KR102405960B1 - 홈케어 의료진단 서버 및 방법 - Google Patents
홈케어 의료진단 서버 및 방법 Download PDFInfo
- Publication number
- KR102405960B1 KR102405960B1 KR1020210101218A KR20210101218A KR102405960B1 KR 102405960 B1 KR102405960 B1 KR 102405960B1 KR 1020210101218 A KR1020210101218 A KR 1020210101218A KR 20210101218 A KR20210101218 A KR 20210101218A KR 102405960 B1 KR102405960 B1 KR 102405960B1
- Authority
- KR
- South Korea
- Prior art keywords
- medical diagnosis
- image
- home care
- value
- data
- Prior art date
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 246
- 238000000034 method Methods 0.000 title claims description 69
- 238000005259 measurement Methods 0.000 claims abstract description 83
- 238000013145 classification model Methods 0.000 claims abstract description 29
- 238000000926 separation method Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 23
- 238000012795 verification Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 7
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 description 30
- 239000008280 blood Substances 0.000 description 14
- 210000004369 blood Anatomy 0.000 description 14
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 13
- 239000008103 glucose Substances 0.000 description 13
- 230000036772 blood pressure Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000013523 data management Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000036760 body temperature Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading 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
- G16H50/20—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
-
- G06N3/0427—
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G06T5/002—
-
- G06T5/007—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
홈케어 의료진단 서버에 있어서, 명령어들을 저장하는 메모리; 및 상기 명령어들을 실행함으로써: 사용자에 대해 측정되는 특정한 종류의 의료진단 상태를 표시하는 의료진단 디바이스의 측정 결과를 촬영한 의료진단 이미지에 대한 이미지 전처리를 수행하여 영역 분리 이미지를 생성하고, CNN 기반의 의료진단 디바이스 분류 모델에 기초하여 상기 영역 분리 이미지로부터 상기 의료진단 디바이스에 의해 측정되는 의료진단 상태의 종류를 식별하여 디바이스 종류를 결정하고, 상기 측정 결과를 식별하여 의료진단 측정 수치를 결정하고, 상기 디바이스 종류 및 상기 의료진단 측정 수치에 기초하여 상기 의료진단 상태의 종류 및 상기 측정 결과에 대한 오인식 여부를 검증함으로써 의료진단 최종 수치를 결정하고, 상기 의료진단 이미지, 상기 디바이스 종류 데이터, 상기 의료진단 측정 수치 및 상기 의료진단 최종 수치를 저장하도록 구성되는 프로세서; 를 포함하는, 홈케어 의료진단 서버가 개시된다.
Description
본 발명은 홈케어 의료진단 서버 및 방법에 관한 것이다. 보다 상세하게는, 본 발명은 CNN을 기반으로 의료진단 디바이스의 종류를 분류하고 촬영 이미지로부터 의료진단 디바이스의 측정 수치를 추출하여 저장하는 홈케어 관리 시스템에 관한 것이다.
지속적으로 혈당 수치를 체크할 것을 요구하는 당뇨병과 같은 질환을 의료기관 외에서도 관리할 수 있도록 하는 홈케어 의료진단 분야가 점차 확산되고 있다. 홈케어 의료진단을 통해 가정이나 직장에서 기록되는 의료진단 데이터는 이후 의료진들에 의해 검토되어 환자의 질환 상태를 파악하는 데에 활용될 수 있다.
홈케어 의료진단에서 환자가 직접 혈당이나 혈압 수치 등을 혈당계나 혈압계의 측정 결과를 확인하여 기록하는 경우, 수동으로 기록되는 수치들의 정확도 및 수동 기록 과정의 번거로움이 문제될 수 있다. 혈당 수치 모니터링을 위해서는 많게는 하루에도 수 회의 측정과 기록이 요구될 수 있고, 특히 환자가 직접 수치를 입력하는 과정에서 수치를 잘못 입력하게 되는 경우 질환 관리에 혼란이 생길 수도 있다.
위와 같은 정확도 및 편의성에 관한 불편을 해소하기 위해서는, 혈당계 등의 의료진단 디바이스의 측정 결과를 자동으로 인식하여 측정 수치를 기록해주는 기술의 개발이 요구될 수 있다.
본 발명에 의해 해결하고자 하는 기술적 과제는, 홈케어 의료진단의 편의성과 정확성을 개선할 수 있도록, 일상에서 널리 쓰이는 모바일 디바이스를 활용하여 의료진단 디바이스의 측정 결과를 촬영한 이미지로부터 디바이스 종류 및 측정 수치를 자동으로 인식하여 기록하는 관리 시스템을 제공하는 것이다.
전술한 기술적 과제를 해결하기 위한 수단으로서, 본 발명의 일부 실시예에 따른 홈케어 의료진단 서버는, 명령어들을 저장하는 메모리; 및 상기 명령어들을 실행함으로써: 사용자에 대해 측정되는 특정한 종류의 의료진단 상태를 표시하는 의료진단 디바이스의 측정 결과를 촬영한 의료진단 이미지에 대한 이미지 전처리를 수행하여 영역 분리 이미지를 생성하고, CNN 기반의 의료진단 디바이스 분류 모델에 기초하여 상기 영역 분리 이미지로부터 상기 의료진단 디바이스에 의해 측정되는 의료진단 상태의 종류를 식별하여 디바이스 종류를 결정하고, 상기 측정 결과를 식별하여 의료진단 측정 수치를 결정하고, 상기 디바이스 종류 및 상기 의료진단 측정 수치에 기초하여 상기 의료진단 상태의 종류 및 상기 측정 결과에 대한 오인식 여부를 검증함으로써 의료진단 최종 수치를 결정하고, 상기 의료진단 이미지, 상기 디바이스 종류 데이터, 상기 의료진단 측정 수치 및 상기 의료진단 최종 수치를 저장하도록 구성되는 프로세서; 를 포함한다.
본 발명의 다른 실시예에 따른 메모리에 저장되는 명령어들을 수행하는 프로세서에 의해 수행되는, 홈케어 의료진단 방법은, 사용자에 대해 측정되는 특정한 종류의 의료진단 상태를 표시하는 의료진단 디바이스의 측정 결과를 촬영한 의료진단 이미지에 대한 이미지 전처리를 수행하여 영역 분리 이미지를 생성하는 단계; CNN 기반의 의료진단 디바이스 분류 모델에 기초하여 상기 영역 분리 이미지로부터 상기 의료진단 디바이스에 의해 측정되는 의료진단 상태의 종류를 식별하여 디바이스 종류를 결정하는 단계; 상기 측정 결과를 식별하여 의료진단 측정 수치를 결정하는 단계; 상기 디바이스 종류 및 상기 의료진단 측정 수치에 기초하여 상기 의료진단 상태의 종류 및 상기 측정 결과에 대한 오인식 여부를 검증함으로써 의료진단 최종 수치를 결정하는 단계; 및 상기 의료진단 이미지, 상기 디바이스 종류 데이터, 상기 의료진단 측정 수치 및 상기 의료진단 최종 수치를 저장하는 단계; 를 포함한다.
본 발명에 따른 홈케어 의료진단 서버 및 방법에 의하면, CNN 기반의 의료진단 디바이스 분류 모델에 의해 의료진단 디바이스에 의해 측정되는 의료진단 상태 및 의료진단 측정 수치에 기초하여 의료진단 최종 수치가 식별될 수 있으므로, 의료진단 상태의 종류 및 측정 결과에 대한 오인식 여부가 검증될 수 있어 홈케어 의료진단의 편의성과 정확성이 개선될 수 있다.
도 1은 일부 실시예에 따른 홈케어 의료진단 데이터 관리 시스템을 구성하는 요소들을 설명하기 위한 도면이다.
도 2는 일부 실시예에 따른 홈케어 의료진단 데이터 관리 시스템의 동작 방식을 보다 상세하게 설명하기 위한 도면이다.
도 3은 일부 실시예에 따른 홈케어 의료진단 서버를 구성하는 요소들을 설명하기 위한 도면이다.
도 4는 일부 실시예에 따른 의료진단 이미지에 대한 이미지 전처리가 수행되는 과정을 설명하기 위한 도면이다.
도 5는 일부 실시예에 따른 CNN 기반의 의료진단 디바이스 분류 모델의 분류 과정 및 신경망 구조를 설명하기 위한 도면이다.
도 6은 일부 실시예에 따른 CNN 기반의 의료진단 디바이스 분류 모델을 학습시키기 위한 k-폴딩 모델을 설명하기 위한 도면이다.
도 7은 일부 실시예에 따른 세그먼트 카운트 알고리즘을 통해 의료진단 측정 수치를 도출하는 방식을 설명하기 위한 도면이다.
도 8은 일부 실시예에 따른 홈케어 의료진단 방법을 구성하는 단계들을 설명하기 위한 도면이다.
도 2는 일부 실시예에 따른 홈케어 의료진단 데이터 관리 시스템의 동작 방식을 보다 상세하게 설명하기 위한 도면이다.
도 3은 일부 실시예에 따른 홈케어 의료진단 서버를 구성하는 요소들을 설명하기 위한 도면이다.
도 4는 일부 실시예에 따른 의료진단 이미지에 대한 이미지 전처리가 수행되는 과정을 설명하기 위한 도면이다.
도 5는 일부 실시예에 따른 CNN 기반의 의료진단 디바이스 분류 모델의 분류 과정 및 신경망 구조를 설명하기 위한 도면이다.
도 6은 일부 실시예에 따른 CNN 기반의 의료진단 디바이스 분류 모델을 학습시키기 위한 k-폴딩 모델을 설명하기 위한 도면이다.
도 7은 일부 실시예에 따른 세그먼트 카운트 알고리즘을 통해 의료진단 측정 수치를 도출하는 방식을 설명하기 위한 도면이다.
도 8은 일부 실시예에 따른 홈케어 의료진단 방법을 구성하는 단계들을 설명하기 위한 도면이다.
이하에서는 도면을 참조하여 본 발명의 실시예들이 상세하게 설명될 것이다. 이하에서의 설명은 실시예들을 구체화하기 위한 것일 뿐, 본 발명에 따른 권리범위를 제한하거나 한정하기 위한 것은 아니다. 본 발명에 관한 기술 분야에서 통상의 지식을 가진 자가 발명의 상세한 설명 및 실시예들로부터 용이하게 유추할 수 있는 것은 본 발명에 따른 권리범위에 속하는 것으로 해석되어야 한다.
본 발명에서 사용되는 용어는 본 발명에 관한 기술 분야에서 널리 사용되는 일반적인 용어로 기재되었으나, 본 발명에서 사용되는 용어의 의미는 해당 분야에 종사하는 기술자의 의도, 새로운 기술의 출현, 심사기준 또는 판례 등에 따라 달라질 수 있다. 일부 용어는 출원인에 의해 임의로 선정될 수 있고, 이 경우 임의로 선정되는 용어의 의미가 상세하게 설명될 것이다. 본 발명에서 사용되는 용어는 단지 사전적 의미만이 아닌, 명세서의 전반적인 맥락을 반영하는 의미로 해석되어야 한다.
본 발명에서 사용되는 '구성된다' 또는 '포함한다'와 같은 용어는 명세서에 기재되는 구성 요소들 또는 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 일부 구성 요소들 또는 단계들은 포함되지 않는 경우, 및 추가적인 구성 요소들 또는 단계들이 더 포함되는 경우 또한 해당 용어로부터 의도되는 것으로 해석되어야 한다.
이하에서는 도면을 참조하여 본 발명의 실시예들이 상세하게 설명될 것이다. 본 발명에 관한 기술 분야에서 통상의 지식을 가진 자에게 널리 알려져 있는 사항들에 대해서는 자세한 설명이 생략된다.
도 1은 일부 실시예에 따른 홈케어 의료진단 데이터 관리 시스템을 구성하는 요소들을 설명하기 위한 도면이다.
도 1을 참조하면, 홈케어 의료진단 데이터 관리 시스템(10)은 사용자 단말 디바이스(100), 홈케어 의료진단 서버(200) 및 데이터베이스(300)를 포함할 수 있다. 다만 이에 제한되는 것은 아니고, 다른 범용적인 요소들이 시스템(10)에 더 포함될 수 있다.
시스템(10)은 홈케어 의료진단 서비스의 사용자인 환자의 의료진단 데이터를 수집, 분석 및 저장하는 시스템을 의미할 수 있다. 시스템(10)은 각 기능을 수행하는 하드웨어, 소프트웨어 또는 그 조합으로 구성될 수 있다. 예를 들면, 시스템(10)은 사용자 단말 디바이스(100), 홈케어 의료진단 서버(200) 및 데이터베이스(300)에서 실행되는 컴퓨터 프로그램 또는 모바일 앱의 형태로 구현될 수 있다.
사용자 단말 디바이스(100)는 홈케어 의료진단을 필요로 하는 환자인 사용자가 사용하는 디바이스를 의미할 수 있다. 예를 들면, 사용자 단말 디바이스(100)는 카메라 촬영 기능 및 데이터 통신 기능을 갖는 스마트폰, 태블릿 PC 등의 모바일 디바이스일 수 있다.
홈케어 의료진단 서버(200)는 홈케어 의료진단의 이미지 전처리, 디바이스 종류 식별, 측정 수치 식별 및 DB 저장 등의 기능을 수행하기 위한 서버 디바이스일 수 있다. 홈케어 의료진단 서버(200)는 프로세싱 수단을 구비하는 하드웨어 서버, 또는 클라우드 서버 등의 형태로 구현될 수 있다. 데이터베이스(300)는 홈케어 의료진단 데이터를 저장할 수 있다. 데이터베이스(300)는 하드웨어 메모리 디바이스, 또는 웹 드라이브나 클라우드 스토리지 등의 형태로 구현될 수 있다.
시스템(10)은 의료진단 디바이스의 측정 결과를 촬영한 이미지를 분석하여 의료진단 디바이스가 어떤 종류의 측정기기인지를 분류하고, 측정 결과의 수치를 추출하여 기록할 수 있다. 이와 같은 방식으로, 시스템(10)은 홈케어 의료진단을 위해 사용자가 의료진단 데이터를 직접 기록하는 과정을 자동화하여 데이터 정확성을 향상시킬 수 있고, 사용자 편의성을 개선할 수 있다.
도 2는 일부 실시예에 따른 홈케어 의료진단 데이터 관리 시스템의 동작 방식을 보다 상세하게 설명하기 위한 도면이다.
도 2를 참조하면, 홈케어 의료진단 데이터 관리 시스템(10)의 각 요소들에 의해 수행되는 기능들이 모듈별로 도시되어 있다. 사용자 단말 디바이스(100), 홈케어 의료진단 서버(200) 및 데이터베이스(300)에서 실행되는 기능들에 의해 시스템(10)의 홈케어 의료진단이 구현될 수 있다.
사용자 단말 디바이스(100)는 의료진단 디바이스의 측정 결과를 촬영함으로써 의료진단 이미지를 생성할 수 있고, 의료진단 이미지를 홈케어 의료진단 서버(200)에 전송할 수 있다.
혈당계나 혈압계와 같은 의료진단 디바이스는 7-세그먼트 방식으로 측정 결과를 표시할 수 있다. 사용자 단말 디바이스(100)는 이를 촬영하여 의료진단 이미지를 생성한 후, 홈케어 의료진단 서버(200)로 전송할 수 있다. 촬영된 jpeg, gif 등의 이미지 파일은 Base64 형식으로 인코딩될 수 있고, 홈케어 의료진단 서버(200)의 REST API를 호출하여 HTTP로 의료진단 이미지가 전송될 수 있다.
한편, 특정한 종류의 의료진단 상태는 사용자의 혈당 상태, 혈압 상태 및 체온 상태 중 어느 하나일 수 있고, 의료진단 디바이스는 혈당계, 혈압계 및 체온계 중 어느 하나일 수 있다.
홈케어 의료진단 서버(200)는 의료진단 이미지에 대한 이미지 전처리를 수행할 수 있고, CNN 기반의 의료진단 디바이스 분류 모델에 기초하여 디바이스 종류를 결정할 수 있고, 측정 결과를 식별하여 의료진단 측정 수치를 결정할 수 있고, 오인식 여부를 검증함으로써 의료진단 최종 수치를 결정할 수 있다. 홈케어 의료진단 서버(200)는 후술할 도 3에서 보다 구체적으로 설명될 수 있다.
데이터베이스(300)는 사용자 단말 디바이스(100)에 의해 생성되는 의료진단 이미지를 저장할 수 있고, 홈케어 의료진단 서버(200)에 의해 결정되는 디바이스 종류 데이터, 의료진단 측정 수치 및 의료진단 최종 수치를 저장할 수 있다.
도 3은 일부 실시예에 따른 홈케어 의료진단 서버를 구성하는 요소들을 설명하기 위한 도면이다.
도 3을 참조하면, 홈케어 의료진단 서버(200)는 메모리(210) 및 프로세서(220)를 포함할 수 있다. 다만 이에 제한되는 것은 아니고, 다른 범용적인 요소들이 홈케어 의료진단 서버(200)에 더 포함될 수 있다.
예를 들면, 메모리(210)는 ROM, PROM, EPROM, EEPROM, 플래시 메모리, PRAM, MRAM, RRAM, FRAM 등의 비휘발성 메모리, DRAM, SRAM, SDRAM, PRAM, RRAM, FeRAM 등의 휘발성 메모리, 또는 HDD, SSD, SD, Micro-SD 등으로 구현될 수 있고, 프로세서(220)는 홈케어 의료진단 서버(200) 내에 구비되는 CPU, GPU 및 AP 중 적어도 하나의 형태로 구현될 수 있다.
프로세서(220)는 사용자에 대해 측정되는 특정한 종류의 의료진단 상태를 표시하는 의료진단 디바이스의 측정 결과를 촬영한 의료진단 이미지에 대한 이미지 전처리를 수행하여 영역 분리 이미지를 생성하도록 구성될 수 있다.
프로세서(220)는, 메모리(210)에 저장되는 명령어들을 실행함으로써, REST API를 통해 수신되는 Base64 문자열을 디코딩하여 원본 이미지로 변환할 수 있고, 디바이스 종류 분류 및 측정 수치 식별을 수행하기에 앞서 의료진단 이미지에 대한 이미지 전처리를 수행할 수 있다. 이미지 전처리에 의하면 이미지의 각 영역 분리되어 있는 영역 분리 이미지가 생성될 수 있다.
프로세서(220)는, 메모리(210)에 저장되는 명령어들을 실행함으로써, CNN 기반의 의료진단 디바이스 분류 모델에 기초하여 영역 분리 이미지로부터 의료진단 디바이스에 의해 측정되는 의료진단 상태의 종류를 식별하여 디바이스 종류를 결정하도록 구성될 수 있다.
의료진단 디바이스 분류 모델은 CNN(Convolutional Neural Network)를 기반으로 하는 인공지능 신경망으로 구현될 수 있다. 의료진단 디바이스의 종류를 분류하도록 CNN이 학습되어 의료진단 디바이스 분류 모델이 생성될 수 있다. CNN의 기계 학습은 미리 준비되는 학습 데이터셋에 기초하여 이루어질 수 있고, 이후 성능 개선을 위한 CNN 업데이트가 추가로 수행될 수 있다.
CNN 기반의 의료진단 디바이스 분류 모델은 이미지 전처리가 수행된 영역 분리 이미지에 대한 분류를 수행하여, 의료진단 디바이스가 어떤 종류의 의료진단 상태를 측정하기 위한 디바이스인지를 식별할 수 있다. 즉, CNN 기반의 의료진단 디바이스 분류 모델은 의료진단 디바이스가 혈당계인지, 혈압계인지, 체온계인지, 또는 그 외의 다른 종류의 디바이스인지를 나타내는 디바이스 종류 데이터를 생성할 수 있고, 추가적으로 의료진단 디바이스의 모델명을 식별할 수 있다.
프로세서(220)는, 메모리(210)에 저장되는 명령어들을 실행함으로써, 측정 결과를 식별하여 의료진단 측정 수치를 결정하도록 구성될 수 있다.
예를 들면, 의료진단 디바이스는 특정한 종류의 의료진단 상태를 7-세그먼트 방식으로 측정 결과를 표시할 수 있고, 프로세서(220)는 세그먼트 카운트 알고리즘을 활용하여 7-세그먼트 방식으로 표시되는 측정 결과를 식별함으로써 의료진단 측정 수치를 결정할 수 있다.
이미지 전처리가 수행된 영역 분리 이미지는 혈당 또는 혈압 등의 측정 수치를 7-세그먼트 방식으로 표시하고 있으므로, 해당 수치가 세그먼트 카운트 알고리즘을 통해 정확히 식별될 수 있다. 7-세그먼트 방식 및 세그먼트 카운트 알고리즘에 의하면 종래의 딥러닝 방식의 수치 인식에서 영문자 B를 숫자 8로 인식하는 등의 오인식이 방지되어, 높은 수치 식별 정확도가 제공될 수 있다.
프로세서(220)는, 메모리(210)에 저장되는 명령어들을 실행함으로써, 디바이스 종류 및 의료진단 측정 수치에 기초하여 의료진단 상태의 종류 및 측정 결과에 대한 오인식 여부를 검증함으로써 의료진단 최종 수치를 결정하도록 구성될 수 있다.
오인식 여부 검증은 디바이스 종류를 추가로 더 고려함으로써 수행될 수 있다. 특정 종류의 의료진단 디바이스(ex: 혈당계)에서는 나올 수 없는 수치(ex: 36.5)가 의료진단 측정 수치로 결정되는 경우, 이는 디바이스 종류가 잘못 결정되었거나(ex: 체온계를 혈당계로 오인식), 또는 의료진단 측정 수치가 잘못 결정된 것일 수 있다(ex: 136.5를 36.5로 오인식). 이를 고려한 오인식 여부 검증에 의하면, 측정 결과로 나올 수 없는 값이 오인식되어 기록되는 것이 방지될 수 있다.
또한, 의료진단 디바이스의 특정 모델에서 동일한 오인식이 지속적으로 발생하는 경우가 있음을 고려하여, 오인식 여부 검증 과정에 디바이스 모델명이 반영될 수도 있다. 특히, 오인식 여부 검증이 수행되는 경우, 디바이스 종류가 추가로 검증되어 확정될 수 있으므로, 의료진단 최종 수치와 함께 확정된 디바이스 종류에 따른 단위(ex: mg/dL)가 보다 정확하게 제공될 수도 있다.
또한, 프로세서(220)는 CNN을 이용하여 인식된 제1 측정 수치와 세그먼트 카운트 알고리즘을 이용하여 인식된 제2 측정 수치를 비교할 수 있다. 프로세서(220)는 제1 측정 수치와 제2 측정 수치를 비교하고, 제1 측정 수치와 제2 측정 수치가 불일치하는 경우 이를 오인식으로 결정할 수 있다. 이와 같이, 프로세서(220)는 제1 측정 수치와 제2 측정 수치를 비교하여 측정 결과에 대한 오인식 여부를 검증함으로써 의료진단 최종 수치를 결정할 수 있다.
프로세서(220)는, 메모리(210)에 저장되는 명령어들을 실행함으로써, 의료진단 이미지, 디바이스 종류 데이터, 의료진단 측정 수치 및 의료진단 최종 수치를 저장하도록 구성될 수 있다.
한편, 디바이스 종류, 의료진단 측정 수치 및 의료진단 최종 수치가 결정되면, 프로세서(220)는 이들을 원본 이미지에 해당하는 의료진단 이미지와 함께 묶음 데이터셋으로 데이터베이스(300)에 저장함으로써, 의료진단 이미지, 디바이스 종류 데이터, 의료진단 측정 수치 및 의료진단 최종 수치가 하나의 묶음 데이터셋으로 관리할 수 있다.
즉, 하나의 묶음 데이터셋으로 관리하는 것과 관련하여, 프로세서(220)는 의료진단 이미지가 촬영된 시점과 위치, 및 디바이스 종류에 따른 디바이스 모델명을 의료진단 이미지, 디바이스 종류, 의료진단 측정 수치 및 의료진단 최종 수치와 함께 묶음 데이터셋으로 저장할 수 있다.
예를 들면, 묶음 데이터셋은 의료진단 이미지가 촬영된 연/월/일/시의 촬영 시점과 촬영 시점에서 사용자 단말 디바이스(100)의 GPS 위치, 의료진단 디바이스의 제조번호 또는 상품명 등이 묶음 데이터셋으로서 함께 저장될 수 있다.
위와 같이 원본 이미지와 모델에 의해 식별된 데이터들이 하나의 묶음 데이터셋으로 관리될 수 있으므로, 추후 이를 통한 데이터 오인식 여부의 추가 검증이 이루어질 수 있어 데이터 신뢰성이 향상될 수 있고, 누적 데이터셋이 진료용 데이터로 활용될 수 있다. 특히, 시스템(10)에서는 디바이스 종류 데이터 및 의료진단 측정 수치가 별도로 도출될 수 있으므로, 오인식 여부의 검증이 보다 효과적으로 수행될 수 있다.
오인식 여부의 추가 검증과 관련하여, 사용자 및 사용자의 관련 의료진은 묶음 데이터셋에 대한 읽기 권한을 가질 수 있고, 사용자 또는 의료진에 의해 묶음 데이터셋에 대한 오인식이 보고되는 경우, 프로세서(220)는 오인식을 학습 데이터로 하는 지도 학습(Supervised Learning)을 수행하여 CNN 기반의 의료진단 디바이스 분류 모델을 업데이트할 수 있다.
전술한 바와 같이, 원본 이미지와 식별된 데이터들이 묶음 데이터셋으로 저장되어 있는 경우, 읽기 권한이 부여된 사용자 또는 의료진이 이를 추가로 검토하여 오인식을 찾아내는 것이 용이해질 수 있다. 그와 같은 오인식이 사용자 단말 디바이스(100) 등을 통해 홈케어 의료진단 서버(200)에 보고되는 경우, 오인식을 바로잡음과 동시에 유사한 오인식을 방지할 수 있도록, CNN 기반의 의료진단 디바이스 분류 모델이 보고된 오인식 데이터를 지도 데이터로 하여 업데이트될 수 있다. 이와 같은 오인식 보고 및 업데이트 과정을 거치면서 홈케어 의료진단의 성능이 더욱 향상될 수 있고, 이를 활용한 사용자 질환의 진료가 보다 원활하게 수행될 수 있다.
도 4는 일부 실시예에 따른 의료진단 이미지에 대한 이미지 전처리가 수행되는 과정을 설명하기 위한 도면이다.
도 4를 참조하면, 이미지 전처리가 수행되기 이전의 의료진단 이미지(410) 및 이미지 전처리가 수행된 이후의 영역 분리 이미지(420)가 도시되어 있다.
이미지 전처리와 관련하여, 이미지 전처리는 의료진단 이미지(410)에 대한 이미지 리사이징 처리, 흑백화 처리, 노이즈 제거 처리 및 7-세그먼트 계기판 영역 분리 처리를 포함할 수 있다.
위와 같은 처리 과정들을 통해 의료진단 이미지(410)가 CNN 기반의 의료진단 디바이스 분류 모델 및 세그먼트 카운트 알고리즘을 적용하기에 보다 용이한 형태인 영역 분리 이미지(420)로 변환될 수 있다.
한편, 노이즈 제거 처리 및 7-세그먼트 계기판 영역 분리 처리와 관련하여, 노이즈 제거 처리는 가우시안 분포를 갖는 정규 분포로 블러링하는 가우시간 블러링(Gaussian Blurring) 기법으로 수행될 수 있고, 7-세그먼트 계기판 영역 분리 처리는 의료진단 이미지(310)의 경도값(gradient)에 기초하여 영역 경계를 인식하고 경도값을 임계값과 비교하여 영역 경계를 분리하는 캐니 에지 디텍션(Canny Edge Detection) 기법으로 수행될 수 있다.
가우시안 분포는 평균 근처에 다수가 몰려 있고 평균에서 멀어질수록 그 개수가 적어지는 분포를 의미하므로, 가우시간 블러링 기법은 대상 픽셀에 가까울수록 많은 영향을, 멀수록 적은 영향을 주게 되어, 원본 이미지를 유지하면서도 노이즈 제거 효과를 가질 수 있다.
또한, 캐니 에지 디텍션에 의하면, 노이즈 제거 단계 이후에 의료진단 이미지(410)에서 경도값이 높은 부분을 찾은 이후, 최대값을 제외한 픽셀을 0으로 처리하는 과정 및 임계값을 활용하여 확실한 경계를 추출하는 과정을 거쳐, 영역 경계가 분리되어 있는 영역 분리 이미지(420)가 생성될 수 있다.
도 5는 일부 실시예에 따른 CNN 기반의 의료진단 디바이스 분류 모델의 분류 과정 및 신경망 구조를 설명하기 위한 도면이다.
도 5를 참조하면, CNN 기반의 의료진단 디바이스 분류 모델의 분류 과정(510) 및 신경망 구조(520)가 도시되어 있다. 분류 과정(510)에서와 같이, CNN 기반의 의료진단 디바이스 분류 모델은 피쳐 학습(feature learning) 과정 및 FC 분류(fully connected classification) 과정을 거쳐 의료진단 이미지가 혈당계임을 식별할 수 있다.
한편, 신경망 구조(520)와 관련하여, CNN 기반의 의료진단 디바이스 분류 모델은 영역 분리 이미지로부터 피쳐들을 추출하기 위한 컨볼루션 레이어(convolution layer), 샘플링을 통해 피쳐들의 데이터 크기를 줄이기 위한 풀링 레이어(pooling layer) 및 피쳐들에 기초하여 디바이스 종류 데이터를 생성하기 위한 FC 레이어(fully connected layer)를 포함할 수 있다.
분류 과정(510)의 피쳐 학습 과정은, 이미지로부터 특징을 추출하는 컨볼루션 레이어와 풀링 레이어가 여려 겹 쌓여 있는 형태에 의해 수행될 수 있다. 컨볼루션 레이어의 컨볼루션 연산 방식은 필터(filter), 패딩(padding) 및 스트라이드(stride)를 이용하여 이미지 처리를 위한 가중치 개수와 연산량을 감소시킬 수 있다. 풀링 레이어는 컨볼루션 레이어 다음에 위치하여, 샘플링을 통해 데이터 사이즈를 감소시키는 풀링 기법을 이용할 수 있다.
분류 과정(510)의 FC 분류 과정에서는, 입력된 의료진단 디바이스 이미지의 클래스를 분류하는 작업이 수행될 수 있다. FC 레이어에서는 Affine, ReLU 및 Softmax와 같은 레이어들을 통한 분류(clarissification)가 수행될 수 있다. 즉, 입력 이미지가 어떤 종류의 진단기기에 속할 확률이 가장 높은지를 판별하여 디바이스 종류가 식별될 수 있다.
도 6은 일부 실시예에 따른 CNN 기반의 의료진단 디바이스 분류 모델을 학습시키기 위한 k-폴딩 모델을 설명하기 위한 도면이다.
도 6을 참조하면, k-폴딩 모델(610)에서는 학습용으로 준비되는 전체 데이터가 학습용 데이터(Training data) 및 검증용 데이터(Test data)로 분리될 수 있고, 그 예시로서 5-폴딩 모델(620)에서는 학습용 데이터와 검증용 데이터가 4:1의 비중으로 분할될 수 있다.
k-폴딩 모델(610), 및 k가 5인 경우의 5-폴딩 모델(620)과 관련하여, CNN 기반의 의료진단 디바이스 분류 모델은 데이터셋을 k개로 분할하여 k-1개의 학습용 데이터 및 1개의 검증용 데이터에 기초하는 1회의 학습·검증 과정을 서로 다른 검증용 데이터에 대해 k회 반복하는 k-폴딩 모델을 통해 학습될 수 있고, k는 5일 수 있다.
5-폴딩 모델(620)에서는, 전체 데이터를 5분할한 이후, 5개의 폴드들(Fold 1 내지 Fold 5) 각각을 검증용 데이터로 하는 5회의 학습·검증 과정(Split 1 내지 Split 5)이 반복될 수 있고, 이후 최종 평가 데이터를 통한 테스트가 수행될 수 있다. 이와 같은 교차 검층 모델에 의하면, 동일한 학습용 데이터셋에 대하여 CNN 기반의 의료진단 디바이스 분류 모델이 보다 높은 식별 성능을 갖도록 학습될 수 있다.
도 7은 일부 실시예에 따른 세그먼트 카운트 알고리즘을 통해 의료진단 측정 수치를 도출하는 방식을 설명하기 위한 도면이다.
도 7을 참조하면, 영역 분리 이미지로부터 의료진단 측정 수치를 식별하기 위해 각 영역을 순회하는 디스플레이가 개별 숫자와 겹치는지를 카운트하는 세그먼트 카운트 알고리즘(700)이 도시되어 있다.
구체적으로, 세그먼트 카운트 알고리즘(700)은 영역 분리 이미지에서 의료진단 측정 수치를 표시하는 계기판 영역을 추출하는 과정, 계기판 영역에 대한 수평화 처리를 수행하는 과정, 윤곽 검출 기법을 통해 수평화 처리된 계기판 영역으로부터 7개의 관심 영역(ROI, Region of Interest)들을 정의하는 과정 및 7개의 관심 영역들 각각에 7-세그먼트 획이 존재하는지 여부를 카운트하는 과정을 거쳐, 의료진단 측정 수치를 결정할 수 있다.
계기판 영역을 추출하는 과정에서는 도 4에서와 같이 이미지에서 수치가 존재하는 영역이 식별될 수 있다. 이후, 수평화 처리에 의해 계기판 영역에서 기울어져 있거나 뒤집혀 있는 부분이 수평화될 수 있다. 수평화된 계기판 영역에 대해 윤곽(countour) 검출 기법을 통해 7-세그먼트 방식의 0부터 6까지의 관심 영역들이 정의될 수 있다. 이후 7개의 영역들을 순회하는 디스플레이와 겹치는 영역들을 카운트하는 방식으로, 어떤 획들이 존재하는지가 판정되어, 의료진단 측정 수치가 식별될 수 있다.
도 8은 일부 실시예에 따른 홈케어 의료진단 방법을 구성하는 단계들을 설명하기 위한 도면이다.
도 8을 참조하면, 홈케어 의료진단 방법(800)은 단계(810) 내지 단계(850)를 포함할 수 있다. 다만 이에 제한되는 것은 아니고, 다른 범용적인 단계들이 방법(800)에 더 포함될 수도 있다.
도 8의 방법(800)은, 도 1 내지 도 7을 통해 전술한 홈케어 의료진단 서버(200)에서 시계열적으로 처리되는 단계들로 구성될 수 있다. 따라서, 이하에서 생략되는 내용이라 할지라도 이상에서 홈케어 의료진단 서버(200)에 대해 설명되는 내용은 방법(800)에 대해서도 동일하게 적용될 수 있다.
홈케어 의료진단 방법(800)은 메모리(210)에 저장되는 명령어들을 수행하는 프로세서(220)에 의해 수행될 수 있다.
단계(810)에서, 홈케어 의료진단 서버(200)는, 사용자에 대해 측정되는 특정한 종류의 의료진단 상태를 표시하는 의료진단 디바이스의 측정 결과를 촬영한 의료진단 이미지에 대한 이미지 전처리를 수행하여 영역 분리 이미지를 생성할 수 있다.
이미지 전처리는 의료진단 이미지에 대한 이미지 리사이징 처리, 흑백화 처리, 노이즈 제거 처리 및 7-세그먼트 계기판 영역 분리 처리를 포함할 수 있다.
노이즈 제거 처리는 가우시안 분포를 갖는 정규 분포로 블러링하는 가우시간 블러링(Gaussian Blurring) 기법으로 수행될 수 있고, 7-세그먼트 계기판 영역 분리 처리는 의료진단 이미지의 경도값(gradient)에 기초하여 영역 경계를 인식하고 경도값을 임계값과 비교하여 영역 경계를 분리하는 캐니 에지 디텍션(Canny Edge Detection) 기법으로 수행될 수 있다.
단계(820)에서, 홈케어 의료진단 서버(200)는, CNN 기반의 의료진단 디바이스 분류 모델에 기초하여 영역 분리 이미지로부터 의료진단 디바이스에 의해 측정되는 의료진단 상태의 종류를 식별하여 디바이스 종류를 결정할 수 있다.
CNN 기반의 의료진단 디바이스 분류 모델은 영역 분리 이미지로부터 피쳐들을 추출하기 위한 컨볼루션 레이어, 샘플링을 통해 피쳐들의 데이터 크기를 줄이기 위한 풀링 레이어 및 피쳐들에 기초하여 디바이스 종류 데이터를 생성하기 위한 FC(Fully Connected) 레이어를 포함할 수 있다.
CNN 기반의 의료진단 디바이스 분류 모델은 데이터셋을 k개로 분할하여 k-1개의 학습용 데이터 및 1개의 검증용 데이터에 기초하는 1회의 학습·검증 과정을 서로 다른 검증용 데이터에 대해 k회 반복하는 k-폴딩 모델을 통해 학습될 수 있고, k는 5일 수 있다.
단계(830)에서, 홈케어 의료진단 서버(200)는, 측정 결과를 식별하여 의료진단 측정 수치를 결정할 수 있다.
의료진단 디바이스는 특정한 종류의 의료진단 상태를 7-세그먼트 방식으로 측정 결과를 표시할 수 있고, 프로세서는 세그먼트 카운트 알고리즘을 활용하여 7-세그먼트 방식으로 표시되는 측정 결과를 식별함으로써 의료진단 측정 수치를 결정할 수 있다.
세그먼트 카운트 알고리즘은 영역 분리 이미지에서 의료진단 측정 수치를 표시하는 계기판 영역을 추출하는 과정, 계기판 영역에 대한 수평화 처리를 수행하는 과정, 윤곽 검출 기법을 통해 수평화 처리된 계기판 영역으로부터 7개의 관심 영역(ROI, Region of Interest)들을 정의하는 과정 및 7개의 관심 영역들 각각에 7-세그먼트 획이 존재하는지 여부를 카운트하는 과정을 거쳐 의료진단 측정 수치를 결정할 수 있다.
단계(840)에서, 홈케어 의료진단 서버(200)는, 디바이스 종류 및 의료진단 측정 수치에 기초하여 의료진단 상태의 종류 및 측정 결과에 대한 오인식 여부를 검증함으로써 의료진단 최종 수치를 결정할 수 있다.
단계(850)에서, 홈케어 의료진단 서버(200)는, 의료진단 이미지, 디바이스 종류 데이터, 의료진단 측정 수치 및 의료진단 최종 수치를 저장할 수 있다.
프로세서는 의료진단 이미지가 촬영된 시점과 위치, 및 디바이스 종류에 따른 디바이스 모델명을 의료진단 이미지, 디바이스 종류 데이터, 의료진단 측정 수치 및 의료진단 최종 수치와 함께 묶음 데이터셋으로 저장할 수 있다.
사용자 및 사용자의 관련 의료진은 묶음 데이터셋에 대한 읽기 권한을 가질 수 있고, 사용자 또는 의료진에 의해 묶음 데이터셋에 관한 오인식이 보고되는 경우, 프로세서는 오인식을 학습 데이터로 하는 지도 학습(Supervised Learning)을 수행하여 CNN 기반의 의료진단 디바이스 분류 모델을 업데이트할 수 있다.
특정한 종류의 의료진단 상태는 사용자의 혈당 상태, 혈압 상태 및 체온 상태 중 어느 하나일 수 있고, 의료진단 디바이스는 혈당계, 혈압계 및 체온계 중 어느 하나일 수 있다.
한편, 홈케어 의료진단 방법(800)은, 그 방법을 실행하는 명령어들을 포함하는 적어도 하나의 프로그램 또는 소프트웨어가 기록되는 컴퓨터로 판독 가능한 기록 매체에 기록될 수 있다.
컴퓨터로 판독 가능한 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 포함될 수 있다. 프로그램 명령어의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드가 포함될 수 있다.
이상에서 본 발명의 실시예들이 상세하게 설명되었으나 본 발명에 따른 권리범위가 이에 한정되는 것은 아니고, 다음의 청구범위에 기재되어 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명에 따른 권리범위에 포함되는 것으로 해석되어야 한다.
10: 홈케어 의료진단 데이터 관리 시스템
100: 사용자 단말 디바이스
200: 홈케어 의료진단 서버
300: 데이터베이스
100: 사용자 단말 디바이스
200: 홈케어 의료진단 서버
300: 데이터베이스
Claims (5)
- 홈케어 의료진단 시스템에 있어서,
명령어들을 저장하는 메모리; 및
상기 명령어들을 실행함으로써:
사용자에 대해 측정되는 특정한 종류의 의료진단 상태를 표시하는 의료진단 디바이스의 측정 결과를 촬영한 의료진단 이미지에 대한 이미지 전처리를 수행하여 영역 분리 이미지를 생성하고,
CNN 기반의 의료진단 디바이스 분류 모델에 기초하여 상기 영역 분리 이미지로부터 상기 의료진단 디바이스에 의해 측정되는 의료진단 상태의 종류를 식별하여 디바이스 종류를 결정하고,
상기 측정 결과를 식별하여 의료진단 측정 수치를 결정하고,
상기 디바이스 종류 및 상기 의료진단 측정 수치에 기초하여 상기 의료진단 상태의 종류 및 상기 측정 결과에 대한 오인식 여부를 검증함으로써 의료진단 최종 수치를 결정하고,
상기 의료진단 이미지, 상기 디바이스 종류 데이터, 상기 의료진단 측정 수치 및 상기 의료진단 최종 수치를 저장하도록 구성되는 프로세서;를 포함하고,
상기 프로세서는,
CNN을 이용하여 인식된 제1 측정 수치 및 상기 의료진단 디바이스의 7-세그먼트 표시부에 대한 세그먼트 카운트 알고리즘으로 인식된 제2 측정 수치를 비교하고, 상기 비교 결과에 상기 디바이스 종류를 추가로 더 고려하여 상기 오인식 여부를 검증하는, 홈케어 의료진단 시스템. - 제 1 항에 있어서,
상기 이미지 전처리는 상기 의료진단 이미지에 대한 이미지 리사이징 처리, 흑백화 처리, 노이즈 제거 처리 및 7-세그먼트 계기판 영역 분리 처리를 포함하는, 홈케어 의료진단 시스템. - 제 2 항에 있어서,
상기 노이즈 제거 처리는 가우시안 분포를 갖는 정규 분포로 블러링하는 가우시간 블러링(Gaussian Blurring) 기법으로 수행되고,
상기 7-세그먼트 계기판 영역 분리 처리는 상기 의료진단 이미지의 경도값(gradient)에 기초하여 영역 경계를 인식하고 상기 경도값을 임계값과 비교하여 상기 영역 경계를 분리하는 캐니 에지 디텍션(Canny Edge Detection) 기법으로 수행되는, 홈케어 의료진단 시스템. - 제 1 항에 있어서,
상기 CNN 기반의 의료진단 디바이스 분류 모델은 상기 영역 분리 이미지로부터 피쳐들을 추출하기 위한 컨볼루션 레이어, 샘플링을 통해 상기 피쳐들의 데이터 크기를 줄이기 위한 풀링 레이어 및 상기 피쳐들에 기초하여 상기 디바이스 종류 데이터를 생성하기 위한 FC(Fully Connected) 레이어를 포함하는, 홈케어 의료진단 시스템. - 제 1 항에 있어서,
상기 CNN 기반의 의료진단 디바이스 분류 모델은 데이터셋을 k개로 분할하여 k-1개의 학습용 데이터 및 1개의 검증용 데이터에 기초하는 1회의 학습·검증 과정을 서로 다른 검증용 데이터에 대해 k회 반복하는 k-폴딩 모델을 통해 학습되고, k는 5인, 홈케어 의료진단 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210101218A KR102405960B1 (ko) | 2021-08-02 | 2021-08-02 | 홈케어 의료진단 서버 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210101218A KR102405960B1 (ko) | 2021-08-02 | 2021-08-02 | 홈케어 의료진단 서버 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102405960B1 true KR102405960B1 (ko) | 2022-06-08 |
Family
ID=81982007
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210101218A KR102405960B1 (ko) | 2021-08-02 | 2021-08-02 | 홈케어 의료진단 서버 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102405960B1 (ko) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140119324A (ko) | 2013-03-28 | 2014-10-10 | 인텔렉추얼디스커버리 주식회사 | 의료 정보 모니터링 시스템 및 방법 |
| JP2018109802A (ja) * | 2016-12-28 | 2018-07-12 | オムロンヘルスケア株式会社 | 端末装置 |
| KR20200002332A (ko) * | 2018-06-29 | 2020-01-08 | 고려대학교 산학협력단 | 딥 러닝을 이용하여 이미지를 검색하는 단말 장치 및 방법 |
| KR102161949B1 (ko) * | 2020-06-29 | 2020-10-06 | 이홍기 | 신경망을 이용한 차량 번호판 인식 기술이 적용된 통합 주차 관리 방법 및 시스템 |
| US20210012102A1 (en) * | 2019-07-08 | 2021-01-14 | UiPath SRL | Systems and Methods For Automatic Data Extraction From Document Images |
-
2021
- 2021-08-02 KR KR1020210101218A patent/KR102405960B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140119324A (ko) | 2013-03-28 | 2014-10-10 | 인텔렉추얼디스커버리 주식회사 | 의료 정보 모니터링 시스템 및 방법 |
| JP2018109802A (ja) * | 2016-12-28 | 2018-07-12 | オムロンヘルスケア株式会社 | 端末装置 |
| KR20200002332A (ko) * | 2018-06-29 | 2020-01-08 | 고려대학교 산학협력단 | 딥 러닝을 이용하여 이미지를 검색하는 단말 장치 및 방법 |
| US20210012102A1 (en) * | 2019-07-08 | 2021-01-14 | UiPath SRL | Systems and Methods For Automatic Data Extraction From Document Images |
| KR102161949B1 (ko) * | 2020-06-29 | 2020-10-06 | 이홍기 | 신경망을 이용한 차량 번호판 인식 기술이 적용된 통합 주차 관리 방법 및 시스템 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11669965B2 (en) | AI-based label generating system and methods for use therewith | |
| US11631175B2 (en) | AI-based heat map generating system and methods for use therewith | |
| US20220383495A1 (en) | Systems and methods for probablistic segmentation in anatomical image processing | |
| US10482603B1 (en) | Medical image segmentation using an integrated edge guidance module and object segmentation network | |
| US11259718B1 (en) | Systems and methods for automated body mass index calculation to determine value | |
| US11638522B2 (en) | Automated determination of arteriovenous ratio in images of blood vessels | |
| KR102318959B1 (ko) | 의료 영상을 해석하는 인공지능 모델을 이용한 폐암 발병 가능성 예측 방법 및 의료 영상 분석 장치 | |
| US10748217B1 (en) | Systems and methods for automated body mass index calculation | |
| US11430564B2 (en) | Personalized patient positioning, verification and treatment | |
| US20070140531A1 (en) | standoff iris recognition system | |
| WO2016069463A2 (en) | A system and method for the analysis and transmission of data, images and video relating to mammalian skin damage conditions | |
| KR102045223B1 (ko) | 골 연령 분석 방법, 장치 및 컴퓨터 프로그램 | |
| EP3895600A1 (en) | Method for measuring volume of organ by using artificial neural network, and apparatus therefor | |
| CN112926537B (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
| CN113781488A (zh) | 舌象图像的分割方法、装置及介质 | |
| KR20210158682A (ko) | 병변 판독 결과 표시 방법 | |
| WO2024074921A1 (en) | Distinguishing a disease state from a non-disease state in an image | |
| CN108875549A (zh) | 图像识别方法、装置、系统及计算机存储介质 | |
| KR102405960B1 (ko) | 홈케어 의료진단 서버 및 방법 | |
| CN111612749B (zh) | 基于肺部影像的病灶检测方法和装置 | |
| CN110929877B (zh) | 基于迁移学习的模型建立方法、装置、设备及存储介质 | |
| US11430236B1 (en) | Computer-implemented segmented numeral character recognition and reader | |
| JP2023510667A (ja) | キャラクタ取得、ページ処理と知識グラフ構築方法及び装置、媒体 | |
| CN113436027B (zh) | 医保报销异常数据检测方法及系统 | |
| KR102650919B1 (ko) | 패치 단위 대조 학습 모델을 이용한 의료 영상 분석 방법 및 분석 장치 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |