KR102559943B1 - 인공지능에 기반한 이미지 화질 분석 및 권장 촬영 조건 제안을 위한 시스템 및 방법 - Google Patents
인공지능에 기반한 이미지 화질 분석 및 권장 촬영 조건 제안을 위한 시스템 및 방법 Download PDFInfo
- Publication number
- KR102559943B1 KR102559943B1 KR1020170138203A KR20170138203A KR102559943B1 KR 102559943 B1 KR102559943 B1 KR 102559943B1 KR 1020170138203 A KR1020170138203 A KR 1020170138203A KR 20170138203 A KR20170138203 A KR 20170138203A KR 102559943 B1 KR102559943 B1 KR 102559943B1
- Authority
- KR
- South Korea
- Prior art keywords
- image
- image quality
- patient
- artificial intelligence
- quality evaluation
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000003384 imaging method Methods 0.000 title claims abstract description 22
- 238000013441 quality evaluation Methods 0.000 claims abstract description 32
- 238000002059 diagnostic imaging Methods 0.000 claims abstract description 16
- 230000005855 radiation Effects 0.000 claims description 19
- 238000003745 diagnosis Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000003902 lesion Effects 0.000 claims description 9
- 210000000056 organ Anatomy 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 description 13
- 238000007689 inspection Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- Radiology & Medical Imaging (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Image Analysis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
본 발명은 의료 영상 진단 기기에 관한 것이며, 선량(dose)을 저감하기 위하여 권장 촬영 조건을 제안하기 위한 시스템 및 방법에 관한 것이다. 구체적으로 본 발명은 전문 영상 판독 의사의 이미지 화질 평가 결과를 인공지능을 이용해 학습을 시키고, 학습 결과를 바탕으로 자동으로 이미지 화질을 분석하게 함으로써 영상 판독 의사의 노력(시간/비용)이 필요없이 높은 수준의 이미지 화질 평가를 수행할 수 있는 시스템 및 방법을 개시한다.
Description
본 발명은 의료 영상 진단 기기에 관한 것이며, 선량(dose)을 저감하기 위하여 권장 촬영 조건을 제안하기 위한 시스템 및 방법에 관한 것이다.
본 발명은 보건복지부 및 보건산업진흥원의 보건의료기술연구개발사업의 일환으로 수행한 연구로부터 도출된 것이다[과제관리번호: HI14C3287 과제명: 개방형 다기관 방사선 피폭 정보 공유 시스템 개발].
방사선을 이용한 의료 영상 진단 기기에 있어서, 고품질의 이미지를 얻기 위해서는 높은 선량(dose)에 환자가 노출될 수 밖에 없다. 이처럼 환자가 높은 선량에 노출되는 경우가 장기간에 걸쳐 지속적으로 반복되면 환자에게 예측하지 못한 부작용을 초래할 수 있다.
따라서 불필요하게 높은 선량에 환자가 노출되지 않도록 종래의 기술은 이미지 화질 분석을 위해서 영상 판독 의사(radiologist)가 화질 평가 항목에 의하여 육안으로 이미지를 분석하고 평가 점수를 부여하는 과정을 거치고 있다.
이러한 종래 기술에서는 영상 판독 의사의 수준에 따라서 분석 결과가 달라질 수 있으며, 모든 이미지를 분석하기 위해서는 많은 시간이 소요되는 문제점이 있다. 또한 현재 평가 하에 있는 이미지의 화질이 만들어지는 의료 영상 진단 장치의 촬영 조건과 방사선량을 평가하는 영상 판독 의사는 정확히 알 수 없다는 문제점이 있다.
이정은 외 10인, "우리나라의 두부 엑스선검사에서의 환자선량 권고량", 방사선 방어학회지, VOL.35, NO. 3, 2010.09, pp.111-116 (공개일 2010. 09.)
본 발명은 전문 영상 판독 의사의 이미지 화질 평가 결과를 인공지능을 이용해 학습을 시키고, 학습 결과를 바탕으로 자동으로 이미지 화질을 분석하게 함으로써 영상 판독 의사의 노력(시간/비용)이 필요없이 높은 수준의 이미지 화질 평가를 수행할 수 있는 시스템 및 방법을 제공하는 것을 목적으로 한다.
본 발명은 목표 품질을 설정하고 화질 평가의 결과 목표 품질을 비교하여 목표 품질을 달성(적합)하기 위하여 장비의 촬영 조건을 제안할 수 있다. 본 발명은 환자의 키, 몸무게, 나이, 성별과 장비의 촬영 조건 그리고 방사선량을 조합 및 분석해서 목표 품질의 촬영 조건을 찾을 수 있다.
본 발명은 이렇게 얻어진 이미지 화질 평과 결과와 출원인의 DoseM 제품이 획득한 방사선량을 비교 분석하여 최소한의 방사선량으로 판독 가능한 최적의 이미지 화질 수준으로 밸런스를 맞추는데 도움을 줄 수 있는 것을 목적으로 한다.
본 발명의 일 실시예에 따른 인공지능에 기반한 이미지 품질 및 권장 촬영 조건을 제안하기 위한 시스템은 다음의 모듈을 포함할 수 있다.
시스템은 환자에 대한 진단 오더 정보에 기반하여 환자의 개인화된 정보, 또는 요청된 검사의 정보를 획득하는 환자 및 검사 정보 획득 모듈을 포함할 수 있다.
시스템은 의료 영상 진단 장치의 촬영 인자 및 방사선량 정보를 획득하는 선량 계산 모듈을 포함할 수 있다.
시스템은 상기 의료 영상 진단 장치에 의하여 상기 환자에 대한 상기 진단 오더 정보에 기반하여 얻어진 이미지를 수신하고, 상기 이미지에 대한 품질 평가를 인공 지능 엔진에 의하여 수행하는 이미지 품질 평가 모듈을 포함할 수 있다.
시스템은 상기 이미지에 대한 상기 품질 평가 결과와 상기 환자의 상기 개인화된 정보, 또는 상기 요청된 검사의 정보와의 관련성에 대한 모델을 생성하는 분석 모듈을 포함할 수 있다.
상기 분석 모듈은 새로운 환자에 대한 새로운 진단 오더가 접수되면, 상기 새로운 진단 오더를 상기 모델과 연관시켜 분석함으로써 상기 새로운 진단 오더에 대응하는 권장 촬영 조건을 도출할 수 있다.
본 발명에 따르면 전문 영상 판독 의사의 이미지 화질 평가 결과를 인공지능을 이용해 학습을 시키고, 학습 결과를 바탕으로 자동으로 이미지 화질을 분석하게 함으로써 영상 판독 의사의 노력(시간)이 필요없이 높은 수준의 이미지 화질 평가를 수행할 수 있다.
본 발명에 따르면 목표 품질을 설정하고 화질 평가의 결과 목표 품질을 비교하여 목표 품질을 달성(적합)하기 위하여 장비의 촬영 조건을 제안할 수 있다. 본 발명에 따르면 환자의 키, 몸무게, 나이, 성별과 장비의 촬영 조건 그리고 방사선량을 조합 및 분석해서 목표 품질의 촬영 조건을 찾을 수 있다.
본 발명에 따르면 이렇게 얻어진 이미지 화질 평과 결과와 출원인의 DoseM 제품이 획득한 방사선량을 비교 분석하여 최소한의 방사선량으로 판독 가능한 최적의 이미지 화질 수준으로 밸런스를 맞추는데 도움을 줄 수 있는 것을 목적으로 한다.
도 1은 본 발명의 일 실시예에 따른 인공지능에 기반한 이미지 품질 평가 및 권장 촬영 조건을 제안하기 위한 시스템을 도시하는 도면이다.
도 2는 도 1의 시스템에 포함되는 인공지능 엔진에서 실행되는 인공지능 학습 과정을 도시하는 동작 흐름도이다.
도 3은 도 1의 시스템에 포함되는 인공지능 엔진에서 실행되는 인공지능 자동 이미지 품질 평가 과정을 도시하는 동작 흐름도이다.
도 2는 도 1의 시스템에 포함되는 인공지능 엔진에서 실행되는 인공지능 학습 과정을 도시하는 동작 흐름도이다.
도 3은 도 1의 시스템에 포함되는 인공지능 엔진에서 실행되는 인공지능 자동 이미지 품질 평가 과정을 도시하는 동작 흐름도이다.
의료 영상 진단 기기에서 방사선량이 높을수록 얻어지는 이미지의 품질은 우수한 것은 자명하다. 그러나 방사선량이 높을수록 환자에게는 좋지 않은 영향을 줄 수 있으므로 이미지의 품질은 병변을 진단하고 검출하는 데에 적합한 수준 이상이 되면 충분하고, 이러한 조건을 충족하는 방사선량을 정확히 판정하여 불필요하게 높은 방사선량에 환자가 노출되지 않도록 하는 것은 매우 중요한 판단 과정이다.
본 발명에서는 다음의 과정을 거쳐 인공 지능을 이용하여 이미지 품질을 평가하고, 방사선량의 조합 및 의료 영상 진단 기기의 촬영 조건을 최적화하여 도출한다.
1) 본 발명의 시스템에서는 인공지능을 이용하여 의료 영상 진단 기기의 이미지를 학습한다.
2) 본 발명의 시스템에서는 전문 영상 판독 의사(radiologist)의 평가 방법을 인공 지능이 학습하여 모델화한다.
3) 본 발명의 시스템에서는 학습된 모델을 적용하여 이미지를 분석하고, 이미지에 대한 화질 평가 과정을 자동화하여 수행한다. 이 과정에서 평가된 이미지에 대한 데이터는 모델에 선택적으로 추가되어 모델의 정확도를 더욱 향상시킬 수 있다.
4) 본 발명의 시스템에서는 이미지의 품질에 대한 목표 영상 품질을 설정하고, 각 이미지가 목표 영상 품질을 충족하는 지 여부를 평가한다.
목표 영상 품질은 다수의 평가 항목에 의하여 규정될 수 있으며, 후술할 환자의 신체 조건 및 식별하고자 하는 병변의 종류 등을 참고하여 분류될 수 있다.
5) 본 발명의 시스템에서는 환자의 키, 몸무게, 나이, 성별과 같은 환자의 신체 조건과, 과거 병력, 진단/식별하고자 하는 병변의 종류와 촬영 대상인 인체의 부위(body part), 장기(organ) 등을 고려하여 촬영 조건이 결정될 수 있다. 또한 촬영 조건 및 방사선량을 조합하여 환자의 신체 조건, 진단 오더, 촬영 조건 간의 상관관계를 인공지능이 학습한다.
6) 본 발명의 시스템에서는 목표 품질 달성(적합성)을 위한 의료 영상 진단 장치의 권장 촬영 조건을 제안할 수 있다.
영상 품질의 평가 기준, 및 지표는 이미지 판독의 신뢰성 보장을 고려하여 설정될 수 있다.
영상 품질의 평가 기준, 및 지표는 촬영하고자 하는 인체의 부위(body part), 장기(organ), 진단/식별하고자 하는 병변의 종류에 따라서 다르게 설정될 수 있다.
의료 영상에 대한 분석 및 학습 과정은 의료 영상에 대한 각 장기 및 병변의 분할(segmentation), 검출(detection), 진단(diagnosis)와 같은 과정을 거칠 수 있다. 이 과정에서 인공지능에 의한 학습은 모든 영상 처리 및 분석의 과정을 대체할 수도 있으며, 실시예에 따라서는 분할 과정은 종래의 영상 처리 기법을 따르고 검출 및 진단 과정을 인공지능에 의한 학습이 대체하는 등, 전체 워크 플로우 중 일부를 인공지능이 대체할 수도 있다.
도 1은 본 발명의 일 실시예에 따른 인공지능에 기반한 이미지 품질 평가 및 권장 촬영 조건을 제안하기 위한 시스템을 도시하는 도면이다.
도 1에 도시된 본 발명의 일 실시예에 따른 인공지능에 기반한 이미지 품질 및 권장 촬영 조건을 제안하기 위한 시스템은 다음의 모듈을 포함할 수 있다.
시스템은 환자에 대한 진단 오더 정보에 기반하여 환자의 개인화된 정보, 또는 요청된 검사의 정보를 획득하는 환자 및 검사 정보 획득 모듈을 포함할 수 있다.
시스템은 의료 영상 진단 장치의 촬영 인자 및 방사선량 정보를 획득하는 선량 계산 모듈을 포함할 수 있다.
시스템은 상기 의료 영상 진단 장치에 의하여 상기 환자에 대한 상기 진단 오더 정보에 기반하여 얻어진 이미지를 수신하고, 상기 이미지에 대한 품질 평가를 인공 지능 엔진에 의하여 수행하는 이미지 품질 평가 모듈을 포함할 수 있다.
시스템은 상기 이미지에 대한 상기 품질 평가 결과와 상기 환자의 상기 개인화된 정보, 또는 상기 요청된 검사의 정보와의 관련성에 대한 모델을 생성하는 분석 모듈을 포함할 수 있다.
상기 분석 모듈은 새로운 환자에 대한 새로운 진단 오더가 접수되면, 상기 새로운 진단 오더를 상기 모델과 연관시켜 분석함으로써 상기 새로운 진단 오더에 대응하는 권장 촬영 조건을 도출할 수 있다.
도 2는 도 1의 시스템에 포함되는 인공지능 엔진에서 실행되는 인공지능 학습 과정을 도시하는 동작 흐름도이다.
도 2를 참조하면 전문 영상 판독 의사의 영상 품질 평가가 수행된다.
판독 결과는 인공 지능 엔진에 의하여 학습된다.
전문 영상 판독 의사의 평가 결과와 인공지능 엔진의 평가 결과를 비교하여 오차가 5% 이내가 되도록 엔진의 평가 지표를 수정 또는 학습 과정을 반복적으로 수행한다. 이후의 과정에서는 전문 영상 판독 의사의 평가 과정을 인공지능 엔진에 의하여 대체할 수 있다.
도 3은 도 1의 시스템에 포함되는 인공지능 엔진에서 실행되는 인공지능 자동 이미지 품질 평가 과정을 도시하는 동작 흐름도이다.
도 3을 참고하면, 환자에 대한 검사 오더 (환자 개인에 대한 정보, 환자의 병변, 환자의 질환, 촬영 대상이 되는 환자의 신체 부위(body part), 검사를 요청한 임상의(clinician)의 소속 등이 검사 오더 정보에 포함된다.) 에 기반한 이미지를 획득한다.
이미지에 대한 인공지능 엔진의 자동 분석 및 품질 평가가 이루어진다.
해당 검사 오더에 기반하여 목표 품질을 달성하고 있는 지에 대한 평가가 이루어진다.
환자의 개인 정보, 촬영 인자, 방사선량의 3개 조건을 조합하여 이미지의 목표 품질에 근접한 데이터를 분석한다. 이때 해당 이미지가 목표 품질을 달성했는 지 여부가 함께 고려되어 종합적인 모델이 형성된다.
종합적인 모델은 해당 검사 오더가 목표 품질을 달성할 수 있는 수준의 권장 촬영 조건을 도출하여 저장할 수 있다.
향후 새로운 검사 오더가 제시되면, 종합적인 모델은 과거 분석되고 저장된 권장 촬영 조건과 비교하여 새로운 검사 오더에 대응하는 권장 촬영 조건을 제안할 수 있다.
영상 처리 프로세싱 유닛 등에 의하여 이미지에 대한 분석, 처리, 품질의 평가가 이루어질 수 있으며, 이미지 간의 유사도, 이미지의 선명도 등을 평가할 수 있다.
이때 공지의 기술로서 adaptive statistical iterative reconstruction(ASIR), conjudate gradient(CG), maximum likelihood expectation maximization(MLEM), model-based iterative reconstruction(MBIR) 등의 기법이 이용되어 분석 과정을 지원할 수 있다.
이미지 품질 인덱스 등이 설정되어 종합적인 이미지에 대한 품질을 평가하는 지표로서 활용될 수 있다. 인덱스는 하나의 평가 지표만으로 구성되는 것이 아니고, 복합적인 평가 지표를 포함하는 매트릭스 또는 벡터의 형태일 수 있다.
종래에는 이미지 품질 평가 지표로서 노이즈 레벨과 같은 하나의 지표가 사용되기도 하였으나, 임상적인 진단을 위하여 유효한 판독 결과를 제공하기 위한 이미지 품질 평가를 위해서는 단순히 노이즈 레벨이나, 이미지 픽셀 표준 편차(image pixel standard deviation)와 같은 단일 평가 지표로는 소기의 목적을 달성하기 어렵다.
따라서 적어도 콘트라스트, 잡음, MTF(시스템 모듈레이션 트랜스퍼 함수), NPS(시스템 노이즈 파워 스펙트럼)과 같은 의료 영상 진단 장치에 의존적인 파라미터에 대한 고려가 필요하다.
즉, 이미지에 대한 품질 평가를 supervised learning, semi-supervised learning 또는 unsupervised learning 등으로 대체하기 위해서는 방사선량 및 촬영 조건이 의료 영상 진단 장치에 적용되었을 때 이미지의 품질로 나타나는 다원적이고 복합적인 비선형적인 관계를 기술할 수 있는 수학적 모델을 이용할 수 있다.
Claims (1)
- 환자에 대한 진단 오더 정보에 기반하여 환자의 개인화된 정보, 또는 요청된 검사의 정보를 획득하는 환자 및 검사 정보 획득 모듈;
의료 영상 진단 장치의 촬영 인자 및 방사선량 정보를 획득하는 선량 계산 모듈;
상기 의료 영상 진단 장치에 의하여 상기 환자에 대한 상기 진단 오더 정보에 기반하여 얻어진 이미지를 수신하고, 상기 이미지에 대한 품질 평가를 인공 지능 엔진에 의하여 수행하는 이미지 품질 평가 모듈; 및
상기 이미지에 대한 상기 품질 평가 결과와 상기 환자의 상기 개인화된 정보, 또는 상기 요청된 검사의 정보와의 관련성에 대한 모델을 생성하는 분석 모듈;
을 포함하고,
상기 분석 모듈은 새로운 환자에 대한 새로운 진단 오더가 접수되면, 상기 새로운 진단 오더를 상기 모델과 연관시켜 분석함으로써 상기 새로운 진단 오더에 대응하는 권장 촬영 조건을 도출하는 것을 특징으로 하고,
상기 인공 지능 엔진은 인체의 부위(body part), 장기(organ), 및 진단하고자 하는 병변의 종류에 따라 구분되는 학습용 이미지 및 전문 영상 판독 의사의 상기 인체의 부위, 장기, 및 진단하고자 하는 병변의 종류에 따라 다르게 설정되는 이미지 화질 평가 결과를 입력하여, 상기 학습용 이미지로부터 상기 이미지 화질 평가 결과를 추론하는 과정을 학습한 모델이고, 상기 학습용 이미지로부터 상기 이미지 화질 평가 결과를 추론하는 과정에서 환자의 신체 조건, 상기 진단 오더, 및 촬영 조건 중 적어도 하나 이상의 변수에 기반하여 상기 인체의 부위, 장기, 및 진단하고자 하는 병변의 종류에 따라 다르게 평가되는 상기 이미지 화질 평가 결과를 추론하는 과정을 학습한 모델인 인공지능에 기반한 이미지 품질 및 권장 촬영 조건을 제안하기 위한 시스템.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020170138203A KR102559943B1 (ko) | 2017-10-24 | 2017-10-24 | 인공지능에 기반한 이미지 화질 분석 및 권장 촬영 조건 제안을 위한 시스템 및 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020170138203A KR102559943B1 (ko) | 2017-10-24 | 2017-10-24 | 인공지능에 기반한 이미지 화질 분석 및 권장 촬영 조건 제안을 위한 시스템 및 방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20190045515A KR20190045515A (ko) | 2019-05-03 |
KR102559943B1 true KR102559943B1 (ko) | 2023-07-26 |
Family
ID=66582890
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020170138203A KR102559943B1 (ko) | 2017-10-24 | 2017-10-24 | 인공지능에 기반한 이미지 화질 분석 및 권장 촬영 조건 제안을 위한 시스템 및 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102559943B1 (ko) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7382739B2 (ja) * | 2019-05-14 | 2023-11-17 | キヤノンメディカルシステムズ株式会社 | 撮影支援装置 |
CN112767386B (zh) * | 2021-02-01 | 2022-09-06 | 福州大学 | 基于主题特征和评分分布的图像美学质量评价方法及系统 |
CN117218082B (zh) * | 2023-09-14 | 2024-04-30 | 南京诺源医疗器械有限公司 | 一种基于辐射量探测的医学荧光影像质控方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001068294A (ja) * | 1999-07-12 | 2001-03-16 | General Electric Co <Ge> | 被曝量管理/制御システムと方法 |
JP2008167949A (ja) | 2007-01-12 | 2008-07-24 | Fujifilm Corp | 放射線画像処理方法および装置ならびにプログラム |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009213905A (ja) | 2009-05-18 | 2009-09-24 | Bio-Visiq Japan Inc | 放射線被曝線量管理システム及び記憶媒体 |
-
2017
- 2017-10-24 KR KR1020170138203A patent/KR102559943B1/ko active IP Right Grant
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001068294A (ja) * | 1999-07-12 | 2001-03-16 | General Electric Co <Ge> | 被曝量管理/制御システムと方法 |
JP2008167949A (ja) | 2007-01-12 | 2008-07-24 | Fujifilm Corp | 放射線画像処理方法および装置ならびにプログラム |
Non-Patent Citations (1)
Title |
---|
의료용 빅데이터와 인공지능(AI) 기술이 적용된 의료기기 허가.심사 절차 마련, tlrvnadmldirvnadkswjscj, 2016.12. |
Also Published As
Publication number | Publication date |
---|---|
KR20190045515A (ko) | 2019-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pinto et al. | Harmonization of brain diffusion MRI: concepts and methods | |
US11615879B2 (en) | System and method for automated labeling and annotating unstructured medical datasets | |
Meszlényi et al. | Resting state fMRI functional connectivity-based classification using a convolutional neural network architecture | |
Baumgartner et al. | Real-time standard scan plane detection and localisation in fetal ultrasound using fully convolutional neural networks | |
Van Tulder et al. | Why does synthesized data improve multi-sequence classification? | |
US20200104984A1 (en) | Methods and devices for reducing dimension of eigenvectors | |
Jafari et al. | A unified framework integrating recurrent fully-convolutional networks and optical flow for segmentation of the left ventricle in echocardiography data | |
US20170372497A1 (en) | Systems and methods for translation of medical imaging using machine learning | |
Štern et al. | Automated age estimation from hand MRI volumes using deep learning | |
KR102559943B1 (ko) | 인공지능에 기반한 이미지 화질 분석 및 권장 촬영 조건 제안을 위한 시스템 및 방법 | |
Mouches et al. | Multimodal biological brain age prediction using magnetic resonance imaging and angiography with the identification of predictive regions | |
EP3944253A1 (en) | Machine learning from noisy labels for abnormality assessment in medical imaging | |
CN111462112A (zh) | 一种判断图像质量的方法和系统 | |
TW201941220A (zh) | 診斷支援裝置、程式製品、記錄有學習完成模型的記錄媒體及學習裝置 | |
Yao et al. | Holistic segmentation of intermuscular adipose tissues on thigh MRI | |
Kim et al. | Stable Atlas-based Mapped Prior (STAMP) machine-learning segmentation for multicenter large-scale MRI data | |
Zeng et al. | A 2.5 D deep learning-based method for drowning diagnosis using post-mortem computed tomography | |
CN117098496A (zh) | 用于协调包括生物标志物的成像数据集的系统、装置和方法 | |
Ossenberg-Engels et al. | Conditional generative adversarial networks for the prediction of cardiac contraction from individual frames | |
Izadi et al. | Enhanced direct joint attenuation and scatter correction of whole-body PET images via context-aware deep networks | |
Hassanaly et al. | Unsupervised anomaly detection in 3D brain FDG PET: A benchmark of 17 VAE-based approaches | |
CN118014945A (zh) | 一种动态超声造影图像识别方法、装置、设备和介质 | |
Chan et al. | Synthesis of diffusion-weighted MRI scalar maps from FLAIR volumes using generative adversarial networks | |
Kerber et al. | Deep learning-based age estimation from clinical Computed Tomography image data of the thorax and abdomen in the adult population | |
Daza et al. | Classification of Alzheimer's disease in MRI using visual saliency information |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
AMND | Amendment | ||
E601 | Decision to refuse application | ||
AMND | Amendment | ||
X701 | Decision to grant (after re-examination) |