KR20140138501A - 병변 분류 장치, 및 병변 분류 데이터 변경 방법 - Google Patents
병변 분류 장치, 및 병변 분류 데이터 변경 방법 Download PDFInfo
- Publication number
- KR20140138501A KR20140138501A KR20130059264A KR20130059264A KR20140138501A KR 20140138501 A KR20140138501 A KR 20140138501A KR 20130059264 A KR20130059264 A KR 20130059264A KR 20130059264 A KR20130059264 A KR 20130059264A KR 20140138501 A KR20140138501 A KR 20140138501A
- Authority
- KR
- South Korea
- Prior art keywords
- lesion
- mass
- classification data
- lesion classification
- boundary
- Prior art date
Links
- 230000003902 lesion Effects 0.000 title claims abstract description 313
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000000605 extraction Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 11
- 239000000284 extract Substances 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 206010006187 Breast cancer Diseases 0.000 description 3
- 208000026310 Breast neoplasm Diseases 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 210000001015 abdomen Anatomy 0.000 description 2
- 230000003187 abdominal effect Effects 0.000 description 2
- 230000002146 bilateral effect Effects 0.000 description 2
- 210000000481 breast Anatomy 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000009607 mammography Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 210000004291 uterus Anatomy 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30068—Mammography; Breast
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
대상체의 의료 영상에 포함된 적어도 하나의 매스(mass)를 결정하는 단계; 트레이닝(training) 매스로부터 획득된 적어도 하나의 제 1 병변 특징 정보를 포함하는 제 1 병변 분류 데이터를 이용하여 적어도 하나의 매스가 병변에 해당하는지 여부를 결정하는 단계; 사용자의 입력에 기초하여 적어도 하나의 매스 중 병변에 해당하지 않는 것으로 결정된 FN(false negative) 매스를 선택하는 단계; 및 FN 매스의 제 2 병변 특징 정보를 이용하여 제 1 병변 분류 데이터를 제 2 병변 분류 데이터로 변경하는 단계를 포함하는 것을 특징으로 하는 본 발명의 일 실시예에 따른 병변 분류 데이터 변경 방법이 개시된다.
Description
본 발명은 병변 분류 데이터를 변경하는 병변 분류 장치 및 병변 분류 데이터 변경 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 병변에 해당하는지 여부를 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 병변이 존재하는지 여부를 판단하는 장치를 컴퓨터 보조 진단 시스템(Computer-aided Diagnosis, CADx) 또는 병변 분류 장치라 하며, 검사자가 병변 분류 장치의 도움을 받는 경우, 분석의 정확도는 향상될 수 있다.
따라서, 병변 분류 장치의 성능을 향상시켜 마모그래피 영상의 분석의 정확도를 높이기 위한 효율적인 방안이 요구된다.
본 발명의 일 실시예에 따른 병변 분류 장치 및 병변 분류 데이터 변경 방법은, FN 매스로부터 추출된 병변 특징 정보를 이용하여 병변 분류 장치의 병변 분류 데이터를 변경함으로써, 병변 분류 장치의 성능을 향상시키는 것을 목적으로 한다.
본 발명의 일 실시예에 따른 병변 분류 데이터 변경 방법은,
대상체의 의료 영상에 포함된 적어도 하나의 매스(mass)를 결정하는 단계; 트레이닝(training) 매스로부터 획득된 적어도 하나의 제 1 병변 특징 정보를 포함하는 제 1 병변 분류 데이터를 이용하여 상기 적어도 하나의 매스가 병변에 해당하는지 여부를 결정하는 단계; 사용자의 입력에 기초하여 상기 적어도 하나의 매스 중 병변에 해당하지 않는 것으로 결정된 FN(false negative) 매스를 선택하는 단계; 및 상기 FN 매스의 제 2 병변 특징 정보를 이용하여 상기 제 1 병변 분류 데이터를 제 2 병변 분류 데이터로 변경하는 단계를 포함할 수 있다.
상기 변경하는 단계는, 상기 제 2 병변 특징 정보를 상기 제 1 병변 분류 데이터에 추가하는 단계를 포함할 수 있다.
상기 변경하는 단계는, 상기 적어도 하나의 제 1 병변 특징 정보 중 어느 하나의 제 1 병변 특징 정보를 삭제하고, 상기 제 2 병변 특징 정보를 상기 제 1 병변 분류 데이터에 추가하는 단계를 포함할 수 있다.
상기 변경하는 단계는, 상기 제 1 병변 분류 데이터에 의한 병변 분류 성능과 상기 제 2 병변 분류 데이터에 의한 병변 분류 성능을 비교하여, 상기 제 1 병변 분류 데이터를 상기 제 2 병변 분류 데이터로 변경할지 여부를 결정하는 단계를 포함할 수 있다.
상기 FN 매스를 선택하는 단계는, 상기 의료 영상 상에서, 제 1 영역에 대한 사용자의 선택을 수신하는 단계; 및 상기 제 1 영역에 포함된 매스를 상기 FN 매스로 선택하는 단계를 포함할 수 있다.
상기 사용자의 선택을 수신하는 단계는, 상기 제 1 영역에 포함된 매스의 병변 확률을 사용자에게 표시하는 단계를 포함할 수 있다.
상기 제 1 영역에 포함된 매스를 상기 FN 매스로 선택하는 단계는, 상기 제 1 영역에 복수의 매스가 포함된 경우, 상기 복수의 매스들 각각의 병변 확률을 기초로, 상기 복수의 매스들 중 어느 하나의 매스를 상기 FN 매스로 선택하는 단계를 포함할 수 있다.
상기 FN 매스를 선택하는 단계는, 상기 FN 매스의 경계(boundary)를 결정하는 단계; 및 상기 경계가 결정된 FN 매스로부터 상기 제 2 병변 특징 정보를 추출하는 단계를 포함할 수 있다.
상기 FN 매스의 경계를 결정하는 단계는, 상기 FN 매스의 경계를 상기 사용자로부터 입력받는 단계; 및 상기 사용자로부터 입력된 경계를 상기 FN 매스의 경계로 결정하는 단계를 포함할 수 있다.
상기 FN 매스의 경계를 결정하는 단계는, 경계 추출 알고리즘을 이용하여 상기 제 1 영역에 포함된 FN 매스의 경계를 결정하는 단계를 포함할 수 있다.
상기 FN 매스의 경계를 결정하는 단계는, 상기 사용자로부터 입력된 임계 명도값을 기초로 상기 제 1 영역에 포함된 픽셀들의 명도값들을 제 1 명도값 또는 제 2 명도값으로 변경하는 단계; 및 경계 추출 알고리즘을 이용하여 상기 제 1 명도값 또는 제 2 명도값으로 변경된 픽셀들의 경계를 결정하는 단계를 포함할 수 있다.
상기 병변 분류 데이터 변경 방법은, SR(Sparse Representation) 병변 분류 장치에 의해 수행되며, 상기 제 1 병변 분류 데이터는 상기 SR 병변 분류 장치의 딕셔너리(dictionary)를 포함할 수 있다.
상기 병변 분류 데이터 변경 방법을 실행하기 위한 컴퓨터 프로그램이 컴퓨터로 판독 가능한 기록 매체에 기록될 수 있다.
본 발명의 다른 실시예에 따른 병변 분류 장치는,
대상체의 의료 영상에 포함된 적어도 하나의 매스(mass)를 결정하는 매스 결정부; 트레이닝 매스로부터 획득된 적어도 하나의 제 1 병변 특징 정보를 포함하는 제 1 병변 분류 데이터를 이용하여 상기 적어도 하나의 매스가 병변에 해당하는지 여부를 결정하는 병변 분류부; 사용자의 입력에 기초하여 상기 적어도 하나의 매스 중 병변에 해당하지 않는 것으로 결정된 FN 매스를 선택하는 FN 매스 선택부; 및 상기 FN 매스의 제 2 병변 특징 정보를 이용하여 상기 제 1 병변 분류 데이터를 제 2 병변 분류 데이터로 변경하는 변경부를 포함할 수 있다.
상기 변경부는, 상기 제 2 병변 특징 정보를 상기 제 1 병변 분류 데이터에 추가할 수 있다.
상기 변경부는, 상기 적어도 하나의 제 1 병변 특징 정보 중 어느 하나의 제 1 병변 특징 정보를 삭제하고, 상기 제 2 병변 특징 정보를 상기 제 1 병변 분류 데이터에 추가할 수 있다.
상기 변경부는, 상기 제 1 병변 분류 데이터에 의한 병변 분류 성능과 상기 제 2 병변 분류 데이터에 의한 병변 분류 성능을 비교하여, 상기 제 1 병변 분류 데이터를 상기 제 2 병변 분류 데이터로 변경할지 여부를 결정할 수 있다.
상기 병변 분류 장치는, 상기 의료 영상을 사용자에게 표시하는 디스플레이를 더 포함하되, 상기 FN 매스 선택부는, 상기 디스플레이에 표시된 상기 의료 영상 상에서, 제 1 영역에 대한 사용자의 선택을 수신하고, 상기 제 1 영역에 포함된 매스를 상기 FN 매스로 선택할 수 있다.
상기 디스플레이는, 상기 제 1 영역에 포함된 매스의 병변 확률을 사용자에게 표시할 수 있다.
상기 FN 매스 선택부는, 상기 제 1 영역에 복수의 매스들이 포함된 경우, 상기 복수의 매스들 각각의 병변 확률을 기초로, 상기 복수의 매스들 중 어느 하나의 매스를 상기 FN 매스로 선택할 수 있다.
상기 FN 매스 선택부는, 상기 FN 매스의 경계(boundary)를 결정하고, 상기 경계가 결정된 FN 매스로부터 상기 제 2 병변 특징 정보를 추출할 수 있다.
상기 FN 매스 선택부는, 상기 디스플레이에 표시된 의료 영상 상에서, 상기 FN 매스의 경계를 상기 사용자로부터 입력받고, 상기 사용자로부터 입력된 경계를 상기 FN 매스의 경계로 결정할 수 있다.
상기 FN 매스 선택부는, 경계 추출 알고리즘을 이용하여 상기 제 1 영역에 포함된 FN 매스의 경계를 결정할 수 있다.
상기 FN 매스 선택부는, 상기 사용자로부터 입력된 임계 명도값을 기초로 상기 제 1 영역에 포함된 픽셀들의 명도값들을 제 1 명도값 또는 제 2 명도값으로 변경하고, 경계 추출 알고리즘을 이용하여 상기 제 1 명도값 또는 제 2 명도값으로 변경된 픽셀들의 경계를 결정할 수 있다.
상기 제 1 병변 분류 장치는, SR(Sparse Representation) 병변 분류 장치를 포함하며, 상기 병변 분류 데이터는 상기 SR 병변 분류 장치의 딕셔너리(dictionary)를 포함할 수 있다.
도 1은 본 발명의 일 실시예에 따른 병변 분류 장치의 구성을 도시하는 블록도이다.
도 2는 도 1에 도시된 병변 분류 장치의 구성 각각의 기능을 설명하기 위한 도면이다.
도 3(a)는 사용자에 의해 선택된 제 1 영역을 포함하는 의료 영상을 도시하는 도면이다.
도 3(b)는 사용자에 의해 선택된 제 1 영역에 포함된 매스의 병변 확률을 도시하는 도면이다.
도 4는 사용자에 의해 선택된 제 1 영역에 포함된 복수의 매스의 병변 확률을 도시하는 도면이다.
도 5는 사용자에 의해 선택된 제 1 영역에 포함된 FN 매스의 경계를 결정하는 방법을 설명하기 위한 도면이다.
도 6은 사용자에 의해 선택된 제 1 영역에 포함된 FN 매스의 경계를 결정하는 다른 방법을 설명하기 위한 도면이다.
도 7은 본 발명의 다른 실시예에 따른 병변 분류 데이터 변경 방법의 순서를 도시하는 순서도이다.
도 2는 도 1에 도시된 병변 분류 장치의 구성 각각의 기능을 설명하기 위한 도면이다.
도 3(a)는 사용자에 의해 선택된 제 1 영역을 포함하는 의료 영상을 도시하는 도면이다.
도 3(b)는 사용자에 의해 선택된 제 1 영역에 포함된 매스의 병변 확률을 도시하는 도면이다.
도 4는 사용자에 의해 선택된 제 1 영역에 포함된 복수의 매스의 병변 확률을 도시하는 도면이다.
도 5는 사용자에 의해 선택된 제 1 영역에 포함된 FN 매스의 경계를 결정하는 방법을 설명하기 위한 도면이다.
도 6은 사용자에 의해 선택된 제 1 영역에 포함된 FN 매스의 경계를 결정하는 다른 방법을 설명하기 위한 도면이다.
도 7은 본 발명의 다른 실시예에 따른 병변 분류 데이터 변경 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.
본 명세서에서 "영상"은 이산적인 영상 요소들(예를 들어, 2차원 영상에 있어서의 픽셀들 및 3차원 영상에 있어서의 복셀들)로 구성된 다차원(multi-dimensional) 데이터를 의미할 수 있다. 예를 들어, 영상은 X-ray, CT, MRI, 초음파 및 다른 의료 영상 촬영 장치에 의해 획득된 대상체의 의료 영상 등을 포함할 수 있다.
또한, 본 명세서에서 "대상체(object)"는 사람 또는 동물, 또는 사람 또는 동물의 일부를 포함할 수 있다. 예를 들어, 대상체는 간, 심장, 자궁, 뇌, 유방, 복부 등의 장기, 또는 혈관을 포함할 수 있다. 또한, "대상체"는 팬텀(phantom)을 포함할 수도 있다. 팬텀은 생물의 밀도와 실효 원자 번호에 아주 근사한 부피를 갖는 물질을 의미하는 것으로, 신체와 유사한 성질을 갖는 구형(sphere)의 팬텀을 포함할 수 있다.
또한, 본 명세서에서 "사용자"는 의료 전문가로서 의사, 간호사, 임상 병리사, 의료 영상 전문가 등이 될 수 있으며, 의료 장치를 수리하는 기술자가 될 수 있으나, 이에 한정되지 않는다.
또한, 본 명세서에서 "병변"이란, 질병에 의해 발생된 인체 전반의 이상상태를 의미하며, 악성 종양, 암 등을 포함할 수 있다.
도 1은 본 발명의 일 실시예에 따른 병변 분류 장치(100)의 구성을 도시하는 블록도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 병변 분류 장치(100)는, 매스(mass) 결정부(110), 병변 분류부(130), FN(false negative) 매스 선택부(150) 및 변경부(170)를 포함할 수 있다.
매스 결정부(110), 병변 분류부(130), FN 매스 선택부(150) 및 변경부(170)는 마이크로 프로세서로 구성될 수 있다. 또한, 도 1에는 도시되지 않았지만, 본 발명의 일 실시예에 따른 병변 분류 장치(100)는 의료 영상을 출력하는 디스플레이를 더 포함할 수 있다.
매스 결정부(110)는 대상체의 의료 영상에 포함된 적어도 하나의 매스를 결정한다. 매스 결정부(110)는, 대상체의 의료 영상을 외부 서버 또는 외부 의료 장치로부터 수신할 수 있고, 메모리부(미도시)에 저장된 의료 영상을 수신할 수도 있다. 또한, 병변 분류 장치(100)에 포함된 의료 영상 촬영부(미도시)에 의해 촬영된 대상체의 의료 영상을 수신할 수도 있다. 본 발명에 따른 의료 영상은 유방에 대한 X-ray 영상뿐만 아니라, CT, MRI 등의 다른 의료 영상 촬영 장치에 의해 촬영된 흉부, 복부, 머리 등에 대한 의료 영상을 포함할 수 있다.
매스 결정부(110)는 수신된 의료 영상의 컨트라스트(contrast) 또는 명암(brightness)을 조절하는 전처리부를 포함할 수 있고, 매스 결정부(110)는 전처리된 의료 영상으로부터 적어도 하나의 매스를 결정할 수 있다. 전처리의 목적은 의료 영상에 포함된 매스와 주변 배경 사이의 밝기 차이를 강조하여, 대상체의 조직 구조를 명확하게 나타내기 위함이다.
매스 영역은 주변 영역에 비해 더 밝은 영역이고, 거의 일정한 밀도(density)를 가지며, 다양한 크기의 일정한 형태를 가질 수 있다. 매스 결정부(110)에 의해 결정된 적어도 하나의 매스는 매스로 의심되는 영역을 포함할 수 있으며, 실제 병변이 아닌 매스도 포함할 수 있다. 이는, 매스 결정부(110)가 검출하지 못한 매스는 차후에 분석 대상에 포함되지 않기 때문이다.
매스 결정부(110)는, 퍼지 테크닉(fuzzy technique), 양방향 이미지 추출(bilateral image subtraction) 또는 멀티스케일 테크닉(multiscale technique) 등의 알고리즘을 이용하여 의료 영상으로터 적어도 하나의 매스를 결정할 수 있다. 퍼지 테크닉, 양방향 이미지 추출 및 멀티스케일 테크닉은 당업자에게 자명한 사항이므로, 본 명세서에서 상세한 설명은 생략한다.
병변 분류부(130)는, 트레이닝 매스로부터 획득된 적어도 하나의 제 1 병변 특징 정보를 포함하는 제 1 병변 분류 데이터를 이용하여 매스 결정부(110)에 의해 결정된 적어도 하나의 매스가 병변에 해당하는지 여부를 결정한다. 여기서, 트레이닝 매스는 트레이닝 영상에 포함되고, 병변 해당 여부를 미리 알고 있는 매스를 포함할 수 있다.
제 1 병변 분류 데이터는 병변에 해당하는 트레이닝 매스로부터 추출된 병변 특징 정보 및 병변에 해당하지 않는 트레이닝 매스로부터 추출된 정상 특징 정보 중 적어도 하나를 포함할 수 있다. 즉, 병변 분류부(130)는 병변에 해당하는 트레이닝 매스의 병변 특징 정보와 병변에 해당하는 않는 트레이닝 매스의 정상 특징 정보 중 적어도 하나를 이용하여 매스 결정부(110)에 의해 결정된 적어도 하나의 매스가 병변인지 아닌지를 결정한다. 매스의 특징 정보는, 매스의 모양(shape), 크기(size), 밀도(density), 경계선의 평탄도(smoothness of border) 등을 나타내는 매스의 특징 또는 특징 벡터를 포함할 수 있고, 매스의 특징을 기초로 생성된 매스 특징 관련 정보를 포함할 수도 있다.
본 발명의 일 실시예에 따른 병변 분류 장치(100)는, SR(sparse representation) 병변 분류 장치를 포함할 수 있고, 병변 분류 데이터는 SR 병변 분류 장치의 딕셔너리(dictionary)를 포함할 수 있다.
SR 기법은 소정의 데이터를 딕셔너리에 포함된 원소(atom)들의 선형 조합으로 표현한다. 하기의 수학식 1은 병변 특징 정보와 정상 특징 정보를 포함하는 딕셔너리를 나타낸다.
[
수학식
1]
Dictionary = {pi | i=1 내지 N}, {pj | j=1 내지 N}
상기 수학식 1에서 pi는 병변에 해당하는 트레이닝 매스로부터 추출한 병변 특징 정보를 의미하고, pj는 병변에 해당하지 않는 트레이닝 매스로부터 추출한 정상 특징 정보를 의미한다. 또한, i 및 j는 각각 병변 특징 정보 및 정상 특징 정보의 인덱스를 의미한다. 수학식 1의 딕셔너리는 병변 특징 정보와 정상 특징 정보를 각각 N 개 포함한다.
SR 병변 분류 장치는, 의료 영상에 포함된 매스를 병변 특징 정보의 선형 조합과 정상 특징 정보의 선형 조합으로 표현한다. SR 병변 분류 장치는, 병변 특징 정보의 선형 조합과 의료 영상에 포함된 매스의 특징 정보 사이의 제 1 차이값, 및 정상 특징 정보의 선형 조합과 의료 영상에 포함된 매스의 특징 정보 사이의 제 2 차이값을 획득한다.
다음으로, SR 병변 분류 장치는, 제 1 차이값이 제 2 차이값보다 작으면, 의료 영상에 포함된 매스를 병변으로 판단하고, 제 2 차이값이 제 1 차이값보다 작으면 의료 영상에 포함된 매스를 병변이 아닌 것으로 판단할 수 있다.
한편, 본 명세서에서, FP(false positive) 매스는 병변 분류부(130)에 의해 병변이라고 판단되었지만 실제 병변이 아닌 매스를 의미하고, FN(false negative) 매스는 병변 분류부(130)에 의해 병변이 아닌 것으로 판단되었지만 실제 병변인 매스를 의미한다. 또한, TP(true positive) 매스는 병변 분류부(130)에 의해 병변이라고 판단되었고, 실제 병변인 매스를 의미하며, TN(true negative) 매스는 병변 분류부(130)에 의해 병변이 아니라고 판단되었고, 실제 병변이 아닌 매스를 의미한다.
FN 매스 선택부(150)는, 사용자의 입력에 기초하여 적어도 하나의 매스 중 병변에 해당하지 않는 것으로 결정된 FN 매스를 선택한다. 또한, FN 매스 선택부(150)는 FN 매스의 경계를 결정하고, 경계가 결정된 FN 매스로부터 제 2 병변 특징 정보를 추출할 수 있다. FN 매스의 제 2 병변 특징 정보가 병변 분류부(130)에 의해 이미 추출된 경우에는, 추출된 제 2 병변 특징 정보를 병변 분류부(130)로부터 수신할 수도 있다.
또한, 본 발명의 일 실시예에 따른 병변 분류 장치(100)는 외부의 생체 검사 장치와 연결될 수 있고, 병변 분류부(130)에 의해 병변으로 결정되지 않은 매스 중 상기 생체 검사 장치에 의해 병변으로 결정된 매스를 상기 생체 검사 장치로부터 수신하여 수신된 매스를 FN 매스로 선택할 수도 있다.
FN 매스 선택부(150)는, 병변 분류부(130)에 의해 병변에 해당하지 않는 것으로 결정되었지만, 사용자 또는 생체 검사 등을 통해 병변에 해당하는 것으로 결정된 매스를 사용자의 입력에 기초하여 선택한다. FN 매스 선택부(150)가, FN 매스를 선택하는 방법 및 FN 매스의 경계를 결정하는 방법에 대해서는 도 3 내지 도 6을 참조하여 하기에서 설명된다.
변경부(170)는, FN 매스로부터 추출된 제 2 병변 특징 정보를 이용하여 제 1 병변 분류 데이터를 제 2 병변 분류 데이터로 변경한다.
변경부(170)는 제 2 병변 특징 정보를 제 1 병변 분류 데이터에 추가할 수 있다.
또한, 변경부(170)는, 제 1 병변 분류 데이터의 용량이 무한정 커지는 것을 방지하기 위하여, 제 1 병변 분류 데이터에 포함된 적어도 하나의 제 1 병변 특징 정보 중 어느 하나의 제 1 병변 특징 정보를 삭제하고, 제 2 병변 특징 정보를 제 1 병변 분류 데이터에 추가할 수도 있다. 이 때, 적어도 하나의 제 1 병변 특징 정보 중 제 2 병변 특징 정보와 교체를 하였을 때, 병변 분류 성능이 가장 높아지는 제 1 병변 특징 정보를 삭제할 수 있다.
하기의 수학식 2는 수학식 1에 기재된 병변 특징 정보에 제 2 병변 특징 정보를 추가한 딕셔너리를 나타내고, 수학식 3은 수학식 1의 병변 특징 정보 중 어느 하나의 병변 특징 정보를 삭제하고, 제 2 병변 특징 정보를 추가한 딕셔너리를 나타낸다.
[
수학식
2]
Dictionary = {pi, a | i=1 내지 N}, {pj | j=1 내지 N}
[
수학식
3]
Dictionary = {pi, a | i=1 내지 N-1}, {pj | j=1 내지 N}
상기 수학식 2 및 수학식 3에서 a는 FN 매스로부터 추출된 제 2 병변 특징 정보를 나타낸다.
한편, 변경부(170)는 제 1 병변 분류 데이터에 의한 병변 분류 성능과 제 2 병변 분류 데이터에 의한 병변 분류 성능을 비교하여, 제 1 병변 분류 데이터를 제 2 병변 분류 데이터로 변경할지 여부를 결정할 수 있다. 병변 분류 성능은 AUC(area under the receiver operating characteristic)을 포함할 수 있다.
구체적으로, 변경부(170)는, 제 1 병변 분류 데이터와 제 2 병변 분류 데이터를 이용하여 병변의 존재 여부에 대해 이미 알고 있는 의료 영상에 대해 병변 존재 여부를 판단한다. 다음으로, 제 1 병변 분류 데이터와 제 2 병변 분류 데이터 각각의 FP 비율에 대한 TP 비율(receiver operating characteristic, ROC)을 획득하고, ROC 커브의 넓이를 계산하여 제 1 병변 분류 데이터에 의한 AUC와 제 2 병변 분류 데이터에 의한 AUC를 획득한다.
AUC가 클수록 분류 성능이 우수하므로, 변경부(170)는 제 1 병변 분류 데이터에 의한 AUC가 제 2 병변 분류 데이터에 의한 AUC보다 작을 때, 제 1 병변 분류 데이터를 제 2 병변 분류 데이터로 변경한다.
또한, 변경부(170)는 제 1 병변 분류 데이터 및 제 2 병변 분류 데이터에 의한 성능을 디스플레이를 통해 출력하고, 사용자로부터 변경 입력을 수신한 경우, 제 1 병변 분류 데이터를 제 2 병변 분류 데이터로 변경할 수 있다.
본 발명의 일 실시예에 따른 병변 분류 장치(100)는, 병변 분류 장치에 의해 병변이 아닌 것으로 판단된 FN 매스의 병변 특징 정보를 이용하여 병변 분류 데이터를 업데이트함으로써, 병변 분류 장치(100)의 성능을 지속적으로 향상시킬 수 있다.
도 2는 도 1에 도시된 병변 분류 장치(100)의 구성 각각의 기능을 설명하기 위한 도면이다.
도 2(a)는 도 1에 도시된 매스 결정부(110) 및 병변 분류부(130)가 트레이닝 영상을 이용하여 제 1 병변 분류 데이터를 생성하는 것을 나타내는 도면이다. 도 2(a)에 도시된 매스 결정부(110) 및 병변 분류부(130)는 트레이닝 영상을 통해 학습을 수행하여 제 1 병변 분류 데이터를 생성한다.
매스 결정부(110)는 분할부(112) 및 특징 추출부(114)를 포함할 수 있다. 분할부(112)는 트레이닝 영상을, 매스를 포함하는 관심 영역들로 분할한다.
특징 추출부(114)는 관심 영역들 각각에 포함된 매스들로부터 매스들의 특징 정보들을 추출한다.
병변 분류부(130)는 매스들의 특징 정보들을 이용하여 병변 특징 정보 및 정상 특징 정보 중 적어도 하나를 포함하는 제 1 병변 분류 데이터를 구성한다.
도 2(b)는 도 1에 도시된 매스 결정부(110) 및 병변 분류부(130)가 의료 영상을 분석하여 병변 분류 결과를 획득하는 것을 도시하는 도면이다.
도 2(b)에 도시된 바와 같이, 매스 결정부(110)는 분할부(112) 및 특징 추출부(114)를 포함할 수 있다.
분할부(112)는 의료 영상을, 매스를 포함하는 관심 영역들로 분할한다. 특징 추출부(114)는 관심 영역들 각각에 포함된 매스들로부터 매스들의 특징 정보들을 추출한다.
병변 분류부(130)는 제 1 병변 분류 데이터와 매스들의 특징 정보들을 비교하여 관심 영역들 각각에 포함된 매스들의 병변 해당 여부 또는 병변 확률을 나타내는 병변 분류 결과를 생성한다.
도 2(c)는 도 1에 도시된 FN 매스 선택부(150)와 변경부(170)가 제 1 병변 분류 데이터를 제 2 병변 분류 데이터로 변경하는 것을 도시하는 도면이다.
FN 매스 선택부(150)는 사용자의 입력에 기초하여, 병변 분류부(130)에 의해 병변이 아닌 것으로 결정된 FN 매스를 선택한다.
변경부(170)는 선택된 FN 매스의 제 2 병변 특징 정보를 이용하여 제 1 병변 분류 데이터를 제 2 병변 분류 데이터로 변경한다.
도 3(a)는 사용자에 의해 선택된 제 1 영역(300)을 포함하는 의료 영상을 도시하는 도면이고, 도 3(b)는 사용자에 의해 선택된 제 1 영역(300)에 포함된 FN 매스(310)의 병변 확률을 도시하는 도면이다. 도 3(a)에 도시된 의료 영상은 디스플레이를 통해 출력될 수 있다.
전술한 바와 같이, FN 매스 선택부(150)는 병변 분류부(130)에 의해 병변이 아닌 것으로 결정된 FN 매스를 사용자의 입력에 기초하여 선택할 수 있다.
도 3(a)에 도시된 바와 같이, FN 매스 선택부(150)는, 사용자로부터 소정 매스(310)를 포함하는 제 1 영역(300)에 대한 선택을 수신하면, 제 1 영역(300)에 포함된 소정 매스(310)를 FN 매스로 선택할 수 있다. 사용자는 마우스, 트랙볼, 키보드, 터치 스크린 등의 입력 장치를 이용하여 제 1 영역(300)을 선택할 수 있다.
또한, 도 3(b)에 도시된 바와 같이, FN 매스 선택부(150)는 사용자에 의해 선택된 제 1 영역(300)에 포함된 매스(310)의 병변 확률을 사용자에게 표시할 수 있다. 제 1 영역(300)에 포함된 매스(310)의 병변 확률은 병변 분류부(130)에 의해 결정될 수 있고, 사용자는 자신이 선택한 매스(310)의 병변 확률을 확인함으로써, 자신이 선택한 매스(310)가 제 1 병변 분류 데이터를 변경하기 위해 적합한 매스인지를 확인할 수 있다.
한편, 사용자는 제 1 영역 대신 임의의 매스(310)를 직접 선택할 수도 있고, FN 매스 선택부(150)는 사용자에 의해 선택된 매스(310)를 FN 매스로 결정할 수도 있다. 예를 들어, 디스플레이를 통해 출력되는 의료 영상 중 사용자에 의해 임의의 지점이 선택된 경우, FN 매스 선택부(150)는 상기 지점을 포함하는 매스를 FN 매스로 결정할 수 있다.
도 4는 사용자에 의해 선택된 제 1 영역(400)에 포함된 복수의 매스(412, 414, 416)의 병변 확률을 도시하는 도면이다.
도 4에 도시된 바와 같이, FN 매스 선택부(150)는 사용자에 의해 선택된 제 1 영역(400)에 복수의 매스들(412, 414, 416)이 포함되어 있는 경우, 복수의 매스(412, 414, 416) 각각의 병변 확률을 기초로 복수의 매스들(412, 414, 416) 중 어느 하나의 매스를 FN 매스로 선택할 수 있다. 병변 분류부(130)가 병변이 아닌 것이라고 판단한 매스라도 병변 확률이 상대적으로 높은 매스가 FN 매스에 해당할 확률이 높기 때문이다.
도 4에 도시된 복수의 매스들 중 도면 부호 412의 매스는 48%의 병변 확률을 갖고, 이 병변 확률은 다른 매스들(414, 416)의 병변 확률보다 높으므로, FN 매스 선택부(150)는 도면 부호 412의 매스를 FN 매스로 선택할 수 있다.
또는, 사용자에 의해 선택된 제 1 영역(400)에 복수의 매스들(412, 414, 416)이 포함된 경우, 복수의 매스 각각의 병변 확률을 디스플레이를 통해 출력하고, FN 매스 선택부(150)는 복수의 매스들(412, 414, 416) 중 사용자에 의해 선택된 매스를 FN 매스로 선택할 수도 있다.
도 5는 사용자에 의해 선택된 제 1 영역(500)에 포함된 FN 매스의 경계(520)를 결정하는 방법을 설명하기 위한 도면이다.
전술한 바와 같이, FN 매스 선택부(150)는 FN 매스의 경계를 결정하고, 경계가 결정된 FN 매스로부터 제 2 병변 특징 정보를 추출할 수 있다.
FN 매스 선택부(150)는 사용자에 의해 매스의 경계(520)를 입력받고, 사용자로부터 입력된 경계(520)를 FN 매스의 경계로 결정할 수 있다. 사용자는 키보드, 마우스, 트랙볼, 터치스크린 등의 입력 장치를 이용하여 FN 매스의 경계를 입력할 수 있다.
또한, FN 매스 선택부(150)는 경계 추출 알고리즘을 이용하여 제 1 영역(500)에 포함된 FN 매스의 경계(520)를 결정할 수도 있다.
도 6은 사용자에 의해 선택된 제 1 영역(600)에 포함된 FN 매스의 경계를 결정하는 다른 방법을 설명하기 위한 도면이다. 사용자에 의해 선택된 제 1 영역(600)과 조절 바(620)가 디스플레이를 통해 출력될 수 있다.
FN 매스 선택부(150)는 사용자로부터 입력된 임계 명도값을 기초로, 사용자에 의해 선택된 제 1 영역(600)에 포함된 픽셀들의 명도값들을 제 1 명도값 또는 제 2 명도값으로 변경한 후, 경계 추출 알고리즘을 이용하여 픽셀들의 경계를 결정하고, 픽셀들의 경계를 FN 매스의 경계로 결정할 수 있다. 제 1 명도값은 의료 영상의 픽셀의 최대 명도값을 포함할 수 있고, 제 2 명도값은 의료 영상의 픽셀의 최소 명도값을 포함할 수 있다.
사용자는 조절 바(620)를 이용하여 임계 명도값을 설정함으로써, 제 1 영역(600)에 포함된 FN 매스의 영역과 주변 영역들을 더욱 명확히 구분할 수 있다.
상기 경계 추출 알고리즘은, 퍼지 테크닉(fuzzy technique), 양방향 이미지 추출(bilateral image subtraction) 또는 멀티스케일 테크닉(multiscale technique) 뿐만 아니라, 영상 처리 분야에서 영상의 경계를 추출하기 위해 일반적으로 이용되는 영상 처리 알고리즘이 사용될 수 있다.
도 7은 본 발명의 다른 실시예에 따른 병변 분류 데이터 변경 방법의 순서를 도시하는 순서도이다. 도 7을 참조하면, 본 발명의 다른 실시예에 따른 병변 분류 데이터 변경 방법은 도 1에 도시된 병변 분류 장치(100)에서 시계열적으로 처리되는 단계들로 구성된다. 따라서, 이하에서 생략된 내용이라 하더라도 도 1에 도시된 병변 분류 장치(100)에 관하여 이상에서 기술된 내용은 도 7의 병변 분류 데이터 변경 방법에도 적용됨을 알 수 있다.
S710 단계에서, 병변 분류 장치(100)는, 의료 영상에 포함된 적어도 하나의 매스를 결정한다.
S720 단계에서, 병변 분류 장치(100)는, 제 1 병변 분류 데이터를 이용하여 상기 결정된 적어도 하나의 매스가 병변에 해당하는지 여부를 결정한다.
S730 단계에서, 병변 분류 장치(100)는, 적어도 하나의 매스 중 병변에 해당하지 않는 것으로 결정된 FN 매스를 선택한다.
S740 단계에서, 병변 분류 장치(100)는, FN 매스의 제 2 병변 특징 정보를 이용하여 제 1 병변 분류 데이터를 제 2 병변 분류 데이터로 변경한다.
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.
100: 병변 분류 장치
110: 매스 결정부
112: 분할부
114: 특징 추출부
130: 병변 분류부
150: FN 매스 선택부
170: 변경부
110: 매스 결정부
112: 분할부
114: 특징 추출부
130: 병변 분류부
150: FN 매스 선택부
170: 변경부
Claims (25)
- 대상체의 의료 영상에 포함된 적어도 하나의 매스(mass)를 결정하는 단계;
트레이닝(training) 매스로부터 획득된 적어도 하나의 제 1 병변 특징 정보를 포함하는 제 1 병변 분류 데이터를 이용하여 상기 적어도 하나의 매스가 병변에 해당하는지 여부를 결정하는 단계;
사용자의 입력에 기초하여 상기 적어도 하나의 매스 중 병변에 해당하지 않는 것으로 결정된 FN(false negative) 매스를 선택하는 단계; 및
상기 FN 매스의 제 2 병변 특징 정보를 이용하여 상기 제 1 병변 분류 데이터를 제 2 병변 분류 데이터로 변경하는 단계를 포함하는 것을 특징으로 하는 병변 분류 데이터 변경 방법.
- 제1항에 있어서,
상기 변경하는 단계는,
상기 제 2 병변 특징 정보를 상기 제 1 병변 분류 데이터에 추가하는 단계를 포함하는 것을 특징으로 하는 병변 분류 데이터 변경 방법.
- 제1항에 있어서,
상기 변경하는 단계는,
상기 적어도 하나의 제 1 병변 특징 정보 중 어느 하나의 제 1 병변 특징 정보를 삭제하고, 상기 제 2 병변 특징 정보를 상기 제 1 병변 분류 데이터에 추가하는 단계를 포함하는 것을 특징으로 하는 병변 분류 데이터 변경 방법.
- 제1항에 있어서,
상기 변경하는 단계는,
상기 제 1 병변 분류 데이터에 의한 병변 분류 성능과 상기 제 2 병변 분류 데이터에 의한 병변 분류 성능을 비교하여, 상기 제 1 병변 분류 데이터를 상기 제 2 병변 분류 데이터로 변경할지 여부를 결정하는 단계를 포함하는 것을 특징으로 하는 병변 분류 데이터 변경 방법.
- 제1항에 있어서,
상기 FN 매스를 선택하는 단계는,
상기 의료 영상 상에서, 제 1 영역에 대한 사용자의 선택을 수신하는 단계; 및
상기 제 1 영역에 포함된 매스를 상기 FN 매스로 선택하는 단계를 포함하는 것을 특징으로 하는 병변 분류 데이터 변경 방법. - 제5항에 있어서,
상기 사용자의 선택을 수신하는 단계는,
상기 제 1 영역에 포함된 매스의 병변 확률을 사용자에게 표시하는 단계를 포함하는 것을 특징으로 하는 병변 분류 데이터 변경 방법.
- 제5항에 있어서,
상기 제 1 영역에 포함된 매스를 상기 FN 매스로 선택하는 단계는,
상기 제 1 영역에 복수의 매스가 포함된 경우, 상기 복수의 매스들 각각의 병변 확률을 기초로, 상기 복수의 매스들 중 어느 하나의 매스를 상기 FN 매스로 선택하는 단계를 포함하는 것을 특징으로 하는 병변 분류 데이터 변경 방법.
- 제5항에 있어서,
상기 FN 매스를 선택하는 단계는,
상기 FN 매스의 경계(boundary)를 결정하는 단계; 및
상기 경계가 결정된 FN 매스로부터 상기 제 2 병변 특징 정보를 추출하는 단계를 포함하는 것을 특징으로 하는 병변 분류 데이터 변경 방법.
- 제8항에 있어서,
상기 FN 매스의 경계를 결정하는 단계는,
상기 FN 매스의 경계를 상기 사용자로부터 입력받는 단계; 및
상기 사용자로부터 입력된 경계를 상기 FN 매스의 경계로 결정하는 단계를 포함하는 것을 특징으로 하는 병변 분류 데이터 변경 방법.
- 제8항에 있어서,
상기 FN 매스의 경계를 결정하는 단계는,
경계 추출 알고리즘을 이용하여 상기 제 1 영역에 포함된 FN 매스의 경계를 결정하는 단계를 포함하는 것을 특징으로 하는 병변 분류 데이터 변경 방법.
- 제8항에 있어서
상기 FN 매스의 경계를 결정하는 단계는,
상기 사용자로부터 입력된 임계 명도값을 기초로 상기 제 1 영역에 포함된 픽셀들의 명도값들을 제 1 명도값 또는 제 2 명도값으로 변경하는 단계; 및
경계 추출 알고리즘을 이용하여 상기 제 1 명도값 또는 제 2 명도값으로 변경된 픽셀들의 경계를 결정하는 단계를 포함하는 것을 특징으로 하는 병변 분류 데이터 변경 방법.
- 제1항에 있어서,
상기 병변 분류 데이터 변경 방법은, SR(Sparse Representation) 병변 분류 장치에 의해 수행되며,
상기 제 1 병변 분류 데이터는 상기 SR 병변 분류 장치의 딕셔너리(dictionary)를 포함하는 것을 특징으로 하는 병변 분류 데이터 변경 방법.
- 제1항 내지 제12항의 병변 분류 데이터 변경 방법을 실행하기 위한 컴퓨터 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체
- 대상체의 의료 영상에 포함된 적어도 하나의 매스(mass)를 결정하는 매스 결정부;
트레이닝 매스로부터 획득된 적어도 하나의 제 1 병변 특징 정보를 포함하는 제 1 병변 분류 데이터를 이용하여 상기 적어도 하나의 매스가 병변에 해당하는지 여부를 결정하는 병변 분류부;
사용자의 입력에 기초하여 상기 적어도 하나의 매스 중 병변에 해당하지 않는 것으로 결정된 FN 매스를 선택하는 FN 매스 선택부; 및
상기 FN 매스의 제 2 병변 특징 정보를 이용하여 상기 제 1 병변 분류 데이터를 제 2 병변 분류 데이터로 변경하는 변경부를 포함하는 것을 특징으로 하는 병변 분류 장치.
- 제14항에 있어서,
상기 변경부는,
상기 제 2 병변 특징 정보를 상기 제 1 병변 분류 데이터에 추가하는 것을 특징으로 하는 병변 분류 장치.
- 제14항에 있어서,
상기 변경부는,
상기 적어도 하나의 제 1 병변 특징 정보 중 어느 하나의 제 1 병변 특징 정보를 삭제하고, 상기 제 2 병변 특징 정보를 상기 제 1 병변 분류 데이터에 추가하는 것을 특징으로 하는 병변 분류 장치.
- 제14항에 있어서,
상기 변경부는,
상기 제 1 병변 분류 데이터에 의한 병변 분류 성능과 상기 제 2 병변 분류 데이터에 의한 병변 분류 성능을 비교하여, 상기 제 1 병변 분류 데이터를 상기 제 2 병변 분류 데이터로 변경할지 여부를 결정하는 것을 특징으로 하는 병변 분류 장치.
- 제14항에 있어서,
상기 병변 분류 장치는,
상기 의료 영상을 사용자에게 표시하는 디스플레이를 더 포함하되,
상기 FN 매스 선택부는,
상기 디스플레이에 표시된 상기 의료 영상 상에서, 제 1 영역에 대한 사용자의 선택을 수신하고, 상기 제 1 영역에 포함된 매스를 상기 FN 매스로 선택하는 것을 특징으로 하는 병변 분류 장치.
- 제18항에 있어서,
상기 디스플레이는,
상기 제 1 영역에 포함된 매스의 병변 확률을 사용자에게 표시하는 것을 특징으로 하는 병변 분류 장치.
- 제18항에 있어서,
상기 FN 매스 선택부는,
상기 제 1 영역에 복수의 매스들이 포함된 경우, 상기 복수의 매스들 각각의 병변 확률을 기초로, 상기 복수의 매스들 중 어느 하나의 매스를 상기 FN 매스로 선택하는 것을 특징으로 하는 병변 분류 장치.
- 제18항에 있어서,
상기 FN 매스 선택부는,
상기 FN 매스의 경계(boundary)를 결정하고, 상기 경계가 결정된 FN 매스로부터 상기 제 2 병변 특징 정보를 추출하는 것을 특징으로 하는 병변 분류 장치.
- 제21항에 있어서,
상기 FN 매스 선택부는,
상기 디스플레이에 표시된 의료 영상 상에서, 상기 FN 매스의 경계를 상기 사용자로부터 입력받고, 상기 사용자로부터 입력된 경계를 상기 FN 매스의 경계로 결정하는 것을 특징으로 하는 병변 분류 장치.
- 제21항에 있어서,
상기 FN 매스 선택부는,
경계 추출 알고리즘을 이용하여 상기 제 1 영역에 포함된 FN 매스의 경계를 결정하는 것을 특징으로 하는 병변 분류 장치.
- 제21항에 있어서
상기 FN 매스 선택부는,
상기 사용자로부터 입력된 임계 명도값을 기초로 상기 제 1 영역에 포함된 픽셀들의 명도값들을 제 1 명도값 또는 제 2 명도값으로 변경하고, 경계 추출 알고리즘을 이용하여 상기 제 1 명도값 또는 제 2 명도값으로 변경된 픽셀들의 경계를 결정하는 것을 특징으로 하는 병변 분류 장치.
- 제14항에 있어서,
상기 제 1 병변 분류 장치는, SR(Sparse Representation) 병변 분류 장치를 포함하며,
상기 병변 분류 데이터는 상기 SR 병변 분류 장치의 딕셔너리(dictionary)를 포함하는 것을 특징으로 하는 병변 분류 장치.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR20130059264A KR20140138501A (ko) | 2013-05-24 | 2013-05-24 | 병변 분류 장치, 및 병변 분류 데이터 변경 방법 |
| US14/287,817 US9547896B2 (en) | 2013-05-24 | 2014-05-27 | Lesion classification apparatus, and method of modifying lesion classification data |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR20130059264A KR20140138501A (ko) | 2013-05-24 | 2013-05-24 | 병변 분류 장치, 및 병변 분류 데이터 변경 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20140138501A true KR20140138501A (ko) | 2014-12-04 |
Family
ID=51935408
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR20130059264A KR20140138501A (ko) | 2013-05-24 | 2013-05-24 | 병변 분류 장치, 및 병변 분류 데이터 변경 방법 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US9547896B2 (ko) |
| KR (1) | KR20140138501A (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210005699A (ko) * | 2018-04-27 | 2021-01-14 | 델피누스 메디컬 테크놀로지스, 인크. | 초음파 단층 촬영 이미지에 대한 특징 추출 및 분류를 위한 시스템 및 방법 |
| US12015945B2 (en) | 2017-09-27 | 2024-06-18 | Samsung Electronics Co., Ltd | Method and apparatus for transmitting packet in vehicle to everything service |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102096410B1 (ko) * | 2014-05-02 | 2020-04-03 | 삼성전자주식회사 | 의료 영상 장치 및 그 제어 방법 |
| US11080846B2 (en) * | 2016-09-06 | 2021-08-03 | International Business Machines Corporation | Hybrid cloud-based measurement automation in medical imagery |
| KR102592905B1 (ko) * | 2016-12-21 | 2023-10-23 | 삼성전자주식회사 | 엑스선 영상 촬영 장치 및 제어방법 |
| US11393587B2 (en) | 2017-12-04 | 2022-07-19 | International Business Machines Corporation | Systems and user interfaces for enhancement of data utilized in machine-learning based medical image review |
| US10607122B2 (en) | 2017-12-04 | 2020-03-31 | International Business Machines Corporation | Systems and user interfaces for enhancement of data utilized in machine-learning based medical image review |
| US10671896B2 (en) | 2017-12-04 | 2020-06-02 | International Business Machines Corporation | Systems and user interfaces for enhancement of data utilized in machine-learning based medical image review |
| US10936160B2 (en) * | 2019-01-11 | 2021-03-02 | Google Llc | System, user interface and method for interactive negative explanation of machine-learning localization models in health care applications |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020097902A1 (en) * | 1993-09-29 | 2002-07-25 | Roehrig Jimmy R. | Method and system for the display of regions of interest in medical images |
| WO1996016534A2 (en) * | 1994-11-25 | 1996-06-06 | Sophisview Technologies, Ltd. | System and method for diagnosis of living tissue diseases |
| EP0813720A4 (en) * | 1995-03-03 | 1998-07-01 | Arch Dev Corp | METHOD AND SYSTEM FOR DETECTING LESIONS IN MEDICAL IMAGES |
| US7203350B2 (en) * | 2002-10-31 | 2007-04-10 | Siemens Computer Aided Diagnosis Ltd. | Display for computer-aided diagnosis of mammograms |
| US7418119B2 (en) * | 2002-10-31 | 2008-08-26 | Siemens Computer Aided Diagnosis Ltd. | Display for computer-aided evaluation of medical images and for establishing clinical recommendation therefrom |
| US7529394B2 (en) * | 2003-06-27 | 2009-05-05 | Siemens Medical Solutions Usa, Inc. | CAD (computer-aided decision) support for medical imaging using machine learning to adapt CAD process with knowledge collected during routine use of CAD system |
| US8331636B2 (en) * | 2007-09-11 | 2012-12-11 | Siemens Medical Solutions Usa, Inc. | Automatic calibration of computer aided diagnosis based on retrospective examination |
| US10026016B2 (en) * | 2009-06-26 | 2018-07-17 | Regents Of The University Of Minnesota | Tracking and representation of multi-dimensional organs |
| US8478044B2 (en) * | 2011-06-08 | 2013-07-02 | Siemens Corporation | System and method for image segmentation by optimizing weighted curvature |
-
2013
- 2013-05-24 KR KR20130059264A patent/KR20140138501A/ko active IP Right Grant
-
2014
- 2014-05-27 US US14/287,817 patent/US9547896B2/en not_active Expired - Fee Related
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US12015945B2 (en) | 2017-09-27 | 2024-06-18 | Samsung Electronics Co., Ltd | Method and apparatus for transmitting packet in vehicle to everything service |
| KR20210005699A (ko) * | 2018-04-27 | 2021-01-14 | 델피누스 메디컬 테크놀로지스, 인크. | 초음파 단층 촬영 이미지에 대한 특징 추출 및 분류를 위한 시스템 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| US9547896B2 (en) | 2017-01-17 |
| US20140348387A1 (en) | 2014-11-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102154733B1 (ko) | 의료 영상을 이용하여 대상체에 악성 종양이 존재하는지 여부를 예측하는 장치 및 방법 | |
| KR20140138501A (ko) | 병변 분류 장치, 및 병변 분류 데이터 변경 방법 | |
| 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 | |
| US20190027252A1 (en) | Medical analytics system | |
| JP4354737B2 (ja) | 多重エネルギ画像による計算機支援診断 | |
| CN101626726B (zh) | 医学成像中病灶的识别与分析 | |
| KR101840350B1 (ko) | 의료 영상 판독 과정에서 사용자의 시선 정보를 이용한 판독 효율 증대 방법 및 그 장치 | |
| US11241190B2 (en) | Predicting response to therapy for adult and pediatric crohn's disease using radiomic features of mesenteric fat regions on baseline magnetic resonance enterography | |
| KR20180022607A (ko) | 다양한 측정으로부터의 의료 측정 데이터에 기초한 결과 데이터의 결정 | |
| US20100266173A1 (en) | Computer-aided detection (cad) of a disease | |
| 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 | |
| US7873196B2 (en) | Medical imaging visibility index system and method for cancer lesions | |
| WO2014107402A1 (en) | Classification of biological tissue by multi-mode data registration, segmentation and characterization | |
| Zhang et al. | Comparison of multiple feature extractors on Faster RCNN for breast tumor detection | |
| CA3192033A1 (en) | System and method for virtual pancreatography pipeline | |
| JP2006325640A (ja) | 異常陰影候補の表示方法及び医用画像処理システム | |
| CN113205111A (zh) | 适用于肝脏肿瘤的识别方法、装置及电子设备 | |
| JP2006340835A (ja) | 異常陰影候補の表示方法及び医用画像処理システム | |
| Benrabha et al. | Automatic ROI detection and classification of the achilles tendon ultrasound images | |
| Shahin et al. | Breast cancer detection using modified Hough transform | |
| Bouchebbah et al. | Levels propagation approach to image segmentation: Application to breast mr images | |
| JP2023539821A (ja) | 機械学習による免疫チェックポイント阻害剤反応予測による患者層別化のためのシステムおよび方法 | |
| KR102120859B1 (ko) | 의료 영상을 이용하여 대상체에 악성 종양이 존재하는지 여부를 예측하는 장치 및 방법 | |
| Markhande et al. | A review on adaptive hierarchy segmentation of bone cancer using neural network in MATLAB | |
| Kravchenko et al. | Computer-aided diagnosis system for lung nodule classification using computer tomography scan images |
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 |