KR102286190B1 - 조산을 예측하기 위한 전자 장치 및 방법 - Google Patents

조산을 예측하기 위한 전자 장치 및 방법 Download PDF

Info

Publication number
KR102286190B1
KR102286190B1 KR1020200173144A KR20200173144A KR102286190B1 KR 102286190 B1 KR102286190 B1 KR 102286190B1 KR 1020200173144 A KR1020200173144 A KR 1020200173144A KR 20200173144 A KR20200173144 A KR 20200173144A KR 102286190 B1 KR102286190 B1 KR 102286190B1
Authority
KR
South Korea
Prior art keywords
cervix
ultrasound image
mother
ultrasound
entrance
Prior art date
Application number
KR1020200173144A
Other languages
English (en)
Inventor
이근영
손가현
조범주
이재준
박성택
Original Assignee
한림대학교 산학협력단
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 한림대학교 산학협력단 filed Critical 한림대학교 산학협력단
Priority to KR1020200173144A priority Critical patent/KR102286190B1/ko
Priority to KR1020210063971A priority patent/KR102270010B1/ko
Application granted granted Critical
Publication of KR102286190B1 publication Critical patent/KR102286190B1/ko
Priority to PCT/KR2021/016053 priority patent/WO2022124588A1/ko

Links

Images

Classifications

    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/43—Detecting, measuring or recording for evaluating the reproductive systems
    • A61B5/4306—Detecting, measuring or recording for evaluating the reproductive systems for evaluating the female reproductive systems, e.g. gynaecological evaluations
    • A61B5/4343—Pregnancy and labour monitoring, e.g. for labour onset detection
    • A61B5/4356—Assessing uterine contractions
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0833—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0866—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving foetal diagnosis; pre-natal or peri-natal diagnosis of the baby
    • 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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • 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
    • G06T2207/10132—Ultrasound 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]

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Gynecology & Obstetrics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Pregnancy & Childbirth (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Physiology (AREA)
  • Databases & Information Systems (AREA)
  • Reproductive Health (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

본 개시의 다양한 실시예에 따른 조산을 예측하기 위한 전자 장치는 외부 장치와 통신 연결되는 통신 회로, 기계 학습 알고리즘에 따라, 산모들의 자궁 경부에 관한 초음파 이미지 세트 및 상기 산모들의 조산 여부를 나타내는 데이터 세트 사이의 상관 관계를 모델링하여 구축된 제1 상관 모델을 저장하는 하나 이상의 메모리 및 하나 이상의 프로세서를 포함할 수 있다. 상기 하나 이상의 프로세서는, 상기 외부 장치로부터 수신한 타겟 산모의 제1 초음파 이미지를 상기 하나 이상의 메모리에 저장하고, 상기 제1 초음파 이미지를 전처리하여, 상기 타겟 산모의 자궁 경부에 관한 제2 초음파 이미지를 획득하고, 상기 제1 상관 모델을 이용하여, 상기 제2 초음파 이미지로부터 상기 타겟 산모의 조산 여부를 나타내는 데이터를 도출하도록 구성될 수 있다.

Description

조산을 예측하기 위한 전자 장치 및 방법{ELECTRONIC DEVICE AND METHOD FOR PREDICTING PRETERM BIRTH}
본 개시는 조산을 예측하기 위한 기술에 관한 것이다.
일반적으로 산모의 임신 기간을 기준으로 37주 이전에 분만하는 경우를 조산(preterm birth)이라고 한다. 조산이 발생하는 경우, 태어난 아기는 지적 능력 장애 등의 장애 또는 합병증이 발생할 수 있으며 치명적인 경우 사망에 이를 수 있다. 또한, 조산이 발생하는 경우, 산모도 다양한 합병증이 발생할 수 있으며 치명적인 경우 사망에 이를 수도 있다.
산모가 조산할지 여부를 예측하는 방법으로는 의사가 초음파 검사 장치를 통해 산모의 자궁을 육안으로 확인하거나, 임상적 지식과 경험을 기초로 판단하는 방법이 있다.
본 문서에 개시된 다양한 실시예들은 기계 학습(machine learning)을 통하여 산모의 조산을 예측하기 위한 기술을 제공한다.
본 개시의 다양한 실시예에 따른 조산을 예측하기 위한 전자 장치는, 외부 장치와 통신 연결되는 통신 회로; 기계 학습 알고리즘에 따라, 산모들의 자궁 경부에 관한 초음파 이미지 세트 및 상기 산모들의 조산 여부를 나타내는 데이터 세트 사이의 상관 관계를 모델링하여 구축된 제1 상관 모델을 저장하는 하나 이상의 메모리; 및 하나 이상의 프로세서를 포함할 수 있다. 상기 하나 이상의 프로세서는, 상기 외부 장치로부터 수신된 타겟 산모의 제1 초음파 이미지를 상기 하나 이상의 메모리에 저장하고, 상기 제1 초음파 이미지를 전처리하여, 상기 타겟 산모의 자궁 경부에 관한 제2 초음파 이미지를 획득하고, 상기 제1 상관 모델을 이용하여, 상기 제2 초음파 이미지로부터 상기 타겟 산모의 조산 여부를 나타내는 데이터를 도출하도록 구성될 수 있다.
본 개시의 다양한 실시예에 따른 조산을 예측하는 방법은, 외부 장치로부터 수신된 타겟 산모의 제1 초음파 이미지를 저장하는 동작, 상기 제1 초음파 이미지를 전처리하여, 상기 타겟 산모의 자궁 경부에 관한 제2 초음파 이미지를 획득하는 동작, 및 제1 상관 모델을 이용하여, 상기 제2 초음파 이미지로부터 상기 타겟 산모의 조산 여부를 나타내는 데이터를 도출하는 동작을 포함할 수 있다. 상기 제1 상관 모델은, 기계 학습 알고리즘에 따라, 산모들의 자궁 경부에 관한 초음파 이미지 세트 및 상기 산모들의 조산 여부를 나타내는 데이터 세트 사이의 상관 관계를 모델링하여 구축된 상관 모델일 수 있다.
본 개시의 다양한 실시예에 따른 컴퓨터 상에서 수행하기 위한 프로그램을 기록한 비일시적 컴퓨터 판독 가능한 기록 매체에 있어서, 상기 프로그램은, 하나 이상의 프로세서에 의한 실행 시, 상기 하나 이상의 프로세서가, 외부 장치로부터 수신된 타겟 산모의 제1 초음파 이미지를 저장하는 동작; 상기 제1 초음파 이미지를 전처리하여, 상기 타겟 산모의 자궁 경부에 관한 제2 초음파 이미지를 획득하는 동작; 및 제1 상관 모델을 이용하여, 상기 제2 초음파 이미지로부터 상기 타겟 산모의 조산 여부를 나타내는 데이터를 도출하는 동작을 수행하도록 하는 실행 가능한 명령을 포함할 수 있다. 상기 제1 상관 모델은, 기계 학습 알고리즘에 따라, 산모들의 자궁 경부에 관한 초음파 이미지 세트 및 상기 산모들의 조산 여부를 나타내는 데이터 세트 사이의 상관 관계를 모델링하여 구축된 상관 모델일 수 있다.
본 개시의 다양한 실시예에 따른 조산 예측에 이용되는 기계 학습 모델을 학습시키기 위한 전자 장치는, 산모들에 있어서 실제 조산이 발생했는지 여부에 따라 분류된 상기 산모들의 복수의 제1 초음파 이미지를 저장하는 하나 이상의 메모리; 및 하나 이상의 프로세서를 포함할 수 있다. 상기 하나 이상의 프로세서는, 상기 복수의 제1 초음파 이미지를 전처리하여, 상기 산모들의 자궁 경부에 관한 복수의 제2 초음파 이미지를 획득하고, 상기 복수의 제2 초음파 이미지의 세트를 입력 데이터로 사용하고, 상기 복수의 제2 초음파 이미지 각각에 대응하는 산모의 조산 여부를 나타내는 데이터의 세트를 출력 데이터로 사용하여, 기계 학습 모델을 학습시키도록 구성될 수 있다.
본 개시의 다양한 실시예에 따른 기계 학습 모델을 학습시키는 방법은, 산모들에 있어서 실제 조산이 발생했는지 여부에 따라 분류된 상기 산모들의 복수의 제1 초음파 이미지를 저장하는 동작, 상기 복수의 제1 초음파 이미지를 전처리하여, 상기 산모들의 자궁 경부에 관한 복수의 제2 초음파 이미지를 획득하는 동작 및 상기 복수의 제2 초음파 이미지의 세트를 입력 데이터로 사용하고, 상기 복수의 제2 초음파 이미지 각각에 대응하는 산모의 조산 여부를 나타내는 데이터의 세트를 출력 데이터로 사용하여, 기계 학습 모델을 학습시키는 동작을 포함할 수 있다.
본 개시의 다양한 실시예에 따르면, 기계 학습을 통하여 구축된 상관 모델을 이용하여 산모에게 조산이 발생할 수 있을지 여부를 판단(예측)함으로써, 의사가 초음파 검사 장치를 통해 육안으로 확인한 정보를 기초로 판단하는 방법에 비해 상대적으로 판단의 정확도가 향상될 수 있다.
본 개시의 다양한 실시예에 따르면, 초음파 검사 중인 산모의 조산 여부를 나타내는 데이터를 실시간으로 의사 및 산모에게 제공할 수 있다.
본 개시의 다양한 실시예에 따르면, 기계 학습을 통하여 구축된 상관 모델을 이용하여 산모에게 조산이 발생할 수 있을지 여부를 예측함으로써, 조산 예방을 위한 집중 치료를 제공할 수 있다. 임신 15주차 내지 28주차의 산모의 초음파 이미지를 이용하여 상기 산모에게 임신 37주차 이전에 조산할 지 여부를 예측함으로써, 조산 가능성이 높은 산모에게 조산 예방을 위한 집중 치료를 제공할 수 있다.
본 개시의 다양한 실시예에 따르면, 조산에 따른 태아 사망 가능성 및 합병증 발생 여부를 미리 예측할 수 있다. 또한, 조산에 따른 태아의 장애 발생 여부를 미리 예측할 수 있다.
도 1a 및 1b는 본 개시의 다양한 실시예에 따른 산모의 조산을 예측하기 위한 조산 예측 시스템을 도시한 도면이다.
도 2는 본 개시의 다양한 실시예에 따른 전자 장치의 블록도이다.
도 3a는 본 개시의 다양한 실시예에 따른 제1 상관 모델을 구축하는 방법을 도시한 도면이다.
도 3b는 본 개시의 다양한 실시예에 따른 제1 상관 모델을 활용하는 방법을 나타낸 도면이다.
도 4a 내지 4d는 본 개시의 다양한 실시예에 따른 산모의 제1 초음파 이미지를 전처리하여 산모의 자궁 경부에 관한 제2 초음파 이미지를 획득하는 과정을 도시한 도면이다.
도 5는 본 개시의 다양한 실시예에 따른 전자 장치의 동작 흐름도이다.
도 6은 본 개시의 다양한 실시예에 따른 전자 장치의 동작 흐름도이다.
도 7은 본 개시의 다양한 실시예에 따른 제2 상관 모델을 나타낸 도면이다.
도 8은 본 개시의 다양한 실시예에 따른 전자 장치의 동작 흐름도이다.
도 9는 본 개시의 다양한 실시예에 따른 전자 장치의 동작 흐름도이다.
본 개시의 실시예들은 본 개시의 기술적 사상을 설명하기 위한 목적으로 예시된 것이다. 본 개시에 따른 권리범위가 이하에 제시되는 실시예들이나 이들 실시예들에 대한 구체적 설명으로 한정되는 것은 아니다.
본 개시에 사용되는 모든 기술적 용어들 및 과학적 용어들은, 달리 정의되지 않는 한, 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에게 일반적으로 이해되는 의미를 갖는다. 본 개시에 사용되는 모든 용어들은 본 개시를 더욱 명확히 설명하기 위한 목적으로 선택된 것이며 본 개시에 따른 권리범위를 제한하기 위해 선택된 것이 아니다.
본 개시에서 사용되는 "포함하는", "구비하는", "갖는" 등과 같은 표현은, 해당 표현이 포함되는 어구 또는 문장에서 달리 언급되지 않는 한, 다른 실시예를 포함할 가능성을 내포하는 개방형 용어(open-ended terms)로 이해되어야 한다.
본 개시에서 기술된 단수형의 표현은 달리 언급하지 않는 한 복수형의 의미를 포함할 수 있으며, 이는 청구범위에 기재된 단수형의 표현에도 마찬가지로 적용된다.
본 개시에서 사용되는 "제1", "제2" 등의 표현들은 복수의 구성요소들을 상호 구분하기 위해 사용되며, 해당 구성요소들의 순서 또는 중요도를 한정하는 것은 아니다.
본 개시에서 사용되는 용어 "부"는, 소프트웨어, 또는 FPGA(field-programmable gate array), ASIC(application specific integrated circuit)과 같은 하드웨어 구성요소를 의미한다. 그러나, "부"는 하드웨어 및 소프트웨어에 한정되는 것은 아니다. "부"는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고, 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서, "부"는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세서, 함수, 속성, 프로시저, 서브루틴, 프로그램 코드의 세그먼트, 드라이버, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조, 테이블, 어레이 및 변수를 포함한다. 구성요소와 "부" 내에서 제공되는 기능은 더 작은 수의 구성요소 및 "부"로 결합되거나 추가적인 구성요소와 "부"로 더 분리될 수 있다.
본 개시에서 사용되는 "~에 기초하여"라는 표현은, 해당 표현이 포함되는 어구 또는 문장에서 기술되는, 결정, 판단의 행위 또는 동작에 영향을 주는 하나 이상의 인자를 기술하는데 사용되며, 이 표현은 결정, 판단의 행위 또는 동작에 영향을 주는 추가적인 인자를 배제하지 않는다.
본 개시에서, 어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 경우, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결될 수 있거나 접속될 수 있는 것으로, 또는 새로운 다른 구성요소를 매개로 하여 연결될 수 있거나 접속될 수 있는 것으로 이해되어야 한다.
본 개시에서 기재되는 치수와 수치는 기재된 치수와 수치 만으로 한정되는 것은 아니다. 달리 특정되지 않는 한, 이러한 치수와 수치는 기재된 값 및 이것을 포함하는 동등한 범위를 의미하는 것으로 이해될 수 있다. 예를 들어, 본 개시에 기재된 "** cm"라는 치수는 "약 ** cm"를 포함하는 것으로 이해될 수 있다.
본 개시에서, 인공지능(artificial intelligence, AI)은 인간의 학습능력, 추론능력, 지각능력을 모방하고, 이를 컴퓨터로 구현하는 기술을 의미하고, 기계학습, 심볼릭 로직의 개념을 포함할 수 있다. 기계학습(machine learning, ML)은 입력 데이터들의 특징을 스스로 분류 또는 학습하는 알고리즘 기술일 수 있다. 인공지능의 기술은 기계 학습의 알고리즘으로써 입력 데이터들 분석하고, 그 분석의 결과를 학습하며, 그 학습의 결과에 기초하여 기반으로 판단이나 예측을 할 수 있다. 또한, 기계 학습의 알고리즘을 활용하여 인간 두뇌의 인지, 판단의 기능을 모사하는 기술들 역시 인공지능의 범주로 이해될 수 있다. 예를 들어, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어의 기술 분야가 포함될 수 있다.
본 개시에서, 기계 학습은 데이터를 처리한 경험을 이용해 신경망 모델을 훈련시키는 처리를 의미할 수 있다. 기계 학습을 통해 컴퓨터 소프트웨어는 스스로 데이터 처리 능력을 향상시키는 것을 의미할 수 있다. 신경망 모델은 데이터 사이의 상관 관계를 모델링하여 구축된 것으로서, 그 상관 관계는 복수의 파라미터에 의해 표현될 수 있다. 신경망 모델은 주어진 데이터로부터 특징들을 추출하고 분석하여 데이터 간의 상관 관계를 도출하는데, 이러한 과정을 반복하여 신경망 모델의 파라미터를 최적화 해나가는 것이 기계 학습이라고 할 수 있다. 예를 들어, 신경망 모델은 입출력 쌍으로 주어지는 데이터에 대하여, 입력과 출력 사이의 매핑(상관 관계)을 학습할 수 있다. 또는 신경망 모델은 입력 데이터만 주어지는 경우에도 주어진 데이터 사이의 규칙성을 도출하여 그 관계를 학습할 수도 있다.
본 개시에서, 인공지능 학습 모델, 기계 학습 모델 또는 신경망 모델은 인간의 뇌 구조를 컴퓨터 상에서 구현하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하며 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고 받는 뉴런의 시냅틱(synaptic) 활동을 모의하여, 서로 간의 연결 관계를 가질 수 있다. 인공지능 학습 모델에서 복수의 네트워크 노드들은 서로 다른 깊이의 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고 받을 수 있다. 인공지능 학습 모델은, 예를 들어, 인공 신경망 모델(artificial neural network), 합성곱 신경망 모델(convolution neural network) 등일 수 있다.
이하, 첨부한 도면들을 참조하여, 본 개시의 실시예들을 설명한다. 첨부된 도면에서, 동일하거나 대응하는 구성요소에는 동일한 참조부호가 부여되어 있다. 또한, 이하의 실시예들의 설명에 있어서, 동일하거나 대응하는 구성요소를 중복하여 기술하는 것이 생략될 수 있다. 그러나, 구성요소에 관한 기술이 생략되어도, 그러한 구성요소가 어떤 실시예에 포함되지 않는 것으로 의도되지는 않는다.
도 1a 및 1b는 본 개시의 다양한 실시예에 따른 산모의 조산을 예측하기 위한 조산 예측 시스템(10)을 도시한 도면이다. 구체적으로, 도 1a는 복부 초음파 검사 결과를 이용한 조산 예측 시스템(10)이고, 도 1b는 질 초음파 검사 결과를 이용한 조산 예측 시스템(10)이다.
도 1a 및 1b를 참조하면, 조산 예측 시스템(10)은 전자 장치(100) 및 초음파 검사 장치(200)를 포함할 수 있다. 본 문서에 개시된 다양한 실시예에 따른 전자 장치(100)는 다양한 형태의 장치가 될 수 있다. 예를 들어, 전자 장치(100)는 컴퓨터 장치 또는 휴대용 통신 장치일 수 있다. 전자 장치(100)는 초음파 검사 장치(200)와 통신 연결되어 다양한 데이터를 송수신할 수 있다. 설명의 편의를 위하여 본 도면에서는 전자 장치(100)가 초음파 검사 장치(200)와 통신 연결된다고 기재하였으나, 전자 장치(100)는 초음파 검사 장치(200) 이외의 다양한 외부 장치들(예: 서버 장치, 저장 장치)과 통신할 수 있다. 이하에는, 설명의 편의를 위하여, 전자 장치(100)가 초음파 검사 장치(200)와는 별도로 구현된 것으로 설명되어 있으나, 전자 장치(100)는 초음파 검사 장치(200)에 하드웨어적으로 통합되어 하나의 장치로 구현될 수도 있고, 적어도 일부 구성이 초음파 검사 장치(200)와 소프트웨어적으로 통합되어 구현될 수도 있다.
다양한 실시예에 따른 초음파 검사 장치(200)는 복부, 질 등 신체의 다양한 부위를 검사할 수 있다. 도 1a의 초음파 검사 장치(200)는 대상체(예: 산모)의 복부를 향하여 초음파 신호를 조사하고, 반사된 초음파 신호의 정보를 이용하여, 연부 조직의 단층이나 혈류에 관한 이미지를 비침습적으로 획득할 수 있다. 도 1b의 초음파 검사 장치(200)는 대상체(예: 산모)의 질에서 자궁을 향하여 초음파 신호를 조사하고, 반사된 초음파 신호의 정보를 이용하여, 연부 조직의 단층이나 혈류에 관한 이미지를 비침습적으로 획득할 수 있는 장치이다. 사용자(예: 의사)는 초음파 검사 장치(200)를 이용하여 산모의 자궁 경부에 관한 초음파 이미지를 획득할 수 있다. 예를 들어, 사용자는 초음파 검사 장치(200)를 이용하여 복부 초음파 검사 또는 질 초음파 검사를 수행함으로써, 산모의 자궁 경부에 관한 초음파 이미지를 획득할 수 있다. 복부 초음파 검사는, 예를 들어, 초음파 검사 장치(200)의 프로브(또는, 탐촉자)를 젤 형태의 윤활제를 바른 산모의 복부에 문지르는 동안, 산모의 복부에 초음파를 조사하고, 반사된 초음파를 검출함으로써 산모의 자궁 경부에 관한 초음파 이미지를 획득하는 방법일 수 있다. 질 초음파 검사는, 예를 들어, 산모의 자궁 경부를 관찰할 수 있도록 윤활제를 바른 초음파 검사 장치(200)의 프로브를 산모의 질 속에 삽입한 상태에서 초음파를 조사하고, 반사된 초음파를 검출함으로써 산모의 초음파 이미지를 획득하는 방법일 수 있다.
사용자는 초음파 검사 장치(200)를 이용하여 산모의 초음파 이미지를 획득하여 저장할 수 있다. 산모의 초음파 이미지는 산모의 자궁, 태아 및 산모의 질 조직을 포함하는 초음파 이미지일 수 있다. 산모의 초음파 이미지는, 예를 들어, 자궁 경부를 포함할 수도 있고, 자궁 경부의 외부 입구 및 내부 입구 중 적어도 하나를 포함할 수도 있다. 예를 들어, 사용자는 산모의 자궁 경부의 외부 입구(external orifice 또는 external os) 및 내부 입구(internal orifice 또는 internal os)를 포함하는 초음파 이미지를 획득하여 저장할 수 있다. 초음파 검사 장치(200)는 산모의 초음파 이미지를 전자 장치(100)로 전송할 수도 있고, 다른 외부 장치(예: 서버 장치, 저장 장치)로 전송할 수도 있다.
다양한 실시예에 따른 전자 장치(100)는 산모들의 자궁 경부에 관한 초음파 이미지 세트 및 상기 산모들의 조산 여부를 나타내는 데이터 세트 사이의 상관 관계를 모델링한 제1 상관 모델(310)을 구축할 수 있다.
구체적으로, 전자 장치(100)는 산모들에 있어서 실제 조산이 발생했는지 여부에 따라 분류된 산모들의 복수의 제1 초음파 이미지를 외부 장치로부터 수신할 수 있다. 예를 들어, 상기 복수의 제1 초음파 이미지는, 산모들에 있어서 실제 조산이 발생했는지 여부에 따라 분류된 산모들의 임신 15주차 내지 28주차의 복수의 초음파 이미지일 수 있다. 여기서, 임신 15주차 내지 28주차는 임신 15주 첫째 날부터 임신 28주의 첫째 날 까지를 의미할 수 있다. 예를 들어, 복수의 제1 초음파 이미지는 실제 조산이 발생한 산모들의 임신 15주차 내지 28주차의 초음파 이미지들 및 실제 조산이 발생하지 않은 산모들의 임신 15주차 내지 28주차의 초음파 이미지들을 포함할 수 있다. 전자 장치(100)는 수신한 복수의 제1 초음파 이미지를 하나 이상의 메모리(120)에 저장할 수 있다.
전자 장치(100)는 복수의 제1 초음파 이미지를 전처리하여, 산모들의 자궁 경부에 관한 복수의 제2 초음파 이미지를 획득할 수 있다. 복수의 제2 초음파 이미지는 산모들의 자궁 경부의 적어도 일부를 포함하는 초음파 이미지들일 수 있다. 예를 들어, 복수의 제2 초음파 이미지는 산모들의 자궁 경부의 외부 입구 및 내부 입구 중 적어도 하나를 포함하는 초음파 이미지들일 수 있다. 제1 초음파 이미지를 전처리하는 구체적인 방법은 후술하기로 한다.
전자 장치(100)는 복수의 제2 초음파 이미지의 세트를 입력 데이터로 사용하고, 복수의 제2 초음파 이미지 각각에 대응하는 산모의 조산 여부를 나타내는 데이터의 세트를 출력 데이터로 사용하여 기계 학습 모델을 학습시킬 수 있다. 기계 학습 모델을 학습시키는 구체적인 방법은 후술하기로 한다.
상기 방법을 이용하여, 전자 장치(100)는 기계 학습 알고리즘에 따라, 산모들의 자궁 경부에 관한 초음파 이미지 세트 및 산모들의 조산 여부를 나타내는 데이터 세트 사이의 상관 관계를 모델링한 제1 상관 모델(310)을 구축할 수 있다. 전자 장치(100)는 제1 상관 모델(310)을 하나 이상의 메모리(120)에 저장할 수 있다.
다양한 실시예에 따른 전자 장치(100)는 기계 학습 알고리즘에 따라 구축된 제1 상관 모델(310)을 이용하여, 산모의 초음파 이미지로부터 산모의 조산 여부를 나타내는 데이터를 도출할 수 있다. 전자 장치(100)는 외부 장치(예: 초음파 검사 장치(200))로부터 타겟 산모의 제1 초음파 이미지를 수신할 수 있다. 타겟 산모는 조산 여부를 예측하기 위하여 검사 대상이 되는 산모를 의미할 수 있다. 전자 장치(100)는 외부 장치로부터 수신한 타겟 산모의 제1 초음파 이미지를 하나 이상의 메모리(120)에 저장할 수 있다. 제1 초음파 이미지는 임신 15주차 내지 28주차의 타겟 산모의 초음파 이미지일 수 있다. 상기 실시예에서 제1 초음파 이미지는 임신 15주차 내지 28주차의 타겟 산모의 초음파 이미지라고 하였으나, 상기 기간에 제한되는 것은 아니다.
전자 장치(100)는 저장된 제1 초음파 이미지를 전처리하여, 타겟 산모의 자궁 경부에 관한 제2 초음파 이미지를 획득할 수 있다. 타겟 산모의 조산 여부를 판단하기 위한 입력 데이터로서 타겟 산모의 자궁 경부에 관한 이미지를 이용하는 경우, 제1 초음파 이미지를 전처리하여 해당 이미지를 획득할 수 있다. 제2 초음파 이미지는 타겟 산모의 자궁 경부의 적어도 일부를 포함하는 초음파 이미지일 수 있다. 제2 초음파 이미지는, 예를 들어, 타겟 산모의 자궁 경부의 외부 입구 및 내부 입구 중 적어도 하나를 포함하는 초음파 이미지일 수 있다. 제1 초음파 이미지를 전처리하는 구체적인 방법은 후술하기로 한다.
전자 장치(100)는 제1 상관 모델(310)을 이용하여, 제2 초음파 이미지로부터 타겟 산모의 조산 여부를 나타내는 데이터를 도출할 수 있다. 예를 들어, 전자 장치(100)는 제2 초음파 이미지를 제1 상관 모델(310)에 입력시키고, 제1 상관 모델(310)로부터 출력된 타겟 산모의 조산 여부를 나타내는 데이터를 획득할 수 있다.
다양한 실시예에 따르면, 전자 장치(100)는 타겟 산모의 조산 여부를 나타내는 데이터를 초음파 검사 장치(200)에 전송할 수 있다. 상기의 초음파 검사 장치(200)는 수신한 타겟 산모의 조산 여부를 나타내는 데이터를 디스플레이를 통해 표시할 수 있다. 상기의 경우, 사용자는 초음파 검사 장치(200)를 통해 타겟 산모에 대한 초음파 검사를 진행하면서 타겟 산모의 조산 여부를 나타내는 데이터를 초음파 검사 장치(200)를 통해 확인할 수 있다. 예를 들어, 초음파 검사 장치(200)는 디스플레이를 통해 "본 산모는 조산이 발생할 가능성이 높은 산모입니다."라는 메시지를 표시할 수 있다. 상기의 경우, 초음파 검사 중인 산모의 조산 여부를 나타내는 데이터를 실시간으로 의사 및 산모에게 제공하여 확인하게 할 수 있다.
다양한 실시예에 따르면, 전자 장치(100)는 타겟 산모의 조산 여부를 나타내는 데이터를 별도의 서버 장치에 전송할 수 있고, 서버 장치는 수신한 타겟 산모의 조산 여부를 나타내는 데이터를 저장할 수 있다. 상기의 경우, 사용자는 서버 장치를 통해 타겟 산모의 조산 여부를 나타내는 데이터를 확인할 수 있다. 상기의 경우, 민감한 정보로 분류될 수 있는 조산 여부를 나타내는 데이터를 의사가 확인하여 관리할 수 있다.
도 2는 본 개시의 다양한 실시예에 따른 전자 장치(100)의 블록도이다. 전자 장치(100)는 하나 이상의 프로세서(110), 하나 이상의 메모리(120), 통신 회로(130) 및 입력 장치(140)를 포함할 수 있다. 전자 장치(100)에 포함된 구성요소들 중 적어도 하나가 생략되거나, 다른 구성요소가 전자 장치(100)에 추가될 수 있다. 추가적으로 또는 대체적으로 일부의 구성요소들이 통합되어 구현되거나, 단수 또는 복수의 개체로 구현될 수 있다. 전자 장치(100) 내, 외부의 구성 요소들 중 적어도 일부의 구성요소들은 버스, GPIO(general purpose input/output), SPI(serial peripheral interface) 또는 MIPI(mobile industry processor interface) 등을 통해 서로 연결되어, 데이터 및/또는 시그널을 주고 받을 수 있다.
다양한 실시예에 따르면, 하나 이상의 프로세서(110)는 전자 장치(100)의 각 구성요소들의 제어 및/또는 통신에 관한 연산이나 데이터 처리를 수행할 수 있는 구성일 수 있다. 하나 이상의 프로세서(110)는, 예를 들어, 전자 장치(100)의 구성 요소들과 작동적으로 연결될 수 있다. 하나 이상의 프로세서(110)는 전자 장치(100)의 다른 구성 요소로부터 수신된 명령 또는 데이터를 하나 이상의 메모리(120)에 로드(load)하고, 하나 이상의 메모리(120)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 저장할 수 있다.
다양한 실시예에 따르면, 하나 이상의 메모리(120)는 하나 이상의 프로세서(110)의 동작에 대한 인스트럭션들을 저장할 수 있다. 하나 이상의 메모리(120)는 기계 학습 알고리즘에 따라 구축된 상관 모델들을 저장할 수 있다.
다양한 실시예에 따르면, 통신 회로(130)는 외부 장치(예: 초음파 검사 장치(200))와 통신 채널을 설립하고, 외부 장치와 다양한 데이터를 송수신할 수 있다. 다양한 실시예에 따르면, 통신 회로(130)는 셀룰러 통신 모듈을 포함하여 셀룰러 네트워크(예: 3G, LTE, 5G, Wibro 또는 Wimax)에 연결되도록 구성할 수 있다. 다양한 실시예에 따르면, 통신 회로(130)는 근거리 통신 모듈을 포함하여 근거리 통신(예를 들면, Wi-Fi, Bluetooth, Bluetooth Low Energy(BLE), UWB)을 이용해 외부 장치와 데이터 송수신을 할 수 있으나, 이에 제한되지 않는다.
다양한 실시예에 따르면 통신 회로(130)는 비접촉식 통신을 위한 비접촉 통신 모듈을 포함할 수 있다. 비접촉식 통신은, 예를 들면, NFC(near field communication) 통신, RFID(radio frequency identification) 통신 또는 MST(magnetic secure transmission) 통신과 같이 적어도 하나의 비접촉 방식의 근접 통신 기술을 포함할 수 있다.
다양한 실시예에 따른 입력 장치(140)는, 전자 장치(100)의 구성요소(예: 하나 이상의 프로세서(110))에 사용될 명령 또는 데이터를 전자 장치(100)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 장치(140)는, 예를 들면, 마이크, 마우스 또는 키보드를 포함할 수 있다.
다양한 실시예에 따른 하나 이상의 프로세서(110)는 통신 회로(130)를 통해 외부 장치로부터 타겟 산모의 제1 초음파 이미지를 수신할 수 있다. 하나 이상의 프로세서(110)는 수신한 타겟 산모의 제1 초음파 이미지를 하나 이상의 메모리(120)에 저장할 수 있다.
다양한 실시예에 따른 하나 이상의 프로세서(110)는 제1 초음파 이미지를 전처리하여, 타겟 산모의 자궁 경부에 관한 제2 초음파 이미지를 획득할 수 있다.
다양한 실시예에 따른 하나 이상의 프로세서(110)는 제1 상관 모델을 이용하여, 제2 초음파 이미지로부터 타겟 산모의 조산 여부를 나타내는 데이터를 도출할 수 있다. 제1 상관 모델은 기계 학습 알고리즘에 따라, 산모들의 자궁 경부에 관한 초음파 이미지 세트 및 산모들의 조산 여부를 나타내는 데이터 세트 사이의 상관 관계를 모델링하여 구축된 상관 모델일 수 있다. 하나 이상의 메모리(120)는 상기 제1 상관 모델을 저장할 수 있다. 하나 이상의 프로세서(110)는 제2 초음파 이미지를 제1 상관 모델에 입력하고, 제1 상관 모델로부터 출력된 타겟 산모의 조산 여부를 나타내는 데이터를 획득할 수 있다.
도 3a는 본 개시의 다양한 실시예에 따른 제1 상관 모델을 구축하는 방법을 도시한 도면이다. 도 3a를 참조하면, 다양한 실시예에 따른 전자 장치(100)는 산모들에 있어서 실제 조산이 발생했는지 여부에 따라 분류된 산모들의 복수의 제1 초음파 이미지(301)를 이용하여, 제1 상관 모델(310)을 구축할 수 있다.
다양한 실시예에 따른 전자 장치(100)는 산모들에 있어서 실제 조산이 발생했는지 여부에 따라 분류된 산모들의 복수의 제1 초음파 이미지(301)를 저장할 수 있다. 예를 들어, 전자 장치(100)의 하나 이상의 프로세서(110)는 외부 장치로부터 상기 복수의 제1 초음파 이미지(301)를 수신하여 하나 이상의 메모리(예: 도 2의 하나 이상의 메모리(120))에 저장할 수 있다.
다양한 실시예에 따른 하나 이상의 프로세서(110)는 복수의 제1 초음파 이미지(301)를 전처리하여, 산모들의 자궁 경부에 관한 복수의 제2 초음파 이미지를 획득할 수 있다. 하나 이상의 프로세서(110)는 복수의 제1 초음파 이미지 각각에서 복수의 제1 초음파 이미지 각각에 대응하는 산모의 자궁 경부의 외부 입구 및 내부 입구 중 적어도 하나의 위치를 결정하고, 복수의 제1 초음파 이미지 각각에 대해 결정된 자궁 경부의 외부 입구 및 내부 입구 중 적어도 하나의 위치에 기초하여 복수의 제1 초음파 이미지 각각의 관심 영역을 결정할 수 있다.
일 실시예에 따르면, 하나 이상의 프로세서(110)는 복수의 제1 초음파 이미지 각각에서 복수의 제1 초음파 이미지 각각에 대응하는 산모의 자궁 경부의 외부 입구 및 내부 입구의 위치를 모두 결정하고, 복수의 제1 초음파 이미지 각각에 대해 결정된 자궁 경부의 외부 입구 및 내부 입구의 위치에 기초하여 복수의 제1 초음파 이미지 각각의 관심 영역을 결정할 수 있다. 예를 들어, 하나 이상의 프로세서(110)는 복수의 제1 초음파 이미지 각각에서 복수의 제1 초음파 이미지 각각에 대응하는 산모의 자궁 경부의 외부 입구의 위치만을 결정하고, 복수의 제1 초음파 이미지 각각에 대해 결정된 자궁 경부의 외부 입구의 위치에 기초하여 복수의 제1 초음파 이미지 각각의 관심 영역을 결정할 수도 있다.
다양한 실시예에 따른 하나 이상의 프로세서(110)는 복수의 제1 초음파 이미지 각각에서 결정된 관심 영역을 크롭하여, 복수의 제2 초음파 이미지를 획득할 수 있다. 일 실시예에 따르면, 하나 이상의 프로세서(110)는 복수의 제2 초음파 이미지의 대비를 향상시키기 위하여, 복수의 제2 초음파 이미지에 CLAHE 알고리즘을 적용할 수 있다.
다양한 실시예에 따른 하나 이상의 프로세서(110)는 복수의 제2 초음파 이미지의 세트를 입력 데이터로 사용하고, 복수의 제2 초음파 이미지 각각에 대응하는 산모의 조산 여부를 나타내는 데이터의 세트를 출력 데이터로 사용하여 기계 학습 모델을 학습할 수 있다. 하나 이상의 프로세서(110)는 상술한 기계 학습 과정을 통하여, 산모들의 자궁 경부에 관한 초음파 이미지 세트 및 상기 산모들의 조산 여부를 나타내는 데이터 세트 사이의 상관 관계를 모델링한 제1 상관 모델(310)을 구축할 수 있다.
다양한 실시예에 따른 하나 이상의 프로세서(110)는 구축된 제1 상관 모델(310)을 이용하여, 타겟 산모의 조산 여부를 예측할 수 있다. 예를 들어, 하나 이상의 프로세서(110)는, 타겟 산모의 제1 초음파 이미지를 외부 장치로부터 수신하는 경우, 타겟 산모의 제1 초음파 이미지를 전처리하여, 타겟 산모의 자궁 경부에 관한 제2 초음파 이미지를 획득할 수 있다. 하나 이상의 프로세서(110)는 타겟 산모의 자궁 경부에 관한 제2 초음파 이미지를 제1 상관 모델(310)에 입력하여, 타겟 산모의 조산 여부를 나타내는 데이터를 도출할 수 있다. 제2 초음파 이미지는 타겟 산모의 자궁 경부의 적어도 일부를 포함하는 초음파 이미지일 수 있다. 제2 초음파 이미지는, 예를 들어, 타겟 산모의 자궁 경부의 외부 입구 및 내부 입구 중 적어도 하나를 포함하는 초음파 이미지일 수 있다.
다양한 실시예에 따른 하나 이상의 프로세서(110)는 복수의 제1 초음파 이미지를 전처리하지 않고, 기계 학습 모델을 학습시킬 수도 있다. 상기의 경우, 하나 이상의 프로세서(110)는 복수의 제1 초음파 이미지의 세트를 입력 데이터로 사용하고, 복수의 제1 초음파 이미지 각각에 대응하는 산모의 조산 여부를 나타내는 데이터의 세트를 출력 데이터로 사용하여 기계 학습 모델을 학습할 수 있다. 하나 이상의 프로세서(110)는 기계 학습 과정을 통하여, 산모들의 초음파 이미지 세트 및 상기 산모들의 조산 여부를 나타내는 데이터 세트 사이의 상관 관계를 모델링한 제1 상관 모델(310)을 구축할 수도 있다.
도 3b는 본 개시의 다양한 실시예에 따른 제1 상관 모델(310)을 활용하는 방법을 나타낸 도면이다. 전술한 바와 같이, 제1 상관 모델(310)은 기계 학습 알고리즘에 따라, 산모들의 자궁 경부에 관한 초음파 이미지 세트 및 산모들의 조산 여부를 나타내는 데이터 세트 사이의 상관 관계를 모델링하여 구축된 상관 모델일 수 있다. 산모들의 조산 여부를 나타내는 데이터(330)는 제1 상관 모델(310)에 의해 도출된(예측된) 데이터일 수 있다. 예를 들어, 산모들의 조산 여부를 나타내는 데이터(330)는 산모들이 임신 37주차 이전에 조산할 지 여부를 나타내는 데이터일 수 있다. 산모들의 자궁 경부에 관한 초음파 이미지(320)는, 산모들에 있어서 실제 조산이 발생했는지 여부에 따라 분류된 산모들의 자궁 경부에 관한 복수의 초음파 이미지를 포함할 수 있다. 예를 들어, 산모들의 자궁 경부에 관한 초음파 이미지(320)는 실제 조산이 발생한 산모들의 임신 15주차 내지 28주차의 자궁 경부에 관한 초음파 이미지들 및 실제 조산이 발생하지 않은 산모들의 임신 15주차 내지 28주차의 자궁 경부에 관한 초음파 이미지들을 포함할 수 있다. 실제 조산이 발생한 산모들의 초음파 이미지들 및 실제 조산이 발생하지 않은 산모들의 초음파 이미지들 간의 비율은 통상의 기술자 입장에서 기계 학습 모델을 학습시키기 적절한 비율로 설정될 수 있다. 상기 실시예에서, 산모들의 조산 여부를 나타내는 데이터(330)는 산모들의 임신 37주차 이전에 조산할 지 여부를 나타내는 데이터일 수 있다고 하였으나, 상기 기간에 제한되는 것은 아니다.
일 실시예에서, 제1 상관 모델(310)은 상술한 데이터 외에 다른 데이터, 예를 들어, 산모들의 개인 임상 정보(clinical information)와의 상관 관계를 더 고려하여 구축될 수도 있다.
본 개시에서 기계 학습은, 데이터 및 데이터를 처리한 경험을 이용한 학습을 통해, 컴퓨터 소프트웨어가 데이터 처리 능력을 향상시키는 것을 의미할 수 있다. 기계 학습은 상관 모델에 의해 수행될 수 있다. 상관 모델은 데이터 사이의 상관 관계를 모델링하여 구축된 것으로서, 상관 관계는 복수의 파라미터에 의해 표현될 수 있다. 상관 모델은 주어진 데이터로부터 특징들을 추출하고 분석하여, 데이터 간의 상관 관계를 도출하는데, 이러한 과정을 반복하여 상관 모델의 파라미터를 최적화 해나가는 것이 기계 학습이라고 할 수 있다. 예를 들어, 데이터가 상관 모델의 입력 및 출력 쌍으로 주어지는 경우, 상관 모델은 입력과 출력 사이의 매핑(상관 관계)을 학습할 수 있다. 또는 입력 데이터만 주어지는 경우에도, 상관 모델은 주어진 데이터 사이의 규칙성을 도출하여 그 관계를 학습할 수도 있다. 일 실시예에서, 기계 학습 알고리즘은 심층 신경망(deep neural network), 순환 신경망(recurrent neural network), 합성곱 신경망(convolution neural network), 분류-회귀 분석(regression analysis)을 위한 머신 러닝 모델, 강화 학습(reinforcement learning) 모델, 결정 트리 학습법(decision tree learning), 연관 규칙 학습법, 유전 계획법, 귀납 논리 계획법, 서포트 벡터 머신(support vector machine), 클러스터링(clustering), 베이즈 네트워크(Bayesian network) 또는 동일성 계측 학습법 중에서 선택된 적어도 하나일 수 있다.
제1 상관 모델(310)은, 상기 초음파 이미지 세트로부터, 질감, 밀도, 자궁 경부의 모양, 자궁 전체의 모양, 자궁 주변 조직의 모양, 병변의 유무, 슬러지(sludge)의 유무 및 자궁 경부의 길이 중 적어도 하나의 특징을 추출하고, 제1 상관 모델(310)은 추출된 적어도 하나의 특징을 이용하여, 초음파 이미지 세트 및 산모들의 조산 여부를 나타내는 데이터 세트 사이의 상관 관계를 도출하도록 기계 학습된 상관 모델일 수 있다.
제1 상관 모델(310)은, 산모들에 있어서 실제 조산이 발생했는지 여부에 따라 분류된 산모들의 자궁 경부에 관한 복수의 초음파 이미지 세트를 입력 데이터로 사용하고, 복수의 초음파 이미지 각각에 대응하는 산모의 조산 여부를 나타내는 데이터(330)를 출력 데이터로 사용하여, 기계 학습 모델을 학습시켜서 구축한 상관 모델일 수 있다. 상기 입력 데이터로 사용된 복수의 초음파 이미지 세트는, 실제 조산이 발생했는지 여부에 따라 분류된 산모들의 복수의 초음파를 전처리하여 획득한 산모들의 자궁 경부에 관한 복수의 초음파 이미지를 포함할 수 있다.
다양한 실시예에 따른 하나 이상의 프로세서(110)는 제1 상관 모델(310)에 상술한 산모들의 자궁 경부에 관한 초음파 이미지(320)를 입력할 수 있다. 제1 상관 모델(310)은 입력된 산모들의 자궁 경부에 관한 초음파 이미지(320)에 기초하여, 산모들의 조산 여부를 나타내는 데이터(330)를 도출(예측)할 수 있다. 제1 상관 모델(310)은 도출된 산모들의 조산 여부를 나타내는 데이터(330)를 출력할 수 있다. 산모들의 조산 여부를 나타내는 데이터(330)는 산모들이 임신 37주차 이전에 조산할지 여부를 나타내는 데이터일 수 있으며, 예를 들어, 임신 37주차 이전에 조산할지 여부를 O(preterm) 또는 X(normal)로 나타내는 데이터일 수 있다. 따라서, 구축된 제1 상관 모델(310)을 이용하면, 타겟 산모의 자궁 경부에 관한 초음파 이미지(320)로부터 타겟 산모의 조산 여부를 나타내는 데이터(330)를 도출할 수 있다.
도 4a 내지 4d는 본 개시의 다양한 실시예에 따른 산모의 제1 초음파 이미지를 전처리하여 산모의 자궁 경부에 관한 제2 초음파 이미지를 획득하는 과정을 도시한 도면이다.
도 4a는 외부 장치로부터 수신한 산모의 제1 초음파 이미지(401)를 나타낸 도면이다. 도 4b는 외부 장치로부터 수신한 산모의 제1 초음파 이미지(403)를 나타낸 도면이다. 다양한 실시예에 따른 전자 장치(100)는 외부 장치로부터 자궁 경부의 외부 입구 및 내부 입구의 위치가 표시되지 않은 산모의 제1 초음파 이미지(401)를 수신할 수도 있고, 자궁 경부의 외부 입구 및 내부 입구의 위치가 표시된 산모의 제1 초음파 이미지(403)를 수신할 수도 있다.
도 4a를 참조하면, 다양한 실시예에 따른 하나 이상의 프로세서(110)는 통신 회로(130)를 통해 외부 장치로부터 자궁 경부의 외부 입구 및 내부 입구의 위치가 표시되지 않은 산모의 제1 초음파 이미지(401)를 수신할 수 있다. 외부 장치는, 예를 들어, 초음파 검사 장치(200), 서버 장치 또는 저장 장치(예: 클라우드)일 수 있다. 산모의 제1 초음파 이미지(401)는 초음파 검사 장치(200)를 통해 산모의 자궁을 측정함으로써 획득된 초음파 이미지일 수 있다. 하나 이상의 프로세서(110)는 수신한 산모의 제1 초음파 이미지(401)를 하나 이상의 메모리(120)에 저장할 수 있다. 상기의 경우, 하나 이상의 프로세서(110)는 제2 상관 모델(예: 도 7의 제2 상관 모델(710))을 이용하여 제1 초음파 이미지(403)로부터 산모의 자궁 경부의 외부 입구(413) 및 내부 입구(411) 중 적어도 하나의 위치를 도출할 수도 있다. 제2 상관 모델을 이용하는 구체적인 방법은 후술하도록 한다.
도 4b를 참조하면, 다양한 실시예에 따른 하나 이상의 프로세서(110)는 외부 장치로부터 산모의 자궁 경부의 외부 입구(413) 및 내부 입구(411)의 위치가 표시된 제1 초음파 이미지(403)를 수신할 수 있다. 예를 들어, 사용자(예: 의사)는 초음파 검사 장치(200)를 통해 초음파 검사를 진행하는 중 초음파 검사 장치(200)를 통해 제1 초음파 이미지(403) 상에 자궁 경부의 외부 입구(413) 및 내부 입구(411)의 위치를 마킹할 수 있다. 예를 들어, 사용자는 초음파 검사가 끝난 이후, 초음파 검사 장치(200)를 통해 획득된 산모의 제1 초음파 이미지(403) 상에 자궁 경부의 외부 입구(413) 및 내부 입구(411)의 위치를 마킹할 수 있다. 일 실시예에 따르면, 전자 장치(100)가 초음파 검사 장치(200)로부터 산모의 제1 초음파 이미지(403)를 수신한 이후, 사용자는 전자 장치(100)의 입력 장치(140)를 이용하여 수신한 제1 초음파 이미지(403) 상에 자궁 경부의 외부 입구(413) 및 내부 입구(411)의 위치를 결정할 수 있다. 예를 들어, 하나 이상의 프로세서(110)는 입력 장치(140)를 통해 수신한 사용자 입력에 기초하여, 제1 초음파 이미지(403)에서 산모의 자궁 경부의 외부 입구(413) 및 내부 입구(411) 중 적어도 하나의 위치를 결정할 수 있다.
산모의 제1 초음파 이미지(401 또는 403)는 자궁 경부의 외부 입구(413) 및 내부 입구(411)의 위치뿐만 아니라, 산모의 자궁의 위치, 태아의 위치, 산모의 질 조직 위치 등이 나타난 로우 이미지(raw image)일 수 있다. 제1 상관 모델(310)을 이용하여 정확도가 높은 산모의 조산 여부를 나타내는 데이터를 도출하기 위해서는, 산모의 자궁 경부에 관한 이미지가 필요하므로, 산모의 제1 초음파 이미지(401 또는 403)를 전처리하여, 조산 여부를 예측하는데 불필요한 정보들이 제거하는 것이 바람직할 수 있다.
도 4c 및 4d는 제1 초음파 이미지를 전처리하여 제2 초음파 이미지를 획득하는 방법을 도시한 도면이다. 다양한 실시예에 따른 하나 이상의 프로세서(110)는 산모의 제1 초음파 이미지(401 또는 403)를 전처리하여, 산모의 자궁 경부에 관한 제2 초음파 이미지를 획득할 수 있다. 제2 초음파 이미지는 자궁 경부의 적어도 일부를 포함하는 초음파 이미지일 수 있다. 제2 초음파 이미지는, 예를 들어, 자궁 경부의 외부 입구(413) 및 내부 입구(411) 중 적어도 하나의 위치를 포함하는 초음파 이미지일 수 있다.
도 4c를 참조하면, 다양한 실시예에 따른 하나 이상의 프로세서(110)는 제1 초음파 이미지 상에서 산모의 자궁 경부의 외부 입구(413) 및 내부 입구(411) 중 적어도 하나의 위치를 결정할 수 있다. 예를 들어, 하나 이상의 프로세서(110)는 제1 초음파 이미지(403) 상에 마킹된 위치들에 기초하여, 산모의 자궁 경부의 외부 입구(413) 및 내부 입구(411) 중 적어도 하나의 위치를 결정할 수 있다. 예를 들어, 하나 이상의 프로세서(110)는 제2 상관 모델(710)을 이용하여, 제1 초음파 이미지(401)로부터 산모의 자궁 경부의 외부 입구(413) 및 내부 입구(411) 중 적어도 하나의 위치를 도출할 수 있다. 예를 들어, 하나 이상의 프로세서(110)는 제2 상관 모델(710)로부터 도출된 위치들을 산모의 자궁 경부의 외부 입구(413) 및 내부 입구(411)의 위치로 결정할 수 있다.
다양한 실시예에 따른 하나 이상의 프로세서(110)는 결정된 산모의 자궁 경부의 외부 입구(413) 및 내부 입구(411) 중 적어도 하나의 위치에 기초하여, 제1 초음파 이미지를 회전시키고, 회전된 제1 초음파 이미지에서 관심 영역을 결정할 수 있다. 예를 들어, 하나 이상의 프로세서(110)는 산모의 자궁 경부의 외부 입구(413)에서 내부 입구(411)로 향하는 방향이 수직으로 올라가는 방향이 되도록 제1 초음파 이미지를 회전시킬 수 있다. 즉, 하나 이상의 프로세서(110)는 산모의 자궁 경부의 외부 입구(413)로부터 내부 입구(411)로 향하는 반직선이 수평선에 대해 수직하도록 제1 초음파 이미지를 회전시킬 수 있다. 일 실시예에 따르면, 제1 초음파 이미지를 회전시키지 않고 바로 관심 영역을 결정할 수도 있다.
다양한 실시예에 따른 하나 이상의 프로세서(110)는 회전된 제1 초음파 이미지(405)에서 관심 영역을 결정할 수 있다. 하나 이상의 프로세서(110)는 회전된 제1 초음파 이미지(405)에서 산모의 자궁 경부의 적어도 일부를 포함하는 관심 영역을 결정할 수 있다. 예를 들어, 하나 이상의 프로세서(110)는 회전된 제1 초음파 이미지(405)에서 산모의 자궁 경부의 외부 입구(413) 및 내부 입구(411) 중 적어도 하나가 포함되도록 특정 크기의 관심 영역을 결정할 수 있다. 예를 들어, 산모의 자궁 경부의 외부 입구(413)를 기준으로 기 지정된 세로 길이 및 가로 길이를 갖는 관심 영역을 결정할 수 있다. 예를 들어, 산모의 자궁 경부의 외부 입구(413)로부터 위로 5cm, 아래로 1cm, 좌로 2cm 및 우로 1.5cm 길이를 갖는 직사각형 영역을 관심 영역으로 결정할 수 있다. 상기에서는 설명의 편의를 위하여 특정 값으로 설명하였지만, 관심 영역의 크기, 모양 및 결정 방법은 다양하게 변형될 수 있음은 통상의 기술자 입장에서 자명할 것이다.
도 4d는 제2 초음파 이미지(407)를 도시한 도면이다. 도 4d 를 참조하면, 다양한 실시예에 따른 하나 이상의 프로세서(110)는 제1 초음파 이미지에서 결정된 관심 영역을 크롭하여, 산모의 자궁 경부에 관한 제2 초음파 이미지(407)를 획득할 수 있다. 제1 초음파 이미지에서 결정된 관심 영역에는 산모의 자궁 경부의 외부 입구(413) 및 내부 입구(411) 중 적어도 하나가 포함되므로, 관심 영역을 크롭하여 획득된 제2 초음파 이미지(407)는 산모의 자궁 경부의 외부 입구(413) 및 내부 입구(411)의 위치 중 적어도 하나가 나타날 수 있다. 상기의 방법으로 획득된 제2 초음파 이미지(407)를 이용하여 기계 학습 모델을 학습시킬 수 있고, 구축된 제1 상관 모델(310)에 입력할 수 있다.
다양한 실시예에 따른 하나 이상의 프로세서(110)는 제2 초음파 이미지(407)의 대비를 향상시키기 위하여, 제2 초음파 이미지에 CLAHE(contrast limited adaptive histogram equalization) 알고리즘을 적용할 수도 있다. CLAHE 알고리즘은 이미지 간 대비 차이를 최소화시켜서 이미지의 대비를 개선하기 위해 사용되는 이미지 처리 알고리즘일 수 있다. 예를 들어, CLAHE 알고리즘은 이미지의 각 픽셀의 밝기를 변환하여 이미지의 로컬 대비를 향상시키기 위한 알고리즘일 수 있다. 하나 이상의 프로세서(110)는 제2 초음파 이미지(407)에 CLAHE 알고리즘을 적용하여, 제2 초음파 이미지(407)의 대비를 향상시킬 수 있다. 대비가 향상된 제2 초음파 이미지(407)를 제1 상관 모델(310)에 입력하는 경우, 제1 상관 모델(310)을 통해 출력되는 데이터의 정확도가 향상될 수 있다.
다양한 실시예에 따른 하나 이상의 프로세서(110)는 제1 초음파 이미지(401 또는 403)를 전처리하지 않고, 기계 학습 모델을 학습시켜 제1 상관 모델(310)을 구축할 수도 있다. 상기의 경우, 하나 이상의 프로세서(110)는 제1 상관 모델(310)을 이용하여, 타겟 산모의 제1 초음파 이미지(401 또는 403)로부터 타겟 산모의 조산 여부를 나타내는 데이터를 도출할 수도 있다.
도 5는 본 개시의 다양한 실시예에 따른 전자 장치(100)의 동작 흐름도이다. 구체적으로, 도 5는 기계 학습 알고리즘에 따라 구축된 제1 상관 모델(310)을 이용하는 방법을 도시한 동작 흐름도이다.
도 5를 참조하면, 다양한 실시예에 따른 전자 장치(100)의 하나 이상의 프로세서(110)는, 동작 510에서, 통신 회로(130)를 통해 외부 장치로부터 수신한 타겟 산모의 제1 초음파 이미지를 하나 이상의 메모리(120)에 저장할 수 있다. 제1 초음파 이미지는 초음파 검사 장치(200)를 통해 획득된 산모의 초음파 이미지일 수 있다. 외부 장치는, 예를 들어, 초음파 검사 장치(200)일 수 있다. 외부 장치는, 예를 들어, 서버 장치 또는 저장 장치일 수 있다. 상기의 경우, 서버 장치 또는 저장 장치는 초음파 검사 장치(200)로부터 산모의 초음파 이미지를 수신하여 저장하고 있을 수 있다.
다양한 실시예에 따른 하나 이상의 프로세서(110)는, 동작 520에서, 제1 초음파 이미지를 전처리하여, 타겟 산모의 자궁 경부에 관한 제2 초음파 이미지를 획득할 수 있다.
다양한 실시예에 따른 하나 이상의 프로세서(110)는, 동작 530에서, 제1 상관 모델(310)을 이용하여, 제2 초음파로부터 타겟 산모의 조산 여부를 나타내는 데이터를 도출할 수 있다. 제1 상관 모델(310)은, 기계 학습 알고리즘에 따라, 산모들의 자궁 경부에 관한 초음파 이미지 세트 및 산모들의 조산 여부를 나타내는 데이터 세트 사이의 상관 관계를 모델링하여 구축된 상관 모델일 수 있다. 제1 상관 모델(310)은 하나 이상의 메모리(120)에 저장되어 있을 수 있다. 제1 상관 모델(310)은, 타겟 산모의 조산 여부를 예측하기 이전에, 산모들에 있어서 실제 조산이 발생했는지 여부에 따라 분류된 산모들의 자궁 경부에 관한 복수의 초음파 이미지를 이용해 기계 학습 모델을 학습시켜서 구축된 상관 모델일 수 있다.
도 6은 본 개시의 다양한 실시예에 따른 전자 장치(100)의 동작 흐름도이다. 구체적으로, 도 6은 도 5의 동작 520에 관한 동작 흐름도이다.
다양한 실시예에 따른 하나 이상의 프로세서(110)는, 동작 610에서, 타겟 산모의 제1 초음파 이미지에서 타겟 산모의 자궁 경부의 외부 입구 및 내부 입구 중 적어도 하나의 위치를 결정할 수 있다. 일 실시예에 따르면, 제1 초음파 이미지에는 산모의 자궁 경부의 외부 입구 및 내부 입구의 위치가 마킹되어 있을 수 있다. 상기의 경우, 하나 이상의 프로세서(110)는 제1 초음파 이미지 상에 마킹된 위치들에 기초하여, 산모의 자궁 경부의 외부 입구 및 내부 입구 중 적어도 하나의 위치를 결정할 수 있다. 일 실시예에 따르면, 제1 초음파 이미지에 산모의 자궁 경부의 외부 입구 및 내부 입구의 위치가 마킹되어 있지 않을 수도 있다. 상기의 경우, 하나 이상의 프로세서(110)는 제2 상관 모델(710)을 이용하여, 제1 초음파 이미지로부터 타겟 산모의 자궁 경부의 외부 입구 및 내부 입구 중 적어도 하나의 위치를 도출할 수 있다. 제2 상관 모델(710)을 이용하는 구체적인 방법은 후술하기로 한다.
다양한 실시예에 따른 하나 이상의 프로세서(110)는, 동작 620에서, 타겟 산모의 자궁 경부의 외부 입구 및 내부 입구 중 적어도 하나의 위치에 기초하여 제1 초음파 이미지에서 관심 영역을 결정할 수 있다. 하나 이상의 프로세서(110)는 타겟 산모의 자궁 경부의 외부 입구 및 내부 입구 중 적어도 하나의 위치에 기초하여, 제1 초음파 이미지를 회전시키고, 회전된 제1 초음파 이미지 상에서 관심 영역을 결정할 수 있다. 관심 영역은 타겟 산모의 자궁 경부의 외부 입구 및 내부 입구 중 적어도 하나를 포함하는 특정 크기 및 특정 모양의 영역일 수 있다.
다양한 실시예에 따른 하나 이상의 프로세서(110)는, 동작 630에서, 제1 초음파 이미지에서 결정된 관심 영역을 크롭하여, 타겟 산모의 자궁 경부에 관한 제2 초음파 이미지를 획득할 수 있다. 이후, 하나 이상의 프로세서(110)는 제2 초음파 이미지를 제1 상관 모델(310)에 입력하여, 타겟 산모의 조산 여부를 나타내는 데이터를 출력시킬 수 있다.
도 7은 본 개시의 다양한 실시예에 따른 제2 상관 모델(710)을 나타낸 도면이다. 제2 상관 모델(710)은 기계 학습 알고리즘에 따라, 산모들의 초음파 이미지 세트 및 산모들의 자궁 경부의 외부 입구 및 내부 입구 중 적어도 하나의 위치에 관한 데이터 세트 사이의 상관 관계를 모델링하여 구축된 상관 모델일 수 있다. 산모들의 자궁 경부의 외부 입구 및 내부 입구 중 적어도 하나의 위치에 관한 데이터는 제2 상관 모델(710)에 의해 도출된(예측된) 데이터일 수 있다. 상기 초음파 이미지 세트는 산모들의 복수의 초음파 이미지를 포함할 수 있다.
제2 상관 모델(710)은 산모들의 자궁 경부의 외부 입구 및 내부 입구의 위치가 나타난 복수의 초음파 이미지(720)를 입력 데이터로 사용하고, 산모들의 자궁 경부의 외부 입구 및 내부 입구의 위치에 관한 데이터(730)를 출력 데이터로 사용하여, 기계 학습 모델을 학습시켜서 구축한 상관 모델일 수 있다. 따라서, 구축된 제2 상관 모델(710)을 이용하면, 산모의 자궁 경부의 외부 입구 및 내부 입구의 위치가 나타나지 않은 초음파 이미지로부터 산모의 자궁 경부의 외부 입구 및 내부 입구의 위치를 도출할 수 있다.
다양한 실시예에 따른 하나 이상의 프로세서(110)는 제2 상관 모델(710)에 산모들의 초음파 이미지(720)를 입력할 수 있다. 제2 상관 모델(710)은 입력된 산모들의 초음파 이미지(720)에 기초하여, 산모들의 자궁 경부의 외부 입구 및 내부 입구 중 적어도 하나의 위치에 관한 데이터(730)를 출력할 수 있다.
도 8은 본 개시의 다양한 실시예에 따른 전자 장치(100)의 동작 흐름도이다. 도 8을 참조하면, 다양한 실시예에 따른 전자 장치(100)의 하나 이상의 프로세서(110)는, 동작 810에서, 통신 회로(130)를 통해 외부 장치로부터 수신한 타겟 산모의 제1 초음파 이미지를 하나 이상의 메모리(120)에 저장할 수 있다.
다양한 실시예에 따른 하나 이상의 프로세서(110)는, 동작 820에서, 제1 초음파 이미지를 전처리하여 타겟 산모의 자궁 경부에 관한 제2 초음파 이미지를 획득할 수 있다.
다양한 실시예에 따른 하나 이상의 프로세서(110)는, 동작 830에서, 제2 초음파 이미지에 CLAHE 알고리즘을 적용할 수 있다. 제2 초음파 이미지에 CLAHE 알고리즘을 적용하는 경우, 제2 초음파 이미지의 대비가 향상될 수 있다.
다양한 실시예에 따른 하나 이상의 프로세서(110)는, 동작 840에서, 제1 상관 모델(310)을 이용하여 제2 초음파 이미지로부터 타겟 산모의 조산 여부를 나타내는 데이터를 도출할 수 있다. 제1 상관 모델(310)은 기계 학습 알고리즘에 따라, 산모들의 자궁 경부에 관한 초음파 이미지 세트 및 상기 산모들의 조산 여부를 나타내는 데이터 세트 사이의 상관 관계를 모델링하여 구축된 상관 모델일 수 있다.
다양한 실시예에 따른 하나 이상의 프로세서(110)는, 동작 850에서, 타겟 산모의 조산 여부를 나타내는 데이터를 외부 장치로 전송할 수 있다. 외부 장치는, 예를 들어, 초음파 검사 장치(200)일 수 있다.
도 9는 본 개시의 다양한 실시예에 따른 전자 장치(100)의 동작 흐름도이다. 구체적으로, 도 9는 기계 학습 모델을 학습시키는 방법에 관한 동작 흐름도이다.
도 9를 참조하면, 다양한 실시예에 따른 하나 이상의 프로세서(110)는, 동작 910에서, 산모들에 있어서, 실제 조산이 발생했는지 여부에 따라 분류된 산모들의 복수의 초음파 이미지를 저장할 수 있다. 하나 이상의 프로세서(110)는, 통신 회로(130)를 통해 외부 장치로부터 실제 조산이 발생했는지 여부에 따라 분류된 산모들의 복수의 초음파 이미지 수신할 수 있고, 수신한 복수의 초음파 이미지를 하나 이상의 메모리(120)에 저장할 수 있다.
다양한 실시예에 따른 하나 이상의 프로세서(110)는, 동작 920에서, 복수의 제1 초음파 이미지를 전처리하여, 산모들의 자궁 경부에 관한 복수의 제2 초음파 이미지를 획득할 수 있다. 하나 이상의 프로세서(110)는 복수의 제1 초음파 이미지 각각에서 복수의 제1 초음파 이미지 각각에 대응하는 산모의 자궁 경부의 외부 입구 및 내부 입구 중 적어도 하나의 위치를 결정할 수 있다. 하나 이상의 프로세서(110)는 복수의 제1 초음파 이미지 각각에 대해 결정된 자궁 경부의 외부 입구 및 내부 입구 중 적어도 하나의 위치에 기초하여 복수의 제1 초음파 이미지 각각에서 관심 영역을 결정할 수 있다. 하나 이상의 프로세서(110)는 복수의 제1 초음파 이미지 각각에서 결정된 관심 영역을 크롭하여, 복수의 제2 초음파 이미지를 획득할 수 있다. 일 실시예에 따르면, 하나 이상의 프로세서(110)는 복수의 제2 초음파 이미지의 대비를 향상시키기 위하여, 복수의 제2 초음파 이미지에 CLAHE 알고리즘을 적용할 수 있다.
다양한 실시예에 따른 하나 이상의 프로세서(110)는, 동작 930에서, 복수의 제2 초음파 이미지의 세트를 입력 데이터로 사용하고, 복수의 제2 초음파 이미지 각각에 대응하는 산모의 조산 여부를 나타내는 데이터의 세트를 출력 데이터로 사용하여 기계 학습 모델을 학습시킬 수 있다. 예를 들어, 하나 이상의 프로세서(110)는 복수의 제2 초음파 이미지 각각으로부터 질감, 밀도, 자궁 경부의 모양, 자궁 전체의 모양, 자궁 주변 조직의 모양, 병변의 유무, 슬러지의 유무 및 자궁 경부의 길이 중 적어도 하나의 특징을 추출할 수 있다. 하나 이상의 프로세서(110)는 추출된 적어도 하나의 특징을 이용하여, 복수의 제2 초음파 이미지 각각에 대응하는 산모의 조산 여부를 나타내는 데이터의 세트 사이의 상관 관계를 도출하도록 기계 학습 모델을 학습시킬 수 있다. 기계 학습 모델은, 예를 들어, 심층 신경망, 순환 신경망, 합성곱 신경망, 분류-회귀 분석 모델 또는 강화 학습 모델 중 하나일 수 있다. 하나 이상의 프로세서(110)는 상술한 학습 과정을 통해 구축된 제1 상관 모델(310)을 하나 이상의 메모리(120)에 저장할 수 있다.
본 문서에 도시된 흐름도에서 프로세스 단계들, 방법 단계들, 알고리즘들 등이 순차적인 순서로 설명되었지만, 그러한 프로세스들, 방법들 및 알고리즘들은 임의의 적합한 순서로 작동하도록 구성될 수 있다. 다시 말하면, 본 개시의 다양한 실시예들에서 설명되는 프로세스들, 방법들 및 알고리즘들의 단계들이 본 개시에서 기술된 순서로 수행될 필요는 없다. 또한, 일부 단계들이 비동시적으로 수행되는 것으로서 설명되더라도, 다른 실시예에서는 이러한 일부 단계들이 동시에 수행될 수 있다. 또한, 도면에서의 묘사에 의한 프로세스의 예시는 예시된 프로세스가 그에 대한 다른 변화들 및 수정들을 제외하는 것을 의미하지 않으며, 예시된 프로세스 또는 그의 단계들 중 임의의 것이 본 개시의 다양한 실시예들 중 하나 이상에 필수적임을 의미하지 않으며, 예시된 프로세스가 바람직하다는 것을 의미하지 않는다.
상기 방법은 특정 실시예들을 통하여 설명되었지만, 상기 방법은 또한 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의해 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광데이터 저장장치 등을 포함할 수 있다. 또한, 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고, 상기 실시예들을 구현하기 위한 기능적인(functional) 프로그램, 코드 및 코드 세그먼트들은 본 개시가 속하는 기술분야의 프로그래머들에 의해 용이하게 추론될 수 있다.
이상 일부 실시예들과 첨부된 도면에 도시된 예에 의해 본 개시의 기술적 사상이 설명되었지만, 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 이해할 수 있는 본 개시의 기술적 사상 및 범위를 벗어나지 않는 범위에서 다양한 치환, 변형 및 변경이 이루어질 수 있다는 점을 알아야 할 것이다. 또한, 그러한 치환, 변형 및 변경은 첨부된 청구범위 내에 속하는 것으로 생각되어야 한다.

Claims (30)

  1. 조산을 예측하기 위한 전자 장치에 있어서,
    외부 장치와 통신 연결되는 통신 회로;
    기계 학습 알고리즘에 따라, 산모들의 자궁 경부에 관한 초음파 이미지 세트 및 상기 산모들의 조산 여부를 나타내는 데이터 세트 사이의 상관 관계를 모델링하여 구축된 제1 상관 모델을 저장하는 하나 이상의 메모리; 및
    하나 이상의 프로세서를 포함하고,
    상기 하나 이상의 프로세서는,
    상기 통신 회로를 통해 상기 외부 장치로부터 수신한 타겟 산모의 제1 초음파 이미지를 상기 하나 이상의 메모리에 저장하고,
    상기 제1 초음파 이미지에서 상기 타겟 산모의 자궁 경부의 외부 입구(external orifice) 및 내부 입구(internal orifice) 중 적어도 하나의 위치를 결정하고,
    상기 타겟 산모의 자궁 경부의 외부 입구 및 내부 입구 중 적어도 하나의 위치에 기초하여, 상기 제1 초음파 이미지에서 상기 타겟 산모의 자궁 경부의 외부 입구 및 내부 입구 중 적어도 하나를 포함하는 기 지정된 크기의 관심 영역을 결정하고,
    상기 제1 초음파 이미지에서 상기 결정된 관심 영역을 크롭하여, 상기 타겟 산모의 자궁 경부에 관한 제2 초음파 이미지를 획득하고,
    상기 제1 상관 모델을 이용하여, 상기 제2 초음파 이미지로부터 상기 타겟 산모의 조산 여부를 나타내는 데이터를 도출하도록 구성되는, 전자 장치.
  2. 삭제
  3. 제1항에 있어서,
    상기 하나 이상의 프로세서는,
    상기 제2 초음파 이미지의 대비를 향상시키기 위하여, 상기 제2 초음파 이미지에 CLAHE 알고리즘을 적용하도록 구성된, 전자 장치.
  4. 삭제
  5. 제1항에 있어서,
    입력 장치를 더 포함하고,
    상기 하나 이상의 프로세서는,
    상기 입력 장치를 통해 수신한 사용자 입력에 기초하여, 상기 제1 초음파 이미지에서 상기 타겟 산모의 자궁 경부의 외부 입구 및 내부 입구 중 적어도 하나의 위치를 결정하도록 구성된, 전자 장치.
  6. 제1항에 있어서,
    상기 초음파 이미지 세트는 상기 산모들에 있어서 실제 조산이 발생했는지 여부에 따라 분류된 상기 산모들의 임신 15주차 내지 28주차의 자궁 경부에 관한 복수의 초음파 이미지를 포함하고,
    상기 제1 초음파 이미지는 임신 15주차 내지 28주차의 상기 타겟 산모의 초음파 이미지이고,
    상기 타겟 산모의 조산 여부를 나타내는 데이터는 상기 타겟 산모가 임신 37주차 이전에 조산할지 여부를 나타내는 데이터인, 전자 장치.
  7. 제1항에 있어서,
    상기 외부 장치는 초음파 검사 장치이며,
    상기 하나 이상의 프로세서는,
    상기 타겟 산모의 조산 여부를 나타내는 데이터를 상기 외부 장치로 전송하도록 구성된, 전자 장치.
  8. 제1항에 있어서,
    상기 제1 상관 모델은,
    상기 초음파 이미지 세트로부터, 질감, 밀도, 자궁 전체의 모양, 자궁 주변 조직의 모양, 병변의 유무, 슬러지의 유무, 자궁 경부의 모양 및 자궁 경부의 길이 중 적어도 하나의 특징을 추출하고,
    상기 추출된 적어도 하나의 특징을 이용하여, 상기 초음파 이미지 세트 및 상기 산모들의 조산 여부를 나타내는 데이터 세트 사이의 상관 관계를 도출하도록 기계 학습된 상관 모델인, 전자 장치.
  9. 제1항에 있어서,
    상기 기계 학습 알고리즘은,
    심층 신경망, 순환 신경망, 합성곱 신경망, 분류-회귀 분석을 위한 머신 러닝 모델 또는 강화 학습 모델 중 하나인, 전자 장치.
  10. 조산을 예측하는 방법에 있어서,
    외부 장치로부터 수신한 타겟 산모의 제1 초음파 이미지를 저장하는 동작;
    상기 제1 초음파 이미지에서 상기 타겟 산모의 자궁 경부의 외부 입구 및 내부 입구 중 적어도 하나의 위치를 결정하는 동작;
    상기 타겟 산모의 자궁 경부의 외부 입구 및 내부 입구 중 적어도 하나의 위치에 기초하여, 상기 제1 초음파 이미지에서 상기 타겟 산모의 자궁 경부의 외부 입구 및 내부 입구 중 적어도 하나를 포함하는 기 지정된 크기의 관심 영역을 결정하는 동작;
    상기 제1 초음파 이미지에서 상기 결정된 관심 영역을 크롭하여, 상기 타겟 산모의 자궁 경부에 관한 제2 초음파 이미지를 획득하는 동작; 및
    제1 상관 모델을 이용하여, 상기 제2 초음파 이미지로부터 상기 타겟 산모의 조산 여부를 나타내는 데이터를 도출하는 동작을 포함하고,
    상기 제1 상관 모델은, 기계 학습 알고리즘에 따라, 산모들의 자궁 경부에 관한 초음파 이미지 세트 및 상기 산모들의 조산 여부를 나타내는 데이터 세트 사이의 상관 관계를 모델링하여 구축된 상관 모델인, 방법.
  11. 삭제
  12. 제10항에 있어서,
    상기 제2 초음파 이미지의 대비를 향상시키기 위하여, 상기 제2 초음파 이미지에 CLAHE 알고리즘을 적용하는 동작을 더 포함하는, 방법.
  13. 삭제
  14. 제10항에 있어서,
    상기 타겟 산모의 자궁 경부의 외부 입구 및 내부 입구 중 적어도 하나의 위치를 결정하는 동작은,
    입력 장치를 통해 수신한 사용자 입력에 기초하여, 상기 제1 초음파 이미지에서 상기 타겟 산모의 자궁 경부의 외부 입구 및 내부 입구 중 적어도 하나의 위치를 결정하는 동작을 포함하는, 방법.
  15. 제10항에 있어서,
    상기 초음파 이미지 세트는 상기 산모들에 있어서 실제 조산이 발생했는지 여부에 따라 분류된 상기 산모들의 임신 15주차 내지 28주차의 자궁 경부에 관한 복수의 초음파 이미지를 포함하고,
    상기 제1 초음파 이미지는 임신 15주차 내지 28주차의 상기 타겟 산모의 초음파 이미지이고,
    상기 타겟 산모의 조산 여부를 나타내는 데이터는 상기 타겟 산모가 임신 37주차 이전에 조산할지 여부를 나타내는 데이터인, 방법.
  16. 제10항에 있어서,
    상기 외부 장치는 초음파 검사 장치이며,
    상기 타겟 산모의 조산 여부를 나타내는 데이터를 도출하는 동작 이후, 상기 타겟 산모의 조산 여부를 나타내는 데이터를 상기 외부 장치로 전송하는 동작을 더 포함하는, 방법.
  17. 제10항에 있어서,
    상기 제1 상관 모델은,
    상기 초음파 이미지 세트로부터, 질감, 밀도, 자궁 전체의 모양, 자궁 주변 조직의 모양, 병변의 유무, 슬러지의 유무, 자궁 경부의 모양, 및 자궁 경부의 길이 중 적어도 하나의 특징을 추출하고,
    상기 추출된 적어도 하나의 특징을 이용하여, 상기 초음파 이미지 세트 및 상기 산모들의 조산 여부를 나타내는 데이터 세트 사이의 상관 관계를 도출하도록 기계 학습된 상관 모델인, 방법.
  18. 제10항에 있어서,
    상기 기계 학습 알고리즘은,
    심층 신경망, 순환 신경망, 합성곱 신경망, 분류-회귀 분석을 위한 머신 러닝 모델 또는 강화 학습 모델 중 하나인, 방법.
  19. 컴퓨터 상에서 수행하기 위한 프로그램을 기록한 비일시적 컴퓨터 판독 가능한 기록 매체에 있어서,
    상기 프로그램은, 하나 이상의 프로세서에 의한 실행 시, 상기 하나 이상의 프로세서가,
    외부 장치로부터 수신한 타겟 산모의 제1 초음파 이미지를 저장하는 동작;
    상기 제1 초음파 이미지에서 상기 타겟 산모의 자궁 경부의 외부 입구 및 내부 입구 중 적어도 하나의 위치를 결정하는 동작;
    상기 타겟 산모의 자궁 경부의 외부 입구 및 내부 입구 중 적어도 하나의 위치에 기초하여, 상기 제1 초음파 이미지에서 상기 타겟 산모의 자궁 경부의 외부 입구 및 내부 입구 중 적어도 하나를 포함하는 기 지정된 크기의 관심 영역을 결정하는 동작;
    상기 제1 초음파 이미지에서 상기 결정된 관심 영역을 크롭하여, 상기 타겟 산모의 자궁 경부에 관한 제2 초음파 이미지를 획득하는 동작; 및
    제1 상관 모델을 이용하여, 상기 제2 초음파 이미지로부터 상기 타겟 산모의 조산 여부를 나타내는 데이터를 도출하는 동작
    을 수행하도록 하는 실행 가능한 명령을 포함하고,
    상기 제1 상관 모델은, 기계 학습 알고리즘에 따라, 산모들의 자궁 경부에 관한 초음파 이미지 세트 및 상기 산모들의 조산 여부를 나타내는 데이터 세트 사이의 상관 관계를 모델링하여 구축된 상관 모델인, 컴퓨터 판독 가능한 기록 매체.
  20. 삭제
  21. 조산 예측에 이용되는 기계 학습 모델을 학습시키기 위한 전자 장치에 있어서,
    산모들에 있어서 실제 조산이 발생했는지 여부에 따라 분류된 상기 산모들의 복수의 제1 초음파 이미지를 저장하는 하나 이상의 메모리; 및
    하나 이상의 프로세서를 포함하고,
    상기 하나 이상의 프로세서는,
    상기 복수의 제1 초음파 이미지 각각에서 상기 복수의 제1 초음파 이미지 각각에 대응하는 산모의 자궁 경부의 외부 입구 및 내부 입구 중 적어도 하나의 위치를 결정하고,
    상기 복수의 제1 초음파 이미지 각각에 대해 결정된 자궁 경부의 외부 입구 및 내부 입구 중 적어도 하나의 위치에 기초하여, 상기 복수의 제1 초음파 이미지 각각에서 상기 산모의 자궁 경부의 외부 입구 및 내부 입구 중 적어도 하나를 포함하는 기 지정된 크기의 관심 영역을 결정하고,
    상기 복수의 제1 초음파 이미지 각각에서 상기 결정된 관심 영역을 크롭하여, 상기 산모들의 자궁 경부에 관한 복수의 제2 초음파 이미지를 획득하고,
    상기 복수의 제2 초음파 이미지의 세트를 입력 데이터로 사용하고, 상기 복수의 제2 초음파 이미지 각각에 대응하는 산모의 조산 여부를 나타내는 데이터의 세트를 출력 데이터로 사용하여, 기계 학습 모델을 학습시키도록 구성된, 전자 장치.
  22. 삭제
  23. 제21항에 있어서,
    상기 하나 이상의 프로세서는,
    상기 복수의 제2 초음파 이미지의 대비를 향상시키기 위하여, 상기 복수의 제2 초음파 이미지에 CLAHE 알고리즘을 적용하도록 구성된, 전자 장치.
  24. 제21항에 있어서,
    상기 하나 이상의 프로세서는,
    상기 복수의 제2 초음파 이미지 각각으로부터 질감, 밀도, 자궁 전체의 모양, 자궁 주변 조직의 모양, 병변의 유무, 슬러지의 유무, 자궁 경부의 모양 및 자궁 경부의 길이 중 적어도 하나의 특징을 추출하고,
    상기 추출된 적어도 하나의 특징을 이용하여, 상기 복수의 제2 초음파 이미지 각각에 대응하는 산모의 조산 여부를 나타내는 데이터의 세트 사이의 상관 관계를 도출하도록 상기 기계 학습 모델을 학습시키는, 전자 장치.
  25. 제21항에 있어서,
    상기 기계 학습 모델은,
    심층 신경망, 순환 신경망, 합성곱 신경망, 분류-회귀 분석 모델 또는 강화 학습 모델 중 하나인, 전자 장치.
  26. 기계 학습 모델을 학습시키는 방법에 있어서,
    산모들에 있어서 실제 조산이 발생했는지 여부에 따라 분류된 상기 산모들의 복수의 제1 초음파 이미지를 저장하는 동작;
    상기 복수의 제1 초음파 이미지 각각에서 상기 복수의 제1 초음파 이미지 각각에 대응하는 산모의 자궁 경부의 외부 입구 및 내부 입구 중 적어도 하나의 위치를 결정하는 동작;
    상기 복수의 제1 초음파 이미지 각각에 대해 결정된 자궁 경부의 외부 입구 및 내부 입구 중 적어도 하나의 위치에 기초하여, 상기 복수의 제1 초음파 이미지 각각에서 상기 산모의 자궁 경부의 외부 입구 및 내부 입구 중 적어도 하나를 포함하는 기 지정된 크기의 관심 영역을 결정하는 동작;
    상기 복수의 제1 초음파 이미지 각각에서 상기 결정된 관심 영역을 크롭하여, 상기 산모들의 자궁 경부에 관한 복수의 제2 초음파 이미지를 획득하는 동작; 및
    상기 복수의 제2 초음파 이미지의 세트를 입력 데이터로 사용하고, 상기 복수의 제2 초음파 이미지 각각에 대응하는 산모의 조산 여부를 나타내는 데이터의 세트를 출력 데이터로 사용하여, 기계 학습 모델을 학습시키는 동작을 포함하는, 방법.
  27. 삭제
  28. 제26항에 있어서,
    상기 복수의 제2 초음파 이미지의 대비를 향상시키기 위하여, 상기 복수의 제2 초음파 이미지에 CLAHE 알고리즘을 적용하는 동작을 더 포함하는, 방법.
  29. 제26항에 있어서,
    상기 기계 학습 모델을 학습시키는 동작은,
    상기 복수의 제2 초음파 이미지의 세트로부터, 질감, 밀도, 자궁 전체의 모양, 자궁 주변 조직의 모양, 병변의 유무, 슬러지의 유무, 자궁 경부의 모양 및 자궁 경부의 길이 중 적어도 하나의 특징을 추출하는 동작; 및
    상기 추출된 적어도 하나의 특징을 이용하여, 상기 복수의 제2 초음파 이미지 각각에 대응하는 산모의 조산 여부를 나타내는 데이터의 세트 사이의 상관 관계를 도출하도록 상기 기계 학습 모델을 학습하는 동작을 포함하는, 방법.
  30. 제26항에 있어서,
    상기 기계 학습 모델은,
    심층 신경망, 순환 신경망, 합성곱 신경망, 분류-회귀 분석을 위한 머신 러닝 모델 또는 강화 학습 모델 중 하나인, 방법.
KR1020200173144A 2020-12-11 2020-12-11 조산을 예측하기 위한 전자 장치 및 방법 KR102286190B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020200173144A KR102286190B1 (ko) 2020-12-11 2020-12-11 조산을 예측하기 위한 전자 장치 및 방법
KR1020210063971A KR102270010B1 (ko) 2020-12-11 2021-05-18 조산을 예측하기 위한 전자 장치 및 방법
PCT/KR2021/016053 WO2022124588A1 (ko) 2020-12-11 2021-11-05 조산을 예측하기 위한 전자 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200173144A KR102286190B1 (ko) 2020-12-11 2020-12-11 조산을 예측하기 위한 전자 장치 및 방법

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020210063971A Division KR102270010B1 (ko) 2020-12-11 2021-05-18 조산을 예측하기 위한 전자 장치 및 방법

Publications (1)

Publication Number Publication Date
KR102286190B1 true KR102286190B1 (ko) 2021-08-09

Family

ID=76626345

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020200173144A KR102286190B1 (ko) 2020-12-11 2020-12-11 조산을 예측하기 위한 전자 장치 및 방법
KR1020210063971A KR102270010B1 (ko) 2020-12-11 2021-05-18 조산을 예측하기 위한 전자 장치 및 방법

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020210063971A KR102270010B1 (ko) 2020-12-11 2021-05-18 조산을 예측하기 위한 전자 장치 및 방법

Country Status (2)

Country Link
KR (2) KR102286190B1 (ko)
WO (1) WO2022124588A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022124588A1 (ko) * 2020-12-11 2022-06-16 한림대학교 산학협력단 조산을 예측하기 위한 전자 장치 및 방법
KR102414713B1 (ko) * 2021-11-29 2022-07-01 주식회사 코스모스웨일 태아 모니터링 데이터로부터 태아 상태를 판단하기 위한 장치

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102559223B1 (ko) * 2021-07-19 2023-07-26 주식회사 디앤피바이오텍 기계 학습에 기반한 조산 위험도 예측 장치
KR20230110986A (ko) * 2022-01-17 2023-07-25 연세대학교 산학협력단 자궁 경부에 대한 정보 제공 방법 및 이를 이용한 자궁 경부에 대한 정보 제공용 디바이스

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015089516A (ja) * 2013-11-04 2015-05-11 シリル ジジェＣｙｒｉｌｌ Ｇｙｇｅｒ ３次元ボリュームを表す画像データを処理する方法
KR20160058812A (ko) * 2013-09-20 2016-05-25 트랜스뮤럴 바이오테크, 에스.엘. 질환을 진단하기 위한 영상 분석 기법
KR20160065669A (ko) * 2014-12-01 2016-06-09 삼성메디슨 주식회사 초음파 영상 장치 및 그 동작 방법
KR20180085247A (ko) * 2017-01-18 2018-07-26 삼성메디슨 주식회사 초음파 영상 장치 및 초음파 영상 표시 방법
US20190122770A1 (en) * 2013-10-15 2019-04-25 Parkland Center For Clinical Innovation Lightweight Clinical Pregnancy Preterm Birth Predictive System and Method
US20200022674A1 (en) * 2016-08-29 2020-01-23 Vladimir Egorov Method and probe for predicting spontaneous preterm delivery
KR20200013161A (ko) * 2018-07-19 2020-02-06 김승우 인공지능 기반 조산예측 시스템 및 그 방법
US20200395117A1 (en) * 2019-06-14 2020-12-17 Cycle Clarity, LLC Adaptive image processing method and system in assisted reproductive technologies

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102286190B1 (ko) * 2020-12-11 2021-08-09 한림대학교 산학협력단 조산을 예측하기 위한 전자 장치 및 방법

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160058812A (ko) * 2013-09-20 2016-05-25 트랜스뮤럴 바이오테크, 에스.엘. 질환을 진단하기 위한 영상 분석 기법
US20190122770A1 (en) * 2013-10-15 2019-04-25 Parkland Center For Clinical Innovation Lightweight Clinical Pregnancy Preterm Birth Predictive System and Method
JP2015089516A (ja) * 2013-11-04 2015-05-11 シリル ジジェＣｙｒｉｌｌ Ｇｙｇｅｒ ３次元ボリュームを表す画像データを処理する方法
KR20160065669A (ko) * 2014-12-01 2016-06-09 삼성메디슨 주식회사 초음파 영상 장치 및 그 동작 방법
US20200022674A1 (en) * 2016-08-29 2020-01-23 Vladimir Egorov Method and probe for predicting spontaneous preterm delivery
KR20180085247A (ko) * 2017-01-18 2018-07-26 삼성메디슨 주식회사 초음파 영상 장치 및 초음파 영상 표시 방법
KR20200013161A (ko) * 2018-07-19 2020-02-06 김승우 인공지능 기반 조산예측 시스템 및 그 방법
US20200395117A1 (en) * 2019-06-14 2020-12-17 Cycle Clarity, LLC Adaptive image processing method and system in assisted reproductive technologies

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022124588A1 (ko) * 2020-12-11 2022-06-16 한림대학교 산학협력단 조산을 예측하기 위한 전자 장치 및 방법
KR102414713B1 (ko) * 2021-11-29 2022-07-01 주식회사 코스모스웨일 태아 모니터링 데이터로부터 태아 상태를 판단하기 위한 장치

Also Published As

Publication number Publication date
KR102270010B1 (ko) 2021-06-29
WO2022124588A1 (ko) 2022-06-16

Similar Documents

Publication Publication Date Title
KR102286190B1 (ko) 조산을 예측하기 위한 전자 장치 및 방법
Tan et al. Breast cancer detection using convolutional neural networks for mammogram imaging system
KR20190060606A (ko) 의료 영상 진단 장치 및 방법
Savaş et al. Classification of carotid artery intima media thickness ultrasound images with deep learning
JP2021520939A (ja) 適応的超音波スキャニング
JP7089233B2 (ja) 血管閉塞診断方法、機器及びシステム
EP3477589A1 (en) Method of processing medical image, and medical image processing apparatus performing the method
US20180368812A1 (en) Ultrasound imaging apparatus and control method thereof
Zhu et al. Automatic measurement of fetal femur length in ultrasound images: a comparison of random forest regression model and SegNet
Ahammad et al. Maternity Risk Prediction Using IOT Module with Wearable Sensor and Deep Learning Based Feature Extraction and Classification Technique
CN111524109A (zh) 头部医学影像的评分方法和装置、电子设备及存储介质
KR20190001489A (ko) 초음파 영상장치 및 그 제어 방법
KR20210054140A (ko) 내시경 영상에 대한 복수의 의료 영상 판독 알고리듬들을 이용하는 의료 영상 판독 지원 장치 및 방법
Smitha et al. Evaluation of carotid intima media thickness measurement from ultrasound images
Barbounaki et al. Fuzzy logic intelligent systems and methods in midwifery and obstetrics
AbdulMoniem et al. Artificial intelligence in hypospadiology: role, applications, and benefits
Raja et al. Variety of ovarian cysts detection and classification using 2D Convolutional Neural Network
KR20230142892A (ko) 방광 상태를 측정하기 위한 장치 및 방법
KR20230047238A (ko) 딥러닝 기반 무릎 자기 공명 이미지의 반월상 연골을 분할하는 방법, 이를 위한 프로그램 및 장치
Sahlin Detection of breast cancer in pocket ultrasound images using deep learning
Arman et al. Intracranial hemorrhage classification from ct scan using deep learning and bayesian optimization
Devisri et al. Fetal growth analysis from ultrasound videos based on different biometrics using optimal segmentation and hybrid classifier
Ohtaka et al. Deep learning algorithm for predicting preterm birth in the case of threatened preterm labor admissions using transvaginal ultrasound
US11636349B2 (en) Neural functional localization using synaptic connectivity graphs
Aravinda et al. A DCNN with Jellyfish Questoptimization Algorithm in Order to Find Fetus Images

Legal Events

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