KR20140093376A - 의료 영상을 이용하여 대상체에 악성 종양이 존재하는지 여부를 예측하는 장치 및 방법 - Google Patents

의료 영상을 이용하여 대상체에 악성 종양이 존재하는지 여부를 예측하는 장치 및 방법 Download PDF

Info

Publication number
KR20140093376A
KR20140093376A KR1020130005120A KR20130005120A KR20140093376A KR 20140093376 A KR20140093376 A KR 20140093376A KR 1020130005120 A KR1020130005120 A KR 1020130005120A KR 20130005120 A KR20130005120 A KR 20130005120A KR 20140093376 A KR20140093376 A KR 20140093376A
Authority
KR
South Korea
Prior art keywords
interest
pair
region
malignant tumor
medical image
Prior art date
Application number
KR1020130005120A
Other languages
English (en)
Other versions
KR102154733B1 (ko
Inventor
최충환
노용만
오도관
김대회
최재영
한우섭
Original Assignee
삼성전자주식회사
한국과학기술원
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 삼성전자주식회사, 한국과학기술원 filed Critical 삼성전자주식회사
Priority to KR1020130005120A priority Critical patent/KR102154733B1/ko
Priority to US14/031,093 priority patent/US9282929B2/en
Publication of KR20140093376A publication Critical patent/KR20140093376A/ko
Application granted granted Critical
Publication of KR102154733B1 publication Critical patent/KR102154733B1/ko

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
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47G—HOUSEHOLD OR TABLE EQUIPMENT
    • A47G19/00—Table service
    • A47G19/22—Drinking vessels or saucers used for table service
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4887—Locating particular structures in or on the body
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B30—PRESSES
    • B30B—PRESSES IN GENERAL
    • B30B12/00—Presses not provided for in groups B30B1/00 - B30B11/00
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65D—CONTAINERS FOR STORAGE OR TRANSPORT OF ARTICLES OR MATERIALS, e.g. BAGS, BARRELS, BOTTLES, BOXES, CANS, CARTONS, CRATES, DRUMS, JARS, TANKS, HOPPERS, FORWARDING CONTAINERS; ACCESSORIES, CLOSURES, OR FITTINGS THEREFOR; PACKAGING ELEMENTS; PACKAGES
    • B65D81/00—Containers, packaging elements, or packages, for contents presenting particular transport or storage problems, or adapted to be used for non-packaging purposes after removal of contents
    • B65D81/38—Containers, packaging elements, or packages, for contents presenting particular transport or storage problems, or adapted to be used for non-packaging purposes after removal of contents with thermal insulation
    • B65D81/3813—Containers, packaging elements, or packages, for contents presenting particular transport or storage problems, or adapted to be used for non-packaging purposes after removal of contents with thermal insulation rigid container being in the form of a box, tray or like container
    • B65D81/3818—Containers, packaging elements, or packages, for contents presenting particular transport or storage problems, or adapted to be used for non-packaging purposes after removal of contents with thermal insulation rigid container being in the form of a box, tray or like container formed with double walls, i.e. hollow
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound 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
    • G06T2207/30068—Mammography; Breast
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Mechanical Engineering (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

대상체의 제 1 의료 영상을 매스(mass)를 포함하는 적어도 하나의 제 1 관심 영역으로 분할하고, 대상체의 제 2 의료 영상을 매스를 포함하는 적어도 하나의 제 2 관심 영역으로 분할하는 분할부; 적어도 하나의 제 1 관심 영역과 적어도 하나의 제 2 관심 영역의 위치 정보를 기초로, 적어도 하나의 제 1 관심 영역으로부터 제 1 페어(pair) 관심 영역을 획득하고, 적어도 하나의 제 2 관심 영역으로부터 제 2 페어 관심 영역을 획득하는 관심 영역 페어링부; 제 1 페어 관심 영역과 제 2 페어 관심 영역으로부터 제 1 페어 관심 영역과 제 2 페어 관심 영역의 유사 정도를 나타내는 적어도 하나의 유사 특징을 추출하는 특징 추출부; 및 추출된 적어도 하나의 유사 특징을 기초로, 제 1 페어 관심 영역과 제 2 페어 관심 영역에 포함된 매스가 악성 종양인지 여부를 나타내는 악성 종양 정보를 생성하는 분류부를 포함하는 것을 특징으로 하는 본 발명의 일 실시예에 따른 악성 종양 예측 장치가 개시된다.

Description

의료 영상을 이용하여 대상체에 악성 종양이 존재하는지 여부를 예측하는 장치 및 방법{APPARATUS AND METHOD FOR ESTIMATING WHETHER MALIGNANT TUMOR IS IN OBJECT BY USING MEDICAL IMAGE}
본 발명은 의료 영상을 이용하여 대상체에 악성 종양이 존재하는지 여부를 예측하는 장치 및 방법에 관한 것이다. 보다 구체적으로, 본 발명은 대상체의 제 1 의료 영상 및 제 2 의료 영상을 분석하여 대상체에 악성 종양이 존재하는지 여부를 예측하는 장치 및 방법에 관한 것이다.
유방암은 여성의 일생동안 8%를 넘는 확률로 발생한다. 현재 유방암을 조기에 진단할 수 있는 가장 효과적인 방법은 X-ray를 이용한 마모그래피(mammography) 영상을 통해 유방암을 검사하는 것이다.
마모그래피 영상은 덩어리 형태의 매스(mass)를 포함할 수 있으며, 검사자는 마모그래피 영상에 포함된 매스를 검출하고, 검출된 매스가 양성인지 악성인지를 판단한다.
마모그래피 영상의 분석의 정확도는 검사자의 경험 또는 지식에 의존하게 되고, 잘 훈련된 검사자의 경우 65 내지 75%의 확률의 정확도를 갖는다.
마모그래피 영상을 분석하여, 마모그래피 영상 내 악성 종양이 존재하는지 여부를 판단하는 장치를 컴퓨터 보조 진단 시스템(Computer-aided Diagnosis, CADx)이라 하며, 검사자가 이 컴퓨터 보조 진단 시스템의 도움을 받는 경우, 분석의 정확도는 향상될 수 있다.
따라서, 마모그래피 영상의 분석의 정확도를 향상시키기 위한 효율적인 컴퓨터 보조 진단 시스템이 요구된다.
본 발명의 일 실시예에 따른 악성 종양 예측 장치 및 방법은 대상체의 제 1 의료 영상과 제 2 의료 영상을 함께 분석하여 대상체에 악성 종양이 존재하는지를 예측함으로써, 악성 종양의 예측의 정확도를 향상시키는 것을 목적으로 한다.
본 발명의 일 실시예에 따른 악성 종양 예측 장치는,
대상체의 제 1 의료 영상을 매스(mass)를 포함하는 적어도 하나의 제 1 관심 영역으로 분할하고, 상기 대상체의 제 2 의료 영상을 매스를 포함하는 적어도 하나의 제 2 관심 영역으로 분할하는 분할부; 상기 적어도 하나의 제 1 관심 영역과 상기 적어도 하나의 제 2 관심 영역의 위치 정보를 기초로, 상기 적어도 하나의 제 1 관심 영역으로부터 제 1 페어(pair) 관심 영역을 획득하고, 상기 적어도 하나의 제 2 관심 영역으로부터 제 2 페어 관심 영역을 획득하는 관심 영역 페어링부; 상기 제 1 페어 관심 영역과 상기 제 2 페어 관심 영역으로부터 상기 제 1 페어 관심 영역과 상기 제 2 페어 관심 영역의 유사 정도를 나타내는 적어도 하나의 유사 특징을 추출하는 특징 추출부; 및 상기 추출된 적어도 하나의 유사 특징을 기초로, 상기 제 1 페어 관심 영역과 상기 제 2 페어 관심 영역에 포함된 매스가 악성 종양인지 여부를 나타내는 악성 종양 정보를 생성하는 분류부를 포함할 수 있다.
상기 관심 영역 페어링부는, 상기 대상체의 동일한 위치에 존재하는 제 1 페어 관심 영역과 제 2 페어 관심 영역을 획득할 수 있다.
상기 분류부는, 상기 추출된 적어도 하나의 유사 특징을 복수의 그룹으로 나누고, 상기 분류부는, 상기 복수의 그룹 각각에 포함된 유사 특징을 분석하여 상기 제 1 페어 관심 영역과 제 2 페어 관심 영역에 포함된 매스가 악성 종양인지 여부를 나타내는 복수의 악성 종양 예비 정보를 생성하는 복수의 제 1 분류부; 및 상기 복수의 악성 종양 예비 정보 및 상기 복수의 제 1 분류부 각각의 신뢰도를 조합하여 상기 악성 종양 정보를 생성하는 제 2 분류부를 포함할 수 있다.
상기 복수의 제 1 분류부 각각의 신뢰도는, 상기 복수의 제 1 분류부의 학습 단계에서 결정될 수 있다.
상기 분류부는, 상기 추출된 적어도 하나의 유사 특징으로부터 상기 제 1 페어 관심 영역과 제 2 페어 관심 영역 사이의 유사도를 결정하고, 상기 유사도가 소정 기준값보다 크면, 상기 제 1 페어 관심 영역과 제 2 페어 관심 영역에 포함된 매스를 악성 종양으로 결정할 수 있다.
상기 악성 종양 예측 장치는, 상기 제 1 의료 영상 및 제 2 의료 영상의 컨트라스트 또는 명암을 조절하기 위해 상기 제 1 의료 영상 및 제 2 의료 영상을 전처리하는 전처리부를 더 포함할 수 있다.
상기 특징 추출부는, 상기 적어도 하나의 제 1 관심 영역 중 상기 제 1 페어 관심 영역을 제외한 제 1 논-페어(non-fair) 관심 영역으로부터 적어도 하나의 제 1 특징을 추출하고, 상기 적어도 하나의 제 2 관심 영역 중 상기 제 2 페어 관심 영역을 제외한 제 2 논-페어 관심 영역으로부터 적어도 하나의 제 2 특징을 추출하며, 상기 분류부는, 상기 적어도 하나의 제 1 특징을 기초로 상기 제 1 논-페어 관심 영역에 포함된 매스가 악성 종양인지 여부를 판단하고, 상기 적어도 하나의 제 2 특징을 기초로 상기 제 2 논-페어 관심 영역에 포함된 매스가 악성 종양인지 여부를 판단할 수 있다.
상기 악성 종양 예측 장치는, 상기 제 1 논-페어 관심 영역에 포함된 매스가 악성 종양으로 판단된 경우, 상기 제 1 의료 영상 중 상기 제 1 논-페어 관심 영역에 대응하는 부분에 제 1 표시를 하고, 상기 제 2 논-페어 관심 영역에 포함된 매스가 악성 종양으로 판단된 경우, 상기 제 2 의료 영상 중 상기 제 2 논-페어 관심 영역에 대응하는 부분에 상기 제 1 표시를 하며, 상기 제 1 페어 관심 영역과 상기 제 2 페어 관심 영역에 포함된 매스가 악성 종양으로 판단된 경우, 상기 제 1 의료 영상과 제 2 의료 영상 중 상기 제 1 페어 관심 영역과 제 2 페어 관심 영역에 각각 대응하는 부분에 상기 제 1 표시와 상이한 제 2 표시를 하는 디스플레이부를 더 포함할 수 있다.
상기 제 1 의료 영상은 유방에 대한 CC(Cranio-caudal) 영상을 포함하고, 상기 제 2 의료 영상은 유방에 대한 MLO(Mediolateral oblique) 영상을 포함할 수 있다.
상기 관심 영역 페어링부는, 상기 적어도 하나의 제 1 관심 영역의 위치 정보를 상기 CC 영상 내 유두와 상기 적어도 하나의 제 1 관심 영역 사이의 위치 관계를 이용하여 획득하고, 상기 적어도 하나의 제 2 관심 영역의 위치 정보를 상기 MLO 영상 내 유두와 상기 적어도 하나의 제 2 관심 영역 사이의 위치 관계를 이용하여 획득할 수 있다.
본 발명의 다른 실시예에 따른 악성 종양 예측 방법은,
악성 종양 예측 장치에 의한 악성 종양 예측 방법에 있어서, 대상체의 제 1 의료 영상을 매스(mass)를 포함하는 적어도 하나의 제 1 관심 영역으로 분할하고, 상기 대상체의 제 2 의료 영상을 매스를 포함하는 적어도 하나의 제 2 관심 영역으로 분할하는 단계; 상기 적어도 하나의 제 1 관심 영역과 상기 적어도 하나의 제 2 관심 영역의 위치 정보를 기초로, 상기 적어도 하나의 제 1 관심 영역으로부터 제 1 페어(pair) 관심 영역을 획득하고, 상기 적어도 하나의 제 2 관심 영역으로부터 제 2 페어 관심 영역을 획득하는 단계; 상기 제 1 페어 관심 영역과 상기 제 2 페어 관심 영역으로부터 상기 제 1 페어 관심 영역과 상기 제 2 페어 관심 영역의 유사 정도를 나타내는 적어도 하나의 유사 특징을 추출하는 단계; 및 상기 추출된 적어도 하나의 유사 특징을 기초로, 상기 제 1 페어 관심 영역과 상기 제 2 페어 관심 영역에 포함된 매스가 악성 종양인지 여부를 나타내는 악성 종양 정보를 생성하는 단계를 포함할 수 있다.
상기 제 1 페어 관심 영역과 상기 제 2 페어 관심 영역을 획득하는 단계는, 상기 대상체의 동일한 위치에 존재하는 제 1 페어 관심 영역과 제 2 페어 관심 영역을 획득하는 단계를 포함할 수 있다.
상기 악성 종양 정보를 생성하는 단계는, 상기 추출된 적어도 하나의 유사 특징을 복수의 그룹으로 나누는 단계; 상기 악성 종양 예측 장치에 포함된 복수의 제 1 분류부 각각이, 상기 복수의 그룹 각각에 포함된 유사 특징을 분석하여 상기 제 1 페어 관심 영역과 제 2 페어 관심 영역에 포함된 매스가 악성 종양인지 여부를 나타내는 복수의 악성 종양 예비 정보를 생성하는 단계; 및 상기 악성 종양 예측 장치에 포함된 제 2 분류부가, 상기 복수의 악성 종양 예비 정보 및 상기 복수의 제 1 분류부 각각의 신뢰도를 조합하여 상기 악성 종양 정보를 생성하는 단계를 포함할 수 있다.
상기 복수의 제 1 분류부 각각의 신뢰도는, 상기 복수의 제 1 분류부의 학습 단계에서 결정될 수 있다.
상기 악성 종양 정보를 생성하는 단계는, 상기 추출된 적어도 하나의 유사 특징으로부터 상기 제 1 페어 관심 영역과 제 2 페어 관심 영역 사이의 유사도를 결정하는 단계; 및 상기 유사도가 소정 기준값보다 크면, 상기 제 1 페어 관심 영역과 제 2 페어 관심 영역에 포함된 매스를 악성 종양으로 결정하는 단계를 포함할 수 있다.
상기 악성 종양 예측 방법은, 상기 제 1 의료 영상 및 제 2 의료 영상의 컨트라스트 또는 명암을 조절하기 위해 상기 제 1 의료 영상 및 제 2 의료 영상을 전처리하는 단계를 더 포함할 수 있다.
상기 악성 종양 예측 방법은, 상기 적어도 하나의 제 1 관심 영역 중 상기 제 1 페어 관심 영역을 제외한 제 1 논-페어(non-fair) 관심 영역으로부터 적어도 하나의 제 1 특징을 추출하고, 상기 적어도 하나의 제 2 관심 영역 중 상기 제 2 페어 관심 영역을 제외한 제 2 논-페어 관심 영역으로부터 적어도 하나의 제 2 특징을 추출하는 단계; 상기 적어도 하나의 제 1 특징을 기초로 상기 제 1 논-페어 관심 영역에 포함된 매스가 악성 종양인지 여부를 판단하고, 상기 적어도 하나의 제 2 특징을 기초로 상기 제 2 논-페어 관심 영역에 포함된 매스가 악성 종양인지 여부를 판단하는 단계를 더 포함할 수 있다.
상기 악성 종양 예측 방법은, 상기 제 1 논-페어 관심 영역에 포함된 매스가 악성 종양으로 판단된 경우, 상기 제 1 의료 영상 중 상기 제 1 논-페어 관심 영역에 대응하는 부분에 제 1 표시를 하고, 상기 제 2 논-페어 관심 영역에 포함된 매스가 악성 종양으로 판단된 경우, 상기 제 2 의료 영상 중 상기 제 2 논-페어 관심 영역에 대응하는 부분에 상기 제 1 표시를 하는 단계; 및 상기 제 1 페어 관심 영역과 상기 제 2 페어 관심 영역에 포함된 매스가 악성 종양으로 판단된 경우, 상기 제 1 의료 영상과 제 2 의료 영상 중 상기 제 1 페어 관심 영역과 제 2 페어 관심 영역에 각각 대응하는 부분에 상기 제 1 표시와 상이한 제 2 표시를 하는 단계를 포함할 수 있다.
상기 제 1 의료 영상은 유방에 대한 CC(Cranio-caudal) 영상을 포함하고, 상기 제 2 의료 영상은 유방에 대한 MLO(Mediolateral oblique) 영상을 포함할 수 있다.
상기 적어도 하나의 제 1 관심 영역의 위치 정보는 상기 CC 영상 내 유두와 상기 적어도 하나의 제 1 관심 영역 사이의 위치 관계를 이용하여 획득되고, 상기 적어도 하나의 제 2 관심 영역의 위치 정보는 상기 MLO 영상 내 유두와 상기 적어도 하나의 제 2 관심 영역 사이의 위치 관계를 이용하여 획득될 수 있다.
상기 악성 종양 예측 방법을 실행하기 위한 컴퓨터 프로그램이 컴퓨터로 판독 가능한 기록매체에 기록될 수 있다.
도 1은 CC 영상 및 MLO 영상을 이용하여 대상체에 악성 종양이 존재하는지 여부를 예측하는 종래의 컴퓨터 보조 진단 시스템의 구성을 도시하는 도면이다.
도 2는 본 발명의 일 실시예에 따른 악성 종양 예측 장치의 구성을 도시하는 블록도이다.
도 3은 본 발명의 다른 실시예에 따른 악성 종양 예측 장치의 구성을 도시하는 블록도이다.
도 4(a)는 CC 영상에 표시된 제 1 관심 영역을 도시하는 도면이고, 도 4(b)는 MLO 영상에 표시된 제 2 관심 영역을 도시하는 도면이다.
도 5는 본 발명의 일 실시예에 따른 악성 종양 예측 장치에 있어서, 제 1 페어 관심 영역과 제 2 페어 관심 영역으로부터 추출된 유사 특징의 종류를 나타내는 도면이다.
도 6은 본 발명의 일 실시예에 따른 악성 종양 예측 장치에 있어서, 디스플레이부에 디스플레이된 CC 영상과 MLO 영상을 도시하는 도면이다.
도 7은 본 발명의 일 실시예에 따른 악성 종양 예측 장치와 종래의 컴퓨터 보조 진단 시스템의 효과의 차이를 설명하기 위한 그래프도이다.
도 8은 본 발명의 다른 실시예에 따른 악성 종양 예측 방법의 순서를 도시하는 순서도이다.
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.
본 실시예에서 사용되는 '부'라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, '부'는 어떤 역할들을 수행한다. 그렇지만 '부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 '부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '부'들로 결합되거나 추가적인 구성요소들과 '부'들로 더 분리될 수 있다.
한편, 본 명세서에서 "대상체(object)"는 신체 또는 동물의 일부를 포함할 수 있다. 예를 들어, 대상체는 간, 심장, 자궁, 뇌, 유방, 복부 등의 장기, 또는 혈액을 포함될 수 있다.
또한, 본 명세서에서 "의료 영상"은 X-ray 영상뿐만 아니라, 초음파 영상, CT 영상, MRI 영상 등을 포함할 수 있다.
도 1은 CC 영상 및 MLO 영상을 이용하여 대상체에 악성 종양이 존재하는지를 예측하는 종래의 컴퓨터 보조 진단 시스템의 구성을 도시하는 도면이다.
도 1을 참조하면, 종래의 컴퓨터 보조 진단 시스템의 분할부(11)는 CC 영상과 MLO 영상 각각을 매스를 포함하는 관심 영역으로 분할하고, 특징 추출부(13)는 CC 영상의 관심 영역과 MLO 영상의 관심 영역으로부터 복수의 특징을 추출한다.
특징 선택부(15)는 CC 영상으로부터 추출된 복수의 특징과 MLO 영상으로부터 추출된 복수의 특징 중 CC 영상과 MLO 영상에 공통적으로 포함된 특징을 선택하고, 분류부(17)는 선택된 특징을 분석하여 대상체에 악성 종양이 존재하는지를 판단한다.
도 1에 도시된 컴퓨터 보조 진단 시스템에 의하면, 특징 선택부(15)는 CC 영상으로부터 추출된 복수의 특징과 MLO 영상으로부터 추출된 복수의 특징 중 CC 영상과 MLO 영상에 공통적으로 포함된 특징만을 선택하므로, CC 영상과 MLO 영상 각각에 포함된 복수의 특징들 중 대상체에 악성 종양이 존재하는지를 판단하는데 적합한 최적의 특징이 선택되지 않을 수 있다. 이에 의해, 악성 종양의 예측의 정확도가 감소한다는 문제점이 존재한다.
도 2는 본 발명의 일 실시예에 따른 악성 종양 예측 장치(200)의 구성을 도시하는 블록도이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 악성 종양 예측 장치(200)는 분할부(210), 관심 영역 페어링부(220), 특징 추출부(230) 및 분류부(240)를 포함할 수 있다. 분할부(210), 관심 영역 페어링부(220), 특징 추출부(230) 및 분류부(240)는 마이크로 프로세서로 구성될 수 있다.
도 2는 분할부(210)를 2개로 도시하고 있지만, 이 2개의 분할부(210)가 하나의 모듈로 구성될 수 있다는 것은 당업자에게 자명할 것이다.
먼저, 대상체의 제 1 의료 영상과 제 2 의료 영상은 분할부(210)에 입력된다. 제 1 의료 영상과 제 2 의료 영상은 메모리부(미도시)에 저장된 영상일 수 있다. 또는, 도 2에는 도시되어 있지 않지만, 제 1 의료 영상과 제 2 의료 영상은 악성 종양 예측 장치(200)에 포함된 영상 획득부에 의해 획득될 수도 있다.
제 1 의료 영상과 제 2 의료 영상은 대상체를 서로 다른 방향에서 촬영한 영상일 수 있으며, 구체적으로, 제 1 의료 영상은 유방에 대한 CC(Cranio-caudal) 영상을 포함하고, 제 2 의료 영상은 유방에 대한 MLO(Mediolateral oblique) 영상을 포함할 수 있다.
분할부(210)는 제 1 의료 영상을 매스를 포함하는 적어도 하나의 제 1 관심 영역으로 분할하고, 제 2 의료 영상을 매스를 포함하는 적어도 하나의 제 2 관심 영역으로 분할한다.
매스를 포함하는 적어도 하나의 제 1 관심 영역 및 적어도 하나의 제 2 관심 영역은 주변 영역에 비해 더 밝은 영역이고, 거의 일정한 밀도(density)를 가지며, 다양한 크기를 가진 일정한 모양을 가질 수 있다.
적어도 하나의 제 1 관심 영역과 적어도 하나의 제 2 관심 영역은 매스로 의심되는 영역을 포함할 수 있으며, FP인 매스도 포함할 수 있다. 이는, 분할부(210)가 검출하지 못한 매스는 차후에 분석 대상에 포함되지 않기 때문이다. 한편, 본 명세서에서, TP(true positive)는 악성 종양 예측 장치(200)가 악성 종양이라고 판단한 매스가 실제 악성 종양인 경우이고, FP(false positive)는 악성 종양 예측 장치(200)가 악성 종양이라고 판단한 매스가 실제 양성 종양인 경우를 의미한다.
도 4(a)는 CC 영상에 표시된 제 1 관심 영역을 도시하는 도면이고, 도 4(b)는 MLO 영상에 표시된 제 2 관심 영역을 도시하는 도면이다.
도 4(a)를 참조하면, 분할부(210)는 제 1 의료 영상인 CC 영상을 4개의 제 1 관심 영역(R1, R2, R3, R4)으로 분할할 수 있다. 또한, 도 4(b)를 참조하면, 분할부(210)는 제 2 의료 영상인 MLO 영상을 4개의 제 2 관심 영역(R5, R6, R7, R8)으로 분할할 수 있다. 도 4(a) 및 도 4(b)는 각각 4개의 관심 영역을 도시하고 있지만, 다양한 숫자의 관심 영역들이 제 1 의료 영상과 제 2 의료 영상에 포함될 수 있다는 것은 당업자에게 자명할 것이다.
분할부(210)는 퍼지 테크닉(fuzzy technique), 양방향 이미지 추출(bilateral image subtraction) 또는 멀티스케일 테크닉(multiscale technique) 등의 기술을 이용하여 제 1 의료 영상과 제 2 의료 영상을 관심 영역으로 분할할 수 있다. 퍼지 테크닉, 양방향 이미지 추출 및 멀티스케일 테크닉은 당업자에게 자명한 사항이므로, 본 명세서에서 자세한 설명은 생략한다.
또한, 분할부(210)는 적어도 하나의 제 1 관심 영역 각각의 제 1 의료 영상 내에서의 위치 정보를 획득할 수 있고, 적어도 하나의 제 2 관심 영역 각각의 제 2 의료 영상 내에서의 위치 정보를 획득할 수도 있다. 예를 들어, 분할부(210)는, 적어도 하나의 제 1 관심 영역의 위치 정보를 CC 영상 내 유두와 적어도 하나의 제 1 관심 영역 사이의 위치 관계를 이용하여 획득하고, 적어도 하나의 제 2 관심 영역의 위치 정보를 MLO 영상 내 유두와 적어도 하나의 제 2 관심 영역 사이의 위치 관계를 이용하여 획득할 수 있다.
관심 영역 페어링부(220)는 적어도 하나의 제 1 관심 영역의 위치 정보와 적어도 하나의 제 2 관심 영역의 위치 정보를 기초로, 적어도 하나의 제 1 관심 영역으로부터 제 1 페어 관심 영역을 획득하고, 적어도 하나의 제 2 관심 영역으로부터 제 2 페어 관심 영역을 획득할 수 있다.
구체적으로, 관심 영역 페어링부(220)는 대상체의 동일한 위치에 존재하는 제 1 페어 관심 영역과 제 2 페어 관심 영역을 획득할 수 있다. 대상체의 동일한 위치에 존재한다는 것은, 대상체의 소정 부위 또는 영역을 공통적으로 포함한다는 것을 의미할 수 있으며, 대상체의 동일한 매스를 포함한다는 것을 의미할 수도 있다. 적어도 하나의 제 1 관심 영역 중 제 1 페어 관심 영역을 제외한 관심 영역을 제 1 논-페어 관심 영역이라 하고, 적어도 하나의 제 2 관심 영역 중 제 2 페어 관심 영역을 제외한 관심 영역을 제 2 논-페어 관심 영역이라 한다.
도 4를 참조하면, 관심 영역 페어링부(220)는 CC 영상에 포함된 제 1 관심 영역들(R1, R2, R3, R4)과 MLO 영상에 포함된 제 2 관심 영역(R5, R6, R7, R8) 중 R1으로 참조된 제 1 관심 영역과 R5로 참조된 제 2 관심 영역을 각각 제 1 페어 관심 영역과 제 2 페어 관심 영역으로 획득할 수 있다. CC 영상과 MLO 영상에 포함된 다른 관심 영역들, 즉 R2, R3, R4는 제 1 논-페어 관심 영역이 될 것이고, R6, R7, R8은 제 2 논-페어 관심 영역이 될 것이다.
특징 추출부(230)는 제 1 페어 관심 영역과 제 2 페어 관심 영역으로부터 제 1 페어 관심 영역과 제 2 페어 관심 영역의 유사 정도를 나타내는 적어도 하나의 유사 특징을 추출한다. 유사 특징은 제 1 페어 관심 영역과 제 2 페어 관심 영역의 모양(shape), 크기(size), 밀도(density), 경계선의 평탄도(smoothness of border) 사이의 유사 정도 또는 차이를 나타내는 특징이다. 유사 특징의 종류는 도 5에 도시되어 있다.
유사 특징의 추출은 주성분 분석(principle component analysis), 선형 식별 분석(linear discriminate analysis) 또는 GA 알고리즘(genetic algorithm) 등에 의해 수행될 수 있다. 주성분 분석, 선형 식별 분석 또는 GA 알고리즘은 당업자에게 자명한 사항이므로, 본 명세서에서 상세한 설명은 생략한다.
분류부(240)는 특징 추출부(230)가 추출한 적어도 하나의 유사 특징을 기초로, 제 1 페어 관심 영역과 제 2 페어 관심 영역에 포함된 매스가 악성 종양인지 여부를 나타내는 악성 종양 정보를 생성한다. 악성 종양 정보는 의료 영상에 포함된 매스가 악성 종양인지, 양성 종양인지에 대한 판단 결과 및, 판단 결과에 대한 확률을 포함할 수 있다.
분류부(240)는 특징 추출부(230)가 추출한 적어도 하나의 유사 특징으로부터 제 1 페어 관심 영역과 제 2 페어 관심 영역 사이의 유사도를 결정하고, 결정된 유사도가 소정 기준값보다 크면, 제 1 페어 관심 영역과 제 2 페어 관심 영역에 포함된 매스를 악성 종양으로 결정할 수 있다. 적어도 하나의 유사 특징으로부터 결정되는 유사도는 다양한 방법으로 획득될 수 있으며, 예를 들어, 도 5에 도시된 각각의 유사 특징에 일정 범위의 값을 할당하고, 제 1 페어 관심 영역과 제 2 페어 관심 영역으로부터 추출된 유사 특징에 대응하는 값들을 합하여 유사도를 결정할 수도 있다. 또한, 분류부(240)는 제 1 페어 관심 영역과 제 2 페어 관심 영역 사이의 유사도의 크기에 따라 판단 결과에 대한 확률을 결정할 수도 있다. 예를 들어, 분류부(240)가 0.5 이상의 유사도에 대해 악성 종양이라 판단한다면, 유사도가 0.5보다 클수록 판단 결과에 대한 확률을 증가시킬 수 있다.
본 발명의 일 실시예에 따른 악성 종양 예측 장치(200)는 제 1 의료 영상과 제 2 의료 영상에 각각 포함된 제 1 페어 관심 영역과 제 2 페어 관심 영역이 TP-TP (true positive-true positive)인 경우에 두 영역 사이의 특징이 매우 유사하다는 것을 근거로 하고 있다. 즉, TP-TP인 경우의 유사도는, TP-FP, FP-FP인 경우의 유사도보다 크다.
본 발명의 일 실시예에 따른 악성 종양 장치는 제 1 의료 영상과 제 2 의료 영상에 각각 포함된 관심 영역들을 페어링하고, 페어링된 관심 영역 사이의 유사 특징을 추출하여 대상체에 악성 종양이 존재하는지를 판단하므로, 제 1 의료 영상과 제 2 의료 영상 각각으로부터 독립적으로 특징들을 추출하고, 추출된 특징을 분석하는 종래의 컴퓨터 보조 진단 시스템에 비해 향상된 정확도를 제공할 수 있다.
도 3은 본 발명의 다른 실시예에 따른 악성 종양 예측 장치(300)의 구성을 도시하는 블록도이다.
도 3에 도시된 악성 종양 예측 장치(300)는, 전처리부(305), 분할부(310), 관심 영역 페어링부(320), 특징 추출부(330), 복수의 제 1 분류부(342), 제 2 분류부(344) 및 디스플레이부(350)를 포함할 수 있다.
도 3에는 전처리부(305), 분할부(310) 및 제 1 분류부(342)가 복수 개로 도시되어 있지만, 각각 하나의 모듈로 구성되어 기능을 수행할 수 있다는 것은 당업자에게 자명할 것이다.
전처리부(305)는 대상체에 대한 제 1 의료 영상과 제 2 의료 영상을 입력받아 제 1 의료 영상과 제 2 의료 영상을 전처리한다. 전처리의 목적은 제 1 의료 영상과 제 2 의료 영상에 포함된 매스 등과 주변 배경 사이의 밝기 차이를 강조하여, 대상체의 조직 구조를 잘 나타내기 위함이다. 전처리부(305)는 제 1 의료 영상과 제 2 의료 영상의 컨트라스트(contrast) 또는 명암(brightness)를 조절하여 제 1 의료 영상과 제 2 의료 영상에 표시된 대상체의 구조를 명확하게 나타낼 수 있다.
도 3에 도시된 분할부(310), 관심 영역 페어링부(320) 및 특징 추출부(330)는 도 2를 참조하여 설명하였으므로, 여기에서는 상세한 설명을 생략한다.
분류부(340)는 복수의 제 1 분류부(342)와 제 2 분류부(344)를 포함할 수 있다. 먼저, 분류부(340)는 특징 추출부(330)가 추출한 적어도 하나의 유사 특징들을 복수의 그룹으로 나눈다. 각 그룹에는 적어도 하나의 유사 특징들 중 서로 다른 특징이 포함될 수 있고, 공통된 특징이 중복하여 포함될 수도 있다.
각 그룹에 포함된 유사 특징은 복수의 제 1 분류부(342) 각각에 입력된다. 제 1 분류부(342)는 입력된 유사 특징을 분석하여 제 1 페어 관심 영역과 제 2 페어 관심 영역에 포함된 매스가 악성 종양인지를 나타내는 악성 종양 예비 정보를 생성한다. 악성 종양 예비 정보는 제 1 페어 관심 영역 및 제 2 페어 관심 영역에 포함된 매스가 악성 종양인지, 양성 종양인지 여부에 대한 판단 결과 및 판단 결과에 대한 확률을 포함할 수 있다.
제 2 분류부(344)는 복수의 제 1 분류부(342)로부터 생성된 복수의 악성 종양 예비 정보 및 복수의 제 1 분류부(342) 각각의 신뢰도를 조합하여 악성 종양 정보를 생성한다.
복수의 제 1 분류부(342) 각각의 신뢰도는 복수의 제 1 분류부(342)의 학습 단계에서 결정될 수 있다.
분류부에 대한 학습이란, 악성 종양인지 여부에 대한 결과를 알고 있는 유사 특징을 분류부에 입력하여 분류부의 판단 결과를 획득한 후, 분류부가 정확한 판단 결과를 내리도록 분류부의 파라미터 등을 변화시키는 것을 의미한다. 분류부에 대한 학습은 복수 회에 걸쳐 반복적으로 수행될 수 있다.
본 발명의 일 실시예에 따른 악성 종양 예측 장치(300)는 N개(N은 1보다 큰 자연수)의 분류부를 학습하여 각 분류부의 에러율을 계산하고, 계산된 에러율을 기초로 M개(M은 N보다 작은 자연수)의 분류부를 복수의 제 1 분류부(342)로 선택할 수 있다. 복수의 제 1 분류부(342) 각각의 신뢰도는 복수의 제 1 분류부(342) 각각의 에러율에 기초하여 획득될 수 있다.
제 2 분류부(344)는 복수의 제 1 분류부(342)의 판단 결과 및 판단 결과에 대한 확률에 복수의 제 1 분류부(342) 각각의 신뢰도를 가중치로 곱하여 악성 종양 정보를 생성할 수 있다.
예를 들어, 분류부의 판단 결과가 0 내지 1의 수치로 도출되고, 0은 악성 종양일 확률 0%, 1은 악성 종양일 확률 100%를 의미하는 경우, 신뢰도가 0.25인 제 1-1 분류부의 판단 결과가 0.4, 신뢰도가 0.3인 제 1-2 분류부의 판단 결과가 0.8, 신뢰도가 0.35인 제 1-3 분류부의 판단 결과가 0.7이면, 제 2 분류부(344)는 (0.25 * 0.4) + (0.3 * 0.8) + (0.35 * 0.7)로 악성 종양 정보를 생성할 수 있다.
도 2에서는 설명하지 않았지만, 도 3에 도시된 특징 추출부(330)는 제 1 의료 영상의 제 1 논-페어링 관심 영역과 제 2 의료 영상의 제 2 논-페어링 관심 영역 각각으로부터 특징을 추출할 수 있다. 분류부(340)는 추출된 특징을 분석하여, 제 1 논-페어링 관심 영역에 포함된 매스가 악성 종양인지 여부 및 제 2 논-페어링 관심 영역에 포함된 매스가 악성 종양인지 여부를 결정할 수 있다.
디스플레이부(350)는 제 1 의료 영상과 제 2 의료 영상에서 악성 종양으로 판단된 매스에 소정의 표시를 하여 검사자가 악성 종양이 존재하는 영역을 쉽게 식별할 수 있게 한다.
디스플레이부(350)는 제 1 논-페어 관심 영역에 포함된 매스가 악성 종양으로 판단된 경우, 제 1 의료 영상 중 제 1 논-페어 관심 영역에 대응하는 부분에 제 1 표시를 하고, 제 2 논-페어 관심 영역에 포함된 매스가 악성 종양으로 판단된 경우, 제 2 의료 영상 중 제 2 논-페어 관심 영역에 대응하는 부분에 제 1 표시를 할 수 있다. 또한, 디스플레이부(350)는 제 1 페어 관심 영역과 제 2 페어 관심 영역에 포함된 매스가 악성 종양으로 판단된 경우, 제 1 의료 영상과 제 2 의료 영상 중 제 1 페어 관심 영역과 제 2 페어 관심 영역에 각각 대응하는 부분에 제 1 표시와 상이한 제 2 표시를 할 수 있다.
도 6은 본 발명의 일 실시예에 따른 악성 종양 예측 장치(200)에 있어서, 디스플레이부(350)에 디스플레이된 CC 영상과 MLO 영상을 도시하는 도면이다.
도 6을 참조하면, 디스플레이부(350)는 악성 종양으로 판단된 매스를 포함하는 제 1 논-페어 관심 영역과 제 2 논-페어 관심 영역에 별 모양의 표시(610)를 하고, 악성 종양으로 판단된 매스를 포함하는 제 1 페어 관심 영역과 제 2 페어 관심 영역에 네모 모양의 표시(620)를 할 수 있다.
서로 페어링된 관심 영역에 포함된 매스가 악성 종양으로 판단될 경우, 해당 매스가 TP일 확률이 매우 높으므로, 페어링되지 않은 관심 영역에 대한 표시와 다른 표시를 페어링된 관심 영역에 함으로써, 검사자가 악성 종양일 확률이 높은 영역을 쉽게 식별할 수 있게 하기 위함이다.
도 7은 본 발명의 일 실시예에 따른 악성 종양 예측 장치(200)와 종래의 컴퓨터 보조 진단 시스템의 효과 차이를 설명하기 위한 그래프도이다.
도 7은 본 발명의 일 실시예에 따른 악성 종양 예측 장치(200)의 ROC(receiver operating characterisice) 커브(a)와 종래의 컴퓨터 보조 진단 시스템의 ROC 커브(b)를 도시하고 있으며, ROC 커브는 FP 비율에 대한 TP 비율로 표현된다. ROC 커브에서, 커브 하부의 넓이(area under the ROC, AUC)가 넓을수록 의료 영상의 분석의 정확성이 우수하다는 것을 의미한다.
도 7을 참조하면, 본 발명의 따른 악성 종양 예측 장치(200)의 AUC가 종래 컴퓨터 보조 진단 시스템의 AUC보다 넓으므로, 그 정확도가 우수하다는 것을 알 수 있다.
도 8은 본 발명의 다른 실시예에 따른 악성 종양 예측 방법의 순서를 도시하는 순서도이다. 도 8을 참조하면, 본 발명의 다른 실시예에 따른 악성 종양 예측 방법은 도 2에 도시된 악성 종양 예측 장치(200)에서 시계열적으로 처리되는 단계들로 구성된다. 따라서, 이하에서 생략된 내용이라 하더라도 도 2에 도시된 악성 종양 예측 장치(200)에 관하여 이상에서 기술된 내용은 도 8의 악성 종양 예측 방법에도 적용됨을 알 수 있다.
먼저, S810 단계에서, 악성 종양 예측 장치(200)는 제 1 의료 영상을 매스를 포함하는 적어도 하나의 제 1 관심 영역으로 분할하고, 제 2 의료 영상을 매스를 포함하는 적어도 하나의 제 2 의료 영상으로 분할한다. 악성 종양 예측 장치(200)는 제 1 의료 영상과 제 2 의료 영상을 분할하기 전에, 제 1 의료 영상과 제 2 의료 영상의 컨트라스트 또는 명암을 조절하는 전처리를 수행할 수도 있다.
S820 단계에서, 악성 종양 예측 장치(200)는 적어도 하나의 제 1 관심 영역의 위치 정보와 적어도 하나의 제 2 관심 영역의 위치 정보를 기초로, 적어도 하나의 제 1 관심 영역으로부터 제 1 페어 관심 영역을 획득하고, 적어도 하나의 제 2 관심 영역으로부터 제 2 페어 관심 영역을 획득할 수 있다.
S830 단계에서, 악성 종양 예측 장치(200)는 제 1 페어 관심 영역과 제 2 페어 관심 영역으로부터 제 1 페어 관심 영역과 제 2 페어 관심 영역의 유사 정도를 나타내는 적어도 하나의 유사 특징을 추출할 수 있다.
S840 단계에서, 악성 종양 예측 장치(200)는 적어도 하나의 유사 특징을 기초로, 제 1 페어 관심 영역과 제 2 페어 관심 영역에 포함된 매스가 악성 종양인지 여부를 나타내는 악성 종양 정보를 생성할 수 있다. 악성 종양 정보는 제 1 페어 관심 영역과 제 2 페어 관심 영역에 포함된 매스가 악성 종양인지, 양성 종양인지에 대한 판단 결과 및 판단 결과에 대한 확률을 포함할 수 있다.
한편, 상술한 본 발명의 실시예들은 컴퓨터에서 실행될 수 있는 프로그램으로 작성가능하고, 컴퓨터로 읽을 수 있는 기록매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다.
상기 컴퓨터로 읽을 수 있는 기록매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스크, 하드디스크 등), 광학적 판독 매체(예를 들면, 시디롬, 디브이디 등) 및 캐리어 웨이브(예를 들면, 인터넷을 통한 전송)와 같은 저장매체를 포함한다.
이상과 첨부된 도면을 참조하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야에서 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.
200, 300: 악성 종양 예측 장치
210, 310: 분할부
220, 320: 관심 영역 페어링부
230, 330: 특징 추출부
240, 340: 분류부
305: 전처리부
342: 제 1 분류부
344: 제 2 분류부
350: 디스플레이부

Claims (21)

  1. 대상체의 제 1 의료 영상을 매스(mass)를 포함하는 적어도 하나의 제 1 관심 영역으로 분할하고, 상기 대상체의 제 2 의료 영상을 매스를 포함하는 적어도 하나의 제 2 관심 영역으로 분할하는 분할부;
    상기 적어도 하나의 제 1 관심 영역과 상기 적어도 하나의 제 2 관심 영역의 위치 정보를 기초로, 상기 적어도 하나의 제 1 관심 영역으로부터 제 1 페어(pair) 관심 영역을 획득하고, 상기 적어도 하나의 제 2 관심 영역으로부터 제 2 페어 관심 영역을 획득하는 관심 영역 페어링부;
    상기 제 1 페어 관심 영역과 상기 제 2 페어 관심 영역으로부터 상기 제 1 페어 관심 영역과 상기 제 2 페어 관심 영역의 유사 정도를 나타내는 적어도 하나의 유사 특징을 추출하는 특징 추출부; 및
    상기 추출된 적어도 하나의 유사 특징을 기초로, 상기 제 1 페어 관심 영역과 상기 제 2 페어 관심 영역에 포함된 매스가 악성 종양인지 여부를 나타내는 악성 종양 정보를 생성하는 분류부를 포함하는 것을 특징으로 하는 악성 종양 예측 장치.
  2. 제1항에 있어서,
    상기 관심 영역 페어링부는,
    상기 대상체의 동일한 위치에 존재하는 제 1 페어 관심 영역과 제 2 페어 관심 영역을 획득하는 것을 특징으로 하는 악성 종양 예측 장치.
  3. 제1항에 있어서,
    상기 분류부는,
    상기 추출된 적어도 하나의 유사 특징을 복수의 그룹으로 나누고,
    상기 분류부는,
    상기 복수의 그룹 각각에 포함된 유사 특징을 분석하여 상기 제 1 페어 관심 영역과 제 2 페어 관심 영역에 포함된 매스가 악성 종양인지 여부를 나타내는 복수의 악성 종양 예비 정보를 생성하는 복수의 제 1 분류부; 및
    상기 복수의 악성 종양 예비 정보 및 상기 복수의 제 1 분류부 각각의 신뢰도를 조합하여 상기 악성 종양 정보를 생성하는 제 2 분류부를 포함하는 것을 특징으로 하는 악성 종양 예측 장치.
  4. 제3항에 있어서,
    상기 복수의 제 1 분류부 각각의 신뢰도는,
    상기 복수의 제 1 분류부의 학습 단계에서 결정되는 것을 특징으로 하는 악성 종양 예측 장치.
  5. 제1항에 있어서,
    상기 분류부는,
    상기 추출된 적어도 하나의 유사 특징으로부터 상기 제 1 페어 관심 영역과 제 2 페어 관심 영역 사이의 유사도를 결정하고,
    상기 유사도가 소정 기준값보다 크면, 상기 제 1 페어 관심 영역과 제 2 페어 관심 영역에 포함된 매스를 악성 종양으로 결정하는 것을 특징으로 하는 악성 종양 예측 장치.
  6. 제1항에 있어서,
    상기 악성 종양 예측 장치는,
    상기 제 1 의료 영상 및 제 2 의료 영상의 컨트라스트 또는 명암을 조절하기 위해 상기 제 1 의료 영상 및 제 2 의료 영상을 전처리하는 전처리부를 더 포함하는 것을 특징으로 하는 악성 종양 예측 장치.
  7. 제1항에 있어서,
    상기 특징 추출부는,
    상기 적어도 하나의 제 1 관심 영역 중 상기 제 1 페어 관심 영역을 제외한 제 1 논-페어(non-fair) 관심 영역으로부터 적어도 하나의 제 1 특징을 추출하고, 상기 적어도 하나의 제 2 관심 영역 중 상기 제 2 페어 관심 영역을 제외한 제 2 논-페어 관심 영역으로부터 적어도 하나의 제 2 특징을 추출하며,
    상기 분류부는,
    상기 적어도 하나의 제 1 특징을 기초로 상기 제 1 논-페어 관심 영역에 포함된 매스가 악성 종양인지 여부를 판단하고, 상기 적어도 하나의 제 2 특징을 기초로 상기 제 2 논-페어 관심 영역에 포함된 매스가 악성 종양인지 여부를 판단하는 것을 특징으로 하는 악성 종양 예측 장치.
  8. 제7항에 있어서,
    상기 악성 종양 예측 장치는,
    상기 제 1 논-페어 관심 영역에 포함된 매스가 악성 종양으로 판단된 경우, 상기 제 1 의료 영상 중 상기 제 1 논-페어 관심 영역에 대응하는 부분에 제 1 표시를 하고, 상기 제 2 논-페어 관심 영역에 포함된 매스가 악성 종양으로 판단된 경우, 상기 제 2 의료 영상 중 상기 제 2 논-페어 관심 영역에 대응하는 부분에 상기 제 1 표시를 하며,
    상기 제 1 페어 관심 영역과 상기 제 2 페어 관심 영역에 포함된 매스가 악성 종양으로 판단된 경우, 상기 제 1 의료 영상과 제 2 의료 영상 중 상기 제 1 페어 관심 영역과 제 2 페어 관심 영역에 각각 대응하는 부분에 상기 제 1 표시와 상이한 제 2 표시를 하는 디스플레이부를 더 포함하는 것을 특징으로 하는 악성 종양 예측 장치.
  9. 제1항에 있어서,
    상기 제 1 의료 영상은 유방에 대한 CC(Cranio-caudal) 영상을 포함하고, 상기 제 2 의료 영상은 유방에 대한 MLO(Mediolateral oblique) 영상을 포함하는 것을 특징으로 하는 악성 종양 예측 장치.
  10. 제9항에 있어서,
    상기 관심 영역 페어링부는,
    상기 적어도 하나의 제 1 관심 영역의 위치 정보를 상기 CC 영상 내 유두와 상기 적어도 하나의 제 1 관심 영역 사이의 위치 관계를 이용하여 획득하고, 상기 적어도 하나의 제 2 관심 영역의 위치 정보를 상기 MLO 영상 내 유두와 상기 적어도 하나의 제 2 관심 영역 사이의 위치 관계를 이용하여 획득하는 것을 특징으로 하는 악성 종양 예측 장치.
  11. 악성 종양 예측 장치에 의한 악성 종양 예측 방법에 있어서,
    대상체의 제 1 의료 영상을 매스(mass)를 포함하는 적어도 하나의 제 1 관심 영역으로 분할하고, 상기 대상체의 제 2 의료 영상을 매스를 포함하는 적어도 하나의 제 2 관심 영역으로 분할하는 단계;
    상기 적어도 하나의 제 1 관심 영역과 상기 적어도 하나의 제 2 관심 영역의 위치 정보를 기초로, 상기 적어도 하나의 제 1 관심 영역으로부터 제 1 페어(pair) 관심 영역을 획득하고, 상기 적어도 하나의 제 2 관심 영역으로부터 제 2 페어 관심 영역을 획득하는 단계;
    상기 제 1 페어 관심 영역과 상기 제 2 페어 관심 영역으로부터 상기 제 1 페어 관심 영역과 상기 제 2 페어 관심 영역의 유사 정도를 나타내는 적어도 하나의 유사 특징을 추출하는 단계; 및
    상기 추출된 적어도 하나의 유사 특징을 기초로, 상기 제 1 페어 관심 영역과 상기 제 2 페어 관심 영역에 포함된 매스가 악성 종양인지 여부를 나타내는 악성 종양 정보를 생성하는 단계를 포함하는 것을 특징으로 하는 악성 종양 예측 방법.
  12. 제11항에 있어서,
    상기 제 1 페어 관심 영역과 상기 제 2 페어 관심 영역을 획득하는 단계는,
    상기 대상체의 동일한 위치에 존재하는 제 1 페어 관심 영역과 제 2 페어 관심 영역을 획득하는 단계를 포함하는 것을 특징으로 하는 악성 종양 예측 방법.
  13. 제11항에 있어서,
    상기 악성 종양 정보를 생성하는 단계는,
    상기 추출된 적어도 하나의 유사 특징을 복수의 그룹으로 나누는 단계;
    상기 악성 종양 예측 장치에 포함된 복수의 제 1 분류부 각각이, 상기 복수의 그룹 각각에 포함된 유사 특징을 분석하여 상기 제 1 페어 관심 영역과 제 2 페어 관심 영역에 포함된 매스가 악성 종양인지 여부를 나타내는 복수의 악성 종양 예비 정보를 생성하는 단계; 및
    상기 악성 종양 예측 장치에 포함된 제 2 분류부가, 상기 복수의 악성 종양 예비 정보 및 상기 복수의 제 1 분류부 각각의 신뢰도를 조합하여 상기 악성 종양 정보를 생성하는 단계를 포함하는 것을 특징으로 하는 악성 종양 예측 방법.
  14. 제13항에 있어서,
    상기 복수의 제 1 분류부 각각의 신뢰도는,
    상기 복수의 제 1 분류부의 학습 단계에서 결정되는 것을 특징으로 하는 악성 종양 예측 방법.
  15. 제11항에 있어서,
    상기 악성 종양 정보를 생성하는 단계는,
    상기 추출된 적어도 하나의 유사 특징으로부터 상기 제 1 페어 관심 영역과 제 2 페어 관심 영역 사이의 유사도를 결정하는 단계; 및
    상기 유사도가 소정 기준값보다 크면, 상기 제 1 페어 관심 영역과 제 2 페어 관심 영역에 포함된 매스를 악성 종양으로 결정하는 단계를 포함하는 것을 특징으로 하는 악성 종양 예측 방법.
  16. 제11항에 있어서,
    상기 악성 종양 예측 방법은,
    상기 제 1 의료 영상 및 제 2 의료 영상의 컨트라스트 또는 명암을 조절하기 위해 상기 제 1 의료 영상 및 제 2 의료 영상을 전처리하는 단계를 더 포함하는 것을 특징으로 하는 악성 종양 예측 방법.
  17. 제11항에 있어서,
    상기 악성 종양 예측 방법은,
    상기 적어도 하나의 제 1 관심 영역 중 상기 제 1 페어 관심 영역을 제외한 제 1 논-페어(non-fair) 관심 영역으로부터 적어도 하나의 제 1 특징을 추출하고, 상기 적어도 하나의 제 2 관심 영역 중 상기 제 2 페어 관심 영역을 제외한 제 2 논-페어 관심 영역으로부터 적어도 하나의 제 2 특징을 추출하는 단계;
    상기 적어도 하나의 제 1 특징을 기초로 상기 제 1 논-페어 관심 영역에 포함된 매스가 악성 종양인지 여부를 판단하고, 상기 적어도 하나의 제 2 특징을 기초로 상기 제 2 논-페어 관심 영역에 포함된 매스가 악성 종양인지 여부를 판단하는 단계를 더 포함하는 것을 특징으로 하는 악성 종양 예측 방법.
  18. 제17항에 있어서,
    상기 악성 종양 예측 방법은,
    상기 제 1 논-페어 관심 영역에 포함된 매스가 악성 종양으로 판단된 경우, 상기 제 1 의료 영상 중 상기 제 1 논-페어 관심 영역에 대응하는 부분에 제 1 표시를 하고, 상기 제 2 논-페어 관심 영역에 포함된 매스가 악성 종양으로 판단된 경우, 상기 제 2 의료 영상 중 상기 제 2 논-페어 관심 영역에 대응하는 부분에 상기 제 1 표시를 하는 단계; 및
    상기 제 1 페어 관심 영역과 상기 제 2 페어 관심 영역에 포함된 매스가 악성 종양으로 판단된 경우, 상기 제 1 의료 영상과 제 2 의료 영상 중 상기 제 1 페어 관심 영역과 제 2 페어 관심 영역에 각각 대응하는 부분에 상기 제 1 표시와 상이한 제 2 표시를 하는 단계를 포함하는 것을 특징으로 하는 악성 종양 예측 방법.
  19. 제11항에 있어서,
    상기 제 1 의료 영상은 유방에 대한 CC(Cranio-caudal) 영상을 포함하고, 상기 제 2 의료 영상은 유방에 대한 MLO(Mediolateral oblique) 영상을 포함하는 것을 특징으로 하는 악성 종양 예측 방법.
  20. 제19항에 있어서,
    상기 적어도 하나의 제 1 관심 영역의 위치 정보는 상기 CC 영상 내 유두와 상기 적어도 하나의 제 1 관심 영역 사이의 위치 관계를 이용하여 획득되고, 상기 적어도 하나의 제 2 관심 영역의 위치 정보는 상기 MLO 영상 내 유두와 상기 적어도 하나의 제 2 관심 영역 사이의 위치 관계를 이용하여 획득되는 것을 특징으로 하는 악성 종양 예측 방법.
  21. 제11항 내지 제20항 중 어느 하나의 항의 악성 종양 예측 방법을 실행하기 위한 컴퓨터 프로그램을 기록한 컴퓨터로 판독 가능한 기록매체.
KR1020130005120A 2013-01-16 2013-01-16 의료 영상을 이용하여 대상체에 악성 종양이 존재하는지 여부를 예측하는 장치 및 방법 KR102154733B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020130005120A KR102154733B1 (ko) 2013-01-16 2013-01-16 의료 영상을 이용하여 대상체에 악성 종양이 존재하는지 여부를 예측하는 장치 및 방법
US14/031,093 US9282929B2 (en) 2013-01-16 2013-09-19 Apparatus and method for estimating malignant tumor

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020130005120A KR102154733B1 (ko) 2013-01-16 2013-01-16 의료 영상을 이용하여 대상체에 악성 종양이 존재하는지 여부를 예측하는 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20140093376A true KR20140093376A (ko) 2014-07-28
KR102154733B1 KR102154733B1 (ko) 2020-09-11

Family

ID=49474203

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020130005120A KR102154733B1 (ko) 2013-01-16 2013-01-16 의료 영상을 이용하여 대상체에 악성 종양이 존재하는지 여부를 예측하는 장치 및 방법

Country Status (2)

Country Link
US (1) US9282929B2 (ko)
KR (1) KR102154733B1 (ko)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101889725B1 (ko) 2018-07-04 2018-08-20 주식회사 루닛 악성 종양 진단 방법 및 장치
KR101889722B1 (ko) 2017-02-10 2018-08-20 주식회사 루닛 악성 종양 진단 방법 및 장치
KR101889723B1 (ko) 2018-07-04 2018-08-20 주식회사 루닛 악성 종양 진단 방법 및 장치
KR101889724B1 (ko) 2018-07-04 2018-08-20 주식회사 루닛 악성 종양 진단 방법 및 장치
WO2019143179A1 (ko) * 2018-01-18 2019-07-25 주식회사 뷰노 동일 피사체에 대하여 시간 간격을 두고 촬영된 영상 간에 동일 관심구역을 자동으로 검출하는 방법 및 이를 이용한 장치
KR20190119731A (ko) * 2018-04-13 2019-10-23 연세대학교 산학협력단 암 영역의 예측 방법 및 이를 이용한 암 영역의 예측 디바이스
WO2020032561A3 (ko) * 2018-08-07 2020-03-26 주식회사 딥바이오 다중 색 모델 및 뉴럴 네트워크를 이용한 질병 진단 시스템 및 방법
KR102103280B1 (ko) * 2019-06-20 2020-06-01 주식회사 딥노이드 딥러닝 기반의 대장 질환 보조 진단 방법
KR20200120311A (ko) * 2019-04-12 2020-10-21 계명대학교 산학협력단 의료 영상을 이용한 암의 병기 결정 방법 및 의료 영상 분석 장치
WO2020226455A1 (ko) * 2019-05-08 2020-11-12 서울대학교산학협력단 안저 이미지를 이용한 시신경병증 예측 장치 및 시신경병증 예측 결과 제공 방법
KR20210041242A (ko) * 2019-10-07 2021-04-15 연세대학교 산학협력단 정상 조직 영역의 예측 방법 및 이를 이용한 정상 조직 영역 예측용 디바이스
KR20210157795A (ko) * 2020-06-22 2021-12-29 주식회사 뷰노 모델 학습 방법
WO2022173233A1 (ko) * 2021-02-10 2022-08-18 경북대학교 산학협력단 약지도 딥러닝 인공 지능을 이용한 유방 초음파 진단 방법 및 시스템

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9235891B2 (en) * 2011-01-10 2016-01-12 Rutgers, The State University Of New Jersey Boosted consensus classifier for large images using fields of view of various sizes
US9286672B2 (en) 2012-01-10 2016-03-15 Rutgers, The State University Of New Jersey Integrated multivariate image-based method for disease outcome predicition
KR102251245B1 (ko) * 2014-04-30 2021-05-12 삼성전자주식회사 관심 영역별 추가 정보 제공 장치 및 방법
KR20160054992A (ko) * 2014-11-07 2016-05-17 삼성전자주식회사 관심영역의 재검출 회피 장치 및 방법
WO2017030276A1 (ko) * 2015-08-17 2017-02-23 삼성전자(주) 의료영상 표시장치 및 의료영상 처리방법
KR102522539B1 (ko) 2015-08-17 2023-04-18 삼성전자주식회사 의료영상 표시장치 및 의료영상 처리방법
US20180053297A1 (en) * 2016-08-18 2018-02-22 Ohio University Methods and Apparatuses for Detection of Abnormalities in Low-Contrast Images
US11246551B2 (en) * 2016-09-20 2022-02-15 KUB Technologies, Inc. System and method for computer aided detection (CAD) in a breast specimen radiograph
US11399790B2 (en) 2017-03-30 2022-08-02 Hologic, Inc. System and method for hierarchical multi-level feature image synthesis and representation
US11455754B2 (en) 2017-03-30 2022-09-27 Hologic, Inc. System and method for synthesizing low-dimensional image data from high-dimensional image data using an object grid enhancement
EP3273374B1 (en) * 2017-05-23 2023-05-17 Siemens Healthcare GmbH Method for analysing image data of a patient, system for performing a method for analysing image data of a patient and computer readable medium
US10628659B2 (en) * 2017-11-27 2020-04-21 International Business Machines Corporation Intelligent tumor tracking system
CN110838104B (zh) * 2019-10-30 2022-08-23 上海联影智能医疗科技有限公司 多时间点的感兴趣区域匹配方法、设备和存储介质
TWI743693B (zh) * 2020-02-27 2021-10-21 國立陽明交通大學 良性腫瘤發展趨勢評估系統、其伺服計算機裝置及計算機可讀取的儲存媒體
WO2023097279A1 (en) * 2021-11-29 2023-06-01 Hologic, Inc. Systems and methods for correlating objects of interest

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5212637A (en) * 1989-11-22 1993-05-18 Stereometrix Corporation Method of investigating mammograms for masses and calcifications, and apparatus for practicing such method
US20040252870A1 (en) * 2000-04-11 2004-12-16 Reeves Anthony P. System and method for three-dimensional image rendering and analysis
KR20110017712A (ko) * 2009-08-14 2011-02-22 서울과학기술대학교 산학협력단 푸리에 변환을 이용한 미세 석회화 검출 방법
US20120257804A1 (en) * 2007-05-15 2012-10-11 Three Palm Software Communicative cad system for assisting breast imaging diagnosis

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6075879A (en) 1993-09-29 2000-06-13 R2 Technology, Inc. Method and system for computer-aided lesion detection using information from multiple images
US5579360A (en) 1994-12-30 1996-11-26 Philips Electronics North America Corporation Mass detection by computer using digital mammograms of the same breast taken from different viewing directions
US6694046B2 (en) * 2001-03-28 2004-02-17 Arch Development Corporation Automated computerized scheme for distinction between benign and malignant solitary pulmonary nodules on chest images
US7499578B2 (en) * 2002-10-18 2009-03-03 Cornell Research Foundation, Inc. System, method and apparatus for small pulmonary nodule computer aided diagnosis from computed tomography scans
US8045770B2 (en) * 2003-03-24 2011-10-25 Cornell Research Foundation, Inc. System and method for three-dimensional image rendering and analysis
KR100762746B1 (ko) 2006-03-07 2007-10-02 재단법인서울대학교산학협력재단 미세석회화 진단 시스템 및 방법
WO2008073897A2 (en) * 2006-12-11 2008-06-19 Mayo Foundation For Medical Education And Research System and method for quantitative molecular breast imaging
DE102007058968A1 (de) * 2007-12-07 2009-06-18 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Segmentierung von Mikroverkalkungen in einer Mammographieaufnahme
US8885898B2 (en) 2010-10-07 2014-11-11 Siemens Medical Solutions Usa, Inc. Matching of regions of interest across multiple views
WO2012058670A1 (en) * 2010-10-29 2012-05-03 Mayo Foundation For Medical Education And Research System and method for molecular breast imaging energy spectrum imaging and analysis
US8781202B2 (en) * 2012-07-26 2014-07-15 International Business Machines Corporation Tumor classification based on an analysis of a related ultrasonic attenuation map

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5212637A (en) * 1989-11-22 1993-05-18 Stereometrix Corporation Method of investigating mammograms for masses and calcifications, and apparatus for practicing such method
US20040252870A1 (en) * 2000-04-11 2004-12-16 Reeves Anthony P. System and method for three-dimensional image rendering and analysis
US20120257804A1 (en) * 2007-05-15 2012-10-11 Three Palm Software Communicative cad system for assisting breast imaging diagnosis
KR20110017712A (ko) * 2009-08-14 2011-02-22 서울과학기술대학교 산학협력단 푸리에 변환을 이용한 미세 석회화 검출 방법

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101889722B1 (ko) 2017-02-10 2018-08-20 주식회사 루닛 악성 종양 진단 방법 및 장치
WO2019143179A1 (ko) * 2018-01-18 2019-07-25 주식회사 뷰노 동일 피사체에 대하여 시간 간격을 두고 촬영된 영상 간에 동일 관심구역을 자동으로 검출하는 방법 및 이를 이용한 장치
KR20190119731A (ko) * 2018-04-13 2019-10-23 연세대학교 산학협력단 암 영역의 예측 방법 및 이를 이용한 암 영역의 예측 디바이스
KR101889725B1 (ko) 2018-07-04 2018-08-20 주식회사 루닛 악성 종양 진단 방법 및 장치
KR101889723B1 (ko) 2018-07-04 2018-08-20 주식회사 루닛 악성 종양 진단 방법 및 장치
KR101889724B1 (ko) 2018-07-04 2018-08-20 주식회사 루닛 악성 종양 진단 방법 및 장치
WO2020032561A3 (ko) * 2018-08-07 2020-03-26 주식회사 딥바이오 다중 색 모델 및 뉴럴 네트워크를 이용한 질병 진단 시스템 및 방법
CN112567474A (zh) * 2018-08-07 2021-03-26 第一百欧有限公司 利用多重颜色模型和神经网络的疾病诊断系统和方法
KR20200120311A (ko) * 2019-04-12 2020-10-21 계명대학교 산학협력단 의료 영상을 이용한 암의 병기 결정 방법 및 의료 영상 분석 장치
WO2020226455A1 (ko) * 2019-05-08 2020-11-12 서울대학교산학협력단 안저 이미지를 이용한 시신경병증 예측 장치 및 시신경병증 예측 결과 제공 방법
KR20200129440A (ko) * 2019-05-08 2020-11-18 서울대학교산학협력단 안저 이미지를 이용한 시신경병증 예측 장치 및 시신경병증 예측 결과 제공 방법
KR102103280B1 (ko) * 2019-06-20 2020-06-01 주식회사 딥노이드 딥러닝 기반의 대장 질환 보조 진단 방법
KR20210041242A (ko) * 2019-10-07 2021-04-15 연세대학교 산학협력단 정상 조직 영역의 예측 방법 및 이를 이용한 정상 조직 영역 예측용 디바이스
KR20210157795A (ko) * 2020-06-22 2021-12-29 주식회사 뷰노 모델 학습 방법
WO2022173233A1 (ko) * 2021-02-10 2022-08-18 경북대학교 산학협력단 약지도 딥러닝 인공 지능을 이용한 유방 초음파 진단 방법 및 시스템

Also Published As

Publication number Publication date
KR102154733B1 (ko) 2020-09-11
US20140200433A1 (en) 2014-07-17
US9282929B2 (en) 2016-03-15

Similar Documents

Publication Publication Date Title
KR20140093376A (ko) 의료 영상을 이용하여 대상체에 악성 종양이 존재하는지 여부를 예측하는 장치 및 방법
JP4354737B2 (ja) 多重エネルギ画像による計算機支援診断
Novitasari et al. Application of feature extraction for breast cancer using one order statistic, GLCM, GLRLM, and GLDM
JP5159242B2 (ja) 診断支援装置、診断支援装置の制御方法、およびそのプログラム
US7620222B2 (en) Method, apparatus, and program for judging images
CA2552875C (en) System and method for filtering a medical image
KR20150047315A (ko) 컴퓨터 보조 진단 방법 및 장치
US10769779B2 (en) Method for increasing reading efficiency in medical image reading process using gaze information of user and apparatus using the same
KR20140138501A (ko) 병변 분류 장치, 및 병변 분류 데이터 변경 방법
KR20200080626A (ko) 병변 진단에 대한 정보 제공 방법 및 이를 이용한 병변 진단에 대한 정보 제공용 디바이스
CN110728239B (zh) 一种利用深度学习的胃癌增强ct图像自动识别系统
US7873196B2 (en) Medical imaging visibility index system and method for cancer lesions
JP5456132B2 (ja) 診断支援装置、診断支援装置の制御方法、およびそのプログラム
Benrabha et al. Automatic ROI detection and classification of the achilles tendon ultrasound images
JP2005065855A (ja) 乳腺領域閾値決定方法および装置並びにプログラム
Mahoro et al. Breast masses detection on mammograms using recent one-shot deep object detectors
Aaqib et al. A novel deep learning based approach for breast cancer detection
JP2004195080A (ja) 異常陰影検出装置
KR102120859B1 (ko) 의료 영상을 이용하여 대상체에 악성 종양이 존재하는지 여부를 예측하는 장치 및 방법
Amritha et al. Liver tumor segmentation and classification using deep learning
Maitra et al. CAD Based Method for Detection of Breast Cancer
JP2004248817A (ja) 異常陰影検出方法および装置並びにプログラム
JP2005224429A (ja) 異常陰影判定装置およびそのプログラム
Markhande et al. A review on adaptive hierarchy segmentation of bone cancer using neural network in MATLAB
Kumar et al. MRI Image Based Classification Model for Lung Tumor Detection Using Convolutional Neural Networks.

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right