KR102490504B1 - 기계 학습 모델을 이용하여 소아의 단순 x선 이미지 처리를 위한 의료 영상 처리 방법 및 장치 - Google Patents

기계 학습 모델을 이용하여 소아의 단순 x선 이미지 처리를 위한 의료 영상 처리 방법 및 장치 Download PDF

Info

Publication number
KR102490504B1
KR102490504B1 KR1020220019819A KR20220019819A KR102490504B1 KR 102490504 B1 KR102490504 B1 KR 102490504B1 KR 1020220019819 A KR1020220019819 A KR 1020220019819A KR 20220019819 A KR20220019819 A KR 20220019819A KR 102490504 B1 KR102490504 B1 KR 102490504B1
Authority
KR
South Korea
Prior art keywords
image
training
suppressed
basic
pair
Prior art date
Application number
KR1020220019819A
Other languages
English (en)
Inventor
김남국
조경진
김민규
서지연
홍길선
Original Assignee
프로메디우스 주식회사
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 프로메디우스 주식회사 filed Critical 프로메디우스 주식회사
Priority to KR1020220019819A priority Critical patent/KR102490504B1/ko
Application granted granted Critical
Publication of KR102490504B1 publication Critical patent/KR102490504B1/ko
Priority to US18/168,400 priority patent/US20230260123A1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • 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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G06T2207/10012—Stereo 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
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/20—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
    • G06T2207/30008—Bone
    • 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
    • G06T2207/30048—Heart; Cardiac
    • 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
    • G06T2207/30061—Lung
    • 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
    • G06T2207/30168—Image quality inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/441—AI-based methods, deep learning or artificial neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)

Abstract

일 실시예에 따른 장치는, 기본 CT 이미지 및 상기 기본 CT 이미지의 골격(bone)의 적어도 일부가 억제(suppress)된 억제 CT 이미지를 포함하는 CT 이미지 쌍에 대하여 스타일 변환 모델을 적용함으로써 상기 CT 이미지 쌍을 변환 이미지 쌍으로 변환하고, 상기 변환 이미지 쌍을 포함하는 트레이닝 데이터에 기초하여 단순 X선 이미지를 위한 골격 억제 모델을 트레이닝시키는 프로세서를 포함할 수 있다.

