KR102655197B1 - Ｘ-Ｒａｙ 영상 기반의 흉수 진단을 위한 보조 진단 시스템 - Google Patents

Ｘ-Ｒａｙ 영상 기반의 흉수 진단을 위한 보조 진단 시스템 Download PDF

Info

Publication number
KR102655197B1
KR102655197B1 KR1020220024111A KR20220024111A KR102655197B1 KR 102655197 B1 KR102655197 B1 KR 102655197B1 KR 1020220024111 A KR1020220024111 A KR 1020220024111A KR 20220024111 A KR20220024111 A KR 20220024111A KR 102655197 B1 KR102655197 B1 KR 102655197B1
Authority
KR
South Korea
Prior art keywords
pleural effusion
area
probability
pleural
effusion
Prior art date
Application number
KR1020220024111A
Other languages
English (en)
Other versions
KR20230126833A (ko
Inventor
전민경
최현주
유병철
김화평
김태규
최우식
Original Assignee
주식회사 딥노이드
재단법인 김해의생명산업진흥원
재단법인 정석연구재단
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 주식회사 딥노이드, 재단법인 김해의생명산업진흥원, 재단법인 정석연구재단 filed Critical 주식회사 딥노이드
Priority to KR1020220024111A priority Critical patent/KR102655197B1/ko
Publication of KR20230126833A publication Critical patent/KR20230126833A/ko
Application granted granted Critical
Publication of KR102655197B1 publication Critical patent/KR102655197B1/ko

Links

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
    • A61B6/50—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
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Theoretical Computer Science (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Optics & Photonics (AREA)
  • Veterinary Medicine (AREA)
  • General Physics & Mathematics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Quality & Reliability (AREA)
  • Dentistry (AREA)
  • Physiology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

본 발명은 X-Ray 영상 기반의 흉수 진단을 위한 보조 진단 시스템에 관한 것으로, 상기 X-Ray 영상으로부터 폐 영역을 검출하는 AI 기반의 폐 세그멘테이션 모델과; 상기 X-Ray 영상으로부터 흉수 영역을 검출하고, 상기 흉수 영역의 흉수 확률을 예측하는 AI 기반의 흉수 예측 모델과; 상기 폐 영역과 상기 흉수 영역이 겹치는 겹침 영역을 검출하는 겹침 영역 검출부와; 상기 겹침 영역에 따라 상기 흉수 확률을 보정하여 보정 흉수 확률을 산출하고, 상기 보정 흉수 확률에 기초하여 흉수 여부를 판단하는 흉수 판단부를 포함하는 것을 특징으로 한다. 이에 따라, X-Ray 영상을 이용하여 흉수를 진단하는데 있어, 인공지능 기술을 적용하여 보다 정확한 흉수 진단이 가능하게 된다.

Description

Ｘ-Ｒａｙ 영상 기반의 흉수 진단을 위한 보조 진단 시스템{X-RAY IMAGE BASED ASSISTANCE DIAGNOSIS SYSTEM FOR DIAGNOSING PLEURAL EFFUSION}
본 발명은 X-Ray 영상 기반의 흉수 진단을 위한 보조 진단 시스템에 관한 것으로서, 보다 상세하게는 X-Ray 영상으로부터 흉수 여부를 판독할 수 있는 X-Ray 영상 기반의 흉수 진단을 위한 보조 진단 시스템에 관한 것이다.
현대 의학에서 효과적인 질병의 진단 및 환자의 치료를 위해 의료 영상은 매우 중요한 도구이다. 또한, 영상 기술 발달은 더욱 정교한 의료 영상 데이터를 획득 가능하게 하고 있다. 이러한 정교함의 대가로 데이터의 양은 점차 방대해지고 있어 의료 영상 데이터를 인간의 시각에 의존하여 분석하는 데 어려움이 많다. 이에, 최근 십여 년 동안 임상 의사 결정 지원 시스템 및 컴퓨터 보조 판독 시스템은 의료 영상 자동 분석에 있어서 필수적인 역할을 수행하여 왔다.
종래의 임상 의사 결정 지원 시스템 또는 컴퓨터 보조 판독 시스템은 병변 영역을 검출하여 표시하거나 판독 정보를 의료진 또는 의료 종사자 등(이하 사용자)에게 제시한다.
일례로, 한국 공개특허 제10-2017-0017614호에 개시된 '의료 영상 기반의 질환 진단 정보 산출 방법 및 장치'에서는, 분석 대상 객체가 촬영된 관심 영역을 검출하고, 변동계수를 산출하고, 변동계수 이미지를 작성하고 이를 기준 샘플과 비교하는 단계를 포함하고, CT, MRI, MRA 및 초음파 영상 촬영 장치 등을 통해 획득된 의료 영상을 활용하여 환자의 질환 정도를 진단하는 효과를 언급하고 있다.
특히, 근래에 딥러닝(Deep learning)과 같은 기계 학습(Machine learning)을 기반으로 하는 인공지능(AI) 기술은 의료 영상을 이용하여 환자의 질병을 판독하는데 있어 비약적인 발전을 가져오는데 바탕이 되고 있다.
딥러닝이란 사람의 신경세포(Biological Neuron)를 모사하여 기계가 학습하도록 하는 인공신경망(Artificial Neural Network) 기반의 기계 학습법을 의미한다. 최근, 딥러닝 기술은 이미지 인식 분야에서 비약적으로 발전하고 있고, 의료 영상을 이용한 판독 분야에서도 널리 사용되고 있다.
의료 영상에서의 딥러닝 기술은 질병을 포함하는 다수의 의료 영상과 해당 질병을 학습 데이터로 하여 기계 학습이 진행되어 기계 학습 모델(이하, '학습 모델'이라 함)이 생성되고, 판독 대상 의료 영상이 학습 모델에 입력되면 병변 여부를 진단하게 된다.
상기와 같이, 딥러닝 기반의 기계 학습법은 학습 모델을 생성하는데 사용되는 학습 데이터, 예컨대, 다수의 병변 영상과 다수의 정상 영상을 수집하고, 수집된 병변 영상과 정상 영상을 학습하여 생성된 학습 모델이 새로이 입력된 판독 대상 의료 영상의 병변 여부를 판독하게 되는 바, 다양하면서도 많은 학습 데이터가 학습에 사용될 때 판독 결과의 정확성을 높일 수 있다. 뿐만 아니라, 판독 대상 의료 영상이 학습 데이터와 유사할 때, 판독 결과의 정확성이 높아질 수 있다.
한편, 흉수(Pleural effusion)는, 도 1에 도시된 바와 같이, 흉강 안에 정상 이상으로 고여 있는 액체들의 총칭이다. 좁은 의미에서는 누출액(Transudate) 또는 여출액이라고 하는 액체가 흉강 안에 고여 있는 수흉(Hydrothorax)을 의미한다.
현재 흉수 검진에는 주로 컴퓨터단층촬영, 즉 CT를 이용하고 있다. 도 2는 CT 영상에서 검출된 흉수의 예를 나타내고 있다. 그러나, 컴퓨터단층촬영을 이용하는 흉수 검진은 방사선 피폭 문제, 고가의 비용 문제, 조영제의 사용으로 인한 부작용 문제가 존재하고 있다.
컴퓨터단층촬영을 통한 흉수 검진의 대안으로 X-Ray 영상을 이용하는 방법이 고려되고 있다. 그러나, X-Ray 영상으로 흉수를 진단하기 위해서는 흉수가 250ml 이상 고여 있는 경우에만 발견이 가능한 것으로 알려져 있어, 검진률이 비교적 낮을 뿐만 아니라, 영상 판독 전문가를 통해서만 검진이 가능한 단점이 있다.
이에, 본 발명은 상기와 같은 문제점을 해소하기 위해 안출된 것으로서, X-Ray 영상을 이용하여 흉수를 진단하는데 있어, 인공지능 기술을 적용하여 보다 정확한 흉수 진단이 가능한 X-Ray 영상 기반의 흉수 진단을 위한 보조 진단 시스템을 제공하는데 그 목적이 있다.
상기 목적은 본 발명에 따라, X-Ray 영상 기반의 흉수 진단을 위한 보조 진단 시스템에 있어서, 상기 X-Ray 영상으로부터 폐 영역을 검출하는 AI 기반의 폐 세그멘테이션 모델과; 상기 X-Ray 영상으로부터 흉수 영역을 검출하고, 상기 흉수 영역의 흉수 확률을 예측하는 AI 기반의 흉수 예측 모델과; 상기 폐 영역과 상기 흉수 영역이 겹치는 겹침 영역을 검출하는 겹침 영역 검출부와; 상기 겹침 영역에 따라 상기 흉수 확률을 보정하여 보정 흉수 확률을 산출하고, 상기 보정 흉수 확률에 기초하여 흉수 여부를 판단하는 흉수 판단부를 포함하는 것을 특징으로 하는 X-Ray 영상 기반의 흉수 진단을 위한 보조 진단 시스템에 의해서 달성된다.
여기서, 상기 흉수 예측 모델은 상기 X-Ray 영상으로부터 상기 흉수 영역을 검출하고, 상기 흉수 영역을 구성하는 픽셀 단위로 흉수 확률을 예측할 수 있다.
또한, 상기 흉수 예측 모델은 픽셀 단위로 예측된 흉수 확률 중 최대값을 상기 흉수 확률로 예측할 수 있다.
그리고, 상기 흉수 판단부는 상기 겹침 영역과 상기 흉수 영역 간의 비율에 기초하여 상기 보정 흉수 확률을 산출할 수 있다.
그리고, 상기 흉수 판단부는 상기 흉수 영역 대비 상기 겹침 영역의 비율이 기 설정된 기준 비율 이하인 경우 상기 흉수 확률을 기 설정된 증가 가중치에 따라 증가시켜 상기 보정 흉수 확률을 산출하고, 상기 흉수 영역 대비 상기 겹침 영역의 비율이 상기 기준 비율을 초과하는 경우 상기 흉수 확률을 기 설정된 감소 가중치에 따라 감소시켜 상기 보정 흉수 확률을 산출할 수 있다.
그리고, 상기 흉수 판단부는 상기 겹침 영역이 존재하지 않는 경우, 상기 흉수 확률을 상기 보정 흉수 확률로 산출할 수 있다.
그리고, 상기 기준 비율은 0.5일 수 있다.
그리고, 상기 증가 가중치는 1.5이고, 상기 감소 가중치는 0.5일 수 있다.
그리고, 상기 흉수 판단부는 상기 보정 흉수 확률이 기 설정된 기준 확률을 초과하는 경우, 흉수로 판단할 수 있다.
상기와 같은 구성에 따라, 본 발명에 따르면, X-Ray 영상을 이용하여 흉수를 진단하는데 있어, 인공지능 기술을 적용하여 보다 정확한 흉수 진단이 가능한 X-Ray 영상 기반의 흉수 진단을 위한 보조 진단 시스템이 제공된다.
도 1은 흉수를 설명하기 위한 도면이고,
도 2는 흉수 진단을 위한 컴퓨터단층촬영 영상의 예를 나타낸 도면이고,
도 3은 본 발명의 실시예에 따른 X-Ray 영상 기반의 흉수 진단을 위한 보조 진단 시스템의 제어 블록도이고,
도 4는 본 발명의 실시예에 따른 X-Ray 영상 기반의 흉수 진단을 위한 보조 진단 시스템의 제어 흐름도이고,
도 5 내지 도 7은 본 발명의 실시예에 따른 X-Ray 영상 기반의 흉수 진단을 위한 보조 진단 시스템의 흉수 진단 과정을 설명하기 위한 도면이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 상세하게 설명하고자 한다.
그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하에서는 첨부된 도면을 참조하여 본 발명에 따른 실시예들을 상세히 설명한다.
본 발명의 실시예에 따른 보조 진단 시스템(10)은 X-Ray 영상을 이용하여 흉수 여부를 판단하도록 구성된다. 여기서, 본 발명의 실시예에 따른 보조 진단 시스템(10)은 X-Ray 영상으로부터 흉수 여부를 판단할 때 딥러닝 기술과 간은 AI 기술을 기반으로 하여 흉수 여부를 판단한다.
도 3은 본 발명의 실시예에 따른 X-Ray 영상 기반의 흉수 진단을 위한 보조 진단 시스템(10)의 제어 블록도이다.
도 3을 참조하여 설명하면, 본 발명의 실시예에 따른 보조 진단 시스템(10)은 폐 세그멘테이션 모델(110), 흉수 예측 모델(120), 겹침 영역 검출부(130), 및 흉수 판단부(140)를 포함할 수 있다. 또한 본 발명의 실시예에 따른 보조 진단 시스템(10)은 시스템 제어부(150)를 더 포함하여 구성될 수 있다.
본 발명의 실시예에 따른 폐 세그멘테이션 모델(110)은 X-Ray 영상을 입력받고, AI를 기반으로 하여 X-Ray 영상으로부터 폐 영역을 검출한다. 본 발명의 실시예에서는 다수의 X-Ray 폐 영상과, 각각의 X-Ray 폐 영상에 폐 영역이 레이블링된 학습 데이터를 이용하여, AI 기반으로 학습되어 생성된다. 여기서, 폐 영역의 세그멘테이션을 위한 학습 데이터는 폐 학습 데이터 DB(111)에 저장될 수 있다.
본 발명의 실시예에 따른 흉수 예측 모델(120)은 X-Ray 영상으로부터 흉수 영역을 검출할 수 있다. 또한, 본 발명의 실시예에 따른 흉수 예측 모델(120)은 X-Ray 영상으로부터 검출된 흉수 영역에 기반하여 흉수 영역의 흉수 확률을 예측할 수 있다.
본 발명의 실시예에서는 흉수 예측 모델(120)이 흉수 영역이 레이블링된 X-Ray 영상을 학습 데이터로 하여, AI 기반으로 학습되어 생성되는 것을 예로 한다. 여기서, 흉수 예측 모델(120)의 학습에 적용되는 학습 데이터는 전문가가 CT 영상을 참조하여 흉부 X-Ray 영상의 참조 표준, 즉 정답이나 레이블링을 구축하는 것을 예로 한다. 여기서, 흉수 영역의 세그멘테이션과 흉수 확률의 예측을 위한 학습 데이터는 흉수 학습 데이터 DB(121)에 저장될 수 있다.
본 발명의 실시예에서는 흉수 예측 모델(120)이 X-Ray 영상으로부터 흉수 영역을 검출하고, 흉수 영역을 구성하는 픽셀 단위로 흉수 확률을 예측하는 것을 예로 한다. 그리고, 흉수 예측 모델(120)은 픽셀 단위로 예측된 흉수 확률 중 최대값을 흉수 확률로 예측하는 것을 예로 한다.
한편, 겹침 영역 검출부(130)는 폐 세그멘테이션 모델(110)에 의해 검출된 폐 영역과, 흉수 예측 모델(120)에 의해 검출된 흉수 영역을 오버레이하여, 두 영역이 겹쳐지는 겹침 영역을 검출한다.
그리고, 흉수 판단부(140)는 겹침 영역에 따라 흉수 확률을 보정하여, 보정 흉수 확률을 산출하고, 보정 흉수 확률에 기초하여 흉수 여부를 판단한다.
즉, 폐 영역과 흉수 영역 간의 겹침 정도를 이용하여, 흉수 예측 모델(120)에 의해 예측된 흉수 확률을 보정함으로써, 흉수 확률의 정확도를 높이고, 이를 통해 흉수 여부 판단의 정확도를 높이는 바, 이에 대한 상세한 설명은 후술한다.
도 3에서 시스템 제어부(150)는 본 발명의 실시예에 따른 보조 진단 시스템(10)의 전체 기능을 전반적으로 제어하는데, 하드웨어적인 구성인 CPU, 그래픽 엔진, RAM 등을 포함하고, 소프트웨어적 구성으로 운영체계(Operating system), 그래픽 유지 인터페이스를 구현하는 프로그램 등을 포함할 수 있다.
이하에서는 도 4를 참조하여, X-Ray 영상 기반의 흉수 진단을 위한 보조 진단 시스템(10)의 흉수 진단 과정에 대해 상세히 설명한다.
먼저, 보조 진단 시스템(10)으로 판독 대상인 X-Ray 영상이 입력된다(S40). 여기서, X-Ray 영상이 입력되면, 폐 세그멘테이션 모델(110)과 흉수 예측 모델(120) 각각에 적용되기 전에 전처리 과정이 수행될 수 있다(S41). 여기서, 전처리 과정은 폐 세그멘테이션 모델(110)과 흉수 예측 모델(120)에 적용된 학습 데이터에 대응하도록, 영상 자르기, 해상도 변경, 리스케일링 등이 수행될 수 있으며, 폐 세그멘테이션 모델(110)과 흉수 예측 모델(120) 각각에 대해 개별적으로 수행되거나 통합하여 수행될 수 있다.
전처리 과정이 완료된 X-Ray 영상은 각각 흉수 예측 모델(120)과 폐 세그멘테이션 모델(110)로 입력된다. 여기서, 폐 세그멘테이션 모델(110)은 앞서 설명한 바와 같이, 입력된 X-Ray 영상으로부터 폐 영역을 검출한다(S42).
도 5의 (a)는 입력되는 X-Ray 영상의 예를 나타낸 도면이고, 도 5의 (b)는 도 5의 (a)에 도시된 X-Ray 영상으로부터 폐 세그멘테이션 모델(110)이 폐 영역을 검출한 예를 나타낸 도면이다. 도 5의 (b)에 도시된 바와 같이, 폐 세그멘테이션 모델(110)은 폐 영역의 경계를 검출하는 것을 예로 한다.
한편, 흉수 예측 모델(120)은 전처리 과정이 완료된 X-Ray 영상으로부터 흉수 영역을 검출한다(S43). 그리고, 흉부 예측 모델(120)은 흉수 영역의 흉수 확률을 예측한다(S44). 여기서, 흉수 예측 모델(120)이 흉수 영역을 검출하고, 흉수 확률을 예측하는 순서로 예측 과정을 수행하는 형태로 설명하고 있으나, 이는 하나의 예시로, 흉수 예측 모델(120)이 X-Ray 영상을 구성하는 각 픽셀의 흉수 확률을 예측하여, 결과적으로 흉수 확률이 있는 흉수 영역, 예컨대, 흉수 확률이 0보다 크거나, 흉수 확률이 일정값보다 큰 영역을 흉수 영역으로 검출할 수 있다.
도 6의 (a)는 흉수 예측 모델(120)에 의해 검출된 흉수 영역의 경계를 나타낸 도면이고, 도 6의 (b)는 흉수 영역의 흉수 확률을 히트 맵(Heat map) 형태로 나타낸 도면이다.
상기와 같이, 폐 세그멘테이션 모델(110)에 의해 폐 영역이 검출되고, 흉수 예측 모델(120)에 의해 흉수 영역이 검출되면, 겹침 영역 검출부(130)는 폐 영역과 흉수 영역을 오버레이하여, 폐 영역과 흉수 영역이 겹치는 겹침 영역을 추출한다(S45).
도 7의 (a)는 폐 영역과 흉수 영역이 오버레이된 이미지를 나타낸 도면이고, 도 7의 (b)는 도 7의 (a)를 통해 오버레이된 이미지에서 겹치는 겹침 영역을 나타낸 도면이다.
상기와 같은 과정에서 겹침 영역이 검출되면, 흉수 판단부(140)는 겹침 영역에 따라 흉수 확률을 보정하여 보정 흉수 확률을 산출하는 과정을 진행한다.
본 발명의 실시예에서는 흉수 판단부(140)는 겹침 영역과 흉수 영역 간의 비율에 기초하여 보정 흉수 확률을 산출하는 것을 예로 한다.
일반적으로, 흉수는 폐의 외부에 고이므로, 정확하게 구분된 폐 영역과 흉수 영역은 상호 겹치지 않는 양상을 보인다. 따라서, 흉수 예측 모델(120)에 의해 검출된 흉수 영역이 폐 영역과 겹치는 겹침 영역의 정도에 따라 흉수 확률을 보정하게 되면, 보다 정확한 흉수 확률의 예측이 가능하게 된다.
예컨대, 흉수 판단부(140)는 흉수 영역 대비 겹침 영역의 비율, 즉 겹침 영역(OA)/흉수 영역(PA)가 기 설정된 기준 비율을 초과하는지 여부를 판단한다(S46). 본 발명의 실시예에서는 기준 비율이 0.5인 것을 예로 하나, 기준 비율의 값에 본 발명의 기술적 사상이 국한되지 않음은 물론이다.
S46 단계에서 흉수 영역 대비 겹침 영역의 비율이 기준 비율을 초과하는 것으로 판단되는 경우, 흉수 판단부(140)는 흉수 확률에 기 설정된 감소 가중치를 반영하여(S48) 흉수 확률을 감소시켜 보정 흉수 확률을 산출할 수 있다(S48).
반면, S46 단계에서 흉수 영역 대비 겹침 영역의 비율을 기준 비율 이하인 경우, 흉수 판단부(140)는 흉수 확률에 기 설정된 증가 가중치를 반영하여(S50) 홍수 확률을 증가시켜 보정 흉수 확률을 산출할 수 있다(S48).
여기서, 흉수 판단부(140)는 겹침 영역이 존재하지 않는 경우(S49), 흉수 확률을 보정 흉수 확률로 반환하여(S51), 보정 흉수 확률을 산출할 수 있다(S48).
본 발명의 실시예에서는 증가 가중치를 1.5로 설정하고, 감소 가중치를 0.5로 설정하는 것을 예로 하나, 가중치가 이에 국한되지 않음은 물론이다.
상기와 같이, 보정 흉수 확률의 산출되면, 흉수 판단부(140)는 보정 흉수 확률을 기 설정된 기준 확률과 비교하고(S52), 기준 확률을 초과하는 경우 흉수도 판단할 수 있다(S53). 반면 흉수 판단부(140)는 기준 확률 이하이면, 흉수가 아닌 것으로 출력하게 된다(S54).
비록 본 발명의 몇몇 실시예들이 도시되고 설명되었지만, 본 발명이 속하는 기술분야의 통상의 지식을 가진 당업자라면 본 발명의 원칙이나 정신에서 벗어나지 않으면서 본 실시예를 변형할 수 있음을 알 수 있을 것이다. 발명의 범위는 첨부된 청구항과 그 균등물에 의해 정해질 것이다.
10 : 보조 진단 시스템 110 : 폐 세그멘테이션 모델
111 : 폐 학습 데이터 DB 120 : 흉수 예측 모델
121 : 흉수 학습 데이터 DB 130 : 겹침 영역 검출부
140 : 흉수 판단부 150 : 시스템 제어부

Claims (9)

  1. X-Ray 영상 기반의 흉수 진단을 위한 보조 진단 시스템에 있어서,
    상기 X-Ray 영상으로부터 폐 영역을 검출하는 AI 기반의 폐 세그멘테이션 모델과;
    상기 X-Ray 영상으로부터 흉수 영역을 검출하고, 상기 흉수 영역의 흉수 확률을 예측하는 AI 기반의 흉수 예측 모델과;
    상기 폐 영역과 상기 흉수 영역이 겹치는 겹침 영역을 검출하는 겹침 영역 검출부와;
    상기 겹침 영역에 따라 상기 흉수 확률을 보정하여 보정 흉수 확률을 산출하고, 상기 보정 흉수 확률에 기초하여 흉수 여부를 판단하는 흉수 판단부를 포함하는 것을 특징으로 하는 X-Ray 영상 기반의 흉수 진단을 위한 보조 진단 시스템.
  2. 제1항에 있어서,
    상기 흉수 예측 모델은 상기 X-Ray 영상으로부터 상기 흉수 영역을 검출하고, 상기 흉수 영역을 구성하는 픽셀 단위로 흉수 확률을 예측하는 것을 특징으로 하는 X-Ray 영상 기반의 흉수 진단을 위한 보조 진단 시스템.
  3. 제2항에 있어서,
    상기 흉수 예측 모델은 픽셀 단위로 예측된 흉수 확률 중 최대값을 상기 흉수 확률로 예측하는 것을 특징으로 하는 X-Ray 영상 기반의 흉수 진단을 위한 보조 진단 시스템.
  4. 제1항에 있어서,
    상기 흉수 판단부는 상기 겹침 영역과 상기 흉수 영역 간의 비율에 기초하여 상기 보정 흉수 확률을 산출하는 것을 특징으로 하는 X-Ray 영상 기반의 흉수 진단을 위한 보조 진단 시스템.
  5. 제4항에 있어서,
    상기 흉수 판단부는
    상기 흉수 영역 대비 상기 겹침 영역의 비율이 기 설정된 기준 비율 이하인 경우 상기 흉수 확률을 기 설정된 증가 가중치에 따라 증가시켜 상기 보정 흉수 확률을 산출하고,
    상기 흉수 영역 대비 상기 겹침 영역의 비율이 상기 기준 비율을 초과하는 경우 상기 흉수 확률을 기 설정된 감소 가중치에 따라 감소시켜 상기 보정 흉수 확률을 산출하는 것을 특징으로 하는 X-Ray 영상 기반의 흉수 진단을 위한 보조 진단 시스템.
  6. 제5항에 있어서,
    상기 흉수 판단부는 상기 겹침 영역이 존재하지 않는 경우, 상기 흉수 확률을 상기 보정 흉수 확률로 산출하는 것을 특징으로 하는 X-Ray 영상 기반의 흉수 진단을 위한 보조 진단 시스템.
  7. 제5항에 있어서,
    상기 기준 비율은 0.5인 것을 특징으로 하는 X-Ray 영상 기반의 흉수 진단을 위한 보조 진단 시스템.
  8. 제5항에 있어서,
    상기 증가 가중치는 1.5이고, 상기 감소 가중치는 0.5인 것을 특징으로 하는 X-Ray 영상 기반의 흉수 진단을 위한 보조 진단 시스템.
  9. 제5항에 있어서,
    상기 흉수 판단부는
    상기 보정 흉수 확률이 기 설정된 기준 확률을 초과하는 경우, 흉수로 판단하는 것을 특징으로 하는 X-Ray 영상 기반의 흉수 진단을 위한 보조 진단 시스템.
KR1020220024111A 2022-02-24 2022-02-24 Ｘ-Ｒａｙ 영상 기반의 흉수 진단을 위한 보조 진단 시스템 KR102655197B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220024111A KR102655197B1 (ko) 2022-02-24 2022-02-24 Ｘ-Ｒａｙ 영상 기반의 흉수 진단을 위한 보조 진단 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220024111A KR102655197B1 (ko) 2022-02-24 2022-02-24 Ｘ-Ｒａｙ 영상 기반의 흉수 진단을 위한 보조 진단 시스템

Publications (2)

Publication Number Publication Date
KR20230126833A KR20230126833A (ko) 2023-08-31
KR102655197B1 true KR102655197B1 (ko) 2024-04-05

Family

ID=87847721

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220024111A KR102655197B1 (ko) 2022-02-24 2022-02-24 Ｘ-Ｒａｙ 영상 기반의 흉수 진단을 위한 보조 진단 시스템

Country Status (1)

Country Link
KR (1) KR102655197B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101874348B1 (ko) 2017-11-21 2018-07-09 주식회사 뷰노 피검체의 흉부 pa 영상의 판독을 지원하는 방법 및 이를 이용한 장치
CN109978860B (zh) 2019-03-27 2021-07-16 北京青燕祥云科技有限公司 胸水判别方法、装置和计算机设备
KR102454374B1 (ko) 2021-10-07 2022-10-14 주식회사 피맥스 흉막 삼출의 검출 방법 및 이를 위한 장치

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ES2915585B2 (es) * 2020-12-22 2023-09-08 Consejo Superior Investigacion Metodo para la evaluacion automatizada de ecografias de pulmon y ecografo que implementa dicho metodo

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101874348B1 (ko) 2017-11-21 2018-07-09 주식회사 뷰노 피검체의 흉부 pa 영상의 판독을 지원하는 방법 및 이를 이용한 장치
CN109978860B (zh) 2019-03-27 2021-07-16 北京青燕祥云科技有限公司 胸水判别方法、装置和计算机设备
KR102454374B1 (ko) 2021-10-07 2022-10-14 주식회사 피맥스 흉막 삼출의 검출 방법 및 이를 위한 장치

Also Published As

Publication number Publication date
KR20230126833A (ko) 2023-08-31

Similar Documents

Publication Publication Date Title
Ghesu et al. Quantifying and leveraging predictive uncertainty for medical image assessment
Niemeijer et al. Fast detection of the optic disc and fovea in color fundus photographs
US9710907B2 (en) Diagnosis support system using panoramic radiograph and diagnosis support program using panoramic radiograph
EP2709059B1 (en) Method and apparatus for quantitative measurements on sequences of images, particularly angiographic images
AU2017292642A1 (en) System and method for automatic detection, localization, and semantic segmentation of anatomical objects
Gogin et al. Automatic coronary artery calcium scoring from unenhanced-ECG-gated CT using deep learning
KR102483198B1 (ko) 혈관 영상에 기초한 주요 혈관 영역 추출 방법 및 장치
KR102307995B1 (ko) 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 시스템 및 이의 동작 방법
EP3858245B1 (en) Automatic recognition method for measurement point in cephalo image
KR20220090645A (ko) 딥러닝 기반의 폐질환 진단 보조 시스템 및 딥러닝 기반의 폐질환 진단 보조 방법
Zhao et al. Deep learning solution for medical image localization and orientation detection
Tahoces et al. Deep learning method for aortic root detection
WO2022096867A1 (en) Image processing of intravascular ultrasound images
JP6785976B2 (ja) 脳画像正規化装置、方法およびプログラム
KR102655197B1 (ko) Ｘ-Ｒａｙ 영상 기반의 흉수 진단을 위한 보조 진단 시스템
CN108416792B (zh) 基于活动轮廓模型的医学计算机断层扫描图像分割方法
JP2021509491A (ja) 医用画像評価のためのディープラーニングの応用
KR102095731B1 (ko) 딥러닝 기반의 보조 진단 시스템의 mra 영상 학습 방법 및 혈관 병변 보조 진단 방법
CN114343693A (zh) 一种主动脉夹层诊断方法和装置
Vieira et al. Using a siamese network to accurately detect ischemic stroke in computed tomography scans
Torres-Robles et al. A robust neuro-fuzzy classifier for the detection of cardiomegaly in digital chest radiographies
Cakir et al. Automated Aortic Valve Calcific Area Segmentation in Echocardiography Images Using Fully Convolutional Neural Networks
KR20230096395A (ko) 뇌동맥류 부피 측정 방법
TWI751956B (zh) 正子攝影之量化定位系統及其運作方法
Zhang et al. Ultrasonic Image's Annotation Removal: A Self-supervised Noise2Noise Approach

Legal Events

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