KR20210121615A - 수면 무호흡증 진단을 위한 기도 형태 분석 방법 및 장치 - Google Patents

수면 무호흡증 진단을 위한 기도 형태 분석 방법 및 장치 Download PDF

Info

Publication number
KR20210121615A
KR20210121615A KR1020200038645D KR20200038645D KR20210121615A KR 20210121615 A KR20210121615 A KR 20210121615A KR 1020200038645 D KR1020200038645 D KR 1020200038645D KR 20200038645 D KR20200038645 D KR 20200038645D KR 20210121615 A KR20210121615 A KR 20210121615A
Authority
KR
South Korea
Prior art keywords
airway
shape
measurement points
head
image
Prior art date
Application number
KR1020200038645D
Other languages
English (en)
Inventor
허수복
황경균
팽준영
김정환
조성주
Original Assignee
디디에이치 주식회사
한양대학교 산학협력단
사회복지법인 삼성생명공익재단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 디디에이치 주식회사, 한양대학교 산학협력단, 사회복지법인 삼성생명공익재단 filed Critical 디디에이치 주식회사
Publication of KR20210121615A publication Critical patent/KR20210121615A/ko

Links

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
    • A61B6/5217—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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4818—Sleep apnoea
    • 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
    • A61B6/46—Arrangements for interfacing with the operator or the patient
    • A61B6/461—Displaying means of special interest
    • A61B6/463—Displaying means of special interest characterised by displaying multiple images or images and diagnostic data on one display
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Theoretical Computer Science (AREA)
  • Optics & Photonics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Artificial Intelligence (AREA)
  • Epidemiology (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Primary Health Care (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Geometry (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

본 발명의 일 실시예에 따라 수면 무호흡증 진단을 위한 기도 형태 분석 방법 및 장치가 제공된다. 상기 방법은, 수진자의 두경부 영상을 획득하는 단계; 인공 신경망(artificial neural network)에 기초한 기계 학습 모듈을 이용하여, 상기 두경부 영상으로부터 기도 분석을 위한 복수의 계측점(landmark)을 검출하는 단계; 검출된 상기 계측점을 기초로, 상기 수진자의 기도 공간의 형태를 계측하는 단계; 및 계측된 상기 기도 공간의 형태에 관한 정보를 기초로, 수면 무호흡증의 중증 정도를 판독하는 단계를 포함할 수 있다.

Description

수면 무호흡증 진단을 위한 기도 형태 분석 방법 및 장치{METHOD FOR ANALYZING SHAPE OF RESPIRATORY TRACT FOR DIAGNOSIS OF SLEEP APNEA AND APPARATUS THEREOF}
본 발명은 수면 무호흡증 진단을 위한 기도 형태 분석 방법 및 장치에 관한 것으로서, 보다 구체적으로는 두경부 영상으로부터 복수의 계측점을 정확하고 신속하게 검출하고 이를 기초로 기도 공간의 형태를 분석함으로써, 수면 무호흡증을 진단할 수 있는 기도 형태 분석 방법 및 이를 이용한 장치에 관한 발명이다.
수면 무호흡은 수면 중에 일시적으로 호흡이 정지되는 현상을 말한다. 수면 무호흡이 발생하면 수면의 단절과 주간 졸림이 일어남으로써, 해당 증상을 가진 사람의 삶의 질에 심각한 악영향을 준다.
이러한 수면 무호흡 여부를 검사하기 위해서, 수면 다원검사가 이루어지고 있다. 수면 다원검사는 수면의 단계와 기능, 수면 중 발생하는 사건 등을 객관적으로 평가하는 것으로, 표준 수면 다원검사는 심전도(electrocardiography, ECG), 뇌전도(electro encephalogram, EEG), 안전도(electrooculogram,EOG), 근전도(electromyogram, EMG), 동맥의 산소 포화도, 비강 및 구강의 기류, 흉부 및 복부의 움직임, 수면자세, 혈압 등이 기록되고, 호흡 노력을 보기 위해 식도압을 추가하기도 한다. 심전도는 무호흡으로 생길 수 있는 부정맥을 관찰하기 위한 검사이다. 뇌전도, 안전도, 근전도를 통해 수면과 각성 상태를 구분할 수 있으며, 동맥의 산소포화도는 무호흡 동안에 일어나는 산소의 불포화도를 나타내는 기준이 된다. 또 비강 및 구강의 기류와 흉부 및 복부의 움직임 측정은 호흡의 노력을 통해 정상 호흡인지 중추성 또는 폐쇄성 무호흡인지 판단하는 데 이용된다. 중추성 무호흡은 기류가 없으면서 호흡노력도 없는 경우를 말하며, 폐쇄성 무호흡은 호흡 노력은 있으나 코나 입으로 기류가 나오지 않는 경우를 말한다.
이와 같은 수면 다원 검사는 수면질환의 총체적 검사법으로 좋은 진단법이지만 가격이 매우 비싸고 번거로우며, 숙련된 인력과 노력, 및 고가의 장비가 필요하다. 따라서, 대부분의 환자에게 접근이 쉽지 않다.
이러한 문제점에 대한 대안으로 다른 방법의 수면검사가 제시되고 있으며, 이를 위해 다양한 검사 장치가 개발되고 있다. 그러나, 현재 개발되고 있는 검사 장치들은 복잡한 측정 준비 과정이 필요하거나, 오차가 발생하여 진단이 정확하지 않은 단점들이 있으며, 특히 수면 무호흡의 유형을 진단할 수 없는 장치들도 있다. 특히, 수면 무호흡의 중증도 여부를 정확하게 판단하기 매우 어려운 경우가 많다.
따라서, 종래의 이러한 문제점을 해결하기 할 수 있는 수면 무호흡 진단 방법이 요구된다.
본 발명은 상기 문제점들을 해결하기 위해서 안출된 것으로서, 본 발명은 두경부 영상으로부터 복수의 계측점을 정확하고 신속하게 검출하고 이를 기초로 기도 공간의 형태를 분석함으로써, 수면 무호흡증을 진단할 수 있는 기도 형태 분석 방법 및 이를 이용한 장치를 제공하는 것을 목적으로 한다.
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재들로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 발명의 일 실시예에 따라 수면 무호흡증 진단을 위한 기도 형태 분석 방법이 제공된다. 상기 방법은, 수진자의 두경부 영상을 획득하는 단계; 인공 신경망(artificial neural network)에 기초한 기계 학습 모듈을 이용하여, 상기 두경부 영상으로부터 기도 분석을 위한 복수의 계측점(landmark)을 검출하는 단계; 검출된 상기 계측점을 기초로, 상기 수진자의 기도 공간의 형태를 계측하는 단계; 및 계측된 상기 기도 공간의 형태에 관한 정보를 기초로, 수면 무호흡증의 중증 정도를 판독하는 단계를 포함할 수 있다.
일 실시예에 따르면, 누적된 복수의 비교 영상을 포함하는 학습데이터로부터 상기 기계 학습 모듈을 학습시키는 단계를 더 포함하고, 상기 비교 영상은 전문의에 의해 상기 계측점이 판독된 다른 수진자의 두경부 영상일 수 있다.
일 실시예에 따르면, 상기 기도 공간의 형태에 관한 정보는, 기도 공간을 형성하는 연조직의 형태 및 혀의 말린 각도 중 적어도 하나에 대한 정보를 포함할 수 있다.
일 실시예에 따르면, 상기 기도 공간의 형태를 계측하는 단계는, 상기 계측점 중 적어도 일부 간의 거리, 상기 계측점 중 적어도 일부를 연결한 라인의 각도 및 상기 계측점 중 적어도 일부에 의해 정의되는 영역의 넓이 중 적어도 하나를 산출함으로써 수행될 수 있다.
일 실시예에 따르면, 상기 복수의 계측점을 검출하는 단계에서, 상기 기계 학습 모듈은 단일 합성곱 망(single convolution network)에 기초하여 상기 복수의 계측점을 검출할 수 있다.
일 실시예에 따르면, 상기 계측점 및 상기 기도 공간의 형태에 관한 정보 중 적어도 하나를 상기 두경부 영상에 중첩하여 표시하는 단계를 더 포함할 수 있다.
일 실시예에 따르면, 상기 복수의 계측점을 검출하는 단계는, 상기 복수의 계측점 각각에 대응하는 개별 해부학적 특징 중 적어도 일부가 존재하는 것으로 예상되는 경계 영역을 각각 검출하는 단계; 및 검출된 상기 경계 영역 각각에 대하여, 내부에 포함되는 소정의 지점을 상기 계측점으로 결정하는 단계를 포함할 수 있다.
일 실시예에 따르면, 상기 경계 영역을 각각 검출하는 단계에서는, 상기 경계 영역 각각에 대한 크기, 중심 좌표 및 개별 해부학적 특징의 존재 확률에 대한 정보를 검출하며, 상기 계측점으로 결정하는 단계는, 상기 경계 영역 각각의 중심 좌표를 상기 계측점으로 결정함으로써 수행될 수 있다.
본 발명의 일 실시예에 따라 수면 무호흡증 진단을 위한 기도 형태 분석 장치가 제공된다. 상기 장치는, 기도 형태 분석을 위한 프로그램을 저장하는 메모리; 및 상기 프로그램을 실행함으로써, 수진자의 두경부 영상을 획득하고, 인공 신경망(artificial neural network)에 기초한 기계 학습 모듈을 이용하여, 상기 두경부 영상으로부터 기도 분석을 위한 복수의 계측점(landmark)을 검출하며, 검출된 상기 계측점을 기초로, 상기 수진자의 기도 공간의 형태를 계측하고, 계측된 상기 기도 공간의 형태에 대한 정보를 기초로, 수면 무호흡증의 중증 정도를 판독하도록 제어하는 적어도 하나의 프로세서를 포함할 수 있다.
일 실시예에 따르면, 상기 프로세서는, 누적된 복수의 비교 영상을 포함하는 학습데이터로부터 상기 기계 학습 모듈을 학습시키도록 제어하고, 상기 비교 영상은 전문의에 의해 상기 계측점이 판독된 다른 수진자의 두경부 영상일 수 있다.
일 실시예에 따르면, 상기 기도 공간의 형태에 관한 정보는, 기도 공간을 형성하는 연조직의 형태 및 혀의 말린 각도 중 적어도 하나에 대한 정보를 포함할 수 있다.
일 실시예에 따르면, 상기 프로세서는, 상기 계측점 중 적어도 일부 간의 거리, 상기 계측점 중 적어도 일부를 연결한 라인의 각도 및 상기 계측점 중 적어도 일부에 의해 정의되는 영역의 넓이 중 적어도 하나를 산출함으로써, 상기 기도 공간의 형태를 계측하도록 제어할 수 있다.
일 실시예에 따르면, 상기 프로세서는, 단일 합성곱 망(single convolution network)에 기초하여 상기 기계 학습 모듈이 상기 복수의 계측점을 검출하도록 제어할 수 있다.
일 실시예에 따르면, 상기 프로세서는, 상기 계측점 및 상기 기도 공간의 형태에 관한 정보 중 적어도 하나를 상기 두경부 영상에 중첩하여 표시하도록 제어할 수 있다.
일 실시예에 따르면, 상기 프로세서는, 상기 복수의 계측점 각각에 대응하는 개별 해부학적 특징 중 적어도 일부가 존재하는 것으로 예상되는 경계 영역을 각각 검출하고, 검출된 상기 경계 영역 각각에 대하여, 내부에 포함되는 소정의 지점을 상기 계측점으로 결정함으로써, 상기 복수의 계측점을 검출하도록 제어할 수 있다.
일 실시예에 따르면, 상기 프로세서는, 상기 경계 영역 각각에 대한 크기, 중심 좌표 및 개별 해부학적 특징의 존재 확률에 대한 정보를 검출하고, 상기 경계 영역 각각의 중심 좌표를 상기 계측점으로 결정하도록 제어할 수 있다.
본 발명의 일 실시예에 따른 컴퓨터 프로그램 제품은, 수면 무호흡증 진단을 위한 기도 형태 분석 방법을 실행하도록 하는 프로그램이 저장된 기록매체를 포함할 수 있다.
본 발명에 따르면, 인공 신경망에 기반한 기계 학습을 이용하여 기도 공간을 정의하는 복수의 계측점을 검출하고, 이를 기초로 기도 공간의 형태를 분석함으로써, 수면 무호흡증을 신속하고 정확하게 진단할 수 있다.
본 발명의 상세한 설명에서 인용되는 도면을 보다 충분히 이해하기 위하여 각 도면의 간단한 설명이 제공된다.
도 1은 본 발명의 일 실시예에 따른 수면 무호흡증 진단을 위한 기도 형태 분석 시스템을 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 수면 무호흡증 진단을 위한 기도 형태 분석 시스템의 동작 과정을 나타내는 순서도이다.
도 3은 본 발명의 일 실시예에 따른 수면 무호흡증 진단을 위한 기도 형태 분석 장치의 동작 방법을 나타내는 순서도이다.
도 4는 본 발명의 일 실시예에 따른 수면 무호흡증 진단을 위한 기도 형태 분석 장치의 동작 방법을 나타내는 순서도이다.
도 5는 도 4의 S420 단계의 일 실시예를 도시한다.
도 6 및 도 7은 본 발명의 일 실시예에 따른 수면 무호흡증 진단을 위한 기도 형태 분석 장치의 예시적인 동작을 도시한다.
도 8은 본 발명의 일 실시예에 따른 수면 무호흡증 진단을 위한 기도 형태 분석 장치의 구성을 나타내는 블록도이다.
본 발명의 기술적 사상은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 이를 상세히 설명하고자 한다. 그러나, 이는 본 발명의 기술적 사상을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 기술적 사상의 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
본 발명의 기술적 사상을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 발명의 설명 과정에서 이용되는 숫자(예를 들어, 제1, 제2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.
또한, 본 발명에서, 일 구성요소가 다른 구성요소와 "연결된다" 거나 "접속된다" 등으로 언급된 때에는, 상기 일 구성요소가 상기 다른 구성요소와 직접 연결되거나 또는 직접 접속될 수도 있지만, 특별히 반대되는 기재가 존재하지 않는 이상, 중간에 또 다른 구성요소를 매개하여 연결되거나 또는 접속될 수도 있다고 이해되어야 할 것이다.
또한, 본 발명에 기재된 "~부", "~기", "~자", "~모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 프로세서(Processor), 마이크로 프로세서(Micro Processer), 마이크로 컨트롤러(Micro Controller), CPU(Central Processing Unit), GPU(Graphics Processing Unit), APU(Accelerate Processor Unit), DSP(Digital Signal Processor), ASIC(Application Specific Integrated Circuit), FPGA(Field Programmable Gate Array) 등과 같은 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
그리고 본 발명에서의 구성부들에 대한 구분은 각 구성부가 담당하는 주기능 별로 구분한 것에 불과함을 명확히 하고자 한다. 즉, 이하에서 설명할 2개 이상의 구성부가 하나의 구성부로 합쳐지거나 또는 하나의 구성부가 보다 세분화된 기능별로 2개 이상으로 분화되어 구비될 수도 있다. 그리고 이하에서 설명할 구성부 각각은 자신이 담당하는 주기능 이외에도 다른 구성부가 담당하는 기능 중 일부 또는 전부의 기능을 추가적으로 수행할 수도 있으며, 구성부 각각이 담당하는 주기능 중 일부 기능이 다른 구성부에 의해 전담되어 수행될 수도 있음은 물론이다.
이하, 본 발명의 실시예들을 차례로 상세히 설명한다.
도 1은 본 발명의 일 실시예에 따른 수면 무호흡증 진단을 위한 기도 형태 분석 시스템을 설명하기 위한 도면이고, 도 2는 본 발명의 일 실시예에 따른 수면 무호흡증 진단을 위한 기도 형태 분석 시스템의 동작 과정을 나타내는 순서도이다.
먼저, 도 1을 참조하면, 일 실시예에 따른 수면 무호흡증 진단을 위한 기도 형태 분석 시스템은 단말(10,…,N), 장치(20), 데이터 베이스 서버(30) 및 네트워크(40)를 포함하여 동작할 수 있다.
여기서, 단말(10,…,N)은 수면 무호흡증 진단을 요청하는 의뢰인(병원, 의사, 수진자 등)이 네트워크에 접속하기 위하여 사용하는 장치일 수 있다. 단말(10,…,N)은 네트워크(40)에 접속할 수 있는 모든 장치를 포함할 수 있다. 예를 들어, 단말(10,…,N)은 스마트폰, 태블릿, PC, 노트북, 가전 디바이스, 의료 디바이스, 카메라 및 웨어러블 장치 등을 포함할 수 있다.
장치(20)는 네트워크(40)를 통해 클라이언트에게 수면 무호흡증 진단을 제공하기 위한 컴퓨팅 자원, 저장 자원 등을 제공한다. 여기서, 클라이언트는 단말(10,…,N)을 포함할 수 있다. 일 실시예에서, 장치(20)는 애플리케이션 서버, 제어 서버, 데이터 저장 서버, 특정 기능을 제공하기 위한 서버 등 다양한 종류의 서버를 포함할 수 있다. 또한, 장치(20)는 프로세스를 단독으로 처리할 수도 있고, 복수의 서버가 같이 프로세스를 처리할 수도 있다.
데이터 베이스 서버(30)는 시스템에 필요한 데이터(예를 들어, 비교 영상 등)를 저장한다. 일 실시예에서, 데이터 베이스 서버(30)는 장치(20)의 일부일 수 있으며, 도 1에 도시한 것과 장치(20)와 분리되어 운용될 수도 있다.
네트워크(40)는 인터넷(internet), 인트라넷(intranet), 엑스트라넷(extranet), LAN(Local Area Network), MAN(Metropolitan Area Network), WAN(Wide Area Network) 등 단말(10,…,N), 장치(20)와 데이터 베이스 서버(30)가 접속할 수 있는 모든 네트워크를 포함할 수 있다.
이어서, 도 2를 참조하면, 210 단계에서, 장치(20)는 데이터 베이스 서버(30)로부터 복수의 비교 영상을 포함하는 학습데이터를 수신할 수 있다. 일 실시예에서, 비교 영상은 전문의에 의해 계측점(landmark)이 판독된 복수의 수진자의 두경부를 촬영한 두경부 영상일 수 있으며, 예를 들어, 두경부 측면 방사선 영상(cephalogram)일 수 있다. 또한, 여기서, 계측점은 기도 공간의 형태를 정의하기 위하여 사용되는 해부학적 기준점을 지칭하는 것으로서, 본 발명에 따르면, 이러한 계측점을 기초로 수진자의 기도 공간의 형태를 분석함으로써 수면 무호흡증의 중증 정도를 판독할 수 있다. 예를 들어, 계측점은 기도 공간을 형성하는, 구강인두(oropharynx), 코인두(nasopharynx) 등의 연조직의 형태, 혀의 형태 등을 정의하기 위한 계측점을 포함할 수 있다.
이어서, 220 단계에서, 장치(20)는 학습데이터를 기초로 기계 학습 모듈(machine learning module)로 하여금 복수의 계측점에 대응하는 해부학적 특징을 학습하도록 할 수 있다. 일 실시예에서, 기계 학습 모듈은 인공 신경망(artificial neural network)에 의해 구현될 수 있다.
이어서, 230 단계에서, 단말(10)은 장치(20)로 수진자의 두경부 영상을 전송함으로써, 수진자의 수면 무호흡증에 대한 진단을 요청할 수 있다.
이어서, 240 단계 및 250 단계에서, 장치(20)는 기계 학습 모듈을 통해 수신된 두경부 영상으로부터 복수의 계측점을 검출하고, 검출된 계측점을 기초로 기도 공간의 형태를 계측할 수 있다. 일 실시예에서, 계측된 기도 공간의 형태에 관한 정보에는, 기도 공간을 정의하는 조직 등의 길이, 너비, 넓이, 각도 등의 정보가 포함될 수 있다.
이어서, 260 단계에서, 장치(20)는 계측된 기도 공간의 형태에 기초하여 수면 무호흡증의 중증 정도를 판독할 수 있다. 예를 들어, 장치(20)는 특정 조직의 길이, 각도, 너비 등에 기초하여 수진자의 수면 무호흡증의 중증 정도를 복수의 등급으로 분류할 수 있다.
이어서, 270 단계에서, 장치(20)는 판독 결과를 단말(10)로 전송함으로써, 단말(10)에 수진자의 수면 무호흡증에 대한 진단 결과를 표시할 수 있다. 일 실시예에서, 진단 결과는 수진자의 두경부 영상에 중첩하여 표시될 수 있다.
도 3은 본 발명의 일 실시예에 따른 수면 무호흡증 진단을 위한 기도 형태 분석 장치의 동작 방법을 나타내는 순서도이다. 구체적으로, 도 3 은 기도 형태 분석 장치에 있어서, 기계 학습 모듈이 복수의 계측점에 대한 학습을 하는 동작 방법을 도시한다.
310 단계에서, 기도 형태 분석 장치는 복수의 비교 영상을 포함하는 학습데이터를 획득할 수 있다. 일 실시예에서, 비교 영상은 전문의에 의해 계측점이 판독된 복수의 수진자의 두경부를 촬영한 두경부 영상일 수 있다.
일 실시예에서, 비교 영상 및/또는 학습데이터는 외부의 데이터 베이스 서버로부터 수신될 수 있다. 또한, 일 실시예에서, 비교 영상은 이하 상술되는 기계 학습 모듈의 학습 정확도를 높이기 위하여, 동일 또는 대응하는 사이즈 및 해상도의 영상으로 리사이징된 영상일 수 있다.
320 단계에서, 기도 형태 분석 장치는 획득된 학습데이터를 기초로 기계 학습 모듈을 학습시킬 수 있다. 여기서, 기계 학습 모듈은 비교 영상으로부터 검출 객체에 대한 특징을 전체로써 학습하고, 이후, 입력 영상으로부터 복수의 객체를 동시에 검출 가능하도록 구현된 것으로서, 인공 신경망(artificial neural network), 특히, 합성곱 신경망(CNN, convolution neural network) 또는 이를 변형/개량한 인공 신경망에 기초하여 구현될 수 있다. 일 실시예에서, 기계 학습 모듈은 입력된 전체 영상으로부터 복수 객체에 대한 동시 검출이 가능하도록 단일 합성곱 망(single convolution network)으로 구현될 수 있다.
예를 들어, YOLO(you only look once) 알고리즘에 의해 구현된 인공 신경망이 적용될 수 있으나, 이에 한정하는 것은 아니며, 본 발명이 적용되는 실시예에 따라, SSD, R-CNN, Mask R-CNN 등 복수의 객체 검출에 적합한 다양한 알고리즘 또는 인공 신경망이 적용될 수 있다.
기계 학습 모듈은 복수의 합성곱 레이어(convolutional layer)와 완전 연결 레이어(fully connected layer)를 포함할 수 있다. 여기서, 복수의 합성곱 레이어는 영상을 적어도 1 이상의 레벨로 추상화하여 특징을 추출하고, 완전 연결 레이어는 검출 객체의 출력 확률과 이의 좌표를 예측하도록 구현될 수 있다.
도 4는 본 발명의 일 실시예에 따른 수면 무호흡증 진단을 위한 기도 형태 분석 장치의 동작 방법을 나타내는 순서도이고, 도 5는 도 4의 S420 단계의 일 실시예를 도시한다.
410 단계에서, 기도 형태 분석 장치는 수진자의 두경부 영상을 획득할 수 있다. 일 실시예에서, 수진자의 두경부 영상은 유, 무선 통신을 통해 연결된 외부의 단말로부터 수신될 수 있다. 즉, 예를 들어, 수면 무호흡증 진단을 요청하는 의뢰인(병원, 의사, 수진자 등)은 자신의 단말 또는 서버를 이용하여 본인 또는 수진자의 두경부 영상을 기도 형태 분석 장치에 전송(또는, 업로드)할 수 있다. 또한, 일 실시예에서, 수진자의 두경부 영상은 기도 형태 분석 장치와 연결된 영상 촬영 장치로부터 직접 획득될 수 있다.
420 단계에서, 기도 형태 분석 장치는 수진자의 두경부 영상으로부터 기도 분석을 위한 복수의 계측점(landmark)을 검출할 수 있다. 즉, 도 3을 참조하여 상술한 바와 같이, 복수의 비교 영상을 학습한 기계 학습 모듈은 수진자의 두경부 영상을 입력받아 이를 기초로 복수의 계측점을 검출할 수 있다.
일 실시예에서, 420 단계는 422 단계 내지 426 단계를 포함할 수 있다.
422 단계에서, 기도 형태 분석 장치는 두경부 영상을 리사이징(resizing)할 수 있다. 즉, 기도 형태 분석 장치는 수진자의 두경부 영상을 기계 학습 모듈이 기학습한 비교 영상과 동일한 스케일 또는 비율로 확대 또는 축소할 수 있다. 이를 통해, 기계 학습 모듈의 검출 정확도를 보다 향상시킬 수 있게 된다.
424 단계에서, 기도 형태 분석 장치는 누적된 복수의 비교 영상에 대한 학습 결과를 기초로, 수진자의 두경부 영상에서 복수의 계측점 각각에 대응하는 개별 해부학적 특징 중 적어도 일부가 존재하는 것으로 예측되는 복수의 경계 영역 (또는, 경계 박스(boundary box))를 검출하고, 각각의 경계 영역 내에 개별 해부학적 특징 각각의 존재 확률을 산출할 수 있다. 여기서, 경계 영역은 YOLO 등의 단일 합성곱 망(single convolution network)에서 영상 전체에 대하여 추상화를 수행하고, 이로부터 개별 특징(또는, 객체)를 동시 검출하기 위하여 사용되는 것으로서, 예를 들어, 기계 학습 모듈은, 두경부 영상을 복수의 그리드(grid)로 분할하고, 각각의 그리드 셀(grid cell)에 대하여, 해당 그리드 셀을 중심 좌표로 하는 적어도 하나의 경계 영역을 생성 또는 할당하고, 경계 영역으로 하여금 각각의 그리드 셀의 신뢰도를 기초로 검출 대상인 특징의 존재 여부를 검출하도록 구현될 수 있다.
일 실시예에서, 424 단계는 영상의 추상화 정도에 따라 복수의 단계의 검출을 통해 수행될 수 있다. 즉, 수진자의 두경부 영상은 기계 학습 모듈에 포함되는 복수의 합성곱 레이어(convolution layer)를 거치면서 상이한 레벨로 추상화되며, 기계 학습 모듈은 상이한 3개의 추상화 레벨에서 개별 해부학적 특징을 포함하는 경계 영역에 대한 검출 및 개별 해부학적 특징의 존재 확률의 산출을 수행하도록 구현될 수 있다.
424 단계 수행 결과, 경계 영역 각각에 대하여 해당 영역의 중심 좌표(즉, 각각의 그리드 셀 내에서의 경계 영역 중심의 상대 좌표), 크기, 각각의 개별 해부학적 특징의 존재 확률에 대한 정보가 출력값으로 생성될 수 있다.
또한, 일 실시예에서, 기도 형태 분석 장치는 개별 해부학적 특징의 존재 확률을 기초로 경계 영역에 대한 필터링을 수행할 수 있다. 예를 들어, 424 단계에서 3 단계의 검출을 적용하여 하나의 개별 해부학적 특징에 대하여 2이상의 경계 영역이 검출되는 경우, 기도 형태 분석 장치는 존재 확률에 기초하여 상기 복수의 경계 영역 중에서 존재 확률이 높은 하나를 해당 개별 해부학적 특징이 존재하는 경계 영역으로 선택할 수 있다.
426 단계에서, 기도 형태 분석 장치는, 검출된 경계 영역 또는 이들 중으로부터 선택된 경계 영역 내의 일 지점을 계측점의 좌표로 결정할 수 있다. 예를 들어, 기도 형태 분석 장치는 각각의 개별 해부학적 특징에 대응하여 검출된 경계 영역의 중심 좌표를 계측점의 좌표로 결정할 수 있다.
430 단계에서, 기도 형태 분석 장치는, 계측점을 기초로 수진자의 기도 공간의 형태를 계측할 수 있다. 예를 들어, 기도 형태 분석 장치는, 계측점을 이용하여, 수진자의 기도 공간을 정의하는 연조직, 혀 등을 식별하고, 계측점 중 적어도 일부 간의 거리, 계측점 중 적어도 일부를 연결한 라인의 각도 및 계측점 중 적어도 일부에 의해 정의되는 영역의 넓이 중 적어도 하나를 산출함으로써, 연조직의 너비, 길이, 혀 등의 말린 각도 등을 계측할 수 있다.
440 단계에서, 기도 형태 분석 장치는, 기도 공간의 형태에 관한 정보를 기초로 수면 무호흡증의 중증 정도를 판독할 수 있다. 예를 들어, 기도 형태 분석 장치는, 계측된 구강인두 또는 코인두의 길이, 너비 및/또는 넓이를 기준으로 수면 무호흡증의 중증 정도를 판독하거나, 이에 더하여 혀의 말린 각도 등을 더 고려하여 수면 무호흡증의 중증 정도를 판독할 수 있다. 일 실시예에서, 수면 무호흡의 중증 정도는 수면의 깊이, 정도 등과 연관된 복수의 등급으로 분류될 수 있다.
450 단계에서, 기도 형태 분석 장치는, 검출된 계측점 중 적어도 일부, 계측된 기도 공간의 형태에 관한 정보 및/또는 수면 무호흡증에 대한 판독 결과를 두경부 영상과 중첩하여 표시할 수 있다. 예를 들어, 기도 형태 분석 장치는, 계측점, 기도 공간의 형태에 관한 정보 및/또는 수면 무호흡증에 대한 판독 결과가 두경부 영상의 소정의 지점에 각각 표시되도록 이를 좌표를 매핑하여 의뢰자의 단말로 전송함으로써, 이들이 수진자의 두경부 영상에 중첩되어 표시되게 할 수 있다.
한편, 도 4에서는 계측점에 대한 표시가 440 단계 이후에 수행되는 것으로 도시되어 있으나, 이는 예시적인 것으로, 실시예에 따라, 420 단계를 통해 계측점이 검출되면, 바로 이에 대한 정보를 단말로 전송하도록 구현될 수 있다.
도 6 및 도 7은 본 발명의 일 실시예에 따른 수면 무호흡증 진단을 위한 기도 형태 분석 장치의 예시적인 동작을 도시한다.
도 6 및 도 7을 참조하면, 기도 형태 분석 장치는, 기도 형태의 분석을 위해 검출된 복수의 계측점을 수진자의 두경부 영상에 표시하거나, 이에 더하여, 계측된 기도 공간의 형태에 관한 정보와 이를 기초로 판독된 수면 무호흡증의 중증 정도에 관한 정보를 수진자의 두경부 영상에 표시할 수 있다.
예를 들어, 도 6 및 도 7에서 도시되는 바와 같이, 구강인두, 코인두 등의 연조직, 혀 등의 형태가 복수의 계측점(P1 내지 P6, SP1 내지 SP8 등)에 의하여 정의될 수 있으며, 계측점 간의 거리 및/또는 각도, 계측점으로 정의되는 연조직 등의 넓이 등과 같이, 수면 무호흡증을 판독하기 위한 다양한 인자들에 대한 계측 값들이 수진자의 두경부 영상에 중첩하여 표시될 수 있다.
도 8은 본 발명의 일 실시예에 따른 수면 무호흡증 진단을 위한 기도 형태 분석 장치의 구성을 나타내는 블록도이다.
도 8에 도시된 바와 같이, 기도 형태 분석 장치는 통신부(810), 메모리(820) 및 프로세서(830)를 포함할 수 있다. 다만, 구성 요소가 전술한 예에 한정되는 것은 아니다. 예를 들어, 기도 형태 분석 장치는 전술한 구성 요소보다 더 많은 구성 요소를 포함하거나 더 적은 구성 요소를 포함할 수 있다. 뿐만 아니라, 통신부(810), 메모리(820), 프로세서(830)가 하나의 칩(Chip) 형태로 구현될 수도 있다.
통신부(810)는 외부 장치와 신호를 송수신할 수 있다. 외부 장치와 송수신하는 신호는 제어 정보와 데이터를 포함할 수 있다. 이때, 외부 장치는 단말(10), 데이터 베이스 서버(30) 등을 포함할 수 있다. 통신부(810)는 유무선 통신부를 모두 포함할 수 있다. 또한, 통신부(810)는 유무선 채널을 통해 신호를 수신하여 프로세서(830)로 출력하고, 프로세서(830)로부터 출력된 신호를 유무선 채널을 통해 전송할 수 있다.
메모리(820)는 기도 형태 분석 장치의 동작에 필요한 프로그램 및 데이터를 저장할 수 있다. 일 실시예에서, 메모리(820)는 기도 형태 분석 장치가 송수신하는 신호에 포함된 제어 정보 또는 데이터를 저장할 수 있다. 메모리(820)는 롬(ROM), 램(RAM), 하드디스크, CD-ROM 및 DVD 등과 같은 저장 매체 또는 저장 매체들의 조합으로 구성될 수 있다. 또한, 메모리(820)는 복수 개일 수 있다 일 실시예에 따르면, 메모리(820)는 전술한 본 발명의 실시예들인 기도 형태 분석 장치의 동작을 수행하기 위한 프로그램을 저장할 수 있다.
프로세서(830)는 상술한 본 발명의 실시예에 따라 기도 형태 분석 장치가 동작하는 일련의 과정을 제어할 수 있다. 예를 들면, 일 실시예에 따르는 동작을 수행하도록 기도 형태 분석 장치의 구성요소들을 제어할 수 있다. 프로세서(830)는 복수 개일 수 있으며, 프로세서(830)는 메모리(820)에 저장된 프로그램을 실행함으로써 기도 형태 분석 장치의 동작을 수행할 수 있다.
일 실시예에서, 프로세서(830)는, 수진자의 두경부 영상을 획득하고, 인공 신경망(artificial neural network)에 기초한 기계 학습 모듈을 이용하여, 두경부 영상으로부터 기도 분석을 위한 복수의 계측점을 검출하며, 검출된 계측점을 기초로, 수진자의 기도 공간의 형태를 계측하고, 계측된 기도 공간의 형태에 대한 정보를 기초로, 수면 무호흡증의 중증 정도를 판독하도록 제어할 수 있다.
일 실시예에서, 프로세서(830)는, 누적된 복수의 비교 영상을 포함하는 학습데이터로부터 기계 학습 모듈을 학습시키도록 제어할 수 있다.
일 실시예에서, 프로세서(830)는, 계측점 중 적어도 일부 간의 거리, 계측점 중 적어도 일부를 연결한 라인의 각도 및 계측점 중 적어도 일부에 의해 정의되는 영역의 넓이 중 적어도 하나를 산출함으로써, 기도 공간의 형태를 계측하도록 제어할 수 있다.
일 실시예에서, 프로세서(830)는, 단일 합성곱 망에 기초하여 기계 학습 모듈이 복수의 계측점을 검출하도록 제어할 수 있다.
일 실시예에서, 프로세서(830)는, 계측점 및 기도 공간의 형태에 관한 정보 중 적어도 하나를 두경부 영상에 중첩하여 표시하도록 제어할 수 있다.
일 실시예에서, 프로세서(830)는, 복수의 계측점 각각에 대응하는 개별 해부학적 특징 중 적어도 일부가 존재하는 것으로 예상되는 경계 영역을 각각 검출하고, 검출된 경계 영역 각각에 대하여, 내부에 포함되는 소정의 지점을 계측점으로 결정함으로써, 복수의 계측점을 검출하도록 제어할 수 있다.
일 실시예에서, 프로세서(830)는, 경계 영역 각각에 대한 크기, 중심 좌표 및 개별 해부학적 특징의 존재 확률에 대한 정보를 검출하고, 경계 영역 각각의 중심 좌표를 계측점으로 결정하도록 제어할 수 있다.
일 실시예에 따른 수면 무호흡증 진단을 위한 기도 형태 분석 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
또한, 개시된 실시예들에 따른 수면 무호흡증 진단을 위한 기도 분석 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다.
컴퓨터 프로그램 제품은 S/W 프로그램, S/W 프로그램이 저장된 컴퓨터로 읽을 수 있는 저장 매체를 포함할 수 있다. 예를 들어, 컴퓨터 프로그램 제품은 전자 장치의 제조사 또는 전자 마켓(예, 구글 플레이 스토어, 앱 스토어)을 통해 전자적으로 배포되는 S/W 프로그램 형태의 상품(예, 다운로더블 앱)을 포함할 수 있다. 전자적 배포를 위하여, S/W 프로그램의 적어도 일부는 저장 매체에 저장되거나, 임시적으로 생성될 수 있다. 이 경우, 저장 매체는 제조사의 서버, 전자 마켓의 서버, 또는 SW 프로그램을 임시적으로 저장하는 중계 서버의 저장매체가 될 수 있다.
컴퓨터 프로그램 제품은, 서버 및 클라이언트 장치로 구성되는 시스템에서, 서버의 저장매체 또는 클라이언트 장치의 저장매체를 포함할 수 있다. 또는, 서버 또는 클라이언트 장치와 통신 연결되는 제3 장치(예, 스마트폰)가 존재하는 경우, 컴퓨터 프로그램 제품은 제3 장치의 저장매체를 포함할 수 있다. 또는, 컴퓨터 프로그램 제품은 서버로부터 클라이언트 장치 또는 제3 장치로 전송되거나, 제3 장치로부터 클라이언트 장치로 전송되는 S/W 프로그램 자체를 포함할 수 있다.
이 경우, 서버, 클라이언트 장치 및 제3 장치 중 하나가 컴퓨터 프로그램 제품을 실행하여 개시된 실시예들에 따른 방법을 수행할 수 있다. 또는, 서버, 클라이언트 장치 및 제3 장치 중 둘 이상이 컴퓨터 프로그램 제품을 실행하여 개시된 실시예들에 따른 방법을 분산하여 실시할 수 있다.
예를 들면, 서버(예로, 클라우드 서버 또는 인공 지능 서버 등)가 서버에 저장된 컴퓨터 프로그램 제품을 실행하여, 서버와 통신 연결된 클라이언트 장치가 개시된 실시예들에 따른 방법을 수행하도록 제어할 수 있다.
이상에서 실시예들에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속한다.

Claims (16)

  1. 수면 무호흡증 진단을 위한 기도 형태 분석 방법으로서,
    수진자의 두경부 영상을 획득하는 단계;
    인공 신경망(artificial neural network)에 기초한 기계 학습 모듈을 이용하여, 상기 두경부 영상으로부터 기도 분석을 위한 복수의 계측점(landmark)을 검출하는 단계;
    검출된 상기 계측점을 기초로, 상기 수진자의 기도 공간의 형태를 계측하는 단계; 및
    계측된 상기 기도 공간의 형태에 관한 정보를 기초로, 수면 무호흡증의 중증 정도를 판독하는 단계를 포함하는, 방법.
  2. 제 1 항에 있어서,
    누적된 복수의 비교 영상을 포함하는 학습데이터로부터 상기 기계 학습 모듈을 학습시키는 단계를 더 포함하고,
    상기 비교 영상은 전문의에 의해 상기 계측점이 판독된 다른 수진자의 두경부 영상인, 방법.
  3. 제 1 항에 있어서,
    상기 기도 공간의 형태에 관한 정보는, 기도 공간을 형성하는 연조직의 형태 및 혀의 말린 각도 중 적어도 하나에 대한 정보를 포함하는, 방법.
  4. 제 1 항에 있어서,
    상기 기도 공간의 형태를 계측하는 단계는,
    상기 계측점 중 적어도 일부 간의 거리, 상기 계측점 중 적어도 일부를 연결한 라인의 각도 및 상기 계측점 중 적어도 일부에 의해 정의되는 영역의 넓이 중 적어도 하나를 산출함으로써 수행되는, 방법.
  5. 제 1 항에 있어서,
    상기 복수의 계측점을 검출하는 단계에서, 상기 기계 학습 모듈은 단일 합성곱 망(single convolution network)에 기초하여 상기 복수의 계측점을 검출하는, 방법.
  6. 제 1 항에 있어서,
    상기 계측점 및 상기 기도 공간의 형태에 관한 정보 중 적어도 하나를 상기 두경부 영상에 중첩하여 표시하는 단계를 더 포함하는, 방법.
  7. 제 1 항에 있어서,
    상기 복수의 계측점을 검출하는 단계는,
    상기 복수의 계측점 각각에 대응하는 개별 해부학적 특징 중 적어도 일부가 존재하는 것으로 예상되는 경계 영역을 각각 검출하는 단계; 및
    검출된 상기 경계 영역 각각에 대하여, 내부에 포함되는 소정의 지점을 상기 계측점으로 결정하는 단계를 포함하는, 방법.
  8. 제 7 항에 있어서,
    상기 경계 영역을 각각 검출하는 단계에서는,
    상기 경계 영역 각각에 대한 크기, 중심 좌표 및 개별 해부학적 특징의 존재 확률에 대한 정보를 검출하며,
    상기 계측점으로 결정하는 단계는,
    상기 경계 영역 각각의 중심 좌표를 상기 계측점으로 결정함으로써 수행되는, 방법.
  9. 수면 무호흡증 진단을 위한 기도 형태 분석 장치에 있어서,
    기도 형태 분석을 위한 프로그램을 저장하는 메모리; 및
    상기 프로그램을 실행함으로써, 수진자의 두경부 영상을 획득하고, 인공 신경망(artificial neural network)에 기초한 기계 학습 모듈을 이용하여, 상기 두경부 영상으로부터 기도 분석을 위한 복수의 계측점(landmark)을 검출하며, 검출된 상기 계측점을 기초로, 상기 수진자의 기도 공간의 형태를 계측하고, 계측된 상기 기도 공간의 형태에 대한 정보를 기초로, 수면 무호흡증의 중증 정도를 판독하도록 제어하는 적어도 하나의 프로세서를 포함하는, 장치.
  10. 제 9 항에 있어서,
    상기 프로세서는, 누적된 복수의 비교 영상을 포함하는 학습데이터로부터 상기 기계 학습 모듈을 학습시키도록 제어하고,
    상기 비교 영상은 전문의에 의해 상기 계측점이 판독된 다른 수진자의 두경부 영상인, 장치.
  11. 제 9 항에 있어서,
    상기 기도 공간의 형태에 관한 정보는, 기도 공간을 형성하는 연조직의 형태 및 혀의 말린 각도 중 적어도 하나에 대한 정보를 포함하는, 장치.
  12. 제 9 항에 있어서,
    상기 프로세서는, 상기 계측점 중 적어도 일부 간의 거리, 상기 계측점 중 적어도 일부를 연결한 라인의 각도 및 상기 계측점 중 적어도 일부에 의해 정의되는 영역의 넓이 중 적어도 하나를 산출함으로써, 상기 기도 공간의 형태를 계측하도록 제어하는, 장치.
  13. 제 9 항에 있어서,
    상기 프로세서는, 단일 합성곱 망(single convolution network)에 기초하여 상기 기계 학습 모듈이 상기 복수의 계측점을 검출하도록 제어하는, 장치.
  14. 제 9 항에 있어서,
    상기 프로세서는, 상기 계측점 및 상기 기도 공간의 형태에 관한 정보 중 적어도 하나를 상기 두경부 영상에 중첩하여 표시하도록 제어하는, 장치.
  15. 제 9 항에 있어서,
    상기 프로세서는, 상기 복수의 계측점 각각에 대응하는 개별 해부학적 특징 중 적어도 일부가 존재하는 것으로 예상되는 경계 영역을 각각 검출하고, 검출된 상기 경계 영역 각각에 대하여, 내부에 포함되는 소정의 지점을 상기 계측점으로 결정함으로써, 상기 복수의 계측점을 검출하도록 제어하는, 장치.
  16. 제 15 항에 있어서,
    상기 프로세서는, 상기 경계 영역 각각에 대한 크기, 중심 좌표 및 개별 해부학적 특징의 존재 확률에 대한 정보를 검출하고, 상기 경계 영역 각각의 중심 좌표를 상기 계측점으로 결정하도록 제어하는, 장치.
KR1020200038645D 2020-03-30 2020-03-30 수면 무호흡증 진단을 위한 기도 형태 분석 방법 및 장치 KR20210121615A (ko)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200038645A KR102321991B1 (ko) 2020-03-30 2020-03-30 수면 무호흡증 진단을 위한 기도 형태 분석 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20210121615A true KR20210121615A (ko) 2021-10-08

Family

ID=78505044

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020200038645A KR102321991B1 (ko) 2020-03-30 2020-03-30 수면 무호흡증 진단을 위한 기도 형태 분석 방법 및 장치
KR1020200038645D KR20210121615A (ko) 2020-03-30 2020-03-30 수면 무호흡증 진단을 위한 기도 형태 분석 방법 및 장치

Family Applications Before (1)

Application Number Title Priority Date Filing Date
KR1020200038645A KR102321991B1 (ko) 2020-03-30 2020-03-30 수면 무호흡증 진단을 위한 기도 형태 분석 방법 및 장치

Country Status (1)

Country Link
KR (2) KR102321991B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230125967A (ko) * 2022-02-22 2023-08-29 경희대학교 산학협력단 콘빔 컴퓨터 단층촬영(cbct) 영상을 이용한 인두 기도 분할 장치 및 그 방법

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230037420A (ko) 2021-09-09 2023-03-16 주식회사 비트센싱 레이더를 이용하여 수면 호흡을 분석하는 장치, 방법 및 컴퓨터 프로그램
KR20230087300A (ko) 2021-12-09 2023-06-16 주식회사 비트센싱 레이더를 이용하여 병증을 판단하는 장치, 방법 및 컴퓨터 프로그램
KR20230133196A (ko) 2022-03-10 2023-09-19 주식회사 비트센싱 레이더를 이용하여 수면 이벤트를 판단하는 장치, 방법 및 컴퓨터 프로그램
KR20230133198A (ko) 2022-03-10 2023-09-19 주식회사 비트센싱 수면 질을 점수화하는 장치, 방법 및 컴퓨터 프로그램

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230125967A (ko) * 2022-02-22 2023-08-29 경희대학교 산학협력단 콘빔 컴퓨터 단층촬영(cbct) 영상을 이용한 인두 기도 분할 장치 및 그 방법

Also Published As

Publication number Publication date
KR102321991B1 (ko) 2021-11-03

Similar Documents

Publication Publication Date Title
KR102321991B1 (ko) 수면 무호흡증 진단을 위한 기도 형태 분석 방법 및 장치
Barbosa Pereira et al. Estimation of breathing rate in thermal imaging videos: a pilot study on healthy human subjects
KR101535432B1 (ko) 콘텐츠 평가 시스템 및 이를 이용한 콘텐츠 평가 방법
Cuendet et al. Facial image analysis for fully automatic prediction of difficult endotracheal intubation
US20150002538A1 (en) Ultrasound image display method and apparatus
EP2925227B1 (en) Analysis of breathing data
KR102272413B1 (ko) 관상동맥 혈관조영술 기반의 기계 학습을 통한 허혈 병변 정보 제공 장치, 정보 제공 방법 및 이의 기록매체
US11996182B2 (en) Apparatus and method for medical image reading assistant providing representative image based on medical use artificial neural network
US11224404B2 (en) Information processing apparatus, information processing method, and non-transitory computer-readable storage medium
Addison et al. Continuous respiratory rate monitoring during an acute hypoxic challenge using a depth sensing camera
JP7216408B2 (ja) 睡眠時無呼吸症候群判定装置、睡眠時無呼吸症候群判定方法および睡眠時無呼吸症候群判定プログラム
KR102403076B1 (ko) 수면다원검사 장치 및 이의 검사 방법
JP2012205693A (ja) 呼吸音解析装置、呼吸音解析方法、および呼吸音解析プログラム
Sarlabous et al. Development and validation of a sample entropy-based method to identify complex patient-ventilator interactions during mechanical ventilation
US20230090858A1 (en) Analysis of pleural lines for the diagnosis of lung conditions
Talukdar et al. Evaluation of a camera-based monitoring solution against regulated medical devices to measure heart rate, respiratory rate, oxygen saturation, and blood pressure
TWI748485B (zh) 一種資訊處理系統及其方法
TWI756793B (zh) 一種通道資訊處理系統
US11890078B2 (en) System and method for conducting on-device spirometry test
Garde et al. Detecting obstructive sleep apnea in children by self-affine visualization of oximetry
KR102686873B1 (ko) 상기도 폐쇄 패턴 분석 장치, 및 상기도 폐쇄 패턴 분석 방법
Rihar et al. Sensory data fusion of pressure mattress and wireless inertial magnetic measurement units
TWI772086B (zh) 使用全卷積神經網路之呼吸暫停與不足事件偵測方法
US20210166378A1 (en) Medical image analysis system, storage medium, and medical image analysis method
US20230293113A1 (en) System and method of estimating vital signs of user using artificial intelligence