KR102433054B1 - 의료 영상의 메타데이터 예측 장치 및 방법 - Google Patents

Abstract

본 개시는 신경망을 이용하여 의료 영상 및 메타데이터의 관계를 기계학습하고, 의료영상에 기계학습모델을 적용하여 메타데이터를 획득하는 장치 및 방법에 관한 것으로서, 학습(training)을 위한 복수의 의료 영상 및 복수의 의료 영상 각각에 매칭된 메타데이터를 기초로, 의료 영상의 메타데이터를 예측하는 예측 모델을 학습하는 단계, 및 학습된 예측 모델을 이용하여, 입력된 의료 영상에 대한 메타데이터를 예측하는 단계를 포함한다.

Description

의료 영상의 메타데이터 예측 장치 및 방법 {APPARATUS FOR PREDICTING METADATA OF MEDICAL IMAGE AND METHOD THEREOF}

본 개시는 신경망을 이용하여 의료 영상 및 메타데이터의 관계를 기계학습하고, 의료영상에 기계학습모델을 적용하여 메타데이터를 획득하는 장치 및 방법에 관한 것이다.

의료 영상의 데이터 표준인 DICOM(Digital Imaging and Communications in Medicine)에 따르면, DICOM 데이터는 크게 2가지 정보를 담고 있다. 하나는 촬영된 의료영상 원본(raw pixel array)이며, 다른 하나는 DICOM 헤더에 기록된 메타데이터이다.

의료 영상 분석에는 일차적으로 DICOM 헤더에 기록되어 있는 값들을 활용한다. 예를 들어, 의료인은 DICOM 헤더의 "BodyPartExamined"라는 속성의 값을 보고 의료 영상이 판독 대상인 환자의 신체 부위인지를 판단하고, 의료 영상 판독을 진행한다. 또한, 의료인은 DICOM 헤더의 "Window Center/Width" 속성을 이용하여, 다양한 환경에서 온 원본 영상들을 정규화(normalization)할 수 있다.

이러한 DICOM 헤더에 저장된 의료 영상의 메타데이터는 병원 별로 다른 프로토콜이 존재하고, 방사선사 별로 서로 다른 주관적인 값이 입력되는 경우가 있다. 경우에 따라 DICOM 헤더에 값이 존재하지 않거나, 잘못 입력되어 있거나, 아니면 서로 다른 기준으로 저장되어 있을 수 있다. 이러한 경우 의료인은 의료 영상을 판독할 수 없거나, 잘못된 판독을 할 수 있다. 또한, 의료 영상을 기계학습하기 위해서는 정규화된 의료 영상이 필요하지만, 메타데이터 서로 다른 기준으로 저장되어 있다면, 의료 영상을 제대로 기계학습할 수 없는 문제점이 있다.

JP 2013-182444 A

본 개시의 일 실시예에 따른 의료 영상 분석 방법은, 학습(training)을 위한 복수의 의료 영상 및 복수의 의료 영상 각각에 매칭된 메타데이터를 기초로, 의료 영상의 메타데이터를 예측하는 예측 모델을 학습하는 단계 및 학습된 예측 모델을 이용하여, 입력된 의료 영상에 대한 메타데이터를 예측하는 단계를 포함한다.

본 개시의 일 실시예에 따른 의료 영상 분석 방법의 메타데이터는, 의료 영상에 포함된 객체에 관련된 정보, 의료 영상의 촬영 환경에 대한 정보 및 의료 영상의 표시 방법과 관련된 정보 중 적어도 하나를 포함한다.

본 개시의 일 실시예에 따른 의료 영상 분석 방법의 의료 영상에 포함된 객체에 관련된 정보는 의료 영상에 포함된 신체 부위 정보 및 환자에 대한 정보 중 적어도 하나를 포함하고, 의료 영상의 촬영 환경에 대한 정보는 의료 영상의 모달리티 정보(modality information) 및 의료 영상의 촬영 방식에 대한 정보 중 적어도 하나를 포함하고, 의료 영상의 표시 방법과 관련된 정보는 의료 영상의 윈도우 센터(window center) 정보, 윈도우 너비(window width) 정보, 색상 반전 정보, 영상의 회전 정보 및 영상의 뒤집힘 정보 중 적어도 하나를 포함하는 것을 특징으로 한다.

본 개시의 일 실시예에 따른 의료 영상 분석 방법의 예측 모델을 학습하는 단계는, 학습을 위한 복수의 의료 영상 각각의 DICOM(Digital Imaging and Communications in Medicine) 헤더의 표준 데이터 요소(Standard Data Elements)로부터 복수의 의료 영상 각각에 매칭되는 복수의 메타데이터를 획득하는 단계 및 학습을 위한 복수의 의료 영상 및 획득된 복수의 메타데이터를 이용하여, 예측 모델을 학습하는 단계를 포함한다.

본 개시의 일 실시예에 따른 의료 영상 분석 방법의 예측 모델을 학습하는 단계는, 입력된 의료 영상에 대해 예측된 메타데이터를 입력된 의료 영상에 매칭하여 저장하는 단계를 더 포함한다.

본 개시의 일 실시예에 따른 의료 영상 분석 방법의 저장하는 단계는, 예측된 메타데이터를 입력된 의료 영상의 DICOM(Digital Imaging and Communications in Medicine) 헤더에 저장하는 단계를 포함한다.

본 개시의 일 실시예에 따른 의료 영상 분석 방법은 입력된 의료 영상에서 이상(anomaly)을 검출하기 위해, 예측된 메타데이터를 기초로, 입력된 의료 영상을 조정(adjust)하는 단계를 더 포함한다.

본 개시의 일 실시예에 따른 의료 영상 분석 방법의 입력된 의료 영상을 조정하는 단계는 예측된 메타데이터를 기초로, 입력된 의료 영상의 윈도우 센터, 윈도우 너비, 색상 및 출력 방향 중 적어도 하나를 조정하는 단계를 포함한다.

본 개시의 일 실시예에 따른 의료 영상 분석 방법의 학습을 위한 복수의 의료 영상 및 입력된 의료 영상은 DICOM(Digital Imaging and Communications in Medicine) 표준에 대응하는 영상이다.

본 개시의 일 실시예에 따른 의료 영상 분석 장치는 프로세서 및 메모리를 포함하고, 프로세서는 메모리에 저장된 명령어에 기초하여, 학습(training)을 위한 복수의 의료 영상 및 복수의 의료 영상 각각에 매칭된 메타데이터를 기초로, 의료 영상의 메타데이터를 예측하는 예측 모델을 학습하는 단계 및 학습된 예측 모델을 이용하여, 입력된 의료 영상에 대한 메타데이터를 예측하는 단계를 수행한다.

본 개시의 일 실시예에 따른 의료 영상 분석 장치의 메타데이터는, 의료 영상에 포함된 객체에 관련된 정보, 의료 영상의 촬영 환경에 대한 정보 및 의료 영상의 표시 방법과 관련된 정보 중 적어도 하나를 포함한다.

본 개시의 일 실시예에 따른 의료 영상 분석 장치의 의료 영상에 포함된 객체에 관련된 정보는 의료 영상에 포함된 신체 부위 정보 및 환자에 대한 정보 중 적어도 하나를 포함하고, 의료 영상의 촬영 환경에 대한 정보는 의료 영상의 모달리티 정보(modality information) 및 의료 영상의 촬영 방식에 대한 정보 중 적어도 하나를 포함하고, 의료 영상의 표시 방법과 관련된 정보는 의료 영상의 윈도우 센터(window center) 정보, 윈도우 너비(window width) 정보, 색상 반전 정보, 영상의 회전 정보 및 영상의 뒤집힘 정보 중 적어도 하나를 포함하는 것을 특징으로 한다.

본 개시의 일 실시예에 따른 의료 영상 분석 장치의 프로세서는 메모리에 저장된 명령어에 기초하여, 학습을 위한 복수의 의료 영상 각각의 DICOM(Digital Imaging and Communications in Medicine) 헤더의 표준 데이터 요소(Standard Data Elements)로부터 복수의 의료 영상 각각에 매칭되는 복수의 메타데이터를 획득하는 단계 및 학습을 위한 복수의 의료 영상 및 획득된 복수의 메타데이터를 이용하여, 예측 모델을 학습하는 단계를 더 수행한다.

본 개시의 일 실시예에 따른 의료 영상 분석 장치의 프로세서는 메모리에 저장된 명령어에 기초하여, 입력된 의료 영상에 대해 예측된 메타데이터를 입력된 의료 영상에 매칭하여 저장하는 단계를 더 수행한다.

본 개시의 일 실시예에 따른 의료 영상 분석 장치의 프로세서는 메모리에 저장된 명령어에 기초하여, 예측된 메타데이터를 입력된 의료 영상의 DICOM(Digital Imaging and Communications in Medicine) 헤더에 저장하는 단계를 더 수행한다.

본 개시의 일 실시예에 따른 의료 영상 분석 장치의 프로세서는 메모리에 저장된 명령어에 기초하여, 입력된 의료 영상에서 이상(anomaly)을 검출하기 위해, 예측된 메타데이터를 기초로, 입력된 의료 영상을 조정(adjust)하는 단계를 더 수행한다.

본 개시의 일 실시예에 따른 의료 영상 분석 장치의 프로세서는 메모리에 저장된 명령어에 기초하여, 예측된 메타데이터를 기초로, 입력된 의료 영상의 윈도우 센터, 윈도우 너비, 색상 및 출력 방향 중 적어도 하나를 조정하는 단계를 더 수행한다.

본 개시의 일 실시예에 따른 의료 영상 분석 장치의 학습을 위한 복수의 의료 영상 및 입력된 의료 영상은 DICOM(Digital Imaging and Communications in Medicine) 표준에 대응하는 영상이다.

또한, 상술한 바와 같은 의료 영상 분석 방법을 구현하기 위한 프로그램은 컴퓨터로 판독 가능한 기록 매체에 기록될 수 있다.

도 1은 본 개시의 일 실시예에 따른 의료 영상 분석 장치(100)의 블록도이다.
도 2는 본 개시의 일 실시예에 따른 의료 영상 분석 장치를 나타낸 도면이다.
도 3은 본 개시의 일 실시예에 따라 의료 영상 분석 장치의 동작을 나타낸 흐름도이다.
도 4는 본 개시의 일 실시예에 따른 DICOM 파일의 구조를 나타내는 도면이다.
도 5는 본 개시의 일 실시예에 따라, 윈도우 센터 정보 및 윈도우 너비 정보에 따른 CT정보를 나타낸다.
도 6는 본 개시의 일 실시예에 따른 의료 영상 분석 장치의 동작을 나타낸 흐름도이다.
도 7은 본 개시의 일 실시예에 따라 예측 모델을 학습하는 과정을 나타낸 도면이다.
도 8은 본 개시의 일 실시예에 따른 의료 영상 분석 장치의 동작을 나타낸 흐름도이다.
도 9은 본 개시의 일 실시예에 따라 예측 모델을 이용하는 과정을 나타낸 도면이다.
도 10은 본 개시의 일 실시예에 따라 병변을 검출하는 과정을 나타낸 흐름도이다.

개시된 실시예의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이다.

본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 개시된 실시예에 대해 구체적으로 설명하기로 한다.

본 명세서에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 관련 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 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.

본 명세서에서의 단수의 표현은 문맥상 명백하게 단수인 것으로 특정하지 않는 한, 복수의 표현을 포함한다. 또한 복수의 표현은 문맥상 명백하게 복수인 것으로 특정하지 않는 한, 단수의 표현을 포함한다.

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 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.

본 개시의 일 실시예에 따르면 "부"는 프로세서 및 메모리로 구현될 수 있다. 용어 "프로세서" 는 범용 프로세서, 중앙 처리 장치 (CPU), 마이크로프로세서, 디지털 신호 프로세서 (DSP), 제어기, 마이크로제어기, 상태 머신 등을 포함하도록 넓게 해석되어야 한다. 몇몇 환경에서는, "프로세서" 는 주문형 반도체 (ASIC), 프로그램가능 로직 디바이스 (PLD), 필드 프로그램가능 게이트 어레이 (FPGA) 등을 지칭할 수도 있다. 용어 "프로세서" 는, 예를 들어, DSP 와 마이크로프로세서의 조합, 복수의 마이크로프로세서들의 조합, DSP 코어와 결합한 하나 이상의 마이크로프로세서들의 조합, 또는 임의의 다른 그러한 구성들의 조합과 같은 처리 디바이스들의 조합을 지칭할 수도 있다.

용어 "메모리" 는 전자 정보를 저장 가능한 임의의 전자 컴포넌트를 포함하도록 넓게 해석되어야 한다. 용어 메모리는 임의 액세스 메모리 (RAM), 판독-전용 메모리 (ROM), 비-휘발성 임의 액세스 메모리 (NVRAM), 프로그램가능 판독-전용 메모리 (PROM), 소거-프로그램가능 판독 전용 메모리 (EPROM), 전기적으로 소거가능 PROM (EEPROM), 플래쉬 메모리, 자기 또는 광학 데이터 저장장치, 레지스터들 등과 같은 프로세서-판독가능 매체의 다양한 유형들을 지칭할 수도 있다. 프로세서가 메모리로부터 정보를 판독하고/하거나 메모리에 정보를 기록할 수 있다면 메모리는 프로세서와 전자 통신 상태에 있다고 불린다. 프로세서에 집적된 메모리는 프로세서와 전자 통신 상태에 있다.

아래에서는 첨부한 도면을 참고하여 실시예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략한다.

도 1은 본 개시의 일 실시예에 따른 의료 영상 분석 장치(100)의 블록도이다.

도 1을 참조하면, 일 실시예에 따른 의료 영상 분석 장치(100)는 데이터 학습부(110) 및 데이터 인식부(120)를 포함할 수 있다. 상술한 바와 같은 의료 영상 분석 장치(100)는 프로세서 및 메모리를 포함할 수 있다.

데이터 학습부(110)는 데이터 세트를 이용하여 타겟 태스크(target task)를 수행하기 위한 기계학습모델을 학습시킬 수 있다. 데이터 학습부(110)는 데이터 세트 및 타겟 태스크와 관련된 레이블 정보를 수신할 수 있다. 데이터 학습부(110)는 데이터 세트와 레이블 정보의 관계에 대해 기계학습을 수행하여 기계학습모델을 획득할 수 있다. 일 실시예로, 데이터 학습부(110)가 획득한 기계학습모델은 데이터 세트를 이용하여 레이블 정보를 생성하기 위한 모델일 수 있다.

데이터 인식부(120)는 데이터 학습부(110)의 기계학습모델을 저장할 수 있다. 데이터 인식부(120)는 입력 데이터에 기계학습모델을 적용하여 레이블 정보를 출력할 수 있다. 또한, 데이터 인식부(120)는 입력 데이터, 레이블 정보 및 기계학습모델에 의해 출력된 결과를 기계학습모델을 갱신하는데 이용할 수 있다.

데이터 학습부(110) 및 데이터 인식부(120) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 학습부(110) 및 데이터 인식부(120) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 다양한 전자 장치에 탑재될 수도 있다.

또한 데이터 학습부(110) 및 데이터 인식부(120)는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 학습부(110) 및 데이터 인식부(120) 중 하나는 전자 장치에 포함되고, 나머지 하나는 서버에 포함될 수 있다. 또한, 데이터 학습부(110) 및 데이터 인식부(120)는 유선 또는 무선으로 통하여, 데이터 학습부(110)가 구축한 기계학습모델 정보를 데이터 인식부(120)로 제공할 수도 있고, 데이터 인식부(120)로 입력된 데이터가 추가 학습 데이터로써 데이터 학습부(110)로 제공될 수도 있다.

한편, 데이터 학습부(110) 및 데이터 인식부(120) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 학습부(110) 및 데이터 인식부(120) 중 적어도 하나가 소프트웨어 모듈(또는, 인스트럭션(instruction)을 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 메모리 또는 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.

본 개시의 일 실시예에 따른 데이터 학습부(110)는 데이터 획득부(111), 전처리부(112), 학습 데이터 선택부(113), 모델 학습부(114) 및 모델 평가부(115)를 포함할 수 있다.

데이터 획득부(111)는 기계학습에 필요한 데이터를 획득할 수 있다. 학습을 위해서는 많은 데이터가 필요하므로, 데이터 획득부(111)는 복수의 데이터를 포함하는 데이터 세트를 수신할 수 있다.

복수의 데이터 각각에 대하여 레이블 정보가 할당될 수 있다. 레이블 정보는 복수의 데이터의 각각을 설명하는 정보일 수 있다. 레이블 정보는 타겟 태스크(target task)가 도출하고자 하는 정보일 수 있다. 레이블 정보는 사용자 입력으로부터 획득되거나, 메모리로부터 획득되거나, 기계학습모델의 결과로부터 획득될 수 있다. 예를 들어 타겟 태스크가 영상으로부터 특정 물체의 존재 여부를 결정하는 것이라면, 복수의 데이터는 복수의 영상 데이터가 될 것이며 레이블 정보는 복수의 영상 각각에 특정 물체가 있는지 여부가 될 것이다.

전처리부(112)는 수신된 데이터가 기계학습에 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(112)는 후술할 모델 학습부(114)가 이용할 수 있도록, 획득된 데이터 세트를 미리 설정된 포맷으로 가공할 수 있다.

학습 데이터 선택부(113)는 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 모델 학습부(114)에 제공될 수 있다. 학습 데이터 선택부(113)는 기 설정된 기준에 따라, 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 또한, 학습 데이터 선택부(113)는 후술할 모델 학습부(114)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.

모델 학습부(114)는 데이터 세트에 기초하여 어떤 레이블 정보를 출력할 지에 관한 기준을 학습할 수 있다. 또한, 모델 학습부(114)는 데이터 세트 및 데이터 세트 대한 레이블 정보를 학습 데이터로써 이용하여 기계학습을 수행할 수 있다. 또한 모델 학습부(114)는 기존에 획득된 기계학습모델을 추가적으로 이용하여 기계학습을 수행할 수 있다. 이 경우, 기존에 획득된 기계학습모델은 미리 구축된 모델일 수 있다. 예를 들어, 기계학습모델은 기본 학습 데이터를 입력 받아 미리 구축된 모델일 수 있다.

기계학습모델은, 학습모델의 적용 분야, 학습의 목적 또는 장치의 컴퓨터 성능 등을 고려하여 구축될 수 있다. 기계학습모델은, 예를 들어, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 예컨대, Deep Neural Network (DNN), Recurrent Neural Network (RNN), Long Short-Term Memory models (LSTM), BRDNN (Bidirectional Recurrent Deep Neural Network), Convolutional Neural Networks (CNN)과 같은 모델이 기계학습모델로써 사용될 수 있으나, 이에 한정되지 않는다.

다양한 실시예에 따르면, 모델 학습부(114)는 미리 구축된 기계학습모델이 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 기계학습모델을 학습할 기계학습모델로 결정할 수 있다. 이 경우, 기본 학습 데이터는 데이터의 타입 별로 기 분류되어 있을 수 있으며, 기계학습모델은 데이터의 타입 별로 미리 구축되어 있을 수 있다. 예를 들어, 기본 학습 데이터는 학습 데이터가 생성된 장소, 학습 데이터가 생성된 시간, 학습 데이터의 크기, 학습 데이터의 생성자, 학습 데이터 내의 오브젝트의 종류 등과 같은 다양한 기준으로 기 분류되어 있을 수 있다.

또한, 모델 학습부(114)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 기계학습모델을 학습시킬 수 있다.

또한, 모델 학습부(114)는, 예를 들어, 학습 데이터를 입력 값으로 하는 지도 학습(supervised learning)을 통하여, 기계학습모델을 학습할 수 있다. 또한, 모델 학습부(114)는, 예를 들어, 별다른 지도없이 타겟 태스크(target task)을 위해 필요한 데이터의 종류를 스스로 학습함으로써, 타겟 태스크를 위한 기준을 발견하는 비지도 학습(unsupervised learning)을 통하여, 기계학습모델을 획득할 수 있다. 또한, 모델 학습부(114)는 준지도 학습(semi-supervised learning), 능동적 학습(active learning)을 통하여, 기계학습모델을 획득할 수도 있다. 또한, 모델 학습부(114)는, 예를 들어, 학습에 따른 타겟 태스크의 결과가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 기계학습모델을 학습할 수 있다.

또한, 기계학습모델이 학습되면, 모델 학습부(114)는 학습된 기계학습모델을 저장할 수 있다. 이 경우, 모델 학습부(114)는 학습된 기계학습모델을 데이터 인식부(120)를 포함하는 전자 장치의 메모리에 저장할 수 있다. 또는, 모델 학습부(114)는 학습된 기계학습모델을 전자 장치와 유선 또는 무선 네트워크로 연결되는 서버의 메모리에 저장할 수도 있다.

학습된 기계학습모델이 저장되는 메모리는, 예를 들면, 전자 장치의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 함께 저장할 수도 있다. 또한, 메모리는 소프트웨어 및/또는 프로그램을 저장할 수도 있다. 프로그램은, 예를 들면, 커널, 미들웨어, 어플리케이션 프로그래밍 인터페이스(API) 및/또는 어플리케이션 프로그램(또는 "어플리케이션") 등을 포함할 수 있다.

모델 평가부(115)는 기계학습모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(114)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 기계학습모델을 평가하기 위한 기 설정된 데이터일 수 있다.

예를 들어, 모델 평가부(115)는 평가 데이터에 대한 학습된 기계학습모델의 결과 중에서, 인식 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정된 임계치를 초과하는 경우 소정 기준을 만족하지 못한 것으로 평가할 수 있다. 예컨대, 소정 기준이 비율 2%로 정의되는 경우, 학습된 기계학습모델이 총 1000개의 평가 데이터 중의 20개를 초과하는 평가 데이터에 대하여 잘못된 인식 결과를 출력하는 경우, 모델 평가부(115)는 학습된 기계학습모델이 적합하지 않은 것으로 평가할 수 있다.

한편, 학습된 기계학습모델이 복수 개가 존재하는 경우, 모델 평가부(115)는 각각의 학습된 동영상 학습모델에 대하여 소정 기준을 만족하는지를 평가하고, 소정 기준을 만족하는 모델을 최종 기계학습모델로써 결정할 수 있다. 이 경우, 소정 기준을 만족하는 모델이 복수 개인 경우, 모델 평가부(115)는 평가 점수가 높은 순으로 미리 설정된 어느 하나 또는 소정 개수의 모델을 최종 기계학습모델로써 결정할 수 있다.

한편, 데이터 학습부(110) 내의 데이터 획득부(111), 전처리부(112), 학습 데이터 선택부(113), 모델 학습부(114) 및 모델 평가부(115) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(111), 전처리부(112), 학습 데이터 선택부(113), 모델 학습부(114) 및 모델 평가부(115) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.

또한, 데이터 획득부(111), 전처리부(112), 학습 데이터 선택부(113), 모델 학습부(114) 및 모델 평가부(115)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(111), 전처리부(112), 학습 데이터 선택부(113), 모델 학습부(114) 및 모델 평가부(115) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.

또한, 데이터 획득부(111), 전처리부(112), 학습 데이터 선택부(113), 모델 학습부(114) 및 모델 평가부(115) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(111), 전처리부(112), 학습 데이터 선택부(113), 모델 학습부(114) 및 모델 평가부(115) 중 적어도 하나가 소프트웨어 모듈(또는, 인스트럭션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.

본 개시의 일 실시예에 따른 데이터 인식부(120)는 데이터 획득부(121), 전처리부(122), 인식 데이터 선택부(123), 인식 결과 제공부(124) 및 모델 갱신부(125)를 포함할 수 있다.

데이터 획득부(121)는 입력 데이터를 수신할 수 있다. 전처리부(122)는 획득된 입력 데이터가 인식 데이터 선택부(123) 또는 인식 결과 제공부(124)에서 이용될 수 있도록, 획득된 입력 데이터를 전처리할 수 있다.

인식 데이터 선택부(123)는 전처리된 데이터 중에서 필요한 데이터를 선택할 수 있다. 선택된 데이터는 인식 결과 제공부(124)에게 제공될 수 있다. 인식 데이터 선택부(123)는 기 설정된 기준에 따라, 전처리된 데이터 중에서 일부 또는 전부를 선택할 수 있다. 또한, 인식 데이터 선택부(123)는 모델 학습부(114)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.

인식 결과 제공부(124)는 선택된 데이터를 기계학습모델에 적용하여 결과 데이터를 획득할 수 있다. 기계학습모델은 모델 학습부(114)에 의하여 생성된 기계학습모델일 수 있다. 인식 결과 제공부(124)는 결과 데이터를 출력할 수 있다.

모델 갱신부(125)는 인식 결과 제공부(124)에 의해 제공되는 인식 결과에 대한 평가에 기초하여, 기계학습모델이 갱신되도록 할 수 있다. 예를 들어, 모델 갱신부(125)는 인식 결과 제공부(124)에 의해 제공되는 인식 결과를 모델 학습부(114)에게 제공함으로써, 모델 학습부(114)가 기계학습모델을 갱신하도록 할 수 있다.

한편, 데이터 인식부(120) 내의 데이터 획득부(121), 전처리부(122), 인식 데이터 선택부(123), 인식 결과 제공부(124) 및 모델 갱신부(125) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(121), 전처리부(122), 인식 데이터 선택부(123), 인식 결과 제공부(124) 및 모델 갱신부(125) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.

또한, 데이터 획득부(121), 전처리부(122), 인식 데이터 선택부(123), 인식 결과 제공부(124) 및 모델 갱신부(125)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(121), 전처리부(122), 인식 데이터 선택부(123), 인식 결과 제공부(124) 및 모델 갱신부(125) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.

또한, 데이터 획득부(121), 전처리부(122), 인식 데이터 선택부(123), 인식 결과 제공부(124) 및 모델 갱신부(125) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(121), 전처리부(122), 인식 데이터 선택부(123), 인식 결과 제공부(124) 및 모델 갱신부(125) 중 적어도 하나가 소프트웨어 모듈(또는, 인스트럭션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.

아래에서는 데이터 학습부(110)가 데이터 세트들을 순차적으로 기계학습하는 방법 및 장치에 대하여 보다 자세히 설명한다.

도 2는 본 개시의 일 실시예에 따른 의료 영상 분석 장치를 나타낸 도면이다.

의료 영상 분석 장치(200)는 프로세서(210) 및 메모리(220)를 포함할 수 있다. 프로세서(210)는 메모리(220)에 저장된 명령어들을 수행할 수 있다.

상술한 바와 같이 의료 영상 분석 장치(200)는 데이터 학습부(110) 또는 데이터 인식부(120) 중 적어도 하나를 포함할 수 있다. 데이터 학습부(110) 또는 데이터 인식부(120) 중 적어도 하나는 프로세서(210) 및 메모리(220)에 의하여 구현될 수 있다.

이하, 의료 영상 분석 장치(200)의 동작에 대하여 이하에서 보다 자세히 설명한다.

도 3은 본 개시의 일 실시예에 따라 의료 영상 분석 장치의 동작을 나타낸 흐름도이다.

의료 영상 분석 장치(200)는 학습(training)을 위한 복수의 의료 영상 및 복수의 의료 영상 각각에 매칭된 메타데이터를 기초로, 의료 영상의 메타데이터를 예측하는 예측 모델을 학습하는 단계(310)를 수행할 수 있다. 의료 영상 분석 장치(200)의 데이터 학습부(110)에 기초하여 의료 영상 및 메타데이터의 관계를 기계학습하여 예측 모델을 획득할 수 있다. 예측 모델은 도 1의 기계학습모델에 대응될 수 있다. 의료 영상 분석 장치(200)는 획득된 예측 모델을 메모리에 저장하거나, 다른 의료 영상 분석 장치(200)에 유무선으로 송신할 수 있다.

또한 의료 영상 분석 장치(200)는 학습된 예측 모델을 이용하여, 입력된 의료 영상에 대한 메타데이터를 예측하는 단계(320)를 수행할 수 있다. 의료 영상 분석 장치(200)의 데이터 인식부(120)는 입력된 의료 영상에 예측 모델을 적용하여 메타데이터를 예측할 수 있다. 예측 모델은 의료 영상 분석 장치(200)의 메모리로부터 획득되거나, 다른 의료 영상 분석 장치(200)로부터 수신될 수 있다.

학습을 위한 복수의 의료 영상 및 입력된 의료 영상은 다양한 포맷(format)의 영상일 수 있다.

예를 들면, 학습을 위한 복수의 의료 영상 및 입력된 의료 영상은 DICOM(Digital Imaging and Communications in Medicine) 표준에 대응하는 영상일 수 있다. DICOM 표준에 따라, 의료 영상 분석 장치(200)는 의료 영상에 관련된 정보들을 DICOM 헤더에 저장할 수 있다.

DICOM 헤더에는 표준 데이터 요소(Standard Data Elements)를 포함할 수 있다. 표준 데이터 요소는 DICOM 표준에 의하여 정의된 의료 영상과 관련된 요소들을 의미한다. 의료 영상 분석 장치(200)는 표준 데이터 요소로부터 메타데이터를 획득할 수 있다. DICOM 헤더에는 비표준 데이터 요소를 포함할 수 있다. 비표준 데이터 요소는 DICOM 표준에 의하여 정의되지는 않았지만, 의료 영상 장치 제조사 또는 의료 기관의 필요에 따라 생성된, 의료 영상과 관련된 요소를 의미한다. 의료 영상 분석 장치(200)는 비표준 데이터 요소로부터 메타데이터를 획득할 수 있다.

의료 영상과 관련된 정보는 DICOM 헤더가 아닌 저장 공간에 저장되어 있을 수 있다. 의료 영상 분석 장치(200)는 의료 영상의 매칭 관계와 함께 의료 영상과 관련된 다양한 정보를 저장하고 있을 수 있다. 또한 의료 영상 분석 장치(200)는 의료 영상과 관련된 다양한 정보에 기초하여 메타데이터를 획득할 수 있다.

이하에서는 도 4와 함께 DICOM 헤더로부터 메타데이터를 획득하는 과정을 보다 자세히 설명한다.

도 4는 본 개시의 일 실시예에 따른 DICOM 파일의 구조를 나타내는 도면이다.

DICOM 파일(410)은 DICOM 헤더(411) 및 의료 영상(412)을 포함할 수 있다. 의료 영상(412)은 다양한 의료 영상이 포함될 수 있고, 예를 들면 CT, X-RAY, Mammography 또는 MRI 영상 중 적어도 하나를 포함할 수 있다. DICOM 헤더(411)는 의료 영상과 관련된 다양한 정보를 포함할 수 있다. 의료 영상 분석 장치(200)는 DICOM 헤더(411)에 포함된 의료 영상(412)과 관련된 다양한 정보에 기초하여 메타데이터(metadata; 420)를 획득할 수 있다.

DICOM 헤더(411)는 표준 데이터 요소 또는 비표준 데이터 요소를 포함할 수 있다. 의료 영상 분석 장치(200)는 표준 데이터 요소 또는 비표준 데이터 요소에 기초하여 메타데이터를 획득할 수 있다. 메타데이터(420)는 의료 영상에 포함된 객체에 관련된 정보, 의료 영상의 촬영 환경에 대한 정보 및 의료 영상의 표시 방법과 관련된 정보 중 적어도 하나와 관련된 정보를 포함할 수 있다.

보다 구체적으로, 의료 영상에 포함된 객체에 관련된 정보는 의료 영상에 포함된 신체 부위 정보 및 환자에 대한 정보 중 적어도 하나를 포함할 수 있다. 의료 영상에 포함된 신체 부위 정보는 신체 부위에 대응되는 인덱스로 표현될 수 있다. 예를 들어 신체 부위 정보는 폐, 복부, 팔 또는 다리를 나타내는 인덱스 중 적어도 하나를 포함할 수 있다.

환자에 대한 정보는 환자의 성별 또는 환자의 나이 정보를 포함할 수 있다. 환자의 나이 정보는 환자의 나이를 숫자로 나타낸 값일 수 있다. 또한, 메타데이터는 환자의 생일을 포함할 수 있으며, 의료 영상 분석 장치(200)는 환자의 생일로부터 환자의 나이 정보를 계산할 수 있다. 또한, 환자의 나이 정보는 나이의 범위, 예를 들면 연령대를 나타내는 정보일 수 있다. 일 실시예로 환자의 나이 정보는 아동, 청년, 중장년 또는 연령대를 나타내는 인덱스로 표시될 수 있다.

의료 영상의 촬영 환경에 대한 정보는 의료 영상의 촬영과 관련된 다양한 정보를 포함할 수 있다. 의료 영상의 촬영 환경에 대한 정보는 의료 영상의 모달리티 정보(modality information) 또는 의료 영상의 촬영 방식에 대한 정보 중 적어도 하나를 포함할 수 있다.

의료 영상의 모달리티 정보는 의료 영상이 어떠한 종류의 영상 장비로 촬영되었는지를 나타낼 수 있다. 예를 들어, 의료 영상의 모달리티 정보는 의료 영상(412)이 CT, MRI, X-RAY, Mammography 또는 초음파 영상 중 어느 하나를 나타내는 인덱스일 수 있다. 하지만, 의료 영상의 모달리티 정보는 이에 한정되는 것은 아니며, 환자를 대상으로 촬영하는 다양한 의료 영상을 나타낼 수 있다.

또한 의료 영상의 촬영 환경에 대한 정보는 의료 영상의 촬영 방식에 대한 정보를 포함할 수 있다. 의료 영상의 촬영 환경에 대한 정보는 숫자 또는 문자로 나타나는 미리 정해진 인덱스에 대응될 수 있다. 의료 영상의 촬영 환경에 대한 정보는 X-RAY가 환자의 앞(anterior)으로부터 뒤(posterior)로 조사되었는지 또는 환자의 뒤(posterior)로부터 앞(anterior)으로 조사되었는지를 나타내는 정보를 포함할 수 있다. 일반적으로 환자가 서서 X-RAY를 찍는 경우 X-RAY가 환자의 뒤(posterior)로부터 앞(anterior)으로 조사되고, 환자가 서서 X-RAY를 찍기 힘든 경우 X-RAY가 앞(anterior)으로부터 뒤(posterior)로 조사되어, X-RAY 영상이 획득된다.

의료 영상의 표시 방법과 관련된 정보는 의료 영상의 윈도우 센터(window center) 정보, 윈도우 너비(window width) 정보, 색상 반전 정보, 영상의 회전 정보, 영상의 뒤집힘 정보 중 적어도 하나를 포함할 수 있다.

윈도우 센터 정보 및 윈도우 너비 정보에 대해서는 도 5와 함께 설명한다.

도 5는 본 개시의 일 실시예에 따라, 윈도우 센터 정보 및 윈도우 너비 정보에 따른 CT정보를 나타낸다.

윈도우 센터 정보 및 윈도우 너비 정보는 의료 영상의 밝기(brightness) 및 의료 영상의 대조(contrast)를 조정하기 위한 정보일 수 있다.

윈도우 센터 정보(531) 및 윈도우 너비 정보(532)에 기초하여 윈도우 그래프가 그려 질 수 있다. 윈도우 그래프의 가로축은 입력 픽셀의 값일 수 있다. 입력 픽셀은 입력 의료 영상이 가지고 있는 픽셀을 의미한다. 입력 픽셀의 값은 최소값 및 최대값이 있을 수 있다. 최소값 및 최대값은 영상 촬영 장치, 영상 표시 장치 또는 영상의 복부호화 표준 중 적어도 하나에 의하여 결정될 수 있다. 입력 픽셀 값이 최대값을 가지는 경우 입력 픽셀이 가장 밝은 픽셀임을 나타낼 수 있고, 입력 픽셀 값이 최소값을 가지는 경우 입력 픽셀이 가장 어두운 픽셀임을 나타낼 수 있다. 하지만 이에 한정되는 것은 아니다.

윈도우 그래프의 세로축은 출력 픽셀의 값일 수 있다. 의료 영상 분석 장치(200)는 입력 픽셀의 값을 가공하여 출력 픽셀의 값을 결정할 수 있다. 의료 영상 분석 장치(200)는 출력 픽셀의 값에 기초하여 의료 영상을 디스플레이에 표시할 수 있다.

예를 들어 윈도우 센터 정보(531)가 a이고 윈도우 너비 정보(532)가 b인 경우, 윈도우 그래프(521)가 만들어 질 수 있다. 의료 영상 분석 장치(200)는 윈도우 센터 정보(531) 및 윈도우 너비 정보(532)에 기초하여 CT 영상(511)을 생성할 수 있다. 의료 영상 분석 장치(200)는 윈도우 센터 정보(531) 또는 윈도우 너비 정보(532)에 기초하여 제 1 임계값보다 작은 입력 픽셀 값을 최소 픽셀 값으로 표시하고, 제 2 임계값보다 큰 입력 픽셀값을 최대 픽셀값으로 표시하여 CT 영상(511)을 생성할 수 있다. 즉, 의료 영상 분석 장치(200)는 제 1 임계값보다 크거나 같고, 제 2 임계값보다 작거나 같은 값을 가지는 입력 픽셀 값을 구분되게 표시할 수 있다.

제 1 임계값보다 작은 입력 픽셀값 또는 제 2 임계값보다 큰 입력 픽셀값은 의료 영상 분석에 중요하지 않은 클러터(clutter) 신호일 수 있다. 의료 영상 분석 장치(200)는 윈도우 센터 정보(531) 및 윈도우 너비 정보(532)에 기초하여 제 1 임계값 및 제 2 임계값을 조정하고, 의료 영상 분석에 중요한 픽셀들만 표시할 수 있다.

또한 예를 들어, 윈도우 센터 정보(531)가 a이고 윈도우 너비 정보(532)가 c인 경우, 도 5와 같이 윈도우 그래프(522)가 나타날 수 있다. 의료 영상 분석 장치(200)는 윈도우 센터 정보(531) 및 윈도우 너비 정보(532)에 기초하여 CT 영상(512)을 생성할 수 있다. 의료 영상 분석 장치(200)는 윈도우 센터 정보(531) 또는 윈도우 너비 정보(532)에 기초하여 입력 픽셀값 모두를 구분되게 표시하여, CT 영상(512)을 생성할 수 있다.

의료 영상 분석 장치(200)는 윈도우 그래프(522)의 라인의 기울기에 기초하여, 입력 픽셀의 밝은 부분을 더 밝게 표시하거나, 더 어둡게 표시할 수 있다. 의료 영상 분석 장치(200)는 윈도우 센터 정보(531) 또는 윈도우 너비 정보(532)에 기초하여 의료 영상의 밝기를 조정할 수 있다. 예를 들어, 윈도우 너비 정보(532)가 c인 경우와 윈도우 너비 정보(532)가 b인 경우를 비교하면, CT 영상(512)이 CT 영상(511)보다 어두움을 알 수 있다.

CT 영상(511)에 비하여 CT 영상(512)은 모든 픽셀값을 포함하므로 잃어버리는 정보가 없다. 하지만 의료 영상 분석에 중요하지 않은, 클러터(clutter) 신호를 모두 표현하므로, 영상 분석에 최적화되어 있지 않을 수 있다. 의료 영상 분석 장치(200)는 윈도우 센터 정보(531) 또는 윈도우 너비 정보(532)를 조절하여, 의료 영상을 영상 분석에 최적인 상태로 만들 수 있다.

또한, 예를 들어 윈도우 센터 정보(531)가 d이고 윈도우 너비 정보(532)가 c인 경우, 도 5와 같이 윈도우 그래프(523)가 나타날 수 있다. 의료 영상 분석 장치(200)는 윈도우 센터 정보(531) 및 윈도우 너비 정보(532)에 기초하여 CT 영상(513)을 생성할 수 있다. 의료 영상 분석 장치(200)는 윈도우 센터 정보(531) 또는 윈도우 너비 정보(532)에 기초하여 제 3 임계값보다 큰 입력 픽셀값을 모두 밝게 처리하여 CT 영상(513)을 생성할 수 있다.

의료 영상 분석 장치(200)는 윈도우 그래프(522)의 라인의 기울기에 기초하여, 입력 픽셀의 밝은 부분을 더 밝게 표시하거나, 더 어둡게 표시할 수 있다. 의료 영상 분석 장치(200)는 윈도우 센터 정보(531) 또는 윈도우 너비 정보(532)에 기초하여 의료 영상의 밝기를 조정할 수 있다. 예를 들어, 윈도우 센터 정보(531)가 a인 경우와 윈도우 센터 정보(531)가 d인 경우를 비교하면, CT 영상(512)이 CT 영상(513)보다 어두움을 알 수 있다.

제 3 임계값보다 큰 입력 픽셀값은 의료 영상 분석에 중요하지 않은 클러터 신호일 수 있다. 의료 영상 분석 장치(200)는 윈도우 센터 정보(531) 및 윈도우 너비 정보(532)에 기초하여 제 3 임계값을 조정하여 의료 영상 분석에 중요한 픽셀들만 표시할 수 있다.

의료 영상 분석 장치(200)는 윈도우 센터 정보(531) 또는 윈도우 너비 정보(532)에 기초하여 다양한 환경에서 온 원본 영상들을 정규화(normalization)할 수 있다. 의료 영상 분석 장치(200)의 전처리부(112) 및 전처리부(122)는 원본 의료 영상으로부터 정규화된 의료 영상을 생성할 수 있다. 또한, 의료 영상 분석 장치(200)는 예측 모델을 다른 의료 영상 분석 장치에 제공할 수 있다. 다른 의료 영상 분석 장치는 다른 기계학습을 수행하기 전에, 본 개시의 예측 모델에 기초하여 의료 영상을 보정할 수 있다.

다시 도 4를 참조하면, 의료 영상의 표시 방법과 관련된 정보는 색상 반전 정보를 포함할 수 있다. 의료 영상 분석 장치(200)는 색상 반전 정보에 기초하여 의료 영상의 색상을 반전하여 표시할 수 있다. 색상 반전 정보가 색상 반전을 나타내는 경우, 의료 영상 분석 장치(200)는 픽셀값이 가질 수 있는 최대값에서 의료 영상 내의 픽셀값을 차감한 값을 픽셀값으로 하여 의료 영상을 표시할 수 있다.

의료 영상의 표시 방법과 관련된 정보는 영상의 회전 정보를 포함할 수 있다. 영상의 회전 정보는 촬영된 의료 영상 정보를 시계 방향 또는 반시계 방향으로 회전하는 크기를 나타낼 수 있다. 영상 회전 정보는 회전 크기에 대응되는 인덱스로 나타나거나, radian 또는 degree 단위의 수치로 나타날 수 있다. 의료 영상 분석 장치(200)는 영상의 회전 정보에 기초하여 의료 영상을 회전하여 표시할 수 있다.

의료 영상의 표시 방법과 관련된 정보는 영상의 뒤집힘 정보를 포함할 수 있다. 영상의 뒤집힘(flip) 정보는 세로축을 기준으로 의료 영상을 좌우로 반전하여 표시하는 것을 나타낼 수 있다. 하지만 이에 한정되는 것은 아니며, 영상의 뒤집힘 정보는 가로축을 기준으로 의료 영상을 상하로 반전하여 표시하는 것을 나타낼 수 있다.

이제까지 메타데이터(420)가 의료 영상에 포함된 객체에 관련된 정보, 의료 영상의 촬영 환경에 대한 정보 및 의료 영상의 표시 방법과 관련된 정보 중 적어도 하나와 관련된 정보를 포함함을 설명하였다.

상술한 바와 같이 의료 영상 분석 장치(200)는 DICOM 헤더의 표준 형식으로 저장된 정보에 기초하여 메타데이터를 획득할 수 있다. 또한, 의료 영상 분석 장치(200)는 DICOM 헤더 내의 비표준 형식으로 저장된 정보에 기초하여 메타데이터를 획득할 수 있다. 또한 의료 영상 분석 장치(200)는 DICOM 헤더 이외의 저장공간에 비표준 형식으로 저장된 정보에 기초하여 메타데이터를 획득할 수 있다.

비표준 형식은 의료 영상 장치의 제조사 또는 병원마다 다를 수 있다. 비표준 형식으로 저장된 정보로부터 메타데이터를 획득하는 경우, 또한 의료 영상 분석 장치(200)는 의료 영상을 제공한 제조사 또는 병원마다 다른 방법을 사용하여 메타데이터를 획득해야 하는 불편함이 있을 수 있다.

본 개시에 따른 의료 영상 분석 장치(200)는 비표준 형식으로 저장된 정보에 기초하여 메타데이터를 획득하는 경우 또는 의료 영상과 관련된 정보가 아예 존재하지 않는 경우에도 의료 영상(412)에 기초하여 메타데이터를 생성할 수 있다. 도 3의 예측 모델을 학습하는 단계(310)에 대하여 도 6 및 도 7과 함께 자세히 설명한다.

도 6는 본 개시의 일 실시예에 따른 의료 영상 분석 장치의 동작을 나타낸 흐름도이다. 또한 도 7은 본 개시의 일 실시예에 따라 예측 모델을 학습하는 과정을 나타낸 도면이다.

의료 영상 분석 장치(200)는 예측 모델을 학습하기 위하여, 입력 데이터 세트(710)를 수신할 수 있다. 입력 데이터 세트(710)는 복수의 의료 영상(711) 및 메타데이터(712)를 포함할 수 있다.

의료 영상 분석 장치(200)는 복수의 의료 영상(711)을 획득하는 단계(610)를 수행할 수 있다. 예를 들면, 의료 영상 분석 장치(200)는 메모리(220)로부터 복수의 의료 영상을 획득할 수 있다. 또한, 의료 영상 분석 장치(200)는 유무선 통신에 기초하여 복수의 의료 영상을 획득할 수 있다.

의료 영상 분석 장치(200)는 복수의 의료 영상 각각에 매칭된 메타데이터(712)를 획득하는 단계(620)를 수행할 수 있다. 의료 영상 분석 장치(200)는 학습을 위한 복수의 의료 영상 각각의 DICOM 헤더의 표준 데이터 요소(Standard Data Elements)로부터 복수의 의료 영상 각각에 매칭되는 복수의 메타데이터를 획득하는 단계를 수행할 수 있다. 하지만 이에 한정되는 것은 아니며, 의료 영상 분석 장치(200)는 DICOM 헤더의 비표준 데이터 요소 또는 DICOM 헤더 이외의 저장 공간의 비표준 형식의 정보로부터 메타데이터를 획득할 수 있다. 이에 대해서는 도 3 내지 도 4와 함께 설명한 바와 같으므로 중복되는 설명은 생략한다.

의료 영상 분석 장치(200)는 학습을 위한 복수의 의료 영상 및 획득된 복수의 메타데이터를 이용하여, 예측 모델을 학습시키는 단계(630)를 수행할 수 있다. 의료 영상 분석 장치(200)는 원본 의료 영상 및 레이블 데이터를 이용해서 지도학습을 수행할 수 있다. 레이블 데이터는 메타데이터일 수 있다. 레이블 데이터는 DICOM 헤더에 있는 정보, DICOM 헤더 이외의 영역에 저장된 정보, 사용자가 입력한 정보 또는 전문 의료인이 원본 의료 영상에 대하여 입력한 정보일 수 있다. 의료 영상 분석 장치(200)는 레이블 데이터의 특성에 따라 회귀(regression) 또는 분류(classification)를 이용하여 기계학습할 수 있다.

의료 영상 분석 장치(200) 예측 모델을 학습하기 위하여 기계학습을 이용할 수 있다. 기계학습은 신경망(Neural Network)을 기반으로 할 수 있다. 예컨대, Deep Neural Network (DNN), Recurrent Neural Network (RNN), Long Short-Term Memory models (LSTM), BRDNN (Bidirectional Recurrent Deep Neural Network), Convolutional Neural Networks (CNN)과 같은 알고리즘이 기계학습으로써 사용될 수 있으나, 이에 한정되지 않는다.

의료 영상 분석 장치(200)는 학습된 결과를 예측 모델(730)로써 출력할 수 있다. 의료 영상 분석 장치(200)는 예측 모델(730)을 메모리에 저장할 수 있다. 의료 영상 분석 장치(200)는 예측 모델(730)을 다른 의료 영상 분석 장치(200)로 송신할 수 있다.

이제까지 예측 모델을 학습하는 단계(310)를 설명하였다. 이하에서는 예측 모델을 이용하여 메타데이터를 예측하는 단계(320)에 대하여 도 8 및 도 9와 함께 설명한다.

도 8은 본 개시의 일 실시예에 따른 의료 영상 분석 장치의 동작을 나타낸 흐름도이다. 또한 도 9은 본 개시의 일 실시예에 따라 예측 모델을 이용하는 과정을 나타낸 도면이다.

의료 영상 분석 장치(200)는 예측 모델을 포함할 수 있다. 의료 영상 분석 장치(200)는 다른 의료 영상 분석 장치(200)로부터 예측 모델을 수신할 수 있다. 또한, 의료 영상 분석 장치(200)는 복수의 의료 영상 및 메타데이터에 기초하여 기계학습을 수행하여 예측 모델을 획득할 수 있다.

의료 영상 분석 장치(200)는 의료 영상(910)을 수신하는 단계(810)를 수행할 수 있다. 예를 들면, 의료 영상 분석 장치(200)는 의료 영상(910)을 사용자로부터 입력장치를 통하여 입력 받을 수 있다. 다른 예로, 의료 영상 분석 장치(200)는 의료 영상(910)을 다른 장치로부터 유무선 통신을 이용하여 입력 받을 수 있다. 의료 영상(910)은 복수의 의료 영상(711)과 독립적일 수 있다. 의료 영상(910)은 복수의 의료 영상(711)과 다른 영상일 수 있으며, 동일한 영상일 수도 있다.

의료 영상 분석 장치(200)는 예측 모델을 이용하여 입력된 의료 영상(910)에 대응되는 메타데이터(930)를 예측하는 단계(820)를 수행할 수 있다. 예측된 메타데이터(930)는 상기 의료 영상(910)에 포함된 객체에 관련된 정보, 상기 의료 영상의 촬영 환경에 대한 정보 및 상기 의료 영상(910)의 표시 방법과 관련된 정보 중 적어도 하나를 포함할 수 있다.

이미 설명한 바와 같이, 의료 영상에 포함된 객체에 관련된 정보는 의료 영상에 포함된 신체 부위 정보 및 환자에 대한 정보 중 적어도 하나를 포함할 수 있다. 또한, 의료 영상의 촬영 환경에 대한 정보는 의료 영상의 모달리티 정보(modality information) 및 상기 의료 영상의 촬영 방식에 대한 정보 중 적어도 하나를 포함할 수 있다. 또한, 의료 영상의 표시 방법과 관련된 정보는 의료 영상의 윈도우 센터(window center) 정보, 윈도우 너비(window width) 정보, 색상 반전 정보, 영상의 회전 정보 및 영상의 뒤집힘 정보 중 적어도 하나를 포함할 수 있다.

또한, 의료 영상 분석 장치(200)는 입력된 의료 영상(910)에 대해 예측된 메타데이터(930)를 입력된 의료 영상(910)에 매칭하여 저장하는 단계(830)를 수행할 수 있다. 의료 영상 분석 장치(200)는 예측된 메타데이터(930)를 DICOM 헤더에 표준 형식으로 저장할 수 있다. 하지만 이에 한정되는 것은 아니다. 의료 영상 분석 장치(200)는 예측된 메타데이터(930)를 DICOM 헤더에 비표준 형식으로 저장하거나, DICOM 헤더가 아닌 저장공간에 저장할 수 있다.

의료 영상 분석 장치(200)는 입력된 의료 영상을 타겟 태스크를 수행하기 위한 최적 조건 또는 최적 상태로 조정(adjust)할 수 있다. 예를 들면, 의료 영상 분석 장치(200)는 입력된 의료 영상에서 이상(anomaly)을 검출하기 위해, 예측된 메타데이터(930)를 기초로, 입력된 의료 영상을 조정(adjust)하는 단계를 더 수행할 수 있다. 또한, 의료 영상 분석 장치(200)는 예측된 메타데이터(930)를 기초로, 입력된 의료 영상의 윈도우 센터, 윈도우 너비, 색상 및 출력 방향 중 적어도 하나를 조정하는 단계를 수행할 수 있다.

예를 들어, 예측된 메타데이터(930)는 예측된 윈도우 센터 정보, 예측된 윈도우 너비 정보, 예측된 색상 반전 정보, 예측된 영상의 회전 정보 및 예측된 영상의 뒤집힘 정보 중 적어도 하나를 포함할 수 있다. 의료 영상 분석 장치(200)는 예측된 윈도우 센터 정보 또는 예측된 윈도우 너비 정보에 기초하여 의료 영상(910)의 윈도우 센터 또는 윈도우 너비를 조정할 수 있다. 또한 의료 영상 분석 장치(200)는 예측된 색상 반전 정보에 기초하여 의료 영상(910)의 색상을 조정할 수 있다. 또한 의료 영상 분석 장치(200)는 예측된 영상의 회전 정보 및 예측된 영상의 뒤집힘 정보에 기초하여 의료 영상(910)의 출력 방향을 결정할 수 있다.

의료 영상 분석 장치(200)는 의료 영상으로부터 병변을 판독하기 전에 원본 의료 영상에서 필요한 메타데이터를 예측할 수 있다. 또한, 의료 영상 분석 장치(200)는 예측된 값을 이용해서 의료 영상을 판독 가능하게 조정할 수 있다. 또한 의료 영상은 예측된 값에 기초하여 의료 영상이 판독 대상 영상인지 여부를 결정할 수 있다. 따라서 의료 영상 분석 장치(200)는 주관적이고 변동 가능한 DICOM 헤더에 의존하지 않고, 일관된 판독 결과를 제공할 수 있다.

도 10은 본 개시의 일 실시예에 따라 병변을 검출하는 과정을 나타낸 흐름도이다.

의료 영상 분석 장치(200)는 환자의 의료 영상을 수신할 수 있다. 도 8에서 설명한 바와 같이, 의료 영상 분석 장치(200)는 환자의 의료 영상에 예측 모델을 이용하여 메타데이터를 예측할 수 있다. 동일한 예측 모델에 기초하여 메타데이터를 예측하므로, 의료 영상 분석 장치(200)는 어떠한 의료 영상을 수신하더라도, 동일한 기준에 기초하여 메타데이터를 획득할 수 있다. 따라서, 의료 영상 분석 장치(200)는 의료 영상 및 메타데이터에 기계학습을 적용하여 목표 태스크의 성공률을 높일 수 있다. 목표 태스크는 병변 검출일 수 있다.

의료 영상 분석 장치(200)는 입력된 의료 영상에서 이상(anomaly)을 검출하기 위해, 의료 영상 분석 장치(200)는 예측된 메타데이터에 기초하여 환자의 의료 영상을 조정하는 단계(1010)를 수행할 수 있다. 또한, 의료 영상 분석 장치(200)는 예측된 메타데이터를 기초로, 입력된 의료 영상의 윈도우 센터, 윈도우 너비, 색상 및 출력 방향 중 적어도 하나를 조정하는 단계를 수행할 수 있다.

의료 영상 분석 장치(200)는 예측된 메타데이터에 포함된 신체부위를 확인하는 단계(1020)를 수행할 수 있다. 의료 영상 분석 장치(200)는 예측된 메타데이터의 신체부위 정보가 이상(anomaly)을 검출하고자 하는 신체부위와 일치하는지를 확인할 수 있다.

예를 들어, 사용자는 환자의 의료 영상으로부터 이상을 진단하기 위하여 특정 신체부위에 대한 의료 영상이 필요할 수 있다. 사용자는 특정 신체 부위에 대한 정보를 의료 영상 분석 장치(200)에 입력할 수 있다. 또는, 의료 영상 분석 장치(200)는 사용자가 찾고 있는 병변에 대응하는 특정 신체 부위 정보를 자동으로 획득할 수 있다. 의료 영상 분석 장치(200)는 특정 신체 부위 정보와 메타데이터에 포함된 신체 부위 정보를 비교하여, 환자의 의료 영상이 특정 신체 부위에 대응되는 영상인지 확인할 수 있다. 의료 영상 분석 장치(200)는 특정 신체 부위 정보와 메타데이터에 포함된 신체 부위 정보가 일치하지 않는 경우, 환자의 새로운 의료 영상을 획득하거나 환자의 새로운 의료 영상을 획득하기 위한 동작을 수행할 수 있다.

의료 영상 분석 장치(200)는 예측된 메타데이터에 포함된 모달리티를 확인하는 단계(1030)를 수행할 수 있다. 의료 영상 분석 장치(200)는 예측된 메타데이터의 모달리티 정보가 이상을 검출하는데 적합한지를 확인할 수 있다.

예를 들어, 사용자는 환자의 의료 영상으로부터 이상을 진단하기 위하여 특정 모달리티의 의료 영상이 필요할 수 있다. 사용자는 특정 모달리티에 대한 정보를 의료 영상 분석 장치(200)에 입력할 수 있다. 또는, 의료 영상 분석 장치(200)는 사용자가 찾고 있는 병변을 검출하기 위해 필요한 특정 모달리티 정보를 자동으로 획득할 수 있다. 의료 영상 분석 장치(200)는 특정 모달리티 정보와 메타데이터에 포함된 모달리티 정보를 비교하여, 환자의 의료 영상이 특정 모달리티에 기초한 영상인지 확인할 수 있다. 의료 영상 분석 장치(200)는 특정 모달리티 정보와 메타데이터에 포함된 모달리티 정보가 일치하지 않는 경우, 환자의 새로운 의료 영상을 획득하거나 환자의 새로운 의료 영상을 획득하기 위한 동작을 수행할 수 있다.

의료 영상 분석 장치(200)는 예측된 메타데이터에 포함된 환자에 대한 정보를 확인하는 단계(1040)를 수행할 수 있다. 의료 영상 분석 장치(200)는 예측된 메타데이터의 환자에 대한 정보가 이상을 검출하는데 적합한지를 확인할 수 있다.

예를 들어, 사용자는 환자의 의료 영상으로부터 이상을 진단하기 위하여 특정 환자의 정보가 필요할 수 있다. 의료 영상 분석 장치(200)는 진단 대상과 의료 영상에 대응하는 환자가 동일한 사람인지를 판단할 수 있다. 또한 의료 영상 분석 장치(200)는 이상을 진단하기 위하여 특정한 연령 범위의 환자에게 진단을 수행할 수 있다. 예를 들면, 사용자는 환자에 대한 정보를 의료 영상 분석 장치(200)에 입력할 수 있다. 또는, 의료 영상 분석 장치(200)는 사용자가 찾고 있는 병변을 검출하기 위해 필요한 환자 정보를 자동으로 획득할 수 있다. 의료 영상 분석 장치(200)는 입력된 환자 정보와 메타데이터에 포함된 환자 정보를 비교할 수 있다. 의료 영상 분석 장치(200)는 입력된 환자 정보와 메타데이터에 포함된 환자 정보가 일치하지 않는 경우, 경고 메시지를 출력할 수 있다.

의료 영상 분석 장치(200)는 환자의 의료 영상으로부터 병변 검출하는 단계(1050)를 수행할 수 있다. 의료 영상 분석 장치(200)는 의료 영상으로부터 병변을 검출하기 위하여, 병변 검출에 특화된 기계학습모델을 사용할 수 있다.

이제까지 다양한 실시예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.

한편, 상술한 본 발명의 실시예들은 컴퓨터에서 실행될 수 있는 프로그램으로 작성가능하고, 컴퓨터로 읽을 수 있는 기록매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스크, 하드디스크 등), 광학적 판독 매체(예를 들면, 시디롬, 디브이디 등)와 같은 저장매체를 포함한다.

Claims (18)

1. 프로세서를 포함하는 컴퓨터 장치에 의해 수행되는 의료 영상 분석 방법으로서,
   상기 프로세서가 의료 영상의 메타데이터를 예측하는 예측 모델을 학습시키는 단계;
   상기 프로세서가 상기 학습된 예측 모델을 이용하여, 입력된 의료 영상의 메타데이터를 예측하는 단계; 및
   상기 프로세서가 의료 영상에서 병변을 검출하는 진단 모델을 이용하여, 상기 예측된 메타데이터를 기초로 상기 입력된 의료 영상에서 병변을 검출하는 단계를 포함하는
   의료 영상 분석 방법.
   
2. 제1항에 있어서,
   상기 병변을 검출하는 단계는
   상기 예측된 메타데이터를 이용하여, 상기 입력된 의료 영상을 상기 진단 모델의 병변 검출에 적합하도록 조정하는 단계와,
   상기 진단 모델을 이용하여, 상기 조정된 의료 영상에서 병변을 검출하는 단계를 포함하는
   의료 영상 분석 방법.
   
3. 제2항에 있어서,
   상기 조정하는 단계는
   상기 예측된 메타데이터를 이용하여, 상기 입력된 의료 영상의 윈도우 센터, 윈도우 너비, 색상 및 출력 방향 중 적어도 하나를 조정하는 단계를 포함하는
   의료 영상 분석 방법.
   
4. 제1항에 있어서,
   상기 병변을 검출하는 단계는
   상기 진단 모델을 이용하여, 상기 예측된 메타데이터에 포함된 상기 입력된 의료 영상의 모달리티 정보를 기초로 상기 입력된 의료 영상에서 병변을 검출하는 단계를 포함하는
   의료 영상 분석 방법.
   
5. 제1항에 있어서,
   상기 병변을 검출하는 단계는
   상기 예측된 메타데이터를 이용하여, 상기 입력된 의료 영상에 대응하는 환자 정보를 획득하는 단계와,
   상기 진단 모델을 이용하여, 상기 획득된 환자 정보를 기초로 상기 입력된 의료 영상에서 병변을 검출하는 단계를 포함하는
   의료 영상 분석 방법.
   
6. 제1항에 있어서,
   상기 메타데이터는
   상기 의료 영상에 포함된 객체에 관련된 정보, 상기 의료 영상의 촬영 환경에 대한 정보 및 상기 의료 영상의 표시 방법과 관련된 정보 중 적어도 하나를 포함하는
   의료 영상 분석 방법.
   
7. 메모리; 및
   적어도 하나의 프로세서를 포함하고,
   상기 메모리는, 상기 프로세서가 실행 시에,
   의료 영상의 메타데이터를 예측하는 예측 모델을 학습시키고,
   상기 학습된 예측 모델을 이용하여, 입력된 의료 영상의 메타데이터를 예측하고,
   의료 영상에서 병변을 검출하는 진단 모델을 이용하여, 상기 예측된 메타데이터를 기초로 상기 입력된 의료 영상에서 병변을 검출하도록 하는 인스트럭션들을 저장하는
   의료 영상 분석 장치.
   
8. 제7항에 있어서,
   상기 메모리는, 상기 프로세서가 실행 시에,
   상기 예측된 메타데이터를 이용하여, 상기 입력된 의료 영상을 상기 진단 모델의 병변 검출에 적합하도록 조정하고,
   상기 진단 모델을 이용하여, 상기 조정된 의료 영상에서 병변을 검출하도록 하는 인스트럭션들을 저장하는
   의료 영상 분석 장치.
   
9. 제8항에 있어서,
   상기 메모리는, 상기 프로세서가 실행 시에,
   상기 예측된 메타데이터를 이용하여, 상기 입력된 의료 영상의 윈도우 센터, 윈도우 너비, 색상 및 출력 방향 중 적어도 하나를 조정하도록 하는 인스트럭션들을 저장하는
   의료 영상 분석 장치.
   
10. 제7항에 있어서,
    상기 메모리는, 상기 프로세서가 실행 시에,
    상기 진단 모델을 이용하여, 상기 예측된 메타데이터에 포함된 상기 입력된 의료 영상의 모달리티 정보를 기초로 상기 입력된 의료 영상에서 병변을 검출하도록 하는 인스트럭션들을 저장하는
    의료 영상 분석 장치.
    
11. 제7항에 있어서,
    상기 메모리는, 상기 프로세서가 실행 시에,
    상기 예측된 메타데이터를 이용하여, 상기 입력된 의료 영상에 대응하는 환자 정보를 획득하고,
    상기 진단 모델을 이용하여, 상기 획득된 환자 정보를 기초로 상기 입력된 의료 영상에서 병변을 검출하도록 하는 인스트럭션들을 저장하는
    의료 영상 분석 장치.
    
12. 제7항에 있어서,
    상기 메타데이터는
    상기 의료 영상에 포함된 객체에 관련된 정보, 상기 의료 영상의 촬영 환경에 대한 정보 및 상기 의료 영상의 표시 방법과 관련된 정보 중 적어도 하나를 포함하는
    의료 영상 분석 장치.
    
13. 프로세서를 포함하는 컴퓨터 장치와 결합하여,
    상기 프로세서가 의료 영상의 메타데이터를 예측하는 예측 모델을 학습시키는 단계;
    상기 프로세서가 상기 학습된 예측 모델을 이용하여, 입력된 의료 영상의 메타데이터를 예측하는 단계; 및
    상기 프로세서가 의료 영상에서 병변을 검출하는 진단 모델을 이용하여, 상기 예측된 메타데이터를 기초로 상기 입력된 의료 영상에서 병변을 검출하는 단계를 실행시키기 위하여 컴퓨터로 읽을 수 있는 기록 매체에 저장된,
    컴퓨터 프로그램.
    
14. 제13항에 있어서,
    상기 병변을 검출하는 단계는
    상기 예측된 메타데이터를 이용하여, 상기 입력된 의료 영상을 상기 진단 모델의 병변 검출에 적합하도록 조정하는 단계와,
    상기 진단 모델을 이용하여, 상기 조정된 의료 영상에서 병변을 검출하는 단계를 포함하는
    컴퓨터 프로그램.
    
15. 제14항에 있어서,
    상기 조정하는 단계는
    상기 예측된 메타데이터를 이용하여, 상기 입력된 의료 영상의 윈도우 센터, 윈도우 너비, 색상 및 출력 방향 중 적어도 하나를 조정하는 단계를 포함하는
    컴퓨터 프로그램.
    
16. 제13항에 있어서,
    상기 병변을 검출하는 단계는
    상기 진단 모델을 이용하여, 상기 예측된 메타데이터에 포함된 상기 입력된 의료 영상의 모달리티 정보를 기초로 상기 입력된 의료 영상에서 병변을 검출하는 단계를 포함하는
    컴퓨터 프로그램.
    
17. 제13항에 있어서,
    상기 병변을 검출하는 단계는
    상기 예측된 메타데이터를 이용하여, 상기 입력된 의료 영상에 대응하는 환자 정보를 획득하는 단계와,
    상기 진단 모델을 이용하여, 상기 획득된 환자 정보를 기초로 상기 입력된 의료 영상에서 병변을 검출하는 단계를 포함하는
    컴퓨터 프로그램.
    
18. 제13항에 있어서,
    상기 메타데이터는
    상기 의료 영상에 포함된 객체에 관련된 정보, 상기 의료 영상의 촬영 환경에 대한 정보 및 상기 의료 영상의 표시 방법과 관련된 정보 중 적어도 하나를 포함하는
    컴퓨터 프로그램.
    

Images