KR20210005699A - 초음파 단층 촬영 이미지에 대한 특징 추출 및 분류를 위한 시스템 및 방법 - Google Patents
초음파 단층 촬영 이미지에 대한 특징 추출 및 분류를 위한 시스템 및 방법 Download PDFInfo
- Publication number
- KR20210005699A KR20210005699A KR1020207034160A KR20207034160A KR20210005699A KR 20210005699 A KR20210005699 A KR 20210005699A KR 1020207034160 A KR1020207034160 A KR 1020207034160A KR 20207034160 A KR20207034160 A KR 20207034160A KR 20210005699 A KR20210005699 A KR 20210005699A
- Authority
- KR
- South Korea
- Prior art keywords
- metric
- interest
- sound
- region
- sound propagation
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 367
- 238000002604 ultrasonography Methods 0.000 title description 57
- 238000003325 tomography Methods 0.000 title description 31
- 238000000605 extraction Methods 0.000 title description 18
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 215
- 208000031513 cyst Diseases 0.000 claims abstract description 31
- 230000005540 biological transmission Effects 0.000 claims abstract description 23
- 230000003902 lesion Effects 0.000 claims description 221
- 238000009877 rendering Methods 0.000 claims description 210
- 238000010801 machine learning Methods 0.000 claims description 78
- 230000000877 morphologic effect Effects 0.000 claims description 60
- 230000003211 malignant effect Effects 0.000 claims description 59
- 230000035945 sensitivity Effects 0.000 claims description 37
- 201000011510 cancer Diseases 0.000 claims description 29
- 238000012706 support-vector machine Methods 0.000 claims description 26
- 206010001233 Adenoma benign Diseases 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 20
- 206010011732 Cyst Diseases 0.000 claims description 19
- 230000002238 attenuated effect Effects 0.000 claims description 19
- 230000003044 adaptive effect Effects 0.000 claims description 16
- 208000003200 Adenoma Diseases 0.000 claims description 13
- 238000003708 edge detection Methods 0.000 claims description 13
- 239000000203 mixture Substances 0.000 claims description 6
- 208000007659 Fibroadenoma Diseases 0.000 abstract description 24
- 210000001519 tissue Anatomy 0.000 description 255
- 238000004422 calculation algorithm Methods 0.000 description 138
- 210000000481 breast Anatomy 0.000 description 65
- 230000011218 segmentation Effects 0.000 description 55
- 238000003066 decision tree Methods 0.000 description 54
- 238000012549 training Methods 0.000 description 51
- 238000004458 analytical method Methods 0.000 description 29
- 238000003384 imaging method Methods 0.000 description 28
- 230000015654 memory Effects 0.000 description 23
- 230000000670 limiting effect Effects 0.000 description 22
- 230000006870 function Effects 0.000 description 21
- 238000012545 processing Methods 0.000 description 17
- 238000004590 computer program Methods 0.000 description 16
- 201000003149 breast fibroadenoma Diseases 0.000 description 15
- 238000011156 evaluation Methods 0.000 description 15
- 238000000513 principal component analysis Methods 0.000 description 13
- 238000013459 approach Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000004044 response Effects 0.000 description 10
- 230000006872 improvement Effects 0.000 description 9
- 238000001514 detection method Methods 0.000 description 8
- 238000006073 displacement reaction Methods 0.000 description 8
- 230000001788 irregular Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000012512 characterization method Methods 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 6
- 238000002156 mixing Methods 0.000 description 6
- 210000000779 thoracic wall Anatomy 0.000 description 6
- 210000000577 adipose tissue Anatomy 0.000 description 5
- 238000007635 classification algorithm Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000013500 data storage Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 238000002595 magnetic resonance imaging Methods 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 239000000523 sample Substances 0.000 description 4
- 210000004003 subcutaneous fat Anatomy 0.000 description 4
- 238000009966 trimming Methods 0.000 description 4
- 206010006187 Breast cancer Diseases 0.000 description 3
- 208000026310 Breast neoplasm Diseases 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 3
- 239000002775 capsule Substances 0.000 description 3
- 239000002131 composite material Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003628 erosive effect Effects 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 210000002445 nipple Anatomy 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 229920001621 AMOLED Polymers 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 208000030270 breast disease Diseases 0.000 description 2
- 238000004883 computer application Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000036210 malignancy Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 239000013610 patient sample Substances 0.000 description 2
- 238000013138 pruning Methods 0.000 description 2
- 238000010244 region-of-interest analysis Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 239000010979 ruby Substances 0.000 description 2
- 229910001750 ruby Inorganic materials 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000007493 shaping process Methods 0.000 description 2
- 238000002922 simulated annealing Methods 0.000 description 2
- 239000010454 slate Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000251730 Chondrichthyes Species 0.000 description 1
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 1
- 201000005171 Cystadenoma Diseases 0.000 description 1
- 241000283157 Delphinus Species 0.000 description 1
- 241000288113 Gallirallus australis Species 0.000 description 1
- 240000000594 Heliconia bihai Species 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 206010027476 Metastases Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000013535 dynamic contrast enhanced MRI Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000007427 paired t-test Methods 0.000 description 1
- FROBCXTULYFHEJ-OAHLLOKOSA-N propaquizafop Chemical compound C1=CC(O[C@H](C)C(=O)OCCON=C(C)C)=CC=C1OC1=CN=C(C=C(Cl)C=C2)C2=N1 FROBCXTULYFHEJ-OAHLLOKOSA-N 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000010255 response to auditory stimulus Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- WZWYJBNHTWCXIM-UHFFFAOYSA-N tenoxicam Chemical compound O=C1C=2SC=CC=2S(=O)(=O)N(C)C1=C(O)NC1=CC=CC=N1 WZWYJBNHTWCXIM-UHFFFAOYSA-N 0.000 description 1
- 229960002871 tenoxicam Drugs 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
- 238000007473 univariate analysis Methods 0.000 description 1
- 238000012037 user site testing Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0825—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of the breast, e.g. mammography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0833—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures
- A61B8/085—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures for locating body or organic structures, e.g. tumours, calculi, blood vessels, nodules
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/13—Tomography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/42—Details of probe positioning or probe attachment to the patient
- A61B8/4272—Details of probe positioning or probe attachment to the patient involving the acoustic interface between the transducer and the tissue
- A61B8/4281—Details of probe positioning or probe attachment to the patient involving the acoustic interface between the transducer and the tissue characterised by sound-transmitting media or devices for coupling the transducer to the tissue
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/46—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient
- A61B8/467—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient characterised by special input means
- A61B8/469—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient characterised by special input means for selection of a region of interest
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/48—Diagnostic techniques
- A61B8/483—Diagnostic techniques involving the acquisition of a 3D volume of data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
- A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/08—Volume rendering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/259—Fusion by voting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30068—Mammography; Breast
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Abstract
피험자의 조직의 투과 및/또는 반사 이미지를 수신하고 - 이미지는 조직을 통해 전달되는 음향 파형으로부터 유도된 음향 신호로부터 생성됨 - ; 사용자가 선택한 관심 구역과 관련된 예후 파라미터의 세트를 제공하고 - 예후 파라미터의 세트는 조직 내에서의 사운드 전파를 특징짓는 사운드 전파 메트릭을 포함하고, 예후 파라미터의 세트는 조직 분류기 모델로의 입력에 대응하고, 예후 파라미터의 세트는 관련된 특징 그룹의 복수의 서브 세트를 포함함 - ; 및 분류기 모델을 사용하여 관련된 특징 그룹의 상기 복수의 서브 세트에 기초하여 피험자의 조직의 유형을 결정하기 위한 - 조직의 유형은 암성 종양, 섬유 선종, 낭종, 비-특이적 양성 종괴, 및 식별 불가능한 종괴임 - 시스템, 프로세서, 또는 명령어로 구성된 컴퓨터 판독 가능 매체가 본 명세서에 개시된다.
Description
상호 참조
본 출원은 2018년 4월 27일에 출원된 미국 가출원 일련 번호 62/664,038 및 2019년 4월 24일에 출원된 미국 가출원 일련 번호 62/838,174의 이익을 주장하며, 이들 출원은 모두 그 전체가 본 참조에 의해 여기에 통합된다.
유방암은 여성 중에서의 암 사망의 주요 원인들 중 하나일 수 있다. 유방 질환을 조기에 검출하면 사망률의 감소로 이어질 수 있다. 그러나, 현재 유방암 검진 기준의 민감도 및 특이도에 문제가 있다. 이러한 문제는 암 발병 위험이 높은 치밀 유방(dense breasts)을 가진 젊은 여성의 서브 세트 내에서 상당하다.
조직 유형을 식별하기 위한 초음파 이미징에 대한 이전의 접근법은 덜 이상적일 수 있으며, 적어도 일부 경우에서 조직 유형을 정확하게 식별하지 못할 수 있다. 예를 들어, 숙련된 기술자 또는 조작자에게 의존하는 것은 다소 시간이 걸릴 수 있다. 또한, 이미징 양식의 이전 사용은 이상적인 것보다 적은 정보를 전달할 수 있다. 임상 환경에서, 방사선 전문의 또는 다른 의료 전문가는 스캐닝된 환자의 이미지(예를 들어, 초음파 단층 촬영 이미지)를 검토하고, 보이는 것에 따라 진단을 내릴 수 있다. 특히, 방사선 전문의는 자신의 경험 및 훈련에 의존하여 임의의 초점 이미징 비정상이 존재하는지 여부를 결정한다. 그러나, 이러한 결정이 항상 올바른 것은 아니다. 방사선 전문의들은 동일한 이미지를 다르게 검토할 수 있으며, 방사선 전문의들이 훈련 수준이 다르거나 또는 훈련을 다르게 받은 경우, 이러한 차이는 더욱 과장될 수 있다. 객관적인 데이터가 아닌 조작자의 지식 및 기술에 의존하면 덜 이상적인 결과가 제공될 수 있다.
조직 유형을 결정하기 위해 머신 학습이 제안되었지만, 머신 학습의 이전 사용은 적어도 일부 경우에서 덜 이상적인 결과를 제공할 수 있다. 예를 들어, 입력 데이터는 덜 이상적일 수 있으며, 완전히 또는 적절하게 활용되지 않을 수 있다. 또한, 머신 학습에 대한 이전 접근법 중 일부는 덜 정확한 입력 파라미터에 의존할 수 있으므로, 이에 따라 적어도 일부 경우에는 덜 이상적인 정확도, 민감도 및 특이도가 생성된다. 또한, 입력 데이터의 조합이 덜 이상적으로 활용될 수 있으므로, 이에 따라 적어도 일부 경우에 정확도, 민감도 및 특이도가 감소할 수 있다.
위의 관점에서, 개선된 정확도로 초음파 이미지의 조직을 평가하기 위한 개선된 방법 및 장치에 대한 필요성이 존재한다.
본 명세서에 개시된 방법 및 장치는 일정 체적의 조직에서 병변의 개선된 식별을 제공한다. 방법 및 장치는 관련 특징의 서브 세트와 같은 입력 파라미터로서 복수의 관련 특징을 사용하여 머신 학습에 의해 지원되는 특징 추출 및 특징화(characterization)를 사용할 수 있다. 관련 특징 그룹의 서브 세트를 사용하면 정확도, 민감도 및 특이도가 향상될 수 있다. 관련 특징의 복수의 서브 세트는 관련 사운드 속도 특징, 관련 사운드 감쇠 특징, 및 관련 반사 특징을 포함할 수 있다. 관련된 사운드 속도 특징은 평균, 표준 편차, 왜도(skewness) 및 첨도(kurtosis)를 포함할 수 있다. 사운드 속도의 가상 성분 또는 벌크 측정을 통해 생성된 관련 감쇠 특성은 평균, 표준 편차, 왜도 및 첨도를 포함할 수 있다. 관련 반사 특징은 반사 특징의 평균, 편차 표준, 왜도 및 첨도를 포함할 수 있다. 파형 향상된 사운드 속도 또는 스티프니스(stiffness) 이미징과 같은 관련 유도된 이미징 양식은 반사 특징의 평균, 편차 표준, 왜도 및 첨도를 포함할 수 있다. 사운드 속도 특성, 감쇠 특성, 반사 특성 및 유도된 특성에 해당하는 각 서브 세트는 조직 유형의 결정의 향상된 정확도를 얻기 위해 분류기에 입력될 수 있다. 이러한 특징은 머신 학습 알고리즘(들)에 기반한 이미지 데이터 분할, 특징 추출, 특징 선택, 및 조직 분류와 함께 사용될 수 있다. 일부 실시예에서, 방법 및 장치는 분류 정확도를 개선하기 위해 특징 서브 세트(예를 들어, 단일 특징 클래스 또는 다중 클래스로부터의 특징)의 선택을 위해 구성된다.
본 명세서에 개시된 방법 및 장치는 사운드 속도 특징, 반사 특징, 감쇠 특징, 및 유도된 이미징 양식 특징에 응답하여 일련의 단계를 갖는 머신 학습 기술을 사용하여 초음파 이미지(예를 들어, 초음파 단층 촬영)의 조직 특징화를 수행하도록 구성될 수 있다. 일부 실시예에서, 상이한 유형의 조직 및 종괴의 예들을 포함하는 이미지의 세트가 생성될 수 있다. 이 경우 훈련된 방사선 전문의는 관심 구역(ROI) 마스크(예를 들어, 바이너리)를 생성하여 관심 조직을 찾고 분할할 수 있다. 그런 다음 관련 서브 세트를 사용하여 ROI로부터 특징을 추출할 수 있다. 특징 선택 기술(들)을 사용하여, 그 후 가장 관련성이 높은 특징을 공급하여 머신 학습 분류기 모델을 훈련시킨다. 훈련된 분류기는 그 후 알려지지 않은 조직 샘플로부터의 특징을 공급 받아, 관련 특징 서브 세트에 대한 응답으로 알려지지 않은 조직 샘플에 대한 라벨 또는 분류를 결정할 수 있다.
일 양태에서, 일정 체적의 조직의 병변을 특징짓기 위한 컴퓨터 구현 방법이 제공된다. 방법은: 복수의 음향 렌더링(acoustic renderings)을 수신하는 단계 - 음향 렌더링은 상기 체적의 조직을 통한 사운드 전파의 표현을 포함하고, 복수의 음향 렌더링은 적어도 투과 렌더링 및 반사 렌더링을 포함함 - ; 예후 파라미터의 세트를 결정하는 단계 - 예후 파라미터의 세트는 복수의 음향 렌더링으로부터 유도된 하나 또는 복수의 사운드 전파 메트릭을 포함함 - ; 예후 파라미터의 세트의 각 요소에 예측 값을 할당하는 단계 - 예측 값은 복수의 분류된 음향 렌더링에 기초함 - ; 예후 파라미터의 세트의 서브 세트로부터 분류기 모델을 형성하는 단계 - 서브 세트는 예후 파라미터의 세트의 적어도 서브 세트 각각의 예측 값에 기초하여 결정됨 - ; 및 분류기 모델을 사용하여 점수를 계산하는 단계 - 점수는 병변이 분류에 속할 확률과 관련됨 - 를 포함할 수 있다.
일부 실시예에서, 병변은 암, 섬유 선종, 낭종, 비-특이적 양성 종괴, 또는 식별 불가능한 종괴를 포함한다. 일부 실시예에서, 복수의 음향 렌더링은 조합된 음향 렌더링을 포함한다. 일부 실시예에서, 조합된 음향 렌더링은 복수의 반사 렌더링을 포함한다. 일부 실시예에서, 조합된 렌더링은 복수의 투과 렌더링을 포함한다. 일부 실시예에서, 조합된 렌더링은 적어도 하나의 반사 렌더링 및 적어도 하나의 투과 렌더링을 포함한다. 일부 실시예에서, 투과 렌더링은 사운드 속도 렌더링 또는 감쇠 렌더링을 포함한다. 일부 실시예에서, 예후 파라미터는 관심 구역과 관련된 사운드 속도 메트릭을 포함한다. 일부 실시예에서, 관심 구역은 사용자 선택 관심 구역이다. 일부 실시예에서, 관심 구역은 병변의 적어도 일부를 포함한다. 일부 실시예에서, 관심 구역은 2 차원 관심 구역을 포함한다. 일부 실시예에서, 관심 구역은 에지 검출을 통해 적어도 부분적으로 결정된다. 일부 실시예에서, 관심 구역은 예후 파라미터의 세트를 사용하여 적어도 부분적으로 선택된다. 일부 실시예에서, 2 차원 관심 구역은 3 차원 관심 구역을 생성하는 데 사용된다. 일부 실시예에서, 마스크는 상기 관심 구역에 기초하여 생성된다. 일부 실시예에서, 예후 파라미터의 세트는 상기 관심 구역에 기초한다. 일부 실시예에서, 예후 파라미터의 세트는 관심 구역의 사용자 할당 분류를 포함한다. 일부 실시예에서, 사용자 할당 분류는 종괴 경계 점수이다. 일부 실시예에서, 예후 파라미터의 세트는 병변의 적어도 하나의 형태학적 메트릭을 포함한다. 일부 실시예에서, 형태학적 메트릭은 원형도, 형상의 불규칙성, 마진의 불규칙성, 및 마진의 평활도 중 적어도 하나를 포함한다. 일부 실시예에서, 예후 파라미터의 세트는 퍼지니스(fuzziness)를 포함한다. 일부 실시예에서, 상기 퍼지니스는 병변의 경계에 속한다. 일부 실시예에서, 예후 파라미터의 세트는 크리스피니스(crispiness)를 포함한다. 일부 실시예에서, 상기 크리스피니스는 병변의 마진에 속한다. 일부 실시예에서, 예후 파라미터의 세트는 관심 구역의 적어도 하나의 텍스처 메트릭(texture metric)을 포함한다. 일부 실시예에서, 텍스처 메트릭은 에지 정도(edgeness), 그레이 레벨 동시 발생 매트릭스(grey level co-occurrence matrix), 및 로의 텍스처 맵(Law's texture map) 중 적어도 하나를 포함한다. 일부 실시예에서, 하나 또는 복수의 사운드 전파 메트릭은 관심 구역 내부의 사운드 전파를 특징짓는다. 일부 실시예에서, 하나 또는 복수의 사운드 전파 메트릭은 관심 구역 외부의 사운드 전파를 특징짓는다. 일부 실시예에서, 제 1 사운드 전파 메트릭은 관심 구역 내부의 사운드 전파를 특징짓고, 제 2 사운드 전파 메트릭은 관심 구역 외부의 사운드 전파를 특징짓는다. 일부 실시예에서, 하나 또는 복수의 사운드 전파 메트릭은 평균, 표준 편차, 왜도, 및 첨도 중 적어도 하나를 포함한다. 일부 실시예에서, 하나 또는 복수의 사운드 전파 메트릭은 사운드 속도, 사운드 감쇠, 및 사운드 반사 중 적어도 하나를 특징짓는다. 일부 실시예에서, 하나 또는 복수의 사운드 전파 메트릭은 적어도 사운드 속도 메트릭 및 반사 메트릭을 포함한다. 일부 실시예에서, 하나 또는 복수의 사운드 전파 메트릭은 적어도 사운드 속도 메트릭, 반사 메트릭, 및 감쇠 메트릭을 포함한다. 일부 실시예에서, 하나 또는 복수의 사운드 전파 메트릭은 적어도 사운드 속도 메트릭, 반사 메트릭, 감쇠 메트릭, 및 사용자 정의 점수를 포함한다. 일부 실시예에서, 하나 또는 복수의 사운드 전파 메트릭은 적어도 사운드 속도 메트릭, 반사 메트릭, 감쇠 메트릭, 및 형태학적 메트릭을 포함한다. 일부 실시예에서, 하나 또는 복수의 사운드 전파 메트릭은 적어도 사운드 속도 메트릭, 반사 메트릭, 감쇠 메트릭, 형태학적 메트릭, 및 사용자 정의 점수를 포함한다. 일부 실시예에서, 예후 파라미터의 세트가 트리밍된다(trimmed). 일부 실시예에서, 복수의 서브 세트 중 하나는 사운드 속도를 특징짓는 하나 또는 복수의 사운드 전파 메트릭을 포함한다. 일부 실시예에서, 복수의 서브 세트 중 하나는 사운드 감쇠를 특징짓는 하나 또는 복수의 사운드 전파 메트릭을 포함한다. 일부 실시예에서, 복수의 서브 세트 중 하나는 사운드 반사를 특징짓는 하나 또는 복수의 사운드 전파 메트릭을 포함한다. 일부 실시예에서, 분류기 모델은 적어도 85 %의 민감도 및 적어도 84 %의 특이도로 조직의 유형을 결정한다. 일부 실시예에서, 분류기 모델은 조직을 분류하기에 충분한 하나 이상의 예후 파라미터의 임계값을 결정한다. 일부 실시예에서, 분류기 모델은 하나 이상의 예후 파라미터의 상대적인 통계적 정확도를 결정한다. 일부 실시예에서, 분류기 모델은 조직을 분류하기에 충분한 상기 서브 세트 예후 파라미터의 임계값을 결정한다. 일부 실시예에서, 분류기는 병변이 악성 병변일 가능성을 결정한다. 일부 실시예에서, 병변이 악성 병변일 가능성은 백분율로 표현된다. 일부 실시예에서, 분류기 모델은 머신 학습 기술을 사용하여 생성된다. 일부 실시예에서, 머신 학습 기술은 지원 벡터 머신을 포함한다.
다른 양태에서, 유형 매체를 포함하는 프로세서가 제공된다. 유형 매체는 복수의 음향 렌더링을 수신하고 - 음향 렌더링은 상기 체적의 조직을 통한 사운드 전파의 표현을 포함하고, 복수의 음향 렌더링은 적어도 투과 렌더링 및 반사 렌더링을 포함함 - ; 예후 파라미터의 세트를 결정하고 - 예후 파라미터의 세트는 복수의 음향 렌더링으로부터 유도된 하나 또는 복수의 사운드 전파 메트릭을 포함함 - ; 예후 파라미터의 세트의 각 요소에 예측 값을 할당하고 - 예측 값은 복수의 분류된 음향 렌더링에 기초함 - ; 예후 파라미터의 세트의 서브 세트로부터 분류기 모델을 형성하고 - 서브 세트는 예후 파라미터의 세트의 적어도 서브 세트 각각의 예측 값에 기초하여 결정됨 - ; 및 분류기 모델을 사용하여 점수를 계산하기 위한 - 점수는 병변이 분류에 속할 확률과 관련됨 - 명령어로 구성될 수 있다.
일부 실시예에서, 병변은 암, 섬유 선종, 낭종, 비-특이적 양성 종괴 또는 식별 불가능한 종괴를 포함한다. 일부 실시예에서, 복수의 음향 렌더링은 조합된 음향 렌더링을 포함한다. 일부 실시예에서, 조합된 음향 렌더링은 복수의 반사 렌더링을 포함한다. 일부 실시예에서, 조합된 렌더링은 복수의 투과 렌더링을 포함한다. 일부 실시예에서, 조합된 렌더링은 적어도 하나의 반사 렌더링 및 적어도 하나의 투과 렌더링을 포함한다. 일부 실시예에서, 투과 렌더링은 사운드 속도 렌더링 또는 감쇠 렌더링을 포함한다. 일부 실시예에서, 예후 파라미터는 관심 구역과 관련된 사운드 속도 메트릭을 포함한다. 일부 실시예에서, 관심 구역은 사용자가 선택한 관심 구역이다. 일부 실시예에서, 관심 구역은 병변의 적어도 일부를 포함한다. 일부 실시예에서, 관심 구역은 2 차원 관심 구역을 포함한다. 일부 실시예에서, 관심 구역은 에지 검출을 통해 적어도 부분적으로 결정된다. 일부 실시예에서, 관심 구역은 예후 파라미터의 세트를 사용하여 적어도 부분적으로 선택된다. 일부 실시예에서, 2 차원 관심 구역은 3 차원 관심 구역을 생성하는 데 사용된다. 일부 실시예에서, 마스크는 상기 관심 구역에 기초하여 생성된다. 일부 실시예에서, 예후 파라미터의 세트는 상기 관심 구역에 기초한다. 일부 실시예에서, 예후 파라미터의 세트는 관심 구역의 사용자 할당 분류를 포함한다. 일부 실시예에서, 사용자 할당 분류는 종괴 경계 점수이다. 일부 실시예에서, 예후 파라미터의 세트는 병변의 적어도 하나의 형태학적 메트릭을 포함한다. 일부 실시예에서, 형태학적 메트릭은 원형도, 형상의 불규칙성, 마진의 불규칙성, 및 마진의 평활도 중 적어도 하나를 포함한다. 일부 실시예에서, 예후 파라미터의 세트는 퍼지니스를 포함한다. 일부 실시예에서, 상기 퍼지니스는 병변의 경계이다. 일부 실시예에서, 예후 파라미터의 세트는 크리스피니스를 포함한다. 일부 실시예에서, 상기 크리스피니스는 병변의 마진에 속한다. 일부 실시예에서, 예후 파라미터의 세트는 관심 구역의 적어도 하나의 텍스처 메트릭을 포함한다. 일부 실시예에서, 텍스처 메트릭은 에지 정도, 그레이 레벨 동시 발생 매트릭스 및 로의 텍스처 맵 중 적어도 하나를 포함한다. 일부 실시예에서, 하나 또는 복수의 사운드 전파 메트릭은 관심 구역 내부의 사운드 전파를 특징짓는다. 일부 실시예에서, 하나 또는 복수의 사운드 전파 메트릭은 관심 구역 외부의 사운드 전파를 특징짓는다. 일부 실시예에서, 제 1 사운드 전파 메트릭은 관심 구역 내부의 사운드 전파를 특징짓고, 제 2 사운드 전파 메트릭은 관심 구역 외부의 사운드 전파를 특징짓는다. 일부 실시예에서, 하나 또는 복수의 사운드 전파 메트릭은 평균, 표준 편차, 왜도, 및 첨도 중 적어도 하나를 포함한다. 일부 실시예에서, 하나 또는 복수의 사운드 전파 메트릭은 사운드 속도, 사운드 감쇠, 및 사운드 반사 중 적어도 하나를 특징짓는다. 일부 실시예에서, 하나 또는 복수의 사운드 전파 메트릭은 적어도 사운드 속도 메트릭 및 반사 메트릭을 포함한다. 일부 실시예에서, 하나 또는 복수의 사운드 전파 메트릭은 적어도 사운드 속도 메트릭, 반사 메트릭, 및 감쇠 메트릭을 포함한다. 일부 실시예에서, 하나 또는 복수의 사운드 전파 메트릭은 적어도 사운드 속도 메트릭, 반사 메트릭, 감쇠 메트릭, 및 사용자 정의 점수를 포함한다. 일부 실시예에서, 하나 또는 복수의 사운드 전파 메트릭은 적어도 사운드 속도 메트릭, 반사 메트릭, 감쇠 메트릭, 및 형태학적 메트릭을 포함한다. 일부 실시예에서, 하나 또는 복수의 사운드 전파 메트릭은 적어도 사운드 속도 메트릭, 반사 메트릭, 감쇠 메트릭, 형태학적 메트릭, 및 사용자 정의 점수를 포함한다. 일부 실시예에서, 예후 파라미터의 세트가 트리밍된다. 일부 실시예에서, 복수의 서브 세트 중 하나는 사운드 속도를 특징짓는 하나 또는 복수의 사운드 전파 메트릭을 포함한다. 일부 실시예에서, 복수의 서브 세트 중 하나는 사운드 감쇠를 특징짓는 하나 또는 복수의 사운드 전파 메트릭을 포함한다. 일부 실시예에서, 복수의 서브 세트 중 하나는 사운드 반사를 특징짓는 하나 또는 복수의 사운드 전파 메트릭을 포함한다. 일부 실시예에서, 분류기 모델은 적어도 85 %의 민감도 및 적어도 84 %의 특이도로 조직의 유형을 결정한다. 일부 실시예에서, 분류기 모델은 조직을 분류하기에 충분한 하나 이상의 예후 파라미터의 임계값을 결정한다. 일부 실시예에서, 분류기 모델은 하나 이상의 예후 파라미터의 상대적인 통계적 정확도를 결정한다. 일부 실시예에서, 분류기 모델은 조직을 분류하기에 충분한 상기 서브 세트 예후 파라미터의 임계값을 결정한다. 일부 실시예에서, 분류기는 병변이 악성 병변에 속할 가능성을 결정한다. 일부 실시예에서, 병변이 악성 병변에 속할 가능성은 백분율로 표현된다. 일부 실시예에서, 분류기 모델은 머신 학습 기술을 사용하여 생성된다. 일부 실시예에서, 머신 학습 기술은 지원 벡터 머신을 포함한다.
또 다른 양태에서, 일정 체적의 조직에서 병변을 분류하기 위한 컴퓨터 구현 방법이 제공된다. 방법은: 복수의 음향 렌더링을 수신하는 단계 - 음향 렌더링은 상기 체적의 조직을 통한 사운드 전파의 표현을 포함하고, 복수의 음향 렌더링은 적어도 투과 렌더링 및 반사 렌더링을 포함함 - ; 상기 체적의 조직 내의 관심 구역을 나타내는 단계 - 구역은 상기 체적의 조직 내에서 병변에 근접함 - ; 관심 구역 근처에서 복수의 음향 렌더링 중 적어도 하나의 일부를 분할하는 단계; 부분이 병변의 내부 또는 외부에 있다는 표시를 제공하는 단계; 마스크를 생성하는 단계 - 마스크는 병변의 형상에 대한 예측을 포함함 - ; 및 예후 파라미터의 세트를 결정하는 단계 - 예후 파라미터의 세트는 복수의 음향 렌더링으로부터 유도된 하나 또는 복수의 사운드 전파 메트릭을 포함함 - 를 포함할 수 있다.
일부 실시예에서, 분할은 마르코프 랜덤 필드(Markov Random Field), 가우시안 혼합 모델(Gaussian Mixture Model), 또는 적응성 퍼지 C-평균 방법(Adaptive Fuzzy C-Mean method)을 포함한다. 일부 실시예에서, 분할은 마르코프 랜덤 필드, 가우시안 혼합 모델, 또는 적응성 퍼지 C-평균 방법 중 적어도 2 개를 포함한다. 일부 실시예에서, 방법은 마르코프 랜덤 필드, 가우시안 혼합 모델, 또는 적응성 퍼지 C-평균 방법 중 적어도 2 개에 의해 부분이 병변의 내부 또는 외부에 있는지 결정하는 단계를 추가로 포함한다. 일부 실시예에서, 방법은 예후 파라미터의 세트로부터 분류기 모델을 형성하는 단계를 추가로 포함한다. 일부 실시예에서, 방법은 일정 체적의 조직 내의 병변을 암, 섬유 선종, 낭종, 비-특이적 양성 종괴, 또는 식별 불가능한 종괴 중 하나로 분류하는 단계를 추가로 포함한다. 일부 실시예에서, 방법은 분류기 모델을 사용하여 점수를 계산하는 단계 - 점수는 병변이 암, 섬유 선종, 낭종, 비-특이적 양성 종괴, 또는 식별 불가능한 종괴 중 하나일 확률과 관련됨 - 를 추가로 포함한다.
일부 실시예에서, 병변은 암, 섬유 선종, 낭종, 비-특이적 양성 종괴 또는 식별 불가능한 종괴를 포함한다. 일부 실시예에서, 복수의 음향 렌더링은 조합된 음향 렌더링을 포함한다. 일부 실시예에서, 조합된 음향 렌더링은 복수의 반사 렌더링을 포함한다. 일부 실시예에서, 조합된 렌더링은 복수의 투과 렌더링을 포함한다. 일부 실시예에서, 조합된 렌더링은 적어도 하나의 반사 렌더링 및 적어도 하나의 투과 렌더링을 포함한다. 일부 실시예에서, 투과 렌더링은 사운드 속도 렌더링 또는 감쇠 렌더링을 포함한다. 일부 실시예에서, 예후 파라미터는 관심 구역과 관련된 사운드 속도 메트릭을 포함한다. 일부 실시예에서, 관심 구역은 사용자가 선택한 관심 구역이다. 일부 실시예에서, 관심 구역은 병변의 적어도 일부를 포함한다. 일부 실시예에서, 관심 구역은 2 차원 관심 구역을 포함한다. 일부 실시예에서, 관심 구역은 에지 검출을 통해 적어도 부분적으로 결정된다. 일부 실시예에서, 관심 구역은 예후 파라미터의 세트를 사용하여 적어도 부분적으로 선택된다. 일부 실시예에서, 2 차원 관심 구역은 3 차원 관심 구역을 생성하는 데 사용된다. 일부 실시예에서, 마스크는 상기 관심 구역에 기초하여 생성된다. 일부 실시예에서, 예후 파라미터의 세트는 상기 관심 구역에 기초한다. 일부 실시예에서, 예후 파라미터의 세트는 관심 구역의 사용자 할당 분류를 포함한다. 일부 실시예에서, 사용자 할당 분류는 종괴 경계 점수이다. 일부 실시예에서, 예후 파라미터의 세트는 병변의 적어도 하나의 형태학적 메트릭을 포함한다. 일부 실시예에서, 형태학적 메트릭은 원형도, 형상의 불규칙성, 마진의 불규칙성, 및 마진의 평활도 중 적어도 하나를 포함한다. 일부 실시예에서, 예후 파라미터의 세트는 퍼지니스를 포함한다. 일부 실시예에서, 상기 퍼지니스는 병변의 경계에 속한다. 일부 실시예에서, 예후 파라미터의 세트는 크리스피니스를 포함한다. 일부 실시예에서, 상기 크리스피니스는 병변의 마진에 속한다. 일부 실시예에서, 예후 파라미터의 세트는 관심 구역의 적어도 하나의 텍스처 메트릭을 포함한다. 일부 실시예에서, 텍스처 메트릭은 에지 정도, 그레이 레벨 동시 발생 매트릭스, 및 로의 텍스처 맵 중 적어도 하나를 포함한다. 일부 실시예에서, 하나 또는 복수의 사운드 전파 메트릭은 관심 구역 내부의 사운드 전파를 특징짓는다. 일부 실시예에서, 하나 또는 복수의 사운드 전파 메트릭은 관심 구역 외부의 사운드 전파를 특징짓는다. 일부 실시예에서, 제 1 사운드 전파 메트릭은 관심 구역 내부의 사운드 전파를 특징짓고, 제 2 사운드 전파 메트릭은 관심 구역 외부의 사운드 전파를 특징짓는다. 일부 실시예에서, 하나 또는 복수의 사운드 전파 메트릭은 평균, 표준 편차, 왜도, 및 첨도 중 적어도 하나를 포함한다. 일부 실시예에서, 하나 또는 복수의 사운드 전파 메트릭은 사운드 속도, 사운드 감쇠 및 사운드 반사 중 적어도 하나를 특징짓는다. 일부 실시예에서, 하나 또는 복수의 사운드 전파 메트릭은 적어도 사운드 속도 메트릭 및 반사 메트릭을 포함한다. 일부 실시예에서, 하나 또는 복수의 사운드 전파 메트릭은 적어도 사운드 속도 메트릭, 반사 메트릭, 및 감쇠 메트릭을 포함한다. 일부 실시예에서, 하나 또는 복수의 사운드 전파 메트릭은 적어도 사운드 속도 메트릭, 반사 메트릭, 감쇠 메트릭, 및 사용자 정의 점수를 포함한다. 일부 실시예에서, 하나 또는 복수의 사운드 전파 메트릭은 적어도 사운드 속도 메트릭, 반사 메트릭, 감쇠 메트릭, 및 형태학적 메트릭을 포함한다. 일부 실시예에서, 하나 또는 복수의 사운드 전파 메트릭은 적어도 사운드 속도 메트릭, 반사 메트릭, 감쇠 메트릭, 형태학적 메트릭, 및 사용자 정의 점수를 포함한다. 일부 실시예에서, 예후 파라미터의 세트가 트리밍된다. 일부 실시예에서, 복수의 서브 세트 중 하나는 사운드 속도를 특징짓는 하나 또는 복수의 사운드 전파 메트릭을 포함한다. 일부 실시예에서, 복수의 서브 세트 중 하나는 사운드 감쇠를 특징짓는 하나 또는 복수의 사운드 전파 메트릭을 포함한다. 일부 실시예에서, 복수의 서브 세트 중 하나는 사운드 반사를 특징짓는 하나 또는 복수의 사운드 전파 메트릭을 포함한다. 일부 실시예에서, 분류기 모델은 적어도 85 %의 민감도 및 적어도 84 %의 특이도로 조직의 유형을 결정한다. 일부 실시예에서, 분류기 모델은 조직을 분류하기에 충분한 하나 이상의 예후 파라미터의 임계값을 결정한다. 일부 실시예에서, 분류기 모델은 하나 이상의 예후 파라미터의 상대적인 통계적 정확도를 결정한다. 일부 실시예에서, 분류기 모델은 조직을 분류하기에 충분한 상기 서브 세트 예후 파라미터의 임계값을 결정한다. 일부 실시예에서, 분류기는 병변이 악성 병변일 가능성을 결정한다. 일부 실시예에서, 병변이 악성 병변일 가능성은 백분율로 표현된다. 일부 실시예에서, 분류기 모델은 머신 학습 기술을 사용하여 생성된다. 일부 실시예에서, 머신 학습 기술은 지원 벡터 머신을 포함한다.
또 다른 양태에서, 본 명세서에 개시된 일정 체적의 조직 내에서 병변을 분류하는 방법의 임의의 실시예 또는 양태를 수행하기 위한 명령어로 구성된 유형 매체를 포함하는 프로세서가 제공된다.
다른 양태에서, 명령어로 구성된 유형 매체를 포함하는 프로세서가 제공된다. 유형 매체는: 피험자의 조직에 대한 복수의 이미지를 수신하고 - 복수의 이미지는 투과 이미지 및 반사 이미지로 구성된 그룹으로부터 선택되고, 복수의 이미지는 상기 체적의 조직을 통해 투과되는 음향 파형으로부터 유도된 복수의 음향 신호로부터 생성됨 - ; 사용자가 선택한 관심 구역과 관련된 예후 파라미터의 세트를 제공하고 - 예후 파라미터의 세트는 조직 내에서 사운드 전파를 특징짓는 하나 또는 복수의 사운드 전파 메트릭을 포함하고, 예후 파라미터의 세트는 조직 분류기 모델로의 입력에 대응하고, 예후 파라미터의 세트는 관련된 특징 그룹의 복수의 서브 세트를 포함함 - ; 및 분류기 모델을 사용하여 관련된 특징 그룹의 상기 복수의 서브 세트에 기초하여 피험자의 조직의 유형을 결정하기 위한 - 조직의 유형은 암성 종양, 섬유 선종, 낭종, 비-특이적 양성 종괴, 및 식별 불가능한 종괴로 구성된 그룹으로부터 선택됨 - 명령어로 구성될 수 있다.
일부 실시예에서, 투과 이미지는 속도 이미지 또는 감쇠 이미지를 포함한다. 일부 실시예에서, 복수의 이미지는 조합된 이미지를 포함한다. 일부 실시예에서, 조합된 이미지는 복수의 반사 이미지를 포함한다. 일부 실시예에서, 조합된 이미지는 복수의 투과 이미지를 포함한다. 일부 실시예에서, 조합된 이미지는 적어도 하나의 반사 이미지 및 적어도 하나의 투과 이미지를 포함한다.
일부 실시예에서, 사용자가 선택한 관심 구역은 2 차원 관심 구역을 포함한다. 일부 실시예에서, 사용자가 선택한 2 차원 관심 구역의 선택은 프로세서에 의해 지원된다. 일부 실시예에서, 프로세서는 에지 검출에 의한 관심 구역의 선택을 지원한다. 일부 실시예에서, 프로세서는 예후 파라미터의 세트를 사용하여 관심 구역의 선택을 지원한다. 일부 실시예에서, 사용자가 선택한 관심 구역은 3 차원 관심 구역을 생성하는 데 사용된다. 일부 실시예에서, 마스크는 상기 관심의 3 차원 영역에 기초하여 생성된다. 일부 실시예에서, 상기 3 차원 관심 구역을 기초로 하여 예후 파라미터의 세트가 생성된다. 일부 실시예에서, 마스크는 상기 2 차원 관심 구역에 기초하여 생성된다. 일부 실시예에서, 예후 파라미터의 세트는 상기 2 차원 관심 구역에 기초한다.
일부 실시예에서, 예후 파라미터의 세트는 관심 구역의 사용자 할당 분류를 포함한다. 일부 실시예에서, 사용자 할당 분류는 종괴 경계 점수를 포함한다. 일부 실시예에서, 예후 파라미터의 세트는 관심 구역의 적어도 하나의 형태학적 메트릭을 포함한다. 일부 실시예에서, 형태학적 메트릭은 원형도, 형상의 불규칙성, 마진의 불규칙성, 및 마진의 평활도 중 적어도 하나를 포함한다. 일부 실시예에서, 예후 파라미터의 세트는 관심 구역의 적어도 하나의 텍스처 메트릭을 포함한다. 일부 실시예에서, 텍스처 메트릭은 에지 정도, 그레이 레벨 동시 발생 매트릭스, 및 로의 텍스처 맵 중 적어도 하나를 포함한다.
일부 실시예에서, 하나 또는 복수의 사운드 전파 메트릭은 관심 구역 내부의 사운드 전파를 특징짓는다. 일부 실시예에서, 하나 또는 복수의 사운드 전파 메트릭은 관심 구역 외부의 사운드 전파를 특징짓는다. 일부 실시예에서, 제 1 사운드 전파 메트릭은 관심 구역 내부의 사운드 전파를 특징짓고, 제 2 사운드 전파 메트릭은 관심 구역 외부의 사운드 전파를 특징짓는다. 일부 실시예에서, 하나 또는 복수의 사운드 전파 메트릭은 평균, 표준 편차, 왜도, 및 첨도 중 적어도 하나를 포함한다.
일부 실시예에서, 하나 또는 복수의 사운드 전파 메트릭은 사운드 속도, 사운드 감쇠 및 사운드 반사 중 적어도 하나를 특징짓는다. 일부 실시예에서, 하나 또는 복수의 사운드 전파 메트릭은 적어도 사운드 속도 메트릭 및 반사 메트릭을 포함한다. 일부 실시예에서, 하나 또는 복수의 사운드 전파 메트릭은 적어도 사운드 속도 메트릭, 반사 메트릭 및 감쇠 메트릭을 포함한다. 일부 실시예에서, 하나 또는 복수의 사운드 전파 메트릭은 적어도 사운드 속도 메트릭, 반사 메트릭, 감쇠 메트릭 및 사용자 정의 점수를 포함한다. 일부 실시예에서, 하나 또는 복수의 사운드 전파 메트릭은 적어도 사운드 속도 메트릭, 반사 메트릭, 감쇠 메트릭 및 형태학적 메트릭을 포함한다. 일부 실시예에서, 하나 또는 복수의 사운드 전파 메트릭은 적어도 사운드 속도 메트릭, 반사 메트릭, 감쇠 메트릭, 형태학적 메트릭 및 사용자 정의 점수를 포함한다.
일부 실시예에서, 예후 파라미터의 세트가 트리밍된다. 일부 실시예에서, 예후 파라미터의 세트를 트리밍하는 단계는 프로세서에 의해 지원된다. 일부 실시예에서, 프로세서는 주 성분 분석, 다중 선형 주 성분 분석, 및 의사 결정 트리 분석으로 구성된 그룹으로부터 선택된 방법에 기초하여 예후 파라미터의 세트를 트리밍한다. 일부 실시예에서, 복수의 서브 세트 중 하나는 사운드 속도를 특징짓는 하나 또는 복수의 사운드 전파 메트릭을 포함한다. 일부 실시예에서, 복수의 서브 세트 중 하나는 사운드 감쇠를 특징짓는 하나 또는 복수의 사운드 전파 메트릭을 포함한다. 일부 실시예에서, 복수의 서브 세트 중 하나는 사운드 반사를 특징짓는 하나 또는 복수의 사운드 전파 메트릭을 포함한다.
일부 실시예에서, 분류기 모델은 적어도 85 %의 민감도 및 적어도 84 %의 특이도로 조직의 유형을 결정한다. 일부 실시예에서, 분류기 모델은 조직을 분류하기에 충분한 하나 이상의 예후 파라미터의 임계값을 결정한다. 일부 실시예에서, 분류기 모델은 하나 이상의 예후 파라미터의 상대적인 통계적 정확도를 결정한다. 일부 실시예에서, 상대적인 통계적 정확도는 조직 분류의 특이도 또는 민감도이다.
일부 실시예에서, 분류기 모델은 상기 하나 이상의 예후 파라미터의 정확도에 기초하여 의사 결정 트리를 구축한다. 일부 실시예에서, 분류기 모델은 예후 파라미터의 상기 서브 세트의 정확도에 기초하여 의사 결정 트리를 구축한다. 일부 실시예에서, 분류기 모델은 상기 의사 결정 트리를 사용하여 조직을 분류하기에 충분한 상기 서브 세트 예후 파라미터의 임계값을 결정한다. 일부 실시예에서, 분류기 모델은 조직을 분류하기에 충분한 상기 서브 세트 예후 파라미터의 임계값을 결정한다.
일부 실시예에서, 분류기 모델이 머신 학습 기술로 생성되었다. 일부 실시예에서, 머신 학습 기술은 지원 벡터 머신을 포함한다. 일부 실시예에서, 지원 벡터 머신은 LibSVM을 포함한다. 일부 실시예에서, 머신 학습 기술은 의사 결정 트리를 포함한다. 일부 실시예에서, 의사 결정 트리는 J48, C4.5 또는 ID3을 포함한다. 일부 실시예에서, 의사 결정 트리는 ADABoost 또는 DecisionStump를 포함한다. 일부 실시예에서, 머신 학습 기술은 신경망을 포함한다. 일부 실시예에서, 머신 학습 기술은 k-최근접 이웃을 포함한다. 일부 실시예에서, 머신 학습 기술은 베이즈 분류(Bayes classification)를 포함한다.
다른 양태에서, 비-일시적 컴퓨터 판독 가능 저장 매체가 제공된다. 일부 실시예에서, 비-일시적 컴퓨터 판독 가능 저장 매체는 저장되어 있는 명령어를 포함하며, 상기 명령어는 프로세서에 의해 실행 가능하다. 일부 실시예에서, 비-일시적 컴퓨터 판독 가능 저장 매체는 저장되어 있는 명령어를 포함하고, 상기 명령어는 본 명세서에 제공된 임의의 실시예의 프로세서에 의해 실행 가능하다.
또 다른 양태에서, 피험자의 조직의 유형을 결정하기 위한 컴퓨터 시스템이 제공된다. 일부 실시예에서, 컴퓨터 시스템은 명령어가 저장되어 있는 비-일시적 컴퓨터 판독 가능 저장 매체를 포함하고, 상기 명령어는 프로세서에 의해 실행 가능하다. 일부 실시예에서, 컴퓨터 시스템은 명령어가 저장되어 있는 비-일시적 컴퓨터 판독 가능 저장 매체를 포함하고, 상기 명령어는 본 명세서에 제공된 임의의 실시예의 프로세서에 의해 실행 가능하다.
다른 양태에서, 일정 체적의 조직의 이미지를 생성하기 위한 시스템이 제공된다. 일부 실시예에서, 시스템은 초음파 방출기의 어레이 및 초음파 수신기의 어레이를 포함하는 변환기 어레이 - 변환기 어레이는 상기 체적의 조직 주위에 구성되며, 여기서 초음파 송신기의 어레이는 상기 체적의 조직을 향해 음향 파형을 방출하도록 구성되고, 여기서 초음파 수신기의 어레이는 방출된 음향 파형을 수신하고 수신된 음향 파형을 복수의 음향 신호로 변환하도록 구성됨 - ; 사용자에게 보이는 디스플레이; 및 본 명세서에 개시된 프로세서의 임의의 실시예를 포함한다.
다른 양태에서, 일정 체적의 조직의 이미지를 생성하기 위한 시스템이 제공된다. 일부 실시예에서, 시스템은 초음파 방출기의 어레이 및 초음파 수신기의 어레이를 포함하는 변환기 어레이 - 변환기 어레이는 상기 체적의 조직 주위에 구성되고, 여기서 초음파 송신기의 어레이는 상기 체적의 조직을 향해 음향 파형을 방출하도록 구성되고, 여기서 초음파 수신기의 어레이는 방출된 음향 파형을 수신하고 수신된 음향 파형을 복수의 음향 신호로 변환하도록 구성됨 - ; 사용자에게 보이는 디스플레이; 및 본 명세서에 개시된 비-일시적 컴퓨터 판독 가능 저장 매체의 임의의 실시예를 포함한다.
다른 양태에서, 분류기 모델을 사용하여 조직의 유형을 결정하는 방법이 제공되며, 상기 방법은 하나 이상의 프로세서를 포함하는 컴퓨터 및 명령어를 포함하는 컴퓨터 판독 가능 저장 매체에 의해 구현된다. 일부 실시예에서, 방법은 피험자의 조직에 대한 복수의 이미지를 수신하는 단계 - 복수의 이미지는 투과 이미지 및 반사 이미지로 구성된 그룹으로부터 선택되고, 복수의 이미지는 상기 체적의 조직을 통해 투과된 음향 파형으로부터 유도된 복수의 음향 신호로부터 생성됨 - ; 사용자가 선택한 관심 구역과 관련된 예후 파라미터의 세트를 제공하는 단계 - 예후 파라미터의 세트는 조직 내에서 사운드 전파를 특징짓는 하나 또는 복수의 사운드 전파 메트릭을 포함하고, 예후 파라미터의 세트는 조직 분류기 모델에 대한 입력에 대응하고, 예후 파라미터의 세트는 관련된 특징 그룹의 복수의 서브 세트를 포함함 - ; 및 피험자의 조직의 유형을 결정하는 단계 - 조직의 유형은 상기 분류기 모델을 사용하여 암성 종양, 섬유 선종, 낭종, 비-특이적 양성 종괴, 및 식별 불가능한 종괴로 이루어진 그룹으로부터 선택됨 - 를 포함한다.
다른 양태에서, 프로세서에 의해 실행될 때, 프로세서가 본 명세서에 설명된 방법의 임의의 실시예를 수행하게 하는 명령어가 저장되어 있는 비-일시적 컴퓨터 판독 가능 저장 매체가 제공된다. 다른 양태에서, 본 명세서에 설명된 방법의 임의의 실시예를 수행하도록 구성된 비-일시적 컴퓨터 판독 가능 저장 매체를 포함하는 컴퓨터가 제공된다.
일부 실시예에서, 투과 이미지는 속도 이미지 또는 감쇠 이미지를 포함한다. 일부 실시예에서, 복수의 이미지는 조합된 이미지를 포함한다. 일부 실시예에서, 조합된 이미지는 복수의 반사 이미지를 포함한다. 일부 실시예에서, 조합된 이미지는 복수의 투과 이미지를 포함한다. 일부 실시예에서, 조합된 이미지는 적어도 하나의 반사 이미지 및 적어도 하나의 투과 이미지를 포함한다.
일부 실시예에서, 사용자가 선택한 관심 구역은 2 차원 관심 구역을 포함한다. 일부 실시예에서, 사용자가 선택한 2 차원 관심 구역의 선택은 프로세서에 의해 지원된다. 일부 실시예에서, 프로세서는 에지 검출에 의한 관심 구역의 선택을 지원한다. 일부 실시예에서, 프로세서는 예후 파라미터의 세트를 사용하여 관심 구역의 선택을 지원한다. 일부 실시예에서, 사용자가 선택한 관심 구역은 3 차원 관심 구역을 생성하는 데 사용된다. 일부 실시예에서, 마스크는 상기 3 차원 관심 구역에 기초하여 생성된다. 일부 실시예에서, 상기 3 차원 관심 구역을 기초로 하여 예후 파라미터의 세트가 생성된다. 일부 실시예에서, 마스크는 상기 2 차원 관심 구역에 기초하여 생성된다. 일부 실시예에서, 예후 파라미터의 세트는 상기 2 차원 관심 구역에 기초한다.
일부 실시예에서, 예후 파라미터의 세트는 관심 구역의 사용자 할당 분류를 포함한다. 일부 실시예에서, 사용자 할당 분류는 종괴 경계 점수를 포함한다. 일부 실시예에서, 예후 파라미터의 세트는 관심 구역의 적어도 하나의 형태학적 메트릭을 포함한다. 일부 실시예에서, 형태학적 메트릭은 원형도, 형상의 불규칙성, 마진의 불규칙성, 및 마진의 평활도 중 적어도 하나를 포함한다. 일부 실시예에서, 예후 파라미터의 세트는 관심 구역의 적어도 하나의 텍스처 메트릭을 포함한다. 일부 실시예에서, 텍스처 메트릭은 에지 정도, 그레이 레벨 동시 발생 매트릭스, 및 로의 텍스처 맵 중 적어도 하나를 포함한다.
일부 실시예에서, 하나 또는 복수의 사운드 전파 메트릭은 관심 구역 내부의 사운드 전파를 특징짓는다. 일부 실시예에서, 하나 또는 복수의 사운드 전파 메트릭은 관심 구역 외부의 사운드 전파를 특징짓는다. 일부 실시예에서, 제 1 사운드 전파 메트릭은 관심 구역 내부의 사운드 전파를 특징짓고, 제 2 사운드 전파 메트릭은 관심 구역 외부의 사운드 전파를 특징짓는다. 일부 실시예에서, 하나 또는 복수의 사운드 전파 메트릭은 평균, 표준 편차, 왜도, 및 첨도 중 적어도 하나를 포함한다.
일부 실시예에서, 하나 또는 복수의 사운드 전파 메트릭은 사운드 속도, 사운드 감쇠 및 사운드 반사 중 적어도 하나를 특징짓는다. 일부 실시예에서, 하나 또는 복수의 사운드 전파 메트릭은 적어도 사운드 속도 메트릭 및 반사 메트릭을 포함한다. 일부 실시예에서, 하나 또는 복수의 사운드 전파 메트릭은 적어도 사운드 속도 메트릭, 반사 메트릭, 및 감쇠 메트릭을 포함한다. 일부 실시예에서, 하나 또는 복수의 사운드 전파 메트릭은 적어도 사운드 속도 메트릭, 반사 메트릭, 감쇠 메트릭, 및 사용자 정의 점수를 포함한다. 일부 실시예에서, 하나 또는 복수의 사운드 전파 메트릭은 적어도 사운드 속도 메트릭, 반사 메트릭, 감쇠 메트릭, 및 형태학적 메트릭을 포함한다. 일부 실시예에서, 하나 또는 복수의 사운드 전파 메트릭은 적어도 사운드 속도 메트릭, 반사 메트릭, 감쇠 메트릭, 형태학적 메트릭, 및 사용자 정의 점수를 포함한다.
일부 실시예에서, 예후 파라미터의 세트가 트리밍된다. 일부 실시예에서, 예후 파라미터의 세트를 트리밍하는 것은 프로세서에 의해 지원된다. 일부 실시예에서, 프로세서는 주 성분 분석, 다중 선형 주 성분 분석, 및 의사 결정 트리 분석으로 구성된 그룹으로부터 선택된 방법에 기초하여 예후 파라미터의 세트를 트리밍한다. 일부 실시예에서, 복수의 서브 세트 중 하나는 사운드 속도를 특징짓는 하나 또는 복수의 사운드 전파 메트릭을 포함한다. 일부 실시예에서, 복수의 서브 세트 중 하나는 사운드 감쇠를 특징짓는 하나 또는 복수의 사운드 전파 메트릭을 포함한다. 일부 실시예에서, 복수의 서브 세트 중 하나는 사운드 반사를 특징짓는 하나 또는 복수의 사운드 전파 메트릭을 포함한다.
일부 실시예에서, 분류기 모델은 적어도 85 %의 민감도 및 적어도 84 %의 특이도로 조직의 유형을 결정한다. 일부 실시예에서, 분류기 모델은 조직을 분류하기에 충분한 하나 이상의 예후 파라미터의 임계값을 결정한다. 일부 실시예에서, 분류기 모델은 하나 이상의 예후 파라미터의 상대적인 통계적 정확도를 결정한다. 일부 실시예에서, 상대적인 통계적 정확도는 조직 분류의 특이도 또는 민감도이다.
일부 실시예에서, 분류기 모델은 상기 하나 이상의 예후 파라미터의 정확도에 기초하여 의사 결정 트리를 구축한다. 일부 실시예에서, 분류기 모델은 예후 파라미터의 상기 서브 세트의 정확도에 기초하여 의사 결정 트리를 구축한다. 일부 실시예에서, 분류기 모델은 상기 의사 결정 트리를 사용하여 조직을 분류하기에 충분한 상기 서브 세트 예후 파라미터의 임계값을 결정한다. 일부 실시예에서, 분류기 모델은 조직을 분류하기에 충분한 상기 서브 세트 예후 파라미터의 임계값을 결정한다.
일부 실시예에서, 분류기 모델이 머신 학습 기술로 생성되었다. 일부 실시예에서, 머신 학습 기술은 지원 벡터 머신을 포함한다. 일부 실시예에서, 지원 벡터 머신은 LibSVM을 포함한다. 일부 실시예에서, 머신 학습 기술은 의사 결정 트리를 포함한다. 일부 실시예에서, 의사 결정 트리는 J48, C4.5 또는 ID3을 포함한다. 일부 실시예에서, 결정 트리는 ADABoost 또는 DecisionStump를 포함한다. 일부 실시예에서, 머신 학습 기술은 신경망을 포함한다. 일부 실시예에서, 머신 학습 기술은 k-최근접 이웃을 포함한다. 일부 실시예에서, 머신 학습 기술은 베이즈 분류를 포함한다.
본 주제의 특징 및 이점에 대한 더 나은 이해는 예시적인 실시예 및 첨부 도면을 설명하는 다음의 상세한 설명을 참조하여 얻어질 것이다.
도 1a, 도 1b 및 도 1c는 일부 실시예에 따라 예시적인 초음파 스캐너의 개략도, 예시적인 초음파 스캐너에서의 환자 유방의 개략도, 및 초음파 스캐너의 예시적인 초음파 변환기의 개략도를 각각 도시한다.
도 1d, 도 1e 및 도 1f는 일부 실시예에 따라 유방의 사운드 속도, 반사, 및 감쇠 초음파 단층 촬영 이미지의 비-제한적인 예를 각각 도시한다.
도 2는 일부 실시예에 따라 일정 체적의 환자의 유방 조직을 특징짓기 위한 예시적인 방법을 예시한다.
도 3a는 일부 실시예에 따라 다양한 사용자 선택 및/또는 컴퓨터 선택 마진 경계를 포함하고 추가로 다양한 경계 형태를 포함하는 예시적인 관심 구역을 도시한다.
도 3b는 일부 실시예에 따라 마진 경계 및 내부 및 외부 층을 갖는 타원형 관심 구역의 예를 예시한다.
도 4a는 일부 실시예에 따라 잘 국한된(well-circumscribed) 이중엽 섬유 선종을 갖는 사운드 속도 초음파 단층 촬영 이미지의 예를 예시한다.
도 4b 및 도 4c는 일부 실시예에 따라, 각각, 도 4a의 이미지로부터 생성된 관심 구역의 비-확대된 및 확대된 바이너리 마스크를 도시한다.
도 4d 및 도 4e는 일부 실시예에 따라 주변 종양 부근 구역 내의 특징을 평가하기 위해 ROI가 확장될 수 있는 방법의 예를 예시한다.
도 5a, 도 5b, 도 5c 및 도 5d는 일부 실시예에 따라, 각각, 4 비트 색상의 사운드 속도 이미지, 사운드 속도 이미지의 에지-에지 맵, 사운드 속도 이미지의 에지-스폿-스폿-에지 맵, 및 에지-스폿-스폿-에지 맵을 도시한다.
도 6은 일부 실시예에 따라 퍼지니스를 결정하기 위한 예시적인 방법을 도시한다.
도 7a는 일부 실시예에 따른 사운드 속도 이미지 및 대응하는 2 차원 웨이블릿의 예를 예시한다.
도 7b는 일부 실시예에 따른 반사 이미지 및 대응하는 2 차원 웨이블릿의 예를 예시한다.
도 8은 일부 실시예에 따른 사운드 속도 이미지 및 반사 이미지의 웨이블릿을 도시한다.
도 9a는 일부 실시예에 따라 사운드 속도 웨이블릿 이미지로부터의 1 차원 웨이블릿 마진을 도시한다.
도 9b는 일부 실시예에 따라 반사 웨이블릿 이미지로부터의 1 차원 웨이블릿 마진을 예시한다.
도 10은 일부 실시예에 따른 크리스피니스 특징을 추출하기 위한 예시적인 방법을 도시한다.
도 11은 일부 실시예에 따른 병변의 마진 추출 및 공간 평균 필터링의 예를 예시한다.
도 12a는 일부 실시예에 따른 낭종을 갖는 유방의 크리스프 사운드 세그먼트의 식별 및 속도 반사 이미지를 예시한다.
도 12b는 일부 실시예에 따른 섬유 선종을 갖는 유방의 크리스프 사운드 세그먼트의 식별 및 속도 반사 이미지를 예시한다.
도 12c는 일부 실시예에 따른 종양을 갖는 유방의 크리스프 사운드 세그먼트의 식별 및 속도 반사 이미지를 예시한다.
도 13은 일부 실시예에 따른 결정 트리의 제 1 예를 예시한다.
도 14는 일부 실시예에 따른 결정 트리의 제 2 예를 예시한다.
도 15는 일부 실시예에 따른 결정 트리의 제 3 예를 예시한다.
도 16은 일부 실시예에 따른 결정 트리의 일 예를 예시한다.
도 17은 일부 실시예에 따라 사운드 속도 이미지, 반사 이미지, 및 웨이퍼 이미지에 대한 자동 분할을 위해 마르코프 랜덤 필드를 적용한 결과를 도시한다.
도 18은 일부 실시예에 따라 사운드 속도 이미지, 반사 이미지, 및 웨이퍼 이미지에 대한 자동 분할을 위한 가우시안 혼합 모델을 적용한 결과를 도시한다.
도 19는 일부 실시예에 따라 사운드 속도 이미지, 반사 이미지, 및 웨이퍼 이미지에 대한 자동 분할을 위해 퍼지 C-평균을 적용한 결과를 도시한다.
도 20은 일부 실시예에 따른 픽셀 단위 투표 기술의 다이어그램을 예시한다.
도 21은 일부 실시예에 따른 병변의 분류를 위한 병변 분석 도구 알고리즘을 예시한다.
도 22a는 일부 실시예에 따른 단일 예후 파라미터의 임계값을 포함하는 예시적인 분류기 모델을 예시한다.
도 22b는 일부 실시예에 따른 내부 예후 파라미터 및 외부 예후 파라미터의 임계값을 포함하는 예시적인 분류기 모델을 예시한다.
도 22c는 일부 실시예에 따른 종괴를 평가하기 위한 혼합된 정성적 및 정량적 메트릭을 포함하는 예시적인 분류기 모델을 예시한다.
도 23은 일부 실시예에 따른 관심 구역의 생성, 특징 추출, 특징 선택, 분류기 모델 생성 또는 피팅, 모델 정확도의 평가, 모델의 온라인 사용 등을 허용하도록 프로그래밍되거나 또는 달리 구성된 예시적인 프로세서를 도시한다.
도 24는 일부 실시예에 따른 관계형 데이터베이스 관리 시스템에 의해 접근되는 하나 이상의 데이터베이스를 포함하는 애플리케이션 제공 시스템을 도시한다.
도 25는 일부 실시예에 따른 분산형 클라우드 기반 아키텍처를 갖는 애플리케이션 제공 시스템을 예시한다.
도 26a는 일부 실시예에 따른 대표적인 유방 실질(breast parenchyma)의 UST 사운드 속도와 MR 대비 향상된 지방 감산 이미지 간의 비교를 도시한다.
도 26b는 일부 실시예에 따른 UST 및 MR의 공간 해상도 추정을 예시한다.
도 27은 일부 실시예에 따라 낭종, 섬유 선종 및 암에 대해 언급된 사운드 속도 텍스처 및 형태의 차이를 예시한다.
도 28a 및 도 28b는 일부 실시예에 따라 종양 ROI 내의 1 차 통계 및 주변 종양 부근 구역과의 비교를 각각 요약하는 박스 플롯을 예시한다.
도 28c는 일부 실시예에 따라 표준 편차의 1 차 통계와 조합된 경계 점수를 사용할 때 달성되는 구별을 예시한다.
도 29a는 일부 실시예에 따라 분류기 방법을 사용하여 생성된 데이터의 산점도를 예시한다.
도 29b는 일부 실시예에 따라, 2 개의 예후 파라미터 각각에 대한 환자 값을 예시한다.
도 30a는 일부 실시예에 따라 본 명세서에 설명된 자동 분할 알고리즘을 통해 분석된 병변에 대한 악성 점수의 히스토그램을 예시한다.
도 30b는 일부 실시예에 따른 자동 분할 알고리즘에 대한 수신기 작동 곡선을 도시한다.
도 1a, 도 1b 및 도 1c는 일부 실시예에 따라 예시적인 초음파 스캐너의 개략도, 예시적인 초음파 스캐너에서의 환자 유방의 개략도, 및 초음파 스캐너의 예시적인 초음파 변환기의 개략도를 각각 도시한다.
도 1d, 도 1e 및 도 1f는 일부 실시예에 따라 유방의 사운드 속도, 반사, 및 감쇠 초음파 단층 촬영 이미지의 비-제한적인 예를 각각 도시한다.
도 2는 일부 실시예에 따라 일정 체적의 환자의 유방 조직을 특징짓기 위한 예시적인 방법을 예시한다.
도 3a는 일부 실시예에 따라 다양한 사용자 선택 및/또는 컴퓨터 선택 마진 경계를 포함하고 추가로 다양한 경계 형태를 포함하는 예시적인 관심 구역을 도시한다.
도 3b는 일부 실시예에 따라 마진 경계 및 내부 및 외부 층을 갖는 타원형 관심 구역의 예를 예시한다.
도 4a는 일부 실시예에 따라 잘 국한된(well-circumscribed) 이중엽 섬유 선종을 갖는 사운드 속도 초음파 단층 촬영 이미지의 예를 예시한다.
도 4b 및 도 4c는 일부 실시예에 따라, 각각, 도 4a의 이미지로부터 생성된 관심 구역의 비-확대된 및 확대된 바이너리 마스크를 도시한다.
도 4d 및 도 4e는 일부 실시예에 따라 주변 종양 부근 구역 내의 특징을 평가하기 위해 ROI가 확장될 수 있는 방법의 예를 예시한다.
도 5a, 도 5b, 도 5c 및 도 5d는 일부 실시예에 따라, 각각, 4 비트 색상의 사운드 속도 이미지, 사운드 속도 이미지의 에지-에지 맵, 사운드 속도 이미지의 에지-스폿-스폿-에지 맵, 및 에지-스폿-스폿-에지 맵을 도시한다.
도 6은 일부 실시예에 따라 퍼지니스를 결정하기 위한 예시적인 방법을 도시한다.
도 7a는 일부 실시예에 따른 사운드 속도 이미지 및 대응하는 2 차원 웨이블릿의 예를 예시한다.
도 7b는 일부 실시예에 따른 반사 이미지 및 대응하는 2 차원 웨이블릿의 예를 예시한다.
도 8은 일부 실시예에 따른 사운드 속도 이미지 및 반사 이미지의 웨이블릿을 도시한다.
도 9a는 일부 실시예에 따라 사운드 속도 웨이블릿 이미지로부터의 1 차원 웨이블릿 마진을 도시한다.
도 9b는 일부 실시예에 따라 반사 웨이블릿 이미지로부터의 1 차원 웨이블릿 마진을 예시한다.
도 10은 일부 실시예에 따른 크리스피니스 특징을 추출하기 위한 예시적인 방법을 도시한다.
도 11은 일부 실시예에 따른 병변의 마진 추출 및 공간 평균 필터링의 예를 예시한다.
도 12a는 일부 실시예에 따른 낭종을 갖는 유방의 크리스프 사운드 세그먼트의 식별 및 속도 반사 이미지를 예시한다.
도 12b는 일부 실시예에 따른 섬유 선종을 갖는 유방의 크리스프 사운드 세그먼트의 식별 및 속도 반사 이미지를 예시한다.
도 12c는 일부 실시예에 따른 종양을 갖는 유방의 크리스프 사운드 세그먼트의 식별 및 속도 반사 이미지를 예시한다.
도 13은 일부 실시예에 따른 결정 트리의 제 1 예를 예시한다.
도 14는 일부 실시예에 따른 결정 트리의 제 2 예를 예시한다.
도 15는 일부 실시예에 따른 결정 트리의 제 3 예를 예시한다.
도 16은 일부 실시예에 따른 결정 트리의 일 예를 예시한다.
도 17은 일부 실시예에 따라 사운드 속도 이미지, 반사 이미지, 및 웨이퍼 이미지에 대한 자동 분할을 위해 마르코프 랜덤 필드를 적용한 결과를 도시한다.
도 18은 일부 실시예에 따라 사운드 속도 이미지, 반사 이미지, 및 웨이퍼 이미지에 대한 자동 분할을 위한 가우시안 혼합 모델을 적용한 결과를 도시한다.
도 19는 일부 실시예에 따라 사운드 속도 이미지, 반사 이미지, 및 웨이퍼 이미지에 대한 자동 분할을 위해 퍼지 C-평균을 적용한 결과를 도시한다.
도 20은 일부 실시예에 따른 픽셀 단위 투표 기술의 다이어그램을 예시한다.
도 21은 일부 실시예에 따른 병변의 분류를 위한 병변 분석 도구 알고리즘을 예시한다.
도 22a는 일부 실시예에 따른 단일 예후 파라미터의 임계값을 포함하는 예시적인 분류기 모델을 예시한다.
도 22b는 일부 실시예에 따른 내부 예후 파라미터 및 외부 예후 파라미터의 임계값을 포함하는 예시적인 분류기 모델을 예시한다.
도 22c는 일부 실시예에 따른 종괴를 평가하기 위한 혼합된 정성적 및 정량적 메트릭을 포함하는 예시적인 분류기 모델을 예시한다.
도 23은 일부 실시예에 따른 관심 구역의 생성, 특징 추출, 특징 선택, 분류기 모델 생성 또는 피팅, 모델 정확도의 평가, 모델의 온라인 사용 등을 허용하도록 프로그래밍되거나 또는 달리 구성된 예시적인 프로세서를 도시한다.
도 24는 일부 실시예에 따른 관계형 데이터베이스 관리 시스템에 의해 접근되는 하나 이상의 데이터베이스를 포함하는 애플리케이션 제공 시스템을 도시한다.
도 25는 일부 실시예에 따른 분산형 클라우드 기반 아키텍처를 갖는 애플리케이션 제공 시스템을 예시한다.
도 26a는 일부 실시예에 따른 대표적인 유방 실질(breast parenchyma)의 UST 사운드 속도와 MR 대비 향상된 지방 감산 이미지 간의 비교를 도시한다.
도 26b는 일부 실시예에 따른 UST 및 MR의 공간 해상도 추정을 예시한다.
도 27은 일부 실시예에 따라 낭종, 섬유 선종 및 암에 대해 언급된 사운드 속도 텍스처 및 형태의 차이를 예시한다.
도 28a 및 도 28b는 일부 실시예에 따라 종양 ROI 내의 1 차 통계 및 주변 종양 부근 구역과의 비교를 각각 요약하는 박스 플롯을 예시한다.
도 28c는 일부 실시예에 따라 표준 편차의 1 차 통계와 조합된 경계 점수를 사용할 때 달성되는 구별을 예시한다.
도 29a는 일부 실시예에 따라 분류기 방법을 사용하여 생성된 데이터의 산점도를 예시한다.
도 29b는 일부 실시예에 따라, 2 개의 예후 파라미터 각각에 대한 환자 값을 예시한다.
도 30a는 일부 실시예에 따라 본 명세서에 설명된 자동 분할 알고리즘을 통해 분석된 병변에 대한 악성 점수의 히스토그램을 예시한다.
도 30b는 일부 실시예에 따른 자동 분할 알고리즘에 대한 수신기 작동 곡선을 도시한다.
머신 학습 알고리즘(들)에 기초한 이미지 데이터 분할, 특징 추출, 특징 선택, 및 조직 분류를 위한 시스템 및 방법이 본 명세서에 개시된다. 일부 실시예에서, 분류 정확도에 영향을 미치는 상이한 특징 서브 세트(예를 들어, 단일 특징 클래스 또는 다중 클래스로부터의 특징)의 선택이 본 명세서에 개시된다.
본 명세서에 개시된 방법 및 장치는 이전의 초음파 단층 촬영(UST)과의 조합에 매우 적합하며, 유리하게는 유방암 검진을 위한 현재 표준의 결함에 대한 해결책을 제공할 수 있다. 본 명세서에 개시된 방법 및 장치는 조작자 의존성이 적고, 데이터 획득 프로세스의 재현성이 더 높으며, 반사 및 투과 정보를 모두 활용할 수 있는 방식으로 초음파 단층 촬영과 조합될 수 있다. 초음파 신호의 투과된 부분은 사운드 속도 및 고주파 발사된 매체의 감쇠 특성에 대한 정보를 포함할 수 있다. 이러한 특성은 지방, 섬유선 조직, 양성 종괴, 및 악성 암의 구별에 도움이 될 수 있으며, 본 명세서에 개시된 방법 및 장치와의 조합에 매우 적합하다.
방사선 전문의가 초음파 단층 촬영 이미지를 볼 때, 데이터를 처리하여 이미지에 어떤 유형의 유방 질환이 있는지에 대한 결론에 도달한다. 본 명세서에는 초음파 단층 촬영 이미지를 처리하고 분류하여 이미지가 특정 유형의 유방 비정상을 나타내는지 여부에 대한 결론에 도달하기 위해 머신 학습 및 데이터 마이닝 기술(data mining techniques)을 활용하는 시스템 및 방법이 개시되어 있다.
본 명세서에 개시된 바와 같이, 일부 실시예에서, 머신 학습 기술을 사용하는 초음파 이미지(예를 들어, 초음파 단층 촬영)의 조직 특징화는 일련의 단계를 필요로 한다. 일부 경우에, 다양한 유형의 조직 및 종괴의 예를 포함하는 이미지의 세트가 생성될 수 있다. 훈련된 방사선 전문의는 이 경우 관심 구역(ROI) 마스크(예를 들어, 바이너리)를 생성하여 관심 조직을 찾고 분할할 수 있다. 그런 다음 ROI에서 특징을 추출할 수 있다. 특징 선택 기술(들)을 사용하여, 가장 관련성이 높은 특징을 공급하여 머신 학습 분류기 모델을 훈련시킨다. 그런 다음 훈련된 분류기에, 알려지지 않은 조직 샘플로부터의 특징을 공급하여, 샘플의 라벨 또는 분류를 예측할 수 있다. 라벨 또는 분류의 예측에는 병변이 특정 유형에 속할 확률이 포함될 수 있다. 라벨 또는 분류의 예측에는 점수가 포함될 수 있다.
일부 실시예에서, 초음파 단층 촬영 이미지에 대한 머신 학습 및 데이터 마이닝 기술을 사용하는 본 명세서의 시스템 및 방법은 2 개의 서로 다른 파이프라인을 가지고 있다. 제 1 파이프라인은 오프라인 학습이라고 지칭되는 분류기 모델 생성이다. 제 2 파이프라인은 실제 방사선 전문의(또는 다른 사용자)가 분류기 모델을 사용하여 온라인 사용이라고 지칭되는 이미지를 데이터 마이닝하고 분류하는 것이다.
일부 실시예에서, 오프라인 학습 프로세스는 균일한 이미지 생성을 포함한다. 훈련 세트의 모든 원시 데이터는 지정된 이미지 재구성 파라미터, 예를 들어 균일한 이미지 재구성 파라미터로 재구성된다. 초음파 단층 촬영의 일 양태는 다중 이미지 스택의 생성이며, 각각은 조직, 예를 들어 유방의 3 차원 체적을 통한 순차적 이미지를 포함한다. 각 이미지 스택은 해당 3 차원 체적의 서로 다른 음향 성분을 표현할 수 있다. 일부 실시예에서는, 상이한 반사 및 투과 성분이 사용되고, 우세한 투과 성분은 사운드 속도 및 감쇠를 포함한다. 이러한 조합의 다양한 순열은 조직 스티프니스를 더 잘 표현하기 위해 사운드 속도 및 감쇠의 임계값의 컬러 오버레이와 표준 그레이 스케일 반사의 조합과 같은, 개선된 조직 구별을 제공하기 위해 조합될 수 있다. 마찬가지로, 배경 정상 조직과의 대비를 개선하기 위해 사운드 속도 데이터를 통합하여 반사 시 종괴 효과를 강조할 수 있다.
일부 실시예에서 본 명세서에서는 일정 체적의 조직에서의 병변을 특징짓기 위한 컴퓨터 구현 방법이 설명된다. 방법은: 복수의 음향 렌더링을 수신하는 단계 - 음향 렌더링은 상기 체적의 조직을 통한 사운드 전파의 표현을 포함하고, 복수의 음향 렌더링은 적어도 투과 렌더링 및 반사 렌더링을 포함함 - ; 예후 파라미터의 세트를 결정하는 단계 - 예후 파라미터의 세트는 복수의 음향 렌더링으로부터 유도된 하나 또는 복수의 사운드 전파 메트릭을 포함함 - ; 예후 파라미터의 세트의 각 요소에 예측 값을 할당하는 단계 - 예측 값은 복수의 분류된 음향 렌더링에 기초함 - ; 예후 파라미터의 세트의 서브 세트로부터 분류기 모델을 형성하는 단계 - 서브 세트는 예후 파라미터의 세트의 적어도 서브 세트 각각의 예측 값에 기초하여 결정됨 - ; 및 분류기 모델을 사용하여 점수를 계산하는 단계 - 점수는 병변이 분류에 속할 확률과 관련됨 - 를 포함한다.
일부 실시예에서 본 명세서에는 유형 매체를 포함하는 프로세서가 설명되어 있다. 유형 매체는: 복수의 음향 렌더링을 수신하고 - 음향 렌더링은 상기 체적의 조직을 통한 사운드 전파의 표현을 포함하고, 복수의 음향 렌더링은 적어도 투과 렌더링 및 반사 렌더링을 포함함 - ; 예후 파라미터의 세트를 결정하고 - 예후 파라미터의 세트는 복수의 음향 렌더링으로부터 유도된 하나 또는 복수의 사운드 전파 메트릭을 포함함 - ; 예후 파라미터의 세트의 각 요소에 예측 값을 할당하고 - 예측 값은 복수의 분류된 음향 렌더링에 기초함 - ; 예후 파라미터의 세트의 서브 세트로부터 분류기 모델을 형성하고 - 서브 세트는 예후 파라미터의 세트의 적어도 서브 세트 각각의 예측 값에 기초하여 결정됨 - ; 분류기 모델을 사용하여 점수를 계산하기 위한 - 점수는 병변이 분류에 속할 확률과 관련됨 - 명령어로 구성될 수 있다.
일부 실시예에서 본 명세서에는 일정 체적의 조직에서의 병변을 분류하기 위한 컴퓨터 구현 방법이 설명되어 있다. 방법은: 복수의 음향 렌더링을 수신하는 단계 - 음향 렌더링은 상기 체적의 조직을 통한 사운드 전파의 표현을 포함하고, 복수의 음향 렌더링은 적어도 투과 렌더링 및 반사 렌더링을 포함함 - ; 상기 체적의 조직 내의 관심 구역을 표시하는 단계 - 구역은 상기 체적의 조직 내에서 병변에 근접함 - ; 관심 구역 근처에서 복수의 음향 렌더링 중 적어도 하나의 일부를 분할하는 단계; 부분이 병변의 내부 또는 외부에 있다는 표시를 제공하는 단계; 마스크를 생성하는 단계 - 마스크는 병변의 형상에 대한 예측을 포함함 - ; 및 예후 파라미터의 세트를 결정하는 단계 - 예후 파라미터의 세트는 복수의 음향 렌더링으로부터 유도된 하나 또는 복수의 사운드 전파 메트릭을 포함함 - 를 포함할 수 있다.
일부 실시예에서 본 명세서에는 피험자의 조직에 대한 복수의 이미지를 수신하고 - 복수의 이미지는 투과 이미지 및 반사 이미지로 구성된 그룹에서 선택되고, 복수의 이미지는 상기 체적의 조직을 통해 투과되는 음향 파형으로부터 유도된 복수의 음향 신호로부터 생성됨 - ; 사용자가 선택한 관심 구역과 관련된 예후 파라미터의 세트를 제공하고 - 예후 파라미터의 세트는 조직 내에서 사운드 전파를 특징짓는 하나 또는 복수의 사운드 전파 메트릭을 포함하고, 예후 파라미터의 세트는 조직 분류기 모델로의 입력에 대응하고, 예후 파라미터의 세트는 관련된 특징 그룹의 복수의 서브 세트를 포함함 - ; 분류기 모델을 사용하여 관련된 특징 그룹의 상기 복수의 서브 세트에 기초하여 피험자의 조직의 유형을 결정하기 위한 - 조직의 유형은 암성 종양, 섬유 선종, 낭종, 비-특이적 양성 종괴, 및 식별 불가능한 종괴로 구성된 그룹으로부터 선택됨 - 명령어로 구성된 유형 매체를 포함하는 프로세서가 설명되어 있다. 일부 실시예에서, 관심 구역은 복수의 음향 렌더링 중 적어도 하나 내에 있을 수 있다. 일부 실시예에서, 사용자는 적어도 하나의 음향 렌더링 상에서, 예를 들어 형상을 그림으로써, 음향 렌더링의 일부를 선택함으로써 관심 구역을 선택할 수 있다.
일부 실시예에서, 본 명세서에는 분류기 모델을 사용하여 조직의 유형을 결정하는 방법이 개시되어 있으며, 상기 방법은 하나 이상의 프로세서를 포함하는 컴퓨터 및 명령어를 포함하는 컴퓨터 판독 가능 저장 매체에 의해 구현되며, 상기 방법은: 피험자의 조직에 대한 복수의 이미지를 수신하는 단계 - 복수의 이미지는 투과 이미지 및 반사 이미지로 구성된 그룹에서 선택되고, 복수의 이미지는 상기 체적의 조직을 통해 투과되는 음향 파형으로부터 유도된 복수의 음향 신호로부터 생성됨 - ; 사용자가 선택한 관심 구역과 관련된 예후 파라미터의 세트를 제공하는 단계 - 예후 파라미터의 세트는 조직 내에서 사운드 전파를 특징짓는 하나 또는 복수의 사운드 전파 메트릭을 포함하고, 예후 파라미터의 세트는 조직 분류기 모델에 대한 입력에 대응하고, 예후 파라미터의 세트는 관련된 특징 그룹의 복수의 서브 세트를 포함함 - ; 및 피험자의 조직의 유형을 결정하는 단계 - 조직의 유형은 상기 분류기 모델을 사용하여 암성 종양, 섬유 선종, 낭종, 비-특이적 양성 종괴, 및 식별 불가능한 종괴로 구성된 그룹으로부터 선택됨 - 를 포함한다. 일부 실시예에서, 프로세서에 의해 실행될 때 프로세서가 본 명세서에 개시된 방법을 수행하게 하는 명령어가 저장되어 있는 비-일시적 컴퓨터 판독 가능 저장 매체가 본 명세서에 개시되어 있다. 일부 실시예에서, 본 명세서에는 비-일시적 컴퓨터 판독 가능 저장 매체를 포함하는 컴퓨터가 본 명세서에 개시되어 있다.
정의
달리 정의되지 않는 한, 본 명세서에서 사용되는 모든 기술 용어는 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 갖는다.
본 명세서에서 사용된 바와 같이, 단수 형태 및 "상기"는 문맥이 달리 명확하게 지시하지 않는 한 복수 언급을 포함한다. 본 명세서에서 "또는"에 대한 임의의 언급은 달리 언급되지 않는 한 "및/또는"을 포함하는 것으로 의도된다.
본 명세서에 사용되는 바와 같이, 용어 "약"은 그 안에서의 증분을 포함하여, 약 10 %, 5 % 또는 1 %만큼 명시된 양에 가까운 양을 지칭한다.
초음파 시스템
도 1a, 도 1b 및 도 1c는 각각 실시예에 따른 예시적인 초음파 스캐너의 개략도, 예시적인 초음파 스캐너에서의 환자 유방의 개략도, 및 초음파 스캐너의 예시적인 초음파 변환기의 개략도를 도시한다. 도 1a, 도 1b 및 도 1c에 도시된 바와 같이, 초음파 단층 촬영 스캐너(100)는 일정 체적의 조직을 수용하도록 구성되고 초음파 송신기의 어레이(124) 및 초음파 수신기의 어레이(126)를 포함하는 변환기(120)를 포함할 수 있다. 초음파 송신기의 어레이는 상기 체적의 조직을 향해 음향 파형을 방출하도록 구성될 수 있고, 초음파 수신기의 어레이(126)는 상기 체적의 조직을 통해 투과된 음향 파형으로부터 유도된 음향 신호의 세트를 검출하도록 구성될 수 있다. 초음파 단층 촬영 스캐너(100)는 변환기와 통신하는 컴퓨터(110)(예를 들어, 디지털 처리 장치)를 더 포함할 수 있으며, 실행될 때 상기 체적의 조직의 향상된 이미지를 생성하는 방법, 일정 체적의 유방 조직을 특징짓는 방법, 및 본 명세서에 설명된 실시예 및 변형예를 수행하도록 구성될 수 있는 명령어가 저장되어 있는 비-일시적 컴퓨터 판독 가능 매체 및 하나 이상의 프로세서를 포함한다. 초음파 단층 촬영 스캐너(100)는 디지털 처리 장치(110)와 통신하고 상기 체적의 조직의 향상된 이미지를 렌더링하도록 구성된 디스플레이(190)를 더 포함할 수 있다.
시스템(100)은 일정 체적의 조직 내에 존재하는 구조의 고해상도 이미지를 생성하는 데 사용될 수 있는 초음파 이미지를 렌더링하고 그리고/또는 변환된 초음파 데이터를 생성하도록 기능할 수 있다. 일부 실시예에서, 시스템(100)은 예를 들어 미국 식품 의약품국(FDA)에 의해 규제되는 바와 같이 의료 이미징에 대한 규제 표준과 정렬될 수 있는 이미지를 생성하도록 기능할 수 있다. 시스템(100)은 본 명세서에 설명된 방법의 실시예, 변형예, 또는 예의 적어도 일부를 구현하도록 구성될 수 있다; 그러나, 시스템(100)은 임의의 다른 적절한 방법을 구현하도록 추가적으로 또는 대안적으로 구성될 수 있다.
변환기(120), 컴퓨터 프로세서(110), 및 디스플레이(190)는 도 1a 및 도 1b에 도시된 바와 같이 스캐너 테이블(105)에 결합될 수 있다. 스캐너 테이블(105)은 일정 체적의 환자의 조직에 대한 접근을 제공하는 개구(106)를 가질 수 있다. 내구성이 높고 가요성인 재료(예를 들어, 가요성 막, 직물 등)로 제조될 수 있는 테이블은 환자의 신체에 대해 윤곽을 맞출 수 있어, 유방의 겨드랑이 구역에 대한 스캔 접근성을 높이고, 환자의 편안함을 높일 수 있다. 테이블의 개구(106)는 유방(또는 다른 부속물)이 테이블을 통해 돌출하고 음파를 전파하는 음향 결합 매체로서 물 또는 다른 적절한 유체로 채워진 이미징 탱크(130)에 잠기게 할 수 있다.
도 1b 및 도 1c는 실시예에 따른 예시적인 초음파 스캐너의 환자 유방의 개략도 및 초음파 스캐너의 예시적인 초음파 변환기의 개략도를 도시한다. 도 1b 및 도 1c에 도시된 바와 같이, 변환기 요소(122)를 갖는 링 형상의 변환기(120)는 이미징 탱크(130) 내에 위치될 수 있고, 유방을 포위하거나 또는 그렇지 않으면 둘러쌀 수 있으며, 여기서 각각의 변환기 요소(122)는 초음파 수신기의 어레이(126) 중 하나와 쌍을 이루는 초음파 송신기의 어레이(124) 중 하나를 포함할 수 있다. 안전한 비-이온화 초음파 펄스를 조직으로 향하게 하는 다중 초음파 송신기(124) 및 조직으로부터 산란되고 그리고/또는 조직을 통해 투과되는 음향 신호를 수신 및 기록하는 다중 초음파 수신기(126)가 링 변환기(120) 주위에 분포될 수 있다. 일 실시예에서, 변환기(120)는 각각의 초음파 송신기 요소가 대응하는 초음파 수신기 요소와 쌍을 이룰 수 있도록 구성될 수 있으며, 각각의 초음파 송신기 요소는 2 개의 인접한 초음파 송신기 요소에 의해 둘러싸일 수 있고, 각각의 초음파 수신기 요소는 2 개의 인접한 초음파 수신기 요소에 의해 둘러싸일 수 있으며, 변환기는 도 1c에서와 같이 축 대칭일 수 있다.
스캔하는 동안, 링 변환기(120)는 예를 들어 흉벽과 유방의 젖꼭지 구역 사이의 전후 방향으로 조직을 따라 통과하여, 음향 반사, 음향 감쇠 및 사운드 속도와 같은 측정을 포함하는 음향 데이터 세트를 획득할 수 있다. 데이터 세트는 개별 스캔 단계 또는 관상 "슬라이스"에서 획득될 수 있다. 변환기(120)는 흉벽으로부터 젖꼭지를 향해 그리고/또는 젖꼭지로부터 흉벽을 향해 증분적으로 단계적으로 스캔하도록 구성될 수 있다. 그러나, 변환기(120)는 추가적으로 및/또는 대안적으로 스캔 동안 조직의 임의의 적절한 생체 역학적 특성에 관한 데이터를 임의의 적절한 방향으로 수신할 수 있다.
일부 실시예에서, 스캐너 테이블은 본 명세서에 포함된 참고 문헌 중 임의의 것에 설명된 환자 인터페이스 시스템의 실시예, 변형예 또는 예 및 추가적으로 또는 대안적으로 "환자 인터페이스 시스템"이라는 제목의 미국 출원 번호 14/208,181, "스캐닝 매체를 제공하기 위한 시스템"이라는 제목의 미국 출원 번호 14/811,316, 또는 "조직체를 성형하고 위치 결정하기 위한 시스템"이라는 제목의 P.C.T. 국제 특허 출원 공개 WO2017139389를 포함할 수 있으며, 이들 각각은 그 전체가 본 명세서에 참조로 포함된다. 그러나, 시스템(100)은 임의의 다른 적절한 환자 인터페이스 시스템을 추가적으로 또는 대안적으로 포함하거나 또는 이와 결합될 수 있다.
이미지 양식
본 개시 내용의 시스템 및 방법은 일정 체적의 조직의 하나 또는 복수의 이미지를 생성하는 단계를 포함할 수 있다. 이미지는 본 명세서에 설명된 하나 이상의 컴퓨터 프로세서에 의해 생성될 수 있다. 하나 또는 복수의 이미지는 반사 이미지, 속도 이미지, 및 감쇠 이미지 중 하나 이상을 포함할 수 있다. 일부 실시예에서, 본 명세서에 개시된 시스템, 장치 및 방법은 투과 이미지를 생성하는 단계를 포함할 수 있다. 투과 이미지는 감쇠 이미지 및 사운드 속도 이미지 중 하나 이상을 포함할 수 있다. 일부 실시예에서, 복수의 이미지는 조합된 이미지를 포함한다. 일부 실시예에서, 조합된 이미지는 복수의 반사 이미지를 포함한다. 일부 실시예에서, 조합된 이미지는 복수의 투과 이미지를 포함한다. 일부 실시예에서, 조합된 이미지는 적어도 하나의 반사 이미지 및 적어도 하나의 투과 이미지를 포함한다.
하나 또는 복수의 이미지는 일정 체적의 조직 내에서의 사운드 전파를 특징짓는 음향 역학 파라미터의 3 차원 렌더링으로부터 생성될 수 있다. 음향 역학 파라미터는 예를 들어, 사운드 속도, 음 감쇠 및 사운드 반사 중 적어도 하나를 포함할 수 있다. 각각의 렌더링은 상기 체적의 조직의 스캔에서 각 단계에서 측정된 각각의 음향 역학 파라미터에 대한 상기 체적의 조직의 일련의 "슬라이스"에 해당하는 2D 이미지의 하나 이상의 "스택"으로부터 형성될 수 있다. 대안적으로 또는 조합하여, 각각의 렌더링은 상기 체적의 조직으로부터 수신된 복수의 음향 데이터로부터 생성된 상기 체적의 조직 내의 사운드 전파의 모델에 응답할 수 있다. 일부 경우에는, 방사선 전문의가 이러한 다중 이미지 스택을 사용하여 조직 비정상을 검출하고 그리고 특징짓는 것을 상호 연관시켜 종괴를 정의한다. 도 1d, 도 1e 및 도 1f는 각각 유방의 사운드 속도, 반사, 및 감쇠 초음파 단층 촬영 이미지의 예를 보여준다.
일부 실시예에서, 본 개시 내용의 시스템 및 방법은 인간 또는 다른 동물에서 비정상(예를 들어, 암성 조직)을 검출하는데 사용될 수 있는 하나 이상의 렌더링을 생성하는 데 사용될 수 있다. 따라서, 하나의 변형예에서, 변환기 시스템에서 생성된 이미지는 조직을 특징지음으로써 암 진단을 용이하게 하고, 그 유형을 평가하고, 그 정도를 결정하는데(예를 들어, 조직의 종괴가 외과적으로 제거될 수 있는지 여부를 결정하는데) 사용될 수 있거나, 또는 암 발생 위험을 평가하는데(예를 들어, 유방 조직 밀도 측정) 사용될 수 있다. 또 다른 실시예에서, 변환기 시스템으로부터 생성된 이미지는 조직의 특정 양태를 특징짓거나 또는 조사하는데 사용될 수 있는데, 예를 들어 조직의 종괴가 종양, 낭종, 섬유 선종, 또는 다른 종류의 종괴일 수 있는지 여부를 결정하는데 사용될 수 있다. 상기 체적의 조직에서의 병변을 특징짓는 것은 통함된 참고 문헌에서의 방법의 실시예, 변형예 또는 예를 통해 적어도 부분적으로 구현될 수 있다. 대안적으로 또는 조합하여, 변환기 시스템으로부터의 이미지에 응답하여 병변을 특징짓는 것은 임의의 다른 적절한 방법을 사용하여 구현될 수 있다.
본 명세서에 설명된 변환기 시스템의 실시예는 특정 유형의 이미지를 생성하도록 구성될 수 있다. 예를 들어, 변환기 시스템은 특정 음향 역학 파라미터에 응답하여 특정 유형의 이미지를 획득하도록 구성될 수 있다. 일 실시예에서, 변환기 시스템은 투과 이미징(예를 들어, 속도 이미징 또는 감쇠 이미징)을 위해 구성될 수 있고 그리고/또는 반사 이미징을 위해 구성될 수 있다. 다양한 이미지 양식으로부터 형성된 이미지는 전체적으로 또는 부분적으로 병합되어 조합된 이미지 양식을 형성할 수 있다. 대안적으로 또는 조합하여, 초음파 데이터의 처리는 본 명세서에 포함된 참고 문헌의 방법에 설명된 방법을 사용하여 수행될 수 있다. 이러한 방법은 파형 사운드 속도 렌더링을 생성하는 단계 및 반사 렌더링을 생성하는 단계를 포함할 수 있다.
하나 이상의 이미지 양식을 생성하는 단계는 일정 체적의 조직의 전-후 축에서 단계별 스캔하는 단계를 포함할 수 있다. 스캔의 각 단계에서, 하나 이상의 변환기 요소가 음향 파형을 상기 체적의 조직으로 투과시킬 수 있다. 스캔의 각 단계에서, 하나 이상의 변환기 요소는 상기 체적의 조직으로부터의 조직으로부터 음향 파형을 수신할 수 있다. 수신된 파형은 음향 데이터로 변환될 수 있다. 수신된 파형은 증폭될 수 있다. 수신된 파형은 디지털화될 수 있다. 음향 데이터는 에너지의 속도, 에너지의 반사 및/또는 에너지의 감쇠를 포함할 수 있다. 수신된 파형은 본 명세서에 설명된 임의의 프로세서 및 관련 전자 장치에 의해 증폭되고 후속적으로 음향 데이터로 변환될 수 있다. 수신된 파형은 증폭되고 후속적으로 프로세서 및 관련 전자 장치에 의해 음향 데이터로 변환될 수 있다.
도 1d는 일부 실시예에 따른 예시적인 사운드 속도 이미지를 도시한다. 일부 실시예에서, 속도 이미지는 복수의 음향 신호로부터 생성될 수 있다. 사운드 속도 렌더링은 상기 체적의 조직의 구역에 걸친 사운드 속도 값의 분포를 포함할 수 있다. 음향 사운드 속도 렌더링을 생성하는 단계는 하나 또는 복수의 2 차원(2D) 사운드 속도 렌더링을 생성하는 단계를 포함할 수 있다. 2 차원 사운드 속도 렌더링은 상기 체적의 조직을 통한 슬라이스(예를 들어, 관상 슬라이스)와 관련될 수 있다. 음향 사운드 속도 렌더링을 생성하는 단계는 상기 체적의 조직의 음향 사운드 속도의 체적 표현인 3 차원(3D) 음향 사운드 속도 렌더링을 생성하는 단계를 포함할 수 있다. 사운드 속도 렌더링은 지방 조직(예를 들어, 지방 실질, 실질 지방, 피하 지방 등), 실질 조직, 암성 조직, 비정상 조직(예를 들어, 섬유 낭성 조직, 섬유 선종 등), 및 상기 체적의 조직 내의 임의의 다른 적합한 조직의 유형 중 하나 이상의 분포에 의해 상기 체적의 조직을 특징지을 수 있다.
에너지의 속도에 응답하는 이미지(예를 들어, 속도 이미지)는 본 명세서에서 설명되는 초음파 단층 촬영 스캐너에 포함되거나 또는 이에 결합된 프로세서(110)를 사용하여 생성될 수 있다. 대안적으로 또는 조합하여, 에너지의 속도에 응답하는 이미지가 본 명세서에 설명된 임의의 적절한 프로세서에서 생성될 수 있다. 에너지의 속도에 응답하는 이미지는 상기 체적의 조직으로부터 수신된 복수의 음향 신호에 응답하는 사운드 속도 렌더링일 수 있다. 대안적으로 또는 조합하여, 임의의 적절한 데이터로부터의 복수의 음향 신호에 응답하여 사운드 속도 렌더링이 생성될 수 있다. 사운드 속도 맵은 상기 체적의 조직으로부터의 후방 산란 신호에 더하여 상기 체적의 조직을 통한 사운드 투과 신호의 처리에 응답하여 생성될 수 있다.
사운드 속도 맵은 일정 체적의 조직의 복소 값 초음파 임피던스의 실제 부분, 상기 체적의 조직을 통한 파형의 이동 속도, 투과와 검출 사이의 시간에 따른 상기 체적의 조직을 통한 이동 거리의 비, 또는 임의의 다른 적절한 음향 속도 파라미터를 특징지을 수 있다. 2D 음향 사운드 속도 이미지 스택은 조직의 복소 값 임피던스의 실제 부분으로부터 유도될 수 있으며, 조직의 해부학적 디테일을 제공할 수 있다.
사운드 속도 렌더링은 파형 사운드 속도 방법으로부터 생성될 수 있다. 이러한 방법은 이동 시간 단층 촬영 알고리즘에 따라 시뮬레이션된 파형에 응답하여 초기 사운드 속도 렌더링을 생성하는 단계를 포함할 수 있다. 대안적으로 또는 조합하여, 초기 사운드 속도 렌더링은 광선 아티팩트가 복수의 사운드 주파수 성분 각각에 대해 미리 결정된 임계값으로 감소될 때까지 반복적으로 최적화될 수 있다. 추가적으로 또는 조합하여, 획득된 모델이 파형 사운드 속도 방법이 실제 모델로 수렴하도록 시작 모델로서 충분히 양호하게 될 때까지 초기 방법 렌더링을 반복적으로 조정할 수 있다. 이러한 방법은 미국 출원 14/817,470에 설명된 방법을 포함할 수 있으며, 이는 전체가 참조로 본 명세서에 포함된다.
도 1f는 일부 실시예에 따른 예시적인 감쇠 이미지를 도시한다. 일부 실시예에서, 감쇠 이미지는 복수의 음향 신호로부터 생성될 수 있다. 사운드 감쇠 렌더링은 상기 체적의 조직의 구역에 걸친 사운드 감쇠 값의 분포를 포함할 수 있다. 음향 사운드 감쇠 렌더링을 생성하는 단계는 하나 또는 복수의 2 차원(2D) 사운드 감쇠 렌더링을 생성하는 단계를 포함할 수 있다. 2 차원 사운드 감쇠 렌더링은 상기 체적의 조직을 통한 슬라이스(예를 들어, 관상 슬라이스)와 관련될 수 있다. 음향 사운드 감쇠 렌더링을 생성하는 단계는 상기 체적의 조직의 음향 사운드 감쇠의 체적 표현인 3 차원(3D) 음향 사운드 감쇠 렌더링을 생성하는 단계를 포함할 수 있다. 사운드 감쇠 렌더링은 지방 조직(예를 들어, 지방 실질, 실질 지방, 피하 지방 등), 실질 조직, 암성 조직, 비정상 조직(예를 들어, 섬유 낭성 조직, 섬유 선종 등), 및 상기 체적의 조직 내의 임의의 다른 적합한 조직의 유형 중 하나 이상의 분포에 의해 상기 체적의 조직을 특징지을 수 있다. 추가적으로 또는 대안적으로, 음향 감쇠 렌더링을 생성하는 단계는 본 명세서에 통합된 참고 문헌에 설명된 방법을 포함할 수 있다.
에너지의 감쇠에 응답하는 이미지(예를 들어, 속도 이미지)는 본 명세서에 설명된 초음파 단층 촬영 스캐너에 포함되거나 또는 이에 결합된 프로세서(110)를 사용하여 생성될 수 있다. 대안적으로 또는 조합하여, 에너지의 감쇠에 응답하는 이미지가 본 명세서에 설명된 임의의 적절한 프로세서에서 생성될 수 있다. 에너지의 감쇠에 응답하는 이미지는 상기 체적의 조직으로부터 수신된 복수의 음향 신호에 응답하는 사운드 감쇠 렌더링일 수 있다. 대안적으로 또는 조합하여, 임의의 적절한 데이터로부터의 복수의 음향 신호에 응답하여 사운드 감쇠 렌더링이 생성될 수 있다. 사운드 감쇠 맵은 상기 체적의 조직으로부터의 후방 산란 신호에 더하여 상기 체적의 조직을 통한 사운드 투과 신호의 처리에 응답하여 생성될 수 있다.
사운드 감쇠 맵은 일정 체적의 조직의 복소 값 초음파 임피던스, 상기 체적의 조직에 의한 파형의 흡수, 또는 임의의 다른 적절한 음향 감쇠 파라미터의 가상 부분을 특징지을 수 있다. 2D 음향 사운드 감쇠 이미지의 스택은 조직의 복소 값 임피던스의 가상 부분에서 유도될 수 있으며, 조직의 해부학적 디테일을 제공할 수 있다.
도 1e는 일부 실시예에 따른 예시적인 반사 이미지를 도시한다. 일부 실시예에서, 반사 이미지는 복수의 음향 신호로부터 생성될 수 있다. 사운드 반사 렌더링은 상기 체적의 조직의 구역에 걸친 사운드 반사 값의 분포를 포함할 수 있다. 음향 사운드 반사 렌더링을 생성하는 단계는 하나 또는 복수의 2 차원(2D) 사운드 반사 렌더링을 생성하는 단계를 포함할 수 있다. 2 차원 사운드 반사 렌더링은 상기 체적의 조직을 통한 슬라이스(예를 들어, 관상 슬라이스)와 관련될 수 있다. 음향 반사 렌더링을 생성하는 단계는 상기 체적의 조직의 음향 반사의 체적 표현인 3 차원(3D) 음향 반사 렌더링을 생성하는 단계를 포함할 수 있다. 사운드 반사 렌더링은 지방 조직(예를 들어, 지방 실질, 실질 지방, 피하 지방 등), 실질 조직, 암성 조직, 비정상 조직(예를 들어, 섬유 낭성 조직, 섬유 선종 등), 및 상기 체적의 조직 내의 임의의 다른 적합한 조직의 유형 중 하나 이상의 분포에 의해 상기 체적의 조직을 특징지을 수 있다.
에너지의 반사에 응답하는 이미지(예를 들어, 반사 이미지)는 본 명세서에 설명된 초음파 단층 촬영 스캐너에 포함되거나 또는 이에 결합된 프로세서(110)를 사용하여 생성될 수 있다. 대안적으로 또는 조합하여, 에너지 반사에 응답하는 이미지가 본 명세서에 설명된 임의의 적절한 프로세서에서 생성될 수 있다. 에너지의 반사에 응답하는 이미지는 상기 체적의 조직으로부터 수신된 복수의 음향 신호에 응답하는 사운드 반사 렌더링일 수 있다. 대안적으로 또는 조합하여, 임의의 적절한 데이터로부터의 복수의 음향 신호에 응답하여 사운드 반사 렌더링이 생성될 수 있다.
반사 렌더링은 엔벨로프 검출 반사 데이터(ERF), 원시 무선 주파수 반사 신호(예를 들어, REF 이미지 데이터, "무선 주파수" 또는 RF 데이터)를 활용할 수 있고, 이는 플래시 B-모드 초음파 이미지 또는 임의의 적절한 초음파 이미지로 변환될 수 있다. 음향 반사 신호의 분포는 반사 강도와 음향 파형의 방출 강도 사이의 관계(예를 들어, 합, 차이, 비 등), 상기 체적의 조직의 음향 임피던스의 변화, 또는 임의의 다른 적절한 음향 반사 파라미터를 특징지을 수 있다. 2D 음향 반사 이미지의 스택은 조직의 음향 임피던스의 변화로부터 유도될 수 있으며, 조직에 대한 에코 텍스처 데이터 및 해부학적 세부 정보를 제공할 수 있다.
일부 실시예에서, 음향 반사 렌더링은 예를 들어, 사운드 속도 렌더링 또는 감쇠 렌더링을 포함하는 다른 음향 데이터 유형으로부터 렌더링을 생성하는 데 사용되는 변환기 요소의 어레이의 주파수보다 더 큰 주파수에서 송신 및 수신하는 변환기 요소의 어레이로부터 수신된 음향 반사 신호의 분포로부터 생성될 수 있다. 다른 실시예에서, 음향 반사 렌더링은 예를 들어, 사운드 속도 렌더링 또는 감쇠 렌더링을 포함하는 다른 음향 데이터 유형으로부터 렌더링을 생성하는 데 사용되는 변환기 요소의 어레이의 주파수보다 낮은 주파수에서 송신 및 수신하는 변환기 요소의 어레이로부터 수신된 음향 반사 신호의 분포로부터 생성될 수 있다. 저주파(~ 1 MHz)는 정반사(~ 1 mm까지)에 대한 정보를 제공할 수 있다; 그러나, 더 높은 주파수(~ 1 내지 5 MHz)에서의 이미징은 스페클 패턴(speckle patterns)에 대한 정보를 제공하는 서브-mm 입도를 더 잘 이미징할 수 있다. 따라서, 특정 주파수에서 특정 음향 렌더링을 생성하는 것이 유용할 수 있다.
임의의 유형의 음향 데이터의 3D 렌더링은 전체적으로 또는 부분적으로 조합되거나 또는 병합될 수 있다. 일 실시예에서, 병합된 렌더링은 적어도 2 개의 유형의 이미지 데이터의 3D 렌더링을 조합하는 것을 포함할 수 있다. 다른 실시예에서, 병합된 렌더링은 적어도 2 개의 유형의 이미지 데이터로부터 복수의 2D 이미지의 적어도 일부를 조합하는 것을 포함할 수 있다. 다양한 렌더링을 단일 렌더링으로 병합하거나 또는 융합하기 위해 임의의 적절한 공식 또는 알고리즘을 사용할 수 있다. 일부 실시예에서, 조합된 이미지는 향상된 반사 이미지일 수 있다. 이러한 실시예에서, 프로세서는 반사 이미지 및 속도 이미지로부터 향상된 반사 이미지를 생성하도록 구성될 수 있다.
향상된 이미지는 일반적으로 양수된 출원들: U.S. 특허 출원 번호 15/829,748 및 P.C.T. 출원 번호 US2017/064350에서 설명된 상기 체적의 조직의 향상된 이미지를 생성하기 위한 시스템 및 방법의 실시예, 변형예 또는 예를 포함할 수 있고, 상기 출원들 각각은 그 전체가 본 명세서에 참고로 포함된다. 간단히 말해서, 인용된 문헌의 시스템 및 방법은 향상된 반사 이미지를 생성하기 위해 상기 체적의 조직으로부터 반사된 신호를 검출하여 생성된 반사 이미지 및 속도 이미지를 조합할 수 있다. 제 2 반사 이미지는 사운드 속도 이미지의 구배로부터 생성될 수 있으며, 2 개의 반사 이미지는 포함된 참고 문헌에 설명된 바와 같이 조합될 수 있다.
체적을 특징짓는 것
본 개시 내용의 실시예는 일정 체적의 환자의 유방 조직을 특징짓는 방법을 제공한다. 방법은 하나 이상의 프로세서를 포함하는 컴퓨터 및 명령어를 포함하는 컴퓨터 판독 가능 매체에 의해 구현될 수 있다. 도 2는 일부 실시예에 따라 일정 체적의 환자의 유방 조직을 특징짓기 위한 예시적인 방법(200)을 도시한다. 방법(200)은 상기 체적의 조직을 향해 복수의 음향 파형을 방출하는 단계 및 변환기로 복수의 음향 신호를 상기 체적의 조직으로부터 검출하는 단계를 포함할 수 있으며, 여기서 변환기는 상기 체적의 조직을 둘러싸도록 구성된 초음파 수신기의 어레이 및 초음파 송신기의 어레이를 포함할 수 있다(210). 방법(200)은 상기 체적의 조직을 통해 투과된 음향 파형으로부터 유도된 복수의 음향 신호를 변환기로부터 수신하는 단계(220)를 더 포함할 수 있다. 방법(200)은 상기 체적의 조직 내에서 사운드 전파를 특징짓는 3 차원 음향 렌더링을 복수의 음향 신호로부터 생성하는 단계(230)를 더 포함할 수 있다. 방법(200)은 관심 구역을 선택하는 단계(240)를 추가로 포함할 수 있다. 방법(200)은 음향 전파에 대응하는 복수의 예후 파라미터를 음향 렌더링으로부터 생성하는 단계(250)를 더 포함할 수 있다. 방법(200)은 파라미터의 예측 세트에 대응하는 복수의 예후 파라미터의 서브 세트를 음향 렌더링으로부터 생성하는 단계(260)를 더 포함할 수 있다. 방법(200)은 예후 파라미터의 서브 세트를 사용하여 상기 체적의 조직 내의 병변을 특징짓는 단계(270)를 추가로 포함할 수 있다.
일부 실시예에서, 방법(200)은 시야 내에서 타겟 오브젝트를 향상시키는 초음파 이미지의 렌더링에 따라 일정 체적의 조직(예를 들어, 전체 유방, 다른 기관)을 특징짓는 기능을 할 수 있다. 추가적으로 또는 대안적으로, 상기 체적의 조직은 지방 조직(예를 들어, 지방 실질, 실질 지방, 피하 지방 등), 실질 조직, 암성 조직, 비정상 조직(예를 들어, 섬유 낭성 조직, 섬유 선종 등), 및 상기 체적의 조직 내의 임의의 다른 적합한 조직의 유형 중 하나 이상의 분포를 포함할 수 있다. 방법(200)은 인간 유방의 조직을 특징짓는데 사용될 수 있지만, 추가적으로 또는 대안적으로 인간 또는 다른 동물의 팔, 다리, 다른 부속물, 및/또는 임의의 적합한 체적의 조직을 특징짓는 데 사용될 수 있다. 현재의 초음파 방법 및 시스템과 관련하여, 방법(200)은 예를 들어 다음 값들 중 임의의 2 개의 값 사이에 정의된 범위 내에서 최대 10 %까지 종괴의 유형을 특징짓는 데 있어서 특이도를 향상시킬 수 있다(약 0.1 %, 약 1 %, 약 5 % 및 약 10 %). 이러한 종괴에는 암성 종양, 섬유 선종, 낭종, 비-특이적 양성 종괴, 및 식별 불가능한 종괴가 포함될 수 있지만 이에 국한되지 않는다. 그러나, 방법(200)은 임의의 다른 적합한 방식으로 일정 체적의 조직의 진단, 모니터링 및/또는 특징화를 가능하게 하는 기능을 할 수 있다.
일부 실시예에서, 방법(700)은 암의 진단을 용이하게 하고, 그 유형을 평가하고, 그 정도를 결정하기 위해(예를 들어, 조직 내의 종괴가 외과적으로 제거될 수 있는지 여부를 결정하기 위해) 조직을 특징짓는데 사용될 수 있거나, 또는 암 발생 위험을 평가하는데(예를 들어, 유방 조직 밀도 측정) 사용될 수 있다. 또 다른 실시예에서, 방법(200)은 조직의 특정 양태를 특징짓고 그리고/또는 조사하는데 사용될 수 있는데, 예를 들어 조직 내의 종괴가 종양, 낭종, 섬유 선종 또는 다른 종류의 종괴일 수 있는지 여부를 결정하는데 사용될 수 있다. 방법(200)은 일정 체적의 조직 또는 다른 적합한 오브젝트를 이미징하기 위한 임의의 적합한 적용 분야에 사용될 수 있다. 방법(200)은 본 명세서의 다른 곳에서 "초음파 시스템"이라는 제목의 섹션에서 설명되는 시스템(100)의 실시예, 변형예 및/또는 예에 의해 적어도 부분적으로 구현될 수 있다. 그러나, 방법(200)은 임의의 다른 적절한 시스템을 사용하여 추가적으로 또는 대안적으로 구현될 수 있다.
도 2는 실시예에 따른 일정 체적의 조직의 향상된 이미지를 생성하는 방법을 도시하고 있지만, 당업자는 많은 적응예 및 변형예를 인식할 것이다. 또한, 도 2에 도시된 하나 이상의 단계를 삭제하거나 또는 반복할 수 있으며, 추가 단계를 추가할 수 있고, 단계들은 임의의 순서로 수행될 수 있다.
방법(200)의 단계(210)에서, 복수의 음향 파형이 상기 체적의 조직을 향해 방출될 수 있고, 복수의 음향 신호가 변환기를 사용하여 상기 체적의 조직으로부터 검출될 수 있다. 변환기는 초음파 송신기의 어레이 및 상기 체적의 조직을 둘러싸도록 구성된 초음파 수신기의 어레이를 포함할 수 있다. 방법(200)의 단계(220)에서, 상기 체적의 조직을 통해 투과된 음향 파형으로부터 유도된 복수의 음향 신호가 변환기로부터 컴퓨터에 의해 수신될 수 있다. 단계(210 및 220)는 방법(200)의 다른 단계에서 상기 체적의 조직의 렌더링이 유도될 수 있는 음향 데이터를 수집하는 기능을 한다. 방법(200)의 단계(210)에서, 음향 파형을 방출하는 단계 및 음향 신호 세트를 검출하는 단계는 예를 들어 "초음파 시스템"이라는 제목의 섹션에 기술된 바와 같이, 통합된 참고 문헌에 기술된 것과 유사한 방법을 사용하여 초음파 단층 촬영 스캐너(100)로 수행될 수 있다. 그러나, 임의의 적절한 초음파 장치 또는 스캐너를 사용할 수 있다.
방법(200)의 단계(230)에서, 상기 체적의 조직 내에서 사운드 전파를 특징짓는 3 차원 음향 렌더링이 복수의 음향 신호로부터 생성될 수 있다. 음향 신호는 컴퓨터에 의해 음향 데이터로 처리될 수 있다. 음향 데이터는 각각의 측정된 음향 역학 파라미터에 대한 상기 체적의 조직의 일련의 "슬라이스"에 대응하는 2D 이미지의 하나 이상의 "스택"을 생성하는 데 사용될 수 있다. 2D 이미지 데이터의 각각의 스택은 조직의 특정 파라미터 또는 특성과 관련된 음향 데이터, 예를 들어 음향 반사, 음향 사운드 속도 및 음향 감쇠와 같은 임의의 유형의 음향 데이터를 포함할 수 있다. 프로세서(110)는 추가적으로 또는 대안적으로 2 차원 이미지의 스택에 기초하여 3 차원 체적 렌더링을 생성할 수 있고, 그리고/또는 수신된 음향 데이터에 직접 기초하여 3 차원 체적 렌더링을 생성할 수 있다. 상기 체적의 조직의 임의의 부분에 대한 이미지 표현은 상기 체적의 조직의 임의의 하나 이상의 음향 역학 특성을 묘사할 수 있다. 예를 들어, 이미지 표현은 음향 감쇠, 음향 반사, 음향 속도 및/또는 조직의 임의의 적절한 특성을 묘사할 수 있다.
추가적으로 또는 대안적으로, 단계(230)는 본 명세서에 기술된 일정 체적의 조직을 특징짓는 방법에 대한 방법(200)을 사용하여 수행될 수 있다. 추가적으로 또는 대안적으로, 단계(230)는 본 명세서에 "이미지 양식"이라는 제목의 섹션 및 포함된 참고 문헌의 방법에서 설명된 방법들을 사용하여 수행될 수 있다. 이러한 방법들은 파형 사운드 속도 렌더링을 생성하는 단계 및 제 1 반사 렌더링을 생성하는 단계를 포함할 수 있다.
일 실시예에서, 슬라이스는 (예를 들어, 관상 슬라이스에서) 전방 대 후방 방식으로 스캐닝된 체적의 조직의 구역에 대응할 수 있지만, 그러나, 슬라이스는 임의의 다른 방향의 슬라이스에 대응할 수 있다(예를 들어, 전방-후방 방향에 대한 임의의 각도에서, 하위-상위 방향으로, 하위-상위 방향에 대한 임의의 각도에서, 내측-외측 방향으로, 내측-외측 방향에 대한 임의의 각도에서, 등). 음향 슬라이스 내의 각 음향 데이터 포인트는 슬라이스 축을 따른 위치를 포함하여 그리드 상의 특정 값과 연관될 수 있으므로, 상기 체적의 조직을 이미지화하기 위해 슬라이스와 데이터가 서로에 대해 정렬될 수 있다.
관심 구역 선택
관심 구역(ROI)은 음향 감쇠, 음향 사운드 속도 및 음향 반사를 포함하고 추가적으로 조합되거나 또는 병합된 렌더링을 포함하는 임의의 형태의 음향 데이터의 3D 렌더링을 기반으로 사용자에 의해 식별될 수 있다. 사용자가 선택한 ROI는 2 차원 ROI 또는 3 차원 ROI일 수 있다. ROI는 예를 들어 유방 조직 내의 종괴에 해당할 수 있다. 종괴는 예를 들어 암성 종괴, 양성 섬유 선종, 낭종, 다른 양성 소견, 식별 불가능한 종괴(예를 들어, 소견이 없을 수 있음), 또는 임의의 적합한 특징화 또는 분류일 수 있다. 일 실시예에서, ROI는 사용자에 의해, 예를 들어 "자유롭게(free-hand)" ROI를 추적하거나 또는 원 또는 타원과 같은 단순한 형상을 그리는 것에 의해 선택될 수 있다. 일부 실시예에서, 관심 구역의 선택은 사용자의 도움 없이 수행된다. 일부 실시예에서, 사용자는 이미지의 한 지점에 마우스를 놓고, 프로세서에 의해 관심 구역이 생성된다.
2 차원 관심 구역과 같은 사용자가 선택한 관심 구역의 선택은 프로세서에 의해 지원될 수 있다. 추가적으로 또는 대안적으로, ROI의 선택은 컴퓨터 구현 알고리즘에 의해 지원되거나 또는 최적화될 수 있으며, 여기서 컴퓨터는 알고리즘을 구현하기 위한 명령어를 가진 프로세서를 포함한다. 프로세서는 임의의 음향 데이터 유형의 임계값 및/또는 데이터 유형의 조합을 포함하는 데이터 유형의 배수에 기초하여 ROI의 선택을 돕거나 또는 최적화할 수 있다. 프로세서는 예를 들어 이미지 인식 알고리즘의 사용에 의해 알려진 형태에 기초하여 ROI의 선택을 돕거나 또는 최적화할 수 있다. 예를 들어, 프로세서는 다양하게 분류된 병변을 나타내는 임의의 음향 데이터 유형의 이미지의 세트로부터 훈련된 머신 학습 알고리즘을 사용하여 ROI의 선택을 돕거나 또는 최적화할 수 있다. 다른 예에서, 머신 학습 알고리즘은 정성적 형태학적 특징(예를 들어, 형상에 따른 사용자 평가 점수), 정량적 형태학적 특징(예를 들어, 계산된 타원도, 침상도(spiculation)), 및 정량적 특징(속도, 감쇠, 반사 등)을 포함하는 세트 이미지 데이터에 대해 훈련될 수 있다. 일부 경우에는, 프로세서가 에지 검출 알고리즘을 사용하여 관심 구역의 선택을 도울 수 있다. 일부 경우에는, 프로세서가 예후 파라미터의 세트를 사용하여 관심 구역의 선택을 도울 수 있다. 일부 경우에는, 프로세서가 관심 구역의 선택을 돕기 위해 에지 검출 알고리즘 및 예후 파라미터의 세트의 조합을 사용할 수 있다.
3 차원 관심 구역을 사용하여 3 차원 관심 구역을 생성할 수 있다. 이는 예를 들어 프로세서를 사용하여 수행될 수 있다. 일부 경우에는, 관심 구역을 기반으로 마스크를 생성할 수 있다. 마스크는 2 차원 관심 구역 또는 3 차원 관심 구역에 속할 수 있다.
일부 실시예에서, 2 차원 관심 구역 또는 3 차원 관심 구역과 같은 관심 구역에 기초하여 예후 파라미터의 세트가 제공될 수 있다. 일부 경우에, 예후 파라미터의 세트는 프로세서에 의해 결정될 수 있다. 제공된 예후 파라미터의 세트는 적어도 1, 2, 5, 10, 15, 20, 25, 30, 35, 40, 45, 50, 또는 100 개의 예후 파라미터를 포함할 수 있다.
특정 2 차원 관심 구역(ROI)의 식별은 잠재적인 종괴의 경계를 주의 깊게 추적하기 위해 조작자/방사선 전문의가 손으로 그리는 것과 같은 여러 방식으로 수행될 수 있다. 일부 실시예에서, 사용자는 낭종, 섬유 선종, 암, 종양 주위 조직, 실질 조직, 지방 조직, 및 피부를 포함하지만 이에 제한되지 않는 특정 유형의 조직을 분할하기 위해 다중 이미지 스택의 하나 이상의 이미지에 관심 구역(ROI)을 그린다. 일부 실시예에서, 관심 구역은 2 차원 관심 구역의 스택으로부터 형성된 관심 체적과 같은 3 차원 관심 구역일 수 있다.
ROI는 ROI와 주변 조직 사이의 마진 경계를 포함할 수 있다. 도 3a는 실시예들에 따라 다양한 사용자 선택 및/또는 컴퓨터 선택 마진 경계를 포함하고 추가로 다양한 경계 형태를 포함하는 예시적인 ROI를 도시한다. 마진 경계는 분석 시작 시 완전히 식별될 수 있다; 그러나, 추가적으로 또는 대안적으로, 마진 경계는 분석 시작 시 불완전하고, 컴퓨터 프로그램에 의해 최적화될 수 있다. 도 3a에서, 왼쪽 3 개의 마진 경계는 분석 시작 시 다양한 완성도를 보여준다. 마진 경계(310)는 2/3 완성도보다 크다; 마진 경계(320)는 1/3 내지 2/3 완성도이고; 마진 경계(330)는 1/3 완성도 미만이다.
마진 경계는 또한 분류기 모델에서 사용될 수 있는 형태를 포함할 수 있다. 이러한 형태는 예를 들어 평활한 에지를 가진 것들, 불규칙한 그리고/또는 거친 에지를 가진 것들, 예를 들어, 하나 또는 복수의 세장형 요소를 갖는 것들 또는 추측될 수 있는 것들, 주로 둥글거나 또는 타원형일 수 있는 것들, 또는 조직의 병변이 합리적으로 취할 수 있는 다른 형상을 포함할 수 있다. 마진 경계(340 및 350)는 완성되어 있고, 마진 경계의 예시적인 형태를 보여준다. 마진 경계(340)는 불규칙한 마진 경계를 나타낸다. 마진 경계(350)는 암성 병변을 나타낼 수 있는 것과 같은 중요한 추측을 보여준다.
식별된 마진 경계를 갖는 선택된 ROI로부터, 하나 또는 복수의 내부 및 외부 관심 구역이 식별될 수 있다. 내부 관심 구역(들)은 마진 경계에서 시작하여 ROI 내부에서 더 계속되는 하나 또는 복수의 층을 포함할 수 있다. 외부 관심 구역은 마진 경계에서 시작하여 ROI 외부에서 계속되는 하나 또는 복수의 층을 포함할 수 있다. ROI의 내부 및 외부 층은 각각 "근처" 및 "먼"으로 분류된 층들을 포함할 수 있다. "근처" 층은 경계에 가까운 것으로 분류될 수 있다. "먼" 층은 경계에서 멀리 떨어져 있는 것으로 분류될 수 있다. 예를 들어, 관심 구역의 내부 층은 경계 근처에 있고 경계에서 멀리 떨어진 층을 포함할 수 있다. 예를 들어, 관심 구역의 외부 층은 경계 근처에 있고 경계에서 멀리 떨어진 층을 포함할 수 있다.
도 3b는 실시예에 따른 마진 경계 및 내부 및 외부 층을 갖는 예시적인 타원 ROI(360)를 도시한다. 마진 경계는 사용자에 의해 선택될 수 있고, 추가적으로 또는 대안적으로 사용자에 의해 선택될 수 있고, 컴퓨터 구현 알고리즘의 도움으로 최적화될 수 있다. 도 3b의 예시적인 ROI는 타원형이다; 그러나, ROI는 병변이 취할 수 있는 임의의 형태를 가질 수 있으며, 이들 중 일부는 도 3a를 참조하여 나열된다. 추가적으로 또는 대안적으로, 도 3b의 ROI는 컴퓨터 프로그램에 의해 최적화되거나 또는 지원되도록 사용자에 의해 선택된 초기 ROI에 대응할 수 있다. ROI(360)는 그레이 색의 내부 및 흰색의 외부(370)를 가지고 있다. ROI의 외부는 도 3b에서 ROI 주위에 그려진 선보다 더 연장될 수 있다.
일부 실시예에서, ROI(360)의 내부는 그레이 색의 영역 내부에 그려진 실선으로 표시된 층들로 분할될 수 있다. 도 3b는 10 개의 층으로 분할된 관심 구역의 내부를 도시한다; 그러나, ROI의 내부는 임의의 개수의 층으로 분할될 수 있다. 층들은 균등하게 이격되거나 또는 내부에서 외부로 더 작아지거나 또는 더 커질 수 있다. 추가적으로 또는 대안적으로, ROI(360)의 외부는 ROI(360) 외부에 그려진 실선으로 표시된 층들로 분할될 수 있다. 도 3b는 10 개의 층으로 분할된 관심 구역의 외부를 도시한다; 그러나, ROI의 외부는 임의의 개수의 층으로 분할될 수 있다. 층들은 균등하게 이격되거나 또는 내부에서 외부로 더 작아지거나 또는 더 커질 수 있다. ROI는 ROI의 마무리 전후에 층들로 분할될 수 있다.
추가적으로 또는 대안적으로, 관심 구역의 내부 또는 외부에 있는 층의 세트는 "근처" 또는 "먼" 것으로 분류될 수 있다. 도 3b의 외부 구역(370)은 "근처 층"(372)으로 분류된 5 개의 층 및 "먼" 층(374)으로 분류된 5 개의 층을 갖는다. 근처 또는 먼 것으로 분류된 층들의 개수는 관심 구역의 내부 또는 외부에 있는 층들의 임의의 서브 세트를 포함할 수 있다. 추가적으로 또는 대안적으로, 층들은 균등하게 근처에 있는 것과 먼 것으로 또는 균등하지 않게 분할될 수 있다. 추가적으로 또는 대안적으로, 근처에 있는 것 및 먼 것으로 분류된 층들은 개별 층이 근처 및 먼 분류 모두에 속할 수 있도록 중첩될 수 있다. 층들은 ROI의 마무리 전후에 근처에 있는 것 또는 먼 것으로 분류될 수 있다.
도 4a는 주변 8:00 위치에 잘 국한된(well- circumscribed) 이중엽 섬유 선종이 있는 사운드 속도 초음파 단층 촬영 이미지의 예를 보여준다. 이 경우, 마스크 ROI가 도 4a의 종괴 주위에 (수동으로, 반자동으로 또는 자동으로) 그려져서 도 4b 및 도 4c(확대)에 도시된 바와 같이 바이너리 마스크를 생성한다. ROI는 도 4d 및 도 4e에 도시된 바와 같이 주변 종양 부근 구역 내의 특징을 평가하기 위해 확장될 수 있다. 일부 실시예에서, 도 4a 내지 도 4e에 도시된 바와 같이 상세한 ROI를 사용하는 대신에, 병변 및 다른 주변 조직 전체를 포함하는 타원형 ROI도 원래 ROI로부터 생성되거나 또는 변형할 수 있다.
시간 소모적인 ROI 그리기는 종괴 마진에 근사하는 단순한 타원체에 의해 단순화되거나 또는 에지 검출 프로세스에 의해 자동화될 수 있다. 본 명세서에는 에지 검출 프로세스가 개시되어 있고, 이에 의해 방사선 전문의와 함께 종괴를 통한 최적의 대표적인 슬라이스 상에서 선택된 2 차원(2D) 마진의 더 나은 정의를 위해 다중 이미지 스택으로부터 그려진 데이터를 활용하도록 알고리즘이 훈련되었다. 이에 따라, 종괴 경계 검출을 시작하기 위해 종괴 타겟 주위에 단순한 직사각형 또는 다른 윤곽(타원형, 원형, 불규칙한 형상 등)을 그릴 수 있다. 이 알고리즘은 양성 종괴의 강력한 예측 변수를 인식하도록 훈련될 수 있다. 해당 구역의 상당 부분에서 평활한 곡선 경계가 검출되면, 프로그램이 원 또는 타원체를 완성하여, 더 잘 정의되지 않은 부분을 따라 예상되는 양성 마진을 강조할 수 있다. 이는 양성 종괴에 비해, 불규칙한 마진이 악성 종양의 강력한 예측 변수이기 때문에, 양성 종괴에 대한 불규칙한 경계의 잠재적 부정확한 추정을 방지하는데 도움이 될 수 있다. 일부 경우에, 사용자는 임의의 추가 적절한 편집을 위해 구역에 대해 검출된 에지를 수락하도록 선택이 주어질 수 있다. 대안적으로, 악성에 대한 확률에 대한 최종 머신 학습에 추가 입력이 있는 임의의 이미지 스택에서 불규칙한 경계가 허용될 수 있다.
2D ROI가 종괴 마진 검출을 위한 병변을 통해 슬라이스(예를 들어, xy 축)로부터 식별되면, 프로세스는 종괴 마진의 범위를 결정하기 위해 복수의 이미징 양식으로부터의 픽셀 강도 값을 활용할 수 있는 다중 파라미터 프로세스를 사용하여 쉽게 확장될 수 있다. 2D ROI에 의해 정의된 마진(일부 경우에, 방사선 전문의가 추가로 허용함)은 3 차원(3D) 종괴 범위에 대해 인접한 슬라이스에 적용될 수 있는 특성을 정의할 수 있다. 일부 실시예에서, 알고리즘은 따라서 인접한 이미지의 연구를 후속 인접 이미지 상의 초기 직사각형에 의해 원래 정의된 구역으로 감소시킬 수 있다. 방사선 전문의가 정의한 2D 근사 적도 이미지 내에서 검출된 특성을 적용하면 이 경우 Z 방향에서 종괴의 유효 극지 범위를 정의할 수 있다. 따라서 분할된 이미지의 3D 범위는 분할 및 마스킹 프로세스를 거쳐 3D ROI를 생성할 수 있다. 세그먼트는 바이너리 마스크일 수 있다(즉, ROI에 없는 경우 0 값, ROI에 있는 경우 1 값). 바이너리 마스크는 조직의 유형의 경계 형태를 정의할 수 있다. 일부 경우에는, 마스크가 바이너리가 아닐 수 있다. 예를 들어, 마스크는 병변 마진에서 부드러워질 수 있다.
특징 추출
일부 실시예에서, 일정 체적의 조직 내의 병변은 사용자 평가 점수에 응답하여 하나 이상의 이미지로부터 특징지어질 수 있다. 그러나, 대부분의 경우, 사용자 평가 점수를 사용하지 않는 것이 더 이상적일 수 있다. 본 명세서에서의 방법 및 시스템은 실질적으로 사용자 입력 없이 사용되도록 구성될 수 있다. 일부 실시예에서, 사용자 평가 점수는 주로 종양 형상, 마진 및 인접 조직과의 상호 작용을 평가하는데 할애될 수 있는 BI-RADS 기준과 같은 기존 분류 방법으로부터 평가될 수 있다. BI-RADS에서 "섀도잉" 또는 "투과를 통한 향상"과 같은 기준은 본 명세서에 설명된 적용 가능한 초음파 단층 촬영 방법이 아닐 수 있다; 그러나, 양성 종괴 캡슐의 정반사 또는 많은 암의 침상도 또는 구조적 왜곡과 같은 다른 기준은 초음파 단층 촬영을 사용하여 더 민감하게 검출할 수 있다. 다른 실시예에서, 마진 경계 점수와 같은 초음파 단층 촬영 이미징을 위해 최적화된 적응된 사용자 선택 분류 시스템이 구현될 수 있다. 이러한 방법은 종양 마진 및 종양 부근 조직 상호 작용에 대한 US-BI-RADS 기준을 조합한 5 점 스케일(마진 경계 점수)을 기반으로 할 수 있다. 점수를 평가하는 방법은 포함된 참고 문헌에서의 방법의 실시예, 변형예 또는 예를 통해 적어도 부분적으로 구현될 수 있다.
일부 실시예에서, 본 명세서의 시스템 및 방법은 ROI와 관련된 특징으로서 본 명세서에서 동등하게 예후 파라미터의 세트를 제공한다. 이러한 ROI는 2 차원 ROI일 수 있다. 일부 경우에, 이러한 ROI는 종양 또는 종양 부근의 전부 또는 일부를 포함할 수 있는 구역과 관련될 수 있다. 일부 경우에, 이러한 ROI는 종양 또는 종양 부근에 충분히 근접할 수 있는 구역과 관련될 수 있다.
ROI는 사용자가 선택할 수 있다. 일부 예에서, ROI의 사용자 선택은 시작점을 나타낼 수 있으며, 이는 종양 또는 종양 부근에 중첩되거나 또는 이에 근접할 수 있는 지점 또는 구역일 수 있다. 예를 들어 사용자는 ROI를 폐쇄된 루프, 호, 원, 점, 선, 또는 화살표로 표시할 수 있다.
일부 경우에, 예후 파라미터는 ROI의 사용자 할당 분류를 포함할 수 있다. 이러한 사용자 할당 분류는 ROI 결정과 동시에 또는 다른 시간에 발생할 수 있다. 일부 경우에, 사용자 할당 분류가 ROI의 결정 후에 발생할 수 있다. 일부 경우에, 사용자 할당 분류가 사용되지 않을 수 있다.
ROI 구역으로부터 특징을 추출할 수 있다. 일부 실시예에서, 특징은 또한 ROI를 둘러싸는 종양 부근 구역으로 알려진 확장된 구역으로부터 추출될 수 있다. 이러한 확장된 구역은 다양한 방법으로 생성될 수 있다. 한 가지 예시적인 방법은 각 방향으로 균일한 거리를 추가하는 것일 수 있다. 또 다른 예시적인 방법은 ROI의 동등한 영역을 가진 원의 반경을 찾는 것을 포함할 수 있다. 이 반경은 몇 가지 곱셈 인자에 의해 확장될 수 있으며, 원래 반경과 확장된 반경 간의 차이는 ROI의 각 방향에 추가될 수 있다. 마찬가지로, 이 방법은 각각 최소 및 최대 반경 크기에 대한 하한 또는 상한 임계값이 있도록 수정될 수 있다. 유사하게, 이러한 방법은 내부 종양 ROI를 생성하기 위해 ROI 구역을 축소하는데 사용할 수 있다.
일부 경우에, 예후 파라미터의 세트는 모델 출력(들)(예를 들어, 분류 또는 라벨)을 생성하기 위해 조직 분류기 모델로의 입력에 대응한다. 일부 실시예에서, 예후 파라미터의 세트는 관련된 특징 그룹의 복수의 서브 세트를 포함한다. 일부 실시예에서, 예후 파라미터의 세트는 관심 구역의 사용자 할당 분류를 포함한다. 사용자 할당 분류는 종괴 경계 점수일 수 있다.
예후 파라미터의 세트는 이미지, 예를 들어 보정된 감쇠 이미지, 복합 향상된 반사 이미지, 향상된 반사 이미지, 또는 사운드 속도 이미지로부터 추출된 파라미터를 포함할 수 있다. 일부 실시예에서, 예후 파라미터의 세트는 종괴 경계 점수, 형태학적 특징 등에 대한 설명을 포함할 수 있다.
예후 파라미터의 세트는 보정된 감쇠 이미지 또는 데이터 세트의 파라미터를 포함할 수 있다. 이러한 파라미터는 ROI, 종양 또는 종양 부근에 속할 수 있다. 때로는, 종양과 종양 부근 사이의 그러한 값의 차이가 예후 파라미터의 세트에 있을 수 있다.
일부 경우에, 수정된 감쇠 이미지 또는 데이터 세트의 예후 파라미터의 세트는 종양 내의 평균값, 종양 내의 첨도 값, 종양 내의 첨도 값과 종양 부근 내의 첨도 값의 차이, 종양 내의 그레이 스케일의 표준 편차, 종양 내의 그레이 스케일 이미지의 구배, 종양 부근 내의 구배의 표준 편차, 종양 부근 내의 구배의 왜도, 종양 부근 내의 수정된 감쇠의 첨도, 종양 내의 에너지의 수정된 감쇠, 종양 부근 내의 이미지의 그레이 스케일의 대비, 종양 부근 내의 이미지의 그레이 스케일의 동질성(homogeneity), 또는 종양 내의 및 종양 부근 내의 그레이 스케일의 대비의 차이를 포함할 수 있다.
예후 파라미터의 세트는 복합 향상된 반사 이미지 또는 데이터 세트의 파라미터를 포함할 수 있다. 이러한 파라미터는 ROI, 종양 또는 종양 부근에 속할 수 있다. 때로는, 종양과 종양 부근 사이의 그러한 값의 차이가 예후 파라미터의 세트에 있을 수 있다.
일부 경우에, 복합 향상된 반사 이미지의 예후 파라미터의 세트 또는 데이터 세트는 종양 내의 평균 그레이 스케일 값, 종양 내의 구배의 첨도, 종양 부근 내의 구배의 첨도, 종양 내의 구배의 표준 편차와 종양 부근 내의 구배의 표준 편차 간의 차이, 종양 내의 침식된 그레이 스케일 이미지의 동질성, 종양 부근 내의 침식된 그레이 스케일 이미지의 에너지, 종양 부근 내의 침식된 그레이 스케일 이미지의 동질성, 종양 내의 그레이 스케일 이미지의 에너지의 구배, 종양 부근 내의 그레이 스케일 이미지 구배의 상관 관계, 종양 부근 내의 그레이 스케일 이미지의 구배의 동질성, 종양 내의 및 종양 부근 내의 그레이 스케일 이미지의 구배의 대비 간의 차이, 또는 종양 내의 및 종양 부근 내의 그레이 스케일 이미지의 상관 관계 간의 차이를 포함할 수 있다.
예후 파라미터의 세트는 향상된 반사 이미지 또는 데이터 세트의 파라미터를 포함할 수 있다. 이러한 파라미터는 ROI, 종양 또는 종양 부근에 속할 수 있다. 때로는, 종양과 종양 부근 사이의 그러한 값의 차이가 예후 파라미터의 세트에 있을 수 있다.
일부 경우에, 향상된 반사 이미지 또는 데이터 세트의 예후 파라미터의 세트는 종양 내의 왜도, 종양 내의 평균 그레이 스케일 값, 종양 부근 내의 왜도, 종양 내의 구배의 표준 편차와 종양 부근 내의 구배의 표준 편차 간의 차이, 종양 내의 첨도와 종양 부근 내의 첨도 간의 차이, 종양 내의 구배의 평균, 종양 부근 내의 구배의 표준 편차, 종양 부근 내의 구배의 왜도, 종양 부근 내의 구배의 첨도, 또는 종양 부근 내의 침식된 그레이 스케일 이미지의 동질성을 포함할 수 있다.
예후 파라미터의 세트는 사운드 속도 이미지 또는 데이터 세트의 파라미터를 포함할 수 있다. 이러한 파라미터는 ROI, 종양 또는 종양 부근에 속할 수 있다. 때로는, 종양과 종양 부근 사이의 그러한 값의 차이가 예후 파라미터의 세트에 있을 수 있다.
일부 경우에, 예후 파라미터의 세트는 종양 내의 침식된 그레이 스케일 이미지의 표준 편차, 종양 내의 침식된 그레이 스케일 이미지의 평균, 종양 부근 내의 침식된 그레이 스케일 이미지의 표준 편차, 종양 내의 구배의 1 차 엔트로피, 종양 내의 구배의 1 차 평균, 종양 내의 1 차 엔트로피와 종양 부근 내의 1 차 엔트로피 간의 차이, 종양 내의 대비, 종양 내의 상관 관계, 종양과 종양 부근 간의 대비의 차이, 또는 종양과 종양 부근 간의 동질성의 차이를 포함할 수 있다.
예후 파라미터의 세트는 마진의 불규칙성, 종양 내의 사운드 속도 값의 평균, 종양 부근 내의 평균 감쇠 값, 종양 부근 내의 반사의 대비 텍스처 특성, 종양 내의 평균 반사 값과 종양 부근 내의 평균 반사 값 간의 차이, 종양 내의 반사의 대비 텍스처 특성, 종양 내의 사운드 속도 값의 1 차 표준 편차, 종양 내의 반사 값의 평균, 종양 부근 내의 반사 값의 평균, 종양 내의 반사 값의 1 차 평균, 종양 내의 및 종양 부근 내의 반사의 동질성 텍스처 특성 간의 차이, 종양 부근 내의 사운드 속도 값의 1 차 평균 종양 내의 감쇠의 대비 텍스처 특성과 종양 부근 내의 감쇠의 대비 텍스처 특성 간의 차이, 사운드 속도 마진의 웨이블릿 디테일 계수의 표준 편차, 반사 마진의 웨이블릿 디테일 계수의 표준 편차, 반사 마진의 웨이블릿 디테일 계수의 엔트로피의 히스토그램, 반사 마진의 웨이블릿 디테일 계수의 국소 최소 표준 편차, 또는 크리스프 대비의 표준 편차의 최대를 포함할 수 있다. 예후 파라미터의 세트는 이들 파라미터 중 적어도 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17 또는 18 개를 포함할 수 있다. 일부 경우에, 예후 파라미터의 세트는 다른 예후 파라미터를 포함할 수 있다.
일부 실시예에서, 예후 파라미터의 세트는 조직 내에서 사운드 전파를 특징짓는 하나 또는 복수의 사운드 전파 메트릭을 포함할 수 있다. 일부 실시예에서, 사운드 전파 메트릭(들)은 관심 구역의 내부 및/또는 관심 구역 외부의 사운드 전파를 특징짓는다. 일부 경우에, 사운드 전파 메트릭(들)은 사운드 속도, 사운드 감쇠, 및 사운드 반사 중 적어도 하나를 특징짓는다. 일부 경우에, 사운드 전파 메트릭(들)은 사운드 속도 메트릭, 반사 메트릭, 감쇠 메트릭, 사용자 정의 점수, 형태학적 메트릭, 및 텍스처 메트릭 중 하나 이상을 포함한다.
방법(200)의 단계(250)에서, 음향 전파에 대응하는 복수의 예후 파라미터가 음향 렌더링으로부터 생성된다. 방법(200)의 단계(260)에서, 예측 파라미터 세트에 대응하는 복수의 예후 파라미터의 서브 세트가 음향 렌더링으로부터 생성될 수 있다. 각 층, 층의 서브 세트, 층의 분류, 및/또는 ROI는 하나 이상의 관련 정량적 예후 파라미터를 가질 수 있다. 정량적 예후 파라미터는 예를 들어 임의의 음향 데이터 유형의 평균, 중앙값, 최빈값, 표준 편차, 및 체적 평균을 포함할 수 있다. 정량적 예후 파라미터는 데이터 유형의 조합으로부터 계산될 수 있다. 예를 들어, 정량적 예후 파라미터는 ROI 내부 구역과 ROI 외부 구역 간의 예후 파라미터 차이를 포함할 수 있다. 다른 예에서, 정량적 예후 파라미터는 관심 구역, 층들, 층의 분류 등 사이의 차이를 포함할 수 있다. 정량적 예후 파라미터는 예를 들어 다른 예후 파라미터, 알려진 생물학적 특성 등과 예후 파라미터의 비율을 포함할 수 있다. 추가적으로 또는 대안적으로, 정량적 예후 파라미터는 공간 분포에 의해 가중될 수 있다. 추가적으로 또는 대안적으로, 예를 들어 관심 구역, 층, 복수의 층, 층의 분류 등에 대한 음향 데이터 유형의 체적 평균으로부터 정량적 예후 파라미터가 계산될 수 있다.
각 층, 층의 분류, 및/또는 ROI는 하나 이상의 연관된 정성적 예후 파라미터를 가질 수 있다. 하나 이상의 정성적 예후 파라미터를 조합하여 사용함으로써 다른 정성적 예후 파라미터를 생성할 수 있다. 정성적 예후 파라미터는 형상, 첨예도, 구조 및/또는 형태 렌더링의 다른 특성 중 하나 또는 조합을 포함할 수 있다. 정성적 예후 파라미터는 생체 역학적 특성 렌더링의 임의의 적절한 양태를 특징지을 수 있다. 정성적 예후 파라미터는 사용자 또는 컴퓨터에 의해 반-정량적 예후 파라미터로 변환될 수 있는데, 예를 들어 불명료한 마진에 대해서는 "1", 음향 반사 렌더링에서 관심 구역의 첨예한 마진에 대해서는 "2"가 있다. 다른 예로서, 정성적 예후 파라미터는 사용자 또는 컴퓨터에 의해 정성적 양태가 표현되는 정도를 분류하는 정수 스케일(예를 들어, 1 내지 5)의 값과 같은 반-정량적 파라미터로 변환될 수 있다. 예를 들어, 음향 반사 렌더링에서 관심 구역의 마진 첨예도는 반사 지수를 사용하여 매우 첨예한 경우 "1"로, 적당히 불명확하면 "3", 또는 매우 불명확하면 "5"로 분류될 수 있다.
다른 확장된 예후 파라미터를 생성하기 위해 정성적, 정량적 및 반-정량적 예후 파라미터가 조합될 수 있다. 이러한 확장된 예후 파라미터는 기존 유방 이미징 보고 및 데이터 시스템(BI-RADS)을 포함할 수 있으며, 여기서 병변은 1에서 5까지의 정수 스케일로 특징지어질 수 있지만, 음향 데이터를 포함하는 다른 확장된 예후 파라미터도 또한 포함할 수 있다. 본 명세서에 개시된 예후 파라미터는 시간 의존적일 수 있다. 하나 또는 복수의 예후 파라미터의 시간 의존성은 예후 파라미터를 포함할 수 있다. 이러한 모든 정량적 및 정성적 예후 파라미터가 결정될 수 있지만, 이러한 파라미터의 일부만이 결정될 수 있다.
표 1은 일정 체적의 조직에 대한 특정 음향 데이터 유형 A, B 및 C의 평균(예를 들어, 체적 평균) 및 표준 편차(예를 들어, 체적 표준 편차)에 대한 필드를 포함하여 관심 구역 및 관심 구역의 분류에 의해 예후 파라미터를 구성하기 위한 예시 필드를 보여준다. 이 표는 또한 관심 구역과 관련된 층의 분류 간의 차이와 관련된 예후 파라미터를 포함한다.
구역 "종양"은 관심 구역 내부의 음향 데이터와 관련된 예후 파라미터의 세트를 특징짓는다. 구역 "종양 부근"은 관심 구역 외부의 음향 데이터와 관련된 예후 파라미터의 세트를 특징짓는다. 구역 "종양 부근 근처"는 관심 구역의 마진 경계에 가까울 수 있고 관심 구역 외부에 있을 수 있는 층의 분류와 관련된 예후 파라미터의 세트를 특징짓는다. 구역 "종양 부근에서 멀리"는 관심 구역의 마진 경계까지 멀 수 있고 관심 구역 외부에 있을 수 있는 층의 분류와 관련된 예후 파라미터의 세트를 특징짓는다. 구역 "Relative Peri"는 외부 예후 파라미터의 세트를 제외한 내부 예후 파라미터의 세트 간의 차이와 관련된 예후 파라미터의 세트를 특징짓는다. 구역 "RelNearP"는 관심 구역의 마진 경계에 가까울 수 있고 관심 구역의 외부에 있을 수 있는, 층의 분류와 관련될 수 있는 예후 파라미터의 세트를 제외한 내부 예후 파라미터의 세트 간의 차이와 관련된 예후 파라미터의 세트를 특징짓는다. 구역 "RelDistanP"는 관심 구역의 마진 경계에서 멀리 떨어져 있고 관심 구역 외부에 있을 수 있는, 층의 분류와 관련될 수 있는 예후 파라미터의 세트를 제외한 내부 예후 파라미터의 세트 간의 차이와 관련된 예후 파라미터의 세트를 특징짓는다.
표 1은 또한 다양한 음향 데이터 유형에 의해 예후 파라미터를 구성하기 위한 예시 필드를 보여준다. 일부 실시예에서, 개별 예후 파라미터는 구역, 층, 또는 층의 분류에 의해 정의되는 것과 같은, 체적에 대한 평균 또는 표준 편차와 같은 통계적 메트릭에 대응할 수 있다. 이러한 데이터 유형은 예를 들어 마진 경계 점수, 평균 향상된 반사(ErfMean), ROI 내부 및 외부의 향상된 반사의 상대 평균(ErfRelDist), 향상된 반사의 표준 편차(Erf_SD), 평균 사운드 속도(SSMean), ROI 내부 및 외부의 상대 평균 사운드 속도(SSRelDist), 사운드 속도의 표준 편차(SS_SD), 평균 감쇠(AtMean), 감쇠의 표준 편차(At_SD), 마진 경계 점수에 대해 보정된 감쇠의 평균(Corr_At_Mean), 및 마진 경계 점수에 대해 보정된 감쇠의 표준 편차(Corr_At_SD)를 포함하지만, 이에 한정되지 않는다.
일부 실시예에서, 예후 파라미터의 세트는 관심 구역의 적어도 하나의 형태학적 메트릭을 포함한다. 일부 실시예에서, 형태학적 메트릭은 원형도, 형상의 불규칙성, 마진의 불규칙성 및 마진의 평활도 중 적어도 하나를 포함한다.
일부 경우에, ROI는 ROI 내의 사운드의 전파에 의해 설명될 수 있다. 이러한 설명은 사운드 전파 메트릭의 형태일 수 있다. 이러한 메트릭은 종양 내부 또는 종양 부근 내부와 같은 ROI 내에서의 사운드 전파를 특징지을 수 있다. 일부 경우에, 이러한 메트릭은 ROI 외부의 사운드 전파를 특징지을 수 있다. 일부 경우에, 제 2 사운드 전파 메트릭은 ROI 내부 또는 외부의 사운드 전파를 특징지을 수 있다. 이러한 사운드 전파 메트릭은 평균, 표준 편차, 왜도, 또는 첨도를 포함할 수 있다. 일부 경우에는, 2 개의 사운드 전파 메트릭 간의 차이가 예후 파라미터일 수 있다.
예후 파라미터는 평균값을 포함하거나 또는 평균의 계산으로부터 유도될 수 있다. 평균값은 예를 들어 평균, 중앙값 또는 최빈값으로 계산될 수 있다. 보정된 감쇠 이미지, 향상된 반사 이미지, 합성된 향상된 반사 이미지 또는 사운드 속도 이미지에 대해 평균값이 결정될 수 있다.
예후 파라미터는 첨도 값을 포함할 수 있다. 첨도 값은 주파수 분포 곡선의 피크의 첨예도를 설명하거나 또는 나타낼 수 있다. 일부 경우에, 첨도는 그레이 스케일 이미지와 같은 이미지의 구배의 첨도로서 계산될 수 있다. 첨도는 보정된 감쇠 이미지, 향상된 반사 이미지, 합성된 향상된 반사 이미지 또는 사운드 속도 이미지에 대해 결정될 수 있다.
예후 파라미터는 표준 편차를 포함할 수 있다. 일부 경우에는, 표준 편차가 그레이 스케일 이미지와 같은 이미지의 구배의 표준 편차로서 결정될 수 있다. 표준 편차는 보정된 감쇠 이미지, 향상된 반사 이미지, 합성된 향상된 반사 이미지 또는 사운드 속도 이미지에 대해 결정될 수 있다.
일부 실시예에서, 사운드 전파 메트릭은 사운드 속도, 사운드 감쇠 및 사운드 반사 중 적어도 하나를 특징지을 수 있다. 예를 들어, 사운드 전파 메트릭은 사운드 속도 메트릭 및 사운드 감쇠 메트릭, 사운드 속도 메트릭 및 사운드 반사 메트릭, 또는 사운드 감쇠 메트릭 및 사운드 반사 메트릭을 포함할 수 있다. 일부 경우에, 사운드 전파 메트릭은 사운드 속도 메트릭, 사운드 감쇠 메트릭 및 사운드 반사 메트릭을 포함할 수 있다.
일부 실시예에서, 사용자 정의 점수는 사운드 전파 메트릭에 포함될 수 있다. 즉, 사운드 전파 메트릭은 사용자 정의 점수뿐만 아니라 사운드 속도 메트릭, 사운드 감쇠 메트릭, 또는 사운드 전파 메트릭을 포함할 수 있다. 예를 들어, 사운드 전파 메트릭은 사운드 속도 메트릭, 사운드 감쇠 메트릭 및 사용자 정의 점수를 포함할 수 있다. 다른 예로서, 사운드 전파 메트릭은 사운드 속도 메트릭, 사운드 반사 메트릭 및 사용자 정의 점수를 포함할 수 있다. 다른 예로서, 사운드 전파 메트릭은 사운드 감쇠 메트릭 및 사용자 정의 점수를 포함할 수 있다. 추가 예로서, 사운드 전파 메트릭은 사운드 감쇠 메트릭, 사운드 속도 메트릭, 사운드 전파 메트릭 및 사용자 정의 점수를 포함할 수 있다.
일부 실시예에서, 형태학적 메트릭이 사운드 전파 메트릭에 포함될 수 있다. 즉, 사운드 전파 메트릭은 형태학적 메트릭뿐만 아니라 사운드 속도 메트릭, 사운드 감쇠 메트릭 또는 사운드 전파 메트릭을 포함할 수 있다. 예를 들어, 사운드 전파 메트릭은 사운드 속도 메트릭, 사운드 감쇠 메트릭 및 형태학적 메트릭을 포함할 수 있다. 다른 예로서, 사운드 전파 메트릭은 사운드 속도 메트릭, 사운드 반사 메트릭 및 형태학적 메트릭을 포함할 수 있다. 다른 예로서, 사운드 전파 메트릭은 사운드 감쇠 메트릭 및 형태학적 메트릭을 포함할 수 있다. 추가 예로서, 사운드 전파 메트릭은 사운드 감쇠 메트릭, 사운드 속도 메트릭, 사운드 전파 메트릭 및 형태학적 메트릭을 포함할 수 있다.
예후 파라미터는 대비를 포함할 수 있다. 대비는 종양 또는 종양 부근과 같은 ROI 내의 신호의 차이의 척도일 수 있다.
예후 파라미터는 동질성 값을 포함할 수 있다. 동질성 값은 종양 또는 종양 부근과 같은 ROI 내의 변동의 척도일 수 있다.
일부 실시예에서, 예후 파라미터의 세트는 ROI의 적어도 하나의 텍스처 메트릭을 포함한다. 텍스처 메트릭은 에지 정도, 그레이 레벨 동시 발생 매트릭스, 및 로의 텍스처 맵 중 적어도 하나를 포함할 수 있다.
일부 경우에, 예후 파라미터는 이미지의 웨이블릿의 파라미터일 수 있다. 일부 경우에는, 이미지의 웨이블릿이 이미지를 나타낼 수 있다. 일부 경우에는, 이미지의 분석에 웨이블릿을 사용할 수 있다. 웨이블릿의 예들은 이미지의 연속 웨이블릿 변환 또는 이미지의 이산 웨이블릿 변환을 포함할 수 있다.
일부 실시예에서, 여기서 특징은 종괴 경계 점수(MBS), 형태학적 특징, 정량적 특징, 구배 이미지(들)의 정량적 특징, 정상 그레이 스케일의 1 차 통계, 침식된 그레이 스케일의 1 차 통계, 구배 그레이 스케일의 1 차 통계, 정상 그레이 스케일의 그레이 레벨 동시 발생 매트릭스(GLCM) 2 차 특징, 침식된 그레이 스케일의 GLCM 2 차 특징, 및 구배 그레이 스케일의 GLCM 2 차 특징을 포함하는 10 개의 메인 클래스를 포함할 수 있다. 예를 들어, 정상 그레이 스케일의 1 차 통계의 특징(들)은, 정량적 값이 정규화되도록, 종양 및 종양 부근 구역의 정량적 값을 종양 및 종양 부근 구역의 결합에서 정량적 값의 최소/최대에 의해 정의된 그레이 스케일 값에 매핑하는 것을 포함한다. 또 다른 예로서, 정상 그레이 스케일의 1 차 통계의 특징(들)은 종양, 종양 부근 또는 양쪽 구역에 대한 평균, 표준 편차, 왜도, 히스토그램 등을 포함한다. 또 다른 예로서, 침식된 그레이 스케일의 1 차 통계의 특징(들)은 종양 및 종양 부근 구역의 정량적 값을 침식 반경이 0.66*종양 반경인 종양 및 종양 부근 구역의 침식된 마스크에서의 정량적 값의 최소/최대에 의해 정의된 그레이 스케일 값에 매핑하는 것을 포함한다.
일부 실시예에서, ROIs로부터 추출된 특징은 기본 음향 파라미터(각 이미지의 원시 픽셀 값) 또는 그레이/컬러 스케일 카운터 부분의 순서 통계(즉, 평균, 분산, 왜도, 첨도, 대비, 노이즈 수준, 신호 대 노이즈 비율(SNR), 등)이다. 일부 경우에, 이미지의 텍스처는 그레이 스케일 분포의 값을 특징짓는 히스토그램의 순서 통계를 사용하여 평가될 수 있다. 일부 실시예에서, 본 명세서에서의 특징들은 1 차 히스토그램 특징과 같은 텍스처 특징을 포함한다. 일부 실시예에서, 특징들은 그레이 레벨 동시 발생 매트릭스(GLCM) 및 이들의 각각의 스칼라 특징(에너지, 엔트로피 등)과 같은 텍스처를 추가로 특징짓는 고차 특징을 포함한다. 일부 실시예에서, 여기서의 동시 발생 매트릭스는 픽셀의 강도를 그 로컬 이웃과 비교하는 방법이다. 일부 실시예에서, 동시 발생 매트릭스는 특정 값(그레이 스케일)이 일부 정의된 공간 관계에서 다른 값과 동시 발생하는 횟수를 조사할 수 있다. 예를 들어, 종양 ROI가 있는 모든 픽셀에 대하 루핑하면(loop over), 해당 픽셀의 값이 5의 그레이 스케일이고 해당 픽셀의 오른쪽에 인접한 픽셀의 그레이 스케일 값이 9인 경우를 몇 번이나 물어볼 수 있다. 동시 발생 매트릭스를 구성한 후, 스칼라 특징을 구성할 수 있다. 여기에는 에너지, 엔트로피, 대비, 동질성, 및 상관 관계가 포함된다. 이러한 스칼라 특징에 대한 정의는 예를 들어 다음 참조 문헌, https//www.code.ucsd.;edu/pcosman/glcm.pdf 에서 발견될 수 있다. 일부 실시예에서, 특징은 로의 텍스처 맵, 웨이블릿 또는 퓨리에 분석과 관련된 특징, 또는 프랙탈 분석과 같은 고차 특징을 포함한다. 일부 실시예에서, 본 명세서의 특징들은 텍스처 특징을 포함한다. 일부 실시예에서, 이미지(I)) 내의 에지 정도는 다음과 같이 이미지 내의 일부 임계값(ε)을 초과하는 ROI(R) 내의 픽셀의 개수로 정의된다.
일부 실시예에서, 본 명세서의 특징은 다양한 로컬 필터를 이미지에 적용하는 것에 의존하는 로의 텍스처 에너지 측정을 포함한다. 이들 필터는 평균화 필터, 에지 검출 필터, 리플 검출 필터, 및 스팟 검출 필터를 포함할 수 있지만 이에 제한되지 않는다. 이 경우 결과 이미지는 다양한 방식으로 선형 조합되어 9 개의 텍스처 이미지의 세트를 생성한다.
일부 실시예에서, 특징은 전술한 ROIs의 형태를 특징짓는 형태학적 특징(원형도, 불규칙성 등)을 포함한다. 일부 실시예에서, 형태학적 특징, 마진의 평활도는 분할된 종괴를 포함하는 가장 작은 볼록 껍질의 영역에 대한 종괴의 영역들 간의 비율로 결정될 수 있고, 종양 영역(내부 밝은 그레이 윤곽으로 정의된 영역) 및 외측의 더 어두운 그레이 볼록 껍질 영역의 비율은 마진의 평활도일 수 있다.
일부 실시예에서, 형상의 원형도는 다음과 같이 결정될 수 있다.
일부 실시예에서, 형상의 불규칙성은 다음과 같이 결정될 수 있다.
일부 실시예에서, 마진의 불규칙성은 다음과 같이 결정될 수 있고
여기서 직경'은 
로서 ROI와 면적이 같은 원의 직경이다
로의 텍스처 맵의 예가 도 5에 나와 있다. 도 5a는 사운드 속도 이미지를 나타내고, 도 5b는 도 5a의 EE(EdgeEdge) 맵을 도시한다; 도 5c는 도 5a의 ESSE 맵을 나타내고, 도 5d는 4 비트 컬러를 갖는 ESSE(EdgeSpotSpotEdge) 맵을 나타낸다.
일부 실시예에서, 본 명세서의 특징은 퍼지니스를 포함할 수 있다. 퍼지니스는 경계 특징, 예를 들어, 병변의 경계 특징을 정량화할 수 있다.
일부 실시예에서, 병변의 마진과 같은, 마진을 플래깅하는 것을 포함할 수 있는 방법에 의해 퍼지니스가 결정될 수 있다.
마진이 플래깅되면, 웨이블릿 변환이 적용되어 2 차원 웨이블릿을 생성할 수 있다. 극좌표를 사용하여 2 차원 웨이블릿 이미지의 시각화가 이루어질 수 있다. 일부 경우에는, 2 차원 웨이블릿 이미지가 정규화될 수 있다.
웨이블릿 변환은 2 차원 웨이블릿 이미지에 적용되어 1 차원 웨이블릿을 생성할 수 있다. 1 차원 웨이블릿은 극좌표를 사용하여 디스플레이될 수 있다.
퍼지니스 특징은 평균, 최대값, 최대값과 최소값 간의 차이, 표준 편차, 또는 엔트로피(예를 들어, 로컬 엔트로피 또는 전체 엔트로피)를 포함할 수 있다.
1 차원 웨이블릿으로부터 퍼지니스 특징을 추출할 수 있다. 퍼지니스 특징의 예는 반사 마진 또는 사운드 속도 마진의 웨이블릿 디테일을 포함할 수 있다. 일부 경우에, 사운드 속도 마진의 웨이블릿 디테일은 수평 디테일, 수직 디테일, 또는 대각선 디테일을 포함할 수 있다. 일부 경우에, 반사 마진의 웨이블릿 디테일은 수평 디테일, 수직 디테일, 또는 대각선 디테일을 포함할 수 있다. 일부 경우에, 퍼지니스 특징은 사운드 속도 마진의 근사 계수 또는 반사 마진의 근사 계수를 포함할 수 있다.
일부 경우에, 도 6에 도시된 방법을 사용하여 퍼지니스를 결정할 수 있다. 사운드 속도 이미지 및 반사 이미지를 입력으로 사용할 수 있다. 분할 마스크(예를 들어, 분할 또는 자동 분할을 통해 달성됨)도 또한 입력으로 사용될 수 있다. 사운드 속도 이미지 및 반사 이미지를 2 차원 웨이블릿으로 변환할 수 있다. 사운드 속도 이미지의 2 차원 웨이블릿, 반사 이미지의 2 차원 웨이블릿, 원본 사운드 속도 이미지, 및 원본 반사 이미지로부터 마진을 추출할 수 있다. 일부 경우에, 분할 마스크를 사용하여 이미지 및 마진 추출을 위한 2 차원 웨이블릿에 대한 형태학적 작업을 수행할 수 있다. 마진이 추출되면, 이미지 및 웨이블릿을 극좌표로 변환하고, 1 차원 웨이블릿으로 변환할 수 있다. 1 차원 웨이블릿으로부터 퍼지니스 특징을 추출할 수 있다.
도 7a는 사운드 속도 이미지 및 대응하는 2 차원 웨이블릿의 예를 보여준다. 도 7b는 반사 이미지 및 대응하는 2 차원 웨이블릿의 예를 보여준다. 이들 도면에서, 왼쪽 상단 패널은 원본 이미지를 나타내고, 오른쪽 하단 패널은 정규화된 이미지를 나타내고, 상단 중간 패널은 사운드 속도 이미지의 cA 웨이블릿을 나타내고, 하단 중간 패널은 사운드 속도 이미지의 cV 웨이블릿을 나타내고, 오른쪽 상단 패널은 사운드 속도 이미지의 cH 웨이블릿을 나타내고, 왼쪽 하단 패널은 사운드 속도 이미지의 cD 웨이블릿을 나타낸다.
1 차원 웨이블릿은 사운드 속도 및 반사 이미지에 대해 결정되었고, 도 8에 도시되어 있다. 사운드 속도 이미지(상단) 및 반사 이미지(하단)에 대해 웨이블릿이 표시된다. 마진의 웨이블릿(왼쪽), 마진 근처의 cA 웨이블릿(가운데), 및 마진 근처의 cD 웨이블릿(오른쪽)이 표시된다.
사운드 속도 웨이블릿 이미지로부터의 1 차원 웨이블릿 마진이 도 9a에 도시되어 있다. 오른쪽 상단 패널은 사운드 속도 cA 웨이블릿의 cD를 나타내고, 상단 중간 패널은 사운드 속도 cA 웨이블릿의 cA를 나타내고, 왼쪽 상단 패널은 사운드 속도 cH 웨이블릿의 cD를 나타내고, 왼쪽 중간 패널은 사운드 속도 cH 웨이블릿의 cA를 나타내고, 중간 패널은 사운드 속도 cV 웨이블릿의 cA를 나타내고, 오른쪽 중간 패널은 사운드 속도 cV 웨이블릿의 cD를 나타내고, 왼쪽 하단 패널은 사운드 속도 cD 웨이블릿의 cA를 나타내고, 하단 중간 패널은 사운드 속도 cD 웨이블릿의 cD를 나타내고, 오른쪽 하단 패널은 사운드 속도 cA 마진을 나타낸다.
반사 웨이블릿 이미지로부터의 1 차원 웨이블릿 마진이 도 9b에 도시되어 있다. 오른쪽 상단 패널은 사운드 속도 cA 웨이블릿의 cD를 나타내고, 상단 중간 패널은 사운드 속도 cA 웨이블릿의 cA를 나타내고, 왼쪽 상단 패널은 사운드 속도 cH 웨이블릿의 cD를 나타내고, 왼쪽 중간 패널은 사운드 속도 cH 웨이블릿의 cA를 나타내고, 중간 패널은 사운드 속도 cV 웨이블릿의 cA를 나타내고, 오른쪽 중간 패널은 사운드 속도 cV 웨이블릿의 cD를 나타내고, 왼쪽 하단 패널은 사운드 속도 cD 웨이블릿의 cA를 나타내고, 하단 중간 패널은 사운드 속도 cD 웨이블릿의 cD를 나타내고, 오른쪽 하단 패널은 사운드 속도 cA 마진을 나타낸다.
(예를 들어, 분류에 사용되는 다른 특징과 조합하여) 특징으로서 퍼지니스를 포함하는 것은 특징이 퍼지니스를 포함하지 않을 때의 결과와 비교할 때, 수신기 작동 특성 곡선의 곡선 아래의 면적을 개선할 수 있다. 이것은 수동으로 분할, 자동 분할 또는 타원 분할된 병변에 대해 수행될 수 있다. 퍼지니스를 특징으로 포함하면, 곡선 아래의 면적이 약 0.01, 0.02, 0.03, 0.04, 0.05, 0.06 또는 0.07만큼 증가할 수 있다. 일부 경우에, 퍼지니스가 특징으로 포함되면, 곡선 아래의 면적은 적어도 0.05, 적어도 0.06, 적어도 0.07, 적어도 0.08, 적어도 0.09, 적어도 0.01, 적어도 0.02, 적어도 0.03, 적어도 0.04 또는 적어도 0.05만큼 증가할 수 있다. 일부 경우에, 퍼지니스가 특징으로 포함되면, 곡선 아래의 면적은 퍼지니스가 포함되지 않은 경우에 비해 적어도 1 %, 적어도 2 %, 적어도 3 %, 적어도 4 %, 적어도 5 %, 적어도 6 % 또는 적어도 7 %만큼 증가할 수 있다.
특징으로서 퍼지니스를 포함하는 알고리즘은 적어도 70 %, 적어도 75 %, 적어도 80 %, 적어도 85 %, 적어도 90 % 또는 적어도 95 %의 민감도를 가질 수 있다. 퍼지니스를 특징으로 포함하는 알고리즘은 70 % 내지 90 %, 80 % 내지 90 %, 또는 70 % 내지 80 %의 민감도를 가질 수 있다. 일부 경우에, 특징으로서 퍼지니스를 포함하는 알고리즘은 적어도 70 %, 적어도 75 %, 적어도 80 %, 적어도 85 %, 적어도 90 % 또는 적어도 95 %의 특이도를 가질 수 있다. 퍼지니스를 특징으로 포함하는 알고리즘은 70 % 내지 95 %, 80 % 내지 95 %, 또는 80 % 내지 95 %의 특이도를 가질 수 있다.
일부 실시예에서, 본 명세서의 특징은 크리스피니스를 포함할 수 있다. 크리스피니스는 병변의 마진과 같은 마진에서의 변화의 신속성을 정량화하거나 또는 설명할 수 있다. 일부 경우에, 크리스피니스는 마진에서의 변화의 크기를 정량화할 수 있다.
크리스피니스 특징 또는 특징들은 도 10에 도시된 바와 같이 추출될 수 있다. 크리스피니스는 사운드 속도 이미지 또는 반사 이미지를 사용하여 결정될 수 있다. 일부 경우에, 크리스피니스는 사운드 속도 이미지 및 반사 이미지를 모두 사용하여 결정될 수 있다.
크리스피니스를 결정하기 위해 사운드 속도 이미지 및 반사 이미지가 사용되는 경우, 처음 몇 단계는 사운드 속도 및 반사 이미지에 대해 유사하거나 또는 평행할 수 있다. 우선, 각 이미지는 허용 가능한 정규화 방법에 의해 정규화될 수 있다. 정규화된 이미지에 구배가 적용될 수 있다.
구배를 적용한 후, 마진 추출을 수행할 수 있다. 이 단계에서는, 마진 추출을 용이하게 하기 위해 분할 마스크를 생성할 수 있다. 예를 들어, 일부 경우에, 마진 추출은 확장 및 침식을 통해 수행될 수 있다. 침식은 분할 마스크로부터 제거되어, 병변의 마진을 포함하고 가능하게는 병변의 다른 구역을 포함하지 않는 마스크를 생성할 수 있다. 확장은 예를 들어 구멍 또는 깨진 구역을 채우거나, 또는 공간에 의해 분리된 영역을 연결하기 위해, 분할 마스크에 추가될 수 있다. 마진 추출은 마진 마스크를 생성할 수 있다.
마진 추출 후, 공간 평균 필터링을 수행할 수 있다. 일부 경우에, 이 필터링은 마진 마스크로 마스킹된 대비 이미지에 대해 수행될 수 있다. 일부 실시예에서, 필터링된 마진 대비 이미지가 달성될 수 있다. 병변의 마진 추출 및 공간 평균 필터링의 예가 도 11에 도시되어 있다.
이 시점에서, 일부 경우에, 사운드 속도 및 반사 이미지를 합산할 수 있다. 마진 분할을 수행할 수 있으며, 하나 이상의 크리스프 곡선을 검출할 수 있다. 일부 경우에는, 하나 이상의 크리스프 곡선을 검출하여 크리스프 영역을 정의할 수 있다. 그런 다음 크리스프 특징을 추출할 수 있다.
크리스프 특징은 평균, 최대값, 최대값과 최소값 간의 차이, 또는 분산을 포함할 수 있다. 특징들은 픽셀 값에 속하거나 또는 픽셀 값에서 유도된 값에 속할 수 있다.
크리스프 대비의 표준 편차는 악성 병변과 양성 병변을 구별하기 위한 좋은 특징일 수 있다. 일부 경우에, 크리스프 대비의 최대 표준 편차를 포함하면, 분류 알고리즘의 정확도를 향상시킬 수 있다. 일부 경우에, 크리스프 대비의 표준 편차의 최대값과 최소값 간의 차이를 포함하면 분류 알고리즘의 정확도를 향상시킬 수 있다. 일부 경우에, 크리스프 대비의 표준 편차의 다른 특징이 분류 알고리즘의 정확도를 향상시킬 수 있다.
크리스프 마진의 기울기는 악성 병변과 양성 병변을 구별하기 위한 좋은 특징일 수 있다. 예를 들어, 크리스프 각도 특징, 왜도 기울기, 또는 둘 모두를 포함하면 분류 알고리즘의 정확도를 향상시킬 수 있다.
일부 경우에, 크리스프 특징은 크리스프 대비 평균, 크리스프 대비의 표준 편차, 변화 지점에서의 대비 도함수(예를 들어, 1 차 도함수 또는 2 차 도함수), 크리스프 픽셀 반경, 크리스프 각도, 크리스프 기울기의 왜도, 또는 크리스프 기울기의 첨도일 수 있다. 여기서, 크리스프 기울기는 극좌표에서 크리스프 곡선에 맞는 라인의 기울기일 수 있다.
일부 경우에, 크리스프 특징은 국한된 특징일 수 있다. 국한된 특징은 예를 들어 크리스프 각도 및 크리스프 픽셀 반경을 사용하여 계산될 수 있다. 일부 경우에, 크리스프 픽셀 반경의 분산을 사용하여 국한된 특징을 계산할 수 있다. 일부 경우에, 국한된 특징은 크리스프 픽셀 반경의 분산에 대한 크리스프 각도의 비로서 계산될 수 있다.
도 12a에서, 낭종이 있는 유방의 사운드 속도 및 반사 이미지를 획득하여, 이미지의 구배를 달성하였다. 낭종을 분할하기 위해 분할이 수행되었으며, 오른쪽 하단 패널에 도시된 바와 같이, 크리스프 세그먼트가 식별되었다.
도 12b에서, 섬유 선종이 있는 유방의 사운드 속도 및 반사 이미지를 획득하고, 이미지의 구배를 달성하였다. 섬유 선종을 분할하기 위해 분할이 수행되었으며, 오른쪽 하단 패널에 도시된 바와 같이, 크리스프 세그먼트가 식별되었다.
도 12c에서, 종양이 있는 유방의 사운드 속도 및 반사 이미지를 획득하고, 이미지의 구배를 획득하였다. 종양을 분할하기 위해 분할이 수행되었고, 오른쪽 하단 패널에 도시된 바와 같이, 크리스프 세그먼트가 식별되었다.
일부 실시예에서, 병변을 특징짓는데 사용되는 특징은 퍼지니스 및 크리스피니스를 포함할 수 있다.
(예를 들어, 분류를 위해 사용되는 다른 특징들과 조합하여) 특징으로서 크리스피니스를 포함하는 것은 특징이 크리스피니스를 포함하지 않을 때의 결과와 비교할 때, 수신기 작동 특성 곡선의 곡선 아래의 면적을 개선할 수 있다. 이것은 수동으로 분할, 자동 분할 또는 타원 분할된 병변에 대해 수행될 수 있다. 크리스피니스가 특징으로 포함되면, 곡선 아래의 면적이 0.01만큼 증가할 수 있다. 일부 경우에, 곡선 아래 면적은 적어도 0.05, 적어도 0.06, 적어도 0.07, 적어도 0.08, 적어도 0.09 또는 적어도 0.01만큼 증가할 수 있다.
특징으로서 크리스피니스를 포함하는 알고리즘은 적어도 70 %, 적어도 75 %, 적어도 80 %, 적어도 85 %, 적어도 90 % 또는 적어도 95 %의 민감도를 가질 수 있다. 크리스피니스를 특징으로 포함하는 알고리즘은 70 % 내지 90 %, 80 % 내지 90 % 또는 70 % 내지 80 %의 민감도를 가질 수 있다. 일부 경우에, 특징으로서 크리스피니스를 포함하는 알고리즘은 적어도 70 %, 적어도 75 %, 적어도 80 %, 적어도 85 %, 적어도 90 % 또는 적어도 95 %의 특이도를 가질 수 있다. 크리스피니스를 특징으로 포함하는 알고리즘은 70 % 내지 95 %, 80 % 내지 95 % 또는 80 % 내지 95 %의 특이도를 가질 수 있다.
일부 경우에, 크리스피니스 및 퍼지니스 특징 모두가 사용될 수 있다. 크리스피니스 및 퍼지니스는 텍스처 특징, 형태학적 특징 또는 통계 특징과 같은 다른 특징들과 함께 사용될 수 있다. 크리스피니스 및 퍼지니스를 포함하는 특징들을 추출하여, (예를 들어, 머신 학습 알고리즘에 의해) 선택하고, 병변 분류에 사용할 수 있다.
크리스피니스 및 퍼지니스를 포함하는 특징 추출 알고리즘에 환상성(circularity) 특징을 추가하여, 알고리즘의 성능을 향상시킬 수 있다. 타원을 종양에 맞추고 종괴가 타원과 얼마나 유사한지를 계산함으로써 환상성 특징을 추가할 수 있다.
크리스피니스 및 퍼지니스를 포함하는 특징 추출 알고리즘은 알고리즘의 성능을 개선시킬 수 있는 분류기의 변경을 경험할 수 있다. 이러한 변경은 예를 들어 신경망으로부터 지원 벡터 머신으로 이루어질 수 있다. 최적의 분류기가 선택되도록 다른 허용되는 분류기로 변경될 수 있다.
일부 알고리즘의 경우, 환상성 특징이 추가될 수 있고, 최적의 분류기가 선택될 수 있다. 이러한 알고리즘이 "향상된 알고리즘"이라고 언급될 수 있다.
향상된 알고리즘은 향상되지 않은 동일한 알고리즘에 비해 개선을 가져올 수 있다. 일부 경우에, 알고리즘은 이러한 향상 기술을 사용하여 수신기 작동 특성 곡선의 곡선 아래의 면적에 대한 개선을 가져올 수 있다. 일부 경우에, 크리스피니스 및 퍼지니스를 포함하는 알고리즘은 이러한 향상 기술을 사용함으로써 수신기 작동 특성 곡선의 곡선 아래의 면적에 대한 개선을 가져올 수 있다. 이러한 향상으로 인한 수신기 작동 특성 곡선의 곡선 아래의 면적의 개선은 적어도 0.01, 적어도 0.05 또는 적어도 0.1일 수 있다. 이러한 향상으로 인한 수신기 작동 특성 곡선의 곡선 아래의 면적의 개선은 적어도 1 %, 2 %, 3 %, 4 %, 5 %, 6 %, 7 %, 8 %, 9 % 또는 10 %일 수 있다. 일부 경우에, 곡선 아래의 면적은 1 % 내지 10 %, 2 % 내지 10 %, 3 % 내지 10 %, 1 % 내지 7 %, 2 % 내지 7 %, 3 % 내지 7 %, 1 % 내지 5 % 또는 2 % 내지 5 %만큼 증가할 수 있다.
향상된 알고리즘은 적어도 70 %, 적어도 75 %, 적어도 80 %, 적어도 85 %, 적어도 90 %, 또는 적어도 95 %의 민감도를 가질 수 있다. 일부 경우에, 향상된 알고리즘은 70 % 내지 95 %, 70 % 내지 90 %, 70 % 내지 85 %, 70 % 내지 80 %, 75 % 내지 95 %, 75 % 내지 90 %, 75 % 내지 85 %, 75 % 내지 80 %, 80 % 내지 95 %, 80 % 내지 90 %, 85 % 내지 95 %, 85 % 내지 90 %, 또는 90 % 내지 95 %의 민감도를 가질 수 있다. 향상된 알고리즘은 적어도 70 %, 적어도 75 %, 적어도 80 %, 적어도 85 %, 적어도 90 % 또는 적어도 95 %의 특이도를 가질 수 있다. 일부 경우에, 향상된 알고리즘은 70 % 내지 95 %, 70 % 내지 90 %, 70 % 내지 85 %, 70 % 내지 80 %, 75 % 내지 95 %, 75 % 내지 90 %, 75 % 내지 85 %, 75 % 내지 80 %, 80 % 내지 95 %, 80 % 내지 90 %, 85 % 내지 95 %, 85 % 내지 90 % 또는 90 % 내지 95 %의 특이도를 가질 수 있다.
일부 실시예에서, 이미지가 대비되는 방식, 종양 및 종양 부근 구역 내의 특징들 간의 차이, 및 이미징 유형의 순열로부터 추가 특징이 추출될 수 있다.
이미지에서 추출된 특징들 외에도, 방사선 전문의는 또한 악성 정도를 평가하는 점수를 제공할 수도 있다. 일부 실시예에서, 이것은 머신 학습 알고리즘의 분류 정확도를 높이기 위해 제공될 수 있는 선험적 정보이다. 본 명세서에 개시된 것은 종양 형태에서 이질성(heterogeneity)의 정도를 평가하는 단일 BI-RADs-유사 기준을 포함한다. 종괴 경계(MB) 점수라고 언급되는 이러한 점수는 종양을 1 내지 5의 스케일로 평가한다. 낮은 값은 마진이 잘 정의된 잘 국한된 병변을 반영하는 반면, 높은 점수는 종양 부근 구역으로 확장되는 마진이 잘 정의되어 있지 않은 불규칙하거나 또는 침상의 병변을 반영한다. 병변의 2/3 초과가 국한되어 있으면, 1의 점수가 주어진다. 이러한 주변이 1/3 내지 2/3이면, 2의 점수가 주어진다. 병변의 1/3 미만이 국한되어 있으면, 3의 점수가 주어진다. 병변이 매우 불규칙하면, 4의 점수가 주어진다. 마찬가지로, 뚜렷한 추측이 발견되면, 5의 점수가 주어진다. 일부 실시예에서, MB 점수는 전체 BI-RADs 점수와 다소 차이가 있는데, MB 점수는 종양/종양 부근 형태만을 분류하고 l2 개월 후속 조치(BI-RADs 1 및 2), 6 개월 후속 조치(BI-RADs 3) 또는 생검을 위한 권장 사항(BI-RADs 4 및 5)의 임상 결정을 전달하기 위한 것이 아니다. 실제로, MB 점수는 BI-RADs 3의 경우 2 % 미만으로부터 BI-RADs 4의 경우 약 10 내지 50 %로 확률이 급격히 변하는 것보다는 암 확률의 더 평활한 전이를 나타낼 수 있다.
일부 실시예에서, 2 내지 10000 범위의 특징들의 총 개수가 추출될 수 있다. 일부 실시예에서, 10 내지 1000 범위의 특징들의 총 개수가 추출될 수 있다. 일부 실시예에서, 50 내지 500 범위의 특징들의 총 개수가 추출될 수 있다.
일부 실시예에서, 추출된 특징은 관련된 특징 그룹 또는 클래스의 복수의 서브 세트를 포함한다. 하나의 서브 세트는 사운드 속도, 사운드 감쇠, 사운드 반사 또는 이들의 조합을 특징짓는 하나 이상의 사운드 전파 메트릭을 포함할 수 있다. 하나의 서브 세트는 단일 특징 클래스의 모든 특징을 포함할 수 있다. 하나의 서브 세트는 단일 특징 클래스에 하나 초과의 특징을 포함할 수 있다. 하나의 서브 세트는 하나 초과의 특징 클래스로부터의 특징들을 포함할 수 있다. 하나의 서브 세트는 추출된 특징의 총 개수보다 적은 개수의 특징을 포함할 수 있다. 일부 실시예에서, 하나의 서브 세트는 본 명세서에서 분류기 모델을 훈련시키기 위해 선택된 모든 특징을 포함할 수 있다.
일부 실시예에서, 특징들의 하나의 서브 세트는 2 개 내지 100 개의 특징을 포함할 수 있다. 일부 실시예에서, 특징들의 하나의 서브 세트는 20 개 내지 80 개의 특징을 포함할 수 있다. 일부 실시예에서, 특징들의 하나의 서브 세트는 30 개 내지 70 개의 특징을 포함할 수 있다. 일부 실시예에서, 특징들의 하나의 서브 세트는 40 개 내지 60 개의 특징을 포함할 수 있다.
특징 선택
예후 파라미터의 세트는 트리밍될 수 있다. ROI로부터 특징이 추출된 후, 추출된 특징은 특징 선택 단계에서 트리밍될 수 있다. 일부 경우에, 이러한 트리밍은 컴퓨터 프로세서에 의해 지원될 수 있다. 일부 실시예에서, 트리밍되기 전의 추출된 특징의 개수는 환자 샘플의 수와 비슷하거나 또는 이보다 더 클 수 있다. 예를 들어, 다중 이미징 양식을 사용하는 경우, 종양 및 종양 부근 구역을 모두 사용하고, 다양한 대비 선택이 이루어지고, 다른 순열이 포함되면, 특징의 개수가 환자 샘플의 수보다 훨씬 더 많아진다. 일부 실시예에서, 하나 이상의 특징은 추출된 특징이 결정하는 가설 공간의 차원을 나타낼 수 있다. 그러나 "차원의 저주"는 가설 공간이 조밀하게 샘플링되도록 충분한 샘플(환자 데이터)을 가질 필요가 있다고 말한다. 따라서, 일부 실시예에서, 특징의 개수는 프루닝되거나(pruned) 또는 트리밍될 수 있다.
특징 선택을 위해 많은 상이한 방법 또는 방법의 다양한 조합을 사용할 수 있다. 예를 들어, 의사 결정 트리는 각 서브 세트가 전체 특징 공간의 결합을 형성하도록 특징의 서브 세트로부터 이루어질 수 있다. 이러한 개별 서브 세트를 사용하는 훈련은 가장 큰 정보 이득이 최상위 노드에 있는 의사 결정 트리를 생성한다. 이러한 트리의 노드(예를 들어, 최상위 층의 노드)를 집계하여 가장 유익한 특징을 유지할 수 있다. 특징에 대한 일변량 또는 다변량 분석을 수행할 수 있다.
특징 선택 또는 트리밍을 달성하기 위한 비-제한적인 예시적인 방법은 시뮬레이션된 어닐링, 유전 알고리즘, 순방향 선택, 역방향 제거, 트리 기반 필터링, 및 의사 결정 트리 프루닝을 포함한다. 일부 실시예에서, 의사 결정 트리 프루닝은 가설 공간 또는 특징 공간의 차원을 감소시키기 위해 사용된다.
일부 실시예에서, 특징은 주 성분 분석, 다중 선형 주 성분 분석, 및 의사 결정 트리 분석으로 구성된 그룹으로부터 선택된 방법에 기초하여 트리밍되거나 또는 선택된다.
예후 파라미터의 세트는 허용 가능한 방법에 기초하여 (예를 들어, 프로세서에 의해) 트리밍될 수 있다. 허용 가능한 방법은 예를 들어 주 성분 분석, 다중 선형 성분 분석, 의사 결정 트리 분석일 수 있거나 또는 지원 벡터 머신을 사용하는 것이다. 일부 경우에, 허용 가능한 방법은 주 성분 분석, 다중 선형 성분 분석, 의사 결정 트리 분석 및 지원 벡터 머신 사용으로 구성된 그룹으로부터 선택될 수 있다. 일부 경우에, 허용 가능한 방법은 주 성분 분석, 다중 선형 성분 분석 및 의사 결정 트리 분석으로 구성된 그룹으로부터 선택될 수 있다.
일부 실시예에서, PCA(주성분 분석)는 특징 선택 및 생성에 사용되고[유방 DCE-MRI J 디지트 이미징에서 양성 종괴와 악성 종괴를 구별하기 위한 컴퓨터 지원 진단 체계. 2016; 29:388-93], 이는 본 참조에 의해 여기에 통합된다. 일부 경우에, PCA는 많은 특징 및 예가 있는 데이터 세트를 입력으로 취한다. 이 경우 중요하지 않은 그러한 특징을 제거하여 특징의 개수를 감소시킨다. 특히, 기존 특징의 선형 조합인 새로운 특징을 생성할 수 있다. 예를 들어, 에지 정도 및 종양 표준 편차가 가장 중요한 메트릭인 경우, PCA 절차는 이들을 독립적으로 식별하고 이들을 조합하여, 가능한 최상의 데이터 분류를 산출할 수 있다.
일부 실시예에서, 본 명세서의 10 개의 주요 특징 클래스 중 하나가 선택되고, 따라서 선택된 클래스 내의 하나 이상의 특징이 선택된다. 일부 실시예에서, 다른 방법은 본 명세서에 개시된 바와 같은 ICA(독립 성분 분석), RCA(무작위 성분 분석), 신경망 가중치 값들, 및 순열 방법을 포함하지만 이에 제한되지 않는다.
일부 실시예에서, 신경망 또는 다른 딥 러닝 기술(deep learning techniques)의 적용과 같은 머신 학습 방법이 특징 선택을 위해 사용될 수 있다.
일부 실시예에서, 유전 알고리즘은 상이한 특징들을 무작위로 선택한 다음, 이들 특징들 중 일부가 다른 특징들과 정합되는 오프스프링(offspring)을 생성할 수 있다. 일부 실시예에서, 각각의 단일 특징이 다른 특징과 쌍을 이루어 다중 특징 쌍을 생성하는 피드 포워드 접근법(feed forward approach)을 취할 수 있다. 다중 특징 쌍 각각은 훈련 데이터 세트의 적어도 일부를 사용하여 하나 이상의 선택된 머신 학습 알고리즘을 훈련하는데 사용되고, 머신 학습 정확도가 가장 높은 쌍(예를 들어, 정확도는 특이도, 위양성, 위음성, 민감도, PPV 등과 같은 하나 이상의 선택된 메트릭을 포함할 수 있음)이 그 후 나머지 특징 각각과 조합되어 다중 특징 트리오(multiple feature trios)를 생성한하며, 이들의 각각은 새로운 라운드의 훈련 및 정확도 평가를 받을 수 있다. 성능이 가장 뛰어난 트리오는 그 후 다른 모든 특징 각각과 조합되어 4 개의 특징으로 구성된 다중 그룹을 생성할 수 있다. 이러한 프로세스는 지정된 횟수 동안 또는 정지 기준이 충족될 때까지 반복될 수 있다. 일부 실시예에서, 역방향 축소 방법이 사용될 수 있다. 모든 추출된 특징, 예를 들어, N 개의 특징을 사용할 수 있으며, 한 번에 하나의 특징을 제거하여 N-1 개의 특징의 N 개의 서브 세트를 생성한다. 머신 학습 성능이 가장 낮은 N-1 개의 특징의 그룹이 제거된다. 이러한 프로세스는 지정된 시간 동안 또는 정지 기준이 충족될 때까지 반복될 수 있다.
일부 실시예에서, 각 이미지에 대한 하나 이상의 특징 클래스가 선택되고 함께 조합되어 선택된 특징을 생성한다. 예를 들어, 이미지 중 하나에 대해 예를 들어 형태학적 특징과 같은 특징 클래스 중 하나가 선택된다. 각 특징 클래스에는 10 내지 20 개의 특징을 포함할 수 있다. 의사 결정 트리(예를 들어, J48)는 훈련 데이터의 적어도 일부를 사용하여 선택된 특징 클래스에 대해 훈련되며, 대부분의 정보 이득을 포함하는 결과적인 의사 결정 트리의 상위 2-3 개 층이 유지된다. 하나 초과의 특징 클래스에 대해 이러한 프로세스를 반복하여, J48 의사 결정 트리 또는 다른 머신 학습 알고리즘을 훈련하기 위해 각 특징 클래스의 많은 특징들(예를 들어, 2 내지 5 개의 특징)을 얻는다. 일부 실시예에서, 각 이미지에 대한 상위 특징 클래스(예를 들어, 상위 3 개) 및 트리 노드에 나타나는 해당 특징이 얻어진다. 특정 실시예에서, 정량적/텍스처럴(textural 특징의 총 개수는 500 개 초과의 특징으로부터 43 개로 감소될 수 있다. MBS 및 형태학적 특징이 포함되는 경우, 총 49 개의 특징일 수 있다. 일부 실시예에서, 각 의사 결정 트리의 최상층에 있는 특징보다는 최적의 정확도를 갖는 의사 결정 트리의 각각의 단일 특징이 선택된다.
일부 실시예에서, 추출된 특징 또는 트리밍된 특징은 서브 카테고리로 분할된다. 이러한 서브 카테고리에는 세부적인 손으로 그려진 ROI(R)를 사용하여 얻어진 음향 파라미터 및 텍스처럴 특징, 거친 타원형 ROI(RE)로 얻어진 동일한 특징, 세부적인 손으로 그려진 ROI(M)로부터 얻어진 정량적 형태학적 특징, 종괴 경계(MB) 점수, 및 이들의 조합이 포함될 수 있지만 이에 국한되지는 않는다.
일부 실시예에서, 훈련 데이터 세트는 38 개의 낭종, 55 개의 섬유 선종 및 68 개의 암을 포함하는 유방 병변의 161 개(양성 93 개 및 악성 68 개) 샘플을 포함한다. 일부 실시예에서, 훈련 데이터 세트는 임의의 개수의 유방 병변의 샘플을 포함할 수 있으며, 그 개수는 10보다 크다. 일부 실시예에서, 훈련 데이터 세트는 임의의 0이 아닌 개수의 양성 샘플, 낭종 샘플, 섬유 선종 샘플 및 암성 샘플을 포함할 수 있다. 일부 실시예에서, 훈련 세트는 머신 학습 알고리즘의 테스트를 위한 데이터의 서브 세트를 포함한다. 테스트 서브 세트는 약 1/2, 1/3, 1/4, 1/5, 1/6 또는 훈련 세트의 임의의 다른 부분일 수 있다. 일부 실시예에서, 더 많은 데이터 샘플이 이용 가능해질 때, 훈련 세트는 정적이거나 또는 동적으로 증가할 수 있다. 일부 실시예에서, 훈련 세트는 상이한 연령 그룹, 예를 들어, 젊은, 중년, 고령 환자 그룹의 데이터 샘플을 포함할 수 있다. 일부 실시예에서, 훈련 세트는 인종과 같은 상이한 인구 통계 그룹으로부터의 데이터 샘플을 포함할 수 있다. 일부 실시예에서, 훈련 세트는 유방 병변의 상이한 단계로부터의 데이터 샘플을 포함할 수 있다.
예후 파라미터의 세트는 예후 파라미터의 복수의 서브 세트 중 하나로 트리밍될 수 있다. 일부 경우에, 복수의 서브 세트 중 하나는 사운드 속도를 특징짓는 하나 또는 복수의 사운드 전파 메트릭을 포함할 수 있다. 일부 실시예에서, 복수의 서브 세트 중 하나는 사운드 감쇠를 특징짓는 하나 또는 복수의 사운드 전파 메트릭을 포함할 수 있다. 일부 실시예에서, 복수의 서브 세트 중 하나는 사운드 반사를 특징짓는 하나 또는 복수의 사운드 전파 메트릭을 포함할 수 있다.
분류기 모델은 민감도가 적어도 X이고 특이도가 적어도 Y인 조직의 유형을 결정할 수 있다. 일부 경우에, X는 75 % 내지 100 %, 80 % 내지 100 %, 85 % 내지 100 %, 90 % 내지 100 %, 또는 95 % 내지 100 %일 수 있다. 일부 경우에, Y는 75 % 내지 100 %, 80 % 내지 100 %, 85 % 내지 100 %, 90 % 내지 100 %, 또는 95 % 내지 100 %일 수 있다.
분류기 모델은 조직을 분류하기에 충분한 하나 이상의 예후 파라미터의 임계값을 결정할 수 있다. 임계값은 상위 임계값 또는 하위 임계값일 수 있다. 일부 경우에, 임계값은 범위일 수 있다. 예를 들어, 예후 파라미터가 악성 병변에 대한 하한 임계값보다 높으면, 병변은 악성 병변으로 분류될 수 있다.
분류기 모델은 하나 이상의 예후 파라미터의 상대적인 통계적 정확도를 결정할 수 있다. 일부 실시예에서, 상대적인 통계적 정확도는 조직 분류의 특이도 또는 민감도일 수 있다. 일부 경우에, 특이도 및 민감도를 모두 결정할 수 있다. 일부 경우에, 특이도, 민감도 또는 둘 모두를 최적화할 수 있다.
분류기 모델은 하나 이상의 예후 파라미터의 정확도에 기초하여 의사 결정 트리를 구축할 수 있다. 분류기 모델은 예후 파라미터의 서브 세트의 정확도를 기초로 하여 의사 결정 트리를 구축할 수 있다. 일부 실시예에서, 분류기 모델은 의사 결정 트리를 사용하여 조직을 분류하기에 충분한 예후 파라미터의 서브 세트의 임계값을 결정할 수 있다.
일부 실시예에서, 분류기 모델은 조직을 분류하기에 충분한 예후 파라미터의 서브 세트의 임계값을 결정할 수 있다. 예를 들어, 조직은 악성 또는 악성이 아닌 것으로 분류될 수 있다. 일부 경우에, 악성 가능성의 백분율을 결정할 수 있다. 일부 실시예에서, 분류기 모델은 머신 학습 기술을 사용하여 생성될 수 있다. 일부 실시예에서, 머신 학습 기술은 지원 벡터 머신을 포함할 수 있다. 일부 실시예에서, 지원 벡터 머신은 LibSVM, MATLAB, SAS, SVMlight, kernlab, scikit-learn, Shogun, Weka, Shark, JKernelMachines, OpenCV 또는 다른 지원 벡터 머신을 포함할 수 있다.
일부 실시예에서, 머신 학습 기술은 의사 결정 트리를 포함한다. 의사 결정 트리는 J48, C4.5 또는 ID3을 포함할 수 있다. 일부 실시예에서, 의사 결정 트리는 ADABoost 또는 DecisionStump를 포함할 수 있다.
머신 학습 기술은 신경망을 포함할 수 있다. 일부 실시예에서, 머신 학습 기술은 k-최근접 이웃, 퍼셉트론(perceptron), 피드-포워드(feed-forward), 방사형 베이시스 네트워크, 딥 피드 포워드(deep feed forward), 반복 신경망, 장기/단기 메모리, 게이트 반복 유닛, 자동 인코더, 변형 자동 인코더, 노이즈 제거 자동 인코더, 스파스 자동 인코더(sparse auto encoder), 마르코프 연쇄, 홉필드 네트워크(Hopfield network), 볼츠만 머신(Boltzmann machine), 제한된 볼츠만 머신, 딥 빌리프 네트워크(deep belief network), 딥 컨볼루션 네트워크(deep convolutional network), 디컨볼루션 네트워크, 딥 컨볼루션 역 그래픽 네트워크, 생성적 대립 네트워크, 액체 상태 머신, 익스트림 학습 머신, 에코 스테이트 네트워크, 딥 레지듀얼 네트워크(deep residual network), 코호넨 네트워크(Kohonen network), 지원 벡터 머신 또는 신경 튜링 머신(neural Turing machine)을 포함할 수 있다.
모델 생성
일단 특징이 선택되면, 선택된 특징의 하나 이상의 서브 카테고리가 벡터 x에 놓여질 수 있다. 일부 실시예에서, 이들은 투플 (x, y)을 생성하기 위해 사용자(낭종, 섬유 선종, 암 등)에 의해 제공된 라벨(y)와 조합된다. 이것은 훈련 세트의 각 조직 예에 대해 수행될 수 있다. M 개의 이러한 예들이 존재하는 경우, 훈련 세트(S)는 S = {(x_l, y_l), (x_2, y_2), ..., (x_M, y_M)}을 포함한다. 일부 실시예에서, 훈련 세트는 그 후 피팅된 머신 학습 알고리즘을 피팅하거나 또는 생성하기 위해, 예를 들어 f(x) = y의 형태로 머신 학습 알고리즘에 공급된다. 일부 실시예에서, 머신 학습 알고리즘은 분류 또는 회귀 방법을 포함한다. 일부 실시예에서, 머신 학습 알고리즘(들)은 특징(들)(x)을 대응하는 라벨(y) 또는 회귀 점수에 매핑하는 분류기 모델 f(x)를 생성하는 데 사용된다. 일부 실시예에서, 본 명세서의 머신 학습 알고리즘(들)은 다중 알고리즘을 조합한다. 일부 실시예에서, 본 명세서의 머신 학습 알고리즘(들)은 동시에 훈련되고 정확도 또는 성능에 대해 비교되는 다중 알고리즘을 포함한다.
일부 실시예에서, 조직의 분류, 라벨 또는 유형은 암성 종양, 섬유 선종, 낭종, 비-특이적 양성 종괴 및 식별 불가능한 종괴 중 하나 이상을 포함하지만 이에 제한되지 않는다. 일부 실시예에서, 조직의 분류, 라벨 또는 유형은 악성 또는 양성을 포함하지만 이에 제한되지는 않는다.
일부 실시예에서, 조직의 분류, 라벨 또는 유형은 2, 3, 4, 5, 6 개 또는 더 많은 상이한 라벨 또는 유형을 포함한다.
일부 실시예에서, 훈련은 임상적 필요를 충족시키기 위해 지정된 기간으로 수행된다. 일부 실시예에서, 훈련은 기존 임상적 작업 흐름에 적합하도록 지정된 기간으로 수행된다. 일부 실시예에서, 훈련은 오버피팅(overfitting) 없이 수행된다. 일부 실시예에서, 훈련은 하나 이상의 정지 기준이 충족될 때 정지된다.
일부 실시예에서, 분류기 모델은 조직을 분류하기에 충분한 하나 이상의 예후 파라미터 또는 특징의 임계값을 결정한다. 일부 실시예에서, 분류기 모델은 특이도, 민감도 또는 PPV와 같은 하나 이상의 예후 파라미터의 상대적인 통계적 정확도 또는 성능을 결정한다. 일부 실시예에서, 분류기 모델의 정확도 또는 성능은 민감도, 특이도, 위양성, 위음성, 모델 훈련을 위한 기간, 모델 피팅을 위한 기간, 모델 피팅의 계산 복잡성, 모델의 복잡성, 선택된 특징의 개수, 및 선택된 특징에 대한 클래스의 개수를 포함하지만 이에 국한되지 않는 하나 이상의 메트릭에 의해 결정된다.
일부 실시예에서, 분류기 모델은 조직 또는 ROI를 분류할 때 하나 이상의 예후 파라미터 또는 예후 파라미터의 서브 세트의 정확도에 기초한 의사 결정 트리를 포함한다. 일부 실시예에서, 분류기 모델은 상기 의사 결정 트리를 사용하여 조직을 분류하기에 충분한 예후 파라미터의 서브 세트의 임계값을 결정한다.
일부 경우에, 분류기 모델은 예를 들어 의사 결정 트리 또는 다른 분류기를 사용하여 조직을 분류하기에 충분한 상기 서브 세트 예후 파라미터의 임계값을 결정한다.
일부 실시예에서, 분류기 모델은 훈련 데이터 세트가 있거나 또는 없는 머신 학습 기술로 생성된다. 일부 실시예에서, 훈련 데이터 세트는 이미지 데이터 및 대응하는 이미지 데이터 또는 ROI의 분류를 포함한다. 일부 실시예에서, 훈련 데이터 세트는 ROI의 분류 또는 라벨을 포함하지 않는다.
일부 실시예에서, 의사 결정 트리, 예를 들어 J48, C4.5, 또는 ID3 의사 결정 트리는 모든 특징에 대해 훈련되고, 훈련된 의사 결정 트리는 도 13에 도시되어 있다. 일부 실시예에서, 평균 정확한 분류 ± 표준 편차는 85.23 ± 3.65 %이다. 다른 의사 결정 트리는 종괴 경계 점수 특징(도 14), 형태학적 측정(도 15), 또는 종괴 경계 점수 또는 형태학적 측정(도 16)을 사용하지 않고 훈련 후에 생성될 수 있다. 의사 결정 트리를 사용한 평균 정확한 분류 ± 표준 편차는 각각 80.12 ± 3.82 %, 85.713 ± 2.61 %, 및 70.24 ± 5.02 %이다. 일부 실시예에서, 형태학적 측정을 선택하지 않고 그에 대한 의사 결정 트리를 훈련시키는 것은 유리하게는 좋은 정확한 분류율을 가진 기존 임상 작업 흐름에 대한 머신 학습 분류기를 생성할 수 있고, 현재 임상 흐름에 포함되지 않은 추가 특징, 예를 들어, 형태학적 특징을 획득할 필요가 없다.
의사 결정 트리의 예 중 하나가 도 13에 도시되어 있다. 먼저, MB가 결정된다. MB가 3보다 크면, 병변은 악성으로 간주된다. MB가 3보다 작으면, 더 많은 분석이 필요하다. MB가 3보다 작지만 2보다 크면, 병변에서 사운드 속도 값의 표준 편차가 고려되고, 값이 주어진 임계값을 초과하면, 병변이 악성으로 간주된다. MB가 2보다 작거나 같으면, 병변과 병변 부근 사이의 구배 차이의 표준 편차를 고려할 수 있다. 구배 차이의 표준 편차가 주어진 임계값을 초과하면, 종양 부근 에너지 변위가 고려된다. 에너지 변위가 주어진 임계값 미만이면, 병변은 악성으로 간주된다. 구배 차이의 표준 편차가 주어진 임계값보다 낮으면, 로 맵의 평균값이 고려된다. 평균값이 주어진 임계값보다 낮으면, 병변은 양성으로 간주된다. 평균값이 주어진 임계값을 초과하면, 종양 에지 정도 카운트가 고려될 수 있다. 종양 에지 정도 카운트가 주어진 임계값을 초과하면, 병변이 악성으로 간주된다. 그렇지 않으면, 병변이 양성으로 간주된다.
의사 결정 트리의 예 중 하나가 도 14에 도시되어 있다. 여기서, 병변의 마진의 평활도가 주어진 임계값 미만이면, 병변은 악성으로 간주된다. 병변의 마진의 평활도가 주어진 임계값을 초과하면, 종양과 종양 부근 사이의 사운드 속도 차이의 표준 편차가 고려된다. 사운드 속도 차이의 표준 편차가 주어진 임계값 미만이면, 종양은 양성으로 간주된다; 그렇지 않으면 종양 대비 변위가 고려된다. 종양 대비 변위가 주어진 임계값보다 낮으면, 종양과 종양 부근의 구배 차이의 표준 편차가 고려된다. 구배 차이의 표준 편차가 주어진 임계값보다 낮으면, 병변은 양성이다; 그렇지 않으면 병변은 악성이다. 종양 대비 변위가 주어진 임계값을 초과하면, 로 맵의 평균값이 고려된다. 로 맵의 평균값이 주어진 임계값보다 낮으면, 병변은 양성이다. 로 맵의 평균값이 주어진 임계값을 초과하면, 다른 로 맵의 평균값이 고려된다. 제 2 로 맵의 평균값이 주어진 임계값보다 작으면, 병변은 양성으로 간주된다; 그렇지 않으면 제 3 로 맵의 평균값이 고려된다. 제 3 로 맵의 평균값이 주어진 임계값보다 낮으면, 병변이 양성으로 간주될 수 있다; 그렇지 않으면 병변이 악성으로 간주된다.
의사 결정 트리의 예 중 하나가 도 15에 도시되어 있다. 여기서 MB가 먼저 고려된다. MB가 임계값보다 크면(여기서는 > 3), 병변이 악성으로 간주될 수 있다. 그렇지 않으면 MB가 하한 임계값보다 크면(예를 들어, 2보다 크지만 3보다 작음), 병변에서 사운드 속도 값의 표준 편차를 고려할 수 있다. 사운드 속도의 표준 편차가 임계값 미만이면, 병변이 악성일 수 있다; 그렇지 않으면 병변이 양성일 수 있다. MB가 하한 임계값보다 작은 경우(예를 들어, 2 미만), 종양과 종양 부근 사이의 구배 차이의 표준 편차를 고려할 수 있다. 구배 차이의 표준 편차가 주어진 임계값보다 낮으면, 로 맵의 평균값이 고려된다. 로 맵의 평균값이 주어진 임계값보다 낮으면, 병변이 양성으로 간주될 수 있다. 로 맵의 평균값이 주어진 임계값을 초과하면, 병변의 에지 정도를 고려할 수 있다. 에지가 주어진 임계값보다 낮으면, 병변이 양성으로 간주될 수 있다. 에지 정도가 주어진 임계값을 초과하면, 병변이 악성으로 간주될 수 있다. 구배 차이의 표준 편차가 주어진 임계값을 초과하면, 종양 부근의 에너지 변위를 고려할 수 있다. 에너지 변위가 주어진 임계값 미만이면, 병변이 악성으로 간주될 수 있다. 에너지 변위가 주어진 임계값을 초과하면, 병변이 양성으로 간주될 수 있다.
의사 결정 트리의 예 중 하나가 도 16에 도시되어 있다. 여기서, 종양 부근의 에지 정도가 먼저 고려된다. 종양 부근 에지 정도가 주어진 임계값을 초과하면, 로 맵의 평균값이 고려된다. 로 맵의 평균값이 주어진 임계값을 초과하면, 병변이 악성으로 간주될 수 있다; 그렇지 않으면 병변의 에지 정도 카운트를 고려할 수 있다. 병변의 에지 정도가 주어진 임계값을 초과하면, 병변은 악성으로 간주될 수 있다; 그렇지 않으면 병변이 양성으로 간주될 수 있다. 종양 부근 에지 정도가 주어진 임계값 미만이면, 종양과 종양 부근 사이의 구배 차이의 표준 편차를 고려할 수 있다. 구배 차이의 표준 편차가 주어진 임계값보다 작으면, 병변이 양성으로 간주될 수 있다; 그렇지 않으면 로 맵의 평균값을 고려할 수 있다. 로 맵의 평균값이 주어진 임계값을 초과하면, 병변이 악성으로 간주될 수 있다; 그렇지 않으면 다른 로 맵의 평균값을 고려할 수 있다. 이 제 2 로 맵의 평균값이 주어진 임계값을 초과하면, 병변이 양성으로 간주될 수 있다; 그렇지 않으면 종양 부근에서 사운드 속도 이미지의 표준 편차를 고려할 수 있다. 종양 부근에서 사운드 속도 이미지의 표준 편차가 주어진 임계값을 초과하면, 병변이 악성으로 간주될 수 있다; 그렇지 않으면 병변이 양성으로 간주될 수 있다.
본 명세서에 설명된 시스템 및 방법은 분류 모델을 훈련하고 그리고/또는 분류를 수행하기 위해(예를 들어, 상이한 이미징 양식으로부터의 이미지에서 양성 및 악성 유방 조직을 라벨링하기 위해) 머신 학습 알고리즘을 사용할 수 있다. 여기서, 머신 학습 알고리즘은 알려지지 않은 데이터로부터 학습하고 이에 기초하여 분류를 수행할 수 있다. 데이터는 임의의 입력, 중간 출력, 이전 출력, 또는 훈련 정보, 또는 알고리즘에 또는 그 외에 알고리즘에 의해 제공된 임의의 정보일 수 있다.
머신 학습 알고리즘은 지도 학습 접근법을 사용할 수 있다. 지도 학습에서, 알고리즘은 훈련 데이터로부터 함수 또는 모델을 생성할 수 있다. 훈련 데이터에 라벨을 지정할 수 있다. 훈련 데이터는 이와 관련된 메타 데이터를 포함할 수 있다. 훈련 데이터의 각 훈련 예는 적어도 입력 오브젝트 및 원하는 출력 값으로 구성된 쌍일 수 있다. 지도 학습 알고리즘은 사용자가 하나 이상의 제어 파라미터를 결정하도록 요구할 수 있다. 이러한 파라미터는 훈련 데이터의 서브 세트, 예를 들어, 검증 세트에서 성능을 최적화함으로써 조정될 수 있다. 파라미터 조정 및 학습 후, 결과적인 함수/모델의 성능은 훈련 세트와 분리될 수 있는 테스트 세트에서 측정될 수 있다. 회귀 방법은 지도 학습 접근법에서 사용될 수 있다.
일부 실시예에서, 지도된 머신 학습 알고리즘에는 신경망, 지원 벡터 머신(예를 들어, LibSVM), 최근접 이웃 보간기, 의사 결정 트리, 향상된 의사 결정 그루터기, 그러한 알고리즘의 향상된 버전, 그러한 알고리즘의 유도 버전, 또는 그 조합이 포함될 수 있다. 일부 실시예에서, 머신 학습 알고리즘에는 베이지안 모델(Bayesian model), 의사 결정 그래프, 유도 논리 프로그래밍, 가우시안 프로세스 회귀, 유전 프로그래밍, 커널 추정기, 최소 메시지 길이, 다중 선형 부분 공간 학습, 나이브 베이즈 분류기(naive Bayes classifier), 최대 엔트로피 분류기, 조건부 랜덤 필드, MCM(minimum complexity machine), 랜덤 포레스트(random forests), 분류기의 앙상블, 및 다중 기준 분류 알고리즘 중 하나 이상이 포함될 수 있다.
일부 경우에, 머신 학습 알고리즘은 지원 벡터 머신일 수 있다. 지원 벡터 머신은 관련 학습 알고리즘을 가질 수 있는 지도 학습 모델일 수 있다. 관련 학습 알고리즘은 병변의 분류에 사용될 수 있는 데이터를 분석할 수 있다.
지원 벡터 머신에서, 훈련 샘플의 세트 각각은 악성 및 양성과 같은 카테고리에 속하는 것으로 표시될 수 있다. 지원 벡터 머신 알고리즘은 카테고리(예를 들어, 악성 또는 양성) 중 하나에 새로운 예를 할당할 수 있는 모델을 구축할 수 있다. 일부 경우에, 지원 벡터 머신은 비-확률적 바이너리 선형 분류기일 수 있다.
머신 학습 알고리즘은 준-지도 학습 접근법을 사용할 수 있다. 준-지도 학습은 라벨이 지정된 데이터 및 라벨이 지정되지 않은 데이터를 조합하여 적절한 함수 또는 분류기를 생성할 수 있다.
일부 실시예에서, 머신 학습 알고리즘은 비-지도 학습 접근법을 사용할 수 있다. 비-지도 학습에서, 알고리즘은 라벨이 지정되지 않은 데이터로부터 숨겨진 구조를 설명하는 함수/모델을 생성할 수 있다(즉, 지향성 관찰 또는 계산될 수 없는 분류 또는 유형화). 학습자에게 주어진 예는 라벨이 지정되지 않았기 때문에, 관련 알고리즘에 의해 출력되는 구조의 정확도에 대한 평가가 없다. 비-지도 학습에 대한 접근법에는 클러스터링, 이상 검출, 및 신경망이 포함된다.
머신 학습 알고리즘은 강화 학습 접근법을 사용할 수 있다. 강화 학습에서, 알고리즘은 세상을 관찰할 때 행동하는 방법에 대한 정책을 학습할 수 있다. 모든 작업은 환경에 약간의 영향을 미칠 수 있으며, 환경은 학습 알고리즘을 안내하는 피드백을 제공할 수 있다.
머신 학습 알고리즘은 변환 접근법을 사용할 수 있다. 변환은 지도 학습과 유사할 수 있지만, 그러나 명시적으로 기능을 구성하지는 않는다. 대신에, 학습 입력, 학습 출력, 및 새로운 입력을 기반으로 새로운 출력을 예측하도록 시도한다.
머신 학습 알고리즘은 "학습의 학습(learning to learn)" 접근법을 사용할 수 있다. 학습의 학습에서, 알고리즘은 이전 경험을 기반으로 자체 귀납적 편향을 학습할 수 있다.
머신 학습 알고리즘이 환자 데이터에 적용되어 예측 모델을 생성한다. 일부 실시예에서, 머신 학습 알고리즘 또는 모델은 주기적으로 훈련될 수 있다. 일부 실시예에서, 머신 학습 알고리즘 또는 모델은 비-주기적으로 훈련될 수 있다.
본 명세서에서 사용되는 바와 같이, 머신 학습 알고리즘은 함수 또는 모델을 학습하는 것을 포함할 수 있다. 함수 또는 모델의 수학적 표현은 직접 계산 가능하거나 또는 관찰 가능할 수 있고 또는 그렇지 않을 수도 있다. 함수 또는 모델은 모델 내에서 사용되는 하나 이상의 파라미터(들)를 포함할 수 있다. 예를 들어, 공식 Y = CO + C1x1 + C2x2를 갖는 선형 회귀 모델은 2 개의 예측 변수 x1 및 x2, 및 계수 또는 파라미터 C0, C1 및 C2를 갖는다. 이 예에서 예측 변수는 Y이다. 모델의 파라미터를 학습한 후, 모델의 각 예측 변수에 대한 값을 입력하여, 종속 또는 예측 변수(예를 들어, Y)에 대한 결과를 생성할 수 있다.
온라인 사용
일부 실시예에서, 온라인 사용 파이프라인은 오프라인 훈련에서 사용되지 않은 이미지/데이터를 포함한다. 일부 실시예에서, 온라인 사용 파이프라인은 라벨이 지정되지 않은 이미지를 분할하기 위해 사용자가 ROI를 생성하는 것을 포함한다. 주변/내부 종양 구역은 오프라인 훈련의 구역과 유사한 방식으로 생성될 수 있다. 마찬가지로, 오프라인 훈련과 유사한 방식으로 ROI로부터 특징을 추출할 수 있다.
일부 실시예에서, 온라인 사용의 특징은 오프라인 훈련으로부터 선택된 특징만을 포함한다. 일부 실시예에서, 온라인 사용의 특징은 오프라인 훈련으로부터 선택된 특징 이외의 추가 특징을 포함한다.
일부 실시예에서, 특징은 분류, 라벨 또는 회귀 점수를 생성하기 위해 훈련된 분류기에 공급된다. 일부 실시예에서, 라벨 및/또는 회귀 점수가 사용자에게 디스플레이된다. 일부 실시예에서, 라벨/점수에 대응하는 가장 유익한 특징이 사용자에게 제시될 수 있다.
일부 경우에서, 본 명세서의 시스템 및 방법의 효능은 훈련된 분류기의 민감도(SEN), 특이도(SPF), 및 양성 예측 값(PPV)을 사용하여 평가된다. SEN, SPF 및 PPV의 정의는 의료 이미지에서 병변을 검출하기 위해 일반적으로 의미하는 바가 아닐 수 있다. 대신에, 방사선 전문의는 이미 병변을 발견하고 윤곽을 잡았다. 일부 실시예에서, 분류기는 구역을 양성 또는 악성으로 라벨링한다. 일부 실시예에서, 분류기의 SEN, SPF 및 PPV는 따라서 구역을 양성 또는 악성으로 적절하게 라벨링할 수 있는 능력을 반영한다. 오버피팅을 감소시키고 잘 일반화되는 분류기 모델을 갖기 위해, 별도의 테스트 세트에서 분류기를 테스트하는 것이 중요하다. 여기에서 테스트하기 위해, 데이터는 훈련 및 테스트 세트로 명시적으로 분할되지 않는다. 대신에, 층화된 셔플 분할 교차 검증 접근법이 사용된다. 또한, SEN, SPF 및 PPV에서 무작위 추측에 비해 여기서 분류의 개선을 사용하여 최종 임상적 유용성을 더 잘 추정할 수 있다. 표 2는 특정 카테고리의 특징을 사용할 때 무작위 추측에 비해 민감도(SEN), 특이도(SPF) 및 양수 예측 값(PPV)의 개선을 보여주고, 여기서 이러한 특징 카테고리에는 세부적인 손으로 그려진 ROI(R)를 사용하여 얻어진 텍스처럴 특징, 동일하지만 거친 타원형 ROI(RE)를 갖는 특징, 세부적인 손으로 그려진 ROI(M)로부터 얻어진 정량적 형태학적 특징, 및 종괴 경계(MB) 점수가 포함된다.
자동 분할
자동 분할은 이미지, 예를 들어 사운드 속도 이미지, 반사 이미지 또는 웨이퍼 이미지에 대해 수행될 수 있다. 일부 경우에, 3 개의 이미지 유형을 모두 사용할 수 있는 경우, 사운드 속도 이미지, 반사 이미지 및 웨이퍼 이미지에 대해 자동 분할을 수행할 수 있다.
이미지가 획득되면, 관심 구역이 이미지에 표시될 수 있다. 일부 경우에는, 이 관심 구역을 이미지에 그릴 수 있다. 일부 경우에는, 방사선 전문의가 관심 구역을 그릴 수 있다. 관심 구역은 병변을 포함하거나, 병변과 교차할 수 있거나, 또는 병변 근처에 있을 수 있다. 관심 구역은 병변이 아닌 이미지의 일부를 포함할 수 있다.
자동 분할은 마르코프 랜덤 필드, 가우시안 혼합 모델, 및 적응성 퍼지 C-평균의 3 개의 알고리즘 중 하나를 사용하여 수행될 수 있다. 일부 실시예에서, 3 개의 모든 자동 분할 알고리즘이 이미지에 대해 수행될 수 있다. 일부 경우에, 마르코프 랜덤 필드, 가우시안 혼합 모델 및 적응성 퍼지 C-평균 알고리즘 중 하나 및 다른 2 개의 자동 분할 알고리즘을 수행할 수 있다. 일부 경우에는, 마르코프 랜덤 필드, 가우시안 혼합 모델, 및 적응성 퍼지 C-평균 알고리즘 중 2 개를 수행할 수 있다.
이미지 y = (y1, ..., yN)에 대해 마르코프 랜덤 필드 자동 분할이 수행될 수 있으며, 여기서 각 yi는 픽셀의 강도이고, 라벨의 구성은 X = (x1, ..., xN)이고, 여기서 xi는 추론될 수 있다. 일부 경우에, 라벨(X)은 바이너리일 수 있다. 라벨(X)은 예를 들어 다음과 같이 얻어질 수 있다.
여기서 P(x)는 깁스 분포(Gibbs distribution)(
)이고, 가우시안 분포를 갖는 
이다. 또한, 파라미터(Θ)는 기대(E) 및 최대화(M) 단계가 있는 기대-최대화(EM) 알고리즘에 의해 얻어질 수 있다.
E 단계는 다음과 같은 조건부 기대치를 계산할 수 있다.
M 단계는 E 단계에서 계산된 Q와 같은 기대(Q)를 최대화하여, 예를 들면 다음과 같이, Q 파라미터의 다음 단계를 획득할 수 있다.
사운드 속도 이미지, 반사 이미지 및 웨이퍼 이미지에 대한 자동 분할을 위해 마르코프 랜덤 필드를 사용한 결과의 일 예가 도 17에 도시되어 있다. 패널(a)은 사운드 속도 이미지를 나타내고, 패널(b)는 반사 이미지를 나타내고, 패널(c)은 웨이퍼 이미지를 나타낸다. 패널(d)는 마르코프 랜덤 필드를 사용하여 분할된 반사 이미지를 나타낸다. 패널(e)은 방사선 전문의가 수동으로 분할한 반사 이미지를 나타낸다. 패널(f)는 분할로부터 생성된 마스크(흰색)와 방사선 전문의가 수동 분할하여 생성된 마스크(그레이 색)의 비교를 나타낸다.
예를 들어, 이미지 상의 픽셀이 알려지지 않은 파라미터를 갖는 유한한 개수의 가우시안 분포 성분의 혼합물로부터 생성되었다고 가정할 수 있는 경우, 가우시안 혼합 모델 자동 분할이 이미지에 대해 수행될 수 있다. 일부 경우에, 성분의 파라미터는 평균, 공분산, 혼합 특성, 또는 이들의 조합을 포함할 수 있다. 성분의 파라미터는 기대(E) 및 최대화(M) 단계를 포함할 수 있는 기대-최대화(EM) 알고리즘을 사용하여 획득, 추정 또는 결정될 수 있다. E 단계 이전에, 값을 초기화할 수 있다. 예를 들어, 초기화될 수 있는 값에는 성분 평균, 공분산 행렬 또는 혼합 특성이 포함될 수 있다. E 단계가 수행될 수 있으며, 여기서 적어도 하나의 픽셀 및 최대 모든 픽셀에 대한 성분 멤버쉽의 사후 확률이 계산될 수 있다. 일부 경우에는, 사용자가 선택한 관심 구역의 각 픽셀에 대해 사후 확률이 계산될 수 있다. M 단계는 E 단계 후에 수행될 수 있다. 예를 들어, M 단계는 하나 이상의 성분 멤버쉽 사후 확률 가중치를 사용하여 특징을 계산할 수 있다. M 단계에서 계산된 특징에는 성분 평균, 공분산 행렬 및 혼합 특성이 포함될 수 있다. 일부 경우에, 이러한 특징은 최대 가능성 알고리즘과 같은 알고리즘을 사용하여 결정, 계산 또는 획득될 수 있다.
성분의 파라미터가 획득된 후, 하나 이상의 픽셀의 멤버쉽의 확률이 계산된다. 멤버십의 확률은 사용자가 선택한 관심 구역의 각 픽셀에 대해 계산될 수 있다. 특정 특징을 갖는 픽셀이 라벨링될 수 있다. 일부 경우에, 최대 확률 또는 지정된 임계값 이상의 확률을 갖는 픽셀이 라벨링될 수 있다. 일부 경우에는, 하나 초과의 픽셀이 최대 확률을 갖는 것으로 라벨링되거나 또는 지정된 임계값을 초과하는 확률이 라벨링될 수 있다.
사운드 속도 이미지, 반사 이미지, 웨이퍼 이미지에 가우시안 혼합 모델을 사용한 결과의 일 예가 도 18에 도시되어 있다. 패널(a)은 사운드 속도 이미지를 나타내고, 패널(b)는 반사 이미지를 나타내고, 패널(c)는 웨이퍼 이미지를 나타낸다. 패널(d)는 가우시안 혼합 모델을 사용하여 분할된 반사 이미지를 나타낸다. 패널(e)은 방사선 전문의가 수동으로 분할한 반사 이미지를 나타낸다. 패널(f)은 분할로부터 생성된 마스크(흰색)와 방사선 전문의가 수동 분할에 의해 생성한 마스크(그레이 색)의 비교를 나타낸다.
적응성 퍼지 C-평균 자동 분할이 이미지 y =(y_l, ..., y_N)에 대해 수행될 수 있으며, 여기서 각 y_i는 픽셀의 강도이다. x_i가 바이너리인 라벨 X =(x_l, x_N)의 구성이 추론될 수 있다. 라벨은 최소화 알고리즘을 사용하여 추론될 수 있는데, 예를 들면 다음과 같고:
여기서 y 데이터는 m 차원 공간에 입력할 수 있고, N은 데이터 항의 개수일 수 있고, c는 클러스터의 개수일 수 있고, Uji는 클러스터(J)에 대한 j 번째 픽셀의 멤버쉽의 등급일 수 있고, NR은 카디널리티(cardinality)일 수 있고, yr은 yi의 이웃을 나타낼 수 있고, Ni는 픽셀 yi 주변의 창에 상주할 수 있는 이웃의 세트일 수 있으며, a는 이웃 항의 효과를 제어할 수 있는 파라미터일 수 있다. 일부 경우에 u는 다음과 같이 계산될 수 있다.
여기서 xi는 클러스터에 대한 최대값 Uji를 발견함으로써 얻어질 수 있다.
사운드 속도 이미지, 반사 이미지 및 웨이퍼 이미지에 적응성 퍼지 C-평균을 사용한 결과의 일 예가 도 19에 도시되어 있다. 패널(a)은 사운드 속도 이미지를 나타내고, 패널(b)은 반사 이미지를 나타내고, 패널(c)은 웨이퍼 이미지를 나타낸다. 패널(d)는 적응성 퍼지 C-평균을 사용하여 분할된 반사 이미지를 나타낸다. 패널(e)은 방사선 전문의가 수동으로 분할한 반사 이미지를 나타낸다. 패널(f)는 분할로부터 생성된 마스크(흰색)와 방사선 전문의가 수동 분할에서 생성한 마스크(그레이 색)의 비교를 보여준다.
일부 경우에, 3 개의 분할 방법, 일반적으로 자동 분할 방법이 이미지에 적용될 수 있다. 일부 이러한 경우, 3 개의 자동 분할 방법은 마르코프 랜덤 필드, 가우시안 혼합 모델 및 적응성 퍼지 C-평균일 수 있다. 일부 경우에, 다른 분할 또는 자동 분할 방법 또는 알고리즘은 3 개의 분할 이미지 중 하나일 수 있다.
예를 들어, 각 픽셀에 대해, 픽셀이 병변의 일부인지 여부를 결정할 때 각 분할 결과를 고려할 수 있도록, 픽셀 단위 투표 기술이 적용될 수 있다. 픽셀 단위 투표 기술은 예를 들어 추가를 통해 분할 알고리즘의 분할 결과를 조합할 수 있다. 픽셀 단위 투표 기술의 다이어그램이 도 20에 예시되어 있다.
예로서, 마르코프 랜덤 필드 분할, 가우시안 혼합 모델 분할 및 적응성 퍼지 C-평균 분할로부터 유도된 마스크가 획득될 수 있다. 일부 경우에, 마스크는 바이너리일 수 있다. 이러한 경우, 픽셀의 값이 "1"이면, 해당 픽셀은 병변의 일부로 표시될 수 있고, 픽셀의 값이 "0"이면, 해당 픽셀은 병변의 일부가 아닌 것으로 표시될 수 있다. 3 개의 마스크를 추가하여 투표 매트릭스를 생성할 수 있다. 투표 매트릭스는 0, 1, 2 또는 3과 같은 값들을 갖는 픽셀을 포함할 수 있다. 일부 경우에, 픽셀 값이 0이면, 픽셀은 임의의 마스크에서 병변의 일부로 표시되지 않는다. 픽셀 값이 1이면, 하나의 자동 분할 알고리즘이 해당 픽셀이 병변의 일부라는 것을 나타내는 결과를 산출하였다. 픽셀 값이 2이면, 2 개의 자동 분할 알고리즘이 해당 픽셀이 병변의 일부라는 것을 나타내는 결과를 산출하였다. 픽셀 값이 3이면, 3 개의 자동 분할 알고리즘이 해당 픽셀이 병변의 일부라는 것을 나타내는 결과를 산출하였다.
투표 매트릭스의 픽셀 값이 적어도 임계값이면, 해당 픽셀은 병변의 일부로 간주될 수 있다. 일부 경우에는, 임계값이 1일 수 있으며, 이 경우 픽셀은 하나의 알고리즘에서만 식별될 수 있다. 일부 경우에, 임계값은 2일 수 있으며, 이 경우 픽셀은 3 개 알고리즘 중 2 개로 식별될 수 있다(예를 들어, 3 개 알고리즘 중 2 개가 동의). 일부 경우에, 임계값은 3일 수 있으며, 이 경우 픽셀은 3 개의 알고리즘 모두에 의해 식별될 수 있다(예를 들어, 3 개의 알고리즘이 모두 동의).
픽셀이 적어도 임계값이면, 최종 마스크에서 해당 픽셀은 1의 값을 할당받을 수 있다. 그렇지 않으면, 픽셀에 0 값이 할당될 수 있다. 최종 마스크는 3 개의 자동 분할 알고리즘 모두로부터의 정보를 포함할 수 있는 병변의 위치를 나타내는 마스크일 수 있다.
픽셀 단위 투표 기술은 2 차원 이미지 또는 3 차원 이미지에 적용될 수 있다. 일부 경우에는, 픽셀 단위 투표 기술이 3 차원 이미지에 근사하는 3 차원 구역의 다중 2 차원 이미지에 적용될 수 있다.
예를 들어, 마코프프 랜덤 필드 마스크, 가우시안 혼합 모델 마스크, 및 적응성 퍼지 C-평균 마스크를 생성하기 위해 각 분할 결과에 대해 마스크가 생성될 수 있다.
병변 분석 도구
일부 경우에, 병변은 도 21에 도시된 것과 같은 도구에 의해 분석될 수 있다. 입력 이미지는 사운드 속도 이미지, 반사 이미지 또는 웨이퍼 이미지일 수 있다. 일부 경우에, 입력은 사운드 속도 이미지와 반사 이미지일 수 있다. 일부 경우에, 입력은 사운드 속도 이미지와 웨이퍼 이미지일 수 있다. 일부 경우에, 입력은 반사 이미지 및 웨이퍼 이미지일 수 있다. 일부 경우에, 입력은 사운드 속도 이미지, 반사 이미지, 및 웨이퍼 이미지일 수 있다.
입력 이미지는 본 명세서에 설명된 바와 같이 분할될 수 있다. 분할은 예를 들어 병변, 예를 들어 암성 병변 또는 낭종 또는 섬유 선종과 같은 비-암성 병변을 식별하기 위해 수행될 수 있다. 도 21에서, 분할은 "클러스터 앙상블(Cluster Ensemble)"로 표시된다.
이미지는 마르코프 랜덤 필드 알고리즘(MRF), 가우시안 혼합 모델 알고리즘(GMM), 또는 적응성 퍼지 C-평균 알고리즘(AFCM)을 통해 분할될 수 있다. 일부 경우에, 이미지는 3 개의 알고리즘(MRF, GMM 및 AFCM) 모두에 의해 개별적으로 분할된다. 3 개의 알고리즘이 모두 사용되는 일부 경우에, 본 명세서에 설명된 것들과 같은 픽셀 단위 투표 기술을 사용하여 어떤 픽셀이 병변(예를 들어, 종양)에 속하는지 결정할 수 있다.
일단 병변이 분할되면, 특징들이 본 명세서에 설명된 것들과 같은 허용 가능한 방법에 의해 추출될 수 있다. 일부 경우에, 텍스처 특징, 크리스피니스 특징, 퍼지니스 특징, 형태학적 특징, 또는 통계 특징 중 하나 이상을 추출할 수 있다. 하나 초과의 특징 또는 특징 유형이 추출되는 경우, 추출된 특징들의 조합을 사용하여 결정될 수 있는 추가 특징들을 계산하거나 또는 유도할 수 있다.
그런 다음 특징을 선택할 수 있다. 예를 들어, 병변을 가장 정확하게, 정밀하게, 또는 구체적으로 식별하거나 또는 분류할 수 있는 특징들을 선택할 수 있다. 이러한 선택은 순차 순방향 선택 알고리즘과 같은 허용 가능한 알고리즘 또는 방법에 의해 달성될 수 있다. 일부 경우에, 순차 순방향 선택은 빈 세트로 시작할 수 있고, 목적 함수를 최대화하는 특징을 순차적으로 추가할 수 있다. 알고리즘은 목표가 최대값으로 수렴될 때까지 또는 목표가 반복 동안 임계값보다 낮은 양만큼 변경될 때까지 반복될 수 있다. 여기서 임계값은 5 % 미만, 1 % 미만, 0.5 % 미만, 0.1 % 미만, 0.05 % 미만, 또는 0.01 % 미만의 변화일 수 있다.
순차 순방향 선택 알고리즘 대신에 또는 이와 조합하여 사용될 수 있는 다른 알고리즘은 분기와 한정(branch and bound), 분기와 한정이 있는 대략적인 이미지 단조성, 빔 검색, 순차 역방향 선택, 플러스-I 마이너스-r 선택, 양방향 검색, 순차 부동 선택, 무작위 생성 및 순차 선택, 시뮬레이션된 어닐링, 또는 유전 알고리즘을 포함할 수 있다.
병변은 분류될 수 있다. 일부 경우에, 지도 학습 알고리즘을 사용하여 분류를 수행할 수 있다. 예를 들어, 지원 벡터 머신을 사용하여 병변을 분류할 수 있다. 지원 벡터 머신은 라벨이 지정된 데이터 입력(예를 들어, 식별된 특징을 가질 수 있고 악성이 알려진 데이터)을 사용하여 하나의 카테고리 또는 다른 카테고리(예를 들어, 악성 또는 비-악성)에 새로운 예들을 할당할 수 있는 모델을 구축할 수 있다.
일부 경우에, 선형 회귀, 로지스틱 회귀, 나이브 베이즈, 선형 판별 분석, 의사 결정 트리, k-최근접 이웃 알고리즘, 신경망, 또는 유사성 학습과 같은 또 다른 지도 학습 모델을 사용하여 병변을 분류할 수 있다.
악성 점수가 제시될 수 있다. 악성 점수는 병변이 악성이거나 또는 암성일 가능성을 나타낼 수 있는 점수일 수 있다. 일부 경우에는, 악성 점수를 백분율로 표현할 수 있다. 이러한 악성 점수는 0 % 내지 100 % 범위일 수 있다. 일부 경우에는, 악성 점수가 0 %이면 병변이 악성일 가능성이 0 %라는 것을 나타낼 수 있다. 일부 경우에는, 악성 점수가 100 %이면 병변이 악성일 가능성이 100 %라는 것을 나타낼 수 있다. 일부 경우에는, 악성 점수가 x %일 수 있고, 여기서 x는 0 이상 100 이하일 수 있으며, 이는 병변이 악성일 가능성이 x %라는 것을 나타낼 수 있다.
일부 경우에, 병변 분석 도구 알고리즘은 민감도 또는 특이도를 가질 수 있다. 이러한 도구의 민감도는 약 85 %일 수 있다. 이러한 도구의 민감도는 적어도 75 %, 80 %, 85 %, 90 % 또는 95 %일 수 있다. 이러한 도구의 특이도는 약 90 %일 수 있다. 이러한 도구의 특이도는 적어도 80 %, 85 %, 90 % 또는 95 %일 수 있다. 일부 경우에, 특이도는 적어도 35 %, 적어도 40 %, 적어도 50 %, 적어도 60 %, 적어도 70 %, 적어도 80 % 또는 적어도 90 %일 수 있다.
선택된 ROI는 예후 파라미터의 세트에 기초한 분류기 모델을 사용하여 특징지어질 수 있다. 예후 파라미터의 세트는 일정 체적의 조직에서 사운드 전파에 대응하는 하나 이상의 유형의 음향 데이터를 포함할 수 있다. 이러한 유형의 음향 데이터에는 예를 들어 정량적 음향 데이터(예를 들어, 음향 사운드 속도, 음향 감쇠 및 음향 반사), 정량적 형태학적 데이터(예를 들어, ROI의 면적, 직경, 타원도 등) 및 정성적 형태학적 데이터(예를 들어, 사용자 평가 파라미터)가 포함되지만, 이에 국한되지 않는다. 추가적으로 또는 대안적으로, 분류기 모델은 임의의 예후 파라미터 및/또는 다중 예후 파라미터의 임계값을 사용할 수 있다. 예후 파라미터의 임계값은 병변 유형에 내재된 알려진 값으로부터 선택될 수 있다. 예후 파라미터의 임계값은 사용자에 의해 선택될 수 있다. 예후 파라미터의 임계값은 컴퓨터 구현 알고리즘을 기초로 선택될 수 있다. 선택된 임계값 및/또는 임계값의 조합은 병변을 특징짓는 것을 개선하기 위해 이러한 알고리즘에 의해 최적화될 수 있다.
방법(200)의 단계(270)에서, 일정 체적의 조직 내의 병변은 예후 파라미터의 서브 세트를 사용하여 특징지어질 수 있다. 예후 파라미터는 관심 구역을 분류하고, 예측하고, 또는 달리 특징짓기 위해 분류기 모델 내에서 사용될 수 있다. 분석은 관심 구역이 암성 종괴, 양성 섬유 선종, 낭종, 다른 양성 소견, 식별 불가능한 종괴(예를 들어, 소견이 없을 수 있음) 또는 임의의 적절한 특징화 또는 분류일 수 있는지 여부를 예측할 수 있다. 그러나, 분석은 시간에 따른 하나 이상의 예후 파라미터의 경향을 추가적으로 및/또는 대안적으로 모니터링하거나, 또는 임의의 적합한 적용에 대해 모니터링할 수 있다. 예후 파라미터를 분석하는 단계는 정량적, 반-정량적, 정성적 및/또는 확장될 수 있는 다중 예후 파라미터의 분석을 포함할 수 있다.
도 22a는 일 실시예에 따른 단일 예후 파라미터의 임계값을 포함하는 예시적인 분류기 모델(2210)을 도시한다. 일부 실시예에서, 예후 파라미터(P1)는 정수 스케일에 따라 관심 구역의 마진 경계의 사용자 선택 분류를 포함하는 확장된 예후 파라미터일 수 있다. 일부 실시예에서, 분류기 모델(2210)은 상기 체적의 조직에서 사운드 전파와 관련된 정성적 또는 정량적 예후 파라미터에 전적으로 기초할 수 있다. 다른 실시예에서, 분류기 모델(2210)은 2220 또는 2230과 같은 다른 분류기 모델과 함께 사용될 수 있어서, 하나의 분류기 모델의 출력이 다른 것의 입력에서 예후 파라미터로 사용될 수 있다.
일부 실시예에서, 사용자가 선택한 분류는 의료 전문가와 같은 숙련된 조작자에 의해 수행될 수 있으며, 다른 실시예에서, 사용자가 선택한 분류는 컴퓨터 구현 방법 또는 알고리즘에 의해 지원될 수 있다. 일부 실시예에서, 분류는 파형 사운드 속도 렌더링의 관찰과 함께 수행될 수 있다; 그러나, 분류는 음향 사운드 속도, 음향 감쇠, 음향 반사와 같은 임의의 음향 데이터 유형의 이미지 또는 렌더링, 및 사운드 속도, 음향 감쇠, 및 음향 반사에서 생성된 향상된 이미지를 사용하여 수행될 수 있다.
일부 실시예에서, 사용자 선택 분류는 주로 종양 형상, 마진 및 인접 조직과의 상호 작용의 평가에 할애될 수 있는 BI-RADS 기준과 같은 기존 분류 방법으로부터 평가될 수 있다. BI-RADS에서 "섀도잉" 또는 "투과를 통한 향상"과 같은 기준은 본 명세서에 설명된 적용 가능한 초음파 단층 촬영 방법이 아닐 수 있다; 그러나, 양성 종괴 캡슐의 정반사 또는 많은 암의 침상도 및/또는 구조적 왜곡과 같은 다른 기준은 초음파 단층 촬영을 사용하여 더 민감하게 검출할 수 있다. 다른 실시예에서, 적응된 사용자-선택 분류 시스템이 구현될 수 있으며, 이는 초음파 단층 촬영 이미징에 최적화되어 있다. 이러한 방법은 종양 마진 및 종양 부근 조직 상호 작용에 대한 US-BI-RADS 기준을 조합한 5 점 스케일(마진 경계 점수)을 기초로 할 수 있다.
분류기 모델(2210)의 예시적인 사용은 P1 ≥ a인 경우 종괴가 암성으로 진단될 수 있도록 값 a에서 조작자 평가 점수에 대한 임계값을 포함한다. 예를 들어, 예 1은 예후 파라미터 P1 및 임계값 3에 대한 파형 사운드 속도 이미지로부터 평가된 마진 경계 점수를 사용하는 진단 결과를 포함하는 임상 데이터를 포함한다.
분류기 모델(2210)의 또 다른 사용 예는 P1 > a인 경우 종괴가 암성으로 진단될 수 있도록 값 a에서 조작자 평가 점수에 대한 임계값을 포함한다. 분류기 모델(2210)의 다른 예시적인 사용은 P1 ≤ a인 경우 종괴가 암성으로 진단될 수 있도록 값 a에서 조작자 평가 점수에 대한 임계값을 포함한다. 분류기 모델(2210)의 다른 예시적인 사용은 P1 < a인 경우 종괴가 암성으로 진단될 수 있도록 값 a에서 조작자 평가 점수에 대한 임계값을 포함한다. 분류기 모델(2210)의 또 다른 예시적 사용은 값 a의 함수를 평가하는 단계 및 값 a의 평가된 함수에 기초하여 종괴를 암성으로 진단하는 단계를 포함한다.
도 22b는 실시예들에 따른 내부 예후 파라미터 및 외부 예후 파라미터의 임계값을 포함하는 예시적인 분류기 모델(2220)을 도시한다. 일부 실시예에서, 분류기 모델(2220)은 상기 체적의 조직에서 사운드 전파와 관련된 정량적 예후 파라미터에 전적으로 기초할 수 있다. 다른 실시예에서, 분류기 모델(2220)은 정량적, 반-정량적 및/또는 확장된 예후 파라미터(예를 들어, 마진 경계 점수)의 조합에 기초할 수 있다. 다른 실시예에서, 분류기 모델(2220)은 하나의 분류기 모델의 출력이 다른 것의 입력에서 예후 파라미터로서 사용될 수 있도록 2210 또는 930과 같은 다른 분류기 모델과 함께 사용될 수 있다.
분류기 모델(2220)의 예시적인 사용은 P2 ≥ b 및 P3 ≤ c인 경우 종괴가 암성으로 진단될 수 있도록 값 b에서 내부 예후 파라미터 P2 및 값 c에서 외부 예후 파라미터 P3에 대한 임계값을 포함한다. 예를 들면, 예 1에는 임계값이 0.0347인 예후 파라미터 P2에 대한 음향 감쇠에 대한 체적 표준 편차를 사용한 그리고 임계값이 1.51인 예후 파라미터 P3에 대해 관심 구역(예를 들어, 주변 영역에서) 외부의 사운드 속도에 대한 체적 평균을 사용한 진단 결과를 포함한 임상 데이터가 포함된다.
분류기 모델(2220)의 또 다른 사용 예는 P2 > b 및 P3 > c인 경우 종괴가 암성으로 진단될 수 있도록 값 b에서 내부 예후 파라미터 P2 및 값 c에서 외부 예후 파라미터 P3에 대한 임계값을 포함한다. 분류기 모델(2220)의 또 다른 사용 예는 P2 ≤ b 및 P3 ≤ c인 경우 종괴가 암성으로 진단될 수 있도록 값 b에서 내부 예후 파라미터 P2 및 값 c에서 외부 예후 파라미터 P3에 대한 임계값을 포함한다. 분류기 모델(2220)의 또 다른 사용 예는 P2 < b 및 P3 < c인 경우 종괴가 암성으로 진단될 수 있도록 값 b에서 내부 예후 파라미터 P2 및 값 c에서 외부 예후 파라미터 P3에 대한 임계값을 포함한다. 분류기 모델(2220)의 또 다른 사용 예는 2 개 이상의 변수(b, c, ...)의 함수 또는 피스별 함수를 평가하는 단계 및 2 개 이상의 변수의 평가된 함수를 기초로 하여 종괴를 암성으로 진단하는 단계를 포함한다. 예를 들면, 예 1은 2 개의 변수, 즉, 종양 구역에서 감쇠의 체적 표준 편차 및 사운드 속도의 체적 표준 편차의 함수에 기초한 진단을 위한 임상 데이터를 포함한다.
도 22c는 실시예들에 따라 종괴를 평가하기 위한 혼합된 정성적 및 정량적 메트릭을 포함하는 예시적인 분류기 모델(2230)을 도시한다. 일부 실시예에서, 분류기 모델(2230)은 상기 체적의 조직에서 사운드 전파와 관련된 정량적 예후 파라미터에 전적으로 기초할 수 있다. 다른 실시예에서, 분류기 모델(2220)은 정량적, 반-정량적 및/또는 확장된 예후 파라미터(예를 들어, 마진 경계 점수)의 조합에 기초할 수 있다. 다른 실시예들에서, 분류기 모델(2230)은 하나의 분류기 모델의 출력이 다른 것의 입력에서 예후 파라미터로서 사용될 수 있도록 2210 또는 2220과 같은 다른 분류기 모델과 함께 사용될 수 있다.
분류기 모델(2230)의 예시적인 사용은 a 및 d에서 2 개의 임계값을 갖는 조작자 평가 점수 P1; 값 e에서 내부 예후 파라미터 P2; 및 값 f에서 내부 및 외부 예후 파라미터의 차이로부터 계산된 상대 예후 파라미터 P4를 포함한다. 조작자 평가 점수 P1이 a보다 크거나 같으면, 종괴는 암성으로 특징지어질 수 있다. 관심 구역에 대한 조작자 평가 점수가 d보다 크고 a보다 작으면, 상대 예후 파라미터 P4가 평가에 추가로 포함될 수 있다. P4의 값이 f보다 크면, 병변은 암성으로 특징지어질 수 있다. 조작자 평가 점수 P1이 d보다 작거나 같으면, 내부 예후 파라미터 P2가 모델에 추가로 포함될 수 있다. P2의 값이 병변보다 크거나 같으면, 암성으로 분류될 수 있다.
분류기(2230)의 상기 사용에서, P1은 2 및 4에서 임계값을 갖는 마진 경계 점수일 수 있다. P1의 값이 3인 경우, P4는 먼 종양 부근 구역의 체적 평균 향상된 반사율을 뺀 종양 구역의 체적 평균 향상된 반사율에 해당하는 예후 파라미터일 수 있다. 차이가 ≥ 내지 -34.6인 경우, 종괴는 암성으로 평가될 수 있다. P1이 1 또는 2인 경우, P3는 관심 구역에서 수정된 음향 감쇠의 체적 표준 편차일 수 있다. 표준 편차가 ≥ 0.15인 경우, 암은 암성으로 진단될 수 있다. 분류기 모델(2210, 2220 및 2230)은 모델들 간에 예후 파라미터를 공유하지만, 도시된 공유된 예후 파라미터는 하나의 가능한 실시예의 예이고, 각 분류기 모델의 예시적인 예후 파라미터는 본 명세서에 개시된 것들과 같은 임의의 음향 데이터 유형일 수 있다.
프로세서
일부 실시예에서, 본 명세서에 설명된 플랫폼, 시스템, 매체, 및 방법은 디지털 처리 장치, 또는 동등물, 프로세서를 포함한다. 추가 실시예에서, 프로세서는 장치의 기능을 수행하는 하나 이상의 하드웨어 중앙 처리 장치(CPUs) 또는 범용 그래픽 처리 장치(GPGPUs)를 포함한다. 또 다른 실시예에서, 디지털 처리 장치는 실행 가능한 명령어를 수행하도록 구성된 운영 체제를 더 포함한다. 일부 실시예에서, 디지털 처리 장치는 선택적으로 컴퓨터 네트워크에 연결된다. 추가 실시예에서, 디지털 처리 장치는 선택적으로 인터넷에 연결되어 월드 와이드 웹에 접근한다. 또 다른 실시예에서, 디지털 처리 장치는 선택적으로 클라우드 컴퓨팅 인프라에 연결된다. 다른 실시예에서, 디지털 처리 장치는 선택적으로 인트라넷에 연결된다. 다른 실시예에서, 디지털 처리 장치는 선택적으로 데이터 저장 장치에 연결된다.
본 명세서의 설명에 따르면, 적합한 디지털 처리 장치는, 비-제한적인 예로서, 서버 컴퓨터, 데스크톱 컴퓨터, 랩톱 컴퓨터, 노트북 컴퓨터, 서브 노트북 컴퓨터, 넷북 컴퓨터, 넷패드 컴퓨터, 셋톱 컴퓨터, 매체 스트리밍 장치, 핸드 헬드 컴퓨터, 인터넷 기기, 모바일 스마트 폰, 태블릿 컴퓨터, 개인 정보 단말기, 비디오 게임 콘솔, 및 차량을 포함한다. 당업자는 많은 스마트 폰이 본 명세서에 설명된 시스템에서 사용하기에 적합하다는 것을 인식할 것이다. 당업자는 또한 선택적인 컴퓨터 네트워크 연결을 갖는 선택된 텔레비전, 비디오 플레이어, 및 디지털 음악 플레이어가 본 명세서에 설명된 시스템에서 사용하기에 적합하다는 것을 인식할 것이다. 적합한 태블릿 컴퓨터는 당업자에게 공지된 소책자, 슬레이트, 및 컨버터블 구성을 갖는 것들을 포함한다.
일부 실시예에서, 프로세서는 실행 가능한 명령어를 수행하도록 구성된 운영 체제를 포함한다. 예를 들어 운영 체제는 장치의 하드웨어를 관리하고 애플리케이션 실행을 위한 서비스를 제공하는 프로그램 및 데이터를 포함한 소프트웨어이다. 당업자는 적합한 서버 운영 체제가, 비-제한적인 예로서, FreeBSD, OpenBSD, NetBSD®, Linux, Apple®Mac OS X Server®, Oracle® Solaris®, Windows Server®, 및 Novell® NetWare®을 포함한다는 것을 인식할 것이다. 당업자는 적합한 개인용 컴퓨터 운영 체제가, 비-제한적인 예로서, Microsoft® Windows®, Apple® Mac OS X®, UNIX®, 및 GNU/Linux®와 같은 UNIX 유사 운영 체제를 포함한다는 것을 인식할 것이다. 일부 실시예에서, 운영 체제는 클라우드 컴퓨팅에 의해 제공된다. 당업자는 또한 적합한 모바일 스마트 폰 운영 체제가, 비-제한적인 예로서, Nokia® Symbian® OS, Apple® iOS®, Research In Motion® BlackBerry OS®, Google® Android®, Microsoft® Windows Phone® OS, Microsoft® Windows Mobile® OS, Linux®, 및 Palm® WebOS®을 포함한다는 것을 인식할 것이다. 당업자는 또한 적합한 매체 스트리밍 장치 운영 체제가, 비-제한적인 예로서, Apple TV®, Roku®, Boxee®, Google TV®, Google Chromecast®, Amazon Fire®, 및 Samsung® HomeSync®을 포함한다는 것일 인식할 것이다. 당업자는 또한 적합한 비디오 게임 콘솔 운영 체제가, 비-제한적인 예로서, Sony® PS3®, Sony® PS4®, Microsoft® Xbox 360®, Microsoft Xbox One, Nintendo® Wii®, Nintendo® Wii U®, 및 Ouya®을 포함한다는 것을 인식할 것이다.
일부 실시예에서, 프로세서는 저장 및/또는 메모리 장치를 포함한다. 저장 및/또는 메모리 장치는 데이터 또는 프로그램을 임시 또는 영구적으로 저장하는데 사용되는 하나 이상의 물리적 장치이다. 일부 실시예에서, 장치는 휘발성 메모리이고, 저장된 정보를 유지하기 위해 전원을 필요로 한다. 일부 실시예에서, 장치는 비-휘발성 메모리이고, 프로세서에 전원이 공급되지 않을 때 저장된 정보를 유지한다. 추가 실시예에서, 비-휘발성 메모리는 플래시 메모리를 포함한다. 일부 실시예에서, 비-휘발성 메모리는 동적 랜덤 액세스 메모리(DRAM)를 포함한다. 일부 실시예에서, 비-휘발성 메모리는 강유전성 랜덤 액세스 메모리(FRAM)를 포함한다. 일부 실시예에서, 비-휘발성 메모리는 PRAM(phase-change random access memory)을 포함한다. 다른 실시예에서, 장치는, 비-제한적인 예로서, CD-ROMs, DVDs, 플래시 메모리 장치, 자기 디스크 드라이브, 자기 테이프 드라이브, 광 디스크 드라이브, 및 클라우드 컴퓨팅 기반 스토리지를 포함하는 저장 장치이다. 추가 실시예에서, 저장 및/또는 메모리 장치는 본 명세서에 개시된 것과 같은 장치의 조합이다.
일부 실시예에서, 프로세서는 시각적 정보를 사용자에게 송신하기 위한 디스플레이를 포함한다. 일부 실시예에서, 디스플레이는 액정 디스플레이(LCD)이다. 추가 실시예에서, 디스플레이는 박막 트랜지스터 액정 디스플레이(TFT-LCD)이다. 일부 실시예에서, 디스플레이는 유기 발광 다이오드(OLED) 디스플레이이다. 다양한 추가 실시예에서, OLED 디스플레이는 수동 매트릭스 OLED(PMOLED) 또는 능동 매트릭스 OLED(AMOLED) 디스플레이이다. 일부 실시예에서, 디스플레이는 플라즈마 디스플레이이다. 다른 실시예에서, 디스플레이는 비디오 프로젝터이다. 또 다른 실시예에서, 디스플레이는 VR 헤드셋과 같이 프로세서와 통신하는 헤드 마운트 디스플레이이다. 추가 실시예에서, 적합한 VR 헤드셋은, 비-제한적인 예로서, HTC Vive, Oculus Rift, Samsung Gear VR, Microsoft HoloLens, Razer OSVR, FOVE VR, Zeiss VR One, Avegant Glyph, Freefly VR 헤드셋 등을 포함한다. 또 다른 실시예에서, 디스플레이는 본 명세서에 개시된 것들과 같은 장치의 조합이다.
일부 실시예에서, 프로세서는 사용자로부터 정보를 수신하기 위한 입력 장치를 포함한다. 일부 실시예에서, 입력 장치는 키보드이다. 일부 실시예에서, 입력 장치는, 비-제한적인 예로서, 마우스, 트랙볼, 트랙 패드, 조이스틱, 게임 컨트롤러, 또는 스타일러스를 포함하는 포인팅 장치이다. 일부 실시예에서, 입력 장치는 터치 스크린 또는 멀티 터치 스크린이다. 다른 실시예에서, 입력 장치는 음성 또는 다른 사운드 입력을 캡처하기 위한 마이크로폰이다. 다른 실시예에서, 입력 장치는 모션 또는 시각적 입력을 캡처하기 위한 비디오 카메라 또는 다른 센서이다. 추가 실시예에서, 입력 장치는 Kinect, Leap Motion 등이다. 또 다른 실시예에서, 입력 장치는 본 명세서에 개시된 것들과 같은 장치의 조합이다.
도 23을 참조하면, 특정 실시예에서, 예시적인 프로세서(110)는 ROIs의 생성, 특징 추출, 특징 선택, 분류기 모델 생성 또는 피팅, 모델 정확도의 평가, 모델의 온라인 사용 등을 허용하도록 프로그래밍되거나 또는 달리 구성된다. 프로세서(110)는 예를 들어, 특징 선택, ROI 생성, 특징 추출 등과 같은 본 개시의 다양한 양태들을 조절할 수 있다. 이 실시예에서, 프로세서(110)는 단일 코어 또는 멀티 코어 프로세서, 또는 병렬 처리를 위한 복수의 프로세서일 수 있는 중앙 처리 장치(CPU, 또한 본 명세서에서 "프로세서" 및 "컴퓨터 프로세서")(2305)를 포함한다. 프로세서(110)는 또한 메모리 또는 메모리 로케이션(2310)(예를 들어, 랜덤 액세스 메모리, 읽기 전용 메모리, 플래시 메모리), 전자 저장 장치(2315)(예를 들어, 하드 디스크), 하나 이상의 다른 시스템과 통신하기 위한 통신 인터페이스(2320)(예를 들어, 네트워크 어댑터, 네트워크 인터페이스), 및 예를 들어, 캐시, 다른 메모리, 데이터 저장 및/또는 전자 디스플레이 어댑터와 같은 주변 장치를 포함한다. 주변 장치는 저장 인터페이스(1270)를 통해 장치의 나머지와 통신하는 저장 장치(들) 또는 저장 매체(1265)를 포함할 수 있다. 메모리(2310), 저장 유닛(2315), 인터페이스(2320) 및 주변 장치는 마더 보드와 같은 통신 버스(2325)를 통해 CPU(2305)와 통신한다. 저장 유닛(2315)은 데이터를 저장하기 위한 데이터 저장 유닛(또는 데이터 저장소)일 수 있다. 프로세서(110)는 통신 인터페이스(2320)의 도움으로 컴퓨터 네트워크( "네트워크")(2330)에 동작 가능하게 결합될 수 있다. 네트워크(2330)는 인터넷(Internet), 인터넷 및/또는 엑스트라넷(internet and/or extranet), 또는 인터넷과 통신하는 인트라넷 및/또는 엑스트라넷일 수 있다. 일부 경우에, 네트워크(2330)는 통신 및/또는 데이터 네트워크이다. 네트워크(2330)는 클라우드 컴퓨팅과 같은 분산 컴퓨팅을 가능하게 할 수 있는 하나 이상의 컴퓨터 서버를 포함할 수 있다. 일부 경우에, 장치(110)의 도움으로 네트워크(2330)는 피어-투-피어 네트워크를 구현할 수 있으며, 이는 장치(110)에 결합된 장치가 클라이언트 또는 서버로 동작할 수 있도록 할 수 있다.
계속해서 도 23을 참조하면, 프로세서(110)는 사용자로부터 정보를 수신하기 위한 입력 장치(들)(145)를 포함하고, 입력 장치(들)는 입력 인터페이스(1250)를 통해 장치의 다른 요소와 통신한다. 프로세서(110)는 출력 인터페이스(1260)를 통해 장치의 다른 요소와 통신하는 출력 장치(들)(1255)를 포함할 수 있다.
계속해서 도 23을 참조하면, 메모리(2310)는 랜덤 액세스 메모리 구성 요소(예를 들어, RAM)(예를 들어, 정적 RAM "SRAM", 동적 RAM "DRAM, 등), 또는 읽기 전용 구성 요소(예를 들어, ROM)를 포함하지만 이에 제한되지 않는 다양한 구성 요소(예를 들어, 기계 판독 가능 매체)를 포함할 수 있다. 메모리(110)는 또한 예를 들어 장치 시동 동안, 프로세서 내의 요소들 사이에 정보를 전달하는 것을 돕는 기본 루틴을 포함하는 기본 입력/출력 시스템(BIOS)을 포함할 수 있으며, 메모리(2310)에 저장될 수 있다.
계속해서 도 23을 참조하면, CPU(2305)는 프로그램 또는 소프트웨어로 구현될 수 있는 일련의 기계 판독 가능 명령어를 실행할 수 있다. 명령어는 메모리(2310)와 같은 메모리 로케이션에 저장될 수 있다. 명령어는 CPU(2305)로 지향될 수 있으며, 이는 CPU(2305)를 후속적으로 프로그래밍하거나 또는 달리 구성하여 본 개시의 방법을 구현할 수 있다. CPU(2305)에 의해 수행되는 동작의 예는 페치(fetch), 디코딩, 실행 및 쓰기를 포함할 수 있다. CPU(2305)는 집적 회로와 같은 회로의 일부일 수 있다. 장치(110)의 하나 이상의 다른 구성 요소가 회로에 포함될 수 있다. 일부 경우에 회로는 ASIC(application specific integrated circuit) 또는 FPGA(field programmable gate array)이다.
계속해서 도 23을 참조하면, 저장 유닛(2315)은 드라이버, 라이브러리 및 저장된 프로그램과 같은 파일을 저장할 수 있다. 저장 유닛(2315)은 사용자 데이터, 예를 들어 사용자 선호도 및 사용자 프로그램을 저장할 수 있다. 일부 경우에, 프로세서(110)는 인트라넷 또는 인터넷을 통해 통신하는 원격 서버에 위치되는 것과 같이, 외부에 있는 하나 이상의 추가 데이터 저장 유닛을 포함할 수 있다. 저장 유닛(2315)은 또한 운영 체제, 애플리케이션 프로그램 등을 저장하는데 사용될 수 있다. 선택적으로, 저장 유닛(2315)은(예를 들어, 외부 포트 커넥터(도시되지 않음)를 통해) 및/또는 저장 유닛 인터페이스를 통해 프로세서와 제거 가능하게 인터페이스될 수 있다. 소프트웨어는 저장 유닛(2315) 내부 또는 외부의 컴퓨터 판독 가능 저장 매체 내에 전체적으로 또는 부분적으로 상주할 수 있다. 다른 예에서, 소프트웨어는 프로세서(들)(2305) 내에 완전히 또는 부분적으로 상주할 수 있다.
계속해서 도 23을 참조하면, 프로세서(110)는 네트워크(2330)를 통해 하나 이상의 원격 컴퓨터 시스템(1202)과 통신할 수 있다. 예를 들어, 장치(110)는 사용자의 원격 컴퓨터 시스템과 통신할 수 있다. 원격 컴퓨터 시스템의 예로는 개인용 컴퓨터(예를 들어, 휴대용 PC), 슬레이트 또는 태블릿 PCs(예를 들어, Apple® iPad, Samsung® Galaxy Tab), 전화기, 스마트 폰(예를 들어, Apple® iPhone, Android-인에이블드 장치, Blackberry®), 또는 개인 정보 단말기를 포함한다.
계속해서 도 23을 참조하면, 정보 및 데이터는 디스플레이(2335)를 통해 사용자에게 디스플레이될 수 있다. 디스플레이는 인터페이스(190)를 통해 버스(2325)에 연결되고, 장치(110)의 디스플레이 다른 요소들 간의 데이터의 수송은 인터페이스(190)를 통해 제어될 수 있다.
본 명세서에 설명된 바와 같은 방법은 예를 들어 메모리(2310) 또는 전자 저장 유닛(2315)과 같은, 프로세서(110)의 전자 저장 로케이션에 저장된 기계(예를 들어, 컴퓨터 프로세서) 실행 가능 코드에 의해 구현될 수 있다. 기계 실행 가능 코드 또는 기계 판독 가능 코드는 소프트웨어 형태로 제공될 수 있다. 사용 중에, 코드는 프로세서(2305)에 의해 실행될 수 있다. 일부 경우에, 코드는 저장 유닛(2315)으로부터 검색되고, 프로세서(2305)에 의한 준비된 접근을 위해 메모리(2310)에 저장될 수 있다. 일부 상황에서, 전자 저장 유닛(2315)이 배제될 수 있고, 기계 실행 가능 명령어가 메모리(2310)에 저장된다.
비-일시적 컴퓨터 판독 가능 저장 매체
일부 실시예에서, 본 명세서에 개시된 플랫폼, 시스템, 매체 및 방법은 선택적으로 네트워킹된 프로세서의 운영 체제에 의해 실행 가능한 명령어를 포함하는 프로그램으로 인코딩된 하나 이상의 비-일시적 컴퓨터 판독 가능 저장 매체를 포함한다. 추가 실시예에서, 컴퓨터 판독 가능 저장 매체는 프로세서의 유형적 구성 요소이다. 또 다른 실시예에서, 컴퓨터 판독 가능 저장 매체는 프로세서로부터 선택적으로 제거 가능하다. 일부 실시예에서, 컴퓨터 판독 가능 저장 매체는, 비-제한적인 예로서, CD-ROMs, DVDs, 플래시 메모리 장치, 솔리드 스테이트 메모리, 자기 디스크 드라이브, 자기 테이프 드라이브, 광학 디스크 드라이브, 클라우드 컴퓨팅 시스템 및 서비스 등을 포함한다. 일부 경우에, 프로그램 및 명령어는 영구적으로, 실질적으로 영구적으로, 반-영구적으로, 또는 비-일시적으로 매체에 인코딩된다.
컴퓨터 프로그램
일부 실시예에서, 본 명세서에 개시된 플랫폼, 시스템, 매체 및 방법은 적어도 하나의 컴퓨터 프로그램 또는 그 사용을 포함한다. 컴퓨터 프로그램에는 지정된 작업을 수행하도록 작성된, 프로세서의 CPU에서 실행 가능한, 일련의 명령어가 포함되어 있다. 컴퓨터 판독 가능 명령어는 특정 작업을 수행하거나 또는 특정 추상적 데이터 유형을 구현하는 함수, 오브젝트, APIs(Application Programming Interfaces), 데이터 구조 등과 같은 프로그램 모듈로 구현될 수 있다. 본 명세서에 제공된 개시 내용에 비추어, 당업자는 컴퓨터 프로그램이 다양한 언어의 다양한 버전으로 작성될 수 있다는 것을 인식할 것이다.
컴퓨터 판독 가능 명령어의 기능성은 다양한 환경에서 원하는 대로 조합되거나 또는 배포될 수 있다. 일부 실시예에서, 컴퓨터 프로그램은 하나의 명령어 시퀀스를 포함한다. 일부 실시예에서, 컴퓨터 프로그램은 복수의 명령어 시퀀스를 포함한다. 일부 실시예에서, 컴퓨터 프로그램은 하나의 위치에서 제공된다. 다른 실시예에서, 컴퓨터 프로그램은 복수의 위치로부터 제공된다. 다양한 실시예에서, 컴퓨터 프로그램은 하나 이상의 소프트웨어 모듈을 포함한다. 다양한 실시예에서, 컴퓨터 프로그램은, 부분적으로 또는 전체적으로, 하나 이상의 웹 애플리케이션, 하나 이상의 모바일 애플리케이션, 하나 이상의 독립형 애플리케이션, 하나 이상의 웹 브라우저 플러그인, 확장 기능, 애드-인(add-ins), 또는 애드-온(add-ons), 또는 이들의 조합을 포함한다.
웹 애플리케이션
일부 실시예에서, 컴퓨터 프로그램은 웹 애플리케이션을 포함한다. 본 명세서에 제공된 개시 내용에 비추어, 당업자는 다양한 실시예에서 웹 애플리케이션이 하나 이상의 소프트웨어 프레임 워크 및 하나 이상의 데이터베이스 시스템을 이용한다는 것을 인식할 것이다. 일부 실시예에서, 웹 애플리케이션은 Microsoft®.NET 또는 Ruby on Rails(RoR)와 같은 소프트웨어 프레임 워크에서 생성된다. 일부 실시예에서, 웹 애플리케이션은, 비-제한적인 예로서, 관계형, 비-관계형, 오브젝트 지향형, 연관형, 및 XML 데이터베이스 시스템을 포함하는 하나 이상의 데이터베이스 시스템을 활용한다. 추가 실시예에서, 적합한 관계형 데이터베이스 시스템은, 비-제한적인 예로서, Microsoft® SQL Server, mySQL™ 및 Oracle®을 포함한다. 당업자는 또한 다양한 실시예에서 웹 애플리케이션이 하나 이상의 언어의 하나 이상의 버전으로 작성된다는 것을 인식할 것이다. 웹 애플리케이션은 하나 이상의 마크업 언어, 프리젠테이션 정의 언어, 클라이언트-측 스크립팅 언어, 서버-측 코딩 언어, 데이터베이스 쿼리 언어 또는 이들의 조합으로 작성될 수 있다. 일부 실시예에서, 웹 애플리케이션은 HTML(Hypertext Markup Language), XHTML(Extensible Hypertext Markup Language), 또는 XML(Extensible Markup Language)과 같은 마크 업 언어로 어느 정도 작성된다. 일부 실시예에서, 웹 애플리케이션은 CSS(Cascading Style Sheets)와 같은 프리젠테이션 정의 언어로 어느 정도 작성된다. 일부 실시예에서, 웹 애플리케이션은 AJAX(Asynchronous Javascript and XML), Flash® Actionscript, Javascript 또는 Silverlight®와 같은 클라이언트-측 스크립팅 언어로 어느 정도 작성된다. 일부 실시예에서, 웹 애플리케이션은 ASP(Active Server Pages), ColdFusion®, Perl, Java™, JSP(JavaServer Pages), PHP(Hypertext Preprocessor), Python™, Ruby, Tel, Smalltalk, WebDNA®, 또는 Groovy와 같은 서버-측 코딩 언어로 어느 정도 작성된다. 일부 실시예에서, 웹 애플리케이션은 SQL(Structured Query Language)과 같은 데이터베이스 쿼리 언어로 어느 정도 작성된다. 일부 실시예에서, 웹 애플리케이션은 IBM® Lotus Domino®와 같은 엔터프라이즈 서버 제품을 통합한다. 일부 실시예에서, 웹 애플리케이션은 매체 플레이어 요소를 포함한다. 다양한 추가 실시예에서, 매체 플레이어 요소는, 비-제한적인 예로서, Adobe® Flash®, HTML 5, Apple® QuickTime®, Microsoft® Silverlight®, Java™, 및 Unity®을 포함하는 많은 적합한 멀티미디어 기술 중 하나 이상을 활용한다.
도 24를 참조하면, 특정 실시예에서, 애플리케이션 제공 시스템은 관계형 데이터베이스 관리 시스템(RDBMS)(2410)에 의해 접근되는 하나 이상의 데이터베이스(2400)를 포함한다. 적합한 RDBMSs에는 Firebird, MySQL, PostgreSQL, SQLite, Oracle Database, Microsoft SQL Server, IBM DB2, IBM Informix, SAP Sybase, SAP Sybase, Teradata 등이 포함된다. 이 실시예에서, 애플리케이션 제공 시스템은 하나 이상의 애플리케이션 서버(2420)(예를 들어, Java 서버, .NET 서버, PHP 서버 등) 및 하나 이상의 웹 서버(2430)(예를 들어, Apache, IIS, GWS 등)를 더 포함한다. 웹 서버(들)는 선택적으로 앱 애플리케이션 프로그래밍 인터페이스(API)(2440)를 통해 하나 이상의 웹 서비스를 노출한다. 인터넷과 같은 네트워크를 통해, 시스템은 브라우저 기반 및/또는 모바일 네이티브 사용자 인터페이스를 제공한다.
도 25를 참조하면, 특정 실시예에서, 애플리케이션 제공 시스템은 대안적으로 분산형, 클라우드 기반 아키텍처(2500)를 가지며, 탄력적으로 로드 밸런싱된, 오토-스케일링 웹 서버 리소스(2510) 및 애플리케이션 서버 리소스(2520)뿐만 아니라 동기적으로 복제된 데이터베이스(2530)도 포함한다.
모바일 애플리케이션
일부 실시예에서, 컴퓨터 프로그램은 모바일 프로세서에 제공되는 모바일 애플리케이션을 포함한다. 일부 실시예에서, 모바일 애플리케이션은 그것이 제조될 때 모바일 프로세서에 제공된다. 다른 실시예에서, 모바일 애플리케이션은 본 명세서에 설명된 컴퓨터 네트워크를 통해 모바일 프로세서에 제공된다.
본 명세서에 제공된 개시 내용을 고려하여, 모바일 애플리케이션은 당업계에 알려진 하드웨어, 언어, 및 개발 환경을 사용하여 당업자에게 알려진 기술에 의해 생성된다. 당업자는 모바일 애플리케이션이 여러 개의 언어로 작성된다는 것을 인식할 것이다. 적합한 프로그래밍 언어로는, 비-제한적인 예로서, C, C++, C#, Objective-C, Java™, Javascript, Pascal, Object Pascal, Python™, Ruby, VB.NET, WML, 및 CSS 갖거나 또는 갖지 않는 XHTML/HTML, 또는 이들의 조합을 포함한다.
적절한 모바일 애플리케이션 개발 환경은 여러 소스로부터 이용 가능하다. 상업적으로 이용 가능한 개발 환경에는, 비-제한적인 예로서, AirplaySDK, alcheMo, Appcelerator®, Celsius, Bedrock, Flash Lite, .NET Compact Framework, Rhomobile, 및 WorkLight Mobile Platform이 포함된다. 비-제한적인 예로서, Lazarus, MobiFlex, MoSync, 및 Phonegap을 포함하는 다른 개발 환경이 비용 없이 이용 가능할 수 있다. 또한, 모바일 장치 제조업체는, 비-제한적인 예로서, iPhone 및 iPad(iOS) SDK, Android™ SDK, BlackBerry® SDK, BREW SDK, Palm® OS SDK, Symbian SDK, webOS SDK, 및 Windows® Mobile SDK를 포함하는 소프트웨어 개발자 키트를 배포한다.
비-제한적인 예로 Apple® App Store, Google® Play, Chrome WebStore, BlackBerry® App World, Palm 장치용 App Store, webOS용 App Catalog, 모바일용 Windows® Marketplace, Nokia® 장치용 Ovi Store, Samsung® Apps, 및 Nintendo® DSi Shop을 포함하는 모바일 애플리케이션의 배포를 위한 여러 상업 포럼이 이용 가능할 수 있다는 것을 당업자는 다음을 인식할 것이다.
소프트웨어 모듈
일부 실시예에서, 본 명세서에 개시된 플랫폼, 시스템, 매체 및 방법은 소프트웨어, 서버, 및/또는 데이터베이스 모듈, 또는 그 사용을 포함한다. 본 명세서에 제공된 개시 내용을 고려하여, 소프트웨어 모듈은 당업계에 알려진 기계, 소프트웨어 및 언어를 사용하여 당업자에게 공지된 기술에 의해 생성된다. 본 명세서에 개시된 소프트웨어 모듈은 다양한 방식으로 구현된다. 다양한 실시예에서, 소프트웨어 모듈은 파일, 코드 섹션, 프로그래밍 오브젝트, 프로그래밍 구조, 또는 이들의 조합을 포함한다. 추가의 다양한 실시예에서, 소프트웨어 모듈은 복수의 파일, 복수의 코드 섹션, 복수의 프로그래밍 오브젝트, 복수의 프로그래밍 구조, 또는 이들의 조합을 포함한다. 다양한 실시예에서, 하나 이상의 소프트웨어 모듈은, 비-제한적인 예로서, 웹 애플리케이션, 모바일 애플리케이션 및 독립형 애플리케이션을 포함한다. 일부 실시예에서, 소프트웨어 모듈은 하나의 컴퓨터 프로그램 또는 애플리케이션에 있다. 다른 실시예에서, 소프트웨어 모듈은 하나 초과의 컴퓨터 프로그램 또는 애플리케이션에 있다. 일부 실시예에서, 소프트웨어 모듈은 하나의 기계에서 호스팅된다. 다른 실시예에서, 소프트웨어 모듈은 하나 초과의 기계에서 호스팅된다. 추가 실시예에서, 소프트웨어 모듈은 클라우드 컴퓨팅 플랫폼에서 호스팅된다. 일부 실시예에서, 소프트웨어 모듈은 하나의 위치에 있는 하나 이상의 기계에서 호스팅된다. 다른 실시예에서, 소프트웨어 모듈은 하나 초과의 위치에 있는 하나 이상의 머신에서 호스팅된다.
데이터베이스
일부 실시예에서, 본 명세서에 개시된 플랫폼, 시스템, 매체 및 방법은 하나 이상의 데이터베이스 또는 그 사용을 포함한다. 본 명세서에 제공된 개시 내용을 고려하여, 당업자는 많은 데이터베이스가 원시 이미지 데이터, 재구성된 이미지 데이터, ROIs, 훈련 데이터, 라벨 또는 분류, 특징, 특징의 서브 카테고리, 머신 학습 알고리즘 등의 저장 및 검색에 적합하다는 것을 인식할 것이다. 다양한 실시예에서, 적절한 데이터베이스는, 비-제한적인 예로서, 관계형 데이터베이스, 비-관계형 데이터베이스, 오브젝트 지향 데이터베이스, 오브젝트 데이터베이스, 엔티티-관계 모델 데이터베이스, 연관 데이터베이스, 및 XML 데이터베이스를 포함한다. 추가의 비-제한적인 예로는 SQL, PostgreSQL, MySQL, Oracle, DB2 및 Sybase가 포함된다. 일부 실시예에서, 데이터베이스는 인터넷 기반이다. 추가 실시예에서, 데이터베이스는 웹 기반이다. 또 다른 실시예에서, 데이터베이스는 클라우드 컴퓨팅 기반이다. 다른 실시예에서, 데이터베이스는 하나 이상의 로컬 컴퓨터 저장 장치를 기반으로 한다.
예
다음의 예시적인 예들은 본 명세서에 설명된 소프트웨어 애플리케이션, 시스템 및 방법의 실시예들을 대표하며, 어떤 방식으로든 제한하는 것을 의미하지 않는다.
예 1
일정 체적의 조직의 향상된 이미지를 생성하는 방법 및 일정 체적의 환자의 유방 조직을 특징짓는 방법을 개발하기 위해 임상 연구가 수행되었다. 결과는 본 명세서에 설명된 방법이 포함할 수 있는 유방 해부학의 3D 이미지를 생성하는 동시에 조직 특성을 정량화하는 초음파 단층 촬영에 기반한 유방 이미징을 활용하는 임상 연구로부터 제시된다.
HIPAA 가이드라인에 따라 IRB-승인된 프로토콜에서 전향적으로 모집된 모든 환자로부터 사전 동의를 얻었다. 관상 이미지는 반사, 사운드 속도 및 감쇠를 위한 단층 촬영 알고리즘에 의해 생성되었다. 모든 이미지는 유방 이미징 및 미국 기술 개발 분야에서 20 년 이상의 경험을 가진 이사회 인증 방사선 전문의가 검토했다. 연구의 제 1 단계에서, UST 이미지를 다중 모드 이미징과 비교하여 병변 및 유방 실질의 외관을 결정했다. 연구의 제 2 단계에서는, 자기 공명(MR) 유방 이미징과의 상관 비교를 사용하여 실질 패턴을 식별하고 그리고 특징짓는 것, UST의 공간 해상도의 결정 및 UST로 이미징될 수 있는 유방 체적 추정을 포함하여 초음파 단층 촬영(UST) 시스템의 기본 작동 능력을 설정한다. 연구의 제 3 단계는 병변을 특징짓는 것에 초점을 맞추었다. 관심 구역(ROI) 분석은 3 개의 UST 이미지 유형을 모두 사용하여 식별된 모든 병변에 대해 수행되었다. ROI 생성 값의 조합은 연구에서의 모든 종괴를 특징짓기 위해 사용되었다.
연구는 지방 감산 대비 향상 MRI에 비해 유방 조직 구조의 높은 정도의 상관관계 및 관상 평면에서 0.7 mm의 해상도로 유방 체적의 ~90 %를 스캔하는 능력을 입증했다. ~ 1-3 분의 스캔 기간에서, 중요한 움직임 아티팩트가 관찰되지 않았다. 초기 임상 결과는 사운드 속도 및 감쇠 파라미터와 조합된 마진 경계 점수를 사용하여 병변을 특징지을 수 있는 능력을 시사한다.
UST 및 MR 이미징은 서로 몇 주 이내에 수행되었다. UST 이미징은 SoftVue 시스템(Delphinus Medical Technologies)으로 수행되었고, MR 검사는 Philips Achieva 3T 시스템으로 수행되었다. 결과 이미지 시퀀스는 정성적으로 그리고 정량적으로 UST의 이미징 성능을 평가할 수 있었다. 위에서 설명한 바와 같이, UST 이미지는 MR 이미지와 가장 잘 연관된다. 추가 검사에 따르면, 3 개의 UST 이미지 유형 중에서, 사운드 속도 이미지가 MR과 가장 잘 연관된다. 도 26a는 대표적인 유방 실질의 UST 사운드 속도와 MR 대비 향상된 지방 감산 이미지 사이의 관상면 비교를 보여준다.
실질 패턴은 유방의 형상과 관련된 유일한 주요 차이점을 제외하고는 매우 유사하다. 이러한 차이는 SoftVue 시스템이 물을 사용하여 부력이 유방을 축소시키기는 반면, MR을 사용하면, 중력이 AP 차원(예를 들어, 엎드린 자세)에서 유방을 연장시킨다는 사실에 의해 설명될 수 있다. 위에서 설명한 바와 같이, UST 이미지는 MR 이미지와 가장 잘 연관된다. 추가 검사에 따르면, 3 개의 UST 이미지 유형 중에서, 사운드 속도 이미지는 도 26a에 도시되어 있는 바와 같이 MR과 가장 잘 연관된다.
MRI 및 UST 유방 체적은 쌍을 이룬 t-테스트를 사용하여 비교되었다. 제 1 단계에서는, Ti 유방 MR 이미지에 k-평균 분할 알고리즘을 적용하여 조직이 아닌 배경을 자동으로 분리했다. 제 2 단계에서는, 유방 조직과 흉벽 사이의 경계를 수동으로 그리고 흉벽을 제거하여, 유방 조직만을 남겼다.
UST 이미지에서 반-자동 도구를 사용하여 각 관상 슬라이스의 유방 조직 주위에 경계를 그리고 경계 외부의 모든 것(물 신호)을 제거했다. 흉벽 신호를 포함하는 임의의 슬라이스도 제거되었다.
각 양식의 공간 해상도는 도 26b에 도시된 바와 같이 전폭, 최대 절반의 기준을 사용하여 얇은 특징의 프로파일 컷을 사용하여 추정되었다. 공간 해상도 분석의 결과는 아래 표에서 볼 수 있다. 공간 해상도는 모든 MRI에 대한 재-투영 유형에 따라 달라지는 것으로 밝혀졌고, UST는 관상 평면에서 MRI를 능가하고, MRI는 다른 투영에서 UST를 능가한다. (그러나, 등방성 복셀을 사용한 MR 획득은 관상 평면에서 UST와 비슷한 해상도를 보여준다). UST 이미지 복셀은 등방성이 아니며, 데이터 획득은 MR처럼 쉽게 조정될 수 없으므로, 축 방향 및 시상 평면에서 재구성된 UST는 현재 2.5 mm 슬라이스 두께에 근사하는 해상도를 갖는다.
US-BI-RADS 기준은 주로 종양 형상, 마진, 및 인접한 조직과의 상호 작용의 평가에 할애된다. 그러나 UST의 원형 기하학에는 섀도잉 또는 투과를 통한 향상과 같은 기준이 적용될 수 없다. 또한, 3 MHz에서 작동하는 UST는 양성 종괴 캡슐의 정반사체 또는 많은 암의 침상도 및/또는 구조적 왜곡에 더 민감한 것으로 보이다. 따라서, 종양 마진에 대한 US-BI-RADS 기준, 그리고 종양 부근 조직 상호 작용에 대한 가능성을 조합한 5 점 스케일(마진 경계 점수)이 개발되었다.
목표는 단순히 방사선 전문의가 타원 ROI를 그리도록 요구함으로써 조작자 의존성이 적고 검출된 종괴에 대한 적절한 진단 보조 역할을 할 수 있는 텍스처럴 분석을 생성하는 것일 수 있다. 도 27은 많은 낭종, 섬유 선종 및 암에 대해 알려진 사운드 속도 텍스처 및 형태의 기본적인 차이점을 보여준다. 마진 경계 점수의 5 점 스케일을 기초로 하여, 분류기 모델(910)을 이용하여 분류기 모델을 구현할 수 있으며, 여기서 마진 경계 점수가 3 의 임계값 이상이면 암으로 진단될 수 있다. 제 1 표는 병변의 유형을 보여주고, (양성 병변 107 개 및 암 31 개를 포함하는) 검사된 환자에 대한 구역의 평가된 마진 경계 점수가 아래에 표시된다.
진단 결과를 보여주는 제 2 요약 테이블이 아래에 표시된다.
추가적으로, 종괴는 (i) 마진 경계 점수, (ii) 반사도, (iii) 정량적 SS 평가, 및 (iv) ATT 평가에 의해 특징지어졌다. 반-자동 관심 구역(ROI) 도구를 사용하여 각 종괴의 정량적 특성을 결정했다. 관심 종괴를 식별한 후, 종괴 주위에 단순한 타원형 ROI를 그릴 수 있다. 그 후, ROI 알고리즘은 20 개의 방사형 타원체 - 종괴 내부 10 개 및 종괴 외부 10 개 - 를 생성한다. 그 후, 후속적 분석을 위해 20 개의 고리 각각에 대해 정량적 정보를 측정했다. 관심 구역(ROI) 분석은 3 개의 UST 이미지 유형을 모두 사용하여 확인된 모든 병변에 대해 수행되었다. ROI 생성 값들의 조합을 사용하여 연구의 모든 종괴를 특징지었다.
우리의 최근 데이터는 종양 ROI 내에서 표준 편차와 같은 1 차 통계의 중요한 영향 및 주변 종양 부근 구역과의 비교를 강조한다. 도 28a 내지 도 28b는 다음을 포함하는 상기 1 차 통계를 요약하는 박스 플롯을 보여준다. 평균 향상된 반사(ErfMean), ROI 내부 및 외부의 상대적 평균 향상된 반사(ErfRelDist), 향상된 반사의 표준 편차(Erf_SD), 평균 사운드 속도(SSMean), ROI 내부 및 외부의 상대 평균 사운드 속도(SSRelDist), 사운드 속도의 표준 편차(SS_SD), 평균 감쇠(AtMean), 감쇠의 표준 편차(At_SD), 및 마진 경계 점수에 대해 보정된 감쇠의 표준 편차(Corr_At_SD). 각 박스 플롯에는 다양한 유형의 병변에 대한 통계의 관련 값을 보여주는 요약 테이블도 포함되어 있다. 박스 플롯은 107 개의 양성 병변 및 31 개의 암에 대한 평균값을 택하는 것을 기초로 한다.
특징화 잠재력을 설명하기 위해 최적 방법의 산점도 및 박스 플롯이 사용되었다. 도 28c의 박스 플롯은 SS보다 약간 더 높은 유의성만을 갖는 ATT 이미지에서 추출된 종양 ROI를 기반으로 하여, 이질성의 더 조악한 측정인 표준 편차의 1 차 통계와 조합된 경계 점수를 사용할 때 달성되는 구별을 도시한다. 이러한 ROIs는 단순히 종괴 주위에 타원형 ROI를 그리고 ROI에서 표준 편차를 결정함으로써 다시 얻어진다.
추가 조사에서, (종괴 경계 ROI 바로 외부의 환형 영역에 의해 정의되는) 종양 부근 종괴 구역의 SS는 양성 종괴를 암에서 더 분리시키는 것으로 밝혀졌다. 다음 데이터는 분류기 방법(920)을 사용하여 생성된다. 이러한 모든 파라미터를 기반으로 한 산점도는 도 29a에 나와 있다. 산점도는 암, 섬유 선종 및 암을 별도로 보여준다. 암은 높은 경계 점수, 높은 이질성(사운드 감쇠의 표준 편차 ≥ 0.0347) 및 낮은 종양 부근 사운드 속도(종양 부근 구역의 평균 사운드 속도 ≤ 1.51)를 나타내는 플롯의 왼쪽 상단 코너에 타이트하게 그룹화되어 있다. 이러한 측정에 의해, 낭종과 섬유 선종 사이에는 많은 분리가 없었지만, 이들과 암 사이에는 상당한 분리가 있었다. 산점도에 표시된 데이터의 ROC 분석은 민감도가 97 %일 때 PPV가 91 %임을 나타낸다. 결과를 보여주는 요약 표는 다음과 같다.
도 29b는 종양 내의 사운드 속도의 표준 편차 및 종양 내의 감쇠의 표준 편차에 기초한 산점도를 보여준다. 2 개의 예후 파라미터의 선형 함수를 사용하는 분류기 모델(920)의 예시적인 예가 산점도를 통해 그려진 선으로 표시된다. 도 29b에 표시된 2 개의 예후 파라미터 각각에 대한 환자 값이 선의 위 및 오른쪽에 있는 경우, 병변은 암성으로 진단된다.
이것은 보다 정량적인 마진 분석을 포함하는 확장된 진행 중인 연구와 관련된 데이터의 서브 세트이다. 이 방법은 또한 종양 및 주변 종양 부근 구역 내에서 현저하게 명백한 텍스처럴 차이를 식별하기 위한 교육 도구로서 역할을 할 수 있다.
예 2 - 특징 선택과 분류기 모델의 조합은 분류의 정확도를 결정한다.
훈련 데이터 세트는 유방 병변의 161 개(양성 93 개 및 악성 68 개) 샘플을 포함하여, J48 의사 결정 트리, 신경망, AdaBoost(의사 결정 그루터기), LibSVM 알고리즘을 포함하는 다양한 머신 학습 알고리즘을 훈련하는데 사용된다. J48 의사 결정 트리의 경우, 단일 클래스의 특징이 트리를 훈련하는데 사용된다. 다른 알고리즘의 경우, 사운드 속도(SS) 특징과 향상된 반사(ERF) 특징의 조합이 사용된다. J48 알고리즘을 사용한 분류에 대한 훈련 결과(예를 들어, 훈련을 위한 교차 엔트로피와 같은 지정된 기준 포함)는 다음과 같다.
여기서, B는 양성 조직이고, M은 악성 조직이다. 선택된 파라미터를 갖는 신경망(α = 0.2, λ = 0.2, 시드 = 2)의 경우, J48 알고리즘을 사용한 최적의 분류 결과는 다음과 같다.
의사 결정 그루터기 알고리즘은 다음과 같은 분류 결과를 생성하고
지원 벡터 머신(C-SVC, 방사형 베이시스, γ = 0, C = l0)은 다음과 같은 분류 결과를 생성한다.
이 특정 실시예에서, 상이한 머신 학습 알고리즘을 사용하는 SS 및 ERF 속성의 조합은 임의의 단일 특징 클래스 단독으로 J48을 사용하는 것보다 상대적으로 동일하거나 또는 더 우수하게 성능을 나타낸다. 정확도에 따라, SS 및 ERF 특징을 지원 벡터 머신으로 선택하여 알려지지 않은 샘플의 분류 또는 라벨을 예측할 수 있다.
예 3 - 생체 내의 암성 병변의 검출
유방 병변이 있는 307 명의 피험자가 본 명세서에 설명된 바와 같이 이미징되었다. 이러한 307 명의 피험자 중에서, 227 명의 피험자가 양성 병변이 있었고, 80 명의 피험자는 암성 병변이 있었다.
양성 병변이 있는 피험자 중에서, 91 명의 피험자는 낭종인 양성 병변이 있었다. 51 개의 낭종 병변은 이질성 치밀 유방이었고, 40 개의 낭종 병변은 극도의 치밀 유방이었다. 피험자 중 111 명은 섬유 선종인 양성 병변을 보였고, 여기서 82 명은 이질성 치밀 유방이었고, 28 명은 극도의 치밀 유방이었으며, 1 명은 산재된 치밀 유방이었다. 피험자 중 25 명은 또 다른 유형의 병변인 양성 병변이 있었는데, 이 중 22 명은 이질성 치밀 유방이었고, 3 명은 극도의 치밀 유방이었다.
암성 병변이 있는 피험자 중에서, 80 명은 산재된 치밀 유방이었고, 50 명은 이질성 치밀 유방이었으며, 11 명은 극도의 치밀 유방이었다.
유방 성형기를 이용하여 OCT 이미지가 획득되었고, 모두 동일한 방법을 사용하여 재구성되었다.
본 명세서에 설명된 바와 같은 병변 분석 도구 알고리즘을 사용하여 각 병변에 대해 악성 점수가 결정되었다. 각 병변에 대한 악성 점수를 기록하고, 도 30a의 히스토그램에 표시하였다. 양성 악성 종양이 모두 표시된다. 악성 점수는 0 % 내지 100 % 범위였다.
알고리즘은 치밀한 암 또는 치밀한 및 비-치밀한 암으로 훈련되었다. 암성 병변을 분할하기 위해 자동 분할 알고리즘을 사용하고 분할을 수행했다. 수신기 작동 특성 곡선이 결정되고, 도 30b에 표시된다. 치밀한 암 사례만을 사용하여 알고리즘을 훈련했을 때, 곡선 아래의 면적(AUC)은 0.90이었다. 치밀한 및 비-치밀한 암 사례를 모두 사용하여 알고리즘을 훈련시켰을 때, AUC는 0.91이었다.
본 주제의 바람직한 실시예들이 여기에 도시되고 설명되었지만, 이러한 실시예들은 단지 예로서 제공된다는 것이 당업자에게 명백할 것이다. 이제 본 발명에서 벗어나지 않고 다양한 변형, 변경 및 치환이 당업자에게 발생할 수 있을 것이다. 본 명세서에 설명된 주제의 실시예에 대한 다양한 대안들이 본 발명을 실시하는데 사용될 수 있다는 것을 이해해야 한다.
Claims (148)
- 일정 체적의 조직에서 병변을 특징짓기 위한 컴퓨터 구현 방법으로서,
상기 방법은,
복수의 음향 렌더링(acoustic rendering)을 수신하는 단계로서, 상기 음향 렌더링은 상기 체적의 조직을 통한 사운드 전파의 표현을 포함하고, 상기 복수의 음향 렌더링은 적어도 투과 렌더링 및 반사 렌더링을 포함하는 것인 단계;
예후 파라미터의 세트를 결정하는 단계로서, 상기 예후 파라미터의 세트는 상기 복수의 음향 렌더링으로부터 유도된 하나 또는 복수의 사운드 전파 메트릭(sound propagation metric)을 포함하는 것인 단계;
상기 예후 파라미터의 세트의 각 요소에 예측 값을 할당하는 단계로서, 상기 예측 값은 복수의 분류된 음향 렌더링에 기초하는 것인 단계;
상기 예후 파라미터의 세트의 서브 세트로부터 분류기 모델을 형성하는 단계로서, 상기 서브 세트는 상기 예후 파라미터의 세트의 적어도 서브 세트 각각의 상기 예측 값에 기초하여 결정되는 것인 단계;
상기 분류기 모델을 사용하여 점수를 계산하는 단계로서, 상기 점수는 상기 병변이 분류에 속할 확률과 관련되는 것인 단계
를 포함하는, 컴퓨터 구현 방법. - 제 1 항에 있어서,
상기 병변은 암, 섬유 선종, 낭종, 비-특이적 양성 종괴, 또는 식별 불가능한 종괴를 포함하는 것인, 컴퓨터 구현 방법. - 제 1 항에 있어서,
상기 복수의 음향 렌더링은 조합된 음향 렌더링을 포함하는 것인, 컴퓨터 구현 방법. - 제 3 항에 있어서,
상기 조합된 음향 렌더링은 복수의 반사 렌더링을 포함하는 것인, 컴퓨터 구현 방법. - 제 3 항에 있어서,
상기 조합된 음향 렌더링은 복수의 투과 렌더링을 포함하는 것인, 컴퓨터 구현 방법. - 제 3 항에 있어서,
상기 조합된 음향 렌더링은 적어도 하나의 반사 렌더링 및 적어도 하나의 투과 렌더링을 포함하는 것인, 컴퓨터 구현 방법. - 제 1 항에 있어서,
투과 렌더링은 사운드 속도 렌더링 또는 감쇠 렌더링을 포함하는 것인, 컴퓨터 구현 방법. - 제 1 항에 있어서,
상기 예후 파라미터는 관심 구역과 관련된 사운드 속도 메트릭을 포함하는 것인, 컴퓨터 구현 방법. - 제 8 항에 있어서,
상기 관심 구역은 사용자가 선택한 관심 구역인 것인, 컴퓨터 구현 방법. - 제 8 항에 있어서,
상기 관심 구역은 상기 병변의 적어도 일부를 포함하는 것인, 컴퓨터 구현 방법. - 제 8 항에 있어서,
상기 관심 구역은 2 차원 관심 구역을 포함하는 것인, 컴퓨터 구현 방법. - 제 8 항에 있어서,
상기 관심 구역은 에지 검출을 통해 적어도 부분적으로 결정되는 것인, 컴퓨터 구현 방법. - 제 8 항에 있어서,
상기 관심 구역은 상기 예후 파라미터의 세트를 사용하여 적어도 부분적으로 선택되는 것인, 컴퓨터 구현 방법. - 제 11 항에 있어서,
상기 2 차원 관심 구역은 3 차원 관심 구역을 생성하는 데 사용되는 것인, 컴퓨터 구현 방법. - 제 8 항에 있어서,
상기 관심 구역에 기초하여 마스크가 생성되는 것인, 컴퓨터 구현 방법. - 제 8 항에 있어서,
상기 예후 파라미터의 세트는 상기 관심 구역에 기초하는 것인, 컴퓨터 구현 방법. - 제 8 항에 있어서,
상기 예후 파라미터의 세트는 상기 관심 구역의 사용자 할당 분류를 포함하는 것인, 컴퓨터 구현 방법. - 제 17 항에 있어서,
상기 사용자 할당 분류는 종괴 경계 점수인 것인, 컴퓨터 구현 방법. - 제 1 항에 있어서,
상기 예후 파라미터의 세트는 상기 병변의 적어도 하나의 형태학적 메트릭을 포함하는 것인, 컴퓨터 구현 방법. - 제 19 항에 있어서,
상기 형태학적 메트릭은 원형도, 형상의 불규칙성, 마진(margin)의 불규칙성, 및 마진의 평활도 중 적어도 하나를 포함하는 것인, 컴퓨터 구현 방법. - 제 1 항에 있어서,
상기 예후 파라미터의 세트는 퍼지니스(fuzziness)를 포함하는 것인, 컴퓨터 구현 방법. - 제 21 항에 있어서,
상기 퍼지니스는 상기 병변의 경계에 속하는 것인, 컴퓨터 구현 방법. - 제 1 항에 있어서,
상기 예후 파라미터의 세트는 크리스피니스(crispiness)를 포함하는 것인, 컴퓨터 구현 방법. - 제 23 항에 있어서,
상기 크리스피니스는 상기 병변의 마진에 속하는 것인, 컴퓨터 구현 방법. - 제 1 항에 있어서,
상기 예후 파라미터의 세트는 상기 관심 구역의 적어도 하나의 텍스처 메트릭(texture metric)을 포함하는 것인, 컴퓨터 구현 방법. - 제 25 항에 있어서,
상기 텍스처 메트릭은 에지 정도(edgeness), 그레이 레벨 동시 발생 매트릭스(grey level co-occurrence matrix), 및 로의 텍스처 맵(Law's texture map) 중 적어도 하나를 포함하는 것인, 컴퓨터 구현 방법. - 제 1 항에 있어서,
상기 하나 또는 복수의 사운드 전파 메트릭은 관심 구역 내부의 사운드 전파를 특징짓는 것인, 컴퓨터 구현 방법. - 제 1 항에 있어서,
상기 하나 또는 복수의 사운드 전파 메트릭은 관심 구역 외부의 사운드 전파를 특징짓는 것인, 컴퓨터 구현 방법. - 제 1 항에 있어서,
제 1 사운드 전파 메트릭은 관심 구역 내부의 사운드 전파를 특징짓고, 제 2 사운드 전파 메트릭은 관심 구역 외부의 사운드 전파를 특징짓는 것인, 컴퓨터 구현 방법. - 제 1 항에 있어서,
상기 하나 또는 복수의 사운드 전파 메트릭은 평균, 표준 편차, 왜도(skewness), 및 첨도(kurtosis) 중 적어도 하나를 포함하는 것인, 컴퓨터 구현 방법. - 제 1 항에 있어서,
상기 하나 또는 복수의 사운드 전파 메트릭은 사운드 속도, 사운드 감쇠, 및 사운드 반사 중 적어도 하나를 특징짓는 것인, 컴퓨터 구현 방법. - 제 1 항에 있어서,
상기 하나 또는 복수의 사운드 전파 메트릭은 적어도 사운드 속도 메트릭 및 반사 메트릭을 포함하는 것인, 컴퓨터 구현 방법. - 제 1 항에 있어서,
상기 하나 또는 복수의 사운드 전파 메트릭은 적어도 사운드 속도 메트릭, 반사 메트릭, 및 감쇠 메트릭을 포함하는 것인, 컴퓨터 구현 방법. - 제 1 항에 있어서,
상기 하나 또는 복수의 사운드 전파 메트릭은 적어도 사운드 속도 메트릭, 반사 메트릭, 감쇠 메트릭, 및 사용자 정의 점수를 포함하는 것인, 컴퓨터 구현 방법. - 제 1 항에 있어서,
상기 하나 또는 복수의 사운드 전파 메트릭은 적어도 사운드 속도 메트릭, 반사 메트릭, 감쇠 메트릭, 및 형태학적 메트릭을 포함하는 것인, 컴퓨터 구현 방법. - 제 1 항에 있어서,
상기 하나 또는 복수의 사운드 전파 메트릭은 적어도 사운드 속도 메트릭, 반사 메트릭, 감쇠 메트릭, 형태학적 메트릭, 및 사용자 정의 점수를 포함하는 것인, 컴퓨터 구현 방법. - 제 1 항에 있어서,
상기 예후 파라미터의 세트는 트리밍(trimming)되는 것인, 컴퓨터 구현 방법. - 제 1 항에 있어서,
상기 복수의 서브 세트 중 하나는 사운드 속도를 특징짓는 상기 하나 또는 복수의 사운드 전파 메트릭을 포함하는 것인, 컴퓨터 구현 방법. - 제 1 항에 있어서,
상기 복수의 서브 세트 중 하나는 사운드 감쇠를 특징짓는 상기 하나 또는 복수의 사운드 전파 메트릭을 포함하는 것인, 컴퓨터 구현 방법. - 제 1 항에 있어서,
상기 복수의 서브 세트 중 하나는 사운드 반사를 특징짓는 상기 하나 또는 복수의 사운드 전파 메트릭을 포함하는 것인, 컴퓨터 구현 방법. - 제 1 항에 있어서,
상기 분류기 모델은 적어도 85 %의 민감도 및 적어도 84 %의 특이도로 조직의 유형을 결정하는 것인, 컴퓨터 구현 방법. - 제 1 항에 있어서,
상기 분류기 모델은 조직을 분류하기에 충분한 하나 이상의 예후 파라미터의 임계값을 결정하는 것인, 컴퓨터 구현 방법. - 제 1 항에 있어서,
상기 분류기 모델은 하나 이상의 예후 파라미터의 상대적인 통계적 정확도를 결정하는 것인, 컴퓨터 구현 방법. - 제 1 항에 있어서,
상기 분류기 모델은 조직을 분류하기에 충분한 예후 파라미터의 상기 서브 세트의 임계값을 결정하는 것인, 컴퓨터 구현 방법. - 제 1 항에 있어서,
상기 분류기는 상기 병변이 악성 병변일 가능성을 결정하는 것인, 컴퓨터 구현 방법. - 제 45 항에 있어서,
상기 병변이 악성 병변일 상기 가능성은 백분율로 표현되는 것인, 컴퓨터 구현 방법. - 제 1 항에 있어서,
상기 분류기 모델은 머신 학습 기술을 사용하여 생성되는 것인, 컴퓨터 구현 방법. - 제 47 항에 있어서,
상기 머신 학습 기술은 지원 벡터 머신(support vector machine)을 포함하는 것인, 컴퓨터 구현 방법. - 명령어로 구성된 유형 매체(tangible medium)를 포함하는 프로세서로서,
복수의 음향 렌더링을 수신하기 위한 명령어로서, 상기 음향 렌더링은 일정 체적의 조직을 통한 사운드 전파의 표현을 포함하고, 상기 복수의 음향 렌더링은 적어도 투과 렌더링 및 반사 렌더링을 포함하는 것인 명령어;
예후 파라미터의 세트를 결정하기 위한 명령어로서, 상기 예후 파라미터의 세트는 상기 복수의 음향 렌더링으로부터 유도된 하나 또는 복수의 사운드 전파 메트릭을 포함하는 것인 명령어;
상기 예후 파라미터의 세트의 각 요소에 예측 값을 할당하기 위한 명령어로서, 상기 예측 값은 복수의 분류된 음향 렌더링에 기초하는 것인 명령어;
상기 예후 파라미터의 세트의 서브 세트로부터 분류기 모델을 형성하기 위한 명령어로서, 상기 서브 세트는 상기 예후 파라미터의 세트의 적어도 서브 세트 각각의 상기 예측 값에 기초하여 결정되는 것인 명령어;
상기 분류기 모델을 사용하여 점수를 계산하기 위한 명령어로서, 상기 점수는 병변이 분류에 속할 확률과 관련되는 것인 명령어
로 구성된 유형 매체를 포함하는, 프로세서. - 제 49 항에 있어서,
상기 병변은 암, 섬유 선종, 낭종, 비-특이적 양성 종괴, 또는 식별 불가능한 종괴를 포함하는 것인, 프로세서. - 제 49 항에 있어서,
상기 복수의 렌더링은 조합된 렌더링을 포함하는 것인, 프로세서. - 제 51 항에 있어서,
상기 조합된 렌더링은 복수의 반사 렌더링을 포함하는 것인, 프로세서. - 제 51 항에 있어서,
상기 조합된 렌더링은 복수의 투과 렌더링을 포함하는 것인, 프로세서. - 제 51 항에 있어서,
상기 조합된 렌더링은 적어도 하나의 반사 렌더링 및 적어도 하나의 투과 렌더링을 포함하는 것인, 프로세서. - 제 49 항에 있어서,
투과 렌더링은 사운드 속도 렌더링 또는 감쇠 렌더링을 포함하는 것인, 프로세서. - 제 49 항에 있어서,
상기 예후 파라미터는 관심 구역과 관련된 사운드 속도 메트릭을 포함하는 것인, 프로세서. - 제 56 항에 있어서,
상기 관심 구역은 사용자가 선택한 관심 구역인 것인, 프로세서. - 제 56 항에 있어서,
상기 관심 구역은 상기 병변의 적어도 일부를 포함하는 것인, 프로세서. - 제 56 항에 있어서,
상기 관심 구역은 2 차원 관심 구역을 포함하는 것인, 프로세서. - 제 56 항에 있어서,
상기 관심 구역은 에지 검출을 통해 적어도 부분적으로 결정되는 것인, 프로세서. - 제 56 항에 있어서,
상기 관심 구역은 상기 예후 파라미터의 세트를 사용하여 적어도 부분적으로 선택되는 것인, 프로세서. - 제 59 항에 있어서,
상기 2 차원 관심 구역은 3 차원 관심 구역을 생성하는 데 사용되는 것인, 프로세서. - 제 59 항에 있어서,
상기 관심 구역에 기초하여 마스크가 생성되는 것인, 프로세서. - 제 56 항에 있어서,
상기 예후 파라미터의 세트는 상기 관심 구역에 기초하는 것인, 프로세서. - 제 59 항에 있어서,
상기 예후 파라미터의 세트는 상기 관심 구역의 사용자 할당 분류를 포함하는 것인, 프로세서. - 제 65 항에 있어서,
상기 사용자 할당 분류는 종괴 경계 점수인 것인, 프로세서. - 제 49 항에 있어서,
상기 예후 파라미터의 세트는 상기 병변의 적어도 하나의 형태학적 메트릭을 포함하는 것인, 프로세서. - 제 67 항에 있어서,
상기 형태학적 메트릭은 원형도, 형상의 불규칙성, 마진의 불규칙성, 및 마진의 평활도 중 적어도 하나를 포함하는 것인, 프로세서. - 제 49 항에 있어서,
상기 예후 파라미터의 세트는 퍼지니스를 포함하는 것인, 프로세서. - 제 69 항에 있어서,
상기 퍼지니스는 상기 병변의 경계에 속하는 것인, 프로세서. - 제 49 항에 있어서,
상기 예후 파라미터의 세트는 크리스피니스를 포함하는 것인, 프로세서. - 제 71 항에 있어서,
상기 크리스피니스는 상기 병변의 마진에 속하는 것인, 프로세서. - 제 49 항에 있어서,
상기 예후 파라미터의 세트는 상기 관심 구역의 적어도 하나의 텍스처 메트릭을 포함하는 것인, 프로세서. - 제 73 항에 있어서,
상기 텍스처 메트릭은 에지 정도, 그레이 레벨 동시 발생 매트릭스, 및 로의 텍스처 맵 중 적어도 하나를 포함하는 것인, 프로세서. - 제 49 항에 있어서,
상기 하나 또는 복수의 사운드 전파 메트릭은 관심 구역 내부의 사운드 전파를 특징짓는 것인, 프로세서. - 제 49 항에 있어서,
상기 하나 또는 복수의 사운드 전파 메트릭은 관심 구역 외부의 사운드 전파를 특징짓는 것인, 프로세서. - 제 49 항에 있어서,
제 1 사운드 전파 메트릭은 관심 구역 내부의 사운드 전파를 특징짓고, 제 2 사운드 전파 메트릭은 관심 구역 외부의 사운드 전파를 특징짓는 것인, 프로세서. - 제 49 항에 있어서,
상기 하나 또는 복수의 사운드 전파 메트릭은 평균, 표준 편차, 왜도, 및 첨도 중 적어도 하나를 포함하는 것인, 프로세서. - 제 49 항에 있어서,
상기 하나 또는 복수의 사운드 전파 메트릭은 사운드 속도, 사운드 감쇠, 및 사운드 반사 중 적어도 하나를 특징짓는 것인, 프로세서. - 제 49 항에 있어서,
상기 하나 또는 복수의 사운드 전파 메트릭은 적어도 사운드 속도 메트릭 및 반사 메트릭을 포함하는 것인, 프로세서. - 제 49 항에 있어서,
상기 하나 또는 복수의 사운드 전파 메트릭은 적어도 사운드 속도 메트릭, 반사 메트릭, 및 감쇠 메트릭을 포함하는 것인, 프로세서. - 제 49 항에 있어서,
상기 하나 또는 복수의 사운드 전파 메트릭은 적어도 사운드 속도 메트릭, 반사 메트릭, 감쇠 메트릭, 및 사용자 정의 점수를 포함하는 것인, 프로세서. - 제 49 항에 있어서,
상기 하나 또는 복수의 사운드 전파 메트릭은 적어도 사운드 속도 메트릭, 반사 메트릭, 감쇠 메트릭, 및 형태학적 메트릭을 포함하는 것인, 프로세서. - 제 49 항에 있어서,
상기 하나 또는 복수의 사운드 전파 메트릭은 적어도 사운드 속도 메트릭, 반사 메트릭, 감쇠 메트릭, 형태학적 메트릭, 및 사용자 정의 점수를 포함하는 것인, 프로세서. - 제 49 항에 있어서,
상기 예후 파라미터의 세트는 트리밍되는 것인, 프로세서. - 제 49 항에 있어서,
상기 복수의 서브 세트 중 하나는 사운드 속도를 특징짓는 상기 하나 또는 복수의 사운드 전파 메트릭을 포함하는 것인, 프로세서. - 제 49 항에 있어서,
상기 복수의 서브 세트 중 하나는 사운드 감쇠를 특징짓는 상기 하나 또는 복수의 사운드 전파 메트릭을 포함하는 것인, 프로세서. - 제 49 항에 있어서,
상기 복수의 서브 세트 중 하나는 사운드 반사를 특징짓는 상기 하나 또는 복수의 사운드 전파 메트릭을 포함하는 것인, 프로세서. - 제 49 항에 있어서,
상기 분류기 모델은 적어도 85 %의 민감도 및 적어도 84 %의 특이도로 조직의 유형을 결정하는 것인, 프로세서. - 제 49 항에 있어서,
상기 분류기 모델은 조직을 분류하기에 충분한 하나 이상의 예후 파라미터의 임계값을 결정하는 것인, 프로세서. - 제 49 항에 있어서,
상기 분류기 모델은 하나 이상의 예후 파라미터의 상대적인 통계적 정확도를 결정하는 것인, 프로세서. - 제 49 항에 있어서,
상기 분류기 모델은 조직을 분류하기에 충분한 상기 서브 세트 예후 파라미터의 임계값을 결정하는 것인, 프로세서. - 제 49 항에 있어서,
상기 분류기는 상기 병변이 악성 병변일 가능성을 결정하는 것인, 프로세서. - 제 45 항에 있어서,
상기 병변이 악성 병변일 상기 가능성은 백분율로 표현되는 것인, 프로세서. - 제 49 항에 있어서,
상기 분류기 모델은 머신 학습 기술을 사용하여 생성되는 것인, 프로세서. - 제 47 항에 있어서,
상기 머신 학습 기술은 지원 벡터 머신을 포함하는 것인, 프로세서. - 일정 체적의 조직에서 병변을 분류하기 위한 컴퓨터 구현 방법으로서,
상기 방법은,
복수의 음향 렌더링을 수신하는 단계로서, 상기 음향 렌더링은 상기 체적의 조직을 통한 사운드 전파의 표현을 포함하고, 상기 복수의 음향 렌더링은 적어도 투과 렌더링 및 반사 렌더링을 포함하는 것인 단계;
상기 체적의 조직 내의 관심 구역을 표시하는 단계로서, 상기 구역은 상기 체적의 조직 내에서 상기 병변에 근접한 것인 단계;
상기 관심 구역 근처에서 상기 복수의 음향 렌더링 중 적어도 하나의 일부를 분할하는 단계;
상기 부분이 상기 병변의 내부 또는 외부에 있다는 표시를 제공하는 단계;
마스크를 생성하는 단계로서, 상기 마스크는 상기 병변의 형상에 대한 예측을 포함하는 것인 단계;
예후 파라미터의 세트를 결정하는 단계로서, 상기 예후 파라미터의 세트는 상기 복수의 음향 렌더링으로부터 유도된 하나 또는 복수의 사운드 전파 메트릭을 포함하는 것인 단계
를 포함하는, 컴퓨터 구현 방법. - 제 97 항에 있어서,
상기 분할하는 단계는 마르코프 랜덤 필드(Markov Random Field), 가우시안 혼합 모델(Gaussian Mixture Model), 또는 적응성 퍼지 C-평균(Adaptive Fuzzy C-Mean) 방법을 포함하는 것인, 컴퓨터 구현 방법. - 제 97 항에 있어서,
상기 분할하는 단계는 마르코프 랜덤 필드, 가우시안 혼합 모델, 또는 적응성 퍼지 C-평균 방법 중 적어도 2 개를 포함하는 것인, 컴퓨터 구현 방법. - 제 99 항에 있어서,
상기 마르코프 랜덤 필드, 상기 가우시안 혼합 모델, 또는 상기 적응성 퍼지 C-평균 방법 중 적어도 2 개에 의해 상기 부분이 병변의 내부 또는 외부에 있다는 것을 결정하는 단계
를 추가로 포함하는 것인, 컴퓨터 구현 방법. - 제 97 항에 있어서,
상기 병변은 암, 섬유 선종, 낭종, 비-특이적 양성 종괴, 또는 식별 불가능한 종괴를 포함하는 것인, 컴퓨터 구현 방법. - 제 97 항에 있어서,
상기 복수의 음향 렌더링은 조합된 음향 렌더링을 포함하는 것인, 컴퓨터 구현 방법. - 제 102 항에 있어서,
상기 조합된 음향 렌더링은 복수의 반사 렌더링을 포함하는 것인, 컴퓨터 구현 방법. - 제 102 항에 있어서,
상기 조합된 음향 렌더링은 복수의 투과 렌더링을 포함하는 것인, 컴퓨터 구현 방법. - 제 102 항에 있어서,
상기 조합된 음향 렌더링은 적어도 하나의 반사 렌더링 및 적어도 하나의 투과 렌더링을 포함하는 것인, 컴퓨터 구현 방법. - 제 97 항에 있어서,
투과 렌더링은 사운드 속도 렌더링 또는 감쇠 렌더링을 포함하는 것인, 컴퓨터 구현 방법. - 제 97 항에 있어서,
상기 예후 파라미터는 관심 구역과 관련된 사운드 속도 메트릭을 포함하는 것인, 컴퓨터 구현 방법. - 제 107 항에 있어서,
상기 관심 구역은 사용자가 선택한 관심 구역인 것인, 컴퓨터 구현 방법. - 제 107 항에 있어서,
상기 관심 구역은 상기 병변의 적어도 일부를 포함하는 것인, 컴퓨터 구현 방법. - 제 107 항에 있어서,
상기 관심 구역은 2 차원 관심 구역을 포함하는 것인, 컴퓨터 구현 방법. - 제 107 항에 있어서,
상기 관심 구역은 에지 검출을 통해 적어도 부분적으로 결정되는 것인, 컴퓨터 구현 방법. - 제 107 항에 있어서,
상기 관심 구역은 상기 예후 파라미터의 세트를 사용하여 적어도 부분적으로 선택되는 것인, 컴퓨터 구현 방법. - 제 110 항에 있어서,
상기 2 차원 관심 구역은 3 차원 관심 구역을 생성하는 데 사용되는 것인, 컴퓨터 구현 방법. - 제 107 항에 있어서,
상기 관심 구역에 기초하여 마스크가 생성되는 것인, 컴퓨터 구현 방법. - 제 107 항에 있어서,
상기 예후 파라미터의 세트는 상기 관심 구역에 기초하는 것인, 컴퓨터 구현 방법. - 제 107 항에 있어서,
상기 예후 파라미터의 세트는 상기 관심 구역의 사용자 할당 분류를 포함하는 것인, 컴퓨터 구현 방법. - 제 116 항에 있어서,
상기 사용자 할당 분류는 종괴 경계 점수인 것인, 컴퓨터 구현 방법. - 제 97 항에 있어서,
상기 예후 파라미터의 세트는 상기 병변의 적어도 하나의 형태학적 메트릭을 포함하는 것인, 컴퓨터 구현 방법. - 제 118 항에 있어서,
상기 형태학적 메트릭은 원형도, 형상의 불규칙성, 마진의 불규칙성, 및 마진의 평활도 중 적어도 하나를 포함하는 것인, 컴퓨터 구현 방법. - 제 97 항에 있어서,
상기 예후 파라미터의 세트는 퍼지니스를 포함하는 것인, 컴퓨터 구현 방법. - 제 120 항에 있어서,
상기 퍼지니스는 상기 병변의 경계에 속하는 것인, 컴퓨터 구현 방법. - 제 97 항에 있어서,
상기 예후 파라미터의 세트는 크리스피니스를 포함하는 것인, 컴퓨터 구현 방법. - 제 122 항에 있어서,
상기 크리스피니스는 상기 병변의 마진에 속하는 것인, 컴퓨터 구현 방법. - 제 97 항에 있어서,
상기 예후 파라미터의 세트는 상기 관심 구역의 적어도 하나의 텍스처 메트릭을 포함하는 것인, 컴퓨터 구현 방법. - 제 124 항에 있어서,
상기 텍스처 메트릭은 에지 정도, 그레이 레벨 동시 발생 매트릭스, 및 로의 텍스처 맵 중 적어도 하나를 포함하는 것인, 컴퓨터 구현 방법. - 제 97 항에 있어서,
상기 하나 또는 복수의 사운드 전파 메트릭은 관심 구역 내부의 사운드 전파를 특징짓는 것인, 컴퓨터 구현 방법. - 제 97 항에 있어서,
상기 하나 또는 복수의 사운드 전파 메트릭은 관심 구역 외부의 사운드 전파를 특징짓는 것인, 컴퓨터 구현 방법. - 제 97 항에 있어서,
제 1 사운드 전파 메트릭은 관심 구역 내부의 사운드 전파를 특징짓고, 제 2 사운드 전파 메트릭은 관심 구역 외부의 사운드 전파를 특징짓는 것인, 컴퓨터 구현 방법. - 제 97 항에 있어서,
상기 하나 또는 복수의 사운드 전파 메트릭은 평균, 표준 편차, 왜도, 및 첨도 중 적어도 하나를 포함하는 것인, 컴퓨터 구현 방법. - 제 97 항에 있어서,
상기 하나 또는 복수의 사운드 전파 메트릭은 사운드 속도, 사운드 감쇠, 및 사운드 반사 중 적어도 하나를 특징짓는 것인, 컴퓨터 구현 방법. - 제 97 항에 있어서,
상기 하나 또는 복수의 사운드 전파 메트릭은 적어도 사운드 속도 메트릭 및 반사 메트릭을 포함하는 것인, 컴퓨터 구현 방법. - 제 97 항에 있어서,
상기 하나 또는 복수의 사운드 전파 메트릭은 적어도 사운드 속도 메트릭, 반사 메트릭, 및 감쇠 메트릭을 포함하는 것인, 컴퓨터 구현 방법. - 제 97 항에 있어서,
상기 하나 또는 복수의 사운드 전파 메트릭은 적어도 사운드 속도 메트릭, 반사 메트릭, 감쇠 메트릭, 및 사용자 정의 점수를 포함하는 것인, 컴퓨터 구현 방법. - 제 97 항에 있어서,
상기 하나 또는 복수의 사운드 전파 메트릭은 적어도 사운드 속도 메트릭, 반사 메트릭, 감쇠 메트릭, 및 형태학적 메트릭을 포함하는 것인, 컴퓨터 구현 방법. - 제 97 항에 있어서,
상기 하나 또는 복수의 사운드 전파 메트릭은 적어도 사운드 속도 메트릭, 반사 메트릭, 감쇠 메트릭, 형태학적 메트릭, 및 사용자 정의 점수를 포함하는 것인, 컴퓨터 구현 방법. - 제 97 항에 있어서,
상기 예후 파라미터의 세트는 트리밍되는 것인, 컴퓨터 구현 방법. - 제 97 항에 있어서,
상기 복수의 서브 세트 중 하나는 사운드 속도를 특징짓는 상기 하나 또는 복수의 사운드 전파 메트릭을 포함하는 것인, 컴퓨터 구현 방법. - 제 97 항에 있어서,
상기 복수의 서브 세트 중 하나는 사운드 감쇠를 특징짓는 상기 하나 또는 복수의 사운드 전파 메트릭을 포함하는 것인, 컴퓨터 구현 방법. - 제 97 항에 있어서,
상기 복수의 서브 세트 중 하나는 사운드 반사를 특징짓는 상기 하나 또는 복수의 사운드 전파 메트릭을 포함하는 것인, 컴퓨터 구현 방법. - 제 97 항에 있어서,
상기 분류기 모델은 적어도 85 %의 민감도 및 적어도 84 %의 특이도로 조직의 유형을 결정하는 것인, 컴퓨터 구현 방법. - 제 97 항에 있어서,
상기 분류기 모델은 조직을 분류하기에 충분한 하나 이상의 예후 파라미터의 임계값을 결정하는 것인, 컴퓨터 구현 방법. - 제 97 항에 있어서,
상기 분류기 모델은 하나 이상의 예후 파라미터의 상대적인 통계적 정확도를 결정하는 것인, 컴퓨터 구현 방법. - 제 97 항에 있어서,
상기 분류기 모델은 조직을 분류하기에 충분한 상기 서브 세트 예후 파라미터의 임계값을 결정하는 것인, 컴퓨터 구현 방법. - 제 97 항에 있어서,
상기 분류기는 상기 병변이 악성 병변일 가능성을 결정하는 것인, 컴퓨터 구현 방법. - 제 144 항에 있어서,
상기 병변이 악성 병변일 상기 가능성은 백분율로 표현되는 것인, 컴퓨터 구현 방법. - 제 97 항에 있어서,
상기 분류기 모델은 머신 학습 기술을 사용하여 생성되는 것인, 컴퓨터 구현 방법. - 제 146 항에 있어서,
상기 머신 학습 기술은 지원 벡터 머신을 포함하는 것인, 컴퓨터 구현 방법. - 제 97 항 내지 제 147 항 중 어느 한 항의 방법을 수행하기 위한 명령어로 구성된 유형 매체
를 포함하는 프로세서.
Applications Claiming Priority (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201862664038P | 2018-04-27 | 2018-04-27 | |
| US62/664,038 | 2018-04-27 | ||
| US201962838174P | 2019-04-24 | 2019-04-24 | |
| US62/838,174 | 2019-04-24 | ||
| PCT/US2019/029592 WO2019210292A1 (en) | 2018-04-27 | 2019-04-29 | System and method for feature extraction and classification on ultrasound tomography images |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20210005699A true KR20210005699A (ko) | 2021-01-14 |
Family
ID=68293651
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020207034160A KR20210005699A (ko) | 2018-04-27 | 2019-04-29 | 초음파 단층 촬영 이미지에 대한 특징 추출 및 분류를 위한 시스템 및 방법 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20210035296A1 (ko) |
| EP (1) | EP3784139A4 (ko) |
| JP (1) | JP2021521982A (ko) |
| KR (1) | KR20210005699A (ko) |
| WO (1) | WO2019210292A1 (ko) |
Families Citing this family (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110430819B (zh) | 2016-12-02 | 2022-08-23 | 戴尔菲纳斯医疗科技公司 | 用于超声断层成像的波形增强反射和边缘边界表征 |
| GB201705911D0 (en) | 2017-04-12 | 2017-05-24 | Kheiron Medical Tech Ltd | Abstracts |
| CA3067824A1 (en) | 2017-06-26 | 2019-01-03 | The Research Foundation For The State University Of New York | System, method, and computer-accessible medium for virtual pancreatography |
| US10762636B2 (en) | 2017-06-29 | 2020-09-01 | HealthMyne, Inc. | Systems and methods for volumetric segmentation of structures in planar medical images |
| CA3080399A1 (en) | 2017-10-30 | 2019-05-09 | The Research Foundation For The State University Of New York | System and method associated with user authentication based on an acoustic-based echo-signature |
| DK3806746T3 (da) * | 2018-06-14 | 2022-05-23 | Kheiron Medical Tech Ltd | Anden læser forslag |
| US11521742B2 (en) * | 2018-07-18 | 2022-12-06 | SCA Robotics | Methods of implementing an artificial intelligence based neuroradiology platform for neurological tumor identification and for T-Cell therapy initiation and tracking and related precision medical treatment predictive modeling |
| US11043296B2 (en) * | 2018-11-05 | 2021-06-22 | HealthMyne, Inc. | Systems and methods for semi-automatic tumor segmentation |
| WO2020243574A1 (en) * | 2019-05-31 | 2020-12-03 | Delphinus Medical Technologies, Inc. | Systems and methods for interactive lesion characterization |
| US11610304B2 (en) * | 2019-10-11 | 2023-03-21 | Case Western Reserve University | Predicting tumor prognoses based on a combination of radiomic and clinico-pathological features |
| CN115135230A (zh) * | 2019-12-17 | 2022-09-30 | 戴尔菲纳斯医疗科技公司 | 利用组织声速和硬度进行癌症风险评估的方法和系统 |
| WO2021142134A1 (en) * | 2020-01-07 | 2021-07-15 | Arcscan, Inc. | Composite ultrasound images |
| WO2021142479A1 (en) * | 2020-01-10 | 2021-07-15 | Prenosis, Inc. | A tool for selecting relevant features in precision diagnostics |
| US11515033B2 (en) * | 2020-04-22 | 2022-11-29 | GE Precision Healthcare LLC | Augmented inspector interface with targeted, context-driven algorithms |
| US20220061810A1 (en) * | 2020-08-25 | 2022-03-03 | Clarius Mobile Health Corp. | Systems and methods for placing a gate and/or a color box during ultrasound imaging |
| US11587236B2 (en) | 2020-10-30 | 2023-02-21 | International Business Machines Corporation | Refining lesion contours with combined active contour and inpainting |
| US11688517B2 (en) | 2020-10-30 | 2023-06-27 | Guerbet | Multiple operating point false positive removal for lesion identification |
| US11436724B2 (en) * | 2020-10-30 | 2022-09-06 | International Business Machines Corporation | Lesion detection artificial intelligence pipeline computing system |
| US11749401B2 (en) | 2020-10-30 | 2023-09-05 | Guerbet | Seed relabeling for seed-based segmentation of a medical image |
| US11688063B2 (en) | 2020-10-30 | 2023-06-27 | Guerbet | Ensemble machine learning model architecture for lesion detection |
| US11694329B2 (en) | 2020-10-30 | 2023-07-04 | International Business Machines Corporation | Logistic model to determine 3D z-wise lesion connectivity |
| CN112598139B (zh) * | 2020-12-22 | 2023-08-18 | 百度在线网络技术（北京）有限公司 | 类别编码方法、装置、设备、存储介质及程序产品 |
| US20220319002A1 (en) * | 2021-04-05 | 2022-10-06 | Nec Laboratories America, Inc. | Tumor cell isolines |
| CN113642632B (zh) * | 2021-08-11 | 2023-10-27 | 国网冀北电力有限公司计量中心 | 基于自适应竞争和均衡优化的电力系统客户分类方法及装置 |
| CN114354455B (zh) * | 2022-01-17 | 2023-12-08 | 北京石油化工学院 | 一种电池浆料粒度分布在线测量的方法 |
| WO2023215363A1 (en) * | 2022-05-03 | 2023-11-09 | Quantivly Inc. | Identifying medical imaging protocols based on radiology data and metadata |
| WO2023242805A1 (en) * | 2022-06-15 | 2023-12-21 | Syndiag S.R.L. | Processing method of an ultrasound image to associate information supporting tumour diagnosis of cysts and solid lesions |
| CN117252448B (zh) * | 2023-11-20 | 2024-02-20 | 华东交通大学 | 基于时空特征提取及二次分解聚合的风电功率预测方法 |
| CN117636076B (zh) * | 2024-01-25 | 2024-04-12 | 北京航空航天大学 | 基于深度学习影像模型的前列腺mri图像分类方法 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7556602B2 (en) * | 2000-11-24 | 2009-07-07 | U-Systems, Inc. | Breast cancer screening with adjunctive ultrasound mammography |
| US20050033123A1 (en) * | 2003-07-25 | 2005-02-10 | Siemens Medical Solutions Usa, Inc. | Region of interest methods and systems for ultrasound imaging |
| JP2008541889A (ja) * | 2005-06-02 | 2008-11-27 | ザ メディパターン コーポレイション | コンピュータ支援検出のシステムおよび方法 |
| CN102869301B (zh) * | 2010-02-12 | 2016-06-29 | 戴尔菲纳斯医疗科技公司 | 表征病人的组织的方法 |
| EP2533684B1 (en) * | 2010-02-12 | 2021-06-16 | Delphinus Medical Technologies, Inc. | Method of characterizing tissue of a patient |
| US8582848B2 (en) * | 2010-07-30 | 2013-11-12 | Siemens Medical Solutions Usa, Inc. | System and method for detection of acoustic shadows and automatic assessment of image usability in 3D ultrasound images |
| US9060685B2 (en) * | 2012-03-26 | 2015-06-23 | Nec Laboratories America, Inc. | Whole tissue classifier for histology biopsy slides |
| KR20150098119A (ko) * | 2014-02-19 | 2015-08-27 | 삼성전자주식회사 | 의료 영상 내 거짓양성 병변후보 제거 시스템 및 방법 |
| WO2017040866A1 (en) * | 2015-09-01 | 2017-03-09 | Delphinus Medical Technologies, Inc. | Tissue imaging and analysis using ultrasound waveform tomography |
| EP3373820A4 (en) * | 2015-11-10 | 2019-06-26 | Exact Imaging Inc. | SYSTEM WITH INDICATOR FEATURES IN HIGH-RESOLUTION MICRO-ULTRASOUND IMAGES |
| JP6468179B2 (ja) * | 2015-12-22 | 2019-02-13 | 株式会社島津製作所 | 乳房検査用画像撮影装置 |
| CN106778829B (zh) * | 2016-11-28 | 2019-04-30 | 常熟理工学院 | 一种主动学习的肝脏损伤类别的图像检测方法 |
| CN107274428B (zh) * | 2017-08-03 | 2020-06-30 | 汕头市超声仪器研究所有限公司 | 基于仿真和实测数据的多目标三维超声图像分割方法 |
-
2019
- 2019-04-29 WO PCT/US2019/029592 patent/WO2019210292A1/en active Application Filing
- 2019-04-29 JP JP2020559559A patent/JP2021521982A/ja active Pending
- 2019-04-29 EP EP19792932.6A patent/EP3784139A4/en active Pending
- 2019-04-29 KR KR1020207034160A patent/KR20210005699A/ko active IP Right Grant
-
2020
- 2020-10-21 US US17/076,384 patent/US20210035296A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| EP3784139A1 (en) | 2021-03-03 |
| WO2019210292A1 (en) | 2019-10-31 |
| EP3784139A4 (en) | 2021-12-29 |
| US20210035296A1 (en) | 2021-02-04 |
| JP2021521982A (ja) | 2021-08-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210035296A1 (en) | System and method for feature extraction and classification on ultrasound tomography images | |
| AU2019257675B2 (en) | Image enhancement using generative adversarial networks | |
| US9959615B2 (en) | System and method for automatic pulmonary embolism detection | |
| US11350905B2 (en) | Waveform enhanced reflection and margin boundary characterization for ultrasound tomography | |
| US8831311B2 (en) | Methods and systems for automated soft tissue segmentation, circumference estimation and plane guidance in fetal abdominal ultrasound images | |
| Khan et al. | A robust technique based on VLM and Frangi filter for retinal vessel extraction and denoising | |
| US11200666B2 (en) | Method for diagnosing, predicting, determining prognosis, monitoring, or staging disease based on vascularization patterns | |
| Vaiyapuri et al. | Design of metaheuristic optimization-based vascular segmentation techniques for photoacoustic images | |
| US11914034B2 (en) | Ultrasound-target-shape-guided sparse regularization to improve accuracy of diffused optical tomography and target depth-regularized reconstruction in diffuse optical tomography using ultrasound segmentation as prior information | |
| Hossain et al. | Automated breast tumor ultrasound image segmentation with hybrid UNet and classification using fine-tuned CNN model | |
| US20200330026A1 (en) | Ultrasound-target-shape-guided sparse regularization to improve accuracy of diffused optical tomography | |
| US10433818B2 (en) | Color coding an image for identifying anatomy using quantitative transmission ultrasound tomography | |
| Khaledyan et al. | Enhancing breast ultrasound segmentation through fine-tuning and optimization techniques: Sharp attention UNet | |
| Abdushkour et al. | Enhancing fine retinal vessel segmentation: Morphological reconstruction and double thresholds filtering strategy | |
| Sawyer et al. | Evaluation of segmentation algorithms for optical coherence tomography images of ovarian tissue | |
| US20220028067A1 (en) | Systems and Methods for Quantifying Vessel Features in Ultrasound Doppler Images | |
| Sawyer et al. | Evaluation of segmentation algorithms for optical coherence tomography images of ovarian tissue | |
| Vaiyapuri et al. | Research Article Design of Metaheuristic Optimization-Based Vascular Segmentation Techniques for Photoacoustic Images | |
| US20240087751A1 (en) | Systems and methods for organ shape analysis for disease diagnosis and risk assessment | |
| US20230410293A1 (en) | Quality maps for optical coherence tomography angiography | |
| Shivaram | Segmentation of ovarian cyst using improved U-NET and hybrid deep learning model | |
| Shakir | Early detection of lung cancer | |
| NASRI et al. | Segmentation of medical images using the KFCM method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right |