KR102328198B1 - Method and apparatus for measuring volume of organ using artificial neural network - Google Patents
Method and apparatus for measuring volume of organ using artificial neural network Download PDFInfo
- Publication number
- KR102328198B1 KR102328198B1 KR1020190162842A KR20190162842A KR102328198B1 KR 102328198 B1 KR102328198 B1 KR 102328198B1 KR 1020190162842 A KR1020190162842 A KR 1020190162842A KR 20190162842 A KR20190162842 A KR 20190162842A KR 102328198 B1 KR102328198 B1 KR 102328198B1
- Authority
- KR
- South Korea
- Prior art keywords
- neural network
- images
- image
- organ
- network model
- Prior art date
Links
- 210000000056 organ Anatomy 0.000 title claims abstract description 198
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013528 artificial neural network Methods 0.000 title description 66
- 238000003062 neural network model Methods 0.000 claims abstract description 63
- 238000002372 labelling Methods 0.000 claims abstract description 30
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 26
- 238000003384 imaging method Methods 0.000 claims abstract description 25
- 238000004891 communication Methods 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 10
- 239000003814 drug Substances 0.000 claims description 9
- 238000013434 data augmentation Methods 0.000 claims description 8
- 229940079593 drug Drugs 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 11
- 238000000691 measurement method Methods 0.000 abstract description 4
- 238000005259 measurement Methods 0.000 description 26
- 238000010586 diagram Methods 0.000 description 13
- 210000003734 kidney Anatomy 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 230000007774 longterm Effects 0.000 description 8
- 208000026372 Congenital cystic kidney disease Diseases 0.000 description 6
- 208000030761 polycystic kidney disease Diseases 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000003416 augmentation Effects 0.000 description 3
- 210000004185 liver Anatomy 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005489 elastic deformation Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000004513 sizing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000001647 drug administration Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000007310 pathophysiology Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 229940124597 therapeutic agent Drugs 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis 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
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
- A61B5/1073—Measuring volume, e.g. of limbs
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
- A61B5/1075—Measuring physical dimensions, e.g. size of the entire body or parts thereof for measuring dimensions by non-invasive methods, e.g. for determining thickness of tissue layer
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
- A61B5/1079—Measuring physical dimensions, e.g. size of the entire body or parts thereof using optical or photographic means
-
- 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
-
- 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 or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5294—Devices using data or image processing specially adapted for radiation diagnosis involving using additional data, e.g. patient information, image labeling, acquisition parameters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Radiology & Medical Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Artificial Intelligence (AREA)
- Optics & Photonics (AREA)
- High Energy & Nuclear Physics (AREA)
- Physiology (AREA)
- Epidemiology (AREA)
- Psychiatry (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Pulmonology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
장기의 부피 측정 방법 및 그 장치가 제공 된다. 본 발명의 일 실시예에 따른 장기의 부피 측정 방법은 상기 장기를 촬영한 복수의 이미지 및 촬영 메타 데이터를 획득하고, 상기 복수의 이미지를 전처리 하여 지정된 크기의 복수의 이미지 패치(patch)를 획득하는 단계, 상기 복수의 이미지 패치를 3D CNN(Convolutional Neural Network) 기반의 신경망 모델에 입력하여, 상기 복수의 이미지 패치 각각에 대응되는 장기 영역을 추정하는 단계, 상기 추정된 장기 영역의 넓이 및 상기 촬영 메타 데이터를 이용하여 상기 장기의 부피를 측정하는 단계, 상기 신경망 모델의 추정 결과를 기초로 신경망 모델의 불확실성 수치 및 복수의 이미지의 불확실성 수치를 측정하는 단계, 상기 복수의 이미지의 불확실성 수치를 기초로 상기 복수의 이미지 중 적어도 하나의 이미지를 변경하는 단계 및 상기 신경망 모델의 불확실성 수치를 기초로 상기 신경망 모델의 라벨링 정책을 변경하는 단계를 포함한다.A method and apparatus for measuring the volume of an organ are provided. The organ volume measurement method according to an embodiment of the present invention acquires a plurality of images and imaging metadata of the organs, and pre-processes the plurality of images to obtain a plurality of image patches of a specified size Step, inputting the plurality of image patches into a 3D Convolutional Neural Network (CNN)-based neural network model to estimate an organ region corresponding to each of the plurality of image patches, the area of the estimated organ region and the imaging meta Measuring the volume of the organ using data, measuring the uncertainty value of the neural network model and the uncertainty value of a plurality of images based on the estimation result of the neural network model, based on the uncertainty value of the plurality of images changing at least one image among a plurality of images; and changing a labeling policy of the neural network model based on an uncertainty value of the neural network model.
Description
본 발명은 인공신경망을 이용하여 장기의 부피를 측정하는 방법 및 그 장치에 관한 것이다. 보다 자세하게는, 장기를 촬영한 3D 이미지를 이용하여 인공신경망을 통해 장기의 영역을 검출하고, 검출된 장기의 영역을 기초로 장기의 부피를 측정하는 방법 및 그 장치에 관한 것이다.The present invention relates to a method and apparatus for measuring the volume of an organ using an artificial neural network. More particularly, it relates to a method and apparatus for detecting an organ region through an artificial neural network using a 3D image of the organ, and measuring the volume of the organ based on the detected organ region.
신장 및 간의 부피를 정확히 측정하는 것은 병태생리학, 치료기전 분석 및 치료약의 효과를 평가를 위한 매우 중요한 단계이다. 특히, 다낭신은 해부학적으로 형태적 일관성이 없는 다양한 형태를 보이는 특성이 있어 전문가가 아니면 장기의 형태 파악이 매우 난해하여 단순작업이라도 일반 노동자들에게 맡길 수 없는 어려움이 존재한다. 수백장으로 이루어진 CT 영상슬라이드 모두에 대한 작업을 수행하는 것은 매우 많은 시간 동안 의사들의 중노동(단순노동의 반복)을 요구한다. 이에 따라, HALT-PKD cohort, CRISP, SUISSE study 등 글로벌 단위의 다기관연구를 통해 이 문제를 위한 개술 개발이 활발히 수행되고 있으나, 각 기관이 측정한 장기의 부피 그 자체에 대한 과학적 신뢰도는 현재 86% 수준에 머물러 있다.Accurately measuring the volume of the kidney and liver is a very important step for pathophysiology, analysis of treatment mechanisms, and evaluation of the effects of therapeutic agents. In particular, the polycystic kidney is characterized by anatomical and morphological inconsistency, so it is very difficult for non-professionals to understand the shape of the organ. Performing work on all of the hundreds of CT image slides requires a lot of hard labor (repetition of simple labor) of doctors for a very long time. Accordingly, although the development of open surgery for this problem is being actively carried out through multi-center studies at global units such as the HALT-PKD cohort, CRISP, and SUISSE study, the scientific reliability of the organ volume itself measured by each institution is currently 86%. stay at the level.
본 발명의 실시예들은 병원에서 획득한 이미지를 이용하여 장기의 영역을 정확하게 검출하고, 해당 장기의 부피를 정확하게 측정하는 방법 및 그 장치를 제공한다.SUMMARY Embodiments of the present invention provide a method and an apparatus for accurately detecting an organ region using an image acquired in a hospital and accurately measuring the volume of the organ.
본 발명의 일 실시예에 따른 장기의 부피 측정 방법은 상기 장기를 촬영한 복수의 이미지 및 촬영 메타 데이터를 획득하고, 상기 복수의 이미지를 전처리 하여 지정된 크기의 복수의 이미지 패치(patch)를 획득하는 단계, 상기 복수의 이미지 패치를 3D CNN(Convolutional Neural Network) 기반의 신경망 모델에 입력하여, 상기 복수의 이미지 패치 각각에 대응되는 장기 영역을 추정하는 단계, 상기 추정된 장기 영역의 넓이 및 상기 촬영 메타 데이터를 이용하여 상기 장기의 부피를 측정하는 단계, 상기 신경망 모델의 추정 결과를 기초로 신경망 모델의 불확실성 수치 및 복수의 이미지의 불확실성 수치를 측정하는 단계, 상기 복수의 이미지의 불확실성 수치를 기초로 상기 복수의 이미지 중 적어도 하나의 이미지를 변경하는 단계 및 상기 신경망 모델의 불확실성 수치를 기초로 상기 신경망 모델의 라벨링 정책을 변경하는 단계를 포함할 수 있다.The organ volume measurement method according to an embodiment of the present invention acquires a plurality of images and imaging metadata of the organs, and pre-processes the plurality of images to obtain a plurality of image patches of a specified size Step, inputting the plurality of image patches into a 3D Convolutional Neural Network (CNN)-based neural network model to estimate an organ region corresponding to each of the plurality of image patches, the area of the estimated organ region and the imaging meta Measuring the volume of the organ using data, measuring the uncertainty value of the neural network model and the uncertainty value of a plurality of images based on the estimation result of the neural network model, based on the uncertainty value of the plurality of images It may include changing at least one image among a plurality of images and changing a labeling policy of the neural network model based on an uncertainty value of the neural network model.
일 실시예에서 상기 장기를 촬영한 복수의 이미지는, 다이콤(DICOM; Digital Imaging and Communications in Medicine) 파일로부터 획득한 CT 이미지 및 상기 장기에 대한 라벨링 이미지를 포함하고, 상기 촬영 메타 데이터는, 상기 복수의 이미지 각각에 대한 픽셀 간격 데이터 및 이미지의 깊이 데이터를 포함할 수 있다.In one embodiment, the plurality of images of the organs include a CT image obtained from a DICOM (Digital Imaging and Communications in Medicine) file and a labeling image of the organs, and the imaging metadata includes the It may include pixel spacing data for each of the plurality of images and depth data of the image.
일 실시예에서 상기 복수의 이미지 패치를 획득하는 단계는, 상기 복수의 이미지에 포함된 제1 이미지에 대하여 데이터 증대(Data Augmentation)을 수행하여, 상기 제1 이미지로부터 복수의 이미지를 생성하고, 상기 생성된 복수의 이미지를 전처리 하여 복수의 이미지 패치를 획득하는 단계를 포함하고, 상기 데이터 증대는, 상기 이미지의 공간 확대, 컬러 증강, 소음 증강 및 크롭핑(cropping) 중 하나 이상을 포함할 수 있다.In an embodiment, the obtaining of the plurality of image patches includes performing data augmentation on a first image included in the plurality of images to generate a plurality of images from the first image, and Pre-processing the generated plurality of images to obtain a plurality of image patches, wherein the data augmentation may include one or more of spatial enlargement, color enhancement, noise enhancement, and cropping of the image. .
일 실시예에서 상기 복수의 이미지는, 상기 장기를 촬영한 복수의 3D 이미지이고,상기 복수의 이미지 패치를 획득하는 단계는, 상기 복수의 3D 이미지에 대하여 깊이(depth) 방향으로 슬라이드하며 지정된 크기의 상기 복수의 이미지 패치를 획득하는 단계를 포함할 수 있다.In an embodiment, the plurality of images are a plurality of 3D images obtained by photographing the organs, and the obtaining of the plurality of image patches includes sliding the plurality of 3D images in a depth direction and having a specified size. It may include obtaining the plurality of image patches.
일 실시예에서 상기 신경망 모델은, 학습 단계 및 추론 단계에서 드롭 아웃(Dropout)을 수행하고, 상기 신경망 모델의 불확실성 수치는, 상기 신경망 모델의 추론 단계에서의 결과 데이터의 확률 분포에 대한 분산값을 기초로 측정될 수 있다.In one embodiment, the neural network model performs dropout in the learning step and the inference step, and the uncertainty value of the neural network model is a variance value for the probability distribution of the result data in the inference step of the neural network model. can be measured on the basis of
일 실시예에서 상기 복수의 이미지의 불확실성 수치는, 상기 신경망 모델의 추론 단계에서의 결과 데이터의 분산 추정값을 기초로 측정될 수 있다.In an embodiment, the uncertainty value of the plurality of images may be measured based on a variance estimate of the result data in the inference step of the neural network model.
일 실시예에서 상기 복수의 이미지의 불확실성 수치를 기초로 상기 복수의 이미지 중 적어도 하나의 이미지를 변경하는 단계는, 상기 복수의 이미지의 불확실성 수치가 기준값 이상인 하나 이상의 이미지를 검출하는 단계, 상기 검출된 이미지의 상기 장기 영역에 대한 사용자 입력을 기초로, 상기 검출된 이미지를 변경하는 단계를 포함할 수 있다.In an embodiment, the changing of at least one image among the plurality of images based on the uncertainty values of the plurality of images may include: detecting one or more images in which the uncertainty values of the plurality of images are equal to or greater than a reference value; and changing the detected image based on a user input to the organ region of the image.
일 실시예에서 상기 변경된 라벨링 정책에 따라 복수의 이미지의 가중치를 설정하고, 상기 변경된 이미지에 대하여 변경 전 이미지보다 큰 가중치를 부여하여 상기 신경망 모델을 학습시키는 단계를 더 포함할 수 있다.In an embodiment, the method may further include setting weights of a plurality of images according to the changed labeling policy, and training the neural network model by giving the changed image a greater weight than the image before the change.
본 발명의 다른 실시예에 따른 장기의 부피 측정 장치는 프로세서;를 포함하고, 상기 프로세서는, 장기를 촬영한 복수의 이미지 및 촬영 메타 데이터를 획득하고 상기 복수의 이미지를 전처리 하여 지정된 크기의 복수의 이미지 패치(patch)를 획득하고, 상기 복수의 이미지 패치를 3D CNN(Convolutional Neural Network) 기반의 신경망 모델에 입력하여 상기 복수의 이미지 패치 각각에 대응되는 장기 영역을 추정하고, 상기 추정된 장기 영역의 넓이 및 상기 촬영 메타 데이터를 이용하여 상기 장기의 부피를 측정하고, 상기 신경망 모델의 추정 결과를 기초로 신경망 모델의 불확실성 수치 및 복수의 이미지의 불확실성 수치를 측정하고, 상기 복수의 이미지의 불확실성 수치를 기초로 상기 복수의 이미지 중 적어도 하나의 이미지를 변경하고, 상기 신경망 모델의 불확실성 수치를 기초로 상기 신경망 모델의 라벨링 정책을 변경할 수 있다.An apparatus for measuring the volume of an organ according to another embodiment of the present invention includes a processor, wherein the processor obtains a plurality of images of the organs and imaging metadata, and pre-processes the plurality of images to obtain a plurality of images of a specified size. Obtaining an image patch, inputting the plurality of image patches into a 3D convolutional neural network (CNN)-based neural network model to estimate an organ region corresponding to each of the plurality of image patches, and Measuring the volume of the organ using the area and the imaging metadata, measuring the uncertainty value of the neural network model and the uncertainty value of a plurality of images based on the estimation result of the neural network model, and measuring the uncertainty value of the plurality of images Based on at least one image among the plurality of images, the labeling policy of the neural network model may be changed based on the uncertainty value of the neural network model.
도 1은 본 발명의 일 실시예에 따른 장기의 부피 측정 장치를 포함하는 다낭신 판별 시스템의 예를 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 물체의 장기의 부피를 측정하는 장기 부피 측정 장치의 내부 구성을 설명하기 위한 하드웨어 구성도이다.
도 3은 본 발명의 일 실시예에 따른 장기 부피 측정 장치의 구성 및 동작을 설명하기 위한 하드웨어 블록도이다.
도 4는 본 발명의 일 실시예에 따른 장기의 부피 측정 방법의 순서도이다.
도 5는 본 발명의 일 실시예에 따른 신경망 입력 데이터의 예시를 도시한 도면이다.
도 6 내지 도 8은 본 발명의 일 실시예에 따른 입력데이터를 전처리하는 방법을 설명하기 위한 도면이다.
도 9 내지 도 10은 본 발명의 일 실시예에 따른 인공 신경망의 구조를 설명하기 위한 도면이다.
도 11은 본 발명의 일 실시예에 따라 검출된 장기 영역을 이용하여 장기의 부피를 측정하는 방법을 설명하기 위한 도면이다.
도 12는 본 발명의 일 실시예에 따라 입력 데이터를 갱신하는 방법을 설명하기 위한 도면이다.1 is a diagram illustrating an example of a polycystic kidney discrimination system including an organ volume measurement device according to an embodiment of the present invention.
2 is a hardware configuration diagram for explaining the internal configuration of an organ volume measuring apparatus for measuring the volume of an organ of an object according to an embodiment of the present invention.
Figure 3 is a hardware block diagram for explaining the configuration and operation of the organ volume measuring apparatus according to an embodiment of the present invention.
4 is a flowchart of a method for measuring the volume of an organ according to an embodiment of the present invention.
5 is a diagram illustrating an example of neural network input data according to an embodiment of the present invention.
6 to 8 are diagrams for explaining a method of pre-processing input data according to an embodiment of the present invention.
9 to 10 are diagrams for explaining the structure of an artificial neural network according to an embodiment of the present invention.
11 is a view for explaining a method of measuring the volume of an organ using a detected organ region according to an embodiment of the present invention.
12 is a diagram for explaining a method of updating input data according to an embodiment of the present invention.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이러한 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 본 명세서에 기재되어 있는 특정 형상, 구조 및 특성은 본 발명의 정신과 범위를 벗어나지 않으면서 일 실시예로부터 다른 실시예로 변경되어 구현될 수 있다. 또한, 각각의 실시예 내의 개별 구성요소의 위치 또는 배치도 본 발명의 정신과 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 행하여지는 것이 아니며, 본 발명의 범위는 특허청구범위의 청구항들이 청구하는 범위 및 그와 균등한 모든 범위를 포괄하는 것으로 받아들여져야 한다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 구성요소를 나타낸다. 본 발명에서 개시하는 인공 지능(artificial intelligence, AI)은 인공적인-- 지능 또는 이를 만들 수 있는 방법론을 연구하는 분야를 의미할 수 있고, 기계 학습(machine learning)은 인공지능 기술의 한 분야로서 컴퓨팅 장치가 데이터를 통해 학습하여 특정 대상 혹은 조건을 이해할 수 있게 하거나 데이터의 패턴을 찾아내 분류하는 기술적 방식으로써 컴퓨터가 데이터를 분석할 수 있게 하는 알고리즘일 수 있다. 본 발명에서 개시하는 기계 학습은 인공지능 모델을 학습하기 위한 동작 방법을 포함하는 의미로서 이해될 수 있다.DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS [0010] DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS [0010] DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS [0023] Reference is made to the accompanying drawings, which show by way of illustration specific embodiments in which the present invention may be practiced. These embodiments are described in sufficient detail to enable those skilled in the art to practice the present invention. It should be understood that the various embodiments of the present invention are different but need not be mutually exclusive. For example, certain shapes, structures, and characteristics described herein may be implemented with changes from one embodiment to another without departing from the spirit and scope of the present invention. In addition, it should be understood that the location or arrangement of individual components within each embodiment may be changed without departing from the spirit and scope of the present invention. Accordingly, the following detailed description is not to be taken in a limiting sense, and the scope of the present invention should be taken as encompassing the scope of the claims and all equivalents thereto. In the drawings, like reference numerals refer to the same or similar elements throughout the various aspects. Artificial intelligence (AI) disclosed in the present invention may refer to a field researching artificial intelligence or a methodology that can make it, and machine learning is a field of computing as a field of artificial intelligence technology. It may be an algorithm that allows a device to learn from data to understand a specific object or condition, or it may be an algorithm that enables a computer to analyze data as a technical way to find and classify patterns in data. Machine learning disclosed in the present invention may be understood as meaning including an operation method for learning an artificial intelligence model.
이하에서는, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 여러 실시예에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.Hereinafter, various embodiments of the present invention will be described in detail with reference to the accompanying drawings in order to enable those of ordinary skill in the art to easily practice the present invention.
이하 도 1을 참조하여 본 발명의 일 실시예에 따른 장기의 부피 측정 장치를 포함하는 다낭신 판별 시스템에 대하여 상세히 설명한다.Hereinafter, a polycystic kidney identification system including an organ volume measuring device according to an embodiment of the present invention will be described in detail with reference to FIG. 1 .
일 실시예에 따른 장기 부피 측정 장치(200)는 장기를 촬영한 복수의 이미지(110) 장기 영역을 표시한 복수의 이미지(120)를 입력 데이터(100)로 이용할 수 있다. 장기 부피 측정 장치(200)는 네트워크(10)를 통하여 외부 서버로부터 입력 데이터(100)를 수신할 수 있다. 이 경우 외부 서버는 예를 들어 병원 서버이고, 장기 부피 측정 장치(200)는 병원 서버로부터 의료 영상 포맷 표준인 입력 데이터(100)를 획득할 수 있다. 이 경우 입력 데이터(100)에 포함된 장기를 촬영한 복수의 이미지를 포함하는 입력 데이터(100)는 다이콤 파일(DICOM; Digital Imaging and Communications in Medicine) 포맷일 수 있고 CT 이미지, 환자 정보, 측정 데이터 및 촬영 정보를 포함할 수 있다. 다만 이는 일 예시일 뿐 본 발명의 몇몇 실시예에 따른 입력 데이터(100)의 형태는 JPG, PNG, TIF등 다양한 이미지 파일 형태일 수 있음은 물론이다. 일 실시예에서 입력 데이터(100)는 3 차원 이미지 데이터를 포함할 수 있고, 이 경우, 이미지의 볼륨을 구성하는 각각의 복셀은 픽셀의 배열 형태일 수 있다. 또한 입력 데이터(100)에 포함된 장기 영역을 표시한 복수의 이미지(120)는 인공 신경망을 이용하여 검출해야 하는 장기 영역을 표시한 정답 데이터일 수 있다. 즉, 장기 영역을 표시한 복수의 이미지(120)는 장기 영역에 대한 주석화 데이터(또는, 라벨링 데이터)일 수 있다. 전술한 입력 데이터(100)를 이용하여 본 발명의 몇몇 실시예에 따라 장기 영역을 검출하는 인공 신경망은 지도 학습(supervised learning)을 수행할 수 있다.The
입력 데이터(100)를 수신한 장기 부피 측정 장치(200)는 3D CNN 기반의 인공 신경망을 이용하여 각각의 이미지에 포함된 장기 영역을 검출할 수 있다. 2D CNN이 아닌 3D CNN 기반의 이용함으로써, 3차원 이미지 형태로 획득되는 CT 데이터에 대한 정확한 분석이 가능해진다. 다만 통상의 기술자에 의해 추가적인 전처리 과정을 수행하여 2D CNN 기반의 신경망을 이용하여 본 발명의 몇몇 실시예에 따른 장기의 부피 측정 방법을 수행할 수도 있을 것이다. 보다 상세하기 장기 부피 측정 장치(200)는 장기를 촬영한 복수의 이미지 및 촬영 메타 데이터를 획득하고, 상기 복수의 이미지를 전처리 하여 지정된 크기의 복수의 이미지 패치(patch)를 획득하고, 복수의 패치 이미지를 3D CNN(Convolutional Neural Network) 기반의 신경망 모델에 입력하여, 상기 복수의 이미지 패치 각각에 대응되는 장기 영역을 추정하며, 추정된 장기 영역의 넓이 및 상기 촬영 메타 데이터를 이용하여 상기 장기의 부피를 측정하고, 신경망 모델의 추정 결과를 기초로 신경망 모델의 불확실성 수치 및 복수의 이미지의 불확실성 수치를 측정하고, 입력 데이터의 불확실성 수치를 기초로 상기 복수의 이미지 중 적어도 하나의 이미지를 변경하고, 신경망 모델의 불확실성 수치를 기초로 상기 신경망 모델의 라벨링 정책을 변경할 수 있다. The organ
또한, 일 실시예에서 검출된 장기 영역에 대한 데이터를 이용하여 장기에 대응되는 2D 이미지 또는 3D 모델(300)을 생성하여 디스플레이에 표시할 수 있다. 이 경우 디스플레이에 표시된 2D 이미지 또는 3D 모델(300)에 대한 사용자 입력에 응답하여 검출된 장기 영역에 대한 데이터를 수정할 수 있고, 상기 수정된 데이터를 다시 인공 신경망의 입력 데이터를 이용할 수 있다.Also, according to an embodiment, a 2D image or a
이후, 다낭신 판별 장치(400)는 장기 영역의 부피 데이터를 이용하여 다낭신을 측정할 수 있다. 다만, 이는 검출된 장기 영역이 신장 또는 간인 경우의 활용 예시일 뿐, 본 발명의 몇몇 실시예에 따라 검출되는 장기 영역에 따라 판별하고자 하는 질병 또는 증상이 달라질 수 있음은 물론이다.Thereafter, the polycystic
이하 도 2를 참조하여 장기 부피 측정 장치(200)의 내부 구성에 대하여 상세히 설명한다.Hereinafter, the internal configuration of the organ
일 실시예에서 장기의 부피를 측정하는 장기 부피 측정 장치(200)는 입출력 인터페이스(201), 메모리(202), 프로세서(203) 및 통신 모듈(204)을 포함할 수 있다. 메모리(202)는 컴퓨터에서 판독 가능한 기록 매체로서, RAM(random access memory), ROM(read only memory) 및 디스크 드라이브와 같은 비소멸성 대용량 기록장치(permanent mass storage device)를 포함할 수 있다. 또한, 메모리(202)에는 장기 부피 측정 장치(200)를 제어하기 위한 프로그램 코드 및 설정, 카메라 영상, 그리고 물체의 포즈 데이터가 일시적 또는 영구적으로 저장될 수 있다.In an embodiment, the organ
프로세서(203)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(202) 또는 통신 모듈(204)에 의해 프로세서(203)로 제공될 수 있다. 예를 들어 프로세서(203)는 메모리(202)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.The
통신 모듈(204)은 네트워크(10)를 통해 외부 서버와 통신하기 위한 기능을 제공할 수 있다. 상술한 외부 서버는 예를 들어 의료 이미지를 제공하는 병원 서버일 수 잇다. 일례로, 장기 부피 측정 장치(200)의 프로세서(203)가 메모리(202)와 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청이 통신 모듈(204)의 제어에 따라 네트워크(10)를 통해 외부 서버로 전달될 수 있다. 역으로, 외부 서버의 프로세서의 제어에 따라 제공되는 제어 신호나 명령, 컨텐츠, 파일 등이 네트워크(10)를 거쳐 통신 모듈(204)을 통해 장기 부피 측정 장치(200)로 수신될 수 있다. 예를 들어 통신 모듈(204)을 통해 수신된 외부 서버의 제어 신호나 명령 등은 프로세서(203)나 메모리(202)로 전달될 수 있고, 컨텐츠나 파일 등은 장기 부피 측정 장치(200)이 더 포함할 수 있는 저장 매체로 저장될 수 있다. 또한, 통신 모듈(204)의 통신 방식은 제한되지 않지만, 네트워크(10)는 근거리 무선통신망일 수 있다. 예를 들어, 네트워크(10)는 블루투스(Bluetooth), BLE(Bluetooth Low Energy), Wifi 통신망일 수 있다. The
또한, 입출력 인터페이스(201)는 사용자의 입력을 수신하고, 출력 데이터를 디스플레이 할 수 있다. 일 실시예에 따른 입출력 인터페이스(201)는 디스플레이에 장기에 대응하는 2D 이미지 또는 3D 모델을 표시할 수 있다. 또는 사용자로부터 검출된 장기 영역에 피드백 정보를 입력 받을 수 있다.Also, the input/
도시되지는 않았으나 일 실시예에 따른 장기 부피 측정 장치(200)는 카메라 모듈을 더 포함할 수 있다. 카메라 모듈은 하나 이상의 개별 카메라를 포함하는 카메라 모듈일 수 있다. 일 예로, 카메라 모듈은 장기 부피 측정 장치(200)에 내장된 카메라 모듈일 수 있고, 별도로 구비된 카메라 장치와의 연결되는 모듈일 수도 있다. 이 경우, 카메라 모듈로부터 획득한 장기를 촬영한 이미지는 메모리(202)또는 장기 부피 측정 장치(200)가 더 포함하는 저장 매체에 저장될 수 있다.Although not shown, the organ
또한, 다른 실시예들에서 장기 부피 측정 장치(200)는 도 2의 구성요소들보다 더 많은 구성요소들을 포함할 수도 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 예를 들어, 장기 부피 측정 장치(200)는 사용자 단말의 내부 구성요소들에 전력을 공급하는 배터리 및 충전 장치를 포함할 수 있고, 상술한 입출력 장치 중 적어도 일부를 포함하도록 구현되거나 또는 트랜시버(transceiver), GPS(Global Positioning System) 모듈, 각종 센서, 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수도 있다.Also, in other embodiments, the organ
도 3은 본 발명의 일 실시예에 따른 장기 부피 측정 장치의 구성 및 동작을 설명하기 위한 하드웨어 블록도이다.Figure 3 is a hardware block diagram for explaining the configuration and operation of the organ volume measuring apparatus according to an embodiment of the present invention.
일 실시예에서 장기 부피 측정 장치(200)는 데이터 획득부(210), 데이터 전처리부(211), 인공신경망부(220), 불확실성 측정부(230), 인공신경망 갱신부(240) 및 장기 부피 연산부(250)를 포함할 수 있다.In one embodiment, the organ
일 실시예에서 데이터 획득부(210)는 장기를 촬영한 복수의 이미지 및 촬영 메타 데이터를 획득할 수 있다. 장기를 촬영한 복수의 이미지는, 다이콤(DICOM; Digital Imaging and Communications in Medicine) 파일로부터 획득한 CT 이미지 및 상기 장기에 대한 라벨링 이미지를 포함할 수 있다. 다만 이는 일 예시일 뿐 본 발명의 몇몇 실시예에 따른 입력 데이터(100)의 형태는 JPG, PNG, TIF등 다양한 이미지 파일 형태일 수 있음은 물론이다. 라벨링 이미지는 장기 영역이 표시된 이미지로, 인공 신경망을 통해 추정하고자 하는 장기 영역에 대한 정답 데이터일 수 있다. 따라서, 본 발명의 몇몇 실시예에 따른 장기 영역을 추정하는 인공 신경망은 전술한 라벨링 데이터를 이용하여 지도 학습(supervised learning)을 수행할 수 있다. In an embodiment, the
일 실시예에서 데이터 전처리부(211)는 인공신경망의 학습에 필요한 충분한 데이터의 확보를 위한 데이터 증대(Data Augmentation)를 수행할 수 있다. 또한, 일 실시예에서 데이터 전처리부(211)는 복수의 이미지를 전처리하여 지정된 크기의 복수의 이미지 패치(patch)를 획득할 수 있다. 일 실시예에서 학습 데이터를 증대하는 데이터 전처리부(211)는 공간 확대(Spatial Augmentation), 컬러 증강(Color Augmentation), 소음 증강(Noise Augmentation) 및 크롭핑(Cropping)중 적어도 하나를 수행할 수 있다. 또한 복수의 이미지 패치를 생성하는 데이터 전처리부(211)는 동일한 크기를 갖는 복수의 이미지 패치를 생성하기 위한 이미지 리사이징(re-sizing) 및 인공 신경망에 적합한 형태의 이미지 패치 추출을 수행할 수 있다. 또한, 일 실시예에서 데이터 전처리부(211)는 3D CT 이미지에 대하여 깊이(depth) 방향으로 슬라이드 하며 복수의 이미지 패치를 획득할 수 있다.In an embodiment, the
일 실시예에서 인공신경망부(220)는 신경망 학습부(221) 및 장기 영역 추론부(222)를 포함할 수 있다. 일 실시예에서 인공신경망부(220)는 3D CNN(Convolitional Neural Network)기반의 인공 신경망을 이용하여 학습 단계 및 추론 단계를 수행할 수 있다. 일 실시예에서 신경망 학습부(221)는 데이터 획득부(210)에서 획득한 복수의 CT 이미지 및 복수의 라벨링 이미지를 기초로 생성된 이미지 패치를 이용하여 전술한 인공 신경망의 학습을 수행할 수 있다. 또한, 일 실시예에서 장기 영역 추론부(222)는 복수의 CT 이미지를 기초로 생성된 복수의 이미지 패치를 이용하여 각각의 이미지 패치에 대응되는 장기 영역을 추론할 수 있다.In an embodiment, the artificial
한편 본 발명의 몇몇 실시예에 따른 전술한 3D CNN 기반의 인공 신경망은 과적합(overfitting) 문제를 방지하기 위해 드롭 아웃(Dropout)을 수행할 수 있다. 일 실시예에 따르면 상술한 인공 신경망은 학습 단계 및 추론 단계에서 모두 드롭 아웃을 수행할 수 있다. 이 때, 인공 신경망은 확률 분포의 표본을 기초로 무작위로 추론 단계를 수행할 수 있다.Meanwhile, the aforementioned 3D CNN-based artificial neural network according to some embodiments of the present invention may perform dropout in order to prevent an overfitting problem. According to an embodiment, the above-described artificial neural network may perform dropout in both the learning stage and the inference stage. In this case, the artificial neural network may randomly perform an inference step based on a sample of a probability distribution.
일 실시예에서 불확실성 측정부(230)는 입력 데이터 및 인공 신경망 모델의 불확실성 수치를 측정할 수 있다. 입력 데이터 및 인공 신경망 모델의 불확실성 수치란 오류가 발생한 입력 데이터 및 인공 신경망 모델의 특정 원인을 탐색할 수 있는지를 의미하는 수치이다. 따라서 일 실시예에 따른 불확실성 측정부(230)는 데이터 부족 또는 모든 데이터를 분석하기 어려운 구조 등으로 인한 신경망 모델의 불확실성 수치를 측정할 수 있다. 이 경우, 불확실성 측정부(230)는 상술한 인공 신경망 모델의 추론 단계에서의 결과 데이터의 확률 분포에 대한 분산값을 기초로 신경망의 불확실성 수치를 측정할 수 있다. 또한, 일 실시예에 따른 불확실성 측정부(230)는 무작위성 데이터로 인해 동일한 불확실성 수치를 가졌음에도 상이한 레이블링이 수행된 경우로 인한 데이터의 불확실성 수치를 측정할 수 있다. 이 경우 불확실성 측정부(230)는 전술한 인공 신경망 모델의 추론 단계에서의 결과 데이터의 분산 추정값을 기초로 복수의 이미지의 불확실성 수치를 측정할 수 있다.In an embodiment, the
일 실시예에서 인공신경망 갱신부(240)는 장기 영역 추론부(222)에서 복수의 이미지 각각에 대하여 추정한 장기 영역을 수정할 수 있다. 보다 상세하게 인공신경망 갱신부(240)는 인공 신경망 모델의 불확실성을 기초로 이미지에서 검출된 장기 영역을 수정할 수 있다. 이 경우 장기 부피 측정 장치(200)는 입출력 인터페이스를 이용하여 사용자로부터 수정된 장기 영역에 대한 정보를 획득할 수 있다. In an embodiment, the artificial
또한 인공신경망 갱신부(240)는 입력 데이터의 불확실성 수치를 기초로 전술한 인공신경망 모델의 라벨링 정책을 변경할 수 있다. 또한, 인공신경망 갱신부(240)는 변경된 라벨링 정책에 따라 복수의 이미지 각각에 대한 가중치를 설정하고, 추정된 장기 영역이 수정된 이미지에 대하여 다른 이미지보다 더 큰 가중치를 부여하여 인공 신경망의 학습 데이터로 이용할 수 있다.Also, the artificial
일 실시예에서 장기 부피 연산부(250)는 복수의 이미지 패치 각각에 대하여 인공신경망부(220)를 이용하여 추정된 장기 영역의 넓이 및 복수의 이미지에 대한 촬영 메타 데이터를 이용하여 장기의 부피를 추정할 수 있다.In an embodiment, the organ
도 4는 본 발명의 일 실시예에 따른 장기의 부피 측정 방법의 순서도이다.4 is a flowchart of a method for measuring the volume of an organ according to an embodiment of the present invention.
단계 S110에서, 장기 부피 측정 장치는 장기를 촬영한 복수의 이미지 및 촬영 메타 데이터를 획득할 수 있다.In step S110, the organ volume measuring apparatus may acquire a plurality of images of organs and imaging metadata.
상기 장기를 촬영한 복수의 이미지는 다이콤(DICOM; Digital Imaging and Communications in Medicine) 파일로부터 획득한 CT 이미지 및 상기 장기에 대한 라벨링 이미지를 포함할 수 있다. 다만 이는 일 예시일 뿐 본 발명의 몇몇 실시예에 따른 입력 데이터(100)의 형태는 JPG, PNG, TIF등 다양한 이미지 파일 형태일 수 있음은 물론이다. 또한, 촬영 메타 데이터는 복수의 이미지 각각에 대한 픽셀 간격 데이터 및 이미지 슬라이스의 깊이 데이터를 포함할 수 있다. 일 실시예에서 전술한 복수의 이미지는 상기 장기를 촬영한 복수의 3D 이미지일 수 있다. 라벨링 이미지는 장기 영역이 표시된 이미지로, 인공 신경망을 통해 추정하고자 하는 장기 영역에 대한 정답 데이터일 수 있다. 따라서, 본 발명의 몇몇 실시예에 따른 장기 영역을 추정하는 인공 신경망은 전술한 라벨링 데이터를 이용하여 지도 학습(supervised learning)을 수행할 수 있다. 보다 상세한 설명은 이하 도 5에서 후술한다.The plurality of images of the organs may include a CT image obtained from a Digital Imaging and Communications in Medicine (DICOM) file and a labeling image of the organ. However, this is only an example, and it goes without saying that the form of the
단계 S120에서, 장기 부피 측정 장치는 복수의 이미지를 전처리 하여 지정된 크기의 복수의 이미지 패치(patch)를 획득할 수 있다. 보다 상세하게 장치 부피 측정 장치는 복수의 이미지 각각에 대하여 데이터 증대(Data Augmentation)을 수행하여, 복수의 이미지를 생성하고 상기 생성된 복수의 이미지를 전처리 하여 복수의 이미지 패치를 획득할 수 있다. 일 실시예에서 장치 부피 측정 장치는 학습 데이터가 부족한 경우, 데이터 증대를 수행할 수 있다. 이 경우 장기 부피 측정 장치는 공간 확대, 컬러 증강, 소음 증강 및 크롭핑(cropping) 중 하나 이상을 수행할 수 있다. 일 실시예에서 공간 확대는 복수의 이미지 각각에 대한 미러링, 등록 오류 시뮬레이션을 위한 채널 변환, 탄성 변형, 회전, 스케일링 및 리샘플링 중 적어도 하나를 포함할 수 있다. 다만 이는 공간 확대의 일 예시일 뿐, 본 발명에 따른 실시예들이 이에 한정되는 것은 아님에 유의한다. 일 실시예에서 컬러 증강은 밝기의 가산, 밝기의 곱셈, 대비 조절 및 감마 조절 중 적어도 하나를 포함할 수 있다. 다만 이는 컬러 증강의 일 예시일 뿐, 본 발명에 따른 실시예들이 이에 한정되는 것은 아님에 유의한다. 일 실시예에서 소음 증강은 가우스 잡음(Gaussian Noise) 및 리키 아 노이즈(Rician Noise) 중 적어도 하나를 이용할 수 있다. 다만 이는 소음 증강의 일 예시일 뿐, 본 발명에 따른 실시예들이 이에 한정되는 것은 아님에 유의한다. 일 실시예에서 크롭핑은 랜덤 크로핑 및 센터 크로핑 중 하나일 수 있다. 다만 이는 크로핑의 일 예시일 뿐, 본 발명에 따른 실시예들이 이에 한정되는 것은 아님에 유의한다.In step S120, the organ volume measurement apparatus may pre-process a plurality of images to obtain a plurality of image patches of a specified size. In more detail, the device volume measuring apparatus may perform data augmentation on each of a plurality of images to generate a plurality of images, and preprocess the plurality of images to obtain a plurality of image patches. In an embodiment, the device volume measuring device may perform data augmentation when training data is insufficient. In this case, the organ volume measuring apparatus may perform one or more of space enlargement, color enhancement, noise enhancement, and cropping. In an embodiment, the spatial expansion may include at least one of mirroring for each of a plurality of images, channel transformation for registration error simulation, elastic deformation, rotation, scaling, and resampling. However, it should be noted that this is only an example of space expansion, and embodiments according to the present invention are not limited thereto. In an embodiment, the color enhancement may include at least one of adding brightness, multiplying brightness, adjusting contrast, and adjusting gamma. However, it should be noted that this is only an example of color enhancement, and embodiments according to the present invention are not limited thereto. In an embodiment, the noise enhancement may use at least one of Gaussian noise and Rician noise. However, it should be noted that this is only an example of noise enhancement, and embodiments according to the present invention are not limited thereto. In an embodiment, the cropping may be one of random cropping and center cropping. However, it should be noted that this is only an example of cropping, and embodiments according to the present invention are not limited thereto.
또한, 장기 부피 측정 장치는 동일한 크기를 갖는 복수의 이미지 패치를 생성하기 위한 이미지 리사이징(re-sizing) 및 인공 신경망에 적합한 형태의 이미지 패치 추출을 수행할 수 있다. 또한, 일 실시예에서 장기 부피 측정 장치는 3D CT 이미지에 대하여 깊이(depth) 방향으로 슬라이드 하며 복수의 이미지 패치를 획득할 수 있다. 또한 장기 부피 측정 장치는 정해진 패치 사이즈에 대하여 지정된 비율만큼 오버랩핑(overlapping)을 수행하여 복수의 이미지 패치를 생성할 수 있다. 뿐만 아니라, 장기 부피 측정 장치는 컨벌루션(Convolution) 연산을 통해 데이터의 크기가 줄어드는 것을 방지하기 위하여 지정된 크기의 이미지 패치를 생성하기 위한 패딩(padding)을 추가할 수 있다. 예를 들어, 장기 부피 측정 장치는 너비 및/또는 높이에 대한 대칭 패딩(symmetric padding)을 추가할 수 있고, 3D CNN 기반의 인공 신경망의 입력 데이터 형태를 맞추기 위해 깊이에 대한 제로 패딩을 추가할 수 있다. 이 경우, 추가되는 패딩 데이터는 '0'데이터일 수 있다. 보다 상세한 설명은 이하 도 6 내지 도 8에서 후술한다.In addition, the organ volume measuring apparatus may perform image re-sizing to generate a plurality of image patches having the same size and image patch extraction in a form suitable for an artificial neural network. Also, in an embodiment, the apparatus for measuring organ volume may acquire a plurality of image patches by sliding in a depth direction with respect to the 3D CT image. Also, the organ volume measuring apparatus may generate a plurality of image patches by overlapping a predetermined patch size by a predetermined ratio. In addition, the organ volume measuring apparatus may add padding for generating an image patch of a specified size to prevent the size of data from being reduced through a convolution operation. For example, the organ volume measurement device may add symmetric padding for width and/or height, and add zero padding for depth to fit the input data shape of a 3D CNN-based artificial neural network. have. In this case, the added padding data may be '0' data. A more detailed description will be given later with reference to FIGS. 6 to 8 .
단계 S130에서, 장기 부피 측정 장치는 복수의 패치 이미지를 3D CNN(Convolutional Neural Network) 기반의 신경망 모델에 입력할 수 있다. 상기 신경망 모델은 과적합 문제의 발생을 방지하기 위해 학습 단계 및 추론 단계에서 드롭 아웃(Dropout)을 수행할 수 있다. 또한 일 실시예에 따른 신경망 모델은 Reduction cell을 포함하는 인코딩(encoding) 레이어와 Expansion cell을 포함하는 디코딩(decoding) 레이어를 포함할 수 있다. 보다 상세한 설명은 이하 도9 내지 도 10에서 후술한다.In step S130, the organ volume measurement apparatus may input a plurality of patch images to a 3D convolutional neural network (CNN)-based neural network model. The neural network model may perform dropout in the learning phase and the inference phase in order to prevent the occurrence of an overfitting problem. Also, the neural network model according to an embodiment may include an encoding layer including a reduction cell and a decoding layer including an expansion cell. A more detailed description will be given later with reference to FIGS. 9 to 10 .
단계 S140에서, 장기 부피 측정 장치는 3D CNN 기반의 신경망을 이용하여 복수의 이미지 패치 각각에 대응되는 장기 영역을 추정할 수 있다. 일 실시예에 따라 장기 영역을 추정하는 인공 신경망은 복수의 이미지 패치 각각에 대하여 장기 영역을 추정할 수 있다. 또한, 장기 부피 측정 장치는 결과 데이터에 대하여 데이터 후처리를 더 수행할 수 있다. 예를 들어 장기 부피 측정 장치는 깊이 스플라인(Depth spline), 깊이 스티칭(Depth stitching) 및 언패딩(Unpadding) 중 적어도 하나를 수행할 수 있다. 일 실시예에서 장기 부피 측정 장치는 결과 데이터에 대하여 깊이 스플라인을 수행하여 각 이미지 패치의 중심에서 멀어질수록 낮은 추론 가중치를 부여할 수 있다. 이를 통해 결과 데이터를 이용하여 자연스러운 스티칭 결과물을 획득할 수 있다. 또한 일 실시예에서 장기 부피 측정 장치는 복수의 이미지 패치 각각에 대응되는 결과 데이터에 대한 깊이 스티칭을 수행하여, 새로운 볼륨을 구성할 수 있다. 그리고 일 실시예에서 장기 부피 측정 장치는 데이터 전처리 단계에서 추가한 패딩을 제어하는 언패딩(Un-Padding)을 수행할 수도 있다.In step S140 , the organ volume measuring apparatus may estimate an organ region corresponding to each of the plurality of image patches using a 3D CNN-based neural network. According to an embodiment, the artificial neural network for estimating the organ region may estimate the organ region for each of a plurality of image patches. In addition, the organ volume measurement apparatus may further perform data post-processing on the result data. For example, the organ volume measuring apparatus may perform at least one of depth spline, depth stitching, and unpadding. In an embodiment, the organ volume measuring apparatus may perform a depth spline on the result data to give a lower inference weight as the distance from the center of each image patch increases. Through this, a natural stitching result can be obtained using the result data. Also, according to an embodiment, the apparatus for measuring organ volume may configure a new volume by performing depth stitching on result data corresponding to each of the plurality of image patches. And in one embodiment, the organ volume measuring apparatus may perform un-padding for controlling the padding added in the data pre-processing step.
단계 S150에서, 장기 부피 측정 장치는 추정된 장기 영역의 넓이 및 촬영 메타 데이터를 이용하여 장기의 부피를 측정할 수 있다. 보다 상세하게 장기 부피 측정 장치는 촬영 메타 데이터에 포함된 픽셀의 간격, 이미지 슬라이스의 두께 및 이미지 패치에 포함된 복셀의 개수를 이용하여 장기의 부피를 연산할 수 있다. 보다 상세한 설명은 이하 도 11에서 후술한다.In operation S150, the organ volume measuring apparatus may measure the organ volume using the estimated area of the organ region and imaging metadata. In more detail, the organ volume measuring apparatus may calculate the organ volume by using the pixel interval included in the imaging metadata, the thickness of the image slice, and the number of voxels included in the image patch. A more detailed description will be given later with reference to FIG. 11 .
단계 S160에서, 장기 부피 측정 장치는 신경망 모델의 추정 결과를 기초로 신경망 모델의 불확실성 수치 및 복수의 이미지 패치 각각의 불확실성 수치를 측정할 수 있다. 일 실시예에서 신경망 모델의 불확실성 수치는 상기 신경망 모델의 추론 단계에서의 결과 데이터의 확률 분포에 대한 분산값을 기초로 측정될 수 있다. 또한 복수의 이미지 패치 각각의 불확실성 수치는 상기 신경망 모델의 추론 단계에서의 결과 데이터의 분산 추정값을 기초로 측정될 수 있다.In step S160 , the apparatus for measuring the organ volume may measure the uncertainty value of the neural network model and the uncertainty value of each of the plurality of image patches based on the estimation result of the neural network model. In an embodiment, the uncertainty value of the neural network model may be measured based on a variance value of the probability distribution of the result data in the inference step of the neural network model. In addition, the uncertainty value of each of the plurality of image patches may be measured based on a variance estimate of the result data in the inference step of the neural network model.
단계 S170에서, 장기 부피 측정 장치는 인공 신경망 모델의 불확실성 수치를 기초로 복수의 이미지 중 적어도 하나의 이미지를 변경할 수 있다. 장기 부피 측정 장치는 모델의 불확실성 수치를 기반으로 수정이 필요한 데이터 선정할 수 있다. 또한, 장기 부피 측정 장치는 데이터의 불확실성 수치를 기반으로 레이블 정책 수립할 수 있다. 이를 통해 본 발명의 몇몇 실시예에 따른 신경망은 수정된 데이터를 이용한 신경망 모델 업데이트 (active learning)를 수행할 수 있다. 즉, 장기 부피 측정 장치는 입력 데이터의 불확실성 수치가 기준값 이상인 하나 이상의 이미지를 검출하고, 상기 검출된 이미지의 상기 장기 영역에 대한 사용자 입력을 기초로, 상기 검출된 이미지를 변경할 수 있다.In step S170, the organ volume measuring apparatus may change at least one image among a plurality of images based on the uncertainty value of the artificial neural network model. The long-term volume measurement device can select data that needs to be corrected based on the uncertainty value of the model. In addition, the long-term volume measurement device may establish a label policy based on the uncertainty value of the data. Through this, the neural network according to some embodiments of the present invention may perform neural network model update (active learning) using the corrected data. That is, the organ volume measuring apparatus may detect one or more images having an uncertainty value of input data equal to or greater than a reference value, and may change the detected image based on a user input to the organ region of the detected image.
단계 S180에서, 장기 부피 측정 장치는 입력 데이터의 불확실성 수치를 기초로 신경망 모델의 라벨링 정책을 변경할 수 있다. 일 실시예에 따른 장기 부피 측정 장치는 변경된 라벨링 정책에 따라 입력 데이터 각각에 대한 라벨링을 수행하고, 라벨이 수정된 입력 데이터에 하여 라벨이 수정되지 않은 입력 데이터보다 더 큰 가중치를 부여하여 상기 신경망 모델을 학습시킬 수 있다.In step S180, the organ volume measurement device may change the labeling policy of the neural network model based on the uncertainty value of the input data. The apparatus for measuring organ volume according to an embodiment performs labeling on each input data according to the changed labeling policy, and assigns a greater weight to the input data in which the label is corrected than the input data in which the label is not corrected, and the neural network model can be learned
도 5는 본 발명의 일 실시예에 따른 신경망 입력 데이터의 예시를 도시한 도면이다.5 is a diagram illustrating an example of neural network input data according to an embodiment of the present invention.
(a)는 장기를 촬영한 이미지 데이터이고, (a)와 같은 복수의 이미지 데이터는 다이콤(DICOM; Digital Imaging and Communications in Medicine) 파일로부터 획득할 수 있다. 다만 이는 일 예시일 뿐 본 발명의 몇몇 실시예에 따른 입력 데이터(100)의 형태는 JPG, PNG, TIF등 다양한 이미지 파일 형태일 수 있음은 물론이다. 또한, 일 실시예에서 장기 부피 측정 장치는 다이콤 파일로부터 복수의 이미지 각각에 대한 촬영 메타 데이터를 더 획득할 수 있다. 촬영 메타 데이터는 예를 들어 복수의 이미지 각각의 픽셀의 크기, 이미지의 깊이(depth) 정보, 복셀의 크기 및 개수에 관한 정보를 더 포함할 수 있다.(a) is image data obtained by photographing organs, and a plurality of image data as in (a) may be obtained from a DICOM (Digital Imaging and Communications in Medicine) file. However, this is only an example, and it goes without saying that the form of the
(b)는 장기 영역을 표시한 데이터이다. (b)는 인공 신경망을 통해 추론하고자 하는 장기 영역에 대한 정답 데이터로, 장기 영역이 표시된 라벨링 데이터일 수 있다. 일 실시예에 따른 신경망 모델은 (b)와 같은 라벨링 데이터를 이용하여 지도(supervised) 학습을 수행할 수 있다. 다만, 다른 실시예에서 장기 영역을 검출하는 신경망 모델은 (a)와 같은 이미지만을 이용하여 비지도(un-supervised) 학습을 수행할 수 있음은 물론이다.(b) is data indicating the organ region. (b) is correct answer data for a long-term region to be inferred through an artificial neural network, and may be labeling data in which a long-term region is indicated. The neural network model according to an embodiment may perform supervised learning using the labeling data as shown in (b). However, it goes without saying that the neural network model for detecting the organ region in another embodiment may perform unsupervised learning using only the image as shown in (a).
도 6 내지 도 9는 본 발명의 일 실시예에 따른 입력데이터를 전처리하는 방법을 설명하기 위한 도면이다.6 to 9 are diagrams for explaining a method of pre-processing input data according to an embodiment of the present invention.
도 6을 참조하면, 일 실시예에서 장기 부피 측정 장치는 충분한 양의 학습 데이터를 확보하기 위해 데이터 증대를 수행할 수 있다. 장기 부피 측정 장치는 공간 확대, 컬러 증강, 소음 증강 및 크롭핑(cropping) 중 하나 이상을 수행할 수 있다. 일 실시예에서 공간 확대는 복수의 이미지 각각에 대한 미러링, 등록 오류 시뮬레이션을 위한 채널 변환, 탄성 변형, 회전, 스케일링 및 리샘플링 중 적어도 하나를 포함할 수 있다. 일 실시예에서 컬러 증강은 밝기의 가산, 밝기의 곱셈, 대비 조절 및 감마 조절 중 적어도 하나를 포함할 수 있다. 일 실시예에서 소음 증강은 가우스 잡음(Gaussian Noise) 및 Rician 노이즈 중 적어도 하나를 이용할 수 있다. 일 실시예에서 크롭핑은 랜덤 크로핑 및 센터 크로핑 중 하나일 수 있다. 예를 들어 (b)에 도시된 이미지는 (a)에 대하여 회전을 수행한 경우의 예시이고, (c)에 도시된 이미지는 (a)의 밝기를 낮춘 경우의 예시이며, (d)에 도시된 이미지는 센터 크로핑을 수행한 경우의 예시이다. 이와 같이 일 실시예에 따른 장기 부피 측정 장치는, 획득한 이미지를 다양한 방법으로 변형하여 인공 신경망에 필요한 충분한 양의 학습 데이터를 획득할 수 있다.Referring to FIG. 6 , in an embodiment, the apparatus for measuring organ volume may perform data augmentation in order to secure a sufficient amount of learning data. The organ volume measurement device may perform one or more of spatial enlargement, color enhancement, noise enhancement, and cropping. In an embodiment, the spatial expansion may include at least one of mirroring for each of a plurality of images, channel transformation for registration error simulation, elastic deformation, rotation, scaling, and resampling. In an embodiment, the color enhancement may include at least one of adding brightness, multiplying brightness, adjusting contrast, and adjusting gamma. In an embodiment, the noise enhancement may use at least one of Gaussian noise and Rician noise. In an embodiment, the cropping may be one of random cropping and center cropping. For example, the image shown in (b) is an example of a case in which rotation is performed with respect to (a), and the image shown in (c) is an example of a case where the brightness of (a) is lowered, and shown in (d) The cropped image is an example of center cropping. As described above, the apparatus for measuring organ volume according to an embodiment may acquire a sufficient amount of training data required for an artificial neural network by transforming the acquired image in various ways.
또한, 도 7을 참조할 때 일 실시예에서 장기 부피 측정 장치는 지정된 크기의 이미지 패치를 획득하기 위한 데이터 전처리 과정을 수행할 수 있다. 먼저 장치 부피 측정 장치는 복수의 이미지에 대한 크기를 조정하여 동일한 스케일(scale) 에서의 이미지 패치를 추출할 수 있다. 이후, 장치 부피 측정 장치는 3D 슬라이딩 윈도우를 통해 한방향으로 스캔하며 지정된 크기의 3D 이미지를 추출할 수 있다. 일 실시예에서 장기 부피 측정 장치는 지정된 패치 사이즈의 지정된 비율만큼을 오버래핑하여 복수의 이미지 패치를 추출할 수도 있다. 예를 들어 (b)와 (c)는 (a)로부터 추출된 3D 이미지 패치의 일 예시이다. In addition, referring to FIG. 7 , in an embodiment, the apparatus for measuring organ volume may perform a data preprocessing process for obtaining an image patch having a specified size. First, the device volume measuring device may extract an image patch at the same scale by adjusting the sizes of a plurality of images. Thereafter, the device volume measuring device may extract a 3D image of a specified size by scanning in one direction through the 3D sliding window. In an embodiment, the organ volume measuring apparatus may extract a plurality of image patches by overlapping a specified ratio of a specified patch size. For example, (b) and (c) are examples of the 3D image patch extracted from (a).
도 8을 참조하면 일 실시예에 따른 장기 부피 측정 장치는 인공 신경망의 결과 데이터에 대한 크기를 조정하기 위해, 입력 데이터에 대하여 패딩을 추가할 수 있다. 본 발명의 몇몇 실시예에 따라 장기 영역을 추정하는 인공 신경망은 3D CNN 기반의 모델일 수 있다. 따라서 신경망에서의 연산이 수행됨에 따라 입력 데이터는 복수의 합성곱(Convolutional)연산을 수행하고, 결과 데이터의 크기는 축소될 수 밖에 없다. 따라서 장기 부피 측정 장치는 지정된 크기의 이미지 패치를 획득하기 위해 너비, 높이, 깊이에 대하여 각각 패딩을 추가할 수 있다. 예를 들어 도 (b)는 (a)에 대하여 깊이에 대한 패딩이 추가된 데이터의 일 예시이다. 이에 한정되지 않고 본 발명의 몇몇 실시예에 따라 패딩이 추가된 이미지 패치는 특정 이미지가 대칭 형태로 복제된 이미지일 수도 있다. 일 실시예에서 지정된 크기만큼의 패딩이 추가되는 경우 추가되는 데이터는'0'일 수 있다. 예를 들어 3D CNN 기반의 신경망의 입력 데이터로 이용되기 위해 2D 이미지에 대하여 깊이 방향으로의 패딩을 추가할 수 있고, 이 경우 지정된 깊이를 갖는 패딩은 '0'데이터로 구성될 수 있다. 다른 실시예에서 추가되는 패딩의 크기가 '0'일 수도 있다. 전술한 바 본 발명의 몇몇 실시예에 따른 신경망 모델은 3D 이미지를 입력 데이터로 이용하므로, 입력 데이터에 대하여 형식상 깊이 정보를 추가할 수 있고, 이 경우 깊이는 '0'일 수 있다.Referring to FIG. 8 , the apparatus for measuring organ volume according to an embodiment may add padding to input data in order to adjust the size of result data of the artificial neural network. The artificial neural network for estimating the organ region according to some embodiments of the present invention may be a 3D CNN-based model. Therefore, as the operation in the neural network is performed, a plurality of convolutional operations are performed on the input data, and the size of the result data is inevitably reduced. Therefore, the organ volume measuring apparatus may add padding to each of width, height, and depth in order to obtain an image patch having a specified size. For example, FIG. (b) is an example of data to which padding for depth is added with respect to (a). Without being limited thereto, the image patch to which padding is added according to some embodiments of the present invention may be an image in which a specific image is symmetrically duplicated. According to an embodiment, when padding of a specified size is added, the added data may be '0'. For example, padding in the depth direction may be added to a 2D image to be used as input data of a 3D CNN-based neural network, and in this case, padding having a specified depth may consist of '0' data. In another embodiment, the size of the added padding may be '0'. As described above, since the neural network model according to some embodiments of the present invention uses a 3D image as input data, formal depth information may be added to the input data, and in this case, the depth may be '0'.
도 9 내지 도 10은 본 발명의 일 실시예에 따른 인공 신경망의 구조를 설명하기 위한 도면이다.9 to 10 are diagrams for explaining the structure of an artificial neural network according to an embodiment of the present invention.
도 9를 참조할 때, 복수의 이미지를 기초로 생성된 이미지 패치들(501a, 501b)을 입력 받은 신경망(500)은 각각의 이미지 패치에 대응되는 장기 영역(502a, 502b)을 추출할 수 있다. 예를 들어 제1 이미지 패치(501a)를 기초로 제1 이미지 패치(501a)에 대응되는 장기 영역(502a)을 검출할 수 있고, 제2 이미지 패치(501b)를 기초로 제2 이미지 패치(501b)에 대응되는 장기 영역(502b)을 추출할 수 있다.Referring to FIG. 9 , the
또한, 일 실시예에서 장기 부피 측정 장치는 신경망 모델 및 입력 데이터에 대한 불확실성 수치를 측정할 수 있다. 모델의 불확실성은 데이터 부족 또는 데이터 전부의 표현이 어려운 구조의 신경망으로 인해 발생한다. 따라서, 본 발명의 몇몇 실시예에 따른 인공 신경망 모델은 과적합 문제의 발생을 방지하기 위해 학습 단계 및 추론 단계에서 드롭 아웃(Dropout)을 수행할 수 있다. 보다 상세하게 장기 부피 측정 장치는 확률 분포의 표본을 기초로 랜덤 예측을 수행할 수 있고, k개의 thinned neural net을 샘플링하여 각각의 예측값의 평균치를 이용하여 전술한 랜덤 예측이 수행될 수 있다. 이 경우 확률 분포는 신경망 모델의 추론 단계에서 획득한 결과 데이터의 확률 분포일 수 있고, 이 때의 평균값을 예측값으로 획득할 수 있으며, 이 때의 분산값을 불확실성 수치로 간주할 수 있다.Also, in an embodiment, the apparatus for measuring organ volume may measure uncertainty values for the neural network model and input data. The uncertainty of the model arises from the lack of data or the neural network with a structure that makes it difficult to represent all of the data. Accordingly, the artificial neural network model according to some embodiments of the present invention may perform dropout in the learning phase and the inference phase in order to prevent the overfitting problem from occurring. In more detail, the apparatus for measuring organ volume may perform random prediction based on a sample of a probability distribution, and the aforementioned random prediction may be performed by sampling k thinned neural nets and using an average value of each predicted value. In this case, the probability distribution may be the probability distribution of the result data obtained in the inference stage of the neural network model, the average value at this time may be obtained as a predicted value, and the variance value at this time may be regarded as an uncertainty value.
입력 데이터의 불확실성은 데이터의 생성 과정에서 발생하는 무작위성으로 인해 발생한다. 보다 상세하게, 확률로 표현하기 어려운 무작위성 데이터들에 포함된 제1 데이터 및 제2 데이터의 불확실성 수치가 동일한 경우를 예로 들면, 전술한 제1 데이터 및 제2 데이터의 불확실성 수치가 동일함에도 불구하고 상기 제1 데이터 및 제2 데이터는 지정된 확률에 따라 획득된 데이터가 아니므로 서로 상이한 레이블이 적용될 수 있다. 이 같이 입력 데이터의 불확실성이 발생한 경우 본 발명의 몇몇 실시예에 따른 장기 부피 측정 장치는 분산 추정(Variance estimation)을 통해 상술한 입력 데이터의 불확실성 수치를 측정할 수 있다.The uncertainty of the input data is caused by the randomness that occurs in the data generation process. In more detail, for example, when the uncertainty values of the first data and the second data included in the randomness data that are difficult to express with probability are the same, even though the uncertainty values of the above-described first data and the second data are the same, the Since the first data and the second data are not data obtained according to a specified probability, different labels may be applied. When the uncertainty of the input data occurs as described above, the apparatus for measuring the organ volume according to some embodiments of the present invention may measure the uncertainty value of the above-described input data through variance estimation.
도 10은 본 발명의 일 실시예에 따른 인공 신경망 모델의 구조의 예시도이다.10 is an exemplary diagram of the structure of an artificial neural network model according to an embodiment of the present invention.
일 실시예에서 장기 영역을 추출하는 신경망 모델(500)은 3D CNN 기반의 신경망 모델로, Reduction cell을 포함하는 인코딩 레이어(510)와 Expansion cell을 포함하는 디코딩 레이어(520)를 포함할 수 있다. 하지만 본 발명의 몇몇 실시예에 따른 신경망 모델의 구조는 도 10에 도시된 바에 한정되지 않고 당해 분야에서 통상의 기술자가 채택 및 변형할 수 있는 다양한 구조를 가질 수 있음에 유의한다. 또한 본 발명의 일 실시예에 따른 신경망 모델은 이에 한하지 않고 통상의 기술자에 의해 추가적인 전처리 과정을 수행하여 2D CNN 기반의 신경망을 이용하여 본 발명의 몇몇 실시예에 따른 장기의 부피 측정 방법을 수행할 수도 있을 것이다In an embodiment, the
도 11은 본 발명의 일 실시예에 따라 검출된 장기 영역을 이용하여 장기의 부피를 측정하는 방법을 설명하기 위한 도면이다.11 is a view for explaining a method of measuring the volume of an organ using a detected organ region according to an embodiment of the present invention.
일 실시예에 따라 장기 영역을 검출하는 신경망의 결과 데이터를 이용하여 촬영 대상 장기의 부피를 측정할 수 있다. 장기 부피 측정 장치는 추정된 장기 영역의 넓이 및 촬영 메타 데이터를 이용하여 장기의 부피를 측정할 수 있다. 보다 상세하게 장기 부피 측정 장치는 촬영 메타 데이터에 포함된 픽셀의 간격, 이미지 슬라이스의 두께 및 이미지 패치에 포함된 복셀의 개수를 이용하여 장기의 부피를 연산할 수 있다. 도 11에 도시된 바를 참조할 때, 예를 들어 정사각형 형태의 픽셀의 간격(또는 크기)가 0.6mm이고, 이미지 슬라이스의 두께가 1mm이며, 복셀의 개수가 2,000,000개인 경우를 가정하면 이 경우 장기의 부피는 0.6*0.6*1*2,000,000 = 0.36mm2 * 2,000,000 = 720ml 이다. 다른 예시로, 복셀의 x좌표According to an exemplary embodiment, the volume of an organ to be photographed may be measured using result data of a neural network for detecting an organ region. The organ volume measuring apparatus may measure the organ volume using the estimated area of the organ region and imaging metadata. In more detail, the organ volume measuring apparatus may calculate the organ volume by using the pixel interval, the thickness of the image slice, and the number of voxels included in the image patch included in the imaging metadata. 11, for example, assuming that the spacing (or size) of square-shaped pixels is 0.6 mm, the thickness of the image slice is 1 mm, and the number of voxels is 2,000,000, in this case, the The volume is 0.6*0.6*1*2,000,000 = 0.36mm 2 * 2,000,000 = 720ml. As another example, the x-coordinate of the voxel
도 12는 본 발명의 일 실시예에 따라 입력 데이터를 갱신하는 방법을 설명하기 위한 도면이다.12 is a diagram for explaining a method of updating input data according to an embodiment of the present invention.
일 실시예에서 복수의 이미지 패치를 이용하여 추정한 복수의 장기 영역에 대한 데이터(502)를 이용하여, 해당 장기 영역의 3D 모델(602)을 생성할 수 있다. 일 실시예에서 장기 부피 측정 장치는 장기 영역에 대한 데이터(502) 또는 상술한 장기 영역의 3D 모델(602)을 표시할 수 있다. 이후, 장기 부피 측정 장치는 인공 신경망 모델의 불확실성 수치를 기초로 복수의 이미지 중 적어도 하나의 이미지를 변경할 수 있다. 즉, 장기 부피 측정 장치는 모델의 불확실성 수치를 기반으로 수정이 필요한 데이터(601, 602, 603)를 선정할 수 있다. 즉, 장기 부피 측정 장치는 입력 데이터의 불확실성 수치가 기준값 이상인 하나 이상의 이미지를 검출하고, 상기 검출된 이미지의 상기 장기 영역에 대한 사용자 입력을 기초로, 상기 검출된 이미지를 변경할 수 있다. 또한, 장기 부피 측정 장치는 입력 데이터의 불확실성 수치를 기초로 신경망 모델의 라벨링 정책을 변경할 수 있다. 일 실시예에 따른 장기 부피 측정 장치는 변경된 라벨링 정책에 따라 입력 데이터 각각에 대한 라벨링을 수행하고, 라벨이 수정된 입력 데이터에 하여 라벨이 수정되지 않은 입력 데이터보다 더 큰 가중치를 부여하여 상기 신경망 모델을 학습시킬 수 있다. 이를 통해 본 발명의 몇몇 실시예에 따른 신경망은 수정된 데이터 및 새로운 라벨링 정책을 기초로 신경망 모델 업데이트(active learning)를 수행할 수 있다.According to an embodiment, a
또한 본 발명의 일 실시예에 따른 장기 부피 측정 장치는 전술한 장기 부피 측정 방법을 이용하여 약물 효과를 검증할 수 있다. 예를 들어 환자의 신장 및/또는 간의 부피를 측정하여 다낭신에 대한 진단을 수행할 수 있고, 약물 복용에 따른 치료 효과도 판별할 수 있다. 보다 상세하게, 먼저 상술한 장기 영역을 추정하는 인공 신경망을 이용하여 환자의 신장 부피 세그멘테이션(kidney volume segmentation)을 수행할 수 있다. 이후, 투약 전과 후의 환자 데이터를 입력 받아 신장 부피 세그멘테이션(kidney volume segmentation)을 수행한 후 신장의 부피를 측정한다. 이 경우 환자의 신장 영역에 대한 다이콤 파일 내 포함된 픽셀의 크기와 이미지 슬라이스의 두께를 이용하여 해당 신장의 부피를 측정할 수 있음은 물론이다. 상술한 방법에 따라 측정한 신장의 부피 증감률을 기초로 약효를 측정할 수 있다. 더 나아가 본 발명의 일 실시예에 따른 장기 부피 측정 장치는 자 별 시간에 따른 장기 부피의 변화 추이를 확인할 수 있는 인터페이스를 제공할 수 있음은 물론이다.In addition, the apparatus for measuring organ volume according to an embodiment of the present invention may verify the effect of a drug using the above-described method for measuring organ volume. For example, a diagnosis of polycystic kidney may be performed by measuring the volume of a patient's kidney and/or liver, and a therapeutic effect according to drug administration may also be determined. In more detail, first, the patient's kidney volume segmentation may be performed using the artificial neural network for estimating the above-described organ region. Then, after receiving the patient data before and after dosing and performing kidney volume segmentation (kidney volume segmentation), the volume of the kidney is measured. In this case, it goes without saying that the volume of the kidney can be measured using the size of the pixel and the thickness of the image slice included in the dicom file for the kidney region of the patient. The drug efficacy can be measured based on the volume increase/decrease rate of the kidney measured according to the above-described method. Furthermore, it goes without saying that the apparatus for measuring organ volume according to an embodiment of the present invention can provide an interface for checking the change trend of organ volume according to time for each individual.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 어플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.The device described above may be implemented as a hardware component, a software component, and/or a combination of the hardware component and the software component. For example, devices and components described in the embodiments may include, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable gate array (FPGA). , a programmable logic unit (PLU), microprocessor, or any other device capable of executing and responding to instructions, may be implemented using one or more general purpose or special purpose computers. The processing device may execute an operating system (OS) and one or more software applications running on the operating system. The processing device may also access, store, manipulate, process, and generate data in response to execution of the software. For convenience of understanding, although one processing device is sometimes described as being used, one of ordinary skill in the art will recognize that the processing device includes a plurality of processing elements and/or a plurality of types of processing elements. It can be seen that can include For example, the processing device may include a plurality of processors or one processor and one controller. Other processing configurations are also possible, such as parallel processors.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.The software may comprise a computer program, code, instructions, or a combination of one or more thereof, which configures a processing device to operate as desired or is independently or collectively processed You can command the device. The software and/or data may be any kind of machine, component, physical device, virtual equipment, computer storage medium or device, to be interpreted by or to provide instructions or data to the processing device. , or may be permanently or temporarily embody in a transmitted signal wave. The software may be distributed over networked computer systems, and stored or executed in a distributed manner. Software and data may be stored in one or more computer-readable recording media.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, and the like, alone or in combination. The program instructions recorded on the medium may be specially designed and configured for the embodiment, or may be known and available to those skilled in the art of computer software. Examples of the computer-readable recording medium include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic such as floppy disks. - includes magneto-optical media, and hardware devices specially configured to store and carry out program instructions, such as ROM, RAM, flash memory, and the like. Examples of program instructions include not only machine language codes such as those generated by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like. The hardware devices described above may be configured to operate as one or more software modules to perform the operations of the embodiments, and vice versa.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.As described above, although the embodiments have been described with reference to the limited embodiments and drawings, various modifications and variations are possible by those skilled in the art from the above description. For example, the described techniques are performed in a different order than the described method, and/or the described components of the system, structure, apparatus, circuit, etc., are combined or combined in a different form than the described method, or other components Or substituted or substituted by equivalents may achieve an appropriate result.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and equivalents to the claims are also within the scope of the following claims.
Claims (10)
상기 장기를 촬영한 복수의 이미지 및 촬영 메타 데이터를 획득하고, 상기 복수의 이미지를 전처리 하여 지정된 크기의 복수의 이미지 패치(patch)를 획득하는 단계;
상기 복수의 이미지 패치를 3D CNN(Convolutional Neural Network) 기반의 신경망 모델에 입력하여, 상기 복수의 이미지 패치 각각에 대응되는 장기 영역을 추정하는 단계;
상기 추정된 장기 영역의 넓이 및 상기 촬영 메타 데이터를 이용하여 상기 장기의 부피를 측정하는 단계;
상기 신경망 모델의 추정 결과를 기초로 신경망 모델의 불확실성 수치 및 복수의 이미지의 불확실성 수치를 측정하는 단계;
상기 복수의 이미지의 불확실성 수치를 기초로 상기 복수의 이미지 중 적어도 하나의 이미지를 변경하는 단계; 및
상기 신경망 모델의 불확실성 수치를 기초로 상기 신경망 모델의 라벨링 정책을 변경하는 단계;를 포함하고,
상기 복수의 이미지의 불확실성 수치를 기초로 상기 복수의 이미지 중 적어도 하나의 이미지를 변경하는 단계는,
상기 복수의 이미지의 불확실성 수치가 기준값 이상인 하나 이상의 이미지를 검출하는 단계;
상기 검출된 이미지의 상기 장기 영역에 대한 사용자 입력을 기초로, 상기 검출된 이미지를 변경하는 단계를 포함하는,
장기의 부피 측정 방법.
A method for measuring the volume of an organ performed by a computing device, the method comprising:
obtaining a plurality of images of the organs and photographing metadata, and pre-processing the plurality of images to obtain a plurality of image patches of a specified size;
estimating an organ region corresponding to each of the plurality of image patches by inputting the plurality of image patches to a 3D convolutional neural network (CNN)-based neural network model;
measuring the volume of the organ using the estimated area of the organ region and the imaging metadata;
measuring an uncertainty value of the neural network model and an uncertainty value of a plurality of images based on the estimation result of the neural network model;
changing at least one image among the plurality of images based on the uncertainty values of the plurality of images; and
Including; changing the labeling policy of the neural network model based on the uncertainty value of the neural network model;
Changing at least one image among the plurality of images based on the uncertainty value of the plurality of images comprises:
detecting one or more images in which uncertainty values of the plurality of images are greater than or equal to a reference value;
changing the detected image based on a user input for the organ region of the detected image,
Methods for measuring the volume of organs.
상기 장기를 촬영한 복수의 이미지는,
다이콤(DICOM; Digital Imaging and Communications in Medicine) 파일로부터 획득한 이미지 및 상기 장기에 대한 라벨링 이미지를 포함하고,
상기 촬영 메타 데이터는,
상기 복수의 이미지 각각에 대한 픽셀 간격 데이터 및 이미지의 깊이 데이터를 포함하는,
장기의 부피 측정 방법.
According to claim 1,
A plurality of images of the organs are
Contains an image obtained from a DICOM (Digital Imaging and Communications in Medicine) file and a labeling image for the organ,
The shooting metadata is
including pixel spacing data for each of the plurality of images and depth data of the image,
Methods for measuring the volume of organs.
상기 복수의 이미지 패치를 획득하는 단계는,
상기 복수의 이미지에 포함된 제1 이미지에 대하여 데이터 증대(Data Augmentation)을 수행하여, 상기 제1 이미지로부터 복수의 이미지를 생성하고, 상기 생성된 복수의 이미지를 전처리 하여 복수의 이미지 패치를 획득하는 단계를 포함하고,
상기 데이터 증대는,
상기 이미지의 공간 확대, 컬러 증강, 소음 증강 및 크롭핑(cropping) 중 하나 이상을 포함하는,
장기의 부피 측정 방법.
According to claim 1,
The step of obtaining the plurality of image patches comprises:
Performing data augmentation on the first image included in the plurality of images, generating a plurality of images from the first image, and pre-processing the generated plurality of images to obtain a plurality of image patches comprising steps,
The data augmentation is
comprising one or more of spatial enlargement, color enhancement, noise enhancement and cropping of the image;
Methods for measuring the volume of organs.
상기 복수의 이미지는,
상기 장기를 촬영한 복수의 3D 이미지이고,
상기 복수의 이미지 패치를 획득하는 단계는,
상기 복수의 3D 이미지에 대하여 깊이(depth) 방향으로 슬라이드하며 지정된 크기의 상기 복수의 이미지 패치를 획득하는 단계를 포함하는,
장기의 부피 측정 방법.
According to claim 1,
The plurality of images,
A plurality of 3D images of the organs,
The step of obtaining the plurality of image patches comprises:
Comprising the step of sliding in a depth direction with respect to the plurality of 3D images and obtaining the plurality of image patches of a specified size,
Methods for measuring the volume of organs.
상기 신경망 모델은,
학습 단계 및 추론 단계에서 드롭 아웃(Dropout)을 수행하고,
상기 신경망 모델의 불확실성 수치는,
상기 신경망 모델의 추론 단계에서의 결과 데이터의 확률 분포에 대한 분산값을 기초로 측정되는,
장기의 부피 측정 방법.
According to claim 1,
The neural network model is
Dropout is performed in the training phase and inference phase,
The uncertainty value of the neural network model is,
Measured based on the variance value for the probability distribution of the result data in the inference step of the neural network model,
Methods for measuring the volume of organs.
상기 복수의 이미지의 불확실성 수치는,
상기 신경망 모델의 추론 단계에서의 결과 데이터의 분산 추정값을 기초로 측정되는,
장기의 부피 측정 방법.
6. The method of claim 5,
The uncertainty value of the plurality of images is,
Measured based on the variance estimate of the result data in the reasoning step of the neural network model,
Methods for measuring the volume of organs.
상기 변경된 라벨링 정책에 따라 복수의 이미지의 가중치를 설정하고, 상기 변경된 이미지에 대하여 변경 전 이미지보다 큰 가중치를 부여하여 상기 신경망 모델을 학습시키는 단계를 더 포함하는,
장기의 부피 측정 방법.
According to claim 1,
Setting the weights of a plurality of images according to the changed labeling policy, further comprising the step of training the neural network model by giving the changed image a weight greater than that of the image before the change,
Methods for measuring the volume of organs.
상기 프로세서는,
장기를 촬영한 복수의 이미지 및 촬영 메타 데이터를 획득하고 상기 복수의 이미지를 전처리 하여 지정된 크기의 복수의 이미지 패치(patch)를 획득하고, 상기 복수의 이미지 패치를 3D CNN(Convolutional Neural Network) 기반의 신경망 모델에 입력하여 상기 복수의 이미지 패치 각각에 대응되는 장기 영역을 추정하고, 상기 추정된 장기 영역의 넓이 및 상기 촬영 메타 데이터를 이용하여 상기 장기의 부피를 측정하고, 상기 신경망 모델의 추정 결과를 기초로 신경망 모델의 불확실성 수치 및 복수의 이미지의 불확실성 수치를 측정하고, 상기 복수의 이미지의 불확실성 수치가 기준값 이상인 하나 이상의 이미지를 검출하고, 상기 검출된 이미지의 상기 장기 영역에 대한 사용자 입력을 기초로, 상기 검출된 이미지를 변경하고, 상기 신경망 모델의 불확실성 수치를 기초로 상기 신경망 모델의 라벨링 정책을 변경하는,
장기의 부피 측정 장치.
processor; including;
The processor is
Obtaining a plurality of images of organs and imaging metadata, preprocessing the plurality of images to obtain a plurality of image patches of a specified size, and converting the plurality of image patches to a 3D Convolutional Neural Network (CNN)-based Input to the neural network model to estimate the organ region corresponding to each of the plurality of image patches, measure the organ volume using the estimated area of the organ region and the imaging metadata, and calculate the estimation result of the neural network model Measure the uncertainty value of the neural network model and the uncertainty value of a plurality of images based on the basis, detect one or more images in which the uncertainty value of the plurality of images is equal to or greater than a reference value, and based on the user input for the organ region of the detected image , changing the detected image, and changing the labeling policy of the neural network model based on the uncertainty value of the neural network model,
A device for measuring the volume of an organ.
Priority Applications (7)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190162842A KR102328198B1 (en) | 2019-12-09 | 2019-12-09 | Method and apparatus for measuring volume of organ using artificial neural network |
PCT/KR2019/017514 WO2020122606A1 (en) | 2018-12-11 | 2019-12-11 | Method for measuring volume of organ by using artificial neural network, and apparatus therefor |
US17/312,342 US12056890B2 (en) | 2018-12-11 | 2019-12-11 | Method for measuring volume of organ by using artificial neural network, and apparatus therefor |
EP19897034.5A EP3895600A4 (en) | 2018-12-11 | 2019-12-11 | Method for measuring volume of organ by using artificial neural network, and apparatus therefor |
CN201980091771.7A CN113412082A (en) | 2018-12-11 | 2019-12-11 | Organ volume measuring method and device using artificial neural network |
JP2021533353A JP7239701B2 (en) | 2018-12-11 | 2019-12-11 | Organ volume measurement method and apparatus using artificial neural network |
JP2023031702A JP7521834B2 (en) | 2018-12-11 | 2023-03-02 | Method and device for measuring organ volume using artificial neural network |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190162842A KR102328198B1 (en) | 2019-12-09 | 2019-12-09 | Method and apparatus for measuring volume of organ using artificial neural network |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20210073622A KR20210073622A (en) | 2021-06-21 |
KR102328198B1 true KR102328198B1 (en) | 2021-11-22 |
Family
ID=76599741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020190162842A KR102328198B1 (en) | 2018-12-11 | 2019-12-09 | Method and apparatus for measuring volume of organ using artificial neural network |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102328198B1 (en) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102628154B1 (en) * | 2021-07-01 | 2024-01-25 | 주식회사 유엑스엔터프라이즈 | Calculating method for volume of ovarian endometrioma, predicting method and apparatus for prognosis of endometriosis |
KR102325970B1 (en) * | 2021-07-09 | 2021-11-16 | 주식회사 피노맥스 | Method and apparatus for calculating fat mass using images of head and neck |
KR102522697B1 (en) * | 2022-01-04 | 2023-04-18 | 주식회사 클라리파이 | Optimization method and system for personalized contrast test based on deep learning |
CN116664580B (en) * | 2023-08-02 | 2023-11-28 | 经智信息科技(山东)有限公司 | Multi-image hierarchical joint imaging method and device for CT images |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101659578B1 (en) | 2015-09-01 | 2016-09-23 | 삼성전자주식회사 | Method and apparatus for processing magnetic resonance imaging |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102215805B1 (en) * | 2018-01-30 | 2021-02-17 | 연세대학교 원주산학협력단 | Method and system to obtain material separation image using deep learning technology |
-
2019
- 2019-12-09 KR KR1020190162842A patent/KR102328198B1/en active IP Right Grant
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101659578B1 (en) | 2015-09-01 | 2016-09-23 | 삼성전자주식회사 | Method and apparatus for processing magnetic resonance imaging |
Non-Patent Citations (2)
Title |
---|
Carlos E Cardenas 외. Auto-delineation of oropharyngeal clinical target volumes using 3D convolutional neural networks. 2018 Phys. Med. Biol. 63 215026. 2018년 11월 7일 공개.* |
Davood Karimi 외. Accurate and robust deep learning-based segmentation of the prostate clinical target volume in ultrasound images. Medical Image Analysis 57 (2019) pp.186-196. 2019년 7월 15일 공개* |
Also Published As
Publication number | Publication date |
---|---|
KR20210073622A (en) | 2021-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102328198B1 (en) | Method and apparatus for measuring volume of organ using artificial neural network | |
US11055847B2 (en) | Adversarial and dual inverse deep learning networks for medical image analysis | |
US11914677B2 (en) | Image processing method and apparatus, terminal, and storage medium | |
JP7239701B2 (en) | Organ volume measurement method and apparatus using artificial neural network | |
US8837771B2 (en) | Method and system for joint multi-organ segmentation in medical image data using local and global context | |
US11257586B2 (en) | Systems and methods for human mesh recovery | |
US9299145B2 (en) | Image segmentation techniques | |
KR20180057420A (en) | Method and Apparatus for Recognizing Objects in a Weakly Supervised Learning Manner | |
WO2021128825A1 (en) | Three-dimensional target detection method, method and device for training three-dimensional target detection model, apparatus, and storage medium | |
CN114283151A (en) | Image processing method, device, equipment and storage medium for medical image | |
CN113362272A (en) | Medical image segmentation with uncertainty estimation | |
US20160203609A1 (en) | Image alignment device, method, and program, and method for generating 3-d deformation model | |
CN113724185B (en) | Model processing method, device and storage medium for image classification | |
US20230132479A1 (en) | Systems and methods for personalized patient body modeling | |
CN111523593A (en) | Method and apparatus for analyzing medical images | |
US11763468B2 (en) | Structured landmark detection via topology-adapting deep graph learning | |
US12051204B2 (en) | Automatic organ geometry determination | |
KR102671699B1 (en) | Method and apparatus for providing necessary information for diagnosis of kidney cancer | |
US20230196617A1 (en) | Human model recovery using deep learning techniques | |
US20240177420A1 (en) | Human model recovery based on video sequences | |
KR102518493B1 (en) | Electronic apparatus and method for detecting at least one cervical vertebrae point included in cervical vertebrae using artificial intelligence model in x-ray image including cervical vertebrae | |
KR102442591B1 (en) | Method, program, and apparatus for generating label | |
US20240303973A1 (en) | Actor-critic approach for generating synthetic images | |
KR20240018144A (en) | A method of predicting a risk of brain disease and a training method of model for analayzing brain disease risk | |
CN114746909A (en) | Probabilistic regularization of convolutional neural networks for correlation-based multi-feature detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right |