Description

기계 학습 모델을 이용하여 소아의 단순 X선 이미지 처리를 위한 의료 영상 처리 방법 및 장치{MEDICAL IMAGE PROCESSING METHOD AND DEVICE FOR PEDIATRIC SIMPLE X-RAY IMAGE PROCESSING USING MACHINE LEARNING MODEL}
이하, 의료 영상 처리에 관한 기술이 개시된다.
영상처리는 1920년대 전송사진에 응용된 이후로 많은 다양한 분야에서 응용되고 있다. 특히, 의료영상처리는 엑스선 단순촬영 영상에의 응용을 시작으로 1970년대 전산화 단층촬영과 자기공명 단층촬영, 초음파 진단, 단 광자 방사 전산화 단층촬영, 양전자 방사 단층 촬영 등 다양한 의료영상기기의 개발로 중요성이 날로 증대하고 있다. 이러한 의료영상기기는 인체의 단층영상을 제공함으로써 인체 내부 장기의 3차원 입체 영상 합성을 가능하게 하였고, 또한 가상현실과 관련하여 수술의 위험도를 낮추기 위한 가상 수술 시뮬레이션 등 여러 분야에서 많은 연구가 진행되고 있다. 최근에는 3차원 영상 합성, 가상 수술 시뮬레이션 등 시각화뿐만 아니라 영상 정보처리를 통한 자동진단에 대한 관심이 크게 고조되어 컴퓨터 도움 진단 분야가 활발하게 연구되고 있다. 특히, 폐암의 조기진단을 위한 폐종양 자동 검출, 영상의 시간에 따른 변이 추출, 폐 기능 검사를 위한 폐 체적 측정, 비만도 검사를 위한 체지방 측정 등 다양한 응용분야에서 연구가 진행되고 있다.
한편, 엑스선 단순촬영은, 전산화 단층촬영과 자기공명 단층촬영이 단층영상을 제공하여 보다 나은 정보를 제공함에도 불구하고, 촬영비용이 적게 들고 촬영이 편리하여 정기검진과 같은 조기진단이나 질병의 스크리닝(screening)을 위해 많이 활용된다. 그러나, 엑스선 단층촬영 영상은 프로젝션(projection)된 영상으로 장기들이 명확히 구별되지 않고, 또한 촬영조건에 따라 영상이 크게 변화하고 불분명한 경우가 많아 영상처리에 많은 어려움을 가지고 있어 전산화 단층촬영이나 자기공명 단층촬영에 비하여 연구가 활발하지 못한 분야이다.
그럼에도 불구하고, 흉부 엑스선 영상에서의 영상처리에 대한 연구는 이미 오래 전부터 이루어져왔다. 최근에는 폐암의 조기진단 등 폐의 이상부위를 찾고 시간에 따른 변화를 알아보기 위하여 흉부 엑스선 영상의 영상처리에 대한 연구가 활발히 진행되고 있다. 또한, 판독에 어려움이 있는 불분명한 흉부 엑스선 영상의 대조도를 높이고 잡음을 줄여 영상의 질을 향상시켜 판독에 도움을 주는 영상처리로부터 폐암, 폐종양 등 이상부위를 찾아내어 진단에 도움을 주는 영상처리까지 다양한 방식으로 연구가 진행되고 있다.
그러나, 흉부 엑스선 영상은 엑스선의 양, 세기, 촬영조건, 환자의 자세, 호흡, 현상 조건 등에 따라 영상의 질이 크게 차이가 나고 해부학적 구조물들이 복잡하게 얽혀 있어 영상처리를 통하여 유용한 정보를 얻는데 어려움이 많다.
일 실시예에 따른 방법은 기본 CT 이미지 및 상기 기본 CT 이미지의 골격(bone)의 적어도 일부가 억제(suppress)된 억제 CT 이미지를 포함하는 CT 이미지 쌍에 대하여 스타일 변환 모델을 적용함으로써, 상기 CT 이미지 쌍을 변환 이미지 쌍으로 변환하는 단계 및 상기 변환 이미지 쌍을 포함하는 트레이닝 데이터에 기초하여 단순 X선 이미지를 위한 골격 억제 모델을 트레이닝시키는 단계를 포함할 수 있다.
일 실시예에 따른 방법은 상기 트레이닝된 골격 억제 모델을 단순 X선 입력 이미지에 적용함으로써, 상기 단순 X선 입력 이미지의 골격의 적어도 일부가 억제된 단순 X선 출력 이미지를 획득하는 단계를 더 포함할 수 있다.
상기 단순 X선 출력 이미지를 획득하는 단계는, 소아(pediatric)에 대한 단순 X선 입력 이미지에 상기 골격 억제 모델을 적용함으로써, 상기 단순 X선 입력 이미지의 골격의 적어도 일부가 억제된 상기 단순 X선 출력 이미지를 획득하는 단계를 포함할 수 있다.
일 실시예에 따른 방법은 기본 입체 CT 이미지를 기준 평면으로 투영함으로써 평면 CT 이미지인 상기 기본 CT 이미지를 획득하는 단계, 및 상기 기본 입체 CT 이미지의 골격의 적어도 일부 골격에 대응하는 복셀(voxel) 값을 비골격에 대응하는 복셀 값으로 변경함으로써 획득된, 상기 기본 입체 CT 이미지의 상기 적어도 일부 골격이 억제된 억제 입체 CT 이미지를, 상기 기준 평면으로 투영함으로써 평면 CT 이미지인 상기 억제 CT 이미지를 획득하는 단계를 더 포함할 수 있다.
일 실시예에 따른 방법은 소아에 대한 상기 기본 CT 이미지 및 상기 억제 CT 이미지를 포함하는 소아에 대한 상기 CT 이미지 쌍을 획득하는 단계를 더 포함할 수 있다.
상기 변환 이미지 쌍으로 변환하는 단계는, 소아에 대한 상기 CT 이미지 쌍에 대하여 상기 스타일 변환 모델을 적용함으로써, 상기 소아에 대한 상기 CT 이미지 쌍을 소아에 대한 상기 변환 이미지 쌍으로 변환하는 단계를 포함할 수 있다.
상기 골격 억제 모델을 트레이닝시키는 단계는, 상기 트레이닝 데이터의 상기 변환 이미지 쌍의 기본 변환 이미지를 트레이닝 입력 이미지로 이용하고 상기 변환 이미지 쌍의 억제 변환 이미지를 참값(ground truth) 출력 이미지로 이용함으로써, 지도 학습(supervised learning)을 통해 상기 골격 억제 모델을 트레이닝시키는 단계를 포함할 수 있다.
상기 골격 억제 모델을 트레이닝시키는 단계는, 상기 트레이닝 데이터의 상기 변환 이미지 쌍의 기본 변환 이미지에 골격 억제 모델을 적용함으로써 트레이닝 출력 이미지를 획득하는 단계 및 상기 트레이닝 출력 이미지 및 상기 변환 이미지 쌍의 억제 변환 이미지에 기초하여 계산된 상기 골격 억제 모델의 목적함수 값을 이용하여 상기 골격 억제 모델의 파라미터들을 업데이트하는 단계를 포함할 수 있다.
일 실시예에 따른 장치는 기본 CT 이미지 및 상기 기본 CT 이미지의 골격(bone)의 적어도 일부가 억제(suppress)된 억제 CT 이미지를 포함하는 CT 이미지 쌍에 대하여 스타일 변환 모델을 적용함으로써 상기 CT 이미지 쌍을 변환 이미지 쌍으로 변환하고, 상기 변환 이미지 쌍을 포함하는 트레이닝 데이터에 기초하여 단순 X선 이미지를 위한 골격 억제 모델을 트레이닝시키는 프로세서를 포함할 수 있다.
상기 프로세서는, 상기 트레이닝된 골격 억제 모델을 단순 X선 입력 이미지에 적용함으로써, 상기 단순 X선 입력 이미지의 골격의 적어도 일부가 억제된 단순 X선 출력 이미지를 획득할 수 있다.
상기 프로세서는, 소아(pediatric)에 대한 단순 X선 입력 이미지에 상기 골격 억제 모델을 적용함으로써, 상기 단순 X선 입력 이미지의 골격의 적어도 일부가 억제된 상기 단순 X선 출력 이미지를 획득할 수 있다.
상기 프로세서는, 기본 입체 CT 이미지를 기준 평면으로 투영함으로써 평면 CT 이미지인 상기 기본 CT 이미지를 획득하고, 상기 기본 입체 CT 이미지의 골격의 적어도 일부 골격에 대응하는 복셀(voxel) 값을 비골격에 대응하는 복셀 값으로 변경함으로써 획득된, 상기 기본 입체 CT 이미지의 상기 적어도 일부 골격이 억제된 억제 입체 CT 이미지를, 상기 기준 평면으로 투영함으로써 평면 CT 이미지인 상기 억제 CT 이미지를 획득할 수 있다.
상기 프로세서는, 소아에 대한 상기 기본 CT 이미지 및 상기 억제 CT 이미지를 포함하는 소아에 대한 상기 CT 이미지 쌍을 획득할 수 있다.
상기 프로세서는, 소아에 대한 상기 CT 이미지 쌍에 대하여 상기 스타일 변환 모델을 적용함으로써, 상기 소아에 대한 상기 CT 이미지 쌍을 소아에 대한 상기 변환 이미지 쌍으로 변환할 수 있다.
상기 프로세서는, 상기 트레이닝 데이터의 상기 변환 이미지 쌍의 기본 변환 이미지를 트레이닝 입력 이미지로 이용하고 상기 변환 이미지 쌍의 억제 변환 이미지를 참값(ground truth) 출력 이미지로 이용함으로써, 지도 학습(supervised learning)을 통해 상기 골격 억제 모델을 트레이닝시킬 수 있다.
상기 프로세서는, 상기 트레이닝 데이터의 상기 변환 이미지 쌍의 기본 변환 이미지에 골격 억제 모델을 적용함으로써 트레이닝 출력 이미지를 획득하고, 상기 트레이닝 출력 이미지 및 상기 변환 이미지 쌍의 억제 변환 이미지에 기초하여 계산된 상기 골격 억제 모델의 목적함수 값을 이용하여 상기 골격 억제 모델의 파라미터들을 업데이트할 수 있다.
도 1은 일 실시예에 따른 골격 억제 장치의 동작을 나타낸다.
도 2는 일 실시예에 따른 트레이닝 장치의 동작을 나타낸다.
도 3은 일 실시예에 따른 CT 이미지 쌍의 획득을 나타낸다.
도 4는 일 실시예에 따른 변환 이미지쌍의 획득을 나타낸다.
도 5 및 도 6은 일 실시예에 따른 골격 억제 모델의 트레이닝 동작을 나타낸다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 구현될 수 있다. 따라서, 실제 구현되는 형태는 개시된 특정 실시예로만 한정되는 것이 아니며, 본 명세서의 범위는 실시예들로 설명한 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 일 실시예에 따른 골격 억제 장치의 동작을 나타낸다.
골격 억제 장치(100)는 단순 X선 이미지의 처리를 위한 장치로서, 입력 이미지(101)의 골격의 적어도 일부가 억제된 출력 이미지(103)를 출력할 수 있다.
단순 X선 이미지는, 평면 이미지로서, X선 소스에서 방출된 X선을 대상체에 투과시키고 투과된 X선의 강도 차이를 X선 디텍터(detector)에서 검출함으로써 획득되는 이미지를 나타낼 수 있다. 단순 X선 이미지는 대상체의 내부 구조 파악 및/또는 대상체의 진단을 위하여 이용될 수 있다. 대상체의 내부 구조는 대상체의 밀도 및/또는 대상체를 구성하는 원자의 원자번호에 따라 달라지는 X선의 감쇠율에 기초하여 파악될 수 있다.
단순 X선 이미지의 픽셀 값은 해당 위치에서 골격, 장기, 조직, 물, 지방(fat), 및 공기 중 적어도 하나에 의한 X선의 감쇠율을 의미할 수 있다. 골격에 대한 X선 감쇠율은 내부 연부 조직(예: 장기 및/또는 조직), 물, 지방, 및 공기에 대한 X선 감쇠율보다 클 수 있다. 따라서, 단순 X선 이미지에서 장기 및/또는 조직과 골격이 중첩되어 나타나는 경우, 중첩된 영역의 픽셀 값은 감쇠율이 골격보다 작은 장기 및/또는 조직보다도, 감쇠율이 큰 골격에 의하여 지배적으로 결정될 수 있다. 단순 X선 이미지에서 장기 및/또는 조직이 골격과 중첩된 영역은 장기 및/또는 조직을 관찰하기에 적합하지 않을 수 있다.
골격보다 장기 및/또는 조직에 대한 관찰이 필요한 경우, 골격이 억제된 이미지(예: 출력 이미지(103))가 이용될 수 있다. 골격이 억제된 이미지는, 골격의 표현이 제한(예: 생략, 축소, 대체 등)된 이미지를 나타낼 수 있다. 골격이 억제된 이미지는 골격이 비골격과 유사하게 표현된 이미지를 나타낼 수 있다. 골격이 억제된 이미지는 골격 영역이 비골격 영역으로 변경된 이미지를 나타낼 수 있다. 예를 들어, 골격이 억제된 이미지는, 골격 영역을 해당 골격 영역 주변의 비골격 영역(예: 해당 골격 영역으로부터 임계 거리 내의 비골격 영역)에 기초하여 변경된 이미지를 나타낼 수 있다. 골격 억제 장치(100)(예: 전자 장치)는 이미지에서 골격 영역의 픽셀 값을 비골격 영역의 픽셀 값으로 대체, 비골격 영역의 픽셀 값과 동일 또는 유사한 값으로 변경함으로써 골격이 억제된 이미지를 생성할 수 있다. 골격의 표현이 제한된 이미지에서 골격이 억제된 부분의 픽셀 값은 비골격 영역의 픽셀 값으로부터 임계 픽셀 차이 미만의 값을 가질 수 있다. 다만, 이로 한정하는 것은 아니고, 골격 억제 장치(100)는 골격 영역의 크기 및/또는 면적을 감소시킴으로써 골격이 억제된 이미지를 생성할 수도 있다.
골격이 억제된 이미지의 픽셀 값은, 해당 영역에서의 골격에 의한 X선의 감쇠율이 제한된 비골격(예: 장기, 조직, 물, 지방, 공기 등)에 의한 감쇠율을 의미할 수 있다. 골격이 억제된 이미지의 골격에 대응하는 영역의 픽셀 값은, 골격에 의한 X선의 감쇠율을 제거하거나 해당 영역의 주변의 비골격에 의한 감쇠율로 대체됨으로써 변경될 수 있다.
골격이 억제된 이미지는 주로 평면 이미지에 대하여 예시적으로 설명되었으나, 이에 한정하는 것은 아니다. 후술하겠으나, 골격이 억제된 이미지는 입체 이미지(예: 입체 CT 이미지)로서 골격이 억제된 입체 이미지도 포함할 수 있다. 골격이 억제된 입체 이미지의 복셀 값은, 골격에 의한 X선의 감쇠율이 제한된 비골격에 의한 감쇠율을 의미할 수 있다. 예를 들어, 골격이 억제된 입체 이미지의 골격에 대응하는 영역의 복셀 값은, 골격에 의한 X선의 감쇠율을 제거하거나 해당 영역의 주변의 비골격에 의한 감쇠율로 대체됨으로써 변경될 수 있다.
일 실시예에 따른 골격 억제 장치(100)는 영상 획득부(110), 프로세서(120), 및 메모리(130)를 포함할 수 있다.
영상 획득부(110)는 단순 X선 이미지인 입력 이미지를 획득하여 프로세서(120)에 전달할 수 있다. 예를 들어, 영상 획득부(110)는 단순 X선 입력 이미지(101)를 직접 촬영하여 획득할 수도 있고, 입력 인터페이스를 통하여 외부로부터 단순 X선 입력 이미지(101)를 입력 받을 수도 있다.
프로세서(120)는 단순 X선 입력 이미지(101)의 골격의 적어도 일부를 억제한 단순 X선 출력 이미지(103)를 생성할 수 있다. 프로세서(120)는 단순 X선 입력 이미지(101)에 골격 억제 모델(105)을 적용함으로써 단순 X선 출력 이미지(103)를 획득할 수 있다. 골격 억제 모델(105)은, 단순 X선 입력 이미지(101)로부터 단순 X선 출력 이미지(103)를 획득하도록 학습된 기계 학습 모델을 나타낼 수 있다. 단순 X선 출력 이미지(103)는, 단순 X선 이미지로서, 단순 X선 입력 이미지(101)에서 관찰하고자 하는 장기 및/또는 조직의 가시성을 높이기 위하여, 해당 장기 및/또는 조직의 관찰에 방해가 되는 요소(예: 다른 장기 또는 골격)가 나타나지 않도록 처리된 이미지를 나타낼 수 있다. 단순 X선 출력 이미지(103)는, 단순 X선 입력 이미지(101)의 골격의 적어도 일부가 억제된 이미지를 나타낼 수 있다. 단순 X선 출력 이미지(103)는, 단순 X선 입력 이미지(101)의 골격의 적어도 일부에 대응하는 픽셀 값이 비골격에 대응하는 픽셀 값으로 변경된 이미지를 나타낼 수 있다. 예시적으로, 단순 X선 입력 이미지(101)는 환자의 흉부를 촬영한 단순 X선 이미지를 포함할 수 있다. 골격 억제 모델(105)은, 흉부 단순 X선 이미지에 적용됨으로써, 흉부의 장기 및/또는 조직(예: 폐(lung) 또는 심장(heart))의 가시성을 높이기 위하여 갈비뼈(rib)가 억제된 단순 X선 출력 이미지(103)를 출력하도록 학습된 기계 학습 모델을 포함할 수 있다.
골격 억제 장치(100)는 골격 억제 모델(105)을 이용하여, 하나의 단순 X선 이미지(예: 단순 X선 입력 이미지(101))에 기초하여 골격이 억제된 단순 X선 이미지(예: 단순 X선 출력 이미지(103))를 획득할 수 있다. 예시적으로, 골격 억제 장치(100)는 소아(pediatric)에 대한 단순 X선 입력 이미지에 골격 억제 모델(105)을 적용할 수 있다. 골격 억제 장치(100)는 소아에 대한 단순 X선 입력 이미지의 골격의 적어도 일부가 억제된 단순 X선 출력 이미지를 획득할 수 있다.
일 실시예에 따른 골격 억제 장치는, 성인에 대한 골격의 적어도 일부가 억제된 단순 X선 이미지뿐만 아니라 소아에 대한 골격의 적어도 일부가 억제된 단순 X선 이미지도 획득할 수 있다.
듀얼 에너지 X선(Dual Energy X-ray)을 통한 단순 X선 이미지의 촬영은, 골격이 억제된 단순 X선 이미지 획득을 위하여 이용될 수 있다. 성인은 듀얼 에너지 X선을 통한 단순 X선 이미지 촬영 가능하나, 소아는 성인과 방사선량이 달라 듀얼 에너지 X선을 통한 단순 X선 이미지 촬영 불가능할 수 있다. 따라서, 성인의 경우와 달리, 소아의 경우 듀얼 에너지 X선을 통한 단순 X선 이미지 촬영을 이용하여 골격이 억제된 단순 X선 이미지 획득하는 것이 불가능할 수 있다.
성인은 물론 소아에 대해서도, 단순 X선 입력 이미지(101)는 단일 에너지 X선(single Energy X-ray)을 통해 획득될 수 있다. 일 실시예에 따른 골격 억제 장치를 이용함으로써, 듀얼 에너지 X선을 통한 단순 X선 이미지 촬영이 불가능한 경우에도, 단일 에너지 X선을 통해 획득된 단순 X선 입력 이미지(101)에 기초하여 골격이 억제된 단순 X선 출력 이미지(103)를 획득할 수 있다. 일 실시예에 따른 골격 억제 장치(100)는, 소아에 대한 단순 X선 입력 이미지(101)에 적용됨으로써 소아의 골격의 적어도 일부가 억제된 단순 X선 출력 이미지(103)를 획득할 수 있다.
골격 억제 모델(105)의 트레이닝 데이터는, 트레이닝 입력 이미지 및 참값(ground truth) 출력 이미지를 포함할 수 있다. 성인의 경우, 트레이닝 입력 이미지 및 참값 출력 이미지는, 듀얼 에너지 X선(Dual Energy X-ray)을 통하여 직접적으로 획득 가능할 수 있다. 다만, 전술한 바와 같이 소아의 경우 듀얼 에너지 X선을 통한 단순 X선 이미지를 획득하는 것이 불가능할 수 있으므로, 소아에 대한 트레이닝 입력 이미지 및 참값 출력 이미지 획득을 위한 다른 방법이 요구될 수 있다.
이하, 도 2 내지 도 6에서 골격 억제 모델의 트레이닝 데이터의 획득 및 트레이닝에 대하여 후술한다.
도 2는 일 실시예에 따른 트레이닝 장치의 동작을 나타낸다.
일 실시예에 따른 트레이닝 장치는 골격 억제 모델(예: 도 1의 골격 억제 모델(105))의 트레이닝을 수행하는 장치를 포함할 수 있다. 트레이닝 장치는 골격 억제 장치(예: 도 1의 골격 억제 장치(100))와 분리된 별도의 장치로 구현될 수 있고, 골격 억제 장치와 통합되어 하나의 장치로 구현될 수도 있다.
트레이닝 장치는 프로세서를 포함할 수 있다. 트레이닝 장치의 프로세서는, 트레이닝 데이터를 획득하고 상기 획득된 트레이닝 데이터에 기초하여 골격 억제 모델을 트레이닝시킬 수 있다.
골격 억제 모델의 트레이닝을 위한 트레이닝 데이터는 이미지 쌍을 포함할 수 있다. 이미지 쌍은 트레이닝 입력 이미지 및 상기 트레이닝 입력 이미지에 매핑된 참값 출력 이미지를 포함할 수 있다. 이미지 쌍의 트레이닝 입력 이미지는 촬영된 영역 내의 골격이 나타나는 이미지를 포함할 수 있고, 상기 이미지 쌍의 참값 출력 이미지는 상기 트레이닝 입력 이미지의 골격의 적어도 일부가 억제된 이미지를 포함할 수 있다.
골격 억제 모델의 트레이닝 데이터의 이미지 쌍은, 입체 CT(Computer tomography) 이미지로부터 획득된 평면 CT 이미지 쌍(또는 CT 이미지 쌍으로도 표현됨)을 변환함으로써 획득된 변환 이미지 쌍을 포함할 수 있다.
입체 CT 이미지는 복수의 횡단면 영상들이 기하학적 처리됨으로써 재구성된 영상일 수 있다. 횡단면 영상은 엑스선 생성기 및 엑스선 검출기가 대상자를 두고 쌍으로 회전하여 전 방향에서 촬영된 사이노그램(sinogram)이 역 라돈 변환을 통해 복원됨으로써 획득될 수 있다. 입체 CT 이미지의 각 복셀(voxel)의 복셀 값은 해당 위치에서의 골격, 장기, 조직, 물, 지방(fat), 및 공기 중 적어도 하나에 의한 엑스선의 감쇠율을 의미할 수 있다. 횡단면 영상의 각 픽셀의 픽셀 값은 해당 위치에서 골격, 장기, 조직, 물, 지방(fat), 및 공기 중 적어도 하나에 의한 엑스선의 감쇠율을 의미할 수 있다.
평면 CT 이미지는 입체 CT 이미지를 투영면으로 투영함으로써 획득될 수 있다. 투영면은, 예시적으로, 관상면(coronal plane), 시상면(sagittal plane), 및 수평면(axial plane) 중 적어도 하나를 포함할 수 있다. 다만, 이에 한정하는 것은 아니고, 투영면은 3차원 공간 상에 존재하는 평면을 포함할 수 있다. 평면 CT 이미지는, 예시적으로, 입체 CT 이미지를 DRR(Digitally Reconstructed Radiograph) 방식을 이용하여 투영함으로써 획득될 수 있다. DRR 방식은, 입체 CT 이미지로부터 평면 CT 이미지를 획득하기 위한 투영 기법을 나타낼 수 있다.
단계(210)에서, 트레이닝 장치의 프로세서는 CT 이미지 쌍을 획득할 수 있다. CT 이미지 쌍은 기본 CT 이미지 및 상기 기본 CT 이미지의 골격의 적어도 일부가 억제된 억제 CT 이미지를 포함할 수 있다. 트레이닝 장치의 프로세서는, 기본 입체 CT 이미지로부터 CT 이미지 쌍을 획득할 수 있다. CT 이미지 쌍의 획득은 도 3에서 후술한다.
단계(220)에서, 트레이닝 장치의 프로세서는 CT 이미지 쌍을 변환 이미지 쌍으로 변환할 수 있다. 변환 이미지 쌍은 기본 변환 이미지 및 상기 기본 변환 이미지의 골격의 적어도 일부가 억제된 억제 변환 이미지를 포함할 수 있다. 트레이닝 장치의 프로세서는 CT 이미지 쌍에 스타일 변환 모델을 적용함으로써 변환 이미지 쌍을 획득할 수 있다.
스타일 변환 모델은, 평면 CT 이미지 쌍에 적용됨으로써 변환 이미지 쌍을 출력하도록 학습된 기계 학습 모델을 포함할 수 있다. 변환 이미지는 단순 X선 이미지의 스타일을 가지는 이미지를 포함할 수 있다. 스타일 변환 모델을 이용한 변환 이미지 쌍의 획득은 도 4에서 후술한다.
단계(230)에서, 트레이닝 장치의 프로세서는 골격 억제 모델의 트레이닝 데이터에 기초하여 골격 억제 모델을 트레이닝시킬 수 있다. 트레이닝 장치의 프로세서는 트레이닝 데이터의 변환 이미지 쌍의 기본 변환 이미지 및 억제 변환 이미지를 각각 트레이닝 입력 및 참값으로 이용함으로써, 지도 학습(supervised learning)시킬 수 있다. 골격 억제 모델의 지도 학습을 통한 트레이닝은 도 6에서 후술한다.
일 실시예에 따른 골격 억제 모델의 트레이닝 동작에 따르면, 성인은 물론 소아에 대해서도 트레이닝 입력 이미지 및 상기 트레이닝 입력 이미지에 매핑된 참값 출력 이미지를 포함하는 이미지 쌍을 획득할 수 있다.
일 실시예에 따른 골격 억제 모델은 소아에 대한 단순 X선 입력 이미지를 처리하기 위한 기계 학습 모델을 포함할 수 있다. 골격 억제 모델의 지도 학습을 통한 트레이닝을 위하여, 골격 억제 모델의 트레이닝 데이터는 트레이닝 입력 이미지 및 상기 트레이닝 입력 이미지에 매핑된 참값 출력 이미지를 포함하는 이미지 쌍을 포함하도록 요구될 수 있다. 다만, 도 1에서 전술한 바와 같이 소아의 경우 듀얼 에너지 X선을 통한 단순 X선 이미지를 획득하는 것이 불가능하므로, 소아에 대한 단순 X선 이미지 및 상기 소아에 대한 단순 X선 이미지의 골격의 적어도 일부가 억제된 단순 X선 이미지를 획득하는 것이 어려울 수 있다.
단계들(210, 220, 230)에서, 트레이닝 장치의 프로세서는, 골격이 나타난 단순 X선 이미지로부터 골격의 적어도 일부가 억제된 단순 X선 이미지를 획득하지 않을 수 있다. 대신에, 트레이닝 장치의 프로세서는 소아에 대한 입체 CT 이미지로부터 소아에 대한 기본 CT 이미지 및 억제 CT 이미지를 포함하는 CT 이미지 쌍을 획득할 수 있다. 그 후에, 트레이닝 장치의 프로세서는 획득된 소아에 대한 CT 이미지 쌍을 변환함으로써 소아에 대한 변환 이미지 쌍을 획득할 수 있다. 예를 들어, 트레이닝 장치의 프로세서는 소아에 대한 CT 이미지 쌍에 스타일 변환 모델을 적용함으로써, 소아에 대한 CT 이미지 쌍을 소아에 대한 변환 이미지 쌍으로 변환할 수 있다. 트레이닝 장치의 프로세서는 기본 단순 X선 이미지로부터 직접적으로 억제 단순 X선 이미지로 변환하지 않을 수 있으므로, 듀얼 에너지 X선(Dual Energy X-ray)을 통한 단순 X선 이미지 획득이 불가능한 경우(예: 환자가 소아인 경우)에도 트레이닝 입력 이미지 및 참값 출력 이미지를 포함하는 이미지 쌍을 획득할 수 있다.
도 3은 일 실시예에 따른 CT 이미지 쌍의 획득을 나타낸다.
일 실시예에 따른 트레이닝 장치는 CT 이미지 쌍을 획득할 수 있다. CT 이미지 쌍은 기본 CT 이미지 및 억제 CT 이미지를 포함할 수 있다.
기본 CT 이미지(313)는, 평면 CT 이미지로서, 기본 입체 CT 이미지(311)로부터 기준 평면으로 투영함으로써 획득된 평면 CT 이미지를 나타낼 수 있다. 억제 CT 이미지(331)는, 평면 CT 이미지로서, 기본 CT 이미지(313)의 골격의 적어도 일부가 억제된 평면 CT 이미지를 나타낼 수 있다.
단계(310)에서, 트레이닝 장치의 프로세서는 기본 입체 CT 이미지(311)로부터 기본 CT 이미지(313)를 획득할 수 있다.
기본 입체 CT 이미지(311)는 환자에 대하여 촬영된 영역에 포함된 골격이 나타난 입체 CT 이미지를 나타낼 수 있다. 기본 CT 이미지(313)는, 기본 입체 CT 이미지(311)를 기준 평면으로 투영함으로써 획득된 평면 이미지를 포함할 수 있다. 기본 CT 이미지(313)는 기본 입체 CT 이미지(311)의 골격이 모두 나타난(예: 골격의 적어도 일부가 억제되지 않은) 평면 CT 이미지를 나타낼 수 있다.
단계(320)에서, 트레이닝 장치의 프로세서는 기본 입체 CT 이미지(311)로부터 억제 입체 CT 이미지(321)를 획득할 수 있다. 억제 입체 CT 이미지(321)는 기본 입체 CT 이미지(311)의 골격의 적어도 일부가 억제된 입체 CT 이미지를 나타낼 수 있다.
트레이닝 장치의 프로세서는, 기본 입체 CT 이미지(311)로부터 기본 입체 CT 이미지(311)의 골격의 적어도 일부 골격에 대응하는 복셀들을 추출할 수 있다. 트레이닝 장치의 프로세서는 임계 범위에 속하는 복셀 값을 가지는 복셀을 골격에 대응하는 복셀로서 추출할 수 있다.
트레이닝 장치의 프로세서는, 추출된 복셀들 중 적어도 일부의 복셀 값들을 비골격에 대응하는 복셀 값(예: 임계 범위에 속하지 않는 복셀 값)으로 변경할 수 있다. 트레이닝 장치의 프로세서는, 추출된 골격에 대응하는 복셀들 중 적어도 일부의 복셀 값들을 주변의 비골격에 대응하는 복셀(예: 해당 복셀로부터 임계 거리 내의 비골격에 대응하는 복셀)의 복셀 값에 기초하여 변경할 수 있다.
트레이닝 장치의 프로세서는, 골격에 대응하는 복셀 값을 비골격에 대응하는 복셀 값으로 변경함으로써 기본 입체 CT 이미지(311)의 골격이 억제된 억제 입체 CT 이미지(321)를 획득할 수 있다.
단계(330)에서, 트레이닝 장치의 프로세서는 억제 입체 CT 이미지(313)로부터 억제 CT 이미지(331)를 획득할 수 있다. 억제 CT 이미지(331)는, 억제 입체 CT 이미지(321)를 기준 평면으로 투영함으로써 획득된 평면 이미지를 포함할 수 있다. 기준 평면은 기본 CT 이미지(313)를 획득하기 위한 기준 평면과 같은 평면일 수 있다. 예를 들어, 트레이닝 장치의 프로세서는 기본 입체 CT 이미지(311)를 관상면으로 투영함으로써 기본 CT 이미지(313)를 획득하고, 억제 입체 CT 이미지(321)도 또한 관상면으로 투영함으로써 억제 CT 이미지(331)를 획득할 수 있다.
도 4는 일 실시예에 따른 변환 이미지쌍의 획득을 나타낸다.
일 실시예에 따른 트레이닝 장치는 CT 이미지 쌍에 스타일 변환 모델(420)을 적용함으로써 변환 이미지 쌍을 획득할 수 있다. 트레이닝 장치는 스타일 변환 모델(420)을 이용하여 CT 이미지 쌍을 변환 이미지 쌍으로 변환할 수 있다. 변환 이미지 쌍은, 도 2에서 전술한 바와 같이, 골격 억제 모델의 트레이닝 데이터의 이미지 쌍으로 이용될 수 있다.
스타일 변환 모델(420)은, 이미지의 컨텐츠(content)를 보존하면서 스타일을 변환하는 모델로서, 평면 CT 이미지 스타일의 입력 이미지 쌍으로부터 단순 X선 이미지 스타일의 출력 이미지(예: 변환 이미지) 쌍을 생성하는 기계 학습 모델(예: 뉴럴 네트워크)을 포함할 수 있다. 입력 이미지 쌍 및 변환 이미지 쌍은 동일한 환자에 대한 골격 및 장기를 포함하는 컨텐트를 가지면서, 서로 다른 이미지 스타일을 가질 수 있다. 이미지의 스타일 트랜스퍼(style transfer)는, 평면 CT 이미지 스타일의 이미지들이 속하는 도메인(예: 평면 CT 도메인)으로부터 단순 X선 이미지 스타일의 이미지들이 속하는 도메인(예: 단순 X선 도메인)으로의 이미지 변환으로도 해석될 수 있다.
평면 CT 이미지 스타일은, 입체 CT 이미지를 투영함으로써 획득된 평면 CT 이미지들에서 공통적으로 나타나는 시각적 스타일(visual style)을 나타낼 수 있다. 시각적 스타일은 이미지의 질감, 픽셀 값, 색상, 및 다양한 시각적 요소(visual element)로 표현될 수 있다. 단순 X선 이미지 스타일은, 단순 X선 촬영된 단순 X선 이미지들에서 공통적으로 나타나는 시각적 스타일을 의미할 수 있다. 예시적으로, 평면 CT 이미지의 픽셀 값들의 범위는 서로 다른 환자들에 대하여 일관될 수 있다. 반면, 단순 X선 이미지의 픽셀 값들의 범위는 환자들 별로 달라질 수 있다. 다시 말해, 평면 CT 이미지의 픽셀 값들의 분포는 여러 환자들에 대해서 비슷하게 나타나지만, 단순 X선 이미지의 픽셀 값들의 분포는 환자들 별로 다양하게 나타날 수 있다. 따라서, 입력 이미지(예: 평면 CT 이미지)로부터 스타일 변환 모델(420)에 기초하여 생성된 변환 이미지의 픽셀 값들의 범위는 입력 이미지의 픽셀 값들의 범위와 다를 수 있다. 다만, 설명의 편의를 위해 스타일 변환에 의해 픽셀 값들의 분포가 달라지는 예시를 주로 설명하였으나, 이로 한정하는 것은 아니고, 다른 시각적 요소들도 달라질 수 있다.
일 실시예에 따른 스타일 변환 모델(420)은 CUT(Contrastive Unpaired Translation)에 따라 학습될 수 있다. CUT는 트레이닝 입력 이미지와 스타일 변환 모델(420)의 출력 이미지에서 상응하는 부분들 간의 손실(예: 대조 손실(contrastive loss) 및 적대적 손실 (adversarial loss))를 이용하여 스타일 변환 모델(420)의 파라미터를 업데이트하는 학습 방식을 나타낼 수 있다. 스타일 변환 모델(420)은, 복수의 평면 CT 이미지들 및 복수의 단순 X선 이미지들을 포함하는 트레이닝 데이터에 기초하여 트레이닝된 기계 학습 모델을 나타낼 수 있다. 예를 들어, 스타일 변환 모델(420)은 스타일 변환 모델(420)의 평면 CT 이미지에 적용됨으로써 단순 X선 이미지와 유사한 이미지를 출력하도록 트레이닝될 수 있다.
변환 이미지 쌍은 기본 변환 이미지(431) 및 억제 변환 이미지(433)를 포함할 수 있다.
기본 변환 이미지(431)는 단순 X선 이미지 스타일을 가지는 이미지로서, CT 이미지 쌍의 기본 CT 이미지(411)에 대응될 수 있다. 억제 변환 이미지(433)는, 단순 X선 이미지 스타일을 가지는 이미지로서, CT 이미지 쌍의 억제 CT 이미지(413)에 대응될 수 있다. 트레이닝 장치의 프로세서는, 기본 CT 이미지(411) 및 억제 CT 이미지(413)의 CT 이미지 쌍에 스타일 변환 모델(420)을 적용함으로써 CT 이미지 쌍을 기본 변환 이미지(431) 및 억제 변환 이미지(433)을 포함하는 변환 이미지 쌍으로 변환할 수 있다. 전술한 바와 같이, 기본 CT 이미지(411)는 골격이 나타난 평면 CT 이미지를 나타낼 수 있고, 억제 CT 이미지(413)는 골격의 적어도 일부가 억제된 평면 CT 이미지를 나타낼 수 있다.
변환 이미지 쌍은 단순 X선 촬영에 의하여 획득된 단순 X선 이미지는 아닐 수 있지만, 단순 X선 스타일을 가지는 이미지로서 골격 억제 모델의 트레이닝을 위하여 사용될 수 있다. 골격 억제 모델은 기본 단순 X선 이미지에 적용됨으로써 억제 단순 X선 이미지를 출력하는 모델을 포함할 수 있다. 다만, 골격 억제 모델의 트레이닝을 위하여 반드시 단순 X선 이미지의 트레이닝 입력 이미지 및 단순 X선 이미지의 참값 출력 이미지가 요구되는 것은 아닐 수 있다. 트레이닝 장치의 프로세서는 단순 X선 스타일을 가지는 변환 이미지 쌍을 이용하여 골격 억제 모델을 트레이닝시킬 수 있다. 변환 이미지 쌍을 이용한 골격 억제 모델의 트레이닝은 도 5 및 도 6에서 후술한다.
도 5 및 도 6은 일 실시예에 따른 골격 억제 모델의 트레이닝 동작을 나타낸다.
일 실시예에 따른 트레이닝 장치의 프로세서는 골격 억제 모델(620)의 트레이닝 데이터에 기초하여 골격 억제 모델(620)을 트레이닝시킬 수 있다. 트레이닝 데이터는 변환 이미지 쌍을 포함할 수 있다. 변환 이미지 쌍은 기본 변환 이미지(610) 및 기본 변환 이미지(610)의 골격의 적어도 일부가 억제된 억제 변환 이미지(640)를 포함할 수 있다. 트레이닝 장치의 프로세서는 기본 변환 이미지(610)를 트레이닝 입력 이미지로 이용하고, 억제 변환 이미지(640)를 참값 출력 이미지로 이용함으로써, 지도 학습(supervised learning)을 통해 트레이닝시킬 수 있다.
단계(510)에서, 트레이닝 장치의 프로세서는, 기본 변환 이미지(610)에 골격 억제 모델(620)을 적용함으로써 트레이닝 출력 이미지(630)를 획득할 수 있다.
단계(520)에서, 트레이닝 장치의 프로세서는, 트레이닝 출력 이미지(630) 및 억제 변환 이미지(640)에 기초하여 골격 억제 모델(620)의 목적함수 값(650)을 계산할 수 있다. 억제 변환 이미지(640)는 기본 변환 이미지(610)에 매핑될 수 있다.
트레이닝 장치의 프로세서는 목적함수 값(650)을 트레이닝 출력 이미지(630)의 픽셀 및 트레이닝 출력 이미지(630)의 해당 픽셀에 대응하는 억제 변환 이미지(640)의 픽셀 간의 픽셀 값 차이에 기초하여 계산할 수 있다. 예시적으로, 트레이닝 출력 이미지(630) 및 억제 변환 이미지(640)의 픽셀 값 차이가 증가할수록 계산된 목적함수 값(650)은 증가할 수 있다.
단계(530)에서, 트레이닝 장치의 프로세서는, 목적함수 값(650)을 이용하여 골격 억제 모델(620)의 파라미터들을 업데이트할 수 있다.
트레이닝 장치의 프로세서는 계산된 목적함수의 값이 임계 값을 초과하는 경우, 단계들(510, 520, 530)을 반복할 수 있다. 트레이닝 장치의 프로세서는 계산된 목적함수의 값이 임계 값 이하인 경우, 골격 억제 모델(620)의 트레이닝을 완료할 수 있다. 그 이후, 트레이닝 장치의 프로세서는 트레이닝된 골격 억제 모델(620)을 획득할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있으며 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
위에서 설명한 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 또는 복수의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 이를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (17)

  1. 프로세서에 의하여 수행되는 방법에 있어서,
    기본 CT 이미지 및 상기 기본 CT 이미지의 골격(bone)의 적어도 일부가 억제(suppress)된 억제 CT 이미지를 획득하는 단계;
    상기 기본 CT 이미지 및 상기 억제 CT 이미지를 포함하는 CT 이미지 쌍에 대하여 스타일 변환 모델을 적용함으로써, 상기 CT 이미지 쌍을 변환 이미지 쌍으로 변환하는 단계; 및
    상기 변환 이미지 쌍을 포함하는 트레이닝 데이터에 기초하여 단순 X선 이미지를 위한 골격 억제 모델을 트레이닝시키는 단계를 포함하고,
    상기 기본 CT 이미지 및 상기 억제 CT 이미지를 획득하는 단계는,
    기본 입체 CT 이미지를 기준 평면으로 투영함으로써 평면 CT 이미지인 상기 기본 CT 이미지를 획득하고, 억제 입체 CT 이미지를 상기 기준 평면으로 투영함으로써 평면 CT 이미지인 상기 억제 CT 이미지를 획득하되,
    상기 억제 입체 CT 이미지는, 상기 기본 입체 CT 이미지의 골격의 적어도 일부 골격에 대응하는 제1 복셀(voxel) 값을 비골격에 대응하는 제2 복셀 값으로 변경함으로써 획득되며, 상기 일부 골격은, 상기 기본 입체 CT 이미지의 골격 중에서 임계 범위에 속하는 상기 제1 복셀 값을 가지는 복셀에 대응하는 골격이고, 상기 제2 복셀 값은, 상기 제1 복셀 값을 가지는 복셀로부터 임계 거리 내의 상기 비골격에 대응하는 복셀의 값이고,
    상기 골격 억제 모델을 트레이닝시키는 단계는,
    상기 변환 이미지 쌍의 기본 변환 이미지에 상기 골격 억제 모델을 적용함으로써 트레이닝 출력 이미지를 획득하는 단계;
    상기 트레이닝 출력 이미지 및 상기 변환 이미지 쌍의 억제 변환 이미지에 기초하여 상기 골격 억제 모델의 목적함수 값을 계산하는 단계; 및
    상기 목적함수 값을 이용하여 상기 골격 억제 모델의 파라미터들을 업데이트하는 단계를 포함하되,
    상기 목적함수 값을 계산하는 단계는,
    상기 트레이닝 출력 이미지의 제1 픽셀 및 상기 제1 픽셀에 대응하는 상기 억제 변환 이미지의 제2 픽셀 간의 픽셀 값 차이에 기초하여 상기 목적함수 값을 계산하되, 상기 차이가 클수록 상기 목적함수 값이 큰 값으로 계산되고,
    상기 목적함수 값이 임계 값을 초과하는 경우, 상기 트레이닝 출력 이미지를 획득하는 단계, 상기 목적함수 값을 계산하는 단계 및 상기 파라미터들을 업데이트를 하는 단계를 반복하여 상기 골격 억제 모델의 트레이닝을 수행하고,
    상기 목적함수 값이 상기 임계 값 이하인 경우, 상기 골격 억제 모델의 트레이닝을 완료하는,
    방법.
  2. 제1항에 있어서,
    상기 트레이닝된 골격 억제 모델을 단순 X선 입력 이미지에 적용함으로써, 상기 단순 X선 입력 이미지의 골격의 적어도 일부가 억제된 단순 X선 출력 이미지를 획득하는 단계
    를 더 포함하는 방법.
  3. 제2항에 있어서,
    상기 단순 X선 출력 이미지를 획득하는 단계는,
    소아(pediatric)에 대한 단순 X선 입력 이미지에 상기 골격 억제 모델을 적용함으로써, 상기 단순 X선 입력 이미지의 골격의 적어도 일부가 억제된 상기 단순 X선 출력 이미지를 획득하는 단계를 포함하는,
    방법.
  4. 삭제
  5. 제1항에 있어서,
    소아에 대한 상기 기본 CT 이미지 및 상기 억제 CT 이미지를 포함하는 소아에 대한 상기 CT 이미지 쌍을 획득하는 단계
    를 더 포함하는 방법.
  6. 제1항에 있어서,
    상기 변환 이미지 쌍으로 변환하는 단계는,
    소아에 대한 상기 CT 이미지 쌍에 대하여 상기 스타일 변환 모델을 적용함으로써, 상기 소아에 대한 상기 CT 이미지 쌍을 소아에 대한 상기 변환 이미지 쌍으로 변환하는 단계를 포함하는,
    방법.
  7. 제1항에 있어서,
    상기 골격 억제 모델을 트레이닝시키는 단계는,
    상기 트레이닝 데이터의 상기 변환 이미지 쌍의 기본 변환 이미지를 트레이닝 입력 이미지로 이용하고 상기 변환 이미지 쌍의 억제 변환 이미지를 참값(ground truth) 출력 이미지로 이용함으로써, 지도 학습(supervised learning)을 통해 상기 골격 억제 모델을 트레이닝시키는 단계를 포함하는,
    방법.
  8. 삭제
  9. 하드웨어와 결합되어 제1항, 2항, 3항, 제5항 내지 제7항 중 어느 하나의 항의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
  10. 기본 CT 이미지 및 상기 기본 CT 이미지의 골격(bone)의 적어도 일부가 억제(suppress)된 억제 CT 이미지를 획득하고, 상기 기본 CT 이미지 및 상기 억제 CT 이미지를 포함하는 CT 이미지 쌍에 대하여 스타일 변환 모델을 적용함으로써 상기 CT 이미지 쌍을 변환 이미지 쌍으로 변환하고, 상기 변환 이미지 쌍을 포함하는 트레이닝 데이터에 기초하여 단순 X선 이미지를 위한 골격 억제 모델을 트레이닝시키는 프로세서를 포함하고,
    상기 프로세서는, 상기 기본 CT 이미지 및 상기 억제 CT 이미지를 획득 시,
    기본 입체 CT 이미지를 기준 평면으로 투영함으로써 평면 CT 이미지인 상기 기본 CT 이미지를 획득하고, 억제 입체 CT 이미지를 상기 기준 평면으로 투영함으로써 평면 CT 이미지인 상기 억제 CT 이미지를 획득하되,
    상기 억제 입체 CT 이미지는, 상기 기본 입체 CT 이미지의 골격의 적어도 일부 골격에 대응하는 제1 복셀(voxel) 값을 비골격에 대응하는 제2 복셀 값으로 변경함으로써 획득되며, 상기 일부 골격은, 상기 기본 입체 CT 이미지의 골격 중에서 임계 범위에 속하는 상기 제1 복셀 값을 가지는 복셀에 대응하는 골격이고, 상기 제2 복셀 값은, 상기 제1 복셀 값을 가지는 복셀로부터 임계 거리 내의 상기 비골격에 대응하는 복셀의 값이고,
    상기 프로세서는, 상기 골격 억제 모델의 트레이닝 시,
    상기 변환 이미지 쌍의 기본 변환 이미지에 상기 골격 억제 모델을 적용함으로써 트레이닝 출력 이미지를 획득하고, 상기 트레이닝 출력 이미지 및 상기 변환 이미지 쌍의 억제 변환 이미지에 기초하여 상기 골격 억제 모델의 목적함수 값을 계산하고, 상기 목적함수 값을 이용하여 상기 골격 억제 모델의 파라미터들을 업데이트하되,
    상기 트레이닝 출력 이미지의 제1 픽셀 및 상기 제1 픽셀에 대응하는 상기 억제 변환 이미지의 제2 픽셀 간의 픽셀 값 차이에 기초하여 상기 목적함수 값을 계산하되, 상기 차이가 클수록 상기 목적함수 값이 큰 값으로 계산되고,
    상기 목적함수 값이 임계 값을 초과하는 경우, 상기 트레이닝 출력 이미지를 획득하는 단계, 상기 목적함수 값을 계산하는 단계 및 상기 파라미터들을 업데이트를 하는 단계를 반복하여 상기 골격 억제 모델의 트레이닝을 수행하고, 상기 목적함수 값이 상기 임계 값 이하인 경우, 상기 골격 억제 모델의 트레이닝을 완료하는
    장치.
  11. 제10항에 있어서,
    상기 프로세서는,
    상기 트레이닝된 골격 억제 모델을 단순 X선 입력 이미지에 적용함으로써, 상기 단순 X선 입력 이미지의 골격의 적어도 일부가 억제된 단순 X선 출력 이미지를 획득하는,
    장치.
  12. 제11항에 있어서,
    상기 프로세서는,
    소아(pediatric)에 대한 단순 X선 입력 이미지에 상기 골격 억제 모델을 적용함으로써, 상기 단순 X선 입력 이미지의 골격의 적어도 일부가 억제된 상기 단순 X선 출력 이미지를 획득하는,
    장치.
  13. 삭제
  14. 제10항에 있어서,
    상기 프로세서는,
    소아에 대한 상기 기본 CT 이미지 및 상기 억제 CT 이미지를 포함하는 소아에 대한 상기 CT 이미지 쌍을 획득하는,
    장치.
  15. 제10항에 있어서,
    상기 프로세서는,
    소아에 대한 상기 CT 이미지 쌍에 대하여 상기 스타일 변환 모델을 적용함으로써, 상기 소아에 대한 상기 CT 이미지 쌍을 소아에 대한 상기 변환 이미지 쌍으로 변환하는,
    장치.
  16. 제10항에 있어서,
    상기 프로세서는,
    상기 트레이닝 데이터의 상기 변환 이미지 쌍의 기본 변환 이미지를 트레이닝 입력 이미지로 이용하고 상기 변환 이미지 쌍의 억제 변환 이미지를 참값(ground truth) 출력 이미지로 이용함으로써, 지도 학습(supervised learning)을 통해 상기 골격 억제 모델을 트레이닝시키는,
    장치.
  17. 삭제
KR1020220019819A 2022-02-15 2022-02-15 기계 학습 모델을 이용하여 소아의 단순 x선 이미지 처리를 위한 의료 영상 처리 방법 및 장치 KR102490504B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020220019819A KR102490504B1 (ko) 2022-02-15 2022-02-15 기계 학습 모델을 이용하여 소아의 단순 x선 이미지 처리를 위한 의료 영상 처리 방법 및 장치
US18/168,400 US20230260123A1 (en) 2022-02-15 2023-02-13 Medical image processing method for processing pediatric simple x-ray image using machine learning model and medical image processing apparatus therefor

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220019819A KR102490504B1 (ko) 2022-02-15 2022-02-15 기계 학습 모델을 이용하여 소아의 단순 x선 이미지 처리를 위한 의료 영상 처리 방법 및 장치

Publications (1)

Publication Number Publication Date
KR102490504B1 true KR102490504B1 (ko) 2023-01-19

Family

ID=85078190

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220019819A KR102490504B1 (ko) 2022-02-15 2022-02-15 기계 학습 모델을 이용하여 소아의 단순 x선 이미지 처리를 위한 의료 영상 처리 방법 및 장치

Country Status (2)

Country Link
US (1) US20230260123A1 (ko)
KR (1) KR102490504B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117336453B (zh) * 2023-11-27 2024-01-30 湖南苏科智能科技有限公司 一种安检图像转换方法、系统、设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180059329A (ko) * 2016-11-25 2018-06-04 삼성전자주식회사 엑스선 장치 및 이의 의료 영상 획득

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180059329A (ko) * 2016-11-25 2018-06-04 삼성전자주식회사 엑스선 장치 및 이의 의료 영상 획득
US20210212641A1 (en) * 2016-11-25 2021-07-15 Samsung Electronics Co., Ltd. X-ray apparatus and method of acquiring medical image thereof

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
aoki, al., Bone suppression for chest X-ray image using a convolutional neural filter, Australasian Physical & Engineering Sciences in Medicine(2019)* *
Fonseca, et al., Pediatric chest radiography research agenda: Is deep learning still in childhood, arXiv preprint arXiv:2007.11369(2020)* *
Han Li, et al., High-Resolution Chest X-Ray Bone Suppression Using Unpaired CT Structural Priors, IEEE Transactions on Medical Imaging, Volume: 39(10)(2020)* *
Yunbi, et al., Generating Dual-Energy Subtraction Soft-Tissue Images from Chest Radio graphs via Bone Edge-Guided GAN, MICCAI(2020)* *

Also Published As

Publication number Publication date
US20230260123A1 (en) 2023-08-17

Similar Documents

Publication Publication Date Title
CN110047128B (zh) 从几个x射线放射照片3d重建x射线ct体积和分割掩模的方法和系统
KR101981202B1 (ko) 의료영상 재구성 방법 및 그 장치
Segars et al. 4D XCAT phantom for multimodality imaging research
Segars et al. MCAT to XCAT: The evolution of 4-D computerized phantoms for imaging research
JP5966112B1 (ja) 磁気共鳴画像法を使用した骨組織の検出
US7315605B2 (en) Method and device for reconstructing a 3D image data set of a moving object
US9495725B2 (en) Method and apparatus for medical image registration
US20210056688A1 (en) Using deep learning to reduce metal artifacts
KR20080042140A (ko) 화상 처리 방법, 화상 처리 프로그램, 및 화상 처리 장치
KR20150118484A (ko) 의료 영상 정합 방법 및 장치
CN109381205B (zh) 用于执行数字减影血管造影的方法、混合成像装置
US20140243579A1 (en) Dual-energy image suppression method
JP5495886B2 (ja) 患者位置決めシステム
JP6349278B2 (ja) 放射線撮像装置、画像処理方法及びプログラム
JP2023512139A (ja) 放射線パラメータを判定するためのシステムおよび方法
Schnurr et al. Simulation-based deep artifact correction with convolutional neural networks for limited angle artifacts
KR102490504B1 (ko) 기계 학습 모델을 이용하여 소아의 단순 x선 이미지 처리를 위한 의료 영상 처리 방법 및 장치
Deligianni et al. Nonrigid 2-D/3-D registration for patient specific bronchoscopy simulation with statistical shape modeling: Phantom validation
CN107004269A (zh) 对解剖结构的基于模型的分割
KR20220005326A (ko) 의료영상을 기초로 인체 조직을 분석하는 방법 및 그 장치
US7116808B2 (en) Method for producing an image sequence from volume datasets
CN111583354B (zh) 医学图像处理单元的训练方法和医学图像运动估计方法
Al-Shayea et al. An efficient approach to 3d image reconstruction
Seyyedi et al. Evaluation of low-dose CT perfusion for the liver using reconstruction of difference
Ruff et al. Volume rendering of multimodal images for the planning of skull base surgery

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant