KR20200139491A - 의료영상 처리 방법 - Google Patents

의료영상 처리 방법 Download PDF

Info

Publication number
KR20200139491A
KR20200139491A KR1020190066068A KR20190066068A KR20200139491A KR 20200139491 A KR20200139491 A KR 20200139491A KR 1020190066068 A KR1020190066068 A KR 1020190066068A KR 20190066068 A KR20190066068 A KR 20190066068A KR 20200139491 A KR20200139491 A KR 20200139491A
Authority
KR
South Korea
Prior art keywords
image
medical image
correction
medical
result
Prior art date
Application number
KR1020190066068A
Other languages
English (en)
Other versions
KR102254365B1 (ko
Inventor
정명진
김성목
Original Assignee
사회복지법인 삼성생명공익재단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 사회복지법인 삼성생명공익재단 filed Critical 사회복지법인 삼성생명공익재단
Priority to KR1020190066068A priority Critical patent/KR102254365B1/ko
Publication of KR20200139491A publication Critical patent/KR20200139491A/ko
Application granted granted Critical
Publication of KR102254365B1 publication Critical patent/KR102254365B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computerised tomographs
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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

Abstract

본 발명의 일 실시 예에 따른 의료영상 처리 방법은 영상 데이터베이스로부터 의료영상 및 의료영상에 대응되는 레퍼런스영상이 획득되는 단계, 레퍼런스영상을 기준으로 의료영상에 대하여 보정이 수행되는 단계, 의료영상의 보정 결과에 대하여 머신러닝 알고리즘에 기초하여 학습되는 단계 및 학습된 결과에 기초하여 의료영상에 대한 보정모델이 생성되는 단계가 포함될 수 있다.

Description

의료영상 처리 방법{MEDICAL IMAGE PROCESSING METHOD}
본 발명은 의료영상 처리 방법에 관한 것으로, 더욱 상세하게는 저선량의 LCA(lung cancer screening) CT 영상에 대하여 고해상도 CT 영상(Ex. coronary artery CT 영상)을 기준으로 보정한 결과가 학습되어 생성된 보정모델을 이용함으로써, 판독(해석)이 요구되는 저선량 CT 영상에 대하여 자동으로 보정된 CT 영상을 생성해내는 것을 특징으로 하는 의료영상 처리 방법에 관한 것이다.
컴퓨터 보조 진단 시스템(CAD: computer aided diagnosis)이란 의료영상을 분석한 결과에 따라 의료영상의 소정의 부위에 진단에 관련된 내용의 표시를 통해 의사의 진단에 도움을 줄 수 있는 시스템을 지칭한다. 최근에는 컴퓨터 보조 진단 시스템 상에서 여러 가지 의학적인 진단 문제를 해결하기 위해서 머신러닝(machine-learning) 또는 딥러닝(deep-learning) 알고리즘 등이 활용되어 복잡한 이미징 및 해부학적 영상을 분석하여 진단에 활용되고 있다.
선별 검사(screening)는 상기 컴퓨터 보조 진단 시스템을 이용하여 수행될 수 있다. 선별 검사는 질병 또는 질환을 치료하거나 치료 등을 통해 회복/조절 가능한 시기에 발견하고자 시행하며, 특정 질병이나 질환에 대한 고 위험 군에서 증상이 없는 시기에 질병 또는 질환을 발견하기 위한 일련의 검사를 포함하게 된다. 선별 검사를 통하여 질병 또는 질환이 발견되면 확진을 위한 추가적인 진단검사를 시행 할 수 있으며 질병이나 질환의 진단 후 조기 치료를 통하여 질병 또는 질환의 자연적인 경과를 변화시킴으로써 사망율을 낮출 수 있다.
특히, 고식적 흉부 전산화 단층 촬영(conventional chest computed tomography, CT)을 이용한 폐암 선별 검사의 단점으로 방사선 노출량, 판독에 따른 시간 소요, 위양성 병변 발견율의 증가, 고가의 비용 등을 들 수있다. 하지만 최근 연구에 의하면 폐 고유의 높은 대조도 및 낮은 방사선 흡수율로 인해 폐암 선별 검사를 위한 흉부 CT 시행에 따른 방사선 조사시 상당한 정도의 선량 감량(reduction of radiation dose)이 가능함이 알려졌다. 보다 구체적으로는, 저선량 CT를 이용한 선별 검사의 경우 유효선량당량(effective dose equivalent)은 약 0.65 mSv(0.3 ～ 0.55 mSv)로 알려져 있다.
다만, 저선량 CT 영상을 이용하는 경우에는 피검사자의 대상체(Ex. 심장 등)의 움직임에 의해 영상의 왜곡이 발생할 수 있다. 이에 따라, 상대적으로 방사선 노출이 적은 저선량 CT 영상을 이용하면서도 영상 내에 왜곡이 발생하지 않도록 하기 위한 영상처리 방법에 대한 개발이 지속적으로 요구되고 있는 실정이다.
대한민국 등록특허공보 제10-0450278호 (공개일자: 2004.09.15)
본 발명은 전술한 문제점에 대한 일 대응방안으로써, 상대적으로 방사선 노출이 적은 저선량 CT 영상에 대하여 보정을 통해 motion correction과 quantitative value compensation이 동시에 달성되어 생성된 보정영상을 제공하고자 함에 그 목적이 있다.
또한, 상대적으로 해상도가 뛰어난 레퍼런스영상을 기준으로 저선량 CT 영상의 해상도를 개선함으로써 보정으로 생성된 보정영상을 이용하여 관상동맥의 석회화 정도를 빠르고 정확하게 예측할 수 있도록 함에 그 목적이 있다.
본 발명의 일 실시 예로써, 의료영상 처리 방법이 제공될 수 있다.
본 발명의 일 실시 예에 따른 의료영상 처리 방법은 영상 데이터베이스로부터 의료영상 및 의료영상에 대응되는 레퍼런스영상이 획득되는 단계, 레퍼런스영상을 기준으로 의료영상에 대하여 보정이 수행되는 단계, 의료영상의 보정 결과에 대하여 머신러닝 알고리즘에 기초하여 학습되는 단계 및 학습된 결과에 기초하여 의료영상에 대한 보정모델이 생성되는 단계가 포함될 수 있다.
본 발명의 일 실시 예에 따른 의료영상 처리 방법에 있어서, 보정이 수행되는 단계에서는 의료영상에서 대상체의 움직임에 따라 발생된 왜곡이 보정되고 보정에 따른 픽셀 값이 보상될 수 있다.
본 발명의 일 실시 예에 따른 의료영상 처리 방법에 있어서, 영상 데이터베이스에 저장되는 단계 이후, 보정이 수행되는 단계 이전에, 의료영상 및 레퍼런스영상을 비교하고 분석한 결과에 기초하여 의료영상에 대한 관심영역이 설정되는 단계가 더 포함되고, 보정이 수행되는 단계에서는 의료영상에 설정된 관심영역에 대하여 보정이 수행될 수 있다.
본 발명의 일 실시 예에 따른 의료영상 처리 방법에 있어서, 의료영상은 폐암 선별(Lung cancer screening) CT영상이고, 레퍼런스영상은 관상동맥(Coronary artery) CT영상일 수 있다.
본 발명의 일 실시 예에 따른 의료영상 처리 방법에 있어서, 저선량영상이 입력되는 단계, 입력된 저선량영상에 대하여 보정모델을 이용하여 보정이 수행되는 단계 및 보정모델에 따라 생성된 보정영상이 출력되는 단계가 포함될 수 있다.
본 발명의 일 실시 예에 따른 의료영상 처리 방법에 있어서, 입력된 저선량영상에 대하여 보정모델을 이용하여 보정이 수행되는 단계의 보정 결과에 기초하여 보정모델이 갱신되는 단계가 더 포함될 수 있다.
본 발명의 일 실시 예에 따른 의료영상 처리 방법에 있어서, 의료영상의 보정 결과에 대하여 머신러닝 알고리즘에 기초하여 학습되는 단계에서는 의료영상의 보정 결과에 대하여 대상질병, 피검사자의 성별, 나이, 인종, 질병이력 및 수술이력 중 적어도 어느 하나에 따라 구분되어 학습되고, 학습된 결과에 기초하여 의료영상에 대한 보정모델이 생성되는 단계에서는 대상질병, 피검사자의 성별, 나이, 인종, 질병이력 및 수술이력 중 적어도 어느 하나에 따라 보정모델이 구분되어 생성될 수 있다.
본 발명의 일 실시 예로써, 의료영상 처리 시스템이 제공될 수 있다.
본 발명의 일 실시 예에 따른 의료영상 처리 시스템은 의료영상 및 의료영상에 대응되는 레퍼런스영상이 획득되어 영상 데이터베이스에 저장되는 영상획득부, 레퍼런스영상을 기준으로 의료영상에 대하여 보정이 수행되는 보정수행부, 의료영상의 보정 결과에 대하여 머신러닝 알고리즘에 기초하여 학습되는 학습부 및 학습된 결과에 기초하여 의료영상에 대한 보정모델이 생성되는 모델생성부가 포함될 수 있다.
본 발명의 일 실시 예로써, 전술한 항의 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체가 제공될 수 있다.
본 발명의 일 실시 예에 따르면, 의료영상을 이용한 진단에 있어서 상대적으로 방사선 노출이 적은 저선량 CT 영상에 대하여 보정을 통해 생성된 보정영상을 제공할 수 있는 효과가 있다.
또한, 상대적으로 해상도가 뛰어난 레퍼런스영상을 기준으로 저선량 CT 영상의 해상도를 개선함으로써 보정으로 생성된 보정영상을 이용하여 관상동맥의 석회화 정도를 빠르고 정확하게 예측할 수 있는 효과가 있다.
도 1 및 도 2는 본 발명의 일 실시 예에 따른 의료영상 처리 방법을 나타낸 순서도이다.
도 3은 본 발명의 일 실시 예에 따른 의료영상 처리 방법에 있어서, 관심영역이 설정되는 단계가 추가된 순서도이다.
도 4는 본 발명의 일 실시 예에 따른 의료영상 처리 방법에 있어서, 모델 데이터베이스에 저장된 보정모델들을 나타낸 예시도이다.
도 5 및 도 6은 본 발명의 일 실시 예에 따른 의료영상 처리 방법에 있어서, 입력된 저선량영상이 보정되는 과정을 나타낸 예시도이다.
도 7 내지 도 9는 본 발명의 일 실시 예에 따른 의료영상 처리 방법에 있어서, 관상동맥 CT 영상 및 폐암선별 CT 영상을 나타낸 예시도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명에 대해 구체적으로 설명하기로 한다.
본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 명세서 전체에서 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, "그 중간에 다른 소자를 사이에 두고" 연결되어 있는 경우도 포함한다.
이하 첨부된 도면을 참고하여 본 발명을 상세히 설명하기로 한다.
본 발명의 일 실시 예로써, 의료영상 처리 방법이 제공될 수 있다. 또한, 상기 의료영상 처리 방법은 후술하는 의료영상 처리 시스템에 의해서 수행될 수 있으며, 이하에서는 후술하는 의료영상 처리 시스템에 의해 수행되는 의료영상 처리 방법에 관하여 설명한다.
본 명세서에서 의료영상(100)은 피검사자의 대상체(Ex. 관상동맥, 폐 등)에 대하여 카메라, 현미경 등의 각종 촬영장치를 이용하여 획득된 영상일 수 있다. 상기 촬영장치에는 자기공명 촬영장치(Magnetic Resonance Imaging), 양전자 방출 단층촬영장치(Positron Emission Tomography), X선 단층촬영장치(X-ray Computer Tomography) 등이 포함될 수 있다. 또한, 레퍼런스영상(200)은 상기 의료영상(100)과 동일하거나 상이한 피검사자의 대상체에 대하여 상기 의료영상(100)을 촬영하기 위한 촬영장치와 동일하거나 상이한 촬영장치를 이용하여 획득된 영상일 수 있다. 즉, 의료영상(100)과 레퍼런스영상(200) 모두 동일한 피검사자의 대상체를 동일한 촬영장치를 이용하여 획득된 영상일 수 있으며, 이와는 달리 의료영상(100)과 레퍼런스영상(200)은 각각 상이한 피검사자의 대상체를 상이한 촬영장치를 이용하여 획득된 영상일 수 있다. 다시 말하면, 의료영상(100)과 레퍼런스영상(200)의 촬영대상과 촬영방식은 상호 동일하거나 상이할 수 있다.
또한, 본 명세서에서는 데이터베이스(미도시)가 활용될 수 있다. 상기 데이터베이스는 피검사자, 환자 등의 의료데이터를 저장하기 위한 데이터 저장소를 지칭하는 것으로, 상기 데이터베이스에는 CDW(Clinical data warehouse), PACS(Picture archiving and communication system) 등의 의료 데이터 검색 시스템이 포함될 수 있다. 즉, 본 명세서에서 데이터베이스는 피검사자들에 대한 의사의 진료기‹ 뿐만 아니라, 각종 검사 결과 등 피검사자들과 관련된 전반적인 데이터를 저장하는 서버에 해당될 수 있다. 상기 데이터베이스에는 영상 데이터베이스(510) 및 모델 데이터베이스(520)가 포함될 수 있다. 즉, 상기 영상 데이터베이스(510)는 피검사자, 환자 등의 영상 데이터(Ex. 의료영상, 레퍼런스영상 등)가 저장되어 관리되는 서버에 해당될 수 있다. 또한, 상기 모델 데이터베이스(520)는 후술하는 바와 같이 의료영상(100)을 보정하기 위한 보정모델(300)이 저장되어 관리되는 서버에 해당될 수 있다.
도 1 및 도 2는 본 발명의 일 실시 예에 따른 의료영상 처리 방법을 나타낸 순서도이다.
도 1 및 도 2를 참조하면, 본 발명의 일 실시 예에 따른 의료영상 처리 방법은 영상 데이터베이스(510)로부터 의료영상(100) 및 의료영상(100)에 대응되는 레퍼런스영상(200)이 획득되는 단계(S100), 레퍼런스영상(200)을 기준으로 의료영상(100)에 대하여 보정이 수행되는 단계(S200), 의료영상(100)의 보정 결과에 대하여 머신러닝 알고리즘에 기초하여 학습되는 단계(S300) 및 학습된 결과에 기초하여 의료영상(100)에 대한 보정모델(300)이 생성되는 단계(S400)가 포함될 수 있다.
즉, 본 발명의 일 실시 예에 따른 의료영상 처리 방법은 의료영상(100)에 대하여 레퍼런스영상(200)을 기준영상으로 하여 의료영상(100)을 보정한 결과에 따라 보정모델(300)을 생성하는 방법을 나타낼 수 있다. 이하에서는, 본 발명의 일 실시 예에 따른 의료영상 처리 방법의 각 단계(S100 - S400)를 설명한다.
먼저, S100 단계에서는 영상 데이터베이스(510)로부터 의료영상(100) 및 의료영상(100)에 대응되는 레퍼런스영상(200)이 획득될 수 있다. 즉, 의료영상(100)과 상기 의료영상(100)의 보정기준이 되는 레퍼런스영상(200)이 영상 데이터베이스(510)로부터 추출될 수 있다. 또한, 의료영상(100)과 레퍼런스영상(200)은 대상체인 검사(촬영) 대상은 동일하나 검사(촬영) 방식은 상이하게 설정되어 획득된 영상일 수 있다. 예를 들면, 상기 의료영상(100)과 레퍼런스영상(200) 모두 심장의 관상동맥(coronary artery)을 촬영한 영상일 수 있다. 다만, 상기 의료영상(100)은 상기 레퍼런스영상(200)에 비해 방사선 노출이 상대적으로 적은 촬영장치를 이용하여 촬영된 영상일 수 있다.
다음으로, 의료영상(100) 및 레퍼런스영상(200)을 비교하고 분석한 결과에 기초하여 의료영상(100)에 대한 관심영역이 설정되는 단계(S150)가 수행될 수 있다.
도 3은 본 발명의 일 실시 예에 따른 의료영상 처리 방법에 있어서, 관심영역이 설정되는 단계가 추가된 순서도이다. 도 3을 참조하면, 본 발명의 일 실시 예에 따른 의료영상 처리 방법에 있어서, 영상 데이터베이스(510)에 저장되는 단계(S100) 이후, 보정이 수행되는 단계(S200) 이전에, 의료영상(100) 및 레퍼런스영상(200)을 비교하고 분석한 결과에 기초하여 의료영상(100)에 대한 관심영역이 설정되는 단계가 더 포함되고, 보정이 수행되는 단계에서는 의료영상(100)에 설정된 관심영역에 대하여 보정이 수행될 수 있다.
구체적으로, 상기 S150 단계에서는 의료영상(100)에서 상기 레퍼런스영상(200)을 기준으로 비교하여 대상체의 움직임에 따른 왜곡이나 떨림 등이 존재하는지 여부가 판단될 수 있다. 즉, 상기 동일한 대상체에 대하여 촬영함으로써 획득된 레퍼런스영상(200)에는 대상체의 움직임이에 따른 왜곡이 존재하지 않으나, 상기 의료영상(100)에는 존재하는 경우 상기 의료영상(100)에 왜곡이 존재하는 부분이 포함되도록 관심영역(ROI: Region of interest)이 설정될 수 있다. 또한, 의료영상(100)에서 레퍼런스영상(200)과 비교하여 해상도가 떨어지는 부분이 존재하는 경우 상기 부분이 관심영역에 포함되도록 설정될 수 있다. 이와는 달리, 사용자 단말(80)로부터 입력된 설정신호에 기초하여 상기 의료영상(100)의 관심영역이 설정될 수 있다. 즉, 상기 S150 단계에서 관심영역은 의료영상(100)과 레퍼런스영상(200) 간 비교 결과에 따라 설정되거나 사용자 단말(80)로부터 인가된 설정신호에 따라 설정될 수 있다.
이후에는, 레퍼런스영상(200)을 기준으로 의료영상(100)의 관심영역(ROI)에 대하여 보정이 수행(S200)될 수 있다. 구체적으로, 상기 보정이 수행되는 단계(S200)에서는 의료영상(100)에서 대상체의 움직임에 따라 발생된 왜곡이 보정되고 보정에 따른 픽셀 값이 보상될 수 있다.
즉, S200 단계에서는 이전 S150 단계에서 설정된 의료영상(100)의 관심영역이 레퍼런스영상(200)을 기준으로 보정될 수 있다. 상기 S200 단계에서 보정은 관심영역 내에서 대상체의 움직임에 따른 왜곡이 제거되도록 수행될 수 있다. 왜곡의 제거는 의료영상(100)에서 대상체의 움직임을 검출함으로써 수행될 수 있다. 대상체의 움직임에는 대상체가 움직인 정도를 나타내는 것으로, 움직인 방향, 이동 변위, 회전 방향 등이 포함될 수 있다.
대상체의 움직임 검출은 대상체의 종류에 따라 상이할 수 있다. 대상체는 피검사자의 신체 일부기관으로 흉부, 목 등에 해당되는 제 1 대상체는 물론 혈관이나 심장판막과 같은 상기 제 1 대상체에 비하여 상대적으로 미세한 크기의 제 2 대상체가 포함될 수 있다. 다른 신체기관에 비하여 상대적으로 크기가 큰 제 1 대상체에 대하여는 상기 제 1 대상체의 움직임을 검출하기 위하여 압력, 온도를 측정하거나 관성측정장치(IMU: Inertial Measurement Unit) 등을 이용하여 실시간으로 움직임을 감지할 수 있다. 즉, 촬영장치를 이용하여 영상을 획득하는 과정에서 대상체의 움직임을 측정 및 검출하여 왜곡된 영상을 보정할 수 있다. 이와는 달리, 심장의 관상동맥과 같은 제 2 대상체에 대하여는 레이저 변위를 측정하거나 광학식 추적장치를 이용하여 미세한 대상체의 움직임을 검출할 수 있다.
다시 말해서, 대상체의 움직임은 유발 원인이 상이할 수 있다. 먼저 호흡에 의한 움직임일 경우, 촬영장치를 이용하여 획득한 영상에서 흉벽을 비롯한 심장 구조물이 z-축 방향으로 어긋나는 소견 및 영상 단면에서 심장 및 폐혈관의 경계가 2중으로 보이는 소견이 나타날 수 있다. 심장 박동에 의한 움직임일 경우, 영상 단면에서 관상동맥의 어그러짐으로 나타나는데, 실제 관상동맥 보다 큰 초승달 모양의 음영을 보이기도 하고, 꼬리가 있는 혜성 모양의 음영이 나타나기도 하며 혈관 경계면이 깔끔하지 못하고 작은 뿔처럼 불룩불룩 튀어나온 경계면을 보이기도 한다. 의료 영상에서 나타난 대상체의 움직임들을 측정하기 위해서 해당 구조물의 경계면에서 픽셀 정보를 측정하고 레퍼런스 영상에서 보이는 대상체들의 픽셀 정보를 기준으로 경계면에서의 측정된 픽셀 정보와 비교하여 움직임 정보에 관한 데이터를 획득한 후, 레퍼런스 영상과 최대 유사도를 갖도록 대상체의 픽셀 값이 보정(correction)될 수 있다.
상기와 같이 검출된 대상체의 움직임 정보에 기초한 보정(correction)에 따라 왜곡이 제거된 영상이 생성될 수 있다. 또한, 상기 보정에 따라 픽셀 값이 보상(compensation)될 수 있다. 즉, 보정으로 인해 오류가 발생된 픽셀에 대하여 픽셀 값이 보상될 수 있다. 또한, 상기 S200 단계에서 상기 보정(correction)과 상기 보상(compensation)은 동시에 수행될 수 있다. 즉, 대상체의 움직임 정보에 기초한 보정과 보정에 따른 픽셀 값의 보상은 동시에 수행됨으로써 의료영상(100)이 효과적으로 획득될 수 있다.
다음으로, 의료영상(100)에 대하여 S200 단계에서 수행된 보정 결과에 대하여 머신러닝 알고리즘에 기초하여 학습이 수행(S300)될 수 있다. 즉, 의료영상(입력)과 레퍼런스영상(200)에 기초하여 보정된 의료영상(출력)의 상관관계에 대하여 머신러닝 알고리즘에 따라 학습될 수 있다.
상기 머신러닝 알고리즘에는 Artificial Neural Network(ANN), 서포트 벡터 머신(Support Vector Machine), 다층 퍼셉트론(Multi-Layer Perceptron, MLP), 재귀신경망(Recurrent Neural Network, RNN), Deep Neural Network(DNN) 및 Long Short Term Memory(LSTM) 중 어느 하나가 포함될 수 있다. 다만, 이는 예시적인 것에 불과하고 전술한 알고리즘을 제외한 다양한 머신러닝 알고리즘 혹은 딥러닝 알고리즘들을 이용할 수 있다. 또한, 상기 머신러닝 또는 딥러닝 알고리즘을 상호 결합하거나 연결하여 새로운 보정모델(300)을 형성할 수 있다.
다음으로, 학습된 결과에 기초하여 의료영상(100)에 대한 보정모델(300)이 생성되는 단계(S400)가 수행될 수 있다. 즉, 상기 보정모델(300)은 머신러닝 알고리즘에 따라 학습되어 생성되어 의료영상(100)을 보정하기 위한 모델일 수 있다.
또한, 본 발명의 일 실시 예에 따른 의료영상 처리 방법에 있어서, 의료영상(100)의 보정 결과에 대하여 머신러닝 알고리즘에 기초하여 학습되는 단계(S300)에서는 의료영상(100)의 보정 결과에 대하여 대상질병, 피검사자의 성별, 나이, 인종, 질병이력 및 수술이력 중 적어도 어느 하나에 따라 구분되어 학습되고, 학습된 결과에 기초하여 의료영상(100)에 대한 보정모델(300)이 생성되는 단계(S400)에서는 대상질병, 피검사자의 성별, 나이, 인종, 질병이력 및 수술이력 중 적어도 어느 하나에 따라 보정모델(300)이 구분되어 생성될 수 있다.
즉, S300 단계에서 대상질병, 피검사자의 성별, 나이, 인종, 질병이력 및 수술이력 중 적어도 어느 하나에 따라 구분되어 학습되도록 함으로써 보정모델(300)이 대상질병, 피검사자의 성별, 나이, 인종, 질병이력 및 수술이력 중 적어도 어느 하나에 따라 구분되어 생성될 수 있다. 도 4는 본 발명의 일 실시 예에 따른 의료영상 처리 방법에 있어서, 모델 데이터베이스(520)에 저장된 보정모델(300)들을 나타낸 예시도이다. 도 4를 참조하면, 전술한 나이, 성별, 인종 등에 따라 구분되어 생성된 보정모델(300)들이 도시되어 있다. 즉, 피검사자의 의료영상(100)을 이용하여 질병 혹은 질환을 진단하거나 진단을 보조하는 자료로 이용하고자 하는 사용자(Ex. 의사, 검사자 등)는 피검사자의 나이, 성별, 인종, 질병이력 등에 따라 구분되어 생성되어 있는 보정모델(300)을 선택하여 보정영상(800)이 생성되도록 할 수 있다. 즉, 피검사자의 나이, 성별, 인종 등에 따라 의료영상(100)의 보정이 상이하게 수행될 수 있으므로 사용자는 일종의 피검사자의 타겟(target) 보정모델(300)을 선택할 수 있다. 상기와 같이 구분되어 생성된 보정모델(300)은 전술한 모델 데이터베이스(520)에 저장되어 관리될 수 있다.
또한, 상기와 같이 구분되어 보정모델(300)이 생성되더라도 사용자 단말(80)로부터 입력된 확인신호가 인가된 경우에만 상기 보정모델(300)이 상기 모델 데이터베이스(520)에 저장되어 관리될 수 있다.
본 발명의 일 실시 예에 따른 의료영상 처리 방법에 있어서, 의료영상(100)은 폐암 선별(Lung cancer screening) CT 영상이고, 레퍼런스영상(200)은 관상동맥(Coronary artery) CT 영상일 수 있다.
구체적으로, 관상동맥 CT 영상 및 폐암선별 CT 영상의 차이를 도 7 내지 도 9에 기초하여 살펴본다. 도 7 내지 도 9의 (a)는 관상동맥 CT 영상을 나타낸 것이고, 도 7 내지 도 9의 (b)는 폐암선별 CT 영상을 나타낸다.
먼저, 도 7 및 도 8을 참조하면 관상동맥 CT 영상 및 폐암선별 CT 영상은 스캔범위가 상이함을 확인할 수 있다. 도 7 및 도 8의 (b)에 도시된 바와 같이 폐암 선별 CT 영상은 스캔 범위가 상기 관상동맥 CT 영상에 비하여 상대적으로 넓다. 상기 폐암 선별 CT 영상은 다수의 대상체(Ex. 폐, 심장 등)가 모두 스캔되어 획득된 CT 영상으로, 레퍼런스영상(200)인 관상동맥 CT 영상에 비하여 상대적으로 저선량 CT 영상일 수 있다. 이와는 달리, 도 7 및 도 8의 (a)에 도시된 바와 같이 상기 관상동맥 CT 영상은 소수의 대상체(Ex. 심장)만을 스캔하여 획득된 CT 영상으로 상기 폐암 선별 CT 영상에 비하여 상대적으로 고선량 CT 영상일 수 있다. 더욱 구체적으로, 상기 관상동맥 CT 영상은 심전도(EKG) 장치를 이용하여 소정의 시기(Ex. 심박동이 순간적으로 멈추는 휴지기)에만 방사선을 노출하여 영상을 스캔함으로써 획득된 CT 영상일 수 있다. 즉, 상기 의료영상(100)은 저선량 CT 영상일 수 있고, 상기 레퍼런스영상(200)은 고선량 CT 영상일 수 있다. 상기 CT 영상에서 저선량, 고선량의 기준은 상이하게 설정될 수 있다. 예를 들면, 유효선량당량(effective dose equivalent)이 약 0.7 mSv 보다 큰 값인지 작은 값인지에 따라 저선량 CT 영상 혹은 고선량 CT 영상으로 분류될 수 있다.
또한, 상기 의료영상(100)인 폐암선별 CT 영상은 상대적으로 관상동맥 CT 영상에 비하여 대상체의 움직임에 취약하여 영상 내 왜곡 발생 빈도가 높을 수 있다. 도 9에 도시된 바와 같이 도 9의 (a)인 관상동맥 CT 영상에 비하여 도 9의 (b)에 도시된 폐암선별 CT 영상이 움직임에 취약하여 영상이 왜곡된 상태가 확인된다.
더불어, 상기 의료영상(100)인 폐암선별 CT 영상은 상대적으로 관상동맥 CT 영상에 비하여 해상도가 낮은 CT 영상일 수 있다. 즉, 의료영상(100)은 저해상도 영상일 수 있고, 레퍼런스영상(200)은 고해상도 영상일 수 있다.
도 5 및 도 6은 본 발명의 일 실시 예에 따른 의료영상 처리 방법에 있어서, 입력된 저선량영상(700)이 보정되는 과정을 나타낸 예시도이다.
도 5 및 도 6을 참조하면, 본 발명의 일 실시 예에 따른 의료영상 처리 방법에 있어서, 저선량영상(700)이 입력되는 단계(S500), 입력된 저선량영상(700)에 대하여 보정모델(300)을 이용하여 보정이 수행되는 단계(S600) 및 보정모델(300)에 따라 생성된 보정영상(800)이 출력되는 단계(S700)가 포함될 수 있다.
S500 단계에서 저선량영상(700)은 사용자 단말(80)을 이용하여 입력될 수 있다. 상기 저선량영상(700)은 S100 - S400 과정에서 생성된 보정모델(300)을 이용하여 보정의 대상이 되는 영상으로, 상기 저선량영상(700)은 저선량 CT 영상일 수 있다. 즉, 상기 저선량영상(700)의 유효선량당량은 약 0.65 mSv(0.3 ～ 0.55 mSv)일 수 있다. 또한, 상기 저선량영상(700)은 저해상도 영상일 수 있다.
이와는 달리, S700 단계에서 사용자 단말(80)로 출력되는 보정영상(800)은 상기 저선량영상(700)에 대하여 보정모델(300)을 이용하여 생성된 영상으로, 고선량 CT 영상일 수 있다. 또한, 상기 보정영상(800)은 고해상도 영상일 수 있다.
사용자는 피검사자의 의료영상(100)을 이용하여 질병 혹은 질환을 진단하거나 진단을 보조하는 자료로 이용하고자 하는 검사자 혹은 전문의료인에 해당될 수 있다. 또한, 사용자 단말(80)은 피검사자의 저선량영상(700)을 입력한 결과에 따라 수신한 보정영상(800)을 사용자에게 표시할 수 있는 디바이스를 지칭한다. 또한, 상기 사용자 단말(80)은 사용자가 피검사자의 질환 혹은 질병의 진단 시 보조적으로 활용가능한 디바이스일 수 있다. 사용자 단말(80)은 다양한 형태의 디바이스일 수 있으며, 상기 사용자 단말(80)에는 개인PC, 스마트폰, 태블릿PC 등이 포함될 수 있다.
상기 보정모델(300)은 S400 단계에서 머신러닝 알고리즘에 따라 학습 및 생성되어 상기 모델 데이터베이스(520)에 저장된 모델일 수 있다. 즉, 대상질병, 피검사자의 성별, 나이, 인종, 질병이력 및 수술이력 중 적어도 어느 하나에 따라 구분되어 생성된 모델일 수 있다.
상기 입력된 저선량영상(700)을 보정하기 위한 보정모델(300)은 모델 데이터베이스(520)로부터 결정될 수 있다. 대상질병, 피검사자의 나이, 성별, 인종, 질병이력, 수술이력 등의 피검사자 데이터가 상기 저선량영상(700)과 함께 사용자 단말(80)로부터 입력될 수 있으므로, 상기 S600 단계에서는 상기 입력된 피검사자 데이터에 기초하여 보정모델(300)이 결정될 수 있다. 이와는 달리, 상기 보정모델(300)은 사용자 단말(80)로부터 입력된 선택신호에 기초하여 결정될 수 있다.
또한, 본 발명의 일 실시 예에 따른 의료영상 처리 방법에 있어서, S600 단계 이후에는 입력된 저선량영상(700)에 대하여 보정모델(300)을 이용하여 보정이 수행되는 단계(S600)의 보정 결과에 기초하여 보정모델(300)이 갱신되는 단계가 더 포함될 수 있다. 즉, 보정모델(300)은 의료영상(100)과 대응되는 레퍼런스영상(200)만을 이용하여 학습되는 것이 아니라, 사용자 단말(80)로부터 입력된 저선량영상(700)에 대하여 보정된 결과에 기초하여 갱신됨으로써 학습이 지속적으로 수행될 수 있다.
본 발명의 일 실시 예로써, 의료영상 처리 시스템이 제공될 수 있다.
본 발명의 일 실시 예에 따른 의료영상 처리 시스템은 의료영상(100) 및 의료영상(100)에 대응되는 레퍼런스영상(200)이 획득되어 영상 데이터베이스(510)에 저장되는 영상획득부, 레퍼런스영상(200)을 기준으로 의료영상(100)에 대하여 보정이 수행되는 보정수행부, 의료영상(100)의 보정 결과에 대하여 머신러닝 알고리즘에 기초하여 학습되는 학습부 및 학습된 결과에 기초하여 의료영상(100)에 대한 보정모델(300)이 생성되는 모델생성부가 포함될 수 있다.
본 발명의 일 실시 예로써, 전술한 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체가 제공될 수 있다.
한편, 전술한 방법은 컴퓨터에서 실행될 수 있는 프로그램으로 작성 가능하고, 컴퓨터 판독 가능 매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 또한, 상술한 방법에서 사용된 데이터의 구조는 컴퓨터 판독 가능 매체에 여러 수단을 통하여 기록될 수 있다. 본 발명의 다양한 방법들을 수행하기 위한 실행 가능한 컴퓨터 프로그램이나 코드를 기록하는 기록 매체는, 반송파(carrier waves)나 신호들과 같이 일시적인 대상들은 포함하는 것으로 이해되지는 않아야 한다. 상기 컴퓨터 판독 가능 매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스크, 하드 디스크 등), 광학적 판독 매체(예를 들면, 시디롬, DVD 등)와 같은 저장 매체를 포함할 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
80: 사용자 단말
100: 의료영상
200: 레퍼런스영상
300: 보정모델
510: 영상 데이터베이스
520: 모델 데이터베이스
700: 저선량영상
800: 보정영상

Claims (9)

  1. 의료영상 처리 방법에 있어서,
    영상 데이터베이스로부터 의료영상 및 상기 의료영상에 대응되는 레퍼런스영상이 획득되는 단계;
    상기 레퍼런스영상을 기준으로 상기 의료영상에 대하여 보정이 수행되는 단계;
    상기 의료영상의 보정 결과에 대하여 머신러닝 알고리즘에 기초하여 학습되는 단계; 및
    상기 학습된 결과에 기초하여 의료영상에 대한 보정모델이 생성되는 단계가 포함되는 의료영상 처리 방법.
  2. 제 1 항에 있어서,
    상기 보정이 수행되는 단계에서는 상기 의료영상에서 대상체의 움직임에 따라 발생된 왜곡이 보정되고 상기 보정에 따른 픽셀 값이 보상되는 의료영상 처리 방법.
  3. 제 1 항에 있어서,
    상기 영상 데이터베이스에 저장되는 단계 이후, 상기 보정이 수행되는 단계 이전에, 상기 의료영상 및 상기 레퍼런스영상을 비교하고 분석한 결과에 기초하여 상기 의료영상에 대한 관심영역이 설정되는 단계가 더 포함되고,
    상기 보정이 수행되는 단계에서는 상기 의료영상에 설정된 관심영역에 대하여 보정이 수행되는 의료영상 처리 방법.
  4. 제 1 항에 있어서,
    상기 의료영상은 폐암 선별(Lung cancer screening) CT영상이고, 상기 레퍼런스영상은 관상동맥(Coronary artery) CT영상인, 의료영상 처리 방법.
  5. 제 1 항에 있어서,
    저선량영상이 입력되는 단계;
    상기 입력된 저선량영상에 대하여 상기 보정모델을 이용하여 보정이 수행되는 단계; 및
    상기 보정모델에 따라 생성된 보정영상이 출력되는 단계가 포함되는 의료영상 처리 방법.
  6. 제 5 항에 있어서,
    상기 입력된 저선량영상에 대하여 상기 보정모델을 이용하여 보정이 수행되는 단계의 보정 결과에 기초하여 상기 보정모델이 갱신되는 단계가 더 포함되는 의료영상 처리 방법.

  7. 제 1 항에 있어서,
    상기 의료영상의 보정 결과에 대하여 머신러닝 알고리즘에 기초하여 학습되는 단계에서는 상기 의료영상의 보정 결과에 대하여 대상질병, 피검사자의 성별, 나이, 인종, 질병이력 및 수술이력 중 적어도 어느 하나에 따라 구분되어 학습되고,
    상기 학습된 결과에 기초하여 의료영상에 대한 보정모델이 생성되는 단계에서는 상기 대상질병, 피검사자의 성별, 나이, 인종, 질병이력 및 수술이력 중 적어도 어느 하나에 따라 보정모델이 구분되어 생성되는 의료영상 처리 방법.
  8. 의료영상 처리 시스템에 있어서,
    의료영상 및 상기 의료영상에 대응되는 레퍼런스영상이 획득되어 영상 데이터베이스에 저장되는 영상획득부;
    상기 레퍼런스영상을 기준으로 상기 의료영상에 대하여 보정이 수행되는 보정수행부;
    상기 의료영상의 보정 결과에 대하여 머신러닝 알고리즘에 기초하여 학습되는 학습부; 및
    상기 학습된 결과에 기초하여 의료영상에 대한 보정모델이 생성되는 모델생성부가 포함되는 의료영상 처리 시스템.
  9. 제 1 항 내지 제 7 항 중 어느 한 항의 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체.
KR1020190066068A 2019-06-04 2019-06-04 의료영상 처리 방법 KR102254365B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190066068A KR102254365B1 (ko) 2019-06-04 2019-06-04 의료영상 처리 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190066068A KR102254365B1 (ko) 2019-06-04 2019-06-04 의료영상 처리 방법

Publications (2)

Publication Number Publication Date
KR20200139491A true KR20200139491A (ko) 2020-12-14
KR102254365B1 KR102254365B1 (ko) 2021-05-21

Family

ID=73780118

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190066068A KR102254365B1 (ko) 2019-06-04 2019-06-04 의료영상 처리 방법

Country Status (1)

Country Link
KR (1) KR102254365B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102354826B1 (ko) * 2021-08-04 2022-02-08 (주)비씨앤컴퍼니 치과용 임상사진 관리 시스템 및 그 방법
KR102531626B1 (ko) * 2022-11-11 2023-05-11 (주)비씨앤컴퍼니 인공지능에 의한 임상이미지 획득 방법 및 그 장치

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100450278B1 (ko) 2001-08-31 2004-09-24 버츄얼아이테크 주식회사 의료영상 처리 시스템 및 처리방법
KR20140042461A (ko) * 2012-09-28 2014-04-07 삼성전자주식회사 영상을 생성하는 방법 및 장치
KR20180008130A (ko) * 2016-07-15 2018-01-24 연세대학교 산학협력단 회선 신경망을 이용하여 관상동맥 영상에서의 움직임을 보정하기 위한 방법
KR101857624B1 (ko) * 2017-08-21 2018-05-14 동국대학교 산학협력단 임상 정보를 반영한 의료 진단 방법 및 이를 이용하는 장치
KR101955498B1 (ko) * 2018-07-19 2019-03-08 엘아이지넥스원 주식회사 신경망 구조를 이용한 적외선 영상 보정 장치 및 그 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100450278B1 (ko) 2001-08-31 2004-09-24 버츄얼아이테크 주식회사 의료영상 처리 시스템 및 처리방법
KR20140042461A (ko) * 2012-09-28 2014-04-07 삼성전자주식회사 영상을 생성하는 방법 및 장치
KR20180008130A (ko) * 2016-07-15 2018-01-24 연세대학교 산학협력단 회선 신경망을 이용하여 관상동맥 영상에서의 움직임을 보정하기 위한 방법
KR101857624B1 (ko) * 2017-08-21 2018-05-14 동국대학교 산학협력단 임상 정보를 반영한 의료 진단 방법 및 이를 이용하는 장치
KR101955498B1 (ko) * 2018-07-19 2019-03-08 엘아이지넥스원 주식회사 신경망 구조를 이용한 적외선 영상 보정 장치 및 그 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102354826B1 (ko) * 2021-08-04 2022-02-08 (주)비씨앤컴퍼니 치과용 임상사진 관리 시스템 및 그 방법
KR102531626B1 (ko) * 2022-11-11 2023-05-11 (주)비씨앤컴퍼니 인공지능에 의한 임상이미지 획득 방법 및 그 장치

Also Published As

Publication number Publication date
KR102254365B1 (ko) 2021-05-21

Similar Documents

Publication Publication Date Title
US11715212B2 (en) Heatmap and atlas
KR102254365B1 (ko) 의료영상 처리 방법
JP2022076477A (ja) 医用情報処理装置、医用情報処理システム及び医用情報処理方法
US8170314B2 (en) Image processing device and image processing program storage medium
US9918685B2 (en) Medical image processing apparatus and method for medical image processing
US10600182B2 (en) Image processing apparatus and image processing method, that determine a conformable image
JP2005270635A (ja) 画像処理方法及び処理装置
US20240074738A1 (en) Ultrasound image-based identification of anatomical scan window, probe orientation, and/or patient position
US20230223136A1 (en) System and method for analysis of medical image data based on an interaction of quality metrics
JP5051025B2 (ja) 画像生成装置、プログラム、および画像生成方法
US20210150739A1 (en) Capturing a misalignment
EP3654251A1 (en) Determining a processing sequence for processing an image
EP3913574B1 (en) Anatomical landmark detection and identification from digital radiography images containing severe skeletal deformations
KR102622932B1 (ko) 딥러닝을 이용한 하지 x선 이미지 자동 분석 장치 및 방법
EP4145463A1 (en) Method for providing medical imaging decision support data and method for providing ground truth in 2d image space
US20220230328A1 (en) Information processing apparatus, information processing method, and non-transitory storage medium
JP4567395B2 (ja) 血管撮影画像処理装置及び血管撮影画像処理方法及び血管撮影画像処理プログラム
US11836923B2 (en) Image processing apparatus, image processing method, and storage medium
US20230274424A1 (en) Appartus and method for quantifying lesion in biometric image
KR20220136225A (ko) 인공지능 모델의 결과에 대한 신뢰 정보 제공 방법 및 장치
Ma Motion artifact evaluation of coronary CT angiography images
JP2022074841A (ja) 医用データ処理装置及び医用データ処理方法
JP2023092327A (ja) 情報処理装置及びプログラム
JP2023168719A (ja) 医用画像処理装置
CN114554964A (zh) 计算机实施的用于自动分析在解剖结构的医学图像上执行的测量中的偏差的方法

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right