KR20180040287A - 기계학습을 통한 의료영상 판독 및 진단 통합 시스템 - Google Patents

기계학습을 통한 의료영상 판독 및 진단 통합 시스템 Download PDF

Info

Publication number
KR20180040287A
KR20180040287A KR1020160131976A KR20160131976A KR20180040287A KR 20180040287 A KR20180040287 A KR 20180040287A KR 1020160131976 A KR1020160131976 A KR 1020160131976A KR 20160131976 A KR20160131976 A KR 20160131976A KR 20180040287 A KR20180040287 A KR 20180040287A
Authority
KR
South Korea
Prior art keywords
medical image
lesion
prediction model
image
abnormal
Prior art date
Application number
KR1020160131976A
Other languages
English (en)
Other versions
KR101880678B1 (ko
Inventor
김성현
이병일
Original Assignee
(주)헬스허브
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 (주)헬스허브 filed Critical (주)헬스허브
Priority to KR1020160131976A priority Critical patent/KR101880678B1/ko
Publication of KR20180040287A publication Critical patent/KR20180040287A/ko
Application granted granted Critical
Publication of KR101880678B1 publication Critical patent/KR101880678B1/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
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computerised tomographs
    • A61B6/032—Transmission computed tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N99/005—
    • 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
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical

Abstract

본 발명은 기계학습을 통한 의료영상 판독 및 진단 통합 시스템에 관한 것으로, 특정 신체부위에 대한 의료영상에 대해서 기계학습을 수행하여 학습모델을 생성한 다음, 생성한 학습모델을 이용하여 특정 신체부위를 촬영한 의료영상을 쿼리로 입력하여 해당 신체부위에 대한 정상/비정상 판별, 병변위치 추정, 판별된 병변과 비슷한 케이스를 검색하여 제공하고, 신체연령을 추정하여 제시하며, 질병의 시계열적인 변화를 통해서 질병의 현재상태를 진단하고 질병의 미래상태를 예측하며, 현재상태에서 가장 적합한 치료방법을 제시하는 통합 시스템을 제공하는 것에 관한 것이다.

Description

기계학습을 통한 의료영상 판독 및 진단 통합 시스템{SYSTEM FOR INTERPRETING MEDICAL IMAGES THROUGH MACHINE LEARNINGS}
본 발명은 기계학습을 통한 의료영상 판독 및 진단 통합 시스템에 관한 것으로, 사람이나 동물의 특정 신체부위에 대한 의료영상에 대해서 기계학습을 수행하여 학습모델을 생성한 다음, 생성한 학습모델을 이용하여 사람이나 동물의 특정 신체부위를 촬영한 의료영상을 쿼리로 입력하여 해당 신체부위에 대한 정상/비정상 판별, 병변위치 추정, 판별된 병변과 비슷한 케이스를 검색하여 제공하고, 신체연령을 추정하여 제시하며, 질병의 시계열적인 변화를 통해서 질병의 현재상태를 진단하고 질병의 미래상태를 예측하며, 현재상태에서 가장 적합한 치료방법을 제시하는 통합 시스템을 제공하는 것에 관한 것이다.
인공지능 기법을 이용한 다양한 알고리즘들이 오랜 기간 동안 개발되어 왔으며, 특히 최근에는 딥러닝(Deep Learning) 알고리즘을 적용하여 빅데이터를 처리하는 다양한 기법들이 개발되고 있으며, 이를 적용한 성공사례도 점점 늘어나고 있다.
그동안 의료영상에도 인공지능을 적용하여 임상의사결정에 도움을 받고자 하는 시도가 활발하게 진행되었고, 특히, X-ray, 초음파, CT(Computed Tomography), MRI(Magnetic Resonance Imaging), PET(Positron Emission Tomography) 등의 진단기기들로부터 획득된 의료영상에 인공지능 알고리즘을 적용하여 임상의사의 의사결정에 도움을 주는 방법이 개발되어 왔다.
인공지능을 통해서 의료영상에 나타난 조직이 정상인지 비정상인지, 종양의 경우 양성인지 음성인지 분류하는 보조진단시스템의 경우, 영상의학과 의사만이 판독하는 경우보다 병변의 검출률이 향상되는 것으로 알려져 있다. 이러한 분류를 위해서는 naive bayes, SVM(Support Vector Machine), ANN(Artificial Neural Network), HMM(Hidden Markov Model) 등을 주로 사용하는데, 이들은 병변의 유무를 자동으로 분류(classification)하는 알고리즘들이다.
인공지능 알고리즘으로 기계학습(machine learning) 알고리즘을 사용할 수 있으며, 기계학습은 크게 지도학습(Supervised Learning)과 비지도학습(Unsupervised Learning)으로 나눌 수 있다. 이러한 기계학습 알고리즘으로 예측모델을 생성하고, 생성된 예측모델을 이용하여 의료영상에 대한 정상/비정상 여부를 추정하는 시스템을 구성하는 것이 가능하나, 아직 의료영상에 대해 정상/비정상의 선별이나 병변을 자동으로 발견하는 데에 정확도가 여전히 낮은 실정이며, 또한 이를 위해서 많은 컴퓨팅 파워와 시간이 소요되는 실정이므로, 이에 대한 개선이 필요하다.
따라서 본 발명은 특정 의료영상을 입력하였을 때, 정상/비정상 여부의 판별, 병변위치, 발견된 병변과 비슷한 케이스의 검색을 포함한 정확도가 향상되고 속도가 증대된 의료영상의 판독 시스템을 제공하며, 또한 이를 토대로 질병의 현재상태를 진단하고 질병의 미래상태를 예측하며, 현재상태에서 가장 적합한 치료방법을 제시하는 통합 시스템을 제공하고자 한다.
이하에서는 본 발명이 속하는 기술분야에 대한 국내외의 공지된 선행기술에 대해서 먼저 검토하고자 한다.
먼저 한국등록특허 제1598873호(2016.03.02. 공고)는 영상의 다변수화를 이용한 영상 구별 특징 자동 선별 장치 및 방법에 관한 것으로, 영상에 적어도 하나의 구획들을 생성하고, 생성된 구획들을 조합하여 새로운 구획들을 생성하는 영상의 다변수화를 이용한 영상 구별 특징 자동 선별 장치 및 방법을 제공하며, 구획들의 특징값 및 특징값 중 적어도 하나를 산출하여 영상들을 구분해 줄 수 있는 최적의 구획 및 조건들을 탐색하는 영상의 다변수화를 이용한 영상 구별 특징 자동 선별 장치 및 방법을 제시하고 있다. 사용자가 적어도 하나의 영상으로부터 특정 패턴의 영상이나 특정 특징의 영상을 자동으로 선별할 수 있으며, 사용자는 라벨 그룹이 기 설정된 영상들을 이용하여 영상들이 라벨 그룹에 따라 분리되며, 이를 통해 라벨이 선별되지 않은 영상에 대해서 라벨 그룹을 자동으로 선별할 수 있도록 한다.
또한 한국공개특허 제2015-0098119호(2015.08.27.공개)는 의료영상 내 거짓양성 병변후보 제거 시스템 및 방법에 관한 것으로, 의료영상 내에서 검출된 병변후보를 해부학적 맥락정보를 이용하여 검증함으로써, 거짓양성 병변후보를 제거하는 것을 제시하고 있다.
또한 미국등록특허 제8724866호(2014.05.13)는 데이터의 멀티레벨 상황학습에 관한 것으로, 디지털 화상 데이터에서 특징을 추출하고 분류하며, 상기 추출된 특징에 따라 모델을 학습하며, 이러한 모델은 이미지 데이터의 관찰로부터 얻은 클래스 레이블의 확률과 연관되며, 디지털 이미지의 동일한 서브-볼륨에 있는 다른 구조와 동시에 발생하는 구조의 적어도 하나 이상의 유사도 측정이 확률에 따라 결정되며, 상기 유사도 측정으로부터 또 다른 특징의 집합이 추출되는 것을 특징으로 한다.
상기 선행기술들은 기계학습을 이용한 영상의 다변수화를 이용한 영상 구별 특징을 자동 선별하는 것, 기계학습을 이용하여 의료영상 내에서 거짓양성 병변후보를 제거하는 것, 의료영상으로부터 특징을 추출하고, 추출된 특징으로 모델로 학습하고, 확률을 이용하여 멀티레벨 학습을 수행하는 것, 등을 제시하고 있으나, 본 발명과 같이 의료영상에 대한 특징을 추출하고, 추출된 특징을 계량화하여, 계량화된 특징으로 기계학습을 수행하여 예측모델을 생성하고, 환자의 의료영상을 이용하여 상기 예측모델에 입력함으로써, 특정 클래스 레이블의 예측결과에 따라 해당 신체부위에 대한 정상/비정상 판별, 병변위치 추정, 판별된 병변과 비슷한 케이스를 검색하여 제공하고, 신체연령을 추정하여 제시하며, 질병의 시계열적인 변화를 통해서 질병의 현재상태를 진단하고 질병의 미래상태를 예측하며, 현재상태에서 가장 적합한 치료방법을 제시하는 통합 시스템에 대해서는 전혀 기재되어 있지 않고, 암시된 바도 없다.
이상에서 살펴본 바와 같이, 본 발명의 출원전에 공지된 대부분의 선행기술은 기계학습을 통해 의료영상에 대한 분류를 자동으로 수행하는 것에 그치나, 본 발명은 의료영상을 복수의 특징으로 표현하고, 이를 계량화한 다음 각 특징의 집합이 가지고 있는 클래스 레이블을 이용하여 학습모델을 생성하며, 생성한 학습모델을 이용하여 새로운 환자의 의료영상을 입력하였을 경우, 해당 입력 의료영상의 정상/비정상 여부 및 병변의 발견을 포함하는 의료영상의 판독 시스템을 제시하며, 또한 병변의 위치를 추정하고, 해당 병변과 유사한 사례를 검색하여 제공하며, 특정 신체부위에 대한 질병의 시계열적인 변화를 통해서 질병의 현재상태를 진단하고, 질병의 미래상태를 예측하여 현재상태에서 가장 적합한 치료방법을 제시하는 통합 시스템을 제시하고자 한다.
본 발명은 상기와 같은 문제점을 해결하기 위해 창작된 것으로서, 기계학습을 통해서 의료영상에 대한 정상/비정상 여부, 병변위치의 추정, 병변이 발견된 경우 유사 의료영상의 선택 및 제시, 그리고 이러한 정보를 이용하여 특정 신체부위의 신체연령을 추정하는 것을 목적으로 한다.
또한 본 발명은 사람이나 동물의 각 신체부위에 따라 의료영상을 확보하고, 각 의료영상에 대한 정상/비정상 여부의 클래스 레이블을 부여한 상태에서 기계학습을 수행하여 학습모델을 생성하여 제공하는 것을 그 목적으로 한다.
또한 본 발명은 사람이나 동물의 각 신체부위에 대한 의료영상을 해당하는 신체부위에 대한 예측모델에 입력할 경우, 입력한 의료영상에 대한 정상/비정상 여부, 병변위치의 추정, 병변이 발견된 경우 유사 의료영상의 선택 및 제시, 그리고 이러한 정보를 이용하여 특정 신체부위의 신체연령을 추출하여 제공하는 것을 목적으로 한다.
또한 본 발명은 의료영상에 대한 기계학습을 통해서 의료영상에 대한 정상/비정상 여부를 추정하는 예측모델을 생성함에 있어서 지도학습을 수행하여 예측모델을 생성하는 것을 그 목적으로 한다.
또한 본 발명은 사람이나 동물의 각 신체부위에 따른 의료영상으로부터 각 신체부위의 특징을 문자나 숫자를 포함한 메타데이터로 정의하고, 해당 특징들의 집합으로부터 특정 의료영상에 대한 정상/비정상 여부, 병변위치의 추정, 병변이 발견된 경우 유사 의료영상의 선택 및 제시, 그리고 이러한 정보를 이용하여 특정 신체부위의 신체연령을 추정하는 것을 목적으로 한다.
또한 본 발명은 사용자가 본 발명에 따른 의료영상 판독 시스템을 통해서 각 신체부위에 대한 정상/비정상, 병변위치를 추정하는 것은 물론이고, 특정 서비스 개발자가 본 발명에 따른 의료영상 판독을 통해서 제공한 API를 이용하여 새로운 서비스를 개발하여 제공할 수 있도록 하는 플랫폼을 제공하는 것을 그 목적으로 한다.
또한 본 발명은 본 발명에 따른 의료영상 판독 및 진단 통합 시스템을 통해서, 신체의 각 부위에 대한 의료영상의 판독뿐만 아니라 판독된 의료영상을 토대로 해당 신체부위의 질병에 대한 시계열적인 변화를 분석하여, 미래의 질병에 대해서 예측하고 현재상태에서 가장 적합한 치료방법을 제시하는 통합 시스템과 이를 이용한 서비스 플랫폼을 제공하는 것을 목적으로 한다.
본 발명의 일 실시예에 따른 기계학습을 통한 의료영상 판독 시스템은 복수의 의료영상으로부터 해당 의료영상이 정상인지 비정상인지를 찾아내기 위해서 기계학습을 통해 정상이미지의 필터링을 수행하기 위한 예측모델을 생성하는 정상비정상 예측모델 생성부, 및 상기 생성한 예측모델을 적용하여 특정 의료영상이 정상인지 비정상인지 추정하는 정상여부추정부를 포함하는 것을 특징으로 한다.
또한 본 발명의 또 다른 일 실시예에 따른 기계학습을 통한 의료영상 판독 시스템은 복수의 의료영상으로부터 해당 의료영상이 병변을 포함하고 있는지 기계학습을 통해 예측하기 위한 예측모델을 생성하는 병변 예측모델 생성부, 및 상기 생성한 예측모델을 적용하여 특정 의료영상에 병변이 포함되어 있는지 여부를 추정하는 병변자동추정부를 포함하는 것을 특징으로 한다.
여기서 상기 의료영상은 X-ray, MRI, CT, PET 또는 광학적인 수단을 통해서 획득한 신체부위에 대한 영상이며, 전문의의 판독에 의해 정상 혹은 비정상으로 분류되어 있는 것을 특징으로 한다.
또한 상기 정상비정상 예측모델 생성부는 상기 의료영상을 적어도 하나 이상의 영역으로 분할하여, 각 영역마다 영상의 특징을 메타데이터로 변환하여 지도학습(supervised learning)에 의한 예측모델을 생성하는 것을 특징으로 한다.
또한 상기 병변 예측모델 생성부는 상기 의료영상을 적어도 하나 이상의 영역으로 분할하여, 각 영역마다 영상의 특징을 메타데이터로 변환하여 비지도학습(unsupervised learning)에 의한 예측모델을 생성하는 것을 특징으로 한다.
여기서 상기 메타데이터는 상기 각 영역마다 영상의 특징을 수치화하고, 정규화하여 특징값을 산출함으로써 생성되는 것을 특징으로 한다.
또한 상기 기계학습을 통한 의료영상 판독 시스템은 상기 특정 의료영상이 정상인지 비정상인지를 추정하여 신체연령을 분석하거나, 상기 의료영상이 정상인 경우와 비정상인 경우, 해당 정도를 분석하거나, 또는 이들의 조합을 분석하여 그 결과를 출력하는 영상분석부를 더 포함하는 것을 특징으로 한다.
또한 상기 기계학습을 통한 의료영상 판독 시스템은 상기 특정 의료영상에 병변이 있는지 분석하거나, 상기 의료영상에 병변이 있는 경우, 해당 병변의 진행 정도를 분석하거나, 또는 이들의 조합을 분석하는 영상분석부를 더 포함하는 것을 특징으로 한다.
아울러 본 발명의 또 다른 일 실시예에 따른 기계학습을 통한 의료영상 판독 시스템은 상기 복수의 의료영상으로부터 해당 의료영상이 병변을 포함하고 있는지 기계학습을 통해 예측하기 위한 예측모델을 생성하는 병변 예측모델 생성부, 및 상기 생성한 예측모델을 적용하여 상기 정상여부추정부에서 비정상으로 추정된 의료영상에 대해서 병변이 포함되어 있는지 여부를 추정하는 병변자동추정부를 더 포함하는 것을 특징으로 한다.
또한 상기 기계학습을 통한 의료영상 판독 시스템은 상기 특정 의료영상이 정상인지 비정상인지를 추정하여 신체연령을 분석하거나, 상기 의료영상이 정상인 경우와 비정상인 경우, 해당 정도를 분석하거나, 또는 이들의 조합을 분석하여 그 결과를 출력하거나; 또는 상기 특정 의료영상에 병변이 있는지 분석하거나, 상기 의료영상에 병변이 있는 경우, 해당 병변의 진행 정도를 분석하거나, 또는 이들의 조합을 분석하여 그 결과를 출력하는 것을 포함하는 영상분석부를 더 포함하는 것을 특징으로 한다.
아울러 본 발명의 또 다른 일 실시예에 따른 기계학습을 통한 의료영상 판독 방법은 복수의 의료영상으로부터 해당 의료영상이 정상인지 비정상인지를 찾아내기 위해서 기계학습을 통해 정상이미지의 필터링을 수행하기 위한 예측모델을 생성하는 정상이미지 예측모델생성 단계, 및 상기 생성한 예측모델을 적용하여 특정 의료영상이 정상인지 비정상인지 추정하는 정상여부추정 단계를 포함하는 것을 특징으로 한다.
아울러 본 발명의 또 다른 일 실시예에 따른 기계학습을 통한 의료영상 판독 방법은 복수의 의료영상으로부터 해당 의료영상이 병변을 포함하고 있는지 기계학습을 통해 예측하기 위한 예측모델을 생성하는 병변 예측모델생성 단계, 및 상기 생성한 예측모델을 적용하여 특정 의료영상에 병변이 포함되어 있는지 여부를 추정하는 병변자동추정 단계를 포함하는 것을 특징으로 한다.
여기서 상기 정상이미지 예측모델생성 단계는 상기 의료영상을 적어도 하나 이상의 영역으로 분할하여, 각 영역마다 영상의 특징을 메타데이터로 변환하여 지도학습(supervised learning)에 의한 예측모델을 생성하는 것을 특징으로 한다.
또한 상기 병변 예측모델생성 단계는 상기 의료영상을 적어도 하나 이상의 영역으로 분할하여, 각 영역마다 영상의 특징을 메타데이터로 변환하여 비지도학습(unsupervised learning)에 의한 예측모델을 생성하는 것을 특징으로 한다.
또한 상기 기계학습을 통한 의료영상 판독 방법은 상기 특정 의료영상이 정상인지 비정상인지를 추정하여 신체연령을 분석하거나, 상기 의료영상이 정상인 경우와 비정상인 경우, 해당 정도를 분석하거나, 또는 이들의 조합을 분석하여 그 결과를 출력하는 영상분석 단계를 더 포함하는 것을 특징으로 한다.
또한 상기 기계학습을 통한 의료영상 판독 방법은 상기 특정 의료영상에 병변이 있는지 분석하거나, 상기 의료영상에 병변이 있는 경우, 해당 병변의 진행 정도를 분석하거나, 또는 이들의 조합을 분석하는 영상분석 단계를 더 포함하는 것을 특징으로 한다.
아울러 본 발명의 또 다른 일 실시예에 따른 기계학습을 통한 의료영상 판독 방법은, 상기 복수의 의료영상으로부터 해당 의료영상이 병변을 포함하고 있는지 기계학습을 통해 예측하기 위한 예측모델을 생성하는 병변 예측모델생성 단계, 및 상기 생성한 예측모델을 적용하여 상기 정상여부추정부에서 비정상으로 추정된 의료영상에 대해서 병변이 포함되어 있는지 여부를 추정하는 병변자동추정 단계를 더 포함하는 것을 특징으로 한다.
또한 상기 기계학습을 통한 의료영상 판독 방법은 상기 특정 의료영상이 정상인지 비정상인지를 추정하여 신체연령을 분석하거나, 상기 의료영상이 정상인 경우와 비정상인 경우, 해당 정도를 분석하거나, 또는 이들의 조합을 분석하여 그 결과를 출력하거나; 또는 상기 특정 의료영상에 병변이 있는지 분석하거나, 상기 의료영상에 병변이 있는 경우, 해당 병변의 진행 정도를 분석하거나, 또는 이들의 조합을 분석하여 그 결과를 출력하는 것을 포함하는 영상분석 단계를 더 포함하는 것을 특징으로 한다.
본 발명은 기계학습을 통한 의료영상 판독 시스템에 관한 것으로, 사람이나 동물의 특정 신체부위에 대한 의료영상에 대해서 기계학습을 수행하여 학습모델을 생성한 다음, 학습모델을 이용하여 사람이나 동물의 특정 신체부위를 촬영한 의료영상을 입력하여 해당 신체부위에 대한 정상/비정상 판별, 병변위치의 추정 및 발견된 병변과 비슷한 케이스를 검색하여 제공함으로써, 의료영상으로부터 환자의 해당 신체부위에 대한 정상/비정상 여부의 판별, 병변위치의 추정, 병변이 존재하는 의료영상과 유사한 의료영상의 제시, 신체연령의 예측을 통해서 환자가 자신의 의료영상을 이용하여 자신의 해당 신체부위가 정상인지, 병변이 있다면 어디에 있는지, 얼마나 노화되었는지 등의 상태를 체크할 수 있는 효과가 있으며, 이로부터, 사용자가 스스로 자신의 신체부위를 사용할 때, 상기 체크한 상태를 감안하여 사용하도록 함으로써 신체의 효과적이고 균형된 사용이 가능하도록 하는 효과가 있다.
또한 환자에게 질병의 시계열적인 변화를 토대로 질병의 현재상태는 물론이고 미래상태에 대한 예측을 수행하여, 현재상태에 가장 적합한 치료방법을 제시하는 통합적인 서비스가 가능한 효과가 있다.
아울러 개발자나 서비스제공자의 입장에서 본 발명에 의한 플랫폼을 통해서 사람이나 동물의 각 신체부위에 대한 영상을 이용하여 해당 신체부위의 정상여부, 병변위치, 유사사례, 노화정도를 추정하고, 질병의 현재상태는 물론이고 미래상태를 예측하는 기능을 수행하는 어플리케이션에 대한 인터페이스(API)를 이용하여 새로운 다양한 응용서비스를 개발하여 제공할 수 있도록 하는 플랫폼의 역할을 제공하는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 기계학습을 통한 의료영상 판독 및 진단 통합 시스템 및 이를 통해 유무선 통신망에 연결되어 있는 유무선 단말기로 의료영상 판독 및 진단 서비스를 제공하는 것을 도시한 예시도이다.
도 2는 본 발명의 일 실시예에 따른 의료영상 판독 및 진단 통합 시스템의 구성을 보인 블록도이다.
도 3은 본 발명의 일 실시예에 따른 의료영상 판독 및 진단 통합 시스템에서, 정상비정상 예측모델 생성부의 블록도이다.
도 4는 본 발명의 일 실시예에 따른 의료영상 판독 및 진단 통합 시스템에서, 의료영상으로부터 특징을 추출하고, 추출한 특징에서 특징값을 도출하며 이를 정규화한 테이블의 예시도이다.
도 5는 본 발명의 일 실시예에 따른 의료영상 판독 및 진단 통합 시스템에서, 의료영상에서 특징값의 분포를 2차원적으로 표시한 개념도이다.
도 6은 본 발명의 일 실시예에 따른 의료영상 판독 및 진단 통합 시스템에서, 병변의 위치를 추정하기 위해 비정상인 의료영상을 학습하여 병변의 위치를 추정하기 위한 예측모델을 생성하는 블록도이다.
도 7은 본 발명의 일 실시예에 따른 의료영상 판독 및 진단 통합 시스템에서, 기준 의료영상의 2차원 특징값 분포와 실제 의료영상의 2차원 특징값 분포의 차이를 이용하여 병변의 위치를 추정하는 개념도이다.
도 8은 본 발명의 일 실시예에 따른 의료영상 판독 및 진단 통합 시스템에서 미래질병 예측을 수행하는 미래질병 예측부에 대한 블록도이다.
도 9는 본 발명의 일 실시예에 따른 의료영상 판독 및 진단 통합 시스템에서, 의료영상으로부터 정상여부를 학습하여 예측모델을 생성하는 과정과 상기 생성한 예측모델을 이용하여 환자가 입력한 의료영상의 쿼리가 어떤 상태인지 추정하는 과정을 보인 흐름도이다.
도 10은 본 발명의 일 실시예에 따른 의료영상 판독 및 진단 통합 시스템에서, 비정상인 의료영상으로부터 비정상인 영상을 클러스터링하여 군집화하는 것을 학습하여 예측모델을 생성하는 과정과 상기 생성한 예측모델을 이용하여 환자가 입력한 의료영상의 쿼리에서 병변의 위치가 어느 곳인지 추정하는 과정을 보인 흐름도이다.
이하, 첨부한 도면을 참조하여 본 발명의 바람직한 실시 예를 설명함으로써, 본 발명을 상세히 설명한다. 각 도면에 제시된 동일한 참조부호는 동일한 부재를 나타낸다. 또한 본 발명의 실시 예들에 대해서 특정한 구조적 내지 기능적 설명들은 단지 본 발명에 따른 실시 예를 설명하기 위한 목적으로 예시된 것으로, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다.
도 1은 본 발명의 일 실시예에 따른 기계학습을 통한 의료영상 판독 및 진단 통합 시스템 및 이를 통해 유무선 통신망에 연결되어 있는 유무선 단말기로 의료영상 판독 및 진단 서비스를 제공하는 것을 도시한 예시도이다.
도 1에 도시된 바와 같이, 본 발명의 일 실시에에 따른 의료영상 판독 및 진단 통합 시스템(100)은 외부의 의료기관이나 연구기관을 포함한 의료영상정보 제공기관(200)으로부터 사람이나 동물의 의료영상에 대한 정보를 수집하여 데이터베이스(30))에 저장한다. 이때 사람이나 동물의 신체에 대한 각 부위에 대해서 X-ray, MRI, CT 등으로 촬영한 영상을 각 영상에 대한 전문의의 소견(즉, 해당부위의 신체연령에 대한 소견 포함)을 수집하여 저장한다. 의료영상을 수집하여 저장할 때 각 개인의 개인정보는 제외하고 익명화한 다음 저장하는 것은 당연하다. 다만 해당 의료영상을 촬영한 사람이나 동물의 연령, 성별, 인종, 키, 몸무게, 가족력, 질병 등에 대한 정보를 포함할 수 있으면 더 바람직하다.
본 발명의 의료영상 판독 및 진단 통합 시스템(100)은 입력되는 의료영상이 뼈와 관련한 영상이라면, 뼈 나이를 추정하는 시스템이 될 수 있고, 입력되는 영상이 장기라면 해당 장기에 대한 노화 정도를 추정하는 시스템이 될 수도 있다.
또한 상기 의료영상에 대한 의사의 소견은 본 발명의 기계학습을 위해서 각 의료영상에 대한 클레스 레이블로 저장 및 관리한다. 특정 신체부위에 대한 의료영상과 이에 대한 클레스 레이블로 기계학습을 수행하고, 이로부터 의료영상의 정상/비정상 여부에 대한 예측모델을 생성하게 된다.
따라서 환자나 사용자는 자신이 소지하고 있는 단말기를 이용하여 본 발명에 따른 의료영상 판독 및 진단 통합 시스템 또는 이를 이용한 플랫폼에 접속하여 자신을 포함한 특정인의 의료영상을 입력하여 해당 의료영상이 정상인지 아니면 비정상인지 추정할 수 있다. 본 발명에 따른 의료영상 판독 및 진단 통합 시스템/플랫폼(100)은 특정 사용자가 유무선 통신망을 통해서 접속하여 쿼리(의료영상을 입력하여 해당 의료영상의 정상/비정상 여부, 병변의 존재여부에 대한 쿼리)를 전송하면, 해당 의료영상을 예측모델에 입력하여 해당 신체부위의 정상/비정상 여부를 추정하는 서비스를 제공한다.
본 발명에서 제공하는 의료영상 판독 및 진단 통합 플랫폼(100)은 본 발명에 따른 의료영상 판독을 위한 다양한 기능을 수행하는 프로그램을 구비하고, 의료영상 판독 플랫폼을 통하여 다양한 서비스를 제공할 수 있도록 어플리케이션 프로그램 인터페이스(API, Application Program Interface)를 제공한다. 이로부터 각 서비스 개발자들이 상기 API를 이용하여 원하는 서비스를 개발할 수 있는데, 각 개발자는 예를 들어 의료영상을 추정하여 제공하는 앱을 개발할 수 있는데, 본 발명의 의료영상 판독 및 진단 통합 플랫폼에서 제공하는 의료영상 추정을 위한 API를 통해서 다양한 종류의 건강체험, 건강관리 또는 건강제어를 위한 서비스 또는 임상의사 결정 지원 서비스, 체험 및 놀이 서비스를 할 수 있도록 구성하는 것이 가능하다.
다시 말해서, 본 발명의 일 실시예에 따른 의료영상 판독 및 진단 통합 시스템/플랫폼(100)은 서비스 개발자가 원하는 서비스를 개발하도록 하고, 개발자가 개발한 서비스를 사용자에게 제공하여 수익을 창출할 수 있도록 하는 플랫폼이다. 의료영상 판독 및 진단 통합 시스템/플랫폼(100)은 PC, 태블릿, 모바일 단말기 등에 의료영상 판독용 앱을 설치하고, 해당 앱을 실행하여 의료영상 추정을 통한 서비스를 작동함으로써, 사용자가 자신의 의료영상으로부터 정상/비정상 여부를 추정할 수 있도록 한다.
또한 다양한 정상/비정상 여부 서비스 프로그램에 따라 복수의 디바이스로부터 요청된 의료영상 판독을 병렬로 처리되며, 처리결과를 실시간으로 제공한다. 이를 위해서 원격 디바이스에서는 본 발명에 따른 의료영상 판독 플랫폼과 REST(Representational state transfer) 아키텍처를 통해서 인터페이스하도록 할 수 있다. 즉, 웹상의 자료를 세션트래킹 같은 별도의 전송계층 없이 전송하는 인터페이스를 제공한다. 의료영상 판독 플랫폼과 개별 디바이스는 클라이언트-서버 구조에서 클라이언트가 서버로부터 유니폼 인터페이스로 분리되어 있다. 따라서 유니폼 인터페이스는 서버와 클라이언트가 독립적으로 진화할 수 있도록 하여, 서버-클라이언트 구조를 간략화하고 서로 분리하는 역할을 한다.
아울러 본 발명의 일 실시예에 따른 의료영상 판독 및 진단 통합 시스템/플랫폼(100)은 신체의 각 부위에 대한 의료영상의 판독뿐만 아니라 판독된 의료영상을 토대로 해당 신체부위의 질병에 대한 시계열적인 변화를 분석하여, 미래의 질병에 대해서 예측하고 현재상태에서 가장 적합한 치료방법을 제시한다.
도 2는 본 발명의 일 실시예에 따른 의료영상 판독 및 진단 통합 시스템의 구성을 보인 블록도이다.
도 2에 도시된 바와 같이, 의료영상 판독 및 진단 통합 시스템/플랫폼(100)은 크게 예측모델 생성부(110), 상태추정부(120)를 포함하여 구성된다. 경우에 따라서 상기 의료영상 판독 및 진단 통합 시스템(100)은 영상분석부(130)를 더 포함하여 구성할 수도 있다.
상기 예측모델생성부(110)는 정상비정상 예측모델 생성부(110a), 클러스터링 예측모델 생성부(110b) 또는 이들의 조합을 포함하여 구성된다. 여기서 정상비정상 예측모델 생성부(110a)는 전문의로부터 정상/비정상에 대한 클래스 레이블이 부여된 의료영상을 입력 받아 지도학습(supervised learning)을 수행하여 예측모델을 생성한다.
상기 지도학습은 학습에 필요한 의료영상에 클래스 레이블(class label)을 부여한 것을 이용하며, 사람의 신체조건(신장, 체중, 나이, 성별, 피부색, 출생지, 국적)뿐만 아니라 의료영상에 대한 복수의 특징값이 주어졌을 때, 해당 데이터가 어느 클래스에 속하는지 추정할 수 있도록 한다. 여기서 신체조건, 건강상태 및 특징값들은 메타데이터로 저장 및 관리되어, 의료영상으로부터 정상여부, 병변위치 등을 직접적으로 학습하고 추정하는 것이 아니라 상기 메타데이터를 통해서 수행된다.
본 발명에서는 복수의 대중으로부터 흉부엑스선, 유방촬영영상을 포함한 각종 X-ray, MRI, CT, PET 영상을 수집하여, 정상과 비정상으로 분류한 다음 지도학습에 따른 딥러닝 기법을 적용하여, 영상의학과 전문의의 판독을 바로 구현하는 것보다 단순화하여 빠르게 구현할 수 있고, 현실적으로 사용이 가능한 정상이미지 필터 시스템의 역할을 한다. 정상/비정상이라는 소견의 필터링에 대한 정확성을 영상의학과 전문의가 판단하고, 딥러닝 시스템에 지속적으로 피드백하는 구조를 가지도록 하여, 데이터 축적에 따라 더욱 정확한 정상이미지 필터링 시스템에 도달하도록 적응시킨다.
이어서 도 3을 참조하여 정상비정상 예측모델 생성부(110a)에 대해서 구체적으로 설명하고자 한다.
도 3은 본 발명의 일 실시예에 따른 의료영상 판독 및 진단 통합 시스템에서, 정상비정상 예측모델 생성과정을 보인 블록도이다.
도 3에 도시된 바와 같이, 정상비정상 예측모델 생성부(110a)는 먼저 의료영상이 입력되면, 의료영상전처리부(111a)를 통해서 전처리를 수행한 후 의료영상을 의료영상 데이터베이스(310)에 저장하고, 해당 의료영상으로부터 특징추출부(112a)를 통해서 특징을 추출하여, 학습데이터생성부(113a)에서 학습데이터를 생성한 다음 학습 데이터베이스(320)에 저장하며, 상기 학습 데이터베이스(320)에 저장된 학습데이터를 활용하여 예측모델생성부(114a)에서 기계학습을 통한 예측모델을 생성하여 예측모델 데이터베이스(330)에 저장한다.
상기 의료영상전처리부(111a)는 외부의 의료기관, 의료연구기관, 개인의료정보, 건강보험공단과 같이 다양한 의료영상에 대한 소스로부터 의료영상을 제공받아 자체 포맷으로 변환하여 저장한다. 상기 포맷의 변환은 스케일(크기, 해상도), 콘트라스트, 밝기, 칼라 밸런스, 휴(Hue)/saturation 등에 대한 일관성을 유지하기 위함이다.
다음으로 입력되는 의료영상을 압축하여 저장함으로써, 의료영상의 저장공간을 절약할 수 있으며, 상기 압축을 수행함에 있어서 비 손실압축을 수행함이 바람직하다. 비 손실압축에는 Run-length coding, 허프만 코딩과 같은 알고리즘이 있으며, 그 방법에 있어서는 제한이 없다. 특히 신체부위를 촬영한 영상에 대해서는 공간적인 중복성이 크기 때문에 압축효율이 크다. 한편, 의료영상을 저장할 때, 손실압축이라고 하더라도 고해상도를 유지할 수 있는 범위내에서 라면, 제한적으로 손실압축을 하여도 되나, 기본적으로는 비 손실압축을 사용하는 것이 바람직하다.
상기 특징추출부(112a)는 전처리하여 저장된 의료영상에 대해서, 각 신체부위의 의료영상에 포함된 각 부분이 정상인지 비정상인지를 구별하기 위해서, 의료영상을 세부영역으로 분할한 다음 각 분할된 영역에 ID를 부여하고, 해당 영역에 대해서 필요한 파라미터를 정의한다. 즉, 각 의료영상을 복수개의 영역으로 분할한 다음, 해당 영역을 특징지을 수 있는 파라미터를 추출하는 것이다. 예를 들면, 특정 이미지의 분할된 영역에서 해당 이미지의 픽셀 값들에 대한 평균, 분산, 표준편차 등이 특징값이 될 수 있으며, 또한 미리 정의된 이미지 패턴에 대한 스케일(크기, 간격, 해상도 등), 해당 영역의 콘트라스트, 픽셀 분포, 밝기, 칼라 밸런스, 휴(Hue)/saturation 등에 대한 수치화된 값이 특징이 된다.
따라서 특징추출부(112a)는 상기 특징값들로 나타낼 수 있는 대상을 추출하는 역할을 한다. 여기서 추출된 데이터는 메타데이터로 관리되고, 메타데이터를 이용하여 학습 및 추정을 수행한다.
본 발명에서는 PACS(Picture Archiving and Communication System)에서 사용될 수 있는 최소한의 기본적 의료영상을 기술(description)할 수 있는 메타데이터를 DICOM(Digital Imaging and Communication in Medicine) 표준안에서 추출하여 의료영상의 정보를 구성하는 환자(Patient)정보, 검사(Study)정보, 영상(Image)정보, 장비(Equipment) 정보, 시리즈(Series)정보를 포함한다. 예를 들어 환자검사 정보는, 진단내용 기술(Admitting Diagnoses Description), 진단을 전달하는 순서 기술(Admitting Diagnosis Code Sequence), 환자의 나이(Age), 사이즈(Size), 몸무게(Weight), 직업(Occupation) 및 환자의 과거 진료기록에 관한 정보 기술(Additional History)를 포함하며, 시리즈 정보는 영상정보 데이터를 최초로 획득한 장비타입(예, CT, CR, MR 등), 영상처리를 위한 특정식별자(Series Instance UID), 영상처리를 식별하는 숫자(Series Number), 검사된 신체부위의 좌우차(Laterality), 영상처리가 시작된 날짜(Series Date), 영상처리가 시작된 시간(Series Time), 영상처리를 관리하는 담당의사의 이름(Performing Physicians' name), 영상처리를 관리하는 의사의 식별체계(Performing Physician Identification Sequence), 의료장비 제조업자(Manufacturer), 의료장비가 설치된 장소(기관)(Institution Name), 의료장비가 설치된 장소의 주소(Institution Address), 의료장비의 제조 시리얼번호(Manufacturer's Model Name(number)) 등을 포함한다. 이외에도 본 발명에서는 상기 기재한 것과 비슷한 성격의 아이템을 추가로 지정하여 사용할 수 있음은 당연하다.
다음으로 학습데이터 생성부(113a)는 상기 추출한 특징에 대해서 특징값을 도출하고, 이들을 정규화한 다음 학습 데이터베이스(320)에 저장하는 역할을 한다. 상기 특징값은 추출한 특징에 대한 수치화된 값이며, 수치화된 특징값은 다이나믹 레인지(dynamic range)가 매우 클 수 있기 때문에 [-1, 1] 혹은 [0, 1]의 범위로 정규화하는 것이 필요하다. 정규화한 특징값은 다이나믹 레인지가 작고, 해당 범위를 벗어나는 데이터는 오류로 취급할 수 있어 잡음에 강한 장점이 있다.
이어서 수집된 복수의 의료영상으로부터 특징을 추출하고, 추출한 특징에서 특징값을 도출하며 이를 정규화하여 테이블에 저장하는 과정에 대해서 설명하고자 한다. 이 부분은 본 발명이 복잡한 이미지를 수치화하여 간략하게 처리하고자 하는 기본적인 개념을 구현한 것이다.
도 4는 본 발명의 일 실시예에 따른 의료영상 판독 및 진단 통합 시스템에서, 의료영상으로부터 특징을 추출하고, 추출한 특징에서 특징값을 도출하며 이를 정규화한 테이블의 예시도이다.
도 4에 도시된 바와 같이, 특정 환자나 사용자의 신체부위에 대한 의료영상에서 특징값을 도출하여 데이터베이스에 저장할 때, 기본적으로는 각 의료영상에 대해서 환자정보, 질병정보 및 신체부위에 대한 정보를 포함하고 있다. 또한 해당 의료영상에 대해서 클래스 레이블을 가지고 있다. 예컨대 0이면 정상, 비정상이면 1로 레이블링할 수 있다. 상기 클래스 레이블은 0과 1 사이의 복수의 레벨을 두어 설정하는 것도 가능하다. 다음으로 의료영상의 각 세부영역에 대한 특징을 정의하고, 이들에 대한 특징값을 추출하여 저장한다.
상기 특징값과 클래스를 토대로 기계학습에 대한 모델을 생성하고, 상기 생성된 학습모델을 이용하여 특정 환자의 의료영상으로 예측을 수행하여 그 결과로 정상/비정상여부를 예측하고, 신체연령(노화정도)을 예측하며, 유사사례를 선택하여 제공한다. 여기서 환자정보, 질병정보, 신체부위 등에 대한 정보를 추가로 활용하여 보다 다양한 서비스를 제공할 수도 있다.
이러한 특징값들의 분포는 2차원적으로 배열하여 나타낼 수도 있으며, 이에 대한 예시는 도 5에 나타나 있다.
도 5는 본 발명의 일 실시예에 따른 의료영상 판독 및 진단 통합 시스템에서, 의료영상에서 특징값의 분포를 2차원적으로 표시한 개념도이다.
도 5에 나타낸 바와 같이, 2차원적으로 각 특징값을 나태내면, 의료영상의 공간적인 특징을 쉽게 파악할 수 있으며, 특히 의료영상의 특정부위에 병변이 존재하는 경우, 그 위치를 판단하기 용이하다. 만약 1차원적으로 특징값을 배열한 경우, 특정 행의 특정 열에 대한 특징값과 다음 행의 특정 열에 대한 특징값의 관계를 설정하기 어려워진다.
도 5에 나타낸 바와 같이 정규화한 특징값의 분포가 주위의 다른 특징값에 비해서 특별히 낮거나 높은 경우, 병변이 존재할 가능성이 높음을 의미한다. 이러한 특징값의 분포는 특정 의료영상을 일정한 크기로 영역을 분할한 다음 각 영역마다 정의된 특징값을 참조하여, 나이마다, 성별마다, 지역마다, 인종마다, 또는 다른 구별의 기준에 따라 해당 구별된 기준의 기준영상에 대한 특징값과 비교하여 그 차이값에 대한 분포를 보고 판단하여도 무방하다.
상기 특징값에 대한 분포는 동일한 종류의 특징값(예: 해당 영역의 분산, 평균값 등)을 그룹핑하여 저장하거나 처리할 수도 있으며, 특징값의 분포에 대한 맵의 개별적인 영역이 반드시 균일하게 분할되어야 하는 것도 아니다. 즉, 병변의 발생확률이 높은 곳은 세밀하게 분할하고, 그렇지 않은 곳은 넓은 영역으로 분할하는 것이 바람직하다. 이러한 특징의 추출과 해당 특징에 대한 특징값의 추출은 세밀(fine-grained)하게 지정할 수 있으므로 병변의 검출과 해당 위치에 대한 더욱 정확한 발견이 가능하게 된다. 또한 특징값에 대한 맵을 처음에는 의료영상을 몇 개의 영역으로만 분할하여 간단하게 병변의 존재 여부에 대해 추정을 하였다가 점점 세밀하게 지정해 나가는 방법으로 계층적으로 적용하는 것이 가능하다. 이러한 적용은 생성된 예측모델을 이용하여 특정 환자의 의료영상으로 병변의 유무와 위치를 추정하고자 할 때 입력되는 의료영상을 처리하는 과정에 적용하면 보다 빠른 처리 결과를 얻을 수 있고, 다양한 서비스의 구현이 가능하다. 다만, 본 발명에서는 학습을 통해서 예측모델을 생성할 때도 세밀한 분할이나 균일하지 않은 분할 및 계층적 분할을 통해서 학습을 수행할 수 있는데, 이 경우에는 매우 다양한 학습의 조건을 적용하기 때문에 예측모델의 종류도 늘어날 수 있다. 그러나 이러한 방법은 예측모델을 보다 광범위하고 신축적으로 생성할 수 있으므로, 이에 대한 추정도 또한 매우 광범위하고 신축적으로 할 수 있는 장점이 있다.
다시 도 3을 참조하여 설명을 계속하고자 한다. 상기 예측모델 생성부(114a)는 학습데이터 데이터베이스(320)에 저장된 학습데이터를 이용하여 기계학습을 수행하여 학습모델을 생성한 다음 예측모델 데이터베이스(330)에 저장하는 역할을 한다.
상기 학습모델 생성부(114a)는 지도학습을 수행하는 것으로, 지도학습은 학습데이터에 기계학습 알고리즘을 적용하여 함수를 추론하고, 그 추론된 함수를 통해 답을 찾는 것이다. 따라서 지도학습은 명확한 입력과 출력이 존재한다. 이러한 지도학습을 통해서 학습데이터를 대표하는 선형모델을 만들고 그 모델을 통해 미래의 사건을 예측할 수 있도록 하며, 또한 이전까지 학습된 데이터를 근거로 새로운 데이터가 기존에 학습된 데이터에 어떻게 분류가 되는지를 판단한다.
상기 지도학습을 통한 병변의 유무, 즉 정상여부를 분류하기 위해서, naive bayes, SVM(Support Vector Machine), ANN(Artificial Neural Network), HMM(Hidden Markov Model) 등을 사용한다. 물론 이외의 다양한 알고리즘을 적용하여도 무방하고, 또한 이렇다 하더라도 본 발명의 창상과 실질적으로 동일하다면 본 발명의 창작 범위에 포함된다고 보아야 한다.
예를 들어, 인공신경망(ANN, Artificial Neural Network)을 적용하는 경우, 입력이 들어오면 가중치 백터가 곱해지는 구조를 가지는데, 입력층, 출력층 및 적어도 하나 이상의 은닉층으로 구성되며, 출력층은 활성함수(activation function)(예: sigmoid, hyperbolic tangent 함수 등)가 존재하는 형태이다. 입력값이 가중치 백터와 곱해져 은닉층을 통과하고, 활성함수가 다시 다음 가중치 백터와 곱해져서 최종적으로 출력값이 나오게 된다. 여기까지가 feed forward 과정이다.
여기서 입력되는 의료영상으로부터 추출된 특징값들이 입력벡터가 되며, 이들은 어떤 환자가 가지고 있는 증상의 집합이 된다. 이로부터 ANN을 통과하면 결국 출력벡터는 질병의 유무인 정상/비정상이 구분되게 된다. 따라서 본 발명에 따른 인공신경망은 입력값이 어떤 것이 들어가면 출력값이 어떤 값으로 나와야 한다는 것을 미리 알 고 있으므로, 이에 해당하는 가중치를 찾으면 된다. 상기 가중치를 찾기 위한 비용함수(cost function)는 인공신경망을 통해서 예측된 값과 실제값(클래스 값)의 차이에 대한 2차원 norm이 최소가 되도록 가중치 벡터를 찾으면 된다. 이를 위해서 사용되는 방법이 gradient descent 방법을 이용하여 최적해를 찾는 것이다. 상기 최적해를 찾아갈 때 가중치를 역으로 갱신할 필요가 있는데 이 방법이 역전파(back propagation) 알고리즘이다.
결국 본 발명은 이상에서 설명한 인공신경망이나 SVM 등을 이용한 학습모델을 생성한다. 특히 본 발명에서는 SVM을 통해서 오류의 가능성을 줄이도록 support vector를 통해서 분류를 일반화하는 방법을 더 사용할 수 있다. 따라서 본 발명에서는 구체적인 학습모델의 생성에 사용되는 알고리즘에는 제한이 없다. 즉, adaboost, naive bayes, SVM(Support Vector Machine), ANN(Artificial Neural Network), HMM(Hidden Markov Model) 등 다양한 알고리즘이 사용된다.
다시 도 2를 참고하면, 정상여부 추정부(120a)는 상기 정상비정상 예측모델 생성부(110a)에서 생성하여 예측모델 데이터베이스(330)에 저장한 예측모델을 예측모델 데이터베이스(330)에서 추출하여, 실제 입력받은 의료영상을 상기 예측모델에 적용함으로써, 해당 의료영상의 정상여부를 추정한다.
실제 입력된 의료영상으로부터 특징값을 추출하여 이를 상기 생성한 학습모델에 적용하면, 해당 의료영상이 정상인지 비정상인지 추정되고, 상기 추정된 결과는 다시 전문의의 평가를 거쳐서 새로운 학습데이터로 저장하기 때문에 상기 예측모델은 지속적으로 업데이트된다.
다음은 병변 예측모델을 생성하는 것에 대해서 기재하도록 한다.
도 6은 본 발명의 일 실시예에 따른 의료영상 판독 및 진단 통합 시스템에서, 병변의 위치를 추정하기 위해 비정상인 의료영상을 학습하여 병변의 위치를 추정하기 위한 예측모델의 생성과정을 보인 블록도이다.
도 6에 도시된 바와 같이, 병변 예측모델 생성부(110b)는 비정상 의료영상 추출부(111b)를 통해서 입력된 의료영상 중에서 비정상인 의료영상을 추출하고, 클러스터링 모델 생성부(112b)에서 상기 추출한 비정상 의료영상들로부터 병변부위를 예측하는 모델을 생성하는 것으로, 비정상인 의료영상에서 추출된 특징값의 패턴을 학습하여 병변의 위치를 추정할 수 있는 예측모델을 생성하고, 그 결과를 예측모델 데이터베이스(330)에 저장한다. 여기서 비정상적인 의료영상은 클래스 레이블을 참조하여 선정하면 된다.
상기 클러스터링 예측모델 생성부(112b)는 비지도학습을 수행하는 것으로, 별도의 질병에 대한 클래스 레이블이 필요치 않으며, 복수의 의료영상에서 추출된 특징값을 토대로 학습모델을 생성한다. 본 발명에서는 이미 비정상이라고 예측된 의료영상에 대해서 클러스터링을 적용하므로, 학습할 데이터 량이 그만큼 줄어들며, 또한 클러스터링할 데이터의 특징이 더욱 명확하게 드러나게 된다. 즉, 동일한 클래스 내의 의료영상에 대한 특징값들은 서로 유사성이 높으므로, 클러스터링의 정밀도가 높아진다.
본 발명에서의 클러스터링은 비정상으로 레이블된 복수의 의료영상에서 특징값들 간에 높은 유사도를 가지는 특징들을 같은 클러스터로 그룹화하는 것이다. 이를 위해서 K-means, GMM(Gaussian Mixture model) 등이 사용될 수 있다. 그러나 본 발명에서는 클러스터링 알고리즘을 적용하는 것에 대해서 제한이 없다.
K-means 알고리즘의 경우, 각 클러스터마다 중심이 존재하는 상태에서 각각의 특징값이 중심과 얼마나 가까운지를 비용함수로 정의하여 해당 비용함수이 최소가 되도록 한다. 또한 GMM은 가장 특징값이 K개의 가우시안으로 구성되어 있을 때, 가장 특징값을 잘 설명하는 k개의 평균과 공분산(covariance)을 찾는 알고리즘이다. 결국 클러스터링 알고리즘 중에서 최적함수는 거리(distance) 또는 확률(probability)를 기반으로 하는 방법으로 나누어진다. 본 발명에서는 이 중에서 어느 것을 사용하더라도 무관하며, 그 알고리즘에 제한을 두지 아니한다.
도 7은 본 발명의 일 실시예에 따른 의료영상 판독 및 진단 통합 시스템에서, 기준 의료영상의 2차원 특징값 분포와 실제 의료영상의 2차원 특징값 분포의 차이를 이용하여 병변의 위치를 추정하는 개념도이다.
도 7에 도시된 바와 같이, 각 연령마다, 성별마다, 인종이나 지역 등 인간의 신체적 특징마다, 또는 동물의 경우 품종마다 대표성을 가지는 건강한 신체부위에 대한 특징값의 분포를 나타내는 기준영상 특징값 분포 맵을 이용하여, 각 비정상인 실제영상에 대한 특징값 분포 맵과 비교(감산 혹은 가산)하여 상호간에 차이값을 계산하고, 이를 통해서 각 연령마다, 성별마다, 인종이나 지역 등 인간의 신체적 특징마다, 또는 동물의 경우 품종마다 병변의 위치를 추정할 수 있다. 이 방법을 사용하면 전체적인 특징값의 분포가 특징적으로(다른 부분에 비해서 크게 혹은 작게) 나타나는 부분을 클러스터링하여 병변의 위치를 추정하는 것이 가능하다. 이 과정을 통해서 병변의 위치를 추정하는 것을 간략화할 수 있는 장점이 있다.
다시 도 2를 참조하면, 병변자동추정부(120b)는 특정 의료영상을 병변 예측모델 생성부(110b)에서 생성된 예측모델에 입력하여 클러스터링을 수행하면, 해당 의료영상과 가장 유사한 특징을 가진 그룹으로 클러스터링될 것이고, 이로부터 병변이 발생한 부위를 찾을 수 있다. 여기서 병변이 발생한 위치에 존재하는 영역의 이미지를 키 이미지(key image)로 지정하여 출력한다.
상기 출력된 병변의 정화간 판독은 영상의학과 전문의가 수행하고, 판독의 정확도를 더욱 향상시킬 수 있으며, 이를 다시 병변 예측모델 생성부(110b)에서 학습을 수행하여 예측모델을 생성하는 입력 의료영상으로 피드백하기 때문에 지속적으로 병변 검출의 정확도를 높일 수 있는 구조를 갖추게 된다.
이러한 구조를 통해서 우선 병변의 발견에 대한 정확성을 향상시킬 수 있으며, 또한 입력된 의료영상이 전문의의 평가를 피드백 받아 병변의 유무에 대한 클래스 레이블을 항상 최신의 결과로 유지하기 때문에 학습을 통한 예측모델이 항상 새로운 예측결과를 반영하여 업데이트되도록 한다. 또한 병변의 유무에 대한 판독의 정확성을 높이는 것을 통해서 병변의 발견에 대한 판독의 정확도를 획기적으로 향상시킬 수 있게 된다. 다시 말해서, 영상의학 전문의의 판독과 진단의 결과가 본 발명의 의료영상 판독 및 진단 통합 시스템에 실시간으로 반영될 수 있도록 하여, 판독의 정확도와 판독의 속도를 증가시킬 수 있다.
한편, 영상분석부(130)는 정상여부추정부(120a)로부터 출력된 결과가 정상인지 아니면 비정상인지의 추정결과에 따라 특정 의료영상의 정상여부가 분석되고, 또한 상기 병변자동추정부(120b)에서 클러스터링한 결과로부터 해당 의료영상에 병변이 존재하는 위치에 대한 의료영상을 출력하여 병변의 유무와 병변의 위치를 사용자에게 알려 줄 수 있다. 또한 상기 클러스터링된 의료영상에 대해서 동일한 클러스터에 속한 유사한 의료영상을 선택하여 출력할 수 있고, 또한 해당 병변에 대해서 미리 저장된 혹은 새로이 입력받은 병변에 대한 의사의 소견을 출력하는 인터페이스를 제공한다.
또한 이전에서 설명한 바와 같이, 영상분석부(130)에서는 정상여부에 대한 추정결과로부터 해당 의료영상이 특정 신체부위에서 노화정도가 어떻게 되는지 신체연령으로 환산하여 해당 정보를 제공한다.
본 발명의 일 실시예에 따른 의료영상 판독 및 진단 통합 시스템(100)은 복수의 의료영상에 대한 예측모델에 사용자가 특정 의료영상을 입력할 경우, 해당 의료영상의 정상여부, 병변위치, 병변이 있는 경우 해당 병변과 유사영상, 병변소견 및 신체연령을 사용자의 요구에 따라 선택적으로 출력한다. 또한 영상분석부(130)는 신체의 각 부위에 대한 의료영상의 판독뿐만 아니라, 특정 판독된 의료영상의 클러스터링 결과로부터 유사영상을 추출하고 이들의 질병에 대한 시계열적인 변화를 분석하여 그 결과를 제공한다. 이를 통해서 사용자와 전문의는 해당 사용자 혹은 환자의 미래의 질병에 대해서 예측하고 현재상태에서 가장 적합한 치료방법을 제시할 수 있다.
도 8은 본 발명의 일 실시예에 따른 의료영상 판독 및 진단 통합 시스템(100)에서 영상분석부(130)에서 혹은 이와 별도로 미래질병 예측을 수행하는 미래질병 예측부(130a)에 대한 블록도이다.
도 8에 도시된 바와 같이, 미래질병 예측부(130a)는 시계열정보 추출부(131), 미래질병예측부(132) 및 예측결과출력부(133)를 포함하여 구성된다.
상기 시계열정보 추출부(131)는 쿼리로 입력된 의료영상과 유사하다고 클러스터링된 유사 의료영상으로부터 시계열정보를 추출한다. 즉, 유사 의료영상에 대한 각 환자의 시계열적인 의료영상의 변화에 대한 정보를 의료영상 데이터베이스(310)에서 추출한다. 따라서 본 발명에서는 각 환자별로 의료영상에 대한 연령대별 변화과정과 가족력 등에 대한 정보를 포함하고 있다.
상기 미래질병예측부(132)는 특정 환자가 쿼리로 입력한 의료영상에서 해당 환자의 연령과 클러스터링된 유사영상들에 대한 각 환자의 시계열적인 의료영상의 변화정보로부터, 상기 특정 환자의 조건과 유사한 유사영상의 환자들에 대해서 상기 특정 환자의 현재 나이에 해당하는 유상영상의 환자들에 대한 질병의 변화를 추출함으로써, 상기 특정환자의 미래질병을 예측할 수 있다.
본 발명에서는 미래질병의 예측을 위해서 새로운 예측모델을 생성한 다음 해당 예측모델에 특정 의료영상을 쿼리로 입력하여 미래질병을 예측할 수도 있다. 그러나 이 경우에 의료영상만 입력하는 것이 아니라 해당 쿼리의 의료영상에 대한 환자의 건강정보(질병, 가족력)와 신체정보(나이, 신장, 몸무게, 성별 등)도 함께 제공되어야 한다.
상기 예측결과출력부(133)는 예측된 미래질병에 대해서 질병의 종류와 의료영상의 병변부위를 결합하여 가시화한 다음 전문의의 소견과 더불어 제공하는 역할을 수행한다.
결국 본 발명은 사용자가 본 발명에 따른 의료영상 판독 시스템을 통해서 각 신체부위에 대한 정상/비정상, 병변위치를 추정하는 것은 물론이고, 특정 서비스 개발자가 본 발명에 따른 의료영상 판독을 통해서 제공한 API를 이용하여 새로운 서비스를 개발하여 제공할 수 있도록 하는 플랫폼을 제공한다.
이어서 본 발명의 일 실시예에 따른 의료영상 판독 및 진단 통합 시스템을 통해서 의료영상의 판독 및 진단 과정을 설명하고자 한다.
도 9는 본 발명의 일 실시예에 따른 의료영상 판독 및 진단 통합 시스템에서, 의료영상으로부터 정상여부를 학습하여 예측모델을 생성하는 과정과 상기 생성한 예측모델을 이용하여 환자가 입력한 의료영상의 쿼리가 어떤 상태인지 추정하는 과정을 보인 흐름도이다.
도 9에 도시된 바와 같이, 본 발명의 일 실시예에 따른 의료영상 판독 및 진단 통합 시스템(100)은 먼저 외부기관으로부터 클래스 레이블을 포함한 원시 의료영상을 수집한다(S110). 다음으로 수집한 원시 의료영상을 전처리하고 포맷을 내부에서 인식하기에 적합하도록 변환한 다음 의료영상 데이터베이스(310)에 저장한다(S120).
이어서 상기 의료영상을 세부 영역으로 나누고 각 영역에 대해 특징부를 추출하고, 해당 특징부의 각 영역을 수치화하여 특징값을 산출한다. 해당 특징값은 정규화되어 학습 데이터베이스에 저장한다(S130).
상기 저장된 학습데이터를 이용하여 학습을 수행하고 예측모델을 생성한 다음 생성한 예측모델의 파라미터들을 예측모델 데이터베이스에 저장한다(S140).
이상에서 복수의 의료영상으로부터 해당 의료영상이 정상인지 비정상인지를 찾아내기 위해서 기계학습을 통해 정상이미지의 필터링을 수행하기 위한 예측모델을 생성하는 정상비정상 예측모델 생성 단계를 설명하였다. 이어서 상기 생성한 예측모델을 이용하여 환자가 입력한 의료영상의 쿼리가 어떤 상태인지 추정하는 과정, 즉 상기 생성한 예측모델을 적용하여 특정 의료영상이 정상인지 비정상인지 추정하는 정상여부추정 단계를 설명하고자 한다.
먼저 의료영상이 쿼리로 입력되면(S150), 해당 쿼리의 의료영상을 전처리하고 포맷을 변환하여 의료영상 데이터베이스에 저장한다(S160). 이어서 특징부를 추출하고, 각 특징부에 대한 특징값을 수치화한 다음, 정규화하여 학습 데이터베이스에 저장한다(S170).
다음으로 쿼리로 입력된 의료영상에 대한 정보를 예측모델에 적용하여 해당 의료영상이 정상인지 여부를 추정한다(S180).
상기 추정된 의료영상의 정상여부를 통해서 병변의 유무를 확인할 수 있으며, 필요에 따라 해당 영상과 유사영상을 제공하거나 병변의 유무에 따른 소견이나 신체연령을 추정하여 출력한다(S190).
또한 상기 출력결과가 전문의의 판단과 일치하는지 여부를 판단하고(S191), 일치한다면 의료영상 및 학습 데이터베이스에 저장하여 더 정확하고 신속하게 의료영상을 판독하고 진단할 수 있도록 한다(S192).
도 10은 본 발명의 일 실시예에 따른 의료영상 판독 및 진단 통합 시스템에서, 비정상인 의료영상으로부터 비정상인 영상을 클러스터링하여 군집화하는 것을 학습하여 예측모델을 생성하는 과정과 상기 생성한 예측모델을 이용하여 환자가 입력한 의료영상의 쿼리에서 병변의 위치가 어느 곳인지 추정하는 과정을 보인 흐름도이다.
도 10에 도시한 바와 같이, 비정상인 의료영상으로부터 비정상인 영상을 클러스터링하여 군집화하는 것을 학습하여 예측모델을 생성하는 과정은 먼저 학습데이터 중에서 비정상인 의료영상에 해당하는 학습데이터를 추출하고, 이를 이용하여 학습을 수행하며, 이를 통해 예측모델을 생성하고, 그 결과를 예측모델 데이터베이스에 저장한다(S210).
이상은 복수의 의료영상으로부터 해당 의료영상이 병변을 포함하고 있는지 기계학습을 통해 예측하기 위한 예측모델을 생성하는 병변 예측모델 생성 단계이며, 이어서 상기 생성한 예측모델을 적용하여 특정 의료영상에 병변이 포함되어 있는지 여부를 추정하는 병변 자동추정 단계를 설명하고자 한다.
먼저 특정 환자의 의료영상을 쿼리로 입력받는다(S220). 이어서 해당 쿼리의 의료영상을 전처리하고 포맷을 변환한 다음 의료영상 데이터베이스에 저장한다(S230). 이어서 쿼리로 입력된 의료영상의 특징부를 추출하고 수치화한 다음, 해당 특징값을 정규화하고, 이를 학습 데이터베이스에 저장한다(S240).
이어서 상기 쿼리로 입력된 의료영상의 특징값을 미리 생성된 예측모델에 적용하여 병변의 위치를 추정한다(S250). 상기 병변의 위치와 유사한 영상을 유사영상으로 출력할 수 있으며, 해당 병변에 대한 전문의의 소견과 신체연령을 추정하여 출력한다(S260).
이러한 추정의 결과가 전문의의 판단과 일치한다면(S270), 이를 의료영상 및 학습 데이터베이스에 저장하여 데이터베이스를 더욱 고도화하고 학습결과에 대한 향상을 도모할 수 있다.
상기에서는 본 발명에 따른 바람직한 실시예를 위주로 상술하였으나, 본 발명의 기술적 사상은 이에 한정되는 것은 아니며 본 발명의 각 구성요소는 동일한 목적 및 효과의 달성을 위하여 본 발명의 기술적 범위 내에서 변경 또는 수정될 수 있을 것이다.
또한, 이상에서는 본 발명의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형 실시가 가능한 것은 물론이고, 이러한 변형 실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안 될 것이다.
100: 의료영상 판독 및 진단 통합 시스템/플랫폼
200: 의료영상정보제공기관 300: 데이터베이스
400: 사용자 단말 110: 예측모델생성부
120: 상태추정부 130: 영상분석부
110a: 정상비정상 예측모델 생성부 110b: 병변 예측모델 생성부
120a: 정상여부추정부 120b: 병변자동추정부
130a: 미래질병예측부 310: 의료영상 데이터베이스
320: 학습 데이터베이스 330: 예측모델 데이터베이스

Claims (22)

  1. 복수의 의료영상으로부터 해당 의료영상이 정상인지 비정상인지를 찾아내기 위해서 기계학습을 통해 정상이미지의 필터링을 수행하기 위한 예측모델을 생성하는 정상비정상 예측모델 생성부; 및
    상기 생성한 예측모델을 적용하여 특정 의료영상이 정상인지 비정상인지 추정하는 정상여부추정부;를 포함하는 것을 특징으로 하는 기계학습을 통한 의료영상 판독 시스템.
  2. 복수의 의료영상으로부터 해당 의료영상이 병변을 포함하고 있는지 기계학습을 통해 예측하기 위한 예측모델을 생성하는 병변 예측모델 생성부; 및
    상기 생성한 예측모델을 적용하여 특정 의료영상에 병변이 포함되어 있는지 여부를 추정하는 병변자동추정부;를 포함하는 것을 특징으로 하는 기계학습을 통한 의료영상 판독 시스템.
  3. 청구항 1 또는 청구항 2에 있어서,
    상기 의료영상은,
    X-ray, MRI, CT, PET 또는 광학적인 수단을 통해서 획득한 신체부위에 대한 영상이며, 전문의의 판독에 의해 정상 혹은 비정상으로 분류되어 있는 것을 특징으로 하는 기계학습을 통한 의료영상 판독 시스템.
  4. 청구항 1에 있어서,
    상기 정상비정상 예측모델 생성부는,
    상기 의료영상을 적어도 하나 이상의 영역으로 분할하여, 각 영역마다 영상의 특징을 메타데이터로 변환하여 지도학습(supervised learning)에 의한 예측모델을 생성하는 것을 특징으로 하는 기계학습을 통한 의료영상 판독 시스템.
  5. 청구항 2에 있어서,
    상기 병변 예측모델 생성부는,
    상기 의료영상을 적어도 하나 이상의 영역으로 분할하여, 각 영역마다 영상의 특징을 메타데이터로 변환하여 비지도학습(unsupervised learning)에 의한 예측모델을 생성하는 것을 특징으로 하는 기계학습을 통한 의료영상 판독 시스템.
  6. 청구항 3 또는 청구항 5에 있어서,
    상기 메타데이터는, 상기 각 영역마다 영상의 특징을 수치화하고, 정규화하여 특징값을 생성하는 것을 특징으로 하는 기계학습을 통한 의료영상 판독 시스템.
  7. 청구항 1에 있어서,
    상기 기계학습을 통한 의료영상 판독 시스템은,
    상기 특정 의료영상이 정상인지 비정상인지를 추정하여 신체연령을 분석하거나,
    상기 특정 의료영상이 정상인 경우와 비정상인 경우, 해당 정도를 분석하거나, 또는
    이들의 조합을 분석하여 그 결과를 출력하는 영상분석부;를 더 포함하는 것을 특징으로 하는 기계학습을 통한 의료영상 판독 시스템.
  8. 청구항 2에 있어서,
    상기 기계학습을 통한 의료영상 판독 시스템은,
    상기 특정 의료영상에 병변이 있는지 분석하거나,
    상기 의료영상에 병변이 있는 경우, 해당 병변의 진행 정도를 분석하거나, 또는
    이들의 조합을 분석하는 영상분석부;를 더 포함하는 것을 특징으로 하는 기계학습을 통한 의료영상 판독 시스템.
  9. 청구항 1에 있어서,
    상기 복수의 의료영상으로부터 해당 의료영상이 병변을 포함하고 있는지 기계학습을 통해 예측하기 위한 예측모델을 생성하는 병변 예측모델 생성부; 및
    상기 생성한 예측모델을 적용하여 상기 정상여부추정부에서 비정상으로 추정된 의료영상에 대해서 병변이 포함되어 있는지 여부를 추정하는 병변자동추정부;를 포함하는 것을 특징으로 하는 기계학습을 통한 의료영상 판독 시스템.
  10. 청구항 9에 있어서,
    상기 정상비정상 예측모델 생성부는,
    상기 의료영상을 적어도 하나 이상의 영역으로 분할하여, 각 영역마다 영상의 특징을 메타데이터로 변환하여 지도학습(supervised learning)에 의한 예측모델을 생성하며,
    상기 병변 예측모델 생성부는,
    상기 의료영상을 적어도 하나 이상의 영역으로 분할하여, 각 영역마다 영상의 특징을 메타데이터로 변환하여 비지도학습(unsupervised learning)에 의한 예측모델을 생성하는 것을 특징으로 하는 기계학습을 통한 의료영상 판독 시스템.
  11. 청구항 9에 있어서,
    상기 기계학습을 통한 의료영상 판독 시스템은,
    상기 특정 의료영상이 정상인지 비정상인지를 추정하여 신체연령을 분석하거나, 상기 특정 의료영상이 정상인 경우와 비정상인 경우, 해당 정도를 분석하거나, 또는 이들의 조합을 분석하여 그 결과를 출력하거나; 또는
    상기 특정 의료영상에 병변이 있는지 분석하거나, 상기 의료영상에 병변이 있는 경우, 해당 병변의 진행 정도를 분석하거나, 또는 이들의 조합을 분석하여 그 결과를 출력하는 것을 포함하는 영상분석부;를 더 포함하는 것을 특징으로 하는 기계학습을 통한 의료영상 판독 시스템.
  12. 복수의 의료영상으로부터 해당 의료영상이 정상인지 비정상인지를 찾아내기 위해서 기계학습을 통해 정상이미지의 필터링을 수행하기 위한 예측모델을 생성하는 정상비정상 예측모델 생성 단계; 및
    상기 생성한 예측모델을 적용하여 특정 의료영상이 정상인지 비정상인지 추정하는 정상여부추정 단계;를 포함하는 것을 특징으로 하는 기계학습을 통한 의료영상 판독 방법.
  13. 복수의 의료영상으로부터 해당 의료영상이 병변을 포함하고 있는지 기계학습을 통해 예측하기 위한 예측모델을 생성하는 병변 예측모델 생성 단계; 및
    상기 생성한 예측모델을 적용하여 특정 의료영상에 병변이 포함되어 있는지 여부를 추정하는 병변 자동추정 단계;를 포함하는 것을 특징으로 하는 기계학습을 통한 의료영상 판독 방법.
  14. 청구항 12 또는 청구항 13에 있어서,
    상기 의료영상은,
    X-ray, MRI, CT, PET 또는 광학적인 수단을 통해서 획득한 신체부위에 대한 영상이며, 전문의의 판독에 의해 정상 혹은 비정상으로 분류되어 있는 것을 특징으로 하는 기계학습을 통한 의료영상 판독 방법.
  15. 청구항 12에 있어서,
    상기 정상비정상 예측모델 생성 단계는,
    상기 의료영상을 적어도 하나 이상의 영역으로 분할하여, 각 영역마다 영상의 특징을 메타데이터로 변환하여 지도학습(supervised learning)에 의한 예측모델을 생성하는 것을 특징으로 하는 기계학습을 통한 의료영상 판독 방법.
  16. 청구항 13에 있어서,
    상기 병변 예측모델 생성 단계는,
    상기 의료영상을 적어도 하나 이상의 영역으로 분할하여, 각 영역마다 영상의 특징을 메타데이터로 변환하여 비지도학습(unsupervised learning)에 의한 예측모델을 생성하는 것을 특징으로 하는 기계학습을 통한 의료영상 판독 방법.
  17. 청구항 15 또는 청구항 16에 있어서,
    상기 메타데이터는, 상기 각 영역마다 영상의 특징을 수치화하고, 정규화하여 특징값을 생성하는 것을 특징으로 하는 기계학습을 통한 의료영상 판독 방법.
  18. 청구항 12에 있어서,
    상기 기계학습을 통한 의료영상 판독 방법은,
    상기 특정 의료영상이 정상인지 비정상인지를 추정하여 신체연령을 분석하거나,
    상기 특정 의료영상이 정상인 경우와 비정상인 경우, 해당 정도를 분석하거나, 또는
    이들의 조합을 분석하여 그 결과를 출력하는 영상분석 단계;를 더 포함하는 것을 특징으로 하는 기계학습을 통한 의료영상 판독 방법.
  19. 청구항 13에 있어서,
    상기 기계학습을 통한 의료영상 판독 방법은,
    상기 특정 의료영상에 병변이 있는지 분석하거나,
    상기 의료영상에 병변이 있는 경우, 해당 병변의 진행 정도를 분석하거나, 또는
    이들의 조합을 분석하는 영상분석 단계;를 더 포함하는 것을 특징으로 하는 기계학습을 통한 의료영상 판독 방법.
  20. 청구항 12에 있어서,
    상기 복수의 의료영상으로부터 해당 의료영상이 병변을 포함하고 있는지 기계학습을 통해 예측하기 위한 예측모델을 생성하는 병변 예측모델 생성 단계; 및
    상기 생성한 예측모델을 적용하여 상기 정상여부추정 단계에서 비정상으로 추정된 의료영상에 대해서 병변이 포함되어 있는지 여부를 추정하는 병변 자동추정 단계;를 더 포함하는 것을 특징으로 하는 기계학습을 통한 의료영상 판독 방법.
  21. 청구항 20에 있어서,
    상기 정상비정상 예측모델 생성 단계는,
    상기 의료영상을 적어도 하나 이상의 영역으로 분할하여, 각 영역마다 영상의 특징을 메타데이터로 변환하여 지도학습(supervised learning)에 의한 예측모델을 생성하며,
    상기 병변 예측모델 생성 단계는,
    상기 의료영상을 적어도 하나 이상의 영역으로 분할하여, 각 영역마다 영상의 특징을 메타데이터로 변환하여 비지도학습(unsupervised learning)에 의한 예측모델을 생성하는 것을 특징으로 하는 기계학습을 통한 의료영상 판독 방법.
  22. 청구항 20에 있어서,
    상기 기계학습을 통한 의료영상 판독 방법은,
    상기 특정 의료영상이 정상인지 비정상인지를 추정하여 신체연령을 분석하거나, 상기 특정 의료영상이 정상인 경우와 비정상인 경우, 해당 정도를 분석하거나, 또는 이들의 조합을 분석하여 그 결과를 출력하거나; 또는
    상기 특정 의료영상에 병변이 있는지 분석하거나, 상기 의료영상에 병변이 있는 경우, 해당 병변의 진행 정도를 분석하거나, 또는 이들의 조합을 분석하여 그 결과를 출력하는 것을 포함하는 영상분석 단계;를 더 포함하는 것을 특징으로 하는 기계학습을 통한 의료영상 판독 방법.
KR1020160131976A 2016-10-12 2016-10-12 기계학습을 통한 의료영상 판독 및 진단 통합 시스템 KR101880678B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160131976A KR101880678B1 (ko) 2016-10-12 2016-10-12 기계학습을 통한 의료영상 판독 및 진단 통합 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160131976A KR101880678B1 (ko) 2016-10-12 2016-10-12 기계학습을 통한 의료영상 판독 및 진단 통합 시스템

Publications (2)

Publication Number Publication Date
KR20180040287A true KR20180040287A (ko) 2018-04-20
KR101880678B1 KR101880678B1 (ko) 2018-07-20

Family

ID=62088192

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160131976A KR101880678B1 (ko) 2016-10-12 2016-10-12 기계학습을 통한 의료영상 판독 및 진단 통합 시스템

Country Status (1)

Country Link
KR (1) KR101880678B1 (ko)

Cited By (74)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101925603B1 (ko) * 2018-06-26 2019-02-26 주식회사 뷰노 병리 영상의 판독을 보조하는 방법 및 이를 이용한 장치
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
KR101959438B1 (ko) * 2018-08-06 2019-03-18 전북대학교 산학협력단 다중 모달리티 영상 생성 기법을 이용한 의료영상진단시스템
KR101981202B1 (ko) * 2018-12-11 2019-05-22 메디컬아이피 주식회사 의료영상 재구성 방법 및 그 장치
KR20190058285A (ko) * 2017-11-20 2019-05-29 주식회사 클라리파이 딥러닝 기반 ct 이미지 잡음 저감 장치 및 방법
CN110033019A (zh) * 2019-03-06 2019-07-19 腾讯科技（深圳）有限公司 人体部位的异常检测方法、装置和存储介质
KR102020448B1 (ko) * 2018-11-29 2019-09-11 주식회사 파슬리 인공지능 기반 이상항목 감지 및 보고서 생성 방법 및 시스템
KR101996475B1 (ko) * 2018-10-11 2019-10-01 (주)제이엘케이인스펙션 암 영역 검출의 유효성 평가 장치
KR102036052B1 (ko) * 2019-05-14 2019-10-24 주식회사 에프앤디파트너스 인공지능 기반으로 비규격화 피부 이미지의 의료 영상 적합성을 판별 및 변환하는 장치
KR20200005831A (ko) * 2018-07-09 2020-01-17 주식회사 셀바스에이아이 조기 위암의 예측 방법 및 이를 이용한 디바이스
WO2020017814A1 (ko) * 2018-07-19 2020-01-23 엘지이노텍 주식회사 이상 개체 검출 시스템 및 방법
KR102075293B1 (ko) * 2019-05-22 2020-02-07 주식회사 루닛 의료 영상의 메타데이터 예측 장치 및 방법
KR20200013393A (ko) 2018-07-30 2020-02-07 연세대학교 산학협력단 인공신경망을 이용한 심박동기 구분을 위한 장치, 이를 위한 방법 및 이 방법을 수행하는 프로그램이 기록된 컴퓨터 판독 가능한 기록매체
KR102056989B1 (ko) * 2018-12-24 2020-02-11 (주)제이엘케이인스펙션 머신러닝 기반의 gre 영상을 활용한 혈전 분류 방법 및 시스템
KR20200027382A (ko) * 2018-09-04 2020-03-12 본와이즈 주식회사 골 연령 평가를 위한 장치, 방법 및 프로그램을 기록한 기록 매체
KR102097740B1 (ko) * 2019-07-25 2020-04-06 주식회사 딥노이드 인공지능을 활용한 의료영상 자동 분류 및 표준화 시스템 및 그 구동방법
KR102097741B1 (ko) * 2019-07-25 2020-04-06 주식회사 딥노이드 인공지능 학습용 의료 영상 데이터 정제 시스템 및 그 구동방법
KR102097742B1 (ko) * 2019-07-31 2020-04-06 주식회사 딥노이드 인공지능 기반의 의료영상 검색 시스템 및 그 구동방법
KR102097743B1 (ko) * 2019-07-25 2020-04-06 주식회사 딥노이드 인공지능 질환 판독 장치 및 방법
KR102100699B1 (ko) * 2019-07-01 2020-04-16 (주)제이엘케이인스펙션 병변 통합 학습 모델을 구축하는 장치와 방법, 및 상기 병변 통합 학습 모델을 사용하여 병변을 진단하는 장치와 방법
WO2020076134A1 (ko) * 2018-10-11 2020-04-16 (주)제이엘케이인스펙션 암 영역 정보 보정 장치 및 방법
KR20200058161A (ko) * 2018-11-19 2020-05-27 주식회사 엑셈 팔로워의 경계 설정과 시계열 데이터에 기반하여 비정상 데이터 탐지가 가능한 정상 밴드를 생성하는 방법 및 이를 구현하는 정상 밴드 생성 장치
KR102108401B1 (ko) * 2019-06-27 2020-05-28 주식회사 딥노이드 인공지능 판독서버, 이를 포함하는 pacs 기반 영상 처리 시스템 및 방법
KR102108400B1 (ko) * 2019-07-12 2020-05-28 주식회사 딥노이드 의료영상 판독을 위한 컨테이너 기반의 인공지능 클라우드 서비스 플랫폼 시스템
KR102119056B1 (ko) * 2019-10-08 2020-06-05 (주)제이엘케이 생성적 적대 신경망 기반의 의료영상 학습 방법 및 장치
KR102119057B1 (ko) * 2019-10-08 2020-06-29 (주)제이엘케이 골절 진단모델의 학습 방법 및 장치
KR20200082639A (ko) * 2018-12-31 2020-07-08 주식회사 아임클라우드 X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독시스템
WO2020141847A1 (ko) * 2019-01-02 2020-07-09 울산대학교 산학협력단 피브린과침착증 진단 장치 및 방법
WO2020145605A1 (ko) * 2019-01-07 2020-07-16 기초과학연구원 인공신경망을 이용한 특수 현미경 영상 생성 방법 및 영상 처리 장치
KR102140402B1 (ko) * 2019-09-05 2020-08-03 주식회사 루닛 기계학습을 이용한 의료 영상 판독의 품질 관리 방법 및 장치
KR20200093510A (ko) * 2018-12-31 2020-08-05 주식회사 아임클라우드 X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독시스템
WO2020180135A1 (ko) * 2019-03-06 2020-09-10 주식회사 인포메디텍 뇌 질환 예측 장치 및 방법, 뇌 질환을 예측하기 위한 학습 장치
CN111657858A (zh) * 2019-03-07 2020-09-15 株式会社日立制作所 图像诊断装置、图像处理方法和程序
KR102179583B1 (ko) * 2020-03-11 2020-11-17 주식회사 딥노이드 딥러닝 기반의 질환 진단 보조 시스템 및 딥러닝 기반의 질환 진단 보조 방법
KR20200135142A (ko) * 2019-05-22 2020-12-02 주식회사 루닛 의료 영상의 메타데이터 예측 장치 및 방법
CN112037164A (zh) * 2019-06-03 2020-12-04 睿传数据股份有限公司 医学影像中身体部位识别方法及装置
KR102199494B1 (ko) * 2019-07-15 2021-01-06 주식회사 딥노이드 의료 영상 관리 장치 및 방법
WO2020231007A3 (ko) * 2019-05-13 2021-01-07 (주)비주얼터미놀로지 의료기계 학습 시스템
KR20210004695A (ko) * 2019-07-05 2021-01-13 순천향대학교 산학협력단 인공지능 기반의 안구질병 진단장치 및 방법
WO2021006522A1 (ko) * 2019-07-05 2021-01-14 한국과학기술원 딥 러닝 모델을 활용한 영상 진단 장치 및 그 방법
CN112236832A (zh) * 2018-06-05 2021-01-15 住友化学株式会社 诊断辅助系统、诊断辅助方法以及诊断辅助程序
KR102213924B1 (ko) * 2020-07-15 2021-02-08 주식회사 루닛 기계학습을 이용한 의료 영상 판독의 품질 관리 방법 및 장치
KR20210013830A (ko) * 2019-07-29 2021-02-08 주식회사 코어라인소프트 의료용 인공 신경망의 분석 결과를 평가하는 의료용 인공 신경망 기반 의료 영상 분석 장치 및 방법
KR20210014893A (ko) * 2019-07-31 2021-02-10 주식회사 코어라인소프트 의료용 인공 신경망 기반 행잉 프로토콜을 제공하는 의료 영상 판독 지원 장치 및 방법
KR20210029167A (ko) * 2020-07-15 2021-03-15 주식회사 루닛 기계학습을 이용한 의료 영상 판독의 품질 관리 방법 및 장치
KR20210067855A (ko) * 2019-11-29 2021-06-08 주식회사 뷰노 의료 데이터 검색 방법
CN113327673A (zh) * 2020-02-28 2021-08-31 株式会社日立制作所 医用摄像装置、医用图像处理装置以及图像处理程序
KR20210110541A (ko) * 2019-06-25 2021-09-08 서울대학교병원 인공 지능 기반 진단 보조 시스템
WO2021177771A1 (ko) * 2020-03-06 2021-09-10 주식회사 루닛 의료 영상으로부터 바이오마커 발현을 예측하는 방법 및 시스템
KR20210118285A (ko) * 2020-03-19 2021-09-30 주식회사 아이도트 경동맥 초음파 진단 방법
CN113496478A (zh) * 2020-04-01 2021-10-12 纬创资通股份有限公司 医学影像辨识方法及医学影像辨识装置
WO2022010106A1 (ko) * 2020-07-08 2022-01-13 주식회사 메가젠임플란트 학습 데이터 생성장치 및 그 장치의 구동방법, 그리고 컴퓨터 판독가능 기록매체
WO2022036351A1 (en) * 2020-08-12 2022-02-17 Enlitic, Inc. Automatic medical scan triaging system and methods for use therewith
US20220076078A1 (en) * 2020-09-08 2022-03-10 Koninklijke Philips N.V. Machine learning classifier using meta-data
KR102379855B1 (ko) * 2021-05-31 2022-03-28 한국교통대학교산학협력단 객체 검출 모델 생성 방법 및 장치
WO2022065925A1 (ko) * 2020-09-25 2022-03-31 서울대학교병원 흉부 단순 촬영 영상을 이용한 심장색전성 뇌경색의 진단 보조 방법 및 장치
KR20220068458A (ko) * 2020-11-19 2022-05-26 아주대학교산학협력단 학습 데이터 생성 장치 및 방법
KR20220075142A (ko) * 2020-11-27 2022-06-07 (의) 삼성의료재단 동맥의 내막-중막 두께 측정 방법 및 그 장치
WO2022119325A1 (ko) * 2020-12-01 2022-06-09 서울대학교병원 두부단순촬영 영상을 활용한 수면 무호흡증 진단 보조 시스템 및 이를 이용한 진단 보조 정보의 제공 방법
WO2022139246A1 (ko) * 2020-12-22 2022-06-30 가천대학교 산학협력단 골절 검출 방법 및 이를 이용한 디바이스
KR20220091667A (ko) * 2020-12-23 2022-07-01 동의대학교 산학협력단 치매 판단을 위한 의료용 이미지 학습 방법
KR20220115898A (ko) * 2020-01-21 2022-08-19 주식회사 루닛 의료 영상의 메타데이터 예측 장치 및 방법
CN115115620A (zh) * 2022-08-23 2022-09-27 安徽中医药大学 一种基于深度学习的肺炎病变模拟方法及系统
KR20230002204A (ko) * 2021-01-19 2023-01-05 주식회사 루닛 기계학습을 이용한 의료 영상 판독의 품질 관리 방법 및 장치
KR102490502B1 (ko) 2022-03-14 2023-01-19 프로메디우스 주식회사 비지도 학습 기반 의료 데이터 분석 장치 및 방법
KR20230037094A (ko) * 2021-09-08 2023-03-16 조윤상 천장골관절염 진단을 위한 딥러닝 네트워크 모델 생성 방법 및 시스템
WO2023043133A1 (ko) * 2021-09-17 2023-03-23 주식회사 온택트헬스 체내 장기 또는 근육의 이상 유무를 판단하는 방법 및 장치
WO2023090880A1 (ko) * 2021-11-18 2023-05-25 재단법인 아산사회복지재단 동적 영상데이터 기반 대상체 상태 예측 방법 및 이를 수행하는 컴퓨팅 장치
WO2023136460A1 (ko) * 2022-01-17 2023-07-20 부산대학교 산학협력단 원형분석과 fcm 분석기법을 이용한 녹내장 분석 시스템 및 방법
US11741586B2 (en) 2018-09-04 2023-08-29 Bonewise Inc. Apparatus, method and recording medium storing program for assessing bone age
WO2023205179A1 (en) * 2022-04-19 2023-10-26 Synthesis Health Inc. Development of medical imaging ai analysis algorithms leveraging image segmentation
WO2023239151A1 (ko) * 2022-06-07 2023-12-14 서울대학교병원 흉부 방사선 데이터를 수치 벡터로 변환하는 방법 및 장치, 이를 이용하여 질병을 분석하는 방법 및 장치
WO2024029964A1 (ko) * 2022-08-03 2024-02-08 주식회사 엠티이지 라벨링을 통한 영상 처리 방법, 디바이스 및 기록매체
KR102646137B1 (ko) 2023-04-19 2024-03-11 주식회사 젠젠에이아이 복수의 신체 부위와 연관된 의료 영상 생성 모델 학습 방법 및 장치

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101977067B1 (ko) * 2018-08-24 2019-05-10 주식회사 뷰노 심층 신경망 기반 특징 추출을 통하여 진단 맵을 재구축하는 방법 및 이를 이용한 장치
KR102246318B1 (ko) * 2018-10-05 2021-04-30 주식회사 딥바이오 병리 이미지 검색을 위한 시스템 및 방법
KR102236826B1 (ko) 2018-11-30 2021-04-06 아주대학교산학협력단 기계학습용 의료 영상 데이터셋의 품질을 평가하는 방법 및 시스템
KR102043672B1 (ko) * 2019-03-29 2019-11-12 주식회사 딥노이드 딥러닝 기반의 병변 판독 시스템 및 방법
KR20200116728A (ko) 2019-04-02 2020-10-13 삼성전자주식회사 자체 운동 정보 추정 장치 및 방법
JP7084357B2 (ja) * 2019-07-12 2022-06-14 富士フイルム株式会社 診断支援装置、診断支援方法、及び診断支援プログラム
JP7144370B2 (ja) * 2019-07-12 2022-09-29 富士フイルム株式会社 診断支援装置、診断支援方法、及び診断支援プログラム
KR102132564B1 (ko) 2019-09-30 2020-07-09 주식회사 딥노이드 진단 장치 및 진단 방법
KR102152023B1 (ko) * 2019-12-23 2020-09-07 주식회사 인씨스 X-Ray 검색장비 영상 자동판독 보조프로그램을 구동하는 시스템 및 이를 이용한 방법
KR20210106096A (ko) 2020-02-20 2021-08-30 (주)에임즈 안저영상을 이용한 딥러닝 기반의 질병 예측 시스템 및 방법
KR102231698B1 (ko) 2020-06-15 2021-03-24 주식회사 루닛 정상 의료 영상을 필터링하는 방법, 이를 이용한 의료 영상 판독 방법 및 컴퓨팅 장치
KR102250219B1 (ko) * 2020-09-15 2021-05-11 주식회사 아이도트 초음파 진단 시스템
KR20220095715A (ko) * 2020-12-30 2022-07-07 삼성전자주식회사 전자 장치 및 전자 장치 제어 방법
KR102638838B1 (ko) 2021-11-23 2024-02-22 재단법인 대구테크노파크 의료 정보 분석 시스템이 업데이트에 따른 인허가 필요성을 판단하는 방법
WO2024025350A1 (ko) * 2022-07-29 2024-02-01 주식회사 메디컬에이아이 심전도 판독을 위한 인공지능 모델의 업데이트 방법, 프로그램 및 장치
KR102541303B1 (ko) 2022-11-11 2023-06-13 프로메디우스 주식회사 클라우드 기반의 의료 영상에 대한 협진 서비스 제공 방법 및 장치

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100383529B1 (en) * 2002-04-08 2003-05-12 Biolnfra Inc Method and system for analysis of cancer biomarker using proteome image mining
KR20130132802A (ko) * 2010-10-12 2013-12-05 지멘스 메디컬 솔루션즈 유에스에이, 인크. 심혈관 질환들의 발병을 예측하기 위한 건강관리 정보 기술 시스템
KR20150002284A (ko) * 2013-06-28 2015-01-07 삼성전자주식회사 병변 검출 장치 및 방법
KR20150094877A (ko) * 2014-02-11 2015-08-20 한국전자통신연구원 3d 영상 분석 및 지식 기반 병변 진단 및 예후 예측 시스템
KR20160058812A (ko) * 2013-09-20 2016-05-25 트랜스뮤럴 바이오테크, 에스.엘. 질환을 진단하기 위한 영상 분석 기법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102043130B1 (ko) * 2012-11-16 2019-11-11 삼성전자주식회사 컴퓨터 보조 진단 방법 및 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100383529B1 (en) * 2002-04-08 2003-05-12 Biolnfra Inc Method and system for analysis of cancer biomarker using proteome image mining
KR20130132802A (ko) * 2010-10-12 2013-12-05 지멘스 메디컬 솔루션즈 유에스에이, 인크. 심혈관 질환들의 발병을 예측하기 위한 건강관리 정보 기술 시스템
KR20150002284A (ko) * 2013-06-28 2015-01-07 삼성전자주식회사 병변 검출 장치 및 방법
KR20160058812A (ko) * 2013-09-20 2016-05-25 트랜스뮤럴 바이오테크, 에스.엘. 질환을 진단하기 위한 영상 분석 기법
KR20150094877A (ko) * 2014-02-11 2015-08-20 한국전자통신연구원 3d 영상 분석 및 지식 기반 병변 진단 및 예후 예측 시스템

Cited By (97)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020080604A1 (ko) * 2017-11-20 2020-04-23 주식회사 클라리파이 딥러닝 기반 ct 이미지 잡음 저감 장치 및 방법
KR20190058285A (ko) * 2017-11-20 2019-05-29 주식회사 클라리파이 딥러닝 기반 ct 이미지 잡음 저감 장치 및 방법
CN112236832A (zh) * 2018-06-05 2021-01-15 住友化学株式会社 诊断辅助系统、诊断辅助方法以及诊断辅助程序
KR101925603B1 (ko) * 2018-06-26 2019-02-26 주식회사 뷰노 병리 영상의 판독을 보조하는 방법 및 이를 이용한 장치
KR20200005831A (ko) * 2018-07-09 2020-01-17 주식회사 셀바스에이아이 조기 위암의 예측 방법 및 이를 이용한 디바이스
WO2020017814A1 (ko) * 2018-07-19 2020-01-23 엘지이노텍 주식회사 이상 개체 검출 시스템 및 방법
KR20200013393A (ko) 2018-07-30 2020-02-07 연세대학교 산학협력단 인공신경망을 이용한 심박동기 구분을 위한 장치, 이를 위한 방법 및 이 방법을 수행하는 프로그램이 기록된 컴퓨터 판독 가능한 기록매체
KR101959438B1 (ko) * 2018-08-06 2019-03-18 전북대학교 산학협력단 다중 모달리티 영상 생성 기법을 이용한 의료영상진단시스템
WO2020032325A1 (ko) * 2018-08-06 2020-02-13 전북대학교산학협력단 다중 모달리티 영상 생성 기법을 이용한 의료영상진단시스템
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
US11741586B2 (en) 2018-09-04 2023-08-29 Bonewise Inc. Apparatus, method and recording medium storing program for assessing bone age
KR20200027382A (ko) * 2018-09-04 2020-03-12 본와이즈 주식회사 골 연령 평가를 위한 장치, 방법 및 프로그램을 기록한 기록 매체
US11854193B2 (en) 2018-10-11 2023-12-26 Jlk Inc. Validity evaluation device for cancer region detection
WO2020076133A1 (ko) * 2018-10-11 2020-04-16 (주)제이엘케이인스펙션 암 영역 검출의 유효성 평가 장치
WO2020076134A1 (ko) * 2018-10-11 2020-04-16 (주)제이엘케이인스펙션 암 영역 정보 보정 장치 및 방법
KR101996475B1 (ko) * 2018-10-11 2019-10-01 (주)제이엘케이인스펙션 암 영역 검출의 유효성 평가 장치
KR20200058161A (ko) * 2018-11-19 2020-05-27 주식회사 엑셈 팔로워의 경계 설정과 시계열 데이터에 기반하여 비정상 데이터 탐지가 가능한 정상 밴드를 생성하는 방법 및 이를 구현하는 정상 밴드 생성 장치
KR102020448B1 (ko) * 2018-11-29 2019-09-11 주식회사 파슬리 인공지능 기반 이상항목 감지 및 보고서 생성 방법 및 시스템
KR101981202B1 (ko) * 2018-12-11 2019-05-22 메디컬아이피 주식회사 의료영상 재구성 방법 및 그 장치
JP2020093083A (ja) * 2018-12-11 2020-06-18 メディカルアイピー・カンパニー・リミテッド 医療映像再構成方法及びその装置
WO2020122357A1 (ko) * 2018-12-11 2020-06-18 메디컬아이피 주식회사 의료영상 재구성 방법 및 그 장치
KR102056989B1 (ko) * 2018-12-24 2020-02-11 (주)제이엘케이인스펙션 머신러닝 기반의 gre 영상을 활용한 혈전 분류 방법 및 시스템
WO2020138932A1 (ko) * 2018-12-24 2020-07-02 주식회사 제이엘케이인스펙션 머신러닝 기반의 gre 영상을 활용한 혈전 분류 방법 및 시스템
KR20200093510A (ko) * 2018-12-31 2020-08-05 주식회사 아임클라우드 X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독시스템
KR20200082639A (ko) * 2018-12-31 2020-07-08 주식회사 아임클라우드 X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독시스템
WO2020141847A1 (ko) * 2019-01-02 2020-07-09 울산대학교 산학협력단 피브린과침착증 진단 장치 및 방법
WO2020145605A1 (ko) * 2019-01-07 2020-07-16 기초과학연구원 인공신경망을 이용한 특수 현미경 영상 생성 방법 및 영상 처리 장치
KR20210096292A (ko) * 2019-03-06 2021-08-04 주식회사 뉴로젠 뇌 질환 예측 장치 및 방법, 뇌 질환을 예측하기 위한 학습 장치
CN110033019A (zh) * 2019-03-06 2019-07-19 腾讯科技（深圳）有限公司 人体部位的异常检测方法、装置和存储介质
WO2020180135A1 (ko) * 2019-03-06 2020-09-10 주식회사 인포메디텍 뇌 질환 예측 장치 및 방법, 뇌 질환을 예측하기 위한 학습 장치
US11373301B2 (en) * 2019-03-07 2022-06-28 Hitachi, Ltd. Image diagnostic device, image processing method, and program for obtaining diagnostic prediction models using deep learning
CN111657858A (zh) * 2019-03-07 2020-09-15 株式会社日立制作所 图像诊断装置、图像处理方法和程序
WO2020231007A3 (ko) * 2019-05-13 2021-01-07 (주)비주얼터미놀로지 의료기계 학습 시스템
US20220246301A1 (en) * 2019-05-13 2022-08-04 Visual Terminology Inc. Medical machine learning system
KR102036052B1 (ko) * 2019-05-14 2019-10-24 주식회사 에프앤디파트너스 인공지능 기반으로 비규격화 피부 이미지의 의료 영상 적합성을 판별 및 변환하는 장치
KR102075293B1 (ko) * 2019-05-22 2020-02-07 주식회사 루닛 의료 영상의 메타데이터 예측 장치 및 방법
US11978548B2 (en) 2019-05-22 2024-05-07 Lunit Inc. Apparatus and method for processing medical image using predicted metadata
US10824908B1 (en) 2019-05-22 2020-11-03 Lunit Inc. Apparatus for predicting metadata of medical image and method thereof
WO2020235966A1 (ko) * 2019-05-22 2020-11-26 주식회사 루닛 예측된 메타데이터를 이용하여 의료 영상을 처리하는 장치 및 방법
KR20200135142A (ko) * 2019-05-22 2020-12-02 주식회사 루닛 의료 영상의 메타데이터 예측 장치 및 방법
CN112037164B (zh) * 2019-06-03 2024-03-15 睿传数据股份有限公司 医学影像中身体部位识别方法及装置
CN112037164A (zh) * 2019-06-03 2020-12-04 睿传数据股份有限公司 医学影像中身体部位识别方法及装置
KR20210110541A (ko) * 2019-06-25 2021-09-08 서울대학교병원 인공 지능 기반 진단 보조 시스템
KR102108401B1 (ko) * 2019-06-27 2020-05-28 주식회사 딥노이드 인공지능 판독서버, 이를 포함하는 pacs 기반 영상 처리 시스템 및 방법
WO2021002669A1 (ko) * 2019-07-01 2021-01-07 (주)제이엘케이 병변 통합 학습 모델을 구축하는 장치와 방법, 및 상기 병변 통합 학습 모델을 사용하여 병변을 진단하는 장치와 방법
KR102100699B1 (ko) * 2019-07-01 2020-04-16 (주)제이엘케이인스펙션 병변 통합 학습 모델을 구축하는 장치와 방법, 및 상기 병변 통합 학습 모델을 사용하여 병변을 진단하는 장치와 방법
KR20210004695A (ko) * 2019-07-05 2021-01-13 순천향대학교 산학협력단 인공지능 기반의 안구질병 진단장치 및 방법
WO2021006522A1 (ko) * 2019-07-05 2021-01-14 한국과학기술원 딥 러닝 모델을 활용한 영상 진단 장치 및 그 방법
KR102108400B1 (ko) * 2019-07-12 2020-05-28 주식회사 딥노이드 의료영상 판독을 위한 컨테이너 기반의 인공지능 클라우드 서비스 플랫폼 시스템
KR102199494B1 (ko) * 2019-07-15 2021-01-06 주식회사 딥노이드 의료 영상 관리 장치 및 방법
KR102097740B1 (ko) * 2019-07-25 2020-04-06 주식회사 딥노이드 인공지능을 활용한 의료영상 자동 분류 및 표준화 시스템 및 그 구동방법
KR102097743B1 (ko) * 2019-07-25 2020-04-06 주식회사 딥노이드 인공지능 질환 판독 장치 및 방법
KR102097741B1 (ko) * 2019-07-25 2020-04-06 주식회사 딥노이드 인공지능 학습용 의료 영상 데이터 정제 시스템 및 그 구동방법
KR20210013830A (ko) * 2019-07-29 2021-02-08 주식회사 코어라인소프트 의료용 인공 신경망의 분석 결과를 평가하는 의료용 인공 신경망 기반 의료 영상 분석 장치 및 방법
US11715198B2 (en) 2019-07-29 2023-08-01 Coreline Soft Co., Ltd. Medical use artificial neural network-based medical image analysis apparatus and method for evaluating analysis results of medical use artificial neural network
KR20210014893A (ko) * 2019-07-31 2021-02-10 주식회사 코어라인소프트 의료용 인공 신경망 기반 행잉 프로토콜을 제공하는 의료 영상 판독 지원 장치 및 방법
KR102097742B1 (ko) * 2019-07-31 2020-04-06 주식회사 딥노이드 인공지능 기반의 의료영상 검색 시스템 및 그 구동방법
US10825178B1 (en) 2019-09-05 2020-11-03 Lunit Inc. Apparatus for quality management of medical image interpretation using machine learning, and method thereof
KR102140402B1 (ko) * 2019-09-05 2020-08-03 주식회사 루닛 기계학습을 이용한 의료 영상 판독의 품질 관리 방법 및 장치
WO2021071288A1 (ko) * 2019-10-08 2021-04-15 (주)제이엘케이 골절 진단모델의 학습 방법 및 장치
KR102119057B1 (ko) * 2019-10-08 2020-06-29 (주)제이엘케이 골절 진단모델의 학습 방법 및 장치
KR102119056B1 (ko) * 2019-10-08 2020-06-05 (주)제이엘케이 생성적 적대 신경망 기반의 의료영상 학습 방법 및 장치
WO2021071286A1 (ko) * 2019-10-08 2021-04-15 (주)제이엘케이 생성적 적대 신경망 기반의 의료영상 학습 방법 및 장치
KR20210067855A (ko) * 2019-11-29 2021-06-08 주식회사 뷰노 의료 데이터 검색 방법
KR20220115898A (ko) * 2020-01-21 2022-08-19 주식회사 루닛 의료 영상의 메타데이터 예측 장치 및 방법
CN113327673A (zh) * 2020-02-28 2021-08-31 株式会社日立制作所 医用摄像装置、医用图像处理装置以及图像处理程序
WO2021177771A1 (ko) * 2020-03-06 2021-09-10 주식회사 루닛 의료 영상으로부터 바이오마커 발현을 예측하는 방법 및 시스템
KR20210113084A (ko) * 2020-03-06 2021-09-15 주식회사 루닛 의료 영상으로부터 바이오마커 발현을 예측하는 방법 및 시스템
KR102179583B1 (ko) * 2020-03-11 2020-11-17 주식회사 딥노이드 딥러닝 기반의 질환 진단 보조 시스템 및 딥러닝 기반의 질환 진단 보조 방법
KR20210118285A (ko) * 2020-03-19 2021-09-30 주식회사 아이도트 경동맥 초음파 진단 방법
CN113496478A (zh) * 2020-04-01 2021-10-12 纬创资通股份有限公司 医学影像辨识方法及医学影像辨识装置
CN113496478B (zh) * 2020-04-01 2024-02-02 纬创资通股份有限公司 医学影像辨识方法及医学影像辨识装置
KR20220006292A (ko) * 2020-07-08 2022-01-17 주식회사 메가젠임플란트 학습 데이터 생성장치 및 그 장치의 구동방법, 그리고 컴퓨터 판독가능 기록매체
WO2022010106A1 (ko) * 2020-07-08 2022-01-13 주식회사 메가젠임플란트 학습 데이터 생성장치 및 그 장치의 구동방법, 그리고 컴퓨터 판독가능 기록매체
KR20210029167A (ko) * 2020-07-15 2021-03-15 주식회사 루닛 기계학습을 이용한 의료 영상 판독의 품질 관리 방법 및 장치
KR102213924B1 (ko) * 2020-07-15 2021-02-08 주식회사 루닛 기계학습을 이용한 의료 영상 판독의 품질 관리 방법 및 장치
WO2022036351A1 (en) * 2020-08-12 2022-02-17 Enlitic, Inc. Automatic medical scan triaging system and methods for use therewith
US20220076078A1 (en) * 2020-09-08 2022-03-10 Koninklijke Philips N.V. Machine learning classifier using meta-data
WO2022065925A1 (ko) * 2020-09-25 2022-03-31 서울대학교병원 흉부 단순 촬영 영상을 이용한 심장색전성 뇌경색의 진단 보조 방법 및 장치
KR20220068458A (ko) * 2020-11-19 2022-05-26 아주대학교산학협력단 학습 데이터 생성 장치 및 방법
KR20220075142A (ko) * 2020-11-27 2022-06-07 (의) 삼성의료재단 동맥의 내막-중막 두께 측정 방법 및 그 장치
WO2022119325A1 (ko) * 2020-12-01 2022-06-09 서울대학교병원 두부단순촬영 영상을 활용한 수면 무호흡증 진단 보조 시스템 및 이를 이용한 진단 보조 정보의 제공 방법
WO2022139246A1 (ko) * 2020-12-22 2022-06-30 가천대학교 산학협력단 골절 검출 방법 및 이를 이용한 디바이스
KR20220091667A (ko) * 2020-12-23 2022-07-01 동의대학교 산학협력단 치매 판단을 위한 의료용 이미지 학습 방법
KR20230002204A (ko) * 2021-01-19 2023-01-05 주식회사 루닛 기계학습을 이용한 의료 영상 판독의 품질 관리 방법 및 장치
KR102379855B1 (ko) * 2021-05-31 2022-03-28 한국교통대학교산학협력단 객체 검출 모델 생성 방법 및 장치
KR20230037094A (ko) * 2021-09-08 2023-03-16 조윤상 천장골관절염 진단을 위한 딥러닝 네트워크 모델 생성 방법 및 시스템
WO2023043133A1 (ko) * 2021-09-17 2023-03-23 주식회사 온택트헬스 체내 장기 또는 근육의 이상 유무를 판단하는 방법 및 장치
WO2023090880A1 (ko) * 2021-11-18 2023-05-25 재단법인 아산사회복지재단 동적 영상데이터 기반 대상체 상태 예측 방법 및 이를 수행하는 컴퓨팅 장치
WO2023136460A1 (ko) * 2022-01-17 2023-07-20 부산대학교 산학협력단 원형분석과 fcm 분석기법을 이용한 녹내장 분석 시스템 및 방법
KR102490502B1 (ko) 2022-03-14 2023-01-19 프로메디우스 주식회사 비지도 학습 기반 의료 데이터 분석 장치 및 방법
WO2023205179A1 (en) * 2022-04-19 2023-10-26 Synthesis Health Inc. Development of medical imaging ai analysis algorithms leveraging image segmentation
WO2023239151A1 (ko) * 2022-06-07 2023-12-14 서울대학교병원 흉부 방사선 데이터를 수치 벡터로 변환하는 방법 및 장치, 이를 이용하여 질병을 분석하는 방법 및 장치
WO2024029964A1 (ko) * 2022-08-03 2024-02-08 주식회사 엠티이지 라벨링을 통한 영상 처리 방법, 디바이스 및 기록매체
CN115115620B (zh) * 2022-08-23 2022-12-13 安徽中医药大学 一种基于深度学习的肺炎病变模拟方法及系统
CN115115620A (zh) * 2022-08-23 2022-09-27 安徽中医药大学 一种基于深度学习的肺炎病变模拟方法及系统
KR102646137B1 (ko) 2023-04-19 2024-03-11 주식회사 젠젠에이아이 복수의 신체 부위와 연관된 의료 영상 생성 모델 학습 방법 및 장치

Also Published As

Publication number Publication date
KR101880678B1 (ko) 2018-07-20

Similar Documents

Publication Publication Date Title
KR101880678B1 (ko) 기계학습을 통한 의료영상 판독 및 진단 통합 시스템
KR101884609B1 (ko) 모듈화된 강화학습을 통한 질병 진단 시스템
US10825167B2 (en) Rapid assessment and outcome analysis for medical patients
EP3404666A2 (en) Rapid assessment and outcome analysis for medical patients
US20200303072A1 (en) Method and system for supporting medical decision making
KR20220064395A (ko) 이미지들 및 전문 지식으로부터 피부 상태들을 수집하고 식별하기 위한 시스템
US11107215B2 (en) Medical image diagnosis assistant apparatus and method for generating evaluation scores for plurality of medical image diagnosis algorithms
US20050049497A1 (en) Systems and methods for automated diagnosis and decision support for breast imaging
US20200105414A1 (en) Information processing apparatus, information processing system, information processing method, and non-transitory computer-readable storage medium
CN101903888A (zh) 用于基于跨模态病例的计算机辅助诊断的方法和系统
CN111564223A (zh) 传染病生存概率的预测方法、预测模型的训练方法及装置
CN115719328A (zh) 用于量化医学图像评估的不确定性的方法、系统和装置
Bhosale et al. Bio-medical imaging (X-ray, CT, ultrasound, ECG), genome sequences applications of deep neural network and machine learning in diagnosis, detection, classification, and segmentation of COVID-19: a Meta-analysis & systematic review
Lohani et al. ADHD diagnosis using structural brain MRI and personal characteristic data with machine learning framework
CN111226287B (zh) 用于分析医学成像数据集的方法、系统、程序产品和介质
Refaee et al. A computing system that integrates deep learning and the internet of things for effective disease diagnosis in smart health care systems
Alnaggar et al. An IoT-based framework for detecting heart conditions using machine learning
Verma et al. Breast Cancer Survival Rate Prediction In Mammograms Using Machine Learning
US11742072B2 (en) Medical image diagnosis assistance apparatus and method using plurality of medical image diagnosis algorithms for endoscopic images
WO2023073092A1 (en) Managing a model trained using a machine learning process
AU2021102593A4 (en) A Method for Detection of a Disease
KR20230029004A (ko) 흉부 자동 분할 영상을 이용한 폐암 최종 병기 예측 시스템 및 방법
Sanjay et al. Deep learning techniques for early detection of Alzheimer’s disease: A review
US20220391760A1 (en) Combining model outputs into a combined model output
Singh et al. An analysis of detection and diagnosis of different classes of skin diseases using artificial intelligence-based learning approaches with hyper parameters

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
GRNT Written decision to grant
X701 Decision to grant (after re-examination)