KR102622660B1 - 의료 영상에 대한 연속 절편 검출 방법 - Google Patents

Abstract

본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 의료 영상에 대한 연속 절편(serial section) 검출 방법이 개시된다. 상기 방법은, 의료 영상에 존재하는 적어도 하나의 조직에 포함된 세그먼트(segment)들을 검출하는 단계, 세그먼트들을 기초로 연속 절편에 해당하는 조직 절편들의 개수 및 세그먼트들 간의 거리를 추정하는 단계 및 연속 절편에 해당하는 조직 절편들의 개수 및 세그먼트들 간의 거리를 기초로 연속 절편에 해당하는 조직 절편들을 상호 구별하는 단계를 포함할 수 있다.

Description

의료 영상에 대한 연속 절편 검출 방법{METHOD FOR DETECTING SERIAL SECTION OF MEDICAL IMAGE}

본 발명은 의료 영상의 처리 방법에 관한 것으로, 보다 구체적으로 병리학적 진단에 필요한 의료 영상에 존재하는 조직의 연속 절편(serial section)을 분석하는 방법에 관한 것이다.

의료 영상은 인체의 여러 가지 조직들의 물리적인 상태를 이해할 수 있게 해주는 자료이다. 의료 영상에는 디지털 방사선 영상(X-ray), 컴퓨터 단층 촬영(CT), 자기공명영상(MRI), 병리 슬라이드 영상 등이 있다.

최근 디지털 병리(digital pathology)가 의료 분야에서 주목받기 시작하면서, 의료 영상 중에서도 병리 슬라이드 영상의 획득, 처리 및 분석을 위한 다양한 기술 개발이 진행되어 왔다. 병리 슬라이드 영상은 대표적으로 현미경 관찰을 위해 제작되는 유리 슬라이드를 기반으로 생성된다. 이때, 유리 슬라이드에는 조직이 절편(section)의 형태로 잘려서 놓이게 된다. 즉, 하나의 조직이 여러 절편들로 구성되어 유리 슬라이드 상에 배치될 수 있다. 따라서, 병리 슬라이드 영상에는 적어도 하나의 조직에 대한 여러 절편들이 연속적으로 배치되어 존재할 수 있다.

병리 슬라이드 영상의 전술한 특징으로 인해 종래 기술들은 동일한 조직의 절편임에도 불구하고 서로 다른 조직으로 인식하여 조직의 상태를 식별할 수 밖에 없었다. 예를 들어, 여러 절편들이 동일 조직임에도 불구하고, 종래 기술들은 각 절편을 서로 다른 암 조직으로 분석하여 판독 결과를 출력한다. 이와 같은 종래 기술들의 분석은 도메인 전문가(e.g. 병리 진단 전문의)의 정확한 진단을 방해하고 오진단을 유도하는 문제를 발생시킨다.

대한민국 공개특허 제10-2020-0032651호(2020.03.26)는 3차원 영상 재구성 장치 및 그 방법에 관하여 개시한다.

본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 병리학적 진단에 필요한 의료 영상에 존재하는 조직의 연속 절편(serial section)을 식별하는 방법을 제공하는 것을 목적으로 한다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 의료 영상에 대한 연속 절편 검출 방법이 개시된다. 상기 방법은, 의료 영상에 존재하는 적어도 하나의 조직에 포함된 세그먼트(segment)들을 검출하는 단계; 상기 세그먼트들을 기초로 연속 절편에 해당하는 조직 절편들의 개수 및 상기 세그먼트들 간의 거리를 추정하는 단계; 및 상기 추정된 조직 절편들의 개수 및 세그먼트들 간의 거리를 기초로 상기 연속 절편에 해당하는 조직 절편들을 상호 구별하는 단계를 포함할 수 있다.

대안적 실시예에서, 상기 세그먼트들을 검출하는 단계는, 상기 의료 영상을 사전 학습된 딥러닝 모델에 입력하여, 상기 의료 영상에 존재하는 적어도 하나의 조직에 포함된 세그먼트들을 검출하는 단계를 포함할 수 있다.

대안적 실시예에서, 상기 세그먼트들을 검출하는 단계는, 상기 의료 영상의 강도(intensity)를 기초로, 상기 의료 영상에 존재하는 적어도 하나의 조직에 포함된 후보 세그먼트들을 인식하는 단계; 및 상기 후보 세그먼트들의 크기를 기초로, 상기 후보 세그먼트들로부터 검출 대상에 해당하는 세그먼트들을 결정하는 단계를 포함할 수 있다.

대안적 실시예에서, 상기 조직 절편들의 개수 및 상기 세그먼트들 간의 거리를 추정하는 단계는, 상기 세그먼트들을 각각 상기 의료 영상의 전체 영역과 비교하여, 상기 세그먼트들과 상기 전체 영역 간의 차이값들을 산출하는 단계; 상기 차이값들의 크기를 기초로, 상기 세그먼트들 각각이 대응되는 영역 별 적어도 하나의 로컬 포인트(local point)를 추출하는 단계; 및 상기 세그먼트들의 크기를 고려하여, 상기 로컬 포인트를 기초로 상기 연속 절편에 해당하는 조직 절편들의 개수를 추정하는 단계를 포함할 수 있다.

대안적 실시예에서, 상기 적어도 하나의 로컬 포인트를 추출하는 단계는, 상기 의료 영상의 전체 영역에서 상기 차이값들의 크기가 임계값 이하인 포인트를 상기 적어도 하나의 로컬 포인트로 결정하는 단계를 더 포함할 수 있다.

대안적 실시예에서, 상기 로컬 포인트를 기초로 상기 연속 절편에 해당하는 조직 절편들의 개수를 추정하는 단계는, 상기 세그먼트들 각각의 크기를 가중치로 하여 상기 로컬 포인트에 대한 보팅(voting)을 수행함으로써, 상기 연속 절편에 해당하는 조직 절편들의 개수를 추정하는 단계를 포함할 수 있다.

대안적 실시예에서, 상기 조직 절편들의 개수 및 상기 세그먼트들 간의 거리를 추정하는 단계는, 상기 세그먼트들에 대한 기하학적 변환(geometric transform)을 수행하는 단계; 상기 기하학적 변환이 적용된 세그먼트들과 상기 세그먼트들의 기하학적 변환으로 매칭되는 영역 간의 차이값들을 상호 비교하는 단계; 및 상기 비교의 결과를 기초로 상기 세그먼트들 간의 거리를 추정하는 단계를 포함할 수 있다.

대안적 실시예에서, 상기 비교의 결과를 기초로 상기 세그먼트들 간의 거리를 추정하는 단계는, 상기 기하학적 변환이 적용된 세그먼트들과 상기 세그먼트들의 기하학적 변환으로 매칭되는 영역 간의 차이값들이 상호 대응되는 정도에 기초하여 상기 세그먼트들 간의 거리를 추정하는 단계를 포함할 수 있다.

대안적 실시예에서, 상기 추정된 조직 절편들의 개수 및 세그먼트들 간의 거리를 기초로, 상기 연속 절편에 해당하는 조직 절편들을 상호 구별하는 단계는, 상기 세그먼트들 간의 거리를 기초로 그래프(graph)를 생성하는 단계; 및 상기 추정된 조직 절편의 개수를 기준으로 상기 그래프를 분할하여, 상기 연속 절편에 해당하는 조직 절편들을 상호 구별하는 단계를 포함할 수 있다.

대안적 실시예에서, 상기 그래프는, 상기 세그먼트들의 크기를 가중치로 하는 노드(node); 및 상기 세그먼트들 간의 거리를 가중치로 하는 간선(edge)를 포함할 수 있다.

대안적 실시예에서, 상기 추정된 조직 절편의 개수를 기준으로 상기 그래프를 분할하여, 상기 연속 절편에 해당하는 조직 절편들을 상호 구별하는 단계는, 상기 세그먼트들 간의 거리에 따라 상기 그래프를 상기 추정된 조직 절편의 개수에 맞추어 구분하는 단계; 상기 추정된 조직 절편의 개수에 맞추어 구분된 그래프를 기초로 세그먼트들을 그룹핑(grouping) 하는 단계; 및 상기 그룹핑을 통해 생성된 세그먼트 그룹들 각각을 하나의 조직 절편으로 식별하여 상기 연속 절편에 해당하는 조직 절편들을 상호 구별하는 단계;를 포함할 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 의료 영상에 대한 연속 절편을 검출하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 의료 영상에 존재하는 적어도 하나의 조직에 포함된 세그먼트들을 검출하는 동작 상기 세그먼트들을 기초로 연속 절편에 해당하는 조직 절편들의 개수 및 상기 세그먼트들 간의 거리를 추정하는 동작 및 상기 추정된 조직 절편들의 개수 및 세그먼트들 간의 거리를 기초로 상기 연속 절편에 해당하는 조직 절편들을 상호 구별하는 동작을 포함할 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 의료 영상에 대한 연속 절편을 검출하는 장치가 개시된다. 상기 장치는, 적어도 하나의 코어를 포함하는 프로세서; 상기 프로세서에서 실행가능한 프로그램 코드들을 포함하는 메모리; 및 의료 영상을 수신하기 위한 네트워크부를 포함하고, 상기 프로세서는, 상기 의료 영상에 존재하는 적어도 하나의 조직에 포함된 세그먼트들을 검출하고, 상기 세그먼트들을 기초로 연속 절편에 해당하는 조직 절편들의 개수 및 상기 세그먼트들 간의 거리를 추정하며, 상기 추정된 조직 절편들의 개수 및 세그먼트들 간의 거리를 기초로 상기 연속 절편에 해당하는 조직 절편들을 상호 구별할 수 있다.

본 개시는 병리학적 진단에 필요한 의료 영상에 존재하는 조직의 연속 절편을 검출하는 방법을 제공할 수 있다.

도 1은 본 개시의 일 실시예에 따른 의료 영상에 대한 연속 절편을 검출하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 연속 절편을 검출하기 위한 모듈의 블록 구성도이다.
도 3은 본 개시의 일 실시예에 따라 네트워크 함수를 나타낸 개략도이다.
도 4는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 세그먼트들을 검출하는 과정을 나타낸 개념도이다.
도 5는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 연속 절편에 해당하는 조직 절편들의 개수 추정 과정에서 도출되는 데이터를 도식화한 개념도이다.
도 6은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 연속 절편에 해당하는 조직 절편들을 상호 구별하기 위해 생성된 그래프를 도식화한 개념도이다.
도 7은 본 개시의 일 실시예에 따른 의료 영상에 대한 연속 절편 검출 방법을 나타낸 순서도이다.
도 8은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.

다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.

본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 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.

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.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

그리고, "A 또는 B 중 적어도 하나"이라는 용어는, "A만을 포함하는 경우", "B 만을 포함하는 경우", "A와 B의 구성으로 조합된 경우"를 의미하는 것으로 해석되어야 한다.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

본 개시에서 네트워크 함수와 인공 신경망 및 뉴럴 네트워크(neural network)는 상호 교환 가능하게 사용될 수 있다.

한편, 본 발명의 상세한 설명 및 청구항들에 걸쳐 이용된 "영상" 또는 "영상 데이터"라는 용어는 이산적 영상 요소들(예컨대, 2차원 영상에 있어서는 픽셀)로 구성된 다차원 데이터를 지칭하며, 달리 말하자면, (예컨대, 비디오 화면에 표시된) 눈으로 볼 수 있는 대상 또는 (예컨대, CT, MRI 검출기, 디지털 스캐너 등의 픽셀 출력에 대응되는 파일과 같은) 그 대상의 디지털 표현물을 지칭하는 용어이다.

예를 들어 "이미지" 또는 "영상"은 전산화 단층 촬영(CT; computed tomography), 자기 공명 영상(MRI; magnetic resonance imaging), 초음파, 디지털 스캔(digital scan) 또는 본 발명의 기술분야에서 공지된 임의의 다른 의료 영상 시스템의 의하여 수집된 피검체(subject)의 의료 영상일 수 있다.

또한, 본 발명의 상세한 설명 및 청구항들에 걸쳐 '의료영상 저장 전송 시스템(PACS; Picture Archiving and Communication System)'은 DICOM 표준에 맞게 저장, 가공, 전송하는 시스템을 지칭하는 용어이며, X선, CT, MRI, 스캐너 등과 같은 디지털 의료영상 장비를 이용하여 획득된 의료영상 이미지는 DICOM 형식으로 저장되고 네트워크를 통하여 병원 내외의 단말로 전송이 가능하며, 이에는 판독 결과 및 진료 기록이 추가될 수 있다.

도 1은 본 개시의 일 실시예에 따른 의료 영상에 대한 연속 절편을 검출하기 위한 컴퓨팅 장치의 블록 구성도이다.

도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.

컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.

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

본 개시의 일 실시예에 따른 프로세서(110)는 의료 영상에 존재하는 적어도 하나의 조직의 연속 절편(serial section)을 검출할 수 있다. 이때, 의료 영상은 적어도 하나의 조직에 대한 절편들을 포함하는 병리 슬라이드 영상일 수 있다. 또한, 연속 절편이란 병리 검사를 위해 하나의 조직을 연속적으로 구획하여 생성된 절편들로 이해될 수 있다. 연속 절편인 조직 절편들은 모두 동일 조직에 해당하므로, 병리 진단을 위한 병리 슬라이드 영상 분석 과정에서 동일 조직으로 인식되는 것이 필요하다. 프로세서(110)는 연속 절편이 동일 조직으로 인식되도록 의료 영상에 존재하는 연속 절편을 식별하는 역할을 수행할 수 있다. 프로세서(110)는 연속 절편을 식별함으로써, 조직의 병리학적 진단 정확도 및 효율성을 증대시킬 수 있다. 또한, 프로세서(110)는 연속 절편을 식별함으로써, 조직의 병리학적 진단을 위한 딥러닝 모델의 학습 데이터를 라벨링하는 작업의 효율성을 증가시킬 수 있다.

프로세서(110)는 의료 영상에 존재하는 적어도 하나의 조직에 대한 절편들을 식별하기 위한 세그먼트(segment)들을 검출할 수 있다. 네트워크부(150)를 통해 의료 영상이 수신될 시점에 의료 영상에 존재하는 조직의 절편들이 각각의 객체들로 구별되지 않은 상태일 수 있다. 따라서, 프로세서(110)는 의료 영상에 존재하는 조직의 절편들을 개별 객체로 식별하기 위해서 조직에 포함된 세그먼트들을 검출할 수 있다. 이때, 세그먼트는 의료 영상 내 식별 대상에 해당하는 조직의 기본 단위로 이해될 수 있다.

프로세서(110)는 의료 영상에 존재하는 특정 조직의 연속 절편에 해당하는 절편들의 개수를 추정할 수 있다. 프로세서(110)는 특정 세그먼트를 기준으로 의료 영상의 전체 영역과의 비교를 통해 특정 세그먼트와 유사한 의료 영상의 부분 영역을 식별할 수 있다. 프로세서(110)는 모든 세그먼트들에 대하여 전술한 유사 영역 식별을 수행한 후, 식별 결과를 종합하여 연속 절편에 해당하는 조직 절편들의 개수를 추정할 수 있다.

프로세서(110)는 세그먼트들 간의 거리를 추정함으로써, 의료 영상에 존재하는 세그먼트들이 어떠한 조직 절편에 포함되는지를 구별할 수 있다. 프로세서(110)는 세그먼트들 간의 거리를 정의할 수 있다. 이때, 거리는 세그먼트들 간의 관계를 나타내는 단위로서, 당업자에 의해 이해될 수 있는 범위에서 비용(cost), 손실(loss) 또는 에너지(energy) 등으로 대체되어 표현될 수 있다. 프로세서(110)는 세그먼트들 간의 거리의 인접도 등을 고려하여 하나의 절편에 어떠한 세그먼트들이 포함되는지를 판단할 수 있다. 다시 말해서, 프로세서(110)는 세그먼트들 간의 관계를 파악하여 세그먼트들이 동일한 절편에 속하는지 또는 서로 다른 절편에 속하는지를 판단할 수 있다.

프로세서(110)는 연속 절편에 해당하는 조직 절편들의 개수와 세그먼트들 간의 거리를 기반으로 특정 조직의 연속 절편에 해당하는 절편들을 상호 구별할 수 있다. 프로세서(110)는 세그먼트들 각각을 기준으로 그래프(graph)를 생성할 수 있다. 프로세서(110)는 세그먼트들의 특징을 기반으로 그래프를 분할하여 특정 조직의 연속 절편에 해당하는 절편들을 상호 구별할 수 있다. 프로세서(110)는 특정 조직의 연속 절편에 해당하는 절편들 각각을 의료 영상에서 바운딩 박스(bounding box)로 표시할 수 있다. 바운딩 박스는 특정한 형태의 객체를 포괄할 수 있는 임의의 형태의 기하학적 구조(예컨대, 사각형 구조)로 이해될 수 있다. 프로세서(110)는 특정 조직의 연속 절편에 해당하는 절편들 각각을 의료 영상에서 분할하여 별도의 영상들로 추출할 수도 있다.

본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다.

본 개시의 일 실시예에 따르면, 메모리(130)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 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따른 네트워크부(150)는 임의의 형태의 유무선 통신 시스템을 사용할 수 있다.

네트워크부(150)는 신체 조직이 표현된 의료 영상을 의료영상 저장 전송 시스템으로부터 수신할 수 있다. 예를 들어, 신체 조직이 표현된 의료 영상은 신경망 모델의 학습용 데이터 또는 추론용 데이터일 수 있다. 신체 조직이 표현된 의료 영상은 적어도 하나의 조직을 포함하는 병리 슬라이드 영상일 수 있다. 이때, 병리 슬라이드 영상은 병리 진단을 위해 유리 슬라이드로부터 스캐너를 통해 획득되어 의료영상 저장 전송 시스템에 저장된 스캔 영상으로 이해될 수 있다. 신체 조직이 표현된 의료 영상은 전술한 예시에 제한되지 않고, X-ray 영상, CT 영상 등과 같이 촬영을 통해 획득된 신체 조직과 관련된 영상을 모두 포함할 수 있다.

또한, 네트워크부(150)는 프로세서(110)에 의해 처리된 정보, 사용자 인터페이스 등을 타 단말과의 통신을 통해 송수신할 수 있다. 예를 들어, 네트워크부(150)는 프로세서(100)에 의해 생성된 사용자 인터페이스를 클라이언트(e.g. 사용자 단말)로 제공할 수 있다. 또한, 네트워크부(150)는 클라이언트로 인가된 사용자의 외부 입력을 수신하여 프로세서(110)로 전달할 수 있다. 이때, 프로세서(100)는 네트워크부(150)로부터 전달받은 사용자의 외부 입력을 기초로 사용자 인터페이스를 통해 제공되는 정보의 출력, 수정, 변경, 추가 등의 동작을 처리할 수 있다.

한편, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 클라이언트와 통신을 통해 정보를 송수신하는 컴퓨팅 시스템으로서 서버를 포함할 수 있다. 이때, 클라이언트는 서버에 엑세스할 수 있는 임의의 형태의 단말일 수 있다. 예를 들어, 서버인 컴퓨팅 장치(100)는 의료 영상 촬영 시스템으로부터 의료 영상을 수신하여 병변을 분석하고, 분석 결과를 포함하는 사용자 인터페이스를 사용자 단말로 제공할 수 있다. 이때, 사용자 단말은 서버인 컴퓨팅 장치(100)로부터 수신한 사용자 인터페이스를 출력하고, 사용자와의 상호 작용을 통해 정보를 입력받거나 처리할 수 있다.

추가적인 실시예에서, 컴퓨팅 장치(100)는 임의의 서버에서 생성된 데이터 리소스를 전달받아 추가적인 정보 처리를 수행하는 임의의 형태의 단말을 포함할 수도 있다.

도 2는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 연속 절편을 검출하기 위한 모듈의 블록 구성도이다.

도 2를 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)의 프로세서(110)는 입력 영상(10)에 존재하는 관심 대상을 검출하는 제 1 모듈(210)을 포함할 수 있다. 제 1 모듈(210)은 입력 영상(10)에 존재하는 관심 대상에 관한 정보를 제 1 출력 데이터(21)로 생성할 수 있다. 이때, 입력 영상(10)은 적어도 하나의 조직에 대한 절편들이 배치된 병리 슬라이드 영상일 수 있다. 관심 대상은 병리 슬라이드 영상에 존재하는 적어도 하나의 조직에 포함된 세그먼트일 수 있다. 제 1 출력 데이터(21)는 세그먼트 각각에 대한 메타 정보(e.g. 위치 정보, 크기 정보 등)를 포함하는 마스크(mask)일 수 있다. 제 1 출력 데이터(21)는 사용자 인터페이스(user interface)를 통해 사용자 단말로 제공될 수도 있다.

제 1 모듈(210)은 입력 영상(10)의 강도를 기초로 입력 영상(10)에 존재하는 적어도 하나의 조직에 포함된 후보 세그먼트들을 인식할 수 있다. 이때, 입력 영상(10)의 강도는 입력 영상(10)의 색상, 밝기 등과 같이 영상의 객체 표현과 관련된 지표의 강도로 이해될 수 있다. 제 1 모듈(210)은 후보 세그먼트들의 크기를 기초로, 후보 세그먼트들로부터 검출 대상에 해당하는 세그먼트들을 결정할 수 있다. 예를 들어, 제 1 모듈(210)은 입력 영상(10)을 연산이 용이한 크기로 축소시킬 수 있다. 제 1 모듈(210)은 축소된 입력 영상의 색상 강도를 산출하고, 이를 제 1 임계값과 비교할 수 있다. 이때, 제 1 임계값은 축소된 입력 영상의 배경을 기초로 사전 결정될 수 있다. 제 1 모듈(210)은 색상 강도의 산출값이 제 1 임계값 미만인 영역을 조직의 후보 세그먼트로 인식할 수 있다. 너무 작은 크기의 후보 세그먼트들은 모듈들(210 내지 240)의 연산량을 증가시키는 요인이 되기 때문에, 제 1 모듈(210)은 후보 세그먼트들의 크기를 고려하여 최종 검출 대상에 해당하는 세그먼트들을 결정할 수 있다. 제 1 모듈(210)은 후보 세그먼트들 중 크기가 제 2 임계값 미만인 적어도 하나의 후보 세그먼트를 제외하고, 나머지 후보 세그먼트들을 최종 검출 대상으로 확정할 수 있다. 제 2 임계값은 제 1 모듈(210) 및 후술할 나머지 모듈들(220 내지 240)의 성능을 고려하여 사전 결정될 수 있다.

제 1 모듈(210)은 사전 학습된 딥러닝 모델을 포함할 수도 있다. 예를 들어, 사전 학습된 딥러닝 모델은 입력의 크기에 상관없이 객체 탐지(object detection), 세그먼테이션(segmentation) 등을 수행할 수 있는 컨볼루션(convolution) 신경망을 포함할 수 있다. 전술한 신경망 관련 기재는 하나의 예시일 뿐이며, 이에 한정되지 않고, 당업자가 이해될 수 있는 범위 내에서 변경 가능하다. 제 1 모듈(210)은 사전 학습된 딥러닝 모델을 사용하여, 입력 영상(10)에 존재하는 적어도 하나의 조직에 포함된 세그먼트들을 검출할 수 있다. 이때, 제 1 모듈(210)은 딥러닝 모델을 사용하기 이전에 입력 영상(10)을 모델의 연산이 용이한 크기로 축소시킬 수 있다. 또한, 제 1 모듈(210)은 딥러닝 모델을 통해 검출된 세그먼트들에 대한 후처리로서, 세그먼트들의 크기를 고려하여 세그먼트들 중 최종 검출 대상을 확정할 수 있다.

프로세서(110)는 제 1 모듈(210)의 출력 데이터를 입력 받아 관심 대상이 포함된 그룹의 개수를 계산하는 제 2 모듈(220)을 포함할 수 있다. 제 2 모듈(220)은 입력 영상(10)에 존재하는 관심 대상이 포함된 그룹의 개수에 관한 정보를 제 2 출력 데이터(23)로 생성할 수 있다. 이때, 제 1 모듈(210)의 출력 데이터는 제 1 모듈(210)에 의해 검출된 세그먼트에 관한 메타 정보를 포함하는 데이터 집합체일 수 있다. 관심 대상이 포함된 그룹은 병리 슬라이드에 존재하는 특정 조직의 연속 절편에 해당하는 조직 절편으로 이해될 수 있다. 제 2 출력 데이터(23)는 사용자 인터페이스를 통해 사용자 단말로 제공될 수도 있다.

제 2 모듈(220)은 제 1 모듈(210)을 통해 검출된 세그먼트들을 각각 입력 영상(10)의 전체 영역과 비교하여, 세그먼트들과 전체 영역 간의 차이값들을 산출할 수 있다. 예를 들어, 제 2 모듈(220)은 제 1 모듈(210)을 통해 검출된 일 세그먼트를 포함하는 하나의 패치를 입력 영상(10)을 구성하는 모든 영역들과 색상 강도를 기준으로 비교할 수 있다. 제 2 모듈(220)는 일 세그먼트의 색상 강도와 입력 영상(10)을 구성하는 모든 영역들의 색상 강도 간의 차이값을 산출할 수 있다. 제 2 모듈(220)은 나머지 세그먼트에 대해서도 입력 영상(10)의 모든 영상들과의 차이값 산출을 수행할 수 있다. 즉, N(N은 자연수)개의 세그먼트들이 제 1 모듈(210)에 의해 검출되었다면, 제 2 모듈(220)은 N개의 세그먼트들 각각에 대해 N개의 차이값들을 계산할 수 있다. 이러한 과정을 통해 제 2 모듈(220)은 제 1 모듈(210)을 통해 검출된 모든 세그먼트들 각각의 입력 영상(10)에 대한 차이값을 나타내는 맵(map)들을 생성할 수 있다.

제 2 모듈(220)은 세그먼트들과 입력 영상(10)의 전체 영역 간의 차이값들의 크기를 기초로, 세그먼트들 각각이 대응되는 영역 별 적어도 하나의 로컬 포인트(local point)를 추출할 수 있다. 이때, 세그먼트들 각각이 대응되는 영역은 세그먼트와 색상 강도의 차이값의 크기가 가장 작은 포인트를 포함하는 입력 영상(10)의 일 영역으로 이해될 수 있다. 또한, 로컬 포인트는 세그먼트와 색상 강도의 차이값이 제 3 임계값 이하인 입력 영상(10)에 존재하는 포인트로 이해될 수 있다. 예를 들어, 제 2 모듈(220)은 제 1 세그먼트의 입력 영상(10)에 대한 색상 강도의 차이값을 나타내는 제 1 맵을 기초로 차이값이 제 3 임계값 이하인 포인트를 적어도 하나의 제 1 로컬 포인트로 결정할 수 있다. 제 2 모듈(220)은 제 2 세그먼트의 입력 영상(10)에 대한 색상 강도의 차이값을 나타내는 제 2 맵을 기초로 차이값이 제 3 임계값 이하인 포인트를 적어도 하나의 제 2 로컬 포인트로 결정할 수 있다. 제 2 모듈(220)은 제 N 세그먼트의 입력 영상(10)에 대한 색상 강도의 차이값을 나타내는 제 N 맵을 기초로 차이값이 제 3 임계값 이하인 포인트를 적어도 하나의 제 N 로컬 포인트로 결정할 수 있다. 이때, 제 3 임계값은 모든 세그먼트들에 공통적으로 적용되도록 통일된 하나의 수치값일 수 있다. 제 3 임계값은 세그먼트들 각각의 색상 강도를 고려하여 구별되는 복수의 수치값들을 포함할 수도 있다.

제 2 모듈(220)은 세그먼트들의 크기를 고려하여, 로컬 포인트를 기초로 연속 절편에 해당하는 조직 절편들의 개수를 추정할 수 있다. 제 2 모듈(220)은 세그먼트들 각각의 크기를 가중치로 하여 로컬 포인트에 대한 보팅(voting)을 수행함으로써, 연속 절편에 해당하는 조직 절편들의 개수를 추정할 수 있다. 예를 들어, 제 2 모듈(220)은 세그먼트들 각각의 크기를 가중치로 고려하여 세그먼트들 각각의 로컬 포인트의 개수를 합산할 수 있다. 제 2 모듈(220)은 크기가 상대적으로 큰 세그먼트에는 높은 가중치, 크기가 상대적으로 작은 세그먼트에는 낮은 가중치를 부여하고, 가중치가 크기에 따라 부여된 세그먼트들 각각의 로컬 포인트의 개수를 합산할 수 있다. 이때, 합산은 가중치를 고려한 평균 연산 등과 같은 가중치 보팅(weighted voting) 연산으로 이해될 수 있다. 제 2 모듈(220)은 합산 결과로 도출되는 전체 세그먼트에 대한 로컬 포인트의 개수를 연속 절편에 해당하는 조직 절편의 개수로 추정할 수 있다.

프로세서(110)는 제 1 모듈(210) 및 제 2 모듈(220)의 출력 데이터를 입력 받아 관심 대상들 간의 거리를 계산하는 제 3 모듈(230)을 포함할 수 있다. 제 3 모듈(230)은 입력 영상(10)에 존재하는 관심 대상들 간의 거리에 관한 정보를 제 3 출력 데이터(25)로 생성할 수 있다. 제 3 출력 데이터(25)는 사용자 인터페이스를 통해 사용자 단말로 제공될 수도 있다.

제 3 모듈(230)은 세그먼트들 각각이 포함될 조직 절편들을 구별하기 위해, 세그먼트들 간의 거리를 추정할 수 있다. 예를 들어, 제 3 모듈(230)은 세그먼트들 간의 유클리디안(euclidean) 거리를 추정할 수 있다. 이때, 유클리디안 거리는 1차원 또는 2차원을 기준으로 연산된 수치값일 수 있다.

또한, 제 3 모듈(230)은 세그먼트들 간의 상대적인 기하학적 변환(geometric transform)을 수행하여 세그먼트들 간의 거리를 추정할 수도 있다. 구체적으로, 제 3 모듈(230)은 일 세그먼트에 대한 기하학적 변환을 수행할 수 있다. 이때, 기하학적 변환은 2차원 상의 좌표 이동을 포함할 수 있다. 제 3 모듈(230)은 기하학적 변환이 적용된 일 세그먼트와 일 세그먼트의 기하학적 변환으로 매칭되는 영역 간의 차이값을 도출할 수 있다. 이때, 제 3 모듈(230)은 제 2 모듈(220)을 통해 기 도출된 차이값에 관한 맵을 이용할 수 있다. 제 3 모듈(230)은 나머지 세그먼트들에 대해서도 전술한 바와 동일한 연산을 수행하여 기하학적 변환으로 매칭되는 영역과의 차이값들을 도출할 수 있다. 제 3 모듈(230)은 세그먼트와 매칭 영역 간의 차이값들을 상호 비교하여 세그먼트들 간의 거리를 연산할 수 있다. 제 3 모듈(230)은 기하학적 변환이 적용된 세그먼트들과 세그먼트들의 기하학적 변환으로 매칭되는 영역 간의 차이값들이 상호 대응되는 정도에 기초하여 세그먼트들 간의 거리를 추정할 수 있다. 만약 2개의 세그먼트가 같은 절편에 포함된다면, 기하학적 변환이 적용된 일 세그먼트의 매칭 영역과의 차이값은 기하학적 변환이 적용된 다른 세그먼트의 매칭 영역과의 차이값과 상당히 일치할 가능성이 높다. 반대로, 2개의 세그먼트가 서로 다른 절편에 포함된다면, 기하학적 변환이 적용된 일 세그먼트의 매칭 영역과의 차이값은 기하학적 변환이 적용된 다른 세그먼트의 매칭 영역과의 차이값과 상당히 차이를 보일 가능성이 높다. 따라서, 제 3 모듈(230)은 기하학적 변환에 따라 도출된 차이값들의 대응도가 높을수록 세그먼트들 간의 거리가 가까운 것으로 판단할 수 있다. 반대로, 제 3 모듈(230)은 기하학적 변환에 따라 도출된 차이값들의 대응도가 낮을수록 세그먼트들 간의 거리가 먼 것으로 판단할 수 있다. 대응도의 높고 낮음은 전체 연산을 통해 도출되는 값들의 상대적인 비교를 통해 판단될 수도 있고, 사전 결정된 기준값에 따라 판단될 수도 있다. 이와 같이 제 3 모듈(230)은 차이값들의 대응도의 고저를 판단하여 세그먼트들 간의 거리를 정의할 수 있다.

프로세서(110)는 제 2 모듈(220) 및 제 3 모듈(230)의 출력 데이터를 입력 받아 관심 대상들이 포함된 그룹들을 분류하는 제 4 모듈(240)을 포함할 수 있다. 제 4 모듈(240)은 입력 영상(10)에 존재하는 관심 대상들이 포함된 그룹들의 분류 정보를 기초로 제 4 출력 데이터(27)로 생성할 수 있다. 이때, 제 4 출력 데이터(27)에 포함된 관심 대상들이 포함된 그룹들에 관한 정보는 제 4 모듈(240)에 의해 상호 구별된 특정 조직의 연속 절편에 해당하는 조직 절편들에 대한 정보로 이해될 수 있다. 예를 들어, 제 4 출력 데이터(27)는 특정 조직의 연속 절편에 해당하는 조직 절편들 각각이 바운딩 박스로 표시된 영상 데이터, 연속 절편에 해당하는 조직 절편들 각각의 분할 영상 데이터 등을 포함할 수 있다. 제 4 출력 데이터(27)는 병리 진단을 위한 분석 시스템의 입력으로 사용될 수 있다. 또한, 제 4 출력 데이터(27)는 사용자 인터페이스를 통해 사용자 단말로 제공될 수도 있다.

제 4 모듈(240)은 제 2 모듈(220)을 통해 도출된 연속 절편에 해당하는 조직 절편들의 개수 및 제 3 모듈(230)을 통해 도출된 세그먼트들 간의 거리를 기초로, 특정 조직의 연속 절편에 해당하는 조직 절편들을 상호 구별할 수 있다. 예를 들어, 제 4 모듈(240)은 세그먼트들 간의 거리를 기초로 그래프를 생성할 수 있다. 이때, 그래프는 세그먼트들의 크기를 가중치로 하는 노드(node) 및 세그먼트들 간의 거리를 가중치로 하는 간선(edge)을 포함할 수 있다. 작은 크기로 인해 식별이 어려운 세그먼트의 분석 정확도를 높이기 위해, 제 4 모듈(240)은 영상 픽셀의 개수 대비 세그먼트의 크기를 노드의 가중치로 하여 노드를 생성할 수 있다. 제 4 모듈(240)은 조직 절편의 개수를 기준으로 그래프를 분할하여, 연속 절편에 해당하는 조직 절편들을 상호 구별할 수 있다. 전립선 조직의 연속 절편에 해당하는 3개의 절편들이 있다고 가정하면, 제 4 모듈(240)은 세그먼트들을 기초로 생성된 그래프를 분할하여 3개의 절편들 각각을 개별 객체로 식별할 수 있다.

구체적으로, 제 4 모듈(240)은 세그먼트들 간의 거리에 따라 그래프를 연속 절편에 해당하는 조직 절편의 개수에 맞추어 구분할 수 있다. 제 4 모듈(240)은 연속 절편에 해당하는 조직 절편의 개수를 기준으로 세그먼트들 간의 거리가 높은 것을 우선적으로 식별함으로써, 전체 그래프를 연속 절편에 해당하는 조직 절편의 개수에 맞게 분할할 수 있다. 제 4 모듈(240)은 조직 절편의 개수에 맞추어 분할된 그래프를 기초로 세그먼트들을 그룹핑(grouping)할 수 있다. 제 4 모듈(240)은 그룹핑을 통해 생성된 세그먼트 그룹들 각각을 하나의 조직 절편으로 판단하여 연속 절편에 해당하는 조직 절편들을 개별 객체로 구별할 수 있다. 세그먼트들의 그룹핑에 의해 3개의 세그먼트 그룹들이 생성되었다고 가정하면, 제 4 모듈(240)은 3개의 세그먼트 그룹들 각각을 조직 절편으로 판단하여 총 3개의 연속 절편에 해당하는 조직 절편들을 식별할 수 있다. 다시 말해서, 제 4 모듈(240)은 세그먼트 그룹을 조직 절편으로 판단하여 특정 조직의 연속 절편에 해당하는 조직 절편들을 3개의 개별 객체들로 식별할 수 있다. 이러한 과정을 통해 제 4 모듈(240)은 하나의 그룹으로 묶인 세그먼트들을 하나의 조직 절편으로 판단하고, 연속 절편에 해당하는 조직 절편들을 상호 구별할 수 있다.

도 3은 본 개시의 일 실시예에 따라 네트워크 함수를 나타낸 개략도이다.

본 명세서에 걸쳐, 딥러닝 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 상호 교환 가능한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.

신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망을 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. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.

본 개시의 일 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 다른 일 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 일 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.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 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. 딥 뉴럴 네트워크는 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 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에서 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.

뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 반교사학습(semi supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.

뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 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 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 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 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 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 뉴럴 네트워크가 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.

도 4는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 세그먼트들을 검출하는 과정을 나타낸 개념도이다.

도 4를 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 특정 조직의 연속 절편에 해당하는 3개의 절편들이 표현된 의료 영상(31)을 수신할 수 있다. 의료 영상(31)을 수신하면, 컴퓨팅 장치(100)는 프로세서(110)의 연산이 용이하도록 의료 영상(31)을 비율에 맞춰 변환시킨 축소 영상(35)을 생성할 수 있다. 컴퓨팅 장치(100)는 축소 영상(35)을 기초로 3개의 절편들 각각에 포함된 세그먼트들을 식별하여 검출 영상(39)을 생성할 수 있다. 이때, 컴퓨팅 장치(100)는 딥러닝 알고리즘에 기반하여 3개의 절편들 각각에 포함된 세그먼트들을 식별할 수 있다. 또한, 컴퓨팅 장치(100)는 축소 영상(35)의 강도(e.g. 색상 강도, 밝기 강도 등)를 기반으로 3개의 절편들 각각에 포함된 세그먼트들을 식별할 수도 있다. 도 4에는 도시되지 않았으나, 컴퓨팅 장치(100)는 검출 영상(39)에서 식별이 어려운 크기의 세그먼트들은 최종 검출 대상에서 제외시킬 수 있다.

도 5는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 연속 절편에 해당하는 조직 절편들의 개수 추정 과정에서 도출되는 데이터를 도식화한 개념도이다.

본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 세그먼트들이 검출된 영상(40)에서 일 세그먼트를 포함하는 패치(41)를 이동시켜가며, 패치와 영상(40)의 전체 영역 간의 차이값들을 산출할 수 있다. 패치(41)는 도 5의 (a)와 같이 박스 형태일 수도 있고, 차이값 연산의 정확도를 높이기 위해 일 세그먼트의 경계와 일치하는 형태일 수도 있다. 컴퓨팅 장치(100)는 검출 영상(40)에 존재하는 모든 세그먼트들에 대하여 각각 대응되는 패치를 정의하여 세그먼트들과 전체 영역 간의 차이값들을 산출할 수 있다. 컴퓨팅 장치(100)는 일 세그먼트(51)와 검출 영상(40)의 전체 영역 간의 차이값들을 연산한 결과를 도 5의 (b)와 같은 맵(50) 형태로 도출할 수 있다. 이때, 일 세그먼트(51)와 영상을 구성하는 영역들 간의 차이값을 나타내는 맵(50)에는 차이값이 특정 임계값보다 작은 포인트에 해당하는 로컬 포인트들이 표시될 수 있다.

도 6은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 연속 절편에 해당하는 조직 절편들을 상호 구별하기 위해 생성된 그래프를 도식화한 개념도이다.

도 6을 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 연속 절편에 해당하는 3개의 조직 절편들을 상호 구별하기 위해 세그먼트들 각각을 노드(72)로 하는 그래프를 생성할 수 있다. 이때, 그래프는 세그먼트의 사이즈를 가중치로 하는 노드(72)와 세그먼트들 간의 거리를 가중치로 하는 간선(73)을 포함할 수 있다. 컴퓨팅 장치(100)는 세그먼트들 간의 거리를 기준으로 그래프들을 구별하여 3개의 조직 절편들을 개별적으로 식별할 수 있다. 세그먼트들 간의 거리를 기준으로 구별된 3개의 조직 절편들 각각은 의료 영상(70)에서 바운딩 박스(71)로 표시되어 구분될 수 있다. 바운딩 박스(71)로 구분된 3개의 조직 절편들 각각은 별개의 분할 영상으로도 생성될 수 있다.

도 7은 본 개시의 일 실시예에 따른 의료 영상에 대한 연속 절편 검출 방법을 나타낸 순서도이다.

도 7을 참조하면, S100 단계에서, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 의료영상 저장 전송 시스템으로부터 의료 영상을 수신할 수 있다. 의료 영상은 적어도 하나의 조직에 대한 절편들을 포함하는 병리 슬라이드 영상일 수 있다. 컴퓨팅 장치(100)는 의료 영상을 수신하여 연속 절편의 검출을 위한 식별 대상이 되는 조직의 세그먼트들을 검출할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 영상을 구성하는 단위(e.g. 픽셀 등)의 강도를 임계값과 비교한 결과를 기초로 특정 조직의 세그먼트들을 검출할 수 있다. 또한, 컴퓨팅 장치(100)는 의료 영상을 입력 받는 딥러닝 모델을 사용하여 특정 조직의 세그먼트들을 검출할 수도 있다.

S200 단계에서, 컴퓨팅 장치(100)는 S100 단계를 통해 검출된 세그먼트들을 기초로 특정 조직의 연속 절편에 해당하는 절편들의 개수를 계산할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 일 세그먼트가 포함된 패치와 의료 영상의 모든 영역들 간의 차이값을 구할 수 있다. 컴퓨팅 장치(100)는 일 세그먼트가 포함된 패치와 의료 영상의 모든 영역들 간의 차이값을 기초로 로컬 포인트를 식별할 수 있다. 컴퓨팅 장치(100)는 모든 세그먼트에 대하여 차이값 도출 및 로컬 포인트 식별을 위한 연산 과정을 수행할 수 있다. 컴퓨팅 장치(100)는 세그먼트들의 크기를 고려하여 추정된 로컬 포인트의 개수를 특정 조직의 연속 절편에 포함된 절편들의 개수로 결정할 수 있다.

S300 단계에서, 컴퓨팅 장치(100)는 S100 단계를 통해 검출된 세그먼트들이 같은 절편에 포함되는지 여부를 확인하기 위해서, 세그먼트들 간의 거리를 연산할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 유클리디안 거리를 연산하여 세그먼트들 간의 거리를 추정할 수 있다. 또한, 컴퓨팅 장치(100)는 상대적인 기하학적 변환에 따른 세그먼트들의 매칭 정도를 고려하여 세그먼트들 간의 거리를 추정할 수도 있다. 이때, 기하학적 변환이 적용된 세그먼트들 간의 매칭 정도를 판단하기 위해서, 컴퓨팅 장치(100)는 S200 단계에서 연산된 차이값들을 활용할 수 있다.

S400 단계에서, 컴퓨팅 장치(100)는 S200 단계를 통해 도출된 연속 절편에 해당하는 절편들의 개수와 S300 단계를 통해 연산된 세그먼트들 간의 거리를 기초로 연속 절편에 해당하는 절편들을 상호 구별할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 세그먼트들 간의 거리를 기초로 그래프를 생성할 수 있다. 컴퓨팅 장치(100)는 연속 절편에 해당하는 절편들의 개수를 고려하여 세그먼트들 간의 거리에 따라 그래프를 분할할 수 있다. 컴퓨팅 장치(100)는 세그먼트들 간의 거리가 먼 세그먼트들을 우선적으로 식별하여 그래프를 연속 절편에 해당하는 절편들의 개수에 맞추어 분할할 수 있다. 컴퓨팅 장치(100)는 전술한 과정을 통해 분할된 그래프들을 그룹핑하고, 그룹들 각각을 절편에 대응시켜 연속 절편에 해당하는 절편들을 개별적으로 식별할 수 있다. 컴퓨팅 장치(100)를 통해 개별적으로 식별된 연속 절편에 해당하는 조직 절편들에 관한 정보는 병리 진단을 위한 모델의 학습용 데이터, 추론용 데이터 등으로 다양하게 활용될 수 있다.

도 8은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 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(handheld) 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, 일시적 및 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 데이터 등을 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 몇 가지 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 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 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 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 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, 컴퓨팅 디바이스 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 컴퓨팅 디바이스에 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 5GHz 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 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 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 소프트웨어로 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 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 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. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.

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. 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 의료 영상에 대한 연속 절편(serial section) 검출 방법으로서,
   의료 영상에 존재하는 적어도 하나의 조직에 포함된 세그먼트(segment)들을 검출하는 단계;
   상기 검출된 세그먼트들과 상기 의료 영상의 전체 영역 간의 차이값들의 크기를 기초로 추출된 로컬 포인트(local point)에 기초하여, 상기 연속 절편에 해당하는 조직 절편들의 개수를 추정하는 단계;
   상기 세그먼트들 간의 거리를 추정하는 단계; 및
   상기 추정된 조직 절편들의 개수 및 세그먼트들 간의 거리를 기초로, 상기 연속 절편에 해당하는 조직 절편들을 상호 구별하는 단계;
   를 포함하는,
   방법.
   
2. 제 1 항에 있어서,
   상기 세그먼트들을 검출하는 단계는,
   상기 의료 영상을 사전 학습된 딥러닝 모델에 입력하여, 상기 의료 영상에 존재하는 적어도 하나의 조직에 포함된 세그먼트들을 검출하는 단계;
   를 포함하는,
   방법.
   
3. 제 1 항에 있어서,
   상기 세그먼트들을 검출하는 단계는,
   상기 의료 영상의 강도(intensity)를 기초로, 상기 의료 영상에 존재하는 적어도 하나의 조직에 포함된 후보 세그먼트들을 인식하는 단계; 및
   상기 후보 세그먼트들의 크기를 기초로, 상기 후보 세그먼트들로부터 검출 대상에 해당하는 세그먼트들을 결정하는 단계;
   를 포함하는,
   방법.
   
4. 제 1 항에 있어서,
   상기 조직 절편들의 개수를 추정하는 단계는,
   상기 세그먼트들을 각각 상기 의료 영상의 전체 영역과 비교하여, 상기 세그먼트들과 상기 전체 영역 간의 차이값들을 산출하는 단계;
   상기 차이값들의 크기를 기초로, 상기 세그먼트들 각각이 대응되는 영역 별 적어도 하나의 로컬 포인트를 추출하는 단계; 및
   상기 세그먼트들의 크기를 고려하여, 상기 로컬 포인트를 기초로 상기 연속 절편에 해당하는 조직 절편들의 개수를 추정하는 단계;
   를 포함하는,
   방법.
   
5. 제 4 항에 있어서,
   상기 적어도 하나의 로컬 포인트를 추출하는 단계는,
   상기 의료 영상의 전체 영역에서 상기 차이값들의 크기가 임계값 이하인 포인트를 상기 적어도 하나의 로컬 포인트로 결정하는 단계;
   를 포함하는,
   방법.
   
6. 제 4 항에 있어서,
   상기 로컬 포인트를 기초로 상기 연속 절편에 해당하는 조직 절편들의 개수를 추정하는 단계는,
   상기 세그먼트들 각각의 크기를 가중치로 하여 상기 로컬 포인트에 대한 보팅(voting)을 수행함으로써, 상기 연속 절편에 해당하는 조직 절편들의 개수를 추정하는 단계;
   를 포함하는,
   방법.
   
7. 제 1 항에 있어서,
   상기 세그먼트들 간의 거리를 추정하는 단계는,
   상기 세그먼트들에 대한 기하학적 변환(geometric transform)을 수행하는 단계;
   상기 기하학적 변환이 적용된 세그먼트들과 상기 세그먼트들의 기하학적 변환으로 매칭되는 영역 간의 차이값들을 상호 비교하는 단계; 및
   상기 비교의 결과를 기초로 상기 세그먼트들 간의 거리를 추정하는 단계;
   를 포함하는,
   방법.
   
8. 제 7 항에 있어서,
   상기 비교의 결과를 기초로 상기 세그먼트들 간의 거리를 추정하는 단계는,
   상기 기하학적 변환이 적용된 세그먼트들과 상기 세그먼트들의 기하학적 변환으로 매칭되는 영역 간의 차이값들이 상호 대응되는 정도에 기초하여 상기 세그먼트들 간의 거리를 추정하는 단계;
   를 포함하는,
   방법.
   
9. 제 1 항에 있어서,
   상기 연속 절편에 해당하는 조직 절편들을 상호 구별하는 단계는,
   상기 세그먼트들 간의 거리를 기초로 그래프(graph)를 생성하는 단계; 및
   상기 추정된 조직 절편의 개수를 기준으로 상기 그래프를 분할하여, 상기 연속 절편에 해당하는 조직 절편들을 상호 구별하는 단계;
   를 포함하는,
   방법.
   
10. 제 9 항에 있어서,
    상기 그래프는,
    상기 세그먼트들의 크기를 가중치로 하는 노드(node); 및
    상기 세그먼트들 간의 거리를 가중치로 하는 간선(edge);
    를 포함하는,
    방법.
    
11. 제 9 항에 있어서,
    상기 추정된 조직 절편의 개수를 기준으로 상기 그래프를 분할하여, 상기 연속 절편에 해당하는 조직 절편들을 상호 구별하는 단계는,
    상기 세그먼트들 간의 거리에 따라 상기 그래프를 상기 추정된 조직 절편의 개수에 맞추어 구분하는 단계;
    상기 추정된 조직 절편의 개수에 맞추어 구분된 그래프를 기초로 세그먼트들을 그룹핑(grouping) 하는 단계; 및
    상기 그룹핑을 통해 생성된 세그먼트 그룹들 각각을 하나의 조직 절편으로 식별하여 상기 연속 절편에 해당하는 조직 절편들을 상호 구별하는 단계;
    를 포함하는,
    방법.
    
12. 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 의료 영상에 대한 연속 절편(serial section)을 검출하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은:
    의료 영상에 존재하는 적어도 하나의 조직에 포함된 세그먼트(segment)들을 검출하는 동작;
    상기 검출된 세그먼트들과 상기 의료 영상의 전체 영역 간의 차이값들의 크기를 기초로 추출된 로컬 포인트(local point)에 기초하여, 상기 연속 절편에 해당하는 조직 절편들의 개수를 추정하는 동작;
    상기 세그먼트들 간의 거리를 추정하는 동작; 및
    상기 추정된 조직 절편들의 개수 및 세그먼트들 간의 거리를 기초로 상기 연속 절편에 해당하는 조직 절편들을 상호 구별하는 동작;
    을 포함하는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
    
13. 의료 영상에 대한 연속 절편(serial section)을 검출하는 컴퓨팅 장치로서,
    적어도 하나의 코어를 포함하는 프로세서;
    상기 프로세서에서 실행가능한 프로그램 코드들을 포함하는 메모리; 및
    의료 영상을 수신하기 위한 네트워크부;
    를 포함하고,
    상기 프로세서는,
    상기 의료 영상에 존재하는 적어도 하나의 조직에 포함된 세그먼트(segment)들을 검출하고,
    상기 검출된 세그먼트들과 상기 의료 영상의 전체 영역 간의 차이값들의 크기를 기초로 추출된 로컬 포인트(local point)에 기초하여, 상기 연속 절편에 해당하는 조직 절편들의 개수를 추정하고,
    상기 세그먼트들을 기초로 연속 절편에 해당하는 조직 절편들의 개수 및 상기 세그먼트들 간의 거리를 추정하며,
    상기 추정된 조직 절편들의 개수 및 세그먼트들 간의 거리를 기초로 상기 연속 절편에 해당하는 조직 절편들을 상호 구별하는,
    장치.
    

Images