KR20210012233A - 인공지능을 이용한 조영증강 영상 및 비조영증강 영상 변환 방법 및 장치 - Google Patents
인공지능을 이용한 조영증강 영상 및 비조영증강 영상 변환 방법 및 장치 Download PDFInfo
- Publication number
- KR20210012233A KR20210012233A KR1020190089592A KR20190089592A KR20210012233A KR 20210012233 A KR20210012233 A KR 20210012233A KR 1020190089592 A KR1020190089592 A KR 1020190089592A KR 20190089592 A KR20190089592 A KR 20190089592A KR 20210012233 A KR20210012233 A KR 20210012233A
- Authority
- KR
- South Korea
- Prior art keywords
- image
- enhanced
- contrast
- mri
- artificial intelligence
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000006870 function Effects 0.000 claims abstract description 51
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 238000002591 computed tomography Methods 0.000 claims description 121
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 107
- 238000006243 chemical reaction Methods 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 17
- 238000006073 displacement reaction Methods 0.000 claims description 16
- 230000003902 lesion Effects 0.000 abstract description 6
- 206010020751 Hypersensitivity Diseases 0.000 abstract description 5
- 230000007815 allergy Effects 0.000 abstract description 5
- 239000002872 contrast media Substances 0.000 abstract description 5
- 208000026935 allergic disease Diseases 0.000 abstract description 4
- 208000017169 kidney disease Diseases 0.000 abstract description 3
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 210000000988 bone and bone Anatomy 0.000 description 14
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
- A61B6/5247—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from an ionising-radiation diagnostic technique and a non-ionising radiation diagnostic technique, e.g. X-ray and ultrasound
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Radiology & Medical Imaging (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Pulmonology (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
Abstract
본 발명은 인공지능을 이용한 조영증강 영상 및 비조영증강 영상 변환 방법 및 장치에 관한 것으로서, 그 인공지능을 이용한 조영증강 영상 및 비조영증강 영상 변환 방법은 본 발명에 따른 인공지능을 이용한 조영증강 영상 및 비조영증강 영상 변환 방법은, CT 또는 MRI 장치를 이용하여 환자의 특정 부위에 대한 Non-enhanced CT 또는 MRI 영상과 Contrast enhanced CT 또는 MRI 영상을 생성하는 단계; 입력영상을 인공신경망을 이용한 학습을 통해 Contrast enhanced CT 또는 MRI 영상을 생성하여 출력영상으로 획득하는 단계; 학습을 통해 생성된 출력영상과 타겟영상을 비교하여 유사도 또는 비유사도를 구하여 비용 함수로 생성하는 단계; 및 상기 비용 함수를 상기 인경신경망으로 피드백하여 그 입력영상을 학습하여 비용함수를 최소화하는 단계를 포함한다.
본 발명에 의하면, 비조영증강 CT 영상에서 보이지 않는 병변을 보기 위해 조영증강 CT 영상을 다시 촬영하게 됨으로써 방사선 조사량을 줄일 수 있고, 신장 질환이나 알레르기(allergy) 등으로 조영제를 사용하는 것이 어려운 환자일 경우 조영제를 사용하지 않고도 조영증강 CT나 MRI 영상을 생성함으로써 비조영증강 CT 나 MRI 영상만으로 불충분하게 진단하는 문제를 해결할 수 있다.
본 발명에 의하면, 비조영증강 CT 영상에서 보이지 않는 병변을 보기 위해 조영증강 CT 영상을 다시 촬영하게 됨으로써 방사선 조사량을 줄일 수 있고, 신장 질환이나 알레르기(allergy) 등으로 조영제를 사용하는 것이 어려운 환자일 경우 조영제를 사용하지 않고도 조영증강 CT나 MRI 영상을 생성함으로써 비조영증강 CT 나 MRI 영상만으로 불충분하게 진단하는 문제를 해결할 수 있다.
Description
본 발명은 인공지능을 이용하여 비조영증강(Non-enhanced) CT(Computed Tomography) 또는 MRI(Magnetic Resonance Imaging) 영상을 조영증강(contrast enhanced) CT 또는 MRI 영상으로 변환하고, 역으로 조영증강(contrast enhanced) CT 또는 MRI 영상을 비조영증강(Non-enhanced) CT 또는 MRI 영상으로 변환하는 방법 및 장치에 관한 것이다.
일반적으로 비조영증강(Non-enhanced) CT 영상과 조영증강(contrast enhanced) CT 영상으로 볼 수 있는 병변이 다르다. 따라서 동시에 Non-enhanced CT 영상과 enhanced CT 영상 둘 다를 촬영하거나 하나의 영상에서 병변이 보이지 않는 경우 다시 촬영하는 경우가 있다. 즉, Non-enhanced CT 영상에서 병변이 보이지 않는 경우 enhanced CT 영상을 다시 촬영하거나 반대로 enhanced CT 영상에서 병변이 보이지 않는 경우 Non-enhanced CT 영상을 다시 촬영한다. 이렇게 다시 촬영할 경우에는 방사선 조사량이 증가하는 문제가 있다.
또한 신장 질환이나 알레르기(allergy) 등으로 조영제를 사용하는 것이 어려울 경우가 있다. 이러한 경우에는 non-enhanced 영상만으로 불충분하게 진단하거나 알레르기 등의 어려움을 감수하고 contrast enhanced 영상을 촬영하는 문제가 있다.
따라서 Non-enhanced CT 또는 MRI 영상을 contrast enhanced CT 또는 MRI 영상으로 생성하고, 그 역으로 즉, contrast enhanced CT 또는 MRI 영상을 Non-enhanced CT 또는 MRI 영상으로 변환하는 방법 및 장치가 필요하다.
본 발명이 해결하고자 하는 과제는 종래 기술의 문제와 불편함을 해결하기 위해 창출된 것으로서, 인공지능을 이용하여 비조영증강(Non-enhanced) CT 또는 MRI 영상을 조영증강(contrast enhanced) CT 또는 MRI 영상으로 변환하고, 역으로 조영증강(contrast enhanced) CT 또는 MRI 영상을 비조영증강(Non-enhanced) CT 또는 MRI 영상으로 변환하는, 인공지능을 이용한 조영증강 영상 및 비조영증강 영상 변환 방법 및 장치를 제공하는 것이다.
상기 기술적 과제를 이루기 위한 본 발명에 따른 인공지능을 이용한 조영증강 영상 및 비조영증강 영상 변환 방법은, CT 또는 MRI 장치를 이용하여 환자의 특정 부위에 대한 Non-enhanced CT 또는 MRI 영상과 Contrast enhanced CT 또는 MRI 영상을 생성하는 단계; 상기 생성된 Non-enhanced CT 또는 MRI 영상을 입력영상으로 하고, Contrast enhanced CT 또는 MRI 영상을 타겟영상이라 할 때, 상기 입력영상을 인공신경망을 이용한 학습을 통해 Contrast enhanced CT 또는 MRI 영상을 생성하여 출력영상으로 획득하는 단계; 상기 학습을 통해 생성된 출력영상과 타겟영상을 비교하여 유사도 또는 비유사도를 구하여 비용 함수로 생성하는 단계; 및 상기 비용 함수를 상기 인경신경망으로 피드백하여 상기 입력영상을 학습하여 상기 비용 함수를 최소화하는 단계를 포함한다.
상기 기술적 과제를 이루기 위한 본 발명에 따른 인공지능을 이용한 조영증강 영상 및 비조영증강 영상 변환 방법은, CT 또는 MRI 장치를 이용하여 환자의 특정 부위에 대한 Non-enhanced CT 또는 MRI 영상과 Contrast enhanced CT 또는 MRI 영상을 생성하는 단계; 상기 생성된 Contrast enhanced CT 또는 MRI 영상을 입력영상으로 하고, Non-enhanced CT 또는 MRI 영상을 타겟영상이라 할 때, 상기 입력영상을 인공신경망을 이용한 학습을 통해 Non-enhanced CT 또는 MRI 영상을 생성하여 출력영상으로 획득하는 단계; 상기 인경신경망 학습을 통해 생성된 출력영상과 타겟영상을 비교하여 유사도 또는 비유사도를 구하여 비용 함수로 생성하는 단계; 및 상기 비용 함수를 상기 인공신경망으로 피드백하여 상기 입력영상을 학습하여 상기 비용 함수를 최소화하는 단계를 포함한다.
상기 본 발명에 따른 인공지능을 이용한 조영증강 영상 및 비조영증강 영상 변환 방법은, 상기 입력영상에 대한 상기 타겟영상의 환자 자세 움직임 변화량에 따른 회전변위량(tilting) 과 좌우상하변위량(offset 값)을 조정하는 전처리단계를 더 포함할 수 있다. 상기 전처리 단계는 상기 입력영상에 대한 상기 타겟영상의 section thickness에 따른 차이를 보상하기 위해 상기 입력영상과 가장 근접한 위치의 타겟영상의 영상을 선택하는 단계를 더 포함할 수 있다. 또한 상기 전처리 단계는 상기 입력영상에 대한 상기 타겟영상의 section thickness에 따른 차이를 보상하기 위해 상기 입력영상 전체와 가장 근접한 위치로 선택된 타겟영상 전체 영상을 선택하는 단계를 더 포함할 수 있다.
상기 기술적 과제를 이루기 위한 본 발명에 따른 인공지능을 이용한 조영증강 영상 및 비조영증강 영상 변환 장치는, CT(Computed Tomography) 또는 MRI(Magnetic Resonance Imaging) 장치를 이용하여 생성된, 환자의 특정 부위에 대한 비조영증강(Non-enhanced) CT 또는 MRI 영상을 입력영상이라 하고, 상기 CT 또는 MRI 장치를 이용하여 생성된 조영증강(Contrast enhanced) CT 또는 MRI 영상을 타겟영상이라 할 때, 상기 비조영증강 입력 영상을 인공지능을 이용하여 학습하여 조영증강 CT 또는 MRI 영상으로 생성하여 출력영상을 제공하는 인공지능 학습부; 및 상기 인공지능 학습부의 학습을 통해 제공된 출력영상과 상기 타겟영상을 비교하여 유사도 또는 비유사도를 구하여 비용함수(cost function)로 생성하고, 상기 비용함수를 상기 인공지능 학습부로 피드백하여 학습하여 상기 비용 함수 값을 최소화하는 비용함수부를 포함한다.
상기 기술적 과제를 이루기 위한 본 발명에 따른 인공지능을 이용한 조영증강 영상 및 비조영증강 영상 변환 장치는, CT(Computed Tomography) 또는 MRI(Magnetic Resonance Imaging) 장치를 이용하여 생성된, 환자의 특정 부위에 대한 조영증강(Contrast enhanced) CT 또는 MRI 영상을 입력영상이라 하고, 상기 CT 또는 MRI 장치를 이용하여 생성된 비조영증강(non-enhanced) CT 또는 MRI 영상을 타겟영상이라 할 때, 상기 조영증강 입력 영상을 인공지능을 이용하여 학습하여 비조영증강 CT 또는 MRI 영상으로 생성하여 출력영상을 제공하는 인공지능 학습부; 및 상기 인공지능 학습부의 학습을 통해 제공된 출력영상과 상기 타겟영상을 비교하여 유사도 또는 비유사도를 구하여 비용함수(cost function)로 생성하고, 상기 비용함수를 상기 인공지능 학습부로 피드백하여 학습하여 상기 비용 함수 값을 최소화하는 비용함수부를 포함한다.
상기 본 발명에 따른 인공지능을 이용한 조영증강 영상 및 비조영증강 영상 변환 장치는, 상기 입력영상에 대한 상기 타겟영상의 환자 자세 움직임 변화량에 따른 회전변위량(tilting) 과 좌우상하변위량(offset 값)을 조정하는 전처리부를 더 포함할 수 있다. 상기 전처리부는 상기 입력영상에 대한 상기 타겟영상의 section thickness에 따른 차이를 보상하기 위해 상기 입력영상과 가장 근접한 위치의 타겟영상의 영상을 선택하는 것을 더 포함할 수 있다. 또한 상기 전처리부는 상기 입력영상에 대한 상기 타겟영상의 section thickness에 따른 차이를 보상하기 위해 상기 입력영상 전체와 가장 근접한 위치로 선택된 타겟영상 전체 영상을 선택하는 것을 더 포함할 수 있다.
본 발명에 따른 인공지능을 이용한 조영증강 영상 및 비조영증강 영상 변환 방법 및 장치에 의하면, 비조영증강 CT 영상에서 보이지 않는 병변을 보기 위해 조영증강 CT 영상을 다시 촬영하게 됨으로써 방사선 조사량을 줄일 수 있다.
그리고 본 발명에 의하면, 신장 질환이나 알레르기(allergy) 등으로 조영제를 사용하는 것이 어려운 환자일 경우 조영제를 사용하지 않고도 조영증강 CT나 MRI 영상을 생성함으로써 비조영증강 CT 나 MRI 영상만으로 불충분하게 진단하는 문제를 해결할 수 있다. 또한 부득이 알레르기 등의 어려움을 감수하고라도 조영증강(contrast enhanced) 영상을 촬영해야 하는 어려움도 해결할 수 있다.
도 1는 본 발명에 따른 인공지능을 이용한 조영증강 영상 및 비조영증강 영상 변환 장치의 일실시예를 블록도로 나타낸 것이다.
도 2는 본 발명에 따른 인공지능을 이용한 조영증강 영상 및 비조영증강 영상 변환 장치에서 인공지능학습부(120)를 보다 상세히 나타낸 것이다.
도 3은 본 발명에 따른 인공지능 학습된 조영증강 영상 및 비조영증강 영상 변환 장치의 일실시예를 나타낸 것이다.
도 4는 CT 영상에서의 bone window와 bone의 HU(Hounsfield Unit) 값을 나타낸 것이다.
도 5는 본 발명에 따른 인공지능을 이용한 조영증강 영상 및 비조영증강 영상 변환 방법에서 비조영증강 영상을 조영증강 영상으로 변환하는 일실시예를 흐름도로 나타낸 것이다.
도 6은 본 발명에 따른 인공지능을 이용한 조영증강 영상 및 비조영증강 영상 변환 방법에서 조영증강 영상을 비조영증강 영상으로 변환하는 일실시예를 흐름도로 나타낸 것이다.
도 2는 본 발명에 따른 인공지능을 이용한 조영증강 영상 및 비조영증강 영상 변환 장치에서 인공지능학습부(120)를 보다 상세히 나타낸 것이다.
도 3은 본 발명에 따른 인공지능 학습된 조영증강 영상 및 비조영증강 영상 변환 장치의 일실시예를 나타낸 것이다.
도 4는 CT 영상에서의 bone window와 bone의 HU(Hounsfield Unit) 값을 나타낸 것이다.
도 5는 본 발명에 따른 인공지능을 이용한 조영증강 영상 및 비조영증강 영상 변환 방법에서 비조영증강 영상을 조영증강 영상으로 변환하는 일실시예를 흐름도로 나타낸 것이다.
도 6은 본 발명에 따른 인공지능을 이용한 조영증강 영상 및 비조영증강 영상 변환 방법에서 조영증강 영상을 비조영증강 영상으로 변환하는 일실시예를 흐름도로 나타낸 것이다.
이하, 첨부된 도면을 참조로 본 발명의 바람직한 실시예를 상세히 설명하기로 한다. 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 바람직한 일 실시예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원 시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.
도 1는 본 발명에 따른 인공지능을 이용한 조영증강 영상 및 비조영증강 영상 변환 장치의 일실시예를 블록도로 나타낸 것이다. 도 1을 참조하면, 본 발명에 따른 인공지능을 이용한 조영증강 영상 및 비조영증강 영상 변환 장치의 일실시예는 인공지능 학습부(120) 및 비용함수부(130)를 포함하여 이루어지고, 전처리부(110)를 더 포함할 수 있다.
CT(Computed Tomography) 또는 MRI(Magnetic Resonance Imaging) 장치(미도시)를 이용하여 환자의 특정 부위에 대한 비조영증강(Non-enhanced) CT 또는 MRI 영상과 조영증강(Contrast enhanced) CT 또는 MRI 영상을 촬영한다. 상기 환자의 특정 부위는 동일한 환자의 특정 부위일 경우가 많지만, 촬영되는 부위가 동일하면 동일하지 않은 환자의 특정 부위에 대한 Non-enhanced 및 Contrast enhanced CT 또는 MRI 영상을 촬영할 수도 있다. 상기 촬영된 비조영증강(Non-enhanced) CT 또는 MRI 영상은 입력영상이 될 수도 있고 타겟영상이 될 수도 있다. 상기 CT 또는 MRI 장치를 이용하여 촬영된 조영증강(Contrast enhanced) CT 또는 MRI 영상은 상기 비조영증강 CT 또는 MRI 영상이 입력영상일 경우에는 타겟영상이 되고, 상기 비조영증강 CT 또는 MRI 영상이 타겟영상일 경우에는 입력영상이 된다. 여기서, 비조영증강(Non-enhanced) CT 또는 MRI 영상과 조영증강(Contrast enhanced) CT 또는 MRI 영상과 조영증강(Contrast enhanced) CT 또는 MRI 영상은 몇 분 또는 몇 시간의 시차 뿐 아니라 상당한 시차, 예를 들어 몇 일 또는 몇 달, 심지어 몇 년 간격으로 촬영될 수 있다.
인공지능 학습부(120)는 상기 비조영증강 입력 영상을 인공지능을 이용하여 학습하여 조영증강 CT 또는 MRI 영상으로 변환하여 출력영상으로 제공한다. 또한 인공지능 학습부(120)는 상기 조영증강 입력 영상을 인공지능을 이용하여 학습하여 비조영증강 CT 또는 MRI 영상으로 변환하여 출력영상으로 제공한다. 인공지능 학습부(120)는 인코더(122), 심층신경망(124) 및 디코더(126)을 구비할 수 있다.
도 2는 본 발명에 따른 인공지능을 이용한 조영증강 영상 및 비조영증강 영상 변환 장치에서 인공지능학습부(120)를 보다 상세히 나타낸 것이다. 도 2를 참조하면, 인코더(122)는 Convolution Neural Network으로 구현될 수 있으며, 복수의 Convolution Layer(210)과 복수의 Pooling Layer(220)으로 구성될 수 있다. 그리고 심층신경망(Deep Neural Nework, 124)은 Fully Connected Layer로 구성할 수 있고, 디코더(126)은 Convolution Neural Network으로 구현될 수 있으며, 복수의 Convolution Layer(230)과 복수의 UnPooling Layer(240)으로 구성될 수 있다. 본 발명에 따른 인공지능을 이용한 조영증강 영상 및 비조영증강 영상 변환 장치에서의 인공지능학습부(120)는 CNN 뿐만 아니라 simple neural network, recurrent neural network를 사용할 수도 있다. 또한 기존의 예측모델을 사용할 수도 있다. 예를 들어 regression model, surrogate management framework를 사용할 수도 있다.
비용함수부(130)는 인공지능 학습부(120)의 학습을 통해 제공된 출력영상과 상기 타겟영상을 비교하여 출력영상과 타겟영상의 유사도 또는 비유사도를 구하여 비용함수(cost function)로 생성하고, 상기 비용함수를 인공지능 학습부(120)로 피드백하여 학습하고, 상기 피드백을 반복하여 상기 비용 함수 값을 최소화한다. 상기 출력영상과 타겟영상의 유사도 또는 비유사도는 출력영상과 타겟영상의 차를 포함하며, 상기 출력함수와 타겟영상의 차를 구하여 비용함수로 생성할 수 있다.
그리고 출력영상과 타겟영상이 서로 같은지 다른지 구분하는 장치 또는 프로그램을 비용함수로 이용할 수도 있다. 즉, 상기 출력영상과 타겟영상의 유사도 또는 비유사도는 출력영상과 타겟영상이 서로 같은지 다른지 구분하는 장치 또는 프로그램을 이용하여 산출할 수 있다. 예를 들어, CT의 경우에는 환자들의 non-enhanced CT, Contrast enhanced CT 이미지에 대해 중복을 허락하여 2개의 이미지를 추출하여 인공지능(예를 들어 Convoluted neural network) 또는 기타 예측모델에 입력(input)으로 넣고 실제 같은 이미지인 경우에는 '같은 이미지'라고 출력하고(프로그램 상에서는 '0'이라는 숫자로 출력할 수도 있음), 이외에는 모두 '다른 이미지'라고 출력(프로그램 상에서는 '1'이라는 숫자 또는 '0~1'사이의 서로 다른 이미지일 확률로 출력할 수도 있음) 하도록 훈련한 장치 또는 프로그램을 사용할 수 있다.
MRI의 경우에도 동일하게 두 영상이 서로 같은지 다른지 구분하는 장치를 구성할 수 있다. CT와 MRI이미지 모두를 이용하여 훈련한 두 영상이 서로 같은지 다른지 구분하는 장치를 사용할 수도 있다. 본 발명에서 사용되는 상기 장치는 이렇게 구성된 두 영상이 서로 같은지 다른지 구분하는 장치를 비용함수로 이용할 수 있다. 환자의 non-enhanced CT를 이용하여 Contrast enhanced로 변환한 이미지와 실제 Contrast enhanced 이미지를 두 영상이 서로 같은지 다른지 구분하는 장치가 서로 같은 이미지로 인식할 때까지 본 발명의 장치를 훈련한다.
반대의 경우에는, 환자의 Contrast enhanced CT이미지를 이용하여 non-enhanced로 변환한 이미지와 실제 non-enhanced CT이미지를 두 영상이 서로 같은지 다른지 구분하는 장치가 서로 같은 이미지로 인식할 때까지 본 발명에서 비용함수로 사용되는 장치를 훈련한다. 이렇게 하는 경우 두 영상의 차이를 전혀 이용하지 않고도 비용함수를 생성할 수 있다.
MRI의 경우에도 동일하게 두 영상이 서로 같은지 다른지 구분하는 장치를 비용함수로 이용하여 환자의 non-enhanced MRI이미지를 이용하여 Contrast enhanced로 변환한 이미지와 실제 Contrast enhanced MRI이미지를 두 영상이 서로 같은지 다른지 구분하는 장치가 서로 같은 이미지로 인식할 때까지 본 발명의 장치를 훈련한다. 반대의 경우에도 환자의 Contrast enhanced MRI이미지를 이용하여 non-enhanced로 변환한 이미지와 실제 non-enhanced MRI이미지를 두 영상이 서로 같은지 다른지 구분하는 장치가 서로 같은 이미지로 인식할 때까지 본 발명의 장치를 훈련한다.
전처리부(110)는 상기 입력영상에 대한 상기 타겟영상의 환자 자세 움직임 변화량에 따른 회전변위량(tilting)과 좌우상하변위량(offset value)을 조정한다. 즉, 전처리부(110)는 비조영증강 CT 또는 MRI 영상을 촬영할 때의 환자 자세와 비조영증강 CT 또는 MRI 영상을 촬영할 때의 환자 자세가 환자의 미세한 움직임으로 인해 차이가 날 수 있다. 상기 차이는 회전변위량(tilting)과 좌우상하변위량(offset value)으로 나타낼 수 있다. 회전변위량(tilting)은 환자의 촬영부위가 틀어진 정도이고, 좌우상하변위량(offset value)은 환자의 촬영부위가 상하 좌우로 이동된 값이다.
전처리부(110)는 이러한 환자 자세 변경에 대해 alignment를 조정(adjusting)하여 조영증강영상과 비조영증강영상을 matching하여 정확도를 높인다. 상기 alignment 조정은 사람이 수동으로 할 수도 있으나 수동으로 하면 시간과 비용이 많이 소요될 수 있다.
본 발명에서는 CT 영상일 경우에는 인체 부위 중에서 가장 변화가 적은 부위는 뼈(bone)이므로 bone window 처럼 bone HU(약 1000) 근처에서 cutoff value를 설정하면 비조영증강 영상과 조영증강 영상의 차이가 가장 작도록 alignment를 조정할 수 있다. 도 4는 CT 영상에서의 bone window와 bone의 HU(Hounsfield Unit) 값을 나타낸 것이다. W는 width이고 L은 level 이다. HU(Hounsfield Unit)는 X선이 몸을 투과할 때 부위별 밀도에 의해 흡수정도를 상대적으로 표현한 것으로서, 도 4를 참조하면 bone의 HU는 1000 이고, 물(H2O)의 HU는 0 이고, 공기(air)의 HU는 -1000 이다.
CT 촬영에서 뼈(bone)의 이미지 값이 거의 1000 정도의 값을 가지고, CT를 볼 때 bone window가 따로 있다. bone window 를 통해 보면, 데이터는 그대로 있는데, 1000 정도에서만 하얗게 보이고, 나머지는 까맣게 나타남으로써 bone만 볼 수 있게 된다. 이와 같이 보이는 bone 이 강조되어 나타나는 조영증강 영상과 비조영증강영상을 회전 및 상하좌우 이동하면서 alignment를 조정하면 틸팅(tilting)과 오프셋 값(offset value)을 얻을 수 있다. 이렇게 구해진 상기 틸팅(tilting)과 오프셋 값(offset value)을 반영하여 이미지를 돌리고 위치를 변화시켜 조영증강 영상과 비조영증강 영상을 매칭한다.
MRI 영상일 경우에는 각 촬영 모드별 bone signal value 근처에서 cutoff value를 설정하여 비조영증강 영상과 조영증강 영상의 차이가 가장 작도록 alignment를 조정한다.
또한 전처리부(110)는 상기 입력영상에 대한 상기 타겟영상의 section thickness에 따른 차이를 보상하기 위해 상기 입력영상과 가장 근접한 위치의 영상의 위치를 선택하여 타겟영상으로 할 수 있다. alignment를 조정한 후 근접 위치의 영상을 타겟 영상으로 선택한다. 또한 전처리부(110)는 상기 입력영상에 대한 상기 타겟영상의 section thickness에 따른 차이를 보상하기 위해 입력영상 전체와 가장 근접한 위치로 선택된 타겟 영상 전체를 선택할 수 있다. 상기 입력영상 전체와 선택된 타겟영상 전체를 이용하여 학습하여 정확도를 높일 수 있다.
즉, 이미지 전체를 같이 넣고 한꺼번에 학습시킨다. 예를 들어 입력영상을 100장을 촬영한 후, 데이터가 이미지 한 장당 10개 값이 있다면 100장이면 1000개의 데이터가 있다. 1000개의 데이터를 하나의 데이터 세트로 하여 한명 당 데이터 세트는 하나가 되고, 하나의 데이터 세트를 한 번에 학습시킨다. 이렇게 하면 CNN의 계수 결정이 빠르게 수렴될 수 있다. 그렇게 하지 않고 이미지 한 장을 하나의 데이터 세트로 하여 하나씩 학습하면 이미지의 수가 많으면 CNN의 계수가 다르게 될 수 있어 학습의 정확도가 낮아질 수 있다.
도 3은 본 발명에 따른 인공지능 학습된 조영증강 영상 및 비조영증강 영상 변환 장치의 일실시예를 나타낸 것이다. 도 3을 참조하면, 입력영상(310)으로 비조영증강 CT 또는 MRI 영상을 본 발명에 따른 인공지능 학습된 조영증강 영상 및 비조영증강 영상 변환 장치(320)에 입력하면, 조영증강 CT 또는 MRI 영상이 출력영상(330)으로 출력된다. 역으로 입력영상(310)으로 조영증강 CT 또는 MRI 영상을 본 발명에 따른 인공지능 학습된 조영증강 영상 및 비조영증강 영상 변환 장치(320)에 입력하면, 비조영증강 CT 또는 MRI 영상이 출력영상(330)으로 출력된다.
도 5는 본 발명에 따른 인공지능을 이용한 조영증강 영상 및 비조영증강 영상 변환 방법에서 비조영증강 영상을 조영증강 영상으로 변환하는 일실시예를 흐름도로 나타낸 것이다. 도 5를 참조하면, CT 또는 MRI 장치를 이용하여 환자의 인체를 촬영하여 Non-enhanced CT 또는 MRI 영상과 Contrast enhanced CT 또는 MRI 영상을 생성한다.(S510단계) 상기 환자의 인체는 동일한 환자의 인체일 경우가 많지만, 촬영되는 인체 부위가 동일하면 동일하지 않은 환자의 인체를 촬영하여 Non-enhanced 및 Contrast enhanced CT 또는 MRI 영상을 생성할 수도 있다.
상기 생성된 Non-enhanced CT 또는 MRI 영상을 입력영상으로 하고, Contrast enhanced CT 또는 MRI 영상을 타겟영상이라 할 때, 상기 입력영상에 대한 상기 타겟영상의 환자 자세 움직임 변화량에 따른 회전변위량(tilting) 과 좌우상하변위량(offset 값)을 조정하는 전처리를 수행한다.(S520단계) 상기 전처리(S520단계)는 상기 입력영상에 대한 상기 타겟영상의 section thickness에 따른 차이를 보상하기 위해 상기 입력영상과 가장 근접한 위치의 타겟영상의 영상을 선택하는 것을 더 포함할 수 있다. 또한 상기 전처리(S520단계)는 상기 입력영상에 대한 상기 타겟영상의 section thickness에 따른 차이를 보상하기 위해 상기 입력영상 전체와 가장 근접한 위치로 선택된 타겟영상 전체 영상을 선택할 수 있다.
상기 전처리 과정이 수행되면, 입력영상을 인공신경망을 이용한 학습을 통해 Contrast enhanced CT 또는 MRI 영상을 생성하여 출력영상으로 획득한다.(S530단계) 상기 학습을 통해 생성된 출력영상과 타겟영상을 비교하여 차를 구하여 비용 함수로 생성한다.(S540단계) 상기 비용 함수를 상기 인경신경망으로 피드백하여 상기 입력영상을 학습하여 상기 비용 함수를 최소화한다.(S550단계)
도 6은 본 발명에 따른 인공지능을 이용한 조영증강 영상 및 비조영증강 영상 변환 방법에서 조영증강 영상을 비조영증강 영상으로 변환하는 일실시예를 흐름도로 나타낸 것이다. 도 6을 참조하면, CT 또는 MRI 장치를 이용하여 환자의 인체를 촬영하여 Non-enhanced CT 또는 MRI 영상과 Contrast enhanced CT 또는 MRI 영상을 생성한다.(S610단계) 상기 환자의 인체는 동일한 환자의 인체일 경우가 많지만, 촬영되는 인체 부위가 동일하면 동일하지 않은 환자의 인체를 촬영하여 Non-enhanced 및 Contrast enhanced CT 또는 MRI 영상을 생성할 수도 있다.상기 생성된 contrast enhanced CT 또는 MRI 영상을 입력영상으로 하고, non-enhanced CT 또는 MRI 영상을 타겟영상이라 할 때, 상기 입력영상에 대한 상기 타겟영상의 환자 자세 움직임 변화량에 따른 회전변위량(tilting) 과 좌우상하변위량(offset 값)을 조정하는 전처리를 수행한다.(S620단계) 상기 전처리(S620단계)는 상기 입력영상에 대한 상기 타겟영상의 section thickness에 따른 차이를 보상하기 위해 상기 입력영상과 가장 근접한 위치의 타겟영상의 영상을 선택하는 것을 더 포함할 수 있다. 또한 상기 전처리(S620단계)는 상기 입력영상에 대한 상기 타겟영상의 section thickness에 따른 차이를 보상하기 위해 상기 입력영상 전체와 가장 근접한 위치로 선택된 타겟영상 전체 영상을 선택할 수 있다.
상기 전처리 과정이 수행되면, 입력영상을 인공신경망을 이용한 학습을 통해 non-enhanced CT 또는 MRI 영상을 생성하여 출력영상으로 획득한다.(S630단계) 상기 학습을 통해 생성된 출력영상과 타겟영상을 비교하여 차를 구하여 비용 함수로 생성한다.(S640단계) 상기 비용 함수를 상기 인경신경망으로 피드백하여 상기 입력영상을 학습하여 상기 비용 함수를 최소화한다.(S650단계)
본 발명은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터(정보 처리 기능을 갖는 장치를 모두 포함한다)가 읽을 수 있는 코드로서 구현될 수 있다. 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록 장치의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광데이터 저장장치 등이 있다. 또한, 본 명세서에서, “부”는 프로세서 또는 회로와 같은 하드웨어 구성(hardware component), 및/또는 프로세서와 같은 하드웨어 구성에 의해 실행되는 소프트웨어 구성(software component)일 수 있다.
본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 등록청구범위의 기술적 사상에 의해 정해져야 할 것이다.
110 : 전처리부
120 : 인공지능학습부
122 : 인코더(CNN) 124 : 심층신경망(Deep Neural Network)
126 : 디코더(CNN) 130 : 비용함수(cost function)부
210 : Convolution Layer 220 : Pooling Layer
230 : Unpooling Layer 240 : Convolution Layer
310 : 입력영상 320 : 영상변환장치
330 : 출력영상
122 : 인코더(CNN) 124 : 심층신경망(Deep Neural Network)
126 : 디코더(CNN) 130 : 비용함수(cost function)부
210 : Convolution Layer 220 : Pooling Layer
230 : Unpooling Layer 240 : Convolution Layer
310 : 입력영상 320 : 영상변환장치
330 : 출력영상
Claims (10)
- CT 또는 MRI 장치를 이용하여 환자의 특정 부위에 대한 Non-enhanced CT 또는 MRI 영상과 Contrast enhanced CT 또는 MRI 영상을 생성하는 단계;
상기 생성된 Non-enhanced CT 또는 MRI 영상을 입력영상으로 하고, Contrast enhanced CT 또는 MRI 영상을 타겟영상이라 할 때, 상기 입력영상을 인공신경망을 이용한 학습을 통해 Contrast enhanced CT 또는 MRI 영상을 생성하여 출력영상으로 획득하는 단계;
상기 학습을 통해 생성된 출력영상과 타겟영상을 비교하여 유사도 또는 비유사도를 구하여 비용 함수로 생성하는 단계; 및
상기 비용 함수를 상기 인경신경망으로 피드백하여 상기 입력영상을 학습하여 상기 비용 함수를 최소화하는 단계를 포함하는 인공지능을 이용한 조영증강 영상 및 비조영증강 영상 변환 방법. - CT 또는 MRI 장치를 이용하여 환자의 특정 부위에 대한 Non-enhanced CT 또는 MRI 영상과 Contrast enhanced CT 또는 MRI 영상을 생성하는 단계;
상기 생성된 Contrast enhanced CT 또는 MRI 영상을 입력영상으로 하고, Non-enhanced CT 또는 MRI 영상을 타겟영상이라 할 때, 상기 입력영상을 인공신경망을 이용한 학습을 통해 Non-enhanced CT 또는 MRI 영상을 생성하여 출력영상으로 획득하는 단계;
상기 인경신경망 학습을 통해 생성된 출력영상과 타겟영상을 비교하여 유사도 또는 비유사도를 구하여 비용 함수로 생성하는 단계; 및
상기 비용 함수를 상기 인공신경망으로 피드백하여 상기 입력영상을 학습하여 상기 비용 함수를 최소화하는 단계를 포함하는 인공지능을 이용한 조영증강 영상 및 비조영증강 영상 변환 방법. - 제1항 또는 제2항에 있어서,
상기 입력영상에 대한 상기 타겟영상의 환자 자세 움직임 변화량에 따른 회전변위량(tilting) 과 좌우상하변위량(offset 값)을 조정하는 전처리단계를 더 포함하는 것을 특징으로 하는 인공지능을 이용한 비조영증강 영상 및 조영증강 영상 변환 방법. - 제3항에 있어서, 상기 전처리 단계는
상기 입력영상에 대한 상기 타겟영상의 section thickness에 따른 차이를 보상하기 위해 상기 입력영상과 가장 근접한 위치의 타겟영상의 영상을 선택하는 단계를 더 포함하는 것을 특징으로 하는 인공지능을 이용한 조영증강 영상 및 비조영증강 영상변환 방법. - 제3항에 있어서, 상기 전처리 단계는
상기 입력영상에 대한 상기 타겟영상의 section thickness에 따른 차이를 보상하기 위해 상기 입력영상 전체와 가장 근접한 위치로 선택된 타겟영상 전체 영상을 선택하는 단계를 더 포함하는 것을 특징으로 하는 특징으로 하는 인공지능을 이용한 조영증강 영상 및 비조영증강 영상 변환 방법. - CT(Computed Tomography) 또는 MRI(Magnetic Resonance Imaging) 장치를 이용하여 생성된, 환자의 특정 부위에 대한 비조영증강(Non-enhanced) CT 또는 MRI 영상을 입력영상이라 하고, 상기 CT 또는 MRI 장치를 이용하여 생성된 조영증강(Contrast enhanced) CT 또는 MRI 영상을 타겟영상이라 할 때, 상기 비조영증강 입력 영상을 인공지능을 이용하여 학습하여 조영증강 CT 또는 MRI 영상으로 생성하여 출력영상을 제공하는 인공지능 학습부; 및
상기 인공지능 학습부의 학습을 통해 제공된 출력영상과 상기 타겟영상을 비교하여 유사도 또는 비유사도를 구하여 비용함수(cost function)로 생성하고, 상기 비용함수를 상기 인공지능 학습부로 피드백하여 학습하여 상기 비용 함수 값을 최소화하는 비용함수부를 포함하는 인공지능을 이용한 조영증강 영상 및 비조영증강 변환 장치. - CT(Computed Tomography) 또는 MRI(Magnetic Resonance Imaging) 장치를 이용하여 생성된, 환자의 특정 부위에 대한 조영증강(Contrast enhanced) CT 또는 MRI 영상을 입력영상이라 하고, 상기 CT 또는 MRI 장치를 이용하여 생성된 비조영증강(non-enhanced) CT 또는 MRI 영상을 타겟영상이라 할 때, 상기 조영증강 입력 영상을 인공지능을 이용하여 학습하여 비조영증강 CT 또는 MRI 영상으로 생성하여 출력영상을 제공하는 인공지능 학습부; 및
상기 인공지능 학습부의 학습을 통해 제공된 출력영상과 상기 타겟영상을 비교하여 유사도 또는 비유사도를 구하여 비용함수(cost function)로 생성하고, 상기 비용함수를 상기 인공지능 학습부로 피드백하여 학습하여 상기 비용 함수 값을 최소화하는 비용함수부를 포함하는 인공지능을 이용한 조영증강 영상 및 비조영증강 영상 변환 장치. - 제6항 또는 제7항에 있어서,
상기 입력영상에 대한 상기 타겟영상의 환자 자세 움직임 변화량에 따른 회전변위량(tilting) 과 좌우상하변위량(offset 값)을 조정하는 전처리부를 더 포함하는 것을 특징으로 하는 특징으로 하는 인공지능을 이용한 조영증강 영상 및 비조영증강 영상 변환 장치. - 제8항에 있어서, 상기 전처리부는
상기 입력영상에 대한 상기 타겟영상의 section thickness에 따른 차이를 보상하기 위해 상기 입력영상과 가장 근접한 위치의 타겟영상의 영상을 선택하는 것을 더 포함하는 것을 특징으로 하는 인공지능을 이용한 조영증강 영상 및 비조영증강 영상 변환 장치. - 제8항에 있어서, 상기 전처리부는
상기 입력영상에 대한 상기 타겟영상의 section thickness에 따른 차이를 보상하기 위해 상기 입력영상 전체와 가장 근접한 위치로 선택된 타겟영상 전체 영상을 선택하는 것을 더 포함하는 것을 특징으로 하는 인공지능을 이용한 조영증강 영상 및 비조영증강 영상 변환 장치.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190089592A KR102254971B1 (ko) | 2019-07-24 | 2019-07-24 | 인공지능을 이용한 조영증강 영상 및 비조영증강 영상 변환 방법 및 장치 |
| PCT/KR2020/009500 WO2021015507A2 (ko) | 2019-07-24 | 2020-07-20 | 인공지능을 이용한 조영증강 영상 및 비조영증강 영상 변환 방법 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190089592A KR102254971B1 (ko) | 2019-07-24 | 2019-07-24 | 인공지능을 이용한 조영증강 영상 및 비조영증강 영상 변환 방법 및 장치 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210012233A true KR20210012233A (ko) | 2021-02-03 |
| KR102254971B1 KR102254971B1 (ko) | 2021-05-21 |
Family
ID=74194011
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190089592A KR102254971B1 (ko) | 2019-07-24 | 2019-07-24 | 인공지능을 이용한 조영증강 영상 및 비조영증강 영상 변환 방법 및 장치 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR102254971B1 (ko) |
| WO (1) | WO2021015507A2 (ko) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230106000A (ko) * | 2022-01-05 | 2023-07-12 | 한국전자통신연구원 | Xr 실객체 변형을 위한 사용자 인터랙티브 맞춤형 인터랙션 제공 방법 및 장치 |
| KR20230163770A (ko) * | 2022-05-24 | 2023-12-01 | 고려대학교 산학협력단 | Ct 영상을 이용한 인공지능 기반의 담도 영상 추출 장치 및 방법 |
| WO2024080612A1 (ko) * | 2022-10-12 | 2024-04-18 | 가톨릭대학교 산학협력단 | X-ray 영상을 이용하여 ct 복원 영상 획득 및 골절을 진단하는 골절 진단 장치 및 골절 진단 방법 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230174657A (ko) * | 2022-06-21 | 2023-12-28 | 폴스타헬스케어(주) | 인공지능 기반 의료영상 변환방법 |
| EP4339880A1 (en) * | 2022-09-19 | 2024-03-20 | Medicalip Co., Ltd. | Medical image conversion method and apparatus |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0561973A (ja) * | 1991-08-30 | 1993-03-12 | Shimadzu Corp | 医療用画像表示装置 |
| US20130182925A1 (en) * | 2012-01-12 | 2013-07-18 | Marco Razeto | Method of registering image data |
| JP2017170146A (ja) * | 2016-03-23 | 2017-09-28 | 東芝メディカルシステムズ株式会社 | 画像処理装置、磁気共鳴イメージング装置及び画像処理方法 |
| KR101852112B1 (ko) * | 2016-11-18 | 2018-04-25 | 성균관대학교산학협력단 | 조영 증강 자기 공명 영상 장치 및 방법 |
| KR20180117009A (ko) | 2017-04-18 | 2018-10-26 | 황성관 | 초음파 영상 을 보완 및 증강 출력 해주기 위한 인공지능적인 방법 |
| KR20180123810A (ko) | 2017-05-10 | 2018-11-20 | 주식회사 딥노이드 | Ｘ-Ｒａｙ 의료 영상 판독을 위한 데이터 심화학습 처리 기술 및 그 방법 |
| KR20190058036A (ko) * | 2017-11-21 | 2019-05-29 | 서울여자대학교 산학협력단 | 컴퓨터 단층 촬영 영상에서 딥러닝 특징과 형상 특징을 이용한 혈관근지방종과 투명세포 신세포암 분류 장치 및 방법 |
| KR20190137283A (ko) * | 2018-06-01 | 2019-12-11 | 연세대학교 산학협력단 | 의료 영상 생성 방법 및 디바이스 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1508872A1 (en) * | 2003-08-22 | 2005-02-23 | Semeion | An algorithm for recognising relationships between data of a database and a method for image pattern recognition based on the said algorithm |
-
2019
- 2019-07-24 KR KR1020190089592A patent/KR102254971B1/ko active IP Right Grant
-
2020
- 2020-07-20 WO PCT/KR2020/009500 patent/WO2021015507A2/ko active Application Filing
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0561973A (ja) * | 1991-08-30 | 1993-03-12 | Shimadzu Corp | 医療用画像表示装置 |
| US20130182925A1 (en) * | 2012-01-12 | 2013-07-18 | Marco Razeto | Method of registering image data |
| JP2017170146A (ja) * | 2016-03-23 | 2017-09-28 | 東芝メディカルシステムズ株式会社 | 画像処理装置、磁気共鳴イメージング装置及び画像処理方法 |
| KR101852112B1 (ko) * | 2016-11-18 | 2018-04-25 | 성균관대학교산학협력단 | 조영 증강 자기 공명 영상 장치 및 방법 |
| KR20180117009A (ko) | 2017-04-18 | 2018-10-26 | 황성관 | 초음파 영상 을 보완 및 증강 출력 해주기 위한 인공지능적인 방법 |
| KR20180123810A (ko) | 2017-05-10 | 2018-11-20 | 주식회사 딥노이드 | Ｘ-Ｒａｙ 의료 영상 판독을 위한 데이터 심화학습 처리 기술 및 그 방법 |
| KR20190058036A (ko) * | 2017-11-21 | 2019-05-29 | 서울여자대학교 산학협력단 | 컴퓨터 단층 촬영 영상에서 딥러닝 특징과 형상 특징을 이용한 혈관근지방종과 투명세포 신세포암 분류 장치 및 방법 |
| KR20190137283A (ko) * | 2018-06-01 | 2019-12-11 | 연세대학교 산학협력단 | 의료 영상 생성 방법 및 디바이스 |
Non-Patent Citations (1)
| Title |
|---|
| 논문(I.Sumida 외, Deep convolutional neural network for reduction of contrast-enhanced region on CT images, Journal of Radiation Research, Vol.60, No.5, 2019, pp.586-594.(2019.05.24. 공개.))* * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230106000A (ko) * | 2022-01-05 | 2023-07-12 | 한국전자통신연구원 | Xr 실객체 변형을 위한 사용자 인터랙티브 맞춤형 인터랙션 제공 방법 및 장치 |
| KR20230163770A (ko) * | 2022-05-24 | 2023-12-01 | 고려대학교 산학협력단 | Ct 영상을 이용한 인공지능 기반의 담도 영상 추출 장치 및 방법 |
| WO2024080612A1 (ko) * | 2022-10-12 | 2024-04-18 | 가톨릭대학교 산학협력단 | X-ray 영상을 이용하여 ct 복원 영상 획득 및 골절을 진단하는 골절 진단 장치 및 골절 진단 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021015507A3 (ko) | 2021-03-18 |
| KR102254971B1 (ko) | 2021-05-21 |
| WO2021015507A2 (ko) | 2021-01-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102254971B1 (ko) | 인공지능을 이용한 조영증강 영상 및 비조영증강 영상 변환 방법 및 장치 | |
| EP3525171B1 (en) | Method and system for 3d reconstruction of x-ray ct volume and segmentation mask from a few x-ray radiographs | |
| US11257259B2 (en) | Topogram prediction from surface data in medical imaging | |
| US10521927B2 (en) | Internal body marker prediction from surface data in medical imaging | |
| US11328434B2 (en) | Object tracking device | |
| US10849585B1 (en) | Anomaly detection using parametrized X-ray images | |
| US11284850B2 (en) | Reduced interaction CT scanning | |
| CN112785632B (zh) | 基于epid的图像引导放疗中dr和drr影像跨模态自动配准方法 | |
| EP3699929A1 (en) | Patient weight estimation from surface data using a patient model | |
| US20190012805A1 (en) | Automatic detection of an artifact in patient image data | |
| CN111524109B (zh) | 头部医学影像的评分方法和装置、电子设备及存储介质 | |
| CN111260647A (zh) | 一种基于图像检测的ct扫描辅助方法、计算机可读存储介质、ct扫描装置 | |
| US11564651B2 (en) | Method and systems for anatomy/view classification in x-ray imaging | |
| US7352888B2 (en) | Method for computer recognition of projection views and orientation of chest radiographs | |
| US8553957B2 (en) | Method of processing image and image processing apparatus using the method | |
| EP3865067A1 (en) | Patient model estimation from camera stream in medicine | |
| JP7456928B2 (ja) | 胸部ｘ線画像の異常表示制御方法、異常表示制御プログラム、異常表示制御装置、及びサーバ装置 | |
| CN113348485A (zh) | 异常检测方法、异常检测程序、异常检测装置、服务器装置以及信息处理方法 | |
| US11080866B2 (en) | Dynamic image processing method and dynamic image processing device | |
| US20150086101A1 (en) | Method for organ localization | |
| US11803970B2 (en) | Image judgment device, image judgment method, and storage medium | |
| EP4344642A1 (en) | Computer-implemented method for setting x-ray acquisition parameters | |
| KR102665022B1 (ko) | 엑스선 장치 및 이의 의료 영상 획득 | |
| KR102464422B1 (ko) | 폐 손상 진단 장치, 진단에 필요한 정보 제공 방법 및 기록매체 | |
| Nakazeko et al. | Estimation of patient’s angle from skull radiographs using deep learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |