KR20170046104A - 질환 모델 기반의 의료 정보 서비스 제공 방법 및 장치 - Google Patents

질환 모델 기반의 의료 정보 서비스 제공 방법 및 장치 Download PDF

Info

Publication number
KR20170046104A
KR20170046104A KR1020167020397A KR20167020397A KR20170046104A KR 20170046104 A KR20170046104 A KR 20170046104A KR 1020167020397 A KR1020167020397 A KR 1020167020397A KR 20167020397 A KR20167020397 A KR 20167020397A KR 20170046104 A KR20170046104 A KR 20170046104A
Authority
KR
South Korea
Prior art keywords
feature data
medical information
disease
classification map
image
Prior art date
Application number
KR1020167020397A
Other languages
English (en)
Other versions
KR101875468B1 (ko
Inventor
정규환
김현준
김상기
이예하
Original Assignee
주식회사 뷰노코리아
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 주식회사 뷰노코리아 filed Critical 주식회사 뷰노코리아
Publication of KR20170046104A publication Critical patent/KR20170046104A/ko
Application granted granted Critical
Publication of KR101875468B1 publication Critical patent/KR101875468B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G06F19/321—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
    • 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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/32—Determination of transform parameters for the alignment of images, i.e. image registration using correlation-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • 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
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Public Health (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Pathology (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Child & Adolescent Psychology (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

실시예에 따르면, 의료 정보 서비스를 제공하는 방법이 제공된다. 의료 정보 서비스 제공 방법은, 대상 영상을 수신하는 단계, 상기 대상 영상의 특징 데이터를 추출하는 단계, 미리 학습된 참조 영상이 정량화 된 질환 분류 지도에서 상기 특징 데이터의 상대적 위치를 탐색하는 단계 및 상기 특징 데이터의 상대적 위치가 탐색된 질환 분류 지도를 사용자에게 제공하는 단계를 포함할 수 있다.

Description

질환 모델 기반의 의료 정보 서비스 제공 방법 및 장치{METHOD AND APPARATUS FOR PROVIDING MEDICAL INFORMATION SERVICE BASED ON DIESEASE MODEL}
실시예에 따른 발명은 의료 영상과 의사의 진단 내용을 이용하여 학습된 모델을 이용하여 대상 영상을 정량화하고, 이를 이용하여 의료 정보 서비스를 제공하는 방법 및 장치에 관한 것이다.
컴퓨터 단층촬영(CT: Computer Tomography), 자기공명영상(MRI: Magnetic Resonance Imaging) 등의 의료 영상 장치들은 현대의학에서는 필수적인 장비가 되었으며, 의료 기술의 발전으로 인하여 환자의 생명을 다루는 의료 행위에 있어서 의료 영상 장비를 이용한 임상 진단의 역할은 더욱 비중이 높아질 전망이다.
임상 진단의 편의를 위하여 의료 영상(예를 들어 X-선 촬영 영상, CT 영상, MRI 영상 또는 초음파 영상)을 디지털 데이터로 변환하여 데이터베이스화한 다음, 서버와 연결된 대형 저장매체에 저장하여 두고, 필요 시에 각 진료실에서 컴퓨터 모니터를 통해 원하는 환자의 의료 영상을 조회할 수 있도록 하는 의료 영상 저장 전송 시스템(PACS: Picture Archiving and Communication System)이 도입되었다.
종래의 의료 진단 및 처방 과정에서, 의사는 환자의 의료 영상을 경험과 의료 지식에 근거하여 분석하고, 참고 자료가 필요하면, 의학 연구 문헌이나 기존의 전자 의료 기록의 문서화된 정보를 검색하여 진단을 내렸다. 그러나, 환자의 의료 영상에 나타나는 특징과 부합하는 연구 문헌을 검색하는 것은 시간이 너무 많이 소모되거나 검색 결과의 품질이 나쁜 경우가 많다. 또, 기존의 전자 의료 기록의 경우, 의사의 주관적 소견이 반영되어 있고, 의료 영상 자체에 대해 객관적인 정량화가 되어있지 않아 유사도 비교가 쉽지 않았다.
이에 의료 영상을 정량화하는 기술과 유사 환자의 진료 기록을 찾는 기술의 필요성이 대두된다.
의료 영상 자체의 특징을 객관적으로 정량화하여, 해당 환자와 가장 유사한 환자의 전자 의료 기록을 제공함으로써 객관적인 진단 및 처방에 필요한 정보를 수집하기 위함이다.
환자의 진단 및 처방에 대한 신뢰도와 이해도를 높여, 의료 서비스에 대한 만족도를 높이기 위함이다.
실시예에 따르면, 의료 정보 서비스 제공 방법은 대상 영상을 수신하는 단계, 상기 대상 영상의 특징 데이터를 추출하는 단계, 미리 학습된 참조 영상이 정량화 된 질환 분류 지도에서 상기 특징 데이터의 상대적 위치를 탐색하는 단계 및 상기 특징 데이터의 상대적 위치가 탐색된 질환 분류 지도를 사용자에게 제공하는 단계를 포함할 수 있다.
일 측에 따르면, 대상 영상의 특징 데이터를 추출하는 단계는, 상기 대상 영상을 신체 구조를 기준으로 복수 개의 영역들로 구분하는 단계, 상기 복수 개의 영역들에서 복수 개의 패치들을 추출하는 단계 및 상기 복수 개의 패치에서 특징 데이터를 추출하는 단계를 포함할 수 있다.
여기서 대상 영상의 특징 데이터를 추출하는 단계는, 상기 복수 개의 패치들에서 추출된 특징 데이터들의 평균 값을 각 영역 별 특징 데이터로 하는 단계를 포함할 수 있다.
다른 일 측에 따르면, 상기 특징 데이터를 추출하는 단계는, 미리 학습된 참조 영상 모델에서의 출력층 이전 단계의 완전 연결층(Fully-connected Layer)의 출력 값을 특징 데이터로 추출하는 단계를 포함할 수 있다.
또 다른 일 측에 따르면, 의료 정보 서비스 제공 방법은 미리 학습된 모델 중 상기 특징 데이터에 대응하는 유사 모델을 검색하는 단계 및 검색된 유사 모델을 사용자에게 제공하는 단계를 더 포함할 수 있다.
여기서, 상기 유사 모델을 검색하는 단계는, 상기 미리 학습된 모델에서 추출된 특징 데이터와의 유클리디언(Euclidean) 공간상의 거리 값을 기준으로 유사 여부를 판단할 수 있다.
상기 질환 분류 지도에서 상기 특징 데이터의 상대적 위치를 탐색하는 단계는, 대상 영상에 대응하는 환자의 과거 영상을 수신하는 단계, 상기 과거 영상의 과거 특징 데이터를 추출하는 단계 및 상기 질환 분류 지도에서 상기 과거 특징 데이터의 상대적 위치를 탐색하는 단계를 포함할 수 있다.
상기 질환 분류 지도에서 상기 특징 데이터의 상대적 위치를 탐색하는 단계는, 상기 질환 분류 지도에서 동일한 질환 영역에 속한 다른 환자의 질환 진행 경로의 평균을 이용하여 해당 환자의 예상 진행 경로를 탐색하는 단계를 포함할 수 있다.
상기 질환 분류 지도에서 상기 특징 데이터의 상대적 위치를 탐색하는 단계는, 상기 질환 분류 지도에서 해당 환자의 치료 방법 별 예상 진행 경로를 탐색하는 단계를 포함할 수 있다.
실시예에 따른 의료 정보 학습 방법은 참조 영상을 수집하는 단계, 상기 참조 영상의 패치를 추출하는 단계, 상기 추출된 패치에서 특징 데이터를 추출하는 단계, 상기 특징 데이터 및 의사의 진단 내용에 기초하여 상기 참조 영상을 정량화하는 단계 및 상기 정량화된 참조 영상을 학습하는 단계를 포함할 수 있다.
일 측에 따르면, 의료 정보 학습 방법은 상기 정량화된 참조 영상을 이용하여 질환 분류 지도로 시각화하는 단계를 더 포함할 수 있다.
상기 질환 분류 지도는, 특징 공간 상에서 질환 패턴을 기초로 유사한 질환 패턴을 동일한 질환 영역으로 분리하는 것일 수 있다.
실시예에 따른 의료 정보 서비스 제공 장치는, 대상 영상을 수신하는 수신부, 상기 대상 영상의 특징 데이터를 추출하는 특징 추출부, 미리 학습된 참조 영상이 정량화 된 질환 분류 지도에서 상기 특징 데이터의 상대적 위치를 탐색하는 탐색부 및 상기 특징 데이터의 상대적 위치가 탐색된 질환 분류 지도를 사용자에게 제공하는 사용자 인터페이스부를 포함할 수 있다.
일 측에 따르면, 탐색부는 미리 학습된 모델 중 상기 특징 데이터에 대응하는 유사 모델을 탐색하고, 상기 사용자 인터페이스부는 탐색된 유사 모델을 사용자에게 제공할 수 있다.
이때, 상기 탐색부는, 상기 미리 학습된 모델에서 추출된 특징 데이터와의 유클리디언(Euclidean) 공간상의 거리 값을 기준으로 유사 여부를 판단할 수 있다.
일 측에 따르면, 상기 수신부는, 대상 영상에 대응하는 환자의 과거 영상을 수신하고, 상기 특징 추출부는, 상기 과거 영상의 과거 특징 데이터를 추출하고, 상기 탐색부는, 상기 질환 분류 지도에서 상기 과거 특징 데이터의 상대적 위치를 탐색할 수 있다.
다른 일 측에 따르면, 상기 탐색부는, 상기 질환 분류 지도에서 동일한 질환 영역에 속한 다른 환자의 질환 진행 경로의 평균을 이용하여 해당 환자의 예상 진행 경로를 탐색할 수 있다.
또 다른 일 측에 따르면, 상기 탐색부는, 상기 질환 분류 지도에서 해당 환자의 치료 방법 별 예상 진행 경로를 탐색할 수 있다.
실시예에 따른 의료 정보 학습 장치는 참조 영상을 수집하는 수집부, 상기 참조 영상의 패치를 추출하는 패치 추출부, 상기 추출된 패치에서 특징 데이터를 추출하는 특징 추출부, 상기 특징 데이터 및 의사의 진단 내용에 기초하여 상기 참조 영상을 정량화하는 정량화부 및 상기 정량화된 참조 영상을 학습하는 학습부를 포함할 수 있다.
실시예에 따르면 의료 정보 학습 장치는 상기 정량화된 참조 영상을 이용하여 질환 분류 지도로 시각화하는 시각화부를 더 포함할 수 있다.
실시예에 따르면, 의료 영상들의 특징을 정량화함으로써 신속하면서도 보다 신뢰도 높고 일관성 있는 의료 영상의 진단이 가능하다.
실시예에 따르면, 상태 지도의 시각화하여 전달함으로써 환자가 자신의 상태에 대해 쉽게 이해할 수 있게 도와주며, 향후 진행 방향에 대한 이해를 통해 치료에 적극적으로 참여하도록 유도할 수 있다.
실시예에 따르면, 의료 영상의 분석 및 진단에 대한 정확도가 향상되고, 전반적인 의료 비용의 절감 및 의료 수준의 향상을 도모할 수 있다.
도 1은 실시예에 따른 의료 정보 학습 장치를 설명하기 위한 블록도이다.
도 2는 실시예에 따른 의료 정보 서비스 제공 장치를 설명하기 위한 블록도이다.
도 3은 실시예에 따른 의료 영상의 영역과 패치를 설명하기 위한 도면이다.
도 4는 실시예에 따른 의료 영상의 정량화에 대해 설명하기 위한 도면이다.
도 5는 실시예에 따른 유사 환자의 전자 의료 기록 검색 사용자 인터페이스를 설명하기 위한 도면이다.
도 6은 실시예에 따른 질환 분류 지도를 설명하기 위한 도면이다.
도 7은 해당 환자의 진행 경로를 시각화한 질환 분류 지도를 설명하기 위한 도면이다.
도 8은 치료 방법에 따른 예상 진행 경로를 시각화한 질환 분류 지도를 설명하기 위한 도면이다.
도 9는 실시예에 따른 의료 정보 학습 방법을 설명하기 위한 흐름도이다.
도 10은 실시예에 따른 의료 정보 서비스 제공 방법을 설명하기 위한 흐름도이다.
이하, 본 발명의 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 실시예에 따른 의료 정보 학습 장치를 설명하기 위한 블록도이다.
도 1을 참조하면, 실시예에 따른 의료 정보 학습 장치(100)는 수집부(110), 패치 추출부(120), 특징 추출부(130), 정량화부(140) 및 학습부(150)를 포함할 수 있다. 이때, 의료 정보 학습 장치(100)는 의료 영상을 기반으로 특정 부위의 질환에 대하여 딥 러닝(Deep learning)을 이용한 특징을 이용하여 의료 영상간의 유사도를 계산할 수 있다.
실시예에 따르면, 수집부(110)는 참조 영상을 수집할 수 있다. 이때, 참조 영상은 다른 병원에서 촬영한 의료 영상을 포함할 수 있다. 예를 들면, 의료 정보 학습 장치(100)는 의료 영상 시스템(PACS) 또는 전자 의료 기록(EMR)과 연동된 서버를 통해서 참조 영상을 수집할 수 있다. 이때, 참조 영상은 의사의 진단 내용도 포함할 수 있다.
실시예에 따르면, 패치 추출부(120)는 참조 영상의 패치를 추출할 수 있다. 이때, 패치 추출부(120)는 참조 영상을 복수의 영역으로 구분할 수 있다.
예를 들면, 참조 영상을 환자의 신체 구조를 기준으로 전부(배쪽), 중부, 후부(등쪽)로 구분할 수 있다. 이렇게 구분된 영역을 다시 신체 중심 쪽을 기준으로 내부, 중부, 외부로 구분할 수 있다. 또 다른 예를 들면, 참조 영상을 환자의 신체 구조를 기준으로 상부 중부 하부로 구분하고, 다시 좌부 중부 우부로 영역을 구분할 수 있다.
실시예에 따르면, 패치 추출부(120)는 구분된 참조 영상의 각 영역에서 패치들을 추출할 수 있다.
실시예에 다르면, 특징 추출부(130)는 추출된 패치에서 특징 데이터를 추출할 수 있다. 이때, 특징 데이터는 딥 러닝에 있어서 의료 영상 패치의 출력층 바로 이전의 완전 연결 층(Fully-connected Layer)의 출력 값을 포함할 수 있다.
실시예에 따르면, 정량화부(140)는 특징 데이터 및 의사의 진단 내용에 기초하여 참조 영상을 정량화할 수 있다. 이때, 정량화부(140)는 의료 영상의 영역별로 완전 연결 층 노드의 수만큼의 차원을 가진 벡터로 영상을 정량화할 수 있다.
실시예에 따르면, 학습부(150)는 정량화된 참조 영상을 학습할 수 있다. 여기서 학습부(150)는 컴볼루셔널 신경망(Convolutional Neural Network)을 이용하여 참조 영상으로부터 추출된 패치와 의사의 진단 결과를 학습 데이터로 하여 모델을 학습할 수 있다. 컨볼루션 신경망은 인접 위치의 계산에서 한 위치의 부분 결과들을 재사용하여 복수의 위치에서 분류화 함수를 효과적으로 계산할 수 있다. 이때, 의료 영상은 일반적으로 12비트의 흑백 영상이므로, 국소 반응 정규화(Local Response Normaliztion) 층이 성능을 향상시킬 수 있다.
실시예에 따르면, 의료 정보 학습 장치(100)는 시각화부(미도시)를 더 포함할 수 있다. 실시예에 따른 시각화부는 정량화된 참조 영상을 이용하여 질환 분류 지도를 시각화할 수 있다.
실시예에 따르면, 질환 분류 지도는 특징 공간 상에서 질환 패턴을 기초로 유사한 질환 패턴을 동일한 질환 영역으로 분리한 이미지가 될 수 있다. 질환 분류 지도에 대해서는 도 6에서 구체적으로 설명하도록 한다.
도 2는 실시예에 따른 의료 정보 서비스 제공 장치를 설명하기 위한 블록도이다.
도 2를 참조하면, 실시예에 따른 의료 정보 서비스 제공 장치(200)는 수신부(210), 특징 추출부(220), 탐색부(230) 및 사용자 인터페이스부(240)를 포함할 수 있다.
실시예에 따르면, 수신부(210)는 대상 영상을 수신할 수 있다. 여기서 대상 영상은 해당 환자의 의료 영상을 포함할 수 있다.
다른 실시예에 다르면, 수신부(210)는 해당 환자의 과거 영상을 수신할 수 있다.
실시예에 따르면, 특징 추출부(220)는 대상 영상의 특징 데이터를 추출할 수 있다.
일 측에 따르면, 특징 추출부(220)는 대상 영상을 신체 구조를 기준으로 복수의 영역들로 구분하고, 복수의 영역에서 패치들을 추출한뒤, 패치들에서 특징 데이터를 추출할 수 있다. 여기서 특징 데이터는 패치들에서 추출된 특징 데이터들의 평균 값을 각 영역별 특징 데이터로 할 수 있다.
일 측에 따르면, 특징 추출부(220)는 미리 학습된 참조 영상 모델에서의 출력층 이전 단계의 완전 연결층(Fully-connected Layer)의 출력 값을 특징 데이터로 추출할 수 있다. 다른 실시예에 따르면, 특징 추출부(220)는 해당 환자의 과거 영상의 특징 데이터를 추출할 수 있다.
실시예에 따르면, 다량의 데이터를 통해 깊은 구조의 신경망이 미리 학습될 수 있다. 이때, 참조 영상 모델은 노드와 노드 간의 연결 강도에 대한 수치적 값들이 모인 각 신경망의 파라미터가 될 수 있다. 특징 추출부(220)는 미리 학습된 신경망에 해당 환자의 영상 데이터를 입력하여 마지막 출력층 전까지의 각 레이어의 값을 특징 데이터로 추출할 수 있다.
실시예에 따르면, 탐색부(230)는 질환 분류 지도에서 특징 데이터의 상대적 위치를 탐색 할 수 있다. 여기서 질환 분류 지도는 의료 영상 학습 장치에서 참조 영상들이 정량화된 지도를 말한다.
다른 실시예에 따르면, 탐색부(230)는 미리 학습된 모델 중 특징 데이터에 대응하는 유사 모델을 탐색할 수 있다. 예를 들면, 의료 정보 서비스 제공 장치는 의료 정보 학습 장치에서 참조 영상들을 이용하여 미리 학습된 모델들 중 해당 환자의 대상 영상과 가장 유사한 모델을 탐색할 수 있다.
일 측에 따르면, 탐색부(230)는 특징 데이터의 위치, 분포 및 크기를 포함하는 각 속성 정보에 따라 유사 모델을 탐색할 수 있다.
다른 일 측에 따르면, 탐색부(230)는 모든 속성 정보를 포함하는 유사 모델을 탐색할 수도 있다.
실시예에 따르면, 의료 정보 서비스 제공 장치는 의료 영상 정량값을 기초로 유사 환자를 탐색하여 제공할 수 있다.
일 측에 따르면, 탐색부(230)는 미리 학습된 모델에서 추출된 특징 데이터와의 유클리디언(Euclidean) 공간상의 거리 값을 기준으로 유사 여부를 판단할 수 있다.
다른 일 측에 따르면, 탐색부(230)는 의료 영상에서 구분된 영역별로 해당 영역 내 패치에 대한 학습된 모델의 출력층의 분류 결과의 히스토그램을 구할 수 있다. 이때, 특징 데이터의 유사도와 히스토그램의 유사도를 각각 구한 뒤에 합쳐서 유사 여부를 판단할 수 있다.
또 다른 실시예에 따르면, 탐색부(230)는 질환 분류 지도에서 과거 특징 데이터의 상대적 위치를 탐색할 수 있다.
예를 들면, 의료 정보 서비스 제공 장치는 해당 환자의 각 시기별 의료 영상의 특징 데이터를 질환 분류 지도에 시각화하여 진환의 진행 과정을 시각화할 수 있다. 보다 구체적으로, 의료 정보 서비스 제공 장치는 해당 환자의 과거 특징 데이터의 상대적 위치와 현재 특징 데이터의 상대적 위치를 탐색하여 질환 분류 지도에 시각화하여 사용자에게 제공할 수 있다. 이때, 사용자는 질환 분류 지도에서 시간 축을 조절함에 따라 질환의 형태 변화 과정을 확인할 수 있다.
또 다른 실시예에 따르면, 탐색부(230)는 질환 분류 지도에서 동일한 질환 영역에 속한 다른 환자의 질환 진행 경로의 평균을 이용하여 해당 환자의 예상 진행 경로를 탐색할 수 있다. 보다 구체적으로, 제1 환자가 현재 제1 질환 영역에 속하고 있는데, 제1 질환 영역에 포함된 다른 환자들이 3개월 뒤에 제2 질환 영역으로 이동했을 경우, 다른 환자들의 평균 이동 경로에 따라 제1 환자는 3개월 뒤에 제2 질환 영역에 속할 수 있음을 예측할 수 있다.
또 다른 실시예에 따르면, 탐색부(230)는 질환 분류 지도에서 해당 환자의 치료 방법 별 예상 진행 경로를 탐색할 수 있다. 보다 구체적으로, 제1 환자가 현재 제1 질환 영역에 속하고 있는데, 제1 질환 영역에 포함된 다른 환자들이 3개월 뒤에 제2 질환 영역으로 이동했을 경우, 다른 환자들의 평균 이동 경로에 따라 제1 환자는 3개월 뒤에 제2 질환 영역에 속할 수 있음을 예측할 수 있다.
실시예에 따르면, 사용자 인터페이스부(240)는 특징 데이터의 상대적 위치가 탐색된 질환 분류 지도를 사용자에게 제공할 수 있다. 여기서 사용자 인터페이스부(240)는 디스플레이 장치를 포함할 수 있다.
도 3은 실시예에 따른 의료 영상의 영역과 패치를 설명하기 위한 도면이다.
도 3을 참조하면, 의료 영상(310)은 복수 개의 영역으로 구분될 수 있다. 예를 들면, 의료 영상(310)을 도 3과 같이 좌부, 중부, 우부로 구분하고, 다시 전부, 중부, 후부로 구분하여 9개의 영역으로 구분할 수 있다. 다른 예를 들면, 의료 영상을 상부 중부 하부로 나눈 뒤, 다시 전부 중부 후부로 나눌 수 있다. 또 다른 예를 들면, 의료 영상을 전부, 중부, 후부로 구분하고, 다시 내측, 중측, 외측으로 구분할 수 있다. 실시예에서는 의료 영상의 영역을 9개의 영역으로 구분하였으나, 영역의 개수는 여기에 한정되지 않는다. 또, 의료 영상을 폐의 CT 영상으로 예시를 들었으나, 신체 다른 부위의 다른 방식의 영상을 포함할 수 있다.
실시예에 따르면, 영역(320)은 패치(321)를 포함할 수 있다. 여기서 패치(321)는 의료 영상의 조각을 말한다.
도 4는 실시예에 따른 의료 영상의 정량화에 대해 설명하기 위한 도면이다.
도 4를 참조하면, 의료 영상(410)은 색깔, 질감 등을 다르게 하여 정량화 될 수 있다.
예를 들면, 도 4에 도시된 바와 같이, 동일한 특징 데이터를 갖는 패치끼리 동일한 음영을 갖도록 음영(411, 412, 413)을 달리하여 정량화될 수 있다. 이때, 사용자 인터페이스(420)를 통해서 정량화된 내용을 설명할 수 있다.
도 5는 실시예에 따른 유사 환자의 전자 의료 기록 검색 사용자 인터페이스를 설명하기 위한 도면이다.
도 5를 참조하면, 사용자 인터페이스는 해당 환자의 의료 영상인 대상 영상(510)과 유사한 질환을 앓고 있는 유사 환자의 전자 의료 기록을 검색하여 유사 환자의 의료 영상(520, 530, 540, 550) 및 유사 환자의 의료 기록(521, 531, 541, 551)을 사용자에게 제공할 수 있다.
이때, 사용자 인터페이스는 참조 영상 중에서 대상 영상과 유사한 순서대로 의료 기록과 함께 제공할 수 있다. 즉, 해당 환자의 대상 영상(510)과 가장 유사한 환자의 의료 영상(520) 및 의료 기록(521)을 제일 먼저 제공할 수 있다.
도 6은 실시예에 따른 질환 분류 지도를 설명하기 위한 도면이다.
도 6을 참조하면, 실시예에 따른 질환 분류 지도(600)는 질환 영역(610, 620, 630, 640, 650 및 660) 별로 구분될 수 있다.
이때, 질환 분류 지도는 고차원의 특징 데이터를 2차원 또는 3차원으로 차원 축소 알고리즘을 이용하여 생성될 수 있다. 보다 구체적으로, 의료 정보 학습 장치는 참조 영상의 패치에서 추출된 특징 데이터를 딥 러닝을 통해 학습하여 비지도 방식의 차원 축소 알고리즘을 통해 2차원 또는 3차원 공간에 전사(Mapping)하여 그 결과를 시각화할 수 있다.
실시예에 따르면, 의료 정보 학습 장치는 수집된 참조 영상들에서 구분된 영역의 특징 데이터들의 평균 위치를 연결(concatenation)하여 참조 영상의 특징 값으로 사용할 수 있다.
실시예에 따르면, 질환 분류 지도(600)는 의료 영상에서 추출된 패치의 특징 데이터를 이용하여 미리 정해진 개수의 질환 영역으로 구분될 수 있다. 이때, 각 질환 영역은 특징 데이터의 의료 영상에서의 위치, 분포, 크기 등의 속성 정보에 기초하여 구분될 수 있다.
예를 들면, 의료 영상이 폐의 CT 영상인 경우, 질환 영역은 폐 질환의 종류(Division of Lung Diseases)에 따라 구분될 수 있다. 폐의 CT 영상을 예로 들면, 질환의 종류는 정상(Normal), 폐 경화(Lung Consolidation), 폐기종(Emphysema), 급성 폐장염(GGO), 폐의 벌집터짐(Honeycombing) 및 망상형 음영(ReticularOpacity)으로 구분될 수 있다. 따라서, 도 6과 같이 각각의 정량화된 의료 영상의 특징 데이터를 질환의 종류에 따라 질환 영역(610, 620, 630, 640, 650, 660)으로 구분할 수 있다.
실시예에 따른 의료 정보 서비스 제공 장치는, 질환 분류 지도(600)에서 해당 환자의 대상 영상의 특징 데이터(611)가 현재 어느 상태에 있는지를 정량화하고 시각화 할 수 있다.
도 6의 설명에서는 폐의 질환에 대해서 구체적으로 예시를 들어 설명하였으나, 본 발명은 폐의 영상 또는 폐의 질환에 한정되지 않고 다른 모든 신체 영역과 다른 모든 형태의 질환에 대해서 학습하고, 정량화 할 수 있다.
실시예에 따른 질환 분류 지도는 정상 영역에서 멀리 벗어날수록 위험한 상태임을 나타낼 수 있다.
도 7은 해당 환자의 진행 경로를 시각화한 질환 분류 지도를 설명하기 위한 도면이다.
도 7을 참조하면, 실시예에 따른 의료 정보 서비스 장치는 질환 분류 지도에서 현재 환자의 위치(711)에서 3개월 후의 동일한 환자의 예측된 위치(712)를 탐색할 수 있다. 여기서 의료 정보 서비스 장치는 질환 분류 지도에서 동일한 질환 영역에 속한 다른 환자의 질환 진행 경로의 평균을 이용하여 해당 환자의 예상 진행 경로를 탐색할 수 있다. 보다 구체적으로, 제1 환자가 현재 제1 질환 영역에 속하고 있는데, 제1 질환 영역에 포함된 다른 환자들이 3개월 뒤에 제2 질환 영역으로 이동했을 경우, 다른 환자들의 평균 이동 경로에 따라 제1 환자는 3개월 뒤에 제2 질환 영역에 속할 수 있음을 예측할 수 있다.
도 7의 설명과 같이 실시예에 따른 의료 정보 서비스 장치는, 환자에게 앞으로의 질환 진행 경과를 예측 제시함으로써 경각심을 일깨울 수 있다.
도 8은 치료 방법에 따른 예상 진행 경로를 시각화한 질환 분류 지도를 설명하기 위한 도면이다.
도 8을 참조하면, 실시예에 따른 의료 정보 서비스 장치는 질환 분류 지도에서 현재 환자의 위치(811)에서 치료 후의 동일한 환자의 예측된 위치(812)를 탐색할 수 있다. 여기서 의료 정보 서비스 제공 장치는 질환 분류 지도에서 동일한 질환 영역에 속한 다른 환자가 동일한 치료를 받은 경우에 질환 진행 경로의 평균을 이용하여 해당 환자의 치료 후 예상 진행 경로를 탐색할 수 있다. 보다 구체적으로, 제1 환자가 현재 제1 질환 영역에 속하고 있는데, 제1 질환 영역에 포함된 다른 환자들이 3개월 뒤에 제2 질환 영역으로 이동했을 경우, 다른 환자들의 평균 이동 경로에 따라 제1 환자는 3개월 뒤에 제2 질환 영역에 속할 수 있음을 예측할 수 있다.
다른 예를 들면, 의료 정보 서비스 제공 장치는 다른 환자의 치료 방식에 따른 질환 분류 지도의 진행 경로를 참고하여, 사용자로 하여금 치료 방식을 선택하도록 할 수 있다.
도 8의 설명과 같이 실시예에 따른 의료 정보 서비스 장치는, 환자에게 치료의 필요성을 알려, 환자 스스로 치료 과정에 적극적으로 동참할 수 있도록 유도할 수 있다.
도 9는 실시예에 따른 의료 정보 학습 방법을 설명하기 위한 흐름도이다.
도 9를 참조하면, 단계(910)에서, 실시예에 따른 의료 정보 학습 장치는 참조 영상을 수집할 수 있다. 여기서 참조 영상은 다른 환자들의 의료 영상을 포함할 수 있다. 예를 들면, 의료 정보 학습 장치는 의료 영상 시스템(PACS) 또는 전자 의료 기록(EMR)과 연동된 서버를 통해서 참조 영상을 수집할 수 있다. 이때, 참조 영상은 의사의 진단 내용도 포함할 수 있다.
단계(920)에서, 실시예에 따른 의료 정보 학습 장치는 참조 영상의 패치를 추출할 수 있다.
일 측에 따르면, 의료 정보 학습 장치참조 영상을 복수의 영역으로 구분할 수 있다. 예를 들면, 참조 영상을 환자의 신체 구조를 기준으로 전부(배쪽), 중부, 후부(등쪽)로 구분할 수 있다. 이렇게 구분된 영역을 다시 신체 중심 쪽을 기준으로 내부, 중부, 외부로 구분할 수 있다. 또 다른 예를 들면, 참조 영상을 환자의 신체 구조를 기준으로 상부 중부 하부로 구분하고, 다시 좌부 중부 우부로 영역을 구분할 수 있다.
실시예에 따르면, 패치 추출부(120)는 구분된 참조 영상의 각 영역에서 패치들을 추출할 수 있다.
단계(930)에서, 실시예에 따른 의료 정보 학습 장치는 추출된 패치에서 특징 데이터를 추출할 수 있다. 이때, 특징 데이터는 딥 러닝에 있어서 의료 영상 패치의 출력층 바로 이전의 완전 연결 층(Fully-connected Layer)의 출력 값을 포함할 수 있다.
단계(940)에서, 실시예에 따른 의료 정보 학습 장치는 특징 데이터 및 의사의 진단 내용에 기초하여 참조 영상을 정량화할 수 있다. 의료 정보 학습 장치는 의료 영상의 영역별로 완전 연결 층 노드의 수만큼의 차원을 가진 벡터로 영상을 정량화할 수 있다.
단계(950)에서, 실시예에 따른 의료 정보 학습 장치는 정량화된 참조 영상을 학습할 수 있다. 의료 정보 학습 장치는 컴볼루셔널 신경망(Convolutional Neural Network)을 이용하여 참조 영상으로부터 추출된 패치와 의사의 진단 결과를 학습 데이터로 하여 모델을 학습할 수 있다. 컨볼루션 신경망은 인접 위치의 계산에서 한 위치의 부분 결과들을 재사용하여 복수의 위치에서 분류화 함수를 효과적으로 계산할 수 있다. 이때, 의료 영상은 일반적으로 12비트의 흑백 영상이므로, 국소 반응 정규화(Local Response Normaliztion) 층이 성능을 향상시킬 수 있다.
단계(960)에서, 실시예에 따른 의료 정보 학습 장치는 정량화된 참조 영상을 이용하여 질환 분류 지도를 생성할 수 있다. 실시예에 따르면, 질환 분류 지도는 특징 공간 상에서 질환 패턴을 기초로 유사한 질환 패턴을 동일한 질환 영역으로 분리한 이미지가 될 수 있다.
도 10은 실시예에 따른 의료 정보 서비스 제공 방법을 설명하기 위한 흐름도이다.
도 10을 참조하면, 단계(1010)에서, 실시예에 따른 의료 정보 서비스 제공 장치는 대상 영상을 수신할 수 있다.
단계(1020)에서, 실시예에 따른 의료 정보 서비스 제공 장치는 대상 영상의 특징 데이터를 추출할 수 있다.
실시예에 따르면, 단계(1020)는, 대상 영상을 신체 구조를 기준으로 복수 개의 영역들로 구분하는 단계, 복수 개의 영역들에서 복수 개의 패치들을 추출하는 단계 및 복수 개의 패치에서 특징 데이터를 추출하는 단계를 포함할 수 있다.
여기서 단계(1020)는, 복수 개의 패치들에서 추출된 특징 데이터들의 평균 값을 각 영역 별 특징 데이터로 하는 단계를 포함할 수 있다.
다른 실시예에 따르면, 단계(1020)는, 미리 학습된 참조 영상 모델에서의 출력층 이전 단계의 완전 연결층(Fully-connected Layer)의 출력 값을 특징 데이터로 추출하는 단계를 포함할 수 있다.
단계(1030)에서, 실시예에 따른 의료 정보 서비스 제공 장치는 질환 분류 지도에서 특징 데이터의 상대적 위치를 탐색할 수 있다.
실시예에 따르면, 단계(1030)는 대상 영상에 대응하는 환자의 과거 영상을 수신하는 단계, 과거 영상의 과거 특징 데이터를 추출하는 단계 및 질환 분류 지도에서 과거 특징 데이터의 상대적 위치를 탐색하는 단계를 포함할 수 있다.
다른 실시예에 따르면, 단계(1030)는 질환 분류 지도에서 동일한 질환 영역에 속한 다른 환자의 질환 진행 경로의 평균을 이용하여 해당 환자의 예상 진행 경로를 탐색하는 단계를 포함할 수 있다.
또 다른 실시예에 따르면, 단계(1030)는 상기 질환 분류 지도에서 해당 환자의 치료 방법 별 예상 진행 경로를 탐색하는 단계를 포함할 수 있다.
단계(1040)에서, 실시예에 따른 의료 정보 서비스 제공 장치는 특징 데이터의 상대적 위치가 탐색된 질환 분류 지도를 사용자에게 제공할 수 있다.
실시예에 따르면, 의료 정보 서비스 제공 방법은 미리 학습된 모델 중 특징 데이터에 대응하는 유사 모델을 검색하는 단계 및 검색된 유사 모델을 사용자에게 제공하는 단계를 더 포함할 수 있다.
이때, 유사 모델을 검색하는 단계는, 미리 학습된 모델에서 추출된 특징 데이터와의 유클리디언(Euclidean) 공간상의 거리 값을 기준으로 유사 여부를 판단할 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다. 그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (20)

  1. 대상 영상을 수신하는 단계;
    상기 대상 영상의 특징 데이터를 추출하는 단계;
    미리 학습된 참조 영상이 정량화 된 질환 분류 지도에서 상기 특징 데이터의 상대적 위치를 탐색하는 단계; 및
    상기 특징 데이터의 상대적 위치가 탐색된 질환 분류 지도를 사용자에게 제공하는 단계
    를 포함하는 의료 정보 서비스 제공 방법.
  2. 제1항에 있어서,
    상기 대상 영상의 특징 데이터를 추출하는 단계는,
    상기 대상 영상을 신체 구조를 기준으로 복수 개의 영역들로 구분하는 단계;
    상기 복수 개의 영역들에서 복수 개의 패치들을 추출하는 단계; 및
    상기 복수 개의 패치에서 특징 데이터를 추출하는 단계
    를 포함하는 의료 정보 서비스 제공 방법.
  3. 제2항에 있어서,
    상기 대상 영상의 특징 데이터를 추출하는 단계는,
    상기 복수 개의 패치들에서 추출된 특징 데이터들의 평균 값을 각 영역 별 특징 데이터로 하는 단계
    를 포함하는 의료 정보 서비스 제공 방법.
  4. 제1항에 있어서,
    상기 특징 데이터를 추출하는 단계는,
    미리 학습된 참조 영상 모델에서의 출력층 이전 단계의 완전 연결층(Fully-connected Layer)의 출력 값을 특징 데이터로 추출하는 단계
    를 포함하는 의료 정보 서비스 제공 방법.
  5. 제1항에 있어서,
    미리 학습된 모델 중 상기 특징 데이터에 대응하는 유사 모델을 검색하는 단계; 및
    검색된 유사 모델을 사용자에게 제공하는 단계;
    를 더 포함하는 의료 정보 서비스 제공 방법.
  6. 제5항에 있어서,
    상기 유사 모델을 검색하는 단계는,
    상기 미리 학습된 모델에서 추출된 특징 데이터와의 유클리디언(Euclidean) 공간상의 거리 값을 기준으로 유사 여부를 판단하는
    의료 정보 서비스 제공 방법.
  7. 제1항에 있어서,
    상기 질환 분류 지도에서 상기 특징 데이터의 상대적 위치를 탐색하는 단계는,
    대상 영상에 대응하는 환자의 과거 영상을 수신하는 단계;
    상기 과거 영상의 과거 특징 데이터를 추출하는 단계; 및
    상기 질환 분류 지도에서 상기 과거 특징 데이터의 상대적 위치를 탐색하는 단계
    를 포함하는 의료 정보 서비스 제공 방법.
  8. 제1항에 있어서,
    상기 질환 분류 지도에서 상기 특징 데이터의 상대적 위치를 탐색하는 단계는,
    상기 질환 분류 지도에서 동일한 질환 영역에 속한 다른 환자의 질환 진행 경로의 평균을 이용하여 해당 환자의 예상 진행 경로를 탐색하는 단계
    를 포함하는 의료 정보 서비스 제공 방법.
  9. 제1항에 있어서,
    상기 질환 분류 지도에서 상기 특징 데이터의 상대적 위치를 탐색하는 단계는,
    상기 질환 분류 지도에서 해당 환자의 치료 방법 별 예상 진행 경로를 탐색하는 단계
    를 포함하는 의료 정보 서비스 제공 방법.
  10. 참조 영상을 수집하는 단계;
    상기 참조 영상의 패치를 추출하는 단계;
    상기 추출된 패치에서 특징 데이터를 추출하는 단계;
    상기 특징 데이터 및 의사의 진단 내용에 기초하여 상기 참조 영상을 정량화하는 단계; 및
    상기 정량화된 참조 영상을 학습하는 단계
    를 포함하는 의료 정보 학습 방법.
  11. 제10항에 있어서,
    상기 정량화된 참조 영상을 이용하여 질환 분류 지도로 시각화하는 단계
    를 더 포함하는 의료 정보 학습 방법.
  12. 제11항에 있어서,
    상기 질환 분류 지도는,
    특징 공간 상에서 질환 패턴을 기초로 유사한 질환 패턴을 동일한 질환 영역으로 분리하는
    의료 정보 학습 방법.
  13. 대상 영상을 수신하는 수신부;
    상기 대상 영상의 특징 데이터를 추출하는 특징 추출부;
    미리 학습된 참조 영상이 정량화 된 질환 분류 지도에서 상기 특징 데이터의 상대적 위치를 탐색하는 탐색부; 및
    상기 특징 데이터의 상대적 위치가 탐색된 질환 분류 지도를 사용자에게 제공하는 사용자 인터페이스부
    를 포함하는 의료 정보 서비스 제공 장치.
  14. 제14항에 있어서,
    상기 탐색부는,
    미리 학습된 모델 중 상기 특징 데이터에 대응하는 유사 모델을 탐색하고,
    상기 사용자 인터페이스부는 탐색된 유사 모델을 사용자에게 제공하는
    의료 정보 서비스 제공 장치.
  15. 제14항에 있어서,
    상기 탐색부는,
    상기 미리 학습된 모델에서 추출된 특징 데이터와의 유클리디언(Euclidean) 공간상의 거리 값을 기준으로 유사 여부를 판단하는
    의료 정보 서비스 제공 장치.
  16. 제13항에 있어서,
    상기 수신부는, 대상 영상에 대응하는 환자의 과거 영상을 수신하고,
    상기 특징 추출부는, 상기 과거 영상의 과거 특징 데이터를 추출하고,
    상기 탐색부는, 상기 질환 분류 지도에서 상기 과거 특징 데이터의 상대적 위치를 탐색하는
    의료 정보 서비스 제공 장치.
  17. 제13항에 있어서,
    상기 탐색부는,
    상기 질환 분류 지도에서 동일한 질환 영역에 속한 다른 환자의 질환 진행 경로의 평균을 이용하여 해당 환자의 예상 진행 경로를 탐색하는
    의료 정보 서비스 제공 장치.
  18. 제13항에 있어서,
    상기 탐색부는,
    상기 질환 분류 지도에서 해당 환자의 치료 방법 별 예상 진행 경로를 탐색하는
    의료 정보 서비스 제공 장치.
  19. 참조 영상을 수집하는 수집부;
    상기 참조 영상의 패치를 추출하는 패치 추출부;
    상기 추출된 패치에서 특징 데이터를 추출하는 특징 추출부;
    상기 특징 데이터 및 의사의 진단 내용에 기초하여 상기 참조 영상을 정량화하는 정량화부; 및
    상기 정량화된 참조 영상을 학습하는 학습부
    를 포함하는 의료 정보 학습 장치.
  20. 제19항에 있어서,
    상기 정량화된 참조 영상을 이용하여 질환 분류 지도로 시각화하는 시각화부
    를 더 포함하는 의료 정보 학습 장치.
KR1020167020397A 2015-09-24 2015-09-24 질환 모델 기반의 의료 정보 서비스 제공 방법 및 장치 KR101875468B1 (ko)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/KR2015/010090 WO2017051945A1 (ko) 2015-09-24 2015-09-24 질환 모델 기반의 의료 정보 서비스 제공 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20170046104A true KR20170046104A (ko) 2017-04-28
KR101875468B1 KR101875468B1 (ko) 2018-07-09

Family

ID=58386070

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020167020397A KR101875468B1 (ko) 2015-09-24 2015-09-24 질환 모델 기반의 의료 정보 서비스 제공 방법 및 장치

Country Status (3)

Country Link
US (1) US10249042B2 (ko)
KR (1) KR101875468B1 (ko)
WO (1) WO2017051945A1 (ko)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101884609B1 (ko) * 2017-05-08 2018-08-02 (주)헬스허브 모듈화된 강화학습을 통한 질병 진단 시스템
KR101957812B1 (ko) * 2018-08-31 2019-03-13 주식회사 뷰노 인공지능 영상 분석에 있어 특징 공간을 활용한 부호화 및 복호화를 수행하는 방법 및 이를 이용한 장치
KR101991250B1 (ko) * 2018-01-22 2019-06-20 재단법인 아산사회복지재단 프랙탈 차원값을 이용한 만성폐질환 예측방법 및 장치
KR102075270B1 (ko) * 2018-11-09 2020-02-07 주식회사 루닛 어노테이션 작업 관리 방법, 이를 지원하는 장치 및 시스템
KR102081037B1 (ko) * 2020-01-28 2020-02-24 주식회사 루닛 어노테이션 작업 관리 방법, 이를 지원하는 장치 및 시스템
WO2020045848A1 (ko) * 2018-08-27 2020-03-05 주식회사 딥바이오 세그멘테이션을 수행하는 뉴럴 네트워크를 이용한 질병 진단 시스템 및 방법
KR20200054138A (ko) * 2020-01-28 2020-05-19 주식회사 루닛 어노테이션 작업 관리 방법, 이를 지원하는 장치 및 시스템
KR20200070752A (ko) * 2018-12-10 2020-06-18 한국전자통신연구원 의료 정보 처리 장치 및 방법
US10748662B2 (en) 2017-08-29 2020-08-18 Vuno, Inc. Content-based medical image retrieval method and retrieval system
KR102165699B1 (ko) * 2019-05-24 2020-10-14 동서대학교 산학협력단 사용자 맞춤형 실시간 피부질환 관리시스템
KR20210085791A (ko) * 2019-12-31 2021-07-08 주식회사 코어라인소프트 정량화 파라미터를 이용하는 의료 영상 분석 시스템 및 유사 증례 검색 시스템, 및 그 시스템에서 실행되는 방법
US11062800B2 (en) 2018-11-09 2021-07-13 Lunit Inc. Method for managing annotation job, apparatus and system supporting the same

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10853449B1 (en) 2016-01-05 2020-12-01 Deepradiology, Inc. Report formatting for automated or assisted analysis of medical imaging data and medical diagnosis
CN108171712B (zh) * 2016-12-07 2022-02-11 富士通株式会社 确定图像相似度的方法和装置
US10692602B1 (en) 2017-09-18 2020-06-23 Deeptradiology, Inc. Structuring free text medical reports with forced taxonomies
US10496884B1 (en) 2017-09-19 2019-12-03 Deepradiology Inc. Transformation of textbook information
US10499857B1 (en) * 2017-09-19 2019-12-10 Deepradiology Inc. Medical protocol change in real-time imaging
US11133109B2 (en) 2017-12-29 2021-09-28 Analytics For Life Inc. Method and system to assess disease using phase space volumetric objects
US11918333B2 (en) * 2017-12-29 2024-03-05 Analytics For Life Inc. Method and system to assess disease using phase space tomography and machine learning
BR112021009578A2 (pt) 2018-12-06 2021-08-17 Glaxosmithkline Intellectual Property Development Limited formulação farmacêutica
CN110993064B (zh) * 2019-11-05 2023-03-21 北京邮电大学 面向深度学习的医学影像标注方法及装置
CN114731455A (zh) * 2019-11-20 2022-07-08 三星电子株式会社 使用与图像质量相关的ai元数据的设备和方法
JP7297705B2 (ja) * 2020-03-18 2023-06-26 株式会社東芝 処理装置、処理方法、学習装置およびプログラム
CN113707328A (zh) * 2020-05-20 2021-11-26 阿里巴巴集团控股有限公司 数据处理方法、装置及计算设备
WO2022097815A1 (ko) * 2020-11-03 2022-05-12 한국 한의학 연구원 열화상 카메라를 이용한 한의사의 복부 촉진기반 냉감 영역 재현 진단모델 개발 기술
WO2022154847A1 (en) 2021-01-12 2022-07-21 Emed Labs, Llc Health testing and diagnostics platform
US20230057531A1 (en) * 2021-08-17 2023-02-23 Emed Labs, Llc Mobile device stands for at-home diagnostics and healthcare
EP4169513A1 (en) 2021-10-19 2023-04-26 GlaxoSmithKline Biologicals S.A. Adjuvant composition comprising sting agonists
KR102430796B1 (ko) * 2022-03-14 2022-08-09 주식회사 딥바이오 딥러닝 모델의 분산 훈련을 위한 전체 슬라이드 이미지 분배 방법 및 이를 수행하는 컴퓨팅 시스템

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7158692B2 (en) * 2001-10-15 2007-01-02 Insightful Corporation System and method for mining quantitive information from medical images
KR100836740B1 (ko) 2006-08-28 2008-06-10 계명대학교 산학협력단 영상 데이터 처리 방법 및 그에 따른 시스템
KR101068828B1 (ko) 2008-06-27 2011-09-29 재단법인서울대학교산학협력재단 네트워크 기반 의료영상 분석시스템 및 그 제어방법
JP2013191021A (ja) 2012-03-14 2013-09-26 Seiko Epson Corp 健康診断情報提供装置及び健康診断情報提供方法
KR101443187B1 (ko) * 2012-12-24 2014-09-19 계명대학교 산학협력단 영상 군집화 기반의 의료 영상 검색 방법
KR101521959B1 (ko) 2013-08-20 2015-05-20 재단법인 아산사회복지재단 의료 영상의 정량화 방법
KR101604086B1 (ko) * 2014-03-11 2016-03-17 계명대학교 산학협력단 이종데이터를 이용한 통합진단 및 유사환자 검색 시스템

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101884609B1 (ko) * 2017-05-08 2018-08-02 (주)헬스허브 모듈화된 강화학습을 통한 질병 진단 시스템
US10748662B2 (en) 2017-08-29 2020-08-18 Vuno, Inc. Content-based medical image retrieval method and retrieval system
US11657499B2 (en) 2018-01-22 2023-05-23 The Asan Foundation Method and apparatus for predicting pulmonary disease using fractal dimension value
KR101991250B1 (ko) * 2018-01-22 2019-06-20 재단법인 아산사회복지재단 프랙탈 차원값을 이용한 만성폐질환 예측방법 및 장치
WO2019143228A1 (ko) * 2018-01-22 2019-07-25 재단법인 아산사회복지재단 프랙탈 차원값을 이용한 만성폐질환 예측방법 및 장치
WO2020045848A1 (ko) * 2018-08-27 2020-03-05 주식회사 딥바이오 세그멘테이션을 수행하는 뉴럴 네트워크를 이용한 질병 진단 시스템 및 방법
KR20200027066A (ko) * 2018-08-27 2020-03-12 주식회사 딥바이오 세그멘테이션을 수행하는 뉴럴 네트워크를 이용한 질병 진단 시스템 및 방법
KR101957812B1 (ko) * 2018-08-31 2019-03-13 주식회사 뷰노 인공지능 영상 분석에 있어 특징 공간을 활용한 부호화 및 복호화를 수행하는 방법 및 이를 이용한 장치
US11062800B2 (en) 2018-11-09 2021-07-13 Lunit Inc. Method for managing annotation job, apparatus and system supporting the same
US11335455B2 (en) 2018-11-09 2022-05-17 Lunit Inc. Method for managing annotation job, apparatus and system supporting the same
KR102075270B1 (ko) * 2018-11-09 2020-02-07 주식회사 루닛 어노테이션 작업 관리 방법, 이를 지원하는 장치 및 시스템
KR20200070752A (ko) * 2018-12-10 2020-06-18 한국전자통신연구원 의료 정보 처리 장치 및 방법
KR102165699B1 (ko) * 2019-05-24 2020-10-14 동서대학교 산학협력단 사용자 맞춤형 실시간 피부질환 관리시스템
KR20210085791A (ko) * 2019-12-31 2021-07-08 주식회사 코어라인소프트 정량화 파라미터를 이용하는 의료 영상 분석 시스템 및 유사 증례 검색 시스템, 및 그 시스템에서 실행되는 방법
KR20200054138A (ko) * 2020-01-28 2020-05-19 주식회사 루닛 어노테이션 작업 관리 방법, 이를 지원하는 장치 및 시스템
KR102081037B1 (ko) * 2020-01-28 2020-02-24 주식회사 루닛 어노테이션 작업 관리 방법, 이를 지원하는 장치 및 시스템

Also Published As

Publication number Publication date
US20180260954A1 (en) 2018-09-13
WO2017051945A1 (ko) 2017-03-30
KR101875468B1 (ko) 2018-07-09
US10249042B2 (en) 2019-04-02

Similar Documents

Publication Publication Date Title
KR101875468B1 (ko) 질환 모델 기반의 의료 정보 서비스 제공 방법 및 장치
US11657087B2 (en) Surgical video retrieval based on preoperative images
US8483467B2 (en) Medical image diagnosis assisting apparatus and method, and computer readable recording medium on which is recorded program for the same
US8380013B2 (en) Case image search apparatus, method and computer-readable recording medium
JP6220310B2 (ja) 医用画像情報システム、医用画像情報処理方法及びプログラム
KR102204437B1 (ko) 컴퓨터 보조 진단 방법 및 장치
JP5584006B2 (ja) 投影画像生成装置、投影画像生成プログラムおよび投影画像生成方法
JP2021106887A (ja) 医用画像表示装置、方法およびプログラム
JP6906347B2 (ja) 医用画像分類装置、方法およびプログラム
JP6719421B2 (ja) 学習データ生成支援装置および学習データ生成支援方法並びに学習データ生成支援プログラム
JP7304437B2 (ja) 肺炎徴候の分割方法、装置、媒体及び電子デバイス
JP7170747B2 (ja) 類似度決定装置、方法およびプログラム
US20210201495A1 (en) Medical image analysis system and similar case retrieval system using quantative parameters, and methods for the same
KR101919847B1 (ko) 동일 피사체에 대하여 시간 간격을 두고 촬영된 영상 간에 동일 관심구역을 자동으로 검출하는 방법 및 이를 이용한 장치
KR20210060923A (ko) 의료용 인공 신경망 기반 대표 영상을 제공하는 의료 영상 판독 지원 장치 및 방법
JP2005523758A (ja) 画像データを視覚化する方法、コンピュータプログラム、及びシステム
JP5655327B2 (ja) プログラムおよび情報処理装置
EP4293615A1 (en) Learning device, learning method, trained model, and program
JPWO2017179256A1 (ja) 核医学画像からの生理的集積の自動除去及びｃｔ画像の自動セグメンテーション
JPWO2019208130A1 (ja) 医療文書作成支援装置、方法およびプログラム、学習済みモデル、並びに学習装置、方法およびプログラム
WO2021187483A1 (ja) 文書作成支援装置、方法およびプログラム
JP5192751B2 (ja) 画像処理装置、画像処理方法、および画像処理プログラム
JP5586953B2 (ja) 解剖学的形状情報を用いた医学画像データベースへのアクセス
US10885391B2 (en) Image analysis apparatus, method, and program
CN112967246A (zh) 用于临床决策支持系统的x射线影像辅助装置及方法

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant