KR20190060606A - 의료 영상 진단 장치 및 방법 - Google Patents

Abstract

본 개시의 다양한 실시예들은 의료 영상을 표시하는 디스플레이부, 상기 디스플레이와 전기적으로 연결되는 적어도 하나의 프로세서, 및 상기 적어도 하나의 프로세서와 전기적으로 연결되는 메모리를 포함하되, 상기 메모리는 실행되었을 때, 상기 프로세서가, 신체 내부가 촬영된 의료 영상을 획득하고, 상기 획득된 의료 영상의 공간 영역 값들의 적어도 일부를 주파수 영역 값들로 변환하고, 상기 변환된 주파수 영역 값들을, 인공지능 알고리즘을 이용하여 학습된 학습 네트워크 모델에 적용하여, 상기 의료 영상의 적어도 일부의 병변 정도를 획득하고, 상기 획득된 병변 정도를 나타내는 정보를 상기 디스플레이에 표시하도록 설정된 인스트럭션들을 저장하고, 상기 학습 네트워크 모델은 복수 개의 의료 영상들 각각의 주파수 영역 값들 및 상기 복수 개의 의료 영상들 각각의 병변 정도들을 이용하여 학습된 학습 네트워크 모델일 수 있다.

Description

의료 영상 진단 장치 및 방법{Apparatus and method for diagnosis of medical image}

본 개시의 다양한 실시예들은 의료 영상 표시 방법 및 상기 의료 영상을 표시하는 의료 영상 표시 장치에 관한 것이다.

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

인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존의 규칙 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자의 취향을 더욱 정확하게 이해할 수 있게 된다. 따라서, 기존의 규칙 기반 스마트 시스템은 점차 딥러닝 기반의 인공지능 시스템으로 대체되고 있다.

인공지능 기술은 기계 학습 및 기계 학습을 활용한 요소 기술들로 구성된다. 기계 학습은 입력 데이터들의 특징을 스스로 분류하여 학습하는 알고리즘 기술이다. 요소 기술은 딥러닝 등의 기계학습 알고리즘을 활용하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성될 수 있다.

인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화 시스템, 질의응답, 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 경험 정보를 지식 데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임 등을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.

최근에는 기계 학습 알고리즘들 중 딥 러닝(deep learning)이라는 기술이 다양한 분야에서 각광받고 있다. 특히, 객체 인식(object recognition) 분야에서는 딥 러닝의 일종인 CNN(convolutional neural network)이라는 기술이 각광받고 있다. CNN은 사람이 물체를 인식할 때 물체의 기본적인 특징들을 추출한 다음 뇌 속에서 복잡한 계산을 거쳐 그 결과를 기반으로 물체를 인식한다는 가정을 기반으로 만들어진 사람의 뇌 기능을 모사한 모델이다. CNN은 일반적으로 컨볼루션(convolution) 연산을 통해 영상의 특징을 추출하기 위한 다양한 필터와 비선형적인 특성을 더하기 위한 풀링(pooling) 또는 비선형 활성화(non-linear activation) 함수(예: sigmod, ReLU(rectified linear unit) 등) 등을 사용할 수 있다.

딥 러닝에 대한 관심의 증가와 함께, 다양한 의료 기기(예: 초음파, CT(computed tomography), MRI(magnetic resonance imaging) 등) 분야에서도 딥 러닝에 대한 관심이 증가하고 있다.

본 개시는 인공지능 기술을 이용하여 환자를 촬영한 의료 영상을 분석하고, 의료 영상의 여, 의료 영상과 함께 분석 결과를 표시하는 것을 목적으로 한다.

본 개시의 다양한 실시예에 따른, 의료 영상 진단 장치는 의료 영상을 표시하는 디스플레이부, 상기 디스플레이와 전기적으로 연결되는 적어도 하나의 프로세서, 및 상기 적어도 하나의 프로세서와 전기적으로 연결되는 메모리를 포함하되, 상기 메모리는 실행되었을 때, 상기 프로세서가, 신체 내부가 촬영된 의료 영상을 획득하고, 상기 획득된 의료 영상의 공간 영역 값들의 적어도 일부를 주파수 영역 값들로 변환하고, 상기 변환된 주파수 영역 값들을, 인공지능 알고리즘을 이용하여 학습된 학습 네트워크 모델에 적용하여, 상기 의료 영상의 적어도 일부의 병변 정도를 획득하고, 상기 획득된 병변 정도를 나타내는 정보를 상기 디스플레이에 표시하도록 설정된 인스트럭션들을 저장하고, 상기 학습 네트워크 모델은, 복수 개의 의료 영상들 각각의 주파수 영역 값들 및 상기 복수 개의 의료 영상들 각각의 병변 정도들을 이용하여 학습된 학습 네트워크 모델일 수 있다.

본 개시의 다양한 실시예에 따르면, 의료 영상 진단 장치의 의료 영상을 이용하는 진단 방법은, 신체 내부가 촬영된 의료 영상을 획득하는 동작, 상기 획득된 의료 영상의 공간 영역 값들의 적어도 일부를 주파수 영역 값들로 변환하는 동작, 상기 변환된 주파수 영역 값들을, 인공지능 알고리즘을 이용하여 학습된 학습 네트워크 모델에 적용하여, 상기 의료 영상의 적어도 일부의 병변 정도를 획득하는 동작, 및 상기 획득된 병변 정도를 나타내는 정보를 표시하는 동작을 포함하고, 상기 학습 네트워크 모델은, 복수 개의 의료 영상들 각각의 주파수 영역 값들 및 상기 복수 개의 의료 영상들 각각의 병변 정도들을 이용하여 학습된 학습 네트워크 모델일 수 있다.

본 개시의 다양한 실시예에 따르면, 컴퓨터 프로그램 제품은, 신체 내부가 촬영된 의료 영상의 공간 영역 값들의 적어도 일부를 주파수 영역 값들로 변환하는 동작, 상기 변환된 주파수 영역 값들을, 인공지능 알고리즘을 이용하여 학습된 학습 네트워크 모델에 적용하여, 상기 의료 영상의 적어도 일부의 병변 정도를 획득하는 동작, 및 상기 획득된 병변 정도를 나타내는 정보를 표시하는 동작을 의료 영상 진단 장치가 실행하도록 설정된 명령어들을 포함하고, 상기 학습 네트워크 모델은, 신체 내부가 촬영된 복수 개의 의료 영상들 및 상기 복수 개의 의료 영상들 각각의 병변 정도들을 이용하여 학습된 학습 네트워크 모델일 수 있다.

도 1은 본 개시의 일 실시예에 따른 의료 영상 진단 장치의 블록도이다.
도 2는 본 개시의 일 실시예에 따른 무선 프로브의 구성을 도시한 블록도이다.
도 3a 내지 도 6은 본 개시의 일 실시예에 따른 의료 영상 진단 장치가 의료 영상을 이용하여 진단하는 개념도들이다.
도 7a 내지 도 7c는 본 개시의 일 실시예에 따른 의료 영상 진단 화면들을 나타내는 도면들이다.
도 8 및 도 9는 본 개시의 다른 일 실시예에 따른 의료 영상 진단 장치의 블록도이다.
도 10a 내지 도 10c는 View 인식 표시부가 제공하는 화면들을 나타낸다.
도 11은 일 실시예에 따른 학습 네트워크 모델을 포함하는 장치의 제어부의 블록도이다.
도 12는 일 실시예에 따른 데이터 학습부 및 데이터 인식부의 블록도이다.

이하, 본 개시의 다양한 실시예들이 첨부된 도면을 참조하여 기재된다. 실시예 및 이에 사용된 용어들은 본 개시에 기재된 기술을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 해당 실시예의 다양한 변경, 균등물, 및/또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 본 개시에서, "A 또는 B" 또는 "A 및/또는 B 중 적어도 하나" 등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. "제 1," "제 2," "첫째," 또는 "둘째," 등의 표현들은 해당 구성요소들을, 순서 또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다. 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에 "(기능적으로 또는 통신적으로) 연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제 3 구성요소)를 통하여 연결될 수 있다.

본 개시에서, "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, 하드웨어적 또는 소프트웨어적으로 "~에 적합한," "~하는 능력을 가지는," "~하도록 변경된," "~하도록 만들어진," "~를 할 수 있는," 또는 "~하도록 설계된"과 상호 호환적으로(interchangeably) 사용될 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된) 프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(예: CPU 또는 application processor)를 의미할 수 있다.

본 개시의 다양한 실시예들에 따른 전자 장치는, 예를 들면, 각종 의료기기(MRA(magnetic resonance angiography), MRI(magnetic resonance imaging), CT(computed tomography), 엑스레이(X-ray) 촬영기, 또는 초음파기 등)일 수 있다. 본 개시의 실시예에 따른 전자 장치는 전술한 기기들에 한정되지 않는다. 본 개시에서, 사용자라는 용어는 전자 장치를 사용하는 사람 또는 전자 장치를 사용하는 장치(예: 인공지능 전자 장치)를 지칭할 수 있다.

상세한 설명에 앞서, 본 개시에서 사용되는 용어에 대해 간략히 설명하고, 본 개시의 다양한 실시예들에 대해 구체적으로 설명하기로 한다. 본 개시에서 사용되는 용어는 본 개시의 다양한 실시예에 따른 기술적 특징을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 선택된 용어는 본 개시의 기술 분야에서 통상의 지식을 가진 자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 출원인이 임의로 선정한 용어의 경우 본 개시의 해당하는 설명 부분에서 그 의미를 상세히 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.

본 개시에서 "의료 영상"은 이산적인 영상 요소들(예를 들어, 2차원 영상에 있어서의 픽셀들 및 3차원 영상에 있어서의 복셀들)로 구성된 다차원(multi-dimensional) 데이터를 의미할 수 있다. 예를 들어, 의료 영상은 엑스레이(X-ray), 컴퓨터 단층 촬영(computed tomography: CT), 자기공명영상(magnetic resonance imaging: MRI), 초음파 및 다른 의료 영상 시스템에 의해 획득된 객체의 의료 영상 등을 포함할 수 있다.

또한, 본 개시에서 "객체(object)"는 사람 또는 동물, 또는 사람 또는 동물의 일부를 포함할 수 있다. 예를 들어, 객체는 간, 심장, 자궁, 뇌, 유방, 복부 등의 장기, 혈관 등을 포함할 수 있다.

또한, 본 개시에서 "사용자"는 의료 전문가로서 의사, 간호사, 임상 병리사, 의료 영상 전문가 등이 될 수 있으며, 의료 장치를 수리하는 기술자가 될 수 있으나, 이에 한정되지 않는다.

이하에서 설명되는 본 개시의 다양한 실시예들은 기계 학습(machine learning)을 통해 의료 영상을 표시할 수 있는 의료 영상 진단 장치와 관련된다. 예를 들어, 본 개시의 다양한 실시예들에 따른 의료 영상 진단 장치는 상기 의료 영상 진단 장치에 마련되거나 또는 외부의 서버에 마련된 학습 네트워크 모델을 이용하여 의료 영상의 병변 정도를 제공할 수 있다. 여기서, 학습 네트워크 모델은, 딥 러닝(deep learning) 알고리즘(예: RBM(restricted boltzmann machine), DBN(deep belief network), DNN(deep neural network), CNN(convolutional neural network) 등)에 따라 학습된 학습 네트워크 모델을 포함할 수 있다.

본 개시의 다양한 실시예들에 따른 의료 영상 진단 장치는 CT 장치, MRI 장치, 엑스레이 영상 장치, 초음파 영상 장치, 컴퓨터 보조 진단 장치(computer aided diagnosis: CAD), 퍼스널 컴퓨터(personal computer) 또는 서버를 포함할 수 있다. 또한, 의료 영상 표시 장치는 전술한 장치들과 유선 또는 무선으로 연결되는 하나 이상의 외부 장치(예: 외부 메모리, 외부 전자 장치 또는 외부 서버)를 더 포함할 수 있다.

도 1은 본 개시의 한 실시예에 따른 의료 영상 진단 장치를 도시한 도면이다.

상기 도 1을 참조하면, 본 개시의 한 실시예에 따른 의료 영상 진단 장치(1000)(또는, 의료 영상 분석 장치, 의료 영상 판독 장치)는 객체(예: 환자의 신체 내부)를 촬영하여 적어도 하나의 영상을 획득할 수 있다. 예를 들어, 상기 의료 영상 진단 장치(100)는 컴퓨터 보조 진단 장치를 포함하는 초음파 진단 장치(또는, 초음파 영상 장치)일 수 있다. 어떤 실시예에 따르면, 상기 의료 영상 진단 장치(1000)는 CT 장치, MRI 장치 또는 엑스레이 촬영 장치일 수도 있다.

개시된 실시예에 의한 초음파 영상 장치(1000)는 프로브(20), 초음파 송수신부(1100), 영상 처리부(1200), 통신부(1300), 디스플레이(1400), 메모리(1500), 입력 디바이스(1600), 및 제어부(1700)를 포함할 수 있으며, 상술한 여러 구성들은 버스(1800)를 통해 서로 연결될 수 있다.

의료 영상 진단 장치(1000)는 카트형뿐만 아니라 휴대형으로도 구현될 수 있다. 휴대형 의료 영상 진단 장치의 예로는 팩스 뷰어(PACS, Picture Archiving and Communication System viewer), 스마트 폰(smartphone), 랩탑 컴퓨터, PDA, 태블릿 PC 등이 있을 수 있으나, 이에 제한되지 않는다.

프로브(20)는, 초음파 송수신부(1100)로부터 인가된 구동 신호(driving signal)에 따라 대상체(10)로 초음파 신호를 송출하고, 대상체(10)로부터 반사된 에코 신호를 수신한다. 프로브(20)는 복수의 트랜스듀서를 포함하며, 복수의 트랜스듀서는 전달되는 전기적 신호에 따라 진동하며 음향 에너지인 초음파를 발생시킨다. 또한, 프로브(20)는 의료 영상 진단 장치(1000)의 본체와 유선 또는 무선으로 연결될 수 있으며, 의료 영상 진단 장치(1000)는 구현 형태에 따라 복수 개의 프로브(20)를 구비할 수 있다.

송신부(1110)는 프로브(20)에 구동 신호를 공급하며, 펄스 생성부(1112), 송신 지연부(1114), 및 펄서(1116)를 포함한다. 펄스 생성부(1112)는 소정의 펄스 반복 주파수(PRF, Pulse Repetition Frequency)에 따른 송신 초음파를 형성하기 위한 펄스(pulse)를 생성하며, 송신 지연부(1114)는 송신 지향성(transmission directionality)을 결정하기 위한 지연 시간(delay time)을 펄스에 적용한다. 지연 시간이 적용된 각각의 펄스는, 프로브(20)에 포함된 복수의 압전 진동자(piezoelectric vibrators)에 각각 대응된다. 펄서(1116)는, 지연 시간이 적용된 각각의 펄스에 대응하는 타이밍(timing)으로, 프로브(20)에 구동 신호(또는, 구동 펄스(driving pulse))를 인가한다.

수신부(1120)는 프로브(20)로부터 수신되는 에코 신호를 처리하여 초음파 데이터를 생성하며, 증폭기(1122), ADC(아날로그 디지털 컨버터, Analog Digital converter)(1124), 수신 지연부(1126), 및 합산부(1128)를 포함할 수 있다. 증폭기(1122)는 에코 신호를 각 채널(channel) 마다 증폭하며, ADC(1124)는 증폭된 에코 신호를 아날로그-디지털 변환한다. 수신 지연부(1126)는 수신 지향성(reception directionality)을 결정하기 위한 지연 시간을 디지털 변환된 에코 신호에 적용하고, 합산부(1128)는 수신 지연부(1166)에 의해 처리된 에코 신호를 합산함으로써 초음파 데이터를 생성한다. 한편, 수신부(1120)는 그 구현 형태에 따라 증폭기(1122)를 포함하지 않을 수도 있다. 즉, 프로브(20)의 감도가 향상되거나 ADC(1124)의 처리 비트(bit) 수가 향상되는 경우, 증폭기(1122)는 생략될 수도 있다.

영상 처리부(1200)는 초음파 송수신부(1100)에서 생성된 초음파 데이터에 대한 주사 변환(scan conversion) 과정을 통해 초음파 영상을 생성한다. 한편, 초음파 영상은 A 모드(amplitude mode), B 모드(brightness mode) 및 M 모드(motion mode)에서 대상체를 스캔하여 획득된 그레이 스케일(gray scale)의 영상뿐만 아니라, 도플러 효과(doppler effect)를 이용하여 움직이는 대상체를 표현하는 도플러 영상일 수도 있다. 도플러 영상은, 혈액의 흐름을 나타내는 혈류 도플러 영상 (또는, 컬러 도플러 영상으로도 불림), 조직의 움직임을 나타내는 티슈 도플러 영상, 또는 대상체의 이동 속도를 파형으로 표시하는 스펙트럴 도플러 영상일 수 있다.

데이터 처리부(1210)에 포함되는 B 모드 처리부(1212)는, 초음파 데이터로부터 B 모드 성분을 추출하여 처리한다. 영상 생성부(1220)는, B 모드 처리부(1212)에 의해 추출된 B 모드 성분에 기초하여 신호의 강도가 휘도(brightness)로 표현되는 초음파 영상을 생성할 수 있다.

마찬가지로, 데이터 처리부(1210)에 포함되는 도플러 처리부(1214)는, 초음파 데이터로부터 도플러 성분을 추출하고, 영상 생성부(1220)는 추출된 도플러 성분에 기초하여 대상체의 움직임을 컬러 또는 파형으로 표현하는 도플러 영상을 생성할 수 있다.

개시된 실시예에 의한 영상 생성부(1220)는, 볼륨 데이터에 대한 볼륨 렌더링 과정을 거쳐 3차원 초음파 영상을 생성할 수 있으며, 압력에 따른 대상체(10)의 변형 정도를 영상화한 탄성 영상을 생성할 수도 있다. 나아가, 영상 생성부(1220)는 초음파 영상 상에 여러 가지 부가 정보를 텍스트, 그래픽으로 표현할 수도 있다. 한편, 생성된 초음파 영상은 메모리(1500)에 저장될 수 있다.

디스플레이부(1400)는 생성된 초음파 영상을 표시 출력한다. 디스플레이부(1400)는, 초음파 영상뿐 아니라 초음파 영상 장치(1000)에서 처리되는 다양한 정보를 GUI(Graphical User Interface)로 표시할 수 있다. 예로, 디스플레이부(1400)는 객체의 병변 정도를 나타내는 정보를 객체와 함께 표시할 수 있다. 한편, 초음파 영상 장치(1000)는 구현 형태에 따라 둘 이상의 디스플레이(1400)를 포함할 수 있다.

통신부(1300)는, 유선 또는 무선으로 네트워크(30)와 연결되어 외부 디바이스나 서버와 통신한다. 통신부(1300)는 의료 영상 정보 시스템(PACS)을 통해 연결된 병원 서버나 병원 내의 다른 의료 장치와 데이터를 주고 받을 수 있다. 또한, 통신부(1300)는 의료용 디지털 영상 및 통신(DICOM, Digital Imaging and Communications in Medicine) 표준에 따라 데이터 통신할 수 있다.

통신부(1300)는 네트워크(30)를 통해 대상체(10)의 초음파 영상, 초음파 데이터, 도플러 데이터 등 대상체의 진단과 관련된 데이터를 송수신할 수 있으며, CT 장치, MRI 장치, X-ray 장치 등 다른 의료 장치에서 촬영한 의료 영상 또한 송수신할 수 있다. 나아가, 통신부(1300)는 서버(32)로부터 환자의 진단 이력이나 치료 일정 등에 관한 정보를 수신하여 대상체(10)의 진단에 활용할 수도 있다. 나아가, 통신부(1300)는 병원 내의 서버(32)나 의료 장치(34)뿐만 아니라, 의사나 환자의 휴대용 단말(36)과 데이터 통신을 수행할 수도 있다.

통신부(1300)는 유선 또는 무선으로 네트워크(30)와 연결되어 서버(32), 의료 장치(34), 또는 휴대용 단말(36)과 데이터를 주고 받을 수 있다. 통신부(1300)는 외부 디바이스와 통신을 가능하게 하는 하나 이상의 구성 요소를 포함할 수 있으며, 예를 들어 근거리 통신 모듈(1310), 유선 통신 모듈(1320), 및 이동 통신 모듈(1330)을 포함할 수 있다.

근거리 통신 모듈(1310)은 소정 거리 이내의 근거리 통신을 위한 모듈을 의미한다. 본 개시의 개시된 실시예에 따른 근거리 통신 기술에는 무선 랜(Wireless LAN), 와이파이(Wi-Fi), 블루투스, 지그비(ZigBee), WFD(Wi-Fi Direct), UWB(ultra wideband), 적외선 통신(IrDA, infrared Data Association), BLE (Bluetooth Low Energy), NFC(Near Field Communication) 등이 있을 수 있으나, 이에 한정되는 것은 아니다.

유선 통신 모듈(1320)은 전기적 신호 또는 광 신호를 이용한 통신을 위한 모듈을 의미하며, 개시된 실시예에 의한 유선 통신 기술에는 트위스티드 페어 케이블(twisted pair cable), 동축 케이블, 광섬유 케이블, 이더넷(ethernet) 케이블 등이 있을 수 있다.

이동 통신 모듈(1330)은, 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다. 여기에서, 무선 신호는, 음성 호 신호, 화상 통화 호 신호 또는 문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터일 수 있다.

메모리(1500)는 의료 영상 진단 장치(1000)에서 처리되는 여러 가지 정보를 저장한다. 예를 들어, 메모리(1500)는 입/출력되는 초음파 데이터, 초음파 영상 등 대상체의 진단에 관련된 의료 데이터를 저장할 수 있고, 의료 영상 진단 장치(1000) 내에서 수행되는 알고리즘이나 프로그램을 저장할 수도 있다.

메모리(1500)는 플래시 메모리, 하드디스크, EEPROM 등 여러 가지 종류의 저장매체로 구현될 수 있다. 또한, 의료 영상 진단 장치(1000)는 웹 상에서 메모리(1500)의 저장 기능을 수행하는 웹 스토리지(web storage) 또는 클라우드 서버와 네트웍을 통해 연결될 수도 있다.

입력 디바이스(1600)는, 사용자로부터 의료 영상 진단 장치(1000)를 제어하기 위한 데이터를 입력받는 수단을 의미한다. 입력 디바이스(1600)의 예로는 키 패드, 마우스, 터치 패드, 터치 스크린, 트랙볼, 조그 스위치 등 하드웨어 구성을 포함할 수 있으나 이에 한정되는 것은 아니며, 심전도 측정 모듈, 호흡 측정 모듈, 음성 인식 센서, 제스쳐 인식 센서, 지문 인식 센서, 홍채 인식 센서, 깊이 센서, 거리 센서 등 다양한 입력 수단을 더 포함할 수 있다.

제어부(1700)(또는, 프로세서(processor)는 의료 영상 진단 장치(1000)의 동작을 전반적으로 제어한다. 상기 제어부(1700)는 메모리(1500)로부터 명령(command) 또는 인스트럭션들(instructions)을 수신(또는, 호출)하고, 수신된 명령 또는 인스트럭션들에 따라 각 구성 요소들을 제어하여, 다양한 기능들을 수행할 수 있다. 상기 제어부(1700)는 중앙 처리 장치(central processing unit: CPU), 어플리케이션 프로세서(application processor: AP), 마이크로 컨트롤 유닛(micro control unit: MCU), 마이크로 프로세서 유닛(micro processor unit: MCU) 등으로 형성될 수 있다. 상기 제어부(1700)는 싱글 코어 프로세서(single core processor) 또는 멀티 코어 프로세서(multi-core processor)로 형성될 수 있다. 다른 실시예에서는, 상기 제어부(1700)는 다수의 프로세서로 병렬 구성된 멀티 프로세서일 수 있다. 또 다른 실시예에서는, 상기 제어부(1700)는 GPU(graphic processing unit) 및/또는 이미지 신호 프로세서를 더 포함할 수 있다. 또 다른 실시예에 따르면, 상기 제어부(1700)는 GPU 또는 이미지 신호 프로세서로 형성될 수 있다.

제어부(1700)는 도 1에 도시된 프로브(20), 초음파 송수신부(1100), 영상 처리부(1200), 통신부(1300), 디스플레이(1400), 메모리(1500), 및 입력 디바이스(1600) 간의 동작을 제어할 수 있다. 제어부(1700)는 사용자로부터 입력된 명령에 따라 프로부(20)를 통해 대상체(10)로 초음파 신호가 송출되도록 하며, 송출되는 초음파의 출력을 제어할 할 수 있다.

프로브(20), 초음파 송수신부(1100), 영상 처리부(1200), 통신부(1300), 디스플레이(1400), 메모리(1500), 입력 디바이스(1600) 및 제어부(1700) 중 일부 또는 전부는 소프트웨어 모듈에 의해 동작할 수 있으나 이에 제한되지 않으며, 상술한 구성 중 일부가 하드웨어에 의해 동작할 수도 있다. 또한, 초음파 송수신부(1100), 영상 처리부(1200), 및 통신부(1300) 중 적어도 일부는 제어부(1600)에 포함될 수 있으나, 이러한 구현 형태에 제한되지는 않는다.

메모리(1500)에는 학습 네트워크 모델이 저장될 수 있다.

학습 네트워크 모델은 인간의 뇌 구조를 컴퓨터 상에서 모의하도록 설계될 수 있다. 예로, 학습 네트워크 모델은 인간의 신경망의 뉴런(neuron)을 모의하는, 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고 받는 시냅틱(synaptic) 활동을 모의하도록 각각 연결 관계를 형성할 수 있다. 일 예로, 딥 러닝 네트워크 모델에서 복수의 네트워크 노드들은 서로 다른 깊이(또는, 레이어)에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고 받도록 형성될 수 있다.

학습 네트워크 모델은, 일 예로, 소프트웨어 모듈로 구현될 수도 있다. 소프트웨어 모듈(예로, 명령어(instruction)를 포함하는 프로그램 모듈)로 구현되는 경우, 학습 네트워크 모델은 컴퓨터로 읽을 수 있는 판독 가능한 기록매체(computer readable media)에 저장될 수 있다. 이 경우, 컴퓨터로 읽을 수 있는 판독 가능한 기록매체(computer readable media)는 메모리(1500)의 적어도 일부가 될 수 있다.

다른 예로, 학습 네트워크 모델은 하드웨어 칩 형태로 집적되어 전술한 제어부(1700)의 일부가 될 수도 있다. 예로, 학습 네트워크 모델은 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 제작될 수도 있다.

또 다른 예로, 학습 네트워크 모델은 소프트웨어 모듈 또는 하드웨어 칩 형태로 제작되어 서버(32)에 위치할 수도 있다. 서버(32)는 AI 클라우드 서버일 수 있다. 의료 영상 진단 장치(1000)는 의료 영상(예로, 초음파 영상) 또는 의료 영상의 주파수 영역(frequency domain) 값을 통신부(140)를 통해 서버(32)로 전송할 수 있다. 서버(32)는 의료 영상 진단 장치(1000)로부터 수신된 주파수 영역의 값을 학습 네트워크 모델로 입력하여 상기 주파수 영역의 값을 분석하고, 분석 결과로서 의료 영상의 병변 정도를 획득할 수 있다. 그리고, 서버(32)는 획득된 의료 영상의 병변 정도를 의료 영상 진단 장치(1000)로 전송할 수 있다.

서버(32)에 위치한 학습 네트워크 모델이 소프트웨어 모듈로 구현되는 경우, 학습 네트워크 모델은 컴퓨터로 읽을 수 있는 판독 가능한 기록매체에 저장될 수 있다. 이 경우, 컴퓨터로 읽을 수 있는 판독 가능한 기록매체는 서버(32)의 메모리(미도시)가 될 수 있다.

학습 네트워크 모델은 서버(32)에서 생성될 수 있다. 서버(32)는, 예로, 의료 영상 진단 장치(1000)의 제조사의 서버, 관리자의 서버 또는 제조사 또는 관리자가 위탁 또는 임대한 제 3 자의 서버가 될 수 있다. 서버(32)는 학습 네트워크 모델을 생성 또는 업데이트 하는 서버일 수도 있고, 또는, 서버(321)는 의료 영상 진단 장치(1000)로부터 의료 영상의 주파수 영역의 값을 수신하고, 학습 네트워크 모델을 이용하여 분석한 결과를 제공하는 서버가 될 수도 있다.

서버(32)는 학습 데이터를 이용하여 학습 네트워크 모델을 학습시킬 수 있다. 학습 데이터는, 예로, 다양한 환자들의 의료 영상 및 환자 정보가 될 수 있다. 환자 정보는 환자들의 간염 정보, 나이, 성별, 병명을 포함할 수 있다. 의료 영상은 초음파 영상, 엑스선 영상, MRI 영상 및 CT 영상을 포함할 수 있다.

학습 데이터는 의료 영상 진단 장치(1000)의 제조사 또는 관리자에 의하여 병원 또는 의사로부터 수집될 수도 있고, 또는, 의료 영상 진단 장치(100)에서 학습 네트워크 모델을 이용하여 획득한 결과가 학습 데이터로 다시 이용될 수도 있다.

학습 네트워크 모델은 주기적 또는 비주기적으로 업데이트될 수 있다. 비주기적으로 업데이트되는 경우는, 예로, 관리자의 요청이 있거나 또는 학습 데이터가 일정 용량 이상 수집된 경우가 될 수 있다.

다양한 실시예에 따르면, 학습 네트워크 모델의 생성 과정이 의료 영상 진단 장치(1000)에서 직접 수행될 수도 있다. 즉, 의료 영상 진단 장치(1000)는 학습 네트워크 모델의 학습, 업데이트 및 학습 네트워크 모델을 이용한 의료 영상 분석까지 수행할 수 있다.

또한, 서버(32)는 복수의 서버들로 구성될 수 있다. 서버(32)는 인터넷 환경에서 서로 연결된 다양한 장치(서버, 클라이언트 등)의 리소스를 이용하여 데이터를 저장 및 처리하는 시스템을 포함할 수 있다.

본 개시의 실시예에 따르면, 학습 네트워크 모델은은 의료 영상에 대응하는 관심 영역, 병변 정도, 병변 신뢰도를 추정(또는, 생성, 예측, 결정, 추론)하도록 설정될(configured) 수 있다.

여기서, 학습 네트워크 모델이 전술한 목적을 가지고 설정된다는 것은, 학습 네트워크 모델이 다양한 사례에 대응 가능한 일반적인 학습 네트워크 모델이 아닌 특정 목적을 위하여 학습되고, 이에 따라 학습 네트워크 모델의 내부가 상기 목적에 맞게 구현된 것을 의미할 수 있다.

도 2는 개시된 실시예와 관련된 무선 프로브(2000)의 구성을 도시한 블록도이다.

무선 프로브(2000)는, 도 1에서 설명한 바와 같이 복수의 트랜스듀서를 포함하며, 구현 형태에 따라 도 1의 초음파 송수신부(100)의 구성을 일부 또는 전부 포함할 수 있다.

도 2에 도시된 실시 예에 의한 무선 프로브(2000)는, 송신부(2100), 트랜스듀서(2200), 및 수신부(2300)를 포함하며, 각각의 구성에 대해서는 1에서 설명한 바 있으므로 자세한 설명은 생략한다. 한편, 무선 프로브(2000)는 그 구현 형태에 따라 수신 지연부(2330)와 합산부(2340)를 선택적으로 포함할 수도 있다.

무선 프로브(2000)는, 대상체(10)로 초음파 신호를 송신하고 에코 신호를 수신하며, 초음파 데이터를 생성하여 도 1의 의료 영상 진단 장치(1000)로 무선 전송할 수 있다.

도 3a은 본 개시의 일 실시예에 의료 영상 진단 장치가 의료 영상을 진단하는 개념도를 나타내는 도면이다.

도 3a의 (a)를 참조하면, 의료 영상 진단 장치(1000)는 입력 영상을 수신할 수 있다.

입력 영상은 의료 영상을 포함할 수 있다. 예로, 의료 영상은 신호의 강도가 휘도로 표현되는 B 모드 성분에 기초하여 생성된 초음파 영상일 수 있다. 도 3a의 (b)는 의료 영상의 예를 나타낸다.

의료 영상 진단 장치(1000)는 의료 영상에서 관심 영역(ROI; Region of Interest)(예로, 병변이 존재하는 것으로 의심되는 영역)을 선택할 수 있다. 예로, 의료 영상 진단 장치(1000)는 의료 영상에서 관심 영역을 자동으로 선택(또는, 결정)할 수 있다. 또는, 의료 영상 진단 장치(1000)는 사용자가 수동으로 터치 또는 포인팅 장치를 통하여 지정한 영역을 관심 영역으로 선택(또는, 결정)할 수 있다.

의료 영상 진단 장치(1000)는 관심 영역에 대한 RF(radio frequency) 정보를 획득할 수 있다. 예로, 의료 영상 장치(1000)는 관심 영역에서의 공간 영역 값을 변환하여 관심 영역에 대한 주파수 영역 값(또는, 주파수 영역의 계수, 주파수 영상, 주파수 정보)들을 획득할 수 있다. 이 경우, 의료 영상이 확대 또는 축소되더라도 주파수 영역 값들은 동일할 수 있다. 도 3a의 (c)는 관심 영역에서의 공간 영역 값이 주파수 영역 값으로 변환된 것을 나타낸다.

의료 영상 진단 장치(1000)는 획득된 주파수 영역 값들을 학습 네트워크 모델(예로, 딥러닝 모델)의 입력 값으로 이용할 수 있다. 이 때, 주파수 영역 값들의 일부가 학습 네트워크 모델의 입력 값으로 이용될 수 있다. 예로, 주파수 영역 값들에 밴드 패스 필터, 하이 패스 필터, 로우 패스 필터가 적용될 수 있다. 이 경우, 의료 영상 진단 장치(1000)는 필터를 통과한 주파수 영역 값들을 학습 네트워크 모델의 입력 값으로 이용할 수 있다.

다음으로, 의료 영상 진단 장치(1000)는 학습 네트워크 모델의 판단 결과에 따라 신체 내부의 병변 정도를 획득할 수 있다. 예로, 신체 내부가 간(肝)인 경우, 신체 내부의 병변 정도는, 간 병변 정도 또는 간 섬유화 정도를 포함할 수 있다. 간 섬유화 정도는 신체 내부(또는, 관심 영역)의 전반적인 병변 정도를 나타내는 특정 값을 포함할 수 있다. 또는, 간 섬유화 정보는 신체 내부(또는, 관심 영역)의 복수의 영역들(또는, 복수의 서브 영역들)의 각각에 대한 병변 정도를 나타내는 복수 개의 특정 값들을 포함할 수 있다.

다양한 실시예로, 의료 영상 진단 장치(1000)는 관심 영역을 선택하는 것을 생략하고, 의료 영상의 공간 영역 값을 변환하여 신체 내부에 대한 주파수 영역 값을 획득할 수도 있다.

다양한 실시예로, 의료 영상 진단 장치(1000)는 입력 받은 의료 영상을 표시하는 디스플레이부, 관심 영역을 선택하는 관심 영역 선택부, 선택된 관심 영역에 대한 주파수 영역 값을 획득하는 주파수 영역 획득부, 주파수 영역 값을 입력 받는 주파수 영역 입력부, 입력 받은 주파수 영역 값에 기초하여 의료 영상의 병변 정도(예로, 간 섬유화 정도)를 제공하는 병변 판단부를 포함할 수 있다. 이 때, 주파수 영역 입력부 및 병변 판단부는 학습 네트워크 모델에 포함될 수 있다. 또는, 병변 판단부가 학습 네트워크 모델에 포함될 수 있다.

이 때, 의료 영상은, 예로, 복부 초음파 영상을 포함할 수 있다. 또한, 관심 영역 선택부는 복부 초음파 영상의 관심 영역을 자동으로 선택하거나 또는 사용자에 의하여 임의로 선택 받을 수 있다. 또한, 주파수 영역 획득부는 획득된 관심 영역의 주파수 값을 학습 네트워크 모델(예로, 간 섬유화 판단 모델)의 입력 값으로 전달할 수 있다. 예로, 주파수 영역 획득부는 관심 영역의 주파수 값을 주파수 계수 입력부로 전달할 수 있다. 또한, 디스플레이부는 병변 정도의 판단 결과(또는, 평가 결과)로서 병변 정도(예로, 간 섬유화 정도)를 화면에 표시할 수 있다.

도 3b의 (a)는 본 개시의 다른 일 실시예에 따른 의료 영상 진단 장치가 의료 영상을 이용하여 진단하는 개념도를 나타내는 도면이다.

도 3b의 (a)를 참조하면, 의료 영상 진단 장치(1000)는 입력 영상(예로, 의료 영상)을 수신할 수 있다. 의료 영상 진단 장치(1000)는 입력 영상(예로, 입력 영상의 공간 영역 값 또는 입력 영상의 주파수 영역 값)을 학습 네트워크 모델(예로, 딥 러닝 모델)에 적용하여 의료 영상의 복수의 영역들 각각에 대응하는 병변 정도를 획득할 수 있다. 복수 개의 병변 정도는, 예로, 복수 개의 클래스(class)의 결과 값들 중 하나로 나타날 수 있다. 복수 개의 클래스는 예로, 간 섬유화 정도를 나타내는 METAVIR 스코어 값들에 대응될 수 있다. 예로, 복수 개의 클래스는 F0, F1, F2, F3, F4 클래스들 중 두 개 이상을 포함할 수 있다. 이 경우, 클래스 번호가 높을수록 간 섬유화 정도가 더 심할 수 있다.

의료 영상 진단 장치(1000)는 복수의 영역들 각각에 대응하는 병변 정도(예로, 클래스 값)를 나타내는 정보를 화면에 표시할 수 있다.

도 3b의 (b)는 병변 정도를 나타내는 정보로서 복수의 영역들이 서로 다른 색으로 표시된 것을 나타낸다. 이 때, 서로 다른 색들 각각은 병변 정도로서 서로 다른 클래스 값들을 나타낸다. 이 경우, 영상은, RMI(Reliable Measurement Index)와 유사한 방식에 따라 복수 개의 클래스 값들을 입력으로 하는 수식에 기초하여 히트맵(heat map) 형태로 표시될 수 있다. RMI는, 예로 초음파 기능 중 S-shearwave에서 측정 값의 신뢰도를 표현해주는 지표를 나타낼 수 있다. 로 S-shearwave에서는 '신호의 SNR 요소' 와 '파형의 형태' 를 수식을 이용하여 계산할 수 있다.

또한, 의료 영상 진단 장치(1000)는 입력 영상의 복수의 영역들 각각에 대응하는 병변 신뢰도를 획득할 수 있다. 병변 신뢰도는, 예로, LFI(Liver Fibrosis Index)로 나타날 수 있다. 구체적으로, 의료 영상 진단 장치(1000)는 입력 영상을 학습 네트워크 모델에 적용하여 복수의 영역들 각각에 대응하는 병변 정도와 함께 상기 병변 정도에 대응하는 병변 신뢰도를 획득할 수 있다.

예로, 의료 영상 진단 장치(1000)는 입력 영상의 학습 네트워크 모델의 적용 결과로서, 특정 영역 또는 특정 픽셀의 병변 정도 및 병변 신뢰도로써, {클래스 0, 0.1, 클래스 1, 0.1, 클래스 2, 0.7, 클래스 3, 0.1}과 같은 판단 결과(또는, 예측 결과, 추정 결과)를 획득할 수 있다.

이 경우, 의료 영상 진단 장치(1000)는 가장 높은 신뢰도인 0.7의 신뢰도를 갖는 클래스 2를 상기 특정 영역 또는 특정 픽셀의 클레스 값으로 결정할 수 있다. 그리고, 의료 영상 진단 장치(1000)는 상기 클래스 2의 신뢰도를 상기 특정 영역 또는 특정 픽셀의 병변 신뢰도로서 결정할 수 있다.

의료 영상 진단 장치(1000)는 복수의 영역들 각각에 대응하는 병변 신뢰도(예로, LFI 값)를 나타내는 정보를 화면에 표시할 수 있다.

도 3b의 하단의 우측 영상은 병변 신뢰도를 나타내는 정보로서 복수의 영역들이 서로 다른 색으로 표시된 것을 나타낸다. 이 때, 서로 다른 색들은 각각은 병변 신뢰도로서 서로 다른 LFI 값을 나타낸다. 도 3b의 하단의 우측 영상에서, LFI 50은, 예로, 상기 LFI 50이 지시하는 영역의 신뢰도가 50%인 것을 나타내고, 유사하게 LIF 90은 신뢰도가 90%, LFI 70은 신뢰도가 70%인 것을 나타낸다. 이 경우, 영상은, RMI와 유사한 방식에 따라 복수 개의 LFI 값들을 입력을 하는 수식에 기초하여 히트맵 형태로 표시될 수 있다.

다양한 실시예로, 병변 정도를 나타내는 정보로서 복수의 영역들이 시각적으로 구별되어 표시되는 경우, 복수의 영역들 중 일 영역을 선택하는 사용자 입력이 획득될 수 있다. 이 경우, 의료 영상 진단 장치(1000)는 선택된 일 영역을 대상으로 병변 신뢰도를 나타내는 정보를 화면에 표시할 수 있다.

다양한 실시예로, 의료 영상 진단 장치(1000)는 입력 영상 전체를 학습 네트워크 모델에 적용하여 병변 정도 및 병변 신뢰도를 획득할 수 있다. 또는, 의료 영상 진단 장치(1000)는 입력 영상의 관심 영역(예로, 관심 영역의 공간 영역 값 또는 관심 영역의 주파수 영역 값)을 학습 네트워크 모델에 적용하여 병변 정도 및 병변 신뢰도를 획득할 수 있다. 또는, 의료 영상 진단 장치(1000)는 입력 영상 또는 관심 영역의 픽셀들 각각을 학습 네트워크 모델에 적용하여 픽셀들 각각에 대한 병변 정도 및 병변 신뢰도를 획득할 수 있다. 또는, 의료 영상 진단 장치(1000)는 입력 영상 또는 관심 영역을 분할하여 복수 개의 분할 영역들을 생성할 수 있다. 그리고, 의료 영상 진단 장치(1000)는 복수 개의 분할 영역들(예로, 분할 영역들의 공간 영역 값 또는 분할 영역들의 주파수 영역 값) 각각을 학습 네트워크 모델에 적용하여 분할 영역 각각에 대한 병변 정도 및 병변 신뢰도를 획득할 수 있다.

픽셀 또는 분할 영역을 이용하여 병변 정도를 획득하는 경우, 의료 영상 진단 장치(1000)는 각 픽셀 또는 각 분할 영역의 병변 정도에 기초하여 픽셀 또는 분할 영역들을 그룹핑할 수 있다. 예로, 의료 영상 진단 장치(1000)는 대체로 같은 병변 정도를 갖는 입력 영상의 일정 영역은 동일한 병변 정도를 갖도록 그룹핑할 수 있다. 예로, 의료 영상 진단 장치(1000)는 상기 일정 영역에 포함되는 픽셀 또는 분할 영역들의 병변 정도들의 평균 값 또는 미디언 값을 상기 일정 영역의 병변 정도로 결정할 수 있다. 그리고, 의료 영상 진단 장치(1000)는 그룹핑된 영역들 대상으로 병변 정도를 나타내는 정보를 표시할 수 있다.

유사하게, 픽셀 또는 분할 영역을 이용하여 병변 신뢰도를 획득하는 경우, 의료 영상 진단 장치(1000)는 각 픽셀 또는 각 분할 영역의 병변 신뢰도에 기초하여 픽셀 또는 분할 영역들을 그룹핑할 수 있다. 예로, 의료 영상 진단 장치(1000)는 대체로 같은 병변 신뢰도를 갖는 입력 영상의 일정 영역은 동일한 병변 신뢰도를 갖도록 그룹핑할 수 있다. 예로, 의료 영상 진단 장치(1000)는 상기 일정 영역에 포함되는 픽셀 또는 분할 영역들의 병변 신뢰도들의 평균 값 또는 미디언 값을 상기 일정 영역의 병변 신뢰도도로 결정할 수 있다. 그리고, 의료 영상 진단 장치(1000)는 그룹핑된 영역들을 대상으로 병변 정도를 나타내는 정보를 표시할 수 있다.

다양한 실시예로, 의료 영상 진단 장치(1000)는 입력 받은 의료 영상을 표시하는 디스플레이부, 의료 영상을 입력 받는 영상 입력부, 입력 받은 의료 영상에 기초하여 의료 영상의 병변 정도(예로, 간 섬유화 정도를 나타내는 클래스 값) 및 병변 신뢰도(예로, LFI 값) 중 적어도 하나를 제공하는 병변 판단부를 포함할 수 있다. 이 때, 병변 판단부는 의료 영상의 병변 정도를 판단하는 판단부 및 병변 정도에 기초한 병변 신뢰도)를 계산하는 계산부를 포함할 수 있다.

이 때, 의료 영상은, 예로, 복수 초음파 영상을 포함할 수 있다. 또한, 의료 영상 진단 장치(1000)는 입력된 의료 영상에 기초하여 병변 정도(예로, 간 섬유화 값)을 나타내는 정보를 화면에 표시할 수 있다. 또한, 의료 영상 진단 장치(1000)는 평가된 병변 정도(예로, 간 섬유화 값)을 기초로 병변 신뢰도(예로, LFI 값)을 계산하고, 상기 병변 신뢰도를 나타내는 정보를 화면에 표시할 수 있다.

다양한 실시예로, 의료 영상 진단 장치(1000)는 의료 영상의 관심 영역을 수동 또는 자동으로 선택할 수 있다. 그리고, 의료 영상 진단 장치(1000)는 선택된 관심 영역을 학습 네트워크 모델에 적용하여 관심 영역의 복수개의 영역들 각각의 병변 신뢰도 및 병변 정도를 획득할 수 있다. 그리고, 의료 영상 진단 장치(1000)는 복수 개의 영역들 각각의 병변 신뢰도를 나타내는 정보 및 복수 개의 영역들 각각의 병변 정도를 나타내는 정보 중 적어도 하나를 화면에 표시할 수 있다.

다양한 실시예로, 의료 영상 진단 장치(1000)는 의료 영상의 공간 영역 값들의 적어도 일부를 주파수 영역 값으로 변환할 수 있다. 그리고, 의료 영상 진단 장치(1000)는 변환된 주파수 영역 값을 학습 네트워크 모델에 적용하여 의료 영상의 적어도 일부의 병변 신뢰도 및 병변 정도를 획득할 수 있다. 그리고, 의료 영상 진단 장치(1000)는 병변 신뢰도를 나타내는 정보 및 병변 정도를 나타내는 정보 중 적어도 하나를 화면에 표시할 수 있다.

도 4a는 본 개시의 다른 일 실시예에 따른 의료 영상 진단 장치가 의료 영상을 이용하여 진단하는 개념도를 나타내는 도면이다.

도 4a의 (a)를 참조하면, 의료 영상 진단 장치(1000)는 복수 개의 방향에서 촬영된 의료 영상들을 입력 받을 수 있다. 예로, 환자의 복부는 굴곡면을 갖기 때문에, 복수 개의 방향에서 촬영된 의료 영상들은 상기 굴곡면을 따라서 촬영된 의료 영상일 수 있다. 예로, 복수 개의 방향에서 촬영된 의료 영상들은 복부의 정면, 복부의 좌측면, 복부의 우측면, 복부의 상부, 복부의 하부, 복부의 상부 좌측면, 복부의 상부 우측면, 복부의 하부 좌측면 또는 복부의 하부 우측면 등에서 촬영된 의료 영상일 수 있다. 도 4a의 (b)는 복수 개의 방향에서 촬영된 의료 영상들의 예를 나타낸다.

도 4a의 (a)에서, 의료 영상 진단 장치(1000)는 복수 개의 방향에서 촬영된 의료 영상들을 영상 선별 모델에 적용하여, 특정 조건을 만족하는 적어도 하나의 의료 영상을 선별할 수 있다. 예로, 의료 영상 진단 장치(1000)는 특정 방향에서 촬영된 의료 영상을 학습 네트워크 모델에 적용할 의료 영상으로 선별할 수 있다. 구체적으로, 의료 영상 진단 장치(1000)는 신체 내부의 장기의 위치를 고려하여 특정 방향에서 촬영된 의료 영상을 선별할 수 있다. 또는, 의료 영상 진단 장치(1000)는 복수 개의 방향에 촬영된 의료 영상들의 우선 순위를 결정할 수도 있다. 이 경우, 우선 순위가 높은 의료 영상 순서대로 학습 네트워크 모델에 적용될 수 있다.

의료 영상 진단 장치(1000)는 선별된 의료 영상을 학습 네트워크 모델에 적용하여 의료 영상에 대한 병변 정도(예로, 간 섬유화 값) 및 병변 신뢰도 중 적어도 하나를 획득할 수 있다. 그리고, 의료 영상 진단 장치(1000)는 병변 정도를 나타내는 정보 및 병변 신뢰도를 나타내는 정보 중 적어도 하나를 화면에 표시할 수 있다.

다양한 실시 예로, 의료 영상 진단 장치(1000)는 복수 개의 방향에서 촬영된 의료 영상들 각각의 복수 개의 관심 영역들을 수동 또는 자동으로 선택할 수 있다. 그리고, 의료 영상 진단 장치(1000)는 복수 개의 관심 영역들 중 특정 조건을 만족하는 적어도 하나의 관심 영역을 선별할 수 있다. 그리고, 의료 영상 진단 장치(1000)는 선별된 적어도 하나의 관심 영역을 학습 네트워크 모델에 적용하여 병변 정도 및 병변 신뢰도 중 적어도 하나를 획득할 수 있다.

도 4b를 참조하면, 의료 영상 진단 장치(1000)는 서로 다른 시간에 촬영된 의료 영상들을 입력 받을 수 있다. 의료 영상 진단 장치(1000)는 서로 다른 시간에 촬영된 의료 영상들을 영상 선별 모델에 적용하여, 특정 조건을 만족하는 적어도 하나의 의료 영상을 선별할 수 있다. 예로, 의료 영상 진단 장치(1000)는 해상도, 화질, 밝기, 선명도 등을 고려하여 특정 시간에 촬영된 의료 영상을 학습 네트워크 모델에 적용할 의료 영상으로 선별할 수 있다. 또는, 의료 영상 진단 장치(1000)는 서로 다른 시간에 촬영된 의료 영상들의 우선 순위를 결정할 수도 있다. 이 경우, 우선 순위가 높은 의료 영상 순서대로 학습 네트워크 모델에 적용될 수 있다.

의료 영상 진단 장치(1000)는 선별된 의료 영상을 학습 네트워크 모델에 적용하여 의료 영상에 대한 병변 정도(예로, 간 섬유화 값) 및 병변 신뢰도 중 적어도 하나를 획득할 수 있다. 그리고, 의료 영상 진단 장치(1000)는 병변 정도를 나타내는 정보 및 병변 신뢰도를 나타내는 정보 중 적어도 하나를 화면에 표시할 수 있다.

다양한 실시 예로, 의료 영상 진단 장치(1000)는 서로 다른 시간에 촬영된 의료 영상들 각각의 복수 개의 관심 영역들을 수동 또는 자동으로 선택할 수 있다. 그리고, 의료 영상 진단 장치(1000)는 복수 개의 관심 영역들 중 특정 조건을 만족하는 적어도 하나의 관심 영역을 선별할 수 있다. 그리고, 의료 영상 진단 장치(1000)는 선별된 적어도 하나의 관심 영역을 학습 네트워크 모델에 적용하여 병변 정도 및 병변 신뢰도 중 적어도 하나를 획득할 수 있다.

다양한 실시예로, 의료 영상 진단 장치(1000)는 입력 받은 의료 영상을 표시하는 디스플레이부, 의료 영상을 입력 받는 영상 입력부, 입력 받은 의료 영상이 적합한 영상인지, 즉, 특정 조건을 만족하는 의료 영상인지 판단하는 의료 영상 판단부, 의료 영상에 기초하여 의료 영상의 병변 정도 및 병변 신뢰도 중 적어도 하나를 제공하는 병변 판단부, 병변 정도를 나타내는 정보 및 병변 신뢰도를 나타내는 정보 중 적어도 하나를 화면에 표시하는 디스플레이부를 포함할 수 있다.

이 때, 의료 영상은, 예로, 복부 초음파 영상을 포함할 수 있다. 또한, 의료 영상 진단 장치(1000)는 순차적으로 입력되는 의료 영상에 기초하여 의료 영상의 병변 정도 및 병변 신뢰도 중 적어도 하나를 결정 또는 계산할 수 있다. 그리고, 의료 영상 진단 장치(1000)는 병변 정도를 나타내는 정보 및 병변 신뢰도를 나타내는 정보 중 적어도 하나를 화면에 표시할 수 있다.

도 5는 본 개시의 다른 일 실시예에 따른 의료 영상 진단 장치가 의료 영상을 이용하여 진단하는 개념도를 나타내는 도면이다.

도 5를 참조하면, 의료 영상 진단 장치(1000)는 복수의 의료 영상들을 입력 받을 수 있다. 예로, 의료 영상 진단 장치(1000)는 서로 다른 방향 또는 서로 다른 시간에 촬영된 복수의 의료 영상들을 입력 받을 수 있다. 의료 영상 진단 장치(1000)는 복수의 의료 영상들 적어도 하나의 의료 영상을 선별할 수 있다. 예로, 의료 영상 진단 장치(1000)는 복수의 의료 영상들 중 특정 방향을 가지는 적어도 하나의 의료 영상을 선별할 수 있다. 또는, 의료 영상 진단 장치는 복수의 의료 영상들 중 해상도, 화질, 밝기, 선명도 등을 고려하여 적어도 하나의 의료 영상을 선별할 수 있다.

또한, 의료 영상 진단 장치(1000)는 선별된 의료 영상들의 조건을 확인할 수 있다. 예를 들어, 의료 영상 진단 장치(1000)는 일정 개수가 될 때까지 의료 영상들을 수집 또는 저장할 수 있다. 또는, 의료 영상 진단 장치(1000)을 미리 결정된 방향들을 만족하는 복수의 의료 영상들을 선별하여 수집 또는 저장할 수 있다. 또는, 의료 영상 진단 장치(1000)는 미리 결정된 해상도, 화질, 밝기, 선명도 등을 만족하는 복수의 의료 영상들을 선별하여 수집 또는 저장할 수 있다. 의료 영상 진단 장치(1000)는 수집 또는 저장된 의료 영상들 ?을 학습 네트워크 모델에 적용할 입력 값으로 결정할 수 있다.

이 경우, 의료 영상 진단 장치(1000)는 선별된 의료 영상들의 조건을 화면에 표시할 수 있다. 그리고, 의료 영상 진단 장치(1000)는 화면 표시된 의료 영상들 중 적어도 하나의 의료 영상들을 선택하는 사용자 입력을 수신할 수 있다. 사용자 입력에 응답하여, 의료 영상 진단 장치(1000)는 사용자가 선택한 의료 영상들 ?을 학습 네트워크 모델에 적용할 입력 값으로 결정할 수 있다.

의료 영상 진단 장치(1000)는 복수 개의 의료 영상들 ?을 학습 네트워크 모델에 적용하여 병변 정도 또는 병변 신뢰도를 획득할 수 있다. 예로, 의료 영상 진단 장치(1000)는 복수 개의 의료 영상들 각각의 공간 영역 값 또는 주파수 영역 값을 학습 네트워크 모델에 적용하여 병변 정도 또는 병변 신뢰도를 획득할 수 있다. 그리고, 의료 영상 진단 장치(1000)는 벙변 정도를 나타내는 정보 및 병변 신뢰도를 나타내는 정보 중 적어도 하나를 화면에 표시할 수 있다.

다양한 실시예로, 의료 영상 진단 장치(1000)는 입력 받은 의료 영상을 표시하는 디스플레이부, 의료 영상을 입력 받는 영상 입력부, 입력 받은 의료 영상이 적합한 영상인지, 즉, 특정 조건을 만족하는 의료 영상인지 판단하는 의료 영상 판단부, 순차적으로 입력된 의료 영상들이 일정 조건을 만족하는 복수의 의료 영상들인지 판단하는 조건 판단부, 화면에 순차적으로 입력된 의료 영상들의 조건 또는 상기 복수의 의료 영상들의 조건을 화면에 표시하는 조건 표시부, 건을 만족하는 복수 개의 의료 영상들 ?(또는, 집합)에 기초하여 의료 영상의 병변 정도 및 병변 신뢰도 중 적어도 하나를 제공하는 병변 판단부, 병변 정도를 나타내는 정보 및 병변 신뢰도를 나타내는 정보 중 적어도 하나를 화면에 표시하는 디스플레이부를 포함할 수 있다.

이 때, 의료 영상은, 예로, 복부 초음파 영상을 포함할 수 있다. 또한, 의료 영상 진단 장치(1000)는 복수 개의 의료 영상들 집합에 기초하여 의료 영상의 병변 정도 및 병변 신뢰도 중 적어도 하나를 결정 또는 계산할 수 있다. 그리고, 의료 영상 진단 장치(1000)는 병변 정도를 나타내는 정보 및 병변 신뢰도를 나타내는 정보 중 적어도 하나를 화면에 표시할 수 있다.

도 6은 본 개시의 다른 일 실시예에 따른 의료 영상 진단 장치가 의료 영상을 이용하여 진단하는 개념도를 나타내는 도면이다.

도 6의 의료 영상 진단 장치(1000)는 영상을 입력 받는 영상 입력부, 입력 영상의 섬유화 진행 단계를 판별하는 섬유화 진단부, 입력 영상 내 주요 해부구조를 인식하는 해부 구조 처리부, 각 해부 구조에 따른 섬유화 판별 결과를 표시하는 결과 표시부를 포함할 수 있다.

섬유화 진단부는 간 섬유화를 예측하는 단계로 두 개 이상의 단계로 나누어 진단될 수 있다.

해부 구조 처리부는 섬유화 진단 시 활용 가능한 주요 해부 구조를 분할하며, 주요 해부 구조에는 간실질, 혈관, 간 경계면, 횡경막 등을 포함할 수 있다.

결과 표시부는 사용자의 입력에 의하여 ROI가 선택되면, 해당 ROI 내의 해부 구조물의 정보 및 섬유화 정보를 표시할 수 있다. 또한, 결과 표시부는 간 영역에서 각 섬유화 단계를 기준으로 진행 단계 예측 값을 표시할 수 있다. 또한, 결과 표시부는 간 및 간 주위의 해부 구조 별로 간 섬유화의 진단 단계를 분리하여 표시할 수 있다.

도 7a 내지 도 7c는 의료 영상 진단 화면들을 나타내는 도면들이다.

도 7a는 의료 영상의 관심 영역의 해부학적 특징 및 간 섬유화 확률을 시각적으로 표시하는 도면이다.

도 7a의 도면에서 상단의 원그래프는 관심 영역의 해부학적 특징들을 나타내고, 하단의 원그래프는 관심 영역의 클래스에 따른 간 섬유화 확률을 나타낸다. 상기 하단의 원 그래프에 따르면, F2 클래스의 확률이 가장 높게 나타남에 따라 관심 영역의 간 섬유화 정도는 F2 클래스로 추정할 수 있다.

도 7b는 의료 영상의 관심 영역의 섬유화 단계를 시각적으로 표시하는 도면이다.

도 7b의 좌상 도면에 따르면, 관심 영역을 F0 클래스부터 F4 클래스로 구분하여 표시한 것을 나타낼 수 있다. 유사하게, 도 7b의 우상 도면, 좌하 도면, 우하 도면에 따르면 관심 영역을 각각 F1 클래스부터 F4 클래스, F2 클래스부터 F4 클래스, F3 클래스부터 F4 클래스로 구분하여 표시한 것을 알 수 있다.

도 7c는 다른 실시예에 따른 의료 영상의 관심 영역의 섬유화 단계를 시각적으로 표시하는 도면이다.

도 7c에 따르면, 관심 영역은 특정 클래스 값을 기준으로 다른 클래스 값들을 상대적으로 나타낼 수 있다. 예로, 도 7c에서는, 기준 클래스를 녹색으로 표시하고, 기준 클래스보다 섬유화 단계가 낮은 클래스는 청색으로 표시하고, 기준 클래스 보다 섬유화 단계가 높은 클래스는 적색으로 표시할 수 있다.

도 7d 및 도 7e는 간 및 간 주변부의 해부 특징을 고려하여 섬유화를 예측하는 도면이다.

도 7d 및 도 7e에 따르면, 해부 구조 마다 섬유화 정도가 확률적으로 원그래프를 이용하여 표시될 수 있다.

이 경우, 특정 해부 구조에 대응하는 의료 영상의 영역이 하이라이트될 수 있다. 이 때, 하이라이트 된다는 것은 특정 영역의 테두리에 색이 표시되거나, 특정 영역의 밝기가 다른 영역과 비교하여 다르거나 또는 특정 영역을 지시하는 별도의 지시자가 표시된다는 것을 의미할 수 있다.

도 7d는 특정 해부 구조들이 사각형으로 표시되고, 복수 개의 사각형들의 색에 대응되도록 해부 구조명이 매핑되어 각 해부 구조 별 섬유화 정도가 표시된 것을 나타낸다. 또한, 도 7e는 특정 해부 구조들이 해부 구조에 대응되는 모양으로 표시되고, 복수 개의 모양들의 색에 대응되도록 해구 구조명이 매핑되어 각 해부 구조 별 섬유화 정도가 표시된 것을 나타낸다. 도 7d 및 도 7e의 실시예에 따르면, 좌측부터 순서대로 간실질, 혈관, 간 경계면, 횡경막 각각의 섬유화 정도가 표시될 수 있다. 이 때, 간실질은 간 영역 전체에 넓게 분포되어 별도의 하이라이트 표시는 생략되었다.

간 질환은 간 내 지방침착에 의해 발생되는 지방간을 비롯하여 지방간염, 간섬유화 등 다양한 종류를 포함하고 있다. 이러한 간 질환은 지방간을 시작으로 지방간염, 간섬유화, 간경변증, 간세포암종으로 점차 발전하는 경우가 많기 때문에 정확한 진행 정도를 아는 것이 치료에 중요하다. 이러한 중요성으로 인해 임상에서는 지방간의 경우 간내 지방침착이 5% 이내인 S0부터 66% 이상인 S3까지 4단계로 나누어 진행단계를 평가하고 있으며, 간 섬유화의 경우 병리결과의 특징에 따라 정상단계인 F0부터 간경화단계인 F4까지 세분화하여 진단하고 있다. 간 질환을 진단하는 비침습적 방법으로는 초음파검사, CT, MRI, MRS, MRE 등이 사용되고 있으며 이 중 초음파 검사가 가장 많이 이용되고 있다. B-모드 초음파를 이용한 간섬유화 진단은 알려진 간섬유화의 영상특징을 기반하여 의사의 육안 및 경험에 의존하여 진단하는 경우가 대부분이다. 그러나, 영상 특징을 기반으로 육안 판독에 의한 간의 섬유화의 진행단계 예측은 쉽지가 않은 편이다.

B-모드 초음파를 이용한 간 섬유화 진단은 알려진 간 섬유화의 영상특징을 기반하여 의사의 육안을 통해 진단하기에 의사의 숙련도 및 영상의 화질에 따라 그 결과가 다를 수 있다. 또한, 영상특징이 간 섬유화의 진행단계를 명확히 표현하지 못하기에 진행단계를 판단하기가 어려울 수 있다. 이에, 특정 영역을 선택하고 해당 영역내의 texture 정보를 활용하는 방법이 있을 수 있다. 그러나 이러한 ROI의 선택은 의사의 주관적 그리고 경험적 판단이 포함될 수 있고, 일부분만을 판단에 반영하여 대표성에 대한 문제도 발생될 수 있다. 또한, ROI 기반 영상분석방법에서 주로 사용되는 texture 분석은 섬유화의 영상 특징 중 하나로써, 간 내 다양한 영상특징을 반영하기가 쉽지 않다.

본 개시에 따르면, 화질 및 해부정보를 바탕으로 입력 영상을 선별하고, 선별된 영상의 B- 모드 및 RF 초음파 신호를 사전 학습된 판별 모델을 바탕으로 판별하여 간 섬유화의 진단 정확도가 향상될 수 있다. 또한, 판별된 결과 값을 해부학적 정보와 결합하여 표시함으로써 결과 값이 활용성을 높일 수 있다.

도 8은 본 개시의 일 실시예에 따른 의료 영상 진단 장치의 블록도이다.

본 개시의 의료 영상 진단 장치는 영상 입력부, View 인식부, 신호 처리부, 저장 및 표시부를 포함할 수 있다.

영상 입력부는 사용자에 의해 선택된 영상을 입력으로 받을 수 있다. View 인식부는 입력된 영상의 해부 구조 및 화질을 근거하여 입력 영상의 적절성을 판단하고, 진단에 활용된 영역을 설정할 수 있다. 신호 처리부는 View 인식부에서 선택된 영역의 RF 신호를 호출하여 기 학습된 판별 모델(예로, 학습 네트워크 모델)을 활용하여 간 섬유화를 판별하고 LFI를 계산할 수 있다. 저장 및 표시부는 영상 처리부의 결과를 표시하고 저장할 수 있다.

View 인식부에서는 사용자에 의해 선택된 획득된 영상에 대해 해부 정보 인식, 영상 적합성 판단, 진단 ROI 선택을 수행할 수 있다. 적합성의 여부 판단은 입력 영상의 화질 및 영상 내 해부정보를 바탕으로 판단되며 사전 학습된 모델을 활용할 수 있다. 영상이 적합하다고 판별 될 경우, View 인식부는 진단에 활용될 영역을 선택할 수 있다. 신호 처리부는 View 인식부에서 선택된 영역의 RF 정보를 호출하여, 사전 학습된 모델을 활용하여 간 섬유화 판별 및 간섬유화지수(LFI)를 계산할 수 있다. 저장 및 표시부에서는 판별된 간 섬유화의 진행 단계를 표시하고, 영상을 저장할 수 있다.

본 개시에 따르면, 화질 및 해부정보를 바탕으로 입력 영상을 선별하고, 선별된 영상의 B-모드 및 RF 초음파 신호를 기 학습된 판별 모델을 바탕으로 판별함에 따라 간 섬유화의 진단 정확도를 향상될 수 있다. 또한, 판별된 결과 값을 해부학적 정보와 결합하여 표시함으로써 결과 값을 활용성이 더욱 향상될 수 있다.

다양한 실시 예로, 본 개시는 사용자에 의해 선택된 영상을 입력으로 받는 부분인 영상 입력부, 입력된 영상의 해부구조 및 화질을 근거하여 입력 영상의 적절성을 판단하고 진단에 활용될 영역을 선택하는 View 인식부, 선택된 영역에서 RF 신호를 호출하여 기 학습된 모델을 이용하여 간 섬유화 판별 및 LFI를 계산하는 신호 처리부, 결과를 표시하고 저장하는 부분인 저장 및 표시부를 포함할 수 있다.

이 때, 영상 입력부의 입력은 복부 초음파 영상으로 구성된 영상 입력으로서 단일 영상 혹은 복수의 영상이 활용될 수 있다.

또한, View 인식부는 간 및 간 인접 영역의 포함여부, 특정 scan 방법에 의해 생성된 view인지에 대한 판단, 영상 내 간 실질의 점유 정도, 영상 내 artifact의 포함 여부 등을 근거하여 입력 영상을 판단할 수 있다.

또한, View 인식부의 인식 결과를 표시하는 View 인식 표시부는 판단 결과가 부적합일 경우 부적합으로 판단된 영상의 재촬영을 요청할 수 있다.

또한, View 인식 결과를 표시하는 View 인식 표시부는 영상의 적합성을 정량화된 수치로 표현하고, 영상 내 부적합 영역에 대하여 표시하고, artifact 영역에 대하여 표시할 수 있다. 또한, View 인식 표시부는 입력 영상의 view를 바탕으로 요구되는 스캔 방향 및 스캔 위치를 표시할 수 있다.

또한, View 인식 표시부는 영상 내 부적합 영역에 대한 표시를 실시간으로 제공할 수 있다.

또한, View 인식 표시부는 자동으로 ROI를 선택하거나, 사용자의 의해 임의로 ROI를 선택 받거나, 또는 사용자에 의해 수정된 ROI를 선택 받을 수 있다.

또한, 신호 처리부는 ROI 영역에 해당하는 RF 신호를 기반으로 수행되며, RF 신호 및 Envelope 신호, B- 모드 신호 등을 함께 활용할 수 있다. 또한 영상 신호 외 간염 정보, 성별, 나이, BMI 등의 환자 임상정보를 함께 활용할 수 있다.

또한, 신호 처리부는 LFI는 간 섬유화의 특정 stage로 판별됨에 있어 신뢰성을 표시하는 부분으로 간 섬유화 판별 모델의 stage별 확률 값 및 확률 값을 활용한 2차적 연산에 의해 표현될 수 있다.

또한, 저장 및 표시부는 해부학적 특징 및 섬유화 확률을 표시할 수 있다.

도 9는 본 개시의 일 실시예에 따른 의료 영상 진단 장치의 블록도이다.

도 9에서, 의료 영상 진단 장치(1000)는 영상 입력부, View 인식부, View 인식 표시부, 영상 처리부, 저장 및 표시부를 포함할 수 있다.

영상 입력부는 사용자에 의해 선택된 영상을 입력으로 받을 수 있다. View 인식부는 입력된 영상의 해부 구조 및 화질을 근거하여 입력 영상의 적절성을 판단할 수 있다. View 인식 표시부는 View 인식부의 인식 결과를 표시할 수 있다. 영상 처리부는 View 인식부에서 선별된 영상을 간 섬유화 진단에 활용되는 파라미터를 계산하고, 간 섬유화의 진행단계를 평가할 수 있다. 저장 및 표시부는 영상 처리부의 결과를 표시하고 저장할 수 있다.

View 인식부에서는 사용자에 의해 선택된 획득된 영상에 대해 간 섬유화 판단에 적합성 여부를 판단할 수 있다. 적합성의 여부 판단은 간 섬유화 진단에 사전에 학습된 파라미터를 통해 결정되며, 이때의 파라미터는 영상 내 간 및 간 인접 영역의 포함여부, 특정 scan 방법에 의해 생성된 view인지에 대한 판단, 영상 내 간 실질의 점유 정도, 영상 내 artifact의 포함 여부 등을 판단할 수 있다.

적합성 결과는 View 인식 표시부를 통해 표시되며, 부적합 판단의 경우 재촬영을 요청할 수 있다. 적합성은 정량화된 수치의 표현, 영상 내 부적합 영역에 대한 표시, artifact 영역에 대한 표시 등으로 표시될 수 있다. 또한, 입력영상의 view를 바탕으로 요구되는 스캔 방향 및 스캔 위치를 표시할 수 있다.

적합으로 판단된 영상은 영상 처리부를 통해 진단 파라미터를 계산하고 계산된 파라미터를 바탕으로 간 섬유화의 진행 단계의 판별에 이용될 수 있다. 저장 및 표시부에서는 판별된 진행 단계를 표시하고, 영상을 저장할 수 있다.

본 개시는 B-모드 초음파 영상를 이용한 간 섬유화 진단에서 진단에 적합한 해부학적 정보 및 섬유화 진행단계의 영상적 특징점의 포함여부 및 진단을 저해하는 화질 영역의 포함여부를 판단하여 입력 영상을 선별하고 이를 통해 영상처리를 실시함으로써 간 섬유화의 진단 정확도를 향상할 수 있다.

다양한 실시예로, 본 개시는 사용자에 의해 선택된 영상을 입력으로 받는 부분인 영상 입력부, 입력된 영상의 해부 구조 및 화질을 근거하여 입력 영상의 적절성을 판단하는 부분인 View 인식부, View 인식부의 결과에 대한 표시하는 부분인 View 인식 표시부, View 인식부에서 선별된 영상을 간 섬유화 진단에 활용되는 파라미터를 계산하고, 간 섬유화의 진행단계를 평가하는 부분인 영상 처리부, 영상 처리부의 결과를 표시하고 저장하는 부분인 저장 및 표시부를 포함할 수 있다.

이 때, 영상 입력부의 입력은 복부 초음파 영상의 입력을 포함할 수 있다.

또한, View 인식부는 간 및 간 인접 영역의 포함 여부, 특정 scan 방법에 의해 생성된 view인지에 대한 판단, 영상 내 간 실질의 점유 정도, 영상 내 artifact의 포함여부 등을 근거하여 입력 영상을 판단할 수 있다.

Veiw 인식 결과를 표시하는 View 인식 표시부는 판단 결과가 부적합일 경우 부적합으로 판단된 영상의 재촬영을 요청할 수 있다.

View 인식 표시부는 영상의 적합성을 정량화된 수치로 표현하고, 영상 내 부적합 영역에 대하여 표시하고, artifact 영역에 대하여 표시할 수 있다. 또한, View 인식 표시부는 입력 영상의 view를 바탕으로 요구되는 스캔 방향 및 스캔 위치를 표시할 수 있다.

또한, View 인식 표시부는 영상 내 부적합 영역에 대한 표시를 실시간으로 제공할 수 있다.

도 10a 내지 도 10c는 View 인식 표시부가 제공하는 화면들을 나타낸다.

도 10a에서, View 인식 표시부는 영상의 정량적 정합도 정도를 표시할 수 있다. 도 10b 및 도 10c에서, View 인식 표시부는 영상에서 부정합 영역에 대하여 표시할 수 있다.

도 11은 일 실시예에 따른 학습 네트워크 모델을 포함하는 장치의 제어부의 블록도이다.

도 11을 참조하면, 학습 네트워크 모델을 포함하는 장치는 의료 영상 진단 장치(1000) 또는 의료 영상 진단 장치(1000)와 통신 연결된 서버가 될 수 있다.

도 11을 참조하면, 일부 실시예에 따른 제어부(1200)는 데이터 학습부(1210) 및 데이터 인식부(1220)를 포함할 수 있다.

데이터 학습부(1210)는 의료 영상에 대응하는 병변 정도 또는 병변 신뢰도를 결정(또는, 생성, 추정, 예측, 추론)하기 위한 기준을 학습할 수 있다. 또는, 데이터 학습부(1210)는 의료 영상에 대응하는 관심 영역을 결정하기 위한 기준을 학습할 수 있다. 또한, 데이터 학습부(1210)는 병변 정도, 병변 신뢰도 또는 관심 영역을 결정하기 위하여 어떤 데이터를 이용할지, 데이터를 이용하여 어떻게 생성할지에 관한 기준을 학습할 수 있다. 데이터 학습부(1210)는 학습에 이용될 학습용 데이터를 획득하고, 획득된 학습용 데이터를 후술할 학습 네트워크 모델에 적용함으로써, 의료 영상에 대응되는 병변 정도, 병변 신뢰도 또는 관심 영역을 생성하기 위한 기준을 학습할 수 있다.

데이터 학습부(1210)는 지도 학습 방식 또는 비지도 학습 방식에 따라 학습용 데이터를 이용하여 학습 네트워크 모델(또는, 데이터 인식 모델)을 학습시킬 수 있다.

일 실시예로, 데이터 학습부(1210)는 학습용 데이터로서, 의료 영상 및 의료 영상에 대하여 미리 결정된 관심 영역을 이용할 수 있다. 또는, 데이터 학습부(1210)는 학습용 데이터로서, 의료 영상 및 의료 영상의 적어도 일부에 대한 병변 정도를 이용할 수 있다. 또한, 데이터 학습부(1210)는 추가 학습용 데이터로서 환자의 감염 정보(예로, HBV:Hepatitis B Virus, HCV:Hepatitis C Virus 등), 환자의 성별, 환자의 나이, 환자의 키, 환자의 몸무게 등을 더 이용할 수 있다. 이 때, 의료 영상은, 예로, 공간 영역의 값 또는 주파수 영역의 값을 포함할 수 있다.

다양한 실시예로, 학습용 데이터로서 사용되는 의료 영상의 크기는 256 x 256를 가질 수 있다. 또한, 학습용 데이터로서 이용되는 의료 영상의 개수인, 예로, batch size는 128일 수 있다. 또한, 상기 의료 영상들의 data augmentation가 좌우 flip 또는 미러링되어 더 많은 수(예로, 256개)의 학습용 데이터가 확보될 수 있다. 또한, 학습용 데이터는 입력 받은 256 x 256 크기의 의료 영상에서 random한 위치에서 224 x 224로 crop한 영상이 될 수도 있다.

데이터 인식부(1220)는 학습된 학습 네트워크 모델에 인식용 데이터로서 의료 영상을 적용하여 의료 영상에 대응되는 관심 영역, 병변 정도, 병변 신뢰도 등을 결정(또는, 생성, 추정, 추론, 예측)할 수 있다. 또한, 데이터 인식부(1220)는 추가 인식용 데이터로서 환자의 감염 정보, 환자의 성별, 환자의 나이, 환자의 키, 환자의 몸무게 등을 더 이용할 수 있다. 학습 네트워크 모델에는, 예로, VGGnet 모델(예로, VGG-16 모델)을 이용할 수 있으나, 전술한 모델에 제한되지는 않는다.

데이터 인식부(1220)는 의료 영상의 인식 결과로서, 예로, 의료 영상에 대한 섬유화 진행 정도를 결정할 수 있다. 간 섬유화 진행 정도는, 예로, METAVIR값 F0,F1,F2,F3,F4를 사용할 수도 있고, 0(정상)~100(간경변)으로 표현할 수 있는 새로운 index로 표현될 수도 있다.

간 섬유화 진행 정도는 의료 영상에 대한 하나의 값으로 표시될 수도 있고, 의료 영상의 각 영역 별로 표시될 수도 있다.

각 영역 별로 간 섬유화 진행 정도가 표시되는 경우, 학습 네트워크 모델로는 VGGnet 모델뿐만 아니라, 시각화를 위한 saliency map이나 FCN등의 기법 등이 추가로 이용될 수 있다.

한편, 학습 네트워크 모델(또는, 데이터 인식 모델)의 인식 결과는 학습 네트워크 모델을 갱신하는데 다시 이용될 수도 있다.

데이터 학습부(1210) 및 데이터 인식부(1220) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 학습부(1210) 및 데이터 인식부(1220) 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. 이 때, 인공 지능을 위한 전용 하드웨어 칩은 확률 연산에 특화된 전용 프로세서로서, 기존의 범용 프로세서보다 병렬처리 성능이 높아 기계 학습과 같은 인공 지능 분야의 연산 작업을 빠르게 처리할 수 있다.

이 경우, 데이터 학습부(1210) 및 데이터 인식부(1220)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 학습부(1210) 및 데이터 인식부(1220) 중 하나는 전자 장치에 포함되고, 나머지 하나는 서버에 포함될 수 있다. 또한, 데이터 학습부(1210) 및 데이터 인식부(1220)는 유선 또는 무선으로 통하여, 데이터 학습부(1210)가 구축한 모델 정보를 데이터 인식부(1220)로 제공할 수도 있고, 데이터 인식부(1220)로 입력된 데이터가 추가 학습 데이터로서 데이터 학습부(1210)로 제공될 수도 있다.

한편, 데이터 학습부(1210) 및 데이터 인식부(1220) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 학습부(1210) 및 데이터 인식부(1220) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.

도 12의 (a)는 일 실시예에 따른 데이터 학습부(1210)의 블록도이다.

도 12의 (a)를 참조하면, 일부 실시예에 따른 데이터 학습부(1210)는 데이터 획득부(1210-1), 전처리부(1210-2), 학습 데이터 선택부(1210-3), 모델 학습부(1210-4) 및 모델 평가부(1210-5)를 포함할 수 있다. 일부 실시예에 따른 데이터 학습부(1210)는 데이터 획득부(1210-1) 및 모델 학습부(1210-4)를 필수적으로 포함하고, 전처리부(1210-2), 학습 데이터 선택부(1210-3) 및 모델 평가부(1210-5) 중 적어도 하나를 선택적으로 더 포함하거나, 모두 포함하지 않을 수도 있다.

데이터 획득부(1210-1)는 의료 영상에 대응되는 관심 영역, 병변 정도 또는 병변 신뢰도 등을 생성하기 위한 기준을 학습하기 위하여 필요한 데이터를 획득할 수 있다.

예를 들어, 데이터 획득부(1210-1)는 의료 영상을 획득할 수 있다. 데이터 획득부(1210-1)는 사용자로부터 입력 받은 의료 영상, 의료 영상 진단 장치(1000)에 기 저장된 데이터, 또는 서버와 같은 외부 장치로부터 수신된 의료 영상 등을 획득할 수 있으나, 이에 제한되지 않는다. 데이터 획득부(1210-1)는 사용자로부터 입력 받은 의료 영상, 의료 영상 진단 장치(1000)에 기 저장된 데이터, 및 서버와 같은 외부 장치로부터 획득한 의료 영상을 조합하여 필요한 데이터를 획득할 수도 있다.

전처리부(1210-2)는 의료 영상을 전처리할 수 있다. 전처리부(1210-2)는 후술할 모델 학습부(1210-4)가 상황 판단을 위한 학습을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 의료 영상을 기 설정된 포맷으로 가공할 수 있다.

예를 들어, 전처리부(1210-2)는 데이터 획득부(1210-1)에서 획득한 의료 영상에 대해, 의미 있는 데이터를 선별할 수 있도록 노이즈를 제거하거나, 소정의 형태로 가공할 수 있다. 또는, 전처리부(1210-2)는 획득한 데이터의 형태를 학습에 적절한 데이터의 형태로 가공할 수 있다. 예로, 의료 영상이 공간 영역 값들로 구성된 경우, 전처리부(1210-2)는, 의료 영상의 공간 영역 값을 주파수 영역 값으로 가공할 수 있다. 또는, 전처리부(1210-2)는 주파수 영역 값에 대하여 밴드 패스 필터, 하이 패스 필터 또는 로우 패스 필터를 적용하는 필터링 작업을 수행할 수 있다.

학습 데이터 선택부(1210-3)는 전처리된 데이터 중에서 학습에 필요한 의료 영상을 기 설정된 기준에 따라 또는 랜덤하게 선택할 수 있다. 선택된 학습용 데이터는 모델 학습부(1210-4)에 제공될 수 있다. 학습 데이터 선택부(1210-3)는 기 설정된 기준에 따라, 전처리된 의료 영상 중에서 문장을 생성하기 위한 학습에 필요한 학습용 데이터를 선택할 수 있다. 기 설정된 기준은, 예로, 의료 영상의 속성, 의료 영상의 생성 시간, 의료 영상의 생성자, 의료 영상의 신뢰도, 의료 영상의 환자, 의료 영상의 생성 지역 및 의료 영상의 크기 중 적어도 하나를 포함할 수 있다.

또한, 학습 데이터 선택부(1210-3)는 후술할 모델 학습부(1210-4)에 의한 학습에 의해 기 설정된 기준에 따라 학습용 데이터를 선택할 수도 있다.

모델 학습부(1210-4)는 학습용 데이터에 기초하여 의료 영상에 대응되는 관심 영역, 병변 정도 또는 병변 신뢰도를 어떻게 결정할지에 관한 기준을 학습할 수 있다. 또한, 모델 학습부(1210-4)는 의료 영상에 대응되는 관심 영역, 병변 정도 또는 병변 신뢰도를 결정하기 위하여 어떤 학습용 데이터를 이용해야 하는지에 대한 기준을 학습할 수도 있다.

또한, 모델 학습부(1210-4)는 의료 영상에 대응되는 관심 영역, 병변 정도 또는 병변 신뢰도를 결정하는데 이용되는 학습 네트워크 모델을 학습용 데이터를 이용하여 학습시킬 수 있다. 이 경우, 학습 네트워크 모델은 미리 구축된 모델일 수 있다. 예를 들어, 학습 네트워크 모델은 기본 학습용 데이터(예를 들어, 샘플 텍스트 등)을 입력 받아 미리 구축된 모델일 수 있다. 학습 네트워크 모델은, 의료 영상을 이용하여 의료 영상에 대응하는 관심 영역, 병변 정도 또는 병변 신뢰도를 결정(또는, 생성, 추정, 추론, 예측)하도록 설정될 수 있다.

학습 네트워크 모델은, 인식 모델의 적용 분야, 학습의 목적 또는 장치의 컴퓨터 성능 등을 고려하여 구축될 수 있다. 학습 네트워크 모델은, 예를 들어, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 학습 네트워크 모델은 인간의 뇌 구조를 컴퓨터 상에서 모의하도록 설계될 수 있다. 학습 네트워크 모델은 인간의 신경망의 뉴런(neuron)을 모의하는, 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 시냅스(synapse)를 통하여 신호를 주고 받는 뉴런의 시냅틱(synaptic) 활동을 모의하도록 각각 연결 관계를 형성할 수 있다. 학습 네트워크 모델은, 일 예로, 신경망 모델, 또는 신경망 모델에서 발전한 딥 러닝 모델을 포함할 수 있다. 딥 러닝 모델에서 복수의 네트워크 노드들은 서로 다른 깊이(또는, 레이어)에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고 받을 수 있다. 예컨대, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 모델이 학습 네트워크 모델로서 사용될 수 있으나, 이에 한정되지 않는다.

다양한 실시예에 따르면, 모델 학습부(1210-4)는 미리 구축된 학습 네트워크 모델이 복수 개가 존재하는 경우, 입력된 학습용 데이터와 기본 학습용 데이터의 관련성이 큰 학습 네트워크 모델을 학습할 학습 네트워크 모델로 결정할 수 있다. 이 경우, 기본 학습용 데이터는 데이터의 타입 별로 기 분류되어 있을 수 있으며, 학습 네트워크 모델은 데이터의 타입 별로 미리 구축되어 있을 수 있다. 예를 들어, 기본 학습용 데이터는 학습용 데이터가 생성된 지역, 학습용 데이터가 생성된 시간, 학습용 데이터의 크기, 학습용 데이터의 생성자, 학습용 데이터 내의 오브젝트의 종류 등과 같은 다양한 기준으로 기 분류되어 있을 수 있다.

또한, 모델 학습부(1210-4)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 학습 네트워크 모델을 학습시킬 수 있다.

또한, 모델 학습부(1210-4)는, 예를 들어, 학습용 데이터를 입력 값으로 하는 지도 학습(supervised learning)을 통하여, 학습 네트워크 모델을 학습시킬 수 있다. 또한, 모델 학습부(1210-4)는, 예를 들어, 별다른 지도 없이 의료 영상에 대응되는 관심 영역, 병변 정도, 병변 신뢰도를 결정하기 위해 필요한 데이터의 종류를 스스로 학습함으로써, 기준을 발견하는 비지도 학습(unsupervised learning)을 통하여, 학습 네트워크 모델을 학습시킬 수 있다. 또한, 모델 학습부(1210-4)는, 예를 들어, 학습에 따른 결과가 올바른지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 학습 네트워크 모델을 학습시킬 수 있다.

또한, 모델 학습부(1210-4)는 의료 영상에 대응되는 관심 영역, 병변 정도, 병변 신뢰도를 결정하도록 설정된 복수 개의 학습 네트워크 모델들을 생성할 수도 있다..

학습 네트워크 모델이 학습되면, 모델 학습부(1210-4)는 학습된 학습 네트워크 모델을 저장할 수 있다. 이 경우, 모델 학습부(1210-4)는 학습된 학습 네트워크 모델을 데이터 인식부(1220)를 포함하는 의료 영상 진단 장치의 메모리에 저장할 수 있다. 또는, 모델 학습부(1210-4)는 학습된 학습 네트워크 모델을 후술할 데이터 인식부(1220)를 포함하는 의료 영상 진단 장치의 메모리에 저장할 수 있다. 또는, 모델 학습부(1210-4)는 학습된 학습 네트워크 모델을 의료 영상 진단 장치와 유선 또는 무선 네트워크로 연결되는 서버의 메모리에 저장할 수도 있다.

이 경우, 학습된 학습 네트워크 모델이 저장되는 메모리는, 예를 들면, 전자 장치의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 함께 저장할 수도 있다. 또한, 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(1210-5)는 학습 네트워크 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 인식 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(1210-4)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 학습 네트워크 모델을 평가하기 위한 기 설정된 데이터일 수 있다.

예를 들어, 모델 평가부(1210-5)는 평가 데이터에 대한 학습된 학습 네트워크 모델의 인식 결과 중에서, 인식 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, 학습된 학습 네트워크 모델이 총 1000개의 평가 데이터 중의 20개를 초과하는 평가 데이터에 대하여 잘못된 인식 결과를 출력하는 경우, 모델 평가부(1210-5)는 학습된 학습 네트워크 모델이 적합하지 않은 것으로 평가할 수 있다.

한편, 학습된 학습 네트워크 모델이 복수 개가 존재하는 경우, 모델 평가부(1210-5)는 각각의 학습된 학습 네트워크 모델에 대하여 소정 기준을 만족하는지를 평가하고, 소정 기준을 만족하는 모델을 최종 학습 네트워크 모델로서 결정할 수 있다. 이 경우, 소정 기준을 만족하는 모델이 복수 개인 경우, 모델 평가부(1210-5)는 평가 점수가 높은 순으로 미리 설정된 어느 하나 또는 소정 개수의 모델을 최종 학습 네트워크 모델로서 결정할 수 있다.

한편, 데이터 학습부(1210) 내의 데이터 획득부(1210-1), 전처리부(1210-2), 학습 데이터 선택부(1210-3), 모델 학습부(1210-4) 및 모델 평가부(1210-5) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(1210-1), 전처리부(1210-2), 학습 데이터 선택부(1210-3), 모델 학습부(1210-4) 및 모델 평가부(1210-5) 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(1210-1), 전처리부(1210-2), 학습 데이터 선택부(1210-3), 모델 학습부(1210-4) 및 모델 평가부(1210-5)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(1210-1), 전처리부(1210-2), 학습 데이터 선택부(1210-3), 모델 학습부(1210-4) 및 모델 평가부(1210-5) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.

또한, 데이터 획득부(1210-1), 전처리부(1210-2), 학습 데이터 선택부(1210-3), 모델 학습부(1210-4) 및 모델 평가부(1210-5) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(1210-1), 전처리부(1210-2), 학습 데이터 선택부(1210-3), 모델 학습부(1210-4) 및 모델 평가부(1210-5) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.

도 12의 (b)는 일 실시예에 따른 데이터 인식부(1220)의 블록도이다.

도 12의 (b)를 참조하면, 일부 실시예에 따른 데이터 인식부(1220)는 데이터 획득부(1220-1), 전처리부(1220-2), 인식 데이터 선택부(1220-3), 인식 결과 제공부(1220-4) 및 모델 갱신부(1220-5)를 포함할 수 있다. 일부 실시예에 따른, 데이터 인식부(1220)는 데이터 획득부(1220-1) 및 인식 결과 제공부(1220-4)를 필수적으로 포함하고, 전처리부(1220-2), 인식 데이터 선택부(1220-3) 및 모델 갱신부(1220-5) 중 적어도 하나를 선택적으로 더 포함할 수 있다.

데이터 인식부(1220)는 의료 영상을 인식용 데이터로 학습된 학습 네트워크 모델에 적용하여, 의료 영상에 대응하는 관심 영역, 병변 정도, 병변 신뢰도 등을 결정할 수 있다.

데이터 획득부(1220-1)는 의료 영상에 대응하는 관심 영역, 병변 정도, 병변 신뢰도 결정하기 위해 필요한 다양한 종류의 데이터를 획득할 수 있다.. 예를 들어, 데이터 획득부(1220-1)는 의료 영상 진단 장치(1000)에서 사용자에 의하여 직접 입력된 데이터나 선택된 데이터 등을 획득하거나, 의료 영상 진단 장치(1000)에서 다양한 센서들을 이용하여 감지되는 다양한 센싱 정보들을 획득할 수 있다. 또한, 데이터 획득부(1220-1)는 의료 영상 진단 장치(1000)와 통신하는 서버와 같은 외부 장치로부터 수신된 데이터를 획득할 수 있다.

전처리부(1220-2)는 위해 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(1220-2)는 후술할 인식 결과 제공부(1220-4)가 의료 영상에 대응하는 관심 영역, 병변 정도, 병변 신뢰도 결정하기 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.

예를 들어, 전처리부(1220-2)는 데이터 획득부(1220-1)에서 획득한 의료 영상에 대해, 의미 있는 데이터를 선별할 수 있도록 노이즈를 제거하거나, 소정의 형태로 가공할 수 있다. 또는, 전처리부(1220-2)는 획득한 데이터의 형태를 학습에 적절한 데이터의 형태로 가공할 수 있다. 예로, 의료 영상이 공간 영역 값으로 구성된 경우, 전처리부(1220-2)는 의료 영상의 공간 영역 값을 주파수 영역 값으로 변환할 수 있다. . 또는, 전처리부(1220-2)는 주파수 영역 값에 대하여 밴드 패스 필터, 하이 패스 필터 또는 로우 패스 필터를 적용하는 필터링 작업을 수행할 수 있다.

인식 데이터 선택부(1220-3)는 전처리된 데이터 중에서 의료 영상에 대응하는 관심 영역, 병변 정도, 병변 신뢰도 결정하기 위하여 필요한 인식용 데이터를 선택할 수 있다. 선택된 인식용 데이터는 인식 결과 제공부(1220-4)에게 제공될 수 있다. 인식 데이터 선택부(1220-3)는 기 설정된 기준에 따라, 전처리된 데이터 중에서 일부 또는 전부를 선택할 수 있다. 또한, 인식 데이터 선택부(1220-3)는 전술한 모델 학습부(1210-4)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 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 포함할 수 있다.

인식 결과 제공부(1220-4)는 선택된 데이터를 학습 네트워크 모델에 적용하여 의료 영상에 대응하는 관심 영역, 병변 정도, 병변 신뢰도 결정 (또는, 추정, 추론, 예측)할 수 있다. 인식 결과 제공부(1220-4)는 인식 데이터 선택부(1220-3)에 의해 선택된 데이터를 입력 값으로 이용함으로써, 선택된 데이터를 학습 네트워크 모델에 적용할 수 있다. 또한, 인식 결과는 학습 네트워크 모델에 의해 결정될 수 있다. 인식 결과 제공부(1220-4)는 의료 영상에 기초하여 의료 영상에 대응하는 관심 영역, 병변 정도, 병변 신뢰도 등을 결정할 수 있다.

모델 갱신부(1220-5)는 인식 결과 제공부(1220-4)에 의해 제공되는 인식 결과에 대한 평가에 기초하여, 학습 네트워크 모델이 갱신되도록 할 수 있다. 예를 들어, 모델 갱신부(1220-5)는 인식 결과 제공부(1220-4)에 의해 제공되는 의료 영상에 대응하는 관심 영역, 병변 정도, 병변 신뢰도를 다시 모델 학습부(1210-4)에게 제공함으로써, 모델 학습부(1210-4)가 학습 네트워크 모델을 갱신하도록 할 수 있다. 모델 갱신부(1220-5)는 인식 결과 제공부(1220-4)에서 의료 영상에 대응하는 관심 영역, 병변 정도, 병변 신뢰도 결정할 때 이용한 추가 인식용 데이터도 함께 모델 학습부(1210-4)에 제공할 수 있다. 한편, 데이터 인식부(1220) 내의 데이터 획득부(1220-1), 전처리부(1220-2), 인식 데이터 선택부(1220-3), 인식 결과 제공부(1220-4) 및 모델 갱신부(1220-5) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(1220-1), 전처리부(1220-2), 인식 데이터 선택부(1220-3), 인식 결과 제공부(1220-4) 및 모델 갱신부(1220-5) 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(1220-1), 전처리부(1220-2), 인식 데이터 선택부(1220-3), 인식 결과 제공부(1220-4) 및 모델 갱신부(1220-5)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(1220-1), 전처리부(1220-2), 인식 데이터 선택부(1220-3), 인식 결과 제공부(1220-4) 및 모델 갱신부(1220-5) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.

또한, 데이터 획득부(1220-1), 전처리부(1220-2), 인식 데이터 선택부(1220-3), 인식 결과 제공부(1220-4) 및 모델 갱신부(1220-5) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(1220-1), 전처리부(1220-2), 인식 데이터 선택부(1220-3), 인식 결과 제공부(1220-4) 및 모델 갱신부(1220-5) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.

본 개시에서 사용된 용어 "모듈"은, 예를 들면, 하드웨어, 소프트웨어 또는 펌웨어(firmware) 중 하나 이상의 조합으로 구성된 유닛(unit)을 포함하며, 예를 들면, 로직(logic), 논리 블록(logical block), 부품(component), 또는 회로(circuit) 등의 용어와 상호 호환적으로 사용(interchangeably use)될 수 있다. "모듈"은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는 최소 단위 또는 그 일부가 될 수 있다. "모듈"은 기계적으로 또는 전자적으로 구현될 수 있으며, 예를 들면, 어떤 동작들을 수행하는, 알려졌거나 앞으로 개발될, ASIC(application-specific integrated circuit) 칩, FPGAs(field-programmable gate arrays) 또는 프로그램 가능 논리 장치(programmable-logic device)를 포함할 수 있다.

상기에서 설명된 방법들은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광 기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기의 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

또한, 개시된 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)으로 제공될 수 있다.

컴퓨터 프로그램 제품은 S/W 프로그램, S/W 프로그램이 저장된 컴퓨터로 읽을 수 있는 저장 매체 또는 판매자 및 구매자 간에 거래되는 상품을 포함할 수 있다.

예를 들어, 컴퓨터 프로그램 제품은 의료 영상 진단 장치(1000), 서버 또는 상기 장치들의 제조사의 제조사, 또는 어플리케이션 스토어를 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 제조사 또는 어플리케이션 스토어의 서버, 또는 중계 서버의 저장매체가 될 수 있다.

이상과 같이 본 개시는 비록 한정된 실시 예와 도면에 의해 설명되었으나, 본 개시는 상기의 실시 예에 한정되는 것은 아니며, 본 개시가 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 그러므로, 본 개시의 범위는 설명된 실시 예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.

1000: 의료 영상 진단 장치

Claims (19)

1. 의료 영상 진단 장치에 있어서,
   의료 영상을 표시하는 디스플레이부;
   상기 디스플레이와 전기적으로 연결되는 적어도 하나의 프로세서; 및
   상기 적어도 하나의 프로세서와 전기적으로 연결되는 메모리를 포함하되,
   상기 메모리는 실행되었을 때, 상기 프로세서가,
   신체 내부가 촬영된 의료 영상을 획득하고,
   상기 획득된 의료 영상의 공간 영역 값들의 적어도 일부를 주파수 영역 값들로 변환하고,
   상기 변환된 주파수 영역 값들을, 인공지능 알고리즘을 이용하여 학습된 학습 네트워크 모델에 적용하여, 상기 의료 영상의 적어도 일부의 병변 정도를 획득하고,
   상기 획득된 병변 정도를 나타내는 정보를 상기 디스플레이에 표시하도록 설정된 인스트럭션들을 저장하고,
   상기 학습 네트워크 모델은,
   복수 개의 의료 영상들 각각의 주파수 영역 값들 및 상기 복수 개의 의료 영상들 각각의 병변 정도들을 이용하여 학습된 학습 네트워크 모델인,
   의료 영상 진단 장치.
2. 제1항에 있어서,
   상기 의료 영상의 공간 영역 값들의 적어도 일부는,
   상기 의료 영상의 관심 영역의 공간 영역 값들을 포함하는,
   의료 영상 진단 장치.
3. 제2항에 있어서,
   상기 메모리는 실행되었을 때, 상기 프로세서가,
   상기 의료 영상을 인공 지능 알고리즘을 이용하여 학습된 학습 네트워크 모델에 적용하여, 상기 관심 영역을 획득하도록 설정된 인스트럭션들을 포함하고,
   상기 학습 네트워크 모델은,
   복수 개의 의료 영상들 및 상기 복수 개의 의료 영상들 각각의 관심 영역들을 이용하여 학습된 학습 네트워크 모델인,
   의료 영상 진단 장치.
4. 제1항에 있어서,
   상기 신체 내부가 촬영된 의료 영상이,
   환자의 복부를 촬영한 초음파 영상을 포함하는 경우,
   상기 의료 영상의 병변 정도는,
   상기 환자의 간(肝)의 섬유화 정도를 포함하는,
   의료 영상 진단 장치.
5. 제1항에 있어서,
   상기 병변 정도는,
   상기 의료 영상에 대응하는 병변 값 또는 상기 의료 영상에 포함된 복수의 영역들 각각에 대응하는 복수 개의 병변 값들을 포함하는,
   의료 영상 진단 장치.
6. 제1항에 있어서,
   상기 메모리는 실행되었을 때, 상기 프로세서가,
   상기 의료 영상으로부터 상기 의료 영상의 해부 구조를 나타내는 정보를 획득하고, 상기 획득된 병변 정도를 나타내는 정보를 상기 해부 구조를 나타내는 정보와 오버랩하여 상기 디스플레이 표시하도록 설정된 인스트럭션들을 저장하는,
   의료 영상 진단 장치.
7. 제1항에 있어서,
   상기 메모리는 실행되었을 때, 상기 프로세서가
   상기 병변 정도에 대응하는 병변 신뢰도를 획득하고,
   상기 획득된 병변 신뢰도를 나타내는 정보를 상기 디스플레이에 표시하도록 설정된 인스트럭션들을 포함하는,
   의료 영상 진단 장치.
   
8. 제7항에 있어서,
   상기 메모리는 실행되었을 때, 상기 프로세서가,
   상기 의료 영상으로부터 상기 의료 영상의 해부 구조를 나타내는 정보를 획득하고, 상기 획득된 병변 신뢰도를 나타내는 정보를 상기 해부 구조를 나타내는 정보와 오버랩하여 상기 디스플레이에 표시하도록 설정된 인스트럭션들을 저장하는,
   의료 영상 진단 장치.
9. 제1항에 있어서,
   상기 메모리는 실행되었을 때, 상기 프로세서가
   상기 변환된 주파수 영역 값들을, 상기 의료 영상 진단 장치의 외부의 서버에 저장된 상기 학습 네트워크 모델에 적용하여 상기 의료 영상의 적어도 일부의 병변 정도를 획득하도록 설정된 인스트럭션들을 포함하는,
   의료 영상 진단 장치.
10. 의료 영상 진단 장치의 의료 영상을 이용하는 진단 방법에 있어서,
    신체 내부가 촬영된 의료 영상을 획득하는 동작;
    상기 획득된 의료 영상의 공간 영역 값들의 적어도 일부를 주파수 영역 값들로 변환하는 동작;
    상기 변환된 주파수 영역 값들을, 인공지능 알고리즘을 이용하여 학습된 학습 네트워크 모델에 적용하여, 상기 의료 영상의 적어도 일부의 병변 정도를 획득하는 동작; 및
    상기 획득된 병변 정도를 나타내는 정보를 표시하는 동작을 포함하고,
    상기 학습 네트워크 모델은,
    복수 개의 의료 영상들 각각의 주파수 영역 값들 및 상기 복수 개의 의료 영상들 각각의 병변 정도들을 이용하여 학습된 학습 네트워크 모델인,
    의료 영상 진단 방법.
11. 제10항에 있어서,
    상기 의료 영상의 공간 영역 값들의 적어도 일부는,
    상기 의료 영상의 관심 영역의 공간 영역 값들을 포함하는,
    의료 영상 진단 방법.
12. 제11항에 있어서,
    상기 의료 영상 진단 방법은,
    상기 의료 영상을 인공 지능 알고리즘을 이용하여 학습된 학습 네트워크 모델에 적용하여, 상기 관심 영역을 획득하는 동작을 더 포함하고,
    상기 학습 네트워크 모델은,
    복수 개의 의료 영상들 및 상기 복수 개의 의료 영상들 각각의 관심 영역들을 이용하여 학습된 학습 네트워크 모델인,
    의료 영상 진단 방법.
13. 제10항에 있어서,
    상기 신체 내부가 촬영된 의료 영상이,
    환자의 복부를 촬영한 초음파 영상을 포함하는 경우,
    상기 의료 영상의 병변 정도는,
    상기 환자의 간(肝)의 섬유화 정도를 포함하는,
    의료 영상 진단 방법.
14. 제10항에 있어서,
    상기 병변 정도는,
    상기 의료 영상에 대응하는 병변 값 또는 상기 의료 영상에 포함된 복수의 영역들 각각에 대응하는 복수 개의 병변 값들을 포함하는,
    의료 영상 진단 방법.
15. 제10항에 있어서,
    상기 의료 영상 진단 방법은,
    상기 의료 영상으로부터 상기 의료 영상의 해부 구조를 나타내는 정보를 획득하는 동작을 더 포함하고,
    상기 획득된 병변 정도를 나타내는 정보를 표시하는 동작은,
    상기 획득된 병변 정도를 나타내는 정보를 상기 해부 구조를 나타내는 정보와 오버랩하여 상기 표시하는 동작을 포함하는,
    의료 영상 진단 방법.
16. 제10항에 있어서,
    상기 의료 영상 진단 방법은,
    상기 병변 정도에 대응하는 병변 신뢰도를 획득하는 동작; 및
    상기 획득된 병변 신뢰도를 나타내는 정보를 상기 디스플레이에 표시하는 동작을 더 포함하는,
    의료 영상 진단 방법.
17. 제16항에 있어서,
    상기 의료 영상 진단 방법은,
    상기 의료 영상으로부터 상기 의료 영상의 해부 구조를 나타내는 정보를 획득하는 동작을 더 포함하고,
    상기 획득된 병변 정도를 나타내는 정보를 표시하는 동작은,
    상기 획득된 병변 신뢰도를 나타내는 정보를 상기 해부 구조를 나타내는 정보와 오버랩하여 상기 디스플레이에 표시하는 동작을 포함하는,
    의료 영상 진단 방법.
18. 제10항에 있어서,
    상기 의료 영상의 적어도 일부의 병변 정도를 획득하는 동작은,
    상기 변환된 주파수 영역 값들을, 상기 의료 영상 진단 장치의 외부의 서버에 저장된 상기 학습 네트워크 모델에 적용하여 상기 의료 영상의 적어도 일부의 병변 정도를 획득하는 동작을 포함하는,
    의료 영상 진단 방법.
19. 컴퓨터 프로그램 제품에 있어서,
    신체 내부가 촬영된 의료 영상의 공간 영역 값들의 적어도 일부를 주파수 영역 값들로 변환하는 동작;
    상기 변환된 주파수 영역 값들을, 인공지능 알고리즘을 이용하여 학습된 학습 네트워크 모델에 적용하여, 상기 의료 영상의 적어도 일부의 병변 정도를 획득하는 동작; 및
    상기 획득된 병변 정도를 나타내는 정보를 표시하는 동작을 의료 영상 진단 장치가 실행하도록 설정된 명령어들을 포함하고,
    상기 학습 네트워크 모델은,
    신체 내부가 촬영된 복수 개의 의료 영상들 및 상기 복수 개의 의료 영상들 각각의 병변 정도들을 이용하여 학습된 학습 네트워크 모델인,
    컴퓨터 프로그램 제품.

Images