KR20210016171A - 의료영상을 이용한 질환정보 제공 방법 - Google Patents

의료영상을 이용한 질환정보 제공 방법 Download PDF

Info

Publication number
KR20210016171A
KR20210016171A KR1020190093847A KR20190093847A KR20210016171A KR 20210016171 A KR20210016171 A KR 20210016171A KR 1020190093847 A KR1020190093847 A KR 1020190093847A KR 20190093847 A KR20190093847 A KR 20190093847A KR 20210016171 A KR20210016171 A KR 20210016171A
Authority
KR
South Korea
Prior art keywords
disease
medical
prediction model
medical image
data
Prior art date
Application number
KR1020190093847A
Other languages
English (en)
Other versions
KR102261408B1 (ko
Inventor
임윤정
황영배
이주리
박준석
Original Assignee
동국대학교 산학협력단
순천향대학교 산학협력단
한국전자기술연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 동국대학교 산학협력단, 순천향대학교 산학협력단, 한국전자기술연구원 filed Critical 동국대학교 산학협력단
Priority to KR1020190093847A priority Critical patent/KR102261408B1/ko
Publication of KR20210016171A publication Critical patent/KR20210016171A/ko
Application granted granted Critical
Publication of KR102261408B1 publication Critical patent/KR102261408B1/ko

Links

Images

Classifications

    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00ICT specially adapted for the handling or processing of medical images
    • G16H30/20ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20ICT 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)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Radiology & Medical Imaging (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Veterinary Medicine (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공 방법은 복수의 의료기관 서버로부터 수신한 의료데이터에 기초하여 질환예측모델이 결정되는 단계 및 질환예측모델을 이용하여 입력된 의료영상에 대한 질환정보가 도출되는 단계가 포함될 수 있다.

Description

의료영상을 이용한 질환정보 제공 방법{THE METHOD OF PROVIDING DISEASE INFORMATION USING MEDICAL IMAGE}
본 발명은 의료영상을 이용한 질환정보 제공 방법에 관한 것으로, 더욱 상세하게는 캡슐내시경 등으로부터 획득된 의료영상을 판독하여 진단을 수행하는 전문의료기관(Ex. 병원 등) 각각의 의료데이터를 Domain Adaptation 기법을 이용하여 각각의 데이터베이스의 일치성을 높인 후에 딥러닝 알고리즘을 이용하여 병변을 추출/인식하고 질환의 의심의 여지가 있는 이미지를 사용자(Ex. 의사 등)에게 제공하기 위한 의료영상을 이용한 질환정보 제공 방법에 관한 것이다.
컴퓨터 보조 진단 시스템(CAD: computer aided diagnosis)이란 의료영상을 분석한 결과에 따라 의료영상의 소정의 부위에 진단에 관련된 내용의 표시를 통해 의사의 진단에 도움을 줄 수 있는 시스템을 지칭한다.
최근에는 컴퓨터 보조 진단 시스템 상에서 여러 가지 의학적인 진단 문제를 해결하기 위해서 딥러닝(deep-learning) 알고리즘이 활용되어 복잡한 이미징 및 해부학적 영상을 분석하여 진단에 활용되고 있다.
다만, 딥러닝 알고리즘을 이용한 학습을 통해 진단모델을 생성함에 있어서 여러 전문의료기관들의 의료영상 데이터들을 모두 종합하여 단일한 학습을 수행하는 방향으로 기술이 개발되고 있고, 각 전문의료기관 별 의료영상 데이터에 기초하여 개별적인 진단모델을 학습시키고 각 모델에 대하여 교차검증(cross-validation)을 통해 최적의 진단모델을 결정할 수 있도록 하기 위한 기술은 개발된 바 없다.
또한, 의료영상 중에서도 내시경 영상은 신체 내부 장기를 관찰함으로써 환자의 상태를 진단하기 위해 다양하게 활용되고 있는데, 일반내시경 검진의 경우 수면 진정(sedation)을 하거나 비 수면으로 진행할 경우 내시경이 식도를 통해 신체 내부로 투입됨에 따라 발생되는 고통 및 불쾌감으로 인해 침습적인 일반내시경 검진보다는 알약 형태의 내시경을 신체 내부에 투입하여 무선으로 영상을 수신할 수 있는 캡슐내시경 영상을 이용한 진단이 도입되어 임상에 활용되고 있다.
캡슐내시경은 구강을 통해 삼켜짐에 따라 입에 항문까지 전 소화기관 (식도, 위, 소장 및 대장)까지 영상촬영이 가능한데, 전술한 일반내시경(Ex. 위 내시경, 대장 내시경 등)의 경우 전체 소장의 관찰이 불가능하므로 소장에서의 출혈이 의심되는 경우에는 캡슐내시경이 일차적으로 권고되는 검사방법이다. 소장 캡슐내시경은 적게는 3시간에서 많게는 8시간에 이르는 상당한 시간 동안 신체 내부를 이동하면서 소장 영상을 촬영하게 되는데, 이 시간 동안 획득된 5만 이상의 영상을 확인하여 오류 없이 병변을 검출하고 소장 질환을 진단하는 일은 현실적으로 바쁜 내시경 전문의에게는 의료의 효율성이 떨어지는 어려운 작업이다.
이에 따라, 전술한 딥러닝 알고리즘을 이용하여 캡슐내시경으로부터 획득된 영상에 대하여 출혈부위나 혈관, 궤양, 용종, 종양 등이 있다고 판단되는 의미 있는 이미지를 추출해서 판독 시간을 줄여주는 기술에 대한 개발은 필수적으로 요구되고 있다.
대한민국 등록특허공보 제10-0900533호 (공개일자: 2009.05.26)
본 발명은 전술한 문제점에 대한 일 대응방안으로써, 의료기관 별로 획득된 의료데이터에 기초하여 각각 개별적으로 예측모델을 학습시키고, 학습 결과에 대하여 교차검증을 통해 신뢰성 있는 예측모델을 질환예측모델로 결정함으로써 입력된 의료영상에 대하여 병변을 인식하고 질환 분류할 수 있는 질환정보 제공 방법을 제공하고자 함에 그 목적이 있다.
또한, 쌍(pair)이 이루어지지 않는 의료영상에 대하여 학습이 가능한 Domain adaptation 기법을 이용함으로써 특성이 다른 의료영상 간에도 학습이 수행될 수 있도록 함에 그 목적이 있다.
본 발명의 일 실시 예로써, 의료영상을 이용한 질환정보 제공 방법이 제공될 수 있다.
본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공 방법은 복수의 의료기관 서버로부터 수신한 의료데이터에 기초하여 질환예측모델이 결정되는 단계 및 질환예측모델을 이용하여 입력된 의료영상에 대한 질환정보가 도출되는 단계가 포함될 수 있다.
본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공 방법에 있어서, 복수의 의료기관 서버로부터 수신한 의료데이터에 기초하여 질환예측모델이 결정되는 단계에는, 복수의 의료기관 서버로부터 의료기관 별 의료데이터를 수신하는 단계, 수신한 의료데이터에 대하여 딥러닝 알고리즘을 이용하여 의료기관 별 예측모델이 학습되는 단계 및 학습결과에 기초하여 질환예측모델이 결정되는 단계가 포함될 수 있다.
본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공 방법의 의료기관 별 예측모델이 학습되는 단계에는, 의료데이터에 대하여 Domain adaptation을 이용하여 학습데이터를 생성하는 단계 및 학습데이터에 대하여 딥러닝 알고리즘을 이용하여 의료기관 별 예측모델이 학습되는 단계가 더 포함되고, 딥러닝 알고리즘은 CNN, RNN 및 LSTM 중 적어도 어느 하나일 수 있다.
본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공 방법의 학습결과에 기초하여 질환예측모델이 결정되는 단계에서는, 학습된 의료기관 별 예측모델 중에서 병변 인식도에 기초하여 질환예측모델이 결정될 수 있다.
본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공 방법의 학습결과에 기초하여 질환예측모델이 결정되는 단계에서는, 교차 검증(cross-validation)을 이용하여 예측모델 별 병변 인식도가 평가됨으로써 질환예측모델이 결정될 수 있다.
본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공 방법의 복수의 의료기관 서버로부터 수신한 의료데이터에 기초하여 질환예측모델이 결정되는 단계에는, 사용자 단말로부터 인가된 사용자신호 및 복수의 의료기관 서버로부터 수신한 의심질환데이터 중 적어도 어느 하나에 기초하여 의심질환이 결정되는 단계가 더 포함되고, 학습결과에 기초하여 질환예측모델이 결정되는 단계에서는 학습된 의료기관 별 예측모델 중에서 결정된 의심질환에 대한 병변 인식도에 기초하여 질환예측모델이 결정될 수 있다.
본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공 방법의 질환예측모델을 이용하여 입력된 의료영상에 대한 질환정보가 도출되는 단계에는, 사용자 단말로부터 의료영상이 입력되는 단계, 질환예측모델을 이용하여 의료영상 내 병변이 인식되는 단계 및 인식된 병변에 기초하여 질환 클래스를 분류하는 단계가 포함될 수 있다.
본 발명의 일 실시 예로써, 의료영상을 이용한 질환정보 제공 시스템이 제공될 수 있다.
본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공 시스템은 복수의 의료기관 서버로부터 수신한 의료데이터에 기초하여 질환예측모델이 결정되는 모델결정부 및 질환예측모델을 이용하여 입력된 의료영상에 대한 질환정보가 도출되는 질환분석부가 포함될 수 있다.
본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공 시스템의 모델결정부에는 복수의 의료기관 서버로부터 의료기관 별 의료데이터를 수신하는 데이터수신부 및 수신한 의료데이터에 대하여 딥러닝 알고리즘을 이용하여 의료기관 별 예측모델이 학습되는 모델학습부가 포함되고, 질환예측모델은 학습결과에 기초하여 결정될 수 있다.
본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공 시스템에 있어서, 모델학습부에서는 의료데이터에 대하여 Domain adaptation을 이용하여 학습데이터를 생성하고, 생성된 학습데이터에 대하여 딥러닝 알고리즘을 이용하여 의료기관 별 예측모델이 학습되며, 딥러닝 알고리즘은 CNN, RNN 및 LSTM 중 적어도 어느 하나일 수 있다.
본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공 시스템의 모델결정부에서는 학습된 의료기관 별 예측모델 중에서 병변 인식도에 기초하여 질환예측모델이 결정될 수 있다.
본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공 시스템의 모델결정부에서는 교차 검증(cross-validation)을 이용하여 예측모델 별 병변 인식도가 평가됨으로써 질환예측모델이 결정될 수 있다.
본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공 시스템의 모델결정부에는 사용자 단말로부터 인가된 사용자신호 및 복수의 의료기관 서버로부터 수신한 의심질환데이터 중 적어도 어느 하나에 기초하여 의심질환이 결정되는 의심질환결정부가 더 포함되고, 질환예측모델은 학습된 의료기관 별 예측모델 중에서 결정된 의심질환에 대한 병변 인식도에 기초하여 결정될 수 있다.
본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공 시스템의 질환분석부에는 사용자 단말로부터 의료영상이 입력되는 영상입력부, 질환예측모델을 이용하여 의료영상 내 병변이 인식되는 병변인식부 및 인식된 병변에 기초하여 질환 클래스를 분류하는 질환분류부가 포함될 수 있다.
본 발명의 일 실시 예로써, 전술한 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체가 제공될 수 있다.
본 발명의 일 실시 예에 따르면, 의료기관 별로 획득된 의료데이터에 기초하여 각각 개별적으로 예측모델을 학습시키고, 학습 결과에 대하여 교차검증을 통해 신뢰성 있는 예측모델을 질환예측모델로 결정함으로써 입력된 의료영상에 대하여 정확하게 병변을 인식하고 질환 분류할 수 있는 효과가 있다.
또한, 쌍이 이루어지지 않는 의료영상들에 대해서도 학습이 가능한 Domain adaptation을 이용하여 특성이 다른 의료영상들 간에 학습이 수행될 수 있는 장점이 있다.
또한, 캡슐내시경을 통해 얻어진 수만 장의 영상들 중에서 병변의 의심이 있다고 판단되는 이미지를 판별하여 사용자에게 제공함으로써 판독 시간을 단축시킬 수 있는 효과가 있다.
도 1은 본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공 방법을 나타낸 순서도이다.
도 2는 본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공 방법에 있어서, 질환예측모델이 결정되는 방법을 나타낸 순서도이다.
도 3은 본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공 시스템을 나타낸 블록도이다.
도 4는 본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공 방법에 있어서, 질환예측모델이 결정되는 과정을 나타낸 예시도이다.
도 5는 본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공 방법에 있어서, 의심질환을 고려하여 질환예측모델이 결정되는 과정을 나타낸 예시도이다.
도 6은 본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공시스템의 질환분석부를 나타낸 블록도이다.
도 7은 본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공 시스템을 나타낸 예시도이다.
도 8은 본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공 방법에 있어서, Domain adaptation에 관한 예시도이다.
도 9는 본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공 방법에 있어서, 사용자에게 제공되는 질환정보에 관한 예시도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시 예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명에 대해 구체적으로 설명하기로 한다.
본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 명세서 전체에서 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, "그 중간에 다른 소자를 사이에 두고" 연결되어 있는 경우도 포함한다.
이하 첨부된 도면을 참고하여 본 발명을 상세히 설명하기로 한다.
본 발명의 일 실시 예로써, 의료영상을 이용한 질환정보 제공 방법이 제공될 수 있다. 또한, 상기 의료영상을 이용한 질환정보 제공 방법은 후술하는 의료영상을 이용한 질환정보 제공 시스템(10)에 의해서 수행될 수 있으며, 이하에서는 후술하는 의료영상을 이용한 질환정보 제공 시스템(10)에 의해 수행되는 의료영상을 이용한 질환정보 제공 방법에 관하여 설명한다.
본 명세서에서 의료영상은 대상체(Ex. 인체 등)의 일부 혹은 기관 등을 촬영하거나 센싱함으로써 획득된 영상 혹은 이미지를 지칭한다. 상기 의료영상에는 CT영상, MRI영상, 초음파 영상 등 다양한 촬영방식을 이용하여 획득된 영상이 모두 포함될 수 있다. 바람직하게는 상기 의료영상은 캡슐내시경 영상에 해당될 수 있다. 캡슐내시경 영상은 알약 형태의 내시경을 신체 내부에 투입하여 촬영됨으로써 획득된 영상을 지칭하는 것으로, 상기 캡슐내시경 영상을 통해 인체의 소화기관, 소장 및 대장에 관련된 영상이 촬영되어 획득될 수 있다.
도 1은 본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공 방법을 나타낸 순서도이다.
도 1을 참조하면, 본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공 방법은 복수의 의료기관 서버로부터 수신한 의료데이터에 기초하여 질환예측모델(130)이 결정되는 단계(S100) 및 질환예측모델(130)을 이용하여 입력된 의료영상에 대한 질환정보가 도출되는 단계(S200)가 포함될 수 있다.
상기 복수의 의료기관 서버로부터 수신한 의료데이터에 기초하여 질환예측모델(130)이 결정되는 단계(S100)에서 의료기관은 각종 병원, 의료원, 검진소 등 질병/질환의 진단 및 치료가 수행되는 곳에 해당될 수 있다. 또한, 상기 의료데이터는 각 의료기관에서 진단 및 치료가 수행됨에 따라 획득된 데이터를 지칭하는 것으로, 상기 의료데이터에는 의료영상 및 진단결과를 비롯한 각종 진단 관련 데이터들이 포함될 수 있다.
도 2는 본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공 방법에 있어서, 질환예측모델(130)이 결정되는 방법(S100)을 나타낸 순서도이고, 도 4는 본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공 방법에 있어서, 질환예측모델(130)이 결정되는 과정을 나타낸 예시도이다.
도 2 및 도 4를 참조하면, 본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공 방법에 있어서, 복수의 의료기관 서버(21, 22, 23, ....)로부터 수신한 의료데이터에 기초하여 질환예측모델(130)이 결정되는 단계(S100)에는, 복수의 의료기관 서버로부터 의료기관 별 의료데이터(31, 32, 33, ....)를 수신하는 단계(S110), 수신한 의료데이터에 대하여 딥러닝 알고리즘을 이용하여 의료기관 별 예측모델(121, 122, 123, ....)이 학습되는 단계(S120) 및 학습결과에 기초하여 질환예측모델(130)이 결정되는 단계(S130)가 포함될 수 있다.
즉, 상기 S110 단계는 후술하는 의료영상을 이용한 질환정보 제공 시스템의 데이터수신부에서 수행되며, 상기 데이터수신부에서는 복수의 의료기관 서버로부터 의료데이터를 각각 수신하여 데이터수신부의 저장부에 저장할 수 있다. 도 4에 도시된 바와 같이 제 1 의료기관 서버(21)로부터 수신된 제 1 의료데이터(31)는 데이터수신부의 제 1 저장부에 저장될 수 있다. 마찬가지로 제 2 의료기관 서버(22), 제 3 의료기관 서버(23) 등으로부터 수신된 제 2 의료데이터(32), 제 3 의료데이터(33)는 각각 제 2 저장부(112) 및 제 3 저장부(113)에 저장될 수 있다.
다음으로, 상기 S120 과정은 본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공 시스템의 모델학습부에서 수행될 수 있다. 도 4를 참조하면, 각각의 의료기관 서버로부터 수신된 의료데이터에 기초하여 예측모델들이 개별적으로 학습됨으로써 생성될 수 있다. 즉, 제 1 저장부(111)에 저장된 제 1 의료기관 서버(21)로부터 수신한 제 1 의료데이터(31)에 기초하여 제 1 예측모델이 학습되어 생성될 수 있고, 제 2 예측모델 및 제 3 예측모델 등 다른 예측모델들도 마찬가지로 의료기관 별로 학습될 수 있다. 다시 말하면, 제 1 의료기관 서버(21)로부터 수신한 의료영상과 진단결과 간의 상관관계에 대하여 딥러닝 알고리즘에 따라 학습이 수행될 수 있고, 학습된 결과에 따라 제 1 예측모델(121)이 생성될 수 있다.
도 8은 본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공 방법에 있어서, Domain adaptation에 관한 예시도이다.
본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공 방법의 의료기관 별 예측모델이 학습되는 단계에는, 의료데이터에 대하여 Domain adaptation을 이용하여 학습데이터를 생성하는 단계 및 학습데이터에 대하여 딥러닝 알고리즘을 이용하여 의료기관 별 예측모델이 학습되는 단계가 더 포함되고, 딥러닝 알고리즘은 CNN, RNN 및 LSTM 중 적어도 어느 하나일 수 있다.
Domain adaptation이란 하나의 데이터 분포(source domain)에서 학습이 수행되고, 다른 데이터 분포(target domain)상에 적용하여 일반화시키는 방법(기법)을 의미하는 것으로, 전이학습(Transfer learning)의 일종이다.
즉, 도 8의 (a)에 도시된 바와 같이 일반적으로 딥러닝 모델에서는 입력과 결과의 매칭 쌍(xi,yi)이 존재하는 데이터로 학습이 수행될 수 있고, 입력과 결과에 관한 매칭 쌍이 존재하지 않는 경우에는 학습이 어렵다. 다만, 상기 Domain adaptation 기법에서는 도 8의 (b)에 도시된 바와 같이 입력(X)과 결과(Y)의 매칭 쌍이 존재하지 않더라도 데이터 들 간의 연결고리를 찾아 학습이 수행될 수 있다. 상기와 같이 Domain adaptation 기법을 이용함으로써 특성이 다른 영상들 간에도 학습이 원활하게 수행될 수 있다. 다시 말하면, Domain adaptation은 서로 다른 도메인을 가진 데이터들 간의 연결고리를 찾아줌으로써 서로 특성이 다른 데이터로도 학습을 할 수 있도록 하는 DB구축 방법에 해당될 수 있다.
이와 같이, 의료데이터에 대하여 Domain adaptation을 이용하여 학습데이터가 생성될 수 있고, 상기 생성된 학습데이터에 대하여 후술하는 딥러닝 알고리즘을 이용하여 의료기관 별 예측모델의 학습이 수행될 수 있다.
상기 Domain adaptation 기법을 위해서는 생성적 적대 신경망(GAN: Generative adversarial network), CycleGAN, Domain adversarial neural network 등이 이용(활용)될 수 있다.
전술한 바와 같이, Domain adapation을 이용함으로써 서로 다른 캡슐내시경 간의 학습이 수행될 수 있으며, 비슷한 증상을 보이는 영상에 대하여 의사들 간의 서로 다른 병변 진단결과에 관계없이 학습이 수행될 수 있는 효과가 있다.
상기 딥러닝 알고리즘에는 CNN(Convolutional Neural Network), RNN(Recurrent Neural Network) 및 LSTM(Long Short-Term Memomory) 중 어느 하나에 해당될 수 있다. 뿐만 아니라 상기 딥러닝 알고리즘은 CNN, RNN 및 LSTM 중 적어도 하나 이상이 결합되어 생성될 수 있다. 즉, 상기 딥러닝 알고리즘은 전술한 예시들에 제한되는 것은 아니고 다양한 알고리즘이 본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공 방법에 적용될 수 있다.
다음으로, 본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공 방법의 학습결과에 기초하여 질환예측모델(130)이 결정되는 단계(S130)에서는, 학습된 의료기관 별 예측모델 중에서 병변 인식도에 기초하여 질환예측모델(130)이 결정될 수 있다.
상기 병변 인식도는 의료영상 내에서 병변(lesion)을 인식하는 정도를 나타내기 위한 것으로, 상기 병변 인식도에는 병변 인식률이 포함될 수 있고, 상기 병변 인식률을 수치화한 지수에 해당될 수 있다. 또한, 이외에도 민감도(sensitivity), 정확도(accurarcy) 및 특이도(specificity) 등의 지수가 질환예측모델(130)을 결정하기 위한 요소로 병변 인식도와 함께 사용될 수 있다.
도 4를 참조하면, 제 1 의료기관 서버(21)로부터 수신한 의료데이터(31)에 기초하여 학습된 제 1 예측모델(121), 제 2 의료기관 서버(22)로부터 수신한 의료데이터(32)에 기초하여 학습된 제 2 예측모델(122), 제 3 의료기관 서버(23)로부터 수신한 의료데이터(33)에 기초하여 학습된 제 3 예측모델(123) 등의 예측모델들의 학습결과에 따라 획득된 병변 인식도에 기초하여 병변 인식도가 가장 높은 예측모델 또는 소정의 기준 병변 인식도를 만족하는 예측모델이 상기 질환예측모델(130)로 결정될 수 있다. 예를 들면, 제 1 예측모델(121)의 병변 인식도가 70이고, 나머지 예측모델(Ex. 제 2 예측모델, 제 3 예측모델, .. , 제 n 예측모델)의 병변 인식도가 70보다 낮은 수치인 경우에는 제 1 예측모델(121)이 질환예측모델(130)로 결정될 수 있다.
또한, 본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공 방법의 학습결과에 기초하여 질환예측모델(130)이 결정되는 단계(S130)에서는, 교차 검증(cross-validation)을 이용하여 예측모델 별 병변 인식도가 평가됨으로써 질환예측모델(130)이 결정될 수 있다.
상기 교차검증은 데이터 분석의 타당성을 검증하기 위한 방법 중 하나로, 해석에 사용되는 데이터인 트레이닝 세트와 테스트에 사용되는 데이터인 테스트 세트로 복수 회 구분하여 각각 테스트함으로써 성능의 평가가 수행될 수 있다.
즉, 의료기관 별 의료데이터에 대하여 개별적으로 학습된 예측모델들 중에서 어떠한 예측모델이 가장 신뢰성이 있는지를 전술한 병변 인식도를 기초로 하여 판단될 수 있다.
또한, 상기 교차검증에 따른 예측모델 별 평가 결과는 사용자 단말(40)로 제공될 수 있고, 사용자 단말(40)로부터 수신된 예측모델 선택신호에 기초하여 질환예측모델(130)이 결정될 수 있다.
도 5는 본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공 방법에 있어서, 의심질환을 고려하여 질환예측모델(130)이 결정되는 과정을 나타낸 예시도이다.
도 5를 참조하면, 본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공 방법의 복수의 의료기관 서버로부터 수신한 의료데이터에 기초하여 질환예측모델(130)이 결정되는 단계(S100)에는, 사용자 단말(40)로부터 인가된 사용자신호 및 복수의 의료기관 서버로부터 수신한 의심질환데이터 중 적어도 어느 하나에 기초하여 의심질환이 결정되는 단계가 더 포함되고, 학습결과에 기초하여 질환예측모델(130)이 결정되는 단계에서는 학습된 의료기관 별 예측모델 중에서 결정된 의심질환에 대한 병변 인식도에 기초하여 질환예측모델(130)이 결정될 수 있다.
즉, 사용자 단말(40)로부터 의심질환에 관한 사용자신호를 수신하거나 복수의 의료기관 서버로부터 수신한 의심질환데이터에 기초하여 우선적으로 의심질환이 결정될 수 있다. 예를 들면, 사용자가 개인용 컴퓨터 혹은 랩탑 등의 사용자 단말(40)을 이용하여 의료영상에 관하여 의심되는 질환(Ex. 대장 흑색종, 대장 용종 등)을 가리키기 위한 사용자신호를 제공할 수 있고, 의심질환결정부(140)에서는 상기 수신한 사용자신호에 기초하여 의심질환이 결정될 수 있다. 뿐만 아니라, 의료기관 서버로부터 수신한 의심질환데이터에는 의료영상에 해당되는 환자의 과거병력에 관한 데이터나 환자의 설문 데이터가 포함될 수 있고, 상기 의심질환데이터로부터 의심질환이 결정될 수 있다. 예를 들면, 환자가 지속적으로 대장 용종 질환을 앓고 있었던 것이 과거병력 데이터로부터 확인된 경우에는 의심질환이 대장 용종으로 결정될 수 있다.
상기와 같이 의심질환이 결정된 이후에 모델학습부에서는 제 1 예측모델 내지 제 n 예측모델 중에서 상기 결정된 의심질환과 관련된 병변 인식도가 가장 높은 예측모델 또는 소정의 기준 병변 인식도를 만족하는 예측모델이 상기 질환예측모델(130)로 결정될 수 있다. 이를 위해, 상기 예측모델의 학습결과에는 전체 질환에 대한 병변 인식도 뿐 아니라 질환 별 병변 인식도가 함께 포함될 수 있다.
즉, 전술한 바와 같이 의심질환에 대하여 사용자가 미리 선택하거나 과거병력 등의 데이터에 기초하여 결정된 의심질환에 대하여 인식률이 더 높은 예측모델이 질환예측모델(130)로써 선택되어 정확한 질환정보의 제공이 수행될 수 있다.
도 6은 본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공 시스템의 질환분석부(200)를 나타낸 블록도이고, 도 7은 본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공 시스템을 나타낸 예시도이다.
본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공 방법의 질환예측모델(130)을 이용하여 입력된 의료영상에 대한 질환정보가 도출되는 단계에는, 사용자 단말(40)로부터 의료영상이 입력되는 단계, 질환예측모델(130)을 이용하여 의료영상 내 병변이 인식되는 단계 및 인식된 병변에 기초하여 질환 클래스를 분류하는 단계가 포함될 수 있다.
즉, 도 6 및 도 7을 참조하면 본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공 시스템(10)에 있어서, 질환분석부(200)의 영상입력부에서는 진단 또는 질환정보 제공의 대상이 되는 의료영상(80)이 입력될 수 있다. 이러한, 의료영상(80)은 캡슐내시경 등으로부터 획득된 환자에 대한 촬영 영상을 포함할 수 있다.
다음으로, 병변인식부(220)에서는 입력된 의료영상(80)에 대하여 전술한 S100 단계에서 결정된 질환예측모델(130)을 이용하여 병변이 인식되고, 질환분류부(230)에서는 인식 결과에 기초하여 질환 클래스가 분류될 수 있다.
상기 질환 클래스는 출혈, 염증, 종양 및 기타와 같이 4개의 클래스로 질환을 분류하거나 정상/비정상과 같이 2개의 클래스로도 분류가능하며 이는 제한되지 않고 다양한 방법으로 설정될 수 있다.
또한, 본 명세서에서 질환정보는 질환 클래스, 병변 부위(위치), 병변 영상 데이터 등 질환과 관련된 모든 데이터를 포함하는 의미로 사용될 수 있다. 도 9는 본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공 방법에 있어서, 사용자에게 제공되는 질환정보에 관한 예시도인데, 도 9에 도시된 바와 같이 질환 클래스뿐만 아니라 병변의 위치와 해당 병변의 이미지를 사용자에게 질환정보로써 제공할 수 있다.
또한, 결정된 질환예측모델(130) 이외에도 결정되지 않은 다른 예측모델들에 대하여도 각각의 병변 인식 결과, 분류된 질환 클래스 등 질환정보가 사용자에게 함께 제공될 수 있고, 사용자는 상기와 같이 질환예측모델(130)을 제외한 예측모델들로부터 제공된 질환정보에 기초하여 수정질환예측모델(130)을 생성하기 위한 적어도 하나 이상의 의료데이터들을 선택할 수 있다. 예를 들면, 기존의 질환예측모델(130)을 생성하기 위한 의료기관이 제 1 의료기관인 경우 제 1 의료데이터 이외에도 사용자로부터 선택된 제 2 의료기관 서버로부터 수신한 제 2 의료데이터를 상기 제 1 의료데이터와 함께 이용하여 학습시킬 수 있고, 상기 학습된 결과에 기초하여 수정질환예측모델(130)이 결정될 수 있다.
본 발명의 일 실시 예로써, 의료영상을 이용한 질환정보 제공 시스템(10)이 제공될 수 있다. 이하에서 설명될 의료영상을 이용한 질환정보 제공 시스템(10)과 관련하여서는 전술한 방법에 대한 내용이 적용될 수 있다. 따라서, 시스템과 관련하여 전술한 내용과 동일한 내용에 대하여는 설명을 생략하였다.
본 발명의 일 실시 예로써, 의료영상을 이용한 질환정보 제공 시스템(10)이 제공될 수 있다.
본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공 시스템(10)은 복수의 의료기관 서버로부터 수신한 의료데이터에 기초하여 질환예측모델(130)이 결정되는 모델결정부(100) 및 질환예측모델(130)을 이용하여 입력된 의료영상에 대한 질환정보가 도출되는 질환분석부(200)가 포함될 수 있다.
본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공 시스템(10)의 모델결정부(100)에는 복수의 의료기관 서버로부터 의료기관 별 의료데이터를 수신하는 데이터수신부 및 수신한 의료데이터에 대하여 딥러닝 알고리즘을 이용하여 의료기관 별 예측모델이 학습되는 모델학습부가 포함되고, 질환예측모델(130)은 학습결과에 기초하여 결정될 수 있다.
본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공 시스템(10)에 있어서, 모델학습부에서는 의료데이터에 대하여 Domain adaptation을 이용하여 학습데이터를 생성하고, 생성된 학습데이터에 대하여 딥러닝 알고리즘을 이용하여 의료기관 별 예측모델이 학습되며, 딥러닝 알고리즘은 CNN, RNN 및 LSTM 중 적어도 어느 하나일 수 있다.
본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공 시스템(10)의 모델결정부(100)에서는 학습된 의료기관 별 예측모델 중에서 병변 인식도에 기초하여 질환예측모델(130)이 결정될 수 있다.
본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공 시스템(10)의 모델결정부(100)에서는 교차 검증(cross-validation)을 이용하여 예측모델 별 병변 인식도가 평가됨으로써 질환예측모델(130)이 결정될 수 있다.
본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공 시스템(10)의 모델결정부(100)에는 사용자 단말(40)로부터 인가된 사용자신호 및 복수의 의료기관 서버로부터 수신한 의심질환데이터 중 적어도 어느 하나에 기초하여 의심질환이 결정되는 의심질환결정부(140)가 더 포함되고, 질환예측모델(130)은 학습된 의료기관 별 예측모델 중에서 결정된 의심질환에 대한 병변 인식도에 기초하여 결정될 수 있다.
본 발명의 일 실시 예에 따른 의료영상을 이용한 질환정보 제공 시스템(10)의 질환분석부(200)에는 사용자 단말(40)로부터 의료영상이 입력되는 영상입력부(210), 질환예측모델(130)을 이용하여 의료영상 내 병변이 인식되는 병변인식부(220) 및 인식된 병변에 기초하여 질환 클래스를 분류하는 질환분류부(230)가 포함될 수 있다.
본 발명의 일 실시 예로써, 전술한 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체가 제공될 수 있다.
한편, 전술한 방법은 컴퓨터에서 실행될 수 있는 프로그램으로 작성 가능하고, 컴퓨터 판독 가능 매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 또한, 상술한 방법에서 사용된 데이터의 구조는 컴퓨터 판독 가능 매체에 여러 수단을 통하여 기록될 수 있다. 본 발명의 다양한 방법들을 수행하기 위한 실행 가능한 컴퓨터 프로그램이나 코드를 기록하는 기록 매체는, 반송파(carrier waves)나 신호들과 같이 일시적인 대상들은 포함하는 것으로 이해되지는 않아야 한다. 상기 컴퓨터 판독 가능 매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스크, 하드 디스크 등), 광학적 판독 매체(예를 들면, 시디롬, DVD 등)와 같은 저장 매체를 포함할 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 청구범위에 의하여 나타내어지며, 청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
10: 의료영상을 이용한 질환정보 제공 시스템
20: 의료기관 서버 30: 의료데이터
40: 사용자 단말 80: 의료영상
100: 모델결정부 110: 데이터수신부
120: 모델학습부 130: 질환예측모델
140: 의심질환결정부
200: 질환분석부 210: 영상입력부
220: 병변인식부 230: 질환분류부

Claims (15)

  1. 의료영상을 이용한 질환정보 제공 방법에 있어서,
    복수의 의료기관 서버로부터 수신한 의료데이터에 기초하여 질환예측모델이 결정되는 단계; 및
    상기 질환예측모델을 이용하여 입력된 의료영상에 대한 질환정보가 도출되는 단계가 포함되는 의료영상을 이용한 질환정보 제공 방법.
  2. 제 1 항에 있어서,
    상기 복수의 의료기관 서버로부터 수신한 의료데이터에 기초하여 질환예측모델이 결정되는 단계에는, 상기 복수의 의료기관 서버로부터 의료기관 별 의료데이터를 수신하는 단계;
    상기 수신한 의료데이터에 대하여 딥러닝 알고리즘을 이용하여 의료기관 별 예측모델이 학습되는 단계; 및
    상기 학습결과에 기초하여 질환예측모델이 결정되는 단계가 포함되는 의료영상을 이용한 질환정보 제공 방법.
  3. 제 2 항에 있어서,
    상기 의료기관 별 예측모델이 학습되는 단계에는 상기 의료데이터에 대하여 Domain adaptation을 이용하여 학습데이터를 생성하는 단계; 및
    상기 학습데이터에 대하여 딥러닝 알고리즘을 이용하여 의료기관 별 예측모델이 학습되는 단계가 더 포함되고,
    상기 딥러닝 알고리즘은 CNN, RNN 및 LSTM 중 적어도 어느 하나인 의료영상을 이용한 질환정보 제공 방법.
  4. 제 2 항에 있어서,
    상기 학습결과에 기초하여 질환예측모델이 결정되는 단계에서는, 상기 학습된 의료기관 별 예측모델 중에서 병변 인식도에 기초하여 질환예측모델이 결정되는 의료영상을 이용한 질환정보 제공 방법.
  5. 제 4 항에 있어서,
    상기 학습결과에 기초하여 질환예측모델이 결정되는 단계에서는, 교차 검증(cross-validation)을 이용하여 예측모델 별 병변 인식도가 평가됨으로써 상기 질환예측모델이 결정되는 의료영상을 이용한 질환정보 제공 방법.
  6. 제 2 항에 있어서,
    상기 복수의 의료기관 서버로부터 수신한 의료데이터에 기초하여 질환예측모델이 결정되는 단계에는, 사용자 단말로부터 인가된 사용자신호 및 상기 복수의 의료기관 서버로부터 수신한 의심질환데이터 중 적어도 어느 하나에 기초하여 의심질환이 결정되는 단계가 더 포함되고,
    상기 학습결과에 기초하여 질환예측모델이 결정되는 단계에서는 상기 학습된 의료기관 별 예측모델 중에서 상기 결정된 의심질환에 대한 병변 인식도에 기초하여 질환예측모델이 결정되는 의료영상을 이용한 질환정보 제공 방법.
  7. 제 1 항에 있어서,
    상기 질환예측모델을 이용하여 입력된 의료영상에 대한 질환정보가 도출되는 단계에는, 사용자 단말로부터 의료영상이 입력되는 단계;
    상기 질환예측모델을 이용하여 상기 의료영상 내 병변이 인식되는 단계; 및
    상기 인식된 병변에 기초하여 질환 클래스를 분류하는 단계가 포함되는 의료영상을 이용한 질환정보 제공 방법.
  8. 의료영상을 이용한 질환정보 제공 시스템에 있어서,
    복수의 의료기관 서버로부터 수신한 의료데이터에 기초하여 질환예측모델이 결정되는 모델결정부; 및
    상기 질환예측모델을 이용하여 입력된 의료영상에 대한 질환정보가 도출되는 질환분석부가 포함되는 의료영상을 이용한 질환정보 제공 시스템.
  9. 제 8 항에 있어서,
    상기 모델결정부에는 상기 복수의 의료기관 서버로부터 의료기관 별 의료데이터를 수신하는 데이터수신부; 및
    상기 수신한 의료데이터에 대하여 딥러닝 알고리즘을 이용하여 의료기관 별 예측모델이 학습되는 모델학습부가 포함되고,
    상기 질환예측모델은 상기 학습결과에 기초하여 결정되는 의료영상을 이용한 질환정보 제공 시스템.
  10. 제 9 항에 있어서,
    상기 모델학습부에서는 상기 의료데이터에 대하여 Domain adaptation을 이용하여 학습데이터를 생성하고, 상기 생성된 학습데이터에 대하여 딥러닝 알고리즘을 이용하여 의료기관 별 예측모델이 학습되며,
    상기 딥러닝 알고리즘은 CNN, RNN 및 LSTM 중 적어도 어느 하나인 의료영상을 이용한 질환정보 제공 시스템.
  11. 제 9 항에 있어서,
    상기 모델결정부에서는 상기 학습된 의료기관 별 예측모델 중에서 병변 인식도에 기초하여 질환예측모델이 결정되는 의료영상을 이용한 질환정보 제공 시스템.
  12. 제 11 항에 있어서,
    상기 모델결정부에서는 교차 검증(cross-validation)을 이용하여 예측모델 별 병변 인식도가 평가됨으로써 상기 질환예측모델이 결정되는 의료영상을 이용한 질환정보 제공 시스템.
  13. 제 9 항에 있어서,
    상기 모델결정부에는 사용자 단말로부터 인가된 사용자신호 및 상기 복수의 의료기관 서버로부터 수신한 의심질환데이터 중 적어도 어느 하나에 기초하여 의심질환이 결정되는 의심질환결정부가 더 포함되고,
    상기 질환예측모델은 상기 학습된 의료기관 별 예측모델 중에서 상기 결정된 의심질환에 대한 병변 인식도에 기초하여 결정되는 의료영상을 이용한 질환정보 제공 시스템.
  14. 제 8 항에 있어서,
    상기 질환분석부에는 사용자 단말로부터 의료영상이 입력되는 영상입력부;
    상기 질환예측모델을 이용하여 상기 의료영상 내 병변이 인식되는 병변인식부; 및
    상기 인식된 병변에 기초하여 질환 클래스를 분류하는 질환분류부가 포함되는 의료영상을 이용한 질환정보 제공 시스템.
  15. 제 1 항 내지 제 7 항 중 어느 한 항의 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체.

KR1020190093847A 2019-08-01 2019-08-01 의료영상을 이용한 질환정보 제공 방법 KR102261408B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190093847A KR102261408B1 (ko) 2019-08-01 2019-08-01 의료영상을 이용한 질환정보 제공 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190093847A KR102261408B1 (ko) 2019-08-01 2019-08-01 의료영상을 이용한 질환정보 제공 방법

Publications (2)

Publication Number Publication Date
KR20210016171A true KR20210016171A (ko) 2021-02-15
KR102261408B1 KR102261408B1 (ko) 2021-06-09

Family

ID=74560491

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190093847A KR102261408B1 (ko) 2019-08-01 2019-08-01 의료영상을 이용한 질환정보 제공 방법

Country Status (1)

Country Link
KR (1) KR102261408B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023022521A1 (ko) * 2021-08-17 2023-02-23 주식회사 메디컬에이아이 딥러닝기반 모델 및 원칙기반 모델 통합 심전도 판독 시스템
KR20230033237A (ko) * 2021-08-31 2023-03-08 동국대학교 산학협력단 이종 캡슐내시경 간의 도메인 적응에 의한 병증정보 제공 방법
KR20230105812A (ko) * 2022-01-05 2023-07-12 주식회사 아이넥스코퍼레이션 내시경 영상을 이용한 용종 진단 방법, 장치 및 프로그램

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100900533B1 (ko) 2008-10-07 2009-06-02 주식회사 인트로메딕 캡슐 내시경 영상의 화면 표시방법과 이를 수행하기 위한 프로그램이 기록된 기록매체
US20140088989A1 (en) * 2012-09-27 2014-03-27 Balaji Krishnapuram Rapid Learning Community for Predictive Models of Medical Knowledge
KR20140042531A (ko) * 2012-09-28 2014-04-07 삼성전자주식회사 카테고리별 진단 모델을 이용한 병변 진단 장치 및 방법
KR20180057420A (ko) * 2016-11-22 2018-05-30 주식회사 루닛 약한 지도 학습 방식의 객체 인식 방법 및 장치
KR101887194B1 (ko) * 2018-06-20 2018-08-10 주식회사 뷰노 피검체의 의료 영상의 판독을 지원하는 방법 및 이를 이용한 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100900533B1 (ko) 2008-10-07 2009-06-02 주식회사 인트로메딕 캡슐 내시경 영상의 화면 표시방법과 이를 수행하기 위한 프로그램이 기록된 기록매체
US20140088989A1 (en) * 2012-09-27 2014-03-27 Balaji Krishnapuram Rapid Learning Community for Predictive Models of Medical Knowledge
KR20140042531A (ko) * 2012-09-28 2014-04-07 삼성전자주식회사 카테고리별 진단 모델을 이용한 병변 진단 장치 및 방법
KR20180057420A (ko) * 2016-11-22 2018-05-30 주식회사 루닛 약한 지도 학습 방식의 객체 인식 방법 및 장치
KR101887194B1 (ko) * 2018-06-20 2018-08-10 주식회사 뷰노 피검체의 의료 영상의 판독을 지원하는 방법 및 이를 이용한 장치

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023022521A1 (ko) * 2021-08-17 2023-02-23 주식회사 메디컬에이아이 딥러닝기반 모델 및 원칙기반 모델 통합 심전도 판독 시스템
KR20230033237A (ko) * 2021-08-31 2023-03-08 동국대학교 산학협력단 이종 캡슐내시경 간의 도메인 적응에 의한 병증정보 제공 방법
WO2023033266A1 (ko) * 2021-08-31 2023-03-09 동국대학교 산학협력단 이종 캡슐내시경 간의 도메인 적응에 의한 병증정보 제공 방법
KR20230105812A (ko) * 2022-01-05 2023-07-12 주식회사 아이넥스코퍼레이션 내시경 영상을 이용한 용종 진단 방법, 장치 및 프로그램

Also Published As

Publication number Publication date
KR102261408B1 (ko) 2021-06-09

Similar Documents

Publication Publication Date Title
JP6867117B2 (ja) 医用画像処理方法及び医用画像処理装置
US20180263568A1 (en) Systems and Methods for Clinical Image Classification
Yogapriya et al. Gastrointestinal tract disease classification from wireless endoscopy images using pretrained deep learning model
KR102261408B1 (ko) 의료영상을 이용한 질환정보 제공 방법
KR102237198B1 (ko) 인공지능 기반의 의료영상 판독 서비스 시스템
JP2007524461A (ja) 乳房撮像の自動診断及び決定支援システム及び方法
US11915822B2 (en) Medical image reading assistant apparatus and method for adjusting threshold of diagnostic assistant information based on follow-up examination
KR102531400B1 (ko) 인공 지능 기반 대장 내시경 영상 진단 보조 시스템 및 방법
KR20190090150A (ko) 캡슐 내시경 영상의 서술자 생성 방법 및 장치, 서술자 기반 캡슐 내시경 영상 검색 방법 및 캡슐 내시경 모니터링 디바이스
KR102543013B1 (ko) 전문가의 진단 능력 평가 방법, 인공지능 기반의 진단 보조 방법 및 이를 이용한 디바이스
CN109460717A (zh) 消化道共聚焦激光显微内镜病变图像识别方法及装置
Seok et al. The semantic segmentation approach for normal and pathologic tympanic membrane using deep learning
Chang et al. Development and validation of a deep learning-based algorithm for colonoscopy quality assessment
Shea et al. Deep learning video classification of lung ultrasound features associated with pneumonia
US20230143229A1 (en) Method for diagnostic ultrasound of carotid artery
Keuchel et al. Quantitative measurements in capsule endoscopy
KR102254365B1 (ko) 의료영상 처리 방법
Vania et al. Recent Advances in Applying Machine Learning and Deep Learning to Detect Upper Gastrointestinal Tract Lesions
US20230036068A1 (en) Methods and systems for characterizing tissue of a subject
KR102360615B1 (ko) 내시경 영상에 대한 복수의 의료 영상 판독 알고리듬들을 이용하는 의료 영상 판독 지원 장치 및 방법
Park et al. Class-labeling method for designing a deep neural network of capsule endoscopic images using a lesion-focused knowledge model
KR20220122312A (ko) 인공 지능 기반 위 내시경 영상 진단 보조 시스템 및 방법
KR20210029167A (ko) 기계학습을 이용한 의료 영상 판독의 품질 관리 방법 및 장치
Kodogiannis et al. Neural network-based approach for the classification of wireless-capsule endoscopic images
US20220156515A1 (en) Apparatus and method for generating training data

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant