KR20200093510A - X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독시스템 - Google Patents

X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독시스템 Download PDF

Info

Publication number
KR20200093510A
KR20200093510A KR1020200094750A KR20200094750A KR20200093510A KR 20200093510 A KR20200093510 A KR 20200093510A KR 1020200094750 A KR1020200094750 A KR 1020200094750A KR 20200094750 A KR20200094750 A KR 20200094750A KR 20200093510 A KR20200093510 A KR 20200093510A
Authority
KR
South Korea
Prior art keywords
ray image
ray
image
similarity
original
Prior art date
Application number
KR1020200094750A
Other languages
English (en)
Other versions
KR102317343B1 (ko
Inventor
이두식
오태현
김수용
Original Assignee
주식회사 아임클라우드
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
Priority claimed from KR1020180173422A external-priority patent/KR102221711B1/ko
Application filed by 주식회사 아임클라우드 filed Critical 주식회사 아임클라우드
Priority to KR1020200094750A priority Critical patent/KR102317343B1/ko
Publication of KR20200093510A publication Critical patent/KR20200093510A/ko
Application granted granted Critical
Publication of KR102317343B1 publication Critical patent/KR102317343B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Public Health (AREA)
  • Radiology & Medical Imaging (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Optics & Photonics (AREA)
  • Pathology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

본 발명의 일 실시예에 따르면
원본 X-ray 이미지를 다른 이미지로 변환하는 최적화 이미지 변환부; 상기 원본 X-ray 이미지와 상기 최적화 이미지 변환부에 의해 변환된 이미지 - 변환 X-ray 이미지 - 를 입력받아서, 각각의 유사도를 출력하는 딥 러닝 프로그램; 상기 딥 러닝 프로그램에 의해 출력된 유사도들을 참조하여, 상기 원본 X-ray 이미지에 질병이 있는지 여부를 판단하는 판단부; 를 포함하며,
상기 딥 러닝 프로그램은 모델과 상기 원본 X-ray 이미지와의 유사도와, 상기 모델과 상기 변환 X-ray 이미지와의 유사도를 산출하여 출력하는 것인, X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독시스템이 개시된다.

Description

X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독시스템{X-ray INSPECTION SYSTEM BY X-ray IMAGE OPTIMIZATION}
본 발명은 X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독시스템에 관한 것이다.
컴퓨터화된 데이터베이스는 음성, 이미지 및 텍스트를 포함하는 여러 종류의 데이터를 저장하기 위해 사용될 수 있다. 이 유연성은 설계자가 텍스트 및 음성과 같은 여러 다른 포맷의 정보를 편성 및 저장하는 데이터 레코드를 가진 데이터베이스를 구성하여, 특히 가까운 장래에 응용할 수 있는 데이터베이스 시스템을 제공할 수 있게 한다.
이미지 식별 기술은 현재 중요한 분야로서 최근 몇 년간 빠르게 발전하고 있으며, 용도가 넓어 각 분야에 사용되고 있다. 예를 들면 수기 입력(handwriting input), 우편번호 식별, 한자 식별, 사람 얼굴 식별, 지문 식별 및 홍채 식별 등 기술은 매우 발전하였다.
한편, X-ray 이미지에서 질병을 분석하는 기술이 개발되고 있는데, 이는 인간의 생명과 직결된 부분이므로 보다 정확한 판독을 위한 기술은 항상 요청된다고 할 것이다.
(1) 한국특허등록번호 KR 10-1710050 (2017.02.20) 이미지 식별시스템 및 방법 (2) 한국특허등록번호 10-1690264 B1 (2016.12.21) 다중 코드 인식 방법 및 시스템
본 발명의 하나 이상의 실시예에 따르면, X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독시스템이 제공된다.
본 발명의 일 실시예에 따르면 X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독시스템에 있어서,
원본 X-ray 이미지를 다른 이미지로 변환하는 최적화 이미지 변환부; 상기 원본 X-ray 이미지와 상기 최적화 이미지 변환부에 의해 변환된 이미지 - 변환 X-ray 이미지 - 를 입력받아서, 각각의 유사도를 출력하는 딥 러닝 프로그램; 상기 딥 러닝 프로그램에 의해 출력된 유사도들을 참조하여, 상기 원본 X-ray 이미지에 질병이 있는지 여부를 판단하는 판단부; 컴퓨터 프로세서; 및 메모리;를 포함하며,
상기 딥 러닝 프로그램은 상기 컴퓨터 프로세서의 제어하에 상기 메모리에 로딩되어 모델과 상기 원본 X-ray 이미지와의 유사도와, 상기 모델과 상기 변환 X-ray 이미지와의 유사도를 산출하여 출력하는 것인, X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독시스템이 제공된다.
본 발명의 하나 이상의 실시예에 따르면, X-ray 이미지의 판독률이 향상된다.
도 1은 본 발명의 일 실시예에 따른 X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독시스템을 설명하기 위한 도면이다.
도 2와 도 3은, 본 발명의 일 실시예에 따른 X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독시스템(100)에 사용되는 모델을 생성하는 동작을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독방법을 설명하기 위한 도면이다.
이상의 본 발명의 목적들, 다른 목적들, 특징들 및 이점들은 첨부된 도면과 관련된 이하의 바람직한 실시예들을 통해서 쉽게 이해될 것이다. 그러나 본 발명은 여기서 설명되는 실시예들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 오히려, 여기서 소개되는 실시예들은 개시된 내용이 철저하고 완전해질 수 있도록 그리고 당업자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 제공되는 것이다.
본 명세서의 다양한 실시예들에서 제1, 제2 등의 용어가 다양한 구성요소들을 기술하기 위해서 사용되었지만, 이들 구성요소들이 이 같은 용어들에 의해서 한정되어서는 안 된다. 이들 용어들은 단지 어느 구성요소를 다른 구성요소와 구별시키기 위해서 사용되었을 뿐이다. 여기에 설명되고 예시되는 실시예들은 그것의 상보적인 실시예들도 포함한다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 '포함한다(comprises)' 및/또는 '포함하는(comprising)'은 언급된 구성요소는 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다.
용어의 정의
본원 명세서에서, 용어 '소프트웨어'는 컴퓨터에서 하드웨어를 움직이는 기술을 의미하고, 용어 '하드웨어'는 컴퓨터를 구성하는 유형의 장치나 기기(CPU, 메모리, 입력 장치, 출력 장치, 주변 장치 등)를 의미하고, 용어 '단계'는 소정의 목을 달성하기 위해 시계열으로 연결된 일련의 처리 또는 조작을 의미하고, 용어 '프로그램은 컴퓨터로 처리하기에 합한 명령의 집합을 의미하고, 용어 '프로그램 기록 매체'는 프로그램을 설치하고 실행하거나 유통하기 위해 사용되는 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 의미한다.
본원 명세서에서, 용어들 '이미지'와 '이미지 파일'은 특별히 구별의 실익이 없는 한 구별하지 않고 사용하기로 한다.
본원 명세서에서, 머신 러닝 프로그램은 여러 비선형 변환기법의 조합을 통해 높은 수준의 추상화(abstractions, 다량의 데이터나 복잡한 자료들 속에서 핵심적인 내용 또는 기능을 요약하는 작업)를 시도하는 기계학습(machine learning) 알고리즘의 집합체를 의미한다. 한편, 딥 러닝 프로그램은 머신 러닝 프로그램의 일종이다.
본원 명세서에서, 용어 '모델'은 이미지 데이터에 의해 머신 러닝 프로그램이 트레이닝(학습)되어 생성된 분류자(classifier)를 의미한다.
본원명세서에서, 용어 '이미지 데이터'는 이미지를 모니터나 프린터로 래스터화 할 수 있는 디지털 데이터의 모음을 의미한다. 이미지는 픽셀이라 불리우리는 단위로 이루어져 있고, 각 픽셀은 밝기 값 또는 컬러 값을 가지는데, 이미지 데이터는 예를 들면 이미지를 이루는 각 필셀이 가지는 밝기 값 또는 컬러 값들일 수 있다. 보다 구체적인 예를 들면, 흑백 이미지일 경우는 각 픽셀은 0~255 사이의 밝기값을 가질 수 있고, 컬러 이미지일 경우는 각 픽셀은 3개의 색 채널(예를 들면, R, G, B)로 표시될 수 있고, 각 채널은 0~255 사이의 밝기값을 가질 수 있다. 여기서, 수치나 색채널의 종류는 본 발명의 설명을 위한 예시적인 것임을 당업자는 이해할 것이다.
본원 명세서에서, 용어 '관리'는 데이터의 '수신', '송신', '저장', '수정', 및 '삭제'를 포함하는 의미로 사용된다.
본원 명세서에서, 'A 단계와 B 단계는 선후가 없다'와 동일하거나 유사한 문장은 A 단계가 B 단계보다 먼저 수행되거나, A 단계가 B 단계보다 나중에 수행되거나, 또는 A 단계와 B 단계가 동시에 수행될 수 있다는 것을 의미한다.
이하, 도면들을 참조하여, 본 발명의 실시예들에 대해 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독시스템을 설명하기 위한 도면이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독시스템(이하, 'X-ray 판독시스템'이라고 함)(100)은 X-ray 이미지를 X-ray 이미지 제공 장치(100)로부터 제공 받아서, 딥 러닝 프로그램을 이용하여 X-ray 이미지에 질병이 있는지 여부를 판단한다. 여기서, X-ray 이미지 제공 장치(100)와 X-ray 판독시스템(100)은 유선으로 서로 직접 연결되거나 또는 통신망(예를 들면, 광역 통신망(WAN), 도시권 통신망(MAN), 근거리 통신망(LAN), 개인 통신망(PAN))으로 데이터를 송수신하도록 연결된다.
본 발명의 일 실시예에 따른 X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독시스템(100)은 최적화 이미지 변환부(201), 딥 러닝 프로그램(203), 판단부(205), 운영체제, 통신부, 컴퓨터 프로세서, 기억장치(휘발성 및/또는 비휘발성 기억장치를 포함함), 및 기타 리소스(소프트웨어 및 하드웨어)를 포함할 수 있다.
여기서, 운영체제(OS: OPERATING SYSTEM)은 하드웨어와 응용프로그램(예를 들면, 최적화 이미지 변환부(201), 딥 러닝 프로그램(203), 판단부(205))을 동작적으로 연결시킬 수 있다. 통신부는 외부와의 데이터를 송수신하기 위한 소프트웨어 및 하드웨어로 이루어진 모듈을 의미한다.
여기서, 컴퓨터 프로세서와 기억장치, 운영체제, 최적화 이미지 변환부(201), 딥 러닝 프로그램(203), 판단부(205), 통신부, 및 기타 리소스는 서로 동작적으로(operatively) 연결되어 있다.
최적화 이미지 변환부(201), 딥 러닝 프로그램(203), 및 판단부(205)는 각각 컴퓨터 프로세서의 제어하에 메모리와 같은 기억장치에 로딩되어 자신의 동작을 수행한다.
최적화 이미지 변환부(201)는 X -Ray 이미지 제공 장치(100)로부터 X-ray 이미지를 제공 받으면, 제공받은 X-ray 이미지(이하, '원본 X-ray 이미지')를 최적화 형태로 변환한다. 최적화의 형태의 예를 들면, 원본 X-ray 이미지에 포함된 객체(예를 들면, 주위와 명도가 다른 것 - 암 조직과 같은 것)의 경계선을 명확하게 하는 것일 수 있다. 한편, 본원 명세서에서는, 최적화 이미지 변환부(201)변환 X-ray 이미지를 '변환 X-ray 이미지'라고 언급하기로 한다.
최적화 이미지 변환부(201)가 원본 X-ray 이미지를 변환하는 다른 예를 들면, Filtered back-projection(FBP)라고 불리는 방법에 의해 수행될 수 있다. 최적화 이미지 변환부(201)가 원본 X-ray 이미지를 변환하는 또 다른 예를 들면, 최적화 이미지 변환부(201)는 투영 연산(Projection)을 통해서 투영 영상을 구하고, 구한 투영 영상을 디텍터 방향에 대한 필터링 연산(filtartion)과 필터링 된 투영 영산의 역투영(back-projcttion)을 통해서 변환시킬 수 있다(제30회 영상처리 및 이해에 관한 워크샵 2018. 2. 7-2.9, CNN을 이용한 최적화 필터 기반 X-ray CT 영상 복원 방법 참조).
한편, 'CNN을 이용한 최적화 필터 기반 X-ray CT 영상 복원 방법'(제30회 영상처리 및 이해에 관한 워크샵 2018. 2. 7-2.9)에 기재된 내용은 본원 명세서의 일부로서 결합된다.
딥 러닝 프로그램(203)은 원본 X-ray 이미지와 변환 X-ray 이미지를 각각 개별적으로 입력받고, 그 결과를 출력한다.
딥 러닝 프로그램(203)은 원본 X-ray 이미지를 입력받으면, 모델을 이용하여 모델과의 동일 또는 유사성을 나타내는 데이터(예를 들면, '1'을 출력하면, 완전 동일을 의미하고, '0'을 출력하면 완전 비유사를 의미하고, '0'과 '1' 사이의 값은 그 값에 따른 유사성을 나타냄)를 출력한다.
딥 러닝 프로그램(203)은 변환 X-ray 이미지를 입력받으면, 모델을 이용하여 모델과의 동일 또는 유사성을 나타내는 데이터(이하, '유사도'라고 함)를 출력한다.
즉, 딥 러닝 프로그램(203)은 원본 X-ray 이미지와 변환 X-ray 이미지를 각각 개별적으로 입력받아, 각각에 대하여 모델과의 유사도를 출력한다.
본 실시예에 따르면, 하나의 원본 X-ray 이미지에 대하여, 딥 러닝 프로그램(203)은 적어도 2개의 유사도를 출력한다.
판단부(205)는, 딥 러닝 프로그램(203)은 2개의 유사도를 참조하여, 원본 X-ray 이미지에 질병이 있는지 여부를 판단한다.
예를 들면, 판단부(205)는, 원본 X-ray 이미지의 유사도와 변환 X-ray 이미지의 유사도가 서로 동일하다면, 딥 러닝 프로그램(203)에 의한 유사도는 신뢰성이 있다고 판단하여, 그 유사도에 따른 판단을 한다.
다른 예를 들면, 판단부(205)는, 원본 X-ray 이미지의 유사도와 변환 X-ray 이미지의 유사도가 서로 다르지만, 그 다른 정도가 오차 범위(오차 범위는 사용자에 의해 미리 정해져 있음)를 벗어나지 않으면 딥 러닝 프로그램(203)에 의해 산출된 유사도는 신뢰성이 있다고 판단하여, 그 유사도(원본 X-ray 이미지의 유사도와 변환 X-ray 이미지의 유사도 중 어느 하나)에 따른 판단을 한다.
또 다른 예를 들면, 판단부(205)는, 원본 X-ray 이미지의 유사도와 변환 X-ray 이미지의 유사도가 서로 다르고, 그 다른 정도가 오차 범위(오차 범위는 사용자에 의해 미리 정해져 있음)를 벗어나면 딥 러닝 프로그램(203)에 의해 산출된 유사도는 신뢰성이 없다고 판단하여, 질병 유무를 결정할 수 없다고 판단할 수 있다.
한편, 상술한 실시예에서, 최적화 이미지 변환부(201)는 1개의 변환 X-ray 이미지를 생성하는 것으로 설명하였으나, 1개의 원본 X-ray 이미지에 대하여 2개 이상의 최적화 이미지를 생성하는 것도 가능할 것이다. 즉, 최적화 이미지 변환부(201)는 적어도 1개 이상의 변환 X-ray 이미지를 생성할 수 있고, 딥 러닝 프로그램(203)은 원본 X-ray 이미지에 대한 유사도와, 최적화 이미지 변환부(201)에 의해 생성된 1개 이상의 변환 X-ray 이미지 모두에 대하여 각각 유사도를 출력할 수 있다. 판단부(205)는 딥 러닝 프로그램(203)이 출력하는 유사도 모두를 참조하여 질병 여부를 판단한다.
도 2와 도 3은, 본 발명의 일 실시예에 따른 X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독시스템(100)에 사용되는 모델을 생성하는 동작을 설명하기 위한 도면이다.
모델 생성 장치(400)는, 최적화 이미지 변환부(401), 딥 러닝 프로그램(403), 및 운영체제(미 도시), 통신부(미 도시), 컴퓨터 프로세서(미 도시), 기억장치(휘발성 및/또는 비휘발성 기억장치를 포함함)(미 도시), 및 기타 리소스(소프트웨어 및 하드웨어)(미 도시)를 포함할 수 있다.
여기서, 운영체제(OS: OPERATING SYSTEM)은 하드웨어와 응용프로그램(예를 들면, 최적화 이미지 변환부, 딥 러닝 프로그램)을 동작적으로 연결시킬 수 있다. 통신부(미 도시)는 외부와의 데이터를 송수신하기 위한 소프트웨어 및 하드웨어로 이루어진 모듈을 의미한다. 한편, 컴퓨터 프로세서(미 도시)와 기억장치(미 도시), 운영체제(미 도시), 최적화 이미지 변환부(401), 딥 러닝 프로그램(403), 통신부(미 도시), 및 기타 리소스(미 도시)는 서로 동작적으로(operatively) 연결되어 있다.
모델 생성 장치(400)는 레이블이 붙은 X-ray 이미지를 이용하여 기계 학습을 함으로써 모델을 생성하며, 생성한 모델을 도 1을 참조하여 설명한 X-ray 판독시스템(100)에게 제공한다.
여기서, 레이블은 X-ray 이미지에 질병이 있는지 여부를 나타내는 데이터를 의미한다.
도 2와 도 3을 참조하면, 이들 도면을 참조하면, 질병이 있는지 여부에 대한 레이블이 붙은 복수의 이미지(X-ray 이미지)들에 딥 러닝 프로그램(도 1을 참조하여 설명한 딥 러닝 프로그램(203)과 동일한 것임)이 학습되고, 그러한 학습에 의해 X-ray 이미지에 대한 모델을 생성하는 동작이 수행된다. 이하에서, 레이블이 붙은 X-ray 이미지를 설명의 목적을 위해서 '레이블 X-ray 이미지'라고 언급하기로 한다.
본 실시예에 따르면, 레이블 X-ray 이미지를 수신하면 최적화 이미지 변환부(401)는 최적화된 X-ray 이미지로 변환한다. 최적화의 예를 들면, 원본 X-ray 이미지에 포함된 객체(예를 들면, 주위와 명도가 다른 것 - 암 조직과 같은 것)의 경계선을 명확하게 하는 것일 수 있다. 최적화 이미지 변환부(401)의 최적화 방식은 도 1에서의 최적화 이미지 변환부(201)의 변환 방식과 동일해야 한다.
한편, 최적화된 X-ray 이미지에는 원본 X-ray 이미지의 레이블과 동일한 레이블이 부착된다. 딥 러닝 프로그램(403)은, 레이블이 붙은 원본 X-ray 이미지와, 레이블이 붙은 최적화된 X-ray 이미지를 각각 입력 받아서 기계 학습을 통해서 모델을 생성한다.
예를 들면, 모델 생성 장치(400)가 만 개의 원본 X-ray 이미지를 수신하였다고 하면, 딥 러닝 프로그램은 2 만개의 레이블이 붙은 X-ray 이미지를 입력 받아서 모델을 생성하게 된다.
상술한 실시예에서, 최적화 이미지 변환부(401)는 1개의 변환 X-ray 이미지를 생성하는 것으로 설명하였으나, 1개의 원본 X-ray 이미지에 대하여 2개 이상의 최적화 이미지를 생성하는 것도 가능할 것이다. 즉, 최적화 이미지 변환부(401)는 적어도 1개 이상의 변환 X-ray 이미지를 생성할 수 있고, 딥 러닝 프로그램(403)은 원본 X-ray 이미지와 1개 이상의 변환 X-ray 이미지를 모두 사용하여 모델을 생성할 수 있다.
한편, 모델 생성 장치(400)는 도 1의 X-ray 판독시스템(100)과 별도로 구성되거나, 또는 X-ray 판독시스템(100)과 일체로 구성되는 것도 가능하다.
모델 생성 장치(400)와 X-ray 판독시스템(100)을 일체로 구성할 경우에는, X-ray 판독시스템(100)에 포함된 최적화 이미지 변환부(201)와 딥 러닝 프로그램(203)이, 각각 모델 생성 장치(400)의 최적화 이미지 변환부(401)와 딥 러닝 프로그램(403)의 기능도 병행하게 된다.
한편, 모델 생성을 위한 딥 러닝 프로그램(403)과 유사도를 산출하기 위한 딥 러닝 프로그램(203)은 서로 동일한 프로그램으로서, 신경망 프로그램일 수 있다. 일 실시예에 따르면, 딥 러닝 프로그램은 Long Short-Term Memory Network 알고리즘에 의해 구현된 프로그램일 수 있다.
도 3은 본 발명의 일 실시예에 따라서 모델을 생성하는 방법을 설명하기 위한 도면이다.
일 실시예에 따르면, 신경망 프로그램은 복수의 노드들로 이루어져 있고, 이들 노드들은 서로 동작적으로 연결되어 있다. 이하에서는 설명의 목적을 위해서 노드에서 이루어지는 동작을 도 3을 참조하여 설명하기로 한다.
도 9를 참조하면, 노드로 들어오는 신호들(x1, x2, x3, ... , xn)에 대하여 해당 가중치(w1, w2, w3, ... , wn)가 곱해지고, 전달함수(예를 들면, 가중합(weighted sum))에 의한 연산이 수행되고, 연산 결과는 활성함수(activation function)에 입력으로 사용되며, 활성 함수의 출력값이 노드의 출력이 된다. 통상적으로 활성함수에 의해 각 노드들의 동작특성이 정해진다. 여기서, 노드로 들어오는 신호들(x1, x2, x3, ... , xn)은 1개의 X-ray 이미지를 구성하는 이미지 데이터의 적어도 일부이다.
상술한 바와 같이, 신경망의 각 노드들은 입력 신호의 가중합을 구하고, 활성함수에 가중합을 입력해서 얻은 값을 노드의 외부로 출력한다. 한편, 신경망의 노드들은 어떻게 연결되느냐에 따라서 신경망의 형태가 결정된다.
일 실시예에 따르면, 모델을 생성한다고 함은 상술한 내용에서 각 노드들에서 입력되는 입력신호에 대한 가중치들을 결정하는 것을 의미하고, 모델을 비교한다고 함은 가중치들을 비교하는 것을 의미한다.
즉, 각 노드에서 전달함수와 활성함수는 결정된 상태이고, 가중치들을 결정하는 과정이 모델을 생성하는 과정이다. 신경망 프로그램에서, 모델을 생성하는 과정을 예시적으로 설명하면 다음과 같다.
첫째, 신경망을 구성하는 각 노드들로 입력되는 신호에 대하여 연산되는 가중치를 적당한 값으로 초기화한다.
둘째, 지도학습의 학습 데이터 형태인 {입력, 정답}에서 ‘입력’을 신경망에 입력해 출력값을 얻는다. 이 출력 값과 해당 입력의 ‘정답’을 비교해 오차를 계산한다.
셋째, 상기 오차가 줄어들도록 신경망의 가중치들을 조절한다.
도 4는 본 발명의 일 실시예에 따른 X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독방법을 설명하기 위한 도면이다.
본 실시예에 따른 X-ray 판독방법은 예를 들면 도 1를 참조하여 설명한 X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독 시스템에 의해 구현될 수 있다.
도 4를 참조하면, 본 발명의 일 실시예에 따른 X-ray 판독방법은, X-ray 이미지를 입력받는 단계(S101), S101 단계에서 입력받은 X-ray 이미지를 최적화된 X-ray 이미지로 변환하는 단계(S102), 딥 러닝 알고리즘이 모델을 사용하여 모델과의 유사도를 산출하는 단계(S103), 및 S103 단계에서 산출된 유사도를 이용하여 질병 여부를 판단하는 단계(S105)를 포함할 수 있다.
X-ray 이미지를 입력받는 단계(S101)는 X-ray 이미지 제공 장치(100)로부터 X-ray 이미지를 X-ray 판독 시스템(200)이 수신하는 단계이다.
X-ray 이미지로 변환하는 단계(S102)는, 최적화 이미지 변환부(201)가 S101 단계의 수행결과 제공받은 X-ray 이미지(이하, '원본 X-ray 이미지')를 적어도 1개 이상의 변환 X-ray 이미지를 생성하는 단계이다. 최적화의 일 예를 들면, 원본 X-ray 이미지에 포함된 객체(예를 들면, 주위와 명도가 다른 것 - 암 조직과 같은 것)의 경계선을 명확하게 하는 것일 수 있다.
원본 X-ray 이미지를 변환하는 다른 예를 들면, Filtered back-projection(FBP)라고 불리는 방법에 의해 수행될 수 있다. 최적화 이미지 변환부(201)가 원본 X-ray 이미지를 변환하는 또 다른 예를 들면, 최적화 이미지 변환부(201)는 투영 연산(Projection)을 통해서 투영 영상을 구하고, 구한 투영 영상을 디텍터 방향에 대한 필터링 연산(filtartion)과 필터링 된 투영 영산의 역투영(back-projcttion)을 통해서 변환시킬 수 있다(제30회 영상처리 및 이해에 관한 워크샵 2018. 2. 7-2.9, CNN을 이용한 최적화 필터 기반 X-ray CT 영상 복원 방법 참조).
모델과의 유사도를 산출하는 단계(S103)는, 딥 러닝 프로그램(203)이 원본 X-ray 이미지와 S102 단계의 수행결과인 변환 X-ray 이미지 각각에 대하여 모델과의 유사도를 산출하는 단계이다. 본 단계의 수행결과 적어도 2개의 유사도가 산출된다.
질병 여부를 판단하는 단계(S105)는, 판단부(205)가 적어도 2개의 유사도를 참조하여, 원본 X-ray 이미지에 질병이 있는지 여부를 판단하는 단계이다.
질병 여부를 판단하는 단계(S105)에서, 예를 들면, 판단부(205)는, 원본 X-ray 이미지의 유사도와 변환 X-ray 이미지의 유사도가 서로 동일하다면, 딥 러닝 프로그램(203)에 의한 유사도는 신뢰성이 있다고 판단하여, 그 유사도에 따른 판단을 한다.
질병 여부를 판단하는 단계(S105)에서, 다른 예를 들면, 판단부(205)는, 원본 X-ray 이미지의 유사도와 변환 X-ray 이미지의 유사도가 서로 다르지만, 그 다른 정도가 오차 범위(오차 범위는 사용자에 의해 미리 정해져 있음)를 벗어나지 않으면 딥 러닝 프로그램(203)에 의해 산출된 유사도는 신뢰성이 있다고 판단하여, 그 유사도(원본 X-ray 이미지의 유사도와 변환 X-ray 이미지의 유사도 중 어느 하나)에 따른 판단을 한다.
질병 여부를 판단하는 단계(S105)에서, 또 다른 예를 들면, 판단부(205)는, 원본 X-ray 이미지의 유사도와 변환 X-ray 이미지의 유사도가 서로 다르고, 그 다른 정도가 오차 범위(오차 범위는 사용자에 의해 미리 정해져 있음)를 벗어나면 딥 러닝 프로그램(203)에 의해 산출된 유사도는 신뢰성이 없다고 판단하여, 질병 유무를 결정할 수 없다고 판단할 수 있다.
이와 같이 본 발명은 기재된 실시예에 한정되는 것이 아니고, 본 발명의 사상 및 범위를 벗어나지 않고 다양하게 수정 및 변형할 수 있음은 이 기술의 분야에서 통상의 지식을 가진 자에게 자명하다. 따라서 그러한 수정예 또는 변형예들은 본 발명의 특허청구범위에 속한다 하여야 할 것이다.
100: X-ray 판독시스템
201: 최적화 이미지 변환부
203: 딥 러닝 프로그램
205: 판단부

Claims (5)

  1. X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독방법에 있어서,
    원본 X-ray 이미지와 모델간의 유사도와, 상기 원본 X-ray 이미지가 변환된 이미지 - 변환 X-ray 이미지 - 와 상기 모델간의 유사도를 각각 출력하는 단계; 및
    상기 유사도들을 참조하여, 상기 원본 X-ray 이미지에 질병이 있는지 여부를 판단하는 단계;를 포함하며, X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독방법.
  2. 제1항에 있어서,
    상기 판단하는 단계는
    상기 원본 X-ray 이미지의 유사도와 상기 변환 X-ray 이미지의 유사도가 서로 동일하다면, 산출된 상기 유사도는 신뢰성이 있다고 판단하여, 그 유사도에 따른 판단을 하는 것인, X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독방법.
  3. 제1항에 있어서,
    상기 판단하는 단계는
    상기 원본 X-ray 이미지의 유사도와 상기 변환 X-ray 이미지의 유사도가 서로 다르지만, 그 다른 정도가 오차 범위를 벗어나지 않으면 산출된 상기 유사도들은 신뢰성이 있다고 판단하여, 산출된 상기 유사도들 중 어느 하나의 유사도에 따른 판단을 하는 것인, X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독방법.
  4. 제1항에 있어서,
    상기 판단하는 단계는
    상기 원본 X-ray 이미지의 유사도와 상기 변환 X-ray 이미지의 유사도가 서로 다르고, 그 다른 정도가 오차 범위를 벗어나면, 산출된 상기 유사도들은 신뢰성이 없다고 판단하여, 질병 유무를 결정할 수 없다고 판단하는 것인, X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독방법.
  5. 제1항에 있어서,
    원본 X-ray 이미지를 적어도 하나 이상의 다른 이미지로 변환하는 단계;를 더 포함하며,
    상기 변환하는 단계에서 변환된 적어도 하나 이상의 다른 이미지가 상기 변환 X-ray 이미지인 것인, X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독방법.
KR1020200094750A 2018-12-31 2020-07-29 X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독시스템 KR102317343B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200094750A KR102317343B1 (ko) 2018-12-31 2020-07-29 X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독시스템

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020180173422A KR102221711B1 (ko) 2018-12-31 2018-12-31 X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독시스템
KR1020200094750A KR102317343B1 (ko) 2018-12-31 2020-07-29 X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독시스템

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020180173422A Division KR102221711B1 (ko) 2018-12-31 2018-12-31 X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독시스템

Publications (2)

Publication Number Publication Date
KR20200093510A true KR20200093510A (ko) 2020-08-05
KR102317343B1 KR102317343B1 (ko) 2021-10-27

Family

ID=72041631

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200094750A KR102317343B1 (ko) 2018-12-31 2020-07-29 X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독시스템

Country Status (1)

Country Link
KR (1) KR102317343B1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101690264B1 (ko) 2010-10-15 2017-01-09 에스케이플래닛 주식회사 다중 코드 인식 방법 및 시스템
KR101710050B1 (ko) 2014-10-30 2017-02-24 밍 추이 이미지 식별 시스템 및 방법
KR20180040287A (ko) * 2016-10-12 2018-04-20 (주)헬스허브 기계학습을 통한 의료영상 판독 및 진단 통합 시스템
JP2018175226A (ja) * 2017-04-10 2018-11-15 富士フイルム株式会社 医用画像分類装置、方法およびプログラム
KR102221711B1 (ko) * 2018-12-31 2021-03-02 주식회사 아임클라우드 X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101690264B1 (ko) 2010-10-15 2017-01-09 에스케이플래닛 주식회사 다중 코드 인식 방법 및 시스템
KR101710050B1 (ko) 2014-10-30 2017-02-24 밍 추이 이미지 식별 시스템 및 방법
KR20180040287A (ko) * 2016-10-12 2018-04-20 (주)헬스허브 기계학습을 통한 의료영상 판독 및 진단 통합 시스템
JP2018175226A (ja) * 2017-04-10 2018-11-15 富士フイルム株式会社 医用画像分類装置、方法およびプログラム
KR102221711B1 (ko) * 2018-12-31 2021-03-02 주식회사 아임클라우드 X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독시스템

Also Published As

Publication number Publication date
KR102317343B1 (ko) 2021-10-27

Similar Documents

Publication Publication Date Title
CN110097130B (zh) 分类任务模型的训练方法、装置、设备及存储介质
EP3511942A2 (en) Cross-domain image analysis and cross-domain image synthesis using deep image-to-image networks and adversarial networks
US10692602B1 (en) Structuring free text medical reports with forced taxonomies
US11800976B2 (en) Apparatus and method for image-based eye disease diagnosis
CN112951386B (zh) 影像驱动的脑图谱构建方法、装置、设备及存储介质
US10748650B1 (en) Machine learning of dental images for E-commerce
CN113240696B (zh) 图像处理方法及装置，模型的训练方法及装置，电子设备
CN112883980B (zh) 一种数据处理方法及系统
KR102329546B1 (ko) 뉴럴 네트워크 및 비국소적 블록을 이용하여 세그멘테이션을 수행하는 질병 진단 시스템 및 방법
CN113240699B (zh) 图像处理方法及装置，模型的训练方法及装置，电子设备
JP2019220014A (ja) 画像解析装置、画像解析方法及びプログラム
KR102221711B1 (ko) X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독시스템
KR20200093510A (ko) X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독시스템
JP2020204800A (ja) 学習用データセット生成システム、学習サーバ、及び学習用データセット生成プログラム
US20230289957A1 (en) Disease diagnosis method using neural network trained by using multi-phase biometric image, and disease diagnosis system performing same
KR102270607B1 (ko) 웹 사이트에 대한 이미지 권리 확인 감사 시스템 및 방법
KR102227784B1 (ko) 멀티 포인트 다중 해쉬 값을 이용한 이미지 권리 확인 시스템
Lee Automated boundary tracing using temporal information
US11386991B2 (en) Methods and apparatus for artificial intelligence informed radiological reporting and model refinement
KR20210024871A (ko) 기계학습 모델 관리 시스템과 방법 및 영상 분석 장치
KR102443200B1 (ko) 권리 확인된 이미지 융합을 통한 신규 이미지 생성 시스템 및 방법
KR101998200B1 (ko) 동일 이미지 식별정보 생성 시스템
KR102221712B1 (ko) 권리 확인된 이미지 융합을 통한 신규 이미지 생성 시스템 및 방법
CN111597373B (zh) 基于卷积神经网络和连通图的图片归类方法及相关设备
CN117275649B (zh) 文档病历图片的排序方法和装置、电子设备和存储介质

Legal Events

Date Code Title Description
A107 Divisional application of patent
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