KR20150073628A - 컴퓨터 보조 진단용 진단모델 적응 시스템 및 방법 - Google Patents
컴퓨터 보조 진단용 진단모델 적응 시스템 및 방법 Download PDFInfo
- Publication number
- KR20150073628A KR20150073628A KR1020130161568A KR20130161568A KR20150073628A KR 20150073628 A KR20150073628 A KR 20150073628A KR 1020130161568 A KR1020130161568 A KR 1020130161568A KR 20130161568 A KR20130161568 A KR 20130161568A KR 20150073628 A KR20150073628 A KR 20150073628A
- Authority
- KR
- South Korea
- Prior art keywords
- diagnostic model
- diagnostic
- information
- image data
- adaptation
- Prior art date
- Legal status (The legal status 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 status listed.)
- Ceased
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Clinical applications
- A61B8/0825—Clinical applications for diagnosis of the breast, e.g. mammography
-
- 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
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/43—Detecting, measuring or recording for evaluating the reproductive systems
- A61B5/4306—Detecting, measuring or recording for evaluating the reproductive systems for evaluating the female reproductive systems, e.g. gynaecological evaluations
- A61B5/4312—Breast evaluation or disorder diagnosis
-
- 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
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- High Energy & Nuclear Physics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Pulmonology (AREA)
- Theoretical Computer Science (AREA)
- Optics & Photonics (AREA)
Abstract
컴퓨터 보조 진단용 진단모델 적응 시스템 및 방법이 개시된다. 일례에 따라, 대상의 적어도 일부를 촬영한 영상 데이터를 획득하고, 적어도 하나의 진단모델을 저장하고 있는 진단모델 데이터베이스(DB)로부터 진단모델을 획득하고, 영상 데이터와 연관되어 있는 적응정보를 기초로 하여, 획득된 진단정보를 적응정보에 따라 적응시키고, 적응된 진단모델을 이용하여 영상 데이터에 대해 컴퓨터 보조 진단을 수행할 수 있다.
Description
컴퓨터 보조 진단용 진단모델에 관련된다. 보다 상세하게는 진단 결과에 영향을 미칠 수 있는 부가 정보를 활용한 컴퓨터 보조 진단용 진단모델에 관련된다.
일반적으로, 컴퓨터 보조 진단(CAD, Computer Aided Diagnosis)은 컴퓨터에 의해 분석된 결과를 참고로 하여 의료영상 데이터를 진단하는 것을 의미한다. CAD는 의료영상 데이터에 대해, 예컨대 패턴인식 또는 기하학적 이미지 처리 등과 같은 기법을 통해 정량적으로 분석한다. 이러한 분석 작업은 분석을 위한 다양한 파라미터들로 이루어진 진단모델을 통해 수행될 수 있다.
예를 들어, 유방암의 진단을 위해 유방을 촬영한 초음파 영상을 분석하는 컴퓨터 보조 진단 과정에서, 통상적으로 유방의 전체 영역에 대해 동일한 하나의 진단모델이 이용된다. 통계적으로 볼 때, 유방암은 종양이 유방의 어디에 존재하고 있는 것인지에 따라 발병율이 다르다. 그리고 종양의 위치뿐만 아니라, 환자의 성별, 연령, 가족력 등에 따라서도 예후가 달라질 수 있다. 따라서, 진단 정확도를 향상시키기 위하여 이러한 통계적인 또는 경험적인 정보를 추가로 이용하려는 노력들이 있어 왔다.
종래에, 영상의 초음파 촬영 장비의 촬영용 프로브의 위치를 촬영된 초음파 영상에 포함시키는 예가 알려져 있다. 의사는 초음파 영상을 검토할 때 영상에 기재되어 있는 프로브의 위치를 참고함으로써, 진단 정확도를 높일 수 있다. 다른 예를 들면, 초음파 영상을 촬영하는 장치에서, 프로브의 위치나 각도 즉 촬영정보에 따라 초음파의 파라미터를 조정하는 예가 알려져 있다. 이 경우 촬영정보에 따라, 초음파의 시간 이득 보상(TGC) 또는 다이나믹 레인지(DR)와 같은 물리적인 파라미터를 조정한다.
영상 데이터 이외에 진단 결과에 영향을 미칠 수 있는 정보를 활용한 컴퓨터 보조 진단용 진단모델 적응 시스템 및 방법을 제안한다.
일 양상에 따라 제공되는 컴퓨터 보조 진단용 진단모델 적응 시스템은, 대상의 적어도 일부를 촬영한 영상 데이터를 획득하는 영상 획득부; 적어도 하나의 진단모델을 저장하는 진단모델 데이터베이스; 상기 영상 데이터의 진단과 연관 있는 적응정보를 제공하는 적응정보 제공부; 상기 진단모델 데이터베이스에서 하나의 진단모델을 획득하여 상기 적응정보에 기초하여 적응시켜 적응된 진단모델을 생성하는 진단모델 적응부; 및 상기 적응된 진단모델을 이용하여 상기 영상 데이터에 대한 컴퓨터 보조 진단을 수행하는 진단부를 포함할 수 있다.
일 실시예에 있어서, 상기 적응정보는, 상기 영상 데이터가 포함하고 있는 대상의 적어도 일부가 상기 대상에서 차지하는 위치를 나타내는 촬영위치 정보를 포함할 수 있다.
다른 실시예에 있어서, 상기 적응정보는, 상기 영상 데이터의 대상에 대하여 상기 영상 데이터의 진단 결과에 영향을 미치는 개인정보를 더 포함할 수 있다.
또 다른 실시예에 있어서, 상기 적응정보는, 특정 촬영위치의 영상 데이터에 대한 특정 진단모델의 진단 결과를 통계적으로 나타냄으로써 특정 진단모델의 진단성능을 알 수 있는 성능정보를 더 포함할 수 있다.
또 다른 실시예에 있어서, 상기 진단모델 데이터베이스에는 하나의 미리 정의된 진단모델이 저장되고, 상기 진단모델 적응부는, 상기 진단모델 데이터베이스의 상기 미리 정의된 진단모델의 적어도 하나의 파라미터를 상기 적응정보에 기초하여 조정한 후, 조정된 진단모델을 상기 진단부에 제공할 수 있다.
또 다른 실시예에 있어서, 상기 진단모델 데이터베이스에는 복수의 진단모델이 저장되고; 상기 복수의 진단모델의 각각은, 상기 적응정보와 연관된 정보에 기초하여 분류된 복수의 영상데이터 집합들 각각의 진단에 이용할 것으로 미리 정의된 진단모델들이며, 상기 진단모델 적응부는, 상기 복수의 진단모델 중 상기 적응정보에 기초하여 하나의 진단모델을 선택한 후, 선택된 상기 진단모델을 상기 진단부에 제공할 수 있다.
또 다른 실시예에 있어서, 상기 진단모델 적응부는, 선택된 상기 진단모델의 적어도 하나의 파라미터를 상기 적응정보에 기초하여 조정한 후, 조정된 진단모델을 상기 진단부에 제공할 수 있다.
또 다른 실시예에 있어서, 상기 복수의 진단모델은 상기 적응정보에 기초하여 분류되어 2개 이상의 진단모델 그룹으로 분할되고, 이들 진단모델 그룹들은 분류에 사용된 상기 적응정보의 내용에 따라 상하위 계층으로 구조화되며, 상기 상하위 계층의 분류에 있어서, 분류의 기초로 이용되는 적응정보의 양이 적을수록 상위 계층으로 분류되고, 그 양이 많을수록 더 세분화된 하위 계층으로 분류될 수 있다.
또 다른 실시예에 있어서, 상기 진단모델 적응부는, 상기 적응정보 중 일부분에 기초하여 상기 복수의 진단모델 중 상위 계층의 진단모델을 선택하고, 선택된 진단모델에 대해 상기 적응정보의 다른 부분에 기초하여 그 진단 성능의 적합성을 판단하고, 만약 적합하지 않다고 판단되면, 그보다 아래의 하위 계층의 진단모델을 선택하여 적합성 판단을 반복하며, 만약 적합하다고 판단되면 적합성 판단을 종료하고, 적합성 판단이 종료된 진단모델을 상기 진단부에 제공할 수 있다.
또 다른 실시예에 있어서, 영상 데이터 집합을 소정 학습기준에 따라 분류하고, 상기 진단모델 데이터베이스에 저장되어 있는 진단모델을 분류된 영상 데이터 집합을 이용하여 소정 학습기준에 따라 진단모델 학습을 수행하고, 학습이 수행된 진단모델을 상기 진단모델 데이터베이스에 다시 저장하는 진단모델 학습부를 더 포함할 수 있다.
다른 양상에 따라 제공되는 컴퓨터 보조 진단용 진단모델 적응 방법은, 대상의 적어도 일부를 촬영한 영상 데이터를 획득하는 영상 획득 단계; 상기 영상 데이터의 진단과 연관 있는 적응정보를 제공하는 적응정보 제공 단계; 상기 영상 데이터의 진단을 위한 하나의 진단모델을 획득하여 상기 적응정보에 기초하여 적응시킴으로써 적응된 진단모델을 생성하는 진단모델 적응 단계; 및 상기 적응된 진단모델을 이용하여 상기 영상 데이터에 대한 컴퓨터 보조 진단을 수행하는 진단 단계를 포함할 수 있다.
상술한 양상들 및 실시예들과, 그 이외의 다른 실시예들 등이 아래의 상세한 설명에서 더 발견될 수 있다.
영상 데이터의 촬영위치, 영상 데이터가 포함하는 대상의 개인정보, 진단모델의 진단성능 등의 진단 결과에 영향을 미칠 수 있는 정보를 활용한 컴퓨터 보조 진단용 진단모델 적응 시스템 및 방법을 구현할 수 있는 효과가 있다.
도 1a는 컴퓨터 보조 진단용 진단모델 적응 시스템의 일 실시예에 따른 전체적인 구성을 보여주는 블록도,
도 1b는 도 1a의 컴퓨터 보조 진단용 진단모델 적응 시스템에 진단모델 학습부가 추가된 실시예의 전체적인 구성을 보여주는 블록도,
도 2는 컴퓨터 보조 진단용 진단모델 적응 시스템의 일 실시예에서, 영상 데이터의 촬영정보 중 촬영 위치를 분류한 예를 보여주는 도면,
도 3은 컴퓨터 보조 진단용 진단모델 적응 시스템의 일 실시예에서, 영상 데이터 집합으로부터 촬영정보에 따라 분류된 다수의 진단모델을 설명하기 위한 도면,
도 4는 컴퓨터 보조 진단용 진단모델 적응 시스템의 일 실시예에서, 영상 데이터 집합으로부터 촬영정보 및 진단정보에 따라 계층적으로 분류된 다수의 진단모델을 설명하기 위한 도면,
도 5는 도 4의 실시예에서 컴퓨터 보조 진단용 진단모델 적응 시스템에 저장된 진단모델들의 계층적 구조를 설명하기 위한 도면,
도 6은 통상적인 컴퓨터 보조 진단용 진단모델을 이용하여 진단하는 예를 설명하기 위한 도면,
도 7은 컴퓨터 보조 진단용 진단모델 적응 시스템의 일 실시예에서, 촬영위치에 따라 서로 다른 진단모델을 선택하여 진단하는 예를 설명하기 위한 도면,
도 8은 컴퓨터 보조 진단용 진단모델 적응 시스템의 일 실시예에서, 촬영위치에 따라 진단모델의 파라미터를 조정한 후 진단하는 예를 설명하기 위한 도면,
도 9는 컴퓨터 보조 진단용 진단모델 적응 시스템의 일 실시예에서, 진단모델의 촬영위치에 따른 진단성능에 대한 통계자료에 기초하여 이용여부를 결정하여 진단하는 예를 설명하기 위한 도면,
도 10은 컴퓨터 보조 진단용 진단모델 적응 방법의 일 실시예에서, 촬영정보에 따라 진단모델을 선택하여 진단하는 프로세스를 예시하는 흐름도,
도 11은 컴퓨터 보조 진단용 진단모델 적응 방법의 일 실시예에서, 촬영정보에 따라 진단모델의 파라미터를 조정하여 진단하는 프로세스를 예시하는 흐름도.
도 12는 컴퓨터 보조 진단용 진단모델 적응 방법의 일 실시예에서, 진단모델의 진단성능에 따라 양호한 성능의 진단모델을 선택하여 진단하는 프로세스를 예시하는 흐름도,
도 13은 컴퓨터 보조 진단용 진단모델 적응 방법의 일 실시예에서, 결정된 선택기준에 따라 진단모델을 선택하여 진단하는 프로세스를 예시하는 흐름도,
도 14는 컴퓨터 보조 진단용 진단모델 적응 방법의 일 실시예에서, 결정된 조정기준에 따라 진단모델의 파라미터를 조정하여 진단하는 프로세스를 예시하는 흐름도,
도 15는 컴퓨터 보조 진단용 진단모델 적응 방법의 일 실시예에서, 진단모델 학습 프로세스를 보여주는 흐름도,
도 16은 컴퓨터 보조 진단용 진단모델 적응 방법의 일 실시예에서, 계층적 구조의 진단모델 학습 프로세스를 보여주는 흐름도이다.
도 1b는 도 1a의 컴퓨터 보조 진단용 진단모델 적응 시스템에 진단모델 학습부가 추가된 실시예의 전체적인 구성을 보여주는 블록도,
도 2는 컴퓨터 보조 진단용 진단모델 적응 시스템의 일 실시예에서, 영상 데이터의 촬영정보 중 촬영 위치를 분류한 예를 보여주는 도면,
도 3은 컴퓨터 보조 진단용 진단모델 적응 시스템의 일 실시예에서, 영상 데이터 집합으로부터 촬영정보에 따라 분류된 다수의 진단모델을 설명하기 위한 도면,
도 4는 컴퓨터 보조 진단용 진단모델 적응 시스템의 일 실시예에서, 영상 데이터 집합으로부터 촬영정보 및 진단정보에 따라 계층적으로 분류된 다수의 진단모델을 설명하기 위한 도면,
도 5는 도 4의 실시예에서 컴퓨터 보조 진단용 진단모델 적응 시스템에 저장된 진단모델들의 계층적 구조를 설명하기 위한 도면,
도 6은 통상적인 컴퓨터 보조 진단용 진단모델을 이용하여 진단하는 예를 설명하기 위한 도면,
도 7은 컴퓨터 보조 진단용 진단모델 적응 시스템의 일 실시예에서, 촬영위치에 따라 서로 다른 진단모델을 선택하여 진단하는 예를 설명하기 위한 도면,
도 8은 컴퓨터 보조 진단용 진단모델 적응 시스템의 일 실시예에서, 촬영위치에 따라 진단모델의 파라미터를 조정한 후 진단하는 예를 설명하기 위한 도면,
도 9는 컴퓨터 보조 진단용 진단모델 적응 시스템의 일 실시예에서, 진단모델의 촬영위치에 따른 진단성능에 대한 통계자료에 기초하여 이용여부를 결정하여 진단하는 예를 설명하기 위한 도면,
도 10은 컴퓨터 보조 진단용 진단모델 적응 방법의 일 실시예에서, 촬영정보에 따라 진단모델을 선택하여 진단하는 프로세스를 예시하는 흐름도,
도 11은 컴퓨터 보조 진단용 진단모델 적응 방법의 일 실시예에서, 촬영정보에 따라 진단모델의 파라미터를 조정하여 진단하는 프로세스를 예시하는 흐름도.
도 12는 컴퓨터 보조 진단용 진단모델 적응 방법의 일 실시예에서, 진단모델의 진단성능에 따라 양호한 성능의 진단모델을 선택하여 진단하는 프로세스를 예시하는 흐름도,
도 13은 컴퓨터 보조 진단용 진단모델 적응 방법의 일 실시예에서, 결정된 선택기준에 따라 진단모델을 선택하여 진단하는 프로세스를 예시하는 흐름도,
도 14는 컴퓨터 보조 진단용 진단모델 적응 방법의 일 실시예에서, 결정된 조정기준에 따라 진단모델의 파라미터를 조정하여 진단하는 프로세스를 예시하는 흐름도,
도 15는 컴퓨터 보조 진단용 진단모델 적응 방법의 일 실시예에서, 진단모델 학습 프로세스를 보여주는 흐름도,
도 16은 컴퓨터 보조 진단용 진단모델 적응 방법의 일 실시예에서, 계층적 구조의 진단모델 학습 프로세스를 보여주는 흐름도이다.
이하에서는 첨부한 도면을 참조하여 실시예를 상세히 설명한다. 발명을 설명함에 있어 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 또한, 후술되는 용어들은 명세서에서 설명하는 기술에서 각각의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 실질적으로 그 정의는 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
이하에서는, 환자 몸 중 유방의 일부를 촬영한 영상에 관한 실시예를 통하여 컴퓨터 보조 진단용 진단모델 적응 시스템 및 방법이 구체적으로 설명된다. 하지만 이러한 실시예로만 컴퓨터 보조 진단용 진단모델 적응 시스템 및 방법의 범위가 제한되는 것은 아니다.
의료 진단이 필요한 대상이라면 어떠한 대상이라도 의료 영상이 촬영될 수 있다. 그러므로, 컴퓨터 보조 진단용 진단모델 적응 시스템 및 방법은 일반적인 의료 영상에 대해 폭넓게 적용될 수 있다.
또한 아래에서 비록 실시예가 초음파 영상을 참조하여 설명되고 있지만, 이것으로만 적용 대상이 제한되는 것은 아니다. 예를 들어, 초음파 영상 외에 X-레이 영상, 컴퓨터 단층촬영(CT, Computed Tomography) 영상, 자기공명영상(MRI, Magnetic Resonance Imaging) 등에 대해서도 컴퓨터 보조 진단용 진단모델 적응 시스템 및 방법이 적용 가능하다.
컴퓨터 보조 진단용 진단모델 적응 시스템 및 방법의 실시예는, 유방암을 진단하기 위하여 인체의 유방의 일부 영역을 촬영한 초음파 영상과 같은, 초음파 의료 영상 데이터를 분석하는 컴퓨터 보조 진단에서 이용될 수 있다.
이 경우, 영상 데이터는 초음파 영상 촬영 장치에 의해 촬영된 후, 의료 영상 전송 저장 시스템(PACS, Picture Archiving and Communication System), 또는 의료 영상 시스템(MIS, Medical Imaging System) 등을 통해 제공되는 디지털 이미지 데이터일 수 있다.
CAD에 의한 영상 데이터의 분석은 진단모델에 의해 이루어진다. 하나의 진단모델은 다수의 파라미터들의 집합이라고 할 수 있다. 진단모델의 파라미터는 영상 데이터를 분석하여 관심영역을 검출하고, 분할하고 분류하는 등의 진단을 위한 패턴인식, 이미지 분석 처리 등과 같은 영상 데이터 분석용 파라미터를 포함할 수 있다.
진단모델의 파라미터는 진단 목적에 따라 다르게 정의될 수 있다. 예를 들어, 유방암을 진단하기 위해 유방의 일부를 촬영한 초음파 영상을 분석하기 위하여 CAD 진단용 진단모델이 정의될 수 있다. 종래에 이러한 진단모델은, 일단 한번 적용되면 수정되지 않았으므로, 특정 촬영 대상, 예컨대 유방의 전체 영역에 걸쳐 동일하게 적용되었다. 그러나, 유방은 유두를 중심으로 높이가 다르며, 해부학적 기관들의 분포가 다르다. 따라서 이러한 다양성을 고려하여, 촬영 위치에 따라 서로 다른 파라미터를 가진 진단모델을 적용하여 분석할 수 있다.
또한 특정 대상은 촬영 위치에 따라 해부학적 구조가 서로 다를 뿐만 아니라, 개인마다 다르며, 개인의 경우에도 시간에 따라 다를 수 있다. 이러한 다양성을 고려하여 각각 개별적인 진단모델을 만드는 것은 불가능하며, 만든다고 해도 적용범위가 너무 좁아 실용성이 없을 것이다.
그러므로, 진단 정확도를 높이기 위하여 충분히 좁은 범위에 적용되는 세밀한 진단모델이면서도, 반면에 실용적으로 적용가능하기에 충분히 일반적인 파라미터를 가지는 진단모델이 요구된다.
실시예는, 일정한 범위의 영역에 적용되도록 미리 정의된 진단모델을 저장한다. 이후 특정 영상 데이터에 대해 CAD 진단 수행 시 진단모델이 필요할 때, 저장되어 있는 진단모델을 특정 영상 데이터에 대해서 높은 진단 정확도를 가질 수 있도록 적응시킨다. 그런 다음, 적응된 진단모델을 사용하여 특정 영상 데이터에 대한 진단을 수행한다.
실시예는, 진단모델을 영상과 연관되어 있는 영상 촬영 관련 정보, 촬영된 대상에 관한 정보, 및/또는 진단모델 자체에 관한 정보 등을 이용하여 적응시킬 수 있다. 이에 따라 실시예는, 촬영 대상 영역을 분할한 서로 다른 하위 영역들에 대해 서로 다른 세분화된 진단모델들을 적용할 수 있다.
예를 들어, 환자의 몸 중에서 어느 부분을 촬영하였는가 하는 촬영위치 정보를, 진단모델의 적응을 위한 적응정보의 하나로서 이용할 수 있다. 이에 따라, 특정 촬영위치에 적합하게 적응된 진단모델이 이 특정 촬영위치의 영상 데이터에 대해 적용될 수 있다.
실시예에서, 적응정보에 기초하여 적합한 진단모델이 선택되거나 진단모델의 파라미터가 조정됨으로써, 진단모델에 대한 적응이 수행될 수 있다. 이렇게 적응된 진단모델을 이용하여 영상데이터에 대한 CAD 진단이 수행됨으로써, 진단 정확도가 상승될 수 있다.
실시예에 따라, 진단모델 적응정보에는 촬영정보가 포함될 수 있다. 촬영정보에는 촬영일시, 프로브의 촬영위치, 프로브의 촬영각도, 영상이 촬영된 환자에 관한 개인정보 중에서 진단 결과에 영향을 미치는 정보 등을 포함할 수 있다. 개인정보에는 예를 들어, 유방암 진단 결과에 영향을 미치는 것으로 알려져 있는 것과 같은, 환자의 연령대, 가족력, 인종, 수유 여부, 성별 등의 정보가 포함될 수 있다.
또한 실시예에 따라, 진단모델 적응정보에는, 촬영정보 이외에 통계적인 자료에 의해 진단모델의 진단 정확도와 같은 성능을 보여주는 진단모델의 "성능정보"가 더 포함될 수 있다. 예를 들어, 특정 진단모델은 특정 촬영위치의 영상 데이터 진단에서 양성 종양 발견 확률이 89%이라는 비교적 높은 진단성능을 나타내는 통계적인 자료를 가질 수 있다. 다른 진단모델은 같은 촬영위치의 영상 데이터 진단에서 악성 종양 발견 확률이 75%이라는 보통의 진단 성능을 나타내는 통계적인 자료를 가질 수 있다. 또 다른 진단모델은 같은 촬영위치의 영상 데이터 진단에서 양성 종양 발견 확률이 59%라는 비교적 낮은 진단 성능을 나타내는 통계적인 자료를 가질 수 있다.
상술한 바와 같이, 실시예는 영상 데이터를 진단하기 위한 진단모델을, 영상데이터에 부가되는 부가정보(예컨대, 촬영정보 및 진단성능) 중 적어도 하나를 적응정보로서 이용하여 적응시킨다. 진단모델의 적응은, 복수의 진단모델들 중에서 적응정보에 따라 가장 적합한 진단모델을 선택하는 것일 수 있다. 대안으로서, 진단모델의 적응은, 하나의 진단모델의 파라미터들 중에서 적어도 하나의 파라미터를 적응정보에 따라 조정하는 것일 수 있다.
진단모델은 미리 정의되어 있는 파라미터들을 가질 수 있다. 진단모델은 일정한 규모 이상의 영상 데이터 집합을 이용하여 세분화, 계층화, 및 학습시킨 것 중 어느 하나일 수 있다. 진단모델은, 예컨대 촬영정보 및 성능정보 중 적어도 하나에 따라, 최적화된 미리 정의된 파라미터들을 가질 수 있다. 진단모델은, 예컨대 촬영정보 및 성능정보 중 적어도 하나에 따라, 과거의 진단 과정에서 적응 또는 학습된 것일 수 있다.
아래에서 실시예에 따른 컴퓨터 보조 진단용 진단모델 적응 시스템 및 방법이 도면들을 참조하여 예시로서 기술된다.
도 1a는 컴퓨터 보조 진단용 진단모델 적응 시스템의 일 실시예의 전체적인 구성을 보여주는 블록도이다.
도 1a를 참조하면, 컴퓨터 보조 진단용 진단모델 적응 시스템(100)은 영상 획득부(110), 진단부(120), 적응정보 제공부(115), 진단모델 적응부(125), 진단모델 데이터베이스(160)의 컴포넌트들을 포함할 수 있다.
영상 획득부(110)는 외부 영상 장치로부터 영상 데이터를 획득할 수 있다. 영상 데이터는 예컨대 초음파 영상 촬영장치, 또는 PACS와 같은 의료영상 시스템으로부터 획득될 수 있다. 영상 데이터는 예컨대 특정 환자의 유방암 조기 진단을 위해 유방을 촬영한 초음파 영상 데이터일 수 있다. 각각의 초음파 영상 데이터는 유방을 전체적으로 촬영한 것이 아니라, 유방의 일부분을 특정 위치에서 촬영한 것일 수 있다.
영상 획득부(110)는 실제 촬영을 통해 획득한 영상 데이터 이외에도 다양한 촬영정보를 획득할 수 있다. 예를 들어, 촬영정보는 영상 데이터를 얻기 위해 사용한 매체의 종류(예컨대, 초음파, X-레이, 감마선 등), 촬영 일시, 촬영 대상이 소속되어 있는 환자의 개인 정보, 촬영 대상인 유방의 전체 영역 중에서 촬영된 영상 데이터가 차지하는 위치 및 각도 정보 등 영상 데이터의 촬영에 관련된 정보일 수 있다. 이러한 촬영정보는 적응정보로서 적응정보 제공부(115)로 제공될 수 있다. 촬영정보는 영상 획득부(110)를 통하지 않고 별도의 경로를 통해 적응정보 제공부(115)로 제공될 수 있다. 예를 들어, 사용자가 직접 입력함으로써 제공될 수 있다. 또는 별도의 저장매체에 저장되어 있는 데이터 파일의 형태로 입력됨으로써 제공될 수 있다.
촬영정보 이외에 진단모델의 진단 성능에 관한 성능정보도 적응정보로서 적응정보 제공부(115)로 제공될 수 있다. 이 경우 성능정보는 별도의 경로를 통해 적응정보 제공부(115)로 제공될 수 있다.
진단부(120)는 영상 획득부(110)로부터 제공되는 영상 데이터를 통상의 컴퓨터 보조 진단 기법을 이용하여 진단하는 컴포넌트이다. 진단부(120)는 영상 데이터를 진단모델을 이용하여 분석함으로써, 관심영역을 검출하고, 분할하고, 분류할 수 있다.
진단모델 적응부(125)는 진단부(120)에서 이용되는 진단모델을 제공한다. 진단모델 적응부(125)는 진단모델 선택부(150) 및 진단모델 파라미터 조정부(170)를 포함할 수 있다. 진단모델 선택부(150)는 진단모델 데이터베이스(160)에 저장되어 있는 진단모델들 중에서 선택기준(151)에 따라 가장 적합한 진단모델을 선택할 수 있다. 진단모델 파라미터 조정부(170)는 진단모델 데이터베이스(160)에 저장되어 있는 하나의 진단모델의 파라미터, 또는 진단모델 선택부(150)에 의해 선택된 진단모델의 파라미터를 조정기준(171)에 따라 조정할 수 있다. 선택기준(151) 및 조정기준(171)은 적응정보에 의해 결정될 수 있다. 적응정보는 적응정보 제공부(115)에 의해 제공될 수 있다. 적응정보 제공부(115)에서는 전처리한 촬영위치 데이터와 같은 촬영정보 및 별도로 획득한 성능정보 등의 부가정보를 선택기준(151) 및 조정기준(171)으로서 진단모델 적응부(115)로 제공할 수 있다.
도시된 예에서, 적응정보 제공부(115)는 전처리부(130) 및 부가정보 획득부(140)를 포함할 수 있다. 전처리부(130)는 영상 획득부(110)로부터 수신된 촬영정보를 정규화하는 등의 전처리를 한 후 선택기준(151) 및 조정기준(171)을 위한 적응정보로서 제공할 수 있다. 또한 부가정보 획득부(140)는 진단모델 데이터베이스(160) 내에 저장되어 있는 진단모델의 진단결과를 나타내는 통계자료로부터 각각의 진단모델의 진단성능을 나타내는 부가정보를 획득할 수 있다.
진단모델 데이터베이스(160)에 저장되어 있는 진단모델들은 진단모델 학습부(180)에 의해 다수의 학습용 영상 데이터 집합(185)과 학습기준(187)을 이용하여 학습된 것일 수 있다. 진단모델 학습부(180)는 학습기준(187)에 따라 진단모델을 세분화하는 진단모델 세분화부(181) 및 학습기준(187)에 따라 진단모델의 파라미터를 학습시키는 진단모델 파라미터 학습부(183)를 포함할 수 있다.
여기서 '학습'이란 기계적인 학습을 말하며, 파라미터들로 구성된 진단모델을 학습시키는 것은, 학습용 데이터를 이용하여 진단모델의 파라미터를 최적화하는 과정을 말한다.
도 1b는 도 1a의 컴퓨터 보조 진단용 진단모델 적응 시스템에 진단모델 학습부가 추가된 실시예의 전체적인 구성을 보여주는 블록도이다.
도 1b를 참조하면, 컴퓨터 보조 진단용 진단모델 적응 시스템(100')은, 도 1a를 참조하여 위에서 설명한 바와 같은 영상 획득부(110), 진단부(120), 적응정보 제공부(115), 진단모델 적응부(125), 진단모델 데이터베이스(160)의 컴포넌트들 이외에 진단모델 학습부(180)를 더 포함할 수 있다.
진단모델 학습부(180)에서 이용하는 학습기준(187)은, 적응정보 제공부(115)에서 제공하는 적응정보에 대응하는 정보이다. 예를 들어, 프로브의 촬영위치, 촬영각도, 환자의 연령대, 가족력, 수유 여부, 성별 등의 개인정보, 각 진단모델의 진단성능을 나타내는 데이터 등이 포함될 수 있다.
상술한 바와 같이, 실시예에 따른 컴퓨터 진단 보조용 진단모델 적응 시스템(100)은 컴퓨터 보조 진단시 영상 데이터를 분석하기 위한 진단모델을 영상 데이터의 촬영위치를 이용하여 적응시키거나, 개인정보를 이용하여 적응시키거나, 또는 진단모델의 진단성능을 나타내는 성능정보를 이용하여 적응시킬 수 있다. 이에 따라 컴퓨터 보조 진단의 진단 정확도가 상승될 수 있다.
도 2는 컴퓨터 보조 진단용 진단모델 적응 시스템의 일 실시예에서, 영상 데이터의 촬영정보 중 촬영위치를 분류한 예를 보여주는 도면이다.
도 2는, 여성의 좌측(Left) 유방과 우측(Right) 유방을 유두를 기준으로 4개의 분할된 면으로 나눈 예를 보여준다. 이 외에 여성의 유방을 각각 유두의 높이에 따라 3개의 위치로 나눈 예가 알려져 있다. 이와 같이, 촬영위치를 나타내는 정보는 다양한 방식으로 정형화된 기준이 적용될 수 있다. 이렇게 정형화된 기준을 적용하여 정규화함으로써, 구체적인 영상 데이터의 촬영위치가 표준적인 데이터로서 생성될 수 있다. 도 2에서 보여주는 촬영위치의 예는 단지 예시에 불과하며, 그 외 다른 방식의 촬영위치 분류 방식들이 가능하다는 것은 자명하다.
도 3은 컴퓨터 보조 진단용 진단모델 적응 시스템의 일 실시예에서, 영상 데이터 집합으로부터 촬영정보에 따라 분류된 다수의 진단모델을 설명하기 위한 도면이다.
도 3을 참조하면, 영상 데이터 집합(30)은 촬영정보 중 촬영위치에 의해 3개 그룹의 영상 데이터 집합(31, 32, 33)으로 분할될 수 있다. 예컨대, 영상 데이터가 유방을 촬영한 것들이라면, 영상 데이터 집합(31)은 도 2의 (a)의 우측 유방의 UOQ 영역을 촬영한 것일 수 있다. 영상 데이터 집합(32)은 도 2의 (a)의 좌측 유방의 유두 영역을 촬영한 것일 수 있다. 영상 데이터 집합(33)은 도 2의 (a)의 좌측 유방의 LOQ 영역을 촬영한 것일 수 있다.
이와 같이 영상 데이터들이 각각의 촬영위치에 따라 세분화된 그룹으로 나뉜 다음, 각각의 세분화된 영상데이터 집합(31, 32, 33)에 대해 진단모델(310, 320, 330)이 생성될 수 있다. 진단모델(310, 320, 330)의 생성은 제3자에 의해 새롭게 정의되어 생성되는 것일 수 있다. 대안으로서 진단모델(310, 320, 330)은 기존의 진단모델을 세분화된 영상데이터 집합(31, 32, 33)을 이용하여 학습시킨 것으로서 생성될 수 있다. 이렇게 생성된 진단모델(310, 320, 330)은, 도 1의 진단모델 데이터베이스(160)에 저장될 수 있다.
도 4는 컴퓨터 보조 진단용 진단모델 적응 시스템의 일 실시예에서, 영상 데이터 집합으로부터 촬영정보에 따라 계층적으로 분류된 다수의 진단모델을 설명하기 위한 도면이다.
도 4를 참조하면, 영상 데이터 집합(40)은 촬영정보 중 촬영위치에 의해 2개 그룹의 영상 데이터 집합(41, 42)으로 분할될 수 있다. 예컨대, 영상 데이터가 유방을 촬영한 것들이라면, 영상 데이터 집합(41)은 도 2의 (a)의 우측 유방의 UOQ 영역을 촬영한 것일 수 있다. 영상 데이터 집합(42)은 도 2의 (a)의 좌측 유방의 유두 영역을 촬영한 것일 수 있다.
그런 다음에, 세분화된 영상 데이터 집합(41, 42)은 촬영정보 중 환자의 연령대에 의해 3개의 그룹의 영상 데이터 집합으로 더 분할될 수 있다. 다시 말해서, 영상 데이터 집합(41)은 20대, 30대, 40대 연령에 따라 더 세분화된 영상 데이터 집합(411, 412, 413)으로 나뉠 수 있다. 한편 영상 데이터 집합(42)은 20대, 30대, 40대 연령에 따라 더 세분화된 영상 데이터 집합(421, 422, 423)으로 나뉠 수 있다.
이와 같이 영상 데이터들이 일차로 각각의 촬영위치에 따라 세분화되고, 이차로 연령대에 따라 더 세분화된 다음, 각각의 세분화되기 전/후의 영상데이터 집합들에 대해 진단모델이 생성될 수 있다. 즉, 영상 데이터 집합(40)에 대해 진단모델(400)이 생성된다. 일차로 세분화된 영상 데이터 집합(41, 42)에 대해서도 각각 진단모델(410, 420)이 생성된다. 그리고 이차로 더 세분화된 영상 데이터 집합(411. 412, 413, 421, 422, 423)에 대해서도 각각 진단모델(4110. 4120, 4130, 4210, 4220, 4230)이 생성된다.
도 5는 도 4의 실시예에서 컴퓨터 보조 진단용 진단모델 적응 시스템에 저장된 진단모델들의 계층적 구조를 설명하기 위한 도면이다.
도 5를 참조하면, 진단모델(400), 세분화된 진단모델(410, 420), 더 세분화된 진단모델(4110, 4120, 4130, 4210, 4220, 4230)은 계층적인 관계로 연결된다. 이러한 진단모델들 간의 계층적인 관계는, 이들 진단모델이 각각 적용되는 영상 데이터 집합들이 서로 계층적인 관계를 가지기 때문이다.
도시된 예에서, 진단모델(400)은 영상 데이터 집합(40)의 모든 영상 데이터에 대하여 적용된다. 세분화된 진단모델(410, 420)은 각각 영상 데이터 집합(40) 중에서 특정 촬영위치 정보에 대응하는 영상 데이터만으로 적용범위가 축소된다. 더 세분화된 진단모델(4110, 4120, 4130, 4210, 4220, 4230)은 각각 영상 데이터 집합(40) 중에서 특정 촬영위치 정보에 대응하는 영상 데이터만으로 적용범위가 축소된 후, 특정 연령대에 대응하는 영상 데이터만으로 더욱 적용범위가 축소된 것이다.
실시예에 따라, 세분화된 및/또는 더 세분화된 진단모델은 적용범위를 벗어난 영상 데이터에 대해서는 적용될 수 없거나, 적용되더라도 진단 정확도를 보장할 수 없다. 하지만, 세분화된 적용범위의 영상 데이터에 대해서는 진단 정확도를 높일 수 있다.
도 6은 통상적인 컴퓨터 보조 진단용 진단모델을 이용하여 진단하는 예를 설명하기 위한 도면이다.
통상적인 컴퓨터 보조 진단용 진단모델의 경우 촬영정보에 상관없이 모두 하나의 진단모델이 적용되었다. 도 6을 참조하면, 예컨대 종래에는 우측 유방의 UOQ 영역(601)을 촬영위치로 하는 영상 데이터(611)에 대해서, 좌측 유방의 유두 영역(602)을 촬영위치로 하는 영상 데이터(612)에 대해서, 그리고 좌측 유방의 LOQ 영역(603)을 촬영위치로 하는 영상 데이터(613)에 대해 모두 동일한 하나의 진단모델(620)이 적용된다.
도 6의 경우와 달리, 촬영위치에 따라 서로 다른 진단모델이 적용되는 실시예들이 도 7 내지 도 9를 참조하여 설명된다.
도 7은 컴퓨터 보조 진단용 진단모델 적응 시스템의 일 실시예에서, 촬영위치에 따라 서로 다른 진단모델을 선택하여 진단하는 예를 설명하기 위한 도면이다.
일 예에 따라, 서로 다른 촬영위치에서 촬영된 영상 데이터들에 대해 각각 서로 다른 진단모델이 선택되어 적용될 수 있다. 도 7을 참조하면, 예컨대 우측 유방의 UOQ 영역(701)을 촬영위치로 하는 영상 데이터(711)에 대해 이 위치에 대해 최적화된 파라미터들을 포함하고 있는 진단모델(721)이 선택되어 적용될 수 있다. 한편, 좌측 유방의 유두 영역(702)을 촬영위치로 하는 영상 데이터(712)에 대해 이 위치에 대해 최적화된 파라미터들을 포함하고 있는 다른 진단모델(722)이 선택되어 적용될 수 있다. 그리고 좌측 유방의 LOQ 영역(703)을 촬영위치로 하는 영상 데이터(713)에 대해 이 위치에 대해 최적화된 파라미터들을 포함하고 있는 또 다른 진단모델(723)이 선택되어 적용될 수 있다.
도 8은 컴퓨터 보조 진단용 진단모델 적응 시스템의 일 실시예에서, 촬영위치에 따라 진단모델의 파라미터를 조정한 후 진단하는 다른 예를 설명하기 위한 도면이다.
다른 예에 따라, 서로 다른 촬영위치에서 촬영된 영상 데이터들에 대해 하나의 진단모델을 선택하고, 선택된 진단모델의 파라미터를 각각의 촬영위치에 대해 최적화되도록 조정함으로써 각각 서로 다른 진단모델로서 적응되도록 한 후, 각각의 영상데이터에 적용될 수 있다. 도 8을 참조하면, 예컨대 우측 유방의 UOQ 영역(801)을 촬영위치로 하는 영상 데이터(811)에 대해 하나의 진단모델을 선택한다. 이후, 선택된 진단모델의 파라미터들을 이 위치에 대해 최적화되도록 조정함으로써, 이 위치에 최적화된 진단모델(821)로 적응시킬 수 있다. 한편, 좌측 유방의 유두 영역(802)을 촬영위치로 하는 영상 데이터(812)에 대해 적응되기 전 진단모델을 선택한다. 이후, 선택된 진단모델의 파라미터들을 이 위치에 대해 최적화되도록 조정함으로써, 이 위치에 최적화된 진단모델(822)로 적응시킬 수 있다. 그리고 좌측 유방의 LOQ 영역(803)을 촬영위치로 하는 영상 데이터(813)에 대해 적응되기 전 진단모델을 선택한다. 이후, 선택된 진단모델의 파라미터들을 이 위치에 대해 최적화되도록 조정함으로써, 이 위치에 최적화된 진단모델(823)로 적응시킬 수 있다.
도 9는 컴퓨터 보조 진단용 진단모델 적응 시스템의 일 실시예에서, 진단모델의 촬영위치에 따른 진단성능에 대한 통계자료에 기초하여 이용여부를 결정하여 진단하는 또 다른 예를 설명하기 위한 도면이다.
또 다른 예에 따라, 서로 다른 촬영위치에서 촬영된 영상 데이터들에 대해 하나의 진단모델을 선택하고, 이 진단모델의 진단성능을 판단하여 문턱값보다 낮으면 더 세분화된 하위 계층의 진단모델이 선택되어 적용될 수 있다. 도 9를 참조하면, 예컨대 우측 유방의 UOQ 영역(901)을 촬영위치로 하는 영상 데이터(911), 좌측 유방의 유두 영역(902)을 촬영위치로 하는 영상 데이터(912), 및 좌측 유방의 LOQ 영역(903)을 촬영위치로 하는 영상 데이터(913)에 대해, 먼저 하나의 진단모델(920)이 선택될 수 있다. 그런 다음 3개의 촬영위치에 대해 선택된 진단모델(920)의 진단성능이 판단될 수 있다.
도시된 예에서, 우측 유방의 UOQ 영역(901)을 촬영위치로 하는 영상 데이터(911)에 대해서는 진단모델(920)은 양성 종양 발견확률 89%라는 진단성능을 보인다. 한편 좌측 유방의 유두 영역(902)을 촬영위치로 하는 영상 데이터(912)에 대해서 진단모델(920)은 악성종양 발견확률 75%라는 진단성능을 보인다. 그리고 좌측 유방의 LOQ 영역(903)을 촬영위치로 하는 영상 데이터(913)에 대해 진단모델(920)은 양성종양 발견확률 59%라는 진단성능을 보인다. 각각의 진단성능이 문턱값(예컨대, 악성종양 또는 양성종양 발견확률 60%)보다 낮은지가 판단될 수 있다. 도시된 예에서, 문턱값보다 낮은 경우, 즉 좌측 유방의 LOQ 영역(903)을 촬영위치로 하는 영상 데이터(913)에 대해 진단모델(920)의 진단성능이 문턱값보다 낮으므로, 더 세분화되어 진단성능이 높은 다른 진단모델(922)이 선택될 수 있다.
이하 도 10 내지 도 16을 참조하여, 실시예에 따른 컴퓨터 보조 진단용 진단모델 적응 방법이 예시된다.
도 10은 컴퓨터 보조 진단용 진단모델 적응 방법의 일 실시예에서, 촬영정보에 따라 진단모델을 선택하여 진단하는 프로세스를 예시하는 흐름도이다.
도 10을 참조하면, 컴퓨터 보조 진단용 진단모델 적응 방법(1000)에서, 진단이 시작되면 영상 데이터를 획득한다(1010). 이후 영상 데이터와 연관된 촬영위치 정보 및 프로브 각도 정보와 같은 촬영정보가 획득되고 정규화 작업이 수행된다(1030). 정규화된 촬영정보를 이용하여, 복수의 진단모델 중에서 가장 적합한 하나의 진단모델이 선택될 수 있다(1050). 그런 다음, 선택된 진단모델에 따라, 영상 데이터에 대한 컴퓨터 보조 진단이 수행(1070)된 후 진단이 종료될 수 있다.
도 11은 컴퓨터 보조 진단용 진단모델 적응 방법의 일 실시예에서, 촬영정보에 따라 진단모델의 파라미터를 조정하여 진단하는 프로세스를 예시하는 흐름도이다.
도 11을 참조하면, 컴퓨터 보조 진단용 진단모델 적응 방법(1100)에서, 진단이 시작되면 영상 데이터를 획득한다(1110). 이후 영상 데이터와 연관된 촬영위치 정보 및 프로브 각도 정보와 같은 촬영정보가 획득되고 정규화 작업이 수행된다(1130). 정규화된 촬영정보를 이용하여, 미리 정해진 하나의 진단모델의 파라미터들 중에서 적어도 하나의 파라미터가 적합하게 조정될 수 있다(1150). 그런 다음, 파라미터가 조정된 진단모델에 따라, 영상 데이터에 대한 컴퓨터 보조 진단이 수행(1170)된 후 진단이 종료될 수 있다.
도 12는 컴퓨터 보조 진단용 진단모델 적응 방법의 일 실시예에서, 진단모델의 진단성능에 따라 양호한 성능의 진단모델을 선택하여 진단하는 프로세스를 예시하는 흐름도이다.
도 12를 참조하면, 컴퓨터 보조 진단용 진단모델 적응 방법(1200)에서, 진단이 시작되면 영상 데이터를 획득한다(1210). 이후 영상 데이터와 연관된 촬영위치 정보 및 프로브 각도 정보와 같은 촬영정보가 획득되고, 정규화 작업이 수행된다(1230). 정규화된 촬영정보를 이용하여, 상하위로 계층화되어 있는 복수의 진단모델들 중에서 최상위 진단모델이 선택된다(1250). 최상위 진단모델은 예컨대 촬영위치 등의 촬영정보와 상관없이 특정 대상에 대한 모든 영상 데이터에 대해 적용 가능한 진단모델이다. 이후 선택된 진단모델의 진단 성능이 미리 정해져 있는 문턱값보다 높은지 여부가 판단된다(1260).
진단 성능이 미리 정해져 있는 문턱값보다 높으면, 선택된 진단모델을 사용하여 컴퓨터 보조 진단이 수행된다(1270). 만약 진단 성능이 미리 정해져 있는 문턱값보다 낮으면, 체크된 진단모델보다 하위의 진단모델이 선택된다(1265). 이 하위의 진단모델에 대해서 다시 진단성능 체크 단계(1260)가 반복될 수 있다.
이와 같이 하여, 적합한 진단성능을 가진 진단모델이 선택되어 컴퓨터 보조 진단 수행에 이용될 수 있다.
도 13은 컴퓨터 보조 진단용 진단모델 적응 방법의 일 실시예에서, 결정된 선택기준에 따라 진단모델을 선택하여 진단하는 프로세스를 예시하는 흐름도이다.
도 13을 참조하면, 컴퓨터 보조 진단용 진단모델 적응 방법(1300)에서, 진단이 시작되면 영상 데이터를 획득한다(1310). 이후 영상 데이터와 연관된 부가정보에 기초하는 선택기준이 결정될 수 있다(1330). 부가정보는 촬영위치 정보, 프로브의 각도 정보, 환자의 개인정보, 또는 진단모델의 진단성능을 나타내는 성능정보 등을 포함할 수 있다. 선택기준은 최적의 진단모델을 선택하는 기준이다. 선택기준을 이용하여, 복수의 진단모델 중에서 가장 적합한 하나의 진단모델이 선택될 수 있다(1350). 그런 다음, 선택된 진단모델에 따라, 영상 데이터에 대한 컴퓨터 보조 진단이 수행(1370)된 후 진단 프로세스가 종료될 수 있다.
도 14는 컴퓨터 보조 진단용 진단모델 적응 방법의 일 실시예에서, 결정된 조정기준에 따라 진단모델의 파라미터를 조정하여 진단하는 프로세스를 예시하는 흐름도이다.
도 14를 참조하면, 컴퓨터 보조 진단용 진단모델 적응 방법(1400)에서, 진단이 시작되면 영상 데이터를 획득한다(1410). 이후 영상 데이터와 연관된 촬영위치 정보, 환자의 개인정보, 및/또는 진단성능 정보 등에 기초하여 조정기준이 결정될 수 있다(1430). 조정기준은 진단모델의 파라미터를 최적으로 조정하기 위한 기준이다. 조정기준을 이용하여, 미리 정해진 하나의 진단모델의 파라미터들 중에서 적어도 하나의 파라미터가 적합하게 조정될 수 있다(1450). 그런 다음, 파라미터가 조정된 진단모델에 따라, 영상 데이터에 대한 컴퓨터 보조 진단이 수행(1470)된 후 진단이 종료될 수 있다.
도 15는 컴퓨터 보조 진단용 진단모델 적응 방법의 일 실시예에서, 진단모델 학습 프로세스를 보여주는 흐름도이다.
도 15를 참조하면, 컴퓨터 보조 진단용 진단모델 적응 방법(1500)에서, 진단모델의 학습이 시작되면, 진단모델 학습용 영상 데이터 집합을 획득한다(1510). 이후 영상 데이터와 연관된 촬영위치 정보, 프로브 정보, 환자의 개인정보와 같은 촬영정보를 기준으로 영상 데이터 집합을 다수의 하위 집합으로 분류할 수 있다(1530). 그런 다음에, 각각의 하위 집합에 대해 대응하는 진단모델을 조정함으로써 학습시킬 수 있다(1550). 그런 다음 학습된 진단모델을 저장할 수 있다(1570).
도 16은 컴퓨터 보조 진단용 진단모델 적응 방법의 일 실시예에서, 계층적 구조의 진단모델 학습 프로세스를 보여주는 흐름도이다.
도 16을 참조하면, 컴퓨터 보조 진단용 진단모델 적응 방법(1600)에서, 진단모델의 학습이 시작되면, 진단모델 학습용 영상 데이터 집합을 획득한다(1610). 영상 데이터 집합에 대해 대응하는 진단모델을 학습시킨다(1620). 그리고 영상 데이터와 연관된 촬영위치 정보 또는 프로브 정보와 같은 촬영정보를 기준으로 영상 데이터 집합을 다수의 하위 집합으로 분류할 수 있다(1630). 각각의 하위 집합에 대해 대응하는 하위 진단모델을 조정함으로써 학습시킬 수 있다(1640). 또한 영상 데이터와 연관된 환자의 연령대와 같은 개인정보를 기준으로 다수의 하위 집합 각각을 다수의 하위-하위 집합으로 더 분류할 수 있다(1650). 그런 다음 각각의 하위-하위 집합에 대해 대응하는 하위 진단모델을 조정함으로써 학습시킬 수 있다(1660). 그런 다음, 3개의 계층에서 학습된 진단모델 저장할 수 있다. 즉 영상데이터 집합에 대해 학습된 진단모델, 각각의 하위 집합에 대해 학습된 하위 진단모델, 그리고 각각의 하위-하위 집합에 대해 학습된 하위-하위 진단모델을 저장할 수 있다(1670).
상술한 바와 같이, 실시예에 따라, 예컨대 초음파 의료영상에 대한 CAD 진단시, 촬영위치, 연령대, 진단성능 등에 따라 세분화된 진단모델이 선택될 수 있다. 또한 촬영위치, 연령대, 진단성능 등에 따라 진단모델의 파라미터 값이 조정될 수 있다. 더 나아가, 저장되어 있는 진단모델들은 촬영위치, 연령대, 진단성능 등에 따라 세분화하거나 파라미터값이 조정되어 학습된 후 재저장될 수 있다. 이와 같이, 실시예는, 이미 촬영되어 있는 영상 데이터의 CAD 분석을 위한 진단모델을 해당 영상 데이터에 대해 가장 적합한 것으로 적응시킴으로써, CAD의 진단 정확도를 높일 수 있다.
100 : 진단모델 적응 시스템
110 : 영상 획득부
115 : 적응정보 제공부
120 : 진단부
125 : 진단모델 적응부
130 : 전처리부
140 : 부가정보 획득부
150 : 진단모델 선택부
160 : 진단모델 데이터베이스(DB)
170 : 진단모델 파라미터 조정부
180 : 진단모델 학습부
110 : 영상 획득부
115 : 적응정보 제공부
120 : 진단부
125 : 진단모델 적응부
130 : 전처리부
140 : 부가정보 획득부
150 : 진단모델 선택부
160 : 진단모델 데이터베이스(DB)
170 : 진단모델 파라미터 조정부
180 : 진단모델 학습부
Claims (20)
- 대상의 적어도 일부를 촬영한 영상 데이터를 획득하는 영상 획득부;
적어도 하나의 진단모델을 저장하는 진단모델 데이터베이스;
상기 영상 데이터의 진단과 연관 있는 적응정보를 제공하는 적응정보 제공부;
상기 진단모델 데이터베이스에서 하나의 진단모델을 획득하여 상기 적응정보에 기초하여 적응시켜 적응된 진단모델을 생성하는 진단모델 적응부; 및
상기 적응된 진단모델을 이용하여 상기 영상 데이터에 대한 컴퓨터 보조 진단을 수행하는 진단부를
포함하는, 컴퓨터 보조 진단용 진단모델 적응 시스템. - 제 1 항에 있어서,
상기 적응정보는,
상기 영상 데이터가 포함하고 있는 대상의 적어도 일부가 상기 대상에서 차지하는 위치를 나타내는 촬영위치 정보를 포함하는, 컴퓨터 보조 진단용 진단모델 적응 시스템. - 제 2 항에 있어서,
상기 적응정보는,
상기 영상 데이터의 대상에 대하여 상기 영상 데이터의 진단 결과에 영향을 미치는 개인정보를 더 포함하는, 컴퓨터 보조 진단용 진단모델 적응 시스템. - 제 2 항에 있어서,
상기 적응정보는,
특정 촬영위치의 영상 데이터에 대한 특정 진단모델의 진단 결과를 통계적으로 나타냄으로써 특정 진단모델의 진단성능을 알 수 있는 성능정보를 더 포함하는,
컴퓨터 보조 진단용 진단모델 적응 시스템. - 제 1 항에 있어서,
상기 진단모델 데이터베이스에는 하나의 미리 정의된 진단모델이 저장되고,
상기 진단모델 적응부는, 상기 진단모델 데이터베이스의 상기 미리 정의된 진단모델의 적어도 하나의 파라미터를 상기 적응정보에 기초하여 조정한 후, 조정된 진단모델을 상기 진단부에 제공하는, 컴퓨터 보조 진단용 진단모델 적응 시스템. - 제 1 항에 있어서,
상기 진단모델 데이터베이스에는 복수의 진단모델이 저장되고;
상기 복수의 진단모델의 각각은, 상기 적응정보와 연관된 정보에 기초하여 분류된 복수의 영상데이터 집합들 각각의 진단에 이용할 것으로 미리 정의된 진단모델들이며,
상기 진단모델 적응부는, 상기 복수의 진단모델 중 상기 적응정보에 기초하여 하나의 진단모델을 선택한 후, 선택된 상기 진단모델을 상기 진단부에 제공하는, 컴퓨터 보조 진단용 진단모델 적응 시스템. - 제 6 항에 있어서,
상기 진단모델 적응부는, 선택된 상기 진단모델의 적어도 하나의 파라미터를 상기 적응정보에 기초하여 조정한 후, 조정된 진단모델을 상기 진단부에 제공하는, 컴퓨터 보조 진단용 진단모델 적응 시스템. - 제 6 항에 있어서,
상기 복수의 진단모델은 상기 적응정보에 기초하여 분류되어 2개 이상의 진단모델 그룹으로 분할되고, 이들 진단모델 그룹들은 분류에 사용된 상기 적응정보의 내용에 따라 상하위 계층으로 구조화되며,
상기 상하위 계층의 분류에 있어서, 분류의 기초로 이용되는 적응정보의 양이 적을수록 상위 계층으로 분류되고, 그 양이 많을수록 더 세분화된 하위 계층으로 분류되는, 컴퓨터 보조 진단용 진단모델 적응 시스템. - 제 8 항에 있어서,
상기 진단모델 적응부는,
상기 적응정보 중 일부분에 기초하여 상기 복수의 진단모델 중 상위 계층의 진단모델을 선택하고, 선택된 진단모델에 대해 상기 적응정보의 다른 부분에 기초하여 그 진단 성능의 적합성을 판단하고, 만약 적합하지 않다고 판단되면, 그보다 아래의 하위 계층의 진단모델을 선택하여 적합성 판단을 반복하며, 만약 적합하다고 판단되면 적합성 판단을 종료하고, 적합성 판단이 종료된 진단모델을 상기 진단부에 제공하는, 컴퓨터 보조 진단용 진단모델 적응 시스템. - 제 6 항에 있어서,
영상 데이터 집합을 소정 학습기준에 따라 분류하고, 상기 진단모델 데이터베이스에 저장되어 있는 진단모델을 분류된 영상 데이터 집합을 이용하여 소정 학습기준에 따라 진단모델 학습을 수행하고, 학습이 수행된 진단모델을 상기 진단모델 데이터베이스에 다시 저장하는 진단모델 학습부를 더 포함하는, 컴퓨터 보조 진단용 진단모델 적응 시스템. - 대상의 적어도 일부를 촬영한 영상 데이터를 획득하는 영상 획득 단계;
상기 영상 데이터의 진단과 연관 있는 적응정보를 제공하는 적응정보 제공 단계;
상기 영상 데이터의 진단을 위한 하나의 진단모델을 획득하여 상기 적응정보에 기초하여 적응시킴으로써 적응된 진단모델을 생성하는 진단모델 적응 단계; 및
상기 적응된 진단모델을 이용하여 상기 영상 데이터에 대한 컴퓨터 보조 진단을 수행하는 진단 단계를
포함하는, 컴퓨터 보조 진단용 진단모델 적응 방법. - 제 11 항에 있어서,
상기 적응정보는,
상기 영상 데이터가 포함하고 있는 대상의 적어도 일부가 상기 대상에서 차지하는 위치를 나타내는 촬영위치 정보를 포함하는, 컴퓨터 보조 진단용 진단모델 적응 방법. - 제 12 항에 있어서,
상기 적응정보는,
상기 영상 데이터의 대상에 대하여 상기 영상 데이터의 진단 결과에 영향을 미치는 개인정보를 더 포함하는, 컴퓨터 보조 진단용 진단모델 적응 방법. - 제 12 항에 있어서,
상기 적응정보는,
특정 촬영위치의 영상 데이터에 대한 특정 진단모델의 진단 결과를 통계적으로 나타냄으로써 특정 진단모델의 진단성능을 알 수 있는 성능정보를 더 포함하는, 컴퓨터 보조 진단용 진단모델 적응 방법. - 제 11 항에 있어서,
상기 진단모델 적응 단계는,
미리 정의된 진단모델의 적어도 하나의 파라미터를 상기 적응정보에 기초하여 조정한 후, 조정된 진단모델을 제공하는 단계를 포함하는, 컴퓨터 보조 진단용 진단모델 적응 방법. - 제 11 항에 있어서,
상기 진단모델 적응 단계는,
상기 적응정보와 연관된 정보에 기초하여 분류된 복수의 영상데이터 집합들 각각의 진단에 이용할 것으로 미리 정의된 복수의 진단모델 중 상기 적응정보에 기초하여 하나의 진단모델을 선택한 후, 선택된 진단모델을 제공하는 단계를 포함하는, 컴퓨터 보조 진단용 진단모델 적응 방법. - 제 16 항에 있어서,
상기 진단모델 적응 단계는,
상기 복수의 진단모델 중에 선택된 진단모델의 적어도 하나의 파라미터를 상기 적응정보에 기초하여 조정한 후, 조정된 진단모델을 제공하는, 컴퓨터 보조 진단용 진단모델 적응 방법. - 제 16 항에 있어서,
상기 복수의 진단모델은 상기 적응정보에 기초하여 분류되어 2개 이상의 진단모델 그룹으로 분할되고, 이들 진단모델 그룹들은 분류에 사용된 상기 적응정보의 내용에 따라 상하위 계층으로 구조화되며,
상기 상하위 계층의 분류에 있어서, 분류의 기초로 이용되는 적응정보의 양이 적을수록 상위 계층으로 분류되고, 그 양이 많을수록 더 세분화된 하위 계층으로 분류되는, 컴퓨터 보조 진단용 진단모델 적응 방법. - 제 18 항에 있어서,
상기 진단모델 적응 단계는,
상기 적응정보 중 일부분에 기초하여 상기 복수의 진단모델 중 상위 계층의 진단모델을 선택하고, 선택된 진단모델에 대해 상기 적응정보의 다른 부분에 기초하여 그 진단 성능의 적합성을 판단하고, 만약 적합하지 않다고 판단되면, 그보다 아래의 하위 계층의 진단모델을 선택하여 적합성 판단을 반복하며, 만약 적합하다고 판단되면 적합성 판단을 종료하고, 적합성 판단이 종료된 진단모델을 제공하는 단계를 포함하는, 컴퓨터 보조 진단용 진단모델 적응 방법. - 제 16 항에 있어서,
영상 데이터 집합을 소정 학습기준에 따라 분류하고, 상기 진단모델 데이터베이스에 저장되어 있는 진단모델을 분류된 영상 데이터 집합을 이용하여 소정 학습기준에 따라 진단모델 학습을 수행하고, 학습이 수행된 진단모델을 상기 진단모델 적응 단계에서 이용하도록 저장하는 진단모델 학습 단계를
더 포함하는, 컴퓨터 보조 진단용 진단모델 적응 방법.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020130161568A KR20150073628A (ko) | 2013-12-23 | 2013-12-23 | 컴퓨터 보조 진단용 진단모델 적응 시스템 및 방법 |
| US14/296,500 US20150173705A1 (en) | 2013-12-23 | 2014-06-05 | Apparatus and method for adapting diagnostic model for computer-aided diagnosis |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020130161568A KR20150073628A (ko) | 2013-12-23 | 2013-12-23 | 컴퓨터 보조 진단용 진단모델 적응 시스템 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20150073628A true KR20150073628A (ko) | 2015-07-01 |
Family
ID=53398799
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020130161568A Ceased KR20150073628A (ko) | 2013-12-23 | 2013-12-23 | 컴퓨터 보조 진단용 진단모델 적응 시스템 및 방법 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20150173705A1 (ko) |
| KR (1) | KR20150073628A (ko) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019172498A1 (ko) * | 2018-03-05 | 2019-09-12 | 주식회사 인공지능연구원 | 종양의 악성도와 악성도 추론의 근거를 제공하는 컴퓨터 보조 진단 시스템 및 그 방법 |
| WO2019190194A1 (ko) * | 2018-03-27 | 2019-10-03 | 중앙대학교 산학협력단 | 의사결정모델 기반 군날개 수술 여부 진단 장치 및 그 방법 그리고 스마트폰을 이용한 pov 등급 판단 방법 |
| KR20210113549A (ko) * | 2020-03-05 | 2021-09-16 | (주)제이엘케이 | 이미지 기반 코로나바이러스감염증 정량 분류 방법 및 시스템 |
| WO2024025350A1 (ko) * | 2022-07-29 | 2024-02-01 | 주식회사 메디컬에이아이 | 심전도 판독을 위한 인공지능 모델의 업데이트 방법, 프로그램 및 장치 |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10251621B2 (en) | 2010-07-19 | 2019-04-09 | Qview Medical, Inc. | Automated breast ultrasound equipment and methods using enhanced navigator aids |
| 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 |
| US9826958B2 (en) | 2009-11-27 | 2017-11-28 | QView, INC | Automated detection of suspected abnormalities in ultrasound breast images |
| US10603007B2 (en) | 2009-11-27 | 2020-03-31 | Qview Medical, Inc. | Automated breast ultrasound equipment and methods using enhanced navigator aids |
| US20180157800A1 (en) * | 2016-12-02 | 2018-06-07 | General Electric Company | Methods and systems for user defined distributed learning models for medical imaging |
| US10679753B2 (en) * | 2017-02-20 | 2020-06-09 | General Electric Company | Methods and systems for hierarchical machine learning models for medical imaging |
| JP6815711B1 (ja) * | 2020-01-31 | 2021-01-20 | 学校法人慶應義塾 | 診断支援プログラム、装置、及び方法 |
| JP7538705B2 (ja) * | 2020-12-08 | 2024-08-22 | 富士フイルムヘルスケア株式会社 | 超音波診断システム及び操作支援方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6540679B2 (en) * | 2000-12-28 | 2003-04-01 | Guided Therapy Systems, Inc. | Visual imaging system for ultrasonic probe |
| 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 |
| EP2070045B1 (en) * | 2006-09-22 | 2018-06-27 | Koninklijke Philips N.V. | Advanced computer-aided diagnosis of lung nodules |
| US8774479B2 (en) * | 2008-02-19 | 2014-07-08 | 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 |
-
2013
- 2013-12-23 KR KR1020130161568A patent/KR20150073628A/ko not_active Ceased
-
2014
- 2014-06-05 US US14/296,500 patent/US20150173705A1/en not_active Abandoned
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019172498A1 (ko) * | 2018-03-05 | 2019-09-12 | 주식회사 인공지능연구원 | 종양의 악성도와 악성도 추론의 근거를 제공하는 컴퓨터 보조 진단 시스템 및 그 방법 |
| WO2019190194A1 (ko) * | 2018-03-27 | 2019-10-03 | 중앙대학교 산학협력단 | 의사결정모델 기반 군날개 수술 여부 진단 장치 및 그 방법 그리고 스마트폰을 이용한 pov 등급 판단 방법 |
| KR20210113549A (ko) * | 2020-03-05 | 2021-09-16 | (주)제이엘케이 | 이미지 기반 코로나바이러스감염증 정량 분류 방법 및 시스템 |
| WO2024025350A1 (ko) * | 2022-07-29 | 2024-02-01 | 주식회사 메디컬에이아이 | 심전도 판독을 위한 인공지능 모델의 업데이트 방법, 프로그램 및 장치 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20150173705A1 (en) | 2015-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20150073628A (ko) | 컴퓨터 보조 진단용 진단모델 적응 시스템 및 방법 | |
| US11227683B2 (en) | Methods and systems for characterizing anatomical features in medical images | |
| US8270695B2 (en) | Diagnostic image processing with automatic self image quality validation | |
| US20220051456A1 (en) | Systems and methods for deep learning-based image reconstruction | |
| EP3973539A1 (en) | System and method for interpretation of multiple medical images using deep learning | |
| CN110621231A (zh) | 用于分层次多级特征图像合成和表示的系统以及方法 | |
| JP6475691B2 (ja) | Ｘ線画像における構造のコンピュータ援用検出のための方法およびｘ線システム | |
| US20120256920A1 (en) | System and Method for Fusing Computer Assisted Detection in a Multi-Modality, Multi-Dimensional Breast Imaging Environment | |
| US11819351B2 (en) | Medical imaging apparatus, medical image processing apparatus, and image processing program | |
| US20090324049A1 (en) | System and method for assessing cancer risk | |
| JP6296942B2 (ja) | Ｃｔ画像評価装置及びｃｔ画像評価方法 | |
| EP3813940A1 (en) | Systems and methods for accelerated online adaptive radiation therapy | |
| US12315159B2 (en) | Image processing for stroke characterization | |
| KR20090012323A (ko) | 에러 적응성 기능성 이미지화 | |
| US11455711B2 (en) | Providing an optimum subtraction data set | |
| WO2022033598A1 (zh) | 乳房x射线图像获取方法、装置、计算机设备和存储介质 | |
| CN112884759A (zh) | 一种乳腺癌腋窝淋巴结转移状态的检测方法及相关装置 | |
| CN111247592A (zh) | 用于随时间量化组织的系统和方法 | |
| CN110060746B (zh) | 融合分析数据记录和图像数据记录的方法 | |
| US20220044454A1 (en) | Deep reinforcement learning for computer assisted reading and analysis | |
| CN112004471B (zh) | 用于成像系统快捷模式的系统和方法 | |
| KR102332472B1 (ko) | 의료 영상에서 듀얼 윈도우 설정에 기반한 딥러닝을 이용한 종양 자동 분할 방법 | |
| CN118675683A (zh) | 一种数字影像及报告的质量控制与调阅系统 | |
| US9192340B2 (en) | Imaging method and apparatus with optimized grayscale value window determination | |
| EP4454566A1 (en) | Image processing device, image processing method, and image processing program |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PA0109 | Patent application |
Patent event code: PA01091R01D Comment text: Patent Application Patent event date: 20131223 |
|
| PG1501 | Laying open of application | ||
| A201 | Request for examination | ||
| PA0201 | Request for examination |
Patent event code: PA02012R01D Patent event date: 20181212 Comment text: Request for Examination of Application Patent event code: PA02011R01I Patent event date: 20131223 Comment text: Patent Application |
|
| E902 | Notification of reason for refusal | ||
| PE0902 | Notice of grounds for rejection |
Comment text: Notification of reason for refusal Patent event date: 20200627 Patent event code: PE09021S01D |
|
| E601 | Decision to refuse application | ||
| PE0601 | Decision on rejection of patent |
Patent event date: 20201020 Comment text: Decision to Refuse Application Patent event code: PE06012S01D Patent event date: 20200627 Comment text: Notification of reason for refusal Patent event code: PE06011S01I |