KR102222816B1 - 진행성 병변의 미래 영상을 생성하는 방법 및 이를 이용한 장치 - Google Patents

Abstract

본 발명은 진행성 병변에 대한 미래 상태를 예측하는 방법 및 이를 이용한 장치에 관한 것이다. 구체적으로, 본 발명에 따른 방법에 의하면, 컴퓨팅 장치가, 의료 영상을 획득하고, 획득된 상기 의료 영상에서 식별되는 적어도 하나의 개별 병변에 대하여 상기 의료 영상의 기준 시점으로부터 소정의 시간 간격 후의 시점에서의 상기 적어도 하나의 개별 병변의 미래 영상을 생성한다.

Description

진행성 병변의 미래 영상을 생성하는 방법 및 이를 이용한 장치{METHOD FOR GENERATING FUTURE IMAGE OF PROGRESSIVE LESION AND APPARATUS USING THE SAME}

본 발명은 진행성 병변(progressive lesion)에 대한 미래 상태를 예측하는 방법 및 이를 이용한 장치에 관한 것이다. 구체적으로, 본 발명에 따른 방법에 의하면, 컴퓨팅 장치가, 의료 영상을 획득하고, 획득된 상기 의료 영상에서 식별되는 적어도 하나의 개별 병변에 대하여 상기 의료 영상의 기준 시점으로부터 소정의 시간 간격 후의 시점에서의 상기 적어도 하나의 개별 병변의 미래 영상을 생성한다.

현재, 의료 영상을 분석하여 병변에 대한 분석 정보를 생성하기 위한 방법들과 시스템들이 존재한다. 그런데, 이러한 의료 영상은 현재나 과거 시점에서 촬영된 의료 영상이므로, 현재나 과거에 관한 의학적 소견, 진단 정보 등을 도출하는 데에는 유용하게 쓰일 수 있으나, 의료 영상의 촬영 대상인 피검체의 미래 상태 또는 예후의 예측은 전적으로 현재 상태로부터 추측되는 경험적이고 통계학적인 결과에만 머물러 있다. 이는 미래의 병변에 대한 의료영상적 분석은 아니므로, 현재의 상태를 진단하는 것만큼 분명하게 보이지 않는 단점이 있다.

즉, 종래에는 의사들이 병변이 향후 어떻게 변화할지를 시각화하여 보여주는 방법이 없었기 때문에, 그 시각화된 미래 영상의 상황에 대응되는 과거 진단 사례를 참조할 수 있도록 검색해주는 방안도 존재하지 않았는바, 미래의 병변 영상에 대한 정량적, 영상의학적 예측이 가능해지도록 본 발명에서는 병변을 포함하는 의료 영상으로부터 주어진 시간 간격 후의 시점의 의료 영상이 어떻게 변화될 것인지를 높은 정확도로 예측함으로써 영상의학적 기법을 피검체의 미래 상태에 대하여 적용할 수 있게 할 수 있는 방법 및 이를 이용한 장치를 제안하고자 한다.

Jun-Yan Zhu et al. Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. arXiv preprint arXiv:1703.10593, 2017 : Goodfellow, Ian J.; Pouget-Abadie, Jean; Mirza, Mehdi; Xu, Bing; Warde-Farley, David; Ozair, Sherjil; Courville, Aaron; Bengio, Yoshua (2014). "Generative Adversarial Networks"

본 발명은 제공된 의료 영상에 포함된 진행성 병변이 향후 어떻게 변화해가는지를 의사에게 시각화하여 보여줌으로써 이에 대한 영상의학적 예측을 가능하게 하는 것을 목적으로 한다.

또한, 본 발명은 예측된 미래 의료 영상에 나타난 병변과 유사한 진단 사례를 제공함으로써 의사들이 더 정확한 진단 결과를 도출하는 데 조력하는 것을 목적으로 한다.

상기한 바와 같은 본 발명의 목적을 달성하고, 후술하는 본 발명의 특징적인 효과를 실현하기 위한 본 발명의 특징적인 구성은 하기와 같다.

본 발명의 일 태양에 따르면, 병변에 대한 미래 상태를 예측하는 방법이 제공되는바, 그 방법은, (a) 컴퓨팅 장치가, 의료 영상을 획득하거나 상기 컴퓨팅 장치에 연동되는 타 장치로 하여금 획득하도록 지원하는 단계; 및 (b) 상기 컴퓨팅 장치가, 획득된 상기 의료 영상에서 식별되는 적어도 하나의 개별 병변에 대하여 상기 의료 영상의 기준 시점으로부터 소정의 시간 간격(time interval) 후의 시점에서의 상기 적어도 하나의 개별 병변의 미래 영상을 생성하거나 생성하도록 지원하는 단계를 포함한다.

본 발명의 다른 태양에 따르면, 본 발명에 따른 방법을 수행하도록 구현된 명령어(instructions)를 포함하는, 기계 판독 가능한 비일시적 기록 매체에 저장된, 컴퓨터 프로그램도 제공된다.

본 발명의 또 다른 태양에 따르면, 병변에 대한 미래 상태를 예측하는 컴퓨팅 장치가 제공되는바, 그 컴퓨팅 장치는, 의료 영상을 획득하는 통신부; 및 획득된 상기 의료 영상에서 식별되는 적어도 하나의 개별 병변에 대하여 상기 의료 영상의 기준 시점으로부터 소정의 시간 간격(time interval) 후의 시점에서의 상기 적어도 하나의 개별 병변의 미래 영상을 생성하거나 상기 통신부를 통하여 연동되는 타 장치로 하여금 생성하도록 지원하는 프로세서를 포함한다.

본 발명에 의하면, 제공된 의료 영상에 포함된 진행성 병변이 향후 어떻게 변화할지를 시각화하여 제공함으로써 의사가 영상의학적 기법을 피검체의 미래 상태에 대하여 적용할 수 있게 되어 의료 영상의 활용성을 시간축에 대하여 확장하는 효과가 있다.

또한, 본 발명에 의하면, 또한 시각화된 미래 영상의 상황에 대응되는 과거 진단 사례를 참조할 수 있게 함으로써 의사의 더 정확한 진단을 가능하게 하는 효과가 있다.

요컨대, 본 발명에 따르면 궁극적으로 의료진의 병변 진단 시간을 절약하고 예후의 정확한 예측을 가능하게 함으로써 진료의 질을 높여 의료 현장에서의 워크플로(workflow)를 혁신할 수 있게 되는 잠재적 효과가 있다.

그리고 본 발명은, 종래에 병원에서 이용하고 있는 의료 영상, 예컨대 X선 영상, MRI 영상 등이 그대로 활용될 수 있는바, 본 발명의 방법이 특정 형식의 영상이나 플랫폼에 종속되지 않음은 물론이다.

본 발명의 실시 예의 설명에 이용되기 위하여 첨부된 아래 도면들은 본 발명의 실시 예들 중 단지 일부일 뿐이며, 본 발명이 속한 기술분야의 통상의 기술자에게 있어서는 발명적 작업이 이루어짐 없이 이 도면들에 기초하여 다른 도면들이 얻어질 수 있다.
도 1은 본 발명에 따라 병변에 대한 미래 상태를 예측하는 방법(이하 “병변 미래 상태 예측 방법”이라 함)을 수행하는 컴퓨팅 장치의 예시적 구성을 개략적으로 도시한 개념도이다.
도 2는 본 발명에 따른 병변 미래 상태 예측 방법을 수행하는 컴퓨팅 장치의 하드웨어 또는 소프트웨어 구성요소를 도시한 예시적 블록도이다.
도 3은 본 발명에 따른 병변 미래 상태 예측 방법을 개념적으로 나타낸 도면이다.
도 4는 본 발명에 따른 병변 미래 상태 예측 방법의 일 실시 예를 예시적으로 나타낸 흐름도이다.
도 5는 도 4에 도시된 일 실시 예의 일부 단계를 더 구체적으로 나타낸 예시적 흐름도이다.

후술하는 본 발명에 대한 상세한 설명은, 본 발명의 목적들, 기술적 해법들 및 장점들을 분명하게 하기 위하여 본 발명이 실시될 수 있는 특정 실시 예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시 예는 통상의 기술자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다.

본 발명의 상세한 설명 및 청구항들에 걸쳐 이용된 "영상" 또는 "영상 데이터"라는 용어는 이산적 영상 요소들(예컨대, 2차원 영상에 있어서는 픽셀, 3차원 영상에 있어서는 복셀)로 구성된 다차원 데이터를 지칭한다. 예를 들어 "영상"은 (콘-빔형; cone-beam) 전산화 단층 촬영(computed tomography), MRI(magnetic resonance imaging), 초음파 또는 본 발명의 기술분야에서 공지된 임의의 다른 의료 영상 시스템의 의하여 수집된 피검체(subject)의 의료 영상일 수 있다. 또한 영상은 비의료적 맥락에서 제공될 수도 있는바, 예를 들어 원격 감지 시스템(remote sensing system), 전자현미경(electron microscopy) 등등이 있을 수 있다.

본 발명의 상세한 설명 및 청구항들에 걸쳐, 'X선 영상' 혹은 '엑스선 영상'은 (예컨대, 비디오 화면에 표시된) 눈으로 볼 수 있는 엑스선 영상 또는 (예컨대, 엑스선 검출기의 픽셀 출력에 대응되는 파일과 같은) 엑스선 영상의 디지털 표현물을 지칭하는 용어이다.

설명의 편의를 위하여 제시된 도면에서는 때때로 콘-빔형 CT(cone-beam computed tomography; CBCT) 영상 데이터가 예시적 영상 형식(modality)인 것으로 도시되었다. 그러나 통상의 기술자는 본 발명의 다양한 실시 예에서 이용되는 영상 형식들이 X선 영상, MRI, CT, PET(positron emission tomography), PET-CT, SPECT, SPECT-CT, MR-PET, 3D 초음파 영상 등등을 포함하나 이에 한정되지 않는다는 점을 이해할 수 있을 것이다.

본 발명의 상세한 설명 및 청구항들에 걸쳐 ‘DICOM(Digital Imaging and Communications in Medicine; 의료용 디지털 영상 및 통신)’ 표준은 의료용 기기에서 디지털 영상 표현과 통신에 이용되는 여러 가지 표준을 총칭하는 용어인바, DICOM 표준은 미국 방사선 의학회(ACR)와 미국 전기 공업회(NEMA)에서 구성한 연합 위원회에서 발표한다.

또한, 본 발명의 상세한 설명 및 청구항들에 걸쳐 ‘의료영상 저장 전송 시스템(PACS; Picture Archiving and Communication System)’은 DICOM 표준에 맞게 저장, 가공, 전송하는 시스템을 지칭하는 용어이며, X선, CT, MRI와 같은 디지털 의료영상 장비를 이용하여 획득된 의료영상 이미지는 DICOM 형식으로 저장되고 네트워크를 통하여 병원 내외의 단말로 전송이 가능하며, 이에는 판독 결과 및 진료 기록이 추가될 수 있다.

그리고 본 발명의 상세한 설명 및 청구항들에 걸쳐 '학습' 혹은 '러닝'은 절차에 따른 컴퓨팅(computing)을 통하여 기계 학습(machine learning)을 수행함을 일컫는 용어인바, 인간의 교육 활동과 같은 정신적 작용을 지칭하도록 의도된 것이 아님을 통상의 기술자는 이해할 수 있을 것이다.

그리고 본 발명의 상세한 설명 및 청구항들에 걸쳐, '포함하다'라는 단어 및 그 변형은 다른 기술적 특징들, 부가물들, 구성요소들 또는 단계들을 제외하는 것으로 의도된 것이 아니다. 또한, ‘하나’ 또는 ‘한’은 하나 이상의 의미로 쓰인 것이며, ‘또 다른’은 적어도 두 번째 이상으로 한정된다.

통상의 기술자에게 본 발명의 다른 목적들, 장점들 및 특성들이 일부는 본 설명서로부터, 그리고 일부는 본 발명의 실시로부터 드러날 것이다. 아래의 예시 및 도면은 실례로서 제공되며, 본 발명을 한정하는 것으로 의도된 것이 아니다. 따라서, 특정 구조나 기능에 관하여 본 명세서에 개시된 상세 사항들은 한정하는 의미로 해석되어서는 아니되고, 단지 통상의 기술자가 실질적으로 적합한 임의의 상세 구조들로써 본 발명을 다양하게 실시하도록 지침을 제공하는 대표적인 기초 자료로 해석되어야 할 것이다.

더욱이 본 발명은 본 명세서에 표시된 실시 예들의 모든 가능한 조합들을 망라한다. 본 발명의 다양한 실시 예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시 예에 관련하여 본 발명의 사상 및 범위를 벗어나지 않으면서 다른 실시 예로 구현될 수 있다. 또한, 각각의 개시된 실시 예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 사상 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.

본 명세서에서 달리 표시되거나 분명히 문맥에 모순되지 않는 한, 단수로 지칭된 항목은, 그 문맥에서 달리 요구되지 않는 한, 복수의 것을 아우른다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.

이하, 통상의 기술자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 바람직한 실시 예들에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.

도 1은 본 발명에 따라 병변에 대한 미래 상태를 예측하는 방법(이하 “병변 미래 상태 예측 방법”이라 함)을 수행하는 컴퓨팅 장치의 예시적 구성을 개략적으로 도시한 개념도이다.

도 1을 참조하면, 본 발명의 일 실시 예에 따른 컴퓨팅 장치(100)는, 통신부(110) 및 프로세서(120)를 포함하며, 상기 통신부(110)를 통하여 외부 컴퓨팅 장치(미도시)와 직간접적으로 통신할 수 있다.

구체적으로, 상기 컴퓨팅 장치(100)는, 전형적인 컴퓨터 하드웨어(예컨대, 컴퓨터 프로세서, 메모리, 스토리지, 입력 장치 및 출력 장치, 기타 기존의 컴퓨팅 장치의 구성요소들을 포함할 수 있는 장치; 라우터, 스위치 등과 같은 전자 통신 장치; 네트워크 부착 스토리지(NAS; network-attached storage) 및 스토리지 영역 네트워크(SAN; storage area network)와 같은 전자 정보 스토리지 시스템)와 컴퓨터 소프트웨어(즉, 컴퓨팅 장치로 하여금 특정의 방식으로 기능하게 하는 명령어들)의 조합을 이용하여 원하는 시스템 성능을 달성하는 것일 수 있다.

이와 같은 컴퓨팅 장치의 통신부(110)는 연동되는 타 컴퓨팅 장치와 요청과 응답을 송수신할 수 있는바, 일 예시로서 그러한 요청과 응답은 동일한 TCP(transmission control protocol) 세션(session)에 의하여 이루어질 수 있지만, 이에 한정되지는 않는바, 예컨대 UDP(user datagram protocol) 데이터그램(datagram)으로서 송수신될 수도 있을 것이다. 덧붙여, 넓은 의미에서 상기 통신부(110)는 명령어 또는 지시 등을 전달받기 위한 키보드, 마우스, 기타 외부 입력장치, 프린터, 디스플레이, 기타 외부 출력장치를 포함할 수 있다.

또한, 컴퓨팅 장치의 프로세서(120)는 MPU(micro processing unit), CPU(central processing unit), GPU(graphics processing unit) 또는 TPU(tensor processing unit), 캐시 메모리(cache memory), 데이터 버스(data bus) 등의 하드웨어 구성을 포함할 수 있다. 또한, 운영체제, 특정 목적을 수행하는 애플리케이션의 소프트웨어 구성을 더 포함할 수도 있다.

도 2는 본 발명에 따른 병변 미래 상태 예측 방법을 수행하는 컴퓨팅 장치의 하드웨어 또는 소프트웨어 구성요소를 도시한 예시적 블록도이다.

도 2를 참조하여 본 발명에 따른 방법 및 장치의 구성을 간단히 개관하면, 컴퓨팅 장치(100)는 그 구성요소로서 영상 획득 모듈(210)을 포함할 수 있다. 이 영상 획득 모듈(210)은 본 발명에 따른 방법이 적용되는 의료 영상을 획득하도록 구성되는바, 도 2에 도시된 개별 모듈들은, 예컨대, 컴퓨팅 장치(100)에 포함된 통신부(110)나 프로세서(120), 또는 상기 통신부(110) 및 프로세서(120)의 연동에 의하여 구현될 수 있음은 통상의 기술자가 이해할 수 있을 것이다. 의료 영상은 예를 들어 통신부(110)를 통하여 연동되는 의료 영상 촬영 기기 또는 의료영상 저장 전송 시스템(PACS)으로부터 획득되는 것일 수 있으나 이에 한정되지는 않는다. 예를 들어, 의료 영상은 의료 영상 촬영 기기를 통하여 촬영되어 DICOM 표준에 따라 PACS에 전송된 후 컴퓨팅 장치(100)의 영상 획득 모듈(210)에 의하여 획득될 수 있다.

다음으로, 그 획득된 의료 영상은 신경망 모듈(220)에 전달될 수 있는데, 이 신경망 모듈(220)은 상기 의료 영상에서 식별되는 개별 병변에 대한 미래 영상을 생성하도록 구성된다. 예를 들어 신경망 모듈(220)은 생성 신경망(222) 및 분류 신경망(224)을 포함하는 CycleGAN일 수 있는바, 도 2에 예시된 바와 같다. 그러나 후술하는 바와 같이 신경망 모듈(220)에서 이용되는 기법이 CycleGAN에 한정되지 않고 다양한 이미지-대-이미지 번역 기법을 이용할 수 있음은 물론이다.

개별 병변에 대한 미래 영상이 생성되면, 미래 영상은 영상 검색 모듈(230)에 전달될 수 있고, 이 영상 검색 모듈(230)은 의료 정보 데이터베이스(240)에 저장된 의료 영상 중에서 상기 미래 영상의 병변과 유사도가 높은 영상을 검색함으로써 그 유사도가 높은 영상 및 이와 결부된 의료 정보를 사용자에게 제공할 수 있다.

도 2에 나타난 구성요소들은 설명의 편의상 하나의 컴퓨팅 장치에서 실현되는 것으로 예시되었으나, 본 발명의 방법을 수행하는 컴퓨팅 장치(100)는 복수개가 서로 연동되도록 구성될 수도 있을 것이다.

이제 본 발명에 따른 병변 미래 상태 예측 방법의 일 실시 예를 도 3 내지 7을 참조하여 더 구체적으로 설명하기로 한다.

도 3은 본 발명에 따른 병변 미래 상태 예측 방법을 개념적으로 나타낸 도면이며, 도 4는 본 발명에 따른 병변 미래 상태 예측 방법의 일 실시예를 예시적으로 나타낸 흐름도이다.

도 3 및 도 4를 참조하면, 본 발명에 따른 병변 미래 상태 예측 방법은, 먼저, 컴퓨팅 장치(100)에 의하여 구현되는 영상 획득 모듈(210)이, 의료 영상을 획득하거나 컴퓨팅 장치(100)에 연동되는 타 장치로 하여금 획득하도록 지원하는 단계(S100)를 포함하는바, 의료 영상은 도 3에 예시적으로 나타난 바와 같이 흉부 CT의 축면 영상(axial image of chest CT; 310)일 수 있다.

다음으로, 본 발명에 따른 의료 영상 맵핑 방법은, 상기 컴퓨팅 장치(100)에 의하여 구현되는 신경망 모듈(220)이, 획득된 상기 의료 영상에서 식별되는 적어도 하나의 개별 병변에 대하여 상기 의료 영상의 기준 시점으로부터 소정의 시간 간격(time interval) 후의 시점에서의 상기 적어도 하나의 개별 병변의 미래 영상을 생성하거나 상기 타 장치로 하여금 생성하도록 지원하는 단계(S200)를 더 포함한다. 예를 들어, 개별 병변은 도 3에 예시적으로 나타난 바와 같이 폐결절(nodule)일 수 있다.

일 실시예에서, 이 단계(S200)는 상기 의료 영상 및 상기 소정의 시간 간격을 입력으로 받는 이미지-대-이미지 번역(image-to-image translation) 모델에 기초하여 수행될 수 있다.

이미지-대-이미지 번역은 정렬(aligned)된 이미지 쌍들의 훈련용 세트를 이용하여 입력 이미지와 출력 이미지 사이의 맵핑을 학습하는 것을 목표로 하는 시각 및 그래픽 문제의 종류를 지칭한다. 그런데, 과거 대부분의 경우에 이미지 쌍으로 된 훈련 데이터가 존재하지 않는 어려움이 있었는데, 이는 최근에 이미지 쌍이 없음에도 불구하고 이미지를 원본 도메인(source domain)으로부터 표적 도메인(target domain)으로 번역하는 딥 러닝 방법론(CycleGAN)이 제시되면서 해결되고 있다(비특허문헌 1: Jun-Yan Zhu et al. Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. arXiv preprint arXiv:1703.10593, 2017. 참조). 이미지-대-이미지 번역의 아이디어는 Hertzmann의 Image Analogies로 거슬러 올라 가는데, 이는 단일의 입력-출력 훈련 이미지 쌍에 비-파라미터 텍스처 모델(non-parametric texture)을 채용한 것이었다. 이에 비하여 더 최근의 시도는 입력-출력 쌍들의 데이터 세트를 이용하여 CNN(합성곱 신경망; convolutional neural network)을 이용하여 파라미터 번역 함수(parametric translation function)을 학습하는 것이다.

이 비특허문헌 1에 개시된 바와 같이, 최신 이미지-대-이미지 번역은 훈련 데이터의 쌍이 존재하지 않는 경우에도 상당히 강건한 결과를 보인다. 일 예시로서, 모네의 그림 및 사진들에 기초하여 학습된 신경망을 이용하여 모네의 그림으로부터 사진 영상을 생성하는 것이 가능하며, 얼룩말(zebra)의 사진으로부터 말(horse)의 사진을 생성하는 것도 가능하다. 여름의 풍경 사진에서 계절만이 겨울로 바뀐 풍경 사진을 생성하는 것도 가능해졌다.

이는 GAN(생성적-적대적 신경망; generative adversarial network)을 응용한 것인바, GAN에 관한 논문인 비특허문헌 2: Goodfellow, Ian J.; Pouget-Abadie, Jean; Mirza, Mehdi; Xu, Bing; Warde-Farley, David; Ozair, Sherjil; Courville, Aaron; Bengio, Yoshua (2014). "Generative Adversarial Networks"에 따르면 생성 신경망(222)은 실제와 유사한 영상을 생성함으로써 분류 신경망(224)을 속여 그 유사한 영상을 실제 영상으로 분류하게 하는 것을 목표로 가지는 반면, 분류 신경망(224)은 실제 영상과 유사한 데이터를 서로 분류해내는 것을 목표로 가진다. 이 GAN에 의한 학습이 진행되는 과정에서 생성 신경망과 분류 신경망은 각각의 목표를 달성하기 위하여 네트워크 가중치를 갱신하는바, 충분한 학습 후에는 생성 신경망이 실제와 유사한 영상을 생성해내고, 분류 신경망에 의한 판별률이 이론적으로 0.5에 수렴되는 것이 밝혀져 있다. 이와 같은 GAN을 개량하여 하나의 영상에 대응되는 다양한 클래스(종류)의 영상을 생성함으로써 GAN을 응용한 이미지-대-이미지 번역이 가능해진 것이다. 본 발명에서는 입력되는 의료 영상으로부터 다양한 시점 후의 미래 영상을 생성할 수 있도록 생성 신경망에 소정의 시간 간격을 파라미터로서 제공한다고 할 수 있다.

구체적인 예시로서, 신경망(220)은 생성 신경망(222) 및 분류 신경망(224)을 포함할 수 있고, 그 중 생성 신경망(222)은 입력 영상, 즉 입력된 의료 영상 또는 그 일부분인 병변 영상으로부터 판독된 출력 병변 영상을 생성할 수 있다. 이때, 입력된 영상의 촬영 시점으로부터의 시간 간격을 파라미터로 받으면, 생성 신경망(222)은 입력된 영상으로부터 그 시간 간격만큼 이후 시점의 특징을 가지도록 출력 병변 영상을 생성할 수 있을 것이다.

이러한 이미지-대-이미지 번역 모델은 피험체에 대하여 순차적으로 촬영된 sequential CT 및 그 sequential CT 상에 나타난 동일 병변을 나타낸 레이블링 데이터 및 sequential CT 간의 시간 간격들이 훈련 데이터(training data)로 이용함으로써 미리 학습된 것일 수 있다.

도 3을 참조하면, 획득된 의료 영상에 나타난 개별 병변에 대하여 적어도 하나의 시간 간격 후의 미래 영상(320)이 예시적으로 도시되어 있다. 도 3의 예시에서는 3개월, 6개월, 1년, 2년, 3년 후의 미래 영상이 나타나 있으나 이에 한정되지 않는 단수 혹은 복수개의 미래 영상이 생성될 수 있음이 이해될 수 있을 것이다.

한편, 단계(S200)의 다른 일 실시예에서는 컴퓨팅 장치(100)로 하여금 미래 영상 생성의 대상이 되는 개별 병변을 쉽게 식별할 수 있게 하기 위하여 사용자가 개별 병변을 선택하게 할 수 있다.

도 5는 이 실시예의 단계(S200)를 더 구체적으로 나타낸 예시적 흐름도이다. 도 5를 참조하면, 단계(S200)는, 컴퓨팅 장치(100)가, 소정의 사용자 인터페이스를 통하여 사용자로 하여금 의료 영상에서 개별 병변을 선택하도록 지원하는 단계(S210); 및 컴퓨팅 장치(100)가, 선택된 상기 개별 병변에 대하여 소정 시간 간격 후의 개별 병변의 미래 영상을 생성하거나 생성하도록 지원하는 단계(S220)를 포함할 수 있다.

여기에서, 개별 병변의 선택은, 예컨대 컴퓨팅 장치(100)에 의하여 추출된 병변의 후보군을 사용자에게 제공(예컨대, 사용자 인터페이스를 통하여 제공되는 목록)하고 사용자로부터 그 중 하나를 선택(예컨대, 클릭 행위)하게 함으로써 이루어질 수도 있고, 병변이 둘러싸이도록 사용자 인터페이스를 통하여 의료 영상의 일부분을 박스 표시(boxing)하는 등의 분할 행위(segmentation)에 의하여 이루어질 수도 있다.

사용자의 입력이 필수적이지는 않는바, 예컨대, 의료 영상에서 식별되는 모든 병변 또는 가장 위험도 또는 신뢰도(confidence)가 높은 병변에 대하여 미래 영상의 생성이 자동으로 이루어질 수도 있음은 물론이다.

이 단계(S200)에 의하여 같은 미래 영상이 생성되면, 미래 영상은 저장 및 전송 모듈(미도시)을 통하여 저장되거나, 그리고/또는 소정의 디스플레이 장치를 통하여 외부 엔티티(entity)에 제공되거나, 그리고/또는 컴퓨팅 장치(100)에 연동되는 타 장치, 예컨대 PACS에 제공될 수 있다.

여기에서 외부 엔티티라고 함은, 상기 컴퓨팅 장치(100)의 사용자, 관리자, 상기 피검체를 담당하는 담당 의료 전문가 등을 포함하나, 이 이외에도 상기 의료 영상으로부터 산출된 개별 병변의 미래 영상을 필요로 하는 주체라면 어느 주체라도 포함되는 것으로 이해되어야 할 것이다. 예를 들어, 상기 외부 엔티티는 상기 미래 영상의 데이터를 이용하는 별도의 AI 하드웨어 및/또는 소프트웨어 모듈을 포함하는 외부의 AI 장치일 수도 있다. 또한, 외부 엔티티에서의 ‘외부(external)’는 상기 맵핑 결과 데이터를 이용하는 AI 하드웨어 및/또는 소프트웨어 모듈이 상기 컴퓨팅 장치(100)에 일체화되는 실시 예를 배제하도록 의도된 것이 아니라, 본 발명의 방법을 수행하는 하드웨어 및/또는 소프트웨어 모듈의 결과물인 미래 영상이 타 방법의 입력 데이터로 활용될 수 있음을 시사하도록 이용된 것임을 밝혀둔다. 즉, 상기 외부 엔티티는 컴퓨팅 장치(100) 자체일 수도 있다.

한편, 이와 같이 생성된 병변의 미래 영상은 의사의 판독 및 진단을 용이하게 하도록 유사한 영상의 검색에 이용될 수도 있을 것이다.

이를 위하여, 본 발명에 따른 병변 미래 상태 예측 방법은, 상기 컴퓨팅 장치(100)에 의하여 구현되는 영상 검색 모듈(230)이, 생성된 상기 미래 영상에 나타난 상기 개별 병변의 영상에 대한 유사도 비교를 통하여 상기 개별 병변 영상과 유사한 영상을 의료 정보 데이터베이스(240)로부터 검색하는 단계(S300)를 더 포함할 수 있다.

유사도(similarity)란 영상 간의 유사한 정도를 나타내는 척도로서, 종래의 이미지 프로세싱 방식에 따라, 색채, 명암, 채도 등의 특성을 이용하여 개략적으로 계산될 수 있으나, 다양한 계층의 영상적 특징이 반영되는 CNN 등의 딥 러닝 방식에 따라 산출될 수도 있다.

일 예시로서, 단계(S300)에서는 상기 유사도에 기초하여 적어도 하나의 유사한 영상이 검색될 수도 있으나, 소정의 기준치에 도달하는 영상이 검색되지 않는다면, 유사한 영상이 발견되지 않은 것으로 할 수도 있다.

계속해서 도 4를 참조하면, 본 발명에 따른 병변 미래 상태 예측 방법은, 의료 정보 데이터베이스(240)에서 상기 유사한 영상이 발견되면, 컴퓨팅 장치(100)가, 상기 유사한 영상 및 이에 대응되는 의료 정보를 제공하는 단계(S400)를 더 포함할 수 있다. 예를 들어, 여기에서 의료 정보는, 도 3에 참조번호 330로 예시된 바와 같이 상기 유사한 영상으로 발견된 병변 기준 영상 각각에 나타난 병변의 종류, 크기, 면적, 부피, 진행 정도, 악성 여부, 성장, 정체 여부 및 상기 병변 기준 영상에 대하여 의료 전문가에 의하여 기록된 판독문 중 적어도 하나를 포함할 수 있으나, 이에 한정되지 않으며, 전산화되어 기록될 수 있는 모든 종류의 의료 기록이 포함될 수 있을 것이다.

의사에 의하여 판독 및 진단된 결과는 컴퓨팅 장치(100) 또는 이에 연동되는 타 장치에 담긴 의료 정보 데이터베이스(240)에 저장 또는 보유됨으로써 추후 외부 엔티티에 제공될 수 있다. 이는 소정의 디스플레이 장치를 통한 표시, 기타 출력 장치를 통한 출력물의 생성, 파일의 생성 및 전달 등등을 포함하나 이에 한정되지 않음은 물론이다.

이와 같이 본 발명은 전술한 모든 실시 예들에 걸쳐, 진행성 병변이 향후 어떻게 변화할지를 시각화하여 제공함으로써 의사가 영상의학적 기법을 이용하여 피검체의 미래 상태에 대하여 진단할 수 있게 함으로써 의료 영상의 활용성을 시간축에 대하여 확장하는 효과가 있으며, 미래 영상의 상황에 대응되는 과거 진단 사례를 참조할 수 있게 됨으로써 의사의 더 정확한 진단이 가능해지게 되는바, 궁극적으로 AI의 조력으로써 진료의 질을 높이고 의료 현장에서의 워크플로를 개선할 수 있을 것이다.

위 실시 예의 설명에 기초하여 해당 기술분야의 통상의 기술자는, 본 발명의 방법 및/또는 프로세스들, 그리고 그 단계들이 하드웨어, 소프트웨어 또는 특정 용례에 적합한 하드웨어 및 소프트웨어의 임의의 조합으로 실현될 수 있다는 점을 명확하게 이해할 수 있다. 상기 하드웨어는 범용 컴퓨터 및/또는 전용 컴퓨팅 장치 또는 특정 컴퓨팅 장치 또는 특정 컴퓨팅 장치의 특별한 모습 또는 구성요소를 포함할 수 있다. 상기 프로세스들은 내부 및/또는 외부 메모리를 가지는, 하나 이상의 마이크로프로세서, 마이크로컨트롤러, 임베디드 마이크로컨트롤러, 프로그래머블 디지털 신호 프로세서 또는 기타 프로그래머블 장치에 의하여 실현될 수 있다. 게다가, 혹은 대안으로서, 상기 프로세스들은 주문형 집적회로(application specific integrated circuit; ASIC), 프로그래머블 게이트 어레이(programmable gate array), 프로그래머블 어레이 로직(Programmable Array Logic; PAL) 또는 전자 신호들을 처리하기 위해 구성될 수 있는 임의의 다른 장치 또는 장치들의 조합으로 실시될 수 있다. 더욱이 본 발명의 기술적 해법의 대상물 또는 선행 기술들에 기여하는 부분들은 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 기계 판독 가능한 기록 매체에 기록될 수 있다. 상기 기계 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 기계 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야의 통상의 기술자에게 공지되어 사용 가능한 것일 수도 있다. 기계 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD, Blu-ray와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 전술한 장치들 중 어느 하나뿐만 아니라 프로세서, 프로세서 아키텍처 또는 상이한 하드웨어 및 소프트웨어의 조합들의 이종 조합, 또는 다른 어떤 프로그램 명령어들을 실행할 수 있는 기계 상에서 실행되기 위하여 저장 및 컴파일 또는 인터프리트될 수 있는, C와 같은 구조적 프로그래밍 언어, C++ 같은 객체지향적 프로그래밍 언어 또는 고급 또는 저급 프로그래밍 언어(어셈블리어, 하드웨어 기술 언어들 및 데이터베이스 프로그래밍 언어 및 기술들)를 사용하여 만들어질 수 있는바, 기계어 코드, 바이트코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 이에 포함된다.

따라서 본 발명에 따른 일 태양에서는, 앞서 설명된 방법 및 그 조합들이 하나 이상의 컴퓨팅 장치들에 의하여 수행될 때, 그 방법 및 방법의 조합들이 각 단계들을 수행하는 실행 가능한 코드로서 실시될 수 있다. 다른 일 태양에서는, 상기 방법은 상기 단계들을 수행하는 시스템들로서 실시될 수 있고, 방법들은 장치들에 걸쳐 여러 가지 방법으로 분산되거나 모든 기능들이 하나의 전용, 독립형 장치 또는 다른 하드웨어에 통합될 수 있다. 또 다른 일 태양에서는, 위에서 설명한 프로세스들과 연관된 단계들을 수행하는 수단들은 앞서 설명한 임의의 하드웨어 및/또는 소프트웨어를 포함할 수 있다. 그러한 모든 순차 결합 및 조합들은 본 개시서의 범위 내에 속하도록 의도된 것이다.

예를 들어, 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다. 상기 하드웨어 장치는, 프로그램 명령어를 저장하기 위한 ROM/RAM 등과 같은 메모리와 결합되고 상기 메모리에 저장된 명령어들을 실행하도록 구성되는 MPU, CPU, GPU, TPU와 같은 프로세서를 포함할 수 있으며, 외부 장치와 신호를 주고 받을 수 있는 통신부를 포함할 수 있다. 덧붙여, 상기 하드웨어 장치는 개발자들에 의하여 작성된 명령어들을 전달받기 위한 키보드, 마우스, 기타 외부 입력장치를 포함할 수 있다.

이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항들과 한정된 실시 예 및 도면에 의해 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명이 상기 실시 예들에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 사람이라면 이러한 기재로부터 다양한 수정 및 변형을 꾀할 수 있다.

따라서, 본 발명의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등하게 또는 등가적으로 변형된 모든 것들은 본 발명의 사상의 범주에 속한다고 할 것이다.

그와 같이 균등하게 또는 등가적으로 변형된 것에는, 예컨대 본 발명에 따른 방법을 실시한 것과 동일한 결과를 낼 수 있는, 논리적으로 동치(logically equivalent)인 방법이 포함될 것인바, 본 발명의 진의 및 범위는 전술한 예시들에 의하여 제한되어서는 아니되며, 법률에 의하여 허용 가능한 가장 넓은 의미로 이해되어야 한다.

Claims (6)

1. 병변에 대한 미래 영상을 생성하는 방법에 있어서,
   컴퓨팅 장치가, 의료 영상을 획득하는 단계;
   상기 컴퓨팅 장치가, 획득된 상기 의료 영상에서 식별되는 적어도 하나의 개별 병변에 대하여, 상기 적어도 하나의 개별 병변의 미래 영상을 생성하는 단계;
   상기 컴퓨팅 장치가, 상기 생성된 미래 영상에 포함된 개별 병변의 영상과, 의료 정보 데이터베이스에 미리 저장된 영상 사이의 유사도를 비교하는 단계;
   상기 유사도에 기초하여 상기 미래 영상과 관련된 정보를 제공하는 단계
   를 포함하고,
   상기 제공하는 단계는,
   상기 유사도가 소정의 기준치에 도달하는 영상이 존재하면, 상기 유사도에 기초하여 적어도 하나의 유사한 영상에 대한 의료 정보를 제공하고,
   상기 유사도가 소정의 기준치에 도달하는 영상이 존재하지 않는 경우, 유사한 영상이 발견되지 않은 것으로 결정하는, 병변 미래 영상 생성 방법.
   
2. 제1항에 있어서,
   상기 유사도는,
   상기 생성된 미래 영상에 포함된 개별 병변의 영상 및 의료 정보 데이터베이스에 미리 저장된 영상 각각의, 색채, 명암, 채도 중 적어도 하나에 대응되는 특성에 기초하여 산출되거나,
   딥 러닝 방식에 따라 산출되는, 병변 미래 영상 생성 방법.
3. 제1항에 있어서,
   상기 의료 정보는,
   상기 유사한 영상 각각에 나타난 병변의 종류, 진행 정도, 악성 여부 및 상기 유사한 영상에 대하여 의료 전문가에 의하여 기록된 판독문 중 적어도 하나를 포함하는 것을 특징으로 하는 병변 미래 영상 생성 방법.
   
4. 컴퓨팅 장치로 하여금, 제1항 내지 제3항 중 어느 한 항의 방법을 수행하도록 구현된 명령어(instructions)를 포함하는, 기계 판독 가능한 비일시적 기록 매체에 저장된, 컴퓨터 프로그램.
5. 병변에 대한 미래 영상을 생성하는 컴퓨팅 장치에 있어서,
   의료 영상을 획득하는 통신부; 및
   획득된 상기 의료 영상에서 식별되는 적어도 하나의 개별 병변에 대하여, 상기 적어도 하나의 개별 병변의 미래 영상을 생성하는 프로세서
   를 포함하고,
   상기 프로세서는,
   상기 생성된 미래 영상에 포함된 개별 병변의 영상과, 의료 정보 데이터베이스에 미리 저장된 영상 사이의 유사도를 비교하고,
   비교 결과에 기초하여 상기 미래 영상에 대한 정보를 제공하고,
   상기 프로세서는,
   상기 유사도가 소정의 기준치에 도달하는 영상이 존재하는 경우, 상기 유사도에 기초하여 적어도 하나의 유사한 영상에 대한 의료 정보를 제공하고,
   상기 유사도가 소정의 기준치에 도달하는 영상이 존재하지 않는 경우, 유사한 영상이 발견되지 않은 것으로 결정하는, 컴퓨팅 장치.
   
6. 제5항에 있어서,
   상기 유사도는,
   상기 생성된 미래 영상에 포함된 개별 병변의 영상 및 의료 정보 데이터베이스에 미리 저장된 영상 각각의, 색채, 명암, 채도 중 적어도 하나에 대응되는 특성에 기초하여 산출되거나,
   딥 러닝 방식에 따라 산출되는, 컴퓨팅 장치.
   

Images