KR102650614B1 - 흉부 ct 영상을 이용한 늑골 골절과 혈흉 예측 방법 및 시스템 - Google Patents
흉부 ct 영상을 이용한 늑골 골절과 혈흉 예측 방법 및 시스템 Download PDFInfo
- Publication number
- KR102650614B1 KR102650614B1 KR1020220063371A KR20220063371A KR102650614B1 KR 102650614 B1 KR102650614 B1 KR 102650614B1 KR 1020220063371 A KR1020220063371 A KR 1020220063371A KR 20220063371 A KR20220063371 A KR 20220063371A KR 102650614 B1 KR102650614 B1 KR 102650614B1
- Authority
- KR
- South Korea
- Prior art keywords
- rib
- fracture
- hemothorax
- patch
- chest
- Prior art date
Links
- 208000027790 Rib fracture Diseases 0.000 title claims abstract description 177
- 206010019027 Haemothorax Diseases 0.000 title claims abstract description 170
- 238000000034 method Methods 0.000 title claims abstract description 67
- 210000000038 chest Anatomy 0.000 title description 55
- 238000003325 tomography Methods 0.000 title 1
- 206010017076 Fracture Diseases 0.000 claims abstract description 161
- 208000010392 Bone Fractures Diseases 0.000 claims abstract description 157
- 230000011218 segmentation Effects 0.000 claims abstract description 31
- 238000004458 analytical method Methods 0.000 claims abstract description 30
- 239000000284 extract Substances 0.000 claims abstract description 10
- 208000006670 Multiple fractures Diseases 0.000 claims description 37
- 210000000988 bone and bone Anatomy 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 11
- 210000004072 lung Anatomy 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 description 73
- 238000010586 diagram Methods 0.000 description 17
- 238000013527 convolutional neural network Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 201000004193 respiratory failure Diseases 0.000 description 3
- 206010008479 Chest Pain Diseases 0.000 description 2
- 206010016747 Flail chest Diseases 0.000 description 2
- 206010001053 acute respiratory failure Diseases 0.000 description 2
- 230000003601 intercostal effect Effects 0.000 description 2
- 208000002193 Pain Diseases 0.000 description 1
- 208000004756 Respiratory Insufficiency Diseases 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 231100000516 lung damage Toxicity 0.000 description 1
- 201000003144 pneumothorax Diseases 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis 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 or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/46—Arrangements for interfacing with the operator or the patient
- A61B6/461—Displaying means of special interest
- A61B6/465—Displaying means of special interest adapted to display user selection data, e.g. graphical user interface, icons or menus
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/505—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of bone
-
- 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
- G06T2207/10—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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- General Physics & Mathematics (AREA)
- Physiology (AREA)
- Pulmonology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Quality & Reliability (AREA)
- Human Computer Interaction (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
본 발명은 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 방법 및 시스템에 관한 것이다.
본 발명의 일 실시예에 따른 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 방법은, 각 단계가 컴퓨터 시스템에 의해 수행되며, 단일 늑골 골절의 경우에 흉부 CT 영상을 이용하여 늑골 골절과 혈흉 발생 가능성을 예측하는 방법으로서, 늑골 영역 분할에 대해 사전에 학습된 늑골 영역 분할 AI 모델이 흉부 CT 영상을 입력받아 흉부 CT 영상으로부터 늑골 영역을 추출하는 단계와; 늑골 골절에 대해 사전에 학습된 골절 분류 AI 모델이 상기 늑골 영역 분할 AI 모델에 의해 추출된 늑골 영역을 입력받아 늑골 골절 여부를 판별하는 단계와; 늑골 골절로 판별된 경우, 골절 분류 AI 모델이 늑골 골절이 검출된 슬라이스들 중에서 키(key) 슬라이스를 설정하고, 설정된 키(key) 슬라이스의 골절 부위와 주변의 영역을 3D 패치로 구성하는 단계와; 혈흉 발생 예측 모델이 골절 분류 AI 모델에 의해 구성된 3D 패치를 분석하여 패치 단위의 혈흉 발생 가능성을 표시하는 단계; 및 혈흉 발생 예측 모델이 모든 3D 패치에 대한 분석 처리가 완료되었는지를 판별하고, 모든 3D 패치에 대한 분석 처리가 완료되었으면 3D 패치의 분석을 종료하는 단계를 포함한다.
본 발명의 일 실시예에 따른 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 방법은, 각 단계가 컴퓨터 시스템에 의해 수행되며, 단일 늑골 골절의 경우에 흉부 CT 영상을 이용하여 늑골 골절과 혈흉 발생 가능성을 예측하는 방법으로서, 늑골 영역 분할에 대해 사전에 학습된 늑골 영역 분할 AI 모델이 흉부 CT 영상을 입력받아 흉부 CT 영상으로부터 늑골 영역을 추출하는 단계와; 늑골 골절에 대해 사전에 학습된 골절 분류 AI 모델이 상기 늑골 영역 분할 AI 모델에 의해 추출된 늑골 영역을 입력받아 늑골 골절 여부를 판별하는 단계와; 늑골 골절로 판별된 경우, 골절 분류 AI 모델이 늑골 골절이 검출된 슬라이스들 중에서 키(key) 슬라이스를 설정하고, 설정된 키(key) 슬라이스의 골절 부위와 주변의 영역을 3D 패치로 구성하는 단계와; 혈흉 발생 예측 모델이 골절 분류 AI 모델에 의해 구성된 3D 패치를 분석하여 패치 단위의 혈흉 발생 가능성을 표시하는 단계; 및 혈흉 발생 예측 모델이 모든 3D 패치에 대한 분석 처리가 완료되었는지를 판별하고, 모든 3D 패치에 대한 분석 처리가 완료되었으면 3D 패치의 분석을 종료하는 단계를 포함한다.
Description
본 발명은 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 방법 및 시스템에 관한 것으로서, 더 상세하게는 흉부 CT 촬영 영상을 인공 지능(AI, Artificial Intelligence) 모델로 분석하여 늑골 골절 위치를 찾고, 추후 혈흉(hemothorax) 발생 가능성을 예측할 수 있는 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 방법 및 시스템에 관한 것이다.
교통사고 등에 의한 흉부 외상, 심폐소생술은 다발성 늑골 골절(다수의 갈비뼈 골절)을 유발할 수 있다. 다발성 늑골 골절은 골절편에 의한 폐손상으로 혈흉(hemothorax), 기흉(pneumothorax)을 초래할 수 있을 뿐 아니라, 호흡 중 늑골의 지지가 손실됨으로써 연가양 흉부(또는 동요 가슴, flail chest)를 유발하기도 한다. 특히 연속적으로 3개 이상의 늑골이 양단에서 골절될 경우에는 연가양 흉부가 자주 발생한다. 연가양 흉부가 발생하면 환자가 흡기(inspiration)를 할 때 늑골이 지지되지 않고 흉강 쪽으로 허탈(collapse)됨으로써 충분한 흡기가 이루어지지 않아 급성 호흡부전(acute respiratory failure)이 발생한다. 연가양 흉부는 늑골 골절이 치료될 때(4주 정도)까지 계속될 수 있으며, 연가양 흉부로 인한 호흡부전을 치료하려면 지속적인 양압 호흡기 치료가 필요하다.
늑골 골절로 환자가 응급실로 이송되면, 일반적으로 CT 촬영을 하게 되며, 이러한 CT 촬영 영상을 통해 늑골 골절 부위를 찾게 된다. 늑골 골절은 또한 추후에 혈흉을 발생시킬 수 있다. 혈흉의 원인으로는 늑간 동맥(intercostal artery), 늑간 정맥(intercostal vein), 폐실질(lung parenchymal) 등의 손상을 들 수 있다.
한편, 한국 등록특허공보 제10-1685300호(특허문헌 1)에는 "늑골 고정 장치"가 개시되어 있는 바, 이에 따른 늑골 고정 장치는 환자의 늑골 골절 부위를 고정시키는 늑골 고정 장치(10)에 있어서, 늑골 골절 부위의 주변부를 지지하기 위한 흉곽지지수단(11); 늑골 골절 부위에 흡착되는 흡착수단(19); 및 상기 흡착수단(19)을 상기 흉곽지지수단(11) 방향으로 견인시키는 당김 수단(14)을 포함하여 구성되는 것을 특징으로 한다.
이상과 같은 특허문헌 1의 경우, 골절된 늑골의 형태가 움직이지 않도록 고정 및 안정화 시킬 수 있어 통증을 완화시킬 수 있고, 연가양 흉부에서 발생할 수 있는 허탈 현상을 방지하여 급성 호흡부전을 예방할 수 있는 장점이 있기는 하나, 기술의 특성상 물리적으로 늑골을 고정 및 지지하는 장치임에 따라, 흉부 CT 촬영 영상을 분석하여 늑골 골절 위치를 정확히 찾아 내고, 추후 혈흉(hemothorax) 발생 가능성을 예측하는 부분까지 적용하기는 어렵다.
본 발명은 상기와 같은 종래 기술의 문제점을 종합적으로 감안하여 창출된 것으로서, 흉부 CT 촬영 영상을 인공 지능(AI) 모델로 분석하여 늑골 골절 위치를 찾을 뿐만 아니라, 추후 혈흉 발생 가능성을 예측할 수 있는 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 방법 및 시스템을 제공함에 그 목적이 있다.
상기의 목적을 달성하기 위하여 본 발명의 일 실시예에 따른 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 방법은,
각 단계가 컴퓨터 시스템에 의해 수행되며, 단일 늑골 골절의 경우에 흉부 CT 영상을 이용하여 늑골 골절과 혈흉 발생 가능성을 예측하는 방법으로서,
a) 늑골 영역 분할에 대해 사전에 학습된 늑골 영역 분할 AI 모델이 흉부 CT 영상을 입력받아 흉부 CT 영상으로부터 늑골 영역을 추출하는 단계와;
b) 늑골 골절에 대해 사전에 학습된 골절 분류 AI 모델이 상기 늑골 영역 분할 AI 모델에 의해 추출된 늑골 영역을 입력받아 늑골 골절 여부를 판별하는 단계와;
c) 상기 판별에서 늑골 골절로 판별된 경우, 상기 골절 분류 AI 모델이 늑골 골절이 검출된 슬라이스들 중에서 키(key) 슬라이스를 설정하고, 설정된 키(key) 슬라이스의 골절 부위와 주변의 영역을 3D 패치로 구성하는 단계와;
d) 혈흉 발생 예측 모델이 상기 골절 분류 AI 모델에 의해 구성된 3D 패치를 분석하여 패치 단위의 혈흉 발생 가능성을 표시하는 단계; 및
e) 상기 혈흉 발생 예측 모델이 모든 3D 패치에 대한 분석 처리가 완료되었는지를 판별하고, 모든 3D 패치에 대한 분석 처리가 완료되었으면 3D 패치의 분석을 종료하는 단계를 포함하는 점에 그 특징이 있다.
여기서, 상기 단계 c)에서 상기 키(key) 슬라이스를 설정함에 있어서, 연속된 슬라이스에서 골절이 검출되었을 때, 늑골 골절 확률이 가장 높은 슬라이스를 키(key) 슬라이스로 설정할 수 있다.
이때, 또한 상기 단계 c)에서 상기 키(key) 슬라이스를 설정함에 있어서, 연속된 골절 슬라이스들 중에서 중간에 위치하는 슬라이스를 키(key) 슬라이스로 설정할 수 있다.
또한, 상기 단계 c)에서 상기 골절 분류 AI 모델이 늑골 골절이 검출된 슬라이스들 중에서 키(key) 슬라이스의 골절 부위와 주변의 영역을 3D 패치로 구성함에 있어서, 골절이 있는 뼈 영역과 골절 뼈 영역의 장축과 직교하는 폐 영역의 일부를 포함하는 소정 크기의 사각형 영역을 패치 영역으로 설정할 수 있다.
또한, 상기 단계 d)에서 상기 혈흉 발생 예측 모델이 패치 단위의 혈흉 발생 가능성을 표시함에 있어서, 골절된 해당 늑골의 위치(번호) 표기와 함께 혈흉 발생 가능성을 백분율(%)로 표시할 수 있다.
또한, 상기의 목적을 달성하기 위하여 본 발명의 다른 실시예에 따른 늑골 골절과 혈흉 예측 방법은,
각 단계가 컴퓨터 시스템에 의해 수행되며, 단일 및 다발성 늑골 골절의 경우에 흉부 CT 영상을 이용하여 늑골 골절과 혈흉 발생 가능성을 예측하는 방법으로서,
j) 늑골 영역 분할에 대해 사전에 학습된 늑골 영역 분할 AI 모델이 흉부 CT 영상을 입력받아 흉부 CT 영상으로부터 늑골 영역을 추출하는 단계와;
k) 늑골 골절에 대해 사전에 학습된 골절 분류 AI 모델이 상기 늑골 영역 분할 AI 모델에 의해 추출된 늑골 영역을 입력받아 늑골 골절 여부를 판별하는 단계와;
l) 상기 단계 k)의 판별에서 늑골 골절로 판별된 경우, 상기 골절 분류 AI 모델이 다발성 골절 여부를 판별하는 단계와;
m) 상기 단계 l)의 판별에서 다발성 골절로 판별된 경우, 상기 골절 분류 AI 모델이 다발성 골절이 인접 늑골에서 발생했는지를 판별하는 단계와;
n) 상기 단계 m)의 판별에서 다발성 골절이 인접 늑골에서 발생한 것으로 판별된 경우, 상기 골절 분류 AI 모델이 늑골 골절이 검출된 슬라이스들 중에서 키(key) 슬라이스를 설정하고, 설정된 키(key) 슬라이스의 골절 부위와 주변의 영역을 다발성 3D 패치로 구성하는 단계와;
o) 혈흉 발생 예측 모델이 상기 골절 분류 AI 모델에 의해 구성된 다발성 3D 패치를 분석하여 패치 단위의 혈흉 발생 가능성을 표시하는 단계; 및
p) 상기 혈흉 발생 예측 모델이 모든 3D 패치에 대한 분석 처리가 완료되었는지를 판별하고, 모든 3D 패치에 대한 분석 처리가 완료되었으면 3D 패치의 분석을 종료하는 단계를 포함하는 점에 그 특징이 있다.
여기서, 상기 단계 l)의 판별에서 다발성 골절이 아닌 단일 골절로 판별된 경우, q) 상기 골절 분류 AI 모델이 단일 골절에서의 늑골 골절이 검출된 슬라이스들 중에서 키(key) 슬라이스를 설정하고, 설정된 키(key) 슬라이스의 골절 부위와 주변의 영역을 3D 패치로 구성하는 단계와;
r) 혈흉 발생 예측 모델이 상기 단계 q)에서 상기 골절 분류 AI 모델에 의해 구성된 3D 패치를 분석하여 패치 단위의 혈흉 발생 가능성을 표시하는 단계를 더 포함할 수 있다.
또한, 상기 단계 m)의 판별에서 다발성 골절이 인접 늑골이 아닌 동일 늑골에서 발생한 것으로 판별된 경우, s) 상기 골절 분류 AI 모델이 동일 늑골에서의 늑골 골절이 검출된 슬라이스들 중에서 키(key) 슬라이스를 설정하고, 설정된 키(key) 슬라이스의 골절 부위와 주변의 영역을 다발성 3D 패치로 구성하는 단계와;
t) 혈흉 발생 예측 모델이 상기 단계 s)에서 상기 골절 분류 AI 모델에 의해 구성된 다발성 3D 패치를 분석하여 패치 단위의 혈흉 발생 가능성을 표시하는 단계를 더 포함할 수 있다.
또한, 상기 단계 n)에서 상기 키(key) 슬라이스를 설정함에 있어서, 연속된 슬라이스에서 골절이 검출되었을 때, 늑골 골절 확률이 가장 높은 슬라이스를 키(key) 슬라이스로 설정할 수 있다.
이때, 또한 상기 단계 n)에서 상기 키(key) 슬라이스를 설정함에 있어서, 연속된 골절 슬라이스들 중에서 중간에 위치하는 슬라이스를 키(key) 슬라이스로 설정할 수 있다.
또한, 상기 단계 n)에서 상기 골절 분류 AI 모델이 늑골 골절이 검출된 슬라이스들 중에서 키(key) 슬라이스의 골절 부위와 주변의 영역을 다발성 3D 패치로 구성함에 있어서, 골절이 있는 뼈 영역과 골절 뼈 영역의 장축과 직교하는 폐 영역의 일부를 포함하는 소정 크기의 사각형 영역을 다발성 패치 영역으로 설정할 수 있다.
이때, 또한 상기 단계 n)에서 상기 골절 분류 AI 모델이 늑골 골절이 검출된 슬라이스들 중에서 키(key) 슬라이스의 골절 부위와 주변의 영역을 다발성 3D 패치로 구성함에 있어서, 인접 늑골 및 동일 늑골에서 각각 발생한 다발성 골절에 대하여, 각 단위 골절 부위마다 각각 3D 패치로 구성할 수 있다.
이때, 또한 상기 단계 n)에서 상기 골절 분류 AI 모델이 늑골 골절이 검출된 슬라이스들 중에서 키(key) 슬라이스의 골절 부위와 주변의 영역을 다발성 3D 패치로 구성함에 있어서, 인접 늑골 및 동일 늑골에서 각각 발생한 다발성 골절에 대하여, 각 단위 골절 부위를 전체적으로 감싸는 하나의 영역을 각각 형성하고, 형성된 하나의 영역을 다발성 3D 패치로 각각 구성할 수 있다.
또한, 상기 단계 o)에서 상기 혈흉 발생 예측 모델이 패치 단위의 혈흉 발생 가능성을 표시함에 있어서, 골절된 해당 늑골의 위치(번호) 표기와 함께 혈흉 발생 가능성을 백분율(%)로 표시할 수 있다.
또한, 상기의 목적을 달성하기 위하여 본 발명의 실시예에 따른 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 시스템은,
흉부 CT 영상을 입력받는 영상 입력부와;
늑골 영역 분할에 대해 사전에 학습된 늑골 영역 분할 AI 모델에 의해 상기 영상입력부를 통해 입력된 흉부 CT 영상으로부터 늑골 영역을 추출하는 늑골 영역 추출부와;
늑골 골절에 대해 사전에 학습된 골절 분류 AI 모델에 의해 상기 늑골 영역 추출부에서 추출된 늑골 영역을 입력받아 늑골 골절 여부를 판별하는 늑골 골절 판별부와;
상기 늑골 골절 판별부의 판별 결과 늑골 골절로 판별된 경우, 늑골 골절이 검출된 슬라이스들 중에서 키(key) 슬라이스를 설정하고, 설정된 키(key) 슬라이스의 골절 부위와 주변의 영역을 3D 패치로 구성하는 3D 패치 구성부와;
혈흉 발생 예측 모델에 의해 상기 3D 패치 구성부에 의해 구성된 3D 패치를 분석하여 패치 단위의 혈흉 발생 가능성을 표시하는 혈흉 가능성 표시부; 및
상기 영상 입력부, 늑골 영역 추출부, 늑골 골절 판별부, 3D 패치 구성부, 혈흉 가능성 표시부의 상태 체크 및 동작을 제어하고, 상기 혈흉 가능성 표시부가 3D 패치를 분석하여 패치의 혈흉 발생 가능성을 표시하도록 하는 제어 명령을 상기 혈흉 가능성 표시부로 전송하는 제어부를 포함하는 점에 그 특징이 있다.
여기서, 바람직하게는 외부의 기기와 데이터를 송/수신하기 위한 통신부를 더 포함할 수 있다.
또한, 상기 3D 패치 구성부가 상기 키(key) 슬라이스를 설정함에 있어서, 연속된 슬라이스에서 골절이 검출되었을 때, 늑골 골절 확률이 가장 높은 슬라이스를 키(key) 슬라이스로 설정할 수 있다.
이때, 또한 상기 3D 패치 구성부가 상기 키(key) 슬라이스를 설정함에 있어서, 연속된 골절 슬라이스들 중에서 중간에 위치하는 슬라이스를 키(key) 슬라이스로 설정할 수 있다.
또한, 상기 3D 패치 구성부가 늑골 골절이 검출된 슬라이스들 중에서 키(key) 슬라이스의 골절 부위와 주변의 영역을 3D 패치로 구성함에 있어서, 골절이 있는 뼈 영역과 골절 뼈 영역의 장축과 직교하는 폐 영역의 일부를 포함하는 소정 크기의 사각형 영역을 패치 영역으로 설정할 수 있다.
이때, 또한 상기 3D 패치 구성부가 늑골 골절이 검출된 슬라이스들 중에서 키(key) 슬라이스의 골절 부위와 주변의 영역을 3D 패치로 구성함에 있어서, 인접 늑골 및 동일 늑골에서 각각 다발성 골절이 발생한 경우, 각 단위 골절 부위마다 각각 3D 패치로 구성할 수 있다.
이때, 또한 상기 3D 패치 구성부가 늑골 골절이 검출된 슬라이스들 중에서 키(key) 슬라이스의 골절 부위와 주변의 영역을 3D 패치로 구성함에 있어서, 인접 늑골 및 동일 늑골에서 각각 다발성 골절이 발생한 경우, 각 단위 골절 부위를 전체적으로 감싸는 하나의 영역을 각각 형성하고, 형성된 하나의 영역을 3D 패치로 각각 구성할 수 있다.
또한, 상기 혈흉 가능성 표시부가 패치 단위의 혈흉 발생 가능성을 표시함에 있어서, 골절된 해당 늑골의 위치(번호) 표기와 함께 혈흉 발생 가능성을 백분율(%)로 표시할 수 있다.
이와 같은 본 발명에 의하면, 흉부 CT 촬영 영상을 인공 지능(AI) 모델로 분석하여 늑골 골절 위치를 찾을 뿐만 아니라, 추후 혈흉 발생 가능성을 예측할 수 있는 장점이 있다.
따라서, 늑골 골절 환자에게 추후에 나타날 수 있는 혈흉의 가능성을 인지시켜 합병증이나 사망을 예방하는데 도움을 줄 수 있을 뿐만 아니라, 응급환자의 흉부 CT 영상에서 혈흉 가능성을 예측하여 의료진의 응급 조치나 치료 방침 수립에 도움을 줄 수 있다.
도 1은 본 발명의 실시예에 따른 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 시스템의 구성을 개략적으로 나타낸 도면이다.
도 2는 본 발명의 일 실시예에 따른 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 방법의 실행 과정을 나타낸 흐름도이다.
도 3은 키(key) 슬라이스의 늑골 골절 부위를 바탕으로 3D 패치를 구성하는 전체적인 과정을 나타낸 도면이다.
도 4는 키(key) 슬라이스의 늑골 골절 부위를 바탕으로 패치 영역을 설정하는 것을 나타낸 도면이다.
도 5는 본 발명의 다른 실시예에 따른 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 방법의 실행 과정을 나타낸 흐름도이다.
도 6은 키(key) 슬라이스의 다발성 골절을 고려한 패치 영역의 설정을 나타낸 도면이다.
도 7은 늑골 골절이 3개인 경우와 2개인 경우에 각각 패치 영역을 설정하는 것을 나타낸 도면이다.
도 8은 다발성 골절에 대한 "골절" 단위의 3D 패치 구성을 나타낸 도면이다.
도 9는 다발성 골절에 대한 3D 패치 구성의 예를 나타낸 도면이다.
도 10은 늑골 골절 검출 및 혈흉 발생 예측 결과를 나타낸 도면이다.
도 11은 늑골 영역 분할 AI 모델의 구조 및 영상 입력으로부터 최종 결과 출력까지의 과정을 나타낸 도면이다.
도 12는 골절 분류 AI 모델의 구조 및 영상 입력으로부터 최종 결과 출력까지의 과정을 나타낸 도면이다.
도 13a는 단일 골절의 경우 혈흉 발생 예측 모델의 구조 및 영상 입력으로부터 최종 결과 출력까지의 과정을 나타낸 도면이다.
도 13b는 다발성 골절의 경우 혈흉 발생 예측 모델의 구조 및 영상 입력으로부터 최종 결과 출력까지의 과정을 나타낸 도면이다.
도 2는 본 발명의 일 실시예에 따른 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 방법의 실행 과정을 나타낸 흐름도이다.
도 3은 키(key) 슬라이스의 늑골 골절 부위를 바탕으로 3D 패치를 구성하는 전체적인 과정을 나타낸 도면이다.
도 4는 키(key) 슬라이스의 늑골 골절 부위를 바탕으로 패치 영역을 설정하는 것을 나타낸 도면이다.
도 5는 본 발명의 다른 실시예에 따른 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 방법의 실행 과정을 나타낸 흐름도이다.
도 6은 키(key) 슬라이스의 다발성 골절을 고려한 패치 영역의 설정을 나타낸 도면이다.
도 7은 늑골 골절이 3개인 경우와 2개인 경우에 각각 패치 영역을 설정하는 것을 나타낸 도면이다.
도 8은 다발성 골절에 대한 "골절" 단위의 3D 패치 구성을 나타낸 도면이다.
도 9는 다발성 골절에 대한 3D 패치 구성의 예를 나타낸 도면이다.
도 10은 늑골 골절 검출 및 혈흉 발생 예측 결과를 나타낸 도면이다.
도 11은 늑골 영역 분할 AI 모델의 구조 및 영상 입력으로부터 최종 결과 출력까지의 과정을 나타낸 도면이다.
도 12는 골절 분류 AI 모델의 구조 및 영상 입력으로부터 최종 결과 출력까지의 과정을 나타낸 도면이다.
도 13a는 단일 골절의 경우 혈흉 발생 예측 모델의 구조 및 영상 입력으로부터 최종 결과 출력까지의 과정을 나타낸 도면이다.
도 13b는 다발성 골절의 경우 혈흉 발생 예측 모델의 구조 및 영상 입력으로부터 최종 결과 출력까지의 과정을 나타낸 도면이다.
본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정되어 해석되지 말아야 하며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야 한다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다. 또한, 명세서에 기재된 "…부", "…기", "모듈", "장치" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
이하 첨부된 도면을 참조하여 본 발명의 실시예를 상세히 설명한다.
도 1은 본 발명의 실시예에 따른 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 시스템의 구성을 개략적으로 나타낸 도면이다.
도 1을 참조하면, 본 발명의 실시예에 따른 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 시스템(100)은 영상 입력부(110), 늑골 영역 추출부(120), 늑골 골절 판별부(130), 3D 패치 구성부(140), 혈흉 가능성 표시부(150), 제어부(160)를 포함하여 구성된다.
영상 입력부(110)는 흉부 CT 영상을 입력받는다. 이와 같은 영상 입력부 (110)는 물론 필요에 따라서는 흉부 CT 영상 외에도 신체의 다른 부위(예컨대, 팔, 다리, 배, 머리 등)에 대한 CT 영상을 입력받을 수도 있다.
늑골 영역 추출부(120)는 늑골 영역 분할에 대해 사전에 학습된 늑골 영역 분할 AI 모델에 의해 상기 영상 입력부(110)를 통해 입력된 흉부 CT 영상으로부터 늑골 영역을 추출한다. 여기서, 상기 늑골 영역 분할 AI 모델의 학습과 추론에 대해 조금 더 설명을 부가해 보기로 한다.
도 11은 늑골 영역 분할 AI 모델의 구조 및 영상 입력으로부터 최종 결과 출력까지의 과정을 나타낸 도면이다.
도 11을 참조하면, 늑골 영역 분할 AI 모델은 흉부 CT 촬영에서 얻어진 모든 축방향 영상(axial image) 슬라이드(slice)를 입력하여 늑골(Rib)에 대한 영역을 출력 결과로 얻는다. 상기 늑골 영역 분할 AI 모델의 학습 과정에서는 상기 축방향 영상(axial image)과 정답(ground truth) 늑골 영역을 사용하여 늑골 영역 분할 AI 모델을 학습한다. 그리고 늑골 영역 분할 AI 모델의 추론 과정에서는 늑골 영역 분할 AI 모델에 축방향 영상(axial image)을 입력하여 늑골 영역을 출력으로 얻는다. 상기 늑골 영역 분할 AI 모델의 학습 방법에 있어서, 학습 데이터는 원영상과 좌우대칭, [0,9,1,1] 범위의 랜덤 배율로 확대 확대, 축소를 적용하여 5배 증폭한다. 또한, 이와 같은 학습 데이터는 GPU(graphics processing unit)의 메모리 용량을 고려하여 미니 배치(mini batch)로 구성한다. 늑골 영역 분할 AI 모델은 2차원 CNN(convolutional neural network)을 구성하여 사용한다. 학습에 사용되는 에너지 함수(energy function)로는 늑골 영역 정답과 출력된 늑골 영역에 대한 픽셀 단위(pixel-wise)의 크로스엔트로피(cross entropy) 손실함수(loss function)를 사용한다. 늑골 영역 분할 AI 모델의 최적화 알고리즘(optimization algorithm)으로는 Adam(adaptive momentum estimation)을 사용하여 네트워크의 연결강도 갱신(weight update)을 진행하며 최적화한다.
늑골 골절 판별부(130)는 늑골 골절에 대해 사전에 학습된 골절 분류 AI 모델에 의해 상기 늑골 영역 추출부(120)에서 추출된 늑골 영역을 입력받아 늑골 골절 여부를 판별한다. 여기서, 이상과 같은 골절 분류 AI 모델의 학습과 추론에 대해 조금 더 설명을 부가해 보기로 한다.
도 12는 골절 분류 AI 모델의 구조 및 영상 입력으로부터 최종 결과 출력까지의 과정을 나타낸 도면이다.
도 12를 참조하면, 골절 분류 AI 모델은 상기 늑골 영역 분할 AI 모델의 출력 결과에 연결성분(connected component) 분석을 적용하여 얻은 늑골(Rib) 영역을 패치(patch)로 구성하여 입력하고, 패치마다 골절(fracture) 여부를 예측하여 [0, 1]의 값을 얻는다. 골절 분류 AI 모델의 학습 과정에서는 늑골 골절이 있는 패치와 골절이 없는 패치를 사용한다. 그리고 골절 분류 AI 모델의 추론 과정에서는 늑골 영역 분할 AI 모델에 연결성분 분석을 적용하여 얻은 늑골 패치를 입력하여, 골절 여부를 얻는다. 골절 분류 AI 모델의 학습 방법에 있어서, 학습 데이터는 원영상과, 상하좌우 대칭, [0.9~1.1] 범위의 랜덤 배율로 확대, 축소를 적용하여 10배 증폭한다. 또한, 학습 데이터는 GPU의 메모리 용량을 고려하여 미니 배치(mini batch)로 구성한다. 골절 분류 AI 모델은 2차원 CNN(convolutional neural network)을 구성하여 사용하며, 학습에 사용되는 에너지함수(energy function)로는 골절(fracture)과 골절이 없는(no fracture) 패치로 분류할 수 있도록 크로스엔트로피(cross entropy) 손실함수(loss function)를 사용한다. 또한, 골절 분류 AI 모델의 최적화 알고리즘(optimization algorithm)으로는 Adam(adaptive momentum estimation)을 사용하여 네트워크의 연결강도 갱신(weight update)을 진행하며 최적화한다.
3D 패치 구성부(140)는 상기 늑골 골절 판별부(130)의 판별 결과 늑골 골절로 판별된 경우, 도 3에 도시된 바와 같이, 늑골 골절이 검출된 슬라이스들 중에서 키(key) 슬라이스를 설정하고, 설정된 키(key) 슬라이스의 골절 부위와 주변의 영역을 3D 패치로 구성한다. 여기서, 이와 같은 3D 패치 구성부(140)가 상기 키(key) 슬라이스를 설정함에 있어서, 연속된 슬라이스에서 골절이 검출되었을 때, 늑골 골절 확률이 가장 높은 슬라이스를 키(key) 슬라이스로 설정할 수 있다. 이때, 또한 상기 3D 패치 구성부(140)가 상기 키(key) 슬라이스를 설정함에 있어서, 연속된 골절 슬라이스들 중에서 중간에 위치하는 슬라이스를 키(key) 슬라이스로 설정할 수 있다.
또한, 상기 3D 패치 구성부(140)가 늑골 골절이 검출된 슬라이스들 중에서 키(key) 슬라이스의 골절 부위와 주변의 영역을 3D 패치로 구성함에 있어서, 골절이 있는 뼈 영역과 골절 뼈 영역의 장축과 직교하는 폐 영역의 일부를 포함하는 소정 크기의 사각형 영역을 패치 영역으로 설정할 수 있다.
이때, 또한 상기 3D 패치 구성부(140)가 늑골 골절이 검출된 슬라이스들 중에서 키(key) 슬라이스의 골절 부위와 주변의 영역을 3D 패치로 구성함에 있어서, 인접 늑골 및 동일 늑골에서 각각 다발성 골절이 발생한 경우, 각 단위 골절 부위마다 각각 3D 패치로 구성할 수 있다. 이때, 또한 상기 3D 패치 구성부(140)가 늑골 골절이 검출된 슬라이스들 중에서 키(key) 슬라이스의 골절 부위와 주변의 영역을 3D 패치로 구성함에 있어서, 인접 늑골 및 동일 늑골에서 각각 다발성 골절이 발생한 경우, 각 단위 골절 부위를 전체적으로 감싸는 하나의 영역을 각각 형성하고, 형성된 하나의 영역을 3D 패치로 각각 구성할 수 있다. 이상과 같은 3D 패치 구성부(140)의 키(key) 슬라이스 설정 및 3D 패치 구성과 관련해서는 뒤에서 다시 설명하기로 한다.
혈흉 가능성 표시부(150)는 혈흉 발생 예측 모델에 의해 상기 3D 패치 구성부(140)에 의해 구성된 3D 패치를 분석하여 패치 단위의 혈흉 발생 가능성을 표시한다. 여기서, 이와 같이 혈흉 가능성 표시부(150)가 패치 단위의 혈흉 발생 가능성을 표시함에 있어서, 도 10의 (a)와 같이, 골절된 해당 늑골의 위치(번호) 표기와 함께 혈흉 발생 가능성을 백분율(%)로 표시할 수 있다. 여기서, 이상과 같은 혈흉 발생 예측 모델의 학습과 추론에 대해 조금 더 설명을 부가해 보기로 한다.
도 13a는 단일 골절의 경우 혈흉 발생 예측 모델의 구조 및 영상 입력으로부터 최종 결과 출력까지의 과정을 나타낸 도면이고, 도 13b는 다발성 골절의 경우 혈흉 발생 예측 모델의 구조 및 영상 입력으로부터 최종 결과 출력까지의 과정을 나타낸 도면이다.
도 13a 및 도 13b를 참조하면, 혈흉 발생 예측 모델은 골절 분류 AI 모델의 결과를 바탕으로 3D 골절패치(fracture patch)를 구성하여 입력하고, 3D 패치마다 혈흉(hemothorax) 발생 가능성을 예측하여 [0,1]의 결과값을 얻는다. 혈흉 발생 예측 모델의 학습 과정에서는 골절 후 실제 혈흉이 발생했던 골절패치와 골절은 있었으나 혈흉이 발생하지 않았던 골절의 패치를 사용한다. 그리고 추론 과정에서는 골절 분류 AI 모델에서 얻은 3D 골절패치를 입력하여, 혈흉 발생 가능성을 얻는다. 혈흉 발생 예측 모델의 학습 방법에 있어서, 학습 데이터는 원영상과, 상하좌우 대칭, [0.9∼1.1] 범위의 랜덤 배율로 확대, 축소를 적용하여 10배 증폭한다. 또한, 학습 데이터는 GPU의 메모리 용량을 고려하여 미니 배치(mini batch)로 구성한다. 이와 같은 혈흉 발생 예측 모델은 3차원 CNN(convolutional neural network)을 구성하여 사용하고, 학습에 사용되는 에너지함수(energy function)로는 혈흉이 발생될 수 있는 3D 골절패치와 혈흉이 발생되지 않을 패치로 분류할 수 있도록 크로스엔트로피(cross entropy) 손실함수(loss function)를 사용한다. 그리고 혈흉 발생 예측 모델의 최적화 알고리즘(optimization algorithm)으로는 Adam(adaptive momentum estimation)을 사용하여 3D CNN 모델의 연결강도 갱신(weight update)을 진행하며 최적화한다.
제어부(160)는 상기 영상 입력부(110), 늑골 영역 추출부(120), 늑골 골절 판별부(130), 3D 패치 구성부(140), 혈흉 가능성 표시부(150)의 상태 체크 및 동작을 제어하고, 상기 혈흉 가능성 표시부(150)가 3D 패치를 분석하여 패치의 혈흉 발생 가능성을 표시하도록 하는 제어 명령을 상기 혈흉 가능성 표시부(150)로 전송한다. 여기서, 이와 같은 제어부(160)는 마이크로프로세서나 마이크로컨트롤러 등으로 구성될 수 있다.
이상과 같은 구성을 가지는 본 발명에 따른 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 시스템(100)은 바람직하게는 외부의 기기와 데이터를 송/수신하기 위한 통신부(170)를 더 포함할 수 있다. 이때, 통신부(170)는 유/무선 통선 시스템으로 구성될 수 있다.
또한, 이상과 같은 본 발명의 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 시스템(100)은 하나의 컴퓨터 시스템으로 통합되어 구성될 수도 있다.
그러면, 이하에서는 이상과 같은 구성을 가지는 본 발명에 따른 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 시스템을 바탕으로 한 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 방법에 대해 설명해 보기로 한다.
도 2는 본 발명의 일 실시예에 따른 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 방법의 실행 과정을 나타낸 흐름도이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 방법은, 각 단계가 컴퓨터 시스템에 의해 수행되며, 단일 늑골 골절의 경우에 흉부 CT 영상을 이용하여 늑골 골절과 혈흉 발생 가능성을 예측하는 방법으로서, 먼저 늑골 영역 분할에 대해 사전에 학습된 늑골 영역 분할 AI 모델이 흉부 CT 영상을 입력받아(단계 S201), 흉부 CT 영상으로부터 늑골 영역을 추출한다(단계 S202).
그런 후, 늑골 골절에 대해 사전에 학습된 골절 분류 AI 모델이 상기 늑골 영역 분할 AI 모델에 의해 추출된 늑골 영역을 입력받아 늑골 골절 여부를 판별한다(단계 S203, S204). 여기서, 단계 S204의 판별에서 늑골 골절이 발견되지 않았으면, 프로그램을 후술하는 단계 S208로 진행한다.
상기 판별에서 늑골 골절로 판별된 경우(즉, 단계 S204의 판별에서 늑골 골절이 발견된 경우), 도 3에 도시된 바와 같이, 상기 골절 분류 AI 모델이 늑골 골절이 검출된 슬라이스들 중에서 키(key) 슬라이스를 설정하고, 설정된 키(key) 슬라이스의 골절 부위와 주변의 영역을 3D 패치로 구성한다(단계 S205). 여기서, 3D 패치의 크기는 늑골의 크기를 고려하여 설정할 수 있다. 예를 들어, CT 슬라이스의 간격이 1mm일 경우 전체 두께 32mm(슬라이스 32장)의 3D 패치를 구성할 수 있다.
이렇게 하여 3D 패치의 구성이 완료되면, 혈흉 발생 예측 모델(이 모델 또한 마찬가지로 AI 모델임)이 상기 골절 분류 AI 모델에 의해 구성된 3D 패치를 분석하여 패치 단위의 혈흉 발생 가능성을 표시한다(단계 S206).
이후, 상기 혈흉 발생 예측 모델이 모든 3D 패치에 대한 분석 처리가 완료되었는지를 판별하고(단계 S207), 모든 3D 패치에 대한 분석 처리가 완료되었으면 3D 패치의 분석 종료 여부를 판별하여(단계 S208), 분석 종료이면 프로그램(즉, 본 발명의 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 방법의 실행 프로그램)을 종료한다. 여기서, 상기 단계 S207의 판별에서 모든 패치에 대한 분석 처리가 완료되지 않았으면(즉, 처리되지 않은 패치가 한 개라도 남아 있으면), 프로그램 진행을 상기 단계 S205로 회귀시킨다. 그리고 단계 S208의 분석 종료 여부 판별에서, 분석 종료가 아니면 프로그램 진행을 상기 단계 S201로 회귀시킨다.
이상과 같은 본 발명의 일 실시예에 따른 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 방법의 일련의 과정에 있어서, 상기 단계 S205에서 상기 키(key) 슬라이스를 설정함에 있어서, 연속된 슬라이스에서 골절이 검출되었을 때, 늑골 골절 확률이 가장 높은 슬라이스를 키(key) 슬라이스로 설정할 수 있다.
이때, 또한 상기 단계 S205에서 상기 키(key) 슬라이스를 설정함에 있어서, 연속된 골절 슬라이스들 중에서 중간에 위치하는 슬라이스를 키(key) 슬라이스로 설정할 수 있다.
또한, 상기 단계 S205에서 상기 골절 분류 AI 모델이 늑골 골절이 검출된 슬라이스들 중에서 키(key) 슬라이스의 골절 부위와 주변의 영역을 3D 패치로 구성함에 있어서, 도 4에 도시된 바와 같이, 골절이 있는 뼈 영역과 골절 뼈 영역의 장축과 직교하는 폐 영역의 일부를 포함하는 소정 크기의 사각형 영역을 패치 영역으로 설정할 수 있다. 이때, 사각형의 패치 영역은, 골절이 있는 뼈 영역을 중심으로 뼈 영역을 관통하는 장축의 위치가 사각형의 1/3 지점에 위치하고, 뼈 영역을 관통하는 단축의 위치가 사각형의 1/2 지점에 위치하도록 설정될 수 있다.
또한, 상기 단계 S206에서 상기 혈흉 발생 예측 모델이 패치 단위의 혈흉 발생 가능성을 표시함에 있어서, 도 10의 (a)와 같이, 골절된 해당 늑골의 위치(번호) 표기와 함께 혈흉 발생 가능성을 백분율(%)로 표시할 수 있다.
도 5는 본 발명의 다른 실시예에 따른 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 방법의 실행 과정을 나타낸 흐름도이다.
도 5를 참조하면, 본 발명의 다른 실시예에 따른 늑골 골절과 혈흉 예측 방법은, 각 단계가 컴퓨터 시스템에 의해 수행되며, 단일 및 다발성 늑골 골절의 경우에 흉부 CT 영상을 이용하여 늑골 골절과 혈흉 발생 가능성을 예측하는 방법으로서, 이 다른 실시예의 경우는 위에서 설명한 일 실시예 경우(도 2 참조)와 기본적인 구성은 동일하다. 다만, 이 다른 실시예의 경우는 단일 늑골 골절과 다발성 늑골 골절의 경우에 모두 적용될 수 있다는 점에서 일 실시예와 약간의 차이가 있다.
먼저, 늑골 영역 분할에 대해 사전에 학습된 늑골 영역 분할 AI 모델이 흉부 CT 영상을 입력받아(단계 S501), 흉부 CT 영상으로부터 늑골 영역을 추출한다(단계 S502).
그러면, 늑골 골절에 대해 사전에 학습된 골절 분류 AI 모델이 상기 늑골 영역 분할 AI 모델에 의해 추출된 늑골 영역을 입력받아 늑골 골절 여부를 판별한다(단계 S503, S504). 여기서, 단계 S504의 판별에서 늑골 골절이 발견되지 않았으면, 프로그램을 후술하는 단계 S514로 진행한다.
상기 단계 S504의 판별에서 늑골 골절로 판별된 경우, 상기 골절 분류 AI 모델이 다발성 골절 여부를 판별한다(단계 S505).
그리고 상기 단계 S505의 판별에서 다발성 골절로 판별된 경우, 상기 골절 분류 AI 모델이 다발성 골절이 인접 늑골에서 발생했는지를 판별한다(단계 S506).
상기 단계 S506의 판별에서 다발성 골절이 인접 늑골에서 발생한 것으로 판별된 경우, 상기 골절 분류 AI 모델이 늑골 골절이 검출된 슬라이스들 중에서 키(key) 슬라이스를 설정하고, 설정된 키(key) 슬라이스의 골절 부위와 주변의 영역을 다발성 3D 패치로 구성한다(단계 S507).
그런 후, 혈흉 발생 예측 모델이 상기 골절 분류 AI 모델에 의해 구성된 다발성 3D 패치를 분석하여 패치 단위의 혈흉 발생 가능성을 표시한다(단계 S508, S509).
이후, 상기 혈흉 발생 예측 모델이 모든 3D 패치에 대한 분석 처리가 완료되었는지를 판별하고, 모든 3D 패치에 대한 분석 처리가 완료되었으면 3D 패치의 분석 종료 여부를 판별하여(단계 S514), 분석 종료이면 프로그램(즉, 본 발명의 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 방법의 실행 프로그램)을 종료한다. 여기서, 상기 단계 S514의 분석 종료 여부 판별에서, 분석 종료가 아니면 프로그램 진행을 상기 단계 S501로 회귀시킨다.
여기서, 또한 상기 단계 S505의 판별에서 다발성 골절이 아닌 단일 골절로 판별된 경우, 상기 골절 분류 AI 모델이 단일 골절에서의 늑골 골절이 검출된 슬라이스들 중에서 키(key) 슬라이스를 설정하고, 설정된 키(key) 슬라이스의 골절 부위와 주변의 영역을 3D 패치로 구성하는 단계(S510)와; 혈흉 발생 예측 모델이 상기 단계 S510에서 상기 골절 분류 AI 모델에 의해 구성된 3D 패치를 분석하여 패치 단위의 혈흉 발생 가능성을 표시하는 단계(S511, S509)를 더 포함할 수 있다.
또한, 상기 단계 S506의 판별에서 다발성 골절이 인접 늑골이 아닌 동일 늑골에서 발생한 것으로 판별된 경우, 상기 골절 분류 AI 모델이 동일 늑골에서의 늑골 골절이 검출된 슬라이스들 중에서 키(key) 슬라이스를 설정하고, 설정된 키(key) 슬라이스의 골절 부위와 주변의 영역을 다발성 3D 패치로 구성하는 단계(S512)와; 혈흉 발생 예측 모델이 상기 단계 S512에서 상기 골절 분류 AI 모델에 의해 구성된 다발성 3D 패치를 분석하여 패치 단위의 혈흉 발생 가능성을 표시하는 단계(S513, S509)를 더 포함할 수 있다.
이상과 같은 본 발명의 다른 실시예에 따른 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 방법의 일련의 과정에 있어서, 상기 단계 S507에서 상기 키(key) 슬라이스를 설정함에 있어서, 연속된 슬라이스에서 골절이 검출되었을 때, 늑골 골절 확률이 가장 높은 슬라이스를 키(key) 슬라이스로 설정할 수 있다.
이때, 또한 상기 단계 S507에서 상기 키(key) 슬라이스를 설정함에 있어서, 연속된 골절 슬라이스들 중에서 중간에 위치하는 슬라이스를 키(key) 슬라이스로 설정할 수 있다.
또한, 상기 단계 S507에서 상기 골절 분류 AI 모델이 늑골 골절이 검출된 슬라이스들 중에서 키(key) 슬라이스의 골절 부위와 주변의 영역을 다발성 3D 패치로 구성함에 있어서, 도 6 및 도 7과 같이, 골절이 있는 뼈 영역과 골절 뼈 영역의 장축과 직교하는 폐 영역의 일부를 포함하는 소정 크기의 사각형 영역을 다발성 패치 영역으로 설정할 수 있다. 이때, 사각형의 패치 영역은, 골절이 있는 뼈 영역을 중심으로 장축의 위치가 사각형의 1/3 지점에 위치하고, 단축의 위치가 사각형의 1/2 지점에 위치하도록 설정될 수 있다.
이때, 또한 상기 단계 S507에서 상기 골절 분류 AI 모델이 늑골 골절이 검출된 슬라이스들 중에서 키(key) 슬라이스의 골절 부위와 주변의 영역을 다발성 3D 패치로 구성함에 있어서, 인접 늑골 및 동일 늑골에서 각각 발생한 다발성 골절에 대하여, 도 8에 도시된 바와 같이, 각 단위 골절 부위마다 각각 3D 패치로 구성할 수 있다. 도 8에서 (a)는 인접 늑골에서 골절이 발견된 경우이고, (b)는 동일 늑골에서 골절이 여러 개 발견된 경우이다.
이때, 또한 상기 단계 S507에서 상기 골절 분류 AI 모델이 늑골 골절이 검출된 슬라이스들 중에서 키(key) 슬라이스의 골절 부위와 주변의 영역을 다발성 3D 패치로 구성함에 있어서, 인접 늑골 및 동일 늑골에서 각각 발생한 다발성 골절에 대하여, 도 9에 도시된 바와 같이, 각 단위 골절 부위를 전체적으로 감싸는 하나의 영역을 각각 형성하고, 형성된 하나의 영역을 다발성 3D 패치로 각각 구성할 수 있다. 도 9에서 (a)는 인접 늑골에서 골절이 발견된 경우이고, (b)는 동일 늑골에서 골절이 여러 개 발견된 경우이다.
또한, 상기 단계 S509에서 상기 혈흉 발생 예측 모델이 패치 단위의 혈흉 발생 가능성을 표시함에 있어서, 도 10의 (a)∼(d)와 같이, 골절된 해당 늑골의 위치(번호) 표기와 함께 혈흉 발생 가능성을 백분율(%)로 표시할 수 있다.
이상의 설명과 같이, 본 발명에 따른 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 방법 및 시스템은 흉부 CT 촬영 영상을 인공 지능(AI) 모델로 분석하여 늑골 골절 위치를 찾을 뿐만 아니라, 추후 혈흉 발생 가능성을 예측할 수 있는 장점이 있다.
따라서, 늑골 골절 환자에게 추후에 나타날 수 있는 혈흉의 가능성을 인지시켜 합병증이나 사망을 예방하는데 도움을 줄 수 있을 뿐만 아니라, 응급환자의 흉부 CT 영상에서 혈흉 가능성을 예측하여 의료진의 응급 조치나 치료 방침 수립에 도움을 줄 수 있다.
이상, 바람직한 실시예를 통하여 본 발명에 관하여 상세히 설명하였으나, 본 발명은 이에 한정되는 것은 아니며, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 다양하게 변경, 응용될 수 있음은 당해 기술분야의 통상의 기술자에게 자명하다. 따라서, 본 발명의 진정한 보호 범위는 다음의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술적 사상은 본 발명의 권리 범위에 포함되는 것으로 해석되어야 할 것이다.
100: (본 발명)흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 시스템
110: 영상 입력부 120: 늑골 영역 추출부
130: 늑골 골절 판별부 140: 3D 패치 구성부
150: 혈흉 가능성 표시부 160: 제어부
170: 통신부
110: 영상 입력부 120: 늑골 영역 추출부
130: 늑골 골절 판별부 140: 3D 패치 구성부
150: 혈흉 가능성 표시부 160: 제어부
170: 통신부
Claims (22)
- 각 단계가 컴퓨터 시스템에 의해 수행되며, 단일 늑골 골절의 경우에 흉부 CT 영상을 이용하여 늑골 골절과 혈흉 발생 가능성을 예측하는 방법으로서,
a) 늑골 영역 분할에 대해 사전에 학습된 늑골 영역 분할 AI 모델이 흉부 CT 영상을 입력받아 흉부 CT 영상으로부터 늑골 영역을 추출하는 단계와;
b) 늑골 골절에 대해 사전에 학습된 골절 분류 AI 모델이 상기 늑골 영역 분할 AI 모델에 의해 추출된 늑골 영역을 입력받아 늑골 골절 여부를 판별하는 단계와;
c) 상기 판별에서 늑골 골절로 판별된 경우, 상기 골절 분류 AI 모델이 늑골 골절이 검출된 슬라이스들 중에서 키(key) 슬라이스를 설정하고, 설정된 키(key) 슬라이스의 골절 부위와 주변의 영역을 3D 패치로 구성하는 단계와;
d) 혈흉 발생 예측 모델이 상기 골절 분류 AI 모델에 의해 구성된 3D 패치를 분석하여 패치 단위의 혈흉 발생 가능성을 표시하는 단계; 및
e) 상기 혈흉 발생 예측 모델이 모든 3D 패치에 대한 분석 처리가 완료되었는지를 판별하고, 모든 3D 패치에 대한 분석 처리가 완료되었으면 3D 패치의 분석을 종료하는 단계를 포함하는 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 방법.
- 제1항에 있어서,
상기 단계 c)에서 상기 키(key) 슬라이스를 설정함에 있어서, 연속된 슬라이스에서 골절이 검출되었을 때, 늑골 골절 확률이 가장 높은 슬라이스를 키(key) 슬라이스로 설정하는 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 방법.
- 제1항에 있어서,
상기 단계 c)에서 상기 키(key) 슬라이스를 설정함에 있어서, 연속된 골절 슬라이스들 중에서 중간에 위치하는 슬라이스를 키(key) 슬라이스로 설정하는 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 방법.
- 제1항에 있어서,
상기 단계 c)에서 상기 골절 분류 AI 모델이 늑골 골절이 검출된 슬라이스들 중에서 키(key) 슬라이스의 골절 부위와 주변의 영역을 3D 패치로 구성함에 있어서, 골절이 있는 뼈 영역과 골절 뼈 영역의 장축과 직교하는 폐 영역의 일부를 포함하는 소정 크기의 사각형 영역을 패치 영역으로 설정하는 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 방법.
- 제1항에 있어서,
상기 단계 d)에서 상기 혈흉 발생 예측 모델이 패치 단위의 혈흉 발생 가능성을 표시함에 있어서, 골절된 해당 늑골의 위치(번호) 표기와 함께 혈흉 발생 가능성을 백분율(%)로 표시하는 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 방법.
- 각 단계가 컴퓨터 시스템에 의해 수행되며, 단일 및 다발성 늑골 골절의 경우에 흉부 CT 영상을 이용하여 늑골 골절과 혈흉 발생 가능성을 예측하는 방법으로서,
j) 늑골 영역 분할에 대해 사전에 학습된 늑골 영역 분할 AI 모델이 흉부 CT 영상을 입력받아 흉부 CT 영상으로부터 늑골 영역을 추출하는 단계와;
k) 늑골 골절에 대해 사전에 학습된 골절 분류 AI 모델이 상기 늑골 영역 분할 AI 모델에 의해 추출된 늑골 영역을 입력받아 늑골 골절 여부를 판별하는 단계와;
l) 상기 단계 k)의 판별에서 늑골 골절로 판별된 경우, 상기 골절 분류 AI 모델이 다발성 골절 여부를 판별하는 단계와;
m) 상기 단계 l)의 판별에서 다발성 골절로 판별된 경우, 상기 골절 분류 AI 모델이 다발성 골절이 인접 늑골에서 발생했는지를 판별하는 단계와;
n) 상기 단계 m)의 판별에서 다발성 골절이 인접 늑골에서 발생한 것으로 판별된 경우, 상기 골절 분류 AI 모델이 늑골 골절이 검출된 슬라이스들 중에서 키(key) 슬라이스를 설정하고, 설정된 키(key) 슬라이스의 골절 부위와 주변의 영역을 다발성 3D 패치로 구성하는 단계와;
o) 혈흉 발생 예측 모델이 상기 골절 분류 AI 모델에 의해 구성된 다발성 3D 패치를 분석하여 패치 단위의 혈흉 발생 가능성을 표시하는 단계; 및
p) 상기 혈흉 발생 예측 모델이 모든 3D 패치에 대한 분석 처리가 완료되었는지를 판별하고, 모든 3D 패치에 대한 분석 처리가 완료되었으면 3D 패치의 분석을 종료하는 단계를 포함하는 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 방법.
- 제6항에 있어서,
상기 단계 l)의 판별에서 다발성 골절이 아닌 단일 골절로 판별된 경우,
q) 상기 골절 분류 AI 모델이 단일 골절에서의 늑골 골절이 검출된 슬라이스들 중에서 키(key) 슬라이스를 설정하고, 설정된 키(key) 슬라이스의 골절 부위와 주변의 영역을 3D 패치로 구성하는 단계와;
r) 혈흉 발생 예측 모델이 상기 단계 q)에서 상기 골절 분류 AI 모델에 의해 구성된 3D 패치를 분석하여 패치 단위의 혈흉 발생 가능성을 표시하는 단계를 더 포함하는 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 방법.
- 제6항에 있어서,
상기 단계 m)의 판별에서 다발성 골절이 인접 늑골이 아닌 동일 늑골에서 발생한 것으로 판별된 경우,
s) 상기 골절 분류 AI 모델이 동일 늑골에서의 늑골 골절이 검출된 슬라이스들 중에서 키(key) 슬라이스를 설정하고, 설정된 키(key) 슬라이스의 골절 부위와 주변의 영역을 다발성 3D 패치로 구성하는 단계와;
t) 혈흉 발생 예측 모델이 상기 단계 s)에서 상기 골절 분류 AI 모델에 의해 구성된 다발성 3D 패치를 분석하여 패치 단위의 혈흉 발생 가능성을 표시하는 단계를 더 포함하는 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 방법.
- 제6항에 있어서,
상기 단계 n)에서 상기 키(key) 슬라이스를 설정함에 있어서, 연속된 슬라이스에서 골절이 검출되었을 때, 늑골 골절 확률이 가장 높은 슬라이스를 키(key) 슬라이스로 설정하는 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 방법.
- 제6항에 있어서,
상기 단계 n)에서 상기 키(key) 슬라이스를 설정함에 있어서, 연속된 골절 슬라이스들 중에서 중간에 위치하는 슬라이스를 키(key) 슬라이스로 설정하는 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 방법.
- 제6항에 있어서,
상기 단계 n)에서 상기 골절 분류 AI 모델이 늑골 골절이 검출된 슬라이스들 중에서 키(key) 슬라이스의 골절 부위와 주변의 영역을 다발성 3D 패치로 구성함에 있어서, 골절이 있는 뼈 영역과 골절 뼈 영역의 장축과 직교하는 폐 영역의 일부를 포함하는 소정 크기의 사각형 영역을 다발성 패치 영역으로 설정하는 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 방법.
- 제6항에 있어서,
상기 단계 n)에서 상기 골절 분류 AI 모델이 늑골 골절이 검출된 슬라이스들 중에서 키(key) 슬라이스의 골절 부위와 주변의 영역을 다발성 3D 패치로 구성함에 있어서, 인접 늑골 및 동일 늑골에서 각각 발생한 다발성 골절에 대하여, 각 단위 골절 부위마다 각각 3D 패치로 구성하는 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 방법.
- 제6항에 있어서,
상기 단계 n)에서 상기 골절 분류 AI 모델이 늑골 골절이 검출된 슬라이스들 중에서 키(key) 슬라이스의 골절 부위와 주변의 영역을 다발성 3D 패치로 구성함에 있어서, 인접 늑골 및 동일 늑골에서 각각 발생한 다발성 골절에 대하여, 각 단위 골절 부위를 전체적으로 감싸는 하나의 영역을 각각 형성하고, 형성된 하나의 영역을 다발성 3D 패치로 각각 구성하는 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 방법.
- 제6항에 있어서,
상기 단계 o)에서 상기 혈흉 발생 예측 모델이 패치 단위의 혈흉 발생 가능성을 표시함에 있어서, 골절된 해당 늑골의 위치(번호) 표기와 함께 혈흉 발생 가능성을 백분율(%)로 표시하는 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 방법.
- 흉부 CT 영상을 입력받는 영상 입력부와;
늑골 영역 분할에 대해 사전에 학습된 늑골 영역 분할 AI 모델에 의해 상기 영상입력부를 통해 입력된 흉부 CT 영상으로부터 늑골 영역을 추출하는 늑골 영역 추출부와;
늑골 골절에 대해 사전에 학습된 골절 분류 AI 모델에 의해 상기 늑골 영역 추출부에서 추출된 늑골 영역을 입력받아 늑골 골절 여부를 판별하는 늑골 골절 판별부와;
상기 늑골 골절 판별부의 판별 결과 늑골 골절로 판별된 경우, 늑골 골절이 검출된 슬라이스들 중에서 키(key) 슬라이스를 설정하고, 설정된 키(key) 슬라이스의 골절 부위와 주변의 영역을 3D 패치로 구성하는 3D 패치 구성부와;
혈흉 발생 예측 모델에 의해 상기 3D 패치 구성부에 의해 구성된 3D 패치를 분석하여 패치 단위의 혈흉 발생 가능성을 표시하는 혈흉 가능성 표시부; 및
상기 영상 입력부, 늑골 영역 추출부, 늑골 골절 판별부, 3D 패치 구성부, 혈흉 가능성 표시부의 상태 체크 및 동작을 제어하고, 상기 혈흉 가능성 표시부가 3D 패치를 분석하여 패치의 혈흉 발생 가능성을 표시하도록 하는 제어 명령을 상기 혈흉 가능성 표시부로 전송하는 제어부를 포함하는 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 시스템.
- 제15항에 있어서,
외부의 기기와 데이터를 송/수신하기 위한 통신부를 더 포함하는 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 시스템.
- 제15항에 있어서,
상기 3D 패치 구성부가 상기 키(key) 슬라이스를 설정함에 있어서, 연속된 슬라이스에서 골절이 검출되었을 때, 늑골 골절 확률이 가장 높은 슬라이스를 키(key) 슬라이스로 설정하는 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 시스템.
- 제15항에 있어서,
상기 3D 패치 구성부가 상기 키(key) 슬라이스를 설정함에 있어서, 연속된 골절 슬라이스들 중에서 중간에 위치하는 슬라이스를 키(key) 슬라이스로 설정하는 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 시스템.
- 제15항에 있어서,
상기 3D 패치 구성부가 늑골 골절이 검출된 슬라이스들 중에서 키(key) 슬라이스의 골절 부위와 주변의 영역을 3D 패치로 구성함에 있어서, 골절이 있는 뼈 영역과 골절 뼈 영역의 장축과 직교하는 폐 영역의 일부를 포함하는 소정 크기의 사각형 영역을 패치 영역으로 설정하는 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 시스템.
- 제15항에 있어서,
상기 3D 패치 구성부가 늑골 골절이 검출된 슬라이스들 중에서 키(key) 슬라이스의 골절 부위와 주변의 영역을 3D 패치로 구성함에 있어서, 인접 늑골 및 동일 늑골에서 각각 다발성 골절이 발생한 경우, 각 단위 골절 부위마다 각각 3D 패치로 구성하는 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 시스템.
- 제15항에 있어서,
상기 3D 패치 구성부가 늑골 골절이 검출된 슬라이스들 중에서 키(key) 슬라이스의 골절 부위와 주변의 영역을 3D 패치로 구성함에 있어서, 인접 늑골 및 동일 늑골에서 각각 다발성 골절이 발생한 경우, 각 단위 골절 부위를 전체적으로 감싸는 하나의 영역을 각각 형성하고, 형성된 하나의 영역을 3D 패치로 각각 구성하는 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 시스템.
- 제15항에 있어서,
상기 혈흉 가능성 표시부가 패치 단위의 혈흉 발생 가능성을 표시함에 있어서, 골절된 해당 늑골의 위치(번호) 표기와 함께 혈흉 발생 가능성을 백분율(%)로 표시하는 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 시스템.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR20210124712 | 2021-09-17 | ||
| KR1020210124712 | 2021-09-17 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230041578A KR20230041578A (ko) | 2023-03-24 |
| KR102650614B1 true KR102650614B1 (ko) | 2024-03-22 |
Family
ID=85872500
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220063371A KR102650614B1 (ko) | 2021-09-17 | 2022-05-24 | 흉부 ct 영상을 이용한 늑골 골절과 혈흉 예측 방법 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102650614B1 (ko) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112784924A (zh) | 2021-02-08 | 2021-05-11 | 宁波大学 | 基于分组聚合深度学习模型的肋骨骨折ct图像分类方法 |
| US20210192727A1 (en) | 2019-12-20 | 2021-06-24 | The Regents Of The University Of Michigan | Computer vision technologies for rapid detection |
| CN113096109A (zh) | 2021-04-22 | 2021-07-09 | 四川大学 | 一种肺部医学图像分析方法、设备及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101685300B1 (ko) | 2015-08-11 | 2016-12-09 | 연세대학교 원주산학협력단 | 늑골 고정 장치 |
| KR102256210B1 (ko) * | 2019-03-14 | 2021-05-28 | 고려대학교 산학협력단 | 기계학습을 이용한 ct/mri 영상의 흉추 탐지 및 갈비뼈 순번 지정 방법 |
-
2022
- 2022-05-24 KR KR1020220063371A patent/KR102650614B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210192727A1 (en) | 2019-12-20 | 2021-06-24 | The Regents Of The University Of Michigan | Computer vision technologies for rapid detection |
| CN112784924A (zh) | 2021-02-08 | 2021-05-11 | 宁波大学 | 基于分组聚合深度学习模型的肋骨骨折ct图像分类方法 |
| CN113096109A (zh) | 2021-04-22 | 2021-07-09 | 四川大学 | 一种肺部医学图像分析方法、设备及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230041578A (ko) | 2023-03-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109966662B (zh) | 一种验证放射治疗剂量的系统 | |
| CN104200524B (zh) | 一种面向接骨板设计的三维网格骨骼模型平均化方法 | |
| US11887300B2 (en) | Method and apparatus for classifying a brain anomaly based on a 3D MRI image | |
| CN112535624A (zh) | 按摩椅控制方法、装置、设备及存储介质 | |
| KR102650614B1 (ko) | 흉부 ct 영상을 이용한 늑골 골절과 혈흉 예측 방법 및 시스템 | |
| Brinkrolf et al. | Predicting ROSC in out-of-hospital cardiac arrest using expiratory carbon dioxide concentration: Is trend-detection instead of absolute threshold values the key? | |
| Chae et al. | Automatic lung segmentation for large-scale medical image management | |
| US20170225014A1 (en) | Method, computer program and system for dose calculation in radiotherapy | |
| US11538581B2 (en) | Monitoring system, device and computer-implemented method for monitoring pressure ulcers | |
| Rupprecht et al. | Penetrating nail-gun injury of the heart managed by adenosine-induced asystole in the absence of a heart-lung machine | |
| CN114782321B (zh) | 胸部ct影像选择方法、装置、设备及存储介质 | |
| Stefańczyk et al. | Transvenous lead extraction without procedure-related deaths in 1000 consecutive patients: A single-center experience | |
| Al_Barazanchi et al. | Survey: The impact of the Corona pandemic on people, health care systems, economic: Positive and negative outcomes | |
| US20210049766A1 (en) | Method for controlling display of abnormality in chest x-ray image, storage medium, abnormality display control apparatus, and server apparatus | |
| CN113205488A (zh) | 血流特性预测方法、装置、电子设备及存储介质 | |
| JP2023505435A (ja) | 患者のリスクスコアを判定する方法 | |
| CN114187582B (zh) | 一种基于人工神经网络技术的人工心肺机数据记录方法 | |
| Asri et al. | Ukraine-Russia crisis and COVID-19 pandemic: impending danger over public health | |
| Notarnicola et al. | Tendonitis of the rotator cuff treated with extracorporeal shock wave therapy: radiographic monitoring to identify prognostic factors for disintegration | |
| Adesina et al. | Knowledge, attitude, and perception of health and non-healthcare workers towards COVID-19 vaccination: Machine learning approach | |
| Brockelsby et al. | S73 Brain imaging in the management of people with lung cancer prior to therapy with curative intent: multi-centre review of the assumptions made in the NICE guideline NG122 evidence review | |
| US20240203093A1 (en) | Image processing apparatus, method, and program | |
| Kailasam et al. | Better Outcomes in Rural Emergency Rooms for Out-of-Hospital Cardiac Arrest | |
| Kavak et al. | Acil servise müracaat eden yakın arkadaş şiddeti hastalarının 10 yıllık geriye dönük analizi A 10-year retrospective analysis of intimate partner violence patients in the emergency department | |
| Chandra | Fuzzy based Congestive Heart Failure Diagnosis and Analysis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |