KR102608783B1 - 컴퓨터 단층촬영 영상 재구성 방법 및 장치 - Google Patents

컴퓨터 단층촬영 영상 재구성 방법 및 장치 Download PDF

Info

Publication number
KR102608783B1
KR102608783B1 KR1020210086967A KR20210086967A KR102608783B1 KR 102608783 B1 KR102608783 B1 KR 102608783B1 KR 1020210086967 A KR1020210086967 A KR 1020210086967A KR 20210086967 A KR20210086967 A KR 20210086967A KR 102608783 B1 KR102608783 B1 KR 102608783B1
Authority
KR
South Korea
Prior art keywords
image
lung
lungs
images
musculoskeletal
Prior art date
Application number
KR1020210086967A
Other languages
English (en)
Other versions
KR20230006718A (ko
Inventor
임상혁
Original Assignee
순천향대학교 산학협력단
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 순천향대학교 산학협력단 filed Critical 순천향대학교 산학협력단
Priority to KR1020210086967A priority Critical patent/KR102608783B1/ko
Publication of KR20230006718A publication Critical patent/KR20230006718A/ko
Application granted granted Critical
Publication of KR102608783B1 publication Critical patent/KR102608783B1/ko

Links

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
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computerised tomographs
    • A61B6/032—Transmission computed tomography [CT]
    • 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
    • A61B6/46—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment with special arrangements for interfacing with the operator or the patient
    • A61B6/461—Displaying means of special interest
    • A61B6/463—Displaying means of special interest characterised by displaying multiple images or images and diagnostic data on one display
    • 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
    • A61B6/5223—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data generating planar views from image data, e.g. extracting a coronal view from a 3D image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung

Abstract

본 명세서는 컴퓨터 단층촬영 영상 재구성 방법 및 장치에 관한 것이다. 본 명세서의 일 실시예에 따른 컴퓨터 단층촬영 영상 재구성 방법은 미리 학습된 제1 딥러닝 학습 모델에 기초하여 컴퓨터 단층촬영(computed tomography; CT)의 복수개의 축상면 영상(axial image)에서 폐가 포함된 영상과 폐가 포함되지 않은 영상으로 구분하는 단계; 미리 학습된 제2 딥러닝 학습 모델에 기초하여 상기 폐가 포함된 축상면 영상과 폐가 포함되지 않은 축상면 영상에서 장기 조직을 기준으로 각각을 폐부, 연부조직부 및 근골격부로 구획하는 단계; 및 한 장의 축상면 영상에 대하여 각각의 여러 구획에 서로 다른 창 설정을 적용하여 서로 다른 창 설정이 적용된 다중창을 한 장의 영상으로 재구성하는 단계를 포함한다.

Description

컴퓨터 단층촬영 영상 재구성 방법 및 장치{COMPUTED TOMOGRAPHY IMAGE RECONSTRUCTION METHOD AND APPARATUS}
본 명세서는 컴퓨터 단층촬영(computed tomography; CT) 영상의 재구성에 관한 것으로 딥러닝 학습에 기반하여 컴퓨터 단층촬영 영상을 장기 및 조직 특성에 따라 자동으로 구획하여 구획별로 서로 상이한 창 설정을 적용하여 하나의 영상으로 제공하는 컴퓨터 단층촬영 영상 재구성 방법 및 장치에 관한 것이다.
일반적으로 컴퓨터 단층촬영(X-ray Computed Tomography, CT) 영상의 이미지 분석과 세분화를 이용한 컴퓨터 보조 진단은 의학 진단 및 치료 시스템에 사용된다.
이로 인해 의료 영상 분야에서 이미지 분석과 시각화는 진단 및 치료 시스템에서 중요한 부분으로 자리매김하고 있으며, 이러한 의료 영상 분야에서 영상 처리 및 3차원 가시화 기법은 의학 연구, 교육 및 외과적 치료나 방사선 치료 등으로 확대되고 있다.
위와 같은 의료 영상, 특히 CT영상을 이용하여 진료를 할 때, 의료영상 정보시스템(Picture Archiving and Communication System, PACS)에서 관심 부위의 장기/조직 특성에 따라 창 설정(window setting)을 바꾸어가며 진료하고 있다.
참고로, X선 빔이 인체의 물질과 상호작용하게 되면, 흡수, 산란, 감약 등의 현상이 나타난다. 전산화 단층촬영에서도 X선의 주사를 통해 얻어지는 물질의 감약계수치를 CT 넘버(number)라고 하고, 이는 gray scale 음영으로서 다양하게 지정될 수 있다. CT 넘버에 따른 밝기의 정도를 어두운 부분과 밝은 부분의 비율로 표시하는 과정을 창 설정이라하며, CT 넘버와 gray scale과의 관계는 매우 다양할 수 있다. 한편 인간의 눈으로 확인할 수 있는 gray scale 레벨은 20 정도로 좁지만, CT에서는 감약치 또는 CT 넘버의 범위가 대단히 넓기 때문에 gray scale을 효과적으로 사용하기 위해서는 몇개의 CT 넘버들을 몇가지 scale로 지정해야 한다.
즉 창 설정이란 진단에 적합한 영상을 얻기 위해 확인하고자 하는 장기/조직에 맞추어 윈도우 레벨(window level), 윈도우 폭(window width)을 적절히 조절하는 것을 말한다. 여기서 윈도우 폭은 영상의 농도의 범위를 의미하며, 높은 곳은 흰색, 낮은 곳은 검은색으로 나타나며, 윈도우 레벨은 농도범위의 중간값을 말한다. 예를 들어, 창 설정을 특정 윈도우 레벨에서 좁은 윈도우 폭으로 적용하면, 비슷한 CT 값의 부분만 영상화되고, 윈도우 폭을 넓히면 보다 많은 CT 값들이 gray scale에 지정된다.
Bone window setting은 넓은 윈도우 폭과 높은 윈도우 레벨로 지정되며, 뼈조직이 잘 나타나 종양, 골절 등의 뼈의 질환의 유무확인 유익한 정보를 제공한다.
Lung window setting은 넓은 윈도우 폭과 낮은 윈도우 레벨로 지정하여 공기를 함유하고 있는 폐조직의 넓은 부분이 영상으로 나타나 진단영역이 확대된다.
도 1은 종래의 PACS에서 제공하는 각각의 화면의 일 예를 도시한 도면이다.
촬영된 복부 CT 검사를 판독하기 위해서, 촬영범위에 포함된 모든 장기 및 조직 예컨대 폐, 연부조직, 뼈에 대한 진단을 해야한다.
도 1을 참조하면, PACS에서는 단층촬영 영상의 모든 부분에 단일 창 설정이 적용되므로, 관심 부위의 장기/조직 특성에 따라 창 설정을 변경하여야 한다. 예를 들어 a부분의 폐, 연부조직, 뼈에 대한 영상을 진단하기 위하여는 3번의 창 설정을 변경해야한다. b 및 c 부분의 연부조직, 뼈에 대한 영상을 진단하기 위하여는 2번의 창 설정을 변경해야한다.
이와 같이 한 환자의 CT 검사를 통한 진단을 위해서는 2~3번의 창 설정을 변경하여야 하는 번거로움이 있다.
본 명세서의 목적은 창 설정을 변경하는 등의 조작 없이, CT 영상에서 폐, 연부조직, 뼈에 대한 영상을 한 장의 영상에 정합하여 출력하는 컴퓨터 단층촬영 영상 재구성 방법 및 장치를 제공하는 것이다.
본 명세서의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 명세서의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 명세서의 실시예에 의해 보다 분명하게 이해될 것이다. 또한, 본 명세서의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
본 명세서의 일 실시예에 따른 컴퓨터 단층촬영 영상 재구성 방법은 미리 학습된 제1 딥러닝 학습 모델에 기초하여 컴퓨터 단층촬영(computed tomography; CT)의 복수개의 축상면 영상(axial image)에서 폐가 포함된 영상과 폐가 포함되지 않은 영상으로 구분하는 단계; 미리 학습된 제2 딥러닝 학습 모델에 기초하여 상기 폐가 포함된 축상면 영상과 폐가 포함되지 않은 축상면 영상에서 장기 조직 유무를 기준으로 각각을 폐부, 연부조직부 및 근골격부로 구획하는 단계; 및 한 장의 축상면 영상에 대하여 각각의 여러 구획에 서로 다른 창 설정을 적용하여 서로 다른 창 설정이 적용된 다중창을 한 장의 영상으로 재구성하는 단계를 포함한다.
일 실시예에서, 상기 폐부, 연부조직부 및 근골격부로 구획하는 단계는, 상기 폐가 포함된 영상은 폐부, 연부조직부 및 근골격부로 구획하고, 상기 폐가 포함되지 않은 영상은 연부조직부 및 근골격부로 구획하는 것을 특징으로 한다.
일 실시예에서, 상기 폐가 포함된 영상과, 폐가 포함되지 않은 영상으로 구분하는 단계는, 복수개의 축상면 영상(axial image)으로 관상면 영상을 재구성한 후, 관상면 영상에서 상기 제1 딥러닝 학습 모델에 기초하여 폐의 아래쪽 첨부를 찾아 상기 관상면 영상의 폐의 아래쪽 첨부를 기준으로 위쪽 축상면 영상을 폐가 포함된 영상으로 구분하고 아래쪽 축상면 영상을 폐가 포함되지 않은 영상으로 구분하는 것을 특징으로 한다.
일 실시예에서, 상기 미리 학습된 제2 딥러닝 학습 모델은 영상 내의 형상 특징 및 질감 특징을 추출하여 영상 내 장기 조직을 구분하도록 학습된 모델인 것을 특징으로 한다.
일 실시예에서, 상기 창 설정은 진단에 적합한 영상을 얻기 위해 관심 장기/조직에 맞추어 윈도우 레벨(window level), 윈도우 폭(window width)의 파라미터를 설정하는 것으로 폐부, 연부조직부 및 근골격부에 따라 최적의 파라미터가 미리 설정되는 것을 특징으로 한다.
본 발명의 다른 실시예에 따른 컴퓨터 단층촬영 영상 재구성 장치는, 미리 학습된 제1 딥러닝 학습 모델에 기초하여 컴퓨터 단층촬영(computed tomography; CT)의 복수개의 축상면 영상(axial image)에서 폐가 포함된 영상과 폐가 포함되지 않은 영상으로 구분하고, 미리 학습된 제2 딥러닝 학습 모델에 기초하여 상기 폐가 포함된 축상면 영상과 폐가 포함되지 않은 축상면 영상에서 장기 조직을 기준으로 각각을 폐부, 연부조직부 및 근골격부로 구획하는 영상분할부; 및 한 장의 축상면 영상에 대하여 각각의 여러 구획에 서로 다른 창 설정을 적용하여 서로 다른 창 설정이 적용된 다중창을 한 장의 영상으로 재구성하는 영상재구성부를 포함하는 것을 특징으로 한다.
본 명세서의 일 실시예에 따른 단층촬영 영상 재구성 장치 및 방법은 하나의 화면에 각 조직별 적절한 창 설정이 적용된 단층촬영 영상을 제공함으로써, 의료영상을 이용하는 의사들에게 불필요한 조작을 줄여 편의성을 증대시킴은 물론 진료의 정확성, 효율성을 높여줄 수 있다.
도 1은 종래의 PACS에서 제공하는 각각의 화면의 일 예를 도시한 도면이다.
도 3는 본 발명의 일 실시예에 따른 컴퓨터 단층촬영 영상 재구성 방법을 설명하는 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 컴퓨터 단층촬영 영상 재구성 방법을 설명하는 영상의 일 예이다.
도 5는 본 발명의 일 실시예에 따른 축상면 영상 내에 폐의 아래쪽 첨부를 기준으로 하는 영상 구획을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 축상면 영상 내에 장기 조직 유무를 기준으로 하는 영상 구획을 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시예에 따른 구획된 영상의 다중창 설정을 설명하기 위한 도면이다.
도 8은 본 발명의 일 실시예에 따른 재구성된 영상과 종래 영상의 제1 비교 예를 도시한 도면이다.
도 9는 본 발명의 일 실시예에 따른 재구성된 영상과 종래 영상의 제2 비교 예를 도시한 도면이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조 부호를 유사한 구성요소에 대해 사용하였다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세하게 설명한다.
도 2는 본 명세서의 일 실시예에 따른 컴퓨터 단층촬영 영상 재구성 장치이다.
도 2를 참조하면, 컴퓨터 단층촬영 영상 재구성 장치(100)는 영상 획득부(110), 영상분할부(120) 및 영상재구성부(130)를 포함한다.
영상획득부(110)는 CT영상을 획득하는 기능을 수행한다. 이때 CT영상은 종래의 CT(Computed Tomography, 컴퓨터 단층촬영) 장치를 통해 획득한다.
영상분할부(120)는 영상획득부(110)에서 획득된 CT영상에서 장기 조직 유무를 기준으로 각각을 폐부, 연부조직부 및 근골격부로 구획하는 것으로, 제1 분할모듈(122)와 제2 분할모듈(124)을 포함할 수 있다.
제1 분할모듈(122)은 미리 학습된 제1 딥러닝 학습 모델에 기초하여 CT영상의 축상면 영상(axial image) 내에 폐의 아래쪽 첨부를 기준으로 폐가 포함된 영상과, 폐가 포함되지 않은 영상으로 구분한다.
제2 분할모듈(124)은 미리 학습된 제2 딥러닝 학습 모델에 기초하여 상기 폐가 포함된 영상과 폐가 포함되지 않은 영상에서 장기 조직 유무를 기준으로 각각을 폐부, 연부조직부 및 근골격부로 구획한다.
일 실시예에 따른 제1 딥러닝 학습 모델 또는 제2 딥러닝 학습 모델은 종래 알려진 딥러닝 학습 방법을 이용할 수 있다.
일 실시예에 따른, 제1 딥러닝 학습 모델은 각 관상면 영상에서 형상 특징 및 질감 특징을 추출하여 영상 내 폐의 아래쪽 첨부를 찾아 내도록 학습된 모델일 수 있다. 제2 딥러닝 학습 모델은 각 영상 내의 형상 특징 및 질감 특징을 추출하여 영상 내 장기 조직 유무를 구분하도록 학습된 모델일 수 있다.
일 실시예에 따른 제2 분할모듈(124)은 폐가 포함된 영상에서 폐부, 연부조직부, 근골격부로 구획하고, 폐가 포함되지 않은 영상에서 연부조직부, 근골격부로 구획한다.
영상재구성부(130)는 영상분할부(120)를 통해 구획된 각각의 구획에 서로 다른 창 설정을 적용하여 서로 다른 창 설정이 적용된 다중창을 한 장의 영상으로 재구성한다.
전술한 컴퓨터 단층촬영 영상 재구성 장치의 영상 재구성 방법은 이하에서 도 3 내지 도 6를 참조하여 상세하게 설명한다.
도 3는 본 발명의 일 실시예에 따른 컴퓨터 단층촬영 영상 재구성 방법을 설명하는 흐름도이고, 도 4는 본 발명의 일 실시예에 따른 컴퓨터 단층촬영 영상 재구성 방법을 설명하는 영상의 일 예이다.
도 5 내지 도 7은 본 발명의 일 실시예에 따른 각 단계에 대한 축상면 영상 분할을 설명하기 위한 예시도이다.
도 3 및 도 4를 참조하면, 단계 S100에서, 영상획득부(110)는 CT 장치를 통해 CT영상을 획득한다. 이때 CT 장치를 통해 획득하는 CT영상은 복수 개일 수 있다.
단계 S110에서, 영상분할부(120)는 미리 학습된 제1 딥러닝 학습 모델에 기초하여 컴퓨터 단층촬영(computed tomography; CT)의 복수개의 축상면 영상(axial image)에서 폐가 포함된 영상과 폐가 포함되지 않은 영상으로 구분한다.
도 5를 참조하면, CT의 축상면 Volume data를 얻어, 이를 다중 평면 영상인 관상면 영상(coronal image)으로 재구성한다. 다중 평면 영상을 미리 학습된 제1 딥러닝 학습 모델에 적용하여 폐의 아래쪽 첨부인 늑골횡격막각(costopharenic angle,CPA)(P)을 찾는다. 늑골횡격막각은 폐저(base of lung)의 외측부 벽측흉막이 접히는 부분의 각도로, 해당 접히는 부분이 폐의 아래쪽 첨부가 된다.
일 실시예에서 폐의 아래쪽 첨부를 찾기 위한 제1 딥러닝 학습 모델은 레티나넷(RetinaNet) 알고리즘을 채택할 수 있으나, 이에 한정되는 것은 아니며 종래에 알려진 객체 추적 알고리즘을 적용할 수 있다.
영상분할부(120)는 폐의 아래쪽 첨부가 포함된 관상면 영상을 기준으로 해당 관상면 영상의 위쪽 영상과 해당 관상면 영상의 아래쪽 영상을 자동으로 구분한다.
단계 S110의 과정을 통해 정상적으로 존재할 수 있는 위장관내 공기음영을 폐부로 오인하여 위장관내 공기음영에 폐부의 창 설정을 잘못 적용하는 것을 방지할 수 있다.
단계 S120에서, 미리 학습된 제2 딥러닝 학습 모델에 기초하여 상기 폐가 포함된 영상과 폐가 포함되지 않은 영상에서 장기 조직을 기준으로 각각을 폐부, 연부조직부 및 근골격부로 구획한다.
미리 학습된 제2 딥러닝 학습 모델은 장기 조직을 기준으로 구획화를 수행하기 위하여 U-Net(Convolutional Networks for Biomedical Image Segmentation) 알고리즘을 이용할 수 있으나, 이에 한정되는 것은 아니다.
도 6을 참조하면, 단계 S110에서 구분된 폐가 포함된 영상과 폐가 포함되지 않은 영상들 각각에 대하여 폐부, 연부조직부 및 근골격부를 구분하여 구획한다. 즉, 한 장의 축상면 영상에 대하여 장기 조직 유무를 기준으로 각각을 구획한다.
일 실시예에서, 영상분할부(120)는 폐가 포함된 영상에서는 폐부, 연부조직부, 근골격부 3구역으로 구획하고, 폐가 포함되지 않은 영상에서는 연부조직부, 근골격부 2구역으로 구획할 수 있다.
단계 S130에서, 영상재구성부(130)는 영산분할부(120)에 의해 분할된 각각의 여러 구획에 서로 다른 창을 설정하여 다중 창을 하나의 화면에 재구성한다.
도 7을 참조하면, 한 장의 축상면 영상에 구획된 폐부(a), 연부조직부(b) 및 근골격부(c)에 대하여 각각 서로 다른 창 설정을 적용하여 축상면 영상을 재구성할 수 있다. 이와 같이 재구성된 영상에서는 각 구획별로 최적의 파라미터가 설정되어 있으므로, 진단을 용이하게 한다.
창 설정은 윈도우 레벨(window level), 윈도우 폭(window width) 등 각 조직마다 최적의 영상을 얻기 위한 파라미터를 세팅하는 것으로, 예를 들어, 폐부, 연부조직부, 근골격부로 구획된 각 영상에 적합한 서로 다른 창 설정을 적용하여, 이들을 하나의 화면에 재구성한다.
이와 같은 창 설정은 영상의 재구성 이전에 미리 설정할 수도 있고, 영상을 통해 진단하면서 사용자가 세부 변경할 수도 있다.
도 8은 본 발명의 일 실시예에 따른 재구성된 영상과 종래 영상의 제1 비교 예를 도시한 도면이고, 도 9는 본 발명의 일 실시예에 따른 재구성된 영상과 종래 영상의 제2 비교 예를 도시한 도면이다.
도 8 및 도 9에서, (a), (b), (c)는 종래의 PACS에서 각각 서로 창 설정에 의해 제공되는 영상으로, (a)의 영상은 연부조직에 대해 최적화된 창 설정이 적용된 영상으로 연부조직의 세부식별은 용이하나, 뼈 또는 폐의 세부식별은 용이하지 않음을 알 수 있다. 도 8 및 도 9에서 (b)의 영상은 뼈에 대해 최적화된 창 설정이 적용된 영상으로, 뼈의 세부식별은 용이하나, 연부조직 또는 폐의 세부식별은 용이하지 않음을 알 수 있다. 도 8 및 도 9에서 (c)의 영상은 폐에 대해 최적화된 창 설정이 적용된 영상으로, 폐의 세부식별은 용이하나, 뼈 또는 연부조직의 세부식별은 용이하지 않음을 알 수 있다.
반면, 도 8 및 도 9에서 (d)는 본 발명의 일 실시예에 따라 제공되는 재구성된 영상으로, 뼈, 연부조직, 폐에 각각 서로 다른 창 설정이 적용되어, 뼈, 연부조직, 폐에 대한 세부식별이 모두 가능함을 확인할 수 있다.
도 8을 참조하여 설명한 임상 적용에서는 42세 여성의 간과 뼈에 암이 전이된 축상면 영상이다.
도 8에서 파란색 화살표로 나타낸 부분이 간전이를 나타내고, 노란색 화살표로 나타낸 부분이 뼈전이를 나타낸다.
도 8의 (a)에서는 간 전이만 확인할 수 있고, (b)에서는 뼈전이만 확인할 수 있는 반면, (d)에서는 간전이와 뼈전이를 한 영상에서 확인할 수 있음을 알 수 있다.
도 9을 참조하여 설명한 임상 적용에서는 63세 여성의 연부조직육종_원발암 및 폐 전이된 축상면 영상이다.
도 9의 (a)에서는 연부조직육종_원발암만 확인할 수 있고, (c)에서는 폐전이만 확인할 수 있는 반면, (d)에서는 간전이와 뼈전이를 한 영상에서 확인할 수 있음을 알 수 있다.
이상과 같이 본 발명에 대해서 예시한 도면을 참조로 하여 설명하였으나, 본 명세서에 개시된 실시 예와 도면에 의해 본 발명이 한정되는 것은 아니며, 본 발명의 기술사상의 범위 내에서 통상의 기술자에 의해 다양한 변형이 이루어질 수 있음은 자명하다. 아울러 앞서 본 발명의 실시 예를 설명하면서 본 발명의 구성에 따른 작용 효과를 명시적으로 기재하여 설명하지 않았을지라도, 해당 구성에 의해 예측 가능한 효과 또한 인정되어야 함은 당연하다.

Claims (10)

  1. 미리 학습된 제1 딥러닝 학습 모델에 기초하여 컴퓨터 단층촬영(computed tomography; CT)의 복수개의 축상면 영상(axial image)에서 폐가 포함된 영상과 폐가 포함되지 않은 영상으로 구분하는 단계;
    미리 학습된 제2 딥러닝 학습 모델에 기초하여 상기 폐가 포함된 축상면 영상과 폐가 포함되지 않은 축상면 영상에서 장기 조직 유무를 기준으로 각각을 폐부, 연부조직부 및 근골격부로 구획하는 단계; 및
    한 장의 축상면 영상에 대하여 각각의 여러 구획에 서로 다른 창 설정을 적용하여 서로 다른 창 설정이 적용된 다중창을 한 장의 영상으로 재구성하는 단계
    를 포함하고,
    상기 창 설정은 관심 장기 조직에 맞추어 윈도우 레벨(window level) 및 윈도우 폭(window width)의 파라미터를 설정하는 것으로 폐부, 연부조직부 및 근골격부에 따라 최적의 파라미터가 미리 설정되고,
    상기 한 장의 영상은 상기 폐부, 연부조직부 및 근골격부에 대한 세부식별이 용이하도록 재구성된 것을 특징으로 하는 컴퓨터 단층촬영 영상 재구성 방법.
  2. 제1항에 있어서,
    상기 폐부, 연부조직부 및 근골격부로 구획하는 단계는,
    상기 폐가 포함된 영상은 폐부, 연부조직부 및 근골격부로 구획하고, 상기 폐가 포함되지 않은 영상은 연부조직부 및 근골격부로 구획하는 것을 특징으로 하는 컴퓨터 단층촬영 영상 재구성 방법.
  3. 제1항에 있어서,
    상기 폐가 포함된 영상과, 폐가 포함되지 않은 영상으로 구분하는 단계는,
    복수개의 축상면 영상(axial image)으로 관상면 영상을 재구성한 후, 관상면 영상에서 상기 제1 딥러닝 학습 모델에 기초하여 폐의 아래쪽 첨부를 찾아 상기 관상면 영상의 폐의 아래쪽 첨부를 기준으로 위쪽 축상면 영상을 폐가 포함된 영상으로 구분하고 아래쪽 축상면 영상을 폐가 포함되지 않은 영상으로 구분하는 것을 특징으로 하는 컴퓨터 단층촬영 영상 재구성 방법.
  4. 제1항에 있어서,
    상기 미리 학습된 제2 딥러닝 학습 모델은 영상 내의 형상 특징 및 질감 특징을 추출하여 영상 내 장기 조직을 구분하도록 학습된 모델인 것을 특징으로 하는 컴퓨터 단층촬영 영상 재구성 방법.
  5. 삭제
  6. 미리 학습된 제1 딥러닝 학습 모델에 기초하여 컴퓨터 단층촬영(computed tomography; CT)의 복수개의 축상면 영상(axial image)에서 폐가 포함된 영상과 폐가 포함되지 않은 영상으로 구분하고, 미리 학습된 제2 딥러닝 학습 모델에 기초하여 상기 폐가 포함된 축상면 영상과 폐가 포함되지 않은 축상면 영상에서 장기 조직을 기준으로 각각을 폐부, 연부조직부 및 근골격부로 구획하는 영상분할부; 및
    한 장의 축상면 영상에 대하여 각각의 여러 구획에 서로 다른 창 설정을 적용하여 서로 다른 창 설정이 적용된 다중창을 한 장의 영상으로 재구성하는 영상재구성부
    를 포함하고,
    상기 창 설정은 관심 장기 조직에 맞추어 윈도우 레벨(window level) 및 윈도우 폭(window width)의 파라미터를 설정하는 것으로 폐부, 연부조직부 및 근골격부에 따라 최적의 파라미터가 미리 설정되고,
    상기 한 장의 영상은 상기 폐부, 연부조직부 및 근골격부에 대한 세부식별이 용이하도록 재구성된 것을 특징으로 하는 컴퓨터 단층촬영 영상 재구성 장치.
  7. 제6항에 있어서,
    상기 영상분할부는,
    상기 폐가 포함된 영상은 폐부, 연부조직부 및 근골격부로 구획하고, 상기 폐가 포함되지 않은 영상은 연부조직부 및 근골격부로 구획하는 것을 특징으로 하는 컴퓨터 단층촬영 영상 재구성 장치.
  8. 제6항에 있어서,
    상기 영상분할부는,
    복수개의 축상면 영상(axial image)으로 관상면 영상을 재구성한 후, 관상면 영상에서 상기 제1 딥러닝 학습 모델에 기초하여 폐의 아래쪽 첨부를 찾아 상기 관상면 영상의 폐의 아래쪽 첨부를 기준으로 위쪽 축상면 영상을 폐가 포함된 영상으로 구분하고 아래쪽 축상면 영상을 폐가 포함되지 않은 영상으로 구분하는 것을 특징으로 하는 컴퓨터 단층촬영 영상 재구성 장치.
  9. 제6항에 있어서,
    상기 미리 학습된 제2 딥러닝 학습 모델은 영상 내의 형상 특징 및 질감 특징을 추출하여 영상 내 장기 조직을 구분하도록 학습된 모델인 것을 특징으로 하는 컴퓨터 단층촬영 영상 재구성 장치.
  10. 삭제
KR1020210086967A 2021-07-02 2021-07-02 컴퓨터 단층촬영 영상 재구성 방법 및 장치 KR102608783B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210086967A KR102608783B1 (ko) 2021-07-02 2021-07-02 컴퓨터 단층촬영 영상 재구성 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210086967A KR102608783B1 (ko) 2021-07-02 2021-07-02 컴퓨터 단층촬영 영상 재구성 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20230006718A KR20230006718A (ko) 2023-01-11
KR102608783B1 true KR102608783B1 (ko) 2023-12-04

Family

ID=84892344

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210086967A KR102608783B1 (ko) 2021-07-02 2021-07-02 컴퓨터 단층촬영 영상 재구성 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102608783B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101981202B1 (ko) * 2018-12-11 2019-05-22 메디컬아이피 주식회사 의료영상 재구성 방법 및 그 장치
KR102199480B1 (ko) 2019-01-31 2021-01-06 (주)엔에스데블 멀티 라벨 분류를 통한 의료 이미지 태깅 및 분류 시스템 및 방법
US20210082566A1 (en) * 2017-09-08 2021-03-18 The General Hospital Corporation Systems and methods for brain hemorrhage classification in medical images using an artificial intelligence network

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102140393B1 (ko) * 2018-12-14 2020-07-31 숭실대학교산학협력단 인공지능을 이용한 방사선 영상에서의 요추 영역 분석 방법, 이를 수행하기 위한 기록매체 및 장치

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210082566A1 (en) * 2017-09-08 2021-03-18 The General Hospital Corporation Systems and methods for brain hemorrhage classification in medical images using an artificial intelligence network
KR101981202B1 (ko) * 2018-12-11 2019-05-22 메디컬아이피 주식회사 의료영상 재구성 방법 및 그 장치
KR102199480B1 (ko) 2019-01-31 2021-01-06 (주)엔에스데블 멀티 라벨 분류를 통한 의료 이미지 태깅 및 분류 시스템 및 방법

Also Published As

Publication number Publication date
KR20230006718A (ko) 2023-01-11

Similar Documents

Publication Publication Date Title
CN109493325B (zh) 基于ct影像的肿瘤异质性分析系统
Dalrymple et al. Introduction to the language of three-dimensional imaging with multidetector CT
US10413253B2 (en) Method and apparatus for processing medical image
JP5036534B2 (ja) 標的病変における変化の精密な測定評価のための医療用撮像システム
JP2023009098A (ja) オブジェクトグリッド増強を用いて高次元画像データから低次元画像データを合成するためのシステムおよび方法
CN106999138B (zh) 诊断成像方法和设备及其记录介质
US10098602B2 (en) Apparatus and method for processing a medical image of a body lumen
JP5295562B2 (ja) フレキシブル３次元回転血管造影−コンピュータ断層撮影融合方法
US6983063B1 (en) Computer-aided diagnosis method for aiding diagnosis of three dimensional digital image data
JP2005199041A (ja) Ｃｔ血管造影法における構造を領域分割する方法及び装置
WO2019051271A1 (en) SYSTEMS AND METHODS FOR CLASSIFYING CEREBRAL HEMORRHAGE IN MEDICAL IMAGES USING AN ARTIFICIAL INTELLIGENCE NETWORK
RU2419882C2 (ru) Способ визуализации секущих плоскостей для изогнутых продолговатых структур
JP2015066311A (ja) 画像処理装置、画像処理方法、画像処理装置の制御プログラム、記録媒体
EP3220826B1 (en) Method and apparatus for processing medical image
CN108601570B (zh) 断层摄影图像处理设备和方法以及与方法有关的记录介质
KR101971625B1 (ko) Ct 영상을 처리하는 장치 및 방법
JP2004073869A (ja) Ｃｔ画像のフィルタリング法、コンピュータ断層撮影装置およびコンピュータソフトウェア製品
US7277567B2 (en) Medical visible image generating method
Fan et al. Deep learning-based identification of spinal metastasis in lung cancer using spectral CT images
JP2004174241A (ja) 画像形成方法
CN111369675A (zh) 基于肺结节脏层胸膜投影的三维可视模型重建方法及装置
Seemann et al. Hybrid 3D visualization of the chest and virtual endoscopy of the tracheobronchial system: possibilities and limitations of clinical application
KR102608783B1 (ko) 컴퓨터 단층촬영 영상 재구성 방법 및 장치
JP2022509852A (ja) ３ｄ仮想内視鏡レンダリング
US7116808B2 (en) Method for producing an image sequence from volume datasets

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant