KR102391934B1 - 인공지능 기반 갑상선 결절의 암 위험도 진단 시스템 및 방법 - Google Patents

인공지능 기반 갑상선 결절의 암 위험도 진단 시스템 및 방법 Download PDF

Info

Publication number
KR102391934B1
KR102391934B1 KR1020220007814A KR20220007814A KR102391934B1 KR 102391934 B1 KR102391934 B1 KR 102391934B1 KR 1020220007814 A KR1020220007814 A KR 1020220007814A KR 20220007814 A KR20220007814 A KR 20220007814A KR 102391934 B1 KR102391934 B1 KR 102391934B1
Authority
KR
South Korea
Prior art keywords
thyroid
artificial intelligence
image
unit
nodule
Prior art date
Application number
KR1020220007814A
Other languages
English (en)
Inventor
임준성
김종민
방성호
이지영
이정준
Original Assignee
주식회사 엘티포
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 엘티포 filed Critical 주식회사 엘티포
Priority to KR1020220007814A priority Critical patent/KR102391934B1/ko
Application granted granted Critical
Publication of KR102391934B1 publication Critical patent/KR102391934B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0833—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures
    • A61B8/085—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures for locating body or organic structures, e.g. tumours, calculi, blood vessels, nodules
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5292—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves using additional data, e.g. patient information, image labeling, acquisition parameters
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • 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

Abstract

본 발명은 인공지능 기반 갑상선 결절의 암 위험도 진단 시스템 및 방법에 관한 것으로, 더욱 상세하게는 학습된 인공지능 알고리즘을 기반으로 갑상선 초음파영상 이미지의 갑상선 결절의 암 위험도를 분석하여 진단결과 정보를 생성하고, 이를 담당 의료진에게 제공하여 불필요한 조직검사를 감소할 수 있는 인공지능 기반 갑상선 결절의 암 위험도 진단 시스템 및 방법에 관한 것이다.

Description

인공지능 기반 갑상선 결절의 암 위험도 진단 시스템 및 방법{System and method for diagnosis cancer risk of thyroid nodule based on artificial intelligence}
본 발명은 인공지능 기반 갑상선 결절의 암 위험도 진단 시스템 및 방법에 관한 것으로, 더욱 상세하게는 학습된 인공지능 알고리즘을 기반으로 갑상선 초음파영상 이미지의 갑상선 결절의 암 위험도를 분석하여 진단결과 정보를 생성하고, 이를 담당 의료진에게 제공하여 불필요한 조직검사를 감소할 수 있는 인공지능 기반 갑상선 결절의 암 위험도 진단 시스템 및 방법에 관한 것이다.
갑상선 결절은 매우 흔한 증상이며 대부분의 갑상선 결절은 양성이다. 그러나 이러한 갑상선 결절에 대해 필요하지 않은 조직검사가 많이 이루어지고 있으며, 대략 90%의 갑상선 조직검사 결과가 양성으로 보고되어 있다.
또한 한국에서는 1999년 6.4/100,000 (95% CI 6.2~6.6)에서 2008년 40.7/100,000 (95% CI 40.2~41.2)로 갑상선암의 유병률이 급격하게 늘었으나 사망률에는 차이가 없어, 무분별한 갑상선 결절의 조직검사를 줄여야 할 필요성이 대두되었다.
이러한 필요성에 의해 2016년 대한 갑상선 영상의학회에서는 갑상선 결절의 초음파 영상을 통한 갑상선암의 위험도를 계층화하는 K-TIRADS(Korean Thyroid Imaging Reporting and Data System)이 만들어졌다.
상기 K-TIRADS는 높은 정확도를 보이고 있으나, 초음파 영상은 기본적으로 검사를 시행하는 의사의 숙련도와 경험에 따라 영상과 해석의 질에 크게 차이가 있다는 문제가 있다.
본 발명은 상기와 같은 문제점을 해결하기 위해 창출된 것으로, 본 발명의 목적은 학습된 인공지능 알고리즘을 기반으로 갑상선 초음파영상 이미지의 갑상선 결절의 암 위험도를 분석하여 진단결과 정보를 생성하고, 이를 담당 의료진에게 제공하여 의료진의 진료 부담을 줄이고, 불필요한 조직검사를 감소할 수 있는 인공지능 기반 갑상선 결절의 암 위험도 진단 시스템 및 방법을 제공하는데 있다.
상기와 같은 목적을 달성하기 위한 본 발명에 따른 인공지능 기반 갑상선 결절의 암 위험도 진단 시스템은 초음파 촬상장치(100)로부터 학습에 사용될 갑상선 초음파영상 이미지를 전송받고, 담당 의료진이 개인정보 비식별 처리 및 라벨링 처리를 수행하여 저장하는 병원서버(200); 상기 병원서버(200)로부터 개인정보 비식별 처리 및 라벨링 처리된 갑상선 초음파영상 이미지를 전송받아 전처리를 수행하여, 학습데이터셋, 검증데이터셋 및 테스트데이터셋을 생성하는 데이터 전처리장치(300); 및 상기 데이터 전처리장치(300)로부터 학습데이터셋, 검증데이터셋 및 테스트데이터셋을 전송받아 인공지능 모델을 학습시키고, 상기 인공지능 모델을 이용하여 병원서버(200)로부터 전송되는 갑상선 초음파영상 이미지의 갑상선 결절의 암 위험도를 진단하는 갑상선 결절의 암 위험도 진단장치(400)를 포함하는 것을 특징으로 한다.
본 발명의 바람직한 실시예에 따르면, 상기 담당 의료진은, 라벨링 처리를 함에 있어서, K-TIRADS 분류 기준에 따라 결절의 위치, 반향정도, 특성, 모양 허상유무 등을 바탕으로 Category 2, Category3, Category 4, Category 5 중 어느 하나로 라벨링 하는 것을 특징으로 한다.
본 발명의 바람직한 실시예에 따르면, 상기 데이터 전처리장치(300)는, 갑상선 초음파영상 이미지에서 이미지 이외의 텍스트를 제거하는 텍스트제거부(310); 초음파 촬상장치(100)에 따른 화질 차이 극복을 위해 갑상선 초음파영상 이미지의 Histogram을 평준화하는 Histogram평준화부(320); Yolo v5 신경망을 사용하여 갑상선 초음파영상 이미지에서 결절 부위에 대한 ROI(Region of Interest)를 설정하는 관심구역 설정부(330); Yolo v5 신경망에서 설정된 ROI 영역 좌표를 사용하여 결절 부위의 이미지를 크롭(Crop)하는 이미지 크롭부(340); 및 각 갑상선 초음파영상 이미지에 Category2, Category3, Category4, Category5 중 어느 하나의 라벨을 삽입하여, 학습데이터셋, 검증데이터셋 및 테스트데이터셋을 생성하는 데이터셋 생성부(350)를 포함하는 것을 특징으로 한다.
본 발명의 바람직한 실시예에 따르면, 갑상선 결절의 암 위험도 진단장치(400)는, 상기 데이터 전처리장치(300)가 생성한 학습데이터셋을 통해 복수의 인공지능 모델의 학습을 수행하고, 검증 및 테스트 데이터셋을 통해 복수의 인공지능 모델 중 가장 성능이 높은 인공지능 모델을 선정하여 저장하는 인공지능 모델학습부(410); 병원서버(200)로부터 갑상선 초음파영상 이미지가 수집되면, 상기 인공지능 모델학습부(410)에 저장된 인공지능 모델 중 어느 하나를 선택하는 인공지능 모델선택부(420); 상기 인공지능 모델선택부(420)가 선택한 모델을 통해 상기 갑상선 초음파영상 이미지의 갑상선 결절의 암 위험도를 분석하여 진단결과 정보를 생성하는 인공지능 모델예측부(430); 및 상기 인공지능 모델예측부(430)가 생성한 진단결과 정보를 저장 및 병원서버(200)로 전송하고, 재학습 시 진단결과 정보를 상기 인공지능 모델학습부(410)로 전송해주는 이력관리부(440)를 포함하는 것을 특징으로 한다.
본 발명의 바람직한 실시예에 따르면, 상기 인공지능 모델학습부(410)는, 인공지능 모델의 하이퍼 파라미터를 최적화시키는 Bayesian Optimizer기법을 사용하여, 복수의 인공지능 모델의 AUC 점수를 측정하여 가장 성능이 높은 인공지능 모델을 선정 및 저장하는 것을 특징으로 한다.
본 발명의 바람직한 실시예에 따르면, 상기 인공지능 모델예측부(430)는, 갑상선 초음파영상 이미지의 갑상선 결절의 암 위험도를 분석하여 해당없음, Category2, Category3, Category4, Category5 별 각각에 속할 확률로 진단결과 정보를 생성하는 것을 특징으로 한다.
본 발명의 바람직한 실시예에 따르면, 인공지능 기반 갑상선 결절의 암 위험도 진단 시스템을 통한 갑상선 결절의 암 위험도 진단 방법은 병원서버(200)가 초음파 촬상장치(100)로부터 학습에 사용될 갑상선 초음파영상 이미지를 전송받고, 담당 의료진이 개인정보 비식별 처리 및 라벨링 처리를 수행하여 저장하는 A단계; 데이터 전처리장치(300)가 상기 병원서버(200)로부터 개인정보 비식별 처리 및 라벨링 처리된 갑상선 초음파영상 이미지를 전송받아 전처리를 수행하여, 학습데이터셋, 검증데이터셋 및 테스트데이터셋을 생성하는 B단계; 및 갑상선 결절의 암 위험도 진단장치(400)가 상기 데이터 전처리장치(300)로부터 학습데이터셋, 검증데이터셋 및 테스트데이터셋을 전송받아 인공지능 모델을 학습시키고, 상기 인공지능 모델을 이용하여 병원서버(200)로부터 전송되는 갑상선 초음파영상 이미지의 갑상선 결절의 암 위험도를 진단하는 C단계를 포함하는 것을 특징으로 한다.
본 발명의 바람직한 실시예에 따르면, 상기 담당 의료진은, 라벨링 처리를 함에 있어서, K-TIRADS 분류 기준에 따라 결절의 위치, 반향정도, 특성, 모양 허상유무 등을 바탕으로 Category 2, Category3, Category 4, Category 5 중 어느 하나로 라벨링 하는 것을 특징으로 한다.
본 발명의 바람직한 실시예에 따르면, 상기 B단계는, 텍스트제거부(310)가 갑상선 초음파영상 이미지에서 이미지 이외의 텍스트를 제거하는 단계; histogram 평준화부(320)가 초음파 촬상장치(100)에 따른 화질 차이 극복을 위해 갑상선 초음파영상 이미지의 Histogram을 평준화하는 단계; 관심구역 설정부(330)가 Yolo v5 신경망을 사용하여 갑상선 초음파영상 이미지에서 결절 부위에 대한 ROI(Region of Interest)를 설정하는 단계; 이미지 크롭부(340)가 Yolo v5 신경망에서 설정된 ROI 영역 좌표를 사용하여 결절 부위의 이미지를 크롭(Crop)하는 단계; 및 데이터셋 생성부(350)가 각 갑상선 초음파영상 이미지에 Category2, Category3, Category4, Category5 중 어느 하나의 라벨을 삽입하여, 학습데이터셋, 검증데이터셋 및 테스트데이터셋을 생성하는 단계를 포함하는 것을 특징으로 한다.
본 발명의 바람직한 실시예에 따르면, 상기 C단계는, 인공지능 모델학습부(410)가 상기 데이터 전처리장치(300)가 생성한 학습데이터셋을 통해 복수의 인공지능 모델의 학습을 수행하고, 검증 및 테스트 데이터셋을 통해 복수의 인공지능 모델 중 가장 성능이 높은 인공지능 모델을 선정하여 저장하는 단계; 인공지능 모델선택부(420)가 병원서버(200)로부터 갑상선 초음파영상 이미지가 수집되면, 상기 인공지능 모델학습부(410)에 저장된 인공지능 모델 중 어느 하나를 선택하는 단계; 인공지능 모델예측부(430)가 상기 인공지능 모델선택부(420)가 선택한 모델을 통해 상기 갑상선 초음파영상 이미지의 갑상선 결절의 암 위험도를 분석하여 진단결과 정보를 생성하는 단계; 및 이력관리부(440)가 상기 인공지능 모델예측부(430)가 생성한 진단결과 정보를 저장 및 병원서버(200)로 전송하고, 재학습 시 진단결과 정보를 상기 인공지능 모델학습부(410)로 전송해주는 단계를 포함하는 것을 특징으로 한다.
본 발명의 바람직한 실시예에 따르면, 상기 인공지능 모델학습부(410)는, 인공지능 모델의 하이퍼 파라미터를 최적화시키는 Bayesian Optimizer기법을 사용하여, 복수의 인공지능 모델의 AUC 점수를 측정하여 가장 성능이 높은 인공지능 모델을 선정 및 저장하는 것을 특징으로 한다.
본 발명의 바람직한 실시예에 따르면, 상기 인공지능 모델예측부(430)는, 갑상선 초음파영상 이미지의 갑상선 결절의 암 위험도를 분석하여 해당없음, Category2, Category3, Category4, Category5 별 각각에 속할 확률로 진단결과 정보를 생성하는 것을 특징으로 한다.
본 발명에 따른 인공지능 기반 갑상선 결절의 암 위험도 진단 시스템 및 방법은 학습된 인공지능 알고리즘을 기반으로 갑상선 초음파영상 이미지의 갑상선 결절의 암 위험도를 분석하여 진단결과 정보를 생성하고 이를 담당 의료진에 제공하여, 불필요한 조직검사를 감소할 수 있는 효과가 있다.
도 1은 본 발명의 일실시예에 따른 갑상선 결절의 암 위험도 진단시스템의 블록구성도
도 2는 본 발명의 일실시예에 따른 데이터 전처리장치의 블록구성도
도 3은 본 발명의 일실시예에 따른 갑상선 결절의 암 위험도 진단장치의 블록구성도
도 4는 본 발명의 일실시예에 따른 갑상선 결절의 암 위험도 진단시스템을 통한 갑상선 결절의 암 위험도 진단 방법의 순서도
도 5는 본 발명의 일실시예에 따른 데이터 전처리장치의 전처리방법 순서도
도 6은 본 발명의 일실시예에 따른 이미지 Histogram평준화 예시도
도 7은 본 발명의 일실시예에 따른 결절 부위의 이미지 크롭 예시도
도 8은 본 발명의 일실시예에 따른 갑상선 결절의 암 위험도 진단장치의 갑상선 결절의 암 위험도 진단 순서도
도 9는 본 발명의 일실시예에 따른 진단결과 정보 생성 예시도
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예들을 상세히 설명한다. 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 게시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 게시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다. 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 이하, 도면들을 참조하여 본 발명의 몇몇 실시예들을 설명한다.
도 1은 본 발명의 일실시예에 따른 갑상선 결절의 암 위험도 진단시스템의 블록구성도이며, 도 2는 본 발명의 일실시예에 따른 데이터 전처리장치의 블록구성도이며, 도 3은 본 발명의 일실시예에 따른 갑상선 결절의 암 위험도 진단장치의 블록구성도이다. 도 1 내지 3에 도시된 바와 같이, 본 발명에 따른 갑상선 결절의 암 위험도 진단 시스템은 초음파 촬상장치(100)로부터 학습에 사용될 갑상선 초음파영상 이미지를 전송받고, 담당 의료진이 개인정보 비식별 처리 및 라벨링 처리를 수행하여 저장하는 병원서버(200)와 상기 병원서버(200)로부터 개인정보 비식별 처리 및 라벨링 처리된 갑상선 초음파영상 이미지를 전송받아 전처리를 수행하여, 학습데이터셋, 검증데이터셋 및 테스트데이터셋을 생성하는 데이터 전처리장치(300) 및 상기 데이터 전처리장치(300)로부터 학습데이터셋, 검증데이터셋 및 테스트데이터셋을 전송받아 인공지능 모델을 학습시키고, 상기 인공지능 모델을 이용하여 병원서버(200)로부터 전송되는 갑상선 초음파영상 이미지의 갑상선 결절의 암 위험도를 진단하는 갑상선 결절의 암 위험도 진단장치(400)를 포함하여서 구성된다.
각 구성요소(100, 200, 300 또는 400)는 적어도 하나의 프로세서를 포함할 수 있다. 적어도 하나의 프로세서는 ASIC(Application Specific Integrated Circuit), DSP(Digital Signal Processor), PLD(Programmable Logic Device), FPGA(Field Programmable Gate Array), CPU(Central Processing unit), GPU(Graphic Processing Unit), 마이크로컨트롤러(microcontroller) 및/또는 마이크로프로세서(microprocessor) 등으로 구현될 수 있다. 각 구성요소(100, 200, 300 또는 400)는 메모리를 더 포함할 수 있다. 메모리는 플래시 메모리(flash memory), 하드디스크(hard disk), SSD(Solid State Disk), RAM(Random Access Memory), SRAM(Static Random Access Memory), ROM(Read Only Memory), PROM(Programmable Read Only Memory), EEPROM(Electrically Erasable and Programmable ROM), EPROM(Erasable and Programmable ROM) 및/또는 eMMC(embedded multimedia card) 등과 같은 저장매체를 포함할 수 있다.
또한 각 구성요소(100, 200, 300 또는 400)는 네트워크를 통해 연결될 수 있는데, 여기서, 네트워크는, 복수의 단말 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 이러한 네트워크의 일 예에는 근거리 통신망(LAN: Local Area Network), 광역 통신망(WAN: Wide Area Network), 인터넷(WWW: World Wide Web), 유무선 데이터 통신망, 전화망, 유무선 텔레비전 통신망 등을 포함한다. 무선 데이터 통신망의 일례에는 3G, 4G, 5G, 3GPP(3rd Generation Partnership Project), 5GPP(5th Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), RF(Radio Frequency), 블루투스(Bluetooth) 네트워크, NFC(Near-Field Communication) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다.
상기 초음파 촬상장치(100)는 초음파를 이용하여 환자의 갑상선 결절을 촬영하여 갑상선 초음파영상 이미지를 생성할 수 있는 장치를 의미한다.
상기 병원서버(200)는 상기 초음파 촬상장치(100)로부터 갑상선 초음파영상 이미지를 전송받아 저장하는 PACS(Picture Archiving and Communication System) 서버일 수 있으며, IRB(Institutional Review Board)로부터 승인받은 시스템이어야 한다.
상기 데이터 전처리장치(300)는 갑상선 초음파영상 이미지에서 이미지 이외의 텍스트를 제거하는 텍스트제거부(310)와 초음파 촬상장치(100)에 따른 화질 차이 극복을 위해 갑상선 초음파영상 이미지의 Histogram을 평준화하는 Histogram평준화부(320)와 Yolo v5 신경망을 사용하여 갑상선 초음파영상 이미지에서 결절 부위에 대한 ROI(Region of interest)를 설정하는 관심구역 설정부(330)와 Yolo v5 신경망에서 설정된 ROI 영역좌표를 사용하여 결절 부위의 이미지를 크롭(Crop)하는 이미지 크롭부(340) 및 각 갑상선 초음파영상 이미지에 Category2, Category3, Category4, Category5 중 어느 하나의 라벨을 삽입하여, 학습데이터셋, 검증데이터셋 및 테스트데이터셋을 생성하는 데이터셋 생성부(350)를 포함하여 구성된다.
상기 갑상선 결절의 암 위험도 진단장치(400)는 상기 데이터 전처리장치(300)가 생성한 학습데이터셋을 통해 복수의 인공지능 모델의 학습을 수행하고, 검증 및 테스트 데이터셋을 통해 복수의 인공지능 모델 중 가장 성능이 높은 인공지능 모델을 선정하여 저장하는 인공지능 모델학습부(410)와 병원서버(200)로부터 갑상선 초음파영상 이미지가 수집되면, 상기 인공지능 모델학습부(410)에 저장된 인공지능 모델 중 어느 하나를 선택하는 인공지능 모델선택부(420)와 상기 인공지능 모델선택부(420)가 선택한 모델을 통해 상기 갑상선 초음파영상 이미지의 갑상선 결절의 암 위험도를 분석하여 진단결과 정보를 생성하는 인공지능 모델예측부(430) 및 상기 인공지능 모델예측부(430)가 생성한 진단결과 정보를 저장 및 병원서버(200)로 전송하고, 재학습 시 진단결과 정보를 상기 인공지능 모델학습부(410)로 전송해주는 이력관리부(440)를 포함하여 구성된다.
이하에서는 도 4 내지 9를 통해서, 상기와 같이 구성되는 본 발명에 따른 인공지능 기반 갑상선 결절의 암 위험도 진단 시스템을 통한 갑상선 결절의 암 위험도 진단 방법에 대해서 상세하게 설명하도록 한다.
도 4는 본 발명의 일실시예에 따른 갑상선 결절의 암 위험도 진단시스템을 통한 갑상선 결절의 암 위험도 진단 방법의 순서도이다. 도 4에 도시된 바와 같이, 본 발명에 따른 갑상선 결절의 암 위험도 진단 시스템을 통한 갑상선 결절의 암 위험도 진단 방법은 병원서버(200)가 초음파 촬상장치(100)로부터 학습에 사용될 갑상선 초음파영상 이미지를 전송받고, 담당 의료진이 개인정보 비식별 처리 및 라벨링 처리를 수행하여 저장하는 단계(S100)와 데이터 전처리장치(300)가 상기 병원서버(200)로부터 개인정보 비식별 처리 및 라벨링 처리된 갑상선 초음파영상 이미지를 전송받아 전처리를 수행하여, 학습데이터셋, 검증데이터셋 및 테스트데이터셋을 생성하는 단계(S200) 및 갑상선 결절의 암 위험도 진단장치(400)가 상기 데이터 전처리장치(300)로부터 학습데이터셋, 검증데이터셋 및 테스트데이터셋을 전송받아 인공지능 모델을 학습시키고, 상기 인공지능 모델을 이용하여 병원서버(200)로부터 전송되는 갑상선 초음파영상 이미지의 갑상선 결절의 암 위험도를 진단하는 단계(S300)로 이루어진다.
먼저 상기 단계(S100)에서 상기 담당 의료진은 라벨링 처리를 함에 있어서, K-TIRADS 분류 기준에 따라 결절의 위치, 반향정도, 특성, 모양 허상유무 등을 바탕으로 Category2 내지 Category5로 구분한다. Category 2와 Category 3은 암위험도가 낮은 결절로 대부분이 양성을 의미하며, Category 4와 Category 5는 암위험도가 높은 결절로 악성을 의미한다.
다음으로 상기 단계(S200)에 대해 좀 더 상세하게 설명하면, 도 5와 같다. 도 5는 본 발명의 일실시예에 따른 데이터 전처리장치의 전처리방법 순서도이다. 도 5에 도시된 바와 같이, 상기 단계(S200)는 텍스트제거부(310)가 갑상선 초음파영상 이미지에서 이미지 이외의 텍스트를 제거하는 단계(S210)와 Histogram평준화부(320)가 초음파 촬상장치에 따른 화질 차이 극복을 위해 갑상선 초음파영상 이미지의 Histogram을 평준화하는 단계(S220)와 관심구역 설정부가 Yolo v5 신경망을 사용하여 갑상선 초음파영상 이미지에서 결절 부위에 대한 ROI(Region of interest)를 설정하는 단계(S230)와 이미지 크롭부(340)가 Yolo v5 신경망에서 설정된 ROI 영역좌표를 사용하여 결절 부위의 이미지를 크롭(Crop)하는 단계(S240) 및 데이터셋 생성부(350)가 각 갑상선 초음파영상 이미지에 Category2, Category3, Category4, Category5 중 어느 하나의 라벨을 삽입하여, 학습데이터셋, 검증데이터셋 및 테스트데이터셋을 생성하는 단계(S250)로 이루어진다.
상기 단계(S210)에서 텍스트제거부(210)는 갑상선 초음파영상 이미지 외에 초음파기기명, 불필요한 텍스트(예로 Right/Top 등)들을 제거한다.
상기 단계(S220)에서 Histogram평준화부(320)는 갑상선 초음파영상 이미지의 Histogram을 평준화하는데 이는 도 6과 같이 구현될 수 있다. 도 6은 본 발명의 일실시예에 따른 이미지 Histogram 평준화 예시도이다. 도 6과 같이, Histogram 평준화를 통해서 화질이 개선되는 것을 확인할 수 있다.
상기 단계(S240)에서 이미지 크롭부(340)는 Yolo v5 신경망에서 설정된 ROI 영역좌표를 사용하여 결절 부위의 이미지를 크롭(Crop)하는데, 이는 도 7과 같이 구현될 수 있다. 도 7은 본 발명의 일실시예에 따른 결절 부위의 이미지 크롭 예시도이다. 도 7에 도시된 바와 같이, 결절 부위에 대하여 이미지가 크롭(Crop)된 것을 확인할 수 있다.
상기 단계(S250)에서 데이터셋 생성부(350)는 각 갑상선 초음파영상 이미지에 Category2, Category3, Category4, Category5 중 어느 하나의 라벨을 삽입하여, 학습데이터셋, 검증데이터셋 및 테스트데이터셋을 생성하는데, 여기서 학습데이터셋은 인공지능 모델의 학습에 사용되는 데이터를 의미하며, 테스트데이터셋은 인공지능 모델의 성능을 테스트하는데 사용되는 데이터를 의미하며, 검증데이터셋은 인공지능 모델이 생성한 진단결과 정보가 유효한지를 검증하는데 사용되는 데이터를 의미한다.
마지막으로 상기 단계(S300)에 대해 좀 더 상세하게 설명하면, 도 8과 같다. 도 8은 본 발명의 일실시예에 따른 갑상선 결절의 암 위험도 진단장치의 갑상선 결절의 암 위험도 진단 순서도이다. 도 8에 도시된 바와 같이, 상기 단계(S300)는 인공지능 모델학습부(410)가 상기 데이터 전처리장치(300)가 생성한 학습데이터셋을 통해 복수의 인공지능 모델의 학습을 수행하고, 검증 및 테스트 데이터셋을 통해 복수의 인공지능 모델 중 가장 성능이 높은 인공지능 모델을 선정하여 저장하는 단계(S310)와 인공지능 모델선택부(420)가 병원서버(200)로부터 갑상선 초음파영상 이미지가 수집되면, 상기 인공지능 모델학습부(410)에 저장된 인공지능 모델 중 어느 하나를 선택하는 단계(S320)와 인공지능 모델예측부(430)가 상기 인공지능 모델선택부(420)가 선택한 모델을 통해 상기 갑상선 초음파영상 이미지의 갑상선 결절의 암 위험도를 분석하여 진단결과 정보를 생성하는 단계(S330) 및 이력관리부(440)가 상기 인공지능 모델예측부(430)가 생성한 진단결과 정보를 저장 및 병원서버(200)로 전송하고, 재학습 시 진단결과 정보를 상기 인공지능 모델학습부(410)로 전송해주는 단계(S340)로 이루어진다.
상기 단계(S310)에서 상기 인공지능 모델학습부(410)는, 인공지능 모델의 하이퍼 파라미터를 최적화시키는 Bayesian Optimizer기법을 사용하여, 복수의 인공지능 모델의 AUC(Area under the ROC curve) 점수를 측정하여 가장 성능이 높은 인공지능 모델을 선정하는데, 여기서 예시한 방법이 아닌 다른 적절한 방법에 의해 인공지능 모델의 성능을 평가할 수 있다.
상기 단계(S330)에서 상기 인공지능 모델예측부(430)는 갑상선 초음파영상 이미지의 갑상선 결절의 암 위험도를 분석하여 해당없음, Category2, Category3, Category4, Category5 별 각각에 속할 확률로 진단결과 정보를 생성하는데, 이는 도 9와 같다. 도 9는 본 발명의 일실시예에 따른 진단결과 정보 생성 예시도이다. 도 9에 도시된 바와 같이, 갑상선 결절은 미세석회, 저에코 침상형, 키가 큰 모양, 모서리가 불규칙한 모양 등으로 다양하게 나타날 수 있으며, 상기 인공지능 모델예측부(430)는 진단결과 정보를 생성하기 위해, 갑상선 초음파영상 이미지의 0.5cm 내지 1cm 미만의 결절을 포함한 모든 크기의 결절에 대한 암 위험도를 분석하여 진단결과 정보를 생성한다.
또한 아울러, 상기 단계(S330~S340)에서 생성되는 진단결과 정보는 상기 인공지능 모델학습부(410)가 인공지능 모델을 재학습시키는 용도로 활용되어 인공지능 모델의 성능을 향상시킬 수 있으며, 바람직하게 이력관리부(440)는 진단결과 정보를 병원서버(200)로 전송하여 담당 의료진이 상기 진단결과 정보를 참고하여 필요할 경우에만 환자에게 조직검사를 요청하도록 서포트 할 수 있다.
따라서, 상기한 바와 같이 본 발명에 따른 인공지능 기반 갑상선 결절의 암 위험도 진단 시스템은 학습된 인공지능 알고리즘을 기반으로 갑상선 초음파영상 이미지의 갑상선 결절의 암 위험도를 분석하여 진단결과 정보를 생성하고 이를 담당 의료진에게 제공하여, 불필요한 조직검사를 감소할 수 있는 효과가 있다.
이상 첨부된 도면을 참조하여 본 발명의 실시예들을 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로 이해해야만 한다.
100 : 초음파 촬상장치
200 : 병원서버
300 : 데이터 전처리장치
310 : 텍스트제거부
320 : Histogram평준화부
330 : 관심구역 설정부
340 : 이미지 크롭부
350 : 데이터셋 생성부
400 : 갑상선 결절의 암 위험도 진단장치
410 : 인공지능 모델학습부
420 : 인공지능 모델선택부
430 : 인공지능 모델예측부
440 : 이력관리부

Claims (12)

  1. 초음파 촬상장치(100)로부터 학습에 사용될 갑상선 초음파영상 이미지를 전송받고, 담당 의료진이 개인정보 비식별 처리 및 라벨링 처리를 수행하여 저장하는 병원서버(200);
    상기 병원서버(200)로부터 개인정보 비식별 처리 및 라벨링 처리된 갑상선 초음파영상 이미지를 전송받아 전처리를 수행하여, 학습데이터셋, 검증데이터셋 및 테스트데이터셋을 생성하는 데이터 전처리장치(300); 및
    상기 데이터 전처리장치(300)로부터 학습데이터셋, 검증데이터셋 및 테스트데이터셋을 전송받아 인공지능 모델을 학습시키고, 상기 인공지능 모델을 이용하여 병원서버(200)로부터 전송되는 갑상선 초음파영상 이미지의 갑상선 결절의 암 위험도를 진단하는 갑상선 결절의 암 위험도 진단장치(400);
    를 포함하되,
    갑상선 결절의 암 위험도 진단장치(400)는,
    상기 데이터 전처리장치(300)가 생성한 학습데이터셋을 통해 복수의 인공지능 모델의 학습을 수행하고, 검증 및 테스트 데이터셋을 통해 복수의 인공지능 모델 중 가장 성능이 높은 인공지능 모델을 선정하여 저장하는 인공지능 모델학습부(410);
    병원서버(200)로부터 갑상선 초음파영상 이미지가 수집되면, 상기 인공지능 모델학습부(410)에 저장된 인공지능 모델 중 어느 하나를 선택하는 인공지능 모델선택부(420);
    상기 인공지능 모델선택부(420)가 선택한 모델을 통해 상기 갑상선 초음파영상 이미지의 갑상선 결절의 암 위험도를 분석하여 진단결과 정보를 생성하는 인공지능 모델예측부(430); 및
    상기 인공지능 모델예측부(430)가 생성한 진단결과 정보를 저장 및 병원서버(200)로 전송하고, 재학습 시 진단결과 정보를 상기 인공지능 모델학습부(410)로 전송해주는 이력관리부(440);
    를 포함하는 것을 특징으로 하는 인공지능 기반 갑상선 결절의 암 위험도 진단 시스템.
  2. 제1항에 있어서,
    상기 담당 의료진은,
    라벨링 처리를 함에 있어서, K-TIRADS 분류 기준에 따라 결절의 위치, 반향정도, 특성, 모양 허상유무 등을 바탕으로 Category 2, Category3, Category 4, Category 5 중 어느 하나로 라벨링 하는 것을 특징으로 하는 인공지능 기반 갑상선 결절의 암 위험도 진단 시스템.
  3. 제1항에 있어서,
    상기 데이터 전처리장치(300)는,
    갑상선 초음파영상 이미지에서 이미지 이외의 텍스트를 제거하는 텍스트제거부(310);
    초음파 촬상장치(100)에 따른 화질 차이 극복을 위해 갑상선 초음파영상 이미지의 Histogram을 평준화하는 Histogram평준화부(320);
    Yolo v5 신경망을 사용하여 갑상선 초음파영상 이미지에서 결절 부위에 대한 ROI(Region of interest)를 설정하는 관심구역 설정부(330);
    Yolo v5 신경망에서 설정된 ROI 영역좌표를 사용하여 결절 부위의 이미지를 크롭(Crop)하는 이미지 크롭부(340); 및
    각 갑상선 초음파영상 이미지에 Category2, Category3, Category4, Category5 중 어느 하나의 라벨을 삽입하여, 학습데이터셋, 검증데이터셋 및 테스트데이터셋을 생성하는 데이터셋 생성부(350);
    를 포함하는 것을 특징으로 하는 인공지능 기반 갑상선 결절의 암 위험도 진단 시스템.
  4. 삭제
  5. 제1항에 있어서,
    상기 인공지능 모델학습부(410)는,
    인공지능 모델의 하이퍼 파라미터를 최적화시키는 Bayesian Optimizer기법을 사용하여, 복수의 인공지능 모델의 AUC 점수를 측정하여 가장 성능이 높은 인공지능 모델을 선정 및 저장하는 것을 특징으로 하는 인공지능 기반 갑상선 결절의 암 위험도 진단 시스템.
  6. 제1항에 있어서,
    상기 인공지능 모델예측부(430)는,
    갑상선 초음파영상 이미지의 갑상선 결절의 암 위험도를 분석하여 해당없음, Category2, Category3, Category4, Category5 별 각각에 속할 확률로 진단결과 정보를 생성하는 것을 특징으로 하는 인공지능 기반 갑상선 결절의 암 위험도 진단 시스템.
  7. 병원서버(200)가 초음파 촬상장치(100)로부터 학습에 사용될 갑상선 초음파영상 이미지를 전송받고, 담당 의료진이 개인정보 비식별 처리 및 라벨링 처리를 수행하여 저장하는 A단계;
    데이터 전처리장치(300)가 상기 병원서버(200)로부터 개인정보 비식별 처리 및 라벨링 처리된 갑상선 초음파영상 이미지를 전송받아 전처리를 수행하여, 학습데이터셋, 검증데이터셋 및 테스트데이터셋을 생성하는 B단계; 및
    갑상선 결절의 암 위험도 진단장치(400)가 상기 데이터 전처리장치(300)로부터 학습데이터셋, 검증데이터셋 및 테스트데이터셋을 전송받아 인공지능 모델을 학습시키고, 상기 인공지능 모델을 이용하여 병원서버(200)로부터 전송되는 갑상선 초음파영상 이미지의 갑상선 결절의 암 위험도를 진단하는 C단계;
    를 포함하되,
    상기 C단계는,
    인공지능 모델학습부(410)가 상기 데이터 전처리장치(300)가 생성한 학습데이터셋을 통해 복수의 인공지능 모델의 학습을 수행하고, 검증 및 테스트 데이터셋을 통해 복수의 인공지능 모델 중 가장 성능이 높은 인공지능 모델을 선정하여 저장하는 단계;
    인공지능 모델선택부(420)가 병원서버(200)로부터 갑상선 초음파영상 이미지가 수집되면, 상기 인공지능 모델학습부(410)에 저장된 인공지능 모델 중 어느 하나를 선택하는 단계;
    인공지능 모델예측부(430)가 상기 인공지능 모델선택부(420)가 선택한 모델을 통해 상기 갑상선 초음파영상 이미지의 갑상선 결절의 암 위험도를 분석하여 진단결과 정보를 생성하는 단계; 및
    이력관리부(440)가 상기 인공지능 모델예측부(430)가 생성한 진단결과 정보를 저장 및 병원서버(200)로 전송하고, 재학습 시 진단결과 정보를 상기 인공지능 모델학습부(410)로 전송해주는 단계;
    를 포함하는 것을 특징으로 하는 인공지능 기반 갑상선 결절의 암 위험도 진단 시스템을 통한 갑상선 결절의 암 위험도 진단 방법.
  8. 제7항에 있어서,
    상기 담당 의료진은,
    라벨링 처리를 함에 있어서, K-TIRADS 분류 기준에 따라 결절의 위치, 반향정도, 특성, 모양 허상유무 등을 바탕으로 Category 2, Category3, Category 4, Category 5 중 어느 하나로 라벨링 하는 것을 특징으로 하는 인공지능 기반 갑상선 결절의 암 위험도 진단 시스템을 통한 갑상선 결절의 암 위험도 진단 방법.
  9. 제7항에 있어서,
    상기 B단계는,
    텍스트제거부(310)가 갑상선 초음파영상 이미지에서 이미지 이외의 텍스트를 제거하는 단계;
    Histogram평준화부(320)가 초음파 촬상장치에 따른 화질 차이 극복을 위해 갑상선 초음파영상 이미지의 Histogram을 평준화하는 단계;
    관심구역 설정부(330)가 Yolo v5 신경망을 사용하여 갑상선 초음파영상 이미지에서 결절 부위에 대한 ROI(Region of interest)를 설정하는 단계;
    이미지 크롭부(340)가 Yolo v5 신경망에서 설정된 ROI 영역좌표를 사용하여 결절 부위의 이미지를 크롭(Crop)하는 단계; 및
    데이터셋 생성부(350)가 각 갑상선 초음파영상 이미지에 Category2, Category3, Category4, Category5 중 어느 하나의 라벨을 삽입하여, 학습데이터셋, 검증데이터셋 및 테스트데이터셋을 생성하는 단계;
    를 포함하는 것을 특징으로 하는 인공지능 기반 갑상선 결절의 암 위험도 진단 시스템을 통한 갑상선 결절의 암 위험도 진단 방법.
  10. 삭제
  11. 제7항에 있어서,
    상기 인공지능 모델학습부(410)는,
    인공지능 모델의 하이퍼 파라미터를 최적화시키는 Bayesian Optimizer기법을 사용하여, 복수의 인공지능 모델의 AUC 점수를 측정하여 가장 성능이 높은 인공지능 모델을 선정 및 저장하는 것을 특징으로 하는 인공지능 기반 갑상선 결절의 암 위험도 진단 시스템을 통한 갑상선 결절의 암 위험도 진단 방법.
  12. 제7항에 있어서,
    상기 인공지능 모델예측부(430)는,
    갑상선 초음파영상 이미지의 갑상선 결절의 암 위험도를 분석하여 해당없음, Category2, Category3, Category4, Category5 별 각각에 속할 확률로 진단결과 정보를 생성하는 것을 특징으로 하는 인공지능 기반 갑상선 결절의 암 위험도 진단 시스템을 통한 갑상선 결절의 암 위험도 진단 방법.
KR1020220007814A 2022-01-19 2022-01-19 인공지능 기반 갑상선 결절의 암 위험도 진단 시스템 및 방법 KR102391934B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220007814A KR102391934B1 (ko) 2022-01-19 2022-01-19 인공지능 기반 갑상선 결절의 암 위험도 진단 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220007814A KR102391934B1 (ko) 2022-01-19 2022-01-19 인공지능 기반 갑상선 결절의 암 위험도 진단 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR102391934B1 true KR102391934B1 (ko) 2022-04-28

Family

ID=81446759

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220007814A KR102391934B1 (ko) 2022-01-19 2022-01-19 인공지능 기반 갑상선 결절의 암 위험도 진단 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR102391934B1 (ko)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH039737A (ja) * 1989-02-07 1991-01-17 Seizaburo Arita 甲状腺腫の良悪性判定のための画像診断装置
JP2007524461A (ja) * 2003-06-25 2007-08-30 シーメンス　メディカル　ソリューションズ　ユーエスエー　インコーポレイテッド 乳房撮像の自動診断及び決定支援システム及び方法
US20110295782A1 (en) * 2008-10-15 2011-12-01 Alexander Stojadinovic Clinical Decision Model
KR20140094760A (ko) * 2013-01-22 2014-07-31 삼성전자주식회사 의료 영상을 이용하여 대상체에 악성 종양이 존재하는지 여부를 예측하는 장치 및 방법
KR20160012758A (ko) * 2014-07-25 2016-02-03 삼성전자주식회사 영상 진단 보조 장치 및 방법
KR20190028422A (ko) * 2016-07-08 2019-03-18 아벤트, 인크. 해부학적 대상들의 자동 검출, 국부화, 및 의미론적 세그먼트화를 위한 시스템 및 방법
JP2021108800A (ja) * 2020-01-08 2021-08-02 有限会社フロントエンドテクノロジー 医用画像装置、学習モデル生成方法、学習モデル
JP2021121261A (ja) * 2020-01-31 2021-08-26 学校法人慶應義塾 診断支援プログラム、装置、及び方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH039737A (ja) * 1989-02-07 1991-01-17 Seizaburo Arita 甲状腺腫の良悪性判定のための画像診断装置
JP2007524461A (ja) * 2003-06-25 2007-08-30 シーメンス　メディカル　ソリューションズ　ユーエスエー　インコーポレイテッド 乳房撮像の自動診断及び決定支援システム及び方法
US20110295782A1 (en) * 2008-10-15 2011-12-01 Alexander Stojadinovic Clinical Decision Model
KR20140094760A (ko) * 2013-01-22 2014-07-31 삼성전자주식회사 의료 영상을 이용하여 대상체에 악성 종양이 존재하는지 여부를 예측하는 장치 및 방법
KR20160012758A (ko) * 2014-07-25 2016-02-03 삼성전자주식회사 영상 진단 보조 장치 및 방법
KR20190028422A (ko) * 2016-07-08 2019-03-18 아벤트, 인크. 해부학적 대상들의 자동 검출, 국부화, 및 의미론적 세그먼트화를 위한 시스템 및 방법
JP2021108800A (ja) * 2020-01-08 2021-08-02 有限会社フロントエンドテクノロジー 医用画像装置、学習モデル生成方法、学習モデル
JP2021121261A (ja) * 2020-01-31 2021-08-26 学校法人慶應義塾 診断支援プログラム、装置、及び方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Medicine, Vol. 98(15), e15133(2019.4.12.) *
Medicine, Vol. 98(15), e15133(2019.4.12.)*

Similar Documents

Publication Publication Date Title
CN109919928B (zh) 医学影像的检测方法、装置和存储介质
Reddy et al. A novel computer-aided diagnosis framework using deep learning for classification of fatty liver disease in ultrasound imaging
CN110008971B (zh) 图像处理方法、装置、计算机可读存储介质及计算机设备
CN111445481A (zh) 一种基于尺度融合的腹部ct多器官的分割方法
CN110516759B (zh) 一种基于机器学习的软组织肉瘤转移风险预测系统
Singh et al. Deep learning system applicability for rapid glaucoma prediction from fundus images across various data sets
EP3973539A1 (en) System and method for interpretation of multiple medical images using deep learning
CN113850753B (zh) 医学图像信息计算方法、装置、边缘计算设备和存储介质
CN116503392A (zh) 一种用于卵巢组织分析的卵泡区域分割方法
CN112396591A (zh) 一种基于腰椎x线图像的骨质疏松智能评估方法
CN113344927A (zh) 基于深度学习的图像识别方法、装置、服务器及存储介质
WO2022221712A1 (en) Detecting, scoring and predicting disease risk using multiple medical-imaging modalities
US20220148164A1 (en) System and method for automatic detection of vertebral fractures on imaging scans using deep networks
WO2023014789A1 (en) System and method for pathology image analysis using a trained neural network and active learning framework
CN117095815A (zh) 基于磁共振图像和病理全景扫描切片预测带有同源重组缺陷的前列腺癌患者的系统
Cai et al. Identifying architectural distortion in mammogram images via a se-densenet model and twice transfer learning
Selim et al. CT image harmonization for enhancing radiomics studies
Yan et al. Applying a new bilateral mammographic density segmentation method to improve accuracy of breast cancer risk prediction
Banumathy et al. Breast Calcifications and Histopathological Analysis on Tumour Detection by CNN.
CN110930373A (zh) 一种基于神经网络的肺炎识别装置
WO2021184799A1 (zh) 医学图像处理方法、装置、设备及存储介质
CN116703901B (zh) 肺部医学ct影像分割及分类装置及设备
JP2020067680A (ja) 受精卵の画像診断システム、受精卵の画像診断プログラム及び受精卵の画像診断用識別器の作成方法。
KR102391934B1 (ko) 인공지능 기반 갑상선 결절의 암 위험도 진단 시스템 및 방법
CN112634231A (zh) 一种图像分类方法、装置、终端设备和存储介质

Legal Events

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