KR102574514B1 - 관절염 진단 장치 및 이에 의한 관절염 진단을 위한 정보 제공 방법, 컴퓨터 판독 가능한 기록 매체 및 컴퓨터 프로그램 - Google Patents

관절염 진단 장치 및 이에 의한 관절염 진단을 위한 정보 제공 방법, 컴퓨터 판독 가능한 기록 매체 및 컴퓨터 프로그램 Download PDF

Info

Publication number
KR102574514B1
KR102574514B1 KR1020200177812A KR20200177812A KR102574514B1 KR 102574514 B1 KR102574514 B1 KR 102574514B1 KR 1020200177812 A KR1020200177812 A KR 1020200177812A KR 20200177812 A KR20200177812 A KR 20200177812A KR 102574514 B1 KR102574514 B1 KR 102574514B1
Authority
KR
South Korea
Prior art keywords
joint
features
extracting
diagnosing
arthritis
Prior art date
Application number
KR1020200177812A
Other languages
English (en)
Other versions
KR20220087274A (ko
Inventor
김희찬
노두현
권순빈
구윤서
Original Assignee
서울대학교산학협력단
충남대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 서울대학교산학협력단, 충남대학교산학협력단 filed Critical 서울대학교산학협력단
Priority to KR1020200177812A priority Critical patent/KR102574514B1/ko
Priority to PCT/KR2021/019263 priority patent/WO2022131842A1/ko
Publication of KR20220087274A publication Critical patent/KR20220087274A/ko
Application granted granted Critical
Publication of KR102574514B1 publication Critical patent/KR102574514B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • 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
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/112—Gait analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1121—Determining geometric values, e.g. centre of rotation or angular range of movement
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/389—Electromyography [EMG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
    • A61B5/4528—Joints
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/50—Clinical applications
    • A61B6/505—Clinical applications involving diagnosis of bone
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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

Abstract

실시예의 관절염 진단 장치는 관절 영상 데이터를 수집하는 제1 데이터 수집부와, 상기 관절 영상 데이터를 기초로 상기 관절의 제1 특징들을 추출하는 제1 특징 추출부와, 보행 데이터를 수집하는 제2 데이터 수집부와, 상기 보행 데이터를 기초로 상기 관절의 제2 특징들을 추출하는 제2 특징 추출부와, 상기 관절의 제1 특징들 및 상기 관절의 제2 특징들을 기초로 상기 관절의 염증을 진단하는 진단부를 포함할 수 있다.
실시예는 관절 영상 데이터와 보행 데이터를 이용하여 관절의 상태를 진단함으로써, 보다 정확한 예측이 가능한 효과가 있다.

Description

관절염 진단 장치 및 이에 의한 관절염 진단을 위한 정보 제공 방법, 컴퓨터 판독 가능한 기록 매체 및 컴퓨터 프로그램{Apparatus for diagnosing of arthritis and method of providing information for diagnosing of arthritis using thereof, computer-readable storage medium and computer program}
실시예는 관절의 상태를 진단하기 위한 관절염 진단 장치 및 관절염 진단을 위한 정보 제공 방법에 관한 것이다.
일반적으로, 관절염은 뼈마디 사이인 관절에 염증이 일어나 부은 상태를 의미하는 것으로, 크게 퇴행성 관절염과 류마티스 관절염으로 구분된다
퇴행성 관절염은 주로 체중을 많이 받는 무릎이나 손목, 발목 등의 부위에 생길 수 있는 것으로, 노화 또는 노동, 운동 등 지속적이고 무리한 관절 사용으로 인해 완충역할을 하던 연골이 닳아 없어지고, 연골밑의 뼈가 비정상적으로 증식하여 관절이 파괴되면서 나타나게 된다. 관절이 뻣뻣하고, 삐걱이는 소리가나며, 관절 운동 장애, 관절 변형, 결절이 나타나고, 관절이 발갛게 되며, 활막에 염증이 생겨 열이 발생하는 증상이 나타난다.
류마티스 관절염은 만성 전신성 염증 질환으로서 손가락, 손목, 팔꿈치, 무릎, 발목, 발가락 등의 관절뿐 아니라 피부, 혈관, 심장, 폐, 근육 등 신체 여러 조직, 장기에 이상이 생긴다. 주로 활막에서 염증을 일으켜 연골을 파괴하고 관절을 변형시키며 나중에는 움직일 수 없게 된다. 원인으로 유전설, 감염설, 자가면역질환설이 있으나, 정확히 밝혀지지 않은 상태이다. 환자의 80%에서 자가항체인 류마티스 인자(Rheumatoid Factor:RF)가 발견되며, 류마티스 관절염의 특징적인 관절 변형으로는 손가락이 새끼손가락 쪽으로 구부러짐(편측편위), 손가락이 단추 누르는 모양으로 변형됨(Swan neck), 손에 류마티스 결절이 보이는 현상이 나타난다.
종래에는 관절염의 진단방법으로 환자 병력 및 관절염의 발생부위를 X-ray로 촬영하고, 촬영된 데이터를 이용하여 의사가 직접 관절염을 진단하고 있으나, 그 정확도가 떨어지는 문제가 발생되고 있다.
상술한 문제점을 해결하기 위해, 실시예는 관절염 증상을 효과적으로 진단하기 위한 관절염 진단 장치 및 관절염 진단을 위한 정보 제공 방법을 제공하는 것을 그 목적으로 한다.
또한, 실시예는 실시간으로 환자의 관절염을 진단하기 위한 관절염 진단 장치 및 관절염 진단을 위한 정보 제공 방법을 제공하는 것을 다른 목적으로 한다.
실시예의 관절염 진단 장치는 관절 영상 데이터를 수집하는 제1 데이터 수집부와, 상기 관절 영상 데이터를 기초로 상기 관절의 제1 특징들을 추출하는 제1 특징 추출부와, 보행 데이터를 수집하는 제2 데이터 수집부와, 상기 보행 데이터를 기초로 상기 관절의 제2 특징들을 추출하는 제2 특징 추출부와, 상기 관절의 제1 특징들 및 상기 관절의 제2 특징들을 기초로 상기 관절의 염증을 진단하는 진단부를 포함할 수 있다.
상기 관절 영상 데이터는 X-ray로부터 촬영된 관절 영상을 포함할 수 있다.
상기 제1 특징 추출부는 상기 관절 영상 데이터를 딥러닝 모델에 입력으로 하여 상기 관절의 특징들을 추출하는 제1 추출부와, 상기 추출된 관절의 특징들에 기 설정된 가중치를 반영하여 상기 특징들보다 적은 개수의 제1 특징들을 추출하는 제2 추출부를 포함할 수 있다.
상기 제2 데이터 수집부는, 웨어러블 기기 또는 IR 카메라 이용하여 측정된 3D 보행 데이터를 수집할 수 있다.
상기 웨어러블 기기는 인체에 부착되어 3축 가속도계, 3축 각속도계, 근전도 회로가 일체화된 센서 및 전극을 포함할 수 있다.
상기 3축 가속도계 및 상기 3축 각속도계는 관절의 운동 역할적 신호 및 관절 움직임을 측정하고, 상기 근전도 회로는 관절에 작용하는 힘을 측정할 수 있다.
상기 제2 특징 추출부는,
상기 보행 데이터로부터 파라미터 정보를 추출하는 파라미터 추출부와, 상기 추출된 파라미터 정보를 기초로 특징들을 추출하는 제3 추출부와, 기 설정된 통계 기법에 의해 가중치를 반영하여 상기 특징들보다 적은 개수의 제2 특징들을 추출하는 제4 추출부를 포함할 수 있다.
상기 제2 신뢰도를 가지는 제2 특징들은 힙(Hip)의 구부림 각도(Flexion Angle), 파워(Power), 모음 각도(Adduction Angle), 회전 모먼트(Ratation Moment), 무릎(Knee)의 구부림 각도(Flexion Angle), 확대 모먼트(Extension Moment), 파워(Power), 내번 각도(Varus Angle), 발목(Ankle)의 발바닥 구부림 각도(Plantar-flexion Moment), 파워(Power), 골반(Pelvic)의 기울기 각도(Obiliquity Angle), 발(Foot)의 단계적 각도(Progression Angle)를 포함할 수 있다.
상기 진단부는 상기 제1 특징들 및 제2 특징들을 미리 훈련된 머신 러닝 모델의 입력으로 하여 상기 관절의 염증을 예측하는 예측부와, 상기 관절의 염증을 단계별로 분류하는 분류부를 포함할 수 있다.
또한, 다른 실시예에 따른 관절염 진단 장치는 관절 영상 데이터 및 보행 데이터를 저장하는 메모리와 프로세서를 포함하되, 상기 프로세서는 상기 관절 영상 데이터를 기초로 상기 관절의 제1 특징들을 추출하고, 상기 보행 데이터를 기초로 상기 관절의 제2 특징들을 추출하고, 상기 관절의 제1 특징들 및 상기 관절의 제2 특징들을 기초로 상기 관절의 염증을 진단할 수 있다.
또한, 관절염 진단 장치에서 수행되는 관절염 진단 방법에 있어서, 관절 영상 데이터를 수집하는 단계와, 상기 관절 영상 데이터를 기초로 상기 관절의 제1 특징들을 추출하는 단계와, 보행 데이터를 수집하는 단계와, 상기 보행 데이터를 기초로 상기 관절의 제2 특징들을 추출하는 단계와, 상기 관절의 제1 특징들 및 상기 관절의 제2 특징들을 기초로 상기 관절의 염증을 진단하는 단계를 포함할 수 있다.
보행 데이터를 수집하는 단계와, 상기 보행 데이터를 기초로 상기 관절의 제2 특징들을 추출하는 단계는, 상기 관절 영상 데이터를 수집하는 단계와, 상기 관절 영상 데이터를 기초로 상기 관절의 제1 특징들을 추출하는 단계 이전 또는 동시에 수행될 수 있다.
또한, 실시예는 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체로서, 상기 컴퓨터 프로그램은, 프로세서에 의해 실행되면, 관절 영상 데이터를 수집하는 단계와, 상기 관절 영상 데이터를 기초로 상기 관절의 제1 특징들을 추출하는 단계와, 보행 데이터를 수집하는 단계와, 상기 보행 데이터를 기초로 상기 관절의 제2 특징들을 추출하는 단계와, 상기 관절의 제1 특징들 및 상기 관절의 제2 특징들을 기초로 상기 관절의 염증을 진단하는 단계를 상기 프로세서가 수행하도록 하기 위한 명령어를 포함할 수 있다.
또한, 실시예는 컴퓨터 판독 가능한 기록매체에 저장되어 있는 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은, 프로세서에 의해 실행되면, 관절 영상 데이터를 수집하는 단계와, 상기 관절 영상 데이터를 기초로 상기 관절의 제1 특징들을 추출하는 단계와, 보행 데이터를 수집하는 단계와, 상기 보행 데이터를 기초로 상기 관절의 제2 특징들을 추출하는 단계와, 상기 관절의 제1 특징들 및 상기 관절의 제2 특징들을 기초로 상기 관절의 염증을 진단하는 단계를 상기 프로세서가 수행하도록 하기 위한 명령어를 포함할 수 있다.
실시예는 관절 영상 데이터와 보행 데이터를 이용하여 관절의 상태를 진단함으로써, 보다 정확한 예측이 가능한 효과가 있다.
또한, 실시예는 머신 러닝 모델에 의해 진단을 수행함으로써, 실시간으로 환자의 관절 상태를 예측할 수 있는 효과가 있다.
또한, 실시예는 추출된 특징들 중 신뢰도가 높은 특징들을 관절 진단에 이용함으로써, 진단 정확도를 보다 향상시킬 수 있다.
도 1은 실시예에 따른 관절염 진단 장치를 나타낸 블록도이다.
도 2는 X-ray로 촬영된 관절의 모습을 나타낸 도면이다.
도 3은 인체에 부착된 웨어러블 기기의 구조를 나타낸 도면이다.
도 4는 카메라를 통해 획득한 영상 데이터를 나타낸 도면이다.
도 5는 실시예에 따른 관절염 진단 장치의 제1 특징 추출부를 나타낸 블록도이다.
도 6은 실시예에 따른 관절염 진단 장치의 제2 추출부에서 추출된 제1 특징들을 나타낸 그래프이다.
도 7은 실시예에 따른 관절염 진단 장치의 제2 특징 추출부를 나타낸 블록도이다.
도 8은 제2 특징 추출부의 제3 추출부로부터 추출된 제2 특징들을 나타낸 도면이다.
도 9 및 도 10은 제2 특징 추출부의 제4 추출부로부터 추출된 제2 특징들을 나타낸 그래프이다.
도 11은 실시예에 따른 관절염 진단 장치의 진단부를 나타낸 블록도이다.
도 12는 실시예에 따른 관절염 진단 장치의 진단부의 예측부에서 출력된 값을 나타낸 그래프이다.
도 13 및 도 14는 실시예에 따른 관절염 진단 장치의 진단 정확도를 종래와 비교한 모습을 나타낸 도면이다.
도 15는 다른 실시예에 따른 관절염 진단 장치를 나타낸 블록도이다.
도 16은 실시예에 따른 관절염 진단 방법을 나타낸 순서도이다.
이하, 도면을 참조하여 실시예를 상세히 설명하기로 한다.
도 1은 실시예에 따른 관절염 진단 장치를 나타낸 블록도이고, 도 2는 X-ray로 촬영된 관절의 모습을 나타낸 도면이고, 도 3은 인체에 부착된 웨어러블 기기의 구조를 나타낸 도면이고, 도 4는 카메라를 통해 획득한 영상 데이터를 나타낸 도면이고, 도 5는 실시예에 따른 관절염 진단 장치의 제1 특징 추출부를 나타낸 블록도이고, 도 6은 실시예에 따른 관절염 진단 장치의 제2 추출부에서 추출된 제1 특징들을 나타낸 그래프이고, 도 7은 실시예에 따른 관절염 진단 장치의 제2 특징 추출부를 나타낸 블록도이고, 도 8은 제2 특징 추출부의 제3 추출부로부터 추출된 제2 특징들을 나타낸 도면이고, 도 9 및 도 10은 제2 특징 추출부의 제4 추출부로부터 추출된 제2 특징들을 나타낸 그래프이고, 도 11은 실시예에 따른 관절염 진단 장치의 진단부를 나타낸 블록도이고, 도 12는 실시예에 따른 관절염 진단 장치의 진단부의 예측부에서 출력된 값을 나타낸 그래프이고, 도 13 및 도 14는 실시예에 따른 관절염 진단 장치의 진단 정확도를 종래와 비교한 모습을 나타낸 도면이다.
도 1을 참조하면, 실시예에 따른 관절염 진단 장치는 제1 데이터 수집부(100)를 포함할 수 있다.
제1 데이터 수집부(100)는 관절 영상을 수집할 수 있다. 관절 영상은 X-ray를 이용하여 촬영될 수 있다. 관절 영상(10)은 2D 영상일 수 있다. 도 2에 도시된 바와 같이, 관절 영상(10)은 하반신 관절 영상을 포함할 수 있으며, 다리의 전체(full limb) 영상과 무릎 관절(knee joung) 위주의 영상을 포함할 수 있다. 관절은 2개의 뼈가 일정 간격을 유지한 상태로 이루어지며, 그 간격에 따라 관절염의 위험 정도를 파악할 수 있다. 예컨대, 관절의 간격 또는 위험도에 따라 0등급(Grade 0), 1등급(Grade 1), 2등급(Grade 2), 3등급(Grade 3) 및 4등급(Grade 4)으로 이루어질 수 있다. 0등급은 정상 상태인 경우일 수 있으며, 4등급은 수술이 필요한 경우일 수 있다.
상기에서는 관절 영상(10)을 다리의 무릎 관절 영상을 위주로 촬영된 영상을 이용하였으나, 이에 한정되지 않으며, 허리, 발목, 팔 또는 인체에 분포하는 관절 영상을 이용할 수도 있다.
도 1로 돌아가서, 실시예에 따른 관절염 진단 장치는 제2 데이터 수집부(300)를 포함할 수 있다.
제2 데이터 수집부(300)는 보행 데이터를 수집할 수 있다. 보행 데이터는 카메라, IR 카메라, 웨어러블 기기를 사용하여 측정할 수 있다. 보행 데이터는 보행 시 다리의 특정 위치마다 관절의 형태가 다를 수 있으며, 이에 신뢰성이 높은 위치에서의 데이터를 수집하여 사용할 수 있다.
도 3에 도시된 바와 같이, 웨어러블 기기(20)는 인체의 무릎을 기준으로 상하에 이격되어 배치될 수 있으나, 이에 한정되지 않는다. 웨어러블 기기(20)는 다리를 감싸도록 밴드(21)로 이루어질 수 있으며, 밴드(21)에 센서(23) 및 전극(25)이 장착될 수 있다.
센서(23)는 3축 가속도계, 3축 각속도계, 근전도 회로가 일체화된 구조로 이루어질 수 있다. 3축 가속도계, 3축 각속도계는 관절의 운동 역학적 신호 및 관절 움직임을 측정할 수 있으며, 근전도 회로는 관절에 작용하는 힘을 측정할 수 있다.
도 4에 도시된 바와 같이, 제2 데이터는 카메라로부터 획득된 보행 영상(30)일 수 있다. 제2 데이터는 환자의 보행이 포함된 보행 영상(30)을 이용하여 허리, 무릎 발목 등의 관절 정보를 측정한 보행 영상(30)으로 변환하여 사용할 수 있다.
도 1로 돌아가서, 실시예에 따른 관절염 진단 장치는 제1 특징 추출부(200)를 포함할 수 있다.
제1 특징 추출부(200)는 관절 영상 데이터를 기초로 제1 특징들을 추출할 수 있다. 제1 특징들은 딥러닝 모델을 이용하여 추출할 수 있다. 딥러닝 모델은 별도의 입력 정보가 없이도 스스로 특징을 파악해서 분류할 수 있으므로, 영상 데이터로부터 특징을 추출하기가 상당히 효과적일 수 있다.
도 5에 도시된 바와 같이, 제1 특징 추출부(200)는 제1 추출부(230)와, 제2 추출부(250)를 포함할 수 있다.
제1 추출부(230)는 관절 영상 데이터를 딥러닝 모델(210)에 입력으로 하여 특징들을 추출할 수 있다. 제2 추출부(250)는 제1 추출부(230)로부터 추출된 특징들 중 신뢰도가 높은 제1 특징들을 추출할 수 있다.
제2 추출부(250)는 통계 기법에 의해 신뢰도가 높은 제1 특징들을 추출할 수 있으며, 이를 위해 제2 추출부(250)는 NCA 기법에 의해 가중치를 설정하고, 기 설정된 가중치를 반영하여 제1 추출부(230)에서 추출된 특징들 중 신뢰도가 높은 제1 특징들을 추출할 수 있다. 여기서, 제2 추출부(250)에서 추출된 제1 특징들의 개수는 제1 추출부(230)에서 추출된 특징들의 개수보다 적을 수 있다.
도 6에 도시된 바와 같이, 제2 추출부(250)로부터 추출된 제1 특징들은 신뢰도에 따라 다양하게 분포될 수 있다. 이때, 임계치를 정하고, 임계치 이상인 제1 특징들만 추출할 수 있다. 예컨대, 임계치 예컨대, 신뢰도가 0인 제1 특징들(12)은 제외하고, 신뢰도가 0 이상인 제1 특징들(11)만을 추출할 수 있다.
제1 특징들의 개수가 적을 경우, 임계치는 0에 가까울 수 있으며, 제1 특징들의 개수가 많을 경우, 임계치는 0 보다 멀게 설정할 수 있다.
도 1로 돌아가서, 실시예에 따른 관절염 진단 장치는 제2 특징 추출부(400)를 포함할 수 있다.
제2 특징 추출부(400)는 보행 데이터를 기초로 관절의 제2 특징들을 추출할 수 있다.
도 7에 도시된 바와 같이, 제2 특징 추출부(400)는 파라미터 추출부(410)와 제3 추출부(430)와 제4 추출부(450)와 제5 추출부(470)를 포함할 수 있다.
파라미터 추출부(410)는 보행 데이터로부터 파라미터를 추출할 수 있다. 파라미터는 무릎(Knee), 힙(Hip), 발목(Ankle), 골반(Pelvic), 다리(Foot), 경골(Tibla)를 포함할 수 있으며, 일 예로, 무릎(Knee)에 대한 확대 모멘트(Extension Moment), 모음 모멘트(Adduction Moment), 어브덕션 모멘트(Abduction Moment), 회전 모멘트(Rorational Moment), 구부림 각도(Flexion Angle)와, 힙(Hip)에 대한 모음 모멘트(Adduction Moment), 어브덕션 모멘트(Abduction Moment), 확대(확장) 각도(Extension Angle)과, 발목(Ankle)에 대한 인대 모멘트(Dorsiflection Moment)를 포함할 수 있으나 이에 한정되지 않는다.
제3 추출부(430)는 추출된 파라미터로부터 관절의 특징들을 추출할 수 있다.
도 8에 도시된 바와 같이, 예컨대, 힙의 파라미터 정보들을 이용하여 구부림 각도(Flextion Angle), 확대 모멘트(Extension Moment), 파워(Power), 모음 모멘트(Adduction Moment), 어브덕션 모멘트(Abduction Moment), 회전 각도(Rotation Angle), 회전 모멘트(Roration Moment)를 추출할 수 있다. 또한, 무릎의 파라미터 정보들을 이용하여 구부림 각도(Flextion Angle), 확대 모멘트(Extension Moment), 파워(Power), 모음 모멘트(Adduction Moment), 어브덕션 모멘트(Abduction Moment)를 추출할 수 있다. 또한, 발목(Ankle)의 파라미터 정보들을 이용하여 구부림 각도(Flextion Angle), 저측굴곡 모멘트(Plantar-flextion Momemt), 파워(Power), ㄴ내번 각도(varus Angle) 정보를 추출할 수 있다. 또한, 골반(Pelvic)의 파라미터 정보들을 이용하여 틸트 각도(Tilt Angle), 기울기 각도(Obliquity Angle), 회전 각도(Rotation Angle)을 추출할 수 있다. 또한, 발(Foot)의 파라미터 정보들을 이용하여 진행 각도(Progression Angle), 진행 모멘트(Progression Moment)를 추출할 수 있다. 또한, 경골(Tibia)의 파라미터 정보들을 이용하여 비틀림 각도(Torsion Angle)을 추출할 수 있으나, 이에 한정되지 않는다.
파라미터 추출부(410)는 보행 데이터에 대해 파라미터에 대해 각각의 그래프로 생성할 수 있다.
도 7로 돌아가서, 제4 추출부(450)는 제3 추출부에서 추출된 특징들 중 신뢰도가 높은 제1 신뢰도를 가지는 특징들을 선별하여 추출할 수 있다. 제4 추출부(450)는 NCA 기법에 의해 가중치를 설정하고, 설정된 가중치를 이용하여 제2 특징들 중 제1 신뢰도를 가지는 특징들을 추출할 수 있다.
제5 추출부(470)는 제1 신뢰도를 가지는 특징들 중 제1 신뢰도 보다 정확도가 높은 제2 신뢰도를 가지는 제2 특징들을 추출할 수 있다.
제5 추출부(470)는 통계 기법을 이용하여 가중치를 설정하고, 설정된 가중치를 이용하여 제2 신뢰도를 가지는 제2 특징들을 추출할 수 있다. 통계 기법은 ANOVA, t-test 기법을 이용할 수 있다.
도 9에 도시된 바와 같이, 제2 신뢰도를 가지는 제2 특징들은 신뢰도가 0인 제2 특징들(12)과 신뢰도가 0이 아닌 제2 특징들(11)을 포함할 수 있으며, 신뢰도가 0이 아닌 제2 특징들(11)을 제2 신뢰도를 가지는 제2 특징들로 결정할 수 있다. 신뢰도의 기준은 달라질 수 있다.
도 10에 도시된 바와 같이, 제2 특징 추출부로부터 추출된 제2 신뢰도를 가지는 제2 특징들은 힙(Hip)의 구부림 각도(Flexion Angle), 파워(Power), 모음 각도(Adduction Angle), 회전 모먼트(Ratation Moment), 무릎(Knee)의 구부림 각도(Flexion Angle), 확대 모먼트(Extension Moment), 파워(Power), 내번 각도(Varus Angle), 발목(Ankle)의 발바닥 구부림 각도(Plantar-flexion Moment), 파워(Power), 골반(Pelvic)의 기울기 각도(Obiliquity Angle), 발(Foot)의 단계적 각도(Progression Angle)를 포함할 수 있다.
도 1로 돌아가서, 실시예에 따른 관절염 진단 장치는 진단부(500)를 포함할 수 있다.
진단부(500)는 제1 특징 추출부(200)로부터 추출된 제1 특징들과, 제2 특징 추출부(400)로부터 추출된 제2 특징들을 기초로 관절의 상태를 진단할 수 있다. 관절의 상태는 관절의 염증 상태를 포함할 수 있으나, 이에 한정되지 않는다.
도 11에 도시된 바와 같이, 진단부(500)는 예측부(510)와, 분류부(530)를 포함할 수 있다. 진단부(500)는 미리 훈련된 머신 런닝 모델을 이용하여 염증을 진단할 수 있다.
예측부(510)는 제1 특징 추출부(200)로부터 추출된 제1 특징들과, 제2 특징 추출부(400)로부터 추출된 제2 특징들을 머신 런닝 모델의 입력으로 하여 관절의 상태를 예측할 수 있다.
머신 런닝 모델은 수집된 특징 데이터들의 훈련 데이터와 학습 데이터의 비를 7:3으로 머신 런닝을 미리 훈련 및 학습시킬 수 있다. 또한, 머신 런닝 모델은 도 12에 도시된 바와 같이, 2개의 모델로 이루어져 서로 다른 기계적 특성에 의해 훈련 및 학습되어 관절의 상태를 예측할 수 있다.
분류부(530)는 예측부(510)로부터 예측된 관절의 상태를 단계별로 분류하여 관절의 상태가 어떤 상태인지 판단할 수 있다. 예컨대, 관절의 상태는 0등급(Grade 0), 1등급(Grade 1), 2등급(Grade 2), 3등급(Grade 3) 및 4등급(Grade 4)으로 이루어질 수 있다.
상기와 같이 훈련된 관절염 진단 장치에 환자의 관절 정보(X-ray 영상, 보행 데이터 등)가 실시간으로 입력될 경우, 관절염 진단 장치는 환자의 관절 상태를 효과적으로 진단할 수 있으며, 실시간으로 환자의 관절 상태를 피드백할 수 있는 효과가 있다.
도 13에 도시된 바와 같이, 실시예에 따른 관절염 진단 장치(Proposed Model)를 이용하게 되면 약 75.2%의 정확도를 얻을 수 있었다. 이와 다르게, 의사의 소견만으로 관절염의 진단이 이루어진 경우(Previous Study)는 약 63.4%의 정확도를 얻을 수 있었으며, 딥 러닝을 이용할 경우(Reference deep learning model)는 약 64.7%의 정확도를 얻을 수 있었다.
따라서, 실시예에 따른 관절염 진단 장치는 관절의 상태를 예측하고 분류하는 데 상당히 효과적임을 알 수 있다.
또한, 민감도(Sensitivity), 정밀성(Precision), S1-score, 각 등급에서도 실시예에 따른 관절염 진단 장치를 이용하는 것이 상당히 효과적임을 알 수 있다.
도 14에 도시된 바와 같이, 2개의 등급에 대해 쌍을 이루고 이에 대한 평가를 수행한 결과, KL0-KL4, KL1-KL2. KL1-KL4에서 실시예에 따른 관절염 진단 장치를 사용하는 것이 효과적이었으며, 다른 등급에서도 보행 데이터를 사용하거나, 이미지 데이터를 사용하는 데 유리한 점을 보여주고 있어, 관절염 진단을 수행하는 데 상당히 효과적임을 알 수 있다.
도 15는 다른 실시예에 따른 관절염 진단 장치를 나타낸 블록도이다.
도 15에 도시된 바와 같이, 실시예에 따른 관절염 진단 장치(600)는 메모리(610)와, 프로세서(630)를 포함할 수 있다.
메모리(610)는 관절 영상으로부터 추출된 제1 특징들과 보행 데이터로부터 추출된 제2 특징들이 저장될 수 있다.
프로세서(630)는 데이터 수집부, 특징 추출부 및 진단부를 포함할 수 있으며, 데이터 수집부, 특징 추출부 및 진단부는 적어도 하나의 프로세서에 의해 실행되는 프로그램에 의해 구현될 수 있다. 여기서, 프로그램은 메모리(610)에 저장될 수 있다.
프로세서는 상기 관절 영상 데이터를 기초로 상기 관절의 제1 특징들을 추출하고, 상기 보행 데이터를 기초로 상기 관절의 제2 특징들을 추출하고, 상기 관절의 제1 특징들 및 상기 관절의 제2 특징들을 기초로 상기 관절의 염증을 진단할 수 있다.
실시예에 따른 관절염 진단 장치(600)는 제1 특징들 및 제2 특징들을 획득할 수 있는 통신용 인터페이스(620)를 더 포함할 수 있다.
도 16은 실시예에 따른 관절염 진단 방법을 나타낸 순서도이다.
도 16을 참조하면, 실시예에 따른 관절염 진단 방법은 관절 영상 데이터를 수집하는 단계(S100)와, 상기 관절 영상 데이터를 기초로 상기 관절의 제1 특징들을 추출하는 단계(S200)와, 보행 데이터를 수집하는 단계(S300)와, 상기 보행 데이터를 기초로 상기 관절의 제2 특징들을 추출하는 단계(S400)와, 상기 관절의 제1 특징들 및 상기 관절의 제2 특징들을 기초로 상기 관절의 염증을 진단하는 단계(S500)를 포함할 수 있다. 실시예에 따른 관절염 진단 방법은 관절염 진단 장치에서 수행될 수 있다.
관절 영상 데이터를 수집하는 단계(S100)는 제1 데이터 수집부에서 수행될 수 있다. 관절 영상 데이터를 수집하는 단계(S100)는 X-ray로부터 촬영된 영상을 수집할 수 있다.
관절 영상 데이터를 기초로 상기 관절의 제1 특징들을 추출하는 단계(S200)는 제1 특징 추출부에서 수행될 수 있다. 관절 영상 데이터를 기초로 상기 관절의 제1 특징들을 추출하는 단계(S200)는 딥러닝 모델을 이용하여 제1 특징들을 추출할 수 있다.
관절 영상 데이터를 기초로 상기 관절의 제1 특징들을 추출하는 단계(S200)는 딥러닝 모델을 이용한 제1 특징들 중 신뢰도가 높은 제1 특징들을 NCA 기법에 의해 추출할 수 있다.
보행 데이터를 수집하는 단계(S300)는 제2 데이터 수집부에서 수행될 수 있다. 보행 데이터를 수집하는 단계(S300)는 카메라, IR 카메라, 웨어러블 기기를 사용하여 측정된 보행 데이터를 수집할 수 있다.
보행 데이터를 기초로 상기 관절의 제2 특징들을 추출하는 단계(S400)는 제2 특징 추출부에서 수행될 수 있다.
보행 데이터를 기초로 상기 관절의 제2 특징들을 추출하는 단계(S400)는 보행 데이터의 파라미터 정보를 추출하고, 파라미터 정보에 따른 제2 특징들을 추출할 수 있다.
보행 데이터를 기초로 상기 관절의 제2 특징들을 추출하는 단계(S400)는 NCA 기법, ANOVA, t-test 기법을 이용하여 파라미터 정보에 따른 제2 특징들 중 신뢰도가 높은 제2 특징들을 추출할 수 있다.
관절의 제1 특징들 및 상기 관절의 제2 특징들을 기초로 상기 관절의 염증을 진단하는 단계(S500)는 진단부에서 수행될 수 있다.
관절의 제1 특징들 및 상기 관절의 제2 특징들을 기초로 상기 관절의 염증을 진단하는 단계(S500)는 머신 런닝 모델을 이용하여 진단할 수 있다.
관절의 제1 특징들 및 상기 관절의 제2 특징들을 기초로 상기 관절의 염증을 진단하는 단계는 머신 런닝 모델을 이용하여 관절의 상태를 예측하고 분류할 수 있다.
보행 데이터를 수집하는 단계(S300)와, 상기 보행 데이터를 기초로 상기 관절의 제2 특징들을 추출하는 단계(S400)는 상기 관절 영상 데이터를 수집하는 단계(S100)와, 상기 관절 영상 데이터를 기초로 상기 관절의 제1 특징들을 추출하는 단계(S200) 이전 또는 동시에 수행될 수 있다.
본 문서의 다양한 실시예들은 기기(machine)(예: 컴퓨터)로 읽을 수 있는 저장 매체(machine-readable storage media)(예: 메모리(내장 메모리 또는 외장 메모리))에 저장된 명령어를 포함하는 소프트웨어(예: 프로그램)로 구현될 수 있다. 기기는, 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 동작이 가능한 장치로서, 개시된 실시예들에 따른 전자 장치를 포함할 수 있다. 상기 명령이 제어부에 의해 실행될 경우, 제어부가 직접, 또는 상기 제어부의 제어하에 다른 구성요소들을 이용하여 상기 명령에 해당하는 기능을 수행할 수 있다. 명령은 컴파일러 또는 인터프리터에 의해 생성 또는 실행되는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, 비일시적은 저장매체가 신호(signal)를 포함하지 않으며 실재(tangible)한다는 것을 의미할 뿐 데이터가 저장매체에 반영구적 또는 임시적으로 저장됨을 구분하지 않는다.
실시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다.
일 실시예에 따르면, 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체로서, 관절 영상 데이터를 수집하는 단계와, 상기 관절 영상 데이터를 기초로 상기 관절의 제1 특징들을 추출하는 단계와, 보행 데이터를 수집하는 단계와, 상기 보행 데이터를 기초로 상기 관절의 제2 특징들을 추출하는 단계와, 상기 관절의 제1 특징들 및 상기 관절의 제2 특징들을 기초로 상기 관절의 염증을 진단하는 단계를 수행하기 위한 동작을 포함하는 방법을 프로세서가 수행하도록 하기 위한 명령어를 포함할 수 있다.
일 실시예에 따르면, 컴퓨터 판독 가능한 기록매체에 저장되어 있는 컴퓨터 프로그램으로서, 관절 영상 데이터를 수집하는 단계와, 상기 관절 영상 데이터를 기초로 상기 관절의 제1 특징들을 추출하는 단계와, 보행 데이터를 수집하는 단계와, 상기 보행 데이터를 기초로 상기 관절의 제2 특징들을 추출하는 단계와, 상기 관절의 제1 특징들 및 상기 관절의 제2 특징들을 기초로 상기 관절의 염증을 진단하는 단계를 수행하기 위한 동작을 포함하는 방법을 프로세서가 수행하도록 하기 위한 명령어를 포함할 수 있다.
상기에서는 도면 및 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허청구범위에 기재된 실시예의 기술적 사상으로부터 벗어나지 않는 범위 내에서 실시예는 다양하게 수정 및 변경시킬 수 있음은 이해할 수 있을 것이다.
100: 제1 데이터 수집부
200: 제1 특징 추출부
300: 제2 데이터 수집부
400: 제2 특징 추출부
500: 진단부

Claims (14)

  1. 관절 영상 데이터를 수집하는 제1 데이터 수집부;
    상기 관절 영상 데이터를 기초로 관절의 1차 특징들을 추출하는 제1 추출부 및 기 설정된 제1가중치에 기초하여 상기 관절의 1차 특징들보다 적은 개수의 특징들을 관절의 제1 특징들로 추출하는 제2 추출부를 포함하는 제1 특징 추출부;
    보행 데이터를 수집하는 제2 데이터 수집부;
    상기 보행 데이터를 기초로 파라미터 정보를 추출하는 파라미터 추출부, 상기 파라미터 정보에 기초하여 관절의 2차 특징들을 추출하는 제3 추출부, 기 설정된 제2가중치에 기초하여 상기 관절의 2차 특징들보다 적은 개수의 특징들을 관절의 3차 특징들로 추출하는 제4 추출부 및 기 설정된 제3가중치에 기초하여 상기 관절의 3차 특징들보다 적은 개수의 특징들을 관절의 제2 특징들로 추출하는 제5 추출부를 포함하는 제2 특징 추출부; 및
    기 훈련된 머신 러닝 모델을 이용하여 상기 관절의 제1 특징들 및 상기 관절의 제2 특징들로부터 상기 관절의 염증을 진단하는 진단부를 포함하는 관절염 진단 장치.
  2. 제1항에 있어서,
    상기 관절 영상 데이터는 X-ray로부터 촬영된 관절 영상을 포함하는 관절염 진단 장치.
  3. 삭제
  4. 제1항에 있어서,
    상기 제2 데이터 수집부는,
    웨어러블 기기 또는 IR 카메라 이용하여 측정된 3D 보행 데이터를 수집하는 관절염 진단 장치.
  5. 제4항에 있어서,
    상기 웨어러블 기기는 인체에 부착되어 3축 가속도계, 3축 각속도계, 근전도 회로가 일체화된 센서 및 전극을 포함하는 관절염 진단 장치.
  6. 제5항에 있어서,
    상기 3축 가속도계 및 상기 3축 각속도계는 관절의 운동 역할적 신호 및 관절 움직임을 측정하고, 상기 근전도 회로는 관절에 작용하는 힘을 측정하는 관절염 진단 장치.
  7. 삭제
  8. 제1항에 있어서,
    상기 제2 특징들은 힙(Hip)의 구부림 각도(Flexion Angle), 파워(Power), 모음 각도(Adduction Angle), 회전 모먼트(Ratation Moment), 무릎(Knee)의 구부림 각도(Flexion Angle), 확대 모먼트(Extension Moment), 파워(Power), 내번 각도(Varus Angle), 발목(Ankle)의 발바닥 구부림 각도(Plantar-flexion Moment), 파워(Power), 골반(Pelvic)의 기울기 각도(Obiliquity Angle), 발(Foot)의 단계적 각도(Progression Angle)를 포함하는 관절염 진단 장치.
  9. 제1항에 있어서,
    상기 진단부는,
    상기 제1 특징들 및 제2 특징들을 상기 머신 러닝 모델의 입력으로 하여 상기 관절의 염증을 예측하는 예측부와,
    예측된 염증을 단계별로 분류하는 분류부를 포함하는 관절염 진단 장치.
  10. 관절 영상 데이터 및 보행 데이터를 저장하는 메모리와 프로세서를 포함하되,
    상기 프로세서는,
    상기 관절 영상 데이터를 기초로 관절의 1차 특징들을 추출하고, 기 설정된 제1가중치에 기초하여 상기 관절의 1차 특징들보다 적은 개수의 특징들을 관절의 제1 특징들로 추출하고, 상기 보행 데이터를 기초로 파라미터 정보를 추출하고, 상기 파라미터 정보에 기초하여 관절의 2차 특징들을 추출하고, 기 설정된 제2가중치에 기초하여 상기 관절의 2차 특징들보다 적은 개수의 특징들을 관절의 3차 특징들로 추출하고, 기 설정된 제3가중치에 기초하여 상기 관절의 3차 특징들보다 적은 개수의 특징들을 관절의 제2 특징들로 추출하고, 기 훈련된 머신 러닝 모델을 이용하여 상기 관절의 제1 특징들 및 상기 관절의 제2 특징들로부터 상기 관절의 염증을 진단하는 관절염 진단 장치.
  11. 관절염 진단 장치에서 수행되는 관절염 진단을 위한 정보 제공 방법에 있어서,
    관절 영상 데이터를 수집하는 단계;
    상기 관절 영상 데이터를 기초로 관절의 1차 특징들을 추출하고, 기 설정된 제1가중치에 기초하여 상기 관절의 1차 특징들보다 적은 개수의 특징들을 관절의 제1 특징들로 추출하는 단계;
    보행 데이터를 수집하는 단계;
    상기 보행 데이터를 기초로 파라미터 정보를 추출하고, 상기 파라미터 정보에 기초하여 관절의 2차 특징들을 추출하고, 기 설정된 제2가중치에 기초하여 상기 관절의 2차 특징들보다 적은 개수의 특징들을 관절의 3차 특징들로 추출하고, 기 설정된 제3가중치에 기초하여 상기 관절의 3차 특징들보다 적은 개수의 특징들을 관절의 제2 특징들로 추출하는 단계; 및
    기 훈련된 머신 러닝 모델을 이용하여 상기 관절의 제1 특징들 및 상기 관절의 제2 특징들로부터 상기 관절의 염증을 진단하는 단계를 포함하는 관절염 진단을 위한 정보 제공 방법.
  12. 제11항에 있어서,
    상기 보행 데이터를 수집하는 단계와, 상기 보행 데이터를 기초로 상기 관절의 제2 특징들을 추출하는 단계는,
    상기 관절 영상 데이터를 수집하는 단계와, 상기 관절 영상 데이터를 기초로 상기 관절의 제1 특징들을 추출하는 단계 이전 또는 동시에 수행되는 관절염 진단을 위한 정보 제공 방법.
  13. 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체로서,
    상기 컴퓨터 프로그램은, 프로세서에 의해 실행되면,
    관절 영상 데이터를 수집하는 단계;
    상기 관절 영상 데이터를 기초로 관절의 1차 특징들을 추출하고, 기 설정된 제1가중치에 기초하여 상기 관절의 1차 특징들보다 적은 개수의 특징들을 관절의 제1 특징들로 추출하는 단계;
    보행 데이터를 수집하는 단계;
    상기 보행 데이터를 기초로 파라미터 정보를 추출하고, 상기 파라미터 정보에 기초하여 관절의 2차 특징들을 추출하고, 기 설정된 제2가중치에 기초하여 상기 관절의 2차 특징들보다 적은 개수의 특징들을 관절의 3차 특징들로 추출하고, 기 설정된 제3가중치에 기초하여 상기 관절의 3차 특징들보다 적은 개수의 특징들을 관절의 제2 특징들로 추출하는 단계; 및
    기 훈련된 머신 러닝 모델을 이용하여 상기 관절의 제1 특징들 및 상기 관절의 제2 특징들로부터 상기 관절의 염증을 진단하는 단계를 상기 프로세서가 수행하도록 하기 위한 명령어를 포함하는 컴퓨터 판독 가능한 기록매체.
  14. 컴퓨터 판독 가능한 기록매체에 저장되어 있는 컴퓨터 프로그램으로서,
    상기 컴퓨터 프로그램은, 프로세서에 의해 실행되면,
    관절 영상 데이터를 수집하는 단계;
    상기 관절 영상 데이터를 기초로 관절의 1차 특징들을 추출하고, 기 설정된 제1가중치에 기초하여 상기 관절의 1차 특징들보다 적은 개수의 특징들을 관절의 제1 특징들로 추출하는 단계;
    보행 데이터를 수집하는 단계;
    상기 보행 데이터를 기초로 파라미터 정보를 추출하고, 상기 파라미터 정보에 기초하여 관절의 2차 특징들을 추출하고, 기 설정된 제2가중치에 기초하여 상기 관절의 2차 특징들보다 적은 개수의 특징들을 관절의 3차 특징들로 추출하고, 기 설정된 제3가중치에 기초하여 상기 관절의 3차 특징들보다 적은 개수의 특징들을 관절의 제2 특징들로 추출하는 단계; 및
    기 훈련된 머신 러닝 모델을 이용하여 상기 관절의 제1 특징들 및 상기 관절의 제2 특징들로부터 상기 관절의 염증을 진단하는 단계를 상기 프로세서가 수행하도록 하기 위한 명령어를 포함하는 컴퓨터 프로그램.
KR1020200177812A 2020-12-17 2020-12-17 관절염 진단 장치 및 이에 의한 관절염 진단을 위한 정보 제공 방법, 컴퓨터 판독 가능한 기록 매체 및 컴퓨터 프로그램 KR102574514B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020200177812A KR102574514B1 (ko) 2020-12-17 2020-12-17 관절염 진단 장치 및 이에 의한 관절염 진단을 위한 정보 제공 방법, 컴퓨터 판독 가능한 기록 매체 및 컴퓨터 프로그램
PCT/KR2021/019263 WO2022131842A1 (ko) 2020-12-17 2021-12-17 관절염 진단 장치, 관절염 진단 방법, 및 컴퓨터 판독 가능한 기록 매체

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200177812A KR102574514B1 (ko) 2020-12-17 2020-12-17 관절염 진단 장치 및 이에 의한 관절염 진단을 위한 정보 제공 방법, 컴퓨터 판독 가능한 기록 매체 및 컴퓨터 프로그램

Publications (2)

Publication Number Publication Date
KR20220087274A KR20220087274A (ko) 2022-06-24
KR102574514B1 true KR102574514B1 (ko) 2023-09-06

Family

ID=82059369

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200177812A KR102574514B1 (ko) 2020-12-17 2020-12-17 관절염 진단 장치 및 이에 의한 관절염 진단을 위한 정보 제공 방법, 컴퓨터 판독 가능한 기록 매체 및 컴퓨터 프로그램

Country Status (2)

Country Link
KR (1) KR102574514B1 (ko)
WO (1) WO2022131842A1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002532126A (ja) * 1998-09-14 2002-10-02 スタンフォード ユニバーシティ 関節状態の評価及び損傷防止装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5618827B2 (ja) * 2007-08-14 2014-11-05 ミフェニオンゲゼルシャフト ミット ベシュレンクテルハフツング リュウマチ性関節炎等の炎症性疾患の診断もしくは診断準備、および／または炎症性疾患の治療監視を行うための装置、ならびにその方法
KR20130013935A (ko) * 2011-07-29 2013-02-06 (주)우리들웰니스 보행자 보법 분석시스템
US11477468B2 (en) * 2017-10-30 2022-10-18 Electronics And Telecommunications Research Institute Method and device for compressing image and neural network using hidden variable
KR102124095B1 (ko) * 2018-03-06 2020-06-17 단국대학교 산학협력단 족저압 변화 및 보행 패턴 분석을 위한 장치 및 방법
KR102254844B1 (ko) * 2019-05-29 2021-05-21 전북대학교산학협력단 기계학습을 이용한 의료 영상 처리 방법 및 장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002532126A (ja) * 1998-09-14 2002-10-02 スタンフォード ユニバーシティ 関節状態の評価及び損傷防止装置

Also Published As

Publication number Publication date
WO2022131842A1 (ko) 2022-06-23
KR20220087274A (ko) 2022-06-24

Similar Documents

Publication Publication Date Title
Engsberg et al. Kinematic analysis of the talocalcaneal/talocrural joint during running support
EP2805277B1 (en) Method and system for human joint treatment plan and personalized surgery planning using 3-d kinematics, fusion imaging and simulation
JP7057589B2 (ja) 医療情報処理システム、歩行状態定量化方法およびプログラム
Kwon et al. Machine learning-based automatic classification of knee osteoarthritis severity using gait data and radiographic images
Triloka et al. Neural computing for walking gait pattern identification based on multi-sensor data fusion of lower limb muscles
Kour et al. A survey of knee osteoarthritis assessment based on gait
KR101081643B1 (ko) 관절과 근육 이상 진단 시스템 및 관절과 근육 이상 진단 방법
JP2019084130A (ja) 歩行動作評価装置、歩行動作評価方法及びプログラム
Francisco et al. Computer vision based on a modular neural network for automatic assessment of physical therapy rehabilitation activities
KR102574514B1 (ko) 관절염 진단 장치 및 이에 의한 관절염 진단을 위한 정보 제공 방법, 컴퓨터 판독 가능한 기록 매체 및 컴퓨터 프로그램
KR20230120341A (ko) 2차원 영상을 이용한 3차원 인체 관절 각도 예측 방법 및 시스템
Gonzalez-Islas et al. Human gait analysis based on automatic recognition: A review
KR102658995B1 (ko) 인공지능 기술기반 수부 동작 학습 시스템 및 방법, 그리고 인공지능 모델을 이용한 질병 예측 시스템 및 방법
CN117690583B (zh) 基于物联网的康复护理交互式管理系统及方法
Jayaraman et al. Smartwatch as a kinaesthetic system for shoulder function assessment
KR20230162354A (ko) 뇌졸중에 대한 중증도 결정 방법 및 장치
CN117731243A (zh) 基于步态数据特征的足部运动损伤辅助诊断方法及系统
US20220225897A1 (en) Systems and methods for remote motor assessment
Yang et al. A video-based method for assessment of hip-knee-ankle coordination during walking
Tang Comparison Marker-Based and Markerless Motion Capture Systems in Gait Biomechanics During Running
Ji et al. Biomimetic Intelligence and Robotics
Loayza et al. Application of Kinect technology and artificial neural networks in the control of rehabilitation therapies in people with knee injuries
Chandu et al. Discovering Knee Osteoarthritis Using CNN Enhanced with AlexNet
CN116473545A (zh) 一种基于多传感器的腰背痛评估方法及系统
Leszko Dynamics, electromyography and vibroarthrography as non-invasive diagnostic tools: investigation of the patellofemoral joint

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant