KR102615435B1 - 라벨링 방법 및 이를 위한 컴퓨팅 장치 - Google Patents

라벨링 방법 및 이를 위한 컴퓨팅 장치 Download PDF

Info

Publication number
KR102615435B1
KR102615435B1 KR1020210020398A KR20210020398A KR102615435B1 KR 102615435 B1 KR102615435 B1 KR 102615435B1 KR 1020210020398 A KR1020210020398 A KR 1020210020398A KR 20210020398 A KR20210020398 A KR 20210020398A KR 102615435 B1 KR102615435 B1 KR 102615435B1
Authority
KR
South Korea
Prior art keywords
interest
region
area
lesion area
user input
Prior art date
Application number
KR1020210020398A
Other languages
English (en)
Other versions
KR20220116928A (ko
Inventor
허수복
신학균
고동엽
Original Assignee
디디에이치 주식회사
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 디디에이치 주식회사 filed Critical 디디에이치 주식회사
Priority to KR1020210020398A priority Critical patent/KR102615435B1/ko
Priority to US18/269,931 priority patent/US20240055103A1/en
Priority to EP21926868.7A priority patent/EP4296945A1/en
Priority to PCT/KR2021/005921 priority patent/WO2022177069A1/ko
Publication of KR20220116928A publication Critical patent/KR20220116928A/ko
Application granted granted Critical
Publication of KR102615435B1 publication Critical patent/KR102615435B1/ko

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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
    • G06T2207/30096—Tumor; Lesion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

본 발명의 일 실시예에 따라 라벨링 방법 및 이를 위한 컴퓨팅 장치가 제공된다. 상기 방법은, 의료 영상을 획득하는 단계; 학습된 네트워크 함수를 통해 상기 의료 영상을 입력받아 적어도 하나의 대상 질병에 대응하는 관심 영역을 검출하고, 상기 관심 영역을 상기 의료 영상에 표시하는 단계; 및 상기 관심 영역 및 상기 관심 영역에 관한 사용자 입력에 기초하여, 상기 의료 영상에 상기 대상 질병에 대응하는 병변 영역을 라벨링하는 단계를 포함할 수 있다.

Description

라벨링 방법 및 이를 위한 컴퓨팅 장치{LABELING METHOD AND APPARATUS}
본 발명은 라벨링 방법 및 이를 위한 장치에 관한 것이다.
최근 인공지능에 대한 관심 및 수요가 증가하면서, 해당 분야에 대한 연구도 확산되고 있다. 인공 신경망의 교사 학습을 위해서는 선결적으로 학습 데이터의 생성이 필요하다. 학습 데이터를 생성하기 위하여 데이터에 대한 라벨링을 수행하여야 한다. 그런데, 인공지능의 정확도를 높이기 위해서는 다량의 학습 데이터가 필요하기 때문에, 학습 데이터 생성을 위해 사람이 직접 라벨링을 수행하는 경우, 소요되는 시간이 기하급수적으로 증가하게 된다.
따라서, 최근에는 학습 데이터의 생성을 위한 라벨링 소요 시간 및 노력을 단축하기 위한 새로운 기술에 대한 필요성이 증대되고 있다.
본 발명은 상기 과제를 해결하기 위해 안출된 것으로서, 본 발명은 의료 영상에 병변 영역을 라벨링하는 것을 보조하는 라벨링 방법 및 이를 위한 컴퓨팅 장치를 제공하는 것을 목적으로 한다.
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재들로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 발명의 일 실시예에 따라 라벨링 방법이 제공된다. 상기 방법은, 의료 영상을 획득하는 단계; 학습된 네트워크 함수를 통해 상기 의료 영상을 입력받아 적어도 하나의 대상 질병에 대응하는 관심 영역을 검출하고, 상기 관심 영역을 상기 의료 영상에 표시하는 단계; 및 상기 관심 영역 및 상기 관심 영역에 관한 사용자 입력에 기초하여, 상기 의료 영상에 상기 대상 질병에 대응하는 병변 영역을 라벨링하는 단계를 포함할 수 있다.
또한, 상기 방법은, 사용자 입력에 따라 상기 대상 질병을 설정하는 단계를 더 포함할 수 있다.
또한, 상기 방법은, 사용자 입력에 따라 상기 관심 영역 중 적어도 하나를 수정하고, 수정된 상기 관심 영역을 상기 의료 영상에서 크롭핑(cropping)하여 저장하는 단계를 더 포함할 수 있다.
또한, 상기 대상 질병에 대응하는 병변 영역을 라벨링하는 단계는, 상기 관심 영역 내부의 일 영역을 선택하는 제 1 사용자 입력을 수신하는 단계; 상기 선택된 일 영역에 기초하여 기준 픽셀 값을 설정하는 단계; 상기 기준 픽셀 값으로부터 소정의 픽셀 값 범위의 영역을 병변 추정 영역으로 검출하고, 상기 관심 영역에 검출된 상기 병변 추정 영역을 표시하는 단계; 및 상기 병변 추정 영역에 관한 제 2 사용자 입력에 따라 상기 병변 추정 영역을 수정함으로써, 상기 관심 영역에 상기 병변 영역을 라벨링하는 단계를 포함할 수 있다.
또한, 상기 대상 질병에 대응하는 병변 영역을 라벨링하는 단계는, 상기 관심 영역에 대한 해상도를 증대시키는 단계를 더 포함하고, 상기 제 1 사용자 입력을 수신하는 단계는 상기 해상도를 증대시키는 단계 이후에 수행될 수 있다.
또한, 상기 대상 질병에 대응하는 병변 영역을 라벨링하는 단계는, 상기 병변 영역이 라벨링된 상기 관심 영역의 해상도를 원복하는 단계를 더 포함할 수 있다.
또한, 상기 병변 추정 영역을 표시하는 단계는, 상기 관심 영역에 검출된 상기 병변 추정 영역의 외곽 라인을 강조하여 표시함으로써 수행될 수 있다.
또한, 상기 방법은, 상기 병변 영역이 라벨링된 상기 관심 영역을 저장하는 단계를 더 포함할 수 있다.
본 발명의 일 실시예에 따라 라벨링을 지원하는 컴퓨팅 장치가 제공된다. 상기 컴퓨팅 장치는, 라벨링을 위한 프로그램을 저장하는 적어도 하나의 메모리; 의료 영상을 획득하는 통신부; 및 학습된 네트워크 함수를 통해 상기 의료 영상을 입력받아 적어도 하나의 대상 질병에 대응하는 관심 영역을 검출하고, 상기 관심 영역을 상기 의료 영상에 표시하며, 상기 관심 영역 및 상기 관심 영역에 관한 사용자 입력에 기초하여, 상기 의료 영상에 상기 대상 질병에 대응하는 병변 영역을 라벨링하는 적어도 하나의 프로세서를 포함할 수 있다.
또한, 상기 프로세서는, 사용자 입력에 따라 상기 대상 질병을 설정할 수 있다.
또한, 상기 프로세서는, 사용자 입력에 따라 상기 관심 영역 중 적어도 하나를 수정하고, 수정된 상기 관심 영역을 상기 의료 영상에서 크롭핑(cropping)하여 저장할 수 있다.
또한, 상기 프로세서는, 상기 프로세서는, 상기 관심 영역 내부의 일 영역을 선택하는 제 1 사용자 입력을 수신하면, 상기 선택된 일 영역에 기초하여 기준 픽셀 값을 설정하고, 상기 기준 픽셀 값으로부터 소정의 픽셀 값 범위의 영역을 병변 추정 영역으로 검출하여, 상기 관심 영역에 검출된 상기 병변 추정 영역을 표시하며, 상기 병변 추정 영역에 관한 제 2 사용자 입력에 따라 상기 병변 추정 영역을 수정함으로써, 상기 관심 영역에 상기 병변 영역을 표시할 수 있다.
또한, 상기 프로세서는, 상기 관심 영역에 대한 해상도를 증대시키고, 해상도가 증대된 상기 관심 영역에 대하여 상기 일 영역을 선택하는 상기 제 1 사용자 입력을 수신할 수 있다.
또한, 상기 프로세서는, 상기 병변 영역이 라벨링된 상기 관심 영역의 해상도를 원복할 수 있다.
또한, 상기 프로세서는, 상기 관심 영역에 검출된 상기 병변 추정 영역의 외곽 라인을 강조하여 표시할 수 있다.
또한, 상기 프로세서는, 상기 병변 영역이 라벨링된 상기 관심 영역을 저장할 수 있다.
본 발명에 따르면, 학습된 네트워크 함수를 통해 대상 질병에 대응하는 병변 추정 영역을 검출하여 제공하고, 사용자 입력에 따라 병변 추정 영역을 직접 수정 가능하도록 구현함으로써, 사용자로 하여금 병변 영역에 대한 라벨링을 보다 용이하게 수행하도록 할 수 있다.
본 발명에 따른 라벨링 방법 및 이를 위한 컴퓨팅 장치가 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 발명의 상세한 설명에서 인용되는 도면을 보다 충분히 이해하기 위하여 각 도면의 간단한 설명이 제공된다.
도 1은 본 발명의 일 실시예에 따른 라벨링 방법을 설명하기 위한 흐름도이다.
도 2는 도 1의 S140 단계의 일 실시예를 도시한다.
도 3은 도 1의 S140 단계의 일 실시예를 도시한다.
도 4 및 도 5는 본 발명의 일 실시예에 따른 라벨링 방법에 있어서 네트워크 함수의 동작을 예시적으로 설명하기 위한 도면이다.
도 6 및 도 7은 본 발명의 일 실시예에 따른 라벨링 방법에 있어서 네트워크 함수의 동작을 예시적으로 설명하기 위한 도면이다.
도 8은 본 발명의 일 실시예에 따른 라벨링 방법을 수행하는 컴퓨팅 장치의 구성을 간략히 도시한 블록도이다.
본 발명의 기술적 사상은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 이를 상세히 설명하고자 한다. 그러나, 이는 본 발명의 기술적 사상을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 기술적 사상의 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
본 발명의 기술적 사상을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 발명의 설명 과정에서 이용되는 숫자(예를 들어, 제1, 제2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.
또한, 본 발명에서, 일 구성요소가 다른 구성요소와 "연결된다" 거나 "접속된다" 등으로 언급된 때에는, 상기 일 구성요소가 상기 다른 구성요소와 직접 연결되거나 또는 직접 접속될 수도 있지만, 특별히 반대되는 기재가 존재하지 않는 이상, 중간에 또 다른 구성요소를 매개하여 연결되거나 또는 접속될 수도 있다고 이해되어야 할 것이다.
또한, 본 발명에 기재된 "~부", "~기", "~자", "~모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 프로세서(Processor), 마이크로 프로세서(Micro Processer), 마이크로 컨트롤러(Micro Controller), CPU(Central Processing Unit), GPU(Graphics Processing Unit), APU(Accelerate Processor Unit), DSP(Digital Signal Processor), ASIC(Application Specific Integrated Circuit), FPGA(Field Programmable Gate Array) 등과 같은 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
그리고 본 발명에서의 구성부들에 대한 구분은 각 구성부가 담당하는 주기능 별로 구분한 것에 불과함을 명확히 하고자 한다. 즉, 이하에서 설명할 2개 이상의 구성부가 하나의 구성부로 합쳐지거나 또는 하나의 구성부가 보다 세분화된 기능별로 2개 이상으로 분화되어 구비될 수도 있다. 그리고 이하에서 설명할 구성부 각각은 자신이 담당하는 주기능 이외에도 다른 구성부가 담당하는 기능 중 일부 또는 전부의 기능을 추가적으로 수행할 수도 있으며, 구성부 각각이 담당하는 주기능 중 일부 기능이 다른 구성부에 의해 전담되어 수행될 수도 있음은 물론이다.
이하, 본 발명의 실시예들을 차례로 상세히 설명한다.
본 명세서에 걸쳐, 네트워크 함수는 신경망 네트워크 및/또는 뉴럴 네트워크(neural network)와 동일한 의미로 사용될 수 있다. 여기서, 뉴럴 네트워크(신경망)는 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있고, 이러한 노드들은 뉴런으로 지칭될 수 있다. 뉴럴 네트워크는 일반적으로 복수의 노드들을 포함하여 구성된다. 뉴럴 네트워크를 구성하는 노드들은 하나 이상의 링크에 의해 상호 연결될 수 있다.
뉴럴 네트워크를 구성하는 노드들 중 일부는 최초 입력 노드로부터의 거리들에 기초하여 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은 n 레이어를 구성할 수 있다.
본 명세서에서 설명하는 뉴럴 네트워크는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 딥 뉴럴 네트워크(Deep Neural Network, DNN)를 포함할 수 있다
네트워크 함수는 복수의 합성곱 레이어(convolutional layer)와 완전 연결 레이어(fully connected layer)를 포함할 수 있다. 복수의 합성곱 레이어는 영상을 추상화하여 특징을 추출하고, 완전 연결 레이어는 검출 객체의 출력 확률 등을 예측하도록 구현될 수 있다.
도 1은 본 발명의 일 실시예에 따른 라벨링 방법을 설명하기 위한 흐름도이다.
본 발명의 일 실시예에 따른 라벨링 방법(100)은 개인용 컴퓨터(Personal Computer), 워크스테이션(work station), 서버용 컴퓨터 장치 등이나, 이를 위한 별도의 장치와 같은 연산 능력을 구비한 컴퓨팅 장치에 의해 수행될 수 있다.
또한, 라벨링 방법(100)은 하나 이상의 연산 장치들에서 수행될 수도 있다. 예를 들어, 본 발명의 일 실시예에 따른 라벨링 방법(100) 중 적어도 하나 이상의 단계들은 클라이언트 디바이스에서, 다른 단계들은 서버 디바이스에서 수행될 수 있다. 이러한 경우, 클라이언트 디바이스와 서버 디바이스는 네트워크로 연결되어 연산 결과를 송수신할 수 있다. 또는, 라벨링 방법(100)은 분산 컴퓨팅 기술에 의해 수행될 수도 있다.
S110 단계에서, 컴퓨팅 장치는 의료 영상을 획득할 수 있다. 여기서 의료 영상은 수진자의 신체 중 적어도 일부에 대한 촬영 영상으로서, 방사선 촬영 영상, 컴퓨터 단층(Computed Tomography) 촬영 영상 등 일 수 있으나, 이에 한정하는 것은 아니다.
예를 들어, 컴퓨팅 장치는 유, 무선 통신을 통해 연결된 외부의 다른 컴퓨팅 장치, 또는 컴퓨팅 장치에 연동되는 타 장치(의료 영상 촬영 장치 등), 또는 외부 저장 매체 등으로부터 수진자의 의료 영상을 획득할 수 있다.
S120 단계에서, 컴퓨팅 장치는 사용자의 입력에 따라 적어도 하나의 대상 질병을 설정할 수 있다. 여기서 대상 질병은 의료 영상에 사용자가 병변 영역을 라벨링을 수행하고자 하는 대상이 되는 질병을 지칭할 수 있다.
예를 들어, 컴퓨팅 장치는 대상 질병을 선택하기 위한 소정의 사용자 인터페이스(User Interface)를 제공하도록 구현될 수 있으며, 사용자는 이러한 사용자 인터페이스를 통해, 예를 들어, 복수의 질병 항목 중에서 적어도 하나를 선택하는 방식으로 대상 질병을 선택할 수 있다.
S130 단계에서, 컴퓨팅 장치는 학습된 네트워크 함수를 통해 의료 영상을 입력받아 적어도 하나의 대상 질병에 대응하는 관심 영역을 검출하고, 관심 영역을 의료 영상에 표시할 수 있다. 여기서 관심 영역은 특정 질병의 병변 영역이 가지는 특징 또는 특정한 해부학적 특징을 포함하는 영역을 지칭할 수 있다.
네트워크 함수는 학습 데이터(예를 들어, 전문가 또는 다른 네트워크 함수 등에 의해 관심 영역 또는 병변 영역이 검출된 의료 영상)를 통해 사전에 관심 영역 및/또는 병변 영역의 검출 대한 학습이 수행된 것일 수 있다.
실시예에서, 네트워크 함수는 경계 박스(boundary box) 형태로 의료 영상으로부터 관심 영역을 검출하고, 이를 의료 영상에 표시할 수 있다.
S140 단계에서, 컴퓨팅 장치는 검출된 관심 영역 및 관심 영역에 관한 사용자 입력에 기초하여 의료 영상에 대상 질병에 대응하는 병변 영역을 라벨링할 수 있다.
예를 들어, 컴퓨팅 장치는 사용자 입력에 따라 관심 영역의 외곽 경계선 등을 수정하거나, 관심 영역 내부의 일정한 영역을 병변 영역으로 한정하는 방식으로 대상 질병의 병변 영역을 의료 영상에 라벨링할 수 있다.
S140 단계는 이하 도 2 및 도 3을 참조하여 상술하기로 한다.
S150 단계에서, 컴퓨팅 장치는 라벨링된 관심 영역 및/또는 의료 영상을 메모리 또는 컴퓨팅 장치와 통신을 통해 연결된 데이터베이스 서버 등에 저장할 수 있다.
실시예에서, 컴퓨팅 장치는 사용자 입력에 따라 병변 영역이 라벨링된 관심 영역을 의료 영상으로부터 크롭핑(cropping)하여 분리 저장하거나, 병변 영역이 라벨링된 의료 영상 전체를 저장할 수 있다. 또한, 실시예에서, 관심 영역 및/또는 의료 영상의 저장 시, 컴퓨팅 장치는 사용자 입력에 따라 이미지 평탄화, 밝기 조절, 크기 조절, blur 적용, sharpening 적용, 흑백/컬러 전환, 색(RGB) 값 지정 등을 추가적으로 수행할 수 있다.
저장된 관심 영역 및/또는 의료 영상은 대상 질병에 대한 병변 판독을 위한 제 2 네트워크 함수를 학습시키기 위한 학습 데이터로 이용될 수 있다.
도 2는 도 1의 S140 단계의 일 실시예를 도시한다.
도 2를 참조하면, 도 1의 S140 단계는 S210 단계 내지 S240 단계를 포함할 수 있다.
S210 단계에서, 컴퓨팅 장치는 관심 영역 내부의 일 영역을 선택하는 제 1 사용자 입력을 수신할 수 있다.
예를 들어, 제 1 사용자 입력은 마우스 커서를 통해 관심 영역 내부의 일 영역을 선택하는 입력일 수 있다. 즉, 사용자는 의료 영상에 표시된 관심 영역을 확인하고, 해당 영역 내에서 병변 부분이라고 판단되는 영역 중 일 지점을 직접 마우스 커서를 통해 선택할 수 있다.
S220 단계에서, 컴퓨팅 장치는, S210 단계를 통해, 선택된 일 영역에 기초하여 기준 픽셀 값을 설정할 수 있다. 여기서 픽셀 값은 특정 픽셀이 가지는 색상, 명도 또는 기타 다른 속성을 나타내는 이산값을 지칭할 수 있다. 즉, 특정 픽셀의 색상은 이를 구성하는 R, G, B 각각을 특정 범위 내(예를 들어, 0~360)의 정수 값으로 설정하여 표현할 수 있으며, 명도 값 또한, 특정 범위 내(예를 들어, 0~100)의 정수 값으로 표현될 수 있다.
따라서, S220 단계에서, 컴퓨팅 장치는 제 1 사용자 입력에 의해 선택된 영역의 색상 값 또는 명도 값 등을 기준 픽셀 값으로 설정할 수 있다.
S230 단계에서, 컴퓨팅 장치는 제 1 사용자 입력에 의해 선택된 영역을 기준으로 기준 픽셀 값으로부터 소정의 픽셀 값의 범위의 영역을 병변 추정 영역으로 검출하고, 관심 영역 및/또는 의료 영상에 병변 추정 영역을 표시할 수 있다.
의료 영상 중에서 병변에 해당하는 영역은 색상, 명도 등의 속성에 있어서 유사한 특성을 가질 가능성이 높으므로, 사용자가 병변 영역이라고 판단한 지점을 기초로 기준 픽셀 값을 설정하고, 해당 지점으로부터 소정의 픽셀 값 범위 내 영역을 검출하면, 검출된 영역은 전체적으로 병변 영역에 해당할 가능성이 높다. 따라서, 컴퓨팅 장치는 검출된 영역을 병변 추정 영역으로 하여, 관심 영역 및/또는 의료 영상에 표시할 수 있다.
예를 들어, 기준 픽셀 값이 100으로 설정되는 경우, 컴퓨팅 장치는 이로부터 +/- 2 범위의 픽셀 값, 즉, 98 내지 102의 픽셀 값을 가지는 영역을 병변 추정 영역으로 검출할 수 있다.
실시예에서, 병변 추정 영역의 표시는 검출된 병변 추정 영역의 외곽 라인을 소정의 색상 또는 두께로 강조하여 표시하는 방법으로 수행될 수 있다.
실시예에서, 컴퓨팅 장치는 복수의 병변 추정 영역을 검출하도록 구성될 수 있다. 즉, 컴퓨팅 장치는 기준 픽셀 값을 기준으로 상이한 범위의 픽셀 값 영역을 각각 병변 추정 영역으로 검출할 수 있다. 예를 들어, 기준 픽셀 값이 100으로 설정되는 경우, 컴퓨팅 장치는 이로부터 +/- 2 범위의 픽셀 값인 98 내지 102의 픽셀 값을 가지는 영역을 제 1 병변 추정 영역을 검출하고, 이로부터 +/- 4 범위의 픽셀 값인 96 내지 104의 픽셀 값을 가지는 영역을 제 2 병변 추정 영역으로 검출할 수 있다. 검출된 각각의 영역은 외곽 라인을 강조하는 형태로 관심 영역 및/또는 의료 영상에 표시될 수 있으며, 이에 따라, 등고선의 형태로 복수의 병변 추정 영역의 외곽 라인이 관심 영역 및/또는 의료 영상에 표시될 수 있다.
S240 단계에서, 컴퓨팅 장치는 병변 추정 영역에 관한 제 2 사용자 입력에 따라 병변 추정 영역을 수정함으로써 관심 영역 및/또는 의료 영상에 병변 영역을 라벨링할 수 있다.
예를 들어, 사용자는 마우스 커서를 통해 병변 추정 영역의 외곽 라인 중 일부를 드래그(drag)하면, 컴퓨팅 장치가 이에 대응하여 외곽 라인 중 일부를 이동, 확대, 축소, 변형하는 등의 방식으로 병변 추정 영역을 수정함으로써, 관심 영역 및/또는 의료 영상에 병변 영역을 라벨링할 수 있다. 각각의 병변 영역에 대한 라벨링 정보에는 병변 영역에 대응하는 질병, 진행 정도 등에 대한 정보가 포함될 수 있다.
도 3은 도 1의 S140 단계의 일 실시예를 도시한다.
도 3을 참조하면, 도 1의 S140 단계는 S310 단계 내지 S360 단계를 포함할 수 있다. 도 3의 S320 단계 내지 S350 단계는 도 2를 참조하여 상술한 S210 단계 내지 S240 단계와 동일하므로, 여기서는 양 실시예의 차이점에 대해서만 설명한다.
S310 단계에서, 컴퓨팅 장치는 검출된 관심 영역 중 적어도 하나의 해상도를 증대시킬 수 있다. 예를 들어, 의료 영상에 표시된 관심 영역 중 하나를 사용자가 선택하면, Subpixel 기법 등을 적용하여 해당 영역에 대한 해상도를 증대시킬 수 있다.
이어서, S320 단계 내지 S350 단계는 해상도가 증대된 관심 영역에 대하여 수행될 수 있다. 이에 따라, 사용자는 보다 정밀하고 용이하게 병변 영역에 대한 라벨링 작업을 수행할 수 있게 된다.
해상도가 증대된 관심 영역에 대하여 라벨링이 완료되면, S360 단계에서, 관심 영역의 해상도를 의료 영상의 해상도와 동일하도록 원복할 수 있다.
이후, 병변 영역이 라벨링된 의료 영상은, 앞에서 상술한 바와 같이, 메모리 또는 외부 데이터베이스 서버에 저장되어 대상 질병에 대한 병변 판독을 위한 제 2 네트워크 함수를 학습시키기 위한 학습 데이터로 이용될 수 있다.
도 4 및 도 5는 본 발명의 일 실시예에 따른 라벨링 방법에 있어서 네트워크 함수의 동작을 예시적으로 설명하기 위한 도면이다.
도 4 및 도 5를 참조하면, 네트워크 함수(410)에 입력되는 의료 영상(10)은 수진자의 치아를 포함하는 치과 영상일 수 있으며, 대상 질병은 치아 우식증 등이 치과 질환일 수 있다. 또한, 여기서 치과 영상은 두부 방사선 촬영 영상, 파노라마 방사선 촬영 영상 등 일 수 있으나 이에 한정하는 것은 아니다.
네트워크 함수(410)는, 상술한 바와 같이, 학습 데이터(전문가 또는 다른 네트워크 함수 등에 의해 관심 영역(20) 또는 병변 영역(예를 들어, 치아 우식증 등이 발병된 부분)이 검출된 의료 영상)를 통해 사전에 관심 영역(20) 및/또는 병변 영역의 검출 대한 학습이 수행된 것일 수 있다. 또한, 네트워크 함수(410)는 라벨링을 보조하기 위하여 관심 영역(20) 또는 병변 추정 영역을 사전에 사용자에게 표시해주는 것을 목적으로 하기 때문에, 실제 병변 판독에 이용되는 네트워크 함수 대비 정확도 보다는 검출 속도 등에 중점을 둔 뉴럴 네트워크가 적용될 수 있다.
컴퓨팅 장치가 의료 영상(10)을 네트워크 함수(410)에 입력되면, 네트워크 함수(410)는 의료 영상(10)으로부터 치아 우식증 등의 병변 영역이 포함된 관심 영역(20)을 검출하며, 컴퓨팅 장치는 이를 의료 영상(10)에 표시할 수 있다. 이때, 관심 영역(20)은 병변 추정 영역과 동일할 수 있으며, 사용자는 검출된 관심 영역(20)을 소정의 방식으로 수정함으로써 의료 영상(10)에 병변 영역을 라벨링할 수 있다.
도 6 및 도 7은 본 발명의 일 실시예에 따른 라벨링 방법에 있어서 네트워크 함수의 동작을 예시적으로 설명하기 위한 도면이다.
도 6 및 도 7을 참조하면, 컴퓨팅 장치는 네트워크 함수에 의해 검출된 관심 영역(20)에 관한 제 1 사용자 입력에 따라 병변 추정 영역(30)을 추가 검출하고, 제 2 사용자 입력에 따라 병변 추정 영역(30)을 수정하는 방식으로 병변 영역에 대한 라벨링을 수행할 수 있다.
예를 들어, 도 6 및 도 7에서 도시되는 바와 같이, 컴퓨팅 장치가 네트워크 함수를 통해 사각의 박스 형태로 관심 영역(20)을 검출한 다음 이를 의료 영상에 표시하면, 사용자는 관심 영역(20)을 직접 판독하여 병변이라고 판단되는 일 지점(또는, 영역)을 마우스 커서를 통해 선택할 수 있다.
이어서, 컴퓨팅 장치는 사용자에 의해 선택된 지점의 픽셀 값에 따라 기준 픽셀 값을 설정하고, 사용자의 선택 지점을 기준으로 기준 픽셀 값으로부터 소정의 범위에 속하는 픽셀 값을 가지는 영역을 병변 추정 영역(30)으로 검출할 수 있다. 이때, 검출된 병변 추정 영역(30)은 외곽 라인을 소정의 색상 및/또는 두께로 강조하는 방식으로 표시될 수 있다.
이어서, 사용자가 표시된 병변 추정 영역(30)의 외곽 라인을 마우스 커서를 통해 드래그하는 등의 입력을 수행하면, 컴퓨팅 장치는 이에 대응하여, 병변 추정 영역(30)의 외곽 라인을 수정하게 되며, 수정 완료된 병변 추정 영역(30)을 병변 영역으로 관심 영역(20) 및/또는 의료 영상에 라벨링할 수 있다.
도 8은 본 발명의 일 실시예에 따른 라벨링 방법을 수행하는 컴퓨팅 장치의 구성을 간략히 도시한 블록도이다.
통신부(810)는 라벨링을 수행하기 위한 입력 데이터(의료 영상 등)를 수신할 수 있다. 통신부(810)는 유무선 통신부를 포함할 수 있다. 통신부(810)가 유선 통신부를 포함하는 경우, 통신부(810)는 근거리 통신망(Local Area Network; LAN), 광역 통신망(Wide Area Network; WAN), 부가가치 통신망(Value Added Network; VAN), 이동 통신망(mobile radio communication network), 위성 통신망 및 이들의 상호 조합을 통하여 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 또한, 통신부(810)가 무선 통신부를 포함하는 경우, 통신부(810)는 셀룰러 통신, 무선랜(예를 들어, 와이-파이(Wi-Fi)) 등을 이용하여 무선으로 데이터 또는 신호를 송수신할 수 있다. 일 실시예에서, 통신부는 프로세서(840)의 제어에 의해 외부 장치 또는 외부 서버와 데이터 또는 신호를 송수신할 수 있다.
입력부(820)는 외부의 조작을 통해 다양한 사용자 입력 및/또는 명령을 수신할 수 있다. 이를 위해, 입력부(820)는 하나 이상의 입력 장치를 포함하거나 연결할 수 있다. 예를 들어, 입력부(820)는 키패드, 마우스 등 다양한 입력을 위한 인터페이스와 연결되어 사용자 입력 및/또는 명령을 수신할 수 있다. 이를 위해, 입력부(820)는 USB 포트 뿐만 아니라 선더볼트 등의 인터페이스를 포함할 수도 있다. 또한, 입력부(820)는 터치스크린, 버튼 등의 다양한 입력 장치를 포함하거나 이들과 결합하여 외부의 사용자 입력 및/또는 명령을 수신할 수 있다.
메모리(830)는 프로세서(840)의 동작을 위한 프로그램을 저장할 수 있고, 입/출력되는 데이터들을 임시 또는 영구 저장할 수 있다. 메모리(830)는 플래시 메모리(flash memory) 타입, 하드디스크(hard disk) 타입, 멀티미디어 카드 마이크로(multimedia card micro) 타입, 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM), SRAM, 롬(ROM), EEPROM, PROM, 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
또한, 메모리(830)는 다양한 네트워크 함수 및 알고리즘을 저장할 수 있으며, 컴퓨팅 장치(600)를 구동하고 제어하기 위한 다양한 데이터, 프로그램(하나 이상이 인스트럭션들), 어플리케이션, 소프트웨어, 명령, 코드 등을 저장할 수 있다.
프로세서(840)는 컴퓨팅 장치(600)의 전반적인 동작을 제어할 수 있다. 프로세서(840)는 메모리(830)에 저장되는 하나 이상의 프로그램들을 실행할 수 있다. 프로세서(840)는 중앙 처리 장치(Central Processing Unit, CPU), 그래픽 처리 장치(Graphics Processing Unit, GPU) 또는 본 발명의 다양한 실시예에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다.
일 실시예에서, 프로세서(840)는 의료 영상을 획득하고, 학습된 네트워크 함수를 통해 의료 영상을 입력받아 적어도 하나의 대상 질병에 대응하는 관심 영역을 검출하고, 관심 영역을 의료 영상에 표시하며, 관심 영역 및 관심 영역에 관한 사용자 입력에 기초하여, 의료 영상에 대상 질병에 대응하는 병변 영역을 라벨링할 수 있다.
일 실시예에 따른 라벨링 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
또한, 개시된 실시예들에 따른 라벨링 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다.
컴퓨터 프로그램 제품은 S/W 프로그램, S/W 프로그램이 저장된 컴퓨터로 읽을 수 있는 저장 매체를 포함할 수 있다. 예를 들어, 컴퓨터 프로그램 제품은 전자 장치의 제조사 또는 전자 마켓(예, 구글 플레이 스토어, 앱 스토어)을 통해 전자적으로 배포되는 S/W 프로그램 형태의 상품(예, 다운로더블 앱)을 포함할 수 있다. 전자적 배포를 위하여, S/W 프로그램의 적어도 일부는 저장 매체에 저장되거나, 임시적으로 생성될 수 있다. 이 경우, 저장 매체는 제조사의 서버, 전자 마켓의 서버, 또는 SW 프로그램을 임시적으로 저장하는 중계 서버의 저장매체가 될 수 있다.
컴퓨터 프로그램 제품은, 서버 및 클라이언트 장치로 구성되는 시스템에서, 서버의 저장매체 또는 클라이언트 장치의 저장매체를 포함할 수 있다. 또는, 서버 또는 클라이언트 장치와 통신 연결되는 제 3 장치(예, 스마트폰)가 존재하는 경우, 컴퓨터 프로그램 제품은 제 3 장치의 저장매체를 포함할 수 있다. 또는, 컴퓨터 프로그램 제품은 서버로부터 클라이언트 장치 또는 제 3 장치로 전송되거나, 제 3 장치로부터 클라이언트 장치로 전송되는 S/W 프로그램 자체를 포함할 수 있다.
이 경우, 서버, 클라이언트 장치 및 제 3 장치 중 하나가 컴퓨터 프로그램 제품을 실행하여 개시된 실시예들에 따른 방법을 수행할 수 있다. 또는, 서버, 클라이언트 장치 및 제 3 장치 중 둘 이상이 컴퓨터 프로그램 제품을 실행하여 개시된 실시예들에 따른 방법을 분산하여 실시할 수 있다.
예를 들면, 서버(예로, 클라우드 서버 또는 인공 지능 서버 등)가 서버에 저장된 컴퓨터 프로그램 제품을 실행하여, 서버와 통신 연결된 클라이언트 장치가 개시된 실시예들에 따른 방법을 수행하도록 제어할 수 있다.
이상에서 실시예들에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속한다.

Claims (16)

  1. 라벨링 방법에 있어서,
    의료 영상을 획득하는 단계;
    학습된 네트워크 함수를 통해 상기 의료 영상을 입력받아 적어도 하나의 대상 질병에 대응하는 관심 영역을 검출하고, 상기 관심 영역을 상기 의료 영상에 표시하는 단계; 및
    상기 관심 영역 및 상기 관심 영역에 관한 사용자 입력에 기초하여, 상기 의료 영상에 상기 대상 질병에 대응하는 병변 영역을 라벨링하는 단계를 포함하고,
    상기 대상 질병에 대응하는 병변 영역을 라벨링하는 단계는,
    상기 관심 영역 내부의 일 영역을 선택하는 제 1 사용자 입력을 수신하는 단계;
    상기 선택된 일 영역에 기초하여 기준 픽셀 값을 설정하는 단계;
    상기 기준 픽셀 값으로부터 소정의 픽셀 값 범위의 영역을 병변 추정 영역으로 검출하고, 상기 관심 영역에 검출된 상기 병변 추정 영역을 표시하는 단계; 및
    상기 병변 추정 영역에 관한 제 2 사용자 입력에 따라 상기 병변 추정 영역을 수정함으로써, 상기 관심 영역에 상기 병변 영역을 라벨링하는 단계를 포함하는, 방법.
  2. 제 1 항에 있어서,
    사용자 입력에 따라 상기 대상 질병을 설정하는 단계를 더 포함하는, 방법.
  3. 제 1 항에 있어서,
    사용자 입력에 따라 상기 관심 영역 중 적어도 하나를 수정하고, 수정된 상기 관심 영역을 상기 의료 영상에서 크롭핑(cropping)하여 저장하는 단계를 더 포함하는, 방법.
  4. 삭제
  5. 제 1 항에 있어서,
    상기 대상 질병에 대응하는 병변 영역을 라벨링하는 단계는,
    상기 관심 영역에 대한 해상도를 증대시키는 단계를 더 포함하고,
    상기 제 1 사용자 입력을 수신하는 단계는 상기 해상도를 증대시키는 단계 이후에 수행되는, 방법.
  6. 제 5 항에 있어서,
    상기 대상 질병에 대응하는 병변 영역을 라벨링하는 단계는,
    상기 병변 영역이 라벨링된 상기 관심 영역의 해상도를 원복하는 단계를 더 포함하는, 방법.
  7. 제 1 항에 있어서,
    상기 병변 추정 영역을 표시하는 단계는,
    상기 관심 영역에 검출된 상기 병변 추정 영역의 외곽 라인을 강조하여 표시함으로써 수행되는, 방법.
  8. 제 1 항에 있어서,
    상기 병변 영역이 라벨링된 상기 관심 영역을 저장하는 단계를 더 포함하는, 방법.
  9. 라벨링을 지원하는 컴퓨팅 장치에 있어서,
    라벨링을 위한 프로그램을 저장하는 적어도 하나의 메모리;
    의료 영상을 획득하는 통신부; 및
    학습된 네트워크 함수를 통해 상기 의료 영상을 입력받아 적어도 하나의 대상 질병에 대응하는 관심 영역을 검출하고, 상기 관심 영역을 상기 의료 영상에 표시하며, 상기 관심 영역 및 상기 관심 영역에 관한 사용자 입력에 기초하여, 상기 의료 영상에 상기 대상 질병에 대응하는 병변 영역을 라벨링하는 적어도 하나의 프로세서를 포함하고,
    상기 프로세서는,
    상기 관심 영역 내부의 일 영역을 선택하는 제 1 사용자 입력을 수신하면, 상기 선택된 일 영역에 기초하여 기준 픽셀 값을 설정하고, 상기 기준 픽셀 값으로부터 소정의 픽셀 값 범위의 영역을 병변 추정 영역으로 검출하여, 상기 관심 영역에 검출된 상기 병변 추정 영역을 표시하며, 상기 병변 추정 영역에 관한 제 2 사용자 입력에 따라 상기 병변 추정 영역을 수정함으로써, 상기 관심 영역에 상기 병변 영역을 표시하는, 장치.
  10. 제 9 항에 있어서,
    상기 프로세서는,
    사용자 입력에 따라 상기 대상 질병을 설정하는, 장치.
  11. 제 9 항에 있어서,
    상기 프로세서는,
    사용자 입력에 따라 상기 관심 영역 중 적어도 하나를 수정하고, 수정된 상기 관심 영역을 상기 의료 영상에서 크롭핑(cropping)하여 저장하는, 장치.
  12. 삭제
  13. 제 9 항에 있어서,
    상기 프로세서는,
    상기 관심 영역에 대한 해상도를 증대시키고, 해상도가 증대된 상기 관심 영역에 대하여 상기 일 영역을 선택하는 상기 제 1 사용자 입력을 수신하는, 장치.
  14. 제 13 항에 있어서,
    상기 프로세서는,
    상기 병변 영역이 라벨링된 상기 관심 영역의 해상도를 원복하는, 장치.
  15. 제 9 항에 있어서,
    상기 프로세서는,
    상기 관심 영역에 검출된 상기 병변 추정 영역의 외곽 라인을 강조하여 표시하는, 장치.
  16. 제 9 항에 있어서,
    상기 프로세서는,
    상기 병변 영역이 라벨링된 상기 관심 영역을 저장하는, 장치.
KR1020210020398A 2021-02-16 2021-02-16 라벨링 방법 및 이를 위한 컴퓨팅 장치 KR102615435B1 (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020210020398A KR102615435B1 (ko) 2021-02-16 2021-02-16 라벨링 방법 및 이를 위한 컴퓨팅 장치
US18/269,931 US20240055103A1 (en) 2021-02-16 2021-05-12 Labeling method and computing device therefor
EP21926868.7A EP4296945A1 (en) 2021-02-16 2021-05-12 Labeling method and computing device therefor
PCT/KR2021/005921 WO2022177069A1 (ko) 2021-02-16 2021-05-12 라벨링 방법 및 이를 위한 컴퓨팅 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210020398A KR102615435B1 (ko) 2021-02-16 2021-02-16 라벨링 방법 및 이를 위한 컴퓨팅 장치

Publications (2)

Publication Number Publication Date
KR20220116928A KR20220116928A (ko) 2022-08-23
KR102615435B1 true KR102615435B1 (ko) 2023-12-20

Family

ID=82930760

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210020398A KR102615435B1 (ko) 2021-02-16 2021-02-16 라벨링 방법 및 이를 위한 컴퓨팅 장치

Country Status (4)

Country Link
US (1) US20240055103A1 (ko)
EP (1) EP4296945A1 (ko)
KR (1) KR102615435B1 (ko)
WO (1) WO2022177069A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116863469B (zh) * 2023-06-27 2024-05-14 首都医科大学附属北京潞河医院 一种基于深度学习的手术解剖部位识别标注方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013052256A (ja) 2012-11-30 2013-03-21 Canon Inc 診断支援装置およびその制御方法、診断支援システム、プログラム
JP2015029885A (ja) 2013-08-07 2015-02-16 パナソニック株式会社 スライス画像表示装置
JP2020035095A (ja) 2018-08-28 2020-03-05 オリンパス株式会社 アノテーション装置およびアノテーション方法
KR102102255B1 (ko) * 2019-05-14 2020-04-20 주식회사 뷰노 의료 영상에서 병변의 시각화를 보조하는 방법 및 이를 이용한 장치

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102251245B1 (ko) * 2014-04-30 2021-05-12 삼성전자주식회사 관심 영역별 추가 정보 제공 장치 및 방법
US10452813B2 (en) * 2016-11-17 2019-10-22 Terarecon, Inc. Medical image identification and interpretation
KR102237441B1 (ko) * 2018-02-28 2021-04-07 이화여자대학교 산학협력단 뉴럴 네트워크를 이용하여 캡슐 내시경 영상으로부터 병변 판독 방법 및 장치
KR102163225B1 (ko) * 2018-08-03 2020-10-08 한국과학기술원 뉴럴 네트워크를 이용한 영상 분할 방법 및 그 장치
KR20200131737A (ko) * 2020-04-03 2020-11-24 주식회사 뷰노 의료 영상에서 병변의 시각화를 보조하는 방법 및 이를 이용한 장치

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013052256A (ja) 2012-11-30 2013-03-21 Canon Inc 診断支援装置およびその制御方法、診断支援システム、プログラム
JP2015029885A (ja) 2013-08-07 2015-02-16 パナソニック株式会社 スライス画像表示装置
JP2020035095A (ja) 2018-08-28 2020-03-05 オリンパス株式会社 アノテーション装置およびアノテーション方法
KR102102255B1 (ko) * 2019-05-14 2020-04-20 주식회사 뷰노 의료 영상에서 병변의 시각화를 보조하는 방법 및 이를 이용한 장치

Also Published As

Publication number Publication date
WO2022177069A1 (ko) 2022-08-25
EP4296945A1 (en) 2023-12-27
US20240055103A1 (en) 2024-02-15
KR20220116928A (ko) 2022-08-23

Similar Documents

Publication Publication Date Title
US10650495B2 (en) High resolution style transfer
US11250548B2 (en) Digital image completion using deep learning
AU2019202799B2 (en) A method to automatically predict handle locations for skinningtransformations using deep learning
US10997752B1 (en) Utilizing a colorization neural network to generate colorized images based on interactive color edges
US8774470B1 (en) Processing a satellite image of a region to determine a terrain boundary included therein
CN109344762B (zh) 图像处理方法和装置
Xiao et al. Single image dehazing based on learning of haze layers
US10536164B2 (en) Adapting image vectorization operations using machine learning
CN105321171A (zh) 针对实况相机馈送的图像分割
US11423617B2 (en) Subdividing a three-dimensional mesh utilizing a neural network
US10846889B2 (en) Color handle generation for digital image color gradients using machine learning
CN113724128B (zh) 一种训练样本的扩充方法
US20220207875A1 (en) Machine learning-based selection of a representative video frame within a messaging application
KR20200092466A (ko) 의료 영상의 분석 모델을 학습시키는 학습 장치 및 그 학습 방법
US20230401706A1 (en) Method for detecting a rib with a medical image, device, and medium
KR20200125502A (ko) 이미지 내 객체를 식별하는 신경망 모델을 학습하는 방법 및 장치
US20230040176A1 (en) Controllable neural networks or other controllable machine learning models
KR102615435B1 (ko) 라벨링 방법 및 이를 위한 컴퓨팅 장치
US11704358B2 (en) Search input generation for image search
US20230177580A1 (en) Design-Aware Image Search
JP2018132821A (ja) 情報処理装置、情報処理システム、端末装置、プログラム及び情報処理方法
US11526967B2 (en) System and method for precise image inpainting to remove unwanted content from digital images
US20230100305A1 (en) System and process for repainting of planar objects in video
US20240249475A1 (en) Visualizing vector graphics in three-dimensional scenes
GB2567723A (en) Digital image completion using deep learning

Legal Events

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