KR102490019B1 - 초음파 데이터를 이용한 정량적 이미징 방법 및 장치 - Google Patents

초음파 데이터를 이용한 정량적 이미징 방법 및 장치 Download PDF

Info

Publication number
KR102490019B1
KR102490019B1 KR1020200090261A KR20200090261A KR102490019B1 KR 102490019 B1 KR102490019 B1 KR 102490019B1 KR 1020200090261 A KR1020200090261 A KR 1020200090261A KR 20200090261 A KR20200090261 A KR 20200090261A KR 102490019 B1 KR102490019 B1 KR 102490019B1
Authority
KR
South Korea
Prior art keywords
image
neural network
ultrasound
virtual
images
Prior art date
Application number
KR1020200090261A
Other languages
English (en)
Other versions
KR20210075832A (ko
Inventor
배현민
오석환
이기쁨
김명기
Original Assignee
한국과학기술원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국과학기술원 filed Critical 한국과학기술원
Priority to US17/115,966 priority Critical patent/US20210183521A1/en
Publication of KR20210075832A publication Critical patent/KR20210075832A/ko
Application granted granted Critical
Publication of KR102490019B1 publication Critical patent/KR102490019B1/ko

Links

Images

Classifications

    • 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
    • A61B8/5207—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of raw data to produce diagnostic data, e.g. for generating an image
    • 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
    • A61B8/0833—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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

Abstract

적어도 하나의 프로세서에 의해 동작하는 이미징 장치의 동작 방법으로서, 임의의 형태와 정량적 특징이 모델링된 가상 조직들을 입력받는 단계, 음속도 분포 또는 감쇠계수 분포가 모델링된 가상 조직을 제1 방향과 제2 방향으로 투과한 초음파 데이터의 비행시간 변화 또는 신호세기 변화를 시뮬레이션하고, 상기 비행시간 변화 또는 상기 신호세기 변화를 나타내는 이미지쌍을 생성하는 단계, 각 가상 조직의 음속도 분포 이미지 또는 감쇠계수 분포 이미지를 해당 가상 조직에서 생성된 이미지쌍의 그라운드 트루스(ground truth)로 생성하는 단계, 그리고 각 가상 조직들의 이미지쌍 및 그라운드 트루스를 포함하는 학습 데이터를 이용하여, 입력 이미지쌍으로부터 음속도 분포 이미지를 복원하는 제1 신경망을 학습시키거나, 입력 이미지쌍으로부터 감쇠계수 분포 이미지를 복원하는 제2 신경망을 학습시키는 단계를 포함한다.

Description

초음파 데이터를 이용한 정량적 이미징 방법 및 장치{METHOD AND APPARATUS FOR QUANTITATIVE IMAGING USING ULTRASOUND DATA}
본 발명은 초음파를 사용한 이미지 복원 기술에 관한 것이다.
암은 조기 발견이 어려워 주기적인 진단이 필요하고, 병변의 크기 및 특성을 지속적으로 모니터링해야 한다. 이를 위한 대표적인 영상 장비로는 엑스레이(X-ray), MRI(magnetic resonance imaging), CT(computed tomography), 초음파(ultrasound) 등이 있다. 엑스레이, MRI, CT는 방사능 노출 위험이 있고, 측정 시간이 길며 비용이 비싼 단점이 있는 반면, 초음파 영상 장비는 안전하고 비교적 저렴하며, 실시간 영상을 제공해서 사용자가 병변을 실시간으로 모니터링하면서 원하는 이미지를 얻을 수 있다.
현재 가장 많이 상용화되어 있는 초음파 영상 장비로서, B-모드(Brightness mode) 이미징 시스템이 있다. 이는 실시간으로 병변의 위치를 찾아주기 때문에, 사용자가 병변을 실시간으로 모니터링하면서 원하는 영상을 효율적으로 얻을 수 있고, 안전하고 비교적 저렴하여 접근성이 좋다. 하지만 사용자의 숙련도에 따라 이미지의 질이 일정하게 유지되지 못하고, 정량적인 특성을 이미징하지 못한다는 단점이 있다. 즉, B-모드 기법은 조직의 형태학적인 정보만을 제공하기 때문에, 조직학적 특성으로 구분되는 양성종양과 악성종양을 구분하는 감별진단에서 민감도(sensitivity)와 특이도(specificity)가 낮을 수 있다.
최근에는 조직의 초음파 특성을 정량적으로 이미징하여 조직학적 정보를 얻으려는 연구가 진행되고 있다. 조직의 병리학적 변화는 세포의 구조적인 변화를 초래하며, 이에 따라 해당 조직에서 초음파 특성이 변하는 것을 이미징하는 것으로서, 대표적으로 초음파 단층촬영 기법(Ultrasound Computed Tomography, USCT)이 있다. 초음파 단층촬영 기법은 초음파 신호가 조직 내부에서 변하는 도달 시간, 신호 세기 등을 통해 조직의 성질을 역추적하는 복원 기법이다. 따라서, 초음파 단층촬영 기법을 통해, 물체의 음속도(Speed of Sound, SS), 감쇠 계수(Attenuation Coefficient, AC) 등의 정량적 정보를 얻을 수 있고, 고해상도의 정량적 이미지를 얻을 수 있다. 하지만 초음파 단층촬영 기법은 정교한 트랜스듀서 모델링(transducer modeling)이 요구되고, 측정 신호의 신호대잡음비(Signal to Noise Ratio, SNR)에 민감하고, 정확한 경계 검출이 힘든 단점이 있다. 또한, 초음파 단층촬영에 사용되는 프로브는, 모든 방향으로 굴절되고, 산란 및 반사된 초음파 데이터 수득을 위해 초음파 센서가 물체 주위를 둘러싸고 있어야 한다. 따라서, 초음파 단층촬영은 대부분 원형 구조의 프로브를 사용해야 해서 유방 촬영에 국한되고, 다양한 기관을 측정하는데 한계가 있다.
해결하고자 하는 과제는, 서로 마주보는 초음파 프로브들을 이용하여, 조직을 투과한 초음파 데이터와 조직에서 반사된 초음파 데이터를 획득하고, 조직에서의 초음파 투과 및 반사 특성을 이용하여 정량적 이미징하는 방법 및 이미징 장치를 제공하는 것이다.
해결하고자 하는 과제는, 조직에서 반사된 초음파 데이터로 획득된 형태학적 정보(geometric information)를 사전 정보로 이용하여, 조직을 투과한 초음파 데이터에 포함된 정량적 특징을 복원하는 신경망(neural network)을 제공하는 것이다.
해결하고자 하는 과제는, 서로 마주보는 초음파 프로브 간 실제 거리를 가상 거리(virtual depth)로 변환하는 관심영역 압축(Region of Interest compression)을 통해, 프로브 간 거리(관심영역 크기)에 관계없이, 학습된 신경망을 이용하여 조직의 정량적 이미지를 복원하는 방법을 제공하는 것이다.
한 실시예에 따라 적어도 하나의 프로세서에 의해 동작하는 이미징 장치의 동작 방법으로서, 임의의 형태와 정량적 특징이 모델링된 가상 조직들을 입력받는 단계, 음속도 분포 또는 감쇠계수 분포가 모델링된 가상 조직을 제1 방향과 제2 방향으로 투과한 초음파 데이터의 비행시간 변화 또는 신호세기 변화를 시뮬레이션하고, 상기 비행시간 변화 또는 상기 신호세기 변화를 나타내는 이미지쌍을 생성하는 단계, 각 가상 조직의 음속도 분포 이미지 또는 감쇠계수 분포 이미지를 해당 가상 조직에서 생성된 이미지쌍의 그라운드 트루스(ground truth)로 생성하는 단계, 그리고 각 가상 조직들의 이미지쌍 및 그라운드 트루스를 포함하는 학습 데이터를 이용하여, 입력 이미지쌍으로부터 음속도 분포 이미지를 복원하는 제1 신경망을 학습시키거나, 입력 이미지쌍으로부터 감쇠계수 분포 이미지를 복원하는 제2 신경망을 학습시키는 단계를 포함한다.
상기 이미지쌍은 해당 방향의 전송 채널들과 수신 채널들의 관계 매트릭스에서 초음파 신호의 비행시간 변화를 나타내는 이미지들일 수 있다.
상기 동작 방법은 각 가상 조직의 모델링된 형태를 나타내는 형태 이미지를 생성하는 단계, 그리고 각 가상 조직의 형태 이미지를 상기 학습 데이터에 추가하는 단계를 더 포함할 수 있다.
상기 학습시키는 단계는 상기 형태 이미지를 사전 정보로 이용하여, 상기 제1 신경망 또는 상기 제2 신경망을 학습시킬 수 있다.
다른 실시예에 따라 적어도 하나의 프로세서에 의해 동작하는 이미징 장치의 동작 방법으로서, 가상 조직들로부터 생성된 이미지들을 학습 데이터로 입력받는 단계, 그리고 상기 학습 데이터를 이용하여, 인코더 및 디코더 구조의 신경망을 학습시키는 단계를 포함한다. 상기 신경망을 학습시키는 단계는 상기 학습 데이터에 포함된 비행시간 이미지쌍 또는 신호세기 이미지쌍을 상기 인코더로 입력하고, 상기 인코더에서 추출된 특징을 상기 디코더에서 복원한 결과와 그라운드 트루스(ground truth) 간 손실이 최소화되도록 상기 신경망을 학습시킨다. 상기 비행시간 이미지쌍은 음속도 분포가 모델링된 가상 조직을 서로 다른 방향으로 투과한 초음파 데이터의 비행시간 변화를 나타내는 이미지들이다. 상기 신호세기 이미지쌍은 감쇠계수 분포가 모델링된 가상 조직을 서로 다른 방향으로 투과한 초음파 데이터의 신호세기 변화를 나타내는 이미지들이다.
상기 학습 데이터는 상기 가상 조직들의 음속도 분포 이미지들 또는 감쇠계수 분포 이미지들을 더 포함할 수 있다. 각 음속도 분포 이미지는 해당 가상 조직으로 생성된 비행시간 이미지쌍의 그라운드 트루스일 수 있다. 각 감쇠계수 분포 이미지는 해당 가상 조직으로 생성된 신호세기 이미지쌍의 그라운드 트루스일 수 있다.
상기 디코더는 스킵 연결들을 통해, 저해상도에서 복원된 특징을 고해상도로 제공하는 네트워크 구조를 가질 수 있다.
또 다른 실시예에 따라 적어도 하나의 프로세서에 의해 동작하는 이미징 장치의 동작 방법으로서, 각 가상 조직으로부터 생성된 입력 이미지들과 사전 정보를 학습 데이터로 입력받는 단계, 그리고 상기 사전 정보의 가이드 아래에서, 상기 입력 이미지들로부터 해당 가상 조직의 정량적 특성를 복원하는 신경망을 학습시키는 단계를 포함한다. 상기 사전 정보는 각 가상 조직의 모델링된 형태를 나타내는 형태 이미지이다. 상기 입력 이미지들은 음속도 분포가 모델링된 가상 조직을 서로 다른 방향으로 투과한 초음파 데이터의 비행시간 변화 또는 신호세기 변화를 나타내는 이미지들이다.
상기 신경망을 학습시키는 단계는 상기 입력 이미지들을 상기 신경망의 인코더로 입력하고, 상기 인코더에서 추출된 특징을 입력받은 상기 신경망의 디코더가 상기 사전 정보의 가이드 아래에서 복원한 결과와 그라운드 트루스 간 손실이 최소화되도록 상기 신경망을 학습시킬 수 있다.
상기 입력 이미지들이 상기 비행시간 변화를 나타내는 이미지들인 경우, 상기 그라운드 트루스는 각 가상 조직의 모델링된 음속도 분포를 나타내는 이미지일 수 있다.
상기 입력 이미지들이 상기 신호세기 변화를 나타내는 이미지들인 경우, 상기 그라운드 트루스는 각 가상 조직의 모델링된 감쇠계수 분포를 나타내는 이미지일 수 있다.
또 다른 실시예에 따라 적어도 하나의 프로세서에 의해 동작하는 이미징 장치의 동작 방법으로서, 마주보는 초음파 프로브쌍에서 수득된 초음파 데이터를 입력받는 단계, 상기 초음파 데이터 중에서 측정 대상을 투과한 초음파-투과 데이터를 이용하여, 상기 측정 대상에서의 비행시간 변화를 나타내는 제1 입력 이미지쌍을 생성하는 단계, 측정된 관심영역을 가상 관심영역으로 압축하는 관심영역 압축을 통해, 상기 제1 입력 이미지쌍을 상기 가상 관심영역으로 압축된 제2 입력 이미지쌍으로 변환하는 단계, 입력 이미지쌍으로부터 정량적 특성을 복원하도록 학습된 신경망을 이용하여, 상기 제2 입력 이미지쌍으로부터 복원된 정량적 이미지를 획득하는 단계, 그리고 상기 복원된 정량적 이미지를 상기 측정된 관심영역으로 복구(restore)하는 단계를 포함한다.
상기 초음파-투과 데이터는 상기 초음파 프로브쌍 중 제1 초음파 프로브에서 방사된 초음파 신호를 제2 초음파 프로브에서 수득한 제1방향 투과 데이터, 그리고 상기 제2 초음파 프로브에서 방사된 초음파 신호를 상기 제1 초음파 프로브에서 수득한 제2방향 투과 데이터를 포함할 수 있다.
상기 제1 입력 이미지쌍은 상기 제1 초음파 프로브의 전송 채널들과 상기 제2 초음파 프로브의 수신 채널들 사이의 비행시간 변화를 나타내는 제1 이미지, 그리고 상기 제2 초음파 프로브의 전송 채널들과 상기 제1 초음파 프로브의 수신 채널들 사이의 비행시간 변화를 나타내는 제2 이미지로 구성될 수 있다. 상기 정량적 특성은 음속도 분포일 수 있다.
상기 제1 입력 이미지쌍은 상기 제1 초음파 프로브의 전송 채널들과 상기 제2 초음파 프로브의 수신 채널들 사이의 신호세기 변화를 나타내는 제1 이미지, 그리고 상기 제2 초음파 프로브의 전송 채널들과 상기 제1 초음파 프로브의 수신 채널들 사이의 신호세기 변화를 나타내는 제2 이미지로 구성될 수 있다. 상기 정량적 특성은 감쇠계수 분포일 수 있다.
상기 동작 방법은 상기 초음파 데이터 중에서 상기 측정 대상에서 반사된 초음파-에코 데이터를 이용하여, 상기 측정 대상의 형태 이미지를 생성하는 단계, 상기 관심영역 압축을 통해, 상기 형태 이미지를 상기 가상 관심영역으로 압축된 형태 이미지로 변환하는 단계, 그리고 상기 압축된 형태 이미지를 상기 학습된 신경망의 사전 정보로 입력하는 단계를 더 포함할 수 있다.
상기 학습된 신경망은 상기 제2 입력 이미지쌍의 특징을 추출하고, 상기 사전 정보의 가이드 아래에서 상기 특징을 디코딩하여 상기 정량적 이미지를 출력할 수 있다.
상기 형태 이미지를 생성하는 단계는 상기 초음파-에코 데이터를 이용하여 B-모드(Brightness-mode) 이미지를 생성하고, 상기 B-모드 이미지로부터 타겟의 형태를 나타내는 상기 형태 이미지를 생성할 수 있다.
상기 가상 관심영역은 상기 신경망이 학습한 크기의 관심영역일 수 있다.
상기 압축된 제2 입력 이미지쌍으로 변환하는 단계는 압축 매트릭스를 통해, 상기 제1 입력 이미지쌍을 상기 제2 입력 이미지쌍으로 변환하고, 상기 압축 매트릭스는, 임의의 거리로 형성된 실제 관심영역을, 고정된 거리로 형성된 상기 가상 관심영역으로 압축하는 정보를 포함할 수 있다.
상기 신경망은 음속도 분포가 모델링된 가상 조직들의 비행시간 변화 이미지들을 이용하여, 해당 가상조직의 음속도 분포를 복원하도록 학습될 수 있다.
상기 신경망은 감쇠계수 분포가 모델링된 가상 조직들의 신호세기 변화 이미지들을 이용하여, 해당 가상조직의 감쇠계수 분포를 복원하도록 학습될 수 있다.
상기 신경망은 사전 정보의 가이드 아래에서, 비행시간 변화 이미지들로부터 음속도 분포를 복원하도록 학습될 수 있다. 상기 사전 정보는 임의의 형태로 모델링된 가상 조직의 형태 이미지일 수 있다. 상기 비행시간 변화 이미지들은 상기 음속도 분포가 모델링된 상기 가상 조직을 투과한 초음파 데이터의 비행시간 변화를 나타내는 이미지들일 수 있다.
상기 신경망은 사전 정보의 가이드 아래에서, 신호세기 변화 이미지들로부터 감쇠계수 분포를 복원하도록 학습될 수 있다. 상기 사전 정보는 임의의 형태로 모델링된 가상 조직의 형태 이미지일 수 있다. 상기 신호세기 변화 이미지들은 상기 감쇠계수 분포가 모델링된 상기 가상 조직을 투과한 초음파 데이터의 신호세기 변화를 나타내는 이미지들일 수 있다.
실시예에 따르면, 초음파 단층촬영에서 사용되어야 하는 원형 구조의 프로브 대신, 서로 마주보도록 배열된 한 쌍의 초음파 프로브들을 이용하여 조직의 정량적 특징을 이미징할 수 있으므로, 유방 촬영에 한정된 초음파 단층촬영을 갑상선, 췌장 등의 다양한 기관으로 확장할 수 있다.
실시예에 따르면, 원형 구조의 프로브를 별도 제작할 필요 없이, B-모드(Brightness mode) 이미징용 초음파 프로브를 그대로 이용해서 정량적인 음속도 분포 등을 이미징할 수 있다. 실시예에 따르면, 종래의 초음파 단층촬영 기법이 가지는 단점을 개선할 수 있다.
실시예에 따르면, 신경망 모델의 복원 네트워크 레이어(reconstruction network layer)에서 타겟의 형태학적 정보를 사전 정보로 이용하여, 정량적 특징을 복원하므로, 잡음 환경에서 수득된 초음파 데이터로부터 정확한 정량적 이미지 복원을 할 수 있다.
실시예에 따르면, 서로 마주보는 초음파 프로브 간 실제 거리를 가상 거리로 변환하는 관심영역 압축을 통해 신경망의 입력 이미지들을 생성한 후, 가상 거리로 학습된 신경망으로 입력하고, 신경망에서 출력된 이미지를 실제 거리로 변환하므로, 초음파 프로브 간 거리에 관계없이 정량적 이미지를 복원할 수 있다.
도 1과 도 2는 서로 마주보도록 배열된 초음파 프로브들을 이용한 초음파 데이터 수득 방법을 설명하는 도면이다.
도 3은 한 실시예에 따른 초음파 이미징 장치를 개념적으로 설명하는 도면이다.
도 4와 도 5는 한 실시예에 따른 신경망의 학습 데이터 생성 방법을 설명하는 도면이다.
도 6은 한 실시예에 따른 QI-Net 신경망의 구조도이다.
도 7은 다른 실시예에 따른 QIP-Net 신경망의 구조도이다.
도 8은 한 실시예에 따른 가상 관심영역으로의 측정된 초음파 데이터 변환을 설명하는 도면이다.
도 9는 한 실시예에 따른 관심영역 압축을 통한 정량적 이미지 복원을 설명하는 도면이다.
도 10은 한 실시예에 따른 신경망의 학습 데이터 생성 방법의 흐름도이다.
도 11은 한 실시예에 따른 신경망 학습 방법의 흐름도이다.
도 12는 한 실시예에 따른 이미징 방법의 흐름도이다.
도 13은 한 실시예에 따른 신경망을 이용한 정량적 이미지 복원 결과를 나타내는 도면이다
도 14는 한 실시예에 따른 컴퓨팅 장치의 구성도이다.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 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 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. 또한, 명세서에 기재된 "…부", "…기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
본 발명의 신경망은 적어도 하나의 태스크를 학습하는 인공지능 모델로서, 컴퓨팅 장치에서 실행되는 소프트웨어/프로그램으로 구현될 수 있다. 프로그램은 저장 매체(non-transitory storage media)에 저장되고, 프로세서에 의해 본 발명의 동작을 실행하도록 기술된 명령들(instructions)을 포함한다. 프로그램은 네트워크를 통해 다운로드되거나, 제품 형태로 판매될 수 있다.
도 1과 도 2는 서로 마주보도록 배열된 초음파 프로브들을 이용한 초음파 데이터 수득 방법을 설명하는 도면이다.
도 1과 도 2를 참고하면, 서로 마주보도록 배열된 한 쌍의 초음파 프로브들(10,11)을 통해, 조직을 투과한 초음파 데이터와 조직에서 반사된 초음파 데이터가 획득된다. 초음파 프로브A(10)와 초음파 프로브B(11)는 고정 장치에 의해 고정되어 초음파 데이터를 수득할 수 있다. 초음파 프로브A(10)와 초음파 프로브B(11) 각각은 N개의 압전 소자들(piezoelectrical elements)이 배열될 수 있고, 배열 모양에 따라 종류가 다양할 수 있다. 예를 들어 linear array 프로브 및 curvilinear array 프로브가 있다. 초음파 프로브A(10)와 초음파 프로브B(11) 각각은 각 압전 소자에 일정한 시간 간격으로 전기적 신호를 가하여 초음파 신호를 생성하는 위상차 배열(phased array) 프로브일 수 있다. 설명에서, 압전 소자들 각각을 채널이라고 부를 수 있다.
초음파 프로브들(10,11)에서 방사되는 초음파 신호는 단일 주파수의 펄스(pulse), 첩(chirp) 또는 연속파(continuous wave)와 같이 다양하게 변경될 수 있다. 설명에서는 방사되는 초음파 신호로서, 펄스를 예로 들 수 있다.
도 1의 (a)를 참고하면, 초음파 프로브A(10)에서 방사된 초음파 신호는 조직을 투과한 후, 초음파 프로브B(11)에 도달한다. 조직 내에 음속도(Speed of Sound)와 감쇠 계수와 같은 정량적 특성이 다른 병변(lesion)이 있다면, 방사된 초음파 신호가 초음파 프로브B(11)의 각 소자에 도달하는 데 걸린 시간(비행 시간)(Time of Flight, TOF) 및 수신 신호 세기가 달라질 수 있다.
방사된 신호의 비행 시간 변화 S(Tx,Rx)는 기준이 되는 물에서의 TOFwater와 물체에서 측정된 TOFobj의 차이로 정의되고, 수학식 1과 같이 계산될 수 있다.
Figure 112020075931887-pat00001
수학식 1에서, L(Tx, Rx)는 펄스 전파 경로(pulse propagation path)이고, s(x,y)는 위치 벡터(x,y)에서 음속도의 역수이다.
신호 세기 A(Tx,Rx)는 수학식 2와 같이 계산될 수 있다.
Figure 112020075931887-pat00002
수학식 2에서, α(x,y)는 감쇠계수의 공간 분포(spatial distribution)이다. Ewater와 Eobj는 물(water)과 물체의 관측 시에 수신된 초음파의 세기이다.
도 1의 (b)를 참고하면, 초음파 프로브A(10)에서 방사한 초음파 신호를 초음파 프로브B(11)에서 측정한 데이터로부터, 비행 시간 차이(SA->B)가 계산되고, 전송 채널들(Transducer channels)과 수신 채널들(Receiver channels)의 관계 매트릭스에서 초음파 신호(펄스)의 비행시간 변화(ΔTOF)를 나타내는 이미지가 생성될 수 있다. 반대로, 초음파 프로브B(11)에서 방사한 초음파 신호를 초음파 프로브A(10)에서 측정한 데이터로부터, 비행 시간 차이(SB->A)가 계산되고, 초음파 신호(펄스)의 비행시간 변화(ΔTOF)를 나타내는 이미지가 생성될 수 있다. 한 쌍의 비행시간 이미지들은, 비행시간 이미지들로부터 정량적 특징을 복원하는 신경망(neural network)에 입력될 수 있다.
이렇게 조직을 투과한 초음파 데이터를 이용하여 조직의 음속도 분포 등의 정량적 특징을 복원할 수 있다. 하지만, 비행 시간 변화 및 신호 세기로 복원하므로, 측정 데이터의 신호대잡음비(Signal to Noise Ratio, SNR)에 민감하고, 타겟의 경계(boundary)를 정확히 검출하기 어려울 수 있다.
이를 더 개선하기 위해, 조직에서 반사된 초음파 데이터를 이용하여, 타겟의 형태학적 정보를 획득하고, 형태학적 정보를 사전 정보로 사용하여 정량적 특징을 복원할 수 있다.
도 2의 (a)를 참고하면, 초음파 프로브A(10)에서 방사된 초음파 신호는 조직에서 반사되어 다시 초음파 프로브A(10)에 도달할 수 있다. 조직에서 반사된 초음파 데이터를 이용하여 조직 내 타겟의 위치 및 모양을 복원할 수 있는데, B-모드(Brightness-mode) 기법으로 이미징될 수 있다. B-모드 이미지는, 반사된 초음파 데이터로 생성된 파형의 포락선을 검출(envelope detection)한 후, 이를 통해 획득된 진폭(amplitude)으로 생성된 이미지일 수 있다.
도 2의 (b)를 참고하면, B-모드 이미지는 형태적인 정보를 포함하기 때문에, B-모드 이미지로부터 타겟의 경계를 나타내는 형태 이미지가 생성될 수 있다.
도 2의 (c)를 참고하면, 형태 이미지는 B-모드 이미지의 이진 이미지 또는 영역들로 분할된 분할 이미지(segmented image)일 수 있다. 형태 이미지는 사전정보(a priori information)로 신경망의 디코더에 입력될 수 있다.
타겟의 형태학적 정보를 사전 정보로 사용하는 신경망(Quantitative Imaging Network incorporating a priori information, QIP-Net)은 잡음 환경에서도 정량적 이미지를 안정적으로 생성할 수 있고, 타겟 내부의 정량적 특징을 빠르게 복원할 수 있다. 다음에서 정량적 이미징 장치 및 방법에 대해 자세히 설명한다.
도 3은 한 실시예에 따른 초음파 이미징 장치를 개념적으로 설명하는 도면이다.
도 3을 참고하면, 이미징 장치(100)는 적어도 하나의 프로세서에 의해 동작하는 컴퓨팅 장치로서, 초음파 프로브A(10)와 초음파 프로브B(11)에서 수득된 초음파 데이터를 입력받고, 인코더(encoder)-디코더(decoder) 구조의 신경망(200)을 이용하여 조직의 정량적 특징을 이미징한다. 이미징 장치(100)는 예를 들면 음속도(speed of sound, SS) 분포 이미지(300)를 생성할 수 있다. 신경망(200)의 학습 데이터에 따라, 이미징되는 정량적 특징은 음속도(speed of sound, SOS), 감쇠 계수(attenuation coefficient, AC) 등으로 다양할 수 있다.
설명에서, 수득된 초음파 데이터를 구분하기 위해, 조직을 투과한 초음파 데이터를 초음파-투과(traverse) 데이터라고 부르고, 조직에서 반사된 초음파 데이터를 초음파-에코(echo) 데이터라고 부른다. 초음파-투과 데이터는 프로브에 설정된 제1 모드(예를 들면, 단층촬영(Tomography) 모드)에서 수득될 수 있고, 초음파-에코 데이터는 프로브에 설정된 제2 모드(예를 들면, B-모드)에서 수득될 수 있다.
단층촬영 모드인 경우, 초음파 프로브A(10)에서 초음파 신호를 방사하고, 초음파 프로브B(11)에서 초음파-투과 데이터를 수득하고, 또한, 초음파 프로브B(11)에서 초음파 신호를 방사하고, 초음파 프로브A(10)에서 초음파-투과 데이터를 수득하도록, 송신 및 수신(Tx/Rx)이 설정될 수 있다. 예를 들어, 초음파 프로브A(10)와 초음파 프로브B(11) 각각이 128개의 압전 소자들로 구성된 경우, 256개 압전 소자들이 순차적으로 초음파 신호를 방사하고, 조직을 투과한 신호는 62.5MHz의 샘플링 속도로 반대쪽 프로브의 128개 압전 소자들에 의해 기록될 수 있다.
B-모드인 경우, 초음파 프로브A(10)에서 초음파 신호를 방사한 후 초음파-에코 데이터를 수득하거나, 초음파 프로브B(11)에서 초음파 신호를 방사한 후 초음파-에코 데이터를 수득하도록, 송신 및 수신(Tx/Rx)이 설정될 수 있다.
이미징 장치(100)는 학습된 신경망(200)을 탑재한다. 신경망(200)은 초음파-투과 데이터로 생성된 이미지를 입력받고 입력 이미지에 포함된 정량적 특징을 복원하도록 학습된다. 이때, 신경망(200)은 초음파-에코 데이터로 생성된 형태 이미지를 사전 정보로 입력받아서, 정량적 특징을 복원하도록 학습될 수 있다. 사전 정보를 입력받아 정량적 특징을 복원하는 신경망을 QIP-Net(Quantitative Imaging Network incorporating a priori information), 사전 정보 없이 정량적 특징을 복원하는 신경망을 QI-Net(Quantitative Imaging)이라고 구분하여 부를 수 있다.
신경망(200)의 학습은 별도의 장치에서 수행될 수 있으나, 설명의 편의를 위해 이미징 장치(100)가 신경망(200)을 학습시킨다고 설명한다.
도 4와 도 5는 한 실시예에 따른 신경망의 학습 데이터 생성 방법을 설명하는 도면이다.
도 4를 참고하면, 다양한 조직들을 모델링하여, 신경망(200)의 학습 데이터를 생성한다. 모델링된 조직들(가상 조직들)은 임의의 형태와 정량적 특징을 갖도록 다양하게 생성되고, 예를 들면, 장기(organs)나 병변(lesions)에 대응하는 적어도 하나의 타원이 배경에 무작위로 배치될 수 있다. 연조직들(soft tissues)이 모델링될 수 있다.
배경 및 타원의 음속도/감쇠계수는 조직의 일반적인 정량적 특징을 나타내는 범위(예를 들면, 1434m/s 에서 1634m/s, 그리고 0dB/cm 에서 10dB/cm)에서 선택될 수 있다. 각 조직은 고정된 관심영역(3cmx3cm)으로 모델링될 수 있다.
도 5를 참고하면, 이미징 장치(100)는 조직의 음속도 분포를 이미징하는 신경망(200a)을 학습시키기 위해, 도 4의 각 조직을 수학식 1의 비행시간 변화(ΔTOF) 모델로 시뮬레이션한 학습 데이터를 생성할 수 있다.
이미징 장치(100)는 정량적 특징이 모델링된 조직에서, 프로브A의 전송 채널들(Transducer channels)에서 프로브B의 수신 채널들(Receiver channels)로 전송된 신호에 대한 비행시간 변화(ΔTOF)를 시뮬레이션하고, 전송 채널들과 수신 채널들의 관계 매트릭스에서 초음파 신호(펄스)의 비행시간 변화 ΔTOF(SA->B)를 나타내는 비행시간 이미지(400-1)을 생성할 수 있다. 이미징 장치(100)는 송수신 프로브를 반대로 시뮬레이션하여, 비행시간 변화 ΔTOF(SB->A)를 나타내는 비행시간 이미지(400-2)을 생성할 수 있다. 이미징 장치(100)는 해당 조직의 음속도 분포를 나타내는 음속도 분포 이미지(400-3)를 그라운드 트루스 레이블(ground truth lable)로 생성할 수 있다.
신경망(200a)은 한 쌍의 비행시간 이미지들(400-1, 400-2)을 입력받고, 그라운드 트루스 레이블인 음속도 분포 이미지(400-3)와의 차이가 최소가 되는 음속도 분포 이미지를 복원하도록 학습할 수 있다.
한편, 이미징 장치(100)는 조직의 감쇠계수 분포를 이미징하는 신경망(200b)을 학습시키기 위해, 도 4의 각 조직을 수학식 2의 수신 신호 세기 모델로 시뮬레이션한 학습 데이터를 생성할 수 있다.
이미징 장치(100)는 정량적 특징이 모델링된 조직에 대해, 프로브A에서 프로브B로 전송된 신호에 대한 신호세기 변화를 시뮬레이션하고, 전송 채널들과 수신 채널들의 관계 매트릭스에서 초음파 신호(펄스)의 신호세기 변화(AA->B)를 나타내는 이미지(600-1)을 생성할 수 있다. 이미징 장치(100)는 송수신 프로브를 반대로 시뮬레이션하여, 신호세기 변화(AB->A)를 나타내는 이미지(600-2)를 생성할 수 있다. 이미징 장치(100)는 해당 조직의 감쇠계수 분포를 나타내는 감쇠계수 분포 이미지(600-3)를 그라운드 트루스 레이블(ground truth label)로 생성할 수 있다.
신경망(200b)은 한 쌍의 신호 세기 이미지들(600-1, 600-2)를 입력받고, 그라운드 트루스 레이블인 감쇠계수 분포 이미지(600-3)와의 차이가 최소가 되는 감쇠계수 분포 이미지를 복원하도록 학습할 수 있다.
신경망(200a)/신경망(200b)이 사전 정보를 입력받아 정량적 특징을 복원하는 신경망(QIP-Net)으로 구성되는 경우, 이미징 장치(100)는 해당 조직에 배치된 타원들의 형태를 나타내는 형태 이미지(500)를 생성하고, 이를 학습 데이터로 이용할 수 있다. 형태 이미지(500)는 신경망의 디코더에 사전 정보로 입력된다. 디코더는 인코더에서 출력된 특징을 복원할 때, 사전 정보로 입력된 타겟의 형태를 이용하여 타겟의 정량적 특징을 정확하고 안정적으로 복원할 수 있다.
설명에서는 주로 비행시간 이미지쌍을 신경망의 입력 이미지로 입력할 수 있으나, 감쇠계수 이미지쌍을 신경망의 입력 이미지로 입력하거나, 비행시간 이미지쌍 및 감쇠계수 이미지쌍을 신경망의 입력 이미지로 입력할 수 있다.
도 6은 한 실시예에 따른 QI-Net 신경망의 구조도이고, 도 7은 다른 실시예에 따른 QIP-Net 신경망의 구조도이다.
도 6과 도 7을 참고하면, 초음파 이미징을 위한 신경망(200)은 적어도 하나의 태스크를 학습할 수 있는 인공지능 모델로서, 컴퓨팅 장치에서 실행되는 소프트웨어/프로그램으로 구현될 수 있다. 신경망(200)은 입력 이미지들(U)의 특징들을 인코딩하는 인코더(encoder), 그리고 인코더에서 생성한 특징 맵 f(U)을 디코딩(역 렌더링)하여 정량적 이미지를 복원하는 디코더(decoder)를 포함한다. 설명에서는, 음속도 분포 이미지(400-3)를 복원하는 것으로 설명하고, 신경망 구조는 다양하게 설계 변경될 수 있다.
인코더(210)는 마주보는 두 초음파 프로브 사이에서의 비행시간 변화를 나타내는 한 쌍의 비행시간 이미지들(400-1, 400-2)을 입력받는다.
인코더(210)는 비행 시간 이미지들의 특징을 추출하는 컨볼루션 레이어들(convolution layers)로 구성되고, 완전 연결 레이어(fully Connected layer, FC)를 통해, 특징 맵 f(U)을 출력할 수 있다. 예를 들면, 인코더(210)는 컨볼루션 필터링(Conv, 3×3 Kernel size, 2×2 stride), 정규화(normalization, Norm), 그리고 활성 함수(Leaky ReLU, LRU)를 통해 입력의 특징을 추출할 수 있다.
인코더(210)의 출력 f(U)은 디코더로 입력되는데, 디코더는 사전 정보를 입력받을 수 있고 또는 입력받지 않을 수도 있어서, 이에 따라 구조가 달라질 수 있다.
도 6과 같이, 디코더(230a)가 인코더(210)에서 전달된 특징 f(U)을 사전 정보 없이 복원하는 신경망을 QI-Net이라고 부를 수 있다. 도 7과 같이, 디코더(230b)가 인코더(210)에서 전달된 특징 f(U)을 사전 정보를 이용하여 복원하는 신경망을 QIP-Net이라고 부를 수 있다.
도 6을 참고하면, 사전 정보 없이 복원하는 디코더(230a)는 복원 성능을 높이기 위해 U-Net의 연결 경로를 구성할 수 있다.
디코더(230a)는 다운샘플링 블록(231)을 통해 특징 맵 f(U)을 저해상도(low-level)로 다운샘플링하다가, 업샘플링 블록(233)을 통해 점차적으로 고해상도(High-level)로 업샘플링하여 음속도 분포 이미지(400-3)를 출력할 수 있다. 이때, 디코더(230a)는 U-Net의 스킵 연결들을 통해, 저해상도에서 복원된 특징을 고해상도로 제공할 수 있다. 즉, 스킵 연결된 특징들이 통합(Concatenation, C)될 수 있다.
다운샘플링 블록(231)은 컨볼루션 필터링(CONV), 정규화(Norm), 그리고 활성 함수(LRU)를 통해 특징을 추출하고, 맥스-풀링(MAX-POOL)할 수 있다. 업샘플링 블록(233)은 컨볼루션 필터링(CONV), 정규화(Norm), 그리고 활성 함수(LRU)를 통해 특징을 추출하고, 업-컨볼루션(UP-CONV)할 수 있다.
도 7을 참고하면, 디코더(230b)는 형태 이미지(500)를 사전 정보로 이용하여 특징 맵 f(U)으로부터 정량적 이미지(400-3)을 복원할 수 있다. 디코더(230b)는 사전 가이드 블록(Prior G-blk)(237)을 통해, 입력된 형태 이미지(500)를 인코딩된 특징(IN)과 결합(combine)하여 출력(OUT)할 수 있다. 디코더(230b)는 잔차(잔류) 연결(residual connection)을 통해, 인코딩된 특징이 일련의 사전 가이드 블록(237)을 통과하도록 구성할 수 있다.
도 6과 같이, 디코더(230a)가 인코더(210)에서 전달된 특징 맵 f(U)을 사전 정보 없이 복원하는 신경망을 QI-Net이라고 부를 수 있다. 도 7과 같이, 디코더(230b)가 인코더(210)에서 전달된 특징 f(U)을 사전 정보를 이용하여 복원하는 신경망을 QIP-Net이라고 부를 수 있다.
사전 정보를 이용하지 않는 QI-Net 신경망은, 수학식 3과 같은 손실 함수 G*를 이용하여, 복원 손실을 최소화하는 학습을 할 수 있다. 즉, 입력 U로부터 추론된 출력 G(U)과 그라운드 트루스 Y의 차이가 최소화되도록 학습된다.
Figure 112020075931887-pat00003
사전 정보를 이용하는 QIP-Net 신경망은, 수학식 4와 같은 손실 함수 G*를 이용하여, 복원 손실을 최소화하는 학습을 할 수 있다. 즉, 사전 정보 Meg의 가이드를 통해 입력 U로부터 추론된 출력 G(U, Meg)과 그라운드 트루스 Y의 차이가 최소화되도록 학습된다.
Figure 112020075931887-pat00004
도 8은 한 실시예에 따른 가상 관심영역으로의 측정된 초음파 데이터 변환을 설명하는 도면이고, 도 9는 한 실시예에 따른 관심영역 압축을 통한 정량적 이미지 복원을 설명하는 도면이다.
도 8을 참고하면, 마주보는 초음파 프로브들(10, 11)을 이용하여 초음파 데이터를 측정하는 경우, 프로브 간 거리(w)가 측정 대상에 따라 가변될 수 있다. 하지만, 신경망(200)은 프로브 간 거리가 고정된 관심영역(Region of Interest, ROI)으로 학습되기 때문에, 측정된 초음파 데이터를 그대로 이용하여 입력 이미지를 생성하는 경우, 복원 성능이 저하된다.
이러한 문제를 해결하기 위해, 이미징 장치(100)는 관심영역 압축(ROI compression)을 통해, 초음파 프로브 간 실제 거리(w)를 가상 관심영역의 가상 거리(virtual depth)(
Figure 112020075931887-pat00005
)로 변환한다. 가상 관심영역은 신경망(200)이 학습한 관심영역일 수 있다.
이미징 장치(100)는 압축 매트릭스(compression matrix) Mw(Tx,Rx)를 이용하여, 임의의 거리(w)에서 측정된 초음파 데이터 Uw(Tx, Rx)를 가상 관심영역의 값으로 변환할 수 있다.
이미징 장치(100)는 수학식 5와 같이, 측정된 관심영역을 가상 관심영역으로 압축할 수 있다. 압축 매트릭스 Mw(Tx,Rx)는 수학식 6과 같이 정의될 수 있다. 수학식 5에서, u(x,y)는 정량적인 정보(quantitative profile)이고,
Figure 112020075931887-pat00006
은 위치 벡터(position vector)이다.
Figure 112020075931887-pat00007
Figure 112020075931887-pat00008
도 9를 참고하면, 이미징 장치(100)는 측정된 초음파-투과 데이터를 이용하여, 비행시간 변화를 나타내는 비행시간 이미지 ΔTOF(Sw, A->B) 및 ΔTOF(Sw, B->A)를 생성한다. 이미징 장치(100)는 압축 매트릭스를 이용하여, 비행시간 이미지 ΔTOF(Sw, A->B) 및 ΔTOF(Sw, B->A)를 가상 관심영역으로 변환한다. 가상 관심영역으로 변환된 비행시간 이미지들은 학습된 신경망(200)으로 입력된다. 압축 매트릭스는 전송 채널들과 수신 채널들 사이의 압축 비율(compression ratio)을 포함하는 이미지일 수 있다.
이미징 장치(100)는 측정된 초음파-투과 데이터를 이용하여, 실제 거리(w)의형태 이미지를 생성한다. 이미징 장치(100)는 압축 매트릭스를 이용하여, 실제 거리(w)의 형태 이미지를 가상 거리(
Figure 112020075931887-pat00009
)의 형태 이미지로 변환한다. 가상 관심영역으로 변환된 형태 이미지는 학습된 신경망(200)의 디코더로 입력된다.
이미징 장치(100)는 학습된 신경망(200)에서 출력된 음속도 분포 이미지를 획득하고, 압축된 음속도 분포 이미지(compressed image)를 실제 거리(w)의 음속도 분포 이미지로 복구(restoration)한다.
도 10은 한 실시예에 따른 신경망의 학습 데이터 생성 방법의 흐름도이다.
도 10을 참고하면, 이미징 장치(100)는 임의의 형태와 정량적 특징이 모델링된 가상 조직들을 입력받는다(S110). 가상 조직들은 임의의 형태와 정량적 특징을 갖도록 다양하게 생성되고, 예를 들면, 도 4에서 설명한 바와 같이, 적어도 하나의 타원이 일정 크기의 배경에 무작위로 배치될 수 있다. 가상 조직의 일반적인 정량적 특징을 나타내도록, 배경 및 타원의 음속도/감쇠계수가 선택될 수 있다.
이미징 장치(100)는 가상 조직들의 음속도 분포를 기초로, 각 가상 조직을 투과한 초음파 데이터의 비행시간 변화(ΔTOF)를 시뮬레이션하여, 각 가상 조직의 비행시간 변화를 나타내는 비행시간 이미지쌍을 생성한다(S120). 이미징 장치(100)는 각 가상 조직의 정량적 특징에 따라, 제1방향으로 조직을 투과한 신호의 비행시간 변화 및 제2방향으로 조직을 투과한 신호의 비행시간 변화를 나타내는 한 쌍의 비행시간 이미지들을 생성할 수 있다.
이미징 장치(100)는 각 가상 조직의 음속도 분포를 나타내는 음속도 분포 이미지를 해당 가상 조직에서 생성된 비행시간 이미지쌍의 그라운드 트루스로 생성한다(S130).
이미징 장치(100)는 가상 조직들의 감쇠계수 분포를 기초로, 각 가상 조직을 투과한 초음파 데이터의 신호세기 변화를 시뮬레이션하여, 각 가상 조직의 신호세기 이미지쌍을 생성한다(S140).
이미징 장치(100)는 각 가상 조직의 감쇠계수 분포를 나타내는 감쇠계수 분포 이미지를 해당 가상 조직에서 생성된 감쇠계수 이미지쌍의 그라운드 트루스로 생성한다(S150).
이미징 장치(100)는 각 가상 조직의 모델링된 형태를 나타내는 형태 이미지를 생성한다(S160).
이미징 장치(100)는 가상 조직들로부터 생성된 이미지들을 학습 데이터로 저장한다(S170). 학습 데이터는, 비행시간 이미지쌍 및 음속도 분포 이미지, 신호세기 이미지쌍 및 감쇠계수 분포 이미지, 그리고 형태 이미지를 포함할 수 있다. 신경망의 학습 태스크에 따라 학습 데이터에서 선택된 이미지들이 실제 학습에 사용될 수 있다.
도 11은 한 실시예에 따른 신경망 학습 방법의 흐름도이다.
도 11을 참고하면, 이미징 장치(100)는 가상 조직들로부터 생성된 이미지들로 구성된 학습 데이터를 입력받는다(S210). 가상 조직은 임의의 형태와 정량적 특징으로 모델링된다. 학습 데이터는, 비행시간 이미지쌍 및 이의 그라운드 트루스인 음속도 분포 이미지, 신호세기 이미지쌍 및 이의 그라운드 트루스인 감쇠계수 분포 이미지, 그리고 형태 이미지를 포함할 수 있다.
이미징 장치(100)는 신경망의 인코더로 비행시간 이미지쌍 또는 신호세기 이미지쌍을 입력하고, 인코더에서 추출된 특징을 디코더에서 복원한 결과와 그라운드 트루스 간 손실이 최소화되도록 QI-Net 신경망을 학습시킨다(S220). QI-Net 신경망은 입력 이미지들의 특징들을 인코딩하는 인코더, 그리고 인코더에서 추출된 특징을 디코딩하여 정량적 이미지를 복원하는 디코더로 구성되고, 신경망 구조는 다양하게 설계될 수 있다. 예를 들면, QI-Net 신경망의 디코더는, 도 6과 같이 스킵 연결들을 통해, 저해상도에서 복원된 특징을 고해상도로 제공하는 U-Net으로 구성될 수 있다.
이미징 장치(100)는 신경망의 인코더로 비행시간 이미지쌍 또는 신호세기 이미지쌍을 입력하고, 신경망의 디코더로 사전 정보인 형태 이미지를 입력한 후, 인코더에서 추출된 특징을 입력받은 디코더가 사전 정보의 가이드를 통해 복원한 결과와 그라운드 트루스 간 손실이 최소화되도록 QIP-Net 신경망을 학습시킨다(S230). QIP-Net 신경망 역시, 입력 이미지들의 특징들을 인코딩하는 인코더, 그리고 인코더에서 추출된 특징을 디코딩하여 정량적 이미지를 복원하는 디코더로 구성되고, 신경망 구조는 다양하게 설계될 수 있다. 예를 들면, QIP-Net 신경망의 디코더는, 도 7과 같이 입력된 형태 이미지를 인코딩된 특징과 결합하는 사전 가이드 블록으로 구성되고, 특히, 잔차(잔류) 연결(residual connection)을 통해, 인코딩된 특징이 일련의 사전 가이드 블록을 통과하도록 구성될 수 있다.
도 12는 한 실시예에 따른 이미징 방법의 흐름도이다.
도 12를 참고하면, 이미징 장치(100)는 서로 마주보는 초음파 프로브쌍에서 수득된 초음파 데이터를 입력받는다(S310). 두 초음파 프로브들은 실제 거리(w)를 두고 서로 마주보도록 배열되고, 거리는 측정 대상에 따라 가변되기 때문에, 초음파 프로브쌍의 관심영역은 측정 대상에 따라 가변된다. 수득된 초음파 데이터는, 초음파 프로브에서 측정 대상으로 방사된 초음파 신호를 맞은편 초음파 프로브가 수득한 초음파-투과(traverse) 데이터를 포함한다. 수득된 초음파 데이터는, 초음파 프로브가 초음파 신호를 방사하고, 수득한 초음파-에코(echo) 데이터를 더 포함할 수 있다.
이미징 장치(100)는 수득된 초음파-투과 데이터의 비행시간 변화(ΔTOF)를 계산하고, 실제 거리(w)에서의 비행시간 변화를 나타내는 비행시간 이미지쌍을 생성한다(S320). 이미징 장치(100)는 제1방향으로 조직을 투과하여 수득된 초음파-투과 데이터, 그리고 제2방향으로 조직을 투과하여 수득된 초음파-투과 데이터 각각을 이용하여, 비행시간 변화(ΔTOF)를 나타내는 비행시간 이미지를 생성할 수 있다.
이미징 장치(100)는 관심영역 압축을 통해, 실제 거리(w)에서의 비행시간 변화를 나타내는 비행시간 이미지쌍을, 가상 거리(
Figure 112020075931887-pat00010
)에서의 비행시간 이미지쌍으로 압축한다(S330). 이미징 장치(100)는 압축 매트릭스를 이용하여, 실제 거리(w)에서 측정된 초음파 데이터를 가상 관심영역의 값으로 변환할 수 있다. 실제 거리(w)는 프로브들에 의해 측정되는 실제 관심영역이고 가변되며, 가상 거리(
Figure 112020075931887-pat00011
)는 신경망이 학습한 가상 관심영역이고 고정된다.
이미징 장치(100)는 입력 비행시간 이미지쌍으로부터 조직의 음속도 분포를 복원하도록 학습된 신경망을 이용하여, 압축된 비행시간 이미지쌍으로부터 복원된 압축된 음속도 분포 이미지를 획득한다(S340).
이미징 장치(100)는 가상 관심영역으로 압축된 음속도 분포 이미지를 실제 관심영역으로 복구(restoration)한다(S350).
이미징 장치(100)는 실제 관심영역으로 복구된 음속도 분포 이미지를 출력한다(S360).
한편, 이미징 장치(100)가 형태 이미지를 사전 정보로 이용하여 음속도 분포를 복원하는 QIP-Net 신경망을 이용하는 경우, 수득된 초음파-에코 데이터를 이용하여, B-모드 이미지를 생성하고, B-모드 이미지에서 타겟의 형태(경계)를 나타내는 형태 이미지를 생성한다. 그리고, 이미징 장치(100)는 관심영역 압축을 통해 가상 관심영역으로 압축된 형태 이미지를 생성하고, 압축된 형태 이미지를 QIP-Net 신경망의 사전 정보로 입력할 수 있다.
이미징 장치(100)는 음속도 분포뿐만 아니라, 다양한 정량적 특성을 복원할 수 있다. 예를 들면, 이미징 장치(100)는 수득된 초음파-투과 데이터로부터 관심영역에서의 신호세기 변화를 계산하고, 관심영역 압축을 통해, 실제 거리(w)에서의 신호세기 이미지쌍을 가상 거리(
Figure 112020075931887-pat00012
)에서의 신호세기 이미지쌍으로 압축할 수 있다. 이미징 장치(100)는 입력 신호세기 이미지쌍으로부터 조직의 감쇠계수 분포를 복원하도록 학습된 신경망을 이용하여, 압축된 신호세기 이미지쌍으로부터 복원된 압축된 감쇠계수 이미지를 획득할 수 있다. 이미징 장치(100)는 가상 관심영역으로 압축된 감쇠계수 분포 이미지를 실제 관심영역으로 복수하고, 복구된 감쇠계수 이미지를 출력할 수 있다.
도 13은 한 실시예에 따른 신경망을 이용한 정량적 이미지 복원 결과를 나타내는 도면이다
도 13을 참고하면, (a)는 종양을 모방한 물체가 있는 유방 팬텀(breast phantom)을 이용한 정량적 이미지 복원 결과이다. 이미징 장치(100)가 학습된 신경망(QI-Net, QIP-Net)으로, 유방 팬텀에서 획득한 초음파 데이터를 기초로 정략적인 음속도 분포 이미지(SS)를 복원한 결과이다.
(b)는 병변을 모방한 물체가 있는 소 근육(bovine muscle)을 을 이용한 정량적 이미지 복원 결과이다. 이미징 장치(100)가 학습된 신경망(QI-Net, QIP-Net)으로, 소 근육에서 획득한 초음파 데이터를 기초로 정략적인 음속도 분포 이미지(SS)를 복원한 결과이다.
형태 이미지를 사전 정보로 이용하는 QIP-Net의 복원 성능이 QI-Net보다 높으나, QIP-Net 및 QI-Net 모두 안정적으로 정량적인 특성을 복원함을 확인할 수 있다.
도 14는 한 실시예에 따른 컴퓨팅 장치의 구성도이다.
도 14를 참고하면, 이미징 장치(100)는 적어도 하나의 프로세서에 의해 동작하는 컴퓨팅 장치(700)일 수 있고, 초음파 프로브들(10, 11) 또는 초음파 프로브들(10, 11)에서 획득된 데이터를 제공하는 장치와 연결된다.
컴퓨팅 장치(700)는 하나 이상의 프로세서(710), 프로세서(710)에 의하여 수행되는 프로그램을 로드하는 메모리(730), 프로그램 및 각종 데이터를 저장하는 스토리지(750), 통신 인터페이스(770), 그리고 이들을 연결하는 버스(790)를 포함할 수 있다. 이외에도, 컴퓨팅 장치(700)는 다양한 구성 요소가 더 포함될 수 있다. 프로그램은 메모리(730)에 로드될 때 프로세서(710)로 하여금 본 개시의 다양한 실시예에 따른 방법/동작을 수행하도록 하는 명령어들(instruction)을 포함할 수 있다. 즉, 프로세서(710)는 명령어들을 실행함으로써, 본 개시의 다양한 실시예에 따른 방법/동작들을 수행할 수 있다. 명령어는 기능을 기준으로 묶인 일련의 컴퓨터 판독가능 명령어들로서 컴퓨터 프로그램의 구성 요소이자 프로세서에 의해 실행되는 것을 가리킨다.
프로세서(710)는 컴퓨팅 장치(700)의 각 구성의 전반적인 동작을 제어한다. 프로세서(710)는 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), GPU(Graphic Processing Unit) 또는 본 개시의 기술 분야에 잘 알려진 임의의 형태의 프로세서 중 적어도 하나를 포함하여 구성될 수 있다. 또한, 프로세서(710)는 본 개시의 다양한 실시예들에 따른 방법/동작을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있다.
메모리(730)는 각종 데이터, 명령 및/또는 정보를 저장한다. 메모리(730)는 본 개시의 다양한 실시예들에 따른 방법/동작을 실행하기 위하여 스토리지(750)로부터 하나 이상의 프로그램을 로드할 수 있다. 메모리(730)는 RAM과 같은 휘발성 메모리로 구현될 수 있을 것이나, 본 개시의 기술적 범위는 이에 한정되지 않는다.
스토리지(750)는 프로그램을 비임시적으로 저장할 수 있다. 스토리지(750)는 ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리 등과 같은 비휘발성 메모리, 하드 디스크, 착탈형 디스크, 또는 본 개시가 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터로 읽을 수 있는 기록 매체를 포함하여 구성될 수 있다.
통신 인터페이스(770)는 컴퓨팅 장치(700)의 유무선 통신을 지원한다. 이를 위해, 통신 인터페이스(770)는 본 개시의 기술 분야에 잘 알려진 통신 모듈을 포함하여 구성될 수 있다.
버스(790)는 컴퓨팅 장치(700)의 구성 요소 간 통신 기능을 제공한 다. 버스(790)는 주소 버스(Address Bus), 데이터 버스(Data Bus) 및 제어 버스(Control Bus) 등 다양한 형태의 버스로 구현될 수 있다.
이와 같이, 실시예에 따르면, 초음파 단층촬영에서 사용되어야 하는 원형 구조의 프로브 대신, 서로 마주보도록 배열된 한 쌍의 초음파 프로브들을 이용하여 조직의 정량적 특징을 이미징할 수 있으므로, 유방 촬영에 한정된 초음파 단층촬영을 갑상선, 췌장 등의 다양한 기관으로 확장할 수 있다.
실시예에 따르면, 원형 구조의 프로브를 별도 제작할 필요 없이, B-모드(Brightness mode) 이미징용 초음파 프로브를 그대로 이용해서 정량적인 음속도 분포 등을 이미징할 수 있다. 실시예에 따르면, 종래의 초음파 단층촬영 장치를 개선할 수 있다.
실시예에 따르면, 신경망 모델의 복원 네트워크 레이어(reconstruction network layer)에서 타겟의 형태학적 정보를 사전 정보로 이용하여, 정량적 특징을 복원하므로, 잡음 환경에서 획득된 초음파 데이터로부터 정확한 정량적 이미지 복원을 할 수 있다.
실시예에 따르면, 서로 마주보는 초음파 프로브 간 실제 거리를 가상 거리로 변환하는 관심영역 압축을 통해 신경망의 입력 이미지들을 생성한 후, 신경망을 학습시키므로, 임의 프로브 거리에서 측정된 초음파 데이터로부터 정량적 이미지를 복원할 수 있다.
이상에서 설명한 본 발명의 실시예는 장치 및 방법을 통해서만 구현이 되는 것은 아니며, 본 발명의 실시예의 구성에 대응하는 기능을 실현하는 프로그램 또는 그 프로그램이 기록된 기록 매체를 통해 구현될 수도 있다.
이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.

Claims (24)

  1. 적어도 하나의 프로세서에 의해 동작하는 이미징 장치의 동작 방법으로서,
    임의의 형태와 정량적 특징이 모델링된 가상 조직들을 입력받는 단계,
    음속도 분포 또는 감쇠계수 분포가 모델링된 가상 조직을 제1 방향과 제2 방향으로 투과한 초음파 데이터의 비행시간 변화 또는 신호세기 변화를 시뮬레이션하고, 상기 비행시간 변화 또는 상기 신호세기 변화를 나타내는 이미지쌍을 생성하는 단계,
    각 가상 조직의 음속도 분포 이미지 또는 감쇠계수 분포 이미지를 해당 가상 조직에서 생성된 이미지쌍의 그라운드 트루스(ground truth)로 생성하는 단계, 그리고
    각 가상 조직들의 이미지쌍 및 그라운드 트루스를 포함하는 학습 데이터를 이용하여, 입력 이미지쌍으로부터 음속도 분포 이미지를 복원하는 제1 신경망을 학습시키거나, 입력 이미지쌍으로부터 감쇠계수 분포 이미지를 복원하는 제2 신경망을 학습시키는 단계
    를 포함하는 동작 방법.
  2. 제1항에서,
    상기 이미지쌍은
    해당 방향의 전송 채널들과 수신 채널들의 관계 매트릭스에서 초음파 신호의 비행시간 변화를 나타내는 이미지들인, 동작 방법.
  3. 제1항에서,
    각 가상 조직의 모델링된 형태를 나타내는 형태 이미지를 생성하는 단계, 그리고
    각 가상 조직의 형태 이미지를 상기 학습 데이터에 추가하는 단계
    를 더 포함하는 동작 방법.
  4. 제3항에서,
    상기 학습시키는 단계는
    상기 형태 이미지를 사전 정보로 이용하여, 상기 제1 신경망 또는 상기 제2 신경망을 학습시키는, 동작 방법.
  5. 적어도 하나의 프로세서에 의해 동작하는 이미징 장치의 동작 방법으로서,
    가상 조직들로부터 생성된 이미지들을 학습 데이터로 입력받는 단계, 그리고
    상기 학습 데이터를 이용하여, 인코더 및 디코더 구조의 신경망을 학습시키는 단계를 포함하고,
    상기 신경망을 학습시키는 단계는
    상기 학습 데이터에 포함된 비행시간 이미지쌍 또는 신호세기 이미지쌍을 상기 인코더로 입력하고, 상기 인코더에서 추출된 특징을 상기 디코더에서 복원한 결과와 그라운드 트루스(ground truth) 간 손실이 최소화되도록 상기 신경망을 학습시키며,
    상기 비행시간 이미지쌍은
    음속도 분포가 모델링된 가상 조직을 서로 다른 방향으로 투과한 초음파 데이터의 비행시간 변화를 나타내는 이미지들이고,
    상기 신호세기 이미지쌍은
    감쇠계수 분포가 모델링된 가상 조직을 서로 다른 방향으로 투과한 초음파 데이터의 신호세기 변화를 나타내는 이미지들인, 동작 방법.
  6. 제5항에서,
    상기 학습 데이터는
    상기 가상 조직들의 음속도 분포 이미지들 또는 감쇠계수 분포 이미지들을 더 포함하고,
    각 음속도 분포 이미지는 해당 가상 조직으로 생성된 비행시간 이미지쌍의 그라운드 트루스이고,
    각 감쇠계수 분포 이미지는 해당 가상 조직으로 생성된 신호세기 이미지쌍의 그라운드 트루스인, 동작 방법.
  7. 제5항에서,
    상기 디코더는
    스킵 연결들을 통해, 저해상도에서 복원된 특징을 고해상도로 제공하는 네트워크 구조를 가지는, 동작 방법.
  8. 적어도 하나의 프로세서에 의해 동작하는 이미징 장치의 동작 방법으로서,
    각 가상 조직으로부터 생성된 입력 이미지들과 사전 정보를 학습 데이터로 입력받는 단계, 그리고
    상기 사전 정보의 가이드 아래에서, 상기 입력 이미지들로부터 해당 가상 조직의 정량적 특성를 복원하는 신경망을 학습시키는 단계를 포함하고,
    상기 사전 정보는 각 가상 조직의 모델링된 형태를 나타내는 형태 이미지이고,
    상기 입력 이미지들은 음속도 분포 또는 감쇠계수 분포가 모델링된 가상 조직을 서로 다른 방향으로 투과한 초음파 데이터의 비행시간 변화 또는 신호세기 변화를 나타내는 이미지들인, 동작 방법.
  9. 제8항에서,
    상기 신경망을 학습시키는 단계는
    상기 입력 이미지들을 상기 신경망의 인코더로 입력하고, 상기 인코더에서 추출된 특징을 입력받은 상기 신경망의 디코더가 상기 사전 정보의 가이드 아래에서 복원한 결과와 그라운드 트루스 간 손실이 최소화되도록 상기 신경망을 학습시키는, 동작 방법.
  10. 제9항에서,
    상기 입력 이미지들이 상기 비행시간 변화를 나타내는 이미지들인 경우, 상기 그라운드 트루스는 각 가상 조직의 모델링된 음속도 분포를 나타내는 이미지인, 동작 방법.
  11. 제9항에서,
    상기 입력 이미지들이 상기 신호세기 변화를 나타내는 이미지들인 경우, 상기 그라운드 트루스는 각 가상 조직의 모델링된 감쇠계수 분포를 나타내는 이미지인, 동작 방법.
  12. 적어도 하나의 프로세서에 의해 동작하는 이미징 장치의 동작 방법으로서,
    마주보는 초음파 프로브쌍에서 수득된 초음파 데이터를 입력받는 단계,
    상기 초음파 데이터 중에서 측정 대상을 투과한 초음파-투과 데이터를 이용하여, 상기 측정 대상에서의 비행시간 변화를 나타내는 제1 입력 이미지쌍을 생성하는 단계,
    측정된 관심영역을 가상 관심영역으로 압축하는 관심영역 압축을 통해, 상기 제1 입력 이미지쌍을 상기 가상 관심영역으로 압축된 제2 입력 이미지쌍으로 변환하는 단계,
    입력 이미지쌍으로부터 정량적 특성을 복원하도록 학습된 신경망을 이용하여, 상기 제2 입력 이미지쌍으로부터 복원된 정량적 이미지를 획득하는 단계, 그리고
    상기 복원된 정량적 이미지를 상기 측정된 관심영역으로 복구(restore)하는 단계
    를 포함하는 동작 방법.
  13. 제12항에서,
    상기 초음파-투과 데이터는
    상기 초음파 프로브쌍 중 제1 초음파 프로브에서 방사된 초음파 신호를 제2 초음파 프로브에서 수득한 제1방향 투과 데이터, 그리고 상기 제2 초음파 프로브에서 방사된 초음파 신호를 상기 제1 초음파 프로브에서 수득한 제2방향 투과 데이터를 포함하는, 동작 방법.
  14. 제13항에서,
    상기 제1 입력 이미지쌍은
    상기 제1 초음파 프로브의 전송 채널들과 상기 제2 초음파 프로브의 수신 채널들 사이의 비행시간 변화를 나타내는 제1 이미지, 그리고
    상기 제2 초음파 프로브의 전송 채널들과 상기 제1 초음파 프로브의 수신 채널들 사이의 비행시간 변화를 나타내는 제2 이미지로 구성되며,
    상기 정량적 특성은 음속도 분포인, 동작 방법.
  15. 제13항에서,
    상기 제1 입력 이미지쌍은
    상기 제1 초음파 프로브의 전송 채널들과 상기 제2 초음파 프로브의 수신 채널들 사이의 신호세기 변화를 나타내는 제1 이미지, 그리고
    상기 제2 초음파 프로브의 전송 채널들과 상기 제1 초음파 프로브의 수신 채널들 사이의 신호세기 변화를 나타내는 제2 이미지로 구성되며,
    상기 정량적 특성은 감쇠계수 분포인, 동작 방법.
  16. 제12항에서,
    상기 초음파 데이터 중에서 상기 측정 대상에서 반사된 초음파-에코 데이터를 이용하여, 상기 측정 대상의 형태 이미지를 생성하는 단계,
    상기 관심영역 압축을 통해, 상기 형태 이미지를 상기 가상 관심영역으로 압축된 형태 이미지로 변환하는 단계, 그리고
    상기 압축된 형태 이미지를 상기 학습된 신경망의 사전 정보로 입력하는 단계
    를 더 포함하는 동작 방법.
  17. 제16항에서,
    상기 학습된 신경망은
    상기 제2 입력 이미지쌍의 특징을 추출하고, 상기 사전 정보의 가이드 아래에서 상기 특징을 디코딩하여 상기 정량적 이미지를 출력하는, 동작 방법.
  18. 제16항에서,
    상기 형태 이미지를 생성하는 단계는
    상기 초음파-에코 데이터를 이용하여 B-모드(Brightness-mode) 이미지를 생성하고, 상기 B-모드 이미지로부터 타겟의 형태를 나타내는 상기 형태 이미지를 생성하는, 동작 방법.
  19. 제12항에서,
    상기 가상 관심영역은 상기 신경망이 학습한 크기의 관심영역인, 동작 방법.
  20. 제12항에서,
    상기 압축된 제2 입력 이미지쌍으로 변환하는 단계는
    압축 매트릭스를 통해, 상기 제1 입력 이미지쌍을 상기 제2 입력 이미지쌍으로 변환하고,
    상기 압축 매트릭스는, 임의의 거리로 형성된 실제 관심영역을, 고정된 거리로 형성된 상기 가상 관심영역으로 압축하는 정보를 포함하는, 동작 방법.
  21. 제12항에서,
    상기 신경망은
    음속도 분포가 모델링된 가상 조직들의 비행시간 변화 이미지들을 이용하여, 해당 가상조직의 음속도 분포를 복원하도록 학습되는, 동작 방법.
  22. 제12항에서,
    상기 신경망은
    감쇠계수 분포가 모델링된 가상 조직들의 신호세기 변화 이미지들을 이용하여, 해당 가상조직의 감쇠계수 분포를 복원하도록 학습되는, 동작 방법.
  23. 제12항에서,
    상기 신경망은 사전 정보의 가이드 아래에서, 비행시간 변화 이미지들로부터 음속도 분포를 복원하도록 학습되고,
    상기 사전 정보는 임의의 형태로 모델링된 가상 조직의 형태 이미지이며,
    상기 비행시간 변화 이미지들은 상기 음속도 분포가 모델링된 상기 가상 조직을 투과한 초음파 데이터의 비행시간 변화를 나타내는 이미지들인, 동작 방법.
  24. 제12항에서,
    상기 신경망은 사전 정보의 가이드 아래에서, 신호세기 변화 이미지들로부터 감쇠계수 분포를 복원하도록 학습되고,
    상기 사전 정보는 임의의 형태로 모델링된 가상 조직의 형태 이미지이며,
    상기 신호세기 변화 이미지들은 상기 감쇠계수 분포가 모델링된 상기 가상 조직을 투과한 초음파 데이터의 신호세기 변화를 나타내는 이미지들인, 동작 방법.
KR1020200090261A 2019-12-13 2020-07-21 초음파 데이터를 이용한 정량적 이미징 방법 및 장치 KR102490019B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/115,966 US20210183521A1 (en) 2019-12-13 2020-12-09 Method and apparatus for quantitative imaging using ultrasound data

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20190166616 2019-12-13
KR1020190166616 2019-12-13

Publications (2)

Publication Number Publication Date
KR20210075832A KR20210075832A (ko) 2021-06-23
KR102490019B1 true KR102490019B1 (ko) 2023-01-18

Family

ID=76599410

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200090261A KR102490019B1 (ko) 2019-12-13 2020-07-21 초음파 데이터를 이용한 정량적 이미징 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102490019B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230167953A (ko) * 2022-06-03 2023-12-12 한국과학기술원 프로브 적응형 정량적 초음파 이미징 방법 및 장치

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012239546A (ja) 2011-05-17 2012-12-10 Fujifilm Corp 超音波診断装置
JP6457157B2 (ja) 2016-06-23 2019-01-23 株式会社日立製作所 超音波撮像装置、および、超音波撮像装置における超音波撮像方法
KR102067340B1 (ko) 2018-07-16 2020-01-16 한국과학기술원 유방암 병변 특성에 따른 유방 종괴 생성 방법 및 그 시스템
JP2021133123A (ja) 2020-02-28 2021-09-13 キヤノン株式会社 超音波診断装置、学習装置、画像処理方法およびプログラム

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100932472B1 (ko) * 2005-12-28 2009-12-18 주식회사 메디슨 병변조직을 검출하는 초음파 진단 시스템
KR20130080640A (ko) * 2012-01-05 2013-07-15 삼성메디슨 주식회사 초음파 영상 제공 방법 및 초음파 영상 제공 장치

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012239546A (ja) 2011-05-17 2012-12-10 Fujifilm Corp 超音波診断装置
JP6457157B2 (ja) 2016-06-23 2019-01-23 株式会社日立製作所 超音波撮像装置、および、超音波撮像装置における超音波撮像方法
KR102067340B1 (ko) 2018-07-16 2020-01-16 한국과학기술원 유방암 병변 특성에 따른 유방 종괴 생성 방법 및 그 시스템
JP2021133123A (ja) 2020-02-28 2021-09-13 キヤノン株式会社 超音波診断装置、学習装置、画像処理方法およびプログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"Robust Single-Probe Quantitative Ultrasonic Imaging System With a Target-Aware Deep Neural Network", IEEE transaction on Bio. vol.68, No.12(2021.6.7.)

Also Published As

Publication number Publication date
KR20210075832A (ko) 2021-06-23

Similar Documents

Publication Publication Date Title
CN110381845B (zh) 具有用于导出成像数据和组织信息的神经网络的超声成像系统
JP7085470B2 (ja) 超音波波形断層撮影方法を用いた組織撮像および分析
CN102988082B (zh) 医学超声剪切波成像中的分类预处理
Stotzka et al. Medical imaging by ultrasound computer tomography
KR102380167B1 (ko) 단일 초음파 프로브를 이용한 정량적 이미징 방법 및 장치
CN108685596A (zh) 利用超声医疗成像的组织性质估计
Hooi et al. First‐arrival traveltime sound speed inversion with a priori information
KR102490019B1 (ko) 초음파 데이터를 이용한 정량적 이미징 방법 및 장치
Kretzek et al. GPU-based 3D SAFT reconstruction including attenuation correction
JP6972134B2 (ja) 超音波探査により信号を取得するための方法、対応するコンピュータプログラムおよび超音波探査装置
Kim et al. Robust single-probe quantitative ultrasonic imaging system with a target-aware deep neural network
Liu et al. 2J-2 3D ultrasound computer tomography: Results with a clinical breast phantom
Malamal et al. Towards diffuse beamforming for specular reflectors: A pixel-level reflection tuned apodization scheme for ultrasound imaging
US20210183521A1 (en) Method and apparatus for quantitative imaging using ultrasound data
JP2002540910A (ja) ３次元実時間超音波検査のためのシステムおよび方法
Masoom et al. Target detection in diagnostic ultrasound: Evaluation of a method based on the CLEAN algorithm
Ruiter et al. A new method for grating lobe reduction for 3D synthetic aperture imaging with ultrasound computer tomography
KR20180031557A (ko) 초음파 영상 장치 및 초음파 영상 표시 방법
Peterlik et al. Regularized image reconstruction for ultrasound attenuation transmission tomography
US20210177380A1 (en) Method and apparatus for quantitative ultrasound imaging using single-ultrasound probe
Shin et al. Elastography for portable ultrasound
Camacho et al. A multi-modal ultrasound breast imaging system
Jirik et al. Ultrasonic attenuation tomography based on log-spectrum analysis
KR20230011856A (ko) 의료 초음파의 정량적 이미징 방법 및 장치
Ruiter et al. First images with a 3D-prototype for ultrasound computer tomography

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right