KR102492463B1 - 병변 판독 결과 표시 방법 - Google Patents
병변 판독 결과 표시 방법 Download PDFInfo
- Publication number
- KR102492463B1 KR102492463B1 KR1020200077352A KR20200077352A KR102492463B1 KR 102492463 B1 KR102492463 B1 KR 102492463B1 KR 1020200077352 A KR1020200077352 A KR 1020200077352A KR 20200077352 A KR20200077352 A KR 20200077352A KR 102492463 B1 KR102492463 B1 KR 102492463B1
- Authority
- KR
- South Korea
- Prior art keywords
- lesion
- information
- computer
- processor
- medical data
- Prior art date
Links
- 230000003902 lesion Effects 0.000 title claims abstract description 418
- 238000000034 method Methods 0.000 title claims description 73
- 238000004590 computer program Methods 0.000 claims abstract description 28
- 230000004044 response Effects 0.000 claims abstract description 21
- 230000003993 interaction Effects 0.000 claims abstract description 19
- 238000012805 post-processing Methods 0.000 claims description 18
- 230000036961 partial effect Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000007596 consolidation process Methods 0.000 description 31
- 238000013528 artificial neural network Methods 0.000 description 20
- 238000002591 computed tomography Methods 0.000 description 19
- 238000003745 diagnosis Methods 0.000 description 19
- 238000004891 communication Methods 0.000 description 16
- 238000013527 convolutional neural network Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 14
- 201000010099 disease Diseases 0.000 description 13
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 210000004072 lung Anatomy 0.000 description 12
- 238000012545 processing Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 9
- 206010003598 Atelectasis Diseases 0.000 description 6
- 208000007123 Pulmonary Atelectasis Diseases 0.000 description 6
- 238000011176 pooling Methods 0.000 description 6
- 201000011510 cancer Diseases 0.000 description 5
- 206010028980 Neoplasm Diseases 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000002059 diagnostic imaging Methods 0.000 description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000002604 ultrasonography Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000010412 Glaucoma Diseases 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 206010025421 Macule Diseases 0.000 description 1
- 206010056342 Pulmonary mass Diseases 0.000 description 1
- 208000037656 Respiratory Sounds Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000009534 blood test Methods 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000000621 bronchi Anatomy 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000010408 film Substances 0.000 description 1
- 210000002216 heart Anatomy 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 210000004126 nerve fiber Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000003733 optic disk Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000002207 retinal effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007723 transport mechanism Effects 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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/46—Arrangements for interfacing with the operator or the patient
- A61B6/461—Displaying means of special interest
- A61B6/463—Displaying means of special interest characterised by displaying multiple images or images and diagnostic data on one display
-
- 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
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
-
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
- G06F3/04842—Selection of displayed objects or displayed text elements
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/24—Indexing scheme for image data processing or generation, in general involving graphical user interfaces [GUIs]
-
- 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
- G06T2207/20—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
- G06T2207/30061—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
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Human Computer Interaction (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
본 개시의 일 실시예에 따라, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 병변 판독 결과를 표시하는 사용자 인터페이스(UI)를 제공하며, 상기 사용자 인터페이스는: 의료 데이터에 포함된 병변 정보; 및 상기 병변 정보에 대한 사용자 인터랙션의 응답으로 표시되는, 상기 병변 정보와 관련된 하나 이상의 소견을 포함할 수 있다.
Description
본 발명은 병변 판독 결과를 표시하는 방법에 관한 것으로, 보다 구체적으로 의료 데이터에 포함된 병변 정보를 표시하는 방법에 관한 것이다.
의료 영상들은 환자의 신체 내부를 확인할 수 있게 함으로써, 의사들의 환자 진단에 상당한 도움을 주고 있다. 예를 들어, 심장, 폐, 기관지 등에 이상이 있는지 여부를 의료 영상을 통해 확인할 수 있다.
그러나, 일부 의료 영상들의 경우에는 판독 난이도가 높아, 수년 간의 경험이 있는 의료진들의 경우에도, 빠르게 판단을 내리기 어려운 경우가 존재한다. 특히 폐 CT 영상의 경우, 많은 종류의 결절이 존재하는데, 그러한 결절들에 대한 판독 난이도가 상당히 높다. 또한, 의료 영상에 포함된 아주 미세한 이상들은 사람의 눈으로 판독하였을 때 간과할 확률이 존재한다.
따라서, 의사들의 의료 영상 판독을 보조하기 위한 당 업계의 수요가 존재한다.
대한민국 공개특허공보 제2019-0105461호는 컴퓨터 보조 진단 시스템에 관하여 개시한다.
본 개시는 전술한 배경기술에 대응하여 안출 된 것으로, 병변 판독 결과를 표시하기 위한 방법을 제공하는 것을 목적으로 한다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따른 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 병변 판독 결과를 표시하는 사용자 인터페이스(UI)를 제공하며, 상기 사용자 인터페이스는: 의료 데이터에 포함된 병변 정보; 및 상기 병변 정보에 대한 사용자 인터랙션의 응답으로 표시되는, 상기 병변 정보와 관련된 하나 이상의 소견을 포함할 수 있다.
대안적인 실시예에서, 상기 의료 데이터에 포함된 병변 정보는, 상기 의료 데이터에 포함된 적어도 일부 영역이 하나의 소견으로 분류되는 확실한 병변 또는 상기 의료 데이터에 포함된 적어도 일부 영역이 하나의 소견으로 분류되지 않는 불확실한 병변 중 적어도 하나에 대한 상기 병변 정보를 포함할 수 있다.
대안적인 실시예에서, 상기 확실한 병변과 상기 불확실한 병변은 구별되어 표시될 수 있다.
대안적인 실시예에서, 상기 사용자 인터페이스는: 상기 불확실한 병변과 관련된 하나 이상의 소견 각각에 대해서, 해당 소견으로 분류될 수 있는 확률인, 불확실한 정도를 더 포함할 수 있다.
대안적인 실시예에서, 상기 불확실한 병변은, 상기 적어도 일부 영역을 하나 이상의 네트워크 함수를 포함하는 진단 모델을 이용하여 연산하는 경우, 상기 연산의 결과에 포함된 둘 이상의 클래스에 대한 스코어 값에 기초하여, 하나의 클래스로 결정되지 않거나, 또는 둘 이상의 클래스로 결정되는, 상기 적어도 일부 영역을 포함할 수 있다.
대안적인 실시예에서, 상기 불확실한 병변은, 상기 적어도 일부 영역이 하나 이상의 네트워크 함수를 포함하는 진단 모델을 이용하여 연산 되고, 그리고 상기 연산의 결과에 포함된 둘 이상의 클래스에 대한 스코어 값에 기초하여, 제 1 임계 값 이상의 스코어 값을 가지는 클래스가 둘 이상이거나, 상기 제 1 임계 값 이상의 스코어 값을 가지는 클래스가 없거나, 가장 큰 스코어 값과 다른 스코어 값들 간의 차이가 임계 비율 또는 임계 차이 값 미만이거나, 또는 상기 스코어 값들의 분산이 임계 분산 값 미만인 경우 중 적어도 하나일 수 있다.
대안적인 실시예에서, 상기 확실한 병변은, 상기 적어도 일부 영역을 하나 이상의 네트워크 함수를 포함하는 진단 모델을 이용하여 연산하는 경우, 상기 연산의 결과에 포함된 둘 이상의 클래스에 대한 스코어 값에 기초하여, 하나의 클래스로 결정되는, 상기 적어도 일부 영역을 포함할 수 있다.
대안적인 실시예에서, 상기 불확실한 병변의 둘 이상의 소견은, 상기 둘 이상의 클래스에 각각 대응될 수 있다.
대안적인 실시예에서, 상기 불확실한 병변의 상기 하나 이상의 소견은, 사전 결정된 제 2 임계 값 이상의 스코어 값을 가지는 클래스, 또는 사전 결정된 상위 개수의 스코어 값을 가지는 클래스 중 적어도 하나에 대응될 수 있다.
대안적인 실시예에서, 상기 사용자 인터페이스는: 상기 불확실한 병변과 관련된 상기 하나 이상의 소견 각각에 대해서, 상기 하나 이상의 소견에 대응되는 클래스의 스코어 값에 따라 결정된, 해당 소견으로 분류될 수 있는 확률에 기초하여 결정되는, 불확실한 정도를 더 포함할 수 있다.
대안적인 실시예에서, 상기 병변 정보와 관련된 하나 이상의 소견은, 상기 의료 데이터에 포함된 적어도 일부 영역에 대한 진단 모델의 연산 결과가 사전 결정된 클래스에 대한 제 3 임계 값 이상의 스코어를 가지는 경우, 상기 사전 결정된 클래스에 대응되는 소견을 포함할 수 있다.
대안적인 실시예에서, 상기 병변 정보는, 상기 병변 정보의 임상적 의미 또는 상기 병변 정보의 불확실한 정도 중 적어도 하나에 따라, 상이한 방식으로 표시될 수 있다.
대안적인 실시예에서, 상기 병변 정보는 후처리 된 병변 정보이고, 그리고 상기 후처리 방법은, 사용자 선택 입력에 따라 결정되거나, 또는 병변의 표시, 병변과 병변 주변 영역 간의 비교 또는 병변에 대응되는 소견의 종류 중 적어도 하나에 의해 결정될 수 있다.
대안적인 실시예에서, 상기 프로세서는: 상기 병변 정보와 관련된 적어도 하나의 소견에 대한 사용자 선택 입력에 대한 응답으로, 상기 사용자 선택 입력된 소견에 대한 판독문을 생성하는 동작을 포함할 수 있다.
대안적인 실시예에서, 상기 사용자 인터페이스는: 상기 병변 정보에 대한 사용자 삭제 입력의 응답으로, 상기 병변 정보를 표시하지 않을 수 있다.
대안적인 실시예에서, 상기 사용자 인터페이스는: 상기 병변 정보에 대한 추가 정보를 더 포함하고, 그리고 상기 추가 정보는, 병변에 대한 사용자의 판단을 보조하기 위한 정보를 포함하며, 환자 정보, 히스토리 정보, 다른 의료 정보 또는 참조 케이스 정보 중 적어도 하나를 포함할 수 있다.
대안적인 실시예에서, 상기 의료 데이터에 관한 히스토리는, 상기 의료 데이터와 상이한 시간에 생성된, 과거 의료 데이터에 포함된 하나 이상의 병변과, 상기 의료 데이터에 포함된 하나 이상의 병변의 비교 결과를 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따른 병변 판독 결과를 표시하기 위한 방법으로서, 의료 데이터에 포함된 병변 정보를 표시하는 단계; 및 상기 병변 정보에 대한 사용자 인터랙션의 응답으로, 상기 병변 정보와 관련된 하나 이상의 소견을 표시하는 단계를 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따른 병변 판독 결과를 표시하기 위한 서버로서, 하나 이상의 코어를 포함하는 프로세서; 네트워크부; 및 메모리; 를 포함하고, 상기 프로세서는 상기 네트워크부를 통해 사용자 단말로 사용자 인터페이스(UI)를 전송할 것을 결정하며, 상기 사용자 인터페이스는: 의료 데이터에 포함된 병변 정보; 및 상기 병변 정보에 대한 사용자 인터랙션의 응답으로 표시되는, 상기 병변 정보와 관련된 하나 이상의 소견을 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따른 사용자 단말로서, 하나 이상의 코어를 포함하는 프로세서; 메모리; 및 사용자 인터페이스를 제공하는 출력부;를 포함하고, 상기 사용자 인터페이스는, 의료 데이터에 포함된 병변 정보; 및 상기 병변 정보에 대한 사용자 인터랙션의 응답으로 표시되는, 상기 병변 정보와 관련된 하나 이상의 소견;을 포함할 수 있다.
본 개시는 병변 판독 결과를 제공할 수 있다.
도 1은 본 개시의 일 실시예에 따라 병변 판독 결과를 표시하기 위한 동작을 수행하는 컴퓨팅 장치의 블록 구성도를 도시한 도면이다.
도 2는 본 개시의 일 실시예에 따른 병변 판독 결과를 도시한 도면이다.
도 3은 본 개시의 일 실시예에 따른 병변을 판독하기 위한 예시적인 방법을 도시한 도면이다.
도 4는 본 개시의 일 실시예에 따른 병변을 판독하기 위한 예시적인 방법을 도시한 도면이다.
도 5는 본 개시의 일 실시예에 따른 병변 판독 결과를 도시한 도면이다.
도 6은 본 개시의 일 실시예에 따른 병변 판독 결과를 도시한 도면이다.
도 7은 본 개시의 일 실시예에 따른 병변 판독 결과를 도시한 도면이다.
도 8은 본 개시의 일 실시예에 따른 병변 판독 결과를 도시한 도면이다.
도 9는 본 개시의 일 실시예에 따른 병변 판독 결과를 표시하기 위한 순서도이다.
도 10은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따른 병변 판독 결과를 도시한 도면이다.
도 3은 본 개시의 일 실시예에 따른 병변을 판독하기 위한 예시적인 방법을 도시한 도면이다.
도 4는 본 개시의 일 실시예에 따른 병변을 판독하기 위한 예시적인 방법을 도시한 도면이다.
도 5는 본 개시의 일 실시예에 따른 병변 판독 결과를 도시한 도면이다.
도 6은 본 개시의 일 실시예에 따른 병변 판독 결과를 도시한 도면이다.
도 7은 본 개시의 일 실시예에 따른 병변 판독 결과를 도시한 도면이다.
도 8은 본 개시의 일 실시예에 따른 병변 판독 결과를 도시한 도면이다.
도 9는 본 개시의 일 실시예에 따른 병변 판독 결과를 표시하기 위한 순서도이다.
도 10은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.
본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시 적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시 적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.
제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
본 개시의 일 실시예에서 서버는 서버의 서버 환경을 수행하기 위한 다른 구성들이 포함될 수도 있다. 서버는 임의의 형태의 장치는 모두 포함할 수 있다. 서버는 디지털 기기로서, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다. 서버는 서비스를 처리하는 웹 서버일 수 있다. 전술한 서버의 종류는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 명세서에서 신경망, 인공 신경망, 네트워크 함수는 종종 상호 교환 가능하게 사용될 수 있다.
본 발명의 상세한 설명 및 청구항들에 걸쳐 이용된 "영상" 또는 "영상 데이터"라는 용어는 이산적 영상 요소들(예컨대, 2차원 영상에 있어서는 픽셀)로 구성된 다차원 데이터를 지칭하며, 달리 말하자면, (예컨대, 비디오 화면에 표시된) 눈으로 볼 수 있는 대상 또는 (예컨대, CT, MRI 검출기 등의 픽셀 출력에 대응되는 파일과 같은) 그 대상의 디지털 표현물을 지칭하는 용어이다.
예를 들어 "이미지" 또는 "영상"은 전산화 단층 촬영(CT; computed tomography), 자기 공명 영상(MRI; magnetic resonance imaging), 안저 영상, 초음파 또는 본 발명의 기술분야에서 공지된 임의의 다른 의료 영상 시스템의 의하여 수집된 피검체(subject)의 의료 영상일 수 있다. 영상이 반드시 의료적 맥락에서 제공되어야 하는 것은 아니고 비의료적 맥락에서 제공될 수도 있는 바, 예를 들어 보안 검색용 X선 촬영 등이 있을 수 있다.
본 발명의 상세한 설명 및 청구항들에 걸쳐 'DICOM(Digital Imaging and Communications in Medicine; 의료용 디지털 영상 및 통신)' 표준은 의료용 기기에서 디지털 영상 표현과 통신에 이용되는 여러 가지 표준을 총칭하는 용어인 바, DICOM 표준은 미국 방사선 의학회(ACR)와 미국 전기 공업회(NEMA)에서 구성한 연합 위원회에서 발표한다.
또한, 본 발명의 상세한 설명 및 청구항들에 걸쳐 '의료영상 저장 전송 시스템(PACS; Picture Archiving and Communication System)'은 DICOM 표준에 맞게 저장, 가공, 전송하는 시스템을 지칭하는 용어이며, X선, CT, MRI와 같은 디지털 의료영상 장비를 이용하여 획득된 의료영상 이미지는 DICOM 형식으로 저장되고 네트워크를 통하여 병원 내외의 단말로 전송이 가능하며, 이에는 판독 결과 및 진료 기록이 추가될 수 있다.
도 1은 본 개시의 일 실시예에 따라 병변 판독 결과를 표시하기 위한 동작을 수행하는 컴퓨팅 장치의 블록 구성도를 도시한 도면이다. 본 개시의 일 실시예에 따른 병변 판독 결과는 의료 데이터에 포함된 병변의 판독 결과일 수 있다.
프로세서(120)는 의료 데이터에 포함된 병변 정보를 표시할 수 있다.
의료 데이터는 영상 데이터, 음성 데이터 및 시계열 데이터 중 적어도 하나를 포함할 수 있다. 즉, 의료업에 종사하는 자 또는 진단을 위한 장치 등이 데이터 내에 질병의 존재 유무를 판단할 수 있는 임의의 형태의 데이터가 본 개시에 의한 의료 데이터에 포함될 수 있다. 영상 데이터는 환자의 환부를 검사 장비를 통해 촬영 또는 측정하여 전기 신호화 한 후 출력되는 모든 영상 데이터를 포함한다. 상기 영상 데이터는 의료 영상 촬영기기로부터 시간에 따라 연속하여 촬영된 동영상에서 동영상의 각 프레임을 구성하는 영상 데이터를 포함할 수 있다 예를 들어, 초음파 검사 영상 데이터, MRI 장치에 의한 영상 데이터, CT 단층 촬영 영상 데이터, X-ray 촬영 영상 데이터 등을 포함한다. 나아가, 음성 데이터를 전기 신호로 변환하여 그래프 형태의 이미지로 출력하거나 시계열 데이터를 그래프 등의 시각화 된 자료로 나타낸 경우 해당 이미지 또는 자료는 상기 영상 데이터에 포함될 수 있다. 도 2를 참조하여 설명하면, 도 2에 도시된 폐 CT 영상은, 의료 데이터일 수 있다. 의료 데이터에 관한 전술한 예시는 일 예시에 불과할 뿐, 본 개시를 제한하지 않는다.
병변 정보는 질병이 나타나는 신체 부위에 관한 정보일 수 있다. 병변 정보는 병변의 위치, 크기 등을 나타낼 수 있다. 도 2를 참조하여 설명하면, 폐 CT 영상 위에 원형으로 표시된 부분이 병변 정보일 수 있다. 프로세서(120)는 의료 데이터를 이용하여 연산하여, 병변을 검출할 수 있다. 프로세서(120)는 검출된 병변의 위치 및 크기를 확인하여, 의료 데이터 상에 병변 정보를 표시할 수 있다. 예를 들어, 폐 CT 영상에 대해서, 프로세서(120)는 폐 결절 등을 검출하여, 해당 부분에 병변 정보를 표시할 수 있다. 전술한 병변 정보에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
프로세서(120)는 의료 데이터로부터 검출된 하나 이상의 병변 정보를 사용자 인터페이스에 표시할 수 있다. 병변 정보는 제한되지 않는 다양한 방식으로 표시될 수 있다. 예를 들어, 병변 정보는 컬러 기반 히트맵, 형태 기반 히트맵 등으로 표시될 수 있다. 컬러 기반 히트맵은, 의료 데이터의 영역들 중에서, 병변에 해당할 확률이 높은 부분과 낮은 부분은 상이한 색상으로 구별하여 표시하는 방법일 수 있다. 예를 들어, 의료 데이터에 포함된 영역들 중, 병변에 속할 확률이 높은 영역은 붉은 색으로, 병변에 속할 확률이 낮은 영역은 파란색으로, 그리고 병변에 속하지 않는 정상 영역은 색상을 표시하지 않을 수 있다. 형태 기반 히트맵은, 의료 데이터의 영역들 중에서, 병변에 해당할 확률이 높은 부분과 낮은 부분은 상이한 형태로 구별하여 표시하는 방법일 수 있다. 예를 들어, 형태 기반 히트맵은 선, 점선, 이중 선, 진한 선, 원형, 사각형 등으로 표시될 수 있다. 예를 들어, 의료 데이터에 포함된 영역들 중, 병변에 속할 확률이 높은 영역은 원형으로, 병변에 속할 확률이 낮은 영역은 사각형으로 표시할 수 있다. 예를 들어, 의료 데이터에 포함된 영역들 중, 병변에 속할 확률이 높은 영역은 이중 선/진한 선으로, 병변에 속할 확률이 낮은 영역은 단일 선/연한 선으로 표시할 수 있다. 전술한 병변 정보 표시에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
프로세서(120)는 사용자 선택 입력에 따라, 병변 정보 표시 방법을 변경할 수 있다. 예를 들어, 프로세서(120)는 디폴트 방법으로 지정된 컬러 기반 히트맵으로 병변 정보를 표시할 수 있다. 그리고, 프로세서(120)는 사용자가 다른 방법으로 병변 정보를 표시할 것을 입력하는 경우, 해당 방법으로 병변 정보를 표시할 수 있다. 전술한 병변 정보 표시에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
프로세서(120)는 소견에 따라 상이한 방식으로 병변 정보를 표시할 수 있다. 예를 들어, 폐 CT 영상에서, 제 1 영역에 대한 소견은 Consolidation으로 결정되고, 그리고 제 2 영역에 대한 소견은 Nodule로 결정될 수 있다. 프로세서(120)는 제 1 영역에 대한 병변 정보는 단일 선으로 표시하고, 그리고 제 2 영역에 대한 병변 정보는 점선으로 표시할 수 있다. 프로세서(120)는 소견에 따라 사전 결정된 방법으로, 병변 정보를 소견에 따라 상이하게 표시할 수 있다. 또는, 프로세서(120)는 사용자 설정에 따른 방법으로, 병변 정보를 소견에 따라 상이하게 표시할 수 있다. 전술한 병변 정보 표시에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
사용자들이 난이도가 높은 의료 영상을 판독하거나, 또는 매우 작은 병변을 포함하는 의료 영상을 판독하는 경우, 판독 결과가 일부 부정확할 수 있다. 또는, 숙련되지 않은 사용자들의 의료 영상을 판독할 때, 판독 결과가 일부 부정확할 수 있다. 본 개시의 일 실시예에 따라 의료 데이터와 병변 정보를 사용자들에게 제공함으로써, 사용자들의 의료 데이터에 대한 판독을 보조할 수 있다. 뉴럴 네트워크를 이용한 판독 결과를 제공함으로써, 사용자들이 해당 결과를 참조하도록 할 수 있다.
프로세서(120)는 의료 데이터에 포함된 확실한 병변 또는 불확실한 병변 중 적어도 하나에 대한 병변 정보를 표시할 수 있다. 본 개시의 일 실시예에 따라 프로세서(120)는 사용자 인터페이스에 불확실한 병변을 별도로 표시함으로써, 사용자가 더 정확히 의료 데이터를 판독하도록 보조할 수 있다. 의료 데이터는 모달리티(modality)가 가진 정보의 한계가 존재하기 때문에, 특정 병변에 대해서 하나의 소견으로 결정하는 것이 어려울 수 있다. 의료 데이터에 포함된 특정 병변을 검출함에 있어, 해당 의료 데이터를 판독하는 사용자에 따라서 소견이 달라질 수도 있고, 또는 동일한 사용자가 재 판독하더라도 소견이 달라질 수도 있다. 이러한 불확실성이 큰 병변에 대해서, 병변 판독 소프트웨어가 단일 소견으로 의료 데이터를 감별하여 표시하는 것은, 해당 소프트웨어에 대한 신뢰도를 떨어트릴 수 있다. 또한, 단일 소견으로 의료 데이터를 판독하여 표시하는 경우, 환자의 질병에 대한 정확한 판독 결과를 제공하지 못함으로써, 환자에 대한 위험을 초래할 수 있다. 따라서, 병변 판독 결과를 제공할 때, 불확실성이 존재하는 병변에 대해서는 사용자에게 효과적으로 전달할 필요성이 존재한다. 본 개시의 일 실시예에 따라 불확실성이 존재하는 병변을 사용자 인터페이스 상에 표시함으로써, 오진의 위험성을 낮추고, 그리고 사용자의 의료 데이터 판독의 편의성 및 효율성을 증대 시킬 수 있다.
본 명세서에 걸쳐 소견(finding)은 최종 질병의 판단에 근거가 되는 자료일 수 있다. 하나의 질병을 진단하여 진단 결과 정보를 생성하는 데 있어서 여러 소견이 연관될 수 있다. 또한 하나의 소견이 여러 질병 판단의 근거가 되는 역할을 할 수도 있다. 일반적으로 특정 질병에 대한 진단은 하나 이상의 특정 소견의 존재에 기초하여 이뤄진다. 예를 들어, 폐암이라는 질병을 진단하는데 있어서 양쪽 폐 밑 부위에서 흡기 시 수포음이 청진 된다는 제 1 소견 및 흉부 CT에서 폐 아래 부위에 망상 음영이 보인다는 제 2 소견을 종합하여 최종 진단을 내릴 수 있다. 또 다른 예를 들어, 녹내장이라는 질병의 진단에 있어서 망막신경섬유층의 손상 정도에 따른 제 1 소견 및 시신경 유두 주변 및 황반부의 혈관 변화에 따른 제 2 소견이 관여할 수 있다. 이와 같이 본 명세서에 걸쳐 소견 또는 소견 정보는 질병을 유발하는 독립변수로 이해될 수 있고, 상기한 소견들의 종합한 결과 진단된 질병의 종류를 포함하는 진단 결과 정보는 그러한 독립변수에 따른 종속변수로 이해될 수 있다. 전술한 질병의 종류 및 소견은 일 예시에 불과하여 본 개시를 제한하지 않으며 독립변수의 변화가 종속변수의 결과에 어떠한 영향을 미치는지 정량화 하기 위한 본 발명에 있어서 질병 및 소견의 실시예가 제한될 필요는 없다는 것은 통상의 기술자에게 자명할 것이다.
확실한 병변은 의료 데이터에 포함된 적어도 일부 영역이 하나의 소견으로 분류되는 병변일 수 있다. 불확실한 병변은 의료 데이터에 포함된 적어도 일부 영역이 하나의 소견으로 분류되지 않는 병변일 수 있다. 즉, 의료 데이터에 포함된 병변이 하나의 소견으로 분류되지 않을 경우, 사용자에게 불확실성에 대한 정보를 제공할 수 있다. 불확실성에 대한 정보를 기초로, 사용자는 다시 의료 데이터를 판독하거나, 또는 다시 의료 데이터를 생성(즉, 다른 방식으로 신체를 촬영하거나, 동일한 방식으로 재 촬영)하여 판독할 수 있다.
이하에서는 확실한 병변 및 불확실한 병변을 결정하는 방법에 관하여 설명한다.
프로세서(120)는 의료 데이터에 포함된 적어도 일부 영역을 하나 이상의 네트워크 함수를 포함하는 진단 모델을 이용하여 연산할 수 있다. 진단 모델은 사전 학습된 뉴럴 네트워크 모델일 수 있다. 진단 모델은 의료 데이터를 입력으로 연산할 수 있다. 진단 모델은 입력된 의료 데이터에 포함된 병변 정보 및 그에 대한 소견을 출력할 수 있다.
진단 모델은 의료 데이터를 입력으로 하고, 그리고 의료 데이터에 포함된 병변 정보 및 소견을 라벨로 하는 학습 데이터를 이용하여 학습된 모델일 수 있다. 학습 데이터는, 의료 데이터와 의료 데이터로부터 검출될 수 있는 병변 정보 및 소견을 포함할 수 있다. 예를 들어, 학습 데이터는 폐 CT 영상(즉, 의료 데이터)을 입력으로 하고, 그리고 폐 CT 영상에 포함된 이상(abnormal)이 생긴 위치(즉, 병변 정보) 및 이상의 종류인 consolidation(즉, 소견)을 라벨로 포함할 수 있다. 전술한 학습에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
진단 모델은 딥 뉴럴 네트워크일 수 있다. 본 명세서에 걸쳐, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크 (CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다.
컨벌루셔널 뉴럴 네트워크는 딥 뉴럴 네트워크의 일종으로서, 컨벌루셔널 레이어를 포함하는 신경망을 포함한다. 컨벌루셔널 뉴럴 네트워크는 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptorns)의 한 종류이다. CNN은 하나 또는 여러 개의 컨벌루셔널 레이어와 이와 결합된 인공 신경망 계층들로 구성될 수 있다. CNN은 가중치와 풀링 레이어(pooling layer)들을 추가로 활용할 수 있다. 이러한 구조 덕분에 CNN은 2 차원 구조의 입력 데이터를 충분히 활용할 수 있다. 컨벌루셔널 뉴럴 네트워크는 이미지에서 오브젝트를 인식하기 위하여 사용될 수 있다. 컨벌루셔널 뉴럴 네트워크는 이미지 데이터를 차원을 가진 행렬로 나타내어 처리할 수 있다. 예를 들어 RGB(red-green-blue)로 인코딩 된 이미지 데이터의 경우, R, G, B 색상별로 각각 2차원(예를 들어, 2 차원 이미지 인 경우) 행렬로 나타내 질 수 있다. 즉, 이미지 데이터의 각 픽셀의 색상 값이 행렬의 성분이 될 수 있으며 행렬의 크기는 이미지의 크기와 같을 수 있다. 따라서 이미지 데이터는 3개의 2차원 행렬로(3차원의 데이터 어레이)로 나타내질 수 있다.
컨벌루셔널 뉴럴 네트워크에서 컨벌루셔널 필터를 이동해가며 컨벌루셔널 필터와 이미지의 각 위치에서의 행렬 성분끼리 곱하는 것으로 컨벌루셔널 과정(컨벌루셔널 레이어의 입출력)을 수행할 수 있다. 컨벌루셔널 필터는 n*n 형태의 행렬로 구성될 수 있다. 컨벌루셔널 필터는 일반적으로 이미지의 전체 픽셀의 수보다 작은 고정된 형태의 필터로 구성될 수 있다. 즉, m*m 이미지를 컨벌루셔널 레이어(예를 들어, 컨벌루셔널 필터의 사이즈가 n*n인 컨벌루셔널 레이어)입력시키는 경우, 이미지의 각 픽셀을 포함하는 n*n 픽셀을 나타내는 행렬이 컨벌루셔널 필터와 성분 곱 (즉, 행렬의 각 성분끼리의 곱) 될 수 있다. 컨벌루셔널 필터와의 곱에 의하여 이미지에서 컨벌루셔널 필터와 매칭되는 성분이 추출될 수 있다. 예를 들어, 이미지에서 상하 직선 성분을 추출하기 위한 3*3 컨벌루셔널 필터는 [[0,1,0], [0,1,0], [0,1,0]] 와 같이 구성될 수 있다. 이미지에서 상하 직선 성분을 추출하기 위한 3*3 컨벌루셔널 필터가 입력 이미지에 적용되면 이미지에서 컨벌루셔널 필터와 매칭되는 상하 직선 성분이 추출되어 출력될 수 있다. 컨벌루셔널 레이어는 이미지를 나타낸 각각의 채널에 대한 각각의 행렬(즉, R, G, B 코딩 이미지의 경우, R, G, B 색상)에 컨벌루셔널 필터를 적용할 수 있다. 컨벌루셔널 레이어는 입력 이미지에 컨벌루셔널 필터를 적용하여 입력 이미지에서 컨벌루셔널 필터와 매칭되는 피쳐를 추출할 수 있다. 컨벌루셔널 필터의 필터 값(즉, 행렬의 각 성분의 값)은 컨벌루셔널 뉴럴 네트워크의 학습 과정에서 역전파에 의하여 업데이트 될 수 있다.
컨벌루셔널 레이어의 출력에는 서브샘플링 레이어가 연결되어 컨벌루셔널 레이어의 출력을 단순화하여 메모리 사용량과 연산량을 줄일 수 있다. 예를 들어, 2*2 맥스 풀링 필터를 가지는 풀링 레이어에 컨벌루셔널 레이어의 출력을 입력시키는 경우, 이미지의 각 픽셀에서 2*2 패치마다 각 패치에 포함되는 최대값을 출력하여 이미지를 압축할 수 있다. 전술한 풀링은 패치에서 최소값을 출력하거나, 패치의 평균값을 출력하는 방식일 수도 있으며 임의의 풀링 방식이 본 개시에 포함될 수 있다.
컨벌루셔널 뉴럴 네트워크는 하나 이상의 컨벌루셔널 레이어, 서브 샘플링 레이어를 포함할 수 있다. 컨벌루셔널 뉴럴 네트워크는 컨벌루셔널 과정과 서브샘플링 과정(예를 들어, 전술한 맥스 풀링 등)을 반복적으로 수행하여 이미지에서 피쳐를 추출할 수 있다. 반복적인 컨벌루션널 과정과 서브샘플링 과정을 통해 뉴럴 네트워크는 이미지의 글로벌 피쳐를 추출할 수 있다.
컨벌루셔널 레이어 또는 서브샘플링 레이어의 출력은 풀 커넥티드 레이어(fully connected layer)에 입력될 수 있다. 풀 커넥티드 레이어는 하나의 레이어에 있는 모든 뉴런과 이웃한 레이어에 있는 모든 뉴런이 연결되는 레이어이다. 풀 커넥티드 레이어는 뉴럴 네트워크에서 각 레이어의 모든 노드가 다른 레이어의 모든 노드에 연결된 구조를 의미할 수 있다.
본 개시의 일 실시예에서 의료 데이터에 대한 세그먼테이션(segmentation)을 수행하기 위하여 뉴럴 네트워크는 디컨벌루셔널 뉴럴 네트워크(DCNN: deconvolutional neural network)를 포함할 수 있다. 디컨벌루셔널 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크를 역방향으로 계산시킨 것과 유사한 동작을 수행한다. 디컨벌루셔널 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크에서 추출된 피쳐를 원본 데이터와 관련된 피쳐맵으로 출력할 수 있다. 컨벌루셔널 뉴럴 네트워크에 대한 구체적인 구성에 관한 설명은 본 출원에서 전체가 참조로서 통합되는 미국 등록 특허 US9870768B2에서 보다 구체적으로 논의된다.
프로세서(120)는 진단 모델을 이용하여 의료 데이터에 포함된 적어도 일부의 영역을 연산할 수 있다. 프로세서(120)는 진단 모델을 이용하여, 의료 데이터에 포함된 적어도 일부의 영역에 대해서, 둘 이상의 클래스 각각에 대한 스코어 값을 출력할 수 있다. 클래스에 대한 스코어 값은, 해당 클래스에 속할 확률일 수 있다. 프로세서(120)는 의료 데이터를 연산하여, 의료 데이터의 제 1 영역 및 제 2 영역 각각에 대해서, 클래스 별 스코어 값을 출력할 수 있다. 예를 들어, 하나의 폐 CT 영상을 연산하여, 해당 영상에 포함된 제 1 영역에 대한 클래스 별 스코어 값과 제 2 영역에 대한 클래스 별 스코어 값은 별도로 출력될 수 있다. 제 1 영역과 제 2 영역은 각각 상이한 병변을 나타낼 수 있다. 제 1 영역과 제 2 영역은 각각 클래스 별 스코어 값 출력에 따라 상이한 소견과 대응될 수 있다. 전술한 진단 모델의 연산에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
프로세서(120)는 진단 모델의 연산 결과를 이용하여, 연산 된 영역을 하나의 클래스로 결정할 수 있다. 프로세서(120)는 진단 모델로부터 출력된, 둘 이상의 클래스에 대한 스코어 값을 이용하여, 연산 된 영역을 하나의 클래스로 결정할 수 있다. 프로세서(120)가 연산 된 영역을 하나의 클래스로 결정하는 경우, 병변을 하나의 클래스에 대응되는 하나의 소견으로 분류할 수 있다. 프로세서(120)는 병변이 하나의 소견으로 분류되는 경우, 해당 병변을 확실한 병변으로 결정할 수 있다.
프로세서(120)는 둘 이상의 클래스에 대한 스코어 값들 중, 가장 큰 스코어 값을 가지는 클래스로 해당 영역의 소견을 결정할 수 있다. 그리고, 프로세서(120)는 제 1 임계 값 이상을 가지는 스코어 값이 한 개인 경우에, 해당 영역의 소견을 한 개로 결정할 수 있다. 확실한 병변은, 연산 된 영역의 소견이 한 개로 결정되는 경우일 수 있다.
제 1 임계 값은, 연산 된 영역이 해당 클래스(즉, 소견)로 분류될 수 있는 임계 값일 수 있다. 프로세서(120)는 연산 된 영역이 제 1 임계 값 이상의 스코어 값에 대응되는 클래스에 속하는 것으로 결정할 수 있다. 프로세서(120)는 연산 된 영역이 제 1 임계 값 미만의 스코어 값에 대응되는 클래스에는 속하지 않는 것으로 결정할 수 있다. 즉, 제 1 임계 값 이상의 스코어 값을 가지는 클래스가 한 개인 경우에만, 연산 된 영역이 하나의 소견으로 분류될 수 있다. 제 1 임계 값 이상의 스코어 값을 가지는 클래스가 둘 이상인 경우에는, 연산 된 영역이 하나의 소견으로 분류되지 못하고, 둘 이상의 소견으로 분류될 수 있다.
예를 들어, 폐 CT 영상의 일 영역에 대해 진단 모델로 연산한 결과(클래스(스코어))가, Consolidation(0.9), Interstitial opacity(0.4), Nodule(0.1), 그리고 Atelectasis(0.2)일 수 있다. 프로세서(120)는 Consolidation의 스코어 값이 다른 클래스들에 대한 스코어 값보다 압도적으로 크기 때문에, 해당 영역의 소견을 Consolidation으로 결정할 수 있다. 구체적으로, 프로세서(120)는 Consolidation 클래스에 대한 스코어 값이 스코어 값들 중 가장 크고, 그리고 제 1 임계 값(예를 들어, 0.7)이상인 스코어 값을 가지는 클래스가 Consolidation 클래스 한 개이므로, 해당 영역의 소견을 Consolidation 한 개로 결정할 수 있다. 따라서, 프로세서(120)는 해당 병변의 소견을 Consolidation으로 결정할 수 있다. 프로세서(120)는 해당 병변을 확실한 병변으로 결정할 수 있다. 전술한 의료 데이터 연산에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
진단 모델의 연산 결과에 포함된 둘 이상의 클래스에 대한 스코어 값을 통해, 연산 된 영역을 하나의 클래스로 결정하는 것이 어려울 수도 있다. 연산 된 영역을 하나의 클래스로 결정하는 것이 어려운 경우는, 연산 된 영역에 대한 검출 결과가 불확실한 것일 수 있다. 프로세서(120)는 연산의 결과에 포함된 둘 이상의 클래스에 대한 스코어 값에 기초하여, 적어도 일부 영역이 하나의 클래스로 결정되지 않는 경우, 적어도 일부 영역을 불확실한 병변으로 결정할 수 있다. 또는, 프로세서(120)는 연산의 결과에 포함된 둘 이상의 클래스에 대한 스코어 값에 기초하여, 적어도 일부 영역이 둘 이상의 클래스로 결정되는 경우, 적어도 일부 영역을 불확실한 병변으로 결정할 수 있다.
본 개시의 일 실시예에 따라, 프로세서(120)는 제 1 임계 값 이상의 스코어 값을 가지는 클래스가 둘 이상인인 경우, 적어도 일부 영역을 불확실한 병변으로 결정할 수 있다. 이하 불확실한 병변과 관련하여 도 4를 참조하여 설명한다. 프로세서(120)는 연산 된 영역에 대한 둘 이상의 클래스 각각의 스코어 값을 확인할 수 있다. 프로세서(120)는 제 1 임계 값 이상의 스코어 값의 개수를 확인할 수 있다. 예를 들어, 제 1 임계 값이 0.7이고, 그리고 연산 된 영역에 대한 출력은 Consolidation(0. 95), Interstitial opacity(0.31), Nodule(0.73), 그리고 Atelectasis(0.06)일 수 있다. 프로세서(120)는 제 1 임계 값 이상의 스코어 값을 가지는 클래스가 Consolidation 및 Nodule 두 개인 것을 식별할 수 있다. 프로세서(120)는 해당 병변의 소견을 제 1 임계 값 이상의 스코어 값을 가지는 두개의 클래스에 기초하여 결정할 수 있다. 프로세서(120)는 해당 병변의 소견을 Consolidation 및 Nodule로 결정할 수 있다. 프로세서(120)는 하나의 영역을 둘 이상의 클래스에 대응되는 소견에 해당하는 것으로 결정할 수 있다. 프로세서(120)는 둘 이상의 소견에 대응되는 병변을 불확실한 병변으로 결정할 수 있다. 전술한 불확실한 병변에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 프로세서(120)는 제 1 임계 값 이상의 스코어 값을 가지는 클래스가 없을 경우, 적어도 일부 영역을 불확실한 병변으로 결정할 수 있다. 프로세서(120)는 연산 결과에 포함된 스코어 값이 제 1 임계 값 이상이 되어야 지만, 해당 영역이 스코어에 대응되는 클래스에 속하는 것으로 결정할 수 있다. 즉, 제 1 임계 값 미만의 스코어 값이 도출되는 경우, 해당 영역이 해당 클래스에 속할 확률이 너무 낮기 때문에, 그러한 스코어 값에 대응하는 클래스로 소견을 결정하지 않을 수 있다. 프로세서(120)는 제 1 임계 값 이상의 스코어 값을 가지는 클래스가 없을 경우, 해당 병변에 대응하는 소견을 결정할 수 없는 것으로 결정할 수 있다. 프로세서(120)는 해당 병변을 불확실한 병변으로 결정할 수 있다. 예를 들어, 제 1 임계 값이 0.7이고, 그리고 연산 된 영역에 대한 출력은 Consolidation(0. 65), Interstitial opacity(0.31), Nodule(0.6), 그리고 Atelectasis(0.06)일 수 있다. 프로세서(120)는 0.7보다 큰 값을 가지는 클래스가 없는 것으로 결정할 수 있다. 프로세서(120)는 연산 된 영역을 불확실한 병변으로 결정할 수 있다. 전술한 불확실한 병변에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 프로세서(120)는 가장 큰 스코어 값과 다른 스코어 값들 간의 차이가 임계 비율 또는 임계 차이 값 미만인 경우, 적어도 일부 영역을 불확실한 병변으로 결정할 수 있다. 프로세서(120)는 압도적으로 큰 하나의 스코어 값이 있을 때, 병변을 해당 스코어 값에 대응하는 하나의 클래스로 분류할 수 있다. 그러나, 하나의 클래스가 압도적으로 큰 값을 가지는 것이 아니라, 다른 클래스와 유사한 값을 가지는 경우, 해당 병변을 하나의 소견으로 분류할 수 없는 것으로 결정할 수 있다. 프로세서(120)는 제 1 임계 값 이상의 스코어 값을 가지는 클래스가 한 개만 존재하는 경우에도, 다른 클래스들의 스코어 값과 임계 비율 또는 임계 차이 값 이상의 차이가 없는 경우에는, 불확실한 병변에 해당하는 것으로 결정할 수 있다. 도 4를 참조하여 예를 들어 설명하면, 제 1 임계 값이 0.7이고, 그리고 연산 된 영역에 대한 출력은 Consolidation(0. 65), Interstitial opacity(0.31), Nodule(0.73), 그리고 Atelectasis(0.06)일 수 있다. 상기와 같은 경우, Nodule가 0.73으로 제 1 임계 값 이상의 스코어 값을 가지지만, Consolidation과 유의미한 정도의 스코어 값 차이가 없는 것으로 결정할 수 있다. 예를 들어, 임계 비율은 20%일 수 있고, 프로세서(120)는 Nodule 클래스에 대한 스코어 값인 0.73에 관하여, Consolidation 클래스에 대한 스코어 값인 0.65과 비교했을 때, 20% 이상의 차이 값을 가지지 않는 것으로 결정할 수 있다. 또는, 예를 들어, 임계 차이 값은 0.1일 수 있고, 프로세서(120)는 Nodule 클래스에 대한 스코어 값인 0.73에 관하여, Consolidation 클래스에 대한 스코어 값인 0.65과 비교했을 때, 0.1 이상의 스코어 값 차이가 나지 않는 것으로 결정할 수 있다. 프로세서(120)는 따라서, 다른 클래스들의 스코어 값들과 비교하였을 때, 유의미한 정도의 차이가 없는 경우에, 해당 병변을 불확실한 병변으로 결정할 수 있다. 전술한 불확실한 병변에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 프로세서(120)는 스코어 값들의 분산이 임계 분산 값 미만인 경우, 적어도 일부 영역을 불확실한 병변으로 결정할 수 있다. 프로세서(120)는 스코어 값들의 분산을 연산할 수 있다. 스코어 값들의 분산이 큰 경우, 클래스 별 스코어 값들이 고르지 않게 분포되어 있다는 것을 의미할 수 있다. 하나의 클래스의 스코어 값이 압도적으로 큰 값을 가지는 경우, 프로세서(120)는 해당 병변을 하나의 소견으로 분류할 수 있다. 병변을 하나의 분류로 결정할 수 있는 경우, 프로세서(120)는 해당 병변을 확실한 병변으로 결정할 수 있다. 스코어 값들의 분산이 작은 경우, 클래스 별 스코어 값들이 고르게 분포되어 있다는 것을 의미할 수 있다. 하나의 클래스의 스코어 값이 압도적으로 큰 값을 가지지 않고, 여러 클래스의 스코어 값이 비슷한 값을 가지는 경우, 프로세서(120)는 해당 병변을 복수개의 소견으로 분류할 수 있다. 병변을 복수개의 분류로 결정하는 경우, 프로세서(120)는 해당 병변을 불확실한 병변으로 결정할 수 있다. 예를 들어, 도 3 및 도 4의 경우, 4개의 클래스들 중에서, 2개의 클래스들이 각각 유사한 값을 가지는 것을 확인할 수 있다. 즉, 하나의 클래스가 압도적으로 큰 값을 가지는 것이 아니기 때문에, 해당 클래스들에 대한 스코어 값들의 분산은, 임계 분산 값 미만일 수 있다. 프로세서(120)는 해당 병변을 하나의 소견으로 분류할 수 없기 때문에, 해당 병변을 불확실한 병변으로 결정할 수 있다. 전술한 불확실한 병변에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
이하에서는 불확실한 병변에 대한 소견을 결정하는 방법에 관하여 설명한다.
본 개시의 일 실시예에 따라, 프로세서(120)는 연산의 결과에 포함된 둘 이상의 클래스에 대한 스코어 값에 기초하여, 적어도 일부 영역이 둘 이상의 클래스로 결정되는 경우, 둘 이상의 클래스에 대응되는 소견들로, 불확실한 병변의 둘 이상의 소견을 결정할 수 있다. 프로세서(120)는 병변에 대한 제 1 임계 값 이상의 스코어 값이 둘 이상인 경우, 병변의 소견을 두 개 이상으로 결정할 수 있다. 예를 들어, 도 3의 경우, 제 1 임계 값 보다 큰 스코어 값을 가지는 클래스들이 Consolidation 및 Nodule 두 개이다. 프로세서(120)는 해당 병변의 소견을 Consolidation 및 Nodule 두 개로 결정할 수 있다. 즉, 제 1 임계 값 이상의 스코어 값을 가지는 클래스들이 둘 이상인 경우, 최대 스코어 값을 가지는 하나의 클래스에 대응되도록 소견을 결정하지 않을 수 있다. 본 개시의 실시예에 따른 병변 판독 결과 표시 방법은 단순히 최대 스코어 값에 대응되는 하나의 소견 만을 사용자에게 제공하는 것이 아니라, 불확실한 소견들이 존재하는 경우, 해당 소견들도 사용자에게 함께 제공할 수 있다. 사용자들은 단순히 가능성이 가장 높은 소견만을 확인하는 것에 더 나아가, 불확실한 소견들도 함께 확인할 수 있다. 본 개시의 실시예에 따른 병변 판독 결과 표시 방법은 불확실한 소견들도 사용자에게 함께 제공함으로써, 환자의 상태 파악을 더 효율적으로, 그리고 더 정확하게 할 수 있다. 전술한 소견 결정 방법에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 프로세서(120)는 적어도 일부 영역이 하나의 클래스로 결정되지 않는 경우, 사전 결정된 제 2 임계 값 이상의 스코어 값을 가지는 클래스에 대응되는 소견들로, 불확실한 병변의 하나 이상의 소견을 결정할 수 있다. 프로세서(120)는 병변을 하나의 클래스로 분류할 수 없는 경우에, 해당 병변에 대한 분류 가능성이 있는 소견들을 결정하여 사용자 인터페이스에 표시할 수 있다. 제 2 임계 값은, 제 1 임계 값 보다 작은 값일 수 있다. 제 2 임계 값은, 해당 병변이 해당 클래스에 대응되는 소견으로 분류될 가능성이 있음에 대한 임계 값일 수 있다. 예를 들어, 제 1 임계 값이 0.7이고, 그리고 연산 된 영역에 대한 출력은 Consolidation(0. 65), Interstitial opacity(0.31), Nodule(0.68), 그리고 Atelectasis(0.06)일 수 있다. 상기와 같은 경우, 0.7보다 큰 스코어 값이 없으므로, 해당 병변은 하나의 클래스로 분류되지 못할 수 있다. 상기 예시에서, 제 2 임계 값이 0.5일 수 있다. 프로세서(120)는 제 2 임계 값보다 큰 스코어 값을 가지는 클래스들인, Consolidation 및 Nodule를 불확실한 병변의 소견들로 결정할 수 있다. 즉, 하나의 클래스로 병변이 명확하게 분류되지는 못하지만, 프로세서(120)는 분류 가능성이 어느정도 있는 소견들을 사용자 인터페이스에 표시해 줄 수 있다. 전술한 불확실한 병변에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 프로세서(120)는 적어도 일부 영역이 하나의 클래스로 결정되지 않는 경우, 사전 결정된 상위 개수의 스코어 값을 가지는 클래스 중 적어도 하나에 대응되는 소견들로, 불확실한 병변의 하나 이상의 소견을 결정할 수 있다. 예를 들어, 프로세서(120)는 상위 3개의 스코어 값들에 대응되는 클래스로 소견을 결정할 수 있다. 예를 들어, 연산 된 영역에 대한 출력은 Consolidation(0. 68), Interstitial opacity(0.54), Nodule(0.6), 그리고 Atelectasis(0.06)일 수 있다. 프로세서(120)는 제 1 임계 값(0.7) 이상인 스코어 값이 없으므로, 하나의 소견으로 분류할 수 없는 것으로 결정할 수 있다. 프로세서(120)는 상위 3개의 스코어 값을 가지는 클래스들로 병변에 대한 소견을 결정할 수 있다. 프로세서(120)는 예를 들어, 불확실한 병변에 대한 소견을 Consolidation, Interstitial opacity 및 Nodule로 결정할 수 있다. 전술한 불확실한 병변에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라 프로세서(120)는 불확실한 병변의 결정 기준을 조정하는 사용자 입력을 수신할 수 있다. 프로세서(120)는 불확실한 병변의 결정 기준을 변경하기 위한 사용자 인터페이스를 표시할 수 있다. 예를 들어, 프로세서(120)는 불확실한 병변을 결정하는 기준이 되는, 제 1 임계 값, 제 2 임계 값, 사전 결정된 상위 개수 등을 조정하기 위한 사용자 입력을 수신할 수 있다. 즉, 제 1 임계 값이 낮게 설정된 경우, 불확실한 병변이 너무 많이 표시될 수 있다. 따라서, 사용자는 제 1 임계 값을 더 높게 조정하여, 불확실한 병변이 더 적게 표시되도록 할 수 있다. 사용자는 의료 데이터의 판독 난이도에 따라 불확실한 병변의 결정 기준을 조정할 수도 있다. 예를 들어, 판독 난이도가 낮은 무릎을 촬영한 CT의 경우, 불확실한 병변의 기준을 높게 설정(즉, 제 1 임계 값을 높게 조정)할 수 있다. 따라서, 불확실성이 아주 높은 병변들 만을 불확실한 병변으로 표시되도록 할 수 있다. 또는, 예를 들어, 판독 난이도가 높은 뇌를 촬영한 CT의 경우, 불확실한 병변의 기준을 더 낮게 설정할 수 있다. 뇌 CT의 경우 학습 데이터 자체가 적을 수 있고, 작은 병변이라도, 간과되는 경우 치명적인 영향을 줄 수 있다. 따라서, 뇌 CT의 경우 임계 값을 낮게 조정하여, 조금이라도 불확실성이 있을 경우에는, 해당 불확실성에 대한 근거가 의료 데이터 상에 표시되도록 할 수 있다. 전술한 불확실한 병변 결정에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라 프로세서(120)는 확실한 병변과 불확실한 병변을 구별하여 표시할 수 있다. 도 5는 확실한 병변(310, 320) 및 불확실한 병변(330)을 구별하여 표시한 예시적인 사용자 인터페이스를 도시한다. 프로세서(120)는 전술한 바와 같이 다양한 방식으로 병변 정보를 표시할 수 있다. 프로세서(120)는 확실한 병변과 불확실한 병변을 다른 방식으로 표시할 수 있다. 예를 들어, 프로세서(120)는 확실한 병변에 대해서는 점선으로 표시하고, 그리고 불확실한 병변에 대해서는 이중선으로 표시할 수 있다. 즉, 프로세서(120)는 불확실한 병변을 다른 방식으로 표시하여, 사용자들이 불확실한 병변에 대해서는 다시 한 번 확인하도록 할 수 있다. 전술한 병변 정보 표시 방법에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
프로세서(120)는 병변 정보에 대한 사용자 인터랙션의 응답으로, 사용자 인터페이스에 병변 정보와 관련된 하나 이상의 소견을 표시할 수 있다. 본 개시의 실시예에 따른 사용자 인터랙션은, 입력부(150)를 통해 입력되는 모든 종류의 사용자 입력을 포함할 수 있다. 예를 들어, 사용자 인터랙션은 사용자 인터페이스에 표시된 특정 영역 위에 마우스를 올리거나, 또는 마우스를 클릭하는 동작 등을 포함할 수 있다. 전술한 사용자 인터랙션에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 도 6을 참조하여 예를 들어 설명하면, 프로세서(120)는 마우스가 병변 정보 상에 위치한 것을 식별할 수 있다. 프로세서(120)는 마우스가 병변 정보 상에 위치한 경우, 해당 병변의 표시 방식을 변경하여 표시할 수 있다. 예를 들어, 병변 정보가 이중 선으로 표시되어 있었고, 그리고 마우스가 해당 병변 정보 상에 위치한 경우, 병변 정보를 두꺼운 단일선으로 변경하여 표시할 수 있다. 프로세서(120)는 마우스가 병변 정보 상에 위치한 경우, 병변 정보와 관련된 하나 이상의 소견을 표시할 수 있다. 프로세서(120)는 병변 정보와 관련된 하나 이상의 소견을 예를 들어, 병변 옆에 팝업 형태로 표시할 수 있다. 프로세서(120)는 확실한 병변에 대해서는 하나의 소견을 표시할 수 있다. 프로세서(120)는 불확실한 병변에 대해서는 하나 이상의 소견을 표시할 수 있다. 즉, 프로세서(120)는 불확실한 병변에 대해서는, 해당 병변이 분류될 가능성이 있는 하나 이상의 소견을 사용자 인터페이스에 표시할 수 있다. 전술한 소견 표시에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
프로세서(120)는 제 1 사용자 인터랙션에 따라, 병변에 대한 소견을 일시적으로 표시할 수 있다. 예를 들어, 마우스가 병변 위에 위치한 것을 인식하면, 프로세서(120)는 병변에 대한 소견을 표시할 수 있다. 그리고, 프로세서(120)는 마우스가 병변 위에 위치하지 않는 것을 인식하면, 병변에 대한 소견을 표시하지 않을 수 있다. 즉, 마우스가 병변 위에 위치하는 동안에만 소견을 일시적으로 표시할 수 있다. 프로세서(120)는 제 2 사용자 인터랙션에 따라, 병변에 대한 소견을 고정적으로 표시할 수 있다. 예를 들어, 사용자가 병변을 클릭하는 경우, 프로세서(120)는 병변에 대한 소견을 표시할 수 있다. 이때, 병변을 클릭한 이후에, 마우스가 병변 위에 위치하지 않는 경우에도, 소견은 사용자 인터페이스 상에 표시될 수 있다. 프로세서(120)는 병변에 대한 제 2 사용자 인터랙션을 다시 수신하면, 사용자 인터페이스에 소견이 표시되지 않도록 할 수 있다. 전술한 소견 표시에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 프로세서(120)는 불확실한 병변과 관련된 하나 이상의 소견에 대해서, 불확실한 정도를 표시할 수 있다. 프로세서(120)는 불확실한 병변과 관련된 상기 하나 이상의 소견에 대해서, 상기 하나 이상의 소견에 대응되는 클래스의 스코어 값에 따라 결정된, 불확실한 정도를 표시할 수 있다. 불확실한 정도는, 병변이 해당 소견으로 분류될 수 있는 확률을 의미할 수 있다. 즉, 불확실한 정도가 클수록, 병변이 해당 소견으로 분류될 확률이 더 큰 것일 수 있다. 프로세서(120)는 클래스의 스코어 값이 높을 수록, 병변이 해당 클래스에 대응되는 소견으로 분류될 확률이 높은 것으로 표시할 수 있다. 도 6을 참조하여 예를 들어 설명하면, 병변이 하나의 소견으로 분류되지 못하고, Consolidation 및 Nodule 두 개로 분류될 수 있다. 프로세서(120)는 Consolidation 및 Nodule 각각의 클래스들에 대응되는 스코어 값을 확인할 수 있다. 예를 들어, Consolidation 클래스에 대한 스코어 값이 0.68이고, 그리고 Nodule 클래스에 대한 스코어 값이 0.11인 경우, 프로세서(120)는 불확실한 정도를 Consolidation 67%, Nodule 11%로 표시할 수 있다. 불확실한 정도는 다양한 방식으로 표시될 수 있다. 예를 들어, 불확실한 정도는 수치화 되어 표시될 수도 있고, 또는 도식화되어 표시될 수도 있다. 예를 들어, 불확실한 정도는 스코어 값에 기반하여, 퍼센트 또는 값으로 표시될 수 있다. 또는, 예를 들어, 불확실한 정도는 스코어 값에 기반하여, 막대 그래프 형식으로 표시될 수 있다. 예를 들어, 불확실한 정도가 높은 소견은 막대 그래프를 더 길게 표시하고, 그리고 불확실한 정도가 낮은 소견은 막대 그래프를 더 짧게 표시할 수 있다. 전술한 소견의 표시에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
프로세서(120)는 의료 데이터에 포함된 적어도 일부 영역을 진단 모델을 이용하여 연산한 결과에 포함된, 사전 결정된 클래스에 대한 스코어 값이 제 3 임계 값 이상인 경우, 상기 사전 결정된 클래스에 대응되는 소견을 표시할 수 있다. 사전 결정된 클래스는 사용자 설정에 따라 결정될 수 있다. 예를 들어, 사전 결정된 클래스는 임상적인 의미가 큰 클래스를 포함할 수 있다. 임상적인 의미가 큰 클래스는 예를 들어, 환자에게 치명적인 경우, 희귀 케이스지만 환자에게 미치는 영향이 큰 경우, 다른 소견들과 결합될 경우 임상적 의미가 큰 클래스 등을 포함할 수 있다. 예를 들어, 사전 결정된 클래스는 희귀 암에 대응하는 클래스일 수 있다. 제 3 임계 값은 제 1 임계 값 또는 제 2 임계 값 보다 작은 값일 수 있다. 희귀 암의 경우에는 스코어 값 자체가 낮더라도, 제 3 임계 값 이상만 되면, 프로세서(120)는 사용자 인터페이스에 희귀 암에 대한 소견을 표시할 수 있다. 즉, 사용자에게 희귀 암은 약간의 발생 가능성만 존재하는 경우에도, 별도로 알려줌으로써, 환자에 대한 진단 정확성을 향상시킬 수 있다. 전술한 소견의 표시에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 프로세서(120)는 병변의 임상적 의미에 따라, 병변 정보를 상이한 방식으로 표시할 수 있다. 임상적 의미는 환자 진단에 대해 유의미한 결과 의미할 수 있다. 예를 들어, A 소견과 B 소견이 하나의 병변에서 검출되는 경우, 환자의 상태가 매우 위험한 것으로, 임상적인 의미가 있는 것으로 결정할 수 있다. 또는, 프로세서(120)는 A 소견과 B 소견이 하나의 병변에서 검출되는 것이 일반적이지 않은 경우, 임상적인 의미가 있는 것으로 결정할 수 있다. 프로세서(120)는 상기와 같은 경우 병변 정보를 다른 병변 정보들과 상이한 방식으로 표시할 수 있다. 전술한 병변 정보 표시에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 프로세서(120)는 병변의 불확실한 정도에 따라, 병변 정보를 상이한 방식으로 표시할 수 있다. 프로세서(120)는 병변에 대한 클래스 별 스코어 값에 따라, 병변의 불확실한 정도를 결정할 수 있다. 예를 들어, 프로세서(120)는 병변에 대해서 둘 이상의 소견이 검출되었고, 그리고 둘 이상의 소견 각각의 클래스에 대한 스코어 값에 유의미한 차이가 없을 경우, 어느 소견이 맞는 것인지 불분명한 정도가 더 클 수 있다. 따라서, 프로세서(120)는 스코어 값들에 유의미한 차이가 없는 둘 이상의 클래스가 존재하는 경우, 해당 병변 정보를 다른 병변 정보들과 구별되도록 표시할 수 있다. 전술한 병변 정보 표시에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 프로세서(120)는 병변 정보를 후처리 하여 표시할 수 있다. 후처리는 의료 데이터의 병변이 다른 영역과 비교하여 더 잘 보이도록 보정하는 것일 수 있다. 후처리는 예를 들어, 병변에 대한 노이즈 제거, 밝기, 대조, 명암 등의 조정, 샤프닝, 윈도잉 등을 포함할 수 있다. 전술한 후처리 방법에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
후처리 방법은, 사용자 선택 입력에 따라 결정될 수 있다. 예를 들어, 사용자가 복수의 병변 영역들에 대해서 개별적으로, 상이한 방식으로 후처리 방법을 결정할 수 있다. 예를 들어, 사용자 선택 입력에 따라 제 1 병변 정보는 샤프닝 처리를 더 수행하고, 그리고 제 2 병변 정보는 밝기를 조정하여 표시할 수 있다. 즉, 사용자들은 병변 판독 결과를 확인하면서, 해당 병변이 더 잘 보이게끔 수동으로 조정할 수 있다. 전술한 후처리 방법에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
후처리 방법은, 병변의 표시, 병변과 병변 주변 영역 간의 비교 또는 병변에 대응되는 소견의 종류 중 적어도 하나에 의해 결정될 수 있다. 프로세서(120)는 병변 자체의 표시 정도에 따라 후처리 방법을 결정할 수 있다. 예를 들어, 병변 자체의 표시 정도가 임계 밝기, 대조, 노이즈 미만인 경우, 해당 임계 값에 대응되도록 프로세서(120)는 후처리를 수행할 수 있다. 예를 들어, 병변의 밝기가 임계 밝기 미만인 경우, 프로세서(120)는 병변을 임계 밝기 이상으로 조정할 수 있다. 프로세서(120)는 병변과 병변 주변 영역을 비교하여, 병변이 병변 주변 영역에 비해 가시성이 낮은 경우, 더 잘 보이도록 후처리를 수행할 수 있다. 예를 들어, 병변이 병변 주변 영역에 비해 밝기가 너무 낮은 경우, 밝기를 더 높게 조정하여 표시할 수 있다. 프로세서(120)는 소견에 따라 사전 저장된 방식으로 후처리를 수행할 수 있다. 예를 들어, A 소견에 대해서는 A 방식으로, 그리고 B 소견에 대해서는 B 방식으로 후처리를 하도록 사전에 저장되어 있을 수 있다. 프로세서(120)는 병변에 대해 결정된 하나 이상의 소견에 따라 후처리 방법을 결정할 수 있다. 전술한 후처리 방법에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
프로세서(120)는 사용자 인터랙션에 대한 응답으로, 의료 데이터에 표시된 적어도 하나의 병변 정보를 후처리 하여 표시할 수 있다. 프로세서(120)는 예를 들어, 마우스 등의 사용자 입력이 병변 정보에 위치한 것을 식별할 수 있다. 프로세서(120)는 사용자 인터랙션이 병변 정보에 수행되는 동안(예를 들어, 마우스가 병변 정보 위에 위치한 시간 구간 동안), 병변 정보를 후처리 하여 표시할 수 있다. 즉, 사용자는 의료 데이터 상에 표시된 복수의 병변 정보들 중에서 일부 병변 정보들을 선택하여 후처리 하도록 할 수 있다. 전술한 후처리 방법에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 프로세서(120)는 병변 정보와 관련된 적어도 하나의 소견에 대한 사용자 선택 입력에 대한 응답으로, 사용자 선택 입력된 소견에 대한 판독문을 생성할 수 있다. 도 7을 참조하여 예를 들어 설명하면, 적어도 하나의 소견에 대한 사용자 선택 입력 시, 해당 소견에 대한 판독문이 생성될 수 있다. 예를 들어, 하나의 병변에 대해서 Consolidation 및 Nodule 두 개의 소견이 표시될 수 있다. 프로세서(120)는 두 개의 소견들 중에서, Consolidation에 대한 사용자 선택 입력을 수신할 수 있다. 프로세서(120)는 Consolidation 소견에 기초하여, 판독문을 생성할 수 있다. 즉, 프로세서(120)는 Consolidation에 기초한 진단 결과를 포함하도록 판독문을 생성할 수 있다. 전술한 판독문 생성에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 프로세서(120)는 병변 정보에 대한 사용자 삭제 입력의 응답으로, 병변 정보를 표시하지 않도록 할 수 있다. 프로세서(120)는 의료 데이터에 대해 표시된 둘 이상의 병변 정보들 중에서, 사용자가 클릭한 병변 정보를 사용자 인터페이스 상에서 삭제할 수 있다. 도 8을 참조하여 설명하면, 도 8(a)에 표시된 둘 이상의 병변 정보들 중, 사용자가 클릭한 병변 정보들은 사용자 인터페이스 상에서 삭제하여, 도 8(b)와 같이 표시할 수 있다. 사용자들은 의료 데이터 상에 표시된 병변 정보들 중에서, 잘못 표시되어 있거나, 유의미하지 않은 병변 정보들은 삭제하도록 할 수 있다. 프로세서(120)는 적어도 일부의 병변 정보를 삭제하는 사용자 입력을 이용하여, 진단 모델을 재 학습시킬 때 이용할 수 있다. 예를 들어, 사용자가 삭제한 병변 정보들은 진단 모델의 출력에 오류가 있는 것으로 결정하여, 학습 데이터에 그러한 오류를 반영할 수 있고, 진단 모델에 대한 재 학습 시 이용할 수 있다. 전술한 병변 정보 표시에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 프로세서(120)는 병변 정보에 대한 추가 정보를 표시할 수 있다. 추가 정보는, 병변에 대한 사용자의 판단을 보조하기 위한 정보를 포함할 수 있다. 프로세서(120)는 의료 데이터에 대한 판독 결과를 표시하면서, 사용자의 의료 데이터에 대한 판단을 보조하기 위한 추가적인 정보를 사용자 인터페이스에 표시할 수 있다. 예를 들어, 추가 정보는, 환자 정보, 히스토리 정보, 다른 의료 정보 또는 참조 케이스 정보 중 적어도 하나를 포함할 수 있다.
환자 정보는, 의료 데이터에 대응되는 환자의 기본 정보를 의미할 수 있다. 예를 들어, 환자 정보는 환자의 나이, 성별 등을 포함할 수 있다. 전술한 환자 정보에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
히스토리 정보는, 의료 데이터와 상이한 시간에 생성된, 과거 의료 데이터에 대한 정보일 수 있다. 예를 들어, 의료 데이터가 A 환자에 대한 8월자 X-RAY 이미지인 경우, 과거 의료 데이터는 A 환자에 대한 1월자 X-RAY일 수 있다. 즉, 프로세서(120)는 환자의 과거 검사 영상과 현재 검사 영상을 비교한 히스토리 정보를 제공함으로써, 의료진의 의료 데이터 판독을 보조할 수 있다. 예를 들어, 악성 종양의 경우 과거에 비해 크기가 작아진 경우와, 크기가 커진 경우의 수술 또는 치료법이 상이할 수 있다. 프로세서(120)는 의료 데이터에 포함된 병변과, 과거 의료 데이터에 포함된 병변을 비교할 수 있다. 프로세서(120)는 상기 비교 결과를 포함하는 추가 정보를 사용자 인터페이스에 표시할 수 있다. 프로세서(120)는 예를 들어, 양 의료 데이터 간의 정량적 또는 정성적인 비교 결과를 사용자 인터페이스에 제공할 수 있다. 예를 들어, 프로세서(120)는 단순히 과거 의료 데이터를 함께 사용자 인터페이스에 표시할 수 있다. 또는, 프로세서(120)는 병변이 적어도 일부 변경된 경우, 변경된 정도를 사용자 인터페이스에 표시할 수 있다. 프로세서(120)는 병변이 과거 의료 데이터와 비교하였을 때, 유의미하게 변경된 경우, 별도의 알림을 생성할 수도 있다. 전술한 히스토리 정보에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
다른 의료 정보는, 의료 데이터와 관련된 다른 다양한 정보들을 의미할 수 있다. 다른 의료 정보는, 환자에 대해 저장된 적어도 하나의 진단 또는 검사 결과일 수 있다. 예를 들어, 의료 데이터가 환자의 CT 영상인 경우, 다른 의료 정보는 사용자의 피검사 결과, 초음파 검사 결과 등을 포함할 수 있다. 전술한 다른 의료 정보에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
참조 케이스 정보는, 병변 정보에 대응되는 병변과 유사한 병변과 관련될 수 있다. 프로세서(120)는 의료 데이터에 포함된 병변 정보와, 데이터베이스에 저장된 복수의 의료 데이터들에 대한 병변 정보들을 비교할 수 있다. 프로세서(120)는 유사한 병변을 가지는 다른 의료 데이터를 식별할 수 있다. 프로세서(120)는 예를 들어, 의료 데이터에 포함된 병변의 피처와 유사한 피처를 가지는 다른 의료 데이터를 식별할 수 있다. 프로세서(120)는 다른 의료 데이터에 대응되는 환자의 케이스 정보를 추출할 수 있다. 케이스 정보는, 환자 정보, 환자의 진단 또는 검사 정보, 예후 정보 등을 포함할 수 있다. 즉, 사용자에게 의료 데이터 판독 시, 유사한 병변을 가지는 다른 환자의 케이스를 제공함으로써, 해당 의료 데이터의 판독을 보조할 수 있다. 전술한 참조 케이스 정보에 관한 구체적인 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따른 병변 판독 결과를 표시하기 위한 컴퓨팅 장치(100)는 네트워크부(110), 프로세서(120), 메모리(130), 출력부(140) 및 입력부(150)를 포함할 수 있다.
네트워크부(110)는 본 개시의 일 실시예에 따른 의료 데이터 등을 다른 컴퓨팅 장치, 서버 등과 송수신할 수 있다. 또한, 네트워크부(110)는 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 복수의 컴퓨팅 장치 각각에서 병변 판독 또는 모델의 학습을 위한 동작들이 분산 수행되도록 할 수 있다. 네트워크부(110)는 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 병변 판독 또는 네트워크 함수를 사용한 모델 학습을 위한 연산을 분산 처리하도록 할 수 있다.
본 개시의 일 실시예에 따른 네트워크부(110)는 근거리(단거리), 원거리, 유선 및 무선 등과 같은 현재 사용 및 구현되는 임의의 형태의 유무선 통신 기술에 기반하여 동작할 수 있으며, 다른 네트워크들 에서도 사용될 수 있다.
프로세서(120)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 모델의 학습을 위한 프로세서를 포함할 수 있다. 프로세서(120)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 병변 판독 결과를 제공할 수 있다. 본 개시의 일 실시예에 따라 프로세서(120)는 병변 판독 결과를 제공하기 위한 계산을 수행할 수 있다.
메모리(130)는 본 개시의 일 실시예에 따른 병변 판독 결과를 제공하기 위한 컴퓨터 프로그램을 저장할 수 있으며, 저장된 컴퓨터 프로그램은 프로세서(120)에 의하여 판독되어 구동될 수 있다.
본 개시의 실시예들에 따른 메모리(130)는 프로세서(120)의 동작을 위한 프로그램을 저장할 수 있고, 입/출력되는 데이터들 또는 이벤트들을 임시 또는 영구 저장할 수도 있다. 상기 메모리(130)는 디스플레이 및 음향에 관한 데이터를 저장할 수 있다. 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
본 개시의 일 실시예에 따른 출력부(140)는 병변 판독 결과를 제공하기 위한 사용자 인터페이스(UI, user interface)를 표시할 수 있다. 출력부(140)는 도 2, 도 5 내지 도 8에 도시된 바와 같은 사용자 인터페이스를 표시할 수 있다. 도면에 도시되고 그리고 전술된 사용자 인터페이스들은 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따른 출력부(140)는 프로세서(120)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(110)가 수신한 임의의 형태의 정보를 출력할 수 있다.
본 개시의 일 실시예에서 출력부(140)는 액정 디스플레이(liquid crystal display, LCD), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display, TFT LCD), 유기 발광 다이오드(organic light-emitting diode, OLED), 플렉시블 디스플레이(flexible display), 3차원 디스플레이(3D display) 중에서 적어도 하나를 포함할 수 있다. 이들 중 일부 디스플레이 모듈은 그를 통해 외부를 볼 수 있도록 투명형 또는 광 투과형으로 구성될 수 있다. 이는 투명 디스플레이 모듈이라 지칭될 수 있는데, 상기 투명 디스플레이 모듈의 대표적인 예로는 TOLED(Transparent OLED) 등이 있다.
본 개시의 일 실시예에 따른 입력부(150)를 통해 사용자 입력을 수신할 수 있다. 본 개시의 일 실시예에 따른 입력부(150)는 사용자 입력을 수신 받기 위한 사용자 인터페이스 상의 키 및/또는 버튼들, 또는 물리적인 키 및/또는 버튼들을 구비할 수 있다. 입력부(150)를 통한 사용자 입력에 따라 본 개시의 실시예들에 따른 디스플레이를 제어하기 위한 컴퓨터 프로그램이 실행될 수 있다.
본 개시의 실시예들에 따른 입력부(150)는 사용자의 버튼 조작 또는 터치 입력을 감지하여 신호를 수신하거나, 카메라 또는 마이크로폰을 통하여 사용자 등의 음성 또는 동작을 수신하여 이를 입력 신호로 변환할 수도 있다. 이를 위해 음성 인식(Speech Recognition) 기술 또는 동작 인식(Motion Recognition) 기술들이 사용될 수 있다.
본 개시의 실시예들에 따른 입력부(150)는 컴퓨팅 장치(100)와 연결된 외부 입력 장비로서 구현될 수도 있다. 예를 들어, 입력 장비는 사용자 입력을 수신하기 위한 터치 패드, 터치 펜, 키보드 또는 마우스 중 적어도 하나일 수 있으나, 이는 예시일 뿐이며 본 개시는 이에 제한되는 것은 아니다.
본 개시의 일 실시예에 따른 입력부(150)는 사용자 터치 입력을 인식할 수 있다. 본 개시의 일 실시예에 따른 입력부(150)는 출력부(140)와 동일한 구성일 수도 있다. 입력부(150)는 사용자의 선택 입력을 수신하도록 구현되는 터치 스크린으로 구성될 수 있다. 터치 스크린은 접촉식 정전용량 방식, 적외선 광 감지 방식, 표면 초음파(SAW) 방식, 압전 방식, 저항막 방식 중 어느 하나의 방식이 사용될 수 있다. 전술한 터치 스크린에 대한 자세한 기재는 본 발명의 일 실시예에 따른 예시일 뿐이며, 다양한 터치 스크린 패널이 컴퓨팅 장치(100)에 채용될 수 있다. 터치 스크린으로 구성된 입력부(150)는 터치 센서를 포함할 수 있다. 터치 센서는 입력부(150)의 특정 부위에 가해진 압력 또는 입력부(150)의 특정 부위에 발생하는 정전 용량 등의 변화를 전기적인 입력신호로 변환하도록 구성될 수 있다. 터치 센서는 터치 되는 위치 및 면적 뿐만 아니라, 터치 시의 압력까지도 검출할 수 있도록 구성될 수 있다. 터치 센서에 대한 터치 입력이 있는 경우, 그에 대응하는 신호(들)는 터치 제어기로 보내진다. 터치 제어기는 그 신호(들)를 처리한 다음 대응하는 데이터를 프로세서(120)로 전송한다. 이로써, 프로세서(120)는 입력부(150)의 어느 영역이 터치 되었는지 여부 등을 인식할 수 있게 된다.
본 개시의 일 실시예에서 서버는 서버의 서버 환경을 수행하기 위한 다른 구성들이 포함될 수도 있다. 서버는 임의의 형태의 장치는 모두 포함할 수 있다. 서버는 디지털 기기로서, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다.
본 개시의 일 실시예에 따른 병변 판독 결과를 표시하는 사용자 인터페이스를 사용자 단말로 제공하기 위한 동작을 수행하는 서버(미도시)는 네트워크부, 프로세서 및 메모리를 포함할 수 있다.
서버는 본 개시의 실시예들에 따른 사용자 인터페이스를 생성할 수 있다. 서버는 클라이언트(예를 들어, 사용자 단말)에게 네트워크를 통해 정보를 제공하는 컴퓨팅 시스템일 수 있다. 서버는 생성한 사용자 인터페이스를 사용자 단말로 전송할 수 있다. 이러한 경우, 사용자 단말은 서버에 액세스할 수 있는 임의의 형태의 컴퓨팅 장치(100)일 수 있다. 서버의 프로세서는 네트워크부를 통해 사용자 단말로 사용자 인터페이스를 전송할 수 있다. 본 개시의 실시예들에 따른 서버는 예를 들어, 클라우드 서버일 수 있다. 서버는 서비스를 처리하는 웹 서버일 수 있다. 전술한 서버의 종류는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 실시예들에 따른 서버에 포함된 네트워크부, 프로세서 및 메모리 각각은, 전술한 컴퓨팅 장치(100)에 포함된 네트워크부(110), 프로세서(120) 및 메모리(130)와 동일한 역할을 수행하거나 또는 동일하게 구성될 수 있다.
도 9는 본 개시의 일 실시예에 따른 병변 판독 결과를 표시하기 위한 순서도이다.
컴퓨팅 장치(100)는 의료 데이터에 포함된 병변 정보를 표시(910)할 수 있다.
컴퓨팅 장치(100)는 의료 데이터에 포함된 확실한 병변 또는 불확실한 병변 중 적어도 하나에 대한 병변 정보를 표시할 수 있다. 확실한 병변은 의료 데이터에 포함된 적어도 일부 영역이 하나의 소견으로 분류되는 병변일 수 있다. 불확실한 병변은 의료 데이터에 포함된 적어도 일부 영역이 하나의 소견으로 분류되지 않는 병변일 수 있다.
컴퓨팅 장치(100)는 의료 데이터에 포함된 적어도 일부 영역을 하나 이상의 네트워크 함수를 포함하는 진단 모델을 이용하여 연산할 수 있다. 컴퓨팅 장치(100)는 연산의 결과에 포함된 둘 이상의 클래스에 대한 스코어 값에 기초하여, 적어도 일부 영역이 하나의 클래스로 결정되지 않는 경우, 적어도 일부 영역을 불확실한 병변으로 결정할 수 있다.
컴퓨팅 장치(100)는 제 1 임계 값 이상의 스코어 값을 가지는 클래스가 둘 이상인인 경우, 적어도 일부 영역을 불확실한 병변으로 결정할 수 있다. 컴퓨팅 장치(100)는 제 1 임계 값 이상의 스코어 값을 가지는 클래스가 없을 경우, 적어도 일부 영역을 불확실한 병변으로 결정할 수 있다. 컴퓨팅 장치(100)는 가장 큰 스코어 값과 다른 스코어 값들 간의 차이가 임계 비율 또는 임계 차이 값 미만인 경우, 적어도 일부 영역을 불확실한 병변으로 결정할 수 있다. 컴퓨팅 장치(100)는 스코어 값들의 분산이 임계 분산 값 미만인 경우, 적어도 일부 영역을 불확실한 병변으로 결정할 수 있다.
컴퓨팅 장치(100)는 연산의 결과에 포함된 둘 이상의 클래스에 대한 스코어 값에 기초하여, 적어도 일부 영역이 둘 이상의 클래스로 결정되는 경우, 둘 이상의 클래스에 대응되는 소견들로, 불확실한 병변의 둘 이상의 소견을 결정할 수 있다.
컴퓨팅 장치(100)는 연산의 결과에 포함된 둘 이상의 클래스에 대한 스코어 값에 기초하여, 적어도 일부 영역이 하나의 클래스로 결정되지 않는 경우, 사전 결정된 제 2 임계 값 이상의 스코어 값을 가지는 클래스, 또는 사전 결정된 상위 개수의 스코어 값을 가지는 클래스 중 적어도 하나에 대응되는 소견들로, 불확실한 병변의 하나 이상의 소견을 결정할 수 있다.
컴퓨팅 장치(100)는 확실한 병변과 불확실한 병변을 구별하여 표시할 수 있다.
컴퓨팅 장치(100)는 병변 정보에 대한 사용자 인터랙션의 응답으로, 병변 정보와 관련된 하나 이상의 소견을 표시(920)할 수 있다.
컴퓨팅 장치(100)는 불확실한 병변과 관련된 하나 이상의 소견에 대해서, 불확실한 정도를 표시할 수 있다. 컴퓨팅 장치(100)는 불확실한 병변과 관련된 하나 이상의 소견에 대해서, 하나 이상의 소견에 대응되는 클래스의 스코어 값에 따라 결정된, 불확실한 정도를 표시할 수 있다.
컴퓨팅 장치(100)는 의료 데이터에 포함된 적어도 일부 영역을 진단 모델을 이용하여 연산한 결과에 포함된, 사전 결정된 클래스에 대한 스코어 값이 제 3 임계 값 이상인 경우, 사전 결정된 클래스에 대응되는 소견을 표시할 수 있다.
컴퓨팅 장치(100)는 병변 정보의 임상적 의미 또는 병변 정보의 불확실한 정도 중 적어도 하나에 따라, 병변 정보를 상이한 방식으로 표시할 수 있다.
컴퓨팅 장치(100)는 병변 정보를 후처리 하여 표시할 수 있다. 후처리 방법은, 사용자 선택 입력에 따라 결정되거나, 또는 병변의 표시, 병변과 병변 주변 영역 간의 비교 또는 병변에 대응되는 소견의 종류 중 적어도 하나에 의해 결정될 수 있다.
컴퓨팅 장치(100)는 병변 정보와 관련된 적어도 하나의 소견에 대한 사용자 선택 입력에 대한 응답으로, 사용자 선택 입력된 소견에 대한 판독문을 생성할 수 있다.
컴퓨팅 장치(100)는 병변 정보에 대한 사용자 삭제 입력의 응답으로, 병변 정보를 표시하지 않도록 할 수 있다.
컴퓨팅 장치(100)는 병변 정보에 대한 추가 정보를 표시할 수 있다. 추가 정보는, 병변에 대한 사용자의 판단을 보조하기 위한 정보를 포함하며, 환자 정보, 히스토리 정보, 다른 의료 정보 또는 참조 케이스 정보 중 적어도 하나를 포함할 수 있다.
본 개시의 일 실시예에 따른 병변 판독 결과는 상기와 같은 동작을 수행하는 모듈, 회로, 수단 및 로직에 의해 구현될 수 있다.
도 10은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.
도 10은 본 개시의 실시예들이 구현될 수 있는 예시 적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.
본 개시가 일반적으로 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어와 관련하여 전술되었지만, 당업자라면 본 개시가 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.
일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드 헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.
본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.
컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있다. 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.
컴퓨터 판독가능 전송 매체는 통상적으로 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.
컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시 적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.
시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.
컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)-이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음-, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.
이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비 휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시 적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.
운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.
사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.
모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.
컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화 된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.
LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화 된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시 적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.
컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.
Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a,b,g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5 GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시 적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시 적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시 적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.
제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
Claims (20)
- 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 병변 판독 결과를 표시하는 사용자 인터페이스(UI)를 제공하며, 상기 사용자 인터페이스는:
의료 데이터에 포함된 병변 정보;
상기 병변 정보에 대한 사용자 인터랙션의 응답으로 표시되는, 상기 병변 정보와 관련된 하나 이상의 소견; 및
하나의 소견으로 분류되지 않는 불확실한 병변의 경우 소견의 불확실한 정도;
를 포함하되,
상기 불확실한 병변은,
의료 데이터에 포함된 적어도 일부 영역을 진단 모델을 이용하여 연산한 결과에 포함된, 둘 이상의 클래스들에 대한 스코어 값들에 기초하여, 제 1 임계 값 이상의 스코어 값을 가지는 클래스의 수 또는 상기 스코어 값들의 차이 중 적어도 하나를 활용하여 식별되는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 1 항에 있어서,
상기 의료 데이터에 포함된 병변 정보는,
상기 의료 데이터에 포함된 적어도 일부 영역이 하나의 소견으로 분류되는 확실한 병변 또는 상기 의료 데이터에 포함된 적어도 일부 영역이 하나의 소견으로 분류되지 않는 불확실한 병변 중 적어도 하나에 대한 상기 병변 정보;
를 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 2 항에 있어서,
상기 확실한 병변과 상기 불확실한 병변은 구별되어 표시되는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 2 항에 있어서,
상기 사용자 인터페이스는:
상기 불확실한 병변과 관련된 하나 이상의 소견 각각에 대해서, 해당 소견으로 분류될 수 있는 확률인, 불확실한 정도;
를 더 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 2 항에 있어서,
상기 불확실한 병변은,
상기 적어도 일부 영역을 하나 이상의 네트워크 함수를 포함하는 상기 진단 모델을 이용하여 연산하는 경우, 상기 연산의 결과에 포함된 상기 둘 이상의 클래스들에 대한 스코어 값들에 기초하여, 하나의 클래스로 결정되지 않거나, 또는 둘 이상의 클래스들로 결정되는, 상기 적어도 일부 영역을 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 2 항에 있어서,
상기 불확실한 병변은,
상기 적어도 일부 영역이 하나 이상의 네트워크 함수를 포함하는 상기 진단 모델을 이용하여 연산 되고, 그리고 상기 연산의 결과에 포함된 상기 둘 이상의 클래스들에 대한 스코어 값들에 기초하여, 상기 제 1 임계 값 이상의 스코어 값을 가지는 클래스가 둘 이상이거나, 상기 제 1 임계 값 이상의 스코어 값을 가지는 클래스가 없거나, 가장 큰 스코어 값과 다른 스코어 값들 간의 차이가 임계 비율 또는 임계 차이 값 미만이거나, 또는 상기 스코어 값들의 분산이 임계 분산 값 미만인 경우 중 적어도 하나인,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 2 항에 있어서,
상기 확실한 병변은,
상기 적어도 일부 영역을 하나 이상의 네트워크 함수를 포함하는 상기 진단 모델을 이용하여 연산하는 경우, 상기 연산의 결과에 포함된 상기 둘 이상의 클래스들에 대한 스코어 값들에 기초하여, 하나의 클래스로 결정되는, 상기 적어도 일부 영역을 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 5 항에 있어서,
상기 불확실한 병변의 둘 이상의 소견들은, 상기 둘 이상의 클래스들에 각각 대응되는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 5 항에 있어서,
상기 불확실한 병변의 상기 하나 이상의 소견은, 사전 결정된 제 2 임계 값 이상의 스코어 값을 가지는 클래스, 또는 사전 결정된 상위 개수의 스코어 값을 가지는 클래스 중 적어도 하나에 대응되는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 5 항에 있어서,
상기 사용자 인터페이스는:
상기 불확실한 병변과 관련된 상기 하나 이상의 소견 각각에 대해서, 상기 하나 이상의 소견에 대응되는 클래스의 스코어 값에 따라 결정된, 해당 소견으로 분류될 수 있는 확률에 기초하여 결정되는, 불확실한 정도;
를 더 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 1 항에 있어서,
상기 병변 정보와 관련된 하나 이상의 소견은,
상기 의료 데이터에 포함된 적어도 일부 영역에 대한 진단 모델의 연산 결과가 사전 결정된 클래스에 대한 제 3 임계 값 이상의 스코어를 가지는 경우, 상기 사전 결정된 클래스에 대응되는 소견;
을 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 1 항에 있어서,
상기 병변 정보는,
상기 병변 정보의 임상적 의미 또는 상기 병변 정보의 불확실한 정도 중 적어도 하나에 따라, 상이한 방식으로 표시되는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 1 항에 있어서,
상기 병변 정보는 후처리 된 병변 정보이고, 그리고
상기 후처리 방법은, 사용자 선택 입력에 따라 결정되거나, 또는 병변의 표시, 병변과 병변 주변 영역 간의 비교 또는 병변에 대응되는 소견의 종류 중 적어도 하나에 의해 결정되는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 1 항에 있어서,
상기 프로세서는:
상기 병변 정보와 관련된 적어도 하나의 소견에 대한 사용자 선택 입력에 대한 응답으로, 상기 사용자 선택 입력된 소견에 대한 판독문을 생성하는 동작;
을 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 1 항에 있어서,
상기 사용자 인터페이스는:
상기 병변 정보에 대한 사용자 삭제 입력의 응답으로, 상기 병변 정보를 표시하지 않는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 1 항에 있어서,
상기 사용자 인터페이스는:
상기 병변 정보에 대한 추가 정보;
를 더 포함하고, 그리고
상기 추가 정보는, 병변에 대한 사용자의 판단을 보조하기 위한 정보를 포함하며, 환자 정보, 히스토리 정보, 다른 의료 정보 또는 참조 케이스 정보 중 적어도 하나를 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 제 16 항에 있어서,
상기 히스토리 정보는, 상기 의료 데이터와 상이한 시간에 생성된, 과거 의료 데이터에 포함된 하나 이상의 병변과, 상기 의료 데이터에 포함된 하나 이상의 병변의 비교 결과를 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 컴퓨팅 장치의 하나 이상의 프로세서에 의해 수행되는 병변 판독 결과를 표시하기 위한 방법으로서,
의료 데이터에 포함된 병변 정보를 표시하는 단계;
상기 병변 정보에 대한 사용자 인터랙션의 응답으로, 상기 병변 정보와 관련된 하나 이상의 소견을 표시하는 단계; 및
하나의 소견으로 분류되지 않는 불확실한 병변의 경우 소견의 불확실한 정도를 표시하는 단계;
를 포함하되,
상기 불확실한 병변은,
의료 데이터에 포함된 적어도 일부 영역을 진단 모델을 이용하여 연산한 결과에 포함된, 둘 이상의 클래스들에 대한 스코어 값들에 기초하여, 제 1 임계 값 이상의 스코어 값을 가지는 클래스의 수 또는 상기 스코어 값들의 차이 중 적어도 하나를 활용하여 식별되는,
병변 판독 결과를 표시하기 위한 방법.
- 서버로서,
하나 이상의 코어를 포함하는 프로세서;
네트워크부; 및
메모리;
를 포함하고,
상기 프로세서는 상기 네트워크부를 통해 사용자 단말로 사용자 인터페이스(UI)를 전송할 것을 결정하며,
상기 사용자 인터페이스는:
의료 데이터에 포함된 병변 정보;
상기 병변 정보에 대한 사용자 인터랙션의 응답으로 표시되는, 상기 병변 정보와 관련된 하나 이상의 소견; 및
하나의 소견으로 분류되지 않는 불확실한 병변의 경우 소견의 불확실한 정도;
를 포함하되,
상기 불확실한 병변은,
의료 데이터에 포함된 적어도 일부 영역을 진단 모델을 이용하여 연산한 결과에 포함된, 둘 이상의 클래스들에 대한 스코어 값들에 기초하여, 제 1 임계 값 이상의 스코어 값을 가지는 클래스의 수 또는 상기 스코어 값들의 차이 중 적어도 하나를 활용하여 식별되는,
서버.
- 사용자 단말로서,
하나 이상의 코어를 포함하는 프로세서;
메모리; 및
사용자 인터페이스를 제공하는 출력부;
를 포함하고,
상기 사용자 인터페이스는,
의료 데이터에 포함된 병변 정보;
상기 병변 정보에 대한 사용자 인터랙션의 응답으로 표시되는, 상기 병변 정보와 관련된 하나 이상의 소견; 및
하나의 소견으로 분류되지 않는 불확실한 병변의 경우 소견의 불확실한 정도;
를 포함하되,
상기 불확실한 병변은,
의료 데이터에 포함된 적어도 일부 영역을 진단 모델을 이용하여 연산한 결과에 포함된, 둘 이상의 클래스들에 대한 스코어 값들에 기초하여, 제 1 임계 값 이상의 스코어 값을 가지는 클래스의 수 또는 상기 스코어 값들의 차이 중 적어도 하나를 활용하여 식별되는,
사용자 단말.
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200077352A KR102492463B1 (ko) | 2020-06-24 | 2020-06-24 | 병변 판독 결과 표시 방법 |
| PCT/KR2021/007116 WO2021261808A1 (ko) | 2020-06-24 | 2021-06-08 | 병변 판독 결과 표시 방법 |
| US17/356,111 US20210407637A1 (en) | 2020-06-24 | 2021-06-23 | Method to display lesion readings result |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200077352A KR102492463B1 (ko) | 2020-06-24 | 2020-06-24 | 병변 판독 결과 표시 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210158682A KR20210158682A (ko) | 2021-12-31 |
| KR102492463B1 true KR102492463B1 (ko) | 2023-01-27 |
Family
ID=79031400
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200077352A KR102492463B1 (ko) | 2020-06-24 | 2020-06-24 | 병변 판독 결과 표시 방법 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20210407637A1 (ko) |
| KR (1) | KR102492463B1 (ko) |
| WO (1) | WO2021261808A1 (ko) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| BR112022003461A2 (pt) * | 2019-09-09 | 2022-05-24 | Paige Ai Inc | Sistemas e métodos para processamento de imagens de lâminas para patologia digital |
| WO2023146368A1 (ko) * | 2022-01-28 | 2023-08-03 | 모니터코퍼레이션 주식회사 | 의료 영상 분석 보조 시스템 및 의료영상 분석결과 제공방법 |
| CN117393100B (zh) * | 2023-12-11 | 2024-04-05 | 安徽大学 | 诊断报告的生成方法、模型训练方法、系统、设备及介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101887194B1 (ko) * | 2018-06-20 | 2018-08-10 | 주식회사 뷰노 | 피검체의 의료 영상의 판독을 지원하는 방법 및 이를 이용한 장치 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7783094B2 (en) * | 2005-06-02 | 2010-08-24 | The Medipattern Corporation | System and method of computer-aided detection |
| US8014576B2 (en) * | 2005-11-23 | 2011-09-06 | The Medipattern Corporation | Method and system of computer-aided quantitative and qualitative analysis of medical images |
| JP5800595B2 (ja) * | 2010-08-27 | 2015-10-28 | キヤノン株式会社 | 医療診断支援装置、医療診断支援システム、医療診断支援の制御方法、及びプログラム |
| KR101241060B1 (ko) * | 2011-03-29 | 2013-03-11 | 주식회사 인피니트헬스케어 | 의료 영상 정보 저장과 표시 방법 및 그 장치 |
| KR102049336B1 (ko) * | 2012-11-30 | 2019-11-27 | 삼성전자주식회사 | 컴퓨터 보조 진단 장치 및 방법 |
| US10452813B2 (en) * | 2016-11-17 | 2019-10-22 | Terarecon, Inc. | Medical image identification and interpretation |
| SG11201911791RA (en) * | 2017-06-09 | 2020-01-30 | Ai Medical Service Inc | A disease diagnosis support method employing endoscopic images of a digestive organ, a diagnosis support system, a diagnosis support program and a computer-readable recording medium having the diagnosis support program stored therein |
| KR102210806B1 (ko) * | 2018-10-02 | 2021-02-01 | 한림대학교 산학협력단 | 위 내시경 이미지의 딥러닝을 이용하여 위 병변을 진단하는 장치 및 방법 |
| KR102294618B1 (ko) * | 2018-12-06 | 2021-08-30 | 오스템임플란트 주식회사 | 전자 차트 관리 장치, 전자 차트 관리 방법 및 기록 매체 |
| CN110010219B (zh) * | 2019-03-13 | 2021-12-10 | 杭州电子科技大学 | 光学相干层析图像视网膜病变智能检测系统及检测方法 |
-
2020
- 2020-06-24 KR KR1020200077352A patent/KR102492463B1/ko active IP Right Grant
-
2021
- 2021-06-08 WO PCT/KR2021/007116 patent/WO2021261808A1/ko active Application Filing
- 2021-06-23 US US17/356,111 patent/US20210407637A1/en active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101887194B1 (ko) * | 2018-06-20 | 2018-08-10 | 주식회사 뷰노 | 피검체의 의료 영상의 판독을 지원하는 방법 및 이를 이용한 장치 |
Non-Patent Citations (1)
| Title |
|---|
| Mingchen Gao 외, Holistic Interstitial Lung Disease Detection using Deep Convolutional Neural Networks: Multi-label Learning and Unordered Pooling, arXiv, 2017.01.19., pp.1-21.* |
Also Published As
| Publication number | Publication date |
|---|---|
| US20210407637A1 (en) | 2021-12-30 |
| WO2021261808A1 (ko) | 2021-12-30 |
| KR20210158682A (ko) | 2021-12-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gonzalez et al. | Disease staging and prognosis in smokers using deep learning in chest computed tomography | |
| KR102492463B1 (ko) | 병변 판독 결과 표시 방법 | |
| CN111986784B (zh) | 医疗影像的元数据预测装置及方法 | |
| CN109191451B (zh) | 异常检测方法、装置、设备和介质 | |
| CA3100030A1 (en) | Method for diagnosing, predicting, determining prognosis, monitoring, or staging disease based on vascularization patterns | |
| CN115170464A (zh) | 肺图像的处理方法、装置、电子设备和存储介质 | |
| Shamrat et al. | Analysing most efficient deep learning model to detect COVID-19 from computer tomography images | |
| Kaur et al. | Automated Computer-Aided Diagnosis of Diabetic Retinopathy Based on Segmentation and Classification using K-nearest neighbor algorithm in retinal images | |
| Tian et al. | Radiomics and Its Clinical Application: Artificial Intelligence and Medical Big Data | |
| Wang et al. | A novel deep learning model to distinguish malignant versus benign solid lung nodules | |
| US20220076414A1 (en) | Method to read chest image | |
| Sridhar et al. | Artificial intelligence in medicine: diabetes as a model | |
| Datta et al. | An improved method for automated identification of hard exudates in diabetic retinopathy disease | |
| WO2021168121A1 (en) | Methods and systems for predicting rates of progression of age- related macular degeneration | |
| Ibrahim et al. | Liver Multi-class Tumour Segmentation and Detection Based on Hyperion Pre-trained Models. | |
| KR20220050014A (ko) | 영상 분석을 위한 사용자 인터페이스 | |
| US20240029887A1 (en) | Lesion diagnosis method | |
| TWI836394B (zh) | 醫療影像處理之方法、裝置及電腦程式 | |
| KR102534088B1 (ko) | 의료 데이터 검색 방법 | |
| KR102569976B1 (ko) | 의료 영상 처리 방법 | |
| US20220084200A1 (en) | Method for detecting abnormal findings and generating interpretation text of medical image | |
| KR102485930B1 (ko) | 담낭 용종의 진단에 대한 정보 제공 방법 및 이를 이용한 담낭 용종의 진단에 대한 정보 제공용 디바이스 | |
| Singh et al. | Overview of image processing technology in healthcare systems | |
| Hrizi et al. | Lung cancer detection and classification using CNN and image segmentation | |
| KR20230047240A (ko) | 폐렴 판독 방법, 장치 및 프로그램 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| X091 | Application refused [patent] | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) |