KR102588116B1 - 엑스레이 영상에서 골절을 검출하는 방법 - Google Patents

Abstract

본 개시의 몇몇 실시예에 따라, 컴퓨팅 장치의 프로세서에 의해 수행되는 엑스레이(X-ray) 영상에서 골절을 검출하는 방법이 개시된다. 상기 방법은: 적어도 하나의 엑스레이 영상 각각을 복수 개의 패치들로 추출하는 단계; 상기 복수 개의 패치들 중에서 뼈 영역을 포함하는 적어도 하나의 뼈 영역 패치를 추출하는 단계; 및 사전 학습된 신경망 모델을 이용하여, 상기 적어도 하나의 뼈 영역 패치를 골절 영역을 포함하는 골절 패치와 골절 영역을 포함하지 않는 비골절 패치로 분류하는 단계;를 포함할 수 있다.

Description

엑스레이 영상에서 골절을 검출하는 방법{METHOD FOR DETECTING FRACTURE IN X-RAY IMAGE}

본 개시 내용은 엑스레이 영상에서 골절을 검출하는 방법에 관한 것으로서, 보다 구체적으로, 컴퓨팅 장치의 프로세서가 신경망 모델을 이용하여 엑스레이 영상에서 골절을 검출하는 방법에 관한 것이다.

의료 영상은 인체의 여러 가지 장기들의 물리적인 상태를 이해할 수 있게 해주는 자료이다. 의료 영상에는 엑스레이 영상(X-ray), 컴퓨터 단층 촬영(CT) 또는 자기공명영상(MRI) 등이 있다.

이러한 인체의 장기가 촬영된 의료 영상을 분석하여, 질병의 유무를 판정하는 연구는 꾸준히 이어져 오고 있다. 추가적으로, 의료 영상에 포함된 뼈에 대한 효과적인 분석을 위해 뼈를 분석하여, 골절의 유무를 판정하는 연구 또한 활발히 진행중이다.

그러나, 종래의 방식들은 영상을 분석하여 단순히 질병의 유무에 대한 판정 결과만 제공할 수 있다. 그 결과, 종래의 질병 유무를 판정하는 방식은 실제 임상 현장에서의 활용도가 낮은 실정이다.

따라서, 임상 현장에서의 활용도를 높일 수 있도록 질병의 유무를 판정할 수 있는 정보와 함께, 추가적인 정보를 제공할 수 있는 방법에 대한 연구 및 개발의 필요성이 존재한다.

한국의 등록특허공보 제10-1889722호는 악성 종양 진단 방법 및 장치에 관하여 개시한다.

본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 컴퓨팅 장치를 이용하여 질병의 유무를 판정할 수 있는 정보뿐만 아니라, 추가적인 정보를 제공할 수 있는 방법을 제공한다.

본 개시의 기술적 과제들은 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

전술한 바와 같은 과제를 해결하기 위한 본 개시의 몇몇 실시예에 따라, 컴퓨팅 장치의 프로세서에 의해 수행되는 엑스레이(X-ray) 영상에서 골절을 검출하는 방법이 개시된다. 상기 방법은: 적어도 하나의 엑스레이 영상 각각을 복수 개의 패치들로 추출(sampling)하는 단계; 상기 복수 개의 패치들 중에서 뼈 영역을 포함하는 적어도 하나의 뼈 영역 패치를 추출하는 단계; 및 사전 학습된 신경망 모델을 이용하여, 상기 적어도 하나의 뼈 영역 패치를 골절 영역을 포함하는 골절 패치와 골절 영역을 포함하지 않는 비골절 패치로 분류하는 단계;를 포함할 수 있다.

또한, 상기 방법은, 상기 적어도 하나의 엑스레이 영상 각각을 복수 개의 재추출 패치들로 재추출하는 단계; 및 상기 사전 학습된 신경망 모델을 이용하여, 상기 복수 개의 재추출 패치들 각각에서 최종 골절 패치를 획득하는 단계;를 더 포함할 수 있다.

또한, 상기 복수 개의 재추출 패치들 각각은, 인접하는 적어도 하나의 재추출 패치와 중복되는 중복 영역을 포함하고, 상기 중복 영역의 크기는, 상기 적어도 하나의 재추출 패치가 상기 골절 영역을 포함하는지에 따라 결정될 수 있다.

또한, 상기 중복 영역의 크기는, 상기 적어도 하나의 재추출 패치가 상기 골절 영역을 포함하는 경우, 기 설정된 제 1 크기로 결정되고, 상기 적어도 하나의 재추출 패치가 상기 골절 영역을 포함하지 않는 경우, 상기 제 1 크기보다 작은 제 2 크기로 결정될 수 있다.

또한, 상기 단계는, 상기 복수 개의 패치들, 복수 개의 재분할 패치들 및 최종 골절 패치 중 적어도 하나를 이용하여, 상기 최종 골절 패치가 시각적으로 표시되는 제 1 영상, 상기 엑스레이 영상 상에서 상기 골절 영역이 상이하게 표시되는 제 2 영상 또는, 상기 골절 영역 상에 기 설정된 색상과 기 설정된 투명도를 갖는 레이어가 추가된 제 3 영상 중 적어도 하나를 생성하는 단계;를 더 포함할 수 있다.

또한, 상기 제 1 영상, 상기 제 2 영상 또는, 상기 제 3 영상 중 적어도 하나는, 서로 다른 방향에서 바라본 적어도 두 개 이상의 서브 영상들을 포함할 수 있다.

또한, 상기 적어도 하나의 엑스레이 영상 각각을 복수 개의 패치들로 추출하는 단계는, 기 설정된 크기의 윈도우를 기 설정된 픽셀 값 단위로 슬라이딩 하여, 상기 적어도 하나의 엑스레이 영상 각각을 상기 복수 개의 패치들로 추출하는 단계;를 포함할 수 있다.

또한, 상기 복수 개의 패치들 중에서 뼈 영역을 포함하는 적어도 하나의 뼈 영역 패치를 추출하는 단계는, 상기 복수 개의 패치들 중에서 상기 뼈 영역과 관련된 기 설정된 픽셀 값을 포함하는 상기 적어도 하나의 뼈 영역 패치를 추출하는 단계;를 포함할 수 있다.

또한, 상기 사전 학습된 신경망 모델은, 상기 뼈 영역에서 골피질의 연속성을 상실한 부위가 상기 골절 영역으로 라벨링된 학습용 패치 데이터를 이용하여 학습되고, 입력된 패치가 상기 골절 영역을 포함하는지 여부와 관련된 컨피던스 스코어(confidence score)를 출력할 수 있다.

또한, 상기 사전 학습된 신경망 모델을 이용하여, 상기 적어도 하나의 뼈 영역 패치를 골절 영역을 포함하는 골절 패치와 골절 영역을 포함하지 않는 비골절 패치로 분류하는 단계는, 상기 적어도 하나의 뼈 영역 패치를 상기 사전 학습된 신경망 모델에 입력하여, 상기 적어도 하나의 뼈 영역 패치 각각의 컨피던스 스코어를 획득하는 단계; 및 상기 적어도 하나의 뼈 영역 패치 중에서 상기 컨피던스 스코어가 기 설정된 제 1 임계 값을 초과하는 패치를 상기 골절 패치로 분류하고, 상기 컨피던스 스코어가 상기 제 1 임계 값 이하인 패치를 상기 비골절 패치로 분류하는 단계;를 포함할 수 있다.

또한, 상기 사전 학습된 신경망 모델을 이용하여, 상기 복수 개의 재추출 패치들 각각에서 최종 골절 패치를 획득하는 단계는, 상기 복수 개의 재추출 패치들을 상기 사전 학습된 신경망 모델에 입력하여, 상기 복수 개의 재추출 패치들 각각의 컨피던스 스코어를 획득하는 단계; 및 상기 복수 개의 재추출 패치들 중에서 상기 컨피던스 스코어가 기 설정된 제 2 임계 값을 초과하는 패치를 상기 최종 골절 패치로 획득하는 단계;를 포함할 수 있다.

전술한 바와 같은 과제를 해결하기 위한 본 개시의 몇몇 실시예에 따라, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 컴퓨팅 장치의 프로세서로 하여금 이하의 단계들을 수행하기 위한 명령들을 포함하며, 상기 단계들은: 적어도 하나의 엑스레이 영상 각각을 복수 개의 패치들로 추출하는 단계; 상기 복수 개의 패치들 중에서 뼈 영역을 포함하는 적어도 하나의 뼈 영역 패치를 추출하는 단계; 및 사전 학습된 신경망 모델을 이용하여, 상기 적어도 하나의 뼈 영역 패치를 골절 영역을 포함하는 골절 패치와 골절 영역을 포함하지 않는 비골절 패치로 분류하는 단계;를 포함할 수 있다.

전술한 바와 같은 과제를 해결하기 위한 본 개시의 몇몇 실시예에 따라, 엑스레이(X-ray) 영상에서 골절을 검출하기 위한 컴퓨팅 장치가 개시된다. 상기 장치는: 프로세서; 및 메모리;를 포함하고, 상기 프로세서는, 적어도 하나의 엑스레이 영상 각각을 복수 개의 패치들로 추출하고, 상기 복수 개의 패치들 중에서 뼈 영역을 포함하는 적어도 하나의 뼈 영역 패치를 추출하고, 사전 학습된 신경망 모델을 이용하여, 상기 적어도 하나의 뼈 영역 패치를 골절 영역을 포함하는 골절 패치와 골절 영역을 포함하지 않는 비골절 패치로 분류할 수 있다.

본 개시에서 얻을 수 있는 기술적 해결 수단은 이상에서 언급한 해결 수단들로 제한되지 않으며, 언급하지 않은 또 다른 해결 수단들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 개시는 컴퓨팅 장치가 골절의 유무를 판정할 수 있는 정보뿐만 아니라, 추가적인 정보를 제공하여, 실제 임상 현장에서 의료 영상 기반의 골절 판정 방법에 대한 활용도를 높일 수 있다.

본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

다양한 양상들이 이제 도면들을 참조로 기재되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 양상들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 양상(들)이 이러한 구체적인 세부사항들 없이 실시될 수 있음은 명백할 것이다.
도 1은 본 개시의 몇몇 실시예에 따른 엑스레이 영상에서 골절을 검출하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 몇몇 실시예에 따른 엑스레이 영상에서 골절을 검출하는 방법의 일례를 설명하기 위한 흐름도이다.
도 3은 본 개시의 몇몇 실시예에 따른 엑스레이 영상에서 골절을 검출하는 방법의 추가적인 일례를 설명하기 위한 흐름도이다.
도 4는 본 개시의 몇몇 실시예에 따른 엑스레이 영상이 재추출되는 일례를 설명하기 위한 도면이다.
도 5, 도 6 및 도 7은 본 개시의 몇몇 실시예에 따른 골절 영역을 사용자에게 제공하기 위한 영상의 일례들을 설명하기 위한 도면이다.
도 8은 본 개시 내용의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.

다양한 실시예들 및/또는 양상들이 이제 도면들을 참조하여 개시된다. 하기 설명에서는 설명을 목적으로, 하나 이상의 양상들의 전반적 이해를 돕기 위해 다수의 구체적인 세부사항들이 개시된다. 그러나, 이러한 양상(들)은 이러한 구체적인 세부사항들 없이도 실행될 수 있다는 점 또한 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 감지될 수 있을 것이다. 이후의 기재 및 첨부된 도면들은 하나 이상의 양상들의 특정한 예시적인 양상들을 상세하게 기술한다. 하지만, 이러한 양상들은 예시적인 것이고 다양한 양상들의 원리들에서의 다양한 방법들 중 일부가 이용될 수 있으며, 기술되는 설명들은 그러한 양상들 및 그들의 균등물들을 모두 포함하고자 하는 의도이다. 구체적으로, 본 명세서에서 사용되는 "실시예", "예", "양상", "예시" 등은 기술되는 임의의 양상 또는 설계가 다른 양상 또는 설계들보다 양호하다거나, 이점이 있는 것으로 해석되지 않을 수도 있다.

또한, 다양한 양상들 및 특징들이 하나 이상의 장치들, 단말들, 서버들, 디바이스들, 컴포넌트들 및/또는 모듈들 등을 포함할 수 있는 시스템에 의하여 제시될 것이다. 다양한 시스템들이, 추가적인 장치들, 단말들, 서버들, 디바이스들, 컴포넌트들 및/또는 모듈들 등을 포함할 수 있다는 점 그리고/또는 도면들과 관련하여 논의된 장치들, 단말들, 서버들, 디바이스들, 컴포넌트들, 모듈들 등의 전부를 포함하지 않을 수도 있다는 점 또한 이해되고 인식되어야 한다.

본 명세서에서 사용되는 용어 "컴퓨터 프로그램", "컴포넌트", "모듈", "시스템" 등은 서로 호환가능하게 사용될 수 있으며, 그리고 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.

이하, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략한다. 또한, 본 명세서에 개시된 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않는다.

본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 개시를 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다.

비록 제1, 제2 등이 다양한 소자나 구성요소들을 서술하기 위해서 사용되나, 이들 소자나 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 소자나 구성요소를 다른 소자나 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 소자나 구성요소는 본 개시의 기술적 사상 내에서 제2 소자나 구성요소 일 수도 있음은 물론이다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.

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.

더불어, 본 명세서에서 사용되는 용어 "정보" 및 "데이터"는 종종 서로 상호교환 가능하도록 사용될 수 있다.

이하의 설명에서 사용되는 구성 요소에 대한 접미사 “모듈” 및 “부”는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.

본 개시의 목적 및 효과, 그리고 그것들을 달성하기 위한 기술적 구성들은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 본 개시를 설명하는데 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 개시의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 개시에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다.

그러나 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있다. 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 개시의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 개시는 청구항의 범주에 의해 정의될 뿐이다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.

본 개시내용의 청구범위에서의 단계들에 대한 권리범위는, 각 단계들에 기재된 기능 및 특징들에 의해 발생되는 것이지, 각각의 단계에서 그 순서의 선후관계를 명시하지 않는 이상, 청구범위에서의 각 단계들의 기재 순서에 영향을 받지 않는다. 예를 들어, A단계 및 B단계를 포함하는 단계로 기재된 청구범위에서, A단계가 B단계 보다 먼저 기재되었다고 하더라도, A단계가 B단계 이전에 선행되어야 한다는 것으로 권리범위가 제한되지는 않는다.

도 1은 본 개시의 몇몇 실시예에 따른 엑스레이 영상에서 골절을 검출하기 위한 컴퓨팅 장치의 블록 구성도이다.

도 1을 참조하면, 컴퓨팅 장치(100)는 프로세서(110) 및 메모리(120)를 포함할 수 있다. 다만, 상술한 구성 요소들은 컴퓨팅 장치(100)를 구현하는데 있어서 필수적인 것은 아니어서, 컴퓨팅 장치(100)는 위에서 열거된 구성요소들 보다 많거나, 또는 적은 구성요소들을 가질 수 있다.

컴퓨팅 장치(100)는 예를 들어, 마이크로프로세서, 메인프레임 컴퓨터, 디지털 프로세서, 휴대용 디바이스 및 디바이스 제어기 등과 같은 임의의 타입의 컴퓨터 시스템 또는 컴퓨터 디바이스를 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.

컴퓨팅 장치(100)의 프로세서(110)는 통상적으로 컴퓨팅 장치(100)의 전반적인 동작을 제어한다. 프로세서(110)는 컴퓨팅 장치(100)에 포함된 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(120)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.

또한, 프로세서(110)는 메모리(120)에 저장된 응용 프로그램을 구동하기 위하여, 컴퓨팅 장치(100)의 구성요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(110)는 상기 응용 프로그램의 구동을 위하여, 컴퓨팅 장치(100)에 포함된 구성요소들 중 적어도 둘 이상을 서로 조합하여 동작시킬 수 있다.

컴퓨팅 장치(100)의 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(120)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 몇몇 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 몇몇 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

본 개시의 몇몇 실시예에 따르면, 컴퓨팅 장치(100)의 프로세서(110)는 엑스레이 영상에서 골절을 검출할 수 있다.

구체적으로, 프로세서(110)는 적어도 하나의 엑스레이 영상 각각을 복수 개의 패치들로 추출할 수 있다. 또한, 프로세서(110)는 복수 개의 패치들 중에서 뼈 영역을 포함하는 적어도 하나의 뼈 영역 패치를 추출할 수 있다. 그리고, 프로세서(110)는 사전 학습된 신경망 모델을 이용하여, 적어도 하나의 뼈 영역 패치를 골절 영역을 포함하는 골절 패치와 골절 영역을 포함하지 않는 비골절 패치로 분류할 수 있다.

추가적으로, 컴퓨팅 장치(100)의 프로세서(110)는 적어도 하나의 엑스레이 영상 각각을 복수 개의 재추출 패치로 재추출할 수 있다. 그리고, 프로세서(110)는 사전 학습된 신경망 모델을 이용하여, 복수 개의 재추출 패치들 각각에서 최종 골절 패치를 획득할 수 있다.

이하, 컴퓨팅 장치(100)의 프로세서(110)가 엑스레이 영상에서 골절을 검출하는 방법에 대한 설명은 도 2 내지 도 7을 참조하여 후술한다.

본 개시의 몇몇 실시예에 따른 신경망은 컨볼루션 레이어와 폴(Pool) 레이어로 이루어진 ResNET(Residual Network) 구조의 신경망 일 수 있다. 또한, 본 개시의 다른 몇몇 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 또 다른 몇몇 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 몇몇 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.

본 개시의 신경망은 심층 신경망(DNN: deep neural network)일 수 있다. 심층 신경망은 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 심층 신경망을 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. 심층 신경망은 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 심층 신경망의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 신경망에서 사용되는 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.

본 개시의 몇몇 실시예에 따른 사전 학습된 신경망은 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 반교사학습(semi supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 사전 학습된 신경망의 학습은 신경망이 특정한 동작을 수행하기 위한 지식을 신경망에 적용하는 과정일 수 있다.

신경망은 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 신경망의 학습에서 반복적으로 학습 데이터를 신경망에 입력시키고 학습 데이터에 대한 신경망의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 신경망의 에러를 신경망의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 신경망의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 신경망에 입력되고, 신경망의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 신경망 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 신경망에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 신경망의 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 신경망의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 신경망의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 신경망의 학습 초기에는 높은 학습률을 사용하여 신경망이 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

신경망의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 신경망을 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 신경망이 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, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.

한편, 컴퓨팅 장치(100)의 메모리(120)는 프로세서(110)의 동작을 위한 프로그램을 저장할 수 있고, 입/출력되는 데이터들을 임시 또는 영구 저장할 수도 있다. 메모리(120)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 적 어도 하나의 타입의 저장매체를 포함할 수 있다.

추가적으로, 컴퓨팅 장치(100)는 디스플레이부(미도시)를 포함할 수 있다.

디스플레이부는 컴퓨팅 장치(100)에서 처리되는 정보를 표시(출력)할 수 있다. 예를 들어, 디스플레이부는 컴퓨팅 장치(100)에서 구동되는 응용 프로그램의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.

본 개시의 몇몇 실시예에 따르면, 컴퓨팅 장치(100)의 디스플레이부는 프로세서(110)가 검출한 뼈의 골절과 관련된 영상을 출력할 수 있다.

예를 들어, 디스플레이부는 최종 골절 패치가 시각적으로 표시되는 제 1 영상, 엑스레이 영상 상에서 골절 영역이 상이하게 표시되는 제 2 영상 또는, 골절 영역 상에 기 설정된 색상과 기 설정된 투명도를 갖는 레이어가 추가된 제 3 영상 중 적어도 하나를 출력할 수 있다. 다만, 이에 한정되는 것은 아니다.

이하, 컴퓨팅 장치(100)의 디스플레이부에 디스플레이되는 영상에 대한 설명은 도 5 내지 도 7을 참조하여 후술한다.

소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능과 같은 실시예들은 별도의 소프트웨어 모듈들로 구현될 수 있다. 상기 소프트웨어 모듈들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 작동을 수행할 수 있다. 적절한 프로그램 언어로 쓰여진 소프트웨어 어플리케이션으로 소프트웨어 코드가 구현될 수 있다. 상기 소프트웨어 코드는 컴퓨팅 장치(100)의 메모리(120)에 저장되고, 컴퓨팅 장치(100)의 프로세서(110)에 의해 실행될 수 있다.

도 2는 본 개시의 몇몇 실시예에 따른 엑스레이 영상에서 골절을 검출하는 방법의 일례를 설명하기 위한 흐름도이다.

도 2를 참조하면, 컴퓨팅 장치(100)의 프로세서(110)는 적어도 하나의 엑스레이 영상 각각을 복수 개의 패치들로 추출할 수 있다(S110).

구체적으로, 프로세서(110)는 기 설정된 크기의 윈도우를 기 설정된 픽셀 값 단위로 슬라이딩 하여, 적어도 하나의 엑스레이 영상 각각을 상기 복수 개의 패치들로 추출할 수 있다. 여기서, 윈도우의 크기는 사용자가 입력한 크기 값에 기초하여 결정될 수 있다.

즉, 프로세서(110)는 슬라이딩 윈도우 알고리즘을 이용하여 적어도 하나의 엑스레이 영상 각각을 복수 개의 패치들로 추출할 수 있다. 다만, 이에 한정되는 것은 아니다.

본 개시의 몇몇 실시예에 따르면, 슬라이딩 윈도우 알고리즘을 통해 추출된 복수 개의 패치들은 인접하는 적어도 하나의 패치와 중복되는 중복 영역을 포함할 수 있다. 여기서, 중복 영역의 크기는 사용자 입력에 의해 결정될 수 있다.

컴퓨팅 장치(100)의 프로세서(110)는 적어도 하나의 엑스레이 영상 각각을 복수 개의 패치들로 추출한 경우, 복수 개의 패치들 중에서 뼈 영역을 포함하는 적어도 하나의 뼈 영역 패치를 추출할 수 있다(S120).

구체적으로, 프로세서(110)는 복수 개의 패치들 중에서 뼈 영역과 관련된 기 설정된 픽셀 값을 포함하는 적어도 하나의 뼈 영역 패치를 추출할 수 있다. 즉, 프로세서(110)는 복수 개의 패치들 중에서 뼈 영역을 포함하는 패치를 추출할 수 있다.

좀더 구체적으로, 프로세서(110)는 복수 개의 패치들 각각에 포함된 픽셀 값들을 인식할 수 있다. 그리고, 프로세서(110)는 복수 개의 패치들 각각이 뼈 영역과 관련된 기 설정된 픽셀 값을 포함하는지 여부에 기초하여, 적어도 하나의 뼈 영역 패치를 인식할 수 있다.

예를 들어, 프로세서(110)는 복수 개의 패치들 중 제 1 패치의 픽셀 값들을 인식할 수 있다. 그리고, 프로세서(110)는 제 1 패치에 기 설정된 픽셀 값이 포함되었는지 여부에 따라 제 1 패치를 뼈 영역 패치로 추출할 수 있다. 일례로, 프로세서(110)는 제 1 패치에 기 설정된 픽셀 값이 포함되었다고 인식한 경우, 제 1 패치를 뼈 영역 패치로 추출할 수 있다. 다른 일례로, 프로세서(110)는 제 1 패치에 기 설정된 픽셀 값이 포함되지 않았다고 인식한 경우, 제 1 패치를 뼈 영역 패치로 추출하지 않을 수 있다.

여기서, 뼈 영역과 관련된 기 설정된 픽셀 값은 엑스레이 영상에서 뼈에 해당하는 부분의 픽셀 값일 수 있다. 예를 들어, 기 설정된 픽셀 값은 300-400HU(Hounsfield Unit) 또는, 1800-1900HU에 대응할 수 있다. 다만, 이에 한정되는 것은 아니다.

컴퓨팅 장치(100)의 프로세서(110)는 복수 개의 패치들 중에서 뼈 영역을 포함하는 적어도 하나의 뼈 영역 패치를 추출한 경우, 사전 학습된 신경망 모델을 이용하여, 적어도 하나의 뼈 영역 패치를 분류할 수 있다(S130).

구체적으로, 프로세서(110)는 사전 학습된 신경망 모델을 이용하여 적어도 하나의 뼈 영역 패치를 골절 영역을 포함하는 골절 패치와 골절 영역을 포함하지 않는 비골절 패치로 분류할 수 있다.

본 개시의 사전 학습된 신경망 모델은 뼈 영역에서 골피질의 연속성을 상실한 부위가 상기 골절 영역으로 라벨링된 학습용 패치 데이터를 이용하여 학습될 수 있다. 또한, 사전 학습된 신경망 모델은 입력된 패치가 상기 골절 영역을 포함하는지 여부와 관련된 컨피던스 스코어(confidence score)를 출력할 수 있다. 여기서, 컨피던스 스코어는 골절 영역이 포함되었는지 여부에 비례하는 값(예컨대, 입력된 패치에 골절 영역이 포함되었을 확률)을 가질 수 있다.

본 개시의 몇몇 실시예에 따른 프로세서(110)는 사전 학습된 신경망 모델을 이용하여 적어도 하나의 뼈 영역 패치를 골절 영역을 포함하는 골절 패치와 골절 영역을 포함하지 않는 비골절 패치로 분류할 때, 적어도 하나의 뼈 영역 패치를 상기 사전 학습된 신경망 모델에 입력하여, 적어도 하나의 뼈 영역 패치 각각의 컨피던스 스코어를 획득할 수 있다.

그리고, 프로세서(110)는 적어도 하나의 뼈 영역 패치 중에서 컨피던스 스코어가 기 설정된 제 1 임계 값을 초과하는 패치를 골절 패치로 분류할 수 있다. 한편, 프로세서(110)는 컨피던스 스코어가 제 1 임계 값 이하인 패치를 비골절 패치로 분류할 수 있다.

상술한 바와 같이, 본 개시의 컴퓨팅 장치(100)는 사전 학습된 신경망 모델을 이용하여, 적어도 하나의 뼈 영역 패치를 골절 패치와 비골절 패치로 분류함에 따라, 엑스레이 영상에서 골절 영역을 검출할 수 있다.

도 3은 본 개시의 몇몇 실시예에 따른 엑스레이 영상에서 골절을 검출하는 방법의 추가적인 일례를 설명하기 위한 흐름도이다. 도 4는 본 개시의 몇몇 실시예에 따른 엑스레이 영상이 재추출되는 일례를 설명하기 위한 도면이다.

도 2의 설명에서 상술한 바와 같이, 컴퓨팅 장치(100)의 프로세서(110)는 적어도 하나의 엑스레이 영상 각각을 복수 개의 패치들로 추출할 수 있다. 또한, 프로세서(110)는 복수 개의 패치들 중에서 뼈 영역을 포함하는 적어도 하나의 뼈 영역 패치를 추출할 수 있다. 그리고, 프로세서(110)는 사전 학습된 신경망 모델을 이용하여, 적어도 하나의 뼈 영역 패치를 골절 영역을 포함하는 골절 패치와 골절 영역을 포함하지 않는 비골절 패치로 분류할 수 있다.

추가적으로, 도 3을 참조하면, 컴퓨팅 장치(100)의 프로세서(110)는 적어도 하나의 엑스레이 영상 각각을 복수 개의 재추출 패치들로 재추출할 수 있다(S140).

여기서, 복수 개의 재추출 패치들 각각은, 인접하는 적어도 하나의 재추출 패치와 중복되는 중복 영역을 포함할 수 있다. 그리고, 중복 영역의 크기는 적어도 하나의 재추출 패치가 골절 영역을 포함하는지에 따라 결정될 수 있다. 즉, 적어도 하나의 재추출 패치를 추출할 때는 자동으로 중복 영역의 크기가 변할 수 있어 적어도 하나의 재추출 패치 각각의 중복 영역의 크기는 서로 다를 수 있다. 하지만, 도 2의 설명에 따라 추출된 복수 개의 패치들은 모두 동일한 크기의 중복 영역을 포함할 수 있다.

구체적으로, 중복 영역의 크기는 적어도 하나의 재추출 패치가 골절 영역을 포함하는 경우, 기 설정된 제 1 크기로 결정될 수 있다. 또한, 중복 영역의 크기는 적어도 하나의 재추출 패치가 골절 영역을 포함하지 않는 경우, 제 1 크기보다 작은 제 2 크기로 결정될 수 있다.

예를 들어, 도 4를 참조하면, 컴퓨팅 장치(100)의 프로세서(110)는 골절 영역을 포함하는 재추출 패치(11)가 제 1 크기를 갖는 제 1 중복 영역(12)을 갖도록 결정할 수 있다. 한편, 프로세서(110)는 골절 영역을 포함하지 않는 재추출 패치(21)가 제 1 크기보다 작은 제 2 크기를 갖는 제 2 중복 영역(22)을 갖도록 결정할 수 있다.

즉, 골절 영역이 포함된 재추출 패치(11)는 골절 영역이 포함되지 않은 재추출 패치(21)보다 중복 영역이 크도록 결정될 수 있다.

추가적으로, 기 설정된 제 1 크기는 적어도 하나의 재추출 패치의 컨피던스 스코어에 대응하는 크기일 수 있다. 즉, 컨피던스 스코어가 높을수록 중복 영역의 크기가 커지고, 컨피던스 스코어가 낮을수록 중복 영역의 크기가 작아질 수 있다. 다만, 이에 한정되는 것은 아니다.

상술한 바와 같이, 골절 영역을 포함하는지 여부에 따라 상이한 크기를 갖도록 중복 영역을 결정하는 경우, 컴퓨팅 장치(100)는 골절 영역 부근의 패치를 보다 많이 획득할 수 있다. 그리고, 컴퓨팅 장치(100)는 골절 영역이 아닌 정상 영역들에서 사용되는 리소스를 감소시킬 수 있다.

한편, 본 개시의 몇몇 실시예에 따르면, 적어도 하나의 재추출 패치가 포함하고 있는 중복 영역의 크기는 도 2의 설명에서 상술한 복수 개의 패치들 각각이 포함하고 있는 중복 영역의 크기 보다 클 수 있다.

따라서, 본 개시의 컴퓨팅 장치(100)는 골절 영역에 대한 보다 구체적인 정보를 획득할 수 있을 뿐만 아니라, 골절 영역이 아닌 부분에서 사용되는 리소스를 감소시켜, 골절 검출의 효율성과 생산성을 향상시킬 수 있다.

다시 도 3을 참조하면, 컴퓨팅 장치(100)의 프로세서(110)는 적어도 하나의 엑스레이 영상 각각을 복수 개의 재추출 패치로 재추출한 경우, 사전 학습된 신경망 모델을 이용하여, 복수 개의 재추출 패치들 각각에서 최종 골절 패치를 획득할 수 있다(S150).

여기서, 사전 학습된 신경망 모델은 뼈 영역에서 골피질의 연속성을 상실한 부위가 상기 골절 영역으로 라벨링된 학습용 패치 데이터를 이용하여 학습될 수 있다. 그리고, 사전 학습된 신경망 모델은 입력된 패치가 상기 골절 영역을 포함하는지 여부와 관련된 컨피던스 스코어를 출력할 수 있다.

즉, 컴퓨팅 장치(100)의 프로세서(110)는 사전 학습된 신경망 모델을 이용하여, 복수 개의 재추출 패치들 각각에서 최종 골절 패치를 획득할 때, 복수 개의 재추출 패치들을 상기 사전 학습된 신경망 모델에 입력하여, 복수 개의 재추출 패치들 각각의 컨피던스 스코어를 획득할 수 있다.

그리고, 프로세서(110)는 복수 개의 재추출 패치들 중에서 컨피던스 스코어가 기 설정된 제 2 임계 값을 초과하는 패치를 최종 골절 패치로 획득할 수 있다. 여기서, 제 2 임계 값은 제 1 임계 값보다 높은 값일 수 있다. 다만, 이에 한정되는 것은 아니고 제 2 임계 값은 제 1 임계 값과 동일하거나 작은 값을 가지도록 설정될 수도 있다.

상술한 바와 같이, 본 개시의 컴퓨팅 장치(100)는 사전 학습된 신경망 모델을 이용하여, 적어도 하나의 재추출 패치에서 최종 골절 패치를 획득함에 따라, 엑스레이 영상에서 골절 영역을 검출할 수 있다.

본 개시의 몇몇 실시예에 따르면, 컴퓨팅 장치(100)의 프로세서(110)는 복수 개의 패치들, 복수 개의 재분할 패치들 및 최종 골절 패치 중 적어도 하나를 이용하여, 최종 골절 패치가 시각적으로 표시되는 제 1 영상을 생성할 수 있다. 또한, 프로세서(110)는 복수 개의 패치들, 복수 개의 재분할 패치들 및 최종 골절 패치 중 적어도 하나를 이용하여, 엑스레이 영상 상에서 골절 영역이 상이하게 표시되는 제 2 영상을 생성할 수 있다. 또한, 프로세서(110)는 최종 골절 패치를 이용하여, 골절 영역 상에 기 설정된 색상과 기 설정된 투명도를 갖는 레이어가 추가된 제 3 영상을 생성할 수 있다. 여기서, 제 1 영상, 제 2 영상 또는, 제 3 영상 중 적어도 하나는 서로 다른 방향에서 바라본 적어도 두 개 이상의 서브 영상들을 포함할 수 있다.

한편, 컴퓨팅 장치(100)의 프로세서(110)는 생성한 영상을 출력하도록 디스플레이부를 제어할 수 있다.

따라서, 본 개시의 컴퓨팅 장치(100)는 다양한 형태로 생성된 영상을 통해 뼈의 골절 부위에 대한 정보를 사용자에게 제공할 수 있다.

이하, 제 1 영상, 제 2 영상 및 제 3 영상 각각에 대한 예시는 도 5 내지 도 7을 참조하여 설명한다.

도 5, 도 6 및 도 7은 본 개시의 몇몇 실시예에 따른 골절 영역을 사용자에게 제공하기 위한 영상의 일례들을 설명하기 위한 도면이다.

본 개시의 몇몇 실시예에 따르면, 컴퓨팅 장치(100)의 프로세서(110)는 복수 개의 패치들, 복수 개의 재분할 패치들 및 최종 골절 패치 중 적어도 하나가 시각적으로 표시되는 제 1 영상을 생성할 수 있다.

도 5를 참조하면, 제 1 영상의 예시를 도시하였다.

도시된 바와 같이, 제 1 영상(30)은 골절 영역(31)을 포함하는 최종 골절 패치일 수 있다.

즉, 컴퓨팅 장치(100)의 프로세서(110)는 엑스레이 영상에서 추출된 패치들 중에서 골절 영역(31)을 포함하는 패치에 해당하는 엑스레이 영상의 일부분을 제 1 영상(30)으로 생성할 수 있다.

본 개시의 몇몇 실시예에 따르면, 컴퓨팅 장치(100)의 프로세서(110)는 복수 개의 패치들, 복수 개의 재분할 패치들 및 최종 골절 패치 중 적어도 하나를 이용하여, 엑스레이 영상 상에서 골절 영역이 상이하게 표시되는 제 2 영상을 생성할 수 있다.

구체적으로, 프로세서(110)는 사전 학습된 신경망으로부터 복수 개의 패치들 또는, 복수 개의 재분할 패치들 각각의 컨피던스 스코어를 획득할 수 있다. 이 경우, 프로세서(110)는 복수 개의 패치들 또는 복수 개의 재분할 패치들 내에서 골절 영역의 위치 정보(예를 들어, 좌표 정보)도 사전 학습된 신경망으로부터 획득할 수 있다.

따라서, 프로세서(110)는 복수 개의 패치들 중에서 기 설정된 제 1 임계 값을 초과하는 컨피던스 스코어를 갖는 패치인 골절 패치와 상기 골절 패치에 포함된 골절 영역을 인식할 수 있다. 또한, 프로세서(110)는 복수 개의 재분할 패치들 중에서 기 설정된 제 2 임계 값을 초과하는 컨피던스 스코어를 갖는 패치인 최종 골절 패치와 상기 최종 골절 패치에 포함된 골절 영역을 인식할 수 있다.

한편, 프로세서(110)는 골절 영역의 위치 정보, 복수 개의 패치들, 복수 개의 재추출 패치들 또는 최종 골절 패치 중 적어도 하나를 이용하여 골절 영역이 상이하게 표시되는 제 2 영상 또는 제 3 영상을 생성할 수 있다.

일례로, 프로세서(110)는 엑스레이 영상 상에서 골절 영역의 위치들을 라인으로 연결하여, 골절 영역이 상이하게 표시되는 제 2 영상을 생성할 수 있다. 구체적으로, 프로세서(110)는 골절 영역의 위치들이 라인으로 연결된 상태의 복수 개의 패치들, 복수 개의 재추출 패치들 또는 최종 골절 패치 각각을 합성(또는, 연결)하여, 골절 영역이 상이하게 표시되는 제 2 영상을 생성할 수 있다. 이는 도 6을 참조하여 후술한다.

도 6을 참조하면, 제 2 영상의 예시를 도시하였다.

도시된 바와 같이, 제 2 영상(40)은 엑스레이 영상에서 골절 영역(41)들이 상이하게 표시된 상태로 표시될 수 있다.

예를 들어, 제 2 영상(40)은 골절된 부분을 따라 연결된 라인을 포함할 수 있다.

다른 예를 들어, 제 2 영상(40)은 골절된 부분을 포함하도록 그려진 바운딩 박스(미도시)를 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.

추가적으로, 제 2 영상(40)은 서로 다른 방향에서 바라본 다른 서브 영상을 더 포함할 수 있다. 예를 들어, 제 2 영상(40)은 AP 방향, Mortise 방향 및 LAT 방향 각각에서 바라본 영상들을 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.

본 개시의 몇몇 실시예에 따르면, 컴퓨팅 장치(100)의 프로세서(110)는 복수 개의 패치들, 복수 개의 재분할 패치들 및 최종 골절 패치 중 적어도 하나를 이용하여, 골절 영역 상에 기 설정된 색상과 기 설정된 투명도를 갖는 레이어가 추가된 제 3 영상을 생성할 수 있다.

한편 다른 일례로, 프로세서(110)는 엑스레이 영상 상에서 골절 영역의 위치들에 기 설정된 색상과 기 설정된 투명도를 갖는 레이어를 추가하여, 골절 영역이 상이하게 표시되는 제 3 영상을 생성할 수 있다. 구체적으로, 프로세서(110)는 골절 영역의 위치들에 기 설정된 색상과 기 설정된 투명도를 갖는 레이어를 추가된 상태의 복수 개의 패치들, 복수 개의 재추출 패치들 또는 최종 골절 패치 각각을 합성(또는, 연결)하여, 골절 영역이 상이하게 표시되는 제 3 영상을 생성할 수 있다. 여기서, 기 설정된 색상은 복수 개의 패치들, 복수 개의 재추출 패치들 또는 최종 골절 패치 중 적어도 하나의 컨피던스 스코어와 연관되어 설정될 수 있다. 이는 도 7을 참조하여 후술한다.

도 7을 참조하면, 제 3 영상의 예시를 도시하였다.

도시된 바와 같이, 제 3 영상(50)은 엑스레이 영상에서 골절 영역(51)에 레이어가 추가된 상태로 표시될 수 있다.

구체적으로, 제 3 영상(50)은 복수 개의 패치들, 복수 개의 재추출 패치들 또는 최종 골절 패치 중 적어도 하나의 컨피던스 스코어에 따라 상이한 색상을 갖는 반투명 레이어를 포함할 수 있다.

예를 들어, 골절 영역(51)과 관련된 패치의 컨피던스 스코어가 제 1 범위에 포함된 경우, 제 1 색상을 갖는 반투명 레이어가 엑스레이 영상에 표시되고, 골절 영역(51)과 관련된 패치의 컨피던스 스코어가 제 1 범위와 상이한 제 2 범위에 포함된 경우, 제 1 색상과 상이한 제 2 색상을 갖는 반투명 레이어가 엑스레이 영상에 표시될 수 있다. 다만, 이에 한정되는 것은 아니다.

추가적으로, 제 3 영상(50)은 제 2 영상(40)과 마찬가지로, 서로 다른 방향에서 바라본 다른 서브 영상을 더 포함할 수 있다. 예를 들어, 제 3 영상(50)은 AP 방향, Mortise 방향 및 LAT 방향 각각에서 바라본 영상들을 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.

한편, 컴퓨팅 장치(100)의 프로세서(110)는 생성한 영상(제 1 영상, 제 2 영상 또는 제 3 영상 중 적어도 하나)을 출력하도록 디스플레이부를 제어할 수 있다.

따라서, 본 개시의 컴퓨팅 장치(100)는 골절 부위를 사용자가 직관적으로 인식하도록 다양한 형태로 생성된 영상을 제공할 수 있다.

도 8은 본 개시 내용의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.

본 개시가 일반적으로 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어와 관련하여 전술되었지만, 당업자라면 본 개시가 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 본 명세서에서의 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로시져, 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 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, 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 데이터등을 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 몇가지 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 예를 들어, USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘다를 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 저장 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 저장 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, 서버 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 서버에 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 5 GHz 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 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 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 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장 매체는 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. 용어 "기계-판독가능 매체"는 명령(들) 및/또는 데이터를 저장, 보유, 및/또는 전달할 수 있는 무선 채널 및 다양한 다른 매체를 포함하지만, 이들로 제한되는 것은 아니다.

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 (13)

1. 컴퓨팅 장치의 프로세서에 의해 수행되는 엑스레이(X-ray) 영상에서 골절을 검출하는 방법에 있어서,
   적어도 하나의 엑스레이 영상 각각을 복수 개의 패치들로 추출(sampling)하는 단계;
   상기 복수 개의 패치들 중에서 뼈 영역을 포함하는 적어도 하나의 뼈 영역 패치를 추출하는 단계;
   상기 적어도 하나의 엑스레이 영상 각각을 복수 개의 재추출 패치들로 재추출하는 단계;
   사전 학습된 신경망 모델을 이용하여, 상기 적어도 하나의 뼈 영역 패치를 골절 영역을 포함하는 골절 패치와 골절 영역을 포함하지 않는 비골절 패치로 분류하는 단계; 및
   상기 사전 학습된 신경망 모델을 이용하여, 상기 복수 개의 재추출 패치들 각각에서 최종 골절 패치를 획득하는 단계;
   를 포함하는,
   엑스레이 영상에서 골절을 검출하는 방법.
   
2. 삭제
3. 제 1 항에 있어서,
   상기 복수 개의 재추출 패치들 각각은,
   인접하는 적어도 하나의 재추출 패치와 중복되는 중복 영역을 포함하고,
   상기 중복 영역의 크기는,
   상기 적어도 하나의 재추출 패치가 상기 골절 영역을 포함하는지에 따라 결정되는,
   엑스레이 영상에서 골절을 검출하는 방법.
   
4. 제 3 항에 있어서,
   상기 중복 영역의 크기는,
   상기 적어도 하나의 재추출 패치가 상기 골절 영역을 포함하는 경우, 기 설정된 제 1 크기로 결정되고,
   상기 적어도 하나의 재추출 패치가 상기 골절 영역을 포함하지 않는 경우, 상기 제 1 크기보다 작은 제 2 크기로 결정되는,
   엑스레이 영상에서 골절을 검출하는 방법.
   
5. 제 1 항에 있어서,
   상기 복수 개의 패치들, 복수 개의 재분할 패치들 및 최종 골절 패치 중 적어도 하나를 이용하여, 상기 최종 골절 패치가 시각적으로 표시되는 제 1 영상, 상기 엑스레이 영상 상에서 상기 골절 영역이 상이하게 표시되는 제 2 영상 또는, 상기 골절 영역 상에 기 설정된 색상과 기 설정된 투명도를 갖는 레이어가 추가된 제 3 영상 중 적어도 하나를 생성하는 단계;
   를 더 포함하는,
   엑스레이 영상에서 골절 영역을 검출하는 방법.
   
6. 제 5 항에 있어서,
   상기 제 1 영상, 상기 제 2 영상 또는, 상기 제 3 영상 중 적어도 하나는,
   서로 다른 방향에서 바라본 적어도 두 개 이상의 서브 영상들을 포함하는,
   엑스레이 영상에서 골절 영역을 검출하는 방법.
   
7. 제 1 항에 있어서,
   상기 적어도 하나의 엑스레이 영상 각각을 복수 개의 패치들로 추출하는 단계는,
   기 설정된 크기의 윈도우를 기 설정된 픽셀 값 단위로 슬라이딩 하여, 상기 적어도 하나의 엑스레이 영상 각각을 상기 복수 개의 패치들로 추출하는 단계;
   를 포함하는,
   엑스레이 영상에서 골절 영역을 검출하는 방법.
   
8. 제 1 항에 있어서,
   상기 복수 개의 패치들 중에서 뼈 영역을 포함하는 적어도 하나의 뼈 영역 패치를 추출하는 단계는,
   상기 복수 개의 패치들 중에서 상기 뼈 영역과 관련된 기 설정된 픽셀 값을 포함하는 상기 적어도 하나의 뼈 영역 패치를 추출하는 단계;
   를 포함하는,
   엑스레이 영상에서 골절 영역을 검출하는 방법.
   
9. 제 1 항에 있어서,
   상기 사전 학습된 신경망 모델은,
   상기 뼈 영역에서 골피질의 연속성을 상실한 부위가 상기 골절 영역으로 라벨링된 학습용 패치 데이터를 이용하여 학습되고,
   입력된 패치가 상기 골절 영역을 포함하는지 여부와 관련된 컨피던스 스코어(confidence score)를 출력하는,
   엑스레이 영상에서 골절 영역을 검출하는 방법.
   
10. 제 9 항에 있어서,
    상기 사전 학습된 신경망 모델을 이용하여, 상기 적어도 하나의 뼈 영역 패치를 골절 영역을 포함하는 골절 패치와 골절 영역을 포함하지 않는 비골절 패치로 분류하는 단계는,
    상기 적어도 하나의 뼈 영역 패치를 상기 사전 학습된 신경망 모델에 입력하여, 상기 적어도 하나의 뼈 영역 패치 각각의 컨피던스 스코어를 획득하는 단계; 및
    상기 적어도 하나의 뼈 영역 패치 중에서 상기 컨피던스 스코어가 기 설정된 제 1 임계 값을 초과하는 패치를 상기 골절 패치로 분류하고, 상기 컨피던스 스코어가 상기 제 1 임계 값 이하인 패치를 상기 비골절 패치로 분류하는 단계;
    를 포함하는,
    엑스레이 영상에서 골절 영역을 검출하는 방법.
    
11. 제 9 항에 있어서,
    상기 사전 학습된 신경망 모델을 이용하여, 상기 복수 개의 재추출 패치들 각각에서 최종 골절 패치를 획득하는 단계는,
    상기 복수 개의 재추출 패치들을 상기 사전 학습된 신경망 모델에 입력하여, 상기 복수 개의 재추출 패치들 각각의 컨피던스 스코어를 획득하는 단계; 및
    상기 복수 개의 재추출 패치들 중에서 상기 컨피던스 스코어가 기 설정된 제 2 임계 값을 초과하는 패치를 상기 최종 골절 패치로 획득하는 단계;
    를 포함하는,
    엑스레이 영상에서 골절 영역을 검출하는 방법.
    
12. 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서,
    상기 컴퓨터 프로그램은 컴퓨팅 장치의 프로세서로 하여금 이하의 단계들을 수행하기 위한 명령들을 포함하며, 상기 단계들은:
    적어도 하나의 엑스레이 영상 각각을 복수 개의 패치들로 추출하는 단계;
    상기 복수 개의 패치들 중에서 뼈 영역을 포함하는 적어도 하나의 뼈 영역 패치를 추출하는 단계;
    상기 적어도 하나의 엑스레이 영상 각각을 복수 개의 재추출 패치들로 재추출하는 단계;
    사전 학습된 신경망 모델을 이용하여, 상기 적어도 하나의 뼈 영역 패치를 골절 영역을 포함하는 골절 패치와 골절 영역을 포함하지 않는 비골절 패치로 분류하는 단계; 및
    상기 사전 학습된 신경망 모델을 이용하여, 상기 복수 개의 재추출 패치들 각각에서 최종 골절 패치를 획득하는 단계;
    를 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    
13. 엑스레이(X-ray) 영상에서 골절을 검출하기 위한 컴퓨팅 장치에 있어서,
    프로세서; 및
    메모리;
    를 포함하고,
    상기 프로세서는,
    적어도 하나의 엑스레이 영상 각각을 복수 개의 패치들로 추출하고,
    상기 복수 개의 패치들 중에서 뼈 영역을 포함하는 적어도 하나의 뼈 영역 패치를 추출하고,
    상기 적어도 하나의 엑스레이 영상 각각을 복수 개의 재추출 패치들로 재추출하고,
    사전 학습된 신경망 모델을 이용하여, 상기 적어도 하나의 뼈 영역 패치를 골절 영역을 포함하는 골절 패치와 골절 영역을 포함하지 않는 비골절 패치로 분류하고, 그리고,
    상기 사전 학습된 신경망 모델을 이용하여, 상기 복수 개의 재추출 패치들 각각에서 최종 골절 패치를 획득하는,
    컴퓨팅 장치.
    

Images