KR102521660B1 - 복수의 예측 결과를 활용한 혈관 영상 추출 방법 및 장치 - Google Patents
복수의 예측 결과를 활용한 혈관 영상 추출 방법 및 장치 Download PDFInfo
- Publication number
- KR102521660B1 KR102521660B1 KR1020200164903A KR20200164903A KR102521660B1 KR 102521660 B1 KR102521660 B1 KR 102521660B1 KR 1020200164903 A KR1020200164903 A KR 1020200164903A KR 20200164903 A KR20200164903 A KR 20200164903A KR 102521660 B1 KR102521660 B1 KR 102521660B1
- Authority
- KR
- South Korea
- Prior art keywords
- blood vessel
- image
- candidate mask
- target blood
- error
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 55
- 230000002792 vascular Effects 0.000 title claims description 6
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 460
- 238000000605 extraction Methods 0.000 claims abstract description 71
- 230000011218 segmentation Effects 0.000 claims abstract description 44
- 238000004590 computer program Methods 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 description 31
- 230000008569 process Effects 0.000 description 23
- 238000002583 angiography Methods 0.000 description 18
- 238000012545 processing Methods 0.000 description 18
- 239000000284 extract Substances 0.000 description 16
- 238000012549 training Methods 0.000 description 13
- 238000011156 evaluation Methods 0.000 description 9
- 230000003902 lesion Effects 0.000 description 9
- 238000012805 post-processing Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 239000002872 contrast media Substances 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 210000004351 coronary vessel Anatomy 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000000547 structure data Methods 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 210000001367 artery Anatomy 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000002586 coronary angiography Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000013152 interventional procedure Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000005259 peripheral blood Anatomy 0.000 description 1
- 239000011886 peripheral blood Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/48—Diagnostic techniques
- A61B6/481—Diagnostic techniques involving the use of contrast agents
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/50—Clinical applications
- A61B6/504—Clinical applications involving diagnosis of blood vessels, e.g. by angiography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/001—Image restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Abstract
일 실시예에 따른 혈관 영상 추출 방법은, 혈관 영상에 복수의 혈관 분할 모델들을 적용하여 대상 혈관에 대한 복수의 후보 마스크 영상들을 추출하는 단계, 추출된 복수의 후보 마스크 영상들 각각에 대하여 오류 레벨을 평가하는 단계, 및 평가된 오류 레벨에 기초하여 후보 마스크 영상들로부터 대상 혈관 추출 결과를 생성하는 단계를 포함할 수 있다.
Description
이하, 혈관 영상을 추출하는 방법에 관한 기술이 제공된다.
심혈관, 뇌혈관, 말초혈관을 치료하기 위하여 카테터를 이용하여 스텐트 등을 삽입하는 중재적 시술이 널리 보급되어 있다. 시술을 진행하기 전, 환자 병변의 심각성을 심혈관 조영술 영상을 통하여 평가한다. 혈관 조영술(angiography) 영상은 주요 혈관을 관찰하여 혈관 내의 문제 부위를 진단하고 필요한 시술 및 조치를 하기 위하여 광범위하게 활용된다. 병변의 심각성을 정량적으로 평가하기 위해서는 혈관의 정보를 알 수 있어야 하며, 혈관의 정보를 획득하기 위하여 혈관 조영술 영상으로부터 혈관을 분할하는 방법이 다양하게 연구되고 있다. 혈관 분할 정보는 중심선 추출, 분지 각도 측정, 병변 위치 예측 등에 다양하게 활용될 수 있다. 최근에는 혈관 조영술 영상으로부터 딥러닝을 기반으로 혈관을 분할하는 방법들이 많이 개발되고 있으며 기존 방법과 비교하여 높은 정확도를 갖는다. 딥러닝을 기반으로 단일 모델을 활용하여 혈관을 분할하는 경우, 일반적으로 낮은 정확도를 가지며 오류가 다수 발생한다. 따라서, 최근에는 복수의 분할 모델을 사용하여 추출된 영상들을 조합하여 혈관 분할 결과를 추출하는 앙상블 기법(Ensemble)이 활용되기도 한다.
일 실시예에 따른 프로세서에 의해 수행되는 혈관 영상 추출 방법은, 혈관 영상에 복수의 혈관 분할 모델들을 적용하여 대상 혈관에 대한 복수의 후보 마스크 영상들을 추출하는 단계, 상기 추출된 복수의 후보 마스크 영상들 각각에 대하여 오류 레벨(error level)을 평가하는 단계, 및 상기 평가된 오류 레벨에 기초하여 상기 후보 마스크 영상들로부터 대상 혈관 추출 결과를 생성하는 단계를 포함할 수 있다.
일 실시예에 따른 추출된 복수의 후보 마스크 영상들 각각에 대하여 오류 레벨을 평가하는 단계는, 해당 후보 마스크 영상에서 대상 혈관 영역을 지시하는 픽셀들이 적어도 하나 이상 분리된 경우, 상기 후보 마스크 영상을 오류로 평가하는 단계를 포함할 수 있다.
일 실시예에 따른 추출된 복수의 후보 마스크 영상들 각각에 대하여 오류 레벨을 평가하는 단계는, 해당 후보 마스크 영상에서 메인 블롭 이외의 블롭을 구성하는 픽셀의 수가 대상 혈관을 지시하는 픽셀의 수와 비교하여 제1 임계 비율 이상인 경우, 상기 후보 마스크 영상을 오류로 평가하는 단계를 포함할 수 있다.
일 실시예에 따른 추출된 복수의 후보 마스크 영상들 각각에 대하여 오류 레벨을 평가하는 단계는, 해당 후보 마스크 영상에서 대상 혈관을 지시하는 영역의 토폴로지(topology)에 기초하여 상기 후보 마스크 영상의 오류 레벨을 평가하는 단계를 포함할 수 있다.
일 실시예에 따른 대상 혈관을 지시하는 영역의 토폴로지에 기초하여 상기 후보 마스크 영상의 오류 레벨을 평가하는 단계는, 상기 후보 마스크 영상에서 대상 혈관을 지시하는 영역의 직경(diameter) 정보를 기초로 산출된 추세선(trend line)을 기준으로, 상기 대상 혈관을 지시하는 영역 중 상기 추세선으로부터 제2 임계 비율 이상의 직경 차이를 갖는 영역이 존재하는 경우, 상기 후보 마스크 영상을 오류로 판단하는 단계를 포함할 수 있다.
일 실시예에 따른 대상 혈관을 지시하는 영역의 토폴로지에 기초하여 상기 후보 마스크 영상의 오류 레벨을 평가하는 단계는, 상기 후보 마스크 영상에서 대상 혈관을 지시하는 영역의 밝기(brightness) 정보를 기초로 산출된 추세선(trend line)을 기준으로, 상기 대상 혈관을 지시하는 영역 중 상기 추세선으로부터 제3 임계 비율 이상의 밝기 차이를 갖는 영역이 존재하는 경우, 상기 후보 마스크 영상을 오류로 판단하는 단계를 포함할 수 있다.
일 실시예에 따른 추출된 복수의 후보 마스크 영상들 각각에 대하여 오류 레벨을 평가하는 단계는, 해당 후보 마스크 영상에서 대상 혈관을 지시하는 영역에 대한 중심선(centerline)의 길이가 제1 임계 길이 이하인 경우, 상기 후보 마스크 영상을 오류로 평가하는 단계를 포함할 수 있다.
일 실시예에 따른 상기 평가된 오류 레벨에 기초하여 상기 후보 마스크 영상들로부터 대상 혈관 추출 결과를 생성하는 단계는, 상기 복수의 후보 마스크 영상들 중 오류로 평가된 후보 마스크 영상을 배제한 나머지 후보 마스크 영상을 기초로 대상 혈관 추출 결과를 생성하는 단계를 포함할 수 있다.
일 실시예에 따른 상기 평가된 오류 레벨에 기초하여 상기 후보 마스크 영상들로부터 대상 혈관 추출 결과를 생성하는 단계는, 상기 복수의 후보 마스크 영상들 모두가 오류로 평가된 경우, 미리 설정된 오류 레벨 이하인 후보 마스크 영상 또는 오류 레벨이 가장 낮은 후보 마스크 영상을 기초로 대상 혈관 추출 결과를 생성하는 단계를 포함할 수 있다.
일 실시예에 따른 상기 추출된 복수의 후보 마스크 영상들 각각에 대하여 오류 레벨을 평가하는 단계는, 해당 후보 마스크 영상에서 대상 혈관을 지시하는 픽셀들의 연결성을 기초로 오류 점수를 산출하고, 상기 대상 혈관을 지시하는 블롭 영역에 기초하여 오류 점수(error score)를 산출하며, 상기 대상 혈관을 지시하는 영역의 토폴로지에 기초하여 오류 점수를 산출하고, 상기 대상 혈관을 지시하는 영역에 대한 중심선의 길이에 기초하여 오류 점수를 산출하는 단계를 포함할 수 있다.
일 실시예에 따른 혈관 영상 추출 장치는, 혈관 영상을 수신하는 영상 수신부 및 상기 혈관 영상에 복수의 혈관 분할 모델들을 적용하여 대상 혈관에 대한 복수의 후보 마스크 영상들을 추출하고, 상기 추출된 복수의 후보 마스크 영상들 각각에 대하여 오류 레벨(error level)을 평가하며, 상기 평가된 오류 레벨에 기초하여 상기 후보 마스크 영상들로부터 대상 혈관 추출 결과를 생성하는 프로세서를 포함할 수 있다.
기존 혈관 조영술 영상으로부터 복수의 혈관 분할 모델을 사용하여 혈관 분할 결과를 생성하는 경우, 개별 혈관 분할 모델에 일정한 가중치를 부가하여 혈관 분할 결과를 도출할 수 있다. 그러나, 기존 혈관 분할 방법에서는 개별 혈관 분할 모델을 사용하여 추출된 개별 영상에 대한 평가를 수행하지 않는다. 반면, 일 실시예에 따른 혈관 영상 추출 장치는 기존 방법과 달리 혈관 조영술 영상으로부터 복수의 혈관 분할 모델을 적용하여 추출된 복수의 후보 마스크 영상에 대하여 개별적으로 평가를 수행하며, 개별적으로 평가된 후보 마스크 영상에 기초하여 혈관 추출 결과를 생성할 수 있다. 일 실시예에 따른 혈관 영상 추출 장치는 명백히 오류로 판단된 후보 마스크 영상을 배제하여 혈관 추출 결과를 생성할 수 있으므로, 기존 방법과 비교하여 보다 정확한 혈관 추출 결과를 생성할 수 있다. 더 나아가, 일 실시예에 따른 혈관 영상 추출 장치는 혈관의 정보(예를 들어, 혈관의 곡률 정보, 밝기 정보, 또는 분지 정보 등)가 전혀 없이도 복수의 혈관 분할 모델을 적용하여 추출된 복수의 후보 마스크 영상들만을 기초로 혈관 추출 결과를 생성하여 사용자에게 제시할 수 있다.
도 1은 혈관 조영 영상을 도시한다.
도 2는 혈관 조영 영상에 복수의 혈관 분할 모델들을 적용하여 대상 혈관에 대한 후보 마스크 영상들을 추출하는 과정을 도시한다.
도 3은 일 실시예에 따른 대상 혈관 추출 결과를 생성하는 방법을 도시한 흐름도이다.
도 4는 복수의 혈관 분할 모델들을 적용하여 추출된 후보 마스크 영상들에 대하여 후처리(post-processing)하는 과정을 설명한다.
도 5는 일 실시예에 따라 후보 마스크 영상들의 오류 레벨(error level)을 평가하여 대상 혈관 추출 결과를 생성하는 과정을 설명한다.
도 6은 후보 마스크 영상에 대하여 대상 혈관 영역을 지시하는 픽셀들의 연결성(connectivity)을 기초로 오류 레벨을 평가하는 과정을 설명한다.
도 7은 후보 마스크 영상에 대하여 대상 혈관을 지시하는 블롭(blob) 영역을 기초로 오류 레벨을 평가하는 과정을 설명한다.
도 8a은 후보 마스크 영상에서 검출된 메인 블롭(main blob)을 도시한다.
도 8b는 메인 블롭의 시작 지점으로부터 떨어진 거리에 따른 직경 크기에 대한 그래프를 도시한다.
도 8c는 메인 블롭의 시작 지점으로부터 떨어진 거리에 따른 밝기 강도(intensity)에 대한 그래프를 도시한다.
도 9는 후보 마스크 영상에 대하여 대상 혈관을 지시하는 영역에 대한 심선의 길이에 기초하여 오류 레벨을 평가하는 과정을 설명한다.
도 10은 일 실시예에 따른 혈관 영상 추출 장치를 대략적으로 도시한 블록도이다.
도 2는 혈관 조영 영상에 복수의 혈관 분할 모델들을 적용하여 대상 혈관에 대한 후보 마스크 영상들을 추출하는 과정을 도시한다.
도 3은 일 실시예에 따른 대상 혈관 추출 결과를 생성하는 방법을 도시한 흐름도이다.
도 4는 복수의 혈관 분할 모델들을 적용하여 추출된 후보 마스크 영상들에 대하여 후처리(post-processing)하는 과정을 설명한다.
도 5는 일 실시예에 따라 후보 마스크 영상들의 오류 레벨(error level)을 평가하여 대상 혈관 추출 결과를 생성하는 과정을 설명한다.
도 6은 후보 마스크 영상에 대하여 대상 혈관 영역을 지시하는 픽셀들의 연결성(connectivity)을 기초로 오류 레벨을 평가하는 과정을 설명한다.
도 7은 후보 마스크 영상에 대하여 대상 혈관을 지시하는 블롭(blob) 영역을 기초로 오류 레벨을 평가하는 과정을 설명한다.
도 8a은 후보 마스크 영상에서 검출된 메인 블롭(main blob)을 도시한다.
도 8b는 메인 블롭의 시작 지점으로부터 떨어진 거리에 따른 직경 크기에 대한 그래프를 도시한다.
도 8c는 메인 블롭의 시작 지점으로부터 떨어진 거리에 따른 밝기 강도(intensity)에 대한 그래프를 도시한다.
도 9는 후보 마스크 영상에 대하여 대상 혈관을 지시하는 영역에 대한 심선의 길이에 기초하여 오류 레벨을 평가하는 과정을 설명한다.
도 10은 일 실시예에 따른 혈관 영상 추출 장치를 대략적으로 도시한 블록도이다.
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 혈관 조영 영상을 도시한다.
혈관 조영술 영상은 혈관을 관찰하여 혈관 내의 문제 부위를 진단하고 필요한 시술 및 조치를 하기 위하여 활용된다. 환자의 혈관 내 병변의 종류 및 정도를 정량적으로 평가하기 위하여는 혈관의 정보를 알 수 있어야 하며, 혈관의 정보를 획득하기 위하여 혈관 조영술 영상으로부터 혈관을 분할하는 방법이 연구되고 있다. 일 실시예에 따르면 혈관 영상 추출 장치의 영상 수신부는 혈관 영상 촬영 장치에 의해 촬영된 혈관 조영술 영상(100)을 수신할 수 있다. 혈관 조영 영상은 생체(living body)의 혈관을 촬영한 영상으로서, 혈관조영술(coronary angiography, CAG) 영상 및/또는 자기공명영상(Magnetic Resonance Imaaging, MRI)을 이용하여 생성될 수 있다. 예시적으로, 혈관 영상은 조영제가 주입된 생체에 대해 엑스선 촬영함으로써 획득된 영상일 수 있다.
일 실시예에 따른 혈관 영상 추출 장치는 딥러닝을 기반으로 복수의 분할 모델을 사용하여 혈관 조영술 영상으로부터 혈관을 분할 할 수 있으며, 이하에서 구체적으로 혈관 조영술 영상으로부터 혈관을 분할하는 방법에 관하여 설명한다.
도 2는 혈관 조영 영상에 복수의 혈관 분할 모델들을 적용하여 대상 혈관에 대한 후보 마스크 영상들을 추출하는 과정을 도시한다.
혈관 영상 추출 장치는 수신한 혈관 조영 영상(210)으로부터 대상 혈관(target vessel)을 추출할 수 있다. 대상 혈관이란, 혈관 영상 추출 장치가 혈관 조영 영상으로부터 추출하고자 하는 혈관을 나타낼 수 있다. 혈관 영상 추출 장치는 하나 이상의 기계 학습 모델(machine learning model)에 기초하여 혈관 영상으로부터 대상 혈관을 추출할 수 있다. 기계 학습 모델은 혈관 영상의 입력에 응답하여 혈관 영상으로부터 대상 혈관을 추출하도록 설계된 기계 학습 구조를 갖는 하나 이상의 모델로서, 예를 들어, 뉴럴 네트워크(neural network)를 포함할 수 있다. 혈관 영상 추출 장치는 수신된 혈관 영상에 대해 상술한 기계 학습 모델에 따른 연산을 수행함으로써 대상 혈관의 추출 결과를 산출할 수 있다. 예를 들어, 기계 학습 모델의 출력 데이터는 혈관 영상의 복수의 픽셀들에서 각 픽셀이 대상 혈관을 지시할 가능성(예를 들어, 확률)에 대응하는 스코어(score)를 포함할 수 있다. 혈관 영상 추출 장치는 출력 데이터에서 임계 값 이상의 스코어를 갖는 픽셀을 대상 혈관으로 결정함으로써 대상 혈관의 추출 결과를 생성할 수 있다. 다른 예를 들어, 기계 학습 모델의 출력 데이터는, 혈관 영상으로부터 분할(segment)된 대상 혈관 영역으로서, 혈관 영상의 복수의 픽셀들 중 대상 혈관으로서 추출된 픽셀을 포함할 수 있다. 대상 혈관의 추출 결과는, 예를 들어, 혈관 영상의 픽셀들 중 대상 혈관으로서 추출된 픽셀들의 집합 및/또는 혈관 영상으로부터 분할된 대상 혈관 영역에 대응하는 영상(예를 들어, 대상 혈관 영상)일 수 있다.
