KR20150047315A - 컴퓨터 보조 진단 방법 및 장치 - Google Patents
컴퓨터 보조 진단 방법 및 장치 Download PDFInfo
- Publication number
- KR20150047315A KR20150047315A KR1020130127246A KR20130127246A KR20150047315A KR 20150047315 A KR20150047315 A KR 20150047315A KR 1020130127246 A KR1020130127246 A KR 1020130127246A KR 20130127246 A KR20130127246 A KR 20130127246A KR 20150047315 A KR20150047315 A KR 20150047315A
- Authority
- KR
- South Korea
- Prior art keywords
- virtual plane
- generating
- volume data
- lesion
- dimensional
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000004195 computer-aided diagnosis Methods 0.000 title claims abstract description 6
- 230000003902 lesion Effects 0.000 claims abstract description 86
- 238000003745 diagnosis Methods 0.000 claims abstract description 70
- 230000003211 malignant effect Effects 0.000 claims abstract description 60
- 239000013598 vector Substances 0.000 claims description 41
- 238000012545 processing Methods 0.000 claims description 30
- 238000000513 principal component analysis Methods 0.000 claims description 29
- 238000002405 diagnostic procedure Methods 0.000 claims description 9
- 206010028980 Neoplasm Diseases 0.000 claims description 3
- 201000011510 cancer Diseases 0.000 claims description 3
- 230000036210 malignancy Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 9
- 238000010187 selection method Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000012631 diagnostic technique Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 238000012285 ultrasound imaging Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010011732 Cyst Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 208000031513 cyst Diseases 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 201000011066 hemangioma Diseases 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/005—General purpose rendering architectures
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- 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
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- 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
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5223—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data generating planar views from image data, e.g. extracting a coronal view from a 3D image
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
- A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
- A61B8/523—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for generating planar views from image data in a user selectable plane not corresponding to the acquisition plane
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/4808—Multimodal MR, e.g. MR combined with positron emission tomography [PET], MR combined with ultrasound or MR combined with computed tomography [CT]
- G01R33/4814—MR combined with ultrasound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/08—Volume rendering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/003—Navigation within 3D models or images
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
- G06T2207/10136—3D ultrasound image
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- High Energy & Nuclear Physics (AREA)
- Computer Graphics (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Optics & Photonics (AREA)
- Physiology (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Pulmonology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
컴퓨터 보조 진단 장치 및 방법에 관한 것으로, 볼륨 데이터로부터 복수의 2차원 슬라이스를 생성하여 병변 진단에 활용함으로써 진단 정확성을 향상시킬 수 있다.
Description
컴퓨터 보조 진단 방법 및 장치와 관련된다.
컴퓨터 보조 진단(CAD: Computer Aided Diagnosis)은 환자의 신체를 촬영한 의료 영상을 분석하여 병변을 진단하여 진단 결과를 의사에게 제시하여 의사가 병변에 대한 정확한 진단을 할 수 있도록 지원하는 시스템이다. 최근 의료 장비들의 급속한 발전에 따라 인체 내부 단면을 나타내는 3차원 영상을 출력하는 의료 장비들이 등장하고 있고, 이러한 3차원 영상을 이용한 컴퓨터 보조 진단 기술이 연구되고 있다.
그러나, 3차원 영상은 환자 신체 부위를 3차원적으로 표현하기 때문에 3차원 볼륨 내부에 위치한 장기 내지 조직 등에 대한 가시성이 떨어진다. 또한, 3차원 영상을 이용한 컴퓨터 보조 진단 기술의 연구에도 불구하고 의사 등과 같은 의료 전문가들은 여전히 3차원 영상보다는 주로 2차원 의료 영상을 보고 진단을 내리고 있으므로, 2차원 영상을 이용한 진단에 익숙하다.
볼륨 데이터를 이용하여 병변을 진단하는 컴퓨터 보조 진단 방법 및 장치를 제공하는 것을 목적으로 한다.
일 양상에 따른 컴퓨터 보조 진단 방법은 신체 부위를 3차원적으로 나타내는 볼륨 데이터를 입력받는 단계, 상기 볼륨 데이터를 적어도 하나의 방향으로 자른 단면을 포함하는 복수의 2차원 슬라이스를 생성하는 단계, 상기 복수의 2차원 슬라이스 각각에 대하여 병변의 양성/악성 여부를 판단하는 단계, 상기 복수의 2차원 슬라이스에 대한 병변의 양성/악성 여부 판단 결과를 이용하여 상기 복수의 2차원 슬라이스 중 일부를 선택하는 단계 및 선택된 2차원 슬라이스 각각에 대한 병변의 양성/악성 여부 판단 결과를 이용하여 병변의 양성/악성 여부를 최종적으로 판단하는 단계를 포함할 수 있다.
상기 병변의 양성/악성 여부를 판단하는 단계는 상기 복수의 2차원 슬라이스 각각을 적어도 하나의 진단 모델에 적용하여 상기 복수의 2차원 슬라이스 각각에 대한 병변의 양성/악성 여부를 판단할 수 있다.
상기 병변의 양성/악성 여부를 판단하는 단계는 상기 복수의 2차원 슬라이스 각각을 소정의 단면 절단 방향에 기초하여 생성된 하나의 진단 모델에 적용하여 상기 복수의 슬라이스 각각에 대한 병변의 양성/악성 여부를 판단할 수 있다.
상기 병변의 양성/악성 여부를 판단하는 단계는 상기 복수의 2차원 슬라이스의 단면 절단 방향에 기초하여 상기 복수의 2차원 슬라이스 각각을 단면 절단 방향별로 생성된 복수의 진단 모델에 적용하여 상기 복수의 2차원 슬라이스 각각에 대한 병변의 양성/악성 여부를 판단할 수 있다.
상기 복수의 2차원 슬라이스 각각에 대한 진단 결과는 병변의 양성/악성 여부에 대한 분류 결과 및 상기 분류 결과에 대한 신뢰도를 포함할 수 있다.
상기 생성하는 단계는 적어도 하나의 가상 평면을 생성하는 단계 및 상기 가상 평면에 의해 절단된 볼륨 데이터의 단면을 나타내는 2차원 슬라이스를 생성하는 단계를 포함할 수 있다.
상기 가상 평면을 생성하는 단계는 상기 볼륨 데이터 상의 임의의 평면을 나타내는 평면 방정식의 계수 값들을 변경하여 적어도 하나의 가상 평면을 생성할 수 있다.
상기 가상 평면을 생성하는 단계는 상기 볼륨 데이터의 주성분 분석을 이용하여 적어도 하나의 가상 평면을 생성할 수 있다.
상기 가상 평면을 생성하는 단계는 상기 볼륨 데이터의 복셀들의 값에 기초하여 상기 복셀들 중 소정의 특징을 갖는 특징점들을 결정하는 단계 및 상기 주성분 분석을 이용하여 상기 특징점의 분포로부터 적어도 하나의 가상 평면을 생성하는 단계를 포함할 수 있다.
상기 가상 평면을 생성하는 단계는 상기 주성분 분석을 통해 상기 볼륨 데이터의 변화가 가장 큰 축에 해당하는 제 1 주성분 벡터를 계산하고, 상기 제 1 주성분 벡터를 기준으로 적어도 하나의 가상 평면을 생성할 수 있다.
상기 가상 평면을 생성하는 단계는 상기 볼륨 데이터의 복셀들의 값에 기초하여 상기 볼륨 데이터에 포함되어 있는 매스(mass)를 검출하는 단계 및 상기 주성분 분석을 이용하여 상기 매스를 구성하는 점들의 분포로부터 적어도 하나의 가상평면을 생성하는 단계를 포함할 수 있다.
상기 가상 평면을 생성하는 단계는 사용자 입력에 기초하여 적어도 하나의 가상 평면을 생성할 수 있다.
일 양상에 따른 컴퓨터 보조 진단 장치는 신체 부위를 3차원적으로 나타내는 볼륨 데이터를 입력받는 입력부, 상기 볼륨 데이터를 적어도 하나의 방향으로 자른 단면을 포함하는 복수의 2차원 슬라이스를 생성하는 영상 처리부, 상기 복수의 2차원 슬라이스 각각에 대하여 병변의 양성/악성 여부를 판단하는 제 1 진단부, 상기 복수의 2차원 슬라이스에 대한 병변의 양성/악성 여부 판단 결과를 이용하여 상기 복수의 2차원 슬라이스 중 일부를 선택하는 선택부 및 선택된 2차원 슬라이스 각각에 대한 병변의 양성/악성 여부 판단 결과를 이용하여 병변의 양성/악성 여부를 최종적으로 판단하는 제 2 진단부를 포함할 수 있다.
상기 제 1 진단부는 상기 복수의 2차원 슬라이스 각각을 적어도 하나의 진단 모델에 적용하여 상기 복수의 2차원 슬라이스 각각에 대한 병변의 양성/악성 여부를 판단할 수 있다.
상기 제 1 진단부는 상기 복수의 2차원 슬라이스 각각을 소정의 단면 절단 방향에 기초하여 생성된 하나의 진단 모델에 적용하여 상기 복수의 슬라이스 각각에 대한 병변의 양성/악성 여부를 판단할 수 있다.
상기 제 1 진단부는 상기 복수의 2차원 슬라이스의 단면 절단 방향에 기초하여 상기 복수의 2차원 슬라이스 각각을 단면 절단 방향별로 생성된 복수의 진단 모델에 적용하여 상기 복수의 2차원 슬라이스 각각에 대한 병변의 양성/악성 여부를 판단할 수 있다.
상기 복수의 2차원 슬라이스 각각에 대한 진단 결과는 병변의 양성/악성 여부에 대한 분류 결과 및 상기 분류 결과에 대한 신뢰도를 포함할 수 있다.
상기 영상 처리부는 적어도 하나의 가상 평면을 생성하는 가상 평면 생성부 및 상기 가상 평면에 의해 절단된 볼륨 데이터의 단면을 나타내는 2차원 슬라이스를 생성하는 2차원 슬라이스 생성부를 포함할 수 있다.
상기 가상 평면 생성부는 상기 볼륨 데이터 상의 임의의 평면을 나타내는 평면 방정식의 계수 값들을 변경하여 적어도 하나의 가상 평면을 생성할 수 있다.
상기 가상 평면 생성부는 상기 볼륨 데이터의 주성분 분석을 이용하여 적어도 하나의 가상 평면을 생성할 수 있다.
상기 가상 평면 생성부는 상기 볼륨 데이터의 복셀들의 값에 기초하여 상기 복셀들 중 소정의 특징을 갖는 특징점들을 결정하고, 상기 주성분 분석을 이용하여 상기 특징점의 분포로부터 적어도 하나의 가상 평면을 생성할 수 있다.
상기 가상 평면 생성부는 상기 주성분 분석을 통해 상기 볼륨 데이터의 변화가 가장 큰 축에 해당하는 제 1 주성분 벡터를 계산하고, 상기 제 1 주성분 벡터를 기준으로 적어도 하나의 가상 평면을 생성할 수 있다.
상기 가상 평면 생성부는 상기 볼륨 데이터의 복셀들의 값에 기초하여 상기 볼륨 데이터에 포함되어 있는 매스(mass)를 검출하고, 상기 주성분 분석을 이용하여 상기 매스를 구성하는 점들의 분포로부터 적어도 하나의 가상평면을 생성할 수 있다.
상기 가상 평면 생성부는 사용자 입력에 기초하여 적어도 하나의 가상 평면을 생성할 수 있다.
일 양상에 따른 컴퓨터 보조 진단 방법은 신체 부위를 3차원적으로 나타내는 볼륨 데이터를 입력받는 단계, 상기 볼륨 데이터를 적어도 하나의 방향으로 자른 단면을 포함하는 복수의 2차원 슬라이스를 생성하는 단계, 복수의 진단 모델 중 상기 복수의 슬라이스 각각의 단면 절단 방향에 대응되는 진단 모델들을 통합한 통합 진단 모델을 생성하는 단계 및 상기 적어도 하나의 슬라이스를 상기 통합 진단 모델에 적용하여 병변의 양성/악성 여부를 판단하는 단계를 포함할 수 있다.
상기 하나의 진단 모델을 생성하는 단계는 복수의 진단 모델 중 상기 복수의 2차원 슬라이스 각각의 단면 절단 방향과 동일한 단면 절단 방향에 기초하여 생성된 적어도 하나의 진단 모델을 선택하는 단계 및 선택된 진단 모델들을 통합한 통합 진단 모델을 생성하는 단계를 포함할 수 있다.
상기 복수의 2차원 슬라이스를 생성하는 단계는 적어도 하나의 가상 평면을 생성하는 단계 및 상기 가상 평면에 의해 절단된 볼륨 데이터의 단면을 나타내는 2차원 슬라이스를 생성하는 단계를 포함할 수 있다.
상기 가상 평면을 생성하는 단계는 상기 볼륨 데이터 상의 임의의 평면을 나타내는 평면 방정식의 계수 값들을 변경하여 적어도 하나의 가상 평면을 생성할 수 있다.
상기 가상 평면을 생성하는 단계는 상기 볼륨 데이터의 주성분 분석을 이용하여 적어도 하나의 가상 평면을 생성할 수 있다.
일 양상에 따른 컴퓨터 보조 진단 장치는 신체 부위를 3차원적으로 나타내는 볼륨 데이터를 입력받는 입력부, 상기 볼륨 데이터를 적어도 하나의 방향으로 자른 단면을 포함하는 복수의 2차원 슬라이스를 생성하는 영상 처리부 및 복수의 진단 모델 중 상기 복수의 슬라이스 각각의 단면 절단 방향에 대응되는 진단 모델들을 통합한 통합 진단 모델을 생성하고, 상기 적어도 하나의 슬라이스를 상기 통합 진단 모델에 적용하여 병변의 양성/악성 여부를 판단하는 진단부를 포함할 수 있다.
상기 진단부는 복수의 진단 모델 중 상기 복수의 2차원 슬라이스 각각의 단면 절단 방향과 동일한 단면 절단 방향에 기초하여 생성된 적어도 하나의 진단 모델을 통합한 통합 진단 모델을 생성할 수 있다.
상기 영상 처리부는 적어도 하나의 가상 평면을 생성하는 가상 평면 생성부 및 상기 가상 평면에 의해 절단된 볼륨 데이터의 단면을 나타내는 2차원 슬라이스를 생성하는 2차원 슬라이스 생성부를 포함할 수 있다.
상기 가상 평면 생성부는 상기 볼륨 데이터 상의 임의의 평면을 나타내는 평면 방정식의 계수 값들을 변경하여 적어도 하나의 가상 평면을 생성할 수 있다.
상기 가상 평면 생성부는 상기 볼륨 데이터의 주성분 분석을 이용하여 적어도 하나의 가상 평면을 생성할 수 있다.
의사에게 익숙한 2차원 의료 영상을 이용하여 볼륨 데이터에 대한 진단을 수행할 수 있도록 하여 볼륨 데이터에 대한 진단 정확도를 향상시킬 수 있다.
도 1은 일 실시예에 따른 컴퓨터 보조 진단 장치의 구성도,
도 2는 일 실시예에 따른 영상 처리부의 구성도,
도 3은 일 실시예에 따른 진단부의 구성도,
도 4는 전역 탐색 방법을 설명하기 위한 예시도,
도 5 및 6은 주성분 탐색 방법을 설명하기 위한 예시도,
도 7 내지 9는 2차원 슬라이스 선택을 설명하기 위한 예시도,
도 10은 일 실시예에 따른 컴퓨터 보조 진단 방법의 절차도,
도 11은 일 실시예에 따른 볼륨 데이터로부터 2차원 슬라이스를 생성하는 과정을 나타낸 절차도,
도 12은 다른 실시예에 따른 컴퓨터 보조 진단 방법의 절차도이다.
도 2는 일 실시예에 따른 영상 처리부의 구성도,
도 3은 일 실시예에 따른 진단부의 구성도,
도 4는 전역 탐색 방법을 설명하기 위한 예시도,
도 5 및 6은 주성분 탐색 방법을 설명하기 위한 예시도,
도 7 내지 9는 2차원 슬라이스 선택을 설명하기 위한 예시도,
도 10은 일 실시예에 따른 컴퓨터 보조 진단 방법의 절차도,
도 11은 일 실시예에 따른 볼륨 데이터로부터 2차원 슬라이스를 생성하는 과정을 나타낸 절차도,
도 12은 다른 실시예에 따른 컴퓨터 보조 진단 방법의 절차도이다.
이하, 첨부된 도면을 참조하여 실시예를 상세히 기술하기로 한다.
도 1은 일 실시예에 따른 컴퓨터 보조 진단 장치의 구성도이다.
도 1을 참조하면, 도 1에 도시된 실시예에 따른 컴퓨터 보조 진단 장치(100)는 입력부(110), 영상 처리부(130) 및 진단부(150)를 포함할 수 있다.
입력부(110)는 환자의 신체 부위를 3차원적으로 나타내는 볼륨 데이터를 입력받아 영상 처리부(130)로 전달한다. 볼륨 데이터는 3D 프로브를 이용한 3D 초음파 영상 기기, 컴퓨터 단층 촬영(Computed Tomography, CT), 자기 공명 영상(Mgnetic Resonance Imaging, MRI), X-ray 촬영 기기 등과 같은 3차원 의료영상 획득 장비를 이용하여 획득될 수 있다.
초음파 이미지의 예를 들면, 환자 신체 위에서 초음파 프로브의 위치(location)와 방향(orientation)을 변화시키면서, 환자 신체의 특정 부위에 대한 다수의 단면 영상들을 생성한다. 이어서, 생성된 단면 영상들을 축적하여 환자 신체의 특정 부위를 3차원적으로 나타내는 3차원 볼륨(volume) 데이터를 생성한다. 이와 같이 단면 영상들을 축적하여 볼륨 데이터를 생성하는 방식을 MPR(Multiplanar reconstruction) 방식이라고 한다.
영상 처리부(130)는 입력부(110)를 통해 입력된 볼륨 데이터를 적어도 하나의 방향으로 자른 단면을 포함하는 복수의 2차원 슬라이스를 생성하여 진단부(150)에 전달한다. 보다 구체적으로, 영상 처리부(130)는 볼륨 데이터의 3차원 공간에서 적어도 하나의 가상 평면을 생성할 수 있다. 이후, 생성된 가상 평면에 의해 절단된 볼륨 데이터의 단면을 포함하는 2차원 슬라이스를 생성할 수 있다. 도 2를 참조하면, 영상 처리부(130)는 가상 평면 생성부(131) 및 2차원 슬라이스 생성부(132)를 포함할 수 있다.
가상 평면 생성부(131)는 전역 탐색 또는 주성분 탐색을 통해 적어도 하나의 가상 평면을 생성할 수 있다.
예를 들어, 가상 평면 생성부(131)는 임의의 평면 방정식에서 기울기 및 중심 좌표 값을 변경하면서 볼륨 데이터의 3차원 공간 상에서 생성 가능한 모든 가상 평면을 생성할 수 있다(전역 탐색).
구체적으로, 가상 평면 생성부(131)는 수학식 1과 같은 평면 방정식을 이용하여 가상 평면을 생성할 수 있다.
수학식 1은 3차원 공간상의 점 (id, jd, kd)을 지나고, 벡터 (1, pd, qd)에 수직인 평면의 방정식이다. 가상 평면 생성부(131)는 수학식 1에서 기울기 값 pd, qd 와 중심 좌표값 id, jd, kd를 변경하여 볼륨 데이터의 3차원 공간 상에서 생성 가능한 모든 평면들의 평면 방정식을 계산할 수 있다.
도 4를 참조하여 전역 탐색을 이용하여 단면 방향을 결정하는 구체적인 예를 설명하면 다음과 같다. 도 4의 (a)는 수학식 1에서 다른 계수 값들이 고정된 상태에서 기울기 pd가 변화할 때 3차원 공간상의 점 (id, jd, kd)를 지나면서 ij 평면에 수직인 벡터를 중심으로 -90도에서 90도의 범위로 회전하는 평면들을 나타낸다.
또한, 도 4의 (b)는 수학식 1에서 다른 계수 값들이 고정된 상태에서 기울기 qd가 변화할 때 3차원 공간상의 점 (id, jd, kd)를 지나면서 ik 평면에 수직인 벡터를 중심으로 -90도에서 90도의 범위로 회전하는 평면들을 나타낸다.
도 4의 (c)는 수학식 1에서 다른 계수 값들이 고정된 상태에서 id가 변화할 때 3차원 공간상의 점 (id, jd, kd)를 포함하는 평면들을 나타낸다.
중심 좌표의 다른 계수 jd, kd가 변화할 때에도 도 4의 (c)에 도시된 평면들과 유사한 방식으로 3차원 공간상의 점 (id, jd, kd)을 포함하는 평면들이 생성될 수 있다.
다른 예로, 가상 평면 생성부(131)는 입력된 볼륨 데이터의 주성분 분석(Principal Component Analysis, PCA)을 이용하여 적어도 하나의 가상 평면을 생성할 수 있다(주성분 탐색).
구체적으로, 가상 평면 생성부(131)는 볼륨 데이터의 주성분 분석을 수행함으로써 3차원 공간에서 볼륨 데이터에서 변화가 가장 큰 방향의 축에 해당하는 제 1 주성분 벡터를 계산하고, 제 1 주성분 벡터를 기준으로 가상 평면을 생성할 수 있다. 예를 들어, 가상 평면 생성부(131)는 볼륨 데이터의 주성분 분석을 통해 제 1 주성분 벡터와 제 2 주성분 벡터가 결정되면, 제 1 주성분 벡터와 제 2 주성분 벡터로 구성된 평면을 계산할 수 있다. 여기서, 제 2 주성분 벡터는 볼륨 데이터에서 변화가 두 번째로 큰 방향의 축을 의미한다. 각각의 주성분 벡터는 3차원 공간에서 어느 하나의 방향의 축을 의미하므로, 두 개의 주성분 벡터들에 의해 하나의 평면이 특정될 수 있다. 이 평면이 주성분 분석에 따른 볼륨 데이터의 변화가 가장 큰 평면에 해당된다.
한편, 주성분 분석은 일종의 통계적 분석 방식이므로 완전히 정확할 수는 없다. 이를 고려하여, 가상 평면 생성부(131)는 제 1 주성분 벡터, 제 2 주성분 벡터 이외의 주성분 벡터을 계산하고, 3 개 이상의 주성분 벡터들의 조합으로부터 다수의 평면들을 생성해 나가는 방식으로 하나 이상의 가상 평면을 생성할 수 있다.
도 5 및 도 6을 참조하여 주성분 탐색을 이용하여 단면 방향을 결정하는 구체적인 예를 설명하면 다음과 같다.
도 5의 (a)에 도시된 평면들 중 맨 앞의 평면은 제 1 주성분 벡터와 제 2 주성분 벡터로 구성된 평면을 나타낸다. 나머지 평면들은 제 1 주성분 벡터와 제 2 주성분 벡터로 구성된 평면을 제 3 주성분 벡터의 방향으로 평행하게 이동시킴으로써 생성된 평면들을 나타낸다. 도 5의 (b)에 도시된 평면들 중 맨 앞의 평면은 제 1 주성분 벡터와 제 3 주성분 벡터로 구성된 평면을 나타낸다. 나머지 평면들은 제 1 주성분 벡터와 제 3 주성분 벡터로 구성된 평면을 제 2 주성분 벡터의 방향으로 평행하게 이동시킴으로써 생성된 평면들을 나타낸다.
한편, 가상 평면 생성부(131)는 볼륨 데이터의 2차원 주성분 분석(2-dimensional PCA)을 이용하여 3차원 공간에서의 볼륨 데이터의 변화 형태에 따라 적어도 하나의 가상 평면을 생성할 수도 있다. 보다 상세하게 설명하면, 가상 평면 생성부(131)는 입력된 볼륨 데이터에서 2차원 주성분 분석을 수행하여 3차원 공간에서 볼륨 데이터의 변화가 가장 큰 평면을 계산한 후, 계산된 평면을 기준으로 적어도 하나의 가상 평면을 생성할 수 있다. 또한, 생성된 가상 평면을 평행하게 이동시킴으로써 생성된 가상 평면에 평행한 추가적인 가상 평면을 생성할 수 있다.
도 6의 (a)를 참조하면, 가상 평면 생성부(131)는 볼륨 데이터의 복셀들의 값에 기초하여 3차원 볼륨에 포함되는 매스(mass)를 검출하고, 3차원 공간에서 매스를 구성하는 점들의 분포로부터 주성분 벡터를 계산할 수 있다. 이때, 매스는 3차원 볼륨에 포함되는 어떤 객체(object)를 의미한다. 3차원 볼륨이 어떤 매스를 포함하는 경우, 일반적으로 그 매스의 경계 부분에서 복셀 값들이 크게 변화된다. 다만, 신체 조직들(anatomical tissues)은 균질(homogeneous)하지 않으며, 이들의 경계는 영상 내에서 명확하게 정의되지 않는 경우가 대부분이다. 또한, 의료 전문가가 진단하고자 하는 특정 조직의 형태나 영상 특성 등에 관한 정보가 요구되기도 한다.
볼륨 데이터로부터 매스를 분할(segment)해내는 방법에는 레벨 셋 방법(level set method) 등 여러 가지 방법들이 존재한다. 예를 들어, 가상 평면 생성부(131)는 레벨 셋 방법을 이용하여 볼륨 데이터의 복셀들의 값에 기초하여 3차원 볼륨에 포함되는 매스를 분할해낼 수 있다.
도 6의 (b)를 참조하면, 가상 평면 생성부(131)는 볼륨 데이터에 포함된 복셀들의 값에 기초하여 복셀들 중 진단하고자 하는 특정 조직의 형태나 영상 특성 등의 특징을 갖는 특징점들을 결정하고, 3차원 공간에 특징점들의 분포로부터 주성분 벡터를 계산할 수 있다.
도 6의 (c)를 참조하면, 가상 평면 생성부(131)는 볼륨 데이터의 복셀들 중 어느 하나의 복셀을 중심으로 하는 일정 크기의 복셀 집합을 이용하여 이 복셀의 특징을 계산할 수 있다. 예를 들어, 가상 평면 생성부(131)는 복셀 집합을 구성하는 복셀들의 밝기 값들의 평균을 복셀 집합의 중심 복셀의 특징으로 할 수 있다. 또 다른 예로, 가상 평면 생성부(131)는 복셀 집합을 구성하는 복셀들의 밝기 값들의 분산을 복셀 집합의 중심 복셀의 특징으로 할 수 있다.
한편, 가상 평면 생성부(131)가 가상 평면을 생성하는 방법은 상기된 예에 한정되지 않으며, 다양한 방식들이 적용될 수 있다. 예를 들어, 가상 평면 생성부(131)는 사용자 입력에 기초하여 적어도 하나의 가상 평면을 생성할 수 있다. 구체적으로, 가상 평면 생성부(131)는 사용자 인터페이스를 통해 사용자로부터 입력 받은 절단 방향을 기준으로 적어도 하나의 가상 평면을 생성할 수 있다.
2차원 슬라이스 생성부(132)는 가상 평면 생성부(131)에서 생성된 적어도 하나의 가상 평면 각각에 의해 절단된 볼륨 데이터의 단면을 포함하는 복수의 2차원 슬라이스를 생성할 수 있다. 구체적으로, 2차원 슬라이스 생성부(132)는 볼륨 데이터의 복셀들 중에서 가상 평면 생성부(131)에서 생성된 가상 평면에 교차되는 복셀들을 추출한다. 이후, 추출된 복셀들의 값을 가상 평면 상의 픽셀 값으로 표현함으로써 2차원 슬라이스를 생성할 수 있다.
이때, 볼륨 데이터의 복셀들 중 가상 평면 생성부(131)에서 생성된 가상 평면 상에 존재하는 복셀들만으로는 진단에 충분한 영상이 표현되지 않을 수 있다. 따라서, 일 실시예에 따르면, 2차원 슬라이스 생성부(132)는 볼륨 데이터의 복셀들의 값들을 이용하여 추출된 복셀들에 해당하는 픽셀들을 제외한 나머지 픽셀들을 보간(interpolate)할 수 있다. 이후, 2차원 슬라이스 생성부(132)는 추출된 복셀들에 대응하는 픽셀들의 값과 보간된 보간된 픽셀들의 값을 병합함으로서 하나의 슬라이스를 생성할 수 있다. 이를 통해 진단을 위해 충분한 해상도를 갖는 2차원 슬라이스가 생성될 수 있다.
진단부(150)는 2차원 슬라이스 생성부(110)에서 생성된 복수의 2차원 슬라이스 각각에 대하여 진단을 수행할 수 있다. 구체적으로, 진단부(150)는 각각의 2차원 슬라이스에 대하여 병변의 양성/악성 여부를 판단할 수 있다. 이때, 병변의 양성/악성 여부 판단은 2차원 슬라이스에 포함된 병변의 양성/악성 여부에 대한 분류 결과 및 분류 결과에 대한 신뢰도를 포함할 수 있다. 이후, 진단부(150)는 복수의 2차원 슬라이스 각각에 대한 병변의 양성/악성 여부 판단 결과에 기초하여 일부의 2차원 슬라이스를 선택하고, 선택된 슬라이스 각각에 대한 병변의 양성/악성 여부 판단 결과에 기초하여 최종적으로 병변의 양성/악성 여부를 판단할 수 있다.
도 3을 참조하면, 진단부(150)는 제 1 진단부(151), 선택부(152) 및 제 2 진단부(153)를 포함할 수 있다. 제 1 진단부(151)는 영상 처리부(130)에서 생성된 복수의 2차원 슬라이스 각각에 대하여 병변의 양성/악성 여부를 판단할 수 있다. 보다 상세히 설명하면, 제 1 진단부(151)는 복수의 2차원 슬라이스 각각에서 병변의 위치를 탐지하고 이를 기반으로 정확한 병변의 윤곽을 표시함으로써 병변을 분할할 수 있다. 이때, 병변의 검출과 분할은 널리 알려진 기법을 이용할 수 있다. 예를 들어, 제 1 진단부(151)는 영역 확장 알고리즘(region growing algorithm), 레벨 셋 알고리즘(level set algorithm), 유전 알고리즘(genetic algorithm) 등 다양한 분할 기법을 이용하여 병변을 분할할 수 있다.
또한, 제 1 진단부(151)는 분할된 병변의 특징을 추출하여 병변의 양성/악성 여부를 판단할 수 있다. 이때, 병변의 특징은 예를 들어, 병변 경계의 형태, 마진(margin), 오리엔테이션(orientation), 첨상(speculation), 미소엽(microlobulation) 등과 같은 병변의 형태적 특징일 수 있다. 또 다른 예로, 병변의 특징은 영상의 고유한 특성일 수 있다. 구체적인 예로, 초음파 영상의 경우, 병변의 특징은 에코 패턴(echo pattern), 포스테리어 음향(posterior acoustic) 등을 포함할 수 있다.
제 1 진단부(151)는 추출된 병변의 특징으로부터 특징벡터를 생성하고, 생성된 특징벡터를 적어도 하나의 진단 모델에 적용함으로써 병변의 양성/악성 여부를 분류하고 분류 결과에 대한 신뢰도를 계산할 수 있다. 이때, 진단 모델의 생성과 진단 모델을 이용한 병변의 양성/악성 분류 및 신뢰도 계산은 기계학습(machine learning) 을 통해 수행될 수 있다. 예를 들어, 기계학습 기법은 신경 회로망(neural network), Bayesian claasifier, multi-layer perceptron, SVM(Support Vector Machine) 등과 같은 다양한 알고리즘이 사용될 수 있다.
보다 구체적으로, 진단 모델은 이전에 수집된 하나 이상의 볼륨 데이터에서 생성된 2차원 슬라이스로부터 병변의 특징을 추출하여 특징벡터를 생성하고 각각의 특징벡터에 대한 양성/악성 여부에 대한 분류 결과를 학습 데이터(training data)로 사용하여 생성될 수 있다.
한편, 제 1 진단부(151)는 적어도 하나의 진단 모델을 이용하여 영상 처리부(130)에서 생성된 복수의 2차원 슬라이스 각각에 대한 진단을 수행할 수 있다.
예를 들어, 간(liver)과 같은 장기나 낭종(cyst), 혈관종(hemangioma)의 경우, 단면의 절단 방향에 따른 병변 형태의 차이가 크지 않다. 따라서, 특정한 절단 방향에 기초하여 생성된 하나의 진단모델을 이용하여 다른 절단 방향에 기초하여 생성된 2차원 슬라이스에 대한 진단을 수행하더라도 진단 결과에 큰 영향을 미치지 않는다. 따라서, 제 1 진단부(151)는 미리 획득된 하나 이상의 볼륨 데이터에서 특정한 단면 절단 방향에 기초하여 생성된 2차원 슬라이스들을 학습 데이터로 사용하여 기계학습을 통해 생성된 하나의 진단 모델에 영상 처리부(130)에서 생성된 복수의 2차원 슬라이스 각각을 적용하여 진단을 수행할 수 있다.
또 다른 예로, 유방(breast)이나 폐(lung)의 경우, 동일한 병변이라도 단면의 절단 방향에 따라 2차원 슬라이스 상에 나타나는 병변의 모양이 상이할 수 있으므로, 각각의 2차원 슬라이스에 대한 진단 결과는 단면의 절단 방향에 의존적일 수 있다. 따라서, 제 1 진단부(151)는 영상 처리부(130)에서 생성된 복수의 2차원 슬라이스 각각의 단면 절단 방향에 기초하여 복수의 단면 절단 방향별로 생성된 복수의 진단 모델에 복수의 2차원 슬라이스 각각을 적용하여 진단을 수행할 수 있다.
보다 구체적으로, 복수의 진단 모델은 미리 획득된 볼륨 데이터를 상이한 방향으로 절단한 단면을 포함하는 복수의 2차원 슬라이스를 학습 데이터로 사용하여 단면의 절단 방향별로 생성될 수 있다. 제 1 진단부(151)는 영상 처리부(130)에서 생성된 복수의 2차원 슬라이스 각각을 동일한 절단 방향에 기초하여 생성된 진단 모델에 적용하여 각각의 2차원 슬라이스에 대한 진단을 수행할 수 있다.
선택부(152)는 제 1 진단부(151)에서 수행된 각각의 2차원 슬라이스에 대한 병변의 양성/악성 여부 판단 결과에 기초하여 일부의 2차원 슬라이스를 선택할 수 있다. 보다 구체적으로, 선택부(152)는 각각의 2차원 슬라이스에 대한 양성/악성 분류 결과 또는 분류 결과에 대한 신뢰도 중 적어도 하나에 기초하여 일부의 2차원 슬라이스를 선택할 수 있다. 이때, 2차원 슬라이스의 선택은 순위 기반 선택 방법, 토너먼트 선택 방법, 룰렛 휠(roulette wheel) 선택 방법, 확률 샘플링 등 다양한 선택 기법을 이용할 수 있다.
구체적인 예로, 도 7을 참조하면, 선택부(152)는 신뢰도가 높은 순으로 상위 k개의 2차원 슬라이스를 선택할 수 있다. 도시된 예에서, 동일한 단면 번호(단면 1 내지 5)는 동일한 방향으로 절단된 단면을 나타낸다. 한편, 슬라이스 5, 7, 8 및 9에 대한 분류 결과는 양성(Benign)이며, 슬라이스 1 및 12에 대한 분류 결과는 악성(Malignant)이다. 선택부(152)는 분류 결과에 대한 신뢰도가 높은 순서대로 영상 처리부(130)에서 생성된 2차원 슬라이스를 정렬하고 신뢰도가 높은 순서대로 상위 k개의 2차원 슬라이스를 선택할 수 있다.
도 8을 참조하면, 선택부(152)는 각 단면의 절단 방향별로 정해진 수의 2차원 슬라이스를 추출한 후, 추출된 2차원 슬라이스에서 k개의 2차원 슬라이스를 선택할 수 있다. 도시된 예에서, 선택부(152)는 영상 처리부(130)에서 2차원 슬라이스 생성을 위해 사용된 절단 방향의 개수가 N개 인 경우, 각 절단 방향별로 신뢰도가 높은 k/N개의 2차원 슬라이스를 골고루 선택하여 k개의 2차원 슬라이스를 선택할 수 있다.
도 9를 참조하면, 선택부(152)는 무작위로 2개 이상의 2차원 슬라이스를 그룹으로 묶어서 신뢰도를 비교한 후 각 그룹에서 신뢰도가 높은 순서대로 적어도 하나의 2차원 슬라이스를 선택할 수 있다. 이후, 선택부(152)는 선택된 2차원 슬라이스들을 다시 무작위로 그룹을 묶어서 신뢰도를 비교한 후 각 그룹에서 신뢰도가 높은 순서대로 적어도 하나의 2차원 슬라이스를 선택할 수 있다. 선택부(152)는 k개의 2차원 슬라이스가 선택될 때까지 위와 같은 과정을 반복함으로써 k개의 2차원 슬라이스를 선택할 수 있다.
제 2 진단부(153)는 선택부(152)에서 선택된 k개의 2차원 슬라이스에 대한 진단결과를 이용하여 병변의 양성/악성 여부를 최종적으로 판정할 수 있다. 구체적으로, 제 2 진단부(153)는 k개의 2차원 슬라이스 각각에 대한 진단 결과를 이용하여 다수결(majority voting)과 같은 voting 방법, 평균과 같은 통계적 방법 또는 Adaboost, Bayes optimal classifier, bootstrap aggregating과 같은 앙상블 방법(ensemble method)을 통해 병변의 양성/악성 여부를 최종적으로 판정할 수 있다.
구체적인 예로, 선택부(152)에서 선택된 2차원 슬라이스가 5개이고, 선택된 2차원 슬라이스 각각에 대한 병변의 분류 결과는 2개가 악성이며, 3개가 양성인 경우, 제 2 진단부(153)는 양성으로 최종 진단결과를 결정할 수 있다.
또 다른 예로, 선택부(152)에서 선택된 2차원 슬라이스가 5개이며, 악성으로 분류된 2개의 2차원 슬라이스에 대한 신뢰도가 각각 60% 및 75%이고, 양성으로 분류된 3개의 2차원 슬라이스에 대한 신뢰도가 각각 60%, 80% 및 85%인 경우, 악성에 대한 신뢰도 평균은 67.5%이며, 양성에 대한 신뢰도 평균은 75%가 된다. 따라서, 제 2 진단부(153)는 신뢰도 평균이 높은 양성을 최종 진단 결과로 판정할 수 있다.
한편, 다시 도 2를 참조하면, 도 3의 경우와 달리 진단부(150)는 복수의 진단 모델 중 적어도 하나의 진단 모델을 선택하여 통합한 통합 진단 모델을 이용하여 병변의 양성/악성 여부를 판단할 수 있다. 구체적으로, 진단부(150)는 단면 절단 방향 별로 생성된 복수의 진단 모델을 하나의 진단 모델로 통합한 뒤 영상 처리부(130)에서 생성된 복수의 2차원 슬라이스를 통합된 진단 모델에 적용하여 최종 판정을 도출할 수 있다.
보다 구체적으로, 진단부(150)는 복수의 진단 모델 중에서 영상 처리부(130)에서 생성된 복수의 2차원 슬라이스의 단면 절단 방향 각각과 동일한 단면 절단 방향에서 생성된 하나 이상의 진단 모델을 선택할 수 있다. 이후, 진단부(150)는 선택된 진단 모델들을 하나의 진단 모델로 통합한다. 이후, 진단부(150)는 영상 처리부(130)에서 생성된 복수의 2차원 슬라이스 각각에서 특징값을 계산하여 특징값 벡터를 생성하고, 이를 통합된 진단 모델에 적용함으로써, 병변의 양성/악성 여부를 판단할 수 있다.
도 10은 일 실시예에 따른 컴퓨터 보조 진단 방법의 절차도이다.
도 10을 참조하면, 컴퓨터 보조 진단 장치(100)는 입력부(110)를 통해 볼륨 데이터를 입력 받는다(1010). 이후, 영상 처리부(130)는 입력된 볼륨 데이터에서 입력된 볼륨 데이터를 적어도 하나의 방향으로 자른 단면을 나타내는 복수의 2차원 슬라이스를 생성한다(1020).
한편, 진단부(150)는 영상 처리부(130)에서 생성된 복수의 2차원 슬라이스 각각에 대하여 병변의 양성/악성 여부를 판단할 수 있다(1030). 예를 들어, 진단부(150)는 영상 처리부(130)에서 생성된 복수의 2차원 슬라이스 각각을 특정한 단면 절단 방향에 기초하여 생성된 하나의 진단 모델에 적용하여 각각의 2차원 슬라이스별로 병변의 양성/악성 여부를 분류하고 분류 결과에 대한 신뢰도를 계산할 수 있다.
또 다른 예로, 진단부(150)는 단면 절단 방향별로 생성된 복수의 진단 모델에 영상 처리부(130)에서 생성된 복수의 2차원 슬라이스 각각을 적용하여 각각의 2차원 슬라이스별로 병변의 양성/악성 여부를 분류하고, 분류 결과에 대한 신뢰도를 계산할 수 있다. 구체적으로, 진단부(150)는 영상 처리부(130)에서 생성된 복수의 2차원 슬라이스를 복수의 진단 모델 중 각각의 2차원 슬라이스의 단면 절단 방향과 동일한 단면 절단 방향에 기초하여 생성된 진단 모델에 개별적으로 적용할 수 있다. 한편, 진단부(150)는 복수의 2차원 슬라이스 각각에 대한 진단 결과에 기초하여 일부의 슬라이스를 선택할 수 있다(1040). 이때, 2차원 슬라이스의 선택은 순위 기반 선택 방법, 토너먼트 선택 방법, 룰렛 휠(roulette wheel) 선택 방법, 확률 샘플링 등 다양한 선택 기법을 이용하여 수행될 수 있다.
일부의 2차원 슬라이스가 선택된 경우, 진단부(150)는 선택된 2차원 슬라이스에 대한 진단 결과에 기초하여 병변의 양성/악성 여부를 최종적으로 판정할 수 있다(1050). 이때, 병변의 양성/악성 판정은 다수결(majority voting)과 같은 voting 방법, 평균(average)과 같은 통계적 방법 또는 Adaboost, Bayes optimal classifier, bootstrap aggregating과 같은 앙상블 방법(ensemble method)을 이용할 수 있다.
도 11은 일 실시예에 따른 볼륨 데이터로부터 2차원 슬라이스를 생성하는 과정을 나타낸 절차도이다.
도 11을 참조하면, 영상 처리부(130)는 입력부(110)로부터 볼륨 데이터를 전달받아 적어도 하나의 가상 평면을 생성할 수 있다(1110). 이때, 영상 처리부(130)는 전역 탐색 방법 또는 주성분 탐색 방법을 이용하여 적어도 하나의 가상 평면을 생성할 수 있다. 그러나, 가상 평면을 생성하는 방법은 상기된 예에 한정되지 않으며, 다양한 방식들이 적용될 수 있다. 예를 들어, 영상 처리부(130)는 사용자 입력에 기초하여 적어도 하나의 가상 평면을 생성할 수 있다.
한편, 적어도 하나의 가상 평면이 생성된 경우, 영상 처리부(130)는 생성된 가상 평면에 의해 절단된 볼륨 데이터의 단면을 포함하는 2차원 슬라이스를 생성할 수 있다. (1120).
도 12는 다른 일 실시예에 따른 컴퓨터 보조 진단 방법의 절차도이다. 도 12을 참조하면, 컴퓨터 보조 진단 장치(100)는 입력부(110)를 통해 볼륨 데이터를 입력받을 수 있다(1210). 이후, 영상 처리부(130)는 입력된 볼륨 데이터를 적어도 하나의 방향으로 자른 단면을 포함하는 복수의 2차원 슬라이스를 생성할 수 있다(1220). 이때, 복수의 2차원 슬라이스는 전술한 방법들을 이용하여 생성될 수 있다.
한편, 진단부(150)는 복수의 진단 모델 중 생성된 복수의 2차원 슬라이스 각각의 단면 절단 방향에 대응되는 진단 모델들을 통합하여 통합 진단 모델을 생성할 수 있다(1230). 구체적으로, 진단부(150)는 복수의 진단 모델 중에서 복수의 2차원 슬라이스 각각의 단면 절단 방향과 동일한 단면 절단 방향에 기초하여 생성된 적어도 하나의 진단 모델을 선택할 수 있다. 이후, 진단부(150)는 선택된 진단 모델들을 통합하여 통합 진단 모델을 생성할 수 있다.
이후, 진단부(150)는 복수의 2차원 슬라이스를 통합 진단 모델에 적용하여 병변의 양성/악성 여부를 판단할 수 있다(1240).
한편, 본 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, 실시예들을 구현하기 위한 기능적인(functional) 프로그램, 코드 및 코드 세그먼트들은 해당 기술 분야의 프로그래머들에 의하여 용이하게 추론될 수 있다.
이상에서는 실시예들을 중심으로 기술적 특징들을 설명하였다. 하지만, 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한고, 권리 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 권리범위에 포함된 것으로 해석되어야 할 것이다.
110: 입력부
130: 영상 처리부
131: 가상 평면 생성부
132: 2차원 슬라이스 생성부
150: 진단부
151: 제 1 진단부
152: 선택부
153: 제 2 진단부
130: 영상 처리부
131: 가상 평면 생성부
132: 2차원 슬라이스 생성부
150: 진단부
151: 제 1 진단부
152: 선택부
153: 제 2 진단부
Claims (34)
- 신체 부위를 3차원적으로 나타내는 볼륨 데이터를 입력받는 단계;
상기 볼륨 데이터를 적어도 하나의 방향으로 자른 단면을 포함하는 복수의 2차원 슬라이스를 생성하는 단계;
상기 복수의 2차원 슬라이스 각각에 대하여 병변의 양성/악성 여부를 판단하는 단계;
상기 복수의 2차원 슬라이스에 대한 병변의 양성/악성 여부 판단 결과를 이용하여 상기 복수의 2차원 슬라이스 중 일부를 선택하는 단계; 및
선택된 2차원 슬라이스 각각에 대한 병변의 양성/악성 여부 판단 결과를 이용하여 병변의 양성/악성 여부를 최종적으로 판단하는 단계;를 포함하는 컴퓨터 보조 진단 방법. - 제 1 항에 있어서,
상기 병변의 양성/악성 여부를 판단하는 단계는,
상기 복수의 2차원 슬라이스 각각을 적어도 하나의 진단 모델에 적용하여 상기 복수의 2차원 슬라이스 각각에 대한 병변의 양성/악성 여부를 판단하는 컴퓨터 보조 진단 방법. - 제 2 항에 있어서,
상기 병변의 양성/악성 여부를 판단하는 단계는,
상기 복수의 2차원 슬라이스 각각을 소정의 단면 절단 방향에 기초하여 생성된 하나의 진단 모델에 적용하여 상기 복수의 슬라이스 각각에 대한 병변의 양성/악성 여부를 판단하는 컴퓨터 보조 진단 방법. - 제 2 항에 있어서,
상기 병변의 양성/악성 여부를 판단하는 단계는,
상기 복수의 2차원 슬라이스의 단면 절단 방향에 기초하여 상기 복수의 2차원 슬라이스 각각을 단면 절단 방향별로 생성된 복수의 진단 모델에 적용하여 상기 복수의 2차원 슬라이스 각각에 대한 병변의 양성/악성 여부를 판단하는 컴퓨터 보조 진단 방법. - 제 1 항에 있어서,
상기 복수의 2차원 슬라이스 각각에 대한 진단 결과는,
병변의 양성/악성 여부에 대한 분류 결과 및 상기 분류 결과에 대한 신뢰도를 포함하는 컴퓨터 보조 진단 방법. - 제 1 항에 있어서,
상기 생성하는 단계는,
적어도 하나의 가상 평면을 생성하는 단계; 및
상기 가상 평면에 의해 절단된 볼륨 데이터의 단면을 나타내는 2차원 슬라이스를 생성하는 단계;를 포함하는 컴퓨터 보조 진단 방법. - 제 6 항에 있어서,
상기 가상 평면을 생성하는 단계는,
상기 볼륨 데이터 상의 임의의 평면을 나타내는 평면 방정식의 계수 값들을 변경하여 적어도 하나의 가상 평면을 생성하는 컴퓨터 보조 진단 방법. - 제 6 항에 있어서,
상기 가상 평면을 생성하는 단계는,
상기 볼륨 데이터의 주성분 분석을 이용하여 적어도 하나의 가상 평면을 생성하는 컴퓨터 보조 진단 방법. - 제 8 항에 있어서,
상기 가상 평면을 생성하는 단계는,
상기 볼륨 데이터의 복셀들의 값에 기초하여 상기 복셀들 중 소정의 특징을 갖는 특징점들을 결정하는 단계; 및
상기 주성분 분석을 이용하여 상기 특징점의 분포로부터 적어도 하나의 가상 평면을 생성하는 단계;를 포함하는 컴퓨터 보조 진단 방법. - 제 8 항에 있어서,
상기 가상 평면을 생성하는 단계는,
상기 주성분 분석을 통해 상기 볼륨 데이터의 변화가 가장 큰 축에 해당하는 제 1 주성분 벡터를 계산하고, 상기 제 1 주성분 벡터를 기준으로 적어도 하나의 가상 평면을 생성하는 컴퓨터 보조 진단 방법. - 제 8 항에 있어서,
상기 가상 평면을 생성하는 단계는,
상기 볼륨 데이터의 복셀들의 값에 기초하여 상기 볼륨 데이터에 포함되어 있는 매스(mass)를 검출하는 단계; 및
상기 주성분 분석을 이용하여 상기 매스를 구성하는 점들의 분포로부터 적어도 하나의 가상평면을 생성하는 단계;를 포함하는 컴퓨터 보조 진단 방법. - 제 6 항에 있어서,
상기 가상 평면을 생성하는 단계는,
사용자 입력에 기초하여 적어도 하나의 가상 평면을 생성하는 컴퓨터 보조 진단 방법. - 신체 부위를 3차원적으로 나타내는 볼륨 데이터를 입력받는 입력부;
상기 볼륨 데이터를 적어도 하나의 방향으로 자른 단면을 포함하는 복수의 2차원 슬라이스를 생성하는 영상 처리부;
상기 복수의 2차원 슬라이스 각각에 대하여 병변의 양성/악성 여부를 판단하는 제 1 진단부;
상기 복수의 2차원 슬라이스에 대한 병변의 양성/악성 여부 판단 결과를 이용하여 상기 복수의 2차원 슬라이스 중 일부를 선택하는 선택부; 및
선택된 2차원 슬라이스 각각에 대한 병변의 양성/악성 여부 판단 결과를 이용하여 병변의 양성/악성 여부를 최종적으로 판단하는 제 2 진단부;를 포함하는 컴퓨터 보조 진단 장치. - 제 13 항에 있어서,
상기 제 1 진단부는,
상기 복수의 2차원 슬라이스 각각을 적어도 하나의 진단 모델에 적용하여 상기 복수의 2차원 슬라이스 각각에 대한 병변의 양성/악성 여부를 판단하는 컴퓨터 보조 진단 장치. - 제 14 항에 있어서,
상기 제 1 진단부는,
상기 복수의 2차원 슬라이스 각각을 소정의 단면 절단 방향에 기초하여 생성된 하나의 진단 모델에 적용하여 상기 복수의 슬라이스 각각에 대한 병변의 양성/악성 여부를 판단하는 컴퓨터 보조 진단 장치. - 제 14 항에 있어서,
상기 제 1 진단부는,
상기 복수의 2차원 슬라이스의 단면 절단 방향에 기초하여 상기 복수의 2차원 슬라이스 각각을 단면 절단 방향별로 생성된 복수의 진단 모델에 적용하여 상기 복수의 2차원 슬라이스 각각에 대한 병변의 양성/악성 여부를 판단하는 컴퓨터 보조 진단 장치. - 제 13 항에 있어서,
상기 복수의 2차원 슬라이스 각각에 대한 진단 결과는,
병변의 양성/악성 여부에 대한 분류 결과 및 상기 분류 결과에 대한 신뢰도를 포함하는 컴퓨터 보조 진단 장치. - 제 13 항에 있어서,
상기 영상 처리부는,
적어도 하나의 가상 평면을 생성하는 가상 평면 생성부; 및
상기 가상 평면에 의해 절단된 볼륨 데이터의 단면을 나타내는 2차원 슬라이스를 생성하는 2차원 슬라이스 생성부;를 포함하는 컴퓨터 보조 진단 장치. - 제 18 항에 있어서,
상기 가상 평면 생성부는,
상기 볼륨 데이터 상의 임의의 평면을 나타내는 평면 방정식의 계수 값들을 변경하여 적어도 하나의 가상 평면을 생성하는 컴퓨터 보조 진단 장치. - 제 18 항에 있어서,
상기 가상 평면 생성부는,
상기 볼륨 데이터의 주성분 분석을 이용하여 적어도 하나의 가상 평면을 생성하는 컴퓨터 보조 진단 장치. - 제 20 항에 있어서,
상기 가상 평면 생성부는,
상기 볼륨 데이터의 복셀들의 값에 기초하여 상기 복셀들 중 소정의 특징을 갖는 특징점들을 결정하고, 상기 주성분 분석을 이용하여 상기 특징점의 분포로부터 적어도 하나의 가상 평면을 생성하는 컴퓨터 보조 진단 장치. - 제 20 항에 있어서,
상기 가상 평면 생성부는,
상기 주성분 분석을 통해 상기 볼륨 데이터의 변화가 가장 큰 축에 해당하는 제 1 주성분 벡터를 계산하고, 상기 제 1 주성분 벡터를 기준으로 적어도 하나의 가상 평면을 생성하는 컴퓨터 보조 진단 장치. - 제 20 항에 있어서,
상기 가상 평면 생성부는,
상기 볼륨 데이터의 복셀들의 값에 기초하여 상기 볼륨 데이터에 포함되어 있는 매스(mass)를 검출하고, 상기 주성분 분석을 이용하여 상기 매스를 구성하는 점들의 분포로부터 적어도 하나의 가상평면을 생성하는 컴퓨터 보조 진단 장치. - 제 18 항에 있어서,
상기 가상 평면 생성부는,
사용자 입력에 기초하여 적어도 하나의 가상 평면을 생성하는 컴퓨터 보조 진단 장치. - 신체 부위를 3차원적으로 나타내는 볼륨 데이터를 입력받는 단계;
상기 볼륨 데이터를 적어도 하나의 방향으로 자른 단면을 포함하는 복수의 2차원 슬라이스를 생성하는 단계;
복수의 진단 모델 중 상기 복수의 슬라이스 각각의 단면 절단 방향에 대응되는 진단 모델들을 통합한 통합 진단 모델을 생성하는 단계; 및
상기 적어도 하나의 슬라이스를 상기 통합 진단 모델에 적용하여 병변의 양성/악성 여부를 판단하는 단계;를 포함하는 컴퓨터 보조 진단 방법. - 제 25 항에 있어서,
상기 하나의 진단 모델을 생성하는 단계는,
복수의 진단 모델 중 상기 복수의 2차원 슬라이스 각각의 단면 절단 방향과 동일한 단면 절단 방향에 기초하여 생성된 적어도 하나의 진단 모델을 선택하는 단계; 및
선택된 진단 모델들을 통합한 통합 진단 모델을 생성하는 단계;를 포함하는 컴퓨터 보조 진단 방법. - 제 25 항에 있어서,
상기 복수의 2차원 슬라이스를 생성하는 단계는,
적어도 하나의 가상 평면을 생성하는 단계; 및
상기 가상 평면에 의해 절단된 볼륨 데이터의 단면을 나타내는 2차원 슬라이스를 생성하는 단계;를 포함하는 컴퓨터 보조 진단 방법. - 제 27 항에 있어서,
상기 가상 평면을 생성하는 단계는,
상기 볼륨 데이터 상의 임의의 평면을 나타내는 평면 방정식의 계수 값들을 변경하여 적어도 하나의 가상 평면을 생성하는 컴퓨터 보조 진단 방법. - 제 27 항에 있어서,
상기 가상 평면을 생성하는 단계는,
상기 볼륨 데이터의 주성분 분석을 이용하여 적어도 하나의 가상 평면을 생성하는 컴퓨터 보조 진단 방법. - 신체 부위를 3차원적으로 나타내는 볼륨 데이터를 입력받는 입력부;
상기 볼륨 데이터를 적어도 하나의 방향으로 자른 단면을 포함하는 복수의 2차원 슬라이스를 생성하는 영상 처리부;
복수의 진단 모델 중 상기 복수의 슬라이스 각각의 단면 절단 방향에 대응되는 진단 모델들을 통합한 통합 진단 모델을 생성하고, 상기 적어도 하나의 슬라이스를 상기 통합 진단 모델에 적용하여 병변의 양성/악성 여부를 판단하는 진단부;를 포함하는 컴퓨터 보조 진단 장치. - 제 30 항에 있어서,
상기 진단부는,
복수의 진단 모델 중 상기 복수의 2차원 슬라이스 각각의 단면 절단 방향과 동일한 단면 절단 방향에 기초하여 생성된 적어도 하나의 진단 모델을 통합한 통합 진단 모델을 생성하는 컴퓨터 보조 진단 장치. - 제 30 항에 있어서,
상기 영상 처리부는,
적어도 하나의 가상 평면을 생성하는 가상 평면 생성부; 및
상기 가상 평면에 의해 절단된 볼륨 데이터의 단면을 나타내는 2차원 슬라이스를 생성하는 2차원 슬라이스 생성부;를 포함하는 컴퓨터 보조 진단 장치. - 제 32 항에 있어서,
상기 가상 평면 생성부는,
상기 볼륨 데이터 상의 임의의 평면을 나타내는 평면 방정식의 계수 값들을 변경하여 적어도 하나의 가상 평면을 생성하는 컴퓨터 보조 진단 장치. - 제 32 항에 있어서,
상기 가상 평면 생성부는,
상기 볼륨 데이터의 주성분 분석을 이용하여 적어도 하나의 가상 평면을 생성하는 컴퓨터 보조 진단 장치.
Priority Applications (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020130127246A KR102204437B1 (ko) | 2013-10-24 | 2013-10-24 | 컴퓨터 보조 진단 방법 및 장치 |
US14/469,854 US9639929B2 (en) | 2013-10-24 | 2014-08-27 | Apparatus and method for computer-aided diagnosis |
JP2014212381A JP2015080720A (ja) | 2013-10-24 | 2014-10-17 | コンピュータ補助診断方法及び装置 |
CN201410553569.0A CN104573309B (zh) | 2013-10-24 | 2014-10-17 | 用于计算机辅助诊断的设备和方法 |
EP14190030.8A EP2866200B1 (en) | 2013-10-24 | 2014-10-23 | Apparatus and method for computer-aided diagnosis |
US15/477,771 US10147223B2 (en) | 2013-10-24 | 2017-04-03 | Apparatus and method for computer-aided diagnosis |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020130127246A KR102204437B1 (ko) | 2013-10-24 | 2013-10-24 | 컴퓨터 보조 진단 방법 및 장치 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20150047315A true KR20150047315A (ko) | 2015-05-04 |
KR102204437B1 KR102204437B1 (ko) | 2021-01-18 |
Family
ID=51846470
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020130127246A KR102204437B1 (ko) | 2013-10-24 | 2013-10-24 | 컴퓨터 보조 진단 방법 및 장치 |
Country Status (5)
Country | Link |
---|---|
US (2) | US9639929B2 (ko) |
EP (1) | EP2866200B1 (ko) |
JP (1) | JP2015080720A (ko) |
KR (1) | KR102204437B1 (ko) |
CN (1) | CN104573309B (ko) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160132672A (ko) * | 2015-05-11 | 2016-11-21 | 삼성에스디에스 주식회사 | 3차원 모델의 비트맵 생성 장치 및 방법 |
KR20160134263A (ko) * | 2015-05-15 | 2016-11-23 | 삼성에스디에스 주식회사 | 3차원 모델의 비트맵 생성 장치 및 방법 |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3108456B1 (en) * | 2014-02-19 | 2020-06-24 | Koninklijke Philips N.V. | Motion adaptive visualization in medical 4d imaging |
KR20170014617A (ko) * | 2015-07-30 | 2017-02-08 | 삼성에스디에스 주식회사 | 3차원 모델의 비트맵 생성 방법과 이를 수행하기 위한 장치 및 시스템 |
EP3203440A1 (en) * | 2016-02-08 | 2017-08-09 | Nokia Technologies Oy | A method, apparatus and computer program for obtaining images |
CA3030577A1 (en) | 2016-07-12 | 2018-01-18 | Mindshare Medical, Inc. | Medical analytics system |
US9965863B2 (en) * | 2016-08-26 | 2018-05-08 | Elekta, Inc. | System and methods for image segmentation using convolutional neural network |
DE102016219488A1 (de) | 2016-10-07 | 2018-04-12 | Siemens Healthcare Gmbh | Verfahren zum Bereitstellen einer Konfidenzinformation |
CN106683083B (zh) * | 2016-12-22 | 2019-09-13 | 深圳开立生物医疗科技股份有限公司 | 肛门括约肌图像处理方法及装置、超声设备 |
JP6837376B2 (ja) | 2017-04-10 | 2021-03-03 | 富士フイルム株式会社 | 画像処理装置および方法並びにプログラム |
JP2020525127A (ja) | 2017-06-26 | 2020-08-27 | ザ・リサーチ・ファウンデーション・フォー・ザ・ステイト・ユニヴァーシティ・オブ・ニューヨーク | 仮想膵臓撮影法のためのシステム、方法、およびコンピュータ・アクセス可能媒体 |
JP7250414B2 (ja) * | 2017-10-13 | 2023-04-03 | ザ クリーヴランド クリニック ファウンデーション | 異なる組織タイプの新型超音波検出 |
JP7228332B2 (ja) * | 2017-11-17 | 2023-02-24 | キヤノンメディカルシステムズ株式会社 | 医用画像処理装置および医用画像処理方法 |
CN110110617B (zh) * | 2019-04-22 | 2021-04-20 | 腾讯科技(深圳)有限公司 | 医学影像分割方法、装置、电子设备和存储介质 |
JP7144370B2 (ja) | 2019-07-12 | 2022-09-29 | 富士フイルム株式会社 | 診断支援装置、診断支援方法、及び診断支援プログラム |
CN110533029A (zh) * | 2019-08-02 | 2019-12-03 | 杭州依图医疗技术有限公司 | 确定影像中目标区域的方法及装置 |
JP7473780B2 (ja) | 2019-12-27 | 2024-04-24 | キヤノンマーケティングジャパン株式会社 | 情報処理システム、情報処理方法、プログラム |
US11430176B2 (en) | 2020-05-20 | 2022-08-30 | International Business Machines Corporation | Generating volume predictions of three-dimensional volumes using slice features |
CN112017787A (zh) * | 2020-08-17 | 2020-12-01 | 杭州依图医疗技术有限公司 | 医疗信息ai平台及计算设备 |
US11694329B2 (en) | 2020-10-30 | 2023-07-04 | International Business Machines Corporation | Logistic model to determine 3D z-wise lesion connectivity |
US11688517B2 (en) | 2020-10-30 | 2023-06-27 | Guerbet | Multiple operating point false positive removal for lesion identification |
US11688063B2 (en) | 2020-10-30 | 2023-06-27 | Guerbet | Ensemble machine learning model architecture for lesion detection |
US11436724B2 (en) | 2020-10-30 | 2022-09-06 | International Business Machines Corporation | Lesion detection artificial intelligence pipeline computing system |
US11749401B2 (en) | 2020-10-30 | 2023-09-05 | Guerbet | Seed relabeling for seed-based segmentation of a medical image |
US11587236B2 (en) | 2020-10-30 | 2023-02-21 | International Business Machines Corporation | Refining lesion contours with combined active contour and inpainting |
WO2022249892A1 (ja) * | 2021-05-28 | 2022-12-01 | 国立研究開発法人理化学研究所 | 特徴抽出装置、特徴抽出方法、プログラム、ならびに、情報記録媒体 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008035286A2 (en) * | 2006-09-22 | 2008-03-27 | Koninklijke Philips Electronics N.V. | Advanced computer-aided diagnosis of lung nodules |
WO2011044295A2 (en) * | 2009-10-07 | 2011-04-14 | Hologic, Inc. | Processing and displaying computer-aided detection information associated with breast x-ray images |
KR20120086084A (ko) * | 2011-01-25 | 2012-08-02 | 삼성전자주식회사 | 3차원 의료 영상으로부터 최적의 2차원 의료 영상을 자동으로 생성하는 방법 및 장치 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7599534B2 (en) | 2003-08-13 | 2009-10-06 | Siemens Medical Solutions Usa, Inc. | CAD (computer-aided decision) support systems and methods |
CN101421745B (zh) | 2004-04-15 | 2016-05-11 | 美国医软科技公司 | 空间-时间肿瘤检测,分割和诊断信息提取系统及方法 |
US7646902B2 (en) | 2005-02-08 | 2010-01-12 | Regents Of The University Of Michigan | Computerized detection of breast cancer on digital tomosynthesis mammograms |
US7840046B2 (en) | 2006-06-27 | 2010-11-23 | Siemens Medical Solutions Usa, Inc. | System and method for detection of breast masses and calcifications using the tomosynthesis projection and reconstructed images |
CN101517614A (zh) * | 2006-09-22 | 2009-08-26 | 皇家飞利浦电子股份有限公司 | 肺结节的高级计算机辅助诊断 |
KR101028354B1 (ko) | 2007-03-20 | 2011-06-14 | 주식회사 메디슨 | 초음파 영상을 형성하는 초음파 시스템 및 방법 |
JP5226974B2 (ja) * | 2007-06-19 | 2013-07-03 | 富士フイルム株式会社 | 画像診断支援装置、方法及びプログラム |
FR2919747B1 (fr) | 2007-08-02 | 2009-11-06 | Gen Electric | Procede et systeme d'affichage d'images de tomosynthese |
US9235887B2 (en) * | 2008-02-19 | 2016-01-12 | Elucid Bioimaging, Inc. | Classification of biological tissue by multi-mode data registration, segmentation and characterization |
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 |
JP5586203B2 (ja) | 2009-10-08 | 2014-09-10 | 株式会社東芝 | 超音波診断装置、超音波画像処理装置及び超音波画像処理プログラム |
CN102802537B (zh) | 2010-03-23 | 2016-04-20 | 皇家飞利浦电子股份有限公司 | 体积超声图像数据重新格式化为图像平面序列 |
JP5754902B2 (ja) | 2010-08-27 | 2015-07-29 | キヤノン株式会社 | 画像処理装置及び画像処理装置の作動方法 |
US9119559B2 (en) | 2011-06-16 | 2015-09-01 | Salient Imaging, Inc. | Method and system of generating a 3D visualization from 2D images |
CN102429679A (zh) * | 2011-09-09 | 2012-05-02 | 华南理工大学 | 基于胸部ct图像的肺气肿计算机辅助诊断系统 |
KR101916855B1 (ko) | 2011-10-17 | 2019-01-25 | 삼성전자주식회사 | 병변 수정 장치 및 방법 |
JP6354584B2 (ja) * | 2012-08-07 | 2018-07-11 | コニカミノルタ株式会社 | 医用データ処理装置、医用データ処理方法、及び超音波診断装置 |
-
2013
- 2013-10-24 KR KR1020130127246A patent/KR102204437B1/ko active IP Right Grant
-
2014
- 2014-08-27 US US14/469,854 patent/US9639929B2/en active Active
- 2014-10-17 CN CN201410553569.0A patent/CN104573309B/zh active Active
- 2014-10-17 JP JP2014212381A patent/JP2015080720A/ja active Pending
- 2014-10-23 EP EP14190030.8A patent/EP2866200B1/en active Active
-
2017
- 2017-04-03 US US15/477,771 patent/US10147223B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008035286A2 (en) * | 2006-09-22 | 2008-03-27 | Koninklijke Philips Electronics N.V. | Advanced computer-aided diagnosis of lung nodules |
WO2011044295A2 (en) * | 2009-10-07 | 2011-04-14 | Hologic, Inc. | Processing and displaying computer-aided detection information associated with breast x-ray images |
KR20120086084A (ko) * | 2011-01-25 | 2012-08-02 | 삼성전자주식회사 | 3차원 의료 영상으로부터 최적의 2차원 의료 영상을 자동으로 생성하는 방법 및 장치 |
Non-Patent Citations (1)
Title |
---|
D.S.Elizabeth 외 3인, "Computer-aided diagnosis of lung cancer based on analysis of the significant slice of chest computed tomography image", IET Image Process. Vol.6, Iss.6, 2012. pp.697-705* * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160132672A (ko) * | 2015-05-11 | 2016-11-21 | 삼성에스디에스 주식회사 | 3차원 모델의 비트맵 생성 장치 및 방법 |
KR20160134263A (ko) * | 2015-05-15 | 2016-11-23 | 삼성에스디에스 주식회사 | 3차원 모델의 비트맵 생성 장치 및 방법 |
Also Published As
Publication number | Publication date |
---|---|
US10147223B2 (en) | 2018-12-04 |
US20150117737A1 (en) | 2015-04-30 |
EP2866200B1 (en) | 2019-01-02 |
CN104573309A (zh) | 2015-04-29 |
US9639929B2 (en) | 2017-05-02 |
JP2015080720A (ja) | 2015-04-27 |
EP2866200A1 (en) | 2015-04-29 |
US20170206699A1 (en) | 2017-07-20 |
CN104573309B (zh) | 2019-07-19 |
KR102204437B1 (ko) | 2021-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102204437B1 (ko) | 컴퓨터 보조 진단 방법 및 장치 | |
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 | |
KR101805619B1 (ko) | 3차원 의료 영상으로부터 최적의 2차원 의료 영상을 자동으로 생성하는 방법 및 장치 | |
US8229200B2 (en) | Methods and systems for monitoring tumor burden | |
US8634622B2 (en) | Computer-aided detection of regions of interest in tomographic breast imagery | |
US10362941B2 (en) | Method and apparatus for performing registration of medical images | |
US10039501B2 (en) | Computer-aided diagnosis (CAD) apparatus and method using consecutive medical images | |
EP2846310A2 (en) | Method and apparatus for registering medical images | |
Tuncer et al. | A decision support system for detection of the renal cell cancer in the kidney | |
EP3796210A1 (en) | Spatial distribution of pathological image patterns in 3d image data | |
JP5982726B2 (ja) | ボリュームデータ解析システム及びその方法 | |
JP5820383B2 (ja) | 画像データにより表される病巣の3次元解析 | |
CN102197413B (zh) | 分析至少三维医学图像 | |
CN111899850A (zh) | 医学影像的信息处理方法、显示方法及可读存储介质 | |
JP5364009B2 (ja) | 画像生成装置、画像生成方法、及びそのプログラム | |
CN112750519A (zh) | 医学图像数据的匿名化 | |
US10755454B2 (en) | Clinical task-based processing of images | |
CN104027126A (zh) | 医用图像处理装置以及医用图像处理方法 | |
KR20240081186A (ko) | 멀티모달 딥러닝 기반 비소세포폐암 환자의 생존율 예측 시스템 및 이에 대한 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |