KR20190109141A - 의료 영상 장치, 그 제어 방법, 및 컴퓨터 프로그램 제품 - Google Patents

의료 영상 장치, 그 제어 방법, 및 컴퓨터 프로그램 제품 Download PDF

Info

Publication number
KR20190109141A
KR20190109141A KR1020180031126A KR20180031126A KR20190109141A KR 20190109141 A KR20190109141 A KR 20190109141A KR 1020180031126 A KR1020180031126 A KR 1020180031126A KR 20180031126 A KR20180031126 A KR 20180031126A KR 20190109141 A KR20190109141 A KR 20190109141A
Authority
KR
South Korea
Prior art keywords
value
parameter
medical imaging
feature
input
Prior art date
Application number
KR1020180031126A
Other languages
English (en)
Other versions
KR102656543B1 (ko
Inventor
박종근
김정호
Original Assignee
삼성메디슨 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성메디슨 주식회사 filed Critical 삼성메디슨 주식회사
Priority to KR1020180031126A priority Critical patent/KR102656543B1/ko
Priority to EP19161521.0A priority patent/EP3540740A1/en
Priority to US16/354,571 priority patent/US11331081B2/en
Publication of KR20190109141A publication Critical patent/KR20190109141A/ko
Application granted granted Critical
Publication of KR102656543B1 publication Critical patent/KR102656543B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5292—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves using additional data, e.g. patient information, image labeling, acquisition parameters
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/0035—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for acquisition of images from more than one imaging mode, e.g. combining MRI and optical tomography
    • 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
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/46—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient
    • A61B8/467—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient characterised by special input means
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/46—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient
    • A61B8/467—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient characterised by special input means
    • A61B8/469—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient characterised by special input means for selection of a region of interest
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5207—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of raw data to produce diagnostic data, e.g. for generating an image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computerised tomographs
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/56—Details of data transmission or power supply, e.g. use of slip rings
    • A61B6/566—Details of data transmission or power supply, e.g. use of slip rings involving communication between diagnostic systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/13—Tomography
    • A61B8/14—Echo-tomography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/46—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient
    • A61B8/461—Displaying means of special interest
    • A61B8/463—Displaying means of special interest characterised by displaying multiple images or images and diagnostic data on one display
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/46—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient
    • A61B8/461—Displaying means of special interest
    • A61B8/465—Displaying means of special interest adapted to display user selection data, e.g. icons or menus
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection

Abstract

개시된 일 실시예의 일 측면에 따르면, 학습 데이터(training data) 및 최적화 계수를 저장하는 저장부; 입력된 의료 영상으로부터 적어도 하나의 영상 특징 값을 결정하고(identify), 상기 적어도 하나의 영상 특징 값 및 상기 최적화 계수에 기초하고, 신경망 프로세서를 이용하여, 의료 영상 장치의 적어도 하나의 파라미터의 값을 결정하는(identify) 적어도 하나의 프로세서; 상기 결정된 적어도 하나의 파라미터의 값에 기초하여 생성된 결과 영상을 출력하는 출력부; 및 상기 적어도 하나의 파라미터의 값을 수정하는 제1 제어 입력을 수신하는 입력부를 포함하고, 상기 적어도 하나의 프로세서는, 상기 학습 데이터 및 상기 제1 제어 입력을 이용한 학습(training)을 통해, 상기 최적화 계수를 갱신하는, 의료 영상 장치가 제공된다.

Description

의료 영상 장치, 그 제어 방법, 및 컴퓨터 프로그램 제품 {Medical imaging apparatus, method for controlling the same, and computer program product}
개시된 실시예들은, 의료 영상 장치, 의료 영상 장치 제어 방법, 및 의료 영상 장치 제어 방법을 수행하는 컴퓨터 프로그램 코드를 저장하는 컴퓨터 판독가능 저장매체를 포함하는 컴퓨터 프로그램 제품에 관한 것이다.
의료 영상 장치는, 대상체를 스캔하여, 대상체에 대한 볼륨 데이터 또는 단층 영상을 획득하는 장치로서, 예를 들면, 초음파 영상 장치, 컴퓨터 단층촬영(computed tomography) 장치, 자기공명영상(magnetic resonance imaging) 장치, 엑스선(X-ray) 촬영장치 등이 있다. 의료 영상 장치는, 대상체를 스캔하는 과정, 획득된 로 데이터 및 영상 데이터를 처리하는 과정, 및 의료 영상을 재구성하는 과정에서 다양한 파라미터를 설정한다. 파라미터의 설정은 의료 영상 장치에 의해 자동으로 수행되거나, 사용자 입력에 기초하여 수행될 수 있다. 그런데 파라미터의 설정은 스캔 환경에 따라 다양하게 설정될 수 있기 때문에, 각 상황에 맞는 적절한 파라미터를 설정하는데 어려움이 있다.
개시된 실시예들은, 의료 영상 장치에서, 자동으로 파라미터를 설정하는 성능을 향상시키기 위한 것이다.
또한, 개시된 실시예들은, 사용자, 사용 환경, 사용자가 이용하는 장치, 환자 정보, 프로토콜 등을 고려하여, 보다 적절한 파라미터를 자동으로 결정하기 위한 것이다.
또한, 개시된 실시예들은, 의료 영상 장치의 초기 설정을 간소화시켜, 의료 영상 장치의 개발 인력, 개발 기간, 및 개발 비용을 감소시키기 위한 것이다.
개시된 일 실시예의 일 측면에 따르면,
학습 데이터(training data) 및 최적화 계수를 저장하는 저장부;
입력된 의료 영상으로부터 적어도 하나의 영상 특징 값을 결정하고(identify), 상기 적어도 하나의 영상 특징 값 및 상기 최적화 계수에 기초하고, 신경망 프로세서를 이용하여, 의료 영상 장치의 적어도 하나의 파라미터의 값을 결정하는(identify) 적어도 하나의 프로세서;
상기 결정된 적어도 하나의 파라미터의 값에 기초하여 생성된 결과 영상을 출력하는 출력부; 및
상기 적어도 하나의 파라미터의 값을 수정하는 제1 제어 입력을 수신하는 입력부를 포함하고,
상기 적어도 하나의 프로세서는, 상기 학습 데이터 및 상기 제1 제어 입력을 이용한 학습(training)을 통해, 상기 최적화 계수를 갱신하는, 의료 영상 장치가 제공된다.
일 실시예에 따르면, 상기 적어도 하나의 프로세서는, 상기 의료 영상 장치의 적어도 하나의 사용자 특징 값을 상기 신경망 프로세서의 입력 값으로 이용하여, 상기 적어도 하나의 파라미터의 값을 결정할 수 있다.
상기 적어도 하나의 프로세서는, 상기 의료 영상 장치의 사용 환경 특징 값을 상기 신경망 프로세서의 입력 값으로 이용하여, 상기 적어도 하나의 파라미터의 값을 결정할 수 있다.
상기 적어도 하나의 프로세서는, 상기 의료 영상 장치에 대응하는 장치 특징 값을 상기 신경망 프로세서의 입력 값으로 이용하여, 상기 적어도 하나의 파라미터의 값을 결정할 수 있다.
상기 적어도 하나의 프로세서는, 상기 의료 영상 장치의 대상체에 대응하는 환자 특징 값을 상기 신경망 프로세서의 입력 값으로 이용하여, 상기 적어도 하나의 파라미터의 값을 결정할 수 있다.
상기 적어도 하나의 프로세서는, 상기 의료 영상 장치의 스캔 제어 특징 값을 상기 신경망 프로세서의 입력 값으로 이용하여, 상기 적어도 하나의 파라미터의 값을 결정하고, 상기 스캔 제어 특징 값은, 프로토콜, 관심 영역(region of interest)의 종류, 및 관심 영역의 위치 중 적어도 하나 또는 이들의 조합을 포함할 수 있다.
상기 적어도 하나의 프로세서는, 상기 제1 제어 입력을 수신하는 그래픽 사용자 인터페이스를 제공하고, 상기 그래픽 사용자 인터페이스의 인터페이스 뷰(view)는, 상기 적어도 하나의 파라미터 각각에 대한 복수의 후보 값을 이용하여 생성된 복수의 후보 의료 영상들을 포함하고, 상기 적어도 하나의 프로세서는, 상기 복수의 후보 의료 영상 중 하나를 선택하는 제1 제어 입력에 기초하여, 선택된 후보 의료 영상에 대응하는 후보 값을 상기 적어도 하나의 파라미터의 값으로 결정할 수 있다.
상기 적어도 하나의 파라미터는, 복수의 값들의 세트에 대응하는 제1 파라미터를 포함하고, 상기 인터페이스 뷰는, 상기 제1 파라미터의 복수의 값들의 세트를 나타내는 복수의 후보 그래프를 포함하고, 상기 적어도 하나의 프로세서는, 상기 복수의 후보 그래프 중 하나를 선택하는 상기 제1 제어 신호에 기초하여, 선택된 후보 그래프를 상기 제1 파라미터의 값으로 결정할 수 있다.
상기 최적화 계수는, 제1 특징의 복수의 값 각각에 대한 개별 최적화 계수를 포함하고, 상기 제1 특징은, 사용자 특징, 사용 환경 특징, 장치 특징, 환자 특징, 및 스캔 제어 특징 중 하나일 수 있다.
상기 적어도 하나의 프로세서는, 상기 갱신된 최적화 계수를 상기 저장부에 저장하고, 상기 제1 제어 입력에 대응하는 상기 적어도 하나의 영상 특징 값과 상기 적어도 하나의 파라미터를 상기 학습 데이터로서 상기 저장부에 저장할 수 있다.
본 개시의 일 실시예의 다른 측면에 따르면,
입력된 의료 영상으로부터 적어도 하나의 영상 특징 값을 결정하는(identify) 단계;
상기 적어도 하나의 영상 특징 값 및 최적화 계수에 기초하고, 신경망 프로세서를 이용하여, 의료 영상 장치의 적어도 하나의 파라미터의 값을 결정하는(identify) 단계;
상기 적어도 하나의 파라미터의 값에 기초하여 생성된 결과 영상을 출력하는 단계;
상기 적어도 하나의 파라미터의 값을 수정하는 제1 제어 입력을 수신하는 단계; 및
상기 학습 데이터 및 상기 제1 제어 입력을 이용한 학습(training)을 통해, 상기 최적화 계수를 갱신하는 단계를 포함하는, 의료 영상 장치 제어 방법이 제공된다.
본 개시의 일 실시예의 또 다른 측면에 따르면,
의료 영상 장치 제어 방법을 수행하는 컴퓨터 프로그램 코드들을 저장하는 컴퓨터 판독가능 저장매체를 포함하는 컴퓨터 프로그램 제품에 있어서, 상기 의료 영상 장치 제어 방법은,
입력된 의료 영상으로부터 적어도 하나의 영상 특징 값을 결정하는(identify) 단계;
상기 적어도 하나의 영상 특징 값 및 최적화 계수에 기초하고, 신경망 프로세서를 이용하여, 의료 영상 장치의 적어도 하나의 파라미터의 값을 결정하는(identify) 단계;
상기 적어도 하나의 파라미터의 값에 기초하여 생성된 결과 영상을 출력하는 단계;
상기 적어도 하나의 파라미터의 값을 수정하는 제1 제어 입력을 수신하는 단계; 및
상기 학습 데이터 및 상기 제1 제어 입력을 이용한 학습(training)을 통해, 상기 최적화 계수를 갱신하는 단계를 포함하는, 컴퓨터 프로그램 제품이 제공된다.
개시된 실시예들에 따르면, 의료 영상 장치에서, 자동으로 파라미터를 설정하는 성능을 향상시킬 수 있는 효과가 있다.
또한, 개시된 실시예들에 따르면, 사용자, 사용 환경, 사용자가 이용하는 장치, 환자 정보, 프로토콜 등을 고려하여, 보다 적절한 파라미터를 자동으로 결정할 수 있는 효과가 있다.
또한, 개시된 실시예들에 따르면, 의료 영상 장치의 초기 설정을 간소화시켜, 의료 영상 장치의 개발 인력, 개발 기간, 및 개발 비용을 감소시킬 수 있는 효과가 있다.
도 1은 일 실시예에 따른 초음파 진단 장치(100)의 구성을 도시한 블록도이다.
도 2의 (a) 내지 (c)는 일 실시예에 따른 초음파 진단 장치를 나타내는 도면들이다.
도 3은 일 실시예에 따른 의료 영상 장치(300)의 구조를 나타낸 도면이다.
도 4는 일 실시예에 따른 파라미터 값의 추정 과정을 나타낸 도면이다.
도 5는 일 실시예에 따른 의료 영상을 나타낸 도면이다.
도 6은 일 실시예에 따른 의료 영상 장치(300a)의 구조를 나타낸 도면이다.
도 7은 일 실시예에 따른 GUI 뷰를 나타낸 도면이다.
도 8은 일 실시예에 따른 신경망 프로세서(325a)의 블록도이다.
도 9는 일 실시예에 따른 데이터 학습부(810)의 블록도이다.
도 10은 일 실시예에 따른 데이터 인식부(820)의 블록도이다.
도 11은 일 실시예에 따라 트레이닝 데이터를 관리하는 일례를 나타낸 도면이다.
도 12는 일 실시예에 따른 의료 영상 장치의 제어 방법을 나타낸 흐름도이다.
본 개시는 청구항의 권리범위를 명확히 하고, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자가 본 개시의 실시예들을 실시할 수 있도록, 본 개시의 실시예들의 원리를 설명하고, 실시예들을 개시한다. 개시된 실시예들은 다양한 형태로 구현될 수 있다.
명세서 전체에 걸쳐 동일 참조 부호는 동일 구성요소를 지칭한다. 본 명세서가 실시예들의 모든 요소들을 설명하는 것은 아니며, 본 개시의 실시예들이 속하는 기술분야에서 일반적인 내용 또는 실시예들 간에 중복되는 내용은 생략한다. 명세서에서 사용되는 '모듈' 또는'부'(unit)라는 용어는 소프트웨어, 하드웨어 또는 펌웨어 중 하나 또는 둘 이상의 조합으로 구현될 수 있으며, 실시예들에 따라 복수의 '모듈' 또는'부'가 하나의 요소(element)로 구현되거나, 하나의 ''모듈' 또는 부'가 복수의 요소들을 포함하는 것도 가능하다.
이하 첨부된 도면들을 참고하여 본 개시의 실시예들에 대해 설명한다.
본 명세서에서 영상은 자기 공명 영상(MRI) 장치, 컴퓨터 단층 촬영(CT) 장치, 초음파 촬영 장치, 또는 엑스레이 촬영 장치 등의 의료 영상 장치에 의해 획득된 의료 영상을 포함할 수 있다.
본 명세서에서 '대상체(object)'는 촬영의 대상이 되는 것으로서, 사람, 동물, 또는 그 일부를 포함할 수 있다. 예를 들어, 대상체는 신체의 일부(장기 또는 기관 등; organ) 또는 팬텀(phantom) 등을 포함할 수 있다.
명세서 전체에서 "초음파 영상"이란 대상체로 송신되고, 대상체로부터 반사된 초음파 신호에 근거하여 처리된 대상체(object)에 대한 영상을 의미한다.
이하에서는 도면을 참조하여 실시 예들을 상세히 설명한다.
본 개시의 의료 영상 장치는, 자기 공명 영상(MRI) 장치, 컴퓨터 단층 촬영(CT) 장치, 초음파 진단 장치, 또는 엑스레이 촬영 장치 등의 형태로 구현될 수 있다. 본 개시에서는 의료 영상 장치가 초음파 진단 장치인 실시예를 중심으로 설명하지만, 본 개시의 실시예가 초음파 진단 장치로 한정되는 것은 아니다.
도 1은 일 실시예에 따른 초음파 진단 장치(100)의 구성을 도시한 블록도이다. 일 실시예에 따른 초음파 진단 장치(100)는 프로브(20), 초음파 송수신부(110), 제어부(120), 영상 처리부(130), 디스플레이부(140), 저장부(150), 통신부(160), 및 입력부(170)를 포함할 수 있다.
초음파 진단 장치(100)는 카트형 뿐만 아니라 휴대형으로도 구현될 수 있다. 휴대형 초음파 진단 장치의 예로는 프로브 및 어플리케이션을 포함하는 스마트 폰(smart phone), 랩톱 컴퓨터, PDA, 태블릿 PC 등이 있을 수 있으나, 이에 한정되지 않는다.
프로브(20)는 복수의 트랜스듀서들을 포함할 수 있다. 복수의 트랜스듀서들은 송신부(113)로부터 인가된 송신 신호에 따라 대상체(10)로 초음파 신호를 송출할 수 있다. 복수의 트랜스듀서들은 대상체(10)로부터 반사된 초음파 신호를 수신하여, 수신 신호를 형성할 수 있다. 또한, 프로브(20)는 초음파 진단 장치(100)와 일체형으로 구현되거나, 또는 초음파 진단 장치(100)와 유무선으로 연결되는 분리형으로 구현될 수 있다. 또한, 초음파 진단 장치(100)는 구현 형태에 따라 하나 또는 복수의 프로브(20)를 구비할 수 있다.
제어부(120)는 프로브(20)에 포함되는 복수의 트랜스듀서들의 위치 및 집속점을 고려하여, 복수의 트랜스듀서들 각각에 인가될 송신 신호를 형성하도록 송신부(113)를 제어한다.
제어부(120)는 프로브(20)로부터 수신되는 수신 신호를 아날로그 디지털 변환하고, 복수의 트랜스듀서들의 위치 및 집속점을 고려하여, 디지털 변환된 수신 신호를 합산함으로써, 초음파 데이터를 생성하도록 수신부(115)를 제어 한다.
영상 처리부(130)는 초음파 수신부(115)에서 생성된 초음파 데이터를 이용하여, 초음파 영상을 생성한다.
디스플레이부(140)는 생성된 초음파 영상 및 초음파 진단 장치(100)에서 처리되는 다양한 정보를 표시할 수 있다. 초음파 진단 장치(100)는 구현 형태에 따라 하나 또는 복수의 디스플레이부(140)를 포함할 수 있다. 또한, 디스플레이부(140)는 터치패널과 결합하여 터치 스크린으로 구현될 수 있다.
제어부(120)는 초음파 진단 장치(100)의 전반적인 동작 및 초음파 진단 장치(100)의 내부 구성 요소들 사이의 신호 흐름을 제어할 수 있다. 제어부(120)는 초음파 진단 장치(100)의 기능을 수행하기 위한 프로그램 또는 데이터를 저장하는 메모리, 프로그램 또는 데이터를 처리하는 프로세서를 포함할 수 있다. 또한, 제어부(120)는 입력부(170) 또는 외부 장치로부터 제어신호를 수신하여, 초음파 진단 장치(100)의 동작을 제어할 수 있다.
초음파 진단 장치(100)는 통신부(160)를 포함하며, 통신부(160)를 통해 외부 장치(예를 들면, 서버, 의료 장치, 휴대 장치(스마트폰, 태블릿 PC, 웨어러블 기기 등))와 연결할 수 있다.
통신부(160)는 외부 장치와 통신을 가능하게 하는 하나 이상의 구성 요소를 포함할 수 있으며, 예를 들어 근거리 통신 모듈, 유선 통신 모듈 및 무선 통신 모듈 중 적어도 하나를 포함할 수 있다.
통신부(160)는 외부 장치와 제어 신호 및 데이터를 송, 수신할 수 있다.
저장부(150)는 초음파 진단 장치(100)를 구동하고 제어하기 위한 다양한 데이터 또는 프로그램, 입/출력되는 초음파 데이터, 획득된 초음파 영상 등을 저장할 수 있다.
입력부(170)는, 초음파 진단 장치(100)를 제어하기 위한 사용자의 입력을 수신할 수 있다. 예를 들어, 사용자의 입력은 버튼, 키 패드, 마우스, 트랙볼, 조그 스위치, 놉(knop) 등을 조작하는 입력, 터치 패드나 터치 스크린을 터치하는 입력, 음성 입력, 모션 입력, 생체 정보 입력(예를 들어, 홍채 인식, 지문 인식 등) 등을 포함할 수 있으나 이에 한정되지 않는다.
일 실시예에 따른 초음파 진단 장치(100)의 예시는 도 2의 (a) 내지 (c)를 통해 후술된다.
도 2의 (a) 내지 (c)는 일 실시예에 따른 초음파 진단 장치를 나타내는 도면들이다.
도 2의 (a) 및 도 2의 (b)를 참조하면, 초음파 진단 장치(100a, 100b)는 메인 디스플레이부(121) 및 서브 디스플레이부(122)를 포함할 수 있다. 메인 디스플레이부(121) 및 서브 디스플레이부(122) 중 하나는 터치스크린으로 구현될 수 있다. 메인 디스플레이부(121) 및 서브 디스플레이부(122)는 초음파 영상 또는 초음파 진단 장치(100a, 100b)에서 처리되는 다양한 정보를 표시할 수 있다. 또한, 메인 디스플레이부(121) 및 서브 디스플레이부(122)는 터치 스크린으로 구현되고, GUI 를 제공함으로써, 사용자로부터 초음파 진단 장치(100a, 100b)를 제어하기 위한 데이터를 입력 받을 수 있다. 예를 들어, 메인 디스플레이부(121)는 초음파 영상을 표시하고, 서브 디스플레이부(122)는 초음파 영상의 표시를 제어하기 위한 컨트롤 패널을 GUI 형태로 표시할 수 있다. 서브 디스플레이부(122)는 GUI 형태로 표시된 컨트롤 패널을 통하여, 영상의 표시를 제어하기 위한 데이터를 입력 받을 수 있다. 초음파 진단 장치(100a, 100b)는 입력 받은 제어 데이터를 이용하여, 메인 디스플레이부(121)에 표시된 초음파 영상의 표시를 제어할 수 있다.
도 2의 (b)를 참조하면, 초음파 진단 장치(100b)는 메인 디스플레이부(121) 및 서브 디스플레이부(122) 이외에 컨트롤 패널(165)을 더 포함할 수 있다. 컨트롤 패널(165)은 버튼, 트랙볼, 조그 스위치, 놉(knop) 등을 포함할 수 있으며, 사용자로부터 초음파 진단 장치(100b)를 제어하기 위한 데이터를 입력 받을 수 있다. 예를 들어, 컨트롤 패널(165)은 TGC(Time Gain Compensation) 버튼(171), Freeze 버튼(172) 등을 포함할 수 있다. TGC 버튼(171)은, 초음파 영상의 깊이 별로 TGC 값을 설정하기 위한 버튼이다. 또한, 초음파 진단 장치(100b)는 초음파 영상을 스캔하는 도중에 Freeze 버튼(172) 입력이 감지되면, 해당 시점의 프레임 영상이 표시되는 상태를 유지시킬 수 있다.
한편, 컨트롤 패널(165)에 포함되는 버튼, 트랙볼, 조그 스위치, 놉(knop) 등은, 메인 디스플레이부(121) 또는 서브 디스플레이부(122)에 GUI로 제공될 수 있다.
도 2의 (c)를 참조하면, 초음파 진단 장치(100c)는 휴대형으로도 구현될 수 있다. 휴대형 초음파 진단 장치(100c)의 예로는, 프로브 및 어플리케이션을 포함하는 스마트 폰(smart phone), 랩탑 컴퓨터, PDA, 태블릿 PC 등이 있을 수 있으나, 이에 한정되지 않는다.
초음파 진단 장치(100c)는 프로브(20)와 본체(40)를 포함하며, 프로브(20)는 본체(40)의 일측에 유선 또는 무선으로 연결될 수 있다. 본체(40)는 터치 스크린(145)을 포함할 수 있다. 터치 스크린(145)은 초음파 영상, 초음파 진단 장치에서 처리되는 다양한 정보, 및 GUI 등을 표시할 수 있다.
도 3은 일 실시예에 따른 의료 영상 장치(300)의 구조를 나타낸 도면이다.
일 실시예에 따른 의료 영상 장치(300)는 입력부(310), 프로세서(320), 출력부(330), 및 저장부(340)를 포함한다. 프로세서(320)는 하나 이상의 프로세서를 포함할 수 있으며, 신경망 프로세서(325)를 포함할 수 있다.
일 실시예에 따른 의료 영상 장치(300)는 대상체를 스캔하는 스캔부와 일체로 구비되거나, 별개로 구비될 수 있다. 예를 들면, 의료 영상 장치(300)는 초음파 진단 장치(100)와 일체로 구비되거나, 초음파 진단 장치(100)와 통신하는 컴퓨터 또는 휴대용 단말 등의 형태로 구현될 수 있다. 또한, 일 실시예에 따르면, 의료 영상 장치(300)는 컴퓨터 단층(CT) 촬영 장치, 자기 공명 영상 장치, 또는 엑스레이 장치의 스캔 룸 외부에 배치되는 워크스테이션의 형태로 구현될 수 있다.
의료 영상 장치(300)는 의료 영상 장치(300) 또는 스캔부에서 이용되는 파라미터를 자동으로 설정할 수 있다. 본 개시의 파라미터는, 의료 영상 장치(300) 또는 스캔부의 구성 요소들을 설정하기 위한 파라미터, 또는 영상 데이터를 처리하는데 이용되는 파라미터를 의미한다. 파라미터는, 예를 들면, 신호 처리의 게인, 디텍터의 DR 인덱스 등을 포함할 수 있다. 또한, 초음파 진단 장치의 TGC(Time Gain Compensation) 값, LGC(Lateral Gain Compensation) 값 등을 포함할 수 있다. 또한, 컴퓨터 단층 촬영 장치의 WL(Window level), WW(Window width) 등을 포함할 수 있다.
입력부(310)는 의료 영상을 수신한다. 의료 영상은 로 데이터(raw data) 또는 재구성된 영상(reconstructed image)일 수 있다. 의료 영상은 초음파 영상, CT 영상, MRI 영상, 또는 엑스레이 영상일 수 있다.
일 실시예에 따르면, 입력부(310)는 통신부의 형태로 구현될 수 있다. 통신부는 스캔 룸의 스캔부 또는 외부 장치로부터 의료 영상을 수신할 수 있다. 입력부(310)는 유선 또는 무선 통신을 이용하여 의료 영상을 수신할 수 있다.
다른 실시예에 따르면, 입력부(310)는 스캔부의 형태로 구현될 수 있다. 예를 들면, 스캔부는, 초음파 프로브, 컴퓨터 단층 촬영 장치의 엑스레이 생성부 및 엑스레이 검출부, 자기 공명 촬영 장치의 스캐너, 또는 엑스레이 촬영 장치의 엑스레이 생성부 및 엑스레이 검출부의 형태로 구현될 수 있다. 입력부(310)는 대상체를 촬영한 로 데이터를 획득할 수 있다.
또한, 입력부(310)는 사용자로부터 제어 입력을 수신할 수 있다. 일 실시예에 따른 입력부(310)는 사용자로부터 파라미터를 설정하는 제1 제어 입력을 수신할 수 있다. 입력부(310)는 예를 들면, 키보드, 마우스, 터치스크린, 터치 패드, 휠, 놉 등의 형태로 구현될 수 잇다.
프로세서(320)는 의료 영상 장치(300) 전반의 동작을 제어할 수 있다. 프로세서(320)는 하나 이상의 프로세서를 포함할 수 있으며, 신경망 프로세서(325)를 포함할 수 있다. 일 실시예에 따르면, 신경망 프로세서(325)는 별개의 칩으로 형성될 수 있다. 신경망 프로세서(325)는 뉴럴 네트워크를 포함할 수 있다.
프로세서(320)는 입력된 의료 영상으로부터 적어도 하나의 영상 특징 값을 결정할 수 있다. 영상 특징 값은 입력된 의료 영상으로부터 획득된 값으로서, 예를 들면, 평균(mean), 컨트라스트(contrast), 표준편차(standard deviation), 선예도(sharpness), 뷰(view)의 종류 등을 포함할 수 있다. 프로세서(320)는 입력된 의료 영상의 로 데이터 또는 재구성된 데이터에 대한 영상 특징 값을 획득할 수 있다. 영상 특징 값은 예를 들면, 입력된 의료 영상에 대응하는 특징 벡터를 구성할 수 있다. 특징 벡터는 복수의 영상 특징 값들을 세트에 대응될 수 있다.
일 실시예에 따르면, 프로세서(320)는 자동 스캔(auto scan) 모드의 실행을 요청하는 제어 신호가 입력부(310)를 통해 입력되면, 최적 파라미터 추정 동작을 수행할 수 있다.
프로세서(320)는 저장부(340)에 저장된 적어도 하나의 파라미터에 대한 최적화 계수에 기초하여, 입력된 의료 영상에 대한 파라미터 값을 획득한다. 최적화 계수는, 적어도 하나의 특징 값으로부터 적어도 하나의 파라미터의 값을 산출하기 위한 계수이다. 적어도 하나의 특징 값으로부터 파라미터의 값을 산출하는 함수는 다양한 형태의 함수로 표현될 수 있으며, 예를 들면, 1차 함수, 2차 함수, 지수 함수, 로그 함수 등 다양한 형태의 함수로 표현될 수 있다. 일 실시예에 따르면, 최적화 계수는 신경망 프로세서의 각 노드에 대한 가중치를 나타낼 수 있다.
프로세서(320)는 저장부(340)에 저장된 사전 트레이닝 데이터(Pre-trained data)과 신규 트레이닝 데이터(new training data)을 이용하여, 적어도 하나의 최적화 계수를 추정할 수 있다. 사전 트레이닝 데이터 및 신규 트레이닝 데이터는, 특징 벡터 및 대응하는 파라미터 값을 포함할 수 있다. 신규 트레이닝 데이터는 적어도 하나의 파라미터 값을 설정하는 제1 제어 신호에 기초하여 획득될 수 있다. 예를 들면, A 파라미터를 제2값으로 설정하는 제1 제어 신호가 입력되면, 입력된 의료 영상의 특징 벡터에 해당하는 A 파라미터의 값이 제2값으로 설정되고, 해당 특징 벡터에 대해 A 파라미터를 제2값으로 설정하는 경우가 신규 트레이닝 데이터로 저장될 수 있다.
또한, 프로세서(320)는 적어도 하나의 파라미터를 설정하는 제1 제어 신호에 기초하여, 적어도 하나의 파라미터에 대해 저장부(340)에 저장된 최적화 계수를 갱신할 수 있다. 예를 들면, 저장부(340)에 A 파라미터에 대한 최적화 계수가 제1 세트로 저장되어 있고, A 파라미터를 제2값으로 설정하는 제1 제어 신호가 입력되면, 프로세서(320)는 A 파라미터에 대한 최적화 계수를 제1 제어 신호에 기초하여 갱신할 수 있다. 구체적으로, 프로세서(320)는 A 파라미터를 제2값으로 설정하는 경우를 신규 트레이닝 데이터로 이용하고, 신규 트레이닝 데이터를 반영하여 A 파라미터에 대한 최적화 계수를 제2 세트로 갱신할 수 있다. 본 개시의 실시예에 따르면, A 파라미터의 값을 설정하는 제1 제어 신호가 입력될 때마다 저장된 최적화 계수를 실시간으로 갱신함에 따라, 소정 개수의 트레이닝 데이터가 누적되지 않더라도 즉각적으로 최적화 계수가 갱신되고, 사용자 선호도에 따른 최적 결과를 획득할 수 있는 효과가 있다.
프로세서(320)는 파라미터에 대한 최적화 계수를 산출할 때, 선형 최소 제곱법(linear least squared method), 딥 러닝(deep learning) 등의 방법을 이용할 수 있다. 예를 들면, 프로세서(320)는 최적화 계수를 추정하기 위해, 특징 벡터를 대입하였을 때, 제1 제어 신호에 대응하는 파라미터 값에 대해 최소 제곱 값이 산출되는 최적화 계수를 추정할 수 있다. 다른 예로서, 프로세서(320)는 딥 러닝을 이용하여, 특징 벡터에 대해 제1 제어 신호에 대응하는 파라미터 값이 산출되는 최적화 계수를 추정할 수 있다.
프로세서(320)는 적어도 하나의 파라미터를 설정하는 제1 제어 신호가 입력되면, 제1 제어 신호에 기초하여 적어도 하나의 파라미터 값을 설정하고, 설정된 파라미터 값을 이용하여, 의료 영상을 갱신하여 디스플레이 할 수 있다. 예를 들면, 프로세서(320)는 A 파라미터를 제1값으로 설정한 상태에서 결과 의료 영상을 획득하고, 획득된 결과 의료 영상을 디스플레이에 디스플레이한 상태에서, A 파라미터를 제2값으로 설정하는 제1 제어 신호가 입력되면, A 파라미터를 제2 값으로 설정하여 결과 의료 영상을 다시 획득하고, 다시 획득된 결과 의료 영상으로 디스플레이 된 의료 영상을 갱신할 수 있다.
출력부(330)는 결과 의료 영상을 출력할 수 있다. 일 실시예에 따르면, 출력부(330)는 디스플레이를 포함하고, 결과 의료 영상을 디스플레이 할 수 있다. 다른 실시예에 따르면, 출력부(330)는 통신부를 포함하고, 결과 의료 영상을 외부 장치로 전송할 수 있다. 외부 장치는 예를 들면, 사용자 단말, 외부 서버, 콘솔 등일 수 이다. 사용자 단말은 예를 들면, 스마트폰, 태블릿 PC, 개인용 컴퓨터 등을 포함할 수 있다.
출력부(330)는 디스플레이를 포함하고, 그래픽 사용자 인터페이스(GUI, graphic user interface)를 디스플레이 할 수 있다. 출력부(330)는 GUI 상에서 결과 의료 영상을 디스플레이 할 수 있다. 또한, 출력부(330)는 제1 제어 신호를 입력 받기 위한 GUI를 제공할 수 있다.
저장부(340)는 사전 트레이닝 데이터, 신규 트레이닝 데이터, 및 적어도 하나의 파라미터에 대한 최적화 계수를 저장할 수 있다.
도 4는 일 실시예에 따른 파라미터 값의 추정 과정을 나타낸 도면이다.
일 실시예에 따르면, 의료 영상 장치(300)는 신경망 프로세서(325)를 이용하여 특징 벡터로부터 적어도 하나의 파라미터 값을 추정할 수 있다.
특징 벡터는 복수의 특징 값을 포함할 수 있다. 예를 들면, 특징 벡터는, 영상 특징 값, 사용자 특징 값, 사용 환경 특징 값, 장치 특징 값, 환자 특징 값, 및 스캔 특징 값 중 적어도 하나 또는 이들의 조합을 포함할 수 있다. 일 실시예에 따르면, 특징 값에 대한 로 데이터가 신경망 프로세서(325)로 입력되고, 신경망 프로세서(325)가 로 데이터로부터 특징 값을 산출한 후, 산출된 특징 값을 이용하여 파라미터 값을 추정할 수 있다. 예를 들면, 영상 데이터 자체가 신경망 프로세서(325)로 입력되고, 신경망 프로세서(325)는 영상 데이터로부터 영상 특징 값을 추출한 후, 영상 특징 값을 이용하여 파라미터 값을 획득할 수 있다.
특징 벡터에 포함되는 특징 값들의 조합은 각 케이스마다 달라질 수 있다. 예를 들면, 초음파 영상이 획득되고, 획득된 초음파 영상으로부터 영상 특징 값이 획득되어, 의료 영상 장치(300)가 영상 특징 값을 포함하는 제1 특징 벡터로부터 제1 파라미터 값을 산출한 후에 사용자 특징 값이 입력된 경우, 영상 특징 값과 사용자 특징 값을 포함하는 제2 특징 벡터가 신경망 프로세서(325)로 다시 입력되고, 신경망 프로세서(325)는 제2 특징 벡터에 대응하는 제2 파라미터 값을 산출할 수 있다.
신경망 프로세서(325)는 복수의 레이어(410, 420, 430) 및 복수의 노드(440)를 포함할 수 있다. 복수의 레이어(410, 420, 430)는 입력 레이어(410), 하든 레이어(420), 및 출력 레이어(430)를 포함할 수 있다. 최적화 계수는 신경망 프로세서(325)로 입력되어, 복수의 레이어(410, 420, 430), 및 복수의 노드(440)에 적용될 수 있다.
신경망 프로세서(325)는 입력된 특징 벡터로부터 적어도 하나의 파라미터의 값을 추정할 수 있다. 예를 들면, 신경망 프로세서(325)는 게인, DR 인덱스, TGC 값, 및 LGC 값 중 적어도 하나 또는 이들의 조합을 추정할 수 있다.
사용자 특징 값은 예를 들면, 사용자의 직업, 개인 선호도를 포함할 수 있다. 사용자 직업은, 의사, 방사선사, 간호사, 일반인 등으로 분류될 수 있다. 개인 선호도는 사용자 식별 정보에 기초하여, 각 식별 정보에 대응하는 선호도를 나타낼 수 있다. 예를 들면, 사용자 A는 게인 50을 선호하고, 사용자 B는 게인 48을 선호한다는 정보가 특징 값으로 고려될 수 있다.
사용자 특징 값은 사용자의 식별 정보를 획득하고, 저장부(340)에 저장된 사용자에 대한 정보를 이용하여 획득될 수 있다. 일 실시예에 따르면, 의료 영상 장치(300)는 입력부(310)를 통한 사용자 입력, 또는 외부 장치로부터의 입력을 통해 사용자 특징 값을 획득할 수 있다. 예를 들면, 프로세서(320)는 사용자 특징 값을 수신하기 위한 GUI를 제공하고, GUI를 통해 사용자 특징 값을 획득할 수 있다. 다른 실시예에 따르면, 의료 영상 장치(300)는 외부 서버로부터 사용자 식별 정보에 대응하는 사용자 특징 값을 수신할 수 있다.
사용 환경 특징 값은 예를 들면 조도, 의료 영상의 사용 위치 등을 포함할 수 있다. 조도는 의료 영상을 열람하는 위치의 조도를 나타낸다. 의료 영상의 사용 위치는 예를 들면, 수술실, 진료실, 응급차, 연구실 등으로 분류될 수 있다.
사용 환경 특징 값은, 의료 영상 장치(300)에 저장된 정보로부터 획득되거나, 의료 영상 장치(300)에 구비된 센서로부터 획득되거나, 외부 장치로부터 사용 환경에 대한 정보를 수신하여 획득될 수 있다. 일 실시예에 따르면, 의료 영상 장치(300)는 조도 센서를 구비하고, 조도 센서에 의해 검출된 센싱 값으로 조도 값을 획득할 수 있다. 일 실시예에 따르면, 의료 영상 장치(300)는 GPS(Global Positioning System)를 구비하고, GPS에서 획득된 위치 정보에 기초하여 의료 영상의 사용 위치를 결정할 수 있다. 일 실시예에 따르면, 의료 영상 장치(300)는 해당 장치가 설치된 장소에 대한 정보를 저장하고, 저장된 정보를 이용하여 사용 위치에 대한 정보를 획득할 수 있다.
장치 특징 값은 예를 들면, 디스플레이 특성, 프로세서 성능, 제조사, 모델명 등을 포함할 수 있다. 디스플레이 특성은 디스플레이의 밝기 특성, 다이나믹 레인지 특성 등을 포함할 수 있다. 장치 특징 값은 의료 영상을 열람하는 장치의 특징을 나타낸다. 일 실시예에 따르면, 프로세서(320)에 의해 처리된 의료 영상이 통신부를 통해 외부 장치로 전송되는 경우, 외부 장치의 특징이 장치 특징 값으로 표현된다.
장치 특성 값은, 장치의 식별 정보에 기초하여 획득될 수 있다. 예를 들면, 프로세서(320)는 해당 장치의 시리얼 넘버에 대응하여 저장된 장치 특징 값을 이용할 수 있다. 다른 예로서, 프로세서(320)는 장치의 제조사 또는 모델명에 대응하여 저장된 장치 특징 값을 이용할 수 있다. 예를 들면, 저장부(340)는 장치의 시리얼 넘버 또는 모델명에 대해, 장치의 종류(예를 들면, 스마트폰, 태블릿 PC, 데스크톱, 웨어러블 장치 등), 디스플레이 특성 등을 저장할 수 있다.
환자 특징 값은 환자의 병력을 포함한다. 예를 들면, 환자 특징 값은 해당 환자의 ROI, 병명, 병의 진행 단계 등을 포함할 수 있다. 의료 영상이 초음파 영상인 경우, 환자 특징 값은 해당 환자의 ROI에 적절한 TGC와 LGC를 포함할 수 있다. 의료 영상이 CT 영상인 경우, 환자 특징 값은 해당 환자의 ROI에 적절한 WL와 WW을 포함할 수 있다.
프로세서(320)는 입력부(310)로부터 환자에 대한 식별 정보를 수신하고, 저장부(340) 또는 외부 장치로부터 환자 특징 값을 획득할 수 있다. 다른 예로서, 프로세서(320)는 입력부(310)로부터 환자 특징 값을 수신할 수 있다.
스캔 특징 값은, 예를 들면 실행 중인 프로토콜, 관심 영역(region of interest)의 종류, 관심 영역의 위치 등을 포함할 수 있다. 관심 영역의 종류는, 관심 영역에 해당하는 장기에 의해 분류되거나, 관심 영역이 움직이는지 여부, 관심 영역의 조직의 종류(뼈, 혈액, 막 등) 등으로 분류될 수 있다. 관심 영역의 위치는 관심 영역이 어느 장기에 위치하는지에 대한 정보, 관심 영역의 깊이 등을 나타낼 수 있다.
도 5는 일 실시예에 따른 의료 영상을 나타낸 도면이다.
일 실시예에 따르면, 입력된 의료 영상에 대해 제1 파라미터에 대한 제1 값을 이용하여 제1 영상(510)을 획득하고 디스플레이한 상태에서, 제1 파라미터를 제2값으로 설정하는 제1 제어 신호가 입력된 경우, 프로세서(320)는 제1 파라미터를 제2값으로 설정하여 제2 영상(520)을 생성하고 출력부(330)를 통해 출력한다. 또한, 프로세서(320)는 단순히 제1 파라미터를 제2값으로 설정하는 처리만 수행하는 것이 아니라, 제1 제어 신호에 기초하여 최적화 계수를 산출하고, 저장부(340)에 저장된 최적화 계수를 갱신한다.
도 6은 일 실시예에 따른 의료 영상 장치(300a)의 구조를 나타낸 도면이다.
일 실시예에 따르며, 의료 영상 장치(300a)는 초음파 시스템(605)과 프로세서(650)를 포함할 수 있다. 초음파 시스템(605)과 프로세서(650)는 일체로 구현되거나, 별개의 장치로 구현될 수 있다.
초음파 시스템(605)은, 초음파 신호를 출력하고, 에코 신호를 검출하는 프로브(610), 프로브(610)로부터 출력된 아날로그 신호를 처리하는 프론트 엔드(620, Front-end), 프론트 엔드(620)에서 처리된 디지털 신호를 처리하고, 디지털 신호를 전달하는 백 엔드(630, Back-end), 초음파 영상 및 GUI 뷰를 디스플레이하는 디스플레이(640), 및 프로세서(650)를 포함할 수 있다.
프로세서(650)는 영상 최적화 모듈(660), 자가 학습 모듈(680, Self-learning module), 및 메모리(670)를 포함할 수 있다. 영상 최적화 모듈(660)은 입력된 의료 영상에 대해 최적의 파라미터를 추정하여 이를 초음파 시스템(605)으로 피드백한다. 자가 학습 모듈(680)은 출력된 의료 영상에 대해 사용자에 의해 입력된 제1 제어 신호를 입력 받아, 사용자의 선호도에 따른 최적 결과가 나올 수 있도록, 영상 최적화 모듈(680)을 실시간으로 갱신한다.
프로브(610)를 통해 획득된 의료 영상은 실시간으로 디스플레이(640)에 디스플레이 된다. 사용자로부터 디스플레이 된 현재 의료 영상에 대한 영상 최적화가 요청된 경우(652), 영상 최적화 모듈(660)는 특징 벡터에 기초한 파라미터 추정을 수행한다.
영상 최적화 모듈(660)은 입력 영상(662)으로부터 영상 특징 값을 추출하여(664), 특징 벡터를 추출한다(666). 이 때, 입력 영상(662)과 특징 벡터(666)는 메모리(670)의 버퍼(672, 674)에 각각 저장된다. 영상 최적화 모듈(660)은 메모리(670)의 특징 벡터(672) 및 최적화 계수(676)로부터 게인, DR, TGC 등을 포함하는 파라미터의 값을 추정하기 위한 연산(668)을 수행한다. 파라미터 추정 연산에는 예를 들면, 선형 최소 제곱 법, 딥 러닝 등 다양한 방법이 사용될 수 있다. 추정된 파라미터 값은 초음파 시스템(605)으로 피드백되고, 파라미터 값의 변화로 인해 영상의 밝기, 다이나믹 레인지 등이 변한 의료 영상이 디스플레이(640)에 의해 표시된다.
또한, 일 실시예에 따르면, 사용자 선호도를 반영하여 영상 최적화 기능이 동작하도록, 영상 최적화 모듈(660)을 개선하기 위한 자가 학습 모듈(680)을 제공한다. 사용자가 자가 학습이 수행을 요청(654)하면, 자가 학습 모듈(680)은 최적화를 위한 자가 학습을 수행한다. 우선, 추정된 파라미터 값으로 생성된 의료 영상에 대한 사용자의 제어 신호를 입력 받기 위한 GUI 모듈(682)이 실행된다. 메모리(670)의 영상 데이터 버퍼(672)에 저장되어 있는 영상 데이터가 GUI 모듈(682)로 입력되고, GUI 모듈(682)은 파라미터의 다양한 값들에 대한 영상을 디스플레이(640)에 멀티-뷰 형식으로 디스플레이한다.
영상 최적화 모듈(21)은, GUI 모듈(682)을 통해 입력된 사용자의 선호도에 따른 파라미터 값을 특징 벡터 버퍼(674)에 저장된 사전 트레이닝 특징 값과 조합하여 신규 특징 값으로 특징 벡터 버퍼(674)에 저장한다. 자가 학습 모듈(680)은 특징 벡터 버퍼(674)에 저장된 신규 특징 값과 미리 공장에서 구성된 사전 트레이닝 특징 값을 트레이닝 데이터로 이용하여 최적화 갱신 과정(684)을 수행하고, 메모리(670)에 갱신된 최적화 계수(676)를 저장한다. 이러한 최적화 계수 갱신 과정은 실시간으로 진행이 되어 다음 번 영상 최적화가 수행될 때부터 바로 적용된다.
도 7은 일 실시예에 따른 GUI 뷰를 나타낸 도면이다.
프로세서(320)는 파라미터 값을 설정하는 제1 제어 신호를 수신하기 위한 GUI를 제공할 수 있다. 일 실시예에 따르면, GUI 뷰는 도 7에 도시된 바와 같이, 의료 영상(712)을 표시하고, 파라미터 값을 설정하는 제1 제어 신호를 수신하기 위한 GUI를 포함할 수 있다. GUI 뷰는 제1 영역(710) 및 제2 영역(720)을 포함할 수 있다.
제1 영역(710)은 후보 파라미터 값들을 이용하여 생성된 복수의 의료 영상(712)을 디스플레이하고, 디스플레이 된 복수의 의료 영상(712) 중 하나를 선택하는 제1 제어 신호를 수신하기 위한 GUI를 제공한다. 예를 들면, 제1 영역(710)은 파라미터 1에 대한 3개의 후보 값, 및 파라미터 2에 대한 3개의 후보 값을 적용하여 생성된 9개의 후보 의료 영상(712)을 포함할 수 있다.
프로세서(320)는 파라미터 1 및 파라미터 2에 대한 최적의 파라미터 값을 각각 결정하고, 최적의 파라미터 값에 기초하여 복수의 후보 값들을 결정할 수 있다. 예를 들면, 프로세서(320)는 최적의 파라미터 값을 중심으로 소정의 간격으로 복수의 후보 값들을 결정할 수 있다.
또한, 프로세서(320)는 파라미터 1 및 파라미터 2에 대한 후보 값들을 적용하여 후보 의료 영상(712)을 생성할 수 있다. 예를 들면, 파라미터 1은 게인이고, 파라미터 2는 DR 인덱스인 경우, 프로세서(320)는 게인 값에 대한 소정 개수의 후보 값을 결정하고, DR 인덱스에 대한 소정 개수의 후보 값을 결정한 후, 게인과 DR 인덱스에 대한 후보 값을 이용하여 복수의 후보 의료 영상(712)을 생성할 수 있다. 예를 들면, 제1 후보 의료 영상(712a)은 게인 값 48, DR 인덱스 48이 적용되고, 제2 후보 의료 영상(712b)은 게인 값 50, DR 인덱스 48이 적용되고, 제3 후보 의료 영상(712c)은 게인 값 52, DR 인덱스 48이 적용되어 생성된 영상이다.
프로세서(320)는 복수의 후보 의료 영상(712) 중 하나를 선택하는 제1 제어 신호에 기초하여, 파라미터 1의 값 및 파라미터 2의 값을 결정할 수 있다. 예를 들면, 사용자가 제2 후보 의료 영상(712b)을 선택한 경우, 프로세서(320)는 파라미터 1의 값을 50으로 결정하고, 파라미터 2의 값을 48로 결정할 수 있다.
일 실시예에 따르면, 프로세서(320)는 후보 의료 영상(712) 상에서의 선택 위치에 따라, 파라미터 1의 값 및 파라미터 2의 값을 조절할 수 있다. 예를 들면, 제1 제어 신호가 제2 후보 영상(712b)에서 화살표 1(714) 위치를 선택한 경우, 프로세서(320)는 파라미터 1을 50.5로 결정하고, 파라미터 2의 값을 48.5로 결정할 수 있다. 본 실시예에 따르면, 하나의 후보 의료 영상(712) 내에서도 파라미터의 값을 세밀하게 조절할 수 있도록 하여, 사용자가 보다 정확하게 파라미터 값을 지정할 수 있도록 하는 효과가 있다.
제2 영역(720)은 복수의 값들의 세트에 대응되는 파라미터 3에 대한 복수의 후보 값(722)을 나타낸다. 파라미터 3의 복수의 값들의 세트는 예를 들면 그래프로 표현될 수 있다. 파라미터 3은 예를 들면, TGC 값, LGC 값 등에 대응될 수 있다. 제2 영역(720)은 복수의 후보 그래프(724)를 포함할 수 있다. 프로세서(320)는 특징 벡터에 기초하여 파라미터 3에 대한 최적 그래프를 생성한 후, 최적 그래프에 기초하여 복수의 후보 그래프(724)를 생성할 수 있다. 프로세서(320)는 복수의 후보 값(722) 중 하나를 선택하는 제1 제어 신호에 기초하여, 선택된 후보 값(722)을 파라미터 3의 값으로 결정할 수 있다.
일 실시예에 따르면, 제2 영역(720)은 각 후보 값(722)의 그래프의 형태를 변경할 수 있는 커브 조정 UI(726a, 726b)를 제공할 수 있다. 일 실시예에 따르면, 커브 조정 UI(726a, 726b)는 커브(724a)의 형태 또는 곡률을 변경하기 위한 아이콘(728a, 728b)을 포함하고, 제어 신호에 기초하여 아이콘(728a, 728b)의 위치가 변경되면, 변경된 아이콘 위치에 대응되도록 커브(724a)의 형태 또는 곡률을 변경할 수 있다. 일 실시예에 따르면, 아이콘(728a, 728b)은 기준선(729a, 729b) 상에서 이동될 수 있다.
일 실시예에 따르면, 제1 영역(710) 및 제2 영역(720) 중 하나의 영역만 GUI로 제공될 수 있다. 제1 영역(710) 또는 제2 영역(720)에서 조절 가능한 파라미터의 종류는 미리 결정되거나, 사용자 선택에 기초하여 결정될 수 있다.
도 7에 도시된 제1 영역(710) 및 제2 영역(720)의 배치는 예시적인 것이며, 실시예에 따라, 제1 영역(710) 및 제2 영역(720)의 크기, 형태, 디자인 등이 변경될 수 있다.
일 실시예에 따르면, 프로세서(320)는 특징 값을 입력하는 GUI를 제공할 수 있다. 예를 들면, 특징 값 입력 GUI는 파라미터 값을 선택하기 위한 GUI와 함께 제공될 수 있다. 특징 값 입력 GUI는 예를 들면, 사용자 특징 값, 사용 환경 특징 값, 장치 특징 값, 환자 특징 값, 스캔 특징 값 등을 입력할 수 있는 UI를 제공할 수 있다.
도 8은 일 실시예에 따른 신경망 프로세서(325a)의 블록도이다.
도 8을 참조하면, 일 실시예에 따른 신경망 프로세서(325a)는 데이터 학습부(810) 및 데이터 인식부(820)를 포함할 수 있다.
데이터 학습부(810)는 상황 판단을 위한 기준을 학습할 수 있다. 데이터 학습부(810)는 소정의 상황을 판단하기 위하여 어떤 데이터를 이용할 지, 데이터를 이용하여 상황을 어떻게 판단할 지에 관한 기준을 학습할 수 있다. 데이터 학습부(810)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 후술할 데이터 인식 모델에 적용함으로써, 상황 판단을 위한 기준을 학습할 수 있다.
데이터 인식부(820)는 데이터에 기초한 상황을 판단할 수 있다. 데이터 인식부(820)는 학습된 데이터 인식 모델을 이용하여, 소정의 데이터로부터 상황을 인식할 수 있다. 데이터 인식부(820)는 학습에 의한 기 설정된 기준에 따라 소정의 데이터를 획득하고, 획득된 데이터를 입력 값으로 하여 데이터 인식 모델을 이용함으로써, 소정의 데이터에 기초한 소정의 상황을 판단할 수 있다. 또한, 획득된 데이터를 입력 값으로 하여 데이터 인식 모델에 의해 출력된 결과 값은, 데이터 인식 모델을 갱신하는데 이용될 수 있다.
데이터 학습부(810) 및 데이터 인식부(820) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 의료 영상 장치(300)에 탑재될 수 있다. 예를 들어, 데이터 학습부(810) 및 데이터 인식부(820) 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 의료 영상 장치(300)에 탑재될 수도 있다.
이 경우, 데이터 학습부(810) 및 데이터 인식부(820)는 의료 영상 장치(300)에 함께 탑재될 수도 있으며, 또는 별개의 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 학습부(810) 및 데이터 인식부(820) 중 하나는 의료 영상 장치(300)에 포함되고, 나머지 하나는 서버에 포함될 수 있다. 또한, 데이터 학습부(810) 및 데이터 인식부(820)는 유선 또는 무선으로 통하여, 데이터 학습부(810)가 구축한 모델 정보를 데이터 인식부(820)로 제공할 수도 있고, 데이터 인식부(820)로 입력된 데이터가 추가 학습 데이터로서 데이터 학습부(810)로 제공될 수도 있다.
한편, 데이터 학습부(810) 및 데이터 인식부(820) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 학습부(810) 및 데이터 인식부(820) 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 9는 일 실시예에 따른 데이터 학습부(810)의 블록도이다.
도 9를 참조하면, 일 실시예에 따른 데이터 학습부(810)는 데이터 획득부(810-1), 전처리부(810-2), 학습 데이터 선택부(810-3), 모델 학습부(810-4) 및 모델 평가부(810-5)를 포함할 수 있다.
데이터 획득부(810-1)는 상황 판단에 필요한 데이터를 획득할 수 있다. 데이터 획득부(810-1)는 상황 판단을 위한 학습을 위하여 필요한 데이터를 획득할 수 있다. 예를 들면, 데이터 획득부(810-1)는 특징 값 벡터를 획득하기 위한 로 데이터, 특징 값, 제1 제어 신호 등을 획득할 수 있다.
전처리부(810-2)는 상황 판단을 위한 학습에 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(810-2)는 후술할 모델 학습부(810-4)가 상황 판단을 위한 학습을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.
학습 데이터 선택부(810-3)는 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 모델 학습부(810-4)에 제공될 수 있다. 학습 데이터 선택부(810-3)는 상황 판단을 위한 기 설정된 기준에 따라, 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 또한, 학습 데이터 선택부(810-3)는 후술할 모델 학습부(810-4)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.
모델 학습부(810-4)는 학습 데이터에 기초하여 상황을 어떻게 판단할 지에 관한 기준을 학습할 수 있다. 또한, 모델 학습부(810-4)는 상황 판단을 위하여 어떤 학습 데이터를 이용해야 하는 지에 대한 기준을 학습할 수도 있다.
또한, 모델 학습부(810-4)는 상황 판단에 이용되는 데이터 인식 모델을 학습 데이터를 이용하여 학습시킬 수 있다. 이 경우, 데이터 인식 모델은 미리 구축된 모델일 수 있다. 예를 들어, 데이터 인식 모델은 기본 학습 데이터(예를 들어, 샘플 이미지 등)을 입력 받아 미리 구축된 모델일 수 있다.
데이터 인식 모델은, 인식 모델의 적용 분야, 학습의 목적 또는 장치의 컴퓨터 성능 등을 고려하여 구축될 수 있다. 데이터 인식 모델은, 예를 들어, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 예컨대, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 모델이 데이터 인식 모델로서 사용될 수 있으나, 이에 한정되지 않는다.
다양한 실시예에 따르면, 모델 학습부(810-4)는 미리 구축된 데이터 인식 모델이 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 데이터 인식 모델을 학습할 데이터 인식 모델로 결정할 수 있다. 이 경우, 기본 학습 데이터는 데이터의 타입 별로 기 분류되어 있을 수 있으며, 데이터 인식 모델은 데이터의 타입 별로 미리 구축되어 있을 수 있다. 예를 들어, 기본 학습 데이터는 학습 데이터가 생성된 지역, 학습 데이터가 생성된 시간, 학습 데이터의 크기, 학습 데이터의 장르, 학습 데이터의 생성자, 학습 데이터 내의 오브젝트의 종류 등과 같은 다양한 기준으로 기 분류되어 있을 수 있다.
또한, 모델 학습부(810-4)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 데이터 인식 모델을 학습시킬 수 있다.
또한, 모델 학습부(810-4)는, 예를 들어, 학습 데이터를 입력 값으로 하는 지도 학습(supervised learning) 을 통하여, 데이터 인식 모델을 학습시킬 수 있다. 또한, 모델 학습부(810-4)는, 예를 들어, 별다른 지도없이 상황 판단을 위해 필요한 데이터의 종류를 스스로 학습함으로써, 상황 판단을 위한 기준을 발견하는 비지도 학습(unsupervised learning)을 통하여, 데이터 인식 모델을 학습시킬 수 있다. 또한, 모델 학습부(810-4)는, 예를 들어, 학습에 따른 상황 판단의 결과가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 데이터 인식 모델을 학습시킬 수 있다.
또한, 데이터 인식 모델이 학습되면, 모델 학습부(810-4)는 학습된 데이터 인식 모델을 저장할 수 있다. 이 경우, 모델 학습부(810-4)는 학습된 데이터 인식 모델을 데이터 인식부(820)를 포함하는 의료 영상 장치(300)의 메모리에 저장할 수 있다. 또는, 모델 학습부(810-4)는 학습된 데이터 인식 모델을 후술할 데이터 인식부(820)를 포함하는 의료 영상 장치(300)의 메모리에 저장할 수 있다. 또는, 모델 학습부(810-4)는 학습된 데이터 인식 모델을 의료 영상 장치(300)와 유선 또는 무선 네트워크로 연결되는 서버의 메모리에 저장할 수도 있다.
이 경우, 학습된 데이터 인식 모델이 저장되는 메모리는, 예를 들면, 의료 영상 장치(300)의 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(810-5)는 데이터 인식 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 인식 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(810-4)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 데이터 인식 모델을 평가하기 위한 기 설정된 데이터일 수 있다.
예를 들어, 모델 평가부(810-5)는 평가 데이터에 대한 학습된 데이터 인식 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 데이터 인식 모델이 총 1000개의 평가 데이터 중의 20개를 초과하는 평가 데이터에 대하여 잘못된 인식 결과를 출력하는 경우, 모델 평가부(810-5)는 학습된 데이터 인식 모델이 적합하지 않은 것으로 평가할 수 있다.
한편, 학습된 데이터 인식 모델이 복수 개가 존재하는 경우, 모델 평가부(810-5)는 각각의 학습된 동영상 인식 모델에 대하여 소정 기준을 만족하는지를 평가하고, 소정 기준을 만족하는 모델을 최종 데이터 인식 모델로서 결정할 수 있다. 이 경우, 소정 기준을 만족하는 모델이 복수 개인 경우, 모델 평가부(810-5)는 평가 점수가 높은 순으로 미리 설정된 어느 하나 또는 소정 개수의 모델을 최종 데이터 인식 모델로서 결정할 수 있다.
한편, 데이터 학습부(810) 내의 데이터 획득부(810-1), 전처리부(810-2), 학습 데이터 선택부(810-3), 모델 학습부(810-4) 및 모델 평가부(810-5) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 의료 영상 장치(300)에 탑재될 수 있다. 예를 들어, 데이터 획득부(810-1), 전처리부(810-2), 학습 데이터 선택부(810-3), 모델 학습부(810-4) 및 모델 평가부(810-5) 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 의료 영상 장치(300)에 탑재될 수도 있다.
또한, 데이터 획득부(810-1), 전처리부(810-2), 학습 데이터 선택부(810-3), 모델 학습부(810-4) 및 모델 평가부(810-5)는 하나의 장치에 탑재될 수도 있으며, 또는 별개의 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(810-1), 전처리부(810-2), 학습 데이터 선택부(810-3), 모델 학습부(810-4) 및 모델 평가부(810-5) 중 일부는 의료 영상 장치(300)에 포함되고, 나머지 일부는 서버에 포함될 수 있다.
또한, 데이터 획득부(810-1), 전처리부(810-2), 학습 데이터 선택부(810-3), 모델 학습부(810-4) 및 모델 평가부(810-5) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(810-1), 전처리부(810-2), 학습 데이터 선택부(810-3), 모델 학습부(810-4) 및 모델 평가부(810-5) 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 10은 일 실시예에 따른 데이터 인식부(820)의 블록도이다.
도 10을 참조하면, 일 실시예에 따른 데이터 인식부(820)는 데이터 획득부(820-1), 전처리부(820-2), 인식 데이터 선택부(820-3), 인식 결과 제공부(820-4) 및 모델 갱신부(820-5)를 포함할 수 있다.
데이터 획득부(820-1)는 상황 판단에 필요한 데이터를 획득할 수 있으며, 전처리부(820-2)는 상황 판단을 위해 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(820-2)는 후술할 인식 결과 제공부(820-4)가 상황 판단을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.
인식 데이터 선택부(820-3)는 전처리된 데이터 중에서 상황 판단에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 인식 결과 제공부(820-4)에게 제공될 수 있다. 인식 데이터 선택부(820-3)는 상황 판단을 위한 기 설정된 기준에 따라, 전처리된 데이터 중에서 일부 또는 전부를 선택할 수 있다. 또한, 인식 데이터 선택부(820-3)는 후술할 모델 학습부(810-4)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.
인식 결과 제공부(820-4)는 선택된 데이터를 데이터 인식 모델에 적용하여 상황을 판단할 수 있다. 인식 결과 제공부(820-4)는 데이터의 인식 목적에 따른 인식 결과를 제공할 수 있다. 인식 결과 제공부(820-4)는 인식 데이터 선택부(820-3)에 의해 선택된 데이터를 입력 값으로 이용함으로써, 선택된 데이터를 데이터 인식 모델에 적용할 수 있다. 또한, 인식 결과는 데이터 인식 모델에 의해 결정될 수 있다.
모델 갱신부(820-5)는 인식 결과 제공부(820-4)에 의해 제공되는 인식 결과에 대한 평가에 기초하여, 데이터 인식 모델이 갱신되도록 할 수 있다. 예를 들어, 모델 갱신부(820-5)는 인식 결과 제공부(820-4)에 의해 제공되는 인식 결과를 모델 학습부(810-4)에게 제공함으로써, 모델 학습부(810-4)가 데이터 인식 모델을 갱신하도록 할 수 있다.
한편, 데이터 인식부(820) 내의 데이터 획득부(820-1), 전처리부(820-2), 인식 데이터 선택부(820-3), 인식 결과 제공부(820-4) 및 모델 갱신부(820-5) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 의료 영상 장치(300)에 탑재될 수 있다. 예를 들어, 데이터 획득부(820-1), 전처리부(820-2), 인식 데이터 선택부(820-3), 인식 결과 제공부(820-4) 및 모델 갱신부(820-5) 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 의료 영상 장치(300)에 탑재될 수도 있다.
또한, 데이터 획득부(820-1), 전처리부(820-2), 인식 데이터 선택부(820-3), 인식 결과 제공부(820-4) 및 모델 갱신부(820-5)는 하나의 장치에 탑재될 수도 있으며, 또는 별개의 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(820-1), 전처리부(820-2), 인식 데이터 선택부(820-3), 인식 결과 제공부(820-4) 및 모델 갱신부(820-5) 중 일부는 의료 영상 장치(300)에 포함되고, 나머지 일부는 서버에 포함될 수 있다.
또한, 데이터 획득부(820-1), 전처리부(820-2), 인식 데이터 선택부(820-3), 인식 결과 제공부(820-4) 및 모델 갱신부(820-5) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(820-1), 전처리부(820-2), 인식 데이터 선택부(820-3), 인식 결과 제공부(820-4) 및 모델 갱신부(820-5) 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 11은 일 실시예에 따라 트레이닝 데이터를 관리하는 일례를 나타낸 도면이다.
일 실시예에 따르면, 의료 영상 장치(300)는 소정의 특징 값에 대해, 독립적으로 트레이닝 데이터와 최적화 계수를 관리할 수 있다. 소정의 특징 값은 예를 들면, 사용자 특징, 사용 환경 특징, 장치 특징, 환자 특징, 및 스캔 제어 특징 중 적어도 하나일 수 있다. 예를 들면, 의료 영상 장치(300)는 사용자 별로, 최적화 계수를 독립적으로 관리할 수 있다. 이를 위해, 의료 영상 장치는, 사용자 별로, 트레이닝 데이터를 독립적으로 관리하고, 각 사용자에 대한 트레이닝 데이터에 기초하여, 최적화 계수를 산출할 수 있다. 사용자 별로 최적화 계수 및 트레이닝 데이터를 관리하는 경우, 사용자 식별 정보에 기초하여 트레이닝 데이터 및 최적화 계수가 별개로 관리될 수 있다.
의료 영상 장치(300)는 소정의 특징 값에 대해 서로 독립적인 작업 공간(1120, 1130)을 저장부(340)에 할당하여 트레이닝 데이터 및 최적화 계수를 관리할 수 있다. 도 11은 추정 파라미터 값과, 제1 제어 신호에 의한 사용자 지정 파라미터 값이 서로 매칭된 트레이닝 데이터(1112)를 나타낸다. 일 실시예에 따르면, 의료 영상 장치(300)는 메인 작업 공간(1110), 제1 작업 공간(1120), 및 제2 작업 공간(1130)을 저장부(340)에 할당할 수 있다. 메인 작업 공간(1110)은 특징 값의 구별 없이 트레이닝 데이터(1112) 및 최적화 계수(1114)를 저장하고 관리할 수 있다. 제1 작업 공간(1120)은 제1 사용자에 대한 트레이닝 데이터(1122) 및 최적화 계수(1124)를 저장하고 관리할 수 있다. 제2 작업 공간(1130)은 제2 사용자에 대한 트레이닝 데이터(1132) 및 최적화 계수(1134)를 저장하고 관리할 수 있다. 프로세서(320)는 제1 사용자에 대한 제1 제어 신호의 입력이 있는 경우, 해당 트레이닝 데이터를 제1 작업 공간(1120)에 저장하고, 제1 작업 공간(1120)의 트레이닝 데이터에 기초하여, 최적화 계수(1124)를 갱신한다. 프로세서(320)는 제2 사용자에 대한 제1 제어 신호의 입력이 있는 경우, 해당 트레이닝 데이터를 제2 작업 공간(1130)에 저장하고, 제2 작업 공간(1130)의 트레이닝 데이터에 기초하여, 최적화 계수(1134)를 갱신한다. 메인 작업 공간(1110)은 사전 트레이닝 데이터와 신규 트레이닝 데이터를 포함하고, 제1 작업 공간(1120) 및 제2 작업 공간(1130)은 신규 트레이닝 데이터를 포함할 수 있다.
도 12는 일 실시예에 따른 의료 영상 장치의 제어 방법을 나타낸 흐름도이다.
일 실시예에 따른 의료 영상 장치의 제어 방법은, 다양한 종류의 의료 영상 장치에 의해 수행될 수 있다. 본 개시에서는 개시된 실시예들에 따른 의료 영상 장치(300)가 의료 영상 장치의 제어 방법을 수행하는 실시예를 중심으로 설명하지만, 본 개시의 실시예가 이에 한정되는 것은 아니다. 본 개시에서 의료 영상 장치(300)에 대해 개시된 실시예는 의료 영상 장치 제어 방법에 대해서도 적용될 수 있으며, 의료 영상 장치 제어 방법에 대해 개시된 실시예는 의료 영상 장치에 대해 적용될 수 있다.
의료 영상 장치(300)는 의료 영상으로부터 특징 값을 결정한다(S1202). 의료 영상 장치(300)는 의료 영상으로부터 영상 특징 값을 획득할 수 있다.
다음으로, 의료 영상 장치(300)는 영상 특징 값 및 최적화 계수에 기초하고, 신경망 프로세서를 이용하여, 파라미터 값을 결정할 수 있다(S1204).
의료 영상 장치(300)는 결정된 파라미터 값에 기초하여 생성된 결과 의료 영상을 출력할 수 있다(S1206). 예를 들면, 의료 영상 장치(300)는 결과 의료 영상을 디스플레이하거나, 통신부를 통해 외부 장치로 전송할 수 있다.
의료 영상 장치(300)는 파라미터 값을 수정하는 제1 제어 입력을 수신하고(S1208), 제1 제어 입력에 기초하여 파라미터 값을 설정할 수 있다.
또한, 제1 제어 입력에 의해 설정된 파라미터 값을 트레이닝 데이터로 이용하여, 최적화 계수를 갱신할 수 있다(S1210).
개시된 실시예들은 컴퓨터로 읽을 수 있는 저장 매체(computer-readable storage media)에 저장된 명령어를 포함하는 S/W 프로그램으로 구현될 수 있다.
컴퓨터는, 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 개시된 실시예에 따른 동작이 가능한 장치로서, 개시된 실시예들에 따른 초음파 진단 장치를 포함할 수 있다.
컴퓨터로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장매체가 신호(signal)를 포함하지 않으며 실재(tangible)한다는 것을 의미할 뿐 데이터가 저장매체에 반영구적 또는 임시적으로 저장됨을 구분하지 않는다.
또한, 개시된 실시예들에 따른 의료 영상 장치 및 그 제어 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다.
컴퓨터 프로그램 제품은 S/W 프로그램, S/W 프로그램이 저장된 컴퓨터로 읽을 수 있는 저장 매체를 포함할 수 있다. 예를 들어, 컴퓨터 프로그램 제품은 의료 영상 장치의 제조사 또는 전자 마켓(예, 구글 플레이 스토어, 앱 스토어)을 통해 전자적으로 배포되는 S/W 프로그램 형태의 상품(예, 다운로더블 앱)을 포함할 수 있다. 전자적 배포를 위하여, S/W 프로그램의 적어도 일부는 저장 매체에 저장되거나, 임시적으로 생성될 수 있다. 이 경우, 저장 매체는 제조사의 서버, 전자 마켓의 서버, 또는 SW 프로그램을 임시적으로 저장하는 중계 서버의 저장매체가 될 수 있다.
컴퓨터 프로그램 제품은, 서버 및 단말(예로, 초음파 진단 장치)로 구성되는 시스템에서, 서버의 저장매체 또는 단말의 저장매체를 포함할 수 있다. 또는, 서버 또는 단말과 통신 연결되는 제3 장치(예, 스마트폰)가 존재하는 경우, 컴퓨터 프로그램 제품은 제3 장치의 저장매체를 포함할 수 있다. 또는, 컴퓨터 프로그램 제품은 서버로부터 단말 또는 제3 장치로 전송되거나, 제3 장치로부터 단말로 전송되는 S/W 프로그램 자체를 포함할 수 있다.
이 경우, 서버, 단말 및 제3 장치 중 하나가 컴퓨터 프로그램 제품을 실행하여 개시된 실시예들에 따른 방법을 수행할 수 있다. 또는, 서버, 단말 및 제3 장치 중 둘 이상이 컴퓨터 프로그램 제품을 실행하여 개시된 실시예들에 따른 방법을 분산하여 실시할 수 있다.
예를 들면, 서버(예로, 클라우드 서버 또는 인공 지능 서버 등)가 서버에 저장된 컴퓨터 프로그램 제품을 실행하여, 서버와 통신 연결된 단말이 개시된 실시예들에 따른 방법을 수행하도록 제어할 수 있다.
또 다른 예로, 제3 장치가 컴퓨터 프로그램 제품을 실행하여, 제3 장치와 통신 연결된 단말이 개시된 실시예에 따른 방법을 수행하도록 제어할 수 있다. 구체적인 예로, 제3 장치는 초음파 진단 장치를 원격 제어하여, 초음파 진단 장치가 초음파 신호를 대상체로 조사하고, 대상체로부터 반사된 신호 정보에 기초하여 대상체 내부의 부위에 대한 영상을 생성하도록 제어할 수 있다.
또 다른 예로, 제3 장치가 컴퓨터 프로그램 제품을 실행하여, 보조 장치(예로, 의료기기의 프로브)로부터 입력된 값에 기초하여 개시된 실시예에 따른 방법을 직접 수행할 수도 있다. 구체적인 예로, 보조 장치가 초음파 신호를 대상체로 조사하고, 대상체로부터 반사된 초음파 신호를 획득할 수 있다. 제3 장치는 보조 장치로부터 반사된 신호 정보를 입력 받고, 입력된 신호 정보에 기초하여 대상체 내부의 부위에 대한 영상을 생성할 수 있다.
제3 장치가 컴퓨터 프로그램 제품을 실행하는 경우, 제3 장치는 서버로부터 컴퓨터 프로그램 제품을 다운로드하고, 다운로드된 컴퓨터 프로그램 제품을 실행할 수 있다. 또는, 제3 장치는 프리로드된 상태로 제공된 컴퓨터 프로그램 제품을 실행하여 개시된 실시예들에 따른 방법을 수행할 수도 있다.

Claims (20)

  1. 학습 데이터(training data) 및 최적화 계수를 저장하는 저장부;
    입력된 의료 영상으로부터 적어도 하나의 영상 특징 값을 결정하고(identify), 상기 적어도 하나의 영상 특징 값 및 상기 최적화 계수에 기초하고, 신경망 프로세서를 이용하여, 의료 영상 장치의 적어도 하나의 파라미터의 값을 결정하는(identify) 적어도 하나의 프로세서;
    상기 결정된 적어도 하나의 파라미터의 값에 기초하여 생성된 결과 영상을 출력하는 출력부; 및
    상기 적어도 하나의 파라미터의 값을 수정하는 제1 제어 입력을 수신하는 입력부를 포함하고,
    상기 적어도 하나의 프로세서는, 상기 학습 데이터 및 상기 제1 제어 입력을 이용한 학습(training)을 통해, 상기 최적화 계수를 갱신하는, 의료 영상 장치.
  2. 제1항에 있어서,
    상기 적어도 하나의 프로세서는, 상기 의료 영상 장치의 적어도 하나의 사용자 특징 값을 상기 신경망 프로세서의 입력 값으로 이용하여, 상기 적어도 하나의 파라미터의 값을 결정하는, 의료 영상 장치.
  3. 제1항에 있어서,
    상기 적어도 하나의 프로세서는, 상기 의료 영상 장치의 사용 환경 특징 값을 상기 신경망 프로세서의 입력 값으로 이용하여, 상기 적어도 하나의 파라미터의 값을 결정하는, 의료 영상 장치.
  4. 제1항에 있어서,
    상기 적어도 하나의 프로세서는, 상기 의료 영상 장치에 대응하는 장치 특징 값을 상기 신경망 프로세서의 입력 값으로 이용하여, 상기 적어도 하나의 파라미터의 값을 결정하는, 의료 영상 장치.
  5. 제1항에 있어서,
    상기 적어도 하나의 프로세서는, 상기 의료 영상 장치의 대상체에 대응하는 환자 특징 값을 상기 신경망 프로세서의 입력 값으로 이용하여, 상기 적어도 하나의 파라미터의 값을 결정하는, 의료 영상 장치.
  6. 제1항에 있어서,
    상기 적어도 하나의 프로세서는, 상기 의료 영상 장치의 스캔 제어 특징 값을 상기 신경망 프로세서의 입력 값으로 이용하여, 상기 적어도 하나의 파라미터의 값을 결정하고,
    상기 스캔 제어 특징 값은, 프로토콜, 관심 영역(region of interest)의 종류, 및 관심 영역의 위치 중 적어도 하나 또는 이들의 조합을 포함하는, 의료 영상 장치.
  7. 제1항에 있어서,
    상기 적어도 하나의 프로세서는, 상기 제1 제어 입력을 수신하는 그래픽 사용자 인터페이스를 제공하고,
    상기 그래픽 사용자 인터페이스의 인터페이스 뷰(view)는, 상기 적어도 하나의 파라미터 각각에 대한 복수의 후보 값을 이용하여 생성된 복수의 후보 의료 영상들을 포함하고,
    상기 적어도 하나의 프로세서는, 상기 복수의 후보 의료 영상 중 하나를 선택하는 제1 제어 입력에 기초하여, 선택된 후보 의료 영상에 대응하는 후보 값을 상기 적어도 하나의 파라미터의 값으로 결정하는, 의료 영상 장치.
  8. 제7항에 있어서,
    상기 적어도 하나의 파라미터는, 복수의 값들의 세트에 대응하는 제1 파라미터를 포함하고,
    상기 인터페이스 뷰는, 상기 제1 파라미터의 복수의 값들의 세트를 나타내는 복수의 후보 그래프를 포함하고,
    상기 적어도 하나의 프로세서는, 상기 복수의 후보 그래프 중 하나를 선택하는 상기 제1 제어 신호에 기초하여, 선택된 후보 그래프를 상기 제1 파라미터의 값으로 결정하는, 의료 영상 장치.
  9. 제1항에 있어서,
    상기 최적화 계수는, 제1 특징의 복수의 값 각각에 대한 개별 최적화 계수를 포함하고,
    상기 제1 특징은, 사용자 특징, 사용 환경 특징, 장치 특징, 환자 특징, 및 스캔 제어 특징 중 하나인, 의료 영상 장치.
  10. 제1항에 있어서,
    상기 적어도 하나의 프로세서는, 상기 갱신된 최적화 계수를 상기 저장부에 저장하고, 상기 제1 제어 입력에 대응하는 상기 적어도 하나의 영상 특징 값과 상기 적어도 하나의 파라미터를 상기 학습 데이터로서 상기 저장부에 저장하는, 의료 영상 장치.
  11. 입력된 의료 영상으로부터 적어도 하나의 영상 특징 값을 결정하는(identify) 단계;
    상기 적어도 하나의 영상 특징 값 및 최적화 계수에 기초하고, 신경망 프로세서를 이용하여, 의료 영상 장치의 적어도 하나의 파라미터의 값을 결정하는(identify) 단계;
    상기 적어도 하나의 파라미터의 값에 기초하여 생성된 결과 영상을 출력하는 단계;
    상기 적어도 하나의 파라미터의 값을 수정하는 제1 제어 입력을 수신하는 단계; 및
    상기 학습 데이터 및 상기 제1 제어 입력을 이용한 학습(training)을 통해, 상기 최적화 계수를 갱신하는 단계를 포함하는, 의료 영상 장치 제어 방법.
  12. 제11항에 있어서,
    상기 의료 영상 장치의 적어도 하나의 사용자 특징 값을 상기 신경망 프로세서의 입력 값으로 이용하여, 상기 적어도 하나의 파라미터의 값을 결정하는 단계를 더 포함하는 의료 영상 장치 제어 방법.
  13. 제11항에 있어서,
    상기 의료 영상 장치의 사용 환경 특징 값을 상기 신경망 프로세서의 입력 값으로 이용하여, 상기 적어도 하나의 파라미터의 값을 결정하는 단계를 더 포함하는 의료 영상 장치 제어 방법.
  14. 제11항에 있어서,
    상기 의료 영상 장치에 대응하는 장치 특징 값을 상기 신경망 프로세서의 입력 값으로 이용하여, 상기 적어도 하나의 파라미터의 값을 결정하는 단계를 더 포함하는 의료 영상 장치 제어 방법.
  15. 제11항에 있어서,
    상기 의료 영상 장치의 대상체에 대응하는 환자 특징 값을 상기 신경망 프로세서의 입력 값으로 이용하여, 상기 적어도 하나의 파라미터의 값을 결정하는 단계를 더 포함하는 의료 영상 장치 제어 방법.
  16. 제11항에 있어서,
    상기 의료 영상 장치의 스캔 제어 특징 값을 상기 신경망 프로세서의 입력 값으로 이용하여, 상기 적어도 하나의 파라미터의 값을 결정하는 단계를 더 포함하고,
    상기 스캔 제어 특징 값은, 프로토콜, 관심 영역(region of interest)의 종류, 및 관심 영역의 위치 중 적어도 하나 또는 이들의 조합을 포함하는, 의료 영상 장치 제어 방법.
  17. 제11항에 있어서,
    상기 의료 영상 장치 제어 방법은, 상기 제1 제어 입력을 수신하는 그래픽 사용자 인터페이스를 제공하는 단계를 더 포함하고,
    상기 그래픽 사용자 인터페이스의 인터페이스 뷰(view)는, 상기 적어도 하나의 파라미터 각각에 대한 복수의 후보 값을 이용하여 생성된 복수의 후보 의료 영상들을 포함하고,
    상기 의료 영상 장치 제어 방법은, 상기 복수의 후보 의료 영상 중 하나를 선택하는 제1 제어 입력에 기초하여, 선택된 후보 의료 영상에 대응하는 후보 값을 상기 적어도 하나의 파라미터의 값으로 결정하는 단계를 더 포함하는, 의료 영상 장치 제어 방법.
  18. 제17항에 있어서,
    상기 적어도 하나의 파라미터는, 복수의 값들의 세트에 대응하는 제1 파라미터를 포함하고,
    상기 인터페이스 뷰는, 상기 제1 파라미터의 복수의 값들의 세트를 나타내는 복수의 후보 그래프를 포함하고,
    상기 의료 영상 장치 제어 방법은, 상기 복수의 후보 그래프 중 하나를 선택하는 상기 제1 제어 신호에 기초하여, 선택된 후보 그래프를 상기 제1 파라미터의 값으로 결정하는 단계를 더 포함하는, 의료 영상 장치 제어 방법.
  19. 제11항에 있어서,
    상기 최적화 계수는, 제1 특징의 복수의 값 각각에 대한 개별 최적화 계수를 포함하고,
    상기 제1 특징은, 사용자 특징, 사용 환경 특징, 장치 특징, 환자 특징, 및 스캔 제어 특징 중 하나인, 의료 영상 장치 제어 방법.
  20. 의료 영상 장치 제어 방법을 수행하는 컴퓨터 프로그램 코드들을 저장하는 컴퓨터 판독가능 저장매체를 포함하는 컴퓨터 프로그램 제품에 있어서, 상기 의료 영상 장치 제어 방법은,
    입력된 의료 영상으로부터 적어도 하나의 영상 특징 값을 결정하는(identify) 단계;
    상기 적어도 하나의 영상 특징 값 및 최적화 계수에 기초하고, 신경망 프로세서를 이용하여, 의료 영상 장치의 적어도 하나의 파라미터의 값을 결정하는(identify) 단계;
    상기 적어도 하나의 파라미터의 값에 기초하여 생성된 결과 영상을 출력하는 단계;
    상기 적어도 하나의 파라미터의 값을 수정하는 제1 제어 입력을 수신하는 단계; 및
    상기 학습 데이터 및 상기 제1 제어 입력을 이용한 학습(training)을 통해, 상기 최적화 계수를 갱신하는 단계를 포함하는, 컴퓨터 프로그램 제품.
KR1020180031126A 2018-03-16 2018-03-16 의료 영상 장치, 그 제어 방법, 및 컴퓨터 프로그램 KR102656543B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020180031126A KR102656543B1 (ko) 2018-03-16 2018-03-16 의료 영상 장치, 그 제어 방법, 및 컴퓨터 프로그램
EP19161521.0A EP3540740A1 (en) 2018-03-16 2019-03-08 Medical imaging apparatus, medical imaging apparatus control method, and computer program product
US16/354,571 US11331081B2 (en) 2018-03-16 2019-03-15 Medical imaging apparatus, medical imaging apparatus control method, and computer program product

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180031126A KR102656543B1 (ko) 2018-03-16 2018-03-16 의료 영상 장치, 그 제어 방법, 및 컴퓨터 프로그램

Publications (2)

Publication Number Publication Date
KR20190109141A true KR20190109141A (ko) 2019-09-25
KR102656543B1 KR102656543B1 (ko) 2024-04-12

Family

ID=65729166

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180031126A KR102656543B1 (ko) 2018-03-16 2018-03-16 의료 영상 장치, 그 제어 방법, 및 컴퓨터 프로그램

Country Status (3)

Country Link
US (1) US11331081B2 (ko)
EP (1) EP3540740A1 (ko)
KR (1) KR102656543B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200141323A (ko) * 2019-06-10 2020-12-18 포항공과대학교 산학협력단 초음파 영상 생성 방법 및 이를 수행하는 장치들
KR102313661B1 (ko) * 2020-12-30 2021-10-19 뉴로핏 주식회사 특성 정보를 고려한 의료 영상 분석 방법, 의료 영상 분석 장치 및 의료 영상 분석 시스템
WO2023215363A1 (en) * 2022-05-03 2023-11-09 Quantivly Inc. Identifying medical imaging protocols based on radiology data and metadata

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6818424B2 (ja) * 2016-04-13 2021-01-20 キヤノン株式会社 診断支援装置、情報処理方法、診断支援システム及びプログラム
US10878311B2 (en) * 2018-09-28 2020-12-29 General Electric Company Image quality-guided magnetic resonance imaging configuration
US20210096934A1 (en) * 2019-10-01 2021-04-01 Shanghai United Imaging Intelligence Co., Ltd. Systems and methods for enhancing a patient positioning system
EP3828894A1 (en) 2019-11-27 2021-06-02 Siemens Healthcare GmbH Medical user interface
CN113126871A (zh) * 2019-12-30 2021-07-16 无锡祥生医疗科技股份有限公司 增益调节方法、系统及存储介质
USD977114S1 (en) * 2021-04-01 2023-01-31 Classys Inc. High frequency therapy device
USD977113S1 (en) * 2021-04-01 2023-01-31 Classys Inc. Ultrasound therapy device

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005040301A (ja) * 2003-07-28 2005-02-17 Toshiba Corp 超音波診断装置及びその診断パラメータ設定方法
JP2013176409A (ja) * 2012-02-28 2013-09-09 Hitachi Ltd 超音波撮像装置の画質評価方法および装置
US20160209995A1 (en) * 2015-01-19 2016-07-21 Samsung Electronics Co., Ltd. Image processing apparatus, medical imaging apparatus, and image processing method
US20170103512A1 (en) * 2015-10-13 2017-04-13 Siemens Healthcare Gmbh Learning-based framework for personalized image quality evaluation and optimization
KR20170098481A (ko) * 2016-02-22 2017-08-30 주식회사 힐세리온 휴대용 초음파 장치를 위한 파라미터 자동 세팅
KR20180074153A (ko) * 2016-12-23 2018-07-03 삼성전자주식회사 의료 영상 장치 및 의료 영상 처리 방법
US20200345330A1 (en) * 2017-11-24 2020-11-05 Chison Medical Technologies Co., Ltd. Method for optimizing ultrasonic imaging system parameter based on deep learning

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10324908B4 (de) 2003-05-30 2007-03-22 Siemens Ag Selbstlernendes Verfahren zur Bildaufbereitung von digitalen Röntgenbildern sowie zugehörige Vorrichtung
US7627386B2 (en) * 2004-10-07 2009-12-01 Zonaire Medical Systems, Inc. Ultrasound imaging system parameter optimization via fuzzy logic
US9161734B2 (en) 2009-11-27 2015-10-20 Cadens Medical Imaging Inc. Method and system for filtering image data and use thereof in virtual endoscopy
KR101630761B1 (ko) 2012-09-24 2016-06-15 삼성전자주식회사 초음파 장치 및 초음파 장치의 정보 제공 방법
US11361849B2 (en) 2013-11-13 2022-06-14 Koninklijke Philips N.V. Hierarchical self-learning system for computerized clinical diagnostic support
KR101562942B1 (ko) 2013-12-09 2015-10-23 알피니언메디칼시스템 주식회사 초음파 영상에 대한 설정치 조정 방법 및 장치
KR102411600B1 (ko) 2014-11-04 2022-06-22 삼성전자주식회사 초음파 진단 장치 및 이의 제어 방법
US10420533B2 (en) 2014-11-04 2019-09-24 Samsung Electronics Co., Ltd. Ultrasound diagnosis apparatus and control method thereof
KR102426784B1 (ko) 2015-05-29 2022-07-29 삼성전자주식회사 초음파 장치 및 초음파 장치의 초음파 영상 표시 방법
US10682122B2 (en) 2015-12-03 2020-06-16 Siemens Medical Solutions Usa, Inc. Image-based user interface for controlling medical imaging

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005040301A (ja) * 2003-07-28 2005-02-17 Toshiba Corp 超音波診断装置及びその診断パラメータ設定方法
JP2013176409A (ja) * 2012-02-28 2013-09-09 Hitachi Ltd 超音波撮像装置の画質評価方法および装置
US20160209995A1 (en) * 2015-01-19 2016-07-21 Samsung Electronics Co., Ltd. Image processing apparatus, medical imaging apparatus, and image processing method
KR20160089194A (ko) * 2015-01-19 2016-07-27 삼성전자주식회사 영상 처리 장치, 의료영상 장치 및 영상 처리 방법
US20170103512A1 (en) * 2015-10-13 2017-04-13 Siemens Healthcare Gmbh Learning-based framework for personalized image quality evaluation and optimization
KR20170098481A (ko) * 2016-02-22 2017-08-30 주식회사 힐세리온 휴대용 초음파 장치를 위한 파라미터 자동 세팅
KR20180074153A (ko) * 2016-12-23 2018-07-03 삼성전자주식회사 의료 영상 장치 및 의료 영상 처리 방법
US20200345330A1 (en) * 2017-11-24 2020-11-05 Chison Medical Technologies Co., Ltd. Method for optimizing ultrasonic imaging system parameter based on deep learning

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200141323A (ko) * 2019-06-10 2020-12-18 포항공과대학교 산학협력단 초음파 영상 생성 방법 및 이를 수행하는 장치들
KR102313661B1 (ko) * 2020-12-30 2021-10-19 뉴로핏 주식회사 특성 정보를 고려한 의료 영상 분석 방법, 의료 영상 분석 장치 및 의료 영상 분석 시스템
WO2023215363A1 (en) * 2022-05-03 2023-11-09 Quantivly Inc. Identifying medical imaging protocols based on radiology data and metadata

Also Published As

Publication number Publication date
US11331081B2 (en) 2022-05-17
EP3540740A1 (en) 2019-09-18
KR102656543B1 (ko) 2024-04-12
US20190282214A1 (en) 2019-09-19

Similar Documents

Publication Publication Date Title
KR102656543B1 (ko) 의료 영상 장치, 그 제어 방법, 및 컴퓨터 프로그램
US10964424B2 (en) Ultrasound image recognition systems and methods utilizing an artificial intelligence network
CN112288742B (zh) 用于超声探头的导航方法、装置、存储介质以及电子设备
KR20190060606A (ko) 의료 영상 진단 장치 및 방법
KR102660563B1 (ko) 태아 심장의 이상 여부를 판단하는 초음파 진단 장치 및 초음파 진단 장치의 동작 방법
US20180214134A1 (en) Ultrasound diagnosis apparatus and method of operating the same
US11317895B2 (en) Ultrasound diagnosis apparatus and method of operating the same
US20230062672A1 (en) Ultrasonic diagnostic apparatus and method for operating same
US20220148158A1 (en) Robust segmentation through high-level image understanding
EP3520704B1 (en) Ultrasound diagnosis apparatus and method of controlling the same
KR102557389B1 (ko) 초음파 영상장치 및 그 제어 방법
EP3360485A1 (en) Ultrasonic diagnostic apparatus and control method of ultrasonic diagnostic apparatus
US20210219943A1 (en) Ultrasound diagnosis apparatus and operating method for the same
KR20210056884A (ko) 의료 영상 출력 장치 및 이를 이용한 의료 영상 출력 방법
KR20190088285A (ko) 의료 영상 장치, 그 제어 방법, 및 컴퓨터 프로그램 제품
US20240023939A1 (en) Ultrasound diagnostic apparatus and method for operating same
EP3851051B1 (en) Ultrasound diagnosis apparatus and operating method thereof
US11413019B2 (en) Method and apparatus for displaying ultrasound image of target object
US20240074736A1 (en) Ultrasonic image providing method and learning algorithm thereof
EP3915486A1 (en) Ultrasonic imaging apparatus and display method thereof
KR20210094913A (ko) 초음파 진단 장치 및 이에 의한 초음파 영상의 관리 방법
KR20200140683A (ko) 초음파 영상과 3차원 의료 영상의 정렬을 위한 장치 및 방법
KR20200132144A (ko) 초음파 영상 장치 및 그 표시 방법
CN117357157A (zh) 用于自动确定用于脉管通路的针引导器的系统和方法
KR20180124704A (ko) 의료 장치로 스캔 프로토콜 정보 제공 방법 및 이를 위한 전자 장치

Legal Events

Date Code Title Description
N231 Notification of change of applicant
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)