KR102472963B1 - 의료 영상의 프레임 이미지별 강도의 분포를 이용한 최적 프레임 선택 방법 및 시스템 - Google Patents
의료 영상의 프레임 이미지별 강도의 분포를 이용한 최적 프레임 선택 방법 및 시스템 Download PDFInfo
- Publication number
- KR102472963B1 KR102472963B1 KR1020220056641A KR20220056641A KR102472963B1 KR 102472963 B1 KR102472963 B1 KR 102472963B1 KR 1020220056641 A KR1020220056641 A KR 1020220056641A KR 20220056641 A KR20220056641 A KR 20220056641A KR 102472963 B1 KR102472963 B1 KR 102472963B1
- Authority
- KR
- South Korea
- Prior art keywords
- frame
- image
- medical image
- intensity
- images
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000009826 distribution Methods 0.000 title claims abstract description 32
- 238000002059 diagnostic imaging Methods 0.000 title description 3
- 230000010365 information processing Effects 0.000 claims abstract description 66
- 239000002872 contrast media Substances 0.000 claims abstract description 57
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 56
- 238000010187 selection method Methods 0.000 claims abstract 13
- 230000006870 function Effects 0.000 claims description 24
- 238000010801 machine learning Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 7
- 230000000873 masking effect Effects 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 18
- 238000004891 communication Methods 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 10
- 238000007796 conventional method Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000010924 continuous production Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 238000002835 absorbance Methods 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000003094 perturbing effect Effects 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/48—Diagnostic techniques
- A61B6/481—Diagnostic techniques involving the use of contrast agents
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/504—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of blood vessels, e.g. by angiography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0891—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of blood vessels
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/48—Diagnostic techniques
- A61B8/481—Diagnostic techniques involving the use of contrast agent, e.g. microbubbles introduced into the bloodstream
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
- A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Surgery (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
- Vascular Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Dentistry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Quality & Reliability (AREA)
- Physiology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Cardiology (AREA)
- Hematology (AREA)
Abstract
본 개시는 정보 처리 시스템의 적어도 하나의 프로세서에 의해 수행되는 의료 영상의 프레임 이미지별 강도의 분포를 이용한 최적 프레임 선택 방법에 관한 것이다. 의료 영상의 프레임 이미지별 강도의 분포를 이용한 최적 프레임 선택 방법은, 조영제가 투여된 상태에서 혈관이 촬영된 의료 영상을 수신하는 단계 - 의료 영상은 복수의 프레임 이미지를 포함함 -, 의료 영상의 복수의 프레임 이미지의 각각에 대한 강도(intensity)를 산출하는 단계, 복수의 프레임 이미지에 대응하는 복수의 강도의 분포를 기초로 복수의 연속적인 프레임 이미지에 대응하는 프레임 구간을 결정하는 단계 및 프레임 구간에 대응하는 복수의 연속적인 프레임 이미지 중에서, 하나의 프레임 이미지를 선택하는 단계를 포함한다.
Description
본 개시는 의료 영상의 프레임 이미지별 강도의 분포를 이용한 최적 프레임 선택 방법 및 시스템에 관한 것으로, 구체적으로, 프레임 이미지별 강도를 산출한 뒤, 강도가 안정적으로 유지되는 프레임 구간을 결정하고, 결정된 프레임 구간 내에서 최적 프레임을 선택하는 방법 및 시스템에 관한 것이다.
의료 영상(예: X-ray, CT, MRI 등)을 이용하여 진단, 검사 등을 하는 경우, 대상 환자의 인체에 조영제를 투여하는 경우가 많다. 조영제는 검사 대상 혈관이 주위와 잘 구별될 수 있도록, X선 흡수도의 차이를 인위적으로 크게 함으로써 영상의 대조도를 크게 만들어 준다. 촬영된 의료 영상에서, 조영제가 채워진 혈관 영역은 주위에 비해 진하게(검게) 보일 수 있다.
한편, 의료 영상에는 복수의 프레임 이미지가 포함될 수 있는데, 의료진은 이 중 대상 혈관과 주위가 가장 뚜렷이 잘 구별되어 검사 결과 분석에 적합한 최적 프레임 이미지, 즉, 대상 혈관에 조영제가 고르게 충분히 채워진 상태에서 촬영된 프레임 이미지를 선택하고, 선택된 최적 프레임 이미지에 대해 분석하여 진단 등을 내릴 수 있다.
의료 영상에 포함된 복수의 프레임 이미지 중 최적 프레임을 선택하기 위한 종래의 방법에 의하면, 복수의 프레임 이미지 중 조영제 강도가 가장 높은 프레임 이미지를 최적 프레임으로 선택한다. 이러한 종래의 방법에 의하면, 조영제가 아닌 이물질(예: 카테터)이 혈관 내 조영제로 판단되어, 이물질이 삽입된 순간의 프레임이 최적 프레임으로 선택되거나, 조영제가 다 흘러가서 일부 혈관 영역에는 조영제가 거의 남아 있지 않고 일부 혈관 영역에만 조영제가 채워진 상태에서 촬영된 프레임이 최적 프레임으로 선택되는 등 분석에 적합하지 않은 프레임이 최적 프레임으로 선택되는 오류가 빈번하게 발생되는 문제점이 있다.
본 개시는 상기와 같은 문제점을 해결하기 위한 의료 영상의 프레임 이미지별 강도의 분포를 이용한 최적 프레임 선택 방법, 기록매체에 저장된 컴퓨터 프로그램 및 장치(시스템)를 제공한다.
본 개시는 방법, 장치(시스템) 또는 판독 가능 저장 매체에 저장된 컴퓨터 프로그램을 포함한 다양한 방식으로 구현될 수 있다.
본 개시의 일 실시예에 따르면, 적어도 하나의 프로세서에 의해 수행되는, 의료 영상의 프레임 이미지별 강도의 분포를 이용한 최적 프레임 선택 방법은, 조영제가 투여된 상태에서 혈관이 촬영된 의료 영상을 수신하는 단계 - 의료 영상은 복수의 프레임 이미지를 포함함 -, 의료 영상의 복수의 프레임 이미지의 각각에 대한 강도(intensity)를 산출하는 단계, 복수의 프레임 이미지에 대응하는 복수의 강도의 분포를 기초로, 복수의 연속적인 프레임 이미지에 대응하는 프레임 구간을 결정하는 단계 및 프레임 구간에 대응하는 복수의 연속적인 프레임 이미지 중에서, 하나의 프레임 이미지를 선택하는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 의료 영상의 복수의 프레임 이미지의 각각에 대한 강도를 산출하는 단계는, 기계학습 모델을 이용하여, 의료 영상의 복수의 프레임 이미지의 각각 내에서 혈관으로 판단되는 영역을 마스킹하는 단계 및 마스킹된 영역을 기초로, 의료 영상의 프레임 이미지의 각각에 대한 강도를 산출하는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 의료 영상의 복수의 프레임 이미지의 각각에 대한 강도를 산출하는 단계는, 의료 영상의 복수의 프레임 이미지의 각각 내의 복수의 픽셀의 각각이 혈관 영역으로 판단되는 신뢰도 값을 산출하는 단계 및 산출된 신뢰도 값을 기초로, 의료 영상의 복수의 프레임 이미지의 각각에 대한 강도를 산출하는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 프레임 구간을 결정하는 단계는, 의료 영상의 복수의 프레임 이미지 중에서, 프레임 이미지에 대한 강도가 미리 정의된 임계 범위 내에 포함되는 복수의 연속적인 프레임 이미지를 선택하는 단계 및 선택된 복수의 연속적인 프레임 이미지에 대응하는 프레임 구간을 검출하는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 산출된 복수의 프레임 이미지의 각각에 대한 강도를 연속 함수로 근사하는 단계 및 근사된 연속 함수의 극댓값을 산출하는 단계를 더 포함하고, 미리 정의된 임계 범위는, 산출된 극댓값을 기준으로 정의된다.
본 개시의 일 실시예에 따르면, 프레임 구간을 결정하는 단계는, 복수의 프레임 구간이 검출된 경우, 프레임 구간의 검출의 기준이 된 극댓값이 가장 큰 프레임 구간을 프레임 구간으로 결정하는 단계를 더 포함한다.
본 개시의 일 실시예에 따르면, 프레임 구간을 결정하는 단계는, 복수의 프레임 구간이 검출된 경우, 프레임 구간에 대응하는 프레임 이미지의 수가 가장 많은 프레임 구간 또는 프레임 구간에 대응하는 프레임 이미지의 강도 최대값, 강도 최소값 또는 강도의 평균 중 하나가 가장 큰 구간을 프레임 구간으로 결정하는 단계를 더 포함한다.
본 개시의 일 실시예에 따르면, 하나의 프레임 이미지를 선택하는 단계는, 프레임 구간 내에서 강도가 가장 높은 프레임 이미지 또는 프레임 구간 중 마지막 프레임에 대응하는 프레임 이미지를 선택하는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 의료 영상이 촬영된 시간과 동시간에 측정된 심전도 데이터를 수신하는 단계를 더 포함하고, 하나의 프레임 이미지를 선택하는 단계는, 심전도 데이터를 이용하여, 프레임 구간 내에서 확장기 말(end of diastole)에 대응되는 프레임을 선택하는 단계 및 선택된 프레임에 대응하는 프레임 이미지를 추출하는 단계를 포함한다.
본 개시의 일 실시예에 따른 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 제공된다.
본 개시의 일 실시예에 따른 정보 처리 시스템은, 메모리 및 메모리와 연결되고, 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 적어도 하나의 프로그램은, 조영제가 투여된 상태에서 혈관이 촬영된 의료 영상을 수신하고 - 의료 영상은 복수의 프레임 이미지를 포함함 -, 의료 영상의 복수의 프레임 이미지의 각각에 대한 강도를 산출하고, 복수의 프레임 이미지에 대응하는 복수의 강도의 분포를 기초로, 복수의 연속적인 프레임 이미지에 대응하는 프레임 구간을 결정하고, 프레임 구간에 대응하는 복수의 연속적인 프레임 이미지 중에서, 하나의 프레임 이미지를 선택하기 위한 명령어를 포함한다.
본 개시의 일부 실시예에 따르면, 사용자(예: 의사 등)의 개입 없이 객관적으로 최적 프레임이 선택될 수 있으며, 분석에 적합하지 않은 프레임이 최적 프레임으로 선택되는 오류를 방지할 수 있다.
본 개시의 일부 실시예에 따르면, 조영제의 강도가 안정적으로 유지되는 프레임 구간을 결정하고, 결정된 구간 중에서 최적 프레임을 선택함으로써, 섭동(perturbation)에 의해 분석에 적합하지 않은 프레임이 최적 프레임으로 선택되는 오류를 방지할 수 있다. 즉, 에러 민감도를 감소시킬 수 있다.
본 개시의 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않은 다른 효과들은 청구범위의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자("통상의 기술자"라 함)에게 명확하게 이해될 수 있을 것이다.
본 개시의 실시예들은, 이하 설명하는 첨부 도면들을 참조하여 설명될 것이며, 여기서 유사한 참조 번호는 유사한 요소들을 나타내지만, 이에 한정되지는 않는다.
도 1은 본 개시의 일 실시예에 따른 의료 영상으로부터 최적 프레임을 선택하는 정보 처리 시스템을 나타내는 예시적인 구성도이다.
도 2는 본 개시의 일 실시예에 따른 정보 처리 시스템의 내부 구성을 나타내는 블록도이다.
도 3은 본 개시의 일 실시예에 따른 정보 처리 시스템의 프로세서의 내부 구성을 나타내는 도면이다.
도 4는 본 개시의 일 실시예에 따라, 의료 영상의 복수의 프레임 이미지의 각각에 대한 강도를 산출하는 예시를 나타내는 도면이다.
도 5는 본 개시의 다른 실시예에 따라, 의료 영상의 복수의 프레임 이미지의 각각에 대한 강도를 산출하는 예시를 나타내는 도면이다.
도 6은 본 개시의 일 실시예에 따른 프레임 구간을 검출하는 방법의 예시를 나타내는 도면이다.
도 7은 본 개시의 일 실시예에 따라, 검출된 복수의 프레임 구간 중 하나의 최종 프레임 구간을 결정하는 방법의 예시를 나타내는 도면이다.
도 8은 본 개시의 일 실시예에 따라 결정된 프레임 구간 내에서 최적 프레임을 선택하는 방법의 예시를 나타내는 도면이다.
도 9는 종래의 방법에 따라 선택된 최적 프레임 존재 구간과 본 개시의 일 실시예에 따라 선택된 최적 프레임 존재 구간의 예시를 나타내는 도면이다.
도 10은 본 개시의 일 실시예에 따른 의료 영상의 프레임 이미지별 강도의 분포를 이용한 최적 프레임 선택 방법의 예시를 나타내는 흐름도이다.
도 1은 본 개시의 일 실시예에 따른 의료 영상으로부터 최적 프레임을 선택하는 정보 처리 시스템을 나타내는 예시적인 구성도이다.
도 2는 본 개시의 일 실시예에 따른 정보 처리 시스템의 내부 구성을 나타내는 블록도이다.
도 3은 본 개시의 일 실시예에 따른 정보 처리 시스템의 프로세서의 내부 구성을 나타내는 도면이다.
도 4는 본 개시의 일 실시예에 따라, 의료 영상의 복수의 프레임 이미지의 각각에 대한 강도를 산출하는 예시를 나타내는 도면이다.
도 5는 본 개시의 다른 실시예에 따라, 의료 영상의 복수의 프레임 이미지의 각각에 대한 강도를 산출하는 예시를 나타내는 도면이다.
도 6은 본 개시의 일 실시예에 따른 프레임 구간을 검출하는 방법의 예시를 나타내는 도면이다.
도 7은 본 개시의 일 실시예에 따라, 검출된 복수의 프레임 구간 중 하나의 최종 프레임 구간을 결정하는 방법의 예시를 나타내는 도면이다.
도 8은 본 개시의 일 실시예에 따라 결정된 프레임 구간 내에서 최적 프레임을 선택하는 방법의 예시를 나타내는 도면이다.
도 9는 종래의 방법에 따라 선택된 최적 프레임 존재 구간과 본 개시의 일 실시예에 따라 선택된 최적 프레임 존재 구간의 예시를 나타내는 도면이다.
도 10은 본 개시의 일 실시예에 따른 의료 영상의 프레임 이미지별 강도의 분포를 이용한 최적 프레임 선택 방법의 예시를 나타내는 흐름도이다.
이하, 본 개시의 실시를 위한 구체적인 내용을 첨부된 도면을 참조하여 상세히 설명한다. 다만, 이하의 설명에서는 본 개시의 요지를 불필요하게 흐릴 우려가 있는 경우, 널리 알려진 기능이나 구성에 관한 구체적 설명은 생략하기로 한다.
첨부된 도면에서, 동일하거나 대응하는 구성요소에는 동일한 참조부호가 부여되어 있다. 또한, 이하의 실시예들의 설명에 있어서, 동일하거나 대응되는 구성요소를 중복하여 기술하는 것이 생략될 수 있다. 그러나 구성요소에 관한 기술이 생략되어도, 그러한 구성요소가 어떤 실시예에 포함되지 않는 것으로 의도되지는 않는다.
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 통상의 기술자에게 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 '모듈' 또는 '부'라는 용어는 소프트웨어 또는 하드웨어 구성요소를 의미하며, '모듈' 또는 '부'는 어떤 역할들을 수행한다. 그렇지만 '모듈' 또는 '부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '모듈' 또는 '부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '모듈' 또는 '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 또는 변수들 중 적어도 하나를 포함할 수 있다. 구성요소들과 '모듈' 또는 '부'들은 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '모듈' 또는 '부'들로 결합되거나 추가적인 구성요소들과 '모듈' 또는 '부'들로 더 분리될 수 있다.
본 개시의 일 실시예에 따르면 '모듈' 또는 '부'는 프로세서 및 메모리로 구현될 수 있다. '프로세서'는 범용 프로세서, 중앙 처리 장치(CPU), GPU(Graphic Processing Unit), 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. '프로세서'는, 예를 들어, DSP와 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. 또한, '메모리'는 전자 정보를 저장 가능한 임의의 전자 컴포넌트를 포함하도록 넓게 해석되어야 한다. '메모리'는 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.
본 개시에서, '시스템'은 서버 장치와 클라우드 장치 중 적어도 하나의 장치를 포함할 수 있으나, 이에 한정되는 것은 아니다. 예를 들어, 시스템은 하나 이상의 서버 장치로 구성될 수 있다. 다른 예로서, 시스템은 하나 이상의 클라우드 장치로 구성될 수 있다. 또 다른 예로서, 시스템은 서버 장치와 클라우드 장치가 함께 구성되어 동작될 수 있다.
본 개시에서, '의료 영상'은 질병의 진단, 치료, 예방 등을 위해 촬영된 영상 및/또는 이미지로서, 환자의 인체 내/외부가 촬영된 영상 및/또는 이미지 등을 지칭할 수 있다. 예를 들어, 의료 영상은, X-ray 영상, 초음파 영상, 흉부 방사선 영상(Chest radiograph), Computed Tomography(CT), Positron emission tomography(PET), Magnetic Resonance Imaging(MRI), Sonography(Ultrasound, US), Functional Magnetic Resonance Imaging (fMRI), 병리 조직 이미지(Digital pathology whole slide image, WSI), Digital Breast Tomosynthesis(DBT) 등 모든 유형(modality)의 영상 및/또는 이미지를 포함할 수 있다. 본 개시의 일부 실시예에서, '의료 영상'은 의료 영상에 포함된 복수의 프레임 이미지를 지칭할 수 있다. 또한, 본 개시의 일부 실시예에서, '의료 영상'은 대상 환자에게 조영제가 투여된 상태에서 대상 환자의 혈관이 촬영된 의료 영상을 포함할 수 있다.
본 개시에서, '프레임 이미지'는 의료 영상을 구성하는 정지 이미지를 지칭할 수 있다. 본 개시의 일부 실시예에서, 의료 영상에 포함된 복수의 프레임 이미지의 각각에는, 의료 영상이 촬영된 시간 순에 따라 순차적으로 프레임 번호(예: 제1 프레임 이미지, 제2 프레임 이미지, ??, 제n 프레임 이미지 등)가 부여될 수 있다. 또한, 본 개시의 일부 실시예에서 '프레임 이미지'는 '이미지'로 지칭될 수 있다.
본 개시에서, '기계학습 모델'은 주어진 입력에 대한 답을 추론하는데 사용하는 임의의 모델을 포함할 수 있다. 일 실시예에 따르면, 기계학습 모델은 입력 레이어(층), 복수 개의 은닉 레이어 및 출력 레이어를 포함한 인공신경망 모델을 포함할 수 있다. 여기서, 각 레이어는 하나 이상의 노드를 포함할 수 있다. 또한, 기계학습 모델은 기계학습 모델에 포함된 복수의 노드와 연관된 가중치를 포함할 수 있다. 여기서, 가중치는 기계학습 모델과 연관된 임의의 파라미터를 포함할 수 있다. 본 개시에서, 기계학습 모델은 인공신경망 모델을 지칭할 수 있으며, 인공신경망 모델은 기계학습 모델을 지칭할 수 있다. 본 개시에 따른 기계학습 모델은 다양한 학습 방법을 이용하여 학습된 모델일 수 있다. 예를 들어, 지도 학습(Supervised Learning), 자율 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning) 등 다양한 학습 방법이 본 개시에 이용될 수 있다.
본 개시에서, '학습'은 학습 데이터 및/또는 정답 레이블을 이용하여 기계학습 모델과 연관된 가중치를 변경하는 임의의 과정을 지칭할 수 있다. 일 실시예에 따르면, 학습은 학습 이미지 및 정답 레이블(예를 들어, 마스킹된 영역 또는 마스킹된 이미지 등)을 이용하여 기계학습 모델을 한번 이상의 순방향 전파(forward propagation) 및 역방향 전파(backward propagation)를 통해 기계학습 모델과 연관된 가중치를 변경하거나 업데이트하는 과정을 지칭할 수 있다.
본 개시에서, '복수의 A의 각각' 또는 '복수의 A 각각'은 복수의 A에 포함된 모든 구성 요소의 각각을 지칭하거나, 복수의 A에 포함된 일부 구성 요소의 각각을 지칭할 수 있다. 예를 들어, 복수의 프레임 이미지의 각각은, 복수의 프레임 이미지에 포함된 모든 프레임 이미지의 각각을 지칭하거나 복수의 프레임 이미지에 포함된 일부 프레임 이미지의 각각을 지칭할 수 있다.
본 개시에서, '유사'는 동일 또는 유사하다는 의미를 모두 포함할 수 있다. 예를 들어, 두 정보가 유사하다는 것은 두 정보가 서로 동일하거나 유사하다는 것을 지칭할 수 있다.
도 1은 본 개시의 일 실시예에 따른 의료 영상(110)으로부터 최적 프레임(120)을 선택하는 정보 처리 시스템(100)을 나타내는 예시적인 구성도이다. 정보 처리 시스템(100)은 의료 영상(110)을 수신하고, 수신된 의료 영상(110)에 포함된 복수의 프레임 이미지(예: 제1 프레임 이미지, 제2 프레임 이미지, ??, 제n 프레임 이미지 등) 중 최적 프레임(120)(예: 제k 프레임 이미지)을 선택할 수 있다. 도 1에서는 정보 처리 시스템(100)이 하나의 컴퓨팅 장치로서 도시되어 있으나, 이에 한정되지 않으며, 정보 처리 시스템(100)은 복수의 컴퓨팅 장치를 통해 정보 및/또는 데이터를 분산 처리하도록 구성될 수 있다. 정보 처리 시스템(100)은 의료 영상(110)으로부터 최적 프레임(120)을 선택하는데 이용되는 임의의 컴퓨팅 장치일 수 있다. 여기서, 컴퓨팅 장치는 컴퓨팅 기능이 구비된 임의의 종류의 장치를 지칭할 수 있으며, 예를 들어, 노트북, 데스크톱(desktop), 랩탑(laptop), 서버, 클라우드 시스템 등이 될 수 있으나, 이에 한정되지 않는다.
도 1에서는 정보 처리 시스템(100)과 통신 가능한 저장 시스템을 도시하지 않았으나, 정보 처리 시스템(100)은 하나 이상의 저장 시스템과 연결되거나 통신 가능하도록 구성될 수 있다. 정보 처리 시스템(100)과 연결되거나 통신 가능하도록 구성된 저장 시스템은 최적 프레임 선택 작업과 연관된 각종 데이터를 저장하고 관리하는 장치 또는 클라우드 시스템일 수 있다. 데이터의 효율적인 관리를 위해, 저장 시스템은, 데이터베이스를 이용하여 각종 데이터를 저장하고 관리할 수 있다. 여기서, 각종 데이터는 최적 프레임 선택과 연관된 임의의 데이터를 포함할 수 있으며, 예를 들어, 각종 데이터는 기계학습 모델, 학습 데이터, 의료 영상, 심전도 데이터 등을 포함할 수 있으나, 이에 한정되지 않는다.
정보 처리 시스템(100)은 대상 환자에게 조영제가 투여된 상태에서 대상 환자의 혈관이 촬영된 의료 영상(110)을 수신할 수 있다. 이러한 의료 영상(110)은 통신가능한 저장 매체(예를 들어, 병원 시스템, 로컬/클라우드 저장 시스템 등)를 통해 수신될 수 있다. 정보 처리 시스템(100)은 수신된 의료 영상(110)에 포함된 복수의 프레임 이미지 중 최적 프레임(120)을 선택할 수 있다. 여기서, 최적 프레임(120)이란, 의료 영상(110)에 포함된 복수의 프레임 이미지 중 질병의 진단, 치료, 예방 등을 위한 분석에 가장 적합한 프레임 이미지를 지칭할 수 있다. 예를 들어, 최적 프레임(120)은 촬영의 대상이 된 혈관 영역에 조영제가 고르게 충분히 차 있는 상태에서 촬영되어, 이미지에서 혈관에 대응되는 영역과 그렇지 않은 영역이 뚜렷하게 구분될 수 있는 프레임을 포함할 수 있다. 일 실시예에 따르면, 정보 처리 시스템(100)은 의료 영상(110)에 포함된 복수의 프레임 이미지의 각각에 대한 강도(intensity)를 산출하고, 강도가 지속적이고 안정적으로 높게 산출된 프레임 구간을 결정한 뒤, 결정된 프레임 구간 내에서 하나의 프레임을 선택함으로써 최적 프레임(120)을 선택할 수 있다. 이에 따라, 사용자(예: 의사 등)의 개입 없이 객관적으로 최적 프레임(120)이 선택될 수 있으며, 분석에 적합하지 않은 프레임이 최적 프레임(120)으로 선택되는 오류를 방지할 수 있다.
도 2는 본 개시의 일 실시예에 따른 정보 처리 시스템(100)의 내부 구성을 나타내는 블록도이다. 정보 처리 시스템(100)은 메모리(210), 프로세서(220), 통신 모듈(230) 및 입출력 인터페이스(240)를 포함할 수 있다. 도 2에 도시된 바와 같이, 정보 처리 시스템(100)은 통신 모듈(230)을 이용하여 네트워크를 통해 정보 및/또는 데이터를 통신할 수 있도록 구성될 수 있다. 일 실시예에 따르면, 정보 처리 시스템(100)은 메모리(210), 프로세서(220), 통신 모듈(230) 및 입출력 인터페이스(240)를 포함하는 적어도 하나의 장치로 구성될 수 있다.
메모리(210)는 비-일시적인 임의의 컴퓨터 판독 가능한 기록매체를 포함할 수 있다. 일 실시예에 따르면, 메모리(210)는 ROM(read only memory), 디스크 드라이브, SSD(solid state drive), 플래시 메모리(flash memory) 등과 같은 비소멸성 대용량 저장 장치(permanent mass storage device)를 포함할 수 있다. 다른 예로서, ROM, SSD, 플래시 메모리, 디스크 드라이브 등과 같은 비소멸성 대용량 저장 장치는 메모리(210)와는 구분되는 별도의 영구 저장 장치로서 정보 처리 시스템(100)에 포함될 수 있다. 또한, 메모리(210)에는 운영체제와 적어도 하나의 프로그램 코드(예를 들어, 정보 처리 시스템(100)에 설치되어 구동되는 최적 프레임 선택 등을 위한 코드)가 저장될 수 있다.
이러한 소프트웨어 구성요소들은 메모리(210)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록매체는 이러한 정보 처리 시스템(100)에 직접 연결가능한 기록 매체를 포함할 수 있는데, 예를 들어, 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등과 같이 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 예로서, 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 모듈(230)을 통해 메모리(210)에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 애플리케이션의 설치 파일을 배포하는 파일 배포 시스템이 통신 모듈(230)을 통해 제공하는 파일들에 의해 설치되는 컴퓨터 프로그램(예를 들어, 최적 프레임 선택 등을 위한 프로그램 등)에 기반하여 메모리(210)에 로딩될 수 있다.
프로세서(220)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(210) 또는 통신 모듈(230)에 의해 사용자 단말(미도시) 또는 다른 외부 시스템으로 제공될 수 있다. 예를 들어, 프로세서(220)는 의료 영상을 수신하고, 의료 영상에 포함된 복수의 프레임 이미지의 각각에 대한 강도를 산출하고, 복수의 프레임 이미지에 대응하는 복수의 강도의 분포를 기초로, 복수의 연속적인 프레임 이미지에 대응하는 프레임 구간을 결정한 뒤, 프레임 구간에 대응하는 복수의 연속적인 프레임 이미지 중에서 하나의 프레임 이미지를 선택함으로써 최적 프레임을 선택할 수 있다.
통신 모듈(230)은 네트워크를 통해 사용자 단말(미도시)과 정보 처리 시스템(100)이 서로 통신하기 위한 구성 또는 기능을 제공할 수 있으며, 정보 처리 시스템(100)이 외부 시스템(일례로 별도의 클라우드 시스템 등)과 통신하기 위한 구성 또는 기능을 제공할 수 있다. 일례로, 정보 처리 시스템(100)의 프로세서(220)의 제어에 따라 제공되는 제어 신호, 명령, 데이터 등이 통신 모듈(230)과 네트워크를 거쳐 사용자 단말 및/또는 외부 시스템의 통신 모듈을 통해 사용자 단말 및/또는 외부 시스템으로 전송될 수 있다. 예를 들어, 정보 처리 시스템(100)에 의해 선택된 최적 프레임이 통신 모듈(230)과 네트워크를 거쳐 사용자 단말 및/또는 외부 시스템의 통신 모듈을 통해 사용자 단말 및/또는 외부 시스템으로 전송될 수 있다. 또한, 최적 프레임을 수신한 사용자 단말 및/또는 외부 시스템은 수신한 정보를 디스플레이 출력 가능 장치를 통해 출력할 수 있다.
또한, 정보 처리 시스템(100)의 입출력 인터페이스(240)는 정보 처리 시스템(100)과 연결되거나 정보 처리 시스템(100)이 포함할 수 있는 입력 또는 출력을 위한 장치(미도시)와의 인터페이스를 위한 수단일 수 있다. 도 2에서는 입출력 인터페이스(240)가 프로세서(220)와 별도로 구성된 요소로서 도시되었으나, 이에 한정되지 않으며, 입출력 인터페이스(240)가 프로세서(220)에 포함되도록 구성될 수 있다. 정보 처리 시스템(100)은 도 2의 구성요소들보다 더 많은 구성요소들을 포함할 수 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다.
정보 처리 시스템(100)의 프로세서(220)는 복수의 사용자 단말 및/또는 복수의 외부 시스템으로부터 수신된 정보 및/또는 데이터를 관리, 처리 및/또는 저장하도록 구성될 수 있다. 일 실시예에 따르면, 프로세서(220)는 사용자 단말 및/또는 외부 시스템으로부터 의료 영상을 수신할 수 있다. 프로세서(220)는 의료 영상에 포함된 복수의 프레임 이미지의 각각에 대한 강도를 산출하고, 복수의 프레임 이미지에 대응하는 복수의 강도의 분포를 기초로, 복수의 연속적인 프레임 이미지에 대응하는 프레임 구간을 결정한 뒤, 프레임 구간에 대응하는 복수의 연속적인 프레임 이미지 중에서 하나의 프레임 이미지를 선택함으로써 최적 프레임을 선택할 수 있으며, 선택된 최적 프레임을 정보 처리 시스템(100)과 연결된 디스플레이 출력 가능 장치를 통해 출력할 수 있다.
도 3은 본 개시의 일 실시예에 따른 정보 처리 시스템의 프로세서(220)의 내부 구성을 나타내는 도면이다. 일 실시예에 따르면, 프로세서(220)는 강도 산출부(310), 프레임 구간 결정부(320), 최적 프레임 선택부(330)를 포함할 수 있다. 도 3에서 프로세서(220)의 내부 구성을 기능별로 구분하여 설명하지만, 이는 반드시 물리적으로 구분되는 것을 의미하지 않는다. 또한, 도 3에서 도시한 프로세서(220)의 내부 구성은 예시일 뿐이며, 필수 구성만을 도시한 것은 아니다. 따라서, 일부 실시예에서 프로세서(220)는 도시한 내부 구성 외 다른 구성을 추가로 포함하거나, 도시한 구성 내부 중 일부 구성이 생략되는 등 다르게 구현될 수 있다.
프로세서(220)는 대상 환자에게 조영제가 투여된 상태에서 대상 환자의 혈관이 촬영된 의료 영상을 수신할 수 있다. 여기서, 의료 영상은 복수의 프레임 이미지를 촬영 시간 순에 따라 순차적으로 포함할 수 있다. 일 실시예에 따르면, 프로세서(220)는 의료 영상이 촬영된 시간과 동시간에 측정된 대상 환자의 심전도 데이터를 더 수신할 수 있다. 이러한 의료 영상 및/또는 심전도 데이터 등은 정보 처리 시스템과 연결된 또는 통신가능한 저장 시스템(예를 들어, 병원 시스템, 전자 의무 기록, 처방 전달 시스템, 의료 영상 시스템, 검사 정보 시스템, 기타 로컬/클라우드 저장 시스템 등), 내부 메모리 및/또는 사용자 단말 등으로부터 수신될 수 있다. 수신된 의료 영상 및/또는 심전도 데이터는 강도 산출부(310), 프레임 구간 결정부(320) 및/또는 최적 프레임 선택부(330)에 제공되어, 의료 영상의 최적 프레임을 선택하는데 사용될 수 있다.
강도 산출부(310)는 의료 영상의 복수의 프레임 이미지의 각각에 대한 강도를 산출할 수 있다. 여기서, 프레임 이미지에 대한 강도는, 프레임 이미지로부터 산출될 수 있는 조영제의 강도를 지칭할 수 있다. 예를 들어, 프레임 이미지에 대한 강도는 프레임 이미지에서 조영제가 채워진 혈관에 대응되는 영역과 나머지 영역이 구분되는 정도를 반영하는 수치일 수 있다. 본 개시에 따르면, 프레임 이미지에 대한 강도는 다양한 방법에 의해 산출될 수 있다.
일 실시예에 따르면, 강도 산출부(310)는 기계학습 모델을 이용하여, 의료 영상의 복수의 프레임 이미지의 각각 내에서 혈관으로 판단되는 영역을 마스킹하고, 마스킹된 영역을 기초로, 의료 영상의 프레임 이미지의 각각에 대한 강도를 산출할 수 있다. 이와 관련하여서는, 도 4를 참조하여 상세히 후술된다.
다른 실시예에 따르면, 강도 산출부(310)는 의료 영상의 복수의 프레임 이미지의 각각 내의 복수의 픽셀의 각각이 혈관 영역으로 판단되는 신뢰도 값을 산출하고, 산출된 신뢰도 값을 기초로 의료 영상의 복수의 프레임 이미지의 각각에 대한 강도를 산출할 수 있다. 이와 관련하여서는, 도 5를 참조하여 상세히 후술된다. 상술한 프레임 이미지에 대한 강도 산출 방법은 일부 예시일 뿐이며, 본 개시의 범위가 이에 한정되는 것은 아니다. 따라서, 본 개시에 서술되지 않은 다양한 필터, 커널 또는 모델을 이용한 강도 산출 방법 등을 포함한 임의의 강도 산출 방법이 본 개시에 적용될 수 있다.
프레임 구간 결정부(320)는 강도 산출부(310)에 의해 산출된 복수의 프레임 이미지별 강도의 분포를 기초로, 강도가 안정적으로 높게 산출된 연속적인 프레임 구간을 결정할 수 있다.
일 실시예에 따르면, 프레임 구간 결정부(320)는 의료 영상의 복수의 프레임 이미지 중에서, 프레임 이미지에 대한 강도가 미리 정의된 임계 범위 내에 포함되는 복수의 연속적인 프레임 이미지를 선택하고, 선택된 복수의 연속적인 프레임 이미지에 대응하는 프레임 구간을 검출할 수 있다. 예를 들어, 프레임 구간 결정부(320)는 먼저, 산출된 복수의 프레임 이미지의 각각에 대한 강도를 연속 함수로 근사한 뒤, 근사된 연속 함수의 극댓값을 산출할 수 있다. 그런 다음, 프레임 구간 결정부(320)는 산출된 극댓값을 기준으로 정의된 임계 범위 내에 포함되는 복수의 연속적인 프레임 이미지를 선택하고 선택된 복수의 연속적인 프레임 이미지에 대응하는 프레임 구간을 검출할 수 있다. 이와 관련하여서는 도 6을 참조하여 상세히 후술된다.
일 실시예에 따르면, 프레임 구간을 검출하는 과정에서 복수의 프레임 구간이 검출되는 경우, 프레임 구간 결정부(320)는 검출된 구간들 중 하나의 구간을 최종 프레임 구간으로 결정할 수 있다. 예를 들어, 프레임 구간 결정부(320)는 프레임 구간의 검출의 기준이 된 극댓값이 가장 큰 프레임 구간을 최종 프레임 구간으로 결정할 수 있다. 다른 예로, 프레임 구간 결정부(320)는 프레임 구간에 대응하는 프레임 이미지의 수가 가장 많은 구간을 최종 프레임 구간으로 결정할 수 있다. 또 다른 예로, 프레임 구간 결정부(320)는 프레임 구간에 대응하는 프레임 이미지의 강도 최대값, 강도 최소값 또는 강도의 평균 중 하나가 가장 큰 구간을 최종 프레임 구간으로 결정할 수 있다. 복수의 프레임 구간이 검출된 경우 하나의 최종 프레임 구간을 결정하는 방법과 관련하여서는 도 7을 참조하여 상세히 후술된다.
프레임 구간 결정부(320)는 상술된 방법 이외에도 다양한 방법에 의해, 순간적인 피크 값으로 강도가 높게 산출된 프레임 구간이 아닌, 지속적이고 안정적으로 강도가 높게 산출된 프레임 구간을 최종 프레임 구간으로 결정할 수 있다. 혈관에 조영제가 채워지는 과정은 연속적인 과정이므로, 혈관 전체에 조영제가 고르게 충분히 채워진 상태(즉, 혈관 영역과 이외의 영역이 가장 뚜렷이 구분되어, 분석에 적절한 상태)에서 촬영된 프레임 이미지는 조영제 강도가 지속적이고 안정적으로 높게 나타난 프레임 구간에 존재할 것이라고 추정할 수 있다. 따라서, 강도가 지속적이고 안정적으로 높게 나타난 프레임 구간을 결정하고, 결정된 프레임 구간에 속한 최적 프레임을 선택함으로써, 혈관 영역과 이외의 영역이 가장 뚜렷이 구분되는 최적의 프레임을 선택할 수 있다.
최적 프레임 선택부(330)는 프레임 구간 결정부(320)에 의해 결정된 프레임 구간에 대응하는 복수의 연속적인 프레임 이미지 중에서 하나의 프레임 이미지를 선택할 수 있다. 예를 들어, 최적 프레임 선택부(330)는 프레임 구간 내에서 강도가 가장 높은 프레임 이미지를 최적 프레임으로 선택할 수 있다. 다른 예로, 최적 프레임 선택부(330)는 프레임 구간 중 마지막 프레임에 대응하는 프레임 이미지를 최적 프레임으로 선택할 수 있다. 또 다른 예로, 최적 프레임 선택부(330)는 수신된 심전도 데이터를 이용하여, 프레임 구간 내에서 확장기 말에 대응되는 프레임을 선택하고, 선택된 프레임에 대응하는 프레임 이미지를 추출함으로써 최적 프레임을 선택할 수 있다. 최적 프레임 선택부(330)가 결정된 프레임 구간 내에서 최적 프레임을 선택하는 방법은 도 8을 참조하여 상세히 후술된다.
도 4는 본 개시의 일 실시예에 따라, 의료 영상의 복수의 프레임 이미지의 각각에 대한 강도(430)를 산출하는 예시를 나타내는 도면이다. 프레임 이미지에 대한 강도(intensity)는, 프레임 이미지로부터 산출될 수 있는 조영제의 강도를 지칭할 수 있다. 예를 들어, 프레임 이미지에 대한 강도는 프레임 이미지에서 조영제가 주입된 혈관에 대응되는 영역과 나머지 영역이 구분되는 정도를 반영하는 수치일 수 있다. 본 개시에 따르면, 프레임 이미지에 대한 강도는 다양한 방법에 의해 산출될 수 있다.
일 실시예에 따르면, 정보 처리 시스템은 기계학습 모델(400)을 이용하여, 의료 영상에 포함된 복수의 프레임 이미지(412, 414, 416)의 각각 내에서 혈관으로 판단되는 영역(예: 조영제가 주입된 것으로 판단되는 영역)을 마스킹하고, 마스킹된 영역을 기초로 의료 영상의 프레임 이미지의 각각에 대한 강도(430)를 산출할 수 있다.
구체적으로, 먼저 정보 처리 시스템은 기계학습 모델(400)에 복수의 프레임 이미지(412, 414, 416)의 각각을 입력함으로써, 혈관으로 판단되는 영역이 마스킹된 복수의 프레임 이미지(422, 424, 426)를 획득할 수 있다. 일 실시예에 따르면, 여기서 기계학습 모델(400)은 입력된 이미지에서 혈관으로 판단되는 영역에 마스킹 처리를 수행하고, 마스킹된 이미지를 출력하도록 학습된 모델일 수 있다. 예를 들어, 기계학습 모델(400)은 복수의 학습 이미지와 각 학습 이미지에서 혈관에 대응되는 영역(예: 조영제가 주입된 영역)이 마스킹된 이미지(정답 레이블)의 쌍으로 이루어진 학습 데이터에 의해 지도 학습된 모델일 수 있으나, 이에 한정되지 않는다. 또한, 입력된 이미지에서 혈관으로 판단되는 영역을 구분하기 위해, 시맨틱 세그멘테이션(Semantic Segmentation) 계열의 기계학습 모델이 사용될 수 있으나, 이에 한정되지 않으며, 임의의 유형의 기계학습 모델이 사용될 수 있다.
그런 다음, 정보 처리 시스템은 마스킹된 복수의 프레임 이미지(422, 424, 426)를 기초로, 복수의 프레임 이미지의 각각에 대한 강도(430)를 산출할 수 있다. 예를 들어, 정보 처리 시스템은 마스킹된 복수의 프레임 이미지(422, 424, 426)의 각각에서 마스킹된 영역의 픽셀 수를 산출함으로써, 각 프레임 이미지(422, 424, 426)에 대한 강도를 산출할 수 있다. 여기서, 기계학습 모델(400)에 의해 마스킹된 영역은 조영제가 주입된 영역으로 가정될 수 있다. 구체적 예로, 마스킹된 제1 프레임 이미지(422)에서 마스킹된 영역의 픽셀 수가 1000개인 경우, 제1 프레임 이미지에 대한 강도는 1000으로 산출될 수 있으며, 마스킹된 제n 프레임 이미지(426)에서 마스킹된 영역의 픽셀 수가 8500개인 경우, 제n 프레임 이미지에 대한 강도는 8500으로 산출될 수 있다. 이와 유사한 방식에 의해, 정보 처리 시스템은 복수의 프레임 이미지의 각각에 대한 강도(430)를 산출할 수 있다.
도 5는 본 개시의 다른 실시예에 따라, 의료 영상의 복수의 프레임 이미지의 각각에 대한 강도(530)를 산출하는 예시를 나타내는 도면이다. 일 실시예에 따르면, 정보 처리 시스템은 의료 영상의 복수의 프레임 이미지(512, 514)의 각각 내의 복수의 픽셀의 각각이 혈관 영역으로 판단되는 신뢰도 값(522, 524)을 산출하고, 산출된 신뢰도 값(522, 524)을 기초로 의료 영상의 복수의 프레임 이미지의 각각에 대한 강도(530)를 산출할 수 있다.
예를 들어, 정보 처리 시스템은 필터(500)를 이용하여, 복수의 프레임 이미지(512, 514)의 각각에 포함된 복수의 픽셀의 각각이 혈관 영역으로 판단되는 신뢰도 값(522, 524)을 획득할 수 있다. 여기서, 필터(500)는 입력된 이미지에 포함된 복수의 픽셀의 각각이 관 형태의 구조(vessel-like or tube-like structures)에 대응되는 것으로 판단되는 신뢰도 값을 출력하는 필터일 수 있으며, 예를 들어, 프랜지 필터(Frangi Filter)를 포함할 수 있으나, 이에 한정되지 않는다.
도 5에 구체적인 예시가 도시되어 있다. 도 5에서는 설명의 편의를 위해, 각 프레임 이미지(512, 514)에 16개의 픽셀이 포함되는 것으로 가정한 예시를 도시하였다. 도시된 바와 같이, 정보 처리 시스템은 필터(500)에 제1 프레임 이미지(512)를 입력함으로써, 제1 프레임 이미지에 포함된 16개의 픽셀의 각각이 혈관 영역으로 판단되는 신뢰도 값(522)을 획득할 수 있으며, 필터(500)에 제n 프레임 이미지(514)를 입력함으로써, 제n 프레임 이미지에 포함된 16개의 픽셀의 각각이 혈관 영역으로 판단되는 신뢰도 값(524)을 획득할 수 있다. 이와 같은 방식으로, 정보 처리 시스템은 의료 영상에 포함된 복수의 프레임 이미지(512, 514)의 각각에 포함된 복수의 픽셀의 각각이 혈관 영역으로 판단되는 신뢰도 값(522, 524)을 획득할 수 있다. 일 실시예에 따르면, 정보 처리 시스템은 의료 영상 전체에 대해 산출된 신뢰도 값(522, 524)이 0과 1사이의 값을 가지도록 신뢰도 값의 크기를 조정(scaling)할 수 있다. 크기가 조정된 경우, 이하의 도 5에 대한 설명에서 신뢰도 값은 크기가 조정된 신뢰도 값을 지칭할 수 있다. 그런 다음, 정보 처리 시스템은 복수의 픽셀의 각각이 혈관 영역으로 판단되는 신뢰도 값(522, 524)을 각 프레임 이미지 별로 합산한 값을, 프레임 이미지의 각각에 대한 강도(530)로서 산출할 수 있다. 예를 들어, 제1 프레임 이미지에 포함된 16개의 픽셀의 각각이 혈관 영역으로 판단되는 신뢰도 값(522)을 모두 합한 값을 제1 프레임 이미지에 대한 강도로서 산출할 수 있으며, 이와 같은 방식으로, 의료 영상에 포함된 복수의 프레임 이미지의 각각에 대한 강도(530)를 산출할 수 있다.
도 5 내지 도 6을 참조하여 상술한 프레임 이미지에 대한 강도 산출 방법은 일부 예시일 뿐이며, 본 개시의 범위가 이에 한정되는 것은 아니다. 따라서, 본 개시에 서술되지 않은 다양한 필터, 커널 또는 모델을 이용한 강도 산출 방법을 포함한 임의의 강도 산출 방법이 본 개시에 적용될 수 있다.
도 6은 본 개시의 일 실시예에 따른 프레임 구간(640)을 검출하는 방법의 예시를 나타내는 도면이다. 일 실시예에 따르면, 정보 처리 시스템은 프레임 이미지에 대한 강도의 분포(610)에 기초하여, 강도가 안정적으로 유지되는 프레임 구간(640)을 검출할 수 있다. 혈관에 조영제가 채워지는 과정은 연속적인 과정이므로, 대상 환자에게 조영제가 투여된 후, 촬영 대상 영역의 혈관에는 조영제의 점차 연속적으로 채워지다가, 조영제가 고르게 가득 채워진 상태가 어느 정도 유지되다가, 점차 연속적으로 조영제가 빠질 수 있다. 따라서, 촬영 대상 영역의 혈관에 조영제가 고르게 충분히 채워진 상태에서 촬영된 프레임 이미지는 조영제 강도가 안정적으로 유지된 프레임 구간에 존재할 것이라고 추정할 수 있다. 조영제 강도가 높게 산출되었다 하더라도, 연속적이고 점진적으로 증가한 것이 아니라 순간적인 피크에 의해 높게 산출된 경우, 조영제가 고르게 가득 채워진 상태가 아니거나 다른 외부 요인에 의한 것일 확률이 높다. 따라서, 정보 처리 시스템은 강도가 연속적이고 점진적으로 증가하여 안정적으로 유지된 프레임 구간(640)을 결정하고, 결정된 프레임 구간(640)에 속한 프레임 이미지를 선택함으로써, 촬영 대상 영역의 혈관에 조영제가 충분히 채워진 상태로 촬영되어 혈관 영역과 이외의 영역이 뚜렷이 구분되는 최적의 프레임을 선택할 수 있다.
일 실시예에 따르면, 정보 처리 시스템은 먼저, 의료 영상에 포함된 복수의 프레임 이미지의 각각에 대한 강도를 프레임 번호(촬영된 시간 순)에 따라 순차적으로 나열함으로써, 프레임 이미지에 대한 강도의 분포(610)(예: 프레임 번호에 따른 강도에 대한 점 그래프)를 구할 수 있다. 그런 다음, 프레임 이미지에 대한 강도가 미리 정의된 임계 범위(630) 내에 포함되는 복수의 연속적인 프레임 이미지를 선택하고, 선택된 복수의 연속적인 프레임 이미지에 대응하는 프레임 구간(640)을 검출할 수 있다.
예를 들어, 프레임 구간(640)을 검출하기 위해, 정보 처리 시스템은 먼저 프레임 이미지에 대한 강도의 분포(610)를 연속 함수로 근사할 수 있다. 구체적 예로, 정보 처리 시스템은 프레임 이미지에 대한 강도의 분포(610)를 다항 함수(예: 4차 함수)로 근사할 수 있으나, 이에 한정되지 않으며, 임의의 형태의 함수로 근사할 수 있다. 그런 다음, 근사된 연속 함수(620)의 극댓값을 산출할 수 있다. 그런 다음, 산출된 극댓값을 기준으로 임계 범위(630)를 정의할 수 있다. 여기서, 임계 범위(630)는 의료 영상 전체의 강도의 범위를 고려하여 정의될 수 있다. 구체적 예로, 임계 범위의 상한은 극댓값 + 0.1*(복수의 프레임 이미지에 대한 강도의 최댓값과 최솟값의 차)으로, 임계 범위의 하한은 극댓값 - 0.1*(복수의 프레임 이미지에 대한 강도의 최댓값과 최솟값의 차)로 정의될 수 있다. 그런 다음, 정보 처리 시스템은 정의된 임계 범위(630) 내에 포함되는 복수의 연속적인 프레임 이미지를 선택하고, 선택된 복수의 연속적인 프레임 이미지에 대응하는 프레임 구간(640)(예: 14번 프레임부터 25번 프레임까지의 구간)을 검출할 수 있다.
도 7은 본 개시의 일 실시예에 따라, 검출된 복수의 프레임 구간(710, 720) 중 하나의 최종 프레임 구간을 결정하는 방법의 예시를 나타내는 도면이다. 도 6을 참조하여 상술한 프레임 구간을 검출하는 과정에서 복수의 프레임 구간(710, 720)이 검출되는 경우가 있을 수 있다. 예를 들어, 프레임 이미지에 대한 강도가 연속적으로 미리 정의된 임계 범위 내에 포함되는 프레임 구간이 여러 구간 존재하여, 복수의 프레임 구간이 검출될 수 있다. 다른 예로, 근사된 연속 함수에서 복수 개의 극댓값이 산출되는 경우, 복수의 임계 범위가 정의될 수 있으며, 이에 따라 복수의 프레임 구간이 검출될 수 있다. 도 7에 도시된 예에서, 프레임 이미지별 강도의 분포를 살펴보면, 2개의 극댓값(712, 722)이 산출되어, 2개의 임계 범위가 정의됨에 따라 2개의 프레임 구간(710, 720)이 검출된 것을 확인할 수 있다. 이와 같이, 프레임 구간을 검출하는 과정에서 복수의 프레임 구간이 검출되는 경우가 존재할 수 있는데, 이 경우, 정보 처리 시스템은 검출된 복수의 프레임 구간(710, 720) 중 하나의 프레임 구간을 최종 프레임 구간으로 결정할 수 있다.
일 실시예에 따르면, 정보 처리 시스템은 프레임 구간의 검출의 기준이 된 극댓값(712, 722)이 가장 큰 프레임 구간을 최종 프레임 구간으로 결정할 수 있다. 이 실시예에 따르면, 도시된 예에서, 검출된 제1 프레임 구간(710), 제2 프레임 구간(720) 중 더 큰 극댓값(722)이 임계 범위의 기준이 된 제2 프레임 구간(720)이 최종 프레임 구간으로 결정될 수 있다. 다른 실시예에 따르면, 정보 처리 시스템은 프레임 구간에 대응하는 프레임 이미지의 수가 가장 많은 구간을 최종 프레임 구간으로 결정할 수 있다. 이에 따르면, 도시된 예에서 프레임 구간에 대응하는 프레임 이미지의 수가 더 많은 제2 프레임 구간(720)이 최종 프레임 구간으로 결정될 수 있다. 또 다른 실시예에 따르면, 정보 처리 시스템은 프레임 구간에 대응하는 프레임 이미지의 강도 최대값, 강도 최소값 또는 강도의 평균 중 하나가 가장 큰 구간을 최종 프레임 구간으로 결정할 수 있다. 이 실시예에 따르더라도, 도시된 예에서 프레임 구간에 대응하는 프레임 이미지의 강도 최대값, 강도 최소값, 강도의 평균이 모두 제1 프레임 구간(710)에 비해 더 큰 제2 프레임 구간(720)이 최종 프레임 구간으로 결정될 수 있다. 상술한 실시예 이외에도, 검출된 복수의 구간 중 프레임 이미지에 대한 강도가 안정적으로 높게 유지되는 구간을 결정하는 다양한 방법이 본 개시에 적용될 수 있다.
도 8은 본 개시의 일 실시예에 따라 결정된 프레임 구간(810) 내에서 최적 프레임(830)을 선택하는 방법의 예시를 나타내는 도면이다. 일 실시예에 따르면, 정보 처리 시스템은 결정된 프레임 구간(810)에 대응하는 복수의 연속적인 프레임 이미지(820) 중에서, 하나의 프레임 이미지를 선택함으로써 최적 프레임(830)을 선택할 수 있다. 예를 들어, 정보 처리 시스템은 결정된 프레임 구간(810) 내에서 강도가 가장 높은 프레임 이미지를 최적 프레임(830)으로 선택할 수 있다. 다른 예로, 정보 처리 시스템은 프레임 구간(810) 중 마지막 프레임에 대응하는 프레임 이미지를 최적 프레임(830)으로 선택할 수 있다. 강도가 안정적으로 높게 유지되는 프레임 구간(810)의 마지막 프레임이 촬영 대상 영역의 혈관에 조영제가 가장 고르게 가득 채워진 상태에서 촬영된 프레임일 수 있기 때문이다. 이 프레임 이후에 촬영된 프레임 이미지에 대한 강도는 급격하게 감소될 수 있다.
일 실시예에 따르면, 정보 처리 시스템은 의료 영상 뿐만 아니라 의료 영상이 촬영된 시간과 동시간에 측정된 대상 환자의 심전도(ECG; Electrocardiogram) 데이터를 수신할 수 있다. 이 경우에, 정보 처리 시스템은 심전도 데이터를 이용하여 최적 프레임(830)을 선택할 수 있다. 예를 들어, 정보 처리 시스템은 결정된 프레임 구간(810) 내에서 확장기 말(end of diastole)에 대응되는 프레임을 선택하고, 선택된 프레임에 대응하는 프레임 이미지를 추출함으로써 혈관 영역이 뚜렷이 구분되는 최적 프레임(830)을 선택할 수 있다.
도 9는 종래의 방법에 따라 선택된 최적 프레임 존재 구간(910)과 본 개시의 일 실시예에 따라 선택된 최적 프레임 존재 구간(920)의 예시를 나타내는 도면이다. 의료 영상에 포함된 복수의 프레임 이미지 중 최적 프레임을 선택하기 위한 종래의 방법에 의하면, 복수의 프레임 이미지 중 조영제 강도가 가장 높은 프레임 이미지를 최적 프레임으로 선택한다. 이러한 종래의 방법에 따르면, 프레임 이미지 별 강도의 분포에서 급격하게 강도가 증가한 피크 구간에서 최적 프레임 존재 구간(910)이 선택될 수 있다. 이러한 피크 구간에 존재하는 프레임 이미지는 이물질(예: 카테터)이 삽입된 순간에 촬영된 프레임 이미지(912)에서 조영제가 아닌 이물질을 혈관 내 조영제로 판단하여 조영제 강도가 순간적으로 높게 산출되었거나, 조영제가 다 흘러가서 일부 혈관 영역에는 조영제가 거의 남아 있지 않고 일부 혈관 영역에만 조영제가 채워진 상태에서 촬영된 프레임 이미지(914)거나, 일시적으로 초점이 잘 맞지 않은 프레임 이미지(914)라서 분석에 적합하지 않지만 영상을 바이너리 데이터로 변환(예: 상대적으로 진한 부분은 조영제 영역(1), 상대적으로 연한 부분은 주위 영역(0)으로 변환)함에 따라, 조영제 강도가 높게 산출된 경우일 수 있다. 즉, 종래의 방법에 의하면, 이미지에서 혈관과 주위가 뚜렷이 구별되지 않아 분석에 적절하지 않은 프레임 이미지임에도 조영제 강도가 최대로 측정되어, 최적 프레임으로 선택되는 오류가 존재할 수 있다.
반면, 본 개시에 따르면, 프레임 이미지별 강도의 분포를 이용하여 강도가 안정적으로 유지되는 프레임 구간(920)을 결정하고, 결정된 프레임 구간(920) 내에서 최적 프레임이 선택됨으로써, 상술한 바와 같이 섭동에 의해 분석에 적절하지 않은 프레임 이미지가 최적 프레임으로 선택되는 오류를 방지할 수 있으며, 분석에 적합한 프레임 이미지가 선택될 수 있다.
도 10은 본 개시의 일 실시예에 따른 의료 영상의 프레임 이미지별 강도의 분포를 이용한 최적 프레임 선택 방법(1000)의 예시를 나타내는 흐름도이다. 일 실시예에 따르면, 방법(1000)은 프로세서(예를 들어, 정보 처리 시스템의 적어도 하나의 프로세서)가 조영제가 투여된 상태에서 혈관이 촬영된 의료 영상을 수신함으로써 개시될 수 있다(S1010). 여기서, 의료 영상은 복수의 프레임 이미지를 포함할 수 있다.
그런 다음, 프로세서는 의료 영상의 복수의 프레임 이미지의 각각에 대한 강도를 산출할 수 있다(S1020). 여기서, 프레임 이미지에 대한 강도는, 프레임 이미지로부터 산출될 수 있는 조영제의 강도를 지칭할 수 있으며, 예를 들어, 프레임 이미지에 대한 강도는 프레임 이미지에서 조영제가 채워진 혈관에 대응되는 영역과 나머지 영역이 구분되는 정도를 반영하는 수치일 수 있다. 본 개시에 따르면, 프레임 이미지에 대한 강도는 다양한 방법에 의해 산출될 수 있다.
일 실시예에 따르면, 프로세서는 기계학습 모델을 이용하여, 의료 영상의 복수의 프레임 이미지의 각각 내에서 혈관으로 판단되는 영역을 마스킹하고, 마스킹된 영역을 기초로, 의료 영상의 프레임 이미지의 각각에 대한 강도를 산출할 수 있다. 다른 실시예에 따르면, 프로세서는 의료 영상의 복수의 프레임 이미지의 각각 내의 복수의 픽셀의 각각이 혈관 영역으로 판단되는 신뢰도 값을 산출하고, 산출된 신뢰도 값을 기초로, 의료 영상의 복수의 프레임 이미지의 각각에 대한 강도를 산출할 수 있다.
그런 다음, 프로세서는 복수의 프레임 이미지에 대응하는 복수의 강도의 분포를 기초로, 복수의 연속적인 프레임 이미지에 대응하는 프레임 구간을 결정할 수 있다(S1030). 프로세서는 다양한 방법에 의해, 강도가 안정적으로 유지된 연속적인 프레임 구간을 결정할 수 있다.
일 실시예에 따르면, 프로세서는 의료 영상의 복수의 프레임 이미지 중에서, 프레임 이미지에 대한 강도가 미리 정의된 임계 범위 내에 포함되는 복수의 연속적인 프레임 이미지를 선택하고, 선택된 복수의 연속적인 프레임 이미지에 대응하는 프레임 구간을 검출할 수 있다. 예를 들어, 프로세서는 먼저, 산출된 복수의 프레임 이미지의 각각에 대한 강도를 연속 함수로 근사한 뒤, 근사된 연속 함수의 극댓값을 산출할 수 있다. 그런 다음, 산출된 극댓값을 기준으로 정의된 임계 범위 내에 포함되는 복수의 연속적인 프레임 이미지를 선택하고 선택된 복수의 연속적인 프레임 이미지에 대응하는 프레임 구간을 검출할 수 있다.
한편, 프레임 이미지에 대한 강도가 미리 정의된 임계 범위 내에 포함되는 복수의 연속적인 프레임 이미지에 대응하는 프레임 구간이 여러 구간 존재하여, 복수의 프레임 구간이 검출될 수 있다. 또한, 근사된 연속 함수에서 복수의 극대점이 산출되는 경우, 복수의 임계 범위가 산출될 수 있으며, 이에 따라 복수의 프레임 구간이 검출될 수 있다. 이와 같이, 프레임 구간을 검출하는 과정에서 복수의 프레임 구간이 검출되는 경우가 존재할 수 있는데, 이 경우, 프로세서는 검출된 구간들 중 하나의 구간을 결정할 수 있다. 예를 들어, 프로세서는 프레임 구간의 검출의 기준이 된 극댓값이 가장 큰 프레임 구간을 최종 프레임 구간으로 결정할 수 있다. 다른 예로, 프로세서는 프레임 구간에 대응하는 프레임 이미지의 수가 가장 많은 구간을 최종 프레임 구간으로 결정할 수 있다. 또 다른 예로, 프로세서는 프레임 구간에 대응하는 프레임 이미지의 강도 최대값, 강도 최소값 또는 강도의 평균 중 하나가 가장 큰 구간을 최종 프레임 구간으로 결정할 수 있다.
그 후, 프로세서는 결정된 프레임 구간에 대응하는 복수의 연속적인 프레임 이미지 중에서, 하나의 프레임 이미지를 선택할 수 있다(S1040). 예를 들어, 프로세서는 프레임 구간 내에서 강도가 가장 높은 프레임 이미지를 최적 프레임으로 선택할 수 있다. 다른 예로, 프레임 구간 중 마지막 프레임에 대응하는 프레임 이미지를 최적 프레임으로 선택할 수 있다. 또 다른 예로, 프로세서는 의료 영상이 촬영된 시간과 동시간에 측정된 심전도 데이터를 수신할 수 있는데, 이 경우에, 프로세서는 심전도 데이터를 이용하여 프레임 구간 내에서 확장기 말에 대응되는 프레임을 선택하고, 선택된 프레임에 대응하는 프레임 이미지를 추출함으로써 최적 프레임을 선택할 수 있다.
도 10에서 도시한 흐름도 및 상술한 설명은 일 예시일 뿐이며, 다양한 방식으로 구현될 수 있다. 예를 들어, 하나 이상의 단계가 추가되거나, 생략될 수 있으며, 각 단계의 순서가 바뀌거나, 적어도 일부의 단계가 중첩적으로 수행될 수 있다.
상술한 방법은 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램으로 제공될 수 있다. 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD 와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.
본 개시의 방법, 동작 또는 기법들은 다양한 수단에 의해 구현될 수도 있다. 예를 들어, 이러한 기법들은 하드웨어, 펌웨어, 소프트웨어, 또는 이들의 조합으로 구현될 수도 있다. 본원의 개시와 연계하여 설명된 다양한 예시적인 논리적 블록들, 모듈들, 회로들, 및 알고리즘 단계들은 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양자의 조합들로 구현될 수도 있음을 통상의 기술자들은 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 대체를 명확하게 설명하기 위해, 다양한 예시적인 구성요소들, 블록들, 모듈들, 회로들, 및 단계들이 그들의 기능적 관점에서 일반적으로 위에서 설명되었다. 그러한 기능이 하드웨어로서 구현되는지 또는 소프트웨어로서 구현되는지의 여부는, 특정 애플리케이션 및 전체 시스템에 부과되는 설계 요구사항들에 따라 달라진다. 통상의 기술자들은 각각의 특정 애플리케이션을 위해 다양한 방식들로 설명된 기능을 구현할 수도 있으나, 그러한 구현들은 본 개시의 범위로부터 벗어나게 하는 것으로 해석되어서는 안된다.
하드웨어 구현에서, 기법들을 수행하는 데 이용되는 프로세싱 유닛들은, 하나 이상의 ASIC들, DSP들, 디지털 신호 프로세싱 디바이스들(digital signal processing devices; DSPD들), 프로그램가능 논리 디바이스들(programmable logic devices; PLD들), 필드 프로그램가능 게이트 어레이들(field programmable gate arrays; FPGA들), 프로세서들, 제어기들, 마이크로제어기들, 마이크로프로세서들, 전자 디바이스들, 본 개시에 설명된 기능들을 수행하도록 설계된 다른 전자 유닛들, 컴퓨터, 또는 이들의 조합 내에서 구현될 수도 있다.
따라서, 본 개시와 연계하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 및 회로들은 범용 프로세서, DSP, ASIC, FPGA나 다른 프로그램 가능 논리 디바이스, 이산 게이트나 트랜지스터 로직, 이산 하드웨어 컴포넌트들, 또는 본원에 설명된 기능들을 수행하도록 설계된 것들의 임의의 조합으로 구현되거나 수행될 수도 있다. 범용 프로세서는 마이크로프로세서일 수도 있지만, 대안으로, 프로세서는 임의의 종래의 프로세서, 제어기, 마이크로제어기, 또는 상태 머신일 수도 있다. 프로세서는 또한, 컴퓨팅 디바이스들의 조합, 예를 들면, DSP와 마이크로프로세서, 복수의 마이크로프로세서들, DSP 코어와 연계한 하나 이상의 마이크로프로세서들, 또는 임의의 다른 구성의 조합으로서 구현될 수도 있다.
펌웨어 및/또는 소프트웨어 구현에 있어서, 기법들은 랜덤 액세스 메모리(random access memory; RAM), 판독 전용 메모리(read-only memory; ROM), 비휘발성 RAM(non-volatile random access memory; NVRAM), PROM(programmable read-only memory), EPROM(erasable programmable read-only memory), EEPROM(electrically erasable PROM), 플래시 메모리, 컴팩트 디스크(compact disc; CD), 자기 또는 광학 데이터 스토리지 디바이스 등과 같은 컴퓨터 판독가능 매체 상에 저장된 명령들로서 구현될 수도 있다. 명령들은 하나 이상의 프로세서들에 의해 실행 가능할 수도 있고, 프로세서(들)로 하여금 본 개시에 설명된 기능의 특정 양태들을 수행하게 할 수도 있다.
이상 설명된 실시예들이 하나 이상의 독립형 컴퓨터 시스템에서 현재 개시된 주제의 양태들을 활용하는 것으로 기술되었으나, 본 개시는 이에 한정되지 않고, 네트워크나 분산 컴퓨팅 환경과 같은 임의의 컴퓨팅 환경과 연계하여 구현될 수도 있다. 또 나아가, 본 개시에서 주제의 양상들은 복수의 프로세싱 칩들이나 장치들에서 구현될 수도 있고, 스토리지는 복수의 장치들에 걸쳐 유사하게 영향을 받게 될 수도 있다. 이러한 장치들은 PC들, 네트워크 서버들, 및 휴대용 장치들을 포함할 수도 있다.
본 명세서에서는 본 개시가 일부 실시예들과 관련하여 설명되었지만, 본 개시의 발명이 속하는 기술분야의 통상의 기술자가 이해할 수 있는 본 개시의 범위를 벗어나지 않는 범위에서 다양한 변형 및 변경이 이루어질 수 있다. 또한, 그러한 변형 및 변경은 본 명세서에 첨부된 특허청구의 범위 내에 속하는 것으로 생각되어야 한다.
100: 정보 처리 시스템
110: 의료 영상
120: 최적 프레임
110: 의료 영상
120: 최적 프레임
Claims (11)
- 적어도 하나의 프로세서에 의해 수행되는, 의료 영상의 프레임 이미지별 강도의 분포를 이용한 최적 프레임 선택 방법에 있어서,
조영제가 투여된 상태에서 혈관이 촬영된 의료 영상을 수신하는 단계 - 상기 의료 영상은 복수의 프레임 이미지를 포함함 -;
상기 의료 영상의 복수의 프레임 이미지의 각각에 대한 강도(intensity)를 산출하는 단계;
상기 복수의 프레임 이미지에 대응하는 복수의 강도의 분포를 기초로, 복수의 연속적인 프레임 이미지에 대응하는 프레임 구간을 결정하는 단계; 및
상기 프레임 구간에 대응하는 복수의 연속적인 프레임 이미지 중에서, 하나의 프레임 이미지를 선택하는 단계
를 포함하고,
상기 프레임 구간을 결정하는 단계는,
상기 의료 영상의 복수의 프레임 이미지 중에서, 프레임 이미지에 대한 강도가 미리 정의된 임계 범위 내에 포함되는 복수의 연속적인 프레임 이미지를 선택하는 단계; 및
상기 선택된 복수의 연속적인 프레임 이미지에 대응하는 프레임 구간을 검출하는 단계
를 포함하는, 최적 프레임 선택 방법.
- 적어도 하나의 프로세서에 의해 수행되는, 의료 영상의 프레임 이미지별 강도의 분포를 이용한 최적 프레임 선택 방법에 있어서,
조영제가 투여된 상태에서 혈관이 촬영된 의료 영상을 수신하는 단계 - 상기 의료 영상은 복수의 프레임 이미지를 포함함 -;
상기 의료 영상의 복수의 프레임 이미지의 각각에 대한 강도(intensity)를 산출하는 단계;
상기 복수의 프레임 이미지에 대응하는 복수의 강도의 분포를 기초로, 복수의 연속적인 프레임 이미지에 대응하는 프레임 구간을 결정하는 단계; 및
상기 프레임 구간에 대응하는 복수의 연속적인 프레임 이미지 중에서, 하나의 프레임 이미지를 선택하는 단계
를 포함하고,
상기 의료 영상의 복수의 프레임 이미지의 각각에 대한 강도를 산출하는 단계는,
기계학습 모델을 이용하여, 상기 의료 영상의 복수의 프레임 이미지의 각각 내에서 상기 혈관으로 판단되는 영역을 마스킹하는 단계; 및
마스킹된 영역을 기초로, 상기 의료 영상의 프레임 이미지의 각각에 대한 강도를 산출하는 단계
를 포함하는, 최적 프레임 선택 방법.
- 적어도 하나의 프로세서에 의해 수행되는, 의료 영상의 프레임 이미지별 강도의 분포를 이용한 최적 프레임 선택 방법에 있어서,
조영제가 투여된 상태에서 혈관이 촬영된 의료 영상을 수신하는 단계 - 상기 의료 영상은 복수의 프레임 이미지를 포함함 -;
상기 의료 영상의 복수의 프레임 이미지의 각각에 대한 강도(intensity)를 산출하는 단계;
상기 복수의 프레임 이미지에 대응하는 복수의 강도의 분포를 기초로, 복수의 연속적인 프레임 이미지에 대응하는 프레임 구간을 결정하는 단계; 및
상기 프레임 구간에 대응하는 복수의 연속적인 프레임 이미지 중에서, 하나의 프레임 이미지를 선택하는 단계
를 포함하고,
상기 의료 영상의 복수의 프레임 이미지의 각각에 대한 강도를 산출하는 단계는,
상기 의료 영상의 복수의 프레임 이미지의 각각 내의 복수의 픽셀의 각각이 혈관 영역으로 판단되는 신뢰도 값을 산출하는 단계; 및
상기 산출된 신뢰도 값을 기초로, 상기 의료 영상의 복수의 프레임 이미지의 각각에 대한 강도를 산출하는 단계
를 포함하는, 최적 프레임 선택 방법.
- 삭제
- 제1항에 있어서,
상기 산출된 복수의 프레임 이미지의 각각에 대한 강도를 연속 함수로 근사하는 단계; 및
상기 근사된 연속 함수의 극댓값을 산출하는 단계
를 더 포함하고,
상기 미리 정의된 임계 범위는, 상기 산출된 극댓값을 기준으로 정의되는,
최적 프레임 선택 방법.
- 제5항에 있어서,
상기 프레임 구간을 결정하는 단계는,
복수의 프레임 구간이 검출된 경우, 프레임 구간의 검출의 기준이 된 극댓값이 가장 큰 프레임 구간을 상기 프레임 구간으로 결정하는 단계
를 더 포함하는, 최적 프레임 선택 방법.
- 제1항에 있어서,
상기 프레임 구간을 결정하는 단계는,
복수의 프레임 구간이 검출된 경우, 프레임 구간에 대응하는 프레임 이미지의 수가 가장 많은 프레임 구간 또는 프레임 구간에 대응하는 프레임 이미지의 강도 최대값, 강도 최소값 또는 강도의 평균 중 하나가 가장 큰 구간을 상기 프레임 구간으로 결정하는 단계
를 더 포함하는, 최적 프레임 선택 방법.
- 적어도 하나의 프로세서에 의해 수행되는, 의료 영상의 프레임 이미지별 강도의 분포를 이용한 최적 프레임 선택 방법에 있어서,
조영제가 투여된 상태에서 혈관이 촬영된 의료 영상을 수신하는 단계 - 상기 의료 영상은 복수의 프레임 이미지를 포함함 -;
상기 의료 영상의 복수의 프레임 이미지의 각각에 대한 강도(intensity)를 산출하는 단계;
상기 복수의 프레임 이미지에 대응하는 복수의 강도의 분포를 기초로, 복수의 연속적인 프레임 이미지에 대응하는 프레임 구간을 결정하는 단계; 및
상기 프레임 구간에 대응하는 복수의 연속적인 프레임 이미지 중에서, 하나의 프레임 이미지를 선택하는 단계
를 포함하고,
상기 하나의 프레임 이미지를 선택하는 단계는,
상기 프레임 구간 내에서 강도가 가장 높은 프레임 이미지 또는 상기 프레임 구간 중 마지막 프레임에 대응하는 프레임 이미지를 선택하는 단계
를 포함하는, 최적 프레임 선택 방법.
- 제1항에 있어서,
상기 의료 영상이 촬영된 시간과 동시간에 측정된 심전도 데이터를 수신하는 단계
를 더 포함하고,
상기 하나의 프레임 이미지를 선택하는 단계는,
상기 심전도 데이터를 이용하여, 상기 프레임 구간 내에서 확장기 말(end of diastole)에 대응되는 프레임을 선택하는 단계; 및
상기 선택된 프레임에 대응하는 프레임 이미지를 추출하는 단계
를 포함하는, 최적 프레임 선택 방법.
- 제1항 내지 제3항 및 제5항 내지 제9항 중 어느 한 항에 따른 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램.
- 정보 처리 시스템으로서,
메모리; 및
상기 메모리와 연결되고, 상기 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서
를 포함하고,
상기 적어도 하나의 프로그램은,
조영제가 투여된 상태에서 혈관이 촬영된 의료 영상을 수신하고 - 상기 의료 영상은 복수의 프레임 이미지를 포함함 -,
상기 의료 영상의 복수의 프레임 이미지의 각각에 대한 강도를 산출하고,
상기 복수의 프레임 이미지에 대응하는 복수의 강도의 분포를 기초로, 복수의 연속적인 프레임 이미지에 대응하는 프레임 구간을 결정하고,
상기 프레임 구간에 대응하는 복수의 연속적인 프레임 이미지 중에서, 하나의 프레임 이미지를 선택하기 위한 명령어를 포함하고,
상기 프레임 구간을 결정하는 것은,
상기 의료 영상의 복수의 프레임 이미지 중에서, 프레임 이미지에 대한 강도가 미리 정의된 임계 범위 내에 포함되는 복수의 연속적인 프레임 이미지를 선택하고, 상기 선택된 복수의 연속적인 프레임 이미지에 대응하는 프레임 구간을 검출하는 것을 포함하는, 정보 처리 시스템.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220056641A KR102472963B1 (ko) | 2022-05-09 | 2022-05-09 | 의료 영상의 프레임 이미지별 강도의 분포를 이용한 최적 프레임 선택 방법 및 시스템 |
| US18/144,417 US20230355196A1 (en) | 2022-05-09 | 2023-05-08 | Method and system for selecting an optimal frame using distribution of intensity for each frame image of medical imaging |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220056641A KR102472963B1 (ko) | 2022-05-09 | 2022-05-09 | 의료 영상의 프레임 이미지별 강도의 분포를 이용한 최적 프레임 선택 방법 및 시스템 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR102472963B1 true KR102472963B1 (ko) | 2022-12-01 |
| KR102472963B9 KR102472963B9 (ko) | 2024-09-09 |
Family
ID=84440710
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220056641A KR102472963B1 (ko) | 2022-05-09 | 2022-05-09 | 의료 영상의 프레임 이미지별 강도의 분포를 이용한 최적 프레임 선택 방법 및 시스템 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20230355196A1 (ko) |
| KR (1) | KR102472963B1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102593628B1 (ko) * | 2023-07-10 | 2023-10-24 | 주식회사 뉴큐어엠 | 고품질 의료 영상 생성 방법 및 시스템 |
| WO2024177428A1 (ko) * | 2023-02-24 | 2024-08-29 | 주식회사 메디픽셀 | 의료 영상에 기초한 혈류 속도 산출 방법 및 시스템 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040102693A1 (en) * | 2002-11-27 | 2004-05-27 | Jenkins John H. | Method and apparatus for automated selection of correct image for quantitative analysis |
| KR20100060275A (ko) * | 2008-11-27 | 2010-06-07 | 주식회사 코아로직 | 최적 영상 선택 방법 및 장치 |
| KR20210101641A (ko) * | 2020-02-10 | 2021-08-19 | 울산대학교 산학협력단 | 혈관 영상으로부터 혈관 영역 및 의료도구 선단부 영역을 구분하여 추출하는 방법 및 장치 |
-
2022
- 2022-05-09 KR KR1020220056641A patent/KR102472963B1/ko active IP Right Grant
-
2023
- 2023-05-08 US US18/144,417 patent/US20230355196A1/en active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040102693A1 (en) * | 2002-11-27 | 2004-05-27 | Jenkins John H. | Method and apparatus for automated selection of correct image for quantitative analysis |
| JP2004174255A (ja) * | 2002-11-27 | 2004-06-24 | Ge Medical Systems Information Technologies Inc | 定量的解析のための正確な画像の自動選択方法及び装置 |
| KR20100060275A (ko) * | 2008-11-27 | 2010-06-07 | 주식회사 코아로직 | 최적 영상 선택 방법 및 장치 |
| KR20210101641A (ko) * | 2020-02-10 | 2021-08-19 | 울산대학교 산학협력단 | 혈관 영상으로부터 혈관 영역 및 의료도구 선단부 영역을 구분하여 추출하는 방법 및 장치 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024177428A1 (ko) * | 2023-02-24 | 2024-08-29 | 주식회사 메디픽셀 | 의료 영상에 기초한 혈류 속도 산출 방법 및 시스템 |
| KR102593628B1 (ko) * | 2023-07-10 | 2023-10-24 | 주식회사 뉴큐어엠 | 고품질 의료 영상 생성 방법 및 시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20230355196A1 (en) | 2023-11-09 |
| KR102472963B9 (ko) | 2024-09-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102472963B1 (ko) | 의료 영상의 프레임 이미지별 강도의 분포를 이용한 최적 프레임 선택 방법 및 시스템 | |
| US10339648B2 (en) | Quantitative predictors of tumor severity | |
| US11195278B2 (en) | Fractional flow reserve simulation parameter customization, calibration and/or training | |
| US11803966B2 (en) | Computer-implemented method for evaluating a CT data set regarding perivascular tissue, evaluation device, computer program and electronically readable storage medium | |
| CN112237436A (zh) | 针对医学成像中的灌注的深度学习 | |
| CN113066061A (zh) | 一种基于mra的动脉瘤检测方法、系统、终端及介质 | |
| US11615528B2 (en) | Method and device for computed tomography imaging | |
| WO2021117043A1 (en) | Automatic stenosis detection | |
| CA3029143A1 (en) | Change detection in medical images | |
| US20210142480A1 (en) | Data processing method and apparatus | |
| US12009090B2 (en) | Liver cancer detection | |
| US20200035363A1 (en) | System to predict health outcomes | |
| CN113241183A (zh) | 治疗方案预测方法及装置 | |
| CN111033635B (zh) | 基于模型和成像数据的冠状动脉健康状态预测 | |
| US11694330B2 (en) | Medical image processing apparatus, system, and method | |
| CN111145141B (zh) | 使用经训练的网络检测梗塞 | |
| CN113706541A (zh) | 一种图像处理方法及装置 | |
| US11636589B2 (en) | Identification of candidate elements in images for determination of disease state using atlas elements | |
| US11139082B2 (en) | Method for classifying a risk for thrombus formation in an organ, system for classifying a risk for thrombus formation in an organ, a computer program product and a computer readable medium | |
| US20220351832A1 (en) | Methods for operating an evaluation system for medical image data sets, evaluation systems, computer programs and electronically readable storage mediums | |
| KR102727847B1 (ko) | 의료 영상의 대표 프레임 이미지 생성 방법 및 전자 장치 | |
| KR102561175B1 (ko) | 의료 영상으로부터 바이오마커 발현을 예측하는 방법 및 시스템 | |
| US20230386113A1 (en) | Medical image processing apparatus and medical image processing method | |
| KR20240092729A (ko) | 의료 영상 처리 방법 및 디바이스 | |
| Sanchez Gomez | Coronary artery segmentation using Transformer Neural Networks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |