KR20200121608A - Method and apparatus for estimating bone age - Google Patents
Method and apparatus for estimating bone age Download PDFInfo
- Publication number
- KR20200121608A KR20200121608A KR1020190044374A KR20190044374A KR20200121608A KR 20200121608 A KR20200121608 A KR 20200121608A KR 1020190044374 A KR1020190044374 A KR 1020190044374A KR 20190044374 A KR20190044374 A KR 20190044374A KR 20200121608 A KR20200121608 A KR 20200121608A
- Authority
- KR
- South Korea
- Prior art keywords
- cervical vertebrae
- bone age
- cervical
- age estimation
- information
- Prior art date
Links
- 210000000988 bone and bone Anatomy 0.000 title claims abstract description 175
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000013528 artificial neural network Methods 0.000 claims abstract description 67
- 238000007781 pre-processing Methods 0.000 claims abstract description 33
- 230000035800 maturation Effects 0.000 claims description 50
- 238000005259 measurement Methods 0.000 claims description 48
- 230000005855 radiation Effects 0.000 claims description 46
- 238000012549 training Methods 0.000 claims description 46
- 238000012545 processing Methods 0.000 description 11
- 239000000284 extract Substances 0.000 description 10
- 230000012010 growth Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 210000004373 mandible Anatomy 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 5
- 208000024891 symptom Diseases 0.000 description 3
- 206010061274 Malocclusion Diseases 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000005452 bending Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 210000001847 jaw Anatomy 0.000 description 2
- 230000000399 orthopedic effect Effects 0.000 description 2
- 238000002601 radiography Methods 0.000 description 2
- 230000009645 skeletal growth Effects 0.000 description 2
- 230000008468 bone growth Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 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
- 238000004393 prognosis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/505—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of bone
-
- 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
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Radiology & Medical Imaging (AREA)
- Physiology (AREA)
- Optics & Photonics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- High Energy & Nuclear Physics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
Description
아래 실시예들은 골 연령 추정 기술에 관한 것이다.The following examples relate to bone age estimation techniques.
소아 및 청소년, 교정 분야에서 치열교정시 성장예측은 양호한 교정치료 결과를 위해서 매우 중요하다. 이를 위해 골격의 성장을 정확히 예측하는 것이 매우 중요한데, 이는 위턱뼈 또는 아래턱뼈의 성장에 따라 치열을 배열하는 것이 크게 영향을 받기 때문이다. 예전부터 골 연령을 진단하는 방법으로 소아청소년과와 정형외과에서 널리 쓰이는 손골격사진(handwrist radiography)이 이용되어 왔으나, 손골격사진은 머리 부분의 골격성장을 예측하는 데는 정확도가 떨어져 한계가 있다는 지적을 받아왔다.In children, adolescents, and orthodontics, growth prediction during orthodontics is very important for good orthodontic results. For this, it is very important to accurately predict the growth of the skeleton, because the alignment of the teeth according to the growth of the upper or lower jaw bone is greatly affected. In the past, handwrist radiography, widely used in pediatrics and orthopedics, has been used as a method of diagnosing bone age, but it is pointed out that hand skeletal photographs are limited due to low accuracy in predicting skeletal growth of the head. Has been received.
최근 들어 교정치료 전에 통상적으로 촬영하는 측모 두부방사선 계측사진에 나타나는 경추의 발육상태를 보고 골격성장을 예측하는 방법이 소개되고, 그 예측 정확도가 높다는 결과가 소개되어 임상에서 활용되는 경우가 늘고 있다. 그러나 몇몇 연구에서 그 예측의 정확도에 있어서 아직 회의적인 결과가 보고되고도 있어, 경추를 기반으로 한 골 연령 측정은 실제 턱성장을 예측하는데 아직까지 연구 및 개선할 점이 많은 실정이다.In recent years, a method of predicting skeletal growth by looking at the developmental state of the cervical spine, which is shown in a lateral head radiograph, which is normally taken before orthodontic treatment, has been introduced, and the results that the prediction accuracy is high have been introduced, and thus, it is increasingly used in clinical practice. However, some studies still report skeptical results about the accuracy of the prediction, so bone age measurement based on the cervical spine predicts the actual jaw growth, but there are still many studies and improvements.
일 실시예에 따른 심층 신경망을 이용한 골 연령 추정 방법은, 사용자의 경추가 촬영된 측모 두부방사선 계측영상(Lateral cephalogram)을 수신하는 단계; 상기 측모 두부방사선 계측영상의 영상 전처리를 통해 상기 경추의 형태 정보를 획득하는 단계; 및 상기 획득된 경추의 형태 정보를 입력으로 하는 심층 신경망 기반의 골 연령 추정 모델을 이용하여 상기 경추의 성숙 단계와 관련된 성숙도 정보를 획득하는 단계를 포함할 수 있다.A method for estimating bone age using a deep neural network according to an embodiment includes: receiving a lateral cephalogram taken of a user's cervical spine; Acquiring shape information of the cervical spine through image preprocessing of the lateral head radiation measurement image; And acquiring maturity information related to the maturation stage of the cervical vertebrae using a bone age estimation model based on a deep neural network that inputs the acquired shape information of the cervical vertebrae.
상기 경추의 형태 정보를 획득하는 단계는, 상기 측모 두부방사선 계측영상에서 경추 영역을 포함하는 관심 영역을 추출하는 단계; 상기 추출한 관심 영역에서 경추의 특징점들을 추출하는 단계; 및 상기 추출된 경추의 특징점들에 기초하여 상기 경추의 윤곽선 정보를 추정하는 단계를 포함할 수 있다.The obtaining of the shape information of the cervical vertebrae may include extracting a region of interest including a cervical vertebrae region from the lateral head radiation measurement image; Extracting feature points of the cervical spine from the extracted region of interest; And estimating contour information of the cervical vertebrae based on the extracted feature points of the cervical vertebrae.
상기 심층 신경망 기반의 골 연령 추정 모델은, 상기 추정된 경추의 윤곽선 정보에 기초하여 상기 경추의 성숙 단계와 관련된 성숙도 정보를 출력할 수 있다.The bone age estimation model based on the deep neural network may output maturity information related to the maturation stage of the cervical vertebrae based on the estimated contour information of the cervical vertebrae.
상기 심층 신경망 기반의 골 연령 추정 모델은, 경추의 성숙도가 결정된 복수의 측모 두부방사선 계측영상들에 기초하여 분석된 경추의 형태 정보를 통해 학습될 수 있다.The deep neural network-based bone age estimation model may be learned through shape information of the cervical vertebrae analyzed based on a plurality of lateral head radiation measurement images for which the maturity of the cervical vertebrae is determined.
상기 특징점들을 추출하는 단계는, 상기 측모 두부방사선 계측영상에 나타난 2번, 3번 및 4번 경추들의 테두리에서의 에지 지점들 및 경추 하연 윤곽선의 중점을 추출하는 단계를 포함할 수 있다.The step of extracting the feature points may include extracting edge points at the edges of the 2nd, 3rd, and 4th cervical vertebrae shown in the lateral head radiation measurement image and the midpoint of the lower edge of the cervical vertebra.
상기 형태 정보를 획득하는 단계는, 상기 윤곽선 정보에 기초하여, 상기 경추의 넓이, 상기 경추의 가로 길이, 상기 경추의 세로 길이, 상기 경추의 하연의 만곡도, 상기 경추의 가로 길이와 세로 길이 간의 비율 및 인접한 경추들 간의 간격 중 적어도 하나를 획득하는 단계를 포함할 수 있다.The obtaining of the shape information includes, based on the contour information, the width of the cervical vertebrae, the lateral length of the cervical vertebrae, the vertical length of the cervical vertebrae, the curvature of the lower edge of the cervical vertebrae, and the ratio between the lateral length and the vertical length of the cervical vertebrae And acquiring at least one of the intervals between adjacent cervical vertebrae.
상기 성숙도 정보는, 미리 정해진 서로 다른 성숙 단계들 중 어느 하나의 성숙 단계, 상기 사용자의 경추에 대해 추정된 골 연령 및 상기 사용자의 추정된 나이 중 적어도 하나에 대한 정보를 포함할 수 있다.The maturity information may include information on at least one of a maturation step among predetermined different maturation steps, a bone age estimated for the user's cervical spine, and an estimated age of the user.
일 실시예에 따른 심층 신경망 기반의 골 연령 추정 모델의 학습 방법은, 경추가 나타난 측모 두부방사선 계측영상을 포함하는 학습 영상을 수신하는 단계; 상기 학습 영상의 영상 전처리를 통해 상기 경추의 형태 정보를 획득하는 단계; 상기 획득된 경추의 형태 정보를 입력으로 하는 상기 심층 신경망 기반의 골 연령 추정 모델을 이용하여 상기 경추의 성숙 단계와 관련된 성숙도 정보를 획득하는 단계; 및 상기 획득된 성숙도 정보와 상기 학습 영상에 대응하는 성숙도 정보에 기초하여 상기 심층 신경망 기반의 골 연령 추정 모델을 학습시키는 단계를 포함할 수 있다.A method of learning a bone age estimation model based on a deep neural network according to an embodiment includes: receiving a training image including a lateral head radiation measurement image showing a cervical spine; Acquiring shape information of the cervical spine through image preprocessing of the training image; Acquiring maturity information related to the maturation stage of the cervical vertebrae using the deep neural network-based bone age estimation model that receives the acquired shape information of the cervical spine; And training the deep neural network-based bone age estimation model based on the acquired maturity information and maturity information corresponding to the training image.
상기 경추의 형태 정보는, 상기 경추의 넓이, 상기 경추의 가로 길이, 상기 경추의 세로 길이, 상기 경추의 하연의 만곡도, 상기 경추의 가로 길이와 세로 길이 간의 비율 및 인접한 경추들 간의 간격 중 적어도 하나를 포함할 수 있다.The shape information of the cervical vertebrae, at least one of the width of the cervical vertebrae, the lateral length of the cervical vertebrae, the vertical length of the cervical vertebrae, the curvature of the lower edge of the cervical vertebrae, the ratio between the lateral length and the vertical length of the cervical vertebrae, and the interval between adjacent cervical vertebrae It may include.
상기 심층 신경망 기반의 골 연령 추정 모델을 학습시키는 단계는, 상기 획득된 성숙도 정보와 상기 학습 영상에 대응하는 성숙도 정보 간의 차이가 줄어들도록 상기 심층 신경망 기반의 골 연령 추정 모델의 파라미터들을 조정하는 단계를 포함할 수 있다.The training of the deep neural network-based bone age estimation model includes adjusting parameters of the deep neural network-based bone age estimation model so that a difference between the obtained maturity information and the maturity information corresponding to the training image is reduced. Can include.
일 실시예에 따른 심층 신경망을 이용한 골 연령 추정 방법은, 상기 심층 신경망 기반의 골 연령 추정 모델을 이용하여 상기 획득된 경추의 형태 정보로부터 상기 사용자의 성별 정보를 획득하는 단계를 더 포함할 수 있다.The method for estimating bone age using a deep neural network according to an embodiment may further include acquiring gender information of the user from the acquired shape information of the cervical spine using the bone age estimation model based on the deep neural network. .
일 실시예에 따른 심층 신경망을 이용한 골 연령 추정 방법을 수행하는 골 연령 추정 장치는, 사용자의 경추가 촬영된 측모 두부방사선 계측영상(Lateral cephalogram)을 수신하는 영상 수신부; 상기 측모 두부방사선 계측영상의 영상 전처리를 통해 상기 경추의 형태 정보를 획득하는 영상 전처리부; 및 상기 획득된 경추의 형태 정보를 입력으로 하는 심층 신경망 기반의 골 연령 추정 모델을 이용하여 상기 경추의 성숙 단계와 관련된 성숙도 정보를 획득하는 분석부를 포함할 수 있다.An apparatus for estimating bone age for performing a method for estimating bone age using a deep neural network according to an embodiment includes: an image receiving unit configured to receive a lateral cephalogram taken of a user's cervical spine; An image preprocessing unit for obtaining shape information of the cervical spine through image preprocessing of the lateral head radiation measurement image; And an analysis unit that obtains maturity information related to the maturation stage of the cervical vertebrae by using a bone age estimation model based on a deep neural network that inputs the acquired shape information of the cervical vertebrae.
상기 영상 전처리부는, 상기 측모 두부방사선 계측영상에서 경추 영역을 포함하는 관심 영역을 추출하고, 상기 추출한 관심 영역에서 경추의 특징점들을 추출하고, 상기 추출된 경추의 특징점들에 기초하여 상기 경추의 윤곽선 정보를 추정할 수 있다.The image preprocessor extracts a region of interest including a cervical vertebrae region from the lateral head radiation measurement image, extracts feature points of the cervical vertebrae from the extracted region of interest, and outlines information of the cervical vertebrae based on the extracted feature points of the cervical vertebrae. Can be estimated.
상기 심층 신경망 기반의 골 연령 추정 모델은, 상기 추정된 경추의 윤곽선 정보에 기초하여 상기 경추의 성숙 단계와 관련된 성숙도 정보를 출력할 수 있다.The bone age estimation model based on the deep neural network may output maturity information related to the maturation stage of the cervical vertebrae based on the estimated contour information of the cervical vertebrae.
상기 심층 신경망 기반의 골 연령 추정 모델은, 경추의 성숙도가 결정된 복수의 측모 두부방사선 계측영상들에 기초하여 분석된 경추의 형태 정보를 통해 학습될 수 있다.The deep neural network-based bone age estimation model may be learned through shape information of the cervical vertebrae analyzed based on a plurality of lateral head radiation measurement images for which the maturity of the cervical vertebrae is determined.
상기 영상 전처리부는, 상기 측모 두부방사선 계측영상에 나타난 2번, 3번 및 4번 경추들의 테두리에서의 에지 지점들 및 경추 하연 윤곽선의 중점을 추출할 수 있다.The image preprocessor may extract edge points at the edges of the 2nd, 3rd, and 4th cervical vertebrae shown in the lateral head radiation measurement image and the midpoint of the lower edge of the cervical vertebra.
상기 영상 전처리부는, 상기 윤곽선 정보에 기초하여, 상기 경추의 넓이, 상기 경추의 가로 길이, 상기 경추의 세로 길이, 상기 경추의 하연의 만곡도, 상기 경추의 가로 길이와 세로 길이 간의 비율 및 인접한 경추들 간의 간격 중 적어도 하나를 획득할 수 있다.The image preprocessing unit, based on the contour information, the width of the cervical vertebrae, the horizontal length of the cervical vertebrae, the vertical length of the cervical vertebrae, the curvature of the lower edge of the cervical vertebrae, the ratio between the horizontal length and the vertical length of the cervical vertebrae, and adjacent cervical vertebrae At least one of the intervals may be obtained.
상기 분석부는, 상기 획득된 경추의 형태 정보를 입력으로 하는 심층 신경망 기반의 골 연령 추정 모델을 이용하여 상기 사용자의 성별 정보를 획득할 수 있다.The analysis unit may obtain the sex information of the user using a bone age estimation model based on a deep neural network that inputs the acquired shape information of the cervical spine.
일 실시예에 따른 심층 신경망 기반의 골 연령 추정 모델의 학습 방법을 수행하는 학습 장치는, 경추가 나타난 측모 두부방사선 계측영상을 포함하는 학습 영상을 수신하는 영상 수신부; 상기 학습 영상의 영상 전처리를 통해 상기 경추의 형태 정보를 획득하는 영상 전처리부; 상기 획득된 경추의 형태 정보를 입력으로 하는 상기 심층 신경망 기반의 골 연령 추정 모델을 이용하여 상기 경추의 성숙 단계와 관련된 성숙도 정보를 획득하는 분석부; 및 상기 획득된 성숙도 정보와 상기 학습 영상에 대응하는 성숙도 정보에 기초하여 상기 심층 신경망 기반의 골 연령 추정 모델을 학습시키는 학습부를 포함할 수 있다.A learning apparatus for performing a learning method of a bone age estimation model based on a deep neural network according to an embodiment includes: an image receiving unit configured to receive a training image including a lateral head radiation measurement image showing a cervical spine; An image preprocessing unit that acquires shape information of the cervical spine through image preprocessing of the learning image; An analysis unit for obtaining maturity information related to the maturation stage of the cervical vertebrae by using the deep neural network-based bone age estimation model for inputting the acquired shape information of the cervical vertebrae; And a learning unit that trains the deep neural network-based bone age estimation model based on the acquired maturity information and maturity information corresponding to the training image.
일 실시예에 따르면, 심층 신경망을 이용한 골 연령 추정 방법은 의료 영상에 나타난 경추를 인공지능을 통해 분석함으로써 골 연령을 진단하고, 뼈의 성장을 용이하게 예측할 수 있다.According to an embodiment, the bone age estimation method using a deep neural network can diagnose bone age and easily predict bone growth by analyzing a cervical spine shown in a medical image through artificial intelligence.
일 실시예에 따르면, 심층 신경망을 이용한 골 연령 추정 방법은 정확한 예측성을 기반으로 치과의사가 환자의 증상을 진단하고, 환자의 증상에 따른 치료 계획을 수립하고, 치료에 따른 환자의 예후를 예측하는데 도움을 제공할 수 있다.According to an embodiment, in the bone age estimation method using a deep neural network, a dentist diagnoses a patient's symptoms based on accurate predictability, establishes a treatment plan according to the patient's symptoms, and predicts the patient's prognosis according to the treatment. Can provide help to
일 실시예에 따르면, 심층 신경망을 이용한 골 연령 추정 방법은 교정 진단에 있어서 치료 안전성을 높이고 오진율을 저감시킬 수 있다.According to an embodiment, a method of estimating bone age using a deep neural network may increase treatment safety and reduce a false diagnosis rate in corrective diagnosis.
일 실시예에 따르면, 심층 신경망을 이용한 골 연령 추정 방법은 부정교합의 증상이 나타난 아동의 골 연령을 추정함으로써 하악골의 최대 성장기를 정확하게 예측할 수 있어, 악정형 치료(턱교정 치료)에 따른 효과가 가장 효과적일 수 있는 시기를 정확하게 예측할 수 있게 해준다.According to an embodiment, the bone age estimation method using a deep neural network can accurately predict the maximum growth period of the mandible by estimating the bone age of a child with symptoms of malocclusion, so that the effect of the orthodontic treatment (jaw correction treatment) is effective. It allows you to accurately predict when it will be most effective.
도 1은 일 실시예에 따른 골 연령 추정 시스템의 개요를 제공하는 도면이다.
도 2는 일 실시예에 따른 골 연령 추정 방법의 동작을 설명하기 위한 흐름도이다.
도 3은 일 실시예에 따른 골 연령 추정 모델의 학습 방법의 동작을 설명하기 위한 흐름도이다.
도 4는 일 실시예에 따른 경추의 형태 정보를 획득하는 동작을 설명하기 위한 도면이다.
도 5는 일 실시예에 따른 경추의 성숙 단계를 설명하기 위한 도면이다.
도 6은 일 실시예에 따른 골 연령 추정 모델의 학습 방법을 설명하기 위한 흐름도이다.
도 7은 일 실시예에 따른 골 연령 추정 장치의 구성을 도시하는 도면이다.
도 8은 일 실시예에 따른 학습 장치의 구성을 도시하는 도면이다.1 is a diagram that provides an overview of a bone age estimation system according to an embodiment.
2 is a flowchart illustrating an operation of a bone age estimation method according to an exemplary embodiment.
3 is a flowchart illustrating an operation of a learning method of a bone age estimation model according to an exemplary embodiment.
4 is a diagram illustrating an operation of acquiring shape information of a cervical spine according to an exemplary embodiment.
5 is a view for explaining the maturation stage of the cervical spine according to an embodiment.
6 is a flowchart illustrating a method of learning a bone age estimation model according to an exemplary embodiment.
7 is a diagram illustrating a configuration of an apparatus for estimating bone age according to an exemplary embodiment.
8 is a diagram showing a configuration of a learning device according to an embodiment.
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.Hereinafter, exemplary embodiments will be described in detail with reference to the accompanying drawings. However, since various changes may be made to the embodiments, the scope of the rights of the patent application is not limited or limited by these embodiments. It should be understood that all changes, equivalents, or substitutes to the embodiments are included in the scope of the rights.
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.The terms used in the examples are used for illustrative purposes only and should not be interpreted as limiting. Singular expressions include plural expressions unless the context clearly indicates otherwise. In the present specification, terms such as "comprise" or "have" are intended to designate the presence of features, numbers, steps, actions, components, parts, or combinations thereof described in the specification, but one or more other features. It is to be understood that the presence or addition of elements or numbers, steps, actions, components, parts, or combinations thereof, does not preclude in advance.
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.Unless otherwise defined, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by one of ordinary skill in the art to which the embodiment belongs. Terms as defined in a commonly used dictionary should be interpreted as having a meaning consistent with the meaning in the context of the related technology, and should not be interpreted as an ideal or excessively formal meaning unless explicitly defined in this application. Does not.
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.In addition, in the description with reference to the accompanying drawings, the same reference numerals are assigned to the same components regardless of the reference numerals, and redundant descriptions thereof will be omitted. In describing the embodiments, when it is determined that a detailed description of related known technologies may unnecessarily obscure the subject matter of the embodiments, the detailed description thereof will be omitted.
도 1은 일 실시예에 따른 골 연령 추정 시스템의 개요를 제공하는 도면이다.1 is a diagram that provides an overview of a bone age estimation system according to an embodiment.
도 1을 참조하면, 골 연령 추정 시스템은 사용자의 경추를 촬영한 영상, 예를 들어 측모 두부방사선 계측영상(Lateral cephalogram)에 기초하여 사용자의 골 연령을 추정하는 시스템이다. 골 연령 추정 시스템은 측모 두부방사선 계측영상에 나타난 경추의 형상을 인공지능 기반의 모델을 이용하여 분석함으로써, 사용자의 골 연령을 정확하고 간편하게 추정할 수 있다.Referring to FIG. 1, the bone age estimation system is a system for estimating a user's bone age based on an image photographed of a user's cervical spine, for example, a lateral cephalogram. The bone age estimation system can accurately and easily estimate the user's bone age by analyzing the shape of the cervical vertebrae shown in the lateral head radiation measurement image using an artificial intelligence-based model.
골 연령 추정 시스템은 영상 전처리부(110) 및 심층 신경망 기반의 골 연령 추정 모델(120)을 포함할 수 있다. 본 명세서에서 심층 신경망 기반의 골 연령 추정 모델(120)은 골 연령 추정 모델(120)로도 표현될 수 있다. 일 실시예에서, 영상 전처리부(110)는 측모 두부방사선 계측영상을 수신할 수 있다. 여기서, 영상 전처리부(110)가 수신한 측모 두부방사선 계측영상에는 사용자(또는 환자)의 경추 영역이 포함될 수 있다. 영상 전처리부(110)는 수신한 측모 두부방사선 계측영상의 영상 전처리를 수행하여 2번 경추의 형태 정보, 3번 경추의 형태 정보 및 4번 경추 형태 정보를 획득할 수 있다.The bone age estimation system may include an
영상 전처리부(110)는 측모 두부방사선 계측영상의 영상 전처리를 통해 획득한 경추의 형태 정보를 골 연령 추정 모델(120)에 전송할 수 있다. 여기서, 경추의 형태 정보는 경추의 넓이, 경추의 가로 길이, 경추의 세로 길이, 경추의 하연의 만곡도, 경추의 가로 길이와 세로 길이 간의 비율 및 인접한 경추들 간의 간격 중 적어도 하나를 포함할 수 있다. 골 연령 추정 모델(120)은 영상 전처리부(110)로부터 수신한 경추의 형태 정보에 기초하여 경추의 성숙 단계와 관련된 성숙도 정보를 획득할 수 있다. 성숙도 정보는 미리 정해진 서로 다른 성숙 단계들 중 어느 하나의 성숙 단계, 사용자의 경추에 대해 추정된 골 연령 및 사용자의 추정된 나이 중 적어도 하나에 대한 정보를 포함할 수 있다. 골 연령 추정 모델(120)은 경추의 형태 정보와, 실시예에 따라 미리 정해진 경추의 성숙 단계들에 대응하는 경추의 형태 정보를 비교하여, 사용자의 경추가 어느 단계에 해당되는지 여부를 판단할 수 있다.The
예를 들어, 경추의 성숙 단계가 6개로 나뉘어져 있을 수 있다. 이때, 골 연령 추정 모델(120)이 사용자의 경추의 형태 정보가 경추의 성숙 단계의 4단계에 대응하는 경추의 형태 정보와 유사하다고 판단하였을 경우, 골 연령 추정 모델(120)은 사용자의 경추의 성숙도가 4단계에 대응한다고 판단할 수 있다.For example, the stage of maturation of the cervical spine may be divided into six. At this time, when the bone
도 2는 일 실시예에 따른 골 연령 추정 방법의 동작을 설명하기 위한 흐름도이다.2 is a flowchart illustrating an operation of a bone age estimation method according to an exemplary embodiment.
도 2를 참조하면, 단계(210)에서 골 연령 추정 장치는 사용자의 경추가 촬영된 측모 두부방사선 계측영상을 수신할 수 있다. 일 실시예에서 골 연령 추정 장치는 방사선 계측기를 통해 사용자의 경추가 촬영된 측모 두부방사선 계측영상을 수신할 수 있다.Referring to FIG. 2, in
단계(220)에서 골 연령 추정 장치는 측모 두부방사선 계측영상의 영상 전처리를 통해 경추의 형태 정보를 획득할 수 있다. In
일 실시예에서 골 연령 추정 장치는 경추의 형태 정보를 획득하기 위하여, 측모 두부방사선 계측영상에서 경추 영역을 포함하는 관심 영역(Region of interest: ROI)을 추출할 수 있다. 여기서, 사용자의 골 연령을 추정하기 위하여 필요한 경추 영역은 2번, 3번 및 4번 경추이기 때문에, 추출되는 관심 영역은 사용자의 2번, 3번 및 4번 경추를 포함할 수 있다.In an embodiment, the apparatus for estimating bone age may extract a region of interest (ROI) including a cervical spine region from a lateral head radiation measurement image in order to obtain shape information of the cervical spine. Here, since the cervical vertebrae required for estimating the user's bone age are the 2nd, 3rd, and 4th cervical vertebrae, the extracted ROI may include the user's 2nd, 3rd, and 4th cervical vertebrae.
골 연령 추정 장치는 추출된 관심 영역에서 경추의 특징점들을 추출할 수 있다. 골 연령 추정 장치는 측모 두부방사선 계측영상에 나타난 2번, 3번 및 4번 경추들의 테두리에서의 에지 지점들 및 경추의 하연 윤곽선의 중점을 특징점으로서 추출할 수 있다. 골 연령 추정 장치는 추출된 경추의 특징점들에 기초하여 경추의 윤곽선 정보를 추정할 수 있다. 골 연령 추정 장치는 추정한 경추의 윤곽선 정보에 기초하여, 경추의 형태 정보를 획득할 수 있다. 여기서, 경추의 형태 정보에는 경추의 넓이, 경추의 가로 길이, 경추의 세로 길이, 경추의 하연의 만곡도, 경추의 가로 길이와 세로 길이 간의 비율 및 인접한 경추들 간의 간격 중 적어도 하나를 포함할 수 있다.The bone age estimation apparatus may extract feature points of the cervical spine from the extracted region of interest. The bone age estimation apparatus may extract the edge points at the edges of the 2nd, 3rd, and 4th cervical vertebrae shown in the lateral cervical radiography image and the midpoint of the lower marginal contour of the cervical vertebra as feature points. The bone age estimation apparatus may estimate contour information of the cervical vertebrae based on the extracted feature points of the cervical vertebrae. The bone age estimation apparatus may acquire shape information of the cervical vertebrae based on the estimated contour information of the cervical vertebrae. Here, the shape information of the cervical vertebrae may include at least one of the width of the cervical vertebrae, the horizontal length of the cervical vertebrae, the vertical length of the cervical vertebrae, the curvature of the lower edge of the cervical vertebrae, the ratio between the horizontal length and the vertical length of the cervical vertebrae, and the interval between adjacent cervical vertebrae. .
단계(230)에서 골 연령 추정 장치는, 획득된 경추의 형태 정보를 입력으로 하는 심층 신경망 기반의 골 연령 추정 모델을 이용하여 경추의 성숙 단계와 관련된 성숙도 정보를 획득할 수 있다. 여기서, 골 연령 추정 모델은 경추의 성숙도가 결정된 복수의 측모 두부방사선 계측영상들에 기초하여 분석된 경추의 형태 정보를 통해 학습된 모델을 의미 수 있다. 심층 신경망 기반의 골 연령 추정 모델은, 추정된 경추의 윤곽선 정보에 기초하여 경추의 성숙 단계와 관련된 성숙도 정보를 출력할 수 있다.In
일 실시예에서, 성숙도 정보는 미리 정해진 서로 다른 성숙 단계들 중 어느 하나의 성숙 단계, 사용자의 경추에 대해 추정된 골 연령 및 사용자의 추정된 나이 중 적어도 하나에 대한 정보를 포함할 수 있다.In an embodiment, the maturity information may include information on at least one of a maturation step among predetermined different maturation steps, a bone age estimated for the user's cervical spine, and an estimated age of the user.
실시예에 따라, 골 연령 추정 장치가 획득한 성숙도 정보에 기초하여 사용자의 골 성숙 단계 및 골 연령이 정확하게 예측될 수 있다. 사용자의 골 성숙 단계 및 골 연령을 이용하면 사용자의 하악골의 최대 성장기가 정확하게 예측될 수 있기 때문에, 의사는 부정교합에 대한 악정형 치료를 필요로 하는 성장기 아동이 가장 효과적으로 악정형 치료를 받을 수 있는 시기를 예측할 수 있다.According to an embodiment, the bone maturation stage and bone age of the user may be accurately predicted based on the maturity information obtained by the bone age estimation apparatus. Using the user's bone maturation stage and bone age, the maximum growth stage of the user's mandible can be accurately predicted, so the doctor is able to get the most effective orthopedic treatment for the growing child who needs orthotics for malocclusion. You can predict when.
다른 실시예에 따르면, 심층 신경망 기반의 골 연령 추정 모델은 입력된 경추의 형태 정보에 기초하여 사용자의 성별 정보를 더 제공할 수도 있다. 예를 들어, 골 연령 추정 모델은 사용자의 성별이 남자 또는 여자인지 여부를 나타내는 지시자 또는 사용자가 남자 또는 여자에 해당할 확률 정보를 출력할 수도 있다. 골 연령 추정 장치는 골 연령 추정 모델을 이용하여 경추의 형태 정보로부터 사용자의 성별 정보를 획득하고, 획득한 성별 정보에 기초하여 사용자의 성별을 추정할 수 있다.According to another embodiment, the deep neural network-based bone age estimation model may further provide gender information of the user based on the input shape information of the cervical spine. For example, the bone age estimation model may output an indicator indicating whether the user's gender is male or female, or probability information that the user corresponds to a male or female. The apparatus for estimating bone age may obtain the sex information of the user from the shape information of the cervical spine using the bone age estimation model, and estimate the sex of the user based on the obtained sex information.
도 3은 일 실시예에 따른 골 연령 추정 모델의 학습 방법의 동작을 설명하기 위한 흐름도이다.3 is a flowchart illustrating an operation of a learning method of a bone age estimation model according to an exemplary embodiment.
도 3을 참조하면, 단계(310)에서 학습 장치는 경추가 나타난 측모 두부방사선 계측영상을 포함하는 학습 영상을 수신할 수 있다. 학습 영상은 골 연령 추정 모델을 학습시키기 위한 측모 두부방사선 계측영상으로서, 측모 두부방사선 계측영상에 대응하는 사용자 경추의 성숙 단계와 관련된 성숙도 정보가 이미 결정되어 있을 수 있다.Referring to FIG. 3, in
단계(320)에서 학습 장치는 학습 영상의 영상 전처리를 통해 경추의 형태 정보를 획득할 수 있다. 여기서, 학습 영상의 영상 전처리는 도 2에서 나타난 골 연령 추정 방법에서 수행되는 전처리와 동일한 과정을 거쳐 수행될 수 있다. 또한, 실시예에 따라 학습 장치의 영상 전처리부가 학습 영상의 전처리를 수행할 수도 있고, 영상 전처리가 수행된 학습 영상을 학습 장치가 수신하여 학습 장치가 전처리를 수행하지 않을 수도 있다.In
일 실시예에서 경추의 형태 정보는, 경추의 넓이, 경추의 가로 길이, 경추의 세로 길이, 경추의 하연의 만곡도, 경추의 가로 길이와 세로 길이 간의 비율 및 인접한 경추들 간의 간격 중 적어도 하나를 포함할 수 있다.In one embodiment, the shape information of the cervical vertebrae includes at least one of the width of the cervical vertebrae, the lateral length of the cervical vertebrae, the vertical length of the cervical vertebrae, the curvature of the lower edge of the cervical vertebrae, the ratio between the lateral length and the vertical length of the cervical vertebrae, and the interval between adjacent cervical vertebrae. can do.
단계(330)에서 학습 장치는, 획득된 경추의 형태 정보를 입력으로 하는 심층 신경망 기반의 골 연령 추정 모델을 이용하여 경추의 성숙 단계와 관련된 성숙도 정보를 획득할 수 있다. 또한, 단계(340)에서 학습 장치는, 획득된 성숙도 정보와 학습 영상에 대응하는 사용자의 실제 성숙도 정보에 기초하여 심층 신경망 기반의 골 연령 추정 모델을 학습시킬 수 있다.In
일 실시예에서 골 연령 추정 모델은 미리 정해진 파라미터들에 기초하여 학습 영상에 포함된 경추의 성숙 단계와 관련된 성숙도 정보를 예측할 수 있다. 학습 장치는 골 연령 추정 모델이 예측한 학습 영상에 포함된 경추의 성숙도 정보와 학습 영상에 대응하는 실제 사용자의 경추의 성숙도 정보를 비교하여 유사도를 산출할 수 있다. 여기서, 유사도가 미리 정해진 기준 이상일 경우에는 실시예에 따라 학습 장치는 골 연령 추정 모델의 학습을 완료할 수 있고, 또는 골 연령 추정 모델은 다른 학습 영상에 포함된 경추의 성숙 단계와 관련된 성숙도 정보를 예측하는 과정을 다시 수행할 수도 있다.In an embodiment, the bone age estimation model may predict maturity information related to the maturation stage of the cervical spine included in the training image based on predetermined parameters. The learning apparatus may calculate the similarity by comparing the maturity information of the cervical vertebrae included in the training image predicted by the bone age estimation model and the maturity information of the cervical vertebrae of an actual user corresponding to the training image. Here, when the similarity is greater than or equal to a predetermined criterion, the learning apparatus may complete the training of the bone age estimation model according to an embodiment, or the bone age estimation model may provide maturity information related to the maturation stage of the cervical spine included in another training image. You can also perform the prediction process again.
반면에 유사도가 미리 정해진 기준 미만일 경우에는, 획득된 성숙도 정보와 학습 영상에 대응하는 성숙도 정보 간의 차이가 줄어들도록 심층 신경망 기반의 골 연령 추정 모델의 파라미터들을 조정할 수 있다.On the other hand, when the similarity is less than a predetermined criterion, parameters of a bone age estimation model based on a deep neural network may be adjusted to reduce a difference between the acquired maturity information and the maturity information corresponding to the training image.
학습 장치는 골 연령 추정 모델이 학습 영상에 대응하는 경추의 성숙 단계와 관련된 성숙도 정보를 예측하고, 골 연령 추정 모델이 예측한 학습 영상에 대응하는 경추의 성숙도 정보와 학습 영상에 대응하는 실제 사용자의 경추의 성숙도 정보를 비교하고, 성숙도 정보 간의 차이가 줄어들도록 파라미터들을 조정하는 과정을 반복 수행함으로써, 골 연령 추정 모델을 학습시킬 수 있다. 학습된 골 연령 추정 모델은 입력된 경추의 형태 정보에 기초하여 입력된 경추에 대응하는 사용자의 골 성숙도 정보를 정확하게 예측하여 출력할 수 있다.The learning device predicts maturity information related to the maturation stage of the cervical vertebrae corresponding to the training image by the bone age estimation model, and the maturity information of the cervical vertebrae corresponding to the training image predicted by the bone age estimation model and the actual user corresponding to the training image. By comparing the maturity information of the cervical spine and adjusting parameters so that the difference between the maturity information is reduced, the bone age estimation model may be trained. The learned bone age estimation model may accurately predict and output bone maturity information of a user corresponding to the input cervical spine based on the input shape information of the cervical spine.
다른 실시예에 따르면, 골 연령 추정 모델은 경추의 형태 정보를 입력으로 하고, 입력된 경추의 형태 정보에 기초하여 사용자의 성별 정보를 출력할 수도 있다. 각각의 학습 영상마다 정해진 성별 정보가 존재하고, 학습 장치는 학습 영상에 대응하는 성별 정보와 골 연령 추정 모델이 출력한 성별 정보를 비교하여, 그 차이를 계산할 수 있다. 학습 장치는 계산된 차이가 줄어들도록 골 연령 추정 모델의 파라미터를 조정하는 과정을 반복적으로 수행할 수 있다.According to another embodiment, the bone age estimation model may input the shape information of the cervical vertebrae as input, and may output the sex information of the user based on the input shape information of the cervical vertebrae. There is determined gender information for each training image, and the learning device may calculate a difference by comparing sex information corresponding to the training image with sex information output from the bone age estimation model. The learning apparatus may repeatedly perform a process of adjusting the parameters of the bone age estimation model so that the calculated difference decreases.
도 4는 일 실시예에 따른 경추의 형태 정보를 획득하는 동작을 설명하기 위한 도면이다.4 is a diagram illustrating an operation of acquiring shape information of a cervical spine according to an exemplary embodiment.
도 4를 참조하면, 단계 A에서 골 연령 추정 장치는 초기의 측모 두부방사선 계측영상을 수신할 수 있다. 초기의 측모 두부방사선 계측영상에는 사용자의 경추 영역이 포함될 수 있다. 단계 B에서 골 연령 추정 장치는 초기의 두부방사선 계측영상에서 사용자 경추의 성숙 단계와 관련된 성숙도 정보를 획득할 수 있는 관심 영역(410)을 추출할 수 있다. 관심 영역(410)에는 경추 영역이 포함될 수 있고, 실시예에 따라 2번, 3번 및 4번 경추가 포함될 수 있다.Referring to FIG. 4, in step A, the apparatus for estimating bone age may receive an initial lateral head radiation measurement image. The initial lateral head radiation measurement image may include a region of the user's cervical spine. In step B, the apparatus for estimating bone age may extract the region of
골 연령 추정 장치는 단계 C에서, 단계 B에서 추출된 관심 영역(410)에 기초하여 경추의 특징점들을 추출할 수 있다. 실시예에 따라 경추의 특징점들 각각은 특징점에 대응하는 명칭 또는 기호를 가질 수 있다. 예를 들어, 경추의 특징점들을 C2p, C2m, C2a 및 C3up등과 같이 표현할 수 있다. 여기서, 숫자는 경추의 번호를 의미할 수 있고, a는 앞쪽, p는 뒤쪽, l은 하단 및 up은 상단을 의미할 수 있다. m은 경추의 하연 윤곽선의 중점을 의미할 수 있다. 도 4를 참조하면, C2p는 2번 경추의 왼쪽(또는 뒤쪽) 모서리를 의미할 수 있고, C2m은 2번 경추의 하연 윤곽선의 중점을 의미할 수 있고, C2a는 2번 경추의 오른쪽(또는 앞쪽) 모서리를 의미할 수 있고, C3up는 3번 경추의 왼쪽(또는 뒤쪽) 상단 모서리를 의미할 수 있다. 또한, C3ua는 3번 경추의 오른쪽(또는 앞쪽) 상단 모서리를 의미할 수 있고, C3lp는 3번 경추의 왼쪽(또는 뒤쪽) 하단 모서리를 의미할 수 있고, C3la는 3번 경추의 오른쪽(또는 앞쪽) 하단 모서리를 의미할 수 있다. 골 연령 추정 장치는 추출된 경추의 특징점들에 기초하여 경추의 윤곽선 정보를 추정할 수 있다. 윤곽선 정보가 추정된 경추는 단계 C에서처럼 표현될 수 있다.In step C, the apparatus for estimating bone age may extract feature points of the cervical spine based on the region of
단계 D에서 골 연령 추정 장치는, 단계 C에서 추정된 경추의 윤곽선 정보에 기초하여 경추의 형태 정보를 획득할 수 있다. 골 연령 추정 장치가 획득할 수 있는 경추의 형태 정보에는 경추의 넓이, 경추의 가로 길이, 경추의 세로 길이, 경추의 하연의 만곡도, 경추의 가로 길이와 세로 길이 간의 비율 및 인접한 경추들 간의 간격 중 적어도 하나를 포함할 수 있다.In step D, the bone age estimating apparatus may acquire shape information of the cervical spine based on the contour information of the cervical spine estimated in step C. The shape information of the cervical vertebrae that can be obtained by the bone age estimation device includes the width of the cervical vertebrae, the lateral length of the cervical vertebrae, the vertical length of the cervical vertebrae, the curvature of the lower edge of the cervical vertebrae, the ratio between the lateral length and length of the cervical vertebrae, and the distance between adjacent cervical vertebrae. It may include at least one.
실시예에 따라 경추의 형태 정보를 획득하는 동작은 골 연령 추정 장치의 영상 전처리부가 수행할 수 있고, 또는 골 연령 추정 모델이 수행할 수도 있다.According to an embodiment, the operation of acquiring the shape information of the cervical vertebrae may be performed by an image preprocessor of the apparatus for estimating bone age, or may be performed by a model for estimating bone age.
도 5는 일 실시예에 따른 경추의 성숙 단계를 설명하기 위한 도면이다.5 is a view for explaining the maturation stage of the cervical spine according to an embodiment.
도 5를 참조하면, 경추의 성숙 단계는 예를 들어 6단계로 구분될 수 있다. 각 단계에는 2번 경추, 3번 경추 및 4번 경추의 형태 정보가 포함될 수 있다. 성숙 단계가 1단계에 대응하는 각 경추의 하단은 평평하고, 3번 경추 및 4번 경추는 사다리꼴의 형태를 가질 수 있다. 성숙 단계가 2단계에 대응하는 3번 및 4번 경추는 여전히 사다리꼴의 형태를 가질 수 있고, 2번 경추의 하단 윤곽선에는 곡선이 나타나기 시작할 수 있다. 성숙 단계가 3단계에 대응하는 4번 경추는 여전히 사다리꼴의 형태를 가질 수 있고, 3번 경추의 하단 윤곽선에는 곡선이 나타나고 상단 윤곽선이 평평한 모양을 나타내기 시작할 수 있으며, 2번 경추의 하단 윤곽선은 곡선의 구부러진 정도가 2단계에서와 달라질 수 있다. 성숙 단계가 4단계에 대응하는 4번 경추는 3번 경추의 형태와 비슷해 질 수 있다. 성숙 단계가 5단계에 대응하는 경추들은 4단계의 경추들과 형태는 비슷하나 하단 윤곽선의 곡선이 구부러진 정도가 달라질 수 있다. 성숙 단계가 6단계에 대응하는 3번 경추는 상단에도 곡선이 나타날 수 있고, 2번 및 4번 경추는 5단계의 2번 및 4번 경추와 유사한 형태를 나타내지만 하단 윤곽선이 구부러진 정도가 달라질 수 있다.Referring to Figure 5, the maturation stage of the cervical spine can be divided into, for example, six stages. Each step may include information on the shape of the 2nd cervical vertebrae, 3rd cervical vertebrae and 4th cervical vertebrae. The bottom of each cervical vertebrae corresponding to the first stage of maturation is flat, and the 3rd and 4th cervical vertebrae may have a trapezoidal shape. The 3rd and 4th cervical vertebrae corresponding to the 2nd stage of maturation may still have a trapezoidal shape, and a curve may begin to appear on the lower contour of the 2nd cervical vertebra. The 4th cervical vertebrae corresponding to the 3rd stage of maturity may still have a trapezoidal shape, a curve appears on the lower contour of the 3rd cervical vertebrae and the upper contour may begin to show a flat shape, and the lower contour of the 2nd cervical vertebra is The degree of curvature of the curve may differ from that in step 2. The 4th cervical vertebrae corresponding to the 4th stage of maturity can resemble the shape of the 3rd cervical vertebrae. The cervical vertebrae corresponding to the 5th stage of maturity are similar in shape to the cervical vertebrae of the 4th stage, but the degree of bending of the curve of the lower contour may vary. The 3rd cervical vertebrae corresponding to the 6th stage of maturity may also have a curve at the top, and the 2nd and 4th cervical vertebrae have a similar shape to the 2nd and 4th cervical vertebrae of the 5th stage, but the degree of bending of the lower contour may vary. have.
도 5에 나타난 각 단계마다 경추의 형태 정보에 기초하여 하악골이 성장한 정도가 정의될 수 있다. 예를 들어, 성숙 단계가 4단계에 대응하는 경추의 형태 정보에 기초하면 하악골은 67% 성장하였다고 판단될 수 있다. 따라서, 경추의 형태 정보가 4단계로 판단된 사용자의 하악골은 최대 6개월 전에 하악골의 최대 성장기가 나타날 수 있다고 판단될 수 있다.For each step shown in FIG. 5, a degree of growth of the mandible may be defined based on the shape information of the cervical spine. For example, if the maturation stage is based on information on the shape of the cervical spine corresponding to stage 4, it can be determined that the mandible has grown by 67%. Accordingly, it may be determined that the maximum growth period of the mandible may appear 6 months before the user's mandible whose shape information of the cervical spine is determined to be in step 4.
도 6은 일 실시예에 따른 골 연령 추정 모델의 학습 방법을 설명하기 위한 흐름도이다.6 is a flowchart illustrating a method of learning a bone age estimation model according to an exemplary embodiment.
도 6을 참조하면, 단계(610)에서 학습 장치는 학습 영상을 수신할 수 있다. 여기서, 학습 영상은 경추가 나타난 측모 두부방사선 계측영상을 포함할 수 있다.Referring to FIG. 6, in
단계(620)에서 심층 신경망 기반의 골 연령 추정 모델은 학습 영상에서 추출된 경추의 형태 정보에 기초하여 경추의 성숙 단계와 관련된 성숙도 정보를 예측할 수 있다. 실시예에 따라서, 심층 신경망 기반의 골 연령 추정 모델은 경추의 성숙 단계 정보, 하악골의 최대 성장기, 경추에 대응하는 사용자의 연령 정보, 경추에 대응하는 사용자의 나이 정보 및 경추에 대응하는 사용자의 성별 등을 예측할 수도 있다.In
단계(630)에서 학습 장치는 심층 신경망 기반의 골 연령 추정 모델이 예측한 경추의 성숙 단계와 관련된 성숙도 정보와, 학습 영상에 대응하는 경추의 실제 성숙도 정보를 비교할 수 있다.In
일 실시예에서, 심층 신경망 기반의 골 연령 추정 모델이 예측한 경추의 성숙 단계와 관련된 성숙도 정보와, 학습 영상에 대응하는 경추의 실제 성숙도 정보를 비교하여 산출한 유사도가 미리 정해진 기준 이상으로 나타날 경우에는, 심층 신경망 기반의 골 연령 추정 모델의 학습 과정을 완료할 수 있다. 또는 다른 실시예에서, 심층 신경망 기반의 골 연령 추정 모델이 예측한 경추의 성숙 단계와 관련된 성숙도 정보와, 학습 영상에 대응하는 경추의 실제 성숙도 정보를 비교하여 산출한 유사도가 미리 정해진 기준 이상으로 나타날 경우에는, 별다른 조치 없이 다른 학습 영상에 대한 경추의 성숙도 정보를 예측하는 과정을 반복할 수 있다.In one embodiment, when the similarity calculated by comparing the maturity information related to the maturation stage of the cervical vertebrae predicted by the bone age estimation model based on the deep neural network and the actual maturity information of the cervical vertebrae corresponding to the training image appears to be more than a predetermined criterion In E, the learning process of the bone age estimation model based on the deep neural network can be completed. Alternatively, in another embodiment, the similarity calculated by comparing the maturity information related to the maturation stage of the cervical vertebrae predicted by the bone age estimation model based on the deep neural network and the actual maturity information of the cervical vertebrae corresponding to the training image appears to be higher than a predetermined criterion. In this case, it is possible to repeat the process of predicting the maturity information of the cervical vertebrae with respect to other learning images without taking any other measures.
심층 신경망 기반의 골 연령 추정 모델이 예측한 경추의 성숙 단계와 관련된 성숙도 정보와, 학습 영상에 대응하는 경추의 실제 성숙도 정보를 비교하여 산출한 유사도가 미리 정해진 기준보다 낮게 나타날 경우, 학습 장치는 단계(640)에서 심층 신경망 기반의 골 연령 추정 모델의 파라미터를 조정할 수 있다. 학습 장치는 심층 신경망 기반의 골 연령 추정 모델이 학습 영상에 포함된 경추의 성숙도 정보를 정확하게 예측할 수 있도록 파라미터를 조정할 수 있다.If the similarity calculated by comparing the maturity information related to the maturation stage of the cervical vertebrae predicted by the bone age estimation model based on the deep neural network and the actual maturity information of the cervical vertebrae corresponding to the training image appears lower than a predetermined standard, the learning device is In
학습 장치는 심층 신경망 기반의 골 연령 추정 모델이 경추의 성숙도 정보를 정확하게 예측할 수 있도록 단계(620), 단계(630) 및 단계(640)을 N번 반복할 수 있다. 여기서 N은 2 이상의 자연수를 의미할 수 있다.The learning apparatus may repeat
도 7은 일 실시예에 따른 골 연령 추정 장치의 구성을 도시하는 도면이다.7 is a diagram illustrating a configuration of an apparatus for estimating bone age according to an exemplary embodiment.
도 7을 참조하면, 골 연령 추정 장치(700)는 영상 수신부(710), 영상 전처리부(720) 및 분석부(730)를 포함할 수 있다. 골 연령 추정 장치(700)는 본 명세서에서 설명된 골 연령 추정 장치에 대응할 수 있다.Referring to FIG. 7, the bone
일 실시예에서, 영상 수신부(710)는 사용자의 경추가 촬영된 측모 두부방사선 계측영상을 수신할 수 있다. 영상 수신부(710)는 수신한 측모 두부방사선 계측영상을 영상 전처리부(720)로 전송할 수 있다. 영상 수신부(710)로부터 측모 두부방사선 계측영상을 수신한 영상 전처리부(720)는 측모 두부방사선 계측영상에 대한 영상 전처리를 수행할 수 있다. 실시예에 따라 영상 전처리는 분석부(730)에 포함된 심층 신경망 기반의 골 연령 추정 모델이 수행할 수도 있다.In one embodiment, the
영상 전처리부(720)는 측모 두부방사선 계측영상의 영상 전처리를 통해 경추의 형태 정보를 획득할 수 있다. 영상 전처리부(720)는 측모 두부방사선 계측영상에서 2번, 3번 및 4번 경추를 포함하는 관심 영역을 추출하고, 추출한 관심 영역에서 경추의 특징점들을 추출할 수 있다. 영상 전처리부(720)는 추출된 경추의 특징점들에 기초하여 경추의 윤곽선 정보를 추정하고, 경추의 윤곽선 정보에 기초하여 경추의 형태 정보를 획득할 수 있다. 영상 전처리부(720)는 획득한 경추의 형태 정보를 분석부(730)에 전송할 수 있다.The
영상 전처리부(720)로부터 경추의 형태 정보를 수신한 분석부(730)는, 경추의 형태 정보를 입력으로 하는 심층 신경망 기반의 골 연령 추정 모델을 이용하여 경추의 성숙 단계와 관련된 성숙도 정보를 획득할 수 있다. 심층 신경망 기반의 골 연령 추정 모델은 경추의 윤곽선 정보에 기초하여 경추의 성숙 단계와 관련된 성숙도 정보를 출력할 수 있다. 성숙 단계는 예를 들어, 도 5와 같이 경추의 성숙도에 기초하여 6단계로 구분될 수 있다. 각 단계들에는 경추의 성숙도 정보와 관련된 경추의 성숙도 및 최대 성장기 정보 등이 정의되어 포함될 수 있다.The
실시예에 따라, 골 연령 추정 모델은 경추의 형태 정보를 입력으로 하고, 입력된 경추의 형태 정보에 기초하여 사용자의 성별 정보를 출력할 수도 있다. 분석부(730)는 심층 신경망 기반의 골 연령 추정 모델을 이용하여 측모 두부방사선 계측영상에 대응하는 사용자의 성별 정보를 획득하고, 획득한 사용자의 성별 정보에 기초하여 사용자의 성별을 추정할 수 있다.According to an exemplary embodiment, the bone age estimation model may input the shape information of the cervical vertebrae and output the user's gender information based on the input shape information of the cervical vertebrae. The
도 8은 일 실시예에 따른 학습 장치의 구성을 도시하는 도면이다.8 is a diagram showing a configuration of a learning device according to an embodiment.
도 8을 참조하면, 학습 장치(800)는 영상 수신부(810), 영상 전처리부(820), 분석부(830) 및 학습부(840)를 포함할 수 있다. 학습 장치(800)는 본 명세서에서 설명된 학습 장치에 대응할 수 있다.Referring to FIG. 8, the
일 실시예에서, 분석부(830)는 심층 신경망 기반의 골 연령 추정 모델을 포함할 수 있고, 학습부(840)는 심층 신경망 기반의 골 연령 추정 모델을 학습시킬 수 있다. 예를 들어, 학습부(840)는 복수의 측모 두부방사선 계측영상과 측모 두부방사선 계측영상들에 대응하는 사용자 경추의 성숙도 정보에 기초하여 딥러닝, CNN(Convolutional Neural Network) 및/또는 Mask-R-CNN 방식으로 골 연령 추정 모델을 학습시킬 수 있다. 여기서, Mask-R-CNN은 Faster-R-CNN에 대한 확장으로서, 병렬적으로 객체 마스크를 예측하는 것이 가능한 방식이다.In an embodiment, the
영상 수신부(810)는 학습 영상을 수신할 수 있다. 학습 영상에는 측모 두부방사선 계측영상을 포함할 수 있다. 실시예에 따라 학습 영상에서 2번, 3번 및 4번 경추의 형태 정보를 획득하기 위하여 영상 전처리부(820)가 영상 전처리를 수행할 수도 있다. 영상 전처리부(820)가 영상 전처리를 수행하는 과정은 도 7에서 나타난 골 연령 추정 장치(700)의 영상 전처리부(720)가 수행하는 영상 전처리 과정과 동일할 수 있다.The
영상 전처리부(820)로부터 추출된 2번, 3번 및 4번 경추의 형태 정보를 수신한 분석부(830)는 심층 신경망 기반의 골 연령 추정 모델을 통해 경추의 성숙도 정보를 예측할 수 있다. 학습부(840)는 골 연령 추정 모델이 예측한 경추의 성숙도 정보와 경추의 실제 성숙도 정보를 비교하여 유사도를 산출할 수 있다. 학습부(840)는 유사도에 기초하여 골 연령 추정 모델의 파라미터의 조정 여부를 결정할 수 있다. 유사도가 미리 정해진 기준 이상이면, 학습부(840)는 골 연령 추정 모델의 파라미터를 조정하지 않는 것으로 결정할 수 있고, 유사도가 미리 정해진 기준 미만이면 학습부(840)는 골 연령 추정 모델의 파라미터를 조정하는 것으로 결정할 수 있다. 학습부(840)는 골 연령 추정 모델이 경추의 성숙도 정보를 정확하게 예측할 수 있도록 파라미터를 조정하는 과정을 통해 골 연령 추정 모델을 학습시킬 수 있다.The
골 연령 추정 모델은 학습 영상에 기초하여 경추의 성숙도 정보를 예측하고, 학습부(840)는 골 연령 추정 모델이 예측한 경추의 성숙도 정보와 학습 영상에 대응하는 경추의 실제 성숙도 정보 간의 유사도에 기초하여 골 연령 추정 모델의 파라미터를 조정하는 과정을 반복함으로써 골 연령 추정 모델을 학습시킬 수 있다. 학습부(840)를 통해 학습된 골 연령 추정 모델은 경추의 형태 정보에 기초하여 경추의 성숙 단계와 관련된 성숙도 정보를 예측할 수 있다.The bone age estimation model predicts the maturity information of the cervical vertebrae based on the training image, and the
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 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.The apparatus described above may be implemented as a hardware component, a software component, and/or a combination of a hardware component and a software component. For example, the devices and components described in the embodiments are, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable gate array (FPGA). , A programmable logic unit (PLU), a microprocessor, or any other device capable of executing and responding to instructions, such as one or more general purpose computers or special purpose computers. The processing device may execute an operating system (OS) and one or more software applications executed on the operating system. In addition, the processing device may access, store, manipulate, process, and generate data in response to the execution of software. For the convenience of understanding, although it is sometimes described that one processing device is used, one of ordinary skill in the art, the processing device is a plurality of processing elements and/or a plurality of types of processing elements. It can be seen that it may include. For example, the processing device may include a plurality of processors or one processor and one controller. In addition, other processing configurations are possible, such as a parallel processor.
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.The software may include a computer program, code, instructions, or a combination of one or more of these, configuring the processing unit to behave as desired or processed independently or collectively. You can command the device. Software and/or data may be interpreted by a processing device or to provide instructions or data to a processing device, of any type of machine, component, physical device, virtual equipment, computer storage medium or device. , Or may be permanently or temporarily embodyed in a transmitted signal wave. The software may be distributed over networked computer systems and stored or executed in a distributed manner. Software and data may be stored on one or more computer-readable recording media.
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.The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, and the like alone or in combination. The program instructions recorded on the medium may be specially designed and configured for the embodiment, or may be known and usable to those skilled in computer software. Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floptical disks. -A hardware device specially configured to store and execute program instructions such as magneto-optical media, and ROM, RAM, flash memory, and the like. Examples of program instructions include not only machine language codes such as those produced by a compiler but also high-level language codes that can be executed by a computer using an interpreter or the like. The hardware device described above may be configured to operate as one or more software modules to perform the operation of the embodiment, and vice versa.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 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.As described above, although the embodiments have been described by the limited embodiments and drawings, various modifications and variations are possible from the above description by those of ordinary skill in the art. For example, the described techniques are performed in a different order from the described method, and/or components such as a system, structure, device, circuit, etc. described are combined or combined in a form different from the described method, or other components Alternatively, even if substituted or substituted by an equivalent, an appropriate result can be achieved.
그러므로, 다른 구현들, 다른 실시예들 및 청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and equivalents to the claims fall within the scope of the following claims.
Claims (20)
사용자의 경추가 촬영된 측모 두부방사선 계측영상(Lateral cephalogram)을 수신하는 단계;
상기 측모 두부방사선 계측영상의 영상 전처리를 통해 상기 경추의 형태 정보를 획득하는 단계; 및
상기 획득된 경추의 형태 정보를 입력으로 하는 심층 신경망 기반의 골 연령 추정 모델을 이용하여 상기 경추의 성숙 단계와 관련된 성숙도 정보를 획득하는 단계
를 포함하는,
골 연령 추정 방법.In the bone age estimation method using a deep neural network,
Receiving a lateral cephalogram of the user's cervical spine;
Acquiring shape information of the cervical spine through image preprocessing of the lateral head radiation measurement image; And
Acquiring maturity information related to the maturation stage of the cervical vertebrae using a bone age estimation model based on a deep neural network that inputs the acquired shape information of the cervical vertebrae
Containing,
How to estimate bone age.
상기 경추의 형태 정보를 획득하는 단계는,
상기 측모 두부방사선 계측영상에서 경추 영역을 포함하는 관심 영역을 추출하는 단계;
상기 추출한 관심 영역에서 경추의 특징점들을 추출하는 단계; 및
상기 추출된 경추의 특징점들에 기초하여 상기 경추의 윤곽선 정보를 추정하는 단계
를 포함하는,
골 연령 추정 방법.The method of claim 1,
Acquiring the shape information of the cervical spine,
Extracting a region of interest including a cervical spine region from the lateral head radiation measurement image;
Extracting feature points of the cervical spine from the extracted region of interest; And
Estimating contour information of the cervical vertebrae based on the extracted feature points of the cervical vertebrae
Containing,
How to estimate bone age.
상기 심층 신경망 기반의 골 연령 추정 모델은,
상기 추정된 경추의 윤곽선 정보에 기초하여 상기 경추의 성숙 단계와 관련된 성숙도 정보를 출력하는,
골 연령 추정 방법.The method of claim 2,
The deep neural network-based bone age estimation model,
Outputting maturity information related to the maturation stage of the cervical vertebrae based on the estimated contour information of the cervical vertebrae,
How to estimate bone age.
상기 심층 신경망 기반의 골 연령 추정 모델은,
경추의 성숙도가 결정된 복수의 측모 두부방사선 계측영상들에 기초하여 분석된 경추의 형태 정보를 통해 학습되는,
골 연령 추정 방법.The method of claim 3,
The deep neural network-based bone age estimation model,
Learning through shape information of the cervical vertebrae analyzed based on a plurality of lateral head radiation measurement images for which the maturity of the cervical vertebrae is determined,
How to estimate bone age.
상기 특징점들을 추출하는 단계는,
상기 측모 두부방사선 계측영상에 나타난 2번, 3번 및 4번 경추들의 테두리에서의 에지 지점들 및 경추 하연 윤곽선의 중점을 추출하는 단계
를 포함하는,
골 연령 추정 방법.The method of claim 2,
The step of extracting the feature points,
Extracting the edge points at the edges of the 2nd, 3rd, and 4th cervical vertebrae shown in the lateral head radiation measurement image and the midpoint of the lower edge of the cervical vertebrae
Containing,
How to estimate bone age.
상기 형태 정보를 획득하는 단계는,
상기 윤곽선 정보에 기초하여, 상기 경추의 넓이, 상기 경추의 가로 길이, 상기 경추의 세로 길이, 상기 경추의 하연의 만곡도, 상기 경추의 가로 길이와 세로 길이 간의 비율 및 인접한 경추들 간의 간격 중 적어도 하나를 획득하는 단계
를 포함하는,
골 연령 추정 방법.The method of claim 2,
Obtaining the form information,
Based on the contour information, at least one of the width of the cervical vertebrae, the horizontal length of the cervical vertebrae, the vertical length of the cervical vertebrae, the curvature of the lower edge of the cervical vertebrae, the ratio between the horizontal length and the vertical length of the cervical vertebrae, and the interval between adjacent cervical vertebrae Steps to obtain
Containing,
How to estimate bone age.
상기 성숙도 정보는,
미리 정해진 서로 다른 성숙 단계들 중 어느 하나의 성숙 단계, 상기 사용자의 경추에 대해 추정된 골 연령 및 상기 사용자의 추정된 나이 중 적어도 하나에 대한 정보를 포함하는,
골 연령 추정 방법.The method of claim 1,
The maturity information,
Including information on at least one of a maturation step of any one of different predetermined maturation steps, an estimated bone age of the user's cervical spine, and an estimated age of the user,
How to estimate bone age.
상기 심층 신경망 기반의 골 연령 추정 모델을 이용하여 상기 경추의 형태 정보로부터 상기 사용자의 성별 정보를 획득하는 단계
를 더 포함하는,
골 연령 추정 방법.The method of claim 1,
Acquiring the user's gender information from the shape information of the cervical spine using the deep neural network-based bone age estimation model
Further comprising,
How to estimate bone age.
경추가 나타난 측모 두부방사선 계측영상을 포함하는 학습 영상을 수신하는 단계;
상기 학습 영상의 영상 전처리를 통해 상기 경추의 형태 정보를 획득하는 단계;
상기 획득된 경추의 형태 정보를 입력으로 하는 상기 심층 신경망 기반의 골 연령 추정 모델을 이용하여 상기 경추의 성숙 단계와 관련된 성숙도 정보를 획득하는 단계; 및
상기 획득된 성숙도 정보와 상기 학습 영상에 대응하는 성숙도 정보에 기초하여 상기 심층 신경망 기반의 골 연령 추정 모델을 학습시키는 단계
를 포함하는,
학습 방법.In the learning method of a bone age estimation model based on a deep neural network,
Receiving a learning image including a lateral head radiation measurement image showing the cervical spine;
Acquiring shape information of the cervical spine through image preprocessing of the training image;
Acquiring maturity information related to the maturation stage of the cervical vertebrae using the deep neural network-based bone age estimation model that receives the acquired shape information of the cervical spine; And
Training a bone age estimation model based on the deep neural network based on the acquired maturity information and maturity information corresponding to the training image
Containing,
Learning method.
상기 경추의 형태 정보는,
상기 경추의 넓이, 상기 경추의 가로 길이, 상기 경추의 세로 길이, 상기 경추의 하연의 만곡도, 상기 경추의 가로 길이와 세로 길이 간의 비율 및 인접한 경추들 간의 간격 중 적어도 하나를 포함하는,
학습 방법.The method of claim 9,
The shape information of the cervical spine,
Including at least one of the width of the cervical vertebrae, the transverse length of the cervical vertebrae, the longitudinal length of the cervical vertebrae, the curvature of the lower edge of the cervical vertebrae, the ratio between the transverse length and the longitudinal length of the cervical vertebrae, and the interval between adjacent cervical vertebrae,
Learning method.
상기 심층 신경망 기반의 골 연령 추정 모델을 학습시키는 단계는,
상기 획득된 성숙도 정보와 상기 학습 영상에 대응하는 성숙도 정보 간의 차이가 줄어들도록 상기 심층 신경망 기반의 골 연령 추정 모델의 파라미터들을 조정하는 단계
를 포함하는,
학습 방법.The method of claim 9,
The step of training the bone age estimation model based on the deep neural network,
Adjusting parameters of the deep neural network-based bone age estimation model to reduce a difference between the acquired maturity information and maturity information corresponding to the training image
Containing,
Learning method.
사용자의 경추가 촬영된 측모 두부방사선 계측영상(Lateral cephalogram)을 수신하는 영상 수신부;
상기 측모 두부방사선 계측영상의 영상 전처리를 통해 상기 경추의 형태 정보를 획득하는 영상 전처리부; 및
상기 획득된 경추의 형태 정보를 입력으로 하는 심층 신경망 기반의 골 연령 추정 모델을 이용하여 상기 경추의 성숙 단계와 관련된 성숙도 정보를 획득하는 분석부
를 포함하는,
골 연령 추정 장치.In the bone age estimation apparatus for performing a bone age estimation method using a deep neural network,
An image receiving unit for receiving a lateral cephalogram of the user's cervical spine;
An image preprocessing unit for obtaining shape information of the cervical spine through image preprocessing of the lateral head radiation measurement image; And
An analysis unit that acquires maturity information related to the maturation stage of the cervical vertebrae using a bone age estimation model based on a deep neural network that inputs the acquired shape information of the cervical vertebrae
Containing,
Bone age estimation device.
상기 영상 전처리부는,
상기 측모 두부방사선 계측영상에서 경추 영역을 포함하는 관심 영역을 추출하고,
상기 추출한 관심 영역에서 경추의 특징점들을 추출하고,
상기 추출된 경추의 특징점들에 기초하여 상기 경추의 윤곽선 정보를 추정하는,
골 연령 추정 장치.The method of claim 13,
The image preprocessor,
Extracting a region of interest including a cervical spine region from the lateral head radiation measurement image,
Extracting feature points of the cervical spine from the extracted region of interest,
Estimating contour information of the cervical vertebrae based on the extracted feature points of the cervical vertebrae,
Bone age estimation device.
상기 심층 신경망 기반의 골 연령 추정 모델은,
상기 추정된 경추의 윤곽선 정보에 기초하여 상기 경추의 성숙 단계와 관련된 성숙도 정보를 출력하는,
골 연령 추정 장치.The method of claim 14,
The deep neural network-based bone age estimation model,
Outputting maturity information related to the maturation stage of the cervical vertebrae based on the estimated contour information of the cervical vertebrae,
Bone age estimation device.
상기 심층 신경망 기반의 골 연령 추정 모델은,
경추의 성숙도가 결정된 복수의 측모 두부방사선 계측영상들에 기초하여 분석된 경추의 형태 정보를 통해 학습되는,
골 연령 추정 장치.The method of claim 15,
The deep neural network-based bone age estimation model,
Learning through shape information of the cervical vertebrae analyzed based on a plurality of lateral head radiation measurement images for which the maturity of the cervical vertebrae is determined,
Bone age estimation device.
상기 영상 전처리부는,
상기 측모 두부방사선 계측영상에 나타난 2번, 3번 및 4번 경추들의 테두리에서의 에지 지점들 및 경추 하연 윤곽선의 중점을 추출하는,
골 연령 추정 장치.The method of claim 14,
The image preprocessor,
Extracting the edge points at the edges of the 2nd, 3rd and 4th cervical vertebrae shown in the lateral head radiation measurement image and the midpoint of the lower edge of the cervical vertebrae,
Bone age estimation device.
상기 영상 전처리부는,
상기 윤곽선 정보에 기초하여, 상기 경추의 넓이, 상기 경추의 가로 길이, 상기 경추의 세로 길이, 상기 경추의 하연의 만곡도, 상기 경추의 가로 길이와 세로 길이 간의 비율 및 인접한 경추들 간의 간격 중 적어도 하나를 획득하는,
골 연령 추정 장치.The method of claim 14,
The image preprocessor,
Based on the contour information, at least one of the width of the cervical vertebrae, the horizontal length of the cervical vertebrae, the vertical length of the cervical vertebrae, the curvature of the lower edge of the cervical vertebrae, the ratio between the horizontal length and the vertical length of the cervical vertebrae, and the interval between adjacent cervical vertebrae To obtain,
Bone age estimation device.
상기 분석부는,
상기 획득된 경추의 형태 정보를 입력으로 하는 심층 신경망 기반의 골 연령 추정 모델을 이용하여 상기 사용자의 성별 정보를 획득하는,
골 연령 추정 장치.The method of claim 13,
The analysis unit,
Obtaining the user's gender information using a bone age estimation model based on a deep neural network that inputs the acquired shape information of the cervical spine,
Bone age estimation device.
경추가 나타난 측모 두부방사선 계측영상을 포함하는 학습 영상을 수신하는 영상 수신부;
상기 학습 영상의 영상 전처리를 통해 상기 경추의 형태 정보를 획득하는 영상 전처리부;
상기 획득된 경추의 형태 정보를 입력으로 하는 상기 심층 신경망 기반의 골 연령 추정 모델을 이용하여 상기 경추의 성숙 단계와 관련된 성숙도 정보를 획득하는 분석부; 및
상기 획득된 성숙도 정보와 상기 학습 영상에 대응하는 성숙도 정보에 기초하여 상기 심층 신경망 기반의 골 연령 추정 모델을 학습시키는 학습부
를 포함하는,
학습 장치.
In a learning apparatus that performs a learning method of a bone age estimation model based on a deep neural network,
An image receiving unit for receiving a training image including a lateral head radiation measurement image showing the cervical spine;
An image preprocessing unit that acquires shape information of the cervical spine through image preprocessing of the learning image;
An analysis unit for obtaining maturity information related to the maturation stage of the cervical vertebrae by using the deep neural network-based bone age estimation model for inputting the acquired shape information of the cervical vertebrae; And
A learning unit that trains the deep neural network-based bone age estimation model based on the acquired maturity information and maturity information corresponding to the training image
Containing,
Learning device.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190044374A KR102233404B1 (en) | 2019-04-16 | 2019-04-16 | Method and apparatus for estimating bone age |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190044374A KR102233404B1 (en) | 2019-04-16 | 2019-04-16 | Method and apparatus for estimating bone age |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200121608A true KR20200121608A (en) | 2020-10-26 |
| KR102233404B1 KR102233404B1 (en) | 2021-03-30 |
Family
ID=73006324
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190044374A KR102233404B1 (en) | 2019-04-16 | 2019-04-16 | Method and apparatus for estimating bone age |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102233404B1 (en) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113570577A (en) * | 2021-07-28 | 2021-10-29 | 成都玻尔兹曼智贝科技有限公司 | Method for judging age of cervical vertebra |
| US20220151547A1 (en) * | 2020-11-19 | 2022-05-19 | International Business Machines Corporation | Estimating spinal age |
| KR20220133691A (en) | 2021-03-25 | 2022-10-05 | 부산대학교 산학협력단 | System and Method for Estimating Fully Automatic Bone Age using Peri-Airway Structures in Cephalo X-ray Image |
| CN117257539A (en) * | 2023-03-28 | 2023-12-22 | 杭州一真医疗器械有限公司 | Digital cervical traction system |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100838339B1 (en) * | 2007-08-06 | 2008-06-13 | 주식회사 오스테오시스 | Method for bone age judgment and prediction of adult height and the computer readable recording medium thereof |
| KR20170016778A (en) * | 2015-08-04 | 2017-02-14 | 재단법인 아산사회복지재단 | Method and program for computing bone age by deep neural network |
| KR101779800B1 (en) * | 2016-09-27 | 2017-09-19 | 이재준 | System and method for evaluating multifaceted growth based on machine learning |
| KR101938361B1 (en) * | 2017-09-29 | 2019-01-14 | 재단법인 아산사회복지재단 | Method and program for predicting skeleton state by the body ouline in x-ray image |
| KR20190023003A (en) * | 2017-08-25 | 2019-03-07 | 남정림 | Apparatus and method for estimating bone age based on image processing and machine learning |
-
2019
- 2019-04-16 KR KR1020190044374A patent/KR102233404B1/en active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100838339B1 (en) * | 2007-08-06 | 2008-06-13 | 주식회사 오스테오시스 | Method for bone age judgment and prediction of adult height and the computer readable recording medium thereof |
| KR20170016778A (en) * | 2015-08-04 | 2017-02-14 | 재단법인 아산사회복지재단 | Method and program for computing bone age by deep neural network |
| KR101779800B1 (en) * | 2016-09-27 | 2017-09-19 | 이재준 | System and method for evaluating multifaceted growth based on machine learning |
| KR20190023003A (en) * | 2017-08-25 | 2019-03-07 | 남정림 | Apparatus and method for estimating bone age based on image processing and machine learning |
| KR101938361B1 (en) * | 2017-09-29 | 2019-01-14 | 재단법인 아산사회복지재단 | Method and program for predicting skeleton state by the body ouline in x-ray image |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220151547A1 (en) * | 2020-11-19 | 2022-05-19 | International Business Machines Corporation | Estimating spinal age |
| US11963790B2 (en) * | 2020-11-19 | 2024-04-23 | Merative Us L.P. | Estimating spinal age |
| KR20220133691A (en) | 2021-03-25 | 2022-10-05 | 부산대학교 산학협력단 | System and Method for Estimating Fully Automatic Bone Age using Peri-Airway Structures in Cephalo X-ray Image |
| CN113570577A (en) * | 2021-07-28 | 2021-10-29 | 成都玻尔兹曼智贝科技有限公司 | Method for judging age of cervical vertebra |
| CN113570577B (en) * | 2021-07-28 | 2023-11-14 | 成都玻尔兹曼智贝科技有限公司 | Method for judging cervical vertebra bone age |
| CN117257539A (en) * | 2023-03-28 | 2023-12-22 | 杭州一真医疗器械有限公司 | Digital cervical traction system |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102233404B1 (en) | 2021-03-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102233404B1 (en) | Method and apparatus for estimating bone age | |
| US11087871B2 (en) | Method for predicting anatomical landmarks and device for predicting anatomical landmarks using the same | |
| US11464467B2 (en) | Automated tooth localization, enumeration, and diagnostic system and method | |
| US10049457B2 (en) | Automated cephalometric analysis using machine learning | |
| Bulatova et al. | Assessment of automatic cephalometric landmark identification using artificial intelligence | |
| EP2687161B1 (en) | Diagnosis assistance system utilizing panoramic radiographs, and diagnosis assistance program utilizing panoramic radiographs | |
| Lo Giudice et al. | Fully automatic segmentation of the mandible based on convolutional neural networks (CNNs) | |
| US11443423B2 (en) | System and method for constructing elements of interest (EoI)-focused panoramas of an oral complex | |
| Leonardi et al. | Fully automatic segmentation of sinonasal cavity and pharyngeal airway based on convolutional neural networks | |
| US20220215625A1 (en) | Image-based methods for estimating a patient-specific reference bone model for a patient with a craniomaxillofacial defect and related systems | |
| JP6221770B2 (en) | Image processing apparatus and program | |
| Allen et al. | Detecting reduced bone mineral density from dental radiographs using statistical shape models | |
| Dobratulin et al. | The efficiency of deep learning algorithms for detecting anatomical reference points on radiological images of the head profile | |
| Takeda et al. | Landmark annotation and mandibular lateral deviation analysis of posteroanterior cephalograms using a convolutional neural network | |
| Uğurlu | Performance of a convolutional neural network-based artificial intelligence algorithm for automatic cephalometric landmark detection | |
| Ahn et al. | Automated analysis of three-dimensional CBCT images taken in natural head position that combines facial profile processing and multiple deep-learning models | |
| JP7086818B2 (en) | Information processing equipment, information processing methods, and programs | |
| Goutham et al. | Automatic localization of landmarks in cephalometric images via modified U-Net | |
| US8827932B2 (en) | Orthodontic, dental, and dentofacial deformity indexing system and method | |
| JP5880332B2 (en) | Image processing apparatus and program | |
| Yau et al. | An adaptive region growing method to segment inferior alveolar nerve canal from 3D medical images for dental implant surgery | |
| KR20200012707A (en) | Method for predicting anatomical landmarks and device for predicting anatomical landmarks using the same | |
| CN106570860B (en) | A kind of improved nuclear magnetic resonance image masseter dividing method based on apart from regularization level set | |
| Jiao et al. | Deep learning for automatic detection of cephalometric landmarks on lateral cephalometric radiographs using the Mask Region-based Convolutional Neural Network: a pilot study | |
| KR20220145758A (en) | Mandibular asymmetry evaluation method using computing device and surgical simulation method using the same |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |