KR20140018748A - 의료 영상에서 병변의 분석 장치 및 방법 - Google Patents
의료 영상에서 병변의 분석 장치 및 방법 Download PDFInfo
- Publication number
- KR20140018748A KR20140018748A KR1020120085401A KR20120085401A KR20140018748A KR 20140018748 A KR20140018748 A KR 20140018748A KR 1020120085401 A KR1020120085401 A KR 1020120085401A KR 20120085401 A KR20120085401 A KR 20120085401A KR 20140018748 A KR20140018748 A KR 20140018748A
- Authority
- KR
- South Korea
- Prior art keywords
- lesion
- image
- tas
- feature point
- medical image
- Prior art date
Links
Images
Classifications
-
- 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
- G06T7/40—Analysis of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
-
- 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
- G06T2207/10056—Microscopic 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
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
Abstract
의료 영상에서 병변을 자동으로 분석하는 장치에 관한 것으로, 병변 분석 장치는 일 실시예에 따르면, 의료 영상에서 TAS(Threshold Adjacency Statistics) 특징점을 추출하는 TAS특징점 추출부 및 추출된 TAS특징점을 이용하여 병변의 패턴을 분류하는 병변분류부를 포함할 수 있다.
Description
의료 영상에서 병변을 분석하는 장치 및 방법과 관련된다.
생물학 및 의학 분야에서 생체 시스템과 질병에 대한 연구를 위해 여러 가지 다양한 종류의 영상 분석 장비가 사용되고, 영상 장비의 기술 발전에 따라 고속으로 많은 양의 영상이 생성되고 있다. 이에 따라 컴퓨터를 이용한 자동 영상 분석 기술 또한 발전하고 있다. 최근 해밀턴(Hamilton) 등은 TAS(Threshold Adjacency Statistics) 특징점을 이용하여 형광현미경 영상에서 단백질의 세포 내 위치 패턴을 자동으로 분석하는 연구[N. A. Hamilton et. al., Fast automatedcell phenotype image classificatio. BMC Bioinformatics, 8, 110 (2007) 참조]를 발표하였다. 이 방법은 형광 현미경에서 단백질의 위치 패턴을 자동으로 분석하는데 높은 성능을 보여준다.
의료 영상에서 TAS(Threshold Adjacency Statistics) 특징점을 이용하여 병변의 형태학적 특징과 질감을 신속 정확하게 분석하는 장치 및 방법이 제시된다.
일 양상에 따르면, 의료 영상에서 병변을 분석하는 장치는 의료 영상에서 TAS(Threshold Adjacency Statistics) 특징점을 추출하는 TAS특징점추출부 및 추출된 TAS특징점을 이용하여 병변의 패턴을 분류하는 병변분류부를 포함할 수 있다.
병변 분석 장치는 진단 목적에 따라 밝기, 대조도 및 컬러 분포 중의 하나 이상을 조절하여 상기 의료 영상을 전처리하는 영상전처리부를 더 포함할 수 있고, TAS특징점추출부는 전처리된 의료 영상에서 TAS 특징점을 추출할 수 있다.
TAS특징점 추출부는 의료 영상을 이진화하는 영상이진화부, 이진화 영상에서 각 백색(white) 화소마다 주변 영역에 존재하는 백색 화소의 개수를 카운트하여 히스토그램을 생성하는 히스토그램생성부 및 히스토그램을 기초로 TAS특징점 벡터를 구성하는 TAS특징점벡터구성부를 포함할 수 있다.
영상이진화부는 의료 영상에서 배경 화소값 이상의 값을 갖는 화소들에 대하여 평균값 및 표준편차를 산출하고, 그 평균값 및 표준편차를 이용하여 영상을 이진화할 수 있다.
병변분류부는 TAS 특징점을 기계 학습 알고리즘 중의 어느 하나를 통해 학습된 모듈에 적용하여 병변의 패턴을 분류할 수 있다.
기계 학습 알고리즘은 인공 신경 회로망(Artificial Neural Network),SVM(Support Vector Machine), 의사 결정 트리(Decision Tree) 및 랜덤 포레스트(Random Forest)를 포함할 수 있다.
일 양상에 따르면, 의료 영상에서 병변을 분석하는 장치는 의료 영상에서 병변의 영역을 검출하는 병변영역검출부, 검출된 병변 영역을 전처리하여 병변영역 전처리 영상을 생성하는 병변영역전처리부, 병변 영역 전처리 영상에서 TAS(Threshold Adjacency Statistics)특징점을 추출하는 TAS특징점추출부 및 TAS특징점을 이용하여 병변의 패턴을 분류하는 병변분류부를 포함할 수 있다.
병변영역전처리부는 대비(contrast) 증강, 스페클(speckle) 제거, 탑 햇(Tophat) 필터 및 이진화를 포함하는 전처리 알고리즘 중에서 하나 이상을 이용하여 병변 영역 전처리 영상을 생성할 수 있다.
TAS특징점추출부는 병변 영역 전처리 영상을 이진화하는 영상이진화부, 이진화 영상에서 각 백색(white) 화소마다 주변 영역에 존재하는 백색 화소의 개수를 카운트하여 히스토그램을 생성하는 히스토그램생성부 및 히스토그램을 기초로 TAS특징점 벡터를 구성하는 TAS특징점벡터구성부를 포함할 수 있다.
병변 분석 장치는 병변 영역 전처리 영상에서 병변 영역의 모양, 밝기, 질감 및 주위 영역과의 상관 관계 중의 하나 이상을 포함하는 제2특징점을 추출하는 제2특징점추출부를 더 포함할 수 있고, 병변분류부는 제2특징점추출부에 의해 추출된 제2특징점을 더 이용하여 병변의 패턴을 분류할 수 있다.
일 양상에 따르면, 의료 영상에서 병변을 분석하는 방법은, 의료 영상에서 TAS(Threshold Adjacency Statistics) 특징점을 추출하는 단계 및 TAS특징점을 이용하여 병변의 패턴을 분류하는 단계를 포함할 수 있다.
병변 분석 방법은 진단 목적에 따라 밝기, 대조도 및 컬러 분포 중의 하나 이상을 조절하여 의료 영상을 전처리하는 단계를 더 포함할 수 있고, TAS특징점을 추출하는 단계는, 전처리된 의료 영상에서 TAS 특징점을 추출할 수 있다.
TAS특징점 추출 단계는 의료 영상을 이진화하는 단계, 이진화 영상에서 각 백색(white) 화소마다 주변 영역에 존재하는 백색 화소의 개수를 카운트하여 히스토그램을 생성하는 단계 및 히스토그램을 기초로 TAS특징점 벡터를 구성하는 단계를 포함할 수 있다.
영상 이진화 단계는 의료 영상에서 배경 화소값 이상의 값을 갖는 화소들에 대하여 평균값 및 표준편차를 산출하고, 그 평균값 및 표준편차를 이용하여 영상을 이진화할 수 있다.
병변 분류 단계는 TAS특징점을 기계 학습 알고리즘 중의 어느 하나를 통해 학습된 모듈에 적용하여 병변의 패턴을 분류할 수 있다.
이때, 기계 학습 알고리즘은 인공 신경 회로망(Artificial Neural Network),SVM(Support Vector Machine), 의사 결정 트리(Decision Tree) 및 랜덤 포레스트(Random Forest)를 포함할 수 있다.
일 양상에 따르면, 의료 영상에서 병변을 분석하는 방법은, 의료 영상에서 병변의 영역을 검출하는 단계, 검출된 병변 영역을 전처리하여 병변영역 전처리 영상을 생성하는 단계, 병변 영역 전처리 영상에서 TAS(Threshold Adjacency Statistics)특징점을 추출하는 단계 및 TAS특징점을 이용하여 병변의 패턴을 분류하는 단계를 포함할 수 있다.
병변 영역 전처리 영상 생성 단계는 대비(contrast) 증강, 스페클(speckle) 제거, 탑 햇(Tophat) 필터 및 이진화를 포함하는 전처리 알고리즘 중에서 하나 이상을 이용하여 병변 영역 전처리 영상을 생성할 수 있다.
TAS특징점 추출 단계는 병변 영역 전처리 영상을 이진화하는 단계, 이진화 영상에서 각 백색(white) 화소마다 주변 영역에 존재하는 백색 화소의 개수를 카운트하여 히스토그램을 생성하는 단계 및 히스토그램을 기초로 TAS특징점 벡터를 구성하는 단계를 포함할 수 있다.
병변 분석 방법은 병변 영역 전처리 영상에서 병변 영역의 모양, 밝기, 질감 및 주위 영역과의 상관 관계 중의 하나 이상을 포함하는 제2특징점을 추출하는 단계를 더 포함할 수 있고, 병변 패턴 분류 단계는 추출된 제2특징점을 더 이용하여 병변의 패턴을 분류할 수 있다.
의료 영상에서 TAS(Threshold Adjacency Statistics) 특징점을 이용하여 병변의 위치를 신속하게 찾고, 진단의 정확성을 향상시킬 수 있다.
도 1은 일 실시예에 따른 병변 분석 장치의 블록도이다.
도 2a 내지 2c는 TAS특징점을 추출하는 과정을 설명하기 위한 도면이다.
도 3은 다른 실시예에 따른 병변 분석 장치의 블록도이다.
도 4a 및 도 4b는 병변 영역 검출 및 병변 영역 전처리 과정을 설명하기 위한 도면이다.
도 5는 일 실시예에 따른 병변 분석 방법의 흐름도이다.
도 6은 도 5의 실시예에 따른 TAS특징점을 추출하는 단계의 상세흐름도이다.
도 7은 다른 실시예에 따른 병변 분석 방법의 흐름도이다.
도 2a 내지 2c는 TAS특징점을 추출하는 과정을 설명하기 위한 도면이다.
도 3은 다른 실시예에 따른 병변 분석 장치의 블록도이다.
도 4a 및 도 4b는 병변 영역 검출 및 병변 영역 전처리 과정을 설명하기 위한 도면이다.
도 5는 일 실시예에 따른 병변 분석 방법의 흐름도이다.
도 6은 도 5의 실시예에 따른 TAS특징점을 추출하는 단계의 상세흐름도이다.
도 7은 다른 실시예에 따른 병변 분석 방법의 흐름도이다.
기타 실시예들의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다. 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
이하, 의료 영상에서 병변의 분석 장치 및 방법을 설명하기 위하여 도면들을 참고하여 상세히 설명하도록 한다.
도 1은 일 실시예에 따른 병변 분석 장치의 블록도이다. 도 2a 내지 도 2c는 TAS특징점을 추출하는 과정을 설명하기 위한 도면이다.
도 1을 참조하면, 병변 분석 장치(100)는 영상전처리부(110), TAS특징점추출부(120) 및 병변분류부(130)을 포함할 수 있다. 이때, 영상전처리부(110), TAS특징점추출부(120) 및 병변분류부(130)는 하나의 하드웨어 장치에 구현이 가능하며, 필요에 따라 어느 하나 이상은 서로 다른 하드웨어 장치에 구현될 수 있다.
영상전처리부(110)는 의료 영상 측정 기기에 의해 측정된 의료 영상을 진단 목적에 맞도록 밝기, 대조도(contrast) 및 컬러 분포 등을 조절할 수 있다. 이때, 의료 영상 측정 기기는 초음파 검사기, MRI 장치, CT 등을 포함하며, 환자의 환부 신호를 측정하여 전기 신호화 하는 장치이다. 출력된 전기 신호는 시간에 따라 변화할 수 있으며, 영상화되어 영상전처리부(110)로 전송될 수 있다.
TAS특징점추출부(120)는 의료 영상 측정 기기에서 측정된 의료 영상에서 TAS특징점을 추출한다. 한편, 진단 목적에 따라 그 의료 영상은 영상전처리부(110)에서 그 진단 목적에 적합하게 전처리될 수 있으며, TAS특징점추출부(120)는 영상전처리부(110)에 의해 전처리된 의료 영상에서 TAS특징점을 추출할 수 있다. 본 실시예에 따른 TAS특징점 추출 방법은 해밀턴 등의 연구에서 제안한 일반적인 방법을 의료 영상의 병변 분석에 보다 적합하도록 개선한 것이다. TAS특징점추출부(120)는 전체 의료 영상을 대상으로 TAS특징점을 추출할 수 있으며, 또는 슬라이딩 윈도우(sliding window) 방식으로 일정한 크기의 영상 영역을 미끄러지듯이 이동해 가면서 TAS특징점을 추출하는 것도 가능하다.
도 1 및 도 2a 내지 도 2c를 참조하면, TAS특징점추출부(120)는 영상이진화부(121), 히스토그램생성부(122) 및 TAS특징점벡터구성부(123)를 포함할 수 있다.
영상이진화부(121)는 의료 영상 측정 기기에서 측정된 의료 영상 또는 영상전처리부(110)에 의해 전처리된 의료 영상을 이진화한다. 도 2a는 유방초음파영상(1)과 특정 임계값(Threshold)를 이용하여 이를 이진화한 영상(2) 및, 세포의 형광현미경영상(3)과 이를 특정 임계값(Threshold)을 이용하여 이진화한 영상(4)를 도시한 것이다.
영상이진화부(121)는 의료 영상에서 배경(background) 화소값을 추정하고, 그 배경 화소값 이상의 값을 갖는 화소들에 대하여 평균값(μ)과 표준편차(σ)를 산출할 수 있다. 영상에서 배경 화소값 추정 및 평균값(μ)과 표준편차(σ)를 산출하는 방법은 알려진 모든 방법이 가능하며 자세한 설명은 생략한다.
영상이진화부(121)는 산출된 평균값(μ)과 표준편차(σ)를 이용하여 영상을 이진화할 수 있다. 예를 들어, 의료 영상의 화소값이 기준값(예: μ+σ, μ+2σ, μ+3σ 등) 보다 크면 백색(white) 화소, 그렇지 않으면, 흑색(black) 화소로 변환할 수 있다. 다만, 이는 하나의 예시에 불과하며 필요에 따라 다양한 방법을 적용하여 영상의 이진화가 가능하다.
영상이진화부(121)는 이와 같이 이진화된 영상을 반전시킨다. 반전된 영상 또한 이진화된 영상이며, 히스토그램생성부(122)는 이진화된 영상 또는 그 이진화 영상을 반전한 영상을 이용하여 TAS특징점 벡터를 구성하기 위한 히스토그램을 생성할 수 있다.
히스토그램생성부(122)는 이진화 영상 또는 반전된 영상에서 각 백색(white) 화소마다 주변 영역에 존재하는 백색 화소의 개수를 카운트하고, 그 카운트 결과를 기초로 히스토그램을 생성할 수 있다. 도 2b는 중심의 백색 화소에 대해 주변 영역, 즉 주위 8개 화소를 대상으로 백색 화소를 카운트하는 예를 나타낸 것이다. 왼쪽부터 차례대로 주변 영역의 백색 화소를 카운트한 갯수를 하단에 표시하였다. 이때, 진단 목적에 따라 카운트 대상이 되는 주변 영역 즉, 주위 화소의 갯수를 다르게 설정할 수 있다. 예를 들어, 2D 영상에서는 중심 화소에 대해 좌, 우, 상, 하 4개만을 주변 영역으로 설정할 수 있다. 또는, 도 2b에 예시한 바와 같이, 8개의 화소 모두를 주변 영역으로 설정할 수 있다. 3D 영상에서는 6개, 18개, 26개의 주위 화소를 주변 영역으로 설정하여 카운트할 수 있다.
도 2c는 히스토그램을 나타낸 것으로, 도 2b의 왼쪽 첫 번째는 가운데의 백색 화소 주변 영역에 백색 화소가 하나도 없으므로, 도 2c의 히스토그램에서 0의 빈(bin)에 카운트된다. 또한, 도 2b의 왼쪽 두 번째는 가운데 백색 화소 주변 영역에 백색 화소가 하나 있으므로, 도 2c의 히스토그램에서 1의 빈(bin)에 카운트된다.
TAS특징점벡터구성부(123)는 히스토그램생성부(122)에 의해 생성된 히스토그램을 기초로 병변분류부(130)의 입력이 되는 TAS특징점 벡터를 구성할 수 있다. 도 2b 및 도 2c의 예를 참조하면, TAS특징점 벡터는 총 9개의 원소를 갖는 벡터로 구성될 수 있다.
병변분류부(130)는 TAS특징점추출부(120)에서 추출된 TAS특징점을 이용하여 병변의 패턴을 분류할 수 있다. 병변의 패턴은 영상의 종류, 진단 목적 등에 따라 다양하게 정의될 수 있으며, 일 예로 병변의 악성/양성 등이 될 수 있다.
병변분류부(130)는 TAS특징점을 기계 학습 알고리즘 중의 어느 하나를 통해 학습된 모듈에 적용하여 병변의 패턴을 분류할 수 있다. 이때, 기계 학습 알고리즘은 인공 신경 회로망(Artificial Neural Network),SVM(Support Vector Machine), 의사 결정 트리(Decision Tree), 랜덤 포레스트(Random Forest) 등을 포함할 수 있다. 학습 모듈은 미리 생성될 수 있으며, 미리 구축되어 있는 영상 데이터베이스의 모든 영상에서 TAS특징점을 포함한 특징점 벡터들을 구하고, 그 특징점 벡터들을 기계 학습 알고리즘으로 학습시킴으로써 생성이 될 수 있다. 병변분류부(130)는 이와 같이 미리 학습되어 있는 학습 모듈을 이용하여 새로운 의료 영상의 병변을 신속 정확하게 해석하고 병변의 패턴을 분류할 수 있다.
도 3은 다른 실시예에 따른 병변 분석 장치의 블록도이다. 도 4a 및 도 4b는 병변 영역 검출 및 병변 영역 전처리 과정을 설명하기 위한 도면이다.
도 3을 참조하면, 병변 분석 장치(200)는 영상전처리부(210), TAS특징점추출부(220), 병변분류부(230), 병변영역검출부(240) 및 병변영역전처리부(250)를 포함할 수 있다. 영상전처리부(210), TAS특징점추출부(220), 병변분류부(230), 병변영역검출부(240) 및 병변영역전처리부(250)는 하나의 하드웨어 장치에 구성될 수 있으며, 필요에 따라서는 하나 이상이 별도의 하드웨어 장치에 구성되는 것도 가능하다.
영상전처리부(210), TAS특징점추출부(220), 병변분류부(230)는 도 1 및 도 2a 내지 도 2c를 참조하여 전술하였으므로 이하 자세한 설명은 생략하기로 한다.
병변영역검출부(240)는 의료 측정 기기에 의해 측정된 의료 영상 또는 영상전처리부(210)에 의해 전처리된 의료 영상에서 대략적인 병변의 위치와 크기 등의 병변의 영역을 검출한다. 이때, 병변영역검출부(240)는 이미 알려진 병변 영역 검출 알고리즘을 이용하여 병변의 위치와 크기 등의 병변 영역을 자동으로 검출할 수 있다. 병변영역검출부(240)는 전체 의료 영상을 대상으로 하여 병변 영역을 검출할 수 있으며, 또는 슬라이딩 윈도우(sliding window) 방식으로 일정한 크기의 영상 영역을 미끄러지듯이 이동해 가면서 병변 영역을 검출할 수도 있다. 한편, 의료 영상에서 병변의 위치나 크기 등이 명확한 경우에는 사용자로부터 그 병변의 위치나 크기 등의 정보를 입력받아 병변 영역을 검출할 수 있다.
도 4a는 유방 초음파 영상 및 그 영상에서 검출된 병변 영역(10)을 나타낸 것이다. 영상의 우측 상단 부분에 미세석회화된 조그마한 밝은 점들이 모여 있는 것을 알 수 있으며, 이 영역이 검출된 병변 영역(10)으로서 악성 병변이 의심되는 중요한 소견이라 할 수 있다.
병변영역전처리부(250)는 검출된 병변의 영역을 진단 목적이나 영상의 종류를 기초로 전처리하여 병변 영역 전처리 영상을 생성할 수 있다. 즉, 병변영역전처리부(250)는 병변 영역이 다른 영역과 더욱 구분되도록 대비(contrast) 증강, 스페클(speckle) 제거, 탑 햇(Tophat) 필터 및 이진화를 포함하는 전처리 알고리즘 중에서 하나 이상을 이용하여 병변 영역 전처리 영상을 생성할 수 있다.
예를 들어, 도 4b에 도시된 바와 같이, 원본 영상을 차례대로 대비 증강을 통해 전체 영상의 대조도를 높이고, 스페클을 제거할 수 있다. 그 다음, 미세석회화와 같은 국부적인 영역에서 영상 대조도를 높이기 탑햇 필터를 적용할 수 있다. 그 다음, 탑햇 필터를 적용한 영상을 다시 이진화하여 높은 대조도를 갖는 개체 또는 부위를 찾아낼 수 있다. 그 다음, 의미 없는 개체 즉, 미세석회화에 비해 너무 크거나 작은 개체, 검출된 병변의 에지 부분에서 발생할 수 있는 개체들을 제거함으로써 마지막 우측 영상과 같은 병변 영역이 전처리된 영상을 생성할 수 있다.
TAS특징점추출부(220)는 영상이진화부(221), 히스토그램생성부(222) 및 TAS특징점벡터구성부(223)을 포함할 수 있으며, 병변영역전처리부(250)에서 생성된 병변영역 전처리 영상에서 TAS특징점을 추출한다. 영상이진화부(221)는 병변영역 전처리 영상을 이진화한다. 또한, 그 이진화된 영상을 반전하여 반전된 이진화 영상을 생성할 수 있다. 히스토그램생성부(222)는 이진화 영상 또는 반전된 영상을 이용하여 히스토그램을 생성할 수 있다. TAS특징점벡터구성부(224)는 생성된 히스토그램을 기초로 TAS특징점 벡터를 구성할 수 있다.
한편, 추가적인 양상에 따르면, 병변 분석 장치(200)는 제1특징점추출부(260) 또는 제2특징점추출부(270)를 더 포함할 수 있다.
제1특징점추출부(260) 또는 제2특징점추출부(270)는 TAS특징점추출부(224)에 의해 추출되는 TAS특징점 외에 병변 영역의 모양, 밝기, 질감, 주위 영역과의 상관관계를 포함하는 제1특징점 또는 제2특징점을 추출할 수 있다. 한편, 제1특징점추출부(260) 또는 제2특징점추출부(270)는 아나로그 디지털 변환기, 잡음이나 오차를 제거하는 신호 처리 프로그램 또는 컴퓨터 등이 될 수 있다. 제1특징점추출부(260)는 병변영역검출부(240)에 의해 병변 영역이 검출된 영상에서 특징점을 벡터 형태로 추출할 수 있으며, 제2특징점추출부(270)는 병변 영역이 진단 목적 등에 따라 전처리된 병변영역 전처리 영상에서 특징점을 벡터 형태로 추출할 수 있다. 추출된 제1특징점 또는 제2특징점은 병변분류부(230)의 입력이 된다.
병변분류부(230)는 TAS특징점을 이용하여 병변의 패턴을 분류하며, 만약, 제1특징점추출부(260) 또는 제2특징점추출부(270)로부터 제1특징점 또는 제2특징점이 입력되면, TAS특징점 외에 제1특징점이나 제2특징점을 더 이용하여 병변의 패턴을 분류할 수 있다.
도 5는 일 실시예에 따른 병변 분석 방법의 흐름도이다. 도 6은 도 5의 실시예에 따른 TAS특징점을 추출하는 단계의 상세흐름도이다.
도 5 및 도 6을 참조하여 도 1의 실시예에 따른 병변 분석 장치(100)를 통해 의료 영상에서 병변을 분석하는 절차를 설명한다.
먼저, 의료 영상 측정 기기에 의해 측정된 의료 영상을 진단 목적에 맞도록 전처리 할 수 있다.(단계 310). 병변 분석 장치(100)는 초음파 검사기, MRI 장치, CT 등의 의료 영상 측정 기기로부터 유방초음파 영상, MRI, CT 등의 의료 영상을 수신할 수 있으며, 수신된 의료 영상을 진단 목적 등에 따라 밝기, 대조도(contrast) 및 컬러 분포 등을 조절하여 전처리할 수 있다.
그 다음, 의료 영상 측정 기기에 의해 측정된 의료 영상 또는 전처리된 의료 영상에서 TAS특징점을 추출한다(단계 320).
도 6을 참조하면, TAS특징점 추출 단계는 도 2a 내지 도 2c를 참조하여 전술한 바와 같이, 먼저, 의료 영상을 이진화하고(단계 321), 이진화된 영상을 반전시킬 수 있다(단계 322). 이때, 병변 분석 장치(100)는 의료 영상에서 배경(background) 화소값을 추정하고, 그 배경 화소값 이상의 값을 갖는 화소들에 대하여 평균값(μ)과 표준편차(σ)를 산출하고, 그 산출된 평균값(μ)과 표준편차(σ)를 이용하여 영상을 이진화할 수 있다.
그 다음, 이진화 영상 또는 반전된 영상에서 각 백색(white) 화소마다 주변 영역에 존재하는 백색 화소의 개수를 카운트하고, 그 카운트 결과를 기초로 히스토그램을 생성한다(단계 323). 카운트 대상이 되는 주변 영역 즉, 주위 화소의 갯수는 진단 목적에 따라 다르게 설정할 수 있다. 예컨대, 2D 영상에서는 중심 화소에 대해 좌, 우, 상, 하 4개 또는 8개의 화소 모두를 주변 영역으로 설정하는 것이 가능하다. 3D 영상에서는 6개, 18개, 26개의 주위 화소를 주변 영역으로 설정할 수 있다.
마지막으로, 생성된 히스토그램을 기초로 TAS특징점 벡터를 구성할 수 있다(단계 324).
