KR20190045515A - System and method for analyzing image quality and proposing imaging conditions based on artificial intelligence - Google Patents
System and method for analyzing image quality and proposing imaging conditions based on artificial intelligence Download PDFInfo
- Publication number
- KR20190045515A KR20190045515A KR1020170138203A KR20170138203A KR20190045515A KR 20190045515 A KR20190045515 A KR 20190045515A KR 1020170138203 A KR1020170138203 A KR 1020170138203A KR 20170138203 A KR20170138203 A KR 20170138203A KR 20190045515 A KR20190045515 A KR 20190045515A
- Authority
- KR
- South Korea
- Prior art keywords
- image
- patient
- information
- image quality
- artificial intelligence
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 28
- 238000003384 imaging method Methods 0.000 title claims abstract description 11
- 238000000034 method Methods 0.000 title abstract description 24
- 238000013441 quality evaluation Methods 0.000 claims abstract description 27
- 238000003745 diagnosis Methods 0.000 claims abstract description 8
- 230000005855 radiation Effects 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000002059 diagnostic imaging Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000001303 quality assessment method Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 description 12
- 230000003902 lesion Effects 0.000 description 6
- 238000007689 inspection Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 235000013527 bean curd Nutrition 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- Radiology & Medical Imaging (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Image Analysis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
Description
본 발명은 의료 영상 진단 기기에 관한 것이며, 선량(dose)을 저감하기 위하여 권장 촬영 조건을 제안하기 위한 시스템 및 방법에 관한 것이다.The present invention relates to a medical imaging diagnostic device and to a system and method for suggesting recommended imaging conditions to reduce dose.
본 발명은 보건복지부 및 보건산업진흥원의 보건의료기술연구개발사업의 일환으로 수행한 연구로부터 도출된 것이다[과제관리번호: HI14C3287 과제명: 개방형 다기관 방사선 피폭 정보 공유 시스템 개발].The present invention was derived from research carried out as part of the healthcare technology R & D project of the Ministry of Health and Welfare and the Health Industry Development Agency. [Project Number: HI14C3287 Project Title: Development of Open Multicellular Radiation Exposure Information Sharing System].
방사선을 이용한 의료 영상 진단 기기에 있어서, 고품질의 이미지를 얻기 위해서는 높은 선량(dose)에 환자가 노출될 수 밖에 없다. 이처럼 환자가 높은 선량에 노출되는 경우가 장기간에 걸쳐 지속적으로 반복되면 환자에게 예측하지 못한 부작용을 초래할 수 있다.In a medical image diagnostic apparatus using radiation, a patient has to be exposed to a high dose in order to obtain a high-quality image. Such repeated exposure to high doses of the patient over a long period of time may result in unpredictable side effects to the patient.
따라서 불필요하게 높은 선량에 환자가 노출되지 않도록 종래의 기술은 이미지 화질 분석을 위해서 영상 판독 의사(radiologist)가 화질 평가 항목에 의하여 육안으로 이미지를 분석하고 평가 점수를 부여하는 과정을 거치고 있다.Therefore, in order to prevent the patient from being unnecessarily exposed to a high dose, a radiologist of the prior art is performing a process of analyzing an image by a visual quality evaluation item and giving an evaluation score to the image quality analysis.
이러한 종래 기술에서는 영상 판독 의사의 수준에 따라서 분석 결과가 달라질 수 있으며, 모든 이미지를 분석하기 위해서는 많은 시간이 소요되는 문제점이 있다. 또한 현재 평가 하에 있는 이미지의 화질이 만들어지는 의료 영상 진단 장치의 촬영 조건과 방사선량을 평가하는 영상 판독 의사는 정확히 알 수 없다는 문제점이 있다.In such a conventional technique, the analysis result may vary according to the level of the image readers, and it takes a long time to analyze all the images. Also, there is a problem that the imaging condition of the medical image diagnostic apparatus in which the image quality of the image under the current evaluation is made and the image reading doctor who evaluates the radiation dose can not know exactly.
본 발명은 전문 영상 판독 의사의 이미지 화질 평가 결과를 인공지능을 이용해 학습을 시키고, 학습 결과를 바탕으로 자동으로 이미지 화질을 분석하게 함으로써 영상 판독 의사의 노력(시간/비용)이 필요없이 높은 수준의 이미지 화질 평가를 수행할 수 있는 시스템 및 방법을 제공하는 것을 목적으로 한다.According to the present invention, since the image quality evaluation result of the professional image reading doctor is learned using artificial intelligence and the image quality is automatically analyzed based on the learning result, It is an object of the present invention to provide a system and a method capable of performing an image quality evaluation.
본 발명은 목표 품질을 설정하고 화질 평가의 결과 목표 품질을 비교하여 목표 품질을 달성(적합)하기 위하여 장비의 촬영 조건을 제안할 수 있다. 본 발명은 환자의 키, 몸무게, 나이, 성별과 장비의 촬영 조건 그리고 방사선량을 조합 및 분석해서 목표 품질의 촬영 조건을 찾을 수 있다.The present invention can propose shooting conditions of the equipment in order to achieve the target quality by setting the target quality and comparing the target quality as a result of the image quality evaluation. The present invention can find shooting conditions of target quality by combining and analyzing the patient's height, weight, age, gender, equipment shooting conditions, and radiation dose.
본 발명은 이렇게 얻어진 이미지 화질 평과 결과와 출원인의 DoseM 제품이 획득한 방사선량을 비교 분석하여 최소한의 방사선량으로 판독 가능한 최적의 이미지 화질 수준으로 밸런스를 맞추는데 도움을 줄 수 있는 것을 목적으로 한다.The present invention aims at helping to balance the image quality evaluation result obtained thus obtained with the radiation amount obtained by the applicant's DoseM product to the optimal image quality level readable with a minimum radiation dose.
본 발명의 일 실시예에 따른 인공지능에 기반한 이미지 품질 및 권장 촬영 조건을 제안하기 위한 시스템은 다음의 모듈을 포함할 수 있다.A system for suggesting image quality and recommended shooting conditions based on artificial intelligence according to an embodiment of the present invention may include the following modules.
시스템은 환자에 대한 진단 오더 정보에 기반하여 환자의 개인화된 정보, 또는 요청된 검사의 정보를 획득하는 환자 및 검사 정보 획득 모듈을 포함할 수 있다.The system may include personalized information of the patient based on the diagnostic order information for the patient, or a patient and an information acquisition module for acquiring information of the requested examination.
시스템은 의료 영상 진단 장치의 촬영 인자 및 방사선량 정보를 획득하는 선량 계산 모듈을 포함할 수 있다.The system may include a dose calculation module that acquires the imaging factor and radiation dose information of the medical imaging device.
시스템은 상기 의료 영상 진단 장치에 의하여 상기 환자에 대한 상기 진단 오더 정보에 기반하여 얻어진 이미지를 수신하고, 상기 이미지에 대한 품질 평가를 인공 지능 엔진에 의하여 수행하는 이미지 품질 평가 모듈을 포함할 수 있다.The system may include an image quality evaluation module that receives an image obtained based on the diagnosis order information for the patient by the medical imaging device and performs the quality evaluation on the image by the artificial intelligence engine.
시스템은 상기 이미지에 대한 상기 품질 평가 결과와 상기 환자의 상기 개인화된 정보, 또는 상기 요청된 검사의 정보와의 관련성에 대한 모델을 생성하는 분석 모듈을 포함할 수 있다.The system may include an analysis module for generating a model of the relevance of the quality assessment results for the image to the personalized information of the patient or to the information of the requested examination.
상기 분석 모듈은 새로운 환자에 대한 새로운 진단 오더가 접수되면, 상기 새로운 진단 오더를 상기 모델과 연관시켜 분석함으로써 상기 새로운 진단 오더에 대응하는 권장 촬영 조건을 도출할 수 있다.The analysis module can derive a recommended imaging condition corresponding to the new diagnostic order by analyzing the new diagnostic order in association with the model when a new diagnostic order for a new patient is received.
본 발명에 따르면 전문 영상 판독 의사의 이미지 화질 평가 결과를 인공지능을 이용해 학습을 시키고, 학습 결과를 바탕으로 자동으로 이미지 화질을 분석하게 함으로써 영상 판독 의사의 노력(시간)이 필요없이 높은 수준의 이미지 화질 평가를 수행할 수 있다.According to the present invention, the image quality evaluation result of the professional image reading doctor is learned using artificial intelligence and the image quality is automatically analyzed based on the learning result, so that a high level image An image quality evaluation can be performed.
본 발명에 따르면 목표 품질을 설정하고 화질 평가의 결과 목표 품질을 비교하여 목표 품질을 달성(적합)하기 위하여 장비의 촬영 조건을 제안할 수 있다. 본 발명에 따르면 환자의 키, 몸무게, 나이, 성별과 장비의 촬영 조건 그리고 방사선량을 조합 및 분석해서 목표 품질의 촬영 조건을 찾을 수 있다.According to the present invention, it is possible to propose shooting conditions of the equipment in order to set the target quality and compare the target quality as a result of the image quality evaluation to achieve the target quality (conformity). According to the present invention, the photographing condition of the target quality can be found by combining and analyzing the patient's height, weight, age, gender, photographing conditions of the equipment, and radiation dose.
본 발명에 따르면 이렇게 얻어진 이미지 화질 평과 결과와 출원인의 DoseM 제품이 획득한 방사선량을 비교 분석하여 최소한의 방사선량으로 판독 가능한 최적의 이미지 화질 수준으로 밸런스를 맞추는데 도움을 줄 수 있는 것을 목적으로 한다.According to the present invention, the image quality evaluation result obtained by comparing the radiation dose obtained by the DoseM product of the applicant with the obtained image quality evaluation result can help balance the image quality to an optimum image quality level readable with a minimum radiation dose.
도 1은 본 발명의 일 실시예에 따른 인공지능에 기반한 이미지 품질 평가 및 권장 촬영 조건을 제안하기 위한 시스템을 도시하는 도면이다.
도 2는 도 1의 시스템에 포함되는 인공지능 엔진에서 실행되는 인공지능 학습 과정을 도시하는 동작 흐름도이다.
도 3은 도 1의 시스템에 포함되는 인공지능 엔진에서 실행되는 인공지능 자동 이미지 품질 평가 과정을 도시하는 동작 흐름도이다.FIG. 1 is a diagram illustrating a system for suggesting image quality evaluation and recommended shooting conditions based on artificial intelligence according to an embodiment of the present invention.
2 is an operational flowchart showing an artificial intelligent learning process executed in an artificial intelligence engine included in the system of FIG.
3 is a flowchart illustrating an artificial intelligence automatic image quality evaluation process executed in an artificial intelligence engine included in the system of FIG.
의료 영상 진단 기기에서 방사선량이 높을수록 얻어지는 이미지의 품질은 우수한 것은 자명하다. 그러나 방사선량이 높을수록 환자에게는 좋지 않은 영향을 줄 수 있으므로 이미지의 품질은 병변을 진단하고 검출하는 데에 적합한 수준 이상이 되면 충분하고, 이러한 조건을 충족하는 방사선량을 정확히 판정하여 불필요하게 높은 방사선량에 환자가 노출되지 않도록 하는 것은 매우 중요한 판단 과정이다.The higher the radiation dose, the better the quality of the images obtained. However, the higher the radiation dose, the worse the patient may have, so the quality of the image should be at least adequate for the diagnosis and detection of the lesion, and the radiation dose meeting these conditions should be accurately determined, It is a very important decision process to prevent the patient from being exposed.
본 발명에서는 다음의 과정을 거쳐 인공 지능을 이용하여 이미지 품질을 평가하고, 방사선량의 조합 및 의료 영상 진단 기기의 촬영 조건을 최적화하여 도출한다.In the present invention, the image quality is evaluated using the artificial intelligence through the following process, and the combination of the radiation dose and the imaging conditions of the medical imaging diagnostic device are optimized.
1) 본 발명의 시스템에서는 인공지능을 이용하여 의료 영상 진단 기기의 이미지를 학습한다.1) In the system of the present invention, an image of a medical imaging diagnostic device is learned using artificial intelligence.
2) 본 발명의 시스템에서는 전문 영상 판독 의사(radiologist)의 평가 방법을 인공 지능이 학습하여 모델화한다.2) In the system of the present invention, artificial intelligence learns and models the evaluation method of professional radiologist.
3) 본 발명의 시스템에서는 학습된 모델을 적용하여 이미지를 분석하고, 이미지에 대한 화질 평가 과정을 자동화하여 수행한다. 이 과정에서 평가된 이미지에 대한 데이터는 모델에 선택적으로 추가되어 모델의 정확도를 더욱 향상시킬 수 있다.3) In the system of the present invention, the learned image is analyzed by applying the learned model, and the image quality evaluation process for the image is automated. In this process, the data for the evaluated image can be selectively added to the model to further improve the accuracy of the model.
4) 본 발명의 시스템에서는 이미지의 품질에 대한 목표 영상 품질을 설정하고, 각 이미지가 목표 영상 품질을 충족하는 지 여부를 평가한다.4) The system of the present invention sets the target image quality for the quality of the image and evaluates whether each image meets the target image quality.
목표 영상 품질은 다수의 평가 항목에 의하여 규정될 수 있으며, 후술할 환자의 신체 조건 및 식별하고자 하는 병변의 종류 등을 참고하여 분류될 수 있다.The target image quality can be defined by a plurality of evaluation items, and can be classified by referring to the patient's physical condition to be described later, the type of lesion to be identified, and the like.
5) 본 발명의 시스템에서는 환자의 키, 몸무게, 나이, 성별과 같은 환자의 신체 조건과, 과거 병력, 진단/식별하고자 하는 병변의 종류와 촬영 대상인 인체의 부위(body part), 장기(organ) 등을 고려하여 촬영 조건이 결정될 수 있다. 또한 촬영 조건 및 방사선량을 조합하여 환자의 신체 조건, 진단 오더, 촬영 조건 간의 상관관계를 인공지능이 학습한다.5) In the system of the present invention, the physical condition of a patient such as a patient's height, weight, age, sex, past medical history, type of lesion to be diagnosed / identified, body part, And the like. The artificial intelligence learns the correlation between the physical condition of the patient, the diagnosis order, and the shooting conditions by combining the shooting conditions and the radiation dose.
6) 본 발명의 시스템에서는 목표 품질 달성(적합성)을 위한 의료 영상 진단 장치의 권장 촬영 조건을 제안할 수 있다.6) In the system of the present invention, it is possible to suggest a recommended shooting condition of the medical image diagnostic apparatus for achieving the target quality (suitability).
영상 품질의 평가 기준, 및 지표는 이미지 판독의 신뢰성 보장을 고려하여 설정될 수 있다.The evaluation criterion and the index of the image quality can be set in consideration of the reliability of the image reading.
영상 품질의 평가 기준, 및 지표는 촬영하고자 하는 인체의 부위(body part), 장기(organ), 진단/식별하고자 하는 병변의 종류에 따라서 다르게 설정될 수 있다.The evaluation criterion and index of image quality may be set differently depending on the body part, organ, and type of lesion to be diagnosed / identified to be photographed.
의료 영상에 대한 분석 및 학습 과정은 의료 영상에 대한 각 장기 및 병변의 분할(segmentation), 검출(detection), 진단(diagnosis)와 같은 과정을 거칠 수 있다. 이 과정에서 인공지능에 의한 학습은 모든 영상 처리 및 분석의 과정을 대체할 수도 있으며, 실시예에 따라서는 분할 과정은 종래의 영상 처리 기법을 따르고 검출 및 진단 과정을 인공지능에 의한 학습이 대체하는 등, 전체 워크 플로우 중 일부를 인공지능이 대체할 수도 있다.The analysis and learning process of the medical image can be performed such as segmentation, detection, and diagnosis of each organ or lesion in the medical image. In this process, learning by artificial intelligence may be substituted for all image processing and analysis processes. In some embodiments, the segmentation process follows a conventional image processing technique, and detection and diagnosis processes are replaced by learning by artificial intelligence , Artificial intelligence may replace some of the entire workflow.
도 1은 본 발명의 일 실시예에 따른 인공지능에 기반한 이미지 품질 평가 및 권장 촬영 조건을 제안하기 위한 시스템을 도시하는 도면이다.FIG. 1 is a diagram illustrating a system for suggesting image quality evaluation and recommended shooting conditions based on artificial intelligence according to an embodiment of the present invention.
도 1에 도시된 본 발명의 일 실시예에 따른 인공지능에 기반한 이미지 품질 및 권장 촬영 조건을 제안하기 위한 시스템은 다음의 모듈을 포함할 수 있다.A system for suggesting image quality and recommended shooting conditions based on artificial intelligence according to an embodiment of the present invention shown in FIG. 1 may include the following modules.
시스템은 환자에 대한 진단 오더 정보에 기반하여 환자의 개인화된 정보, 또는 요청된 검사의 정보를 획득하는 환자 및 검사 정보 획득 모듈을 포함할 수 있다.The system may include personalized information of the patient based on the diagnostic order information for the patient, or a patient and an information acquisition module for acquiring information of the requested examination.
시스템은 의료 영상 진단 장치의 촬영 인자 및 방사선량 정보를 획득하는 선량 계산 모듈을 포함할 수 있다.The system may include a dose calculation module that acquires the imaging factor and radiation dose information of the medical imaging device.
시스템은 상기 의료 영상 진단 장치에 의하여 상기 환자에 대한 상기 진단 오더 정보에 기반하여 얻어진 이미지를 수신하고, 상기 이미지에 대한 품질 평가를 인공 지능 엔진에 의하여 수행하는 이미지 품질 평가 모듈을 포함할 수 있다.The system may include an image quality evaluation module that receives an image obtained based on the diagnosis order information for the patient by the medical imaging device and performs the quality evaluation on the image by the artificial intelligence engine.
시스템은 상기 이미지에 대한 상기 품질 평가 결과와 상기 환자의 상기 개인화된 정보, 또는 상기 요청된 검사의 정보와의 관련성에 대한 모델을 생성하는 분석 모듈을 포함할 수 있다.The system may include an analysis module for generating a model of the relevance of the quality assessment results for the image to the personalized information of the patient or to the information of the requested examination.
상기 분석 모듈은 새로운 환자에 대한 새로운 진단 오더가 접수되면, 상기 새로운 진단 오더를 상기 모델과 연관시켜 분석함으로써 상기 새로운 진단 오더에 대응하는 권장 촬영 조건을 도출할 수 있다.The analysis module can derive a recommended imaging condition corresponding to the new diagnostic order by analyzing the new diagnostic order in association with the model when a new diagnostic order for a new patient is received.
도 2는 도 1의 시스템에 포함되는 인공지능 엔진에서 실행되는 인공지능 학습 과정을 도시하는 동작 흐름도이다.2 is an operational flowchart showing an artificial intelligent learning process executed in an artificial intelligence engine included in the system of FIG.
도 2를 참조하면 전문 영상 판독 의사의 영상 품질 평가가 수행된다.Referring to FIG. 2, an image quality evaluation of a professional image reader is performed.
판독 결과는 인공 지능 엔진에 의하여 학습된다.The readout result is learned by the artificial intelligence engine.
전문 영상 판독 의사의 평가 결과와 인공지능 엔진의 평가 결과를 비교하여 오차가 5% 이내가 되도록 엔진의 평가 지표를 수정 또는 학습 과정을 반복적으로 수행한다. 이후의 과정에서는 전문 영상 판독 의사의 평가 과정을 인공지능 엔진에 의하여 대체할 수 있다.The evaluation result of the professional image reader is compared with the evaluation result of artificial intelligence engine, and the evaluation index of the engine is corrected or the learning process is repeatedly performed so that the error is within 5%. In the following process, the evaluation process of the professional image reading doctor can be replaced by the artificial intelligence engine.
도 3은 도 1의 시스템에 포함되는 인공지능 엔진에서 실행되는 인공지능 자동 이미지 품질 평가 과정을 도시하는 동작 흐름도이다.3 is a flowchart illustrating an artificial intelligence automatic image quality evaluation process executed in an artificial intelligence engine included in the system of FIG.
도 3을 참고하면, 환자에 대한 검사 오더 (환자 개인에 대한 정보, 환자의 병변, 환자의 질환, 촬영 대상이 되는 환자의 신체 부위(body part), 검사를 요청한 임상의(clinician)의 소속 등이 검사 오더 정보에 포함된다.) 에 기반한 이미지를 획득한다.Referring to FIG. 3, the examination order for the patient (information on the individual patient, lesion of the patient, disease of the patient, body part of the patient to be photographed, Is included in this inspection order information).
이미지에 대한 인공지능 엔진의 자동 분석 및 품질 평가가 이루어진다.Automatic analysis and quality evaluation of the artificial intelligence engine for the image is performed.
해당 검사 오더에 기반하여 목표 품질을 달성하고 있는 지에 대한 평가가 이루어진다.An evaluation is made as to whether the target quality is achieved based on the inspection order.
환자의 개인 정보, 촬영 인자, 방사선량의 3개 조건을 조합하여 이미지의 목표 품질에 근접한 데이터를 분석한다. 이때 해당 이미지가 목표 품질을 달성했는 지 여부가 함께 고려되어 종합적인 모델이 형성된다.Combining the three conditions of the patient's personal information, photographing factor, and radiation dose, data close to the target quality of the image is analyzed. At this time, whether or not the image attains the target quality is considered together to form a comprehensive model.
종합적인 모델은 해당 검사 오더가 목표 품질을 달성할 수 있는 수준의 권장 촬영 조건을 도출하여 저장할 수 있다.The comprehensive model can derive and store the recommended shooting conditions at which the inspection order can achieve the target quality.
향후 새로운 검사 오더가 제시되면, 종합적인 모델은 과거 분석되고 저장된 권장 촬영 조건과 비교하여 새로운 검사 오더에 대응하는 권장 촬영 조건을 제안할 수 있다.When a new inspection order is presented in the future, the comprehensive model can suggest a recommended shooting condition corresponding to the new inspection order compared to the past analyzed and stored recommended shooting conditions.
영상 처리 프로세싱 유닛 등에 의하여 이미지에 대한 분석, 처리, 품질의 평가가 이루어질 수 있으며, 이미지 간의 유사도, 이미지의 선명도 등을 평가할 수 있다.The image processing unit, the image processing unit, and the like, and it is possible to evaluate the degree of similarity between the images and the sharpness of the images.
이때 공지의 기술로서 adaptive statistical iterative reconstruction(ASIR), conjudate gradient(CG), maximum likelihood expectation maximization(MLEM), model-based iterative reconstruction(MBIR) 등의 기법이 이용되어 분석 과정을 지원할 수 있다.In this case, techniques such as adaptive statistical iterative reconstruction (ASIR), conjudate gradient (CG), maximum likelihood expectation maximization (MLEM), and model-based iterative reconstruction (MBIR) can be used to support the analysis process.
이미지 품질 인덱스 등이 설정되어 종합적인 이미지에 대한 품질을 평가하는 지표로서 활용될 수 있다. 인덱스는 하나의 평가 지표만으로 구성되는 것이 아니고, 복합적인 평가 지표를 포함하는 매트릭스 또는 벡터의 형태일 수 있다.An image quality index, and the like can be set as an index for evaluating the quality of a comprehensive image. The index does not consist of only one evaluation index but may be in the form of a matrix or a vector containing multiple evaluation indexes.
종래에는 이미지 품질 평가 지표로서 노이즈 레벨과 같은 하나의 지표가 사용되기도 하였으나, 임상적인 진단을 위하여 유효한 판독 결과를 제공하기 위한 이미지 품질 평가를 위해서는 단순히 노이즈 레벨이나, 이미지 픽셀 표준 편차(image pixel standard deviation)와 같은 단일 평가 지표로는 소기의 목적을 달성하기 어렵다.Conventionally, one index such as a noise level is used as an image quality evaluation index. However, in order to evaluate the image quality for providing a valid reading result for clinical diagnosis, it is necessary to use only the noise level or the image pixel standard deviation ), It is difficult to achieve the desired purpose.
따라서 적어도 콘트라스트, 잡음, MTF(시스템 모듈레이션 트랜스퍼 함수), NPS(시스템 노이즈 파워 스펙트럼)과 같은 의료 영상 진단 장치에 의존적인 파라미터에 대한 고려가 필요하다.It is therefore necessary to consider at least parameters that are dependent on medical imaging devices such as contrast, noise, MTF (System Modulation Transfer Function), and NPS (System Noise Power Spectrum).
즉, 이미지에 대한 품질 평가를 supervised learning, semi-supervised learning 또는 unsupervised learning 등으로 대체하기 위해서는 방사선량 및 촬영 조건이 의료 영상 진단 장치에 적용되었을 때 이미지의 품질로 나타나는 다원적이고 복합적인 비선형적인 관계를 기술할 수 있는 수학적 모델을 이용할 수 있다.In other words, to replace the quality evaluation of images with supervised learning, semi-supervised learning, or unsupervised learning, it is necessary to consider the multiple and complex nonlinear relationships that appear as image quality when the radiation dose and imaging conditions are applied to medical imaging devices. A mathematical model that can be described is available.
Claims (1)
의료 영상 진단 장치의 촬영 인자 및 방사선량 정보를 획득하는 선량 계산 모듈;
상기 의료 영상 진단 장치에 의하여 상기 환자에 대한 상기 진단 오더 정보에 기반하여 얻어진 이미지를 수신하고, 상기 이미지에 대한 품질 평가를 인공 지능 엔진에 의하여 수행하는 이미지 품질 평가 모듈; 및
상기 이미지에 대한 상기 품질 평가 결과와 상기 환자의 상기 개인화된 정보, 또는 상기 요청된 검사의 정보와의 관련성에 대한 모델을 생성하는 분석 모듈;
을 포함하고,
상기 분석 모듈은 새로운 환자에 대한 새로운 진단 오더가 접수되면, 상기 새로운 진단 오더를 상기 모델과 연관시켜 분석함으로써 상기 새로운 진단 오더에 대응하는 권장 촬영 조건을 도출하는 것을 특징으로 하는 인공지능에 기반한 이미지 품질 및 권장 촬영 조건을 제안하기 위한 시스템.
A patient and test information acquisition module for acquiring personalized information of a patient or information of a requested test based on diagnostic order information for the patient;
A dose calculation module for acquiring a photographing factor and radiation dose information of the medical imaging device;
An image quality evaluation module that receives an image obtained based on the diagnosis order information for the patient by the medical image diagnostic device and performs quality evaluation on the image by an artificial intelligence engine; And
An analysis module for generating a model of the relevance of the quality assessment result for the image to the personalized information of the patient or to the information of the requested examination;
/ RTI >
Wherein the analyzing module analyzes the new diagnostic order in association with the model when a new diagnostic order for a new patient is received and derives a recommended imaging condition corresponding to the new diagnostic order, And a system for suggesting recommended shooting conditions.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170138203A KR102559943B1 (en) | 2017-10-24 | 2017-10-24 | System and method for analyzing image quality and proposing imaging conditions based on artificial intelligence |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170138203A KR102559943B1 (en) | 2017-10-24 | 2017-10-24 | System and method for analyzing image quality and proposing imaging conditions based on artificial intelligence |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190045515A true KR20190045515A (en) | 2019-05-03 |
| KR102559943B1 KR102559943B1 (en) | 2023-07-26 |
Family
ID=66582890
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020170138203A KR102559943B1 (en) | 2017-10-24 | 2017-10-24 | System and method for analyzing image quality and proposing imaging conditions based on artificial intelligence |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102559943B1 (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112767386A (en) * | 2021-02-01 | 2021-05-07 | 福州大学 | Image aesthetic quality evaluation method and system based on theme feature and score distribution |
| CN117218082A (en) * | 2023-09-14 | 2023-12-12 | 南京诺源医疗器械有限公司 | Medical fluorescence image quality control method and system based on radiation detection |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001068294A (en) * | 1999-07-12 | 2001-03-16 | General Electric Co <Ge> | Exposure quantity management/control system and method |
| JP2008167949A (en) * | 2007-01-12 | 2008-07-24 | Fujifilm Corp | Radiographic image processing method and apparatus, and program |
| JP2009213905A (en) | 2009-05-18 | 2009-09-24 | Bio-Visiq Japan Inc | Radiation exposure dose control system and storage medium |
-
2017
- 2017-10-24 KR KR1020170138203A patent/KR102559943B1/en active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001068294A (en) * | 1999-07-12 | 2001-03-16 | General Electric Co <Ge> | Exposure quantity management/control system and method |
| JP2008167949A (en) * | 2007-01-12 | 2008-07-24 | Fujifilm Corp | Radiographic image processing method and apparatus, and program |
| JP2009213905A (en) | 2009-05-18 | 2009-09-24 | Bio-Visiq Japan Inc | Radiation exposure dose control system and storage medium |
Non-Patent Citations (2)
| Title |
|---|
| 의료용 빅데이터와 인공지능(AI) 기술이 적용된 의료기기 허가.심사 절차 마련, tlrvnadmldirvnadkswjscj, 2016.12. * |
| 이정은 외 10인, "우리나라의 두부 엑스선검사에서의 환자선량 권고량", 방사선 방어학회지, VOL.35, NO. 3, 2010.09, pp.111-116 (공개일 2010. 09.) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112767386A (en) * | 2021-02-01 | 2021-05-07 | 福州大学 | Image aesthetic quality evaluation method and system based on theme feature and score distribution |
| CN112767386B (en) * | 2021-02-01 | 2022-09-06 | 福州大学 | Image aesthetic quality evaluation method and system based on theme feature and score distribution |
| CN117218082A (en) * | 2023-09-14 | 2023-12-12 | 南京诺源医疗器械有限公司 | Medical fluorescence image quality control method and system based on radiation detection |
| CN117218082B (en) * | 2023-09-14 | 2024-04-30 | 南京诺源医疗器械有限公司 | Medical fluorescence image quality control method and system based on radiation detection |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102559943B1 (en) | 2023-07-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| López-Cabrera et al. | Current limitations to identify COVID-19 using artificial intelligence with chest X-ray imaging | |
| US11615879B2 (en) | System and method for automated labeling and annotating unstructured medical datasets | |
| JP7309605B2 (en) | Deep learning medical systems and methods for image acquisition | |
| Baumgartner et al. | Real-time standard scan plane detection and localisation in fetal ultrasound using fully convolutional neural networks | |
| JP7170145B2 (en) | Information processing device, program, trained model, diagnosis support device, learning device, and prediction model generation method | |
| US11275976B2 (en) | Medical image assessment with classification uncertainty | |
| US11107215B2 (en) | Medical image diagnosis assistant apparatus and method for generating evaluation scores for plurality of medical image diagnosis algorithms | |
| EP4036931A1 (en) | Training method for specializing artificial intelligence model in institution for deployment, and apparatus for training artificial intelligence model | |
| CN113743463B (en) | Tumor benign and malignant recognition method and system based on image data and deep learning | |
| EP3944253A1 (en) | Machine learning from noisy labels for abnormality assessment in medical imaging | |
| Kim et al. | Stable Atlas-based Mapped Prior (STAMP) machine-learning segmentation for multicenter large-scale MRI data | |
| Petersen et al. | The path toward equal performance in medical machine learning | |
| Sveinsson et al. | Synthesizing quantitative T2 maps in right lateral knee femoral condyles from multicontrast anatomic data with a conditional generative adversarial network | |
| KR20190045515A (en) | System and method for analyzing image quality and proposing imaging conditions based on artificial intelligence | |
| Zheng et al. | Semi-supervised learning for bone mineral density estimation in hip X-ray images | |
| Shojaie et al. | A transfer learning approach based on gradient boosting machine for diagnosis of Alzheimer’s disease | |
| TW201941220A (en) | Diagnosis support device, program, learned model, and learning device | |
| CN115439920B (en) | Consciousness state detection system and equipment based on emotional audio-visual stimulation and facial expression | |
| US20210125332A1 (en) | Diagnosis assisting system, diagnosis assisting method and diagnosis assisting program | |
| US20240161298A1 (en) | Information processing system, biological sample processing device, and program | |
| US20220215956A1 (en) | System and method for image analysis using sequential machine learning models with uncertainty estimation | |
| US20210134442A1 (en) | Medical image diagnosis assistance apparatus and method using plurality of medical image diagnosis algorithms for endoscopic images | |
| Raghav et al. | Autism Spectrum Disorder Detection in Children Using Transfer Learning Techniques | |
| Auf der Mauer | Towards automated age estimation of young individuals: a new computer-based approach using 3D knee MRI | |
| Önder et al. | Diagnosis of Alzheimer's Disease Using Boosting Classification Algorithms |
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 | ||
| X701 | Decision to grant (after re-examination) |