KR20160020918A - 적응형 컴퓨터 보조 진단 장치 및 방법 - Google Patents

적응형 컴퓨터 보조 진단 장치 및 방법 Download PDF

Info

Publication number
KR20160020918A
KR20160020918A KR1020140106269A KR20140106269A KR20160020918A KR 20160020918 A KR20160020918 A KR 20160020918A KR 1020140106269 A KR1020140106269 A KR 1020140106269A KR 20140106269 A KR20140106269 A KR 20140106269A KR 20160020918 A KR20160020918 A KR 20160020918A
Authority
KR
South Korea
Prior art keywords
image analysis
image
analysis algorithm
probe
algorithm
Prior art date
Application number
KR1020140106269A
Other languages
English (en)
Inventor
감혜진
김예훈
채승철
강병곤
김하영
이기용
전주혁
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 KR1020140106269A priority Critical patent/KR20160020918A/ko
Priority to US14/825,681 priority patent/US9674447B2/en
Publication of KR20160020918A publication Critical patent/KR20160020918A/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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/42—Details of probe positioning or probe attachment to the patient
    • A61B8/4245—Details of probe positioning or probe attachment to the patient involving determining the position of the probe, e.g. with respect to an external reference frame or to the patient
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/40—Software arrangements specially adapted for pattern recognition, e.g. user interfaces or toolboxes therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding
    • G06V10/945—User interactive design; Environments; Toolboxes
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/46—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient
    • A61B8/467—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient characterised by special input means
    • A61B8/469—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient characterised by special input means for selection of a region of interest
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20004—Adaptive image processing
    • G06T2207/20008—Globally adaptive
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Physiology (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Human Computer Interaction (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

적응형 컴퓨터 보조 진단 장치 및 방법이 개시된다. 일 양상에 따른 적응형 컴퓨터 보조 진단 장치는, 프로브의 속도 또는 프로브를 통해 획득된 현재 프레임 영상의 해상도에 따라 영상 분석 알고리즘을 선택하는 영상 분석 알고리즘 선택부와, 선택된 영상 분석 알고리즘을 이용하여 현재 프레임 영상에서 관심 영역을 검출하고 판정하는 영상 분석부를 포함할 수 있다.

Description

적응형 컴퓨터 보조 진단 장치 및 방법{Apparatus and Method for adaptive computer aided diagnosis}
의료 영상 분석 기술에 관한 것으로, 특히, 적응형 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.
그러나, 컴퓨터 보조 진단 시스템은 각 프레임 영상별로 관심 영역을 검출(detection)하고 트래킹(tracking)하거나, 각 프레임 영상별로 관심 영역을 검출하고 판정(classification)하기 때문에, 실시간으로 동작하는 데는 무리가 있다. 또한, 컴퓨터 보조 진단 시스템은 프로브의 이동 속도 또는 영상의 해상도와 관계없이 동일한 검출/판정 알고리즘을 적용하는 경우가 일반적이므로, 실시간으로 프로브가 이동하는 상황에서 신속하게 결과를 제공하거나 중요 위치에서 면밀한 검색을 수행할 수 없는 기능 구조를 갖고 있다.
적응형 컴퓨터 보조 진단 장치 및 방법을 제공하는 것을 목적으로 한다.
일 양상에 따른 적응형 컴퓨터 보조 진단 장치는, 프로브의 속도 또는 프로브를 통해 획득된 현재 프레임 영상의 해상도에 따라 영상 분석 알고리즘을 선택하는 영상 분석 알고리즘 선택부와, 선택된 영상 분석 알고리즘을 이용하여 현재 프레임 영상에서 관심 영역을 검출하고 판정하는 영상 분석부를 포함할 수 있다.
여기서, 영상 분석 알고리즘 선택부는, 프로브의 속도가 미리 설정된 임계값 이상인 경우 제1 타입 영상 분석 알고리즘을 선택하고, 프로브의 속도가 미리 설정된 임계값 미만인 경우 제2 타입 영상 분석 알고리즘을 선택할 수 있다.
여기서, 제1 타입 영상 분석 알고리즘은 상대적으로 고속 저정확한 알고리즘이고, 제2 타입 영상 분석 알고리즘은 상대적으로 저속 고정확한 알고리즘일 수 있다.
여기서, 제1 타입 영상 분석 알고리즘 및 상기 제2 타입 영상 분석 알고리즘은 영상 전처리의 수행 여부, 영상 전처리 수행 정도, 영상 분석시 사용되는 서브 영상의 크기, 영상 분석 알고리즘의 복잡도, 영상 분석시 이전 프레임 영상을 활용하는 지 여부, 이전 프레임 영상의 활용 정도, 및 추출 가능한 특징의 종류와 수 중 적어도 하나를 기반으로 구분될 수 있다.
또한, 영상 분석 알고리즘 선택부는, 현재 프레임 영상의 해상도가 미리 설정된 임계값 미만인 경우 제1 타입 영상 분석 알고리즘을 선택하고, 현재 프레임 영상의 해상도가 미리 설정된 임계값 이상인 경우 제2 타입 영상 분석 알고리즘을 선택할 수 있다.
추가적 양상에 따른 적응형 컴퓨터 보조 진단 장치는, 프로브의 속도를 검출하는 속도 검출부를 더 포함할 수 있다.
여기서, 속도 검출부는, 현재 프레임 영상과 이전 프레임 영상의 픽셀별 영상 강도(image intensity)의 합계의 차이, 현재 프레임 영상과 이전 프레임 영상의 히스토그램의 차이, 현재 프레임 영상과 이전 프레임 영상의 핵심 영역(salient region) 정보의 변화도, 프로브에 탑재된 가속도 센서의 센서값, 및 현재 프레임 영상의 해상도 중 적어도 하나를 이용하여 프로브의 속도를 검출할 수 있다.
추가적 양상에 따른 적응형 컴퓨터 보조 진단 장치는 관심 영역 검출 결과 및 판정 결과를 화면에 출력하는 화면 표시부를 더 포함할 수 있다.
여기서, 화면 표시부는 프로브의 속도 정보 및 선택된 영상 분석 알고리즘 정보를 화면에 더 출력할 수 있다.
여기서, 영상 분석 알고리즘 정보는, 영상 분석 알고리즘의 종류, 영상 전처리의 수행 여부, 영상 전처리의 수행 정도, 영상 분석시 사용되는 서브 영상의 크기, 영상 분석 알고리즘의 구조 또는 복잡도, 영상 분석시 이전 프레임 영상의 분석 결과를 활용하는 지 여부, 이전 프레임 영상 분석 결과의 활용 정도, 영상 분석 결과의 정확도 중 적어도 하나를 포함할 수 있다.
다른 양상에 따른 적응형 컴포터 보조 진단 방법은, 프로브의 속도 또는 프로브를 통해 획득된 현재 프레임 영상의 해상도에 따라 영상 분석 알고리즘을 선택하는 단계와, 선택된 영상 분석 알고리즘을 이용하여 현재 프레임 영상에서 관심 영역을 검출하고 판정하는 단계를 포함할 수 있다.
여기서, 영상 분석 알고리즘을 선택하는 단계는, 프로브의 속도가 미리 설정된 임계값 이상인 경우 제1 타입 영상 분석 알고리즘을 선택하는 단계와, 프로브의 속도가 미리 설정된 임계값 미만인 경우 제2 타입 영상 분석 알고리즘을 선택하는 단계를 포함할 수 있다.
여기서, 제1 타입 영상 분석 알고리즘은 상대적으로 고속 저정확한 알고리즘이고, 제2 타입 영상 분석 알고리즘은 상대적으로 저속 고정확한 알고리즘일 수 있다.
여기서, 제1 타입 영상 분석 알고리즘 및 제2 타입 영상 분석 알고리즘은 영상 전처리의 수행 여부, 영상 전처리 수행 정도, 영상 분석시 사용되는 서브 영상의 크기, 영상 분석 알고리즘의 복잡도, 영상 분석시 이전 프레임 영상을 활용하는 지 여부, 이전 프레임 영상의 활용 정도, 및 추출 가능한 특징의 종류와 수 중 적어도 하나를 기반으로 구분될 수 있다.
여기서, 영상 분석 알고리즘을 선택하는 단계는, 현재 프레임 영상의 해상도가 미리 설정된 임계값 미만인 경우 제1 타입 영상 분석 알고리즘을 선택하는 단계와, 현재 프레임 영상의 해상도가 미리 설정된 임계값 이상인 경우 제2 타입 영상 분석 알고리즘을 선택하는 단계를 포함할 수 있다.
추가적 양상에 따른 적응형 컴퓨터 보조 진단 방법은 프로브의 속도를 검출하는 단계를 더 포함할 수 있다.
여기서, 프로브의 속도를 검출하는 단계는, 현재 프레임 영상과 이전 프레임 영상의 픽셀별 영상 강도(image intensity)의 합계의 차이, 현재 프레임 영상과 이전 프레임 영상의 히스토그램의 차이, 현재 프레임 영상과 이전 프레임 영상의 핵심 영역(salient region) 정보의 변화도, 프로브에 탑재된 가속도 센서의 센서값, 및 상기 현재 프레임 영상의 해상도 중 적어도 하나를 이용하여 프로브의 속도를 검출할 수 있다.
추가적 양상에 따른 적응형 컴퓨터 보조 진단 방법은 관심 영역 검출 결과 및 판정 결과를 화면에 출력하는 단계를 더 포함할 수 있다.
여기서, 관심 영역 검출 결과 및 판정 결과를 화면에 출력하는 단계는 프로브의 속도 정보 및 선택된 영상 분석 알고리즘 정보를 화면에 더 출력할 수 있다.
여기서, 영상 분석 알고리즘 정보는, 영상 분석 알고리즘의 종류, 영상 전처리의 수행 여부, 영상 전처리의 수행 정도, 영상 분석시 사용되는 서브 영상의 크기, 영상 분석 알고리즘의 구조 또는 복잡도, 영상 분석시 이전 프레임 영상의 분석 결과를 활용하는 지 여부, 이전 프레임 영상 분석 결과의 활용 정도, 영상 분석 결과의 정확도 중 적어도 하나를 포함할 수 있다.
프로브의 속도 또는 영상의 해상도에 따라 의료 영상 분석에 사용되는 알고리즘을 적응적으로 선택함으로써, 주어진 시간 내에 효과적으로 컴퓨터 보조 진단 기능을 수행할 수 있다.
도 1은 컴퓨터 보조 진단 장치의 일 실시예를 도시한 블록도이다.
도 2는 컴퓨터 보조 진단 장치의 다른 실시예를 도시한 블록도이다.
도 3a 및 도 3b는 검출된 관심 영역을 출력한 화면의 예를 도시한 도면이다.
도 4는 관심 영역의 판정 결과를 출력한 화면의 예를 도시한 도면이다.
도 5는 프로브의 속도 정보, 및 영상 분석에 사용된 영상 분석 알고리즘 정보를 출력한 화면의 예를 도시한 도면이다.
도 6은 컴퓨터 보조 진단 방법의 일 실시예를 도시한 흐름도이다.
도 7은 도 6의 영상 분석 알고리즘 선택 과정(630)의 일 실시예를 도시한 흐름도이다.
도 8을 도 6의 영상 분석 알고리즘 선택 과정(630)의 다른 실시예를 도시한 흐름도이다.
이하, 첨부된 도면을 참조하여 본 발명의 일 실시예를 상세하게 설명한다. 본 발명을 설명함에 있어 관련된 공지 기능 또는 구성에 대한 구체적인 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.
이하, 본 명세서에서 설명되는 영상 분석 알고리즘에 대해서 상세히 설명한다.
영상 분석 알고리즘은 영상을 분석하여 관심 영역(ROI: Region Of Interest)을 검출(detection) 및 판정(classification)하는데 사용되는 알고리즘을 의미하며, 영상 전처리 알고리즘, 병변 검출 알고리즘, 및 병변 판정 알고리즘 등을 포함할 수 있다. 여기서, 관심 영역은 악성 병변 영역뿐만 아니라 악성/양성 구분이 애매한 병변 또는 특이한 특징을 가지는 영역을 포함할 수 있다.
영상 분석 알고리즘은 고속 저정확 알고리즘과 저속 고정확 알고리즘으로 구분될 수 있다. 고속 저정확 알고리즘은 저속 고정확 알고리즘과 비교하여 영상 분석 속도는 빠르나 그 분석 결과의 정확도가 낮은 알고리즘인 반면, 저속 고정확 알고리즘은 고속 저정확 알고리즘과 비교하여 영상 분석 속도는 느리나 그 분석 결과의 정확도가 높은 알고리즘이다.
일 실시예에 따르면, 고속 저정확 알고리즘과 저속 고정확 알고리즘은 영상 전처리의 수행 여부, 영상 전처리의 수행 정도, 영상 분석시 사용되는 서브 영상의 크기, 영상 분석 알고리즘의 복잡도, 영상 분석시 이전 프레임 영상의 분석 결과를 활용하는 지 여부, 이전 프레임 영상 분석 결과의 활용 정도, 및 추출 가능한 특징의 종류와 수 등을 기준으로 구분될 수 있다.
여기서, 특징은 영상에서 병변 영역인지 아닌지를 판단할 수 있는 특징을 의미한다. 예컨대, 특징은 관심 영역 내의 병변의 모양(shape), 모서리(margin), 에코 패턴(echo pattern), 방향(orientation), 경계(boundary), 및 질감(texture) 등을 포함할 수 있다.
이하, 표 1을 참조하여 고속 저정확 알고리즘과 저속 고정확 알고리즘의 예를 설명한다.
Figure pat00001
표 1를 참조하면, 고속 저정확 알고리즘과 저속 고정확 알고리즘은 크게 4개의 항목을 기초로 구분될 수 있다.
먼저, 영상 전처리 수행 여부 및 수행 정도를 기반으로 고속 저정확 알고리즘과 저속 고정확 알고리즘을 구분할 수 있다. 예를 들면, 고속 저정확 알고리즘은 영상 전처리를 수행하지 않는 반면, 저속 고정확 알고리즘은 영상 전처리(예컨대, 히스토그램 평활화, 중간값 필터(median filter), 가우시안 필터(Gaussian filter), 최대값/최소값 필터(maximum/minimum filter) 등 적용)를 수행할 수 있다. 다른 예를 들면, 고속 저정확 알고리즘은 영상 전처리 일부(예컨대, 히스토그램 평활화)만 수행하는 반면, 저속 고정확 알고리즘은 다단계 영상 전처리(예컨대, 히스토그램 평활화 -> 필터링(중간값 필터, 가우시안 필터, 최대값/최소값 필터 등))를 수행할 수 있다.
또한, 영상 분석시 사용되는 서브 영상의 크기를 기반으로 고속 저정확 알고리즘과 저속 고정확 알고리즘을 구분할 수 있다. 예를 들면, 고속 저정확 알고리즘은 영상 분석시 전체 영상만을 이용하는 반면, 저속 고정확 알고리즘은 영상 분석시 전체 영상, 및 1/16 크기의 패치(patch) 영상 세트를 이용할 수 있다. 다른 예를 들면, 고속 저정확 알고리즘은 전체 영상, 및 1/16 크기의 패치 영상 세트를 이용하는 반면, 저속 고정확 알고리즘은 전체 이미지, 및 1/2, 1/4, 1/16 크기 및 1 픽셀 간격의 슬라이딩 윈도우(sliding window) 세트를 이용할 수 있다.
또한, 알고리즘의 복잡도/구조를 기반으로 고속 저정확 알고리즘과 저속 고정확 알고리즘을 구분할 수 있다. 예를 들어, 고속 저정확 알고리즘은 필터링 기반의 고속, 단순 알고리즘인 반면, 저속 고정확 알고리즘은 딥 러닝(deep learning) 기반의 저속, 고정확 알고리즘일 수 있다. 다른 예를 들면, 고속 저정확 알고리즘은 레이어(layer) 깊이가 3인 딥 러닝 CNN(Convolutional Neural Network) 구조인 반면, 저속 고정확 알고리즘은 레이어 깊이가 6인 딥 러닝 CNN 구조일 수 있다.
또한, 영상 분석시 이전 프레임 영상의 분석 결과 정보 활용 여부 및 활용 정도를 기반으로 고속 저정확 알고리즘과 저속 고정확 알고리즘을 구분할 수 있다. 예를 들면, 고속 저정확 알고리즘은 영상 분석시 이전 프레임 영상의 분석 결과 정보를 활용하지 않는 반면, 저속 고정확 알고리즘은 영상 분석시 n개의 이전 프레임 영상(t-1, t-2, … t-n)의 분석 결과 정보를 활용할 수 있다. 다른 예를 들면, 고속 저정확 알고리즘은 영상 분석시 n개의 이전 프레임 영상의 분석 결과 정보만을 활용하는 반면, 저속 저정확 알고리즘은 영상 분석시 n개의 이전 프레임 영상의 분석 결과 정보뿐만 아니라 이전 프레임 영상의 분석 결과 정보를 기반으로 새로이 추출한 현재 프레임 영상의 특징을 함께 활용할 수 있다.
이하, 도 1을 참조하여 일 실시예에 따른 컴퓨터 보조 진단 장치를 상세히 설명한다.
도 1은 컴퓨터 보조 진단 장치의 일 실시예를 도시한 블록도이다.
도 1을 참조하면, 일 실시예에 따른 컴퓨터 보조 진단 장치(100)는 영상 분석 알고리즘 선택부(110) 및 영상 분석부(120)를 포함할 수 있다.
영상 분석 알고리즘 선택부(110)는 프로브의 속도 또는 현재 프레임 영상의 해상도에 따라 적절한 영상 분석 알고리즘을 선택할 수 있다. 이때, 현재 프레임 영상은 프로브를 통해 실시간으로 획득된 현재 프레임의 영상을 의미한다.
예를 들면, 영상 분석 알고리즘 선택부(110)는 프로브의 속도가 미리 설정된 임계값 이상인 경우 현재 프레임 영상의 분석에 사용될 알고리즘으로서 고속 저정확 알고리즘을 선택하고, 프로브의 속도가 미리 설정된 임계값 미만인 경우 현재 프레임 영상의 분석에 사용될 알고리즘으로서 저속 고정확 알고리즘을 선택할 수 있다.
다른 예를 들면, 영상 분석 알고리즘 선택부(110)는 현재 프레임 영상의 해상도가 미리 설정된 임계값 미만인 경우 현재 프레임 영상의 분석에 사용될 알고리즘으로서 고속 저정확 알고리즘을 선택하고, 현재 프레임 영상의 해상도가 미리 설정된 임계값 이상인 경우 현재 프레임 영상의 분석에 사용될 알고리즘으로 저속 고정확 알고리즘을 선택할 수 있다.
영상 분석부(120)는 영상 분석 알고리즘 선택부(110)에서 선택된 영상 분석 알고리즘을 이용하여 현재 프레임 영상을 분석하여, 관심 영역을 검출(detection)하고, 검출된 관심 영역을 판정(classification)할 수 있다.
즉, 컴퓨터 보조 진단 장치(100)는 프로브의 속도가 빠르거나 현재 프레임 영상의 해상도가 낮은 경우에는 해당 단위 시간 내에 최선의 결과를 도출할 수 있는 복잡하지 않는 알고리즘만을 이용하여 관심 영역을 검출/판정을 하고, 프로브의 속도가 느리거나 현재 프레임 영상의 해상도가 높은 경우에는 정교한 영상 전처리를 통해 처리할 대상 영역의 크기 확대 등을 수행하고 고성능의 특징 추출 등을 수행하는 복잡한 알고리즘을 이용하여 관심 영역을 검출/판정할 수 있다.
도 2는 컴퓨터 보조 진단 장치의 다른 실시예를 도시한 블록도이다.
도 2를 참조하면, 컴퓨터 보조 진단 장치(200)는 도 1의 컴퓨터 보조 진단 장치(100)에서 영상 획득부(210), 속도 검출부(220), 영상 분석 알고리즘 저장부(230) 및 화면 표시부(240)를 선택적으로 더 포함할 수 있다.
영상 획득부(210)는 프로브를 통하여 환자의 환부에 대한 초음파 영상을 획득할 수 있다. 영상 획득부(210)는 프로브를 통하여 초음파 영상을 실시간으로 프레임 단위로 순차적으로 획득할 수 있다.
속도 검출부(220)는 프로브의 속도를 검출할 수 있다.
예를 들면, 속도 검출부(220)는 프로브를 통해 획득된 이전 프레임 영상과 현재 프레임 영상의 픽셀별 영상 강도(image intensity)의 합계의 차이를 기초로 프로브의 속도를 검출할 수 있다. 즉, 속도 검출부(220)는 영상 전처리를 수행하여 이전 프레임 영상과 현재 프레임 영상의 픽셀별 영상 강도를 산출하고, 산출된 픽셀별 영상 강도를 각 영상별로 합하여 각 영상에 대한 픽셀별 영상 강도의 합계의 차이를 기초로 프로브의 속도를 검출할 수 있다.
다른 예를 들면, 속도 검출부(220)는 이전 프레임 영상과 현재 프레임 영상의 히스토그램의 차이를 기초로 프로브의 속도를 검출할 수 있다. 즉, 속도 검출부(220)는 스펙트럼 분석(spectral analysis) 방법을 사용하여 이전 프레임 영상의 히스토그램과 현재 프레임 영상의 히스토그램의 차이가 일정 이상인 경우 그 차이를 기초로 프로브의 속도를 검출할 수 있다.
또 다른 예를 들면, 속도 검출부(220)는 이전 프레임 영상과 현재 프레임 영상의 핵심 영역(salient region) 등의 정보의 변화도를 기초로 프로브의 속도를 검출할 수 있다.
또 다른 예를 들면, 속도 검출부(220)는 프로브에 탑재된 3축 가속도 센서 등의 센서값을 기초로 프로브의 속도를 검출할 수 있다.
또 다른 예를 들면, 속도 검출부(220)는 현재 프레임 영상의 해상도로부터 간접적으로 속도를 추정할 수 있다. 예컨대, 속도 검출부(220)는 현재 프레임 영상의 해상도가 미리 설정된 임계값 미만인 경우 프로브의 속도는 고속이라고 추정하고, 현재 프레임 영상의 해상도가 미리 설정된 임계값 이상인 경우 프로브의 속도는 저속(속도가 0인 경우 포함)이라고 추정할 수 있다. 속도 검출부(220)가 현재 프레임 영상의 해상도를 기반으로 프로브의 속도가 고속이라고 추정한 경우 영상 분석 알고리즘 선택부(110)는 고속 저정확 알고리즘을 선택하고, 속도 검출부(220)가 현재 프레임 영상의 해상도를 기반으로 프로브의 속도가 저속이라고 추정한 경우 영상 분석 알고리즘 선택부(110)는 저속 고정확 알고리즘을 선택한다.
영상 분석 알고리즘 저장부(230)는 영상 분석 알고리즘을 저장할 수 있다.
영상 분석 알고리즘 저장부(230)는 플래시 메모리 타입(flash memory type), 하드 디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예컨대, SD 또는 XD 메모리 등), 램(Random Access Memory: RAM), SRAM(Static Random Access Memory), 롬(Read Only Memory: ROM), EEPROM(Electrically Erasable Programmable Read Only Memory), PROM(Programmable Read Only Memory), 자기 메모리, 자기 디스크, 광디스크 등을 포함할 수 있다.
화면 표시부(240)는 현재 프레임 영상 및 현재 프레임 영상의 분석 결과를 화면에 출력할 수 있다. 즉, 화면 표시부(240)는 프로브를 통해 실시간으로 획득한 현재 프레임 영상을 화면에 출력하고, 영상 분석부(120)의 영상 분석 결과, 즉, 검출된 관심 영역, 및 검출된 관심 영역의 판정 결과를 화면에 출력할 수 있다.
또한, 화면 표시부(240)는 프로브의 속도 정보(예컨대, 고속(또는 고속모드)인지 저속(또는 저속모드)인지 여부) 및/또는 프로브의 속도에 따라 선택된 영상 분석 알고리즘에 대한 정보를 화면에 출력할 수 있다.
여기서, 영상 분석 알고리즘에 대한 정보는, 영상 분석 알고리즘의 종류, 영상 전처리의 수행 여부, 영상 전처리의 수행 정도, 영상 분석시 사용되는 서브 영상의 크기, 영상 분석 알고리즘의 구조 또는 복잡도, 영상 분석시 이전 프레임 영상의 분석 결과를 활용하는 지 여부, 이전 프레임 영상 분석 결과의 활용 정도, 영상 분석 결과의 정확도 등을 포함할 수 있다.
도 3a 및 도 3b는 검출된 관심 영역을 출력한 화면의 예를 도시한 도면이다.
화면 표시부(240)는 영상 분석부(120)에서 검출된 관심 영역을 사용자가 인식할 수 있도록 다양한 방법으로 출력할 수 있다.
도 3a에 도시된 예와 같이, 화면 표시부(240)는 화면(300)에 현재 프레임 영상(310)을 출력하고, 현재 프레임 영상(310)으로부터 검출된 관심 영역에 십자 마크(320)로 표시하여 관심 영역의 위치를 나타낼 수 있다.
도 3b에 도시된 예와 같이, 화면 표시부(240)는 화면(300)에 현재 프레임 영상(310)을 출력하고, 현재 프레임 영상(310)으로부터 검출된 관심 영역을 바운딩 박스(bounding box)(330)로 표시하여 관심 영역의 위치를 나타낼 수 있다.
도 3a 및 도 3b는 화면 표시부(240)가 검출된 관심 영역을 출력하는 방법의 예를 도시한 것에 불과할 뿐, 도시된 예에 한정되는 것은 아니다. 즉, 화면 표시부(240)는 관심 영역을 원형, 삼각형 등 다양한 형태의 마크로 표시하거나 다양한 색깔로 컬러 코딩하는 등 다양한 방법으로 관심 영역을 표시하는 것이 가능하다.
도 4는 관심 영역의 판정 결과를 출력한 화면의 예를 도시한 도면이다. 이때, 도 4는 유방 초음파 검사 결과의 예를 나타낸다.
화면 표시부(240)는 영상 분석부(120)에서 판정한 관심 영역의 판정 결과를 사용자가 인식할 수 있도록 다양한 방법으로 출력할 수 있다.
도 4에 도시된 예와 같이, 화면 표시부(240)는 화면(400)에 관심 영역을 나타내는 식별 표시(420)가 표시된 현재 프레임 영상(410)와 함께, 화면의 일정 영역에 관심 영역의 특징 정보(430), 및 특징 정보(430)를 기반으로 관심 영역의 양성/악성 여부를 판정한 판정 결과(440)를 출력할 수 있다.
도 5는 프로브의 속도 정보, 및 영상 분석에 사용된 영상 분석 알고리즘 정보를 출력한 화면의 예를 도시한 도면이다.
화면 표시부(240)는 프로브의 속도 정보, 및 현재 프레임 영상 분석에 사용된 영상 분석 알고리즘 정보를 사용자가 인식할 수 있도록 다양한 방법으로 출력할 수 있다.
도 5에 도시된 예와 같이, 화면 표시부(240)는 화면(500)에 관심 영역을 나타내는 식별 표시(520)가 표시된 현재 프레임 영상(510), 관심 영역의 특징 정보(530) 및 판정 결과(540)를 출력하고, 화면의 일정 영역에 프로브의 속도 정보(550) 및 영상 분석 알고리즘 정보(560)를 출력할 수 있다.
도 6은 컴퓨터 보조 진단 방법의 일 실시예를 도시한 흐름도이다.
도 6을 참조하면, 일 실시예에 따른 컴퓨터 보조 진단 방법(600)은 먼저, 프로브의 속도 또는 현재 프레임 영상의 해상도에 따라 적절한 영상 분석 알고리즘을 선택한다(630). 이때, 현재 프레임 영상은 프로브를 통해 실시간으로 획득된 현재 프레임의 영상을 의미한다.
그 후, 선택된 영상 분석 알고리즘을 이용하여 현재 프레임 영상을 분석하여, 관심 영역을 검출(detection)하고, 검출된 관심 영역을 판정(classification)한다(640).
추가적 실시예에 따르면, 컴퓨터 보조 진단 방법(600)은 프로브를 통하여 환자의 환부에 대한 초음파 영상을 획득하는 과정(610)를 더 포함할 수 있다.
추가적 실시예에 따르면, 컴퓨터 보조 진단 방법(600)은 프로브의 속도를 검출하는 과정(620)를 더 포함할 수 있다. 예컨대, 컴퓨터 보조 진단 장치(200)는 현재 프레임 영상과 이전 프레임 영상의 픽셀별 영상 강도(image intensity)의 합계의 차이, 현재 프레임 영상과 이전 프레임 영상의 히스토그램의 차이, 현재 프레임 영상과 이전 프레임 영상의 핵심 영역(salient region) 정보의 변화도, 프로브에 탑재된 가속도 센서의 센서값, 및 현재 프레임 영상의 해상도 등을 이용하여 프로브의 속도를 검출할 수 있다.
추가적 실시예에 따르면, 컴퓨터 보조 진단 방법(600)은 현재 프레임 영상 및 현재 프레임 영상의 분석 결과를 화면에 출력하는 과정(650)를 더 포함할 수 있다. 이때, 프로브의 속도 정보 및/또는 화면 분석에 사용된 영상 분석 알고리즘 정보를 함께 출력할 수 있다.
여기서, 영상 분석 알고리즘 정보는, 영상 분석 알고리즘의 종류, 영상 전처리의 수행 여부, 영상 전처리의 수행 정도, 영상 분석시 사용되는 서브 영상의 크기, 영상 분석 알고리즘의 구조 또는 복잡도, 영상 분석시 이전 프레임 영상의 분석 결과를 활용하는 지 여부, 이전 프레임 영상 분석 결과의 활용 정도, 영상 분석 결과의 정확도 등을 포함할 수 있다.
도 7은 도 6의 영상 분석 알고리즘 선택 과정(630)의 일 실시예를 도시한 흐름도이다.
도 7을 참조하면, 영상 분석 알고리즘 선택 과정(630)은, 먼저, 프로브의 속도가 미리 설정된 임계값 이상인지 여부를 판단한다(710).
판단 결과 프로브의 속도가 미리 설정된 임계값 이상인 경우, 현재 프레임 영상의 분석에 사용될 알고리즘으로서 고속 저정확 알고리즘을 선택한다(720).
판단 결과 프로브의 속도가 미리 설정된 임계값 미만인 경우, 현재 프레임 영상의 분석에 사용될 알고리즘으로서 저속 고정확 알고리즘을 선택한다(730).
도 8을 도 6의 영상 분석 알고리즘 선택 과정(630)의 다른 실시예를 도시한 흐름도이다.
도 8을 참조하면, 영상 분석 알고리즘 선택 과정(630)은, 먼저, 현재 프레임 영상의 해상도가 미리 설정된 임계값 이상인지 여부를 판단한다(810).
판단 결과 현재 프레임 영상의 해상도가 미리 설정된 임계값 이상인 경우, 현재 프레임 영상의 분석에 사용될 알고리즘으로서 저속 고정확 알고리즘을 선택한다(720).
판단 결과 현재 프레임 영상의 해상도가 미리 설정된 임계값 미만인 경우, 현재 프레임 영상의 분석에 사용될 알고리즘으로서 고속 저정확 알고리즘을 선택한다(730).
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: 컴퓨터 보조 진단 장치
110: 영상 분석 알고리즘 선택부
120: 영상 분석부

Claims (20)

  1. 프로브의 속도 또는 상기 프로브를 통해 획득된 현재 프레임 영상의 해상도에 따라 영상 분석 알고리즘을 선택하는 영상 분석 알고리즘 선택부; 및
    선택된 영상 분석 알고리즘을 이용하여 상기 현재 프레임 영상에서 관심 영역을 검출하고 판정하는 영상 분석부; 를 포함하는 적응형 컴퓨터 보조 진단 장치.
  2. 제1 항에 있어서,
    상기 영상 분석 알고리즘 선택부는,
    상기 프로브의 속도가 미리 설정된 임계값 이상인 경우 제1 타입 영상 분석 알고리즘을 선택하고,
    상기 프로브의 속도가 미리 설정된 임계값 미만인 경우 제2 타입 영상 분석 알고리즘을 선택하는 적응형 컴퓨터 보조 진단 장치.
  3. 제2 항에 있어서,
    상기 제1 타입 영상 분석 알고리즘은 상대적으로 고속 저정확한 알고리즘이고,
    상기 제2 타입 영상 분석 알고리즘은 상대적으로 저속 고정확한 알고리즘인 적응형 컴퓨터 보조 진단 장치.
  4. 제2 항에 있어서,
    상기 제1 타입 영상 분석 알고리즘 및 상기 제2 타입 영상 분석 알고리즘은 영상 전처리의 수행 여부, 영상 전처리 수행 정도, 영상 분석시 사용되는 서브 영상의 크기, 영상 분석 알고리즘의 복잡도, 영상 분석시 이전 프레임 영상을 활용하는 지 여부, 이전 프레임 영상의 활용 정도, 및 추출 가능한 특징의 종류와 수 중 적어도 하나를 기반으로 구분되는 적응형 컴퓨터 보조 진단 장치.
  5. 제1 항에 있어서,
    상기 영상 분석 알고리즘 선택부는,
    상기 현재 프레임 영상의 해상도가 미리 설정된 임계값 미만인 경우 제1 타입 영상 분석 알고리즘을 선택하고,
    상기 현재 프레임 영상의 해상도가 미리 설정된 임계값 이상인 경우 제2 타입 영상 분석 알고리즘을 선택하는 적응형 컴퓨터 보조 진단 장치.
  6. 제1 항에 있어서,
    상기 프로브의 속도를 검출하는 속도 검출부; 를 더 포함하는 적응형 컴퓨터 보조 진단 장치.
  7. 제6 항에 있어서,
    상기 속도 검출부는,
    상기 현재 프레임 영상 및 이전 프레임 영상의 픽셀별 영상 강도(image intensity)의 합계의 차이, 상기 현재 프레임 영상과 상기 이전 프레임 영상의 히스토그램의 차이, 상기 현재 프레임 영상과 상기 이전 프레임 영상의 핵심 영역(salient region) 정보의 변화도, 프로브에 탑재된 가속도 센서의 센서값, 및 상기 현재 프레임 영상의 해상도 중 적어도 하나를 이용하여 상기 프로브의 속도를 검출하는 적응형 컴퓨터 보조 진단 장치.
  8. 제1 항에 있어서,
    관심 영역 검출 결과 및 판정 결과를 화면에 출력하는 화면 표시부; 를 더 포함하는 적응형 컴퓨터 보조 진단 장치.
  9. 제8 항에 있어서,
    상기 화면 표시부는 상기 프로브의 속도 정보 및 상기 선택된 영상 분석 알고리즘 정보를 상기 화면에 더 출력하는 적응형 컴퓨터 보조 진단 장치.
  10. 제9 항에 있어서,
    상기 영상 분석 알고리즘 정보는, 영상 분석 알고리즘의 종류, 영상 전처리의 수행 여부, 영상 전처리의 수행 정도, 영상 분석시 사용되는 서브 영상의 크기, 영상 분석 알고리즘의 구조 또는 복잡도, 영상 분석시 이전 프레임 영상의 분석 결과를 활용하는 지 여부, 이전 프레임 영상 분석 결과의 활용 정도, 영상 분석 결과의 정확도 중 적어도 하나를 포함하는 적응형 컴퓨터 보조 진단 장치.
  11. 프로브의 속도 또는 상기 프로브를 통해 획득된 현재 프레임 영상의 해상도에 따라 영상 분석 알고리즘을 선택하는 단계; 및
    선택된 영상 분석 알고리즘을 이용하여 상기 현재 프레임 영상에서 관심 영역을 검출하고 판정하는 단계; 를 포함하는 적응형 컴퓨터 보조 진단 방법.
  12. 제11 항에 있어서,
    상기 영상 분석 알고리즘을 선택하는 단계는,
    상기 프로브의 속도가 미리 설정된 임계값 이상인 경우 제1 타입 영상 분석 알고리즘을 선택하는 단계; 및
    상기 프로브의 속도가 미리 설정된 임계값 미만인 경우 제2 타입 영상 분석 알고리즘을 선택하는 단계; 를 포함하는 적응형 컴퓨터 보조 진단 방법.
  13. 제12 항에 있어서,
    상기 제1 타입 영상 분석 알고리즘은 상대적으로 고속 저정확한 알고리즘이고,
    상기 제2 타입 영상 분석 알고리즘은 상대적으로 저속 고정확한 알고리즘인 적응형 컴퓨터 보조 진단 방법.
  14. 제12 항에 있어서,
    상기 제1 타입 영상 분석 알고리즘 및 상기 제2 타입 영상 분석 알고리즘은 영상 전처리의 수행 여부, 영상 전처리 수행 정도, 영상 분석시 사용되는 서브 영상의 크기, 영상 분석 알고리즘의 복잡도, 영상 분석시 이전 프레임 영상을 활용하는 지 여부, 이전 프레임 영상의 활용 정도, 및 추출 가능한 특징의 종류와 수 중 적어도 하나를 기반으로 구분되는 적응형 컴퓨터 보조 진단 방법.
  15. 제11 항에 있어서,
    상기 영상 분석 알고리즘을 선택하는 단계는,
    상기 현재 프레임 영상의 해상도가 미리 설정된 임계값 미만인 경우 제1 타입 영상 분석 알고리즘을 선택하는 단계; 및
    상기 현재 프레임 영상의 해상도가 미리 설정된 임계값 이상인 경우 제2 타입 영상 분석 알고리즘을 선택하는 단계; 를 포함하는 적응형 컴퓨터 보조 진단 방법.
  16. 제11 항에 있어서,
    상기 프로브의 속도를 검출하는 단계; 를 더 포함하는 적응형 컴퓨터 보조 진단 방법.
  17. 제16 항에 있어서,
    상기 프로브의 속도를 검출하는 단계는,
    상기 현재 프레임 영상 및 이전 프레임 영상의 픽셀별 영상 강도(image intensity)의 합계의 차이, 상기 현재 프레임 영상과 상기 이전 프레임 영상의 히스토그램의 차이, 상기 현재 프레임 영상과 상기 이전 프레임 영상의 핵심 영역(salient region) 정보의 변화도, 프로브에 탑재된 가속도 센서의 센서값, 및 상기 현재 프레임 영상의 해상도 중 적어도 하나를 이용하여 상기 프로브의 속도를 검출하는 적응형 컴퓨터 보조 진단 방법.
  18. 제11 항에 있어서,
    관심 영역 검출 결과 및 판정 결과를 화면에 출력하는 단계; 를 더 포함하는 적응형 컴퓨터 보조 진단 방법.
  19. 제18 항에 있어서,
    상기 관심 영역 검출 결과 및 판정 결과를 화면에 출력하는 단계는 상기 프로브의 속도 정보 및 상기 선택된 영상 분석 알고리즘 정보를 상기 화면에 더 출력하는 적응형 컴퓨터 보조 진단 방법.
  20. 제19 항에 있어서,
    상기 영상 분석 알고리즘 정보는, 영상 분석 알고리즘의 종류, 영상 전처리의 수행 여부, 영상 전처리의 수행 정도, 영상 분석시 사용되는 서브 영상의 크기, 영상 분석 알고리즘의 구조 또는 복잡도, 영상 분석시 이전 프레임 영상의 분석 결과를 활용하는 지 여부, 이전 프레임 영상 분석 결과의 활용 정도, 영상 분석 결과의 정확도 중 적어도 하나를 포함하는 적응형 컴퓨터 보조 진단 방법.
KR1020140106269A 2014-08-14 2014-08-14 적응형 컴퓨터 보조 진단 장치 및 방법 KR20160020918A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020140106269A KR20160020918A (ko) 2014-08-14 2014-08-14 적응형 컴퓨터 보조 진단 장치 및 방법
US14/825,681 US9674447B2 (en) 2014-08-14 2015-08-13 Apparatus and method for adaptive computer-aided diagnosis

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020140106269A KR20160020918A (ko) 2014-08-14 2014-08-14 적응형 컴퓨터 보조 진단 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20160020918A true KR20160020918A (ko) 2016-02-24

Family

ID=55302406

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140106269A KR20160020918A (ko) 2014-08-14 2014-08-14 적응형 컴퓨터 보조 진단 장치 및 방법

Country Status (2)

Country Link
US (1) US9674447B2 (ko)
KR (1) KR20160020918A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109963083A (zh) * 2019-04-10 2019-07-02 Oppo广东移动通信有限公司 图像处理器、图像处理方法、拍摄装置和电子设备
KR20200089000A (ko) * 2019-01-16 2020-07-24 삼성메디슨 주식회사 초음파 영상장치 및 그 제어방법

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9400925B2 (en) * 2013-11-15 2016-07-26 Facebook, Inc. Pose-aligned networks for deep attribute modeling
JP6625760B2 (ja) * 2016-09-21 2019-12-25 富士フイルム株式会社 超音波診断装置及び超音波診断装置の制御方法
WO2018093796A1 (en) 2016-11-15 2018-05-24 Magic Leap, Inc. Deep learning system for cuboid detection
US10140709B2 (en) * 2017-02-27 2018-11-27 International Business Machines Corporation Automatic detection and semantic description of lesions using a convolutional neural network
JP7058988B2 (ja) 2017-11-30 2022-04-25 キヤノン株式会社 情報処理装置、情報処理方法およびプログラム
EP3536245A1 (en) * 2018-03-08 2019-09-11 Koninklijke Philips N.V. A system and method of identifying characteristics of ultrasound images
WO2019222135A1 (en) 2018-05-16 2019-11-21 Benevis Informatics, Llc Systems and methods for review of computer-aided detection of pathology in images
US11638569B2 (en) 2018-06-08 2023-05-02 Rutgers, The State University Of New Jersey Computer vision systems and methods for real-time needle detection, enhancement and localization in ultrasound
US11426142B2 (en) * 2018-08-13 2022-08-30 Rutgers, The State University Of New Jersey Computer vision systems and methods for real-time localization of needles in ultrasound images
JP7483327B2 (ja) * 2019-04-26 2024-05-15 キヤノンメディカルシステムズ株式会社 超音波診断装置及び解析装置
JP2021007512A (ja) * 2019-06-28 2021-01-28 キヤノンメディカルシステムズ株式会社 超音波診断装置及び解析装置
JP7467157B2 (ja) * 2020-02-19 2024-04-15 キヤノン株式会社 学習装置、画像認識装置、学習方法、画像認識装置の制御方法およびプログラム
US11417069B1 (en) * 2021-10-05 2022-08-16 Awe Company Limited Object and camera localization system and localization method for mapping of the real world
US11776206B1 (en) 2022-12-23 2023-10-03 Awe Company Limited Extended reality system and extended reality method with two-way digital interactive digital twins

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19529547A1 (de) 1995-08-11 1997-02-13 Zeiss Carl Fa Verfahren zur Steuerung von Koordinatenmeßgeräten
US8346483B2 (en) * 2002-09-13 2013-01-01 Life Technologies Corporation Interactive and automated tissue image analysis with global training database and variable-abstraction processing in cytological specimen classification and laser capture microdissection applications
US20130030281A1 (en) * 2010-04-20 2013-01-31 Jasjit S Suri Hashimotos Thyroiditis Detection and Monitoring
WO2015054666A1 (en) * 2013-10-10 2015-04-16 Board Of Regents, The University Of Texas System Systems and methods for quantitative analysis of histopathology images using multi-classifier ensemble schemes

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200089000A (ko) * 2019-01-16 2020-07-24 삼성메디슨 주식회사 초음파 영상장치 및 그 제어방법
CN109963083A (zh) * 2019-04-10 2019-07-02 Oppo广东移动通信有限公司 图像处理器、图像处理方法、拍摄装置和电子设备
US11328449B2 (en) 2019-04-10 2022-05-10 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Image processing apparatus, method for image processing, and electronic device

Also Published As

Publication number Publication date
US9674447B2 (en) 2017-06-06
US20160048737A1 (en) 2016-02-18

Similar Documents

Publication Publication Date Title
KR20160020918A (ko) 적응형 컴퓨터 보조 진단 장치 및 방법
KR102294193B1 (ko) 프로브 속도에 기초한 컴퓨터 보조 진단 지원 장치 및 방법
CN105701331B (zh) 计算机辅助诊断设备和计算机辅助诊断方法
US20230263463A1 (en) Osteoporosis diagnostic support apparatus
KR102251242B1 (ko) 컴퓨터 보조 진단 장치 및 방법
EP2693402B1 (en) Image processing apparatus, image processing method, program, and storage medium
KR101121396B1 (ko) 2차원 초음파 영상에 대응하는 2차원 ｃｔ 영상을 제공하는 시스템 및 방법
US9159127B2 (en) Detecting haemorrhagic stroke in CT image data
US8411927B2 (en) Marker detection in X-ray images
US10786227B2 (en) System and method for ultrasound examination
US10169641B2 (en) Apparatus and method for visualization of region of interest
KR20160012758A (ko) 영상 진단 보조 장치 및 방법
Mouton et al. Materials-based 3D segmentation of unknown objects from dual-energy computed tomography imagery in baggage security screening
US20090097728A1 (en) System and Method for Detecting Tagged Material Using Alpha Matting
Wang et al. Evaluating edge detection through boundary detection
WO2012066785A1 (ja) 人数カウント装置、人数カウント方法及び人数カウントプログラム
CN102004845A (zh) 用于数字x光影像软拷贝解读的方法
US10255673B2 (en) Apparatus and method for detecting object in image, and apparatus and method for computer-aided diagnosis
JP4964171B2 (ja) 対象領域抽出方法および装置ならびにプログラム
EP3065072A1 (en) Apparatus and method for providing reliability for computer aided diagnosis
WO2007117506A2 (en) System and method for automatic detection of internal structures in medical images
KR20160037023A (ko) 컴퓨터 보조 진단 지원 장치 및 방법
US7103203B2 (en) Medical imaging station with a function of extracting a path within a ramified object
CN108846834B (zh) 医用图像处理装置及医用图像处理方法
Palenichka A visual attention operator based on morphological models of images and maximum likelihood decision

Legal Events

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