KR20150002284A - 병변 검출 장치 및 방법 - Google Patents

병변 검출 장치 및 방법 Download PDF

Info

Publication number
KR20150002284A
KR20150002284A KR1020130075917A KR20130075917A KR20150002284A KR 20150002284 A KR20150002284 A KR 20150002284A KR 1020130075917 A KR1020130075917 A KR 1020130075917A KR 20130075917 A KR20130075917 A KR 20130075917A KR 20150002284 A KR20150002284 A KR 20150002284A
Authority
KR
South Korea
Prior art keywords
parameter
lesion
prediction model
feature value
medical image
Prior art date
Application number
KR1020130075917A
Other languages
English (en)
Inventor
조백환
성영경
김예훈
김중회
박문호
유신상
Original Assignee
삼성전자주식회사
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 filed Critical 삼성전자주식회사
Priority to KR1020130075917A priority Critical patent/KR20150002284A/ko
Priority to US14/308,469 priority patent/US9305349B2/en
Publication of KR20150002284A publication Critical patent/KR20150002284A/ko

Links

Images

Classifications

    • 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
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • 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
    • 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
    • G06T2207/20—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
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Multimedia (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

병변 검출 장치 및 방법에 관한 것으로, 입력된 의료 영상에서 추출된 특징값 및 파라미터 예측 모델을 이용하여 병변 검출 알고리즘의 파라미터 값을 적응적으로 결정할 수 있도록 함으로써 병변 검출과 검출된 병변에 대한 진단 정확도를 향상시킬 수 있다.

Description

병변 검출 장치 및 방법{APPARATUS AND METHOD FOR DETECTING LESION}
의료 영상에서 병변을 검출하기 위한 장치 및 방법과 관련된다.
현대 의학에서 효과적인 질병의 진단 및 환자의 치료를 위해 의료 영상은 매우 중요한 도구이다. 또한, 영상기술의 발달은 더욱 정교한 의료 영상을 획득 가능하게 하고 있다.
한편, 이러한 의료 영상을 이용한 질병의 진단에 있어서, 컴퓨터의 도움을 받으면 진단 오류를 줄이는데 도움이 될 수 있으므로, 컴퓨터를 이용한 보조 진단 기술의 필요성이 부각되고 있다.
의료 영상에 대한 컴퓨터 보조 진단 (Computer Aided Diagnosis, CAD) 시스템에 있어서 병변의 모양(morphology)이나 질감(texture), 주위 조직과의 휘도 차이 등이 해당 병변의 악성여부를 결정짓는 중요한 요인이 되므로, 병변 검출(lesion detection)은 정확한 진단을 위한 핵심적인 요소이다.
최근, 컴퓨터를 이용하여 병변을 자동적으로 검출하는 기술들이 많이 제안되었다. 예를 들어, 영상의 각 화소나 작은 단위의 영역들 (superpixel 이라고도 알려짐)을 라벨링(labeling)하여 최종적으로 병변을 찾아내는 방법인 그래프 컷(Graph Cut) 방식이 사용되기도 하였다.
또한, 병변의 윤곽선(contour)을 찾아내기 위하여 활성 윤곽선 모델(active contour model)과 레벨 셋 방법(level set method)이 사용되기도 하였다.
이러한 병변 분할 방법들은 주로 영상에서 에너지 함수를 최소화하는 윤곽선을 찾는 방식으로 병변 영역을 찾으며, 이러한 에너지 함수들에 있어서 파라미터 값을 잘 선정해야 병변 검출에 있어서 좋은 결과를 얻을 수 있다.
따라서, 일반적으로 사용자는 도메인 지식이나 경험적(heuristically)으로 적절한 파라미터 값을 선정하여 고정된 값으로 사용하게 된다.
하지만, 초음파 유방 영상과 같이 영상획득 기기, 의사의 숙련도, 유방 조직의 치밀도, 초음파 트랜스듀서(transducer)의 신호 강도, 주위 환경 등에 따라서 영상의 질이 매우 크게 변화되는 경우에는 파라미터 값을 고정시켜 사용하면 좋은 결과를 기대하기 어렵다.
의료 영상에서 병변을 검출하기 위한 방법 및 장치를 제공하는 것을 목적으로 한다.
일 양상에 따른 병변 검출 장치는 의료 영상을 입력 받는 의료 영상 입력부, 미리 수집된 의료 영상으로부터 파라미터 예측 모델을 생성하는 파라미터 예측 모델 생성부, 상기 입력된 의료 영상으로부터 특징값을 추출하는 특징값 추출부 및 상기 추출된 특징값 및 상기 파라미터 예측 모델을 이용하여 병변 검출 알고리즘의 파라미터 값을 결정하는 파라미터 결정부를 포함할 수 있다.
일 양상에 따르면, 상기 특징값 추출부는 전역 특징값, 지역 특징값 및 메타(Meta) 특징값 중 적어도 하나 이상을 추출할 수 있다
일 양상에 따르면, 상기 파라미터 예측 모델 생성부는 미리 수집된 의료 영상 각각에서 추출된 특징값 및 상기 수집된 의료 영상 각각에 대한 최적의 파라미터 값을 학습 데이터로 이용하여 상기 파라미터 예측 모델을 생성할 수 있다.
일 양상에 따르면, 상기 병변 검출 알고리즘은 에너지 함수를 이용한 병변 검출 알고리즘일 수 있다.
일 양상에 따르면, 상기 병변 검출 알고리즘은 레벨 셋(level set) 알고리즘일 수 있다.
추가적 양상에 따르면, 상기 병변 검출 장치는 상기 결정된 파라미터 값이 적용된 상기 병변 검출 알고리즘을 이용하여 상기 의료 영상에서 병변을 검출하는 병변 검출부를 더 포함할 수 있다.
일 양상에 따르면, 파라미터 예측 모델 생성부는 상기 병변 검출 알고리즘의 파라미터가 복수인 경우, 하나 이상의 파라미터 예측 모델을 생성할 수 있다.
일 양상에 따른 병변 검출 방법은 미리 수집된 의료 영상으로부터 파라미터 예측 모델을 생성하는 단계, 의료 영상을 입력 받는 단계, 상기 입력된 의료 영상으로부터 특징값을 추출하는 단계 및 상기 추출된 특징값 및 상기 파라미터 예측 모델을 이용하여 병변 검출 알고리즘의 파라미터 값을 결정하는 단계를 포함할 수 있다.
일 양상에 따르면, 상기 특징값을 추출하는 단계는 전역 특징값, 지역 특징값 및 메타(Meta) 특징값 중 적어도 하나 이상을 추출할 수 있다.
일 양상에 따르면, 상기 파라미터 예측 모델을 생성하는 단계는 미리 수집된 의료 영상 각각에서 추출된 특징값 및 상기 수집된 의료 영상 각각에 대한 최적의 파라미터 값을 학습 데이터로 이용하여 상기 파라미터 예측 모델을 생성할 수 있다.
일 양상에 따르면, 상기 병변 검출 알고리즘은 에너지 함수를 이용한 병변 검출 알고리즘일 수 있다.
일 양상에 따르면, 상기 병변 검출 알고리즘은 레벨 셋(level set) 알고리즘일 수 있다.
추가적 양상에 따르면, 상기 병변 검출 방법은 상기 결정된 파라미터 값이 적용된 상기 병변 검출 알고리즘을 이용하여 상기 의료 영상에서 병변을 검출하는 단계를 더 포함할 수 있다.
일 양상에 따르면, 상기 파라미터 예측 모델을 생성하는 단계는 상기 병변 검출 알고리즘의 파라미터가 복수인 경우, 하나 이상의 파라미터 예측 모델을 생성할 수 있다.
의료 영상에서 병변을 검출함에 있어서, 입력된 의료 영상의 특징을 고려하여 병변 검출 알고리즘의 파라미터 값을 결정할 수 있도록 함으로써, 고정된 파라미터 값을 사용하는 경우와 비교하여 병변 검출의 정확성을 향상시킬 수 있다.
또한, 병변 검출의 정확성을 향상시킴으로써, 결과적으로 검출된 병변에 대한 진단 정확도를 향상시킬 수 있다.
도 1은 일 실시예에 따른 병변 검출 장치의 구성도,
도 2a 및 도 2b는 파라미터 예측 모델을 설명하기 위한 예시도,
도 3은 파라미터 예측 모델을 이용한 병변 검출 알고리즘의 파라미터 값 결정을 설명하기 위한 예시도,
도 4는 일 실시예에 따른, 병변 검출 방법의 절차도이다.
도 1은 일 실시예에 따른 병변 검출 장치의 구성도이다.
도 1을 참조하면, 일 실시예에 따른 병변 검출 장치는 의료 영상 입력부(110), 특징값 추출부(130), 파라미터 결정부(150),병변 검출부(170) 및 파라미터 예측 모델 생성부(190)를 포함할 수 있다.
의료 영상 입력부(110)는 병변 검출을 위한 의료 영상을 입력 받을 수 있다. 이때, 의료 영상은 전자방출단층 촬영(PET: Positron Emission Tomography) 영상, 마모그램(mammogram) 영상, 방사선 촬영(CR: Computed Radiography) 영상, 컴퓨터 단층 촬영(CT: Computed Tomography) 영상, 초음파 영상(Ultrasound image) 및 자기 공명 영상(MRI: Magnetic Resonance Image) 중 어느 하나일 수 있으며, 이 외에도 병변 진단에 활용될 수 있는 다양한 종류의 의료 영상일 수 있다.
특징값 추출부(130)는 의료 영상 입력부(110)로 입력된 의료 영상에서 특징값을 추출할 수 있다.
이때, 특징값은 영상의 밝기(brightness), 색상(color), 대비(contrast), 질감(texture), 특정 영역의 형태학적 특징(예를 들어, 경계선의 형태, 면적, 지름, 길이 등) 및 특정 영역과 주위 영역간의 상관 관계 등을 수치적으로 나타낸 값을 의미한다.
일 실시예에 따르면, 특징값 추출부(130)는 의료 영상에서 전역(global) 특징값, 지역(local) 특징값 및 메타(meta) 특징값 중 적어도 하나 이상을 추출할 수 있다.
이때, 전역 특징값은 입력된 의료 영상 전체 영역을 대상으로 하는 특징값을 의미한다.
또한, 지역 특징값은 입력된 의료 영상에서 특정 영역을 대상으로 하는 특징값을 의미하며, 메타 특징값은 전역 특징값과 지역 특징값을 상대적으로 고려한 특징값을 의미한다.
한편, 특정 영역은 병변의 대략적인 위치나 해부학적/병리학적으로 주요한 표시자(marker)를 의미하며, 사용자가 의료 영상에서 직접 선택하거나 컴퓨터에 의해 자동적으로 선택될 수 있다. 예를 들어 특정 영역은 입력된 의료 영상에서 선택된 초기 병변 영역일 수 있다.
파라미터 결정부(150)는 의료 영상에서 추출된 특징값을 이용하여 병변 검출 알고리즘의 파라미터 값을 결정할 수 있다.
이때, 병변 검출 알고리즘은 의료 영상에서 병변 영역의 윤곽선 부분의 특징을 에너지 함수로 정의하고, 에너지 함수의 값이 최소가 되는 윤곽선을 찾아 병변을 검출하기 위한 것으로, 레벨 셋 방법(level set method), 활성 윤곽선 모델(active contour model)등 에너지 함수를 이용하는 다양한 형태의 알고리즘일 수 있다.
일 실시예에 따르면, 병변 검출 알고리즘은 수학식 1과 같은 에너지 함수를 이용할 수 있다.
Figure pat00001
수학식 1에서 Iglobal _ region은 전체 입력 영상의 엔트로피, Ilocal _ region은 특정 영역의 엔트로피, Ccurvature는 특정 영역의 곡률, Cgradient는 특정 영역의 에너지 변화량을 나타낸다.
이때, 엔트로피는 서로 다른 부류의 클래스에 속하는 픽셀들이 섞여 있는 정도를 의미한다. 즉, 여러 종류의 클래스들에 포함되는 픽셀들이 섞여 있을수록 엔트로피는 커지게 된다. 또한, 특정 영역은 병변의 대략적인 위치나 해부학적/병리학적으로 주요한 표시자(marker)를 의미할 수 있고, 사용자가 의료 영상에서 직접 선택하거나 의료 영상에서 자동적으로 선택된 영역일 수 있다.
한편, 수학식 1에서 α, radius, β 및 γ는 각 항들의 가중치를 조절하는 파라미터를 의미한다.
구체적으로, α는 영상 전체 영역의 에너지 계수, radius는 특정 영역의 범위 , β는 특정 영역의 곡률 계수, γ는 특정 영역의 에너지 변화도 계수를 각각 의미한다.
한편, 수학식 1의 에너지 함수는 예시적인 것이므로, 반드시 이에 한정되는 것은 아니며, 다양한 형태의 에너지 함수를 정의하여 사용할 수 있다.
파라미터 예측 모델 생성부(190)는 미리 수집된 의료 영상 각각에서 추출된 특징값 및 수집된 각각의 의료 영상에 대한 최적의 파라미터 값을 학습데이터로 하여 파라미터 예측 모델을 생성하여 저장할 수 있다.
일 실시예에 따르면, 파라미터 예측 모델 생성부(190)는 병변 추출 알고리즘의 파라미터가 복수인 경우, 하나 이상의 파라미터 예측 모델을 생성할 수 있다.파라미터 결정부(150)는 특징값 추출부(130)에서 추출된 특징값 및 파라미터 예측 모델 생성부(190)에서 생성된 파라미터 예측 모델을 이용하여 병변 추출 알고리즘의 파라미터 중 적어도 하나 이상의 값을 결정할 수 있다.
파라미터 예측 모델의 생성 및 파라미터 값의 결정에 대한 보다 상세한 설명은 후술하기로 한다.
병변 검출부(170)는 파라미터 결정부(150)에서 결정된 파라미터 값을 병변 검출 알고리즘에 적용하여 입력된 의료 영상에서 병변을 검출할 수 있다.
구체적으로, 의료 영상에서 병변 영역의 내부와 외부를 가장 잘 구분 짓는 윤곽선일수록 에너지 함수의 값이 0에 가까운 값이 되므로, 병변 검출부(170)는 초기 윤곽선을 시작으로 윤곽선을 변화 시켜가면서, 에너지 함수가 0이 되는 윤곽선을 찾음으로써 병변을 검출할 수 있다.
이때, 초기 윤곽선은 사용자에 의해 선택되거나 컴퓨터에 의해 자동적으로 선택될 수 있다.
도 2a 및 도 2b는 파라미터 예측 모델을 설명하기 위한 예시도이다.
도 2a를 참조하면, 파라미터 예측 모델 생성을 위해 미리 수집된 의료 영상(210) 각각에서 추출된 특징값(220) 및 수집된 의료 영상 각각에 대한 최적의 파라미터 값(230)을 학습데이터로 이용할 수 있다.
이때, 미리 수집된 의료 영상에서 추출된 특징값(220)은 영상의 밝기(brightness), 대비(contrast), 색상(color), 질감(texture), 특정 영역의 형태학적 특징(예를 들어, 경계선의 형태, 면적, 지름, 길이 등) 및 특정 영역과 주위 영역간의 상관 관계 등일 수 있으며, 전역(global) 특징값, 지역(local) 특징값 및 메타(meta) 특징값 중 적어도 하나 이상을 포함할 수 있다.
한편, 최적의 파라미터 값(230)은 예를 들어, 수집된 의료 영상에서 가장 높은 병변 검출 정확도를 얻을 수 있는 병변 검출 알고리즘의 파라미터 값을 의미할 수 있다.
또 다른 예로, 최적의 파라미터 값(230)은 검출된 병변에 대한 진단 정확도가 다른 파라미터 값을 적용하여 검출된 병변에 대한 진단 정확도 보다 높은 파라미터 값을 의미할 수 있다.
한편, 학습 데이터로 사용되는 최적의 파라미터 값(230)은 사용자가 경험적으로 찾아낸 값이거나, 유전 알고리즘(genetic algorithm) 또는 브루트 포스 알고리즘(brute force algorithm) 등과 같은 알고리즘을 이용하여 도출된 값일 수 있다.
도 2b를 참조하면, 파라미터 예측 모델(250)은 미리 수집된 의료 영상에서 얻어진 학습 데이터(240)를 이용하여 SVM(Support Vector Machine), 기대값 최대화(Expectation-Maximization)와 같은 알고리즘을 이용한 기계학습 또는 다중 선형/비선형 회귀(multi-variate linear/non-linear regression) 등과 같은 통계적인 방법들을 이용하여 생성될 수 있고, 하나 이상의 방법들의 조합으로 생성될 수도 있다.
도 3은 파라미터 예측 모델을 이용한 병변 검출 알고리즘의 파라미터 값 결정을 설명하기 위한 예시도이다.
도 3을 참조하면, 진단을 위한 의료 영상(310)이 입력된 경우, 입력된 의료 영상에서 특징값(320)을 추출할 수 있다.
이때, 추출된 특징값(320)은 영상의 밝기, 대비, 색상, 질감, 특정 영역의 형태학적 특징(예를 들어, 경계선의 형태, 면적, 지름, 길이 등) 및 특정 영역과 주위 영역간의 상관 관계 등을 수치적으로 나타낸 것일 수 있다. 또한, 특정 영역은 예를 들어, 사용자에 의해 선택되거나 자동적으로 선택된 초기 병변 영역일 수 있다.
한편, 병변 검출 알고리즘의 파라미터(340)가 α, radius, β 및 γ인 것으로 가정하면, 파라미터 예측 모델은 각각의 파라미터마다 별도로 생성될 수 있다(331 내지 334).
예를 들어, 파라미터 α에 대한 파라미터 예측 모델(331)은 미리 수집된 의료 영상에서 추출된 특징값 및 수집된 의료 영상에서 최적의 결과를 도출할 수 있는 α값을 학습데이터로 하여 생성될 수 있다. 이때, 미리 수집된 의료 영상에서 추출된 모든 특징값을 학습 데이터로 사용할 수 있으나, 반드시 이에 한정되는 것은 아니며, 추출된 특징값 중 α값에 영향을 줄 수 있는 특징값을 선별적으로 학습데이터로 사용할 수도 있다.
예를 들어, 미리 수집된 의료 영상에서 추출된 특징값 중 α값에 영향을 줄 수 있는 특징값이 영상의 밝기, 대비 및 색상 등이라고 가정하는 경우, 추출된 특징값 중 영상의 밝기, 대비 및 색상에 대한 특징값을 α에 대한 파라미터 예측 모델(331)의 학습데이터로 사용할 수 있다.
마찬가지로, radius, β 및 γ에 대한 파라미터 예측 모델(332 내지 334) 역시 미리 수집된 의료 영상에서 추출된 모든 특징값을 학습데이터로 사용할 수 있으나, 추출된 특징값 중 각 파라미터에 영향을 줄 수 있는 특징값을 선별하여 학습데이터로 사용할 수도 있다.
한편, 입력된 의료 영상(310)에 대한 각각의 파라미터 값(340)은 입력된 의료 영상(310)에서 추출된 특징값(320)을 각각의 파라미터 예측 모델(331 내지 334)에 적용시킴으로써 산출될 수 있다.
구체적으로, 입력된 의료 영상(310)에서 추출된 특징값(320)을 α, radius, β 및 γ에 대한 파라미터 예측 모델(331 내지 334) 각각에 적용시켜 입력된 의료 영상(310)에 대한 α, radius, β 및 γ값(340)이 각각 산출될 수 있다(340).
한편, 도시된 예에서, 입력된 의료 영상(310)에서 추출된 모든 특징값(320)이 각각의 파라미터 예측 모델(331 내지 334)에 적용되었으나, 반드시 이에 한정되는 것은 아니며, 추출된 특징값(320) 중 각각의 파라미터 예측 모델(331 내지 334)별로 적용되는 특징값은 상이할 수 있다.
예를 들어, α에 대한 파라미터 예측 모델(331)이 영상의 밝기, 대비, 색상에 대한 특징값을 학습모델로 하여 생성된 경우, 추출된 특징값(320) 중 영상의 밝기, 대비, 색상에 대한 특징값이 α에 대한 파라미터 예측 모델(331)에 적용될 수 있다.
한편, 도시된 예와 달리 복수의 파라미터의 값을 하나의 예측 모델을 통해 구할 수 있는 경우, 복수의 파라미터 값에 대한 하나의 예측 모델이 생성될 수 있다.
예를 들어, α 및 β값을 하나의 예측 모델로 구할 수 있고, radius 및 γ값 역시 하나의 예측 모델로 구할 수 있는 경우, 2개의 파라미터 예측 모델이 생성될 수 있다. 또한, α, radius, β 및 γ값값을 하나의 예측 모델로 구할 수 있는 경우, 하나의 예측 모델이 생성될 수 있다.
즉, 병변 검출 알고리즘에서 사용되는 파라미터가 복수인 경우, 파라미터 예측 모델은 하나 이상일 수 있다.
도 4는 일 실시예에 따른 병변 검출 방법의 절차도이다.
도 4를 참조하면, 일 실시예에 따른 병변 검출 방법은 미리 수집된 의료 영상으로부터 특징값을 추출하여 파라미터 예측 모델을 생성할 수 있다(410).
구체적으로, 파라미터 예측 모델은 미리 수집된 의료 영상 각각에서 추출된 특징값 및 수집된 각각의 의료 영상 대한 최적의 파라미터 값을 학습 데이터로 하여 생성될 수 있다.
일 실시예에 따르면, 병변 검출을 위해 사용되는 병변 추출 알고리즘의 파라미터가 복수인 경우, 하나 이상의 파라미터 예측 모델이 생성될 수 있다.
한편, 진단을 위한 의료 영상이 입력된 경우(420), 입력된 의료 영상으로부터 특징값을 추출할 수 있다(430).
의료 영상은 전자방출단층 촬영(PET: Positron Emission Tomography), 마모그램(mammogram) 영상, 방사선 촬영(CR: Computed Radiography) 영상, 컴퓨터 단층 촬영(CT: Computed Tomography) 영상, 초음파 영상(Ultrasound image) 및 자기 공명 영상(MRI: Magnetic Resonance Image) 중 어느 하나일 수 일 수 있으며, 이 외에도 병변 진단에 활용될 수 있는 다양한 종류의 의료 영상일 수 있다.
한편, 특징값은 영상의 밝기(brightness), 색상(color), 대비(contrast), 질감(texture), 특정 영역의 형태학적 특징(예를 들어, 경계선의 형태, 면적, 지름, 길이 등) 및 특정 영역과 주위 영역간의 상관 관계 등을 수치적으로 나타낸 값을 의미한다.
또한, 일 실시예에 따르면, 의료 영상에서 추출되는 특징값은 전역(global) 특징값, 지역(local) 특징값 및 메타(meta) 특징값 중 적어도 하나 이상을 포함할 수 있다.
이때, 전역 특징값은 입력된 의료 영상 전체 영역을 대상으로 하는 특징값을 의미한다.
또한, 지역 특징값은 입력된 의료 영상에서 특정 영역을 대상으로 하는 특징값을 의미하며, 메타 특징값은 전역 특징값과 지역 특징값을 상대적으로 고려한 특징값을 의미한다.
한편, 특정 영역은 병변의 대략적인 위치나 해부학적/병리학적으로 주요한 표시자(marker)를 의미하며, 사용자가 의료 영상에서 직접 선택하거나 컴퓨터에 의해 자동적으로 선택될 수 있다.
입력된 의료 영상에서 특징값이 추출된 경우(430), 추출된 특징값을 이용하여 병변 검출 알고리즘의 파라미터 값을 결정할 수 있다(450).
이때, 병변 검출 알고리즘은 의료 영상에서 병변 영역의 윤곽선 부분의 특징을 에너지 함수로 정의하고, 에너지 함수의 값이 최소가 되는 윤곽선을 추출하여 병변을 검출하기 위한 것으로, 레벨 셋 방법(level set method), 활성 윤곽선 모델(active contour model)등 에너지 함수를 이용하는 다양한 형태의 알고리즘이 사용될 수 있다.
일 실시예에 따르면, 병변 검출 알고리즘의 파라미터 값은 입력된 의료 영상에서 추출된 특징값 및 미리 생성된 파라미터 예측 모델을 이용하여 결정될 수 있다.
한편, 병변 검출 알고리즘의 파라미터 값이 결정된 경우(450), 결정된 파라미터 값이 적용된 병변 검출 알고리즘을 이용하여 입력된 의료 영상에서 병변을 추출할 수 있다(470).
구체적으로, 입력된 의료 영상에서 초기 윤곽선을 시작으로 윤곽선을 변화 시켜가면서, 에너지 함수가 0이 되는 윤곽선을 찾음으로써 병변을 검출할 수 있다.
이때, 초기 윤곽선은 사용자에 의해 선택되거나 컴퓨터에 의해 자동적으로 선택될 수 있다.
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 장치에 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 등을 포함한다.
또한, 본 발명을 구현하기 위한 기능적인(functional) 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술 분야의 프로그래머들에 의하여 용이하게 추론될 수 있다.
이상에서는 본 발명에 대하여 그 바람직한 실시예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.
110: 의료 영상 입력부 130: 특징값 추출부
150: 파라미터 결정부 170: 병변 검출부
190: 파라미터 예측 모델 생성부

Claims (14)

  1. 의료 영상을 입력 받는 의료 영상 입력부;
    미리 수집된 의료 영상으로부터 파라미터 예측 모델을 생성하는 파라미터 예측 모델 생성부;
    상기 입력된 의료 영상으로부터 특징값을 추출하는 특징값 추출부; 및
    상기 추출된 특징값 및 상기 파라미터 예측 모델을 이용하여 병변 검출 알고리즘의 파라미터 값을 결정하는 파라미터 결정부;를 포함하는 병변 검출 장치.
  2. 제 1 항에 있어서,
    상기 특징값 추출부는,
    전역 특징값, 지역 특징값 및 메타(Meta) 특징값 중 적어도 하나 이상을 추출하는 병변 검출 장치.
  3. 제 1 항에 있어서,
    상기 파라미터 예측 모델 생성부는,
    미리 수집된 의료 영상 각각에서 추출된 특징값 및 상기 수집된 의료 영상 각각에 대한 최적의 파라미터 값을 학습 데이터로 이용하여 상기 파라미터 예측 모델을 생성하는 병변 검출 장치.
  4. 제 1 항에 있어서,
    상기 병변 검출 알고리즘은,
    에너지 함수를 이용한 알고리즘인 병변 검출 장치.
  5. 제 1 항에 있어서,
    상기 병변 검출 알고리즘은,
    레벨 셋(level set) 알고리즘인 병변 검출 장치.
  6. 제 1 항에 있어서,
    상기 결정된 파라미터 값이 적용된 상기 병변 검출 알고리즘을 이용하여 상기 의료 영상에서 병변을 검출하는 병변 검출부;를 더 포함하는 병변 검출 장치.
  7. 제 1 항에 있어서,
    상기 파라미터 예측 모델 생성부는,
    상기 병변 검출 알고리즘의 파라미터가 복수인 경우, 하나 이상의 파라미터 예측 모델을 생성하는 병변 검출 장치.
  8. 미리 수집된 의료 영상으로부터 파라미터 예측 모델을 생성하는 단계;
    의료 영상을 입력 받는 단계;
    상기 입력된 의료 영상으로부터 특징값을 추출하는 단계; 및
    상기 추출된 특징값 및 상기 파라미터 예측 모델을 이용하여 병변 검출 알고리즘의 파라미터 값을 결정하는 단계;를 포함하는 병변 검출 방법.
  9. 제 8 항에 있어서,
    상기 특징값을 추출하는 단계는,
    전역 특징값, 지역 특징값 및 메타(Meta) 특징값 중 적어도 하나 이상을 추출하는 병변 검출 방법.
  10. 제 8 항에 있어서,
    상기 파라미터 예측 모델을 생성하는 단계는,
    미리 수집된 의료 영상 각각에서 추출된 특징값 및 및 상기 수집된 의료 영상 각각에 대한 최적의 파라미터 값을 학습 데이터로 이용하여 상기 파라미터 예측 모델을 생성하는 병변 검출 방법.
  11. 제 8 항에 있어서,
    상기 병변 검출 알고리즘은,
    에너지 함수를 이용한 알고리즘인 병변 검출 방법.
  12. 제 8 항에 있어서,
    상기 병변 검출 알고리즘은,
    레벨 셋(level set) 알고리즘인 병변 검출 방법.
  13. 제 8 항에 있어서,
    상기 결정된 파라미터 값이 적용된 상기 병변 검출 알고리즘을 이용하여 상기 의료 영상에서 병변을 검출하는 단계;를 더 포함하는 병변 검출 방법.
  14. 제 8 항에 있어서,
    상기 파라미터 예측 모델을 생성하는 단계는,
    상기 병변 검출 알고리즘의 파라미터가 복수인 경우, 하나 이상의 파라미터 예측 모델을 생성하는 병변 검출 방법.









KR1020130075917A 2013-06-28 2013-06-28 병변 검출 장치 및 방법 KR20150002284A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020130075917A KR20150002284A (ko) 2013-06-28 2013-06-28 병변 검출 장치 및 방법
US14/308,469 US9305349B2 (en) 2013-06-28 2014-06-18 Apparatus and method for detecting lesion

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020130075917A KR20150002284A (ko) 2013-06-28 2013-06-28 병변 검출 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20150002284A true KR20150002284A (ko) 2015-01-07

Family

ID=52115639

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020130075917A KR20150002284A (ko) 2013-06-28 2013-06-28 병변 검출 장치 및 방법

Country Status (2)

Country Link
US (1) US9305349B2 (ko)
KR (1) KR20150002284A (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180040287A (ko) * 2016-10-12 2018-04-20 (주)헬스허브 기계학습을 통한 의료영상 판독 및 진단 통합 시스템
KR102152023B1 (ko) * 2019-12-23 2020-09-07 주식회사 인씨스 X-Ray 검색장비 영상 자동판독 보조프로그램을 구동하는 시스템 및 이를 이용한 방법
KR102200999B1 (ko) * 2019-10-30 2021-01-11 주식회사 메디누보 치아 이미지에 기초한 치주 질환 예후 평가 장치 및 방법
WO2021071286A1 (ko) * 2019-10-08 2021-04-15 (주)제이엘케이 생성적 적대 신경망 기반의 의료영상 학습 방법 및 장치
KR20210113084A (ko) 2020-03-06 2021-09-15 주식회사 루닛 의료 영상으로부터 바이오마커 발현을 예측하는 방법 및 시스템
WO2023215363A1 (en) * 2022-05-03 2023-11-09 Quantivly Inc. Identifying medical imaging protocols based on radiology data and metadata

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10603007B2 (en) 2009-11-27 2020-03-31 Qview Medical, Inc. Automated breast ultrasound equipment and methods using enhanced navigator aids
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
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
US20160113546A1 (en) * 2014-10-23 2016-04-28 Khalifa University of Science, Technology & Research Methods and systems for processing mri images to detect cancer
CN106021575A (zh) * 2016-05-31 2016-10-12 北京奇艺世纪科技有限公司 一种视频中同款商品检索方法及装置
CN109214451A (zh) * 2018-08-28 2019-01-15 北京安德医智科技有限公司 一种脑部异常的分类方法及设备
US20210407077A1 (en) * 2018-12-04 2021-12-30 Hoya Corporation Information processing device and model generation method
US10977924B2 (en) * 2018-12-06 2021-04-13 Electronics And Telecommunications Research Institute Intelligent river inundation alarming system and method of controlling the same
DE102019212103A1 (de) * 2019-08-13 2021-02-18 Siemens Healthcare Gmbh Surrogatmarker basierend auf medizinischen Bilddaten
CN110490262B (zh) * 2019-08-22 2022-06-03 京东方科技集团股份有限公司 图像处理模型生成方法、图像处理方法、装置及电子设备
US11896428B2 (en) * 2019-10-24 2024-02-13 Duke University Adaptive selection of ultrasound frequency
CN111429412B (zh) * 2020-03-17 2023-11-03 北京青燕祥云科技有限公司 肝包虫超声ai辅助诊断方法及系统
CN111507381B (zh) * 2020-03-31 2024-04-02 上海商汤智能科技有限公司 图像识别方法及相关装置、设备
CN112037167B (zh) * 2020-07-21 2023-11-24 苏州动影信息科技有限公司 一种基于影像组学和遗传算法的目标区域确定系统

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8543519B2 (en) * 2000-08-07 2013-09-24 Health Discovery Corporation System and method for remote melanoma screening
JP2005530261A (ja) 2002-06-21 2005-10-06 アイシス イノヴェイション リミテッド 画像処理における、または画像処理に関する改良
US7418123B2 (en) * 2002-07-12 2008-08-26 University Of Chicago Automated method and system for computerized image analysis for prognosis
AU2004251359B2 (en) * 2003-06-25 2009-01-22 Siemens Medical Solutions Usa, Inc. Systems and methods for automated diagnosis and decision support for breast imaging
JP2005198970A (ja) * 2004-01-19 2005-07-28 Konica Minolta Medical & Graphic Inc 医用画像処理装置
KR100701201B1 (ko) 2005-06-01 2007-03-29 한국전자통신연구원 지문영상의 품질 분류 방법 및 장치와 이를 이용한지문영상 인식 시스템
US7711158B2 (en) 2004-12-04 2010-05-04 Electronics And Telecommunications Research Institute Method and apparatus for classifying fingerprint image quality, and fingerprint image recognition system using the same
ATE412950T1 (de) * 2005-05-03 2008-11-15 Koninkl Philips Electronics Nv Quantifizierug auf basis virtueller läsionen
US7680312B2 (en) 2005-07-13 2010-03-16 Siemens Medical Solutions Usa, Inc. Method for knowledge based image segmentation using shape models
WO2007109704A2 (en) * 2006-03-22 2007-09-27 Cornell Research Foundation, Inc. Medical imaging visibility index system and method for cancer lesions
DE102008008601B4 (de) 2008-02-12 2010-07-29 Siemens Aktiengesellschaft Verfahren zur Verarbeitung von medizinischen Bilddaten zur schichtweisen Abbildung einer Struktur bei freier Atmung
WO2009105530A2 (en) * 2008-02-19 2009-08-27 The Trustees Of The University Of Pennsylvania System and method for automated segmentation, characterization, and classification of possibly malignant lesions and stratification of malignant tumors
JP5056695B2 (ja) 2008-09-24 2012-10-24 富士ゼロックス株式会社 類似画像提示装置及びプログラム
CN102246207A (zh) 2008-12-09 2011-11-16 皇家飞利浦电子股份有限公司 用于乳腺病灶表征的多分割结果的对照
US20100158332A1 (en) * 2008-12-22 2010-06-24 Dan Rico Method and system of automated detection of lesions in medical images
KR101126224B1 (ko) 2010-08-18 2012-06-05 가톨릭대학교 산학협력단 동적 ｍｒ 영상을 이용한 자동 전립선 분할 방법 및 시스템
TW201221117A (en) 2010-11-29 2012-06-01 Iner Aec Executive Yuan Enhancing segmentation for molecular image quantification system and the method thereof

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180040287A (ko) * 2016-10-12 2018-04-20 (주)헬스허브 기계학습을 통한 의료영상 판독 및 진단 통합 시스템
KR101880678B1 (ko) * 2016-10-12 2018-07-20 (주)헬스허브 기계학습을 통한 의료영상 판독 및 진단 통합 시스템
WO2021071286A1 (ko) * 2019-10-08 2021-04-15 (주)제이엘케이 생성적 적대 신경망 기반의 의료영상 학습 방법 및 장치
KR102200999B1 (ko) * 2019-10-30 2021-01-11 주식회사 메디누보 치아 이미지에 기초한 치주 질환 예후 평가 장치 및 방법
KR102152023B1 (ko) * 2019-12-23 2020-09-07 주식회사 인씨스 X-Ray 검색장비 영상 자동판독 보조프로그램을 구동하는 시스템 및 이를 이용한 방법
KR20210113084A (ko) 2020-03-06 2021-09-15 주식회사 루닛 의료 영상으로부터 바이오마커 발현을 예측하는 방법 및 시스템
KR20230118054A (ko) 2020-03-06 2023-08-10 주식회사 루닛 의료 영상으로부터 바이오마커 발현을 예측하는 방법및 시스템
WO2023215363A1 (en) * 2022-05-03 2023-11-09 Quantivly Inc. Identifying medical imaging protocols based on radiology data and metadata

Also Published As

Publication number Publication date
US20150003677A1 (en) 2015-01-01
US9305349B2 (en) 2016-04-05

Similar Documents

Publication Publication Date Title
KR20150002284A (ko) 병변 검출 장치 및 방법
CN106133790B (zh) 用于在组织种类分离的帮助下基于磁共振图像生成一幅或多幅计算机断层摄影图像的方法和设备
JP6877868B2 (ja) 画像処理装置、画像処理方法および画像処理プログラム
EP3210163B1 (en) Gaze-tracking driven region of interest segmentation
JP6598452B2 (ja) 医用画像処理装置及び医用画像処理方法
JP4499090B2 (ja) 画像領域セグメント化システムおよびその方法
EP3716202A1 (en) Systems and methods to facilitate review of liver tumor cases
US9406146B2 (en) Quantitative perfusion analysis
US8311301B2 (en) Segmenting an organ in a medical digital image
RU2589461C2 (ru) Устройство для создания присваиваний между областями изображения и категориями элементов
RU2589292C2 (ru) Устройство и способ формирования карты коррекции затухания
EP3664034B1 (en) Method and data processing system for providing lymph node information
JP2016514614A (ja) 画質インデックス及び／又はそれに基づく画像化パラメータ推奨
US20140348387A1 (en) Lesion classification apparatus, and method of modifying lesion classification data
JP6747785B2 (ja) 医用画像処理装置及び医用画像処理方法
JP6564075B2 (ja) 医用画像を表示するための伝達関数の選択
EP2697774A1 (en) Method and system for binary and quasi-binary atlas-based auto-contouring of volume sets in medical images
JP6275157B2 (ja) 画像データに基づく組織表面ラフネスの定量化、及びそれに基づく疾患の存在の決定
Zahel et al. Rapid assessment of liver volumetry by a novel automated segmentation algorithm
KR101886235B1 (ko) Ct 영상 기반의 신체크기 특이적 피폭선량 및 화질지수 제공 장치 및 방법
CN104027126A (zh) 医用图像处理装置以及医用图像处理方法
EP3391332A1 (en) Determination of registration accuracy
Orologas et al. Automated measurements of metabolic tumor volume and metabolic parameters in lung PET/CT imaging
CN108475423B (zh) 量化图像的方法
Logeswaran et al. Graph-cut energy minimization for object extraction in MRCP medical images

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E601 Decision to refuse application