KR102402011B1 - 의료영상 처리 장치와 그 의료영상 학습 방법 및 의료영상 처리 방법 - Google Patents

의료영상 처리 장치와 그 의료영상 학습 방법 및 의료영상 처리 방법 Download PDF

Info

Publication number
KR102402011B1
KR102402011B1 KR1020200019820A KR20200019820A KR102402011B1 KR 102402011 B1 KR102402011 B1 KR 102402011B1 KR 1020200019820 A KR1020200019820 A KR 1020200019820A KR 20200019820 A KR20200019820 A KR 20200019820A KR 102402011 B1 KR102402011 B1 KR 102402011B1
Authority
KR
South Korea
Prior art keywords
learning
medical image
neural network
network model
diagnostic index
Prior art date
Application number
KR1020200019820A
Other languages
English (en)
Other versions
KR20210105481A (ko
Inventor
양동현
이준구
이가은
Original Assignee
재단법인 아산사회복지재단
울산대학교 산학협력단
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 재단법인 아산사회복지재단, 울산대학교 산학협력단 filed Critical 재단법인 아산사회복지재단
Priority to KR1020200019820A priority Critical patent/KR102402011B1/ko
Priority to US17/156,947 priority patent/US11783477B2/en
Publication of KR20210105481A publication Critical patent/KR20210105481A/ko
Application granted granted Critical
Publication of KR102402011B1 publication Critical patent/KR102402011B1/ko

Links

Images

Classifications

    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/10116—X-ray image
    • 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
    • G06T2207/10132—Ultrasound image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30048—Heart; Cardiac

Abstract

일 실시예에 따른 의료영상 처리 장치의 의료영상 학습 방법은, 학습 데이터 세트 중 입력으로서 학습용 신체 X선 영상들을 준비하는 단계와, 학습 데이터 세트 중 레이블로서 학습용 신체 X선 영상들에 각각 대응하는 개별 신체의 체내 진단지표 정보를 준비하는 단계와, 학습 데이터 세트를 이용하여 인공 신경망 모델을 학습시키는 단계를 포함한다.

Description

의료영상 처리 장치와 그 의료영상 학습 방법 및 의료영상 처리 방법{MEDICAL IMAGE PROCESS APPARATUS AND MEDICAL IMAGE LEARNING METHOD, AND MEDICAL IMAGE PROCESS METHOD}
본 발명은 신체에 대한 의료영상을 학습하는 방법 및 장치, 그리고 신체에 대한 의료영상을 처리하는 방법 및 장치에 관한 것이다.
의료영상 장치는 진단 대상자의 신체 내부 구조를 영상으로 획득하기 위한 장비이다. 의료영상 장치는 비침습 검사 장치로서, 신체 내의 구조적 세부사항, 내부 조직 및 유체의 흐름 등을 촬영 및 처리하여 사용자에게 보여준다. 의사 등의 사용자는 의료영상 장치에서 출력되는 의료영상을 이용하여 환자의 건강 상태 및 질병을 진단할 수 있다.
의료영상 장치로는 대상체로 엑스(X)선을 조사하고 대상체를 통과한 X선을 감지하여 영상을 이미징하는 X레이(X-ray) 촬영 장치, 자기 공명 영상을 제공하기 위한 자기 공명 영상(MRI: magnetic resonance imaging) 장치, 컴퓨터 단층 촬영(CT: Computed Tomography) 장치, 및 초음파(Ultrasound) 진단 장치 등이 있다.
최근에는 기계 학습(machine learning) 등과 같은 영상 처리 기술의 발전으로 인하여, 의료영상 장치가 획득된 의료영상을 분석하여, 대상체에 이상이 발생한 부위인 비정상(abnormal) 영역을 검출하거나 분석한 결과를 생성할 수 있다. 전술한 바와 같이, 획득된 의료영상을 분석하여 재 생성된 영상을 판독 보조 영상이라 한다. 판독 보조 영상을 의사에게 제공하면, 의사는 판독 보조 영상을 참조하여, 대상체에 이상이 발생하였는지 여부를 보다 용이하게 진단할 수 있다.
한편, 흉부 X선 영상은 다양한 폐 질환 검출 및 진단에 이용되고 있는데, 의사는 진단 대상자의 흉부 X선 영상으로부터 심혈관계 경계선(Cardiovascular Border) 등과 같은 체내 진단지표를 획득하여 이를 기초로 폐 질환을 검출하거나 진단할 수 있다.
그런데, 흉부 X선 영상으로부터 심혈관계 경계선 등과 같은 체내 진단지표를 획득하는 것은 고도의 숙련된 의사만이 정확히 획득할 수 있고, 의사의 숙련도에 따라 흉부 X선 영상으로부터 획득되는 체내 진단지표의 정확도가 변화되는 문제점이 있었다.
한국공개특허 제10-2019-0106403호 (2019.09.18. 공개)
실시예에 따르면, 신체 X선 영상들과 체내 진단지표 정보를 이용하여 인공 신경망 모델을 학습시키는 의료영상 학습 방법 및 그 의료영상 처리 장치를 제공한다.
또한, 학습된 인공 신경망 모델이 진단 대상자의 신체 X선 영상으로부터 체내 진단지표 정보를 획득하는 의료영상 처리 방법 및 그 의료영상 처리 장치를 제공한다.
본 발명의 해결하고자 하는 과제는 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 해결하고자 하는 과제는 아래의 기재로부터 본 발명이 속하는 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
제 1 관점에 따른 의료영상 처리 장치의 의료영상 학습 방법은, 학습 데이터 세트 중 입력으로서 학습용 신체 X선 영상들을 준비하는 단계와, 상기 학습 데이터 세트 중 레이블로서 상기 학습용 신체 X선 영상들에 각각 대응하는 개별 신체의 체내 진단지표 정보를 준비하는 단계와, 상기 학습 데이터 세트를 이용하여 인공 신경망 모델을 학습시키는 단계를 포함한다.
제 2 관점에 따라 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체의 상기 컴퓨터 프로그램은, 프로세서에 의해 실행되면, 상기 의료영상 처리 장치의 의료영상 학습 방법을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함한다.
제 3 관점에 따른 의료영상 처리 장치를 이용한 의료영상 처리 방법은, 의료영상들을 학습시킨 인공 신경망 모델에 진단 대상자의 신체 X선 영상을 입력 받는 단계와, 상기 진단 대상자의 신체 X선 영상으로부터 상기 인공 신경망 모델을 통하여 획득한 체내 진단지표 정보를 출력하는 단계를 포함한다.
제 4 관점에 따라 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체의 상기 컴퓨터 프로그램은, 프로세서에 의해 실행되면, 상기 의료영상 처리 장치를 이용한 의료영상 처리 방법을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함한다.
제 5 관점에 따른 의료영상 처리 장치는, 입력이 학습용 신체 X선 영상들이고 레이블이 상기 학습용 신체 X선 영상들에 각각 대응하는 개별 신체의 체내 진단지표 정보인 학습 데이터 세트를 입력 받는 입력부와, 상기 입력부를 통하여 입력 받은 상기 학습 데이터 세트를 인공 신경망 모델이 학습하는 인공 신경망 모델부를 포함한다.
제 6 관점에 따른 의료영상 처리 장치는, 진단 대상자의 신체 X선 영상을 입력 받는 입력부와, 상기 입력부를 통하여 입력 받은 상기 진단 대상자의 신체 X선 영상으로부터 인공 신경망 모델이 상기 진단 대상자의 체내 진단지표 정보를 획득하는 인공 신경망 모델부와, 상기 인공 신경망 모델부에 의하여 획득된 상기 진단 대상자의 체내 진단지표 정보를 출력하는 출력부를 포함한다.
일 실시예에 따르면 인공 신경망 모델을 학습시켜서, 학습된 인공 신경망 모델이 진단 대상자의 신체 X선 영상으로부터 심혈관계 경계선(Cardiovascular Border) 등과 같은 체내 진단지표 정보를 정확히 획득할 수 있도록 한다.
이에 따라, 진단 대상자의 정확한 체내 진단지표 정보를 출력하거나 진단 대상자의 신체 X선 영상에 체내 진단지표 정보를 표시하여 출력하거나 진단 대상자의 체내 진단지표 정보에 기초한 수치값을 출력하거나 또는 학습을 통하여 획득된 체내 진단지표 정보에 대한 기준값과 진단 대상자의 체내 진단지표 정보를 비교한 결과를 출력할 수 있다.
도 1은 일 실시예에 따른 의료영상 처리 장치의 구성도이다.
도 2는 일 실시예에 따른 의료영상 처리 장치의 의료영상 학습 방법을 설명하기 위한 흐름도이다.
도 3은 일 실시예에 따른 의료영상 처리 장치의 의료영상 처리 방법을 설명하기 위한 흐름도이다.
도 4 내지 도 6은 일 실시예에 따른 의료영상 처리 장치가 신체 X선 영상으로부터 획득할 수 있는 체내 진단지표 정보를 예시한 흉부 X선 영상이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명에 대해 구체적으로 설명하기로 한다.
본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 '포함'한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.
또한, 명세서에서 사용되는 '부'라는 용어는 소프트웨어 또는 FPGA나 ASIC과 같은 하드웨어 구성요소를 의미하며, '부'는 어떤 역할들을 수행한다. 그렇지만 '부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 '부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '부'들로 결합되거나 추가적인 구성요소들과 '부'들로 더 분리될 수 있다.
아래에서는 첨부한 도면을 참고하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략한다.
본 명세서에서 진단 대상자나 환자 등은 사람 또는 동물, 또는 사람 또는 동물의 일부를 포함할 수 있다.
또한, 본 명세서에서 '영상'은 이산적인 이미지 요소들(예를 들어, 2차원 이미지에 있어서의 픽셀들 및 3차원 이미지에 있어서의 복셀들)로 구성된 다차원(multi-dimensional) 데이터를 의미할 수 있다.
도 1은 일 실시예에 따른 의료영상 처리 장치(100)의 구성을 도시하고 있으며, 다만 도 1에 도시된 것은 예시적인 것에 불과하다. 이러한 의료영상 처리 장치(100)는 PC나 서버 등에서 구현되거나 이를 포함할 수 있다.
도 1을 참조하면, 의료영상 처리 장치(100)는 입력부(110), 인공 신경망 모델(artificial neutral network model)부(120)를 포함하며, 실시예에 따라 출력부(140), 정보 가공부(140) 또는 저장부(150)를 더 포함할 수 있다.
입력부(110)는 인공 신경망 모델부(120)의 인공 신경망 모델을 학습시키기 위한 학습 데이터 세트를 입력 받는다. 또, 입력부(110)는 학습된 인공 신경망 모델에 입력하기 위한 진단 대상자의 신체 X선 영상을 입력 받는다. 예를 들어, 학습 데이터 세트의 입력으로서 학습용 신체 X선 영상들을 입력 받을 수 있고, 학습 데이터 세트 중 레이블로서 학습용 신체 X선 영상들에 각각 대응하는 개별 신체의 체내 진단지표 정보를 입력 받을 수 있다. 예컨대, 체내 진단지표 정보는 심혈관계 경계선(Cardiovascular Border)에 대한 정보를 포함할 수 있다. 예를 들어, 심혈관계 경계선에 대한 정보로는 대동맥융기(aortic knob), 폐 원추(Pulmonary Conus, PC), 좌심방이(Left Atrial Appendage, LAA), 우상측(right upper) 심장 경계선(Cardiac Border, CB), 우하측(right lower) 심장 경계선, 좌하측 심장 경계선, 하행대동맥(Descending aorta, DAO), 분기부(carinal), 횡격막(diaphragm) 상단점, 우폐동맥(left pulmonary vein) 또는 심장 후연(posterior border), 척추 전연(anterior border) 등을 포함할 수 있다.
인공 신경망 모델부(120)는 입력부(110)를 통하여 입력 받는 학습 데이터 세트를 학습하는 인공 신경망 모델을 포함한다. 이러한 인공 신경망 모델이 학습하는 학습 데이터 세트는 입력이 학습용 신체 X선 영상들이고 레이블이 학습용 신체 X선 영상들에 각각 대응하는 개별 신체의 체내 진단지표 정보일 수 있다. 그리고, 인공 신경망 모델부(120)의 학습된 인공 신경망 모델은 입력부(110)로부터 입력 받은 진단 대상자의 신체 X선 영상으로부터 진단 대상자의 체내 진단지표 정보를 획득할 수 있다. 예를 들어, 인공 신경망 모델은 Mask R-CNN 모델일 수 있다. Mask R-CNN 모델은 학습용 신체 X선 영상들을 Mask R-CNN 모델의 훈련 영상으로 이용할 수 있고, 학습용 신체 X선 영상들에 각각 대응하는 개별 신체의 체내 진단지표 정보를 Mask R-CNN 모델의 마스크(Mask)로 이용할 수 있다. 예를 들어, 입력부(110)을 통하여 입력 받은 학습 데이터 세트의 레이블이 학습용 신체 X선 영상들에 각각 대응하는 개별 신체의 체내 진단지표 정보로서 심혈관계 경계선에 대한 정보를 포함하는 경우, 인공 신경망 모델부(120)의 학습된 인공 신경망 모델은 진단 대상자의 체내 진단지표 정보로서, 가슴 길이(Thoracic length, TL), 심장 우축(right axis)과 심장 좌축(left axis)의 거리, 심폐계수(Cardiothoracic Ratio, CTR), 대동맥융기의 곡률(curvatures) 및 길이, 폐 원추의 곡률 및 길이, 좌심방이의 곡률 및 길이, 우상측 심장 경계선의 곡률 및 길이, 우하측 심장 경계선의 곡률 및 길이, 좌하측 심장 경계선의 곡률 및 길이, 하행대동맥의 곡률 및 길이, 분기부의 각도, 심장 면적(cardiac area), 횡격막(diaphragm)과 갈비뼈의 상대적인 위치, 우폐동맥의 평균 직경(distance) 또는 심장 후연과 척추 전연간(heart-to-spine) 평균 직경 중 적어도 하나의 정보를 포함할 수 있다.
또한, 인공 신경망 모델부(120)는 학습 데이터 세트를 이용한 학습 결과에 따라 학습용 신체 X선 영상들의 체내 진단지표 정보에 대한 기준값을 획득할 수 있고, 획득된 기준값과 진단 대상자의 체내 진단지표 정보를 비교한 결과를 도출할 수 있다. 예를 들어, 인공 신경망 모델부(120)는 인공 신경망 모델로서 기능을 수행하도록 프로그램된 명령어를 저장하는 메모리 및 이러한 명령어를 실행하는 마이크로프로세서를 포함할 수 있다.
출력부(130)는 인공 신경망 모델부(120)에 의하여 획득된 진단 대상자의 체내 진단지표 정보를 외부로 출력할 수 있다. 예를 들어, 출력부(130)는 진단 대상자의 신체 X선 영상에 체내 진단지표 정보를 마킹한 형태로 출력할 수도 있고, 진단 대상자의 체내 진단지표 정보에 대한 신체 X선 영상 상의 위치 정보 형태(예: 위치 좌표)로 출력할 수도 있다. 또한, 출력부(130)는 인공 신경망 모델부(120)에 의하여 도출된 학습용 신체 X선 영상들의 체내 진단지표 정보에 대한 기준값과 진단 대상자의 체내 진단지표 정보를 비교한 결과를 외부로 출력할 수 있다. 또한, 출력부(130)는 인공 신경망 모델부(120)에 의하여 획득된 정보가 정보 가공부(140)에 의하여 소정 형태로 가공되어 제공되면 가공된 형태의 정보를 외부에서 인지 가능하게 출력할 수 있다. 이러한 출력부(130)는 체내 진단지표 정보를 출력하는 포트, 유선 통신 모듈 또는 무선 통신 모듈 등을 포함할 수 있다. 또는, 출력부(130)는 진단 대상자의 체내 진단지표 정보를 영상 형태로 출력할 수 있는 영상 표시 장치를 포함할 수도 있다.
정보 가공부(140)는 인공 신경망 모델부(120)에 의하여 획득된 각종 정보를 소정의 형태로 가공하여 출력부(130)에 제공할 수 있다. 예를 들어, 정보 가공부(140)는 입력부(110)을 통하여 입력되는 진단 대상자의 신체 X선 영상에 진단 대상자의 체내 진단지표 정보를 마킹한 형태로 가공하여 출력부(130)에 제공할 수 있다. 또는, 정보 가공부(140)는 인공 신경망 모델부(120)에 의하여 획득된 진단 대상자의 체내 진단지표 정보에 기초한 수치값을 출력부(130)에 제공할 수 있다. 또는, 정보 가공부(140)는 인공 신경망 모델부(120)에 의하여 도출된 학습용 신체 X선 영상들의 체내 진단지표 정보에 대한 기준값과 진단 대상자의 체내 진단지표 정보를 비교한 결과를 소정의 형태로 가공하여 출력부(130)에 제공할 수도 있다. 예를 들어, 정보 가공부(140)는 각종 정보를 소정의 형태로 가공하는 기능을 수행하도록 프로그램된 명령어를 저장하는 메모리 및 이러한 명령어를 실행하는 마이크로프로세서를 포함할 수 있다.
저장부(150)는 의료영상 처리 장치(100)이 각종의 기능을 수행하도록 프로그램된 명령어를 저장하거나 입력부(110)를 통하여 입력 받은 영상 등과 같은 각종 정보를 저장하거나 또는 인공 신경망 모델부(120) 및/또는 정보 가공부(140)에 의한 연산 및 처리 결과를 저장할 수 있다. 예를 들어, 저장부(150)는 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), 플래시 메모리(flash memory)와 같은 프로그램 명령어들을 저장하고 수행하도록 특별히 구성된 하드웨어 장치 등과 같이 컴퓨터 판독 가능한 기록매체일 수 있다.
도 2는 일 실시예에 따른 의료영상 처리 장치(100)의 의료영상 학습 방법을 설명하기 위한 흐름도이고, 도 3은 일 실시예에 따른 의료영상 처리 장치(100)의 의료영상 처리 방법을 설명하기 위한 흐름도이다. 또, 도 4 내지 도 6은 일 실시예에 따른 의료영상 처리 장치(100)가 신체 X선 영상으로부터 획득할 수 있는 체내 진단지표 정보를 예시한 흉부 X선 영상이다.
이하, 도 1 내지 도 6을 참조하여 일 실시예에 따른 의료영상 처리 장치(100)의 의료영상 학습 방법과 의료영상 처리 방법에 대하여 자세히 살펴보기로 한다.
먼저, 도 2의 흐름 순서에 따라 의료영상 처리 장치(100)의 의료영상 학습 방법에 대하여 설명하겠다.
의료영상 처리 장치(100)의 인공 신경망 모델부(120)의 인공 신경망 모델을 학습시키기 위한 학습 데이터 세트를 준비한다. 예를 들어, 학습 데이터 세트 중 입력으로는 학습용 신체 X선 영상들을 준비할 수 있고(S210), 학습 데이터 세트 중 레이블로는 학습용 신체 X선 영상들에 각각 대응하는 개별 신체의 체내 진단지표 정보를 준비할 수 있다(S220).
일 실시예에 따라 의료영상 처리 장치(100)는 체내 진단지표 정보를 위하여 도 4 내지 도 6에 나타낸 바와 같은 심혈관계 경계선에 대한 정보를 이용할 수 있다. 도 4 내지 도 6에 병기한 도면 부호와 대응하는 심혈관계 경계선은 아래와 같다.
403: 대동맥융기
404: 폐 원추
405: 좌심방이
406: 우상측 심장 경계선
407: 우하측 심장 경계선
408: 좌하측 심장 경계선
409: 하행대동맥
410: 분기부
502: 횡경막(501)의 상단점
504: 우폐동맥
601: 심장 후연 및 척추 전연
이러한 도면부호 401 내지 601의 심혈관계 경계선에 대한 정보에 기초하여 의료영상 처리 장치(100)는 체내 진단지표 정보로서 가슴 길이(401), 심장 우축과 심장 좌축의 거리(402), 심폐계수, 대동맥융기(403)의 곡률 및 길이, 폐 원추(404)의 곡률 및 길이, 좌심방이(405)의 곡률 및 길이, 우상측 심장 경계선(406)의 곡률 및 길이, 우하측 심장 경계선(407)의 곡률 및 길이, 좌하측 심장 경계선(408)의 곡률 및 길이, 하행대동맥(409)의 곡률 및 길이, 분기부(410)의 각도, 심장 면적, 횡격막(501)과 갈비뼈(503)의 상대적인 위치, 우폐동맥(504)의 평균 직경 또는 심장 후연과 척추 전연간(601)의 평균 직경 등을 이용할 수 있다. 여기서, 횡격막(501)과 갈비뼈(503)의 상대적인 위치는 진단 대상자가 X선 영상을 촬영할 때에 숨을 충분하게 쉬었는지를 판별하기 위한 용도로 이용될 수 있다. 예를 들어, 10번째 갈비뼈보다 횡경막의 상단점이 아래쪽에 위치하여야 진단 대상자가 숨을 충분하게 쉬었다고 판별할 수 있다. 숨을 충분하게 쉬지 않은 상태에서 촬영된 X선 영상이 초기 학습용 신체 X선 영상들에 포함된 경우에 체내 진단지표에 반영되지 않게 실제 학습에 이용되는 학습 데이터 세트에서 제외할 수 있다.
단계 S210 및 단계 S220을 통하여 준비된 학습 데이터 세트는 입력부(110)를 통하여 입력 되어 인공 신경망 모델부(120)에 제공되고, 인공 신경망 모델부(120)의 인공 신경망 모델은 단계 S210 및 단계 S220의 학습 데이터 세트를 학습한다. 예를 들어, 인공 신경망 모델로는 Mask R-CNN 모델을 이용할 수 있다. 이 경우에, 학습용 신체 X선 영상들을 Mask R-CNN 모델의 훈련 영상으로 이용하며, 학습용 신체 X선 영상들에 각각 대응하는 개별 신체의 체내 진단지표 정보를 Mask R-CNN 모델의 마스크(Mask)로 이용할 수 있다(S230).
다음으로, 도 3의 흐름 순서에 따라 의료영상 처리 장치(100)의 의료영상 처리 방법에 대하여 설명하겠다.
우선, 도 2를 참조하여 설명하였던 바와 같이, 의료영상 처리 장치(100)는 인공 신경망 모델부(120)의 인공 신경망 모델이 입력 데이터로서 학습용 신체 X선 영상들과 레이블로서 학습용 신체 X선 영상들에 각각 대응하는 개별 신체의 체내 진단지표 정보를 포함하는 학습 데이터 세트를 학습한다(S310).
이렇게 인공 신경망 모델부(120)의 인공 신경망 모델이 학습된 상태에서, 입력부(110)를 통하여 진단 대상자의 신체 X선 영상이 입력되어 인공 신경망 모델부(120)에 제공된다(S320).
그리고, 인공 신경망 모델부(120)의 인공 신경망 모델은 단계 S320을 통하여 제공된 진단 대상자의 신체 X선 영상으로부터 진단 대상자의 체내 진단지표 정보를 획득한다. 여기서, 인공 신경망 모델이 획득하는 체내 진단지표 정보로는 가슴 길이(401), 심장 우축과 심장 좌축의 거리(402), 심폐계수, 대동맥융기(403)의 곡률 및 길이, 폐 원추(404)의 곡률 및 길이, 좌심방이(405)의 곡률 및 길이, 우상측 심장 경계선(406)의 곡률 및 길이, 우하측 심장 경계선(407)의 곡률 및 길이, 좌하측 심장 경계선(408)의 곡률 및 길이, 하행대동맥(409)의 곡률 및 길이, 분기부(410)의 각도, 심장 면적, 횡격막(501)과 갈비뼈(503)의 상대적인 위치, 우폐동맥(504)의 평균 직경 또는 심장 후연과 척추 전연간(601) 평균 직경 등을 포함할 수 있다(S330).
그러면, 출력부(130)는 인공 신경망 모델부(120)에 의하여 획득된 진단 대상자의 체내 진단지표 정보를 외부로 출력할 수 있다.
여기서, 출력부(130)는 인공 신경망 모델부(120)에 의하여 획득된 체내 진단지표 정보를 원시 데이터 형태로 출력할 수도 있지만, 정보 가공부(140)에 의하여 가공된 소정의 형태로 출력할 수도 있다. 이를 위하여, 정보 가공부(140)는 인공 신경망 모델부(120)에 의하여 획득된 각종 정보를 소정의 형태로 가공하여 출력부(130)에 제공할 수 있다. 예를 들어, 정보 가공부(140)는 입력부(110)을 통하여 입력되는 진단 대상자의 신체 X선 영상에 진단 대상자의 체내 진단지표 정보를 마킹한 형태로 가공하여 출력부(130)에 제공할 수 있다. 또는, 정보 가공부(140)는 인공 신경망 모델부(120)에 의하여 획득된 진단 대상자의 체내 진단지표 정보에 기초한 수치값을 출력부(130)에 제공할 수 있다. 또는, 정보 가공부(140)는 인공 신경망 모델부(120)에 의하여 도출된 학습용 신체 X선 영상들의 체내 진단지표 정보에 대한 기준값과 진단 대상자의 체내 진단지표 정보를 비교한 결과를 소정의 형태로 가공하여 출력부(130)에 제공할 수도 있다. 예컨대, 단계 S320을 통하여 입력되는 진단 대상자의 신체 X선 영상이 사전 학습을 통하여 획득된 기준값과 몇 퍼센트(%)만큼 차이를 갖는지 등의 정보를 제공할 수 있다.
이에, 출력부(130)는 진단 대상자의 신체 X선 영상에 체내 진단지표 정보를 마킹한 형태로 출력할 수도 있고, 진단 대상자의 체내 진단지표 정보에 대한 신체 X선 영상 상의 위치 정보 형태(예: 위치 좌표)로 출력할 수도 있다. 또한, 출력부(130)는 인공 신경망 모델부(120)에 의하여 도출된 학습용 신체 X선 영상들의 체내 진단지표 정보에 대한 기준값과 진단 대상자의 체내 진단지표 정보를 비교한 결과를 외부로 출력할 수 있다. 예를 들어, 출력부(130)는 인공 신경망 모델부(120)에 의하여 획득된 정보를 외부에서 인지 가능하게 출력할 수 있다(S340).
한편, 전술한 일 실시예에 따른 의료영상 학습 방법 및 의료영상 처리 방법에 포함된 각각의 단계는, 이러한 단계를 수행하도록 프로그램된 컴퓨터 프로그램을 기록하는 컴퓨터 판독가능한 기록매체에서 구현될 수 있다.
또한, 전술한 일 실시예에 따른 의료영상 학습 방법 및 의료영상 처리 방법에 포함된 각각의 단계는, 이러한 단계를 수행하도록 프로그램된, 컴퓨터 판독가능한 기록매체에 저장된 컴퓨터 프로그램의 형태로 구현될 수 있다.
본 발명에 첨부된 각 흐름도의 각 단계의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수도 있다. 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 흐름도의 각 단계에서 설명된 기능들을 수행하는 수단을 생성하게 된다. 이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 기록매체에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 기록매체에 저장된 인스트럭션들은 흐름도의 각 단계에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다. 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 흐름도의 각 단계에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.
또한, 각 단계는 특정된 논리적 기능(들)을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또, 몇 가지 대체 실시예들에서는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 단계들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 품질에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 균등한 범위 내에 있는 모든 기술사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 의료영상 처리 장치
110: 입력부
120: 인공 신경망 모델부
130: 출력부
140: 정보 가공부
150: 저장부

Claims (15)

  1. 의료영상 처리 장치의 의료영상 학습 방법으로서,
    상기 의료영상 처리 장치가 학습 데이터 세트 중 입력으로서 학습용 신체 엑스(X)선 영상들을 입력 받는 단계와,
    상기 의료영상 처리 장치가 상기 학습 데이터 세트 중 레이블로서 상기 학습용 신체 X선 영상들에 각각 대응하는 개별 신체의 체내 진단지표 정보를 입력 받는 단계와,
    상기 의료영상 처리 장치의 인공 신경망 모델이 상기 학습 데이터 세트를 학습하는 단계를 포함하고,
    상기 체내 진단지표 정보는, 횡격막과 갈비뼈의 상대적인 위치에 대한 정보를 포함하며,
    상기 인공 신경망 모델의 학습에 실제 이용되는 학습 데이터 세트 중 학습용 신체 X선 영상들은, 초기 학습용 신체 X선 영상들 중에서 상기 횡격막과 갈비뼈의 상대적인 위치에 대한 정보에 기초하여 일부가 제외된 것인
    의료영상 학습 방법.
  2. 제 1 항에 있어서,
    상기 체내 진단지표 정보는, 심혈관계 경계선(Cardiovascular Border)에 대한 정보를 포함하는
    의료영상 학습 방법.
  3. 제 2 항에 있어서,
    상기 심혈관계 경계선에 대한 정보는, 대동맥융기(aortic knob), 폐 원추(Pulmonary Conus, PC), 좌심방이(Left Atrial Appendage, LAA), 우상측(right upper) 심장 경계선(Cardiac Border, CB), 우하측(right lower) 심장 경계선, 좌하측 심장 경계선, 하행대동맥(Descending aorta, DAO), 분기부(carinal), 횡격막(diaphragm) 상단점, 우폐동맥(left pulmonary vein) 또는 심장 후연(posterior border), 척추 전연(anterior border) 중 적어도 하나의 정보를 포함하는
    의료영상 학습 방법.
  4. 제 1 항에 있어서,
    상기 인공 신경망 모델은 Mask R-CNN 모델이고, 상기 학습용 신체 X선 영상들을 Mask R-CNN 모델의 훈련 영상으로 이용하며, 상기 체내 진단지표 정보를 상기 Mask R-CNN 모델의 마스크(Mask)로 이용하는
    의료영상 학습 방법.
  5. 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체로서,
    상기 컴퓨터 프로그램은, 프로세서에 의해 실행되면,
    제 1 항 내지 제 4 항 중 어느 한 항에 따른 방법을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함하는, 컴퓨터 판독 가능한 기록매체.
  6. 의료영상 처리 장치를 이용한 의료영상 처리 방법으로서,
    의료영상들을 학습시킨 인공 신경망 모델에 진단 대상자의 신체 엑스(X)선 영상을 입력 받는 단계와,
    상기 진단 대상자의 신체 X선 영상으로부터 상기 인공 신경망 모델을 통하여 획득한 체내 진단지표 정보를 출력하는 단계를 포함하고,
    상기 인공 신경망 모델은, 입력이 학습용 신체 X선 영상들이고 레이블이 상기 학습용 신체 X선 영상들에 각각 대응하는 개별 신체의 체내 진단지표 정보-심혈관계 경계선(Cardiovascular Border)에 대한 정보를 포함-인 학습 데이터 세트가 학습된 것이며,
    상기 진단 대상자의 체내 진단지표 정보는, 가슴 길이(Thoracic length, TL), 심장 우축(right axis)과 심장 좌축(left axis)의 거리, 대동맥융기(aortic knob)의 곡률(curvatures) 및 길이, 폐 원추(Pulmonary Conus, PC)의 곡률 및 길이, 좌심방이(Left Atrial Appendage, LAA)의 곡률 및 길이, 우상측(right upper) 심장 경계선의 곡률 및 길이, 우하측(right lower) 심장 경계선의 곡률 및 길이, 좌하측 심장 경계선(Cardiac Border, CB)의 곡률 및 길이, 하행대동맥(Descending aorta, DAO 의 곡률 및 길이, 분기부(carinal)의 각도, 심장 면적(cardiac area), 우폐동맥(left pulmonary vein)의 평균 직경(distance) 또는 심장 후연과 척추 전연간(heart-to-spine) 평균 직경 중 적어도 하나를 포함하는
    의료영상 처리 방법.
  7. 삭제
  8. 제 6 항에 있어서,
    상기 체내 진단지표 정보를 출력하는 단계는, 상기 진단 대상자의 신체 X선 영상에 상기 진단 대상자의 체내 진단지표 정보를 표시하여 출력하는
    의료영상 처리 방법.
  9. 제 6 항에 있어서,
    상기 체내 진단지표 정보를 출력하는 단계는, 상기 진단 대상자의 체내 진단지표 정보에 기초한 수치값을 출력하는
    의료영상 처리 방법.
  10. 삭제
  11. 삭제
  12. 제 6 항에 있어서,
    상기 체내 진단지표 정보를 출력하는 단계는, 상기 인공 신경망 모델의 학습 결과에 따라 획득된 상기 학습용 신체 X선 영상들의 체내 진단지표 정보에 대한 기준값과 상기 진단 대상자의 체내 진단지표 정보를 비교한 결과를 출력하는
    의료영상 처리 방법.
  13. 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체로서,
    상기 컴퓨터 프로그램은, 프로세서에 의해 실행되면,
    제 6 항, 제 8 항, 제 9 항 및 제 12 항 중 어느 한 항에 따른 방법을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함하는, 컴퓨터 판독 가능한 기록매체.
  14. 입력이 학습용 신체 엑스(X)선 영상들이고 레이블이 상기 학습용 신체 X선 영상들에 각각 대응하는 개별 신체의 체내 진단지표 정보인 학습 데이터 세트를 입력 받는 입력부와,
    상기 입력부를 통하여 입력 받은 상기 학습 데이터 세트를 인공 신경망 모델이 학습하는 인공 신경망 모델부를 포함하고,
    상기 체내 진단지표 정보는, 횡격막과 갈비뼈의 상대적인 위치에 대한 정보를 포함하며,
    상기 인공 신경망 모델의 학습에 실제 이용되는 학습 데이터 세트 중 학습용 신체 X선 영상들은, 초기 학습용 신체 X선 영상들 중에서 상기 횡격막과 갈비뼈의 상대적인 위치에 대한 정보에 기초하여 일부가 제외된 것인
    의료영상 처리 장치.
  15. 진단 대상자의 신체 엑스(X)선 영상을 입력 받는 입력부와,
    상기 입력부를 통하여 입력 받은 상기 진단 대상자의 신체 X선 영상으로부터 인공 신경망 모델이 상기 진단 대상자의 체내 진단지표 정보를 획득하는 인공 신경망 모델부와,
    상기 인공 신경망 모델부에 의하여 획득된 상기 진단 대상자의 체내 진단지표 정보를 출력하는 출력부를 포함하고,
    상기 인공 신경망 모델은, 입력이 학습용 신체 X선 영상들이고 레이블이 상기 학습용 신체 X선 영상들에 각각 대응하는 개별 신체의 체내 진단지표 정보-심혈관계 경계선(Cardiovascular Border)에 대한 정보를 포함-인 학습 데이터 세트가 학습된 것이며,
    상기 진단 대상자의 체내 진단지표 정보는, 가슴 길이(Thoracic length, TL), 심장 우축(right axis)과 심장 좌축(left axis)의 거리, 대동맥융기(aortic knob)의 곡률(curvatures) 및 길이, 폐 원추(Pulmonary Conus, PC)의 곡률 및 길이, 좌심방이(Left Atrial Appendage, LAA)의 곡률 및 길이, 우상측(right upper) 심장 경계선의 곡률 및 길이, 우하측(right lower) 심장 경계선의 곡률 및 길이, 좌하측 심장 경계선(Cardiac Border, CB)의 곡률 및 길이, 하행대동맥(Descending aorta, DAO 의 곡률 및 길이, 분기부(carinal)의 각도, 우폐동맥(left pulmonary vein)의 평균 직경(distance) 또는 심장 후연과 척추 전연간(heart-to-spine) 평균 직경 중 적어도 하나를 포함하는
    의료영상 처리 장치.
KR1020200019820A 2020-02-18 2020-02-18 의료영상 처리 장치와 그 의료영상 학습 방법 및 의료영상 처리 방법 KR102402011B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020200019820A KR102402011B1 (ko) 2020-02-18 2020-02-18 의료영상 처리 장치와 그 의료영상 학습 방법 및 의료영상 처리 방법
US17/156,947 US11783477B2 (en) 2020-02-18 2021-01-25 Medical image process apparatus, medical image learning method, and medical image process method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200019820A KR102402011B1 (ko) 2020-02-18 2020-02-18 의료영상 처리 장치와 그 의료영상 학습 방법 및 의료영상 처리 방법

Publications (2)

Publication Number Publication Date
KR20210105481A KR20210105481A (ko) 2021-08-27
KR102402011B1 true KR102402011B1 (ko) 2022-05-27

Family

ID=77272961

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200019820A KR102402011B1 (ko) 2020-02-18 2020-02-18 의료영상 처리 장치와 그 의료영상 학습 방법 및 의료영상 처리 방법

Country Status (2)

Country Link
US (1) US11783477B2 (ko)
KR (1) KR102402011B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240048073A (ko) 2022-10-05 2024-04-15 주식회사 엠티이지 어텐션 블록을 이용하여 영상을 처리하는 방법 및 디바이스

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180276817A1 (en) 2017-03-24 2018-09-27 Umc Utrecht Holding B.V. Method and System for Assessing Vessel Obstruction Based on Machine Learning
CN109961059A (zh) 2019-04-10 2019-07-02 杭州智团信息技术有限公司 检测肾脏感兴趣组织区域的方法及系统

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012026145A1 (ja) * 2010-08-27 2012-03-01 コニカミノルタエムジー株式会社 診断支援システム及びプログラム
CN108348208A (zh) * 2015-11-09 2018-07-31 皇家飞利浦有限公司 X射线图像吸入质量监测
JP2017176202A (ja) * 2016-03-28 2017-10-05 コニカミノルタ株式会社 動態解析システム
JP2017225475A (ja) * 2016-06-20 2017-12-28 コニカミノルタ株式会社 放射線画像処理システムおよび放射線画像処理装置
US20190156204A1 (en) * 2017-11-20 2019-05-23 Koninklijke Philips N.V. Training a neural network model
KR20200005406A (ko) * 2018-07-06 2020-01-15 연세대학교 산학협력단 진단 보조 시스템
KR20190106403A (ko) 2018-03-09 2019-09-18 연세대학교 산학협력단 질환 예측 방법 및 이를 이용한 질환 예측 디바이스
US10706545B2 (en) * 2018-05-07 2020-07-07 Zebra Medical Vision Ltd. Systems and methods for analysis of anatomical images
US10949968B2 (en) * 2018-05-07 2021-03-16 Zebra Medical Vision Ltd. Systems and methods for detecting an indication of a visual finding type in an anatomical image
US11416994B2 (en) * 2019-05-05 2022-08-16 Keyamed Na, Inc. Method and system for detecting chest x-ray thoracic diseases utilizing multi-view multi-scale learning
US11596482B2 (en) * 2019-05-23 2023-03-07 Surgical Safety Technologies Inc. System and method for surgical performance tracking and measurement
US10783643B1 (en) * 2019-05-27 2020-09-22 Alibaba Group Holding Limited Segmentation-based damage detection
US10984529B2 (en) * 2019-09-05 2021-04-20 Pearl Inc. Systems and methods for automated medical image annotation
US11436725B2 (en) * 2019-11-15 2022-09-06 Arizona Board Of Regents On Behalf Of Arizona State University Systems, methods, and apparatuses for implementing a self-supervised chest x-ray image analysis machine-learning model utilizing transferable visual words
AU2021205816B2 (en) * 2020-01-09 2023-11-09 Idexx Laboratories, Inc. Methods and systems for x-ray imaging and labeling

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180276817A1 (en) 2017-03-24 2018-09-27 Umc Utrecht Holding B.V. Method and System for Assessing Vessel Obstruction Based on Machine Learning
CN109961059A (zh) 2019-04-10 2019-07-02 杭州智团信息技术有限公司 检测肾脏感兴趣组织区域的方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Awais Mansoor 외, A Generic Approach to Pathological Lung Segmentation, IEEE TRANSACTIONS ON MEDICAL IMAGING, 2014.07.08., Vol.33, No.12, pp.2293-2310.
Sarah Leclerc 외, Deep Learning for Segmentation using an Open Large-Scale Dataset in 2D Echocardiography, arXiv, 2019.08.22., pp1-33.*
Supriti Mulay 외, Liver Segmentation from Multimodal Images using HED-Mask R-CNN, arXiv, 2019.10.23., pp1-8.*

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240048073A (ko) 2022-10-05 2024-04-15 주식회사 엠티이지 어텐션 블록을 이용하여 영상을 처리하는 방법 및 디바이스

Also Published As

Publication number Publication date
US11783477B2 (en) 2023-10-10
KR20210105481A (ko) 2021-08-27
US20210256689A1 (en) 2021-08-19

Similar Documents

Publication Publication Date Title
US9842401B2 (en) Segmentation apparatus for interactively segmenting blood vessels in angiographic image data
JP5281740B2 (ja) 管状臓器の３次元表現決定システム
JP7053656B2 (ja) 造影剤注入撮像
CN110796613A (zh) 一种图像伪影的自动识别方法及装置
JP2008503303A (ja) 気管気管支樹を表示する方法及び装置
KR102382872B1 (ko) 의료용 인공 신경망 기반 대표 영상을 제공하는 의료 영상 판독 지원 장치 및 방법
CN107809955A (zh) 经由感兴趣界标的自动检测在x射线成像中进行实时准直和roi过滤器定位
US20130039554A1 (en) Method for determining a physical property of an object, system, computer readable medium and program element
CN111553887B (zh) 桥血管评价信息获取方法及装置
JP2021104337A (ja) 内腔に沿った管腔内デバイスの管腔内経路の推定
KR102402011B1 (ko) 의료영상 처리 장치와 그 의료영상 학습 방법 및 의료영상 처리 방법
KR102354396B1 (ko) 관상동맥석회화점수 산정 방법 및 장치
CN106780720B (zh) 医学图像显示方法及装置
JP2004283583A (ja) 画像形成医療検査装置の作動方法
EP3606433B1 (en) Standardized coronary artery disease metric
JP7426824B2 (ja) 非侵襲的イメージングベースのｆｆｒのインタラクションモニタリング
Larralde et al. Evaluation of a 3D segmentation software for the coronary characterization in multi-slice computed tomography
US11657519B2 (en) Method for deformation correction
Gharleghi et al. Computed tomography coronary angiogram images, annotations and associated data of normal and diseased arteries
KR102481564B1 (ko) 의료영상 처리 장치와 그 의료영상 학습 방법 및 의료영상 처리 방법
US20180357767A1 (en) Image processing apparatus and image processing method
JP2022510879A (ja) 血行力学的シミュレーションのための最も関連のあるｘ線画像の選択
JP7479364B2 (ja) 血管造影ｆｆｒのための２ｄ血管セグメント化の方位検出
Laura Graph-matching and FEM-based registration of computed tomographies for outcome validation of liver interventions
EP4281929A1 (en) Vessel shape

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right