KR102598233B1 - 의료 영상을 대상으로 하는 딥러닝 기반의 의료정보 제공시스템 및 방법 - Google Patents
의료 영상을 대상으로 하는 딥러닝 기반의 의료정보 제공시스템 및 방법 Download PDFInfo
- Publication number
- KR102598233B1 KR102598233B1 KR1020220068950A KR20220068950A KR102598233B1 KR 102598233 B1 KR102598233 B1 KR 102598233B1 KR 1020220068950 A KR1020220068950 A KR 1020220068950A KR 20220068950 A KR20220068950 A KR 20220068950A KR 102598233 B1 KR102598233 B1 KR 102598233B1
- Authority
- KR
- South Korea
- Prior art keywords
- region
- interest
- image
- incidental
- main
- Prior art date
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 36
- 230000008685 targeting Effects 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 title claims description 60
- 230000003902 lesion Effects 0.000 claims abstract description 188
- 238000001514 detection method Methods 0.000 claims abstract description 117
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 239000000284 extract Substances 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims description 47
- 238000005259 measurement Methods 0.000 claims description 27
- 230000011218 segmentation Effects 0.000 claims description 13
- 210000001015 abdomen Anatomy 0.000 claims description 11
- 210000004556 brain Anatomy 0.000 claims description 11
- 210000004197 pelvis Anatomy 0.000 claims description 11
- 238000013500 data storage Methods 0.000 claims description 10
- 210000000038 chest Anatomy 0.000 claims description 9
- 210000003739 neck Anatomy 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 238000003745 diagnosis Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 18
- 230000036541 health Effects 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 5
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000010626 work up procedure Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010003445 Ascites Diseases 0.000 description 1
- 208000003174 Brain Neoplasms Diseases 0.000 description 1
- 206010010214 Compression fracture Diseases 0.000 description 1
- 206010063044 Ectopic kidney Diseases 0.000 description 1
- 206010027476 Metastases Diseases 0.000 description 1
- 206010056342 Pulmonary mass Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000011436 cob Substances 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 201000011066 hemangioma Diseases 0.000 description 1
- 210000004705 lumbosacral region Anatomy 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001613 neoplastic effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Fuzzy Systems (AREA)
- Molecular Biology (AREA)
- Psychiatry (AREA)
- Biophysics (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Heart & Thoracic Surgery (AREA)
- Signal Processing (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Image Analysis (AREA)
Abstract
본 발명에 따른 의료 영상을 대상으로 하는 딥러닝 기반의 의료정보 제공시스템은 환자의 의료 영상을 입력받는 의료 영상 입력부; 상기 의료 영상을 신체 각 부위별로 분리하여 부위별 영상을 추출하는 부위별 영상 추출부; 상기 부위별 영상을 분석하여 각 부위별 영상의 주요 관심부위에 대한 주요 병변을 검출하는 주요 병변 검출부; 상기 부위별 영상을 분석하여 각 부위별 영상의 주요 관심부위 및 주요 관심부위 이외의 부위에 대한 부수적 병변을 각각 검출하는 부수적 병변 검출부; 상기 주요 병변 및 부수적 병변에 각각 대응하는 의료 정보를 생성하는 의료 정보 생성부; 및 상기 의료 정보를 사용자에게 출력하는 의료 정보 출력부;를 포함하고, 상기 부수적 병변 검출부는, 상기 부위별 영상을 대상으로 딥러닝 알고리즘 기반의 영상 판독 프로그램에 의해 부수적 발견(Incidental Findings,IF)을 검출하여 해당 부위별 영상의 주요 관심부위 및 주요 관심부위 이외의 부위에 대한 부수적 병변을 각각 검출하는 것을 특징으로 한다.
Description
본 발명의 실시예는 의료 영상을 대상으로 하는 딥러닝 기반의 의료정보 제공시스템 및 방법에 관한 것이다.
일반적으로 Lumbar spine MRI를 시행함에 있어서 Whole Spine MRI Screening(WSMS)는 정확한 level의 평가와 Sagittal balance 평가를 가능하게 하기 때문에 소모되는 시간과 비용에 비해 이득이 크고 비교적 많은 기관에서 시행하고 있다.
고령화 사회가 진행되고 환자들의 건강에 대한 관심도가 높아지게 됨에 따라 Spine MRI의 수요는 꾸준히 증가될 것으로 예측되며 이에 따라 WSMS가 시행되는 횟수 또한 증가할 것으로 예상된다.
WSMS에는 주요 관심부위인 spine과 더불어 brain, neck, chest, abdomen, pelvis의 일부에 대한 정보가 담겨져 있다. 하지만 이에 대한 평가는 제대로 이루어지지 않으며 현실적으로 대부분 무시되고 버려지고 있는 실정이다.
한편, Clinical decision support system(CDSS)은 환자로부터 얻어진 임상정보를 바탕으로 의료인이 질병을 진단하고 치료할 때 의사결정을 도와주는 시스템으로 보건의료전문가와 환자에게 적절한 정보를 적절한 시점에 제공한다.
향후 통합된 의료 IT 시스템의 필요성이 증가되고 이러한 빅데이터 기반 의사결정 시스템은 근거중심의학과 일맥상통하는 면이 있어 필요성은 지속적으로 증가할 것으로 예상된다.
일례로 IBM Watson Health는 NLP(Natural Language Processing)을 기반으로 데이터를 학습하고 학습된 지식을 기반으로 의료임상 분야에 답변을 근거와 함께 제공하는 시스템을 개발하고 있으며 최근 클라우드 서비스, 딥러닝 등으로 CDSS는 지속적으로 확장되고 있다.
본 출원인은 이러한 WSMS(Whole Spine MRI Screening)가 갖고 있는 정보의 양과 가치에 비해 쓰임새는 제한적이라는 생각을 기초로, WSMS에 포함된 척추와 척추 외의 부위에서 발견될 수 있는 IF(Incidental Findings)의 활용성을 재고하고, 이를 CDSS(Clinical Decision Support System)를 기반으로 한 시스템으로 구축하여 놓칠 수 있는 IF를 줄이는 한편, 의료진의 의사결정을 보조하여 환자와 의료진 모두에게 도움이 되고 의료현장의 효율성을 높이고자 본 발명을 완성하였다.
본 발명은 WSMS에서 발견된 IF를 놓치지 않고 활용하여 즉각적으로 work up할 수 있는 CDSS를 구축하며, Standing WSMS image를 활용하여 자동으로 spine parameter 결과 값을 도출할 수 있는 의료 영상을 대상으로 하는 딥러닝 기반의 의료정보 제공시스템 및 방법을 제공하는 것을 목적으로 한다.
