KR102325963B1 - 갑상선 암의 림프절 전이 진단에 필요한 정보를 제공하는 방법 및 장치 - Google Patents

갑상선 암의 림프절 전이 진단에 필요한 정보를 제공하는 방법 및 장치 Download PDF

Info

Publication number
KR102325963B1
KR102325963B1 KR1020210090171A KR20210090171A KR102325963B1 KR 102325963 B1 KR102325963 B1 KR 102325963B1 KR 1020210090171 A KR1020210090171 A KR 1020210090171A KR 20210090171 A KR20210090171 A KR 20210090171A KR 102325963 B1 KR102325963 B1 KR 102325963B1
Authority
KR
South Korea
Prior art keywords
lymph node
medical image
cancer metastasis
compartments
lymph
Prior art date
Application number
KR1020210090171A
Other languages
English (en)
Inventor
최준영
스리니바산 기리시
김한석
유영성
피재우
페루말라 아킬라
Original Assignee
주식회사 피노맥스
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 피노맥스 filed Critical 주식회사 피노맥스
Priority to KR1020210090171A priority Critical patent/KR102325963B1/ko
Priority to US17/928,218 priority patent/US11776121B2/en
Priority to PCT/KR2021/013298 priority patent/WO2023282388A1/ko
Priority to KR1020210151435A priority patent/KR20230010163A/ko
Application granted granted Critical
Publication of KR102325963B1 publication Critical patent/KR102325963B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/41—Detecting, measuring or recording for evaluating the immune or lymphatic systems
    • A61B5/414—Evaluating particular organs or parts of the immune or lymphatic systems
    • A61B5/418—Evaluating particular organs or parts of the immune or lymphatic systems lymph vessels, ducts or nodes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/42—Detecting, measuring or recording for evaluating the gastrointestinal, the endocrine or the exocrine systems
    • A61B5/4222—Evaluating particular parts, e.g. particular organs
    • A61B5/4227—Evaluating particular parts, e.g. particular organs endocrine glands, i.e. thyroid, adrenals, hypothalamic, pituitary
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4842—Monitoring progression or stage of a disease
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • 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
    • A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computerised tomographs
    • 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
    • A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computerised tomographs
    • A61B6/032—Transmission computed tomography [CT]
    • 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
    • A61B6/12—Devices for detecting or locating foreign bodies
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/46—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment with special arrangements for interfacing with the operator or the patient
    • A61B6/461—Displaying means of special interest
    • A61B6/466—Displaying means of special interest adapted to display 3D data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • A61B2034/101—Computer-aided simulation of surgical operations
    • A61B2034/105—Modelling of the patient, e.g. for ligaments or bones
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • A61B2034/107—Visualisation of planned trajectories or target regions
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/032—Recognition of patterns in medical or anatomical images of protuberances, polyps nodules, etc.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Surgery (AREA)
  • Public Health (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biomedical Technology (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Optics & Photonics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Gastroenterology & Hepatology (AREA)
  • Urology & Nephrology (AREA)
  • Multimedia (AREA)
  • Robotics (AREA)
  • Endocrinology (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Human Computer Interaction (AREA)
  • Pulmonology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Immunology (AREA)
  • Vascular Medicine (AREA)

Abstract

본 개시는 갑상선 암의 림프절 전이 진단에 필요한 정보를 제공하는 방법 및 장치에 관한 것으로, 본 개시의 실시예에 따른 방법은, 경부를 포함하는 신체 부위의 연속적인 부피에 대응하여 생성된 의료 영상을 획득하는 단계; 학습된 제 1 네트워크 함수를 통해 상기 의료 영상으로부터 적어도 하나의 림프절을 검출하는 단계 - 상기 림프절은 암 전이 위험도가 소정의 기준값 이상인 적어도 하나의 림프절을 포함함 - ; 학습된 제 2 네트워크 함수를 통해 상기 의료 영상으로부터 갑상선 주변의 경부 조직을 해부학적 특징에 따라 복수의 구획으로 분할하는 단계; 및 상기 검출된 림프절 및 상기 복수의 구획에 대한 정보를 포함하는 진단 정보를 상기 의료 영상에 정합하여 표시하는 단계를 포함할 수 있다.

Description

갑상선 암의 림프절 전이 진단에 필요한 정보를 제공하는 방법 및 장치{METHOD AND APPARATUS FOR PROVIDING INFORMATION FOR DIAGNOSING LYMPH NODE METASTASIS THYROID CANCER}
본 개시(disclosure)의 기술적 사상은 갑상선 암의 림프절 전이 진단에 필요한 정보를 제공하는 방법 및 장치에 관한 것이다.
컴퓨터 단층촬영(CT, Computed Tomography)은 X선 촬영과 달리 인체를 가로로 자른 횡단면상을 획득한다. CT는 단순 X선 촬영에 비해 구조물이 겹쳐지는 것이 적어 구조물 및 병변을 좀더 명확히 볼 수 있는 장점이 있다. 또한 CT 촬영은 MRI에 비하여 검사비가 싸고, 검사 시간이 짧기 때문에, 대부분의 장기 및 질환에서 병변이 의심되고 정밀검사를 시행해야 할 필요가 있을 때 기본이 되는 검사법이다.
최근에는 다중채널 CT(MDCT, multi-detector CT)가 보급되면서 촬영 후 영상을 재구성하여 MRI처럼 원하는 단면상 및 입체적인 3차원(3D) 영상도 자유로이 얻을 수 있게 되었고, CT 촬영영상을 의료기관에서 수집할 수도 있다.
한편, CT 촬영영상의 경우, 암의 발생 및 전이 여부를 확인하는 용도로 사용될 수 있는데, 종래에는 이를 전문의가 육안으로 파악하는 방법이 최선이었다. 그러나, 의료 영상을 직접 육안으로 파악하는 것은 높은 숙련도를 요하며 검사자의 피로도가 높은 경우 오진 확률이 존재한다.
근래, 이를 개선하기 위해 의료 영상 인공지능 기술이 개발되고 있다. 해당 기술에 의하면, 전문의의 육안 판독 없이도 인공 지능을 통해, 암 전이 부위 등의 병변 부위를 검출할 수 있다는 장점을 가진다. 그러나, 기존의 기술은 단순히 병변 부위를 자동으로 추출하여 위치와 크기 정보를 제공하는 것으로, 실제 수술 시 절제 부위를 정하는 데 한계가 존재한다.
육안으로 파악하는 것과 인공지능에 의한 자동 추출 모두 암 전이 부위를 파악하면 재발을 막기 위해 일반적으로 주변 여러 조직의 조직검사를 필수적으로 시행하여야 하며, 주변 조직 또한 절제하여야 한다. 이 과정에서 너무 적은 부위를 절제하면 수술 시간과 비용, 입원기간을 줄여 환자의 단기적인 회복에 도움을 주지만 암의 재발 등 예후가 좋지 않을 확률이 높아지게 된다. 반대로 너무 많은 부위를 절제할 경우 환자에게 비용적, 체력적인 부담이 가중된다.
때문에 수술 전 계획 수립 단계에서 적절한 절개 부위와 크기를 찾는 것이 필수적이지만, 현존하는 인공지능 기반 의료 영상 분석 방법들은 수술 계획 수립을 위한 충분한 정보를 제공하지 않는다는 문제점이 있다.
본 개시의 기술적 사상에 따른 갑상선 암의 림프절 전이 진단에 필요한 정보를 제공하는 방법 및 장치 가 이루고자 하는 기술적 과제는, 딥러닝 모델을 통해 두경부 CT 영상으로부터 암 전이 위험이 있는 림프절을 자동 추출하고, 이에 대한 정보를 복수로 구획된 갑상선 주변의 경부 조직과 매칭하여 보다 직관적으로 표시함으로써 갑상선 암이 림프절 전이 진단 및 수술 계획 수립을 보조할 수 있는 방법 및 그 장치를 제공하는 데에 있다.
본 개시의 기술적 사상에 따른 갑상선 암의 림프절 전이 진단에 필요한 정보를 제공하는 방법 및 이를 위한 장치가 이루고자 하는 기술적 과제는 이상에서 언급한 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제는 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 개시의 기술적 사상에 의한 일 양태에 따르면, 갑상선 암의 림프절 전이 진단에 필요한 정보를 제공하는 방법은, 경부를 포함하는 신체 부위의 연속적인 부피에 대응하여 생성된 의료 영상을 획득하는 단계; 학습된 제 1 네트워크 함수를 통해 상기 의료 영상으로부터 적어도 하나의 림프절을 검출하는 단계 - 상기 림프절은 암 전이 위험도가 소정의 기준값 이상인 적어도 하나의 림프절을 포함함 - ; 학습된 제 2 네트워크 함수를 통해 상기 의료 영상으로부터 갑상선 주변의 경부 조직을 해부학적 특징에 따라 복수의 구획으로 분할하는 단계; 및 상기 검출된 림프절 및 상기 복수의 구획에 대한 정보를 포함하는 진단 정보를 상기 의료 영상에 정합하여 표시하는 단계를 포함할 수 있다.
예시적인 실시예에 따르면, 상기 진단 정보는 상기 림프절의 식별자, 상기 림프절의 위치 좌표, 상기 림프절의 부피, 상기 림프절이 속한 구획 및 상기 림프절의 암 전이 위험도 중 적어도 하나에 대한 정보를 포함할 수 있다.
예시적인 실시예에 따르면, 상기 복수의 구획에 각각에 대하여 상기 구획에 속한 상기 림프절의 개수, 상기 림프절의 부피 및 상기 림프절의 암 전이 위험도 중 적어도 하나에 기초하여 암 전이 심각도를 산출하는 단계를 더 포함하고, 상기 진단 정보는 상기 복수의 구획 각각에 대한 암 전이 심각도에 대한 정보를 더 포함할 수 있다.
예시적인 실시예에 따르면, 상기 암 전이 심각도에 기초하여 상기 복수의 구획 중 절제 영역을 설정하는 단계를 더 포함할 수 있다.
예시적인 실시예에 따르면, 상기 림프절 각각의 부피 및 상기 복수의 구획 중 상기 림프절이 속한 구획을 산출하는 단계를 더 포함할 수 있다.
예시적인 실시예에 따르면, 학습된 제 3 네트워크 함수를 통해 상기 의료 영상으로부터 갑상선을 검출하는 단계를 더 포함하고, 상기 진단 정보는 상기 검출된 갑상선에 대한 정보를 더 포함할 수 있다.
예시적인 실시예에 따르면, 검출된 복수의 상기 림프절에 대하여 암 전이 경로를 예측하는 단계를 더 포함할 수 있다.
본 개시의 기술적 사상에 의한 일 양태에 따르면, 갑상선 암의 림프절 전이 진단을 위한 정보 제공 장치는, 적어도 하나의 프로세서; 상기 프로세서에 의해 실행 가능한 프로그램을 저장하는 메모리; 및 상기 프로세서는, 상기 프로그램을 실행함으로써, 경부를 포함하는 신체 부위의 연속적인 부피에 대응하여 생성된 의료 영상을 획득하고, 학습된 제 1 네트워크 함수를 통해 상기 의료 영상으로부터 적어도 하나의 림프절을 검출하며, 학습된 제 2 네트워크 함수를 통해 상기 의료 영상으로부터 갑상선 주변의 경부 조직을 해부학적 특징에 따라 복수의 구획으로 분할하고, 상기 검출된 림프절 및 상기 복수의 구획에 대한 정보를 포함하는 진단 정보를 상기 의료 영상에 정합하여 표시하며, 상기 림프절은 암 전이 위험도가 소정의 기준값 이상인 적어도 하나의 림프절을 포함할 수 있다.
