KR20160010157A - 차원 축소 기반 3차원 컴퓨터 보조 진단 장치 및 방법 - Google Patents

차원 축소 기반 3차원 컴퓨터 보조 진단 장치 및 방법 Download PDF

Info

Publication number
KR20160010157A
KR20160010157A KR1020140091172A KR20140091172A KR20160010157A KR 20160010157 A KR20160010157 A KR 20160010157A KR 1020140091172 A KR1020140091172 A KR 1020140091172A KR 20140091172 A KR20140091172 A KR 20140091172A KR 20160010157 A KR20160010157 A KR 20160010157A
Authority
KR
South Korea
Prior art keywords
lesion
dimensional
image
detecting
volume
Prior art date
Application number
KR1020140091172A
Other languages
English (en)
Inventor
김예훈
성영경
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 KR1020140091172A priority Critical patent/KR20160010157A/ko
Priority to US14/802,158 priority patent/US20160019320A1/en
Publication of KR20160010157A publication Critical patent/KR20160010157A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • 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
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass
    • 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
    • G06T2207/10132—Ultrasound image
    • G06T2207/10136—3D ultrasound image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Architecture (AREA)
  • Software Systems (AREA)

Abstract

차원 축소 기반 3차원 컴퓨터 보조 진단 장치 및 방법이 개시된다. 일 양상에 따른 3차원 컴퓨터 보조 진단 장치는, 3차원 볼륨 데이터를 차원 축소하여 적어도 하나의 차원 축소 영상을 생성하는 차원 축소부와, 적어도 하나의 차원 축소 영상을 기반으로 3차원 볼륨 내 병변을 검출하고, 진단하는 진단부를 포함할 수 있다.

Description

차원 축소 기반 3차원 컴퓨터 보조 진단 장치 및 방법{Apparatus and Method for 3D computer aided diagnosis based on dimension reduction}
의료 영상의 분석 기술에 관련된 것으로, 특히, 차원 축소 기반 3차원 컴퓨터 보조 진단 장치 및 방법과 관련된다.
컴퓨터 보조 진단(CAD: Computer Aided Diagnosis) 시스템이란 초음파 영상과 같은 의료영상을 분석하고 그 분석 결과에 따라 의료영상에 이상 부위를 표시함으로써 의사(doctor)의 진단 업무에 도움을 주는 시스템을 말한다. 이러한 CAD 시스템은 사람의 식별능력의 한계로 인해 불가피하게 발생하던 진단의 불확실성을 줄여주고, 개별적 영상 판독에 따른 의사의 과중한 업무 역시 줄여줄 수 있는 장점이 있다.
한편, 3차원 초음파 영상(Ultrasound Image), 자기 공명 영상(MRI: Magnetic Resonance Imaging), 및 컴퓨터 단층 촬영(CT: Computed tomography) 영상 등과 같이 3차원 영상 데이터를 처리하는 3차원 CAD 시스템의 경우, 2차원 영상 데이터를 처리하는 2차원 CAD 시스템보다 많은 양의 데이터를 저장하고 연산/처리하여야 한다. 따라서, 3차원 CAD 시스템은 2차원 CAD 시스템과 비교하여, 메모리는 많이 필요한 반면 데이터의 연산/처리 속도가 느리다.
따라서, 3차원 영상 데이터를 이용하여 병변을 검출하거나 진단할 때, 정확도를 유지하며 빠르게 수행할 수 있는 방법이 필요하다.
차원 축소 기반 3차원 컴퓨터 보조 진단 장치 및 방법을 제공하는 것을 목적으로 한다.
일 양상에 따른 3차원 컴퓨터 보조 진단 장치는, 3차원 볼륨 데이터를 차원 축소하여 적어도 하나의 차원 축소 영상을 생성하는 차원 축소부와, 적어도 하나의 차원 축소 영상을 기반으로 3차원 볼륨 내 병변을 검출하고, 진단하는 진단부를 포함할 수 있다.
여기서, 차원 축소부는 3차원 볼륨의 임의의 단면에 수직하는 방향으로 3차원 볼륨 데이터를 차원 축소할 수 있다.
여기서, 차원 축소부는 PCA(Principal Component Analysis), LDA(Linear Discriminant Analysis), NMF(Non-negative Matrix Factorization), LLE(Locally Linear Embedding), Isomap, LPP(Locality Preserving Projection), UDP(Unsupervised Discriminant Projection), FA(Factor Analysis), SVD(Singular Value Decomposition), 및 ICA(Independent Component Analysis) 중 하나를 이용하여 3차원 볼륨 데이터를 차원 축소할 수 있다.
여기서, 진단부는, 적어도 하나의 차원 축소 영상에서 병변을 검출하는 제1 검출부와, 검출 결과를 조합하여 3차원 볼륨 내의 병변을 검출하는 제2 검출부를 포함할 수 있다.
여기서, 제1 검출부는 적어도 하나의 차원 축소 영상에 대하여, 각 차원 축소 영상 내 병변의 위치 및 크기를 나타내는 바운딩 박스를 생성하고, 제2 검출부는 생성된 바운딩 박스를 조합하여 3차원 볼륨 내 병변의 위치 및 크기를 나타내는 3차원 큐브를 생성할 수 있다.
여기서, 진단부는, 적어도 하나의 차원 축소 영상에서 검출된 병변을 진단하는 제1 진단부와, 진단 결과를 종합하여 3차원 볼륨 내의 병변을 진단하는 제2 진단부를 더 포함할 수 있다.
또한, 진단부는, 적어도 하나의 차원 축소 영상과 가장 유사한 유사 슬라이스 영상을 탐색하는 유사 슬라이스 영상 탐색부와, 유사 슬라이스 영상에서 병변을 검출하는 제1 검출부와, 유사 슬라이스 영상의 전후 프레임 슬라이스 영상에 대하여, 검출된 병변을 추적하여 3차원 볼륨 내의 병변을 검출하는 제2 검출부를 포함할 수 있다.
여기서, 진단부는, 유사 슬라이스 영상에서 검출된 병변을 진단하고, 진단 결과를 기반으로 3차원 볼륨 내의 병변을 진단하는 병변 진단부를 더 포함할 수 있다.
또한, 진단부는, 적어도 하나의 차원 축소 영상에서 병변을 검출하는 제1 검출부와, 검출 결과를 기반으로 3차원 볼륨 내의 병변의 제1 위치를 판단하고, 제1 위치에 대응하는 3차원 볼륨 데이터를 차원 축소하는 제1 차원 축소부와, 제1 위치에 대응하는 3차원 볼륨 데이터를 차원 축소한 결과 생성된 영상에서 병변을 검출하고 검출 결과를 기반으로 3차원 볼륨 내의 병변을 검출하는 제2 검출부를 포함할 수 있다.
여기서, 진단부는, 적어도 하나의 차원 축소 영상에서 검출된 병변을 진단하고, 진단 결과를 기반으로 3차원 볼륨 내의 병변을 진단하는 병변 진단부를 더 포함할 수 있다.
다른 양상에 따른 3차원 컴퓨터 보조 진단 방법은, 3차원 볼륨 데이터를 차원 축소하여 적어도 하나의 차원 축소 영상을 생성하는 단계와, 적어도 하나의 차원 축소 영상을 기반으로 3차원 볼륨 내 병변을 검출하는 단계와, 검출된 병변을 진단하는 단계를 포함할 수 있다.
여기서, 생성하는 단계는 3차원 볼륨의 임의의 단면에 수직하는 방향으로 3차원 볼륨 데이터를 차원 축소할 수 있다.
여기서, 생성하는 단계는 PCA(Principal Component Analysis), LDA(Linear Discriminant Analysis), NMF(Non-negative Matrix Factorization), LLE(Locally Linear Embedding), Isomap, LPP(Locality Preserving Projection), UDP(Unsupervised Discriminant Projection), FA(Factor Analysis), SVD(Singular Value Decomposition), 및 ICA(Independent Component Analysis) 중 하나를 이용하여 3차원 볼륨 데이터를 차원 축소할 수 있다.
여기서, 검출하는 단계는, 적어도 하나의 차원 축소 영상에서 병변을 검출하는 단계와, 검출 결과를 조합하여 3차원 볼륨 내의 병변을 검출하는 단계를 포함할 수 있다.
여기서, 적어도 하나의 차원 축소 영상에서 병변을 검출하는 단계는 적어도 하나의 차원 축소 영상에 대하여, 각 차원 축소 영상 내 병변의 위치 및 크기를 나타내는 바운딩 박스를 생성하고, 3차원 볼륨 내의 병변을 검출하는 단계는, 생성된 바운딩 박스를 조합하여 3차원 볼륨 내 병변의 위치 및 크기를 나타내는 3차원 큐브를 생성할 수 있다.
여기서, 진단하는 단계는, 적어도 하나의 차원 축소 영상에서 검출된 병변을 진단하는 단계와, 진단 결과를 종합하여 3차원 볼륨 내의 병변을 진단하는 단계를 포함할 수 있다.
또한, 검출하는 단계는, 적어도 하나의 차원 축소 영상과 가장 유사한 유사 슬라이스 영상을 탐색하는 단계와, 유사 슬라이스 영상에서 병변을 검출하는 단계와, 유사 슬라이스 영상의 전후 프레임 슬라이스 영상에 대하여, 검출된 병변을 추적하여 3차원 볼륨 내의 병변을 검출하는 단계를 포함할 수 있다.
여기서, 진단하는 단계는, 유사 슬라이스 영상에서 검출된 병변을 진단하는 단계와, 진단 결과를 기반으로 3차원 볼륨 내의 병변을 진단하는 단계를 포함할 수 있다.
또한, 검출하는 단계는, 적어도 하나의 차원 축소 영상에서 병변을 검출하는 단계와, 검출 결과를 기반으로 3차원 볼륨 내의 병변의 제1 위치를 판단하고, 제1 위치에 대응하는 3차원 볼륨 데이터를 차원 축소하는 단계와, 제1 위치에 대응하는 3차원 볼륨 데이터를 차원 축소하여 생성된 영상에서 병변을 검출하고 검출 결과를 기반으로 3차원 볼륨 내의 병변을 검출하는 단계를 포함할 수 있다.
여기서, 진단하는 단계는, 적어도 하나의 차원 축소 영상에서 검출된 병변을 진단하는 단계와, 진단 결과를 기반으로 3차원 볼륨 내의 병변을 진단하는 단계를 포함할 수 있다.
3차원 영상 데이터를 차원 축소하여 차원 축소 영상을 생성하고 생성된 차원 축소 영상을 2차원 객체 탐색/분류 기법 등을 이용하여 분석함으로써, 3차원 영상 데이터를 빠르게 분석하여 병변의 검출 및 진단을 수행할 수 있다.
도 1은 3차원 컴퓨터 보조 진단 장치의 일 실시예를 도시한 블록도이다.
도 2는 일 실시예에 따른 차원 축소를 설명하기 위한 도면이다.
도 3은 도 1의 진단부(130)의 일 실시예를 도시한 블록도이다.
도 4a 및 도 4b는 도3의 진단부(130a)가 3차원 볼륨 내의 병변을 검출하는 동작을 설명하기 위한 예시도이다.
도 5은 도 1의 진단부(130)의 다른 실시예를 도시한 블록도이다.
도 6은 도 5의 진단부(130b)가 3차원 볼륨 내의 병변을 검출하는 동작을 설명하기 위한 예시도이다.
도 7은 도 1의 진단부(130)의 또 다른 실시예를 도시한 블록도이다.
도 8은 도 7의 진단부(130c)가 3차원 볼륨 내의 병변을 검출하는 동작을 설명하기 위한 예시도이다.
도 9는 3차원 컴퓨터 보조 진단 방법의 일 실시예를 도시한 흐름도이다.
도 10a는 병변 검출 과정(930)의 일 실시예를 도시한 흐름도이다.
도 10b는 병변 진단 과정(940)의 일 실시예를 도시한 흐름도이다.
도 11a는 병변 검출 과정(930)의 다른 실시예를 도시한 흐름도이다.
도 11b는 병변 진단 과정(940)의 다른 실시예를 도시한 흐름도이다.
도 12a는 병변 검출 과정(930)의 또 다른 실시예를 도시한 흐름도이다.
도 12b는 병변 진단 과정(940)의 또 다른 실시예를 도시한 흐름도이다.
이하, 첨부된 도면을 참조하여 본 발명의 일 실시예를 상세하게 설명한다. 본 발명을 설명함에 있어 관련된 공지 기능 또는 구성에 대한 구체적은 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 또한, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로, 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도 1은 3차원 컴퓨터 보조 진단 장치의 일 실시예를 도시한 블록도이다.
일 실시예에 따른 3차원 컴퓨터 보조 진단 장치(100)는 차원 축소 기법, 및 2차원 객체 탐색/분류 기법 등을 이용하여 3차원 볼륨 내의 병변을 검출하고, 진단할 수 있다.
도 1을 참조하면, 3차원 컴퓨터 보조 진단 장치(100)는 3차원 볼륨 데이터 획득부(110), 차원 축소부(120), 및 진단부(130)를 포함할 수 있다.
3차원 볼륨 데이터 획득부(110)는 3차원 볼륨 데이터를 획득할 수 있다.
일 실시예에 따르면, 3차원 볼륨 데이터 획득부(110)는 외부 장치로부터 3차원 볼륨 데이터를 수신할 수 있다. 이때, 외부 장치는 컴퓨터 단층 촬영(CT: Computed tomography) 장치, 자기 공명 영상(MRI: Magnetic Resonance Imaging) 장치 및 3차원 초음파 영상(Ultrasound Imaging) 장치 등을 포함할 수 있다.
다른 실시예에 따르면, 3차원 볼륨 데이터 획득부(110)는 피사체를 촬영하여 적어도 하나의 2차원 영상 데이터를 획득하고, 획득된 2차원 영상 데이터를 기반으로 3차원 볼륨 데이터를 생성할 수 있다. 이때, 3차원 볼륨 데이터 획득부(110)는 피사체를 촬영하기 위해 컴퓨터 단층 촬영(CT: Computed tomography) 장치, 자기 공명 영상(MRI: Magnetic Resonance Imaging) 장치, X-ray 장치, 양전자 방출 단층 촬영(PET: Positron Emission Tomography) 장치, 단일 광자 방출 단층 촬영(SPECT: Single Photon Emission Computed Tomography) 및 초음파 영상(Ultrasonic Imaging) 장치 등을 포함할 수 있다.
또 다른 실시예에 따르면, 3차원 볼륨 데이터 획득부(110)는 외부 장치로부터 적어도 하나의 2차원 영상 데이터를 수신하여, 수신된 영상 데이터를 기반으로 3차원 볼륨 데이터를 생성할 수 있다.
차원 축소부(120)는 획득한 3차원 볼륨 데이터에 대해 차원 축소(Dimension reduction)을 수행하여 적어도 하나의 2차원의 차원 축소 영상을 생성할 수 있다. 예컨대, 차원 축소부(120)는 3차원 볼륨의 임의의 단면에 수직하는 방향으로 차원 축소를 수행할 수 있다. 이때, 차원 축소부(120)는 PCA(Principal Component Analysis), LDA(Linear Discriminant Analysis), NMF(Non-negative Matrix Factorization), LLE(Locally Linear Embedding), Isomap, LPP(Locality Preserving Projection), UDP(Unsupervised Discriminant Projection), FA(Factor Analysis), SVD(Singular Value Decomposition), ICA(Independent Component Analysis) 등 다양한 차원 축소 알고리즘을 이용할 수 있다.
진단부(130)는 차원 축소 영상을 기반으로 3차원 볼륨 내의 병변을 검출하고 검출된 병변을 진단할 수 있다.
일 실시예에 따르면, 진단부(130)는 각 차원 축소 영상에서 병변을 검출하고, 검출 결과를 조합하여 3차원 볼륨 내의 병변의 위치 및 크기를 판단할 수 있다. 또한, 진단부(130)는 차원 축소 영상 각각으로부터 검출된 병변을 진단하고, 진단 결과를 종합하여 3차원 볼륨 내의 병변에 대해 진단할 수 있다.
일 실시예에 따른 진단부(130)에 관한 자세한 설명은 도 3, 도 4a, 및 도 4b를 참조하여 후술하기로 한다.
다른 실시예에 따르면, 진단부(130)는 각 차원 축소 영상과 가장 유사한 슬라이스 영상을 탐색하고 탐색된 슬라이스 영상에서 병변을 검출한 후 탐색된 슬라이스 영상의 전후 프레임 슬라이스 영상에 대하여, 객체 추적(object tracking)을 수행함으로써, 3차원 볼륨 내의 병변의 위치 및 크기를 판단할 수 있다. 또한, 진단부(130)는 탐색된 슬라이스 영상에서 검출된 병변을 진단하여 그 결과를 3차원 볼륨 내의 병변에 대한 진단 결과로 취급하거나, 객체 추적된 프레임 슬라이스 영상 각각에 대한 진단을 수행하고 그 결과를 종합하여 3차원 볼륨 내의 병변에 대한 진단 결과를 도출할 수 있다.
다른 실시예에 따른 진단부(130)에 관한 자세한 설명은 도 5 및 도 6을 참조하여 후술하기로 한다.
또 다른 실시예에 따르면, 진단부(130)는 차원 축소부(120)에서 생성된 차원 축소 영상에서 병변을 검출하고, 검출된 병변에 대응하는 3차원 볼륨 데이터를 차원 축소 영상의 차원 축소 방향에 수직하는 방향으로 차원 축소할 수 있다. 그 후, 진단부(130)는 검출된 병변에 대응하는 3차원 볼륨 데이터를 차원 축소한 결과 생성된 영상에서 병변을 검출한 후, 검출 결과를 바탕으로 3차원 볼륨 내의 병변의 위치 및 크기를 판단할 수 있다. 또한, 진단부(130)는 차원 축소 영상에서 검출된 병변을 진단하고, 진단 결과를 기반으로 3차원 볼륨 내의 병변에 대해 진단할 수 있다.
또 다른 실시예에 따른 진단부(130)에 관한 자세한 설명은 도 7 및 도 8을 참조하여 후술하기로 한다.
도 2는 일 실시예에 따른 차원 축소를 설명하기 위한 도면이다. 자세하게는, 도 2는 3차원 볼륨 데이터(210)를 z축 방향으로 차원 축소하는 예를 도시한 도면이다.
도 2를 참조하면, 차원 축소부(120)는 x-y 평면에 대응하는 단면(220)의 복셀을 데이터로, 단면(220)과 수직한 방향인 z축의 복셀을 차원으로 하여, z축으로 차원 축소를 수행한다. 도시된 예에서, 차원 축소부(120)는 3차원 볼륨 데이터(210)를 z 차원 벡터(벡터 값 = 강도(intensity))를 가진 x*y 개의 데이터로 취급하고, z축 방향으로 차원 축소를 수행한다. 그 결과, 도 2의 우측에 도시된 바와 같이, 각 픽셀 마다 강도를 가지는 2차원 영상 데이터가 생성된다.
이하, 도 3, 도 4a 및 도 4b를 참조하여 진단부(130)의 일 실시예를 상세히 설명한다.
도 3은 도 1의 진단부(130)의 일 실시예를 도시한 블록도이고, 도 4a 및 도 4b는 도3의 진단부(130a)가 3차원 볼륨 내의 병변을 검출하는 동작을 설명하기 위한 예시도이다. 도 4a 및 도 4b를 설명함에 있어, 차원 축소부(120)가 x축, y축으로 각각 차원 축소를 수행하여 2개의 차원 축소 영상(x축 차원 축소 영상, y축 차원 축소 영상)을 생성하였다고 가정한다.
도 3를 참조하면, 진단부(130a)는 제1 검출부(310), 제2 검출부(320), 제1 진단부(330) 및 제2 진단부(340)를 포함할 수 있다.
제1 검출부(310)는 2차원 객체 탐색 알고리즘을 이용하여 각 차원 축소 영상에서 병변을 검출할 수 있다. 이때, 2차원 객체 탐색 알고리즘은 AdaBoost, DPM(deformable Part Models), DNN(Deep Neural Network), CNN(Convolutional Neural Network) 및 Sparse Coding 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
예컨대, 도 4a에 도시된 바와 같이, 제1 검출부(310)는 2차원 객체 탐색 알고리즘을 이용하여 x축 차원 축소 영상(410), y축 차원 축소 영상(420)에서 병변을 각각 검출하고, 검출된 병변에 대응하는 영역에 바운딩 박스(430)를 생성한다.
제2 검출부(320)는 각 차원 축소 영상에서의 병변 검출 결과를 조합하여 3차원 볼륨 내의 병변을 검출할 수 있다.
예컨대, 도 4b에 도시된 바와 같이, 제2 검출부(320)는 x축 차원 축소 영상(410)의 바운딩 박스(431) 및 y축 차원 축소 영상(420)의 바운딩 박스(432)를 조합하여 3차원 볼륨 상의 병변의 위치 및 크기를 나타내는 3차원 큐브(440)를 생성한다. 자세하게는, 제2 검출부(320)는 x축 차원 축소 영상(410)의 바운딩 박스(431)로부터 3차원 볼륨 내의 병변의 y-z 평면상의 위치를, y축 차원 축소 영상(420)의 바운딩 박스(432)는 3차원 볼륨 내의 병변의 z-x 평면상의 위치를 판단하고, 이 값들을 조합하여 3차원 볼륨 상의 병변의 위치 및 크기를 판단한다.
제1 진단부(330)는 2차원 객체 분류 알고리즘을 이용하여 각 차원 축소 영상에서 검출된 병변에 대한 진단을 수행할 수 있다. 이때, 2차원 객체 분류 알고리즘은 SVM(Support Vector Machine), Decision Tree, DBN(Deep Belief Network) 및 CNN(Convolutional Neural Network) 등을 포함할 수 있다.
제2 진단부(340)는 각 차원 축소 영상의 진단 결과를 기반으로 3차원 볼륨 내의 병변에 대한 진단을 할 수 있다. 예컨대, 제2 진단부(240)는 각 차원 축소 영상의 진단 결과들에 보팅 알고리즘(voting algorithm) 등을 적용하여 병변의 양성 또는 악성 여부를 판단할 수 있다.
이하, 도 5 및 도 6을 참조하여 진단부(130)의 다른 실시예를 상세히 설명한다.
도 5은 도 1의 진단부(130)의 다른 실시예를 도시한 블록도이고, 도 6은 도 5의 진단부(130b)가 3차원 볼륨 내의 병변을 검출하는 동작을 설명하기 위한 예시도이다. 도 6을 설명함에 있어, 차원 축소부(120)가 x축으로 차원 축소를 수행하여 1개의 차원 축소 영상(x축 차원 축소 영상)을 생성하였다고 가정한다.
도 5를 참조하면, 진단부(130b)는 유사 슬라이스 영상 탐색부(510), 제1 검출부(520), 제2 검출부(530) 및 병변 진단부(540)를 포함할 수 있다.
유사 슬라이스 영상 탐색부(510)는 각 차원 축소 영상과 가장 유사한 슬라이스 영상(이하, 유사 슬라이스 영상)을 탐색할 수 있다. 유사 슬라이스 영상 탐색부(510)는 각 차원 축소 영상과, 해당 차원 축소 영상의 차원 축소 방향에 수직하는 원본 슬라이스 영상들의 유사도 판단을 통하여 유사 슬라이스 영상을 탐색할 수 있다.
일 실시예에 따르면, 유사 슬라이스 영상 탐색부(510)는 차원 축소 영상과 원본 슬라이스 영상들간의 유사도 판단시, 각 픽셀의 강도 차를 구하여 차원 축소 영상과의 오차가 가장 적은 슬라이스 영상을 유사 슬라이스 영상으로 검출할 수 있다.
다른 실시예에 따르면, 유사 슬라이스 영상 탐색부(510)는 각 영상의 특징값을 추출하여 추출된 특징값간의 유사도를 측정함으로써, 유사 슬라이스 영상을 검출할 수 있다.
제1 검출부(520)는 2차원 객체 탐색 알고리즘을 이용하여 유사 슬라이스 영상에서 병변을 검출할 수 있다. 이때, 2차원 객체 탐색 알고리즘은 AdaBoost, DPM(deformable Part Models), DNN(Deep Neural Network), CNN(Convolutional Neural Network) 및 Sparse Coding 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
예컨대, 도 6에 도시된 바와 같이, 제1 검출부(520)는 2차원 객체 탐색 알고리즘을 이용하여 유사 슬라이스 영상(610)에서 병변을 검출하고, 검출된 병변에 대응하는 영역에 바운딩 박스(620)를 생성한다.
제2 검출부(530)는 유사 슬라이스 영상의 전후 프레임 슬라이스 영상에 대하여, 유사 슬라이스 영상에서 검출된 병변을 추적하여, 3차원 볼륨 내의 병변을 검출할 수 있다. 이때, 병변 추적을 위하여 Mean shift, CAM shift 등 다양한 객체 추적(object tracking) 알고리즘을 이용할 수 있다.
예컨대, 도 6에 도시된 바와 같이, 제2 검출부(520)는 유사 슬라이스 영상(610)의 전후 프레임 슬라이스 영상(630)에 대하여, 소정의 객체 추적 알고리즘을 이용하여 유사 슬라이스 영상(610)에서 검출된 병변을 추적함으로써, 3차원 볼륨(640) 내의 병변을 검출하고, 검출된 병변의 위치 및 크기를 나타내는 3차원 큐브(650)를 생성한다.
병변 진단부(540)는 2차원 객체 분류 알고리즘을 이용하여 유사 슬라이스 영상에서 검출된 병변에 대한 진단을 수행할 수 있다. 이때, 2차원 객체 분류 알고리즘은 SVM(Support Vector Machine), Decision Tree, DBN(Deep Belief Network) 및 CNN(Convolutional Neural Network) 등을 포함할 수 있다.
병변 진단부(540)는 유사 슬라이스 영상의 진단 결과를 기반으로 3차원 볼륨 상의 병변에 대한 진단을 할 수 있다.
일 실시예에 따르면, 병변 진단부(540)는 유사 슬라이스 영상의 진단 결과를 3차원 볼륨 상의 병변에 대한 진단 결과로 취급할 수 있다.
다른 실시예에 따르면, 병변 진단부(540)는 병변 추적된 프레임 슬라이스 영상 각각에 대한 진단을 수행하고, 그 결과 및 유사 슬라이스 영상의 진단 결과를 보팅 알고리즘(voting algorithm) 등으로 종합하여 3차원 볼륨 내 병변에 대한 진단 결과를 도출할 수 있다.
이하, 도 7 및 도 8을 참조하여 진단부(130)의 또 다른 실시예를 상세히 설명한다.
도 7은 도 1의 진단부(130)의 또 다른 실시예를 도시한 블록도이고, 도 8은 도 7의 진단부(130c)가 3차원 볼륨 내의 병변을 검출하는 동작을 설명하기 위한 예시도이다. 도 7을 설명함에 있어, 차원 축소부(120)가 x축으로 차원 축소를 수행하여 1개의 차원 축소 영상(x축 차원 축소 영상)을 생성하였다고 가정한다.
도 7을 참조하면, 진단부(130c)는 제1 검출부(710), 제1 차원 축소부(720), 제2 검출부(730) 및 병변 진단부(740)를 포함할 수 있다.
제1 검출부(710)는 2차원 객체 탐색 알고리즘을 이용하여 차원 축소 영상에서 병변을 검출할 수 있다.
예컨대, 도 8에 도시된 바와 같이, 제1 검출부(710)는 2차원 객체 탐색 알고리즘을 적용하여 x축 차원 축소 영상(810)에서 병변을 검출하고, 검출된 병변에 대응하는 영역에 바운딩 박스(820)를 생성한다.
제1 차원 축소부(720)는 차원 축소 영상의 병변 검출 결과를 기반으로 3차원 볼륨 내의 병변의 제1 위치를 판단하고, 제1 위치에 대응하는 3차원 볼륨 데이터를 차원 축소 영상의 차원 축소 방향과 수직하는 방향으로 차원 축소를 수행할 수 있다.
예컨대, 도 8에 도시된 바와 같이, 제1 차원 축소부(720)는 x축 차원 축소 영상(810)의 바운딩 박스(820)를 기반으로 y-z 평면상의 병변의 위치를 판단하고, y-z 평면상의 병변 위치에 대응하는 3차원 볼륨 데이터(840)를 x 축 방향과 수직하는 y축 방향으로 차원 축소를 수행하여 차원 축소 영상(850)을 생성한다.
제2 검출부(730)는 2차원 객체 탐색 알고리즘을 이용하여, 제1 차원 축소부(720)의 차원 축소 결과 생성된 차원 축소 영상에서 병변을 검출하고, 검출 결과를 기반으로 3차원 볼륨 내의 병변을 검출할 수 있다.
예컨대, 도 8에 도시된 바와 같이, 제2 검출부(730)는 차원 축소 영상(850)에서 병변을 검출하고, 검출된 병변에 대응하는 영역에 바운딩 박스(870)를 생성한다. 자세하게는, 제2 검출부(730)는 바운딩 박스(860)를 기반으로 z-x 평면 상의 병변의 위치를 판단하고, 병변의 y-z 평면 상의 위치 및 z-x 평면 상의 위치를 조합하여 3차원 볼륨 내의 병변의 위치 및 크기를 판단한다.
병변 진단부(740)는 2차원 객체 분류 알고리즘을 이용하여 차원 축소 영상에서 검출된 병변에 대한 진단을 수행하고, 그 결과를 종합하여 3차원 볼륨 내의 병변에 대한 진단을 할 수 있다. 이때, 2차원 객체 분류 알고리즘은 SVM(Support Vector Machine), Decision Tree, DBN(Deep Belief Network) 및 CNN(Convolutional Neural Network) 등을 포함할 수 있다.
일 실시예에 따르면, 병변 진단부(740)는 차원 축소 영상(810)의 진단 결과를 3차원 볼륨 내의 병변에 대한 진단 결과로 취급할 수 있다.
다른 실시예에 따르면, 병변 진단부(740)는 차원 축소 영상(810)의 진단 결과 및 차원 축소 영상(850)의 진단 결과를 종합하여, 3차원 볼륨 내의 병변에 대한 진단 결과를 도출할 수 있다.
도 9는 3차원 컴퓨터 보조 진단 방법의 일 실시예를 도시한 흐름도이다.
도 9를 참조하면, 일 실시예에 따른 3차원 컴퓨터 보조 진단 방법(900)은 먼저, 3차원 볼륨 데이터를 획득한다(910).
여기서, 3차원 볼륨 데이터는 컴퓨터 단층 촬영 영상, 자기 공명 영상 및 3 차원 초음파 영상 등을 포함할 수 있다.
그 후, 3차원 볼륨 데이터에 대해 차원 축소를 수행하여 적어도 하나의 2차원의 차원 축소 영상을 생성한다(920). 예컨대, 차원 축소부(120)는 3차원 볼륨 데이터를 3차원 볼륨의 임의의 단면에 수직하는 방향으로 차원 축소할 수 있다. 이때, PCA(Principal Component Analysis), LDA(Linear Discriminant Analysis), NMF(Non-negative Matrix Factorization), LLE(Locally Linear Embedding), Isomap, LPP(Locality Preserving Projection), UDP(Unsupervised Discriminant Projection), FA(Factor Analysis), SVD(Singular Value Decomposition), ICA(Independent Component Analysis) 등 다양한 차원 축소 알고리즘을 이용할 수 있다.
그 후, 차원 축소 영상을 기반으로 3차원 볼륨 내의 병변을 검출하고(930), 검출된 병변을 진단한다(940).
이하, 도 10a 및 도 10b를 참조하여, 일 실시예에 따른 병변 검출 과정(930) 및 병변 진단 과정(940)을 상세하게 설명한다.
도 10a는 병변 검출 과정(930)의 일 실시예를 도시한 흐름도이고, 도 10b는 병변 진단 과정(940)의 일 실시예를 도시한 흐름도이다.
도 10a를 참조하면, 일 실시예에 따른 병변 검출 과정(930a)은 먼저, 차원 축소 영상에서 병변을 검출한다(1010). 예컨대, 진단부(130a)는 2차원 객체 탐색 알고리즘을 이용하여 각 차원 축소 영상에서 병변을 검출할 수 있다. 이때, AdaBoost, DPM(deformable Part Models), DNN(Deep Neural Network), CNN(Convolutional Neural Network) 및 Sparse Coding 등 다양한 객체 탐색 알고리즘을 이용할 수 있다.
그 후, 단계 1010의 병변 검출 결과를 조합하여 3차원 볼륨 내의 병변을 검출한다(1020).
단계 1010 및 단계 1020에 대한 자세한 설명은 도 4a 및 도 4b를 참조하여 전술한 바와 같으므로, 그 상세한 설명은 생략한다.
도 10b를 참조하면, 일 실시예에 따른 병변 진단 과정(940a)은 먼저, 차원 축소 영상에서 검출된 병변을 진단한다(1030). 예컨대, 진단부(130a)는 2차원 객체 분류 알고리즘을 이용하여 각 차원 축소 영상에서 검출된 병변에 대한 진단을 수행할 수 있다. 이때, 2차원 객체 분류 알고리즘은 SVM(Support Vector Machine), Decision Tree, DBN(Deep Belief Network) 및 CNN(Convolutional Neural Network) 등을 포함할 수 있다.
그 후, 차원 축소 영상의 진단 결과를 기반으로 3차원 볼륨 내의 병변을 진단한다(1040). 예컨대, 진단부(130a)는 각 차원 축소 영상의 진단 결과들에 보팅 알고리즘(voting algorithm) 등을 적용하여 병변의 양성 또는 악성 여부를 판단할 수 있다.
이하, 도 11a 및 도 11b를 참조하여, 다른 실시예에 따른 병변 검출 과정(930) 및 병변 진단 과정(940)을 상세하게 설명한다.
도 11a는 병변 검출 과정(930)의 다른 실시예를 도시한 흐름도이고, 도 11b는 병변 진단 과정(940)의 다른 실시예를 도시한 흐름도이다.
도 11a를 참조하면, 다른 실시예에 따른 병변 검출 과정(930a)은 먼저, 차원 축소 영상과 가장 유사한 유사 슬라이스 영상을 탐색한다(1110). 예컨대, 진단부(130b)는 각 차원 축소 영상과, 해당 차원 축소 영상의 차원 축소 방향에 수직하는 원본 슬라이스 영상들의 유사도 판단을 통하여 유사 슬라이스 영상을 탐색할 수 있다.
그 후, 탐색된 유사 슬라이스 영상에서 병변을 검출한다(1120). 예컨대, 진단부(130b)는 2차원 객체 탐색 알고리즘을 이용하여 유사 슬라이스 영상에서 병변을 검출할 수 있다. 이때, 2차원 객체 탐색 알고리즘은 AdaBoost, DPM(deformable Part Models), DNN(Deep Neural Network), CNN(Convolutional Neural Network) 및 Sparse Coding 등을 포함할 수 있다.
그 후, 유사 슬라이스 영상의 전후 프레임 슬라이스 영상에 대하여 유사 슬라이스 영상에서 검출된 병변을 추적하고, 추적 결과를 기반으로 3차원 볼륨 내의 병변을 검출한다(1130). 예컨대, 진단부(130b)는 Mean shift, CAM shift 등 다양한 객체 추적(object tracking) 알고리즘을 이용하여 병변을 추적할 수 있다.
단계 1110 내지 단계 1130에 대한 자세한 설명은 도 6을 참조하여 전술한 바와 같으므로, 그 상세한 설명은 생략한다.
도 11b를 참조하면, 다른 실시예에 따른 병변 진단 과정(940b)은 먼저, 유사 슬라이스 영상에서 검출된 병변을 진단한다(1140). 예컨대, 진단부(130b)는 2차원 객체 분류 알고리즘을 이용하여 유사 슬라이스 영상에서 검출된 병변에 대한 진단을 수행할 수 있다.
그 후, 유사 슬라이스 영상의 진단 결과를 기반으로 3차원 볼륨 내의 병변을 진단한다(1150). 예컨대, 진단부(130b)는 유사 슬라이스 영상의 진단 결과를 3차원 볼륨 내의 병변에 대한 진단 결과로 취급하거나, 병변 추적된 프레임 슬라이스 영상 각각에 대한 진단을 수행하고 그 결과를 보팅 알고리즘 등으로 종합하여 3차원 볼륨 내 병변에 대한 진단 결과를 도출할 수 있다.
이하, 도 12a 및 도 12b를 참조하여, 또 다른 실시예에 따른 병변 검출 과정(930) 및 병변 진단 과정(940)을 상세하게 설명한다.
도 12a는 병변 검출 과정(930)의 또 다른 실시예를 도시한 흐름도이고, 도 12b는 병변 진단 과정(940)의 또 다른 실시예를 도시한 흐름도이다.
도 12a를 참조하면, 또 다른 실시예에 따른 병변 검출 과정(930c)은 먼저, 차원 축소 영상에서 병변을 검출한다(1210). 예컨대, 진단부(130c)는 2차원 객체 탐색 알고리즘을 이용하여 차원 축소 영상에서 병변을 검출할 수 있다.
그 후, 차원 축소 영상의 병변 검출 결과를 기반으로 3차원 볼륨 내의 병변의 제1 위치를 판단하고, 제1 위치에 대응하는 3차원 볼륨 데이터를 차원 축소 영상의 차원 축소 방향과 수직하는 방향으로 차원 축소한다(1220).
그 후, 단계 1220의 결과 생성된 영상에서 병변을 검출하고, 검출된 결과를 기반으로 3차원 볼륨 내의 병변을 검출한다(1230).
단계 1210 내지 단계 1230에 대한 자세한 설명은 도 8을 참조하여 전술한 바와 같으므로, 그 상세한 설명은 생략한다.
도 12b를 참조하면, 또 다른 실시예에 따른 병변 진단 과정(940c)은 먼저, 차원 축소 영상에서 검출된 병변을 진단한다(1240). 예컨대, 진단부(130c)는 2차원 객체 분류 알고리즘을 이용하여 차원 축소 영상에서 검출된 병변에 대한 진단을 수행할 수 있다.
그 후, 단계 1240의 진단 결과를 기반으로 3차원 볼륨 내의 병변을 진단한다(1250).
본 발명의 일 양상은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수 있다. 상기의 프로그램을 구현하는 코드들 및 코드 세그먼트들은 당해 분야의 컴퓨터 프로그래머에 의하여 용이하게 추론될 수 있다. 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함할 수 있다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 디스크 등을 포함할 수 있다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드로 작성되고 실행될 수 있다.
이제까지 본 발명에 대하여 그 바람직한 실시 예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 따라서, 본 발명의 범위는 전술한 실시 예에 한정되지 않고 특허 청구범위에 기재된 내용과 동등한 범위 내에 있는 다양한 실시 형태가 포함되도록 해석되어야 할 것이다.
100: 3차원 컴퓨터 보조 진단 장치
110: 3차원 볼륨 데이터 획득부
120: 차원 축소부
130: 진단부

Claims (20)

  1. 3차원 볼륨 데이터를 차원 축소하여 적어도 하나의 차원 축소 영상을 생성하는 차원 축소부; 및
    상기 적어도 하나의 차원 축소 영상을 기반으로 3차원 볼륨 내 병변을 검출하고, 진단하는 진단부; 를 포함하는 3차원 컴퓨터 보조 진단 장치.
  2. 제1 항에 있어서,
    상기 차원 축소부는 3차원 볼륨의 임의의 단면에 수직하는 방향으로 상기 3차원 볼륨 데이터를 차원 축소하는 3차원 컴퓨터 보조 진단 장치.
  3. 제1 항에 있어서,
    상기 차원 축소부는 PCA(Principal Component Analysis), LDA(Linear Discriminant Analysis), NMF(Non-negative Matrix Factorization), LLE(Locally Linear Embedding), Isomap, LPP(Locality Preserving Projection), UDP(Unsupervised Discriminant Projection), FA(Factor Analysis), SVD(Singular Value Decomposition), 및 ICA(Independent Component Analysis) 중 하나를 이용하여 상기 3차원 볼륨 데이터를 차원 축소하는 3차원 컴퓨터 보조 진단 장치.
  4. 제1 항에 있어서,
    상기 진단부는,
    적어도 하나의 차원 축소 영상에서 병변을 검출하는 제1 검출부; 및
    상기 검출 결과를 조합하여 3차원 볼륨 내의 병변을 검출하는 제2 검출부; 를 포함하는 3차원 컴퓨터 보조 진단 장치.
  5. 제4 항에 있어서,
    상기 제1 검출부는, 상기 적어도 하나의 차원 축소 영상에 대하여, 각 차원 축소 영상 내 병변의 위치 및 크기를 나타내는 바운딩 박스를 생성하고,
    상기 제2 검출부는, 상기 생성된 바운딩 박스를 조합하여 상기 3차원 볼륨 내 병변의 위치 및 크기를 나타내는 3차원 큐브를 생성하는 3차원 컴퓨터 보조 진단 장치.
  6. 제4 항에 있어서,
    상기 진단부는,
    상기 적어도 하나의 차원 축소 영상에서 검출된 병변을 진단하는 제1 진단부; 및
    상기 진단 결과를 종합하여 3차원 볼륨 내의 병변을 진단하는 제2 진단부; 를 더 포함하는 3차원 컴퓨터 보조 진단 장치.
  7. 제1 항에 있어서,
    상기 진단부는,
    상기 적어도 하나의 차원 축소 영상과 가장 유사한 유사 슬라이스 영상을 탐색하는 유사 슬라이스 영상 탐색부;
    상기 유사 슬라이스 영상에서 병변을 검출하는 제1 검출부; 및
    상기 유사 슬라이스 영상의 전후 프레임 슬라이스 영상에 대하여, 상기 검출된 병변을 추적하여 3차원 볼륨 내의 병변을 검출하는 제2 검출부; 를 포함하는 3차원 컴퓨터 보조 진단 장치.
  8. 제7 항에 있어서,
    상기 진단부는,
    상기 유사 슬라이스 영상에서 검출된 병변을 진단하고, 진단 결과를 기반으로 3차원 볼륨 내의 병변을 진단하는 병변 진단부; 를 더 포함하는 3차원 컴퓨터 보조 진단 장치.
  9. 제1 항에 있어서,
    상기 진단부는,
    상기 적어도 하나의 차원 축소 영상에서 병변을 검출하는 제1 검출부;
    상기 검출 결과를 기반으로 3차원 볼륨 내의 병변의 제1 위치를 판단하고, 상기 제1 위치에 대응하는 3차원 볼륨 데이터를 차원 축소하는 제1 차원 축소부; 및
    상기 제1 위치에 대응하는 3차원 볼륨 데이터를 차원 축소한 결과 생성된 영상에서 병변을 검출하고 검출 결과를 기반으로 3차원 볼륨 내의 병변을 검출하는 제2 검출부; 를 포함하는 3차원 컴퓨터 보조 진단 장치.
  10. 제9 항에 있어서,
    상기 진단부는,
    상기 적어도 하나의 차원 축소 영상에서 검출된 병변을 진단하고, 진단 결과를 기반으로 3차원 볼륨 내의 병변을 진단하는 병변 진단부; 를 더 포함하는 3차원 컴퓨터 보조 진단 장치.
  11. 3차원 볼륨 데이터를 차원 축소하여 적어도 하나의 차원 축소 영상을 생성하는 단계;
    상기 적어도 하나의 차원 축소 영상을 기반으로 3차원 볼륨 내 병변을 검출하는 단계; 및
    상기 검출된 병변을 진단하는 단계; 를 포함하는 3차원 컴퓨터 보조 진단 방법.
  12. 제11 항에 있어서,
    상기 생성하는 단계는 3차원 볼륨의 임의의 단면에 수직하는 방향으로 상기 3차원 볼륨 데이터를 차원 축소하는 3차원 컴퓨터 보조 진단 방법.
  13. 제11 항에 있어서,
    상기 생성하는 단계는 PCA(Principal Component Analysis), LDA(Linear Discriminant Analysis), NMF(Non-negative Matrix Factorization), LLE(Locally Linear Embedding), Isomap, LPP(Locality Preserving Projection), UDP(Unsupervised Discriminant Projection), FA(Factor Analysis), SVD(Singular Value Decomposition), 및 ICA(Independent Component Analysis) 중 하나를 이용하여 상기 3차원 볼륨 데이터를 차원 축소하는 3차원 컴퓨터 보조 진단 방법.
  14. 제11 항에 있어서,
    상기 검출하는 단계는,
    적어도 하나의 차원 축소 영상에서 병변을 검출하는 단계; 및
    상기 검출 결과를 조합하여 3차원 볼륨 내의 병변을 검출하는 단계; 를 포함하는 3차원 컴퓨터 보조 진단 방법.
  15. 제14 항에 있어서,
    상기 적어도 하나의 차원 축소 영상에서 병변을 검출하는 단계는, 상기 적어도 하나의 차원 축소 영상에 대하여, 각 차원 축소 영상 내 병변의 위치 및 크기를 나타내는 바운딩 박스를 생성하고,
    상기 3차원 볼륨 내의 병변을 검출하는 단계는, 상기 생성된 바운딩 박스를 조합하여 상기 3차원 볼륨 내 병변의 위치 및 크기를 나타내는 3차원 큐브를 생성하는 3차원 컴퓨터 보조 진단 방법.
  16. 제14 항에 있어서,
    상기 진단하는 단계는,
    상기 적어도 하나의 차원 축소 영상에서 검출된 병변을 진단하는 단계; 및
    상기 진단 결과를 종합하여 3차원 볼륨 내의 병변을 진단하는 단계; 를 포함하는 3차원 컴퓨터 보조 진단 방법.
  17. 제11 항에 있어서,
    상기 검출하는 단계는,
    상기 적어도 하나의 차원 축소 영상과 가장 유사한 유사 슬라이스 영상을 탐색하는 단계;
    상기 유사 슬라이스 영상에서 병변을 검출하는 단계; 및
    상기 유사 슬라이스 영상의 전후 프레임 슬라이스 영상에 대하여, 상기 검출된 병변을 추적하여 3차원 볼륨 내의 병변을 검출하는 단계; 를 포함하는 3차원 컴퓨터 보조 진단 방법.
  18. 제17 항에 있어서,
    상기 진단하는 단계는,
    상기 유사 슬라이스 영상에서 검출된 병변을 진단하는 단계; 및
    진단 결과를 기반으로 3차원 볼륨 내의 병변을 진단하는 단계; 를 포함하는 3차원 컴퓨터 보조 진단 방법.
  19. 제11 항에 있어서,
    상기 검출하는 단계는,
    상기 적어도 하나의 차원 축소 영상에서 병변을 검출하는 단계;
    상기 검출 결과를 기반으로 3차원 볼륨 내의 병변의 제1 위치를 판단하고, 상기 제1 위치에 대응하는 3차원 볼륨 데이터를 차원 축소하는 단계; 및
    상기 제1 위치에 대응하는 3차원 볼륨 데이터를 차원 축소하여 생성된 영상에서 병변을 검출하고 검출 결과를 기반으로 3차원 볼륨 내의 병변을 검출하는 단계; 를 포함하는 3차원 컴퓨터 보조 진단 방법.
  20. 제19 항에 있어서,
    상기 진단하는 단계는,
    상기 적어도 하나의 차원 축소 영상에서 검출된 병변을 진단하는 단계; 및
    진단 결과를 기반으로 3차원 볼륨 내의 병변을 진단하는 단계; 를 포함하는 3차원 컴퓨터 보조 진단 방법.
KR1020140091172A 2014-07-18 2014-07-18 차원 축소 기반 3차원 컴퓨터 보조 진단 장치 및 방법 KR20160010157A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020140091172A KR20160010157A (ko) 2014-07-18 2014-07-18 차원 축소 기반 3차원 컴퓨터 보조 진단 장치 및 방법
US14/802,158 US20160019320A1 (en) 2014-07-18 2015-07-17 Three-dimensional computer-aided diagnosis apparatus and method based on dimension reduction

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020140091172A KR20160010157A (ko) 2014-07-18 2014-07-18 차원 축소 기반 3차원 컴퓨터 보조 진단 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20160010157A true KR20160010157A (ko) 2016-01-27

Family

ID=55074777

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140091172A KR20160010157A (ko) 2014-07-18 2014-07-18 차원 축소 기반 3차원 컴퓨터 보조 진단 장치 및 방법

Country Status (2)

Country Link
US (1) US20160019320A1 (ko)
KR (1) KR20160010157A (ko)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018222755A1 (en) * 2017-05-30 2018-12-06 Arterys Inc. Automated lesion detection, segmentation, and longitudinal identification
CN109498017A (zh) * 2018-12-11 2019-03-22 长沙理工大学 一种适于多被试fMRI数据分析的快速移不变CPD方法
US10398344B2 (en) 2014-01-17 2019-09-03 Arterys Inc. Apparatus, methods and articles for four dimensional (4D) flow magnetic resonance imaging
US10871536B2 (en) 2015-11-29 2020-12-22 Arterys Inc. Automated cardiac volume segmentation
US10902598B2 (en) 2017-01-27 2021-01-26 Arterys Inc. Automated segmentation utilizing fully convolutional networks
US11515032B2 (en) 2014-01-17 2022-11-29 Arterys Inc. Medical imaging and efficient sharing of medical imaging information
US11551353B2 (en) 2017-11-22 2023-01-10 Arterys Inc. Content based image retrieval for lesion analysis

Families Citing this family (9)

* 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
US9826958B2 (en) 2009-11-27 2017-11-28 QView, INC Automated detection of suspected abnormalities in ultrasound breast images
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
US10140709B2 (en) * 2017-02-27 2018-11-27 International Business Machines Corporation Automatic detection and semantic description of lesions using a convolutional neural network
WO2018220089A1 (en) * 2017-05-31 2018-12-06 Koninklijke Philips N.V. Machine learning on raw medical imaging data for clinical decision support
CN107608333B (zh) * 2017-09-05 2019-06-18 北京控制工程研究所 一种基于等效降阶的可诊断性评估方法
JP7330827B2 (ja) * 2019-09-10 2023-08-22 株式会社日立製作所 データ処理装置、データ処理方法、およびデータ処理プログラム
CN112925292B (zh) * 2021-01-24 2024-05-14 国网辽宁省电力有限公司电力科学研究院 一种基于分层分块的发电机组过程监测与故障诊断方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8295575B2 (en) * 2007-10-29 2012-10-23 The Trustees of the University of PA. Computer assisted diagnosis (CAD) of cancer using multi-functional, multi-modal in-vivo magnetic resonance spectroscopy (MRS) and imaging (MRI)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10398344B2 (en) 2014-01-17 2019-09-03 Arterys Inc. Apparatus, methods and articles for four dimensional (4D) flow magnetic resonance imaging
US11515032B2 (en) 2014-01-17 2022-11-29 Arterys Inc. Medical imaging and efficient sharing of medical imaging information
US10871536B2 (en) 2015-11-29 2020-12-22 Arterys Inc. Automated cardiac volume segmentation
US10902598B2 (en) 2017-01-27 2021-01-26 Arterys Inc. Automated segmentation utilizing fully convolutional networks
WO2018222755A1 (en) * 2017-05-30 2018-12-06 Arterys Inc. Automated lesion detection, segmentation, and longitudinal identification
US11551353B2 (en) 2017-11-22 2023-01-10 Arterys Inc. Content based image retrieval for lesion analysis
CN109498017A (zh) * 2018-12-11 2019-03-22 长沙理工大学 一种适于多被试fMRI数据分析的快速移不变CPD方法
CN109498017B (zh) * 2018-12-11 2022-05-06 长沙理工大学 一种适于多被试fMRI数据分析的快速移不变CPD方法

Also Published As

Publication number Publication date
US20160019320A1 (en) 2016-01-21

Similar Documents

Publication Publication Date Title
KR20160010157A (ko) 차원 축소 기반 3차원 컴퓨터 보조 진단 장치 및 방법
US9892361B2 (en) Method and system for cross-domain synthesis of medical images using contextual deep network
US9251585B2 (en) Coregistration and analysis of multi-modal images obtained in different geometries
US10039501B2 (en) Computer-aided diagnosis (CAD) apparatus and method using consecutive medical images
US9495725B2 (en) Method and apparatus for medical image registration
EP2965285B1 (en) Scan region determining apparatus
Xing et al. Intensity-based image registration by nonparametric local smoothing
US8837771B2 (en) Method and system for joint multi-organ segmentation in medical image data using local and global context
US9536316B2 (en) Apparatus and method for lesion segmentation and detection in medical images
US7561757B2 (en) Image registration using minimum entropic graphs
EP3355273B1 (en) Coarse orientation detection in image data
JP2015080720A (ja) コンピュータ補助診断方法及び装置
US20150043799A1 (en) Localization of Anatomical Structures Using Learning-Based Regression and Efficient Searching or Deformation Strategy
RU2526752C1 (ru) Система и способ для автоматического планирования двухмерных видов в объемных медицинских изображениях
JP2008080132A (ja) 高次元画像空間内の対象を検出するためのシステム及び方法
US20130191099A1 (en) Process for generating a computer-accessible medium including information on the functioning of a joint
EP4156096A1 (en) Method, device and system for automated processing of medical images to output alerts for detected dissimilarities
KR20200117344A (ko) 병변 해석을 위한 상호작용이 가능한 cad 방법 및 그 시스템
Ghafurian et al. 3D/2D image registration using weighted histogram of gradient directions
US7912292B2 (en) System and method for filtering and automatic detection of candidate anatomical structures in medical images
US20190172219A1 (en) 3d image processing and visualization with anomalous identification and predictive auto-annotation generation
US10390798B2 (en) Computer-aided tracking and motion analysis with ultrasound for measuring joint kinematics
CN116420165A (zh) 通过具有和不具有形状先验的分割结果来检测解剖异常
Shalaby et al. 3D image reconstruction from different image formats using marching cubes technique
Lehmann et al. Viewpoints on Medical Image Processing: From Science to Application.

Legal Events

Date Code Title Description
WITN Application deemed withdrawn, e.g. because no request for examination was filed or no examination fee was paid