KR102650919B1 - 패치 단위 대조 학습 모델을 이용한 의료 영상 분석 방법 및 분석 장치 - Google Patents

패치 단위 대조 학습 모델을 이용한 의료 영상 분석 방법 및 분석 장치 Download PDF

Info

Publication number
KR102650919B1
KR102650919B1 KR1020210144779A KR20210144779A KR102650919B1 KR 102650919 B1 KR102650919 B1 KR 102650919B1 KR 1020210144779 A KR1020210144779 A KR 1020210144779A KR 20210144779 A KR20210144779 A KR 20210144779A KR 102650919 B1 KR102650919 B1 KR 102650919B1
Authority
KR
South Korea
Prior art keywords
patch
patches
learning model
medical image
abnormality
Prior art date
Application number
KR1020210144779A
Other languages
English (en)
Other versions
KR20230060260A (ko
Inventor
김경수
정명진
조현빈
Original Assignee
사회복지법인 삼성생명공익재단
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 사회복지법인 삼성생명공익재단 filed Critical 사회복지법인 삼성생명공익재단
Priority to KR1020210144779A priority Critical patent/KR102650919B1/ko
Publication of KR20230060260A publication Critical patent/KR20230060260A/ko
Priority to KR1020230138074A priority patent/KR20230147591A/ko
Application granted granted Critical
Publication of KR102650919B1 publication Critical patent/KR102650919B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/12—Devices for detecting or locating foreign bodies
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/50—Clinical applications
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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
    • G06T2207/10116—X-ray image
    • 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
    • G06T2207/30061—Lung

Abstract

패치 단위 대조 학습 모델을 이용한 의료 영상 분석 방법은 분석장치가 대상자의 의료 영상을 입력받는 단계, 상기 분석장치가 상기 의료 영상의 관심 영역에 위치한 패치들을 이용하여 복수의 타깃 패치를 생성하는 단계, 상기 분석장치가 상기 복수의 타깃 패치 각각과 정상인의 의료 영상에서 추출한 패치들을 사전에 학습된 대조 학습 모델에 입력하여 산출되는 결과를 이용하여 상기 타깃 패치들 전체에 대한 이상 점수를 연산하는 단계, 상기 분석장치가 상기 타깃 패치들에 대한 이상 점수를 이용하여 상기 관심 영역에 대한 픽셀단위 이상 점수들을 연산하는 단계 및 상기 분석장치가 상기 관심 영역에서의 상기 픽셀 단위 이상 점수들의 분포를 기준으로 상기 대상자의 이상 병소 여부를 판단하는 단계를 포함한다.

Description

패치 단위 대조 학습 모델을 이용한 의료 영상 분석 방법 및 분석 장치{MEDICAL IMAGE CLASSIFYING METHOD USING CONTRASTIVE LEARNING BASED ON PATCH AND ANALYSIS APPARATUS}
이하 설명하는 기술은 대조 학습 모델을 이용하여 의료 영상을 분류하여 이상 여부를 판단하는 기술이다.
X-ray와 같은 의료 영상을 이용하여 환자를 진단하는 다양한 기술이 등장하였다. 최근 딥러닝(deep learning) 모델이 발전하면서 의료 영상을 분류하여 질환 진단이나 이상 병소를 검출하는 기술들도 발전하고 있다. 다만, 정확도 높은 딥러닝 모델은 대부분 지도학습 방식을 이용하고 있다.
한국등록특허 제10-2150682호
종래 딥러닝 기반 모델은 지도학습 방식이기에 라벨값을 포함하는 학습 데이터가 반드시 마련되어야 한다. 지도학습 방식의 딥러닝 모델은 높은 성능을 위하여 대량의 학습 데이터가 요구된다. 그러나, 학습데이터를 충분히 마련하기 쉽지 않기에 정확도 높은 딥러닝 모델 구축은 쉽지 않다.
이하 설명하는 기술은 비지도학습 기반의 모델을 이용하여 환자의 데이터가 없어서 이상 병소 판단이 가능한 기법을 제공하고자 한다.
패치 단위 대조 학습 모델을 이용한 의료 영상 분석 방법은 분석장치가 대상자의 의료 영상을 입력받는 단계, 상기 분석장치가 상기 의료 영상의 관심 영역에 위치한 패치들을 이용하여 복수의 타깃 패치를 생성하는 단계, 상기 분석장치가 상기 복수의 타깃 패치 각각과 정상인의 의료 영상에서 추출한 패치들을 사전에 학습된 대조 학습 모델에 입력하여 산출되는 결과를 이용하여 상기 타깃 패치들 전체에 대한 이상 점수를 연산하는 단계, 상기 분석장치가 상기 타깃 패치들에 대한 이상 점수를 이용하여 상기 관심 영역에 대한 픽셀단위 이상 점수들을 연산하는 단계 및 상기 분석장치가 상기 관심 영역에서의 상기 픽셀 단위 이상 점수들의 분포를 기준으로 상기 대상자의 이상 병소 여부를 판단하는 단계를 포함한다.
패치 단위 대조 학습 모델을 이용하여 대상자의 이상 여부를 판별하는 분석장치는 대상자의 의료 영상을 입력받는 입력장치, 의료 영상에서 패치 쌍들을 입력받아 각 패치 쌍의 코사인 거리를 산출하는 대조 학습 모델을 저장하는 저장장치 및 상기 입력된 의료 영상의 관심 영역에 위치한 패치들을 이용하여 증강된 복수의 타깃 패치들을 생성하고, 상기 복수의 타깃 패치 각각과 정상인의 의료 영상에서 추출한 패치들을 상기 학습 모델에 입력하여 산출되는 결과를 이용하여 상기 타깃 패치들 전체에 대한 이상 점수를 연산하고, 상기 이상 점수를 기준으로 상기 대상자의 이상 병소 여부를 분류하는 연산장치를 포함한다.
이하 설명하는 기술은 비지도학습 기반의 모델을 이용하여 정상인의 학습데이터만으로 이상 병소 검출이 가능한 분류 방법이다. 나아가, 이하 설명하는 기술은 관심 영역의 패치들 및 픽셀 단위로 점수를 연산하고 점수의 분포를 기준으로 이상 여부를 판단하여 정확도 높은 분류가 가능하다. 또한, 이하 설명하는 기술은 픽셀별 점수를 연산하여 이상 병소 확인이 용이한 시각 정보 제공이 가능하다.
도 1은 대조 학습 기반의 의료 영상 분석 시스템에 대한 예이다.
도 2는 대조 학습 모델을 학습하는 과정에 대한 예이다.
도 3은 대조 학습 모델을 이용하여 의료 영상을 분석하는 과정의 예이다.
도 4는 픽셀 단위 이상 점수를 기준으로 폐 영역에서 이상 부위를 구분한 예이다.
도 5는 패치 단위 대조 학습 모델을 검증한 실험 결과이다.
도 6은 패치 단위 대조 학습 모델을 이용하여 의료 영상을 분석하는 분석장치에 대한 예이다.
이하 설명하는 기술은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나, 이는 이하 설명하는 기술을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 이하 설명하는 기술의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 해당 구성요소들은 상기 용어들에 의해 한정되지는 않으며, 단지 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 이하 설명하는 기술의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
본 명세서에서 사용되는 용어에서 단수의 표현은 문맥상 명백하게 다르게 해석되지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함한다" 등의 용어는 설명된 특징, 개수, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 의미하는 것이지, 하나 또는 그 이상의 다른 특징들이나 개수, 단계 동작 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 배제하지 않는 것으로 이해되어야 한다.
도면에 대한 상세한 설명을 하기에 앞서, 본 명세서에서의 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.
또, 방법 또는 동작 방법을 수행함에 있어서, 상기 방법을 이루는 각 과정들은 문맥상 명백하게 특정 순서를 기재하지 않은 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 과정들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.
이하 설명하는 기술은 의료 영상을 이용하여 대상자의 질환 여부를 판별하는 기법이다. 의료 영상은 X-ray 영상, 초음파 영상, CT(Computer Tomography) 영상, MRI(Magnetic Resonance Imaging) 영상 등 다양할 수 있다. 이하 설명의 편의를 위하여 X-ray 영상을 기준으로 설명한다.
나아가 이하 설명하는 기술은 의료 영상을 이용하여 다양한 병증을 진단하는데 사용될 수 있다. 즉, 이하 설명하는 기술은 학습 모델을 구축하는 과정에서 사용되는 학습 데이터의 종류에 따라 다양한 병증에 적용에 적용 가능하다. 다만, 이하 설명의 편의를 위하여 폐질환을 예로 설명한다. 이는 연구자가 학습 모델을 실제 구축한 질환이다. 따라서, 의료 영상은 대상자의 흉부 X-ray 영상(Chest X-ray, CXR)을 사용하였다. 이하 CXR은 흉부 X-ray 영상을 의미한다.
이하 분석장치가 학습모델을 이용하여 영상에서 병변을 예측한다고 설명한다. 분석 장치는 데이터 처리가 가능한 다양한 장치로 구현될 수 있다. 예컨대, 분석 장치는 PC, 네트워크상의 서버, 스마트 기기, 전용 프로그램이 임베딩된 칩셋 등으로 구현될 수 있다.
기계 학습 모델은 결정 트리, 랜덤 포레스트(random forest), KNN(K-nearest neighbor), 나이브 베이즈(Naive Bayes), SVM(support vector machine), ANN(artificial neural network) 등이 있다. 특히 이하 설명하는 기술은 ANN 중 대조 학습(contrastive learning)을 이용하여 의료 영상에서 이상 여부를 분석한다.
도 1은 대조 학습 기반의 의료 영상 분석 시스템(100)에 대한 예이다. 도 1에서 분석장치는 컴퓨터 단말(130) 및 서버(140)인 예를 도시하였다.
X-ray 장비(110)는 대상자에 대한 CXR 영상을 생성한다. 대상자의 CXR 영상은 EMR(Electronic Medical Record, 120)에 저장될 수 있다.
도 1에서 사용자(A)는 컴퓨터 단말(130)을 이용하여 대상자의 CXR 영상을 이용하여 이상 여부를 예측할 수 있다. 컴퓨터 단말(130)은 대상자의 CXR 영상을 입력받는다. 컴퓨터 단말(130)은 유선 또는 무선 네트워크를 통해 X-ray 장비(110) 또는 EMR(120)로부터 CXR 영상을 입력받을 수 있다. 경우에 따라 컴퓨터 단말(130)은 X-ray 장비(110)와 물리적으로 연결된 장치일 수도 있다.
컴퓨터 단말(130)은 대상자의 CXR 영상을 일정하게 처리하고, 처리한 영상을 사전에 학습된 대조 학습 모델에 입력한다. 컴퓨터 단말(130)은 대조 학습 모델이 출력하는 값을 기준으로 대상자의 이상 여부를 판단할 수 있다. 상세한 분석 과정은 후술한다. 사용자 A는 분석 결과를 확인할 수 있다.
서버(140)는 X-ray 장비(110) 또는 EMR(120)로부터 대상자의 CXR 영상을 수신할 수 있다. 서버(140)는 대상자의 CXR 영상을 일정하게 처리하고, 처리한 영상을 사전에 학습된 대조 학습 모델에 입력한다. 서버(140)는 대조 학습 모델이 출력하는 값을 기준으로 대상자의 이상 여부를 판단할 수 있다. 상세한 분석 과정은 후술한다. 서버(140)는 분석 결과는 사용자 A의 단말에 전송할 수 있다. 사용자 A는 분석 결과를 확인할 수 있다.
컴퓨터 단말(130) 및/또는 서버(140)는 분석 결과를 EMR(120)에 저장할 수도 있다.
대조 학습은 비지도 학습의 일종인 자기주도학습(Self-supervised learning)에 해당하는 기법이다. 대조 학습 모델은 유사도가 높은 영상의 쌍(positive pair)에서 특징이 서로 거리를 가깝게 하고, 유사도가 낮은 영상의 쌍(negative pair)에서 특징이 서로 거리가 멀도록 학습된다. 이하 분석장치가 이용한 대조 학습 모델에 대하여 설명한다.
도 2는 대조 학습 모델을 학습하는 과정(200)에 대한 예이다.
연구자는 학습 과정에서 정상인의 CXR만을 이용하여 대조 학습 모델을 학습하였다. 연구자는 컴퓨터 장치를 이용하여 학습 모델을 구축하였다. 따라서, 이하 연구자가 수행하는 과정은 모두 컴퓨터 장치를 통해 수행한 과정임을 전제한다.
학습 데이터를 마련하는 과정(210)을 설명한다.
이 과정에서 학습 데이터인 CXR 영상은 일정하게 전처리할 수 있다. 예컨대, CXR 영상은 정규화, 히스토그램 평등화, 감마 보정, 크기 조절 등이 될 수 있다.
정상인의 CXR에서 폐 영역을 명확하게 구분하기 위하여 마스크(segmentation mask)를 사용할 수 있다. 한편, 영상의 종류 또는 질환에 따라서 마스크를 사용한 관심 영역의 구분이 필수적이지는 않을 수도 있다. 연구자는 폐 영역의 마스크를 생성하기 위하여 별도의 세그멘테이션 모델(segmentation model)을 사용하였다. 연구자는 사전에 개발된 FC-DenseNet103을 이용하여 폐 영역을 구분하였다.
연구자는 대조 학습 모델을 패치(patch) 단위 영상으로 학습하였다. 즉, 연구자는 폐 영역에서 복수의 패치를 추출하고, 추출한 데이터를 활용하여 대조 학습 모델을 학습하였다.
학습 데이터의 양이 부족할 수 있기 때문에, 연구자는 패치 단위 영상들을 증강(augumentation)하여 학습 데이터를 마련하였다. 연구자는 폐 영역 영상에서 임의의 패치들을 추출(crop)하고, 패치들 각각을 4가지 각도 0°, 90°, 180°및 270°로 회전시켜 데이터를 증강하였다. 동일한 패치를 회전시켜 증간한 데이터 세트는 서로 유사한 데이터(positive pair)를 구성하게 된다.
연구자는 학습 데이터로 마련한 패치 쌍을 대조 학습 모델에 입력하면서 유사한 패치들의 특정이 가까워지도록 학습하였다(220). 이와 같은 학습 과정을 반복적으로 수행하면서 대조 학습 모델의 파라미터를 갱신한다. 대조 학습 모델은 다양한 형태로 구현이 가능하다. 대조 학습 모델은 입력된 패치 쌍의 특징을 각각 추출하는 특징 추출 계층, 패치 쌍의 유사도에 따라 특징의 거리를 조절하는 특징 표현 (대조 학습) 계층 및 특징에 기반하여 일정한 분류를 수행하는 분류 계층을 포함할 수 있다.
상기 대조 학습 모델은 패치 단위의 영상들로 학습된다. 따라서, 해당 모델을 이하 패치 단위 대조 학습 모델이라고 명명한다. 패치 단위 대조 학습 모델이 학습되는 과정을 상세하게 설명한다.
패치 단위 대조 학습 모델은 정상인의 CXR만을 이용하여 폐 관련 병소(폐렴, 결핵, COVID-19 등)를 갖는 환자를 분류하기 위한 것이다. 정상인에 대한 N 개의 CXR 영상 세트를 라고 한다. 연구자는 SimCLR 프레임워크를 사용하였다. 네트워크 특징들 u와 v의 코사인 유사도는 아래 수학식 1과 같이 정의할 수 있다.
패치 단위 대조 학습 모델에서 손실은 특징이 유사한 정상인 패치 쌍(positive pair) 사이의 유사도가 증가하도록 설정되어야 한다. B개의 정상인 CXR 데이터로 구성된 미니배치 세트 가 주어진다면, 임의의 패치 선택() 및 90°회전()을 거쳐 데이터 증강을 하여 8B개의 학습 데이터를 마련할 수 있다. 개별 패치 데이터는 로 표현될 수 있고, 증강된 학습 샘플들에서 주어진 패치 데이터 쌍 에 대한 손실은 아래 수학식 2와 같이 정의될 수 있다. ResNet 인코더 및 투사 계층 를 갖는 SimCLR을 기준으로 설명한다.
여기서, z(x)는 ResNet 인코더 가 산출하는 특징 벡터, τ는 스무딩 상수를 의미한다.
이때 타깃 샘플 를 제외한 8B-1 개의 샘플들은 음성 샘플(negative sample)이 된다. 따라서, 와 음성 샘플 사이의 손실은 최소가 되도록 학습된다.
패치 단위 대조 학습 모델의 최종 손실 함수는 아래 수학삭 3 내지 수학식 5와 같이 정리할 수 있다.
아래 수학식 3의 손실 L CLR은 4B 개의 동일 각도를 갖는 패치 쌍 에 대한 평균 손실이다. (i,j)∈이다.
L CL이 감소하면 타깃 패치 가 샘플 에 가깝다는 의미이고, 이는 해당 패치 쌍이 동일 환자에서 획득한 서로 다른 CXR 영상 영역에서 동일한 각도의 영상에 해당할 것이다. 따라서, 수학식 3의 손실을 최소화하면 패치 단위 대조 학습 모델은 타깃 패치와 서로 다른 환자의 샘플들 또는 서로 다른 각도의 샘플들과 구분할 수 있다. 따라서, 이와 같은 패치 기반 접근은 대조 학습 모델이 정상인 입력 패치와 다른 패치가 정상인 클래스에 속하는지 학습하게 한다.
연구자는 학습 정확도를 높이기 위하여 아래 수학식 4와 같은 보조적 손실함수를 정의하였다.
수학식 4는 ResNET 인코더가 입력되는 패치에 대한 각도를 분류하도록 하여 결정될 수 있다. SI(shifted instance)는 4개의 회전 방향 중 어느 하나를 나타내는 인덱스(예컨대, 1, 2, 3 및 4 중 어느 하나)이다. 인코더는 소프트맥스 함수를 사용하여 입력 패치에 대한 각도 확률을 산출할 수 있다. 는 에 대한 소프트맥스 확률을 나타낸다.
패치 단위 대조 학습 모델은 최종적으로 아래 수학식 5와 같은 최종 손실함수가 최소가 되도록 학습될 수 있다.
λ는 SI 손실에 대한 정규화 상수이다.
참고로, 연구자는 7390개의 정상인 CXR 샘플들에서 256개의 미니배치를 추출하여 모델을 구축하였다. 연구자는 1000 에포크(epochs)로 학습하였으며, 가중치 감쇠가 10-6인 확률적 경사 하강법으로 모델을 최적화하였다. 연구자는 선형 웜-업 코사인 어닐링(Linear warm-up cosine decay annealing)을 활용하였으며, 초기 학습율을 0.1로 설정하였다. 연구자는 에포크마다 학습 데이터에 대한 데이터 증강을 실시하였다. 물론, 이는 패치 단위 대조 학습 모델을 학습하는 과정에 대한 하나의 예이며 다른 설정값이나 방법론으로 모델 학습은 가능할 것이다.
도 3은 패치 단위 대조 학습 모델을 이용하여 의료 영상을 분석하는 과정(300)의 예이다. 도 3의 패치 단위 대조 학습 모델은 도 2의 학습 과정으로 사전에 구축된 모델에 해당한다.
분석장치는 분석 대상인 대상자의 타깃 CXR 영상을 입력받는다(310).
분석장치는 타깃 CXR 영상에서 t 개의 패치 세트 를 임의로 추출한다. 학습 과정과 유사하게 분석장치는 t 개의 패치 세트를 이용하여 v개의 패치 세트 를 증강하여 생성한다(315). 증강된 전체 패치 세트를 라고 명명한다.
분석장치는 정상인의 CXR 영상을 입력받는다(320). 정상인의 CXR 영상은 레퍼런스 데이터로 활용된다. 분석장치는 정상인의 CXR 영상도 임의의 패치를 생성한다(325). 분석장치는 정상인의 패치에 대해서도 데이터 증강을 할 수 있다.
분석장치는 패치 단위 대조 학습 모델에서 산출되는 값(타깃 패치와 정상인 패치 사이의 특징 표현값)으로 타깃 패치별로 정상인의 패치 쌍과의 코사인 유사도를 결정할 수 있다(330). 이를 기준으로 분석 장치는 타깃 패치에 대한 판별 점수를 연산할 수 있다. 또한, 분석장치는 패치 단위 대조 학습 모델의 분류 계층이 산출하는 각도 관련 정보를 이용하여 아래 설명한 타깃 패치에 대한 “‡향 점수도 연산할 수 있다.
t 개의 패치 세트에 대한 판별 점수를 설명한다. 판별 점수는 특징 공간에서 타깃 패치와 증강된 모든 정상 패치들 각각 사이의 코사인 유사도들 중 최솟값으로 결정된다. 판별 점수는 아래 수학식 6과 같이 정의할 수 있다. 분석 장치는 수학식 6을 이용하여 패치 세트에 대한 판별 점수를 연산할 수 있다(340).
는 증강된 정상 패치를 나타내고, 는 타깃 샘플의 l번째 임의의 패치를 나타낸다. λc는 을 위한 정규화 상수이다. 이 정규화 상수는 아래 수학식 7과 같고 통상적으로 1 미만의 값을 갖는다.
는 증강된 훈련 샘플들의 개수를 나타낸다.
또한, 분석장치는 SI 분류를 위한 패치별 방향 점수를 연산할 수 있다. 학습 과정에서 패치의 방향에 대한 확률을 손실 함수에 반영하였는데, 이에 대응되게 방향 점수는 타깃 패치에 대한 방향에 관련된 점수이다. 경우에 따라 아래 수학식 8의 점수는 선택가능한 부가 점수로 활용할 수도 있다. 분석장치는 아래 수학식 8을 이용하여 타깃 패치에 대한 방향 점수를 연산할 수도 있다.
는 를 위한 균형 상수(balancing constant)이다. 는 소프트맥스 계층 전에 패치에 대한 회전 이전의 본래 방향 클래스에 대한 확률을 나타낸다.
분석장치는 수학식 6의 판별 점수만으로 타깃 패치에 대한 이상 여부를 분류할 수 있다. 나아가, 분석장치는 아래 수학식 9와 같이 패치에 대한 최종 판별 점수를 기준으로 타깃 패치에 대한 이상 여부를 분류할 수도 있다(340).
λ는 훈련 과정에서 사용된 수학식 5의 정규화 상수이다.
이후 분석장치는 패치 단위 점수를 이용하여 아래 수학식 10과 같이 픽셀 단위의 점수를 연산할 수 있다(350).
는 t개 타깃 패치들의 서브세트를 나타내며, i, j 위치의 픽셀들을 포함한 도메인에 해당한다. 픽셀단위로 점수가 겹치는 부위는 평균하여 픽셀의 점수를 결정할 수 있다.
분석장치는 아래 수학식 11과 같이 대상자(타깃 패치)에 대한 최종 이상 점수를 연산할 수 있다. 이상 점수는 픽셀 단위 점수들의 분포에서 특정한 백분위수( percentile) 값에 해당한다. 아래 수학식 11의 값은 전체 픽셀에서 픽셀 단위 점수들의 분포에 대한 백분위수 값에 해당한다.
q는 백분위수 값(0~1)을 나타낸다. 최적의 값은 실험적인 검증 결과로 설정될 수 있다.
전술한 바와 같이 패치별 판별 점수(수학식 6) 또는 최종 판별 점수(수학식 9)는 패치 단위로 입력되는 타깃 패치의 이상 여부를 나타낸다. 즉, 분석장치가 특정 패치에 대한 판별 점수가 일정한 임계값보다 높으면 해당 패치는 이상(=병소)이라고 분류할 수 있다. 이와 같이 패치 단위로 판별한 결과를 활용하여 전체 X-ray 영상에서 병소가 있는 영역을 구분할 수도 있다.
나아가, 분석장치가 최종적으로 픽셀 단위로 이상 점수를 연산하였기에, 픽셀 단위로 입력된 CXR에서 이상 영역을 구분할 수도 있다. 픽셀 단위로 구분한 예를 중심으로 설명한다.
가 타깃 CXR 영상 xte의 i 및 j 번째의 픽셀에 대한 점수 맵이라고 하면, 이 점수는 0~1 사이의 값으로 정규화될 수 있다. 예컨대, 0은 정상 픽셀을 나타내고, 1은 비정상 픽셀을 나타낸다. 패치 단위로 최소-최대 정규화를 하면 아래 수학식 12와 같이 표현할 수 있다.
이와 같은 과정을 통하여 분석장치는 입력된 CXR 영상에 대한 점수 맵을 생성할 수 있다(360). 분석장치는 수학식 11의 최종 이상 점수와 임계값을 비교하여 대상자에 대한 이상 여부를 판단할 수 있다. 나아가, 분석장치는 최종 점수 맵을 기준으로 대상자에 대한 이상 여부를 판단할 수 있다. 예컨대, 분석장치는 점수 맵의 평균 점수와 임계값을 비교하여 대상자의 이상 여부를 판단할 수 있다. 또는 분석장치는 점수 맵의 균일성(점수 값 분포의 균일성)을 기준으로 대상자의 이상 여부를 판단할 수도 있다.
도 4는 픽셀 단위 이상 점수를 기준으로 폐 영역에서 이상 부위를 구분한 예이다. 도 4는 정상인과 환자의 CXR에 대하여 점수 맵을 표시한 예이다. 도 4에서 점수를 색상으로 표현하였는데 붉은색은 정상을 나타내고, 파란색을 비정상을 나타낸다. 도 4(A)는 정상인, 도 4(B)는 폐렴 환자, 도 4(C)는 결핵 환자 및 도 4(D)는 COVID-19 환자에 대한 결과이다. 도 4를 살펴보면, 전체적으로 전술한 점수 맵이 대상자의 이상 여부를 시각적으로 표현하여, 이상 영역을 구분할 수 있음을 알 수 있다.
연구자는 구축한 패치 단위 대조 학습 모델을 검증 데이터를 활용하여 검증하였다. 검증을 위한 CXR 영상은 JSRT(Japanese Society of Radiological Technology)에서 획득하였다. 도 5는 패치 단위 대조 학습 모델을 검증한 실험 결과이다. 도 5는 ROC(receiver operating characteristic)이다. 도 5를 살펴보면 패치 단위 대조 학습 모델은 폐렴(pneumonia)에 대하여 AUC= 0.96, 결핵(TB)에 대하여 AUC= 0.99 및 COVID-19에 대하여 AUC = 0.96로 매우 높은 성능을 나타내었다.
도 6은 패치 단위 대조 학습 모델을 이용하여 의료 영상을 분석하는 분석장치(400)에 대한 예이다. 분석장치(400)는 전술한 분석장치(도 1의 130 및 140)에 해당한다. 분석장치(400)는 물리적으로 다양한 형태로 구현될 수 있다. 예컨대, 분석장치(400)는 PC와 같은 컴퓨터 장치, 네트워크의 서버, 데이터 처리 전용 칩셋 등의 형태를 가질 수 있다.
분석장치(400)는 저장장치(410), 메모리(420), 연산장치(430), 인터페이스 장치(440), 통신장치(450) 및 출력장치(460)를 포함할 수 있다.
저장장치(410)는 전술한 패치 단위 대조 학습 모델을 저장할 수 있다.
저장장치(410)는 정상인의 CXR 영상을 저장할 수 있다.
저장장치(410)는 대상자의 CXR 영상을 저장할 수 있다.
저장장치(410)는 대상자의 CXR 영상에서 관심 영역(예컨대, 폐 영역)을 분할하는 세그멘테이션 모델을 저장할 수 있다.
저장장치(410)는 영상 처리를 위한 다른 프로그램 내지 코드를 저장할 수 있다. 저장장치(410)는 CXR 영상에서 일정한 전처리를 하는 프로그램을 저장할 수 있다. 저장장치(410)는 전처리된 영상에서 패치를 추출하고, 패치를 증강하는 프로그램을 저장할 수 있다.
저장장치(410)는 분석 대상인 타깃 패치 세트에 대한 이상 점수를 연산하는 프로그램을 저장할 수 있다.
저장장치(410)는 픽셀별 점수를 기준으로 점수 맵을 생성하고, 시각적 맵으로 변환하는 프로그램을 저장할 수 있다.
저장장치(410)는 분석 결과(영상, 분류 결과)를 저장할 수 있다.
메모리(420)는 분석장치(400)가 CXR 영상을 전처리하는 과정, 패치를 생성하는 과정, 패치 단위 대조 학습 모델을 이용한 타깃 패치 세트에 대한 이상 점수 연산 과정 등에서 생성되는 데이터 및 정보 등을 저장할 수 있다.
인터페이스 장치(440)는 외부로부터 일정한 명령 및 데이터를 입력받는 장치이다. 인터페이스 장치(440)는 물리적으로 연결된 입력 장치 또는 외부 저장장치로부터 분석 대상의 CXR 영상을 입력받을 수 있다. 인터페이스 장치(440)는 분석 결과(영상, 텍스트 등)를 외부 객체에 전달할 수도 있다.
통신장치(450)는 유선 또는 무선 네트워크를 통해 일정한 정보를 수신하고 전송하는 구성을 의미한다. 통신장치(450)는 외부 객체로부터 분석 대상의 CXR 영상을 수신할 수 있다. 또는 통신장치(450)는 분석 결과(영상, 텍스트 등)를 사용자 단말과 같은 외부 객체에 송신할 수도 있다.
인터페이스 장치(440) 및 통신장치(450)는 사용자 또는 다른 물리적 객체로부터 일정한 데이터를 주고받는 구성이므로, 포괄적으로 입출력장치라고도 명명할 수 있다. CXR 영상을 입력받는 기능에 한정하면 인터페이스 장치(440) 및 통신장치(450)는 입력장치라고 할 수도 있다.
출력장치(460)는 일정한 정보를 출력하는 장치이다. 출력장치(460)는 데이터 처리 과정에 필요한 인터페이스, 분석 결과 등을 출력할 수 있다.
연산 장치(430)는 저장장치(410)에 저장된 명령어 내지 프로그램 코드를 이용하여 CXR 영상을 입력받아 대상자의 이상 여부를 예측할 수 있다.
연산 장치(430)는 전술한 과정 및 해당 프로그램을 이용하여 분석 대상자의 타깃 CXR 영상에서 증강된 타깃 패치들을 생성할 수 있다. 이 과정에서 연산 장치(430)는 세그멘테이션 모델을 이용하여 관심 영역을 추출할 수 있다.
연산 장치(430)는 전술한 과정 및 해당 프로그램을 이용하여 정상인의 CXR 영상에 패치들을 생성할 수 있다.
연산 장치(430)는 전술한 과정 및 해당 프로그램을 이용하여 타깃 패치들 각각에 대하여 타깃 패치와 정상 패치를 패치 단위 대조 학습 모델에 입력하면서 패치 쌍의 코사인 유사도를 결정할 수 있다.
연산 장치(430)는 전술한 과정 및 해당 프로그램을 이용하여 타깃 패치 세트에 대한 판별 점수를 연산할 수 있다.
연산 장치(430)는 전술한 과정 및 해당 프로그램을 이용하여 타깃 패치들 각각에 대한 방향 점수를 연산할 수도 있다.
연산 장치(430)는 전술한 과정 및 해당 프로그램을 이용하여 타깃 패치에 대한 최종 이상 점수를 연산할 수 있다.
연산 장치(430)는 전술한 과정 및 해당 프로그램을 이용하여 타깃 CXR에 대한 점수 맵을 생성할 수 있다.
연산 장치(430)는 전술한 과정 및 해당 프로그램을 이용하여 점수 맵을 시각적 영상으로 변환할 수 있다.
연산 장치(430)는 전술한 과정 및 해당 프로그램을 이용하여 타깃 패치에 대한 판별 점수 내지 이상점수로 대상자의 이상 여부를 결정할 수 있다.
연산 장치(430)는 전술한 과정 및 해당 프로그램을 이용하여 점수 맵의 정보를 기준으로 대상자의 이상 여부를 결정할 수 있다.
연산 장치(430)는 데이터를 처리하고, 일정한 연산을 처리하는 프로세서, AP, 프로그램이 임베디드된 칩과 같은 장치일 수 있다.
또한, 상술한 바와 같은 패치 단위 대조 학습 모델 학습 방법 및 패치 단위 대조 학습 모델을 이용한 의료 영상 분석은 컴퓨터에서 실행될 수 있는 실행가능한 알고리즘을 포함하는 프로그램(또는 어플리케이션)으로 구현될 수 있다. 상기 프로그램은 일시적 또는 비일시적 판독 가능 매체(non-transitory computer readable medium)에 저장되어 제공될 수 있다.
비일시적 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상술한 다양한 어플리케이션 또는 프로그램들은 CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM (read-only memory), PROM (programmable read only memory), EPROM(Erasable PROM, EPROM) 또는 EEPROM(Electrically EPROM) 또는 플래시 메모리 등과 같은 비일시적 판독 가능 매체에 저장되어 제공될 수 있다.
일시적 판독 가능 매체는 스태틱 램(Static RAM，SRAM), 다이내믹 램(Dynamic RAM，DRAM), 싱크로너스 디램 (Synchronous DRAM，SDRAM), 2배속 SDRAM(Double Data Rate SDRAM，DDR SDRAM), 증강형 SDRAM(Enhanced SDRAM，ESDRAM), 동기화 DRAM(Synclink DRAM，SLDRAM) 및 직접 램버스 램(Direct Rambus RAM，DRRAM) 과 같은 다양한 RAM을 의미한다.
본 실시예 및 본 명세서에 첨부된 도면은 전술한 기술에 포함되는 기술적 사상의 일부를 명확하게 나타내고 있는 것에 불과하며, 전술한 기술의 명세서 및 도면에 포함된 기술적 사상의 범위 내에서 당업자가 용이하게 유추할 수 있는 변형 예와 구체적인 실시례는 모두 전술한 기술의 권리범위에 포함되는 것이 자명하다고 할 것이다.

Claims (12)

  1. 분석장치가 대상자의 의료 영상을 입력받는 단계;
    상기 분석장치가 상기 의료 영상의 관심 영역에 위치한 패치들을 이용하여 복수의 타깃 패치를 생성하는 단계;
    상기 분석장치가 상기 복수의 타깃 패치 각각과 정상인의 의료 영상에서 추출한 패치들을 사전에 학습된 대조 학습 모델에 입력하여 산출되는 결과를 이용하여 상기 타깃 패치들 전체에 대한 이상 점수를 연산하는 단계;
    상기 분석장치가 상기 타깃 패치들에 대한 이상 점수를 이용하여 상기 관심 영역에 대한 픽셀단위 이상 점수들을 연산하는 단계; 및
    상기 분석장치가 상기 관심 영역에서의 상기 픽셀 단위 이상 점수들의 분포를 기준으로 상기 대상자의 이상 병소 여부를 판단하는 단계를 포함하되,
    상기 분석장치는 상기 타깃 패치 각각에 대하여 상기 정상인의 패치들에 대한 코사인 거리가 최소인 값을 상기 타깃 패치들 전체의 상기 이상 점수로 결정하는 패치 단위 대조 학습 모델을 이용한 의료 영상 분석 방법.
  2. 제1항에 있어서,
    상기 대조 학습 모델은
    정상인 샘플들의 의료 영상에서 추출한 패치들을 회전시켜 증강한 학습 패치 세트 중 동일한 회전 방향을 갖는 두 쌍의 패치에 대하여 코사인 거리의 값이 최소가 되도록 학습된 모델인 패치 단위 대조 학습 모델을 이용한 의료 영상 분석 방법.
  3. 제2항에 있어서,
    상기 대조 학습 모델은
    분류 계층에서 상기 학습 패치 세트의 패치 각각에 대하여 증강 과정에서 회전 방향의 확률값을 산출하도록 더 학습되는 패치 단위 대조 학습 모델을 이용한 의료 영상 분석 방법.
  4. 삭제
  5. 제1항에 있어서,
    상기 분석장치는
    상기 타깃 패치 각각에 대하여 회전 방향의 확률값을 더 이용하여 상기 이상 점수를 결정하는 패치 단위 대조 학습 모델을 이용한 의료 영상 분석 방법.
  6. 제1항에 있어서,
    상기 분석장치는
    상기 관심 영역에 대한 픽셀 단위 이상 점수를 이용하여 상기 관심 영역에 대한 이상 여부 정보를 포함하는 영상을 생성하는 단계를 더 포함하는 패치 단위 대조 학습 모델을 이용한 의료 영상 분석 방법.
  7. 대상자의 의료 영상을 입력받는 입력장치;
    의료 영상에서 패치 쌍들을 입력받아 각 패치 쌍의 코사인 거리를 산출하는 대조 학습 모델을 저장하는 저장장치; 및
    상기 입력된 의료 영상의 관심 영역에 위치한 패치들을 이용하여 증강된 복수의 타깃 패치들을 생성하고, 상기 복수의 타깃 패치 각각과 정상인의 의료 영상에서 추출한 패치들을 상기 학습 모델에 입력하여 산출되는 결과를 이용하여 상기 타깃 패치들 전체에 대한 이상 점수를 연산하고, 상기 이상 점수를 기준으로 상기 대상자의 이상 병소 여부를 분류하는 연산장치를 포함하되,
    상기 연산 장치는 상기 타깃 패치들에 대한 이상 점수를 이용하여 상기 관심 영역에 대한 픽셀 단위 이상 점수들을 연산하고, 특정 백분위에 속하는 상기 픽셀 단위 이상 점수들의 분포를 기준으로 상기 대상자의 이상 병소 여부를 판단하고,
    상기 연산 장치는 상기 관심 영역에 대한 픽셀 단위 이상 점수를 이용하여 상기 관심 영역에 대한 이상 여부 정보를 포함하는 영상을 생성하는 패치 단위 대조 학습 모델을 이용하여 대상자의 이상 여부를 판별하는 분석장치.
  8. 제7항에 있어서,
    상기 대조 학습 모델은
    정상인 샘플들의 의료 영상에서 추출한 패치들을 회전시켜 증강한 학습 패치 세트 중 동일한 회전 방향을 갖는 두 쌍의 패치에 대하여 코사인 거리의 값이 최소가 되고, 동시에 분류 계층에서 상기 학습 패치 세트의 패치 각각에 대하여 증강 과정에서 회전 방향의 확률값을 정확하게 산출하도록 학습되는 패치 단위 대조 학습 모델을 이용하여 대상자의 이상 여부를 판별하는 분석장치.
  9. 삭제
  10. 삭제
  11. 제7항에 있어서,
    상기 연산 장치는 상기 타깃 패치 각각에 대하여 상기 정상인의 패치들에 대한 코사인 거리가 최소인 값을 상기 타깃 패치들 전체의 상기 이상 점수로 결정하는 패치 단위 대조 학습 모델을 이용하여 대상자의 이상 여부를 판별하는 분석장치.
  12. 제11항에 있어서,
    상기 연산 장치는 상기 타깃 패치 각각에 대하여 회전 방향의 확률값을 더 이용하여 상기 이상 점수를 결정하는 패치 단위 대조 학습 모델을 이용하여 대상자의 이상 여부를 판별하는 분석장치.
KR1020210144779A 2021-10-27 2021-10-27 패치 단위 대조 학습 모델을 이용한 의료 영상 분석 방법 및 분석 장치 KR102650919B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020210144779A KR102650919B1 (ko) 2021-10-27 2021-10-27 패치 단위 대조 학습 모델을 이용한 의료 영상 분석 방법 및 분석 장치
KR1020230138074A KR20230147591A (ko) 2021-10-27 2023-10-16 패치 단위 대조 학습 모델을 이용한 의료 영상 분석 방법 및 분석 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210144779A KR102650919B1 (ko) 2021-10-27 2021-10-27 패치 단위 대조 학습 모델을 이용한 의료 영상 분석 방법 및 분석 장치

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020230138074A Division KR20230147591A (ko) 2021-10-27 2023-10-16 패치 단위 대조 학습 모델을 이용한 의료 영상 분석 방법 및 분석 장치

Publications (2)

Publication Number Publication Date
KR20230060260A KR20230060260A (ko) 2023-05-04
KR102650919B1 true KR102650919B1 (ko) 2024-03-22

Family

ID=86380019

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020210144779A KR102650919B1 (ko) 2021-10-27 2021-10-27 패치 단위 대조 학습 모델을 이용한 의료 영상 분석 방법 및 분석 장치
KR1020230138074A KR20230147591A (ko) 2021-10-27 2023-10-16 패치 단위 대조 학습 모델을 이용한 의료 영상 분석 방법 및 분석 장치

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020230138074A KR20230147591A (ko) 2021-10-27 2023-10-16 패치 단위 대조 학습 모델을 이용한 의료 영상 분석 방법 및 분석 장치

Country Status (1)

Country Link
KR (2) KR102650919B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101754291B1 (ko) 2017-04-04 2017-07-06 이현섭 개인 맞춤형 뇌질병 진단 및 상태 판정을 위한 의료 영상 처리 시스템 및 방법
JP2019154943A (ja) * 2018-03-15 2019-09-19 ライフサイエンスコンピューティング株式会社 人工知能を用いた病変の検知方法、及び、そのシステム
KR102140402B1 (ko) 2019-09-05 2020-08-03 주식회사 루닛 기계학습을 이용한 의료 영상 판독의 품질 관리 방법 및 장치

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102150682B1 (ko) 2019-08-08 2020-09-02 주식회사 딥노이드 특이점 분류 장치 및 분류 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101754291B1 (ko) 2017-04-04 2017-07-06 이현섭 개인 맞춤형 뇌질병 진단 및 상태 판정을 위한 의료 영상 처리 시스템 및 방법
JP2019154943A (ja) * 2018-03-15 2019-09-19 ライフサイエンスコンピューティング株式会社 人工知能を用いた病変の検知方法、及び、そのシステム
KR102140402B1 (ko) 2019-09-05 2020-08-03 주식회사 루닛 기계학습을 이용한 의료 영상 판독의 품질 관리 방법 및 장치

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Li J, 외. Multi-task contrastive learning for automatic CT and X-ray diagnosis of COVID-19. 2021.01.26. 공개.*

Also Published As

Publication number Publication date
KR20230060260A (ko) 2023-05-04
KR20230147591A (ko) 2023-10-23

Similar Documents

Publication Publication Date Title
Nawaz et al. Skin cancer detection from dermoscopic images using deep learning and fuzzy k‐means clustering
US10482603B1 (en) Medical image segmentation using an integrated edge guidance module and object segmentation network
Lai et al. Medical image classification based on deep features extracted by deep model and statistic feature fusion with multilayer perceptron‬
US10430946B1 (en) Medical image segmentation and severity grading using neural network architectures with semi-supervised learning techniques
US20230419485A1 (en) Autonomous diagnosis of a disorder in a patient from image analysis
US11449985B2 (en) Computer vision for cancerous tissue recognition
Saba Automated lung nodule detection and classification based on multiple classifiers voting
Tian et al. Constrained contrastive distribution learning for unsupervised anomaly detection and localisation in medical images
Jaeger et al. Detecting drug-resistant tuberculosis in chest radiographs
KR102318959B1 (ko) 의료 영상을 해석하는 인공지능 모델을 이용한 폐암 발병 가능성 예측 방법 및 의료 영상 분석 장치
WO2013037983A1 (en) Method and system for the automatic analysis of an image of a biological sample
Abed et al. A modern deep learning framework in robot vision for automated bean leaves diseases detection
US11449717B2 (en) System and method for identification and localization of images using triplet loss and predicted regions
US20220036140A1 (en) Classification device, classification method, program, and information recording medium
Sunil Babu et al. An effective approach for sub-acute Ischemic stroke lesion segmentation by adopting meta-heuristics feature selection technique along with hybrid Naive Bayes and sample-weighted random forest classification
Alsawwaf et al. In your face: person identification through ratios and distances between facial features
Alyami et al. Automatic skin lesions detection from images through microscopic hybrid features set and machine learning classifiers
Anusha et al. Parkinson’s disease identification in homo sapiens based on hybrid ResNet-SVM and resnet-fuzzy svm models
Tavana et al. Classification of spinal curvature types using radiography images: deep learning versus classical methods
Chanda et al. DCENSnet: A new deep convolutional ensemble network for skin cancer classification
Thapa et al. Deep learning for breast cancer classification: Enhanced tangent function
KR102650919B1 (ko) 패치 단위 대조 학습 모델을 이용한 의료 영상 분석 방법 및 분석 장치
Xiong et al. Lung field segmentation using weighted sparse shape composition with robust initialization
CN112862745B (zh) 基于人工神经网络的组织病变识别的训练方法及训练系统
Chhabra et al. Comparison of different edge detection techniques to improve quality of medical images

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
A107 Divisional application of patent
E701 Decision to grant or registration of patent right
GRNT Written decision to grant