KR20120056312A - System for detecting pulmonary embolism and method therefor - Google Patents

System for detecting pulmonary embolism and method therefor Download PDF

Info

Publication number
KR20120056312A
KR20120056312A KR1020100107765A KR20100107765A KR20120056312A KR 20120056312 A KR20120056312 A KR 20120056312A KR 1020100107765 A KR1020100107765 A KR 1020100107765A KR 20100107765 A KR20100107765 A KR 20100107765A KR 20120056312 A KR20120056312 A KR 20120056312A
Authority
KR
South Korea
Prior art keywords
pulmonary embolism
candidates
lung
module
unit
Prior art date
Application number
KR1020100107765A
Other languages
Korean (ko)
Other versions
KR101158041B1 (en
Inventor
박상철
쟁빈
이귀상
김수형
나인섭
Original Assignee
전남대학교산학협력단
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 전남대학교산학협력단 filed Critical 전남대학교산학협력단
Priority to KR1020100107765A priority Critical patent/KR101158041B1/en
Publication of KR20120056312A publication Critical patent/KR20120056312A/en
Application granted granted Critical
Publication of KR101158041B1 publication Critical patent/KR101158041B1/en

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
    • A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computerised tomographs
    • 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
    • A61B6/46—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment with special arrangements for interfacing with the operator or the patient
    • A61B6/467—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment with special arrangements for interfacing with the operator or the patient characterised by special input means
    • A61B6/469—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment with special arrangements for interfacing with the operator or the patient characterised by special input means for selecting a region of interest [ROI]
    • 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
    • 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
    • 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

Abstract

PURPOSE: A pulmonary embolism detecting system and method are provided to multiply the detection sensitivity of pulmonary embolism while reducing the detection of affirmation-errors. CONSTITUTION: A lung segmentation unit(100) partitions a lung area from a computer tomography image. The lung segmentation unit comprises a critical segmentation module(110), an area expanding module(120), and a distortion complementary module(130). A candidate extracting unit(200) extracts pulmonary embolism candidates in the partitioned lung area. A characteristic detecting unit(300) extracts characteristics of the candidates extracted through the candidate extracting unit. An affirmation-error elimination unit(400) eliminates affirmation-errors by using the characteristics of the candidates extracted through the candidate extracting unit.

Description

폐 색전증 검출 시스템 및 그 방법{SYSTEM FOR DETECTING PULMONARY EMBOLISM AND METHOD THEREFOR}Pulmonary embolism detection system and its method {SYSTEM FOR DETECTING PULMONARY EMBOLISM AND METHOD THEREFOR}

본 발명은 컴퓨터 단층촬영 영상으로부터 폐 색전증을 검출하기 위한 것으로, 더욱 상세하게는 컴퓨터 단층촬영 영상으로부터 폐 영역을 분할하고, 분할된 폐 영역으로부터 폐 색전증의 후보들을 추출하고, 추출된 후보들의 특징을 추출하고, 추출된 특징을 이용해 후보들 분류함으로써, 긍정-오류의 검출이 감소된 폐 색전증 검출 시스템 및 그 방법에 관한 것이다.The present invention is for detecting pulmonary embolism from a computed tomography image, and more particularly, the lung region is segmented from the computed tomography image, the candidates for pulmonary embolism are extracted from the segmented lung region, and the characteristics of the extracted candidates are characterized. The invention relates to a pulmonary embolism detection system and method in which detection and classification of candidates using the extracted feature reduces detection of false-errors.

폐 색전증(Pulmonary Embolism: PE)은 심부정맥혈전(deep vein thrombi)이라고도 불리며, 신체의 다리 깊은 곳에 위치한 정맥에서 생성된 혈전이 정맥 벽에서 떨어져, 혈관을 타고 우심방, 우심실을 경유하여 폐의 혈관으로 이동하여 폐의 혈관을 막아버림으로써 발병된다.Pulmonary Embolism (PE) is also called deep vein thrombi, where blood clots generated in veins located deep in the body's legs fall off the venous wall, into the blood vessels via the right atrium, right ventricle and into the blood vessels of the lungs. It is caused by the movement of blood vessels in the lungs.

폐 색전증은 적절한 시기에만 발견되면 비교적 쉽게 치료할 수 있는 질병이지만, 호흡곤란, 실신, 기침 및 객혈 등으로 나타나는 모호하고 특징적이지 않은 초기 증상들로 인해 그 진단이 매우 어려우며, 미국에서는 매년 최소 630,000건이 발병하는 세 번째로 큰 사망의 원인으로 꼽히고 있다.Pulmonary embolism is a relatively easy-to-treat disease if found only at the right time, but its diagnosis is very difficult due to vague, uncharacteristic initial symptoms such as shortness of breath, fainting, coughing and hemoptysis, with at least 630,000 cases annually in the United States. Is the third leading cause of death.

폐 색전증을 진단하기 위한 종래의 검사로는 폐 환기-관류 스캔(ventilation-perfusion scan)이 많이 활용되었는데, 폐 환기 스캔은 방사선 동위원소가 붙은 가스를 주입하여 가스가 들어가지 않은 비정상 폐를 확인하는 검사이며, 폐 관류 스캔은 감마선을 방출하는 핵종을 붙인 알부민을 정맥에 주입하여 폐 모세혈관의 혈류를 확인하는 검사이다. 하지만, 환기-관류 스캔은 폐 색전증일 확률을 제시하는데에 그치며, 그 확률의 정확도 또한 그리 높지 않다는데 문제점이 있었다.Conventional tests for diagnosing pulmonary embolism have been widely used as pulmonary ventilation-perfusion scans, which inject gas with radioisotopes to identify abnormal lungs that do not contain gas. A pulmonary perfusion scan is a test that checks the blood flow in pulmonary capillaries by injecting albumin with a nuclide that emits gamma rays into the vein. However, the ventilation-perfusion scan only presents the probability of pulmonary embolism, and the accuracy of the probability is not so high.

최근에는, 정맥으로 조영제를 주입하면서 컴퓨터로 촬영하는 컴퓨터 단층촬영(Computed Tomography: CT)이 폐 색전증의 진단에 가장 우선시되는 검사로 인정받고 있으며, 촬영 해상도가 증가된 다중-검출 컴퓨터 단층촬영(multi-detector computed tomography)의 등장으로 단층촬영 영상에서 폐 색전증의 검출 민감도는 더욱 증가되었다.Recently, computed tomography (CT), which is performed by computer with intravenous contrast media, has been recognized as the first priority for the diagnosis of pulmonary embolism, and multi-detection computed tomography with increased imaging resolution With the advent of -detector computed tomography, the detection sensitivity of pulmonary embolism on tomography images was further increased.

그러나, 폐 색전증의 진단을 위한 컴퓨터 단층촬영 영상으로부터 폐 색전증과 같아 보이는 것들(false-positive: 이하 "긍정-오류"라 한다)을 제거하고, 폐 색전증의 검출 민감도를 증가시키기 위하여 수행되는, 방사선과 의사들의 의심되는 영역들의 선택, 명암도 레벨 등의 조정 작업들과, 폐동맥의 각 가지에 대한 시각적 해석에 많은 시간이 소요되었다.However, radiology, which is performed to remove those that look like pulmonary embolism (false-positive) from the computed tomography images for the diagnosis of pulmonary embolism, and to increase the detection sensitivity of pulmonary embolism The selection of suspicious areas, adjustments to the level of contrast, etc., and the visual interpretation of each branch of the pulmonary artery took much time.

이러한 이유로 지난 몇 년 동안, 방사선과 의사들의 효과적인 컴퓨터 단층촬영 영상의 해석을 보조할 수 있는 컴퓨터 보조 검출 시스템(computer-aided detection scheme)이 매력적인 연구 관심사였다. 궁극적으로 컴퓨터 보조 검출 시스템은 단독적인 진단도구로 활용할 수 있도록 연구되었지만, 아직까지는 컴퓨터 단층촬영 영상으로부터 폐 색전증과 함께 많은 수의 긍정-오류들을 검출함으로써, 방사선과 의사의 해석을 보조하는 차선 해석기와 같은 역할조차 제대로 수행하지 못하고 있었다.For this reason, a computer-aided detection scheme that can assist radiologists in interpreting effective computed tomography images has been an attractive research interest. Ultimately, computer-aided detection systems have been studied to serve as standalone diagnostic tools, but so far, such as a lane interpreter that assists the radiologist in detecting large numbers of positive-errors with pulmonary embolism from computed tomography images. Even the role was not performing properly.

본 발명은 상기한 문제점을 해결하기 위하여 안출된 것으로, 본 발명의 목적은, 컴퓨터 단층촬영 영상으로부터 폐 색전증을 검출함에 있어, 컴퓨터 단층촬영 영상으로부터 폐 영역을 분할하고, 분할된 폐 영역으로부터 폐 색전증의 후보들을 추출하고, 추출된 후보들의 특징을 추출하고, 추출된 특징을 이용하여 후보들을 분류, 평점화, 제한하는 폐 색전증 검출 시스템 및 그 방법을 제공함에 있다.SUMMARY OF THE INVENTION The present invention has been made to solve the above problems, and an object of the present invention is to detect pulmonary embolism from a computed tomography image, by dividing a pulmonary region from the computed tomography image, pulmonary embolism from the divided lung region A pulmonary embolism detection system and method for extracting candidates, extracting features of extracted candidates, and classifying, rating, and limiting candidates using the extracted features are provided.

이러한 기술적 과제를 달성하기 위한 본 발명은, 폐 색전증 검출 시스템에 관한 것으로서, 컴퓨터 단층촬영 영상으로부터 폐 영역을 분할하는 폐 분할부; 상기 폐분할부를 통해 분할된 폐 영역에서 폐 색전증 후보들을 추출하는 후보 추출부; 상기 후보 추출부를 통해 추출된 후보들의 특징을 추출하는 특징 추출부; 및 상기 후보 추출부를 통해 추출된 후보들의 특징들을 이용하여 긍정-오류를 제거하는 긍정-오류 제거부; 를 포함한다.The present invention for achieving the above technical problem, relates to a pulmonary embolism detection system, the lung segmentation unit for dividing a lung region from a computed tomography image; A candidate extracting unit extracting pulmonary embolism candidates from the lung region divided by the lung dividing unit; A feature extractor configured to extract features of candidates extracted through the candidate extractor; A positive-error removing unit for removing a positive-error using features of candidates extracted through the candidate extracting unit; It includes.

한편, 본 발명은 폐 분할부, 후보 추출부, 특징 추출부 및 긍정-오류 제거부를 포함하는 폐 색전증 검출 시스템을 이용한 폐 색전증 검출 방법에 있어서, 상기 폐 분할부가 컴퓨터 단층촬영 영상으로부터 폐 영역을 분할하는 과정; 상기 후보 추출부가 분할된 폐 영역에서 폐 색전증의 후보들을 추출하는 과정; 상기 특징 추출부가 추출된 후보들의 특징을 추출하는 과정; 및 상기 긍정-오류 제거부가 추출된 후보들의 특징들을 이용하여 긍정-오류를 제거하는 과정; 을 포함한다.Meanwhile, the present invention is a lung embolism detection method using a pulmonary embolism detection system including a lung partition, a candidate extractor, a feature extractor and a positive-error removal unit, wherein the lung partition divides a lung region from a computed tomography image. Process of doing; Extracting candidates for pulmonary embolism from the lung region in which the candidate extracting unit is divided; Extracting features of the candidates extracted by the feature extractor; And removing the positive-error using the features of the candidates extracted by the positive-error removing unit. .

상기와 같은 본 발명에 따르면, 컴퓨터 단층촬영 영상으로부터 폐 색전증을 검출하는데 있어, 폐 색전증의 검출 민감도가 증가하게 됨과 동시에, 긍정-오류의 검출은 감소하게 되는 효과가 있다.According to the present invention as described above, in detecting pulmonary embolism from a computed tomography image, the detection sensitivity of pulmonary embolism increases and at the same time, the detection of false positive errors is reduced.

도 1 은 본 발명의 일실시예에 따른 폐 색전증 검출 시스템을 개념적으로 도시한 전체 구성도.
도 2 는 본 발명의 일실시예에 따른 폐 색전증 검출 방법에 관한 전체 흐름도.
도 3 은 본 발명의 일실시예에 따른 컴퓨터 단층촬영 영상으로부터 폐 영역을 분할하는 단계에 관한 세부 흐름도.
도 4 는 본 발명의 일실시예에 따른 폐 색전증의 후보들을 추출하는 단계에 관한 세부 흐름도.
도 5 는 본 발명의 일실시예에 따른 폐 색전증 후보들의 긍정-오류를 감소시키는 단계에 관한 세부 흐름도.1 is a schematic diagram showing a conceptual diagram of a pulmonary embolism detection system according to an embodiment of the present invention.
2 is an overall flowchart of a pulmonary embolism detection method according to an embodiment of the present invention.
3 is a detailed flowchart of a step of dividing a lung region from a computed tomography image in accordance with an embodiment of the present invention.
4 is a detailed flowchart of extracting candidates for pulmonary embolism according to an embodiment of the present invention.
5 is a detailed flow diagram of reducing false-errors of pulmonary embolism candidates in accordance with an embodiment of the present invention.

본 발명의 구체적 특징 및 이점들은 첨부도면에 의거한 다음의 상세한 설명으로 더욱 명백해질 것이다. 이에 앞서 본 발명에 관련된 공지 기능 및 그 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는, 그 구체적인 설명을 생략하였음에 유의하여야 할 것이다.
Specific features and advantages of the present invention will become more apparent from the following detailed description based on the accompanying drawings. In the meantime, when it is determined that the detailed description of the known function and the configuration related to the present invention may unnecessarily obscure the subject matter of the present invention, it should be noted that the detailed description is omitted.

이하, 첨부된 도면을 참조하여 본 발명을 상세하게 설명한다.Hereinafter, with reference to the accompanying drawings will be described in detail the present invention.

본 발명의 일실시예에 따른 폐 색전증 검출 시스템에 관하여 도 1 을 참조하여 설명하면 다음과 같다.A pulmonary embolism detection system according to an embodiment of the present invention will be described with reference to FIG. 1 as follows.

도 1 는 본 발명의 일실시예에 따른 폐 색전증 검출 시스템(S)이 개념적으로 도시된 전체 구성도로서, 도시된 바와 같이 폐 분할부(100), 후보 추출부(200), 특징 추출부(300) 및 긍정-오류 제거부(400)를 포함하여 이루어진다.1 is an overall configuration diagram conceptually showing a pulmonary embolism detection system S according to an embodiment of the present invention, as shown in the lung segmentation unit 100, the candidate extraction unit 200, and the feature extraction unit ( 300 and the positive-error removal unit 400.

폐 분할부(100)는 컴퓨터 단층촬영 영상(CT)으로부터 폐 영역을 분할하는 기능을 수행하는 바, 상기 도 1 에 도시된 바와 같이 임계 분할모듈(110), 영역 확장모듈(120) 및 왜곡 보완모듈(130)을 포함한다.The lung dividing unit 100 performs a function of dividing a lung region from the computed tomography image CT, as shown in FIG. 1, the threshold dividing module 110, the region expansion module 120, and the distortion compensation. Module 130.

보다 구체적으로, 임계 분할모듈(110)은 히스토그램(histogram)을 통해 결정된 임계값을 기준으로, 컴퓨터 단층촬영 영상에서 폐 영역이 아닌, 폐를 둘러싼 흉부와 흉부를 둘러싼 공기층 부분을 제거하여, 컴퓨터 단층촬영 영상을 다수개의 고립된 2차원 영역들로 분할한다. 바람직하게는, 컴퓨터 단층촬영 영상에 포함된 화소들의 히스토그램을 계산하고, 계산된 히스토그램에서 폐 영역과 배경 사이의 경계를 의미하는 두 봉우리 사이의 골짜기 값을 임계값으로 결정하고, 결정된 임계값을 기준으로 폐 영역이 아닌 부분의 화소들을 제거하여 컴퓨터 단층촬영 영상을 다수개의 고립된 2차원 영역들로 분할한다. 이렇게 분할된 영역들을 2차원방울들(2D blobs)이라고 한다.More specifically, the threshold segmentation module 110 removes the chest region surrounding the lungs and the air layer surrounding the chest from the computed tomography image, based on a threshold value determined through a histogram, and computes a computer tomography. The captured image is divided into a plurality of isolated two-dimensional regions. Preferably, the histogram of the pixels included in the computed tomography image is calculated, a valley value between two peaks representing a boundary between the closed region and the background in the calculated histogram is determined as a threshold value, and the threshold value is determined based on the determined threshold value. By removing the pixels that are not the closed region, the computed tomography image is divided into a plurality of isolated two-dimensional regions. These divided regions are called 2D blobs.

또한, 영역 확장모듈(120)은 상기 임계 분할모드(110)을 통해 분할된 다수개의 고립된 2차원 영역들을 연결하여 3차원 폐 영역을 재현한다.In addition, the area extension module 120 connects a plurality of isolated two-dimensional areas divided through the critical division mode 110 to reproduce a three-dimensional closed area.

그리고, 왜곡 보완모듈(130)은 상기 영역 확장모듈(120)을 통해 재현된 폐 영역에 대해, 롤링 볼 알고리즘(rolling ball algorithm)을 수행하여 왜곡된 경계를 보완한다.
The distortion compensating module 130 compensates for the distorted boundary by performing a rolling ball algorithm on the closed region reproduced by the region expansion module 120.

후보 추출부(200)는 상기 폐 분할부(100)를 통해 분할된 폐 영역에서 폐 색전증의 후보들을 추출하는 기능을 수행하는 바, 상기 도 1 에 도시된 바와 같이, 영역 차폐모듈(210), 후보 검색모듈(220) 및 연결요소 분석모듈(230)을 포함한다.The candidate extracting unit 200 performs a function of extracting candidates of pulmonary embolism from the lung region divided by the lung dividing unit 100, as shown in FIG. 1, the area shielding module 210, The candidate search module 220 and the connection element analysis module 230 are included.

보다 구체적으로, 영역 차폐모듈(210)은 상기 폐 분할부(100)를 통해 분할된 폐 영역에서, 폐 색전증이 존재할 수 없는 조영 값(Housefield Unit: HU) 범위의 영역을 차폐한다. 바람직하게는 상기 폐 분할부(100)를 통해 분할된 폐 영역에서 폐 색전증이 존재할 수 없는 조영 값(HU)이 -70 이하이거나, 230 이상인 영역을 차폐한다.More specifically, the area shielding module 210 shields an area of a contrast value (Housefield Unit, HU) range in which pulmonary embolism cannot exist in the lung area divided by the lung partitioning part 100. Preferably, in the lung area divided by the lung partition part 100, the contrast value HU, in which pulmonary embolism cannot exist, is shielded at an area of -70 or less or 230 or more.

또한, 후보 검색모듈(220)은 상기 영역 차폐모듈(210)을 통해 차폐되지 않은 폐 영역에 대해, 급락 알고리즘(tobogganing algorithm)을 이용하여 폐 색전증의 후보들을 검색한다. 바람직하게는 상기 영역 차폐모듈(210)을 통해 차폐되지 않은 폐 영역에 대하여 급락 알고리즘을 수행하고, 급락 알고리즘이 수행된 영상에서 조영 값(HU)이 높은 영역들에 둘러싸여진 조영 값(HU)이 낮은 영역을 폐 색전증의 후보로 검색한다.In addition, the candidate search module 220 searches for candidates for pulmonary embolism for a lung area that is not shielded through the area shielding module 210 using a tobogganing algorithm. Preferably, a sharpening algorithm is performed on the closed area that is not shielded by the area shielding module 210, and the contrast value HU surrounded by regions having a high contrast value HU in the image in which the sharpening algorithm is performed is The lower area is searched for as a candidate for pulmonary embolism.

그리고, 연결요소 분석모듈(230)은 상기 후보 검색모듈(220)을 통해 검색된 폐 색전증 후보들 중에서, 기 설정된 임계 범위를 넘어서는 크기의 후보들을 제거한다. 바람직하게는 상기 후보 검색모듈(220)을 통해 검색된 폐 색전증 후보들 중에서 영역의 크기가 3개의 화소보다 작거나, 500개의 화소보다 큰 후보들을 제거한다.
In addition, the connection element analysis module 230 removes candidates having a size exceeding a preset threshold range from among the pulmonary embolism candidates searched through the candidate search module 220. Preferably, among the pulmonary embolism candidates searched through the candidate search module 220, candidates having an area size smaller than three pixels or larger than 500 pixels are removed.

특징 추출부(300)는 상기 후보 추출부(200)를 통해 추출된 후보들의 특징들을 추출한다. The feature extractor 300 extracts features of candidates extracted by the candidate extractor 200.

보다 구체적으로, 특징 추출부(300)는 상기 후보 추출부(200)를 통해 추출된 각각의 후보들에 대하여, 명암도를 기반으로 하는 특징, 형상을 기반으로 하는 특징, 경계를 기반으로 하는 특징을 포함하는, 다음의 [표 1] 에 나열된 27개의 후보들의 특징들을 추출한다.More specifically, the feature extractor 300 includes, for each candidate extracted through the candidate extractor 200, a feature based on contrast, a feature based on a shape, and a feature based on a boundary. Extract the features of the 27 candidates listed in Table 1 below.

Figure pat00001
Figure pat00001

Figure pat00002
Figure pat00002

여기서, 관심영역(region of interest)이라 함은, 상기 후보 추출부(200)를 통해 추출된 후보를 둘러싸고 있는 경계에서 3개의 화소만큼 떨어진 곳을 경계로 하는 영역을 말한다.
In this case, the region of interest refers to a region bordered by three pixels from a boundary surrounding the candidate extracted by the candidate extractor 200.

긍정-오류 제거부(400)는 상기 특징 추출부(300)를 통해 추출된 후보들의 특징들을 이용하여 긍정-오류를 제거하는 기능을 수행하는 바, 상기 도 1 에 도시된 바와 같이, 학습 분류모듈(410), 최적특징 선택모듈(420), 후보 분류모듈(430), 후보 집단화모듈(440) 및 병변 제한모듈(450)을 포함한다.The affirmative-error remover 400 performs a function of removing affirmative-error by using features of candidates extracted by the feature extractor 300. As shown in FIG. 410, an optimal feature selection module 420, a candidate classification module 430, a candidate grouping module 440, and a lesion limitation module 450.

보다 구체적으로, 학습 분류모듈(410)은 상기 특징 추출부(300)를 통해 추출된 후보들의 특징들을 이용하여, 인공 신경망(Artificial Neural Network: ANN)을 학습시켜 긍정-오류를 감소시킨다. 바람직하게는, 인공 신경망(ANN)의 역전파 학습 알고리즘(back-propagation learning algorithm)을 이용하며, 인공 신경망(ANN)의 입력 층(input layer)에 상기 특징 추출부(300)를 통해 추출된 27개의 특징들의 값과, 1개의 편향 값을 입력하고, 긍정-오류가 검출되지 않거나, 목표 검출률에 도달할 때까지 가중치(weight)를 조정하여 인공 신경망(ANN)을 학습시켜 긍정-오류를 감소시킨다.More specifically, the learning classification module 410 reduces the false positive error by learning an artificial neural network (ANN) using the features of candidates extracted by the feature extractor 300. Preferably, a back-propagation learning algorithm of an artificial neural network (ANN) is used, and the feature is extracted through the feature extractor 300 in an input layer of the artificial neural network (ANN). The artificial neural network (ANN) is trained by reducing the false-error by inputting the values of the two features and one bias value and adjusting the weight until the false-error is not detected or the target detection rate is reached. .

또한, 최적특징 선택모듈(420)은 유전 알고리즘(Genetic Algorithm: GA)를 이용하여 상기 특징 추출부(300)를 통해 추출된 후보들의 특징들 중에서 최적의 특징들을 선택한다. 바람직하게는 상기 특징 추출부(300)를 통해 추출된 27개의 특징들을 유전 알고리즘(GA) 염색체의 유전자로 대응시켜, 최적의 특징들을 선택한다.Also, the optimal feature selection module 420 selects optimal features from among features of candidates extracted by the feature extractor 300 using a genetic algorithm (GA). Preferably, the 27 features extracted through the feature extractor 300 correspond to genes of a genetic algorithm (GA) chromosome to select optimal features.

또한, 후보 분류모듈(430)은 상기 특징 최적특징 선택모듈(420)을 통해 선택된 최적의 특징들을 기반으로, k-최근접 이웃(K-Nearest Neighbor: KNN) 알고리즘을 이용하여 후보들의 검출 평점을 계산한다. 바람직하게는, 상기 최적특징 선택모듈(420)을 통해 선택된 최적의 특징들을 기반으로 k-최근접 이웃(KNN) 알고리즘을 수행하여, 후보 지역의 유클리드 거리(Euclidean distance)를 계산하고, 유클리드 거리를 이용하여 후보들의 검출 평점을 계산한다.In addition, the candidate classification module 430 uses the k-Nearest Neighbor (KNN) algorithm based on the optimal features selected by the feature optimal feature selection module 420 to determine the detection scores of the candidates. Calculate Preferably, by performing the k-nearest neighbor (KNN) algorithm based on the optimal features selected by the optimal feature selection module 420, calculate the Euclidean distance of the candidate region, and the Euclidean distance To calculate the detection score of the candidates.

또한, 후보 집단화모듈(440)은 인접한 후보들을 집단화(grouping)하고, 집단화에 따라 상기 후보 분류모듈(430)을 통해 계산된 후보들의 검출 평점들을 결합하고, 3차원 폐 색전증 병변들을 검출한다.In addition, the candidate grouping module 440 groups adjacent candidates, combines detection scores of candidates calculated through the candidate classification module 430 according to the grouping, and detects 3D pulmonary embolism lesions.

그리고, 병변 제한모듈(450)은 상기 후보 집단화모듈(440)을 통해 검출된 폐 색전증 병변들의 검출 평점을 내림차순으로 정렬하고, 기 설정된 임계값에 따라 폐색전증 병변들을 제한하여 긍정-오류를 제거한다. 바람직하게는, 상기 병변 제한모듈(450)은 하나의 컴퓨터 단층촬영 검사에서 검출될 수 있는 폐색전증의 개수를 임계값으로, 검출 평점이 높은 병변들만을 남기고 나머지 병변들을 제한한다.
In addition, the lesion restriction module 450 sorts the detection grades of the pulmonary embolism lesions detected by the candidate grouping module 440 in descending order, and restricts the pulmonary embolism lesions according to a preset threshold to remove positive-errors. Preferably, the lesion limiting module 450 limits the number of pulmonary embolisms that can be detected in one computed tomography test as a threshold, leaving only the lesions having a high detection rating and remaining lesions.

상술한 폐 분할부(100), 후보 추출부(200), 특징 추출부(300) 및 긍정-오류 제거부(400)를 포함하는 폐 색전증 검출 시스템을 이용한 본 발명의 일실시예에 따른 폐 색전증 검출 방법에 관하여 도 2 를 참조하여 설명하면 다음과 같다.Pulmonary embolism according to an embodiment of the present invention using the pulmonary embolism detection system including the lung division unit 100, the candidate extracting unit 200, the feature extraction unit 300, and the positive-error removing unit 400. The detection method will be described with reference to FIG. 2 as follows.

도 2 는 본 발명의 일실시예에 따른 폐 색전증 검출 방법에 관한 전체 흐름도로서, 도시된 바와 같이 폐 분할부(100)는 컴퓨터 단층촬영 영상으로부터 폐 영역을 분할한다(S100).2 is a flowchart illustrating a method for detecting pulmonary embolism according to an embodiment of the present invention. As illustrated, the lung partition unit 100 divides a lung region from a computed tomography image (S100).

또한, 후보 추출부(200)는 상기 S100 과정을 통해 분할된 폐 영역에서 폐 색전증의 후보들을 추출한다(S200).In addition, the candidate extractor 200 extracts candidates for pulmonary embolism in the lung region divided by the process S100 (S200).

또한, 특징 추출부(300)는 상기 S200 과정을 통해 추출된 각각의 후보들에 대하여, 명암도를 기반으로 하는 특징, 형상을 기반으로 하는 특징, 경계를 기반으로 하는 특징을 포함하는 후보들의 특징들을 추출한다(S300).Also, the feature extractor 300 extracts features of candidates including features based on contrast, features based on shape, and features based on a boundary, for each candidate extracted through the S200 process. (S300).

그리고, 긍정-오류 제거부(400)는 상기 S300 과정을 통해 추출된 후보들의 특징들을 이용하여 긍정-오류를 제거한다(S400).
The affirmative-error removing unit 400 removes affirmative-error by using the features of candidates extracted through the process S300 (S400).

도 3 내지 도 5 를 참조하여 보다 구체적으로 폐 색전증 검출 방법의 세부 과정을 살피면 다음과 같다.Referring to Figures 3 to 5 in more detail look at the detailed process of the pulmonary embolism detection method as follows.

도 3 은 제 S100 과정의 세부 흐름도로서 그 흐름을 살피면, 폐 분할부(100)의 임계 분할모듈(110)은 히스토그램을 통해 결정된 임계값을 기준으로, 컴퓨터 단층촬영 영상에서 폐 영역이 아닌, 폐를 둘러싼 흉부와 흉부를 둘러싼 공기층 부분을 제거하여, 컴퓨터 단층촬영 영상을 다수개의 고립된 2차원 영역들로 분할한다(S110).FIG. 3 is a detailed flowchart of the process S100, and when the flow is examined, the threshold dividing module 110 of the lung dividing unit 100 is based on a threshold value determined through a histogram, not a lung region in the computed tomography image. The chest and the air layer surrounding the chest are removed to divide the computed tomography image into a plurality of isolated two-dimensional regions (S110).

또한, 폐 분할부(100)의 영역 확장모듈(120)은 상기 S110 단계를 통해 분할된 다수개의 고립된 2차원 영역들을 연결하여 3차원 폐 영역을 재현한다(S120).In addition, the area expansion module 120 of the lung partition unit 100 reproduces the 3D lung area by connecting a plurality of isolated two-dimensional areas divided through the step S110 (S120).

그리고, 폐 분할부(100)의 왜곡 보완모듈(130)은 상기 S120 단계를 통해 재현된 3차원 폐 영역에 대해, 롤링 볼 알고리즘을 수행하여 왜곡된 경계를 보완한다(S130).
In addition, the distortion compensating module 130 of the lung dividing unit 100 compensates for the distorted boundary by performing a rolling ball algorithm on the 3D lung region reproduced through the step S120 (S130).

도 4 는 제 S200 과정의 세부흐름도로서 그 흐름을 살피면, 후보 추출부(200)의 영역 차폐모듈(210)은 상기 S100 과정을 통해 분할된 폐 영역에서, 폐 색전증이 존재할 수 없는 조영 값(HU) 범위의 영역을 차폐한다(S210).4 is a detailed flow chart of the S200 process, the area shielding module 210 of the candidate extracting unit 200 in the lung area divided through the process S100, the pulmonary embolism can not exist contrast value (HU) ) To shield the area (S210).

또한, 후보 추출부(200)의 후보 검색모듈(220)은 상기 S210 단계를 통해 차폐되지 않은 폐 영역에 대하여, 급락 알고리즘을 이용하여 폐 색전증의 후보들을 검색한다(S220).In addition, the candidate search module 220 of the candidate extracting unit 200 searches for candidates for pulmonary embolism in a lung area that is not shielded through the step S210 by using a sharpening algorithm (S220).

그리고, 후보 추출부(200)의 연결요소 분석모듈(230)은 상기 S220 단계를 통해 검색된 폐 색전증 후보들 중에서, 기 설정된 임계 범위를 넘어서는 크기의 후보들을 제거한다(S230).
In addition, the connection element analysis module 230 of the candidate extracting unit 200 removes candidates having a size exceeding a preset threshold range from the pulmonary embolism candidates searched through the step S220 (S230).

도 5 는 제 S400 과정의 세부흐름도로서 그 흐름을 살피면, 긍정-오류 제거부(400)의 학습 분류모듈(410)은 상기 S300 과정을 통해 추출된 후보들의 특징들을 이용하여, 인공신경망(ANN)을 학습시켜 긍정-오류를 감소시킨다(S410).5 is a detailed flowchart of the S400 process, the learning classification module 410 of the affirmative-error removing unit 400 uses the features of candidates extracted through the S300 process, and an artificial neural network (ANN). Learning to reduce the positive-error (S410).

또한, 긍정-오류 제거부(400)의 최적특징 선택모듈(420)은 유전 알고리즘(GA)을 이용하여, 상기 S300 과정을 통해 추출된 후보들의 특징들 중에서 최적의 특징들을 선택한다(S420).In addition, the optimal feature selection module 420 of the positive-error removal unit 400 selects the optimal features among the features of the candidates extracted through the process S300 by using the genetic algorithm GA (S420).

또한, 긍정-오류 제거부(400)의 후보 분류모듈(430)은 상기 S420 단계를 통해 선택된 최적의 특징들을 기반으로, k-최근접 이웃(KNN) 알고리즘을 이용하여 후보들의 검출 평점을 계산한다(S430).In addition, the candidate classification module 430 of the positive-error removal unit 400 calculates detection scores of candidates using a k-nearest neighbor (KNN) algorithm based on the optimal features selected through the step S420. (S430).

또한, 긍정-오류 제거부(400)의 후보 집단화모듈(440)은 인접한 후보들을 집단화하고, 집단화에 따라 상기 S430 단계를 통해 계산된 후보들의 검출 평점들을 결합하고, 3차원 폐 색전증 병변들을 검출한다(S440).In addition, the candidate grouping module 440 of the positive-error removing unit 400 groups adjacent candidates, combines detection scores of candidates calculated through the step S430 according to the grouping, and detects 3D pulmonary embolism lesions. (S440).

그리고, 긍정-오류 제거부(400)의 병변 제한모듈(450)은 상기 S440 단계를 통해 검출된 폐 색전증 병변들의 검출 평점을 내림차순으로 정렬하고, 기 설정된 임계값에 따라 폐색전증 병변들을 제한하여 긍정-오류를 제거한다(S450).
And, the lesion restriction module 450 of the positive-error removal unit 400 sorts the detection grades of the pulmonary embolism lesions detected through the step S440 in descending order, and restricts the pulmonary embolism lesions according to a preset threshold. Remove the error (S450).

이상으로 본 발명의 기술적 사상을 예시하기 위한 바람직한 실시 예와 관련하여 설명하고 도시하였지만, 본 발명은 이와 같이 도시되고 설명된 그대로의 구성 및 작용에만 국한되는 것이 아니며, 기술적 사상의 범주를 일탈함이 없이 본 발명에 대해 다수의 변경 및 수정이 가능함을 당업자들은 잘 이해할 수 있을 것이다. 따라서, 그러한 모든 적절한 변경 및 수정과 균등물들도 본 발명의 범위에 속하는 것으로 간주되어야 할 것이다.As described above and described with reference to a preferred embodiment for illustrating the technical idea of the present invention, the present invention is not limited to the configuration and operation as shown and described as described above, and the deviation from the scope of the technical idea It will be understood by those skilled in the art that many changes and modifications can be made to the invention without departing from the scope of the invention. Accordingly, all such suitable changes and modifications and equivalents should be considered to be within the scope of the present invention.

S: 폐 색전증 검출 시스템
100: 폐 분할부 110: 임계 분할모듈
120: 영역 확장모듈 130: 왜곡 보완모듈
200: 후보 추출부 210: 영역 차폐모듈
220: 후보 검색모듈 230: 연결요소 분석모듈
300: 특징 추출부 400: 긍정-오류 제거부
410: 학습 분류모듈 420: 최적특징 선택모듈
430: 후보 분류모듈 440: 후보 집단화모듈
450: 병변 제한모듈S: pulmonary embolism detection system
100: lung partition 110: critical partition module
120: region expansion module 130: distortion correction module
200: candidate extracting unit 210: area shielding module
220: candidate search module 230: connection element analysis module
300: feature extraction unit 400: positive-error removal unit
410: learning classification module 420: optimal feature selection module
430: candidate classification module 440: candidate grouping module
450: lesion limitation module

Claims (9)

폐 색전증 검출 시스템에 있어서,
컴퓨터 단층촬영 영상으로부터 폐 영역을 분할하는 폐 분할부(100);
상기 폐분할부(100)를 통해 분할된 폐 영역에서 폐 색전증 후보들을 추출하는 후보 추출부(200);
상기 후보 추출부(200)를 통해 추출된 후보들의 특징을 추출하는 특징 추출부(300); 및
상기 후보 추출부(300)를 통해 추출된 후보들의 특징들을 이용하여 긍정-오류를 제거하는 긍정-오류 제거부(400); 를 포함하는 폐 색전증 검출 시스템.
In pulmonary embolism detection system,
A lung divider 100 for dividing a lung region from a computed tomography image;
A candidate extracting unit (200) for extracting pulmonary embolism candidates from the lung region divided by the lung dividing unit (100);
A feature extractor 300 for extracting features of candidates extracted by the candidate extractor 200; And
A positive-error removing unit 400 for removing a positive-error using features of candidates extracted by the candidate extracting unit 300; Pulmonary embolism detection system comprising a.
제 1 항에 있어서,
상기 폐 분할부(100)는,
히스토그램을 통해 결정된 임계값을 기준으로, 컴퓨터 단층촬영 영상에서 폐 영역이 아닌, 폐를 둘러싼 흉부와 흉부를 둘러싼 공기층 부분을 제거하여, 컴퓨터 단층촬영 영상을 다수개의 고립된 2차원 영역들로 분할하는 임계 분할모듈(110);
상기 임계 분할모듈(120)을 통해 분할된 다수개의 고립된 2차원 영역들을 연결하여 3차원 폐 영역을 재현하는 영역 확장모듈(120); 및
상기 영역 확장모듈(120)을 통해 재현된 폐 영역에 대해, 롤링 볼 알고리즘을 수행하여 왜곡된 경계를 보완하는 왜곡 보완모듈(130); 을 포함하는 것을 특징으로 하는 폐 색전증 검출 시스템.
The method of claim 1,
The lung partition unit 100,
Based on the threshold determined by the histogram, the computed tomography image is divided into a plurality of isolated two-dimensional regions by removing the chest region surrounding the lungs and the air layer surrounding the chest, not the lung region. Threshold splitting module 110;
An area expansion module 120 connecting a plurality of isolated two-dimensional areas divided by the critical division module 120 to reproduce a three-dimensional closed area; And
A distortion compensation module 130 for complementing the distorted boundary by performing a rolling ball algorithm on the closed region reproduced by the region expansion module 120; Pulmonary embolism detection system comprising a.
제 1 항에 있어서,
상기 후보 추출부(200)는,
상기 폐 분할부(100)를 통해 분할된 폐 영역에서, 폐 색전증이 존재할 수 없는 조영 값(HU) 범위의 영역을 차폐하는 영역 차페모듈(210);
상기 영역 차폐모듈(210)을 통해 차폐되지 않은 폐 영역에 대해, 급락 알고리즘을 이용하여 폐 색전증의 후보들을 검색하는 후보 검색모듈(220); 및
상기 후보 검색모듈(220)을 통해 검색된 폐 색전증 후보들 중에서, 기 설정된 임계 범위를 넘어서는 크기의 후보들을 제거하는 연결요소 분석모듈(230); 을 포함하는 것을 특징으로 하는 폐 색전증 검출 시스템.
The method of claim 1,
The candidate extracting unit 200,
An area shield module 210 for shielding an area of a contrast value (HU) range in which lung embolism cannot exist in the lung area divided by the lung partition unit 100;
A candidate search module 220 for searching for candidates for pulmonary embolism by using a plunge algorithm for a closed area not shielded by the area shielding module 210; And
A connection element analysis module 230 for removing candidates having a size exceeding a predetermined threshold range from among pulmonary embolism candidates searched through the candidate search module 220; Pulmonary embolism detection system comprising a.
제 1 항에 있어서,
상기 특징 추출부(300)는,
상기 후보 추출부(200)를 통해 추출된 각각의 후보들에 대하여, 명암도를 기반으로 하는 특징, 형상을 기반으로 하는 특징, 경계를 기반으로 하는 특징을 포함하는 후보들의 특징들을 추출하는 것을 특징으로 하는 폐 색전증 검출 시스템.
The method of claim 1,
The feature extraction unit 300,
For each candidate extracted by the candidate extracting unit 200, features of candidates including features based on contrast, features based on shape, and features based on boundary are extracted. Pulmonary embolism detection system.
제 1 항에 있어서,
상기 긍정-오류 제거부(400)는,
상기 특징 추출부(300)를 통해 추출된 후보들의 특징들을 이용하여, 인공 신경망(ANN)을 학습시켜 긍정-오류를 감소시키는 학습 분류모듈(410);
유전 알고리즘(GA)을 이용하여 상기 특징 추출부(300)를 통해 추출된 후보들의 특징들 중에서 최적의 특징들을 선택하는 최적특징 선택모듈(420);
상기 최적특징 선택모듈(420)을 통해 선택된 최적의 특징들을 기반으로, k-최근접 이웃(KNN) 알고리즘을 이용하여 후보들의 평점을 계산하는 후보 분류모듈(430);
인접한 후보들을 집단화하고, 집단화에 따라 상기 후보 분류모듈(430)을 통해 계산된 후보들의 검출 평점들을 결합하고, 3차원 폐 색전증 병변들을 검출하는 후보 집단화모듈(440); 및
상기 후보 집단화모듈(440)을 통해 검출된 폐 색전증 병변들의 검출 평점을 내림차순으로 정렬하고, 기 설정된 임계값에 따라 폐색전증 병변들을 제한하여 긍정-오류를 제거하는 병변 제한모듈(450); 을 포함하는 것을 특징으로 하는 폐 색전증 검출 시스템.The method of claim 1,
The positive-error removal unit 400,
A learning classification module 410 for learning artificial neural networks (ANNs) to reduce false-error by using features of candidates extracted by the feature extractor 300;
An optimal feature selection module 420 for selecting optimal features among features of candidates extracted by the feature extractor 300 using a genetic algorithm (GA);
A candidate classification module 430 that calculates a score of candidates using a k-nearest neighbor (KNN) algorithm based on the optimal features selected by the optimal feature selection module 420;
A candidate grouping module 440 for grouping adjacent candidates, combining detection scores of candidates calculated through the candidate classification module 430 according to the grouping, and detecting 3D pulmonary embolism lesions; And
A lesion limiting module 450 for sorting the detection grades of the pulmonary embolism lesions detected by the candidate grouping module 440 in descending order, and limiting the pulmonary embolism lesions according to a preset threshold to remove a positive error; Pulmonary embolism detection system comprising a. 폐 분할부(100), 후보 추출부(200), 특징 추출부(300) 및 긍정-오류 제거부(400)를 포함하는 폐 색전증 검출 시스템을 이용한 폐 색전증 검출 방법에 있어서,
(a) 상기 폐 분할부(100)가 컴퓨터 단층촬영 영상으로부터 폐 영역을 분할하는 과정;
(b) 상기 후보 추출부(200)가 상기 (a) 단계를 통해 분할된 폐 영역에서 폐 색전증의 후보들을 추출하는 과정;
(c) 상기 특징 추출부(300)가 상기 (b) 단계를 통해 추출된 각각의 후보들에 대하여, 명암도를 기반으로 하는 특징, 형상을 기반으로 하는 특징, 경계를 기반으로 하는 특징을 포함하는 후보들의 특징들을 추출하는 과정; 및
(d) 상기 긍정-오류 제거부(400)가 상기 (c) 단계를 통해 추출된 후보들의 특징들을 이용하여 긍정-오류를 제거하는 과정; 을 포함하는 폐 색전증 검출 방법.
In the pulmonary embolism detection method using a pulmonary embolism detection system comprising a lung divider 100, a candidate extractor 200, a feature extractor 300 and a positive-error removal unit 400,
(a) the lung dividing unit 100 dividing the lung region from the computed tomography image;
(b) the candidate extracting unit 200 extracting candidates of pulmonary embolism from the lung region divided through the step (a);
(c) candidates including features based on contrast, features based on shape, and features based on boundary, for each candidate extracted by the feature extractor 300 through step (b) Extracting features of the; And
(d) the positive-error removing unit 400 removing the positive-error using the features of the candidates extracted through the step (c); Pulmonary embolism detection method comprising a.
제 6 항에 있어서,
상기 (a) 과정은,
(a-1) 상기 폐 분할부(100)가 히스토그램을 통해 결정된 임계값을 기준으로, 컴퓨터 단층촬영 영상에서 폐 영역이 아닌, 폐를 둘러싼 흉부와 흉부를 둘러싼 공기층 부분을 제거하여, 컴퓨터 단층촬영 영상을 다수개의 고립된 2차원 영역들로 분할하는 단계;
(a-2) 상기 폐 분할부(100)가 상기 (a-1) 단계를 통해 분할된 다수개의 고립된 2차원 영역들을 연결하여 3차원 폐 영역을 재현하는 단계; 및
(a-3) 상기 폐 분할부(100)가 상기 (a-2) 단계를 통해 재현된 3차원 폐 영역에 대해, 롤링 볼 알고리즘을 수행하여 왜곡된 경계를 보완하는 단계; 를 포함하는 것을 특징으로 하는 폐 색전증 검출 방법.
The method according to claim 6,
The (a) process,
(a-1) Computed tomography by the lung partition unit 100 to remove the chest region surrounding the lungs and the air layer surrounding the chest from the computed tomography image, based on the threshold value determined through the histogram Dividing the image into a plurality of isolated two-dimensional regions;
(a-2) the lung dividing unit (100) reconstructing a three-dimensional lung region by connecting a plurality of isolated two-dimensional regions divided through the step (a-1); And
(a-3) the lung dividing unit 100 performing a rolling ball algorithm on the 3D lung region reproduced through the step (a-2) to compensate for the distorted boundary; Pulmonary embolism detection method comprising a.
제 6 항에 있어서,
상기 (b) 과정은,
(b-1) 상기 후보 추출부(200)가 상기 (a) 과정을 통해 분할된 폐 영역에서, 폐 색전증이 존재할 수 없는 조영 값(HU) 범위의 영역을 차폐하는 단계;
(b-2) 상기 후보 추출부(200)가 상기 (b-1) 단계를 통해 차폐되지 않은 폐 영역에 대하여, 급락 알고리즘을 이용하여 폐 색전증의 후보들을 검색하는 단계; 및
(b-3) 상기 후보 추출부(200)가 상기 (b-2) 단계를 통해 검색된 폐 색전증 후보들 중에서, 기 설정된 임계 범위를 넘어서는 크기의 후보들을 제거하는 단계; 를 포함하는 것을 특징으로 하는 폐 색전증 검출 방법.
The method according to claim 6,
The step (b)
(b-1) the candidate extracting unit 200 shielding an area of a contrast value (HU) range in which pulmonary embolism cannot exist in the lung region divided through the step (a);
(b-2) the candidate extracting unit 200 searching for candidates for pulmonary embolism with respect to the lung area not shielded through the step (b-1) by using a sharpening algorithm; And
(b-3) removing, by the candidate extracting unit, candidates having a size exceeding a preset threshold range among the pulmonary embolism candidates searched through the step (b-2); Pulmonary embolism detection method comprising a.
제 6 항에 있어서,
상기 (d) 과정은,
(d-1) 상기 긍정-오류 제거부(400)가 상기 (c) 과정을 통해 추출된 후보들의 특징들을 이용하여, 인공신경망(ANN)을 학습시켜 긍정-오류를 감소시키는 단계;
(d-2) 상기 긍정-오류 제거부(400)가 유전 알고리즘(GA)를 이용하여, 상기 (c) 단계를 통해 추출된 후보들의 특징들 중에서 최적의 특징들을 선택하는 단계;
(d-3) 상기 긍정-오류 제거부(400)가 상기 (d-2) 단계를 통해 선택된 최적의 특징들을 기반으로, k-최근접 이웃(KNN) 알고리즘을 이용하여 후보들의 검출 평점을 계산하는 단계;
(d-4) 상기 긍정-오류 제거부(400)가 인접한 후보들을 집단화하고, 집단화에 따라 상기 (d-3) 단계를 통해 계산된 후보들의 검출 평점들을 결합하고, 3차원 폐 색전증 병변을 검출하는 단계; 및
(d-5) 상기 긍정-오류 제거부(400)가 상기 (d-4) 단계를 통해 검출된 폐 색전증 병변들의 검출 평점을 내림차순으로 정렬하고, 기 설정된 임계값에 따라 폐색전증 병변들을 제한하여 긍정-오류를 제거하는 단계; 를 포함하는 것을 특징으로 하는 폐 색전증 검출 방법.The method according to claim 6,
(D) process,
(d-1) reducing the false-error by learning the artificial neural network (ANN) by using the features of the candidates extracted through the step (c) by the false-error removing unit 400;
(d-2) selecting, by the false-error removing unit 400, optimal features among features of candidates extracted through the step (c) using a genetic algorithm (GA);
(d-3) The affirmative error removal unit 400 calculates detection scores of candidates using a k-nearest neighbor (KNN) algorithm based on the optimal features selected through the step (d-2). Doing;
(d-4) The positive-error removal unit 400 groups adjacent candidates, combines detection scores of candidates calculated through the step (d-3) according to the grouping, and detects 3D pulmonary embolism lesion Making; And
(d-5) The affirmative-error removing unit 400 sorts the detection grades of the pulmonary embolism lesions detected through the step (d-4) in descending order, restricts the pulmonary embolism lesions according to a preset threshold, and then confirms the positive. Removing the error; Pulmonary embolism detection method comprising a.
KR1020100107765A 2010-11-01 2010-11-01 System for detecting pulmonary embolism and method therefor KR101158041B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020100107765A KR101158041B1 (en) 2010-11-01 2010-11-01 System for detecting pulmonary embolism and method therefor

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020100107765A KR101158041B1 (en) 2010-11-01 2010-11-01 System for detecting pulmonary embolism and method therefor

Publications (2)

Publication Number Publication Date
KR20120056312A true KR20120056312A (en) 2012-06-04
KR101158041B1 KR101158041B1 (en) 2012-06-22

Family

ID=46608480

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020100107765A KR101158041B1 (en) 2010-11-01 2010-11-01 System for detecting pulmonary embolism and method therefor

Country Status (1)

Country Link
KR (1) KR101158041B1 (en)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101824691B1 (en) * 2017-01-05 2018-02-02 서울여자대학교 산학협력단 Method for differentiation of fat-poor angiomyolipoma from clear cell renal cell carcinoma in contrast-enhanced mdct images using quantitative feature classification
WO2019059448A1 (en) * 2017-09-22 2019-03-28 사회복지법인 삼성생명공익재단 Blood clot type determination method, device and program
KR20190037458A (en) * 2017-09-29 2019-04-08 주식회사 인피니트헬스케어 Computing system and method for identifying and visualizing cerebral thrombosis based on medical images
KR102056989B1 (en) * 2018-12-24 2020-02-11 (주)제이엘케이인스펙션 Method and system for classifying blood clot in gradient echo images based on machine learning
KR20200021398A (en) * 2019-07-16 2020-02-28 (주)제이엘케이인스펙션 Image processing apparatus and method
WO2021080043A1 (en) * 2019-10-25 2021-04-29 서울대학교산학협력단 Somatic mutation detection device and method, having reduced sequencing platform-specific errors

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11830187B2 (en) 2021-05-26 2023-11-28 International Business Machines Corporation Automatic condition diagnosis using a segmentation-guided framework
US11875898B2 (en) 2021-05-26 2024-01-16 Merative Us L.P. Automatic condition diagnosis using an attention-guided framework

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7715608B2 (en) * 2004-08-10 2010-05-11 Siemens Medical Solutions Usa, Inc. System and method for 3D visualization of lung perfusion or density and statistical analysis thereof
EP1851720B1 (en) * 2005-02-11 2009-07-29 Koninklijke Philips Electronics N.V. Method of automatic extraction of the pulmonary artery tree from 3d medical images
US7876936B2 (en) * 2006-01-31 2011-01-25 Mevis Medical Solutions, Inc. Method for segmenting arteries and veins

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101824691B1 (en) * 2017-01-05 2018-02-02 서울여자대학교 산학협력단 Method for differentiation of fat-poor angiomyolipoma from clear cell renal cell carcinoma in contrast-enhanced mdct images using quantitative feature classification
WO2019059448A1 (en) * 2017-09-22 2019-03-28 사회복지법인 삼성생명공익재단 Blood clot type determination method, device and program
KR20190034022A (en) * 2017-09-22 2019-04-01 사회복지법인 삼성생명공익재단 Method, Device and Program for determining clot type
KR20190037458A (en) * 2017-09-29 2019-04-08 주식회사 인피니트헬스케어 Computing system and method for identifying and visualizing cerebral thrombosis based on medical images
KR102056989B1 (en) * 2018-12-24 2020-02-11 (주)제이엘케이인스펙션 Method and system for classifying blood clot in gradient echo images based on machine learning
WO2020138932A1 (en) * 2018-12-24 2020-07-02 주식회사 제이엘케이인스펙션 Machine learning-based method and system for classifying thrombi using gre image
JP2022515465A (en) * 2018-12-24 2022-02-18 ジェイエルケイ カンパニー，リミテッド Thrombus classification method and system using GRE images based on machine learning
KR20200021398A (en) * 2019-07-16 2020-02-28 (주)제이엘케이인스펙션 Image processing apparatus and method
WO2021080043A1 (en) * 2019-10-25 2021-04-29 서울대학교산학협력단 Somatic mutation detection device and method, having reduced sequencing platform-specific errors
US11640662B2 (en) 2019-10-25 2023-05-02 Seoul National University R&Db Foundation Somatic mutation detection apparatus and method with reduced sequencing platform-specific error

Also Published As

Publication number Publication date
KR101158041B1 (en) 2012-06-22

Similar Documents

Publication Publication Date Title
KR101158041B1 (en) System for detecting pulmonary embolism and method therefor
US10157467B2 (en) System and method for detecting central pulmonary embolism in CT pulmonary angiography images
US8526699B2 (en) Method and system for automatic detection and classification of coronary stenoses in cardiac CT volumes
US8958618B2 (en) Method and system for identification of calcification in imaged blood vessels
Hossain et al. A pipeline for lung tumor detection and segmentation from CT scans using dilated convolutional neural networks
US20070127802A1 (en) Method and System for Automatic Lung Segmentation
KR101930905B1 (en) Method and apparatus for segmenting medical images
KR101004342B1 (en) Method for detecting liver region and hepatoma in computer tomography images
KR101768812B1 (en) Computer intervened diagnosis system and program at pulmonary nodules in thoracic CT scans
Jacobs et al. Computer-aided detection of ground glass nodules in thoracic CT images using shape, intensity and context features
JP4964171B2 (en) Target region extraction method, apparatus, and program
US10186030B2 (en) Apparatus and method for avoiding region of interest re-detection
WO2007047059A2 (en) Image processing method for boundary extraction between at least two tissues, the boundary being found as the cost minimum path connecting a start point and an end point using the fast marching algorithm with the cost function decreases the more likely a pixel is not on the boudary
Nguyen et al. Pulmonary nodule detection based on faster R-CNN with adaptive anchor box
CN109636810B (en) Pulmonary nodule segmentation method and system of CT image
Mei et al. YOLO-lung: A practical detector based on imporved YOLOv4 for Pulmonary Nodule Detection
Fu et al. Automatic detection of lung nodules using 3D deep convolutional neural networks
Tao et al. New one-step model of breast tumor locating based on deep learning
Gai et al. Applying a radiomics-based CAD scheme to classify between malignant and benign pancreatic tumors using CT images
KR102046240B1 (en) Apparatus and method for lesion screening
KR20160005256A (en) Seed point detection method for coronary artery extraction from CCTA
US8391600B2 (en) Histogram-based compound object separation
Wang et al. Improving performance of computer-aided detection of pulmonary embolisms by incorporating a new pulmonary vascular-tree segmentation algorithm
US7672496B2 (en) Forming three dimensional objects using a decision rule in medical image data
Wu et al. Machine learning-based automatic detection of pulmonary trunk

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20150430

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20160405

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20170508

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20180531

Year of fee payment: 7

FPAY Annual fee payment

Payment date: 20190523

Year of fee payment: 8