 추출하고 또한 기하학적 연산으로 추출할 수 있다. 따라서 예를 들어, 랜드마크 지점으로 턱모서리점을 추출하고자 할 때, 제어부(110)는 머신러닝과 기하학적 연산 각각을 통해 추출된 지점 중에서 하나의 지점을 턱모서리점으로 결정할 수 있는데 예를 들어 제어부(110)는 머신러닝을 이용하여 추출한 랜드마크 지점의 신뢰도가 소정의 값 이하인 경우 기하학적 연산으로 획득한 지점을 턱모서리점으로 추출할 수 있다.
또한 다른 실시예에 따르면 제어부(110)는, 랜드마크 지점을 추출하고자 할 때, 머신러닝(또는 딥러닝 또는 CNN)을 이용하여 추출하였을 때 추출된 지점에 대해 기하학적 연산으로도 검증할 수 있다.
이때 머신러닝으로 추출된 랜드마크 지점을 기하학적 연산으로 추출된 지점과 동일한 위치인지 여부를 판단하여 검증할 수 있다. 또한 머신러닝으로 추출된 랜드마크 지점의 주변 지점 또는 기관 구조가 위치하는지를 여부를 기하학적으로 연산하여 검증할 수 있다. 이 과정에서 베이지안(Bayesian)(또는 likelihood maximization 방식)을 이용하여 랜드마크 지점의 주변 지점 또는 기관 구조에 대응되는 지점들과의 상대적인 위치에 대한 신뢰도를 구할 수 있다. 예를 들어, 외이도의 최상방점(Por;porion)으로 추출된 랜드마크 지점이, 후두개저(posterior cranial base surface)와 하악과두 후방면(condylar head or neck) 교차점(Ar; articulare)의 좌측상단에 위치하고 있는지 검증하고 그에 따른 결과를 신뢰도로 표현할 수 있다. 또한 머신러닝으로 추출된 랜드마크 지점의 사이즈를 기하학적으로 연산하여 검증할 수 있다. 또한 머신러닝으로 추출된 랜드마크 지점의 주변에, 특정 지점 또는 기관 구조가 위치하는지 여부를 특정 지점의 사이즈(다른 지점과의 상대적인 사이즈 또는 절대적인 사이즈 모두 포함) 또는 기관 구조의 사이즈(다른 기관과의 상대적인 사이즈 또는 절대적인 사이즈 모두 포함)를 연산함으로써 검증할 수 있다.
또한 다른 실시예에 따르면 제어부(110)는, 추출하고자 하는 랜드마크 지점에 대해, 기하학적 연산으로 추출하고, 머신러닝(또는 딥러닝 또는 CNN)을 이용하여 추출된 지점에 대해 검증할 수 있다.
예를 들어 제어부(110)는 하악평면(mandibular plane)과 레이머스(ramus)의 이등분점을 연산하여 도출된 지점을 턱모서리점(고니온; gonion)의 랜드마크 지점으로 추출함으로써 턱모서리점을 기하학적으로 추출하고 추출된 지점을 중심으로 머신러닝을 이용한 분석을 수행하여 추출된 지점이 턱모서리점으로 맞는지를 검증할 수 있다.
추가적으로 제어부(110)는 관심영역을 맞게 설정하였는지를, 머신러닝(또는 딥러닝 또는 CNN) 또는 기하학적 연산으로 검증할 수 있다. 예를 들어 제어부(110)는 머신러닝의 디텍션(detection)으로 추출한 관심영역이 의도한 관심영역인지 여부를 상기 관심영역의 이미지를 분류(classification)함으로써 검증하거나 신뢰도로 표현할 수 있다. 또는 예를 들어 제어부(110)는 머신러닝의 디텍션으로 추출한 관심영역이 의도한 관심영역인지 여부를 상기 관심영역 주변의 지점 또는 기관 구조로 검증할 수 있다.
상술된 바와 같이, 머신러닝과 기하학적 연산을 함께 수행함으로써 추출된 랜드마크 지점에 대한 정확성과 신뢰성을 높일 수 있다.
한편, 제어부(110)는 상술된 바와 같이 이미지 상의 랜드마크 지점을 추출하면, 추출된 랜드마크에 대한 신뢰도 분석할 수 있다.
즉, 제어부(110)는 이미지상의 랜드마크 지점 및 상기 학습에 따라 생성된 피쳐맵 간의 유사도가 기 설정된 값을 초과하는 영역인 블롭을 기초로 신뢰도를 계산할 수 있다. 이를 수식으로 나타내면 아래와 같다.
[수학식 1]
신뢰도=
Figure 112019069908679-pat00001
α : 블롭의 최장직경에 대한 가중치, β : 블롭의 첨도에 대한 가중치
γ : 블롭내 최대확률에 대한 가중치
제어부(110)는 블롭이 나타내는 기하학적인 정보인 블롭의 최장직경, 블롭의 첨도, 블롭내 최대확률에 대한 정보를 신뢰도 계산에 필요한 인자로 이용할 수 있다.
우선, 제어부(110)는 블롭의 최장직경을 계산할 수 있다.
예를 들어, 제어부(110)는 이미지로부터 추출된 랜드마크 지점과 학습이미지로부터 학습을 통해 생성된 피쳐맵 간의 유사도를 확률로 계산할 수 있다. 그리고 제어부(110)는 계산된 확률값 중 기 설정된 값을 초과하는 확률값을 갖는 좌표를 중 동일한 확률값인 좌표를 잇는 폐쇄곡선으로 구성된 블롭을 생성할 수 있으며, 블롭을 구성하는 좌표 간의 거리 중 가장 거리인 최장직경을 계산할 수 있다.
그리고 제어부(110)는 블롭의 각 지점의 확률값에 기초하여 첨도(Kurtosis)를 아래의 수식에 따라 계산할 수 있다.
[수학식2]
Kurtosis=
Figure 112019069908679-pat00002
X : 블롭내의 좌표점의 확률값, U: 블롭내의 확률평균, б: 표준편차
예를 들어, 좌표값 (0,1), (1,0), (1,1), (0,0), (2,1) 에 대한 확률값이 0.6, 0.5, 0.8, 0.9, 0.3 으로 할당되고, 기 설정된 확률값이 0. 5 이면, 제어부(110)는 좌표 중 기 설정된 확률값 0.5 이상인 확률값을 갖는 (0,1), (1,0), (1,1), (0,0) 좌표에 대한 확률평균 0.7 을 계산할 수 있고, 표준편차 0.15 를 계산할 수 있다. 그리고 제어부(110)는 수학식 2 에 따라 첨도 0.444를 계산할 수 있다.
그리고 제어부(110)는 블롭내에서 최대 확률값을 식별하여, 수학식 1 에 따라 추출된 랜드마크 지점에 대한 신뢰도를 계산할 수 있다.
이때, 제어부(110)는 신뢰도 계산시 각 인자들의 값에 기초하여 가중치를 결정할 수 있다.
예를 들어, 블롭의 직경은 짧을수록 랜드마크 지점의 정확도가 높음을 나타내므로, 제어부(110)는 블롭의 최장 직경이 짧을수록 가중치 α 를 높여 신뢰도 계산시 블롭의 최장직경 값의 반영을 높일 수 있다.
또한 예를 들어, 블롭의 첨도가 클수록 랜드마크 지점의 정확도가 높음을 나타내므로, 제어부(110)는 블롭의 첨도값이 클수록 가중치 β를 높여 신뢰도 계산시 블롭의 첨도 값의 반영을 높일 수 있다.
예를 들어, 블롭의 최대확률 값이 클수록 추출된 랜드마크 지점의 정확도가 높음을 나타내므로, 제어부(110)는 블롭의 최대확률 값이 클수록 가중치 γ 를 높여 신뢰도 계산시 블롭의 최대확률 값의 반영을 높일 수 있다.
이후, 제어부(110)는 추출된 랜드마크 지점에 대해 계산된 신뢰도에 기초하여 이미지에 대한 랜드마크 지점을 갱신할 수 있다.
예를 들어, 제어부(110)는 추출된 랜드마크 지점에 대한 계산된 신뢰도를 표시하여 제공할 수 있고, 사용자입력에 기초하여 이미지에 대한 랜드마크 지점을 갱신할 수 있다.
또는 예를 들어, 제어부(110)는 추출된 랜드마크 지점에 대한 계산된 신뢰도를 기초로 기 설정된 신뢰도 이하의 랜드마크 지점을 일정 간격으로 이동시키되, 이동된 랜드마크 지점에 대한 신뢰도를 계산하여 기 설정된 값을 초과하면, 이동된 랜드마크 지점으로 이미지의 랜드마크 지점을 갱신할 수 있다.
그리고 제어부(110)는 랜드마크 지점이 갱신된 이미지를 학습이미지로써 학습을 수행할 수 있다.
예를 들어, 제어부(110)는 머신러닝(또는 딥러닝 또는 CNN)을 이용하여 신뢰도에 기초하여 랜드마크 지점이 갱신된 이미지를 학습이미지로 학습을 수행할 수 있다.
한편 제어부(110)는 상술된 바와 같이 이미지 상의 랜드마크 지점을 추출하면, 랜드마크 지점에 식별이미지를 결합하여 분석이미지를 생성할 수 있다.
이때, 실시예에 따라 제어부(110)는 이미지 상의 랜드마크 지점에 대한 신뢰도에 따라 랜드마크 지점이 갱신된 이미지를 분석할 수 있다.
즉, 제어부(110)는 추출된 랜드마크 지점에 대한 신뢰도에 기초하여 랜드마크 지점의 위치가 갱신된 이미지를 분석이미지로 변경할 때 이미지 상에 식별이미지를 합성할 수 있고 상기 식별이미지의 합성 시 랜드마크 지점에 식별이미지를 합성할 수 있다.
한편 제어부(110)는 분석이미지를 사용자에게 제공할 수 있다. 추가적으로 제어부(110)는 분석이미지를 포함한 리포트를 제공할지 여부를 결정할 수 있다.
이때 일실시예에 따르면 제어부(110)는 분석이미지 그대로가 리포트의 일부분을 구성하도록 리포트를 생성하고 제공할 수 있다.
또 다른 실시예에 따르면 제어부(110)는 분석이미지를 가공한 리포트를 제공할 수 있다.
한편 메모리(120)에는 파일, 어플리케이션 및 프로그램 등과 같은 다양한 종류의 데이터가 설치 및 저장될 수 있다. 제어부(110)는 메모리(120)에 저장된 데이터에 접근하여 이를 이용하거나, 또는 새로운 데이터를 메모리(120)에 저장할 수도 있다. 또한, 제어부(110)는 메모리(120)에 설치된 프로그램을 실행할 수도 있다. 도 1을 참조하면, 메모리(120)에는 이미지 분석을 위한 방법을 수행하기 위한 컴퓨터 판독가능한 프로그램이 설치될 수 있다. 또한 메모리(120)에는 이미지 분석을 수행하기 위한 식별이미지, 이미지 분석의 수행에 따른 분석이미지 또는 리포트가 저장될 수 있다.
일 실시예에 따르면, 사용자로부터 이미지의 분석을 요청하는 입력을 수신하면, 제어부(110)는 메모리(120)에 저장된 이미지 분석 방법을 수행하기 위한 프로그램을 실행시켜 이미지 분석을 수행한다.
한편 도 2에서 도시된 바와 같이 이미지 분석 장치(100)는 추가적으로 입출력부(130)를 더 포함할 수 있다.
입출력부(130)는 이미지를 획득하거나 분석이미지를 사용자에게 제공하기 위한 다양한 형태의 입출력을 지원하는 구성을 포함할 수 있으며 사용자로부터 입력을 수신하기 위한 입력부와, 작업의 수행 결과 또는 이미지 분석 장치(100)의 상태 등의 정보를 표시하기 위한 출력부를 포함할 수 있다. 예를 들어, 입출력부(130)는 사용자 입력을 수신하는 조작 패널(operation panel) 및 화면을 표시하는 디스플레이 패널(display panel) 등을 포함할 수 있다.
구체적으로, 입력부는 키보드, 물리 버튼, 터치 스크린, 카메라 또는 마이크 등과 같이 다양한 형태의 사용자 입력을 수신할 수 있는 장치들을 포함할 수 있다. 또한, 출력부는 디스플레이 패널 또는 스피커 등을 포함할 수 있다. 다만, 이에 한정되지 않고 입출력부(110)는 다양한 입출력을 지원하는 구성을 포함할 수 있다.
한편 이미지 분석 장치(100)는 추가적으로 통신부(140)를 더 포함할 수 있다.
통신부(140)는 다른 디바이스 또는 네트워크와 유무선 통신을 수행할 수 있다. 이를 위해, 통신부(140)는 다양한 유무선 통신 방법 중 적어도 하나를 지원하는 통신 모듈을 포함할 수 있다. 예를 들어, 통신 모듈은 칩셋(chipset)의 형태로 구현될 수 있다.
통신부(140)가 지원하는 무선 통신은, 예를 들어 Wi-Fi(Wireless Fidelity), Wi-Fi Direct, 블루투스(Bluetooth), UWB(Ultra Wide Band) 또는 NFC(Near Field Communication) 등일 수 있다. 또한, 통신부(140)가 지원하는 유선 통신은, 예를 들어 USB 또는 HDMI(High Definition Multimedia Interface) 등일 수 있다.
도 4 내지 도 6은 일 실시예에 따른 이미지 분석 방법을 설명하기 위한 순서도이다.
도 4 내지 도 6에 도시된 실시예에 따른 이미지 분석 방법은 도 1 또는 도 2에 도시된 이미지 분석 장치(100)에서 시계열적으로 처리되는 단계들을 포함한다. 따라서, 이하에서 생략된 내용이라고 하더라도 도 1 또는 도 2에 도시된 이미지 분석 장치(100)에 관하여 이상에서 기술한 내용은 도 4 내지 도 6에 도시된 실시예에 따른 이미지 분석 방법에도 적용될 수 있다.
도 4 내지 도 6은 도 7 내지 도 8을 참조하여 이하에서 후술된다. 도 7 내지 도 8은 일 실시예에 따른 이미지 분석 방법을 설명하기 위한 예시도이다.
이미지 분석 장치(100)는 본 발명의 일실시예에 따른 이미지 분석 방법을 수행하기 위해, 랜드마크 지점이 표시된 학습이미지를 이용하여 학습할 수 있다. 이때 이미지 분석 장치(100)는 학습을 위한 학습이미지에 대해 전처리를 수행할 수 있으며, 예를 들어, 학습이미지에 대해 CLAHE 파라미터 적용하거나, 가우시안 블러를 적용하거나, 와핑을 적용할 수 있고, 또는, X축 및/또는 Y축으로 스케일링(scale)하거나 학습이미지를 축소 또는 크롭(crop)하거나, 화소값을 변경하거나, 해상도를 높일 수 있다. 전처리된 학습이미지를 이용하여 학습된 이미지 분석 장치(100)는 이미지로부터 랜드마크 지점을 추출할 수 있다.
도 4에 도시된 바와 같이 이미지 분석 장치(100)는 이미지를 획득할 수 있다 (S410).
이미지 분석 장치(100)가 두부의 방사선 촬영 또는 컴퓨터 단층 스캔 진단이 가능한 장치(미도시)를 포함하거나 상기 장치와 통신하고 있어 상기 장치를 통해 이미지를 획득할 수 있다.
또한 이미지 분석 장치(100)는 외부의 장치(미도시)를 통해 이미지를 수신할 수 있으며 수신된 이미지를 이미지로 획득할 수 있다.
관련하여 이미지 분석 장치(100)는 이미지를 획득하였을 때 획득한 이미지가 이미지인지 여부를 결정할 수 있다.
즉 일 실시예에 따르면 이미지 분석 장치(100)는 획득한 이미지가 이미지인지 여부를 판단하고 이미지라고 판단되는 경우에 한해 이미지를 획득하였다고 결정할 수 있다.
예를 들어, 획득한 이미지를 분석하여 두부를 구성하는 이미지가 포함되어 있지 않은 경우 상기 이미지는 이미지가 아닌 것으로 판단할 수 있다. 즉 예를 들어 획득한 이미지를 분석하여 치아(齒牙) 이미지가 포함되어 있지 않은 경우 상기 이미지는 이미지가 아닌 것으로 판단할 수 있다.
또한 또 다른 실시예에 따르면 이미지 분석 장치(100)는 획득한 이미지가 이미지로서 분석 가능한지 여부를 판단하고 분석 가능하다고 판단되는 경우에 한해 이미지를 획득하였다고 결정할 수 있다.
예를 들어, 이미지 분석 장치(100)는 획득한 이미지의 해상도, 사이즈 등을 분석하여 분석가능한지 여부를 판단할 수 있다. 따라서 예를 들어 획득한 이미지가 소정 이상의 해상도보다 낮은 해상도를 갖거나 소정 이상의 사이즈보다 작은 사이즈인 경우 상기 이미지는 분석이 어렵다고 판단하고 이미지를 획득하지 못한 것으로 결정할 수 있다.
아울러 다른 실시예에 따르면 이미지 분석 장치(100)는 획득한 이미지에 대한 전처리를 수행한 이후 전처리된 이미지를 이미지로 결정할 수 있다.
예를 들어 이미지 분석 장치(100)는 획득한 이미지가 소정의 기준에 만족하지 못한다고 판단되면 상기 기준을 만족하도록 이미지를 수정하거나 다른 이미지와 합성할 수 있다. 예를 들어 이미지 분석 장치(100)는 획득된 이미지의 해상도를 높이거나 명도를 조정하거나 사이즈를 늘리거나 축소시키는 등의 전처리를 수행할 수 있다.
또한 다른 실시예에 따르면 이미지 분석 장치(110)는 획득한 이미지가 로우이미지인 경우 로우이미지로부터 이미지를 획득할 수 있다.
또한 다른 실시예에 따르면 이미지 분석 장치(110)는 획득한 이미지에 대해 추가적으로 규격화 처리 할 수 있다. 규격화 처리가 완료된 이후의 이미지를 제어부(110)는 획득한 이미지로 결정할 수 있다.
상술된 바와 같이 이미지를 획득하였다고 판단되면, 이미지 분석 장치(100)는 이미지 상의 랜드마크 지점을 추출할 수 있다 (S420).
예를 들어, 이미지 분석 장치(100)는 이미지 상의 랜드마크 지점을 기하학적 연산을 통해 추출할 수 있다. 또는 예를 들어, 이미지 분석 장치(100)는 이미지 상의 랜드마크 지점을 머신러닝, 딥러닝, 또는 CNN을 이용하여 추출할 수 있다.
또는 예를 들어, 이미지 상의 관심영역을 추출하고 관심영역 내에서의 랜드마크 지점을 추출할 수 있다. 관심영역 추출을 위해 이미지 분석 장치(100)는 머신러닝, 딥러닝 또는 CNN을 이용할 수 있으며 또한 상기 관심영역 내의 랜드마크 지점을 추출하기 위해 머신러닝, 딥러닝, 또는 CNN을 이용할 수 있다.
관련하여 단계 S420는 도 5에서 도시된 바와 같이, 이미지를 분석하여 제1지점을 식별하면(S510), 제2지점에 기초하여 제1지점을 검증하고 제1지점이 맞게 추출된 것으로 판단되면 제1지점을 랜드마크 지점으로 결정할 수 있다(S520).
이때, 제1지점 및 제2지점 각각은 이미지 상에 일 지점을 지칭하는 것으로 서로를 구분하기 위한 명명일 뿐 특정 지점을 지칭하는 것은 아니다.
일 실시예에 따르면 이미지 분석 장치(100)는 이미지 상에서 랜드마크 지점으로 추측되는 제1지점을 다양한 실시예에 따라 식별할 수 있다.
일 실시예에 따르면 이미지 분석 장치(100)는 이미지 상에 랜드마크 지점으로 추측되는 제1지점을 기하학적 연산을 통해 추출할 수 있다. 즉, 이미지 상으로 특징점이 없는 랜드마크 지점 또는 기하학적으로 정의되어 있는 랜드마크 지점의 경우 기하학적 연산을 통해 추출할 수 있다. 예를 들어, 하악평면(mandibular plane)과 레이머스(ramus)의 이등분점을 연산하여 도출된 제1지점을 턱모서리점(고니온; gonion)의 랜드마크 지점으로 추출할 수 있다.
또 다른 실시예에 따르면 이미지 분석 장치(100)는 머신러닝을 이용하여 이미지 상의 랜드마크 지점으로 추측되는 제1지점을 추출할 수 있다.
다른 실시예에 따르면 이미지 분석 장치(100)는 딥러닝을 이용하여 이미지 상의 랜드마크 지점으로 추측되는 제1지점을 추출할 수 있다.
다른 실시예에 따르면 이미지 분석 장치(100)는 CNN을 이용하여 이미지 상의 랜드마크 지점으로 추측되는 제1지점을 추출할 수 있다. 이를 위해 이미지 분석 장치(100)는 랜드마크 지점이 표시된 이미지를 하나 이상 획득할 수 있고 상기 하나 이상의 이미지와 CNN을 이용하여 이미지 상의 랜드마크 지점을 추출할 수 있다.
이를 위해 이미지 분석 장치(100)는 예를 들어, CNN의 학습을 위해 획득한 이미지로부터 콘볼루션(convolution)을 통해 피쳐 맵(feature map)을 만들며, 상기 피쳐 맵에 대한 서브샘플링(subsampling)을 통해 획득한 로컬 피쳐(local feature)에 대해 콘볼루션과 서브샘플링을 수행하여 획득한 피쳐에 대해 다시 콘볼루션과 서브샘플링을 수행하여 피쳐를 획득하고, 상기 획득한 피쳐에 대해 다시 콘볼루션과 서브샘플링을 수행하는 단계를 반복적으로 수행하여 획득한 글로벌 피쳐(global feature)를 일반적인 뉴럴 네트워크(fully connected network)의 입력으로 연결시켜 최적의 인식 결과를 내도록 할 수 있다.
또한 이미지 분석 장치(100)는 예를 들어 CNN을 이용하여 세그멘테이션(segmentation)을 수행함으로써 이미지 상의 랜드마크 지점을 추출할 수 있다. 세그멘테이션은 이미지 상의 의미있는 부분을 구분해내는 기법으로서 공개된 다양한 방법의 세그멘테이션이 본 명세서에 기재된 실시예에 적용될 수 있다. 예를 들어, 히스토그램을 이용하여 픽셀들의 분포를 확인한 이후 적정 값의 임계값을 설정하여 픽셀 별로 구분할 수 있고, 또는 의미 있는 엣지(edge)를 추출하여 구분할 수 있으며, 또한, 동질성 (homegenety)을 갖고 있는 영역으로 구분할 수 있다.
또 다른 실시예에 따르면 이미지 분석 장치(100)는 이미지 상의 관심영역을 추출하고 관심영역 내에서의 랜드마크 지점으로 추측되는 제1지점을 추출할 수 있다. 관심영역 추출을 위해 이미지 분석 장치(100)는 머신러닝, 딥러닝 또는 CNN을 이용할 수 있으며 또한 상기 관심영역 내의 랜드마크 지점으로 추측되는 제1지점을 추출하기 위해 머신러닝, 딥러닝 또는 CNN 을 이용할 수 있다.
또 다른 실시예에 따르면 이미지 분석 장치(100)는 이미지 상에서 윈도우를 이동시킴으로써 윈도우 내의 영역을 관심영역으로 설정하고, 관심영역 내에 랜드마크 지점으로 추측되는 제1지점을 추출할 수 있다. 이미지 상에서 추출하고자 하는 랜드마크 지점이 N개(N은 1이상의 정수)라면, 이미지 분석 장치(100)는 N개의 랜드마크 지점 각각을 추출하기 위해 관심영역 내 제1지점을 추출하는 과정을 각 랜드마크 지점 별로 수행하여 N번 수행할 수 있다.
한편 다른 실시예에 따르면 이미지 분석 장치(100)는 추출하고자 하는 랜드마크 지점으로 추측되는 제1지점에 대해, 머신러닝을 이용하여 추출하고 또한 기하학적 연산으로 추출할 수 있다. 따라서 예를 들어, 랜드마크 지점으로 턱모서리점을 추출하고자 할 때, 이미지 분석 장치(100)는 머신러닝과 기하학적 연산 각각을 통해 추출된 지점 중에서 하나의 지점을 제1지점으로 추출할 수 있는데 예를 들어 이미지 분석 장치(100)는 머신러닝을 이용하여 추출한 랜드마크 지점의 신뢰도가 소정의 값 이하인 경우 기하학적 연산으로 획득한 지점을 제1지점으로 추출할 수 있다.
한편 이미지 분석 장치(100)는, 식별된 제1지점에 대해 검증할 수 있는데, 일 실시예에 따르면 이미지 분석 장치(100)는 머신러닝, 딥러닝 또는 CNN 을 이용하여 추출하였을 때 추출된 제1지점에 대해 기하학적 연산으로도 검증할 수 있다.
이때 머신러닝, 딥러닝 또는 CNN으로 식별된 제1지점을 기하학적 연산으로 추출된 제2지점과 동일한 위치인지 여부를 판단하여 검증할 수 있고, 또는 머신러닝, 딥러닝 또는 CNN으로 추출된 제1지점의 주변 지점 또는 기관 구조가 제2지점으로서 위치하는지를 여부를 기하학적으로 연산하여 검증할 수 있다. 예를 들어, 외이도의 최상방점(Por;porion)의 랜드마크 지점으로서의 제1지점이, 후두개저(posterior cranial base surface)와 하악과두 후방면(condylar head or neck) 교차점(Ar; articulare)을 제2지점으로 결정하였을 때 상기 제2지점의 좌측상단에 위치하고 있는지 검증하고 그에 따른 결과를 신뢰도로 표현할 수 있다.
추가적으로 이미지 분석 장치(100)는 관심영역을 맞게 설정하였는지를, 머신러닝, 딥러닝 또는 CNN 또는 기하학적 연산으로 검증할 수 있다. 예를 들어 이미지 분석 장치(100)는 머신러닝의 디텍션(detection)으로 추출한 관심영역이 의도한 관심영역인지 여부를 상기 관심영역의 이미지를 분류(classification)함으로써 검증하거나 신뢰도로 표현할 수 있다. 또는 예를 들어 이미지 분석 장치(100)는 머신러닝의 디텍션으로 추출한 관심영역이 의도한 관심영역인지 여부를 상기 관심영역 주변의 지점 또는 기관 구조로 검증할 수 있다.
또한 다른 실시예에 따르면 이미지 분석 장치(100)는, 추출하고자 하는 랜드마크 지점에 대해, 기하학적으로 추출한 제1지점에 대해 머신러닝, 딥러닝 또는 CNN 을 이용하여 검증할 수 있다. 예를 들어, 이미지 분석 장치(100)는, 이미지에 대해 머신러닝, 딥러닝 또는 CNN 을 수행하여 획득한 제2지점을 기준으로 소정의 반경 내에 제1지점이 위치하는지 여부를 판단하여 제1지점이 랜드마크 지점으로서 적절한지를 검증할 수 있다.
만약 상술된 방법에 따라 검증을 수행하였을 때 추출된 랜드마크 지점이 의도한 랜드마크 지점이 아니거나, 또는 의도한 랜드마크 지점이 아예 추출되지 아니한 경우, 이미지 분석 장치(100)는 랜드마크 지점을 다시 추출할 수 있다.
이때, 이미지 분석 장치(100)는, 기존의 이미지에 대해 랜드마크 지점을 다시 추출할 수 있다. 또는 이미지 분석 장치(100)는, 기존의 이미지가 아닌 새로운 이미지를 획득하여 새로운 이미지를 분석하여 랜드마크 지점을 추출할 수 있는데, 이를 위해, 로우이미지로부터 이미지를 다시 획득하거나, 이미지에 대한 규격화를 다시 수행할 수 있다.
그리고 이미지 분석 장치(100)는 S420단계에서 추출된 랜드마크 지점에 대한 신뢰도를 계산할 수 있다(S403).
우선, 이미지 분석 장치(100)는 학습을 위한 이미지로부터 콘볼루션을 통해 획득한 피쳐맵을 생성할 수 있고, 생성된 피쳐맵과 이미지에서 추출된 랜드마크 지점 간의 유사도에 대한 확률값을 기초로 동일한 확률값을 갖는 좌표를 폐곡선형태로 이은 블롭을 생성할 수 있다.
이때, 이미지 분석 장치(100)는 블롭을 생성시 기 설정된 확률값 이상의 확률값만을 이용하여 블롭을 생성할 수 있다.
예를 들어, 좌표값이 (0,1), (1,0), (1,1), (0,0), (2,1)에 대한 확률값이 각각 0.6, 0.5, 0.8, 0.9, 0.3 인 경우, 이미지 분석 장치(100)는 기 설정된 확률값인 0.5 이상인 확률값을 갖는 좌표 (0,1), (1,0), (1,1), (0,0)를 폐곡선 형태로 잇는 블롭을 생성할 수 있다.
그리고 이미지 분석 장치(100)는 생성된 블롭의 기하학적인 값인 블롭의 최대직경, 블롭의 첨도를 계산할 수 있다.
예를 들어, 블롭을 구성하는 좌표가 (0,1), (1,0), (1,1), (0,0) 인 경우, 이미지 분석 장치(100)는 블롭을 구성하는 좌표간의 거리 중 최장거리인 √2를 블롭의 최대직경으로 계산할 수 있다. 그리고 이미지 분석 장치(100)는 블롭 내의 각 좌표의 확률값과 확률평균인 0.7 과 차이의 4제곱을 표준편차인 0.15의 4제곱으로 나눈 값인 불롭의 첨도 0.444 를 계산할 수 있다.
그리고 이미지 분석 장치(100)는 계산된 블롭의 최대직경, 블롭의 첨도, 블롭의 최대확률값을 기초로 랜드마크 지점에 대한 신뢰도를 계산할 수 있다.
이때, 이미지 분석 장치(100)는 신뢰도 계산시 블롭의 최대직경, 블롭의 첨도, 블롭의 최대확률값 각각이 나타내는 신뢰성에 따라 반영강도를 달리할 수 있다.
예를 들어, 블롭의 최대직경이 작을수록 신뢰성이 높으므로 이미지 분석 장치(100)는 블롭의 최대직경이 작을수록 블롭의 최대직경에 대한 가중치를 높일 수 있다. 그리고 블롭의 첨도값이 클수록 신뢰성이 높으므로 이미지 분석 장치(100)는 블롭의 첨도 값이 클수록 블롭의 첨도에 대한 가중치를 높일 수 있다.
이후, 이미지 분석 장치(100)는 랜드마크 지점에 대한 신뢰도의 값이 기 설정된 값 이상인지 판단할 수 있으며(S440), 신뢰도가 기 설정된 값 이하이면, 이미지 분석 장치(100)는 랜드마크 지점을 갱신할 수 있다(S450).
예를 들어, 이미지 분석 장치(100)는 신뢰도가 기 설정된 값 미만인 랜드마크 지점을 표시할 수 있고, 사용자로부터 랜드마크 지점을 설정받아 랜드마크 지점을 갱신할 수 있다.
또는 예를 들어, 이미지 분석 장치(100)는 신뢰도가 기 설정된 값 미만인 랜드마크 지점으로부터 일정한 반경 내에서 랜드마크 지점을 임의로 변경하여 신뢰도를 계산할 수 있고, 신뢰도가 가장 높은 위치를 랜드마크 지점으로 설정하여 이미지의 랜드마크 지점을 갱신할 수 있다.
이후, 이미지 분석 장치(100)는 랜드마크 지점이 갱신된 이미지를 학습이미지로써 학습을 수행할 수 있다(S460).
예를 들어, 이미지 분석 장치(100)는 신뢰도에 기초하여 랜드마크 지점이 갱신된 이미지를 기초로 CNN 의 학습을 수행시켜 이미지에서 랜드마크 지점으로 추출할 영역을 정확하게 학습할 수 있다.
그리고 이미지 분석 장치(100)는 실시예에 따라, S410단계 내지 S460 단계를 반복하면서 CNN 을 반복적으로 학습시킬 수 있으며, 상술된 바와 같이 신뢰도에 따라 랜드마크 지점을 갱신하여 반복적인 학습을 수행함으로써 추출된 랜드마크 지점에 대한 정확성과 신뢰성을 높일 수 있다.
한편, 이미지 분석 장치(100)는 상술된 바와 같이 이미지 상의 랜드마크 지점을 추출하면, 랜드마크 지점에 식별이미지를 결합하여 분석이미지를 생성할 수 있다 (S470).
즉 이미지 분석 장치(100)는 이미지를 분석이미지로 변경할 때 이미지 상에 식별이미지를 합성할 수 있고 상기 식별이미지의 합성 시 랜드마크 지점에 식별이미지를 합성할 수 있다.
이때 이미지 분석 장치(100)는 동일한 형상을 갖는 식별이미지를 랜드마크 지점에 합성할 수 있다.
또는 이미지 분석 장치(100)는 식별이미지를 복수 개 저장하고, 랜드마크 지점의 위치에 따라 합성되는 식별이미지를 달리 할 수 있다.
한편 이미지 분석 장치(100)는 분석이미지를 포함한 리포트를 제공할지 여부를 결정할 수 있다 (S460).
예를 들어 이미지 분석 장치(100)는 사용자가 리포트를 제공받을 것을 요청하는 경우에 한해 리포트를 제공할 수 있다.
또 다른 예에 따르면 이미지 분석 장치(100)는 분석이미지를 포함한 리포트의 제공을 시스템 내에서 디폴트로 정하고 리포트를 제공할 수 있다.
또한 이미지 분석 장치(100)는 예를 들어, 소정의 임계치 이상의 값을 갖는 분석이미지에 관해서만 리포트를 제공할 수 있고, 예를 들어 특정 지점이 일반적으로 표시되는 위치보다 소정의 범위 외의 위치에, 상기 특정 지점에 대응되는 식별이미지가 표시되는 두부를 갖는 환자의 분석이미지에 한해 리포트를 제공할 수 있다.
이와 같이 이미지 분석 장치(100)가 리포트를 제공할 것을 결정하면, 분석이미지를 그대로 포함시키거나 분석이미지를 가공하여 리포트를 생성하고 제공할 수 있다 (S490).
이때 일실시예에 따르면 이미지 분석 장치(100)는 분석이미지 그대로가 리포트의 일부분을 구성하도록 리포트를 생성하고 제공할 수 있다.
또 다른 실시예에 따르면 이미지 분석 장치(100)는 분석이미지를 가공한 리포트를 제공할 수 있다.
한편 또 다른 실시예에 따른 이미지 분석 방법에 따르면, 이미지 분석 장치(100)는 이미지를 획득하기에 앞서 로우이미지를 수신하여 랜드마크 지점을 추출할 수 있는데 이와 관련하여서는 도 6을 참조하여 후술한다.
이미지 분석 장치(100)는, 도 6에서 도시된 바와 같이, 로우이미지에 대한 전처리를 수행할 수 있다(S610). 즉, 이미지 분석 장치(100)는 로우이미지에 대해 CLAHE 파라미터 적용하거나, 가우시안 블러를 적용하거나, 와핑을 적용할 수 있고, 또는, X축 및/또는 Y축으로 스케일링하거나 학습이미지를 축소 또는 크롭(crop)하거나, 화소값 등을 변경하여 해상도를 높임으로써 로우이미지에 대한 전처리를 수행할 수 있다.
그리고 이미지 분석 장치(100)는 로우이미지로부터 이미지를 획득할 수 있다 (S620).
이미지 획득을 위한 일 실시예에 따르면 이미지 분석 장치(100)는 분석 대상으로 입력된 로우이미지 상 소정의 영역 내에 소정의 식별자가 위치하고 있는지를 탐색할 수 있다.
예를 들어, 로우이미지 상 소정의 영역 내에 ‘안와’로 인식되는 식별자가 위치하는지 여부를 탐색할 수 있다. 이때, 이미지 분석 장치(100)는 로우이미지 상에 임의의 사이즈와 형상을 갖는 폐곡선으로 이루어진 윈도우 내 영역을 소정의 영역으로 설정할 수 있으며, 상기 윈도우는 로우이미지 상을 이동하면서 다양한 범위의 영역을 설정할 수 있다.
또한 예를 들어, 이미지 분석 장치(100)는 윈도우 내 소정의 영역 내에 소정의 식별자가 위치하는지 여부를 탐색하기 위해 머신러닝(또는 딥러닝 또는 CNN)을 이용할 수 있다. 예를 들어, 이미지 분석 장치(100)는 소정의 영역에 대해 CNN을 수행하여 상기 영역 내의 식별자가 위치하는 좌표를 추출할 수 있다. 상기 좌표는 소정의 영역 내의 좌표일 수 있고, 또는 로우이미지 상의 좌표일 수 있다.
이와 같이 로우이미지 상의 소정의 식별자에 대한 좌표를 추출한 이미지 분석 장치(100)는 추출한 좌표에 기초하여 이미지를 획득할 수 있다.
예를 들어, 로우이미지가 환자의 상체를 찍은 x-ray이미지라면, 이미지 분석 장치(100)는 로우이미지에서 이미지로 특정 지을 수 있는 ‘안와’, ’하악골’, ‘비강’의 3개의 식별자를 추출할 수 있다. 3개의 식별자를 추출하기 위해 이미지 분석 장치(100)는 윈도우를 이동시켜가며 식별자에 해당되는 좌표를 추출할 수 있다. 그리고 추출된 좌표에 기초하여 이미지로 판단되는 영역을 로우이미지 상에 설정함으로써 이미지 분석 장치(100)는 이미지를 획득할 수 있다. 예를 들어 이미지 분석 장치(100)는 위 3개의 식별자를 포함하면서 각 식별자로부터 소정의 범위를 포함하는 영역을 이미지로 설정할 수 있다.
이미지 분석 장치(100)는 획득한 이미지에 대해 규격화 처리함으로써 랜드마크 지점의 추출이 용이해지도록 이미지를 가공할 수 있다. 예를 들어, 이미지 분석 장치(100)는 이미지의 해상도, 밝기 등을 변경하거나 이미지의 사이즈를 확대/축소시키는 등의 규격화 처리를 수행할 수 있다. 또는 예를 들어 이미지 분석 장치(100)는 소아의 이미지의 경우 이미지를 확대 스케일링하거나 머리가 큰 환자의 이미지의 경우 이미지를 축소 스케일링할 수 있다.
상술된 바와 같이 이미지 분석 장치(100)는 이미지를 획득할 수 있고, 상기 이미지에 대해 랜드마크 후보 지점을 추출할 수 있다 (S630).
랜드마크 후보 지점은 랜드마크 지점으로 추출된 지점으로써 검증되기 이전의 지점을 의미한다.
랜드마크 후보 지점의 추출을 위해 이미지 분석 장치(100)는 이미지 상의 관심영역을 추출하고 관심영역 내에서의 랜드마크 후보 지점을 추출할 수 있다. 관심영역 추출을 위해 이미지 분석 장치(100)는 머신러닝(또는 딥러닝 또는 CNN)을 이용할 수 있으며 또한 상기 관심영역 내의 랜드마크 후보 지점을 추출하기 위해 머신러닝(또는 딥러닝 또는 CNN)을 이용할 수 있다.
관심영역은 이미지 상에서 윈도우가 이동하거나 고정된 지점에 위치함으로써 설정될 수 있다.
이미지 상에서 추출하고자 하는 랜드마크 지점이 N개(N은 1이상의 정수)이면, 이미지 분석 장치(100)는 N개의 랜드마크 지점 각각을 추출하기 위해 관심영역을 설정하면서 관심영역 내 랜드마크 후보 지점을 추출하는 단계를 N번 수행할 수 있다. 이때 이미지 분석 장치(100)는 이미지의 특정 위치에 랜드마크 지점가 위치할 것으로 추정되는 경우 윈도우를 상기 특정 위치에 고정시켜 랜드마크 후보 지점을 추출할 수 있다. 예를 들어, 턱 주변에 위치하는 랜드마크 지점인 경우 이미지 분석 장치(100)는 턱을 포함하는 영역을 관심영역으로 설정하고 상기 관심영역 내에서 랜드마크 후보 지점을 추출할 수 있다.
추출된 랜드마크 후보 지점에 대해 이미지 분석 장치(100)는 검증할 수 있다 (S640).
일 실시예에 따르면, 이미지 분석 장치(100)는 기하학적 연산을 함께 수행함으로써 머신러닝(또는 딥러닝 또는 CNN)을 이용하여 획득된 랜드마크 지점이 정해진 위치를 벗어났는지를 검증할 수 있다. 또 다른 실시예에 따르면, 이미지 분석 장치(100)는 외이도의 최상방점(Por) 또는 A점(point A; 두부측면상에서 결정되는 지점으로, 코 앞끝으로부터 상악익상돌기릉에 이르는 구부러진 골부분의 가장 돌출한 부분)이 랜드마크 지점으로서 맞게 추출되었는지를 검증함으로써 추출된 랜드마크 후보 지점이 맞게 추출되었는지 검증할 수 있다.
상술된 검증을 거쳐 추출된 랜드마크 후보 지점이 맞게 추출된 지점이 아니거나, 또는 추출된 랜드마크 후보 지점을 모두 검증하여도 의도한 랜드마크 지점이 없는 경우, 이미지 분석 장치(100)는 로우이미지로부터 이미지를 다시 획득하거나, 획득한 이미지에 대해 규격화를 다시 수행하여 새로운 이미지를 획득하고, 새로운 이미지에 대해 랜드마크 후보 지점을 다시 추출하여 검증을 수행할 수 있다. 즉, 단계 S620 내지 단계 S640을 다시 수행하여 정확한 랜드마크 지점을 추출할 수 있다.
한편 이미지 분석 장치(100)는 상술된 바와 같이 이미지 상의 랜드마크 지점을 추출하면, 랜드마크 지점에 식별이미지를 결합하여 분석이미지를 생성함으로써 분석이미지 또는 레포트를 제공할 수 있다. 이와 관련하여서는 도 4의 각 단계에서 동일한 도면부호에 대한 설명과 동일하므로 도 6의 단계 S430 내지 S490에 관한 설명은 생략한다.
도 7 내지 도 8은 이미지 분석 장치(100)가 리포트로서 제공하는 것을 나타내는 예시도이다.
예를 들어, 분석이미지 상에 표시된 식별이미지 간을 선분으로 연결하여 환자의 두부 상태를 직관적으로 나타낼 수 있는데, 예를 들어 환자의 두부 상에서의 아랫니(dental alveolar-lower incisor)를 분석하기 위해 도 7에 도시된 바와 같이 식별이미지 간을 선분으로 연결하여 환자의 두부 상에서의 아랫니 상태를 분석한 리포트를 제공할 수 있다.
또한 분석이미지 상에 표시된 식별이미지 각각에 대응되는 정보를 함께 나타내는 방법으로 사용자에게 리포트를 제공할 수 있는데, 예를 들어, 식별이미지를 활용하여 두부를 계측한 결과값을 제공할 수 있고 도 7에 도시된 바와 같이 환자의 절치간 각도(interincisal angle)를 연산하여 평균치와 함께 표시할 수 있다.
또한 예를 들어, 도 8에서 도시된 바와 같이 분석이미지 상에 또 다른 이미지를 합성한 이미지를 포함하는 리포트를 제공할 수 있다.
이상의 실시예들에서 사용되는 '~부'라는 용어는 소프트웨어 또는 FPGA(field programmable gate array) 또는 ASIC 와 같은 하드웨어 구성요소를 의미하며, '~부'는 어떤 역할들을 수행한다. 그렇지만 '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램특허 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들, 및 변수들을 포함한다.
구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로부터 분리될 수 있다.
뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU 들을 재생시키도록 구현될 수도 있다.
도 4 내지 도 6을 통해 설명된 실시예에 따른 이미지 분석 방법은 컴퓨터에 의해 실행 가능한 명령어 및 데이터를 저장하는, 컴퓨터로 판독 가능한 매체의 형태로도 구현될 수 있다. 이때, 명령어 및 데이터는 프로그램 코드의 형태로 저장될 수 있으며, 프로세서에 의해 실행되었을 때, 소정의 프로그램 모듈을 생성하여 소정의 동작을 수행할 수 있다. 또한, 컴퓨터로 판독 가능한 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터로 판독 가능한 매체는 컴퓨터 기록 매체일 수 있는데, 컴퓨터 기록 매체는 컴퓨터 판독 가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함할 수 있다. 예를 들어, 컴퓨터 기록 매체는 HDD 및 SSD 등과 같은 마그네틱 저장 매체, CD, DVD 및 블루레이 디스크 등과 같은 광학적 기록 매체, 또는 네트워크를 통해 접근 가능한 서버에 포함되는 메모리일 수 있다.
또한 도 4 내지 도 6을 통해 설명된 실시예에 따른 이미지 분석 방법은 컴퓨터에 의해 실행 가능한 명령어를 포함하는 컴퓨터 프로그램(또는 컴퓨터 프로그램 제품)으로 구현될 수도 있다. 컴퓨터 프로그램은 프로세서에 의해 처리되는 프로그래밍 가능한 기계 명령어를 포함하고, 고레벨 프로그래밍 언어(High-level Programming Language), 객체 지향 프로그래밍 언어(Object-oriented Programming Language), 어셈블리 언어 또는 기계 언어 등으로 구현될 수 있다. 또한 컴퓨터 프로그램은 유형의 컴퓨터 판독가능 기록매체(예를 들어, 메모리, 하드디스크, 자기/광학 매체 또는 SSD(Solid-State Drive) 등)에 기록될 수 있다.
따라서 도 4 내지 도 6을 통해 설명된 실시예에 따른 이미지 분석 방법은 상술한 바와 같은 컴퓨터 프로그램이 컴퓨팅 장치에 의해 실행됨으로써 구현될 수 있다. 컴퓨팅 장치는 프로세서와, 메모리와, 저장 장치와, 메모리 및 고속 확장포트에 접속하고 있는 고속 인터페이스와, 저속 버스와 저장 장치에 접속하고 있는 저속 인터페이스 중 적어도 일부를 포함할 수 있다. 이러한 성분들 각각은 다양한 버스를 이용하여 서로 접속되어 있으며, 공통 머더보드에 탑재되거나 다른 적절한 방식으로 장착될 수 있다.
여기서 프로세서는 컴퓨팅 장치 내에서 명령어를 처리할 수 있는데, 이런 명령어로는, 예컨대 고속 인터페이스에 접속된 디스플레이처럼 외부 입력, 출력 장치상에 GUI(Graphic User Interface)를 제공하기 위한 그래픽 정보를 표시하기 위해 메모리나 저장 장치에 저장된 명령어를 들 수 있다. 다른 실시예로서, 다수의 프로세서 및(또는) 다수의 버스가 적절히 다수의 메모리 및 메모리 형태와 함께 이용될 수 있다. 또한 프로세서는 독립적인 다수의 아날로그 및(또는) 디지털 프로세서를 포함하는 칩들이 이루는 칩셋으로 구현될 수 있다.
또한 메모리는 컴퓨팅 장치 내에서 정보를 저장한다. 일례로, 메모리는 휘발성 메모리 유닛 또는 그들의 집합으로 구성될 수 있다. 다른 예로, 메모리는 비휘발성 메모리 유닛 또는 그들의 집합으로 구성될 수 있다. 또한 메모리는 예컨대, 자기 혹은 광 디스크와 같이 다른 형태의 컴퓨터 판독 가능한 매체일 수도 있다.
그리고 저장장치는 컴퓨팅 장치에게 대용량의 저장공간을 제공할 수 있다. 저장 장치는 컴퓨터 판독 가능한 매체이거나 이런 매체를 포함하는 구성일 수 있으며, 예를 들어 SAN(Storage Area Network) 내의 장치들이나 다른 구성도 포함할 수 있고, 플로피 디스크 장치, 하드 디스크 장치, 광 디스크 장치, 혹은 테이프 장치, 플래시 메모리, 그와 유사한 다른 반도체 메모리 장치 혹은 장치 어레이일 수 있다.
상술된 실시예들은 예시를 위한 것이며, 상술된 실시예들이 속하는 기술분야의 통상의 지식을 가진 자는 상술된 실시예들이 갖는 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 상술된 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 명세서를 통해 보호 받고자 하는 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태를 포함하는 것으로 해석되어야 한다.
100: 이미지 분석 장치
110: 제어부
120: 메모리
130: 입출력부
140: 통신부

Claims (14)

  1. 이미지를 분석하기 위한 장치로서,
    이미지 상의 랜드마크 지점을 추출하여 추출된 랜드마크 지점에 대한 신뢰도 분석을 수행하고, 상기 신뢰도 분석된 랜드마크 지점에 기초하여 분석이미지를 생성하는 제어부; 및
    생성된 분석이미지를 저장하는 메모리를 포함하며,
    상기 제어부는,
    추출된 랜드마크 지점에 대해 계산된 신뢰도에 기초하여 상기 랜드마크 지점이 갱신된 학습이미지를 획득하여 랜드마크 지점을 추출하기 위한 학습을 수행하고,
    상기 이미지상의 랜드마크 지점 및 상기 랜드마크 지점을 추출하기 위한 학습에 따라 생성된 피쳐맵 간의 유사도가 기 설정된 값을 초과하는 영역인 블롭을 기초로 상기 신뢰도를 계산하는, 이미지 분석 장치.
  2. 제 1 항에 있어서,
    상기 제어부는,
    상기 블롭의 각 지점 확률값에 기초하여 첨도(Kurtosis)를 계산하는, 이미지 분석 장치.
  3. 제 1 항에 있어서,
    상기 제어부는,
    상기 블롭의 최장 직경을 기초로 상기 신뢰도를 계산하는, 이미지 분석 장치.
  4. 제 2 항에 있어서,
    상기 제어부는,
    상기 첨도를 기초로 상기 신뢰도를 계산하는, 이미지 분석 장치.
  5. 제 1 항에 있어서,
    상기 제어부는,
    상기 블롭 내의 최대 확률값을 기초로 상기 신뢰도를 계산하는, 이미지 분석 장치.
  6. 제 1 항에 있어서,
    상기 제어부는,
    추출된 랜드마크 지점에 대해 계산된 신뢰도에 기초하여 상기 이미지에 대한 랜드마크 지점을 갱신하여 분석하는, 이미지 분석 장치.
  7. 이미지 분석 장치가 이미지를 분석하는 방법으로서,
    이미지 상의 랜드마크 지점을 추출하는 단계;
    추출된 랜드마크 지점에 대한 신뢰도 분석을 수행하는 단계; 및
    상기 신뢰도 분석된 랜드마크 지점에 기초하여 분석이미지를 생성하는 단계를 포함하며,
    상기 신뢰도 분석을 수행하는 단계는,
    추출된 랜드마크 지점에 대해 계산된 신뢰도에 기초하여 상기 랜드마크 지점이 갱신된 학습이미지를 획득하는 단계; 및
    갱신된 학습이미지를 기초로 랜드마크 지점을 추출하기 위한 학습을 수행하는 단계를 포함하고,
    상기 이미지 분석 방법은,
    상기 이미지상의 랜드마크 지점 및 상기 랜드마크 지점을 추출하기 위한 학습에 따라 생성된 피쳐맵 간의 유사도가 기 설정된 값을 초과하는 영역인 블롭을 기초로 상기 신뢰도를 계산하는 단계를 더 포함하는, 이미지 분석 방법.
  8. 제 7 항에 있어서,
    상기 신뢰도를 계산하는 단계는,
    상기 블롭의 각 지점 확률값에 기초하여 첨도(Kurtosis)를 계산하는 단계를 포함하는, 이미지 분석 방법.
  9. 제 7 항에 있어서,
    상기 이미지 분석 방법은,
    상기 블롭의 최장 직경을 기초로 상기 신뢰도를 계산하는 단계를 포함하는, 이미지 분석 방법.
  10. 제 8 항에 있어서,
    상기 이미지 분석 방법은,
    상기 첨도를 기초로 상기 신뢰도를 계산하는 단계를 포함하는, 이미지 분석 방법.
  11. 제 7 항에 있어서,
    상기 이미지 분석 방법은,
    상기 블롭 내의 최대 확률값을 기초로 상기 신뢰도를 계산하는 단계를 포함하는, 이미지 분석 방법.
  12. 제 7 항에 있어서,
    상기 랜드마크 지점을 추출하는 단계는,
    추출된 랜드마크 지점에 대해 계산된 신뢰도에 기초하여 상기 이미지에 대한 랜드마크 지점을 갱신하여 분석하는 단계를 더 포함하는, 이미지 분석 방법.
  13. 컴퓨터에 제 7 항에 기재된 방법을 실행시키기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록 매체.
  14. 이미지 분석 장치에 의해 수행되며, 제 7 항에 기재된 방법을 수행하기 위해 매체에 저장된 컴퓨터 프로그램.
KR1020190082333A 2018-07-09 2019-07-08 이미지 분석 장치 및 이미지 분석 방법 KR102214652B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20180079623 2018-07-09
KR1020180079623 2018-07-09

Publications (2)

Publication Number Publication Date
KR20200006016A KR20200006016A (ko) 2020-01-17
KR102214652B1 true KR102214652B1 (ko) 2021-02-10

Family

ID=69370005

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020180128188A KR102130963B1 (ko) 2018-07-09 2018-10-25 두부이미지 분석 장치 및 이미지 분석 방법
KR1020190082333A KR102214652B1 (ko) 2018-07-09 2019-07-08 이미지 분석 장치 및 이미지 분석 방법

Family Applications Before (1)

Application Number Title Priority Date Filing Date
KR1020180128188A KR102130963B1 (ko) 2018-07-09 2018-10-25 두부이미지 분석 장치 및 이미지 분석 방법

Country Status (1)

Country Link
KR (2) KR102130963B1 (ko)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102246439B1 (ko) * 2020-02-19 2021-04-30 주식회사 토모큐브 기계학습 알고리즘을 활용한 신속한 3차원 단층촬영의 정규화 방법 및 장치
KR102663182B1 (ko) * 2021-09-14 2024-05-14 주식회사 잇다헬스케어 랜드마크 추출장치 및 그것의 동작방법
KR102643071B1 (ko) 2021-09-30 2024-03-05 주식회사 에이치디엑스윌 두부 ct 영상의 머리 회전 기준을 결정하는 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터 프로그램
KR102647652B1 (ko) * 2021-10-21 2024-03-15 고려대학교 산학협력단 두경부 이미지 구획화 방법 및 장치
KR20230160995A (ko) * 2022-05-17 2023-11-27 주식회사 애마슈 3차원 볼륨 영상으로부터 랜드마크를 검출하기 위한 방법 및 장치

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180061054A1 (en) * 2016-08-29 2018-03-01 CephX Technologies Ltd. Automated Cephalometric Analysis Using Machine Learning

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8160322B2 (en) * 2007-08-02 2012-04-17 Siemens Medical Solutions Usa, Inc. Joint detection and localization of multiple anatomical landmarks through learning
US8363918B2 (en) * 2008-11-12 2013-01-29 Siemens Aktiengesellschaft Method and system for anatomic landmark detection using constrained marginal space learning and geometric inference
JP5537261B2 (ja) 2010-05-25 2014-07-02 株式会社東芝 医用画像診断装置、画像情報処理装置及び治療支援データ表示用制御プログラム
US20130066197A1 (en) 2011-09-13 2013-03-14 Celine Pruvot System and method for blood vessel stenosis visualization and navigation
RU2530220C1 (ru) * 2013-03-18 2014-10-10 Корпорация "САМСУНГ ЭЛЕКТРОНИКС Ко., Лтд." Система и способ для автоматической регистрации анатомических точек в объемных медицинских изображениях

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180061054A1 (en) * 2016-08-29 2018-03-01 CephX Technologies Ltd. Automated Cephalometric Analysis Using Machine Learning

Also Published As

Publication number Publication date
KR20200005984A (ko) 2020-01-17
KR20200006016A (ko) 2020-01-17
KR102130963B1 (ko) 2020-07-08

Similar Documents

Publication Publication Date Title
KR102214652B1 (ko) 이미지 분석 장치 및 이미지 분석 방법
CN107633521B (zh) 一种脊椎识别和命名系统、方法及装置
US20200226752A1 (en) Apparatus and method for processing medical image
US20180300589A1 (en) System and method using machine learning for iris tracking, measurement, and simulation
Wang et al. Automatic evaluation of the degree of facial nerve paralysis
US10198668B2 (en) Apparatus and method for supporting computer aided diagnosis (CAD) based on probe speed
US10424067B2 (en) Image processing apparatus, image processing method and storage medium
KR101913586B1 (ko) 치아 영상 정합 방법, 이를 위한 장치, 및 이를 기록한 기록매체
KR20210051141A (ko) 환자의 증강 현실 기반의 의료 정보를 제공하는 방법, 장치 및 컴퓨터 프로그램
US11158046B2 (en) Estimating measurements of craniofacial structures in dental radiographs
EP3594901B1 (en) Apparatus and method for analyzing cephalometric image
JP6915102B2 (ja) 骨に沿った人工ランドマークを使用した三次元画像の自動歪み補正および／または同時位置合わせのためのシステムおよび方法
US9678988B2 (en) Image processing apparatus and image processing method
KR102433473B1 (ko) 환자의 증강 현실 기반의 의료 정보를 제공하는 방법, 장치 및 컴퓨터 프로그램
CN110738643A (zh) 脑出血的分析方法、计算机设备和存储介质
JP2013220319A (ja) 画像処理装置、方法及びプログラム
CN111161240B (zh) 血管分类方法、装置、计算机设备和可读存储介质
JP7265805B2 (ja) 画像解析方法、画像解析装置、画像解析システム、制御プログラム、記録媒体
US10299864B1 (en) Co-localization of multiple internal organs based on images obtained during surgery
KR102518493B1 (ko) 경추를 포함하는 X-ray 이미지에서, 인공 지능 모델을 이용하여 상기 경추에 포함된 적어도 하나의 경추 포인트를 검출하는 전자 장치 및 그의 방법
TW202036473A (zh) 醫療影像對位方法
US20220287570A1 (en) System and method for identifying errors in positioning of a subject for capturing a thermal image
JP2024006591A (ja) 判定装置、プログラム、及び判定方法
KR20230108096A (ko) 비문 인식 방법 및 장치
KR20240074429A (ko) 수술 별로 전체 혈관 영역에서 자동으로 혈관 종류를 구분하는 방법 및 장치

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant