KR20200018360A

KR20200018360A - 자궁경부 학습 데이터 생성 시스템과 자궁경부 학습 데이터 분류방법

Info

Publication number: KR20200018360A
Application number: KR1020190130714A
Authority: KR
Inventors: 정재훈; 최성원
Original assignee: 주식회사 버즈폴
Priority date: 2019-10-21
Filing date: 2019-10-21
Publication date: 2020-02-19

Abstract

본 발명은 자궁경부 학습 시스템에 관한 것으로, 특히 자궁경부 딥러닝 학습을 위한 자궁경부 학습 데이터 생성 시스템과 그 시스템에서의 자궁경부 학습 데이터 분류방법에 관한 것으로, 외부장치로부터 자궁경부에 대한 미분류 촬영 영상 데이터를 수신받는 미분류 영상 수신단계와, 상기 자궁경부에 대한 미분류 촬영 영상 데이터를 신경망 알고리즘에 기반하여 분류하되, 복수의 다단계 분류기준에 따라 분류하는 영상 데이터 분류단계와, 상기 분류기준별로 분류된 자궁경부에 대한 촬영 영상 데이터를 분류기준별 학습 데이터로 생성하여 저장하거나 학습 진행하는 학습 데이터 생성 및 학습 진행단계를 포함함을 특징으로 한다.

Description

자궁경부 학습 데이터 생성 시스템과 자궁경부 학습 데이터 분류방법{CERVICAL LEARNING DATA GENERATION SYSTEM}

본 발명은 자궁경부 학습 시스템에 관한 것으로, 특히 자궁경부 딥러닝 학습을 위한 자궁경부 학습 데이터 생성 시스템과 그 시스템에서의 자궁경부 학습 데이터 분류방법에 관한 것이다.

자궁경부암은 대한민국 여성들이 가장 두려워하는 암 순위 중 1위를 차지하고 있는바, 이는 자궁 적출로 인해 임신, 출산에 대한 영향을 받을 수 있고, 여성으로서의 상실감을 겪을 우려가 있기 때문이다.

2013년 통계에 따르면 대한민국 국내의 자궁경부암 환자 수는 26,207명으로 여성암 중에서 4위를 차지하고 있다(보건복지부 자료). 또한, 자궁경부암은 국내에서 검진을 권고하는 7대 암에 속하며, 1999년 국가 암 검진 사업에 포함되면서 조기 진단의 비율이 증가하고 있는 추세이다. 최근에는 자궁경부 '0기' 암이라 불리는 자궁경부 상피내암(전암 단계)도 증가 추세에 있는바, 성경험이 있는 여성에게 매년 검진을 받도록 권고하고 있는 실정이다.

그 검진에 관한 시장의 현황을 살펴보면, 우선 젊은 여성의 자궁경부 상피내암의 비율이 증가하고 있어 2016년부터 검진 대상이 30세에서 20세로 하향 조정되었다. 특히, 다른 암과 달리 자궁경부 세포 검사 검진에 관한 검진 비용의 300%에 대하여 건강보험 혜택이 적용된다. 그런데, 검진의 위음성률(즉, 오진율)이 최대 55%에 달하고 있어 그 보완책으로 자궁경부 확대 촬영 검사를 병행할 것이 권고되고 있는바, 2013년 기준으로 세계 자궁경부암 검진 시장은 약 6.86조 원 규모로서, 이 중 자궁경부 확대촬영 검사는 30%를 차지하여 약 2조 원의 규모에 달한다.

도 1은 종래에 자궁경부암을 진단하기 위하여 시행되던 자궁경부 세포 검사 및 자궁경부 확대 촬영 검진의 방식을 개략적으로 도시한 개념도 인바, 도 1의 하단을 참조하면, 여성 피검체의 질 외부에서 소정의 촬영 장치(예컨대 도 1에 도시된 자궁경부 확대경)를 통하여 자궁경부에 대한 촬영 영상이 획득되면, 이를 분석하여 그 결과를 이용함으로써 자궁경부암에 대한 검진의 오진율을 낮출 수 있게 된다.

그런데, 종래의 자궁경부 확대경을 활용할 때, 의료진은 교육과 경험에 비추어 해당 자궁경부의 영상에 대하여 자궁경부암의 발병 여부를 확인하는데, 이와 같은 방식은 반복적이고 애매한 경우가 많아서 숙련된 의사에게도 시간이 오래 걸리고 정확도도 함께 떨어질 수 있다.

이러한 단점을 극복하기 위해 자궁경부에 대한 촬영 영상을 획득하고, 획득된 자궁경부 영상으로부터 자궁경부암에 대한 기계학습모델에 기초하여 피검체의 자궁경부암 발병 여부에 관한 분석 정보를 생성해여 제공하는 자궁경부암 발병 여부 판정장치들도 소개되고 있다.

이러한 판정장치들의 성능을 평가하기 위한 주요 요소는 학습에 사용될 영상을 정확하게 분류 정리하여 학습을 진행해야 한다는 점이다. 이러한 데이터 분류 정리가 정확하고도 명확하게 이루어지지 않는다면 자궁경부암 발병 여부에 관한 분석 정확도가 떨어질 수밖에 없다. 보통 자궁경부암 질경검사(colposcopy) 영상은 촬영 환경 및 촬영자에 따라서 일반 의료 영상과는 다르게 다양한 형태로 나타난다. 따라서 자궁경부암의 발병 여부를 판정하는 장치들에서는 학습에 사용될 영상을 보다 명확하고도 엄격한 기준에 따라 분류하여 학습 진행할 필요가 있다.

대한민국 등록특허공보 제10-0850347호 대한민국 공개특허공보 제10-2016-0047720호

이에 본 발명은 상술한 필요성에 따라 창안된 발명으로서, 본 발명의 주요 목적은 자궁경부암의 정확한 병변 유무를 진단하기 위해 필요한 자궁경부 데이터를 정확한 기준에 따라 분류하기 위한 자궁경부 딥러닝 학습을 위한 자궁경부 학습 데이터 분류방법을 제공함에 있으며,

더 나아가 본 발명의 또 다른 목적은 특정 형태의 자궁경부 영상에 대해서만 과도한 학습이 진행되거나 반대로 특정 종류의 영상에 대해서 학습이 이루어지지 않는 현상이 발생하지 않도록 하여 자궁경부의 정확한 진단이 이루어질 수 있도록 유도하는 자궁경부 학습 데이터 생성 시스템 및 자궁경부 학습 데이터 분류방법을 제공함에 있다.

전술한 목적을 달성하기 위한 본 발명의 실시예에 따른 자궁경부 학습 데이터 분류방법은 외부장치와 데이터 송수신 가능한 컴퓨터 시스템에서 실행 가능한 방법으로서,

외부장치로부터 자궁경부에 대한 미분류 촬영 영상 데이터를 수신받는 미분류 영상 수신단계와;

상기 자궁경부에 대한 미분류 촬영 영상 데이터를 신경망 알고리즘에 기반하여 분류하되, 복수의 다단계 분류기준에 따라 분류하는 영상 데이터 분류단계와;

상기 분류기준별로 분류된 자궁경부에 대한 촬영 영상 데이터를 분류기준별 학습 데이터로 생성하여 저장하거나 학습 진행하는 학습 데이터 생성 및 학습 진행단계;를 포함함을 특징으로 한다.

더 나아가 상술한 자궁경부 학습 데이터 분류방법의 상기 학습 데이터 생성 및 학습 진행단계에서는 상기 분류기준별 학습 데이터의 수적 밸런스를 조정하기 위한 추가 학습 데이터를 더 생성하는 단계;를 더 포함함을 또 다른 특징으로 한다.

또한 상술한 자궁경부 학습 데이터 분류방법에 있어서, 상기 복수의 다단계 분류기준은 컬러를 분류기준으로 하는 1단계 분류기준과, 촬영 영상 데이터 내의 자궁경부 크기를 분류기준으로 하는 2단계 분류기준과, 자궁경부 영상 데이터 내의 컬러와 형태의 조합을 분류기준으로 하는 3단계 분류기준 중 적어도 두 개 이상의 분류기준을 포함함을 특징으로 하며,

상기 영상 데이터 분류단계에서는 컬러를 분류기준으로 하는 1단계 분류기준에 따라 상기 자궁경부에 대한 미분류 촬영 영상 데이터를 1차 분류하고, 상기 1차 분류된 촬영 영상 데이터 내의 자궁경부 크기를 분류기준으로 하는 2단계 분류기준에 따라 2차 분류하고, 상기 2차 분류된 자궁경부 영상 데이터 내의 컬러와 형태의 조합을 분류기준으로 하는 3단계 분류기준에 따라 상기 자궁경부에 대한 미분류 촬영 영상 데이터를 3차 분류함을 특징으로 한다.

경우에 따라서는 상기 3차 분류된 자궁경부에 대한 미분류 촬영 영상 데이터를 노출과 초점을 분류기준으로 하는 4단계 분류기준에 따라 4차 분류함을 또 다른 특징으로 할 수도 있다.

한편 본 발명의 또 다른 실시예에 따른 자궁경부 학습 데이터 생성 시스템은,

데이터 송수신 가능한 외부장치로부터 자궁경부에 대한 미분류 촬영 영상 데이터를 수신받아 저장하는 영상 수신부와;

상기 자궁경부에 대한 미분류 촬영 영상 데이터를 신경망 알고리즘에 기반하여 분류하되, 복수의 다단계 분류기준에 따라 분류하는 영상 데이터 분류부와;

상기 분류기준별로 분류된 자궁경부에 대한 촬영 영상 데이터를 분류기준별 학습 데이터로 생성하여 학습 진행하는 인공지능 학습 시스템으로 전달하거나 저장하는 학습 데이터 생성부와;

상기 다단계 분류기준, 자궁경부에 대한 미분류 촬영 영상 데이터, 생성된 학습 데이터를 저장하는 데이터 저장부;를 포함함을 특징으로 한다.

상기 학습 데이터 생성부는 생성된 상기 분류기준별 학습 데이터의 수적 밸런스를 조정하기 위한 추가 학습 데이터를 더 생성함을 또 다른 특징으로 한다.

상기 영상 데이터 분류부는,

컬러를 분류기준으로 하는 1단계 분류기준과, 촬영 영상 데이터 내의 자궁경부 크기를 분류기준으로 하는 2단계 분류기준과, 자궁경부 영상 데이터 내의 컬러와 형태의 조합을 분류기준으로 하는 3단계 분류기준 중 적어도 두 개 이상의 분류기준을 이용해 상기 자궁경부에 대한 미분류 촬영 영상 데이터를 분류함을 특징으로 할 수 있으며,

상기 영상 데이터 분류부는,

노출과 초점을 분류기준으로 하는 4단계 분류기준을 더 포함시켜 상기 자궁경부에 대한 미분류 촬영 영상 데이터를 분류함을 또 다른 특징으로 할 수도 있고,

상기 영상 데이터 분류부는,

컬러를 분류기준으로 하는 1단계 분류기준에 따라 상기 자궁경부에 대한 미분류 촬영 영상 데이터를 1차 분류하고, 상기 1차 분류된 촬영 영상 데이터 내의 자궁경부 크기를 분류기준으로 하는 2단계 분류기준에 따라 2차 분류하고, 상기 2차 분류된 자궁경부 영상 데이터 내의 컬러와 형태의 조합을 분류기준으로 하는 3단계 분류기준에 따라 상기 자궁경부에 대한 미분류 촬영 영상 데이터를 3차 분류함을 또 다른 특징으로 할 수도 있으며,

상기 영상 데이터 분류부는

컬러를 분류기준으로 하는 1단계 분류기준에 따라 상기 자궁경부에 대한 미분류 촬영 영상 데이터를 1차 분류하되, 상기 1단계 분류기준은 아세트산 반응 영상, 루골용액반응 영상, 그린필터 영상, 일반 영상 중 어느 하나 이상을 각각 식별하기 위한 컬러값을 분류기준 값으로 포함할 수도 있다.

더 나아가 상기 영상 데이터 분류부는,

상기 자궁경부에 대한 미분류 촬영 영상 데이터에서 자궁경부 영상 데이터 내의 컬러와 형태의 조합을 분류기준으로 하는 3단계 분류기준에 따라 상기 자궁경부에 대한 미분류 촬영 영상 데이터를 3차 분류하되, 상기 3단계 분류기준은 자궁경부 영상 데이터 내에서 적어도 혈액, 점액, 루프, 질확대경, 치료흔적, 수술도구 중 어느 하나 이상을 식별하기 위한 컬러값과 형태의 조합을 분류기준 값으로 포함함을 또 다른 특징으로 한다.

상술한 기술적 과제 해결 수단에 따르면, 본 발명의 실시예에 따른 자궁경부 학습 데이터 생성 시스템은 다단계의 분류기준에 따라 자궁경부에 대한 미분류 촬영 영상 데이터를 분류하여 학습 데이터를 생성하기 때문에, 기존 시스템들에 비해 보다 자궁경부에 대한 병변 유무를 정확하게 진단할 수 있는 효과가 있다.

또한 본 발명은 분류기준별 학습 데이터의 수적(數的) 밸런스를 조정하기 위한 추가 학습 데이터를 더 생성하여 학습에 이용토록 함으로써, 특정 형태의 자궁경부(암) 영상 데이터에서 대해서만 과도한 학습이 진행되거나, 반대로 특정 형태(혹은 종류)의 영상에 대해서 학습이 진행되지 않는 현상이 발생하지 않도록 함으로써, 자궁경부에 대한 병변 유무를 정확히 진단해 낼 수 있는 효과를 제공한다.

도 1은 종래에 자궁경부암을 진단하기 위하여 시행되던 자궁경부 세포 검사 및 자궁경부 확대 촬영 검진의 방식을 개략적으로 도시한 개념도.
도 2는 본 발명의 실시예에 따른 자궁경부 학습 데이터 생성 시스템의 구성 예시도.
도 3은 본 발명의 실시예에 따른 자궁경부 학습 데이터 분류방법을 설명하기 위한 도면.
도 4는 본 발명의 실시예에 따른 자궁경부 학습 데이터 생성을 위한 다단계 분류기준을 보다 상세히 설명하기 위한 도면.

이하 본 발명의 바람직한 실시예를 첨부 도면을 참조하여 상세히 설명하기로 한다. 본 발명을 설명함에 있어 관련된 공지 기능 혹은 구성이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그에 대한 상세한 설명은 생략하기로 한다.

우선 도 2는 본 발명의 실시예에 따른 자궁경부 학습 데이터 생성 시스템(200)의 구성도를 예시한 것으로, 도시된 자궁경부 학습 데이터 생성 시스템(200)은 컴퓨터 시스템에서 실행 가능한 코드 데이터들의 집합체로 구현될 수 있다. 하기 설명에서는 자궁경부 학습 데이터 생성 시스템(200)과 AI 학습 시스템(300)을 분리하여 도시하였으나, 시스템 구현 방식에 따라 이들은 하나의 시스템내에 통합되어 구현될 수도 있다.

참고적으로 상기 컴퓨터 시스템은 외부장치와 데이터 송수신이 가능한 통신부와 저장부, 저장부에 저장된 제어 코드 데이터들의 집합체에 따라 시스템의 전반적인 동작을 제어하는 제어부를 포함하는 시스템이며, 상기 저장부에는 특정 목적을 수행하기 위한 응용 프로그램의 소프트웨어 구성을 더 포함할 수 있다.

이하 자궁경부 학습 데이터 생성 시스템(200)의 구성을 도 2를 참조하여 부연 설명하면, 우선 본 발명의 실시예에 따른 자궁경부 학습 데이터 생성 시스템(200)은,

데이터 송수신 가능한 외부장치, 예를 들면 자궁경부에 대한 촬영 영상을 획득할 수 있는 장치(100:영상 촬영 장치) 혹은 자궁경부에 대한 촬영 영상 데이터가 저장된 저장장치 등으로부터 자궁경부에 대한 미분류 촬영 영상 데이터를 수신받아 데이터 저장부(240)에 저장하는 영상 수신부(210)와,

자궁경부에 대한 미분류 촬영 영상 데이터를 신경망 알고리즘(예를 들면 합성 신경망(CNN) 혹은 CNN과 SVM(support vector machine)을 결합한 모델)에 기반하여 분류하되, 복수의 다단계 분류기준에 따라 분류하는 영상 데이터 분류부(220)와,

상기 분류기준별로 분류된 자궁경부에 대한 촬영 영상 데이터를 분류기준별 학습 데이터로 생성하여 학습 진행하는 인공지능(AI) 학습 시스템(300)으로 전달하거나 데이터 저장부(240)에 저장하는 학습 데이터 생성부(230)와,

상기 다단계 분류기준, 자궁경부에 대한 미분류 촬영 영상 데이터, 생성된 학습 데이터를 저장하는 데이터 저장부(240)를 포함함을 특징으로 한다.

추가적으로 상기 학습 데이터 생성부(230)는 생성된 상기 분류기준별 학습 데이터의 수적(數的) 밸런스를 조정하기 위한 추가 학습 데이터를 더 생성함으로써, 특정 형태의 자궁경부(암) 영상 데이터에서 대해서만 과도한 학습이 진행되거나, 반대로 특정 형태(혹은 종류)의 영상에 대해서 정상적인 학습이 진행되지 않는 현상이 발생하지 않도록 한다.

한편, 영상 데이터 분류부(220)는 자궁경부에 대한 미분류 촬영 영상 데이터를 분류함에 있어, 컬러를 분류기준으로 하는 1단계 분류기준과, 촬영 영상 데이터 내의 자궁경부 크기를 분류기준으로 하는 2단계 분류기준과, 자궁경부 영상 데이터 내의 컬러와 형태의 조합을 분류기준으로 하는 3단계 분류기준, 노출과 초점을 분류기준으로 하는 4단계 분류기준 중 적어도 두 개 이상의 분류기준을 이용해 분류함을 특징으로 한다.

구체적인 구현 방법에 있어서 영상 데이터 분류부(220)는,

컬러를 분류기준으로 하는 1단계 분류기준에 따라 자궁경부에 대한 미분류 촬영 영상 데이터를 1차 분류하고, 상기 1차 분류된 촬영 영상 데이터 내의 자궁경부 크기를 분류기준으로 하는 2단계 분류기준에 따라 2차 분류하고, 상기 2차 분류된 자궁경부 영상 데이터 내의 컬러와 형태의 조합을 분류기준으로 하는 3단계 분류기준에 따라 상기 자궁경부에 대한 미분류 촬영 영상 데이터를 3차 분류할 수 있다.

또한 영상 데이터 분류부(220)는 상기 3차 분류된 자궁경부에 대한 미분류 촬영 영상 데이터를 노출과 초점을 분류기준으로 하는 4단계 분류기준에 따라 4차 분류할 수도 있다.

부가적으로 상기 영상 데이터 분류부(220)는 컬러를 분류기준으로 하는 1단계 분류기준에 따라 상기 자궁경부에 대한 미분류 촬영 영상 데이터를 1차 분류하되, 상기 1단계 분류기준은 아세트산 반응 영상, 루골용액반응 영상, 그린필터 영상, 일반 영상 중 어느 하나 이상을 각각 식별하기 위한 컬러값을 분류기준 값으로 포함한다.

또한 영상 데이터 분류부(220)는 1차 분류된 촬영 영상 데이터 내의 자궁경부 크기, 예를 들면 영상 내의 자궁경부 크기 150%, 100%, 80%, 50%, 확대경 및 이외 부분 포함과 같은 크기 분류기준으로 2차 분류한다.

더 나아가 영상 데이터 분류부(220)는 2차 분류된 자궁경부에 대한 미분류 촬영 영상 데이터에서 자궁경부 영상 데이터 내의 컬러와 형태의 조합을 분류기준으로 하는 3단계 분류기준에 따라 상기 자궁경부에 대한 미분류 촬영 영상 데이터를 3차 분류하되, 상기 3단계 분류기준은 자궁경부 영상 데이터 내에서 적어도 혈액, 점액, 루프, 질확대경, 치료흔적, 수술도구 중 어느 하나 이상을 식별하기 위한 컬러값과 형태의 조합을 분류기준 값으로 포함하여 자궁경부에 영향을 주는 이물질들을 분류한다.

예를 들어 혈액은 주로 자궁경부 중앙에서 아래로 흐르는 붉은색의 형태로 나타나며, 점액은 주로 자궁경부 중앙에서 아래로 흐르는 엷은 노란색의 형태로 나타나며, 루프는 자궁경부의 중앙에 주로 위치하며 일반적으로 부메랑 형태의 철사가 명확히 나타난다. 질 확대경 및 기타 수술도구는 핑크색의 자궁경부와는 다른 색상(은색, 푸른색,..)으로 나타나기에 각 이물질들의 컬러와 형태의 조합 특성을 이용하면 상기 예시한 바와 같이 자궁경부에 영향을 주는 이물질들을 분류할 수 있다.

한편, 영상 데이터 분류부(220)는 상술한 세 가지의 분류기준에 따라 분류되지 않는, 즉 병변이 식별되지 않는 영상을 노출과 초점 분류기준에 따라 별도 분류할 수 있다. 예를 들어 노출이 부족/과다할 경우 히스토그램이 한 쪽에 극단적으로 치우치기 때문에 이를 이용해 분류할 수 있고, 초점이 맞지 않는 경우 에지(edge:경계선) 검출이 되지 않거나 색의 대비가 모호하게 나타나므로 이러한 특성을 이용해 분류(4차 분류)할 수 있다.

예시한 1차 내지 4차 분류과정에서는 딥러닝 기법인 CNN을 사용하여 각각의 분류를 진행할 수 있다. 1차와 2차 및 4차 분류에서는 추출할 피처(feature)가 명확하기 때문에 적은 레이어(layer)의 구성으로도 높은 정확도의 분류가 가능하며, 3차 분류에서는 추출할 피처가 많기 때문에 깊은 레이어로 구성하여 정확도를 높일 수 있다.

이하 도 2 내지 도 4를 참조하여 본 발명의 실시예에 따른 자궁경부 학습 데이터 생성 시스템(200)의 학습 데이터 분류방법을 보다 구체적으로 설명하기로 한다.

우선 도 3은 본 발명의 실시예에 따른 자궁경부 학습 데이터 분류방법을 설명하기 위한 도면을 도시한 것이며, 도 4는 본 발명의 실시예에 따른 자궁경부 학습 데이터 생성을 위한 다단계 분류기준을 보다 상세히 설명하기 위한 도면을 도시한 것이다.

도 3을 참조하면, 우선 영상 수신부(210)는 영상 촬영장치(100)와 같은 외부장치로부터 자궁경부에 대한 미분류 촬영 영상 데이터를 수신받아 데이터 저장부(240)에 저장(S100단계)한다.

영상 데이터 분류부(220)는 자궁경부에 대한 하나 혹은 복수의 미분류 촬영 영상 데이터에 대해 CNN과 같은 신경망 알고리즘에 기반하여 분류하되, 복수의 다단계 분류기준에 따라 분류하여 저장(S200)한다.

예를 들어 영상 데이터 분류부(220)는 컬러를 분류기준으로 하는 1단계 분류기준에 따라 상기 자궁경부에 대한 미분류 촬영 영상 데이터를 우선적으로 1차 분류한다.

1차 분류를 위해 영상 데이터 분류부(220)는 아세트산 반응 영상, 루골용액반응 영상, 그린필터 영상, 일반 영상 각각 식별하기 위한 컬러값을 분류기준 값으로 포함함으로서, 위 4가지의 영상을 분류할 수 있다.

구체적으로, 아세트산 반응 영상은 흰색의 얼룩이 자궁경부에 나타나기 때문에 핑크색의 자궁경부 및 질과 구분이 가능하다. 루골용액 반응 영상은 갈색 또는 진한 주황색 컬러가 나타나며, 그린필터 영상은 영상 전반에 걸쳐 그린이 강하게 나타나기 때문에 이러한 각 영상의 특징을 나타내는 컬러값을 분류기준 값으로 활용해 자궁경부에 대한 미분류 촬영 영상 데이터를 분류할 수 있다.

1차 분류가 완료되면 영상 데이터 분류부(220)는 상기 1차 분류된 촬영 영상 데이터 내의 자궁경부 크기를 분류기준으로 하는 2단계 분류기준에 따라 2차 분류한다.

자궁경부는 500원 주화 크기의 원형으로 보통 영상 내에서 중앙 부분에 위치한다. 따라서 영상 내의 자궁경부 크기(150%, 100%, 80% 등)를 기준으로 자궁경부만 확대한 영상, 자궁경부 전체가 나온 영상, 자궁경부가 영상의 80% 정도만 나온 영상, 자궁경부가 영상의 50% 정도만 나온 영상, 자궁경부+확대경+이외부분 포함된 영상과 같이 2차 분류할 수 있다.

이후 영상 데이터 분류부(220)는 상기 2차 분류된 자궁경부 영상 데이터 내의 컬러와 형태의 조합을 분류기준으로 하는 3단계 분류기준에 따라 자궁경부에 영향을 주는 이물질들을 3차 분류한다.

앞서 언급한 바와 같이 혈액은 주로 자궁경부 중앙에서 아래로 흐르는 붉은색의 형태로 나타나며, 점액은 주로 자궁경부 중앙에서 아래로 흐르는 엷은 노란색의 형태로 나타나며, 루프는 자궁경부의 중앙에 주로 위치하며 일반적으로 부메랑 형태의 철사가 명확히 나타난다. 질 확대경 및 기타 수술도구는 핑크색의 자궁경부와는 다른 색상(은색, 푸른색,..)으로 나타나기에 각 이물질들의 컬러와 형태의 조합 특성을 이용하면 상기 예시한 바와 같이 자궁경부에 영향을 주는 이물질들을 분류할 수 있다.

경우에 따라서 영상 데이터 분류부(220)는 3차 분류된 영상들에 대해 노출과 초점을 기준으로 4차 분류할 수도 있다.

이상에서 설명한 바와 같이 다단계 분류기준에 따라 분류된 분류기준별 촬영 영상 데이터는 데이터 저장부(240)에 저장된다.

영상 데이터의 분류가 완료되면 학습 데이터 생성부(230)는 상기 분류기준별로 분류된 자궁경부에 대한 촬영 영상 데이터를 분류기준별 학습 데이터로 생성하여 저장(S300단계)한다. 학습 데이터 생성과정에서 학습 데이터 생성부(230)는 상기 분류기준별 학습 데이터의 수적 밸런스를 조정하기 위해 추가 학습 데이터를 더 생성하는데, 상기 추가 학습 데이터는 각 분류기준별 학습 데이터에 기반하여 생성하는 것이 바람직하다.

추가 학습 데이터를 생성하기 위한 방법으로는 미러링을 이용하여 좌우가 바뀌는 수직 미러링과 상하가 바뀌는 수평 미러링을 사용할 수 있으며, 크롭핑을 이용하여 원본보다 작은 크기로 상/하/좌/우 기준으로 크롭핑을 실행하여 추가 학습 데이터를 생성할 수 있다. 또한 미러링과 크롭핑을 같이 사용하면 최대 16배의 추가 학습 데이터의 생성이 가능하다.

이상과 같이 다단계 분류기준에 따라 자궁경부에 대한 미분류 촬영 영상 데이터가 분류되어 학습 데이터가 생성되면, AI 학습 시스템(300)은 생성된 학습 데이터에 대해 학습과 검증을 실행(S400단계)한다. 자궁경부 학습 데이터 생성 시스템(200) 내에 AI 학습 시스템(300)이 구현되어 있는 경우라면 상기 생성된 학습 데이터에 대해 학습과 검증을 실행하고, 이러한 학습에 따라 자궁경부에 대한 병변 유무까지도 진단 혹은 판정할 수 있을 것이다.

한편, 자궁경부에 대한 미분류 촬영 영상 데이터가 추가적으로 확보되면 상술한 바에 따라 재차 학습 데이터를 생성하고, 이러한 학습 데이터는 성능 향상을 위한 재학습에 이용될 것이다.

이상에서 살펴본 바와 같이 본 발명의 실시예에 따른 자궁경부 학습 데이터 생성 시스템(200)은 다단계의 분류기준에 따라 자궁경부에 대한 미분류 촬영 영상 데이터를 분류하여 학습 데이터를 생성하기 때문에, 다양한 분류기준에 따라 만들어진 학습 데이터를 학습하여 구축된 AI 진단장치(판단장치, AI엔진 등)는 기존 시스템들에 비해 보다 정확하게 자궁경부에 대한 병변 유무를 진단할 수 있게 되는 것이다.

이상 본 발명은 도면에 도시된 실시예들을 참고로 설명하였으나 이는 예시적인 것에 불과하며, 당해 기술분야에서 통상의 지식을 가진자라면 이로부터 다양한 변형 및 균등한 타실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호범위는 첨부된 특허청구범위에 의해서만 정해져야 할 것이다.

Claims

컴퓨터 시스템에서 실행 가능한 자궁경부 학습 데이터 분류방법에 있어서,
외부장치로부터 자궁경부에 대한 미분류 촬영 영상 데이터를 수신받는 미분류 영상 수신단계와;
상기 자궁경부에 대한 미분류 촬영 영상 데이터를 신경망 알고리즘에 기반하여 분류하되, 컬러를 분류기준으로 하는 1단계 분류기준과 촬영 영상 데이터 내의 자궁경부 크기를 분류기준으로 하는 2단계 분류기준과 자궁경부 영상 데이터 내의 컬러와 형태의 조합을 분류기준으로 하는 3단계 분류기준과 노출과 초점을 분류기준으로 하는 4단계 분류기준 중 적어도 두 개 이상의 분류기준에 따라 분류하는 영상 데이터 분류단계와;
상기 분류기준별로 분류된 자궁경부에 대한 촬영 영상 데이터를 분류기준별 학습 데이터로 생성하여 저장하거나 학습 진행하는 학습 데이터 생성 및 학습 진행단계;를 포함함을 특징으로 하는 자궁경부 학습 데이터 분류방법.
청구항 1에 있어서, 상기 학습 데이터 생성 및 학습 진행단계에서 상기 분류기준별 학습 데이터의 수적 밸런스를 조정하기 위한 추가 학습 데이터를 더 생성하는 단계;를 더 포함함을 특징으로 하는 자궁경부 학습 데이터 분류방법.
청구항 2에 있어서, 상기 추가 학습 데이터는 각 분류기준별 학습 데이터에 기반하여 생성됨을 특징으로 하는 자궁경부 학습 데이터 분류방법.
데이터 송수신 가능한 외부장치로부터 자궁경부에 대한 미분류 촬영 영상 데이터를 수신받아 저장하는 영상 수신부와;
상기 자궁경부에 대한 미분류 촬영 영상 데이터를 신경망 알고리즘에 기반하여 분류하되, 컬러를 분류기준으로 하는 1단계 분류기준과 촬영 영상 데이터 내의 자궁경부 크기를 분류기준으로 하는 2단계 분류기준과 자궁경부 영상 데이터 내의 컬러와 형태의 조합을 분류기준으로 하는 3단계 분류기준과 노출과 초점을 분류기준으로 하는 4단계 분류기준 중 적어도 두 개 이상의 분류기준에 따라 분류하는 영상 데이터 분류부와;
상기 분류기준별로 분류된 자궁경부에 대한 촬영 영상 데이터를 분류기준별 학습 데이터로 생성하여 학습 진행하는 인공지능 학습 시스템으로 전달하거나 저장하는 학습 데이터 생성부와;
상기 다단계 분류기준, 자궁경부에 대한 미분류 촬영 영상 데이터, 생성된 학습 데이터를 저장하는 데이터 저장부;를 포함함을 특징으로 하는 자궁경부 학습 데이터 생성 시스템.
청구항 4에 있어서, 상기 학습 데이터 생성부는,
생성된 상기 분류기준별 학습 데이터의 수적 밸런스를 조정하기 위한 추가 학습 데이터를 더 생성함을 특징으로 하는 자궁경부 학습 데이터 생성 시스템.