KR102350053B1 - 심층신경망을 이용한 질병 및 질환부위 예측 시스템 - Google Patents
심층신경망을 이용한 질병 및 질환부위 예측 시스템 Download PDFInfo
- Publication number
- KR102350053B1 KR102350053B1 KR1020210066911A KR20210066911A KR102350053B1 KR 102350053 B1 KR102350053 B1 KR 102350053B1 KR 1020210066911 A KR1020210066911 A KR 1020210066911A KR 20210066911 A KR20210066911 A KR 20210066911A KR 102350053 B1 KR102350053 B1 KR 102350053B1
- Authority
- KR
- South Korea
- Prior art keywords
- disease
- region
- interest
- data
- image data
- Prior art date
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 146
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 146
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 36
- 238000003384 imaging method Methods 0.000 claims abstract description 35
- 238000003745 diagnosis Methods 0.000 claims abstract description 25
- 230000005540 biological transmission Effects 0.000 claims abstract description 5
- 238000013135 deep learning Methods 0.000 description 10
- 238000000034 method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000001939 inductive effect Effects 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013074 reference sample Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G06T5/001—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- 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
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G06T2207/20—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- Radiology & Medical Imaging (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
심층신경망을 이용한 질병 및 질환부위 예측 시스템이 개시된다. 본 발명의 일실시례에 따른 심층신경망을 이용한 질병 및 질환부위 예측 시스템은 엑스레이 학습 데이터가 기저장되는 데이터셋; 엑스레이 촬영장치로부터 촬영된 영상 데이터를 수신하는 데이터 수신부; 상기 데이터 수신부에서 수신된 영상 데이터 내에서 관심 영역을 지정하는 관심영역 설정부; 상기 관심영역 설정부에서 설정된 관심 영역의 영상 데이터를 분석하되, 상기 데이터셋에 저장된 학습 데이터에 기초하여 상기 관심 영역 내의 질병 발생 여부를 판단하고, 질병 정보 및 질병 의심 영역의 좌표 정보를 생성하는 질병 분석부; 및 상기 질병 분석부에서 생성된 질병 분석 결과를 기지정된 사용자 단말로 전송하는 데이터 송신부;를 포함한다.
Description
본 발명은 질병 및 질환부위 예측 시스템에 관한 것으로, 보다 상세하게는, 딥러닝 기술을 적용하여 엑스레이 촬영장치로부터 촬영된 영상데이터를 분석하고 질환 정보 및 질환 부위를 예측하는 심층신경망을 이용한 질병 및 질환부위 예측 시스템에 관한 것이다.
현대 의학에서 효과적인 질병의 진단 및 환자의 치료를 위해 의료 영상은 매우 중요한 도구이다. 또한, 영상 기술 발달은 더욱 정교한 의료 영상 데이터를 획득 가능하게 하고 있다. 이러한 정교함의 대가로 데이터의 양은 점차 방대해지고 있어 의료 영상 데이터를 인간의 시각에 의존하여 분석하는 데 어려움이 많다. 이에 최근 십여 년 동안의 임상 의사 결정 지원 시스템 및 컴퓨터 보조 판독 시스템은 의료 영상 자동 분석에 있어서 필수적인 역할 수행하여 왔다.
종래의 임상 의사 결정 지원 시스템 또는 컴퓨터 보조 판돈 시스템은 병변 영역을 검출하여 표시하거나 판독 정보를 의료 종사자(이하 사용자)에게 제공한다.
일례로, 종래기술인 한국공개특허 제10-2017-0017614호는 분석 대상 객체가 촬영된 관심 영역을 검출하고, 변동 계수를 산출하고, 변동 계수 이미지를 작성하고 이를 기준 샘플과 비교하는 단계를 포함하여 환자의 질환 정도를 진단하는 의료 영상 기반의 질환 진단 정보 산출 방법 및 장치에 대하여 개시하고 있다.
특히, 근래에 딥러닝과 같은 기계 학습을 기반으로 하는 인공지능 기술은 의료 영상을 이용하여 환자의 질병을 판독하는데 있어 비약적인 발전을 가져오는데 바탕이 되고 있다.
딥러닝이란 사람의 신경세포를 모사하여 기계가 학습하도록 하는 인공신경망 기반의 기계 학습법을 의미한다. 최근 딥러닝 기술은 이미지 인식 분야에서 비약적으로 발전하고 있고, 의료 영상을 이용한 판독 분야에서도 널리 사용되고 있다.
의료 영상에서의 딥러닝 기술은 질병을 포함하는 다수의 의료 영상과 해당 질병을 학습 데이터로 하여 기계 학습이 진행되어 기계 학습 모델(이하, '판독 모델'이라 함)이 생성되고, 판독 대상 의료 영상이 판독 모델에 입력되면 병변 여부를 진단하게 된다.
상기와 같이, 딥러닝 기반의 기계 학습법은 판독 모델을 생성하는데 사용되는 학습 데이터가 다양하게 수집될수록 판독 결과의 정확성을 높일 수 있으나, 수집되는 학습 데이터의 기준이 명확하지 않은 경우, 방대한 양의 학습 데이터가 수집되더라도 판독 결과의 정확도를 향상시키는데 한계가 있다.
따라서, 정확한 판독 결과를 위해 다양한 학습 데이터를 학습 모델로 구분하여 수집하고, 학습 모델에 기초하여 정확한 판독 결과를 도출할 수 있는 심층신경망을 이용한 질병 및 질환부위 예측 시스템에 관한 연구가 필요하다.
본 발명은 딥 러닝 분석 기법을 이용하여 엑스레이 촬영장치로부터 촬영된 영상 데이터에 내에 질병 발생 여부를 판단하고, 질병 발생 위치를 도출함으로써, 의료 종자사를 포함하는 사용자로 하여금 정확한 진단 및 처방을 내릴 수 있도록 유도하는 심층신경망을 이용한 질병 및 질환부위 예측 시스템을 제공하는 데 그 목적이 있다.
또한, 엑스레이 촬영방법, 촬영부위, 진단명 등 기준을 명확하게 구분하여 학습 모델을 형성함으로써, 모든 영상을 학습하는 경우와 달리 판독 결과를 신속하게 도출하고, 진단 범위 및 진단 정확도를 향상시킬 수 있는 심층신경망을 이용한 질병 및 질환부위 예측 시스템을 제공하는 데 그 목적이 있다.
본 발명이 해결하고자 하는 과제들은 이상에서 언급한 과제로 제한되지 않으며, 여기에 언급되지 않은 본 발명이 해결하려는 또 다른 과제들은 아래의 기재로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 발명의 일실시례에 따른 심층신경망을 이용한 질병 및 질환부위 예측 시스템은 엑스레이 학습 데이터가 기저장되는 데이터셋, 엑스레이 촬영장치로부터 촬영된 영상 데이터를 수신하는 데이터 수신부, 데이터 수신부에서 수신된 영상 데이터 내에서 관심 영역을 지정하는 관심영역 설정부, 관심영역 설정부에서 설정된 관심 영역의 영상 데이터를 분석하되, 데이터셋에 저장된 학습 데이터에 기초하여 관심 영역 내의 질병 발생 여부를 판단하고, 질병 정보 및 질병 의심 영역의 좌표 정보를 생성하는 질병 분석부 및 질병 분석부에서 생성된 질병 분석 결과를 기지정된 사용자 단말로 전송하는 데이터 송신부를 포함한다.
또한, 데이터셋은 엑스레이 촬영장치에서 생성된 영상 데이터를 PA, AP, R 및 L 중 적어도 어느 하나의 촬영 방법으로 구분하여 상기 엑스레이 학습 데이터를 형성하는 것을 특징으로 한다.
또한, 관심영역 설정부는 데이터 수신부에서 수신된 영상 데이터에서 진단에 사용되는 관심 영역 외의 영역을 제거하되, 영상 데이터의 영상 비율은 그대로 유지시키는 것을 특징으로 한다.
또한, 질병 분석부는 관심 영역의 영상 데이터가 촬영된 촬영 방법을 판단하고, 데이터셋에 저장된 엑스레이 학습 데이터 중 관심 영역의 영상 데이터 촬영 방법과 동일한 촬영 방법의 학습 데이터와 비교하여 관심 영역의 영상 데이터를 분석하되, 관심 영역 내에 적어도 하나 이상의 질병 발생이 의심되는 경우, 의심되는 질병에 대응되는 진단명을 생성하고, 질병이 의심되는 영역의 좌표 정보를 생성하며, 생성된 좌표 정보에 기초하여 관심 영역 내에 질병 의심 영역을 마킹하는 것을 특징으로 한다.
또한, 데이터 송신부는 질병 분석부에서 도출된 질병 분석 결과를 기지정된 사용자 단말로 전송하되, 사용자 단말로부터 질병 분석 결과에 대한 피드백을 입력받고, 입력된 피드백 및 질병 분석 결과를 상기 데이터셋에 추가하는 것을 특징으로 한다.
본 발명의 심층신경망을 이용한 질병 및 질환부위 예측 시스템은 딥 러닝 분석 기법을 이용하여 엑스레이 촬영장치로부터 촬영된 영상 데이터에 내에 질병 발생 여부를 판단하고, 질병 발생 위치를 도출함으로써, 의료 종자사를 포함하는 사용자로 하여금 정확한 진단 및 처방을 내릴 수 있도록 유도하는 효과가 있다.
또한, 엑스레이 촬영방법, 촬영부위, 진단명 등 기준을 명확하게 구분하여 학습 모델을 형성함으로써, 모든 영상을 학습하는 경우와 달리 판독 결과를 신속하게 도출하고, 진단 범위 및 진단 정확도를 향상시킬 수 있는 효과가 있다.
도 1은 본 발명의 일실시례에 따른 심층신경망을 이용한 질병 및 질환부위 예측 시스템의 구성도이다.
도 2는 본 발명의 일실시례에 따른 심층신경망을 이용한 질병 및 질환부위 예측 시스템의 데이터 송수신 과정을 설명하기 위한 도면이다.
도 3은 본 발명의 일실시례에 따른 심층신경망을 이용한 질병 및 질환부위 예측 시스템의 데이터셋을 설명하기 위한 도면이다.
도 4는 본 발명의 일실시례에 따른 심층신경망을 이용한 질병 및 질환부위 예측 시스템의 질병 분석부를 설명하기 위한 도면이다.
도 2는 본 발명의 일실시례에 따른 심층신경망을 이용한 질병 및 질환부위 예측 시스템의 데이터 송수신 과정을 설명하기 위한 도면이다.
도 3은 본 발명의 일실시례에 따른 심층신경망을 이용한 질병 및 질환부위 예측 시스템의 데이터셋을 설명하기 위한 도면이다.
도 4는 본 발명의 일실시례에 따른 심층신경망을 이용한 질병 및 질환부위 예측 시스템의 질병 분석부를 설명하기 위한 도면이다.
이상과 같은 본 발명에 대한 해결하고자 하는 과제, 과제의 해결 수단, 발명의 효과를 포함한 구체적인 사항들은 다음에 기재할 실시례 및 도면들에 포함되어 있다. 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시례들을 참조하면 명확해질 것이다.
이하, 첨부된 도면을 참조하여 본 발명을 보다 상세히 설명하기로 한다.
도 1은 본 발명의 일실시례에 따른 심층신경망을 이용한 질병 및 질환부위 예측 시스템의 구성도이고, 도 2는 본 발명의 일실시례에 따른 심층신경망을 이용한 질병 및 질환부위 예측 시스템의 데이터 송수신 과정을 설명하기 위한 도면이고, 도 3은 본 발명의 일실시례에 따른 심층신경망을 이용한 질병 및 질환부위 예측 시스템의 데이터셋을 설명하기 위한 도면이고, 도 4는 본 발명의 일실시례에 따른 심층신경망을 이용한 질병 및 질환부위 예측 시스템의 질병 분석부를 설명하기 위한 도면이다.
<실시례 1>
도 1 및 도 2를 참고하면, 본 발명의 일실시례에 따른 심층신경망을 이용한 질병 및 질환부위 예측 시스템(100)은 엑스레이 학습 데이터가 기저장되는 데이터셋(110), 엑스레이 촬영장치(10)로부터 촬영된 영상 데이터를 수신하는 데이터 수신부(120), 상기 데이터 수신부(120)에서 수신된 영상 데이터 내에서 관심 영역을 지정하는 관심영역 설정부(130), 상기 관심영역 설정부(130)에서 설정된 관심 영역의 영상 데이터를 분석하되, 상기 데이터셋(110)에 저장된 학습 데이터에 기초하여 상기 관심 영역 내의 질병 발생 여부를 판단하고, 질병 정보 및 질병 의심 영역의 좌표 정보를 생성하는 질병 분석부(140) 및 상기 질병 분석부(140)에서 생성된 질병 분석 결과를 기지정된 사용자 단말(20)로 전송하는 데이터 송신부(150)를 포함할 수 있다.
보다 상세하게는, 도 3을 참고하면, 상기 데이터셋(110)은 상기 엑스레이 촬영장치(10)에서 생성된 영상 데이터를 PA, AP, R 및 L 중 적어도 어느 하나의 촬영 방법으로 구분하여 상기 엑스레이 학습 데이터를 형성할 수 있다.
예를 들어, 상기 엑스레이 촬영장치(10)의 촬영 방법에 따라, 정확하게 진단 가능한 범위가 달라질 수 있기 때문에, 상기 엑스레이 촬영장치(10)로부터 촬영된 영상 데이터를 별도의 구분 없이 하나의 학습 데이터로 사용하는 경우, 진단의 정확도를 향상시키는 데 한계가 있을 수 있다.
따라서, 상기 엑스레이 촬영장치(10)의 촬영 방법을 구분하여 학습 데이터를 형성하고, 동일한 촬영 방법에 대해서만 딥러닝 분석이 수행되도록 유도함으로써, 진단의 정확도를 향상시킬 수 있다.
일례로, 촬영방법, 촬영부위 등 기지정된 기준에 기초하여 상기 엑스레이 학습 데이터를 분류하여 저장함으로써, 특정 질병에 특화된 빅데이터를 구축할 수 있다.
한편, 상기 관심영역 설정부(130)는 상기 데이터 수신부(120)에서 수신된 영상 데이터에서 진단에 사용되는 상기 관심 영역 외의 영역을 제거하되, 상기 영상 데이터의 영상 비율은 그대로 유지시킬 수 있다.
종래에 개시된 기술은, 수집된 영상 데이터를 기설정된 비율로 강제 변환시킨 후 전체 영상 데이터에 대한 질병 여부 판단이 수행되었으나, 상기 심층신경망을 이용한 질병 및 질환부위 예측 시스템(100)은 상기 영상 데이터의 비율을 강제 변환시키는 과정 대신, 상기 영상 데이터 내에서 질병 여부 판단에 영향이 적은 영역은 절단시키고, 상기 관심영역 설정부(130)에서 설정한 관심 영역에 대해서만 질병 여부 판단이 수행되므로 보다 정확한 진단이 가능한 효과가 있다.
도 4를 참고하면, 상기 질병 분석부(140)는 상기 관심 영역의 영상 데이터가 촬영된 촬영 방법을 판단하고, 상기 데이터셋(110)에 저장된 상기 엑스레이 학습 데이터 중 상기 관심 영역의 영상 데이터 촬영 방법과 동일한 촬영 방법의 학습 데이터와 비교하여 상기 관심 영역의 영상 데이터를 분석할 수 있다.
또한, 상기 관심 영역 내에 적어도 하나 이상의 질병 발생이 의심되는 경우, 상기 의심되는 질병에 대응되는 진단명을 생성하고, 상기 질병이 의심되는 영역의 좌표 정보를 생성하며, 상기 생성된 좌표 정보에 기초하여 상기 관심 영역 내에 질병 의심 영역을 마킹할 수 있다.
또한, 데이터 송신부(150)는 상기 질병 분석부(140)에서 도출된 질병 분석 결과를 상기 기지정된 사용자 단말(20)로 전송하되, 상기 사용자 단말(20)로부터 상기 질병 분석 결과에 대한 피드백을 입력받고, 상기 입력된 피드백 및 상기 질병 분석 결과를 상기 데이터셋(110)에 추가할 수 있다.
일례로, 상기 질병 분석부(140)에서 도출된 질병 분석 결과에 진단명이 정확하지 않거나, 상기 질병 분석 결과에 포함되지 않은 추가 질병이 발견된 경우, 상기 사용자 단말(20)로부터 상기 질병 분석 결과에 대한 피드백을 입력받고, 상기 질병 분석 결과에 상기 사용자 단말(20)에서 입력된 피드백을 추가하여 상기 데이터셋(110)의 학습 데이터를 업데이트 할 수 있다.
<실시례 2>
일례로, 상기 질병 분석부(140)는 상기 관심영역 설정부(130)에서 설정된 관심 영역을 분석하되, 상기 관심 영역에 대한 콘볼루션(convolution) 작업이 수행되고, 상기 관심 영역으로부터 추출된 특징 데이터가 포함된 복수개의 계층이 생성되며, 상기 생성된 복수개의 계층을 모두 이용하여 질병 발생 여부, 질병 발생 위치 및 질병 종류 중 적어도 어느 하나를 포함하는 질병 정보가 도출될 수 있다.
보다 상세하게는, 상기 마지막 계층만을 이용하는 경우, 상기 마지막 계층에 포함된 특징 데이터는 각 계층 간의 상호 정보를 포함하고 있지 않기 때문에 상기 관심 영역 내의 질병 발생 위치 정보를 산출할 수 없는 반면, 상기 복수개의 계층을 모두 이용하는 경우, 각 계층 간의 상호 정보를 포함하고, 이로부터 상기 관심 영역 내의 질병 발생 위치 정보를 산출할 수 있다.
또한, 상기 질병 분석부(140)는 질병 발생 여부 및 질병 종류를 판별하는 학습 모델과, 질병 발생 위치를 판별하는 학습 모델을 구분하기 않고, 하나의 모델을 이용하여 상기 관심 영역 내의 질병 발생 여부, 질병 발생 위치 및 질병 종류를 모두 확인할 수 있다.
따라서, 상기 질병 분석부(140)는 상기 관심 영역에 대한 복수개의 계층을 모두 이용함으로써, 질병 분석에 소요되는 및 데이터 메모리를 감소시킬 수 있는 효과가 있다.
상기와 같은 본 발명의 효과에 따르면, 딥 러닝 분석 기법을 이용하여 엑스레이 촬영장치로부터 촬영된 영상 데이터에 내에 질병 발생 여부를 판단하고, 질병 발생 위치를 도출함으로써, 의료 종자사를 포함하는 사용자로 하여금 정확한 진단 및 처방을 내릴 수 있도록 유도하는 심층신경망을 이용한 질병 및 질환부위 예측 시스템이 제공될 수 있다.
또한, 엑스레이 촬영방법, 촬영부위, 진단명 등 기준을 명확하게 구분하여 학습 모델을 형성함으로써, 모든 영상을 학습하는 경우와 달리 판독 결과를 신속하게 도출하고, 진단 범위 및 진단 정확도를 향상시킬 수 있는 심층신경망을 이용한 질병 및 질환부위 예측 시스템이 제공될 수 있다.
또한, 본 발명의 일실시례에 따른, 심층신경망을 이용한 질병 및 질환부위 예측 방법은 다양한 컴퓨터로 구현되는 동작을 수행하기 위한 프로그램 명령을 포함하는 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 매체는 프로그램 명령은 본 발명을 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.
이상과 같이 본 발명의 일실시례는 비록 한정된 실시례와 도면에 의해 설명되었으나, 본 발명의 일실시례는 상기 설명된 실시례에 한정되는 것은 아니며, 이는 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서 본 발명의 일실시례는 아래에 기재된 특허청구범위에 의해서만 파악되어야 하고, 이의 균등 또는 등가적 변형 모두는 본 발명 사상의 범주에 속한다고 할 것이다.
110 : DB부
120 : 환자데이터입력부
130 : 환자데이터갱신부
140 : 환자데이터변환부
150 : 환자데이터예측부
160 : 환자데이터검증부
120 : 환자데이터입력부
130 : 환자데이터갱신부
140 : 환자데이터변환부
150 : 환자데이터예측부
160 : 환자데이터검증부
Claims (5)
- 엑스레이 학습 데이터가 기저장되는 데이터셋;
엑스레이 촬영장치로부터 촬영된 영상 데이터를 수신하는 데이터 수신부;
상기 데이터 수신부에서 수신된 영상 데이터 내에서 관심 영역을 지정하는 관심영역 설정부;
상기 관심영역 설정부에서 설정된 관심 영역의 영상 데이터를 분석하되, 상기 데이터셋에 저장된 학습 데이터에 기초하여 상기 관심 영역 내의 질병 발생 여부를 판단하고, 질병 정보 및 질병 의심 영역의 좌표 정보를 생성하는 질병 분석부; 및
상기 질병 분석부에서 생성된 질병 분석 결과를 기지정된 사용자 단말로 전송하는 데이터 송신부;를 포함하고,
상기 데이터셋은,
상기 엑스레이 촬영장치에서 생성된 영상 데이터를 PA, AP, R 및 L 중 적어도 어느 하나의 촬영 방법으로 구분하여 상기 엑스레이 학습 데이터를 형성하며,
상기 관심영역 설정부는,
상기 데이터 수신부에서 수신된 영상 데이터에서 진단에 사용되는 상기 관심 영역 외의 영역을 제거하되, 상기 영상 데이터의 영상 비율은 그대로 유지시키고,
상기 질병 분석부는,
상기 관심 영역의 영상 데이터가 촬영된 촬영 방법을 판단하고, 상기 데이터셋에 저장된 상기 엑스레이 학습 데이터 중 상기 관심 영역의 영상 데이터 촬영 방법과 동일한 촬영 방법의 학습 데이터와 비교하여 상기 관심 영역의 영상 데이터를 분석하되,
상기 관심 영역 내에 적어도 하나 이상의 질병 발생이 의심되는 경우, 상기 의심되는 질병에 대응되는 진단명을 생성하고, 상기 질병이 의심되는 영역의 좌표 정보를 생성하며, 상기 생성된 좌표 정보에 기초하여 상기 관심 영역 내에 질병 의심 영역을 마킹하고,
상기 관심 영역에 대한 콘볼루션 작업을 수행하여 상기 관심 영역으로부터 추출된 특징 데이터가 포함된 복수개의 계층을 생성하며, 상기 생성된 복수개의 계층을 모두 이용하여 질병 발생 여부, 질병 발생 위치 및 질병 종류 중 적어도 어느 하나는 포함하는 질병 정보를 도출하고,
상기 데이터 송신부는,
상기 질병 분석부에서 도출된 상기 질병 정보를 포함하는 질병 분석 결과를 상기 기지정된 사용자 단말로 전송하되,
상기 사용자 단말로부터 상기 질병 분석 결과에 대한 피드백을 입력받고, 상기 입력된 피드백 및 상기 질병 분석 결과를 상기 데이터셋에 추가하는 것을 특징으로 하는 심층신경망을 이용한 질병 및 질환부위 예측 시스템. - 삭제
- 삭제
- 삭제
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210066911A KR102350053B1 (ko) | 2021-05-25 | 2021-05-25 | 심층신경망을 이용한 질병 및 질환부위 예측 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210066911A KR102350053B1 (ko) | 2021-05-25 | 2021-05-25 | 심층신경망을 이용한 질병 및 질환부위 예측 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102350053B1 true KR102350053B1 (ko) | 2022-01-11 |
Family
ID=79355555
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210066911A KR102350053B1 (ko) | 2021-05-25 | 2021-05-25 | 심층신경망을 이용한 질병 및 질환부위 예측 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102350053B1 (ko) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101884609B1 (ko) * | 2017-05-08 | 2018-08-02 | (주)헬스허브 | 모듈화된 강화학습을 통한 질병 진단 시스템 |
| KR20200092489A (ko) * | 2019-01-10 | 2020-08-04 | 한국전자통신연구원 | 딥러닝을 이용한 3차원 전신 골격 모델 생성 장치 및 방법 |
| KR102185760B1 (ko) * | 2020-03-18 | 2020-12-03 | 가톨릭대학교 산학협력단 | 골다공증 진단 장치 및 골다공증 판단 방법 |
-
2021
- 2021-05-25 KR KR1020210066911A patent/KR102350053B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101884609B1 (ko) * | 2017-05-08 | 2018-08-02 | (주)헬스허브 | 모듈화된 강화학습을 통한 질병 진단 시스템 |
| KR20200092489A (ko) * | 2019-01-10 | 2020-08-04 | 한국전자통신연구원 | 딥러닝을 이용한 3차원 전신 골격 모델 생성 장치 및 방법 |
| KR102185760B1 (ko) * | 2020-03-18 | 2020-12-03 | 가톨릭대학교 산학협력단 | 골다공증 진단 장치 및 골다공증 판단 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101840350B1 (ko) | 의료 영상 판독 과정에서 사용자의 시선 정보를 이용한 판독 효율 증대 방법 및 그 장치 | |
| RU2011116406A (ru) | Система и способ для объединения клинических признаков и признаков изображений для диагностики с применением компьютера | |
| US10628659B2 (en) | Intelligent tumor tracking system | |
| US11915822B2 (en) | Medical image reading assistant apparatus and method for adjusting threshold of diagnostic assistant information based on follow-up examination | |
| CN103584876B (zh) | 用于x射线图像的自动质量控制 | |
| KR20190132832A (ko) | 딥러닝을 기반으로 하는 아밀로이드 양성 또는 음성을 예측하기 위한 방법 및 장치 | |
| KR20190046471A (ko) | 의료 영상 처리 방법 및 그에 따른 의료 영상 처리 장치 | |
| CN109124660B (zh) | 基于深度学习的胃肠间质瘤术后风险检测方法和系统 | |
| JP2005296605A (ja) | 放射線写真画像を診断関連領域と診断非関連領域とにセグメント化する方法 | |
| CN113168690A (zh) | 用于识别脑部图像中的区域的装置 | |
| CN111883256A (zh) | 基于电子病历数据的肺结核患者预警系统及预警方法 | |
| EP3895600A1 (en) | Method for measuring volume of organ by using artificial neural network, and apparatus therefor | |
| CA3102807A1 (en) | Orientation detection in fluoroscopic images | |
| CN116848588A (zh) | 医学图像中的健康状况特征的自动标注 | |
| CN110910342A (zh) | 通过使用深度学习来分析骨骼创伤 | |
| CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
| AU2021100684A4 (en) | DEPCADDX - A MATLAB App for Caries Detection and Diagnosis from Dental X-rays | |
| KR20200114228A (ko) | 순환 신경망을 이용한 이소시트르산 탈수소효소 유전형 변이 예측 방법 및 시스템 | |
| KR102350053B1 (ko) | 심층신경망을 이용한 질병 및 질환부위 예측 시스템 | |
| CN115210755A (zh) | 解决训练数据中遗漏注释的类别不同损失函数 | |
| KR20190059440A (ko) | 유사환자 자동검색을 통한 진단 보조 시스템 및 방법 | |
| Jaiswal et al. | An intelligent deep network for dental medical image processing system | |
| JP2007528763A (ja) | インタラクティブコンピュータ支援診断方法及び装置 | |
| KR102360615B1 (ko) | 내시경 영상에 대한 복수의 의료 영상 판독 알고리듬들을 이용하는 의료 영상 판독 지원 장치 및 방법 | |
| Lensink et al. | Segmentation of pulmonary opacification in chest ct scans of covid-19 patients |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |