KR102569976B1 - 의료 영상 처리 방법 - Google Patents
의료 영상 처리 방법 Download PDFInfo
- Publication number
- KR102569976B1 KR102569976B1 KR1020210042510A KR20210042510A KR102569976B1 KR 102569976 B1 KR102569976 B1 KR 102569976B1 KR 1020210042510 A KR1020210042510 A KR 1020210042510A KR 20210042510 A KR20210042510 A KR 20210042510A KR 102569976 B1 KR102569976 B1 KR 102569976B1
- Authority
- KR
- South Korea
- Prior art keywords
- region
- interest
- outline
- color
- medical image
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000012545 processing Methods 0.000 title claims abstract description 42
- 230000014509 gene expression Effects 0.000 claims abstract description 57
- 238000013136 deep learning model Methods 0.000 claims abstract description 29
- 238000001514 detection method Methods 0.000 claims description 38
- 230000003902 lesion Effects 0.000 claims description 33
- 239000003086 colorant Substances 0.000 claims description 30
- 238000009826 distribution Methods 0.000 claims description 25
- 238000003860 storage Methods 0.000 claims description 20
- 230000000007 visual effect Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 8
- 230000002093 peripheral effect Effects 0.000 claims description 6
- 238000003672 processing method Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 68
- 238000013528 artificial neural network Methods 0.000 description 65
- 230000008569 process Effects 0.000 description 34
- 238000004891 communication Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 230000005540 biological transmission Effects 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 9
- 238000012549 training Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000002591 computed tomography Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 230000007423 decrease Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 6
- 238000002595 magnetic resonance imaging Methods 0.000 description 5
- 241000282326 Felis catus Species 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 230000007170 pathology Effects 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010801 machine learning Methods 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
- 210000000056 organ Anatomy 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 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
- 238000010191 image analysis Methods 0.000 description 1
- 230000000415 inactivating effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000010473 stable expression Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- 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
-
- 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
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
-
- 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
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- 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
- A61B6/52—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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- 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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
-
- 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
- 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
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Radiology & Medical Imaging (AREA)
- Multimedia (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Physiology (AREA)
- Pulmonology (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Analysis (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 의료 영상 처리 방법이 개시된다. 상기 방법은, 사전 학습된 딥러닝 모델을 사용하여 의료 영상의 관심 영역을 검출하는 단계, 관심 영역에 대한 외곽선(contour) 정보를 결정하는 단계, 및 외곽선 정보를 기초로, 의료 영상의 표현을 결정짓는 요소들을 정의한 포맷(format) 정보를 생성하는 단계를 포함할 수 있다.
또한, 대안적 실시예에 따르면, 상기 방법은, 의료 영상의 표현을 결정짓는 요소들을 정의한 포맷정보를 수신하는 단계; 의료 영상과 의료 영상에 대응하는 포맷 정보를 결합하는 단계; 및 결합의 결과를 반영하는 사용자 인터페이스를 생성하는 단계를 포함할 수 있다.
또한, 대안적 실시예에 따르면, 상기 방법은, 의료 영상의 표현을 결정짓는 요소들을 정의한 포맷정보를 수신하는 단계; 의료 영상과 의료 영상에 대응하는 포맷 정보를 결합하는 단계; 및 결합의 결과를 반영하는 사용자 인터페이스를 생성하는 단계를 포함할 수 있다.
Description
본 발명은 의료 영상의 처리 방법에 관한 것으로, 보다 구체적으로 딥러닝을 기반으로 의료 영상을 분석하고, 분석 결과를 효과적으로 사용자에게 제공하는 방법에 관한 것이다.
의료 영상은 인체의 여러 가지 장기들의 물리적인 상태를 이해할 수 있게 해주는 자료이다. 의료 영상에는 디지털 방사선 영상(X-ray), 컴퓨터 단층 촬영(CT) 또는 자기공명영상(MRI) 등이 있다.
영상 분석 기술 및 인공지능 기술의 발달에 따라, 의료 영상은 질병의 진단을 보조하기 위한 분석 자료로서 다양하게 활용되고 있다. 현재 구축된 의료 시스템에서는 의료 영상에 대한 분석 결과를 다양하게 시각화하여 임상의 등과 같은 시스템 사용자에게 제공해주고 있다. 예를 들어, 현재 의료 시스템은 병변 정보와 같은 의료 영상에 대한 분석 결과를 의료 영상 자체에 표시하여 출력 단말로 제공하고 있다. 즉, 현재 의료 시스템은 원본 의료 영상에 분석 결과를 그대로 중첩 표시하여 생성된 영상을 출력 단말로 전달하여 분석 결과를 사용자에게 제공해주고 있다.
현재 의료 시스템에서 사용하고 있는 전술한 방식은 분석 결과에 해당하는 데이터가 원본 영상을 그대로 복사하는 방식이기 때문에, 데이터 용량이 클 수 밖에 없고, 큰 용량의 데이터를 처리하기 위해 수많은 리소스(resource)가 필요할 수 밖에 없는 문제를 안고 있다. 특히, 원본이 수백여 장의 시리즈(series)로 구성된 대용량 영상인 경우, 시스템 상에서 분석 영상을 처리하기 위한 데이터의 용량이 부담될 수 밖에 없다. 따라서, 현재 의료 시스템에서 분석 데이터의 용량을 줄이면서도 의료 영상의 분석 결과를 효과적으로 표시할 수 있는 기술 개발이 필요한 실정이다.
대한민국 등록특허 제10-1716039호(2017.03.13)는 의료 영상 기반의 질환 진단 정보 산출 방법 및 장치에 관하여 개시한다.
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 딥러닝을 기반으로 의료 영상의 관심 영역을 검출하고, 검출 결과를 효과적으로 표시할 수 있도록 데이터를 처리하는 방법을 제공하는 것을 목적으로 한다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 제 1 실시예에 따라 컴퓨팅 장치에 의해 수행되는 의료 영상 처리 방법이 개시된다. 상기 방법은, 사전 학습된 딥러닝 모델을 사용하여 의료 영상의 관심 영역을 검출하는 단계; 상기 관심 영역에 대한 외곽선(contour) 정보를 결정하는 단계; 및 상기 외곽선 정보를 기초로, 상기 의료 영상의 표현을 결정짓는 요소들을 정의한 포맷(format) 정보를 생성하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 관심 영역에 대한 외곽선 정보를 결정하는 단계는, 상기 의료 영상의 색상 공간(color space)을 식별하는 단계; 및 상기 색상 공간이 식별된 의료 영상의 관심 영역의 색상 분포를 기반으로, 상기 관심 영역을 표시하는 외곽선의 색상을 결정하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 관심 영역을 표시하는 외곽선의 색상을 결정하는 단계는, 상기 색상 분포 내에서 색상들 간의 상호 연관성 기초로 상기 관심 영역을 표시하는 외곽선의 색상을 결정하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 의료 영상의 색상 공간이 RGB 공간인 경우, 상기 관심 영역을 표시하는 외곽선의 색상을 결정하는 단계는, 상기 의료 영상으로부터 픽셀 단위의 색상 분포를 나타내는 히스토그램(histogram)을 도출하는 단계; 상기 히스토그램에 존재하는 색상들의 출현 빈도를 기초로 제 1 후보 색상 값을 결정하는 단계; 상기 의료 영상의 색상 공간을 HSV(hue saturation value) 공간으로 변환하고, 상기 HSV 공간에서의 히스토그램을 기초로 제 2 후보 색상 값을 결정하는 단계; 상기 의료 영상에 포함된 픽셀들의 밝기를 기초로 그레이 스케일(grayscale)의 제 3 후보 색상 값을 결정하는 단계; 및 상기 제 1 후보 색상 값, 상기 제 2 후보 색상 값 및 상기 제 3 후보 색상 값을 기초로 상기 관심 영역을 표시하는 외곽선의 색상을 결정하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 히스토그램에 존재하는 색상들의 출현 빈도를 기초로 제 1 후보 색상 값을 결정하는 단계는, 상기 히스토그램에 존재하는 색상들 중에서 출현 빈도가 가장 낮은 적어도 하나의 색상을 기초로, 소정의 색상을 두드러지게 표현하는 적어도 하나의 색상 값을 제 1 후보 색상 값으로 결정하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 HSV 공간에서의 히스토그램을 기초로 제 2 후보 색상 값을 결정하는 단계는, 상기 HSV 공간에서의 히스토그램에서 비어 있는 색조(hue)를 선택하는 단계; 상기 관심 영역을 포함하는 후보 영역에 포함된 픽셀들의 밝기를 기초로, 시각적 대비가 두드러지게 나타나는 채도(saturation) 및 명도(value of brightness)를 선택하는 단계; 및 상기 선택된 색조, 채도 및 명도를 기초로 상기 제 2 후보 색상 값을 결정하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 의료 영상에 포함된 픽셀들의 밝기를 기초로 제 3 후보 색상 값을 결정하는 단계는, 상기 관심 영역을 포함하는 후보 영역에 포함된 픽셀들의 밝기를 기초로, 시각적 대비가 두드러지게 나타나는 그레이 스케일(grayscale)의 색상 값을 선택하는 단계; 및 상기 선택된 그레이 스케일의 색상 값을 상기 제 3 후보 색상 값으로 결정하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 의료 영상의 색상 공간이 그레이 스케일 공간인 경우, 상기 관심 영역을 표시하는 외곽선의 색상을 결정하는 단계는, 상기 의료 영상으로부터 픽셀 단위의 색상 분포를 나타내는 히스토그램을 도출하는 단계; 상기 히스토그램을 기초로 관심 영역에 나타나지 않는 적어도 하나의 색상을 파악하는 단계; 및 상기 관심 영역에 나타나지 않는 적어도 하나의 색상을 기초로, 상기 관심 영역을 표시하는 외곽선의 색상을 결정하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 관심 영역에 나타나지 않는 적어도 하나의 색상을 기초로, 상기 관심 영역을 표시하는 외곽선의 색상을 결정하는 단계는, 상기 관심 영역에 나타나지 않는 적어도 하나의 색상을 기초로, 상기 관심 영역을 표시하는 외곽선의 종류 및 개수에 맞추어 서로 다른 색상으로 구별 가능한 색상을 결정하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 관심 영역에 대한 외곽선 정보를 결정하는 단계는, 상기 관심 영역의 검출 정보를 기초로 상기 관심 영역의 외곽선의 형태와 관련된 표현 요소를 결정하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 검출 정보는, 상기 관심 영역의 존재에 관한 확률값 또는 상기 관심 영역의 수치값 중 적어도 하나를 포함할 수 있다. 그리고, 상기 관심 영역의 외곽선의 형태와 관련된 표현 요소는, 상기 외곽선의 두께, 상기 외곽선의 선명도, 상기 외곽선의 정밀도 또는 상기 외곽선의 그림자의 선명도 중 적어도 하나를 포함할 수 있다.
대안적 실시예에서, 상기 관심 영역의 검출 정보를 기초로 상기 관심 영역의 외곽선의 형태와 관련된 표현 요소를 결정하는 단계는, 상기 관심 영역의 존재에 관한 확률값 또는 상기 관심 영역의 수치값 중 적어도 하나의 크기를 기초로, 상기 외곽선의 두께, 상기 외곽선의 선명도, 상기 외곽선의 정밀도 또는 상기 외곽선의 그림자의 선명도 중 적어도 하나를 결정하는 단계를 포함할 수 있다. 이때, 상기 관심 영역의 존재에 관한 확률값 또는 상기 관심 영역의 수치값 중 적어도 하나의 크기가 커질수록, 상기 외곽선의 두께, 상기 외곽선의 선명도, 상기 외곽선의 정밀도 또는 상기 외곽선의 그림자의 선명도 중 적어도 하나의 크기도 커질 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 제 2 실시예에 따라 컴퓨팅 장치에 의해 수행되는 의료 영상 처리 방법이 개시된다. 상기 방법은, 의료 영상의 표현을 결정짓는 요소들을 정의한 포맷정보를 수신하는 단계; 의료 영상과 상기 의료 영상에 대응하는 포맷 정보를 결합하는 단계; 및 상기 결합의 결과를 반영하는 사용자 인터페이스를 생성하는 단계를 포함할 수 있다. 이때, 상기 포맷 정보는, 사전 학습된 딥러닝 모델을 사용하여 검출된 의료 영상의 관심 영역에 대한 외곽선 정보를 기초로 생성될 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 의료 영상을 처리하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 사전 학습된 딥러닝 모델을 사용하여 의료 영상의 관심 영역을 검출하는 동작; 상기 관심 영역에 대한 외곽선 정보를 결정하는 동작; 및 상기 외곽선 정보를 기초로, 상기 의료 영상의 표현 계층을 결정하는 요소들을 정의한 포맷 정보를 생성하는 동작을 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 의료 영상을 처리하는 컴퓨팅 장치가 개시된다. 상기 장치는, 적어도 하나의 코어를 포함하는 프로세서; 상기 프로세서에서 실행가능한 프로그램 코드들을 포함하는 메모리; 및 의료 영상을 수신하기 위한 네트워크부를 포함하고, 상기 프로세서는, 사전 학습된 딥러닝 모델을 사용하여 의료 영상의 관심 영역을 검출하고, 상기 관심 영역에 대한 외곽선 정보를 결정하며, 상기 외곽선 정보를 기초로, 상기 의료 영상의 표현 계층을 결정하는 요소들을 정의한 포맷 정보를 생성할 수 있다.
본 개시는 딥러닝을 기반으로 의료 영상의 관심 영역을 검출하고, 검출 결과를 효과적으로 표시할 수 있도록 데이터를 처리하는 방법을 제공할 수 있다.
도 1은 의료 영상을 처리하는 종래 시스템의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따라 의료 영상을 처리하는 시스템의 블록 구성도이다.
도 3은 본 개시의 일 실시예에 따른 의료 영상을 처리하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 4는 본 개시의 일 실시예에 따른 의료 영상 처리 방법을 나타낸 순서도이다.
도 5는 본 개시의 일 실시예에 따른 네트워크 함수를 나타낸 개략도이다.
도 6은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 의료 영상 처리 과정을 나타낸 다이어그램(diagram)이다.
도 7 및 8은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 관심 영역을 표시하는 외곽선 정보의 결정 과정을 구체화시킨 다이어그램이다.
도 9는 본 개시의 추가적인 일 실시예에 따른 의료 영상 처리 방법을 나타낸 순서도이다.
도 10은 본 개시의 일 실시예에 따른 컴퓨팅 환경의 개략도이다.
도 2는 본 개시의 일 실시예에 따라 의료 영상을 처리하는 시스템의 블록 구성도이다.
도 3은 본 개시의 일 실시예에 따른 의료 영상을 처리하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 4는 본 개시의 일 실시예에 따른 의료 영상 처리 방법을 나타낸 순서도이다.
도 5는 본 개시의 일 실시예에 따른 네트워크 함수를 나타낸 개략도이다.
도 6은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 의료 영상 처리 과정을 나타낸 다이어그램(diagram)이다.
도 7 및 8은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 관심 영역을 표시하는 외곽선 정보의 결정 과정을 구체화시킨 다이어그램이다.
도 9는 본 개시의 추가적인 일 실시예에 따른 의료 영상 처리 방법을 나타낸 순서도이다.
도 10은 본 개시의 일 실시예에 따른 컴퓨팅 환경의 개략도이다.
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.
그리고, "A 또는 B 중 적어도 하나"이라는 용어는, "A만을 포함하는 경우", "B 만을 포함하는 경우", "A와 B의 구성으로 조합된 경우"를 의미하는 것으로 해석되어야 한다.
당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 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 예시적 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 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
본 개시에서 네트워크 함수와 인공 신경망 및 뉴럴 네트워크(neural network)는 상호 교환 가능하게 사용될 수 있다.
한편, 본 개시의 상세한 설명 및 청구항들에 걸쳐 이용된 "이미지" 또는 "영상"이라는 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), 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 개시의 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 개시의 상세한 설명 및 청구항들에 걸쳐 '의료 영상 저장 전송 시스템(PACS; Picture Archiving and Communication System)'은 DICOM 표준에 맞게 저장, 가공 및 전송하는 시스템을 지칭하는 용어이다. 의료 영상 저장 전송 시스템(PACS)에서 X선, CT, MRI와 같은 디지털 의료 영상 장비를 이용하여 획득된 의료 영상(이미지)는 DICOM 형식으로 저장되고 네트워크를 통하여 병원 내외의 단말로 전송이 가능하며, 이에는 판독 결과 및 진료 기록이 추가될 수 있다.
도 1은 의료 영상을 처리하는 종래 시스템의 블록 구성도이다.
도 1을 참조하면, 종래 시스템은 의료 영상(11)을 입력받아 분석을 수행하고, 분석 결과를 기초로 분석 영상(15)을 생성하는 제 1 컴퓨팅 장치(210) 및 분석 영상(15)을 기초로 분석 결과를 표시하는 출력 영상(17)을 생성하는 제 2 컴퓨팅 장치(250)를 포함한다. 의료 영상(11)의 분석이 완료되면, 제 1 컴퓨팅 장치(210)는 분석 결과로 생성된 분석 정보(13)를 의료 영상(11)에 오버레이(overlay) 하여 분석 영상(15)을 생성한다. 제 2 컴퓨팅 장치(250)는 제 1 컴퓨팅 장치(210)로부터 분석 영상(15)을 수신하여 출력 영상(17)을 생성한다. 이때, 출력 영상(17)은 분석 영상(15) 자체일 수도 있고, 분석 영상(15)에 대한 추가적인 처리를 통해 생성된 영상일 수도 있다.
종래 시스템의 제 1 컴퓨팅 장치(210)를 통해 생성된 분석 영상(15)은 원본 영상인 의료 영상(11) 자체에 분석 정보(13)가 중첩 표시된 영상이다. 즉, 분석 영상(15)은 원본 영상인 의료 영상(11) 자체(혹은 복사본)과 함께 분석 정보(13)를 포함한다. 따라서, 분석 영상(15)은 의료 영상(11) 대비 용량이 커질 수 밖에 없다. 그리고, 분석 영상(15)의 큰 용량은 컴퓨팅 장치(210, 250) 간 데이터 송수신, 컴퓨팅 장치(210, 250)의 영상 생성 혹은 분석 결과를 출력하는 처리 동작에 부담을 줄 수 밖에 없다.
예를 들어, 종래 시스템의 제 1 컴퓨팅 장치(210)는 의료 영상의 병변을 분석하는 서버, 제 2 컴퓨팅 장치(250)는 PACS 뷰어(viewer) 단말이다. 제 1 컴퓨팅 장치(210)인 병변 분석 서버는 의료 영상을 입력받아 병변 영역을 분석하고, 병변 영역에 대한 정보를 의료 영상에 오버레이 하여 SC(secondary capture) 영상을 생성한다. 이때, SC 영상은 제 2 컴퓨팅 장치(250)인 PACS 뷰어 단말에서 출력 가능하도록 DICOM 형식의 데이터이다. SC 영상(i.e. SC DICOM 데이터)는 원본인 의료 영상을 그대로 복사하기 때문에 상당히 큰 용량을 가질 수 밖에 없다. 특히, 의료 영상이 3차원 영상인 경우, 원본 영상이 100 내지 200 여장의 DICOM 형식의 시리즈(series) 데이터이기 때문에, DICOM 형식의 SC 영상은 컴퓨팅 리소스가 처리하기 부담스러운 수십 내지 수백 MB(megabyte)의 큰 용량으로 생성될 수 밖에 없다. 즉, 종래 시스템을 통해 DICOM 형식의 SC 영상을 장치 간 공유하고, DICOM 형식의 SC 영상을 기초로 병변 분석 결과를 출력하는 것은 이미지 처리를 위한 컴퓨팅 리소스에 상당한 부담을 주고, 효율적이고 효과적인 분석 결과의 제공을 어렵게 만드는 원인을 제공한다.
도 2는 본 개시의 일 실시예에 따라 의료 영상을 처리하는 시스템의 블록 구성도이다.
도 2를 참조하면, 본 개시의 일 실시예에 따른 시스템은 의료 영상(21)을 입력받아 분석을 수행하고, 분석 결과를 기초로 의료 영상의 표현을 결정짓는 요소를 정의한 포맷 정보(23)를 생성하는 제 1 컴퓨팅 장치(310) 및 포맷 정보(23)를 입력받아 의료 영상의 분석 결과를 표시하는 출력 영상(27)을 생성하는 제 2 컴퓨팅 장치(350)를 포함할 수 있다. 제 1 컴퓨팅 장치(310)는 의료 영상(21)에 분석 결과를 오버레이 하는 것이 아닌, 의료 영상(21)에 대한 분석 결과를 의료 영상(21)에 결합 가능한 별도의 포맷 정보(23)로 생성할 수 있다. 제 1 컴퓨팅 장치(310)는 의료 영상(21)에 대한 분석 결과가 의료 영상에서 어떻게 표현될지를 결정짓는 요소들에 관한 포맷 정보(23)를 생성하여 제 2 컴퓨팅 장치(350)로 전달할 수 있다. 제 2 컴퓨팅 장치(350)는 포맷 정보(23)를 수신하여 포맷 정보(23)를 의료 영상(25)과 결합시키는 동작을 통해 분석 결과를 표시하기 위한 출력 영상(27)을 생성할 수 있다. 이때, 의료 영상(25)은 제 2 컴퓨팅 장치(350)에 기 저장된 포맷 정보(23)에 대응되는 영상일 수도 있고, 제 1 컴퓨팅 장치(310)로부터 전달되는 원본에 해당하는 의료 영상(21)일 수도 있다.
본 개시의 제 1 컴퓨팅 장치(310)를 통해 생성된 포맷 정보(23)는 원본 영상인 의료 영상(21)을 제외하고 의료 영상(21)의 분석된 결과를 영상에 표시하기 위한 주요 정보들을 포함할 수 있다. 즉, 포맷 정보(23)는 영상 데이터가 아닌 분석 결과가 매칭되는 의료 영상의 종류, 분석 결과가 표시될 영상 내 영역 등 분석 결과에 대한 의료 영상의 표현을 결정짓는 요소들을 정의하는 데이터로 이해될 수 있다. 따라서, 포맷 정보(23)는 영상 자체를 포함하지 않고 중요한 분석 결과를 소실하지 않으면서도 도 1에 도시된 종래 시스템의 분석 영상(15) 대비 적은 용량으로 생성될 수 있다. 포맷 정보(23)의 적은 용량은 컴퓨팅 장치(310, 350) 간 데이터 송수신, 컴퓨팅 장치(310, 350)의 영상 생성 혹은 분석 결과를 출력하는 처리 동작에 가해지는 부담을 경감시킬 수 있다.
본 개시의 제 2 컴퓨팅 장치(350)를 통해 생성된 출력 영상(27)은 포맷 정보(23)와 의료 영상(25)의 결합을 통해 생성된 데이터로 이해될 수 있다. 포맷 정보(23)는 어떠한 의료 영상에 어떠한 정보를 표현할지를 결정짓는 다양한 스펙(specification)을 정의한다. 따라서, 제 2 컴퓨팅 장치(350)는 포맷 정보(23)를 의료 영상(25)에 결합시킴으로써, 제 1 컴퓨팅 장치(310)를 통해 분석된 결과를 정확히 표현할 수 있는 출력 영상(27)을 손쉽게 생성할 수 있다. 이와 같이 포맷 정보(23)를 활용하여 출력 영상(27)을 생성하는 경우, 분석 결과를 표시하기 위한 데이터 처리 과정에서 필요로 하는 리소스를 줄일 수 있다. 또한, 포맷 정보(23)는 분석 결과의 다양한 표현 요소들을 정의하므로, 포맷 정보(23)를 활용하여 출력 영상(27)을 생성하는 경우, 분석 결과에 대한 시각적 표시 효과를 종래 시스템 대비 대폭 개선시킬 수 있다.
예를 들어, 본 개시의 일 실시예에 따른 제 1 컴퓨팅 장치(310)는 의료 영상의 병변을 분석하는 서버, 제 2 컴퓨팅 장치(350)는 PACS에 포함된 임의의 단말 중 하나일 수 있다. 제 1 컴퓨팅 장치(310)인 병변 분석 서버는 의료 영상을 입력받아 사전 학습된 딥러닝 모델을 사용하여 병변 영역을 분석할 수 있다. 그리고, 제 1 컴퓨팅 장치(310)인 병변 분석 서버는 병변 영역에 대한 영상 표현 요소를 정의하는 포맷 정보 중 하나인 GSPS(grayscale softcopy presentation state) 정보를 생성할 수 있다. 이때, GSPS 정보는 DICOM 영상의 표시 상태를 결정 짓는 요소들을 정의한 DICOM 객체로서, 화면에 표시되는 영상의 상태를 표시하는데 관련된 정보를 포함할 수 있다. 즉, GSPS 정보는 어떤 영상 파일, 어떤 위치에 병변 분석 정보를 보여줄지를 정의하는 데이터 요소들을 나타낸다. 따라서, 의료 영상이 100 내지 200 여장의 DICOM 형식의 시리즈(series) 데이터로 구성된 3차원 영상이라고 하더라도, GSPS 정보는 영상 데이터 자체가 아니기 때문에 컴퓨팅 리소스가 처리하기 용이한 수 KB(kilobyte) 내지 수 MB(megabyte)의 적은 용량으로 생성될 수 있다. 제 2 컴퓨팅 장치(350)인 PACS 단말은 DICOM 형식의 영상에 GSPS 정보를 정합시켜 병변 영역에 대한 정보를 제공하기 위한 영상 혹은 사용자 인터페이스를 생성할 수 있다.
본 개시의 일 실시예에 따른 시스템은 DICOM 형식의 영상 데이터와 병변 영역에 대한 표현 요소를 정의한 GSPS 데이터를 구분하여 처리할 수 있으므로, 컴퓨팅 리소스의 데이터 처리 부담을 상당히 경감시킬 수 있다. 또한, 본 개시의 일 실시예에 따르면, GSPS 파일을 통해 영상의 화면 표시 상태를 표준화시킬 수 있으므로, 영상 촬영 장치, 출력 장치 등과 같은 컴퓨팅 리소스 환경에 영향 없이 품질이 보증된 분석 결과가 시스템 사용자에게 제공될 수 있다. 즉, 본 개시의 일 실시예에 따른 시스템에서의 GSPS 파일의 활용은 효율적이고 효과적인 데이터 시각화 처리 및 분석 결과의 제공이 가능한 환경을 제공할 수 있다.
GSPS와 같은 포맷 정보의 종류와 관련된 구체적인 기재는 앞서 가정한 의료 시스템의 컴퓨팅 환경에 따라 설정된 예시일 뿐이다. 따라서, 포맷 정보의 종류는 전술한 예시(i.e. GSPS)에 한정되지 않고, 의료 시스템의 컴퓨팅 환경에 따라 당업자가 이해 가능한 범위 내에서 변경될 수 있다.
도 3은 본 개시의 일 실시예에 따른 의료 영상을 처리하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 3에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.
컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.
프로세서(110)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 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.
본 개시의 일 실시 예에 따르면, 프로세서(110)는 사전 학습된 딥러닝 모델을 사용하여 의료 영상의 관심 영역을 검출할 수 있다. 예를 들어, 프로세서(110)는 사전 학습된 딥러닝 모델을 사용하여 의료 영상의 관심 영역의 탐지(detection), 분할(segmentation) 혹은 분류(classification) 등의 병변을 검출하기 위한 테스크(task)를 수행할 수 있다. 프로세서(110)는 딥러닝 모델을 사용한 탐지, 분할 혹은 분류 등의 테스크를 수행함으로써, 의료 영상에서 병변으로 판단되는 영역을 검출할 수 있다. 이때, 의료 영상은 2차원 영상 혹은 3차원 영상을 모두 포함할 수 있다. 또한, 의료 영상은 단일 영상 뿐만 아니라 시리즈 영상들, 시계열적 관계에 있는 복수의 영상들을 모두 포함할 수 있다.
프로세서(110)는 딥러닝 모델을 통해 검출된 관심 영역의 외곽선(contour) 정보를 결정할 수 있다. 프로세서(110)는 관심 영역을 의료 영역의 나머지 영역들과 구별하여 표시하기 위해서 딥러닝 모델을 통해 도출된 관심 영역의 검출 정보를 기초로 관심 영역에 대한 외곽선 정보를 생성할 수 있다. 이때, 외곽선 정보는 관심 영역을 나타내는 외곽선의 색상 정보, 형태 정보 등을 포함할 수 있다. 예를 들어, 프로세서(110)는 관심 영역의 검출 정보와 의료 영상을 구성하는 색상 공간(color space)을 기반으로 외곽선의 색상을 결정하여 색상 정보를 생성할 수 있다. 이때, 외곽선의 색상은 관심 영역의 주변 영역의 색상, 관심 영역의 종류 및 개수 등을 고려하여 결정될 수 있다. 또한, 프로세서(110)는 관심 영역의 검출 정보를 기반으로 외곽선의 형태와 관련된 표현 요소를 결정하여 형태 정보를 생성할 수 있다. 이때, 외곽선의 형태와 관련된 표현 요소는 관심 영역의 종류 및 개수 등을 고려하여 결정될 수 있다.
프로세서(110)는 외곽선 정보를 기초로 의료 영상의 표현을 결정짓는 요소들을 정의한 포맷 정보를 생성할 수 있다. 포맷 정보는 관심 영역과 관련된 정보를 기반으로 관심 영역을 시각화하기 위한 표현 요소들을 정의한다. 프로세서(110)는 관심 영역의 외곽선 정보를 포함한 시각화 정보를 의료 영상과 구분하여 별개의 데이터인 포맷 정보로 생성할 수 있다. 프로세서(110)를 통해 생성된 포맷 정보는 영상에 모든 정보를 표시하였던 기존 방식 대비 용량적 이점을 가짐과 동시에 검출 정보의 시각화 품질을 보장할 수 있다. 예를 들어, 의료 영상이 DICOM 영상인 경우, 프로세서(110)는 전술한 관심 영역의 분석 결과를 기초로 DICOM 영상의 표현 계층을 결정하는 요소들을 정의한 GSPS 정보를 생성할 수 있다. 이때, GSPS 정보는 매칭(혹은 참조)될 DICOM 영상에 대한 정보, 매칭될 DICOM 영상에서 시각적으로 표현될 관심 영역의 검출 정보 및 외곽선 정보 등을 포함할 수 있다.
대안적 실시예에서, 컴퓨팅 장치(100)가 의료 영상의 분석 결과를 출력하거나 사용자에게 제공하기 위한 장치인 경우, 프로세서(110)는 의료 영상과 의료 영상에 대응하는 포맷 정보를 결합시킬 수 있다. 의료 영상의 관심 영역에 대한 분석 결과를 사용자에게 제공해야 하는 경우, 프로세서(110)는 포맷 정보와 의료 영상을 결합시켜 관심 영역에 대한 분석 결과가 표현된 영상을 생성할 수 있다. 예를 들어, 의료 영상이 DICOM 영상인 경우, 프로세서(110)는 GSPS 정보를 DICOM 영상에 결합시켜 딥러닝 모델을 사용한 분석을 통해 검출된 병변에 대한 정보가 표시된 영상을 생성할 수 있다. GSPS 정보는 어떠한 종류의 DICOM 영상의 어떠한 영역에 병변을 표현할지를 정의하고 있으므로, 프로세서(110)는 GSPS 정보를 참조하여 GSPS 정보에 대응하는 의료 영상으로부터 병변을 시각적으로 표현하는 의료 영상을 생성할 수 있다.
프로세서(110)는 의료 영상과 포맷 정보 간의 결합을 통해 생성된 영상을 기초로 사용자 인터페이스를 생성할 수 있다. 프로세서(110)는 포맷 정보에 포함된 관심 영역의 검출 정보 및 외곽선 정보 등이 모두 표현되는 의료 영상을 기반으로 사용자 인터페이스를 생성할 수 있다. 예를 들어, 프로세서(110)는 DICOM 영상과 GSPS 정보의 결합을 통해 생성된 신체 일부에 예상되는 병변이 표시된 DICOM 영상을 기반으로 질병의 진단을 보조하는 사용자 인터페이스를 생성할 수 있다. 이때, 사용자 인터페이스를 통해 출력되는 DICOM 영상에는 병변의 검출 정보(e.g. 존재 확률, 크기, 부피 등) 뿐만 아니라 GSPS 정보를 기반으로 표현된 병변으로 예측되는 영역의 외곽선이 표시될 수 있다. 이때, 병변으로 예측되는 영역의 외곽선은 GSPS 정보를 기반으로 병변의 종류, 개수 등이 고려되어 색상, 형태 등이 구분되도록 DICOM 영상 상에서 표현될 수 있다.
본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다.
본 개시의 일 실시예에 따르면, 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. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따른 네트워크부(150)는 임의의 형태의 공지된 유무선 통신 시스템을 사용할 수 있다.
네트워크부(150)는 신체의 적어도 일부가 표현된 의료 영상을 의료 영상 촬영 장치(혹은 시스템)으로부터 수신할 수 있다. 예를 들어, 신체의 적어도 일부가 표현된 의료 영상은 2차원 특징 또는 3차원 특징으로 학습된 딥러닝 모델의 학습용 데이터 또는 추론용 데이터일 수 있다. 신체의 적어도 일부가 표현된 의료 영상은 3차원 T1 MR 이미지, X-ray 영상, CT 영상, 병리 슬라이드 영상 등과 같이 촬영을 통해 획득된 신체 장기와 관련된 영상을 모두 포함할 수 있다.
대안적 실시예에서, 네트워크부(150)는 의료 영상의 분석 데이터를 의료 영상의 분석을 위한 장치(혹은 시스템)으로부터 수신할 수도 있다. 이때, 의료 영상의 분석 데이터는 의료 영상의 분석 결과를 시각적으로 표현하기 위한 요소들을 정의한 특정 포맷의 데이터를 포함할 수 있다. 예를 들어, 의료 영상의 분석 데이터는 딥러닝 모델을 통해 검출된 병변의 외곽선 정보를 포함하는 GSPS 데이터일 수 있다. 다만, 이는 하나의 예시일 뿐이므로, 의료 영상의 분석 데이터는 GSPS라는 예시에 한정되지 않고 당업자가 이해 가능한 범주 내에서 다양하게 변경될 수 있다.
한편, 네트워크부(150)는 프로세서(110)에 의해 처리된 정보, 사용자 인터페이스 등을 타 단말과의 통신을 통해 송수신할 수 있다. 예를 들어, 네트워크부(150)는 프로세서(110)에 의해 생성된 사용자 인터페이스를 클라이언트(e.g. 사용자 단말)로 제공할 수 있다. 또한, 네트워크부(150)는 클라이언트로 인가된 사용자의 외부 입력을 수신하여 프로세서(110)로 전달할 수 있다. 이때, 프로세서(110)는 네트워크부(150)로부터 전달받은 사용자의 외부 입력을 기초로 사용자 인터페이스를 통해 제공되는 정보의 출력, 수정, 변경, 추가 등의 동작을 처리할 수 있다.
도 3에는 도시되지 않았으나, 컴퓨팅 장치(100)는 입력부 및 출력부를 포함할 수도 있다.
본 개시의 대안적 실시예에 따른 입력부는 사용자 입력을 수신 받기 위한 사용자 인터페이스 상의 키 및/또는 버튼들, 또는 물리적인 키 및/또는 버튼들을 구비할 수 있다. 입력부를 통한 사용자 입력에 따라 본 개시의 실시예들에 따른 디스플레이를 제어하기 위한 컴퓨터 프로그램이 실행될 수 있다.
입력부는 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.
입력부는 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.
입력부는 사용자 터치 입력을 인식할 수 있다. 본 개시의 일 실시예에 따른 입력부는 출력부와 동일한 구성일 수도 있다. 입력부는 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 입력부는 터치 센서를 포함할 수 있다. 터치 센서는 입력부의 특정 부위에 가해진 압력 또는 입력부의 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(110)로 전송한다. 이로써, 프로세서(110)는 입력부의 어느 영역이 터치 되었는지 여부 등을 인식할 수 있게 된다.
본 개시의 대안적 실시예에 따른 출력부는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보, 사용자 인터페이스 및 네트워크부(150)가 수신한 임의의 형태의 정보를 출력할 수 있다.
예를 들어, 출력부는 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), 플렉서블 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.
한편, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 클라이언트와 통신을 통해 정보를 송수신하는 컴퓨팅 시스템으로서 서버를 포함할 수 있다. 이때, 클라이언트는 서버에 엑세스(access)할 수 있는 임의의 형태의 단말일 수 있다. 예를 들어, 서버인 컴퓨팅 장치(100)는 의료 영상 촬영 단말로부터 의료 영상을 수신하여 병변을 검출하고, 검출 결과를 포함하는 사용자 인터페이스를 사용자 단말로 제공할 수 있다. 이때, 사용자 단말은 서버인 컴퓨팅 장치(100)로부터 수신한 사용자 인터페이스를 출력하고, 사용자와의 상호 작용을 통해 정보를 입력받거나 처리할 수 있다.
추가적인 실시예에서, 컴퓨팅 장치(100)는 임의의 서버에서 생성된 데이터 리소스를 전달받아 추가적인 정보 처리를 수행하는 임의의 형태의 단말을 포함할 수도 있다.
도 4는 본 개시의 일 실시예에 따른 의료 영상 처리 방법을 나타낸 순서도이다. 그리고, 도 5는 본 개시의 일 실시예에 따른 네트워크 함수를 나타낸 개략도이다.
도 4를 참조하면, S100 단계에서, 본 발명의 일 실시예에 따른 컴퓨팅 장치(100)는 사전 학습된 딥러닝 모델을 사용하여 의료 영상의 관심 영역을 검출할 수 있다. 이때, 도 5를 참조하면, 본 개시의 일 실시예에 따른 딥러닝 모델은 의료 영상에 포함된 관심 영역을 탐지, 분할 또는 분류할 수 있는 신경망을 포함할 수 있다. 본 개시에 있어 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 상호 교환 가능한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.
신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.
신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.
최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.
본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 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 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에서 네트워크 함수는 오토 인코더(autoencoder)를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 차원과 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.
뉴럴 네트워크는 지도 학습(supervised learning), 비지도 학습(unsupervised learning), 반지도학습(semi supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.
뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 지도 학습의 경우 각각의 학습 데이터에 정답이 라벨링 되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비지도 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 지도 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비지도 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.
뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤러라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.
도 4를 참조하면, S200 단계에서, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 상술한 딥러닝 모델을 통해 검출된 의료 영상의 관심 영역에 대한 외곽선 정보를 결정할 수 있다. 외곽선 정보는 관심 영역에 해당하는 의료 영상의 일 영역을 시각적으로 표현하기 위한 정보로, 외곽선의 색상과 형태에 관한 정보를 포함할 수 있다. 컴퓨팅 장치(100)는 관심 영역에 대한 검출 정보와 의료 영상의 표현 요소에 관한 정보를 기반으로 외곽선의 색상 및 외곽선의 형태와 관련된 표현 요소를 결정하여 외곽선 정보를 생성할 수 있다.
구체적으로, 컴퓨팅 장치(100)는 의료 영상의 관심 영역의 색상 분포를 기반으로 관심 영역을 표시하는 외곽선의 색상을 결정할 수 있다. 외곽선의 색상 결정은 관심 영역과 주변 영역을 색상을 통해 명확히 구별하여 관심 영역이 시각적으로 잘 표현될 수 있도록 하기 위해 수행되는 것으로 이해될 수 있다. 예를 들어, 컴퓨팅 장치(100)는 의료 영상의 색상 공간을 식별할 수 있다. 컴퓨팅 장치(100)는 색상 공간이 식별된 의료 영상의 관심 영역의 색상 분포를 파악할 수 있다. 그리고, 컴퓨팅 장치(100)는 색상 분포 내에서 색상들 간의 상호 연관성을 기초로 관심 영역을 표시하는 외곽선의 색상을 결정할 수 있다. 다시 말해서, 컴퓨팅 장치(100)는 의료 영상의 색상 공간 내에서의 색상 분포를 파악한 뒤, 관심 영역에서 사용된 색상과 대비되는 색상 혹은 보색 관계의 색상을 기반으로 관심 영역을 부각시킬 수 있는 외곽선의 색상을 결정할 수 있다. 이때, 컴퓨팅 장치(100)는 의료 영상의 색상 공간에 따라 색상 결정을 위한 파이프라인(pipeline)을 구분하여 동작함으로써 외곽선의 색상을 결정할 수 있다. 즉, 컴퓨팅 장치(100)는 의료 영상의 색상 공간이 RGB 공간 또는 그레이 스케일(grayscale) 공간인지 여부에 따라 서로 다른 연산을 수행하여 외곽선의 색상을 결정할 수 있다. 이에 대한 구체적인 설명은 도 7 및 도 8을 참조하여 후술하도록 한다.
또한, 컴퓨팅 장치(100)는 관심 영역의 검출 정보를 기초로 관심 영역의 외곽선의 형태와 관련된 표현 요소를 결정할 수 있다. 컴퓨팅 장치(100)는 관심 영역의 검출 정보의 수치적 변화를 외곽선의 형태 변화에 반영하여 외곽선의 형태와 관련된 표현 요소들이 어떠한 값을 가져야 하는지를 결정할 수 있다. 즉, 외곽선의 형태 결정은 딥러닝 모델의 예측 결과와 연계한 관심 영역의 시각적 표현을 통해 사용자가 관심 영역의 분석 결과를 직관적으로 이해할 수 있도록 하기 위해 수행되는 것으로 이해될 수 있다. 예를 들어, 관심 영역의 검출 정보는 딥러닝 모델을 통해 예측된 관심 영역에 관한 정보로서, 관심 영역의 예측 확률값, 관심 영역의 크기, 부피 등을 나타내는 수치값 등을 포함할 수 있다. 외곽선의 형태와 관련된 표현 요소는 외곽선이 외형적으로 어떻게 표현될지를 정의하는 요소로서, 외곽선의 모양, 두께, 선명도, 정밀도, 외곽선 그림자의 선명도 등을 포함할 수 있다. 관심 영역의 예측 확률값이 커진다는 것은 딥러닝 모델이 예측한 영역이 관심 영역에 해당할 확률이 높아진다는 것을 의미한다. 따라서, 컴퓨팅 장치(100)는 딥러닝 모델이 얼만큼 정확히 관심 영역을 예측했는지를 나타내기 위해 관심 영역의 예측 확률값이 커질수록 외곽선의 두께가 두꺼워지도록 외곽선의 형태와 관련된 표현 요소를 결정할 수 있다.
S300 단계에서, 컴퓨팅 장치(100)는 관심 영역의 외곽선 정보를 기초로 의료 영상의 표현을 결정짓는 요소들을 정의한 포맷 정보를 생성할 수 있다. 포맷 정보는 의료 영상에 포함된 관심 영역의 검출 결과가 의료 영상의 어떤 부분에서 보여질지, 보여져야 할 내용이 무엇인지를 의료 영상과 별개의 데이터로 정의할 수 있다. 즉, 포맷 정보는 영상 자체에 검출 결과를 표시하여 생성되는 것이 아닌 영상과 독립적으로 표현 요소들을 정의하는 데이터이다. 따라서, 이와 같은 포맷 정보를 생성 및 활용하면, 의료 영상의 분석 결과를 시각화하기 위한 데이터 처리의 용량적인 부담을 줄일 수 있고, 영상의 촬영 환경 혹은 종류 등에 관계없이 안정된 표현을 구현할 수 있는 시각화 품질을 보장할 수 있다. 예를 들어, 의료 영상이 DICOM 영상인 경우, 컴퓨팅 장치(100)는 관심 영역의 외곽선 색상과 형태 등을 정의하는 GSPS 정보를 생성할 수 있다. GSPS 정보는 DICOM 영상의 촬영 장비의 종류와 무관하게 생성될 수 있고, 분석 대상에 해당하는 원본 DICOM 영상과는 독립적인 데이터로 생성될 수 있다. 외곽선의 색상 및 형태에 관한 표현 요소를 정의하는 GSPS 정보는 의료 영상의 색상 공간이 그레이 스케일 공간인 경우 뿐만 아니라 병리 영상과 같은 RBG 공간인 경우에도 활용될 수 있다. GSPS 정보는 오히려 염색되는 슬라이드 색상에 따라 관심 영역의 색상이 달라질 수 있는 병리 영상에서 보다 효과적으로 사용될 수 있다.
도 6은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 의료 영상 처리 과정을 나타낸 다이어그램(diagram)이다.
도 6을 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 사전 학습된 딥러닝 모델을 사용하여 의료 영상(31)을 기초로 진단을 보조하기 위한 관심 영역을 검출할 수 있다(S210). 컴퓨팅 장치(100)는 관심 영역의 검출 결과를 기초로 관심 영역의 시각적 표현 요소를 결정하는 외곽선 정보(35)를 생성할 수 있다. 구체적으로, 컴퓨팅 장치(100)는 의료 영상(31)의 색상 공간을 식별할 수 있다(S220). 여기서 색상 공간이란 영상의 색상 신호를 나타내는 특정 공간을 지칭하는 용어로, 색상 신호의 종류에 따라 그레이 스케일 공간, RGB 공간, HSV(hue saturation value) 공간 등으로 구별될 수 있다. 컴퓨팅 장치(100)는 색상 공간이 식별된 의료 영상(31)의 색상 분포를 파악하여 관심 영역이 주변 영역 대비 두드러지게 표현되도록 외곽선 색상을 결정할 수 있다(S230). 또한, 컴퓨팅 장치(100)는 관심 영역의 검출 결과에 대한 사용자의 직관적 판단이 가능하도록 관심 영역의 검출 결과를 관심 영역의 외곽선 형태에 반영하여 관심 영역의 외곽선 형태와 관련된 표현 요소를 결정할 수 있다(S250). 다시 말해서, 컴퓨팅 장치(100)는 외곽선 형태와 관련된 표현 요소인 외곽선의 두께, 선명도, 정밀도 등이 관심 영역의 검출 결과에 따라 표현되도록 각 요소의 수치적 지표를 결정할 수 있다. 전술한 과정을 통해 외곽선 정보(35)가 결정되면, 컴퓨팅 장치(100)는 외곽선 정보(35)를 포함하는 포맷 정보(39)를 생성할 수 있다(S250). 여기서 포맷 정보(39)는 의료 영상에서 표현될 관심 영역의 위치, 외곽선 색상, 외곽선 형태 등의 요소들을 정의하는 정보로 이해될 수 있다. 이와 같은 포맷 정보(39)의 생성을 통해 의료 영상(31)의 분석 결과를 보여주기 위한 데이터의 용량을 획기적으로 줄일 수 있다. 컴퓨팅 장치(100)는 의료 영상(31)의 분석 결과를 출력하는 단말로 포맷 정보(39)를 전송할 수 있다(S260). 포맷 정보(39) 자체가 저용량이기 때문에, 컴퓨팅 장치(100)는 기존과 같이 분석 영상 자체를 전송하는 것보다 효율적으로 데이터 전송을 처리할 수 있다.
도 7은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 의료 영상에 포함된 관심 영역의 외곽선 색상을 결정하는 과정을 구체화한 다이어그램이다.
도 7에 도시된 S310 단계의 경우, 도 6의 S210 단계에 대응되므로 이하에서 구체적인 설명을 생략하도록 한다.
도 7을 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 딥러닝 모델을 통해 검출된 관심 영역을 포함하는 의료 영상(41)의 색상 공간을 식별할 수 있다(S320). 컴퓨팅 장치(100)는 S320 단계를 통해 식별된 의료 영상(41)의 색상 공간에 따라 서로 다른 연산 동작을 수행하여 외곽선 색상을 결정할 수 있다(S380). 예를 들어, 컴퓨팅 장치(100)는 의료 영상(41)의 색상 공간이 RGB 공간인지 혹은 그레이 스케일 공간인지를 식별할 수 있다. 의료 영상(41)의 색상 공간이 RGB 공간인 경우, 컴퓨팅 장치(100)는 RGB 공간의 색상 분포를 기반으로 후보 색상 값을 결정하는 과정을 통해 관심 영역의 외곽선 색상을 결정할 수 있다. 의료 영상(41)의 색상 공간이 그레이 스케일 공간인 경우, 컴퓨팅 장치(100)는 그레이 스케일 공간의 색상 분포를 기반으로 RGB 공간인 경우와 구별되는 별도의 연산 과정을 통해 관심 영역의 외곽선 색상을 결정할 수 있다.
구체적으로 살펴보면, 의료 영상(41)의 색상 공간이 RGB 공간인 경우, 컴퓨팅 장치(100)는 외곽선의 색상을 결정하기 위해 의료 영상(41)으로부터 픽셀 단위의 색상 분포를 나타내는 통계 정보를 도출할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 의료 영상(41)의 모든 영역을 기준으로, RGB 공간 내에서 픽셀 단위의 색상 분포를 나타내는 히스토그램(histogram)을 생성할 수 있다. 컴퓨팅 장치(100)는 픽셀 단위의 색상 분포를 나타낸 히스토그램을 통해 의료 영상(41)에 포함된 관심 영역을 구성하는 픽셀에 사용된 색상을 확인할 수 있다. 또한, 컴퓨팅 장치(100)는 픽셀 단위의 색상 분포를 나타낸 히스토그램을 통해 관심 영역과 주변 영역을 명확히 구별할 수 있도록 하는 색상을 확인할 수 있다.
컴퓨팅 장치(100)는 히스토그램에 존재하는 색상들의 출현 빈도를 기초로 제 1 후보 색상 값을 결정할 수 있다(S330). 컴퓨팅 장치(100)는 히스토그램에 존재하는 색상들 중에서 출현 빈도가 가장 낮은 적어도 하나의 색상을 기초로, 소정의 색상을 두드러지게 표현하는 적어도 하나의 색상 값을 제 1 후보 색상 값으로 결정할 수 있다. 이때, 소정의 색상은 의료 영상의 배경 대비 사람의 눈에 시각적으로 가장 눈에 띄는 색상 혹은 관심 영역에 사용되지 않으면서 관심 영역에 사용되는 색상과 보색 관계의 색상일 수 있다. 예를 들어, 컴퓨팅 장치(100)는 히스토그램에 존재하는 색상들의 출현 빈도를 파악할 수 있다. 컴퓨팅 장치(100)는 색상들의 출현 빈도를 가장 낮은 순서대로 파악하여 노란색(yellow), 빨간색(red) 혹은 초록색(green)을 두드러지게 표현하는 적어도 하나의 색상 값을 제 1 후보 색상 값으로 결정할 수 있다. 다시 말해서, 컴퓨팅 장치(100)는 히스토그램의 출현 빈도를 기준으로 노란색, 빨간색 혹은 초록색 중 적어도 하나를 두드러지게 표현하는 색상 값을 제 1 후보 색상 값으로 결정할 수 있다. 컴퓨팅 장치(100)는 히스토그램의 출현 빈도를 기준으로 노란색이 강한 색, 빨간색이 강한 색, 초록색이 강한 색을 순서대로 검토하여 제 1 후보 색상 값을 결정할 수도 있다. 즉, 컴퓨팅 장치(100)는 히스토그램의 출현 빈도가 가장 낮은 색상들 중 노란색이 강한 색이 존재하는지를 판단하고, 노란색이 강한 색이 존재하지 않는 경우에 빨간색이 강한 색, 초록색이 강한 색을 순차적으로 판단하여 제 1 후보 색상 값을 결정할 수도 있다. 따라서, 제 1 후보 색상 값은 관심 영역의 외곽선이 가장 잘 시각적으로 표현될 수 있는 RGB 색상 값을 결정하는 것으로 이해될 수 있다. 소정의 색상과 관련하여 전술한 노란색, 빨간색, 초록색은 하나의 예시일 뿐이므로, 소정의 색상은 의료 영상에서 표현된 색상 및 시각적 강조 효과 등이 다양하게 고려되어 당업자가 이해할 수 있는 범주 내에서 변경될 수 있다.
컴퓨팅 장치(100)는 의료 영상(41)의 색상 공간을 HSV 공간으로 변환하고, HSV 공간에서의 히스토그램을 기초로 제 2 후보 색상 값을 결정할 수 있다(S340). 컴퓨팅 장치(100)는 HSV 공간에서의 히스토그램에서 비어 있는 색조(hue)를 선택할 수 있다. 컴퓨팅 장치(100)는 관심 영역을 포함하는 후보 영역에 포함된 픽셀들의 밝기를 기초로 시각적 대비가 두드러지게 나타나는 채도(saturation) 및 명도(value of brightness)를 선택할 수 있다. 컴퓨팅 장치(100)는 HSV 공간에서 선택된 색조, 채도 및 명도를 기초로 제 2 후보 색상 값을 결정할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 RGB 공간 내 픽셀 단위 색상 분포를 나타낸 히스토그램을 HSV 공간으로 변환할 수 있다. 컴퓨팅 장치(100)는 HSV 공간 내 색상 분포를 나타낸 히스토그램 상에서 존재하지 않는 색조를 선택할 수 있다. 또한, 컴퓨팅 장치(100)는 관심 영역을 포함하는 후보 영역에 포함된 픽셀들의 밝기를 파악하여 가장 시각적 대비 효과가 큰 채도와 명도를 선택할 수 있다. 이때, 후보 영역은 관심 영역과 관심 영역을 둘러싼 주변 영역을 포함하고, 관심 영역의 2배에 해당하는 크기일 수 있다. 다만, 2배라는 수치는 하나의 예시일 뿐, 이에 한정되지 않는다. 다시 말해서, 컴퓨팅 장치(100)는 관심 영역과 그 주변 영역에 포함된 픽셀들의 HSV 공간에서의 밝기를 비교하여 관심 영역과 주변 영역 간의 대비 효과가 잘 나타나는 채도 및 명도를 각각 결정할 수 있다. 컴퓨팅 장치(100)는 전술한 선택 과정을 통해 도출된 색조, 채도 및 명도를 포함하는 제 2 후보 색상 값을 결정할 수 있다. 따라서, 제 2 후보 색상 값은 관심 영역의 외곽선이 가장 잘 시각적으로 표현될 수 있는 HSV 색상 값을 결정하는 것으로 이해될 수 있다.
컴퓨팅 장치(100)는 의료 영상(41)에 포함된 픽셀들의 밝기를 기초로 그레이 스케일의 제 3 후보 색상 값을 결정할 수 있다(S350). 컴퓨팅 장치(100)는 관심 영역을 포함하는 후보 영역에 포함된 픽셀들의 밝기를 기초로 시각적 대비가 두드러지게 나타나는 그레이 스케일의 색상 값을 선택할 수 있다. 컴퓨팅 장치(100)는 선택된 그레이 스케일의 색상 값을 제 3 후보 색상 값으로 결정할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 RGB 공간에서 관심 영역을 포함하는 후보 영역에 포함된 픽셀들의 밝기를 기초로 가장 시각적 대비 효과가 큰 그레이 스케일의 색상 값을 선택할 수 있다. 컴퓨팅 장치(100)는 RGB 공간을 그레이 스케일 공간으로 변환하여 가장 시각적 대비 효과가 큰 그레이 스케일의 색상 값을 선택할 수도 있다. 이때, 후보 영역은 관심 영역과 관심 영역을 둘러싼 주변 영역을 포함하고, 관심 영역의 2배에 해당하는 크기일 수 있다. 다만, 2배라는 수치는 하나의 예시일 뿐, 이에 한정되지 않는다. 다시 말해서, 컴퓨팅 장치(100)는 관심 영역과 그 주변 영역에 포함된 픽셀들의 RGB 혹은 그레이 스케일 공간에서의 밝기를 비교하여 관심 영역과 주변 영역 간의 대비 효과가 잘 나타나는 그레이 스케일의 색상 값을 결정할 수 있다. 컴퓨팅 장치(100)는 전술한 연산 과정을 통해 선택된 그레이 스케일의 색상 값을 포함하는 제 3 후보 색상 값을 결정할 수 있다. 따라서, 제 3 후보 색상 값은 관심 영역의 외곽선이 가장 잘 시각적으로 표현될 수 있는 그레이 스케일 색상 값을 결정하는 것으로 이해될 수 있다.
앞서 설명한 S330 단계, S340 단계 및 S350 단계로 나타나는 컴퓨팅 장치(100)에 의한 동작은 도 7에서와 같이 순차적으로 수행될 수도 있고, 서로 독립적(병렬적)으로 수행될 수도 있다.
컴퓨팅 장치(100)는 제 1 후보 색상 값, 제 2 후보 색상 값 및 제 3 후보 색상 값을 기초로 관심 영역을 표시하는 외곽선의 색상을 결정할 수 있다(S380). 각 후보 색상 값은 서로 다른 색상 공간에서 관심 영역과 주변 영역 간의 대비 효과를 가장 잘 나타내는 색상 값을 나타낸다. 따라서, 제 1 후보 색상 값, 제 2 후보 색상 값 및 제 3 후보 색상 값을 기반으로 하는 외곽선의 색상은 모든 색상 공간에서 대비 효과를 가장 잘 나타내는 색상들로 구성될 수 있다. 즉, 컴퓨팅 장치(100)는 어떠한 색상 공간에서도 관심 영역이 주변과 구별되어 잘 표시되도록 전술한 S330 단계, S340 단계 및 S350 단계로 표현된 연산 동작을 통해 외곽선의 색상을 구성할 수 있다.
한편, 의료 영상(41)의 색상 공간이 그레이 스케일 공간인 경우, 컴퓨팅 장치(100)는 외곽선의 색상을 결정하기 위해 의료 영상(41)으로부터 픽셀 단위의 색상 분포를 나타내는 통계 정보를 도출할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 의료 영상(41)의 모든 영역을 기준으로, 그레이 스케일 공간 내에서 픽셀 단위의 색상 분포를 나타내는 히스토그램을 생성할 수 있다. 컴퓨팅 장치(100)는 픽셀 단위의 색상 분포를 나타낸 히스토그램을 통해 의료 영상(41)에 포함된 관심 영역을 구성하는 픽셀에 사용된 색상을 확인할 수 있다. 또한, 컴퓨팅 장치(100)는 픽셀 단위의 색상 분포를 나타낸 히스토그램을 통해 관심 영역과 주변 영역을 명확히 구별할 수 있도록 하는 색상을 확인할 수 있다.
컴퓨팅 장치(100)는 히스토그램을 기초로 관심 영역에 나타나지 않는 적어도 하나의 색상을 파악할 수 있다(S370). 컴퓨팅 장치(100)는 관심 영역을 구성하는 픽셀들 중 히스토그램 상에서 나타나지 않는 그레이 스케일의 색상을 파악할 수 있다. 즉, 컴퓨팅 장치(100)는 관심 영역에서 사용하지 않는 그레이 스케일의 색상을 파악하여 관심 영역과 주변 영역을 시각적으로 구별하기 위한 외곽선 색상을 결정하는데 사용할 수 있다.
컴퓨팅 장치(100)는 관심 영역에 나타나지 않는 적어도 하나의 색상을 기초로 관심 영역을 표시하는 외곽선의 색상을 결정할 수 있다(S380). 컴퓨팅 장치(100)는 관심 영역에 나타나지 않는 적어도 하나의 색상을 기초로, 관심 영역을 표시하는 외곽선의 종류 및 개수에 맞추어 서로 다른 색상으로 구별 가능한 색상을 결정할 수 있다. 예를 들어, 관심 영역이 종류 별로 다수가 존재하는 경우, 정확한 판별을 위해서는 종류 및 개수에 맞추어 관심 영역의 외곽선 색상을 서로 다른 색상으로 구분할 필요가 있다. 따라서, 컴퓨팅 장치(100)는 관심 영역 별로 나타나지 않는 적어도 하나의 색상을 기초로 관심 영역의 외곽선의 종류 및 개수만큼 사람의 눈으로 구별 가능한 색상들을 선택하여 외곽선의 색상을 결정할 수 있다. 사람의 눈으로 구별 가능한지 여부는 사람의 눈으로 구별 가능한 색상 변화를 나타내는 색상표 등의 기준 데이터를 기초로 판단될 수 있다. 이와 같은 과정을 통해 RGB 공간에 비해 색상 간 대비 표현이 어려운 그레이 스케일 공간에서도 컴퓨팅 장치(100)는 사람의 눈으로 명확히 구별 가능한 색상과 관련된 외곽선 정보(45)를 결정할 수 있다.
도 8은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 의료 영상에 포함된 관심 영역의 외곽선 형태와 관련된 요소들을 결정하는 과정을 구체화한 다이어그램이다. 도 7의 외곽선 색상 결정은 딥러닝 모델을 통해 검출된 관심 영역을 정확히 시각화하기 위한 과정이라면, 도 8의 외곽선 형태 결정은 관심 영역의 검출값을 관심 영역의 시각적 표현과 연계하여 사용자에게 직관적인 정보 전달이 이루어질 수 있도록 하기 위한 과정으로 볼 수 있다.
도 8에 도시된 S410 단계의 경우, 도 6의 S210 단계에 대응되므로 이하에서 구체적인 설명을 생략하도록 한다.
도 8을 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 관심 영역의 검출 정보(53)를 기초로 관심 영역의 외곽선의 형태와 관련된 표현 요소를 결정할 수 있다(S450). 컴퓨팅 장치(100)는 관심 영역의 검출 정보(53)가 관심 영역의 외곽선 형태와 관련된 표현 요소에 반영되어 직관적인 해석이 가능할 수 있도록, 관심 영역의 검출 정보(53)에 맞추어 외곽선의 형태와 관련된 표현 요소를 결정할 수 있다. 이때, 관심 영역의 검출 정보(53)는 관심 영역의 존재에 관한 확률값(55) 또는 관심 영역의 크기, 부피 등과 같은 수치값(57) 중 적어도 하나를 포함할 수 있다. 또한, 관심 영역의 외곽선의 형태와 관련된 표현 요소는 외곽선의 두께, 외곽선의 선명도, 외곽선의 정밀도 또는 외곽선의 그림자의 선명도 중 적어도 하나를 포함할 수 있다.
구체적으로 살펴보면, 컴퓨팅 장치(100)는 관심 영역의 검출 정보(53)의 정략적 크기(혹은 정도)에 따라 외곽선의 형태와 관련된 표현 요소의 정량적 크기(혹은 정도)를 결정할 수 있다. 다시 말해서, 컴퓨팅 장치(100)는 관심 영역의 존재에 관한 확률값(55) 또는 상기 관심 영역의 수치값(57) 중 적어도 하나의 크기를 기초로, 외곽선의 두께, 상기 외곽선의 선명도, 외곽선의 정밀도 또는 외곽선의 그림자의 선명도 중 적어도 하나를 결정할 수 있다(S420, S430, S440). 이때, 관심 영역의 존재에 관한 확률값(55) 또는 관심 영역의 수치값(57) 중 적어도 하나의 크기가 커질수록, 외곽선의 두께, 외곽선의 선명도, 외곽선의 정밀도 또는 외곽선의 그림자의 선명도 중 적어도 하나의 크기도 커질 수 있다.
예를 들어, 컴퓨팅 장치(100)는 관심 영역의 존재에 관한 확률값이 클수록 외곽선의 두께가 굵게 표시되도록 표현 요소를 결정할 수 있다. 의료 영상이 CT 영상 혹은 MRI 영상과 같이 3차원 영상인 경우, 컴퓨팅 장치(100)는 관심 영역의 부피가 클수록 외곽선의 두께가 굵게 표시되도록 표현 요소를 결정할 수 있다. 외곽선에 그림자를 표시하는 경우, 컴퓨팅 장치(100)는 관심 영역의 존재에 관한 확률값이 클수록 그림자가 선명하게 표시되도록 표현 요소를 결정할 수 있다. 반대로, 컴퓨팅 장치(100)는 관심 영역의 존재에 관한 확률값이 작아지면 그림자가 흐릿하게 표시되도록 표현 요소를 결정할 수 있다. 컴퓨팅 장치(100)는 관심 영역의 존재에 관한 확률값이 클수록 외곽선 자체가 선명하게 표시되도록 표현 요소를 결정할 수 있다. 반대로, 컴퓨팅 장치(100)는 관심 영역의 존재에 관한 확률값이 작아지면 외곽선 자체가 흐릿하게 표시되도록 표현 요소를 결정할 수 있다. 컴퓨팅 장치(100)는 관심 영역의 존재에 관한 확률값이 클수록 외곽선 자체가 정밀하게 표시되도록 표현 요소를 결정할 수 있다. 외곽선 자체가 정밀하게 표시된다는 것은 외곽선에 포함된 점들을 많이 구성하여 외곽선이 곡선처럼 부드럽게 보이도록 표현하는 것을 의미한다. 반대로, 컴퓨팅 장치(100)는 관심 영역의 존재에 관한 외곽선 자체가 러프(rough)하게 표시되도록 표현 요소를 결정할 수 있다. 외곽선 자체가 러프하게 표시된다는 것은 점을 외곽선에 포함된 점들을 적게 구성하여 외곽선이 다각형으로 보이도록 표현하는 것을 의미한다. 이와 같은 처리 과정을 통해 사용자가 외곽선의 형태와 관련된 표현 요소의 정량적 크기(혹은 정도)를 보고 직관적으로 관심 영역에 대한 검출 결과를 해석할 수 있도록 할 수 있다.
한편, 도 8을 참조하면, 확률값(55)을 외곽선 정보(59)와 함께 표시하려는 경우, 컴퓨팅 장치(100)는 확률값(55)의 정량적 수치를 기초로 확률값(55)을 나타내는 글자와 관련된 표현 요소를 결정할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 관심 영역의 존재에 관한 확률값이 클수록 확률값을 나타내는 글자의 크기가 크게 표시되도록 표현 요소를 결정할 수 있다. 반대로, 컴퓨팅 장치(100)는 관심 영역의 존재에 관한 확률값이 작아지면 확률값을 나타내는 글자의 크기가 작아지도록 표시되도록 표현 요소를 결정할 수 있다.
도 9는 본 개시의 추가적인 일 실시예에 따른 의료 영상 처리 방법을 나타낸 순서도이다. 도 4 내지 도 8을 통해 살펴본 연산 과정을 수행하는 컴퓨팅 장치와 도 9에 도시된 연산 과정을 수행하는 컴퓨팅 장치는 구별된다. 도 2를 참조하면, 도 4 내지 도 8의 연산을 수행하는 장치는 제 1 컴퓨팅 장치(310), 도 9의 연산을 수행하는 장치를 제 2 컴퓨팅 장치(350)에 각각 대응하는 것으로 이해될 수 있다. 따라서, 이하에서는 도 2를 기초로 컴퓨팅 장치를 구별하여 설명하도록 한다.
도 9를 참조하면, S510 단계에서, 본 개시의 추가적인 일 실시예에 따른 제 2 컴퓨팅 장치(350)는 의료 영상의 표현을 결정짓는 요소들을 정의한 포맷 정보를 수신할 수 있다. 이때, 포맷 정보는 제 1 컴퓨팅 장치(310)의 동작을 통해 생성될 수 있다. 구체적으로, 포맷 정보는 사전 학습된 딥러닝 모델을 사용하여 검출된 의료 영상의 관심 영역에 대한 외곽선 정보를 기초로 생성될 수 있다. 제 2 컴퓨팅 장치(350)는 제 1 컴퓨팅 장치(310)와의 유무선 통신을 통해 관심 영역의 외곽선 색상 및 형태에 관한 표현 요소들을 정의한 포맷 정보를 수신할 수 있다.
S520 단계에서, 제 2 컴퓨팅 장치(350)는 관심 영역에 대한 분석 결과를 시각화하기 위해 의료 영상과 의료 영상에 대응하는 포맷 정보를 결합할 수 있다. 포맷 정보는 관심 영역에 관한 시각적 요소들을 어떤 영상의 어느 위치에 표현할 것인지를 정의하고 있으므로, 제 2 컴퓨팅 장치(350)는 S510 단계에서 수신한 포맷 정보에 대응하는 의료 영상을 결정하고, 결정된 의료 영상과 포맷 정보를 결합시켜 관심 영역이 표현된 영상을 생성할 수 있다. 이때, 포맷 정보와 결합되는 의료 영상은 제 1 컴퓨팅 장치(310)에 의해 분석된 원본 영상일 수도 있고, 제 2 컴퓨팅 장치(350)가 미리 확보하여 저장해둔 의료 영상일 수도 있다.
S530 단계에서, 제 2 컴퓨팅 장치(350)는 포맷 정보와 의료 영상의 결합 결과를 반영하는 사용자 인터페이스를 생성할 수 있다. 사용자 인터페이스는 관심 영역의 외곽선의 색상 및 형태가 표현된 영상을 출력하기 위한 레이어를 포함할 수 있고, 그 외에 사용자의 입력을 위한 레이어, 관심 영역과 관련된 수치 정보들을 출력하기 위한 레이어 등을 모두 포함할 수도 있다. 한편, 제 2 컴퓨팅 장치(350)는 포맷 정보와 의료 영상의 결합 결과로 생성된 영상을 그대로 출력부를 통해 출력하여 사용자에게 제공할 수도 있다. 또한, 제 2 컴퓨팅 장치(350)는 포맷 정보와 의료 영상의 결합 결과로 생성된 영상을 별도의 출력 단말로 제공할 수도 있다.
도 10은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 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, 핸드헬드(handheld) 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 있고, 이러한 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 판독가능 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 반송파(carrier wave) 또는 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 예시적인 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 비휘발성 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 예시적인 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 네트워크화된 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. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 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 5GHz 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 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 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 예시적인 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 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 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 예시적인 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 것이며, 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 (16)
- 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 의료 영상 처리 방법으로서,
사전 학습된 딥러닝 모델을 사용하여 의료 영상의 관심 영역을 검출하는 단계;
상기 의료 영상의 색상 공간 및 상기 관심 영역의 검출 정보에 기초하여 상기 관심 영역에 대응하는 외곽선(contour) 정보를 결정하는 단계; 및
상기 외곽선 정보를 기초로, 상기 의료 영상의 표현을 결정짓는 요소들을 정의한 포맷(format) 정보를 생성하는 단계;
를 포함하고,
상기 관심 영역을 표시하는 외곽선의 색상은,
상기 의료 영상의 색상 공간에서,
상기 외곽선; 및
상기 관심 영역, 상기 관심 영역을 둘러싼 주변 영역, 또는 상기 의료 영상의 배경 영역 중 적어도 하나의 영역
사이의 시각적 대비를 고려하여 결정되는,
방법.
- 제 1 항에 있어서,
상기 외곽선 정보를 결정하는 단계는,
상기 색상 공간이 식별된 의료 영상의 관심 영역의 색상 분포를 기반으로, 상기 관심 영역을 표시하는 외곽선의 색상을 결정하는 단계;
를 포함하는,
방법.
- 제 2 항에 있어서,
상기 관심 영역을 표시하는 외곽선의 색상을 결정하는 단계는,
상기 색상 분포 내에서 색상들 간의 상호 연관성 기초로 상기 관심 영역을 표시하는 외곽선의 색상을 결정하는 단계;
를 포함하는,
방법.
- 제 2 항에 있어서,
상기 식별된 색상 공간이 RGB 공간인 경우, 상기 관심 영역을 표시하는 외곽선의 색상을 결정하는 단계는,
상기 의료 영상으로부터 픽셀 단위의 색상 분포를 나타내는 히스토그램(histogram)을 도출하는 단계;
상기 히스토그램에 존재하는 색상들의 출현 빈도를 기초로 제 1 후보 색상 값을 결정하는 단계;
상기 의료 영상의 색상 공간을 HSV(hue saturation value) 공간으로 변환하고, 상기 HSV 공간에서의 히스토그램을 기초로 제 2 후보 색상 값을 결정하는 단계;
상기 의료 영상에 포함된 픽셀들의 밝기를 기초로 그레이 스케일(grayscale)의 제 3 후보 색상 값을 결정하는 단계; 및
상기 제 1 후보 색상 값, 상기 제 2 후보 색상 값 및 상기 제 3 후보 색상 값을 기초로 상기 관심 영역을 표시하는 외곽선의 색상을 결정하는 단계;
를 포함하는,
방법.
- 제 4 항에 있어서,
상기 히스토그램에 존재하는 색상들의 출현 빈도를 기초로 제 1 후보 색상 값을 결정하는 단계는,
상기 히스토그램에 존재하는 색상들 중에서 출현 빈도가 가장 낮은 적어도 하나의 색상을 기초로, 소정의 색상을 두드러지게 표현하는 적어도 하나의 색상 값을 제 1 후보 색상 값으로 결정하는 단계;
를 포함하는,
방법.
- 제 4 항에 있어서,
상기 HSV 공간에서의 히스토그램을 기초로 제 2 후보 색상 값을 결정하는 단계는,
상기 HSV 공간에서의 히스토그램에서 비어 있는 색조(hue)를 선택하는 단계;
상기 관심 영역을 포함하는 후보 영역에 포함된 픽셀들의 밝기를 기초로, 시각적 대비가 두드러지게 나타나는 채도(saturation) 및 명도(value of brightness)를 선택하는 단계; 및
상기 선택된 색조, 채도 및 명도를 기초로 상기 제 2 후보 색상 값을 결정하는 단계;
를 포함하는,
방법.
- 제 4 항에 있어서,
상기 의료 영상에 포함된 픽셀들의 밝기를 기초로 제 3 후보 색상 값을 결정하는 단계는,
상기 관심 영역을 포함하는 후보 영역에 포함된 픽셀들의 밝기를 기초로, 시각적 대비가 두드러지게 나타나는 그레이 스케일(grayscale)의 색상 값을 선택하는 단계; 및
상기 선택된 그레이 스케일의 색상 값을 상기 제 3 후보 색상 값으로 결정하는 단계;
를 포함하는,
방법.
- 제 2 항에 있어서,
상기 식별된 색상 공간이 그레이 스케일 공간인 경우, 상기 관심 영역을 표시하는 외곽선의 색상을 결정하는 단계는,
상기 의료 영상으로부터 픽셀 단위의 색상 분포를 나타내는 히스토그램을 도출하는 단계;
상기 히스토그램을 기초로 관심 영역에 나타나지 않는 적어도 하나의 색상을 파악하는 단계; 및
상기 관심 영역에 나타나지 않는 적어도 하나의 색상을 기초로, 상기 관심 영역을 표시하는 외곽선의 색상을 결정하는 단계;
를 포함하는,
방법.
- 제 8 항에 있어서,
상기 관심 영역에 나타나지 않는 적어도 하나의 색상을 기초로, 상기 관심 영역을 표시하는 외곽선의 색상을 결정하는 단계는,
상기 관심 영역에 나타나지 않는 적어도 하나의 색상을 기초로, 상기 관심 영역을 표시하는 외곽선의 종류 및 개수에 맞추어 서로 다른 색상으로 구별 가능한 색상을 결정하는 단계;
를 포함하는,
방법.
- 제 1 항에 있어서,
상기 관심 영역에 대응하는 외곽선 정보를 결정하는 단계는,
상기 관심 영역의 검출 정보를 기초로 상기 관심 영역의 외곽선의 형태와 관련된 표현 요소를 결정하는 단계;
를 포함하는,
방법.
- 제 10 항에 있어서,
상기 검출 정보는,
상기 관심 영역 내에 병변이 존재할 확률값 또는 상기 병변과 관련된 수치값 중 적어도 하나를 포함하고,
상기 관심 영역의 외곽선의 형태와 관련된 표현 요소는,
상기 외곽선의 두께, 상기 외곽선의 선명도, 상기 외곽선의 정밀도 또는 상기 외곽선의 그림자의 선명도 중 적어도 하나를 포함하고,
상기 수치값은,
상기 병변의 크기 또는 부피를 포함하는,
방법.
- 제 10 항에 있어서,
상기 관심 영역의 검출 정보를 기초로 상기 관심 영역의 외곽선의 형태와 관련된 표현 요소를 결정하는 단계는,
상기 관심 영역 내에 병변이 존재할 확률값 또는 상기 병변과 관련된 수치값 중 적어도 하나의 크기를 기초로, 상기 외곽선의 두께, 상기 외곽선의 선명도, 상기 외곽선의 정밀도 또는 상기 외곽선의 그림자의 선명도 중 적어도 하나를 결정하는 단계;
를 포함하는,
방법.
- 제 12 항에 있어서,
상기 관심 영역 내에 병변이 존재할 확률값 또는 상기 병변과 관련된 수치값 중 적어도 하나의 크기가 커질수록,
상기 외곽선의 두께, 상기 외곽선의 선명도, 상기 외곽선의 정밀도 또는 상기 외곽선의 그림자의 선명도 중 적어도 하나의 크기도 커지는 것인,
방법.
- 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 의료 영상 처리 방법으로서,
의료 영상의 표현을 결정짓는 요소들을 정의한 포맷(format) 정보를 수신하는 단계;
의료 영상과 상기 의료 영상에 대응하는 포맷 정보를 결합하는 단계; 및
상기 결합의 결과를 반영하는 사용자 인터페이스를 생성하는 단계;
를 포함하되,
상기 포맷 정보는, 사전 학습된 딥러닝 모델을 사용하여 검출된 의료 영상의 관심 영역에 대응하는 외곽선 정보를 기초로 생성된 것이고,
상기 외곽선 정보는, 상기 의료 영상의 색상 공간 및 상기 관심 영역의 검출 정보에 기초하여 결정된 것이고,
상기 관심 영역을 표시하는 외곽선의 색상은,
상기 의료 영상의 색상 공간에서,
상기 외곽선; 및
상기 관심 영역, 상기 관심 영역을 둘러싼 주변 영역, 또는 상기 의료 영상의 배경 영역 중 적어도 하나의 영역
사이의 시각적 대비를 고려하여 결정되는,
방법.
- 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 의료 영상을 처리하는 이하의 동작들을 수행하도록 하며, 상기 동작들은:
사전 학습된 딥러닝 모델을 사용하여 의료 영상의 관심 영역을 검출하는 동작;
상기 의료 영상의 색상 공간 및 상기 관심 영역의 검출 정보에 기초하여 상기 관심 영역에 대응하는 외곽선(contour) 정보를 결정하는 동작; 및
상기 외곽선 정보를 기초로, 상기 의료 영상의 표현 계층을 결정하는 요소들을 정의한 포맷(format) 정보를 생성하는 동작;
을 포함하고,
상기 관심 영역을 표시하는 외곽선의 색상은,
상기 의료 영상의 색상 공간에서,
상기 외곽선; 및
상기 관심 영역, 상기 관심 영역을 둘러싼 주변 영역, 또는 상기 의료 영상의 배경 영역 중 적어도 하나의 영역
사이의 시각적 대비를 고려하여 결정되는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 의료 영상을 처리하는 컴퓨팅 장치로서,
적어도 하나의 코어를 포함하는 프로세서;
상기 프로세서에서 실행 가능한 프로그램 코드들을 포함하는 메모리; 및
의료 영상을 수신하는 네트워크부;
를 포함하고,
상기 프로세서는,
사전 학습된 딥러닝 모델을 사용하여 의료 영상의 관심 영역을 검출하고,
상기 의료 영상의 색상 공간 및 상기 관심 영역의 검출 정보에 기초하여 상기 관심 영역에 대응하는 외곽선(contour) 정보를 결정하며, 그리고
상기 외곽선 정보를 기초로, 상기 의료 영상의 표현 계층을 결정하는 요소들을 정의한 포맷(format) 정보를 생성하도록 구성되고,
상기 관심 영역을 표시하는 외곽선의 색상은,
상기 의료 영상의 색상 공간에서,
상기 외곽선; 및
상기 관심 영역, 상기 관심 영역을 둘러싼 주변 영역, 또는 상기 의료 영상의 배경 영역 중 적어도 하나의 영역
사이의 시각적 대비를 고려하여 결정되는,
장치.
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210042510A KR102569976B1 (ko) | 2021-04-01 | 2021-04-01 | 의료 영상 처리 방법 |
| PCT/KR2021/014186 WO2022211195A1 (ko) | 2021-04-01 | 2021-10-14 | 의료 영상 처리 방법 |
| US18/553,186 US20240203566A1 (en) | 2021-04-01 | 2021-10-14 | Medical image processing method |
| TW111112655A TWI836394B (zh) | 2021-04-01 | 2022-03-31 | 醫療影像處理之方法、裝置及電腦程式 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210042510A KR102569976B1 (ko) | 2021-04-01 | 2021-04-01 | 의료 영상 처리 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220136631A KR20220136631A (ko) | 2022-10-11 |
| KR102569976B1 true KR102569976B1 (ko) | 2023-08-23 |
Family
ID=83456411
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210042510A KR102569976B1 (ko) | 2021-04-01 | 2021-04-01 | 의료 영상 처리 방법 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20240203566A1 (ko) |
| KR (1) | KR102569976B1 (ko) |
| TW (1) | TWI836394B (ko) |
| WO (1) | WO2022211195A1 (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012221365A (ja) * | 2011-04-12 | 2012-11-12 | Toshiba Corp | 医用画像表示装置及び医用画像保管システム |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101349968B1 (ko) * | 2011-11-28 | 2014-01-14 | 네이버 주식회사 | 자동 영상보정을 위한 영상 처리 장치 및 방법 |
| KR20150108701A (ko) * | 2014-03-18 | 2015-09-30 | 삼성전자주식회사 | 의료 영상 내 해부학적 요소 시각화 시스템 및 방법 |
| JP6890184B2 (ja) * | 2017-09-15 | 2021-06-18 | 富士フイルム株式会社 | 医療画像処理装置及び医療画像処理プログラム |
| US10839955B2 (en) * | 2019-04-16 | 2020-11-17 | International Medical Solutions, Inc. | Methods and systems for electronically receiving, modifying and distributing three-dimensional medical images |
| CN111223554A (zh) * | 2019-12-26 | 2020-06-02 | 四川大学华西医院 | 一种智能ai pacs系统及其检查报告信息处理方法 |
| CN111105414A (zh) * | 2019-12-31 | 2020-05-05 | 杭州依图医疗技术有限公司 | 处理方法、交互方法、显示方法及存储介质 |
-
2021
- 2021-04-01 KR KR1020210042510A patent/KR102569976B1/ko active IP Right Grant
- 2021-10-14 US US18/553,186 patent/US20240203566A1/en active Pending
- 2021-10-14 WO PCT/KR2021/014186 patent/WO2022211195A1/ko active Application Filing
-
2022
- 2022-03-31 TW TW111112655A patent/TWI836394B/zh active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012221365A (ja) * | 2011-04-12 | 2012-11-12 | Toshiba Corp | 医用画像表示装置及び医用画像保管システム |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022211195A1 (ko) | 2022-10-06 |
| TWI836394B (zh) | 2024-03-21 |
| US20240203566A1 (en) | 2024-06-20 |
| TW202243651A (zh) | 2022-11-16 |
| KR20220136631A (ko) | 2022-10-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102460257B1 (ko) | 진단 결과를 제공하기 위한 방법 및 장치 | |
| KR20220107940A (ko) | 의료 영상의 병변 평가 방법 | |
| KR102455875B1 (ko) | 골 연령 판독 방법 및 장치 | |
| KR20220074442A (ko) | 질병을 판정하기 위한 정보를 제공하는 방법 | |
| KR102492463B1 (ko) | 병변 판독 결과 표시 방법 | |
| TW202223917A (zh) | 基於醫學影像的疾病預測方法 | |
| US20240029887A1 (en) | Lesion diagnosis method | |
| KR20220165111A (ko) | 의료 영상의 분류 방법 | |
| US20220237780A1 (en) | Method for detecting serial section of medical image | |
| KR102569976B1 (ko) | 의료 영상 처리 방법 | |
| US20220198668A1 (en) | Method for analyzing lesion based on medical image | |
| US20220172370A1 (en) | Method for detecting white matter lesions based on medical image | |
| KR102454742B1 (ko) | 뇌 피질 영역의 두께를 분석하는 방법 | |
| KR102449240B1 (ko) | 모델 학습 방법 | |
| KR20220050014A (ko) | 영상 분석을 위한 사용자 인터페이스 | |
| KR102212966B1 (ko) | 개별 레이어의 예상 실행시간이 표시되는 의료영상 판독을 위한 인공지능 기반의 클라우드 플랫폼 시스템 | |
| KR20220124483A (ko) | 질병 예측 방법 | |
| KR20220125741A (ko) | 의료 영상 기반의 병변 분석 방법 | |
| KR102375786B1 (ko) | 의료 영상에서 이상 소견 탐지 및 판독문 생성 방법 | |
| US20220237777A1 (en) | Method for measuring lesion of medical image | |
| KR102501793B1 (ko) | 데이터셋 구성 방법 | |
| KR102556235B1 (ko) | 컨텐츠 기반 영상 검색 방법 및 장치 | |
| KR102534088B1 (ko) | 의료 데이터 검색 방법 | |
| KR20230056174A (ko) | 딥러닝 기반의 의료 영상 분석 방법 | |
| KR20220082456A (ko) | 의료 영상을 기반으로 하는 관심 대상의 상태 판독 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| AMND | Amendment | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) |