다시 도 5를 참조하면, 병변 분석 장치(100)는 추출된 TAS특징점을 이용하여 병변의 패턴을 분류할 수 있다. 이때, 병변의 패턴은 영상의 종류, 진단 목적 등에 따라 다양하게 정의될 수 있으며, 일 예로 병변의 악성/양성 등이 될 수 있다. 병변 분석 장치(100)는 TAS특징점을 인공 신경 회로망(Artificial Neural Network),SVM(Support Vector Machine), 의사 결정 트리(Decision Tree), 랜덤 포레스트(Random Forest) 등의 기계 학습 알고리즘 중의 어느 하나를 통해 학습된 모듈에 적용하여 병변의 패턴을 분류할 수 있다. 학습 모듈은 미리 구축되어 있는 영상 데이터베이스의 모든 영상에서 TAS특징점을 포함한 특징점 벡터들을 구하고, 그 특징점 벡터들을 선택된 어느 하나의 기계 학습 알고리즘으로 학습시킴으로써 생성이 될 수 있다.
도 7은 다른 실시예에 따른 병변 분석 방법의 흐름도이다. 도 7을 참조하여, 도 3의 실시예에 따른 병변 분석 장치(200)를 통해 병변을 분석하는 절차를 설명한다.
먼저, 병변 분석 장치(200)는 진단 목적에 따라 의료 영상 측정 기기에 의해 측정된 의료 영상을 밝기, 대조도(contrast) 및 컬러 분포 등을 조절하여 전처리할 수 있다(단계 410).
그 다음, 병변 분석 장치(200)는 의료 영상 측정 기기에 의해 측정된 의료 영상 또는 영상 전처리 단계에서 전처리된 의료 영상에서 대략적인 병변의 위치와 크기 등의 병변의 영역을 검출한다(단계 420). 이때, 병변 영역의 검출 알고리즘은 이미 알려진 모든 알고리즘을 이용할 수 있다. 한편, 사용자로부터 병변의 위치나 크기 등의 정보를 직접 입력받을 수 있다.
그 다음, 검출된 병변의 영역을 진단 목적이나 영상의 종류에 맞도록 전처리하여 병변 영역 전처리 영상을 생성할 수 있다(단계 430). 병변 분석 장치(200)는 검출된 병변 영역이 다른 영역과 더욱 구분될 수 있도록 대비(contrast) 증강, 스페클(speckle) 제거, 탑 햇(Tophat) 필터 및 이진화를 포함하는 전처리 알고리즘 중의 하나 이상을 이용하여 병변 영역을 전처리하고, 병변 영역 전처리 영상을 생성할 수 있다.
그 다음, 병변영역 전처리 영상에서 TAS특징점을 추출한다(단계 440). 병변 영역 전처리 영상에서 TAS특징점을 추출하는 상세 절차는 도 6을 참조하여 전술한 바와 같다.
한편, 추가적인 양상에 따르면, 병변 분석 장치(200)는 병변 영역 전처리 영상에서 병변 영역의 모양, 밝기, 질감, 주위 영역과의 상관관계를 포함하는 제2특징점을 더 추출할 수 있다(단계 450). 또한, 도 7에 도시되지 않았지만, 병변 분석 장치(200)는 단계 420에서 병변 영역이 검출되면, 그 병변 영역이 검출된 의료 영상에서 병변 영역의 모양, 밝기, 질감, 주위 영역과의 상관관계를 포함하는 제1특징점을 더 추출할 수 있다.
마지막으로, TAS특징점을 이용하여 병변의 패턴을 분류할 수 있으며, 이때, 제1특징점 또는 제2특징점이 추가적으로 입력되면, TAS특징점 외에 제1특징점 또는 제2특징점을 더 이용하여 병변의 패턴을 분류할 수 있다(단계 460).
한편, 본 발명의 실시 예들은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다.
컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있으며, 또한 캐리어 웨이브(예를 들어 인터넷을 통한 전송)의 형태로 구현하는 것을 포함한다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고 본 발명을 구현하기 위한 기능적인(functional) 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술 분야의 프로그래머들에 의하여 용이하게 추론될 수 있다.
본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구의 범위에 의하여 나타내어지며, 특허청구의 범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100 200: 병변 분석 장치 110 210: 영상전처리부
120 220: TAS특징점추출부 121 221: 영상이진화부
122 222: 히스토그램생성부 123 223: TAS특징점벡터구성부
130 230: 병변분류부 240: 병변영역검출부
250: 병변영역전처리부 260: 제1특징점추출부
270: 제2특징점추출부
120 220: TAS특징점추출부 121 221: 영상이진화부
122 222: 히스토그램생성부 123 223: TAS특징점벡터구성부
130 230: 병변분류부 240: 병변영역검출부
250: 병변영역전처리부 260: 제1특징점추출부
270: 제2특징점추출부
Claims (20)
- 의료 영상에서 병변을 분석하는 장치에 있어서,
상기 의료 영상에서 TAS(Threshold Adjacency Statistics) 특징점을 추출하는 TAS특징점추출부; 및
상기 추출된 TAS특징점을 이용하여 병변의 패턴을 분류하는 병변분류부;를 포함하는 병변 분석 장치. - 제1항에 있어서,
진단 목적에 따라 밝기, 대조도 및 컬러 분포 중의 하나 이상을 조절하여 상기 의료 영상을 전처리하는 영상전처리부;를 더 포함하고,
상기 TAS특징점추출부는,
상기 전처리된 의료 영상에서 TAS 특징점을 추출하는 병변 분석 장치. - 제1항에 있어서, 상기 TAS특징점 추출부는,
의료 영상을 이진화하는 영상이진화부;
상기 이진화 영상에서 각 백색(white) 화소마다 주변 영역에 존재하는 백색 화소의 개수를 카운트하여 히스토그램을 생성하는 히스토그램생성부; 및
상기 히스토그램을 기초로 TAS특징점 벡터를 구성하는 TAS특징점벡터구성부;를 포함하는 병변 분석 장치. - 제3항에 있어서, 상기 영상이진화부는,
상기 의료 영상에서 배경 화소값 이상의 값을 갖는 화소들에 대하여 평균값 및 표준편차를 산출하고, 그 평균값 및 표준편차를 이용하여 영상을 이진화하는 병변 분석 장치. - 제1항에 있어서, 상기 병변분류부는,
상기 TAS 특징점을 기계 학습 알고리즘 중의 어느 하나를 통해 학습된 모듈에 적용하여 상기 병변의 패턴을 분류하는 병변 분석 장치. - 제5항에 있어서, 상기 기계 학습 알고리즘은,
인공 신경 회로망(Artificial Neural Network),SVM(Support Vector Machine), 의사 결정 트리(Decision Tree) 및 랜덤 포레스트(Random Forest)를 포함하는 병변 분석 장치. - 의료 영상에서 병변을 분석하는 장치에 있어서,
상기 의료 영상에서 병변의 영역을 검출하는 병변영역검출부;
상기 검출된 병변 영역을 전처리하여 병변영역 전처리 영상을 생성하는 병변영역전처리부;
상기 병변 영역 전처리 영상에서 TAS(Threshold Adjacency Statistics)특징점을 추출하는 TAS특징점추출부; 및
상기 TAS특징점을 이용하여 병변의 패턴을 분류하는 병변분류부;를 포함하는 병변 분석 장치. - 제7항에 있어서, 상기 병변영역전처리부는,
대비(contrast) 증강, 스페클(speckle) 제거, 탑 햇(Tophat) 필터 및 이진화를 포함하는 전처리 알고리즘 중에서 하나 이상을 이용하여 상기 병변 영역 전처리 영상을 생성하는 병변 분석 장치. - 제7항에 있어서, 상기 TAS특징점추출부는,
상기 병변 영역 전처리 영상을 이진화하는 영상이진화부;
상기 이진화 영상에서 각 백색(white) 화소마다 주변 영역에 존재하는 백색 화소의 개수를 카운트하여 히스토그램을 생성하는 히스토그램생성부; 및
상기 히스토그램을 기초로 TAS특징점 벡터를 구성하는 TAS특징점벡터구성부;를 포함하는 병변 분석 장치. - 제7항에 있어서,
상기 병변 영역 전처리 영상에서 병변 영역의 모양, 밝기, 질감 및 주위 영역과의 상관 관계 중의 하나 이상을 포함하는 제2특징점을 추출하는 제2특징점추출부;를 더 포함하고,
상기 병변분류부는,
상기 제2특징점추출부에 의해 추출된 제2특징점을 더 이용하여 병변의 패턴을 분류하는 병변 분석 장치. - 의료 영상에서 병변을 분석하는 방법에 있어서,
상기 의료 영상에서 TAS(Threshold Adjacency Statistics) 특징점을 추출하는 단계; 및
상기 TAS특징점을 이용하여 병변의 패턴을 분류하는 단계;를 포함하는 병변 분석 방법. - 제11항에 있어서,
진단 목적에 따라 밝기, 대조도 및 컬러 분포 중의 하나 이상을 조절하여 상기 의료 영상을 전처리하는 단계;를 더 포함하고,
상기 TAS특징점을 추출하는 단계는,
상기 전처리된 의료 영상에서 TAS 특징점을 추출하는 병변 분석 방법. - 제11항에 있어서, 상기 TAS특징점 추출 단계는,
의료 영상을 이진화하는 단계;
상기 이진화 영상에서 각 백색(white) 화소마다 주변 영역에 존재하는 백색 화소의 개수를 카운트하여 히스토그램을 생성하는 단계; 및
상기 히스토그램을 기초로 TAS특징점 벡터를 구성하는 단계;를 포함하는 병변 분석 방법. - 제13항에 있어서, 상기 영상 이진화 단계는,
상기 의료 영상에서 배경 화소값 이상의 값을 갖는 화소들에 대하여 평균값 및 표준편차를 산출하고, 그 평균값 및 표준편차를 이용하여 영상을 이진화하는 병변 분석 방법. - 제11항에 있어서, 상기 병변 분류 단계는,
상기 TAS특징점을 기계 학습 알고리즘 중의 어느 하나를 통해 학습된 모듈에 적용하여 상기 병변의 패턴을 분류하는 병변 분석 방법. - 제15항에 있어서, 상기 기계 학습 알고리즘은,
인공 신경 회로망(Artificial Neural Network),SVM(Support Vector Machine), 의사 결정 트리(Decision Tree) 및 랜덤 포레스트(Random Forest)를 포함하는 병변 분석 방법. - 의료 영상에서 병변을 분석하는 방법에 있어서,
상기 의료 영상에서 병변의 영역을 검출하는 단계;
상기 검출된 병변 영역을 전처리하여 병변영역 전처리 영상을 생성하는 단계;
상기 병변 영역 전처리 영상에서 TAS(Threshold Adjacency Statistics)특징점을 추출하는 단계; 및
상기 TAS특징점을 이용하여 병변의 패턴을 분류하는 단계;를 포함하는 병변 분석 방법. - 제17항에 있어서, 상기 병변 영역 전처리 영상 생성 단계는,
대비(contrast) 증강, 스페클(speckle) 제거, 탑 햇(Tophat) 필터 및 이진화를 포함하는 전처리 알고리즘 중에서 하나 이상을 이용하여 병변 영역 전처리 영상을 생성하는 병변 분석 방법. - 제17항에 있어서, 상기 TAS특징점 추출 단계는,
상기 병변 영역 전처리 영상을 이진화하는 단계;
상기 이진화 영상에서 각 백색(white) 화소마다 주변 영역에 존재하는 백색 화소의 개수를 카운트하여 히스토그램을 생성하는 단계; 및
상기 히스토그램을 기초로 TAS특징점 벡터를 구성하는 단계;를 포함하는 병변 분석 방법. - 제17항에 있어서,
상기 병변 영역 전처리 영상에서 병변 영역의 모양, 밝기, 질감 및 주위 영역과의 상관 관계 중의 하나 이상을 포함하는 제2특징점을 추출하는 단계;를 더 포함하고,
상기 병변 패턴 분류 단계는,
상기 추출된 제2특징점을 더 이용하여 병변의 패턴을 분류하는 병변 분석 방법.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020120085401A KR20140018748A (ko) | 2012-08-03 | 2012-08-03 | 의료 영상에서 병변의 분석 장치 및 방법 |
US13/903,359 US20140037159A1 (en) | 2012-08-03 | 2013-05-28 | Apparatus and method for analyzing lesions in medical image |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020120085401A KR20140018748A (ko) | 2012-08-03 | 2012-08-03 | 의료 영상에서 병변의 분석 장치 및 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20140018748A true KR20140018748A (ko) | 2014-02-13 |
Family
ID=50025514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020120085401A KR20140018748A (ko) | 2012-08-03 | 2012-08-03 | 의료 영상에서 병변의 분석 장치 및 방법 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20140037159A1 (ko) |
KR (1) | KR20140018748A (ko) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101580075B1 (ko) * | 2015-01-23 | 2016-01-21 | 김용한 | 병변 영상 분석을 통한 광 치료 장치, 이에 이용되는 병변 영상 분석에 의한 병변 위치 검출방법 및 이를 기록한 컴퓨팅 장치에 의해 판독 가능한 기록 매체 |
WO2017022882A1 (ko) * | 2015-08-06 | 2017-02-09 | 주식회사 루닛 | 의료 영상의 병리 진단 분류 장치 및 이를 이용한 병리 진단 시스템 |
KR101992057B1 (ko) * | 2018-08-17 | 2019-06-24 | (주)제이엘케이인스펙션 | 혈관 투영 영상을 이용한 뇌질환 진단 방법 및 시스템 |
WO2019168280A1 (ko) * | 2018-02-28 | 2019-09-06 | 이화여자대학교 산학협력단 | 뉴럴 네트워크를 이용하여 캡슐 내시경 영상으로부터 병변 판독 방법 및 장치 |
KR102015223B1 (ko) * | 2018-08-17 | 2019-10-21 | (주)제이엘케이인스펙션 | 3차원 자기공명영상과 다평면 혈관투영영상을 활용한 뇌질환 진단 방법 및 장치 |
KR102041906B1 (ko) | 2019-03-06 | 2019-11-07 | 주식회사 에프앤디파트너스 | 안면피부촬영장치를 통해 촬영된 영상 이미지를 활용하여 피부질환을 판별하는 인공지능 기반의 안면 피부질환 판별용 api 엔진 |
KR102074406B1 (ko) * | 2019-07-25 | 2020-02-06 | 주식회사 딥노이드 | 영상 랜드마크 분류 장치 및 방법 |
KR102097742B1 (ko) * | 2019-07-31 | 2020-04-06 | 주식회사 딥노이드 | 인공지능 기반의 의료영상 검색 시스템 및 그 구동방법 |
KR102097741B1 (ko) * | 2019-07-25 | 2020-04-06 | 주식회사 딥노이드 | 인공지능 학습용 의료 영상 데이터 정제 시스템 및 그 구동방법 |
KR102097740B1 (ko) * | 2019-07-25 | 2020-04-06 | 주식회사 딥노이드 | 인공지능을 활용한 의료영상 자동 분류 및 표준화 시스템 및 그 구동방법 |
WO2020141847A1 (ko) * | 2019-01-02 | 2020-07-09 | 울산대학교 산학협력단 | 피브린과침착증 진단 장치 및 방법 |
KR20200099633A (ko) | 2019-02-14 | 2020-08-25 | 재단법인 아산사회복지재단 | 영상의 질감 분석 방법 및 컴퓨터 프로그램 |
KR20200101540A (ko) | 2019-02-01 | 2020-08-28 | 장현재 | 피부 이미지 기반의 인공지능 딥러닝을 이용한 피부질환 판별용 api 엔진을 구성하는 스마트 피부질환 판별 플랫폼시스템 |
KR102162683B1 (ko) | 2020-01-31 | 2020-10-07 | 주식회사 에프앤디파트너스 | 비정형 피부질환 영상데이터를 활용한 판독보조장치 |
KR102165487B1 (ko) | 2020-01-31 | 2020-10-14 | 주식회사 에프앤디파트너스 | 비정형 피부질환 영상데이터를 활용한 피부 질환 판독 시스템 |
KR20210012097A (ko) * | 2019-07-23 | 2021-02-03 | 단국대학교 산학협력단 | 딥러닝에 기반한 당뇨망막병증 검출 및 증증도 분류장치 및 그 방법 |
KR20210014267A (ko) * | 2019-07-30 | 2021-02-09 | 주식회사 힐세리온 | 초음파 이미지상의 특징점들을 이용한 초음파 지방간 자동 진단 장치 및 이를 이용한 원격 의료 진단 방법 |
WO2022164215A1 (ko) * | 2021-01-28 | 2022-08-04 | (주) 제이엘케이 | 인공지능 기반 진단키트 검사 결과 이미지에서 비정형 이물질 배제를 통한 진단 검사 장치 및 방법 |
KR20230097743A (ko) | 2021-12-24 | 2023-07-03 | 주식회사 에프앤디파트너스 | 인공지능 기반의 피부질환 학습 및 진단장치 |
KR20230097726A (ko) | 2021-12-24 | 2023-07-03 | 주식회사 에프앤디파트너스 | 인공지능 딥러닝 기반의 피부질환 판별 장치 |
KR20230129662A (ko) | 2022-03-02 | 2023-09-11 | 주식회사 에프앤디파트너스 | 피부질환 학습을 이용한 피부질환 진단시스템 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10251621B2 (en) | 2010-07-19 | 2019-04-09 | Qview Medical, Inc. | Automated breast ultrasound equipment and methods using enhanced navigator aids |
US9826958B2 (en) | 2009-11-27 | 2017-11-28 | QView, INC | Automated detection of suspected abnormalities in ultrasound breast images |
US9439621B2 (en) | 2009-11-27 | 2016-09-13 | Qview, Medical Inc | Reduced image reading time and improved patient flow in automated breast ultrasound using enchanced, whole breast navigator overview images |
US10603007B2 (en) | 2009-11-27 | 2020-03-31 | Qview Medical, Inc. | Automated breast ultrasound equipment and methods using enhanced navigator aids |
KR20150098119A (ko) * | 2014-02-19 | 2015-08-27 | 삼성전자주식회사 | 의료 영상 내 거짓양성 병변후보 제거 시스템 및 방법 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8705834B2 (en) * | 2011-11-08 | 2014-04-22 | Perkinelmer Cellular Technologies Germany Gmbh | Methods and apparatus for image analysis using threshold compactness features |
-
2012
- 2012-08-03 KR KR1020120085401A patent/KR20140018748A/ko not_active Application Discontinuation
-
2013
- 2013-05-28 US US13/903,359 patent/US20140037159A1/en not_active Abandoned
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016117969A3 (ko) * | 2015-01-23 | 2016-09-22 | 김용한 | 병변 영상 분석을 통한 광 치료 장치,이에 이용되는 병변 영상 분석에 의한 병변 위치 검출방법 및 이를 기록한 컴퓨팅 장치에 의해 판독 가능한 기록 매체 |
US10525276B2 (en) | 2015-01-23 | 2020-01-07 | Ilooda Co., Ltd. | Light treatment device using lesion image analysis, method of detecting lesion position through lesion image analysis for use therein, and computing device-readable recording medium having the same recorded therein |
KR101580075B1 (ko) * | 2015-01-23 | 2016-01-21 | 김용한 | 병변 영상 분석을 통한 광 치료 장치, 이에 이용되는 병변 영상 분석에 의한 병변 위치 검출방법 및 이를 기록한 컴퓨팅 장치에 의해 판독 가능한 기록 매체 |
WO2017022882A1 (ko) * | 2015-08-06 | 2017-02-09 | 주식회사 루닛 | 의료 영상의 병리 진단 분류 장치 및 이를 이용한 병리 진단 시스템 |
US10013757B2 (en) | 2015-08-06 | 2018-07-03 | Lunit Inc. | Classification apparatus for pathologic diagnosis of medical image, and pathologic diagnosis system using the same |
WO2019168280A1 (ko) * | 2018-02-28 | 2019-09-06 | 이화여자대학교 산학협력단 | 뉴럴 네트워크를 이용하여 캡슐 내시경 영상으로부터 병변 판독 방법 및 장치 |
KR101992057B1 (ko) * | 2018-08-17 | 2019-06-24 | (주)제이엘케이인스펙션 | 혈관 투영 영상을 이용한 뇌질환 진단 방법 및 시스템 |
KR102015223B1 (ko) * | 2018-08-17 | 2019-10-21 | (주)제이엘케이인스펙션 | 3차원 자기공명영상과 다평면 혈관투영영상을 활용한 뇌질환 진단 방법 및 장치 |
WO2020141847A1 (ko) * | 2019-01-02 | 2020-07-09 | 울산대학교 산학협력단 | 피브린과침착증 진단 장치 및 방법 |
KR20200101540A (ko) | 2019-02-01 | 2020-08-28 | 장현재 | 피부 이미지 기반의 인공지능 딥러닝을 이용한 피부질환 판별용 api 엔진을 구성하는 스마트 피부질환 판별 플랫폼시스템 |
KR20200099633A (ko) | 2019-02-14 | 2020-08-25 | 재단법인 아산사회복지재단 | 영상의 질감 분석 방법 및 컴퓨터 프로그램 |
KR102041906B1 (ko) | 2019-03-06 | 2019-11-07 | 주식회사 에프앤디파트너스 | 안면피부촬영장치를 통해 촬영된 영상 이미지를 활용하여 피부질환을 판별하는 인공지능 기반의 안면 피부질환 판별용 api 엔진 |
KR20210012097A (ko) * | 2019-07-23 | 2021-02-03 | 단국대학교 산학협력단 | 딥러닝에 기반한 당뇨망막병증 검출 및 증증도 분류장치 및 그 방법 |
KR102097740B1 (ko) * | 2019-07-25 | 2020-04-06 | 주식회사 딥노이드 | 인공지능을 활용한 의료영상 자동 분류 및 표준화 시스템 및 그 구동방법 |
KR102097741B1 (ko) * | 2019-07-25 | 2020-04-06 | 주식회사 딥노이드 | 인공지능 학습용 의료 영상 데이터 정제 시스템 및 그 구동방법 |
KR102074406B1 (ko) * | 2019-07-25 | 2020-02-06 | 주식회사 딥노이드 | 영상 랜드마크 분류 장치 및 방법 |
KR20210014267A (ko) * | 2019-07-30 | 2021-02-09 | 주식회사 힐세리온 | 초음파 이미지상의 특징점들을 이용한 초음파 지방간 자동 진단 장치 및 이를 이용한 원격 의료 진단 방법 |
KR102097742B1 (ko) * | 2019-07-31 | 2020-04-06 | 주식회사 딥노이드 | 인공지능 기반의 의료영상 검색 시스템 및 그 구동방법 |
KR102162683B1 (ko) | 2020-01-31 | 2020-10-07 | 주식회사 에프앤디파트너스 | 비정형 피부질환 영상데이터를 활용한 판독보조장치 |
KR102165487B1 (ko) | 2020-01-31 | 2020-10-14 | 주식회사 에프앤디파트너스 | 비정형 피부질환 영상데이터를 활용한 피부 질환 판독 시스템 |
WO2021153858A1 (ko) * | 2020-01-31 | 2021-08-05 | 주식회사 에프앤디파트너스 | 비정형 피부질환 영상데이터를 활용한 판독보조장치 |
WO2022164215A1 (ko) * | 2021-01-28 | 2022-08-04 | (주) 제이엘케이 | 인공지능 기반 진단키트 검사 결과 이미지에서 비정형 이물질 배제를 통한 진단 검사 장치 및 방법 |
KR20230097743A (ko) | 2021-12-24 | 2023-07-03 | 주식회사 에프앤디파트너스 | 인공지능 기반의 피부질환 학습 및 진단장치 |
KR20230097726A (ko) | 2021-12-24 | 2023-07-03 | 주식회사 에프앤디파트너스 | 인공지능 딥러닝 기반의 피부질환 판별 장치 |
KR20230129662A (ko) | 2022-03-02 | 2023-09-11 | 주식회사 에프앤디파트너스 | 피부질환 학습을 이용한 피부질환 진단시스템 |
Also Published As
Publication number | Publication date |
---|---|
US20140037159A1 (en) | 2014-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20140018748A (ko) | 의료 영상에서 병변의 분석 장치 및 방법 | |
US10839510B2 (en) | Methods and systems for human tissue analysis using shearlet transforms | |
Moshavash et al. | An automatic and robust decision support system for accurate acute leukemia diagnosis from blood microscopic images | |
Al-Hafiz et al. | Red blood cell segmentation by thresholding and Canny detector | |
KR101932009B1 (ko) | 다중 객체 검출을 위한 영상 처리 장치 및 방법 | |
Madhloom et al. | An image processing application for the localization and segmentation of lymphoblast cell using peripheral blood images | |
Roy et al. | A Comparative study of Lung Cancer detection using supervised neural network | |
Chauhan et al. | Brain tumor detection and classification in MRI images using image and data mining | |
Rahman et al. | Automatic detection of white blood cells from microscopic images for malignancy classification of acute lymphoblastic leukemia | |
US20170367677A1 (en) | Analysis method for breast image and electronic apparatus using the same | |
Mussi et al. | A novel ear elements segmentation algorithm on depth map images | |
Liu et al. | Breast and pectoral muscle contours detection based on goodness of fit measure | |
Bharodiya et al. | An intelligent assistive algorithm for bone tumor detection from human X-ray images based on binary Blob analysis | |
Mayo et al. | Automatic evaluation of the image quality of a mammographic phantom | |
CN109872307B (zh) | 一种检测生物组织图像中肿块的方法、相应设备及介质 | |
Imad et al. | Automatic detection of bullet in human body based on X-Ray images using machine learning techniques | |
KR20190113351A (ko) | 머신러닝 알고리즘을 이용한 의료영상 분석장치 | |
Goudas et al. | An advanced image analysis tool for the quantification and characterization of breast cancer in microscopy images | |
Ruberto et al. | A leucocytes count system from blood smear images. | |
US11944486B2 (en) | Analysis method for breast image and electronic apparatus using the same | |
TW201701837A (zh) | 用於預測女性排卵期之唾液影像辨識方法 | |
Santamaria-Pang et al. | Cell segmentation and classification via unsupervised shape ranking | |
Ismail et al. | Detecting leukaemia (AML) blood cells using cellular automata and heuristic search | |
Linares et al. | Efficient segmentation of cell nuclei in histopathological images | |
US20200380671A1 (en) | Medical image detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
WITN | Application deemed withdrawn, e.g. because no request for examination was filed or no examination fee was paid |