KR102246319B1 - 병리 검체에 대한 판단 결과를 제공하는 인공 뉴럴 네트워크의 학습 방법, 및 이를 수행하는 컴퓨팅 시스템 - Google Patents

병리 검체에 대한 판단 결과를 제공하는 인공 뉴럴 네트워크의 학습 방법, 및 이를 수행하는 컴퓨팅 시스템 Download PDF

Info

Publication number
KR102246319B1
KR102246319B1 KR1020210001912A KR20210001912A KR102246319B1 KR 102246319 B1 KR102246319 B1 KR 102246319B1 KR 1020210001912 A KR1020210001912 A KR 1020210001912A KR 20210001912 A KR20210001912 A KR 20210001912A KR 102246319 B1 KR102246319 B1 KR 102246319B1
Authority
KR
South Korea
Prior art keywords
slide image
pathology slide
pathology
neural network
nth
Prior art date
Application number
KR1020210001912A
Other languages
English (en)
Inventor
곽태영
백인영
김선우
Original Assignee
주식회사 딥바이오
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 딥바이오 filed Critical 주식회사 딥바이오
Priority to KR1020210001912A priority Critical patent/KR102246319B1/ko
Application granted granted Critical
Publication of KR102246319B1 publication Critical patent/KR102246319B1/ko
Priority to EP22736871.9A priority patent/EP4258283A1/en
Priority to PCT/KR2022/000269 priority patent/WO2022149894A1/ko
Priority to CN202280009439.3A priority patent/CN116783662A/zh
Priority to JP2023540030A priority patent/JP2024502806A/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N3/0427—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G16B40/20—Supervised data analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B45/00—ICT specially adapted for bioinformatics-related data visualisation, e.g. displaying of maps or networks
    • 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
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • 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
    • G16H50/50—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
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biotechnology (AREA)
  • Evolutionary Biology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Bioethics (AREA)

Abstract

단일 검체에 대한 연속된 섹션들(serial sections) 각각을 서로 다른 다양한 염색 시약으로 염색한 병리 슬라이드들을 이용하여 인공 뉴럴 네트워크를 학습함으로써, 질병에 대한 정확도 높은 판단을 수행할 수 있도록 하는 방법 및 이를 수행하는 컴퓨팅 시스템이 개시된다. 본 발명의 일 측면에 따르면, 인공 뉴럴 네트워크를 학습하는 방법으로서,
뉴럴 네트워크 학습 시스템이, M개의 개별 학습 데이터(여기서, M은 2 이상의 자연수)를 포함하는 학습 데이터 세트를 생성하는 단계 및 상기 뉴럴 네트워크 학습 시스템이, 상기 학습 데이터 세트에 기초하여 상기 인공 뉴럴 네트워크를 학습하는 단계를 포함하되, 상기 M개의 개별 학습 데이터를 포함하는 학습 데이터 세트를 생성하는 단계는, 1<=m<=M인 모든 m에 대하여, 상기 학습 데이터 세트에 포함될 제m학습 데이터를 생성하는 단계를 포함하고, 상기 제m학습 데이터를 생성하는 단계는, 제1 병리 슬라이드 이미지 내지 제N병리 슬라이드 이미지(여기서, N은 2 이상의 자연수)를 획득하는 단계-여기서, 상기 제1병리 슬라이드 이미지 내지 제N병리 슬라이드 이미지는, 단일 병리 검체에 대한 연속된 섹션(serial section)을 서로 다른 염색 시약으로 염색한 병리 슬라이드 이미지임, 및 상기 제1 병리 슬라이드 이미지 내지 상기 제N병리 슬라이드 이미지에 기초하여 상기 제m학습 데이터를 생성하는 단계를 포함하는 인공 뉴럴 네트워크 학습 방법이 제공된다.

Description

병리 검체에 대한 판단 결과를 제공하는 인공 뉴럴 네트워크의 학습 방법, 및 이를 수행하는 컴퓨팅 시스템{Method for training artificial neural network providing result of diagnosis for pathological specimen, and computing system performing the same}
본 발명은 병리 검체에 대한 판단 결과를 제공하는 인공 뉴럴 네트워크의 학습 방법, 및 이를 수행하는 컴퓨팅 시스템에 관한 것이다. 보다 상세하게는 단일 검체에 대한 연속된 섹션들(serial sections) 각각을 서로 다른 다양한 염색 시약으로 염색한 병리 슬라이드들을 이용하여 인공 뉴럴 네트워크를 학습함으로써, 질병에 대한 정확도 높은 판단을 수행할 수 있도록 하는 방법 및 이를 수행하는 컴퓨팅 시스템에 관한 것이다.
종양 주변에서 종양 세포들과 상호작용하며 종양의 증식에 영향을 주는 이웃 세포들을 종양미세환경이라고 한다. 종양미세환경에 대한 연구는 암의 현재 상태에 대한 진단, 예후, 그리고 특정 치료 방법에 대한 반응성을 파악하고 새로운 치료 방법을 개발하는데 있어서 매우 중요하다.
종전에는 종양미세환경의 분석을 위해 종양미세환경 내에 존재할 것으로 예상되는 특정 면역 세포들 또는 단백질들을 표적으로 하는 면역조직화학(immunohistochemistry; 이하 IHC) 염색 시약을 활용하였다. 즉, 특정 표적에 대한 IHC 염색 시약으로 병리 검체를 염색하고 염색 결과를 병리 전문의가 광학 현미경을 통해 육안으로 판독하여 표적들의 위치 관계를 파악하고 양을 계량하는 과정을 수행하였다. 이때 다양한 면역 세포 또는 단백질들을 복합적으로 보고 판단해야 하므로, 단일 검체에 대한 연속된 섹션들 (serial sections)로 이루어진 다수의 슬라이드들을 제작하고, 각각을 H&E 및 다양한 표적 IHC 염색 시약으로 염색을 한 후 그 결과를 각각 병리 전문의가 판독한 뒤 판독 결과를 종합하였다. 종양 미세환경을 구성하는 다양한 요소들의 위치 관계가 중요하므로 이러한 방식의 분석에는 한계가 존재하며, 이러한 한계를 넘어서고자 다양한 표적을 한꺼번에 염색하는 multiplex IHC 방식의 염색 방법이 등장하였으나 이는 비용이 저렴하지 않고 일반화되지 않았다.
한편, 딥러닝, 특히 합성곱신경망(convolutional neural network; CNN)을 사용한 병리 슬라이드 이미지 분석을 통해 암의 현재 상태에 대한 진단, 중증도 구분을 통한 예후, 특정 IHC 염색 결과에 대한 계측 등을 수행하는 기술이 개발되고 상용화되고 있다. 현재 개발된 기술들은 단일 염색 병리 슬라이드 이미지를 대상으로 하며 분석 결과는 특정 분류나 수치 형태로 제공되므로, 이를 간단히 조합하여 종양미세환경에 대해 위치 관계를 포함하여 파악하는 것은 쉽지 않다. 예를 들어, 기존 특허 (JP6650453B2)에 따르면 암의 예후를 위해 연속된 섹션들로 구성된 슬라이드 이미지를 활용하나 각 슬라이드 이미지를 별도로 분석한 결과 스코어를 종합하여 예후를 판별하며, 모든 슬라이드 이미지의 위치 관계를 종합한 분석을 수행하지 않는다.
따라서, multiplex IHC 방법을 사용하지 않으면서도 종양미세환경을 분석할 수 있도록 단일 검체에 대한 연속된 섹션들로 이루어진 다종 염색 슬라이드들을 위치 관계를 포함하여 종합적으로 분석할 수 있도록 하는 기술적 사상이 요구된다.
일본등록공보 JP6650453 B2
본 발명이 이루고자 하는 기술적인 과제는 단일 검체에 대한 연속된 섹션들(serial sections) 각각을 H&E나 다양한 표적 IHC 염색 시약 등으로 염색한 병리 슬라이드들을 활용하여 인공 뉴럴 네트워크를 학습함으로써, 학습된 인공 뉴럴 네트워크가 종양미세환경을 종합적으로 분석할 수 있도록 함으로써 암의 현재 상태에 대한 진단, 예후 및 특정 치료 방법에 대한 반응성을 높은 정확도로 파악할 수 있도록 하는 방법 및 시스템을 제공하는 것이다.
본 발명의 일 측면에 따르면, 인공 뉴럴 네트워크를 학습하는 방법으로서,
뉴럴 네트워크 학습 시스템이, M개의 개별 학습 데이터(여기서, M은 2 이상의 자연수)를 포함하는 학습 데이터 세트를 생성하는 단계; 및 상기 뉴럴 네트워크 학습 시스템이, 상기 학습 데이터 세트에 기초하여 상기 인공 뉴럴 네트워크를 학습하는 단계를 포함하되, 상기 M개의 개별 학습 데이터를 포함하는 학습 데이터 세트를 생성하는 단계는, 1<=m<=M인 모든 m에 대하여, 상기 학습 데이터 세트에 포함될 제m학습 데이터를 생성하는 단계를 포함하고, 상기 제m학습 데이터를 생성하는 단계는, 제1 병리 슬라이드 이미지 내지 제N병리 슬라이드 이미지(여기서, N은 2 이상의 자연수)를 획득하는 단계-여기서, 상기 제1병리 슬라이드 이미지 내지 제N병리 슬라이드 이미지는, 단일 병리 검체에 대한 연속된 섹션(serial section)을 서로 다른 염색 시약으로 염색한 병리 슬라이드 이미지임; 및 상기 제1 병리 슬라이드 이미지 내지 상기 제N병리 슬라이드 이미지에 기초하여 상기 제m학습 데이터를 생성하는 단계를 포함하는 인공 뉴럴 네트워크 학습 방법이 제공된다.
일 실시예에서, 상기 제1병리 슬라이드 이미지 내지 상기 제N병리 슬라이드 이미지에 기초하여 상기 제m학습 데이터를 생성하는 단계는, 상기 제1병리 슬라이드 이미지 내지 상기 제N병리 슬라이드 이미지를 채널 중첩(channel stacking)을 통해 하나의 다채널 이미지로 변환하는 단계를 포함하고, 상기 제m학습 데이터는 상기 다채널 이미지를 포함할 수 있다.
일 실시예에서, 상기 학습 데이터는 N개의 채널을 포함하며, 상기 제1병리 슬라이드 이미지 내지 상기 제N병리 슬라이드 이미지를 채널 중첩(channel stacking)을 통해 하나의 다채널 이미지로 변환하는 단계는 1<=n<=N인 모든 자연수 n에 대하여, 제n병리 슬라이드 이미지의 각 픽셀 값으로 상기 다채널 이미지의 제n채널을 구성하는 단계를 포함할 수 있다.
일 실시예에서, 상기 제1 병리 슬라이드 이미지 내지 상기 제N병리 슬라이드 이미지에 기초하여 상기 제m학습 데이터를 생성하는 단계는, 상기 제1병리 슬라이드 이미지 내지 상기 제N병리 슬라이드 이미지 내에 존재하는 생체 조직 영역을 특정하는 단계; 상기 제1병리 슬라이드 내지 상기 제N병리 슬라이드 이미지 각각에 존재하는 생체 조직 영역 간의 위치 및 형태가 일치하도록 상기 제1병리 슬라이드 내지 상기 제N병리 슬라이드 이미지를 정합하는 단계; 및 상기 정합된 제1병리 슬라이드 이미지 내지 상기 정합된 제N병리 슬라이드 이미지를 채널 중첩(channel stacking)을 통해 하나의 다채널 이미지로 변환하는 단계를 포함하고, 상기 제m학습 데이터는 상기 다채널 이미지를 포함할 수 있다.
일 실시예에서, 상기 학습 데이터는 N개의 채널을 포함하며, 상기 정합된 제1병리 슬라이드 이미지 내지 상기 정합된 제N병리 슬라이드 이미지를 채널 중첩(channel stacking)을 통해 하나의 다채널 이미지로 변환하는 단계는 1<=n<=N인 모든 자연수 n에 대하여, 정합된 제n병리 슬라이드 이미지의 각 픽셀 값으로 상기 다채널 이미지의 제n채널을 구성하는 단계를 포함할 수 있다.
일 실시예에서, 상기 제1병리 슬라이드 내지 상기 제N병리 슬라이드 이미지 각각에 존재하는 생체 조직 영역 간의 위치 및 형태가 일치하도록 상기 제1병리 슬라이드 내지 상기 제N병리 슬라이드 이미지를 정합하는 단계는, 1<=i<=N인 모든 자연수 i에 대하여, 제i병리 슬라이드 이미지에 상응하는 변환 관계를 산출하는 단계를 포함하고(여기서, 상기 제i병리 슬라이드 이미지에 상응하는 변환 관계는, 상기 제i병리 슬라이드 이미지와 그에 대응되는 정합된 제i병리 슬라이드 이미지 간의 변환 관계임), 상기 제1병리 슬라이드 이미지 내지 상기 제N병리 슬라이드 이미지에 기초하여 상기 제m학습 데이터를 생성하는 단계는, 1<=j<=N인 모든 자연수 j에 대하여, 제j병리 슬라이드 이미지에 부여된 병변 어노테이션 영역을 상기 제j병리 슬라이드 이미지에 상응하는 변환 관계를 이용하여 변형하는 단계; 및 상기 변형된 제1병리 슬라이드 이미지의 병변 어노테이션 영역 내지 상기 변형된 제N병리 슬라이드 이미지의 병변 어노테이션 영역을 채널 중첩(channel stacking)을 통해 하나의 다채널 병변 어노테이션 영역으로 변환하는 단계를 더 포함하고, 상기 제m학습 데이터는 상기 다채널 병변 어노테이션 영역을 더 포함할 수 있다.
본 발명의 다른 일 측면에 따르면, 상술한 인공 뉴럴 네트워크 학습 방법에 의해 학습된 인공 뉴럴 네트워크를 통해 소정의 판단 대상 병리 검체에 대한 판단 결과를 제공하는 방법으로서, 컴퓨팅 시스템이, 제1판단 대상 병리 슬라이드 이미지 내지 제N판단 대상 병리 슬라이드 이미지(여기서, N은 2 이상의 자연수)를 획득하는 단계-여기서, 상기 제1판단 대상 병리 슬라이드 이미지 내지 상기 제N판단 대상 병리 슬라이드 이미지는, 상기 판단 대상 병리 검체에 대한 연속된 섹션(serial section)을 서로 다른 염색 시약으로 염색한 병리 슬라이드 이미지임; 상기 컴퓨팅 시스템이, 상기 인공 뉴럴 네트워크가 상기 제1판단 대상 병리 슬라이드 이미지 내지 상기 제N판단 대상 병리 슬라이드 이미지에 기초하여 판단한 상기 판단 대상 병리 검체에 대한 판단 결과를 출력하는 단계를 포함하는 방법이 제공된다.
본 발명의 다른 일 측면에 따르면, 데이터 처리장치에 설치되며 상술한 방법을 수행하기 위한 매체에 기록된 컴퓨터 프로그램이 제공된다.
본 발명의 다른 일 측면에 따르면, 상술한 방법을 수행하기 위한 컴퓨터 프로그램이 기록된 컴퓨터 판독 가능한 기록매체가 제공된다.
본 발명의 다른 일 측면에 따르면, 인공 뉴럴 네트워크 학습 시스템으로서, 프로세서; 및 컴퓨터 프로그램을 저장하는 메모리를 포함하고, 상기 컴퓨터 프로그램은, 상기 프로세서에 의해 실행되는 경우, 상기 컴퓨팅 시스템으로 하여금 인공 뉴럴 네트워크를 학습하는 방법을 수행하도록 하며, 상기 인공 뉴럴 네트워크 학습 시스템은, 뉴럴 네트워크 학습 시스템이, M개의 개별 학습 데이터(여기서, M은 2 이상의 자연수)를 포함하는 학습 데이터 세트를 생성하는 단계; 및 상기 뉴럴 네트워크 학습 시스템이, 상기 학습 데이터 세트에 기초하여 상기 인공 뉴럴 네트워크를 학습하는 단계를 포함하되, 상기 M개의 개별 학습 데이터를 포함하는 학습 데이터 세트를 생성하는 단계는, 1<=m<=M인 모든 m에 대하여, 상기 학습 데이터 세트에 포함될 제m학습 데이터를 생성하는 단계를 포함하고, 상기 제m학습 데이터를 생성하는 단계는, 제1 병리 슬라이드 이미지 내지 제N병리 슬라이드 이미지(여기서, N은 2 이상의 자연수)를 획득하는 단계-여기서, 상기 제1병리 슬라이드 이미지 내지 제N병리 슬라이드 이미지는, 단일 병리 검체에 대한 연속된 섹션(serial section)을 서로 다른 염색 시약으로 염색한 병리 슬라이드 이미지임;
상기 제1 병리 슬라이드 이미지 내지 상기 제N병리 슬라이드 이미지에 기초하여 상기 제m학습 데이터를 생성하는 단계를 포함하는 인공 뉴럴 네트워크 학습 시스템이 제공된다.
본 발명의 다른 일 측면에 따르면, 프로세서; 및 컴퓨터 프로그램을 저장하는 메모리를 포함하고, 상기 컴퓨터 프로그램은, 상기 프로세서에 의해 실행되는 경우, 상기 컴퓨팅 시스템으로 하여금 상술한 인공 뉴럴 네트워크 학습 방법에 의해 학습된 인공 뉴럴 네트워크를 통해 병리 검체에 대한 판단 결과를 제공하는 방법을 수행하도록 하며, 상기 판단 결과를 제공하는 방법은, 제1판단 대상 병리 슬라이드 이미지 내지 제N판단 대상 병리 슬라이드 이미지(여기서, N은 2 이상의 자연수)를 획득하는 단계-여기서, 상기 제1판단 대상 병리 슬라이드 이미지 내지 상기 제N판단 대상 병리 슬라이드 이미지는, 소정의 판단 대상 병리 검체에 대한 연속된 섹션(serial section)을 서로 다른 염색 시약으로 염색한 병리 슬라이드 이미지임; 상기 인공 뉴럴 네트워크가 상기 제1판단 대상 병리 슬라이드 이미지 내지 상기 제N판단 대상 병리 슬라이드 이미지에 기초하여 판단한 상기 판단 대상 병리 검체에 대한 판단 결과를 출력하는 단계를 포함하는 병리 검체에 대한 판단 결과 제공 시스템이 제공된다.
본 발명의 기술적 사상에 의하면, 단일 검체에 대한 연속된 섹션들 각각을 H&E나 다양한 표적 IHC 염색 시약 등으로 염색한 병리 슬라이드들을 활용하여 인공 뉴럴 네트워크를 학습함으로써, 학습된 인공 뉴럴 네트워크가 종양미세환경을 종합적으로 분석할 수 있도록 함으로써 암의 현재 상태에 대한 진단, 예후 및 특정 치료 방법에 대한 반응성을 높은 정확도로 파악할 수 있도록 하는 방법 및 시스템을 제공할 수 있다.
또한 본 발명의 기술적 사상에 의하면, multiplex IHC와 같은 고비용의 일반화되지 않은 방법 대신 널리 사용되고 있는 방법을 활용하여 생성한 여러 장의 병리 슬라이드 이미지를 중첩하여 활용할 수 있도록 함으로써 multiplex IHC와 유사한 효과를 얻을 수 있으며, 또한 multiplex IHC 결과를 색상 필터링을 통해 표적 별로 위치 정보를 분리하는 과정에서 발생할 수 있는 오류 가능성을 차단함으로써 종양미세환경 분석의 정확도를 높일 수 있게 되는 효과가 있다.
본 발명의 상세한 설명에서 인용되는 도면을 보다 충분히 이해하기 위하여 각 도면의 간단한 설명이 제공된다.
도 1은 본 발명의 기술적 사상에 따른 인공 뉴럴 네트워크 학습 방법 및 병리 검체에 대한 판단 결과 제공 방법이 수행되는 환경을 개략적으로 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 뉴럴 네트워크 학습 방법을 설명하기 위한 흐름도이다.
도 3은 채널 중첩을 통해 RGB 색모델로 표현되는 복수의 병리 슬라이드 이미지에 의해 생성되는 하나의 다채널 이미지를 나타내는 도면이다.
도 4는 본 발명의 일 실시예에 따른 개별 학습 데이터를 생성하는 과정의 일 예를 도시한 도면이다.
도 5는 본 발명의 일 실시예에 따른 병리 검체에 대한 판단 결과 제공 방법의 일 예를 도시한 흐름도이다.
도 6은 본 발명의 일 실시예에 따른 인공 뉴럴 네트워크 학습 시스템의 개략적인 구성을 도시한 도면이며, 도 7은 발명의 일 실시예에 따른 판단 결과 제공 시스템의 개략적인 구성을 도시한 도면이다.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 제1, 제2 등의 용어는 특별한 순서를 나타내는 것이 아니며, 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
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 명세서에 있어서, "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.
또한, 본 명세서에 있어서는 어느 하나의 구성요소가 다른 구성요소로 데이터를 '전송'하는 경우에는 상기 구성요소는 상기 다른 구성요소로 직접 상기 데이터를 전송할 수도 있고, 적어도 하나의 또 다른 구성요소를 통하여 상기 데이터를 상기 다른 구성요소로 전송할 수도 있는 것을 의미한다. 반대로 어느 하나의 구성요소가 다른 구성요소로 데이터를 '직접 전송'하는 경우에는 상기 구성요소에서 다른 구성요소를 통하지 않고 상기 다른 구성요소로 상기 데이터가 전송되는 것을 의미한다.
이하, 첨부된 도면들을 참조하여 본 발명의 실시예들을 중심으로 본 발명을 상세히 설명한다. 각 도면에 제시된 동일한 참조부호는 동일한 부재를 나타낸다.
도 1은 본 발명의 기술적 사상에 따른 인공 뉴럴 네트워크 학습 방법 및 병리 검체에 대한 판단 결과 제공 방법이 수행되는 환경을 개략적으로 도시한 도면이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 인공 뉴럴 네트워크 학습 방법은 뉴럴 네트워크 학습 시스템(100)에 의해 수행될 수 있으며, 본 발명의 일 실시예에 따른 병리 검체에 대한 판단 결과 제공 방법은 병리 검체에 대한 판단 결과 제공 시스템(200; 이하, '판단 결과 제공 시스템'이라고 함)에 의해 수행될 수 있다. 상기 뉴럴 네트워크 학습 시스템(100)은 병리 검체에 대한 진단 정보, 예후 정보 및/또는 치료 방법에 대한 반응 정보를 제공하기 위한 인공 뉴럴 네트워크(300)를 학습할 수 있으며, 상기 판단 결과 제공 시스템(200)은 학습된 인공 뉴럴 네트워크(300)를 이용하여 대상 검체에 대한 각종 판단(예를 들어, 질병 발현 유무, 예후, 치료 방법에 대한 판단 등)을 할 수 있다.
상기 뉴럴 네트워크 학습 시스템(100) 및/또는 상기 판단 결과 제공 시스템(200)은 본 발명의 기술적 사상을 구현하기 위한 연산능력을 가진 데이터 처리장치인 컴퓨팅 시스템일 수 있으며, 일반적으로 네트워크를 통해 클라이언트가 접속 가능한 데이터 처리 장치인 서버뿐만 아니라 개인용 컴퓨터나 휴대 단말 등과 같은 컴퓨팅 장치를 포함할 수 있다.
상기 뉴럴 네트워크 학습 시스템(100) 및/또는 상기 판단 결과 제공 시스템(200)은 어느 하나의 물리적 장치로 구현될 수도 있으나, 필요에 따라 복수의 물리적 장치가 유기적으로 결합되어 본 발명의 기술적 사상에 따른 상기 뉴럴 네트워크 학습 시스템(100) 및/또는 상기 판단 결과 제공 시스템(200)을 구현할 수 있음을 본 발명의 기술분야의 평균적 전문가는 용이하게 추론할 수 있을 것이다.
상기 뉴럴 네트워크 학습 시스템(100)은 다수의 병리 검체로부터 생성된 학습 데이터에 기반하여 상기 뉴럴 네트워크(300)를 학습할 수 있다.
병리 검체는 인체의 각종 장기에서 채취한 생검 및 수술로 절제된 생체 조직일 수 있다. 상기 뉴럴 네트워크 학습 시스템(100)은 병리 검체의 연속된 섹션(serial section)의 디지털 병리 슬라이드 이미지를 이용하여 개별 학습 데이터를 생성하고, 이를 상기 뉴럴 네트워크(300)의 입력 레이어에 입력하여 상기 뉴럴 네트워크(300)를 학습할 수 있다.
일 실시예에서, 상기 뉴럴 네트워크(300)는 소정의 질병에 대해 질병의 발현여부에 대한 확률 값을 출력하도록 학습된 인공 뉴럴 네트워크일 수 있다. 상기 뉴럴 네트워크(300)는 입력 레이어를 통해 입력된 데이터에 기초하여 대상 검체에 대한 판단 결과(예를 들어, 질병의 발현여부의 가능성)를 나타내는 수치 값 즉, 확률 값을 출력할 수 있다.
본 명세서에서 인공 뉴럴 네트워크는 인간의 뉴런의 동작 원리에 기초하여 인공적으로 구축한 뉴럴 네트워크로서, 다층 퍼셉트론 모델을 포함하며, 인공 뉴럴 네트워크를 정의하는 일련의 설계사항들을 표현하는 정보의 집합을 의미할 수 있다.
일 실시예에서, 상기 인공 뉴럴 네트워크는 컨볼루셔널 뉴럴 네트워크이거나 혹은 컨볼루셔널 뉴럴 네트워크를 포함할 수 있다.
한편, 학습된 뉴럴 네트워크(300)는 상기 판단 결과 제공 시스템(200)에 저장될 수 있으며, 상기 판단 결과 제공 시스템(200) 학습된 인공 뉴럴 네트워크를 이용하여 소정의 진단 대상 검체에 대한 판단을 할 수 있다.
도 1에 도시된 바와 같이, 상기 뉴럴 네트워크 학습 시스템(100) 및/또는 상기 판단 결과 제공 시스템(200)은 소정의 모(母) 시스템(10)의 서브 시스템의 형태로 구현될 수도 있다. 상기 모 시스템(10)은 서버일 수 있다. 상기 서버(10)는 본 발명의 기술적 사상을 구현하기 위한 연산능력을 가진 데이터 처리장치를 의미하며, 일반적으로 네트워크를 통해 클라이언트가 접속 가능한 데이터 처리장치뿐만 아니라 개인용 컴퓨터, 휴대 단말 등과 같이 특정 서비스를 수행할 수 있는 어떠한 장치도 서버로 정의될 수 있음을 본 발명의 기술분야의 평균적 전문가는 용이하게 추론할 수 있을 것이다.
또는 실시예에 따라, 상기 뉴럴 네트워크 학습 시스템(100) 및 상기 판단 결과 제공 시스템(200)은 서로 분리된 형태로 구현될 수도 있다.
도 2는 본 발명의 일 실시예에 따른 뉴럴 네트워크 학습 방법을 설명하기 위한 흐름도이다.
도 2를 참조하면, 뉴럴 네트워크 학습 시스템(100)은 M개의 개별 학습 데이터(여기서, M은 2 이상의 자연수)를 포함하는 학습 데이터 세트를 생성할 수 있다. 이를 위하여 상기 뉴럴 네트워크 학습 시스템(100)은, 1<=m<=M인 모든 m에 대하여, 상기 학습 데이터 세트에 포함될 제m학습 데이터를 생성할 수 있다(S100).
학습 데이터 세트에 포함될 제m학습 데이터를 생성하기 위하여, 상기 뉴럴 네트워크 학습 시스템(100)은 제1 병리 슬라이드 이미지 내지 제N병리 슬라이드 이미지(여기서, N은 2 이상의 자연수)를 획득할 수 있다(S110).
이때, 상기 제1병리 슬라이드 이미지 내지 제N병리 슬라이드 이미지는, 단일 병리 검체에 대한 연속된 섹션(serial section)을 서로 다른 염색 시약으로 염색한 병리 슬라이드 이미지일 수 있다.
병리 검체의 각 섹션은 디지털 슬라이드 이미지를 제작하기 위하여 병리 검체를 슬라이스한 일부일 수 있으며, 병리 검체를 연속적으로 슬라이스하여 다수의 유리 슬라이드를 제작한 후 이들을 각각 서로 다른 염색 시약으로 염색하고 디지털화함으로써, 상기 제1병리 슬라이드 이미지 내지 제N병리 슬라이드 이미지가 생성될 수 있다. 이때, 염색 시약은 H&E(Hematoxylin and Eosin) 염색을 위한 시약 혹은 특정 표적을 IHC(immunohistochemistry) 염색하기 위한 시약일 수 있다.
예를 들어, 하나의 병리 검체를 연속적으로 슬라이스하고, 슬라이스된 각 섹션을 차례로 H&E 염색 시약, 제1 IHC 염색 시약, 제2 IHC 염색 시약 등으로 염색하여 유리 슬라이드를 제작한 후 이를 디지털 이미지화하여 해당 병리 검체에 상응하는 복수의 병리 슬라이드 이미지를 생성할 수 있다.
실시예에 따라, 상기 뉴럴 네트워크 학습 시스템(100)은 외부의 단말로부터 소정의 병리 검체에 상응하는 제1병리 슬라이드 이미지 내지 제N병리 슬라이드 이미지를 수신할 수 있으며, 병리 검체에 상응하는 제1병리 슬라이드 이미지 내지 제N병리 슬라이드 이미지를 미리 저장하고 있는 메모리 장치로부터 상기 제1병리 슬라이드 이미지 내지 제N병리 슬라이드 이미지를 획득할 수도 있다.
한편, 상기 뉴럴 네트워크 학습 시스템(100)은 상기 제1 병리 슬라이드 이미지 내지 상기 제N병리 슬라이드 이미지에 기초하여 상기 제m학습 데이터를 생성할 수 있다(S120).
일 실시예에서, 상기 뉴럴 네트워크 학습 시스템(100)은 채널 중첩 방식을 통해 제m학습 데이터를 생성할 수 있다. 즉, 상기 뉴럴 네트워크 학습 시스템(100)은 상기 제1병리 슬라이드 이미지 내지 상기 제N병리 슬라이드 이미지를 채널 중첩(channel stacking)을 통해 하나의 다채널 이미지로 변환할 수 있으며, 상기 제m학습 데이터는 상기 다채널 이미지를 포함할 수 있다.
도 3은 채널 중첩을 통해 RGB 색모델로 표현되는 복수의 병리 슬라이드 이미지에 의해 생성되는 하나의 다채널 이미지를 나타내는 도면이다. 도 3은 단일 병리 검체에서 추출된 4개의 연속된 섹션의 슬라이드 이미지를 다채널 이미지로 변환하는 경우를 도시하고 있다.
도 3을 참조하면, 다채널 이미지(20)는 슬라이드 이미지의 개수인 4와 각 슬라이드 이미지를 구성하는 채널의 개수인 3인 곱인 12개의 채널로 구성될 수 있으며, 제1채널(21-1)은 제1슬라이드 이미지의 각 픽셀의 R 채널 값으로 구성될 수 있으며, 제2채널(21-2)은 제1슬라이드 이미지의 각 픽셀의 G 채널 값으로 구성될 수 있으며, 제3채널(21-3)은 제1슬라이드 이미지의 각 픽셀의 B 채널 값으로 구성될 수 있으며,
제1채널(21-1)은 제1슬라이드 이미지의 각 픽셀의 R 채널 값으로 구성될 수 있으며, 제2채널(21-2)은 제1슬라이드 이미지의 각 픽셀의 G 채널 값으로 구성될 수 있으며, 제3채널(21-3)은 제1슬라이드 이미지의 각 픽셀의 B 채널 값으로 구성될 수 있으며, 제4채널(22-1)은 제2슬라이드 이미지의 각 픽셀의 R 채널 값으로 구성될 수 있으며, 제5채널(22-2)은 제2슬라이드 이미지의 각 픽셀의 G 채널 값으로 구성될 수 있으며, 제6채널(22-3)은 제2슬라이드 이미지의 각 픽셀의 B 채널 값으로 구성될 수 있으며, 제7채널(23-1)은 제3슬라이드 이미지의 각 픽셀의 R 채널 값으로 구성될 수 있으며, 제8채널(23-2)은 제3슬라이드 이미지의 각 픽셀의 G 채널 값으로 구성될 수 있으며, 제9채널(23-3)은 제1슬라이드 이미지의 각 픽셀의 B 채널 값으로 구성될 수 있으며, 제10채널(24-1)은 제4슬라이드 이미지의 각 픽셀의 R 채널 값으로 구성될 수 있으며, 제11채널(24-2)은 제4슬라이드 이미지의 각 픽셀의 G 채널 값으로 구성될 수 있으며, 제12채널(24-3)은 제4슬라이드 이미지의 각 픽셀의 B 채널 값으로 구성될 수 있다.
한편, 단일 병리 검체에서 추출된 각 병리 슬라이드 이미지는 해당 슬라이드 이미지를 제작하는 과정에서 위치나 방향이 조금씩 어긋날 수 있다. 이 경우 각 병리 슬라이드 이미지의 채널 중첩을 수행하기 전에 각 병리 슬라이드 이미지를 정합하는 과정이 수행되어야 할 수 있는데, 이 경우의 흐름도가 도 4에 도시되어 있다.
도 4를 참조하면, 상기 뉴럴 네트워크 학습 시스템(100)은 상기 제1병리 슬라이드 이미지 내지 상기 제N병리 슬라이드 이미지 내에 존재하는 생체 조직 영역을 특정할 수 있다(S121).
상기 뉴럴 네트워크 학습 시스템(100)이 이미지로부터 생체 조직 영역을 특정하는 방법은 다양할 수 있다. 일 실시예에서, 상기 뉴럴 네트워크 학습 시스템(100)은 슬라이드 이미지에 생체 조직 영역에 대한 정보가 미리 어노테이션되어 있는 경우 해당 정보를 이용하여 생체 조직 영역을 특정할 수 있다. 또는 상기 뉴럴 네트워크 학습 시스템(100)은 미리 학습된 생체 조직 영역 판단용 뉴럴 네트워크를 이용하여 생체 조직 영역을 특정할 수도 있다. 또는 알려진 다양한 방법을 통해 생체 조직 영역을 특정할 수 있다.
한편 상기 뉴럴 네트워크 학습 시스템(100)은 상기 제1병리 슬라이드 내지 상기 제N병리 슬라이드 이미지 각각에 존재하는 생체 조직 영역 간의 위치 및 형태가 일치하도록 상기 제1병리 슬라이드 내지 상기 제N병리 슬라이드 이미지를 정합할 수 있다(S122). 일 실시예에서, 상기 뉴럴 네트워크 학습 시스템(100)은, 2<=j<=N인 모든 자연수 j에 대하여, 제(j-1)병리 슬라이드 이미지 내의 생체 조직 영역과 제j병리 슬라이드 이미지 내의 생체 조직 영역 간의 위치 및 형태가 일치하도록 제(j-1)병리 슬라이드 이미지와 제j병리 슬라이드 이미지를 정합하는 과정을 반복 수행할 수 있다.
이미지 정합은 분야에서 활용되는 기법으로서, 서로 다른 영상을 변형하여 하나의 좌표계에 나타내는 처리기법을 의미한다. 두 이미지를 정합하는 방법은 해당 이미지에 포함된 조직 영역의 컨투어가 최대한 유사하게 되도록 변환하는 방법 또는 조직 영역 내의 특징점이 최대한 일치하도록 변환하는 방법 등이 있을 수 있으며, 구체적으로 SIFT(Scale-Invariant Feature Transform)나 SSD(Sum of Squared Difference), SAD(Sum of Absolute Difference), NCC(Normalized Cross Correlation) 등을 통해 측정되는 두 이미지 간의 유사도에 기반한 정합 알고리즘이 이용될 수 있다.
한편, 제1병리 슬라이드 이미지 내지 상기 정합된 제N병리 슬라이드 이미지를 정합하는 과정에서, 정합되는 각 병리 슬라이드 간의 변환 관계가 산출될 수 있다. 즉, 상기 뉴럴 네트워크 학습 시스템(100)은, 1<=i<=N인 모든 자연수 i에 대하여, 제i병리 슬라이드 이미지에 상응하는 변환 관계를 산출할 수 있다. 여기서, 상기 제i병리 슬라이드 이미지에 상응하는 변환 관계는, 상기 제i병리 슬라이드 이미지와 그에 대응되는 정합된 제i병리 슬라이드 이미지 간의 변환 관계이다.
계속해서 도 4를 참조하면, 상기 뉴럴 네트워크 학습 시스템(100)은 상기 정합된 제1병리 슬라이드 이미지 내지 상기 정합된 제N병리 슬라이드 이미지를 채널 중첩(channel stacking)을 통해 하나의 다채널 이미지로 변환할 수 있으며(S123), 이는 도 3을 참조하여 앞서 설명한 바와 유사하므로 자세한 설명은 생략하기로 한다.
일 실시예에서, 각 병리 슬라이드 이미지에는 병변 영역이 미리 어노테이션되어 있을 수 있으며, 이러한 경우 미리 어노테이션된 병변 어노테이션 영역이 학습 데이터에 추가적으로 포함될 수 있다.
이에 대하여 보다 상세하게 설명하면, 상기 뉴럴 네트워크 학습 시스템(100)은 1<=j<=N인 모든 자연수 j에 대하여, 제j병리 슬라이드 이미지에 부여된 병변 어노테이션 영역을 상기 제j병리 슬라이드 이미지에 상응하는 변환 관계를 이용하여 변형하고, 상기 변형된 제1병리 슬라이드 이미지의 병변 어노테이션 영역 내지 상기 변형된 제N병리 슬라이드 이미지의 병변 어노테이션 영역을 채널 중첩을 통해 하나의 다채널 병변 어노테이션 영역으로 변환할 수 있으며, 상기 제m학습 데이터는 상기 다채널 병변 어노테이션 영역을 더 포함할 수 있다.
한편, 상기 제m학습 데이터에 상응하는 병리 검체에 대한 진단 정보, 예후 정보, 및/또는 특정 치료 방법에 대한 반응 정보가 존재하는 경우, 상기 뉴럴 네트워크 학습 시스템(100)은 이를 제m학습 데이터의 레이블로 설정할 수 있다.
위와 같은 방법을 통해 M개의 개별 학습 데이터를 포함하는 학습 데이터 세트가 생성되면, 상기 뉴럴 네트워크 학습 시스템(100)은 생성된 학습 데이터 세트를 상기 뉴럴 네트워크(300)의 입력 레이어로 입력하여 상기 뉴럴 네트워크(300)를 학습할 수 있다(도 2의 S130).
이와 같은 본 발명의 기술적 사상에 따른 뉴럴 네트워크 학습 방법은 multiplex IHC와 같은 고비용의 일반화되지 않은 방법 대신 널리 사용되고 있는 방법을 활용하여 생성한 여러 장의 병리 슬라이드 이미지를 중첩하여 활용할 수 있도록 함으로써 multiplex IHC와 유사한 효과를 얻을 수 있으며, 또한 multiplex IHC 결과를 색상 필터링을 통해 표적 별로 위치 정보를 분리하는 과정에서 발생할 수 있는 오류 가능성을 차단함으로써 종양미세환경 분석의 정확도를 높일 수 있게 되는 효과가 있다.
도 5는 본 발명의 일 실시예에 따른 병리 검체에 대한 판단 결과 제공 방법의 일 예를 도시한 흐름도이다. 도 5에 따른 병리 검체에 대한 판단 결과 제공 방법은 판단 결과 제공 시스템(200)에 의하여 수행될 수 있으며, 상기 판단 결과 제공 시스템(200)은 상기 뉴럴 네트워크 학습 시스템(100)에 의해 학습된 인공 뉴럴 네트워크(300)가 저장되어 있을 수 있다.
도 5를 참조하면, 상기 판단 결과 제공 시스템(200)은 소정의 판단 대상 병리 검체의 제1판단 대상 병리 슬라이드 이미지 내지 제N판단 대상 병리 슬라이드 이미지를 획득할 수 있다(S210). 이때, 상기 제1판단 대상 병리 슬라이드 이미지 내지 상기 제N판단 대상 병리 슬라이드 이미지는, 상기 판단 대상 병리 검체에 대한 연속된 섹션(serial section)을 서로 다른 염색 시약으로 염색한 병리 슬라이드 이미지이다.
상기 판단 결과 제공 시스템(200)은 판단 대상 검체의 제1 병리 슬라이드 이미지 내지 제N병리 슬라이드 이미지에 기초하여 입력 데이터를 생성할 수 있다(S220). 상기 판단 대상 검체의 제1 병리 슬라이드 이미지 내지 제N병리 슬라이드 이미지에 상응하는 입력 데이터를 생성하는 과정은 앞서 도 3 내지 도4를 참조하여 설명한 과정과 매우 유사하므로 별도의 설명은 생략하기로 한다.
상기 판단 결과 제공 시스템(200)은 상기 인공 뉴럴 네트워크(300)에 입력 데이터를 입력하고, 상기 인공 뉴럴 네트워크가 출력한 결과에 기초하여 상기 판단 대상 병리 검체에 대한 판단 결과를 출력할 수 있다(S230).
도 6은 본 발명의 일 실시예에 따른 인공 뉴럴 네트워크 학습 시스템(100)의 개략적인 구성을 도시한 도면이며, 도 7은 발명의 일 실시예에 따른 판단 결과 제공 시스템(200)의 개략적인 구성을 도시한 도면이다.
상기 인공 뉴럴 네트워크 학습 시스템(100) 및 판단 결과 제공 시스템(200)은 본 발명의 기술적 사상을 구현하기 위해 필요한 하드웨어 리소스(resource) 및/또는 소프트웨어를 구비한 논리적인 구성을 의미할 수 있으며, 반드시 하나의 물리적인 구성요소를 의미하거나 하나의 장치를 의미하는 것은 아니다. 즉, 상기 인공 뉴럴 네트워크 학습 시스템(100) 및 판단 결과 제공 시스템(200)은 본 발명의 기술적 사상을 구현하기 위해 구비되는 하드웨어 및/또는 소프트웨어의 논리적인 결합을 의미할 수 있으며, 필요한 경우에는 서로 이격된 장치에 설치되어 각각의 기능을 수행함으로써 본 발명의 기술적 사상을 구현하기 위한 논리적인 구성들의 집합으로 구현될 수도 있다. 또한, 상기 인공 뉴럴 네트워크 학습 시스템(100) 및 판단 결과 제공 시스템(200)은 본 발명의 기술적 사상을 구현하기 위한 각각의 기능 또는 역할별로 별도로 구현되는 구성들의 집합을 의미할 수도 있다. 인공 뉴럴 네트워크 학습 시스템(100) 및 판단 결과 제공 시스템(200)의 각 구성은 서로 다른 물리적 장치에 위치할 수도 있고, 동일한 물리적 장치에 위치할 수도 있다. 또한, 구현 예에 따라서는 상기 인공 뉴럴 네트워크 학습 시스템(100) 및 판단 결과 제공 시스템(200)의 구성 요소 각각을 구성하는 소프트웨어 및/또는 하드웨어의 결합 역시 서로 다른 물리적 장치에 위치하고, 서로 다른 물리적 장치에 위치한 구성들이 서로 유기적으로 결합되어 각각의 상기 모듈들을 구현할 수도 있다.
또한, 본 명세서에서 모듈이라 함은, 본 발명의 기술적 사상을 수행하기 위한 하드웨어 및 상기 하드웨어를 구동하기 위한 소프트웨어의 기능적, 구조적 결합을 의미할 수 있다. 예컨대, 상기 모듈은 소정의 코드와 상기 소정의 코드가 수행되기 위한 하드웨어 리소스(resource)의 논리적인 단위를 의미할 수 있으며, 반드시 물리적으로 연결된 코드를 의미하거나, 한 종류의 하드웨어를 의미하는 것은 아님은 본 발명의 기술분야의 평균적 전문가에게는 용이하게 추론될 수 있다.
도 6을 참조하면, 상기 인공 뉴럴 네트워크 학습 시스템(100)은 저장모듈(110), 획득모듈(120), 생성모듈(130) 및 학습모듈(140)을 포함할 수 있다. 본 발명의 실시예에 따라서는, 상술한 구성요소들 중 일부 구성요소는 반드시 본 발명의 구현에 필수적으로 필요한 구성요소에 해당하지 않을 수도 있으며, 또한 실시예에 따라 상기 인공 뉴럴 네트워크 학습 시스템(100)은 이보다 더 많은 구성요소를 포함할 수도 있음은 물론이다. 예를 들어 상기 인공 뉴럴 네트워크 학습 시스템(100)은 외부 장치와 통신하기 위한 통신모듈(미도시), 상기 인공 뉴럴 네트워크 학습 시스템(100)의 구성요소 및 리소스를 제어하기 위한 제어모듈(미도시)을 더 포함할 수 있다.
상기 저장모듈(110)은 학습될 인공 뉴럴 네트워크(40)를 저장할 수 있다.
상기 획득모듈(120)은 각각의 단일 병리 검체에 대한 연속된 섹션을 서로 다른 염색 시약으로 염색한 제1병리 슬라이지 내지 제N병리 슬라이드 이미지를 획득할 수 있다.
상기 생성모듈(130)은 상기 제1병리 슬라이지 내지 상기 제N병리 슬라이드 이미지에 기초하여 개별 학습 데이터를 생성할 수 있으며, 복수의 개별 학습 데이터를 포함하는 학습 데이터 세트를 구성할 수 있다.
상기 학습모듈(140)은 상기 학습 데이터 세트에 기초하여 상기 인공 뉴럴 네트워크(300)를 학습할 수 있다.
도 7을 참조하면, 상기 판단 결과 제공 시스템(200)은 저장모듈(210), 획득모듈(220), 생성모듈(230) 및 판단모듈(240)을 포함할 수 있다. 본 발명의 실시예에 따라서는, 상술한 구성요소들 중 일부 구성요소는 반드시 본 발명의 구현에 필수적으로 필요한 구성요소에 해당하지 않을 수도 있으며, 또한 실시예에 따라 상기 판단 결과 제공 시스템(200) 은 이보다 더 많은 구성요소를 포함할 수도 있음은 물론이다. 예를 들어 상기 판단 결과 제공 시스템(200)은 상기 3축 진동 센서(20)와 통신하기 위한 통신모듈(미도시), 상기 판단 결과 제공 시스템(200)의 구성요소 및 리소스를 제어하기 위한 제어모듈(미도시)을 더 포함할 수 있다.
상기 저장모듈(210)은 학습된 인공 뉴럴 네트워크(40)를 저장할 수 있다.
상기 획득모듈(220)은 소정의 판단 대상 병리 검체의 연속된 섹션(serial section)을 서로 다른 염색 시약으로 염색한 제1판단 대상 병리 슬라이드 이미지 내지 제N판단 대상 병리 슬라이드 이미지를 획득할 수 있다.
상기 생성모듈(230)은 상기 제1판단 대상 병리 슬라이지 내지 상기 제N판단 대상 병리 슬라이드 이미지에 기초하여 입력 데이터를 생성할 수 있다.
상기 판단모듈(240)은 상기 입력 데이터를 상기 인공 뉴럴 네트워크에 입력하고, 상기 인공 뉴럴 네트워크(40)에서 출력되는 예측 값에 기초하여 상기 판단 대상 검체에 대한 판단을 수행할 수 있다.
한편, 구현 예에 따라서, 상기 인공 뉴럴 네트워크 학습 시스템(100) 및 판단 결과 제공 시스템(200)은 프로세서 및 상기 프로세서에 의해 실행되는 프로그램을 저장하는 메모리를 포함할 수 있다. 상기 프로세서는 싱글 코어 CPU혹은 멀티 코어 CPU를 포함할 수 있다. 메모리는 고속 랜덤 액세스 메모리를 포함할 수 있고 하나 이상의 자기 디스크 저장 장치, 플래시 메모리 장치, 또는 기타 비휘발성 고체상태 메모리 장치와 같은 비휘발성 메모리를 포함할 수도 있다. 프로세서 및 기타 구성 요소에 의한 메모리로의 액세스는 메모리 컨트롤러에 의해 제어될 수 있다.
한편, 본 발명의 실시예에 따른 방법은 컴퓨터가 읽을 수 있는 프로그램 명령 형태로 구현되어 컴퓨터로 읽을 수 있는 기록 매체에 저장될 수 있으며, 본 발명의 실시예에 따른 제어 프로그램 및 대상 프로그램도 컴퓨터로 판독 가능한 기록 매체에 저장될 수 있다. 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다.
기록 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 소프트웨어 분야 당업자에게 공지되어 사용 가능한 것일 수도 있다.
컴퓨터로 읽을 수 있는 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media) 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 전자적으로 정보를 처리하는 장치, 예를 들어, 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
상술한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시 예들은 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 구성요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타나며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (12)

  1. 인공 뉴럴 네트워크를 학습하는 방법으로서,
    뉴럴 네트워크 학습 시스템이, M개의 개별 학습 데이터(여기서, M은 2 이상의 자연수)를 포함하는 학습 데이터 세트를 생성하는 단계; 및
    상기 뉴럴 네트워크 학습 시스템이, 상기 학습 데이터 세트에 기초하여 상기 인공 뉴럴 네트워크를 학습하는 단계를 포함하되,
    상기 M개의 개별 학습 데이터를 포함하는 학습 데이터 세트를 생성하는 단계는, 1<=m<=M인 모든 m에 대하여, 상기 학습 데이터 세트에 포함될 제m학습 데이터를 생성하는 단계를 포함하고,
    상기 제m학습 데이터를 생성하는 단계는,
    제1 병리 슬라이드 이미지 내지 제N병리 슬라이드 이미지(여기서, N은 2 이상의 자연수)를 획득하는 단계-여기서, 상기 제1병리 슬라이드 이미지 내지 제N병리 슬라이드 이미지는, 단일 병리 검체에 대한 연속된 섹션(serial section)을 서로 다른 염색 시약으로 염색한 병리 슬라이드 이미지임; 및
    상기 제1 병리 슬라이드 이미지 내지 상기 제N병리 슬라이드 이미지에 기초하여 상기 제m학습 데이터를 생성하는 단계를 포함하는 인공 뉴럴 네트워크 학습 방법.
  2. 제1항에 있어서,
    상기 제1병리 슬라이드 이미지 내지 상기 제N병리 슬라이드 이미지에 기초하여 상기 제m학습 데이터를 생성하는 단계는,
    상기 제1병리 슬라이드 이미지 내지 상기 제N병리 슬라이드 이미지를 채널 중첩(channel stacking)을 통해 하나의 다채널 이미지로 변환하는 단계를 포함하고,
    상기 제m학습 데이터는 상기 다채널 이미지를 포함하는 인공 뉴럴 네트워크 학습 방법.
  3. 제1항에 있어서,
    상기 제1 병리 슬라이드 이미지 내지 상기 제N병리 슬라이드 이미지에 기초하여 상기 제m학습 데이터를 생성하는 단계는,
    상기 제1병리 슬라이드 이미지 내지 상기 제N병리 슬라이드 이미지 내에 존재하는 생체 조직 영역을 특정하는 단계;
    상기 제1병리 슬라이드 내지 상기 제N병리 슬라이드 이미지 각각에 존재하는 생체 조직 영역 간의 위치 및 형태가 일치하도록 상기 제1병리 슬라이드 내지 상기 제N병리 슬라이드 이미지를 정합하는 단계; 및
    상기 정합된 제1병리 슬라이드 이미지 내지 상기 정합된 제N병리 슬라이드 이미지를 채널 중첩(channel stacking)을 통해 하나의 다채널 이미지로 변환하는 단계를 포함하고,
    상기 제m학습 데이터는 상기 다채널 이미지를 포함하는 인공 뉴럴 네트워크 학습 방법.
  4. 제3항에 있어서,
    상기 제1병리 슬라이드 내지 상기 제N병리 슬라이드 이미지 각각에 존재하는 생체 조직 영역 간의 위치 및 형태가 일치하도록 상기 제1병리 슬라이드 내지 상기 제N병리 슬라이드 이미지를 정합하는 단계는,
    1<=i<=N인 모든 자연수 i에 대하여, 제i병리 슬라이드 이미지에 상응하는 변환 관계를 산출하는 단계를 포함하고(여기서, 상기 제i병리 슬라이드 이미지에 상응하는 변환 관계는, 상기 제i병리 슬라이드 이미지와 그에 대응되는 정합된 제i병리 슬라이드 이미지 간의 변환 관계임),
    상기 제1병리 슬라이드 이미지 내지 상기 제N병리 슬라이드 이미지에 기초하여 상기 제m학습 데이터를 생성하는 단계는,
    1<=j<=N인 모든 자연수 j에 대하여, 제j병리 슬라이드 이미지에 부여된 병변 어노테이션 영역을 상기 제j병리 슬라이드 이미지에 상응하는 변환 관계를 이용하여 변형하는 단계; 및
    상기 변형된 제1병리 슬라이드 이미지의 병변 어노테이션 영역 내지 상기 변형된 제N병리 슬라이드 이미지의 병변 어노테이션 영역을 채널 중첩(channel stacking)을 통해 하나의 다채널 병변 어노테이션 영역으로 변환하는 단계를 더 포함하고,
    상기 제m학습 데이터는 상기 다채널 병변 어노테이션 영역을 더 포함하는 인공 뉴럴 네트워크 학습 방법.
  5. 제1항에 기재된 인공 뉴럴 네트워크 학습 방법에 의해 학습된 인공 뉴럴 네트워크를 통해 소정의 판단 대상 병리 검체에 대한 판단 결과를 제공하는 방법으로서,
    컴퓨팅 시스템이, 제1판단 대상 병리 슬라이드 이미지 내지 제N판단 대상 병리 슬라이드 이미지(여기서, N은 2 이상의 자연수)를 획득하는 단계-여기서, 상기 제1판단 대상 병리 슬라이드 이미지 내지 상기 제N판단 대상 병리 슬라이드 이미지는, 상기 판단 대상 병리 검체에 대한 연속된 섹션(serial section)을 서로 다른 염색 시약으로 염색한 병리 슬라이드 이미지임; 및
    상기 컴퓨팅 시스템이, 상기 인공 뉴럴 네트워크가 상기 제1판단 대상 병리 슬라이드 이미지 내지 상기 제N판단 대상 병리 슬라이드 이미지에 기초하여 판단한 상기 판단 대상 병리 검체에 대한 판단 결과를 출력하는 단계를 포함하는 방법.
  6. 데이터 처리장치에 설치되며 제1항 내지 제5항 중 어느 한 항에 기재된 방법을 수행하기 위한 매체에 기록된 컴퓨터 프로그램.
  7. 제1항 내지 제5항 중 어느 한 항에 기재된 방법을 수행하기 위한 컴퓨터 프로그램이 기록된 컴퓨터 판독 가능한 기록매체.
  8. 인공 뉴럴 네트워크 학습 시스템으로서,
    프로세서; 및 컴퓨터 프로그램을 저장하는 메모리를 포함하고,
    상기 컴퓨터 프로그램은, 상기 프로세서에 의해 실행되는 경우, 상기 인공 뉴럴 네트워크 학습 시스템으로 하여금 인공 뉴럴 네트워크 학습 방법을 수행하도록 하며,
    상기 인공 뉴럴 네트워크 학습 방법은,
    상기 뉴럴 네트워크 학습 시스템이, M개의 개별 학습 데이터(여기서, M은 2 이상의 자연수)를 포함하는 학습 데이터 세트를 생성하는 단계; 및
    상기 뉴럴 네트워크 학습 시스템이, 상기 학습 데이터 세트에 기초하여 상기 인공 뉴럴 네트워크를 학습하는 단계를 포함하되,
    상기 M개의 개별 학습 데이터를 포함하는 학습 데이터 세트를 생성하는 단계는, 1<=m<=M인 모든 m에 대하여, 상기 학습 데이터 세트에 포함될 제m학습 데이터를 생성하는 단계를 포함하고,
    상기 제m학습 데이터를 생성하는 단계는,
    제1 병리 슬라이드 이미지 내지 제N병리 슬라이드 이미지(여기서, N은 2 이상의 자연수)를 획득하는 단계-여기서, 상기 제1병리 슬라이드 이미지 내지 제N병리 슬라이드 이미지는, 단일 병리 검체에 대한 연속된 섹션(serial section)을 서로 다른 염색 시약으로 염색한 병리 슬라이드 이미지임;
    상기 제1 병리 슬라이드 이미지 내지 상기 제N병리 슬라이드 이미지에 기초하여 상기 제m학습 데이터를 생성하는 단계를 포함하는 인공 뉴럴 네트워크 학습 시스템.
  9. 제8항에 있어서,
    상기 제1병리 슬라이드 이미지 내지 상기 제N병리 슬라이드 이미지에 기초하여 상기 제m학습 데이터를 생성하는 단계는,
    상기 제1병리 슬라이드 이미지 내지 상기 제N병리 슬라이드 이미지를 채널 중첩(channel stacking)을 통해 하나의 다채널 이미지로 변환하는 단계를 포함하고,
    상기 제m학습 데이터는 상기 다채널 이미지를 포함하는 인공 뉴럴 네트워크 학습 방법.
  10. 제8항에 있어서,
    상기 제1 병리 슬라이드 이미지 내지 상기 제N병리 슬라이드 이미지에 기초하여 상기 제m학습 데이터를 생성하는 단계는,
    상기 제1병리 슬라이드 이미지 내지 상기 제N병리 슬라이드 이미지 내에 존재하는 생체 조직 영역을 특정하는 단계;
    상기 제1병리 슬라이드 내지 상기 제N병리 슬라이드 이미지 각각에 존재하는 생체 조직 영역 간의 위치 및 형태가 일치하도록 상기 제1병리 슬라이드 내지 상기 제N병리 슬라이드 이미지를 정합하는 단계; 및
    상기 정합된 제1병리 슬라이드 이미지 내지 상기 정합된 제N병리 슬라이드 이미지를 채널 중첩(channel stacking)을 통해 하나의 다채널 이미지로 변환하는 단계를 포함하고,
    상기 제m학습 데이터는 상기 다채널 이미지를 포함하는 인공 뉴럴 네트워크 학습 시스템.
  11. 제10항에 있어서,
    상기 제1병리 슬라이드 내지 상기 제N병리 슬라이드 이미지 각각에 존재하는 생체 조직 영역 간의 위치 및 형태가 일치하도록 상기 제1병리 슬라이드 내지 상기 제N병리 슬라이드 이미지를 정합하는 단계는,
    1<=i<=N인 모든 자연수 i에 대하여, 제i병리 슬라이드 이미지에 상응하는 변환 관계를 산출하는 단계를 포함하고(여기서, 상기 제i병리 슬라이드 이미지에 상응하는 변환 관계는, 상기 제i병리 슬라이드 이미지와 그에 대응되는 정합된 제i병리 슬라이드 이미지 간의 변환 관계임),
    상기 제1병리 슬라이드 이미지 내지 상기 제N병리 슬라이드 이미지에 기초하여 상기 제m학습 데이터를 생성하는 단계는,
    1<=j<=N인 모든 자연수 j에 대하여, 제j병리 슬라이드 이미지에 부여된 병변 어노테이션 영역을 상기 제j병리 슬라이드 이미지에 상응하는 변환 관계를 이용하여 변형하는 단계; 및
    상기 변형된 제1병리 슬라이드 이미지의 병변 어노테이션 영역 내지 상기 변형된 제N병리 슬라이드 이미지의 병변 어노테이션 영역을 채널 중첩(channel stacking)을 통해 하나의 다채널 병변 어노테이션 영역으로 변환하는 단계를 더 포함하고,
    상기 제m학습 데이터는 상기 다채널 병변 어노테이션 영역을 더 포함하는 인공 뉴럴 네트워크 학습 시스템.
  12. 병리 검체에 대한 판단 결과 제공 시스템으로서,
    프로세서; 및 컴퓨터 프로그램을 저장하는 메모리를 포함하고,
    상기 컴퓨터 프로그램은, 상기 프로세서에 의해 실행되는 경우, 상기 판단 결과 제공 시스템으로 하여금 제1항에 기재된 인공 뉴럴 네트워크 학습 방법에 의해 학습된 인공 뉴럴 네트워크를 통해 병리 검체에 대한 판단 결과를 제공하는 방법을 수행하도록 하며,
    상기 판단 결과를 제공하는 방법은,
    상기 판단 결과 제공 시스템이, 제1판단 대상 병리 슬라이드 이미지 내지 제N판단 대상 병리 슬라이드 이미지(여기서, N은 2 이상의 자연수)를 획득하는 단계-여기서, 상기 제1판단 대상 병리 슬라이드 이미지 내지 상기 제N판단 대상 병리 슬라이드 이미지는, 소정의 판단 대상 병리 검체에 대한 연속된 섹션(serial section)을 서로 다른 염색 시약으로 염색한 병리 슬라이드 이미지임; 및
    상기 판단 결과 제공 시스템이, 상기 인공 뉴럴 네트워크가 상기 제1판단 대상 병리 슬라이드 이미지 내지 상기 제N판단 대상 병리 슬라이드 이미지에 기초하여 판단한 상기 판단 대상 병리 검체에 대한 판단 결과를 출력하는 단계를 포함하는 병리 검체에 대한 판단 결과 제공 시스템.
KR1020210001912A 2021-01-07 2021-01-07 병리 검체에 대한 판단 결과를 제공하는 인공 뉴럴 네트워크의 학습 방법, 및 이를 수행하는 컴퓨팅 시스템 KR102246319B1 (ko)

Priority Applications (5)

Application Number Priority Date Filing Date Title
KR1020210001912A KR102246319B1 (ko) 2021-01-07 2021-01-07 병리 검체에 대한 판단 결과를 제공하는 인공 뉴럴 네트워크의 학습 방법, 및 이를 수행하는 컴퓨팅 시스템
EP22736871.9A EP4258283A1 (en) 2021-01-07 2022-01-07 Method for training artificial neural network providing determination result of pathological specimen, and computing system for performing same
PCT/KR2022/000269 WO2022149894A1 (ko) 2021-01-07 2022-01-07 병리 검체에 대한 판단 결과를 제공하는 인공 뉴럴 네트워크의 학습 방법, 및 이를 수행하는 컴퓨팅 시스템
CN202280009439.3A CN116783662A (zh) 2021-01-07 2022-01-07 对病理样本提供判断结果的人工神经网络的学习方法及执行其的计算系统
JP2023540030A JP2024502806A (ja) 2021-01-07 2022-01-07 病理検体に対する判断結果を提供する人工ニューラルネットワークの学習方法、及びこれを行うコンピューティングシステム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210001912A KR102246319B1 (ko) 2021-01-07 2021-01-07 병리 검체에 대한 판단 결과를 제공하는 인공 뉴럴 네트워크의 학습 방법, 및 이를 수행하는 컴퓨팅 시스템

Publications (1)

Publication Number Publication Date
KR102246319B1 true KR102246319B1 (ko) 2021-05-03

Family

ID=75910856

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210001912A KR102246319B1 (ko) 2021-01-07 2021-01-07 병리 검체에 대한 판단 결과를 제공하는 인공 뉴럴 네트워크의 학습 방법, 및 이를 수행하는 컴퓨팅 시스템

Country Status (5)

Country Link
EP (1) EP4258283A1 (ko)
JP (1) JP2024502806A (ko)
KR (1) KR102246319B1 (ko)
CN (1) CN116783662A (ko)
WO (1) WO2022149894A1 (ko)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022149894A1 (ko) * 2021-01-07 2022-07-14 주식회사 딥바이오 병리 검체에 대한 판단 결과를 제공하는 인공 뉴럴 네트워크의 학습 방법, 및 이를 수행하는 컴퓨팅 시스템
KR102471515B1 (ko) * 2022-03-31 2022-11-28 주식회사 딥바이오 면역조직화학 염색 이미지를 분석하기 위한 기계학습모델을 학습하는 방법 및 이를 수행하는 컴퓨팅 시스템
WO2023287235A1 (ko) * 2021-07-14 2023-01-19 주식회사 루닛 병리 이미지 분석 방법 및 시스템
US11568539B1 (en) 2021-12-30 2023-01-31 Seoul National University Hospital Apparatus and method for prostate cancer analysis
WO2023113414A1 (ko) * 2021-12-13 2023-06-22 주식회사 딥바이오 병리 검체에 대한 판단 결과를 제공하는 인공 뉴럴 네트워크의 학습 방법, 및 이를 수행하는 컴퓨팅 시스템
WO2023167448A1 (ko) * 2022-03-03 2023-09-07 주식회사 루닛 병리 슬라이드 이미지를 분석하는 방법 및 장치
KR102579826B1 (ko) * 2022-12-09 2023-09-18 (주) 브이픽스메디칼 인공지능 기반 진단 보조 정보 제공 방법, 장치 및 시스템

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180066983A (ko) * 2016-12-11 2018-06-20 주식회사 딥바이오 뉴럴 네트워크를 이용한 질병의 진단 시스템 및 그 방법
KR20190143510A (ko) * 2018-06-04 2019-12-31 주식회사 딥바이오 투 페이스 질병 진단 시스템 및 그 방법
KR20200016658A (ko) * 2018-08-07 2020-02-17 주식회사 딥바이오 뉴럴 네트워크를 이용한 질병의 진단 시스템 및 방법
JP6650453B2 (ja) 2014-12-03 2020-02-19 ベンタナ メディカル システムズ， インコーポレイテッド 早期癌予知のための計算病理学システム及び方法
KR20200044183A (ko) * 2018-10-05 2020-04-29 주식회사 딥바이오 병리 이미지 검색을 위한 시스템 및 방법
KR102108050B1 (ko) * 2019-10-21 2020-05-07 가천대학교 산학협력단 증강 컨볼루션 네트워크를 통한 유방암 조직학 이미지 분류 방법 및 그 장치
KR20200101540A (ko) * 2019-02-01 2020-08-28 장현재 피부 이미지 기반의 인공지능 딥러닝을 이용한 피부질환 판별용 api 엔진을 구성하는 스마트 피부질환 판별 플랫폼시스템

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS61216526A (ja) 1985-03-22 1986-09-26 Nec Ic Microcomput Syst Ltd 周波数−ディジタル変換回路
KR102246319B1 (ko) * 2021-01-07 2021-05-03 주식회사 딥바이오 병리 검체에 대한 판단 결과를 제공하는 인공 뉴럴 네트워크의 학습 방법, 및 이를 수행하는 컴퓨팅 시스템

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6650453B2 (ja) 2014-12-03 2020-02-19 ベンタナ メディカル システムズ， インコーポレイテッド 早期癌予知のための計算病理学システム及び方法
KR20180066983A (ko) * 2016-12-11 2018-06-20 주식회사 딥바이오 뉴럴 네트워크를 이용한 질병의 진단 시스템 및 그 방법
KR20190143510A (ko) * 2018-06-04 2019-12-31 주식회사 딥바이오 투 페이스 질병 진단 시스템 및 그 방법
KR20200016658A (ko) * 2018-08-07 2020-02-17 주식회사 딥바이오 뉴럴 네트워크를 이용한 질병의 진단 시스템 및 방법
KR20200044183A (ko) * 2018-10-05 2020-04-29 주식회사 딥바이오 병리 이미지 검색을 위한 시스템 및 방법
KR20200101540A (ko) * 2019-02-01 2020-08-28 장현재 피부 이미지 기반의 인공지능 딥러닝을 이용한 피부질환 판별용 api 엔진을 구성하는 스마트 피부질환 판별 플랫폼시스템
KR102108050B1 (ko) * 2019-10-21 2020-05-07 가천대학교 산학협력단 증강 컨볼루션 네트워크를 통한 유방암 조직학 이미지 분류 방법 및 그 장치

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022149894A1 (ko) * 2021-01-07 2022-07-14 주식회사 딥바이오 병리 검체에 대한 판단 결과를 제공하는 인공 뉴럴 네트워크의 학습 방법, 및 이를 수행하는 컴퓨팅 시스템
WO2023287235A1 (ko) * 2021-07-14 2023-01-19 주식회사 루닛 병리 이미지 분석 방법 및 시스템
WO2023113414A1 (ko) * 2021-12-13 2023-06-22 주식회사 딥바이오 병리 검체에 대한 판단 결과를 제공하는 인공 뉴럴 네트워크의 학습 방법, 및 이를 수행하는 컴퓨팅 시스템
US11568539B1 (en) 2021-12-30 2023-01-31 Seoul National University Hospital Apparatus and method for prostate cancer analysis
WO2023167448A1 (ko) * 2022-03-03 2023-09-07 주식회사 루닛 병리 슬라이드 이미지를 분석하는 방법 및 장치
KR102471515B1 (ko) * 2022-03-31 2022-11-28 주식회사 딥바이오 면역조직화학 염색 이미지를 분석하기 위한 기계학습모델을 학습하는 방법 및 이를 수행하는 컴퓨팅 시스템
WO2023191472A1 (ko) * 2022-03-31 2023-10-05 주식회사 딥바이오 면역조직화학 염색 이미지를 분석하기 위한 기계학습모델을 학습하는 방법 및 이를 수행하는 컴퓨팅 시스템
KR102579826B1 (ko) * 2022-12-09 2023-09-18 (주) 브이픽스메디칼 인공지능 기반 진단 보조 정보 제공 방법, 장치 및 시스템

Also Published As

Publication number Publication date
JP2024502806A (ja) 2024-01-23
CN116783662A (zh) 2023-09-19
WO2022149894A1 (ko) 2022-07-14
EP4258283A1 (en) 2023-10-11

Similar Documents

Publication Publication Date Title
KR102246319B1 (ko) 병리 검체에 대한 판단 결과를 제공하는 인공 뉴럴 네트워크의 학습 방법, 및 이를 수행하는 컴퓨팅 시스템
Patravali et al. 2D-3D fully convolutional neural networks for cardiac MR segmentation
Madani et al. Fast and accurate view classification of echocardiograms using deep learning
JP6983328B2 (ja) 特徴転送ネットワークによる非監視下のクロスドメイン距離メトリック適応
Nakawala et al. “Deep-Onto” network for surgical workflow and context recognition
JP2022500744A (ja) 細胞画像の分析のためのコンピュータ実装方法、コンピュータプログラム製品およびシステム
JP2020530637A (ja) 予測タグ付けを有する画像を生成するための画像処理のためのシステム、デバイス、および方法
US20160210749A1 (en) Method and system for cross-domain synthesis of medical images using contextual deep network
CN112365980B (zh) 脑肿瘤多靶点辅助诊断与前瞻性治疗演化可视化方法及系统
Salpea et al. Medical image segmentation: A review of modern architectures
JP2022547722A (ja) 細胞検出およびセグメンテーションのための弱教師ありマルチタスク学習
El-Hossiny et al. Classification of thyroid carcinoma in whole slide images using cascaded CNN
US11257255B2 (en) Domain matching methods for transportable imaging applications
Del Rio et al. AI support for accelerating histopathological slide examinations of prostate cancer in clinical studies
EP3819910A2 (en) Disease diagnosis system and method using multiple color models and neural network
Sarraf et al. Recent applications of deep learning algorithms in medical image analysis
AU2021106727A4 (en) Ai system for brain mri/ct malignancy identification and classification using modified cnn and adam optimization.
Das et al. Attention-UNet architectures with pretrained backbones for multi-class cardiac MR image segmentation
Li et al. Generative AI Enables the Detection of Autism Using EEG Signals
Bhatt et al. A study on deep learning models for medical image segmentation
Abdel Magid et al. Channel embedding for informative protein identification from highly multiplexed images
LIUa et al. An explainable convolutional neural networks for automatic segmentation of the left ventricle in cardiac MRI
Bercea et al. SHAMANN: Shared memory augmented neural networks
Pastore et al. Incorporating Diagnostic Prior with Segmentation: A Deep Learning Pipeline for the Automatic Classification of Autoimmune Bullous Skin Diseases
Khan et al. Volumetric segmentation of cell cycle markers in confocal images

Legal Events

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