KR20210089321A - X-ray 이미지에서 질병을 예측하기 위한 CNN 모델 예측 방법 및 CNN 모델 장치 - Google Patents

X-ray 이미지에서 질병을 예측하기 위한 CNN 모델 예측 방법 및 CNN 모델 장치 Download PDF

Info

Publication number
KR20210089321A
KR20210089321A KR1020200002341A KR20200002341A KR20210089321A KR 20210089321 A KR20210089321 A KR 20210089321A KR 1020200002341 A KR1020200002341 A KR 1020200002341A KR 20200002341 A KR20200002341 A KR 20200002341A KR 20210089321 A KR20210089321 A KR 20210089321A
Authority
KR
South Korea
Prior art keywords
convolution
channel data
cnn model
filters
ray image
Prior art date
Application number
KR1020200002341A
Other languages
English (en)
Other versions
KR102420605B1 (ko
Inventor
김회율
김동우
오성열
Original Assignee
주식회사 셀젠텍
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 주식회사 셀젠텍 filed Critical 주식회사 셀젠텍
Priority to KR1020200002341A priority Critical patent/KR102420605B1/ko
Publication of KR20210089321A publication Critical patent/KR20210089321A/ko
Application granted granted Critical
Publication of KR102420605B1 publication Critical patent/KR102420605B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • 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
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biophysics (AREA)
  • Databases & Information Systems (AREA)
  • Molecular Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Physiology (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)

Abstract

본 발명은 입력되는 X-ray 이미지에 대해 제1 합성곱 처리 과정과 맥스 풀링을 수행하고 맥스 풀링된 제1 채널 데이터에 대해 제2 합성곱 처리 과정과 맥스 풀링을 수행하고 맥스 풀링된 제2 채널 데이터에 대해 제3 합성곱 처리 과정과 맥스 풀링을 수행하고 상기 맥스 풀링된 제3 채널 데이터에 대해 제4 합성곱 처리 과정과 맥스 풀링을 수행하고 맥스 풀링된 제4 채널 데이터에 기초하여 X-ray 이미지에 대한 질병을 예측하는, X-ray 이미지에서 질병을 예측하기 위한 CNN 모델 예측 방법 및 CNN 모델 장치에 관한 것이다.

Description

X-ray 이미지에서 질병을 예측하기 위한 CNN 모델 예측 방법 및 CNN 모델 장치{CNN MODEL PREDICTING METHOD AND CNN MODEL APPARATUS FOR PREDICTING DISEASE FROM X-ray IMAGE}
본 발명은 X-ray 이미지에서 질병을 예측하기 위한 CNN 모델 예측 방법 및 CNN 모델 장치에 관한 것으로서, 구체적으로는 흉부 X-ray 이미지에서 최적화된 CNN 학습 모델을 이용하여 높은 정확도로 기흉과 폐렴을 진단하거나 예측 가능한 X-ray 이미지에서 질병을 예측하기 위한 CNN 모델 예측 방법 및 CNN 모델 장치에 관한 것이다.
X-ray 영상을 이용하여 진단할 수 있는 대표적인 질병으로는 Pneumonia(폐렴)와 Pneumothorax(기흉)가 있다. Pneumonia는 흉부 X-ray을 통해 폐의 변화를 확인하여 진단할 수 있으며, Pneumothorax는 X-ray 검사에서 특징적인 공기 음영을 이용하여 진단할 수 있다. 환자가 최대한 숨을 내쉰 상태에서 가슴 X-ray를 찍으면 기흉이 증가되는 효과가 있어 기흉 관찰이 용이하고, 흉부 X-ray 사진에서 벽 측 흉막과 장 측 흉막까지의 거리를 측정하여 기흉의 크기를 계산하기도 한다.
한편, 딥러닝 기술은 학습시키는 데이터 표본의 개수가 결과의 정확성에 큰 영향을 준다. 그러므로 딥러닝을 위해서는 충분한 양의 데이터 확보와 데이터마이닝 작업이 선행되어야 한다. 데이터마이닝이란 데이터 안에서 수학모델 및 통계 기법 등을 활용하여 규칙 혹은 패턴을 찾아내는 일련의 작업으로, 데이터를 분류, 군집화하는데 사용하거나 데이터의 연관성, 연속성 등을 찾고 미래를 예측하는 것이 목적이다.
본 발명은 질병에 대해 다루는 만큼 결과의 정확성이 매우 중요하기 때문에 각 질병별로 정확하게 분류된 충분한 양의 데이터를 확보하는 것이 개발의 성패를 좌우한다. 따라서 최대한 많은 양의 흉부 X-ray 이미지를 확보한 후 데이터마이닝을 통해 정상인의 X-ray 영상, Pneumonia와 Pneumothorax 등의 질병에 따라 정확하게 영상을 분류, 군집화한다. 이때 데이터마이닝에서 오류가 발생한다면 딥러닝시 오류를 그대로 학습하여 정확한 결과를 낼 수 없게 되기 때문에 매우 중요한 작업이라고 할 수 있다.
딥러닝은 각 자료의 가중치(weight)를 이용해 확률 계산을 하며, 그 과정을 여러 번 반복하여 결과의 정확성을 높인다. 축적된 데이터는 합성곱 신경망(Convolution Neural Network : CNN)을 사용하여 학습하며 CNN은 GoogLeNet, VGG, ResNet 등의 모델이 있다. 각각의 모델은 처리 속도, 정확성 등에서 차이점이 있는데 적절한 모델을 선정하여 알고리즘을 개발하는 것이 중요하다.
의료진의 진단에 정확성을 높이고, 자문을 구하거나 참고문서를 찾는데 소모되는 노력과 시간을 줄여 오진율이 높은 편인 폐질환을 정확하고 객관적으로 판단하여 진단하는 딥러닝 학습 모델을 개발할 필요가 있다.
본 발명은, 상술한 문제점을 해결하기 위해서 안출한 것으로서, 높은 정확도로 영상 이미지로부터 질병을 예측 가능한, X-ray 이미지에서 질병을 예측하기 위한 CNN 모델 예측 방법 및 CNN 모델 장치를 제공하는 데 그 목적이 있다.
또한, 본 발명은 X-ray 이미지로부터 높은 정확도로 폐렴과 기흉을 예측 가능한 내부 구조를 가지는, X-ray 이미지에서 질병을 예측하기 위한 CNN 모델 예측 방법 및 CNN 모델 장치를 제공하는 데 그 목적이 있다.
또한, 본 발명은 X-ray 이미지로부터 의료진에게 정확한 정보를 제공 가능하고 진단 결과의 피드백을 통해 CNN 모델을 학습시켜 시스템의 신뢰성을 높이고 지속적으로 업그레이드 가능한, X-ray 이미지에서 질병을 예측하기 위한 CNN 모델 예측 방법 및 CNN 모델 장치를 제공하는 데 그 목적이 있다.
본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 발명의 일 양상에 따라 CNN 모델 장치에서 수행되고 X-ray 이미지에서 질병을 예측하기 위한 CNN 모델 예측 방법은 입력되는 X-ray 이미지에 대해 제1 합성곱 처리 과정을 수행하는 단계; 상기 제1 합성곱 처리 과정에서 출력되는 제1 채널 데이터에 대해 맥스 풀링을 수행하는 단계; 상기 맥스 풀링된 제1 채널 데이터에 대해 제2 합성곱 처리 과정을 수행하는 단계; 상기 제2 합성곱 처리 과정에서 출력되는 제2 채널 데이터에 대해 맥스 풀링을 수행하는 단계; 상기 맥스 풀링된 제2 채널 데이터에 대해 제3 합성곱 처리 과정을 수행하는 단계; 상기 제3 합성곱 처리 과정에서 출력되는 제3 채널 데이터에 대해 맥스 풀링을 수행하는 단계; 상기 맥스 풀링된 제3 채널 데이터에 대해 제4 합성곱 처리 과정을 수행하는 단계; 상기 제4 합성곱 처리 과정에서 출력되는 제4 채널 데이터에 대해 맥스 풀링을 수행하는 단계; 및 상기 맥스 풀링된 제4 채널 데이터에 기초하여 X-ray 이미지에 대한 질병을 예측하는 단계;를 포함한다.
상기한 CNN 모델 예측 방법에 있어서, 상기 질병을 예측하는 단계는 흉부 X-ray 이미지에서 폐렴 또는 기흉의 존재를 예측하고, 상기 제1 채널 데이터의 채널 개수와 상기 제2 채널 데이터의 채널 개수는 상이하고, 상기 제3 채널 데이터의 채널 개수와 상기 제4 채널 데이터의 채널 개수는 상이하다.
상기한 CNN 모델 예측 방법에 있어서, 상기 질병을 예측하는 단계는 흉부 X-ray 이미지에서 폐렴 또는 기흉의 존재를 예측하고, 상기 제1 합성곱 처리 과정을 수행하는 단계는, 상기 X-ray 이미지에 대해 제1 개수의 필터로 합성곱을 계산하고 상기 합성곱으로부터 출력되는 제1 개수의 채널 데이터에 대해 제2 개수의 필터로 합성곱을 계산하고 상기 합성곱으로부터 출력되는 제2 개수의 채널 데이터에 대해 제3 개수의 필터로 합성곱을 계산하고 상기 합성곱으로부터 출력되는 제3 개수의 채널 데이터에 대해 제4 개수의 필터로 합성곱을 계산하고 상기 합성곱으로부터 출력되는 제4개수의 채널 데이터에 대해 제5 개수의 필터로 합성곱을 계산한다.
상기한 CNN 모델 예측 방법에 있어서, 상기 제1 개수는 8개이고, 상기 제2 개수는 128개이고, 상기 제3 개수는 256개이고, 상기 제4 개수는 512개이고 상기 제5 개수는 256개이다.
상기한 CNN 모델 예측 방법에 있어서, 상기 제2 합성곱 처리 과정을 수행하는 단계는, 상기 맥스 풀링된 제1 채널 데이터에 대해 제1 개수의 필터로 합성곱을 계산하고 상기 합성곱으로부터 출력되는 제1 개수의 채널 데이터에 대해 제2 개수의 필터로 합성곱을 계산하고 상기 합성곱으로부터 출력되는 제2 개수의 채널 데이터에 대해 제3 개수의 필터로 합성곱을 계산하고 상기 합성곱으로부터 출력되는 제3 개수의 채널 데이터에 대해 제4 개수의 필터로 합성곱을 계산하고 상기 합성곱으로부터 출력되는 제4개수의 채널 데이터에 대해 제5 개수의 필터로 합성곱을 계산한다.
상기한 CNN 모델 예측 방법에 있어서, 상기 제2 합성곱 처리 과정의 제1 개수는 128개이고, 상기 제2 합성곱 처리 과정의 제2 개수는 256개이고, 상기 제2 합성곱 처리 과정의 제3 개수는 512개이고, 상기 제2 합성곱 처리 과정의 제4 개수는 1024개이고 상기 제2 합성곱 처리 과정의 제5 개수는 512개이다.
또한, 본 발명의 일 양상에 따른 X-ray 이미지에서 질병을 진단하기 위한 CNN 모델 장치는 X-ray 이미지를 수신하는 입력 모듈; CNN 모델 프로그램과 상기 X-ray 이미지를 저장하는 저장 모듈; 및 상기 CNN 모델 프로그램을 수행하여 상기 X-ray 이미지에 대한 질병을 예측하는 제어 모듈;을 포함하고, 상기 제어 모듈은, 상기 CNN 모델 프로그램의 수행을 통해, X-ray 이미지에 대해 제1 합성곱 처리 과정을 수행하고 상기 제1 합성곱 처리 과정에서 출력되는 제1 채널 데이터에 대해 맥스 풀링을 수행하고, 상기 맥스 풀링된 제1 채널 데이터에 대해 제2 합성곱 처리 과정을 수행하고 상기 제2 합성곱 처리 과정에서 출력되는 제2 채널 데이터에 대해 맥스 풀링을 수행하고, 상기 맥스 풀링된 제2 채널 데이터에 대해 제3 합성곱 처리 과정을 수행하고 상기 제3 합성곱 처리 과정에서 출력되는 제3 채널 데이터에 대해 맥스 풀링을 수행하고 상기 맥스 풀링된 제3 채널 데이터에 대해 제4 합성곱 처리 과정을 수행하고 상기 제4 합성곱 처리 과정에서 출력되는 제4 채널 데이터에 대해 맥스 풀링을 수행하며 상기 맥스 풀링된 제4 채널 데이터에 기초하여 X-ray 이미지에 대한 질병을 예측한다.
상기한 CNN 모델 장치에 있어서, 상기 제어 모듈은 흉부 X-ray 이미지에서 폐렴 또는 기흉의 존재를 예측하고, 상기 제1 채널 데이터의 채널 개수와 상기 제2 채널 데이터의 채널 개수는 상이하고, 상기 제3 채널 데이터의 채널 개수와 상기 제4 채널 데이터의 채널 개수는 상이하다.
상기한 CNN 모델 장치에 있어서, 상기 제어 모듈은 흉부 X-ray 이미지에서 폐렴 또는 기흉의 존재를 예측하고, 상기 제어 모듈은, 상기 X-ray 이미지에 대해 제1 개수의 필터로 합성곱을 계산하고 상기 합성곱으로부터 출력되는 제1 개수의 채널 데이터에 대해 제2 개수의 필터로 합성곱을 계산하고 상기 합성곱으로부터 출력되는 제2 개수의 채널 데이터에 대해 제3 개수의 필터로 합성곱을 계산하고 상기 합성곱으로부터 출력되는 제3 개수의 채널 데이터에 대해 제4 개수의 필터로 합성곱을 계산하고 상기 합성곱으로부터 출력되는 제4개수의 채널 데이터에 대해 제5 개수의 필터로 합성곱을 계산하여, 상기 제1 합성곱 처리 과정을 수행한다.
상기한 CNN 모델 장치에 있어서, 상기 제1 개수는 8개이고, 상기 제2 개수는 128개이고, 상기 제3 개수는 256개이고, 상기 제4 개수는 512개이고 상기 제5 개수는 256개이다.
상기한 CNN 모델 장치에 있어서, 상기 제어 모듈은, 상기 맥스 풀링된 제1 채널 데이터에 대해 제1 개수의 필터로 합성곱을 계산하고 상기 합성곱으로부터 출력되는 제1 개수의 채널 데이터에 대해 제2 개수의 필터로 합성곱을 계산하고 상기 합성곱으로부터 출력되는 제2 개수의 채널 데이터에 대해 제3 개수의 필터로 합성곱을 계산하고 상기 합성곱으로부터 출력되는 제3 개수의 채널 데이터에 대해 제4 개수의 필터로 합성곱을 계산하고 상기 합성곱으로부터 출력되는 제4개수의 채널 데이터에 대해 제5 개수의 필터로 합성곱을 계산하여, 상기 제2 합성곱 처리 과정을 수행한다.
상기와 같은 본 발명에 따른 X-ray 이미지에서 질병을 예측하기 위한 CNN 모델 예측 방법 및 CNN 모델 장치는 높은 정확도로 영상 이미지로부터 질병을 예측 가능한 효과가 있다.
또한, 상기와 같은 본 발명에 따른 X-ray 이미지에서 질병을 예측하기 위한 CNN 모델 예측 방법 및 CNN 모델 장치는 X-ray 이미지로부터 높은 정확도로 폐렴과 기흉을 예측 가능한 내부 구조를 가지는 효과가 있다.
또한, 상기와 같은 본 발명에 따른 X-ray 이미지에서 질병을 예측하기 위한 CNN 모델 예측 방법 및 CNN 모델 장치는 X-ray 이미지로부터 의료진에게 정확한 정보를 제공 가능하고 진단 결과의 피드백을 통해 CNN 모델을 학습시켜 시스템의 신뢰성을 높이고 지속적으로 업그레이드 가능한 효과가 있다.
본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 딥러닝 기술을 이용한 예시적인 질병 예측 시스템을 도시한 도면이다.
도 2는 CNN 모델 장치의 예시적인 블록도를 도시한 도면이다.
도 3은 본 발명에 따른 CNN 모델 프로그램의 개괄적 구성을 도시한 도면이다.
도 4는 합성곱 처리 과정의 예시적인 구성을 도시한 도면이다.
상술한 목적, 특징 및 장점은 첨부된 도면을 참조하여 상세하게 후술 되어 있는 상세한 설명을 통하여 더욱 명확해 질 것이며, 그에 따라 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 또한, 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에 그 상세한 설명을 생략하기로 한다. 이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시 예를 상세히 설명하기로 한다.
도 1은 딥러닝 기술을 이용한 예시적인 질병 예측 시스템을 도시한 도면이다.
도 1의 질병 예측 시스템은 X-ray 이미지에서 예측 가능한 질병을 다수의 X-ray 이미지들을 통해 학습하고 이후 촬영된 X-ray 이미지로부터 질병을 정확히 예측할 수 있도록 구성된다.
도 1에 도시된 예와 같이, 본 발명의 일 실시예에 따른 질병 예측 시스템은 CNN 모델 장치(100), 하나 이상의 사용자 터미널(200) 및 하나 이상의 X-ray 촬영 장치(300)를 포함한다.
질병 예측 시스템은 다양한 구성을 가질 수 있다. 예를 들어, 질병 예측 시스템에 복수의 사용자 터미널(200)이 네트워크에 연결되고 CNN 모델 장치(100)가 이러한 복수의 사용자 터미널(200)로부터의 요청을 처리할 수 있는 서버로 구성되어 복수 사용자의 요청을 서버에 의해 처리할 수 있다. 또는 질병 예측 시스템은 단일 사용자 터미널(200)에 CNN 모델 장치(100)가 연결되어 단일 사용자를 위해 질병을 예측할 수도 있다. 이 경우, CNN 모델 장치(100)는 노트북, 개인용 컴퓨터 등일 수 있다.
도 1을 통해 질병 예측 시스템을 간단히 살펴보면, X-ray 촬영 장치(300)는 X-ray를 이용하여 신체를 촬영하는 장치이다. X-ray 촬영 장치(300)는 방사선을 신체 부위에 방출하고 신체 내부 구조를 필름에 반영하도록 구성된다.
X-ray 촬영 장치(300)는 X-ray 노출에 따라 촬영된 디지털 이미지를 네트워크를 통해 전송할 수 있다. X-ray 촬영 장치(300)는 예를 들어 신체 중 흉부를 촬영하고 촬영된 X-ray 이미지를 네트워크를 통해 사용자 터미널(200)이나 CNN 모델 장치(100) 등으로 전송 가능하다.
사용자 터미널(200)은 질병 예측 시스템의 사용자가 이용하는 장치이다. 사용자 터미널(200)은 디스플레이, 스피커 등의 출력 수단과 마우스, 키보드 등의 입력 수단을 구비하여 각종 사용자 입력을 X-ray 촬영 장치(300)나 CNN 모델 장치(100)로 전송하고 X-ray 촬영 장치(300)나 CNN 모델 장치(100)로부터 수신되는 X-ray 이미지나 예측 결과 등을 출력할 수 있다. 사용자 터미널(200)은 예를 들어 의사 등이 이용하는 장치일 수 있다.
CNN 모델 장치(100)는 입력되는 X-ray 이미지에 대하여 합성곱 신경망(Convolution Neural Network : CNN) 등을 이용해 질병을 예측할 수 있는 기기이다. CNN 모델 장치(100)는 흉부 X-ray 이미지에서 폐렴 및/또는 기흉과 같은 질병의 존재 여부를 예측할 수 있도록 학습되고 학습에 따라 임의의 X-ray 이미지에서 폐렴이나 기흉의 존재 여부를 예측(판정)할 수 있다.
본 발명에 따른, CNN 모델 장치(100)는 폐렴이나 기흉과 같은 질병의 존재 여부를 정확히 판정할 수 있도록 모델링되어 있다. CNN 모델 장치(100)는 X-ray 이미지에서 질병의 정확한 판정을 위해 특화된 다수의 합성곱 처리 과정을 가지고 높은 정확도로 폐렴이나 기흉의 질병 여부(가능성)를 판정 가능하다.
CNN 모델 장치(100)는 사용자 터미널(200)이나 X-ray 촬영 장치(300)로부터 수신되는 X-ray 이미지에 대해 폐렴이나 기흉 존재 여부를 예측하고 예측 결과를 사용자 터미널(200) 등으로 출력할 수 있다.
네트워크는 각종 데이터를 송수신할 수 있도록 한다. 네트워크는 유선 네트워크 및 무선 네트워크의 조합으로 구성된다. 네트워크는 질병 예측 시스템의 구성 예에 따라, 로컬 버스(병렬 버스, 시리얼 버스), 와이파이나 유선랜의 근거리 네트워크, 인터넷망 등의 광대역 네트워크를 포함하거나 등으로 구성될 수 있다.
도 2는 CNN 모델 장치(100)의 예시적인 블록도를 도시한 도면이다.
도 2에 따르면, CNN 모델 장치(100)는 입력 모듈(101), 출력 모듈(103), 저장 모듈(105), 연결 모듈(107) 및 제어 모듈(109)을 포함한다. 여기서, 도 2의 블록도는 기능 블록도를 나타낸다. 도 2의 CNN 모델 장치(100)는 기능 블록도의 기능을 수행하기 위한 하드웨어를 포함하고 예를 들어, 개인용 컴퓨터, 서버 장치 등을 하나 이상 포함할 수 있다.
입력 모듈(101)은 데이터를 수신한다. 입력 모듈(101)은 사용자 터미널(200)의 입력 수단에 연결되기 위한 입력 인터페이스 및/또는 X-ray 촬영 장치(300)나 사용자 터미널(200)과 데이터를 수신하기 위한 통신 인터페이스를 구비하여 X-ray 촬영 장치(300)나 사용자 터미널(200)로부터 각종 데이터를 수신한다.
예를 들어, 입력 모듈(101)은 사용자 터미널(200)이나 X-ray 촬영 장치(300)로부터 질병 예측이나 학습을 위한 X-ray 이미지를 수신할 수 있다.
출력 모듈(103)은 데이터를 출력한다. 출력 모듈(103)은 사용자 터미널(200)의 출력 수단에 연결되기 위한 출력 인터페이스 및/또는 사용자 터미널(200)로 데이터를 송신하기 위한 통신 인터페이스를 구비하여 사용자 터미널(200)로 나아가 X-ray 촬영 장치(300)로 각종 데이터를 출력한다.
예를 들어, 출력 모듈(103)은 질병 예측을 위해 수신된 X-ray 이미지에 대한 질병 예측 결과를 사용자 터미널(200)로 출력할 수 있다.
출력 모듈(103)과 입력 모듈(101)은 편의상 구별되는 기능요소로서 설명되었으나, 실제 동일 구성요소로 구성될 수 있고 동일한 통신 인터페이스를 사용하여 각종 데이터를 송수신할 수 있다.
저장 모듈(105)은 각종 데이터와 프로그램을 저장한다. 저장 모듈(105)은 휘발성 메모리, 비휘발성 메모리 및/또는 하드디스크 등의 대용량 저장매체를 포함하여 입력 모듈(101)을 통해 수신되어 질병 예측을 위한 X-ray 이미지, CNN 모델 프로그램, 학습에 이용되는 X-ray 이미지 등을 영구히 또는 임시 저장한다.
연결 모듈(107)은 CNN 모델 장치(100) 내의 블록들 사이의 각종 데이터를 송수신한다. CNN 모델 장치(100)의 구성 예에 따라 연결 모듈(107)은 병렬 버스, 시리얼 버스, GPIO 등의 조합으로 구성되거나 와이파이나 유선랜의 근거리 네트워크나 인터넷망 등의 광대역 네트워크 등으로 구성될 수 있다.
제어 모듈(109)은 CNN 모델 장치(100)를 제어한다. 제어 모듈(109)은 프로그램의 코드를 수행할 수 있는 실행 유닛을 하나 이상 포함하여 저장 모듈(105)의 프로그램을 수행하여 CNN 모델 장치(100)를 제어할 수 있다. 제어 모듈(109)은 프로세서, CPU, MPU, GPU 등을 하나 이상 포함하여 각종 프로그램을 수행할 수 있다.
제어 모듈(109)은 저장 모듈(105)의 CNN 모델 프로그램의 로딩 및 수행을 통해 X-ray 이미지로부터 질병을 학습하고 학습된 상태에서 임의의 X-ray 이미지에 대한 질병의 발생이나 존재 여부를 예측할 수 있도록 구성된다. 제어 모듈(109)은 흉부 X-ray 이미지에서 폐렴 및/또는 기흉의 존재 여부를 예측할 수 있다.
CNN 모델 프로그램을 통해 질병 학습과 학습 후 질병 예측이 이루어지는 과정은 도 3 이하에서 상세히 살펴보도록 한다.
도 3은 본 발명에 따른 CNN 모델 프로그램의 개괄적 구성을 도시한 도면이다. 도 3의 구성은 입력되는 X-ray 이미지로부터 질병을 학습하거나 학습후 질병을 예측하기 위한 구조(나 흐름)를 도시하고 있다. 도 3의 구성은 CNN 모델 프로그램에 의해 구조화되고 제어될 수 있다.
도 3의 구성을 구체적으로 살펴보면, 제어 모듈(109)(의 CNN 모델 프로그램)은 입력 모듈(101)을 통해 X-ray 이미지를 수신(S101)하고 수신된 X-ray 이미지를 저장 모듈(105) 등에 임시 저장한다. 제어 모듈(109)(의 CNN 모델 프로그램)은 X-ray 촬영 장치(300)나 사용자 터미널(200)로부터 네트워크를 통해 X-ray 이미지를 수신할 수 있다.
제어 모듈(109)(의 CNN 모델 프로그램)은 입력된 X-ray 이미지에 대해 첫 번째(제1) 합성곱 처리 과정을 수행(S103)한다. 제1 합성곱 처리 과정은 내부에 복수 필터를 포함하여 1 채널의 단일 X-ray 이미지를 복수 필터에 따른 복수 채널의 데이터(이하 '제1 채널 데이터'라 함)를 출력할 수 있다. 예를 들어 제1 합성곱 처리 과정은 X-ray 이미지에 대해 특징을 추출하기 위한 필터로 합성곱(convolution) 연산을 처리하여 필터 개수 만큼의 채널을 가지는 특징 맵(Feature Map)을 출력할 수 있다.
제어 모듈(109)(의 CNN 모델 프로그램)은 제1 합성곱 처리 과정에서 출력되는 제1 채널 데이터에 대해 맥스 풀링(Max Pooling)을 수행(S105)한다. 예를 들어, 제어 모듈(109)(의 CNN 모델 프로그램)은 제1 채널 데이터의 모든 채널의 출력 행렬(벡터)의 일련의 2*2 영역에서 가장 큰 값을 선택하고 이를 포함하는 출력 행렬(2*2 영역에 대해 맥스 풀링이 적용되는 경우, 출력 행렬은 벡터의 크기가 제1 채널 데이터의 각 채널의 벡터 크기의 1/2로 구성됨)을 구성할 수 있다. 이에 따라, 각 필터별 특징을 나타내는 대표값을 구성할 수 있다.
제어 모듈(109)(의 CNN 모델 프로그램)은 S105 과정을 통해 맥스 풀링된 제1 채널 데이터에 대해 두 번째(제2) 합성곱 처리 과정을 수행(S107)한다. 제2 합성곱 처리 과정은 내부에 복수의 필터를 포함하여 제1 채널 데이터를 복수 필터에 따른 복수 채널의 데이터(이하 '제2 채널 데이터'라 함)를 구성하여 출력할 수 있다. 예를 들어, 제2 합성곱 처리 과정은 제1 채널 데이터의 각각의 채널 데이터에 대해 특징을 추출하기 위한 필터로 합성곱 연산을 처리하고 내부 필터 개수 만큼의 채널을 가지는 특징 맵을 출력할 수 있다.
제어 모듈(109)(의 CNN 모델 프로그램)은 제2 합성곱 처리 과정에서 출력되는 제2 채널 데이터에 대해 맥스 풀링(Max Pooling)을 수행(S109)한다. 제어 모듈(109)(의 CNN 모델 프로그램)은 제2 채널 데이터의 모든 채널의 출력 행렬(벡터)의 일련의 2*2 영역에서 가장 큰 값을 선택하고 이를 포함하는 출력 행렬(2*2 영역에 대해 맥스 풀링이 적용되는 경우, 출력 행렬은 벡터의 크기가 제2 채널 데이터의 각 채널의 벡터 크기의 1/2로 구성됨)을 구성할 수 있다. 이에 따라, 각 필터별 특징을 나타내는 대표값을 구성할 수 있다.
제어 모듈(109)(의 CNN 모델 프로그램)은 S109 과정을 통해 맥스 풀링된 제2 채널 데이터에 대해 세 번째(제3) 합성곱 처리 과정을 수행(S111)한다. 제3 합성곱 처리 과정은 내부에 복수의 필터를 포함하여 제2 채널 데이터를 복수 필터에 따른 복수 채널의 데이터(이하 '제3 채널 데이터'라 함)를 구성하여 출력할 수 있다. 예를 들어, 제3 합성곱 처리 과정은 제2 채널 데이터의 각각의 채널 데이터에 대해 특징을 추출하기 위한 필터로 합성곱 연산을 처리하고 내부 필터 개수 만큼의 채널을 가지는 특징 맵을 출력할 수 있다.
제어 모듈(109)(의 CNN 모델 프로그램)은 제3 합성곱 처리 과정에서 출력되는 제3 채널 데이터에 대해 맥스 풀링(Max Pooling)을 수행(S113)한다. 제어 모듈(109)(의 CNN 모델 프로그램)은 제3 채널 데이터의 모든 채널의 출력 행렬(벡터)의 일련의 2*2 영역에서 가장 큰 값을 선택하고 이를 포함하는 출력 행렬(2*2 영역에 대해 맥스 풀링이 적용되는 경우, 출력 행렬은 벡터의 크기가 제3 채널 데이터의 각 채널의 벡터 크기의 1/2로 구성됨)을 구성할 수 있다. 이에 따라, 각 필터별 특징을 나타내는 대표값을 구성할 수 있다.
제어 모듈(109)(의 CNN 모델 프로그램)은 S113 과정을 통해 맥스 풀링된 제3 채널 데이터에 대해 네 번째(제4) 합성곱 처리 과정을 수행(S115)한다. 제4 합성곱 처리 과정은 내부에 복수의 필터를 포함하여 제3 채널 데이터를 복수 필터에 따른 복수 채널의 데이터(이하 '제4 채널 데이터'라 함)를 구성하여 출력할 수 있다. 예를 들어, 제4 합성곱 처리 과정은 제3 채널 데이터의 각각의 채널 데이터에 대해 특징을 추출하기 위한 필터로 합성곱 연산을 처리하고 내부 필터 개수 만큼의 채널을 가지는 특징 맵을 출력할 수 있다.
제어 모듈(109)(의 CNN 모델 프로그램)은 제4 합성곱 처리 과정에서 출력되는 제4 채널 데이터에 대해 맥스 풀링(Max Pooling)을 수행(S117)한다. 제어 모듈(109)(의 CNN 모델 프로그램)은 제4 채널 데이터의 모든 채널의 출력 행렬(벡터)의 일련의 2*2 영역에서 가장 큰 값을 선택하고 이를 포함하는 출력 행렬(2*2 영역에 대해 맥스 풀링이 적용되는 경우, 출력 행렬은 벡터의 크기가 제4 채널 데이터의 각 채널의 벡터 크기의 1/2로 구성됨)을 구성할 수 있다. 이에 따라, 각 필터별 특징을 나타내는 대표값을 구성할 수 있다.
제어 모듈(109)(의 CNN 모델 프로그램)은 맥스 풀링된 제4 채널 데이터에 기초하여 X-ray 이미지에 대한 질병을 예측(S119)한다. 예를 들어, 제어 모듈(109)(의 CNN 모델 프로그램)은 맥스 풀링되고 복수의 채널로 서로 구별되어 구성된 제4 채널 데이터를 평탄화시킨다. 제어 모듈(109)은 딥러닝 기술에서 널리 알려진 fully-connected layer를 3번 거쳐 제4 채널 데이터를 단일 채널의 데이터로 평탄화시키고 정규화를 위한 softmax 연산을 수행하여 예측 결과를 생성할 수 있다. 이러한 과정을 통해, 제어 모듈(109)(의 CNN 모델 프로그램)은 흉부 X-ray 이미지에서 폐렴 및/또는 기흉의 존재(가능성)를 예측 가능하다.
제어 모듈(109)(의 CNN 모델 프로그램)은 생성된 예측 결과(예를 들어 0에서 1 사이의 값)를 출력 모듈(103)을 통해 출력(S121)할 수 있다.
제어 모듈(109)(의 CNN 모델 프로그램)은 학습을 위해 이용되는 X-ray 이미지들을 도 3의 구성에 입력하여 예측 결과를 생성하고 생성된 예측 결과와 정답과의 오차에 따라 도 3의 구성 내의 각종 필터와 바이어스 등의 파라미터들을 정확한 결과를 도출할 수 있도록 학습시킬 수 있다.
실험에서 제어 모듈(109)(의 CNN 모델 프로그램)은 정상 이미지 25,000장과 기흉 질병이 있는 12,500장 및 폐렴 질병이 있는 12,500장을 사용하여 CNN 모델 프로그램을 학습하였다. CNN 모델 프로그램의 학습에 따라, CNN 모델 장치(100)는 임의의 X-ray 이미지로부터 높은 정확도로 기흉 또는 폐렴 예측을 할 수 있었다. 본 발명에 따른 CNN 모델 장치(100)는 95% 이상의 진단 정확도가 있음을 실험을 통해 확인할 수 있었다.
제어 모듈(109)(의 CNN 모델 프로그램)은 학습후 예측 대상인 X-ray 이미지를 입력받아 X-ray 이미지에 대해 질병을 예측하고 예측 결과를 출력 모듈(103)을 통해 사용자 터미널(200) 등을 출력 가능하다.
본 발명에 따른 CNN 모델 프로그램의 제1 채널 데이터의 채널 개수와 제2 채널 데이터의 채널 개수는 다를 수 있다. 예를 들어, 제1 채널 데이터의 채널 개수는 256일 수 있고 제2 채널 데이터의 채널 개수는 512일 수 있다. 또한, 제3 채널 데이터의 채널 개수와 제4 채널 데이터의 채널 개수는 서로 다를 수 있다. 예를 들어, 제3 채널 데이터의 채널 개수는 512일 수 있고 제4 채널 데이터의 채널 개수는 64일 수 있다.
그 외, 제어 모듈(109)(의 CNN 모델 프로그램)은 의사 등이 이용하는 사용자 터미널(200)로부터 예측 결과에 대해 피드백을 받고 피드백에 따라 CNN 모델의 내부 파라미터를 동적으로 학습/갱신할 수 있다.
도 4는 합성곱 처리 과정의 예시적인 구성을 도시한 도면이다.
도 4의 합성곱 처리 과정은 제어 모듈(109)(의 CNN 모델 프로그램)에 의해 수행되고 도 3의 제1 합성곱 처리 과정(S103), 제2 합성곱 처리 과정(S107), 제3 합성곱 처리 과정(S111) 및 제4 합성곱 처리 과정(S115)의 공통되는 처리 구성을 도시하고 있다.
합성곱 처리 과정은 다섯 단계의 순차적인 합성곱 계산 과정을 가지고 각각의 합성곱 계산 과정은 지정된 개수의 필터로 합성곱을 계산한다. 합성곱에 의해 계산된 필터 개수만큼의 채널 데이터를 후속 합성곱 계산 과정으로 출력한다. 합성곱 계산 과정 사이에는 활성화 함수(Activation Function)가 적용되고 예를 들어, ReLU(Rectified Linear Unit)(f(x) = max(0,x)) 함수가 적용될 수 있다.
예를 들어, 제1 합성곱 처리 과정은 X-ray 이미지에 대해 제1 개수의 필터로 합성곱을 계산하고 제1 개수 만큼의 합성곱 계산 결과(채널 데이터)를 출력(도 4의 ① 참조)한다. 첫 번째 합성곱 계산에 의해 출력되는 제1 개수의 채널 데이터에 대해 제2 개수의 필터로 합성곱을 계산하고 제2 개수 만큼의 합성곱 계산 결과(채널 데이터)를 출력(도 4의 ② 참조)한다. 두 번째 합성곱 계산에 의해 출력되는 제2 개수의 채널 데이터에 대해 제3 개수의 필터로 합성곱을 계산하고 제3 개수 만큼의 합성곱 계산 결과(채널 데이터)를 출력(도 4의 ③ 참조)한다.
세 번째 합성곱 계산에 의해 출력되는 제3 개수의 채널 데이터에 대해 제4 개수의 필터로 합성곱을 계산하고 제4 개수 만큼의 합성곱 계산 결과(채널 데이터)를 출력(도 4의 ④ 참조)한다. 네 번째 합성곱 계산에 의해 출력되는 제4 개수의 채널 데이터에 대해 제5 개수의 필터로 합성곱을 계산하고 제5 개수 만큼의 합성곱 계산 결과(채널 데이터)를 출력(도 4의 ⑤ 참조)한다.
각각의 합성곱으로부터 출력되는 계산 결과는 활성화 함수가 적용되어 후속하는 합성곱으로 입력되거나 맥스 풀링 과정에 입력될 수 있다.
제1 합성곱 처리 과정의 첫 번째 합성곱 계산에 이용되는 필터의 개수는 8개이고, 두 번째 합성곱 계산에 이용되는 필터의 개수는 128개이고, 세 번째 합성곱 계산에 이용되는 필터의 개수는 256개이고 네 번째 합성곱 계산에 이용되는 필터의 개수는 512개이고 다섯 번째 합성곱 계산에 이용되는 필터의 개수는 256개일 수 있다. 제1 합성곱 처리 과정은 마지막 합성곱 계산 과정을 통해 256개 채널을 가지는 채널 데이터를 후속하는 맥스 풀링 과정(S105)로 출력할 수 있다.
제2 합성곱 처리 과정, 제3 합성곱 처리 과정 및 제4 합성곱 처리 과정도 앞서 설명한 제1 합성곱 처리 과정과 동일한 구성을 통해 이루어진다. 예를 들어, 제2(제3 또는 제4) 합성곱 처리 과정은 맥스 풀링된 제1(제2 또는 제3) 채널 데이터에 대해 제1 개수의 필터로 첫 번째 합성곱을 계산하고 첫 번째 합성곱으로부터 출력되는 제1 개수의 채널 데이터에 대해 제2 개수의 필터로 두 번째 합성곱을 계산한다.
두 번째 합성곱으로부터 출력되는 제2 개수의 채널 데이터에 대해 제3 개수의 필터로 세 번째 합성곱을 계산하고 세 번째 합성곱으로부터 출력되는 제3 개수의 채널 데이터에 대해 제4 개수의 필터로 네 번째 합성곱을 계산하고 네 번째 합성곱으로부터 출력되는 제4개수의 채널 데이터에 대해 제5 개수의 필터로 마지막 합성곱을 계산한다. 마지막 합성곱에 따라 계산된 계산 결과(채널 데이터)가 도 3의 다음 과정으로 출력된다.
제2 합성곱 처리 과정의 첫 번째 합성곱 계산에 이용되는 필터의 개수는 128개이고, 두 번째 합성곱 계산에 이용되는 필터의 개수는 256개이고, 세 번째 합성곱 계산에 이용되는 필터의 개수는 512개이고 네 번째 합성곱 계산에 이용되는 필터의 개수는 1024개이고 다섯 번째 합성곱 계산에 이용되는 필터의 개수는 512개일 수 있다.
제3 합성곱 처리 과정의 첫 번째 합성곱 계산에 이용되는 필터의 개수는 256개이고, 두 번째 합성곱 계산에 이용되는 필터의 개수는 512개이고, 세 번째 합성곱 계산에 이용되는 필터의 개수는 1024개이고 네 번째 합성곱 계산에 이용되는 필터의 개수는 256개이고 다섯 번째 합성곱 계산에 이용되는 필터의 개수는 512개일 수 있다.
제4 합성곱 처리 과정의 첫 번째 합성곱 계산에 이용되는 필터의 개수는 1024개이고, 두 번째 합성곱 계산에 이용되는 필터의 개수는 512개이고, 세 번째 합성곱 계산에 이용되는 필터의 개수는 256개이고 네 번째 합성곱 계산에 이용되는 필터의 개수는 128개이고 다섯 번째 합성곱 계산에 이용되는 필터의 개수는 64개일 수 있다.
이와 같이, 각각의 합성곱 처리 과정은 내부에 5개의 순차적인 합성곱 계산 과정을 가지고 인접하는 합성곱의 필터의 개수는 서로 다르도록 구성된다.
본 발명에 따라 구성되는 합성곱 처리 과정은 흉부 X-ray 이미지에 대해 기흉과 폐렴 예측을 위해 특화 구성되어 다수의 실험을 통해 내부 구조가 최적화되었다. 실험에 따르면, 95% 이상의 정확도로 정상과 질병(폐렴 또는 기흉)을 예측할 수 있다.
이상에서 설명한 본 발명은, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 있어 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 여러 가지 치환, 변형 및 변경이 가능하므로 전술한 실시 예 및 첨부된 도면에 의해 한정되는 것이 아니다.
100: CNN 모델 장치
101 : 입력 모듈 103 : 출력 모듈
105 : 저장 모듈 107 : 연결 모듈
109 : 제어 모듈
200 : 사용자 터미널
300 : X-ray 촬영 장치

Claims (11)

  1. CNN 모델 장치에서 수행되고 X-ray 이미지에서 질병을 예측하기 위한 CNN 모델 예측 방법으로서,
    입력되는 X-ray 이미지에 대해 제1 합성곱 처리 과정을 수행하는 단계;
    상기 제1 합성곱 처리 과정에서 출력되는 제1 채널 데이터에 대해 맥스 풀링을 수행하는 단계;
    상기 맥스 풀링된 제1 채널 데이터에 대해 제2 합성곱 처리 과정을 수행하는 단계;
    상기 제2 합성곱 처리 과정에서 출력되는 제2 채널 데이터에 대해 맥스 풀링을 수행하는 단계;
    상기 맥스 풀링된 제2 채널 데이터에 대해 제3 합성곱 처리 과정을 수행하는 단계;
    상기 제3 합성곱 처리 과정에서 출력되는 제3 채널 데이터에 대해 맥스 풀링을 수행하는 단계;
    상기 맥스 풀링된 제3 채널 데이터에 대해 제4 합성곱 처리 과정을 수행하는 단계;
    상기 제4 합성곱 처리 과정에서 출력되는 제4 채널 데이터에 대해 맥스 풀링을 수행하는 단계; 및
    상기 맥스 풀링된 제4 채널 데이터에 기초하여 X-ray 이미지에 대한 질병을 예측하는 단계;를 포함하는,
    CNN 모델 예측 방법.
  2. 제1항에 있어서,
    상기 질병을 예측하는 단계는 흉부 X-ray 이미지에서 폐렴 또는 기흉의 존재를 예측하고,
    상기 제1 채널 데이터의 채널 개수와 상기 제2 채널 데이터의 채널 개수는 상이하고, 상기 제3 채널 데이터의 채널 개수와 상기 제4 채널 데이터의 채널 개수는 상이한,
    CNN 모델 예측 방법.
  3. 제1항에 있어서,
    상기 질병을 예측하는 단계는 흉부 X-ray 이미지에서 폐렴 또는 기흉의 존재를 예측하고,
    상기 제1 합성곱 처리 과정을 수행하는 단계는, 상기 X-ray 이미지에 대해 제1 개수의 필터로 합성곱을 계산하고 상기 합성곱으로부터 출력되는 제1 개수의 채널 데이터에 대해 제2 개수의 필터로 합성곱을 계산하고 상기 합성곱으로부터 출력되는 제2 개수의 채널 데이터에 대해 제3 개수의 필터로 합성곱을 계산하고 상기 합성곱으로부터 출력되는 제3 개수의 채널 데이터에 대해 제4 개수의 필터로 합성곱을 계산하고 상기 합성곱으로부터 출력되는 제4개수의 채널 데이터에 대해 제5 개수의 필터로 합성곱을 계산하는,
    CNN 모델 예측 방법.
  4. 제3항에 있어서,
    상기 제1 개수는 8개이고, 상기 제2 개수는 128개이고, 상기 제3 개수는 256개이고, 상기 제4 개수는 512개이고 상기 제5 개수는 256개인,
    CNN 모델 예측 방법.
  5. 제3항에 있어서,
    상기 제2 합성곱 처리 과정을 수행하는 단계는, 상기 맥스 풀링된 제1 채널 데이터에 대해 제1 개수의 필터로 합성곱을 계산하고 상기 합성곱으로부터 출력되는 제1 개수의 채널 데이터에 대해 제2 개수의 필터로 합성곱을 계산하고 상기 합성곱으로부터 출력되는 제2 개수의 채널 데이터에 대해 제3 개수의 필터로 합성곱을 계산하고 상기 합성곱으로부터 출력되는 제3 개수의 채널 데이터에 대해 제4 개수의 필터로 합성곱을 계산하고 상기 합성곱으로부터 출력되는 제4개수의 채널 데이터에 대해 제5 개수의 필터로 합성곱을 계산하는,
    CNN 모델 예측 방법.
  6. 제5항에 있어서,
    상기 제2 합성곱 처리 과정의 제1 개수는 128개이고, 상기 제2 합성곱 처리 과정의 제2 개수는 256개이고, 상기 제2 합성곱 처리 과정의 제3 개수는 512개이고, 상기 제2 합성곱 처리 과정의 제4 개수는 1024개이고 상기 제2 합성곱 처리 과정의 제5 개수는 512개인,
    CNN 모델 장치.
  7. X-ray 이미지에서 질병을 진단하기 위한 CNN 모델 장치로서,
    X-ray 이미지를 수신하는 입력 모듈;
    CNN 모델 프로그램과 상기 X-ray 이미지를 저장하는 저장 모듈; 및
    상기 CNN 모델 프로그램을 수행하여 상기 X-ray 이미지에 대한 질병을 예측하는 제어 모듈;을 포함하고,
    상기 제어 모듈은, 상기 CNN 모델 프로그램의 수행을 통해, X-ray 이미지에 대해 제1 합성곱 처리 과정을 수행하고 상기 제1 합성곱 처리 과정에서 출력되는 제1 채널 데이터에 대해 맥스 풀링을 수행하고, 상기 맥스 풀링된 제1 채널 데이터에 대해 제2 합성곱 처리 과정을 수행하고 상기 제2 합성곱 처리 과정에서 출력되는 제2 채널 데이터에 대해 맥스 풀링을 수행하고, 상기 맥스 풀링된 제2 채널 데이터에 대해 제3 합성곱 처리 과정을 수행하고 상기 제3 합성곱 처리 과정에서 출력되는 제3 채널 데이터에 대해 맥스 풀링을 수행하고 상기 맥스 풀링된 제3 채널 데이터에 대해 제4 합성곱 처리 과정을 수행하고 상기 제4 합성곱 처리 과정에서 출력되는 제4 채널 데이터에 대해 맥스 풀링을 수행하며 상기 맥스 풀링된 제4 채널 데이터에 기초하여 X-ray 이미지에 대한 질병을 예측하는,
    CNN 모델 장치.
  8. 제7항에 있어서,
    상기 제어 모듈은 흉부 X-ray 이미지에서 폐렴 또는 기흉의 존재를 예측하고,
    상기 제1 채널 데이터의 채널 개수와 상기 제2 채널 데이터의 채널 개수는 상이하고, 상기 제3 채널 데이터의 채널 개수와 상기 제4 채널 데이터의 채널 개수는 상이한,
    CNN 모델 장치.
  9. 제7항에 있어서,
    상기 제어 모듈은 흉부 X-ray 이미지에서 폐렴 또는 기흉의 존재를 예측하고,
    상기 제어 모듈은, 상기 X-ray 이미지에 대해 제1 개수의 필터로 합성곱을 계산하고 상기 합성곱으로부터 출력되는 제1 개수의 채널 데이터에 대해 제2 개수의 필터로 합성곱을 계산하고 상기 합성곱으로부터 출력되는 제2 개수의 채널 데이터에 대해 제3 개수의 필터로 합성곱을 계산하고 상기 합성곱으로부터 출력되는 제3 개수의 채널 데이터에 대해 제4 개수의 필터로 합성곱을 계산하고 상기 합성곱으로부터 출력되는 제4개수의 채널 데이터에 대해 제5 개수의 필터로 합성곱을 계산하여, 상기 제1 합성곱 처리 과정을 수행하는,
    CNN 모델 장치.
  10. 제9항에 있어서,
    상기 제1 개수는 8개이고, 상기 제2 개수는 128개이고, 상기 제3 개수는 256개이고, 상기 제4 개수는 512개이고 상기 제5 개수는 256개인,
    CNN 모델 장치.
  11. 제9항에 있어서,
    상기 제어 모듈은, 상기 맥스 풀링된 제1 채널 데이터에 대해 제1 개수의 필터로 합성곱을 계산하고 상기 합성곱으로부터 출력되는 제1 개수의 채널 데이터에 대해 제2 개수의 필터로 합성곱을 계산하고 상기 합성곱으로부터 출력되는 제2 개수의 채널 데이터에 대해 제3 개수의 필터로 합성곱을 계산하고 상기 합성곱으로부터 출력되는 제3 개수의 채널 데이터에 대해 제4 개수의 필터로 합성곱을 계산하고 상기 합성곱으로부터 출력되는 제4개수의 채널 데이터에 대해 제5 개수의 필터로 합성곱을 계산하여, 상기 제2 합성곱 처리 과정을 수행하는,
    CNN 모델 장치.
KR1020200002341A 2020-01-08 2020-01-08 X-ray 이미지에서 질병을 예측하기 위한 CNN 모델 예측 방법 및 CNN 모델 장치 KR102420605B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200002341A KR102420605B1 (ko) 2020-01-08 2020-01-08 X-ray 이미지에서 질병을 예측하기 위한 CNN 모델 예측 방법 및 CNN 모델 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200002341A KR102420605B1 (ko) 2020-01-08 2020-01-08 X-ray 이미지에서 질병을 예측하기 위한 CNN 모델 예측 방법 및 CNN 모델 장치

Publications (2)

Publication Number Publication Date
KR20210089321A true KR20210089321A (ko) 2021-07-16
KR102420605B1 KR102420605B1 (ko) 2022-07-14

Family

ID=77151026

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200002341A KR102420605B1 (ko) 2020-01-08 2020-01-08 X-ray 이미지에서 질병을 예측하기 위한 CNN 모델 예측 방법 및 CNN 모델 장치

Country Status (1)

Country Link
KR (1) KR102420605B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230047229A (ko) * 2021-09-30 2023-04-07 고려대학교 산학협력단 의료데이터 스플릿 학습 시스템과 이의 제어방법 및 그 방법을 수행하기 위한 기록매체
KR102606619B1 (ko) * 2022-10-06 2023-11-29 (주)케어마인드 피드백 정보를 이용한 수술 후 외상 회복률 예측 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018175343A (ja) * 2017-04-12 2018-11-15 富士フイルム株式会社 医用画像処理装置および方法並びにプログラム
KR102015223B1 (ko) * 2018-08-17 2019-10-21 (주)제이엘케이인스펙션 3차원 자기공명영상과 다평면 혈관투영영상을 활용한 뇌질환 진단 방법 및 장치

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018175343A (ja) * 2017-04-12 2018-11-15 富士フイルム株式会社 医用画像処理装置および方法並びにプログラム
KR102015223B1 (ko) * 2018-08-17 2019-10-21 (주)제이엘케이인스펙션 3차원 자기공명영상과 다평면 혈관투영영상을 활용한 뇌질환 진단 방법 및 장치

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230047229A (ko) * 2021-09-30 2023-04-07 고려대학교 산학협력단 의료데이터 스플릿 학습 시스템과 이의 제어방법 및 그 방법을 수행하기 위한 기록매체
KR102606619B1 (ko) * 2022-10-06 2023-11-29 (주)케어마인드 피드백 정보를 이용한 수술 후 외상 회복률 예측 방법

Also Published As

Publication number Publication date
KR102420605B1 (ko) 2022-07-14

Similar Documents

Publication Publication Date Title
JP6976360B2 (ja) データ処理装置及び方法、認識装置、学習データ保存装置、機械学習装置並びにプログラム
EP3477589B1 (en) Method of processing medical image, and medical image processing apparatus performing the method
WO2021000856A1 (zh) 骨龄检测方法、系统、设备及可读存储介质
CN111274425B (zh) 医疗影像分类方法、装置、介质及电子设备
CN110033019B (zh) 人体部位的异常检测方法、装置和存储介质
CN111126574A (zh) 基于内镜图像对机器学习模型进行训练的方法、装置和存储介质
KR102420605B1 (ko) X-ray 이미지에서 질병을 예측하기 위한 CNN 모델 예측 방법 및 CNN 모델 장치
JP7304594B2 (ja) ディープラーニングモデルを用いた画像診断装置及びその方法
CN114298234B (zh) 脑部医学影像分类方法、装置、计算机设备和存储介质
Thian et al. Deep learning systems for pneumothorax detection on chest radiographs: a multicenter external validation study
CN112639833A (zh) 可自适应神经网络
CN110298820A (zh) 影像分析方法、计算机设备和存储介质
US20220199254A1 (en) Universal health machine for the automatic assessment of patients
EP3905257A1 (en) Risk prediction for covid-19 patient management
US10898149B2 (en) Standardizing breast density assessments
CN111523593A (zh) 用于分析医学影像的方法和装置
US20220058482A1 (en) Meta imitation learning with structured skill discovery
CN113012803A (zh) 计算机设备、系统、可读存储介质及医学数据分析方法
JP2023551514A (ja) 生成的モデル予測における欠落している共変量からの不確実性を考慮する方法およびシステム
WO2021052150A1 (zh) 放疗计划推荐方法、装置、电子设备及存储介质
CN112397195B (zh) 用于生成体格检查模型的方法、装置、电子设备和介质
CN116091963B (zh) 临床试验机构质量评估方法、装置、电子设备及存储介质
US20100202674A1 (en) Voting in mammography processing
US11308615B1 (en) Systems and processes for improving medical diagnoses
KR20190109194A (ko) 불확정성을 모델링할 수 있는 뉴럴네트워크 학습 장치 및 방법

Legal Events

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