KR20190117229A - 기계 학습을 사용하여 혈구성 질환을 진단하는 방법 및 기계 학습을 사용하여 혈구성 질환을 진단하는 장치 - Google Patents
기계 학습을 사용하여 혈구성 질환을 진단하는 방법 및 기계 학습을 사용하여 혈구성 질환을 진단하는 장치 Download PDFInfo
- Publication number
- KR20190117229A KR20190117229A KR1020180040470A KR20180040470A KR20190117229A KR 20190117229 A KR20190117229 A KR 20190117229A KR 1020180040470 A KR1020180040470 A KR 1020180040470A KR 20180040470 A KR20180040470 A KR 20180040470A KR 20190117229 A KR20190117229 A KR 20190117229A
- Authority
- KR
- South Korea
- Prior art keywords
- blood cells
- red blood
- light intensity
- image
- diagnosing
- Prior art date
Links
- 208000014951 hematologic disease Diseases 0.000 title claims abstract description 36
- 238000010801 machine learning Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 26
- 210000003743 erythrocyte Anatomy 0.000 claims abstract description 256
- 208000018706 hematopoietic system disease Diseases 0.000 claims abstract description 44
- 238000000149 argon plasma sintering Methods 0.000 claims abstract description 26
- 201000004792 malaria Diseases 0.000 claims description 43
- 238000009826 distribution Methods 0.000 claims description 39
- 210000004369 blood Anatomy 0.000 claims description 33
- 239000008280 blood Substances 0.000 claims description 33
- 208000015181 infectious disease Diseases 0.000 claims description 23
- 239000000284 extract Substances 0.000 claims description 22
- 238000003745 diagnosis Methods 0.000 claims description 19
- 230000003287 optical effect Effects 0.000 claims description 17
- 238000012706 support-vector machine Methods 0.000 claims description 16
- 238000009792 diffusion process Methods 0.000 claims description 10
- 201000010099 disease Diseases 0.000 claims description 10
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 10
- 238000003066 decision tree Methods 0.000 claims description 9
- 239000000203 mixture Substances 0.000 claims description 6
- 210000001090 spherocyte Anatomy 0.000 claims description 6
- 210000004027 cell Anatomy 0.000 claims description 4
- 208000019838 Blood disease Diseases 0.000 claims description 2
- 238000002405 diagnostic procedure Methods 0.000 claims 4
- 238000010586 diagram Methods 0.000 description 48
- 230000032683 aging Effects 0.000 description 26
- 239000000306 component Substances 0.000 description 20
- 241000894007 species Species 0.000 description 9
- 210000001772 blood platelet Anatomy 0.000 description 7
- 210000000265 leukocyte Anatomy 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 239000012503 blood component Substances 0.000 description 6
- 230000003394 haemopoietic effect Effects 0.000 description 4
- 238000000540 analysis of variance Methods 0.000 description 3
- 208000007502 anemia Diseases 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 206010061548 Red blood cell abnormality Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 102000001554 Hemoglobins Human genes 0.000 description 1
- 108010054147 Hemoglobins Proteins 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 210000000601 blood cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000006059 cover glass Substances 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 239000011859 microparticle Substances 0.000 description 1
- 238000000386 microscopy Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
Images
Classifications
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03H—HOLOGRAPHIC PROCESSES OR APPARATUS
- G03H1/00—Holographic processes or apparatus using light, infrared or ultraviolet waves for obtaining holograms or for obtaining an image from them; Details peculiar thereto
- G03H1/04—Processes or apparatus for producing holograms
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- General Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
실시예들은 기계 학습을 사용하여 혈구성 질환을 진단하는 방법 및 기계 학습을 사용하여 혈구성 질환을 진단하는 장치가 개시된다. 일 실시예에 따른 혈구성 질환 진단 방법은 디지털 인라인 홀로그래픽 현미경을 사용하여 적혈구의 홀로그램 영상을 획득하는 단계와, 상기 홀로그램 영상으로부터 투사 영상, 초점 평면 영상, 및 빛의 산란 패턴 중에서 적어도 하나를 획득하는 단계와, 상기 적어도 하나에 기초하여 분류 특징을 추출하는 단계와, 상기 분류 특징에 기계 학습 알고리즘을 사용함으로써 혈구성 질환을 진단하는 단계를 포함한다.
Description
실시예들은 기계 학습을 사용하여 혈구성 질환을 진단하는 방법 및 기계 학습을 사용하여 혈구성 질환을 진단하는 장치에 관한 것이다.
대부분을 차지하는 적혈구의 생물리학적 특성은 질병의 종류와 진행 추이에 따라 다르게 나타난다. 예를 들어, 혈액의 장기 보관에 의해 노화된 적혈구, 말라리아 원충에 의해 헤모글로빈이 파괴된 적혈구, 빈혈증에 걸린 적혈구(겸상 적혈구, 구상 적혈구)들은 형태학적 변화를 포함한 생물리학적 특성이 변화한다. 이에 따라, 이러한 혈구성 질환을 빠르고 정확하게 진단하기 위해서는 적혈구의 특성을 간단하고 정확하게 파악하는 것이 필수적이다.
적혈구의 형상 관찰에 많이 사용되고 있는 광학 현미경은 시료의 이차원 평면 영상 정보만을 제공하여 정확도가 낮고, 말라리아 진단의 경우 김자 염색과 같은 별도의 전처리 과정이 필요하다는 단점이 있다.
참조파와 물질파가 서로 다른 광경로를 가지는 위상차 홀로그래픽 현미경 기법을 사용하여 적혈구의 이상을 진단하는 방법이 소개되었지만 광학 배치가 복잡하고 이를 다룰 수 있는 전문가가 필요하다는 문제점이 있다.
한편, 디지털 인라인 홀로그래픽 현미경 기법 (digital in-line holographic microscopy)은 그 동안 미생물이나 미세입자들의 3차원 거동을 분석하는데 응용되어 왔지만, 적혈구의 홀로그램 영상으로부터 혈구성 질환을 진단하는 기술은 아직까지 제시된 적이 없다.
실시예들은 기계 학습을 사용하여 혈구성 질환을 진단하는 기술을 제공할 수 있다.
일 실시예에 따른 혈구성 질환 진단 방법은 디지털 인라인 홀로그래픽 현미경(digital in-line holographic microscope)을 사용하여 적혈구의 홀로그램 영상을 획득하는 단계와, 상기 홀로그램 영상으로부터 투사 영상, 초점 평면 영상, 및 빛의 산란 패턴 중에서 적어도 하나를 획득하는 단계와, 상기 적어도 하나에 기초하여 분류 특징을 추출하는 단계와, 상기 분류 특징에 기계 학습 알고리즘을 사용함으로써 혈구성 질환을 진단하는 단계를 포함한다.
상기 분류 특징을 추출하는 단계는, 상기 홀로그램 영상에 빛의 확산 공식을 적용함으로써 복수 개의 깊이의 영상을 획득하는 단계와, 상기 복수 개의 깊이의 영상을 하나의 평면에 투영시킴으로써 상기 투사 영상을 생성하는 단계와, 상기 투사 영상으로부터 상기 적혈구의 투영 면적 및 둘레 중 적어도 하나를 추출하는 단계를 포함하고, 상기 혈구성 질환을 진단하는 단계는, 상기 적어도 하나에 기초하여 상기 적혈구를 원판 적혈구(discocyte(DC)), 유극 적혈구(echinocyte(EC)), 및 구상 적혈구(spherocyte(SC)) 중에서 하나로 분류하는 단계를 포함할 수 있다,
상기 분류 특징을 추출하는 단계는, 상기 홀로그램 영상으로부터 상기 초점 평면 영상을 획득하는 단계와, 상기 초점 평면 영상으로부터 FWHM(full-width at half maximum), PPD(peak-to-peak distance), 최대(maximum) 빛 강도, 평균(average) 빛 강도, 빛 강도 분포의 표준 편차들(standard deviation(SD)) 중 적어도 하나를 추출하는 단계를 포함하고, 상기 혈구성 질환을 진단하는 단계는, 상기 적어도 하나에 기초하여 상기 적혈구를 원판 적혈구(discocyte(DC)), 유극 적혈구(echinocyte(EC)), 및 구상 적혈구(spherocyte(SC)) 중에서 하나로 분류하는 단계; 또는 상기 적어도 하나에 기초하여 상기 적혈구의 말라리아 감염 여부를 결정하는 단계를 포함할 수 있다.
상기 분류 특징을 추출하는 단계는, 상기 홀로그램 영상에 빛의 확산 공식을 적용함으로써 복수 개의 깊이의 영상을 획득하는 단계와, 상기 복수 개의 깊이의 영상을 깊이에 따른 빛 강도 분포를 광축 방향으로 축적함으로써 상기 빛의 산란 패턴을 획득하는 단계와, 상기 빛의 산란 패턴으로부터 실초점 거리, 허초점 거리, 빛 산란 패턴의 최대 빛 강도, 평균 빛 강도, 빛 강도 분포의 표준 편차들 중 적어도 하나를 추출하는 단계를 포함하고, 상기 혈구성 질환을 진단하는 단계는, 상기 적어도 하나에 기초하여 상기 적혈구를 원판 적혈구(discocyte(DC)), 유극 적혈구(echinocyte(EC)), 및 구상 적혈구(spherocyte(SC)) 중에서 하나로 분류하는 단계; 또는 상기 적어도 하나에 기초하여 상기 적혈구의 말라리아 감염 여부를 결정하는 단계를 포함할 수 있다.
상기 기계 학습 알고리즘은, 결정 나무 모델(decision tree model), 서포트 벡터 머신(support vector machine(SVM)), 선형 판별 분류(linear discriminant classification(LDC)), 및 k-최근접 이웃 알고리즘(k-nearest neighbors algorithm(k-nn)) 중에서 적어도 하나를 포함할 수 있다.
일 실시예에 따른 혈구성 질환 진단 장치는 디지털 인라인 홀로그래픽 현미경(digital in-line holographic microscope)으로부터 적혈구의 홀로그램 영상을 수신하는 송수신기와, 상기 홀로그램 영상으로부터 투사 영상, 초점 평면 영상, 및 빛의 산란 패턴 중에서 적어도 하나를 획득하고, 상기 적어도 하나에 기초하여 분류 특징을 추출하고, 상기 분류 특징에 기계 학습 알고리즘을 사용함으로써 혈구성 질환을 진단하는 컨트롤러를 포함한다.
상기 컨트롤러는, 상기 홀로그램 영상에 빛의 확산 공식을 적용함으로써 복수 개의 깊이의 영상을 획득하고, 상기 복수 개의 깊이의 영상을 하나의 평면에 투영시킴으로써 상기 투사 영상을 생성하고, 상기 투사 영상으로부터 상기 적혈구의 투영 면적 및 둘레 중 적어도 하나를 추출하고, 상기 적어도 하나에 기초하여 상기 적혈구를 원판 적혈구(discocyte(DC)), 유극 적혈구(echinocyte(EC)), 및 구상 적혈구(spherocyte(SC)) 중에서 하나로 분류할 수 있다.
상기 컨트롤러는, 상기 홀로그램 영상으로부터 상기 초점 평면 영상을 획득하고, 상기 초점 평면 영상으로부터 FWHM(full-width at half maximum), PPD(peak-to-peak distance), 최대(maximum) 빛 강도, 평균(average) 빛 강도, 빛 강도 분포의 표준 편차들(standard deviation(SD)) 중 적어도 하나를 추출하고, 상기 적어도 하나에 기초하여 상기 적혈구를 원판 적혈구(discocyte(DC)), 유극 적혈구(echinocyte(EC)), 및 구상 적혈구(spherocyte(SC)) 중에서 하나로 분류하거나, 또는 상기 적어도 하나에 기초하여 상기 적혈구의 말라리아 감염 여부를 결정할 수 있다.
상기 컨트롤러는, 상기 홀로그램 영상에 빛의 확산 공식을 적용함으로써 복수 개의 깊이의 영상을 획득하고, 상기 복수 개의 깊이의 영상을 깊이에 따른 빛 강도 분포를 광축 방향으로 축적함으로써 상기 빛의 산란 패턴을 획득하고, 상기 빛의 산란 패턴으로부터 실초점 거리, 허초점 거리, 빛 산란 패턴의 최대 빛 강도, 평균 빛 강도, 빛 강도 분포의 표준 편차들 중 적어도 하나를 추출하고, 상기 적어도 하나에 기초하여 상기 적혈구를 원판 적혈구(discocyte(DC)), 유극 적혈구(echinocyte(EC)), 및 구상 적혈구(spherocyte(SC)) 중에서 하나로 분류하거나, 또는 상기 적어도 하나에 기초하여 상기 적혈구의 말라리아 감염 여부를 결정할 수 있다.
도 1a는 일 실시예에 따른 혈구성 질환 진단 시스템의 블록도를 나타낸다.
도 1b는 일 실시예에 따른 현미경의 동작을 설명하기 위한 도면이다.
도 2a는 컨트롤러가 투사 영상으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 혈구성 질환을 진단하는 동작을 설명하기 위한 도면이다.
도 2b는 컨트롤러가 투사 영상으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 혈구성 질환을 진단하는 동작을 설명하기 위한 도면이다.
도 2c는 컨트롤러가 투사 영상으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 혈구성 질환을 진단하는 동작을 설명하기 위한 도면이다.
도 2d는 컨트롤러가 투사 영상으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 혈구성 질환을 진단하는 동작을 설명하기 위한 도면이다.
도 2e는 컨트롤러가 투사 영상으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 혈구성 질환을 진단하는 동작을 설명하기 위한 도면이다.
도 2f는 컨트롤러가 투사 영상으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 혈구성 질환을 진단하는 동작을 설명하기 위한 도면이다.
도 2g는 컨트롤러가 투사 영상으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 혈구성 질환을 진단하는 동작을 설명하기 위한 도면이다.
도 3a는 컨트롤러가 초점 평면 영상으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 노화를 진단하는 동작을 설명하기 위한 도면이다.
도 3b는 컨트롤러가 초점 평면 영상으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 노화를 진단하는 동작을 설명하기 위한 도면이다.
도 3c는 컨트롤러가 초점 평면 영상으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 노화를 진단하는 동작을 설명하기 위한 도면이다.
도 3d는 컨트롤러가 초점 평면 영상으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 노화를 진단하는 동작을 설명하기 위한 도면이다.
도 3e는 컨트롤러가 초점 평면 영상으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 노화를 진단하는 동작을 설명하기 위한 도면이다.
도 3f는 컨트롤러가 초점 평면 영상으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 노화를 진단하는 동작을 설명하기 위한 도면이다.
도 3g는 컨트롤러가 초점 평면 영상으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 노화를 진단하는 동작을 설명하기 위한 도면이다.
도 3h는 컨트롤러가 초점 평면 영상으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 노화를 진단하는 동작을 설명하기 위한 도면이다.
도 4a는 컨트롤러가 초점 평면 영상으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 말라리아 감염 여부를 진단하는 동작을 설명하기 위한 도면이다.
도 4b는 컨트롤러가 초점 평면 영상으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 말라리아 감염 여부를 진단하는 동작을 설명하기 위한 도면이다.
도 4c는 컨트롤러가 초점 평면 영상으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 말라리아 감염 여부를 진단하는 동작을 설명하기 위한 도면이다.
도 4d는 컨트롤러가 초점 평면 영상으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 말라리아 감염 여부를 진단하는 동작을 설명하기 위한 도면이다.
도 4e는 컨트롤러가 초점 평면 영상으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 말라리아 감염 여부를 진단하는 동작을 설명하기 위한 도면이다.
도 4f는 컨트롤러가 초점 평면 영상으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 말라리아 감염 여부를 진단하는 동작을 설명하기 위한 도면이다.
도 4g는 컨트롤러가 초점 평면 영상으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 말라리아 감염 여부를 진단하는 동작을 설명하기 위한 도면이다.
도 5a는 컨트롤러가 빛의 산란 패턴으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 노화를 진단하는 동작을 설명하기 위한 도면이다.
도 5b는 컨트롤러가 빛의 산란 패턴으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 노화를 진단하는 동작을 설명하기 위한 도면이다.
도 5c는 컨트롤러가 빛의 산란 패턴으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 노화를 진단하는 동작을 설명하기 위한 도면이다.
도 5d는 컨트롤러가 빛의 산란 패턴으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 노화를 진단하는 동작을 설명하기 위한 도면이다.
도 5e는 컨트롤러가 빛의 산란 패턴으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 노화를 진단하는 동작을 설명하기 위한 도면이다.
도 5f는 컨트롤러가 빛의 산란 패턴으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 노화를 진단하는 동작을 설명하기 위한 도면이다.
도 6a는 컨트롤러가 빛의 산란 패턴으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 말라리아 감염 여부를 진단하는 동작을 설명하기 위한 도면이다.
도 6b는 컨트롤러가 빛의 산란 패턴으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 말라리아 감염 여부를 진단하는 동작을 설명하기 위한 도면이다.
도 6c는 컨트롤러가 빛의 산란 패턴으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 말라리아 감염 여부를 진단하는 동작을 설명하기 위한 도면이다.
도 6d는 컨트롤러가 빛의 산란 패턴으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 말라리아 감염 여부를 진단하는 동작을 설명하기 위한 도면이다.
도 6e는 컨트롤러가 빛의 산란 패턴으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 말라리아 감염 여부를 진단하는 동작을 설명하기 위한 도면이다.
도 6f는 컨트롤러가 빛의 산란 패턴으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 말라리아 감염 여부를 진단하는 동작을 설명하기 위한 도면이다.
도 6g는 컨트롤러가 빛의 산란 패턴으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 말라리아 감염 여부를 진단하는 동작을 설명하기 위한 도면이다.
도 7a는 적혈구의 노화 진단과 관련하여 기계 학습의 성능을 설명하기 위한 도면이다.
도 7b는 적혈구의 노화 진단과 관련하여 기계 학습의 성능을 설명하기 위한 도면이다.
도 8a는 말라리아 감염 여부와 관련하여 기계 학습의 성능을 설명하기 위한 도면이다.
도 8b는 말라리아 감염 여부와 관련하여 기계 학습의 성능을 설명하기 위한 도면이다.
도 9는 일 실시예에 따른 혈구성 질환 진단 방법의 순서도를 나타낸다.
도 1b는 일 실시예에 따른 현미경의 동작을 설명하기 위한 도면이다.
도 2a는 컨트롤러가 투사 영상으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 혈구성 질환을 진단하는 동작을 설명하기 위한 도면이다.
도 2b는 컨트롤러가 투사 영상으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 혈구성 질환을 진단하는 동작을 설명하기 위한 도면이다.
도 2c는 컨트롤러가 투사 영상으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 혈구성 질환을 진단하는 동작을 설명하기 위한 도면이다.
도 2d는 컨트롤러가 투사 영상으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 혈구성 질환을 진단하는 동작을 설명하기 위한 도면이다.
도 2e는 컨트롤러가 투사 영상으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 혈구성 질환을 진단하는 동작을 설명하기 위한 도면이다.
도 2f는 컨트롤러가 투사 영상으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 혈구성 질환을 진단하는 동작을 설명하기 위한 도면이다.
도 2g는 컨트롤러가 투사 영상으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 혈구성 질환을 진단하는 동작을 설명하기 위한 도면이다.
도 3a는 컨트롤러가 초점 평면 영상으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 노화를 진단하는 동작을 설명하기 위한 도면이다.
도 3b는 컨트롤러가 초점 평면 영상으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 노화를 진단하는 동작을 설명하기 위한 도면이다.
도 3c는 컨트롤러가 초점 평면 영상으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 노화를 진단하는 동작을 설명하기 위한 도면이다.
도 3d는 컨트롤러가 초점 평면 영상으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 노화를 진단하는 동작을 설명하기 위한 도면이다.
도 3e는 컨트롤러가 초점 평면 영상으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 노화를 진단하는 동작을 설명하기 위한 도면이다.
도 3f는 컨트롤러가 초점 평면 영상으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 노화를 진단하는 동작을 설명하기 위한 도면이다.
도 3g는 컨트롤러가 초점 평면 영상으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 노화를 진단하는 동작을 설명하기 위한 도면이다.
도 3h는 컨트롤러가 초점 평면 영상으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 노화를 진단하는 동작을 설명하기 위한 도면이다.
도 4a는 컨트롤러가 초점 평면 영상으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 말라리아 감염 여부를 진단하는 동작을 설명하기 위한 도면이다.
도 4b는 컨트롤러가 초점 평면 영상으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 말라리아 감염 여부를 진단하는 동작을 설명하기 위한 도면이다.
도 4c는 컨트롤러가 초점 평면 영상으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 말라리아 감염 여부를 진단하는 동작을 설명하기 위한 도면이다.
도 4d는 컨트롤러가 초점 평면 영상으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 말라리아 감염 여부를 진단하는 동작을 설명하기 위한 도면이다.
도 4e는 컨트롤러가 초점 평면 영상으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 말라리아 감염 여부를 진단하는 동작을 설명하기 위한 도면이다.
도 4f는 컨트롤러가 초점 평면 영상으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 말라리아 감염 여부를 진단하는 동작을 설명하기 위한 도면이다.
도 4g는 컨트롤러가 초점 평면 영상으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 말라리아 감염 여부를 진단하는 동작을 설명하기 위한 도면이다.
도 5a는 컨트롤러가 빛의 산란 패턴으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 노화를 진단하는 동작을 설명하기 위한 도면이다.
도 5b는 컨트롤러가 빛의 산란 패턴으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 노화를 진단하는 동작을 설명하기 위한 도면이다.
도 5c는 컨트롤러가 빛의 산란 패턴으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 노화를 진단하는 동작을 설명하기 위한 도면이다.
도 5d는 컨트롤러가 빛의 산란 패턴으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 노화를 진단하는 동작을 설명하기 위한 도면이다.
도 5e는 컨트롤러가 빛의 산란 패턴으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 노화를 진단하는 동작을 설명하기 위한 도면이다.
도 5f는 컨트롤러가 빛의 산란 패턴으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 노화를 진단하는 동작을 설명하기 위한 도면이다.
도 6a는 컨트롤러가 빛의 산란 패턴으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 말라리아 감염 여부를 진단하는 동작을 설명하기 위한 도면이다.
도 6b는 컨트롤러가 빛의 산란 패턴으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 말라리아 감염 여부를 진단하는 동작을 설명하기 위한 도면이다.
도 6c는 컨트롤러가 빛의 산란 패턴으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 말라리아 감염 여부를 진단하는 동작을 설명하기 위한 도면이다.
도 6d는 컨트롤러가 빛의 산란 패턴으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 말라리아 감염 여부를 진단하는 동작을 설명하기 위한 도면이다.
도 6e는 컨트롤러가 빛의 산란 패턴으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 말라리아 감염 여부를 진단하는 동작을 설명하기 위한 도면이다.
도 6f는 컨트롤러가 빛의 산란 패턴으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 말라리아 감염 여부를 진단하는 동작을 설명하기 위한 도면이다.
도 6g는 컨트롤러가 빛의 산란 패턴으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 말라리아 감염 여부를 진단하는 동작을 설명하기 위한 도면이다.
도 7a는 적혈구의 노화 진단과 관련하여 기계 학습의 성능을 설명하기 위한 도면이다.
도 7b는 적혈구의 노화 진단과 관련하여 기계 학습의 성능을 설명하기 위한 도면이다.
도 8a는 말라리아 감염 여부와 관련하여 기계 학습의 성능을 설명하기 위한 도면이다.
도 8b는 말라리아 감염 여부와 관련하여 기계 학습의 성능을 설명하기 위한 도면이다.
도 9는 일 실시예에 따른 혈구성 질환 진단 방법의 순서도를 나타낸다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
제1 또는 제2등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해서 한정되어서는 안 된다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만, 예를 들어 실시예의 개념에 따른 권리 범위로부터 이탈되지 않은 채, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
도 1a는 일 실시예에 따른 혈구성 질환 진단 시스템의 블록도를 나타내고, 도 1b는 일 실시예에 따른 현미경의 동작을 설명하기 위한 도면이다.
도 1a를 참조하면, 혈구성 질환 진단 시스템(10)은 현미경(100) 및 혈구성 질환 진단 장치(200)를 포함한다. 혈구성 질환 진단 장치(200)는 송수신기(210) 및 컨트롤러(220)를 포함한다.
현미경(100)은 혈액의 홀로그램 영상을 촬영하여 혈구성 질환 진단 장치(200)로 전달할 수 있다. 혈액은 적혈구, 백혈구, 혈소판 등을 포함할 수 있다. 예를 들어, 현미경(100)은 디지털 인라인 홀로그래픽 현미경(digital in-line holographic microscope)일 수 있다.
도 1b를 참조하면, 현미경(100)은 레이저, 대물 렌즈, 영상 획득용 카메라를 포함할 수 있다. 현미경(100)은 레이저를 사용하여 레이저 광을 커버 글라스 사이에 위치시킨 혈액에 조사할 수 있다. 이때, 혈액의 성분(예를 들어, 적혈구, 백혈구, 혈소판 등)에 의해 회절된 물질파(object wave)와, 상기 성분을 통과하지 않은 참조파(reference wave)의 간섭 현상이 발생할 수 있다. 영상 획득용 카메라는 간섭 현상에 기초하여 홀로그램 영상을 생성할 수 있다.
혈구성 질환 진단 장치(200)는 혈액의 홀로그램 영상으로부터 분류 특징을 추출할 수 있다. 분류 특징은 혈구성 질환 진단 장치(200)가 적혈구의 노화를 진단하는지, 말라리아 감염 여부를 결정하는지에 따라 상이할 수 있다.
예를 들어, 혈구성 질환 진단 장치(200)가 적혈구의 노화를 진단하는 경우, 적혈구의 투영 면적(projected area), 둘레(perimeter), FWHM(full-width at half maximum), PPD(peak-to-peak distance), 최대(maximum) 빛 강도, 평균(average) 빛 강도, 빛 강도 분포의 표준 편차들(standard deviation(SD)), 실초점 거리(real focal length), 및 허초점 거리(virtual focal length)를 포함하는 열 두가지 분류 특징 중에서 적어도 하나에 기초하여 적혈구를 원판 적혈구(discocyte(DC)), 유극 적혈구(echinocyte(EC)), 및 구상 적혈구(spherocyte(SC)) 중에서 하나로 분류할 수 있다.
또한, 혈구성 진단 장치(200)가 말라리아 감염 여부를 진단하는 경우, 적혈구의 FWHM(full-width at half maximum), PPD(peak-to-peak distance), 최대(maximum) 빛 강도, 평균(average) 빛 강도, 빛 강도 분포의 표준 편차들(standard deviation(SD)), 실초점 거리(real focal length), 및 허초점 거리(virtual focal length)를 포함하는 열 가지 분류 특징 중에서 적어도 하나에 기초하여 적혈구의 말라리아 감염 여부를 결정할 수 있다. 예를 들어, 혈구성 진단 장치(200)는 적혈구가 말라리아에 감염된 적혈구(infected red blood cell(iRBC))인지, 또는 말라리아에 감염되지 않은 적혈구(healthy red blood cell(hRBC))인지 분류할 수 있다.
송수신기(210)는 현미경(100)으로부터 혈액의 홀로그램 영상을 수신할 수 있다. 송수신기(210)는 현미경(100)으로부터 수신한 혈액의 홀로그램 영상을 컨트롤러(220)로 전달할 수 있다.
컨트롤러(220)는 혈액의 홀로그램 영상으로부터 분류 특징을 추출하고, 분류 특징에 기계 학습 알고리즘을 사용함으로써 혈구성 질환을 진단할 수 있다. 이때, 기계 학습 알고리즘은 결정 나무 모델(decision tree model), 서포트 벡터 머신(support vector machine(SVM)), 선형 판별 분류(linear discriminant classification(LDC)), 및 k-최근접 이웃 알고리즘(k-nearest neighbors algorithm(k-nn)) 중에서 적어도 하나를 포함할 수 있다.
컨트롤러(220)는 혈액의 홀로그램 영상에 빛의 확산 공식을 적용함으로써 복수 개의 깊이의 영상을 획득할 수 있다. 컨트롤러(220)는 복수 개의 깊이의 영상을 하나의 평면에 투영시킴으로써 투사 영상(projected image)을 생성할 수 있다.
컨트롤러(220)는 혈액의 투사 영상에서 최대 빛 강도의 0.5 이상의 강도를 갖는 픽셀 영상 정보를 추출할 수 있다. 이에, 컨트롤러(220)는 혈액의 성분들의 경계에 대한 정보를 추출하여 투영 면적, 둘레 등에 대한 분류 특징들을 추출할 수 있다.
컨트롤러(220)는 투사 영상으로부터 투영 면적, 둘레와 같은 분류 특징을 추출할 수 있다. 투영 면적, 둘레는 혈액의 성분(예를 들어, 적혈구, 백혈구, 혈소판 등)의 수치를 의미할 수 있다. 적혈구의 경우, 컨트롤러(220)는 적혈구의 투영 면적 및 둘레 중에서 적어도 하나에 기초하여 적혈구를 원판 적혈구(DC), 유극 적혈구(EC), 및 구상 적혈구(SC) 중에서 하나로 분류할 수 있다.
컨트롤러(220)는 혈액의 홀로그램 영상으로부터 타무라 계수(tamura constant(TC))를 사용하여 초점 평면 영상을 획득할 수 있다. 컨트롤러(220)는 초점 평면 영상으로부터 FWHM, PPD, 최대 빛 강도, 평균 빛 강도, 빛 강도 분포의 표준 편차들(SD)과 같은 분류 특징을 추출할 수 있다. 적혈구의 경우, 컨트롤러(220)는 FWHM, PPD, 최대 빛 강도, 평균 빛 강도, 빛 강도 분포의 표준 편차들(SD)에 기초하여 적혈구를 원판 적혈구(DC), 유극 적혈구(EC), 및 구상 적혈구(SC) 중에서 하나로 분류하거나, 또는 적혈구를 감염 적혈구(iRBC) 및 비감염 적혈구(hRBC) 중에서 하나로 분류할 수 있다.
컨트롤러(220)는 혈액의 홀로그램 영상으로부터 빛의 확산 공식을 적용함으로써 복수 개의 깊이 영상을 획득하고, 복수 개의 깊이의 영상을 깊이에 따른 빛 강도 분포를 광축 방향으로 축적함으로써 빛의 산란 패턴을 획득하고, 빛의 산란 패턴으로부터 실초점 거리, 허초점 거리, 빛 산란 패턴의 최대 빛 강도, 평균 빛 강도, 빛 강도 분포의 표준 편차들과 같은 분류 특징을 추출할 수 있다. 적혈구의 경우, 컨트롤러(220)는 FWHM, PPD, 최대 빛 강도, 평균 빛 강도, 빛 강도 분포의 표준 편차들(SD)에 기초하여 적혈구를 원판 적혈구(DC), 유극 적혈구(EC), 및 구상 적혈구(SC) 중에서 하나로 분류하거나, 또는 적혈구를 감염 적혈구(iRBC) 및 비감염 적혈구(hRBC) 중에서 하나로 분류할 수 있다.
도 1a 및 도 1b, 그리고 이하에서는 설명의 편의를 위해 혈액에서 적혈구에 대하여 설명하나, 반드시 이에 한정되는 것은 아니고, 백혈구 또는 혈소판 등 다른 혈액 성분들에 대해서도 동일하게 적용될 수 있다.
도 2a 내지 도 2g는 컨트롤러가 투사 영상으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 혈구성 질환을 진단하는 동작을 설명하기 위한 도면이다.
도 2a를 참조하면, 컨트롤러가 현미경으로부터 획득한 혈액의 홀로그램 영상을 확인할 수 있다.
도 2b를 참조하면, 컨트롤러는 혈액의 홀로그램 영상을 깊이(또는 광축(z))에 대하여 수치적으로 재생(numerical reconstruction)할 수 있다. 도 2b의 (i)와 (ii)는 상이한 두 개의 깊이에서 수치적으로 재생된 홀로그램 영상을 의미한다. 컨트롤러는 깊이 방향으로 수치적으로 재생한 홀로그램 영상들을 개개의 적혈구의 중심을 기준으로 분할하고, 영상 선명도를 파악할 수 있는 타무라 계수(TC)를 사용하여 초점 평면 영상을 획득할 수 있다. 타무라 계수(TC)는 영상 선명도를 정량화하는 함수로서, 초점 평면에서 최솟값을 나타낸다. 타무라 계수(TC)는 수학식 1과 같을 수 있다
여기서, 
는 타무라 계수이고, 
는 분할한 영상 내 빛 강도의 표준 편차이고, 
는 분할한 영상 내 평균 빛 강도를 나타낸다.
도 2c를 참조하면, 컨트롤러는 다양한 깊이에서 수치적으로 재생시킨 영상들을 하나의 평면에 투영 시키고, 최대 빛 강도의 0.5 이상의 강도를 갖는 픽셀 영상 정보를 추출하여 혈액의 성분들의 경계에 대한 정보를 추출할 수 있다.
도 2d 내지 도 2g를 참조하면, 컨트롤러는 적혈구의 투영면적 및 둘레의 형태학적 정보를 추출할 수 있다. 그래프에서 가운데의 점은 평균을 나타내고, 가운데의 점을 통과하는 세로 직선은 표준 편차를 나타낸다. 또한, 컨트롤러는 그래프에서 분류 특징들의 종 간 차이의 정도를 파악하기 위하여 분산 분석을 수행할 수 있다. 예를 들어, 컨트롤러는 ANOVA(analysis of variance) 분석을 통해 p값을 구하여 그래프에 도시할 수 있다. 컨트롤러는 p<0.05인 경우 *를 표시하고, p<0.01인 경우 **를 표시하고, p<0.001인 경우 ***를 표시할 수 있다.
원판 적혈구(DC), 유극 적혈구(EC), 및 구상 적혈구(SC)의 투영 면적은 도 2d에 도시된 바와 같고, 원판 적혈구(DC), 유극 적혈구(EC), 및 구상 적혈구(SC)의 둘레는 도 2e에 도시된 바와 같을 수 있다. 감염 적혈구(iRBC) 및 비감염 적혈구(hRBC)의 투영 면적은 도 2f에 도시된 바와 같고, 감염 적혈구(iRBC) 및 비감염 적혈구(hRBC)의 둘레는 도 2g에 도시된 바와 같을 수 있다.
원판 적혈구(DC), 유극 적혈구(EC), 및 구상 적혈구(SC)의 분류 특징은 표 1에 도시된 바와 같을 수 있다.
표 1을 참조하면, 원판 적혈구(DC), 유극 적혈구(EC), 및 구상 적혈구(SC)는 투영 면적 및 둘레에 대하여 종 간 통계적으로 큰 차이를 보이는 것(***p<0.001)을 확인할 수 있다.
이에, 컨트롤러는 투영 면적 및 둘레 중에서 적어도 하나에 기초하여 적혈구를 원판 적혈구(DC), 유극 적혈구(EC), 및 구상 적혈구(SC) 중에서 하나로 분류할 수 있다.
감염 적혈구(iRBC) 및 비감염 적혈구(hRBC)의 분류 특징은 표 2에 도시된 바와 같을 수 있다.
표 2를 참조하면, 감염 적혈구(iRBC) 및 비감염 적혈구(hRBC)는 투영 면적 및 둘레에 대하여 종 간 통계적으로 큰 차이를 보이지 않는 것(p>0.05)을 확인할 수 있다.
도 3a 내지 도 3h는 컨트롤러가 초점 평면 영상으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 노화를 진단하는 동작을 설명하기 위한 도면이다.
도 3a 내지 도 3c를 참조하면, 컨트롤러는 깊이(또는 광축(z))에 대하여 수치적으로 재생한 혈액의 홀로그램 영상에 대하여 개개 혈액의 성분(적혈구, 백혈구, 혈소판 등)의 중심을 기준으로 분할하고, 타무라 계수(TC)를 사용하여 초점 평면의 위치를 찾을 수 있다. 예를 들어, 컨트롤러는 도 2b에 도시된 바과 같이 초점 평면의 위치를 찾고 초점 평면 영상을 획득할 수 있다.
도 3d 내지 도 3h를 참조하면, 컨트롤러는 초점 평면 영상으로부터 FWHM, PPD, 최대 빛 강도, 평균 빛 강도, 빛 강도 분포의 표준 편차들 중 적어도 하나를 추출할 수 있다.
원판 적혈구(DC), 유극 적혈구(EC), 및 구상 적혈구(SC)의 FWHM은 도 3d에 도시된 바와 같고, PPD는 도 3e에 도시된 바와 같고, 최대 빛 강도는 도 3f에 도시된 바와 같고, 평균 빛 강도는 도 3g에 도시된 바와 같고, 빛 강도 분포의 표준 편차들은 도 3h에 도시된 바와 같을 수 있다.
원판 적혈구(DC), 유극 적혈구(EC), 및 구상 적혈구(SC)의 분류 특징은 표 1에 도시된 바와 같을 수 있다. 표 1을 참조하면, 원판 적혈구(DC), 유극 적혈구(EC), 및 구상 적혈구(SC)는 FWHM, PPD, 최대 빛 강도, 평균 빛 강도, 빛 강도 분포의 표준 편차들에 대하여 종 간 통계적으로 큰 차이를 보이는 것(*p<0.05, **p<0.01, ***p<0.001)을 확인할 수 있다.
컨트롤러는 FWHM, PPD, 최대 빛 강도, 평균 빛 강도, 빛 강도 분포의 표준 편차들 중 적어도 하나에 기초하여 적혈구를 원판 적혈구(DC), 유극 적혈구(EC), 및 구상 적혈구(SC) 중에서 하나로 분류할 수 있다.
도 4a 내지 도 4g는 컨트롤러가 초점 평면 영상으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 말라리아 감염 여부를 진단하는 동작을 설명하기 위한 도면이다.
도 4a 내지 도 4b를 참조하면, 컨트롤러는 깊이(또는 광축(z))에 대하여 수치적으로 재생한 혈액의 홀로그램 영상에 대하여 개개 혈액의 성분(적혈구, 백혈구, 혈소판 등)의 중심을 기준으로 분할하고, 타무라 계수(TC)를 사용하여 초점 평면의 위치를 찾을 수 있다. 예를 들어, 컨트롤러는 도 2b에 도시된 바과 같이 초점 평면의 위치를 찾고 초점 평면 영상을 획득할 수 있다.
도 4c 내지 도 4g를 참조하면, 컨트롤러는 초점 평면 영상으로부터 FWHM, PPD, 최대 빛 강도, 평균 빛 강도, 빛 강도 분포의 표준 편차들 중 적어도 하나를 추출할 수 있다.
감염 적혈구(iRBC) 및 비감염 적혈구(hRBC)의 FWHM은 도 4c에 도시된 바와 같고, PPD는 도 4d에 도시된 바와 같고, 최대 빛 강도는 도 4e에 도시된 바와 같고, 평균 빛 강도는 도 4f에 도시된 바와 같고, 빛 강도 분포의 표준 편차들은 도 4g에 도시된 바와 같을 수 있다.
감염 적혈구(iRBC) 및 비감염 적혈구(hRBC)의 분류 특징은 표 2에 도시된 바와 같을 수 있다. 표 2를 참조하면, 감염 적혈구(iRBC) 및 비감염 적혈구(hRBC)는 FWHM, PPD, 최대 빛 강도, 평균 빛 강도, 빛 강도 분포의 표준 편차들에 대하여 종 간 통계적으로 큰 차이를 보이는 것(***p<0.001)을 확인할 수 있다.
컨트롤러는 FWHM, PPD, 최대 빛 강도, 평균 빛 강도, 빛 강도 분포의 표준 편차들 중 적어도 하나에 기초하여 적혈구를 감염 적혈구(iRBC) 및 비감염 적혈구(hRBC) 중에서 하나로 분류할 수 있다.
도 5a 내지 도 5f는 컨트롤러가 빛의 산란 패턴으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 노화를 진단하는 동작을 설명하기 위한 도면이다.
도 5a를 참조하면, 컨트롤러는 레이저로부터 출력된 레이저 광이 혈액의 성분을 통과하면서 어떻게 발산하고 수렴하는지 확인할 수 있다. 예를 들어, 컨트롤러는 혈액의 홀로그램 영상에서 다른 깊이에서의 빛 강도 분포를 깊이(또는 광축(z)) 방향으로 축적하여 빛의 산란 패턴을 획득할 수 있다. 빛의 산란 패턴은 혈액 성분의 형상과 굴절률과 같은 광학적인 특성에 따라 달라질 수 있어 혈구성 질환에 효율적으로 사용될 수 있다.
도 5b 내지 도 5f를 참조하면, 컨트롤러는 빛의 산란 패턴으로부터 실초점 거리(f r ), 허초점 거리(f v ), 빛의 산란 패턴의 최대 빛 강도, 평균 빛 강도, 빛 강도 분포의 표준 편차들 중 적어도 하나를 추출할 수 있다.
원판 적혈구(DC), 유극 적혈구(EC), 및 구상 적혈구(SC)의 실초점 거리(f r )는 도 5b에 도시된 바와 같고, 허초점 거리(f v )는 도 5c에 도시된 바와 같고, 빛의 산란 패턴의 최대 빛 강도는 도 5d에 도시된 바와 같고, 평균 빛 강도는 도 5e에 도시된 바와 같고, 빛 강도 분포의 표준 편차들은 도 5f에 도시된 바와 같을 수 있다.
원판 적혈구(DC), 유극 적혈구(EC), 및 구상 적혈구(SC)의 분류 특징은 표 1에 도시된 바와 같을 수 있다. 표 1을 참조하면, 원판 적혈구(DC), 유극 적혈구(EC), 및 구상 적혈구(SC)는 실초점 거리(f r ), 허초점 거리(f v ), 빛의 산란 패턴의 최대 빛 강도, 평균 빛 강도, 빛 강도 분포의 표준 편차들에 대하여 종 간 통계적으로 큰 차이를 보이는 것(***p<0.001)을 확인할 수 있다.
컨트롤러는 실초점 거리(f r ), 허초점 거리(f v ), 빛의 산란 패턴의 최대 빛 강도, 평균 빛 강도, 빛 강도 분포의 표준 편차들 중 적어도 하나에 기초하여 적혈구를 원판 적혈구(DC), 유극 적혈구(EC), 및 구상 적혈구(SC) 중에서 하나로 분류할 수 있다.
도 6a 내지 도 6g는 컨트롤러가 빛의 산란 패턴으로부터 분류 특징을 추출하고, 분류 특징에 기초하여 적혈구의 말라리아 감염 여부를 진단하는 동작을 설명하기 위한 도면이다.
도 6a를 참조하면, 컨트롤러는 레이저로부터 출력된 레이저 광이 혈액의 성분을 통과하면서 어떻게 발산하고 수렴하는지 확인할 수 있다. 예를 들어, 컨트롤러는 혈액의 홀로그램 영상에서 다른 깊이에서의 빛 강도 분포를 깊이(또는 광축(z)) 방향으로 축적하여 빛의 산란 패턴을 획득할 수 있다. 빛의 산란 패턴은 혈액 성분의 형상과 굴절률과 같은 광학적인 특성에 따라 달라질 수 있어 혈구성 질환에 효율적으로 사용될 수 있다.
도 6b 내지 도 6g를 참조하면, 컨트롤러는 빛의 산란 패턴으로부터 실초점 거리(f r ), 허초점 거리(f v ), 광축(z)과 초점 사이의 수평 거리(d), 빛의 산란 패턴의 최대 빛 강도, 평균 빛 강도, 빛 강도 분포의 표준 편차들 중 적어도 하나를 추출할 수 있다.
감염 적혈구(iRBC) 및 비감염 적혈구(hRBC)의 실초점 거리(f r )는 도 6b에 도시된 바와 같고, 허초점 거리(f v )는 도 6c에 도시된 바와 같고, 광축(z)과 초점 사이의 수평 거리(d)는 도 6d에 도시된 바와 같고, 빛의 산란 패턴의 최대 빛 강도는 도 6e에 도시된 바와 같고, 평균 빛 강도는 도 6f에 도시된 바와 같고, 빛 강도 분포의 표준 편차들은 도 6g에 도시된 바와 같을 수 있다.
감염 적혈구(iRBC) 및 비감염 적혈구(hRBC)의 분류 특징은 표 2에 도시된 바와 같을 수 있다. 표 2을 참조하면, 감염 적혈구(iRBC) 및 비감염 적혈구(hRBC)는 실초점 거리(f r ), 허초점 거리(f v ), 빛의 산란 패턴의 최대 빛 강도, 평균 빛 강도, 빛 강도 분포의 표준 편차들에 대하여 종 간 통계적으로 큰 차이를 보이는 것(***p<0.001)을 확인할 수 있다.
컨트롤러는 실초점 거리(f r ), 허초점 거리(f v ), 빛의 산란 패턴의 최대 빛 강도, 평균 빛 강도, 빛 강도 분포의 표준 편차들 중 적어도 하나에 기초하여 감염 적혈구(iRBC) 및 비감염 적혈구(hRBC) 중에서 하나로 분류할 수 있다.
도 7a 및 도 7b는 적혈구의 노화 진단과 관련하여 기계 학습의 성능을 설명하기 위한 도면이다.
컨트롤러는 적혈구들의 홀로그램 영상으로부터 추출한 다양한 분류 특징들을 기계 학습 알고리즘들로 훈련시켜 분류 체계를 구축할 수 있다. 컨트롤러는 기계 학습 알고리즘으로 결정 나무 모델(decision tree model), 서포트 벡터 머신(support vector machine(SVM)), 선형 판별 분류(linear discriminant classification(LDC)), 및 k-최근접 이웃 알고리즘(k-nearest neighbors algorithm(k-nn)) 중에서 적어도 하나를 사용할 수 있다.
결정 나무 모델은 의사결정규칙을 도표화하여 데이터를 몇 개의 소집단으로 분류하는 분석방법이다. 결정 나무 모델의 구조는 마디(node)로 구성되며, 뿌리 마디(root node)로부터 시작하여 분류 특징들의 분리 기준들에 의해 데이터가 분류되어 자식 마디들(child nodes)이 생성되고, 종단 마디(terminate node)에 이를 때 분류 체계가 완성된다.
서포트 벡터 머신(SVM)은 데이터가 사상된 공간에서 다른 부류(class)의 데이터를 가장 큰 마진(margin)으로 분리해내는 선 또는 면을 찾아내어 분류하는 알고리즘이다.
선형 판별 분류(LDC)는 분류 특징들을 선형 결합하여 종간 차이는 극대화하고 종내 차이는 최소화하여 데이터를 두 개 이상의 부류로 분류하는 방법이다.
k-최근접 이웃 알고리즘(k-nn)은 새로운 데이터가 입력되었을 때 가장 가까운 k개의 이웃들의 분류명을 기준으로 다수결에 의해 최종적으로 분류하고자 하는 데이터가 어떤 부류에 속하는지 부여하는 알고리즘이다.
현미경으로부터 획득한 홀로그램 영상들 중에서 70%는 기계 학습 알고리즘을 지도학습 시키는 training set으로 사용하고, 30%는 test set으로 사용하였다.
도 7a를 참조하면 적혈구의 노화 진단에 대한 training set에 대해서 각각의 기계 학습 알고리즘으로 만든 분류 체계의 정확도를 확인할 수 있다.
적혈구 노화 진단 시 통계적으로 유의미한 차이를 보이는 12개의 분류 특징들에 기초하여 기계 학습 알고리즘들을 이용하여 분류 체계를 구축하였다.
적혈구의 노화 정도를 원판 적혈구(DC), 유극 적혈구(EC), 및 구상 적혈구(SC) 중에서 하나로 진단 시 결정 나무 모델을 사용한 분류 체계가 training set에 대해서 가장 높은 98.18%의 분류 정확도를 나타냄을 확인할 수 있다.
도 7b를 참조하면, 선택된 결정 나무 모델을 사용하여 학습시킨 분류 체계는 test set에 대해서도 97.37%의 높은 분류 정확도를 보임을 확인할 수 있다.
도 8a 및 도 8b는 말라리아 감염 여부와 관련하여 기계 학습의 성능을 설명하기 위한 도면이다.
도 8a를 참조하면, 말라리아의 감염 여부 진단에 대한 training set에 대해서 각각의 기계 학습 알고리즘으로 만든 분류 체계의 정확도를 확인할 수 있다.
말라리아 감염 여부 진단 시 추출한 13개의 분류특징들 중 통계적으로 유의미한 차이를 보이는 10개의 분류 특징들을 기반으로 기계 학습 알고리즘들을 이용하여 분류 체계를 구축하였다.
말라리아를 감염 여부를 감염 적혈구(iRBC) 및 비감염 적혈구(hRBC) 중에서 하나로 진단 시 서포트 벡터 머신(SVM) 모델을 적용한 분류체계가 training set에 대해서 가장 높은 96.78%의 분류 정확도를 나타냄을 확인할 수 있다.
도 8b를 참조하면, 선택된 서포트 벡터 머신(SVM) 모델을 사용하여 학습시킨 분류 체계는 test set에 대해서도 97.50%의 높은 분류 정확도를 보임을 확인할 수 있다.
컨트롤러는 다양한 추출된 분류 특징들 중 종류 간 통계적으로 유의미하게 차이(p<0.05)를 보이는 분류 특징들만 선택하여 기계 학습 알고리즘으로 학습시킬 수 있다. 추출된 분류 특징들은 적혈구의 특징을 대표하며 기계 학습 알고리즘에 의해 최적의 분류 기준을 논리적으로 설정하는데 이용될 수 있다. 즉, 컨트롤러는 추출한 다양한 분류 특징들을 이용하여 training set에 대해서 기계 학습 알고리즘들로 학습시킬 수 있다. 기계 학습 알고리즘은 사전에 정의된 입력값에 대해 분류 특징들을 기반으로 분류 기준과 체계를 생성하며 생성된 분류 체계를 기반으로 새로운 데이터의 종류를 구별할 수 있다.
이에, 혈구성 질환 진단 장치는 적혈구의 이상 유무와 변형 정도를 정확하게 파악하고 혈액의 노화, 말라리아, 당뇨, 빈혈증 등과 같은 혈구성 질환을 높은 정확도로 진단할 수 있다. 또한, 혈구성 질환 진단 장치는 별도의 시료 전처리가 필요 없고 전문가의 도움 없이 혈액의 노화, 말라리아, 당뇨, 빈혈증 등과 같은 혈구성 질환을 정확하게 진단하는데 유용하게 활용될 수 있다. 또한, 의사의 진료를 받기 힘든 오지에 사는 환자들이 원격으로 혈구성 질환의 자동 진단에 적용하는 것이 가능할 수 있다.
도 9는 일 실시예에 따른 혈구성 질환 진단 방법의 순서도를 나타낸다.
도 9를 참조하면, 혈구성 질환 진단 장치는 혈액의 홀로그램 영상을 획득할 수 있다(910). 홀로그램 영상은 적혈구, 백혈구, 또는 혈소판 등의 홀로그램 영상일 수 있다. 예를 들어, 혈구성 질환 진단 장치는 디지털 인라인 홀로그래픽 현미경을 사용하여 홀로그램 영상을 획득할 수 있다.
혈구성 질환 진단 장치는 홀로그램 영상으로부터 분류 특징을 추출할 수 있다(920). 예를 들어, 혈구성 질환 진단 장치(200)가 적혈구의 노화를 진단하는 경우, 적혈구의 투영 면적, 둘레, FWHM, PPD, 최대 빛 강도, 평균 빛 강도, 빛 강도 분포의 표준 편차들, 실초점 거리, 및 허초점 거리를 포함하는 열 두가지 분류 특징 중에서 적어도 하나에 기초하여 적혈구를 원판 적혈구(DC), 유극 적혈구(EC), 및 구상 적혈구(SC) 중에서 하나로 분류할 수 있다.
또한, 혈구성 진단 장치가 말라리아 감염 여부를 진단하는 경우, 적혈구의 FWHM, PPD, 최대 빛 강도, 평균 빛 강도, 빛 강도 분포의 표준 편차들, 실초점 거리, 및 허초점 거리를 포함하는 열 가지 분류 특징 중에서 적어도 하나에 기초하여 적혈구의 말라리아 감염 여부를 결정할 수 있다. 예를 들어, 혈구성 진단 장치는 적혈구가 말라리아에 감염된 적혈구(iRBC)인지, 또는 말라리아에 감염되지 않은 적혈구(hRBC)인지 분류할 수 있다.
혈구성 질환 진단 장치는 분류 특징에 기계 학습 알고리즘을 사용함으로써 혈구성 질환을 진단할 수 있다(930). 기계 학습 알고리즘은 결정 나무 모델(decision tree model), 서포트 벡터 머신(support vector machine(SVM)), 선형 판별 분류(linear discriminant classification(LDC)), 및 k-최근접 이웃 알고리즘(k-nearest neighbors algorithm(k-nn)) 중에서 적어도 하나를 포함할 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.
Claims (9)
- 디지털 인라인 홀로그래픽 현미경(digital in-line holographic microscope)을 사용하여 적혈구의 홀로그램 영상을 획득하는 단계;
상기 홀로그램 영상으로부터 투사 영상, 초점 평면 영상, 및 빛의 산란 패턴 중에서 적어도 하나를 획득하는 단계;
상기 적어도 하나에 기초하여 분류 특징을 추출하는 단계; 및
상기 분류 특징에 기계 학습 알고리즘을 사용함으로써 혈구성 질환을 진단하는 단계
를 포함하는 혈구성 질환 진단 방법.
- 제1항에 있어서,
상기 분류 특징을 추출하는 단계는,
상기 홀로그램 영상에 빛의 확산 공식을 적용함으로써 복수 개의 깊이의 영상을 획득하는 단계;
상기 복수 개의 깊이의 영상을 하나의 평면에 투영시킴으로써 상기 투사 영상을 생성하는 단계; 및
상기 투사 영상으로부터 상기 적혈구의 투영 면적 및 둘레 중 적어도 하나를 추출하는 단계
를 포함하고,
상기 혈구성 질환을 진단하는 단계는,
상기 적어도 하나에 기초하여 상기 적혈구를 원판 적혈구(discocyte(DC)), 유극 적혈구(echinocyte(EC)), 및 구상 적혈구(spherocyte(SC)) 중에서 하나로 분류하는 단계
를 포함하는 혈구성 질환 진단 방법.
- 제1항에 있어서,
상기 분류 특징을 추출하는 단계는,
상기 홀로그램 영상으로부터 상기 초점 평면 영상을 획득하는 단계; 및
상기 초점 평면 영상으로부터 FWHM(full-width at half maximum), PPD(peak-to-peak distance), 최대(maximum) 빛 강도, 평균(average) 빛 강도, 빛 강도 분포의 표준 편차들(standard deviation(SD)) 중 적어도 하나를 추출하는 단계
를 포함하고,
상기 혈구성 질환을 진단하는 단계는,
상기 적어도 하나에 기초하여 상기 적혈구를 원판 적혈구(discocyte(DC)), 유극 적혈구(echinocyte(EC)), 및 구상 적혈구(spherocyte(SC)) 중에서 하나로 분류하는 단계; 또는
상기 적어도 하나에 기초하여 상기 적혈구의 말라리아 감염 여부를 결정하는 단계
를 포함하는 혈구성 질환 진단 방법.
- 제1항에 있어서,
상기 분류 특징을 추출하는 단계는,
상기 홀로그램 영상에 빛의 확산 공식을 적용함으로써 복수 개의 깊이의 영상을 획득하는 단계;
상기 복수 개의 깊이의 영상을 깊이에 따른 빛 강도 분포를 광축 방향으로 축적함으로써 상기 빛의 산란 패턴을 획득하는 단계; 및
상기 빛의 산란 패턴으로부터 실초점 거리, 허초점 거리, 빛 산란 패턴의 최대 빛 강도, 평균 빛 강도, 빛 강도 분포의 표준 편차들 중 적어도 하나를 추출하는 단계
를 포함하고,
상기 혈구성 질환을 진단하는 단계는,
상기 적어도 하나에 기초하여 상기 적혈구를 원판 적혈구(discocyte(DC)), 유극 적혈구(echinocyte(EC)), 및 구상 적혈구(spherocyte(SC)) 중에서 하나로 분류하는 단계; 또는
상기 적어도 하나에 기초하여 상기 적혈구의 말라리아 감염 여부를 결정하는 단계
를 포함하는 혈구성 질환 진단 방법.
- 제1항에 있어서,
상기 기계 학습 알고리즘은,
결정 나무 모델(decision tree model), 서포트 벡터 머신(support vector machine(SVM)), 선형 판별 분류(linear discriminant classification(LDC)), 및 k-최근접 이웃 알고리즘(k-nearest neighbors algorithm(k-nn)) 중에서 적어도 하나를 포함하는
혈구성 질환 진단 방법.
- 디지털 인라인 홀로그래픽 현미경(digital in-line holographic microscope)으로부터 적혈구의 홀로그램 영상을 수신하는 송수신기; 및
상기 홀로그램 영상으로부터 투사 영상, 초점 평면 영상, 및 빛의 산란 패턴 중에서 적어도 하나를 획득하고, 상기 적어도 하나에 기초하여 분류 특징을 추출하고, 상기 분류 특징에 기계 학습 알고리즘을 사용함으로써 혈구성 질환을 진단하는 컨트롤러
를 포함하는 혈구성 질환 진단 장치.
- 제6항에 있어서,
상기 컨트롤러는,
상기 홀로그램 영상에 빛의 확산 공식을 적용함으로써 복수 개의 깊이의 영상을 획득하고, 상기 복수 개의 깊이의 영상을 하나의 평면에 투영시킴으로써 상기 투사 영상을 생성하고, 상기 투사 영상으로부터 상기 적혈구의 투영 면적 및 둘레 중 적어도 하나를 추출하고, 상기 적어도 하나에 기초하여 상기 적혈구를 원판 적혈구(discocyte(DC)), 유극 적혈구(echinocyte(EC)), 및 구상 적혈구(spherocyte(SC)) 중에서 하나로 분류하는
혈구성 질환 진단 장치.
- 제6항에 있어서,
상기 컨트롤러는,
상기 홀로그램 영상으로부터 상기 초점 평면 영상을 획득하고, 상기 초점 평면 영상으로부터 FWHM(full-width at half maximum), PPD(peak-to-peak distance), 최대(maximum) 빛 강도, 평균(average) 빛 강도, 빛 강도 분포의 표준 편차들(standard deviation(SD)) 중 적어도 하나를 추출하고,
상기 적어도 하나에 기초하여 상기 적혈구를 원판 적혈구(discocyte(DC)), 유극 적혈구(echinocyte(EC)), 및 구상 적혈구(spherocyte(SC)) 중에서 하나로 분류하거나, 또는 상기 적어도 하나에 기초하여 상기 적혈구의 말라리아 감염 여부를 결정하는
혈구성 질환 진단 장치.
- 제6항에 있어서,
상기 컨트롤러는,
상기 홀로그램 영상에 빛의 확산 공식을 적용함으로써 복수 개의 깊이의 영상을 획득하고, 상기 복수 개의 깊이의 영상을 깊이에 따른 빛 강도 분포를 광축 방향으로 축적함으로써 상기 빛의 산란 패턴을 획득하고, 상기 빛의 산란 패턴으로부터 실초점 거리, 허초점 거리, 빛 산란 패턴의 최대 빛 강도, 평균 빛 강도, 빛 강도 분포의 표준 편차들 중 적어도 하나를 추출하고,
상기 적어도 하나에 기초하여 상기 적혈구를 원판 적혈구(discocyte(DC)), 유극 적혈구(echinocyte(EC)), 및 구상 적혈구(spherocyte(SC)) 중에서 하나로 분류하거나, 또는 상기 적어도 하나에 기초하여 상기 적혈구의 말라리아 감염 여부를 결정하는
혈구성 질환 진단 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180040470A KR102052902B1 (ko) | 2018-04-06 | 2018-04-06 | 기계 학습을 사용하여 혈구성 질환을 진단하는 방법 및 기계 학습을 사용하여 혈구성 질환을 진단하는 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180040470A KR102052902B1 (ko) | 2018-04-06 | 2018-04-06 | 기계 학습을 사용하여 혈구성 질환을 진단하는 방법 및 기계 학습을 사용하여 혈구성 질환을 진단하는 장치 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190117229A true KR20190117229A (ko) | 2019-10-16 |
| KR102052902B1 KR102052902B1 (ko) | 2019-12-11 |
Family
ID=68421708
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180040470A KR102052902B1 (ko) | 2018-04-06 | 2018-04-06 | 기계 학습을 사용하여 혈구성 질환을 진단하는 방법 및 기계 학습을 사용하여 혈구성 질환을 진단하는 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102052902B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220009680A (ko) * | 2020-07-16 | 2022-01-25 | 포항공과대학교 산학협력단 | 머신 러닝 기반 디지털 홀로그래피 장치 및 이의 동작 방법 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150094877A (ko) * | 2014-02-11 | 2015-08-20 | 한국전자통신연구원 | 3d 영상 분석 및 지식 기반 병변 진단 및 예후 예측 시스템 |
| KR20170141029A (ko) * | 2016-06-14 | 2017-12-22 | 조선대학교산학협력단 | 형태학적 셀파라미터 기반 적혈구 검사 방법 및 이에 사용되는 디지털 홀로그래픽 현미경 |
| KR20180027742A (ko) * | 2016-09-07 | 2018-03-15 | 영남대학교 산학협력단 | 대상체 분류 시스템 및 방법 |
-
2018
- 2018-04-06 KR KR1020180040470A patent/KR102052902B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150094877A (ko) * | 2014-02-11 | 2015-08-20 | 한국전자통신연구원 | 3d 영상 분석 및 지식 기반 병변 진단 및 예후 예측 시스템 |
| KR20170141029A (ko) * | 2016-06-14 | 2017-12-22 | 조선대학교산학협력단 | 형태학적 셀파라미터 기반 적혈구 검사 방법 및 이에 사용되는 디지털 홀로그래픽 현미경 |
| KR20180027742A (ko) * | 2016-09-07 | 2018-03-15 | 영남대학교 산학협력단 | 대상체 분류 시스템 및 방법 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220009680A (ko) * | 2020-07-16 | 2022-01-25 | 포항공과대학교 산학협력단 | 머신 러닝 기반 디지털 홀로그래피 장치 및 이의 동작 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102052902B1 (ko) | 2019-12-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7217893B2 (ja) | 光学組織像の分析及び遠隔読影のためのシステム及び方法 | |
| JP7261414B2 (ja) | 分析方法 | |
| JP6453298B2 (ja) | 細胞診標本を観察および解析するためのシステムおよび方法 | |
| JP7176697B2 (ja) | 細胞評価システム及び方法、細胞評価プログラム | |
| AU2019346843B2 (en) | Automated evaluation of sperm morphology | |
| TWI699816B (zh) | 自動化顯微鏡系統之控制方法、顯微鏡系統及電腦可讀取記錄媒體 | |
| US20190164287A1 (en) | Automated screening of histopathology tissue samples via analysis of a normal model | |
| WO2020038245A1 (zh) | 病理显微镜、显示模组、控制方法、装置及存储介质 | |
| BR112021011719A2 (pt) | Sistema baseado em microscopia computacional e método para geração de imagem automatizada e análise de espécimes de patologia | |
| US20120236120A1 (en) | Automatic stereological analysis of biological tissue including section thickness determination | |
| CA2595248A1 (en) | System and method for creating variable quality images of a slide | |
| US20230061402A1 (en) | Automated spermatozoa candidate identification | |
| Meyer et al. | Deep convolutional artery/vein classification of retinal vessels | |
| RU2732895C1 (ru) | Метод для выделения и классификации типов клеток крови с помощью глубоких сверточных нейронных сетей | |
| CN114663446A (zh) | 三维显微镜图像的分割的系统和方法 | |
| TW202343058A (zh) | 用於自動對焦顯微鏡系統之深度學習模組、自動對焦一顯微鏡系統之方法及非暫時性電腦可讀媒體 | |
| KR102052902B1 (ko) | 기계 학습을 사용하여 혈구성 질환을 진단하는 방법 및 기계 학습을 사용하여 혈구성 질환을 진단하는 장치 | |
| CN111462005B (zh) | 处理显微图像的方法、装置、计算机设备及存储介质 | |
| Aliyu et al. | Red blood cells abnormality classification: Deep learning architecture versus support vector machine | |
| Fuhl | A trainable feature extractor module for deep neural networks and scanpath classification | |
| JP7521682B2 (ja) | 情報処理装置、情報処理方法及び記録媒体 | |
| JP2023541993A (ja) | 顕微鏡検査システムの性能を最適化するための撮像構成を開発する方法およびシステム | |
| EP3965070A1 (en) | Learning model generation method, identification method, learning model generation system, identification system, learning model generation program, identification program, and recording medium | |
| Dave | A Multiple Input Multiple Output Framework for the Automatic OpticalFractionator-Based Cell Counting in Z-Stacks Using Deep Learning | |
| EP4202523A1 (en) | System, method and computer program for a surgical microscope system and corresponding surgical microscope system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| PA0109 | Patent application |
Patent event code: PA01091R01D Comment text: Patent Application Patent event date: 20180406 |
|
| PA0201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| PE0902 | Notice of grounds for rejection |
Comment text: Notification of reason for refusal Patent event date: 20190521 Patent event code: PE09021S01D |
|
| PG1501 | Laying open of application | ||
| E701 | Decision to grant or registration of patent right | ||
| PE0701 | Decision of registration |
Patent event code: PE07011S01D Comment text: Decision to Grant Registration Patent event date: 20191128 |
|
| GRNT | Written decision to grant | ||
| PR0701 | Registration of establishment |
Comment text: Registration of Establishment Patent event date: 20191202 Patent event code: PR07011E01D |
|
| PR1002 | Payment of registration fee |
Payment date: 20191203 End annual number: 3 Start annual number: 1 |
|
| PG1601 | Publication of registration | ||
| PR1001 | Payment of annual fee |
Payment date: 20220920 Start annual number: 4 End annual number: 4 |
|
| PR1001 | Payment of annual fee |