KR102313661B1 - 특성 정보를 고려한 의료 영상 분석 방법, 의료 영상 분석 장치 및 의료 영상 분석 시스템 - Google Patents

특성 정보를 고려한 의료 영상 분석 방법, 의료 영상 분석 장치 및 의료 영상 분석 시스템 Download PDF

Info

Publication number
KR102313661B1
KR102313661B1 KR1020200187933A KR20200187933A KR102313661B1 KR 102313661 B1 KR102313661 B1 KR 102313661B1 KR 1020200187933 A KR1020200187933 A KR 1020200187933A KR 20200187933 A KR20200187933 A KR 20200187933A KR 102313661 B1 KR102313661 B1 KR 102313661B1
Authority
KR
South Korea
Prior art keywords
information
medical image
target
region
parameter set
Prior art date
Application number
KR1020200187933A
Other languages
English (en)
Inventor
김동현
이민호
Original Assignee
뉴로핏 주식회사
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 뉴로핏 주식회사 filed Critical 뉴로핏 주식회사
Priority to KR1020200187933A priority Critical patent/KR102313661B1/ko
Application granted granted Critical
Publication of KR102313661B1 publication Critical patent/KR102313661B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/103—Treatment planning systems
    • A61N5/1039—Treatment planning systems using functional images, e.g. PET or MRI
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/1048—Monitoring, verifying, controlling systems and methods
    • A61N5/1049—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/1048—Monitoring, verifying, controlling systems and methods
    • A61N5/1049—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam
    • A61N2005/1052—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam using positron emission tomography [PET] single photon emission computer tomography [SPECT] imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/1048—Monitoring, verifying, controlling systems and methods
    • A61N5/1049—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam
    • A61N2005/1055—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam using magnetic resonance imaging [MRI]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N5/00—Radiation therapy
    • A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
    • A61N5/1048—Monitoring, verifying, controlling systems and methods
    • A61N5/1049—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam
    • A61N2005/1061—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam using an x-ray imaging system having a separate imaging source

Abstract

본 출원에 개시된 의료 이미지 분석 방법은, 대상 의료 이미지를 획득함; 방사선이 조사될 대상 영역을 결정하기 위한 치료 계획 정보를 획득함- 상기 치료 계획 정보는 제1 특성 정보 또는 제2 특성 정보를 포함함-; 상기 치료 계획 정보에 기초하여, 상기 제1 특성 정보에 대응하는 제1 파라미터 세트 및 상기 제2 특성 정보에 대응하는 제2 파라미터 세트 중에서 대상 파라미터 세트를 선택함; 상기 대상 의료 이미지에 기초하여, 상기 대상 영역과 관련된 영역 정보를 획득하도록 학습된 인공 신경망의 복수의 노드들 중 적어도 하나를 포함하는 특성 노드 세트의 파라미터 값들을 상기 대상 파라미터 세트로 결정함; 및 상기 대상 파라미터 세트가 적용된 상기 인공 신경망 및 상기 대상 의료 이미지에 기초하여, 상기 치료 계획 정보에 대응되는 상기 대상 영역과 관련된 치료 보조 정보를 제공함;을 포함한다.

Description

특성 정보를 고려한 의료 영상 분석 방법, 의료 영상 분석 장치 및 의료 영상 분석 시스템{METHOD FOR, DEVICE FOR, AND SYSTEM FOR ANALAZING MEDICAL IMAGE CONSIDERING A FEATURE INFORMATION}
본 출원은 의료 영상을 분석하는 의료 영상 분석 방법, 의료 영상 분석 장치 및 의료 영상 분석 시스템에 관한 것이다.
종양을 치료하기 위한 분야에 있어서, 종양 주변에 위치하는 기관(organ)을 보호하면서도 종양의 완전한 제거를 위하여 방사선이 조사될 영역을 치료를 시행하기 이전에 정의하는 것이 필수적으로 요구된다. 이때, 방사선이 조사될 영역을 정의하는 것은 시술자의 치료 이력, 성향이나 피시술자의 나이, 건강 상태 등에 따라 상이할 수 있다.
종양을 치료하기 위하여 방사선이 조사될 영역을 정의하는 종래 기술에는 시술자가 수동적으로 방사선이 조사될 영역을 정의하는 방식과 소프트웨어를 이용하여 방사선이 조사될 영역을 자동적으로 정의해주는 방식이 존재한다.
다만, 수동 방식에 의해 생성된 방사선이 조사될 영역에 기초한 치료 보조 정보는 시술자의 육안에 의존하여 산출되기 때문에 치료의 재현성이나 정확도가 상대적으로 낮다는 문제점을 가지며, 자동 방식의 경우에는 시술자, 피시술자 또는 종양의 유형 등(이하, 시술자 등)에 따라 상이하게 정의될 수 있는 방사선이 조사될 영역을, 시술자 등의 특성을 반영하여 자동적으로 산출해주지 못한다는 한계점이 존재하였다.
따라서, 시술자 등의 특성을 반영하여 방사선이 조사될 영역을 구획해주며, 자동적으로 치료 보조 정보를 산출해주는 의료 이미지 분석 장치 및 의료 이미지 분석 방법에 대한 연구가 요구된다.
아래의 종래문헌들은 의료 영상을 분석하여 치료 보조 정보를 제공하는 방식을 개시한다.
* 미국공개특허 2020-0197726호 (2020년 06월 25일)
* 미국공개특허 2019-0076671호 (2019년 03월 14일)
* 미국공개특허 2019-0050992호 (2019년 02월 14일)
본 발명의 일 과제는, 의료 영상과 관련된 정보를 제공하는 의료 영상 분석 방법, 의료 영상 분석 장치 및 의료 영상 분석 시스템을 제공하는 것이다.
본 발명이 해결하고자 하는 과제가 상술한 과제로 제한되는 것은 아니며, 언급되지 아니한 과제들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 출원에 개시된 의료 이미지 분석 방법은, 대상 의료 이미지를 획득함; 방사선이 조사될 대상 영역을 결정하기 위한 치료 계획 정보를 획득함- 상기 치료 계획 정보는 제1 특성 정보 또는 제2 특성 정보를 포함함-; 상기 치료 계획 정보에 기초하여, 상기 제1 특성 정보에 대응하는 제1 파라미터 세트 및 상기 제2 특성 정보에 대응하는 제2 파라미터 세트 중에서 대상 파라미터 세트를 선택함; 상기 대상 의료 이미지에 기초하여, 상기 대상 영역과 관련된 영역 정보를 획득하도록 학습된 인공 신경망의 복수의 노드들 중 적어도 하나를 포함하는 특성 노드 세트의 파라미터 값들을 상기 대상 파라미터 세트로 결정함; 및 상기 대상 파라미터 세트가 적용된 상기 인공 신경망 및 상기 대상 의료 이미지에 기초하여, 상기 치료 계획 정보에 대응되는 상기 대상 영역과 관련된 치료 보조 정보를 제공함;을 포함할 수 있다.
본 출원에 개시된 의료 이미지 분석 방법은, 대상 의료 이미지를 획득함; 방사선이 조사될 대상 영역을 결정하기 위한 기초가 되는 파라미터들과 관련된 제1 특성 정보 또는 제2 특성 정보를 포함하는 치료 계획 정보를 획득함; 상기 치료 계획 정보에 기초하여 결정된 대상 파라미터 세트를 갖는 노드의 세트를 포함하는 인공 신경망을 이용하여, 상기 치료 계획 정보에 기초하여 상기 대상 의료 이미지를 복수의 영역으로 세그멘테이션을 수행함으로써, 대상 종양과 관련된 제1 영역 및 상기 제1 영역과 인접하며 상기 대상 영역과 관련된 제2 영역을 획득함; 상기 노드의 세트의 상기 대상 파라미터 세트에 기초하여 상기 제2 영역의 바운더리를 결정함- 상기 치료 계획 정보가 상기 제1 특성 정보를 포함하는 경우, 상기 제2 영역은 제1 바운더리를 가지며, 상기 치료 계획 정보가 상기 제2 특성 정보를 포함하는 경우, 상기 제2 영역은 상기 제1 바운더리와는 상이한 제2 바운더리를 가짐-; 및 상기 의료 이미지에 상기 제2 영역의 바운더리 및 상기 제1 영역의 바운더리를 제공함;을 포함할 수 있다.
본 출원에 개시된 의료 이미지 분석 장치는, 대상 의료 이미지를 획득하는 의료 이미지 획득부; 및 상기 대상 의료 이미지에 기초하여 치료 보조 정보를 제공하는 컨트롤러;를 포함하되, 상기 컨트롤러는, 대상 의료 이미지를 획득하고, 방사선이 조사될 대상 영역을 결정하기 위한 치료 계획 정보를 획득- 상기 치료 계획 정보는 제1 특성 정보 또는 제2 특성 정보를 포함함-하고, 상기 치료 계획 정보에 기초하여, 상기 제1 특성 정보에 대응하는 제1 파라미터 세트 및 상기 제2 특성 정보에 대응하는 제2 파라미터 세트 중에서 대상 파라미터 세트를 선택하고, 상기 대상 의료 이미지에 기초하여, 상기 대상 영역과 관련된 영역 정보를 획득하도록 학습된 인공 신경망의 복수의 노드들 중 적어도 하나를 포함하는 특성 노드 세트의 파라미터 값들을 상기 대상 파라미터 세트로 결정하고, 상기 대상 파라미터 세트가 적용된 상기 인공 신경망 및 상기 대상 의료 이미지에 기초하여, 상기 치료 계획 정보에 대응되는 상기 대상 영역과 관련된 치료 보조 정보를 제공하도록 구성될 수 있다.
본 출원에 개시된 의료 이미지 분석 장치는, 대상 의료 이미지를 획득하는 의료 이미지 획득부; 및 상기 대상 의료 이미지에 기초하여 치료 보조 정보를 제공하는 컨트롤러;를 포함하되, 상기 컨트롤러는, 대상 의료 이미지를 획득하고, 방사선이 조사될 대상 영역을 결정하기 위한 기초가 되는 파라미터들과 관련된 제1 특성 정보 또는 제2 특성 정보를 포함하는 치료 계획 정보를 획득하고, 상기 치료 계획 정보에 기초하여 결정된 대상 파라미터 세트를 갖는 노드의 세트를 포함하는 인공 신경망을 이용하여, 상기 치료 계획 정보에 기초하여 상기 대상 의료 이미지를 복수의 영역으로 세그멘테이션을 수행함으로써, 대상 종양과 관련된 제1 영역 및 상기 제1 영역과 인접하며 상기 대상 영역과 관련된 제2 영역을 획득하고, 상기 노드의 세트의 상기 대상 파라미터 세트에 기초하여 상기 제2 영역의 바운더리를 결정함- 상기 제2 영역의 바운더리는 결정- 상기 치료 계획 정보가 상기 제1 특성 정보를 포함하는 경우, 상기 제2 영역은 제1 바운더리를 가지며, 상기 치료 계획 정보가 상기 제2 특성 정보를 포함하는 경우, 상기 제2 영역은 상기 제1 바운더리와는 상이한 제2 바운더리를 가짐-;하고, 상기 의료 이미지에 상기 제2 영역의 바운더리 및 상기 제1 영역의 바운더리를 제공하도록 구성될 수 있다.
본 발명의 과제의 해결 수단이 상술한 해결 수단들로 제한되는 것은 아니며, 언급되지 아니한 해결 수단들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 출원의 실시예에 의하면, 의료 이미지와 관련된 특성 정보에 기초하여 신경망 모델을 학습시키며, 학습된 신경망 모델을 기초로 대상 의료 이미지를 분석함으로써, 특성 정보를 반영한 치료 보조 정보가 제공될 수 있다.
다만, 본 발명의 효과가 상술한 효과들로 제한되는 것은 아니며, 언급되지 아니한 효과들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.
도 1은 본 출원의 일 실시예에 따른 의료 이미지의 분석에 의해 제공될 수 있는 치료 보조 정보의 일 예를 도시한다.
도 2는 본 출원의 일 실시예에 따른 의료 이미지 분석 시스템에 관한 개략도이다.
도 3은 본 출원의 일 실시예에 따른 의료 이미지 분석 장치에 관한 블록도이다.
도 4는 본 출원의 일 실시예에 따른 의료 이미지 세그멘테이션을 위한 프로세스의 흐름도를 도시한 도면이다.
도 5는 본 출원의 일 실시예에 따른 학습 장치의 신경망 모델의 학습 방법에 대한 순서도이다.
도 6은 본 출원의 일 실시예에 따른 의료 이미지와 관련된 학습 데이터 세트의 예시적인 구조도이다.
도 7은 본 출원의 일 실시예에 따른 학습 장치에 제공될 수 있는 인공 신경망 모델의 일 예이다.
도 8은 본 출원의 일 실시예에 따른 인공 신경망 모델을 학습하는 일 방법의 순서도이다.
도 9는 본 출원의 일 실시예에 따른 인공 신경망 모델을 학습시키는 방법을 도시한 개략도이다.
도 10은 본 출원의 일 실시예에 따른 인공 신경망 모델을 학습하는 일 방법의 순서도이다.
도 11 내지 도 12는 본 출원의 일 실시예에 따른 의료 이미지와 관련된 학습 데이터 세트의 예시적인 구조도이다.
도 13 내지 도 14는 본 출원의 일 실시예에 따른 특성 레이어의 파라미터 세트를 갱신하는 방법을 도시한 개략도이다.
도 15는 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)의 신경망 모델을 이용한 이미지 세그멘테이션 방법에 대한 순서도이다.
도 16은 본 출원의 일 실시예에 따른 대상 의료 이미지의 예시적인 구조도이다.
도 17은 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)의 대상 의료 이미지에 대한 세그멘테이션 동작의 개략도이다.
도 18은 본 출원의 일 실시예에 따른 대상 의료 이미지의 세그멘테이션 방법에 대한 순서도이다.
도 19는 본 출원의 일 실시예에 따른 대상 의료 이미지 분석 결과와 관련된 유저 인터페이스의 예시이다.
도 20은 본 출원의 일 실시예에 따른 대상 의료 이미지의 세그멘테이션 동작을 도시한 개략도이다.
도 21은 본 출원의 일 실시예에 따른 대상 의료 이미지 분석 결과와 관련된 유저 인터페이스의 예시이다.
도 22 내지 도 24는 본 출원의 일 실시예에 따른 대상 의료 이미지 분석 결과와 관련된 유저 인터페이스의 예시이다.
본 출원의 상술한 목적, 특징들 및 장점은 첨부된 도면과 관련된 다음의 상세한 설명을 통해 보다 분명해질 것이다. 다만, 본 출원은 다양한 변경을 가할 수 있고 여러 가지 실시예들을 가질 수 있는 바, 이하에서는 특정 실시예들을 도면에 예시하고 이를 상세히 설명하고자 한다.
명세서 전체에 걸쳐서 동일한 참조번호들은 원칙적으로 동일한 구성요소들을 나타낸다. 또한, 각 실시예의 도면에 나타나는 동일한 사상의 범위 내의 기능이 동일한 구성요소는 동일한 참조부호를 사용하여 설명하며, 이에 대한 중복되는 설명은 생략하기로 한다.
본 출원과 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 출원의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 명세서의 설명 과정에서 이용되는 숫자(예를 들어, 제1, 제2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.
또한, 이하의 실시예에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.
이하의 실시예에서, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
이하의 실시예에서, 포함하다 또는 가지다 등의 용어는 명세서상에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징들 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다.
도면에서는 설명의 편의를 위하여 구성 요소들이 그 크기가 과장 또는 축소될 수 있다. 예컨대, 도면에서 나타난 각 구성의 크기 및 두께는 설명의 편의를 위해 임의로 나타낸 것으로, 본 발명이 반드시 도시된 바에 한정되지 않는다.
어떤 실시예가 달리 구현 가능한 경우에 특정한 프로세스의 순서는 설명되는 순서와 다르게 수행될 수도 있다. 예를 들어, 연속하여 설명되는 두 프로세스가 실질적으로 동시에 수행될 수도 있고, 설명되는 순서와 반대의 순서로 진행될 수 있다.
이하의 실시예에서, 구성 요소 등이 연결되었다고 할 때, 구성 요소들이 직접적으로 연결된 경우뿐만 아니라 구성요소들 중간에 구성 요소들이 개재되어 간접적으로 연결된 경우도 포함한다.
예컨대, 본 명세서에서 구성 요소 등이 전기적으로 연결되었다고 할 때, 구성 요소 등이 직접 전기적으로 연결된 경우뿐만 아니라, 그 중간에 구성 요소 등이 개재되어 간접적으로 전기적 연결된 경우도 포함한다.
본 출원의 일 실시예에 따른 의료 이미지 분석 방법은, 대상 의료 이미지를 획득함; 방사선이 조사될 대상 영역을 결정하기 위한 치료 계획 정보를 획득함 - 상기 치료 계획 정보는 제1 특성 정보 또는 제2 특성 정보를 포함함-; 상기 치료 계획 정보에 기초하여, 상기 제1 특성 정보에 대응하는 제1 파라미터 세트 및 상기 제2 특성 정보에 대응하는 제2 파라미터 세트 중에서 대상 파라미터 세트를 선택함; 상기 대상 의료 이미지에 기초하여, 상기 대상 영역과 관련된 영역 정보를 획득하도록 학습된 인공 신경망의 복수의 노드들 중 적어도 하나를 포함하는 특성 노드 세트의 파라미터 값들을 상기 대상 파라미터 세트로 결정함; 및 상기 대상 파라미터 세트가 적용된 상기 인공 신경망 및 상기 대상 의료 이미지에 기초하여, 상기 치료 계획 정보에 대응되는 상기 대상 영역과 관련된 치료 보조 정보를 제공함;을 포함할 수 있다.
본 출원의 일 실시예에 의한 의료 이미지 분석 방법에 따르면, 상기 인공 신경망은 방사선 조사와 관련된 하나 이상의 라벨에 기초하여, 상기 대상 의료 이미지에 대하여 세그멘테이션을 수행하여, 상기 대상 영역 및 종양 영역을 포함하는 복수의 영역을 획득하도록 구성될 수 있다.
본 출원의 일 실시예에 의한 의료 이미지 분석 방법에 따르면, 상기 하나 이상의 라벨은 종양이 위치하는 장기에 대응되는 영역(GTV), 피시술자의 움직임을 고려한 마진과 관련된 영역(CTV), 장기의 움직임을 고려한 마진과 관련된 영역(PTV), 방사선이 조사되어서는 안 되는 영역(OAR) 및 상기 종양 영역과 관련된 라벨 중 적어도 하나를 포함하며, 상기 인공 신경망은, 상기 대상 의료 이미지의 셀에 대하여 상기 적어도 하나의 라벨을 할당하고 상기 대상 영역과 관련된 영역 정보, 상기 방사선이 조사되어서는 안 되는 영역과 관련된 영역 정보 및 상기 종양 영역과 관련된 영역 정보를 획득하도록 학습되며, 상기 대상 영역과 관련된 상기 치료 보조 정보는 상기 셀에 할당된 라벨에 기초하여 획득될 수 있다.
본 출원의 일 실시예에 의한 의료 이미지 분석 방법에 따르면, 상기 치료 계획 정보가 상기 제1 특성 정보를 포함하는 경우, 상기 대상 파라미터 세트는 상기 제1 파라미터 세트로 결정되고, 상기 치료 보조 정보를 제공하는 것은, 상기 제1 파라미터 세트가 적용된 상기 인공 신경망을 통하여 획득된 영역 정보에 기초하여 획득된 제1 대상 영역 정보를 제공하는 것을 포함하고, 상기 치료 계획 정보가 상기 제2 특성 정보를 포함하는 경우, 상기 대상 파라미터 세트는 상기 제2 파라미터 세트로 결정되고, 상기 치료 보조 정보를 제공하는 것은, 상기 제2 파라미터 세트가 적용된 상기 인공 신경망을 통하여 획득된 영역 정보에 기초하여 획득된 제2 대상 영역 정보를 제공하는 것을 포함-상기 제2 대상 영역 정보는 상기 제1 대상 영역 정보와 상이함-,할 수 있다.
본 출원의 일 실시예에 의한 의료 이미지 분석 방법에 따르면, 상기 제1 대상 영역 정보는 제1 바운더리에 의해 정의되며, 상기 제2 대상 영역 정보는 제2 바운더리에 의해 정의되되, 상기 대상 의료 이미지 상에서 상기 제1 바운더리 및 상기 제2 바운더리 중 적어도 하나의 바운더리는 상기 제1 바운더리 및 상기 제2 바운더리 중 다른 하나의 바운더리를 포함할 수 있다.
본 출원의 일 실시예에 의한 의료 이미지 분석 방법에 따르면, 상기 대상 파라미터 세트는 상기 대상 영역과 관련된 영역 정보를 획득하는데 이용되며, 상기 치료 계획 정보가 상기 제1 특성 정보를 포함하는 경우, 상기 대상 파라미터 세트는 상기 제1 파라미터 세트로 결정되고, 상기 치료 보조 정보를 제공하는 것은, 상기 제1 파라미터 세트가 적용된 상기 인공 신경망을 통하여 획득된 종양 영역 정보에 기초하여 획득된 제3 대상 영역 정보를 제공하는 것을 포함하고, 상기 치료 계획 정보가 상기 제2 특성 정보를 포함하는 경우, 상기 대상 파라미터 세트는 상기 제2 파라미터 세트로 결정되고, 상기 치료 보조 정보를 제공하는 것은, 상기 제2 파라미터 세트가 적용된 상기 인공 신경망을 통하여 획득된 상기 종양 영역 정보에 기초하여 획득된 제4 대상 영역 정보를 제공하는 것을 포함-상기 제3 대상 영역 정보는 상기 제4 대상 영역 정보와 실질적으로 동일함-,할 수 있다,
본 출원의 일 실시예에 의한 의료 이미지 분석 방법에 따르면, 상기 치료 계획 정보를 획득하는 것은, 입력 모듈을 통하여, 상기 제1 특성 정보 또는 상기 제2 특성 정보 중에서 적어도 하나를 선택하는 사용자의 입력을 획득함;을 포함하며, 상기 대상 파라미터 세트를 선택하는 것은, 상기 사용자의 입력에 기초하여, 상기 제1 특성 정보에 대응하는 상기 제1 파라미터 세트 및 상기 제2 특성 정보에 대응하는 제2 파라미터 세트 중에서 상기 사용자의 입력에 대응되는 파라미터 세트를 상기 대상 파라미터 세트로 선택함;을 포함할 수 있다.
본 출원의 일 실시예에 의한 의료 이미지 분석 방법에 따르면, 상기 대상 파라미터 세트가 포함되지 않은 인공 신경망 및 상기 대상 의료 이미지에 기초하여 획득된 상기 대상 영역과 관련된 제2 치료 보조 정보를 제공하는 것을 더 포함하되, 상기 제2 치료 보조 정보는 상기 제1 특성 정보 또는 제2 특성 정보에 비의존적으로 상기 인공 신경망에 의해 획득될 수 있다.
본 출원의 일 실시예에 의한 의료 이미지 분석 방법에 따르면, 입력 모듈을 통하여, 제1 대상 영역 정보 및 제2 대상 영역 정보 중 적어도 하나를 선택하고, 상기 선택된 대상 영역 정보에 기초하여 방사선의 조사의 개시를 지시하는 사용자의 입력을 획득함; 및 상기 사용자의 입력에 대응하여 방사선의 조사의 개시를 지시함;을 더 포함하되, 상기 제1 대상 영역 정보는 상기 제1 파라미터 세트가 적용된 상기 인공 신경망을 통하여 획득된 영역 정보에 기초하여 획득된 대상 영역과 관련된 정보이며, 상기 제2 대상 영역 정보는 상기 제2 파라미터 세트가 적용된 상기 인공 신경망을 통하여 획득된 영역 정보에 기초하여 획득된 대상 영역과 관련된 정보일 수 있다.
본 출원의 일 실시예에 따른 의료 이미지 분석 방법은, 대상 의료 이미지를 획득함; 방사선이 조사될 대상 영역을 결정하기 위한 기초가 되는 파라미터들과 관련된 제1 특성 정보 또는 제2 특성 정보를 포함하는 치료 계획 정보를 획득함; 상기 치료 계획 정보에 기초하여 결정된 대상 파라미터 세트를 갖는 노드의 세트를 포함하는 인공 신경망을 이용하여, 상기 치료 계획 정보에 기초하여 상기 대상 의료 이미지를 복수의 영역으로 세그멘테이션을 수행함으로써, 대상 종양과 관련된 제1 영역 및 상기 제1 영역과 인접하며 상기 대상 영역과 관련된 제2 영역을 획득함; 상기 노드의 세트의 상기 대상 파라미터 세트에 기초하여 상기 제2 영역의 바운더리를 결정함- 상기 치료 계획 정보가 상기 제1 특성 정보를 포함하는 경우, 상기 제2 영역은 제1 바운더리를 가지며, 상기 치료 계획 정보가 상기 제2 특성 정보를 포함하는 경우, 상기 제2 영역은 상기 제1 바운더리와는 상이한 제2 바운더리를 가짐-; 및 상기 의료 이미지에 상기 제2 영역의 바운더리 및 상기 제1 영역의 바운더리를 제공함;을 포함할 수 있다.
본 출원의 일 실시예에 의한 의료 이미지 분석 방법에 따르면, 상기 의료 이미지 분석 방법은, 상기 치료 계획 정보에 기초하여 상기 대상 파라미터 세트가 결정함;을 더 포함하되, 상기 제1 특성 정보에 대응하는 제1 파라미터 세트 및 상기 제2 특성 정보에 대응하는 제2 파라미터 세트 중에서 적어도 하나를 선택함으로써 상기 대상 파라미터 세트가 결정될 수 있다.
본 출원의 일 실시예에 의한 의료 이미지 분석 방법에 따르면, 상기 치료 계획 정보가 상기 제1 특성 정보를 포함하는 경우, 상기 제1 파라미터 세트에 기초하여 상기 제1 바운더리를 가지는 상기 제2 영역이 결정되며, 상기 치료 계획 정보가 상기 제2 특성 정보를 포함하는 경우, 상기 제2 파라미터 세트에 기초하여 상기 제2 바운더리를 가지는 상기 제2 영역이 결정될 수 있다.
본 출원의 일 실시예에 의한 의료 이미지 분석 방법에 따르면, 상기 치료 계획 정보가 상기 제1 특성 정보를 포함하는 경우, 상기 제1 영역은 제3 바운더리를 가지며, 상기 치료 계획 정보가 상기 제2 특성 정보를 포함하는 경우, 상기 제1 영역은 제4 바운더리를 가지되, 상기 제3 바운더리와 상기 제4 바운더리는 실질적으로 동일할 수 있다.
본 출원의 일 실시예에 의한 의료 이미지 분석 방법에 따르면, 상기 치료 계획 정보를 획득하는 것은, 입력 모듈을 통하여, 상기 제1 특성 정보 또는 상기 제2 특성 정보 중에서 적어도 하나를 선택하는 사용자의 입력을 획득함;을 포함하며, 상기 대상 파라미터 세트를 결정하는 것은, 상기 사용자의 입력에 기초하여, 상기 제1 특성 정보에 대응하는 상기 제1 파라미터 세트 및 상기 제2 특성 정보에 대응하는 제2 파라미터 세트 중에서 상기 치료 계획 정보와 관련된 상기 사용자의 입력에 대응되는 상기 대상 파라미터 세트를 선택함;을 포함할 수 있다.
본 출원의 일 실시예에 의한 의료 이미지 분석 방법에 따르면, 상기 치료 계획 정보는 시술자 정보, 피시술자 정보, 종양 정보 및 방사선 정보 중 적어도 하나와 관련되며, 상기 시술자 정보는 종양을 시술하는 시술자와 관련된 신원 정보 및 치료 이력 정보 중 적어도 하나를 포함하며, 상기 피시술자 정보는 시술을 받는 피시술자의 신원 정보 및 기저 질환 정보 중 적어도 하나를 포함하며, 상기 종양 정보는 시술 대상인 종양의 크기, 유형 및 발현 정도와 관련된 정보 중 적어도 하나를 포함하며, 상기 방사선 정보는 방사선의 종류, 세기, 형태 및 위험도와 관련된 정보 중 적어도 하나를 포함할 수 있다.
본 출원의 일 실시예에 의한 의료 이미지 분석 방법에 따르면, 상기 방법은, 입력 모듈을 통하여, 상기 대상 의료 이미지에 대하여 상기 대상 종양과 관련된 제3 영역 및 상기 대상 영역과 관련된 제4 영역을 포함하는 복수의 영역을 정의한 사용자 치료 정보와 관련된 사용자의 입력을 획득함; 및 상기 제3 영역의 바운더리 및 상기 제4 영역의 바운더리를 상기 대상 의료 이미지에 표시하여 출력하는 것을 더 포함할 수 있다.
본 출원의 일 실시예에 의한 의료 이미지 분석 방법에 따르면, 상기 대상 파라미터 세트가 포함되지 않은 인공 신경망 및 상기 대상 의료 이미지에 기초하여 획득된 상기 대상 영역과 관련된 보조 정보를 제공하는 것을 더 포함하되, 상기 보조 정보는 상기 제1 특성 정보 또는 제2 특성 정보에 비의존적으로 상기 인공 신경망에 의해 획득될 수 있다.
본 출원의 일 실시예에 의한 의료 이미지 분석 방법에 따르면, 입력 모듈을 통하여, 상기 제2 영역에 기초하여 상기 대상 영역에 대한 방사선의 조사의 개시를 지시하는 사용자의 입력을 획득함; 및 상기 사용자의 입력에 대응하여, 상기 제2 영역에 대한 방사선의 조사의 개시를 지시함;을 더 포함할 수 있다.
본 출원의 일 실시예에 의한 의료 이미지 분석 방법에 따르면, 상기 복수의 영역은 종양이 위치하는 장기에 대응되는 영역(GTV), 피시술자의 움직임을 고려한 마진과 관련된 영역(CTV), 장기의 움직임을 고려한 마진과 관련된 영역(PTV), 방사선이 조사되어서는 안 되는 영역(OAR) 및 상기 종양 영역과 중 적어도 하나와 관련될 수 있다.
본 출원의 일 실시예에 의한 의료 이미지 분석 방법에 따르면, 상기 인공 신경망은 방사선 조사와 관련된 하나 이상의 라벨에 기초하여, 상기 대상 의료 이미지에 대하여 세그멘테이션을 수행하여, 상기 복수의 영역을 획득하도록 구성될 수 있다.
본 출원의 일 실시예에 의한 의료 이미지 분석 방법에 따르면, 상기 하나 이상의 라벨은 종양이 위치하는 장기에 대응되는 영역(GTV), 피시술자의 움직임을 고려한 마진과 관련된 영역(CTV), 장기의 움직임을 고려한 마진과 관련된 영역(PTV), 방사선이 조사되어서는 안 되는 영역(OAR) 및 상기 종양 영역과 관련된 라벨 중 적어도 하나를 포함하며, 상기 인공 신경망은, 상기 대상 의료 이미지의 셀에 대하여 상기 적어도 하나의 라벨을 할당하고 상기 대상 영역과 관련된 영역 정보, 상기 방사선이 조사되어서는 안 되는 영역과 관련된 영역 정보 및 상기 종양 영역과 관련된 영역 정보를 획득하도록 학습되며, 상기 복수의 영역은 상기 셀에 할당된 라벨에 기초하여 획득될 수 있다.
본 출원의 일 실시예에 의한 의료 이미지 분석 장치는, 대상 의료 이미지를 획득하는 의료 이미지 획득부; 및 상기 대상 의료 이미지에 기초하여 치료 보조 정보를 제공하는 컨트롤러;를 포함하되, 상기 컨트롤러는, 대상 의료 이미지를 획득하고, 방사선이 조사될 대상 영역을 결정하기 위한 치료 계획 정보를 획득- 상기 치료 계획 정보는 제1 특성 정보 또는 제2 특성 정보를 포함함-하고, 상기 치료 계획 정보에 기초하여, 상기 제1 특성 정보에 대응하는 제1 파라미터 세트 및 상기 제2 특성 정보에 대응하는 제2 파라미터 세트 중에서 대상 파라미터 세트를 선택하고, 상기 대상 의료 이미지에 기초하여, 상기 대상 영역과 관련된 영역 정보를 획득하도록 학습된 인공 신경망의 복수의 노드들 중 적어도 하나를 포함하는 특성 노드 세트의 파라미터 값들을 상기 대상 파라미터 세트로 결정하고, 상기 대상 파라미터 세트가 적용된 상기 인공 신경망 및 상기 대상 의료 이미지에 기초하여, 상기 치료 계획 정보에 대응되는 상기 대상 영역과 관련된 치료 보조 정보를 제공하도록 구성될 수 있다.
본 출원의 일 실시예에 의한 의료 이미지 분석 장치에 따르면, 상기 인공 신경망은 방사선 조사와 관련된 하나 이상의 라벨에 기초하여, 상기 대상 의료 이미지에 대하여 세그멘테이션을 수행하여, 상기 대상 영역 및 종양 영역을 포함하는 복수의 영역을 획득하도록 구성될 수 있다.
본 출원의 일 실시예에 의한 의료 이미지 분석 장치에 따르면, 상기 하나 이상의 라벨은 종양이 위치하는 장기에 대응되는 영역(GTV), 피시술자의 움직임을 고려한 마진과 관련된 영역(CTV), 장기의 움직임을 고려한 마진과 관련된 영역(PTV), 방사선이 조사되어서는 안 되는 영역(OAR) 및 상기 종양 영역과 관련된 라벨 중 적어도 하나를 포함하며, 상기 인공 신경망은, 상기 대상 의료 이미지의 셀에 대하여 상기 적어도 하나의 라벨을 할당하고 상기 대상 영역과 관련된 영역 정보, 상기 방사선이 조사되어서는 안 되는 영역과 관련된 영역 정보 및 상기 종양 영역과 관련된 영역 정보를 획득하도록 학습되며, 상기 대상 영역과 관련된 상기 치료 보조 정보는 상기 셀에 할당된 라벨에 기초하여 획득될 수 있다.
본 출원의 일 실시예에 의한 의료 이미지 분석 장치에 따르면, 상기 컨트롤러는, 상기 치료 계획 정보가 상기 제1 특성 정보를 포함하는 경우, 상기 대상 파라미터 세트는 상기 제1 파라미터 세트로 결정하고, 상기 치료 보조 정보를 제공하는 것은, 상기 제1 파라미터 세트가 적용된 상기 인공 신경망을 통하여 획득된 영역 정보에 기초하여 획득된 제1 대상 영역 정보를 제공하여 상기 치료 보조 정보를 제공하며, 상기 치료 계획 정보가 상기 제2 특성 정보를 포함하는 경우, 상기 대상 파라미터 세트는 상기 제2 파라미터 세트로 결정하고, 상기 제2 파라미터 세트가 적용된 상기 인공 신경망을 통하여 획득된 영역 정보에 기초하여 획득된 상기 제1 대상 영역 정보와 상이한 제2 대상 영역 정보를 제공하여 상기 치료 보조 정보를 제공하도록 구성될 수 있다.
본 출원의 일 실시예에 의한 의료 이미지 분석 장치에 따르면, 상기 제1 대상 영역 정보는 제1 바운더리에 의해 정의되며, 상기 제2 대상 영역 정보는 제2 바운더리에 의해 정의되되, 상기 대상 의료 이미지 상에서 상기 제1 바운더리 및 상기 제2 바운더리 중 적어도 하나의 바운더리는 상기 제1 바운더리 및 상기 제2 바운더리 중 다른 하나의 바운더리를 포함할 수 있다.
본 출원의 일 실시예에 의한 의료 이미지 분석 장치에 따르면, 상기 대상 파라미터 세트는 상기 대상 영역과 관련된 영역 정보를 획득하는데 이용되며, 상기 컨트롤러는, 상기 치료 계획 정보가 상기 제1 특성 정보를 포함하는 경우, 상기 대상 파라미터 세트를 상기 제1 파라미터 세트로 결정하고, 상기 제1 파라미터 세트가 적용된 상기 인공 신경망을 통하여 획득된 종양 영역 정보에 기초하여 획득된 제3 대상 영역 정보를 제공하여 상기 치료 보조 정보를 제공하며, 상기 치료 계획 정보가 상기 제2 특성 정보를 포함하는 경우, 상기 대상 파라미터 세트를 상기 제2 파라미터 세트로 결정하고, 상기 제2 파라미터 세트가 적용된 상기 인공 신경망을 통하여 획득된 상기 종양 영역 정보에 기초하여 획득된 제4 대상 영역 정보를 제공하여 상기 치료 보조 정보를 제공하도록 구성되되, 상기 제3 대상 영역 정보는 상기 제4 대상 영역 정보와 실질적으로 동일할 수 있다.
본 출원의 일 실시예에 의한 의료 이미지 분석 장치에 따르면, 상기 의료 이미지 분석 장치는, 상기 치료 계획 정보과 관련된 사용자의 입력을 수신하는 입력 모듈; 상기 사용자의 입력에 대응하여 상기 치료 보조 정보를 출력하는 출력 모듈;을 더 포함하되, 상기 컨트롤러는, 상기 입력 모듈을 통하여 상기 제1 특성 정보 또는 상기 제2 특성 정보 중에서 적어도 하나를 선택하는 사용자의 입력을 획득하여 상기 치료 계획 정보를 획득하고, 출력 모듈을 통하여, 상기 사용자의 입력에 기초하여, 상기 제1 특성 정보에 대응하는 상기 제1 파라미터 세트 및 상기 제2 특성 정보에 대응하는 제2 파라미터 세트 중에서 상기 사용자의 입력에 대응되는 파라미터 세트를 상기 대상 파라미터 세트로 선택하도록 구성될 수 있다.
본 출원의 일 실시예에 의한 의료 이미지 분석 장치에 따르면, 상기 치료 계획 정보는 시술자 정보, 피시술자 정보, 종양 정보 및 방사선 정보 중 적어도 하나와 관련되며, 상기 시술자 정보는 종양을 시술하는 시술자와 관련된 신원 정보 및 치료 이력 정보 중 적어도 하나를 포함하며, 상기 피시술자 정보는 시술을 받는 피시술자의 신원 정보 및 기저 질환 정보 중 적어도 하나를 포함하며, 상기 종양 정보는 시술 대상인 종양의 크기, 유형, 종양의 위치 및 발현 정도와 관련된 정보 중 적어도 하나를 포함하며, 상기 방사선 정보는 방사선의 종류, 세기, 조사 주기 및 위험도와 관련된 정보 중 적어도 하나를 포함할 수 있다.
본 출원의 일 실시예에 의한 의료 이미지 분석 장치에 따르면, 상기 의료 이미지 분석 장치는, 복수의 영역을 정의하는 사용자 입력을 수신하는 입력 모듈; 및 상기 사용자의 입력에 대응하여 상기 사용자 치료 정보 출력하는 출력 모듈;을 더 포함하되, 상기 컨트롤러는, 상기 입력 모듈을 통하여, 상기 대상 의료 이미지에 대하여 종양 영역과 관련된 종양 영역 정보 및 상기 대상 영역과 관련된 대상 영역 정보를 포함하는 복수의 영역을 정의하는 사용자 치료 정보와 관련된 사용자의 입력을 획득하고, 출력 모듈을 통하여, 상기 사용자 치료 정보 및 상기 치료 보조 정보를 출력하도록 구성될 수 있다.
본 출원의 일 실시예에 의한 의료 이미지 분석 장치에 따르면, 상기 컨트롤러는, 상기 대상 파라미터 세트가 포함되지 않은 인공 신경망 및 상기 대상 의료 이미지에 기초하여 획득된 상기 대상 영역과 관련된 제2 치료 보조 정보를 제공하도록 구성되되, 상기 제2 치료 보조 정보는 상기 제1 특성 정보 또는 제2 특성 정보에 비의존적으로 상기 인공 신경망에 의해 획득될 수 있다.
본 출원의 일 실시예에 의한 의료 이미지 분석 장치에 따르면, 상기 의료 이미지 분석 장치는, 방사선의 조사의 개시를 지시하는 사용자 입력을 수신하는 입력 모듈;을 더 포함하되, 상기 컨트롤러는, 입력 모듈을 통하여, 제1 대상 영역 정보 및 제2 대상 영역 정보 중 적어도 하나를 선택하고, 상기 선택된 대상 영역 정보에 기초하여 방사선의 조사의 개시를 지시하는 사용자의 입력을 획득하며, 상기 사용자의 입력에 대응하여 방사선의 조사의 개시를 지시하도록 구성되되, 상기 제1 대상 영역 정보는 상기 제1 파라미터 세트가 적용된 상기 인공 신경망을 통하여 획득된 영역 정보에 기초하여 획득된 대상 영역과 관련된 정보이며, 상기 제2 대상 영역 정보는 상기 제2 파라미터 세트가 적용된 상기 인공 신경망을 통하여 획득된 영역 정보에 기초하여 획득된 대상 영역과 관련된 정보일 수 있다.
본 출원의 일 실시예에 의한 의료 이미지 분석 장치에 따르면, 대상 의료 이미지를 획득하는 의료 이미지 획득부; 및 상기 대상 의료 이미지에 기초하여 치료 보조 정보를 제공하는 컨트롤러;를 포함하되, 상기 컨트롤러는, 대상 의료 이미지를 획득하고, 방사선이 조사될 대상 영역을 결정하기 위한 기초가 되는 파라미터들과 관련된 제1 특성 정보 또는 제2 특성 정보를 포함하는 치료 계획 정보를 획득하고, 상기 치료 계획 정보에 기초하여 결정된 대상 파라미터 세트를 갖는 노드의 세트를 포함하는 인공 신경망을 이용하여, 상기 치료 계획 정보에 기초하여 상기 대상 의료 이미지를 복수의 영역으로 세그멘테이션을 수행함으로써, 대상 종양과 관련된 제1 영역 및 상기 제1 영역과 인접하며 상기 대상 영역과 관련된 제2 영역을 획득하고, 상기 노드의 세트의 상기 대상 파라미터 세트에 기초하여 상기 제2 영역의 바운더리를 결정함- 상기 치료 계획 정보가 상기 제1 특성 정보를 포함하는 경우, 상기 제2 영역은 제1 바운더리를 가지며, 상기 치료 계획 정보가 상기 제2 특성 정보를 포함하는 경우, 상기 제2 영역은 상기 제1 바운더리와는 상이한 제2 바운더리를 가짐-;하고, 상기 의료 이미지에 상기 제2 영역의 바운더리 및 상기 제1 영역의 바운더리를 제공하도록 구성될 수 있다.
본 출원의 일 실시예에 의한 의료 이미지 분석 장치에 따르면, 상기 컨트롤러는, 상기 치료 계획 정보에 기초하여 상기 대상 파라미터 세트를 결정하되, 상기 제1 특성 정보에 대응하는 제1 파라미터 세트 및 상기 제2 특성 정보에 대응하는 제2 파라미터 세트 중에서 적어도 하나를 선택함으로써 상기 대상 파라미터 세트를 결정하도록 구성될 수 있다.
본 출원의 일 실시예에 의한 의료 이미지 분석 장치에 따르면, 상기 컨트롤러는, 상기 치료 계획 정보가 상기 제1 특성 정보를 포함하는 경우, 상기 제1 파라미터 세트에 기초하여 상기 제1 바운더리를 가지는 상기 제2 영역을 결정하며, 상기 치료 계획 정보가 상기 제2 특성 정보를 포함하는 경우, 상기 제2 파라미터 세트에 기초하여 상기 제2 바운더리를 가지는 상기 제2 영역을 결정하도록 구성될 수 있다.
본 출원의 일 실시예에 의한 의료 이미지 분석 장치에 따르면, 상기 치료 계획 정보가 상기 제1 특성 정보를 포함하는 경우, 상기 제1 영역은 제3 바운더리를 가지며, 상기 치료 계획 정보가 상기 제2 특성 정보를 포함하는 경우, 상기 제1 영역은 제4 바운더리를 가지되, 상기 제3 바운더리와 상기 제4 바운더리는 실질적으로 동일할 수 있다.
본 출원의 일 실시예에 의한 의료 이미지 분석 장치에 따르면, 상기 의료 이미지 분석 장치는, 상기 치료 계획 정보과 관련된 사용자의 입력을 수신하는 입력 모듈;을 더 포함하되, 상기 컨트롤러는, 상기 입력 모듈을 통하여, 상기 제1 특성 정보 또는 상기 제2 특성 정보 중에서 적어도 하나를 선택하는 사용자의 입력을 획득하며, 상기 사용자의 입력에 기초하여, 상기 제1 특성 정보에 대응하는 상기 제1 파라미터 세트 및 상기 제2 특성 정보에 대응하는 제2 파라미터 세트 중에서 상기 치료 계획 정보와 관련된 상기 사용자의 입력에 대응되는 파라미터 세트를 상기 대상 파라미터 세트로 선택하도록 구성될 수 있다.
본 출원의 일 실시예에 의한 의료 이미지 분석 장치에 따르면, 상기 치료 계획 정보는 시술자 정보, 피시술자 정보, 종양 정보 및 방사선 정보 중 적어도 하나와 관련되며, 상기 시술자 정보는 종양을 시술하는 시술자와 관련된 신원 정보 및 치료 이력 정보 중 적어도 하나를 포함하며, 상기 피시술자 정보는 시술을 받는 피시술자의 신원 정보 및 기저 질환 정보 중 적어도 하나를 포함하며, 상기 종양 정보는 시술 대상인 종양의 크기, 유형 및 발현 정도와 관련된 정보 중 적어도 하나를 포함하며, 상기 방사선 정보는 방사선의 종류, 세기, 형태 및 위험도와 관련된 정보 중 적어도 하나를 포함할 수 있다.
본 출원의 일 실시예에 의한 의료 이미지 분석 장치에 따르면, 상기 의료 이미지 분석 장치는, 상기 치료 계획 정보과 관련된 사용자의 입력을 수신하는 입력 모듈; 상기 사용자의 입력에 대응하여 치료 보조 정보를 출력하는 출력 모듈;을 더 포함하되, 상기 컨트롤러는, 상기 입력 모듈을 통하여 상기 대상 의료 이미지에 대하여 상기 대상 종양과 관련된 제3 영역 및 상기 대상 영역과 관련된 제4 영역을 포함하는 복수의 영역을 정의한 사용자 치료 정보와 관련된 사용자의 입력을 획득하고, 상기 출력 모듈을 통하여 상기 제3 영역의 바운더리 및 상기 제4 영역의 바운더리를 상기 대상 의료 이미지에 표시하여 출력하도록 구성될 수 있다.
본 출원의 일 실시예에 의한 의료 이미지 분석 장치에 따르면, 상기 컨트롤러는, 상기 대상 파라미터 세트가 포함되지 않은 인공 신경망 및 상기 대상 의료 이미지에 기초하여 획득된 상기 대상 영역과 관련된 보조 정보를 제공하도록 구성되되, 상기 보조 정보는 상기 제1 특성 정보 또는 제2 특성 정보에 비의존적으로 상기 인공 신경망에 의해 획득될 수 있다.
본 출원의 일 실시예에 의한 의료 이미지 분석 장치에 따르면, 상기 의료 이미지 분석 장치는, 상기 대상 영역에 대하여 방사선의 조사의 개시를 지시하는 사용자 입력을 수신하는 입력 모듈;을 더 포함하되, 상기 컨트롤러는, 상기 입력 모듈을 통하여 상기 제2 영역에 기초하여 상기 대상 영역에 대한 방사선의 조사의 개시를 지시하는 사용자의 입력을 획득하고, 상기 사용자의 입력에 대응하여 상기 제2 영역에 대한 방사선의 조사의 개시를 지시하도록 구성될 수 있다.
본 출원의 일 실시예에 의한 의료 이미지 분석 장치에 따르면, 상기 복수의 영역은 종양이 위치하는 장기에 대응되는 영역(GTV), 피시술자의 움직임을 고려한 마진과 관련된 영역(CTV), 장기의 움직임을 고려한 마진과 관련된 영역(PTV), 방사선이 조사되어서는 안 되는 영역(OAR) 및 상기 종양 영역과 중 적어도 하나와 관련될 수 있다.
본 출원의 일 실시예에 의한 의료 이미지 분석 장치에 따르면, 상기 인공 신경망은 방사선 조사와 관련된 하나 이상의 라벨에 기초하여, 상기 대상 의료 이미지에 대하여 세그멘테이션을 수행하여, 상기 복수의 영역을 획득하도록 구성될 수 있다.
본 출원의 일 실시예에 의한 의료 이미지 분석 장치에 따르면, 상기 하나 이상의 라벨은 종양이 위치하는 장기에 대응되는 영역(GTV), 피시술자의 움직임을 고려한 마진과 관련된 영역(CTV), 장기의 움직임을 고려한 마진과 관련된 영역(PTV), 방사선이 조사되어서는 안 되는 영역(OAR) 및 상기 종양 영역과 관련된 라벨 중 적어도 하나를 포함하며, 상기 인공 신경망은, 상기 대상 의료 이미지의 셀에 대하여 상기 적어도 하나의 라벨을 할당하고 상기 대상 영역과 관련된 영역 정보, 상기 방사선이 조사되어서는 안 되는 영역과 관련된 영역 정보 및 상기 종양 영역과 관련된 영역 정보를 획득하도록 학습되며, 상기 복수의 영역은 상기 셀에 할당된 라벨에 기초하여 획득될 수 있다.
도 1을 참고하면, 치료 보조 정보는 방사선이 조사될 영역과 관련하여, 종양이 위치하는 장기에 대응되는 영역(GTV), 방사선 치료 시 피시술자의 움직임을 고려한 마진과 관련된 영역(CTV) 및 다회차 종양 치료에 대한 장기의 미세한 움직임을 고려한 마진(PTV)를 포함할 수 있다. 또한, 치료 보조 정보는 방사선이 조사되서는 안 되는 영역(OAR), 예를 들어, 종양 주변의 기관(organ)이 위치하는 영역을 포함할 수 있다.
이때, 방사선이 조사될 영역 및 방사선이 조사되서는 안 되는 영역은 시술자에 따라 상이하게 정의될 수 있다. 또한, 방사선이 조사될 영역 및 방사선이 조사되서는 안 되는 영역은 피시술자의 특성, 종양의 유형 및/또는 종양을 치료하기 위한 방사선의 유형에 따라 상이하게 정의될 수 있다.
본 출원의 의료 영상 분석 장치, 의료 영상 분석 시스템 및 의료 영상 분석 방법은 방사선이 조사될 영역 및/또는 방사선이 조사되서는 안 되는 영역을 의료 이미지의 세그멘테이션 기법을 활용하여 자동적으로 산출해주되, 시술자, 피시술자, 종양 및/또는 방사선의 특성을 반영하여, 방사선이 조사될 영역 및/또는 방사선이 조사되서는 안 되는 영역과 관련된 치료 보조 정보를 산출하여 사용자에게 제공할 수 있다.
이하에서는 종양 치료와 관련된 치료 보조 정보를 산출하는 내용을 중심으로 설명한다. 다만, 이는 예시에 불과하며 의료 영상 분석을 기반으로 종양 이외의 시술자 등의 특성을 반영하여 치료 보조 정보를 생성하기 위한 모든 의료 분야에 이용될 수 있다.
이하에서는 본 출원의 일 실시예에 따른 의료 이미지 분석 방법 및 의료 이미지 분석 장치 및 의료 이미지 분석 시스템에 관하여 설명한다.
도 2는 본 출원의 일 실시예에 따른 의료 이미지 분석 시스템에 관한 개략도이다. 도 2를 참고하면, 본 출원의 일 실시예에 따른 의료 이미지 분석 시스템은 의료 이미지 획득 장치(1000), 의료 이미지 분석 장치(2000) 및 학습 장치(3000)를 포함할 수 있다.
의료 이미지 획득 장치(1000)는 의료 이미지를 획득하여 네트워크를 통하여 의료 이미지 분석 장치(2000)에 송신할 수 있다.
일 예로, 의료 이미지 획득 장치(1000)는 자기 공명 영상(MRI, Magnetic Resonance Imaging)을 획득하기 위한 장치일 수 있다. 이때, 의료 이미지 획득 장치(1000)에 획득된 자기 공명 영상은 네트워크를 통하여 의료 이미지 분석 장치(2000)로 전달될 수 있다.
다른 예로, 의료 이미지 획득 장치(1000)는 컴퓨터 단층 촬영(CT, Computed Tomography) 영상을 획득하기 위한 장치일 수 있다. 이때, 의료 이미지 획득 장치(1000)에 획득된 컴퓨터 단층 촬영 영상은 네트워크를 통하여 의료 이미지 분석 장치(2000)로 전달될 수 있다.
또 다른 예로, 의료 이미지 획득 장치(1000)는 방사선 촬영(Radiography)에 의하여 획득된 영상을 획득하기 위한 장치일 수 있다. 이때, 의료 이미지 획득 장치(1000)에 획득된 방사선 촬영 영상은 네트워크를 통하여 의료 이미지 분석 장치(2000)로 전달될 수 있다.
또한, 의료 이미지 획득 장치(1000)는 복수 개의 의료 이미지 획득 장치(1000)로 구성될 수 있다.
다만 상술한 의료 이미지 획득 장치(1000)는 예시에 불과하며, 이에 제한되지 않고, 의학 촬영(medical imaging)에 활용되는 임의의 적절한 장치나 시스템을 포괄하는 의미로 해석되어야 할 것이다.
의료 이미지 획득 장치(1000)에 의해 획득된 이미지는 2차원 형태의 이미지일 수 있다. 이때, 의료 이미지는 픽셀의 좌표, 색상, 강도 등과 관련된 픽셀 정보를 포함할 수 있다.
의료 이미지 획득 장치(1000)에 의해 획득된 의료 이미지는 3차원 형태의 이미지일 수 있다. 이때, 이미지는 복셀의 좌표, 색상, 강도와 관련된 픽셀 정보를 포함할 수 있다.
의료 이미지 획득 장치(1000)에 의해 획득된 의료 이미지는 의료 이미지와 관련된 특성 정보를 포함할 수 있다. 예를 들어, 의료 이미지는 대상체, 즉 피시술자 정보를 포함할 수 있다. 구체적으로 피시술자 정보란 피시술자의 신원 정보(예, 나이, 성별, 성명 등) 혹은 피시술자의 의료 정보(예, 기저질환, 치료 이력 등)을 포괄하는 의미일 수 있다. 이때, 피시술자 정보는 의료 이미지에 대하여 메타 데이터로 구조화될 수 있다.
의료 이미지 획득 장치(1000)에 의해 획득된 의료 이미지는 의료 이미지의 정렬과 관련된 정보를 포함할 수 있다. 예를 들어, 의료 이미지 획득 장치(1000)는 대상체의 기준 좌표축의 방향(RAS)을 고려하여, 촬영된 의료 이미지의 방향과 관련된 데이터(ijk)를 함께 획득할 수 있다. 의료 이미지 획득 장치(1000)는 의료 이미지 획득 장치(1000)의 좌표 축에 대한 정보(xyz) 및 대상체(100)의 기준 좌표 축에 대한 정보(RAS)를 고려하여 촬영된 이미지의 방향과 관련된 데이터(ijk)를 획득할 수 있다.
이때, 상술한 데이터들은 획득된 의료 이미지에 대하여 메타 데이터로 구조화되어 의료 이미지 분석 장치(2000)로 송신되거나 의료 이미지와는 별개로 의료 이미지 분석 장치(2000)로 전달될 수 있다.
의료 이미지 획득 장치(1000)에 의해 획득된 의료 이미지는 신체의 특정 부위의 해부학적 구조와 관련된 정보를 포함할 수 있다. 또한, 신체의 특정 부위는 의학 촬영(medical imaging)이 활용될 수 있는 모든 부위에 대응될 수 있다. 설명의 편의를 위하여 후술할 도면과 명세서에서는 종양(tumor)과 관련된 의료 이미지를 중심으로 서술하나, 이는 예시에 불과하며 본 출원에 개시된 실시예들은 종양 이외의 임의의 적절한 부위(예를 들어, 폐, 유방, 심장, 관절, 혈관 등)에 포함된 질환을 치료하기 위하여 의료 이미지를 분석하는 모든 경우에 대하여 적용될 수 있다.
한편, 본 출원의 일 실시예에 따른 의료 이미지 획득 장치(1000)는 서버의 형태로 구현될 수 있다. 이때, 서버는 의료 이미지 및 의료 이미지와 관련된 정보들을 저장하도록 구성될 수 있다. 또한 서버는 의료 이미지 및 의료 이미지와 관련된 정보들을 수정하거나 가공(processing)하도록 구현될 수 있다.
또한 의료 이미지들은 의료 이미지 분석 장치(2000)의 메모리 혹은 서버에 저장되어 세그멘테이션하거나 치료 보조 정보를 출력하는 데 활용될 수 있다. 이와 관련하여는, 이하에서 자세히 후술한다.
본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 의료 이미지 획득 장치(1000)로부터 획득된 의료 이미지를 학습 장치(3000)에 의해 학습된 인공신경망을 이용하여 세그멘테이션하며, 치료 보조 정보를 출력하는 동작을 수행할 수 있다. 이와 관련하여는, 자세히 후술한다.
본 출원의 일 실시예에 따른 학습 장치(3000)는 학습 데이터 세트를 이용하여, 의료 이미지의 세그멘테이션을 위한 신경망 모델의 파라미터 세트를 갱신할 수 있다. 또한, 본 출원의 일 실시예에 따른 학습 장치(3000)는 학습 데이터 세트를 이용하여, 특성 정보에 관련된 의료 이미지 세그멘테이션을 위한 신경망 모델의 파라미터 세트를 갱신하는 동작을 수행할 수 있다. 이와 관련하여, 도 4 내지 도 14에서 자세히 후술한다.
도 2에 도시한 바에 따르면, 의료 이미지 획득 장치(1000), 의료 이미지 분석 장치(2000) 및 학습 장치(3000)는 모두 별개의 장치로 제공되는 것으로 도시하였다. 다만, 이는 예시에 불과하며, 의료 이미지 획득 장치(1000), 의료 이미지 분석 장치(2000) 및/또는 학습 장치(3000)는 단일한 장치로 구현될 수 있다. 또는 의료 이미지 획득 장치(1000), 의료 이미지 분석 장치(2000) 및 학습 장치(3000) 중 일부는 별개의 장치로 제공하고 나머지 장치는 단일한 장치로 구현될 수 있다.
이하에서는 도 3을 참고하여 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)의 구성을 서술한다. 도 3은 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)에 관한 블록도이다.
본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 통신 모듈(2100), 메모리(2200), 컨트롤러(2300)를 포함할 수 있다.
통신 모듈(2100)은 의료 이미지 획득 장치(1000), 학습 장치(3000) 및 임의의 외부 기기와 통신을 수행할 수 있다. 다시 말해, 의료 이미지 분석 장치(2000)는 통신 모듈(2100)을 통해, 의료 이미지 획득 장치(1000)로부터 의료 이미지를 송수신하거나 중계기 및 서버 등을 포함한 외부 기기들 및 학습 장치(3000)와 임의의 데이터의 송수신을 할 수 있다.
예를 들어, 의료 이미지 분석 장치(2000)는, 통신 모듈(2100)을 통해, 의료 이미지 획득 장치(1000)로부터 획득된 의료 이미지, 학습 장치(3000)로부터 학습된 신경망 모델에 관한 파라미터 정보를 수신할 수 있다. 다른 예를 들어, 의료 이미지 분석 장치(2000)는, 통신 모듈(2100)을 통해, 분석 결과와 관련된 정보들을 임의의 외부 장치로 송신할 수 있다. 또 다른 예로, 의료 이미지 분석 장치(2000)는 통신 모듈(2100)을 통해 인터넷에 접속하여 의료 이미지와 관련된 각종 데이터, 분석 결과와 관련된 정보들을 업로드할 수 있다.
통신 모듈(2100)은 크게 유선 타입과 무선 타입으로 나뉜다. 유선 타입과 무선 타입은 각각의 장단점을 가지므로, 경우에 따라서는 의료 이미지 분석 장치(2000)에는 유선 타입과 무선 타입이 동시에 마련될 수도 있다.
여기서, 유선 타입의 경우에는 LAN(Local Area Network)이나 USB(Universal Serial Bus) 통신이 대표적인 예이며 그 외의 다른 방식도 가능하다.
또 여기서, 무선 타입의 경우에는 주로 블루투스(RPuetooth)나 직비(Zigbee)와 같은 WPAN(Wireless Personal Area Network) 계열의 통신 방식을 이용할 수 있다. 그러나, 무선 통신 프로토콜이 이로 제한되는 것은 아니므로 무선 타입의 통신 모듈은 와이파이(Wi-Fi) 같은 WLAN(Wireless Local Area Network) 계열의 통신 방식이나 그 외의 알려진 다른 통신 방식을 이용하는 것도 가능하다.
메모리(2200)는 각종 정보를 저장할 수 있다. 메모리(2200)에는 각종 데이터가 임시적으로 또는 반영구적으로 저장될 수 있다. 메모리(2200)의 예로는 하드 디스크(HDD: Hard Disk Drive), SSD(Solid State Drive), 플래쉬 메모리(flash memory), 롬(ROM: Read-Only Memory), 램(RAM: Random Access Memory) 등이 있을 수 있다.
메모리(2200)는 의료 이미지 분석 장치(2000)에 내장되는 형태나 탈부착 가능한 형태로 제공될 수 있다. 메모리(2200)에는 의료 이미지 분석 장치(2000)를 구동하기 위한 운용 프로그램(OS: Operating System)이나 의료 이미지 분석 장치(2000)의 각 구성을 동작시키기 위한 프로그램을 비롯해 의료 이미지 분석 장치(2000)의 동작에 필요한 각종 데이터가 저장될 수 있다. 예를 들어, 메모리(2200)에는 의료 이미지와 관련된 각종 데이터, 분석 결과와 관련된 정보들이 저장될 수 있다.
컨트롤러(2300)는 의료 이미지 분석 장치(2000)의 전반적인 동작을 제어할 수 있다. 예를 들어, 컨트롤러(2300)는 메모리(2200)로부터 의료 이미지 분석 장치(2000)의 동작을 위한 프로그램을 로딩하여 실행할 수 있다.
컨트롤러(2300)는 하드웨어나 소프트웨어 또는 이들의 조합에 따라 CPU(Central Processing Unit)나 이와 유사한 장치로 구현될 수 있다. 하드웨어적으로 전기적 신호를 처리하여 제어 기능을 수행하는 전자 회로 형태로 제공될수 있으며, 소프트웨어적으로는 하드웨어적 회로를 구동시키는 프로그램이나 코드 형태로 제공될 수 있다.
한편, 도 3을 다시 참고하면, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 입력 모듈(2400)과 출력 모듈(2500)을 포함할 수 있다.
이때, 의료 이미지 분석 장치(2000)는 입력 모듈(2400) 및 출력 모듈(2500)을 이용하여, 사용자의 입력을 획득하고 사용자의 입력에 대응되는 정보를 출력할 수 있다. 예컨대, 의료 이미지 분석 장치(2000)는 입력 모듈(2400)을 이용하여 데이터 획득을 요청하는 사용자 입력, 의료 이미지의 전 처리를 지시하는 사용자 입력, 이미지 세그멘테이션과 관련된 사용자 입력 및 일부 노드의 파라미터 세트를 결정하기 위한 특성 정보에 대한 사용자 입력을 획득하고, 대응되는 정보를 출력 모듈(2500)을 통하여 출력할 수 있다.
일 예로, 사용자는 입력 모듈(2400)을 통하여 의료 이미지 분석 장치(2000)의 분석과 관련된 조건이나 설정을 입력할 수 있다.
예를 들어, 사용자는 입력 모듈(2400)을 통하여 대상 의료 이미지를 세그멘테이션하기 위한 대상 특성 정보를 설정할 수 있다. 이때, 의료 이미지 분석 장치(2000)는 입력 모듈(2400)로부터 수신된 대상 특성 정보에 기초하여 의료 이미지의 세그멘테이션을 수행하도록 구현될 수 있다.
입력 모듈(2400)은 마우스, 키보드, 터치 패드 등 다양한 형태로 구현될 수 있다.
출력 모듈(2500)은 의료 이미지 분석 장치(2000)의 의료 이미지 분석 동작 상에서 알림이나 의료 이미지 분석 결과 등을 출력하도록 제공될 수 있다.
예를 들어, 의료 이미지 분석 장치(2000)가 의료 이미지의 세그멘테이션 동작을 수행하는 경우, 의료 이미지에 오류가 존재한다는 알림창이 출력 모듈(2500)을 통하여 제공될 수 있다.
다른 예를 들어, 의료 이미지 분석 장치(2000)가 의료 이미지의 세그멘테이션 동작을 수행하는 경우, 세그멘테이션의 결과가 출력 모듈(2500)을 통하여 제공될 수 있다.
또 다른 예를 들어, 의료 이미지 분석 장치(2000)가 의료 이미지의 분석이 완료한 경우, 의료 이미지의 분석 결과(예, 세그멘테이션 정보 또는 치료 보조 정보 등)가 출력 모듈(2500)을 통하여 사용자에게 제공될 수 있다.
출력 모듈(2050)은 스마트폰의 디스플레이, 모니터의 디스플레이 등 임의의 적절한 형태로 구현될 수 있다.
또한, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 입력 모듈(2400)을 통하여 사용자의 입력을 획득하고 출력 모듈(2500)을 통하여 사용자의 입력에 대응되는 정보를 출력하기 위한 유저 인터페이스를 더 포함할 수 있다.
도 3에서는, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)가 입력 모듈(2400) 및 출력 모듈(2500)을 포함하는 것으로 도시하였으나, 이는 예시에 불과하며, 입력 모듈(2400) 및 출력 모듈(2500)이 생략된 의료 이미지 분석 장치(2000)가 제공될 수 있다.
이때, 의료 이미지 분석 장치(2000)와는 별개의 외부 장치가 상술한 입력 모듈과 출력 모듈을 포함하도록 구현될 수 있다. 또한, 의료 이미지 분석 장치(2000)로부터 분석된 결과들이, 통신 모듈을 통해 별개의 외부 장치로 송신되며 별개의 외부 장치의 입력 모듈과 출력 모듈을 통하여 사용자에게 제공될 수 있다.
한편, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 서버의 형태로 구현될 수 있다. 이때, 서버는 의료 이미지 획득 장치(1000)로부터 송신된 의료 이미지 및 의료 이미지와 관련된 정보들을 저장하도록 구성될 수 있다. 또한, 서버는 의료 이미지 및 의료 이미지와 관련된 정보들을 수정하거나 가공(processing)하도록 구현될 수 있다.
또한, 의료 이미지 분석 장치(2000)의 서버는 의료 이미지 획득 장치(1000)의 서버와 별개로 구현될 수 있으나, 이에 제한되지 않으며 의료 이미지 획득 장치(1000)의 서버와 의료 이미지 분석 장치(2000)의 서버는 단일한 형태로 구현될 수 있다. 다시 말해, 의료 이미지 획득 장치(1000)와 의료 이미지 분석 장치(2000)은 공통의 서버를 가지는 형태로 구현될 수 있다.
본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 의료 이미지의 세그멘테이션을 수행할 수 있다. 이때, 본 출원의 일 실시예에 따른 의료 이미지의 세그멘테이션은 학습된 신경망 모델을 이용하여 수행될 수 있다.
또한, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 의료 이미지와 관련된 대상 특성 정보에 기초하여 의료 이미지의 세그멘테이션을 수행할 수 있다. 이때, 본 출원의 일 실시예에 따른 의료 이미지의 세그멘테이션은 대상 특성 정보에 기초하여 학습된 파라미터 세트가 포함된 신경망 모델을 이용하여 수행될 수 있다. 본 출원의 일 실시예에 따른 의료 이미지의 세그멘테이션을 위한 신경망 모델은 대상 특성 정보를 반영한 특징 벡터가 신경망 모델의 일부 레이어에서 출력되도록 구성될 수 있다.
이하에서는 의료 이미지 분석 장치(2000)의 일 실시예에 의해 수행되는 몇몇 동작들에 대해서 보다 구체적으로 설명한다.
이하에서는 설명의 편의를 위하여 종양(tumor)와 관련된 의료 이미지를 분석하는 실시예를 중심으로 서술한다. 다만, 종양에 제한되지 않으며 본 출원에 개시된 다양한 실시예들은 종양 이외의 임의의 적절한 신체의 부위와 관련된 질환을 치료하기 위하여 의료 이미지를 분석하는 모든 의료 분야에 대하여도 적용될 수 있다.
본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 의료 이미지 및 의료 이미지와 관련된 정보를 획득할 수 있다.
구체적으로 의료 이미지 분석 장치(2000)는 의료 이미지 획득 장치(1000)로부터 의료 이미지를 획득할 수 있다. 좀 더 구체적으로 의료 이미지 분석 장치(2000)는 통신 모듈(2100)을 통하여 의료 이미지 획득 장치(1000)로부터 의료 이미지와 의료 이미지와 관련된 정보들을 획득할 수 있다.
또한, 의료 이미지 분석 장치(2000)는 의료 이미지 획득 장치(1000), 입력 모듈(2400)을 통한 사용자의 입력 또는 임의의 외부 장치(예, 서버)로부터 의료 이미지와 관련된 정보를 획득할 수 있다.
의료 이미지와 관련된 정보들은 의료 이미지에 포함된 데이터들, 의료 이미지와 관련된 특성 정보들을 포괄하는 의미일 수 있다.
이때, 의료 이미지에 포함된 데이터들은 의료 이미지 내에 포함된 픽셀 혹은 복셀과 관련된 데이터, 의료 이미지의 방향(orientation)과 관련된 데이터 및 의료 이미지에 대하여 구조화된 임의의 메타 데이터(metadata)일 수 있다.
특히, 후술할 의료 이미지의 대상체(즉, 피시술자)에 대한 정보들이 메타데이터로서 의료 이미지에 대하여 구조화될 수 있다.
이때, 의료 이미지와 관련된 특성 정보들은, 시술자 정보, 피시술자 정보, 종양 정보 및 방사선 정보 중 적어도 하나와 관련된 정보일 수 있다. 또한, 특성 정보들은 치료 보조 정보를 산출하는 데 기초가 될 수 있다. 다시 말해, 특성 정보는 치료 보조 정보를 계획하는 데 이용될 수 있으며, 이러한 취지에서 특성 정보는 치료 계획 정보로 지칭될 수 있다.
이하에서는 특성 정보와 치료 계획 정보를 혼용하여 사용하나, 이는 설명의 편의를 위한 것일 뿐, 지칭하는 용어에 의해 제한적으로 해석되지 않는다.
예컨대, 시술자 정보는 의료 이미지에 기초하여 치료를 수행하는 시술자의 신원 정보(예, 나이, 성별, 성명 등)를 포함할 수 있다.
혹은, 시술자 정보는 의료 이미지에 대하여 방사선 조사 영역을 설정하거나 정의한 시술자의 치료 이력 정보를 포함할 수 있다. 예를 들어, 제1 시술자는 의료 이미지의 제1 영역을 방사선 조사 영역으로 정의하여 치료를 수행하였을 수 있다. 이때, 제1 시술자의 신원 정보와 의료 이미지의 제1 영역을 방사선 조사 영역으로 선택한 치료 이력 정보가 의료 이미지와 관련된 특성 정보일 수 있다. 반면, 제2 시술자는 의료 이미지의 제2 영역을 방사선 조사 영역으로 결정하여 방사선 치료를 수행하였을 수 있다. 이때, 제2 시술자의 신원 정보와 의료 이미지의 제2 영역을 방사선 조사 영역으로 선택한 치료 이력 정보가 의료 이미지와 관련된 특성 정보일 수 있다.
예컨대, 피시술자 정보는 종양과 관련된 방사선 치료를 받는 피시술자의 신원 정보(예, 나이, 성별, 성명 등)를 포함할 수 있다.
혹은, 피시술자 정보는 피시술자의 의료 정보(예, 기저 질환, 치료 이력 등)을 포함할 수 있다. 예를 들어, 피시술자는 기저 질환을 가지고 있을 수 있거나 방사선 치료와 관련된 기존 치료 이력이 존재할 수 있다. 이때, 피시술자의 신원 정보와 피시술자의 기저 질환의 유무, 기저 질환의 정보 및 기존 치료 이력과 관련된 정보가 의료 이미지와 관련된 특성 정보일 수 있다.
예컨대, 종양 정보는 종양의 크기, 형태, 발현 정도(Grade), 종양의 유형 또는 종양의 위치 등을 포함하는 의료 이미지와 관련된 종양과 관련된 정보를 포괄하는 의미일 수 있다. 이때, 의료 이미지와 관련된 종양과 관련된 정보가 특성 정보일 수 있다. 예를 들어, 제1 피시술자는 제1 종양 정보(예, 제1 크기, 제1 형태, 제1 위치 등)를 포함하는 종양을 갖고 있을 수 있다. 반면, 제2 피술자는 제2 종양 정보(예, 제2 크기, 제2 형태, 제2 위치 등)를 포함하는 종양을 갖고 있을 수 있다. 이때, 제1 종양 정보와 제2 종양 정보가 의료 이미지와 관련된 특성 정보일 수 있다.
예컨대, 방사선 정보는 종양을 시술하거나 치료하기 위하여 사용되는 방사선(Radiation)의 종류, 방사선의 세기, 방사선의 조사 주기, 방사선의 스팟 사이즈, 또는 방사선 장치의 제조사 등을 포함하는 방사선과 관련된 정보들을 포괄하는 의미일 수 있다. 예를 들어, 제1 방사선 정보를 포함하는 방사선으로 제1 종양의 시술이나 치료가 진행될 수 있다. 반면 제2 방사선 정보를 포함하는 방사선으로 제2 종양의 시술이나 치료가 진행될 수 있다. 이때, 제1 방사선 정보와 제2 방사선 정보가 의료 이미지와 관련된 특성 정보일 수 있다.
본 출원의 일 실시예에 따른 학습 장치(3000)는 상술한 특성 정보들을 획득하여 특성 정보에 기초하여 특성 정보에 특이적인 특징 벡터가 출력되도록 파라미터 세트를 갱신하도록 구현될 수 있다.
또한, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 특성 정보에 기초하여 획득된 파라미터 세트로 신경망 모델의 대응되는 노드의 파라미터 세트를 대체하여 특성 정보를 반영한 의료 이미지의 세그멘테이션을 수행하도록 구현될 수 있다.
의료 이미지 분석 장치(2000)는 상술한 특성 정보들이 의료 이미지에 대하여 구조화된 메타 데이터의 형태로서 특성 정보를 획득하도록 구현될 수 있다. 예컨대, 상술한 특성 정보 중 피시술자 정보의 신원 정보(예, 나이, 성별, 성명 등)들은 의료 이미지에 대하여 메타 데이터로 구조화되어 의료 이미지 분석 장치(2000)가 획득하도록 구현될 수 있다.
혹은, 의료 이미지 분석 장치(2000)는 임의의 외부 장치로부터 상술한 특성 정보들을 획득하도록 구현될 수 있다. 예를 들어, 의료 이미지 분석 장치(2000)는 상술한 특성 정보 중 시술자 정보, 종양 정보, 방사선 정보 및/또는 피시술자 정보들은 임의의 서버를 포함하는 임의의 외부 장치로부터 획득하도록 구현될 수 있다.
혹은, 의료 이미지 분석 장치(2000)는 상술한 특성 정보들을 입력 모듈(2400)을 통하여 사용자로부터 입력받아 획득할 수 있다. 예를 들어, 사용자는, 입력 모듈(2400)을 통하여, 시술자의 신원 정보 혹은 시술자의 치료 이력 정보, 종양과 관련된 정보 및 종양을 치료하기 위한 방사선 정보 등을 입력할 수 있다. 이때, 의료 이미지 분석 장치(2000)는 사용자의 입력을 수신함으로써, 특성 정보를 획득할 수 있다.
이때, 의료 이미지와 관련된 특성 정보들은, 시술자 정보, 피시술자 정보, 종양 정보 및 방사선 정보 중 적어도 하나와 관련된 정보일 수 있다. 또한, 특성 정보들은 치료 보조 정보를 산출하는 데 기초가 될 수 있다. 다시 말해, 특성 정보는 치료 보조 정보를 계획하는 데 이용될 수 있으며, 이러한 취지에서 특성 정보는 치료 계획 정보로 지칭될 수 있다.
이하에서는 특성 정보와 치료 계획 정보를 혼용하여 사용하나, 이는 설명의 편의를 위한 것일 뿐, 지칭하는 용어에 의해 제한적으로 해석되지 않는다.
예컨대, 시술자 정보는 의료 이미지에 기초하여 치료를 수행하는 시술자의 신원 정보(예, 나이, 성별, 성명 등)를 포함할 수 있다.
혹은, 시술자 정보는 의료 이미지에 대하여 방사선 조사 영역을 설정하거나 정의한 시술자의 치료 이력 정보를 포함할 수 있다. 예를 들어, 제1 시술자는 의료 이미지의 제1 영역을 방사선 조사 영역으로 정의하여 치료를 수행하였을 수 있다. 이때, 제1 시술자의 신원 정보와 의료 이미지의 제1 영역을 방사선 조사 영역으로 선택한 치료 이력 정보가 의료 이미지와 관련된 특성 정보일 수 있다. 반면, 제2 시술자는 의료 이미지의 제2 영역을 방사선 조사 영역으로 결정하여 방사선 치료를 수행하였을 수 있다. 이때, 제2 시술자의 신원 정보와 의료 이미지의 제2 영역을 방사선 조사 영역으로 선택한 치료 이력 정보가 의료 이미지와 관련된 특성 정보일 수 있다.
예컨대, 피시술자 정보는 종양과 관련된 방사선 치료를 받는 피시술자의 신원 정보(예, 나이, 성별, 성명 등)를 포함할 수 있다.
혹은, 피시술자 정보는 피시술자의 의료 정보(예, 기저 질환, 치료 이력 등)을 포함할 수 있다. 예를 들어, 피시술자는 기저 질환을 가지고 있을 수 있거나 방사선 치료와 관련된 기존 치료 이력이 존재할 수 있다. 이때, 피시술자의 신원 정보와 피시술자의 기저 질환의 유무, 기저 질환의 정보 및 기존 치료 이력과 관련된 정보가 의료 이미지와 관련된 특성 정보일 수 있다.
예컨대, 종양 정보는 종양의 크기, 형태, 발현 정도(Grade), 종양의 유형 또는 종양의 위치 등을 포함하는 의료 이미지와 관련된 종양과 관련된 정보를 포괄하는 의미일 수 있다. 이때, 의료 이미지와 관련된 종양과 관련된 정보가 특성 정보일 수 있다. 예를 들어, 제1 피시술자는 제1 종양 정보(예, 제1 크기, 제1 형태, 제1 위치 등)를 포함하는 종양을 갖고 있을 수 있다. 반면, 제2 피술자는 제2 종양 정보(예, 제2 크기, 제2 형태, 제2 위치 등)를 포함하는 종양을 갖고 있을 수 있다. 이때, 제1 종양 정보와 제2 종양 정보가 의료 이미지와 관련된 특성 정보일 수 있다.
예컨대, 방사선 정보는 종양을 시술하거나 치료하기 위하여 사용되는 방사선(Radiation)의 종류, 방사선의 세기, 방사선의 조사 주기, 방사선의 스팟 사이즈, 또는 방사선 장치의 제조사 등을 포함하는 방사선과 관련된 정보들을 포괄하는 의미일 수 있다. 예를 들어, 제1 방사선 정보를 포함하는 방사선으로 제1 종양의 시술이나 치료가 진행될 수 있다. 반면 제2 방사선 정보를 포함하는 방사선으로 제2 종양의 시술이나 치료가 진행될 수 있다. 이때, 제1 방사선 정보와 제2 방사선 정보가 의료 이미지와 관련된 특성 정보일 수 있다.
본 출원의 일 실시예에 따른 학습 장치(3000)는 상술한 특성 정보들을 획득하여 특성 정보에 기초하여 특성 정보에 특이적인 특징 벡터가 출력되도록 파라미터 세트를 갱신하도록 구현될 수 있다.
또한, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 특성 정보에 기초하여 획득된 파라미터 세트로 신경망 모델의 대응되는 노드의 파라미터 세트를 대체하여 특성 정보를 반영한 의료 이미지의 세그멘테이션을 수행하도록 구현될 수 있다.
의료 이미지 분석 장치(2000)는 상술한 특성 정보들이 의료 이미지에 대하여 구조화된 메타 데이터의 형태로서 특성 정보를 획득하도록 구현될 수 있다. 예컨대, 상술한 특성 정보 중 피시술자 정보의 신원 정보(예, 나이, 성별, 성명 등)들은 의료 이미지에 대하여 메타 데이터로 구조화되어 의료 이미지 분석 장치(2000)가 획득하도록 구현될 수 있다.
혹은, 의료 이미지 분석 장치(2000)는 임의의 외부 장치로부터 상술한 특성 정보들을 획득하도록 구현될 수 있다. 예를 들어, 의료 이미지 분석 장치(2000)는 상술한 특성 정보 중 시술자 정보, 종양 정보, 방사선 정보 및/또는 피시술자 정보들은 임의의 서버를 포함하는 임의의 외부 장치로부터 획득하도록 구현될 수 있다.
혹은, 의료 이미지 분석 장치(2000)는 상술한 특성 정보들을 입력 모듈(2400)을 통하여 사용자로부터 입력받아 획득할 수 있다. 예를 들어, 사용자는, 입력 모듈(2400)을 통하여, 시술자의 신원 정보 혹은 시술자의 치료 이력 정보, 종양과 관련된 정보 및 종양을 치료하기 위한 방사선 정보 등을 입력할 수 있다. 이때, 의료 이미지 분석 장치(2000)는 사용자의 입력을 수신함으로써, 특성 정보를 획득할 수 있다.
또한, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 의료 이미지 분석과 관련된 동작과 관련된 정보들을 획득할 수 있다.
구체적으로 의료 이미지 분석 장치(2000)는, 의료 이미지를 전 처리하거나 정렬하기 위한 의료 이미지와 관련된 템플릿(Template)과 관련된 정보들을 임의의 외부 장치로부터 획득할 수 있다.
의료 이미지 분석 장치(2000)가 획득된 데이터들은 의료 이미지 분석 장치(2000)의 메모리(2200) 혹은 의료 이미지 분석 장치(2000)의 임의의 외부 장치(예, 서버)에 저장될 수 있다. 또한 의료 이미지 분석 장치(2000)가 획득된 데이터들은 학습 장치(3000)에 송신될 수 있다. 또는 의료 이미지 분석 장치(2000)가 획득된 데이터들은 임의의 외부 장치(예, 서버)에 송신될 수 있다.
본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 의료 이미지의 전 처리를 수행할 수 있다. 예컨대, 의료 이미지 분석 장치(2000)는 의료 이미지 분석 정확도를 향상시키기 위한 전처리를 수행할 수 있다. 의료 이미지 분석 장치(2000)는 의료 이미지를 세그멘테이션의 동작을 수행하기 전에, 보다 정확한 세그멘테이션 결과를 도출하기 위한 의료 이미지의 전 처리를 수행하도록 제공될 수 있다.
일 예로 의료 이미지 분석 장치(2000)는 의료 이미지 획득 장치(1000)로부터 획득된 의료 이미지의 형식의 변환을 수행하도록 제공될 수 있다. 구체적으로 분석할 의료 이미지들의 형식을 통일함으로써 신경망 모델을 보다 안정적이고 정확하게 학습시킬 수 있다. 좀 더 구체적으로 신경망 모델의 학습에 이용된 의료 이미지와 동일한 형식을 가지는 의료 이미지를 이용하여 분석을 수행하는 것이 보다 안정적이고 정확할 수 있다. 따라서, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 의료 이미지 획득 장치(1000)로부터 획득된 이미지의 형식의 변환을 수행하도록 제공될 수 있다.
일 예로, 의료 이미지 분석 장치(2000)는 의료 이미지 획득 장치(1000)로부터 획득된 의료 이미지에 존재할 수 있는 노이즈(noise)를 제거하거나 아티팩트(artifact)의 보정을 수행하도록 제공될 수 있다. 예를 들어, 노이즈를 제거하기 위하여 블러링 기법 및 미디안 필터(Median filter)를 이용한 기법이 이용될 수 있다. 의료 이미지 분석 장치(2000)는 노이즈를 제거하고, 아티팩트의 보정을 수행함으로써, 보다 정확한 의료 이미지의 세그멘테이션 결과를 도출할 수 있으며, 정확도가 개선된 세그멘테이션 결과에 기초하여 치료 보조 정보를 출력할 수 있기 때문에 객관적인 치료 보조 정보를 사용자에게 제공할 수 있다.
일 예로, 의료 이미지 분석 장치(2000)는 의료 이미지 획득 장치(1000)로부터 획득된 이미지의 인텐시티(intensity)를 보정하는 동작을 수행하도록 제공될 수 있다. 인텐시티(intensity)를 적절하게 보정함으로써, 의료 이미지에 존재할 수 있는 노이즈(noise)를 제거할 수 있으며, 분석하고자 하는 해부학 구조에 특화된 의료 이미지를 획득할 수 있다.
일 예로, 의료 이미지 분석 장치(2000)는 의료 이미지 획득 장치(1000)로부터 획득된 의료 이미지를 스무딩 처리하는 동작을 수행하도록 제공될 수 있다. 예를 들어, 의료 이미지를 스무딩 처리하는 방법으로서 블러링(RPurring), 가우시안 필터(Gaussian filiter)를 이용한 기법이 이용될 수 있다.
일 예로, 의료 이미지 분석 장치(2000)는 의료 이미지 획득 장치(1000)로부터 획득된 의료 이미지의 비율을 조절하거나 의료 이미지를 자르는 동작을 수행하도록 제공될 수 있다. 예를 들어, 의료 이미지 분석 장치(2000)는 의료 이미지를 자르기 위하여 임의의 적절한 크롭(crop) 기법을 활용하도록 구현될 수 있다. 혹은 의료 이미지 분석 장치(2000)는 의료 이미지의 비율을 조절하기 위하여 온디맨드 이미지 리사이징(Ondemand image resizing), 람다 이미지 리사이징(Lambda image resizing), CILanczosScaleTransform 필터를 이용한 리사이징 방법, CIFilter를 이용한 리사이징 방법 등 임의의 적절한 이미지 리사이징 기법을 활용하도록 구현될 수 있다.
일 예로, 의료 이미지 분석 장치(2000)는 후술할 학습 장치(3000)에서의 의료 이미지에 대한 전처리 동작에 대응하는 전처리 동작을 수행하도록 구현될 수 있다. 예를 들어, 학습 장치(3000)에서 의료 이미지를 제1 전처리 기법을 사용하여 신경망 모델을 학습시킨 경우에는, 의료 이미지 분석 장치(2000)는 제1 전처리 기법에 대응하는 전 처리 기법으로 대상 의료 이미지를 전처리하도록 구현될 수 있다. 이를 통하여 신경망 모델을 이용하는 의료 이미지 세그멘테이션이 보다 안정적으로 정확하게 구현될 수 있다.
본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 의료 이미지를 정렬할 수 있다.
예를 들어, 의료 이미지 분석 장치(2000)는 의료 이미지의 방향(orientation)과 관련된 정보를 획득할 수 있으며, 의료 이미지의 방향과 관련된 정보에 기초하여 의료 이미지를 정렬하도록 구현될 수 있다.
다른 예를 들어, 의료 이미지 분석 장치(2000)는 의료 이미지와 관련된 템플릿(Template)을 획득할 수 있으며, 의료 이미지를 템플릿(Template)에 공간적으로 정합시킴으로써, 의료 이미지를 정렬하도록 구현될 수 있다.
다만, 상술한 의료 이미지의 정렬 방법은 예시에 불과하며, 의료 이미지 분석 장치(2000)는 임의의 적절한 방법에 의하여 의료 이미지를 정렬하도록 구현될 수 있다. 예컨대, 의료 이미지 분석 장치(2000)는 의료 이미지 내에 포함된 특징 영역을 기초로 하여 의료 이미지를 정렬하도록 구현될 수 있다.
본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 의료 이미지의 세그멘테이션을 수행할 수 있다. 이때, 의료 이미지 분석 장치(2000)는 의료 이미지와 관련된 특성 정보를 고려하여 의료 이미지를 세그멘테이션을 수행하도록 구현될 수 있다.
이하에서는 도 4 내지 도 17을 참고하여 본 실시예에 따른 의료 이미지의 세그멘테이션을 위한 학습 장치(3000) 및 의료 이미지 분석 장치(2000)의 동작에 대하여 구체적으로 서술한다.
본 출원의 일 실시예에 따르면, 의료 이미지의 세그멘테이션 동작은 학습된 신경망 모델을 이용하여 수행될 수 있다. 다만, 신경망 모델을 이용하지 않더라도 임의의 적절한 방법을 이용하여 본 출원의 일 실시예에 따른 의료 이미지의 세그멘테이션 동작이 구현될 수 있다.
이하에서는 의료 이미지 세그멘테이션을 위한 신경망 모델을 학습시키는 동작과 학습된 신경망 모델을 이용하여 의료 이미지의 세그멘테이션을 수행하는 내용을 중심으로 서술한다.
도 4를 참고한다. 도 4는 본 출원의 일 실시예에 따른 의료 이미지의 세그멘테이션 프로세스의 흐름도를 도시한 도면이다.
도 4를 참고하면, 본 출원의 일 실시예에 따른 의료 이미지의 세그멘테이션 프로세스는, 의료 이미지의 세그멘테이션을 위한 인공신경망 모델의 학습 프로세스(P1000)와 학습된 인공신경망 모델을 이용한 대상 의료 이미지의 세그멘테이션 프로세스(P2000)를 포함할 수 있다.
이때, 학습 프로세스(P1000)는 본 출원의 일 실시예에 따른 학습 장치(3000)에 의해 구현될 수 있다.
또한, 세그멘테이션 프로세스(P2000)는 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)에 의해 구현될 수 있다.
이때, 학습 장치(3000)에서 구현되는 학습 프로세스(P1000)에 의해 획득된 신경망 모델의 파라미터 세트는 임의의 적절한 통신 모듈을 통하여 의료 이미지 분석 장치(2000)로 송신될 수 있다.
이때, 의료 이미지 분석 장치(2000)는 학습 프로세스(P1000)에 의해 획득된 신경망 모델의 파라미터 세트에 기초하여 대상 의료 이미지의 세그멘테이션을 수행하도록 구현될 수 있다. 또한, 의료 이미지 분석 장치(2000)는 세그멘테이션 프로세스(P2000)에 의해 획득된 세그멘테이션 정보에 기초하여 특성 정보를 반영하는 치료 보조 정보를 출력하도록 구현될 수 있다.
본 출원의 일 실시예에 따른 학습 프로세스(P1000)는 학습 데이터 세트를 획득하는 프로세스(P1100), 신경망 모델을 학습시키는 프로세스(P1200), 신경망 모델을 검증하는 프로세스(P1300) 및 신경망 모델의 파라미터를 획득하는 프로세스(P1400)를 포함할 수 있다.
이하에서는 도 5를 참고하여, 본 출원의 일 실시예에 따른 학습 장치(3000)의 신경망 모델의 학습 방법을 설명한다. 도 5는 본 출원의 일 실시예에 따른 학습 장치(3000)의 신경망 모델의 학습 방법에 대한 순서도이다.
도 5를 참고하면, 본 출원의 일 실시예에 따른 학습 장치(3000)의 신경망 모델의 학습 방법은 학습 데이터 세트를 획득하는 단계(S1100), 학습 데이터 세트를 스크리닝하는 단계(S1200), 학습 데이터 세트의 전처리 및 정렬(S1300), 신경망 모델의 학습 및 검증 단계(S1400) 및 신경망 모델 파라미터를 획득하는 단계(S1500)를 포함할 수 있다.
학습 데이터 세트를 획득하는 단계(S1100)에서, 본 출원의 일 실시예에 따른 학습 장치(3000)는 의료 이미지 획득 장치(1000) 혹은 서버를 포함하는 임의의 외부 장치들로부터, 의료 이미지와 관련된 학습 데이터 세트들을 획득할 수 있다.
학습 데이터 세트를 획득하는 단계(S1100)에서, 본 출원의 일 실시예에 따른 학습 장치(3000)는 의료 이미지 획득 장치(1000), 서버를 포함하는 임의의 외부 장치 및/또는 사용자의 입력으로부터 의료 이미지와 관련된 특성 정보를 획득할 수 있다. 이때, 획득된 특성 정보는 학습 프로세스(P1000)에서 신경망 모델의 히든 레이어의 일부를 구성하는 특성 레이어의 파라미터 세트를 학습하거나 갱신시키는 데 기초가 될 수 있다.
도 6을 참고한다. 도 6은 본 출원의 일 실시예에 따른 의료 이미지와 관련된 학습 데이터 세트의 예시적인 구조도이다.
학습 장치(3000)가 획득하는 의료 이미지와 관련된 학습 데이터 세트(DS)는 적어도 하나 이상의 의료 이미지 데이터들을 포함할 수 있다. 다시 말해, 학습 장치(3000)가 획득하는 학습 데이터 세트(DS)는 제1 의료 이미지 데이터(ID1), 제2 의료 이미지 데이터(ID2) 및 제n 의료 이미지 데이터(IDn) 등 적어도 하나 이상의 의료 이미지 데이터를 포함할 수 있다.
또한, 적어도 하나 이상의 의료 이미지 데이터들은 의료 이미지에 대한 라벨 데이터를 포함할 수 있다. 예컨대, 제1 의료 이미지 데이터(ID1)는 제1 의료 이미지(I1)에 대한 제1 라벨 데이터(L1)를 포함할 수 있다.
이때, 도 6에 도시된 학습 데이터 세트에 포함된 라벨과 관련된 데이터들은 의료 이미지에 대하여 동일한 시술자에 의하여 수동으로 혹은 자동으로 라벨링된 데이터일 수 있다.
다만, 이는 설명의 편의를 위한 예시에 불과하며, 도 6에 도시된 학습 데이터 세트에 포함된 라벨과 관련된 데이터들은 복수의 시술자에 의하여 수동으로 혹은 자동으로 라벨링된 데이터일 수 있다. 이러한 경우에도, 학습 장치(3000)가 획득할 수 있는 특성 정보에 시술자 정보 등이 포함될 수 있기 때문에, 특성 정보를 반영하여 의료 이미지를 세그멘테이션을 위한 신경망 모델을 학습시키는 목적을 충분히 달성하도록 학습 프로세스(P1000)가 구현될 수 있다.
학습 장치(3000)가 획득하는 학습 데이터 세트(DS)에 포함된 의료 이미지 데이터는, 의료 이미지 및 라벨과 관련된 데이터를 포함할 수 있다.
예를 들어, 도 6을 참고하면, 학습 데이터 세트(DS)에 포함된 제1 의료 이미지 데이터(ID1)는 제1 의료 이미지(I1) 및 제1 라벨(L1)과 관련된 데이터를 포함할 수 있다.
구체적으로 제1 라벨(L1)은 종양(tumor)을 시술하거나 치료할 수 있는 임상의로부터 수동으로 제1 의료 이미지(I1)에 대하여 라벨링되어 획득될 수 있다. 혹은 제1 라벨(L1)은 임의의 적절한 이미지 세그멘테이션 기법을 이용하여 자동으로 라벨링되어 획득될 수 있다.
또한, 라벨과 관련된 데이터는 종양(tumor)을 시술하거나 치료하기 위한 영영과 관련된 라벨일 수 있다. 예를 들어, 종양(tumor)을 시술하거나 치료하기 위해서는, 방사선이 조사될 영역과 종양에 방사선이 인가되서는 안 되는 영역이 정의될 수 있다. 이때, 도 6에 도시된 학습 데이터 세트(DS)에 포함된 라벨과 관련된 데이터들은 의료 이미지의 종양에 대응되는 영역(이하 종양 영역), 방사선이 조사될 영역, 방사선이 조사되서는 안 되는 영역을 포함하는 복수의 영역을 정의하는 라벨 데이터일 수 있다.
또한, 라벨과 관련된 데이터는 복수의 독립된 라벨일 수 있다.
일 예로, 라벨과 관련된 데이터는 방사선이 조사될 영역 및/또는 방사선이 조사되서는 안 되는 영역과 관련된 라벨을 포함할 수 있다.
예컨대, 라벨과 관련된 데이터(예, 제1 라벨(L1) 내지 제n 라벨(Ln) 등)는 종양이 위치하는 장기에 대응되는 영역(GTV), 방사선 치료 시 피시술자의 움직임을 고려한 마진과 관련된 영역(CTV) 및/또는 다회차 종양 치료에 대한 장기의 미세한 움직임을 고려한 마진과 관련된 영역(PTV)을 포함하는 방사선이 조사될 영역에 대응되는 복수의 독립된 라벨을 포함할 수 있다.
예컨대, 라벨과 관련된 데이터(예, 제1 라벨(L1) 내지 제n 라벨(Ln) 등)는 방사선이 조사되서는 안 되는 영역(OAR)과 관련된 라벨을 포함할 수 있다.
의료 이미지 데이터에 포함된 의료 이미지 및 라벨과 관련된 데이터는 본 출원의 일 실시예에 따른 학습 방법과 관련하여 인공 신경망 모델을 학습시키고 인공 신경망 모델을 검증하는 데 기초가 될 수 있다.
한편, 학습 데이터 세트(DS)에 포함된 의료 이미지 데이터는 의료 이미지의 특성 정보와 관련된 데이터를 더 포함할 수 있다.
특성 정보와 관련된 데이터는 상술한 바와 같이, 시술자 정보, 피시술자 정보, 종양 정보 및 방사선 정보 중 적어도 하나와 관련될 수 있다.
이때, 특성 정보와 관련된 데이터는 의료 이미지에 대하여 메타 데이터로서 구조화될 수 있다. 예를 들어, 의료 이미지의 피시술자의 신원 정보(예, 나이, 성별, 성명 등)를 포함하는 피시술자의 정보가 의료 이미지에 대하여 메타 데이터로서 구조화될 수 있다.
또한, 학습 데이터 세트(DS)에 포함된 의료 이미지 데이터는 의료 이미지의 방향과 관련된 데이터를 더 포함할 수 있다. 이때, 학습 장치(2000)는 의료 이미지의 방향과 관련된 데이터에 기초하여 의료 이미지를 정렬하도록 구현될 수 있다.
도 6에서는 제1 의료 이미지 데이터(ID1)에 포함된 데이터만을 도시하였으나, 이는 설명의 편의를 위한 예시에 불과하며, 제2 의료 이미지 데이터(ID2) 혹은 제n 의료 이미지 데이터(IDn) 등을 포함하는 학습 데이터 세트의 의료 이미지 데이터는 이미지 및 라벨과 관련된 데이터를 포함할 수 있다.
다만, 학습 장치(3000)는 상술한 의료 이미지의 방향과 관련된 데이터 및/또는 특성 정보와 관련된 데이터를 의료 이미지와는 별개로 임의의 외부 장치로부터 획득될 수 있도록 구현될 수 있다.
또는 학습 장치(3000)는 상술한 의료 이미지의 방향과 관련된 데이터 및/또는 특성 정보와 관련된 데이터를 사용자의 입력으로부터 수신하도록 구현될 수 있다.
의료 이미지 데이터 세트를 스크리닝하는 단계(S1200)에서, 본 출원의 일 실시예에 따른 학습 장치(3000)는 학습 데이터 세트를 획득하는 단계(S1100)에서 획득된 학습 데이터 세트를 스크리닝하거나 학습 데이터 세트에 포함된 의료 이미지 데이터 중에서 일부 의료 이미지 데이터만을 선별하는 동작을 수행하도록 구현될 수 있다.
일 예로, 획득된 학습 데이터 세트 중에 일부 의료 이미지 데이터들은 세그멘테이션을 위한 인공 신경망 모델을 학습하는 데 적절하지 않을 수 있다. 예를 들어, 일부 의료 이미지 데이터들은 심각한 아티팩트(Artifact)나 심각한 노이즈를 포함할 수 있다. 이러한 의료 이미지 데이터들은 인공 신경망 모델을 학습시키는 데 적절치 않을 수 있다.
따라서, 학습 장치(3000)는 획득된 학습 데이터 세트에 포함된 의료 이미지 데이터를 스크리닝하거나 인공 신경망 모델을 학습시키는데 유효한 의료 이미지 데이터를 선별하도록 구현될 수 있다.
학습 데이터 세트의 전처리 및 정렬하는 단계(S1300)에서, 본 출원의 일 실시예에 따른 학습 장치(3000)는 학습 데이터 세트에 포함된 의료 이미지의 노이즈나 아티팩트를 제거하거나, 의료 이미지의 인텐시티를 보정하는 전처리 동작을 수행하도록 구현될 수 있다.
또한, 본 출원의 일 실시예에 따른 학습 장치(3000)는 의료 이미지의 방향과 관련된 데이터에 기초하여 의료 이미지를 정렬하거나, 의료 이미지를 템플릿에 정합하여 의료 이미지를 정렬하는 동작을 수행하도록 구현될 수 있다.
이와 관련하여는, 상술한 의료 이미지 분석 장치(2000)의 전처리 동작과 관련하여 상술한 의료 이미지의 정렬 동작이 동일하게 학습 장치(3000)에서 구현되도록 제공될 수 있다. 혹은 학습 장치(3000)와 의료 이미지 분석 장치(2000) 간의 데이터 송수신을 통하여 의료 이미지 분석 장치(2000)에서 의료 이미지의 전처리 및 정렬 동작을 수행한 후 학습 장치(3000)로 전달하도록 구현될 수 있을 것이다.
신경망 모델의 학습 및 검증 단계(S1400)에서, 본 출원의 일 실시예에 따른 학습 장치(3000)는 의료 이미지 세그멘테이션을 위한 인공 신경망 모델을 학습시킬 수 있다.
구체적으로 인공 신경망 모델은 의료 이미지 데이터를 입력받기 위한 입력 레이어, 세그멘테이션 결과인 라벨링 결과를 출력하기 위한 출력 레이어 및 적어도 하나 이상의 노드를 포함하는 히든 레이어를 포함할 수 있다.
이때, 학습 장치(3000)는, 획득된 학습 데이터 세트에 포함된 의료 이미지 데이터를 입력 레이어를 통하여 입력하고, 신경망 모델에 의해 획득된 의료 이미지 데이터에 대한 라벨과 관련된 출력 데이터를 출력 레이어를 통하여 획득하도록 구현될 수 있다.
예를 들어, 학습 장치(3000)는 제1 의료 이미지 데이터(ID1)를 입력으로 하고, 출력 레이어를 통하여 제1' 라벨(L1')을 출력하도록 구성된 인공 신경망을 학습하도록 구현될 수 있다. 또한, 학습 장치(3000)는 제2 의료 이미지 데이터(ID2)를 입력 레이어로 입력하며, 출력 레이어를 통하여 출력된 제2' 라벨(L2')을 획득할 수 있다.
이때, 학습 장치(3000)는 제1 의료 이미지 데이터(ID1)에 포함된 제1 라벨(L1)과 출력 레이어를 통하여 획득된 제1' 라벨(L1') 및 제2 의료 이미지 데이터(ID2)에 포함된 제2 라벨(L2)과 출력 레이어를 통하여 획득된 제2' 라벨(L2') 등에 기초하여 신경망 모델을 갱신하도록 구현될 수 있다.
또한, 학습 장치(3000)는 의료 이미지와 관련된 특성 정보를 반영하여 의료 이미지를 세그멘테이션하기 위한 특징 벡터가 산출되도록 특성 레이어가 히든 레이어의 일부를 구성하는 신경망 모델을 마련할 수 있다. 이때, 학습 장치(3000)는 히든 레이어에 포함된 특성 레이어의 적어도 일부 노드의 파라미터 세트를 갱신하는 학습 과정을 통하여, 특성 정보를 반영하여 의료 이미지의 세그멘테이션을 수행하는 신경망 모델을 학습시킬 수 있다. 즉, 학습 장치(3000)는 특성 레이어의 일부 노드의 파라미터 세트를 갱신함으로써, 특성 정보를 반영하여 의료 이미지의 세그멘테이션을 수행하기 위한 특징 벡터를 획득하도록 신경망 모델을 학습시킬 수 있다.
이하에서는 도 7을 참고하여 본 출원의 일 실시예에 따른 학습 장치(3000)가 이용할 수 있는 인공 신경망 모델의 예시에 대하여 서술한다.
도 7은 본 출원의 일 실시예에 따른 학습 장치(3000)가 이용할 수 있는 인공 신경망 모델의 일 예이다.
도 7을 참고하면, 본 출원의 일 실시예에 따른 학습 장치(3000)는 의료 이미지 세그멘테이션을 위한 인공 신경망으로 U-net을 활용할 수 있다.
이미지 세그멘테이션에 활용되는 U-net은 수축 경로(Contraction path) 및 확장 경로(Expansion Path)를 포함하는 아키텍처로 구성될 수 있다.
구체적으로 U-net의 수축 경로는 2번의 컨볼루전(convolution) 및 맥스 풀링(max pooling)이 연속적으로 수행되도록 구성될 수 있다. 이때, U-net의 수축 경로에서는 이미지와 관련된 특성들이 추출될 수 있다.
하지만, 수축 경로에서는 특성 맵의 크기 또한 줄어들기 때문에 U-net은 확장 경로를 추가적으로 포함하여 특성 맵의 크기를 복구하도록 구성될 수 있다.
U-net의 확장 경로는 업-컨볼루전(Up-convolution) 및 2번의 컨볼루전(convolution)이 연속적으로 수행되도록 구성될 수 있다. 이때, U-net의 확장 경로에서는 이미지와 특성 맵의 크기가 추출될 수 있다.
추가적으로 U-net은 동일한 레벨의 특성 맵을 콘카테네이션(concatenation) 하도록 아키텍처가 구성되어 수축 경로에서 확장 경로로 특성과 관련된 위치 정보를 제공할 수 있다.
이때, 입력 이미지(Input Image)의 라벨과 출력되는 대상 이미지의 라벨 간의 차이에 기초하여, 입력 이미지의 라벨과 대상 이미지의 라벨 차이가 최소가 되도록 U-net의 포함된 레이어의 적어도 하나의 노드의 파라미터 세트 혹은 가중치 세트가 조절될 수 있다.
구체적으로 학습 장치(3000)는 상술한 적어도 하나의 노드의 파라미터 세트(혹은 가중치 세트)를 조절하는 동작을 반복적으로 수행하도록 구현되어, 입력 이미지에 포함된 라벨 정보와 신경망 모델로부터 대상 이미지의 라벨의 차이가 최소화되는 노드의 파라미터 혹은 가중치를 획득할 수 있다.
또한, 본 출원의 일 실시예에 따른 학습 장치(3000)가 이용할 수 있는 신경망 모델은 학습 데이터 세트의 의료 이미지 데이터와 관련된 특성 정보에 따른 라벨을 반영하도록 구성될 수 있다. 학습 데이터 세트에 포함된 의료 이미지에 대한 라벨 정보는 특성 정보에 따라 상이할 수 있다. 예컨대 동일한 의료 이미지에 대하여, 제1 특성 정보에 대응되는 경우에는 의료 이미지 데이터는 제1 라벨 정보를 포함할 수 있으며, 제2 특성 정보에 대응되는 경우에는 의료 이미지 데이터는 제2 라벨 정보를 포함할 수 있다.
보다 구체적으로, 제1 시술자 정보를 가진 시술자가 의료 이미지를 라벨링한 결과는 제1 라벨 정보를 포함할 수 있으며, 제2 시술자 정보를 가진 시술자가 동일한 의료 이미지를 라벨링한 결과는 제2 라벨 정보를 포함할 수 있다.
본 출원의 일 실시예에 따른 학습 장치(3000)는 의료 이미지 데이터와 관련된 특성 정보에 대응되는 라벨 정보를 반영하여 의료 이미지를 세그멘테이션하기 위한 신경망 모델을 학습시킬 수 있다. 예컨대, 제1 특성 정보에 기초하여 의료 이미지를 제1 세그멘테이션 정보로 출력하되, 제2 특성 정보에 기초하여 의료 이미지를 제2 세그멘테이션 정보를 출력하도록 신경망 모델을 학습시킬 수 있다.
일 예로, 본 출원의 일 실시예에 따른 학습 장치(3000)에 이용되는 신경망 모델은 학습 데이터 세트의 의료 이미지 데이터와 관련된 특성 정보에 따른 라벨을 학습시키기 위한 특성 레이어가 신경망 모델의 레이어에 포함될 수 있다.
예컨대, 학습 데이터 세트의 의료 이미지 데이터가 의료 이미지와 제1 특성 정보에 따른 라벨 데이터를 포함하는 경우에는, 본 출원의 일 실시예에 따른 학습 장치(3000)는 제1 특성 정보를 반영하여 의료 이미지를 세그멘테이션하기 위하여 신경망 모델에 포함된 특성 레이어의 적어도 일부 노드가 제1 파라미터 세트를 갖도록 갱신시키도록 구현될 수 있다.
학습 데이터 세트의 의료 이미지 데이터가 의료 이미지와 제2 특성 정보에 따른 라벨 데이터를 포함하는 경우에는, 본 출원의 일 실시예에 따른 학습 장치(3000)는 제2 특성 정보를 반영하여 의료 이미지를 세그멘테이션하기 위하여 신경망 모델에 포함된 특성 레이어의 적어도 일부 노드가 제2 파라미터 세트를 갖도록 학습시키도록 구현될 수 있다.
특성 정보를 반영하는 의료 이미지의 세그멘테이션을 위한 신경망 모델을 학습시키는 내용은 도 8 내지 도 14에서 후술한다.
상술한 바와 같이, 본 출원의 일 실시예에 따른 학습 장치(3000)는 신경망 모델의 출력 레이어를 통하여 출력되는 출력 데이터에 포함된 라벨 데이터에 기초하여 인공 신경망 모델을 학습시키는 동작을 수행할 수 있다.
구체적으로 인공 신경망 모델을 학습하는 단계(S1400)에서는, 학습 데이터 세트를 획득하는 단계(S1100)로부터 획득된 의료 이미지 데이터에 포함된 라벨과 관련된 데이터를 획득할 수 있다.
이때, 학습 장치(3000)는 의료 이미지 데이터 및 출력 데이터에 포함된 라벨 데이터에 기초하여 신경망 모델을 학습시키도록 구현될 수 있다.
좀 더 구체적으로, 학습 장치(3000)는 의료 이미지 데이터에 포함된 라벨 데이터와 출력 데이터에 포함된 라벨 데이터 간의 차이에 기초하여 신경망 모델의 히든 레이어에 포함된 적어도 하나의 노드의 가중치 세트나 파라미터 세트를 조절함으로써 신경망 모델을 학습시키도록 구현될 수 있다.
일 예로, 학습 장치(3000)는 제1 의료 이미지(I1)를 인공 신경망의 입력 레이어로 입력하여 출력 데이터에 포함된 제1A 라벨(L1A)에 대응하는 라벨 데이터를 획득할 수 있다. 이때, 학습 장치(3000)는 제1 의료 이미지 데이터(ID1)에 포함된 제1 라벨(L1)에 대응되는 라벨 데이터 및 제1A 라벨(L1A)에 관련된 라벨 데이터에 기초하여 신경망 모델을 학습시킬 수 있다. 예를 들어, 학습 장치(3000)은 제1 라벨(L1)과 제1A 라벨(L1A) 간의 차이에 기초하여 신경망 모델의 히든 레이어에 포함된 적어도 하나의 노드의 가중치 세트나 파라미터 세트를 조절시킴으로써 신경망 모델을 학습시킬 수 있다.
다른 예로, 학습 장치(3000)는 제i 이미지(Ii)를 인공 신경망의 입력 레이어로 입력하여 출력 데이터에 포함된 제iA 라벨(LiA)에 대응하는 라벨 데이터를 획득할 수 있다. 이때, 학습 장치(3000)는 제i 이미지 데이터(IDi)에 포함된 제i 라벨(Li)에 대응되는 라벨 데이터 및 제iA 라벨(LiA)에 관련된 라벨 데이터에 기초하여 신경망 모델을 학습시킬 수 있다. 예를 들어, 학습 장치(3000)는 제i 라벨(Li)과 제iA 라벨(LiA) 간의 차이에 기초하여 신경망 모델의 히든 레이어에 포함된 적어도 하나의 노드의 가중치 세트나 파라미터 세트를 조절시킴으로써 신경망 모델을 학습시킬 수 있다. 여기서 i는 임의의 수일 수 있다.
또한, 본 출원의 일 실시예에 따른 학습 장치(3000)는 의료 이미지와 관련된 특성 정보를 반영하여 의료 이미지를 세그멘테이션하기 위한 신경망 모델을 학습시키거나 갱신시키도록 구현될 수 있다.
예컨대, 학습 장치(3000)는 학습 데이터 세트에 포함된 라벨 데이터들과 신경망 모델의 출력 레이어를 통하여 출력되는 출력 데이터에 포함된 라벨 데이터에 기초하여 특성 정보를 반영하도록 의료 이미지를 세그멘테이션을 위한 신경망 모델을 학습시키거나 갱신시킬 수 있다.
예를 들어, 학습 장치(3000)는 제1 특성 정보와 관련된 학습 데이터 세트에 포함된 제j 의료 이미지를 신경망 모델의 입력 레이어로 입력하여 출력 데이터에 포함된 제jA 라벨(LjA)에 대응하는 라벨 데이터를 획득할 수 있다. 이때, 학습 장치(3000)는 제1 특성 정보와 관련된 학습 데이터 세트에 포함된 제j 라벨(Lj)에 대응하는 라벨 데이터와 신경망 모델로부터 출력되는 제jA 라벨(LjA)에 기초하여, 제1 특성 정보를 반영하여 의료 이미지를 세그멘테이션 하기 위한 제1 특징 벡터를 산출하도록 신경망 모델을 학습시키거나 갱신하도록 구현될 수 있다. 구체적으로 학습 장치(3000)는, 제j 라벨(Lj)에 대응하는 라벨 데이터와 신경망 모델로부터 출력되는 제jA 라벨(LjA)의 차이가 최소화되도록 신경망 모델에 포함된 특성 레이어의 적어도 일부 노드의 파라미터 세트를 갱신하도록 구현될 수 있다.
예를 들어, 학습 장치(3000)는 제2 특성 정보와 관련된 학습 데이터 세트에 포함된 제k 의료 이미지를 신경망 모델의 입력 레이어로 입력하여 출력 데이터에 포함된 제kA 라벨(LkA)에 대응하는 라벨 데이터를 획득할 수 있다. 이때, 학습 장치(3000)는 제2 특성 정보와 관련된 학습 데이터 세트에 포함된 제k 라벨(Lk)에 대응하는 라벨 데이터와 신경망 모델로부터 출력되는 제kA 라벨(LkA)에 기초하여, 제2 특성 정보를 반영하여 의료 이미지를 세그멘테이션 하기 위한 제2 특징 벡터가 산출되도록 신경망 모델을 학습시키거나 갱신하도록 구현될 수 있다. 구체적으로 학습 장치(3000)는, 제k 라벨(Lk)에 대응하는 라벨 데이터와 신경망 모델로부터 출력되는 제kA 라벨(LkA) 간의 차이가 최소화되도록 신경망 모델에 포함된 특성 레이어의 적어도 일부 노드의 파라미터 세트를 갱신하도록 구현될 수 있다.
다만, 상술한 내용은 예시에 불과하며, 본 출원의 일 실시예에 따른 학습 장치(3000)는 특성 정보를 반영하여 의료 이미지를 세그멘테이션하는 신경망 모델을 학습시키도록 신경망 모델의 임의의 노드들의 파라미터 세트나 노드의 가중치 값 세트들을 갱신하도록 구현될 수 있다.
신경망 모델의 히든 레이어의 일부를 구성하는 특성 레이어의 적어도 일부 노드의 파라미터 세트를 갱신하는 내용은 도 10 내지 도 14와 관련하여 자세히 후술한다.
인공 신경망 모델을 검증하는 단계(S1400)에서, 본 출원의 일 실시예에 따른 학습 장치(3000)는 학습된 인공 신경망 모델을 검증할 수 있다.
일 예로, 본 출원의 일 실시예에 따른 학습 장치(3000)는 학습 데이터 세트(DS)에 포함된 적어도 하나의 의료 이미지 데이터에 기초하여, 학습된 신경망 모델을 통하여 출력되는 라벨 데이터를 포함하는 출력 데이터를 획득할 수 있다. 이때, 학습 장치(3000)는 적어도 하나의 의료 이미지 데이터와 관련된 라벨 데이터 및 학습된 신경망 모델을 통하여 출력되는 라벨 데이터에 기초하여 학습된 신경망 모델을 검증할 수 있다.
예를 들어, 학습 장치(3000)는 적어도 하나의 의료 이미지 데이터와 관련된 라벨 데이터 및 학습된 신경망 모델을 통하여 출력되는 라벨 데이터의 유사도를 비교함으로써, 학습된 신경망 모델의 히든 레이어의 노드들의 파라미터 세트나 가중치 값 세트가 적절한 지 여부를 검증할 수 있다.
또한, 인공 신경망 모델을 검증하는 단계(S1400)에서, 본 출원의 일 실시예에 따른 학습 장치(3000)는 특징 벡터를 산출하는 파라미터 세트를 갖는 특성 레이어의 적어도 일부 노드의 파라미터 세트를 검증할 수 있다.
일 예로, 본 출원의 일 실시예에 따른 학습 장치(3000)는 제1 특성 정보와 관련된 학습 데이터 세트(DS)에 포함된 적어도 하나의 의료 이미지 데이터에 기초하여, 특성 레이어를 포함하는 학습된 신경망 모델 및 특성 레이어의 일부 노드의 제1 파라미터 세트에 기초하여 산출되는 제1 특징 벡터에 기초하여 출력되는 라벨 데이터를 획득할 수 있다. 이때, 학습 장치(3000)는 제1 특성 정보와 관련된 적어도 하나의 의료 이미지 데이터와 관련된 라벨 데이터 및 출력 레이어를 통하여 출력되는 라벨 데이터에 기초하여 학습된 신경망 모델을 검증할 수 있다. 예를 들어, 학습 장치(3000)는 제1 특성 정보와 관련된 적어도 하나의 의료 이미지 데이터와 관련된 라벨 데이터 및 출력 레이어를 통하여 출력되는 라벨 데이터의 유사도를 비교함으로써, 특성 레이어의 적어도 일부 노드의 파라미터 세트가 적절한 지 여부를 검증할 수 있다.
일 예로, 본 출원의 일 실시예에 따른 학습 장치(3000)는 제2 특성 정보와 관련된 학습 데이터 세트(DS)에 포함된 적어도 하나의 의료 이미지 데이터에 기초하여, 특성 레이어를 포함하는 학습된 신경망 모델 및 특성 레이어의 일부 노드의 제2 파라미터 세트에 기초하여 산출되는 제2 특징 벡터에 기초하여 출력되는 라벨 데이터를 획득할 수 있다. 이때, 학습 장치(3000)는 제2 특성 정보와 관련된 적어도 하나의 의료 이미지 데이터와 관련된 라벨 데이터 및 출력 레이어를 통하여 출력되는 라벨 데이터에 기초하여 학습된 신경망 모델을 검증할 수 있다. 예를 들어, 학습 장치(3000)는 제2 특성 정보와 관련된 적어도 하나의 의료 이미지 데이터와 관련된 라벨 데이터 및 출력 레이어를 통하여 출력되는 라벨 데이터의 유사도를 비교함으로써, 특성 레이어의 적어도 일부 노드의 파라미터 세트가 적절한 지 여부를 검증할 수 있다.
인공 신경망 모델을 획득하는 단계(S1500)에서, 본 출원의 일 실시예에 따른 학습 장치(3000)는 학습 데이터 세트에 포함된 의료 이미지 데이터들에 대하여 인공 신경망 모델을 학습시키고 인공 신경망 모델을 검증하는 동작을 반복 수행함으로써, 의료 이미지 데이터에 포함된 라벨 데이터와 인공 신경망의 출력되는 라벨 데이터 간의 차이가 최소화되는 가중치 세트나 파라미터 세트를 가지는 적어도 하나의 노드를 포함하는 신경망 모델을 획득할 수 있다.
또한, 인공 신경망 모델을 획득하는 단계(S1500)에서, 본 출원의 일 실시예에 따른 학습 장치(3000)는 특성 정보와 관련된 학습 데이터 세트의 의료 이미지 데이터 세트에 포함된 라벨 데이터와, 특성 레이어에 포함된 일부 노드의 파라미터 세트에 기초하여 출력되는 라벨 데이터 간의 차이가 최소화되는 파라미터 세트를 획득할 수 있다.
획득된 신경망 모델의 노드의 파라미터 세트(혹은 가중치 값 세트)는 세그멘테이션 프로세스(P2000)의 의료 이미지 세그멘테이션을 위한 인공 신경망 모델에 이용될 수 있다.
또한, 획득된 특성 레이어의 일부 노드와 관련된 파라미터 세트는 세그멘테이션 프로세스(P2000)의 의료 이미지 세그멘테이션 프로세스에 이용될 수 있다.
상술한 바에 따르면 인공 신경망을 이용한 세그멘테이션을 중심으로 서술하였으나, 본 출원에 개시된 학습 장치(3000) 또는 의료 이미지 분석 장치(2000)는, 인공 신경망을 이용한 이미지 세그멘테이션을 포함하여 다양한 이미지 세그멘테이션 알고리즘을 이용할 수 있다.
일 예로, 이미지 세그멘테이션 알고리즘은 기계학습 모델로 제공될 수 있다. 기계학습 모델의 대표적인 예로는, 인공 신경망(Artificial Neural Network)이 있을 수 있다. 구체적으로 인공 신경망의 대표적인 예로는 데이터를 입력받는 입력 레이어, 결과를 출력하는 출력 레이어 및 입력 레이어와 출력 레이어 사이에서 데이터를 처리하는 히든 레이어(hidden layer)를 포함하는 딥 러닝 계열의 인공 신경망이 있다. 인공 신경망의 세부적인 예시들로는, 합성곱 인공 신경망(Convolution Neural Network), 순환신경망(Recurrent Neural Network), 심층신경망(Deep Neural Network), 생산적 적대 신경망(Generative Adversarial Network) 등이 있으며, 본 명세서에서 인공 신경망은 상술된 인공 신경망, 그 외의 다양한 형태의 인공 신경망 및 이들이 조합된 형태의 인공 신경망을 모두 포함하는 포괄적인 의미로 해석되어야 하며, 반드시 딥 러닝 계열이어야만 하는 것도 아니다.
뿐만 아니라, 기계학습 모델이 반드시 인공 신경망 모델 형태이어야만 하는 것은 아니며, 이외에도 최근접 이웃 알고리즘(KNN), 랜덤 포레스트(RandomForest), 서포트 벡터 머신(SVM), 주성분분석법(PCA) 등이 포함될 수 있으며, 이상에서 언급된 기법들이 앙상블된 형태나 그 외에 다양한 방식으로 조합된 형태까지도 전부 포함할 수 있다. 한편, 인공 신경망을 중심으로 언급되는 실시예들에서 특별한 언급이 없는 한 인공 신경망이 다른 기계학습 모델로 대체될 수 있음을 미리 밝혀둔다.
나아가, 본 명세서에서 이미지 세그멘테이션 알고리즘이 반드시 기계학습 모델로 한정되는 것은 아니다. 즉, 이미지 세그멘테이션 알고리즘은 기계학습 모델이 아닌 다양한 판단/결정 알고리즘이 포함될 수도 있다.
따라서, 본 명세서에서 이미지 세그멘테이션 알고리즘은 이미지 데이터를 이용하여 세그멘테이션을 수행하는 모든 형태의 알고리즘을 모두 포함하는 포괄적인 의미로 이해되어야 함을 밝혀 둔다.
이하에서는 도 8 내지 도 14를 참고하여 본 출원의 일 실시예에 따른 학습 장치(3000)에 의해 구현되는 의료 이미지의 세그멘테이션을 위한 신경망 모델의 학습 방법에 대하여 자세히 서술한다. 본 실시예에 따르면, 도 5의 신경망 모델을 학습하는 단계(S1400)는 신경망 모델의 파라미터를 획득하는 단계를 획득하는 단계를 포함할 수 있다.
본 실시예에 따르면, 신경망 모델의 파라미터는 특성 정보에 따라 의료 이미지를 세그멘테이션하기 위한 특징 벡터가 출력되도록 학습된 히든 레이어의 일부를 구성하는 특성 레이어의 일부 노드의 파라미터를 포함할 수 있다.
예컨대, 의료 이미지를 세그멘테이션하기 위한 1차 신경망 모델을 학습시키며, 학습된 1차 신경망 모델의 히든 레이어의 소정의 위치에 추가된 특성 레이어의 적어도 하나 노드(특성 노드로 지칭될 수 있음)의 파라미터 세트(특성 파라미터 세트로 지칭될 수 있음)를 2차적으로 갱신하여 특성 정보를 반영하는 의료 이미지의 세그멘테이션을 위한 신경망 모델이 학습될 수 있다. 이때, 바람직한 실시예에 따르면, 1차적으로 신경망 모델을 학습시키는 경우에는 특성 노드 이외의 히든 레이어에 포함된 노드(이하, 공통 노드)의 파라미터 세트가 갱신될 수 있으며, 2차적으로 신경망 모델을 학습시키는 경우에는 공통 노드의 파라미터 세트는 고정되고, 특성 레이어의 적어도 하나의 특성 노드의 특성 파라미터 세트들이 갱신될 수 있다.
예컨대, 특성 레이어는 1차적으로 학습된 신경망 모델의 인공 신경망의 병목 계층(bottleneck layer, 인코더 및 디코더 사이의 레이어)에 위치될 수 있다. 특성 레이어는 1차적으로 신경망 모델의 학습 이후에 추가적으로 병목 계층(bottleneck layer, 인코더 및 디코더 사이의 레이어)에 결합되거나 추가될 수 있다. 혹은 특성 레이어는 1차적으로 학습되는 신경망 모델의 히든 레이어의 일부를 구성하되, 특성 레이어에 포함된 특성 노드의 특성 파라미터 세트는 1차 학습 시에는 갱신되지 않고 2차 학습 시에 갱신되도록 구성될 수 있다.
이하에서는, 특성 정보를 반영하여 의료 이미지를 세그멘테이션하도록 신경망 모델을 학습시키는 다양한 실시예에 대하여 도 8 내지 도 14를 참고하여 서술한다.
도 8을 참고한다. 도 8은 본 출원의 일 실시예에 따른 신경망 모델을 학습하는 일 방법의 순서도이다. 보다 구체적으로 도 8은 도 5의 S1400 단계의 신경망 모델을 학습하는 방법을 구체화한 순서도이다.
본 출원의 일 실시예에 따른 신경망 모델을 학습하는 방법은 학습 데이터 세트를 획득하는 단계(S2100), 학습 데이터 세트에 기초하여 인공 신경망 모델을 학습하는 단계(S2200) 및 인공 신경망 모델의 파라미터를 획득하는 단계(S2300)를 포함할 수 있다.
학습 데이터 세트를 획득하는 단계(S2100)에서, 본 출원의 일 실시예에 따른 학습 장치(3000)는 학습 데이터 세트를 획득할 수 있다.
예컨대, 학습 데이터 세트는 도 6에서 서술한 적어도 하나의 의료 이미지 데이터를 포함할 수 있다.
예컨대, 본 출원의 일 실시예에 따른 학습 장치(3000)는 복수 개의 학습 데이터 세트를 획득할 수 있다. 예를 들어, 학습 장치(3000)는 제1 학습 데이터 세트 및 제2 학습 데이터 세트를 포함하는 복수 개의 학습 데이터 세트를 획득할 수 있다.
이때, 제1 학습 데이터 세트는 제1 특성 정보에 따른 의료 이미지에 대한 라벨 데이터를 포함하는 적어도 하나의 의료 이미지 데이터를 포함할 수 있다. 예컨대, 제1 학습 데이터 세트는 제1 특성 정보와 관련된 의료 이미지 데이터를 포함할 수 있다. 예를 들어, 제1 학습 데이터 세트는 제1 시술자 정보를 갖는 시술자로부터 획득한 의료 이미지에 대한 라벨 데이터를 포함하는 의료 이미지 데이터로 구성될 수 있다.
반면, 제2 학습 데이터 세트는 제1 특성 정보와는 상이한 제2 특성 정보와 관련된 의료 이미지에 대한 라벨 데이터를 포함하는 적어도 하나의 의료 이미지 데이터를 포함할 수 있다. 예컨대, 제2 학습 데이터 세트는 제2 특성 정보와 관련된 의료 이미지 데이터를 포함할 수 있다. 예를 들어, 제2 학습 데이터 세트는 제1 시술자 정보와는 상이한 제2 시술자 정보를 갖는 시술자로부터 획득한 의료 이미지에 대한 라벨 데이터를 포함하는 의료 이미지 데이터로 구성될 수 있다. 혹은 제2 학습 데이터 세트는 시술자 정보와는 상이한 유형인 특성 정보(예, 피시술자 정보, 종양 정보, 방사선 정보 등)와 관련하여, 획득한 의료 이미지에 대한 라벨 데이터를 포함하는 의료 이미지 데이터로 구성될 수 있다.
한편, 본 출원의 일 실시예에 따른 학습 장치(3000)는 특성 정보를 획득할 수 있다. 이때, 특성 정보는 상술한 바와 같이, 시술자 정보, 피시술자 정보, 종양 정보 및/또는 방사선 정보와 관련된 정보일 수 있다.
이때, 본 출원의 일 실시예에 따른 학습 장치(3000)는 입력 모듈(2400)로부터 특성 정보와 관련된 사용자의 입력을 획득할 수 있다.
또는, 본 출원의 일 실시예에 따른 학습 장치(3000)는 임의의 외부 장치로터 특성 정보와 관련된 사용자의 입력을 획득할 수 있다.
또는, 본 출원의 일 실시예에 따른 학습 장치(3000)는 의료 이미지에 대하여 구조화된 메타 데이터를 획득함으로써, 특성 정보를 획득할 수 있다. 예컨대, 특성 정보, 특히 피시술자 정보(예, 피시술자의 인적 정보 등)는 의료 이미지에 대하여 메타 데이터로서 구조화될 수 있다. 이때, 학습 장치(3000)는 의료 이미지에 대하여 구조화된 메타 데이터를 획득함으로써 특성 정보를 획득하도록 구현될 수 있다.
학습 데이터 세트에 기초하여 인공 신경망 모델을 학습시키는 단계(S2200)에서, 본 출원의 일 실시예에 따른 학습 장치(3000)는 획득된 학습 데이터 세트에 기초하여 인공 신경망 모델을 학습시키도록 구현될 수 있다.
일 예로, 본 출원의 일 실시예에 따른 학습 장치(3000)는 획득된 학습 데이터 세트에 기초하여 인공 신경망 모델을 학습시키도록 구현될 수 있다.
도 9를 참고한다. 도 9는 본 출원의 일 실시예에 따른 인공 신경망 모델을 학습시키는 방법을 도시한 개략도이다.
도 9를 참고하면, 본 출원의 일 실시예에 따른 학습 장치(3000)는 학습 데이터를 인공 신경망의 입력 레이어로 입력하며 인공 신경망의 출력 레이어를 통하여 획득한 출력 데이터를 획득할 수 있다. 이때, 출력 데이터는 학습 데이터 세트에 포함된 의료 이미지에 대한 라벨과 관련된 데이터일 수 있다.
이때, 본 출원의 일 실시예에 따른 학습 장치(3000)는 출력 데이터에 포함된 라벨 데이터 및 학습 데이터 세트에 포함된 의료 이미지와 관련된 라벨 데이터에 기초하여 인공 신경망을 학습시킬 수 있다.
좀 더 구체적으로 본 출원의 일 실시예에 따른 학습 장치(3000)는 출력 데이터에 포함된 라벨 데이터 및 학습 데이터 세트에 포함된 의료 이미지와 관련된 라벨 데이터의 차이에 기초하여 인공 신경망 모델에 포함된 노드의 파라미터 세트 혹은 가중치 값 세트를 조절할 수 있다.
본 출원의 일 실시예에 따른 학습 장치(3000)는 인공 신경망 모델에 포함된 노드의 파라미터 세트 혹은 가중치 값 세트를 조절하는 동작을 반복적으로 수행하여 출력 데이터에 포함된 라벨 데이터 및 학습 데이터 세트에 포함된 의료 이미지와 관련된 라벨 데이터 간의 차이가 최소화되는 인공 신경망 모델의 파라미터 세트 및/또는 가중치 값 세트를 획득할 수 있다.
일 예로, 본 출원의 일 실시예에 따른 학습 장치(3000)는, 제1 학습 데이터 세트 및 제2 학습 데이터 세트를 포함한 학습 데이터 세트에 기초하여 인공 신경망 모델을 학습시키도록 구현될 수 있다.
이때, 제1 학습 데이터 세트는 제1 특성 정보와 관련된 의료 이미지에 대응되는 제1 라벨 데이터를 포함할 수 있으며, 제2 학습 데이터 세트는 제1 특성 정보와는 상이한 제2 특성 정보와 관련된 의료 이미지에 대응되는 제2 라벨 데이터를 포함할 수 있다.
예컨대, 본 출원의 일 실시예에 따른 학습 장치(3000)는, 특성 정보를 고려하지 않고 제1 학습 데이터 세트 및 제2 학습 데이터 세트를 포함한 학습 데이터 세트에 기초하여 인공 신경망 모델을 학습시킬 수 있다. 다시 말해, 도 8에 도시된 신경망 모델의 학습 방법은 특성 정보에 무관하게 의료 이미지의 세그멘테이션을 위한 신경망 모델의 학습 방법일 수 있다.
다른 예로, 본 출원의 일 실시예에 따른 학습 장치(3000)는, 특성 정보를 고려하여, 특성 정보 별로 인공 신경망 모델을 학습시키도록 구현될 수 있다. 예를 들어, 학습 장치(3000)는 제1 특성 정보와 관련된 의료 이미지에 대응되는 제1 라벨 데이터를 포함하는 제1 학습 데이터 세트에 기초하여 제1 파라미터 세트(혹은 제1 가중치 값 세트)를 갖는 노드를 포함하도록 신경망 모델을 학습시킬 수 있다. 반면, 학습 장치(3000)는 제2 특성 정보와 관련된 의료 이미지에 대응되는 제2 라벨 데이터를 포함하는 제2 학습 데이터 세트에 기초하여 제2 파라미터 세트(혹은 제2 가중치 값 세트)를 갖는 노드를 포함하도록 신경망 모델을 학습시킬 수 있다.
예를 들어, 도 9를 참고하면, 학습 장치(3000)는 제1 특성 정보와 관련된 제1 학습 데이터 세트를 인공 신경망의 입력 레이어로 입력하며 인공 신경망의 출력 레이어를 통하여 획득한 출력 데이터를 획득할 수 있다. 이때, 출력 데이터는 의료 이미지에 대한 라벨과 관련된 데이터일 수 있다.
이때, 본 출원의 일 실시예에 따른 학습 장치(3000)는 출력 데이터 및 제1 학습 데이터 세트에 포함된 의료 이미지와 관련된 제1 라벨 데이터에 기초하여 인공 신경망을 학습시킬 수 있다. 예를 들어, 제1 학습 데이터 세트에 포함된 제1 라벨 데이터는 제1 특성 정보에 따라 의료 이미지에 대하여 라벨된 데이터일 수 있다. 이때, 학습 장치(3000)는 출력 데이터 및 제1 라벨 데이터에 기초하여 제1 특성 정보를 반영하여 의료 이미지를 세그멘테이션을 하기 위한 제1 인공 신경망 모델을 학습시킬 수 있다.
좀 더 구체적으로 본 출원의 일 실시예에 따른 학습 장치(3000)는 출력 데이터 및 제1 학습 데이터 세트에 포함된 의료 이미지와 관련된 제1 라벨 데이터의 차이에 기초하여 인공 신경망 모델에 포함된 노드의 파라미터 세트 혹은 노드의 가중치 값 세트를 조절할 수 있다.
이때, 학습 장치(3000)는 인공 신경망 모델에 포함된 노드의 파라미터 세트 혹은 가중치 값 세트를 조절하는 동작을 반복적으로 수행함으로써, 출력 데이터 및 제1 학습 데이터 세트에 포함된 의료 이미지와 관련된 제1 라벨 데이터의 차이가 최소화되는 제1 파라미터 세트 및/또는 제1 가중치 값 세트를 갖는 노드를 포함하는 제1 인공 신경망 모델을 학습시킬 수 있다.
다른 예를 들어, 학습 장치(3000)는 제1 특성 정보와 상이한 제2 특성 정보와 관련된 제2 학습 데이터 세트를 인공 신경망의 입력 레이어로 입력하며 인공 신경망의 출력 레이어를 통하여 획득한 출력 데이터를 획득할 수 있다. 이때, 출력 데이터는 의료 이미지에 대한 라벨과 관련된 데이터일 수 있다.
이때, 본 출원의 일 실시예에 따른 학습 장치(3000)는 출력 데이터 및 제2 학습 데이터 세트에 포함된 의료 이미지와 관련된 제2 라벨 데이터에 기초하여 인공 신경망을 학습시킬 수 있다. 예를 들어, 제2 학습 데이터 세트에 포함된 제2 라벨 데이터는 제2 특성 정보에 따라 의료 이미지에 대하여 라벨된 데이터일 수 있다. 이때, 학습 장치(3000)는 출력 데이터 및 제2 라벨 데이터에 기초하여 제2 특성 정보를 반영하여 의료 이미지를 세그멘테이션을 하기 위한 제2 인공 신경망 모델을 학습시킬 수 있다.
좀 더 구체적으로 본 출원의 일 실시예에 따른 학습 장치(3000)는 출력 데이터 및 제2 학습 데이터 세트에 포함된 의료 이미지와 관련된 제2 라벨 데이터의 차이에 기초하여 인공 신경망 모델에 포함된 노드의 파라미터 혹은 노드의 가중치 값을 조절할 수 있다.
이때, 학습 장치(3000)는 인공 신경망 모델에 포함된 노드의 파라미터 혹은 노드의 가중치 값을 조절하는 동작을 반복적으로 수행함으로써, 출력 데이터 및 제2 학습 데이터 세트에 포함된 의료 이미지와 관련된 제2 라벨 데이터의 차이가 최소화되는 제2 파라미터 세트 및/또는 제2 가중치 값 세트를 갖는 노드를 포함하는 제2 인공 신경망 모델을 학습시킬 수 있다.
이때, 제2 파라미터 세트 및/또는 제2 가중치 값 세트는, 제1 특성 정보와 관련된 제1 파라미터 세트 및/또는 제1 가중치 값 세트와는 적어도 일부 상이할 수 있다.
상술한 바에 따르면, 특성 정보를 반영하는 의료 이미지의 세그멘테이션을 위하여 신경망 모델에 포함된 노드의 파라미터 세트 및/또는 가중치 값 세트를 갱신하는 방법에 의하여 신경망 모델을 학습하는 것을 서술하였다. 다만, 이는 예시에 불과하며, 특성 정보를 고려하여 의료 이미지를 세그멘테이션하기 위하여 특징 벡터를 산출하도록 특성 레이어를 인공 신경망의 일부 레이어와 결합시켜 특성 레이어의 적어도 일부 노드의 파라미터 세트를 갱신하는 방법에 의하여도 신경망 모델을 학습하도록 구현될 수 있다.
예를 들어, 본 출원의 일 실시예에 따른 학습 장치(3000)는 제1 특성 정보와 관련된 의료 이미지에 대응되는 제1 라벨 데이터를 포함하는 제1 학습 데이터 세트에 기초하여, 히든 레이어의 일부를 구성하는 특성 레이어의 적어도 일부 노드의 파라미터 세트를 갱신할 수 있다. 이때, 갱신된 파라미터 세트는 의료 이미지를 제1 라벨 데이터에 대응하도록 의료 이미지를 세그멘테이션을 하기 위한 제1 특징 벡터를 출력하도록 갱신된 파라미터 세트일 수 있다.
혹은 본 출원의 일 실시예에 따른 학습 장치(3000)는 제1 특성 정보와 상이한 제2 특성 정보와 관련된 의료 이미지에 대응되는 제2 라벨 데이터를 포함하는 제2 학습 데이터 세트에 기초하여, 히든 레이어의 일부를 구성하는 특성 레이어의 적어도 일부 노드의 파라미터 세트를 갱신할 수 있다. 이때, 제2 학습 데이터 세트에 기초하여 갱신된 파라미터 세트는 의료 이미지를 제2 라벨 데이터에 대응하도록 의료 이미지를 세그멘테이션을 하기 위한 제2 특징 벡터를 출력하도록 갱신된 파라미터 세트일 수 있다. 이와 관련하여는, 도 10 내지 도 14에서 자세히 후술한다.
인공 신경망 모델의 파라미터를 획득하는 단계(S2300)에서, 본 출원의 일 실시예에 따른 학습 장치(3000)는 인공 신경망 모델의 학습의 결과물로써, 인공 신경망 모델의 노드의 파라미터 세트 및/또는 가중치 값 세트를 획득할 수 있다.
일 예로, 본 출원의 일 실시예에 따른 학습 장치(3000)는, 특성 정보와는 무관하게, 학습 데이터 세트를 기초로 신경망 모델을 학습시킴으로써, 인공 신경망 모델의 노드의 파라미터 세트 및/또는 가중치 값 세트를 획득할 수 있다. 이 경우, 바람직한 실시예에 따른 학습 장치(3000)은 S2300 단계에서 획득된 파라미터 세트를 고정시킨 후, 신경망 모델의 일부 레이어(예, 병목 계층(bottleneck layer, 인코더 및 디코더 사이의 레이어)에 특성 레이어를 결합하거나 추가하여 도 10에 도시된 특성 정보를 반영하는 신경망 모델을 획득하도록 특성 레이어의 적어도 일부 노드의 파라미터 세트를 갱신하도록 구성될 수 있다.
일 예로, 본 출원의 일 실시예에 따른 학습 장치(3000)는, 특성 정보를 고려하여 학습 데이터 세트를 기초로 신경망 모델을 학습시킴으로써, 특성 정보를 반영하도록 구성된 인공 신경망 모델의 노드의 파라미터 및/또는 가중치 값을 획득할 수 있다. 예를 들어, 상술한 바와 같이, 학습 장치(3000)는 제1 특성 정보와 관련된 제1 학습 데이터 세트를 기초로 제1 신경망 모델을 학습시키도록 구현될 수 있으며, 학습 장치(3000)는 제1 신경망 모델에 포함된 노드의 제1 파라미터 세트(혹은 제1 가중치 값 세트)를 획득할 수 있다.
반면, 학습 장치(3000)는 제2 특성 정보와 관련된 제2 학습 데이터 세트를 기초로 제2 신경망 모델을 학습시키도록 구현될 수 있으며, 학습 장치(3000)는 제2 신경망 모델에 포함된 노드의 제2 파라미터 세트(혹은 제2 가중치 값 세트)를 획득할 수 있다.
획득된 파라미터 세트(혹은 가중치 값 세트)들은 도 4의 세그멘테이션 프로세스(P2000)의 대상 의료 이미지를 세그멘테이션하는 데 이용될 수 있다.
다른 예로, 본 출원의 일 실시예에 따른 학습 장치(3000)는, S2300 단계에서 특성 정보를 반영하도록 인공 신경망 모델의 일부 레이어(예, 병목 계층(bottleneck layer, 인코더 및 디코더 사이의 레이어)에 특성 레이어를 결합시켜 특성 정보와 관련된 특징 벡터를 산출하도록 특성 레이어의 적어도 일부 노드의 파라미터 세트를 학습하도록 구현될 수 있다. 이때, 본 출원의 일 실시예에 따른 학습 장치(3000)는, 특성 레이어의 적어도 일부 노드의 파라미터 세트를 획득할 수 있다.
특성 레이어의 적어도 일부 노드의 파라미터 세트는 도 4의 세그멘테이션 프로세스(P2000)의 학습된 신경망 모델에 대응되는 노드에 추가되어 대상 의료 이미지를 세그멘테이션하는 데 이용될 수 있다.
혹은 특성 레이어의 적어도 일부 노드의 파라미터 세트는 후술할 도 10과 관련된 학습 방법에 따라 추가적으로 갱신될 수 있다.
이하에서는 도 10 내지 도 14를 참고하여, 본 출원의 일 실시예에 따른 히든 레이어를 구성하는 특성 레이어의 적어도 일부 노드의 파라미터 세트를 갱신하는 방법에 대하여 서술한다.
도 10은 본 출원의 일 실시예에 따른 인공 신경망 모델을 학습하는 일 방법의 순서도이다. 보다 구체적으로 도 10은 도 5의 S1400 단계의 신경망 모델을 학습시키는 방법을 구체화한 순서도이다.
본 출원의 일 실시예에 따른 학습 장치(3000)는 인공 신경망 모델을 학습시키는 것과 관련하여 히든 레이어를 구성하는 특성 레이어의 적어도 일부 노드의 파라미터 세트를 갱신하는 단계를 더 포함할 수 있다.
본 출원의 일 실시예에 따른 인공 신경망 모델을 학습하는 방법은 학습 데이터 세트 및 인공 신경망 모델의 파라미터를 획득하는 단계(S3100), 학습 데이터 세트의 특성 정보 및 라벨 데이터에 기초하여 파라미터 세트를 갱신하는 단계(S3200) 및 인공 신경망 모델의 파라미터 세트를 획득하는 단계(S3300)를 더 포함할 수 있다.
이때, 학습 데이터 세트 및 인공 신경망 모델의 파라미터를 획득하는 단계(S3100)에서, 본 출원의 일 실시예에 따른 학습 장치(3000)는 의료 이미지의 세그멘테이션을 위한 학습 데이터 세트를 획득할 수 있다.
이때, 학습 데이터 세트는 특성 정보에 따라 구분된 복수의 학습 데이터 세트를 포함할 수 있다. 다시 말해, 학습 데이터 세트는 제1 특성 정보와 관련된 제1 학습 데이터 세트 및 제2 특성 정보와 관련된 제2 학습 데이터 세트를 포함할 수 있다.
도 11 및 도 12를 참고한다. 도 11 내지 도 12는 본 출원의 일 실시예에 따른 의료 이미지와 관련된 학습 데이터 세트의 예시적인 구조도이다. 구체적으로 도 11 내지 도 12에 도시된 학습 데이터 세트는 특성 정보를 반영하여 의료 이미지를 세그멘테이션하기 위해 인공 신경망 모델의 일부 레이어에 추가되는 특성 레이어의 적어도 일부 노드의 파라미터 세트를 갱신하기 위하여 사용될 수 있다.
도 11을 참고하면, 제1 학습 데이터 세트는 적어도 하나의 의료 이미지 및 제1 특성 정보와 관련되어 적어도 하나의 의료 이미지에 대응되는 라벨과 관련된 데이터를 포함할 수 있다. 다시 말해, 제1 학습 데이터 세트는 의료 이미지 및 라벨과 관련된 데이터를 포함하는 적어도 하나의 의료 이미지 데이터를 포함할 수 있다.
또한, 학습 장치(3000)는 제1 학습 데이터 세트와 관련하여 특성 정보와 관련된 데이터를 획득할 수 있다. 특성 정보와 관련된 데이터는 상술한 바와 같이 임의의 외부 장치로부터 획득하거나 입력 모듈을 통한 사용자의 입력으로부터 획득할 수 있다. 또한, 특성 정보와 관련된 데이터는 의료 이미지에 대하여 메타 데이터로 구조화될 수 있으며, 학습 장치(3000)는 메타 데이터를 획득함으로써 특성 정보와 관련된 데이터를 획득할 수 있다.
이때, 제1 학습 데이터 세트는 적어도 하나의 의료 이미지와 관련하여 제1 특성 정보에 따라 정의된 라벨과 관련된 데이터를 포함할 수 있다.
일 예로, 제1 학습 데이터 세트는 제1a 의료 이미지 데이터를 포함할 수 있으며, 제1a 의료 이미지 데이터는 제1 의료 이미지 및 제1a 라벨과 관련된 데이터를 포함할 수 있다. 이때, 제1a 라벨은 제1 의료 이미지에 대하여 제1 특성 정보와 관련하여 정의된 라벨 데이터일 수 있다.
예를 들어, 제1a 라벨은 제1 시술자 정보의 특성 정보를 갖는 제1 시술자가 제1 의료 이미지에 대하여 정의한 방사선을 조사할 영역 및/또는 방사선이 조사되어서는 안 되는 영역과 관련된 라벨일 수 있다.
다른 예로, 제1 학습 데이터 세트는 제2a 의료 이미지 데이터를 포함할 수 있으며, 제2a 의료 이미지 데이터는 제2 의료 이미지 및 제2a 라벨과 관련된 데이터를 포함할 수 있다. 이때, 제2a 라벨은 제2 의료 이미지에 대하여 제1 특성 정보와 관련하여 생성된 라벨 데이터일 수 있다.
예를 들어, 제2a 라벨은 제1 시술자 정보의 제1 특성 정보를 갖는 제1 시술자가 제2 의료 이미지에 대하여 정의한 방사선을 조사할 영역 및/또는 방사선이 조사되어서는 안 되는 영역과 관련된 라벨일 수 있다.
제1 학습 데이터 세트에 포함된 적어도 하나의 라벨과 관련된 데이터는 바람직하게는 제1 특성 정보와 관련되어 의료 이미지에 정의된 데이터일 수 있다.
본 출원의 일 실시예에 따른 학습 장치(3000)는 제1 학습 데이터 세트를 이용하여, 제1 특성 정보를 반영하여 의료 이미지를 세그멘테이션하기 위한 제1 특징 벡터를 출력하는 특성 레이어의 적어도 일부 노드의 파라미터 세트를 갱신할 수 있다.
도 12를 참고하면, 제2 학습 데이터 세트는 적어도 하나의 의료 이미지 및 제2 특성 정보와 관련되어 적어도 하나의 의료 이미지에 대응되는 라벨과 관련된 데이터를 포함할 수 있다. 다시 말해, 제2 학습 데이터 세트는 의료 이미지 및 라벨과 관련된 데이터를 포함하는 적어도 하나의 의료 이미지 데이터를 포함할 수 있다.
또한, 학습 장치(3000)는 제2 학습 데이터 세트와 관련하여 특성 정보와 관련된 데이터를 획득할 수 있다. 특성 정보와 관련된 데이터는 상술한 바와 같이 임의의 외부 장치로부터 획득하거나 입력 모듈을 통한 사용자의 입력으로부터 획득할 수 있다. 또한, 특성 정보와 관련된 데이터는 의료 이미지에 대하여 메타 데이터로 구조화될 수 있으며, 학습 장치(3000)는 메타 데이터를 획득함으로써 특성 정보와 관련된 데이터를 획득할 수 있다.
이때, 제2 학습 데이터 세트는 적어도 하나의 의료 이미지와 관련하여 제1 특성 정보와는 상이한 제2 특성 정보에 따라 정의된 라벨과 관련된 데이터를 포함할 수 있다.
일 예로, 제2 학습 데이터 세트는 제1b 의료 이미지 데이터를 포함할 수 있으며, 제1b 의료 이미지 데이터는 제1 의료 이미지 및 제1b 라벨과 관련된 데이터를 포함할 수 있다. 이때, 제1b 라벨은 제1 의료 이미지에 대하여 제2 특성 정보와 관련하여 생성된 라벨 데이터일 수 있다.
예를 들어, 제1b 라벨은 제2 시술자 정보의 제2 특성 정보를 갖는 제2 시술자가 제1 의료 이미지에 대하여 정의한 방사선을 조사할 영역 및/또는 방사선이 조사되어서는 안 되는 영역과 관련된 라벨일 수 있다.
다른 예로, 제2 학습 데이터 세트는 제2b 의료 이미지 데이터를 포함할 수 있으며, 제2b 의료 이미지 데이터는 제2 의료 이미지 및 제2b 라벨과 관련된 데이터를 포함할 수 있다. 이때, 제2b 라벨은 제2 의료 이미지에 대하여 제2 특성 정보와 관련하여 생성된 라벨 데이터일 수 있다.
예를 들어, 제2b 라벨은 제2 시술자 정보의 제2 특성 정보를 갖는 제2 시술자가 제2 의료 이미지에 대하여 정의한 방사선을 조사할 영역 및/또는 방사선이 조사되어서는 안 되는 영역과 관련된 라벨일 수 있다.
바람직하게는 제2 학습 데이터 세트에 포함된 적어도 하나의 라벨과 관련된 데이터는 모두 제2 특성 정보와 관련되어 의료 이미지에 정의된 데이터일 수 있다. 구체적으로 제1 학습 데이터 세트에 포함된 적어도 하나의 라벨과 관련된 데이터는 모두 제1 특성 정보와 관련된 데이터인 반면, 제2 학습 데이터 세트에 포함된 적어도 하나의 라벨과 관련된 데이터는 모두 제2 특성 정보와 관련된 데이터일 수 있다.
이때, 제1b 라벨은 도 11에서 설명한 제1a 라벨과는 상이할 수 있다. 구체적으로 동일한 제1 의료 이미지에 대하여, 제1 시술자 정보의 특성 정보를 갖는 제1 시술자가 정의한 방사선을 조사할 영역(혹은 방사선이 조사되어서는 안 되는 영역)과 제2 시술자 정보의 특성 정보를 갖는 제2 시술자가 정의한 방사선을 조사할 영역(혹은 방사선이 조사되어서는 안 되는 영역)은 상이할 수 있다.
이때, 제2b 라벨은 도 11에서 설명한 제2a 라벨과는 상이할 수 있다. 구체적으로 동일한 제1 의료 이미지에 대하여, 제1 시술자 정보의 제1 특성 정보를 갖는 제1 시술자가 정의한 방사선을 조사할 영역(혹은 방사선이 조사되어서는 안 되는 영역)과 제2 시술자 정보의 제2 특성 정보를 갖는 제2 시술자가 정의한 방사선을 조사할 영역(혹은 방사선이 조사되어서는 안 되는 영역)은 상이할 수 있다.
본 출원의 일 실시예에 따른 학습 장치(3000)는 제2 학습 데이터 세트를 이용하여, 제2 특성 정보를 반영하여 의료 이미지를 세그멘테이션하기 위한 제2 특징 벡터를 출력하는 특성 레이어의 적어도 일부 노드의 파라미터 세트를 갱신할 수 있다.
도 11 및 도 12와 관련하여, 제1 학습 데이터 세트와 제2 학습 데이터 세트와 관련된 특성 정보와 관련하여 시술자 정보를 중심으로 서술하였다.
다만, 이는 설명의 편의일 뿐 상술한 제1 특성 정보 및/또는 제2 특성 정보는 시술자 정보를 포함하여, 피시술자 정보, 종양 정보 및/또는 방사선 정보와 관련될 수 있다.
다시 말해, 본 출원의 일 실시예에 따른 학습 장치(3000)는 시술자 정보, 피시술자 정보, 종양 정보 및/또는 방사선 정보와 관련된 특성 정보에 따라 종양을 시술하거나 치료하기 위한 방사선이 조사될 영역을 세그멘테이션하도록 신경망 모델을 학습시킬 수 있다. 이를 위하여 도 11 및 도 12에 도시된 학습 데이터 세트들의 특성 정보는 시술자 정보, 피시술자 정보, 종양 정보, 방사선 정보 또는 이들의 임의의 조합와 관련되어 구성될 수 있다.
일 예로, 본 출원의 일 실시예에 따른 학습 장치(3000)는 시술자 정보에 따라 상이하게 의료 이미지를 세그멘테이션 하도록 신경망 모델을 학습시키도록 구현될 수 있다. 예컨대, 제1 시술자는 종양을 시술하거나 치료하기 위하여 공격적인 치료 이력(예, 평균적인 치료 범위 이상의 치료 경향을 보이는 치료 이력)과 관련된 특성 정보를 가질 수 있다. 즉, 제1 시술자는 종양을 시술하거나 치료하기 위하여 방사선이 조사될 영역을 상대적으로 넓은 제1 영역으로 정의할 수 있다. 반면 제2 시술자는 종양을 시술하거나 치료하기 위하여 보수적인 치료 이력(예, 평균적인 치료 범위 미만의 치료 경향을 보이는 치료 이력)과 관련된 특성 정보를 가질 수 있다. 즉, 제2 시술자는 종양을 시술하거나 치료하기 위하여 방사선이 조사될 영역을 제1 영역보다 상대적으로 좁은 제2 영역으로 정의할 수 있다.
본 출원의 일 실시예에 따른 학습 장치(3000)는 시술자 정보를 고려하여 의료 이미지를 세그멘테이션 하도록 신경망 모델의 히든 레이어의 일부를 구성하는 특성 레이어의 적어도 일부 노드의 파라미터 세트를 갱신할 수 있다. 예컨대, 학습 장치(3000)는 제1 시술자 정보에 의존적으로 의료 이미지의 세그멘테이션하는 신경망 모델을 학습시키기 위하여 도 11의 제1 학습 데이터 세트를 이용할 수 있다. 이때, 도 11의 제1 학습 데이터 세트는 제1 시술자 정보를 포함하는 제1 특성 정보와 관련된 의료 이미지의 라벨 데이터를 포함하도록 구성될 수 있다. 또한, 학습 장치(3000)는 제2 시술자 정보에 의존적으로 의료 이미지의 세그멘테이션하는 신경망 모델을 학습시키기 위하여 도 12의 제2 학습 데이터 세트를 이용할 수 있다. 이때, 도 12의 제2 학습 데이터 세트는 제2 시술자 정보를 포함하는 제2 특성 정보와 관련된 의료 이미지의 라벨 데이터를 포함하도록 구성될 수 있다.
일 예로, 본 출원의 일 실시예에 따른 학습 장치(3000)는 피시술자 정보(예, 나이, 성별, 기저질환, 치료 이력)에 따라 상이하게 의료 이미지를 세그멘테이션 하도록 신경망 모델을 학습시키도록 구현될 수 있다. 예컨대, 제1 피시술자는 제1 나이 구간에 속하는 나이 정보를 포함하거나 기저질환이 존재하여 방사선 치료를 보수적으로 받을 필요성(예, 평균적인 방사선 조사 범위보다 좁은 범위로 방사선 치료를 받을 필요성)이 존재할 수 있다. 즉, 제1 피시술자의 종양을 시술하거나 치료하기 위하여 방사선이 조사될 영역이 상대적으로 좁은 제1 영역으로 정의될 필요가 존재할 수 있다. 반면 제2 피시술자는 제1 나이 구간보다는 상대적으로 적은 나이 구간인 제2 나이 구간에 속하는 나이 정보를 포함하거나 기저질환이 존재하지 않아 방사선 치료를 공격적으로 받을 필요성(예, 평균적인 방사선 조사 범위보다 넓은 범위로 방사선 치료를 받을 필요성)이 존재할 수 있다. 즉, 제2 피시술자의 종양을 시술하거나 치료하기 위하여 방사선이 조사될 영역이 제1 영역보다 상대적으로 넓은 제2 영역으로 정의될 필요가 존재할 수 있다.
본 출원의 일 실시예에 따른 학습 장치(3000)는 피시술자 정보를 고려하여 의료 이미지를 세그멘테이션 하도록 신경망 모델을 학습시킬 수 있다. 예컨대, 학습 장치(3000)는 제1 피시술자 정보를 반영하기 위한 신경망 모델을 학습시키 위하여 도 11의 제1 학습 데이터 세트를 이용할 수 있다. 이때, 도 11의 제1 학습 데이터 세트는 제1 피시술자 정보와 관련된 제1 특성 정보와 관련된 의료 이미지의 라벨 데이터를 포함하도록 구성될 수 있다. 이때, 학습 장치(3000)는 제1 피시술자 정보 및 라벨 데이터에 기초하여 제1 피시술자 정보에 의존적인 특징 벡터를 출력하도록 신경망 모델의 히든 레이어의 일부를 구성하는 특성 레이어의 적어도 하나의 노드의 파라미터 세트를 제1 파라미터 세트로 갱신할 수 있다.
또한, 학습 장치(3000)는 제2 피시술자 정보를 반영하기 위한 신경망 모델을 학습시키 위하여 도 12의 제2 학습 데이터 세트를 이용할 수 있다. 이때, 도 12의 제2 학습 데이터 세트는 제2 피시술자 정보와 관련된 제2 특성 정보와 관련된 의료 이미지의 라벨 데이터를 포함하도록 구성될 수 있다.
이때, 학습 장치(3000)는 제2 피시술자 정보 및 라벨 데이터에 기초하여 제2 피시술자 정보에 의존적인 특징 벡터를 출력하도록 신경망 모델의 히든 레이어의 일부를 구성하는 특성 레이어의 적어도 하나의 노드의 파라미터 세트를 제2 파라미터 세트로 갱신할 수 있다.
일 예로, 본 출원의 일 실시예에 따른 학습 장치(3000)는 종양 정보(예, 크기, 형태, 발현 정도(grade), 종양의 위치(예, 주변 기관(organ)과의 거리))에 따라 상이하게 의료 이미지를 세그멘테이션 하도록 신경망 모델을 학습시키도록 구현될 수 있다. 예컨대, 제1 종양 정보를 갖는 제1 종양은 크기가 제1 크기보다 발현 정도가 제1 발현 정도보다 작아서 방사선 치료를 보수적으로 받을 필요성(예, 평균적인 방사선 조사 범위보다 좁은 범위로 방사선 치료를 받을 필요성)이 존재할 수 있다. 즉, 제1 종양에 대하여는 방사선이 조사될 영역이 상대적으로 좁은 제1 영역으로 정의될 필요가 존재할 수 있다. 반면, 제2 종양 정보를 갖는 제2 종양은 크기가 제2 크기보다 크거나 발현 정도가 제2 발현 정도보다 높아서 방사선 치료를 공격적으로 받을 필요성(예, 평균적인 방사선 조사 범위보다 넓은 범위로 방사선 치료를 받을 필요성)이 존재할 수 있다. 즉, 제2 종양에 대하여는 방사선이 조사될 영역이 제1 영역보다 상대적으로 넓은 제2 영역으로 정의될 필요가 존재할 수 있다.
본 출원의 일 실시예에 따른 학습 장치(3000)는 종양 정보를 고려하여 의료 이미지를 세그멘테이션 하도록 신경망 모델을 학습시킬 수 있다. 예컨대, 학습 장치(3000)는 제1 종양 정보를 반영하기 위한 신경망 모델을 학습시키 위하여 도 11의 제1 학습 데이터 세트를 이용할 수 있다. 이때, 도 11의 제1 학습 데이터 세트는 제1 종양 정보와 관련된 제1 특성 정보와 관련된 의료 이미지의 라벨 데이터를 포함하도록 구성될 수 있다.
이때, 학습 장치(3000)는 제1 종양 정보 및 제1 종양 정보와 관련하여 정의된 방사선 조사 영역과 관련된 라벨 데이터에 기초하여 제1 종양 정보에 의존적인 특징 벡터가 산출되도록 신경망 모델의 히든 레이어의 일부를 구성하는 특성 레이어의 적어도 하나의 노드의 파라미터 세트를 갱신할 수 있다.
또한, 학습 장치(3000)는 제2 종양 정보를 반영하기 위한 신경망 모델을 학습시키 위하여 도 12의 제2 학습 데이터 세트를 이용할 수 있다. 이때, 도 12의 제2 학습 데이터 세트는 제2 종양 정보와 관련된 제2 특성 정보와 관련된 의료 이미지의 라벨 데이터를 포함하도록 구성될 수 있다.
이때, 학습 장치(3000)는 제2 종양 정보 및 제2 종양 정보와 관련하여 정의된 방사선 조사 영역과 관련된 라벨 데이터에 기초하여 제2 종양 정보에 의존적인 특징 벡터가 산출되도록 신경망 모델의 히든 레이어의 일부를 구성하는 특성 레이어의 적어도 하나의 노드의 파라미터 세트를 갱신할 수 있다.
일 예로, 본 출원의 일 실시예에 따른 학습 장치(3000)는 방사선 정보(예, 방사선의 종류, 방사선의 조사 주기(예, 롱 펄스(long pulse), 숏 펄스(short pulse)), 방사선의 세기, 스팟 사이즈)에 따라 상이하게 의료 이미지를 세그멘테이션 하도록 신경망 모델을 학습시키도록 구현될 수 있다. 예컨대, 제1 방사선 정보(예, 제1 유형 또는 제1 제조사)를 갖는 제1 방사선은 방사선의 세기가 강하며, 상대적으로 신체에 위험한 종류의 방사선일 수 있으며, 제1 방사선에 따라 치료를 수행하는 경우에는 방사선 치료를 보수적으로 수행할 필요성(예, 평균적인 방사선 조사 범위보다 좁은 범위로 방사선 치료를 받을 필요성)이 존재할 수 있다. 즉, 제1 방사선을 이용한 종양 치료에 있어서는, 방사선이 조사될 영역이 상대적으로 좁은 제1 영역으로 정의될 필요가 존재할 수 있다. 반면, 제2 방사선 정보(예, 제2 유형 또는 제2 제조사)를 갖는 제2 방사선은 방사선의 세기가 약하며, 상대적으로 신체에 안전한 종류의 방사선일 수 있으며, 이 경우 방사선 치료를 공격적으로 수행할 필요성(예, 평균적인 방사선 조사 범위보다 좁은 범위로 방사선 치료를 받을 필요성)이 존재할 수 있다. 즉, 제2 방사선을 이용한 종양 치료에 있어서는, 방사선이 조사될 영역이 제1 영역보다 상대적으로 넓은 제2 영역으로 정의될 필요가 존재할 수 있다.
본 출원의 일 실시예에 따른 학습 장치(3000)는 종양을 치료하기 위하여 사용되는 방사선의 정보를 고려하여 의료 이미지를 세그멘테이션 하도록 신경망 모델을 학습시킬 수 있다. 예컨대, 학습 장치(3000)는 제1 방사선 정보를 반영하기 위한 신경망 모델을 학습시키 위하여 도 11의 제1 학습 데이터 세트를 이용할 수 있다. 이때, 도 11의 제1 학습 데이터 세트는 제1 방사선 정보와 관련된 제1 특성 정보와 관련되어 의료 이미지의 라벨 데이터를 포함하도록 구성될 수 있다.
이때, 학습 장치(3000)는 제1 방사선 정보 및 제1 방사선 정보와 관련하여 정의된 방사선 조사 영역과 관련된 라벨 데이터에 기초하여 제1 방사선 정보에 의존적인 특징 벡터가 산출되도록 신경망 모델의 히든 레이어의 일부를 구성하는 특성 레이어의 적어도 하나의 노드의 파라미터 세트를 갱신할 수 있다.
또한, 학습 장치(3000)는 제2 방사선 정보를 반영하기 위한 신경망 모델을 학습시키 위하여 도 12의 제2 학습 데이터 세트를 이용할 수 있다. 이때, 도 12의 제2 학습 데이터 세트는 제2 방사선 정보와 관련된 제2 특성 정보와 관련되어 의료 이미지의 라벨 데이터를 포함하도록 구성될 수 있다.
이때, 학습 장치(3000)는 제2 방사선 정보 및 제2 방사선 정보와 관련하여 정의된 방사선 조사 영역과 관련된 라벨 데이터에 기초하여 제2 방사선 정보에 의존적인 특징 벡터가 산출되도록 신경망 모델의 히든 레이어의 일부를 구성하는 특성 레이어의 적어도 하나의 노드의 파라미터 세트를 갱신할 수 있다.
다만, 상술한 학습 데이터 세트는 예시에 불과하며, 본 출원의 일 실시예에 따른 학습 장치(3000)는 상술한 특성 정보들이 될 수 있는 시술자 정보, 피시술자 정보, 종양 정보, 방사선 정보 및 이들의 조합을 포함하는 특성 정보에 의존적으로 의료 이미지를 세그멘테이션하는 신경망 모델을 학습시키도록 임의의 적절한 학습 데이터 세트를 획득할 수 있다.
또한, 상술한 내용에서는 방사선이 조사될 영역을 학습시키는 것을 중심으로 서술하였으나, 방사선이 조사되어서는 안 되는 영역과 관련하여 신경망 모델을 학습시키는 것 또한 유사하게 적용될 수 있다.
학습 데이터 세트 및 인공 신경망 모델의 파라미터를 획득하는 단계(S3100)에서, 본 출원의 일 실시예에 따른 학습 장치(3000)는 인공 신경망 모델 및 인공 신경망 모델 노드의 파라미터 세트(또는 가중치 세트)를 획득하도록 구현될 수 있다.
일 예로, 학습 장치(3000)가 획득하는 파라미터 세트는 특성 정보를 고려하지 않고 획득된 의료 이미지의 세그멘테이션을 학습시키기 위한 신경망 모델의 파라미터 세트일 수 있다.
이때, 학습 장치(3000)는 획득된 신경망 모델의 히든 레이어에 특성 레이어를 추가하거나 결합시켜, 추가적으로 특성 정보에 의존적인 특징 벡터를 산출하기 위한 특성 레이어의 일부 노드의 파라미터 세트를 갱신하도록 구현될 수 있다. 구체적으로 학습 장치(3000)는 획득된 파라미터 세트를 갖는 신경망 모델 및 학습 데이터 세트에 기초하여 특성 정보와 관련된 특성 레이어의 일부 노드의 파라미터 세트를 갱신하도록 구현될 수 있다. 이를 통하여 본 출원의 일 실시예에 따른 학습 장치(3000)는 특성 정보에 특이적으로 의료 이미지를 세그멘테이션하기 위한 파라미터 세트를 포함하는 최종 신경망 모델을 획득할 수 있다.
다른 예로, 본 출원의 일 실시예에 따른 학습 장치(3000)는 특성 정보를 고려하여 학습된 제1 파라미터 세트를 갖는 노드를 포함하는 제1 신경망 모델 및 제2 파라미터 세트를 갖는 노드를 포함하는 제2 신경망 모델을 획득할 수 있다.
제1 신경망 모델은 제1 특성 정보를 반영하여 의료 이미지를 세그멘테이션하기 위한 신경망 모델일 수 있으며, 제1 파라미터 세트를 갖는 노드를 포함할 수 있다.
본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 제1 신경망 모델을 이용하여, 대상 의료 이미지를 세그멘테이션하여 제1 특성 정보를 반영하여 제1 세그멘테이션 정보를 획득하도록 구현될 수 있다.
혹은 본 출원의 일 실시예에 따른 학습 장치(3000)는 제1 신경망 모델의 히든 레이어에 추가적인 특성 레이어를 결합시키고 특성 레이어에 포함된 적어도 하나의 노드의 파라미터 세트를 갱신하여, 제1 특성 정보에 보다 특이적이고 정교하게 의료 이미지를 세그멘테이션할 수 있는 신경망 모델을 획득하도록 구현될 수 있다.
제2 신경망 모델은 제2 특성 정보를 반영하여 의료 이미지를 세그멘테이션하기 위한 신경망 모델일 수 있으며, 제1 파라미터 세트와는 상이한 제2 파라미터 세트를 갖는 노드를 포함할 수 있다.
본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 제2 신경망 모델을 이용하여, 대상 의료 이미지를 세그멘테이션하여 제2 특성 정보를 반영하여 제2 세그멘테이션 정보를 획득하도록 구현될 수 있다.
혹은 본 출원의 일 실시예에 따른 학습 장치(3000)는 제2 신경망 모델의 히든 레이어에 추가적인 특성 레이어를 결합시키고 특성 레이어에 포함된 적어도 하나의 노드의 파라미터 세트를 갱신하여, 제2 특성 정보에 보다 특이적이고 정교하게 의료 이미지를 세그멘테이션할 수 있는 신경망 모델을 획득하도록 구현될 수 있다.
한편, 학습 데이터 세트 및 인공 신경망 모델의 파라미터를 획득하는 단계(S3100)에서, 본 출원의 일 실시예에 따른 학습 장치(3000)는, 특성 정보와 관련된 초기 특징 벡터를 산출하도록 파라미터 세트가 획득하도록 구현될 수 있다. 예컨대, 도 8과 관련하여 상술한 바와 같이, 본 출원의 일 실시예에 따른 학습 장치(3000)는 신경망 모델의 파라미터 세트 및 신경망 모델의 히든 레이어의 일부를 구성하는 특성 레이어가 포함되어 1차적으로 특성 레이어의 적어도 하나의 노드의 파라미터 세트를 학습할 수 있다. 1차적으로 학습된 신경망 모델은 특성 정보에 의존적인 초기 특징 벡터를 산출하도록 구현될 수 있다. 이때, 학습 데이터 세트 및 인공 신경망 모델의 파라미터를 획득하는 단계(S3100)에서, 본 출원의 일 실시예에 따른 학습 장치(3000)는, 특성 정보와 관련된 초기 특징 벡터를 산출하는 파라미터 세트를 포함하는 신경망 모델을 획득할 수 있다.
학습 데이터 세트의 특성 정보 및 라벨 데이터에 기초하여 파라미터 세트를 갱신하는 단계(S3200)에서는, 본 출원의 일 실시예에 따른 학습 장치(3000)는 획득된 파라미터 세트를 갖는 노드를 포함하는 인공 신경망 모델 및 학습 데이터 세트에 기초하여 파라미터 세트를 갱신하거나 학습하도록 구현될 수 있다.
이때, 바람직한 실시예에 따른 학습 장치(3000)는 S3100 단계에서 획득된 신경망 모델은 특성 정보에 비의존적으로 학습될 수 있으며, S3200 단계에서, S3100 단계에서 획득된 신경망 모델의 노드의 파라미터 세트는 고정될 수 있다. 다시 말해, S3200 단계에서, S3100 단계에서 획득된 파라미터 세트들은 갱신되지 않도록 고정될 수 있다. 이때, S3200 단계에서 학습 장치(3000)는 신경망 모델의 히든 레이어의 일부 레이어에 특성 레이어를 추가하여 특성 정보에 특이적으로 의료 이미지를 세그멘테이션하도록 특성 레이어에 포함된 적어도 하나의 노드의 파라미터 세트를 갱신할 수 있다.
신경망 모델의 아키텍처를 인코더(encoder) 및 디코더(decoder) 기반의 U-net으로 구성하는 경우에는, 특성 레이어는 S3100 단계에서 획득된 인공 신경망의 병목 계층(bottleneck layer, 인코더 및 디코더 사이의 레이어)에 결합되거나 추가되어, 특성 정보를 반영하여 의료 이미지의 세그멘테이션 동작을 학습하도록 구성될 수 있다.
또한, 학습 데이터 세트의 특성 정보 및 라벨 데이터에 기초하여 파라미터 세트를 갱신하는 단계(S3200)에서는, 본 출원의 일 실시예에 따른 학습 장치(3000)는, 특성 정보에 따라 파라미터 세트를 상이하게 학습시키거나 갱신할 수 있다.
이하에서는 도 13 및 도 14를 참고하여 본 출원의 일 실시예에 따른 파라미터 세트를 갱신하는 방법에 대하여 자세히 서술한다.
도 13 내지 도 14는 본 출원의 일 실시예에 따른 특성 레이어의 파라미터 세트를 갱신하는 방법을 도시한 개략도이다.
구체적으로 도 13은 도 11에 도시된 제1 학습 데이터 세트에 기초하여 제1 특징 벡터를 산출하도록 특성 레이어의 파라미터 세트를 갱신하는 방법을 도시한 개략도이다.
도 14는 도 12에 도시된 제2 학습 데이터 세트에 기초하여 제1 특징 벡터와는 상이한 값을 가지는 제2 특징 벡터를 산출하도록 특성 레이어의 파라미터 세트를 갱신하는 방법을 도시한 개략도이다.
도 13을 참고하면, 본 출원의 일 실시예에 따른 학습 장치(3000)는 제1 학습 데이터 세트에 기초하여 제1 특성 레이어에 포함된 적어도 하나의 노드의 파라미터 세트를 갱신하거나 학습시키도록 구성될 수 있다. 도 13에 도시된 제1 특성 레이어는 파라미터 세트를 갱신하는 동작을 수행하기 이전에 신경망 모델의 히든 레이어에 결합되거나 추가될 수 있다.
구체적으로 제1 학습 데이터 세트는 의료 이미지 및 제1 특성 정보와 관련된 방사선 치료 영역을 정의한 라벨과 관련된 데이터를 포함할 수 있다. 이때, 학습 장치(3000)는 제1 특성 정보에 특이적으로 의료 이미지를 세그멘테이션하도록 제1 특징 벡터를 산출하는 신경망 모델을 획득하도록 파라미터 세트를 갱신할 수 있다,
예컨대, 학습 장치(3000)는 제1 학습 데이터 세트에 포함된 의료 이미지를 신경망 모델의 입력 레이어로 입력하고 신경망 모델의 출력 레이어를 통하여 출력 데이터를 획득하도록 구현될 수 있다. 이때, 학습 장치(3000)는 제1 학습 데이터 세트에 포함된 제1 특성 정보와 관련된 라벨 데이터 및 출력 데이터에 기초하여 신경망 모델의 히든 레이어의 일부를 구성하는 제1 특성 레이어에 포함된 적어도 하나의 노드의 파라미터 세트를 갱신할 수 있다.
예를 들어, 학습 장치(3000)는 제1 학습 데이터 세트에 포함된 제i 의료 이미지를 신경망 모델의 입력 레이어로 입력하고 신경망 모델의 출력 레이어를 통하여 출력 데이터를 획득할 수 있다.
이때, 출력 데이터는 제i 의료 이미지에 대한 라벨 데이터를 포함할 수 있다. 예컨대, 출력 데이터는 제i 의료 이미지와 관련된 제iA 라벨 데이터일 수 있다.
이때, 본 출원의 일 실시예에 따른 학습 장치(3000)는 출력 데이터에 포함된 제iA 라벨 및 제1 학습 데이터 세트에 포함된 제i 의료 이미지와 관련된 제ia 라벨에 기초하여 제1 특성 레이어에 포함된 적어도 하나 노드의 파라미터 세트를 갱신하도록 구현될 수 있다. 구체적으로, 학습 장치(3000)는 제iA 라벨 및 제1 학습 데이터 세트에 포함된 제i 의료 이미지와 관련된 제ia 라벨의 차이가 최소가 될 때까지 제1 특성 레이어에 포함된 적어도 하나의 노드의 파라미터 세트를 갱신하도록 구현될 수 있다.
이때, 제1 학습 데이터 세트는 의료 이미지 및 제1 특성 정보와 관련되어 정의된 방사선 조사 영역에 대한 라벨 데이터를 포함하기 때문에, 제1 학습 데이터 세트로부터 학습된 신경망 모델은 의료 이미지를 제1 특성 정보와 관련된 라벨 데이터로 출력하도록 학습될 수 있다.
도 14를 참고하면, 본 출원의 일 실시예에 따른 학습 장치(3000)는 제1 학습 데이터 세트와는 구별되는 제2 학습 데이터 세트에 기초하여 제2 특징 벡터를 산출하도록 특성 레이어의 파라미터 세트를 갱신하거나 학습시키도록 구성될 수 있다. 도 14에 도시된 제2 특성 레이어는 파라미터 세트를 갱신하는 동작을 수행하기 이전에 신경망 모델의 히든 레이어에 결합되거나 추가될 수 있다.
구체적으로 제2 학습 데이터 세트는 의료 이미지 및 제2 특성 정보와 관련된 방사선 치료 영역을 정의한 라벨과 관련된 데이터를 포함할 수 있다. 이때, 학습 장치(3000)는 제2 특성 정보에 특이적으로 의료 이미지를 세그멘테이션하도록 제2 특징 벡터를 산출하는 신경망 모델을 획득하도록 파라미터 세트를 갱신할 수 있다, 예컨대, 학습 장치(3000)는 제2 학습 데이터 세트에 포함된 의료 이미지를 신경망 모델의 입력 레이어로 입력하고 신경망 모델의 출력 레이어를 통하여 출력 데이터를 획득하도록 구현될 수 있다. 이때, 학습 장치(3000)는 제2 학습 데이터 세트에 포함된 제2 특성 정보와 관련된 라벨 데이터 및 출력 데이터에 기초하여 신경망 모델의 히든 레이어의 일부를 구성하는 제2 특성 레이어에 포함된 적어도 하나의 노드의 파라미터 세트를 갱신할 수 있다.
예를 들어, 학습 장치(3000)는 제2 학습 데이터 세트에 포함된 제j 의료 이미지를 신경망 모델의 입력 레이어로 입력하고 신경망 모델의 출력 레이어를 통하여 출력 데이터를 획득할 수 있다.
이때, 출력 데이터는 제j 의료 이미지에 대한 라벨과 관련된 데이터를 포함할 수 있다. 예컨대, 출력 데이터는 제j 의료 이미지와 관련된 제jB 라벨 데이터를 포함할 수 있다.
이때, 본 출원의 일 실시예에 따른 학습 장치(3000)는 제jB 라벨 및 제2 학습 데이터 세트에 포함된 제j 의료 이미지와 관련된 제jb 라벨에 기초하여 제2 특성 레이어에 포함된 적어도 하나의 노드의 파라미터 세트를 갱신하도록 구현될 수 있다. 구체적으로, 학습 장치(3000)는 제jB 라벨 및 제2 학습 데이터 세트에 포함된 제j 의료 이미지와 관련된 제jb 라벨의 차이가 최소가 될 때까지 제2 특성 레이어에 포함된 적어도 하나의 노드의 파라미터 세트를 갱신하도록 구현될 수 있다.
이때, 제2 학습 데이터 세트는 의료 이미지 및 제2 특성 정보와 관련되어 정의된 방사선 조사 영역에 대한 라벨 데이터를 포함하기 때문에, 제2 학습 데이터 세트로부터 학습된 신경망 모델은 의료 이미지를 제2 특성 정보와 관련된 라벨 데이터로 출력하도록 학습될 수 있다.
제1 특성 정보 및/또는 제2 특성 정보는 상술한 바와 같이 시술자 정보, 피시술자 정보, 종양 정보 및/또는 방사선 정보와 관련될 수 있다.
학습 데이터 세트의 특성 정보 및 라벨 데이터에 기초하여 파라미터 세트를 갱신하는 단계(S3200)에서, 본 출원의 일 실시예에 따른 학습 장치(3000)는 상술한 시술자 정보, 피시술자 정보, 종양 정보 및/또는 방사선 정보에 기초하여 파라미터 세트를 갱신하도록 구현될 수 있다. 이때, 학습 장치(3000)는 특성 정보의 유형별(예, 시술자 정보와 피시술자 정보)로 상이한 특징 벡터를 산출하도록 파라미터를 갱신할 수 있으며, 공통 유형의 특성 정보 내에서도 특성 정보의 차이(예, 제1 시술자 정보와 제2 시술자 정보)에 따라 상이한 값을 갖는 특징 벡터를 산출하도록 파라미터를 갱신할 수 있다.
일 예로, 본 출원의 일 실시예에 따른 학습 장치(3000)는, 도 13 및 도 14와 관련하여 설명한 바와 같이 시술자 정보와 관련된 특성 정보에 기초하여 파라미터 세트를 갱신할 수 있다.
예컨대, 학습 장치(3000)는 시술자 정보와 관련된 특성 정보와 관련된 학습 데이터 세트에 기초하여 시술자 정보에 특이적으로 의료 이미지를 세그멘테이션 하기 위한 제1 특징 벡터가 산출되도록 신경망 모델에 포함된 특성 레이어의 적어도 하나의 노드의 파라미터 세트를 갱신할 수 있다.
구체적으로, 학습 데이터 세트는 제1 시술자 정보를 갖는 제1 시술자로부터 획득된 의료 이미지에 대한 방사선 치료 영역에 대한 라벨과 관련된 데이터를 포함할 수 있다. 이때, 학습 장치(3000)는 학습 데이터 세트를 인공 신경망 모델의 입력 레이어로 입력하고 출력 레이어를 통하여 출력 데이터를 획득할 수 있다. 이때, 학습 장치(3000)는 출력 데이터와 학습 데이터 세트에 포함된 제1 시술자 정보와 관련된 라벨 데이터에 기초하여 파라미터 세트를 갱신하여, 제1a 파라미터 세트를 갖는 적어도 하나의 노드를 포함하는 신경망 모델을 획득할 수 있다.
또한, 학습 데이터 세트는 제2 시술자 정보를 갖는 제2 시술자로부터 획득된 의료 이미지에 대한 방사선 치료 영역에 대한 라벨과 관련된 데이터를 포함할 수 있다. 이때, 학습 장치(3000)는 학습 데이터 세트를 인공 신경망 모델의 입력 레이어로 입력하고 출력 레이어를 통하여 출력 데이터를 획득할 수 있다. 이때, 학습 장치(3000)는 출력 데이터와 학습 데이터 세트에 포함된 제2 시술자 정보와 관련된 라벨 데이터에 기초하여 파라미터 세트를 갱신하여 제1b 파라미터 세트를 갖는 적어도 하나의 노드를 포함하는 신경망 모델을 획득할 수 있다. 본 출원의 일 실시예에 따른 학습 장치(3000)는 시술자 정보의 차이에 따라 상이한 파라미터 세트를 갖는 신경망 모델을 획득하도록 파라미터 세트를 갱신할 수 있다. 따라서, 의료 이미지 분석 장치(2000)는 학습된 신경망 모델은 이용하여 시술자 정보에 특이적으로 의료 이미지를 자동적으로 복수의 영역으로 구획해줄 수 있다는 유리한 효과가 존재한다.
다른 예를 들어, 학습 장치(3000)는 피시술자 정보와 관련된 특성 정보와 관련된 학습 데이터 세트에 기초하여 피시술자 정보에 의존적으로 의료 이미지를 세그멘테이션 하기 위한 제2 특징 벡터가 산출되도록 신경망 모델에 포함된 특성 레이어의 적어도 하나의 노드의 파라미터 세트를 갱신할 수 있다. 구체적으로, 학습 데이터 세트는 제1 피시술자 정보를 갖는 제1 피시술자의 종양을 치료하기 위해 방사선이 조사될 영역(혹은 방사선이 조사되어서는 안 되는 영역)과 관련된 의료 이미지에 대한 라벨 데이터를 포함할 수 있다. 이때, 학습 장치(3000)는 학습 데이터 세트를 인공 신경망 모델의 입력 레이어로 입력하고 출력 레이어를 통하여 출력 데이터를 획득할 수 있다. 이때, 학습 장치(3000)는 출력 데이터와 학습 데이터 세트에 포함된 제1 피시술자 정보와 관련된 라벨 데이터에 기초하여 파라미터 세트를 갱신하여, 제2a 파라미터 세트를 갖는 적어도 하나의 노드를 포함하는 신경망 모델을 획득할 수 있다. 또한, 학습 데이터 세트는 제2 피시술자 정보를 갖는 제2 피시술자의 종양을 치료하기 위해 방사선이 조사될 영역(혹은 방사선이 조사되어서는 안 되는 영역)과 관련된 의료 이미지에 대한 라벨 데이터를 포함할 수 있다. 이때, 학습 장치(3000)는 학습 데이터 세트를 인공 신경망 모델의 입력 레이어로 입력하고 출력 레이어를 통하여 출력 데이터를 획득할 수 있다. 이때, 학습 장치(3000)는 출력 데이터와 학습 데이터 세트에 포함된 제2 피시술자 정보와 관련된 라벨 데이터에 기초하여 파라미터 세트를 갱신하여 제2b 파라미터 세트를 갖는 적어도 하나의 노드를 포함하는 신경망 모델을 획득할 수 있다. 본 출원의 일 실시예에 따른 학습 장치(3000)는 피시술자 정보의 차이에 따라 상이한 파라미터 세트를 갖는 신경망 모델을 획득하도록 파라미터 세트를 갱신할 수 있다. 따라서, 의료 이미지 분석 장치(2000)는 학습된 신경망 모델을 이용하여 피시술자의존적인 세그멘테이션 정보를 획득할 수 있다는 유리한 효과가 존재한다.
다른 예를 들어, 학습 장치(3000)는 종양 정보와 관련된 특성 정보와 관련된 학습 데이터 세트에 기초하여 종양 정보에 특이적으로 의료 이미지를 세그멘테이션 하기 위한 제3 특징 벡터가 산출되도록 신경망 모델에 포함된 특성 레이어의 적어도 하나의 노드의 파라미터 세트를 갱신할 수 있다.
구체적으로, 학습 데이터 세트는 제1 종양 정보를 갖는 제1 종양을 치료하기 위해 방사선이 조사될 영역(혹은 방사선이 조사되어서는 안 되는 영역)과 관련된 의료 이미지에 대한 라벨 데이터를 포함할 수 있다. 이때, 학습 장치(3000)는 학습 데이터 세트를 인공 신경망 모델의 입력 레이어로 입력하고 출력 레이어를 통하여 출력 데이터를 획득할 수 있다. 이때, 학습 장치(3000)는 출력 데이터 및 학습 데이터 세트에 포함된 제1 종양 정보와 관련된 라벨 데이터에 기초하여 파라미터 세트를 갱신하여, 제3a 파라미터 세트를 갖는 적어도 하나의 노드를 포함하는 신경망 모델을 획득할 수 있다.
또한, 학습 데이터 세트는 제2 종양 정보를 갖는 제2 종양을 치료하기 위해 방사선이 조사될 영역(혹은 방사선이 조사되어서는 안 되는 영역)과 관련된 의료 이미지에 대한 라벨 데이터를 포함할 수 있다. 이때, 학습 장치(3000)는 학습 데이터 세트를 인공 신경망 모델의 입력 레이어로 입력하고 출력 레이어를 통하여 출력 데이터를 획득할 수 있다. 이때, 학습 장치(3000)는 출력 데이터 및 학습 데이터 세트에 포함된 제2 종양 정보와 관련된 라벨 데이터에 기초하여 파라미터 세트를 갱신하여, 제3b 파라미터 세트를 갖는 적어도 하나의 노드를 포함하는 신경망 모델을 획득할 수 있다. 본 출원의 일 실시예에 따른 학습 장치(3000)는 종양 정보의 차이에 따라 상이한 파라미터 세트를 신경망 모델을 획득하도록 파라미터 세트를 갱신할 수 있다. 따라서, 의료 이미지 분석 장치(2000)는 학습된 신경망 모델은 이용하여 종양 정보에 특이적으로 의료 이미지를 자동적으로 복수의 영역으로 구획해줄 수 있다는 유리한 효과가 존재한다.
다른 예를 들어, 학습 장치(3000)는 방사선 정보와 관련된 특성 정보와 관련된 학습 데이터 세트에 기초하여 종양 정보에 의존적으로 의료 이미지를 세그멘테이션 하기 위한 제4 특징 벡터가 산출되도록 신경망 모델에 포함된 특성 레이어의 적어도 하나의 노드의 파라미터 세트를 갱신할 수 있다.
구체적으로, 학습 데이터 세트는, 제1 방사선 정보를 갖는 제1 방사선으로 종양을 치료하기 위해 방사선이 조사될 영역(혹은 방사선이 조사되어서는 안 되는 영역)과 관련된 의료 이미지에 대한 라벨 데이터를 포함할 수 있다. 이때, 학습 장치(3000)는 학습 데이터 세트를 인공 신경망 모델의 입력 레이어로 입력하고 출력 레이어를 통하여 출력 데이터를 획득할 수 있다. 이때, 학습 장치(3000)는 출력 데이터 및 학습 데이터 세트에 포함된 제1 방사선 정보와 관련된 라벨 데이터에 기초하여 파라미터 세트를 갱신하여, 제4a 파라미터 세트를 갖는 적어도 하나의 노드를 포함하는 신경망 모델을 획득할 수 있다. 또한, 학습 데이터 세트는, 제2 방사선 정보를 갖는 제2 방사선으로 종양을 치료하기 위해 방사선이 조사될 영역(혹은 방사선이 조사되어서는 안 되는 영역)과 관련된 의료 이미지에 대한 라벨 데이터를 포함할 수 있다. 이때, 학습 장치(3000)는 학습 데이터 세트를 인공 신경망 모델의 입력 레이어로 입력하고 출력 레이어를 통하여 출력 데이터를 획득할 수 있다. 이때, 학습 장치(3000)는 출력 데이터 및 학습 데이터 세트에 포함된 제2 방사선 정보와 관련된 라벨 데이터에 기초하여 파라미터 세트를 갱신하여 제4b 파라미터 세트를 갖는 적어도 하나의 노드를 포함하는 신경망 모델을 획득할 수 있다. 본 출원의 일 실시예에 따른 학습 장치(3000)는 방사선 정보의 차이에 따라 상이한 파라미터 세트를 갖는 신경망 모델을 획득하도록 파라미터 세트를 갱신할 수 있다. 따라서, 의료 이미지 분석 장치(2000)는 학습된 신경망 모델을 이용하여 방사선 정보에 의존적인 세그멘테이션 정보를 획득할 수 있다는 유리한 효과가 존재한다.
한편, 상술한 바와 같이 학습 데이터 세트 및 인공 신경망 모델의 파라미터 획득하는 단계(S3100)에서는 초기 특징 벡터를 산출하는 히든 레이어의 일부 노드, 특히, 특성 레이어의 적어도 하나 노드에 포함된 초기 파라미터 세트가 획득될 수 있다.
이때, 학습 데이터 세트의 특성 정보 및 라벨 데이터에 기초하여 특징 벡터를 갱신하는 단계(S3200)에서, 본 출원의 일 실시예에 따른 학습 장치(3000)는 획득된 초기 파라미터 세트에 기초하여 특성 정보에 특이적으로 의료 이미지의 세그멘테이션을 수행할 수 있는 최종적인 파라미터 세트를 갖는 신경망 모델을 획득하도록 초기 파라미터 세트를 갱신할 수 있다.
인공 신경망 모델의 파라미터 세트를 획득하는 단계(S3300)에서는, 본 출원의 일 실시예에 따른 학습 장치(3000)는 상술한 바와 같이 신경망 모델의 파라미터 세트를 갱신하는 동작을 반복적으로 수행함으로써, 출력 데이터에 포함된 라벨 데이터와 학습 데이터 세트에 포함된 라벨 데이터 간의 차이가 최소가 되는 파라미터 세트를 가지는 신경망 모델을 획득할 수 있다.
상술한 바에 따르면, 도 10의 S3200 단계와 관련하여 바람직하게는 S3100 단계에서 획득한 신경망 모델의 노드의 파라미터 세트 혹은 가중치 값 세트들을 고정한 후 특성 레이어에 포함된 적어도 하나의 노드의 파라미터 세트를 갱신할수 있다고 기재하였다. 다만, 이는 예시에 불과하며 이에 제한되지 않으며 특성 레이어 이외의 히든 레이어에 포함된 신경망 모델의 노드의 파라미터 세트 및 가중치 값 세트들도 함께 갱신되도록 학습 장치(3000)가 구현될 수 있다.
다시 도 4를 참고하면, 본 출원의 일 실시예에 따른 세그멘테이션 프로세스(P2000)는 데이터 획득 프로세스(P2100) 및 학습된 신경망 모델을 이용한 세그멘테이션 프로세스(P2200)를 포함할 수 있다.
세그멘테이션 프로세스(P2000)는 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)에 의해 구현될 수 있다.
이하에서는 도 15를 참고하여, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)의 신경망 모델을 이용한 의료 이미지 세그멘테이션 동작을 설명한다. 도 15는 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)의 신경망 모델을 이용한 이미지 세그멘테이션 방법에 대한 순서도이다.
도 15를 참고하면, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)의 신경망 모델을 이용한 이미지 세그멘테이션 방법은 대상 의료 이미지 및 대상 특성 정보를 획득하는 단계(S4100), 대상 특성 정보에 기초하여 파라미터 세트를 획득하는 단계(S4200) 및 신경망 모델의 파라미터 세트에 기초하여 세그멘테이션 정보를 획득하는 단계(S4300)를 포함할 수 있다.
대상 의료 이미지 및 대상 특성 정보를 획득하는 단계(S4100)에서, 의료 이미지 분석 장치(2000)는 의료 이미지 획득 장치(1000)로부터 대상 의료 이미지를 획득할 수 있다.
또한 의료 이미지 분석 장치(2000)는 의료 이미지 획득 장치(1000), 임의의 외부 장치 혹은 사용자의 입력으로부터 대상 의료 이미지의 세그멘테이션에 이용되는 대상 특성 정보를 획득할 수 있다.
이때, 대상 특성 정보는, 후술할 신경망 모델의 파라미터 세트를 획득하는 것과 파라미터 세트를 대체하는 데 기초가 될 수 있다.
도 16을 참고한다. 도 16은 본 출원의 일 실시예에 따른 대상 의료 이미지의 예시적인 구조도이다.
일 예로, 본 출원의 일 실시예에 따라 의료 이미지 분석 장치(2000)가 획득하는 대상 의료 이미지 데이터(TID)는 대상 의료 이미지(TI)에 대한 정보를 포함할 수 있다. 예를 들어, 대상 의료 이미지(TI)에 대한 정보는 픽셀의 좌표, 강도, 색상 등과 관련된 정보를 포괄할 수 있다.
다른 예로, 대상 의료 이미지 데이터(TID)는 대상 특성 정보(TFI)를 포함할 수 있다. 이때, 대상 특성 정보(TFI)는 획득된 대상 의료 이미지(TI)에 대하여 메타 데이터로서 구조화될 수 있다. 예컨대, 대상 의료 이미지(TI)의 대상체일 수 있는 피시술자 정보와 관련된 대상 특성 정보(TFI)는 대상 의료 이미지(TI)에 대하여 메타 데이터로 구조화될 수 있다.
한편, 대상 특성 정보(TFI)는 대상 의료 이미지(TI)와는 별개로 임의의 외부 장치로부터 획득될 수 있다.
혹은 대상 특성 정보(TFI)는 상술한 바와 같이 의료 이미지 분석 장치(2000)의 입력 모듈(2400)을 통한 사용자의 입력으로부터 획득될 수 있을 것이다. 예컨대, 사용자가 제1 시술자와 관련된 제1 시술자 정보를 반영하여 대상 의료 이미지(TI)를 세그멘테이션하길 원하는 경우, 입력 모듈(2400)을 통하여 제1 시술자 정보와 관련된 대상 특성 정보를 입력할 수 있으며, 의료 이미지 분석 장치(2000)는 제1 시술자 정보에 대응하는 입력을 획득함으로써, 대상 특성 정보(TFI)를 획득하도록 구현될 수 있다.
다시 도 4를 참고하면, 의료 이미지 분석 장치(2000)는, 데이터 획득 프로세스(P2100)에서 획득된 대상 의료 이미지 데이터를 학습된 신경망 모델의 입력 레이어로 입력하도록 구현될 수 있다.
이때, 의료 이미지 분석 장치(2000)는, 상술한 학습 장치(2000)에서 구현되는 학습 프로세스(P1000)에 따라 획득된 파라미터 세트를 갖는 노드를 포함하는 인공 신경망 모델을 획득할 수 있으며, 획득된 인공 신경망 모델을 대상 의료 이미지(TI)를 세그멘테이션 하기 위한 신경망 모델로 사용할 수 있다.
따라서, 대상 특성 정보에 기초하여 신경망 모델의 파라미터 세트를 획득하는 단계(S4200)에서는, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 신경망 모델 및/또는 신경망 모델의 파라미터 세트(혹은 가중치 값 세트)를 획득할 수 있다.
일 예로, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 획득된 대상 특성 정보에 기초하여 인공 신경망 모델을 획득하도록 구현될 수 있다.
예컨대, 의료 이미지 분석 장치(2000)가 제1 대상 특성 정보를 획득한 경우에는 의료 이미지 분석 장치(2000)는 제1 대상 특성 정보에 대응하는 특성 정보에 기초하여 학습된 제1 파라미터 세트를 갖는 노드를 포함하는 제1 인공 신경망 모델을 획득하도록 구현될 수 있다. 반면, 의료 이미지 분석 장치(2000)가 제2 대상 특성 정보를 획득한 경우에는 의료 이미지 분석 장치(2000)는 제2 대상 특성 정보에 대응하는 특성 정보에 기초하여 학습된 제2 파라미터 세트를 갖는 노드를 포함하는 제2 인공 신경망 모델을 획득하도록 구현될 수 있다.
예컨대, 대상 특성 정보가 제1 시술자 정보를 갖는 특성 정보와 관련된다면, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 제1 시술자 정보와 관련하여 갱신되어 획득된 제1a 파라미터 세트를 갖는 노드를 포함하는 신경망 모델을 획득하도록 구현될 수 있다. 이때, 제1a 파라미터 세트를 갖는 노드를 포함하는 신경망 모델은 제1 시술자 정보에 대하여 특이적으로 의료 이미지를 세그멘테이션하기 위한 제1a 특징 벡터를 산출할 수 있다. 예컨대, 의료 이미지 분석 장치(2000)가 획득한 대상 특성 정보가 제1 시술자 정보에 대응되는 경우에는, 의료 이미지 분석 장치(2000)는 제1 시술자 정보와 관련된 라벨과 관련된 데이터 및 의료 이미지를 포함하는 학습 데이터 세트에 기초하여 갱신된 파라미터 세트를 획득할 수 있다.
반면, 대상 특성 정보가 제2 시술자 정보를 갖는 특성 정보와 관련된다면, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 제2 시술자 정보와 관련하여 학습된 제1b 파라미터 세트를 갖는 노드를 포함하는 신경망 모델을 획득하도록 구현될 수 있다. 이때, 제1b 파라미터 세트를 갖는 노드를 포함하는 신경망 모델은 제1 시술자 정보에 대하여 특이적으로 의료 이미지를 세그멘테이션하기 위한 제1b 특징 벡터를 산출할 수 있다. 예컨대, 의료 이미지 분석 장치(2000)가 획득한 대상 특성 정보가 제2 시술자 정보에 대응되는 경우에는, 의료 이미지 분석 장치(2000)는 제2 시술자 정보와 관련된 라벨과 관련된 데이터 및 의료 이미지를 포함하는 학습 데이터 세트에 기초하여 갱신된 파라미터 세트를 획득할 수 있다.
다른 예를 들어, 대상 특성 정보가 제1 피시술자 정보를 갖는 특성 정보와 관련된다면, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 제1 피시술자 정보와 관련하여 학습된 제2a 파라미터 세트를 갖는 노드를 포함하는 신경망 모델을 획득하도록 구현될 수 있다. 이때, 제2a 파라미터 세트를 갖는 노드를 포함하는 신경망 모델은 제1 피시술자 정보에 특이적으로 의료 이미지를 세그멘테이션하기 위한 제2a 특징 벡터를 산출할 수 있다. 예컨대, 피시술자가 제1 나이 구간에 해당하거나 기저 질환을 갖는다는 것을 나타내는 제1 피시술자 정보를 대상 특성 정보로 획득한 경우에는, 의료 이미지 분석 장치(2000)는 피시술자가 제1 나이 구간에 해당하거나 기저 질환을 갖는 특성 정보와 관련된 의료 이미지에 대한 라벨과 관련된 데이터 및 의료 이미지를 포함하는 학습 데이터 세트에 기초하여 학습된 파라미터 세트를 갖는 노드를 포함하는 신경망 모델을 획득할 수 있다.
반면, 대상 특성 정보가 제2 피시술자 정보를 갖는 특성 정보와 관련된다면, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 제2 피시술자 정보와 관련하여 갱신된 제2b 파라미터 세트를 갖는 노드를 포함하는 신경망 모델을 획득하도록 구현될 수 있다. 이때, 제2b 파라미터 세트를 갖는 노드를 포함하는 신경망 모델은 제1 피시술자 정보에 특이적으로 의료 이미지를 세그멘테이션하기 위한 제2b 특징 벡터를 산출할 수 있다. 예컨대, 피시술자가 제2 나이 구간에 해당하거나 기저 질환을 갖지 않는다는 것을 나타내는 제2 피시술자 정보를 대상 특성 정보로 획득한 경우에는, 의료 이미지 분석 장치(2000)는 피시술자가 제2 나이 구간에 해당하거나 기저 질환을 갖지 않는 특성 정보와 관련된 의료 이미지에 대한 라벨과 관련된 데이터 및 의료 이미지를 포함하는 학습 데이터 세트에 기초하여 학습된 파라미터 세트를 갖는 노드를 포함하는 신경망 모델을 획득할 수 있다.
다른 예를 들어, 대상 특성 정보가 제1 종양 정보를 갖는 특성 정보와 관련된다면, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 제1 종양 정보와 관련하여 학습된 제3a 파라미터 세트를 갖는 노드를 포함하는 신경망 모델을 획득하도록 구현될 수 있다. 이때, 제3a 파라미터 세트를 갖는 노드를 포함하는 신경망 모델은 제1 종양 정보에 특이적으로 의료 이미지를 세그멘테이션하기 위한 제3a 특징 벡터를 산출할 수 있다. 예컨대, 제1 유형의 종양 정보를 대상 특성 정보로 획득한 경우에는, 의료 이미지 분석 장치(2000)는 제1 유형에 해당하는 특성 정보와 관련된 의료 이미지에 대한 라벨과 관련된 데이터 및 의료 이미지를 포함하는 학습 데이터 세트에 기초하여 학습된 파라미터 세트를 갖는 노드를 포함하는 신경망 모델을 획득할 수 있다.
반면, 대상 특성 정보가 제2 종양 정보를 갖는 특성 정보와 관련된다면, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 제2 종양 정보와 관련하여 갱신된 제3b 파라미터 세트를 갖는 노드를 포함하는 신경망 모델을 획득하도록 구현될 수 있다. 이때, 제3b 파라미터 세트를 갖는 노드를 포함하는 신경망 모델은 제2 종양 정보에 특이적으로 의료 이미지를 세그멘테이션하기 위한 제3b 특징 벡터를 산출할 수 있다. 예컨대, 제2 유형의 종양 정보를 대상 특성 정보로 획득한 경우에는, 의료 이미지 분석 장치(2000)는 제2 유형에 해당하는 특성 정보와 관련된 의료 이미지에 대한 라벨과 관련된 데이터 및 의료 이미지를 포함하는 학습 데이터 세트에 기초하여 학습된 파라미터 세트를 갖는 노드를 포함하는 신경망 모델을 획득할 수 있다.
이때, 제1 유형 및 제2 유형은 종양의 크기, 종양의 발현 정도, 종양의 형태 혹은 종양의 위치를 포괄할 수 있다.
다른 예를 들어, 대상 특성 정보가 제1 방사선 정보를 갖는 특성 정보와 관련된다면, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 제1 방사선 정보와 관련하여 학습된 제4a 파라미터 세트를 갖는 노드를 포함하는 신경망 모델을 획득하도록 구현될 수 있다. 이때, 제4a 파라미터 세트를 갖는 노드를 포함하는 신경망 모델은 제1 방사선 정보에 기초하여 특이적으로 의료 이미지를 세그멘테이션하기 위한 제4a 특징 벡터를 산출할 수 있다. 예컨대, 제1 세기, 제1 종류 또는 제1 주기로 종양을 시술하는 제1 종류의 방사선에 대한 정보를 대상 특성 정보로 획득한 경우에는, 의료 이미지 분석 장치(2000)는 제1 방사선을 이용하여 종양 시술 시 방사선이 조사될 영역을 구획한 의료 이미지에 대한 라벨 데이터 및 의료 이미지를 포함하는 학습 데이터 세트에 기초하여 학습된 파라미터 세트를 갖는 노드를 포함하는 신경망 모델을 획득할 수 있다.
반면, 대상 특성 정보가 제2 방사선 정보를 갖는 특성 정보와 관련된다면, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 제2 방사선 정보와 관련하여 갱신된 제4b 파라미터 세트를 갖는 노드를 포함하는 신경망 모델을 획득할 수 있다. 이때, 제4b 파라미터 세트를 갖는 노드를 포함하는 신경망 모델은 제1 방사선 정보에 기초하여 특이적으로 의료 이미지를 세그멘테이션하기 위한 제4b 특징 벡터를 산출할 수 있다. 예컨대, 제2 세기, 제2 종류 또는 제2 주기로 종양을 시술하는 제2 종류의 방사선에 대한 정보를 대상 특성 정보로 획득한 경우에는, 의료 이미지 분석 장치(2000)는 제2 방사선을 이용하여 종양 시술 시 방사선이 조사될 영역을 구획한 의료 이미지에 대한 라벨 데이터 및 의료 이미지를 포함하는 학습 데이터 세트에 기초하여 학습된 파라미터 세트를 갖는 노드를 포함하는 신경망 모델을 획득할 수 있다.
다시 말해, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 시술자 정보, 피시술자 정보, 종양 정보 및/또는 방사선 정보와 관련된 대상 특성 정보를 고려하여 대상 의료 이미지를 세그멘테이션하도록, 대상 특성 정보를 고려하여 갱신된 신경망 모델 및/또는 신경망 모델의 적어도 하나의 노드의 파라미터 세트를 획득할 수 있다.
다만, 상술한 내용은 예시에 불과하며, 대상 특성 정보가 다양한 특성 정보의 조합에 따라 적어도 하나의 파라미터 세트를 획득하도록 구현될 수 있을 것이다. 예를 들어, 대상 특성 정보가 제1 시술자 정보와 제2 종양 정보와 관련된다면, 의료 이미지 분석 장치(2000)는 제1a 파라미터 세트 및 제2b 파라미터 세트를 획득하거나 새로운 파라미터 세트를 획득하도록 구현될 수도 있다.
다시 도 15를 참고하면, 신경망 모델의 파라미터 세트에 기초하여 세그멘테이션 정보를 획득하는 단계(S4300)에서는, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 학습된 신경망 모델 및 신경망 모델의 적어도 일부 노드에 포함된 파라미터 세트에 기초하여 대상 의료 이미지의 세그멘테이션 동작을 수행하도록 구현될 수 있다.
본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 학습된 신경망 모델의 파라미터 세트에 기초하여 대상 의료 이미지의 세그멘테이션 동작을 수행하도록 구현될 수 있다. 구체적으로 의료 이미지 분석 장치(2000)는 대상 의료 이미지를 학습된 신경망 모델의 입력 레이어로 입력할 수 있으며, 출력 레이어를 통하여 대상 의료 이미지의 세그멘테이션 결과를 출력하도록 구현될 수 있을 것이다.
도 17을 참고한다. 도 17은 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)의 대상 의료 이미지에 대한 세그멘테이션 동작의 개략도이다.
도 17을 참고하면, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 대상 의료 이미지, 학습된 인공 신경망 및 대상 특성 정보를 획득할 수 있다.
일 예로, 대상 특성 정보가 제1 대상 특성 정보와 관련된 경우, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 제1 대상 특성 정보에 기초하여 제1 파라미터 세트를 획득할 수 있다.
이때, 획득된 제1 파라미터 세트는 학습된 인공 신경망 모델의 히든 레이어의 일부를 구성하는 특성 레이어의 노드에 대응될 수 있다.
의료 이미지 분석 장치(2000)는 대상 의료 이미지를 학습된 인공 신경망 모델의 입력 레이어로 입력할 수 있으며, 특성 레이어의 적어도 하나의 노드에 포함된 제1 파라미터 세트를 갖는 학습된 인공 신경망 모델에 기초하여 출력 레이어를 통하여 출력되는 제1 세그멘테이션 정보를 획득할 수 있다.
이때, 제1 세그멘테이션 정보는 제1 대상 특성 정보에 특이적으로 의료 이미지를 복수의 영역으로 구획될 수 있다. 예를 들어, 제1 세그멘테이션 정보는 종양에 대응되는 제1 영역과 제1 대상 특성 정보를 반영하여 방사선이 조사될 대상 영역과 관련된 제2 영역을 포함할 수 있다.
다른 예로, 대상 특성 정보가 제2 대상 특성 정보와 관련된 경우, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 제2 대상 특성 정보에 기초하여 제2 파라미터 세트를 획득할 수 있다.
이때, 획득된 제2 파라미터 세트는 학습된 인공 신경망 모델의 히든 레이어의 일부를 구성하는 특성 레이어의 노드에 대응될 수 있다.
의료 이미지 분석 장치(2000)는 대상 의료 이미지를 학습된 인공 신경망 모델의 입력 레이어로 입력할 수 있으며, 특성 레이어의 적어도 하나의 노드에 포함된 제2 파라미터 세트를 갖는 학습된 인공 신경망 모델에 기초하여 출력 레이어를 통하여 출력되는 제2 세그멘테이션 정보를 획득할 수 있다.
이때, 제2 세그멘테이션 정보는 제2 대상 특성 정보에 특이적으로 의료 이미지를 복수의 영역으로 구획될 수 있다. 예를 들어, 제2 세그멘테이션 정보는 종양에 대응되는 제3 영역과 제2 대상 특성 정보를 반영하여 방사선이 조사될 대상 영역과 관련된 제4 영역을 포함할 수 있다.
이때, 제1 세그멘테이션 정보에 포함된 제2 영역과 제2 세그멘테이션 정보에 포함된 제4 영역은 대상 특성 정보가 상이함에 따라 상이하게 획득될 수 있다. 예를 들어, 제2 영역은 제1 바운더리에 의해 정의되나, 제4 영역은 제1 바운더리와는 상이한 제2 바운더리에 의해 정의될 수 있다.
다시 말해, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 특성 정보에 의존적으로 방사선이 조사될 영역을 구획하도록 구현될 수 있다. 특성 정보에 따라 방사선이 조사될 영역을 상이하게 세그멘테이션할 수 있기 때문에, 의료 이미지 분석 장치(2000)는 세그멘테이션 정보에 기초하여 특성 정보에 특이적인 치료 보조 정보를 사용자에게 제공할 수 있다는 유리한 효과가 존재한다.
한편, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 다양한 대상 특성 정보의 조합에 기초하여 대상 의료 이미지를 세그멘테이션하기 위하여, 적어도 2 이상의 학습된 신경망 모델을 병렬적으로 이용하도록 구현될 수 있다.
제1 신경망 모델과 제2 신경망 모델은 독립적으로 마련될 수 있다. 제1 신경망 모델과 제2 신경망 모델은 적어도 하나의 레이어를 공유할 수 있다. 제1 신경망 모델과 제2 신경망 모델은 대상 의료 이미지에 기초하여 서로 다른 출력을 획득하도록 제공될 수 있다.
예컨대, 의료 이미지 분석 장치(2000)는 서로 병렬적으로 마련되는 제1 신경망 모델 및 제2 신경망 모델을 포함할 수 있다. 제1 신경망 모델은 대상 의료 이미지를 세그멘테이션하여 종양 영역을 획득하기 위한 신경망 모델일 수 있다. 반면, 제2 신경망 모델은 대상 의료 이미지를 세그멘테이션하여 방사선이 조사될 영역이나 방사선이 조사되서는 안 되는 영역을 획득하기 위한 모델일 수 있다.
예컨대, 병렬적으로 구성된 제1 신경망 모델 및 제2 신경망 모델에 의해 최종적으로 획득되는 대상 의료 이미지의 복수 개의 영역은 종양 영역, 방사선이 조사될 영역(예, GTV, CTV, PTV) 및/또는 방사선이 조사되어서는 안 되는 영역(OAR)을 포함할 수 있다.
일 실시예에 따르면, 제1 신경망 모델은 종양 영역을 획득할 수 있다. 제1 신경망 모델은, 특성 정보에 비의존적으로 종양 영역을 획득할 수 있다. 종양 영역의 경우, 의료 이미지 내에서 종양에 대응되는 영역이기 때문에 특성 정보와 무관하게 실질적으로 동일하게 획득되어야 할 필요가 있다. 이때, 본 출원의 일 실시예에 따르면, 종양 영역은 대상 특성 정보와 관련된 파라미터 세트가 포함되지 않은 제1 신경망 모델에 의해 획득되기 때문에 대상 특성 정보가 변경됨에 따라 종양 영역이 실질적으로 영향을 받지 않고 세그멘테이션될 수 있다. 이에 따라, 종양 영역은 대상 특성 정보에 영향을 받지 않고 획득될 수 있다. 이를 위하여, 의료 이미지 분석 장치(2000)는 제1 신경망 모델을 대상 특성 정보와 관련된 특징 벡터가 포함되지 않은 학습된 신경망 모델로 획득할 수 있다.
또는, 제1 신경망 모델은, 종양 유형 정보에 따라 결정되는 파라미터 세트에 기초하여 특징 벡터를 획득하고, 획득한 특징 벡터에 기초하여 종양 유형 정보에 적어도 일부 의존적으로 종양 영역을 획득할 수 있다. 예컨대, 종양 유형 정보가 종양의 크기가 평균 크기보다 큼을 나타내는 정보를 포함한다면, 종양 유형 정보에 대한 시술자의 영역 정의 경향을 반영하는 특징 벡터를 산출하도록 갱신된 파라미터 세트를 획득하고, 특징 벡터에 기초하여 종양 영역을 획득하도록 구성될 수 있다.
제2 신경망 모델은 치료 계획과 관련된 영역을 획득할 수 있다. 제2 신경망 모델은, 특성 정보에 적어도 일부 의존적으로 치료 계획과 관련된 영역을 획득할 수 있다. 제2 신경망 모델에 의해 획득된 치료 계획과 관련된 영역(예컨대, 방사선이 조사될 영역이나 방사선이 조사되서는 안 되는 영역, GTV, CTV, PTV OAR 등)은 대상 특성 정보에 특이적으로 구획된 영역일 수 있다. 이를 위하여, 의료 이미지 분석 장치(2000)는 제2 신경망 모델을 대상 특성 정보와 관련된 특징 벡터를 산출하기 위한 파라미터 세트를 갖는 적어도 하나의 노드가 포함된 특성 레이어를 포함하는 신경망 모델로 획득할 수 있다. 방사선이 조사될 영역(예, GTV, CTV, PTV) 및/또는 방사선이 조사되어서는 안 되는 영역(OAR)은 특징 벡터가 산출되도록 갱신된 파라미터 세트를 갖는 적어도 하나의 노드가 포함된 제2 신경망 모델에 의해 획득되기 때문에 대상 특성 정보가 변경됨에 따라 대상 특성 정보를 반영하여 획득될 수 있다.
다만, 상술한 내용은 예시에 불과하며, 의료 이미지 분석 장치(2000)는 적어도 2 이상의 학습된 신경망 모델을 병렬적으로 배치되어 구현될 수도 있으나, 학습된 신경망 모델을 적어도 2 이상 구동함으로써, 상술한 내용의 목적을 달성하도록 제공될 수 있다.
의료 이미지 분석 장치(2000)는 출력 레이어를 통하여 출력되는 세그멘테이션 정보에 기초하여, 종양 영역, 방사선이 조사될 영역 및/또는 방사선이 조사되어서는 안 되는 영역을 포함하는 복수의 영역에 대하여 시각적인 그래픽을 오버레이하여 출력 모듈(2500)을 통하여 사용자에게 디스플레이하도록 구현될 수 있다.
본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)가 획득하는 세그멘테이션 정보는 대상 의료 이미지로부터 획득된 종양 영역 및 방사선이 조사될 영역을 포함한 복수의 영역에 대응되는 라벨링 형태일 수 있다. 예를 들어, 신경망 모델의 출력 레이어를 통하여 출력되는 세그멘테이션 정보는 대상 의료 이미지로부터 획득된 제1 영역을 정의하는 제1 라벨, 제2 영역을 정의하는 제2 라벨을 포함하는 라벨링 데이터의 형태일 수 있다.
구체적으로, 의료 이미지는 셀(예, 픽셀, 복셀)의 좌표와 관련된 정보를 포함하고 있다. 의료 이미지 분석 장치(2000)는 신경망을 통하여 의료 이미지에 포함된 각각의 셀에 대하여 부여된 복수의 라벨에 대응될 가능성을 나타나는 확률 정보를 획득할 수 있다. 예컨대, 제1 셀에 대하여, 복수의 라벨 중 제1 라벨에 대응될 가능성은 제1 확률이며, 제2 라벨에 대응될 가능성은 제2 확률임을 나타내는 확률 정보가 획득될 수 있다.
이때, 의료 이미지 분석 장치(2000)는 각각의 셀에 대하여 복수의 라벨 중 가장 높은 확률이 부여된 라벨을 셀의 라벨로 할당할 수 있다. 예컨대, 제1 셀이 제1 라벨에 대응될 확률이 가장 높다면, 제1 셀은 제1 라벨로 할당될 수 있다.
또한, 의료 이미지 분석 장치(2000)는 동일한 라벨로 할당된 셀들에 기초하여 영역 정보를 획득할 수 있다. 예컨대, 제1 라벨로 할당된 복수의 셀들의 정보에 기초하여 제1 영역 정보가 획득될 수 있다. 반면 제1 라벨과는 상이한 제2 라벨로 할당된 복수의 셀들의 정보에 기초하여 제2 영역 정보가 획득될 수 있다.
본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 세그멘테이션 정보를 사용자에게 제공하기 위하여 적절한 시각적인 그래픽 처리를 수행할 있다.
일 예로, 세그멘테이션 정보는 제1 라벨에 기초하여 대상 이미지의 제1 영역에 제1 색상을 오버레이하고 대상 이미지의 제2 영역에 제2 색상을 오버레이한 형태로 가공될 수 있다.
다른 예로, 의료 이미지 분석 장치(2000)는 세그멘테이션 정보에 대하여, 제1 라벨에 기초하여 획득된 제1 영역과 관련된 제1 바운더리를 대상 이미지에 표시하며, 제2 라벨에 기초하여 획득된 제2 영역과 관련된 제2 바운더리를 대상 이미지에 표시하도록 가공할 수 있다.
이를 통하여 제1 영역과 제2 영역이 보다 수월하게 구별될 수 있다. 다만, 상술한 내용은 예시에 불과하며 제1 영역과 제2 영역을 구별하기 위한 임의의 형태로서 출력 결과를 구성할 수 있다.
또한, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)가 획득하는 세그멘테이션 정보는 대상 의료 이미지를 종양 영역 및 방사선이 조사될 영역을 포함한 복수의 영역과 관련된 정보를 포함할 수 있다.
또는 세그멘테이션 정보는 방사선이 조사되서는 안 되는 영역과 관련된 정보를 더 포함할 수 있다.
일 예로, 세그멘테이션 정보는 종양이 위치하는 장기에 대응되는 영역(GTV), 방사선 치료 시 피시술자의 움직임을 고려한 마진과 관련된 영역(CTV) 및 다회차 종양 치료에 대한 장기의 미세한 움직임을 고려한 마진과 관련된 영역(PTV) 및/또는 방사선이 조사되서는 안 되는 영역(OAR)을 포함한 복수의 영역과 관련된 정보를 포함할 수 있다. 이때, 종양이 위치하는 장기에 대응되는 영역(GTV), 방사선 치료 시 피시술자의 움직임을 고려한 마진과 관련된 영역(CTV) 및 다회차 종양 치료에 대한 장기의 미세한 움직임을 고려한 마진과 관련된 영역(PTV) 및/또는 방사선이 조사되서는 안 되는 영역(OAR)은 대상 특성 정보에 따라 상이하게 획득될 수 있다. 구체적으로 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 특성 정보를 고려하여 의료 이미지에 대하여 복수의 영역들을 자동적으로 구획하도록 학습된 신경망 모델을 이용하여, 대상 의료 이미지를 세그멘테이션할 수 있다. 따라서, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 대상 특성 정보를 고려하여 복수의 영역들을 자동적으로 구획하도록 구현될 수 있다. 이때, 획득된 복수의 영역들은 대상 특성 정보에 따라 상이하게 정의될 수 있다.
예컨대, 대상 특성 정보가, 평균적인 영역 정의 범위보다 상대적으로 넓게 방사선이 조사될 영역을 정의하여 종양을 치료한 이력 정보를 포함하는 제1 시술자 정보와 관련된 경우에는, 의료 이미지 분석 장치(2000)는 제1 시술자 정보를 반영하도록 학습된 신경망 모델에 기초하여, 평균적인 정의 영역 범위보다 상대적으로 넓게 조사될 영역(예, GTV, CTV, PTV 등)을 구획하도록 구현될 수 있다. 반면, 대상 특성 정보가 평균적인 정의 영역 범위보다 상대적으로 좁게 방사선이 조사될 영역을 정의하여 종양을 치료한 이력 정보를 포함하는 제2 시술자 정보와 관련된 경우에는, 의료 이미지 분석 장치(2000)는 제2 시술자 정보를 반영하도록 학습된 신경망 모델을 이용하여, 평균적인 정의 영역 범위보다 상대적으로 좁게 방사선이 조사될 영역(예, GTV, CTV, PTV 등)을 구획하도록 구현될 수 있다.
예컨대, 대상 특성 정보가, 평균적인 영역 정의 범위보다 상대적으로 넓게 방사선이 조사되어서는 안 되는 영역을 정의하여 종양을 치료한 이력 정보를 포함하는 제1 시술자 정보와 관련된 경우에는, 의료 이미지 분석 장치(2000)는 제1 시술자 정보에 특이적으로 학습된 신경망 모델에 기초하여, 평균적인 영역 정의 범위보다 상대적으로 넓게 방사선이 조사되어서는 안 되는 영역(예, OAR)을 구획하도록 구현될 수 있다. 반면, 대상 특성 정보가, 평균적인 영역 정의 범위보다 상대적으로 좁게 방사선이 조사되어서는 안 되는 영역을 정의하여 종양을 치료한 이력 정보를 포함하는 제2 시술자 정보와 관련된 경우에는, 의료 이미지 분석 장치(2000)는 제2 시술자 정보에 대하여 특이적으로 학습된 신경망 모델을 이용하여, 평균적인 영역 정의 범위보다 상대적으로 좁게 방사선이 조사되어서는 안 되는 영역(예, OAR)을 구획하도록 구현될 수 있다.
다만, 상술한 내용은 예시에 불과하며, 의료 이미지 분석 장치(2000)는 시술자 정보 이외의 피시술자 정보, 종양 정보 및/또는 방사선 정보와 관련하여 학습된 신경망 모델 및/또는 파라미터 세트에 기초하여, 방사선이 조사될 영역이나 방사선이 조사되서는 안 되는 영역을 구획하도록 구현될 수 있다.
따라서, 세그멘테이션 정보는 종양에 대한 시술이나 치료와 관련하여 치료 보조 정보로 활용될 수 있을 것이다.
또한, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 대상 특성 정보에 기초하여 획득한 신경망 모델에 기초하여 대상 의료 이미지를 세그멘테이션하여 세그멘테이션 정보를 획득할 수 있다. 따라서, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 대상 특성 정보를 반영한 치료 보조 정보를 사용자에게 제공할 수 있다.
예컨대, 의료 이미지 분석 장치(2000)가 제1 시술자 정보에 대응되는 대상 특성 정보를 획득한 경우에는, 의료 이미지 분석 장치(2000)는 제1 시술자 정보와 관련된 제1a 파라미터 세트를 갖는 노드를 포함하는 신경망 모델에 기초하여 세그멘테이션 정보를 획득할 수 있다. 예를 들어, 제1 시술자 정보가 공격적인(예컨대, 평균적인 치료 범위 이상의 치료 경향을 보이는) 종양 시술 이력과 관련된 정보를 포함한다면, 의료 이미지 분석 장치(2000)가 획득하는 세그멘테이션 정보는 종양 영역과 방사선이 조사될 영역을 포함하는 복수의 영역을 포함하되, 방사선이 조사될 영역은 제1a 바운더리에 의해 정의될 수 있다.
다른 예를 들어, 의료 이미지 분석 장치(2000)가 제2 시술자 정보에 대응되는 대상 특성 정보를 획득한 경우에는, 의료 이미지 분석 장치(2000)는 제2 시술자 정보와 관련된 제1b 파라미터 세트를 갖는 노들를 포함하는 신경망 모델에 기초하여 세그멘테이션 정보를 획득할 수 있다. 예를 들어, 제2 시술자 정보가 보수적인(예컨대, 평균적인 치료 범위 미만의 치료 경향을 보이는) 종양 시술 이력과 관련된 정보를 포함한다면, 의료 이미지 분석 장치(2000)가 획득하는 세그멘테이션 정보는 종양 영역과 방사선이 조사될 영역을 포함하는 복수의 영역을 포함하되, 방사선이 조사될 영역은 제1b 바운더리에 의해 정의될 수 있다.
이때, 제1a 바운더리 및 제1b 바운더리는 방사선이 조사될 영역의 외부 바운더리일 수 있다.
이때, 제1 시술자 정보를 반영하는 제1a 바운더리는 제2 시술자 정보를 반영하는 제1b 바운더리와 상이할 수 있다. 따라서, 제1 시술자 정보를 반영하는 제1a 바운더리에 의해 정의되는 영역의 넓이는 제2 시술자 정보를 반영하는 제1b 바운더리에 정의되는 영역의 넓이와 상이할 수 있다. 이때, 제1a 바운더리에 의해 정의되는 영역의 넓이는 공격적인(예컨대, 평균적인 치료 범위 이상의 치료 경향을 보이는) 종양 시술 이력에 특이적으로 학습된 신경망 모델로부터 산출되었기 때문에, 제2a 바운더리에 의해 정의되는 영역의 넓이보다 넓을 수 있다.
예컨대, 의료 이미지 분석 장치(2000)가 제1 피시술자 정보에 대응되는 대상 특성 정보를 획득한 경우에는, 의료 이미지 분석 장치(2000)는 제1 피시술자 정보와 관련된 제2a 파라미터 세트를 갖는 노드를 포함하는 신경망 모델에 기초하여 세그멘테이션 정보를 획득할 수 있다. 예를 들어, 제1 피시술자 정보가 피시술자의 나이가 제1 나이 구간에 속하거나 기저질환이 없다는 나타내는 정보를 포함한다면, 의료 이미지 분석 장치(2000)가 획득하는 세그멘테이션 정보는 종양 영역과 방사선이 조사될 영역을 포함하는 복수의 영역을 포함하되, 방사선이 조사될 영역은 제2a 바운더리에 의해 정의될 수 있다.
다른 예를 들어, 의료 이미지 분석 장치(2000)가 제2 피시술자 정보에 대응되는 대상 특성 정보를 획득한 경우에는, 의료 이미지 분석 장치(2000)는 제2 피시술자 정보와 관련된 제2b 파라미터 세트를 갖는 노드를 포함하는 신경망 모델에 기초하여 세그멘테이션 정보를 획득할 수 있다. 예를 들어, 제2 피시술자 정보가 피시술자의 나이가 제1 나이 구간보다 높은 나이값을 포함하는 제2 나이 구간에 속하거나 기저질환이 존재한다는 정보를 포함한다면, 의료 이미지 분석 장치(2000)가 획득하는 세그멘테이션 정보는 종양 영역과 방사선이 조사될 영역을 포함하는 복수의 영역을 포함하되, 방사선이 조사될 영역은 제2b 바운더리에 의해 정의될 수 있다.
이때, 제2a 바운더리 및 제2b 바운더리는 방사선이 조사될 영역의 외부 바운더리일 수 있다.
이때, 제1 피시술자 정보를 반영하는 제2a 바운더리는 제2 피시술자 정보를 반영하는 제2b 바운더리와 상이할 수 있다. 따라서, 제1 피시술자 정보를 반영하는 제2a 바운더리에 의해 정의되는 영역의 넓이는 제2 피시술자 정보를 반영하는 제2b 바운더리에 정의되는 영역의 넓이와 상이할 수 있다. 이때, 제2a 바운더리에 의해 정의되는 영역의 넓이는, 피시술자의 정보를 고려하여 평균적인 치료 범위 영역보다 상대적으로 넓은 범위로 방사선이 조사될 영역을 획득하도록 학습된 경망 모델로부터 산출되었기 때문에, 제2b 바운더리에 의해 정의되는 영역의 넓이보다 넓을 수 있다.
예컨대, 의료 이미지 분석 장치(2000)가 제1 종양 정보에 대응되는 대상 특성 정보를 획득한 경우에는, 의료 이미지 분석 장치(2000)는 제1 종양 정보와 관련된 제3a 파라미터 세트를 포함하는 신경망 모델에 기초하여 세그멘테이션 정보를 획득할 수 있다. 예를 들어, 제1 종양 정보가 종양의 발현 정도가 상대적으로 높거나(예, Grade 3 이상) 평균 크기보다 큰 크기를 갖는 종양을 나타내는 정보를 포함한다면, 의료 이미지 분석 장치(2000)가 획득하는 세그멘테이션 정보는 종양 영역과 방사선이 조사될 영역을 포함하는 복수의 영역을 포함하되, 방사선이 조사될 영역은 제3a 바운더리에 의해 정의될 수 있다.
다른 예를 들어, 의료 이미지 분석 장치(2000)가 제2 종양 정보에 대응되는 대상 특성 정보를 획득한 경우에는, 의료 이미지 분석 장치(2000)는 제2 종양 정보와 관련된 제3b 파라미터 세트를 포함하는 신경망 모델에 기초하여 세그멘테이션 정보를 획득할 수 있다. 예를 들어, 제2 종양 정보가 종양의 발현 정도가 상대적으로 낮거나(예, Grade 3 미만) 평균 크기보다 작은 크기를 갖는 종양을 나타내는 정보를 포함한다면, 의료 이미지 분석 장치(2000)가 획득하는 세그멘테이션 정보는 종양 영역과 방사선이 조사될 영역을 포함하는 복수의 영역을 포함하되, 방사선이 조사될 영역은 제3b 바운더리에 의해 정의될 수 있다.
이때, 제3a 바운더리 및 제3b 바운더리는 방사선이 조사될 영역의 외부 바운더리일 수 있다.
이때, 제1 종양 정보에 기초하여 획득된 제3a 바운더리는 제2 종양 정보에 기초하여 획득된 제3b 바운더리와 상이할 수 있다. 따라서, 제1 종양 정보에 기초하여 획득된 제3a 바운더리에 의해 정의되는 영역의 넓이는 제2 종양 정보에 기초하여 획득된 제3b 바운더리에 정의되는 영역의 넓이와 상이할 수 있다. 이때, 제3a 바운더리에 의해 정의되는 영역의 넓이는, 종양 정보를 고려하여 평균적인 치료 범위 영역보다 상대적으로 넓은 범위로 방사선이 조사될 영역을 획득하도록 학습된 신경망 모델로부터 산출되었을 수 있기 때문에, 제3b 바운더리에 의해 정의되는 영역의 넓이보다 넓을 수 있다.
예컨대, 의료 이미지 분석 장치(2000)가 제1 방사선 정보에 대응되는 대상 특성 정보를 획득한 경우에는, 의료 이미지 분석 장치(2000)는 제1 방사선 정보와 관련된 제4a 파라미터 세트를 갖는 노드를 포함하는 신경망 모델에 기초하여 세그멘테이션 정보를 획득할 수 있다. 예를 들어, 제1 방사선 정보가 조사되는 방사선이 제1 종류(예, 제1 제조사, 제1 파장 대역의 방사선 등)를 나타내는 경우, 의료 이미지 분석 장치(2000)가 획득하는 세그멘테이션 정보는 종양 영역과 방사선이 조사될 영역을 포함하는 복수의 영역을 포함하되, 방사선이 조사될 영역은 제4a 바운더리에 의해 정의될 수 있다.
다른 예를 들어, 의료 이미지 분석 장치(2000)가 제2 방사선 정보에 대응되는 대상 특성 정보를 획득한 경우에는, 의료 이미지 분석 장치(2000)는 제2 방사선 정보와 관련된 제4b 파라미터 세트를 갖는 노드를 포함하는 신경망 모델을 이용하여 세그멘테이션 정보를 획득할 수 있다. 예를 들어, 제2 방사선 정보가 조사되는 방사선이 제2 종류(예, 제2 제조사, 제2 파장 대역의 방사선 등)를 나타내는 경우, 의료 이미지 분석 장치(2000)가 획득하는 세그멘테이션 정보는 종양 영역과 방사선이 조사될 영역을 포함하는 복수의 영역을 포함하되, 방사선이 조사될 영역은 제4b 바운더리에 의해 정의될 수 있다.
이때, 제4a 바운더리 및 제4b 바운더리는 방사선이 조사될 영역의 외부 바운더리일 수 있다.
이때, 제1 방사선 정보에 기초하여 획득된 제4a 바운더리는 제2 방사선 정보에 기초하여 획득된 제4b 바운더리와 상이할 수 있다. 따라서, 제1 방사선 정보에 기초하여 획득된 제4a 바운더리에 의해 정의되는 영역의 넓이는 제2 방사선 정보에 기초하여 획득된 제4b 바운더리에 정의되는 영역의 넓이와 상이할 수 있다.
상술한 바와 같이, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 대상 특성 정보에 특이적으로 상이하게 방사선이 조사될 영역을 획득할 수 있다.
따라서, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)에 의해 획득되는 세그멘테이션 정보는 종양과 관련하여 방사선이 조사될 영역을 획득하기 위한 치료 보조 정보로 이용할 수 있다. 특히, 특성 정보를 고려하여 방사선이 조사될 영역을 자동적으로 정의해줄 수 있기 때문에, 의료 이미지 분석 장치(2000)는 세밀한 치료가 요구되는 종양의 치료와 관련하여, 특성 정보를 반영하면서도 정확한 치료 보조 정보를 사용자에게 제공할 수 있다는 장점이 존재한다.
또한, 사용자는 자신이 원하는 특성 정보를 반영하여 치료 보조 정보를 획득하기 위하여 특성 정보를 입력 모듈을 통하여 입력할 수 있으며, 의료 이미지 분석 장치(2000)는 사용자의 입력에 기초하여 특성 정보를 반영하여 치료 보조 정보를 획득할 수 있다. 따라서, 치료 보조 정보가 특성 정보에 기초하여 획득될 수 있는 의미에서, 특성 정보는 치료 계획 정보로 지칭될 수 있을 것이다.
한편, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 세그멘테이션 정보에 기초하여 방사선의 조사를 지시하는 사용자의 입력을 수신할 수 있다. 예컨대, 의료 이미지 분석 장치(2000)는, 입력 모듈(2400)을 통하여 세그멘테이션 정보에 기초하여 종양을 치료하기 위한 방사선의 조사의 개시를 지시하는 사용자의 입력을 획득할 수 있다.
또한, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 방사선의 조사의 개시를 지시하는 사용자의 입력에 기초하여, 세그멘테이션 정보에 따라 방사선의 조사를 개시할 수 있다. 예컨대, 의료 이미지 분석 장치(2000)는 임의의 외부의 방사선 조사 장치에 세그멘테이션 정보 및 사용자의 입력에 대응하여 방사선의 조사를 개시하는 지시를 전달할 수 있다.
또는, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 방사선 출력부를 더 포함할 수 있다. 이때, 의료 이미지 분석 장치(2000)는세그멘테이션 정보 및 사용자의 입력에 대응하여 방사선의 조사를 개시할 수 있다.
한편, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 세그멘테이션 프로세스(P2000)에서, 학습된 인공 신경망 모델의 파라미터 세트를 갱신하거나 업데이트하도록 구현될 수 있다. 예컨대, 의료 이미지 분석 장치(2000)는 세그멘테이션 프로세스(P2000)에서, 히든 레이어의 일부 레이어를 구성하는 특성 레이어의 적어도 하나의 노드에 포함된 파라미터 세트를 갱신하거나 업데이트할 수 있다. 혹은 의료 이미지 분석 장치(2000)는 세그멘테이션 프로세스(P2000)에서, 특성 레이어 이외의 히든 레이어에 포함된 적어도 하나의 노드에 포함된 파라미터 세트를 갱신하거나 업데이트할 수 있다.
일 예로, 의료 이미지 분석 장치(2000)는, 학습된 신경망 모델을 이용한 세그멘테이션 프로세스(P2200)에 의해 대상 의료 이미지를 세그멘테이션하여 획득된 세그멘테이션 정보를 수동으로 또는 임의의 소프트웨어를 이용하여 수정 가능하도록 구현될 수 있다. 이때, 의료 이미지 분석 장치(2000)는 수정된 세그멘테이션 정보에 기초하여, 학습된 신경망 모델의 적어도 하나 이상의 노드의 가중치 세트나 적어도 하나 이상의 노드의 파라미터 세트를 수정함으로써, 인공 신경망 모델을 갱신하거나 업데이트하도록 구현될 수 있다.
일 예로, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 획득된 세그멘테이션 정보의 적어도 일부를 수정하는 것과 관련된 사용자의 입력을 수신하며, 수정된 세그멘테이션 정보에 기초하여 방사선의 조사를 개시하는 사용자의 입력을 수신할 수 있다. 예컨대, 사용자는 입력 모듈(2400)을 통하여 세그멘테이션 정보에 포함된 방사선이 조사될 영역이나 방사선이 조사되어서는 안 되는 영역의 수정을 지시하는 입력을 할 수 있다.
이때, 의료 이미지 분석 장치(2000)는 신경망 모델의 출력 레이어를 통하여 획득된 세그멘테이션 정보와 수정된 세그멘테이션 정보의 차이에 기초하여 신경망 모델의 파라미터 세트를 갱신하거나 업데이트하도록 구현될 수 있다.
이하에서는 도 18을 참고하여 본 출원의 일 실시예에 따른 대상 의료 이미지에 대한 세그멘테이션 동작을 설명한다. 도 4 내지 도 17에서 설명한 세그멘테이션을 위한 학습 장치(3000) 및 의료 이미지 분석 장치(2000)의 동작들이 동일하게 적용될 수 있으며, 중복되는 내용은 간략하게 설명하기로 한다.
도 18은 본 출원의 일 실시예에 따른 대상 의료 이미지의 세그멘테이션 방법에 대한 순서도이다.
도 18을 참고하면, 본 출원의 일 실시예에 따른 대상 의료 이미지에 대한 세그멘테이션 동작은 대상 의료 이미지 및 신경망 모델을 획득하는 단계(S5100), 대상 특성 정보를 획득하는 단계(S5200), 신경망 모델의 노드의 파라미터를 대체하는 단게(S5300) 및 세그멘테이션 정보를 획득하는 단계(S5400)를 포함할 수 있다.
대상 의료 이미지 및 신경망 모델을 획득하는 단계(S5100)에서, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 대상 의료 이미지를 획득할 수 있다. 이때, 의료 이미지 분석 장치(2000)는 의료 이미지 획득 장치(1000) 또는 임의의 외부 장치(예, 서버)로부터 분석할 대상 의료 이미지를 획득할 수 있다.
또한, 대상 의료 이미지 및 신경망 모델을 획득하는 단계(S5100)에서, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 학습된 신경망 모델을 획득할 수 있다. 이때, 학습된 신경망 모델은 특성 정보와 관련된 특징 벡터가 산출되도록 획득된 파라미터 세트를 포함하는 적어도 하나의 노드를 포함할 수 있다.
또한, 대상 의료 이미지 및 신경망 모델을 획득하는 단계(S5100)에서, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 특성 정보와 관련된 적어도 하나 이상의 신경망 모델의 파라미터 세트를 획득하도록 구현될 수 있다. 구체적으로 특성 정보는 다양할 수 있다. 예컨대, 특성 정보는 시술자 정보, 피시술자 정보, 종양 정보, 방사선 정보 또는 이들의 임의의 조합과 관련될 수 있으며, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 다양한 특성 정보와 관련된 복수의 파라미터 세트들을 획득할 수 있다.
예컨대, 대상 의료 이미지 및 신경망 모델을 획득하는 단계(S5100)에서, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 시술자 정보와 관련된 적어도 하나 이상의 신경망 모델의 파라미터 세트를 획득할 수 있다.
예컨대, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 피시술자 정보와 관련된 적어도 하나 이상의 신경망 모델의 파라미터 세트를 획득할 수 있다.
예컨대, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 종양 정보와 관련된 적어도 하나 이상의 신경망 모델의 파라미터 세트를 획득할 수 있다.
예컨대, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 방사선 정보와 관련된 적어도 하나 이상의 신경망 모델의 파라미터 세트를 획득할 수 있다.
대상 특성 정보를 획득하는 단계(S5200)에서, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 대상 의료 이미지와 관련된 대상 특성 정보를 획득할 수 있다. 이때, 대상 특성 정보란 상술한 바와 같이 대상 의료 이미지를 세그멘테이션하여 치료 보조 정보를 획득하기 위해 세그멘테이션의 기초가 되는 치료 계획 정보일 수 있다.
이때, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 입력 모듈(2400)을 통한 사용자의 입력으로부터 대상 특성 정보를 획득할 수 있다.
혹은, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 임의의 외부 장치(예, 서버)로부터 대상 특성 정보를 획득할 수 있다.
혹은, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 대상 의료 이미지에 대하여 메타 데이터를 획득함으로써, 대상 특성 정보를 획득할 수 있다.
본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 획득한 대상 특성 정보에 기초하여 대상 의료 이미지를 세그멘테이션하도록 구현될 수 있다.
구체적으로 의료 이미지 분석 장치(2000)는 대상 특성 정보에 기초하여 학습된 신경망 모델의 파라미터 세트를 대체(S5300)하도록 구현될 수 있다.
보다 구체적으로 의료 이미지 분석 장치(2000)는 특성 정보와 관련된 복수의 파라미터 세트 중 대상 특성 정보와 관련된 파라미터 세트를 선택하도록 구현될 수 있다.
예컨대, 의료 이미지 분석 장치(2000)는, 특성 정보와 관련된 적어도 하나 이상의 파라미터 세트를 포함하는 신경망 모델을 획득할 수 있다. 이때, 의료 이미지 분석 장치(2000)는, 적어도 하나 이상의 파라미터 세트 중 대상 특성 정보와 관련된 파라미터 세트를 선택하도록 구현될 수 있다.
일 예로, 의료 이미지 분석 장치(2000)가 대상 특성 정보로 시술자 정보를 획득한 경우에는, 의료 이미지 분석 장치(2000)는 적어도 하나 이상의 파라미터 세트 중에서 시술자 정보와 관련된 제1 파라미터 세트를 선택하도록 구현될 수 있다.
이때, 제1 파라미터 세트는, 대상 특성 정보와 대응되는 학습 데이터 세트에 포함된 시술자 정보와 관련된 특성 정보에 기초하여 학습됨으로써 획득될 수 있으며, 제1 파라미터 세트를 갖는 노드를 포함하는 신경망 모델은 시술자 정보에 특이적으로 대상 의료 이미지를 세그멘테이션할 수 있다. 이에 따라, 시술자의 영역 정의 경향이 반영된 세그멘테이션 정보 또는 치료 보조 정보가 획득될 수 있다.
예컨대, 제1 파라미터 세트가, 방사선이 조사될 영역을 평균적인 치료 범위보다 상대적으로 넓게 정의하는 치료 이력 정보를 포함하는 시술자 정보에 기초하여 획득되었다면, 제1 파라미터 세트를 갖는 적어도 하나의 노드를 포함하는 신경망 모델은 대상 의료 이미지에 대하여 방사선이 조사될 영역을 평균적인 치료 범위보다 상대적으로 넓게 구획할 수 있다.
일 예로, 의료 이미지 분석 장치(2000)가 대상 특성 정보로 피시술자 정보를 획득한 경우에는, 의료 이미지 분석 장치(2000)는 적어도 하나 이상의 파라미터 세트 중에서 피시술자 정보와 관련된 제2 파라미터 세트를 선택하도록 구현될 수 있다.
이때, 제2 파라미터 세트는, 대상 특성 정보와 대응되는 학습 데이터 세트에 포함된 피시술자 정보와 관련된 특성 정보에 기초하여 학습되어 획득될 수 있으며, 제2 파라미터 세트를 갖는 노드를 포함하는 신경망 모델은 피시술자 정보에 특이적으로 대상 의료 이미지를 세그멘테이션할 수 있다. 이에 따라, 피시술자의 정보에 따라 달라지는 시술자의 영역 정의 경향이 반영된 세그멘테이션 정보 또는 치료 보조 정보가 얻어질 수 있다.
예컨대, 제2 파라미터 세트가, 제1 나이 구간에 속하거나 기저질환이 존재하지 않음을 나타내는 피시술자 정보에 기초하여 방사선이 조사될 영역을 평균적인 치료 범위보다 상대적으로 넓게 정의하도록 학습되어 획득되었다면, 제2 파라미터 세트를 갖는 적어도 하나의 노드를 포함하는 신경망 모델은 대상 의료 이미지에 대하여 방사선이 조사될 영역을 평균적인 치료 범위보다 상대적으로 넓게 구획할 수 있다.
일 예로, 의료 이미지 분석 장치(2000)가 대상 특성 정보로 종양 정보를 획득한 경우에는, 의료 이미지 분석 장치(2000)는 적어도 하나 이상의 파라미터 세트 중에서 종양 정보와 관련된 제3 파라미터 세트를 선택하도록 구현될 수 있다.
이때, 제3 파라미터 세트는, 대상 특성 정보와 대응되는 학습 데이터 세트에 포함된 종양 정보와 관련된 특성 정보에 기초하여 획득될 수 있으며, 제3 파라미터 세트를 갖는 노드를 포함하는신경망 모델은 종양 정보에 특이적으로 대상 의료 이미지를 세그멘테이션할 수 있다. 이에 따라, 종양 정보(예, 종양의 유형 등)에 따라 달라지는 시술자의 영역 정의 경향이 반영된 세그멘테이션 정보 또는 치료 보조 정보가 얻어질 수 있다.
예컨대, 제3 파라미터 세트가, 제1 유형(예, 종양의 크기가 평균 크기보다 작은 크기거나 발현 정도가 3 grade 미만)을 나타내는 종양 정보에 기초하여 방사선이 조사될 영역을 평균적인 치료 범위보다 상대적으로 좁게 정의하도록 학습되어 획득되었다면, 제3 파라미터 세트를 갖는 적어도 하나 이상의 노드를 포함하는 신경망 모델은 대상 의료 이미지에 대하여 방사선이 조사될 영역을 평균적인 치료 범위보다 상대적으로 좁게 구획할 수 있다.
일 예로, 의료 이미지 분석 장치(2000)가 대상 특성 정보로 방사선 정보를 획득한 경우에는, 의료 이미지 분석 장치(2000)는 적어도 하나 이상의 파라미터 세트 중에서 방사선 정보와 관련된 제4 파라미터 세트를 선택하도록 구현될 수 있다.
이때, 제4 파라미터 세트는, 대상 특성 정보와 대응되는 학습 데이터 세트에 포함된 방사선 정보와 관련된 특성 정보에 기초하여 획득될 수 있으며, 제4 파라미터 세트를 갖는 노드를 포함하는 신경망 모델은 방사선 정보를 반영하여 대상 의료 이미지를 세그멘테이션할 수 있다. 이에 따라, 방사선 정보(예, 방사선의 제조사, 종류, 파장 대역 등)에 따라 달라지는 시술자의 영역 정의 경향이 반영된 세그멘테이션 정보 또는 치료 보조 정보가 얻어질 수 있다.
예컨대, 제4 파라미터 세트가, 종양 시술에 사용될 방사선이 제1 파장 대역대이거나 제1 제조사로부터 제조된 방사선 장치에 의해 발생된 것임을 나타내는 방사선 정보에 기초하여 방사선이 조사될 영역을 평균적인 치료 범위보다 상대적으로 좁게 정의하도록 학습되어 획득되었다면, 제4 파라미터 세트를 갖는 적어도 하나의 노드를 포함하는 신경망 모델은 대상 의료 이미지에 대하여 방사선이 조사될 영역을 평균적인 치료 범위보다 상대적으로 좁게 구획할 수 있다.
또한, 의료 이미지 분석 장치(2000)는 학습된 신경망 모델의 파라미터 세트를 선택된 파라미터 세트로 대체하도록 구현될 수 있다.
일 예로, 의료 이미지 분석 장치(2000)는 대상 특성 정보에 기초하여 획득된 파라미터 세트로 학습된 신경망 모델의 일부 노드의 파라미터 세트(또는 가중치 값 세트)를 대체하도록 구현될 수 있다.
구체적으로 이미지 분석 장치(2000)는, S5100 단계에서 획득된 신경망 모델에 포함된 노드의 일부 파라미터를, 대상 특성 정보에 기초하여 선택된 파라미터 세트로 대체하도록 구현될 수 있다.
이때, 대체되는 파라미터 세트는 특성 레이어에 포함된 적어도 하나의 특성 노드에 포함된 특성 파라미터 세트일 수 있다. 예컨대, 학습 프로세스(P1000)에서 특성 정보에 특이적으로 의료 이미지를 세그멘테이션하기 위하여 병목 계층(bottleneck layer, 인코더 및 디코더 사이의 레이어)에 위치하는 특성 레이어와 관련된 특성 파라미터 세트가 갱신될 수 있다. 이때, 세그멘테이션 프로세스(P2000)에서는 의료 이미지 분석 장치(2000)는 학습 프로세스(P1000)에서 갱신된 특성 노드의 특성 파라미터 세트에 대응되는 파라미터 세트를 선택하여 특성 노드의 대응되는 노드의 파라미터 세트를 대체하도록 구현될 수 있다.
다만 상술한 내용은 예시에 불과하며, 의료 이미지 분석 장치(2000)는 특성 정보를 반영하여 의료 이미지를 세그멘테이션하기 위하여, 특성 노드 이외의 공통 노드의 파라미터 세트를 적절히 선택하여 공통 노드에 대응되는 노드의 파라미터 세트를 대체하도록 구현될 수 있다.
예컨대, 의료 이미지 분석 장치(2000)는 대상 특성 정보가 제1 특성 정보와 관련된 경우에는 의료 이미지 분석 장치(2000)는 복수의 파라미터 세트 중 제1 특성 정보와 관련된 제1 파라미터 세트를 선택할 수 있으며, 제1 파라미터 세트를 신경망 모델의 일부의 노드(예, 특성 레이어에 포함된 적어도 하나의 노드)의 파라미터 세트로 대체함으로써, 제1 특성 정보에 특이적으로 대상 의료 이미지를 세그멘테이션 하기 위한 신경망 모델을 구성할 수 있다.
상술한 바와 같이, 대상 특성 정보(혹은 제1 특성 정보)는 시술자 정보, 피시술자 정보, 종양 정보 및/또는 방사선 정보와 관련될 수 있으며, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 대상 특성 정보에 따라 상이한 파라미터 세트를 선택 및 획득하며, 신경망 모델의 일부 노드의 파라미터 세트를 대상 특성 정보를 고려한 파라미터 세트로 대체할 수 있다.
따라서, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 사용자가 원하는 대상 특성 정보에 특이적으로 대상 의료 이미지를 복수의 영역으로 세그멘테이션할 수 있다. 다시 말해, 시술자의 영역 정의 경향이 반영된 세그멘테이션 정보 또는 치료 보조 정보가 획득될 수 있다. 혹은 피시술자의 정보, 종양 정보 및/또는 방사선 정보와 관련된 대상 특성 정보에 따라 달라지는 시술자의 영역 정의 경향이 반영된 세그멘테이션 정보 또는 치료 보조 정보가 얻어질 수 있다.
다만, 상술한 내용은 예시에 불과하며 시술자 정보, 피시술자 정보, 종양 정보 및/또는 방사선 정보의 다양한 조합에 따라 학습된 신경망 모델의 파라미터 세트를 대체하도록 구현될 수 있다.
또한, 시술자 정보, 피시술자 정보, 종양 정보 및/또는 방사선 정보 이외의 임의의 적절한 정보에 기초하여 학습된 신경망 모델의 파라미터 세트를 대체하도록 구현될 수 있다.
세그멘테이션 정보를 획득하는 단계(S5400)에서, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 대체된 파라미터 세트를 포함하는 신경망 모델을 이용하여 대상 의료 이미지와 관련된 세그멘테이션 정보를 획득할 수 있다.
일 예로, 의료 이미지 분석 장치(2000)는 시술자 정보를 반영하여 대체된 파라미터 세트를 갖는 노드를 포함한 신경망 모델에 기초하여 대상 의료 이미지와 관련된 세그멘테이션 정보를 획득할 수 있다.
예컨대, 대상 특성 정보가 제1 시술자 정보와 관련된 경우에는, 의료 이미지 분석 장치(2000)는 복수의 파라미터 세트 중 제1 시술자 정보를 고려하여 학습된 제1-1 파라미터 세트를 선택하여, 신경망 모델의 적어도 하나의 노드(예, 특성 레이어에 포함된 적어도 하나의 노드)의 파라미터 세트를 제1-1 파라미터 세트로 대체할 수 있다.
이때, 의료 이미지 분석 장치(2000)는 제1-1 파라미터 세트로 대체된 노드를 포함하는 신경망 모델에 기초하여 대상 의료 이미지의 세그멘테이션을 수행함으로써, 제1 시술자 정보에 특이적인 제1 세그멘테이션 정보를 획득할 수 있다.
반면, 대상 특성 정보가 제2 시술자 정보와 관련된 경우에는, 의료 이미지 분석 장치(2000)는 복수의 파라미터 세트 중 제2 시술자 정보를 고려하여 학습된 제1-2 파라미터 세트를 선택하여, 신경망 모델의 적어도 하나의 노드(예, 특성 레이어에 포함된 적어도 하나의 노드)의 파라미터 세트를 제1-2 파라미터 세트로 대체할 수 있다.
이때, 의료 이미지 분석 장치(2000)는 제1-2 파라미터 세트로 대체된 노드를 포함하는 신경망 모델에 기초하여 대상 의료 이미지의 세그멘테이션을 수행함으로써, 제2 시술자 정보에 특이적인 제2 세그멘테이션 정보를 획득할 수 있다.
다른 예를 들어, 대상 특성 정보가 제1 피시술자 정보와 관련된 경우에는, 의료 이미지 분석 장치(2000)는 복수의 파라미터 세트 중 제1 피시술자 정보를 고려하여 학습된 제2-1 파라미터 세트를 선택하여, 신경망 모델의 적어도 하나의 노드(예, 특성 레이어에 포함된 적어도 하나의 노드)의 파라미터 세트를 제2-1 파라미터 세트로 대체할 수 있다.
이때, 의료 이미지 분석 장치(2000)는 제2-1 파라미터 세트로 대체된 노드를 포함하는 신경망 모델에 기초하여 대상 의료 이미지의 세그멘테이션을 수행함으로써, 제1 피시술자 정보에 대한 시술자의 영역 정의 경향이 반영된 제1 세그멘테이션 정보를 획득할 수 있다.
반면, 대상 특성 정보가 제2 피시술자 정보와 관련된 경우에는, 의료 이미지 분석 장치(2000)는 복수의 파라미터 세트 중에서 제2 피시술자 정보를 고려하여 학습된 제2-2 파라미터 세트를 선택하여, 신경망 모델의 일부 노드(예, 특성 레이어에 포함된 적어도 하나의 노드)의 파라미터 세트를 제2-2 파라미터 세트로 대체할 수 있다.
이때, 의료 이미지 분석 장치(2000)는 제2-2 파라미터 세트로 대체된 노드를 포함하는 신경망 모델에 기초하여 대상 의료 이미지의 세그멘테이션을 수행함으로써, 제2 피시술자 정보에 대한 시술자의 영역 정의 경향이 반영된 제2 세그멘테이션 정보를 획득할 수 있다.
다른 예를 들어, 대상 특성 정보가 제1 종양 정보와 관련된 경우에는, 의료 이미지 분석 장치(2000)는 복수의 파라미터 세트 중에서 제1 종양 정보를 고려하여 학습된 제3-1 파라미터 세트를 선택하여, 신경망 모델의 일부 노드(예, 특성 레이어에 포함된 적어도 하나의 노드)의 파라미터 세트를 제3-1 파라미터 세트로 대체할 수 있다.
이때, 의료 이미지 분석 장치(2000)는 제3-1 파라미터 세트로 대체된 노드를 포함하는 신경망 모델에 기초하여 대상 의료 이미지의 세그멘테이션을 수행함으로써, 제1 종양 정보에 대한 시술자의 영역 정의 경향이 반영된 제1 세그멘테이션 정보를 획득할 수 있다.
반면, 대상 특성 정보가 제2 종양 정보와 관련된 경우에는, 의료 이미지 분석 장치(2000)는 복수의 파라미터 세트 중에서 제2 종양 정보를 고려하여 학습된 제3-2 파라미터 세트를 선택하여, 신경망 모델의 일부 노드(예, 특성 레이어에 포함된 적어도 하나의 노드)의 파라미터 세트를 제3-2 파라미터 세트로 대체할 수 있다.
이때, 의료 이미지 분석 장치(2000)는 제3-2 파라미터 세트로 대체된 노드를 포함하는 신경망 모델에 기초하여 대상 의료 이미지의 세그멘테이션을 수행함으로써, 제2 종양 정보에 대한 시술자의 영역 정의 경향이 반영된 제2 세그멘테이션 정보를 획득할 수 있다.
다른 예를 들어, 대상 특성 정보가 제1 방사선 정보와 관련된 경우에는, 의료 이미지 분석 장치(2000)는 복수의 파라미터 세트 중에서 제1 방사선 정보를 고려하여 학습된 제4-1 파라미터 세트를 선택하여, 신경망 모델의 일부 노드(예, 특성 레이어에 포함된 적어도 하나의 노드)의 파라미터 세트를 제4-1 파라미터 세트로 대체할 수 있다.
이때, 의료 이미지 분석 장치(2000)는 제4-1 파라미터 세트로 대체된 노드를 포함하는 신경망 모델에 기초하여 대상 의료 이미지의 세그멘테이션을 수행함으로써, 제1 방사선 정보에 대한 시술자의 영역 정의 경향이 반영된 제1 세그멘테이션 정보를 획득할 수 있다.
반면, 대상 특성 정보가 제2 방사선 정보와 관련된 경우에는, 의료 이미지 분석 장치(2000)는 복수의 파라미터 세트 중에서 제2 방사선 정보를 고려하여 학습된 제4-2 파라미터 세트를 선택하여, 신경망 모델의 일부 노드(예, 특성 레이어에 포함된 적어도 하나의 노드)의 파라미터 세트를 제4-2 파라미터 세트로 대체할 수 있다.
이때, 의료 이미지 분석 장치(2000)는 제4-2 파라미터 세트로 대체된 노드를 포함하는 신경망 모델에 기초하여 대상 의료 이미지의 세그멘테이션을 수행함으로써, 제2 방사선 정보에 대한 시술자의 영역 정의 경향이 반영된 제2 세그멘테이션 정보를 획득할 수 있다.
이때, 제1 세그멘테이션 정보에 포함된 적어도 일부 정보와 제2 세그멘테이션 정보에 포함된 적어도 일부 정보는 상이할 수 있다.
구체적으로, 제1 세그멘테이션 정보 및 제2 세그멘테이션 정보는 모두 종양 영역과 관련된 제1 영역 및 방사선이 조사될 영역(예, GTV, CTV, PTV)인 제2 영역을 포함할 수 있다.
이때, 제1 세그멘테이션 정보의 제2 영역은 방사선이 조사될 영역(예, GTV, CTV, PTV)을 상대적으로 넓게 정의하는 성향을 가진 제1 시술자 정보를 포함하는, 학습 데이터 세트로부터 획득된 제1-1 파라미터 세트를 갖는 신경망 모델로부터 획득될 수 있다. 이때, 제1 세그멘테이션 정보의 제2 영역은 상대적으로 넓은 제1 바운더리에 의해 정의될 수 있다. 반면, 제2 세그멘테이션 정보의 제2 영역은, 방사선이 조사될 영역(예, GTV, CTV, PTV)을 상대적으로 좁게 정의하는 성향을 가진 제2 시술자 정보를 포함하는, 학습 데이터 세트로부터 획득된 제1-2 파라미터 세트를 갖는 신경망 모델로부터 획득될 수 있으며, 이 경우, 제2 세그멘테이션 정보의 제2 영역은 제1 바운더리보다는 상대적으로 좁은 제2 바운더리에 의해 정의될 수 있다.
또는, 제1 세그멘테이션 정보의 제2 영역은, 상대적으로 낮은 나이 구간에 속하는 나이 정보을 포함하는 제1 피시술자 정보에 기초하여 방사선이 조사될 영역(예, GTV, CTV, PTV)이 상대적으로 넓게 정의된 라벨 데이터를 포함하는 학습 데이터 세트로부터 획득된 제2-1 파라미터 세트를 갖는 신경망 모델로부터 획득될 수 있다. 이 경우, 제2-1 파라미터 세트를 갖는 신경망 모델은 상대적으로 낮은 나이 구간에 속하는 나이 정보를 반영하여 대상 의료 이미지의 세그멘테이션을 수행할 수 있기 때문에, 제1 세그멘테이션 정보의 제2 영역은 상대적으로 넓은 제1 바운더리에 의해 정의될 수 있다. 또는, 제2 세그멘테이션 정보의 제2 영역은, 기저 질환이 있다는 정보를 포함하는 제2 피시술자 정보에 기초하여 방사선이 조사될 영역(예, GTV, CTV, PTV)이 상대적으로 좁게 정의된 라벨 데이터를 포함하는 학습 데이터 세트로부터 획득된 제2-2 파라미터 세트를 갖는 신경망 모델로부터 획득될 수 있다. 이 경우, 제2-2 파라미터 세트를 갖는 신경망 모델은 기저질환이 존재한다는 정보를 반영하여 대상 의료 이미지의 세그멘테이션을 수행할 수 있기 때문에, 제2 세그멘테이션 정보의 제2 영역은 제1 바운더리보다는 상대적으로 좁은 제2 바운더리에 의해 정의될 수 있다.
또는, 제1 세그멘테이션 정보의 제2 영역은, 종양의 크기가 일정 크기 이상이거나 종양의 발현 정도가 일정 정도 이상이라는 종양의 유형과 관련된 정보를 포함하는 제1 종양 정보에 기초하여 방사선이 조사될 영역(예, GTV, CTV, PTV)이 상대적으로 넓게 정의된 라벨 데이터를 포함하는, 학습 데이터 세트로부터 획득된 제3-1 파라미터 세트를 갖는 신경망 모델로부터 획득될 수 있다. 이 경우, 제3-1 파라미터 세트를 갖는 신경망 모델은 종양의 유형을 고려하여 대상 의료 이미지의 세그멘테이션을 수행할 수 있기 때문에, 제1 세그멘테이션 정보의 제2 영역은 상대적으로 넓은 제1 바운더리에 의해 정의될 수 있다. 또는, 제2 세그멘테이션 정보의 제2 영역은, 종양의 위치가 주변 기관과 인접하게 위치하고 있음을 나타내는 제2 종양 정보에 기초하여 방사선이 조사될 영역(예, GTV, CTV, PTV)이 상대적으로 좁게 정의된 라벨 데이터를 포함하는, 학습 데이터 세트로부터 획득된 제3-2 파라미터 세트를 갖는 신경망 모델로부터 획득될 수 있다. 이 경우, 제3-2 파라미터 세트를 갖는 신경망 모델은 종양의 위치가 주변 기관과 인접하게 위치하고 있음을 나타내는 종양의 위치 정보를 반영하여 대상 의료 이미지의 세그멘테이션을 수행할 수 있다. 따라서, 제2 세그멘테이션 정보의 제2 영역은 제1 바운더리보다는 상대적으로 좁은 제2 바운더리에 의해 정의될 수 있다.
또는, 제1 세그멘테이션 정보의 제2 영역은, 종양의 크기가 일정 크기 이상이거나 종양의 발현 정도가 일정 정도 이상이라는 종양의 유형과 관련된 정보를 포함하는 제1 종양 정보에 기초하여 방사선이 조사될 영역(예, GTV, CTV, PTV)이 상대적으로 넓게 정의된 라벨 데이터를 포함하는, 학습 데이터 세트로부터 획득된 제3-1 파라미터 세트를 갖는 신경망 모델로부터 획득될 수 있다. 이 경우, 제3-1 파라미터 세트를 갖는 신경망 모델은 종양의 유형을 고려하여 대상 의료 이미지의 세그멘테이션을 수행할 수 있기 때문에, 제1 세그멘테이션 정보의 제2 영역은 상대적으로 넓은 제1 바운더리에 의해 정의될 수 있다. 또는, 제2 세그멘테이션 정보의 제2 영역은, 종양의 위치가 주변 기관과 인접하게 위치하고 있음을 나타내는 제2 종양 정보에 기초하여 방사선이 조사될 영역(예, GTV, CTV, PTV)이 상대적으로 좁게 정의된 라벨 데이터를 포함하는, 학습 데이터 세트로부터 획득된 제3-2 파라미터 세트를 갖는 신경망 모델로부터 획득될 수 있다. 이 경우, 제3-2 파라미터 세트를 갖는 신경망 모델은 종양의 위치가 주변 기관과 인접하게 위치하고 있음을 나타내는 종양의 위치 정보를 반영하여 대상 의료 이미지의 세그멘테이션을 수행할 수 있다. 따라서, 제2 세그멘테이션 정보의 제2 영역은 제1 바운더리보다는 상대적으로 좁은 제2 바운더리에 의해 정의될 수 있다.
또는, 제1 세그멘테이션 정보의 제2 영역은 학습 데이터 세트로부터 획득된 제4-1 파라미터 세트를 갖는 신경망 모델로부터 획득될 수 있다. 이때, 제4-1 파라미터 세트는, 방사선의 세기가 일정 세기보다 약하다는 정보를 포함하는 제1 방사선 정보에 기초하여 방사선이 조사될 영역(예, GTV, CTV, PTV)이 상대적으로 넓게 정의된 라벨 데이터를 포함하는, 학습 데이터 세트로부터 갱신된 파라미터 세트로부터 획득될 수 있다. 이 경우, 제4-1 파라미터 세트를 갖는 신경망 모델은 방사선의 종류, 세기, 유형 등을 고려하여 대상 의료 이미지의 세그멘테이션을 수행할 수 있기 때문에, 제1 세그멘테이션 정보의 제2 영역은 상대적으로 넓은 제1 바운더리에 의해 정의될 수 있다. 반면, 제2 세그멘테이션 정보의 제2 영역은, 학습 데이터 세트로부터 획득된 제4-2 파라미터 세트를 갖는 신경망 모델로부터 획득될 수 있다. 이때, 제4-2 파라미터 세트는, 방사선의 세기가 일정 세기보다 크거나 방사선이 상대적으로 신체에 위험하다는 제2 방사선 정보에 기초하여 방사선이 조사될 영역(예, GTV, CTV, PTV)이 상대적으로 좁게 정의된 라벨 데이터를 포함하는, 학습 데이터 세트로부터 갱신된 파라미터 세트로부터 획득될 수 있다. 이 경우, 제4-2 파라미터 세트를 갖는 신경망 모델은 방사선의 세기나 방사선의 위험도 등을 고려하여 대상 의료 이미지의 세그멘테이션을 수행할 수 있기 때문에, 제2 세그멘테이션 정보의 제2 영역은 상대적으로 좁은 제2 바운더리에 의해 정의될 수 있다.
따라서, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)에 의해 생성된 대상 의료 이미지의 세그멘테이션 정보는 시술자 정보, 피시술자 정보, 종양 정보, 및/또는 방사선 정보에 따라 방사선이 조사될 영역을 상이하게 제공할 수 있으며, 이를 통하여 세그멘테이션 정보는 종양을 치료하는 데 있어 치료 보조 정보로서 활용될 수 있다.
한편, 종양 영역과 관련된 제1 영역 또한 대체된 파라미터 세트에 따라 바운더리가 상이하게 산출될 수 있다. 다만, 바람직한 실시예에 따르면, 제1 세그멘테이션 정보의 제1 영역과 제2 세그멘테이션 정보의 제1 영역은 대체된 파라미터 세트와는 무관하게 실질적으로 동일한 바운더리를 가질 수 있다.
이하에서는 도 19 내지 도 24를 참고하여 본 출원의 일 실시예에 따른 대상 의료 이미지 분석 결과와 관련된 유저 인터페이스를 설명한다.
도 19는 본 출원의 일 실시예에 따른 대상 의료 이미지 분석 결과와 관련된 유저 인터페이스의 예시이다.
도 20은 본 출원의 일 실시예에 따른 대상 의료 이미지의 세그멘테이션 동작을 도시한 개략도이다.
도 21은 본 출원의 일 실시예에 따른 대상 의료 이미지 분석 결과와 관련된 유저 인터페이스의 예시이다.
도 22 내지 도 24는 본 출원의 일 실시예에 따른 대상 의료 이미지 분석 결과와 관련된 유저 인터페이스의 예시이다.
본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 출력 모듈(2500)을 통하여 의료 이미지의 분석 결과인 세그멘테이션 정보를 출력하도록 구현될 수 있다. 이때, 의료 이미지 분석 장치(2000)는 출력 모듈(2500)을 통하여 대상 특성 정보를 설정하기 위한 체크박스들을 함께 출력할 수 있으며, 사용자는 입력 모듈(2400)을 통하여 대상 특성 정보를 선택할 수 있다.
이때, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 입력 모듈(2400)을 통하여 획득한 대상 특성 정보에 기초하여 대응하는 대상 의료 이미지의 세그멘테이션 정보를 출력 모듈(2500)을 통하여 출력하도록 구현될 수 다.
예컨대, 도 19를 참고한다. 도 19는 제1 시술자 정보 및 제2 피시술자 정보를 포함하는 대상 특성 정보와 관련된 파라미터 세트를 포함하는 신경망 모델에 기초하여 대상 의료 이미지를 세그멘테이션한 결과를 출력 모듈(2500)을 통하여 출력하는 것을 도시한다. 다시 말해, 대상 의료 이미지의 세그멘테이션 결과인 제1 세그멘테이션 정보는 제1 시술자 정보 및 제2 피시술자 정보와 관련된 파라미터 세트를 포함하는 신경망 모델에 기초하여 구획된 영역들(예, 종양 영역, 방사선이 조사될 영역, 방사선이 조사되어서는 안 되는 영역 등)을 포함할 수 있다.
이때, 의료 이미지 분석 장치(2000)는 제1 세그멘테이션 정보에 기초하여 제1 시술자 정보 및 제2 피시술자 정보에 대응되는 대상 특성 정보를 획득한 경우에 종양을 치료하기 위하여 방사선이 조사될 영역 및/또는 방사선이 조사되어서는 안 되는 영역과 관련된 치료 보조 정보를 사용자에게 제공할 수 있다.
이때, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 현재 특성 정보(혹은 현재 치료 계획 정보)와 관련된 정보(O1)를 함께 출력하도록 구현될 수 있다. 또한, 의료 이미지 분석 장치(2000)는 사용자가 특성 정보를 설정할 수 있도록 구성된 치료 계획 정보(O2)를 더 출력하도록 구현될 수 있다.
예컨대, 도 19를 참고하면, 사용자는 입력 모듈(2400)을 통하여 치료 계획 정보(O2)의 시술자 정보, 피시술자 정보, 종양 정보 및/또는 방사선 정보(도 19에는 도시되지 않음) 중 특정 정보을 선택하는 입력을 할 수 있다.
이때, 의료 이미지 분석 장치(2000)는 사용자의 입력에 대응되는 세그멘테이션 정보를 출력하도록 구현될 수 있다.
예컨대, 도 20을 참고하면, 의료 이미지 분석 장치(2000)는 도 19에서 상술한 바와 같이 대상 특성 정보(예, 제2 시술자 및 제1 종양)를 설정하기 위한 사용자의 입력을 획득할 수 있으며, 획득된 사용자의 입력에 기초하여 선택된 대상 특성 정보에 대응되는 파라미터 세트를 대체(예, 제1 파라미터 세트에서 제2 파라미터 세트로 대체)하도록 구현될 수 있다. 다시 말해. 의료 이미지 분석 장치(2000)는 획득된 사용자의 입력에 기초하여 대상 특성 정보에 대응되는 파라미터 세트를 선택하여 기존의 신경망 모델의 파라미터 세트를 대체하도록 구현될 수 있다.
이를 통하여, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 선택된 대상 특성 정보에 기초하여 대상 의료 이미지를 세그멘테이션할 수 있으며, 출력 모듈(2500)을 통하여 제1 세그멘테이션 정보를 제2 세그멘테이션 정보로 변환하여 출력하도록 제공될 수 있다.
이때, 제2 세그멘테이션 정보에 포함된 방사선이 조사될 영역의 바운더리와 제1 세그멘테이션 정보에 포함된 방사선이 조사될 영역의 바운더리는 대상 특성 정보의 차이를 반영하여 상이할 수 있다.
도 21을 참고한다. 도 21은 제2 시술자 정보 및 제1 종양 정보를 포함하는 대상 특성 정보와 관련된 파라미터 세트를 포함하는 신경망 모델에 기초하여 대상 의료 이미지를 세그멘테이션한 결과를 출력 모듈(2500)을 통하여 출력하는 것을 도시한다.
다시 말해, 대상 의료 이미지의 세그멘테이션 결과인 제2 세그멘테이션 정보는 제2 시술자 정보 및 제1 종양 정보와 관련된 파라미터 세트를 포함하는 신경망 모델에 기초하여 구획된 영역들(예, 종양 영역, 방사선이 조사될 영역, 방사선이 조사되어서는 안 되는 영역 등)을 포함할 수 있다.
이때, 제2 세그멘테이션 정보에 포함된 방사선이 조사될 영역의 바운더리는 도 19의 제1 세그멘테이션 정보에 포함된 방사선이 조사될 영역의 바운더리와는 상이할 수 있다.
예컨대, 도 19의 도시된 제1 세그멘테이션 정보는, 방사선이 조사될 영역을 평균적인 치료 범위보다 상대적으로 넓게 정의하는 치료 이력 정보를 가진 제1 시술자와 관련된 시술자 정보 및 방사선이 조사될 영역이 상대적으로 넓게 정의되도록 학습되는 피시술자 정보에 기초하여 학습된 제1 파라미터 세트를 갖는 노드를 포함하는 신경망 모델에 기초하여 획득될 수 있다. 반면, 도 21의 도시된 제2 세그멘테이션 정보는, 방사선이 조사될 영역을 평균적인 치료 범위보다 상대적으로 좁게 정의하는 치료 이력 정보를 가진 제2 시술자와 관련된 시술자 정보 및 방사선이 조사될 영역이 상대적으로 좁게 정의되도록 학습되는 것과 관련된 종양 정보에 기초하여 학습된 제2 파라미터 세트를 갖는 노드를 신경망 모델에 기초하여 획득될 수 있다.
따라서, 제2 세그멘테이션 정보에 포함된 방사선이 조사될 영역(예, GTV, CTV, PTV 영역 등)의 바운더리는 도 19의 제1 세그멘테이션 정보에 포함된 방사선이 조사될 영역의 바운더리(예, GTV, CTV, PTV 영역 등)와는 상이할 수 있으며, 바람직하게는, 제2 세그멘테이션 정보에 포함된 방사선이 조사될 영역(예, GTV, CTV, PTV 영역 등)의 넓이는 도 19의 제1 세그멘테이션 정보에 포함된 방사선이 조사될 영역(예, GTV, CTV, PTV 영역 등)의 넓이보다 작을 수 있다.
상술한 바에 따라, 의료 이미지 분석 장치(2000)는 제2 세그멘테이션 정보에 기초하여 제2 시술자 정보 및 제1 종양 정보에 대응되는 대상 특성 정보를 획득한 경우에 종양을 치료하기 위하여 방사선이 조사될 영역과 관련된 치료 보조 정보를 사용자에게 제공할 수 있다.
한편, 도 19에 도시된 제1 세그멘테이션 정보 및 도 21에 도시된 제2 세그멘테이션 정보는 종양 영역에 대응되는 정보를 포함할 수 있다. 이때, 제1 세그멘테이션 정보의 종양 영역의 바운더리와 제2 세그멘테이션 정보에 포함된 종양 영역의 바운더리는, 상술한 바와 유사하게 대상 특성 정보에 기초하여 상이할 수 있다.
다만, 바람직한 실시예에 따르면, 제1 세그멘테이션 정보의 종양 영역의 바운더리와 제2 세그멘테이션 정보에 포함된 종양 영역의 바운더리는 실질적으로 동일할 수 있다.
예컨대, 제1 세그멘테이션 정보의 종양 영역과 제2 세그멘테이션 정보의 종양 영역은, 대상 특성 정보(예, 시술자 정보, 피시술자 정보, 종양 정보, 및/또는 방사선 정보)에 따라 학습된 신경망 모델에 기초하여 획득되나, 대상 특성 정보와 관련된 파라미터 세트에 무관하게 실질적으로 동일하게 획득될 수 있다.
또한, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 다양한 시술자 정보에 따라 방사선이 조사될 영역(또는 방사선이 조사되어서는 안 되는 영역)의 정의 경향이 반영된 치료 보조 정보를 획득할 수 있다.
예를 들어, 도 19의 제1 세그멘테이션 정보는 제1 시술자가 종양과 관련된 의료 이미지에 대하여 방사선이 조사될 영역을 정의하는 경향이 반영된 정보이다. 반면, 도 21의 제2 세그멘테이션 정보는 제2 시술자가 종양과 관련된 의료 이미지에 대하여 방사선이 조사될 영역을 정의하는 경향이 반영된 정보이다.
일 실시예에 따른 의료 이미지 분석 장치(2000)는 시술자 정보에 따른 세그멘테이션 정보를 함께 출력하여 사용자에게 시술자의 영역 정의 경향에 대한 정보를 제공할 수 있다. 따라서, 사용자는 종양과 관련된 타 시술자들의 치료 보조 정보를 제공받을 수 있다. 이를 통하여 사용자는 타 시술자들의 치료 보조 정보에 기초하여 종양에 대한 치료 계획을 수립할 수 있기 때문에, 상황에 따라 최적의 치료 보조 정보를 획득함으로써 효율적인 종양 치료 계획을 수립할 수 있다.
다만, 도 19 내지 도 21에 도시한 내용은 설명의 편의를 위한 예시에 불과하며, 의료 이미지 분석 장치(2000)는 임의의 적절한 유저 인터페이스를 활용하여 대상 특성 정보에 대한 사용자의 입력을 획득하여, 사용자의 입력에 대응되는 세그멘테이션 정보를 출력하도록 구현될 수 있음은 물론이다.
또한, 의료 이미지 분석 장치(2000)는 대상 특성 정보와 관련하여 시술자 정보, 피시술자 정보, 종양 정보 및/또는 방사선 정보의 임의의 조합으로 파라미터 세트를 획득하여 기존의 신경망 모델의 파라미터 세트를 대체함으로써, 사용자에게 세그멘테이션 정보를 제공하도록 구현될 수 있다.
또한, 도 19 내지 도 21에는 도시되지 않았으나, 세그멘테이션 정보는 방사선이 조사되어서는 안 되는 영역(예, OAR)을 포함할 수 있으며, 방사선이 조사되어서는 안 되는 영역(예, OAR) 또한, 대상 특성 정보와 관련된 사용자의 입력에 기초하여 상이하게 획득될 수 있다. 다시 말해, 대상 특성 정보에 따라 획득된 방사선이 조사되어서는 안 되는 영역의 바운더리가 상이할 수 있다. 이와 관련하여는 도 22에서 자세히 후술한다.
도 22를 참고한다. 도 22는 본 출원의 일 실시예에 따른 대상 의료 이미지 분석 결과와 관련된 유저 인터페이스의 예시이다.
본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 출력 모듈(2500)을 통하여 세그멘테이션 정보를 출력하도록 구현될 수 있다. 이때, 세그멘테이션 정보는 종양 영역, 방사선이 조사될 영역 및/또는 방사선이 조사되어서는 안 되는 영역(OAR)과 관련된 정보를 포함할 수 있다.
예컨대, 종양 영역은 종양에 대응되는 의료 이미지 내의 영역일 수 있으며, 방사선이 조사될 영역은 종양이 위치하는 장기에 대응되는 영역(GTV), 및 마진 영역(예, 방사선 치료 시 피시술자의 움직임을 고려한 마진과 관련된 영역(CTV) 및 다회차 종양 치료에 대한 장기의 미세한 움직임을 고려한 마진과 관련된 영역(PTV) 등)을 포함할 수 있다.
이때, 의료 이미지 분석 장치(2000)에 의해 출력되는 방사선이 조사될 영역(예, GTV, 마진 영역(예, CTV, PTV)) 및/또는 방사선이 조사되어서는 안 되는 영역(OAR)은 대상 특성 정보에 따라 상이하게 출력될 수 있다.
예컨대, 의료 이미지 분석 장치(2000)은 대상 의료 이미지의 세그멘테이션을 수행하여 방사선이 조사될 영역 및/또는 방사선이 조사되어서는 안 되는 영역을 획득할 수 있다. 이때, 의료 이미지 분석 장치(2000)은 대상 특성 정보에 기초하여 갱신된 파라미터 세트를 포함하는 신경망 모델을 획득할 수 있으며, 신경망 모델에 기초하여 대상 의료 이미지를 세그멘테이션하여 방사선이 조사될 영역(예, 종양 영역, GTV, 마진 영역(예, CTV, PTV)) 및 방사선이 조사되어서는 안 되는 영역(OAR)을 획득하여 출력할 수 있다. 이때, 방사선이 조사될 영역(예, 종양 영역, GTV, 마진 영역(예, CTV, PTV)) 및 방사선이 조사되어서는 안 되는 영역(OAR)은 대상 특성 정보에 따라 상이하게 획득되어 출력될 수 있다.
예컨대, 의료 이미지 분석 장치(2000)가 방사선이 조사될 영역을 평균적인 치료 범위보다 상대적으로 넓게 정의하는 것과 관련된 대상 특성 정보를 획득한 경우, 의료 이미지 분석 장치(2000)는 대상 특성 정보에 기초하여 선택된 파라미터 세트를 갖는 노드를 포함하는 신경망 모델로부터 제1 바운더리를 갖는 방사선이 조사될 영역((예, 종양 영역, GTV, 마진 영역(예, CTV, PTV)))을 획득할 수 있다. 반면, 의료 이미지 분석 장치(2000)가 방사선이 조사될 영역을 평균적인 치료 범위보다 상대적으로 좁게 정의하는 것과 관련된 대상 특성 정보를 획득한 경우, 의료 이미지 분석 장치(2000)는 대상 특성 정보에 기초하여 선택된 파라미터 세트를 갖는 노드를 포함하는 신경망 모델로부터 제2 바운더리를 갖는 방사선이 조사될 영역((예, 종양 영역, GTV, 마진 영역(예, CTV, PTV)))을 획득할 수 있다.
이때, 제1 바운더리와 제2 바운더리는 상이할 수 있으며, 바람직하게는 제1 바운더리에 의해 정의되는 영역의 넓이는 제2 바운더리에 의해 정의되는 영역의 넓이보다 넓을 수 있다. 다만, 상술한 바와 같이 방사선이 조사될 영역 중 종양 영역과 관련하여는 제1 바운더리와 제2 바운더리는 실질적으로 동일할 수 있다.
다른 예를 들어, 의료 이미지 분석 장치(2000)가 방사선이 조사되어서는 안 되는 영역(OAR)을 평균적인 치료 범위보다 상대적으로 좁게 정의하는 것과 관련된 대상 특성 정보(예, 종양 치료를 공격적으로 수행하는 치료 이력 정보를 갖는 시술자 정보, 종양의 크기가 크거나 발현 정도가 높은 종양 정보 등)를 획득한 경우, 의료 이미지 분석 장치(2000)는 대상 특성 정보에 기초하여 선택된 파라미터 세트를 갖는 노드를 포함하는 신경망 모델로부터 제3 바운더리를 갖는 방사선이 조사되어서는 안 되는 영역(OAR)을 획득할 수 있다. 반면, 의료 이미지 분석 장치(2000)가 방사선이 조사되어서는 안 되는 영역(OAR)을 평균적인 치료 범위보다 상대적으로 넓게 정의하는 것과 관련된 대상 특성 정보(예, 종양 치료를 보수적으로 수행하는 치료 이력 정보를 갖는 시술자 정보, 종양의 크기가 작거나 발현 정도가 작은 종양 정보, 피시술자의 나이가 적거나 기저질환이 있는 피시술자 정보 등)를 획득한 경우, 의료 이미지 분석 장치(2000)는 대상 특성 정보에 기초하여 결정된 파라미터 세트를 갖는 노드를 포함하는 신경망 모델로부터 제4 바운더리를 갖는 방사선이 조사되어서는 안 되는 영역(OAR)을 획득할 수 있다.
이때, 제3 바운더리와 제4 바운더리는 상이할 수 있으며, 바람직하게는 제3 바운더리에 의해 정의되는 영역의 넓이는 제4 바운더리에 의해 정의되는 영역보다 작을 수 있다.
도 23을 참고한다. 도 23은 본 출원의 일 실시예에 따른 대상 의료 이미지 분석 결과와 관련된 유저 인터페이스의 예시이다.
본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 사용자 치료 정보와 적어도 하나 이상의 치료 보조 정보를 출력하도록 구현될 수 있다.
여기서, 사용자 치료 정보는 대상 의료 이미지와 관련하여 사용자가 정의한 방사선이 조사될 영역(예, GTV, CTV, PTV 등) 및/또는 방사선이 조사되어서는 안 되는 영역(예, OAR)과 관련된 정보를 의미할 수 있다. 의료 이미지 분석 장치(2000)는 입력 모듈(2400)을 통하여 사용자가 대상 의료 이미지에 대응되는 영역에 바운더리를 정의하는 입력에 의해 획득함으로써, 사용자 치료 정보를 획득할 수 있다.
또한, 적어도 하나 이상의 치료 보조 정보는 대상 특성 정보를 반영하여 획득된 제1 치료 보조 정보 및 대상 특성 정보를 반영하지 않고 획득된 제2 치료 보조 정보를 포함할 수 있다.
예컨대, 제1 치료 보조 정보는 제2 시술자 정보 및 제1 종양 정보에 기초하여 획득된 파라미터 세트를 갖는 노드를 포함하는 신경망 모델에 의해 출력되는 정보일 수 있다. 제1 치료 보조 정보는, 제2 시술자 정보와 관련된 시술자의 영역 정의 경향 및 제1 종양 정보에 대한 제2 시술자 정보와 관련된 시술자의 영역 정의 경향을 반영하도록 학습된 신경망 모델에 의해 획득되기 때문에, 제1 치료 보조 정보는 제2 시술자 정보와 제1 종양 정보에 의존적인 방사선이 조사될 영역 및/또는 방사선이 조사되어서는 안 되는 영역과 관련된 정보를 포함할 수 있다.
예컨대, 제2 치료 보조 정보는 대상 특성 정보를 반영하지 않고, 즉, 도 23의 제2 시술자 및 제1 종양 정보를 고려하지 않고, 대상 의료 이미지를 세그멘테이션하여 획득될 수 있다. 예를 들어, 도 8 내지 도 9과 관련하여, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 특성 정보를 고려하지 않고 학습된 신경망 모델에 기초하여 대상 의료 이미지를 세그멘테이션함으로써, 제2 치료 보조 정보를 획득할 수 있다. 제1 치료 보조 정보와 유사하게, 제2 치료 보조 정보는 방사선이 조사될 영역 및/또는 방사선이 조사되어서는 안 되는 영역과 관련된 정보를 포함할 수 있다. 다만, 제2 치료 보조 정보는 대상 특성 정보(예, 제2 시술자 정보 및 제1 종양 정보)를 고려하지 않고 학습된 신경망 모델에 의해 획득될 수 있다. 예컨대, 제2 치료 보조 정보는 대상 특성 정보와 관련된 파라미터 세트를 갖는 노드(예, 특성 레이어에 포함된 적어도 하나의 노드)가 생략된 신경망 모델에 의해 획득될 수 있다. 따라서, 제2 치료 보조 정보에 포함된 방사선이 조사될 영역 및/또는 방사선이 조사되어서는 안 되는 영역과 관련된 정보는 제1 치료 보조 정보에 포함된 방사선이 조사될 영역 및/또는 방사선이 조사되어서는 안 되는 영역과 관련된 정보는 상이할 수 있다.
이때, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 사용자 치료 정보를 적어도 하나 이상의 치료 보조 정보와 함께 대상 의료 이미지에 대하여 오버레이시키며, 출력 모듈(2500)을 통하여 사용자에게 사용자 치료 정보를 디스플레이할 수 있다. 이를 통하여, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)에 의하면, 사용자는 사용자 자신의 치료 정보와 신경망 모델을 통하여 출력되는 적어도 하나 이상의 치료 보조 정보를 비교함으로써, 사용자 자신의 치료 성향을 확인할 수 있다는 장점이 존재한다.
또한, 사용자는 적어도 하나 이상의 치료 보조 정보를 참고하여, 자신의 치료 정보에 포함된 바운더리의 적어도 일부를 효과적으로 수정하여 최적의 치료 계획을 수립할 수 있다는 유리한 장점을 제공받을 수 있다.
도 24를 참고한다. 도 24는 본 출원의 일 실시예에 따른 대상 의료 이미지 분석 결과와 관련된 유저 인터페이스의 예시이다.
본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 도 23에서 상술한 바와 같이 사용자 치료 정보와 적어도 하나 이상의 치료 보조 정보를 출력하도록 구현될 수 있다. 즉, 도 24에 도시된 치료 보조 정보는 도 23에서의 제1 치료 보조 정보나 제2 보조 치료 정보를 포함할 수 있다.
또한, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 사용자 치료 정보 및 적어도 하나 이상의 치료 보조 정보 중 적어도 하나에 기초하여, 방사선을 조사하도록 구현될 수 있다.
예컨대, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 방사선 출력부를 더 포함할 수 있거나, 임의의 외부의 방사선 조사 장치와 통신하도록 구현될 수 있다.
이때, 의료 이미지 분석 장치(2000)는 입력 모듈(2400)을 통하여 사용자로부터 방사선을 조사하는 것을 지시하는 입력을 획득할 수 있으며, 사용자의 입력에 대응하여 방사선을 조사하는 지시를 방사선 출력부나 임의의 외부의 방사선 조사 장치에 전달하도록 구현될 수 있다.
이때, 방사선 출력부나 임의의 외부의 방사선 조사 장치는 사용자 치료 정보 및 적어도 하나 이상의 치료 보조 정보 중 적어도 하나에 기초하여, 방사선을 조사할 수 있다.
한편, 본 출원의 일 실시예에 따른 의료 이미지 분석 장치(2000)는 방사선 조사를 지시하는 사용자의 입력에 대응하여, 출력 모듈(2500)을 통하여 사용자에게 사용자 치료 정보 및 적어도 하나 이상의 치료 보조 정보 중 적어도 하나를 선택하는 입력을 요청하는 알림창이나 사용자 치료 정보 및 적어도 하나 이상의 치료 보조 정보 중 적어도 하나를 수정하기 위한 입력을 요청하는 알림창을 제공하도록 구현될 수 있다.
다만, 도 22 내지 도 24에 도시한 내용은 설명의 편의를 위한 예시에 불과하며, 의료 이미지 분석 장치(2000)는 임의의 적절한 유저 인터페이스를 활용하여 치료 보조 정보(혹은 세그멘테이션 정보) 및/또는 사용자 치료 정보를 출력하고, 방사선을 조사하는 것을 지시하기 위한 사용자의 입력을 수신할 수 있다.
본 출원에 개시된 의료 이미지 분석 방법, 의료 이미지 분석 장치 및 의료 이미지 분석 시스템은 의료 이미지를 분석하는 데 이용될 수 있다.
특히, 본 출원에 개시된 의료 이미지 분석 방법, 의료 이미지 분석 장치 및 의료 이미지 분석 시스템은, 방사선을 이용하여 종양을 치료하기 위한 치료 보조 정보를 제공하기 위한 분야에 적용될 수 있다. 예를 들어, 종양을 치료하기 위한 치료 계획 정보에 기초하여 방사선이 조사될 영역을 획득하기 위한 치료 보조 정보를 제공하기 위한 분야에 적용될 수 있다.
다만, 본 출원에 개시된 본 출원에 개시된 의료 이미지 분석 방법, 의료 이미지 분석 장치 및 의료 이미지 분석 시스템은, 종양뿐만 아니라 방사선을 이용하여 시술하거나 치료하기 위하여 의료 이미지를 이용하는 모든 분야에도 적용될 수 있다.
이상에서 실시 형태들에 설명된 특징, 구조, 효과 등은 본 발명의 적어도 하나의 실시 형태에 포함되며, 반드시 하나의 실시 형태에만 한정되는 것은 아니다. 나아가, 각 실시 형태에서 예시된 특징, 구조, 효과 등은 실시 형태들이 속하는 분야의 통상의 지식을 가지는 자에 의해 다른 실시 형태들에 대해서도 조합 또는 변형되어 실시 가능하다. 따라서 이러한 조합과 변형에 관계된 내용들은 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.
또한, 이상에서 실시 형태를 중심으로 설명하였으나 이는 단지 예시일 뿐 본 발명을 한정하는 것이 아니며, 본 발명이 속하는 분야의 통상의 지식을 가진 자라면 본 실시 형태의 본질적인 특성을 벗어나지 않는 범위에서 이상에 예시되지 않은 여러 가지의 변형과 응용이 가능함을 알 수 있을 것이다. 즉, 실시 형태에 구체적으로 나타난 각 구성 요소는 변형하여 실시할 수 있는 것이다. 그리고 이러한 변형과 응용에 관계된 차이점들은 첨부된 청구 범위에서 규정하는 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (46)

  1. 의료 이미지를 획득하고, 상기 의료 이미지에 기초하여 치료 보조 정보를 제공하는 장치를 이용하여 상기 의료 이미지를 분석하는 방법에 있어서, 상기 방법은,
    대상 의료 이미지를 획득함;
    방사선이 조사될 대상 영역을 결정하기 위한 치료 계획 정보를 획득함 - 상기 치료 계획 정보는 제1 특성 정보 또는 제2 특성 정보를 포함함-;
    상기 치료 계획 정보에 기초하여, 상기 제1 특성 정보에 대응하는 제1 파라미터 세트 및 상기 제2 특성 정보에 대응하는 제2 파라미터 세트 중에서 대상 파라미터 세트를 선택함;
    상기 대상 의료 이미지에 기초하여, 상기 대상 영역과 관련된 영역 정보를 획득하도록 학습된 인공 신경망의 복수의 노드들 중 적어도 하나를 포함하는 특성 노드 세트의 파라미터 값들을 상기 대상 파라미터 세트로 결정함; 및
    상기 대상 파라미터 세트가 적용된 상기 인공 신경망 및 상기 대상 의료 이미지에 기초하여, 상기 치료 계획 정보에 대응되는 상기 대상 영역과 관련된 치료 보조 정보를 제공함;을 포함하는,
    의료 이미지 분석 방법.
  2. 제1 항에 있어서,
    상기 인공 신경망은 방사선 조사와 관련된 하나 이상의 라벨에 기초하여, 상기 대상 의료 이미지에 대하여 세그멘테이션을 수행하여, 상기 대상 영역 및 종양 영역을 포함하는 복수의 영역을 획득하도록 구성되는,
    의료 이미지 분석 방법.
  3. 제2 항에 있어서,
    상기 하나 이상의 라벨은 종양이 위치하는 장기에 대응되는 영역(GTV), 피시술자의 움직임을 고려한 마진과 관련된 영역(CTV), 장기의 움직임을 고려한 마진과 관련된 영역(PTV), 방사선이 조사되어서는 안 되는 영역(OAR) 및 상기 종양 영역과 관련된 라벨 중 적어도 하나를 포함하며,
    상기 인공 신경망은, 상기 대상 의료 이미지의 셀에 대하여 상기 적어도 하나의 라벨을 할당하고 상기 대상 영역과 관련된 영역 정보, 상기 방사선이 조사되어서는 안 되는 영역과 관련된 영역 정보 및 상기 종양 영역과 관련된 영역 정보를 획득하도록 학습되며,
    상기 대상 영역과 관련된 상기 치료 보조 정보는 상기 셀에 할당된 라벨에 기초하여 획득되는,
    의료 이미지 분석 방법.
  4. 제1 항에 있어서,
    상기 치료 계획 정보가 상기 제1 특성 정보를 포함하는 경우, 상기 대상 파라미터 세트는 상기 제1 파라미터 세트로 결정되고, 상기 치료 보조 정보를 제공하는 것은, 상기 제1 파라미터 세트가 적용된 상기 인공 신경망을 통하여 획득된 영역 정보에 기초하여 획득된 제1 대상 영역 정보를 제공하는 것을 포함하고,
    상기 치료 계획 정보가 상기 제2 특성 정보를 포함하는 경우, 상기 대상 파라미터 세트는 상기 제2 파라미터 세트로 결정되고, 상기 치료 보조 정보를 제공하는 것은, 상기 제2 파라미터 세트가 적용된 상기 인공 신경망을 통하여 획득된 영역 정보에 기초하여 획득된 제2 대상 영역 정보를 제공하는 것을 포함하는 -상기 제2 대상 영역 정보는 상기 제1 대상 영역 정보와 상이함-,
    의료 이미지 분석 방법.
  5. 제4 항에 있어서,
    상기 제1 대상 영역 정보는 제1 바운더리에 의해 정의되며, 상기 제2 대상 영역 정보는 제2 바운더리에 의해 정의되되,
    상기 대상 의료 이미지 상에서 상기 제1 바운더리 및 상기 제2 바운더리 중 적어도 하나의 바운더리는 상기 제1 바운더리 및 상기 제2 바운더리 중 다른 하나의 바운더리를 포함하는,
    의료 이미지 분석 방법.
  6. 제3 항에 있어서,
    상기 대상 파라미터 세트는 상기 대상 영역과 관련된 영역 정보를 획득하는데 이용되며,
    상기 치료 계획 정보가 상기 제1 특성 정보를 포함하는 경우, 상기 대상 파라미터 세트는 상기 제1 파라미터 세트로 결정되고, 상기 치료 보조 정보를 제공하는 것은, 상기 제1 파라미터 세트가 적용된 상기 인공 신경망을 통하여 획득된 종양 영역 정보에 기초하여 획득된 제3 대상 영역 정보를 제공하는 것을 포함하고,
    상기 치료 계획 정보가 상기 제2 특성 정보를 포함하는 경우, 상기 대상 파라미터 세트는 상기 제2 파라미터 세트로 결정되고, 상기 치료 보조 정보를 제공하는 것은, 상기 제2 파라미터 세트가 적용된 상기 인공 신경망을 통하여 획득된 상기 종양 영역 정보에 기초하여 획득된 제4 대상 영역 정보를 제공하는 것을 포함하는-상기 제3 대상 영역 정보는 상기 제4 대상 영역 정보와 상기 치료 계획 정보에 관계없이 동일함-,
    의료 이미지 분석 방법.
  7. 제1 항에 있어서,
    상기 치료 계획 정보를 획득하는 것은, 입력 모듈을 통하여, 상기 제1 특성 정보 또는 상기 제2 특성 정보 중에서 적어도 하나를 선택하는 사용자의 입력을 획득함;을 포함하며,
    상기 대상 파라미터 세트를 선택하는 것은, 상기 사용자의 입력에 기초하여, 상기 제1 특성 정보에 대응하는 상기 제1 파라미터 세트 및 상기 제2 특성 정보에 대응하는 제2 파라미터 세트 중에서 상기 사용자의 입력에 대응되는 파라미터 세트를 상기 대상 파라미터 세트로 선택함;을 포함하는,
    의료 이미지 분석 방법.
  8. 제1 항에 있어서,
    상기 치료 계획 정보는 시술자 정보, 피시술자 정보, 종양 정보 및 방사선 정보 중 적어도 하나와 관련되며,
    상기 시술자 정보는 종양을 시술하는 시술자와 관련된 신원 정보 및 치료 이력 정보 중 적어도 하나를 포함하며,
    상기 피시술자 정보는 시술을 받는 피시술자의 신원 정보 및 기저 질환 정보 중 적어도 하나를 포함하며,
    상기 종양 정보는 시술 대상인 종양의 크기, 유형, 종양의 위치 및 발현 정도와 관련된 정보 중 적어도 하나를 포함하며,
    상기 방사선 정보는 방사선의 종류, 세기, 조사 주기 및 위험도와 관련된 정보 중 적어도 하나를 포함하는,
    의료 이미지 분석 방법.
  9. 제1 항에 있어서,
    상기 치료 보조 정보를 제공하는 것은,
    입력 모듈을 통하여, 상기 대상 의료 이미지에 대하여 종양 영역과 관련된 종양 영역 정보 및 상기 대상 영역과 관련된 대상 영역 정보를 포함하는 복수의 영역을 정의하는 사용자 치료 정보와 관련된 사용자의 입력을 획득함; 및
    출력 모듈을 통하여, 상기 사용자 치료 정보 및 상기 치료 보조 정보를 출력하는 것을 더 포함하는,
    의료 이미지 분석 방법.
  10. 제1 항에 있어서, 상기 방법은,
    상기 대상 파라미터 세트가 포함되지 않은 인공 신경망 및 상기 대상 의료 이미지에 기초하여 획득된 상기 대상 영역과 관련된 제2 치료 보조 정보를 제공하는 것을 더 포함하되,
    상기 제2 치료 보조 정보는 상기 제1 특성 정보 또는 제2 특성 정보에 비의존적으로 상기 인공 신경망에 의해 획득되는,
    의료 이미지 분석 방법.
  11. 제1 항에 있어서, 상기 방법은,
    입력 모듈을 통하여, 제1 대상 영역 정보 및 제2 대상 영역 정보 중 적어도 하나를 선택하고, 상기 선택된 대상 영역 정보에 기초하여 방사선의 조사의 개시를 지시하는 사용자의 입력을 획득함; 및
    상기 사용자의 입력에 대응하여 방사선의 조사의 개시를 지시함;을 더 포함하되,
    상기 제1 대상 영역 정보는 상기 제1 파라미터 세트가 적용된 상기 인공 신경망을 통하여 획득된 영역 정보에 기초하여 획득된 대상 영역과 관련된 정보이며,
    상기 제2 대상 영역 정보는 상기 제2 파라미터 세트가 적용된 상기 인공 신경망을 통하여 획득된 영역 정보에 기초하여 획득된 대상 영역과 관련된 정보인,
    의료 이미지 분석 방법.
  12. 의료 이미지를 획득하고, 상기 의료 이미지에 기초하여 치료 보조 정보를 제공하는 장치가 상기 의료 이미지를 분석하는 방법에 있어서, 상기 방법은,
    대상 의료 이미지를 획득함;
    방사선이 조사될 대상 영역을 결정하기 위한 기초가 되는 파라미터들과 관련된 제1 특성 정보 또는 제2 특성 정보를 포함하는 치료 계획 정보를 획득함;
    상기 치료 계획 정보에 기초하여 결정된 대상 파라미터 세트를 갖는 노드의 세트를 포함하는 인공 신경망을 이용하여, 상기 치료 계획 정보에 기초하여 상기 대상 의료 이미지를 복수의 영역으로 세그멘테이션을 수행함으로써, 대상 종양과 관련된 제1 영역 및 상기 제1 영역과 인접하며 상기 대상 영역과 관련된 제2 영역을 획득함;
    상기 노드의 세트의 상기 대상 파라미터 세트에 기초하여 상기 제2 영역의 바운더리를 결정함- 상기 치료 계획 정보가 상기 제1 특성 정보를 포함하는 경우, 상기 제2 영역은 제1 바운더리를 가지며, 상기 치료 계획 정보가 상기 제2 특성 정보를 포함하는 경우, 상기 제2 영역은 상기 제1 바운더리와는 상이한 제2 바운더리를 가짐-; 및
    상기 의료 이미지에 상기 제2 영역의 바운더리 및 상기 제1 영역의 바운더리를 제공함;을 포함하는,
    의료 이미지 분석 방법.
  13. 제12 항에 있어서,
    상기 의료 이미지 분석 방법은,
    상기 치료 계획 정보에 기초하여 상기 대상 파라미터 세트가 결정됨;을 더 포함하되,
    상기 제1 특성 정보에 대응하는 제1 파라미터 세트 및 상기 제2 특성 정보에 대응하는 제2 파라미터 세트 중에서 적어도 하나를 선택함으로써 상기 대상 파라미터 세트가 결정되는,
    의료 이미지 분석 방법.
  14. 제13 항에 있어서,
    상기 치료 계획 정보가 상기 제1 특성 정보를 포함하는 경우, 상기 제1 파라미터 세트에 기초하여 상기 제1 바운더리를 가지는 상기 제2 영역을 결정하며,
    상기 치료 계획 정보가 상기 제2 특성 정보를 포함하는 경우, 상기 제2 파라미터 세트에 기초하여 상기 제2 바운더리를 가지는 상기 제2 영역을 결정하는,
    의료 이미지 분석 방법.
  15. 제13 항에 있어서,
    상기 치료 계획 정보가 상기 제1 특성 정보를 포함하는 경우, 상기 제1 영역은 제3 바운더리를 가지며,
    상기 치료 계획 정보가 상기 제2 특성 정보를 포함하는 경우, 상기 제1 영역은 제4 바운더리를 가지되,
    상기 제3 바운더리와 상기 제4 바운더리는 상기 치료 계획 정보에 관계없이 동일한,
    의료 이미지 분석 방법.
  16. 제13 항에 있어서,
    상기 치료 계획 정보를 획득하는 것은,
    입력 모듈을 통하여, 상기 제1 특성 정보 또는 상기 제2 특성 정보 중에서 적어도 하나를 선택하는 사용자의 입력을 획득함;을 포함하며,
    상기 대상 파라미터 세트를 결정하는 것은,
    상기 사용자의 입력에 기초하여, 상기 제1 특성 정보에 대응하는 상기 제1 파라미터 세트 및 상기 제2 특성 정보에 대응하는 제2 파라미터 세트 중에서 상기 치료 계획 정보와 관련된 상기 사용자의 입력에 대응되는 상기 대상 파라미터 세트를 선택함;을 포함하는,
    의료 이미지 분석 방법.
  17. 제12 항에 있어서,
    상기 치료 계획 정보는 시술자 정보, 피시술자 정보, 종양 정보 및 방사선 정보 중 적어도 하나와 관련되며,
    상기 시술자 정보는 종양을 시술하는 시술자와 관련된 신원 정보 및 치료 이력 정보 중 적어도 하나를 포함하며,
    상기 피시술자 정보는 시술을 받는 피시술자의 신원 정보 및 기저 질환 정보 중 적어도 하나를 포함하며,
    상기 종양 정보는 시술 대상인 종양의 크기, 유형 및 발현 정도와 관련된 정보 중 적어도 하나를 포함하며,
    상기 방사선 정보는 방사선의 종류, 세기, 형태 및 위험도와 관련된 정보 중 적어도 하나를 포함하는,
    의료 이미지 분석 방법.
  18. 제12 항에 있어서,
    상기 의료 이미지에 상기 제2 영역의 바운더리 및 상기 제1 영역의 바운더리를 제공하는 것은,
    입력 모듈을 통하여, 상기 대상 의료 이미지에 대하여 상기 대상 종양과 관련된 제3 영역 및 상기 대상 영역과 관련된 제4 영역을 포함하는 복수의 영역을 정의한 사용자 치료 정보와 관련된 사용자의 입력을 획득함; 및
    상기 제3 영역의 바운더리 및 상기 제4 영역의 바운더리를 상기 대상 의료 이미지에 표시하여 출력하는 것을 더 포함하는,
    의료 이미지 분석 방법.
  19. 제12 항에 있어서, 상기 방법은,
    상기 대상 파라미터 세트가 포함되지 않은 인공 신경망 및 상기 대상 의료 이미지에 기초하여 획득된 상기 대상 영역과 관련된 보조 정보를 제공하는 것을 더 포함하되,
    상기 보조 정보는 상기 제1 특성 정보 또는 제2 특성 정보에 비의존적으로 상기 인공 신경망에 의해 획득되는,
    의료 이미지 분석 방법.
  20. 제12 항에 있어서, 상기 방법은,
    입력 모듈을 통하여, 상기 제2 영역에 기초하여 상기 대상 영역에 대한 방사선의 조사의 개시를 지시하는 사용자의 입력을 획득함; 및
    상기 사용자의 입력에 대응하여, 상기 제2 영역에 대한 방사선의 조사의 개시를 지시함;을 더 포함하는,
    의료 이미지 분석 방법.
  21. 제12 항에 있어서,
    상기 복수의 영역은 종양이 위치하는 장기에 대응되는 영역(GTV), 피시술자의 움직임을 고려한 마진과 관련된 영역(CTV), 장기의 움직임을 고려한 마진과 관련된 영역(PTV), 방사선이 조사되어서는 안 되는 영역(OAR) 및 상기 종양 영역 중 적어도 하나와 관련되는,
    의료 이미지 분석 방법.
  22. 제21 항에 있어서,
    상기 인공 신경망은 방사선 조사와 관련된 하나 이상의 라벨에 기초하여, 상기 대상 의료 이미지에 대하여 세그멘테이션을 수행하여, 상기 복수의 영역을 획득하도록 구성되는,
    의료 이미지 분석 방법.
  23. 제22 항에 있어서,
    상기 하나 이상의 라벨은 종양이 위치하는 장기에 대응되는 영역(GTV), 피시술자의 움직임을 고려한 마진과 관련된 영역(CTV), 장기의 움직임을 고려한 마진과 관련된 영역(PTV), 방사선이 조사되어서는 안 되는 영역(OAR) 및 상기 종양 영역과 관련된 라벨 중 적어도 하나를 포함하며,
    상기 인공 신경망은, 상기 대상 의료 이미지의 셀에 대하여 상기 적어도 하나의 라벨을 할당하고 상기 대상 영역과 관련된 영역 정보, 상기 방사선이 조사되어서는 안 되는 영역과 관련된 영역 정보 및 상기 종양 영역과 관련된 영역 정보를 획득하도록 학습되며,
    상기 복수의 영역은 상기 셀에 할당된 라벨에 기초하여 획득되는,
    의료 이미지 분석 방법.
  24. 의료 이미지를 분석하고 종양과 관련된 치료 보조 정보를 제공하는 장치에 있어서,
    대상 의료 이미지를 획득하는 의료 이미지 획득부; 및
    상기 대상 의료 이미지에 기초하여 치료 보조 정보를 제공하는 컨트롤러;를 포함하되,
    상기 컨트롤러는,
    대상 의료 이미지를 획득하고, 방사선이 조사될 대상 영역을 결정하기 위한 치료 계획 정보를 획득- 상기 치료 계획 정보는 제1 특성 정보 또는 제2 특성 정보를 포함함-하고, 상기 치료 계획 정보에 기초하여, 상기 제1 특성 정보에 대응하는 제1 파라미터 세트 및 상기 제2 특성 정보에 대응하는 제2 파라미터 세트 중에서 대상 파라미터 세트를 선택하고, 상기 대상 의료 이미지에 기초하여, 상기 대상 영역과 관련된 영역 정보를 획득하도록 학습된 인공 신경망의 복수의 노드들 중 적어도 하나를 포함하는 특성 노드 세트의 파라미터 값들을 상기 대상 파라미터 세트로 결정하고, 상기 대상 파라미터 세트가 적용된 상기 인공 신경망 및 상기 대상 의료 이미지에 기초하여, 상기 치료 계획 정보에 대응되는 상기 대상 영역과 관련된 치료 보조 정보를 제공하도록 구성되는,
    의료 이미지 분석 장치.
  25. 제24 항에 있어서,
    상기 인공 신경망은 방사선 조사와 관련된 하나 이상의 라벨에 기초하여, 상기 대상 의료 이미지에 대하여 세그멘테이션을 수행하여, 상기 대상 영역 및 종양 영역을 포함하는 복수의 영역을 획득하도록 구성되는,
    의료 이미지 분석 장치.
  26. 제25 항에 있어서,
    상기 하나 이상의 라벨은 종양이 위치하는 장기에 대응되는 영역(GTV), 피시술자의 움직임을 고려한 마진과 관련된 영역(CTV), 장기의 움직임을 고려한 마진과 관련된 영역(PTV), 방사선이 조사되어서는 안 되는 영역(OAR) 및 상기 종양 영역과 관련된 라벨 중 적어도 하나를 포함하며,
    상기 인공 신경망은, 상기 대상 의료 이미지의 셀에 대하여 상기 적어도 하나의 라벨을 할당하고 상기 대상 영역과 관련된 영역 정보, 상기 방사선이 조사되어서는 안 되는 영역과 관련된 영역 정보 및 상기 종양 영역과 관련된 영역 정보를 획득하도록 학습되며,
    상기 대상 영역과 관련된 상기 치료 보조 정보는 상기 셀에 할당된 라벨에 기초하여 획득되는,
    의료 이미지 분석 장치.
  27. 제24 항에 있어서,
    상기 컨트롤러는,
    상기 치료 계획 정보가 상기 제1 특성 정보를 포함하는 경우, 상기 대상 파라미터 세트는 상기 제1 파라미터 세트로 결정하고, 상기 제1 파라미터 세트가 적용된 상기 인공 신경망을 통하여 획득된 영역 정보에 기초하여 획득된 제1 대상 영역 정보를 제공하여 상기 치료 보조 정보를 제공하며,
    상기 치료 계획 정보가 상기 제2 특성 정보를 포함하는 경우, 상기 대상 파라미터 세트는 상기 제2 파라미터 세트로 결정하고, 상기 제2 파라미터 세트가 적용된 상기 인공 신경망을 통하여 획득된 영역 정보에 기초하여 획득된 상기 제1 대상 영역 정보와 상이한 제2 대상 영역 정보를 제공하여 상기 치료 보조 정보를 제공하도록 구성되는,
    의료 이미지 분석 장치.
  28. 제27 항에 있어서,
    상기 제1 대상 영역 정보는 제1 바운더리에 의해 정의되며, 상기 제2 대상 영역 정보는 제2 바운더리에 의해 정의되되,
    상기 대상 의료 이미지 상에서 상기 제1 바운더리 및 상기 제2 바운더리 중 적어도 하나의 바운더리는 상기 제1 바운더리 및 상기 제2 바운더리 중 다른 하나의 바운더리를 포함하는,
    의료 이미지 분석 장치.
  29. 제24 항에 있어서,
    상기 대상 파라미터 세트는 상기 대상 영역과 관련된 영역 정보를 획득하는데 이용되며,
    상기 컨트롤러는,
    상기 치료 계획 정보가 상기 제1 특성 정보를 포함하는 경우, 상기 대상 파라미터 세트를 상기 제1 파라미터 세트로 결정하고, 상기 제1 파라미터 세트가 적용된 상기 인공 신경망을 통하여 획득된 종양 영역 정보에 기초하여 획득된 제3 대상 영역 정보를 제공하여 상기 치료 보조 정보를 제공하며,
    상기 치료 계획 정보가 상기 제2 특성 정보를 포함하는 경우, 상기 대상 파라미터 세트를 상기 제2 파라미터 세트로 결정하고, 상기 제2 파라미터 세트가 적용된 상기 인공 신경망을 통하여 획득된 상기 종양 영역 정보에 기초하여 획득된 제4 대상 영역 정보를 제공하여 상기 치료 보조 정보를 제공하도록 구성되되,
    상기 제3 대상 영역 정보는 상기 제4 대상 영역 정보와 상기 치료 계획 정보에 관계없이 동일한,
    의료 이미지 분석 장치.
  30. 제24 항에 있어서,
    상기 의료 이미지 분석 장치는,
    상기 치료 계획 정보과 관련된 사용자의 입력을 수신하는 입력 모듈;
    상기 사용자의 입력에 대응하여 상기 치료 보조 정보를 출력하는 출력 모듈;을 더 포함하되,
    상기 컨트롤러는,
    상기 입력 모듈을 통하여 상기 제1 특성 정보 또는 상기 제2 특성 정보 중에서 적어도 하나를 선택하는 사용자의 입력을 획득하여 상기 치료 계획 정보를 획득하고, 출력 모듈을 통하여, 상기 사용자의 입력에 기초하여, 상기 제1 특성 정보에 대응하는 상기 제1 파라미터 세트 및 상기 제2 특성 정보에 대응하는 제2 파라미터 세트 중에서 상기 사용자의 입력에 대응되는 파라미터 세트를 상기 대상 파라미터 세트로 선택하도록 구성된,
    의료 이미지 분석 장치.
  31. 제24 항에 있어서,
    상기 치료 계획 정보는 시술자 정보, 피시술자 정보, 종양 정보 및 방사선 정보 중 적어도 하나와 관련되며,
    상기 시술자 정보는 종양을 시술하는 시술자와 관련된 신원 정보 및 치료 이력 정보 중 적어도 하나를 포함하며,
    상기 피시술자 정보는 시술을 받는 피시술자의 신원 정보 및 기저 질환 정보 중 적어도 하나를 포함하며,
    상기 종양 정보는 시술 대상인 종양의 크기, 유형, 종양의 위치 및 발현 정도와 관련된 정보 중 적어도 하나를 포함하며,
    상기 방사선 정보는 방사선의 종류, 세기, 조사 주기 및 위험도와 관련된 정보 중 적어도 하나를 포함하는,
    의료 이미지 분석 장치.
  32. 제24 항에 있어서,
    상기 의료 이미지 분석 장치는,
    복수의 영역을 정의하는 사용자 입력을 수신하는 입력 모듈; 및 상기 사용자의 입력에 대응하여 상기 사용자 치료 정보 출력하는 출력 모듈;을 더 포함하되,
    상기 컨트롤러는,
    상기 입력 모듈을 통하여, 상기 대상 의료 이미지에 대하여 종양 영역과 관련된 종양 영역 정보 및 상기 대상 영역과 관련된 대상 영역 정보를 포함하는 복수의 영역을 정의하는 사용자 치료 정보와 관련된 사용자의 입력을 획득하고,
    출력 모듈을 통하여, 상기 사용자 치료 정보 및 상기 치료 보조 정보를 출력하도록 구성된,
    의료 이미지 분석 장치.
  33. 제24 항에 있어서,
    상기 컨트롤러는,
    상기 대상 파라미터 세트가 포함되지 않은 인공 신경망 및 상기 대상 의료 이미지에 기초하여 획득된 상기 대상 영역과 관련된 제2 치료 보조 정보를 제공하도록 구성되되,
    상기 제2 치료 보조 정보는 상기 제1 특성 정보 또는 제2 특성 정보에 비의존적으로 상기 인공 신경망에 의해 획득되는,
    의료 이미지 분석 장치.
  34. 제22 항에 있어서, 상기 의료 이미지 분석 장치는,
    방사선의 조사의 개시를 지시하는 사용자 입력을 수신하는 입력 모듈;을 더 포함하되,
    상기 컨트롤러는,
    입력 모듈을 통하여, 제1 대상 영역 정보 및 제2 대상 영역 정보 중 적어도 하나를 선택하고, 상기 선택된 대상 영역 정보에 기초하여 방사선의 조사의 개시를 지시하는 사용자의 입력을 획득하며,
    상기 사용자의 입력에 대응하여 방사선의 조사의 개시를 지시하도록 구성되되,
    상기 제1 대상 영역 정보는 상기 제1 파라미터 세트가 적용된 상기 인공 신경망을 통하여 획득된 영역 정보에 기초하여 획득된 대상 영역과 관련된 정보이며,
    상기 제2 대상 영역 정보는 상기 제2 파라미터 세트가 적용된 상기 인공 신경망을 통하여 획득된 영역 정보에 기초하여 획득된 대상 영역과 관련된 정보인,
    의료 이미지 분석 장치.
  35. 의료 이미지를 분석하고 종양과 관련된 치료 보조 정보를 제공하는 장치에 있어서,
    대상 의료 이미지를 획득하는 의료 이미지 획득부; 및
    상기 대상 의료 이미지에 기초하여 치료 보조 정보를 제공하는 컨트롤러;를 포함하되,
    상기 컨트롤러는,
    대상 의료 이미지를 획득하고, 방사선이 조사될 대상 영역을 결정하기 위한 기초가 되는 파라미터들과 관련된 제1 특성 정보 또는 제2 특성 정보를 포함하는 치료 계획 정보를 획득하고, 상기 치료 계획 정보에 기초하여 결정된 대상 파라미터 세트를 갖는 노드의 세트를 포함하는 인공 신경망을 이용하여, 상기 치료 계획 정보에 기초하여 상기 대상 의료 이미지를 복수의 영역으로 세그멘테이션을 수행함으로써, 대상 종양과 관련된 제1 영역 및 상기 제1 영역과 인접하며 상기 대상 영역과 관련된 제2 영역을 획득하고, 상기 노드의 세트의 상기 대상 파라미터 세트에 기초하여 상기 제2 영역의 바운더리를 결정함- 상기 치료 계획 정보가 상기 제1 특성 정보를 포함하는 경우, 상기 제2 영역은 제1 바운더리를 가지며, 상기 치료 계획 정보가 상기 제2 특성 정보를 포함하는 경우, 상기 제2 영역은 상기 제1 바운더리와는 상이한 제2 바운더리를 가짐-;하고, 상기 의료 이미지에 상기 제2 영역의 바운더리 및 상기 제1 영역의 바운더리를 제공하도록 구성된,
    의료 이미지 분석 장치.
  36. 제35 항에 있어서,
    상기 컨트롤러는,
    상기 치료 계획 정보에 기초하여 상기 대상 파라미터 세트를 결정하되, 상기 제1 특성 정보에 대응하는 제1 파라미터 세트 및 상기 제2 특성 정보에 대응하는 제2 파라미터 세트 중에서 적어도 하나를 선택함으로써 상기 대상 파라미터 세트를 결정하도록 구성되는,
    의료 이미지 분석 장치.
  37. 제36 항에 있어서,
    상기 컨트롤러는,
    상기 치료 계획 정보가 상기 제1 특성 정보를 포함하는 경우, 상기 제1 파라미터 세트에 기초하여 상기 제1 바운더리를 가지는 상기 제2 영역을 결정하며, 상기 치료 계획 정보가 상기 제2 특성 정보를 포함하는 경우, 상기 제2 파라미터 세트에 기초하여 상기 제2 바운더리를 가지는 상기 제2 영역을 결정하도록 구성되는,
    의료 이미지 분석 장치.
  38. 제35 항에 있어서,
    상기 치료 계획 정보가 상기 제1 특성 정보를 포함하는 경우, 상기 제1 영역은 제3 바운더리를 가지며, 상기 치료 계획 정보가 상기 제2 특성 정보를 포함하는 경우, 상기 제1 영역은 제4 바운더리를 가지되,
    상기 제3 바운더리와 상기 제4 바운더리는 상기 치료 계획 정보에 관계없이 동일한,
    의료 이미지 분석 장치.
  39. 제36 항에 있어서,
    상기 의료 이미지 분석 장치는,
    상기 치료 계획 정보과 관련된 사용자의 입력을 수신하는 입력 모듈;을 더 포함하되,
    상기 컨트롤러는,
    상기 입력 모듈을 통하여, 상기 제1 특성 정보 또는 상기 제2 특성 정보 중에서 적어도 하나를 선택하는 사용자의 입력을 획득하며,
    상기 사용자의 입력에 기초하여, 상기 제1 특성 정보에 대응하는 상기 제1 파라미터 세트 및 상기 제2 특성 정보에 대응하는 제2 파라미터 세트 중에서 상기 치료 계획 정보와 관련된 상기 사용자의 입력에 대응되는 파라미터 세트를 상기 대상 파라미터 세트로 선택하도록 구성된,
    의료 이미지 분석 장치.
  40. 제35 항에 있어서,
    상기 치료 계획 정보는 시술자 정보, 피시술자 정보, 종양 정보 및 방사선 정보 중 적어도 하나와 관련되며,
    상기 시술자 정보는 종양을 시술하는 시술자와 관련된 신원 정보 및 치료 이력 정보 중 적어도 하나를 포함하며,
    상기 피시술자 정보는 시술을 받는 피시술자의 신원 정보 및 기저 질환 정보 중 적어도 하나를 포함하며,
    상기 종양 정보는 시술 대상인 종양의 크기, 유형 및 발현 정도와 관련된 정보 중 적어도 하나를 포함하며,
    상기 방사선 정보는 방사선의 종류, 세기, 형태 및 위험도와 관련된 정보 중 적어도 하나를 포함하는,
    의료 이미지 분석 장치.
  41. 제35 항에 있어서, 상기 의료 이미지 분석 장치는,
    상기 치료 계획 정보과 관련된 사용자의 입력을 수신하는 입력 모듈;
    상기 사용자의 입력에 대응하여 치료 보조 정보를 출력하는 출력 모듈;을 더 포함하되,
    상기 컨트롤러는,
    상기 입력 모듈을 통하여 상기 대상 의료 이미지에 대하여 상기 대상 종양과 관련된 제3 영역 및 상기 대상 영역과 관련된 제4 영역을 포함하는 복수의 영역을 정의한 사용자 치료 정보와 관련된 사용자의 입력을 획득하고, 상기 출력 모듈을 통하여 상기 제3 영역의 바운더리 및 상기 제4 영역의 바운더리를 상기 대상 의료 이미지에 표시하여 출력하도록 구성되는,
    의료 이미지 분석 장치.
  42. 제35 항에 있어서,
    상기 컨트롤러는,
    상기 대상 파라미터 세트가 포함되지 않은 인공 신경망 및 상기 대상 의료 이미지에 기초하여 획득된 상기 대상 영역과 관련된 보조 정보를 제공하도록 구성되되, 상기 보조 정보는 상기 제1 특성 정보 또는 제2 특성 정보에 비의존적으로 상기 인공 신경망에 의해 획득되는,
    의료 이미지 분석 장치.
  43. 제35 항에 있어서, 상기 의료 이미지 분석 장치는,
    상기 대상 영역에 대하여 방사선의 조사의 개시를 지시하는 사용자 입력을 수신하는 입력 모듈;을 더 포함하되,
    상기 컨트롤러는,
    상기 입력 모듈을 통하여 상기 제2 영역에 기초하여 상기 대상 영역에 대한 방사선의 조사의 개시를 지시하는 사용자의 입력을 획득하고, 상기 사용자의 입력에 대응하여 상기 제2 영역에 대한 방사선의 조사의 개시를 지시하도록 구성되는,
    의료 이미지 분석 장치.
  44. 제35 항에 있어서,
    상기 복수의 영역은 종양이 위치하는 장기에 대응되는 영역(GTV), 피시술자의 움직임을 고려한 마진과 관련된 영역(CTV), 장기의 움직임을 고려한 마진과 관련된 영역(PTV), 방사선이 조사되어서는 안 되는 영역(OAR) 및 상기 종양 영역 중 적어도 하나와 관련되는,
    의료 이미지 분석 장치.
  45. 제44 항에 있어서,
    상기 인공 신경망은 방사선 조사와 관련된 하나 이상의 라벨에 기초하여, 상기 대상 의료 이미지에 대하여 세그멘테이션을 수행하여, 상기 복수의 영역을 획득하도록 구성되는,
    의료 이미지 분석 장치.
  46. 제45 항에 있어서,
    상기 하나 이상의 라벨은 종양이 위치하는 장기에 대응되는 영역(GTV), 피시술자의 움직임을 고려한 마진과 관련된 영역(CTV), 장기의 움직임을 고려한 마진과 관련된 영역(PTV), 방사선이 조사되어서는 안 되는 영역(OAR) 및 상기 종양 영역과 관련된 라벨 중 적어도 하나를 포함하며,
    상기 인공 신경망은, 상기 대상 의료 이미지의 셀에 대하여 상기 적어도 하나의 라벨을 할당하고 상기 대상 영역과 관련된 영역 정보, 상기 방사선이 조사되어서는 안 되는 영역과 관련된 영역 정보 및 상기 종양 영역과 관련된 영역 정보를 획득하도록 학습되며,
    상기 복수의 영역은 상기 셀에 할당된 라벨에 기초하여 획득되는,
    의료 이미지 분석 장치.
KR1020200187933A 2020-12-30 2020-12-30 특성 정보를 고려한 의료 영상 분석 방법, 의료 영상 분석 장치 및 의료 영상 분석 시스템 KR102313661B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200187933A KR102313661B1 (ko) 2020-12-30 2020-12-30 특성 정보를 고려한 의료 영상 분석 방법, 의료 영상 분석 장치 및 의료 영상 분석 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200187933A KR102313661B1 (ko) 2020-12-30 2020-12-30 특성 정보를 고려한 의료 영상 분석 방법, 의료 영상 분석 장치 및 의료 영상 분석 시스템

Publications (1)

Publication Number Publication Date
KR102313661B1 true KR102313661B1 (ko) 2021-10-19

Family

ID=78228137

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200187933A KR102313661B1 (ko) 2020-12-30 2020-12-30 특성 정보를 고려한 의료 영상 분석 방법, 의료 영상 분석 장치 및 의료 영상 분석 시스템

Country Status (1)

Country Link
KR (1) KR102313661B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102417602B1 (ko) 2021-11-30 2022-07-07 (주)플라스바이오 인공 지능 모델 기반 종양 관리 장치 및 방법
KR102590872B1 (ko) * 2022-10-13 2023-10-19 (주)케어마인드 환부의 회복 정보를 예측하기 위한 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160044459A (ko) * 2013-06-21 2016-04-25 시리스 메디컬, 인코퍼레이티드 다목적 방사선 치료 선택 시스템 및 방법
KR20170016004A (ko) * 2014-06-12 2017-02-10 코닌클리케 필립스 엔.브이. 의료 영상 처리 장치 및 방법
KR101882300B1 (ko) * 2017-02-08 2018-07-25 가톨릭대학교 산학협력단 빅데이터 기반 인공지능 방사선 치료계획 수립시스템 및 그 방법
KR20190109141A (ko) * 2018-03-16 2019-09-25 삼성메디슨 주식회사 의료 영상 장치, 그 제어 방법, 및 컴퓨터 프로그램 제품
KR20200023029A (ko) * 2018-08-24 2020-03-04 연세대학교 산학협력단 진단 보조 시스템 및 그 제어 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160044459A (ko) * 2013-06-21 2016-04-25 시리스 메디컬, 인코퍼레이티드 다목적 방사선 치료 선택 시스템 및 방법
KR20170016004A (ko) * 2014-06-12 2017-02-10 코닌클리케 필립스 엔.브이. 의료 영상 처리 장치 및 방법
KR101882300B1 (ko) * 2017-02-08 2018-07-25 가톨릭대학교 산학협력단 빅데이터 기반 인공지능 방사선 치료계획 수립시스템 및 그 방법
KR20190109141A (ko) * 2018-03-16 2019-09-25 삼성메디슨 주식회사 의료 영상 장치, 그 제어 방법, 및 컴퓨터 프로그램 제품
KR20200023029A (ko) * 2018-08-24 2020-03-04 연세대학교 산학협력단 진단 보조 시스템 및 그 제어 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102417602B1 (ko) 2021-11-30 2022-07-07 (주)플라스바이오 인공 지능 모델 기반 종양 관리 장치 및 방법
KR102590872B1 (ko) * 2022-10-13 2023-10-19 (주)케어마인드 환부의 회복 정보를 예측하기 위한 방법

Similar Documents

Publication Publication Date Title
Liu et al. MRI-based treatment planning for liver stereotactic body radiotherapy: validation of a deep learning-based synthetic CT generation method
KR102313661B1 (ko) 특성 정보를 고려한 의료 영상 분석 방법, 의료 영상 분석 장치 및 의료 영상 분석 시스템
US11801024B2 (en) Apparatus and method for maintaining image quality while minimizing x-ray dosage of a patient
US9406130B2 (en) Determining an anatomical atlas
JP6496813B2 (ja) 放射線療法の線量計算のための方法、コンピュータプログラム、およびシステム
CN114341936A (zh) 用于医学成像中的图像裁剪和解剖结构分割的系统和方法
CN106462974B (zh) 用于分割图像的参数优化
JP6095112B2 (ja) 放射線治療システム
CN115666717A (zh) 用于导出和利用虚拟体积结构来预测在实施治疗的放射时的潜在碰撞的方法和装置
US9014454B2 (en) Method and apparatus pertaining to images used for radiation-treatment planning
KR102275098B1 (ko) 세기변조 방사선 치료계획 예측 시스템 및 방법
JP2018042831A (ja) 医用画像処理装置、治療システム、および医用画像処理プログラム
EP3218057B1 (en) Target region partitioning in radiation therapy for minimising irradiation of non-target tissue
US11565129B2 (en) Binary tracking of an anatomical tracking structure on medical images
JP7376954B2 (ja) 特性情報を考慮した医療映像分析方法、医療映像分析装置及び医療映像分析システム
US11690581B2 (en) Tumor position determination
CN117178291A (zh) 使用辐射剂量信息进行自动器官分割模型训练
CN114664408A (zh) 用于计划放射治疗的计划装置
JP2019208950A (ja) 腫瘍位置表示装置及び放射線治療システム

Legal Events

Date Code Title Description
GRNT Written decision to grant