KR102414713B1 - 태아 모니터링 데이터로부터 태아 상태를 판단하기 위한 장치 - Google Patents

태아 모니터링 데이터로부터 태아 상태를 판단하기 위한 장치 Download PDF

Info

Publication number
KR102414713B1
KR102414713B1 KR1020210167198A KR20210167198A KR102414713B1 KR 102414713 B1 KR102414713 B1 KR 102414713B1 KR 1020210167198 A KR1020210167198 A KR 1020210167198A KR 20210167198 A KR20210167198 A KR 20210167198A KR 102414713 B1 KR102414713 B1 KR 102414713B1
Authority
KR
South Korea
Prior art keywords
fetal
data
monitoring data
computing device
fetus
Prior art date
Application number
KR1020210167198A
Other languages
English (en)
Inventor
김미란
장혜진
윤덕용
이상래
김주희
윤석영
이수비
최병진
박태준
Original Assignee
주식회사 코스모스웨일
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 코스모스웨일 filed Critical 주식회사 코스모스웨일
Priority to KR1020210167198A priority Critical patent/KR102414713B1/ko
Application granted granted Critical
Publication of KR102414713B1 publication Critical patent/KR102414713B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/43—Detecting, measuring or recording for evaluating the reproductive systems
    • A61B5/4306—Detecting, measuring or recording for evaluating the reproductive systems for evaluating the female reproductive systems, e.g. gynaecological evaluations
    • A61B5/4343—Pregnancy and labour monitoring, e.g. for labour onset detection
    • A61B5/4362—Assessing foetal parameters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02411—Detecting, measuring or recording pulse rate or heart rate of foetuses
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/43—Detecting, measuring or recording for evaluating the reproductive systems
    • A61B5/4306—Detecting, measuring or recording for evaluating the reproductive systems for evaluating the female reproductive systems, e.g. gynaecological evaluations
    • A61B5/4343—Pregnancy and labour monitoring, e.g. for labour onset detection
    • A61B5/4356—Assessing uterine contractions
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • 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
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/02—Foetus

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Gynecology & Obstetrics (AREA)
  • Signal Processing (AREA)
  • Pregnancy & Childbirth (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Reproductive Health (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Cardiology (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Pediatric Medicine (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

태아 모니터링 데이터로부터 태아 상태를 판단하기 위한 컴퓨팅 장치가 개시된다. 상기 컴퓨팅 장치는, 프로세서(processor); 및 태아 상태 판단 모델을 저장하는 메모리(memory);를 포함한다. 상기 프로세서는 상기 메모리에 저장된 태아 상태 판단 모델을 실행함에 따라, 상기 태아 모니터링 데이터를 입력 받고, 복수의 필터들을 랜덤하게 생성하고, 상기 태아 모니터링 데이터에 생성된 복수의 필터를 적용하여 특징 데이터를 생성하고, 분류 알고리즘에 따라, 상기 특징 데이터를 이용하여 태아의 상태를 나타내는 태아 상태 정보를 생성할 수 있다.

Description

태아 모니터링 데이터로부터 태아 상태를 판단하기 위한 장치{DEVICE FOR DETERMINING FETAL STATUS FROM FETAL MONITORING DATA}
본 발명의 실시 예들은 태아 모니터링 데이터로부터 태아 상태를 판단하기 위한 장치에 관한 것이다.
태아는 약 40주 동안 엄마의 자궁 속에서 성장한다. 건강한 출산을 위해서는 임신 중 태아의 상태를 지속적으로 확인하는 것이 필요하다. 태아의 경우, 성인과 달리 침습적인(invasive) 직접적인 방법 보다는, 여러가지 지표들을 통한 간접적인 방법을 통해 상태를 확인한다. 대표적인 간접적 방법으로, 자궁 내 태아의 심박수 또는 임산부의 자궁 수축을 통해 태아의 상태를 판단하는 방법이 있다. 이러한 간접적인 지표들을 통해 태아의 상태, 및 출산 후 신생아의 상태를 파악할 수 있고, 출산의 위험 정도를 미리 판단할 수 있다.
한편, 이러한 간접적인 지표들로부터 태아의 상태를 알기 위해서는, 산부인과 전문의 등 전문가의 판독이 필요한 한계가 있다.
공개특허공보 제10-2019-0142618호(2019.12.27.) 공개특허공보 제10-2018-0107869호(2018.10.04.) 공개특허공보 제10-2021-0056437호(2021.05.18.)
본 발명이 해결하고자 하는 과제는, 태아 모니터링 데이터로부터 태아 상태를 판단하기 위한 장치를 제공하는 것에 있다.
상기 목적을 달성하기 위한 본 발명의 일 측면은, 태아 모니터링 데이터로부터 태아 상태를 판단하기 위한 컴퓨팅 장치를 제공한다.
상기 컴퓨팅 장치는, 프로세서(processor); 및 태아 상태 판단 모델을 저장하는 메모리(memory);를 포함한다.
상기 프로세서는 상기 메모리에 저장된 태아 상태 판단 모델을 실행함에 따라, 상기 태아 모니터링 데이터를 입력 받고, 복수의 필터들을 랜덤하게 생성하고, 상기 태아 모니터링 데이터에 생성된 복수의 필터를 적용하여 특징 데이터를 생성하고, 분류 알고리즘에 따라, 상기 특징 데이터를 이용하여 태아의 상태를 나타내는 태아 상태 정보를 생성할 수 있다.
상기 태아 모니터링 데이터는 태아의 심박수(Fetal Heart Rate) 및 자궁 수축(Uterine Contraction) 중 적어도 하나와 관련된 데이터를 포함한다.
상기 프로세서는, 합성곱 신경망(convolution neural network (CNN))에서 사용되는 커널(kernel)에 대응하는 복수의 필터를 생성한다.
상기 프로세서는, 상기 필터를 구성하는 엘리먼트 사이의 간격을 나타내는 딜레이션, 상기 필터의 크기, 상기 필터에 의한 합성곱 시 입력 데이터에 추가되는 엘리먼트의 수를 나타내는 패딩, 상기 필터에 의한 합성곱 시 상기 필터의 각 엘리먼트에 곱해지는 가중치 및 상기 필터에 의한 합성곱 시 상기 필터의 각 엘리먼트에 더해지는 편차 중 적어도 하나를 조절함으로써, 상기 복수의 필터들을 생성한다.
상기 프로세서는, 상기 태아 모니터링 데이터와 상기 복수의 필터 각각 사이의 합성 곱을 계산하고, 상기 합성 곱으로부터 최대 풀링 값 및 양성 예측치를 상기 특징 데이터로서 생성한다.
상기 프로세서는, 상기 분류 알고리즘에 따라, 상기 특징 데이터로부터 태아가 비정상일 확률을 계산하고, 계산된 확률에 기초하여 상기 태아 상태 정보를 생성한다.
상기 분류 알고리즘은, LGBM(light gradient boosting machine)일 수 있다.
상기 컴퓨팅 장치는, 전문가에 의해 판독된 태아 모니터링 데이터를 이용하여 상기 분류 알고리즘을 학습 및 평가하고, 전문가에 의해 판독되지 않은 태아 모니터링 데이터를 이용하여 상기 분류 알고리즘을 검증한다.
상기 컴퓨팅 장치는, 학습된 분류 알고리즘에 따라 태아 모니터링 데이터로부터 계산된 태아가 비정상일 확률 및 상기 태아 모니터링 데이터에 대응하는 병리학적 데이터를 이용하여, 상기 분류 알고리즘을 검증한다.
상기 병리학적 데이터는 산모와 관련된 정보를 포함하는 산모 정보 및 출산된 신생아의 상태를 나타내는 신생아 상태 정보를 포함한다.
상기 컴퓨팅 장치는, 상기 계산된 태아가 비정상일 확률과 상기 산모 정보를 독립 변수로 하고, 상기 신생아 상태 정보를 종속 변수로 하는 회귀 분석을 수행함으로써, 상기 분류 알고리즘을 검증한다.
본 발명의 실시 예들에 따르면 태아 모니터링 데이터로부터 태아 상태를 판단할 수 있다. 이에 따라, 전문가의 판독 없이도, 높은 정확도로 태아 모니터링 데이터로부터 태아의 상태를 판단할 수 있다.
도 1은 본 발명의 실시 예들에 따른 태아 상태 판단 시스템을 나타낸다.
도 2는 본 발명의 실시 예들에 따른 컴퓨팅 장치를 나타낸다.
도 3은 본 발명의 실시 예들에 따른 태아 상태 판단 모델을 설명하기 위한 도면이다.
도 4는 본 발명의 실시 예들에 따른 태아 상태 판단 모델의 동작을 나타내는 플로우 차트이다.
도 5는 본 발명의 실시 예들에 따른 특징 추출 과정을 설명하기 위한 도면이다.
도 6은 본 발명의 실시 예들에 따른 태아 상태 판단 모델을 학습하는 과정을 설명하기 위한 도면이다.
도 7은 본 발명의 실시 예들에 따른 태아 모니터링 데이터를 생성하는 과정을 설명하기 위한 도면이다.
도 8은 본 발명의 실시 예들에 따라 학습된 태아 상태 판단 모델의 검증 방법을 설명하기 위한 도면이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
본 발명의 실시 예들에 따른 머신 러닝(또는 기계 학습)은 연산 처리 기능을 갖는 프로세서와 메모리를 통해 동작될 수 있다. 프로세서는 하나 또는 복수일 수 있다. 상기 프로세서는, CPU(Central Processing Unit), AP(Application Processor), DSP(Digital Signal Processor), GPU(Graphical Processing Unit), ASIC(Application Specified Integrated Circuit), FPGA(Field Programmable Gate Array) 등일 수 있으나 이에 한정되는 것은 아니다.
프로세서는 메모리와 연결될 수 있고, 메모리에 저장된 명령어들에 기초하여 데이터를 처리하도록 제어할 수 있다. 실시 예들에 따라, 프로세서는 메모리에 저장된 머신 러닝 모델을 실행시키고, 실행된 머신 러닝 모델에 따라 데이터를 처리할 수 있다.
프로세서는 머신 러닝 모델을 학습할 수 있다. 본 명세서에서, 머신 러닝 모델을 학습한다 함은, 특정한 머신 러닝 모델에 학습을 위한 데이터를 제공함으로써, 해당 학습 데이터를 도출하기 위한 머신 러닝 모델의 최적의 파라미터를 결정하고, 결정된 파라미터로 머신 러닝 모델을 구성하는 것을 의미한다.
도 1은 본 발명의 실시 예들에 따른 태아 상태 판단 시스템을 나타낸다. 도 1을 참조하면, 태아 상태 판단 시스템은 컴퓨팅 장치(100) 및 데이터베이스(200)를 포함할 수 있다.
컴퓨팅 장치(100)는 데이터베이스(200)에 저장된 데이터를 이용하여 태아 상태 판단 모델(110)을 실행하는 장치일 수 있다. 실시 예들에 따라, 컴퓨팅 장치(100)는 태아 상태 판단 모델(110)을 저장할 수 있다.
본 발명의 실시 예들에 따른 태아 상태 판단 모델(110)은 태아의 상태를 나타내는 태아 모니터링 데이터가 정상인 태아를 나타내는지(즉, 정상인지) 또는 비정상인 태아를 나타내는지(즉, 비정상인지)를 분류할 수 있다. 태아 모니터링 데이터는 태아의 또는 산모의 신체 신호를 모니터링함에 따라 생성된 데이터일 수 있다.
정상은 태아 모니터링 데이터가 나타내는 태아의 상태가 정상임을 의미하고, 비정상은 태아 모니터링 데이터가 나타내는 태아의 상태가 비정상임을 의미한다.
실시 예들에 따라, 비정상은 태아의 심박수가 비활동적(non-reactive)인 경우, 조기 하강(early deceleration)인 경우, 가변성 하강(variable deceleration)인 경우, 후기 하강(late deceleration)인 경우 그리고 지연 하강(prolonged deceleration)인 경우를 의미한다. 정상은 비정상을 제외한 경우, 즉, 태아의 심박수가 활동적(reactive)인 경우를 의미한다.
태아 모니터링 데이터는 임신 중 또는 분만 중인 임산부 내의 태아의 상태를 나타내는 데이터일 수 있다. 실시 예들에 따라, 태아 모니터링 데이터는 태아의 심박수 패턴 및/또는 임산부의 자궁 수축과 관련된 데이터일 수 있다. 예컨대, 태아 모니터링 데이터는 태아 CTG(cardiotography) 데이터일 수 있다. 예컨대, 태아 모니터링 데이터는 태아의 심박수(Fetal Heart Rate) 및 자궁 수축(Uterine Contraction)과 관련된 데이터를 포함할 수 있다.
데이터베이스(200)는 데이터를 저장하는 장치이다. 실시 예들에 따라, 데이터베이스(200)는 컴퓨팅 장치(100) 내에 포함된 휘발성 또는 비휘발성 저장 매체이거나, 또는, 컴퓨팅 장치(100) 외부에 배치된 저장소일 수 있다.
본 발명의 실시 예들에 따른 데이터베이스(200)는 태아 모니터링 데이터를 저장할 수 있다. 실시 예들에 따라, 데이터베이스(200)에 저장된 태아 모니터링 데이터는 컴퓨팅 장치(100)로 전달되어, 태아 상태 판단 모델(110)의 구동, 학습(training), 평가(evaluation) 및 검증(validation)에 사용될 수 있다.
도 2는 본 발명의 실시 예들에 따른 컴퓨팅 장치를 나타낸다. 도 2를 참조하면, 컴퓨팅 장치(100)는 프로세서(120) 및 메모리(130)를 포함할 수 있다.
프로세서(120)는 연산 처리 기능을 가지고, 컴퓨팅 장치(100)의 전반적인 동작을 제어할 수 있다. 실시 예들에 따라, 프로세서(120)는 메모리(130)에 저장된 프로그램(또는 명령어)을 실행하고, 실행 결과에 따라 특정 작업을 수행할 수 있다. 예컨대, 프로세서(120)는 태아 상태 판단 모델(110)의 실행, 학습, 평가 및 검증을 수행할 수 있다.
메모리(130)는 데이터를 저장할 수 있다. 실시 예들에 따라, 메모리(130)는 비휘발성 메모리 및 휘발성 메모리 중 적어도 하나를 포함할 수 있다. 메모리(130)는 컴퓨팅 장치(100) 또는 프로세서(120)의 동작에 필요한 명령어 또는 프로그램을 저장할 수 있다. 예컨대, 메모리(130)는 태아 상태 판단 모델(110)의 실행, 학습, 평가 및 검증을 지시하는 명령어들을 포함할 수 있다.
실시 예들에 따라, 메모리(130)는 태아 상태 판단 모델(110)을 저장할 수 있으나, 본 발명의 실시 예들이 이에 한정되는 것은 아니다.
도 3은 본 발명의 실시 예들에 따른 태아 상태 판단 모델을 설명하기 위한 도면이다. 도 3을 참조하면, 태아 상태 판단 모델(110)은 태아 모니터링 데이터(FMD)를 입력으로 하고, 태아 상태 정보(FSI)를 출력으로 할 수 있다. 실시 예들에 따라, 태아 상태 판단 모델(110)은 태아 모니터링 데이터(FMD)를 기초로, 해당 태아의 상태가 비정상일 확률을 계산할 수 있다.
태아 상태 판단 모델(110)은 컴퓨팅 장치(100)에 저장되고, 컴퓨팅 장치(100)에 의해 실행될 수 있다.
태아 상태 판단 모델(110)은 태아 모니터링 데이터(FMD)를 입력을 수 있다. 실시 예들에 따라,
태아 모니터링 데이터(FMD)는 태아의 상태를 시간에 따라 나타낸 파형(waveform)의 데이터일 수 있다. 예컨대, 태아 모니터링 데이터(FMD)는 시계열 데이터로서, 1차원 배열일 수 있으나, 이에 한정되는 것은 아니며, 2차원 매트릭스일 수도 있다.
태아 상태 판단 모델(110)은 입력된 태아 모니터링 데이터(FMD)로부터 특징을 추출하여 특징 데이터(FTD)을 생성할 수 있다. 실시 예들에 따라, 태아 상태 판단 모델(110)은 태아 모니터링 데이터(FMD)와 주어진 필터(filter)의 합성곱(convolution) 연산으로부터 특징을 추출하고, 특징 데이터(FTD)을 생성할 수 있다.
특징 데이터(FTD)는 태아 모니터링 데이터(FMD)의 특징을 나타내는 데이터로서, 1차원 배열일 수 있으나, 이에 한정되는 것은 아니며, 2차원 매트릭스일 수도 있다.
태아 상태 판단 모델(110)은 특징 데이터(FTD)을 이용하여, 태아 모니터링 데이터(FMD)를 분류할 수 있다. 실시 예들에 따라, 태아 상태 판단 모델(110)은 태아 모니터링 데이터(FMD)를 태아 상태가 정상인 것과 태아 상태가 비정상인 것으로 분류할 수 있는 분류 알고리즘을 포함할 수 있다.
분류 알고리즘은 기계 학습이 가능한 머신 러닝 모델일 수 있다. 실시 예들에 따라, 분류 알고리즘은 그레디언트 부스팅 머신(gradient boosting machine) 기반의 모델일 수 있다. 예컨대, 분류 알고리즘은 LGBM(light gradient boosting machine)일 수 있다.
태아 상태 판단 모델(110)은 기 학습된 분류 알고리즘에 따라, 계산된 특징 데이터(FTD)로부터 태아 모니터링 데이터(FMD)에 대응하는 태아 상태 정보(FSI)를 생성하고, 이를 통해 태아 모니터링 데이터(FMD)를 분류할 수 있다. 예컨대, 태아 상태 판단 모델(110)은 태아 모니터링 데이터(FMD)의 특징 데이터(FTD)에 해당하는 비정상 확률을 출력할 수 있다.
한편, 태아 모니터링 데이터(FMD)는 태아의 심박수(Fetal Heart Rate) 데이터일 수 있다. 이 경우, 태아 모니터링 데이터(FMD)는 단일 채널 파형(1-channel waveform) 데이터가 된다. 또한, 실시 예들에 따라, 태아 모니터링 데이터(FMD)는 태아의 심박수 및 자궁 수축(Uterine Contraction) 데이터일 수 있다. 이 경우, 태아 모니터링 데이터(FMD)는 2채널 파형(2-channel waveform) 데이터가 된다.
도 4는 본 발명의 실시 예들에 따른 태아 상태 판단 모델의 동작을 나타내는 플로우 차트이다. 도 4를 참조하여 설명되는 방법은 컴퓨팅 장치(100)에 의해 수행될 수 있다. 실시 예들에 따라, 상기 방법은 컴퓨팅 장치에 의해 판독 가능한 저장 매체에 저장된 프로그램의 형태로 구현될 수 있고, 프로세서(120)는 해당 프로그램을 실행함으로써 상기 방법을 수행할 수 있다.
도 4를 참조하면, 컴퓨팅 장치(100)는 복수의 필터들을 생성할 수 있다(S110). 실시 예들에 따라, 필터는 데이터로부터 데이터를 나타내는 특징(feature)을 추출하기 위해 사용되는 정보일 수 있다. 예컨대, 본 명세서에서 설명되는 필터는 합성곱 신경망(convolution neural network (CNN))에서 사용되는 커널(kernel)에 대응할 수 있다.
실시 예들에 따라, 필터는 1차원 배열(array) 또는 2차원 매트릭스(matrix)일 수 있다.
컴퓨팅 장치(100)는 필터를 정의하는 복수의 속성들을 임의로(randomly) 결정함으로써, 복수의 필터들을 임의로 생성할 수 있다. 예컨대, 컴퓨팅 장치(100)는 10,000개 이상의 필터를 임의로 생성할 수 있다.
컴퓨팅 장치(100)는 태아 모니터링 데이터에 복수의 필터를 적용하여 특징 데이터를 생성할 수 있다(S120). 실시 예들에 따라, 컴퓨팅 장치(100)는 태아 모니터링 데이터(FMD) 와 생성된 필터와의 합성곱을 계산하고, 계산 결과에 따라 특징 데이터(FTD)를 생성할 수 있다. 예컨대, 컴퓨팅 장치(100)는 태아 모니터링 데이터(FMD)로부터 최대 풀링 값 및 양성 예측치를 특징 데이터(FTD)로서 생성할 수 있다.
컴퓨팅 장치(100)는 생성된 특징 데이터를 이용하여 태아 모니터링 데이터를 분류할 수 있다(S130). 실시 예들에 따라, 컴퓨팅 장치(100)는 태아 모니터링 데이터(FMD)에 대응하는 특징 데이터(FTD)로부터 태아 모니터링 데이터(FMD)에 대응하는 태아의 상태를 나타내는 태아 상태 정보(FSI)를 생성하고, 생성된 태아 상태 정보(FSI)에 기초하여 태아 모니터링 데이터(FMD)를 분류할 수 있다.
예컨대, 컴퓨팅 장치(100)는 특징 데이터(FTD)로부터 태아가 비정상일 확률을 계산하고, 계산된 확률에 따라 태아 모니터링 데이터(FMD)가 정상인 태아를 나타내는지, 또는 비정상인 태아를 나타내는지 분류할 수 있다.
도 5는 본 발명의 실시 예들에 따른 특징 추출 과정을 설명하기 위한 도면이다. 도 5를 참조하면, 컴퓨팅 장치(100)는 태아 모니터링 데이터(FMD)를 입력받을 수 있다.
컴퓨팅 장치(100)는 복수의 필터들(FIL1~FILn; n은 자연수)을 생성할 수 있다. 실시 예들에 따라, 필터들(FIL1~FILn) 각각은 합성곱 신경망(convolution neural network (CNN))에서 사용되는 커널(kernel)에 대응할 수 있고, 이후, 태아 모니터링 데이터(FMD)와의 합성곱을 통해 특징 맵을 생성할 수 있다.
실시 예들에 따라, 컴퓨팅 장치(100)는 복수의 필터들(FIL1~FILn) 각각의 속성을 설정함으로써, 복수의 필터들(FIL1~FILn)을 임의로 생성할 수 있다. 복수의 필터들(FIL1~FILn) 각각의 속성은 딜레이션(dilation), 길이, 패딩(padding), 가중치 및 편차를 포함한다.
딜레이션은 필터를 구성하는 엘리먼트(예컨대, 배열의 요소 또는 매트릭스의 성분)사이의 간격을 나타낸다.
길이는 필터의 길이, 또는 크기를 나타낸다.
패딩은 합성곱 연산 시, 필터가 적용되는 데이터(즉, 태아 모니터링 데이터)에 추가되는 엘리먼트의 수를 나타낸다.
가중치는 합성곱 연산 시, 필터를 구성하는 각 엘리먼트에 곱해지는(또는 적용되는) 가중치를 나타낸다.
편차는 합성곱 연산 시, 필터를 구성하는 각 엘리먼트에 더해지는(또는 적용되는) 편차를 나타낸다.
컴퓨팅 장치(100)는 복수의 필터들(FIL1~FILn)을 이용하여, 태아 모니터링 데이터(FMD)에 대응하는 특징 맵(feature map)을 생성할 수 있다. 실시 예들에 따라, 컴퓨팅 장치(100)는 복수의 필터들(FIL1~FILn) 각각과 태아 모니터링 데이터(FMD) 각각의 합성곱 연산을 수행함으로써, 특징 맵(feature map)을 생성할 수 있다. 즉, 특징 맵은 합성곱 연산 결과에 대응한다.
컴퓨팅 장치(100)는 특징 맵으로부터 특징 데이터(FTD)를 생성할 수 있다. 특징 데이터(FTD)는 특징 맵을 대표하는 데이터로서, 실시 예들에 따라, 풀링(pooling) 데이터 및 양성 예측치(positive prediction value)를 포함할 수 있다.
풀링 데이터는 해당 합성곱 연산 결과를 대표하는 데이터이다. 실시 예들에 따라, 풀링 데이터는 해당 합성곱 연산 결과 중 최대 값을 나타내는(max pooling) 최대 풀링 값일 수 있다. 예컨대, 합성곱 연산의 결과가 (0, 1, 2, 2, 5, 1, 2)일 때, 풀링 데이터는 5일 수 있다. 다만 본 발명의 실시 예들이 풀링의 방법에 한정되는 것은 아니다.
양성 예측치는 해당 합성곱 연산 결과 중에서 주어진 패턴과 일치하는 결과의 비율을 나타낸다.
특징 데이터(FTD)는 태아 모니터링 데이터(FMD)에 대응하는 태아의 상태가 정상인지 또는 비정상인지 여부를 분류하는데 사용된다.
본 발명의 실시 예들에 따르면, 태아 모니터링 데이터(FMD)의 특징 데이터(FTD)로서 풀링 데이터 뿐만 아니라 양성 예측치를 함께 활용하므로, 태아의 상태의 판단 정확도가 더욱 더 상승하는 효과가 있다.
도 6은 본 발명의 실시 예들에 따른 태아 상태 판단 모델을 학습하는 과정을 설명하기 위한 도면이다. 도 6을 참조하면, 컴퓨팅 장치(100)는 태아 모니터링 데이터(FMD)를 이용하여 태아 상태 판단 모델(110)을 학습할 수 있다. 실시 예들에 따라, 컴퓨팅 장치(100)는 태아 상태 판단 모델(110)에 포함된 분류 알고리즘을 학습시킬 수 있다. 또한, 컴퓨팅 장치(100)는 태아 상태 판단 모델(110)의 평가 및 검증을 수행할 수 있다.
한편, 태아 상태 판단 모델(110)의 학습, 평가, 검증 및 실행은 서로 다른 장치에서 수행될 수 있다. 즉, 태아 상태 판단 모델(110)을 학습, 평가, 검증 및 실행하는 컴퓨팅 장치(100)는 서로 다를 수 있다. 다만, 설명의 편의상 하나의 컴퓨팅 장치(100)가 태아 상태 판단 모델(110)의 학습, 평가, 검증 및 실행을 수행하는 것을 가정하고 설명한다.
다만, 도 1에 도시된 바와 달리, 태아 상태 판단 모델(110)은 컴퓨팅 장치(100) 외부에 저장될 수 있고, 컴퓨팅 장치(100)는 통신 네트워크를 통해 태아 상태 판단 모델(110)에 데이터를 입력시킴으로써 원격으로 태아 상태 판단 모델(110)을 학습시킬 수도 있다.
태아 모니터링 데이터(FMD)는 태아의 상태와 연관된 데이터로서, 파형의 데이터일 수 있다. 태아 모니터링 데이터(FMD) 자체는 태아의 상태를 간접적으로 나타내며, 태아의 상태를 직접적으로 나타내지는 못한다. 그렇기 때문에, 태아 모니터링 데이터(FMD)는 전문가(예컨대, 산부인과 전문의 등)의 판독을 통해 해석되어 태아의 상태를 나타낼 수 있다.
본 발명의 실시 예들에 따른 태아 모니터링 데이터(FMD)는 판독된 태아 모니터링 데이터와, 판독되지 않은 태아 모니터링 데이터를 포함한다.
판독된 태아 모니터링 데이터는 학습 데이터 및 평가 데이터로서 사용된다. 실시 예들에 따라, 판독된 태아 모니터링 데이터는 그 판독 결과인 태아 상태 정보(FSI)가 라벨링되어, 학습 데이터 및 평가 데이터로 사용될 수 있다. 학습 데이터 및 평가 데이터는 태아 모니터링 데이터와 태아 상태 정보(정상 또는 비정상, 또는 이들의 확률)의 쌍을 포함할 수 있다.
학습 데이터(및 평가 데이터, 이하 동일)의 태아 상태 정보는 전문가(예컨대, 산부인과 전문의)에 의해 판독된 결과일 수 있다. 즉, 태아 상태 정보는 전문가가 태아 모니터링 데이터를 판독하여 진단한 태아 상태를 나타낸다. 이러한 태아 상태는 검증된 값, 즉, 답안과 마찬가지이므로, 학습 데이터로서 사용될 수 있다. 즉, 학습의 관점에서, 태아 모니터링 데이터(FMD)는 문제가 되고, 라벨링된 태아 상태 정보(FSI)는 정답이 된다.
실시 예들에 따라, 판독된 태아 모니터링 데이터 중 절반을 초과하는 데이터가 학습 데이터로서 사용되고, 절반 미만의 데이터가 평가 데이터로서 사용될 수 있다. 판독된 태아 모니터링 데이터 중에서 학습 데이터는 태아 상태 판단 모델을 학습할 때 사용된다. 태아 상태 판단 모델이 학습된 후, 태아 모니터링 데이터 중 나머지 평가 데이터는 학습된 태아 상태 판단 모델이 적절히 학습되었는지 여부를 평가하는 데 사용된다.
판독되지 않은 태아 모니터링 데이터는 검증 데이터로서 사용된다. 학습 데이터 및 평가 데이터와 달리, 검증 데이터는 태아의 상태를 나타내는 태아 상태 정보가 라벨링되지 않는다. 즉, 검증 데이터는 문제에 대응한다.
검증 데이터는 학습 및 평가가 완료된 태아 상태 판단 모델의 성능을 검증하기 위해 사용된다. 예를 들어, 학습 및 평가가 완료된 태아 상태 판단 모델에, 검증 데이터인 태아 상태 모니터링 데이터(FMD)를 입력하여 출력된 결과 값(예컨대, 정상 및 비정상 여부)을 검증함으로써, 해당 모델의 성능을 검증할 수 있다.
컴퓨팅 장치(100)는 태아 모니터링 데이터(FMD)로부터 학습 데이터, 평가 데이터 및 검증 데이터를 준비할 수 있으나, 실시 예들에 따라, 사전에 학습 데이터, 평가 데이터 및 검증 데이터로 구별되어 제공될 수도 있다.
도 7은 본 발명의 실시 예들에 따른 태아 모니터링 데이터를 생성하는 과정을 설명하기 위한 도면이다. 도 7을 참조하면, 태아 모니터링 데이터는 파형의 데이터로서, 실시 예들에 따라, 태아 모니터링 장비로부터 출력된 결과 데이터로부터 변환(또는 추출)될 수 있다. 태아 모니터링 장비의 결과 데이터는 태아 상태 판단 모델의 학습에 적절하지 않은 형태(예컨대, 문서 또는 이미지 파일)일 수 있고, 이 경우, 학습에 적절한 형태(예컨대, 시계열 데이터)로 변환할 필요가 있다.
도 7을 참조하여 설명되는 태아 모니터링 데이터(FMD)의 생성 방법은 학습을 수행하는 컴퓨팅 장치(100)에 의해 수행될 수 있으나, 다른 전자 장치에 의해 수행될 수도 있다.
도 7의 (a)를 참조하면, 이미지 형태의 결과 데이터가 준비된다. 실시 예들에 따라, 결과 데이터는 PDF(Portable Document Format) 이미지 형태일 수 있다. 결과 데이터는 태아 심박수와 같은 그래프를 나타내는 파형 픽셀들(예컨대, 진한 붉은 색 픽셀들) 및 눈금과 같은 배경을 나타내는 그리드 픽셀들(예컨대, 하얀 색, 옅은 붉은색 픽셀들)을 포함한다. 파형 픽셀들이 태아 모니터링 데이터와 연관된 픽셀일 수 있다.
도 7의 (b)를 참조하면, 결과 데이터로부터 파형 픽셀들이 분리된다. 실시 예들에 따라, 결과 데이터에 포함된 픽셀들을 분석하여, 상기 픽셀들 중에서 다른 픽셀들과 편차가 큰 픽셀들을 분리함으로써, 파형 픽셀들이 분리될 수 있다.'
도 7의 (c)를 참조하면, 파형 픽셀들의 결과 데이터 내에서의 상대적인 위치가 계산된다. 결과 데이터 내에 포함된 그래프의 크기, 위치, 경계 등이 서로 다르므로, 파형 픽셀들의 그래프에 대한 상대적인 위치가 계산되어야 각 파형 픽셀들이 나타내는 값을 동일한 기준으로 산정할 수 있다. 실시 예들에 따라, 그래프의 경계선을 나타내는 경계선 픽셀들의 위치를 계산하고, 경계선 픽셀들과 파형 픽셀들의 위치 관계를 이용하여, 파형 픽셀들의 상대적인 위치를 계산할 수 있다.
실시 예들에 따라, 그래프의 경계선을 나타내는 경계선 픽셀들의 위치는Hough 변환 알고리즘에 따라 계산될 수 있다.
도 7의 (d)를 참조하면, 파형 픽셀들의 상대적인 위치로부터 파형 픽셀들에 대응하는 값(함수 값)이 결정되고, 결정된 값들로부터 태아 모니터링 데이터(FMD)가 생성된다.
도 7을 참조하여 설명된 방법에 따라 생성된 태아 모니터링 데이터(FMD)는 태아 상태 결정 모델의 학습에 사용될 수 있다.
도 8은 본 발명의 실시 예들에 따라 학습된 태아 상태 판단 모델의 검증 방법을 설명하기 위한 도면이다. 도 8을 참조하면, 판독되지 않은 태아 상태 모니터링 데이터(FMD)가 태아 상태 판단 모델(110)로 검증 데이터로서 입력된다. 이 때, 태아 상태 판단 모델(110)은 학습이 완료된 모델일 수 있다.
실시 예들에 따라, 판독되지 않은 태아 상태 모니터링 데이터(FMD)는, 분만 전 20분 간의 데이터, 임의의 20분 간 데이터 및 서로 겹치지 않는 복수의 시구간 동안의 데이터로 구별되어 태아 상태 판단 모델(110)로 검증 데이터로서 입력될 수 있다.
태아 상태 판단 모델(110)은 판독되지 않은 태아 상태 모니터링 데이터(FMD)를 입력으로 하여, 태아 상태 정보(FSI)를 출력할 수 있다. 실시 예들에 따라, 태아 상태 판단 모델은 판독되지 않은 태아 상태 모니터링 데이터(FMD)에 대응하는 태아가 비정상일 확률을 계산하여 출력할 수 있다.
컴퓨팅 장치(100)는 태아 상태 정보(FSI)와, 태아 상태 모니터링 데이터(FMD)로부터 추출된 병리학적 데이터를 기초로 회귀 분석을 수행함으로써, 태아 상태 판단 모델(110)을 검증할 수 있다.
실시 예들에 따라, 태아 상태 모니터링 데이터(FMD)로부터 추출된 병리학적 데이터는 산모와 관련된 산모 정보(maternal information) 및 분만 후 신생아의 상태를 나타내는 신생아 상태(neonatal status)일 수 있다.
산모 정보는 산모의 나이 및 임신 주수(intrauterine period)를 포함할 수 있다.
신생아 상태 정보는 IUGR(Intrauterine Growth Restriction), Apgar 점수, 태아 가사(fetal distress)를 포함한다.
실시 예들에 따라, 컴퓨팅 장치(100)는 태아 상태 정보(FSI) 및 산모 정보를 독립 변수로 하고, 신생아 상태를 종속 변수로 하는 회귀 분석을 수행함으로써, 태아 상태 판단 모델(110)을 검증할 수 있다.
예컨대, 컴퓨팅 장치(100)는 아래 수학식 1에 따라 결정되는 회귀 분석 모델을 이용할 수 있다.
Figure 112021137954118-pat00001
(여기서, Yi는 신생아 상태, Xabnormal은 태아 상태 판단 모델(110)에 의해 계산된 비정상일 확률, Xage는 산모의 나이, XIUP는 임신 주수이다)
본 발명의 실시 예들에 따르면, 학습된 태아 상태 판단 모델(110)을 산모 및 신생아의 상태 데이터와 함께 회귀 분석을 통해 검증할 수 있다.
이상과 같이 실시 예들이 비록 한정된 실시 예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
100: 컴퓨팅 장치 110: 태아 상태 판단 모델
200: 데이터베이스 120: 프로세서
130: 메모리

Claims (10)

  1. 태아 모니터링 데이터로부터 태아 상태를 판단하기 위한 컴퓨팅 장치에 있어서,
    프로세서(processor); 및
    태아 상태 판단 모델을 저장하는 메모리(memory);를 포함하고,
    상기 프로세서는 상기 메모리에 저장된 태아 상태 판단 모델을 실행함에 따라,
    상기 태아 모니터링 데이터를 획득하고,
    복수의 필터들을 랜덤하게 생성하고,
    상기 태아 모니터링 데이터에 생성된 복수의 필터를 적용하여 특징 데이터를 생성하고,
    분류 알고리즘에 따라, 상기 특징 데이터를 이용하여 태아의 상태를 나타내는 태아 상태 정보를 생성하되,
    상기 프로세서는,
    태아의 심박수(Fetal Heart Rate) 또는 자궁 수축(Uterine Contraction)에 따른 그래프를 나타내는 파형 픽셀들 및 눈금이 있는 배경을 나타내는 그리드 픽셀들을 포함하는 이미지 형태의 결과 데이터를 입력받고,
    상기 결과 데이터에서 허프(Hough) 알고리즘을 이용하여 상기 그래프의 경계선을 나타낸 경계선 픽셀들의 위치를 결정하고, 결정된 상기 경계선 픽셀들과 상기 파형 픽셀들 사이의 위치 관계를 기반으로 상기 파형 픽셀들의 상대적 위치를 결정하고, 결정된 상기 상대적 위치로부터 상기 파형 픽셀들에 대응하는 함수 값을 결정하고, 결정된 상기 함수 값으로 구성되는 상기 태아 모니터링 데이터를 획득하며,
    상기 프로세서는,
    상기 태아 모니터링 데이터를 기반으로 태아의 산모와 관련된 산모 정보(maternal inforamion) 및 상기 태아가 분만된 후 신생아로서의 상태를 나타내는 신생아 상태(neonatal status)를 포함하는 병리학적 데이터를 획득하고,
    상기 분류 알고리즘에 따라 생성된 상기 태아 상태 정보 및 상기 산모 정보를 독립 변수로 하고, 상기 신생아 상태를 종속 변수로 하는 다중 회귀 분석을 하기 수학식에 따라 수행함으로써, 상기 태아 상태 판단 모델을 검증하되,
    Figure 112022006220929-pat00010

    상기 수학식에서, Y 는 신생아 상태이고, P(Yi=1)은 신생아 상태가 정상일 확률이고, Xabnormal은 상기 태아 상태 판단 모델에 의해 계산된 상기 태아가 비정상일 확률, Xage는 산모의 나이, XIUP는 임신 주수(intrauterine period)인,
    컴퓨팅 장치.
  2. 삭제
  3. 제1항에 있어서, 상기 프로세서는,
    합성곱 신경망(convolution neural network (CNN))에서 사용되는 커널(kernel)에 대응하는 복수의 필터를 생성하는,
    컴퓨팅 장치.
  4. 제3항에 있어서, 상기 프로세서는,
    상기 필터를 구성하는 엘리먼트 사이의 간격을 나타내는 딜레이션, 상기 필터의 크기, 상기 필터에 의한 합성곱 시 입력 데이터에 추가되는 엘리먼트의 수를 나타내는 패딩, 상기 필터에 의한 합성곱 시 상기 필터의 각 엘리먼트에 곱해지는 가중치 및 상기 필터에 의한 합성곱 시 상기 필터의 각 엘리먼트에 더해지는 편차 중 적어도 하나를 조절함으로써, 상기 복수의 필터들을 생성하는,
    컴퓨팅 장치.
  5. 제3항에 있어서, 상기 프로세서는,
    상기 태아 모니터링 데이터와 상기 복수의 필터들 각각 사이의 합성 곱을 계산하고,
    상기 합성 곱으로부터 최대 풀링 값 및 양성 예측치를 상기 특징 데이터로서 생성하는,
    컴퓨팅 장치.
  6. 제1항에 있어서, 상기 프로세서는,
    상기 분류 알고리즘에 따라, 상기 특징 데이터로부터 태아가 비정상일 확률을 계산하고,
    계산된 확률에 기초하여 상기 태아 상태 정보를 생성하는,
    컴퓨팅 장치.
  7. 제6항에 있어서,
    상기 분류 알고리즘은, LGBM(light gradient boosting machine)인,
    컴퓨팅 장치.
  8. 삭제
  9. 삭제
  10. 삭제
KR1020210167198A 2021-11-29 2021-11-29 태아 모니터링 데이터로부터 태아 상태를 판단하기 위한 장치 KR102414713B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210167198A KR102414713B1 (ko) 2021-11-29 2021-11-29 태아 모니터링 데이터로부터 태아 상태를 판단하기 위한 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210167198A KR102414713B1 (ko) 2021-11-29 2021-11-29 태아 모니터링 데이터로부터 태아 상태를 판단하기 위한 장치

Publications (1)

Publication Number Publication Date
KR102414713B1 true KR102414713B1 (ko) 2022-07-01

Family

ID=82397295

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210167198A KR102414713B1 (ko) 2021-11-29 2021-11-29 태아 모니터링 데이터로부터 태아 상태를 판단하기 위한 장치

Country Status (1)

Country Link
KR (1) KR102414713B1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180107869A (ko) 2017-03-23 2018-10-04 삼성전자주식회사 머신 러닝을 수행하는 전자 장치 및 머신 러닝 수행 방법
KR20190142618A (ko) 2018-06-18 2019-12-27 울산대학교 산학협력단 태아의 심박동을 모니터링하는 방법 및 그 장치
KR20210013830A (ko) * 2019-07-29 2021-02-08 주식회사 코어라인소프트 의료용 인공 신경망의 분석 결과를 평가하는 의료용 인공 신경망 기반 의료 영상 분석 장치 및 방법
KR20210056437A (ko) 2018-10-11 2021-05-18 세노 메디컬 인스투르먼츠 인코포레이티드 병변 특성을 자동으로 추정하기 위한 광음향 이미지 분석 방법 및 시스템
KR102286190B1 (ko) * 2020-12-11 2021-08-09 한림대학교 산학협력단 조산을 예측하기 위한 전자 장치 및 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180107869A (ko) 2017-03-23 2018-10-04 삼성전자주식회사 머신 러닝을 수행하는 전자 장치 및 머신 러닝 수행 방법
KR20190142618A (ko) 2018-06-18 2019-12-27 울산대학교 산학협력단 태아의 심박동을 모니터링하는 방법 및 그 장치
KR20210056437A (ko) 2018-10-11 2021-05-18 세노 메디컬 인스투르먼츠 인코포레이티드 병변 특성을 자동으로 추정하기 위한 광음향 이미지 분석 방법 및 시스템
KR20210013830A (ko) * 2019-07-29 2021-02-08 주식회사 코어라인소프트 의료용 인공 신경망의 분석 결과를 평가하는 의료용 인공 신경망 기반 의료 영상 분석 장치 및 방법
KR102286190B1 (ko) * 2020-12-11 2021-08-09 한림대학교 산학협력단 조산을 예측하기 위한 전자 장치 및 방법

Similar Documents

Publication Publication Date Title
JP7072067B2 (ja) 胚の生存率を推定するためのシステムおよび方法
Cömert et al. Prognostic model based on image-based time-frequency features and genetic algorithm for fetal hypoxia assessment
Fergus et al. Machine learning ensemble modelling to classify caesarean section and vaginal delivery types using Cardiotocography traces
JP7189257B2 (ja) 特定の顔面症候群を検出するための方法、装置、および、コンピュータ可読記憶媒体
EP3964136A1 (en) System and method for guiding a user in ultrasound assessment of a fetal organ
CN113487614B (zh) 胎儿超声标准切面图像识别网络模型的训练方法和装置
KR102233404B1 (ko) 골 연령 추정 방법 및 장치
Haritopoulos et al. Survey on cardiotocography feature extraction algorithms for foetal welfare assessment
CN109784377A (zh) 多重识别模型构建方法、装置、计算机设备及存储介质
Spairani et al. A deep learning mixed-data type approach for the classification of FHR signals
JP6345332B1 (ja) 分類装置、分類方法、プログラム、ならびに、情報記録媒体
CN112508902A (zh) 白质高信号分级方法、电子设备及存储介质
WO2023110477A1 (en) A computer implemented method and a system
JP6468576B1 (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。
CN115462836A (zh) 妇产科临床孕妇产前监测系统
KR102222282B1 (ko) 자궁 근전도 기반의 조산 위험도 식별방법
CN113052205B (zh) 基于机器学习的产妇数据分类方法、装置、设备及介质
KR102414713B1 (ko) 태아 모니터링 데이터로부터 태아 상태를 판단하기 위한 장치
Ben M’Barek et al. DeepCTG® 1.0: an interpretable model to detect fetal hypoxia from cardiotocography data during labor and delivery
CN116563224B (zh) 基于深度语义特征的影像组学胎盘植入预测方法及装置
CN112992353A (zh) 预产期精准预测方法、装置、计算机设备及存储介质
CN113724126A (zh) 图像处理设备、图像处理方法和计算机可读记录介质
Fergus et al. Prediction of intrapartum hypoxia from cardiotocography data using machine learning
JP7235381B2 (ja) 妊娠第１三半期の超音波イメージ分析方法および装置
Parvathavarthini et al. Performance analysis of squeezenet and densenet on fetal brain mri dataset

Legal Events

Date Code Title Description
GRNT Written decision to grant