본 개시의 기술적 사상에 의한 실시예들에 따른 갑상선 암의 림프절 전이 진단에 필요한 정보를 제공하는 방법 및 장치에 따르면, 신경망 네트워크를 이용하여 두경부 의료 영상으로부터 갑상선 및 암 전이 위험이 있는 림프절을 정확하게 검출하고, 이를 의료 영상에 정합하여 보다 직관적으로 결과를 제공할 수 있다.
본 개시의 기술적 사상에 의한 실시예들에 따른 갑상선 암의 림프절 전이 진단에 필요한 정보를 제공하는 방법 및 장치에 따르면, 갑상선 주변의 경부 조직을 복수의 구획으로 구분하고, 각각의 구획에 속하는 림프절에 대한 정보를 의료 영상을 통해 제공하여, 진단자가 암 전이의 정도를 더욱 용이하게 파악하도록 함으로써, 불필요한 조직검사 및 과다 절제를 줄일 수 있다.
본 개시의 기술적 사상에 따른 방법 및 이를 위한 장치가 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 개시에서 인용되는 도면을 보다 충분히 이해하기 위하여 각 도면의 간단한 설명이 제공된다.
도 1은 본 개시의 실시예에 따른 림프절 전이 진단에 필요한 정보를 제공하는 방법을 설명하기 위한 흐름도이다.
도 2는 본 개시의 실시예에 림프절 전이 진단에 필요한 정보를 제공하는 방법을 설명하기 위한 흐름도이다.
도 3 내지 도 6은 본 개시의 실시예에 따른 림프절 전이 진단에 필요한 정보를 제공하는 방법을 수행하기 위하여 네트워크 함수로 구현되는 복수의 모듈과 이들의 예시적인 동작을 도시한다.
도 7은 본 개시의 실시예에 따른 림프절 전이 진단에 필요한 정보를 제공하는 방법을 통해 제공되는 진단 정보를 예시적으로 도시한다.
도 8은 본 개시의 실시예에 따른 림프절 전이 진단에 필요한 정보를 제공하는 장치의 구성을 간략히 도시한 블록도이다.
본 개시의 기술적 사상은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 이를 상세히 설명하고자 한다. 그러나, 이는 본 개시의 기술적 사상을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 개시의 기술적 사상의 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
본 개시의 기술적 사상을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 개시의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 개시의 설명 과정에서 이용되는 숫자(예를 들어, 제1, 제2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.
또한, 본 개시에서, 일 구성요소가 다른 구성요소와 "연결된다" 거나 "접속된다" 등으로 언급된 때에는, 상기 일 구성요소가 상기 다른 구성요소와 직접 연결되거나 또는 직접 접속될 수도 있지만, 특별히 반대되는 기재가 존재하지 않는 이상, 중간에 또 다른 구성요소를 매개하여 연결되거나 또는 접속될 수도 있다고 이해되어야 할 것이다.
또한, 본 개시에 기재된 "~부", "~기", "~자", "~모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 프로세서(Processor), 마이크로 프로세서(Micro Processer), 마이크로 컨트롤러(Micro Controller), CPU(Central Processing Unit), GPU(Graphics Processing Unit), APU(Accelerate Processor Unit), DSP(Digital Signal Processor), ASIC(Application Specific Integrated Circuit), FPGA(Field Programmable Gate Array) 등과 같은 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
그리고 본 개시에서의 구성부들에 대한 구분은 각 구성부가 담당하는 주기능 별로 구분한 것에 불과함을 명확히 하고자 한다. 즉, 이하에서 설명할 2개 이상의 구성부가 하나의 구성부로 합쳐지거나 또는 하나의 구성부가 보다 세분화된 기능별로 2개 이상으로 분화되어 구비될 수도 있다. 그리고 이하에서 설명할 구성부 각각은 자신이 담당하는 주기능 이외에도 다른 구성부가 담당하는 기능 중 일부 또는 전부의 기능을 추가적으로 수행할 수도 있으며, 구성부 각각이 담당하는 주기능 중 일부 기능이 다른 구성부에 의해 전담되어 수행될 수도 있음은 물론이다.
이하, 본 개시의 실시예들을 차례로 상세히 설명한다.
본 명세서에 걸쳐, 네트워크 함수는 신경망 네트워크 및/또는 뉴럴 네트워크(neural network)와 동일한 의미로 사용될 수 있다. 여기서, 뉴럴 네트워크(신경망)는 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있고, 이러한 노드들은 뉴런으로 지칭될 수 있다. 뉴럴 네트워크는 일반적으로 복수의 노드들을 포함하여 구성된다. 뉴럴 네트워크를 구성하는 노드들은 하나 이상의 링크에 의해 상호 연결될 수 있다.
뉴럴 네트워크를 구성하는 노드들 중 일부는 최초 입력 노드로부터의 거리들에 기초하여 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은 n 레이어를 구성할 수 있다.
본 명세서에서 설명하는 뉴럴 네트워크는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 딥 뉴럴 네트워크(Deep Neural Network, DNN)를 포함할 수 있다
도 1은 본 개시의 실시예에 따른 림프절 전이 진단에 필요한 정보를 제공하는 방법을 설명하기 위한 흐름도이다.
본 개시의 실시예에 따른 방법(100)은 연산 능력을 구비한 개인용 컴퓨터(Personal Computer), 워크스테이션(work station), 서버용 컴퓨터 장치 등에서 수행되거나 이를 위한 별도의 장치에서 수행될 수 있다.
또한, 방법(100)은 하나 이상의 연산 장치들에서 수행될 수도 있다. 예를 들어, 본 개시의 실시예에 따른 방법(100) 중 적어도 하나 이상의 단계들은 클라이언트 디바이스에서, 다른 단계들은 서버 디바이스에서 수행될 수 있다. 이러한 경우, 클라이언트 디바이스와 서버 디바이스는 네트워크로 연결되어 연산 결과를 송수신할 수 있다. 또는, 방법(100)은 분산 컴퓨팅 기술에 의해 수행될 수도 있다.
S110 단계에서, 장치는 경부를 포함하는 신체 부위의 연속적인 부피에 대응하여 생성된 의료 영상을 획득할 수 있다. 실시예에서, 의료 영상은 대상자의 두경부를 단층 촬영하여 생성된 CT(Computed Tomography) 영상일 수 있다. 즉, 의료 영상은 컴퓨터 단층 촬영 방법을 통해 대상의 두경부를 일 방향으로 연속하여 촬영한 복수의 슬라이스로 구성될 수 있다. 또한, 실시예에서, 의료 영상은 CT 영상을 구성하는 복수의 슬라이스를 적층하여 생성된 두경부의 3차원 영상일 수 있다.
S120 단계에서, 장치는 의료 영상을 학습된 제 1 네트워크 함수(즉, 림프절 검출 모듈)에 입력하여 의료 영상으로부터 적어도 하나의 림프절을 검출할 수 있다. 실시예에서, S120 단계에서 검출되는 림프절은 갑상선 암의 전이 위험도가 소정의 기준치보다 높은 적어도 하나의 림프절을 포함할 수 있다. 즉, 예를 들어, 제 1 네트워크 함수는 암 전이된 림프절의 해부학적인 특징에 기초하여 암 전이가 의심되는 적어도 하나의 림프절 및 이에 해당할 확률을 검출할 수 있다. 이어서, 제 1 네트워크 함수는 해당 확률에 기초하여 암의 전이 위험도가 소정의 기준치보다 높은 적어도 하나의 림프절을 최종 검출할 수 있다.
제 1 네트워크 함수는 학습 데이터(예를 들어, 전문가, 검사 등을 통해 암 전이가 된 것으로 라벨링된 림프절이 포함된 두경부 CT 영상)를 통해 사전에 림프절 검출에 대한 학습이 수행된 것일 수 있다.
검출된 림프절에 대한 정보에는 검출된 림프절의 위치 좌표에 대한 정보가 포함될 수 있다. 여기서 림프절의 위치 좌표는 3차원 영상으로 생성 또는 변환된 의료 영상과 동일한 기준 좌표에 대응하여 생성된 것일 수 있다.
한편, 도시되어 있지는 않지만, 실시예에 따라, 방법(100)은 검출된 림프절을 라벨링하는 단계를 더 포함할 수 있다. 즉, 예를 들어, 제 1 네트워크 함수에 의해 검출된 적어도 하나의 림프절에 대한 정보가 의료 영상에 소정의 방식(특정 색상, 음영, 경계선 등)으로 표시되어 진단자 등에게 제공될 수 있으며, 진단자 등은 림프절이 표시된 의료 영상을 이용하여 각각의 림프절에 고유의 식별자(ID)를 라벨링할 수 있다.
S130 단계에서, 장치는 의료 영상을 학습된 제 2 네트워크 함수(즉, 경부 조직 분할 모듈)에 입력하여 의료 영상으로부터 갑상선 주변의 경부 조직을 복수의 구획으로 분할할 수 있다. 즉, 제 2 네트워크 함수는 갑상선 주변의 경부 조직을 검출하고, 분할의 기준이 되는 복수의 해부학적 특징에 기초하여 경부 조직을 복수의 구획으로 분할할 수 있다. 예를 들어, 제 2 네트워크 함수는 심장에서 뇌로 가는 큰 혈관(온목동맥: common carotid artery, 속목정맥: internal jugular vein)과 흉쇄유돌근(sternocleidomastoid), 설골(hyoid bone)과 같은 해부학적 특징의 위치를 기준으로 갑상선 주변의 경부 조직을 6 내지 7개의 구획으로 분할할 수 있다.
제 2 네트워크 함수는 학습 데이터(예를 들어, 전문가 등에 의해 경부 조직 분할이 수행된 두경부 CT 영상)를 통해 사전에 경부 조직 분할에 대한 학습이 수행된 것일 수 있다.
S140 단계에서, 장치는 의료 영상을 학습된 제 3 네트워크 함수(즉, 갑상선 검출 모듈)에 입력하여 의료 영상으로부터 갑상선을 검출할 수 있다.
제 3 네트워크 함수는 학습 데이터(예를 들어, 전문가에 의해 라벨링된 갑상선이 포함된 두경부 CT 영상)를 통해 사전에 갑상선 검출에 대한 학습이 수행된 것일 수 있다.
S140 단계를 통해 검출된 갑상선에 대한 정보는 의료 영상에 소정의 방식(특정 색상, 음영, 경계선 등)으로 표시되어 진단자에게 제공될 수 있으며, 진단자는 이를 기초로 갑상선의 모양(부어오름, 치우침 등)을 판단할 수 있게 된다.
한편, 도 1에서는 S120 단계 내지 S140 단계가 순차적으로 수행되는 것으로 도시되어 있으나, 실시예에 따라, S120 단계 내지 S140 단계는 적어도 일부가 동시에 수행되거나, 수행 순서가 서로 변경될 수 있다. 예를 들어, S140 단계가 먼저 수행되고, 이어서 S120 단계 및 S130 단계가 수행되는 등 수행 순서는 다양하게 변경될 수 있다. 또한, 실시예에 따라, S140 단계는 생략될 수 있다.
S150 단계에서, 장치는 검출된 림프절의 각각의 부피와 복수의 구획 중 림프절이 속하는 구획을 산출할 수 있다. 즉, 예를 들어, 장치는 소정의 계산식(예를 들어, 복셀의 단위 부피 X 림프절에 해당하는 복셀 개수)에 의해 검출된 림프절의 3차원 공간에서의 부피를 산출하고, 림프절의 위치 좌표에 기초하여 각각의 림프절이 속하는 구획을 산출할 수 있다.
S160 단계에서, 장치는 검출된 림프절, 복수의 구획 및/또는 갑상선에 대한 정보를 포함하는 진단 정보를 의료 영상에 정합하여 표시할 수 있다. 이때, 진단 정보는 림프절의 식별자, 림프절의 위치 좌표, 림프절의 부피, 림프절이 속한 구획, 림프절의 암 전이 위험도, 갑상선의 위치, 갑상선의 형태 및/또는 갑상선 주변 경부 조직의 구획과 이의 위치 등에 관한 정보를 포함할 수 있다. 예를 들어, 3차원의 의료 영상에 림프절, 복수의 구획 및/또는 갑상선을 소정의 방식(특정 색상, 음영, 경계선 등)으로 표시하고, 이에 대하여 진단 정보가 텍스트의 형태 등으로 표시되어 진단자에게 제공될 수 있다.
실시예에서, 방법(100)은 검출된 복수의 림프절에 대하여 암 전이 경로를 예측하는 단계를 더 포함할 수 있다. 즉, 예를 들어, 장치는 복수의 림프절의 위치, 림프절이 속한 구획, 림프절의 부피 등에 기초하여, 현재 암 전이가 의심되거나, 후추 암 전이 위험이 있는 복수의 림프절 사이의 전이 경로(또는, 전이 순서)를 예측하여 진단자에게 제공할 수 있다.
실시예에서, 림프절 사이의 전이 경로에 대한 예측은 학습된 제 4 네트워크 함수에 의해 수행될 수 있다. 예를 들어, 제 4 네트워크 함수는 암 전이가 발생한 림프절 사이의 위치, 림프절의 부피, 해당 림프절이 속하는 구획 등의 암전이 림프절에 대한 정보를 학습 데이터로 하여, 림프절 상의의 암 전이 경로를 예측하도록 학습이 수행된 것일 수 있다.
도 2는 본 개시의 실시예에 따른 림프절 전이 진단에 필요한 정보를 제공하는 방법을 설명하기 위한 흐름도이다.
도 2의 방법(200)은 도 1의 방법(100)에 추가하여 S210 단계 내지 S220 단계를 더 포함할 수 있다.
S210 단계에서, 장치는 복수의 구획에 각각에 대하여 구획에 속한 림프절의 개수, 림프절의 부피 및 림프절의 암 전이 위험도 중 적어도 하나에 기초하여 암 전이 심각도를 산출할 수 있다.
예를 들어, 장치는 특정 구획에 암 전이 위험도가 있는 림프절이 다수가 속하거나, 이에 속하는 림프절의 부피 및/또는 암 전이 위험도가 높은 경우, 해당 구획의 암 전이 심각도를 높게 산출할 수 있다.
이어서, S220 단계에서, 장치는 산출된 암 전이 심각도에 기초하여 복수의 구획 중에서 절제 영역을 설정할 수 있다. 예를 들어, 장치는 복수의 구획 중에서 암 전이 심각도가 소정의 기준치 이상인 구획의 적어도 일부를 절제 영역으로 설정할 수 있다.
S210 단계에서 산출된 각 구획의 암 전이 심각도와 S220 단계에서 설정된 절제 영역에 대한 정보는 진단 정보에 포함되어 S160 단계를 통해 진단자에게 표시될 수 있다.
도 3 내지 도 6은 본 개시의 실시예에 따른 림프절 전이 진단에 필요한 정보를 제공하는 방법을 수행하기 위하여 네트워크 함수로 구현되는 복수의 모듈과 이들의 예시적인 동작을 도시한다.
도 3을 참조하면, 대상자의 두경부를 촬영하여 생성된 의료 영상이 학습된 갑상선 검출 모듈(310), 림프절 검출 모듈(320) 및 경부 조직 분할 모듈(330)에 각각 입력될 수 있다.
이때, 의료 영상(10)은 복수의 2차원 슬라이스를 포함하는 영상군으로 구성되는 두경부 CT 영상이거나, 이에 기초하여 생성된 두경부의 3차원 영상일 수 있다. 또한, 갑상선 검출 모듈(310), 림프절 검출 모듈(320) 및 경부 조직 분할 모듈(330)은 기계 학습 또는 심층 학습(deep learning)이 가능하도록 구현된 네트워크 함수를 포함할 수 있으며, 실시예에 따라, 각각의 네트워크 함수는 3차원 심층 학습이 가능하도록 구현될 수 있다.
갑상선 검출 모듈(310)은 입력된 의료 영상으로부터 갑상선(410)을 검출하고, 이에 대한 정보를 의료 영상에 정합하여 표시할 수 있다. 예를 들어, 도 4에서 도시되는 바와 같이, 갑상선 검출 모듈(310)은 검출된 갑상선(410)에 대한 정보에 기초하여 의료 영상 중 갑상선(410)에 해당하는 영역을 소정의 음역으로 표시할 수 있다. 이러한 표시는 2차원 슬라이드의 적어도 일부에 대하여 수행되거나, 3차원으로 형성된 의료 영상에 대해 수행될 수 있다.
림프절 검출 모듈(320)은 입력된 의료 영상으로부터 암 전이 위험도가 존재하는 적어도 하나의 림프절을 검출할 수 있으며, 도 5에서 도시되는 바와 같이, 이에 대한 정보를 의료 영상에 정합하여 표시할 수 있다. 검출된 림프절에 대한 정보에는 림프절의 위치 좌표, 림프절의 부피 및/또는 림프절의 암 전이 위험도가 포함될 수 있다.
또한, 실시예에서, 림프절 검출 모듈(320)은 사용자 입력에 기초하여 검출된 림프절 각각에 고유한 식별자를 라벨링할 수 있다.
경부 조직 분할 모듈(330)은 입력된 의료 영상으로부터 갑상선 주변의 경부 조직을 검출하고, 해부학적인 특징에 기초하여 이를 복수의 구획으로 분할할 수 있다. 또한, 경부 조직 분할 모듈(330)은, 도 6에 도시되는 바와 같이, 분할된 복수의 구획에 대한 정보를 의료 영상에 정합하여 표시할 수 있다. 복수의 구획은 서로 다른 색상의 음영을 통해 의료 영상에 표시될 수 있다.
예를 들어, 복수의 구획은 해부학적 특징에 의해 분할된 6개의 구획을 포함할 수 있으며, 각각의 구획은 Level 1 부터 Level 6까지 차례로 지칭될 수 있다.
도 7은 본 개시의 실시예에 따른 림프절 전이 진단에 필요한 정보를 제공하는 방법을 통해 제공되는 진단 정보를 예시적으로 도시한다.
도 7을 참조하면, 갑상선 검출 모듈(310), 림프절 검출 모듈(320) 및 경부 조직 분할 모듈(330)에 의해 획득된 갑상선, 림프절 및/또는 복수의 구획에 대한 정보 중 적어도 일부는 진단 정보에 포함되어 의료 영상에 표시될 수 있다.
예를 들어, 경부 조직에 대한 복수의 구획이 의료 영상에 정합되어 표시되고, 이에 검출된 림프절이 소정의 색상 등으로 의료 영상에 더 표시될 수 있다. 또한, 의료 영상에 표시된 각각의 림프절에 대응하여, 림프절의 식별자, 림프절의 위치 좌표, 림프절의 부피, 림프절이 속한 구획, 림프절의 암 전이 위험도 등의 정보가 더 표시될 수 있다.
도 8은 본 개시의 실시예에 따른 림프절 전이 진단에 필요한 정보를 제공하는 장치의 구성을 간략히 도시한 블록도이다.
통신부(810)는 림프절 전이 여부를 진단하기 위한 입력 데이터(두경부 CT 영상 등)를 수신할 수 있다. 통신부(810)는 유무선 통신부를 포함할 수 있다. 통신부(810)가 유선 통신부를 포함하는 경우, 통신부(810)는 근거리 통신망(Local Area Network; LAN), 광역 통신망(Wide Area Network; WAN), 부가가치 통신망(Value Added Network; VAN), 이동 통신망(mobile radio communication network), 위성 통신망 및 이들의 상호 조합을 통하여 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 또한, 통신부(810)가 무선 통신부를 포함하는 경우, 통신부(810)는 셀룰러 통신, 무선랜(예를 들어, 와이-파이(Wi-Fi)) 등을 이용하여 무선으로 데이터 또는 신호를 송수신할 수 있다. 실시예에서, 통신부는 프로세서(840)의 제어에 의해 외부 장치 또는 외부 서버와 데이터 또는 신호를 송수신할 수 있다.
입력부(820)는 외부의 조작을 통해 다양한 사용자 명령을 수신할 수 있다. 이를 위해, 입력부(820)는 하나 이상의 입력 장치를 포함하거나 연결할 수 있다. 예를 들어, 입력부(820)는 키패드, 마우스 등 다양한 입력을 위한 인터페이스와 연결되어 사용자 명령을 수신할 수 있다. 이를 위해, 입력부(820)는 USB 포트 뿐만 아니라 선더볼트 등의 인터페이스를 포함할 수도 있다. 또한, 입력부(820)는 터치스크린, 버튼 등의 다양한 입력 장치를 포함하거나 이들과 결합하여 외부의 사용자 명령을 수신할 수 있다.
메모리(830)는 프로세서(840)의 동작을 위한 프로그램 및/또는 프로그램 명령을 저장할 수 있고, 입/출력되는 데이터들을 임시 또는 영구 저장할 수 있다. 메모리(830)는 플래시 메모리(flash memory) 타입, 하드디스크(hard disk) 타입, 멀티미디어 카드 마이크로(multimedia card micro) 타입, 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM), SRAM, 롬(ROM), EEPROM, PROM, 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
또한, 메모리(830)는 다양한 네트워크 함수 및 알고리즘을 저장할 수 있으며, 장치(800)를 구동하고 제어하기 위한 다양한 데이터, 프로그램(하나 이상이 인스트럭션들), 어플리케이션, 소프트웨어, 명령, 코드 등을 저장할 수 있다.
프로세서(840)는 장치(800)의 전반적인 동작을 제어할 수 있다. 프로세서(840)는 메모리(830)에 저장되는 하나 이상의 프로그램들을 실행할 수 있다. 프로세서(840)는 중앙 처리 장치(Central Processing Unit, CPU), 그래픽 처리 장치(Graphics Processing Unit, GPU) 또는 본 개시의 기술적 사상에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다.
실시예에서, 프로세서(840)는 경부를 포함하는 신체 부위의 연속적인 부피에 대응하여 생성된 의료 영상을 획득하고, 학습된 제 1 네트워크 함수를 통해 의료 영상으로부터 적어도 하나의 림프절을 검출하며, 학습된 제 2 네트워크 함수를 통해 의료 영상으로부터 갑상선 주변의 경부 조직을 해부학적 특징에 따라 복수의 구획으로 분할하고, 검출된 림프절 및 복수의 구획에 대한 정보를 포함하는 진단 정보를 상기 의료 영상에 정합하여 표시할 수 있다. 이때, 림프절은 암 전이 위험도가 소정의 기준값 이상인 적어도 하나의 림프절을 포함할 수 있다.
실시예에서, 프로세서(840)는 복수의 구획에 각각에 대하여 구획에 속한 림프절의 개수, 림프절의 부피 및 림프절의 암 전이 위험도 중 적어도 하나에 기초하여 암 전이 심각도를 산출할 수 있다.
실시예에서, 프로세서(840)는 암 전이 심각도에 기초하여 복수의 구획 중 절제 영역을 설정할 수 있다.
실시예에서, 프로세서(840)는 림프절 각각의 부피 및 복수의 구획 중 림프절이 속한 구획을 산출할 수 있다.
실시예에서, 프로세서(840)는 학습된 제 3 네트워크 함수를 통해 의료 영상으로부터 갑상선을 검출할 수 있다.
실시예에서, 프로세서(840)는 검출된 복수의 림프절에 대하여 암 전이 경로를 예측할 수 있다.
본 개시의 실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 개시를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
또한, 개시된 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다.
컴퓨터 프로그램 제품은 S/W 프로그램, S/W 프로그램이 저장된 컴퓨터로 읽을 수 있는 저장 매체를 포함할 수 있다. 예를 들어, 컴퓨터 프로그램 제품은 전자 장치의 제조사 또는 전자 마켓(예, 구글 플레이 스토어, 앱 스토어)을 통해 전자적으로 배포되는 S/W 프로그램 형태의 상품(예, 다운로더블 앱)을 포함할 수 있다. 전자적 배포를 위하여, S/W 프로그램의 적어도 일부는 저장 매체에 저장되거나, 임시적으로 생성될 수 있다. 이 경우, 저장 매체는 제조사의 서버, 전자 마켓의 서버, 또는 SW 프로그램을 임시적으로 저장하는 중계 서버의 저장매체가 될 수 있다.
컴퓨터 프로그램 제품은, 서버 및 클라이언트 장치로 구성되는 시스템에서, 서버의 저장매체 또는 클라이언트 장치의 저장매체를 포함할 수 있다. 또는, 서버 또는 클라이언트 장치와 통신 연결되는 제 3 장치(예, 스마트폰)가 존재하는 경우, 컴퓨터 프로그램 제품은 제 3 장치의 저장매체를 포함할 수 있다. 또는, 컴퓨터 프로그램 제품은 서버로부터 클라이언트 장치 또는 제 3 장치로 전송되거나, 제 3 장치로부터 클라이언트 장치로 전송되는 S/W 프로그램 자체를 포함할 수 있다.
이 경우, 서버, 클라이언트 장치 및 제 3 장치 중 하나가 컴퓨터 프로그램 제품을 실행하여 개시된 실시예들에 따른 방법을 수행할 수 있다. 또는, 서버, 클라이언트 장치 및 제 3 장치 중 둘 이상이 컴퓨터 프로그램 제품을 실행하여 개시된 실시예들에 따른 방법을 분산하여 실시할 수 있다.
예를 들면, 서버(예로, 클라우드 서버 또는 인공 지능 서버 등)가 서버에 저장된 컴퓨터 프로그램 제품을 실행하여, 서버와 통신 연결된 클라이언트 장치가 개시된 실시예들에 따른 방법을 수행하도록 제어할 수 있다.
이상에서 실시예들에 대하여 상세하게 설명하였지만 본 개시의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 개시의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 개시의 권리범위에 속한다.

Claims (9)

  1. 갑상선 암의 림프절 전이 진단에 필요한 정보를 제공하는 방법에 있어서,
    경부를 포함하는 신체 부위의 연속적인 부피에 대응하여 생성된 의료 영상을 획득하는 단계;
    학습된 제 1 네트워크 함수를 통해 상기 의료 영상으로부터 적어도 하나의 림프절을 검출하는 단계 - 상기 림프절은 암 전이 위험도가 소정의 기준값 이상인 적어도 하나의 림프절을 포함함 - ;
    학습된 제 2 네트워크 함수를 통해 상기 의료 영상으로부터 갑상선 주변의 경부 조직을 해부학적 특징에 따라 복수의 구획으로 분할하는 단계;
    상기 복수의 구획에 각각에 대하여 상기 구획에 속한 상기 림프절의 개수, 상기 림프절의 부피 및 상기 림프절의 암 전이 위험도 중 적어도 하나에 기초하여 암 전이 심각도를 산출하는 단계; 및
    상기 검출된 림프절 및 상기 복수의 구획에 대한 정보를 포함하는 진단 정보를 상기 의료 영상에 정합하여 표시하는 단계를 포함하고,
    상기 진단 정보는 상기 림프절의 식별자, 상기 림프절의 위치 좌표, 상기 림프절의 부피, 상기 림프절이 속한 구획, 상기 림프절의 암 전이 위험도 및 상기 복수의 구획 각각에 대한 암전이 심각도 중 적어도 하나에 대한 정보를 포함하는, 방법.
  2. 삭제
  3. 삭제
  4. 제 1 항에 있어서,
    상기 암 전이 심각도에 기초하여 상기 복수의 구획 중 절제 영역을 설정하는 단계를 더 포함하는, 방법.
  5. 제 1 항에 있어서,
    상기 림프절 각각의 부피 및 상기 복수의 구획 중 상기 림프절이 속한 구획을 산출하는 단계를 더 포함하는, 방법.
  6. ◈청구항 6은(는) 설정등록료 납부시 포기되었습니다.◈
    제 1 항에 있어서,
    학습된 제 3 네트워크 함수를 통해 상기 의료 영상으로부터 갑상선을 검출하는 단계를 더 포함하고,
    상기 진단 정보는 상기 검출된 갑상선에 대한 정보를 더 포함하는, 방법.
  7. ◈청구항 7은(는) 설정등록료 납부시 포기되었습니다.◈
    제 1 항에 있어서,
    검출된 복수의 상기 림프절에 대하여 암 전이 경로를 예측하는 단계를 더 포함하는, 방법.
  8. 림프절 전이 진단에 필요한 정보를 제공하는 장치에 있어서,
    적어도 하나의 프로세서;
    상기 프로세서에 의해 실행 가능한 프로그램을 저장하는 메모리; 및
    상기 프로세서는, 상기 프로그램을 실행함으로써, 경부를 포함하는 신체 부위의 연속적인 부피에 대응하여 생성된 의료 영상을 획득하고, 학습된 제 1 네트워크 함수를 통해 상기 의료 영상으로부터 암 전이 위험도가 소정의 기준값 이상인 적어도 하나의 림프절을 검출하며, 학습된 제 2 네트워크 함수를 통해 상기 의료 영상으로부터 갑상선 주변의 경부 조직을 해부학적 특징에 따라 복수의 구획으로 분할하고, 상기 복수의 구획에 각각에 대하여 상기 구획에 속한 상기 림프절의 개수, 상기 림프절의 부피 및 상기 림프절의 암 전이 위험도 중 적어도 하나에 기초하여 암 전이 심각도를 산출하며, 상기 검출된 림프절 및 상기 복수의 구획에 대한 정보를 포함하는 진단 정보를 상기 의료 영상에 정합하여 표시하고,
    상기 진단 정보는 상기 림프절의 식별자, 상기 림프절의 위치 좌표, 상기 림프절의 부피, 상기 림프절이 속한 구획, 상기 림프절의 암 전이 위험도 및 상기 복수의 구획 각각에 대한 암전이 심각도 중 적어도 하나에 대한 정보를 포함하는, 장치.
  9. ◈청구항 9은(는) 설정등록료 납부시 포기되었습니다.◈
    제 1 항 및 제 4 항 내지 제 7 항 중 어느 한 항의 방법을 실행하기 위하여 기록 매체에 저장된 컴퓨터 프로그램.
KR1020210090171A 2021-07-09 2021-07-09 갑상선 암의 림프절 전이 진단에 필요한 정보를 제공하는 방법 및 장치 KR102325963B1 (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020210090171A KR102325963B1 (ko) 2021-07-09 2021-07-09 갑상선 암의 림프절 전이 진단에 필요한 정보를 제공하는 방법 및 장치
US17/928,218 US11776121B2 (en) 2021-07-09 2021-09-29 Method and apparatus for providing information needed for diagnosis of lymph node metastasis of thyroid cancer
PCT/KR2021/013298 WO2023282388A1 (ko) 2021-07-09 2021-09-29 갑상선 암의 림프절 전이 진단에 필요한 정보를 제공하는 방법 및 장치
KR1020210151435A KR20230010163A (ko) 2021-07-09 2021-11-05 갑상선 암의 림프절 전이 진단 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210090171A KR102325963B1 (ko) 2021-07-09 2021-07-09 갑상선 암의 림프절 전이 진단에 필요한 정보를 제공하는 방법 및 장치

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020210151435A Division KR20230010163A (ko) 2021-07-09 2021-11-05 갑상선 암의 림프절 전이 진단 방법 및 장치

Publications (1)

Publication Number Publication Date
KR102325963B1 true KR102325963B1 (ko) 2021-11-16

Family

ID=78716893

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020210090171A KR102325963B1 (ko) 2021-07-09 2021-07-09 갑상선 암의 림프절 전이 진단에 필요한 정보를 제공하는 방법 및 장치
KR1020210151435A KR20230010163A (ko) 2021-07-09 2021-11-05 갑상선 암의 림프절 전이 진단 방법 및 장치

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020210151435A KR20230010163A (ko) 2021-07-09 2021-11-05 갑상선 암의 림프절 전이 진단 방법 및 장치

Country Status (3)

Country Link
US (1) US11776121B2 (ko)
KR (2) KR102325963B1 (ko)
WO (1) WO2023282388A1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200087427A (ko) * 2019-01-11 2020-07-21 경북대학교 산학협력단 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 방법

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2764468A4 (en) * 2011-10-05 2015-11-18 Cireca Theranostics Llc PROCESS FOR ANALYZING BIOLOGICAL SAMPLES BY SPECTRAL IMAGING
US11443433B2 (en) * 2018-02-10 2022-09-13 The Trustees Of The University Of Pennsylvania Quantification and staging of body-wide tissue composition and of abnormal states on medical images via automatic anatomy recognition
KR101919866B1 (ko) * 2018-02-22 2018-11-19 주식회사 뷰노 뼈 스캔 영상에서 암 전이 여부의 판정을 지원하는 방법 및 이를 이용한 장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200087427A (ko) * 2019-01-11 2020-07-21 경북대학교 산학협력단 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 방법

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
논문(Lee, J.H., Ha, E.J. & Kim, J.H. Application of deep learning to the diagnosis of cervical lymph node metastasis from thyroid cancer with CT. Eur Radiol 29, 5452-5457 (2019). 2019년 3월 15일 공개.)* *
논문(X.Chen 외.A deep learning-based auto-segmentation system for organs-at-risk on whole-body computed tomography images for radiation therapy. Radiotherapy and Oncology,Volume 160, 2021년 5월 4일 공개.)* *

Also Published As

Publication number Publication date
WO2023282388A1 (ko) 2023-01-12
US20230196561A1 (en) 2023-06-22
KR20230010163A (ko) 2023-01-18
US11776121B2 (en) 2023-10-03

Similar Documents

Publication Publication Date Title
Janssens et al. Fully automatic segmentation of lumbar vertebrae from CT images using cascaded 3D fully convolutional networks
US10111713B2 (en) Surgery assistance apparatus, surgery assistance method and non-transitory computer-readable recording medium having stored therein surgery assistance program
Mattonen et al. Detection of local cancer recurrence after stereotactic ablative radiation therapy for lung cancer: physician performance versus radiomic assessment
US9495794B2 (en) Three-dimensional image display apparatus, method, and program
US20150148657A1 (en) Ultrasonographic images processing
US9109391B2 (en) Method and branching determination device for determining a branching point within a hollow organ
US11380043B2 (en) Modeling regions of interest of an anatomic structure
KR20220097859A (ko) 병변 판독 방법 및 이를 위한 장치
KR102325963B1 (ko) 갑상선 암의 림프절 전이 진단에 필요한 정보를 제공하는 방법 및 장치
Czajkowska et al. Skeleton graph matching vs. maximum weight cliques aorta registration techniques
KR102454374B1 (ko) 흉막 삼출의 검출 방법 및 이를 위한 장치
Kohout et al. Aneurysm identification by analysis of the blood-vessel skeleton
US11551354B2 (en) Interlobar membrane display apparatus, method, and program
KR20220143187A (ko) 딥러닝을 이용한 폐기종 자동 추출 방법 및 장치
KR20230049938A (ko) 폐기종의 정량적 분석 방법 및 이를 위한 장치
US20210256697A1 (en) Lymph node detection system and methods for use
KR102229367B1 (ko) 뇌혈관 비교 판독 영상 디스플레이 장치 및 방법
KR102639803B1 (ko) 흉막 삼출의 검출 방법 및 이를 위한 장치
KR102446929B1 (ko) 대동맥 박리 가시화 장치 및 방법
KR20220142570A (ko) 폐의 자동 추출 및 폐 영역 분리 방법 및 장치
KR20220143186A (ko) 흉막 삼출 여부 판단 및 흉막 삼출이 존재하는 폐의 자동 추출 정확도를 높이는 방법
KR20220143188A (ko) 관상 투영 영상과 하나 이상의 폐 X-ray 영상을 정합하는 방법 및 장치
KR20220143189A (ko) 특발성 섬유증 및 이의 중증도 판독 방법 및 장치
KR20220143185A (ko) 딥러닝을 이용하여 간유리 음영 및 경화 부위를 자동 추출하는 방법 및 장치
KR20230174543A (ko) 폐 병변의 위치 지정 방법 및 이를 위한 장치

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
A107 Divisional application of patent
GRNT Written decision to grant