KR102475392B1 - 의료 영상 복원 및 전송 시스템 및 그 방법 - Google Patents
의료 영상 복원 및 전송 시스템 및 그 방법 Download PDFInfo
- Publication number
- KR102475392B1 KR102475392B1 KR1020210038588A KR20210038588A KR102475392B1 KR 102475392 B1 KR102475392 B1 KR 102475392B1 KR 1020210038588 A KR1020210038588 A KR 1020210038588A KR 20210038588 A KR20210038588 A KR 20210038588A KR 102475392 B1 KR102475392 B1 KR 102475392B1
- Authority
- KR
- South Korea
- Prior art keywords
- medical image
- image data
- medical
- data
- transmitting
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000013528 artificial neural network Methods 0.000 claims abstract description 48
- 230000005540 biological transmission Effects 0.000 claims description 50
- 238000003384 imaging method Methods 0.000 claims description 14
- 238000012805 post-processing Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 23
- 238000012545 processing Methods 0.000 description 14
- 238000002595 magnetic resonance imaging Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000005070 sampling Methods 0.000 description 8
- 230000015654 memory Effects 0.000 description 7
- 238000002059 diagnostic imaging Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- JXSJBGJIGXNWCI-UHFFFAOYSA-N diethyl 2-[(dimethoxyphosphorothioyl)thio]succinate Chemical compound CCOC(=O)CC(SP(=S)(OC)OC)C(=O)OCC JXSJBGJIGXNWCI-UHFFFAOYSA-N 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G06T5/001—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
- H04L63/0428—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- Computer Security & Cryptography (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Bioethics (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
본 발명의 일 실시예에 따른 의료 영상 복원 및 전송 시스템을 이용한 의료 영상 복원 및 전송 방법에 있어서, 가속화 촬영된 k-space 데이터 및 가속화 촬영된 k-space 데이터를 기초로 생성된 DICOM 데이터 중 적어도 어느 하나를 포함하는 의료 영상 데이터를 전송받는 단계; 상기 전송받은 의료 영상 데이터를 인공신경망 모델을 이용하여 복원하는 단계; 및 상기 의료 영상 데이터를 전송받은 주소를 기초로 상기 복원된 의료 영상 데이터를 전송하는 단계를 포함하는, 의료 영상 복원 및 전송 방법을 제공하고자 한다.
Description
본 발명은 인공지능을 이용하여 의료 영상을 복원하고, 암호화 및 복호화를 수행하여 의료 영상을 전송하는 의료 영상 복원 및 전송 시스템 및 그 방법에 관한 것이다.
일반적으로, 병원에서는 의료 영상 촬영 및 진단 장치인 X-ray, CT, MRI 또는 초음파 등으로 촬영된 의료 영상을 디지털 데이터로 획득 및 저장하고, 그 판독과 진료기록을 함께 각 단말로 전송 및 검색하는 데 필요한 기능을 통합적으로 처리하는 디지털 의료 영상 저장 전송 시스템(PACS: picture archiving communication system)를 사용하고 있다. PACS는 이기종 간의 의료 영상 장치들 사이에서 의료영상과 정보들을 전송하는 업계 표준 통신규약인 DICOM(Digital Imaging and Communications in Medicine)에 맞도록 의학적인 영상을 저장하여 관리한다.
또한, PACS는 기존의 필름을 가지고 진단하고 판독하던 병원의 업무를 컴퓨터와 네트워크를 통하여 처리할 수 있도록 하여 병원 업무가 효율적으로 이루어질 수 있도록 하고 있다.
한편, 인공지능이 발전함에 따라서 대량의 의료 영상 데이터로 딥 러닝 알고리즘과 같은 인공지능을 학습시켜 의학적인 판단에 활용되도록 하는 기술들이 개발되고 있다.
하지만, PACS에서 사용되는 의료 영상 데이터는 딥 러닝 알고리즘의 학습에 바로 사용될 수 없고, 딥 러닝 알고리즘을 이용해서 복원 및 가공하는 것에도 바로 적용될 수 없어서 그의 전처리 또는 후처리가 가능한 시스템의 개발이 필요하다.
또한, PACS서버와 딥러닝 알고리즘을 서비스하는 외부 서버 사이의 의료 영상 데이터의 송수신에 있어서, 의료 영상 데이터에 포함된 개인 정보 및 신체 영상 등의 보안에 민감한 문제가 있기 때문에 의료 영상 데이터의 가명 처리 등의 암호화가 필요하다.
본 발명의 일 실시예에 따른 의료 영상 복원 및 전송 방법은 의료기관과 의료 영상 복원 및 전송 시스템 사이에 송수신되는 개인 정보를 포함하는 의료 영상 데이터를 가명처리 암호화하여 향상된 보안을 제공하는 것으로서, 개인 정보가 유출되는 것을 방지하고자 한다.
본 발명의 일 실시예에 따른 의료 영상 복원 및 전송 방법은 의료 영상 데이터의 특성 정보에 따라 최적의 인공신경망 모델을 이용하여 의료 영상을 복원하는 것으로서, 향상된 품질의 의료 영상을 획득하도록 하고자 한다.
본 발명의 일 실시예에 따른 의료 영상 복원 및 전송 시스템을 이용한 의료 영상 복원 및 전송 방법에 있어서, 가속화 촬영된 k-space 데이터 및 가속화 촬영된 k-space 데이터를 기초로 생성된 DICOM 데이터 중 적어도 어느 하나를 포함하는 의료 영상 데이터를 전송받는 단계; 상기 전송받은 의료 영상 데이터를 인공신경망 모델을 이용하여 복원하는 단계; 및 상기 의료 영상 데이터를 전송받은 주소를 기초로 상기 복원된 의료 영상 데이터를 전송하는 단계를 포함하는, 의료 영상 복원 및 전송 방법을 제공하고자 한다.
본 실시예에 있어서, 상기 의료 영상 데이터를 상기 인공신경망 모델을 이용하여 복원하기 전에 암호화하는, 의료 영상 복원 및 전송 방법을 제공하고자 한다.
본 실시예에 있어서, 상기 암호화하는 것은 상기 의료 영상 데이터가 포함하는 복수개의 영상 슬라이스를 서로 셔플하는 것을 포함하는, 의료 영상 복원 및 전송 방법을 제공하고자 한다.
본 실시예에 있어서, 상기 암호화된 의료 영상 데이터를 저장하고, 암호화되지 않은 의료 영상 데이터는 삭제하는, 의료 영상 복원 및 전송 방법을 제공하고자 한다.
본 실시예에 있어서, 상기 저장된 암호화된 의료 영상 데이터를 복호화하고, 복호화된 의료 영상 데이터를 상기 인공신경망 모델을 이용하여 복원하는, 의료 영상 복원 및 전송 방법을 제공하고자 한다.
본 실시예에 있어서, 상기 의료 영상 데이터의 특성 정보에 따라 상기 의료 영상 데이터를 분류하여 상기 인공신경망 모델로 전송하되, 상기 특성 정보에 따라 분류된 의료 영상 데이터를 상기 특성 정보에 기초하여 미리 분류된 복수의 인공신경망 모델에 분배하여 입력되도록 전송하는, 의료 영상 복원 및 전송 방법을 제공하고자 한다.
본 실시예에 있어서, 상기 특성 정보는 의료 영상 데이터의 프로토콜 정보, 시퀀스 정보 중 적어도 어느 하나를 포함하는, 의료 영상 복원 및 전송 방법을 제공하고자 한다.
본 실시예에 있어서, 상기 특성 정보가 상기 프로토콜 정보와 시퀀스 정보를 모두 포함하는 경우, 상기 의료 영상 데이터를 상기 프로토콜 정보를 기초로 하여 프로토콜 영상 세트를 생성하며, 상기 프로토콜 영상 세트에 포함되는 복수개의 의료 영상을 상기 시퀀스 정보로 분류하고, 상기 분류된 시퀀스 정보를 기초로 시퀀스 영상 세트를 생성하며, 상기 시퀀스 세트를 상기 인공신경망 모델로 전송하는, 의료 영상 복원 및 전송 방법을 제공하고자 한다.
본 발명의 일 실시예에 따른 의료 영상 복원 및 전송 시스템에 있어서, 가속화 촬영된 k-space 데이터 및 가속화 촬영된 k-space 데이터를 기초로 생성된 DICOM 데이터 중 적어도 어느 하나를 포함하는 의료 영상 데이터를 전송받고, 상기 전송받은 의료 영상 데이터를 인공신경망 모델을 이용하여 복원하고, 상기 복원된 의료 영상 데이터를 상기 의료 영상 데이터를 전송받은 주소를 기초로 전송하는, 의료 영상 복원 및 전송 시스템을 제공하고자 한다.
본 실시예에 있어서, 상기 의료 영상 데이터를 상기 인공신경망 모델을 이용하여 복원하기 전에 암호화하는, 의료 영상 복원 및 전송 시스템을 제공하고자 한다.
본 실시예에 있어서, 상기 암호화하는 것은 상기 의료 영상 데이터가 포함하는 복수개의 영상 슬라이스를 서로 셔플하는 것을 포함하는, 의료 영상 복원 및 전송 시스템을 제공하고자 한다.
본 실시예에 있어서, 상기 암호화된 의료 영상 데이터를 저장하고, 암호화되지 않은 의료 영상 데이터는 삭제하는, 의료 영상 복원 및 전송 시스템을 제공하고자 한다.
본 실시예에 있어서, 상기 저장된 암호화된 의료 영상 데이터를 복호화하고, 복호화된 의료 영상 데이터를 상기 인공신경망 모델을 이용하여 복원하는, 의료 영상 복원 및 전송 시스템을 제공하고자 한다.
본 실시예에 있어서, 상기 의료 영상 데이터의 특성 정보에 따라 상기 의료 영상 데이터를 분류하여 상기 인공신경망 모델로 전송하되, 상기 특성 정보에 따라 분류된 의료 영상 데이터를 상기 특성 정보에 기초하여 미리 분류된 복수의 인공신경망 모델에 분배하여 입력되도록 전송하는, 의료 영상 복원 및 전송 시스템을 제공하고자 한다.
본 실시예에 있어서, 상기 특성 정보는 의료 영상 데이터의 프로토콜 정보, 시퀀스 정보 중 적어도 어느 하나를 포함하는, 의료 영상 복원 및 전송 시스템을 제공하고자 한다.
본 실시예에 있어서, 상기 특성 정보가 상기 프로토콜 정보와 시퀀스 정보를 모두 포함하는 경우, 상기 의료 영상 데이터를 상기 프로토콜 정보를 기초로 하여 프로토콜 영상 세트를 생성하며, 상기 프로토콜 영상 세트에 포함되는 복수개의 의료 영상을 상기 시퀀스 정보로 분류하고, 상기 분류된 시퀀스 정보를 기초로 시퀀스 영상 세트를 생성하며, 상기 시퀀스 세트를 상기 인공신경망 모델로 전송하는, 의료 영상 복원 및 전송 시스템을 제공하고자 한다.
본 발명의 일 실시예에 따른 의료 영상 복원 및 전송 방법은 의료기관과 의료 영상 복원 및 전송 시스템 사이에 송수신되는 개인 정보를 포함하는 의료 영상 데이터를 가명처리 암호화하여 향상된 보안을 제공하므로, 개인 정보가 유출되는 것을 방지할 수 있다.
본 발명의 일 실시예에 따른 의료 영상 복원 및 전송 방법은 의료 영상 데이터의 특성 정보에 따라 최적의 인공신경망 모델을 이용하여 의료 영상을 복원하므로, 향상된 품질의 의료 영상을 획득할 수 있다.
도 1은 본 발명의 일 실시예에 따른 의료 영상 복원 및 전송 시스템의 구성을 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 의료 영상 복원 및 전송 시스템과 PACS 시스템의 네트워크 통신을 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시예에 따른 의료 영상 복원 및 전송 시스템을 이용하여 수행되는 의료 영상 복원 및 전송 방법을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 의료 영상 데이터 암호화 방법을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 의료 영상 데이터의 특성 정보에 따라 적용되는 인공신경망 모델이 달라지는 것을 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 의료 영상 복원 및 전송 시스템과 PACS 시스템의 네트워크 통신을 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시예에 따른 의료 영상 복원 및 전송 시스템을 이용하여 수행되는 의료 영상 복원 및 전송 방법을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 의료 영상 데이터 암호화 방법을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 의료 영상 데이터의 특성 정보에 따라 적용되는 인공신경망 모델이 달라지는 것을 설명하기 위한 도면이다.
아래에서는 첨부한 도면을 참조하여, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나, 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고, 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
본 명세서에서, '서버' 와 '시스템'은 하나 이상의 메모리들(미도시), 하나 이상의 컴퓨터 프로세서들(one or more Computor processors)(미도시), 및 하나 이상의 프로그램들(one or more programs)(미 도시)을 포함하도록 구성된 컴퓨터를 의미하며, 여기서, 하나 이상의 프로그램들(이하, '전 처리용 프로그램들')은 메모리에 저장되어 하나 이상의 프로세서들에 의해 실행되도록(executed) 구성되며, 하나 이상의 메모리, 하나 이상의 컴퓨터 프로세서들, 하나 이상의 프로그램들은 물리적으로 동일한 장치에 위치되어 직접 연결되거나 또는 통신망에 의해 연결되어 있을 수 있다.
본 명세서에서 '영상'은 이산적인 이미지 요소들(예를 들어, 2차원 이미지에 있어서의 픽셀들 및 3차원 이미지에 있어서의 복셀들)로 구성된 다차원(multi-dimensional) 데이터를 의미할 수 있다. 예를 들어, 영상은 자기 공명 영상 촬영(MRI) 장치, 컴퓨터 단층 촬영(CT) 장치, 초음파 촬영 장치, 또는 엑스레이 촬영 장치 등의 의료 영상 장치에 의해 획득된 의료 영상을 포함할 수 있다.
본 명세서에서 '영상 복원'이란 해상도가 낮은 이미지의 해상도를 향상시키거나, 이미지의 SNR을 향상시키거나, 이미지의 aliasing패턴 또는 인공물(artifact)을 줄어들게 하는 것을 포함하거나, 품질이 낮은 이미지의 품질을 향상시키는 것을 의미할 수 있다. 또한 MRI의 경우, '영상 복원'이란 상술한 의미 뿐만 아니라 서브샘플링된 k-space데이터로부터 생성된 이미지를 풀샘플링된 k-space데이터로부터 생성된 이미지와 동일/유사하게 가공하는 것일 수 있다.
이하에서는, 첨부된 도면을 참조하여 본 발명의 일 실시예에 따른 의료 영상 복원 시스템에 대하여 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 의료 영상 복원 및 전송 시스템의 구성을 설명하기 위한 도면이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 의료 영상 복원 및 전송 시스템은 의료기관에서 이용하는 의료 영상 저장 전송 시스템(PACS: Picture Archiving and Communication System)과 통신하여 의료 영상 데이터를 송수신하고, 인공신공망 모델을 활용하여 의료 영상 데이터를 복원하는 의료 영상 복원 및 전송 시스템에 관한 것이다.
본 발명의 일 실시예에 따른 의료 영상 복원 및 전송 시스템은 클라우드 컴퓨팅 시스템(Cloud Computing System)의 형태로 구현될 수 있다. 클라우드 컴퓨팅은 인터넷상의 서버를 통하여 데이터 저장, 네트워크, 콘텐츠 사용 등IT 관련 서비스를 종합적으로 사용할 수 있는 컴퓨팅 환경이다. 이와 다르게, 의료 영상 복원 및 전송 시스템은 서버 컴퓨팅, 엣지 컴퓨팅, 서버리스 컴퓨팅 등의 의료 영상 복원 및 전송 방법을 수행할 수 있는 다양한 형태의 컴퓨팅 시스템으로 구현될 수도 있다.
본 발명의 일 실시예에 따른 의료 영상 복원 및 전송 시스템은 통신 모듈, 메모리, 프로세서를 포함할 수 있다.
통신 모듈은 통신망과 연동하여 의료 영상 복원 및 전송 시스템에 통신 인터페이스를 제공하는데, 후술할 클라이언트 단말, PACS 단말 및 PACS 서버와 데이터를 송수신하는 역할을 수행할 수 있다. 여기서, 통신 모듈은 다른 네트워크 장치와 유무선 연결을 통해 제어 신호 또는 데이터 신호와 같은 신호를 송수신하기 위해 필요한 하드웨어 및 소프트웨어를 포함하는 장치일 수 있다.
한편, 본 발명에서 ‘단말’은 휴대성 및 이동성이 보장된 무선 통신 장치일 수 있으며, 예를 들어 스마트폰, 태블릿 PC 또는 노트북 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치일 수 있다. 또한 ‘단말’은 통신 기능 및 데이터 프로세싱 기능을 구비한 시계, 안경, 헤어 밴드, 및 반지 등의 웨어러블 기기일 수도 있다. 또한, ‘단말’은 네트워크를 통해 다른 단말 또는 서버 등에 접속할 수 있는 PC 등의 유선 통신 장치인 것도 가능하다.
메모리는 의료 영상 복원 및 전송 시스템에서 수행되는 프로그램이 기록된 저장 매체일 수 있다. 또한, 메모리는 프로세서가 처리하는 데이터를 일시적 또는 영구적으로 저장하는 기능을 수행할 수 있다. 여기서, 메모리는 휘발성 저장 매체(volatile storage media) 또는 비휘발성 저장 매체(non-volatile storage media)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
프로세서는 의료 영상 복원 및 전송 시스템에서 수행되는 프로그램의 전체 과정을 제어할 수 있다. 여기서, 프로세서는 프로세서(processor)와 같이 데이터를 처리할 수 있는 모든 종류의 장치를 포함할 수 있다. 여기서, '프로세서(processor)'는, 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로서, 마이크로프로세서(microprocessor), 중앙처리장치(central processing unit: CPU), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array), 그래픽 처리 장치(Graphics Processing Unit: GPU)등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
본 발명의 일 실시예에 따른 의료 영상 복원 및 전송 시스템은 컨트롤 서버, 매니저 서버, 영상 복원 서버, 인증 서버를 포함할 수 있다. 의료 영상 복원 및 전송 시스템이 클라우드 컴퓨팅 시스템으로 구현되는 경우, 의료 영상 복원 및 전송 시스템은 인터넷 상의 가상의 컨트롤 서버, 매니저 서버, 영상 복원 서버, 인증 서버를 포함할 수 있으며, 이들은 단일의 클라우드 서버에 포함될 수 있다. 예를 들어, 단일의 클라우드 서버에서 가상의 컨트롤 서버, 매니저 서버, 영상 복원 서버, 인증 서버 각각 서로 다른 IP 주소를 가지고 있고, 서로 다른 IP 주소를 기초로 데이터가 전송되며 각각의 기능이 수행될 수 있다. 또는, 컨트롤 서버, 매니저 서버, 영상 복원 서버, 인증 서버 모두 동일한 IP 주소를 가지고 있고, 미리 설정된 알고리즘에 따른 데이터 전송을 통해 의료 영상 복원 및 전송 방법이 수행될 수 있다.
한편 의료기관에는 일반적으로 의료 영상 데이터 촬영 기기와 연동되어 촬영 기기를 제어하거나 의료 영상 데이터 전송을 관리하는 클라이언트 단말과 의료진이 의료 영상 데이터를 보거나 가공 및 관리할 수 있는 PACS 프로그램이 설치된 PACS 단말이 배치될 수 있다.
클라이언트 단말은 사용자 로그인, 워크리스트 및 영상 처리 내역을 출력하기 위한 사용자 인터페이스(UI)를 제공하는 프로그램이 설치된 단말일 수 있다. PACS 단말은 PACS 서버에 저장된 의료 영상 데이터, 개인 정보 데이터를 의료 영상 복원 및 전송 시스템의 컨트롤 서버로 전송하고, 영상 복원 서버를 통해 복원된 의료 영상 데이터를 수신하여 PACS서버에 저장하기 위한 사용자 인터페이스를 제공하는 프로그램이 설치된 단말일 수 있다.
의료 영상 복원 및 전송 시스템의 컨트롤 서버는 PACS 단말 및 PACS 서버와 의료 영상 데이터를 송수신하는 기능을 수행하고, 워크리스트 및 영상 처리 정보 API(Application Programming Interface)를 제공할 수 있다.
매니저 서버는 컨트롤 서버로부터 의료 영상 데이터를 수신하여 영상 복원 서버가 신속하게 영상을 복원할 수 있도록 영상 복원 서버에 영상 처리 업무를 자동 배분할 수 있다.
영상 복원 서버는 매니저 서버로부터 의료 영상 데이터를 수신하고, 인공신경망 모델과 GPU 연산을 이용하여 수신한 의료 영상 복원을 수행할 수 있다. 인공신경망 모델은 영상 품질 개선 처리를 위하여 미리 학습된 딥러닝 모델일 수 있다. 인공신경망 모델에 대해서는 뒤에서 상세히 설명하기로 한다.
인증 서버는 의료 영상 복원 및 전송 방법 프로그램 사용을 위한 사용자 인증 및 관리 API 제공하는 것일 수 있다.
데이터베이스는 의료 영상 복원 및 전송 시스템이 프로그램을 실행하기 위해 필요한 각종 데이터가 저장된 것일 수 있다. 예를 들어, 데이터베이스는 사용자 리스트, 워크리스트 및 영상 처리 정보와 프로토콜 규칙 및 의료 영상 데이터가 저장된 것일 수 있다.
도 2는 본 발명의 일 실시예에 따른 의료 영상 복원 및 전송 시스템과 PACS 시스템의 네트워크 통신을 설명하기 위한 도면이다.
도 2를 참조하면, PACS 서버와 의료 영상 데이터 복원 및 전송 시스템은 지역 대 지역 가상 사설망(Site-to-site VPN)을 기반으로 암호화된 유선 네트워크를 활용하여 통신할 수 있다. 네트워크 터널이 데이터를 완벽하게 보호하려면 사용자 인증(Authentication), 데이터의 무결성(Integrity) 그리고 데이터의 비밀 유지(Confidentiality)라는 세 가지 요소가 필요하며, 이런 보안성을 지닌 터널을 가상 사설망(VPN)이라고 한다. 특히, 지역대 지역 가상 사설망은 서로 다른 지역의 네트워크 사이에서 암호화된 터널을 구축할 수 있고, 인터넷을 통해 해당 사이트 간에 데이터와 리소스를 안전하게 공유할 수 있다.
구체적으로, 클라이언트 단말은 인증 서버와 VPN 네트워크 통신을 수행하여 로그인 정보, 개인 정보, 의료 영상 데이터의 암호화 정보를 HTTPS 프로토콜을 이용하여 송수신할 수 있다. HTTPS(Hyper Text Transfer Protocol over Secure Socket Layer)는 월드 와이드 웹 통신 프로토콜인 HTTP의 보안이 강화된 버전이다. 그리고 PACS 단말은 컨트롤 서버와 VPN 네트워크 통신을 수행하여 암호화된 의료 영상 데이터인 DICOM 데이터를 송수신할 수 있다.
이하에서는 본 발명의 일 실시예에 따른 의료 영상 복원 및 전송 시스템을 이용한 의료 영상 복원 및 전송 방법에 대하여 상세히 설명하기로 한다.
도 3은 본 발명의 일 실시예에 따른 의료 영상 복원 및 전송 시스템을 이용하여 수행되는 의료 영상 복원 및 전송 방법을 설명하기 위한 도면이다.
도 3을 참조하면, 본 발명의 일 실시예에 따른 복원 및 전송 시스템을 이용한 의료 영상 복원 및 전송 방법에 있어서, 컨트롤 서버가 전송받은 의료 영상 데이터를 매니저 서버로 전송하는 단계(S310)가 진행될 수 있다.
의료 영상 데이터는 가속화 촬영된 k-space 데이터 및 가속화 촬영된 k-space 데이터를 기초로 생성된 DICOM 데이터 중 적어도 어느 하나를 포함할 수 있다.
가속화 촬영이란 의료 영상 데이터가 MRI 촬영된 영상인 경우에 반복 촬영 횟수(NEX: Number of Excitations)를 줄여 촬영 시간을 단축시키는 것을 의미할 수 있다. 예를 들어, 통상적으로 2번 반복 촬영되는 시퀀스를 1번 촬영하는 것일 수 있다. 또한, 가속화 촬영이란 k-space에서 위상인코딩 방향으로 더 좁은 범위의 신호를 얻어 해상도가 낮은 이미지를 얻는 것을 의미할 수 있다. 또한, 가속화 촬영이란 의료 영상 데이터가 MRI 촬영된 영상인 경우에 MRI 촬영 시간을 단축시켜 서브 샘플링된 자기 공명 신호를 획득하는 것을 의미할 수 있다. 서브 샘플링된 자기 공명 신호는 나이키스트 샘플링 레이트보다 낮은 샘플링 레이트로 샘플링된 자기 공명 신호일 수 있다. 즉, 가속화 촬영된 자기 공명 영상은 나이키스트 샘플링 레이트보다 낮은 샘플링 레이트로 자기 공명 신호를 샘플링하여 획득된 영상일 수 있다. 서브 샘플링된 자기 공명 영상은 다양한 인공적인 이미지인 아티팩트(artifacts)를 포함하는 영상일 수 있다.
예를 들어, 풀 샘플링된 자기 공명 신호의 라인(line) 수가 n개이고 서브 샘플링된 자기 공명 신호의 라인(line) 수가 n/2개일 수 있다. 여기서 샘플링 라인의 감소된 정도가 1/2 배수이면 자기 공명 영상 촬영의 가속화 지수가 2라고 할 수 있다. 샘플링 라인의 감소된 정도가 1/3 배수, 1/4 배수이면 가속화 지수는 각각 3, 4라고 할 수 있다. 또한 가속화 촬영이란 위에서 언급된 촬영 방법들 중 하나 이상을 조합하여 촬영하는 방법일 수 있다.
컨트롤 서버는 의료 영상 촬영 장치, 의료 영상 저장 및 전송 시스템(PACS)으로부터 가속화 촬영된 k-space 데이터 및 가속화 촬영된 k-space 데이터를 기초로 생성된 DICOM 데이터 중 적어도 어느 하나를 포함하는 의료 영상 데이터를 전송받을 수 있다.
의료 영상 데이터는 환자의 생체 정보(vital information), 의료 현장에서 생성되는 환자나 피치료 부위 등에 대한 정지 영상인 의료 이미지(medical image) 정보 및 의료 현장에서 촬영되는 의료 동 영상 또는 의료 비디오(medical video) 정보를 포함할 수 있다.
DICOM(Digital Imaging and Communications in Medicine)은 의료용 디지털 영상 및 통신 표준을 의미하며, 의료기기에서 디지털 영상표현과 통신에 사용되는 여러 가지 표준을 총칭하는 것이다.
DICOM 데이터는 주로 환자 정보 및 미디어 특성 정보(patient information and media characteristics)를 포함할 수 있다. 예를 들어, DICOM 데이터에 포함되는 다양한 의료 정보 데이터는 의료 현장에서 수집되는 환자 관련 텍스트 정보 및 가공되지 않은 미디어 정보로서, 그 포맷에는 특별한 제한이 없다. 보다 구체적으로, DICOM 데이터는 환자의 생체 정보, 의료 현장에서 생성되는 환자나 피치료 부위 등에 대한 정지 영상인 의료 이미지 정보 및 의료 현장에서 촬영되는 의료 동 영상 또는 의료 비디오 정보를 포함할 수 있다.
도 4는 본 발명의 일 실시예에 따른 의료 영상 데이터 암호화 방법을 설명하기 위한 도면이다.
도 4를 참조하면, 컨트롤 서버는 의료 영상 데이터를 매니저 서버로 전송하기 전에 암호화할 수 있다. 의료 영상 데이터를 암호화하는 것은 의료 영상 데이터가 포함하는 복수개의 영상 슬라이스를 서로 셔플하는 것을 포함할 수 있다.
여기서 '암호화'는 익명화를 포함할 수 있다. 구체적으로, 익명화는 포함된 개인 식별 정보의 전부 또는 일부를 삭제하거나 알아볼 수 없는 형태로 변환하는 것일 수 있다. 익명화 기법으로는 가명(pseudonym), 일반화(generalization), 치환(permutation), 섭동(perturbation) 등을 포함한 다양한 방법이 있다.
예를 들어, 의료 영상은 복수개의 영상 슬라이스가 축적되어 형성되는 3D 영상일 수 있다. 또한 이러한 3D 의료 영상을 각각의 방향으로 슬라이스 처리하여 복수개의 영상 슬라이스를 생성할 수도 있다. 영상 슬라이스를 셔플하는 것은 순서대로 배열된 영상 슬라이스를 임의로 섞어서 배열하는 것일 수 있다. 3D 의료 영상은 환자의 얼굴이나 두상을 파악하여 해당 영상이 어떤 환자의 것인지 인식하는 것이 가능하기 때문에 개인 정보가 유출될 수 있는 위험이 있다. 이러한 위험을 방지하기 위해 의료 영상 복원 및 전송 시스템은 의료기관으로부터 전송받은 의료 영상을 셔플처리하고, 의료 영상 데이터에 포함되는 개인 정보 등의 메타 데이터를 블라인드 처리하거나 삭제하는 것으로서 데이터의 개인 정보가 가명으로 대체되는 가명처리를 수행하여 암호화하는 것이다.
예를 들어, 환자 두상의 3D 영상 이미지는 관상면(Coronal), 시상면(Sagittal), 수평면(Axial)으로 각각의 영상 슬라이스가 적층되어 형성된 것일 수 있다. 관상면은 얼굴을 정면에서 바라본 상태에서 얼굴면에 나란한 수직 방향으로 머리를 자른 단면이고, 이들이 상호 적층되어 머리의 3D 영상이 형성될 수 있다. 그리고, 3D 영상의 가명처리는 관상면 슬라이스들이 적층되는 순서를 바꿔 암호화하는 것으로 수행될 수 있다(도 4의 (a) 참조). 시상면은 머리를 측면에서 바라본 상태에서 측면과 나란한 수직 방향으로 자른 단면일 수 있다. 시상면 영상 슬라이스들이 상호 적층되어 머리의 3D 영상이 형성될 수 있다. 그리고, 3D 영상의 가명처리는 시상면 슬라이스들이 적층되는 순서를 바꿔 암호화하는 것으로서 수행될 수 있다(도 4의 (b) 참조). 수평면은 머리를 상부와 하부로 나누는 단면이고, 이들이 상호 적층되어 머리의 3D 영상이 형성되는데, 3D영상의 가명처리는 각각의 슬라이스의 적층되는 순서를 바꿔 암호화하는 것으로서 수행될 수 있다(도 4의 (c) 참조).
컨트롤 서버는 암호화된 의료 영상 데이터를 저장하고, 암호화되지 않은 의료 영상 데이터는 개인 정보 유출 방지를 위해 삭제할 수 있다. 컨트롤 서버는 영상 복원을 위한 요청을 수신하면 미리 저장된 암호화된 의료 영상 데이터를 복호화하고, 복호화된 의료 영상 데이터를 매니저 서버로 전송할 수 있다. 컨트롤 서버는 의료 영상 데이터의 특성 정보에 따라 의료 영상 데이터를 분류하여 매니저 서버로 전송할 수 있다. 특성 정보는 의료 영상 데이터의 프로토콜(Protocol) 정보, 시퀀스(Sequence) 정보 중 적어도 어느 하나를 포함할 수 있다.
프로토콜 정보란 의료 영상 촬영에서 촬영 부위 또는 병변에 따라 최적으로 영상을 평가할 수 있도록 설계된 다양한 시퀀스의 조합에 대한 정보이다. 시퀀스 정보란 MRI의 경우 펄스 시퀀스 및 펄스 필드 그라데이션의 특정한 설정으로, 특정 이미지 모양을 만들기 위한 정보이다. 예를 들어, 멀티 파라 메트릭 MRI는 두 개 이상의 시퀀스의 조합 및/또는 분광기와 같은 기타 특수 MRI 구성을 포함할 수 있다.
특성 정보가 프로토콜 정보와 시퀀스 정보를 모두 포함하는 경우, 컨트롤 서버는 수신한 의료 영상 데이터를 프로토콜 정보를 기초로 하여 프로토콜 영상 세트를 생성할 수 있다. 그 다음으로 컨트롤 서버는 프로토콜 영상 세트에 포함되는 복수개의 의료 영상을 시퀀스 정보로 분류하고, 분류된 시퀀스 정보를 기초로 시퀀스 영상 세트를 생성하며, 생성된 시퀀스 영상 세트를 매니저 서버에 전송할 수 있다.
그 다음으로, 매니저 서버가 전송받은 의료 영상 데이터를 영상 복원 서버로 전송하는 단계(S320)가 수행될 수 있다.
매니저 서버는 특성 정보에 따라 분류된 의료 영상 데이터를 특성 정보에 기초하여 미리 분류된 영상 복원 서버의 복수의 인공신경망에 분배하여 입력되도록 영상 복원 서버로 전송할 수 있다. 예를 들어, 매니저 서버는 상술한 시퀀스 영상 세트를 영상 복원 서버에 저장된 각각의 인공신경망 모델로 전송할 수 있다.
그 다음으로, 영상 복원 서버가 전송받은 의료 영상 데이터를 인공신경망 모델을 이용하여 복원하는 단계(S330)가 수행될 수 있다.
인공신경망 모델은 통계적 기계 학습 결과를 이용하여, 적어도 하나의 서브 샘플링된 자기 공명 영상과 적어도 하나의 풀 샘플링된 자기 공명 영상 간의 상관 관계를 학습하는 알고리즘의 집합일 수 있다. 인공 신경망 모델은 적어도 하나의 뉴럴 네트워크를 포함할 수 있다. 뉴럴 네트워크는 DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network), MLP(Multilayer Perceptron), CNN(Convolutional Neural Network)과 같은 방식의 네트워크 모델들을 포함할 수 있으나, 이에 한정되는 것은 아니다.
예를 들어, 인공신경망 모델은 뉴럴 네트워크를 이용하여 적어도 하나의 서브 샘플링된 자기 공명 영상 및 적어도 하나의 풀 샘플링된 자기 공명 영상 간의 상관 관계를 위상 인코딩 방향에 따라 스택되는 적어도 하나의 샘플링 라인의 픽셀들을 단위로 학습하여 구축된 모델일 수 있다. 또한, 인공신경망 모델은 서브 샘플링된 자기 공명 영상 및 풀 샘플링된 자기 공명 영상 이외에도 다양한 추가 데이터를 이용하여 구축될 수 있다. 예를 들어, 추가 데이터로서 자기 공명 영상에 대응되는 k-space 데이터, 실수 영상 데이터, 허수 영상 데이터, 크기 영상 데이터, 위상 영상 데이터 및 멀티 채널 RF 코일의 감도 데이터, 노이즈 패턴 영상 데이터 중 적어도 어느 하나가 이용될 수 있다.
도 5는 본 발명의 일 실시예에 따른 의료 영상 데이터의 특성 정보에 따라 적용되는 인공신경망 모델이 달라지는 것을 설명하기 위한 도면이다.
도 5를 참조하면, 인공신경망 모델이 MRI DICOM 의료 영상 데이터를 복원하는 경우, 일 예로 의료 영상 데이터의 프로토콜 정보는 브레인루틴-DN(BrainRoutine-DN)일 수 있고, 이 프로토콜은 T2 TSE, T2 FLAIR, T1 FLAIR 등의 시퀀스를 포함할 수 있다. 이 시퀀스를 따르는 의료 영상 가속화 촬영은 그 결과 영상 내의 노이즈가 증폭되는 특징이 있다. 따라서 이러한 시퀀스에 매칭되는 인공신경망 모델은 노이즈를 감소시키는 것에 특화된 것이 적용될 수 있다.
또한, 프로토콜은 브레인루틴-SR(BrainRoutine-SR)일 수 있고, 이 프로토콜은 T1 SE 등의 시퀀스를 포함할 수 있다. 이 시퀀스를 따르는 의료 영상 가속화 촬영은 그 결과 영상의 해상도가 감소되는 특징이 있다. 따라서 이러한 시퀀스에 매칭되는 인공신경망 모델은 해상도 감소를 방지하는 것에 특화된 것이 적용될 수 있다.
프로토콜은 브레인루틴-TOF(BrainRoutine-TOF)일 수 있고, 이 프로토콜은 ToF(Time of Flight) 등의 시퀀스를 포함할 수 있다. 이 시퀀스는 3D 촬영 시퀀스로서 3D 라 슬라이스 방향 정보를 활용할 수 있고, 가속화 촬영 결과 추가적인 후처리 작업이 필요하다. 따라서 이러한 시퀀스에 매칭되는 인공신경망 모델은 3D 슬라이스 방향 정보를 읽고, 3D 데이터의 후처리 작업이 가능한 것이 적용될 수 있다.
그 다음으로, 복원된 영상 데이터를 매니저 서버로 전송하는 단계(S340)가 수행될 수 있다. 예를 들어, 매니저 서버는 프로토콜 세트 및/또는 시퀀스 세트로 형성된 복수개의 의료 영상 이미지를 수신할 수 있다.
그 다음으로, 매니저 서버가 전송받은 복원된 영상 데이터를 컨트롤 서버로 전송하는 단계(S350)가 수행될 수 있다. 그 다음으로, 컨트롤 서버가 의료 영상 데이터를 전송받은 주소를 기초로 컨트롤 서버가 복원된 영상 데이터를 전송하는 단계(S360)가 수행될 수 있다. 예를 들어 컨트롤 서버가 PACS 서버로부터 의료 영상 데이터를 전송받은 경우, 복원된 영상 데이터를 해당 PACS 서버로 전송할 수 있다. PACS 서버는 수신한 복원된 영상 데이터를 암호화 처리할 수 있다. 이로써, PACS 서버와 의료 영상 복원 및 전송 시스템은 단일 터널을 이용하여 의료 영상 데이터를 송수신하므로 환자의 개인 정보 등의 유출을 방지하는 강력한 보안 통신 시스템을 제공할 수 있다.
이상으로 설명한 본 발명의 일 실시예에 따른 의료 영상 복원 및 전송 방법은 의료기관과 의료 영상 복원 및 전송 시스템 사이에 송수신되는 개인 정보를 포함하는 의료 영상 데이터를 가명처리 암호화하여 향상된 보안을 제공하므로, 개인 정보가 유출되는 것을 방지할 수 있다.
본 발명의 일 실시예에 따른 의료 영상 복원 및 전송 방법은 의료 영상 데이터의 특성 정보에 따라 최적의 인공신경망 모델을 이용하여 의료 영상을 복원하므로, 향상된 품질의 의료 영상을 획득할 수 있다.
한편, 본 발명의 일 실시예에 따른 의료 영상 복원 및 전송 방법은 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다. 본 발명의 방법 및 시스템은 특정 실시예와 관련하여 설명되었지만, 그것들의 구성 요소 또는 동작의 일부 또는 전부는 범용 하드웨어 아키텍쳐를 갖는 컴퓨터 시스템을 사용하여 구현될 수 있다.
이상의 설명은 본 발명의 기술적 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예는 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술적 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
Claims (16)
- 의료 영상 복원 및 전송 시스템을 이용한 의료 영상 복원 및 전송 방법에 있어서,
가속화 촬영된 k-space 데이터 및 가속화 촬영된 k-space 데이터를 기초로 생성된 DICOM 데이터를 포함하는 의료 영상 데이터를 전송받는 단계;
상기 의료 영상 데이터에 대한 프로토콜 정보 또는 시퀀스 정보를 포함하는 특성 정보에 기초하여, 상기 특성 정보에 따라 매칭된 인공신경망 모델을 이용하여 상기 전송받은 의료 영상 데이터를 복원하는 단계; 및
상기 의료 영상 데이터를 전송받은 주소를 기초로 상기 복원된 의료 영상 데이터를 전송하는 단계를 포함하고,
상기 의료 영상 데이터는 복수개의 영상 슬라이스를 포함하는 3D 영상 및 상기 DICOM 데이터로부터 획득된 메타 데이터를 포함하고,
상기 복수개의 영상 슬라이스는 제1 방법으로 암호화되고,
상기 메타 데이터는 상기 제1 방법과 다른 제2 방법으로 암호화되고,
상기 인공신경망 모델은,
상기 특성 정보에 포함된 3D 촬영 시퀀스 정보에 따라 매칭되고, 상기 3D 영상의 슬라이스 방향 정보를 기초로 상기 의료 영상 데이터를 복원하고 3D 후처리를 수행하는, 의료 영상 복원 및 전송 방법. - 제1항에 있어서,
상기 인공신경망 모델을 이용하여 복원하기 전에 상기 복수개의 영상 슬라이스를 상기 제1 방법으로 암호화하고, 상기 메타 데이터를 상기 제2 방법으로 암호화하는, 의료 영상 복원 및 전송 방법. - 제2항에 있어서,
상기 제1 방법으로 암호화하는 것은 상기 복수개의 영상 슬라이스를 서로 셔플하는 것을 포함하는, 의료 영상 복원 및 전송 방법. - 제2항에 있어서,
상기 암호화된 의료 영상 데이터를 저장하고, 암호화되지 않은 의료 영상 데이터는 삭제하는, 의료 영상 복원 및 전송 방법. - 제4항에 있어서,
상기 저장된 암호화된 의료 영상 데이터를 복호화하고, 복호화된 의료 영상 데이터를 상기 인공신경망 모델을 이용하여 복원하는, 의료 영상 복원 및 전송 방법. - 삭제
- 삭제
- 제1항에 있어서,
상기 특성 정보가 상기 프로토콜 정보와 시퀀스 정보를 모두 포함하는 경우,
상기 의료 영상 데이터를 상기 프로토콜 정보를 기초로 하여 프로토콜 영상 세트를 생성하며, 상기 프로토콜 영상 세트에 포함되는 복수개의 의료 영상을 상기 시퀀스 정보로 분류하고, 상기 분류된 시퀀스 정보를 기초로 시퀀스 영상 세트를 생성하며, 상기 시퀀스 세트를 상기 인공신경망 모델로 전송하는, 의료 영상 복원 및 전송 방법. - 의료 영상 복원 및 전송 시스템에 있어서,
가속화 촬영된 k-space 데이터 및 가속화 촬영된 k-space 데이터를 기초로 생성된 DICOM 데이터를 포함하는 의료 영상 데이터를 전송받고, 상기 의료 영상 데이터에 대한 특성 정보에 포함된 3D 촬영 시퀀스 정보에 따라 매칭된 인공신경망 모델을 이용하여 상기 전송받은 의료 영상 데이터를 복원하고, 상기 의료 영상 데이터를 전송받은 주소를 기초로 상기 복원된 의료 영상 데이터를 전송하고,
상기 의료 영상 데이터는 복수개의 영상 슬라이스를 포함하는 3D 영상 및 상기 DICOM 데이터로부터 획득된 메타 데이터를 포함하고,
상기 복수개의 영상 슬라이스는 제1 방법으로 암호화되고,
상기 메타 데이터는 상기 제1 방법과 다른 제2 방법으로 암호화되고,
상기 인공신경망 모델은,
상기 3D 영상의 슬라이스 방향 정보를 기초로 상기 의료 영상 데이터를 복원하고 3D 후처리를 수행하는, 의료 영상 복원 및 전송 시스템. - 제9항에 있어서,
상기 인공신경망 모델을 이용하여 복원하기 전에 상기 복수개의 영상 슬라이스를 상기 제1 방법으로 암호화하고, 상기 메타 데이터를 상기 제2 방법으로 암호화하는, 의료 영상 복원 및 전송 시스템. - 제10항에 있어서,
상기 제1 방법으로 암호화하는 것은 상기 복수개의 영상 슬라이스를 서로 셔플하는 것을 포함하는, 의료 영상 복원 및 전송 시스템. - 제10항에 있어서,
상기 암호화된 의료 영상 데이터를 저장하고, 암호화되지 않은 의료 영상 데이터는 삭제하는, 의료 영상 복원 및 전송 시스템. - 제12항에 있어서,
상기 저장된 암호화된 의료 영상 데이터를 복호화하고, 복호화된 의료 영상 데이터를 상기 인공신경망 모델을 이용하여 복원하는, 의료 영상 복원 및 전송 시스템. - 삭제
- 삭제
- 제9항에 있어서,
상기 특성 정보가 의료 영상 데이터의 프로토콜 정보와 시퀀스 정보를 모두 포함하는 경우,
상기 의료 영상 데이터를 상기 프로토콜 정보를 기초로 하여 프로토콜 영상 세트를 생성하며, 상기 프로토콜 영상 세트에 포함되는 복수개의 의료 영상을 상기 시퀀스 정보로 분류하고, 상기 분류된 시퀀스 정보를 기초로 시퀀스 영상 세트를 생성하며, 상기 시퀀스 세트를 상기 인공신경망 모델로 전송하는, 의료 영상 복원 및 전송 시스템.
Priority Applications (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210038588A KR102475392B1 (ko) | 2021-03-25 | 2021-03-25 | 의료 영상 복원 및 전송 시스템 및 그 방법 |
| EP21933347.3A EP4297041A1 (en) | 2021-03-25 | 2021-06-08 | System and method for restoring and transmitting medical image |
| PCT/KR2021/007180 WO2022203119A1 (ko) | 2021-03-25 | 2021-06-08 | 의료 영상 복원 및 전송 시스템 및 그 방법 |
| JP2023558456A JP2024513763A (ja) | 2021-03-25 | 2021-06-08 | 医療映像復元及び伝送システム及びその方法 |
| US17/424,315 US20230153456A1 (en) | 2021-03-25 | 2021-06-08 | Medical image reconstruction and transmission system and method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210038588A KR102475392B1 (ko) | 2021-03-25 | 2021-03-25 | 의료 영상 복원 및 전송 시스템 및 그 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220133465A KR20220133465A (ko) | 2022-10-05 |
| KR102475392B1 true KR102475392B1 (ko) | 2022-12-07 |
Family
ID=83395889
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210038588A KR102475392B1 (ko) | 2021-03-25 | 2021-03-25 | 의료 영상 복원 및 전송 시스템 및 그 방법 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20230153456A1 (ko) |
| EP (1) | EP4297041A1 (ko) |
| JP (1) | JP2024513763A (ko) |
| KR (1) | KR102475392B1 (ko) |
| WO (1) | WO2022203119A1 (ko) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024101875A1 (ko) * | 2022-11-08 | 2024-05-16 | 주식회사 트라이얼인포매틱스 | 인공지능 기반의 임상시험 영상 자동 표준화 장치, 방법 및 프로그램 |
| KR20240102817A (ko) * | 2022-12-26 | 2024-07-03 | 광운대학교 산학협력단 | 원격 의료시스템을 위한 동영상 압축 전송 방법 및 장치 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101624305B1 (ko) * | 2014-12-22 | 2016-05-26 | 연세대학교 산학협력단 | 영상의학 및 디지털 영상 판독환경에서 의료 영상의 후처리 방법 및 그 시스템 |
| KR102097743B1 (ko) * | 2019-07-25 | 2020-04-06 | 주식회사 딥노이드 | 인공지능 질환 판독 장치 및 방법 |
| KR102215702B1 (ko) * | 2018-06-04 | 2021-02-16 | 한국과학기술원 | 뉴럴 네트워크를 이용한 자기공명영상 처리 방법 및 그 장치 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005078989A1 (en) * | 2004-02-15 | 2005-08-25 | Matrixview Limited | Repetition coded compression for encrypting highly correlated data |
| US20110110568A1 (en) * | 2005-04-08 | 2011-05-12 | Gregory Vesper | Web enabled medical image repository |
| US8538029B2 (en) * | 2011-03-24 | 2013-09-17 | Hewlett-Packard Development Company, L.P. | Encryption key fragment distribution |
| KR101981583B1 (ko) * | 2017-02-27 | 2019-05-23 | 재단법인 아산사회복지재단 | 의료영상 내 정보처리방법 |
| KR101923184B1 (ko) * | 2017-08-25 | 2018-11-28 | 삼성전자주식회사 | 뉴럴 네트워크를 이용한 영상 복원 방법 및 그 자기 공명 영상 장치 |
| US11517197B2 (en) * | 2017-10-06 | 2022-12-06 | Canon Medical Systems Corporation | Apparatus and method for medical image reconstruction using deep learning for computed tomography (CT) image noise and artifacts reduction |
| EP4224418A3 (en) * | 2018-01-24 | 2023-08-23 | Pie Medical Imaging BV | Flow analysis in 4d mr image data |
| KR102220029B1 (ko) * | 2018-10-12 | 2021-02-25 | 한국과학기술원 | 뉴럴 네트워크를 이용한 비매칭 저 선량 엑스선 전산단층 촬영 영상 처리 방법 및 그 장치 |
| US10835761B2 (en) * | 2018-10-25 | 2020-11-17 | Elekta, Inc. | Real-time patient motion monitoring using a magnetic resonance linear accelerator (MR-LINAC) |
| US10803987B2 (en) * | 2018-11-16 | 2020-10-13 | Elekta, Inc. | Real-time motion monitoring using deep neural network |
| JP7334073B2 (ja) * | 2019-06-19 | 2023-08-28 | キヤノンメディカルシステムズ株式会社 | 医用データ処理装置及び医用データ処理方法 |
| JP7446736B2 (ja) * | 2019-08-09 | 2024-03-11 | キヤノンメディカルシステムズ株式会社 | 医用データ処理装置および医用画像診断装置 |
| US11348291B2 (en) * | 2019-11-29 | 2022-05-31 | Shanghai United Imaging Intelligence Co., Ltd. | System and method for reconstructing magnetic resonance images |
-
2021
- 2021-03-25 KR KR1020210038588A patent/KR102475392B1/ko active IP Right Grant
- 2021-06-08 US US17/424,315 patent/US20230153456A1/en active Pending
- 2021-06-08 JP JP2023558456A patent/JP2024513763A/ja active Pending
- 2021-06-08 WO PCT/KR2021/007180 patent/WO2022203119A1/ko active Application Filing
- 2021-06-08 EP EP21933347.3A patent/EP4297041A1/en active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101624305B1 (ko) * | 2014-12-22 | 2016-05-26 | 연세대학교 산학협력단 | 영상의학 및 디지털 영상 판독환경에서 의료 영상의 후처리 방법 및 그 시스템 |
| KR102215702B1 (ko) * | 2018-06-04 | 2021-02-16 | 한국과학기술원 | 뉴럴 네트워크를 이용한 자기공명영상 처리 방법 및 그 장치 |
| KR102097743B1 (ko) * | 2019-07-25 | 2020-04-06 | 주식회사 딥노이드 | 인공지능 질환 판독 장치 및 방법 |
Non-Patent Citations (1)
| Title |
|---|
| Abeer Samir 외, 3D Steganography by Random Shuffling of Image Contents Using Residue Model, 2020 ICECA, 2020.11.07., pp.912-918.* |
Also Published As
| Publication number | Publication date |
|---|---|
| EP4297041A1 (en) | 2023-12-27 |
| JP2024513763A (ja) | 2024-03-27 |
| WO2022203119A1 (ko) | 2022-09-29 |
| KR20220133465A (ko) | 2022-10-05 |
| US20230153456A1 (en) | 2023-05-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101981583B1 (ko) | 의료영상 내 정보처리방법 | |
| US12073939B2 (en) | Volumetric imaging technique for medical imaging processing system | |
| CN108021819B (zh) | 使用深度学习网络的匿名和安全分类 | |
| US20180167200A1 (en) | Obtaining a medical record stored on a blockchain from a wearable device | |
| JP6038185B2 (ja) | 患者に関連するデータレコードを処理するための方法 | |
| KR102475392B1 (ko) | 의료 영상 복원 및 전송 시스템 및 그 방법 | |
| Arumugham et al. | Networked medical data sharing on secure medium–a web publishing mode for DICOM viewer with three layer authentication | |
| JP6573443B2 (ja) | デジタル医療用画像データ記憶システム | |
| Garkoti et al. | Detection of insider attacks in cloud based e-healthcare environment | |
| US11315676B2 (en) | Clinical infrastructure with features for the prevention of egress of private information | |
| RU2679969C2 (ru) | Визуальная деперсонализация массивов медицинских данных для защиты при объемном 3d-рендеринге | |
| Arka et al. | Collaborative compressed I-cloud medical image storage with decompress viewer | |
| Ramkumar et al. | An Experiment to Develop an Enhanced Medical Image Security by using Deep Learning Assisted Crypto Policy | |
| Bleicher et al. | Going digital with dermoscopy | |
| Abdulbaqi et al. | A tele encephalopathy diagnosis based on EEG signal compression and encryption | |
| Desai et al. | Deep neural network based medical image steganography | |
| Madhushree et al. | An exhaustive review of authentication, tamper detection with localization and recovery techniques for medical images | |
| Anuja et al. | A survey on security issues and solutions for storage and exchange of medical images in cloud | |
| KR101437515B1 (ko) | 의료영상 전송 시스템 및 방법 | |
| KR102475397B1 (ko) | 슬라이스 레졸루션 향상이 적용된 자기 공명 영상 처리 장치 및 그 방법 | |
| Pesaru et al. | RETRACTED ARTICLE: Light weight cryptography-based data hiding system for Internet of Medical Things | |
| Prabhu et al. | Secured transmission of medical images in radiology using aes technique | |
| KR102199334B1 (ko) | 의료영상의 분할저장 및 제공시스템 | |
| KR102467290B1 (ko) | 페이즈 레졸루션 향상이 적용된 자기 공명 영상 처리 장치 및 그 방법 | |
| Birajdar et al. | Transform domain robust watermarking method using Riesz wavelet transform for medical data security and privacy |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right |