KR20180099434A - 환자를 모니터링하는 방법 및 장치 - Google Patents

Abstract

의료 영상 촬영 중에 환자의 상태를 모니터링하고 환자의 상태에 따라 적합한 동작을 수행하는 환자 모니터링 방법 및 장치가 제공된다.
일 실시예에 따르면, 환자 모니터링 방법은, 환자에 대한 의료 영상을 획득하기 위하여 상기 환자를 촬영하는 상황에서, 상기 환자의 상태 신호를 획득하는 단계; 상기 상태 신호에 기초하여, 상기 환자의 이상 상태를 판단하기 위하여 설정된 모델을 이용하여 상기 환자의 상태가 이상 상태인지 여부를 판단하는 단계; 및 상기 환자의 상태가 이상 상태라고 판단되는 경우, 상기 환자의 상태에 적합한 동작을 수행하는 단계를 포함할 수 있다. 이 때, 상기 모델은 상기 환자와 관련하여 획득된 데이터를 인공 지능 알고리즘으로서 기계 학습, 신경망 및 딥러닝 알고리즘 중 적어도 하나를 이용하여 학습함으로써 생성될 수 있다.

Description

환자를 모니터링하는 방법 및 장치{Method and apparatus for monitoring patient}

본 개시는 환자를 모니터링하는 방법 및 장치에 관한 것으로서, 의료 영상 촬영 중에 환자의 상태를 모니터링하고 환자의 상태에 따라 적합한 동작을 수행하는 환자 모니터링 방법 및 장치에 관한 것이다.

또한, 본 개시는 머신 러닝 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 인공 지능(Artificial Intelligence, AI) 시스템 및 그 응용에 관한 것이다.

자기 공명 영상(Magnetic Resonance Imaging, MRI) 시스템은 자기장을 이용하여 환자의 생체 조직에 대한 정보를 포함하는 자기 공명 영상을 비침습적으로 획득할 수 있는 장치이다. MRI 시스템은 인체의 대부분을 구성하는 물을 이루는 수소 원자(H)의 공명현상을 이용하여 인체 내부의 정보를 얻는다.

이러한 MRI 시스템을 이용한 의료 영상의 획득은 진단 및 치료를 위한 방법 중 하나로서 널리 사용되고 있다. 하지만 MRI 시스템은 신호 발생 및 영상 획득을 위하여 전자기파를 인체에 지속적으로 가하게 되며, 이때 사용하는 RF 에너지가 인체 조직에 흡수되어 조직을 가열하게 된다. 이러한 가열이 통제되지 않게 되면 심혈관계와 신경계에 장애를 주게 되고 특히 피부에는 심각한 화상을 입히게 된다.

따라서, 화상과 같이, MRI를 촬영하는 동안 발생할 수 있는 만일의 사고를 방지하기 위하여 MRI 시스템을 조작하는 사용자는, 환자의 상태를 지속적으로 모니터링 하여야 한다. 특히, 심장 질환을 앓고 있거나 중증 환자인 경우, 환자가 마취되어 있는 경우, 또는 유아인 경우에, 전문가의 지속적이고 주의 깊은 관찰이 요구된다.

한편, 근래에는 인간 수준의 지능을 구현하는 인공 지능 시스템이 다양한 분야에서 이용되고 있다. 인공 지능 시스템은 기존의 룰(rule) 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공 지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 룰 기반 스마트 시스템은 점차 딥러닝 기반 인공 지능 시스템으로 대체되고 있다.

인공 지능 기술은 머신 러닝 및 머신 러닝을 활용한 요소 기술들로 구성된다.

머신 러닝은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥러닝 등의 머신 러닝 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.

인공 지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화 시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.

사용자가 환자의 상태를 지속적으로 관찰하기 위하여, 일반적인 의료 영상 시스템은, 환자의 생체 신호를 실시간으로 보여주는 디스플레이를 포함할 수 있다. 사용자는, 디스플레이를 통해 제공되는 환자의 다양한 생체 신호들을 확인하고, 생체 신호들에 기초하여 환자의 상태가 정상 범위 내에 있는지 여부를 판단할 수 있다. 일반적인 의료 영상 시스템에 의하면, 사용자가 환자의 이상 여부를 판단하기 위해 우선적으로 고려하여야 할 생체 신호를 선택하고 생체 신호의 정상 범위를 결정함에 있어서, 사용자는 개인적인 판단에 의존할 수 밖에 없었다.

또한, 일반적인 의료 영상 시스템에 의하면, 의료 영상 촬영 중에 환자의 상태를 모니터링 하기 위해서, 사용자가 관련 전문 지식을 갖고 있거나, 관련 전문가의 참석이 반드시 요구되며, 전문가가 환자에 따라 여러 생체 신호들을 동시에 모니터링 하는 것이 필요하다.

일반적인 의료 영상 시스템에 의하면, 사용자가 개인적인 판단에만 의존하여, 환자에 따라 생체 신호들의 중요도 및 정상 범위를 다르게 판단하는 데에 어려움이 있을 수 있다. 또한, 실시간으로 변화하는 환자의 생체 신호들을 동시에 고려하여 환자의 이상 여부를 판단함에 있어서, 사용자가 실수를 할 가능성이 높다.

따라서, 환자의 상태를 사용자의 주관적인 판단에 기초하여 모니터링 함으로써 발생하는 문제점을 해결하기 위하여, 자동으로 환자의 상태를 모니터링 하는 모니터링 장치가 요구된다. 또한, 머신 러닝에 기초하여 환자의 상태를 학습하고, 환자의 상태에 따라 최적의 조치를 수행할 수 있는 모니터링 장치가 요구된다.

상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 일 실시예에 따르면, 환자 모니터링 방법은, 환자와 관련하여 획득된 데이터를 학습함으로써, 상기 환자의 정상 상태를 판단하기 위한 모델을 생성하는 단계; 상기 환자에 대한 의료 영상을 획득하면서, 상기 환자의 상태를 감지하는 적어도 하나의 센서로부터 상태 신호를 획득하는 단계; 상기 상태 신호에 기초하여, 상기 모델을 이용하여 상기 환자의 상태가 정상 상태인지 또는 이상 상태인지를 판단하는 단계; 및 상기 환자의 상태가 이상 상태라고 판단되는 경우, 상기 환자의 상태에 적합한 동작을 수행하는 단계를 포함할 수 있다.

다른 일 실시예에 따르면, 환자 모니터링 장치는, 환자와 관련하여 획득된 데이터를 학습함으로써, 상기 환자의 정상 상태를 판단하기 위한 모델을 생성하는, 적어도 하나의 프로세서; 및 상기 환자에 대한 의료 영상이 획득되는 동안, 상기 환자의 상태를 감지하는, 적어도 하나의 센서를 포함하고, 상기 프로세서는, 상기 적어도 하나의 센서로부터 수신된 상태 신호에 기초하여, 상기 모델을 이용하여 상기 환자의 상태가 정상 상태인지 또는 이상 상태인지를 판단하고, 상기 환자의 상태가 이상 상태라고 판단되는 경우, 상기 환자의 상태에 적합한 동작을 수행하는 것을 특징으로 할 수 있다.

다른 일 실시예에 따르면, 환자 모니터링 장치가 환자 모니터링 방법을 실행하도록 하는 명령어들을 포함하는 하나 이상의 프로그램이 포함된 컴퓨터 프로그램 제품에 있어서, 상기 환자 모니터링 방법은, 환자와 관련하여 획득된 데이터를 학습함으로써, 상기 환자의 정상 상태를 판단하기 위한 모델을 생성하는 단계; 상기 환자에 대한 의료 영상을 획득하면서, 상기 환자의 상태를 감지하는 적어도 하나의 센서로부터 상태 신호를 획득하는 단계; 상기 상태 신호에 기초하여, 상기 모델을 이용하여 상기 환자의 상태가 정상 상태인지 또는 이상 상태인지를 판단하는 단계; 및 상기 환자의 상태가 이상 상태라고 판단되는 경우, 상기 환자의 상태에 적합한 동작을 수행하는 단계를 포함할 수 있다.

다른 일 실시예에 따르면, 환자 모니터링 시스템은, 환자에 대한 의료 영상을 획득하기 위하여 상기 환자를 촬영하는 상황에서 획득된 상기 환자의 상태 신호에 기초하여, 상기 환자의 이상 상태를 판단하기 위하여 설정된 모델을 이용하여 상기 환자의 상태가 이상 상태인지 여부를 판단하고, 상기 환자의 상태가 이상 상태라고 판단되는 경우, 상기 환자의 상태에 적합한 동작을 수행하는 적어도 하나의 프로세서를 포함하는 환자 모니터링 장치; 및 상기 환자의 상태가 정상 상태라고 판단되는 경우, 상기 환자에 대한 의료 영상을 획득하는 동작을 수행하는 의료 영상 획득 장치를 포함할 수 있다. 이 때, 상기 모델은 상기 환자와 관련하여 획득된 데이터를 인공 지능 알고리즘을 이용하여 학습함으로써 생성된 모델일 수 있다.

도 1은 일반적인 의료 영상 시스템을 설명하기 위한 도면이다.
도 2는 일 실시예에 따른 환자 모니터링 장치의 블록도이다.
도 3은 일 실시예에 따른 환자 모니터링 장치의 블록도이다.
도 4는 일 실시예에 따른 프로세서의 블록도이다.
도 5는 일 실시예에 따라 환자 모니터링 장치가 환자를 모니터링하는 방법의 흐름도이다.
도 6은 일 실시예에 따라 환자 모니터링 장치가 환자를 모니터링하는 방법의 흐름도이다.
도 7은 일 실시예에 따른 MRI 시스템의 구성을 도시한 블록도이다.
도 8은 일 실시예에 따른 학습부 및 판단부를 나타내는 블록도이다.
도 9는 일 실시예에 따른 판단 모델을 이용하는 시스템의 흐름도이다.

아래에서는 첨부한 도면을 참조하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 개시의 실시예를 상세히 설명한다. 그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 또한, 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

본 개시의 일부 실시예는 기능적인 블록 구성들 및 다양한 처리 단계들로 나타내어질 수 있다. 이러한 기능 블록들의 일부 또는 전부는, 특정 기능들을 실행하는 다양한 개수의 하드웨어 및/또는 소프트웨어 구성들로 구현될 수 있다. 예를 들어, 본 개시의 기능 블록들은 하나 이상의 마이크로프로세서들에 의해 구현되거나, 소정의 기능을 위한 회로 구성들에 의해 구현될 수 있다. 또한, 예를 들어, 본 개시의 기능 블록들은 다양한 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능 블록들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 또한, 본 개시는 전자적인 환경 설정, 신호 처리, 및/또는 데이터 처리 등을 위하여 종래 기술을 채용할 수 있다.

또한, 도면에 도시된 구성 요소들 간의 연결 선 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것일 뿐이다. 실제 장치에서는 대체 가능하거나 추가된 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들에 의해 구성 요소들 간의 연결이 나타내어질 수 있다.

명세서 전체에서 "대상체" 란, 영상이 나타내고자 하는 생물 또는 무생물일 수 있다. 또한, 대상체는 환자의 신체의 전부 또는 일부를 의미할 수 있고, 대상체에는 간이나, 심장, 자궁, 뇌, 유방, 복부 등의 장기나, 태아 등이 포함될 수 있으며, 신체의 어느 한 단면이 포함될 수 있다.

명세서 전체에서 "사용자" 란, 의료 전문가로서 의사, 간호사, 임상병리사, 소노그래퍼(sonographer), 의료 영상 전문가 등이 될 수 있으나, 이에 한정되지 않는다. 또한, 명세서 전체에서 "의료 영상" 이란, 초음파 영상, MR(magnetic resonance) 영상, X-ray 영상, CT(computerized tomography) 영상, PET(Positron Emission Tomography) 영상, 및 대상체를 모델링한 모델 영상 등을 포함할 수 있으나, 이에 한정되지 않는다.

명세서 전체에서 "의료 영상 데이터" 란, 의료 영상을 생성할 수 있는 데이터 세트를 의미하고, 영상 데이터는 볼륨 데이터, 및 2D 영상 데이터를 포함할 수 있다.

아래에서는 첨부한 도면을 참고하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.

도 1은 일반적인 의료 영상 시스템을 설명하기 위한 도면이다. 예를 들어, 도 1 에 도시된 의료 영상 시스템(100)은 MRI 영상 시스템일 수도 있고, CT 영상 시스템일 수 있으나 실시예는 이에 제한되지 않는다.

도 1에 도시된 바와 같이 의료 영상 시스템(100)은 의료 영상 획득 장치(110) 및 의료 영상 표시 장치(120)를 포함할 수 있다.

의료 영상 획득 장치(110)는, 대상체를 지지하는 테이블 및 소정의 신호 (예를 들어, X선, MR 신호, 초음파 등)를 대상체를 향해 조사하는 갠트리를 포함할 수 있다. 의료 영상 획득 장치(110)는 대상체로부터 발생한 신호를 수신할 수 있다. 의료 영상 획득 장치(110)는 수신된 신호에 기초하여 대상체에 대한 의료 영상을 획득할 수 있다.

의료 영상 표시 장치(120)는, 의료 영상 획득 장치(110)에서 획득된 의료 영상을 수신하여 화면 상에 표시할 수 있다. 또한, 의료 영상 표시 장치(120)는 의료 영상 획득 장치(110)를 제어할 수 있다.

도 1에는 의료 영상 획득 장치(110)와 분리된 별도의 의료 영상 표시 장치(120)가 도시되나, 이에 한정되지 않는다. 의료 영상 표시 장치(120)는, 의료 영상 획득 장치(110)에 포함된 장치이거나, 의료 영상 획득 장치(110)에 연결된 장치일 수 있다. 의료 영상 표시 장치(120)는 의료 영상 획득 장치(110)를 제어하는 콘솔(console)을 포함할 수 있다. 의료 영상 획득 장치(110)와 의료 영상 표시 장치(120)는 유, 무선 네트워크를 통하여 서로 연결될 수 있다.

의료 영상 표시 장치(120)는, 대상체에 관한 의료 영상뿐만 아니라, 해당 의료 영상을 획득하는 것과 관련된 의료 영상 획득 정보를 표시할 수 있다. 예를 들어, 의료 영상 획득 정보에는, 대상체로부터 획득된 의료 영상을 사용자에게 제공하기 위해, 의료 영상 시스템이 처리해야 하는 실행 단계들에 관한 정보가 포함될 수 있다. 의료 영상 시스템(100)은, 실행 단계와 관련된 사용자 인터페이스를 통해, 실행 단계와 관련된 설정값을 입력 받거나, 대상체와 관련된 정보를 입력 받거나, 대상체 또는 시스템의 상태를 출력할 수 있다.

또한, 의료 영상 표시 장치(120)는, 대상체의 상태에 대한 정보를 표시할 수 있다. 예를 들어, 의료 영상 표시 장치(120)는, 대상체로부터 획득된 생체 신호를 표시할 수 있다.

의료 영상 시스템(100)의 사용자는, 환자의 상태를 지속적으로 관찰하기 위하여, 의료 영상 표시 장치(120)를 통해 제공되는 다양한 생체 신호들을 확인하고, 생체 신호들에 기초하여 환자의 상태가 정상 범위 내에 있는지 여부를 판단할 수 있다. 일반적인 의료 영상 시스템에 의하면, 환자의 이상 여부를 판단하기 위해 우선적으로 고려하여야 할 생체 신호를 선택하고 생체 신호의 정상 범위를 결정함에 있어서, 사용자는 개인적인 판단에 의존할 수 밖에 없었다.

또한, 일반적인 의료 영상 시스템에 의하면, 의료 영상 촬영 중에 환자의 상태를 모니터링 하기 위해서, 사용자가 관련 전문 지식을 가지고 있거나, 관련 전문가의 참석이 반드시 요구되며, 전문가가 환자에 따라 여러 생체 신호들을 동시에 모니터링 하는 것이 필요하다.

따라서, 환자의 상태를 사용자의 주관적인 판단에 기초하여 모니터링 함으로써 발생하는 문제점을 해결하기 위하여, 일 실시예에 따르면 자동으로 환자의 상태를 모니터링 할 수 있는 환자 모니터링 장치가 제공된다. 또한, 일 실시예에 따른 환자 모니터링 장치는, 머신 러닝에 기초하여 환자의 상태를 학습하고, 환자의 상태에 따라 최적의 조치를 취할 수 있다.

도 2는 일 실시예에 따른 환자 모니터링 장치의 블록도이다.

일 실시예에 따른 환자 모니터링 장치(200)는, 예를 들어, MRI 시스템 또는 CT 영상 시스템과 같이, 의료 영상을 획득하고 표시할 수 있는 의료 영상 시스템 내에 포함될 수 있다. 그러나 실시예는 이에 제한되지 않으며, 환자 모니터링 장치(200)는, 대상체로부터 의료 영상을 직접 획득하지 않고, 별도의 장치로부터 획득된 의료 영상을 처리 또는 표시하는 장치일 수 있다. 또는, 환자 모니터링 장치(200)는, 의료 영상 획득 장치 또는 의료 영상 표시 장치에 포함될 수 있다. 또는, 환자 모니터링 장치(200)는, 의료 영상을 획득하는 장치 또는 의료 영상을 표시하는 장치와 유선 또는 무선으로 연결된 별도의 셋톱 박스 형태로 동작할 수 있다. 또는, 환자 모니터링 장치(200)는, 의료 영상 획득 장치 또는 의료 영상 표시 장치와 무선으로 연결된 적어도 하나의 서버에 포함될 수 있다. 적어도 하나의 서버는, 예로, 특정 목적을 위하여 복수의 프로세서들 및 복수의 메모리들 중 적어도 하나를 공유하는 클라우드 서버를 포함할 수 있다. 일 실시예에 따른 환자 모니터링 장치(200)는, 프로세서(210) 및 센서(220)를 포함할 수 있다. 도 2에는 하나의 프로세서(210)만이 도시되었지만, 일 실시예에 따른 프로세서(210)는 둘 이상의 프로세서들을 포함할 수 있다.

일 실시예에 따르면, 프로세서(210)는 환자 모니터링 장치(200)의 전반적인 동작을 제어할 수 있다. 일 실시예에 따른 프로세서(210)는, 환자와 관련하여 획득된 데이터를 학습함으로써, 환자의 정상 상태 또는 이상 상태(또는, 비정상 상태, 정상이 아닌 상태)를 판단하기 위하여 설정된 모델을 생성할 수 있다. 프로세서(210)는, 환자에 대한 의료 영상을 획득하기 위하여, 환자를 촬영하는 상황에서 적어도 하나의 센서(220)로부터 환자에 대한 상태 신호를 수신할 수 있다.

환자를 촬영하는 상황은, 프로세서(210)가, 환자를 촬영하기 위하여 준비하는 시간, 환자를 촬영하는 시간, 환자에 대한 의료 영상 데이터를 획득하는 시간, 의료 영상 데이터를 이용하여 의료 영상을 생성하는 시간, 생성된 의료 영상을 획득하는 시간, 및 획득된 의료 영상을 표시하는 시간 중 적어도 하나의 시간을 포함할 수 있다. 또한, 환자를 촬영하는 상황은, 환자를 복수 횟수만큼 촬영하는 경우, 상기 복수의 촬영들 간의 간격 시간을 포함할 수 있다. 상기 촬영 간격 시간은, 환자 또는 사용자가 다음 촬영을 위하여 준비하는 시간, 다음 촬영을 위하여 영상 프로토콜을 조정하는 시간, 의료 영상 데이터를 생성하는 시간을 포함할 수 있다.

프로세서(210)는, 적어도 하나의 센서(220)로부터 수신된 상태 신호에 기초하여, 생성된 모델을 이용하여 환자의 상태가 정상 상태인지 또는 이상 상태인지(또는, 비정상 상태인지, 정상 상태가 아닌지) 여부를 판단할 수 있다.

환자와 관련하여 획득된 데이터는, 환자의 의료기록, 환자의 현재 건강 상태, 환자의 약물 복용 정보, 및 환자에 대한 의료 영상을 획득하기 위해서 이용되는 영상 프로토콜 중 적어도 하나를 포함할 수 있다.

프로세서(210)는, 환자와 관련하여 획득된 데이터와 함께, 다른 환자들과 관련하여 획득된 데이터 및 환자에 대한 촬영 전 상태 신호 중 적어도 하나를 학습함으로써 모델을 생성할 수 있다. 다른 환자들과 관련하여 획득된 데이터는, 다른 환자들의 의료기록, 다른 환자들의 약물 복용 정보, 다른 환자들에 대한 의료 영상들을 획득하기 위해서 이용되었던 영상 프로토콜들, 의료 영상이 획득되기 이전 또는 획득되는 동안 다른 환자들의 상태 신호들, 및 의료 영상들이 획득되는 동안 다른 환자들의 이상 여부 중 적어도 하나를 포함할 수 있다. 다른 환자들과 관련하여 획득된 데이터는, 과거에 다수의 환자들에 대한 의료 영상 촬영 과정에서 수집되었던 경험적인 데이터일 수 있다. 환자에 대한 촬영 전 상태 신호는, 환자에 대한 의료 영상이 획득되기 전에 획득된 환자의 상태에 대한 정보를 포함할 수 있다.

프로세서(210)는, 환자 모니터링 장치(200)에 내장된 메모리(미도시) 또는 연결된 외부 메모리(미도시)로부터, 환자와 관련하여 획득된 데이터 및 다른 환자들과 관련하여 획득된 데이터 중 적어도 하나를 획득할 수 있다. 또는, 프로세서(210)는, 서버(미도시)로부터, 환자와 관련하여 획득된 데이터 및 다른 환자들과 관련하여 획득된 데이터 중 적어도 하나를 획득할 수 있다.

일 실시예에 따른 프로세서(210)는, 환자와 관련하여 획득된 데이터에 대한 머신 러닝(machine learning)을 수행함으로써, 모델을 생성할 수 있다. 프로세서(210)는, 환자와 관련하여 획득된 데이터와 함께, 다른 환자들과 관련하여 획득된 데이터 및 환자에 대한 촬영 전 상태 신호 중 적어도 하나를 학습함으로써 모델을 생성할 수 있다.

머신 러닝이란, 프로세서를 포함하는 전자 장치가 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 것을 의미할 수 있다. 머신 러닝을 수행하는 전자 장치는, 엄격하게 정해진 정적인 프로그램 명령들을 수행하거나 일정하게 정해진 함수에 기초하여 연산을 수행하는 것이 아니라, 입력 데이터를 기반으로 예측, 결정 또는 추정을 이끌어내기 위해 동적 모델을 구축할 수 있다. 동적 모델은, 예로, 후술할 환자의 이상 상태 또는 환자의 정상 상태를 판단하기 위하여 설정된 모델을 포함할 수 있다.

예를 들어, 프로세서(210)는, 인공 지능 알고리즘 또는 머신 러닝 알고리즘의 한 방법으로서, 인공 신경망(artificial neural network), 베이지안 망(Bayesian network), 서포트 벡터 머신(support vector machine), 및 의사 결정 나무(decision tree) 중 적어도 하나의 알고리즘을 이용할 수 있다. 의사 결정 나무는, 의사 결정 규칙(decision rule)을 나무구조로 도표화하여 분류와 예측을 수행하는 분석 방법이다. 베이지안 망은, 예를 들어, 조건부 독립성(conditional independence)과 같은, 다수의 변수들 사이의 확률적 관계를 그래프 구조로 표현하는 모델을 이용하는 방법이다. 서포트 벡터 머신은, 패턴 인식과 자료 분석을 위한 지도 학습(supervised learning)의 모델을 이용하는 방법이다. 인공 신경망은, 생물학적 뉴런의 동작 원리와 뉴런 간의 연결 관계를 모델링 한 것으로서, 노드(node) 또는 처리 요소(processing element)라고 하는 다수의 뉴런들이 층(層, layer) 구조의 형태로 연결된 모델을 이용하는 방법이다.

일 실시예에 따른 프로세서(210)는, 모델에 포함되는 복수의 노드들을 생성하고, 학습되는 데이터에 기초하여 조정이 가능한 가중치들을 복수의 노드들 각각에 대해 부여함으로써, 모델을 생성할 수 있다. 복수의 노드들은 서로 연결됨으로써 네트워크를 형성할 수 있다. 복수의 노드들 각각은, 적어도 하나의 함수 및 적어도 하나의 매개 변수 중 적어도 하나를 포함할 수 있다.

프로세서(210)에 의해 생성된 모델은, 입력되는 데이터에 기초하여, 환자의 상태가 정상 상태인지 또는 이상 상태인지를 판단할 수 있다. 프로세서(210)는, 환자에 대한 상태 신호를 복수의 노드들 간에 전달시킴으로써, 환자의 상태가 정상 상태인지 또는 이상 상태인지가 판단된 결과를 획득할 수 있다. 프로세서(210)는, 판단 결과에 기초하여, 환자의 상태가 정상 상태인지 또는 이상 상태인지를 판단할 수 있다. 프로세서(210)는, 환자의 상태 신호 및 의료 영상을 획득하기 위해서 수행되고 있는 프로토콜에 기초하여, 환자의 상태가 정상 상태인지 또는 이상 상태인지를 판단할 수 있다.

프로세서(210)에 의해 생성된 모델은, 학습되는 데이터에 기초하여 조정되는 가중치들이 부여되는 동적 모델이므로, 환자 또는 환자에 대한 의료 영상을 촬영하기 위해 이용되는 환자의 프로토콜에 따라서, 서로 다른 결과를 도출할 수 있다. 또한, 프로세서(210)에 의해 생성된 모델은 학습되는 데이터에 기초하여 스스로의 성능을 향상시킬 수 있으므로, 많은 수의 환자들에 대한 데이터를 학습할수록 정확도가 높은 판단 결과를 도출할 수 있다.

프로세서(210)는, 환자의 상태가 정상 상태라고 판단되는 경우, 프로세서(210)와 연결된 의료 영상 획득 장치가 의료 영상을 획득하기 위한 동작을 계속 수행하도록, 의료 영상 획득 장치를 제어할 수 있다.

반면에, 프로세서(210)는, 환자의 상태가 정상이 아니라고 판단되는 경우, 환자의 상태에 적합한 동작을 수행할 수 있다. 예를 들어, 프로세서(210)는, 환자의 상태에 기초하여, 프로세서(210)와 연결된 의료 영상 획득 장치를 제어하거나, 의료 영상 표시 장치를 제어할 수 있다.

예를 들어, 환자의 상태가 정상이 아니라고 판단되는 경우, 프로세서(210)는, 환자의 상태에 기초하여, 의료 영상을 획득하기 위한 프로토콜을 변경하거나, 의료 영상을 획득하는 동작을 중지하거나, 의료 영상을 획득하는 동작을 재시작하거나, 의료 영상 획득 장치로부터 환자를 제거하도록, 의료 영상 획득 장치를 제어할 수 있다. 예를 들어, 환자의 상태가 정상이 아니라고 판단되는 경우, 프로세서(210)는, 환자의 상태에 기초하여, 환자와의 커뮤니케이션을 시도하거나, 사용자에게 환자의 상태가 정상이 아님을 알릴 수 있다.

일 실시예에 따른 프로세서(210)는, 환자의 상태가 정상이 아니라고 판단되는 경우, 사용자에게 환자의 상태가 정상이 아니라고 판단되었음을 알릴 수 있다. 프로세서(210)는, 사용자 입력이 수신되면, 의료 영상을 획득하기 위한 동작을 계속 수행하도록 의료 영상 획득 장치를 제어할 수 있다. 예를 들어, 프로세서(210)는, 프로세서(210)의 판단에도 불구하고, 환자의 상태가 정상 상태라고 판단된다는 사용자 입력이 수신되거나, 프로세서(210)의 판단을 무시하라는 사용자 입력이 수신되면, 의료 영상을 획득하기 위한 동작을 계속 수행하도록 제어할 수 있다.

일 실시예에 따른 환자 모니터링 장치(200)는, 적어도 하나의 센서(220)를 포함할 수 있다. 센서(220)는, 환자에 대한 의료 영상을 획득하기 위하여, 환자를 촬영하는 상황에서의 환자의 상태를 감지할 수 있다.

센서(220)는, 환자에 대한 의료 영상이 획득되는 동안, 또는 환자에 대한 의료 영상이 획득되기 전에, 환자의 상태를 감지함으로써 상태 신호를 획득할 수 있다. 또한, 센서(220)는, 환자를 촬영하기 위하여 준비하는 시간, 환자를 촬영하는 시간, 환자에 대한 의료 영상 데이터를 획득하는 시간, 및 의료 영상 데이터를 이용하여 의료 영상을 생성하는 시간 중 적어도 하나의 시간에 환자의 상태를 감지함으로써 상태 신호를 획득할 수 있다. 또는, 환자를 복수 횟수만큼 촬영하는 경우, 센서(220)는 상기 복수의 촬영들 간의 간격 시간에 환자의 상태를 감지함으로써 상태 신호를 획득할 수 있다.

환자의 상태에 대한 정보를 포함하는 상태 신호는, 환자의 생체 신호를 포함할 수 있다. 예를 들어, 센서(220)는, 환자에 대한 영상 신호, 환자의 음성 신호, 심전도, 심박수, 혈압, 산소 포화도, 호흡 상태, 호흡 수, 환자의 체온, 및 환자 주변의 온도 중 적어도 하나에 대한 정보를 상태 신호로서 획득할 수 있다.

센서(220)는, 환자의 근방에 배치되거나, 환자의 피부 상에 부착되거나, 의료 영상 획득 장치의 외면에 배치될 수 있다.

다양한 실시예로, 환자의 상태에 대한 정보를 포함하는 상태 신호는, 환자에 대한 의료 영상의 분석을 통하여 획득될 수 있다. 이 경우, 환자에 대한 의료 영상은, 기 촬영된 의료 영상이 될 수도 있고, 환자를 촬영하는 상황에서 획득된 의료 영상이 될 수도 있다. 예로, MRI 시스템에서, 환자에 대한 저화질 복부 영상이 실시간으로 획득될 수 있다. 이 경우, 복부 영상의 분석에 따라, 환자에 대한 상태 신호로서, 환자의 호흡 상태 또는 호흡 수 등이 획득될 수도 있다.

도 3은 일 실시예에 따른 환자 모니터링 장치의 블록도이다.

일 실시예에 따른 환자 모니터링 장치(200)는, 도 2에 도시된 예에 제한되지 않는다. 도 2에 도시된 구성 요소 모두보다 많은 구성 요소에 의해 환자 모니터링 장치(200)가 구현될 수도 있다. 예를 들어, 도 3에 도시된 바와 같이, 일 실시예에 따른 환자 모니터링 장치(200)는, 출력부(320), 입력부(330), 통신부(340), 및 메모리(350) 중 적어도 하나를 더 포함할 수 있다. 환자 모니터링 장치(200)는, 환자(10)에 대한 의료 영상을 획득하는 의료 영상 획득 장치(301)에 포함되거나, 의료 영상 획득 장치(301)와 유선 또는 무선으로 연결될 수 있다.

일 실시예에 따르면, 환자 모니터링 장치(200)에 포함되는 적어도 하나의 센서(220)는, 카메라(311), 마이크(313), 심전도 센서(315), 또는 호흡 센서(317) 등을 포함할 수 있다. 그러나 실시예는 이에 제한되지 않으며, 센서(220)는, 혈압 센서, 산소 포화도 센서, 또는 온도계 등을 더 포함할 수 있다. 환자 모니터링 장치(200)에 포함되는 센서의 종류는, 모니터링 하고자 하는 환자에 따라 추가 또는 변경될 수 있다.

카메라(311)는, 환자에 대한 영상 신호를 획득할 수 있다. 카메라(311)는, 환자의 상태, 동작, 및 중 적어도 하나를 감시할 수 있다. 프로세서(210)는, 카메라(311)로부터 수신되는 환자에 대한 영상 신호에 기초하여, 환자가 느끼는 고통의 정도를 판단할 수 있다. 프로세서(210)는, 카메라(311)로부터 수신되는 영상 신호로부터, 환자의 떨림(shaking) 또는 발한(sweating) 등의 상태를 판단할 수 있다. 또한, 카메라(311)는, 환자의 피부 온도를 측정할 수 있는 적외선 카메라를 더 포함할 수 있다.

마이크(313)는, 환자의 음성 신호를 획득할 수 있다. 프로세서(210)는, 마이크(313)를 통해 수신되는 음성 신호로부터, 환자의 상태를 인지할 수 있다. 또한, 마이크(313)는, 스피커(323)와 함께 내부 연락(intercom) 시스템을 구성할 수 있다. 프로세서(210)는, 내부 연락 시스템에 포함되는 마이크(313)를 통해 환자의 음성을 인식하고, 스피커(323)를 통해 피드백을 줄 수 있다. 심전도 센서(315)는, 환자의 심전도를 획득할 수 있다. 호흡 센서(317)는, 환자의 호흡 상태, 또는 호흡 수를 감지할 수 있다.

일 실시예에 따른 출력부(320)는, 환자 모니터링 결과를 출력할 수 있다. 출력부(320)는, 환자의 상태 신호, 환자의 상태가 정상 상태인지 또는 이상 상태인지, 환자에 대해서 획득된 의료 영상, 해당 의료 영상을 획득하는 것과 관련된 의료 영상 획득 정보, 의료 영상을 획득하기 위해서 의료 영상 시스템이 처리해야 하는 실행 단계들에 관한 정보, 영상 프로토콜, 사용자 입력을 수신하기 위한 사용자 인터페이스, 환자 모니터링 장치(200)와 연결된 의료 영상 획득 장치(301)를 제어하기 위한 사용자 인터페이스 중 적어도 하나를 출력할 수 있다. 예를 들어, 출력부(320)는, 오디오 신호 또는 비디오 신호를 출력할 수 있는 디스플레이(321) 또는 스피커(323)를 포함할 수 있다.

일 실시예에 따른 출력부(320)는, 환자의 상태에 적합한 동작을 수행할 수 있다. 예를 들어, 디스플레이(321)는, 환자의 상태가 정상이 아니라고 판단되는 경우, 사용자에게 환자의 상태가 정상이 아니라고 판단되었음을 알리거나, 의료 영상을 획득하기 위한 프로토콜을 변경하기 위한 사용자 입력을 수신하는 사용자 인터페이스를 디스플레 하거나, 의료 영상을 획득하는 동작을 중지하기 위한 사용자 입력을 수신하는 사용자 인터페이스를 디스플레이하거나, 의료 영상을 획득하는 동작을 재시작하기 위한 사용자 입력을 수신하는 사용자 인터페이스를 디스플레이 하거나, 의료 영상 획득 장치(301)로부터 환자를 제거하기 위한 사용자 입력을 수신하는 사용자 인터페이스를 디스플레이할 수 있다. 예를 들어, 스피커(323)는, 환자(10)가 위치한 의료 영상 획득 장치(301)의 근방에 부착되어, 환자(10)와의 커뮤니케이션을 수행할 수 있다. 예를 들어, 스피커(323)는, 환자의 상태가 정상이 아니라고 판단되는 경우, 사용자에게 환자의 상태가 정상이 아니라고 판단되었음을 알릴 수 있다.

일 실시예에 따른 입력부(330)는, 환자 모니터링 장치(200) 및 환자 모니터링 장치(200)와 연결된 의료 영상 획득 장치(301) 중 적어도 하나를 제어하기 위한 사용자의 입력을 수신할 수 있다. 예를 들어, 사용자의 입력은 버튼, 키 패드, 마우스, 트랙볼, 조그 스위치, 놉(knop) 등을 조작하는 입력, 터치 패드나 터치 스크린을 터치하는 입력, 음성 입력, 모션 입력, 생체 정보 입력(예를 들어, 홍채 인식, 지문 인식 등) 등을 포함할 수 있으나 이에 한정되지 않는다.

일 실시예에 따른 통신부(340)는, 외부 장치와 통신을 가능하게 하는 하나 이상의 구성 요소를 포함할 수 있으며, 예를 들어 근거리 통신 모듈, 유선 통신 모듈 및 무선 통신 모듈 중 적어도 하나를 포함할 수 있다.

통신부(340)는, 외부 장치로부터 제어 신호 및 데이터를 수신하고, 수신된 제어 신호를 프로세서(210)에게 전달하여, 프로세서(210)로 하여금 수신된 제어 신호에 따라 환자 모니터링 장치(200)를 제어하도록 하는 것도 가능하다. 또는, 프로세서(210)가 통신부(340)를 통해 외부 장치에 제어 신호를 송신함으로써, 외부 장치를 제어부의 제어 신호에 따라 제어하는 것도 가능하다. 예를 들어, 의료 영상 획득 장치(301)는, 통신부(340)를 통해 수신된 제어 신호에 기초하여, 환자의 상태에 적합한 의료 영상 획득 동작을 수행할 수 있다. 또한, 통신부(340)는, 센서(220)로부터 상태 신호를 수신하거나, 외부 메모리 또는 서버로부터, 환자와 관련된 데이터 및 다른 환자들과 관련된 데이터 중 적어도 하나를 획득할 수 있다.

메모리(350)는, 환자 모니터링 장치(200)를 구동하고 제어하기 위한 다양한 데이터 또는 프로그램 등을 저장할 수 있다. 또한, 메모리(350)는, 환자와 관련된 데이터 및 다른 환자들과 관련된 데이터 중 적어도 하나를 저장할 수 있다. 또한, 메모리(350)는, 환자로부터 획득된 의료 영상 데이터, 및 의료 영상 등을 저장할 수 있다.

도 4는 일 실시예에 따른 환자 모니터링 장치(200)에 포함되는 프로세서(210)의 블록도이다.

일 실시예에 따른 프로세서(210)는, 학습부(410), 판단부(420), 및 제어부(430)를 포함할 수 있다.

프로세서(210)는, 의료 영상 촬영 중에 환자의 상태의 이상 여부를 자동으로 실시간으로 검출하도록, 일 실시예에 따라 머신 러닝에 기초한 환자 모니터링 장치(200)를 제어할 수 있다. 프로세서(210)는, 복수의 센서들로부터 획득된 상태 신호들을 처리하고, 처리된 결과에 기초하여, 의료 영상 획득 장치 또는 주변 장치를 제어할 수 있다.

일 실시예에 따른 학습부(410)는, 환자가 정상 상태인지 이상 상태인지 여부를 구분하기 위해 학습을 수행할 수 있다. 학습부(410)는, 다른 환자들에 대한 사전 데이터와 현재 의료 영상을 촬영하고자 하는 환자에 대한 데이터를 학습함으로써, 환자의 상태가 정상 상태인지 또는 이상 상태인지를 판단하는 모델을 생성할 수 있다. 학습부(410)는, 다른 환자들로부터 얻은 데이터와 현재 검사를 진행하고자 하는 환자의 의료 기록, 환자의 현재 상태, 환자의 약물 복용 여부, 사용하고자 하는 영상 촬영 프로토콜 등을 학습함으로써, 모델을 생성할 수 있다. 또한, 학습부(410)는, 환자에 대한 의료 영상 촬영을 수행하기 전에, 정상 상태에서 얻은 환자의 촬영 전 상태 신호를 추가로 학습함으로써, 생성되는 모델의 정확도를 높일 수 있다.

판단부(420)는, 센서들로부터 수신된 환자의 상태 신호에 기초하여 환자의 상태를 판단할 수 있다. 학습부(410)에서 모델을 구성하면, 의료 영상 획득 장치는 환자에 대한 의료 영상 촬영을 시작하게 된다. 판단부(420)는, 의료 영상이 촬영되는 동안 센서(220)로부터 실시간으로 획득되는 환자의 상태 신호를 모델에 적용함으로써, 환자의 상태를 촬영 중에 지속적으로 판단할 수 있다. 판단부(420)는, 환자의 상태 신호와 함께, 현재 의료 영상 획득 장치가 수행 중인 의료 영상 프로토콜을 더 고려하여, 환자의 상태를 판단할 수 있다.

제어부(430)는, 판단부(420)에서 판단된 환자의 상태에 기초하여, 의료 영상 획득 장치 또는 주변 장치를 제어하거나, 사용자에게 환자의 상태를 알리는 기능을 수행할 수 있다. 제어부(430)는, 환자의 상태에 이상이 있다고 판단되면, 환자의 상태에 따라 적합한 동작을 수행할 수 있다. 예를 들어, 제어부(430)는, 촬영 프로토콜을 바꾸거나, 촬영을 일시 중단하거나, 촬영을 다시 수행하거나, 환자를 즉시 스캐너로부터 꺼내도록, 의료 영상 획득 장치를 제어할 수 있다. 또는, 제어부(430)는, 환자의 이상 상태를 사용자에게 알릴 수 있다.

이하에서는, 일 실시예에 따른 환자 모니터링 방법을 설명한다. 이하에서 서술하는 환자 모니터링 방법의 각 단계는, 상술한 환자 모니터링 장치(200)의 각 구성에 의해 수행될 수 있다. 중복되는 설명은 생략한다.

도 5는 일 실시예에 따라 의료 영상 촬영 중에 환자를 모니터링하는 방법의 흐름도이다. 이하에서는, 설명의 편의를 위하여, 환자 모니터링 장치에 의해 도 5에 도시된 방법이 수행되는 경우를 예로 들어 설명한다. 그러나, 실시예는 이에 제한되지 않으며, 도 5에 도시된 환자 모니터링 방법은, 의료 영상 시스템, 의료 영상 획득 장치, 및 의료 영상 표시 장치 중 적어도 하나에 포함되거나, 유선 또는 무선으로 연결된 전자 장치에 의해 수행될 수 있다.

단계 S510에서 일 실시예에 따른 환자 모니터링 장치(200)는, 환자와 관련하여 획득된 데이터를 학습함으로써, 환자의 정상 상태를 판단하기 위한 모델을 생성할 수 있다. 환자 모니터링 장치(200)는, 획득된 데이터에 대한 머신 러닝을 수행함으로써 모델을 생성할 수 있다.

일 실시예에 따른 환자 모니터링 장치(200)는, 환자의 의료 기록을 포함하는 환자와 관련하여 획득된 데이터 및 다른 환자들과 관련하여 획득된 데이터를 학습함으로써 모델을 생성할 수 있다.

일 실시예에 따른 환자 모니터링 장치(200)는, 환자에 대한 의료 영상을 획득하기 전에, 적어도 하나의 센서로부터 환자에 대한 촬영 전 상태 신호를 획득할 수 있다. 환자 모니터링 장치(200)는, 환자와 관련하여 획득된 데이터 및 촬영 전 상태 신호를 더 학습함으로써 모델을 생성할 수 있다.

예를 들어, 환자 모니터링 장치(200)가 생성하는 모델은, 서로 연결됨으로써 네트워크를 형성하는 복수의 노드들을 포함할 수 있다. 예를 들어, 환자 모니터링 장치(200)는, 모델에 포함되는 복수의 노드들을 생성할 수 있다. 환자 모니터링 장치(200)는, 학습되는 데이터에 기초하여 조정이 가능한 가중치들을 복수의 노드들 각각에 대해 부여할 수 있다. 복수의 노드들 각각은 적어도 하나의 함수를 포함할 수 있다. 환자 모니터링 장치(200)는, 의료 영상을 촬영하면서 환자로부터 획득된 환자의 상태 신호를 모델에 포함되는 복수의 노드들 간에 전달시킴으로써, 환자의 상태가 정상 상태인지 또는 이상 상태인지를 판단할 수 있다.

단계 S520에서 일 실시예에 따른 환자 모니터링 장치(200)는, 환자에 대한 의료 영상을 획득하면서, 환자의 상태를 감지하는 적어도 하나의 센서로부터 상태 신호를 획득할 수 있다. 예를 들어, 환자의 상태 신호는, 환자에 대한 영상 신호, 환자의 음성 신호, 심전도, 심박수, 혈압, 산소 포화도, 호흡 상태, 호흡 수, 상기 환자의 체온, 및 환자 주변의 온도 중 적어도 하나에 대한 정보를 포함할 수 있다.

단계 S530에서 일 실시예에 따른 환자 모니터링 장치(200)는, 환자의 상태 신호에 기초하여, 모델을 이용하여 환자의 상태가 정상 상태인지 또는 이상 상태인지를 판단할 수 있다. 환자 모니터링 장치(200)는, 상태 신호를 모델에 적용함으로써, 환자의 상태가 정상 상태인지 또는 이상 상태인지를 판단할 수 있다.

일 실시예에 따른 환자 모니터링 장치(200)는, 상태 신호와 함께 의료 영상을 획득하기 위해서 수행되고 있는 프로토콜을 더 고려하여, 모델을 이용하여 환자의 상태가 정상 상태인지 또는 이상 상태인지를 판단할 수 있다.

단계 S540에서 일 실시예에 따른 환자 모니터링 장치(200)는, 환자의 상태가 정상이 아니라고 판단되는 경우, 환자의 상태에 적합한 동작을 수행할 수 있다. 예를 들어, 환자의 상태에 적합한 동작은, 의료 영상을 획득하기 위한 프로토콜의 변경, 의료 영상을 획득하는 동작의 중지, 의료 영상을 획득하는 동작의 재시작, 환자와의 커뮤니케이션 시도, 환자의 상태가 정상이 아님을 알림, 및 의료 영상 획득 장치로부터 환자의 제거 중 적어도 하나를 포함할 수 있다.

일 실시예에 따른 환자 모니터링 장치(200)는, 환자의 상태가 정상이 아니라고 판단되는 경우, 사용자에게 상기 환자의 상태가 정상이 아니라고 판단되었음을 알릴 수 있다. 환자 모니터링 장치(200)는, 사용자 입력이 수신되면, 의료 영상을 획득하기 위한 동작을 계속 수행할 수 있다.

반면에, 일 실시예에 따른 환자 모니터링 장치(200)는, 환자의 상태가 정상 상태라고 판단되는 경우, 의료 영상을 획득하기 위한 동작을 계속 수행할 수 있다.

일 실시예에 따른 환자 모니터링 장치(200)는, 의료 영상 촬영 중에 환자의 상태를 모니터링 하고, 환자에게 이상이 발생한 경우 환자의 상태에 따라 필요한 후속 조치를 제안하거나 환자의 상태에 적합한 동작을 자동으로 수행할 수 있다. 따라서, 일 실시예에 따르면, 사용자가 환자의 이상 상태를 인지하거나 대응하는데 발생할 수 있는 실수를 최소화 할 수 있다

.

일 예로서, 중증 환자, 심혈관계 질환을 앓는 환자, 마취 중인 환자에 대한 의료 영상이 촬영되는 경우, 일 실시예에 따른 환자 모니터링 장치(200)는, 환자로부터 획득되는 바이탈 사인(vital sign)을 우선적으로 고려하는 모델을 생성할 수 있다. 환자 모니터링 장치(200)는, 생성된 모델을 이용하여 환자의 상태가 정상 상태인지 또는 이상 상태인지를 판단할 수 있다. 환자 모니터링 장치(200)는, 환자와 관련하여 획득된 데이터를 학습함으로써, 환자의 바이탈 사인이 다른 파라미터들에 비하여 상대적으로 높은 중요도를 갖는 모델을 생성할 수 있다. 환자 모니터링 장치(200)는, 모델을 생성하기 위하여, 촬영 전 환자의 정상 상태를 더 학습할 수 있다. 환자 모니터링 장치(200)는, 환자에 대한 의료 영상 촬영 중에 지속적으로 획득되는 환자의 상태 신호에 기초하여, 환자의 위험 가능성을 조기에 인지하고, 사용자에게 알리거나 촬영 동작을 멈추는 등의 후속 조치를 수행할 수 있다.

다른 예로서, 폐소공포증(claustrophobia) 또는 우울증 등의 정신질환을 앓고 있는 환자에 대한 의료 영상이 촬영되는 경우, 일 실시예에 따른 환자 모니터링 장치(200)는, 환자의 정신적 상태가 안정적인지 불안정한지 여부를 나타내는 상태 신호를 우선적으로 고려하는 모델을 생성할 수 있다. 환자 모니터링 장치(200)는, 생성된 모델을 이용하여 환자의 상태가 정상 상태인지 또는 이상 상태인지를 판단할 수 있다. 환자 모니터링 장치(200)는, 환자와 관련하여 획득된 데이터를 학습함으로써, 환자의 정신적 상태가 안정적인지 불안정한지 여부를 나타내는 상태 신호가 다른 파라미터들에 비하여 상대적으로 높은 중요도를 갖는 모델을 생성할 수 있다.

환자 모니터링 장치(200)는, 환자에 대한 의료 영상 촬영 중에 지속적으로 획득되는 환자의 상태를 인지하고, 환자의 상태에 기초하여 환자와의 지속적인 대화(communication)을 유도할 수 있다. 환자 모니터링 장치(200)는, 감지되는 환자의 상태에 기초하여, 환자의 기분을 묻는 등의 기본적인 대화를 수행할 수 있다. 환자 모니터링 장치(200)는, 환자에 대한 의료 영상 촬영 중에 지속적으로 획득되는 환자의 상태 신호에 기초하여, 환자가 신체적, 또는 정신적으로 불안정 하여 움직임이 심해져 촬영이 어렵다고 판단할 수 있다. 환자 모니터링 장치(200)는, 촬영이 어려울 정도로 환자의 상태가 비정상적이라고 판단되는 경우, 촬영을 잠시 중단하거나 프로토콜을 바꾸는 등의 조치를 수행할 수 있다.

다른 예로서, 일 실시예에 따른 환자 모니터링 장치(200)는, 의사 소통이 어려운 환자에 대한 의료 영상이 촬영되는 경우, 일 실시예에 따른 환자 모니터링 장치(200)는, 환자로부터 획득되는 바이탈 사인 또는 환자가 느끼는 고통을 우선적으로 고려하는 모델을 생성할 수 있다. 환자 모니터링 장치(200)는, 생성된 모델을 이용하여 환자의 상태가 정상 상태인지 또는 이상 상태인지를 판단할 수 있다. 환자 모니터링 장치(200)는, 센서(220)로부터 획득되는 환자의 떨림, 발한 등과 관련된 정보를 포함하는 상태 신호에 기초하여, 환자가 느끼는 고통의 정도를 판단할 수 있다. 환자 모니터링 장치(200)는, 환자에 대한 의료 영상 촬영 중에 지속적으로 획득되는 환자의 상태 신호에 기초하여, 환자의 상태를 자동으로 모니터링하고, 환자에게 이상이 발생할 경우 환자의 상태에 기초하여 환자에 대한 촬영 지속이 가능한지 여부를 사용자에게 알려줄 수 있다.

다른 예로서, 환자 모니터링 장치(200)는, 적외선 카메라 기반 온도 센서를 이용함으로써, 환자의 피부 온도를 측정할 수 있다. 환자 모니터링 장치(200)는, 환자와 관련하여 획득된 데이터를 학습함으로써, 환자의 정상 상태를 판단하기 위한 모델을 생성할 수 있다. 환자 모니터링 장치(200)는, 모델을 생성하기 위하여, 프로토콜 및 장비에 대한 기본 정보와 환자의 몸무게, 체형 등을 미리 학습할 수 있다. 환자 모니터링 장치(200)는, 환자에 대한 의료 영상 촬영 중에 지속적으로 적외선 카메라로부터 획득된 영상을 분석함으로써, 환자의 상태가 위험한지 여부를 판단할 수 있다.

환자 모니터링 장치(200)는, 환자의 상태가 정상 범위를 벗어나 위험하다고 판단되는 경우, 영상 촬영 프로토콜을 변경하거나 영상 촬영을 중단하도록 의료 영상 획득 장치를 제어함으로써 SAR(Specific Absorption Rate)에 의해 유발되는 화상을 방지할 수 있다. 또는, 환자 모니터링 장치(200)는, 환자의 상태가 정상 범위를 벗어나 위험하다고 판단되는 경우, 이러한 사실을 사용자에게 알릴 수 있다.

도 6은 일 실시예에 따라 의료 영상 획득 장치가 의료 영상을 획득하는 방법의 흐름도이다.

도 5의 S510은 도 6의 S610에 대응되고, 도 5의 S520은 도 6의 S630에 대응되고, 도 5의 S530은 도 6의 S640에 대응되고, 도 5의 S540은 도 6의 S660 내지 S690에 대응될 수 있다. 도 5의 각 단계에 대응되는 도 6의 각 단계에 대해서는, 도 5에 대한 설명이 적용될 수 있다. 따라서, 중복되는 동작에 대한 설명은 생략한다.

단계 S610에서 일 실시예에 따른 환자 모니터링 장치(200)는, 머신 러닝을 수행함으로써, 환자의 정상 상태를 판단하기 위한 모델을 생성할 수 있다. 환자 모니터링 장치(200)는, 환자와 관련하여 획득된 데이터, 다른 환자들과 관련하여 획득된 데이터 및 환자의 촬영 전 상태 신호에 대한 머신 러닝을 수행할 수 있다.

단계 S620에서 일 실시예에 따른 환자 모니터링 장치(200)는 의료 영상 획득 장치가 의료 영상을 획득하기 위한 동작을 수행하도록 제어할 수 있다. 의료 영상 획득 장치는 환자로부터 의료 영상을 획득하는데 필요한 복수의 실행 단계들 중에서 적어도 하나의 실행 단계를 순서대로 수행할 수 있다.

환자에 관한 의료 영상을 획득하는데 필요한 복수의 실행 단계는, 사용자의 입력에 기초하여 또는 메모리에 저장된 정보에 기초하여 결정될 수 있다. 촬영 부위가 달라질 경우, 의료 영상을 획득하는데 필요한 복수의 실행 단계가 달라질 수 있다. 또한, 동일한 촬영 부위를 촬영하더라도 촬영 프로토콜(protocol)이 달라질 경우, 필요한 복수의 실행 단계가 달라질 수 있다.

단계 S630에서 일 실시예에 따른 환자 모니터링 장치(200)는, 환자의 상태를 감지하는 적어도 하나의 센서로부터 상태 신호를 획득할 수 있다. 환자 모니터링 장치(200)는, 주기적으로 환자의 상태 신호를 획득할 수 있다.

단계 S640에서 일 실시예에 따른 환자 모니터링 장치(200)는, 단계 S610에서 생성된 모델에 기초하여, 환자의 상태가 정상 상태인지 또는 이상 상태인지를 판단할 수 있다. 환자 모니터링 장치(200)는, 상태 신호를 모델에 적용함으로써, 환자의 상태가 정상 상태인지 또는 이상 상태인지를 판단할 수 있다.

단계 S650에서 일 실시예에 따른 환자 모니터링 장치(200)는, 환자의 상태가 정상 상태라고 판단되는 경우, 의료 영상을 획득하기 위한 동작을 계속 수행하도록 의료 영상 획득 장치를 제어할 수 있다.

단계 S660에서 일 실시예에 따른 환자 모니터링 장치(200)는, 환자의 상태가 정상이 아니라고 판단되는 경우, 사용자에게 환자의 상태가 정상이 아니라고 판단되었음을 알릴 수 있다.

단계 S670에서 일 실시예에 따른 환자 모니터링 장치(200)는, 환자 모니터링 장치(200)의 판단 결과를 무시하라는 사용자 입력이 수신되었는지 여부를 판단할 수 있다. 환자 모니터링 장치(200)는, 환자 모니터링 장치(200)의 판단 결과를 무시하라는 사용자 입력이 수신되면, 의료 영상을 획득하기 위한 동작을 계속 수행하도록 의료 영상 획득 장치를 제어할 수 있다.

단계 S680에서 일 실시예에 따른 환자 모니터링 장치(200)는, 환자 모니터링 장치(200)의 판단 결과를 무시하라는 사용자 입력이 수신되지 않는 경우, 환자의 상태에 적합한 동작을 수행할 수 있다. 예를 들어, 환자 모니터링 장치(200)는, 영상 촬영 프로토콜을 변경하거나 영상 촬영을 중단하도록 의료 영상 획득 장치를 제어할 수 있다.

단계 S690에서 일 실시예에 따른 환자 모니터링 장치(200)는, 의료 영상을 획득하는데 필요한 복수의 실행 단계들이 모두 수행되어 의료 영상 획득 동작이 종료되었는지 여부를 판단할 수 있다. 환자 모니터링 장치(200)는, 의료 영상 획득 동작이 종료되지 않았다고 판단되는 경우, 단계 S620으로 되돌아가서 의료 영상 획득 장치가 의료 영상을 획득하기 위한 동작을 계속 수행하도록 제어할 수 있다.

도 6에서는, 사용자 입력이 수신되면, 의료 영상 획득 동작을 계속 수행하고, 사용자 입력이 수신되지 않으면, 환자의 상태에 적합한 동작을 수행하는 경우를 예로 들어 도시하였다. 그러나, 실시예는 이에 제한되지 않는다.

예를 들어, 일 실시예에 따른 환자 모니터링 장치(200)는, 환자 모니터링 장치(200)의 판단 결과에 따라 환자의 상태에 적합한 동작을 수행해야 한다는 사용자 입력이 수신되면, 환자의 상태에 적합한 동작을 수행할 수 있다. 반면에, 환자 모니터링 장치(200)의 판단 결과에 따라 환자의 상태에 적합한 동작을 수행해야 한다는 사용자 입력이 수신되지 않으면, 일 실시예에 따른 환자 모니터링 장치(200)는, 의료 영상을 획득하기 위한 동작을 계속 수행하도록 의료 영상 획득 장치를 제어할 수 있다.

도 7은 일 실시 예에 따른 의료 영상 획득 시스템의 구성을 도시한 블록도이다.

한편, 일 실시예에 따른 환자 모니터링 장치(200)는, 의료 영상 획득 시스템 내에 포함되거나, 유선 또는 무선으로 의료 영상 획득 시스템과 연결될 수 있다.

의료 영상 획득 시스템은, 예로, MRI 시스템, CT 시스템, X-ray 시스템 등을 포함할 수 있으나 전술한 예에 제한되지 않는다.

일 예로, MRI 시스템은 자기 공명(magnetic resonance, MR) 신호를 획득하고, 획득된 자기 공명 신호를 영상으로 재구성한다. 자기 공명 신호는 대상체로부터 방사되는 RF 신호를 의미한다.

MRI 시스템은 주자석이 정자장(static magnetic field)을 형성하여, 정자장 속에 위치한 대상체의 특정 원자핵의 자기 쌍극자 모멘트 방향을 정자장 방향으로 정렬시킨다. 경사자장 코일은 정자장에 경사 신호를 인가하여, 경사자장을 형성시켜, 대상체의 부위 별로 공명 주파수를 다르게 유도할 수 있다.

RF 코일은 영상 획득을 원하는 부위의 공명 주파수에 맞추어 RF 신호를 조사할 수 있다. 또한, RF 코일은 경사자장이 형성됨에 따라, 대상체의 여러 부위로부터 방사되는 서로 다른 공명 주파수의 MR 신호들을 수신할 수 있다. 이러한 단계를 통해 MRI 시스템은 영상 복원 기법을 이용하여 MR 신호로부터 영상을 획득한다.

도 7을 참조하면, MRI 시스템(701)은 오퍼레이팅부(710), 제어부(730) 및 스캐너(750)를 포함할 수 있다. 여기서, 제어부(730)는 도 7에 도시된 바와 같이 독립적으로 구현될 수 있다. 또는, 제어부(730)는 복수 개의 구성 요소로 분리되어, MRI 시스템(701)의 각 구성 요소에 포함될 수도 있다. 이하에서는 각 구성 요소에 대해 구체적으로 살펴보도록 한다.

의료 영상을 획득하기 위한 스캐너(750)는 내부 공간이 비어 있어, 대상체가 삽입될 수 있는 형상(예컨대, 보어(bore) 형상)으로 구현될 수 있다. 스캐너(750)의 내부 공간에는 정자장 및 경사자장이 형성되며, RF 신호가 조사된다.

스캐너(750)는 정자장 형성부(751), 경사자장 형성부(752), RF 코일부(753), 테이블부(755) 및 디스플레이부(756)를 포함할 수 있다. 정자장 형성부(751)는 대상체에 포함된 원자핵들의 자기 쌍극자 모멘트의 방향을 정자장 방향으로 정렬하기 위한 정자장을 형성한다. 정자장 형성부(751)는 영구 자석으로 구현되거나 또는 냉각 코일을 이용한 초전도 자석으로 구현될 수도 있다.

경사자장 형성부(752)는 제어부(730)와 연결된다. 제어부(730)로부터 전송 받은 제어신호에 따라 정자장에 경사를 인가하여, 경사자장을 형성한다. 경사자장 형성부(752)는 서로 직교하는 X축, Y축 및 Z축 방향의 경사자장을 형성하는 X, Y, Z 코일을 포함하며, 대상체의 부위 별로 공명 주파수를 서로 다르게 유도할 수 있도록 촬영 위치에 맞게 경사 신호를 발생 시킨다.

RF 코일부(753)는 제어부(730)와 연결되어, 제어부(730)로부터 전송 받은 제어신호에 따라 대상체에 RF 신호를 조사하고, 대상체로부터 방출되는 MR 신호를 수신할 수 있다. RF 코일부(753)는 세차 운동을 하는 원자핵을 향하여 세차운동의 주파수와 동일한 주파수의 RF 신호를 대상체에게 전송한 후 RF 신호의 전송을 중단하고, 대상체로부터 방출되는 MR 신호를 수신할 수 있다.

RF 코일부(753)는 원자핵의 종류에 대응하는 무선 주파수를 갖는 전자파를 생성하는 송신 RF 코일과, 원자핵으로부터 방사된 전자파를 수신하는 수신 RF 코일로서 각각 구현되거나 또는 송/수신 기능을 함께 갖는 하나의 RF 송수신 코일로서 구현될 수도 있다. 또한, RF 코일부(753)외에, 별도의 코일이 대상체에 장착될 수도 있다. 예를 들어, 촬영 부위 또는 장착 부위에 따라, 헤드 코일(Head coil), 척추 코일(spine coil), 몸통 코일(torso coil), 무릎 코일(knee coil) 등이 별도의 코일로 이용될 수 있다.

스캐너(750)의 외측 및/또는 내측에는 디스플레이부(756)가 마련될 수 있다. 디스플레이부(756)는 제어부(730)에 의해 제어되어, 사용자 또는 대상체에게 의료 영상 촬영과 관련된 정보를 제공할 수 있다.

또한, 스캐너(750)에는 대상체의 상태에 관한 모니터링정보를 획득하여 전달하는 대상체 모니터링정보 획득부(미도시)가 마련될 수 있다. 예를 들어, 대상체 모니터링정보 획득부는 대상체의 움직임, 위치 등을 촬영하는 카메라(미도시), 대상체의 호흡을 측정하기 위한 호흡 측정기(미도시), 대상체의 심전도를 측정하기 위한 ECG 측정기(미도시), 또는 대상체의 체온을 측정하기 위한 체온 측정기(미도시)로부터 대상체에 관한 모니터링정보를 획득하여 제어부(730)로 전달할 수 있다. 이에 따라, 제어부(730)는 대상체에 관한 모니터링정보를 이용하여 스캐너(750)의 동작을 제어할 수 있다. 이하에서는 제어부(730)에 대해 살펴보도록 한다.

제어부(730)는 스캐너(750)의 전반적인 동작을 제어할 수 있다.

제어부(730)는 스캐너(750) 내부에서 형성되는 신호들의 시퀀스를 제어할 수 있다. 제어부(730)는 오퍼레이팅부(710)로부터 수신받은 펄스 시퀀스(pulse sequence) 또는 설계한 펄스 시퀀스에 따라 경사자장 형성부(752) 및 RF 코일부(753)를 제어할 수 있다.

펄스 시퀀스란, 경사자장 형성부(752), 및 RF 코일부(753)를 제어하기 위해 필요한 모든 정보를 포함하며, 예를 들어 경사자장 형성부(752)에 인가하는 펄스(pulse) 신호의 강도, 인가 지속시간, 인가 타이밍 등에 관한 정보 등을 포함할 수 있다.

제어부(730)는 펄스 시퀀스에 따라 경사 파형, 즉 전류 펄스를 발생시키는 파형 발생기(미도시), 및 발생된 전류 펄스를 증폭시켜 경사자장 형성부(752)로 전달하는 경사 증폭기(미도시)를 제어하여, 경사자장 형성부(752)의 경사자장 형성을 제어할 수 있다.

제어부(730)는 RF 코일부(753)의 동작을 제어할 수 있다. 예를 들어, 제어부(730)는 공명 주파수의 RF 펄스를 RF 코일부(753)에 공급하여 RF 신호를 조사할 수 있고, RF 코일부(753)가 수신한 MR 신호를 수신할 수 있다. 이때, 제어부(730)는 제어신호를 통해 송수신 방향을 조절할 수 있는 스위치(예컨대, T/R 스위치)의 동작을 제어하여, 동작 모드에 따라 RF 신호의 조사 및 MR 신호의 수신을 조절할 수 있다.

제어부(730)는 대상체가 위치하는 테이블부(755)의 이동을 제어할 수 있다. 촬영이 수행되기 전에, 제어부(730)는 대상체의 촬영 부위에 맞추어, 테이블부(755)를 미리 이동시킬 수 있다.

제어부(730)는 디스플레이부(756)를 제어할 수 있다. 예를 들어, 제어부(730)는 제어신호를 통해 디스플레이부(756)의 온/오프 또는 디스플레이부(756)를 통해 표시되는 화면 등을 제어할 수 있다.

제어부(730)는 MRI 시스템(701) 내 구성요소들의 동작을 제어하기 위한 알고리즘, 프로그램 형태의 데이터를 저장하는 메모리(미도시), 및 메모리에 저장된 데이터를 이용하여 전술한 동작을 수행하는 프로세서(미도시)로 구현될 수 있다. 이때, 메모리와 프로세서는 각각 별개의 칩으로 구현될 수 있다. 또는, 메모리와 프로세서는 단일 칩으로 구현될 수도 있다.

오퍼레이팅부(710)는 MRI 시스템(701)의 전반적인 동작을 제어할 수 있다. 오퍼레이팅부(710)는 영상 처리부(711), 입력부(712) 및 출력부(713)를 포함할 수 있다.

영상 처리부(711)는 메모리를 이용하여 제어부(730)로부터 수신 받은 MR 신호를 저장하고, 이미지 프로세서를 이용하여 영상 복원 기법을 적용함으로써, 저장한 MR 신호로부터 대상체에 대한 영상 데이터를 생성할 수 있다.

예를 들어, 영상 처리부(711)는 메모리의 k-공간(예컨대, 푸리에(Fourier) 공간 또는 주파수 공간이라고도 지칭됨)에 디지털 데이터를 채워 k-공간 데이터가 완성되면, 이미지 프로세서를 통해 다양한 영상 복원기법을 적용하여(예컨대, k-공간 데이터를 역 푸리에 변환하여) k-공간 데이터를 영상 데이터로 복원할 수 있다.

또한, 영상 처리부(711)가 MR 신호에 대해 적용하는 각종 신호 처리는 병렬적으로 수행될 수 있다. 예를 들어, 다채널 RF 코일에 의해 수신되는 복수의 MR 신호를 병렬적으로 신호 처리하여 영상 데이터로 복원할 수도 있다. 한편, 영상 처리부(711)는 복원한 영상 데이터를 메모리에 저장하거나 또는 후술할 바와 같이 제어부(730)가 통신부(760)를 통해 외부의 서버에 저장할 수 있다.

입력부(712)는 사용자로부터 MRI 시스템(701)의 전반적인 동작에 관한 제어 명령을 입력 받을 수 있다. 예를 들어, 입력부(712)는 사용자로부터 대상체 정보, 파라미터 정보, 스캔 조건, 펄스 시퀀스에 관한 정보 등을 입력 받을 수 있다. 입력부(712)는 키보드, 마우스, 트랙볼, 음성 인식부, 제스처 인식부, 터치 스크린 등으로 구현될 수 있다.

출력부(713)는 영상 처리부(711)에 의해 생성된 영상 데이터를 출력할 수 있다. 또한, 출력부(713)는 사용자가 MRI 시스템(701)에 관한 제어 명령을 입력 받을 수 있도록 구성된 유저 인터페이스(User Interface, UI)를 출력할 수 있다. 출력부(713)는 스피커, 프린터, 디스플레이 등으로 구현될 수 있다.

한편, 도 7에서는 오퍼레이팅부(710), 제어부(730)를 서로 분리된 객체로 도시하였으나, 전술한 바와 같이, 하나의 기기에 함께 포함될 수도 있다. 또한, 오퍼레이팅부(710), 및 제어부(730) 각각에 의해 수행되는 프로세스들이 다른 객체에서 수행될 수도 있다. 예를 들어, 영상 처리부(711)는, 제어부(730)에서 수신한 MR 신호를 디지털 신호로 변환하거나 또는, 제어부(730)가 직접 변환할 수도 있다.

MRI 시스템(701)은 통신부(760)를 포함하며, 통신부(760)를 통해 외부 장치(미도시)(예를 들면, 서버, 의료 장치, 휴대 장치(스마트폰, 태블릿 PC, 웨어러블 기기 등))와 연결할 수 있다.

통신부(760)는 외부 장치와 통신을 가능하게 하는 하나 이상의 구성 요소를 포함할 수 있으며, 예를 들어 근거리 통신 모듈(미도시), 유선 통신 모듈(761) 및 무선 통신 모듈(762) 중 적어도 하나를 포함할 수 있다.

통신부(760)가 외부 장치로부터 제어 신호 및 데이터를 수신하고, 수신된 제어 신호를 제어부(730)에게 전달하여 제어부(730)로 하여금 수신된 제어 신호에 따라 MRI 시스템(701)을 제어하도록 하는 것도 가능하다.

또는, 제어부(730)가 통신부(760)를 통해 외부 장치에 제어 신호를 송신함으로써, 외부 장치를 제어부의 제어 신호에 따라 제어하는 것도 가능하다.

예를 들어 외부 장치는 통신부(760)를 통해 수신된 제어부(730)의 제어 신호에 따라 외부 장치의 데이터를 처리할 수 있다.

외부 장치에는 MRI 시스템(701)을 제어할 수 있는 프로그램이 설치될 수 있는바, 이 프로그램은 제어부(730)의 동작의 일부 또는 전부를 수행하는 명령어를 포함할 수 있다.

프로그램은 외부 장치에 미리 설치될 수도 있고, 외부장치의 사용자가 어플리케이션을 제공하는 서버로부터 프로그램을 다운로드하여 설치하는 것도 가능하다. 어플리케이션을 제공하는 서버에는 해당 프로그램이 저장된 기록매체가 포함될 수 있다.

의료 영상 획득 시스템은, 환자 모니터링 장치를 포함할 수 있다. 이 경우, 환자 모니터링 장치 및 의료 영상 획득 장치를 포함하여 환자 모니터링 시스템으로 칭할 수도 있다. 또는, 환자 모니터링 장치, 의료 영상 획득 장치 및 의료 영상 표시 장치를 포함하여 환자 모니터링 시스템으로 칭할 수도 있다.

환자 모니터링 장치는, 환자에 대한 의료 영상을 획득하기 위하여 환자를 촬영하는 상황에서 획득된 환자의 상태 신호에 기초하여, 환자의 이상 상태를 판단하기 위하여 설정된 모델을 이용하여 환자의 상태가 이상 상태인지 여부를 판단할 수 있다. 이 때, 상기 모델은 환자와 관련하여 획득된 데이터를 인공 지능 알고리즘을 이용하여 학습함으로써 생성된 모델일 수 있다.

환자의 상태를 판단한 결과, 환자의 상태가 이상 상태라고 판단되는 경우, 환자 모니터링 장치는 환자의 상태에 적합한 동작을 수행할 수 있다. 반면에, 환자의 상태가 정상 상태라고 판단되는 경우, 의료 영상 획득 장치는 환자에 대한 의료 영상을 획득할 수 있다.

도 8은 일 실시 예에 따른 학습부 및 판단부를 나타내는 도면이다.

도 8에서, 학습부(810) 및 판단부(820)는 서로 연동하여 데이터를 학습하고 판단하는 예시를 나타내는 도면이다.

도 8을 참조하면, 학습부(810)는 환자와 관련하여 획득된 데이터를 이용하여 환자의 정상 상태 또는 이상 상태를 판단하기 위하여 설정된 모델을 생성할 수 있으며, 판단부(820)는 생성된 모델을 이용하여 환자의 상태를 판단하고, 환자의 상태에 적합한 동작을 수행할 수 있다.

일 예로, 학습부(810)는 서버의 프로세서의 일부가 될 수 있으며, 판단부(820)는 학습 모니터링 장치(200)의 프로세서의 일부가 될 수 있다. 이 경우, 학습부(810)와 판단부(820)는 통신 네트워크를 통하여 서로 연결될 수 있다. 통신 네트워크는 유선 또는 무선 네트워크를 포함할 수 있다.

또한, 학습부(810) 및 판단부(820)가 동일한 장치의 적어도 하나의 프로세서에 구현된 경우, 학습부(810) 및 판단부(820)는 데이터 라인 또는 버스(bus) 등을 통하여 서로 연결될 수 있다.

여기서, 학습부(810) 및 판단부(820)가 통신 네트워크를 통하여 연결된다는 것은, 학습부(810)와 판단부(820)가 직접 연결되거나, 다른 구성 요소(예로, 제3 구성요소로서, AP(access point), 허브(hub), 중계기기, 기지국, 공유기 및 게이트웨이(gateway) 중 적어도 하나)를 통하여 연결되는 것을 포함할 수 있다.

학습부(810)는 학습 데이터를 이용하여 환자가 정상 상태인지 이상 상태인지 여부를 판단하는 판단 모델을 생성할 수 있다. 학습부(810)가 판단 모델을 생성한다는 것은, 학습부(810)가 판단 모델을 학습시키거나 또는 학습된 판단 모델을 갱신하는 것을 포함할 수 있다.

판단부(820)는 특징 데이터를 판단 모델에 적용하여 환자가 정상 상태인지 이상 상태인지 판단할 수 있다. 또한, 판단부(820)는 판단 결과를 도 4의 제어부(430)에게 제공할 수 있다. 제어부(430)는 판단 결과에 기초하여, 의료 영상 획득 장치 또는 주변 장치를 제어하거나, 사용자에게 환자의 상태를 알리는 기능을 수행할 수 있다.

도 8에서, 학습부(810)는 데이터 획득부(811), 데이터 전처리부(812), 데이터 선택부(813), 모델 학습부(814) 및 모델 평가부(815)로 구성될 수 있다. 일 실시예로, 학습부(810)는 데이터 획득부(811) 및 모델 학습부(814)를 필수적으로 포함하고, 데이터 전처리부(812), 데이터 선택부(813) 및 모델 평가부(815) 중 적어도 하나를 선택적으로 더 포함하거나 포함하지 않을 수 있다.

데이터 획득부(811)는 데이터를 획득할 수 있다. 예로, 데이터 획득부(811)는 서버(예로, 의료 관리 서버), 외부 메모리 및 의료 영상 획득 장치 중 적어도 하나로부터 환자와 관련된 데이터 또는 다른 환자와 관련된 데이터를 획득할 수 있다.

데이터 전처리부(812)는 획득된 데이터를 전처리할 수 있다. 예로, 데이터 전처리부(812)는 후술할 모델 학습부(814)가 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다. 예로, 환자와 관련된 데이터가 의료 기록을 포함하는 경우, 데이터 전처리부(812)는 기 설정된 포맷에 따라 의료 기록에 포함된 사용자의 상태 신호를 가공할 수 있다.

데이터 선택부(813)는 전처리된 환자와 관련된 데이터 중에서 학습에 필요한 학습 데이터를 선택할 수 있다. 선택된 학습 데이터는 모델 학습부(814)에게 제공될 수 있다. 이 경우, 데이터 획득부(811)가 획득한 데이터 또는 데이터 전처리부(812)가 가공한 데이터는 학습 데이터로서 모델 학습부(814)에게 제공될 수도 있다.

데이터 선택부(813)는 기 설정된 기준에 따라 학습 데이터를 선택할 수 있다. 기 설정된 기준은, 예로, 데이터의 속성, 데이터의 생성 시간, 데이터의 생성자, 데이터의 신뢰도, 데이터의 대상, 데이터의 생성 지역 및 데이터의 크기 중 적어도 하나를 고려하여 결정될 수 있다.

모델 학습부(814)는 학습 데이터를 이용하여 판단 모델을 학습시킬 수 있다. 예로, 모델 학습부(814)는 지도 학습 방식 또는 비지도 학습 방식에 따라 판단 모델을 학습시켜서, 환자의 이상 상태 또는 환자의 정상 상태를 판단하기 위하여 설정된 모델을 생성할 수 있다. 모델 학습부(814)는 전술한 머신 러닝 방법에 따라 학습 데이터를 이용하여 예측, 결정 또는 추정을 이끌어내기 위한 동적 모델로서 상기 모델을 생성할 수 있다.

이 때, 판단 모델은 미리 구축된 모델일 수 있다. 예로, 판단 모델은 기본 학습 데이터(예로, 샘플 데이터 등)을 이용하여 미리 구축된 모델일 수도 있다. 이 경우, 모델 학습부(814)는 상기 미리 구축된 모델이 더 좋은 성능을 제공하도록 학습시킬 수 있다.

미리 구축된 모델은 복수 개가 존재할 수도 있다. 이 경우, 모델 학습부(814)는 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 데이터 인식 모델을 학습시킬 모델로 결정할 수 있다.

모델 학습부(814)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 데이터 인식 모델을 학습시킬 수 있다. 또한, 모델 학습부(814)는, 예를 들어, 학습 데이터 중 적어도 일부(예로, 환자가 정상 상태인지 또는 이상 상태인지를 나타내는 기준 정보)를 판단 기준으로 이용하는 지도 학습(supervised learning)을 통하여 판단 모델을 학습시킬 수 있다.

이 경우, 학습 데이터는 정상 상태의 환자를 대상으로 획득된 환자와 관련하여 데이터를 포함하거나, 또는, 이상 상태의 환자를 대상으로 획득된 환자와 관련된 데이터를 포함할 수 있다. 또한, 학습 데이터는 환자와 관련된 데이터가 정상 상태에서 획득된 데이터인지 또는 이상 상태에서 획득된 데이터인지 여부를 나타내는 기준 정보를 포함할 수 있다.

환자와 관련된 데이터는 환자의 생체 신호를 포함할 수 있다. 예로, 환자와 관련된 데이터가 환자의 의료 기록인 경우, 환자의 생체 신호에 대한 정보는, 환자가 입원 중에서 측정된 환자의 심전도, 심박수, 혈압, 산소 포화도, 호흡 수 및 환자의 체온 중 적어도 하나를 포함할 수 있다. 이 경우, 모델 학습부(814)는 환자의 의료 기록, 및 상기 의료 기록이 환자가 정상 상태에서 획득한 의료 기록인지 또는 환자가 이상 상태에서 획득한 의료 기록인지 여부를 나타내는 기준 정보를 이용하여 판단 모델을 학습시킬 수 있다.

또한, 환자와 관련된 데이터는 환자의 의료 영상 및 상기 의료 영상에 대한 영상 촬영 프로토콜을 포함할 수도 있다. 이 경우, 모델 학습부(814)는, 환자의 의료 영상, 상기 의료 영상에 대한 영상 촬영 프로토콜, 및 기준 정보를 이용하여 판단 모델을 학습시킬 수 있다. 이 때의 기준 정보는 상기 의료 영상이 환자가 정상 상태에서 촬영된 의료 영상인지 또는 환자가 이상 상태에서 촬영된 의료 영상인지 여부를 나타내는 정보를 포함할 수 있다.

또한, 환자와 관련된 데이터는 적어도 하나의 센서로부터 획득된 환자에 대한 촬영 전 상태 신호를 포함할 수 있다. 환자에 대한 촬영 전 상태 신호는, 정상 상태 또는 이상 상태에서 획득한 환자의 촬영 전 상태 신호를 포함할 수 있다. 이 경우, 학습 데이터는 환자에 대한 촬영 전 상태 신호가, 정상 상태에서 획득된 데이터인지 또는 이상 상태에서 획득된 데이터인지 여부를 나타내는 기준 정보를 포함할 수 있다.

다른 예로, 모델 학습부(814)는, 예를 들어, 별다른 지도없이 학습 데이터를 이용하여 환자의 상태를 판단하기 위한 기준을 발견하는 비지도 학습(unsupervised learning)을 통하여 데이터 인식 모델을 학습시킬 수 있다.

이 경우, 모델 학습부(814)는 학습 데이터로서 환자와 관련된 다양한 종류의 데이터를 이용할 수 있다. 예로, 학습 데이터는 환자의 의료 기록, 환자의 현재 상태 및 사용하고자 하는 영상 촬영 프로토콜 중 적어도 하나를 포함할 수 있다. 또한, 모델 학습부(814)는 학습 데이터로서 다른 환자들과 관련된 데이터를 이용할 수도 있다. 다른 환자와 관련된 데이터는, 예로, 다른 환자의 의료 기록, 다른 환자의 의료 영상 및 의료 영상에 대한 촬영 프로토콜을 포함할 수 있다.

비지도 학습을 통하여 데이터 인식 모델을 학습시키는 경우, 모델 학습부(814)는, 예로, 환자와 관련된 데이터들의 범위, 분포 형태 또는 특징 등을 고려하여 모델을 학습시킬 수 있다. 예로, 모델 학습부(814)는 환자와 관련된 데이터들에 포함된 환자의 상태 신호에 대한 정보들 중 일정 범위 내에 포함되는 상태 신호들은 정상 상태의 환자와 관련된 데이터로 분류하고, 일정 범위를 벗어나는 상태 신호들은 이상 상태의 환자와 관련된 데이터로 분류할 수 있다. 이 경우, 일정 범위에 해당하는 기준은 반복되는 학습을 통하여 결정될 수 있다.

또한, 모델 학습부(814)는, 다른 환자와 관련된 데이터들을 함께 이용하여 모델을 학습시킬 수 있다. 예로, 모델 학습부(814)는 다른 환자 및 현재 촬영 대상 환자와 관련된 데이터들에 포함된 환자의 상태 신호에 대한 정보들 중 일정 범위 내에 포함되는 상태 신호들은 정상 상태의 환자와 관련된 데이터로 분류하고, 일정 범위를 벗어나는 상태 신호들은 이상 상태의 환자와 관련된 데이터로 분류할 수 있다.

또한, 모델 학습부(814)는 환자와 관련된 데이터들에 포함된 환자의 상태 신호들 중 중요도가 높은 정보에 대하여는 가중치를 부여하여 환자의 상태를 판단하기 위한 기준을 발견할 수도 있다. 예로, 모델 학습부(814)는 환자의 바이탈 사인 또는 환자의 고통과 관련된 상태 신호들에는 높은 가중치가 부여되도록 판단 모델을 학습시킬 수 있다.

또한, 모델 학습부(814)는 환자의 병증을 고려하여 환자의 병증과 관련이 높은 상태 신호들에는 높은 가중치가 부여되도록 판단 모델을 학습시킬 수 있다. 예로, 정신질환을 앓고 있는 환자에 대하여는 환자의 정신과 관련된 상태 신호에 높은 가중치가 부여되도록 판단 모델을 학습시킬 수 있다. 또는, 심장질환을 가지고 있는 환자에 대하여는 심전도, 심박수, 혈압에 높은 가중치가 부여되도록 판단 모델을 학습시킬 수 있다.

다양한 실시예로, 모델 학습부(814)는 학습에 따른 분류가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 판단 모델을 학습시킬 수 있다. 이 경우, 상기 피드백은 판단 모델의 학습 과정에서 획득될 수도 있고, 또는, 환자의 상태에 대한 판단 결과에 따른 환자 모니터링 장치(200)를 사용하는 사용자의 피드백에 기초하여 획득될 수 있다.

판단 모델이 학습되면, 모델 학습부(814)는 학습된 데이터 인식 모델을 저장할 수 있다. 이 경우, 모델 학습부(814)는 학습된 판단 모델을 환자 모니터링 장치(200) 내부의 메모리 또는 외부의 메모리에 저장할 수 있다. 또는, 모델 학습부(814)는 학습된 판단 모델을 환자 모니터링 장치(200)와 유선 또는 무선 네트워크를 통하여 연결된 서버의 메모리에 저장할 수도 있다.

이 경우, 학습된 판단 모델이 저장되는 메모리는, 예로, 환자 모니터링 장치(200)의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 함께 저장할 수도 있다. 또한, 상기 메모리는 소프트웨어 및/또는 프로그램을 저장할 수도 있다. 프로그램은, 예를 들면, 커널, 미들웨어, 어플리케이션 프로그래밍 인터페이스(API) 및/또는 어플리케이션 프로그램(또는 "어플리케이션") 등을 포함할 수 있다.

모델 평가부(815)는 학습된 판단 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 판단 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(814)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 판단 모델을 평가하기 위한 기 설정된 데이터일 수 있다.

예를 들어, 모델 평가부(815)는 평가 데이터를 이용한 학습된 판단 모델의 판단 결과 중에서, 판단 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정된 임계치를 초과하는 경우 소정 기준을 만족하지 못한 것으로 평가할 수 있다. 예컨대, 소정 기준이 비율 2%로 정의되는 경우(예로, 학습된 판단 모델이 총 1000개의 평가 데이터 중의 20개를 초과하는 평가 데이터에 대하여 잘못된 인식 결과를 출력하는 경우), 모델 평가부(815)는 학습된 판단 모델이 적합하지 않은 것으로 평가할 수 있다.

한편, 학습된 판단 모델은 복수 개가 존재할 수도 있다. 이 경우, 모델 평가부(815)는 각각의 학습된 판단 모델에 대하여 소정 기준을 만족하는지를 평가하고, 소정 기준을 만족하는 모델을 최종 판단 모델로서 결정할 수 있다. 이 경우, 소정 기준을 만족하는 모델이 복수 개인 경우, 모델 평가부(815)는 평가 점수가 높은 순으로 미리 설정된 어느 하나 또는 소정 개수의 모델을 최종 판단 모델로서 결정할 수 있다.

한편, 학습부(810)의 구성 요소인 데이터 획득부(811), 데이터 전처리부(812), 데이터 선택부(813), 모델 학습부(814) 및 모델 평가부(815) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(811), 데이터 전처리부(812), 데이터 선택부(813), 모델 학습부(814) 및 모델 평가부(815) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.

또한, 데이터 획득부(811), 데이터 전처리부(812), 데이터 선택부(813), 모델 학습부(814) 및 모델 평가부(815)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(811), 데이터 전처리부(812), 학습 데이터 선택부(813), 모델 학습부(814) 및 모델 평가부(815) 중 일부는 학습 모니터링 장치(200)에 포함되고, 나머지 일부는 서버에 포함될 수 있다.

또한, 데이터 획득부(811), 데이터 전처리부(812), 데이터 선택부(813), 모델 학습부(814) 및 모델 평가부(815) 중 적어도 하나는 소프트웨어 모듈(또는, 인스트럭션(instruction) 포함하는 프로그램 모듈)로 구현될 수 있다. 이 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.

도 8의 판단부(820)는 데이터 획득부(821), 데이터 전처리부(822), 데이터 선택부(823), 판단 결과 제공부(824) 및 모델 갱신부(825)를 포함할 수 있다. 다양한 실시예로, 판단부(820)는 데이터 획득부(821) 및 판단 결과 제공부(824)를 필수적으로 포함하고, 데이터 전처리부(822), 데이터 선택부(823) 및 모델 갱신부(825) 중 적어도 하나를 선택적으로 더 포함할 수 있다.

데이터 획득부(821)는 현재 촬영 대상인 환자와 관련된 데이터를 획득할 수 있다. 예로, 데이터 획득부(821)는 의료 영상 획득 장치 및 외부 메모리 중 적어도 하나로부터 환자와 관련된 데이터를 획득할 수 있다. 환자와 관련된 데이터는, 환자를 촬영하는 상황에서, 환자의 상태를 감지하는 적어도 하나의 센서로부터 획득된 상태 신호에 기초한 데이터를 포함할 수 있다. 예로, 환자와 관련된 데이터는 상기 상태 신호를 포함하거나 또는 상기 상태 신호를 기 설정된 포맷에 따라 가공한 데이터를 포함할 수 있다.

데이터 전처리부(822)는 획득된 데이터를 전처리할 수 있다. 예로, 데이터 전처리부(821)는 후술할 판단 결과 제공부(824)가 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.

데이터 선택부(823)는 전처리된 환자와 관련된 데이터 중에서 판단 대상이 되는 특징 데이터를 선택할 수 있다. 선택된 특징 데이터는 판단 결과 제공부(824)에게 제공될 수 있다. 이 경우, 데이터 획득부(821)가 획득한 데이터 또는 데이터 전처리부(822)가 가공한 데이터가 학습 데이터로서 판단 결과 제공부(824)에게 제공될 수도 있다.

데이터 선택부(823)는 기 설정된 기준에 따라 특징 데이터를 선택할 수 있다. 기 설정된 기준은, 예로, 데이터의 속성, 데이터의 생성 시간, 데이터의 생성자, 데이터의 신뢰도, 데이터의 대상, 데이터의 생성 지역 및 데이터의 크기 중 적어도 하나를 고려하여 결정될 수 있다.

판단 결과 제공부(824)는 특징 데이터를 전술한 지도 학습 방식 또는 비지도 학습 방식에 따라 학습된 판단 모델에 적용하여 환자가 정상 상태인지 또는 이상 상태인지를 판단하여 판단 결과를 제공할 수 있다. 일 예로, 판단 결과 제공부(824)는 판단 결과를 도 4의 제어부(430)에게 제공할 수 있다. 제어부(430)는 판단 결과에 기초하여, 의료 영상 획득 장치 또는 주변 장치를 제어하거나, 사용자에게 환자의 상태를 알리는 기능을 수행할 수 있다.

모델 갱신부(825)는 판단 결과 제공부(824)에 의해 제공되는 판단 결과에 대한 평가에 기초하여, 판단 모델이 갱신되도록 제어할 수 있다. 예를 들어, 모델 갱신부(825)는 판단 결과 제공부(824)에 의해 제공되는 판단 결과에 대한 사용자 피드백을 모델 학습부(814)에게 제공함으로써, 모델 학습부(814)가 판단 모델을 갱신하도록 제어할 수 있다.

예로, 환자 모니터링 장치(200)는 판단 결과 제공부(824)에 의하여 제공된 판단 결과에 기초하여 환자의 상태가 이상 상태라고 판단되는 경우, 환자의 상태에 적합한 동작을 수행할 수 있다. 환자의 상태에 적합한 동작으로서 환자의 상태가 정상이 아니라고 판단되었음을 알리는 경우, 환자 모니터링 장치(200)는 판단 결과를 무시하라는 사용자 입력을 수신할 수 있다. 이 경우, 모델 갱신부(825)는 사용자 입력에 따른 사용자 피드백을 모델 학습부(814)에게 제공할 수 있다. 사용자 피드백은, 예로, 판단 결과(즉, 판단 모델의 분류)가 잘못(false)되었음을 나타내는 정보를 포함할 수 있다. 모델 학습부(814)는 획득된 사용자 피드백을 이용하여 판단 모델을 갱신할 수 있다.

또는, 환자 모니터링 장치(200)는 상기 알림에 따라 환자에 대한 촬영을 중단하거나, 상기 알림에 따라 영상 촬영 프로토콜을 변경하는 사용자 입력을 수신할 수 있다. 이 경우, 모델 갱신부(825)는 사용자 입력에 따른 사용자 피드백을 모델 학습부(814)에게 제공할 수 있다. 사용자 피드백은, 예로, 판단 결과가 맞음(true)을 나타내는 정보를 포함할 수 있다. 이 때, 사용자 피드백은 변경된 프로토콜에 대한 정보를 포함할 수도 있다. 모델 학습부(814)는 획득된 사용자 피드백을 이용하여 판단 모델을 갱신할 수 있다.

한편, 판단부(820)의 구성요소인 데이터 획득부(821), 데이터 전처리부(822), 데이터 선택부(823), 판단 결과 제공부(824) 및 모델 갱신부(825) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(821), 데이터 전처리부(822), 데이터 선택부(823), 판단 결과 제공부(824) 및 모델 갱신부(825) 중 적어도 하나는 인공 지능을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서 또는 그래픽 전용 프로세서의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.

또한, 데이터 획득부(821), 데이터 전처리부(822), 데이터 선택부(823), 판단 결과 제공부(824) 및 모델 갱신부(825)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(821), 전처리부(822), 데이터 선택부(823), 판단 결과 제공부(824) 및 모델 갱신부(825) 중 일부는 학습 모니터링 장치(200)에 포함되고, 나머지 일부는 서버에 포함될 수 있다.

또한, 데이터 획득부(821), 데이터 전처리부(822), 데이터 선택부(823), 판단 결과 제공부(824) 및 모델 갱신부(825) 중 적어도 하나는 소프트웨어 모듈(또는, 인스트럭션(instruction) 포함하는 프로그램 모듈)로 구현될 수 있다. 이 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체에 저장될 수 있다. 적어도 하나의 소프트웨어 모듈은 OS에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.

도 9는 일부 실시예에 따른 판단 모델을 이용하는 시스템의 흐름도이다.

도 9에서, 시스템은 제1 구성 요소(901) 및 제2 구성 요소(902)를 포함할 수 있다. 여기서, 제1 구성 요소(901)는 환자 모니터링 장치(200)이고, 제2 구성 요소(902)는 환자의 정상 또는 이상 상태의 판단 결과를 제공하는 서버가 될 수 있다. 또는, 제1 구성 요소(901)는 범용 프로세서이고, 제2 구성 요소(902)는 인공 지능 전용 프로세서가 될 수 있다. 또는, 제1 구성 요소(901)는 적어도 하나의 어플리케이션이 될 수 있고, 제2 구성 요소(902)는 운영 체제(operating system, OS)가 될 수 있다. 즉, 제2 구성 요소(902)는 제1 구성 요소(901)보다 더 집적화되거나, 전용화되거나, 딜레이(delay)가 작거나, 성능이 우세하거나 또는 많은 리소스를 가진 구성 요소로서, 판단 모델의 생성, 갱신 또는 적용 시에 요구되는 많은 연산을 제1 구성 요소(901)보다 신속하고 효과적으로 처리할 수 있다.

이 경우, 제1 구성 요소(901) 및 제2 구성 요소(902) 간에 데이터를 송/수신하기 위한 인터페이스가 정의될 수 있다.

예로, 판단 모델의 학습에 이용할 학습 데이터를 인자 값(또는, 매개 값 또는 전달 값)으로 갖는 API(application program interface)가 정의될 수 있다. 또는, 판단 모델의 판단에 이용할 특징 데이터를 인자 값으로 갖는 API가 정의될 수 있다. API는 어느 하나의 프로토콜(예로, 환자 모니터링 장치(200)에서 정의된 프로토콜)에서 다른 프로토콜(예로, 서버에서 정의된 프로토콜)의 어떤 처리를 위해 호출할 수 있는 서브 루틴 또는 함수의 집합으로 정의될 수 있다. 즉, API를 통하여 어느 하나의 프로토콜에서 다른 프로토콜의 동작이 수행될 수 있는 환경이 제공될 수 있다.

도 9의 단계 S911에서, 제1 구성 요소(901)는 환자의 상태 신호를 획득할 수 있다. 예로, 제1 구성 요소(901)는 환자를 촬영하는 상황에서, 환자의 상태를 감지하는 적어도 하나의 센서로부터 환자의 상태 신호를 획득할 수 있다.

다음으로, 제2 구성 요소(901)는 획득된 환자의 상태 신호에 기초하여, 환자의 이상 상태를 판단하기 위하여 설정된 모델을 이용하여 환자의 상태가 정상 상태인지 또는 이상 상태인지를 판단할 수 있다.

구체적으로, 단계 S912에서 제1 구성 요소(901)는 획득된 환자의 상태 신호에 대한 정보를 제2 구성 요소(902)에게 전송할 수 있다. 예로, 제1 구성 요소(901)는 판단 모델의 이용을 위하여 제공되는 API 함수의 인자 값으로 환자의 상태 신호를 적용할 수 있다. API 함수는 환자의 상태 신호를 판단 모델에 적용할 특징 데이터로서 제2 구성 요소(902)에게 전송할 수 있다. 이 때, 환자의 상태 신호에 대한 정보는 상기 상태 신호를 통신 포맷에 따라 수정, 보완 또는 헤더들이 추가된 통신 데이터를 포함할 수 있다.

단계 S913에서, 제2 구성 요소(902)는 수신된 환자의 상태 신호를 학습된 판단 모델에 적용하여 상기 환자의 상태가 정상 상태인지 또는 이상 상태인지를 판단할 수 있다. 예로, 제2 구성 요소(902)는 환자의 상태 신호를 제2 구성 요소(902)의 메모리에 저장된 판단 모델 또는 제2 구성 요소(902)와 유선 또는 무선 통신 연결된 판단 모델에 적용하여 상기 환자의 상태가 정상 상태인지 또는 이상 상태인지를 판단할 수 있다.

단계 S914에서, 제2 구성 요소(902)는 환자의 상태가 정상 상태인지 또는 이상 상태인지를 나타내는 판단 결과를 획득할 수 있다.

단계 S915에서, 제2 구성 요소(902)는 환자의 상태가 정상 상태인지 또는 이상 상태인지를 나타내는 판단 결과에 대한 정보를 제1 구성 요소(901)로 전송할 수 있다.

단계 S916에서, 제1 구성 요소(901)는 상기 판단 결과에 기초하여, 환자의 상태가 이상한지를 판단할 수 있다,

단계 S917에서, 환자의 상태가 이상 상태라고 판단되는 경우, 제1 구성 요소(901)는 환자의 상태가 이상 상태라고 판단되었음을 알릴 수 있다. 한편, 단계 S918에서, 환자의 상태가 정상 상태라고 판단되는 경우, 제1 구성 요소(901)는 의료 영상을 획득하기 위한 동작을 계속 수행할 수 있다.

이후, 제1 구성 요소(901)는 판단 결과에 따른 사용자 입력에 따라 의료 영상 획득 장치를 제어할 수 있다. 이에 대응하는 동작은, 도 6의 단계 S670 내지 단계 S690에 대응되어 중복되는 설명은 생략한다.

한편, 상술한 실시예는, 컴퓨터에서 실행될 수 있는 프로그램으로 작성 가능하고, 컴퓨터에 의해 판독 가능한 매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 또한, 상술한 실시예에서 사용된 데이터의 구조는 컴퓨터 판독 가능 매체에 여러 수단을 통하여 기록될 수 있다. 또한, 상술한 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로 구현될 수 있다. 예를 들어, 소프트웨어 모듈 또는 알고리즘으로 구현되는 방법들은 컴퓨터가 읽고 실행할 수 있는 코드들 또는 프로그램 명령들로서 컴퓨터가 읽을 수 있는 기록 매체에 저장될 수 있다.

컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 기록 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 포함할 수 있다. 컴퓨터 판독 가능 매체는 마그네틱 저장매체, 예를 들면, 롬, 플로피 디스크, 하드 디스크 등을 포함하고, 광학적 판독 매체, 예를 들면, 시디롬, DVD 등과 같은 저장 매체를 포함할 수 있으나, 이에 제한되지 않는다. 또한, 컴퓨터 판독 가능 매체는 컴퓨터 저장 매체 및 통신 매체를 포함할 수 있다.

또한, 컴퓨터가 읽을 수 있는 복수의 기록 매체가 네트워크로 연결된 컴퓨터 시스템들에 분산되어 있을 수 있으며, 분산된 기록 매체들에 저장된 데이터, 예를 들면 프로그램 명령어 및 코드가 적어도 하나의 컴퓨터에 의해 실행될 수 있다.

컴퓨터로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, ‘비일시적’은 저장매체가 신호(signal)를 포함하지 않으며 실재(tangible)한다는 것을 의미할 뿐 데이터가 저장매체에 반영구적 또는 임시적으로 저장됨을 구분하지 않는다.

또한, 상술한 실시예들은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다.

컴퓨터 프로그램 제품은 S/W 프로그램, S/W 프로그램이 저장된 컴퓨터로 읽을 수 있는 저장 매체를 포함할 수 있다. 예를 들어, 컴퓨터 프로그램 제품은 환자 모니터링 장치의 제조사 또는 전자 마켓(예, 구글 플레이 스토어, 앱 스토어)을 통해 전자적으로 배포되는 S/W 프로그램 형태의 상품(예, 다운로더블 앱)을 포함할 수 있다. 전자적 배포를 위하여, S/W 프로그램의 적어도 일부는 저장 매체에 저장되거나, 임시적으로 생성될 수 있다. 이 경우, 저장 매체는 제조사의 서버, 전자 마켓의 서버, 또는 SW 프로그램을 임시적으로 저장하는 중계 서버의 저장매체가 될 수 있다.

본 개시에서 설명된 특정 실행들은 일 실시예 일 뿐이며, 어떠한 방법으로도 본 개시의 범위를 한정하는 것은 아니다. 명세서의 간결함을 위하여, 종래 전자적인 구성들, 제어 시스템들, 소프트웨어, 및 상기 시스템들의 다른 기능적인 측면들의 기재는 생략될 수 있다.

본 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. "부", "모듈"은 어드레싱될 수 있는 저장 매체에 저장되며 프로세서에 의해 실행될 수 있는 프로그램에 의해 구현될 수도 있다. 예를 들어, “부”, "모듈" 은 소프트웨어 구성 요소들, 객체 지향 소프트웨어 구성 요소들, 클래스 구성 요소들 및 태스크 구성 요소들과 같은 구성 요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들에 의해 구현될 수 있다.

100: 의료 영상 시스템
110: 의료 영상 획득 장치
120: 의료 영상 표시 장치

Claims (21)

1. 환자에 대한 의료 영상을 획득하기 위하여 상기 환자를 촬영하는 상황에서, 상기 환자의 상태 신호를 획득하는 단계;
   상기 상태 신호에 기초하여, 상기 환자의 이상 상태를 판단하기 위하여 설정된 모델을 이용하여 상기 환자의 상태가 이상 상태인지 여부를 판단하는 단계; 및
   상기 환자의 상태가 이상 상태라고 판단되는 경우, 상기 환자의 상태에 적합한 동작을 수행하는 단계를 포함하고,
   상기 모델은 상기 환자와 관련하여 획득된 데이터를 인공 지능 알고리즘을 이용하여 학습함으로써 생성된 모델인,
   환자 모니터링 방법.
   
2. 제1항에 있어서,
   상기 환자의 상태 신호는,
   적어도 하나의 센서로부터 획득되거나 또는 상기 환자에 대한 의료 영상의 분석을 통하여 획득되는,
   환자 모니터링 방법.
   
3. 제1 항에 있어서,
   상기 모델은,
   의료 기록을 포함하는, 상기 환자와 관련하여 획득된 데이터 및 다른 환자들과 관련하여 획득된 데이터 중 적어도 하나를 학습함으로써 생성된 모델인,
   환자 모니터링 방법.
   
4. 제1 항에 있어서,
   상기 모델은,
   상기 환자에 대한 의료 영상을 획득하기 전에, 상기 환자에 대한 촬영 전 상태 신호를 학습함으로써 생성된 모델인,
   환자 모니터링 방법.
   
5. 제1 항에 있어서,
   상기 모델은,
   상기 환자와 관련하여 획득된 데이터가 상기 환자가 정상 상태에서 획득된 데이터인지 또는 상기 환자가 이상 상태에서 획득된 데이터인지를 나타내는 기준 정보를 학습하여 생성된 모델인,
   환자 모니터링 방법.
   
6. 제1 항에 있어서,
   상기 상태 신호는,
   상기 환자에 대한 영상 신호, 상기 환자의 음성 신호, 심전도, 심박수, 혈압, 산소 포화도, 호흡 상태, 호흡 수, 상기 환자의 체온, 및 상기 환자 주변의 온도 중 적어도 하나를 포함하는,
   환자 모니터링 방법.
   
7. 제1 항에 있어서,
   상기 환자의 상태가 이상 상태인지 여부를 판단하는 단계는,
   상기 상태 신호 및 상기 의료 영상을 획득하기 위해서 수행되고 있는 프로토콜에 기초하여, 상기 모델을 이용하여 상기 환자의 상태가 이상 상태인지 여부를 판단하는 단계를 포함하는,
   환자 모니터링 방법.
   
8. 제1 항에 있어서,
   상기 환자의 상태에 적합한 동작을 수행하는 단계는,
   상기 의료 영상을 획득하기 위한 프로토콜의 변경, 상기 의료 영상을 획득하는 동작의 중지, 상기 의료 영상을 획득하는 동작의 재시작, 상기 환자와의 커뮤니케이션 시도, 상기 환자의 상태가 정상이 아님을 알림, 및 의료 영상 획득 장치로부터 상기 환자의 제거 중 적어도 하나를 수행하는 단계를 포함하는,
   환자 모니터링 방법.
   
9. 제1 항에 있어서,
   상기 환자의 상태가 정상 상태라고 판단되는 경우, 상기 의료 영상을 획득하기 위한 동작을 계속 수행하는 단계를 더 포함하고,
   상기 적합한 동작을 수행하는 단계는,
   사용자에게 상기 환자의 상태가 이상 상태라고 판단되었음을 알리는 단계; 및
   사용자 입력이 수신되면, 상기 의료 영상을 획득하기 위한 동작을 계속 수행하는 단계를 포함하는,
   환자 모니터링 방법.
   
10. 제9항에 있어서,
    상기 사용자 입력에 따른 사용자 피드백을 획득하는 단계; 및
    상기 모델이 상기 사용자 피드백을 이용하여 갱신되도록 제어하는 단계를 포함하는,
    환자 모니터링 방법.
    
11. 환자와 관련하여 획득된 데이터를 인공 지능 알고리즘을 이용하여 학습함으로써 생성된, 환자의 이상 상태를 판단하기 위하여 설정된 모델; 및
    상기 환자에 대한 의료 영상을 획득하기 위하여 상기 환자를 촬영하는 상황에서 획득된 상기 환자의 상태 신호에 기초하여, 상기 환자의 이상 상태를 판단하기 위하여 설정된 모델을 이용하여 상기 환자의 상태가 이상 상태인지 여부를 판단하고, 상기 환자의 상태가 이상 상태라고 판단되는 경우, 상기 환자의 상태에 적합한 동작을 수행하는 적어도 하나의 프로세서를 포함하는,
    환자 모니터링 장치.
    
12. 제11 항에 있어서,
    상기 환자의 상태 신호는,
    적어도 하나의 센서로부터 획득되거나 또는 상기 환자에 대한 의료 영상의 분석을 통하여 획득되는,
    환자 모니터링 방법.
    
13. 제11 항에 있어서,
    상기 모델은,
    상기 환자의 의료 기록을 포함하는 상기 환자와 관련하여 획득된 데이터 및 다른 환자들과 관련하여 획득된 데이터 중 적어도 하나를 학습함으로써 생성된 모델인,
    환자 모니터링 장치.
    
14. 제11 항에 있어서,
    상기 모델은,
    상기 환자에 대한 의료 영상을 획득하기 전에,상기 환자에 대한 촬영 전 상태 신호를 학습함으로써 생성된 모델인,
    환자 모니터링 장치.
    
15. 제11 항에 있어서,
    상기 모델은,
    상기 환자와 관련하여 획득된 데이터가 상기 환자가 정상 상태에서 획득된 데이터인지 또는 상기 환자가 이상 상태에서 획득된 데이터인지를 나타내는 기준 정보를 학습하여 생성된 모델인,
    환자 모니터링 장치.
    
16. 제11 항에 있어서,
    상기 상태 신호는,
    상기 환자에 대한 영상 신호, 상기 환자의 음성 신호, 심전도, 심박수, 혈압, 산소 포화도, 호흡 상태, 호흡 수, 상기 환자의 체온, 및 상기 환자 주변의 온도 중 적어도 하나를 포함하는,
    환자 모니터링 장치.
    
17. 제11 항에 있어서,
    상기 적어도 하나의 프로세서는, 상기 환자의 상태가 이상 상태인지 여부를 판단함에 있어서,
    상기 상태 신호 및 상기 의료 영상을 획득하기 위해서 수행되고 있는 프로토콜에 기초하여, 상기 모델을 이용하여 상기 환자의 상태가 이상 상태인지 여부를 판단하는,
    환자 모니터링 장치.
    
18. 제11 항에 있어서,
    상기 적어도 하나의 프로세서는, 상기 환자의 상태에 적합한 동작을 수행함에 있어서,
    상기 의료 영상을 획득하기 위한 프로토콜의 변경, 상기 의료 영상을 획득하는 동작의 중지, 상기 의료 영상을 획득하는 동작의 재시작, 상기 환자와의 커뮤니케이션 시도, 상기 환자의 상태가 정상이 아님을 알림, 및 의료 영상 획득 장치로부터 상기 환자의 제거 중 적어도 하나를 수행하는,
    환자 모니터링 장치.
    
19. 제11 항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 환자의 상태가 정상 상태라고 판단되는 경우, 의료 영상 획득 장치가 상기 의료 영상을 획득하기 위한 동작을 계속 수행하도록 제어하고,
    상기 환자의 상태가 이상 상태라고 판단되는 경우, 사용자에게 상기 환자의 상태가 이상 상태로 판단되었음을 알리고, 사용자 입력이 수신되면, 상기 의료 영상 획득 장치가 상기 의료 영상을 획득하기 위한 동작을 계속 수행하도록 제어하는,
    환자 모니터링 장치.
    
20. 컴퓨터 프로그램 제품에 있어서,
    환자에 대한 의료 영상을 획득하기 위하여 상기 환자를 촬영하는 상황에서, 상기 환자의 상태를 감지하는 적어도 하나의 센서로부터 상기 환자의 상태 신호를 획득하는 단계;
    상기 상태 신호에 기초하여, 상기 환자의 이상 상태를 판단하기 위하여 설정된 모델을 이용하여 상기 환자의 상태가 이상 상태인지 여부를 판단하는 단계; 및
    상기 환자의 상태가 이상 상태라고 판단되는 경우, 상기 환자의 상태에 적합한 동작을 수행하는 단계를 환자 모니터링 장치가 실행하도록 설정된 명령어들을 포함하는 하나 이상의 프로그램이 기록되고,
    상기 모델은 상기 환자와 관련하여 획득된 데이터를 인공 지능 알고리즘을 이용하여 학습함으로써 생성된 모델인,
    컴퓨터 프로그램 제품.
    
21. 환자 모니터링 시스템에 있어서,
    환자에 대한 의료 영상을 획득하기 위하여 상기 환자를 촬영하는 상황에서 획득된 상기 환자의 상태 신호에 기초하여, 상기 환자의 이상 상태를 판단하기 위하여 설정된 모델을 이용하여 상기 환자의 상태가 이상 상태인지 여부를 판단하고, 상기 환자의 상태가 이상 상태라고 판단되는 경우, 상기 환자의 상태에 적합한 동작을 수행하는 환자 모니터링 장치; 및
    상기 환자의 상태가 정상 상태라고 판단되는 경우, 상기 환자에 대한 의료 영상을 획득하는 동작을 수행하는 의료 영상 획득 장치를 포함하고,
    상기 모델은 상기 환자와 관련하여 획득된 데이터를 인공 지능 알고리즘을 이용하여 학습함으로써 생성된 모델인,
    환자 모니터링 시스템.

Images