KR102237198B1 - 인공지능 기반의 의료영상 판독 서비스 시스템 - Google Patents

인공지능 기반의 의료영상 판독 서비스 시스템 Download PDF

Info

Publication number
KR102237198B1
KR102237198B1 KR1020200068010A KR20200068010A KR102237198B1 KR 102237198 B1 KR102237198 B1 KR 102237198B1 KR 1020200068010 A KR1020200068010 A KR 1020200068010A KR 20200068010 A KR20200068010 A KR 20200068010A KR 102237198 B1 KR102237198 B1 KR 102237198B1
Authority
KR
South Korea
Prior art keywords
read
organ
model
reading
medical image
Prior art date
Application number
KR1020200068010A
Other languages
English (en)
Inventor
최우식
김태규
서성우
오지영
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 KR1020200068010A priority Critical patent/KR102237198B1/ko
Application granted granted Critical
Publication of KR102237198B1 publication Critical patent/KR102237198B1/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
    • G16H50/20—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
    • 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
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Radiology & Medical Imaging (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Computing Systems (AREA)
  • Fuzzy Systems (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Databases & Information Systems (AREA)
  • Optics & Photonics (AREA)
  • General Engineering & Computer Science (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

본 발명은 인공지능 기반의 의료영상 판독 서비스 시스템에 관한 것으로, 복수의 장기가 영상 내에 포함된 판독대상 의료영상이 입력되는 경우, 상기 판독대상 의료영상의 모달리티 유형을 판단하는 모달리티 판단부와, 의료영상의 모달리티 유형별로 구분된 복수의 장기 분류 모델을 포함하고, 상기 모달리티 판단부에 의해 판단된 모달리티 유형에 대응하는 상기 장기 분류 모델을 이용하여 상기 판독대상 의료영상을 복수의 장기 영상으로 세그멘테이션하는 영상 세그멘테이션 모듈과, 의료영상의 모달리티 유형 및 장기의 종류별로 구분된 복수의 판독 모델과 - 하나의 모달리티의 유형 및 장기별로 적어도 하나 이상의 상기 판독 모델이 마련됨, 상기 모달리티 판단부에 의해 판단된 모달리티 유형, 상기 영상 세그멘테이션 모듈에 의해 세그멘테이션된 상기 장기 영상의 장기 유형에 대응하는 판독 모델 중 기 설정된 선정 기준에 따라 각각의 상기 장기 영상에 대해 어느 하나씩을 선정하는 모델 선정부와, 상기 모델 선정부에 의해 선정된 판독 모델을 이용하여 각각의 상기 장기 영상을 판독하는 영상 판독부를 포함하는 것을 특징으로 한다. 이에 따라, 다수의 판독 모델을 보유한 상태에서 판독대상 의료영상을 분석하여 자동으로 다수의 장기 영상으로 분할하고, 해당 장기 영상의 모달리티 유형, 장기의 종류 등 의료영상에 특성에 가장 적합한 판독 모델을 선정하여 판독에 적용할 수 있다.

Description

인공지능 기반의 의료영상 판독 서비스 시스템{AI-BASED INTERPRETATION SERVICE SYSTEM OF MEDICAL IMAGE}
본 발명은 인공지능 기반의 의료영상 판독 서비스 시스템에 관한 것으로서, 보다 상세하게는 다수의 판독 모델이 저장된 상태로 의료영상의 질환 또는 병변 여부를 판독해주는 인공지능 기반의 의료영상 판독 서비스 시스템에 관한 것이다.
인공지능(Artificial Intelligence) 기법을 이용한 다양한 알고리즘들이 오랜 기간 동안 개발되어 왔으며, 특히 최근에는 딥러닝(Deep Learning) 알고리즘을 적용하여 빅 데이터를 처리하는 다양한 기법들이 개발되고 있으며, 이를 적용한 성공사례도 점점 늘어나고 있다.
그 동안 의료영상에도 인공지능을 적용하여 임상의사결정에 도움을 받고자 하는 시도가 활발하게 진행되었고, 특히, X-ray, 초음파, CT(Computed Tomography), MRI(Magnetic Resonance Imaging), PET(Positron Emission Tomography), MRA(Magnetic Resonance Angiography) 등의 다양한 모달리티(Modality)로부터 획득된 의료영상에 인공지능 알고리즘을 적용하여 임상의사의 의사결정에 도움을 주는 방법이 개발되어 왔다.
인공지능을 통해서 의료영상에 나타난 조직이 정상인지 비정상인지, 종양의 경우 양성인지 음성인지 분류하는 보조진단시스템의 경우, 영상의학과 의사만이 판독하는 경우보다 병변의 검출율이 향상되는 것으로 알려져 있다. 이러한 분류를 위해서 naive bayes, SVM(Support Vector Machine), ANN(Artificial Neural Network), HMM(Hidden Markov Model) 등을 주로 사용하는데, 이들은 병변의 유무를 자동으로 분류(classification)하는 알고리즘들이다.
인공지능 알고리즘으로 기계학습(machine learning) 알고리즘을 사용할 수 있으며, 기계학습은 크게 지도학습(Supervised Learning)과 비지도학습(Unsupervised Learning)으로 나눌 수 있다. 이러한 기계학습 알고리즘으로 판독모델(또는 예측모델)을 생성하고, 생성된 판독모델을 이용하여 의료영상에 대한 정상/비정상 여부를 추론하는 시스템을 구성하는 것이 가능하며, 근래에는 보다 정확한 진단이 가능한 판독모델의 생성을 위한 연구가 지속되고 있다.
인공지능 알고리즘의 경우, 위에서 설명한 바와 같이, 크게 지도학습과 비지도 학습으로 구분되는데, 지도 학습의 경우에도 분류(Classification), 의사결정 트리(Decision Tree), KNN(K-nearest neighbor), 신경망(Neural network), SVM(Support vector machine) 등이 있으며, 비지도 학습의 경우에도 군집화(Clustering) 등이 있다. 이외에도, 준지도 학습이나 강화 학습(Reinforcement learning) 등도 인공지능 알고리즘으로 알려져 있다.
병변이나 질환의 진단과 같은 의료영상의 판독에 사용되는 인공지능 알고리즘의 경우에도, 분류(Classification algorithm), 오브젝트 검출(Object detection), 세그멘테이션(Segmentation) 등의 알고리즘이 주로 사용되고 있는데, 분류 알고리즘의 경우에도 ResNet, DenseNet, MobileNet 등 다양하게 개발되어 있는 실정이다.
이와 같은 인공지능 기반의 판독 모델은 영상을 촬영한 기기의 모달리티, 인체 장기의 유형, 병변의 종류 등에 따라 개별적으로 설계되어야 하므로, 그 종류가 경우에수 만큼 많아지게 되고, 앞서 설명한 바와 같이, 다양한 인공지능 알고리즘이 존재하여 하나의 병변을 진단하는데에도 다양한 진단 모델이 생성될 수 있다.
따라서, 병원에서 이와 같은 진단 모델을 모두 보유하는 것은 현실적이지 못하고, 특히 소규모의 병원은 많은 비용을 들여 진단을 위한 시스템을 구축하기는 어려운 실정이다.
이에, 본원 출원인은 한국등록특허 제10-2108401호에 개시된 "인공지능 판독서버, 이를 포함하는 PACS 기반 영상 처리 시스템 및 방법"을 통해 의료영상의 저장 및 전송기능을 제공하는 PACS에 기반하여 환자의 병변 발생 여부를 판단하고, 이를 통해 유용한 의료정보를 제공하는 서비스를 제안한 바 있다.
그러나, 실제 의료영상을 취급하는 당사자는 의사나 간호사와의 같은 의료 종사자로 인공지능 기술에 대한 지식이 부족한 것이 일반적이어서, 자신의 의료 영상을 어떤 진단 모델에 사용할지 정확히 이해하지 못할 경우가 있다.
이를 위해 상기와 같은 서비스의 관리자가 전송된 의료 영상을 확인하여 적합한 진단 모델에 적용하는 업무를 매번 수작업으로 수행하는 것 또한 효율적이지 못하다.
특히, 다수의 장기가 하나의 의료영상에 포함되어 있고, 해당 의료영상 내의 각각의 장기를 진단하고자 하는 요구가 발생하고 있어, 이를 위한 별도의 시스템 구축이 필요한 실정이다.
이에, 본 발명은 상기와 같은 문제점을 해소하기 위해 안출된 것으로서, 다수의 판독 모델을 보유한 상태에서 판독대상 의료영상을 분석하여, 해당 의료영상의 모달리티 유형, 장기의 종류 등 의료영상에 특성에 가장 적합한 판독 모델을 선정하여 판독에 적용할 수 있는 인공지능 기반의 의료영상 판독 서비스 시스템을 제공하는데 그 목적이 있다.
상기 목적은 본 발명에 따라, 인공지능 기반의 의료영상 판독 서비스 시스템에 있어서, 복수의 장기가 영상 내에 포함된 판독대상 의료영상이 입력되는 경우, 상기 판독대상 의료영상의 모달리티 유형을 판단하는 모달리티 판단부와, 의료영상의 모달리티 유형별로 구분된 복수의 장기 분류 모델을 포함하고, 상기 모달리티 판단부에 의해 판단된 모달리티 유형에 대응하는 상기 장기 분류 모델을 이용하여 상기 판독대상 의료영상을 복수의 장기 영상으로 세그멘테이션하는 영상 세그멘테이션 모듈과, 의료영상의 모달리티 유형 및 장기의 종류별로 구분된 복수의 판독 모델과 - 하나의 모달리티의 유형 및 장기별로 적어도 하나 이상의 상기 판독 모델이 마련됨, 상기 모달리티 판단부에 의해 판단된 모달리티 유형, 상기 영상 세그멘테이션 모듈에 의해 세그멘테이션된 상기 장기 영상의 장기 유형에 대응하는 판독 모델 중 기 설정된 선정 기준에 따라 각각의 상기 장기 영상에 대해 어느 하나씩을 선정하는 모델 선정부와, 상기 모델 선정부에 의해 선정된 판독 모델을 이용하여 각각의 상기 장기 영상을 판독하는 영상 판독부를 포함하는 것을 특징으로 하는 인공지능 기반의 의료영상 판독 서비스 시스템에 의해서 달성된다.
여기서, 상기 영상 판독부에 적용된 각각의 상기 판독 모델의 판독 결과를 상기 판독대상 의료영상에 오버랩하여 판독 영상을 생성하는 판독 영상 생성부를 더 포함할 수 있다.
또한, 각각의 상기 장기 분류 모델은 상기 판독대상 의료영상 내에 포함된 장기를 판별하는 장기 판별 모델과, 상기 장기 판별 모델에 의해 판별된 장기가 위치하는 장기 영역별로 세그멘테이션하여 복수의 상기 장기 영상을 생성하는 세그멘테이션 모델을 포함할 수 있다.
그리고, 상기 선정 기준은 안정성 기준과 판독 성능 기준을 포함하며; 상기 모델 선정부는 상기 안정성 기준에 따라 상위 N 개의 판독 모델을 추출한 후, 상위 n 개의 판독 모델 중 상기 판독 성능 기준의 최상위를 판독 모델로 선정할 수 있다.
그리고, 각각의 상기 판독 모델에는 해당 판독 모델에 대한 평점, 해당 판독 모델의 사용 횟수, 해당 판독 모델의 사용자 수가 등록되고; 상기 모델 선정부는 상기 평점, 상기 사용 횟수 및 상기 사용자 수를 기 설정된 순위 결정 알고리즘에 적용하여 상기 안정성 기준에 따른 상위 n개의 판독 모델을 추출할 수 있다.
그리고, 각각의 상기 판독 모델에는 해당 판독 모델의 정확도, 해당 판독 모델의 민감도, 해당 판독 모델의 특이도가 등록되고; 상기 모델 선정부는 상기 정확도, 상기 민감도 및 상기 특이도를 기 설정된 순위 결정 알고리즘에 적용하여 상기 판독 성능 기준에 따른 최상위의 판독 모델을 추출할 수 있다.
그리고, 상기 순위 결정 알고리즘은 z-score 알고리즘을 포함할 수 있다.
상기와 같은 구성에 따라, 본 발명에 따르면, 다수의 판독 모델을 보유한 상태에서 판독대상 의료영상을 분석하여 자동으로 다수의 장기 영상으로 분할하고, 해당 장기 영상의 모달리티 유형, 장기의 종류 등 의료영상에 특성에 가장 적합한 판독 모델을 선정하여 판독에 적용할 수 있는 인공지능 기반의 의료영상 판독 서비스 시스템이 제공된다.
도 1은 본 발명에 따른 인공지능 기반의 의료영상 판독 서비스 시스템의 구성을 나타낸 도면이고,
도 2는 본 발명에 따른 인공지능 기반의 의료영상 판독 서비스 시스템의 제어블록도이고,
도 3은 본 발명에 따른 인공지능 기반의 의료영상 판독 서비스 시스템의 제어흐름도이고,
도 4는 본 발명에 따른 인공지능 기반의 의료영상 판독 서비스 시스템에서 제공되는 판독 영상의 예를 나타낸 도면이다.
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.
도 1은 본 발명에 따른 인공지능 기반의 의료영상 판독 서비스 시스템(100)의 구성을 나타낸 도면이고, 도 2는 본 발명에 따른 인공지능 기반의 의료영상 판독 서비스 시스템(100)의 제어블록도이다.
본 발명의 실시예에 따른 인공지능 기반의 의료영상 판독 서비스 시스템(100)(이하, "의료영상 판독 서비스 시스템(100)"이라 함)에서는 병원 등의 의사가 자신의 정보처리단말기(300), 예컨대, 컴퓨터나 노트북을 이용하여 통신망(500)을 통해 의료영상 판독 서비스 시스템(100)에 접속하고, 판독대상 의료영상을 전송하여 판독을 요청하게 된다.
본원 출원인에 의해 출원되어 등록된 한국등록특허 제10-2108401호의 "인공지능 판독서버, 이를 포함하는 PACS 기반 영상 처리 시스템 및 방법"에 개시된 DICOM 서버, PACS 서버 등과 같은 의료영상의 처리를 위한 시스템 및 포맷 변환 등의 기술은 본 발명에서도 적용될 수 있다.
도 2를 참조하여 설명하면, 본 발명의 실시예에 따른 의료영상 판독 서비스 시스템(100)은 통신부(110), 모달리티 판단부(120), 영상 세그멘테이션 모듈(130), 복수의 판독 모델(142), 모델 선정부(150) 및 메인 프로세서(180)를 포함한다. 또한, 본 발명의 실시예에 따른 의료영상 판독 서비스 시스템(100)은 판독 영상 생성부(170)를 포함할 수 있다.
통신부(110)는 인터넷 망을 통해 사용자의 정보처리단말기(300)와 연결되어, 정보처리단말기(300)로부터 판독대상 의료영상을 수신하고, 영상 판독부(160)의 판독 결과를 해당 정보처리단말기(300)로 전송한다.
도 3은 본 발명의 실시예에 따른 의료영상 판독 서비스 시스템(100)의 제어흐름도이다. 이하에서는 도 2 및 도 3을 참조하여 본 발명의 실시예에 따른 의료영상 판독 서비스 시스템(100)의 동작 과정에 대해 구체적으로 설명한다.
먼저, 통신부(110)를 통해 수신된 판독대상 의료영상이 입력되면(S30), 모달리티 판단부(120)는 통신부(110)를 통해 수신된 판독대상 의료영상의 모달리티 유형을 판단한다(S31). 의료영상의 모달리티 유형은 X-ray, 초음파, CT(Computed Tomography), MRI(Magnetic Resonance Imaging), PET(Positron Emission Tomography), MRA(Magnetic Resonance Angiography) 등을 포함할 수 있으며, 포달리티 유형에는 2D, 3D를 포함할 수 있다.
여기서, 모달리티 판단부(120)는 DICOM 포맷으로 전송된 판독대상 의료영상 내에 포함되어 있는 메타 정보를 통해 해당 판독대상 의료영상의 모달리티 유형을 판단할 수 있다. 다른 예로, 모달리티 판단부(120)는 인공지능 기반의 학습 모델로 구현되어, 판독대상 의료영상의 모달리티 유형을 판단하도록 마련될 수 있다. 즉, 각각의 모달리티 유형에 따른 학습 데이터의 학습을 통해 모달리티 유형을 판단하기 위한 학습 모델을 생성하고, 이를 모달리티 판단부(120)에 적용할 수 있음은 물론이다.
영상 세그멘테이션 모듈(130)은 복수의 장기 분류 모델(131)을 포함한다. 여기서, 복수의 장기 분류 모델(131)은 의료영상의 모달리티 유형별로 구분되어 마련된다. 즉, 상술한 바와 같이, X-ray 영상을 위한 장기 분류 모델(131), 초음파 영상을 위한 장기 분류 모델(131), CT 영상을 위한 장기 분류 모델(131) 등과 같이 각각의 모달리티 유형에 따른 의료영상별로 장기 분류 모델(131)을 포함하게 된다.
이 때, 메인 프로세서(180)는 모달리티 판단부(120)에 의해 판단된 판독대상 의료영상의 모달리티 유형에 해당하는 장기 분류 모델(131)이 판독대상 의료영상을 복수의 장기 영상으로 세그멘테이션하도록 제어하게 된다.
보다 구체적으로 설명하면, 본 발명의 실시예에 따른 각각의 장기 분류 모델(131)은 장기 판별 모델(132)과, 세그멘테이션 모델(133)을 포함하는 것을 예로 한다.
장기 판별 모델(132)은 인공지능 기반의 학습 모델로, 판독대상 의료영상 내에 포함된 장기의 유형을 판별한다(S32). 예를 들어, 의료영상 내에 위, 대장, 십이지장 등의 포함되어 있는 것으로 가정하면, 장기 판별 모델(132)은 해당 판독대상 의료영상이 어떤 장기를 포함하고 있는지를 판별하고, 판독대상 의료영상 내에서 각 장기의 위치를 판별한다.
세그멘테이션 모델(133)은 장기 판별 모델(132)에 의해 판별된 장기가 위치하는 장기 영역별로 판독대상 의료영상을 세그멘테이션, 즉 분할하여(S33) 복수의 장기 영상을 생성하게 된다. 여기서, 세그멘테이션 모델(133) 또한 인공기능 기반의 학습 모델로 구현된다.
상기와 같은 판독대상 의료영상이 장기별로 장기 영상으로 분할되면, 메인 프로세서(180)는 각각의 장기 영상에 적용될 판독 모델(142)을 선정하도록 모델 선정부(150)를 제어한다(S34).
모델 선정부(150)는 모달리티 판단부(120)에 의해 판단된 모달리티의 유형, 장기 영상의 장기 유형에 대응하는 판독 모델(142) 중 기 설정된 선정 기준에 따라 각각의 장기 영상에 대해 하나씩의 판독 모델(142)을 선정하게 된다(S34).
여기서, 모델 저장부(140)에는 복수의 판독 모델(142)이 저장되는데, 의료영상의 모달리티 유형, 그리고 장기의 종류별로 구분되어 저장된다. 도 2의 참조번호 141은 모달리티의 유형별로 구분되어 저장된 상태를 예로 하고 있다.
본 발명의 실시예에서는 하나의 모달리티의 유형과 특정 장기를 판독하기 위한 판독 모델(142)이 하나, 바람직하게는 복수개의 판독 모델(142)이 저장되는 것을 예로 한다. 예를 들어, CT 영상에서 뇌 종양을 판독하는 판독 모델(142)이 복수개가 등록되어 저장될 수 있다.
이에, 모델 선정부(150)는 해당 모달리티 유형과 해당 장기, 그리고 병변에 해당하는 다수의 판독 모델(142) 중 기 설정된 선정 기준에 따라 각 장기 영상별로 하나의 판독 모델(142)을 선정하게 된다.
본 발명에서는 모델 선정부(150)가 선정 기준으로 안정성 기준과 판독 성능 기준을 적용하여 판독 모델(142)을 선정하는 것을 예로 한다.
보다 구체적으로 설명하면, 모델 선정부(150)는 안정성 기준에 따라 상위 N 개의 판독 모델(142)을 추출한 후, 상위 N 개의 판독 모델(142) 중 판독 성능 기준의 최상위를 판독 모델(142)로 선정한다.
본 발명에서는 각각의 판독 모델(142)에 해당 판독 모델(142)에 대한 평점, 해당 판독 모델(142)의 사용 횟수, 해당 판독 모델(142)의 사용자 수가 등록되는 것을 예로 한다. 본 발명에 따른 의료영상 판독 서비스 시스템(100)에서는 각각의 판독 모델(142)에 대해 사용자가 판독 모델(142)을 사용한 후에 해당 판독 모델(142)에 대해 평점을 등록하도록 마련될 수 있는데, 이는 실제 해당 판독 모델(142)을 사용한 사용자가 해당 판독 모델(142)의 성능을 직접 평가한 점수를 반영할 수 있도록 하고 있다.
이와 같이, 실제 사용자의 평점, 사용 횟수, 사용자 수가 판독 모델(142)의 선정에서 첫 번째 선정 기준인 안정성 기준에 적용됨으로써, 실제 의료 영상 판독에서 성능보다는 안정성이 우선순위가 높다는 점이 반영되어 활용도가 높은 판독 모델(142)이 선정 가능하게 된다.
여기서, 모델 선정부(150)는 해당 판독 모델(142)에 대한 평점, 해당 판독 모델(142)의 사용 횟수, 해당 판독 모델(142)의 사용자 수를 기 설정된 순위 결정 알고리즘에 적용하여 안정성 기준에 따른 상위 n개의 판독 모델(142)을 추출하게 되는데, 본 발명에서는 순위 결정 알고리즘으로 z-score 알고리즘이 적용되는 것을 예로 한다.
한편, 본 발명에 따른 의료영상 판독 서비스 시스템(100)에서는 판독 모델(142)에 해당 판독 모델(142)의 정확도(Accuracy), 민감도(Sensitivity), 특이도(Specificity)가 등록되는 것을 예로 하며, 모델 선정부(150)가 정확도, 민감도, 및 특이도를 기 설정된 순위 결정 알고리즘에 적용하여 판독 성능 기능에 따른 최상위 판독 모델(142)을 추출하는 것을 예로 한다. 여기서, 순위 결정 알고리즘으로는 z-score 알고리즘이 적용되는 것을 예로 한다.
상기와 같은 과정을 통해, 각각의 장기 영상에 대한 판독 모델(142)이 선정되면, 메인 프로세서(180)는 영상 판독부(160)가 선정된 판독 모델(142)을 실행시켜 각각의 장기 영상을 판독하도록 제어한다(S35). 여기서, 영상 판독부(160)는 GPU 엔진, 메모리 등의 하드웨어적 요소와, 상술한 과정을 통해 선정된 판독 모델(142)을 포함할 수 있으며, 복수의 GPU 엔진을 포함하여 둘 이상의 판독 모델(142)이 동시에 실행되도록 마련될 수 있다.
영상 판독부(160)에 의해 각각의 장기 영상에 대한 판독이 완료되면, 판독 영상 생성부(170)는 영상 판독부(160)에 적용된 각각의 판독 모델(142)의 판독 결과를 판독대상 의료영상에 오버랩하여 판독 영상을 생성한다(S36). 도 4는 흉부 CT 영상에 판독 결과가 오러랩된 판독 영상의 예를 나타낸 도면이다.
CT 영상의 경우, 여러장의 이미지가 하나의 CT 영상을 구성하게 되는 바, 판독 영상 생성부(170)는 판독대상 이미지로부터 대표 이미지를 추출하고(S36), 해당 대표 이미지에 판독 결과를 오버랩시킬 수 있다.
여기서, 판독 영상은 사용자가 자신의 의료영상 뷰어에서 볼 수 있도록 DICOM 포맷으로 생성될 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 : 의료영상 판독 서비스 시스템
110 : 통신부 120 : 모달리티 판단부
130 : 영상 세그멘테이션 모듈 131 : 장기 분류 모델
132 : 장기 판별 모델 133 : 세그멘테이션 모델
140 : 모델 저장부 150 : 모델 선정부
160 : 영상 판독부 170 : 판독 영상 생성부
180 : 메인 프로세서 300 : 정보처리단말기
500 : 통신망

Claims (7)

  1. 인공지능 기반의 의료영상 판독 서비스 시스템에 있어서,
    복수의 장기가 영상 내에 포함된 판독대상 의료영상이 입력되는 경우, 상기 판독대상 의료영상의 모달리티 유형을 판단하는 모달리티 판단부와,
    의료영상의 모달리티 유형별로 구분된 복수의 장기 분류 모델을 포함하고, 상기 모달리티 판단부에 의해 판단된 모달리티 유형에 대응하는 상기 장기 분류 모델을 이용하여 상기 판독대상 의료영상을 복수의 장기 영상으로 세그멘테이션하는 영상 세그멘테이션 모듈과,
    의료영상의 모달리티 유형 및 장기의 종류별로 구분된 복수의 판독 모델과 - 하나의 모달리티의 유형 및 장기별로 적어도 하나 이상의 상기 판독 모델이 마련됨,
    상기 모달리티 판단부에 의해 판단된 모달리티 유형, 상기 영상 세그멘테이션 모듈에 의해 세그멘테이션된 상기 장기 영상의 장기 유형에 대응하는 판독 모델 중 기 설정된 선정 기준에 따라 각각의 상기 장기 영상에 대해 어느 하나씩을 선정하는 모델 선정부와,
    상기 모델 선정부에 의해 선정된 판독 모델을 이용하여 각각의 상기 장기 영상을 판독하는 영상 판독부를 포함하고;
    상기 선정 기준은 안정성 기준과 판독 성능 기준을 포함하고;
    상기 모델 선정부는 상기 안정성 기준에 따라 상위 N 개의 판독 모델을 추출한 후, 상위 n 개의 판독 모델 중 상기 판독 성능 기준의 최상위를 판독 모델로 선정하고;
    각각의 상기 판독 모델에는 해당 판독 모델에 대한 평점, 해당 판독 모델의 사용 횟수, 해당 판독 모델의 사용자 수가 등록되며;
    상기 모델 선정부는 상기 평점, 상기 사용 횟수 및 상기 사용자 수를 기 설정된 순위 결정 알고리즘에 적용하여 상기 안정성 기준에 따른 상위 n개의 판독 모델을 추출하는 것을 특징으로 하는 인공지능 기반의 의료영상 판독 서비스 시스템.
  2. 제1항에 있어서,
    상기 영상 판독부에 적용된 각각의 상기 판독 모델의 판독 결과를 상기 판독대상 의료영상에 오버랩하여 판독 영상을 생성하는 판독 영상 생성부를 더 포함하는 것을 특징으로 하는 인공지능 기반의 의료영상 판독 서비스 시스템.
  3. 제1항에 있어서,
    각각의 상기 장기 분류 모델은
    상기 판독대상 의료영상 내에 포함된 장기를 판별하는 장기 판별 모델과,
    상기 장기 판별 모델에 의해 판별된 장기가 위치하는 장기 영역별로 세그멘테이션하여 복수의 상기 장기 영상을 생성하는 세그멘테이션 모델을 포함하는 것을 특징으로 하는 인공지능 기반의 의료영상 판독 서비스 시스템.
  4. 삭제
  5. 삭제
  6. 제1항에 있어서,
    각각의 상기 판독 모델에는 해당 판독 모델의 정확도, 해당 판독 모델의 민감도, 해당 판독 모델의 특이도가 등록되고;
    상기 모델 선정부는 상기 정확도, 상기 민감도 및 상기 특이도를 기 설정된 순위 결정 알고리즘에 적용하여 상기 판독 성능 기준에 따른 최상위의 판독 모델을 추출하는 것을 특징으로 하는 인공지능 기반의 의료영상 판독 서비스 시스템.
  7. 제6항에 있어서,
    상기 순위 결정 알고리즘은 z-score 알고리즘을 포함하는 것을 특징으로 하는 인공지능 기반의 의료영상 판독 서비스 시스템.
KR1020200068010A 2020-06-05 2020-06-05 인공지능 기반의 의료영상 판독 서비스 시스템 KR102237198B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200068010A KR102237198B1 (ko) 2020-06-05 2020-06-05 인공지능 기반의 의료영상 판독 서비스 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200068010A KR102237198B1 (ko) 2020-06-05 2020-06-05 인공지능 기반의 의료영상 판독 서비스 시스템

Publications (1)

Publication Number Publication Date
KR102237198B1 true KR102237198B1 (ko) 2021-04-08

Family

ID=75480399

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200068010A KR102237198B1 (ko) 2020-06-05 2020-06-05 인공지능 기반의 의료영상 판독 서비스 시스템

Country Status (1)

Country Link
KR (1) KR102237198B1 (ko)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102502418B1 (ko) 2022-07-21 2023-02-24 연세대학교 산학협력단 신경망 기반 의료 영상 처리 장치 및 방법
WO2023043133A1 (ko) * 2021-09-17 2023-03-23 주식회사 온택트헬스 체내 장기 또는 근육의 이상 유무를 판단하는 방법 및 장치
KR20230059454A (ko) * 2021-10-26 2023-05-03 이화여자대학교 산학협력단 초음파 내시경 영상을 이용한 딥러닝 기반 췌장암의 혈관 침범 분류 방법 및 분석장치
WO2023101203A1 (ko) * 2021-11-30 2023-06-08 사회복지법인 삼성생명공익재단 X 레이 영상을 이용한 병소 체적 정보 추정 방법 및 분석장치
CN116681717A (zh) * 2023-08-04 2023-09-01 经智信息科技(山东)有限公司 一种ct图像的分割处理方法及装置
KR102633823B1 (ko) * 2023-09-12 2024-02-05 주식회사 마이허브 의료영상 판별장치 및 그 방법
KR20240018193A (ko) 2022-08-02 2024-02-13 주식회사 엠티이지 중요도와 관련된 영상 처리 방법, 서버 및 기록매체

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0512352A (ja) * 1990-11-22 1993-01-22 Toshiba Corp 医用診断支援システム
US20160350919A1 (en) * 2015-06-01 2016-12-01 Virtual Radiologic Corporation Medical evaluation machine learning workflows and processes
KR102108401B1 (ko) * 2019-06-27 2020-05-28 주식회사 딥노이드 인공지능 판독서버, 이를 포함하는 pacs 기반 영상 처리 시스템 및 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0512352A (ja) * 1990-11-22 1993-01-22 Toshiba Corp 医用診断支援システム
US20160350919A1 (en) * 2015-06-01 2016-12-01 Virtual Radiologic Corporation Medical evaluation machine learning workflows and processes
KR102108401B1 (ko) * 2019-06-27 2020-05-28 주식회사 딥노이드 인공지능 판독서버, 이를 포함하는 pacs 기반 영상 처리 시스템 및 방법

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023043133A1 (ko) * 2021-09-17 2023-03-23 주식회사 온택트헬스 체내 장기 또는 근육의 이상 유무를 판단하는 방법 및 장치
KR20230059454A (ko) * 2021-10-26 2023-05-03 이화여자대학교 산학협력단 초음파 내시경 영상을 이용한 딥러닝 기반 췌장암의 혈관 침범 분류 방법 및 분석장치
KR102587670B1 (ko) 2021-10-26 2023-10-10 이화여자대학교 산학협력단 초음파 내시경 영상을 이용한 딥러닝 기반 췌장암의 혈관 침범 분류 방법 및 분석장치
WO2023101203A1 (ko) * 2021-11-30 2023-06-08 사회복지법인 삼성생명공익재단 X 레이 영상을 이용한 병소 체적 정보 추정 방법 및 분석장치
KR102502418B1 (ko) 2022-07-21 2023-02-24 연세대학교 산학협력단 신경망 기반 의료 영상 처리 장치 및 방법
KR20240018193A (ko) 2022-08-02 2024-02-13 주식회사 엠티이지 중요도와 관련된 영상 처리 방법, 서버 및 기록매체
CN116681717A (zh) * 2023-08-04 2023-09-01 经智信息科技(山东)有限公司 一种ct图像的分割处理方法及装置
CN116681717B (zh) * 2023-08-04 2023-11-28 经智信息科技(山东)有限公司 一种ct图像的分割处理方法及装置
KR102633823B1 (ko) * 2023-09-12 2024-02-05 주식회사 마이허브 의료영상 판별장치 및 그 방법

Similar Documents

Publication Publication Date Title
KR102237198B1 (ko) 인공지능 기반의 의료영상 판독 서비스 시스템
KR101884609B1 (ko) 모듈화된 강화학습을 통한 질병 진단 시스템
JP7069359B2 (ja) 深層学習を使用して癌検出を改善するための方法およびシステム
JP4799251B2 (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
US7640051B2 (en) Systems and methods for automated diagnosis and decision support for breast imaging
US11107215B2 (en) Medical image diagnosis assistant apparatus and method for generating evaluation scores for plurality of medical image diagnosis algorithms
JP5506912B2 (ja) 臨床決定支援システム及び方法
US20220199258A1 (en) Training method for specializing artificial interlligence model in institution for deployment, and apparatus for training artificial intelligence model
US7529394B2 (en) CAD (computer-aided decision) support for medical imaging using machine learning to adapt CAD process with knowledge collected during routine use of CAD system
KR102542037B1 (ko) 인공지능 모델을 사용 기관에 특화시키는 학습 방법, 이를 수행하는 장치
EP3375376B1 (en) Source of abdominal pain identification in medical imaging
US20170154167A1 (en) A system and a related method for automatically selecting a hanging protocol for a medical study
CN111226287A (zh) 用于分析医学成像数据集的方法、用于分析医学成像数据集的系统、计算机程序产品以及计算机可读介质
JP2004130090A (ja) コンピュータ援用患者診断決定支援システム
JP2023045168A (ja) 医用画像診断支援装置、医用画像診断支援方法およびプログラム
US11742072B2 (en) Medical image diagnosis assistance apparatus and method using plurality of medical image diagnosis algorithms for endoscopic images
US20230196557A1 (en) Late Gadolinium Enhancement Analysis for Magnetic Resonance Imaging
EP4379672A1 (en) Methods and systems for classifying a medical image dataset
Altaf Deep learning augmentation for medical image analysis
Taylor Computer assisted decision making for image understanding in medicine
Li Investigating computer aided diagnosis: Medical image analysis in CT colonography

Legal Events

Date Code Title Description
GRNT Written decision to grant