KR20200087427A - 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 방법 - Google Patents

딥러닝을 이용한 갑상선 암의 림프절 전이 진단 방법 Download PDF

Info

Publication number
KR20200087427A
KR20200087427A KR1020190003676A KR20190003676A KR20200087427A KR 20200087427 A KR20200087427 A KR 20200087427A KR 1020190003676 A KR1020190003676 A KR 1020190003676A KR 20190003676 A KR20190003676 A KR 20190003676A KR 20200087427 A KR20200087427 A KR 20200087427A
Authority
KR
South Korea
Prior art keywords
lymph node
node metastasis
thyroid cancer
diagnosing
radioactive iodine
Prior art date
Application number
KR1020190003676A
Other languages
English (en)
Other versions
KR102307995B1 (ko
Inventor
안병철
수바스 카비타 무투
이창희
수하스다스 시부다스 카탁카릴
Original Assignee
경북대학교 산학협력단
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 경북대학교 산학협력단 filed Critical 경북대학교 산학협력단
Priority to KR1020190003676A priority Critical patent/KR102307995B1/ko
Publication of KR20200087427A publication Critical patent/KR20200087427A/ko
Application granted granted Critical
Publication of KR102307995B1 publication Critical patent/KR102307995B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • 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
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Physiology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Signal Processing (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Mathematical Physics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Nuclear Medicine (AREA)

Abstract

본 발명의 일 실시 예에 따른 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 방법은 방사성요오드 평면 영상으로부터 다차원 마스크 이미지가 생성되는 전처리 단계, 전처리된 방사성요오드 평면 영상에서 각 픽셀 별 잔여 조직(Remnant tissue) 또는 림프절 전이(Lymph Node metastasis)의 가능도(likelihood)가 계산되는 단계, 전처리된 방사성요오드 평면 영상 및 계산된 가능도에 대하여 신경망(Neural Network) 학습 모델이 적용되어 학습이 수행되는 단계 및 신경망 학습의 결과에 기초하여 갑상선 암의 림프절 전이 여부가 진단되는 단계가 포함될 수 있다.

Description

딥러닝을 이용한 갑상선 암의 림프절 전이 진단 방법{THE DIAGNOSTIC METHOD OF LYMPH NODE METASTASIS IN THYROID CANCER USING DEEP LEARNING}
본 발명은 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 방법에 관한 것으로, 더욱 상세하게는 방사선요오드 평면 영상에 대하여 다차원 마스크 이미지를 생성하고, 잔여 조직 또는 림프절 전이에 대한 가능도를 계산하여 생성된 이미지 및 계산된 가능도에 대하여 신경망(Neural Network) 학습 모델이 적용됨으로써 림프절 전이 여부가 진단되는 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 방법에 관한 것이다.
림프절 전이(Lymph node Metastases)는 분화 갑상선암(DTC: Differentiated Thyroid Carcinoma)의 주요 예후 인자(prognostic factors) 중 하나로써, 분화 갑상선암 환자의 경부(頸部) 림프절 전이 유병률은 20%에서 90% 범위에 해당되는 것으로 보고되고 있다.
의료 영상 중 하나인 방사성요오드 평면 영상(whole-body planar scans)은 갑상선 절제술 시행 후 갑상선암 환자에게 숨겨진 방사성 요오드(RAI: radioactive-iodine) 전이성 림프절 전이 정도를 시각화 함으로써 단계 별 진단하는데 도움이 됩니다. 다만, 상기 방사성요오드 평면 영상에서의 해부학적 특징이 부족한 점 및 갑상선 잔류물에 의한 방사성요오드 섭취는 진단 민감도 및 특이성에 부정적인 영향을 끼쳐 다수의 위양성(false positive) 또는 위음성(false negative) 진단이 발생함으로써 초과 혹은 부족 치료로 이어질 위험이 있다. 이러한 문제를 극복하기 위하여 단일광자 단층촬영(SPECT: single photon emission computed tomography, 이하 단층 촬영) 영상을 사용함으로써 림프절 전이 여부의 정확한 진단이 이루어질 수 있지만, 단층 촬영으로 인하여 초래되는 방사선 피폭 문제, 비용 문제 및 시간 문제 등을 고려하였을 때, 단층 촬영 방법은 지속적으로 사용하기 어렵다.
상기 문제점을 해결하기 위하여 컴퓨터 보조 진단(CAD: computer aided diagnosis) 시스템이 사용될 수 있다. 컴퓨터 보조 진단 시스템이란 의료 영상을 분석한 결과에 따라 의료 영상의 소정의 부위에 진단에 관련된 내용의 표시를 통해 의사의 진단에 도움을 줄 수 있는 시스템을 지칭할 수 있다. 갑상선암의 림프절 전이를 위한 컴퓨터 보조 진단 방법은 의사는 물론 환자에게도 유익한 도구가 될 수 있다.
그러나, 컴퓨터 보조 진단을 사용하기 위해서 방사성요오드 평면 영상을 세분화 하여 검사하는 것은 방사성요오드 결합성을 가진 잔존 갑상샘 조직의 가능성 때문에 어려움을 겪고 있다. 현재는 경부 림프절 전이의 검출을 위해서 CT 영상에 초점을 맞출 수 밖에 없는 제한적인 상황에 처해있으며, CT 영상을 활용하더라도 인접한 조직으로부터 식별이 불가능한 전이 케이스가 있어 적합하지 않은 실정이다.
최근에는 여러가지 의학적인 진단 문제를 해결하기 위해서 딥러닝(deep-learning) 알고리즘이 활용되어 복잡한 이미징 및 해부학적 영상을 분석하여 진단에 활용되고 있다. 다만, 방사성요오드 평면 영상에서 림프절 전이 및 잔존 조직 영역은 일반적으로 노이즈 인공물질(noise artifacts)의 영향을 받고 다른 영역과 중첩될 수 있는 문제가 있어, 곧바로 방사성요오드 평면 영상을 딥러닝 알고리즘에 활용하는 것은 부적절하고, 픽셀 단위(pixel-wise)의 지역 기반 신경망 학습을 통해 림프절 전이 여부를 진단하기 위한 기술 개발이 요구되고 있다.
대한민국 공개특허공보 제10-2018-0022440호 (공개일자: 2018.03.06)
본 발명은 전술한 문제점에 대한 일 대응방안으로써, 딥러닝 알고리즘을 이용하여 방사성요오드 평면 영상을 분석하되, 방사성요오드 평면 영상 자체를 바로 학습시키는 것이 아니라, 픽셀 단위의 전처리된(preprocessed) 마스크 영상 및 계산된 가능도에 대하여 학습이 이루어진 결과를 활용할 수 있는 림프절전이 진단 방법을 제공하고자 함에 그 목적이 있다.
본 발명의 일 실시 예로써, 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 방법이 제공될 수 있다.
본 발명의 일 실시 예에 따른 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 방법은 방사성요오드 평면 영상으로부터 다차원 마스크 이미지가 생성되는 전처리 단계, 전처리된 방사성요오드 평면 영상에서 각 픽셀 별 잔여 조직(Remnant tissue) 또는 림프절 전이(Lymph Node metastasis)의 가능도(likelihood)가 계산되는 단계, 전처리된 방사성요오드 평면 영상 및 계산된 가능도에 대하여 신경망(Neural Network) 학습 모델이 적용되어 학습이 수행되는 단계 및 신경망 학습의 결과에 기초하여 갑상선 암의 림프절 전이 여부가 진단되는 단계가 포함될 수 있다.
본 발명의 일 실시 예에 따른 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 방법의 다차원 마스크 이미지가 생성되는 전처리 단계는 방사성요오드 평면 영상으로부터 추적자 섭취부위 영역이 검출되는 단계, 검출된 추적자 섭취부위 영역에 대하여 가우시안 필터링이 수행되는 단계 및 가우시안 필터링 결과에 기초하여 픽셀 특징이 복수개의 레벨로 표현된 다차원 마스크 이미지가 생성되는 단계가 포함될 수 있다.
본 발명의 일 실시 예에 따른 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 방법에 있어서, 갑상선 암의 림프절 전이 여부가 진단되는 단계에서는 추적자 섭취부위 영역 별 잔여 조직 및 림프절 전이 중 어느 하나로 판단된 결과에 따라 갑상선 암의 림프절 전이 여부가 진단될 수 있다.
본 발명의 일 실시 예에 따른 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 방법에는 갑상선 암의 림프절 전이 여부가 진단되는 단계에서 잘못 판단된 영역을 제거하기 위한 픽셀 단위의 필터링이 수행되는 후처리 단계가 더 포함될 수 있다.
본 발명의 일 실시 예에 따른 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 방법에 있어서, 가능도(likelihood)가 계산되는 단계에서의 가능도는 전처리된 방사성요오드 평면 영상의 모든 픽셀의 GT(Ground Truth) 값에 대하여 정규화가 수행됨으로써 계산될 수 있다.
본 발명의 일 실시 예로써, 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 시스템이 제공될 수 있다.
본 발명의 일 실시 예에 따른 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 시스템은 방사성요오드 평면 영상으로부터 다차원 마스크 이미지가 생성되는 전처리부, 전처리된 방사성요오드 평면 영상에서 각 픽셀 별 잔여 조직(Remnant tissue) 또는 림프절 전이(Lymph Node metastasis)의 가능도(likelihood)가 계산되는 가능도결정부, 전처리된 방사성요오드 평면 영상 및 계산된 가능도에 대하여 신경망(Neural Network) 학습 모델이 적용되어 학습이 수행되는 신경망학습부 및 신경망학습부의 학습 결과에 기초하여 갑상선 암의 림프절 전이 여부가 진단되는 진단예측부가 포함될 수 있다.
본 발명의 일 실시 예에 따른 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 시스템의 전처리부에서는 방사성요오드 평면 영상으로부터 추적자 섭취부위 영역이 검출되고, 검출된 추적자 섭취부위 영역에 대하여 가우시안 필터링이 수행되며, 가우시안 필터링 결과에 기초하여 픽셀 특징이 복수개의 레벨로 표현된 다차원 마스크 이미지가 생성될 수 있다.
본 발명의 일 실시 예에 따른 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 시스템의 진단예측부에서는 추적자 섭취부위 영역 별 잔여 조직 및 림프절 전이 중 어느 하나로 판단된 결과에 따라 갑상선 암의 림프절 전이 여부가 진단될 수 있다.
본 발명의 일 실시 예에 따른 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 시스템에는 진단예측부에서 잘못 판단된 영역을 제거하기 위한 픽셀 단위의 필터링이 수행되는 후처리부가 더 포함될 수 있다.
본 발명의 일 실시 예에 따른 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 시스템의 가능도결정부에서는 전처리된 방사성요오드 평면 영상의 모든 픽셀의 GT(Ground Truth) 값에 대하여 정규화가 수행됨으로써 가능도가 계산될 수 있다.
한편, 본 발명의 일 실시 예로써, 전술한 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체가 제공될 수 있다.
본 발명의 일 실시 예에 따르면, 방사성요오드 영상의 픽셀 단위의 전처리된 영상을 학습시킴으로써 노이즈 인공물(noise artifact)의 영향을 최소화함으로써 학습이 수행될 수 있다.
또한, 림프절 전이 및 잔류 조직 여부에 대한 가능도(likelihood)에 관한 내용을 학습 대상으로 추가시킴으로써 갑상선 암의 림프절 전이 진단 여부를 더욱 정확하게 판단할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 림프절 전이 진단 방법을 나타낸 순서도이다.
도 2는 본 발명의 일 실시 예에 따른 림프절 전이 진단 방법에 있어서, 다차원 마스크 이미지가 생성되는 전처리 방법을 나타낸 순서도이다.
도 3은 본 발명의 일 실시 예에 따른 림프절 전이 진단 방법에 있어서, 가우시안 필터링이 수행된 이미지를 나타낸 예시도이다.
도 4는 본 발명의 일 실시 예에 따른 림프절 전이 진단 방법에 있어서, 림프절 전이 및 잔류 조직에 대하여 계산된 가능도가 반영된 이미지를 나타낸 예시도이다.
도 5는 본 발명의 일 실시 예에 따른 림프절 전이 진단 방법에 있어서, 환자 별 림프절 전이 및 잔류조직을 표시한 결과를 나타낸 예시도이다.
도 6은 본 발명의 일 실시 예에 따른 림프절 전이 진단 방법에 있어서, 부정확하게 분류된 결과를 나타낸 예시도이다.
도 7은 본 발명의 일 실시 예에 따른 림프절 전이 진단 방법에 있어서, 신경망의 히든 레이어 수에 따른 수행 결과를 나타낸 예시도이다.
도 8은 본 발명의 일 실시 예에 따른 림프절 전이 진단 시스템을 나타낸 블록도이다.
도 9는 본 발명의 일 실시 예에 따른 림프절 전이 진단 시스템을 나타낸 예시도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명에 대해 구체적으로 설명하기로 한다.
본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 명세서 전체에서 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, "그 중간에 다른 소자를 사이에 두고" 연결되어 있는 경우도 포함한다.
이하 첨부된 도면을 참고하여 본 발명을 상세히 설명하기로 한다.
본 발명의 일 실시 예로써, 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 방법이 제공될 수 있다. 또한, 상기 림프절 전이 진단 방법은 후술하는 림프절 전이 진단 시스템(1000)에 의해서 수행될 수 있으며, 이하에서는 후술하는 림프절 전이 진단 시스템(1000)에 의해 수행되는 림프절 전이 진단 방법에 관하여 설명한다.
도 1은 본 발명의 일 실시 예에 따른 림프절 전이 진단 방법을 나타낸 순서도이다.
도 1을 참조하면, 본 발명의 일 실시 예에 따른 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 방법은 방사성요오드 평면 영상으로부터 다차원 마스크 이미지가 생성되는 전처리 단계(S100), 전처리된 방사성요오드 평면 영상에서 각 픽셀 별 잔여 조직(Remnant tissue) 또는 림프절 전이(Lymph Node metastasis)의 가능도(likelihood)가 계산되는 단계(S200), 전처리된 방사성요오드 평면 영상 및 계산된 가능도에 대하여 신경망(Neural Network) 학습 모델이 적용되어 학습이 수행되는 단계(S300) 및 신경망 학습의 결과에 기초하여 갑상선 암의 림프절 전이 여부가 진단되는 단계가 포함(S400)될 수 있다.
상기 방사성요오드 평면 영상(whole-body planar scans)은 전술한 바와 같이 의료 영상 중 하나로써, 갑상선 절제술 시행 후 갑상선암 환자에게 숨겨진 방사성 요오드(RAI: radioactive-iodine) 전이성 림프절 전이 정도를 시각화 한 영상을 지칭할 수 있다. 또한, 상기 방사성요오드 평면 영상은 갑상선 암 환자에 대하여 131-I 요오드를 투여한 후 소정의 시간이 지난 뒤에 감마선 카메라를 이용하여 촬영된 영상에 해당될 수 있다.
먼저, 전처리 단계(S100)에서는 입력된 방사성요오드 평면 영상에 대하여 전처리가 수행됨으로써 다차원 마스크 이미지(multi-dimensional masked images)가 생성될 수 있다.
도 2는 본 발명의 일 실시 예에 따른 림프절 전이 진단 방법에 있어서, 다차원 마스크 이미지가 생성되는 전처리 방법을 나타낸 순서도이고, 도 3은 본 발명의 일 실시 예에 따른 림프절 전이 진단 방법에 있어서, 가우시안 필터링이 수행된 이미지를 나타낸 예시도이다.
도 2 내지 도 3을 참조하면, 본 발명의 일 실시 예에 따른 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 방법의 다차원 마스크 이미지가 생성되는 전처리 단계(S100)는 방사성요오드 평면 영상으로부터 추적자 섭취부위 영역이 검출되는 단계(S110), 검출된 추적자 섭취부위 영역에 대하여 가우시안 필터링이 수행되는 단계(S120) 및 가우시안 필터링 결과에 기초하여 픽셀 특징들이 복수개의 레벨로 표현된 다차원 마스크 이미지가 생성되는 단계(S130)가 포함될 수 있다.
구체적으로, 방사성요오드 평면 영상으로부터 추적자 섭취부위 영역이 검출되는 단계(S110)에서는 방사선요오드 평면 영상 내에서 갑상선 암의 전이 여부가 진단되기 위한 추적자 섭취 부위 영역이 먼저 검출되는데, 추적자 섭취 부위는 잔류 조직 및 전이 조직 모두에 표시가 되는 것으로, 추적자는 방사선 영상 생성 장치에 있어서 양전자를 방출하는 물질을 지칭할 수 있다. 즉, 추적자 섭취부위 영역 검출 단계(S110)에서는 아직 전이 조직 혹은 잔류 조직에 대한 분류 결과가 나오진 않았지만 본 발명에 의해서 진단의 대상이 되는 갑상선 주위의 추적자가 섭취된 영역이 별도로 검출됨으로써 추후 딥러닝 학습을 위한 대상으로 사용될 수 있다.
다음으로, 검출된 추적자 섭취부위 영역에 대하여 가우시안 필터링이 수행되는 단계(S120)에서는 영상 품질을 향상시키고 다차원 픽셀 피처를 생성하기 위해 가우시안 필터링(Gaussian filtering)이 수행될 수 있다. 가우시안 필터링은 영상 처리 기법 중 하나로 가우시안 함수를 이용하여 마스크를 생성하고 입력된 영상과 마스크 연산을 수행하는 필터링 방법을 지칭할 수 있으며, 표준 편차 값을 다양하게 설정함에 따라 다차원 가우스 픽셀 특징들이 생성될 수 있다. 도 3에 도시된 바와 같이 원본 영상(A)에 대하여 표준 편차 값을 2, 4, 8로 설정함으로써 필터링된 이미지가 각각 B, C, D와 같이 나타날 수 있다.
다음으로, 즉, S110 단계에서 검출된 추적자 섭취 부위에 대하여 S120 단계에서 가우시안 필터링을 통해 생성된 이미지를 이용한 마스크 연산을 통해 다차원 마스크 이미지가 생성될 수 있다. 즉, 전처리 단계(S100)의 결과로써, 가우시안 필터링 결과에 기초하여 픽셀 특징들이 복수개의 레벨로 표현된 다차원 마스크 이미지가 생성(S130)될 수 있다.
전처리 단계(S100) 이후에는 전처리된 방사성요오드 평면 영상에서 각 픽셀 별 잔여 조직(Remnant tissue) 또는 림프절 전이(Lymph Node metastasis)의 가능도(likelihood)가 계산되는 단계(S200)가 수행될 수 있다.
도 4는 본 발명의 일 실시 예에 따른 림프절 전이 진단 방법에 있어서, 림프절 전이 및 잔류 조직에 대하여 계산된 가능도가 반영된 이미지를 나타낸 예시도이다.
도 4를 참조하면, 본 발명의 일 실시 예에 따른 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 방법에 있어서, 가능도(likelihood)가 계산되는 단계에서의 가능도는 전처리된 방사성요오드 평면 영상의 모든 픽셀의 GT(Ground Truth) 값에 대하여 정규화가 수행됨으로써 계산될 수 있다.
상기 GT(Ground Truth) 값은 영상처리 알고리즘 성능 평가에서 사용되는 것으로, 특정 결과 값이 얼마나 정확한지 평가하고자 할 때, 그 비교 기준이 되는 실제 값을 지칭할 수 있다. 더욱 자세한 설명은 본 발명의 내용과 관계 없는 것으로 생략한다.
구체적인 가능도 계산은 아래 정규화 계산을 위한 [수학식 1] 및 [수학식 2] 에 의해 수행될 수 있다.
[수학식 1]
Figure pat00001
[수학식 2]
Figure pat00002
상기 [수학식 1] 및 [수학식 2]에서
Figure pat00003
는 전술한 GT(Ground Truth) 값에 해당되고, [수학식 1]에서
Figure pat00004
는 해당 전처리 영상의 픽셀 위치가 잔여 조직(remnant tissue)에 해당될 확률을 나타내며, [수학식 2]에서
Figure pat00005
는 해당 전처리 영상의 픽셀 위치가 림프절 전이(lymph node metastasis)에 해당될 확률을 나타낼 수 있다. 즉, 위 [수학식 1] 및 [수학식 2]를 사용하여 전처리된 영상에 대한 모든 픽셀의 GT 값을 정규화함으로써 림프절 전이 혹은 잔여 조직 여부에 대한 가능도가 계산될 수 있다.
다음으로, 전처리된 방사성요오드 평면 영상 및 계산된 가능도에 대하여 신경망(Neural Network) 학습 모델이 적용되어 학습이 수행되는 단계(S300)가 수행될 수 있다. 도 8을 참조하면, 전처리된 방사성요오드 평면 영상 및 가능도에 관한 정보는 신경망 학습을 위해 데이터베이스부(600)에 저장될 수 있다.
본 발명에서 사용되는 딥러닝 알고리즘에는 다양한 알고리즘이 사용될 수 있으나, 이하에서는 심층신경망(DNN: Deep Neural Network)를 이용하여 학습 및 진단되는 과정을 설명한다. 상기 심층신경망(DNN)은 입력 층(input layer)과 출력 층(output layer) 사이에 여러 개의 은닉 층(hidden layer)들로 이루어진 인공신경망(ANN: Artificial Neural Network)를 지칭할 수 있다.
도 7은 본 발명의 일 실시 예에 따른 림프절 전이 진단 방법에 있어서, 신경망의 히든 레이어 수에 따른 수행 결과를 나타낸 예시도인데, 도 7 및 도 9에 도시된 바와 같이 은닉 층의 수는 3(A), 7(B), 10(C) 등 다양하게 설정될 수 있지만, 은닉 층의 수가 많아질수록 수행 능력(ex. 정확도, 손실 등)이 우수함을 확인할 수 있다. 즉, 도 7의 A, B 보다 C의 경우 우수한 수행 능력을 확인할 수 있다.
또한, 상기 입력 층(input layer)에서의 노드(node)의 수는 전술한 단계(S100-S200)에서 추출된 이미지 픽셀 특징들의 수와 동일하게 결정될 수 있다.
더불어, 상기 심층신경망에는 활성화 함수(activation function)를 수행하기 위한 ReLU(Rectified linear unit) 레이어, tanh(r) 레이어 등이 포함될 수 있다.
상기 심층신경망의 학습에 있어서 라벨링(labeling) 정보는 단일광자 단층촬영(SPECT: single photon emission computed tomography, 이하 단층 촬영) 영상으로 진단된 결과가 활용될 수 있다. 즉, 환자 별 단층 촬영 결과에 기초하여 림프절 전이 혹은 잔여 조직으로 진단된 결과를 활용하여 심층신경망 학습을 위해 라벨링이 수행될 수 있다.
상기와 같은 심층신경망 학습 모델을 통해 학습이 수행(S300)된 이후에는 상기 학습 결과에 기초하여 갑상선 암의 림프절 전이 여부가 진단(S400)될 수 있다. 본 발명의 일 실시 예에 따른 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 방법에 있어서, 갑상선 암의 림프절 전이 여부가 진단되는 단계에서는 추적자 섭취부위 영역 별 잔여 조직 및 림프절 전이 중 어느 하나로 판단된 결과에 따라 갑상선 암의 림프절 전이 여부가 진단될 수 있다.
상기 림프절 전이 여부 진단 단계의 수행을 위해서 심층신경망의 출력단에는 분류 레이어로써, softmax layer가 사용될 수 있다. 즉, softmax layer에서는 심층신경망 학습 결과에 따라 출력된 점수에 따라 픽셀 단위로 림프절 전이 혹은 잔여 조직에 대한 분류가 수행될 수 있다.
도 5는 본 발명의 일 실시 예에 따른 림프절 전이 진단 방법에 있어서, 환자 별 림프절 전이 및 잔류조직을 표시한 결과를 나타낸 예시도이고, 도 6은 본 발명의 일 실시 예에 따른 림프절 전이 진단 방법에 있어서, 부정확하게 분류된 결과를 나타낸 예시도이다.
도 5를 참조하면, 본 발명의 림프절 전이 진단 방법에 의해 방사선요오드 평면 영상에서 초록색 부분이 잔여 조직(20)으로 분류되어 표시된 영역에 해당되고, 빨간색 부분이 림프절 전이 조직(30)으로 분류되어 표시된 결과가 도시되어 있다. 즉, 본 발명의 수행에 따라 입력된 방사선요오드 평면 영상(50) 내에서 픽셀 단위(pixel-wise)로 잔여 조직 및 림프절 전이 조직으로 분류된 결과가 표시될 수 있다.
또한, 본 발명의 일 실시 예에 따른 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 방법에는 갑상선 암의 림프절 전이 여부가 진단되는 단계에서 잘못 판단된 영역을 제거하기 위한 픽셀 단위의 필터링이 수행되는 후처리 단계가 더 포함될 수 있다.
상기 후처리(post-processing) 방법에는 다양한 방법이 사용될 수 있는데, 예를 들면 전이 조직 혹은 림프절 전이 조직으로 분류된 이미지에 대하여 소정의 픽셀에 대한 크기 필터링 방법이 포함될 수 있다.
본 발명의 일 실시 예로써, 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 시스템(1000)이 제공될 수 있다. 이하에서 설명될 림프절 전이 진단 시스템(1000)과 관련하여서는 전술한 방법에 대한 내용이 적용될 수 있다. 따라서, 시스템과 관련하여 전술한 내용과 동일한 내용에 대하여는 설명을 생략하였다.
도 8은 본 발명의 일 실시 예에 따른 림프절 전이 진단 시스템(1000)을 나타낸 블록도이고, 도 9는 본 발명의 일 실시 예에 따른 림프절 전이 진단 시스템(1000)을 나타낸 예시도이다.
도 8 및 도 9를 참조하면, 본 발명의 일 실시 예에 따른 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 시스템(1000)은 방사성요오드 평면 영상으로부터 다차원 마스크 이미지가 생성되는 전처리부(100), 전처리된 방사성요오드 평면 영상에서 각 픽셀 별 잔여 조직(Remnant tissue) 또는 림프절 전이(Lymph Node metastasis)의 가능도(likelihood)가 계산되는 가능도결정부(200), 전처리된 방사성요오드 평면 영상 및 계산된 가능도에 대하여 신경망(Neural Network) 학습 모델이 적용되어 학습이 수행되는 신경망학습부(300) 및 신경망학습부(300)의 학습 결과에 기초하여 갑상선 암의 림프절 전이 여부가 진단되는 진단예측부(400)가 포함될 수 있다.
본 발명의 일 실시 예에 따른 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 시스템(1000)의 전처리부(100)에서는 방사성요오드 평면 영상으로부터 추적자 섭취부위 영역이 검출되고, 검출된 추적자 섭취부위 영역에 대하여 가우시안 필터링이 수행되며, 가우시안 필터링 결과에 기초하여 픽셀 특징이 복수개의 레벨로 표현된 다차원 마스크 이미지가 생성될 수 있다.
본 발명의 일 실시 예에 따른 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 시스템(1000)의 진단예측부(400)에서는 추적자 섭취부위 영역 별 잔여 조직 및 림프절 전이 중 어느 하나로 판단된 결과에 따라 갑상선 암의 림프절 전이 여부가 진단될 수 있다.
본 발명의 일 실시 예에 따른 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 시스템(1000)에는 진단예측부(400)에서 잘못 판단된 영역을 제거하기 위한 픽셀 단위의 필터링이 수행되는 후처리부(500)가 더 포함될 수 있다.
본 발명의 일 실시 예에 따른 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 시스템(1000)의 가능도결정부(200)에서는 전처리된 방사성요오드 평면 영상의 모든 픽셀의 GT(Ground Truth) 값에 대하여 정규화가 수행됨으로써 가능도가 계산될 수 있다.
한편, 전술한 방법은 컴퓨터에서 실행될 수 있는 프로그램으로 작성 가능하고, 컴퓨터 판독 가능 매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 또한, 상술한 방법에서 사용된 데이터의 구조는 컴퓨터 판독 가능 매체에 여러 수단을 통하여 기록될 수 있다. 본 발명의 다양한 방법들을 수행하기 위한 실행 가능한 컴퓨터 프로그램이나 코드를 기록하는 기록 매체는, 반송파(carrier waves)나 신호들과 같이 일시적인 대상들은 포함하는 것으로 이해되지는 않아야 한다. 상기 컴퓨터 판독 가능 매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스크, 하드 디스크 등), 광학적 판독 매체(예를 들면, 시디롬, DVD 등)와 같은 저장 매체를 포함할 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100: 전처리부 200: 가능도결정부
300: 신경망학습부 400: 진단예측부
500: 후처리부 600: 데이터베이스부
1000: 림프절 전이 진단 시스템

Claims (11)

  1. 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 방법에 있어서,
    방사성요오드 평면 영상으로부터 다차원 마스크 이미지가 생성되는 전처리 단계;
    상기 전처리된 방사성요오드 평면 영상에서 각 픽셀 별 잔여 조직(Remnant tissue) 또는 림프절 전이(Lymph Node metastasis)의 가능도(likelihood)가 계산되는 단계;
    상기 전처리된 방사성요오드 평면 영상 및 계산된 가능도에 대하여 신경망(Neural Network) 학습 모델이 적용되어 학습이 수행되는 단계; 및
    상기 신경망 학습의 결과에 기초하여 갑상선 암의 림프절 전이 여부가 진단되는 단계;가 포함되는 갑상선 암의 림프절 전이 진단 방법.
  2. 제 1 항에 있어서,
    상기 다차원 마스크 이미지가 생성되는 전처리 단계는
    상기 방사성요오드 평면 영상으로부터 추적자 섭취부위 영역이 검출되는 단계;
    상기 검출된 추적자 섭취부위 영역에 대하여 가우시안 필터링이 수행되는 단계; 및
    상기 가우시안 필터링 결과에 기초하여 픽셀 특징이 복수개의 레벨로 표현된 다차원 마스크 이미지가 생성되는 단계;가 포함되는 갑상선 암의 림프절 전이 진단 방법.
  3. 제 2 항에 있어서,
    상기 갑상선 암의 림프절 전이 여부가 진단되는 단계에서는 상기 추적자 섭취부위 영역 별 잔여 조직 및 림프절 전이 중 어느 하나로 판단된 결과에 따라 갑상선 암의 림프절 전이 여부가 진단되는 갑상선 암의 림프절 전이 진단 방법.
  4. 제 3 항에 있어서,
    상기 갑상선 암의 림프절 전이 여부가 진단되는 단계에서 잘못 판단된 영역을 제거하기 위한 픽셀 단위의 필터링이 수행되는 후처리 단계;가 더 포함되는 갑상선 암의 림프절 전이 진단 방법.
  5. 제 1 항에 있어서,
    상기 가능도(likelihood)가 계산되는 단계에서의 상기 가능도는 상기 전처리된 방사성요오드 평면 영상의 모든 픽셀의 GT(Ground Truth) 값에 대하여 정규화가 수행됨으로써 계산되는 갑상선 암의 림프절 전이 진단 방법.
  6. 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 시스템에 있어서,
    방사성요오드 평면 영상으로부터 다차원 마스크 이미지가 생성되는 전처리부;
    상기 전처리된 방사성요오드 평면 영상에서 각 픽셀 별 잔여 조직(Remnant tissue) 또는 림프절 전이(Lymph Node metastasis)의 가능도(likelihood)가 계산되는 가능도결정부;
    상기 전처리된 방사성요오드 평면 영상 및 계산된 가능도에 대하여 신경망(Neural Network) 학습 모델이 적용되어 학습이 수행되는 신경망학습부; 및
    상기 신경망학습부의 학습 결과에 기초하여 갑상선 암의 림프절 전이 여부가 진단되는 진단예측부;가 포함되는 갑상선 암의 림프절 전이 진단 시스템.
  7. 제 6 항에 있어서,
    상기 전처리부에서는 방사성요오드 평면 영상으로부터 추적자 섭취부위 영역이 검출되고, 상기 검출된 추적자 섭취부위 영역에 대하여 가우시안 필터링이 수행되며, 상기 가우시안 필터링 결과에 기초하여 픽셀 특징이 복수개의 레벨로 표현된 다차원 마스크 이미지가 생성되는 갑상선 암의 림프절 전이 진단 시스템.
  8. 제 7 항에 있어서,
    상기 진단예측부에서는 상기 추적자 섭취부위 영역 별 잔여 조직 및 림프절 전이 중 어느 하나로 판단된 결과에 따라 갑상선 암의 림프절 전이 여부가 진단되는 갑상선 암의 림프절 전이 진단 시스템.
  9. 제 8 항에 있어서,
    상기 진단예측부에서 잘못 판단된 영역을 제거하기 위한 픽셀 단위의 필터링이 수행되는 후처리부;가 더 포함되는 갑상선 암의 림프절 전이 진단 시스템.
  10. 제 6 항에 있어서,
    상기 가능도결정부에서는 상기 전처리된 방사성요오드 평면 영상의 모든 픽셀의 GT(Ground Truth) 값에 대하여 정규화가 수행됨으로써 상기 가능도가 계산되는 갑상선 암의 림프절 전이 진단 시스템.
  11. 제 1 항 내지 제 5 항 중 어느 한 항의 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체.
KR1020190003676A 2019-01-11 2019-01-11 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 시스템 및 이의 동작 방법 KR102307995B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190003676A KR102307995B1 (ko) 2019-01-11 2019-01-11 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 시스템 및 이의 동작 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190003676A KR102307995B1 (ko) 2019-01-11 2019-01-11 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 시스템 및 이의 동작 방법

Publications (2)

Publication Number Publication Date
KR20200087427A true KR20200087427A (ko) 2020-07-21
KR102307995B1 KR102307995B1 (ko) 2021-10-01

Family

ID=71832903

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190003676A KR102307995B1 (ko) 2019-01-11 2019-01-11 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 시스템 및 이의 동작 방법

Country Status (1)

Country Link
KR (1) KR102307995B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102325963B1 (ko) * 2021-07-09 2021-11-16 주식회사 피노맥스 갑상선 암의 림프절 전이 진단에 필요한 정보를 제공하는 방법 및 장치
WO2022260380A1 (ko) * 2021-06-09 2022-12-15 사회복지법인 삼성생명공익재단 조기 대장암의 내시경 절제 검체 이미지를 이용한 림프절 전이 예측 방법 및 분석 장치
KR20230080144A (ko) 2021-11-29 2023-06-07 인제대학교 산학협력단 전이 학습의 미세 조정 기술을 사용한 조직 병리학 이미지의 다중 클래스 분류 방법 및 시스템

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140104946A (ko) * 2011-10-05 2014-08-29 시레카 테라노스틱스, 엘엘씨 스펙트럼 이미징에 의해 생물학적 표본을 분석하는 방법 및 시스템
KR20180022440A (ko) 2016-08-24 2018-03-06 주식회사 제트바이오텍 갑상선암 진단 장치
WO2018156133A1 (en) * 2017-02-23 2018-08-30 Google Llc Method and system for assisting pathologist identification of tumor cells in magnified tissue images
KR101919866B1 (ko) * 2018-02-22 2018-11-19 주식회사 뷰노 뼈 스캔 영상에서 암 전이 여부의 판정을 지원하는 방법 및 이를 이용한 장치

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140104946A (ko) * 2011-10-05 2014-08-29 시레카 테라노스틱스, 엘엘씨 스펙트럼 이미징에 의해 생물학적 표본을 분석하는 방법 및 시스템
KR20180022440A (ko) 2016-08-24 2018-03-06 주식회사 제트바이오텍 갑상선암 진단 장치
WO2018156133A1 (en) * 2017-02-23 2018-08-30 Google Llc Method and system for assisting pathologist identification of tumor cells in magnified tissue images
KR101919866B1 (ko) * 2018-02-22 2018-11-19 주식회사 뷰노 뼈 스캔 영상에서 암 전이 여부의 판정을 지원하는 방법 및 이를 이용한 장치

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022260380A1 (ko) * 2021-06-09 2022-12-15 사회복지법인 삼성생명공익재단 조기 대장암의 내시경 절제 검체 이미지를 이용한 림프절 전이 예측 방법 및 분석 장치
KR20220166116A (ko) * 2021-06-09 2022-12-16 사회복지법인 삼성생명공익재단 조기 대장암의 내시경 절제 검체 이미지를 이용한 림프절 전이 예측 방법 및 분석 장치
KR102325963B1 (ko) * 2021-07-09 2021-11-16 주식회사 피노맥스 갑상선 암의 림프절 전이 진단에 필요한 정보를 제공하는 방법 및 장치
WO2023282388A1 (ko) * 2021-07-09 2023-01-12 주식회사 피노맥스 갑상선 암의 림프절 전이 진단에 필요한 정보를 제공하는 방법 및 장치
US11776121B2 (en) 2021-07-09 2023-10-03 Phenomx Inc. Method and apparatus for providing information needed for diagnosis of lymph node metastasis of thyroid cancer
KR20230080144A (ko) 2021-11-29 2023-06-07 인제대학교 산학협력단 전이 학습의 미세 조정 기술을 사용한 조직 병리학 이미지의 다중 클래스 분류 방법 및 시스템

Also Published As

Publication number Publication date
KR102307995B1 (ko) 2021-10-01

Similar Documents

Publication Publication Date Title
US10489907B2 (en) Artifact identification and/or correction for medical imaging
Chauhan et al. Role of gist and PHOG features in computer-aided diagnosis of tuberculosis without segmentation
US7529394B2 (en) CAD (computer-aided decision) support for medical imaging using machine learning to adapt CAD process with knowledge collected during routine use of CAD system
US20190220701A1 (en) Trained generative network for lung segmentation in medical imaging
US7653263B2 (en) Method and system for volumetric comparative image analysis and diagnosis
JP2020064609A (ja) 患者固有の深層学習画像ノイズ除去方法およびシステム
Banerjee et al. A novel GBM saliency detection model using multi-channel MRI
KR101919866B1 (ko) 뼈 스캔 영상에서 암 전이 여부의 판정을 지원하는 방법 및 이를 이용한 장치
US10997475B2 (en) COPD classification with machine-trained abnormality detection
JPH08335271A (ja) 画像診断支援装置の画像処理方法
EP2401719B1 (fr) Méthodes de segmentation d'images et de détection de structures particulières
KR20230059799A (ko) 병변 검출을 위해 공동 훈련을 이용하는 연결형 머신 러닝 모델
Rashid Sheykhahmad et al. A novel method for skin lesion segmentation
KR102307995B1 (ko) 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 시스템 및 이의 동작 방법
EP3479349B1 (en) Change detection in medical images
US20210142480A1 (en) Data processing method and apparatus
KR20200120311A (ko) 의료 영상을 이용한 암의 병기 결정 방법 및 의료 영상 분석 장치
Mahmood et al. Detecting spurious correlations with sanity tests for artificial intelligence guided radiology systems
KR101590483B1 (ko) 형태학적 연산을 이용한 이미지 분할 처리방법
CN115210755A (zh) 解决训练数据中遗漏注释的类别不同损失函数
Zeng et al. A 2.5 D deep learning-based method for drowning diagnosis using post-mortem computed tomography
Liu et al. RPLS-Net: pulmonary lobe segmentation based on 3D fully convolutional networks and multi-task learning
Nasef et al. An efficient segmentation technique for skeletal scintigraphy image based on sharpness index and salp swarm algorithm
Bhushan Liver cancer detection using hybrid approach-based convolutional neural network (HABCNN)
Abdullah et al. Lung Lesion Identification Using Geometrical Feature and Optical Flow Method from Computed Tomography Scan Images

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant