KR20200102961A - 병변 진단 시스템 및 방법 - Google Patents
병변 진단 시스템 및 방법 Download PDFInfo
- Publication number
- KR20200102961A KR20200102961A KR1020200022177A KR20200022177A KR20200102961A KR 20200102961 A KR20200102961 A KR 20200102961A KR 1020200022177 A KR1020200022177 A KR 1020200022177A KR 20200022177 A KR20200022177 A KR 20200022177A KR 20200102961 A KR20200102961 A KR 20200102961A
- Authority
- KR
- South Korea
- Prior art keywords
- lesion
- learning
- image
- channel
- image data
- Prior art date
Links
- 230000003902 lesion Effects 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013135 deep learning Methods 0.000 title claims abstract description 32
- 238000013526 transfer learning Methods 0.000 claims abstract description 23
- 238000005315 distribution function Methods 0.000 claims abstract description 19
- 230000001186 cumulative effect Effects 0.000 claims abstract description 18
- 238000009499 grossing Methods 0.000 claims abstract description 4
- 230000002194 synthesizing effect Effects 0.000 claims abstract 3
- 238000001514 detection method Methods 0.000 claims description 26
- 238000003745 diagnosis Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 208000007107 Stomach Ulcer Diseases 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 201000005917 gastric ulcer Diseases 0.000 description 3
- 208000005718 Stomach Neoplasms Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 206010017758 gastric cancer Diseases 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 201000011549 stomach cancer Diseases 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 210000001035 gastrointestinal tract Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
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
- A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
- A61B1/04—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor combined with photographic or television appliances
-
- 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
- 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10068—Endoscopic image
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Optics & Photonics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Endoscopes (AREA)
- Image Analysis (AREA)
Abstract
본 기술은 병변 진단 시스템 및 방법이 개시된다. 이러한 기술에 대한 구체적인 구현 예는 내시경 등을 이용한 동영상의 촬영 중 정지영상의 캡쳐 요청 시 획득된 정지영상의 병변 의심 영역을 관심 영역으로 설정한 다음 관심 영역의 레드(R) 채널, 그린(G) 채널, 및 블루(B) 채널 영상 중 레드 채널 영상을 제외한 나머지 그린 채널, 및 블루 채널 영상 각각에 대해 또는 그린 채널, 그린 채널, 및 블루 채널 영상 각각에 대해 각 픽셀에 대한 누적분포함수(CDF: cumulative distribution Function)값을 도출하며, 도출된 CDF 값에 대한 히스토그램 평활화하여 대조도가 향상된 영상 데이터로 변환한 다음 합성하고, 합성된 영상 데이터에 대해 전이학습 및 딥러닝 학습을 순차적으로 수행하여 병변을 검출함에 따라, 객관적으로 병변을 진단할 수 있고 병변에 대한 정확도를 향상시킬 수 있다.
Description
본 발명은 병변 진단 시스템 및 방법에 관한 것으로서, 더욱 상세하게는 내시경 영상을 획득한 다음 획득된 내시경 영상으로부터 객관적으로 병변을 진단할 수 있고, 병변에 대한 정확도를 향상시킬 수 있도록 한 기술에 관한 것이다.
내시경 영상과 같은 동영상 촬영 중 사용자는 정지 영상 캡쳐를 획득할 수 있다. 그러나 어두운 실내와 같은 광량이 부족한 상황에서 카메라를 이용해 정지 영상을 캡쳐할 경우 또는 내시경 영상을 촬영할 때 위장관과 같은 장기 일부가 움직이는 경우 또는 촬영 시 손떨림 현상 등으로 인해, 전역적 또는 국부적 블러(blur) 현상이 발생할 수 있다.
일반적인 영상에서 흐려진 영상을 보정하기 위해 다양한 디블러링(De-Blurring) 기술이 개발되었지만, 내시경과 같은 의료 영상에서는 영상 처리 과정에서 진단에 오류를 유발할 수 있는 정보가 추가될 수 있으므로, 기존의 디블러링 기술은 의료 영상에 적용될 수 없다.
이를 해결하기 위해 종래의 영상 처리 장치는 동영상 촬영 중 정지 영상을 계속해서 영상 버퍼에 저장하고, 영상 캡쳐 요청이 들어오면 사용자의 의도와 상관없이 자동으로 일정 시간 이전에 저장된 모든 정지 영상 중 하나를 대표 영상으로 선택한다.
최근 개발된 대부분의 종래의 영상 처리 장치는 도 1과 같이 소정의 시간(△t) 동안 버퍼에 미리 정지 영상들을 저장하고, 정지 영상 캡쳐 요청이 들어오면 그 중 가장 선명한 영상을 자동으로 선택하여 저장한다.
그러나, 카메라에서 모션 블러가 발생했을 경우 캡쳐 요청 전 저장된 정지 영상들에도 블러가 발생했을 수 있고, 기 저장된 영상 중 가장 선명한 영상을 선택함에도 불구하고 전혀 의미 없는 영상이 선택될 수 있다.
따라서, 종래의 영상 처리 장치는 사용자의 의도가 반영되지 않고 사용자가 직접 선택하지 않은 캡쳐 영상을 제공하므로, 블러가 있는 영상을 캡쳐 영상으로 제공할 수 있는 문제점이 있다.
관련 선행 문헌으로서 미국공개특허 US 2014/0132746 A1(Image Capture Stabilization) 등이 참조될 수 있다.
1. "Blur detection for digital images using wavelet transform", Hanghang Tong, Mingjing Li, Hongjinang Zhang, Changshui Zhang, 2004 IEEE International Conference on Multimedia and Expo (ICME), June 2004.
2. "Convolutional Neural Networks for No-Reference Image Quality Assessment", 2014 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), June 2014.
따라서, 본 발명이 이루고자 하는 기술적 과제는 내시경을 이용한 동영상의 촬영 중 정지영상의 캡쳐 요청 시 획득된 정지영상의 병변 의심 영역을 관심 영역으로 설정한 다음 설정된 관심 영역을 토대로 병변 검출함에 따라, 객관적으로 병변을 진단할 수 있고, 병변에 대한 정확도를 향상시킬 수 있는 병변 진단 시스템 및 방법을 제공하고자 함에 목적이 있다.
본 발명은 병변 의심 영역에 대해 정지 영상만을 처리함으로써, 실시간으로 병변 검출 및 분류가 가능하다.
본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있으며, 본 발명의 실시예에 의해 보다 분명하게 알게 될 것이다. 또한, 본 발명의 목적 및 장점들은 특허청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
이러한 특징에 따르면, 일 실시예에 따른 병변 진단 시스템은,
내시경으로 획득된 동영상 중 병변 의심 영역에 대한 관심 영역의 정지영상을 획득하는 영상 획득부; 상기 정지영상에 대한 해상도를 기 정해진 해상도로 보정한 다음 각 픽셀에 대한 누적분포함수(CDF: cumulative distribution Function)값을 도출하며, 도출된 CDF 값에 대한 히스토그램 평활하여 소정크기의 영상 데이터로 변환하는 전처리부; 상기 영상 데이터에 대해 전이학습 및 딥러닝 학습을 순차적으로 수행하고 학습 결과에 토대로 병변을 검출하는 병변 검출부를 포함할 수 있다.
바람직하게 상기 정지영상은 레드(Red) 채널, 그린(Green) 채널, 및 블루(Blue) 채널 영상을 포함할 수 있고, 상기 전처리부는 그린 채널, 및 블루 채널 각각에 대해 각 픽셀에 대한 누적분포함수(CDF: cumulative distribution Function)값을 도출한 다음 도출된 CDF 값에 대한 히스토그램 평활화(smoothing)하여 소정크기의 영상 데이터로 변환한 후 각 채널 별 영상데이터를 합성하여 상기 병변 검출부로 전달하도록 구비될 수 있다.
상기 전처리부는 그린 채널, 그린 채널, 및 블루 채널 각각에 대해 각 픽셀에 대한 누적분포함수(CDF: cumulative distribution Function)값을 도출한 다음 도출된 CDF 값에 대한 히스토그램 평활화하여 소정크기의 영상 데이터로 변환한 후 각 채널 별 영상 데이터를 합성하여 상기 병변 검출부로 전달하도록 구비될 수 있다.
바람직하게 상기 병변 검출부는,
소정크기의 영상 데이터의 이미지 네트워크에 의거 구축된 학습모델을 토대로 전이 학습을 수행하는 ImageNet 학습모듈; 및 상기 ImageNet 학습모듈의 전이학습의 제어값을 초기값으로 입력받아 딥러닝 학습을 수행하여 학습 결과를 토대로 병변을 검출 및 분류하는 딥러닝 학습모듈을 포함할 수 있다.
바람직하게 상기 딥러닝 학습모듈은 컨볼루션 레이어와 폴(Pool) 레이어로 이루어진 ResNET 구조를 통해 추출된 특징을 RPN(Region Proposal Network) 기법을 통해 사각 좌표계의 위치 정보와 확률 정보를 획득하고 검출된 위치에서 획득된 확률 정보를 통해 병변을 검출 및 분류하도록 구비될 수 있다.
바람직하게 상기 병변 검출부는,
상기 ImageNet 학습모듈의 전이학습의 학습 결과를 토대로 검출된 병변과 딥러닝 학습모듈의 학습 결과를 토대로 검출된 병변의 비교를 토대로 병변의 검출 및 분류 결과에 대해 검증하는 병변 검증모듈을 더 포함할 수 있다.
일 실시 예에 따른 병변 진단 방법은, 내시경으로 획득된 동영상 중 병변 의심 영역에 대한 관심 영역의 정지영상을 획득하는 영상 획득단계; 획득된 관심 영역의 정지 영상의 레드 채널, 그린 채널, 및 블루 채널 영상 중 그린 채널, 그린 채널, 및 블루 채널 영상 각각에 대해 각 픽셀에 대한 누적분포함수(CDF: cumulative distribution Function)값을 도출하며, 도출된 CDF 값에 대한 히스토그램 평활화하여 소정크기의 영상 데이터로 변환하는 전처리단계;
소정크기의 영상 데이터의 이미지 네트워크에 의거 구축된 학습모델을 토대로 전이 학습을 수행하여 병변을 검출하는 ImageNet 학습 단계; 및 상기 ImageNet 학습모듈의 전이학습의 제어값을 초기값으로 입력받아 상기 영상 데이터를 소정 수의 컨볼루션 레이어와 하나의 폴 레이어로 이루어진 ResnET 구조를 통해 추출된 특징을 RPN 기법을 통해 사각 좌표계의 위치 정보와 확률 정보를 획득하고 검출된 위치에서 획득된 확률 정보를 통해 병변을 검출하는 딥러닝 학습 단계를 포함할 수 있다.
일 실시예에 따른 병변 진단 방법은 전이학습의 학습 결과를 토대로 검출된 병변과 딥러닝 학습모듈의 학습 결과를 토대로 검출된 병변의 비교를 토대로 병변의 검출 및 분류 결과에 대해 검증하는 병변 검증 단계를 더 포함할 수 있다.
일 실시 예에 따르면, 내시경 등을 이용한 동영상의 촬영 중 정지영상의 캡쳐 요청 시 획득된 정지영상의 병변 의심 영역을 관심 영역으로 설정한 다음 관심 영역의 레드(R) 채널, 그린(G) 채널, 및 블루(B) 채널 영상 중 레드 채널 영상을 제외한 나머지 그린 채널, 및 블루 채널 영상 각각에 대해 또는 그린 채널, 그린 채널, 및 블루 채널 영상 각각에 대해 각 픽셀에 대한 누적분포함수(CDF: cumulative distribution Function)값을 도출하며, 도출된 CDF 값에 대한 히스토그램 평활화하여 대조도가 향상된 영상 데이터로 변환한 다음 합성하고, 합성된 영상 데이터에 대해 전이학습 및 딥러닝 학습을 순차적으로 수행하여 병변을 검출함에 따라, 객관적으로 병변을 진단할 수 있고 병변에 대한 정확도를 향상시킬 수 있다.
일 실시 예에 따르면, 병변 의심 영역에 대해 정지 영상만을 처리함으로써, 실시간으로 병변 검출 및 분류가 가능하다.
본 명세서에서 첨부되는 다음의 도면들은 본 발명의 바람직한 실시 예를 예시하는 것이며, 후술하는 발명의 상세한 설명과 함께 본 발명의 기술사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사항에만 한정되어 해석되어서는 아니된다.
도 1은 종래의 영상 처리 과정을 설명하기 위한 개념도이다.
도 2는 일 실시예에 따른 병변 진단 시스템의 구성을 보인 도이다.
도 3은 일 실시예의 원본 영상을 보인 예시도이다.
도 4는 일 실시예의 각 채널 영상을 보인 예시도이다.
도 5는 일 실시예의 전처리된 영상을 보인 일 예시도이다.
도 6은 일 실시예의 전처리된 영상을 보인 다른 예시도이다.
도 7은 일 실시예의 시스템의 병변 검출부의 세부 구성도이다.
도 8은 일 실시 예에 따른 병변 진단과정을 보인 전체 흐름도이다.
도 1은 종래의 영상 처리 과정을 설명하기 위한 개념도이다.
도 2는 일 실시예에 따른 병변 진단 시스템의 구성을 보인 도이다.
도 3은 일 실시예의 원본 영상을 보인 예시도이다.
도 4는 일 실시예의 각 채널 영상을 보인 예시도이다.
도 5는 일 실시예의 전처리된 영상을 보인 일 예시도이다.
도 6은 일 실시예의 전처리된 영상을 보인 다른 예시도이다.
도 7은 일 실시예의 시스템의 병변 검출부의 세부 구성도이다.
도 8은 일 실시 예에 따른 병변 진단과정을 보인 전체 흐름도이다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시 예를 설명함으로써, 본 발명을 상세히 설명한다.
도 2는 일 실시 예에 따른 병변 진단 시스템의 구성을 도시한 도면이고, 도 3은 도 2의 영상 획득부의 원본 영상을 보인 예시도이며, 도 4는 도 2에 도시된 전처리부의 각 채널 영상을 보인 예시도이고, 도 5는 도 2에 도시된 전처리부의 전처리된 영상을 보인 일 예시도이며, 도 6은 도 2에 도시된 전처리부의 영상을 보인 다른 예시도이고, 도 7은 도 1에 도시된 병변 검출부의 세부 구성도이다.
도 2 내지 도 7을 참조하면, 일 실시 예에 따른 병변 진단 시스템은 내시경의 동영상으로부터 획득된 관심 영역의 정지영상의 레드(R) 채널, 그린(G) 채널, 및 블루(B) 채널 영상 중 병변에 대한 정보가 없는 레드 채널을 제외한 나머지 그린 채널 및 블루 채널의 영상 각각에 대해 전처리를 수행하고 전처리된 영상 데이터에 대해 전이 학습 및 딥러닝 학습을 순차적으로 수행하여 병변을 검출 및 진단하도록 구비될 수 있고, 이에 시스템은 영상 획득부(100), 전처리부(200), 및 병변 검출부(300)를 포함할 수 있다.
영상 획득부(100)는 도 3에 도시된 바와 같이 내시경으로 획득된 동영상 중 병변 의심의 관심 영역에 대한 정지영상을 획득할 수 있다.
전처리부(200)는 영상 획득부(100)로부터 관심 영역의 정지영상으로부터 소정크기의 영상 데이터를 획득할 수 있다. 여기서 정지 영상은 도 4에 도시된 바와 같이, 레드(Red) 채널, 그린(Green) 채널, 및 블루(Blue) 채널 영상이 포함되고, 이때 도 4를 참조하면, 레드 채널 영상은 병변 부분, 특히 위궤양에 대한 정보가 거의 보이지 않음을 확인할 수 있다.
이에 전처리부(200)는 레드 채널, 그린 채널, 및 블루 채널 영상 중 레드 채널 영상을 제외한 나머지 그린 채널, 및 블루 채널 영상 각각에 대한 전처리 과정을 수행할 수 있다. 일 례로 전처리부(200)는 획득된 정지영상 중 그린 채널, 및 블루 채널 영상 각각에 대해 각 픽셀의 누적분포함수(CDF: Cummulative Distribution Function) 값으로 도출한 다음 도출된 CDF 값을 CLAHE(Contrast Limited Adaptive Histogram Equalization) 기법을 이용하여 소정크기의 영상 데이터로 변환한다.
누적분포함수(CDF)는 x를 분포의 값으로, 
를 Percentile로 매핑 시키는 함수로서, 주어진 확률분포에서 확률변수가 특정 값보다 작거나 같은 확률을 나타낸다. 도출된 Percentile에 대한 누적분포함수(PDF: Percentile Distribution Function)을 적분하면 CDF 값이 도출될 수 있으며, 다음 식 1을 만족한다.
[식 1]
X는 실수값을 가지는 임의의 변수로서, (a, b]를 가지며, a<b 를 만족한다.
또한 CLAHE 기법은 그린 채널, 및 블루 채널 영상 각각에 대해 CDF 값에 대한 히스토그램 평활화하여 소정크기의 영상 데이터를 각각 출력하고, 출력된 각 그린(Green) 채널, 및 블루(Blue) 채널 영상에 대한 영상 데이터는 합성되어 병변 검출부(300)로 제공된다. 즉, CLAHE 기법은 주어진 픽셀 값의 근처에서 명암 증폭을 누적분포함수(CDF)의 변환함수의 기울기에 의해 지정하고, 누적분포함수(CDF)의 기울기에 비례하여 해당 픽셀값의 히스토그램 값을 비례하여 설정한다. 이때 CLAHE 기법은 누적분포함수(CDF)를 연산하기 이전에 히스토그램을 미리 정의된 값으로 클램핑하여 증폭의 한계를 설정한다. 본 명세서 상에서는 누적분포함수(CDF) 및 CLAHE 기법을 이용하여 정지 영상의 각 그린 채널 및 블루 채널 영상에 대해 전처리를 수행하는 과정을 구체적으로 명시하지 않지만, 당업자 수준에서 이해되어야 할 것이다.
이에 도 5를 참조하면 그린 채널 및 블루 채널 영상에 대해 전처리를 수행하는 전처리부(200)의 영상은 기존의 CLAHE 기법을 이용하여 정지 영상에 대한 전처리된 영상과 비교하여 균일하고 대조도가 높아졌음을 알 수 있고, 이에 정지영상의 품질이 향상되며, 부분적인 어두운 영상으로 인한 병변 검출의 실패가 방지될 수 있다.
다른 례로 전처리부(200)는 획득된 정지영상 중 그린 채널, 그린 채널, 및 블루 채널 영상 각각에 대해 각 픽셀의 누적분포함수(CDF: Cummulative Distribution Function) 값으로 도출한 다음 도출된 CDF 값을 CLAHE(Contrast Limited Adaptive Histogram Equalization) 기법을 이용하여 소정크기의 영상 데이터로 변환한다. 출력된 각 그린(Green) 채널, 그린(Green) 채널, 및 블루(Blue) 채널 영상에 대한 영상 데이터는 합성되어 병변 검출부(300)로 제공된다.
이에 도 6을 참조하면 전처리부(200)의 영상은 도 5의 영상에 비해 균일하고 대조도가 더 높아졌음을 확인할 수 있다.
한편, 병변 검출부(300)는 전처리부(200)의 영상 데이터를 전달받아 전이학습 및 딥러닝 학습을 순차 수행하여 병변을 검출 및 분류하도록 이루어지며, 이에 병변 검출부(300)는 ImageNet 학습모듈(310), 딥러닝 학습모듈(320), 및 병변 검증모듈(330)를 포함할 수 있다.
ImageNet 학습모듈(310)는 전처리부(200)의 소정크기의 영상 데이터의 이미지 네트워크에 의거 구축된 학습모델을 토대로 전이 학습을 수행하고, 이때 ImageNet 학습모듈(310)의 전이학습에 도출된 제어값을 초기값으로 딥러닝 학습모듈(320)에 전달한다.
이러한 ImageNet 학습모듈(310)의 제어값을 초기값으로 전달받은 딥러닝 학습모듈(320)는 제어값을 초기값으로 전처리부(200)의 영상 데이터에 대한 딥러닝 학습을 수행하여 학습 결과를 토대로 병변을 검출 및 분류할 수 있다.
여기서, 딥러닝 학습모듈(320)는 컨볼루션 레이어와 폴(Pool) 레이어로 이루어진 ResNET 구조를 통해 추출된 특징을 RPN(Region Proposal Network) 기법을 통해 사각 좌표계의 위치 정보와 확률 정보를 획득하고 검출된 위치에서 획득된 확률 정보를 통해 병변을 검출 및 분류하도록 구비될 수 있다.
일 례로 딥러닝 학습모듈(320)는 7*7 커널 1개, 1*1 커널 32개 3*3 커널 16개를 포함한 49개의 컨볼루션 레이어와 1개의 폴 레이어로 이루어진 ResNET 구조를 통해 전처리부(200)의 영상 데이터의 특징을 추출하고 추출된 특징으로 RPN 기법을 통해 사각 좌표계의 위치 정보와 확률 스코어를 획득한다. 컨볼루션 레이어는 패치 영상과 커널 들과의 컨볼루션(Convolution) 값을 딥 러닝(Deep Learning) 방법을 이용하여 생성된다.
이에 딥러닝 학습모듈(320)은 검출된 위치에서의 확률 스코어에 대해 기 구축된 모델을 토대로 학습을 수행하여 정상, 위궤양, 및 위암 등의 병변을 분류한다. 이러한 딥러닝 학습을 통해 비특허문헌 1 및 2에 개시된 정상, 위궤양 및 위암 등의 병변을 분류 및 검출할 수 있다.
이러한 딥러닝 학습모듈(320)의 학습 결과 및 ImageNet 학습모듈(320)의 학습 결과는 병변 검증모듈(330)로 전달된다. 병변 검증모듈(330)은 ImageNet 학습모듈(310)의 전이학습의 학습 결과를 토대로 검출된 병변과 딥러닝 학습모듈(320)의 학습 결과를 토대로 검출된 병변의 비교 결과를 토대로 검출된 병변에 대해 검증할 수 있다.
도 8은 일 실시 예에 따른 병변 진단 동작을 도시한 흐름도로서, 도 8을 참조하여 다른 실시 예에 따른 병변 진단 방법을 설명한다.
일 실시 예에 따르면, 단계(S11)에서, 도 2의 영상 획득부(100)를 이용하여 내시경으로 획득된 동영상 중 병변 의심 영역에 대한 관심 영역의 정지영상을 획득할 수 있다.
일 실시 예에 따르면, 단계(S12~S14)에서 전처리부(200)는 정지 영상을 레드 채널 영상, 그린 채널 영상, 및 블루 채널 영상으로 분리한 다음 레드 채널을 제외한 나머지 그린 채널 영상 및 블루 채널 영상 또는 그린 채널, 그린 채널, 및 블루 채널 영상 각각에 대해 전처리를 수행한 다음 각 채널 영상 별 전처리된 영상 데이터를 합성하여 병변 검출부(300)로 전달한다.
이어 단계(S15~S17)에서 병변 검출부(300)는 전처리된 영상 데이터에 대해 ImageNet 기법을 이용하여 전이 학습을 수행한 다음 제어값으로 초기값으로 딥러닝 기법을 이용하여 학습을 수행하여 병변 분류 및 검출을 수행하고, 전이 학습 결과의 병변과 딥러닝 학습 결과의 병변이 일치하는 경우 일치된 병변을 출력한다.
내시경을 이용한 동영상의 촬영 중 정지영상의 캡쳐 요청 시 획득된 정지영상의 병변 의심 영역을 관심 영역으로 설정한 다음 설정된 관심 영역을 토대로 병변 검출함에 따라, 객관적으로 병변을 진단할 수 있고, 병변에 대한 정확도를 향상시킬 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
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.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 컴퓨터 판독 가능 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 광매체(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.
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.
100 : 영상 획득부
200 : 전처리부
300 : 병변 검출부
200 : 전처리부
300 : 병변 검출부
Claims (9)
- 내시경으로 획득된 동영상 중 병변 의심 영역에 대한 관심 영역의 정지영상을 획득하는 영상 획득부;
상기 정지영상에 대한 해상도를 기 정해진 해상도로 보정한 다음 각 픽셀에 대한 누적분포함수(CDF: cumulative distribution Function)값을 도출하며, 도출된 CDF 값에 대한 히스토그램 평활하여 소정크기의 영상 데이터로 변환하는 전처리부;
상기 영상 데이터에 대해 전이학습 및 딥러닝 학습을 순차적으로 수행하고 학습 결과에 토대로 병변을 검출하는 병변 검출부를 포함하는 것을 특징으로 하는 병변 진단 시스템. - 제1항에 있어서, 상기 정지영상은 레드(Red) 채널, 그린(Green) 채널, 및 블루(Blue) 채널 영상을 포함하는 것을 특징으로 하는 병변 진단 시스템.
- 제2항에 있어서, 상기 전처리부는
그린 채널, 및 블루 채널 각각에 대해 각 픽셀에 대한 누적분포함수(CDF: cumulative distribution Function)값을 도출한 다음 도출된 CDF 값에 대한 히스토그램 평활화(smoothing)하여 소정크기의 영상 데이터로 변환한 후 각 채널 별 영상데이터를 합성하여 상기 병변 검출부로 전달하도록 구비되는 것을 특징으로 하는 병변 진단 시스템. - 제2항에 있어서, 상기 전처리부는
그린 채널, 그린 채널, 및 블루 채널 각각에 대해 각 픽셀에 대한 누적분포함수(CDF: cumulative distribution Function)값을 도출한 다음 도출된 CDF 값에 대한 히스토그램 평활화하여 소정크기의 영상 데이터로 변환한 후 각 채널 별 영상 데이터를 합성하여 상기 병변 검출부로 전달하도록 구비되는 것을 특징으로 하는 병변 진단 시스템. - 제1항에 있어서, 상기 병변 검출부는,
소정크기의 영상 데이터의 이미지 네트워크에 의거 구축된 학습모델을 토대로 전이 학습을 수행하는 ImageNet 학습모듈; 및
상기 ImageNet 학습모듈의 전이학습의 제어값을 초기값으로 입력받아 딥러닝 학습을 수행하여 학습 결과를 토대로 병변을 검출 및 분류하는 딥러닝 학습모듈을 포함하는 것을 특징으로 하는 병변 진단 시스템.
- 제5항에 있어서, 상기 딥러닝 학습모듈은
컨볼루션 레이어와 폴(Pool) 레이어로 이루어진 ResNET 구조를 통해 추출된 특징을 RPN(Region Proposal Network) 기법을 통해 사각 좌표계의 위치 정보와 확률 정보를 획득하고 검출된 위치에서 획득된 확률 정보를 통해 병변을 검출 및 분류하도록 구비되는 것을 특징으로 하는 병변 진단 시스템. - 제5항에 있어서, 상기 병변 검출부는,
상기 ImageNet 학습모듈의 전이학습의 학습 결과를 토대로 검출된 병변과 딥러닝 학습모듈의 학습 결과를 토대로 검출된 병변의 비교를 토대로 병변의 검출 및 분류 결과에 대해 검증하는 병변 검증모듈을 더 포함하는 것을 특징으로 하는 병변 진단 시스템. - 내시경으로 획득된 동영상 중 병변 의심 영역에 대한 관심 영역의 정지영상을 획득하는 영상 획득단계;
획득된 관심 영역의 정지 영상의 레드 채널, 그린 채널, 및 블루 채널 영상 중 그린 채널, 그린 채널, 및 블루 채널 영상 각각에 대해 각 픽셀에 대한 누적분포함수(CDF: cumulative distribution Function)값을 도출하며, 도출된 CDF 값에 대한 히스토그램 평활화하여 소정크기의 영상 데이터로 변환하는 전처리단계;
소정크기의 영상 데이터의 이미지 네트워크에 의거 구축된 학습모델을 토대로 전이 학습을 수행하여 병변을 검출하는 ImageNet 학습 단계; 및
상기 ImageNet 학습모듈의 전이학습의 제어값을 초기값으로 입력받아 상기 영상 데이터를 소정 수의 컨볼루션 레이어와 하나의 폴 레이어로 이루어진 ResnET 구조를 통해 추출된 특징을 RPN 기법을 통해 사각 좌표계의 위치 정보와 확률 정보를 획득하고 검출된 위치에서 획득된 확률 정보를 통해 병변을 검출하는 딥러닝 학습 단계를 포함하는 것을 특징으로 하는 병변 진단 방법. - 제8항에 있어서, 상기 병변 진단 방법은,
전이학습의 학습 결과를 토대로 검출된 병변과 딥러닝 학습모듈의 학습 결과를 토대로 검출된 병변의 비교를 토대로 병변의 검출 및 분류 결과에 대해 검증하는 병변 검증 단계를 더 포함하는 것을 특징으로 하는 병변 진단 방법.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR20190021015 | 2019-02-22 | ||
| KR1020190021015 | 2019-02-22 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200102961A true KR20200102961A (ko) | 2020-09-01 |
| KR102344041B1 KR102344041B1 (ko) | 2021-12-29 |
Family
ID=72450942
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200022177A KR102344041B1 (ko) | 2019-02-22 | 2020-02-24 | 병변 진단 시스템 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102344041B1 (ko) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022114357A1 (ko) * | 2020-11-25 | 2022-06-02 | 주식회사 아이도트 | 영상 병변 진단 시스템 |
| KR20220129209A (ko) * | 2021-03-16 | 2022-09-23 | (주)파인헬스케어 | 인공지능을 이용한 욕창 단계 평가 및 치료 추천을 제공하는 장치 및 방법 |
| WO2023113272A1 (ko) * | 2021-12-15 | 2023-06-22 | 연세대학교 산학협력단 | 근관 치료에 대한 정보 제공 방법 및 이를 이용한 근관 치료에 대한 정보 제공용 디바이스 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100393071B1 (ko) * | 2001-08-18 | 2003-07-31 | 삼성전자주식회사 | 영상의 히스토그램 평활화 장치 및 방법 |
| KR20110130288A (ko) * | 2010-05-27 | 2011-12-05 | 부산대학교 산학협력단 | 점막하 종양의 초음파 내시경 영상 분석에 의한 질병의 진단 방법 |
| US20140132746A1 (en) * | 2012-11-14 | 2014-05-15 | Timothy King | Image capture stabilization |
-
2020
- 2020-02-24 KR KR1020200022177A patent/KR102344041B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100393071B1 (ko) * | 2001-08-18 | 2003-07-31 | 삼성전자주식회사 | 영상의 히스토그램 평활화 장치 및 방법 |
| KR20110130288A (ko) * | 2010-05-27 | 2011-12-05 | 부산대학교 산학협력단 | 점막하 종양의 초음파 내시경 영상 분석에 의한 질병의 진단 방법 |
| US20140132746A1 (en) * | 2012-11-14 | 2014-05-15 | Timothy King | Image capture stabilization |
Non-Patent Citations (2)
| Title |
|---|
| 1. "Blur detection for digital images using wavelet transform", Hanghang Tong, Mingjing Li, Hongjinang Zhang, Changshui Zhang, 2004 IEEE International Conference on Multimedia and Expo (ICME), June 2004. |
| 2. "Convolutional Neural Networks for No-Reference Image Quality Assessment", 2014 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), June 2014. |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022114357A1 (ko) * | 2020-11-25 | 2022-06-02 | 주식회사 아이도트 | 영상 병변 진단 시스템 |
| KR20220129209A (ko) * | 2021-03-16 | 2022-09-23 | (주)파인헬스케어 | 인공지능을 이용한 욕창 단계 평가 및 치료 추천을 제공하는 장치 및 방법 |
| WO2023113272A1 (ko) * | 2021-12-15 | 2023-06-22 | 연세대학교 산학협력단 | 근관 치료에 대한 정보 제공 방법 및 이를 이용한 근관 치료에 대한 정보 제공용 디바이스 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102344041B1 (ko) | 2021-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102237441B1 (ko) | 뉴럴 네트워크를 이용하여 캡슐 내시경 영상으로부터 병변 판독 방법 및 장치 | |
| CN113454981B (zh) | 用于基于卷积神经网络的多个图像帧的多曝光融合及用于对多个图像帧去模糊的技术 | |
| US10949952B2 (en) | Performing detail enhancement on a target in a denoised image | |
| KR102344041B1 (ko) | 병변 진단 시스템 및 방법 | |
| WO2020103676A1 (zh) | 图像识别方法、装置、系统及存储介质 | |
| US8861806B2 (en) | Real-time face tracking with reference images | |
| US20230274577A1 (en) | Device and method with image matching | |
| CN110855889B (zh) | 图像处理方法、装置、图像处理设备及存储介质 | |
| JP7192109B2 (ja) | コンテキスト埋め込みおよび領域ベースの物体検出のための方法および装置 | |
| WO2017030747A1 (en) | Reconstruction with object detection for images captured from a capsule camera | |
| JP2018092610A (ja) | 画像認識装置、画像認識方法及びプログラム | |
| CN110991287A (zh) | 一种实时视频流人脸检测跟踪方法及检测跟踪系统 | |
| JP2010218551A (ja) | 顔認識方法、コンピューター読み取り可能な媒体および画像処理装置 | |
| KR20190053602A (ko) | 얼굴 인증 방법 및 장치 | |
| KR102053527B1 (ko) | 이미지 처리 방법 | |
| CN111597938A (zh) | 活体检测、模型训练方法及装置 | |
| CN110532746B (zh) | 人脸校验方法、装置、服务器及可读存储介质 | |
| US20200137298A1 (en) | Deep-learning-based system to assist camera autofocus | |
| CN113807160A (zh) | 图像采集设备劫持的检测方法、装置及计算机设备 | |
| KR20210024877A (ko) | 라이브니스 판단 방법 및 장치 | |
| KR102550338B1 (ko) | 저선량 ct 영상 노이즈 저감 장치와 이를 위한 학습 장치 및 방법 | |
| US20080199073A1 (en) | Red eye detection in digital images | |
| KR102101481B1 (ko) | 인공지능 기반의 휴대용 보안영상 학습장치 및 방법 | |
| US8538142B2 (en) | Face-detection processing methods, image processing devices, and articles of manufacture | |
| KR102235127B1 (ko) | 멀티모달 영상의 적응적 융합 방법 및 그 장치 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right |