KR102254844B1 - 기계학습을 이용한 의료 영상 처리 방법 및 장치 - Google Patents

기계학습을 이용한 의료 영상 처리 방법 및 장치 Download PDF

Info

Publication number
KR102254844B1
KR102254844B1 KR1020190063078A KR20190063078A KR102254844B1 KR 102254844 B1 KR102254844 B1 KR 102254844B1 KR 1020190063078 A KR1020190063078 A KR 1020190063078A KR 20190063078 A KR20190063078 A KR 20190063078A KR 102254844 B1 KR102254844 B1 KR 102254844B1
Authority
KR
South Korea
Prior art keywords
bone
image processing
medical image
anatomical
region
Prior art date
Application number
KR1020190063078A
Other languages
English (en)
Other versions
KR20200137178A (ko
Inventor
윤선중
김민우
오일석
한갑수
고명환
최웅
Original Assignee
전북대학교산학협력단
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 전북대학교산학협력단 filed Critical 전북대학교산학협력단
Priority to KR1020190063078A priority Critical patent/KR102254844B1/ko
Priority to US17/614,890 priority patent/US20220233159A1/en
Priority to PCT/KR2020/002866 priority patent/WO2020242019A1/ko
Publication of KR20200137178A publication Critical patent/KR20200137178A/ko
Application granted granted Critical
Publication of KR102254844B1 publication Critical patent/KR102254844B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/50—Clinical applications
    • A61B6/505—Clinical applications involving diagnosis of bone
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/46—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment with special arrangements for interfacing with the operator or the patient
    • A61B6/467—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment with special arrangements for interfacing with the operator or the patient characterised by special input means
    • A61B6/469—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment with special arrangements for interfacing with the operator or the patient characterised by special input means for selecting a region of interest [ROI]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30008—Bone
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/033—Recognition of patterns in medical or anatomical images of skeletal patterns

Abstract

기계학습을 이용한 의료 영상 처리 장치 및 방법이 개시된다. 본 발명의 일실시예에 따른 기계학습을 이용한 의료 영상 처리 방법은, 오브젝트를 촬상한 엑스레이 영상을 획득하는 단계, 상기 엑스레이 영상을 구성하는 골구조 영역 별로, 딥 러닝 기법을 적용하여, 복수의 해부 영역을 구분하는 단계, 상기 복수의 해부 영역 각각에 대해, 골질에 따른 골질환을 예측하는 단계, 및 상기 골질환이 예측된 해부 영역을, 대체하는 인공관절을 결정하는 단계를 포함할 수 있다.

Description

기계학습을 이용한 의료 영상 처리 방법 및 장치{METHOD AND DEVICE FOR MEDICAL IMAGE PROCESSING USING MACHINE LEARNING}
본 발명은 의료용 영상에서, 인체의 근골격계 조직을 기계학습으로 식별하고, 이를 채색하여 구분 표시 함으로써, 보다 정확하게 근골격계 조직을 대체시키는 인공 관절(implant)의 크기를 결정할 수 있게 하는, 기계학습을 이용한 의료 영상 처리 방법 및 장치에 관한 것이다.
또한, 본 발명은 엑스레이 영상으로부터 대퇴비구충돌증후군(FAI)을 예측하여 구분된 대퇴골두를, 딥 러닝 기법에 기인한, 기등록의 대퇴골두와 반복적으로 비교를 함으로써, 대퇴골두가 가지고 있는, 지름과 원만도를 수치로서 유추할 수 있는, 기계학습을 이용한 의료 영상 처리 방법 및 장치에 관한 것이다.
하지 고관절 수술을 시행할 때, 수술의 정확도를 높이기 위해 수술 시행자는, 취득한 x-ray 영상 안의 조직(뼈 및 관절) 형태를 분석하고, 수술시 적용할 인공관절(implant)의 크기 및 유형을 미리 계획(templating) 하게 된다.
예를 들어, 고관절의 경우, 수술 시행자는, x-ray에서 관절 부분의 소켓과, 뼈 부분(femoral head, stem 등)의 크기와 형태를 확인한 후, 적용하고자 하는 인공관절의 템플레이트(template)를 대어 간접적으로 측정하며, 크기와 형태에 맞게 인공관절을 선별하여 수술시에 사용하고 있다.
이렇듯 기존에는, 수술에 사용할 인공관절의 크기와 형태를 수술 시행자의 주관적 판단에 의존하는 간접 방식 만이 채택되고 있어, 실제 수술시에 준비된 인공관절의 크기/형태와 실제 필요한 크기/형태와 편차를 보일 수 있고, 이에 따라 수술의 정확도가 저하되고 수술 시간이 연장되는 등의 문제가 발생되는 문제가 있을 수 있다.
이를 개선하고자 몇몇 외국 인공관절 업체의 경우에서는, 자체적으로 인공관절 수술을 지원하는 프로그램을 제공하고 있으나, 공개나 일반화되어 있지 않고, 프로그램의 기술 수준도 낮은 상태라 수술 시행자가 활용하는 데에 많은 제약이 있는 것이 사실이다.
이에 따라, 의료 영상을 분석하여 이미지 밝기에 따라 해부학적으로 조직의 부위를 구별 함으로써, 수술 시행자로 하여금, 환자의 관절 위치 및 형태를 정확하게 파악할 수 있게 하는 것에 관한 새로운 기술이 절실히 요구되고 있다.
본 발명의 실시예는, 환자를 촬영한 영상에 대해, 골구조를 고려하여 해부 영역을 구분하고, 구분된 해부 영역 별로 골질환을 예측 함으로써, 수술시 사용할 인공관절에 대한 결정이 용이하게 이루어지도록 하는 기계학습을 이용한 의료 영상 처리 방법 및 장치를 제공하는 것을 목적으로 한다.
또한, 본 발명의 실시예는, 구분된 해부 영역 각각에 대해 컬러를 매칭시켜 표시 함으로써, 수술 시행자로 하여금 개별 해부 영역이 시각적으로 쉽게 인지되게 하는 것을 목적으로 한다.
또한, 본 발명의 실시예는, 대퇴비구충돌증후군(FAI)으로 인해, 대퇴골두의 일부 영역이 비정상적인 모양이더라도, 예측을 통해 대퇴골두에 대한 구형성(Sphericity)을 제시하여, 엑스레이 영상으로 출력 함으로써, 골절 수술 및 관절경 수술시에, 손상된 고관절을, 정상 고관절의 모양에 유사하게 재현되도록 의료 지원하는 것을 목적으로 한다.
본 발명의 일실시예에 따른 기계학습을 이용한 의료 영상 처리 방법은, 오브젝트를 촬상한 엑스레이 영상을 획득하는 단계, 상기 엑스레이 영상을 구성하는 골구조 영역 별로, 딥 러닝 기법을 적용하여, 복수의 해부 영역을 구분하는 단계, 상기 복수의 해부 영역 각각에 대해, 골질에 따른 골질환을 예측하는 단계, 및 상기 골질환이 예측된 해부 영역을, 대체하는 인공관절을 결정하는 단계를 포함할 수 있다.
또한, 본 발명의 실시예에 따른 기계학습을 이용한 의료 영상 처리 장치는, 오브젝트를 촬상한 엑스레이 영상을 획득하는 인터페이스부, 상기 엑스레이 영상을 구성하는 골구조 영역 별로, 딥 러닝 기법을 적용하여, 복수의 해부 영역을 구분하고, 상기 복수의 해부 영역 각각에 대해, 골질에 따른 골질환을 예측하는 프로세서, 및 상기 골질환이 예측된 해부 영역을, 대체하는 인공관절을 결정하는 연산 컨트롤러를 포함하여 구성할 수 있다.
본 발명의 일실시예에 따르면, 환자를 촬영한 영상에 대해, 골구조를 고려하여 해부 영역을 구분하고, 구분된 해부 영역 별로 골질환을 예측 함으로써, 수술시 사용할 인공관절에 대한 결정이 용이하게 이루어지도록 하는 기계학습을 이용한 의료 영상 처리 방법 및 장치를 제공할 수 있다.
또한, 본 발명의 일실시예에 따르면, 구분된 해부 영역 각각에 대해 컬러를 매칭시켜 표시 함으로써, 수술 시행자로 하여금 개별 해부 영역이 시각적으로 쉽게 인지되게 할 수 있다.
도 1은 본 발명의 일실시예에 따른, 기계학습을 이용한 의료 영상 처리 장치의 내부 구성을 도시한 블록도이다.
도 2는 딥 러닝 분류(Deep learning segmentation)에 따른 해부 영역의 일례를 도시한 도면이다.
도 3은 학습된 딥 러닝 기법을 적용하여 분류를 수행한 결과의 일례를 설명하는 도면이다.
도 4는 종래 고관절 수술시 사용되는 manual template를 예시하는 도면이다.
도 5는 본 발명에 따른, 학습된 딥 러닝 기법을 적용하여 auto templating 을 수행한 결과의 일례를 도시하는 도면이다.
도 6은 본 발명에 따라, 인공관절의 최적 크기 및 형상을 예측하는 과정을 설명하는 흐름도이다.
도 7은 본 발명에 따라, 대퇴비구충돌증후군(FAI)이 있는 대퇴골두에 대해, 엑스레이 영상을 통해 대퇴골두의 구형도(sphericity)를 제시하고, Burr를 이용하여 비구형성의 영역을 교정하는 일례를 설명하는 도면이다.
도 8은 본 발명의 일실시예에 따른, 의료 영상 처리 방법의 순서를 도시한 흐름도이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 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 실시예가 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 가지는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
도 1은 본 발명의 일실시예에 따른, 기계학습을 이용한 의료 영상 처리 장치의 내부 구성을 도시한 블록도이다.
도 1을 참조하면, 본 발명의 일실시예에 따른 의료 영상 처리 장치(100)는, 인터페이스부(110), 프로세서(120), 및 연산 컨트롤러(130)를 포함하여 구성할 수 있다. 또한, 의료 영상 처리 장치(100)는 실시예에 따라, 디스플레이부(140)를 추가적으로 포함하여 구성할 수 있다.
먼저, 인터페이스부(110)는 오브젝트(105)를 촬상한 엑스레이 영상을 획득한다. 즉, 인터페이스부(110)는 환자인 오브젝트(105)에 진단용의 엑스선을 조사하고, 그 결과로서 표출되는 이미지를, 엑스레이 영상으로 획득하는 장치일 수 있다. 엑스레이 영상은, 인체 내의 뼈 구조를 투시하여 표시한 영상이며, 종래에는 의사의 임상적 판단을 통해 인체의 뼈 상태를 진단하는 데에 사용될 수 있다. 엑스레이 영상에 의한 뼈의 진단으로는, 예컨대 관절의 탈구 및 인대 손상 여부, 골종양 여부, 석회성 건염 판정, 관절염, 골질환 등이 있을 수 있다.
프로세서(120)는 상기 엑스레이 영상을 구성하는 골구조 영역 별로, 딥 러닝 기법을 적용하여, 복수의 해부 영역을 구분한다. 여기서 골구조 영역은 특정의 뼈를 단독으로 포함하는 영상 내의 일 영역을 지칭할 수 있고, 해부 영역은 하나의 골구조 영역에서 수술이 필요하다고 판단되는 영역을 지칭할 수 있다.
즉, 프로세서(120)는 엑스레이 영상을 분석하여, 특정의 뼈를 고유하게 포함하고 있는 다수의 골구조 영역을 식별하고, 식별된 골구조 영역 각각에 대해 수술 범위로서의 해부 영역을 식별해 내는 역할을 할 수 있다.
딥 러닝(Deep Learning) 기법은 처리해야 할 데이터와 유사한 이전의 축적 데이터를 분석하여, 유용한 정보를 추출 함으로써 데이터를 기계적으로 처리할 수 있게 하는 기법을 지칭할 수 있다. 딥 러닝 기법은 이미지 인식 등에서 탁월한 성능을 보이며, 보건 의료 분야 중 이미지 분석, 실험결과 분석에서 의사 진단을 보조하도록 진화하고 있다.
본 발명에서의 딥 러닝은 이전 축적 데이터를 기초하여 골구조 영역에서 관심이 되어야 하는 해부 영역을 추출하도록 보조할 수 있다.
즉, 프로세서(120)는 엑스레이 영상을 딥 러닝 기법으로 해석 함으로써, 엑스레이 영상 내 뼈가 점유하는 영역을 상기 해부 영역으로 특정해 낼 수 있다.
상기 해부 영역의 구분에 있어, 프로세서(120)는 상기 골구조 영역에 대해, 골조직의 방사선량에 따른 골질을 분별하여 상기 복수의 해부 영역을 구분할 수 있다. 즉, 프로세서(120)는 오브젝트(105)의 각 뼈에서 방출되는 방사선량을, 영상 분석으로 확인하고, 확인된 방사선량의 크기에 따라, 골의 성분을 추정하여, 수술이 시행되어야 할 해부 영역을 구분할 수 있다.
예컨대 후술하는 도 2에서는 원본 영상으로부터 좌측 다리 관절부를 적어도 포함하는 골구조 영역을 식별하고, 식별된 골구조 영역에 대해, 개별 골조직이 갖는 방사선량을 고려하여, 5개의 해부 구조(대퇴골 A, 대퇴골 내부 A-1, 골반뼈 B, 관절부 B-1, 티어드랍(teardrop) B-2)를 구분하는 것에 예시되고 있다.
또한, 프로세서(120)는 상기 복수의 해부 영역 각각에 대해, 골질에 따른 골질환을 예측할 수 있다. 즉, 프로세서(120)는 관심을 가져야 할 영역으로 구분된 해부 영역으로부터 뼈 상태를 추정하여, 해당 뼈가 가질 수 있는 질환을 진단할 수 있다. 예컨대, 프로세서(120)는 해부 영역인 관절부에서 밝기 등이 급격하게 변화하는 단차/균열을 확인 함으로써, 상기 관절부에 대해 골절을 예측할 수 있다.
또한, 연산 컨트롤러(130)는 상기 골질환이 예측된 해부 영역을, 대체하는 인공관절을 결정할 수 있다. 연산 컨트롤러(130)는 각 해부 영역에 대해, 골질환이 예측된 상태 하에서, 수술시 사용할 인공관절의 크기와 형태를 결정하는 역할을 할 수 있다.
인공관절의 결정에 있어, 연산 컨트롤러(130)는 골질환의 형태와 크기(비율)에 기초하여 인공관절에 대한 형상과 크기를 결정할 수 있다.
이를 위해, 연산 컨트롤러(130)는, 상기 골질환이 예측된 해부 영역에서, 상기 골질환이 점유하는 형태와 비율을 확인할 수 있다. 즉, 연산 컨트롤러(130)는 뼈에 발생한 것으로 추정되는 골질환에 대한 외부 형상과 뼈에서 차지하는 골질환의 크기를 인지하여, 이미지 등으로 표현할 수 있다. 실시예에서, 골질환이 점유하는 비율이 큰 경우(뼈의 대부분에서 골질환이 발생한 경우), 연산 컨트롤러(130)는 골질환이 예측된 해부 영역 전체를 확인할 수도 있다.
또한, 연산 컨트롤러(130)는 상기 확인된 형태와 정해진 범위 이내에서 일치하는 윤곽을 갖는 후보 인공관절을 데이터베이스에서 검색할 수 있다. 즉, 연산 컨트롤러(130)는, 학습되어 데이터베이스에 유지되는 다수의 인공관절 중에서, 골질환이 점유하는 뼈의 형태와 일치하는 인공관절을, 상기 후보 인공관절로서 검색할 수 있다.
이후, 연산 컨트롤러(130)는, 검색된 후보 인공관절 중에서, 상기 확인된 비율에, 규정된 가중치를 적용하여 산출되는 크기와 일정 범위 이내인 후보 인공관절을 상기 인공관절로서 선별함으로써, 상기 인공관절의 형상 및 크기를 결정할 수 있다. 즉, 연산 컨트롤러(130)는, 엑스레이 영상에서의 골질환 크기에 대해, 영상 해상도에 따라 정해지는 가중치를 곱셈하여 실제 골질환 크기를 산정하고, 산정된 실제 골질환 크기와 유사한 후보 인공관절을 선별할 수 있다.
예컨대, 엑스레이 영상의 영상 해상도가 50% 일 경우, 연산 컨트롤러(130)는, 엑스레이 영상에서의 골질환 크기 '5cm'에, 영상 해상도 50%에 따른 가중치 '2'을 곱셈 적용하여 실제 골질환 크기 '10cm'를 산정하고, 실제 골질환 크기 '10cm'와 대체적으로 일치하는 후보 인공관절을, 골질환이 예측된 해부 영역을 대체하는 인공관절로 결정할 수 있다.
실시예에 따라, 본 발명의 의료 영상 처리 장치(100)는 본 발명에 따라 가공된 엑스레이 영상을 출력하는 디스플레이부(140)를 더 포함하여 구성할 수 있다.
우선, 디스플레이부(140)는 상기 골구조 영역에 속하는 골의 부위에 따라, 피질골 두께를 수치화하여, 상기 엑스레이 영상으로 출력할 수 있다. 즉, 디스플레이부(140)는 엑스레이 영상에서, 골 내의 특징 부위가 갖는 피질골 두께를 계측하고, 계측한 값을, 엑스레이 영상에 포함시켜 출력하는 역할을 할 수 있다. 실시예에서, 디스플레이부(140)는 계측된 피질골 두께를, 엑스레이 영상 내 해당 골 부위와 태그로 연결시켜 시각화되도록 할 수 있다.
또한, 디스플레이부(140)는 상기 복수의 해부 영역 각각의 윤곽에 대응하는 네임정보를 학습 테이블에서 추출할 수 있다. 즉, 디스플레이부(140)는 관심이 되어 구분된 해부 영역에 대해, 외형의 유사성을 따져 해당 해부 영역을 특정하는 네임정보를 추출할 수 있다.
이후, 디스플레이부(140)는 상기 네임정보를, 상기 해부 영역 각각에 연관시켜 상기 엑스레이 영상으로 출력할 수 있다. 즉, 디스플레이부(140)는 추출된 네임정보를, 엑스레이 영상에 포함시켜 출력하는 역할을 할 수 있다. 실시예에서, 디스플레이부(140)는 추출된 네임정보를, 엑스레이 영상 내 해당 골 부위와 태그로 연결시켜 시각화되도록 할 수 있고, 이를 통해 의사인 수술 시행자 뿐만 아니라 일반인도 엑스레이 영상 내에 포함되는 각 뼈에 대한 이름을 쉽게 파악할 수 있게 한다.
또한, 디스플레이부(140)는 상기 해부 영역 각각으로 컬러를 매칭시켜 상기 엑스레이 영상으로 출력 함으로써 상기 복수의 해부 영역을 구분하되, 이웃하는 해부 영역 간에는 적어도 상이한 컬러를 매칭시킬 수 있다. 즉, 디스플레이부(140)는 구분된 해부 영역에 대해, 서로 다른 색을 순차적으로 입혀 시각적으로 구분 함으로써, 수술 시행자가 해부 영역 각각을 보다 직관적으로 인지할 수 있게 한다.
본 발명의 일실시예에 따르면, 환자를 촬영한 영상에 대해, 골구조를 고려하여 해부 영역을 구분하고, 구분된 해부 영역 별로 골질환을 예측 함으로써, 수술시 사용할 인공관절에 대한 결정이 용이하게 이루어지도록 하는 기계학습을 이용한 의료 영상 처리 방법 및 장치를 제공할 수 있다.
또한, 본 발명의 일실시예에 따르면, 구분된 해부 영역 각각에 대해 컬러를 매칭시켜 표시 함으로써, 수술 시행자로 하여금 개별 해부 영역이 시각적으로 쉽게 인지되게 할 수 있다.
도 2는 딥 러닝 분류(Deep learning segmentation)에 따른 해부 영역의 일례를 도시한 도면이다.
본 발명의 의료 영상 처리 장치(100)는 엑스레이 영상을 분석하여 이미지 밝기에 따라 해부학적으로 조직의 부위를 구별하여 의사 채색(pseudo-coloring)을 한다.
또한, 의료 영상 처리 장치(100)는 기계 학습 기법을 적용하여, 의사 채색 기법에 따른 해부학적 조직 구별에 대한 정확도를 향상시키고 있다. 또한, 의료 영상 처리 장치(100)는 구별된 조직의 형태 및 크기를 기반으로 적용하게 될 인공관절(cup and stem)의 크기를 정할 수 있다. 이를 통해, 의료 영상 처리 장치(100)는 수술 하게 되는 부위를 해부학적 정상측인 건측과 최대한 같게 재건 (reconstruction)하는데 도움을 주게 된다.
도 2에서와 같이, 의료 영상 처리 장치(100)는 원본 엑스레이 영상에 대해, 딥 러닝 기법을 적용하여, 5개의 해부 영역을 분류할 수 있다. 즉, 의료 영상 처리 장치(100)는 원본 X-ray 영상으로부터, 골 외부(A), 골 내부(A-1), 골반뼈(B), 관절부(B-1), 및 Teardrop(B-2)의 해부 영역을 분류할 수 있다.
도 3은 학습된 딥 러닝 기법을 적용하여 분류를 수행한 결과의 일례를 설명하는 도면이다.
도 3에서는, 엑스레이 영상으로부터 구분한 해부 영역 각각으로 컬러를 매칭시켜 출력되는 엑스레이 영상이 예시되고 있다. 즉, 의료 영상 처리 장치(100)는 X-ray 영상 상에, 골반뼈(B)-노랑, 관절부(B-1)-오렌지, Teardrop(B-2)-분홍, 골 외부(대퇴골)(A)-녹색, 골 내부(대퇴골 내부)(A-1)-파랑을 매칭시켜 출력하는 것이 예시되고 있다.
이때, 의료 영상 처리 장치(100)는 이웃하는 해부 영역 간에는 적어도 상이한 컬러를 매칭시킬 수 있다. 도 3에서, 예컨대 이웃하는 골반뼈(B)와 관절부(B-1)는 각각 노랑, 오렌지로 서로 다른 컬러를 매칭시켜, 수술 시행자가 해부 영역을 직관적으로 구분할 수 있게 한다.
또한, 의료 영상 처리 장치(100)는 해부 영역 각각으로 네임정보를 연관시켜 엑스레이 영상으로 출력할 수 있다. 도 3에서는 골반뼈(B)라는 네임정보를 골반뼈에 해당하는 해부 영역과 연결되어 X-ray 영상으로 표시하는 것이 예시되고 있다.
도 4는 종래 고관절 수술시 사용되는 manual template를 예시하는 도면이다.
도 4(a)에서는, 고관절 인공관절의 cup template를 예시하고 있고, 도 4(b)에서는 인공관절 stem template를 예시하고 있다. 템플릿은 교체되어야 하는 해부 영역의 크기와 형태를 가늠하기 위해 미리 정해 놓은 표준 도량일 수 있다.
이러한 템플릿을 통해, 수술 시행자는 골질환이 의심되는 해부 영역을 대체할 인공관절의 크기와 형태를 결정할 수 있었다.
도 5는 본 발명에 따른, 학습된 딥 러닝 기법을 적용하여 auto templating 을 수행한 결과의 일례를 도시하는 도면이다.
도 5에서와 같이, 본 발명의 의료 영상 처리 장치(100)는 골질환이 예측된 해부 영역을, 대체하는 인공관절을 자동으로 결정할 수 있다. 도 5(a)에서는 해부 영역으로 식별된 대퇴관(Femoral Canal)과 대퇴골두(femoral head)을 도시하고 있으며, 도 5(b)에서는 이들 대퇴관(Femoral Canal)과 대퇴골두(femoral head)의 형태와 크기와 일치하는 인공관절의 이미지를, 본 발명에서의 처리를 통해 자동으로 결정하여, 엑스레이 영상 상에 표시하는 것이 예시되고 있다.
도 6은 본 발명에 따라, 인공관절의 최적 크기 및 형상을 예측하는 과정을 설명하는 흐름도이다.
우선, 의료 영상 처리 장치(100)는 엑스레이 영상을 획득할 수 있다(610). 즉, 의료 영상 처리 장치(100)는 오브젝트(105)의 뼈 구조를 촬상한 엑스레이 영상을 얻을 수 있다.
또한, 의료 영상 처리 장치(100)는 영상 분석 후 골구조 영역을 구분할 수 있다(620). 즉, 의료 영상 처리 장치(100)는 엑스레이 영상을 구성하는 골구조 영역을 분리할 수 있다. 이때, 의료 영상 처리 장치(100)는 골구조의 크기 측정을 위한 딥 러닝 기법을 개발할 수 있다.
또한, 의료 영상 처리 장치(100)는 골조직의 방사선량에 따른 골질을 분별하여 해부학적 영역을 구분할 수 있다(630). 즉, 의료 영상 처리 장치(100)는 개발된 기법을 이용하여 골조직의 방사선에 따른 골질(정상/비정상)을 분별하여 해부 영역을 구분할 수 있다. 예컨대, 앞서 설명된 도 2, 3에서와 같이, 의료 영상 처리 장치(100)는 골 외부(A), 골 내부(A-1), 골반뼈(B), 관절부(B-1), 및 Teardrop(B-2)의 해부 영역을 분류할 수 있다.
이후, 의료 영상 처리 장치(100)는 딥 러닝 기법을 이용하여, 골질에 따라 분류할 수 있다(640). 즉, 의료 영상 처리 장치(100)는 딥 러닝 기법을 활용 함으로써 영상 분석 후 골질에 따른 골질환을 예측할 수 있다.
또한, 의료 영상 처리 장치(100)는 구분된 영역을 바탕으로 인공관절의 최적 크기 및 형상을 예측하여 출력할 수 있다(650). 즉, 의료 영상 처리 장치(100)는 골질환이 예측된 영역에 대해, 인공관절을 자동으로 매칭하면서, 매칭된 인공관절에 대한 최적의 크기 및 형상을 출력할 수 있다. 이러한 자동 매칭 출력(auto templating)의 일례로서, 의료 영상 처리 장치(100)는 앞서 설명된 도 4, 5에서와 같이, 대퇴관(Femoral Canal)과 대퇴골두(femoral head)의 형태와 크기와 일치하는 인공관절의 이미지를 자동으로 결정하여, 엑스레이 영상 상에 표시할 수 있다.
이하, 도 7을 통해, 대퇴골두의 구형을 계산하여, 정상 고관절의 모양으로 재현하는, 본 발명의 일례에 대해 설명한다.
도 7은 본 발명에 따라, 대퇴비구충돌증후군(FAI)이 있는 대퇴골두에 대해, 엑스레이 영상을 통해 대퇴골두의 구형도(sphericity)를 제시하고, Burr를 이용하여 비구형성의 영역을 교정하는 일례를 설명하는 도면이다..
도 7a에는 골질환이 예측된 해부 영역에 대해, 구형성(sphericity)를 표시하는 영상을 도시하고 있다.
골질에 따른 골질환을 예측하는 결과로서, 상기 골질환이 예측된 해부 영역이 대퇴골두(femoral head)일 경우, 프로세서(120)는, 상기 대퇴골두의 지름(diameter)과 원만도(roundness)를, 딥 러닝 기법을 적용하여 추정할 수 있다.
여기서, 대퇴골두는 사람의 허벅지를 이루는 대퇴골의 상부에 해당하는 영역으로서, 대퇴골의 위쪽 끝에 있는 공처럼 둥근 부분을 지칭할 수 있다.
또한, 대퇴골두의 지름은, 상기 둥근 부분의 중심으로부터 외각까지의 평균적 길이를 지칭할 수 있다.
또한, 대퇴골두의 원만도는, 상기 둥근 부분이 원형과 어느 정도로 가까운지를 수치화한 크기를 지칭할 수 있다.
즉, 프로세서(120)는 엑스레이 영상으로부터 대퇴비구충돌증후군(FAI)을 예측하여 구분된 대퇴골두를, 딥 러닝 기법에 기인한, 기등록의 대퇴골두와 반복적으로 비교를 함으로써, 대퇴골두가 가지고 있는, 지름과 원만도를 수치로서 유추할 수 있다.
또한, 프로세서(120)는, 추정된 상기 지름과 상기 원만도에 기초하여, 상기 대퇴골두에 대한 원형태를 예측한다. 즉, 프로세서(120)는 대퇴비구충돌증후군(FAI)으로 인해 손상된 대퇴골두의 현 형태를, 앞서 추정된 지름/원만도를 통해 예측할 수 있다.
도 7a에서는, 녹색으로 구분된 대퇴골두의 손상에 따른 대퇴비구충돌증후군(FAI)으로 인해, 일부 영역이 온전한 원형태를 갖추지 못하는 것을 도시하고 있다. 또한, 도 7a에는 골질환이 없을 시 대퇴골두의 온전한 형태를 원형의 점선으로 나타내고 있다.
이후, 디스플레이부(140)는 상기 예측된 원형태로부터, 비구형성(asphericity)을 포함하는, 상기 대퇴골두의 일부 영역을 지시자로 표시하여, 상기 엑스레이 영상으로 출력할 수 있다. 즉, 디스플레이부(140)는 손상이 있어, 온전한 원형태를 갖추지 못한 영역에, 지시자로서 화살표를 표시하고, 이를 엑스레이 영상 상에 매핑하여 출력시킬 수 있다.
도 7a에서 화살표가 지시하는 대퇴골두의 일부 영역은, 비구형성이 시작되는 점, 즉 대퇴골두의 구형성이 상실되는 지점(loss of sphericity)를 의미할 수 있다.
도 7a의 엑스레이 영상을 제공받은 의사는, 현재 대퇴골두의 형태를 눈으로 직접 보면서, 관절경 수술 시에 재건해야 할 대퇴골두의 손상 부위를 시각적으로 인지할 수 있게 된다.
도 7(b)는 대퇴비구충돌증후군(FAI)의 관절경 수술에 있어, 본 발명에 따른 교정 전후의 대퇴골두에 대한 이미지를 도시한다.
도 7(b)에는 FAI의 관절경 수술에 있어, 대퇴골두와 비구에 대한 비정상 부위를, Burr를 이용하여 구형에 가깝게 교정 함에 있어, 대퇴골두의 모양을 수술 전후로 비교하여 표시하는 일례를 설명하고 있습니다.
이를 통해 본 발명에 의해서는, 인공관절 템플레이팅 뿐만 아니라, 골절 수술 및 관절경 수술시에, 손상된 고관절을, 정상 고관절의 모양에 유사하게 재현되도록 의료 지원할 수 있다.
이하, 도 8에서는 본 발명의 실시예들에 따른 의료 영상 처리 장치(100)의 작업 흐름을 상세히 설명한다.
도 8은 본 발명의 일실시예에 따른, 의료 영상 처리 방법의 순서를 도시한 흐름도이다.
본 실시예에 따른 의료 영상 처리 방법은 상술한 기계학습을 이용한 의료 영상 처리 장치(100)에 의해 수행될 수 있다.
우선, 의료 영상 처리 장치(100)는 오브젝트를 촬상한 엑스레이 영상을 획득한다(810). 본 단계(810)는 환자인 오브젝트에 진단용의 엑스선을 조사하고, 그 결과로서 표출되는 이미지를, 엑스레이 영상으로 획득하는 과정일 수 있다. 엑스레이 영상은, 인체 내의 뼈 구조를 투시하여 표시한 영상이며, 종래에는 의사의 임상적 판단을 통해 인체의 뼈 상태를 진단하는 데에 사용될 수 있다. 엑스레이 영상에 의한 뼈의 진단으로는, 예컨대 관절의 탈구 및 인대 손상 여부, 골종양 여부, 석회성 건염 판정, 관절염, 골질환 등이 있을 수 있다.
또한, 의료 영상 처리 장치(100)는 상기 엑스레이 영상을 구성하는 골구조 영역 별로, 딥 러닝 기법을 적용하여, 복수의 해부 영역을 구분한다(820). 여기서 골구조 영역은 특정의 뼈를 단독으로 포함하는 영상 내의 일 영역을 지칭할 수 있고, 해부 영역은 하나의 골구조 영역에서 수술이 필요하다고 판단되는 영역을 지칭할 수 있다.
단계(820)는 엑스레이 영상을 분석하여, 특정의 뼈를 고유하게 포함하고 있는 다수의 골구조 영역을 식별하고, 식별된 골구조 영역 각각에 대해 수술 범위로서의 해부 영역을 식별해 내는 과정일 수 있다.
딥 러닝(Deep Learning) 기법은 처리해야 할 데이터와 유사한 이전의 축적 데이터를 분석하여, 유용한 정보를 추출 함으로써 데이터를 기계적으로 처리할 수 있게 하는 기법을 지칭할 수 있다. 딥 러닝 기법은 이미지 인식 등에서 탁월한 성능을 보이며, 보건 의료 분야 중 이미지 분석, 실험결과 분석에서 의사 진단을 보조하도록 진화하고 있다.
본 발명에서의 딥 러닝은 이전 축적 데이터를 기초하여 골구조 영역에서 관심이 되어야 하는 해부 영역을 추출하도록 보조할 수 있다.
즉, 의료 영상 처리 장치(100)는 엑스레이 영상을 딥 러닝 기법으로 해석 함으로써, 엑스레이 영상 내 뼈가 점유하는 영역을 상기 해부 영역으로 특정해 낼 수 있다.
상기 해부 영역의 구분에 있어, 의료 영상 처리 장치(100)는 상기 골구조 영역에 대해, 골조직의 방사선량에 따른 골질을 분별하여 상기 복수의 해부 영역을 구분할 수 있다. 즉, 의료 영상 처리 장치(100)는 오브젝트의 각 뼈에서 방출되는 방사선량을, 영상 분석으로 확인하고, 확인된 방사선량의 크기에 따라, 골의 성분을 추정하여, 수술이 시행되어야 할 해부 영역을 구분할 수 있다.
예컨대 의료 영상 처리 장치(100)는 원본 영상으로부터 좌측 다리 관절부를 적어도 포함하는 골구조 영역을 식별하고, 식별된 골구조 영역에 대해, 개별 골조직이 갖는 방사선량을 고려하여, 5개의 해부 구조(대퇴골 A, 대퇴골 내부 A-1, 골반뼈 B, 관절부 B-1, 티어드랍(teardrop) B-2)를 구분할 수 있다.
또한, 의료 영상 처리 장치(100)는 상기 복수의 해부 영역 각각에 대해, 골질에 따른 골질환을 예측할 수 있다(830). 단계(830)는 관심을 가져야 할 영역으로 구분된 해부 영역으로부터 뼈 상태를 추정하여, 해당 뼈가 가질 수 있는 질환을 진단하는 과정일 수 있다. 예컨대, 의료 영상 처리 장치(100)는 해부 영역인 관절부에서 밝기 등이 급격하게 변화하는 단차/균열을 확인 함으로써, 상기 관절부에 대해 골절을 예측할 수 있다.
또한, 의료 영상 처리 장치(100)는 상기 골질환이 예측된 해부 영역을, 대체하는 인공관절을 결정한다(840). 단계(840)는 각 해부 영역에 대해, 골질환이 예측된 상태 하에서, 수술시 사용할 인공관절의 크기와 형태를 결정하는 과정일 수 있다.
인공관절의 결정에 있어, 의료 영상 처리 장치(100)는 골질환의 형태와 크기(비율)에 기초하여 인공관절에 대한 형상과 크기를 결정할 수 있다.
이를 위해, 의료 영상 처리 장치(100)는 상기 골질환이 예측된 해부 영역에서, 상기 골질환이 점유하는 형태와 비율을 확인할 수 있다. 즉, 의료 영상 처리 장치(100)는 뼈에 발생한 것으로 추정되는 골질환에 대한 외부 형상과 뼈에서 차지하는 골질환의 크기를 인지하여, 이미지 등으로 표현할 수 있다. 실시예에서, 골질환이 점유하는 비율이 큰 경우(뼈의 대부분에서 골질환이 발생한 경우), 의료 영상 처리 장치(100)는 골질환이 예측된 해부 영역 전체를 확인할 수도 있다.
또한, 의료 영상 처리 장치(100)는 상기 확인된 형태와 정해진 범위 이내에서 일치하는 윤곽을 갖는 후보 인공관절을 데이터베이스에서 검색할 수 있다. 즉, 의료 영상 처리 장치(100)는 학습되어 데이터베이스에 유지되는 다수의 인공관절 중에서, 골질환이 점유하는 뼈의 형태와 일치하는 인공관절을, 상기 후보 인공관절로서 검색할 수 있다.
이후, 의료 영상 처리 장치(100)는 검색된 후보 인공관절 중에서, 상기 확인된 비율에, 규정된 가중치를 적용하여 산출되는 크기와 일정 범위 이내인 후보 인공관절을 상기 인공관절로서 선별함으로써, 상기 인공관절의 형상 및 크기를 결정할 수 있다. 즉, 의료 영상 처리 장치(100)는 엑스레이 영상에서의 골질환 크기에 대해, 영상 해상도에 따라 정해지는 가중치를 곱셈하여 실제 골질환 크기를 산정하고, 산정된 실제 골질환 크기와 유사한 후보 인공관절을 선별할 수 있다.
예컨대, 엑스레이 영상의 영상 해상도가 50% 일 경우, 의료 영상 처리 장치(100)는 엑스레이 영상에서의 골질환 크기 '5cm'에, 영상 해상도 50%에 따른 가중치 '2'을 곱셈 적용하여 실제 골질환 크기 '10cm'를 산정하고, 실제 골질환 크기 '10cm'와 대체적으로 일치하는 후보 인공관절을, 골질환이 예측된 해부 영역을 대체하는 인공관절로 결정할 수 있다.
또한, 의료 영상 처리 장치(100)는 상기 골구조 영역에 속하는 골의 부위에 따라, 피질골 두께를 수치화하여, 상기 엑스레이 영상으로 출력할 수 있다. 즉, 의료 영상 처리 장치(100)는 엑스레이 영상에서, 골 내의 특징 부위가 갖는 피질골 두께를 계측하고, 계측한 값을, 엑스레이 영상에 포함시켜 출력할 수 있다. 실시예에서, 의료 영상 처리 장치(100)는 계측된 피질골 두께를, 엑스레이 영상 내 해당 골 부위와 태그로 연결시켜 시각화되도록 할 수 있다.
또한, 의료 영상 처리 장치(100)는 상기 복수의 해부 영역 각각의 윤곽에 대응하는 네임정보를 학습 테이블에서 추출할 수 있다. 즉, 의료 영상 처리 장치(100)는 관심이 되어 구분된 해부 영역에 대해, 외형의 유사성을 따져 해당 해부 영역을 특정하는 네임정보를 추출할 수 있다.
이후, 의료 영상 처리 장치(100)는 상기 네임정보를, 상기 해부 영역 각각에 연관시켜 상기 엑스레이 영상으로 출력할 수 있다. 즉, 의료 영상 처리 장치(100)는 추출된 네임정보를, 엑스레이 영상에 포함시켜 출력하는 역할을 할 수 있다. 실시예에서, 의료 영상 처리 장치(100)는 추출된 네임정보를, 엑스레이 영상 내 해당 골 부위와 태그로 연결시켜 시각화되도록 할 수 있고, 이를 통해 의사인 수술 시행자 뿐만 아니라 일반인도 엑스레이 영상 내에 포함되는 각 뼈에 대한 이름을 쉽게 파악할 수 있게 한다.
또한, 의료 영상 처리 장치(100)는 상기 해부 영역 각각으로 컬러를 매칭시켜 상기 엑스레이 영상으로 출력 함으로써 상기 복수의 해부 영역을 구분하되, 이웃하는 해부 영역 간에는 적어도 상이한 컬러를 매칭시킬 수 있다. 즉, 의료 영상 처리 장치(100)는 구분된 해부 영역에 대해, 서로 다른 색을 순차적으로 입혀 시각적으로 구분 함으로써, 수술 시행자가 해부 영역 각각을 보다 직관적으로 인지할 수 있게 한다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 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. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.
100 : 의료 영상 처리 장치 105 : 오브젝트
110 : 인터페이스부 120 : 프로세서
130 : 연산 컨트롤러 140 : 디스플레이부

Claims (14)

  1. 의료 영상 처리 장치의 기계학습을 이용한 의료 영상 처리 방법에 있어서,
    상기 의료 영상 처리 장치가 오브젝트를 촬상한 엑스레이 영상을 획득하는 단계;
    상기 의료 영상 처리 장치가 상기 엑스레이 영상을 구성하는 골구조 영역 별로 딥 러닝 기법을 적용하여, 서로 상이한 골질을 가지는 복수의 해부 영역을 1차 구분하는 단계;
    상기 의료 영상 처리 장치가 상기 복수의 해부 영역 각각에 대한 골질 분석을 통해 골질환이 예측되는 해부 영역을 2차 구분하는 단계; 및
    상기 의료 영상 처리 장치가 상기 골질환이 예측된 해부 영역을, 대체하는 인공관절을 결정하는 단계를 포함하며,
    상기 인공관절을 결정하는 단계는,
    상기 골질환이 예측된 해부 영역에서, 상기 골질환이 점유하는 형태와 비율을 확인하는 단계;
    상기 확인된 형태와 정해진 이내에서 일치하는 윤곽을 갖는 후보 인공관절을, 데이터베이스에서 검색하는 단계; 및
    검색된 후보 인공관절 중에서, 상기 확인된 비율에, 규정된 가중치를 적용하여 산출되는 크기와 일정 범위 이내인 후보 인공관절을 상기 인공관절로서 선별함으로써, 상기 인공관절의 형상 및 크기를 결정하는 단계를 포함하는 것을 특징으로 하는 기계학습을 이용한 의료 영상 처리 방법.
  2. 제1항에 있어서,
    상기 해부 영역을 구분하는 단계는,
    상기 골구조 영역에 대해, 골조직의 방사선량에 따른 골질을 분별하여 상기 복수의 해부 영역을 구분하는 단계
    를 포함하는 기계학습을 이용한 의료 영상 처리 방법.
  3. 삭제
  4. 제1항에 있어서,
    상기 골구조 영역에 속하는 골의 부위에 따라, 피질골 두께를 수치화하여, 상기 엑스레이 영상으로 출력하는 단계
    를 더 포함하는 기계학습을 이용한 의료 영상 처리 방법.
  5. 제1항에 있어서,
    상기 복수의 해부 영역 각각의 윤곽에 대응하는 네임정보를 학습 테이블에서 추출하는 단계; 및
    상기 네임정보를, 상기 해부 영역 각각에 연관시켜 상기 엑스레이 영상으로 출력하는 단계
    를 더 포함하는 기계학습을 이용한 의료 영상 처리 방법.
  6. 제1항에 있어서,
    상기 해부 영역 각각으로 컬러를 매칭시켜 상기 엑스레이 영상으로 출력 함으로써 상기 복수의 해부 영역을 구분하되, 이웃하는 해부 영역 간에는 적어도 상이한 컬러를 매칭시키는 단계
    를 더 포함하는 기계학습을 이용한 의료 영상 처리 방법.
  7. 제1항에 있어서,
    상기 골질환이 예측된 해부 영역이 대퇴골두(femoral head)일 경우,
    상기 대퇴골두의 지름(diameter)과 원만도(roundness)를, 상기 딥 러닝 기법을 적용하여 추정하는 단계;
    추정된 상기 지름과 상기 원만도에 기초하여, 상기 대퇴골두에 대한 원형태를 예측하는 단계; 및
    상기 예측된 원형태로부터, 비구형성(asphericity)을 포함하는, 상기 대퇴골두의 일부 영역을 지시자로 표시하여, 상기 엑스레이 영상으로 출력하는 단계
    를 더 포함하는 기계학습을 이용한 의료 영상 처리 방법.
  8. 오브젝트를 촬상한 엑스레이 영상을 획득하는 인터페이스부;
    상기 엑스레이 영상을 구성하는 골구조 영역 별로 딥 러닝 기법을 적용하여, 서로 상이한 골질을 가지는 복수의 해부 영역을 1차 구분한 후, 상기 복수의 해부 영역 각각에 대한 골질 분석을 통해 골질환이 예측되는 해부 영역을 2차 구분하는 프로세서; 및
    상기 골질환이 예측된 해부 영역을, 대체하는 인공관절을 결정하는 연산 컨트롤러
    를 포함하며,
    상기 연산 컨트롤러는,
    상기 골질환이 예측된 해부 영역에서, 상기 골질환이 점유하는 형태와 비율을 확인하고, 상기 확인된 형태와 정해진 범위 이내에서 일치하는 윤곽을 갖는 후보 인공관절을 데이터베이스에서 검색하며, 검색된 후보 인공관절 중에서, 상기 확인된 비율에, 규정된 가중치를 적용하여 산출되는 크기와 일정 범위 이내인 후보 인공관절을 상기 인공관절로서 선별함으로써, 상기 인공관절의 형상 및 크기를 결정하는 기계학습을 이용한 의료 영상 처리 장치.
  9. 제8항에 있어서,
    상기 프로세서는,
    상기 골구조 영역에 대해, 골조직의 방사선량에 따른 골질을 분별하여 상기 복수의 해부 영역을 구분하는
    기계학습을 이용한 의료 영상 처리 장치.
  10. 삭제
  11. 제8항에 있어서,
    상기 골구조 영역에 속하는 골의 부위에 따라, 피질골 두께를 수치화하여, 상기 엑스레이 영상으로 출력하는 디스플레이부
    를 더 포함하는 기계학습을 이용한 의료 영상 처리 장치.
  12. 제8항에 있어서,
    상기 복수의 해부 영역 각각의 윤곽에 대응하는 네임정보를 학습 테이블에서 추출하고, 상기 네임정보를, 상기 해부 영역 각각에 연관시켜 상기 엑스레이 영상으로 출력하는 디스플레이부
    를 더 포함하는 기계학습을 이용한 의료 영상 처리 장치.
  13. 제8항에 있어서,
    상기 해부 영역 각각으로 컬러를 매칭시켜 상기 엑스레이 영상으로 출력 함으로써 상기 복수의 해부 영역을 구분하되, 이웃하는 해부 영역 간에는 적어도 상이한 컬러를 매칭시키는 디스플레이부
    를 더 포함하는 기계학습을 이용한 의료 영상 처리 장치.
  14. 제8항에 있어서,
    상기 골질환이 예측된 해부 영역이 대퇴골두일 경우,
    상기 프로세서는,
    상기 대퇴골두의 지름과 원만도를, 상기 딥 러닝 기법을 적용하여 추정하고, 추정된 상기 지름과 상기 원만도에 기초하여, 상기 대퇴골두에 대한 원형태를 예측하며,
    디스플레이부를 통해, 상기 예측된 원형태로부터, 비구형성을 포함하는, 상기 대퇴골두의 일부 영역을 지시자로 표시하여, 상기 엑스레이 영상으로 출력하도록 하는
    기계학습을 이용한 의료 영상 처리 장치.
KR1020190063078A 2019-05-29 2019-05-29 기계학습을 이용한 의료 영상 처리 방법 및 장치 KR102254844B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020190063078A KR102254844B1 (ko) 2019-05-29 2019-05-29 기계학습을 이용한 의료 영상 처리 방법 및 장치
US17/614,890 US20220233159A1 (en) 2019-05-29 2020-02-28 Medical image processing method and device using machine learning
PCT/KR2020/002866 WO2020242019A1 (ko) 2019-05-29 2020-02-28 기계학습을 이용한 의료 영상 처리 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190063078A KR102254844B1 (ko) 2019-05-29 2019-05-29 기계학습을 이용한 의료 영상 처리 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20200137178A KR20200137178A (ko) 2020-12-09
KR102254844B1 true KR102254844B1 (ko) 2021-05-21

Family

ID=73554126

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190063078A KR102254844B1 (ko) 2019-05-29 2019-05-29 기계학습을 이용한 의료 영상 처리 방법 및 장치

Country Status (3)

Country Link
US (1) US20220233159A1 (ko)
KR (1) KR102254844B1 (ko)
WO (1) WO2020242019A1 (ko)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11540794B2 (en) * 2018-09-12 2023-01-03 Orthogrid Systesm Holdings, LLC Artificial intelligence intra-operative surgical guidance system and method of use
KR102574514B1 (ko) * 2020-12-17 2023-09-06 서울대학교산학협력단 관절염 진단 장치 및 이에 의한 관절염 진단을 위한 정보 제공 방법, 컴퓨터 판독 가능한 기록 매체 및 컴퓨터 프로그램
KR102622932B1 (ko) * 2021-06-16 2024-01-10 코넥티브 주식회사 딥러닝을 이용한 하지 x선 이미지 자동 분석 장치 및 방법
KR102616124B1 (ko) * 2021-07-16 2023-12-21 고려대학교 산학협력단 발달성 고관절 이형성증 진단 지원 시스템
KR102595106B1 (ko) 2021-09-08 2023-10-31 조윤상 천장골관절염 진단을 위한 딥러닝 네트워크 모델 생성 방법 및 시스템
KR20230062127A (ko) 2021-10-29 2023-05-09 강규리 사용자 맞춤형 가든 쉐어링 정보 및 매칭 서비스 제공 방법, 사용자 단말 및 기록매체
KR102566183B1 (ko) * 2022-05-23 2023-08-10 가천대학교 산학협력단 골반 자동 계측에 대한 정보 제공 방법 및 이를 이용한 장치
JP7181659B1 (ja) * 2022-06-15 2022-12-01 株式会社Medeco 医療機器選定装置および医療機器選定プログラムならびに医療機器選定方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017223560A1 (en) 2016-06-24 2017-12-28 Rensselaer Polytechnic Institute Tomographic image reconstruction via machine learning

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0803514D0 (en) * 2008-02-27 2008-04-02 Depuy Int Ltd Customised surgical apparatus
CA3092713A1 (en) * 2013-10-15 2015-04-23 Mohamed R. Mahfouz Bone graft cutting guide
KR20150108701A (ko) * 2014-03-18 2015-09-30 삼성전자주식회사 의료 영상 내 해부학적 요소 시각화 시스템 및 방법
KR101889128B1 (ko) * 2014-12-24 2018-08-17 주식회사 바이오알파 인공 골조직의 제조 시스템 및 이의 제조 방법
KR102551695B1 (ko) * 2015-11-25 2023-07-06 삼성메디슨 주식회사 의료 영상 장치 및 그 동작방법
EP3541270A4 (en) * 2016-11-18 2020-06-10 Stryker Corp. METHOD AND DEVICE FOR TREATING A JOINT, INCLUDING THE TREATMENT OF A CAM-LIKE FEMOROACETABULAR IMPINGEMENT IN A HIP JOINT AND A PLIERS-LIKE FEMOROACETABULAR IMPINGEMENT IN A HIP GEL
US20180365827A1 (en) * 2017-06-16 2018-12-20 Episurf Ip-Management Ab Creation of a decision support material indicating damage to an anatomical joint
US11540794B2 (en) * 2018-09-12 2023-01-03 Orthogrid Systesm Holdings, LLC Artificial intelligence intra-operative surgical guidance system and method of use

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017223560A1 (en) 2016-06-24 2017-12-28 Rensselaer Polytechnic Institute Tomographic image reconstruction via machine learning

Also Published As

Publication number Publication date
WO2020242019A1 (ko) 2020-12-03
US20220233159A1 (en) 2022-07-28
KR20200137178A (ko) 2020-12-09

Similar Documents

Publication Publication Date Title
KR102254844B1 (ko) 기계학습을 이용한 의료 영상 처리 방법 및 장치
US11727563B2 (en) Systems and methods for evaluating accuracy in a patient model
CN102648482B (zh) 用于所选组织结构的图像分析的方法及系统
JP6404310B2 (ja) 異常な骨の手術的矯正のための計画システム及び方法
US20130303900A1 (en) Method and apparatus for processing of stroke ct scans
CN112263236A (zh) 全身肿瘤mri智能化评估系统及方法
US11883219B2 (en) Artificial intelligence intra-operative surgical guidance system and method of use
US20220361807A1 (en) Assessment of spinal column integrity
JP2005523758A (ja) 画像データを視覚化する方法、コンピュータプログラム、及びシステム
US20230177681A1 (en) Method for determining an ablation region based on deep learning
KR20210054925A (ko) 골밀도 산출을 위한 관심영역 추출 시스템 및 방법
US20230157756A1 (en) Surgical system for revision orthopedic surgical procedures
CN111415341A (zh) 肺炎阶段的评估方法、装置、介质及电子设备
CN116029972A (zh) 一种基于形态学的骨折区域无损分割及重建方法
US20230172535A1 (en) Method for predicting the recurrence of a lesion by image analysis
Zhou et al. Improving inter-fragmentary alignment for virtual 3D reconstruction of highly fragmented bone fractures
JP6849526B2 (ja) 医用画像処理装置及び医用画像処理方法
Guity et al. Determination of prevalence of glenoid bony lesions after recurrent anterior shoulder dislocation using the 3-D CT scan
Kaur et al. Early Detection of Pneumothorax Using EfficientNet B0 Transfer Learning Model
TW202304383A (zh) 骨骼特徵值估計方法
Baudi et al. Shoulder instability: glenoid and humeral-head bone defect
Kawasaki et al. Quantitative evaluation of humeral head defects by comparing left and right feature

Legal Events

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