상기한 바와 같은 목적을 달성하기 위한 본 발명에 따른 의료 영상을 대상으로 하는 딥러닝 기반의 의료정보 제공시스템은 환자의 WSMS(Whole Spine MRI Screening) 의료 영상을 입력받는 의료 영상 입력부; 상기 WSMS(Whole Spine MRI Screening) 의료 영상으로부터 신체의 각 부위 영상인 척추(spine), 뇌(brain), 목(neck), 가슴(chest), 복부(abdomen), 골반(pelvis)의 부위별 영상을 추출하는 부위별 영상 추출부; 상기 부위별 영상을 분석하여 각 부위별 영상의 주요 관심부위에 대한 주요 병변을 검출하는 주요 병변 검출부; 상기 부위별 영상을 분석하여 각 부위별 영상의 주요 관심부위 및 주요 관심부위 이외의 부위에 대한 부수적 병변을 각각 검출하는 부수적 병변 검출부; 상기 주요 병변 및 부수적 병변에 각각 대응하는 의료 정보를 생성하는 의료 정보 생성부; 및 상기 의료 정보를 사용자에게 출력하는 의료 정보 출력부;를 포함하고, 상기 주요 병변 검출부는, 상기 부위별 영상에서 상기 주요 관심부위에 대한 관심영역을 설정하는 관심영역 설정모듈; 상기 부위별 영상에서 상기 관심영역을 검출하여 해당 관심영역 내의 주요 관심부위를 분할하는 관심부위 분할모듈; 상기 주요 관심부위를 검출하여 해당 주요 관심부위 내의 특정 측정 객체를 인식하는 측정객체 인식모듈; 및 상기 주요 관심부위의 특정 측정 객체에 대한 주요 병변을 검출하는 주요병변 검출모듈을 포함하고, 상기 부수적 병변 검출부는, 상기 부위별 영상에 대한 복수의 WSMS 관상(coronal) 이미지와 시상(sagittal) 이미지를 각각 생성하는 복수 이미지 생성모듈; 복수의 상기 WSMS 관상 이미지와 시상 이미지를 각각 스크리닝(screening)하여 상기 주요 관심부위 및 주요 관심부위 이외의 부위에 대한 부수적 발견(Incidental Findings, IF)을 각각 검출하는 부수적 발견 검출모듈; 및 상기 부위별 영상의 부수적 발견을 분석하여 해당 부위별 영상의 주요 관심부위 및 주요 관심부위 이외의 부위에 대한 부수적 병변을 각각 검출하는 부수적 병변 검출모듈을 포함하고, 상기 부수적 병변 검출부는, 상기 부위별 영상을 대상으로 딥러닝 알고리즘 기반의 영상 판독 프로그램에 의해 부수적 발견(Incidental Findings,IF)을 검출하여 해당 부위별 영상의 주요 관심부위 및 주요 관심부위 이외의 부위에 대한 부수적 병변을 각각 검출하고, 상기 복수의 이미지 생성모듈은 각 부위 마다 관상 이미지 5컷(10mm), 시상 이미지 7컷(5mm)를 생성하는 것을 특징으로 하는 것을 특징으로 하는 의료 영상을 대상으로 하는 것을 특징으로 한다.
삭제
삭제
삭제
삭제
삭제
또한, 상기 의료 정보 생성부는, 상기 주요 병변 및 부수적 병변을 포함하는 복수의 병변에 대한 의료 데이터를 저장하는 의료 데이터 저장모듈; 및 상기 주요 병변 및 부수적 병변과 매칭하는 의료 데이터를 상기 의료 데이터 저장모듈로부터 추출하여 해당 주요 병변 및 부수적 병변에 대한 진단, 치료 및 처방을 포함하는 의료 정보를 생성하는 의료 정보 생성모듈;을 포함할 수 있다.
또한, 본 발명에 따른 의료 영상을 대상으로 하는 딥러닝 기반의 의료정보 제공방법은 부위별 영상 추출부가 의료 영상 입력부를 통해 입력된 환자의 WSMS(Whole Spine MRI Screening) 의료 영상으로부터 신체의 각 부위 영상인 척추(spine), 뇌(brain), 목(neck), 가슴(chest), 복부(abdomen), 골반(pelvis)의 부위별 영상을 추출하는 부위별 영상 추출단계; 주요 병변 검출부가 상기 부위별 영상을 분석하여 각 부위별 영상의 주요 관심부위에 대한 주요 병변을 검출하는 주요 병변 검출단계; 부수적 병변 검출부가 상기 부위별 영상을 분석하여 각 부위별 영상의 주요 관심부위 및 주요 관심부위 이외의 부위에 대한 부수적 병변을 각각 검출하는 부수적 병변 검출단계; 의료 정보 생성부가 상기 주요 병변 및 부수적 병변에 각각 대응하는 의료 정보를 생성하는 의료 정보 생성단계; 및 의료 정보 출력부가 상기 의료 정보를 사용자에게 출력하는 의료 정보 출력단계;를 포함하고, 상기 주요 병변 검출단계는, 관심영역 설정모듈이 상기 부위별 영상에서 상기 주요 관심부위에 대한 관심영역을 설정하는 관심영역 설정공정; 관심부위 분할모듈이 상기 부위별 영상에서 상기 관심영역을 검출하여 해당 관심영역 내의 주요 관심부위를 분할하는 관심부위 분할공정; 측정객체 인식모듈이 상기 주요 관심부위를 검출하여 해당 주요 관심부위 내의 특정 측정 객체를 인식하는 측정객체 인식공정; 및 주요병변 검출모듈이 상기 주요 관심부위의 특정 측정 객체에 대한 주요 병변을 검출하는 주요병변 검출공정을 포함하고, 상기 부수적 병변 검출단계는, 복수 이미지 생성모듈이 상기 부위별 영상에 대한 복수의 WSMS 관상(coronal) 이미지와 시상(sagittal) 이미지를 각각 생성하는 복수 이미지 생성공정; 부수적 발견 검출모듈이 복수의 상기 WSMS 관상 이미지와 시상 이미지를 각각 스크리닝(screening)하여 상기 주요 관심부위 및 주요 관심부위 이외의 부위에 대한 부수적 발견(Incidental Findings,IF)을 각각 검출하는 부수적 발견 검출공정; 및 부수적 병변 검출모듈이 상기 부위별 영상의 부수적 발견을 분석하여 해당 부위별 영상의 주요 관심부위 및 주요 관심부위 이외의 부위에 대한 부수적 병변을 각각 검출하는 부수적 병변 검출공정을 포함하고, 상기 부수적 발견 검출모듈 및 부수적 병변 검출모듈은 딥러닝 알고리즘 기반의 영상 판독 프로그램에 의해 부수적 발견(Incidental Findings,IF) 및 부수적 병변을 각각 검출하고, 상기 부수적 병변 검출단계에서는, 상기 부수적 병변 검출부가 상기 부위별 영상을 대상으로 딥러닝 알고리즘 기반의 영상 판독 프로그램에 의해 부수적 발견(Incidental Findings,IF)을 검출하여 해당 부위별 영상의 주요 관심부위 및 주요 관심부위 이외의 부위에 대한 부수적 병변을 각각 검출하고, 상기 복수의 이미지 생성모듈은 각 부위 마다 관상 이미지 5컷(10mm), 시상 이미지 7컷(5mm)를 생성하는 것을 특징으로 한다.
삭제
삭제
상기한 바와 같이 본 발명에 따른 의료 영상을 대상으로 하는 딥러닝 기반의 의료정보 제공시스템 및 방법에 의하면, 환자와 의사 모두에게 도움이 되고 의료현장에서의 일의 효율성을 높일 수 있으며, 무시되거나 누락되기 쉬운 정보를 빅데이터 기반 딥러닝 시스템을 이용하여 검출함으로서 WSMS에서 놓칠 수 있는 IF를 감소시킬 수 있는 효과가 있다.
또한, 본 발명에 따르면, 척추 MRI를 시행할 때 척추만 검사하는 것이 아니라 다른 장기도 한번 살펴본다는 인식을 줄 수 있어 환자군을 대상으로 Spine MRI에 대한 긍정적인 인식을 고취시킬 수 있는 효과가 있다.
또한, 본 발명에 따르면, Spine MRI가 건강검진의 역할을 수행하게 됨으로써 이를 다루는 척추신경외과가 척추 외의 영역에서도 국민건강증진에 기여할 수 있는 기회를 제공할 수 있는 효과가 있다.
아울러, 본 발명에 따르면, 인공지능 기반의 의료영상 내 병변 검출 및 판독 기술 분야에서 활용 가치가 높고, 다양한 질병을 앓고 있는 현대인들의 건강증진 개선에 크게 기여할 수 있으며, 특히, WSMS에서 주요 관심부위 이외에 각 부위별로 추가적인 다른 병변 검출이 가능해짐에 따라 환자와 병원 모두 비용을 절감할 수 있는 효과가 있다.
도 1은 본 발명에 따른 의료 영상을 대상으로 하는 딥러닝 기반의 의료정보 제공시스템의 구성도이다.
도 2는 본 발명에 따른 부위별 영상 추출부가 의료 영상을 신체 각 부위별로 분리하여 부위별 영상을 추출하는 예시도이다.
도 3은 본 발명에 따른 주요 병변 검출부의 구성도이다.
도 4는 본 발명에 따른 주요 병변 검출부가 부위별 영상의 주요 병변을 검출하는 예시도이다.
도 5는 본 발명에 따른 부수적 병변 검출부의 구성도이다.
도 6은 본 발명에 따른 부수적 병변 검출부가 부위별 영상의 부수적 병변을 검출하는 예시도이다.
도 7은 본 발명에 따른 의료 정보 생성부의 구성도이다.
도 8은 본 발명에 따른 의료 영상을 대상으로 하는 딥러닝 기반의 의료정보 제공방법의 블록도이다.
도 9는 본 발명에 따른 주요 병변 검출단계의 블록도이다.
도 10은 본 발명에 따른 부수적 병변 검출단계의 블록도이다.
도 2는 본 발명에 따른 부위별 영상 추출부가 의료 영상을 신체 각 부위별로 분리하여 부위별 영상을 추출하는 예시도이다.
도 3은 본 발명에 따른 주요 병변 검출부의 구성도이다.
도 4는 본 발명에 따른 주요 병변 검출부가 부위별 영상의 주요 병변을 검출하는 예시도이다.
도 5는 본 발명에 따른 부수적 병변 검출부의 구성도이다.
도 6은 본 발명에 따른 부수적 병변 검출부가 부위별 영상의 부수적 병변을 검출하는 예시도이다.
도 7은 본 발명에 따른 의료 정보 생성부의 구성도이다.
도 8은 본 발명에 따른 의료 영상을 대상으로 하는 딥러닝 기반의 의료정보 제공방법의 블록도이다.
도 9는 본 발명에 따른 주요 병변 검출단계의 블록도이다.
도 10은 본 발명에 따른 부수적 병변 검출단계의 블록도이다.
이하, 첨부된 도면을 참조하여 본 발명의 실시 예를 상세히 설명한다. 우선, 도면들 중 동일한 구성요소 또는 부품들은 가능한 한 동일한 참조부호를 나타내고 있음에 유의해야 한다. 본 발명을 설명함에 있어서 관련된 공지기능 혹은 구성에 대한 구체적인 설명은 본 발명의 요지를 모호하게 하지 않기 위해 생략한다.
일반적으로, Whole Spine MRI Screening(WSMS)은 짧은 시간 안에 Spine 전장의 sagittal과 coronal image를 얻을 수 있는 장점이 있다.
본 발명은 이를 활용하여 Standing image를 획득하고 이를 standing whole spine Xray의 이미지와 병합하여 기존 Xray를 기반으로 측정되는 다양한 spine의 parameter를 자동적으로 측정하여 결과를 제시해 줄 수 있다.
또한, 본 발명은 WSMS의 의료영상을 부위 별로 추출한 후, 추출된 의료영상들 각각을 대상으로 부위 별 주요 병변을 판독 및 검출하면서, 미리 구축된 인공지능 알고리즘을 기반으로 주요 병변 이외에 부수적인 병변을 함께 검출함으로써 놓칠 수 있는 IF를 줄일 수 있다.
즉, 본 발명은 대부분 버려지거나 무시되는 복수 MRI 이미지에서의 MRI 정보를 활용하여 spine MRI를 시행하는 환자의 systemic work up을 시행할 수 있는 딥러닝 알고리즘 기반 CDSS를 구축하고 이를 통해 놓칠 수 있는 IF를 줄이며, AI를 활용하여 자동적인 spine parameter 측정을 하는 시스템을 구축하여 추가적인 work up이나 환자 치료계획을 수립함으로써 실제적으로 의료현장에서 정확성과 효율성을 높일 수 있다.
도 1은 본 발명에 따른 의료 영상을 대상으로 하는 딥러닝 기반의 의료정보 제공시스템의 구성도이다.
본 발명에 따른 의료 영상을 대상으로 하는 딥러닝 기반의 의료정보 제공시스템은 도 1에 도시된 바와 같이, 의료 영상 입력부(100), 부위별 영상 추출부(200), 주요 병변 검출부(300), 부수적 병변 검출부(400), 의료 정보 생성부(500) 및 의료 정보 출력부(600)를 포함한다.
의료 영상 입력부(100)는 환자의 의료 영상을 입력받을 수 있다.
구체적으로, 의료 영상 입력부(100)는 이러한 의료 영상으로 환자의 WSMS(Whole Spine MRI Screening) 뿐만 아니라, 일반적인 MRI, CT, X-RAY, 내시경 영상 중 어느 하나 이상의 영상을 입력받을 수 있다.
따라서, 후술하는 바와 같이, 다양한 의료 영상을 대상으로 한 인공지능 기반의 부수적 발견(Incidental Findings: IC), 더 나아가 다종의 병변을 판독 또는 검출할 수 있고, 또한 인공지능 기반의 병변 판독 또는 검출 시스템 및 방법에 적용되는 임상의사결정지원시스템(Clinical Decision Support System) 뿐만 아니라 클라우드 서비스 기반으로 병변 의사 결정에 도움을 줄 수 있는 정보를 제공할 수 있다.
부위별 영상 추출부(200)는 의료 영상 입력부(100)를 통해 입력된 상기 환자의 의료 영상을 신체 각 부위별로 분리하여 부위별 영상을 추출할 수 있다.
도 2는 본 발명에 따른 부위별 영상 추출부가 의료 영상을 신체 각 부위별로 분리하여 부위별 영상을 추출하는 예시도이다. 이러한 도 2는 일반적으로 시행되는 WSMS coronal, sagittal 이미지로, 비록 field가 제한적이고 T2 이미지에 국한되지만 비교적 많은 부위를 한 번에 검사할 수 있으며 드는 비용과 시간 대비 많은 정보량을 담고 있다.
구체적으로, 부위별 영상 추출부(200)는 도 2에 도시된 바와 같이, 의료 영상이 WSMS인 경우, WSMS 이미지에서 척추(spine), 뇌(brain), 목(neck), 가슴(chest), 복부(abdomen), 골반(pelvis) 이미지를 상기 부위별 영상으로 추출할 수 있다.
이러한 부위별 영상 추출부(200)는 WSMS 이미지에서 spine, brain, neck, chest, abdomen, pelvis의 여섯 부위를 타겟으로 하여 각각의 부위별 영상으로 coronal image 및 sagittal image를 추출할 수 있고, 후술하는 바와 같이, 주요 병변 검출부(300)의 복수 이미지 생성모듈(310)이 각 부위당 복수의 coronal image 및 sagittal image를 각각 생성하여 해당 부위의 정보를 사용하도록 할 수 있다.
주요 병변 검출부(300)는 부위별 영상을 분석하여 각 부위별 영상의 주요 관심부위에 대한 주요 병변을 검출할 수 있다.
도 3은 본 발명에 따른 주요 병변 검출부의 구성도이다.
구체적으로, 주요 병변 검출부(300)는 도 3에 도시된 바와 같이, 관심영역 설정모듈(310), 관심부위 분할모듈(320), 측정객체 인식모듈(330) 및 주요병변 검출모듈(340)을 포함할 수 있다.
도 4는 본 발명에 따른 주요 병변 검출부가 부위별 영상의 주요 병변을 검출하는 예시도이다.
관심영역 설정모듈(310)은 도 4에 도시된 바와 같이, 각 부위별 영상에서 주요 관심부위에 대한 관심영역(Region of interest,ROI)을 설정할 수 있는데, 여기서, 주요 관심부위는 환자의 척추(spine)일 수 있다.
관심부위 분할모듈(320)은 각 부위별 영상에서 관심영역 설정모듈(310)을 통해 설정된 관심영역을 검출하여 해당 관심영역 내의 주요 관심부위를 분할할 수 있다.
측정객체 인식모듈(330)은 관심부위 분할모듈(320)을 통해 분할된 주요 관심부위를 검출하여 해당 주요 관심부위 내의 측정하고자 하는 특정 측정 객체를 인식할 수 있다.
주요병변 검출모듈(340)은 측정객체 인식모듈(330)을 통해 인식된 주요 관심부위의 특정 측정 객체에 대한 주요 병변을 검출할 수 있다.
구체적으로, 주요병변 검출모듈(340)은 Standing WSMS를 활용한 Spina parameter 측정을 통해 spine deformity, compression fracture 등의 검출도 가능할 수 있다.
즉, 주요 병변 검출부(300)는 AI를 통한 Spine parameter 측정을 위해서, 상기한 바와 같이, Region of interest(ROI)의 설정과 이에 대한 detection, recognition의 과정을 거치고, 이후 cobb’s angle, body height 등의 결과 값을 구현하는 과정을 수행하는데, 이러한 과정은 AI가 훈련을 통해 자동적으로 이미지의 특징을 종합해 답을 이끌어내는 과정으로 이를 위해서는 훈련 데이터를 알맞게 분류하여 AI가 인식할 수 있게 하는 과정이 필요하다.
부수적 병변 검출부(400)는 부위별 영상을 분석하여 각 부위별 영상의 주요 관심부위 및 주요 관심부위 이외의 부위에 대한 부수적 병변을 각각 검출할 수 있다.
이러한 부수적 병변 검출부(400)는 부위별 영상을 대상으로 딥러닝 알고리즘 기반의 영상 판독 프로그램에 의해 부수적 발견(Incidental Findings,IF)을 검출하여 해당 부위별 영상의 주요 관심부위 및 주요 관심부위 이외의 부위에 대한 부수적 병변을 각각 검출할 수 있다.
여기서, 주요 관심부위는 환자의 척추(spine)이고, 또한 주요 관심부위 이외의 부위는 해당 환자의 뇌(brain), 목(neck), 가슴(chest), 복부(abdomen), 골반(pelvis)일 수 있다.
도 5는 본 발명에 따른 부수적 병변 검출부의 구성도이다.
구체적으로, 주요 병변 검출부(300)는 도 5에 도시된 바와 같이, 복수 이미지 생성모듈(310), 부수적 발견 검출모듈(320) 및 부수적 병변 검출모듈(330)을 포함할 수 있다.
도 6은 본 발명에 따른 부수적 병변 검출부가 부위별 영상의 부수적 병변을 검출하는 예시도이다.
복수 이미지 생성모듈(310)은 도 6에 도시된 바와 같이, 각 부위별 영상에 대한 복수의 WSMS 관상(coronal) 이미지와 시상(sagittal) 이미지를 각각 생성할 수 있다.
구체적으로, 복수 이미지 생성모듈(310)은 정보량을 이미지의 컷 수로 계산했을 때 coronal image는 5컷(10mm), sagittal image는 7컷(5mm)의 총 12컷을 생성할 수 있고, WSMS로 spine, brain, neck, chest, abdomen, pelvis의 여섯 부위를 타겟으로 하여 각 부위 당 12컷, 즉 총 72컷을 생성함으로써 해당 컷의 정보를 사용하도록 할 수 있다.
부수적 발견 검출모듈(320)은 복수의 WSMS 관상 이미지와 시상 이미지를 각각 스크리닝(screening)하여 주요 관심부위 및 주요 관심부위 이외의 부위에 대한 부수적 발견(Incidental Findings,IF)을 각각 검출할 수 있다.
구체적으로, 부수적 발견 검출모듈(320)은 딥러닝 알고리즘 기반의 영상 판독 프로그램에 의해 부수적 발견(Incidental Findings,IF)을 검출할 수 있는데, 이때 WSMS에서 발견되는 IF는 약 15%정도에 달할 수 있고, 구체적으로 Spina IF가 약 8%, extra-spinal IF가 약 7% 일 수 있다.
부수적 병변 검출모듈(330)은 각 부위별 영상의 부수적 발견을 분석하여 해당 부위별 영상의 주요 관심부위 및 주요 관심부위 이외의 부위에 대한 부수적 병변을 각각 검출할 수 있다.
구체적으로, 부수적 병변 검출모듈(330)은 딥러닝 알고리즘 기반의 영상 판독 프로그램에 의해 부수적 병변을 검출할 수 있는데, 이러한 부수적 병변 검출모듈(330)은 Spinal IF에서는 hemangioma, metastasis, cord signal change 등을 검출할 수 있고, 또한 extra-spinal IF에서는 brain tumor, lung mass와 같은 종양성 병변 뿐만 아니라 ascites, ectopic kidney, Hydrosalpingitis까지 다양한 병변을 검출할 수 있다.
의료 정보 생성부(500)는 주요 병변 및 부수적 병변에 각각 대응하는 의료 정보를 생성할 수 있다.
도 7은 본 발명에 따른 의료 정보 생성부의 구성도이다.
구체적으로, 의료 정보 생성부(500)는 도 7에 도시된 바와 같이, 의료 데이터 저장모듈(510) 및 의료 정보 생성모듈(320)을 포함할 수 있다.
의료 데이터 저장모듈(510)은 주요 병변 및 부수적 병변을 포함하는 복수의 병변에 대한 의료 데이터를 저장할 수 있다.
구체적으로, 의료 데이터 저장모듈(510)은 빅데이터 기반의 임상 의사결정에 필요한 다양한 데이터를 저장하고 있는 데이터베이스와 이를 관리하는 데이터베이스 관리시스템으로 구성될 수 있다.
의료 정보 생성모듈(320)은 주요 병변 및 부수적 병변과 매칭하는 의료 데이터를 의료 데이터 저장모듈로부터 추출하여 임상 의사결정에 필요한 해당 주요 병변 및 부수적 병변에 대한 진단, 치료 및 처방을 포함하는 의료 정보를 생성할 수 있다.
의료 정보 출력부(600)는 의료 정보 생성모듈(320)에서 생성된 의료 정보를 사용자에게 출력함으로써 해당 사용자가 질병을 진단하고 치료할 때 의사결정에 도움을 줄 수 있다.
이하, 본 발명에 따른 의료 영상을 대상으로 하는 딥러닝 기반의 의료정보 제공방법을 설명한다.
도 8은 본 발명에 따른 의료 영상을 대상으로 하는 딥러닝 기반의 의료정보 제방법의 블록도이다.
본 발명에 따른 의료 영상을 대상으로 하는 딥러닝 기반의 의료정보 제공방법은 도 8에 도시된 바와 같이, 부위별 영상 추출단계(S10), 주요 병변 검출단계(S20), 부수적 병변 검출단계(S30), 의료 정보 생성단계(S40) 및 의료 정보 출력단계(S50)를 포함한다.
부위별 영상 추출단계(S10)는 부위별 영상 추출부(200)가 의료 영상 입력부(100)를 통해 입력된 환자의 의료 영상을 신체 각 부위별로 분리하여 부위별 영상을 추출하는 단계이다.
구체적으로, 부위별 영상 추출단계(S10)에서는 의료 영상이 WSMS인 경우, WSMS 이미지에서 척추(spine), 뇌(brain), 목(neck), 가슴(chest), 복부(abdomen), 골반(pelvis) 이미지를 상기 부위별 영상으로 추출할 수 있다.
주요 병변 검출단계(S20)는 주요 병변 검출부(300)가 각 부위별 영상을 분석하여 해당 부위별 영상의 주요 관심부위에 대한 주요 병변을 검출하는 단계이다.
도 9는 본 발명에 따른 주요 병변 검출단계의 블록도이다.
구체적으로, 주요 병변 검출단계(S20)는 도 9에 도시된 바와 같이, 관심영역 설정공정(S21), 관심부위 분할공정(S22), 측정객체 인식공정(S23) 및 주요병변 검출공정(S24)을 포함할 수 있다.
관심영역 설정공정(S21)은 관심영역 설정모듈(310)이 각 부위별 영상에서 주요 관심부위에 대한 관심영역을 설정하는 공정으로, 여기서 주요 관심부위는 환자의 척추(spine)일 수 있다.
관심부위 분할공정(S22)은 관심부위 분할모듈(320)이 각 부위별 영상에서 관심영역을 검출하여 해당 관심영역 내의 주요 관심부위를 분할하는 공정이다.
측정객체 인식공정(S23)은 측정객체 인식모듈(330)이 주요 관심부위를 검출하여 해당 주요 관심부위 내의 특정 측정 객체를 인식하는 공정이다.
주요병변 검출공정(S24)은 주요병변 검출모듈(340)이 주요 관심부위의 특정 측정 객체에 대한 주요 병변을 검출하는 공정이다.
부수적 병변 검출단계(S30)는 부수적 병변 검출부(400)가 각 부위별 영상을 분석하여 해당 부위별 영상의 주요 관심부위 및 주요 관심부위 이외의 부위에 대한 부수적 병변을 각각 검출하는 단계이다.
구체적으로, 부수적 병변 검출단계(S30)에서는 부수적 병변 검출부(400)가 각 부위별 영상을 대상으로 딥러닝 알고리즘 기반의 영상 판독 프로그램에 의해 부수적 발견(Incidental Findings,IF)을 검출하여 해당 부위별 영상의 주요 관심부위 및 주요 관심부위 이외의 부위에 대한 부수적 병변을 각각 검출할 수 있다.
여기서, 주요 관심부위는 환자의 척추(spine)이고, 주요 관심부위 이외의 부위는 해당 환자의 뇌(brain), 목(neck), 가슴(chest), 복부(abdomen), 골반(pelvis)일 수 있다.
도 10은 본 발명에 따른 부수적 병변 검출단계의 블록도이다.
부수적 병변 검출단계(S30)는 도 10에 도시된 바와 같이, 복수 이미지 생성공정(S31), 부수적 발견 검출공정(S32) 및 부수적 병변 검출공정(S33)을 포함할 수 있다.
복수 이미지 생성공정(S31)은 복수 이미지 생성모듈(410)이 각 부위별 영상에 대한 복수의 WSMS 관상(coronal) 이미지와 시상(sagittal) 이미지를 각각 생성하는 공정이다.
부수적 발견 검출공정(S32)은 부수적 발견 검출모듈(420)이 복수의 WSMS 관상 이미지와 시상 이미지를 각각 스크리닝(screening)하여 주요 관심부위 및 주요 관심부위 이외의 부위에 대한 부수적 발견(Incidental Findings,IF)을 각각 검출하는 공정으로, 여기서, 부수적 발견 검출모듈(420)은 딥러닝 알고리즘 기반의 영상 판독 프로그램에 의해 부수적 발견(Incidental Findings,IF)을 검출할 수 있다.
부수적 병변 검출공정(S33)은 부수적 병변 검출모듈(430)이 각 부위별 영상의 부수적 발견을 분석하여 해당 부위별 영상의 주요 관심부위 및 주요 관심부위 이외의 부위에 대한 부수적 병변을 각각 검출하는 공정으로, 여기서 부수적 병변 검출모듈(430)은 딥러닝 알고리즘 기반의 영상 판독 프로그램에 의해 부수적 병변을 검출할 수 있다.
의료 정보 생성단계(S40)는 의료 정보 생성부(500)가 각 부위별 주요 병변 및 부수적 병변에 각각 대응하는 의료 정보를 생성하는 단계이다.
의료 정보 생성단계(S40)에서는 의료 정보 생성모듈(520)이 주요 병변 및 부수적 병변과 매칭하는 의료 데이터를 의료 데이터 저장모듈(510)로부터 추출하여 임상 의사결정에 필요한 해당 주요 병변 및 부수적 병변에 대한 진단, 치료 및 처방을 포함하는 의료 정보를 생성할 수 있다.
의료 정보 출력단계(S50)는 의료 정보 출력부(600)가 의료 정보를 사용자에게 출력하는 단계로, 해당 의료 정보 출력단계(S50)에서는 의료 정보 생성모듈(320)에서 생성된 의료 정보를 사용자에게 출력함으로써 해당 사용자가 질병을 진단하고 치료할 때 의사결정에 도움을 줄 수 있다.
이처럼, 본 발명에 따르면, 환자와 의사 모두에게 도움이 되고 의료현장에서의 일의 효율성을 높일 수 있으며, 무시되거나 누락되기 쉬운 정보를 빅데이터 기반 딥러닝 시스템을 이용하여 검출함으로서 WSMS에서 놓칠 수 있는 IF를 감소시킬 수 있다. 또한 인공지능 기반의 의료영상 내 병변 검출 및 판독 기술 분야에서 활용 가치가 높고, 다양한 질병을 앓고 있는 현대인들의 건강증진 개선에 크게 기여할 수 있으며, WSMS에서 주요 관심부위 이외에 각 부위별로 추가적인 다른 병변 검출이 가능해짐에 따라 환자와 병원 모두 비용을 크게 절감할 수 있다.
이상과 같이 본 발명에 따른 의료 영상을 대상으로 하는 딥러닝 기반의 의료정보 제공시스템 및 방법을 예시한 도면을 참조로 하여 설명하였으나, 본 명세서에 개시된 실시예와 도면에 의해 본 발명이 한정되는 것은 아니며, 본 발명의 기술사상 범위 내에서 당업자에 의해 다양한 변형이 이루어질 수 있음은 물론이다.
100:의료 영상 입력부 200:부위별 영상 추출부
300:주요 병변 검출부 310:관심영역 설정모듈
320:관심부위 분할모듈 330:측정객체 인식모듈
340:주요병변 검출모듈 400:부수적 병변 검출부
410:복수 이미지 생성모듈 420:부수적 발견 검출모듈
430:부수적 병변 검출모듈 500:의료 정보 생성부
510:의료 데이터 저장모듈 520:의료 정보 생성모듈
600:의료 정보 출력부
S10:부위별 영상 추출단계 S20:주요 병변 검출단계
S21:관심영역 설정공정 S22:관심부위 분할공정
S23:측정객체 인식공정 S24:주요병변 검출공정
S30:부수적 병변 검출단계 S31:복수 이미지 생성공정
S32:부수적 발견 검출공정 S33:부수적 병변 검출공정
S40:의료 정보 생성단계
S50:의료 정보 출력단계
300:주요 병변 검출부 310:관심영역 설정모듈
320:관심부위 분할모듈 330:측정객체 인식모듈
340:주요병변 검출모듈 400:부수적 병변 검출부
410:복수 이미지 생성모듈 420:부수적 발견 검출모듈
430:부수적 병변 검출모듈 500:의료 정보 생성부
510:의료 데이터 저장모듈 520:의료 정보 생성모듈
600:의료 정보 출력부
S10:부위별 영상 추출단계 S20:주요 병변 검출단계
S21:관심영역 설정공정 S22:관심부위 분할공정
S23:측정객체 인식공정 S24:주요병변 검출공정
S30:부수적 병변 검출단계 S31:복수 이미지 생성공정
S32:부수적 발견 검출공정 S33:부수적 병변 검출공정
S40:의료 정보 생성단계
S50:의료 정보 출력단계
Claims (10)
- 환자의 WSMS(Whole Spine MRI Screening) 의료 영상을 입력받는 의료 영상 입력부;
상기 WSMS(Whole Spine MRI Screening) 의료 영상으로부터 신체의 각 부위 영상인 척추(spine), 뇌(brain), 목(neck), 가슴(chest), 복부(abdomen), 골반(pelvis)의 부위별 영상을 추출하는 부위별 영상 추출부;
상기 부위별 영상을 분석하여 각 부위별 영상의 주요 관심부위에 대한 주요 병변을 검출하는 주요 병변 검출부;
상기 부위별 영상을 분석하여 각 부위별 영상의 주요 관심부위 및 주요 관심부위 이외의 부위에 대한 부수적 병변을 각각 검출하는 부수적 병변 검출부;
상기 주요 병변 및 부수적 병변에 각각 대응하는 의료 정보를 생성하는 의료 정보 생성부; 및
상기 의료 정보를 사용자에게 출력하는 의료 정보 출력부;를 포함하고,
상기 주요 병변 검출부는,
상기 부위별 영상에서 상기 주요 관심부위에 대한 관심영역을 설정하는 관심영역 설정모듈;
상기 부위별 영상에서 상기 관심영역을 검출하여 해당 관심영역 내의 주요 관심부위를 분할하는 관심부위 분할모듈; 상기 주요 관심부위를 검출하여 해당 주요 관심부위 내의 특정 측정 객체를 인식하는 측정객체 인식모듈; 및 상기 주요 관심부위의 특정 측정 객체에 대한 주요 병변을 검출하는 주요병변 검출모듈을 포함하고,
상기 부수적 병변 검출부는,
상기 부위별 영상에 대한 복수의 WSMS 관상(coronal) 이미지와 시상(sagittal) 이미지를 각각 생성하는 복수 이미지 생성모듈;
복수의 상기 WSMS 관상 이미지와 시상 이미지를 각각 스크리닝(screening)하여 상기 주요 관심부위 및 주요 관심부위 이외의 부위에 대한 부수적 발견(Incidental Findings, IF)을 각각 검출하는 부수적 발견 검출모듈; 및
상기 부위별 영상의 부수적 발견을 분석하여 해당 부위별 영상의 주요 관심부위 및 주요 관심부위 이외의 부위에 대한 부수적 병변을 각각 검출하는 부수적 병변 검출모듈을 포함하고,
상기 부수적 병변 검출부는,
상기 부위별 영상을 대상으로 딥러닝 알고리즘 기반의 영상 판독 프로그램에 의해 부수적 발견(Incidental Findings,IF)을 검출하여 해당 부위별 영상의 주요 관심부위 및 주요 관심부위 이외의 부위에 대한 부수적 병변을 각각 검출하고,
상기 복수의 이미지 생성모듈은
각 부위 마다 관상 이미지 5컷(10mm), 시상 이미지 7컷(5mm)를 생성하는 것을 특징으로 하는 의료 영상을 대상으로 하는 딥러닝 기반의 의료정보 제공시스템.
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 제 1항에 있어서,
상기 의료 정보 생성부는,
상기 주요 병변 및 부수적 병변을 포함하는 복수의 병변에 대한 의료 데이터를 저장하는 의료 데이터 저장모듈; 및
상기 주요 병변 및 부수적 병변과 매칭하는 의료 데이터를 상기 의료 데이터 저장모듈로부터 추출하여 해당 주요 병변 및 부수적 병변에 대한 진단, 치료 및 처방을 포함하는 의료 정보를 생성하는 의료 정보 생성모듈;을 포함하는 것을 특징으로 하는 의료 영상을 대상으로 하는 딥러닝 기반의 의료정보 제공시스템.
- 제 1항 및 제 7항 중 어느 한 항에 따른 딥러닝 기반의 의료정보 제공시스템을 이용한 의료정보 제공방법에 있어서,
부위별 영상 추출부가 의료 영상 입력부를 통해 입력된 환자의 WSMS(Whole Spine MRI Screening) 의료 영상으로부터 신체의 각 부위 영상인 척추(spine), 뇌(brain), 목(neck), 가슴(chest), 복부(abdomen), 골반(pelvis)의 부위별 영상을 추출하는 부위별 영상 추출단계;
주요 병변 검출부가 상기 부위별 영상을 분석하여 각 부위별 영상의 주요 관심부위에 대한 주요 병변을 검출하는 주요 병변 검출단계;
부수적 병변 검출부가 상기 부위별 영상을 분석하여 각 부위별 영상의 주요 관심부위 및 주요 관심부위 이외의 부위에 대한 부수적 병변을 각각 검출하는 부수적 병변 검출단계;
의료 정보 생성부가 상기 주요 병변 및 부수적 병변에 각각 대응하는 의료 정보를 생성하는 의료 정보 생성단계; 및
의료 정보 출력부가 상기 의료 정보를 사용자에게 출력하는 의료 정보 출력단계;를 포함하고,
상기 주요 병변 검출단계는,
관심영역 설정모듈이 상기 부위별 영상에서 상기 주요 관심부위에 대한 관심영역을 설정하는 관심영역 설정공정;
관심부위 분할모듈이 상기 부위별 영상에서 상기 관심영역을 검출하여 해당 관심영역 내의 주요 관심부위를 분할하는 관심부위 분할공정;
측정객체 인식모듈이 상기 주요 관심부위를 검출하여 해당 주요 관심부위 내의 특정 측정 객체를 인식하는 측정객체 인식공정; 및
주요병변 검출모듈이 상기 주요 관심부위의 특정 측정 객체에 대한 주요 병변을 검출하는 주요병변 검출공정을 포함하고,
상기 부수적 병변 검출단계는,
복수 이미지 생성모듈이 상기 부위별 영상에 대한 복수의 WSMS 관상(coronal) 이미지와 시상(sagittal) 이미지를 각각 생성하는 복수 이미지 생성공정;
부수적 발견 검출모듈이 복수의 상기 WSMS 관상 이미지와 시상 이미지를 각각 스크리닝(screening)하여 상기 주요 관심부위 및 주요 관심부위 이외의 부위에 대한 부수적 발견(Incidental Findings,IF)을 각각 검출하는 부수적 발견 검출공정; 및
부수적 병변 검출모듈이 상기 부위별 영상의 부수적 발견을 분석하여 해당 부위별 영상의 주요 관심부위 및 주요 관심부위 이외의 부위에 대한 부수적 병변을 각각 검출하는 부수적 병변 검출공정을 포함하고,
상기 부수적 발견 검출모듈 및 부수적 병변 검출모듈은 딥러닝 알고리즘 기반의 영상 판독 프로그램에 의해 부수적 발견(Incidental Findings,IF) 및 부수적 병변을 각각 검출하고,
상기 부수적 병변 검출단계에서는,
상기 부수적 병변 검출부가 상기 부위별 영상을 대상으로 딥러닝 알고리즘 기반의 영상 판독 프로그램에 의해 부수적 발견(Incidental Findings,IF)을 검출하여 해당 부위별 영상의 주요 관심부위 및 주요 관심부위 이외의 부위에 대한 부수적 병변을 각각 검출하고,
상기 복수의 이미지 생성모듈은
각 부위 마다 관상 이미지 5컷(10mm), 시상 이미지 7컷(5mm)를 생성하는 것을 특징으로 하는 의료 영상을 대상으로 하는 딥러닝 기반의 의료정보 제공방법.
- 삭제
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220068950A KR102598233B1 (ko) | 2022-06-07 | 2022-06-07 | 의료 영상을 대상으로 하는 딥러닝 기반의 의료정보 제공시스템 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220068950A KR102598233B1 (ko) | 2022-06-07 | 2022-06-07 | 의료 영상을 대상으로 하는 딥러닝 기반의 의료정보 제공시스템 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102598233B1 true KR102598233B1 (ko) | 2023-11-07 |
Family
ID=88747073
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220068950A KR102598233B1 (ko) | 2022-06-07 | 2022-06-07 | 의료 영상을 대상으로 하는 딥러닝 기반의 의료정보 제공시스템 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102598233B1 (ko) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101547181B1 (ko) | 2012-11-23 | 2015-09-04 | (주)솔트웍스 | 임상의사결정 지원시스템 및 그 방법 |
| KR102015224B1 (ko) * | 2018-09-18 | 2019-10-21 | (주)제이엘케이인스펙션 | 딥러닝 기반의 뇌출혈 및 뇌종양 병변 진단 방법 및 장치 |
| KR20200080626A (ko) * | 2018-12-27 | 2020-07-07 | 연세대학교 산학협력단 | 병변 진단에 대한 정보 제공 방법 및 이를 이용한 병변 진단에 대한 정보 제공용 디바이스 |
| KR102179583B1 (ko) * | 2020-03-11 | 2020-11-17 | 주식회사 딥노이드 | 딥러닝 기반의 질환 진단 보조 시스템 및 딥러닝 기반의 질환 진단 보조 방법 |
| CN113272859A (zh) * | 2019-01-07 | 2021-08-17 | 西尼诊断公司 | 用于平台中立性全身图像分段的系统及方法 |
| KR20210110541A (ko) * | 2019-06-25 | 2021-09-08 | 서울대학교병원 | 인공 지능 기반 진단 보조 시스템 |
| KR102337031B1 (ko) * | 2020-11-30 | 2021-12-08 | 주식회사 코어라인소프트 | 복수의 폐질환을 스크리닝하기 위한 의료 영상 재구성 장치 및 방법 |
-
2022
- 2022-06-07 KR KR1020220068950A patent/KR102598233B1/ko active IP Right Grant
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101547181B1 (ko) | 2012-11-23 | 2015-09-04 | (주)솔트웍스 | 임상의사결정 지원시스템 및 그 방법 |
| KR102015224B1 (ko) * | 2018-09-18 | 2019-10-21 | (주)제이엘케이인스펙션 | 딥러닝 기반의 뇌출혈 및 뇌종양 병변 진단 방법 및 장치 |
| KR20200080626A (ko) * | 2018-12-27 | 2020-07-07 | 연세대학교 산학협력단 | 병변 진단에 대한 정보 제공 방법 및 이를 이용한 병변 진단에 대한 정보 제공용 디바이스 |
| CN113272859A (zh) * | 2019-01-07 | 2021-08-17 | 西尼诊断公司 | 用于平台中立性全身图像分段的系统及方法 |
| KR20210110541A (ko) * | 2019-06-25 | 2021-09-08 | 서울대학교병원 | 인공 지능 기반 진단 보조 시스템 |
| KR102179583B1 (ko) * | 2020-03-11 | 2020-11-17 | 주식회사 딥노이드 | 딥러닝 기반의 질환 진단 보조 시스템 및 딥러닝 기반의 질환 진단 보조 방법 |
| KR102337031B1 (ko) * | 2020-11-30 | 2021-12-08 | 주식회사 코어라인소프트 | 복수의 폐질환을 스크리닝하기 위한 의료 영상 재구성 장치 및 방법 |
Non-Patent Citations (2)
| Title |
|---|
| Alexey Zakharov 외, Interpretable Vertebral Fracture Quantication via Anchor-Free Landmarks Localization, arXiv, 2022.04.14., pp.1-24.* * |
| Pierre P. Massion 외, Assessing the Accuracy of a Deep Learning Method to Risk Stratify Indeterminate Pulmonary Nodules, Am J Respir Crit Care Med, 2020.07.15., Vol.202, No.2, pp241-249.* * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210158531A1 (en) | Patient Management Based On Anatomic Measurements | |
| KR102243830B1 (ko) | 통합 의료 진단 서비스 제공 시스템 및 그 방법 | |
| Al-Kafri et al. | Boundary delineation of MRI images for lumbar spinal stenosis detection through semantic segmentation using deep neural networks | |
| US10147190B2 (en) | Generation of a patient-specific anatomical atlas | |
| US9922268B2 (en) | Image interpretation report creating apparatus and image interpretation report creating system | |
| US20210174503A1 (en) | Method, system and storage medium with a program for the automatic analysis of medical image data | |
| US20130222415A1 (en) | Calculation of a medical image using templates | |
| US10628963B2 (en) | Automatic detection of an artifact in patient image | |
| Masood et al. | Deep learning based vertebral body segmentation with extraction of spinal measurements and disorder disease classification | |
| US20210296004A1 (en) | Inference Transparency System for Image-Based Clinical Decision Support Systems | |
| EP3659510B1 (en) | Heatmap and atlas | |
| KR102598233B1 (ko) | 의료 영상을 대상으로 하는 딥러닝 기반의 의료정보 제공시스템 및 방법 | |
| Nechyporenko et al. | Biometric recognition of personality based on spiral computed tomography data | |
| Klinwichit et al. | The Radiographic view classification and localization of Lumbar spine using Deep Learning Models | |
| Nehrer et al. | AI in musculoskeletal radiology | |
| CN118262220B (zh) | 放射影像报告的质量评估方法、装置和设备 | |
| US20240312032A1 (en) | Systems, devices, and methods for generating data series to visualize quantitative structure data registered to imaging data | |
| Arivudaiyanambi et al. | Classification of markerless 3D dorsal shapes in adolescent idiopathic scoliosis patients using machine learning approach | |
| Ramos | Analysis of medical images to support decision-making in the musculoskeletal field | |
| Littlefield et al. | AI Fairness in Hip Bony Anatomy Segmentation: Analyzing and Mitigating Gender and Racial Bias in Plain Radiography Analysis | |
| Baloni et al. | H-detect: an algorithm for early detection of hydrocephalus | |
| CN117455873A (zh) | 脊柱椎体定位识别方法、装置、设备及存储介质 | |
| Pardeshi et al. | Boundary Refinement Technique Using Laplace Transform for CT Spine Image Segmentation | |
| CN115249234A (zh) | 一种基于深度学习的骨转移瘤辅助定位方法 | |
| CN118414672A (zh) | 使用人工智能的直接医疗治疗方案预测 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GRNT | Written decision to grant |