KR20190108764A - 뼈를 모델링하는 장치 및 방법 - Google Patents
뼈를 모델링하는 장치 및 방법 Download PDFInfo
- Publication number
- KR20190108764A KR20190108764A KR1020180030200A KR20180030200A KR20190108764A KR 20190108764 A KR20190108764 A KR 20190108764A KR 1020180030200 A KR1020180030200 A KR 1020180030200A KR 20180030200 A KR20180030200 A KR 20180030200A KR 20190108764 A KR20190108764 A KR 20190108764A
- Authority
- KR
- South Korea
- Prior art keywords
- bone
- area
- image
- labeling
- images
- Prior art date
Links
- 210000000988 bone and bone Anatomy 0.000 title claims abstract description 235
- 238000000034 method Methods 0.000 title claims description 54
- 238000002372 labelling Methods 0.000 claims abstract description 48
- 230000007423 decrease Effects 0.000 claims abstract description 27
- 238000012937 correction Methods 0.000 claims abstract description 26
- 230000003247 decreasing effect Effects 0.000 claims abstract description 24
- 230000001965 increasing effect Effects 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000003325 tomography Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 16
- 238000002591 computed tomography Methods 0.000 description 12
- 238000010801 machine learning Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000004720 fertilization Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- High Energy & Nuclear Physics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Radiology & Medical Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Pulmonology (AREA)
- Optics & Photonics (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
일 실시예에 따른 뼈 모델링 장치는 서로 인접해있는 복수 개의 뼈의 각 지점에 대해 단층 촬영된 영상을 입력받는 입력부와, 상기 각 지점의 영상마다 각각, 해당 영상에 포함되어 있는 뼈 영역을 제1 뼈를 나타내는 제1 구역 및 상기 제1 뼈와 의학적으로 구분되는 제2 뼈를 나타내는 제2 구역 중 어느 하나로 라벨링하는 분석부와, 상기 라벨링된 각각의 영상을 적층하는 순서에 따라, 상기 라벨링된 각각의 영상에 걸쳐서 상기 제1 구역에 대한 제1 면적 증감 여부 및 상기 제2 구역에 대한 제2 면적 증감 여부를 연산하고, 상기 연산된 제1 면적 증감 여부 및 상기 연산된 제2 면적 증감 여부를 기초로 상기 라벨링을 수정하는 수정부와, 상기 수정된 라벨링이 반영된 각각의 영상을 기초로 상기 복수 개의 뼈 간의 경계면을 찾는 분할부를 포함한다.
Description
본 발명은 뼈를 모델링하는 장치 및 방법에 관한 것이다. 보다 자세하게는 복수 개의 뼈의 각 지점에 대해 단층 촬영된 영상을 분석하여서 해당 영상에 나타난 뼈 영역이 인접해있는 뼈들 중 어떠한 뼈를 나타내는지를 식별한 뒤, 이를 기초로 뼈를 모델링하는 장치 및 방법에 관한 것이다.
사람의 척추(spine)는 서른 세 개의 척추뼈(vertebra)라 불리는 뼈로 구성된다. 서른 세 개의 척추뼈는 다섯 부위(목 부위, 등 부위, 허리 부위, 엉치 부위 및 꼬리 부위)로 그룹화될 수 있다. 이 중, 목 부위는 일곱 개의 목 척추뼈(cervical vertebra)로 구성되고, 등 부위는 열두 개의 등척추뼈(thoracic vertebra)로 구성되며, 허리 부위는 다섯 개의 허리 척추뼈(lumbar vertebra)로 구성된다. 또한, 엉치 부위는 다섯 개의 엉치 척추뼈(sacral vertebra)로 구성되고, 꼬리 부위는 네개의 꼬리 척추뼈(coccygeal vertebra)로 구성된다.
이러한 척추의 형상은 CT(computed tomography)에 의해 단층 촬영된, 2차원의 영상들로부터 획득 가능하다. 예컨대, 단층 촬영된 복수 개의 영상을 적층시켜서 3차원으로 모델링할 경우, 복수 개의 척추뼈로 구성된 척추에 대한 3차원 영상이 획득될 수 있다.
이 때, 단층 촬영된 복수 개의 영상을 적층시켜서 3차원으로 모델링하기 위해서는, 각각의 영상에 포함된 뼈 영역이, 서로 인접해있는 척추뼈 중에서 어떤 척추뼈를 나타내는지를 구분 내지 식별할 수 있어야 하며, 이를 위한 다양한 영상 처리 기법이 제안되고 있다.
척추를 포함하여서, 사람의 뼈는 복수 개가 서로 인접해있을 수 있다. 이 때, 단층 촬영된 영상에 나타난, 인접해있는 뼈들 간의 거리는 기존의 영상 처리 기법을 통해 인식하기에 어려운 정도로 미세하게 이격되어 있을 수 있다. 더군다나 고연령대의 사람이나 뼈 관련 질환을 앓고 있는 사람의 뼈에 대한 영상에는 뼈와 뼈의 경계가 명확하게 나타나지 않을 수 있으므로, 기존의 영상 처리 기법을 적용하기가 어려울 수 있다.
이에 본 발명의 해결하고자 하는 과제는 복수 개의 뼈의 각 지점에 대해 단층 촬영된 영상을 분석하여서, 해당 영상에 나타난 뼈 영역이 인접해있는 뼈 중 어떠한 뼈를 나타내는지를 정확하면서도 신속하게 식별하는 기술을 제공하는 것이다.
또한, 이와 같이 식별된 영상을 활용하여서 뼈와 뼈의 경계면을 정의하고, 이러한 경계면을 이용하여서 영상에서 뼈의 분할 내지 분리점을 찾는 것이다.
아울러, 이와 같이 식별된 영상을 활용하여서 뼈를 3차원으로 모델링하는 기술을 제공하는 것이다.
다만, 본 발명의 해결하고자 하는 과제는 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 해결하고자 하는 과제는 아래의 기재로부터 본 발명이 속하는 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
일 실시예에 따른 뼈 모델링 장치는 서로 인접해있는 복수 개의 뼈의 각 지점에 대해 단층 촬영된 영상을 입력받는 입력부와, 상기 각 지점의 영상마다 각각, 해당 영상에 포함되어 있는 뼈 영역을 제1 뼈를 나타내는 제1 구역 및 상기 제1 뼈와 의학적으로 구분되는 제2 뼈를 나타내는 제2 구역 중 어느 하나로 라벨링하는 분석부와, 상기 라벨링된 각각의 영상을 적층하는 순서에 따라, 상기 라벨링된 각각의 영상에 걸쳐서 상기 제1 구역에 대한 제1 면적 증감 여부 및 상기 제2 구역에 대한 제2 면적 증감 여부를 연산하고, 상기 연산된 제1 면적 증감 여부 및 상기 연산된 제2 면적 증감 여부를 기초로 상기 라벨링을 수정하는 수정부와, 상기 수정된 라벨링이 반영된 각각의 영상을 기초로 상기 복수 개의 뼈를 분할하는 분할부를 포함한다.
일 실시예에 따르면 뼈에 대해 단층 촬영된 영상으로부터 뼈 영역과 뼈가 아닌 영역을 식별하는 과정이 기계 학습된 모델의 의해 수행될 수 있다. 아울러, 영상에 나타난 뼈 영역이, 인접해있는 뼈 중 어떠한 뼈를 나타내는지가 이러한 기계 학습된 모델의 의해 식별될 수 있으며, 이러한 식별 과정에서 발생할 수 있는 오류 또한 일 실시예에 따른 뼈 모델링 장치에 의해 수정 내지 교정될 수 있다.
따라서, 인접해있는 뼈들 간의 거리가 기존의 영상 처리 기법을 통해 인식하기에 어려운 정도로 이격되어 있는 경우 또는 고연령대의 사람이나 뼈 관련 질환을 앓고 있는 사람의 뼈에 대한 영상에서 뼈와 뼈의 경계가 명확하게 나타나지 않는 경우에도, 보다 신속하면서도 정확하게 뼈 영상을 분석할 수 있다.
도 1은 CT(computed tomography)에 의해 단층 촬영된, 척추와 같은 뼈의 각 지점에 대한 영상 중 어느 하나를 도시하고 있다
도 2는 일 실시예에 따른 뼈 모델링 장치의 구성을 개념적으로 도시하고 있다.
도 3은 도 2에 도시된 분석부가 이용하는 기계 학습 모델의 개념을 도시하고 있다.
도 4는 도 2에 도시된 분석부가 이용하는 기계 학습 모델 및 이러한 기계 학습 모델의 학습에 이용되는 학습 데이터를 개념적으로 도시하고 있다.
도 5는 도 2에 도시된 분석부가 이용하는 기계 학습 모델에 의해, 분석의 대상이 되는 단층 촬영 영상에 라벨링이 수행되는 과정 및 그 결과를 개념적으로 도시하고 있다.
도 6은 도 2에 도시된 수정부에 의해 라벨링이 수정되는 절차를 개념적으로 도시하고 있다.
도 7은 도 2에 도시된 수정부에 의해 라벨링이 수정된 상황을 개념적으로 도시하고 있다.
도 8은 일 실시예에 따라 뼈를 모델링하는 방법의 절차를 개념적으로 도시하고 있다.
도 2는 일 실시예에 따른 뼈 모델링 장치의 구성을 개념적으로 도시하고 있다.
도 3은 도 2에 도시된 분석부가 이용하는 기계 학습 모델의 개념을 도시하고 있다.
도 4는 도 2에 도시된 분석부가 이용하는 기계 학습 모델 및 이러한 기계 학습 모델의 학습에 이용되는 학습 데이터를 개념적으로 도시하고 있다.
도 5는 도 2에 도시된 분석부가 이용하는 기계 학습 모델에 의해, 분석의 대상이 되는 단층 촬영 영상에 라벨링이 수행되는 과정 및 그 결과를 개념적으로 도시하고 있다.
도 6은 도 2에 도시된 수정부에 의해 라벨링이 수정되는 절차를 개념적으로 도시하고 있다.
도 7은 도 2에 도시된 수정부에 의해 라벨링이 수정된 상황을 개념적으로 도시하고 있다.
도 8은 일 실시예에 따라 뼈를 모델링하는 방법의 절차를 개념적으로 도시하고 있다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 발명의 실시예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명의 실시예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도 1은 CT(computed tomography)(10)에 의해 단층 촬영된, 척추와 같은 뼈(20)의 각 지점(21)에 대한 영상(30) 중 어느 하나를 도시하고 있다.
도 1을 참조하면, 영상(30)에는 뼈 영역 그리고 근육과 같이 뼈가 아닌 영역이 표시될 수 있다. 뼈 영역은 적어도 하나의 폐곡면으로 표시된다. 영상(30)에 복수 개의 폐곡면이 존재할 때, 복수 개의 폐곡면이 모두 하나의 동일한 뼈를 나타내는 경우 또는 복수 개의 폐곡면 각각이 의학적/물리적으로 구분되는, 인접해있는 서로 상이한 뼈를 나타내는 경우가 있을 수 있다.
여기서 CT(10)는 뼈(20)를 단층 촬영하는 수단의 예시에 불과하며, 따라서 도 1의 도시에 의해 CT(10) 이외의 다른 촬영 수단, 예컨대 MRI(magnetic resonance imaging)의 도입이 배제되는 것은 아니다.
아울러, 도 1에는 촬영 대상인 뼈(20)가 복수 개의 척추뼈(vertebra)로 이루어진 척추(spine)인 것으로 도시되어 있지만, 촬영 대상이 척추로 한정되는 것은 아니다. 즉, 복수 개의 뼈가 인접해있는 부분이라면 어떠한 부분도 촬영 대상이 될 수 있다.
한편, CT(10)는 뼈(20)의 각 지점(21)을 촬영하는데, 이러한 각 지점(21)은 뼈의 길이 방향 내지 축 방향(axial)에 수직한 횡단면일 수 있다. 따라서, CT(10)에 의해 촬영된 각 지점(21)의 2차원 영상들은, 뼈의 길이 방향 내지 축 방향으로 적층되어서 뼈(20)에 대한 3차원 영상을 렌더링하는데 이용될 수 있다.
일 실시예에 따르면, 영상(30)으로부터 뼈 영역과 뼈가 아닌 영역을 식별하는 기술, 그리고 뼈 영역이 어떠한 뼈를 나타내는지를 식별하는 기술, 이와 같이 식별된 데이터를 기초로 뼈와 뼈의 경계면을 정의하는 기술 또는 뼈를 3차원으로 모델링하는 기술 등이 제공된다. 이하에서는 이러한 기술들을 제공하는 뼈 모델링 장치에 대해 살펴보도록 한다.
도 2는 일 실시예에 따른 뼈 모델링 장치(100)의 구성을 개념적으로 도시하고 있다. 다만, 도 2는 뼈 모델링 장치(100)의 구성을 예시적으로 도시한 것에 불과하므로, 뼈 모델링 장치(100)의 구성이 도 2에 도시된 것으로 한정 해석되는 것은 아니다. 아울러, 뼈 모델링 장치(100)는 PC나 서버 등에서 구현될 수 있다.
도 2를 참조하면, 뼈 모델링 장치(100)는 입력부(110), 분석부(120), 수정부(130) 및 분할부(140)를 포함하며, 실시예에 따라서 모델링부(150) 및 디스플레이부(160)를 더 포함할 수 있다. 여기서, 분석부(120), 수정부(130), 모델링부(150) 및 분할부(140)는 이하에서 설명할 기능을 수행하도록 프로그램된 명령어를 저장하는 메모리 및 이러한 명령어를 실행하는 마이크로프로세서에 의해 구현 가능하다. 아울러, 입력부(110)는 데이터를 입력받는 포트 내지 유/무선 통신 모듈로서 구현 가능하며, 디스플레이부(160)는 모니터와 같은 표시 장치에 의해 구현 가능하다.
입력부(110)에 대해 먼저 살펴보면, 입력부(110)는 인접해있는 복수 개의 뼈의 각 지점에 대한 영상을 입력받는다. 이러한 영상은 도 1에 도시된 CT(10) 또는 MRI와 같은 장비에 의해, 뼈의 각 지점에서 뼈의 길이 방향 내지 축 방향을 따라 뼈의 횡단면에 대해 단층 촬영된 영상일 수 있다.
분석부(120)는 입력부(110)로부터 영상을 전달받은 뒤, 전달받은 영상에서 뼈가 아닌 영역 및 적어도 하나의 뼈 영역을 식별할 수 있다.
이 때, 분석부(120)는 영상에서 식별된 뼈 영역에 라벨링을 하여서 결과물을 출력할 수 있다. 라벨링이란 영상에 나타난 뼈 영역에 식별표지를 부여하는 것을 지칭하는데, 이와 같은 라벨링이 수행된 영상은 마스킹(masking) 영상이라고 지칭될 수 있다. 라벨링 결과, 뼈 영역들 중에서 동일한 식별표지가 부여된 뼈 영역들은 의학적/물리적으로 일체를 이루는 동일한 뼈를 나타낸다. 아울러, 서로 상이한 식별표지가 부여된 뼈 영역들은 의학적/물리적으로 이격 내지 분리되어 있는 상이한 뼈를 나타낸다.
라벨링에 대한 구체적인 방법은 다음과 같으며, 다만 이러한 방법은 실시예에 따른 것이므로 본 발명의 사상이 이러한 라벨링 방법으로 한정해석되는 것은 아니다.
먼저, 라벨링된 결과물은 복수 개가 출력된다. 예컨대, 영상이 입력부(110)로부터 주어지면, 어느 하나의 뼈 영역이 해당 영상에서 어디에 나타나 있는지가 제1 식별표지에 의해 표시된 제1 결과물이 출력되고, 다른 하나의 뼈 영역이 해당 영상에서 어디에 나타나 있는지가 제2 식별표지에 의해 표시된 제2 결과물이 출력된다. 경우에 따라서, 영상에는 1개의 뼈 영역만이 나타날 수 있으며, 이와 달리 복수 개의 뼈 영역이 나타나지만 이들 모두가 의학적/물리적으로 동일한 뼈를 나타내는 경우가 있을 수 있다.
여기서, 제1 식별표지가 표시된 제1 결과물은 지면에 서 있는 사람을 기준으로 상대적으로 위쪽 뼈의 영역이 표시된 결과물일 수 있으며, 제2 식별표지가 표시된 제2 결과물은 지면에 서 있는 사람을 기준으로 전술한 위쪽 뼈보다 상대적으로 아래쪽 뼈의 영역이 표시된 결과물일 수 있다.
한편, 분석부(120)가 영상으로부터 뼈 영역과 뼈가 아닌 영역을 식별하는 동작 및 라벨링을 하여서 결과물을 출력하는 동작은, 분석부(120)에 포함된, 사전에 기계 학습된(machine learning) 모델을 통해 수행될 수 있다. 해당 모델은 영상에 포함된 이미지들 간의 경계선을 픽셀 단위로 식별하도록 고안된 모델일 수 있다. 아울러, 해당 모델의 학습 과정에서 학습되는 파라미터들은, 영상에 포함된 이미지들 간의 경계선의 식별과 관련된 것들을 포함한다. 이러한 모델은 예컨대 2D U-net 모델일 수 있는데, 도 3은 이러한 2D U-net 모델 구조를 개념적으로 도시한 도면이고, 도 4는 분석부(120)에 포함된, 전술한 모델이 학습되는 과정을 개념적으로 도시한 도면이다. 여기서, 2D U-net 모델 그 자체는 이미 공지된 기술이므로 이에 대한 설명은 생략하기로 한다.
도 4를 참조하면, 기계 학습의 대상이 되는 모델(121)에는 학습 데이터(200)가 입력된다. 여기서, 학습되는 과정 그 자체는 공지된 기술이므로 이에 대한 설명은 생략하기로 하되, 이하에서는 학습 데이터(200) 그 자체에 대해서 보다 자세하게 살펴보기로 한다.
학습 데이터(200)는 뼈의 각 지점에 대해 단층 촬영된 영상(210,220)을 입력 영상으로서 포함하고, 영상(210,220) 각각에 대해 뼈 영역을 나타내도록 사전에 라벨링된 영상(214,215,224,225)을 정답 영상으로서 포함한다. 여기서, 사전 라벨링은 사람에 의해 수행된 것일 수 있으나 이에 한정되는 것은 아니다. 아울러, 사전 라벨링된 영상(214,215,224,225)은 복수 개의 픽셀(예컨대 512 by 512)로 이루어져 있을 수 있는데, 라벨링은 도시된 것과 같이 픽셀별로 수행될 수 있다.
이하에서는 학습 데이터에 대해 살펴보기로 한다.
첫번째 학습 데이터의 경우, 입력 영상의 식별번호는 210이고 정답 영상의 식별번호는 214, 215이다. 입력 영상(210)에는 뼈가 아닌 영역(211)과 뼈 영역(212,213)이 포함된다. 뼈 영역(212,213) 각각은 의학적/물리적으로 서로 상이한 뼈를 나타낸다. 이 때, 뼈 영역(212)은 뼈 영역(213)에 비해 상대적으로 지면을 기준으로 위쪽에 있는 뼈라고 가정한다. 이 경우, 정답 영상(214)에는 제1 식별표지(도면에서는 숫자 '1')에 의해 뼈 영역(212)의 위치가 표시되고, 정답 영상(215)에는 제2 식별표지(도면에서는 숫자 '2')에 의해 뼈 영역(213)의 위치가 표시된다.
두번째 학습 데이터의 경우, 입력 영상의 식별번호는 220이고 정답 영상의 식별번호는 224, 225이다. 입력 영상(220)에는 뼈가 아닌 영역(221)과 뼈 영역(222,223)이 포함된다. 뼈 영역(222,223) 각각은 의학적/물리적으로 서로 동일한 하나의 뼈를 나타낸다. 이 경우, 정답 영상(224)에는 제1 식별표지(도면에서는 숫자 '1')에 의해 뼈 영역(222,223)의 위치가 표시되고, 정답 영상(225)에는 뼈 영역에 관한 어떠한 식별표지도 표시되지 않는다.
분석부(120)는 이와 같이 학습된 모델(121)을 이용하여서, 영상에서 뼈가 아닌 영역 및 뼈 영역을 식별하고, 뼈 영역에 라벨링을 한다. 이하에서는 도 5를 참조하여서 라벨링의 과정에 대해 보다 자세하게 살펴보도록 한다.
도 5는 분석부(120)가 전술한 모델(121)을 이용하여서, 분석 대상이 되는 영상(310)에 라벨링하는 과정을 개념적으로 도시하고 있다.
도 5를 참조하면, 기계 학습된 모델(121)에는 분석의 대상이 되는 영상(310)이 입력된다. 해당 영상(310)은 뼈가 아닌 영역(311)과 뼈 영역(312,313)이 포함될 수 있다. 이 때, 뼈 영역(312,313)은 복수 개가 입력 영상(310)에 포함될 수 있는데, 즉 각각의 뼈 영역(312,313)이 서로 상이한 뼈를 나타내되, 뼈 영역(312)에 대한 뼈가 뼈 영역(313)에 대한 뼈보다, 사람이 서 있는 지면을 기준으로 상대적으로 위쪽의 뼈인 것을 전제로 설명하기로 한다.
기계 학습된 모델(121)은 이러한 영상(310)이 입력되면 각각의 뼈 영역(312,313)의 위치가 서로 상이한 식별표지로 표시된 결과물을 출력한다. 예컨대 식별번호 410의 결과물은 뼈 영역(312)의 위치를 제1 식별표지로 나타낸 영상이고, 식별번호 411의 결과물은 뼈 영역(313)의 위치를 제2 식별표지로 나타낸 영상이다.
다음으로, 분석부(120)는 라벨링된 복수 개의 영상(410,411)을 합칠 수 있다. 도 5의 식별번호 420은 라벨링된 복수 개의 영상(410,411)이 합쳐진 영상을 나타낸다.
다음으로, 분석부(120)는 식별번호 420으로 표시된 영상을 가공하여서 뼈 영역 및 뼈가 아닌 영역을 나타내는 영상을 출력할 수 있다. 다만, 실시예에 따라서 식별번호 420으로 표시된 영상을 가공하여서 영상을 출력하는 단계는 수행되지 않을 수도 있다.
다시 도 2를 참조하면, 수정부(130)는 분석부(120)에 의해 영상에 수행된 라벨링을 수정한다. 기계 학습된 모델(121)에 의해 수행된 라벨링에는 오류가 있을 수 있는 바, 일 실시예에 따른 수정부(130)는 이러한 오류를 바로 잡도록 구비된다. 물론, 실시예에 따라 이러한 라벨링의 수정 과정은 수행되지 않을 수도 있으며, 다만 이하에서는 라벨링의 수정 과정이 수행되는 것을 전제로 설명하기로 한다.
먼저, 라벨링된 각각의 영상에는 뼈의 길이 방향 내지 축 방향(axial)을 고려한 적층 순서가 부여되어 있을 수 있다. 이러한 적층 순서에 대한 정보는 CT(10)로부터 전달받거나 또는 라벨링된 영상 자체에 저장되어 있을 수 있다. 수정부(130)는 이러한 적층 순서에 대한 정보를 고려하여서 영상에 수행된 라벨링을 수정할 수 있는데, 그 과정에 대해서는 도 6과 7을 참조하여서 살펴보기로 한다.
도 6은 수정부(130)에 의해 라벨링이 수정되는 절차를 개념적으로 도시하고 있다. 아울러, 도 7의 상부에 나열된 영상들은 수정부(130)에 의해 라벨링이 수정되기 전의 영상을 나타내고, 하부에 나열된 영상들은 수정부(130)에 의해 라벨링이 수정된 후의 영상을 나타내고 있다.
도 6을 참조하면, 수정부(130)는 복수 개의 영상에 걸쳐서 뼈 영역의 면적 증감 여부를 각각의 뼈 영역에 대해 연산한다(S130). 복수 개의 영상은 전술한 적층 순서에 따라 정렬된 것일 수 있다.
예컨대, 수정부(130)는 제1 영상에 나타난 제1 뼈에 대한 면적을, 전술한 적층 순서에 따라 바로 인접해있는 제2 영상에 나타난 제1 뼈에 대한 면적과 비교하여서 제1 뼈 영역에 대한 면적 증감 여부를 연산한다. 만약 제1 영상에 제2 뼈가 나타나 있다면, 수정부(130)는 이러한 제2 뼈에 대해서도 면적 증감 여부를 전술한 것과 같은 방식으로 연산한다.
도 7에는, 전술한 단계 S130에 의해 연산된 제1 뼈 영역에 대한 제1 면적 증감 여부와 제2 뼈 영역에 대한 제2 면적 증감 여부가 각각의 라벨링된 영상마다 표시되어 있다. 도 7에서 제1 뼈 영역은 영상에서 적색으로 표시되고, 제2 뼈 영역은 영상에서 청색으로 표시된다.
도 7을 참조하면, 일단에 더 가깝도록 배치된 영상일수록 지면에 서 있는 사람을 기준으로 상대적으로 상부에서 촬영된 영상이고 타단에 더 가깝도록 배치된 영상일수록 상대적으로 하부에서 촬영된 영상이다.
아울러, 면적 증감 여부에서 '+'는 해당 영상에 나타난 해당 뼈 영역의 면적이 상대적으로 오른쪽에 있는 영상에 비해 증가하거나 동일한 것을 나타내고, '-'는 오른쪽에 있는 영상에 비해 감소한 것을 나타낸다. 아울러, '0'은 해당 뼈 영역의 면적이 0인 것을 나타낸다.
도 7의 '수정 전'에서 일단에서 타단 방향으로 면적 증감 여부를 살펴보면, 제1 면적 증감 여부는 계속하여서 '-'이다가 어느 지점에서 '+'가 되는 반면, 제2 면적 증감 여부는 계속하여서 '+'이며, 마지막 영상에서는 제2 뼈 영역이 없으므로 면적 증감 여부는 0이 된다.
다음으로, 수정부(130)는 영상 별로 면적 증감 여부를 살펴보아서, 뼈 영역의 면적이 증가하다가 감소하거나 또는 감소하다가 증가하는 지점에서의 영상을 선별한다(S131). 이 때, 선별의 기준으로는 다음과 같은 예가 있을 수 있으며, 다만 이에 한정되는 것은 아니다.
첫째, 어느 하나의 뼈 영역의 면적이 적층된 영상들에 걸쳐서 증가하다가 감소하거나 감소하다가 증가하는 지점에서의 영상을 수정의 대상으로 선별할 수 있다.
둘째, 어느 하나의 뼈 영역의 면적이 적층된 영상들에 걸쳐서 증가하다가 감소하는데 다른 뼈 영역의 면적이 계속하여 감소하는 경우, 감소하기 시작하는 지점에서의 영상을 수정의 대상으로 선별할 수 있다.
셋째, 어느 하나의 뼈 영역의 면적이 적층된 영상들에 걸쳐서 감소하다가 증가하는데 다른 뼈 영역의 면적이 계속하여 증가하는 경우, 증가하기 시작하는 지점에서의 영상을 수정의 대상으로 선별할 수 있다.
도 7에서는 가장 오른쪽 영상을 기준으로 6번째 영상의 제1 뼈 영역의 경우 면적 증감 여부가 '-'에서 '+'로 바뀌는 반면, 제2 뼈 영역의 경우 면적 증감 여부가 모두 '+'이다. 따라서, 수정부(130)는 이러한 6번째 영상을 수정의 대상으로 선별한다.
다음으로, 수정부(130)는 수정의 대상으로 선별된 영상에 대해 라벨링을 수정(relabeling)한다.
구체적으로 살펴보면, 예컨대, 수정의 대상으로 선별된 영상이 단일한 폐곡면으로 이루어진 뼈 영역을 포함할 수 있다. 아울러, 이러한 뼈 영역은 복수 개의 구역으로 구획되고 각각의 구역에 서로 상이한 식별표지로 라벨링될 수 있다. 이 경우, 수정부(130)는 각각의 구역의 넓이를 비교하여서, 해당 단일한 폐곡면으로 이루어진 뼈 영역의 전체 식별표지가 복수 개의 구역 중 가장 넓은 구역에 할당된 식별표지가 되도록 라벨링을 수정할 수 있다(S132). 만약 해당 뼈 영역이 2개의 구역으로 구획된다면, 수정부(130)는 상대적으로 면적이 좁은 부분에 대한 식별표지를 상대적으로 면적이 넓은 부분에 대한 식별표지로서 대체하는 수정을 할 수 있다.
도 7에서 상부에 나열된 영상에 대해, 가장 오른쪽 영상을 기준으로 6번째 영상에는, 단일한 폐곡면으로 이루어진 뼈 영역이 적색으로 표시된 제1 뼈 영역과 청색으로 표시된 제2 뼈 영역을 포함한다. 수정부(130)는 해당 단일한 폐곡면 내에서, 제1 뼈 영역과 제2 뼈 영역의 넓이를 비교한다. 비교 결과, 제2 뼈의 영역의 넓이가 제1 뼈의 영역의 넓이보다 넓은 바, 해당 단일한 폐곡면으로 이루어진 뼈 영역의 식별표지를 모두 제2 영역을 나타내는 청색으로 수정한다
다시 도 2를 참조하면, 분할부(140)는 인접해 있는 뼈와 뼈 사이의 경계면이 어디인지를 지정하고, 이러한 경계면을 기준으로 인접해 있는 뼈들을 분리할 수 있다.
이 때, 경계면은 다음과 같은 다양한 방법으로 지정 가능하다. 첫째 방법으로, 라벨링된 영상들을 적층 순서에 따라 살펴보았을 때, 서로 상이한 뼈를 나타내는 뼈 영역의 개수가 영상에서 2개 이상이였다가 1개로 되는 지점이 경계면으로 지정될 수 있다. 둘째 방법으로, 라벨링된 영상들을 적층 순서에 따라 살펴보았을 때, 각각의 뼈 영역에 대한 면적 증감 변화율이 급격하게 변화하는 지점이 경계면으로 지정될 수 있다. 셋째 방법으로, template knowledge 방법이 있다. 이 방법에서는 척추뼈의 축 방향 영상(axial image)이 어떠한 모양일 때 해당 영상이 경계면에 해당하는지에 대한 사전 지식(prior knowledge)이 제공된다. 이러한 사전 지식을 기초로, 척추뼈의 영상이 주어지면 사전 지식과의 비교 과정을 통해 경계면이 지정될 수 있다.
이 때, 분석부(120) 및 수정부(130)에 의해 영상에 대한 라벨링이 정확하고 신속하게 이루어질 수 있으므로, 이러한 경계면을 지정하는 과정 및 뼈들을 분리하는 과정 또한 정확하고 신속하게 이루어질 수 있다.
모델링부(150)는 분할부(140)에 의해 분할된 복수 개의 영상을 기초로 뼈에 대한 3차원 모델링을 수행한다. 2차원의 복수 개의 영상을 이용하여서 3차원 모델링을 수행하는 과정 그 자체는 이미 공지된 기술이므로 이에 대한 설명은 생략하기로 한다.
디스플레이부(160)는 모델링부(150)에 의해 모델링된 3차원 영상을 표시할 수 있다. 아울러, 디스플레이부(160)는 3차원 영상에서 뼈들의 경계면을 표시할 수 있으며, 이러한 뼈들이 분리된 형상 또한 표시할 수 있다.
이상에서 살펴본 바와 같이, 일 실시예에 따르면 뼈에 대해 단층 촬영된 영상으로부터 뼈 영역과 뼈가 아닌 영역을 식별하는 과정이 기계 학습된 모델의 의해 수행될 수 있다. 아울러, 영상에 나타난 뼈 영역이, 인접해있는 뼈 중 어떠한 뼈를 나타내는지가 이러한 기계 학습된 모델의 의해 식별될 수 있으며, 이러한 식별 과정에서 발생할 수 있는 오류 또한 일 실시예에 따른 뼈 모델링 장치(100)에 의해 수정 내지 교정될 수 있다.
따라서, 종래의 영상 처리 기법이나 사람에 의해 뼈 영역이 식별되고 뼈와 뼈의 경계면이 분리되어 수행되는 분석에 비해, 보다 신속하면서도 정확하게 뼈 영상을 분석할 수 있다.
도 8은 일 실시예에 따른 뼈 모델링 방법의 절차에 대해 개념적으로 도시하고 있다. 다만, 도 8에 도시된 절차는 예시적인 것에 불과하므로, 본 발명의 사상이 도 8에 도시된 것으로 한정 해석되지는 않는 바, 실시예에 따라서 도 8에 도시된 것과는 다른 순서로 절차가 수행될 수 있으며, 도 8에 도시된 절차 중 적어도 하나의 절차가 수행되지 않을 수도 있고, 도 8에 도시되지 않은 절차가 추가적으로 수행될 수도 있다.
도 8을 참조하면, 서로 인접해있는 복수 개의 뼈의 각 지점에 대해 단층 촬영된 영상을 입력받는 단계(S1000)가 수행된다.
또한, 상기 각 지점의 영상마다 각각, 해당 영상에 포함되어 있는 뼈 영역을 제1 뼈를 나타내는 제1 구역 및 상기 제1 뼈와 의학적으로 구분되는 제2 뼈를 나타내는 제2 구역 중 어느 하나로 라벨링하는 단계(S1100)가 수행된다.
또한, 상기 라벨링된 각각의 영상을 적층하는 순서에 따라, 상기 라벨링된 각각의 영상에 걸쳐서 상기 제1 구역에 대한 제1 면적 증감 여부 및 상기 제2 구역에 대한 제2 면적 증감 여부를 연산하는 단계(S1200)가 수행된다.
또한, 상기 연산된 제1 면적 증감 여부 및 상기 연산된 제2 면적 증감 여부를 기초로 상기 라벨링을 수정하는 단계(S1300)가 수행된다.
또한, 상기 수정된 라벨링이 반영된 각각의 영상을 기초로 상기 복수 개의 뼈를 모델링하는 단계(S1400)가 수행된다.
이러한 뼈 모델링 방법은 전술한 뼈 모델링 장치(100)에 의해 수행될 수 있다는 점에서, 이러한 방법에 대한 실질적은 내용은 뼈 모델링 장치(100)에 대한 설명 내용을 원용하면서 생략하기로 한다.
한편, 전술한 일 실시예에 따른 뼈 모델링하는 방법에 포함된 각각의 단계는, 이러한 단계를 수행하도록 프로그램된 컴퓨터 프로그램을 기록하는 컴퓨터 판독가능한 기록매체에서 구현될 수 있다.
또한, 전술한 일 실시예에 따른 뼈 모델링하는 방법에 포함된 각각의 단계는, 이러한 단계를 수행하도록 프로그램된, 컴퓨터 판독가능한 기록매체에 저장된 컴퓨터 프로그램의 형태로 구현될 수 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 품질에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 균등한 범위 내에 있는 모든 기술사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 뼈 모델링 장치
Claims (7)
- 서로 인접해있는 복수 개의 뼈의 각 지점에 대해 단층 촬영된 영상을 입력받는 입력부와,
상기 각 지점의 영상마다 각각, 해당 영상에 포함되어 있는 뼈 영역을 제1 뼈를 나타내는 제1 구역 및 상기 제1 뼈와 의학적으로 구분되는 제2 뼈를 나타내는 제2 구역 중 어느 하나로 라벨링하는 분석부와,
상기 라벨링된 각각의 영상을 적층하는 순서에 따라, 상기 라벨링된 각각의 영상에 걸쳐서 상기 제1 구역에 대한 제1 면적 증감 여부 및 상기 제2 구역에 대한 제2 면적 증감 여부를 연산하고, 상기 연산된 제1 면적 증감 여부 및 상기 연산된 제2 면적 증감 여부를 기초로 상기 라벨링을 수정하는 수정부와,
상기 수정된 라벨링이 반영된 각각의 영상을 기초로 상기 복수 개의 뼈 간의 경계면을 정의하는 분할부를 포함하는
뼈 모델링 장치. - 제 1 항에 있어서,
상기 분석부는,
뼈에 대해 단층 촬영된 복수 개의 학습 영상을 입력으로 하고 상기 복수 개의 학습 영상 각각이 포함하는 적어도 하나의 뼈 영역 각각에 라벨링이 수행된 영상을 정답으로 하여서, 기계 학습된 모델을 이용하여서 라벨링하는
뼈 모델링 장치. - 제 1 항에 있어서,
상기 수정부는,
상기 각각의 영상 중에서, 상기 제1 면적 증감 여부를 기초로 상기 제1 구역의 면적이 감소하다가 증가하거나 증가하다가 감소한 지점에서의 영상을 선별하거나 또는 상기 제2 면적 증감 여부를 기초로 상기 제2 구역의 면적이 감소하다가 증가하거나 증가하다가 감소한 영상을 선별한 뒤, 상기 선별된 영상에 대한 라벨링을 수정하는
뼈 모델링 장치. - 제 3 항에 있어서,
상기 선별된 영상에서 뼈 영역을 이루는 단일한 폐곡면 내에는 상기 제1 구역으로 라벨링된 부분 및 상기 제2 구역으로 라벨링된 부분이 모두 포함되고,
상기 수정부는,
상기 단일한 폐곡면 내에 포함된 상기 제1 구역으로 라벨링된 부분과 상기 제2 구역으로 라벨링된 부분 중 상대적으로 면적이 좁은 부분에 대한 라벨링을 상대적으로 면적이 넓은 부분에 대한 라벨링으로 수정하는
뼈 모델링 장치. - 뼈 모델링 장치에 의해 수행되는 뼈 모델링 방법으로서,
서로 인접해있는 복수 개의 뼈의 각 지점에 대해 단층 촬영된 영상을 입력받는 단계와,
상기 각 지점의 영상마다 각각, 해당 영상에 포함되어 있는 뼈 영역을 제1 뼈를 나타내는 제1 구역 및 상기 제1 뼈와 의학적으로 구분되는 제2 뼈를 나타내는 제2 구역 중 어느 하나로 라벨링하는 단계와,
상기 라벨링된 각각의 영상을 적층하는 순서에 따라, 상기 라벨링된 각각의 영상에 걸쳐서 상기 제1 구역에 대한 제1 면적 증감 여부 및 상기 제2 구역에 대한 제2 면적 증감 여부를 연산하는 단계와,
상기 연산된 제1 면적 증감 여부 및 상기 연산된 제2 면적 증감 여부를 기초로 상기 라벨링을 수정하는 단계와,
상기 수정된 라벨링이 반영된 각각의 영상을 기초로 상기 복수 개의 뼈 간의 경계면을 찾는 단계를 포함하는
뼈 모델링 방법. - 서로 인접해있는 복수 개의 뼈의 각 지점에 대해 단층 촬영된 영상을 입력받는 단계와,
상기 각 지점의 영상마다 각각, 해당 영상에 포함되어 있는 뼈 영역을 제1 뼈를 나타내는 제1 구역 및 상기 제1 뼈와 의학적으로 구분되는 제2 뼈를 나타내는 제2 구역 중 어느 하나로 라벨링하는 단계와,
상기 라벨링된 각각의 영상을 적층하는 순서에 따라, 상기 라벨링된 각각의 영상에 걸쳐서 상기 제1 구역에 대한 제1 면적 증감 여부 및 상기 제2 구역에 대한 제2 면적 증감 여부를 연산하는 단계와,
상기 연산된 제1 면적 증감 여부 및 상기 연산된 제2 면적 증감 여부를 기초로 상기 라벨링을 수정하는 단계와,
상기 수정된 라벨링이 반영된 각각의 영상을 기초로 상기 복수 개의 뼈 간의 경계면을 찾는 단계를 수행하도록 프로그램된
컴퓨터 프로그램을 저장하는 컴퓨터 판독가능한 기록매체. - 서로 인접해있는 복수 개의 뼈의 각 지점에 대해 단층 촬영된 영상을 입력받는 단계와,
상기 각 지점의 영상마다 각각, 해당 영상에 포함되어 있는 뼈 영역을 제1 뼈를 나타내는 제1 구역 및 상기 제1 뼈와 의학적으로 구분되는 제2 뼈를 나타내는 제2 구역 중 어느 하나로 라벨링하는 단계와,
상기 라벨링된 각각의 영상을 적층하는 순서에 따라, 상기 라벨링된 각각의 영상에 걸쳐서 상기 제1 구역에 대한 제1 면적 증감 여부 및 상기 제2 구역에 대한 제2 면적 증감 여부를 연산하는 단계와,
상기 연산된 제1 면적 증감 여부 및 상기 연산된 제2 면적 증감 여부를 기초로 상기 라벨링을 수정하는 단계와,
상기 수정된 라벨링이 반영된 각각의 영상을 기초로 상기 복수 개의 뼈 간의 경계면을 찾는 단계를 수행하도록 프로그램된
컴퓨터 판독가능한 기록매체에 저장된 컴퓨터 프로그램.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180030200A KR102044528B1 (ko) | 2018-03-15 | 2018-03-15 | 뼈를 모델링하는 장치 및 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180030200A KR102044528B1 (ko) | 2018-03-15 | 2018-03-15 | 뼈를 모델링하는 장치 및 방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20190108764A true KR20190108764A (ko) | 2019-09-25 |
KR102044528B1 KR102044528B1 (ko) | 2019-11-14 |
Family
ID=68068301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020180030200A KR102044528B1 (ko) | 2018-03-15 | 2018-03-15 | 뼈를 모델링하는 장치 및 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102044528B1 (ko) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005137936A (ja) * | 1994-05-27 | 2005-06-02 | Fukuda Denshi Co Ltd | 超音波診断装置 |
JP2005169155A (ja) * | 1994-05-27 | 2005-06-30 | Fukuda Denshi Co Ltd | 超音波診断装置 |
JP2006064584A (ja) * | 2004-08-27 | 2006-03-09 | Sony Corp | X線検査装置及びその検査方法 |
US20080287796A1 (en) | 2007-05-18 | 2008-11-20 | Atilla Peter Kiraly | Method and system for spine visualization in 3D medical images |
JP2010527647A (ja) * | 2007-05-18 | 2010-08-19 | ノルディック・バイオサイエンス・イメージング・アクティーゼルスカブ | 半自動式輪郭検出方法 |
JP2011214983A (ja) * | 2010-03-31 | 2011-10-27 | Ibiden Co Ltd | シミュレーション装置及びそのコンピュータプログラム |
KR101673800B1 (ko) * | 2015-08-19 | 2016-11-09 | 인하대학교 산학협력단 | 3d 프린팅을 위한 척추뼈 부분 모델링 장치 및 방법 |
WO2017019059A1 (en) * | 2015-07-29 | 2017-02-02 | Perkinelmer Health Sciences, Inc. | Systems and methods for automated segmentation of individual skeletal bones in 3d anatomical images |
-
2018
- 2018-03-15 KR KR1020180030200A patent/KR102044528B1/ko active IP Right Grant
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005137936A (ja) * | 1994-05-27 | 2005-06-02 | Fukuda Denshi Co Ltd | 超音波診断装置 |
JP2005169155A (ja) * | 1994-05-27 | 2005-06-30 | Fukuda Denshi Co Ltd | 超音波診断装置 |
JP2006064584A (ja) * | 2004-08-27 | 2006-03-09 | Sony Corp | X線検査装置及びその検査方法 |
US20080287796A1 (en) | 2007-05-18 | 2008-11-20 | Atilla Peter Kiraly | Method and system for spine visualization in 3D medical images |
JP2010527647A (ja) * | 2007-05-18 | 2010-08-19 | ノルディック・バイオサイエンス・イメージング・アクティーゼルスカブ | 半自動式輪郭検出方法 |
JP2011214983A (ja) * | 2010-03-31 | 2011-10-27 | Ibiden Co Ltd | シミュレーション装置及びそのコンピュータプログラム |
WO2017019059A1 (en) * | 2015-07-29 | 2017-02-02 | Perkinelmer Health Sciences, Inc. | Systems and methods for automated segmentation of individual skeletal bones in 3d anatomical images |
KR101673800B1 (ko) * | 2015-08-19 | 2016-11-09 | 인하대학교 산학협력단 | 3d 프린팅을 위한 척추뼈 부분 모델링 장치 및 방법 |
Non-Patent Citations (1)
Title |
---|
Jin, et al., "A model-based image reconstruction with simultaneous beam hardening correction for X-ray CT." IEEE Trans. Computational Imaging 1.3(2015)* * |
Also Published As
Publication number | Publication date |
---|---|
KR102044528B1 (ko) | 2019-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104969260B (zh) | 用于3d计算机断层扫描的多个骨骼分割 | |
US10163040B2 (en) | Classification method and apparatus | |
US20230360313A1 (en) | Autonomous level identification of anatomical bony structures on 3d medical imagery | |
US20210335041A1 (en) | Method for generating a 3d printable model of a patient specific anatomy | |
CN110556179B (zh) | 使用深度神经网络标记全脊柱图像的方法和系统 | |
US20090297012A1 (en) | Methods of and System for Detection and Tracking of Osteoporosis | |
US9454823B2 (en) | Knowledge-based automatic image segmentation | |
EP2690596A1 (en) | Method, apparatus and system for automated spine labeling | |
JP2021002338A (ja) | 画像セグメンテーション及び識別のための方法及びシステム | |
EP2639763B1 (en) | Method, Apparatus and System for Localizing a Spine | |
JP2017067489A (ja) | 診断支援装置、方法及びコンピュータプログラム | |
CN103562960A (zh) | 用于生成图像的图像区域与元素类之间的分配的装置 | |
US20230169666A1 (en) | Methods and systems for image registration | |
Ibáñez et al. | Ground truth data generation for skull–face overlay | |
CN112001889A (zh) | 医学影像处理方法、装置及医学影像显示方法 | |
US10832420B2 (en) | Dynamic local registration system and method | |
EP4184433A2 (en) | System and methods for medical image quality assessment using deep neural networks | |
KR102044528B1 (ko) | 뼈를 모델링하는 장치 및 방법 | |
US20220414869A1 (en) | Detecting and segmenting regions of interest in biomedical images using neural networks | |
Yuh et al. | Deep learning-assisted quantitative measurement of thoracolumbar fracture features on lateral radiographs | |
Meesters et al. | Multi atlas-based muscle segmentation in abdominal CT images with varying field of view | |
US20240013398A1 (en) | Processing a medical image | |
JP7338902B2 (ja) | :診断補助情報の提供方法およびそれの実行する装置 | |
Mullan | Deep Learning and Explainable AI in Medical Image Segmentation | |
US20230298272A1 (en) | System and Method for an Automated Surgical Guide Design (SGD) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right |