참고로, 뉴럴 네트워크는 딥 뉴럴 네트워크(DNN, deep neural network)를 포함할 수 있다. DNN은 완전 연결 네트워크(fully connected network), 딥 컨볼루셔널 네트워크(deep convolutional network) 및 리커런트 뉴럴 네트워크(recurrent neural network) 등을 포함할 수 있다. 뉴럴 네트워크는 딥 러닝에 기반하여 비선형적 관계에 있는 입력 데이터 및 출력 데이터를 서로 매핑함으로써 객체 분류, 객체 인식, 및 레이더 이미지 인식 등을 수행할 수 있다. 딥 러닝은 빅 데이터 세트로부터 객체 인식과 같은 문제를 해결하기 위한 기계 학습 기법으로 지도식(supervised) 또는 비지도식(unsupervised) 학습을 통해 입력 데이터 및 출력 데이터를 서로 매핑할 수 있다. 지도식 학습의 경우, 상술한 기계 학습 모델은 트레이닝 입력(예를 들어, 트레이닝을 위한 혈관 영상) 및 해당 트레이닝 입력에 매핑된 트레이닝 출력(예를 들어, 트레이닝을 위한 혈관 영상에 대해 전문가 등에 의해 대상 혈관으로 분할된 참값(ground truth) 영상)의 쌍을 포함하는 트레이닝 데이터에 기초하여 트레이닝될 수 있다. 예를 들어, 기계 학습 모델은 트레이닝 입력으로부터 트레이닝 출력을 출력하도록 트레이닝될 수 있다. 트레이닝 중의 기계 학습 모델(이하, '임시 모델')은 트레이닝 입력에 응답하여 임시 출력을 생성할 수 있고, 임시 출력 및 트레이닝 출력(예를 들어, 참값) 간의 손실이 최소화되도록 트레이닝될 수 있다. 트레이닝 과정 동안 기계 학습 모델의 파라미터(예를 들어, 뉴럴 네트워크에서 노드들/레이어들 간의 연결 가중치)가 손실에 따라 업데이트될 수 있다.
상술한 바와 같이, 혈관 영상 추출 장치는 복수의 기계 학습 모델을 저장할 수 있다. 혈관 영상 추출 장치는 사용자의 입력에 따라 복수의 기계 학습 모델들 중 대상 혈관 추출에 사용할 기계 학습 모델을 선택적으로 이용할 수 있다. 예를 들어, 혈관 영상 추출 장치는 혈관의 종류별(예를 들어, 좌주관상동맥(Left Main Coronary Artery, LM), 좌전하행동맥(Left Anterior Descending Artery, LAD), 좌회선동맥(Left Circumflex Artery, LCX), 우관상동맥(Right Coronary Artery, RCA)) 및/또는 혈관 영역별(예를 들어, 근위 영역(proximal region), 중간 영역(mid region), 및 원위 영역(distal region)) 복수의 기계 학습 모델들을 저장할 수 있다. 참고로, 혈관 영역은 카테터(catheter)가 삽입되는 혈관 지점으로부터 떨어진 거리에 따라 근위 지점(proximal portion), 중간 영역(middle portion), 및 원위 영역(distal portion)으로 분류할 수 있으나, 이로 한정하지 않는다. 혈관 영역은 혈관 영상을 획득하기 위하여 조영제가 혈관 삽입부에 주입되는 지점으로부터 떨어진 거리 및 조영제가 주입될 수 있는 혈관 말단으로부터 떨어진 거리의 비율에 따라 분류할 수도 있다.
또한, 혈관 영상 추출 장치는 혈관의 종류 및 영역 별로 복수의 기계 학습 모델을 저장할 수 있다. 예를 들어, 혈관 영상 추출 장치는 좌주관상동맥(LM)을 대상 혈관으로 추출하기 위한 복수의 기계 학습 모델을 저장할 수 있다. 혈관 영상 추출 장치가 추출하는 대상 혈관의 종류는 사용자의 입력(input)에 따라 달라질 수 있다. 혈관 영상 추출 장치는 사용자로부터 추출하고자 하는 대상 혈관의 종류 및/또는 영역의 정보를 포함하는 사용자의 입력을 수신할 수 있다. 혈관 영상 추출 장치는 사용자의 입력을 수신하여, 추출하고자 하는 혈관의 종류 및/또는 영역을 선택하고, 선택된 혈관의 종류 및/또는 영역에 대응하는 하나 이상의 기계 학습 모델을 로딩할 수 있다. 예를 들어, 혈관 영상 추출 장치가 사용자의 입력을 수신하여 주혈관(main blood vessel)을 대상 혈관으로 추출하는 경우, 주혈관에 대응하는 하나 이상의 기계 학습 모델을 로딩할 수 있다. 다시 말해, 혈관 영상 추출 장치는 사용자의 입력에 따라 결정된 혈관의 종류 및/또는 영역에 대응하는 하나 이상의 기계 학습 모델을 로딩할 수 있다. 혈관 영상 추출 장치는 로딩된 하나 이상의 기계 학습 모델을 이용하여 혈관 영상으로부터 선택된 혈관의 종류 및/또는 영역에 대응하는 대상 혈관의 추출 결과들을 생성할 수 있다. 혈관 영상 추출 장치에 저장된 기계 학습 모델들의 각각은 혈관의 종류 및/또는 영역에 대응하는 트레이닝 데이터에 기초하여 각각 트레이닝 될 수 있다. 혈관의 종류 및/또는 영역 별로 기계 학습 모델들의 트레이닝된 파라미터는 서로 다를 수 있고, 서로 기계 학습 구조(예를 들어, 컨볼루션 뉴럴 네트워크, U-net 구조 등)가 다를 수도 있다. 혈관의 종류 및/또는 영역이 동일한 복수의 기계 학습 모델들 또한 트레이닝된 파라미터가 서로 다를 수 있으며, 서로 기계 학습 구조가 다를 수도 있다. 따라서, 혈관 영상 추출 장치는 사용자의 입력에 따라 선택된 혈관의 종류 및/또는 영역에 대응하는 하나 이상의 기계 학습 모델을 로딩할 수 있고, 하나 이상의 기계 학습 모델은 대상 혈관의 종류 및/또는 영역은 동일하지만, 서로 다른 대상 혈관을 추출할 수 있다. 이하에서는, 혈관 영상 추출 장치가 대상 혈관을 추출하기 위하여 적용하는 기계 학습 모델을 혈관 분할 모델이라고 한다.
일 실시예에 따른 혈관 영상 추출 장치는 혈관 영상으로부터 복수의 혈관 분할 모델들을 적용하여 대상 혈관 추출 결과를 생성할 수 있다.
먼저, 혈관 영상 추출 장치는 혈관 영상에 복수의 혈관 분할 모델들을 적용하여 대상 혈관에 대한 복수의 후보 마스크 영상들을 추출할 수 있다. 혈관 영상 추출 장치의 영상 수신부는 혈관 영상 촬영 장치에 의해 촬영된 혈관 조영술 영상(210)을 수신할 수 있다. 혈관 영상 추출 장치는 사용자의 입력을 수신하여 추출하고자 하는 대상 혈관의 종류 및/또는 영역을 선택하고, 선택된 혈관의 종류 및/또는 영역에 대응하는 복수의 혈관 분할 모델들(211, 222, 223)을 로딩할 수 있다. 혈관 영상 추출 장치는 혈관 조영술 영상(210)을 로딩된 복수의 혈관 분할 모델들에 적용하여 대상 혈관에 대한 후보 마스크 영상들(231, 232, 233)을 추출할 수 있다. 예를 들어, 혈관 조영술 영상(210)에 로딩된 제1 혈관 분할 모델(221)을 적용하여 대상 혈관에 대한 제1 후보 마스크 영상(231)을 추출할 수 있고, 제2 혈관 분할 모델(222)을 적용하여 대상 혈관에 대한 제2 후보 마스크 영상(232)을 추출할 수 있다. 복수의 혈관 분할 모델들(221, 222, 223)은 혈관 조영술 영상에서 추출하고자 하는 대상 혈관의 종류 및/또는 영역이 동일하더라도, 기계 학습 모델들의 트레이닝된 파라미터 및 기계 학습 구조가 서로 다르기 때문에 서로 다른 대상 혈관에 대한 후보 마스크 영상들을 추출한다.
도 3은 일 실시예에 따른 대상 혈관 추출 결과를 생성하는 방법을 도시한 흐름도이다.
먼저, 혈관 영상 추출 장치는 사용자의 입력에 따라 추출 결과를 생성할 대상 혈관에 대한 종류 및 영역을 선택하여, 해당 대상 혈관 추출에 사용할 복수의 혈관 분할 모델들을 로딩할 수 있다. 단계(310)에서 혈관 영상 추출 장치는 영상 수신부로부터 수신한 혈관 영상(blood vessel image)에 로딩된 복수의 혈관 분할 모델들을 적용하여 혈관 분할 모델 마다 대상 혈관에 대한 후보 마스크 영상을 추출할 수 있다. 단계(320)에서는, 혈관 영상 추출 장치는 추출된 후보 마스크 영상들 각각에 대하여 오류 레벨(error level)을 평가할 수 있다. 단계(330)에서는, 후보 마스크 영상들 각각에 대해 평가된 오류 레벨에 기초하여 대상 혈관 추출 결과를 생성할 수 있다.
도 4는 복수의 혈관 분할 모델들을 적용하여 추출된 후보 마스크 영상들에 대하여 후처리(post-processing)하는 과정을 설명한다.
혈관 영상 추출 장치는 복수의 혈관 분할 모델들을 적용하여 대상 혈관에 대한 후보 마스크 영상들을 추출한 후, 후보 마스크 영상들에 대하여 후처리(post-processing)할 수 있다. 다시 말해, 혈관 영상 추출 장치는 추출된 후보 마스크 영상들에 대하여 후처리를 진행한 후, 후처리된 복수의 후보 마스크 영상들에 대하여 오류 레벨(error level)을 평가할 수 있다.
구체적으로, 후처리 과정 중 단계(410)에서는 후보 마스크 영상들 각각에 대하여 구멍을 메울 수 있다. 구멍 메우기(hole filling)란, 주변 픽셀을 이용하여 후보 마스크 영상의 구멍(hole)을 채우는 것을 의미한다. 예시적으로, 혈관 조영술 영상에서 혈관 분할 모델을 적용하여 대상 혈관에 대한 후보 마스크 영상을 추출하는 경우, 추출된 후보 마스크 영상 내에서 일부 픽셀에 대한 검출 실패로 인한 구멍들이 발생할 수 있다. 후보 마스크 영상내 일부 픽셀에 대하여 해당 픽셀 영역을 채울 정보가 누락되는 경우가 발생하여, 해당 픽셀 영역이 빈 영역(hole)으로 남게 되는 경우가 발생할 수 있다. 혈관 영상 추출 장치는 후보 마스크 영상에서 구멍이 존재하는 경우, 주변 픽셀들을 이용하여 영상의 구멍(hole)을 메울 수 있다. 예를 들어, 혈관 영상 추출 장치는 추출된 후보 마스크 영상에서 대상 혈관을 지시하는 영역 내부에 구멍이 존재하는 경우, 구멍에 해당하는 복수의 픽셀에 대하여 대상 혈관을 지시하도록 픽셀의 정보를 변경할 수 있다.
이후, 후처리 과정 중 단계(420)에서는 후보 마스크 영상들 각각에 대하여 대상 혈관을 지시하는 영역들 중 제1 임계 값(threshold value) 이하의 픽셀 수로 구성된 블롭(blob)들을 제거할 수 있다. 본 명세서에서 블롭(blob)이란 유사한 정보를 가지는 픽셀들이 서로 연결된 영역으로서, 대상 혈관을 지시하는 픽셀들이 서로 연결된 영역을 나타낼 수 있다. 혈관 영상 추출 장치는 대상 혈관을 지시하는 영역들 중 제1 임계 값 이하의 픽셀 수로 구성된 블롭들을 제거함으로써, 제1 임계 값을 초과하는 픽셀 수로 구성된 블롭들만을 후보 마스크 영상에서 대상 혈관을 지시하도록 후처리할 수 있다. 제1 임계 값은 사용자의 입력에 따라 조절될 수 있다.
정리하면, 혈관 영상 추출 장치는 대상 혈관에 대한 후보 마스크 영상들을 혈관 분할 모델 마다 추출하고, 추출된 후보 마스크 영상들 마다 단계(410) 및 단계(420)을 거쳐 후처리가 이루어진 후 후보 마스크 영상들 각각에 대하여 오류 레벨(error level)을 평가할 수 있다. 이하에서는, 후보 마스크 영상들에 대하여 오류 레벨을 평가하는 과정을 설명한다.
도 5는 일 실시예에 따라 후보 마스크 영상들의 오류 레벨(error level)을 평가하여 대상 혈관 추출 결과를 생성하는 과정을 설명한다.
혈관 영상 추출 장치는 혈관 영상에 로딩된 복수의 혈관 분할 모델들을 적용하여 대상 혈관에 대한 후보 마스크 영상들(511, 512, 513, 514, 515)을 혈관 분할 모델 마다 추출할 수 있다. 혈관 영상 추출 장치는 추출된 후보 마스크 영상들 마다 후처리를 거친 후, 후보 마스크 영상들 각각에 대하여 오류 레벨(error level)을 평가할 수 있다. 혈관 영상 추출 장치는 후보 마스크 영상들 각각에 대하여 대상 혈관 영역을 지시하는 픽셀들의 연결성(connectivity)을 기초로 오류 레벨을 평가할 수 있다. 또한, 혈관 영상 추출 장치는 후보 마스크 영상들 각각에 대하여 블롭(blob), 대상 혈관을 지시하는 영역의 토폴로지(topology), 또는 대상 혈관을 지시하는 영역에 대한 중심선(centerline)의 길이에 기초하여 오류 레벨을 평가할 수도 있다. 중심선(centerline)이란, 후보 마스크 영상 내에서 대상 혈관을 지시하는 영역의 중심을 통과하는 선을 의미할 수 있다.
혈관 영상 추출 장치는 추출된 후보 마스크 영상들(511, 512, 513, 514, 515) 각각에 대하여 오류 레벨을 평가한 후, 평가된 오류 레벨에 기초하여 후보 마스크 영상들(511, 512, 513, 514, 515)로부터 대상 혈관 추출 결과(520)를 생성할 수 있다. 일 실시예에 따르면, 혈관 영상 추출 장치는 평가된 오류 레벨에 기초하여, 평가된 후보 마스크 영상들 중으로부터 일부의 후보 마스크 영상들(511, 513, 515)만을 사용하여 대상 혈관 추출 결과를 생성할 수 있다. 예시적으로, 혈관 영상 추출 장치는 후보 마스크 영상들 중 가장 평가가 높은 후보 마스크 영상을 대상 혈관 추출 결과로 사용할 수 있다. 다른 예로, 혈관 영상 추출 장치는 후보 마스크 영상들 중 명백히 오류로 평가된 후보 마스크 영상들을 배제한 나머지 후보 마스크 영상들을 조합함으로써 대상 혈관 추출 결과를 생성할 수도 있다.
도 6은 후보 마스크 영상에 대하여 대상 혈관 영역을 지시하는 픽셀들의 연결성(connectivity)을 기초로 오류 레벨을 평가하는 과정을 설명한다.
혈관 영상 추출 장치는 추출된 개별 후보 마스크 영상 마다 대상 혈관 영역을 지시하는 픽셀들의 연결성(connectivity)을 기초로 오류 레벨을 평가할 수 있다. 혈관 영상 추출 장치는 후보 마스크 영상(600)에서 대상 혈관 영역을 지시하는 픽셀들이 적어도 하나 이상 분리된 경우, 해당 후보 마스크 영상(600)을 오류로 평가할 수 있다.
일 실시예에 따르면, 혈관 영상 추출 장치는 후보 마스크 영상(600)을 구성하는 픽셀들 각각에 대하여 대상 혈관을 지시하는 픽셀에 해당하는지 여부를 판단할 수 있다. 예를 들어, 혈관 영상 추출 장치는 후보 마스크 영상(600) 내의 픽셀 마다 픽셀 값(value)을 부여할 수 있다. 후보 마스크 영상(600)에서 각 픽셀의 픽셀 값은 해당 픽셀 위치가 대상 혈관을 지시하는(indicate) 지 여부를 나타낼 수 있다. 예를 들어, 혈관 영상 추출 장치는 후보 마스크 영상(600) 내에서 개별 픽셀 마다 부여된 픽셀 값을 임계 값과 비교할 수 있다. 픽셀 값이 임계 값을 초과하는 경우 해당 픽셀을 대상 혈관을 지시하는 픽셀로 판단할 수 있고, 픽셀 값이 임계 값 이하인 경우 해당 픽셀을 대상 혈관을 지시하지 않는 픽셀로 판단할 수 있다.
혈관 영상 추출 장치는 혈관 분할 모델로부터 추출된 후보 마스크 영상에 대하여 제1 임계 값 이하의 크기를 갖는 블롭들을 후처리 과정을 통하여 미리 제거한 상태이며, 대상 혈관은 분리되지 않고 연결되는 것이 일반적이므로, 후처리 이후의 후보 마스크 영상에서 대상 혈관을 지시하는 픽셀들은 서로 연결되는 것이 일반적이다. 따라서, 혈관 영상 추출 장치는 후보 마스크 영상(600)에서 대상 혈관 영역을 지시하는 픽셀들이 적어도 하나 이상 분리된 경우, 해당 후보 마스크 영상을 오류로 평가할 수 있다. 예를 들어, 후보 마스크 영상(600)은 대상 혈관을 지시하는 픽셀들이 서로 연결된 제1 블롭(610) 및 제2 블롭(620)을 포함할 수 있다. 혈관 영상 추출 장치는 서로 분리되어 배치된 제1 블롭(610) 및 제2 블롭(620)을 기초로, 후보 마스크 영상(600)을 오류로 평가할 수 있다. 다시 말해, 혈관 영상 추출 장치는 후보 마스크 영상(600)에서 제1 블롭(610)을 구성하는 픽셀들과 제2 블롭(620)을 구성하는 픽셀들이 서로 분리되어 있으므로, 해당 후보 마스크 영상(600)을 오류로 평가할 수 있다.
도 7은 후보 마스크 영상에 대하여 대상 혈관을 지시하는 블롭(blob)을 기초로 오류 레벨을 평가하는 과정을 설명한다.
혈관 영상 추출 장치는 개별 후보 마스크 영상에 대하여 대상 혈관을 지시하는 블롭들을 기초로 오류 레벨을 평가할 수 있다. 혈관 영상 추출 장치는 후보 마스크 영상(700)에서 대상 혈관을 지시하는 픽셀들이 서로 연결되어 픽셀 덩어리로 나타나는 하나 이상의 블롭들을 검출할 수 있다. 대상 혈관은 서로 연결된 혈관 분지들로 길게 연결되어 구성되는 것이 일반적이므로, 혈관 영상 추출 장치는 후보 마스크 영상(700)에서 검출된 하나 이상의 블롭들 중 가장 많은 수의 픽셀들로 구성된 블롭(710)을 사용자가 추출하고자 하는 대상 혈관과 가장 가까운 블롭으로 판단할 수 있다. 이하에서는, 후보 마스크 영상에 대하여 검출된 블롭들 중 가장 픽셀의 개수가 많은 블롭을 메인 블롭(main blob)이라고 한다. 혈관 영상 추출 장치는 후보 마스크 영상에서 메인 블롭(710) 이외의 다른 블롭들(721, 722, 723, 724)을 대상 혈관과 관련성이 적은 영역으로 판단할 수 있다. 혈관 영상 추출 장치는 후보 마스크 영상(700)에 대하여 메인 블롭(710) 이외의 다른 블롭들(721, 722, 723, 724)이 다수 검출되는 경우, 해당 후보 마스크 영상을 오류로 평가할 수 있다. 구체적으로, 혈관 영상 추출 장치는 후보 마스크 영상(700)에 대하여 메인 블롭 이외의 블롭들(721, 722, 723, 724)을 구성하는 픽셀의 수가 후보 마스크 영상(700) 내에서 대상 혈관을 지시하는 픽셀 수와 비교하여 제1 임계 비율 이상인 경우, 해당 후보 마스크 영상(700)을 오류로 평가할 수 있다. 예를 들어, 그러나 한정되지 않게, 제1 임계 비율은 5%를 나타낼 수 있다.
도 8 내지 도 10은 후보 마스크 영상에 대하여 대상 혈관을 지시하는 영역의 토폴로지(topology)에 기초하여 오류 레벨을 평가하는 과정을 설명한다.
혈관 영상 추출 장치는 혈관 분할 모델을 적용하여 추출된 후보 마스크 영상에 대하여 대상 혈관을 지시하는 영역의 토폴로지에 기초하여 후보 마스크 영상의 오류 레벨을 평가할 수 있다. 대상 혈관을 지시하는 영역의 토폴로지(topology)란, 대상 혈관을 지시하는 영역의 직경(diameter) 정보, 밝기(brightness) 정보, 곡률 정보, 및 구조 데이터를 의미할 수 있다. 구체적으로, 혈관 영상 추출 장치는 후보 마스크 영상에 대하여 대상 혈관을 지시하는 복수개의 블롭들 중 메인 블롭(main blob) 영역에 대한 토폴로지를 기초로 후보 마스크 영상에 대한 오류 레벨을 평가할 수 있다.
도 8a은 후보 마스크 영상에서 검출된 메인 블롭(main blob)을 도시한다.
일 실시예에 따르면, 혈관 영상 추출 장치는 후보 마스크 영상(800)에서 메인 블롭(811)을 검출할 수 있다. 혈관 영상 추출 장치는 검출된 메인 블롭(811)에 대응하는 영역의 중심을 통과하는 선을 후보 마스크 영상(800)의 중심선(centerline, 820)으로 결정할 수 있다. 또한, 혈관 영상 추출 장치는 검출된 메인 블롭(811)의 시작 지점(812)을 대상 혈관의 시작 지점으로 판단할 수 있다. 이하에서는, 대상 혈관을 지시하는 영역의 토폴로지를 기초하여 오류 레벨을 평가하는 구체적인 과정에 대하여 설명한다.
도 8b는 메인 블롭의 시작 지점으로부터 떨어진 거리에 따른 직경 크기에 대한 그래프를 도시한다.
혈관 영상 추출 장치는 후보 마스크 영상(800)에 대하여 대상 혈관을 지시하는 영역의 직경 정보에 기초하여 오류 레벨을 평가할 수 있다. 먼저, 혈관 영상 추출 장치는 해당 후보 마스크 영상(800)에 대하여 메인 블롭(811)에서 대상 혈관의 시작 지점으로 판단되는 메인 블롭(811)의 시작 지점(812)을 결정할 수 있다. 혈관 영상 추출 장치는 메인 블롭(811)의 시작 지점(812)으로부터 중심선(820)을 따라 떨어진 거리에 대응하는 혈관 영역의 직경 크기를 결정할 수 있다. 그래프(841)는 메인 블롭(811)의 시작 지점(812)으로부터 중심선(820)을 따라 떨어진 거리에 따른 혈관 직경 크기를 나타낸다. 혈관 영상 추출 장치는 후보 마스크 영상(800) 내에서 검출된 메인 블롭(811) 영역에서의 혈관 직경(diameter) 크기를 이용하여 추세선(trend line, 842)을 산출할 수 있다.
혈관 영상 추출 장치는 후보 마스크 영상(800)에 대하여 메인 블롭(811)에 대한 혈관 직경의 크기를 이용하여, 대상 혈관을 지시하는 영역의 직경 크기에 대한 추세선(842)을 산출할 수 있다. 혈관의 직경은 혈관의 말단을 따라 좁아지는 것이 일반적이므로, 대상 혈관을 지시하는 영역의 직경에 대한 추세선보다 위쪽으로 큰 직경을 갖는 혈관 부분은 대상 혈관으로 잘못 검출된 영역일 수 있다. 따라서, 혈관 영상 추출 장치는 대상 혈관을 지시하는 영역의 직경 크기를 기초로 산출된 추세선을 기준으로, 대상 혈관을 지시하는 영역 중 추세선(842)으로부터 제2 임계 비율 이상의 직경 차이를 갖는 영역(843)이 존재하는 경우, 후보 마스크 영상(800)을 오류로 판단할 수 있다. 예를 들어, 그러나 한정되지 않게, 제2 임계 비율은 20%를 나타낼 수 있다.
더 나아가 혈관 영상 추출 장치는 수신한 혈관 조영술 영상으로부터 병변 영역을 검출한 경우, 후보 마스크 영상(800)에 대하여 대상 혈관을 지시하는 영역 중 병변 영역을 제외한 영역의 직경 크기를 기초로 추세선을 산출할 수도 있다. 예를 들어, 혈관 영상 추출 장치가 암으로 판단되는 병변 영역을 검출한 경우, 대상 혈관을 지시하는 영역 중 암으로 판단되는 병변 영역을 제외한 영역의 직경 크기에 대한 추세선을 산출할 수 있다. 혈관 영상 추출 장치는 병변 영역을 제외하고 산출된 추세선을 기준으로, 대상 혈관을 지시하는 영역 중 추세선으로부터 제2 임계 비율 이상의 직경 차이를 갖는 영역이 존재하는 경우, 후보 마스크 영상을 오류로 판단할 수 있다.
도 8c는 메인 블롭의 시작 지점으로부터 떨어진 거리에 따른 밝기 강도(intensity)에 대한 그래프를 도시한다.
혈관 영상 추출 장치는 후보 마스크 영상(800)에 대하여 대상 혈관을 지시하는 영역의 밝기 강도에 기초하여 오류 레벨을 평가할 수 있다. 예를 들어, 대상 혈관을 지시하는 영역의 밝기 강도는 혈관 영상을 획득하기 위하여 투여한 조영제의 분포 농도를 나타낼 수 있다. 먼저, 혈관 영상 추출 장치는 해당 후보 마스크 영상(800)에 대하여 메인 블롭(811)에서 대상 혈관의 시작 지점으로 판단되는 메인 블롭(811)의 시작 지점(812)을 결정할 수 있다. 혈관 영상 추출 장치는 메인 블롭(811)의 시작 지점(812)으로부터 중심선(820)을 따라 떨어진 거리에 대응하는 혈관 영역의 밝기 강도를 결정할 수 있다. 그래프(851)는 메인 블롭(811)의 시작 지점(812)으로부터 중심선(820)을 따라 떨어진 거리에 따른 혈관 밝기 강도를 나타낸다. 혈관 영상 추출 장치는 후보 마스크 영상(800) 내에서 검출된 메인 블롭(811) 영역에서의 혈관 밝기 강도를 이용하여 추세선(852)을 산출할 수 있다.
혈관 영상 추출 장치는 후보 마스크 영상(800)에 대하여 메인 블롭(811)에 대한 혈관의 밝기 강도를 이용하여, 대상 혈관을 지시하는 영역의 밝기 강도에 대한 추세선(852)을 산출할 수 있다. 일반적으로 인접한 혈관 사이에서는 조영제의 분포가 크게 차이 나지 않기 때문에, 인접한 혈관을 지시하는 픽셀들 사이의 밝기의 강도 변화가 크게 나타나지 않아야 한다. 혈관 영상 추출 장치는 후보 마스크 영상(800)에서 대상 혈관을 지시하는 영역의 밝기 강도 변화에 따라 해당 후보 마스크 영상에 대한 오류를 평가할 수 있다. 구체적으로, 혈관 영상 추출 장치는 후보 마스크 영상(800)에서 대상 혈관을 지시하는 영역의 밝기 강도를 기초로 산출된 추세선(852)을 기준으로, 대상 혈관을 지시하는 영역 중 추세선(852)으로부터 제3 임계 비율 이상의 밝기 강도 차이를 갖는 영역(853)이 존재하는 경우, 해당 후보 마스크 영상(800)을 오류로 판단할 수 있다. 예를 들어, 그러나 한정되지 않게, 제3 임계 비율은 30%를 나타낼 수 있다.
이외에도, 혈관 영상 추출 장치는 후보 마스크 영상에 대하여 대상 혈관을 지시하는 영역의 구조 데이터 또는 곡률 정보를 이용하여 오류 레벨을 평가할 수도 있다.
일 실시예에 따르면, 혈관 영상 추출 장치는 대상 혈관을 지시하는 영역의 구조 데이터를 이용하여 후보 마스크 영상에 대한 오류 레벨을 평가할 수 있다. 예시적으로, 혈관 영상 추출 장치가 사용자의 입력을 수신하여 주혈관(main blood vessel)을 대상 혈관으로 추출할 수 있다. 주혈관은 혈관 영역에서 중요한 한 개의 혈관을 나타내는 것으로, y자 형태의 분지 영역이 발생하지 않는 것이 일반적이다. 따라서, 혈관 영상 추출 장치가 후보 마스크 영상에서 주혈관을 지시하는 영역 내에서 y자 형태의 분지 영역을 검출된 경우, 해당 후보 마스크 영상을 오류로 평가할 수 있다. 상술한 실시예는 대상 혈관이 주혈관인 경우의 예시에 불과하며, 혈관 영상 추출 장치는 사용자로부터 수신한 대상 혈관의 종류에 따라 서로 다른 방법으로 후보 마스크 영상 내에서 대상 혈관을 지시하는 영역의 구조 데이터를 평가함으로써, 후보 마스크 영상의 오류 레벨을 평가할 수 있다.
일 실시예에 따르면, 혈관 영상 추출 장치는 대상 혈관을 지시하는 영역의 곡률 정보를 이용하여 후보 마스크 영상에 대한 오류 레벨을 평가할 수도 있다. 예시적으로, 혈관 영상 추출 장치는 후보 마스크 영상에서 대상 혈관을 지시하는 영역 내에 분지 영역이 존재하는 경우, 서로 인접한 분지 영역 사이의 곡률이 임계 곡률이 초과하는 경우에 응답하여 해당 후보 마스크 영상을 오류로 평가할 수 있다.
도 9는 후보 마스크 영상에 대하여 대상 혈관을 지시하는 영역에 대한 심선의 길이에 기초하여 오류 레벨을 평가하는 과정을 설명한다.
혈관 영상 추출 장치는 후보 마스크 영상(900)에 대하여 대상 혈관을 지시하는 영역에 대한 중심선의 길이에 기초하여 오류 레벨을 평가할 수 있다. 혈관 영상 추출 장치는 후보 마스크 영상(900)에 대하여 대상 혈관을 지시하는 블롭들 중 메인 블롭(910)에 대한 중심선(920)의 길이에 기초하여 오류 레벨을 평가할 수 있다. 혈관 영상 추출 장치는 후보 마스크 영상(900)에서 대상 혈관을 지시하는 메인 블롭(910)에 대한 중심선(920) 길이가 제1 임계 길이 이하인 경우, 후보 마스크 영상(900)을 오류로 평가할 수 있다. 제1 임계 길이는 혈관 영상 처리 장치가 사용자로부터 수신하는 대상 혈관의 종류 및 영역에 따라 서로 다르게 설정될 수 있다. 예를 들어, 좌주관상동맥(LM)은 일반적으로 1.0 cm 내지 2.5 cm의 길이를 가지므로, 제1 임계 길이는 0.5cm로 설정될 수 있다.
이하에서는, 후보 마스크 영상들 각각에 대하여 평가된 오류 레벨에 기초하여 대상 혈관 추출 결과를 생성하는 과정을 설명한다.
앞서 설명된 바와 같이, 일 실시예에 따르면 혈관 영상 추출 장치는 후보 마스크 영상들 각각에 대하여 오류 레벨을 평가하여, 평가된 후보 마스크 영상들 중으로부터 일부의 후보 마스크 영상만을 사용하여 대상 혈관 추출 결과를 생성할 수 있다. 일 실시예에 따르면, 혈관 영상 추출 장치는 평가된 후보 마스크 영상들 중 오류로 평가된 후보 마스크 영상을 배제한 나머지 후보 마스크 영상들을 기초로 대상 혈관 추출 결과를 생성할 수 있다. 다시 말해, 혈관 영상 추출 장치는 후보 마스크 영상들 중 명백히 오류라고 판단된 후보 마스크 영상들을 배제한 후, 나머지 후보 마스크 영상들을 조합하여 대상 혈관 추출 결과를 생성할 수 있다. 혈관 영상 추출 장치는 명백히 오류라고 판단되는 후보 마스크 영상들을 배제하여 대상 혈관 추출 결과를 생성함으로써, 사용자가 추출하고자 하는 대상 혈관을 보다 정확하게 추출할 수 있다.
일 실시예에 따르면, 혈관 영상 추출 장치는 오류로 평가된 후보 마스크 영상을 배제한 나머지 후보 마스크 영상들을 개별 픽셀 마다 조합함으로써 대상 혈관 추출 결과를 생성할 수 있다.
일 실시예에 따르면, 혈관 영상 추출 장치는 개별 픽셀 마다 오류로 평가되지 않은 후보 마스크 영상들 중 다수가 지시하는 정보에 따라 픽셀이 대상 혈관을 지시하는(indicate) 지 여부를 판단할 수 있다. 예를 들어, 혈관 영상 추출 장치는 임의의 픽셀에 대하여 해당 픽셀을 대상 혈관으로 지시하는 후보 마스크 영상의 수가 해당 픽셀을 대상 혈관으로 지시하지 않는 후보 마스크 영상의 수 보다 많은 경우, 해당 픽셀이 대상 혈관을 지시하는 것으로 판단할 수 있다.
다른 일 실시예에 따르면, 혈관 영상 추출 장치는 개별 픽셀 마다 오류로 평가되지 않은 후보 마스크 영상들 내에서 대응되는 픽셀에 부여된 픽셀 값들의 평균(average)을 산출함으로써 해당 픽셀이 대상 혈관을 지시하는 지 여부를 판단할 수도 있다. 예를 들어, 혈관 영상 추출 장치는 임의의 픽셀에 대하여 후보 마스크 영상들 내에서 대응되는 픽셀에 부여된 픽셀 값의 평균이 임계 값을 초과하는 경우 해당 픽셀을 대상 혈관을 지시하는 픽셀로 판단할 수 있다. 그러나, 상술한 예들은 하나의 실시예에 불과하며, 다른 다양한 방법으로 오류로 평가된 후보 마스크 영상들을 배제한 나머지 후보 마스크 영상들을 이용하여 대상 혈관 추출 결과를 생성할 수도 있다.
일 실시예에 따르면, 혈관 영상 추출 장치가 추출된 모든 후보 마스크 영상들을 명백한 오류로 평가한 경우, 혈관 영상 추출 장치는 추출된 후보 마스크 영상들 중 오류 레벨이 가장 낮은 후보 마스크 영상을 선별하거나 미리 설정된 오류 레벨 이하인 후보 마스크 영상들을 선별함으로써 대상 혈관 추출 결과를 생성할 수 있다. 구체적으로, 혈관 영상 추출 장치가 추출된 모든 후보 마스크 영상들을 명백한 오류로 평가한 경우, 혈관 영상 추출 장치는 추출된 후보 마스크 영상들 각각에 대하여 개별 오류 평가 기준에 따라 오류 점수(error score)를 산출하는 방식으로 오류 레벨을 평가할 수 있다. 오류 평가 기준에 따라 오류 점수를 산출하는 구체적인 방법은 후술한다. 일 실시예에 따르면, 혈관 영상 추출 장치는 추출된 후보 마스크 영상들이 모두 명백한 오류로 평가된 경우, 오류 레벨이 가장 낮은 후보 마스크 영상을 이용하여 대상 혈관 추출 결과를 생성할 수 있다. 다른 일 실시예에 따르면, 혈관 영상 추출 장치는 추출된 후보 마스크 영상들이 모두 명백한 오류로 평가된 경우, 미리 설정된 오류 레벨 이하인 후보 마스크 영상들을 선별하여 대상 혈관 추출 결과를 생성할 수 있다. 예를 들어, 혈관 영상 추출 장치는 선별된 후보 마스크 영상들 중 다수가 지시하는 정보에 따라 픽셀이 대상 혈관을 지시하는 지 여부를 판단할 수 있다. 다른 예를 들어, 혈관 영상 추출 장치는 개별 픽셀 마다 선별된 후보 마스크 영상들 내에서 대응되는 픽셀에 부여된 픽셀 값들의 평균을 산출함으로써 해당 픽셀이 대상 혈관을 지시하는 지 여부를 판단할 수도 있다.
한편, 다른 일 실시예에 따르면 혈관 영상 처리 장치는 추출된 후보 마스크 영상들 각각에 대하여 명백한 오류를 먼저 판단하는 방식이 아닌, 처음부터 개별 오류 평가 기준에 따라 오류 점수(error score)를 산출하는 방식으로 오류 레벨을 평가할 수도 있다. 이하에서는, 후보 마스크 영상들 각각에 대하여 오류 점수를 산출함으로써 대상 혈관 추출 결과를 생성하는 과정을 설명한다.
혈관 영상 처리 장치는 추출된 후보 마스크 영상들 각각에 대하여 오류 레벨을 평가할 수 있다. 일 실시예에 따르면, 혈관 영상 처리 장치는 후보 마스크 영상 각각에 대하여 대상 혈관 영역을 지시하는 픽셀들의 연결성(connectivity)을 기초로 오류 점수를 산출하고, 대상 혈관을 지시하는 블롭(blob) 영역에 기초하여 오류 점수를 산출하고, 대상 혈관을 지시하는 영역의 토폴로지(topology)에 기초하여 오류 점수를 산출하며, 대상 혈관을 지시하는 영역에 대한 중심선(centerline)의 길이에 기초하여 오류 점수를 각각 산출할 수 있다. 혈관 영상 처리 장치는 후보 마스크 영상에 대하여 개별 오류 평가 기준에 따른 오류 점수를 합산함으로써 후보 마스크 영상에 대한 오류 레벨을 평가할 수 있다. 일 실시예에 따르면, 혈관 영상 처리 장치는 오류 평가 기준 마다 가중치(weight)를 다르게 부여하여 오류 점수를 합산함으로써 후보 마스크 영상에 대한 오류 레벨을 평가할 수도 있다. 예를 들어, 후보 마스크 영상에서 블롭 영역에 기초하여 산출된 오류 점수에 대한 가중치를 토폴로지에 기초하여 산출된 오류 점수에 대한 가중치보다 높게 설정하여 합산할 수 있다.
혈관 영상 처리 장치는 후보 마스크 영상 각각에 대하여 개별 평가 기준에 따라 산출된 오류 점수를 합산함으로써 대상 혈관을 결정할 수 있다. 일 실시예에 따르면, 추출된 후보 마스크 영상들 중 오류 평가 기준 마다 산출된 오류 점수의 합산이 가장 낮은 후보 마스크 영상을 이용하여 대상 혈관 추출 결과를 생성할 수 있다.
다른 일 실시예에 따르면, 추출된 후보 마스크 영상들 중 개별 평가 기준에 따라 산출된 오류 점수의 합산이 제2 임계 값 이상인 후보 마스크 영상을 배제하고, 나머지 후보 마스크 영상을 조합하여 대상 혈관 추출 결과를 생성할 수 있다. 예를 들어, 혈관 영상 추출 장치는 개별 픽셀 마다 오류 점수의 합산이 제2 임계 값 미만인 후보 마스크 영상들 중 다수가 지시하는 정보에 따라 픽셀이 대상 혈관을 지시하는 지 여부를 판단할 수 있다. 예를 들어, 혈관 영상 추출 장치는 임의의 픽셀에 대하여 해당 픽셀을 대상 혈관으로 지시하는 후보 마스크 영상의 수가 해당 픽셀을 대상 혈관으로 지시하지 않는 후보 마스크 영상의 수보다 많은 경우, 해당 픽셀이 대상 혈관을 지시하는 것으로 판단할 수 있다. 다른 예를 들어, 혈관 영상 추출 장치는 개별 픽셀 마다 오류 점수의 합산이 제2 임계 값 미만인 후보 마스크 영상들 내에서 대응되는 픽셀에 부여된 픽셀 값들의 평균을 산출함으로써 해당 픽셀이 대상 혈관을 지시하는 지 여부를 판단할 수도 있다. 다시 말해, 혈관 영상 추출 장치는 임의의 픽셀에 대하여 후보 마스크 영상들 내에서 대응되는 픽셀에 부여된 픽셀 값의 평균이 임계 값을 초과하는 경우 해당 픽셀을 대상 혈관을 지시하는 픽셀로 판단할 수 있다.
도 10은 일 실시예에 따른 혈관 영상 추출 장치를 대략적으로 도시한 블록도이다.
일 실시예에 따른 혈관 영상을 추출하는 시스템(1000)은 혈관 영상 추출 장치(1010) 및 혈관 영상 촬영 장치(1020)을 포함할 수 있다. 혈관 영상 추출 장치(1010)는 영상 수신부(1011), 프로세서(1012), 및 메모리(1013)를 포함할 수 있다. 영상 수신부(1011)는 혈관 영상 촬영 장치(1020)에 의해 촬영된 혈관 영상을 수신할 수 있다. 메모리(1013)는 대상 혈관 종류 및 영역 별로 혈관 분할 모델들을 저장할 수 있다. 프로세서(1012)는 메모리(1013)에 저장된 혈관 분할 모델들을 로딩하여 영상 수신부로부터 수신한 혈관 영상으로부터 복수의 혈관 분할 모델들을 적용하여 후보 마스크 영상들을 추출할 수 있다. 또한, 프로세서(1012)는 추출된 후보 마스크 영상들 각각에 대하여 오류 레벨을 평가하고, 평가된 오류 레벨에 기초하여 후보 마스크 영상들로부터 대상 혈관 추출 결과를 생성할 수 있다. 프로세서(1012)의 동작을 이로 한정하는 것은 아니고, 프로세서(1012)는 도 1 내지 도 9에서 상술한 동작들을 수행할 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 (12)
- 프로세서에 의해 수행되는 혈관 영상 추출 방법에 있어서,
혈관 영상에 복수의 혈관 분할 모델들을 적용하여 대상 혈관에 대한 복수의 후보 마스크 영상들을 추출하는 단계;
상기 추출된 복수의 후보 마스크 영상들 각각에 대하여 오류 레벨(error level)을 평가하는 단계; 및
상기 평가된 오류 레벨에 기초하여 상기 후보 마스크 영상들로부터 대상 혈관 추출 결과를 생성하는 단계
를 포함하고,
상기 추출된 복수의 후보 마스크 영상들 각각에 대하여 오류 레벨을 평가하는 단계는,
해당 후보 마스크 영상에서 메인 블롭 이외의 블롭을 구성하는 픽셀의 수가 상기 대상 혈관을 지시하는 픽셀의 수와 비교하여 제1 임계 비율 이상인 경우, 상기 해당 후보 마스크 영상을 오류로 평가하는 단계
를 포함하는 혈관 영상 추출 방법.
- 제1항에 있어서,
상기 추출된 복수의 후보 마스크 영상들 각각에 대하여 오류 레벨을 평가하는 단계는,
해당 후보 마스크 영상에서 대상 혈관 영역을 지시하는 픽셀들이 적어도 하나 이상 분리된 경우, 상기 해당 후보 마스크 영상을 오류로 평가하는 단계
를 포함하는 혈관 영상 추출 방법.
- 삭제
- 프로세서에 의해 수행되는 혈관 영상 추출 방법에 있어서,
혈관 영상에 복수의 혈관 분할 모델들을 적용하여 대상 혈관에 대한 복수의 후보 마스크 영상들을 추출하는 단계;
상기 추출된 복수의 후보 마스크 영상들 각각에 대하여 오류 레벨(error level)을 평가하는 단계; 및
상기 평가된 오류 레벨에 기초하여 상기 후보 마스크 영상들로부터 대상 혈관 추출 결과를 생성하는 단계
를 포함하고,
상기 추출된 복수의 후보 마스크 영상들 각각에 대하여 오류 레벨을 평가하는 단계는,
해당 후보 마스크 영상에서 대상 혈관을 지시하는 영역의 토폴로지(topology)에 기초하여 상기 해당 후보 마스크 영상의 오류 레벨을 평가하는 단계
를 포함하는 혈관 영상 추출 방법.
- 제4항에 있어서,
대상 혈관을 지시하는 영역의 토폴로지에 기초하여 상기 해당 후보 마스크 영상의 오류 레벨을 평가하는 단계는,
상기 해당 후보 마스크 영상에서 대상 혈관을 지시하는 영역의 직경(diameter) 정보를 기초로 산출된 추세선(trend line)을 기준으로, 상기 대상 혈관을 지시하는 영역 중 상기 추세선으로부터 제2 임계 비율 이상의 직경 정보를 갖는 영역이 존재하는 경우, 상기 해당 후보 마스크 영상을 오류로 판단하는 단계
를 포함하는 혈관 영상 추출 방법.
- 제4항에 있어서,
대상 혈관을 지시하는 영역의 토폴로지에 기초하여 상기 해당 후보 마스크 영상의 오류 레벨을 평가하는 단계는,
상기 해당 후보 마스크 영상에서 상기 대상 혈관을 지시하는 영역의 밝기(brightness) 정보를 기초로 산출된 추세선(trend line)을 기준으로, 상기 대상 혈관을 지시하는 영역 중 상기 추세선으로부터 제3 임계 비율 이상의 밝기 차이를 갖는 영역이 존재하는 경우, 상기 해당 후보 마스크 영상을 오류로 판단하는 단계
를 포함하는 혈관 영상 추출 방법.
- 프로세서에 의해 수행되는 혈관 영상 추출 방법에 있어서,
혈관 영상에 복수의 혈관 분할 모델들을 적용하여 대상 혈관에 대한 복수의 후보 마스크 영상들을 추출하는 단계;
상기 추출된 복수의 후보 마스크 영상들 각각에 대하여 오류 레벨(error level)을 평가하는 단계; 및
상기 평가된 오류 레벨에 기초하여 상기 후보 마스크 영상들로부터 대상 혈관 추출 결과를 생성하는 단계
를 포함하고,
상기 추출된 복수의 후보 마스크 영상들 각각에 대하여 오류 레벨을 평가하는 단계는,
해당 후보 마스크 영상에서 대상 혈관을 지시하는 영역에 대한 중심선(centerline)의 길이가 제1 임계 길이 이하인 경우, 상기 해당 후보 마스크 영상을 오류로 평가하는 단계
를 포함하는 혈관 영상 추출 방법.
- 제1항에 있어서,
상기 평가된 오류 레벨에 기초하여 상기 후보 마스크 영상들로부터 대상 혈관 추출 결과를 생성하는 단계는,
상기 복수의 후보 마스크 영상들 중 오류로 평가된 후보 마스크 영상을 배제한 나머지 후보 마스크 영상을 기초로 대상 혈관 추출 결과를 생성하는 단계
를 포함하는 혈관 영상 추출 방법.
- 제8항에 있어서,
상기 평가된 오류 레벨에 기초하여 상기 후보 마스크 영상들로부터 대상 혈관 추출 결과를 생성하는 단계는,
상기 복수의 후보 마스크 영상들 모두가 오류로 평가된 경우, 미리 설정된 오류 레벨 이하인 후보 마스크 영상 또는 오류 레벨이 가장 낮은 후보 마스크 영상을 기초로 대상 혈관 추출 결과를 생성하는 단계
를 포함하는 혈관 영상 추출 방법.
- 제1항에 있어서,
상기 추출된 복수의 후보 마스크 영상들 각각에 대하여 오류 레벨을 평가하는 단계는,
해당 후보 마스크 영상에서 대상 혈관을 지시하는 픽셀들의 연결성을 기초로 오류 점수를 산출하고, 상기 대상 혈관을 지시하는 블롭 영역에 기초하여 오류 점수(error score)를 산출하며, 상기 대상 혈관을 지시하는 영역의 토폴로지에 기초하여 오류 점수를 산출하고, 상기 대상 혈관을 지시하는 영역에 대한 중심선의 길이에 기초하여 오류 점수를 산출하는 단계
를 포함하는 혈관 영상 추출 방법.
- 하드웨어와 결합되어 제1항, 제2항, 및 제4항 내지 제10항 중 어느 하나의 항의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
- 혈관 영상 추출 장치에 있어서,
혈관 영상을 수신하는 영상 수신부; 및
상기 혈관 영상에 복수의 혈관 분할 모델들을 적용하여 대상 혈관에 대한 복수의 후보 마스크 영상들을 추출하고, 상기 추출된 복수의 후보 마스크 영상들 각각에 대하여 오류 레벨(error level)을 평가하며, 상기 평가된 오류 레벨에 기초하여 상기 후보 마스크 영상들로부터 대상 혈관 추출 결과를 생성하는 프로세서
를 포함하고,
상기 프로세서는,
해당 후보 마스크 영상에서 메인 블롭 이외의 블롭을 구성하는 픽셀의 수가 상기 대상 혈관을 지시하는 픽셀의 수와 비교하여 제1 임계 비율 이상인 경우, 상기 해당 후보 마스크 영상을 오류로 평가하는,
혈관 영상 추출 장치.
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200164903A KR102521660B1 (ko) | 2020-11-30 | 2020-11-30 | 복수의 예측 결과를 활용한 혈관 영상 추출 방법 및 장치 |
| PCT/KR2021/014303 WO2022114522A1 (ko) | 2020-11-30 | 2021-10-15 | 복수의 예측 결과를 활용한 혈관 영상 추출 방법 및 장치 |
| US18/202,369 US20230298180A1 (en) | 2020-11-30 | 2023-05-26 | Blood vessel image segmenting method and apparatus using plurality of prediction results |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200164903A KR102521660B1 (ko) | 2020-11-30 | 2020-11-30 | 복수의 예측 결과를 활용한 혈관 영상 추출 방법 및 장치 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220076091A KR20220076091A (ko) | 2022-06-08 |
| KR102521660B1 true KR102521660B1 (ko) | 2023-04-14 |
Family
ID=81754774
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200164903A KR102521660B1 (ko) | 2020-11-30 | 2020-11-30 | 복수의 예측 결과를 활용한 혈관 영상 추출 방법 및 장치 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20230298180A1 (ko) |
| KR (1) | KR102521660B1 (ko) |
| WO (1) | WO2022114522A1 (ko) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102542972B1 (ko) * | 2022-07-04 | 2023-06-15 | 재단법인 아산사회복지재단 | 3차원 혈관 구조를 생성하는 방법 및 장치 |
| KR102508226B1 (ko) * | 2022-08-12 | 2023-03-09 | 주식회사 메디픽셀 | 심혈관 조영 영상을 이용한 신택스 스코어 산출 방법 및 시스템 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160328855A1 (en) | 2015-05-04 | 2016-11-10 | Siemens Aktiengesellschaft | Method and System for Whole Body Bone Removal and Vascular Visualization in Medical Image Data |
| JP2019521733A (ja) | 2016-05-16 | 2019-08-08 | キャスワークス リミテッド | 画像からの血管の選択方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1917641A2 (en) * | 2005-08-17 | 2008-05-07 | Koninklijke Philips Electronics N.V. | Method and apparatus for automatic 4d coronary modeling and motion vector field estimation |
| KR101113220B1 (ko) * | 2009-12-10 | 2012-02-20 | 삼성메디슨 주식회사 | 혈관 추출 마스크를 이용한 컬러 도플러 이미지 형성 방법 및 장치 |
| KR101169138B1 (ko) * | 2009-12-30 | 2012-07-30 | 서울여자대학교 산학협력단 | 혈관 및 석회질 자동 추출장치 및 방법 |
| JP5801226B2 (ja) * | 2012-03-05 | 2015-10-28 | 富士フイルム株式会社 | 画像診断支援装置、方法およびプログラム |
| KR101840544B1 (ko) * | 2016-05-09 | 2018-03-20 | 동국대학교 산학협력단 | 초음파 영상의 혈관 조직 분류 장치 및 이를 이용한 혈관 조직 분류 방법 |
| KR20200005405A (ko) * | 2018-07-06 | 2020-01-15 | 연세대학교 산학협력단 | 진단 보조 시스템 |
| KR102395873B1 (ko) * | 2020-06-02 | 2022-05-10 | 주식회사 메디픽셀 | 자동으로 혈관 영상을 처리하는 방법 및 장치 |
-
2020
- 2020-11-30 KR KR1020200164903A patent/KR102521660B1/ko active IP Right Grant
-
2021
- 2021-10-15 WO PCT/KR2021/014303 patent/WO2022114522A1/ko unknown
-
2023
- 2023-05-26 US US18/202,369 patent/US20230298180A1/en active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160328855A1 (en) | 2015-05-04 | 2016-11-10 | Siemens Aktiengesellschaft | Method and System for Whole Body Bone Removal and Vascular Visualization in Medical Image Data |
| JP2019521733A (ja) | 2016-05-16 | 2019-08-08 | キャスワークス リミテッド | 画像からの血管の選択方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20220076091A (ko) | 2022-06-08 |
| WO2022114522A1 (ko) | 2022-06-02 |
| US20230298180A1 (en) | 2023-09-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230298180A1 (en) | Blood vessel image segmenting method and apparatus using plurality of prediction results | |
| US10206646B2 (en) | Method and system for extracting centerline representation of vascular structures in medical images via optimal paths in computational flow fields | |
| US20170262733A1 (en) | Method and System for Machine Learning Based Classification of Vascular Branches | |
| KR102562317B1 (ko) | 자동으로 혈관 영상을 처리하는 방법 및 장치 | |
| JP2019055230A (ja) | 医用画像における構造物をセグメンテーションする医用画像処理装置、医用画像をセグメンテーションするための方法及び医用画像をセグメンテーションするコンピュータプログラムを記憶する記憶媒体 | |
| KR102119057B1 (ko) | 골절 진단모델의 학습 방법 및 장치 | |
| KR102305965B1 (ko) | 가이드와이어 검출 방법 및 장치 | |
| KR102483198B1 (ko) | 혈관 영상에 기초한 주요 혈관 영역 추출 방법 및 장치 | |
| Guo et al. | Cerebrovascular segmentation from TOF-MRA based on multiple-U-net with focal loss function | |
| KR102217392B1 (ko) | 관상동맥 진단영상 학습장치와 방법, 및 상기 학습장치와 방법을 통해 구축된 학습모델을 사용하는 유의한 관상동맥 협착 진단 장치 및 방법 | |
| KR102258902B1 (ko) | 순환 신경망을 이용한 이소시트르산 탈수소효소 유전형 변이 예측 방법 및 시스템 | |
| KR102272413B1 (ko) | 관상동맥 혈관조영술 기반의 기계 학습을 통한 허혈 병변 정보 제공 장치, 정보 제공 방법 및 이의 기록매체 | |
| US20220028077A1 (en) | Device and method for constructing blood vessel map, and computer program for executing said method | |
| US20230351550A1 (en) | Method and device for processing blood vessel image on basis of user input | |
| KR102479645B1 (ko) | 병변 결정 방법 및 장치 | |
| US20230222668A1 (en) | Image processing apparatus, image processing method, and recording medium | |
| JP7479080B2 (ja) | 血管分割に基づいて血管映像を処理する方法及び装置 | |
| KR102542972B1 (ko) | 3차원 혈관 구조를 생성하는 방법 및 장치 | |
| KR102310740B1 (ko) | 구조화된 혈관 분지 정보에 기초한 의료 시술 히스토리 검색 방법 | |
| CN117063200A (zh) | 用于校正造影增强图像的方法和系统 | |
| JP2023521467A (ja) | 画像のセグメンテーションの失敗検出 | |
| KR20230119521A (ko) | 혈관 내 칼슘화된 부위의 탐지를 위한 의료 영상 분석 장치 및 방법 | |
| EP4305588A1 (en) | Method and system for correcting contrast-enhanced images | |
| KR20220140274A (ko) | 의료 영상에 기반하여 목적 부위에 대한 질환을 결정하기 위한 장치 및 방법 | |
| KR20200052123A (ko) | 혈관 나이 진단 장치, 혈관 나이 진단 방법 및 상기 방법을 실행하기 위한 컴퓨터 프로그램 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |