KR102561318B1 - 인공 신경망을 이용하여 질병에 대한 치료 반응을 예측하는 방법 및 상기 방법을 수행하는 치료 반응 예측 장치 - Google Patents
인공 신경망을 이용하여 질병에 대한 치료 반응을 예측하는 방법 및 상기 방법을 수행하는 치료 반응 예측 장치 Download PDFInfo
- Publication number
- KR102561318B1 KR102561318B1 KR1020200093259A KR20200093259A KR102561318B1 KR 102561318 B1 KR102561318 B1 KR 102561318B1 KR 1020200093259 A KR1020200093259 A KR 1020200093259A KR 20200093259 A KR20200093259 A KR 20200093259A KR 102561318 B1 KR102561318 B1 KR 102561318B1
- Authority
- KR
- South Korea
- Prior art keywords
- image
- treatment response
- learning
- treatment
- pair
- Prior art date
Links
- 230000004044 response Effects 0.000 title claims abstract description 99
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 44
- 201000010099 disease Diseases 0.000 title claims abstract description 32
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 24
- 210000000056 organ Anatomy 0.000 claims abstract description 70
- 238000004590 computer program Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 238000002591 computed tomography Methods 0.000 description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001356 surgical procedure Methods 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
본 발명의 일 실시예에 따른 질병에 대한 치료 반응을 예측하는 방법은, 질병이 감지된 제1 환자의 인체 기관을 촬영한 의료 영상을 입력받는 단계; 및 기 학습된 제1 인공 신경망을 이용하여, 상기 질병이 감지된 상기 인체 기관이 디스플레이된 가짜 영상과, 상기 제1 환자의 인체 기관에 제1 치료를 수행할 때 예측되는 치료 반응이 디스플레이된 제1 예측 영상의 쌍을 출력하는 단계를 포함하고, 상기 제1 인공 신경망은, 노이즈로부터, 학습용 가짜 영상, 및 상기 학습용 가짜 영상에 디스플레이된 상기 인체 기관에 상기 제1 치료를 수행했을 때 예측되는 치료 반응이 디스플레이된 제1 학습용 예측 영상의 쌍을 생성하고, 생성한 상기 학습용 가짜 영상과 상기 제1 학습용 예측 영상의 쌍의 진위 여부를 판별하도록 기 학습된 것일 수 있다.
Description
본 발명은 인공 신경망을 이용하여 질병에 대한 치료 반응을 예측하는 방법 및 상기 방법을 수행하는 치료 반응 예측 장치에 관한 것이다.
의료 분야에 있어서, 환자의 신체 내부의 이상을 살펴보기 위해, 컴퓨터 단층 촬영(Computer Tomography, CT), 자기 공명 영상(Magnetic Resonance Imaging, MRI) 등으로 촬영한 의료 영상을 이용한다.
이러한 의료 영상을 통해 특정 질병을 감지를 한 경우, 질병의 치료 여부 또는 치료 방향을 결정하기 위하여, 감지한 질병의 진행 방향이나, 특정 질병에 대한 치료 반응을 예측할 필요가 있는데, 현재로서는 의사들 개개의 경험적 판단에 의존하고 있는 실정이다.
본 발명이 해결하고자 하는 과제는, 전술한 문제를 해결하기 위하여, 입력받은 의료 영상으로부터 질병에 대한 치료 반응을 예측하는 방법을 제공하는 것이다.
다만, 본 발명이 해결하고자 하는 과제는 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 해결하고자 하는 과제는 아래의 기재로부터 본 발명이 속하는 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 발명의 일 실시예에 따른 질병에 대한 치료 반응을 예측하는 방법은, 질병이 감지된 제1 환자의 인체 기관을 촬영한 의료 영상을 입력받는 단계; 및 기 학습된 제1 인공 신경망을 이용하여, 상기 질병이 감지된 상기 인체 기관이 디스플레이된 가짜 영상과, 상기 제1 환자의 인체 기관에 제1 치료를 수행할 때 예측되는 치료 반응이 디스플레이된 제1 예측 영상의 쌍을 출력하는 단계를 포함하고, 상기 제1 인공 신경망은, 노이즈로부터, 학습용 가짜 영상, 및 상기 학습용 가짜 영상에 디스플레이된 상기 인체 기관에 상기 제1 치료를 수행했을 때 예측되는 치료 반응이 디스플레이된 제1 학습용 예측 영상의 쌍을 생성하고, 생성한 상기 학습용 가짜 영상과 상기 제1 학습용 예측 영상의 쌍의 진위 여부를 판별하도록 기 학습된 것일 수 있다.
상기 방법은, 상기 가짜 영상과 상기 의료 영상의 차이가 기 설정된 기준 값 이하인지 여부를 결정하는 단계; 및 상기 차이가 상기 기준 값보다 큰 경우, 상기 차이를 줄이도록 상기 가짜 영상과 상기 예측 영상의 쌍을 재출력하는 단계를 포함할 수 있다.
상기 제1 인공 신경망은 상기 노이즈로부터, 상기 학습용 가짜 영상과, 상기 학습용 가짜 영상에 디스플레이된 인체 기관에 제2 치료를 수행했을 때 예측되는 치료 반응이 디스플레이된 학습용 예측 영상 각각의 쌍을 더 생성하고, 상기 학습용 가짜 영상과 상기 제2 학습용 예측 영상의 쌍의 진위 여부를 더 판별하도록 기 학습되고, 상기 출력하는 단계는, 상기 가짜 영상과 상기 인체 기관에 상기 제2 치료를 수행할 때 예측되는 치료 반응이 디스플레이된 제2 예측 영상의 쌍을 더 출력할 수 있다.
상기 방법은, 기 학습된 제2 인공 신경망을 이용하여, 상기 질병이 감지된 상기 인체 기관이 디스플레이된 가짜 영상과, 상기 인체 기관에 제2 치료를 수행할 때 예측되는 치료 반응이 디스플레이된 제2 예측 영상의 쌍을 출력하는 단계를 더 포함하고, 상기 제2 인공 신경망은, 상기 노이즈로부터, 상기 학습용 가짜 영상, 및 상기 학습용 가짜 영상에 디스플레이된 상기 인체 기관에 상기 제2 치료를 수행했을 때 예측되는 치료 반응이 디스플레이된 제2 학습용 예측 영상의 쌍을 생성하고, 생성한 상기 학습용 가짜 영상과 상기 제2 학습용 예측 영상의 쌍의 진위 여부를 판별하도록 기 학습된 것일 수 있다.
상기 출력하는 단계는, 제2 환자의 상기 인체 기관을 촬영하여 기 저장한 참조 영상과, 상기 제2 환자의 인체 기관에 상기 제1 치료를 수행한 이후의 치료 반응이 디스플레이된 경과 영상의 쌍에 포함된 특징의 분포를 학습하여 획득한 잠재 공간을 이용하여 상기 의료 영상으로부터 상기 가짜 영상과 상기 제1 예측 영상의 쌍을 생성할 수 있다.
본 발명의 다른 실시예에 따른 질병에 대한 치료 반응을 예측하는 치료 반응 예측 장치는, 질병에 대한 치료 반응을 예측하는 치료 반응 예측 모델을 저장하는 메모리; 및 상기 치료 반응 예측 모델을 실행하여, 질병이 감지된 제1 환자의 인체 기관을 촬영한 의료 영상을 입력받고, 기 학습된 제1 인공 신경망을 이용하여, 상기 질병이 감지된 상기 인체 기관이 디스플레이된 가짜 영상과, 상기 제1 환자의 인체 기관에 제1 치료를 수행할 때 예측되는 치료 반응이 디스플레이된 제1 예측 영상의 쌍을 출력하는 프로세서를 포함하고, 상기 제1 인공 신경망은, 노이즈로부터, 학습용 가짜 영상, 및 상기 학습용 가짜 영상에 디스플레이된 상기 인체 기관에 상기 제1 치료를 수행했을 때 예측되는 치료 반응이 디스플레이된 제1 학습용 예측 영상의 쌍을 생성하고, 생성한 상기 학습용 가짜 영상과 상기 제1 학습용 예측 영상의 쌍의 진위 여부를 판별하도록 기 학습된 것일 수 있다.
본 발명의 실시예에 의하면, 인공 신경망을 이용하여 현재의 의료 영상으로부터 환자에게 소정의 치료한 이후의 치료 반응을 예측함으로써, 환자에게 보다 질 높은 의료 서비스를 제공할 수 있다.
도 1은 본 발명의 실시예에 따른 치료 반응 예측 장치를 나타내는 블록도이다.
도 2는 본 발명의 실시예에 따른 치료 반응 예측 모델의 기능을 개념적으로 나타내는 블록도이다.
도 3은 본 발명의 실시예에 따라 치료 반응 예측 모델에 포함된 인공 신경망을 학습시키는 방법을 나타낸다.
도 4는 본 발명의 실시예에 따른 치료 반응 예측 모델을 이용하여 인체 기관의 치료 반응을 예측하는 방법을 나타내는 흐름도이다.
도 2는 본 발명의 실시예에 따른 치료 반응 예측 모델의 기능을 개념적으로 나타내는 블록도이다.
도 3은 본 발명의 실시예에 따라 치료 반응 예측 모델에 포함된 인공 신경망을 학습시키는 방법을 나타낸다.
도 4는 본 발명의 실시예에 따른 치료 반응 예측 모델을 이용하여 인체 기관의 치료 반응을 예측하는 방법을 나타내는 흐름도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 발명의 실시예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명의 실시예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도 1은 본 발명의 실시예에 따른 치료 반응 예측 장치를 나타내는 블록도이다.
도 1을 참조하면, 치료 반응 예측 장치(100)는 프로세서(110), 입출력 장치(120) 및 메모리(130)를 포함할 수 있다.
프로세서(110)는 치료 반응 예측 장치(100)의 동작을 전반적으로 제어할 수 있다.
프로세서(110)는, 입출력 장치(120)를 이용하여, 인체 기관을 촬영한 의료 영상을 입력 받을 수 있다.
본 발명에서는, 인체 기관을 촬영한 의료 영상이 입출력 장치(120)를 통해 입력되는 것으로 설명하였지만, 이에 한정되지 않는다. 즉, 실시예에 따라, 치료 반응 예측 장치(100)는 송수신기(미도시)를 포함할 수 있고, 치료 반응 예측 장치(100)는 송수신기(미도시)를 이용하여 의료 영상을 수신할 수도 있으며, 의료 영상은 치료 반응 예측 장치(100) 내에서 생성될 수도 있다.
여기서, 인체 기관은 폐, 간, 신장 등 인체의 장기일 수도 있으며, 뇌 등 인체의 장기가 아닌 다른 기관일 수도 있다. 즉, 본 명세서에서의 인체 기관은 컴퓨터 단층 촬영(Computer tomography, CT), 자기 공명 영상 진단(Magnetic Resonance Imaging, MRI) 등을 통해서 촬영 가능한 인체의 기관(부위) 중 어느 하나일 수 있다.
프로세서(110)는, 입출력 장치(120)를 이용하여, 의료 영상이 입력됨에 따라, 의료 영상을 촬영한 시점 이후에 수행한 치료에 따른 인체 기관의 치료 반응을 예측한 예측 영상을 출력할 수 있다.
실시예에 따라, 예측 영상은 의료 영상을 촬영한 시점 이전에 수행한 치료에 따른 치료 반응을 나타낼 수도 있다. 이와 같은 경우, 상기 예측 영상은 의료 영상을 촬영한 시점 이전에 인체 기관에 수행한 치료에 따른 인체 기관의 상태의 경과를 나타낼 수 있다.
또한, 본 명세서에서의 치료는 의약품의 투여, 수술 등 질병을 호전시키기 위한 모든 임상학적 치료 행위 뿐만 아니라, 환자에 치료 행위가 불가능한 상황, 치료 행위를 수행하지 않는 것이 최선인 상황 등에 따른 무치료 행위 또한 포함할 수 있다.
입출력 장치(120)는 하나 이상의 입력 장치 및/또는 하나 이상의 출력 장치를 포함할 수 있다. 예컨대, 입력 장치는 마이크, 키보드, 마우스, 터치 스크린 등을 포함하고, 출력 장치는 디스플레이, 스피커 등을 포함할 수 있다.
메모리(130)는 치료 반응 예측 모델(200) 및 치료 반응 예측 모델(200)의 실행에 필요한 정보를 저장할 수 있다.
프로세서(110)는 치료 반응 예측 모델(200)을 실행하기 위하여 메모리(130)에서 치료 반응 예측 모델(200) 및 치료 반응 예측 모델(200)의 실행에 필요한 정보를 로드할 수 있다.
프로세서(110)는, 치료 반응 예측 모델(200)을 실행하여, 입력받은 의료 영상에 대한 예측 영상을 출력할 수 있다. 치료 반응 예측 모델(200)의 기능 및/또는 동작에 대하여는 도 2를 통해 상세하게 살펴보기로 한다.
도 2는 본 발명의 실시예에 따른 치료 반응 예측 모델의 기능을 개념적으로 나타내는 블록도이다.
도 2를 참조하면, 치료 반응 예측 모델(200)은 기 학습된 인공 신경망(210)을 포함할 수 있다. 실시예에 따라, 인공 신경망(210)은 생성적 적대 신경망(Generative Adversarial Networks, GAN)을 포함할 수 있다. 인공 신경망(210)을 학습시키는 방법은 도 3에서 살펴보기로 한다.
본 명세서에서 모델이라 함은 본 명세서에서 설명되는 각각의 명칭에 따른 기능과 동작을 수행할 수 있는 명령어들로 구성된 컴퓨터 프로그램을 의미할 수 있다. 즉, 치료 반응 예측 모델(200)은, 프로세서에 의해 실행되고, 메모리에 저장되는 컴퓨터 프로그램(애플리케이션 소프트웨어)의 일종일 수 있다.
치료 반응 예측 모델(200)은, 기 학습된 인공 신경망(210)을 이용하여, 의료 영상 촬영 장치를 이용하여 실제로 촬영한 의료 영상(MI)이 입력되는 경우, 입력된 의료 영상(MI)에 대응되는 가짜 영상(FI) 및 가짜 영상(FI)에 대한 예측 영상(EI)을 생성할 수 있다.
여기서, 예측 영상(EI)은 가짜 영상(FI)에 디스플레이된 인체 기관에 소정의 치료를 수행한다고 가정할 경우, 수행한 치료에 따른 인체 기관의 치료 반응을 나타내는 영상으로서, 입력된 의료 영상(MI)에 상기 소정의 치료를 수행한다고 가정할 경우, 치료 반응을 예측하는데 이용될 수 있다.
치료 반응 예측 모델(200)은 표현 학습(representation learning)을 이용하여 참조 영상과 참조 영상에 대한 경과 영상의 분포(예컨대, 특징의 분포)를 학습하고, 학습된 분포로부터 생성된 저차원의 잠재 공간(latent space)을 이용하여, 의료 영상(MI)으로부터 가짜 영상(FI) 및 예측 영상(EI)의 쌍을 생성할 수 있다.
여기서, 참조 영상은 영상 촬영 장치를 이용하여 실제로 인체 기관을 촬영하여 기 저장되어 있는 영상을 의미하고, 경과 영상은 참조 영상(RI)에 디스플레이된 인체 기관에 실제로 소정의 치료를 수행했을 때, 수행한 치료에 따른 인체 기관의 경과를 나타내는 영상일 수 있다.
치료 반응 예측 모델(200)은 의료 영상(MI)과 생성된 가짜 영상(FI)을 비교하고, 비교한 결과를 피드백(FB)으로서 다시 인공 신경망(210)에 입력할 수 있다.
보다 자세하게는, 치료 반응 예측 모델(200)은 손실 함수(Loss Function)(예컨대, 평균 제곱 오차, MSE(Mean Squared Error))를 이용하여 의료 영상(MI)과 가짜 영상(FI)을 비교할 수 있다. 비교 결과, 치료 반응 예측 모델(200)은 의료 영상(MI)과 가짜 영상(FI) 사이의 차이를 나타내는 피드백(FB)을 생성하고, 의료 영상(MI)과 가짜 영상(FI) 사이의 차이가 적어지도록 피드백(FB)을 인공 신경망(210)에 입력할 수 있다.
치료 반응 예측 모델(200)는 의료 영상(MI)과 가짜 영상(FI) 사이의 차이가 기 설정된 기준 값 이하가 될 때까지 위의 과정을 반복할 수 있고, 반복 결과, 의료 영상(MI)과 실질적으로 동일한 가짜 영상(FI), 및 의료 영상(MI)에 대한 치료 반응을 예측하는데 이용되는 예측 영상(EI)의 쌍을 생성할 수 있다.
본 명세서에서, 치료 반응 예측 모델(200)에 포함된 인공 신경망(210)은 가짜 영상(FI)에 기 설정된 하나의 치료 방법을 수행한 경과를 나타내는 하나의 예측 영상(EI)을 가짜 영상(FI)과 함께 출력하도록 학습된 신경망으로 설명하였지만, 이에 한정되지 않는다.
즉, 실시예에 따라, 치료 반응 예측 모델(200)에 포함된 인공 신경망(210)은 가짜 영상(FI)에 기 설정된 둘 이상의 서로 다른 치료 방법을 수행한 경과를 나타내는 둘 이상의 예측 영상(EI)을 가짜 영상(FI)과 함께 출력하도록 학습된 신경망일 수 있다. 따라서, 이와 같은 경우, 치료 반응 예측 모델(200)은 하나의 의료 영상(MI)을 입력받을 경우, 그에 대응되는 하나의 가짜 영상(FI) 및 둘 이상의 서로 다른 치료 반응을 나타내는 둘 이상의 예측 영상(EI)을 출력할 수 있다.
또한, 다른 실시예에 따라, 치료 반응 예측 모델(200)은 가짜 영상(FI)에 서로 다른 치료 방법을 수행한 결과로서 둘 이상의 예측 영상(EI)을 가짜 영상(FI)과 함께 출력하도록 학습된 둘 이상의 인공 신경망(210)을 포함할 수도 있다. 따라서, 이와 같은 경우, 치료 반응 예측 모델(200)이 하나의 의료 영상(MI)을 입력 받을 경우, 치료 반응 예측 모델(200)은 복수의 인공 신경망(210) 각각에서 생성한 복수의 가짜 영상(FI) 및 복수의 예측 영상(EI)을 출력할 수 있다.
도 3은 본 발명의 실시예에 따라 치료 반응 예측 모델에 포함된 인공 신경망을 학습시키는 방법을 나타낸다.
도 3을 참조하면, 치료 반응 예측 모델(200)에 포함된 인공 신경망(210)은 생성기(Generator)(211) 및 판별기(Discriminator)(213)를 포함할 수 있다.
생성기(211)는 노이즈(N)를 이용하여 의료 영상(MI)과 유사한 학습용 가짜 영상(L_FI) 및 학습용 가짜 영상(L_FI)에 대한 학습용 예측 영상(L_EI)의 쌍(PG)을 생성할 수 있다.
판별기(213)는 생성기(211)에서 생성한 학습용 가짜 영상(L_FI)과 학습용 예측 영상(L_EI)의 쌍(PG)과 기 저장된 참조 영상(RIn, 여기서 n은 자연수)과 참조 영상(RIn)에 대한 경과 영상(PIn)의 쌍(PSn)의 진위 여부를 판별하고, 판별 결과를 출력할 수 있다.
상기 판별 결과는 판별기(213)가 판별하는 영상의 쌍이 생성기(211)가 생성한 학습용 가짜 영상(L_FI)과 학습용 예측 영상(L_EI)의 쌍(PG)인지 또는 기 저장된 참조 영상(RIn) 및 경과 영상(PIn)의 쌍(PSn)인지 여부를 판별한 결과를 나타내는 것으로서, 실시예에 따라, 상기 판별 결과는 0과 1 사이의 확률 값으로 나타내어질 수 있다.
즉, 상기 확률 값이 0에 가까울수록(즉, 0.5 이하이면), 판별기(213)는 판별하는 영상의 쌍(PSn)이 가짜 이미지(즉, 생성기(211)가 생성한 학습용 가짜 영상(L_FI)과 학습용 예측 영상(L_EI)의 쌍(PG))라고 판단하였음을 나타낼 수 있다. 반대로, 상기 확률 값이 1에 가까울수록(즉, 0.5 초과이면), 판별기(213)는 판별하는 영상의 쌍이 실제 이미지(즉, 기 저장된 참조 영상(RIn) 및 경과 영상(PIn)의 쌍(PG))라고 판단하였음을 나타낼 수 있다.
생성기(211)는 판별기(213)의 판별 결과를 피드백으로서 수신할 수 있다. 생성기(211)는 판별기(213)로부터 수신한 판별 결과를 더 이용하여 노이즈(N)로부터 의료 영상(MI)과 실질적으로 동일한 가짜 영상(FI) 및 예측 영상(EI)의 쌍(PG)을 생성할 수 있다.
또한, 판별기(213)는 판별 결과와 판별하는 영상의 쌍의 정답 값(판별하는 영상의 쌍이 학습용 가짜 영상(L_FI)과 학습용 예측 영상(L_EI)의 쌍인지 또는 기 저장된 참조 영상(RIn) 및 경과 영상(PIn)의 쌍인지)이 일치하는지 여부(즉, 판별기(213)가 진위 여부를 제대로 판별했는지 여부)를 피드백으로서 입력 받을 수 있다. 판별기(213)는 피드백을 더 이용하여 판별하는 영상의 쌍의 진위 여부를 더 판별할 수 있다.
이와 같이, 생성기(211)는 판별기(213)의 판별 결과를 피드백으로 이용하여 계속적으로 학습되고, 판별기(213)는 판별 결과의 정답 여부를 피드백으로 이용여 계속적으로 학습됨으로써, 인공 신경망(210)은 보다 정교하게 학습될 수 있다.
도 4는 본 발명의 실시예에 따른 치료 반응 예측 모델을 이용하여 인체 기관의 치료 반응을 예측하는 방법을 나타내는 흐름도이다.
도 2 및 도 4를 참조하면, 치료 반응 예측 모델(200)은, 기 학습된 인공 신경망(210)을 이용하여, 가짜 영상(FI) 및 가짜 영상(FI)에 대한 예측 영상(EI)을 생성할 수 있다(S400).
치료 반응 예측 모델(200)은 의료 영상(MI)과 가짜 영상(FI) 사이의 차이를 계산하고(S410), 의료 영상(MI)과 가짜 영상(FI) 사이의 차이가 기 설정된 기준 값 이하인 경우(S420의 '예'), 의료 영상(MI)과 실질적으로 동일한 가짜 영상(FI) 및 의료 영상(MI)에 대한 치료 반응을 예측하는데 이용될 예측 영상(EI)의 쌍이 생성되었다고 결정할 수 있다(S430).
반면, 의료 영상(MI)과 가짜 영상(FI) 사이의 차이가 기 설정된 기준 값보다 큰 경우(S420의 '예'), 치료 반응 예측 모델(200)은 의료 영상(MI)과 가짜 영상(FI)의 차이를 피드백(FB)으로 입력받아 다시 가짜 영상(FI) 및 예측 영상(EI)을 생성할 수 있다.
본 발명에 첨부된 블록도의 각 블록과 흐름도의 각 단계의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수도 있다. 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 인코딩 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 인코딩 프로세서를 통해 수행되는 그 인스트럭션들이 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능들을 수행하는 수단을 생성하게 된다. 이들 컴퓨터 프로그램 인스트럭션들은 특정 방법으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 블록도의 각 블록 또는 흐름도 각 단계에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다. 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 블록도의 각 블록 및 흐름도의 각 단계에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.
또한, 각 블록 또는 각 단계는 특정된 논리적 기능(들)을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또, 몇 가지 대체 실시예들에서는 블록들 또는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들 또는 단계들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 품질에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 균등한 범위 내에 있는 모든 기술사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 치료 반응 예측 장치
110: 프로세서
120: 입출력 장치
130: 메모리
200: 치료 반응 예측 모델
210: 인공 신경망
211: 생성기
213: 판별기
110: 프로세서
120: 입출력 장치
130: 메모리
200: 치료 반응 예측 모델
210: 인공 신경망
211: 생성기
213: 판별기
Claims (11)
- 생성기 및 판별기를 포함하고, 질병에 대한 치료 반응을 예측하는 치료 반응 예측 모델에 포함된 인공 신경망을 학습시키는 방법에 있어서,
인체 기관을 촬영한 제1 의료 영상을 상기 치료 반응 예측 모델의 입력 데이터로서 입력하는 단계;
입력받은 노이즈 및 상기 제1 의료 영상을 사용하여, 인체 기관이 디스플레이된 제1 가짜 영상과, 상기 인체 기관에 제1 치료를 수행하는 경우 예측되는 치료 반응이 디스플레이된 제1 예측 영상의 쌍을 생성하도록 상기 생성기를 학습시키는 단계; 및
상기 인체 기관을 촬영한 제1 의료 영상 및 상기 제1 의료 영상 내의 상기 인체 기관에 상기 제1 치료를 수행한 결과로서의 치료 반응이 디스플레이된 제1 경과 영상의 쌍을 입력 받아, 상기 제1 가짜 영상과 상기 제1 예측 영상의 쌍의 진위 여부를 판별하도록 상기 판별기를 학습시키는 단계를 포함하는
질병에 대한 치료 반응을 예측하는 신경망을 학습시키는 방법. - 제1 항에 있어서,
상기 생성기는, 상기 판별기에서 상기 제1 가짜 영상과 상기 제1 예측 영상의 쌍의 진위 여부를 판별한 제1 판별 값을 더 입력받아 더 학습되는
질병에 대한 치료 반응을 예측하는 신경망을 학습시키는 방법. - 제1 항에 있어서,
상기 판별기는, 상기 제1 가짜 영상과 상기 제1 예측 영상의 쌍의 진위 여부를 판별한 제1 판별 값과, 상기 제1 가짜 영상과 상기 제1 예측 영상의 쌍의 진위 여부에 대한 제1 정답 값을 비교한 제1 비교 값을 더 입력받아 더 학습되는
질병에 대한 치료 반응을 예측하는 신경망을 학습시키는 방법. - 제1 항에 있어서,
상기 노이즈로부터, 제2 가짜 영상, 및 상기 제2 가짜 영상에 디스플레이된 상기 인체 기관에 제2 치료를 수행했을 때 예측되는 치료 반응이 디스플레이된 제2 예측 영상의 쌍을 생성하도록 상기 생성기를 더 학습시키는 단계; 및
상기 인체 기관을 촬영한 제2 의료 영상 및 상기 제2 의료 영상 내의 상기 인체 기관에 상기 제2 치료를 수행한 결과로서 치료 반응이 디스플레이된 제2 경과 영상의 쌍을 입력 받아, 상기 제2 가짜 영상과 상기 제2 예측 영상의 쌍의 진위 여부를 판별하도록 상기 판별기를 더 학습시키는 단계를 포함하는
질병에 대한 치료 반응을 예측하는 신경망을 학습시키는 방법. - 인공 신경망을 이용하여 질병에 대한 치료 반응을 예측하는 방법에 있어서,
질병이 감지된 제1 환자의 인체 기관을 촬영한 의료 영상을 입력받는 단계; 및
기 학습된 제1 인공 신경망을 이용하여, 입력받은 노이즈 및 상기 인체 기관을 촬영한 의료 영상을 사용하여, 상기 인체 기관이 디스플레이된 제1 가짜 영상과, 상기 인체 기관에 제1 치료를 수행하는 경우 예측되는 치료 반응이 디스플레이된 제1 예측 영상의 쌍을 출력하는 단계를 포함하고,
상기 제1 인공 신경망은 제1 생성기 및 제1 판별기를 포함하고,
상기 제1 생성기는,
상기 노이즈 및 상기 인체 기관을 촬영한 학습용 의료 영상을 사용하여, 상기 인체 기관이 디스플레이된 제1 학습용 가짜 영상과, 상기 인체 기관에 상기 제1 치료를 수행하는 경우 예측되는 치료 반응이 디스플레이된 제1 학습용 예측 영상의 쌍을 생성하도록 기 학습되고,
상기 제1 판별기는,
상기 인체 기관을 촬영한 학습용 의료 영상 및 상기 학습용 의료 영상 내의 상기 인체 기관에 상기 제1 치료를 수행한 결과로서의 치료 반응이 디스플레이된 학습용 경과 영상의 쌍을 입력 받아, 상기 제1 학습용 가짜 영상과 상기 제1 학습용 예측 영상의 쌍의 진위 여부를 판별하도록 기 학습된
질병에 대한 치료 반응을 예측하는 방법. - 제5 항에 있어서,
상기 제1 가짜 영상과 상기 의료 영상의 차이가 기 설정된 기준 값 이하인지 여부를 결정하는 단계;
상기 차이가 상기 기준 값보다 큰 경우, 상기 차이를 줄이기 위한 피드백을 생성하는 단계; 및
상기 피드백을 상기 제1 인공 신경망에 입력하여 상기 제1 가짜 영상과 상기 제1 예측 영상의 쌍을 재출력하는 단계를 포함하는
질병에 대한 치료 반응을 예측하는 방법. - 제5 항에 있어서,
상기 제1 생성기는,
상기 노이즈로부터, 상기 인체 기관이 디스플레이된 제2 학습용 가짜 영상과, 상기 인체 기관에 제2 치료를 수행하는 경우 예측되는 치료 반응이 디스플레이된 제2 학습용 예측 영상의 쌍을 더 생성하도록 기 학습되고,
상기 제1 판별기는,
상기 제2 학습용 가짜 영상과 상기 제2 학습용 예측 영상의 쌍의 진위 여부를 더 판별하도록 기 학습되고,
상기 출력하는 단계는,
상기 제1 가짜 영상과, 상기 인체 기관에 상기 제2 치료를 수행하는 경우 예측되는 치료 반응이 디스플레이된 제2 예측 영상의 쌍을 더 출력하는
질병에 대한 치료 반응을 예측하는 방법. - 제5 항에 있어서,
기 학습된 제2 인공 신경망을 이용하여, 상기 인체 기관이 디스플레이된 제2 가짜 영상과, 상기 인체 기관에 제2 치료를 수행할 때 예측되는 치료 반응이 디스플레이된 제2 예측 영상의 쌍을 출력하는 단계를 더 포함하고,
상기 제2 인공 신경망은 제2 생성기 및 제2 판별기를 포함하고,
상기 제2 생성기는,
상기 노이즈로부터, 상기 인체 기관이 디스플레이된 제2 학습용 가짜 영상과, 상기 인체 기관에 제2 치료를 수행하는 경우 예측되는 치료 반응이 디스플레이된 제2 학습용 예측 영상의 쌍을 더 생성하도록 기 학습되고,
상기 제2 판별기는,
상기 제2 학습용 가짜 영상과 상기 제2 학습용 예측 영상의 쌍의 진위 여부를 더 판별하도록 기 학습된
질병에 대한 치료 반응을 예측하는 방법. - 질병에 대한 치료 반응을 예측하도록 기 학습된 인공 신경망을 포함하는 치료 반응 예측 모델을 저장하는 메모리; 및
질병이 감지된 제1 환자의 인체 기관을 촬영한 의료 영상을 입력받고, 상기 인공 신경망을 이용하여, 입력받은 노이즈 및 상기 인체 기관을 촬영한 의료 영상을 사용하여, 상기 인체 기관이 디스플레이된 가짜 영상과, 상기 인체 기관에 소정의 치료를 수행하는 경우 예측되는 치료 반응이 디스플레이된 예측 영상의 쌍을 출력하는 프로세서를 포함하고,
상기 인공 신경망은 생성기 및 판별기를 포함하고,
상기 생성기는,
상기 노이즈 및 상기 인체 기관을 촬영한 학습용 의료 영상을 사용하여, 상기 인체 기관이 디스플레이된 학습용 가짜 영상과, 상기 인체 기관에 상기 소정의 치료를 수행하는 경우 예측되는 치료 반응이 디스플레이된 학습용 예측 영상의 쌍을 생성하도록 기 학습되고,
상기 판별기는,
상기 인체 기관을 촬영한 학습용 의료 영상 및 상기 학습용 의료 영상 내의 상기 인체 기관에 상기 소정의 치료를 수행한 결과로서의 치료 반응이 디스플레이된 학습용 경과 영상의 쌍을 입력 받아, 상기 학습용 가짜 영상과 상기 학습용 예측 영상의 쌍의 진위 여부를 판별하도록 기 학습된
치료 반응 예측 장치. - 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체로서,
상기 컴퓨터 프로그램은,
제1 항 내지 제8 항 중 어느 한 항에 따른 방법을 프로세서가 수행하도록 하기 위한 명령어를 포함하는
컴퓨터 판독 가능한 기록매체. - 컴퓨터 판독 가능한 기록매체에 저장되어 있는 컴퓨터 프로그램으로서,
상기 컴퓨터 프로그램은,
제1 항 내지 제8 항 중 어느 한 항에 따른 방법을 프로세서가 수행하도록 하기 위한 명령어를 포함하는
컴퓨터 프로그램.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200093259A KR102561318B1 (ko) | 2020-07-27 | 2020-07-27 | 인공 신경망을 이용하여 질병에 대한 치료 반응을 예측하는 방법 및 상기 방법을 수행하는 치료 반응 예측 장치 |
| PCT/KR2021/008788 WO2022025477A1 (ko) | 2020-07-27 | 2021-07-09 | 질병에 대한 치료반응을 예측하는 인공 신경망을 학습시키는 방법 및 치료 반응 예측 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200093259A KR102561318B1 (ko) | 2020-07-27 | 2020-07-27 | 인공 신경망을 이용하여 질병에 대한 치료 반응을 예측하는 방법 및 상기 방법을 수행하는 치료 반응 예측 장치 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220013817A KR20220013817A (ko) | 2022-02-04 |
| KR102561318B1 true KR102561318B1 (ko) | 2023-07-31 |
Family
ID=80035679
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200093259A KR102561318B1 (ko) | 2020-07-27 | 2020-07-27 | 인공 신경망을 이용하여 질병에 대한 치료 반응을 예측하는 방법 및 상기 방법을 수행하는 치료 반응 예측 장치 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR102561318B1 (ko) |
| WO (1) | WO2022025477A1 (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102001398B1 (ko) * | 2018-01-25 | 2019-07-18 | 재단법인 아산사회복지재단 | 기계학습을 통한 뇌질환 상태변화 예측방법, 장치 및 프로그램 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6036009B2 (ja) * | 2012-08-28 | 2016-11-30 | 大日本印刷株式会社 | 医用画像処理装置、およびプログラム |
| US10282588B2 (en) * | 2016-06-09 | 2019-05-07 | Siemens Healthcare Gmbh | Image-based tumor phenotyping with machine learning from synthetic data |
| KR101884609B1 (ko) * | 2017-05-08 | 2018-08-02 | (주)헬스허브 | 모듈화된 강화학습을 통한 질병 진단 시스템 |
| KR20190106403A (ko) | 2018-03-09 | 2019-09-18 | 연세대학교 산학협력단 | 질환 예측 방법 및 이를 이용한 질환 예측 디바이스 |
| KR102225894B1 (ko) | 2018-04-24 | 2021-03-11 | 네이버 주식회사 | 딥 어텐션 네트워크를 이용하여 환자 의료 기록으로부터 질병 예후를 예측하는 방법 및 시스템 |
| KR20200089146A (ko) * | 2019-01-16 | 2020-07-24 | 삼성전자주식회사 | 의료 영상 처리 장치 및 방법 |
-
2020
- 2020-07-27 KR KR1020200093259A patent/KR102561318B1/ko active IP Right Grant
-
2021
- 2021-07-09 WO PCT/KR2021/008788 patent/WO2022025477A1/ko active Application Filing
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102001398B1 (ko) * | 2018-01-25 | 2019-07-18 | 재단법인 아산사회복지재단 | 기계학습을 통한 뇌질환 상태변화 예측방법, 장치 및 프로그램 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20220013817A (ko) | 2022-02-04 |
| WO2022025477A1 (ko) | 2022-02-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10664979B2 (en) | Method and system for deep motion model learning in medical images | |
| JP6895508B2 (ja) | 医療映像のメタデータ予測装置および方法 | |
| EP3477589B1 (en) | Method of processing medical image, and medical image processing apparatus performing the method | |
| JP7038857B2 (ja) | 医用画像変換 | |
| CN110993063B (zh) | 用于便于由放射科医师和人工智能算法进行联合解释的扫描仪处的医学图像预处理 | |
| JP7115114B2 (ja) | Ｘ線画像物体認識システム | |
| JP7449077B2 (ja) | 医用撮像における特徴識別 | |
| JP2024019441A (ja) | 人工知能モデルを使用機関に特化させる学習方法、これを行う装置 | |
| KR102036416B1 (ko) | 진단 영상을 변환하기 위한 장치, 이를 위한 방법 및 이 방법을 수행하는 프로그램이 기록된 컴퓨터 판독 가능한 기록매체 | |
| WO2020083298A1 (zh) | 医学影像的识别方法、装置、存储介质和电子设备 | |
| EP4260295A1 (en) | Self-supervised machine learning for medical image analysis | |
| KR102622932B1 (ko) | 딥러닝을 이용한 하지 x선 이미지 자동 분석 장치 및 방법 | |
| KR20220011012A (ko) | 인공 신경망을 이용하여 내시경 영상으로부터 깊이 맵을 생성하는 방법, 상기 인공 신경망을 학습시키는 방법 및 상기 방법을 수행하는 깊이 맵 생성 장치 | |
| KR102561318B1 (ko) | 인공 신경망을 이용하여 질병에 대한 치료 반응을 예측하는 방법 및 상기 방법을 수행하는 치료 반응 예측 장치 | |
| JP2020010804A (ja) | 医用画像診断支援装置、プログラム及び医用画像診断支援方法 | |
| KR20220149929A (ko) | 주목 매커니즘 기반의 멀티 스케일 신경망을 활용한 흉부 x선 영상 검출 장치 및 방법 | |
| KR102687055B1 (ko) | 의료 이미지에서 비정상 영역을 검출하는 방법, 상기 방법을 수행하는 비정상 영역 검출 장치, 및 의료 이미지에서 비정상 영역을 검출하는데 이용되는 신경망을 학습시키는 방법 | |
| KR20210010770A (ko) | 이미지의 특이 영역 분석 방법 및 장치 | |
| US20190325318A1 (en) | Method and system for learning in a trustless environment | |
| KR102433054B1 (ko) | 의료 영상의 메타데이터 예측 장치 및 방법 | |
| KR102464887B1 (ko) | 의료 영상의 메타데이터 예측 장치 및 방법 | |
| EP4246526A1 (en) | System and method for providing enhancing or contrast agent advisability indicator | |
| US20240331342A1 (en) | System and method for determining an orthodontic occlusion class | |
| JP2023166761A (ja) | 情報処理システム、情報処理装置および情報処理方法 | |
| JP6251945B1 (ja) | 診断支援システム、医療診断支援装置及び診断支援方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |