KR20190098902A - 레이저 분광 기반의 인-비보 병변 조직 검출을 위한 넌-디스크리트 스펙트럼 분석 알고리즘 및 이를 위한 방법 - Google Patents

Abstract

본 발명의 일 실시예에 따르면, 레이저 분광 기반의 병변 조직 검출을 위한 넌-디스크리트 스펙트럼 분석용 프로그램들을 하나 이상 저장하는 비일시적(non-transitory) 컴퓨터 판독 가능한 저장 매체가 개시된다.
상기 하나 이상의 프로그램들은, 하나 이상의 프로세서(processor)를 구비한 전자 기기(electronic)가 병변 조직 검출 방법을 실행하도록 하며,
상기 병변 조직 검출 방법은
넌-디스크리트 스펙트럼 계측 결과에 병변 조직 검출용 학습 모델을 적용하여 병변 조직이 있는지 여부를 판단하는 단계;를 포함하며,
상기 넌-디스크리트 스펙트럼 계측 결과는, 레이저가 시료에 조사되어 발생 광이 생성되는 순간부터 발생 광이 더 이상 생성되지 않을 때까지 생성된 모든 발생 광에 대한 스펙트럼을 계측한 결과이다.

Description

레이저 분광 기반의 인-비보 병변 조직 검출을 위한 넌-디스크리트 스펙트럼 분석 알고리즘 및 이를 위한 방법{Non-discrete spectral analysis algorithms and methods for in vivo detection of tissue malignancy based on laser spectroscopy}

본 발명은 레이저 분광 기반의 인-비보 병변 조직 검출을 위한 넌-디스크리트 스펙트럼 분석 알고리즘 및 이를 위한 방법에 관한 것이다.

종래에 동물 또는 인체 조직에 레이저를 조사하여 발생되는 광의 스펙트럼을 분석하여 질병을 진단하는 기술이 개시되어 있다. 예를 들면, 미국등록특허 US7,092,087(2006. 8. 15)(이하, '087'특허)에는 동물을 대상으로 질병을 진단하는 기술적인 개념이 공개되어 있다.

하지만, 상술한 '087' 특허는 파장 영역에서 특정 성분들에 대한 역치(threshold value)를 기준으로 병변 조직을 검출하는 기술로서 정확도를 담보하기가 쉽지 않은 기술이다.

본 발명의 일 실시예에 따르면, 레이저 분광 기반의 인-비보 병변 조직 검출을 위한 넌-디스크리트 스펙트럼 분석 알고리즘 및 이러한 알고리즘을 저장하는 비일시적 컴퓨터 판독 가능한 기록매체가 제공된다.

본 발명의 일 실시예에 따르면 레이저 분광 기반의 인-비보 병변 조직 검출 방법 및 이러한 방법에 사용되는 기기 또는 장치들이 제공된다.

본 발명의 일 실시예에 따르면, 레이저 분광 기반의 병변 조직 검출을 위한 넌-디스크리트 스펙트럼 분석용 프로그램들을 하나 이상 저장하는 비일시적(non-transitory) 컴퓨터 판독 가능한 저장 매체에 있어서,

상기 하나 이상의 프로그램들은, 하나 이상의 프로세서(processor)를 구비한 전자 기기(electronic)가 병변 조직 검출 방법을 실행하도록 하며,

상기 병변 조직 검출 방법은

넌-디스크리트 스펙트럼 계측 결과에 병변 조직 검출용 학습 모델을 적용하여 병변 조직이 있는지 여부를 판단하는 단계;를 포함하며,

상기 넌-디스크리트 스펙트럼 계측 결과는, 레이저가 시료에 조사되어 발생 광이 생성되는 순간부터 발생 광이 더 이상 생성되지 않을 때까지 생성된 모든 발생 광에 대한 스펙트럼을 계측한 결과인 것인,

레이저 분광 기반의 병변 조직 검출을 위한 넌-디스크리트 스펙트럼 분석용 프로그램들을 하나 이상 저장하는 비일시적(non-transitory) 컴퓨터 판독 가능한 저장 매체가 제공된다.

본 발명의 하나 이상의 실시예들에 따르면, 넌-디스크리트 스펙트럼 계측(Non-discrete spectrum Measurement) 및 머신 러닝 기반 병변 조직 검출 방법을 통해서 보다 정확하게 병변을 검출할 수 있게 된다.

또한, 본 실시예들은 인-비보(in-vivo) 병변 검출 뿐만 아니라 엑스-비보(ex-vivo) 병변 검출을 모두 지원할 수 있다.

도 1 내지 도 3은, 본 발명의 일 실시예에 따른 머신 러닝 기반 병변 조직 검출 방법을 설명하기 위한 도면들이다.
도 4는 본 발명의 일 실시예에 따른 병변 조직 검출을 위한 레이저 분광 기반의 독립 장치를 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 넌-디스크리트 스펙트럼 계측을 설명하기 위한 도면이다.
도 6는 도 4를 참조하여 설명한 인-비보(in-vivo) 병변 조직 검출을 위한 레이저 분광 기반의 독립 장치의 예시적인 것을 나타낸 것이다.
도 7 내지 도 9는 넌-디스크리트 스펙트럼 계측(Non-discrete spectrum Measurement)을 설명하기 위한 도면들이다.

이상의 본 발명의 목적들, 다른 목적들, 특징들 및 이점들은 첨부된 도면과 관련된 이하의 바람직한 실시예들을 통해서 쉽게 이해될 것이다. 그러나 본 발명은 여기서 설명되는 실시예들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 오히려, 여기서 소개되는 실시예들은 개시된 내용이 철저하고 완전해질 수 있도록 그리고 당업자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 제공되는 것이다.

본 명세서에서, "…부", "…기기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.

본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 '포함한다(comprises)' 및/또는 '포함하는(comprising)'은 언급된 구성요소는 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다.

용어의 정의

본원 명세서에서, 용어 '프로그램' 또는 '알고리즘'은 '컴퓨터로 처리하기에 적합한 명령의 집합'을 의미하며, '프로그램'과 '알고리즘'은 동일한 의미로 사용하기로 한다.

본원 명세서에서, “프로그램(또는 알고리즘)이 어떤 동작(또는 단계)을 수행 (또는 실행)한다”는 표현은,”프로그램(또는 알고리즘)이 프로세서를 구비한 전자 기기가 어떤 동작(또는 단계)을 수행 또는 실행하게 한다”는 것을 의미한다.

본원 명세서에서, 용어 '레이저'는 펄스 레이저 또는 연속광 레이저를 의미한다. 또한 '레이저'의 주파수 대역은 임의의 주파수 대역을 가질 수 있고, 예를 들면 UV(Ultra violet) 대역, 가시광(Visible light) 대역, 또는 IR(Infra-red) 대역을 가질 수 있다.

본원 명세서에서, 용어 '발생 광'은 레이저가 시료(T)에 조사되었을 때 발생되는 광들을 모두 포함하는 의미이다. 따라서, '발생 광'은 예를 들면 플라즈마 광, 반사광, 산란광, 및/또는 형광광을 의미할 수 있다.

본원 명세서에서, 용어 '시료'는 생물 조직을 의미하며, 예를 들면 인체 조직 또는 동물 조직일 수 있다. 본원 명세서에서, 용어 '계측 데이터' 는 '시료에 레이저가 조사되었을 때 발생되는 N0N-GATED 발생 광에 대하여 분광기가 측정한 스펙트럼 데이터'를 의미하며, '넌-디스크리트 스펙트럼 계측(Non-discrete spectrum Measurement)' 에 의해 측정된 데이터이다.

본원 명세서에서, 레이저가 시료 표면에 조사된 순간부터 발생 광이 더 이상 생성되지 않을 때까지 시간에 따라서 측정되는 모든 발생 광을 'N0N-GATED 발생 광'이라고 하며, NON-GATED 발생 광에 대하여 분광기가 측정한 데이터를, 넌-디스크리트 스펙트럼 계측(Non-discrete spectrum Measurement) 데이터 또는 넌-디스크리트 스펙트럼(Non-discrete spectrum) 데이터라고 한다. 한편, 넌-디스크리트 스펙트럼 계측(Non-discrete spectrum Measurement) 데이터 또는 넌-디스크리트 스펙트럼(Non-discrete spectrum) 데이터는 Filtered 넌-디스크리트 스펙트럼(Filtered Non-discrete spectrum) 데이터를 포함하는 개념이다.

본원 명세서에서, 용어 '넌-디스크리트 스펙트럼 계측(Non-discrete spectrum Measurement)'은 '레이저가 시료 표면에 조사된 순간부터 발생 광이 더 이상 생성되지 않을 때까지 시간에 따라서 측정되는 모든 발생 광, 즉 NON-GATED 발생 광에 대한 스펙트럼을 측정하는 것'을 의미한다. 즉, '넌-디스크리트 스펙트럼 계측(Non-discrete spectrum Measurement)'의 결과는 파장 대역에서 디스크리트(discrete)하지 않은, 즉, 연속적인 값을 가지게 된다. 한편, '넌-디스크리트 스펙트럼 계측(Non-discrete spectrum Measurement)'은 'Filtered 넌-디스크리트 스펙트럼 계측(Filtered Non-discrete spectrum Measurement)'을 포함하는 개념이다.

본원 명세서에서, 용어 'Filtered 넌-디스크리트 스펙트럼 계측(Filtered Non-discrete spectrum Measurement)'은 'NON-GATED 발생 광에서 일부 광에 대하여 스펙트럼을 측정하거나, NON-GATED 발생 광에서 특정 파장 대역의 속한 광에 대하여 스펙트럼을 측정하는 것'을 의미한다.

본원 명세서에서, 용어 'Filtered 넌-디스크리트 스펙트럼(Filtered Non-discrete spectrum)'은 'Filtered 넌-디스크리트 스펙트럼 계측(Filtered Non-discrete spectrum Measurement)' 결과 획득되는 데이터를 의미한다.

본원 명세서에서, 용어 '특징 추출기의 파라미터'는 특징 추출기를 구성하는 파라미터들(예를 들면, 특징 함수의 가중치와 주 성분)을 지칭하는 것으로 사용하기로 한다.

본 발명의 일 실시예에 따른 머신 러닝 기반 병변 조직 검출 방법은 전 처리 단계(이하, '제1단계'라고도 함)와 판단 단계(이하, '제2단계'라고도 함)를 포함한다.

제1단계는, NON-GATED 발생 광에 대한 넌-디스크리트 스펙트럼 계측(NSM: Non-discrete spectrum Measurement) 결과를 정규화(Normalization)하는 단계, 표준화(Standardization)하는 단계, 및 정규화 및 표준화된 계측결과로부터 주 성분의 특징(feature)을 추출(extraction)하는 주 성분 분석(PCA: Principle Component Analysis) 단계를 포함한다.

여기서, 정규화(Normalization) 및 표준화(Standardization)하는 단계는 계측 결과 간의 편차 및 노이즈를 제거하는 단계이다. 예를 들면, 정규화(Normalization) 및 표준화(Standardization)하는 단계는, 계측결과에서 백그라운드 노이즈(background noise)를 제거한 후 영역 표준화(area-normalization) 및 보간(interpolation) 동작을 포함할 수 있다.

본 발명의 일 실시예에 따른 머신 러닝 기반 병변 조직 검출 방법은 NON-GATED 발생 광에 대한 넌-디스크리트 스펙트럼 계측(NSM: Non-discrete spectrum Measurement) 단계를 더 포함할 수 있다. 여기서, 넌-디스크리트 스펙트럼 계측(NSM: Non-discrete spectrum Measurement) 단계는, 레이저가 시료 표면에 조사된 순간부터 발생 광이 더 이상 생성되지 않을 때까지 시간에 따라서 측정되는 모든 발생 광, 즉 NON-GATED 발생 광에 대한 스펙트럼을 측정하는 단계이다. 일 실시예에 따르면, 넌-디스크리트 스펙트럼 계측(NSM: Non-discrete spectrum Measurement) 단계는 NON-GATED 발생 광에서 일부 광에 대하여 스펙트럼을 측정하거나, NON-GATED 발생 광에서 특정 파장 대역에 속한 광에 대하여 스펙트럼을 측정하는 Filtered 넌-디스크리트 스펙트럼 계측(Filtered Non-discrete spectrum)을 측정하는 단계일 수 있다.

본 발명의 실시예들에서, '넌-디스크리트 스펙트럼 계측(Non-discrete spectrum Measurement) 결과' 는 '넌-디스크리트 스펙트럼 계측(Non-discrete spectrum Measurement)'된 데이터 그대로를 의미하거나, 또는 그러한 데이터에 대하여 정규화(Normalization) 및 표준화(Standardization)가 된 후의 데이터를 의미한다.

본 발명의 일 실시예에 따른 머신 러닝 기반 병변 조직 검출 방법은 특정 대역의 레이저를 시료 표면에 조사하는 단계; 와 NON-GATED 발생 광에 대한 넌-디스크리트 스펙트럼 계측(NSM: Non-discrete spectrum Measurement) 단계를 더 포함할 수 있다. 예를 들면, 시료 표면에 조사되는 레이저의 파장은 1064 nm 일 수 있다. 또한, 넌-디스크리트 스펙트럼 계측(NSM: Non-discrete spectrum Measurement) 단계는, NON-GATED 발생 광에서 일부 광에 대하여 스펙트럼을 측정하거나, NON-GATED 발생 광에서 특정 파장 대역에 속한 광에 대하여 스펙트럼을 측정하는 Filtered 넌-디스크리트 스펙트럼 계측(Filtered Non-discrete spectrum)을 측정하는 단계일 수 있다. 여기서, 스펙트럼이 측정되는 발생 광의 파장은 예를 들면 200nm ~ 1000nm 대역을 가지는 것일 수 있다.

주 성분 분석(PCA: Principle Component Analysis) 단계는 넌-디스크리트 스펙트럼 계측 결과로부터 주 성분에 대한 특징(feature)을 추출하는 단계이다. 일 실시예에 따르면, 주 성분은 복수 개(또는, '다 차원'이라고도 함)이고, 주 성분 분석 단계는 그러한 복수개의 주 성분들 각각에 대한 특징(또는, '특징 값'이라고도 함)을 추출하는 동작을 포함한다.

일 실시예에 따르면, 주 성분 분석 단계는, 16차원의 주 성분들에 대하여 각각의 특징을 추출할 수 있다. 여기서, 16차원은 예시적인 수치이므로 본원 발명이 그러한 수치에만 한정되는 것은 아니며, 주 성분 분석 단계는 16차원 보다 많은 차원의 주 성분들에 대하여 특징을 추출할 수도 있다.

본 발명의 실시예들에서, 본 발명의 설명의 목적을 위해서, '복수 개의 주 성분들 각각에 대한 특징을 추출하는 것'을 '다차원 주 성분 분석'이라고 부르기로 한다.

상술한 제1단계는 메모리(미 도시), 하나 이상의 프로세서들(one or more processors)(미 도시), 및 하나 이상의 프로그램들(one or more programs)(미 도시)을 포함하는 전자 기기(electronic device)에 의해 수행될 수 있다. 여기서, 하나 이상의 프로그램들(이하, '전 처리용 프로그램들')은 상기 메모리에 저장되어 상기 하나 이상의 프로세서들에 의해 실행되도록(executed) 구성된다. 여기서, 전 처리용 프로그램들은 상술한 정규화(Normalization) 및 표준화(Standardization)하는 단계와 주 성분 분석(PCA: Principle Component Analysis) 단계를 수행하기 위한 명령어들(instructions)을 포함한다.

일 실시예에 따르면, 전 처리용 프로그램들은 정규화 및 표준화 프로그램과, 다차원 주 성분 분석 프로그램을 포함할 수 있다. 이들 프로그램은 제 동작을 수행하기 위한 명령어들을 각각 포함한다.

일 실시예에 따르면, 제1단계를 위한 상기 메모리(미 도시), 하나 이상의 프로세서들(one or more processors)(미 도시), 및 전 처리용 프로그램들(미 도시)은, 도 4를 참조하여 후술할 분석 기기(10)에 위치되어 있을 수 있다.

다른 예에 따르면, 제1단계를 위한 상기 메모리(미 도시), 하나 이상의 프로세서들(one or more processors)(미 도시), 및 전 처리용 프로그램들(미 도시) 중 일부는 도 4를 참조하여 후술 할 분석 기기(10)에 위치되고, 나머지 일부는 핸드피스(20)에 위치될 수 있다.

또 다른 예에 따르면, 제1단계를 위한 상기 메모리(미 도시), 하나 이상의 프로세서들(one or more processors)(미 도시), 및 전 처리용 프로그램들(미 도시) 중 일부는 도 4를 참조하여 후술 할 분석 기기(10)에 위치되고, 나머지 일부는 분석 기기(10)와 통신 네트워크(데이터를 송신 또는 수신할 수 있는 네트워크, 예를 들면 인터넷)와 연결된 전자 기기에 위치될 수 있다.

제2단계는 머신 러닝 알고리즘이 제1단계에서의 다차원 주 성분 분석 결과에 병변 조직 검출용 학습 모델인 분류자(classifier)를 적용하여 시료에 병변 조직이 있는지 여부를 판단하는 단계이다.

병변 조직 검출용 학습 모델은 레이블이 붙은 넌-디스크리트 스펙트럼 계측 데이터들에 의해 트레이닝(또는 학습)되어 생성된 분류자(classifier)이다. 일 실시예에 따르면, 여기서 넌-디스크리트 스펙트럼 계측 데이터는 Filtered Non-discrete spectrum 데이터일 수 있다.

일 실시예에 따르면, 머신 러닝 알고리즘은 입력 층, 적어도 하나 이상의 히든 층, 및 출력 층을 포함하도록 구성된 딥 러닝 알고리즘이다. 여기서, 히든 층은 병변 조직 검출용 학습 모델을 구성하는 함수와 계수들이 반영된 것일 수 있다.

입력 층은 전 처리 단계의 결과를 입력 받고, 히든 층은 입력 층이 입력 받은 데이터에 대하여 병변 조직 검출용 학습 모델을 적용하며, 출력 층은 히든 층에서의 결과를 출력한다. 출력 층의 출력 값은, 예를 들면, 병변 조직의 존재 유무를 확률적으로 나타내는 값일 수 있다.

본 발명의 실시예들에 사용될 수 있는 머신 러닝 알고리즘은 예를 들면 Logistic regression, SVM (SVM = Space Vector Machine), Radom forest, DNN (Deep Neural Network), 또는 CNN (Convolution Neural Network)과 같은 것일 수 있다. 한편, 본 발명이 속하는 기술분야에 종사하는 자(이하, '당업자'라고 함)는 상술한 알고리즘들 에만 본원 발명이 한정되는 것이 아님을 쉽게 이해할 수 있을 것이다.

상술한 제2단계는 메모리(미 도시), 하나 이상의 프로세서들(one or more processors)(미 도시), 및 하나 이상의 프로그램들(one or more programs)(미 도시)을 포함하는 전자 기기(electronic device)에 의해 수행될 수 있다. 여기서, 하나 이상의 프로그램들(이하, '머신 러닝 프로그램')은 상기 메모리에 저장되어 상기 하나 이상의 프로세서들에 의해 실행되도록(executed) 구성된다.

일 실시예에 따르면, 머신 러닝 프로그램은 상술한 병변 조직의 존재 유무를 판단하는 단계를 수행하기 위한 명령어들(instructions)을 포함한다. 머신 러닝 프로그램은 또한 병변 조직 검출용 학습 모델의 생성을 위한 학습 단계를 수행하기 위한 명령어들(instructions)을 더 포함한다.

일 실시예에 따르면, 제2단계를 위한 상기 메모리(미 도시), 하나 이상의 프로세서들(one or more processors)(미 도시), 및 머신 러닝 프로그램(미 도시)은, 도 4를 참조하여 후술할 분석 기기(10)에 위치되어 있을 수 있다.

다른 예에 따르면, 제2단계를 위한 상기 메모리(미 도시), 하나 이상의 프로세서들(one or more processors)(미 도시), 및 머신 러닝 프로그램들(미 도시) 중 일부는 도 4를 참조하여 후술 할 분석 기기(10)에 위치되고, 나머지 일부는 핸드피스(20)에 위치될 수 있다.

또 다른 예에 따르면, 제2단계를 위한 상기 메모리(미 도시), 하나 이상의 프로세서들(one or more processors)(미 도시), 및 머신 러닝 프로그램(미 도시) 중 일부는 도 4를 참조하여 후술할 분석 기기(10)에 위치되고, 나머지 일부는 상기 분석 기기와 통신 네트워크(데이터를 송신 또는 수신할 수 있는 네트워크, 예를 들면 인터넷)와 연결된 전자 기기(electronic device)에 위치될 수 있다.

본 발명의 일 실시예에 따른 머신 러닝 기반 병변 조직 검출 방법은, 레이블이 붙은 넌-디스크리트 스펙트럼 계측 데이터들로부터 특징 추출기의 파라미터를 결정하는 단계와 병변 조직 검출용 학습 모델인 분류자(classifier)를 학습에 의해 정의하는 단계를 더 포함할 수 있다. 여기서, 넌-디스크리트 스펙트럼 계측 데이터는 예를 들면 Filtered Non-discrete spectrum 데이터일 수 있다.

상술한 특징 추출기의 파라미터를 결정하는 단계는 레이블이 붙은 넌-디스크리트 스펙트럼 계측 데이터들을 특징 추출기가 입력 받고, 특징 추출기의 파라미터를 결정하는 단계이다.

상술한 분류자를 학습에 의해 정의하는 단계는 레이블이 붙은 넌-디스크리트 스펙트럼 계측 데이터들에 의해 머신 러닝 프로그램이 학습되는 단계이다.

여기서, 레이블이 붙은 넌-디스크리트 스펙트럼 계측 데이터들로부터 학습되어 생성된 분류자(classifier)는 미지의 넌-디스크리트 스펙트럼 계측 데이터들로부터 병변 조직이 있는지 여부를 판단하는 단계를 수행할 수 있다.

도 1 내지 도 3은, 본 발명의 일 실시예에 따른 머신 러닝 기반 병변 조직 검출 방법을 설명하기 위한 도면들이다.

이들 도면들을 참조하여 설명할 머신 러닝 기반 병변 조직 검출 방법은 딥 러닝 알고리즘을 사용한 실시예로서, 이하에서 언급되는 수치들이나 함수들은 예시적인 것으로서 본원 발명의 권리범위가 그러한 수치들이나 함수들 에만 한정되는 것임을 당업자는 알아야 한다.

도 1을 참조하면, 특징 추출기(200)는 넌-디스크리트 스펙트럼 계측 데이터에서 주 성분들에 대한 특징을 추출하는 프로그램('다차원 주 성분 분석 프로그램')이고, 병변 조직 검출용 학습 모델(400)은 병변이 있는지 여부를 판단하기 위한 분류자(classifier)이다. 여기서, 넌-디스크리트 스펙트럼 계측 데이터는 예를 들면 Filtered Non-discrete spectrum 데이터일 수 있다.

일 실시예에 따르면, 특징 추출기(200)는, 복수의 주 성분들에 대하여 각각의 특징을 추출한다.

본 실시예에서는, 설명의 목적을 위해서, 도 1에 도시된 바와 같이, 5개의 주 성분들에 대한 각각의 특징을 추출하는 것으로 설명하기로 한다.

즉, 특징 추출기(200)는 도 1의 (a)와 같은 넌-디스크리트 스펙트럼 계측 데이터를 입력 받았고, 그러한 계측 데이터에서 5개의 주 성분들 각각에 대한 특징을 추출한다고 가정한다.

본 실시예에서, 특징 추출기(200)는 파장 대역에서 성분들(λ1, λ2, λ3, λ4, λ5, …)의 각각의 신호의 세기들(y1, y2, y3, y4, y5, …)을 입력으로 하는 함수들(f1, f2, f3, f4, f5)의 값들을 계산한다.

본 실시예에서, 특징 추출기(200)에 계산되는 함수들(f1, f2, f3, f4, f5)은 입력들에 대하여 서로 다른 계수(가중치)들을 가질 수 있다.

예를 들면, f1(y1, y2, y3, y4, y5, …) = (a1*y1) + (b1*y2) + (c1*y3) + (d1 * y4) + (e1*y5) + … 로 정의되었고, f2(y1, y2, y3, y4, y5, …) = (a2*y1) + (b2*y2) + (c2*y3) + (d2 * y4) + (e2*y5) + … 로 정의되었다고 가정하면, a1과 a2가 다르거나, b1과 b2가 다르거나, c1과 c2가 다르거나, d1과 d2가 다르거나, 및/또는 e1과 e2가 다를 수 있다.

도 1을 참조하면, 특징 추출기(200)는 특징 추출 함수가 계산한 특징을 출력한다.

본 실시예에서, 특징 추출기(200)는 5개(즉, 5차원)의 특징 추출 함수를 가지고 있다고 가정하면, 5개의 특징 추출 함수들(F1, F2, F3, F4, F5)은, 각각 함수 값을 계산하여 출력하며, 출력 들은 딥 러닝 알고리즘(300)으로 입력된다.

딥 러닝 알고리즘(300)은 입력 받은 특징들에 병변 조직 검출용 학습 모델(400)을 적용하여 병변 조직이 있는지 여부를 판단한다.

도 2는 딥 러닝 알고리즘(300)을 설명하기 위한 도면이다.

일 실시예에 따르면, 딥 러닝 알고리즘(300)은 특징 추출기(200)로부터 특징 들을 입력 받고, 특징들에 병변 조직 검출용 학습 모델(400)을 적용하여, 병변 조직이 있는지 여부를 판단한다.

본 실시예에서는, 설명의 목적을 위해서, 입력 층(302), 히든 층(304)(제1 히든 층(303), 제2 히든 층(305)), 및 출력 층(306)을 포함하도록 구성된 딥 러닝 알고리즘(300)을 예시적으로 설명하기로 한다.

입력 층(302), 히든 층(304), 및 출력 층(306)은 각각 1개 이상의 노드들로 구성되며, 이들 노드들 각각은 복수의 입력을 받으며, 입력의 개수와 동일한 개수의 계수('가중치'라고도 함)들을 가지고 있다. 즉, 노드는 자신이 입력받은 입력들 각각에 미리 정한 계수들을 연산 시키는 동작을 수행한다. 또한, 노드에서 입력들에 대하여 연산 되는 가중치는 노드들마다 다르게 정의되어 있다.

도 2를 참조하면, 입력 층(302)은 5개의 노드로 구성되어 있고, 이들 5개의 노드(이하, '입력 노드')는 특징 추출기(200)에서 추출된 5개의 특징을 각각 입력 받아서, 히든 층(304)에게 출력한다.

도 2를 참조하면, 설명의 목적을 위해서, 5개의 입력 노드들을 in1, in2, in3, in4, 및 in5 로 표시하고, in1, in2, in3, in4, 및 in5의 각각의 출력을 IN1, IN2, IN3, IN4, IN5로 표시하였다. 여기서, IN1은 입력 받은 특징 F1 그대로 이거나, 또는 F1 입력으로 하는 어떤 임의의 함수의 값일 수 있다.

제1 히든 층(303)은 복수개의 노드(이하, '제1히든 노드')들로 구성되어 있고, 제1히든 노드들 각각은 입력 노드의 출력 값들을 입력으로 하는 함수를 계산하여 출력한다. 도 2를 참조하면, 복수개의 제1히든 노드들은 m개(여기서, m은 양의 정수)로서 h11, h12, h13, h14, … , h1m으로 표시되어 있음을 알 수 있다.

도 2는, m개의 제1히든 노드들에서 계산되는 각각의 함수들과 그 동작을, 예시적으로 나타낸다.

설명의 목적을 위해서, 제1히든 노드의 h11 노드에서 적용되는 함수를 h11으로 정의하고, 함수 h11의 결과(또는 '출력')는 H11으로 정의하였다. 또한, IN1, IN2, IN3, IN4, 및 IN5를 입력으로 하는 함수 h11을 수식으로 정의하면, H11 = h11(IN1, IN2, IN3, IN4, IN5)와 같다. 즉, 제1히든 노드의 h11 노드는 IN1, IN2, IN3, IN4, 및 IN5를 입력으로 하는 함수 h11을 계산하고, 그 계산 결과 H11을 출력한다.

제1히든 노드의 나머지 노드들(h12, h13, h14, … , h1m)도 유사한 방식으로 표시되고 수식으로 정의될 수 있다. 즉, 제1히든 노드의 h12는 IN1, IN2, IN3, IN4, 및 IN5를 입력으로 하는 함수 h12을 계산하고, 그 계산 결과 H12을 출력한다.

같은 방식으로 나머지 제1히든 노드들도 각각 H13, H14, … , H1M을 출력한다.

일 실시예에 따르면, 제1히든 노드들에서 계산되는 함수들(h11, h12, h13, h14, … , h1m)에 포함된 각각의 계수들은 적어도 1개 이상 함수들(h11, h12, h13, h14, … , h1m)마다 다르다.

예를 들면, H11 = h11(IN1, IN2, IN3, IN4, IN5) = (f11 * IN1) + (g11 * IN2) + (j11 * IN3) + (k11 * IN4) + (p11 * IN5) 로 정의되었고, H12 = h12(IN1, IN2, IN3, IN4, IN5) = (f12 * IN1) + (g12 * IN2) + (j12 * IN3) + (k12 * IN4) + (p12* IN5) 로 정의되었다고 가정하면, f11과 f12가 다르거나, g11과 g12가 다르거나, j11과 j12가 다르거나, k11과 k12가 다르거나, 및/또는 p11과 p12가 다를 수 있다.

즉, 제1히든 층(303)의 h11 노드의 함수는 IN1, IN2, IN3, IN4, 및 IN5를 입력 받고, 그러한 입력에 각각 대응되는 가중치가 연산 되도록 정의되고, 제1히든 노드의 h12 노드의 함수도 IN1, IN2, IN3, IN4, 및 IN5를 입력 받고, 그러한 입력에 각각 가중치가 연산 되도록 정의되는데, h11 노드의 함수에서 사용되는 가중치들과 h12 노드의 함수에서 사용되는 가중치들은 적어도 1개 이상 서로 다르게 정의되어 있다. 같은 방식으로, 제1히든 노드에 포함된 함수들에 각각 사용되는 가중치들은 적어도 1개 이상 서로 다르게 정의되어 있다.

제2 히든 층(305)은 복수개의 노드(이하, '제2히든 노드')들로 구성되어 있고, 제2히든 노드들 각각은 제1히든 노드의 출력 값들을 변수로 하는 함수를 계산하여 출력한다. 도 2를 참조하면, 복수개의 제2히든 노드들은 n개(여기서, n은 양의 정수)로서 h21, h22, h23, h24, … , h2n으로 표시되어 있음을 알 수 있다.

도 2에는, n개의 제2히든 노드들에서 계산되는 함수들과 그 동작을, 예시적으로 표시하였다.

설명의 목적을 위해서, 제2히든 노드의 h21 노드에서 적용되는 함수를 h21으로 정의하였고, 함수 h21의 결과는 H21으로 정의하였다. 그리고, H11 , H12, H13, H14, …, H1m를 입력변수로 하는 함수 h21을 수식으로 정의하면, H21 = h21(H11, H12, H13, H14, …, H1m)와 같다. 즉, 제2히든 노드의 h21 노드는 H11, H12, H13, H14, …, H1m를 입력 변수로 하는 함수 h21을 계산하고, 그 계산 결과 H21을 출력한다.

제2히든 노드의 나머지 노드들(h22, h23, h24, … , h2m)도 유사한 방식으로 표시되고 수식으로 정의될 수 있다. 즉, 제2히든 노드의 h22는 H11, H12, H13, H14, …, H1m 를 입력 변수로 하는 함수 h22을 계산하고, 그 계산 결과 H22을 출력한다.

같은 방식으로 나머지 제2히든 노드들도 각각 H23, H24, … , H2N을 출력한다.

일 실시예에 따르면, 제2히든 노드들에서 계산되는 함수들(h21, h22, h23, h24, … , h2n)에 포함된 각각의 계수들은 적어도 1개 이상 함수들(h21, h22, h23, h24, … , h2n)마다 다르다.

예를 들면, H21 = h21(H11, H12, H13, H14, … , H1N) = (f21 * H11) + (g21 * H12) + (j21 * H13) + (k21 * H14) + … + (p21 * HIM) 로 정의되었고, H22 = h22(H11, H12, H13, H14, … , H1N) = (f22 * H11) + (g22 * H12) + (j22 * H13) + (k22 * H14) + … + (p22 * HIM) 로 정의되었다고 가정하면, f21과 f22가 다르거나, g21과 g22가 다르거나, j21과 j22가 다르거나, k21과 k22가 다르거나, … , 및/또는 p21과 p22가 다를 수 있다.

즉, 제2히든 노드의 h21 노드의 함수는 H11, H12, H13, H14, … , H1N 를 변수들로 입력 받고, 그러한 변수들에게 각각 가중치가 연산 되도록 정의되고, 제2히든 노드의 h22 노드의 함수도 H11, H12, H13, H14, … , H1N 를 변수들로 입력 받고, 그러한 변수들에게 각각 가중치가 연산 되도록 정의되는데, 다만, h21 노드의 함수에서 사용되는 가중치들과 h22 노드의 함수에서 사용되는 가중치들은 적어도 1개 이상 서로 다르게 정의된다.

유사한 방식으로, 제2히든 노드에 포함된 함수들에 사용되는 가중치들은 적어도 1개 이상 서로 다르게 정의된다.

출력 층(306)은 1개 노드(이하, '출력 노드')로 구성되어 있고, 출력 노드는 제2히든 노드의 출력 값들을 입력으로 하는 미리 정의된 함수를 계산하여 출력한다. 도 2에는, 출력 노드에서 계산되는 함수와 동작을, 예시적으로 표시하였다.

설명의 목적을 위해서, 출력 노드의 함수를 out으로 정의하였고, 함수 out의 결과는 OUT으로 정의하였다. 그리고, H21 , H22, H23, H24, … , H2n를 입력변수로 하는 출력 함수를 수식으로 정의하면, OUT = out(H21, H22, H23, H24, … , H2n)와 같다. 즉, 출력 노드는 H21, H22, H23, H24, … , H2n 를 입력 변수로 하는 함수 out를 계산하고, 그 계산 결과 OUT 를 출력한다.

본 실시예에서, OUT 는 병변 조직인지 여부를 판단할 수 있는 값일 수 있다. 예를 들면, 0≤OUT≤1 (OUT은 실수)로 정의되거나, 또는 0≤OUT≤100 (OUT은 백분율 값)로 정의되는 값일 수 있다.

한편, 딥 러닝 알고리즘(300)은 레이블이 붙은 계측 데이터들에 대하여 학습을 수행함으로써 병변 조직 검출용 학습 모델(400)을 생성한다.

히든 노드들 각각에는 함수(이하, '히든 노드 함수')들이 각각 1개씩 대응되어 있고, 히든 노드들은 각각 입력을 받으면 자신에게 대응된 히든 노드 함수의 값을 출력하게 된다.

히든 노드의 함수는 입력들과 계수들을 수학적으로 연산(예를 들면, 곱하기)한다. 병변 조직 검출용 학습 모델(400)의 학습에 대하여는 도 3을 참조하여 상세히 후술하기로 한다.

병변 조직 검출용 학습 모델(400)은 학습(또는 트레이닝)에 의해 최적화된 것이다. 병변 조직 검출용 학습 모델(400)을 학습시킨다고 함은, 히든 층들의 각 노드의 함수에 포함된 각각의 계수들을 최적화하는 과정을 의미한다. 학습에 대하여는 도 3을 참조하여 상세히 후술하기로 한다.

대안적 실시예에 따르면, 딥 러닝 알고리즘(300)은 특징 추출기(200)를 통하지 않고 계측 데이터를 직접 입력받고 병변 조직 검출용 학습 모델(400)을 적용하여, 병변 조직이 있는지 여부를 판단한다. 즉, 특징 추출기(200)를 이용하지 않고, 파장 대역의 모든 값에 대하여 병변 조직 검출용 학습 모델(400)을 적용하여 병변 조직이 있는지 여부를 판단한다.

도 3을 참조하여, 본 발명의 일 실시예에 따른 학습 동작을 설명하기로 한다.

도 3을 참조하면, 특징 추출기(200)는 레이블이 붙은 복수의 계측 데이터들을 이용하여 특징 추출기(200)의 파라미터들을 최적으로 결정할 수 있고, 딥 러닝 알고리즘(300)은 레이블이 붙은 복수의 계측 데이터들을 이용하여 병변 조직 검출용 학습 모델(400)을 학습시킨다. 여기서, 레이블이 붙은 복수의 계측 데이터들은 예를 들면 Filtered Non-discrete spectrum 데이터일 수 있다.

본원 명세서에서, 학습된 후의 병변 조직 검출용 학습 모델을 특히 분류자(classifier)라고 부르기로 한다.

레이블은 병변 조직이 있는지 여부를 나타낸다. 예를 들면, “암”이라는 레이블이 붙은 계측 데이터는, 의사의 진단결과 암이라고 판정된 환자의 조직으로부터 수집한 넌-디스크리트 스펙트럼 계측 데이터를 의미한다.

특징 추출기 파라미터들을 결정하는 방법을 예시적으로 먼저 설명한다.

레이블(예를 들면, 암이라는 것을 의미하는 레이블)이 붙은 계측 데이터들(수집한 모든 계측 데이터들)을 특징 추출기(200)는 모두 입력 받고, 그러한 계측 데이터들이 효과적으로 분류될 수 있도록, 특징 추출기(200)는 특징 추출기(200)의 파라미터들을 결정한다.

일 실시예에 따르면, 특징 추출기(200)는 특징을 추출하는 함수에 포함된 가중치들은 최적화된 값으로 결정할 수 있다.

다른 실시예에 따르면, 특징 추출기(200)는 특징을 추출하는 함수에 포함된 가중치들 뿐만 아니라, 주 성분(주 성분개수 및/또는 주 성분의 위치)도 최적화된 값으로 결정할 수 있다.

또 다른 실시예에 따르면, 특징 추출기(200)는 특징을 추출하는 함수에 포함된 가중치들은 최적화된 값으로 결정하고, 주 성분은 사람(예를 들면, 본 발명을 실시하는 자)가 정의할 수 있다. 이러한 실시예에 따르면, 본 발명의 실시자가 정의한 주 성분의 개수 및/또는 주 성분의 위치를 기반으로, 특징 추출기(200)는 특징을 추출하는 함수에 포함된 가중치들을 최적화된 값으로 결정할 수 있다.

병변 조직 검출용 학습 모델(400)을 학습에 의해 최적화 시키는 방법을 예시적으로 설명한다.

딥 러닝 알고리즘(300)은 레이블(예를 들면, 암이라는 것을 의미하는 레이블)이 붙은 계측 데이터들(수집한 모든 계측 데이터들)을 순차적으로 입력 받으면서, 딥 러닝 알고리즘은 병변 조직 검출용 학습 모델(400)을 구성하는 계수들을 업데이트 한다.

도 3을 참조하여 설명한 방법은 예시적인 것이므로 본원 발명은 그러한 방법에만 한정되는 것은 아니다. 상술한 실시예 들에서는, 특정 수치들은 예시적인 것이므로 본원 발명은 그러한 수치들 에만 한정되는 것이 아님을 당업자는 이해하여야 한다.

도 4는 본 발명의 일 실시예에 따른 병변 조직 검출을 위한 레이저 분광 기반의 독립 장치(이하, '독립 장치')를 설명하기 위한 도면이다.

도 4를 참조하면 본 발명의 일 실시예에 따른 독립 장치는 시료(T)에게 레이저를 조사하고, 시료(T)로부터 발생되는 발생 광을 수집하며, 수집한 발생 광의 스펙트럼을 상술한 '머신 러닝 기반 병변 조직 검출 방법'에 의해서 분석함으로써 시료에 병변 조직이 있는지 여부를 실시간으로 진단할 수 있다.

한편, 본 독립 장치는 인-비보(in- vivo) 병변 진단 뿐만 아니라 엑스-비보(ex-vivo) 병변 진단도 가능하다.

본 발명의 일 실시예에 따른 독립 장치는 암과 같은 질병을 진단할 수 있다. 예를 들면, 본 독립 장치는 피부암과 같은 질병을 진단할 수 있고, 피부 암 뿐만 아니라 다른 종류의 암도 진단할 수도 있다.

한편, 피부암은 예를 들면 편평세포암(Squamous cell carcinoma), 기저세포암 (Basal Cell Carcinoma), 또는 흑색종 (melanoma)일 수 있다.

도 4를 참조하면, 본 발명의 일 실시예에 따른 독립 장치는 분석 기기(10), 레이저 발생장치(11), 레이저 발생장치(11)에 의해 생성된 레이저가 시료(T)에 조사되도록 안내하는 제1 광학적 요소들(13), 레이저가 시료(T)에 조사되었을 때 발생되는 발생 광을 수집하는 제2광학적 요소들(15), 제2광학적 요소들(15)에 의해 수집된 발생 광이 상기 분석 기기로 이동될 수 있는 경로를 제공하는 케이블(31)을 포함할 수 있다.

일 실시예에 따르면, 분석 기기(10)는 시료(T)에 레이저를 조사하고 그로부터 수집된 NON-GATED 발생 광에 대한 넌-디스크리트 스펙트럼 계측(Non-discrete spectrum Measurement)을 하고, 계측 결과에 대하여 제1단계 및 제2단계를 수행함으로써 병변 조직이 존재하는지를 판단하는 전자 기기(electronic device)이다.

다른 실시예에 따르면, 분석 기기(10)는 레이블이 붙은 넌-디스크리트 스펙트럼 계측 데이터들로부터, 특징을 추출하는 특징 추출기의 파라미터들을 결정하는 단계와, 레이블이 붙은 넌-디스크리트 스펙트럼 계측 데이터들로부터, 병변 조직 검출용 학습 모델을 정의하는 단계를 추가적으로 수행할 수 있다.

일 실시예에 따르면, 분석 기기(10)는 복수의 전자 기기(electronic device)들을 포함한다. 예를 들면, 분석 기기(10)는 분광기(21), 질병 분석 모듈(23), 전원(25), 및 표시부(27)를 포함한다.

분광기(21)는 시료(T)에 레이저를 조사하고 그로부터 수집된 NON-GATED 발생 광에 대한 넌-디스크리트 스펙트럼 계측(Non-discrete spectrum Measurement)을 수행한다.

도 5는 본 발명의 일 실시예에 따른 넌-디스크리트 스펙트럼을 설명하기 도면이다. 본 발명에서, 넌-디스크리트 스펙트럼 계측(Non-discrete spectrum Measurement) 데이터를 이용하는 것이 매우 중요하며, 이하에서는 도 5를 참조하여 넌-디스크리트 스펙트럼을 상세히 설명하기로 한다.

일반적으로 수 나노 초 이하 (fs~ns)의 펄스 길이를 갖는 펄스 레이저가 집 광 되어 시료의 표면에 조사되고, 시료 표면에서 일반적으로 에너지가 1GW/cm2 이상이 되면, 상기 시료 표면의 극소량이 어블레이션(ablation) 되어 플라즈마화 된다.

이 때 시료 표면에서는 "플라즈마 광" (원자의 전자 방출 스펙트럼 (electronic emission spectrum), 분자 방출 스펙트럼 (molecular emission spectrum), 및 연속 방출 (continuum emission) 등을 포함)이 발생되는데, 도 5에 예시적으로 도시한 바와 같이 분광기의 gating을 일정 시간 (예를 들면 1 us) 이후에 하게 되면 (레이저를 시료 표면에 조사한 순간부터 일정 시간이 경과된 후에 발생 광을 측정하는 것임), 초기의 연속 방출 스펙트럼은 제외되고 주로 원자의 전자 방출 스펙트럼을 획득할 수 있게 된다.

이에 비하여, 레이저가 시료에 조사되고 그로부터 수집된 NON-GATED 발생 광의 스펙트럼은, 원자의 전자 방출 스펙트럼, 분자 방출 스펙트럼, 및 연속 방출 스펙트럼을 모두 포함하는 Non-discrete spectrum 데이터이다.

본 발명의 일 실시예에 따르면, 분광기(21)는, NON-GATED 발생 광에 대한 spectrum을 측정할 수 있다.

본 발명의 다른 실시예에 따르면, 분광기(21)는 NON-GATED 발생 광에서 Filtered Non-discrete spectrum을 측정할 수 있도록 구성된다.

Filtered Non-discrete spectrum을 측정하는 예를 들면, 레이저에 시료가 조사되고 그로부터 수집된 NON-GATED 발생 광에서 분광기(21)는 반사광, 산란광, 및 형광광은 제외한 나머지 광들에 대한 spectrum을 측정한다. 즉, 분광기(21)는 NON-GATED 발생 광에서 반사광, 산란광, 및 형광광은 제외시키고 나머지 광에 대한 spectrum을 측정하는 필터링 동작을 수행하도록 구성되며, 이에 의해 발생 광에서 반사광, 산란광, 및 형광광은 제외되고 나머지 발생 광에 대한 Non-discrete spectrum이 획득된다.

Filtered Non-discrete spectrum을 측정하는 다른 예를 들면, 레이저가 시료에 조사되고 그로부터 수집된 NON-GATED 발생 광에서 분광기(21)는 플라즈마 광에 대한 스펙트럼을 측정하는 필터링 동작을 수행하도록 구성된다. 이러한 구성에 의해, 플라즈마 광에 대한 Non-discrete spectrum이 획득된다.

Filtered Non-discrete spectrum을 측정하는 또 다른 예를 들면, 레이저가 시료에 조사되고 그로부터 수집된 NON-GATED 발생 광에서 분광기(21)는 특정 파장 대역(200 nm ~ 1000 nm)의 발생 광에 대하여만 spectrum을 측정하도록 구성된다. 이러한 구성에 의해, 특정 파장 대역(200 nm ~ 1000 nm)의 발생 광에 대한 Non-discrete spectrum이 획득된다.

질병 분석 모듈(23)은 넌-디스크리트 스펙트럼 계측(Non-discrete spectrum Measurement) 결과에 대하여, 전 처리 단계(제1단계) 및 병변 조직이 있는지 여부를 판단하는 단계(제2단계)를 순차적으로 수행함으로써, 시료(T)에 병변 조직이 존재하는지를 판단하는 전자 기기(electronic device)이다.

다른 실시예에 따르면, 질병 분석 모듈(23)은 레이블이 붙은 넌-디스크리트 스펙트럼 계측 데이터들로부터, 특징 추출기의 파라미터들을 결정하는 단계와, 레이블이 붙은 넌-디스크리트 스펙트럼 계측 데이터들로부터, 병변 조직 검출용 학습 모델을 정의하는 단계를 추가적으로 수행할 수 있다.

일 실시예에 따르면, 질병 분석 모듈(23)은, 메모리(미 도시), 하나 이상의 프로세서(미 도시), 및 하나 이상의 프로그램들을 포함한다. 여기서, 하나 이상의 프로그램들은 전 처리용 프로그램들 및/또는 딥 러닝 프로그램을 포함한다.

여기서, 전 처리용 프로그램들은 전 처리 단계의 수행을 위한 것으로서 다차원 주 성분 분석 프로그램을 포함하고, 딥 러닝 프로그램은 병변 조직이 있는지 여부를 판단하는 동작을 수행한다. 이들 프로그램에 대한 보다 상세한 내용은 상술한 부분을 참조하기 바란다.

전원(25)은 레이저 발생장치(11)와 질병 분석 모듈(23)에게 전력을 공급한다.

표시부(27)는 질병 분석 모듈(23)에 의한 분석 결과를 사용자가 시각 및/또는 청각에 의해 인식할 수 있는 형태로 출력한다.

레이저 발생장치(11)는 예를 들면 피부 치료를 위해서 일반적으로(generally) 사용되는 것일 수 있다.

레이저 발생장치(11)에 의한 펄스 레이저가 시료 표면에 집광하여 조사되면, 플라즈마 광 뿐만 아니라, 반사광 (reflected light), 산란광 (scattered light), 또는 형광 광 (fluorescence emission)이 발생하게 된다.

본 발명의 일 실시예에 따르면, 펄스 레이저가 시료 표면에 집광하여 조사되었을 때 발생되는 발생 광 중에서, 반사광 (reflected light), 산란광 (scattered light), 및 형광 광 (fluorescence emission)은 제외하고 플라즈마 광에 대하여만 Non-discrete spectrum 을 획득하는 것이 바람직하다.

예를 들면, 레이저 발생장치(10)가 특정 대역의 파장을 가진 레이저를 시료 표면에 조사하고, 그로부터 발생되는 발생 광 중에서 분광기(21)가 특정 대역의 파장에 속한 발생 광에 대하여만 spectrum을 측정한다.

보다 구체적인 예를 들면, Q-switched Nd:YAG 레이저로 불리우는 레이저 발생장치는 1064 nm 및 532 nm 파장의 레이저를 생성하는데, 이러한 파장의 레이저가 시료 표면에 조사되면 이때 생성되는 발생 광에서 200 nm~1000nm 의 파장 대역을 가진 광은 시료 표면의 조직이 breakdown 되면서 발생된 것이다. 즉, 200 nm~1000nm의 파장 대역을 가진 발생 광에 대하여 측정되는 스펙트럼은 모두 원자의 전자 방출 스펙트럼과 분자 방출 스펙트럼이다. 따라서, Q-switched Nd:YAG 레이저로 불리우는 레이저를 시료 표면에 조사하고, 그때 발생되는 발생 광 중에서 200 nm~1000nm(1um)의 파장 대역의 광에 대하여만 분광기(21)가 스펙트럼을 측정함으로써 Filtered Non-discrete spectrum이 획득될 수 있다.

1064 nm 파장의 소스 레이저가 시료 표면에 조사되면, 반사광, 산란광, 및 형광광의 파장은 소스 레이저의 파장에서 거의 변화되지 않고 1064nm 로 유지되며, 실제 산란광의 극히 일부에 해당하는 비 탄성 (inelastic) 산란에서는 파장의 변화가 발생되나, 그 신호 강도가 elastic 산란에 비해서는 매우 약하여 무시할 만하게 된다. 따라서, 발생 광 중 반사광, 산란광, 형광광의 파장(1064 nm)은 실제 측정의 대상이 되는 원자의 전자 방출 스펙트럼 및 분자 방출 스펙트럼이 방출되는 파장 대역 (200~1000nm)과 완전히 분리될 수 있다.

본 실시예에 따르면, 레이저 발생장치(11)가 1064 nm 파장의 레이저를 생성하여 시료 표면에 조사하고, 분광기(21)가 레이저가 시료 표면에 조사된 순간부터 플라즈마 광이 더 이상 생성되지 않을 때까지 non-gated로 시간에 따른 광을 측정하되, 200 nm ~ 1000 nm 사이의 파장 대역에 대하여만 Non-discrete spectrum을 측정하도록 구성된다. 이럴 경우, 분광기(21)는 반사광, 산란광, 및 형광광은 제거하고 유의미한 원자의 전자 방출 스펙트럼 및 분자 방출 스펙트럼을 효과적으로 획득할 수 있게 된다.

제1 광학적 요소들(13)은, 레이저가 시료(T)에 조사되도록, 광을 안내하고 광의 초점을 조절하는 매체 및/또는 광학 소자들(예를 들면, 렌즈)을 포함할 수 있다.

제2 광학적 요소들(15)은, 발생 광을 수집하고 수집한 발생 광을 케이블(31)로 안내하기 위해서, 발생 광을 수집 및 안내하고 광의 초점을 조절하는 매체 및/또는 광학 소자들(예를 들면, 렌즈)을 포함할 수 있다.

케이블(31)은 핸드피스에 의해 수집된 발생 광이 분석 기기에 이동될 수 있는 경로를 제공하는 광 전달 매체를 포함할 수 있다. 광 전달 매체는 예를 들면 광 섬유(optical fiber)와 같은 것으로 구성될 수 있다.

도 6은 도 4를 참조하여 설명한 인-비보 병변 조직 검출을 위한 레이저 분광 기반의 독립 장치의 예시적인 것을 나타낸 것이다.

도 6을 참조하면, 본 발명의 일 실시예에 따른 인-비보 병변 조직 검출을 위한 레이저 분광 기반의 독립 장치는 분석기기(10), 핸드피스(20), 및 케이블(30)을 포함한다.

분석 기기(10)는 대략 통 형상의 케이스를 가지며, 분석 기기(10)의 내부에는 도 4를 참조하여 설명한 바와 같은, 분광기(21), 질병 분석 모듈(23), 전원(25), 표시부(27)가 구비되어 있다.

핸드피스(20)는 손으로 파지하기 위한 형상을 가지며, 핸드피스(20)의 내부에는 레이저 발생장치(11), 레이저 발생장치(11)에 의해 생성된 레이저가 신체 조직(T)에 조사하기 위한 제1광학적 요소들(13), 레이저가 신체 조직(T)에 조사되었을 때 발생되는 발생 광을 수집하기 위한 제2 광학적 요소들(15)이 구비되어 있다.

케이블(30)은 전력을 제공하는 전선과 광 전달 매체를 포함할 수 있다.

일 실시예에 따르면, 분광기(20)는 제2광학적 요소들(15)에 의해 수집된 발생 광에 대하여 넌-디스크리트 스펙트럼 계측(Non-discrete spectrum Measurement)을 수행하고, 질병 분석 모듈(23)은 상술한 바와 같은 머신 러닝 기반 병변 조직 검출 방법에 의해 병변 조직을 검출할 수 있다.

다른 실시예에 따르면, 분광기(20)는 제2광학적 요소들(15)에 의해 수집된 발생 광에 대하여 Filtered Non-discrete spectrum 을 측정하고, 질병 분석 모듈(23)은 상술한 바와 같은 머신 러닝 기반 병변 조직 검출 방법에 의해 병변 조직을 검출할 수 있다.

넌-디스크리트 스펙트럼 계측(Non-discrete spectrum Measurement)과 머신 러닝 기반 병변 조직 검출 방법에 대한 상세한 내용은 상술한 내용을 참조하기 바란다.

도 7 내지 도 9는 넌-디스크리트 스펙트럼 계측(Non-discrete spectrum Measurement)을 설명하기 위한 도면들이다.

즉, 도 7은 종래 기술에 의한 디스크리트 스펙트럼 계측(discrete spectrum measurement) 결과를 나타낸 것이고, 도 8은 본 발명의 일 실시예에 따른 넌-디스크리트 스펙트럼 계측(Non-discrete spectrum Measurement) 결과를 나타낸 것이고, 도 9는 도 7과 도 8의 결과를 비교한 것이다.

이들 도면을 참조하면, 종래 기술에 의한 디스크리트 스펙트럼 계측(discrete spectrum measurement) 결과는 특정 성분에 대응되는 파장 값들의 임계 값 만을 계측할 수 있는 것임에 비하여, 본 발명의 일 실시예에 따른 넌-디스크리트 스펙트럼 계측(Non-discrete spectrum Measurement) 결과는 모든 파장 값들에 대한 값을 계측하는 것임을 알 수 있다.

상기와 같이 본 발명 비록 한정된 실시예들과 도면들에 의해 설명되었으나, 본 발명은 상기의 실시예들과 도면들 에만 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 그러므로, 본 발명의 범위는 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위 뿐 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.

10: 분석부
11: 레이저
13, 15: 광학적 요소들
20: 핸드피스
21: 분광기
23: 질병 분석 모듈
25: 전원
27: 표시부
30: 케이블

Claims (11)

1. 레이저 분광 기반의 병변 조직 검출을 위한 넌-디스크리트 스펙트럼 분석용 프로그램들을 하나 이상 저장하는 비일시적(non-transitory) 컴퓨터 판독 가능한 저장 매체에 있어서,
   상기 하나 이상의 프로그램들은, 하나 이상의 프로세서(processor)를 구비한 전자 기기(electronic)가 병변 조직 검출 방법을 실행하도록 하며,
   상기 병변 조직 검출 방법은
   넌-디스크리트 스펙트럼 계측 결과에 병변 조직 검출용 학습 모델을 적용하여 병변 조직이 있는지 여부를 판단하는 단계;를 포함하며,
   상기 넌-디스크리트 스펙트럼 계측 결과는, 레이저가 시료에 조사되어 생성된 모든 발생 광에 대한 스펙트럼을 계측한 결과인 것인,
   레이저 분광 기반의 병변 조직 검출을 위한 넌-디스크리트 스펙트럼 분석용 프로그램들을 하나 이상 저장하는 비일시적(non-transitory) 컴퓨터 판독 가능한 저장 매체.
2. 제1항에 있어서,
   상기 넌-디스크리트 스펙트럼 계측 결과는 상기 모든 발생 광에서 일부 광에 대하여만 스펙트럼을 계측한 것인, 레이저 분광 기반의 병변 조직 검출을 위한 넌-디스크리트 스펙트럼 분석용 프로그램들을 하나 이상 저장하는 비일시적(non-transitory) 컴퓨터 판독 가능한 저장 매체.
3. 제2항에 있어서,
   상기 넌-디스크리트 스펙트럼 계측 결과는 상기 모든 발생 광에서, 반사광, 산란광, 및 형광 광을 제외하고 플라즈마 광에 대하여만 스펙트럼을 계측한 것인, 레이저 분광 기반의 병변 조직 검출을 위한 넌-디스크리트 스펙트럼 분석용 프로그램들을 하나 이상 저장하는 비일시적(non-transitory) 컴퓨터 판독 가능한 저장 매체.
4. 제1항에 있어서,
   상기 넌-디스크리트 스펙트럼 계측 결과는 상기 모든 발생 광에서 특정 대역의 발생 광에 대하여 스펙트럼을 계측한 것인, 레이저 분광 기반의 병변 조직 검출을 위한 넌-디스크리트 스펙트럼 분석용 프로그램들을 하나 이상 저장하는 비일시적(non-transitory) 컴퓨터 판독 가능한 저장 매체.
5. 제4항에 있어서,
   상기 넌-디스크리트 스펙트럼 계측 결과는 상기 모든 발생 광에서 200 nm~1000nm 대역의 발생 광에 대하여 스펙트럼을 계측한 것인, 레이저 분광 기반의 병변 조직 검출을 위한 넌-디스크리트 스펙트럼 분석용 프로그램들을 하나 이상 저장하는 비일시적(non-transitory) 컴퓨터 판독 가능한 저장 매체.
6. 제1항 또는 제2항에 있어서,
   상기 병변 조직 검출용 학습 모델은, 병변 조직이 있는지 여부를 나타내는 레이블이 붙은 넌-디스크리트 스펙트럼 계측 데이터들로부터 학습에 의해 정의된 분류자(classifier)것인,
   레이저 분광 기반의 병변 조직 검출을 위한 넌-디스크리트 스펙트럼 분석용 프로그램들을 하나 이상 저장하는 비일시적(non-transitory) 컴퓨터 판독 가능한 저장 매체.
7. 제1항 또는 제2항에 있어서,
   상기 병변 조직 검출 방법은
   넌-디스크리트 스펙트럼 계측 결과에서 주 성분들의 특징을 추출하는 주 성분 분석 단계; 를 더 포함하며,
   상기 판단하는 단계는, 상기 주 성분 분석 단계에서 추출한 상기 주 성분들의 특징에 병변 조직 검출용 학습 모델을 적용하여 병변 조직이 있는지 여부를 판단하는 단계인 것인, 레이저 분광 기반의 병변 조직 검출을 위한 넌-디스크리트 스펙트럼 분석용 프로그램들을 하나 이상 저장하는 비일시적(non-transitory) 컴퓨터 판독 가능한 저장 매체.
8. 제7항에 있어서,
   상기 하나 이상의 프로그램들은,
   상기 주 성분 분석 단계를 수행하는 다차원 주 성분 분석 프로그램과, 상기 판단하는 단계를 수행하는 머신 러닝 프로그램을 포함하는 것인,
   레이저 분광 기반의 병변 조직 검출을 위한 넌-디스크리트 스펙트럼 분석용 프로그램들을 하나 이상 저장하는 비일시적(non-transitory) 컴퓨터 판독 가능한 저장 매체.
9. 제7항에 있어서,
   상기 주 성분 분석 단계는 16개 이상의 주 성분들에 대하여 각각의 특징을 추출하는 단계이며,
   상기 판단하는 단계는 상기 16개 이상의 특징들에 대하여 상기 병변 조직 검출용 학습 모델을 적용하여 병변 조직이 있는지 여부를 판단하는 것인,
   레이저 분광 기반의 병변 조직 검출을 위한 넌-디스크리트 스펙트럼 분석용 프로그램들을 하나 이상 저장하는 비일시적(non-transitory) 컴퓨터 판독 가능한 저장 매체.
10. 제1항 또는 제2항에 있어서,
    상기 머신 러닝 알고리즘은 입력 층, 히든 층, 및 출력 층을 포함하는 딥 러닝 알고리즘이며, 상기 입력 층은 추출한 주 성분들의 특징의 개수와 동일한 입력 노드들로 구성되어 있고, 상기 히든 층은 상기 입력 노드들의 출력들을 입력 받고 상기 병변 조직 검출용 학습 모델이 반영된 히든 함수의 함수 값을 산출하는 히든 노드들로 구성되어 있고, 상기 출력 층은 상기 히든 노드들의 출력을 입력 받아서 병변 조직이 있는지 여부를 판단한 결과를 출력하는 1개의 출력 노드로 구성되어 있는 것인,
    레이저 분광 기반의 병변 조직 검출을 위한 넌-디스크리트 스펙트럼 분석용 프로그램들을 하나 이상 저장하는 비일시적(non-transitory) 컴퓨터 판독 가능한 저장 매체.
11. 제1항 또는 제2항에 있어서,
    상기 병변 조직은 피부암을 포함하며, 상기 피부암은 편평세포암(Squamous cell carcinoma), 기저 세포암(Basal Cell Carcinoma), 또는 흑색종 (melanoma)인 것인,
    레이저 분광 기반의 병변 조직 검출을 위한 넌-디스크리트 스펙트럼 분석용 프로그램들을 하나 이상 저장하는 비일시적(non-transitory) 컴퓨터 판독 가능한 저장 매체.

Images