KR20210124720A - Diagnosis system for detecting AI virus based on artificial intelligence - Google Patents

Diagnosis system for detecting AI virus based on artificial intelligence Download PDF

Info

Publication number
KR20210124720A
KR20210124720A KR1020200042107A KR20200042107A KR20210124720A KR 20210124720 A KR20210124720 A KR 20210124720A KR 1020200042107 A KR1020200042107 A KR 1020200042107A KR 20200042107 A KR20200042107 A KR 20200042107A KR 20210124720 A KR20210124720 A KR 20210124720A
Authority
KR
South Korea
Prior art keywords
avian influenza
infected
influenza virus
sample
module
Prior art date
Application number
KR1020200042107A
Other languages
Korean (ko)
Inventor
이석
이준석
우덕하
황준호
임나현
이상로
Original Assignee
한국과학기술연구원
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 한국과학기술연구원 filed Critical 한국과학기술연구원
Priority to KR1020200042107A priority Critical patent/KR20210124720A/en
Publication of KR20210124720A publication Critical patent/KR20210124720A/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/483—Physical analysis of biological material
    • G01N33/4833—Physical analysis of biological material of solid biological material, e.g. tissue samples, cell cultures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30024—Cell structures in vitro; Tissue sections in vitro

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Software Systems (AREA)
  • Pathology (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • General Engineering & Computer Science (AREA)
  • Optics & Photonics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Mathematical Physics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Hematology (AREA)
  • Molecular Biology (AREA)
  • Urology & Nephrology (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

The present invention relates to an artificial intelligence-based avian influenza virus diagnosis system. In more detail, the artificial intelligence-based avian influenza virus diagnosis system can easily diagnose whether a sample is infected with the avian influenza virus by analyzing an image photographed by a user with a mobile phone or the like based on an algorithm formed by performing learning based on the image of cells infected with the avian influenza virus, easily check the period of avian influenza virus by extracting only the cytoplasmic image from the cellular image, and learning the cytoplasmic change according to the period of avian influenza virus infection, and accurately detect the avian influenza virus as the degree of infection is determined by the change in the brightness of pixels in the cytoplasmic image.

Description

인공지능 기반 조류독감 바이러스 진단 시스템{Diagnosis system for detecting AI virus based on artificial intelligence}AI-based bird flu virus diagnosis system {Diagnosis system for detecting AI virus based on artificial intelligence}

본 발명은 인공지능 기반 조류독감 바이러스 진단 시스템에 대한 것으로, 더욱 상세하게는 조류독감 바이러스에 감염된 세포 영상을 기반으로 학습을 수행하여 형성된 알고리즘을 기초로, 사용자가 핸드폰 등으로 촬영한 영상을 분석하여 시료의 조류독감 바이러스 감염 여부를 간편하게 진단할 수 있으며, 세포 영상에서 세포질 영상만을 추출하고, 조류독감 바이러스 감염기간에 따른 세포질 변화를 학습하여, 조류독감 바이러스 감염기간을 손쉽게 확인할 수 있고, 세포질 영상에서 픽셀의 밝기 변화를 통해 감염 정도를 판단하므로 정확한 조류독감 바이러스 검출이 가능한 인공지능 기반 조류독감 바이러스 진단 시스템에 대한 것이다.The present invention relates to an AI-based avian influenza virus diagnosis system, and more specifically, based on an algorithm formed by performing learning based on an image of a cell infected with avian influenza virus, by analyzing an image captured by a user with a mobile phone, etc. You can easily diagnose whether a sample is infected with avian influenza virus, extract only cytoplasmic images from cellular images, learn cytoplasmic changes according to the period of avian influenza virus infection, and easily check the period of avian influenza virus infection, and It is about an AI-based bird flu virus diagnosis system that can accurately detect avian influenza virus by determining the degree of infection by changing the brightness of pixels.

조류독감(Avian Influenza)이란 조류독감 바이러스 감염에 의해 발생하는 급성 전염병으로, 조류독감 바이러스는 닭이나 오리와 같은 가금류 또는 야생조류에서 생기는 바이러스의 하나로서, 병원성에 따라 조류 감염 시 가벼운 호흡기 증상과 1 내지 30%의 폐사와 산란 저하를 유발하는 저병원성 조류독감 바이러스와, 95% 이상의 높은 치사율을 보이는 고병원성 조류독감 바이러스로 구분할 수 있다. 고병원성 조류독감 바이러스 감염에 의한 독감은 타 독감과는 달리 인체 감염 시 60% 이상의 높은 치사율을 보인다. 따라서, 지속적으로 발병하고 있는 조류독감 바이러스를 조기에 판별하는 것은 조류독감 바이러스의 방역과 피해를 예방하는데 무엇보다 중요하여, 하기의 특허문헌에 기재된 것처럼 조류독감 바이러스를 조기에 검출하기 위한 기술이 널리 개발되고 있다.Avian Influenza is an acute infectious disease caused by avian influenza virus infection. Avian influenza virus is a virus that occurs in poultry or wild birds such as chickens or ducks. It can be divided into a low pathogenic avian influenza virus that causes mortality of 30% to 30% and a drop in spawning, and a highly pathogenic avian influenza virus that exhibits a high mortality rate of 95% or more. Influenza caused by highly pathogenic avian influenza virus infection shows a high mortality rate of over 60% when infected with other influenza viruses, unlike other influenzas. Therefore, early identification of the continuously onset avian influenza virus is of utmost importance in preventing and preventing damage to the avian influenza virus. is being developed

<특허문헌><Patent Literature>

특허 제10-1617142호(2016. 04. 26 등록) "개선된 검출 정확성을 제공해 줄 수 있는 핵산검사 기반의 조류 인플루엔자 바이러스 검출 키트"Patent No. 10-1617142 (registered on April 26, 2016) "Nucleic acid test-based avian influenza virus detection kit that can provide improved detection accuracy"

종래에는 조류독감 바이러스를 조기에 검출하기 위해서 검출 키트를 이용하는 것이 일반적인데, 상기 검출 키트를 이용하는 방법은 종란접종법 등에 비해 검출 시간을 단축할 수 있느나, 별도로 검출 키트를 가지고 있어야 하여, 바이러스 검출의 불편함이 따르게 된다.Conventionally, it is common to use a detection kit for early detection of avian influenza virus. The method using the detection kit can shorten the detection time compared to the egg inoculation method, but requires a separate detection kit to detect the virus. discomfort ensues.

본 발명은 상기와 같은 문제점을 해결하기 위해 안출된 것으로,The present invention has been devised to solve the above problems,

본 발명은 조류독감 바이러스에 감염된 세포 영상을 기반으로 학습을 수행하여 형성된 알고리즘을 기초로, 사용자가 핸드폰 등으로 촬영한 영상을 분석하여 시료의 조류독감 바이러스 감염 여부를 간편하게 진단할 수 있는 인공지능 기반 조류독감 바이러스 진단 시스템을 제공하는데 그 목적이 있다.The present invention is based on artificial intelligence that can easily diagnose whether a sample is infected with avian influenza virus by analyzing an image captured by a user with a mobile phone, etc., based on an algorithm formed by performing learning based on an image of cells infected with avian influenza virus. An object of the present invention is to provide a system for diagnosing avian influenza virus.

또한, 본 발명은 세포 영상에서 세포질 영상만을 추출하고, 조류독감 바이러스 감염기간에 따른 세포질 변화를 학습하여, 조류독감 바이러스 감염기간을 손쉽게 확인할 수 있는 인공지능 기반 조류독감 바이러스 진단 시스템을 제공하는데 그 목적이 있다.In addition, the present invention provides an AI-based avian influenza virus diagnosis system that can easily check the period of avian influenza virus infection by extracting only the cytoplasmic image from the cell image and learning the cytoplasmic change according to the avian influenza virus infection period. There is this.

또한, 본 발명은 세포질 영상에서 픽셀의 밝기 변화를 통해 감염 정도를 판단하므로, 정확한 조류독감 바이러스 검출이 가능한 인공지능 기반 조류독감 바이러스 진단 시스템을 제공하는데 그 목적이 있다.Another object of the present invention is to provide an AI-based avian influenza virus diagnosis system capable of accurately detecting avian influenza virus because the degree of infection is determined through a change in the brightness of pixels in a cytoplasmic image.

본 발명은 앞서 본 목적을 달성하기 위해서 다음과 같은 구성을 가진 실시예에 의해서 구현된다.The present invention is implemented by an embodiment having the following configuration in order to achieve the above object.

본 발명의 일 실시예에 따르면, 본 발명에 따른 인공지능 기반 조류독감 바이러스 진단 시스템은 시료의 세포 촬영 영상을 분석서버에서 전송하고 상기 분석서버에서 전송된 시료의 조류독감 바이러스 감염여부에 대한 결과를 디스플레이하는 단말기와, 상기 단말기가 전송하는 세포 촬영 영상을 분석하여 시료의 조류독감 바이러스 감염여부를 판정하는 분석서버를 포함하는 것을 특징으로 한다.According to an embodiment of the present invention, the AI-based avian influenza virus diagnosis system according to the present invention transmits a cellular image of a sample from an analysis server and determines whether the sample transmitted from the analysis server is infected with avian influenza virus. It is characterized in that it comprises a terminal for displaying, and an analysis server for determining whether the sample is infected with avian influenza virus by analyzing the cell photographed image transmitted by the terminal.

본 발명의 다른 실시예에 따르면, 본 발명에 따른 인공지능 기반 조류독감 바이러스 진단 시스템에 있어서 상기 분석서버는 조류독감 바이러스에 감염된 세포 영상을 기반으로 반복 학습을 수행하여, 시료의 세포 영상을 통해 시료의 조류독감 감염 여부를 판정하기 위한 학습 알고리즘을 생성하는 학습부와, 상기 단말기에서 전송한 시료의 세포 영상에서 추출된 정보를 상기 학습부에서 생성한 학급 알고리즘에 입력하여, 세포의 조류독감 감염여부를 판단하는 감염판정부를 포함하는 것을 특징으로 한다.According to another embodiment of the present invention, in the AI-based avian influenza virus diagnosis system according to the present invention, the analysis server performs repeated learning based on the image of cells infected with the avian influenza virus, and uses the sample through the cell image of the sample. A learning unit that generates a learning algorithm for determining whether or not avian influenza infection of It is characterized in that it includes an infection determination unit to determine the.

본 발명의 또 다른 실시예에 따르면, 본 발명에 따른 인공지능 기반 조류독감 바이러스 진단 시스템에 있어서 상기 학습부는 조류독감 바이러스에 감염된 세포 영상에서 핵을 제외한 세포질 부분을 추출하는 세포질추출모듈과, 상기 세포질추출모듈에서 추출된 세포의 세포질 영상을 분석하여 시료의 세포 영상을 통해 시료의 조류독감 감염 여부를 판정하기 위한 학습 알고리즘을 생성하는 분류모듈을 포함하는 것을 특징으로 한다.According to another embodiment of the present invention, in the AI-based avian influenza virus diagnosis system according to the present invention, the learning unit includes a cytoplasmic extraction module for extracting a cytoplasmic part excluding the nucleus from an image of a cell infected with avian flu virus, and the cytoplasm and a classification module that analyzes the cytoplasmic image of the cells extracted from the extraction module and generates a learning algorithm for determining whether the sample is infected with avian influenza through the cell image of the sample.

본 발명의 또 다른 실시예에 따르면, 본 발명에 따른 인공지능 기반 조류독감 바이러스 진단 시스템에 있어서 상기 분류모듈은 세포의 세포질을 동일한 픽셀수로 구획하는 구획모듈과, 구획된 각 픽셀을 밝기를 기초로 바이너리값으로 변환하는 변환모듈과, 바이너리값의 비율에 따라 세포의 바이러스 감염여부에 대한 결과값을 출력하는 출력값산정모듈과, 상기 출력값산정모듈에서 산정된 결과값과 실제 바이러스 감염여부에 대한 결과값을 비교하여 오차를 산정하는 오차산정모듈과, 오차가 일정 범위 이하가 될 때까지 설정 비율값을 달리하여 출력값산정모듈 및 오차산정모듈이 작동되도록 하여, 시료의 세포 영상를 통해 세포의 조류독감 바이러스 감염여부에 대한 결과가 생성될 수 있도록 하는 학습 알고리즘을 생성하는 오차반영모듈를 포함하는 것을 특징으로 한다.According to another embodiment of the present invention, in the AI-based avian influenza virus diagnosis system according to the present invention, the classification module includes a partition module that partitions the cytoplasm of a cell by the same number of pixels, and divides each partitioned pixel based on brightness A conversion module that converts to a binary value, an output value calculation module that outputs a result value on whether or not the cell is infected with a virus according to the ratio of the binary value, and the result calculated by the output value calculation module and the result of the actual virus infection The error calculation module, which calculates the error by comparing the values, and the output value calculation module and the error calculation module by varying the set ratio value until the error is less than a certain range, so that the output value calculation module and the error calculation module are operated, and the avian influenza virus It is characterized in that it includes an error reflection module that generates a learning algorithm that allows the result of infection to be generated.

본 발명의 또 다른 실시예에 따르면, 본 발명에 따른 인공지능 기반 조류독감 바이러스 진단 시스템에 있어서 상기 감염판정부는 상기 단말기에서 전송한 시료의 세포 영상에서 세포질 부분을 추출하는 세포질확인모듈과, 상기 세포질확인모듈에서 추출된 세포질 영상을 기설정된 특정 픽셀수로 구획하는 세포질구획모듈과, 구획된 각 픽셀을 밝기를 기초로 바이너리값으로 변환하는 세포질변환모듈과, 세포질변환모듈(133)에서 1로 부여된 픽셀수를 계산하여 출력하는 픽셀수계산모듈과, 상기 픽셀수계산모듈에서 산출된 픽셀수를 상기 학습부에서 생성된 학습 알고리즘에 입력하여 시료의 조류독감 감염여부에 대한 결과를 생성하는 감염판정모듈을 포함하는 것을 특징으로 한다.According to another embodiment of the present invention, in the AI-based avian influenza virus diagnosis system according to the present invention, the infection determination unit includes a cytoplasm confirmation module for extracting a cytoplasmic portion from a cellular image of a sample transmitted from the terminal, and the cytoplasm A cytoplasmic partitioning module that divides the cytoplasmic image extracted from the confirmation module into a predetermined number of pixels, a cytoplasmic transformation module that converts each divided pixel into a binary value based on brightness, and the cytoplasmic transformation module 133 gives 1 A pixel count calculation module that calculates and outputs the number of pixels, and an infection determination that generates a result of whether the sample is infected with avian flu by inputting the number of pixels calculated by the pixel counting module to the learning algorithm generated by the learning unit It is characterized in that it includes a module.

본 발명의 또 다른 실시예에 따르면, 본 발명에 따른 인공지능 기반 조류독감 바이러스 진단 시스템에 있어서 상기 시료의 조류독감 감염여부에 대한 결과는 시료가 조류독감에 몇일 동안 감염되었는에 대한 결과를 포함하는 것을 특징으로 한다.According to another embodiment of the present invention, in the AI-based avian influenza virus diagnosis system according to the present invention, the result of whether the sample is infected with avian flu includes the result of how many days the sample was infected with avian flu characterized in that

본 발명은 앞서 본 실시예와 하기에 설명할 구성과 결합, 사용관계에 의해 다음과 같은 효과를 얻을 수 있다.The present invention can obtain the following effects by the configuration, combination, and use relationship described below with the present embodiment.

본 발명은 조류독감 바이러스에 감염된 세포 영상을 기반으로 학습을 수행하여 형성된 알고리즘을 기초로, 사용자가 핸드폰 등으로 촬영한 영상을 분석하여 시료의 조류독감 바이러스 감염 여부를 간편하게 진단할 수 있는 효과가 있다.The present invention has the effect of easily diagnosing whether a sample is infected with avian influenza virus by analyzing an image captured by a user with a mobile phone, etc., based on an algorithm formed by performing learning based on an image of a cell infected with avian influenza virus. .

또한, 본 발명은 세포 영상에서 세포질 영상만을 추출하고, 조류독감 바이러스 감염기간에 따른 세포질 변화를 학습하여, 조류독감 바이러스 감염기간을 손쉽게 확인할 수 있는 효과가 있다.In addition, the present invention has the effect of easily confirming the period of avian influenza virus infection by extracting only the cytoplasmic image from the cell image and learning the cytoplasmic change according to the avian influenza virus infection period.

또한, 본 발명은 세포질 영상에서 픽셀의 밝기 변화를 통해 감염 정도를 판단하므로, 정확한 조류독감 바이러스 검출이 가능한 효과가 있다.In addition, since the present invention determines the degree of infection by changing the brightness of pixels in a cytoplasmic image, it is possible to accurately detect avian influenza virus.

도 1은 본 발명의 일 실시예에 따른 인공지능 기반 조류독감 바이러스 진단 시스템의 블럭도.
도 2는 도 1의 분석서버의 세부 구성을 나타내는 블럭도.
도 3은 도 2의 분류모듈의 세부 구성을 나타내는 블럭도.
도 4는 도 2의 감염판정부의 세부 구성을 나타내는 블럭도.
도 5는 조류독감 바이러스에 감염된 세포를 촬영한 이미지.
도 6은 도 3의 변환모듈에 의해 출력된 값을 나타내는 도표.1 is a block diagram of an AI-based avian influenza virus diagnosis system according to an embodiment of the present invention.
Figure 2 is a block diagram showing a detailed configuration of the analysis server of Figure 1;
Fig. 3 is a block diagram showing the detailed configuration of the classification module of Fig. 2;
4 is a block diagram showing the detailed configuration of the infection determination unit of FIG.
5 is an image of cells infected with avian influenza virus.
Fig. 6 is a table showing values output by the conversion module of Fig. 3;

이하에서는 본 발명에 따른 인공지능 기반 조류독감 바이러스 진단 시스템의 바람직한 실시예들을 첨부된 도면을 참조하여 상세히 설명한다. 도면들 중 동일한 구성요소들은 가능한 한 어느 곳에서든지 동일한 부호들로 나타내고 있음에 유의해야 한다. 특별한 정의가 없는 한 본 명세서의 모든 용어는 본 발명이 속하는 기술분야의 통상의 지식을 가진 기술자가 이해하는 당해 용어의 일반적 의미와 동일하고 만약 본 명세서에 사용된 용어의 의미와 충돌하는 경우에는 본 명세서에 사용된 정의에 따른다. 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 있는 것을 의미하며, 또한 명세서에 기재된 "...부", "...모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.Hereinafter, preferred embodiments of the AI-based avian influenza virus diagnosis system according to the present invention will be described in detail with reference to the accompanying drawings. It should be noted that the same components in the drawings are denoted by the same reference numerals wherever possible. Unless otherwise defined, all terms in this specification have the same general meaning as understood by those skilled in the art to which the present invention belongs, and in case of conflict with the meaning of the terms used in this specification, the According to the definition used in the specification. Throughout the specification, when a part "includes" a component, it means that other components may be further included, rather than excluding other components, unless otherwise stated. Terms such as “…unit” and “…module” mean a unit that processes at least one function or operation, and may be implemented as hardware or software or a combination of hardware and software.

본 발명의 일 실시예에 따른 인공지능 기반 조류독감 바이러스 진단 시스템을 도 1 내지 6을 참조하여 설명하면, 상기 조류독감 바이러스 진단 시스템은 시료의 세포 촬영 영상을 상기 분석서버(1)에서 전송하고 상기 분석서버(1)에서 전송된 시료의 조류독감 바이러스 감염여부에 대한 결과를 디스플레이하는 단말기(100)와, 상기 단말기(100)가 전송하는 세포 촬영 영상을 분석하여 시료의 조류독감 바이러스 감염여부를 판정하는 분석서버(1) 등을 포함한다.When an artificial intelligence-based avian influenza virus diagnosis system according to an embodiment of the present invention is described with reference to FIGS. 1 to 6 , the avian influenza virus diagnosis system transmits a cellular image of a sample from the analysis server 1 and A terminal 100 that displays a result of whether the sample transmitted from the analysis server 1 is infected with avian influenza virus, and the terminal 100 analyzes the cell-photographed image transmitted to determine whether the sample is infected with avian influenza virus and an analysis server 1 and the like.

상기 단말기(100)는 시료의 세포 촬영 영상을 상기 분석서버(1)에서 전송하고 상기 분석서버(1)에서 전송된 시료의 조류독감 바이러스 감염여부에 대한 결과를 디스플레이하는 구성으로, 상기 단말기(100)는 시료의 세포를 촬영할 수 있는 카메라를 포함하며, 인터넷 등의 통신망을 통해 상기 분석서버(1)와 정보를 교환할 수 있는, 스마트폰, 태블릿, PDA, PC 등의 전자기기가 사용될 수 있다. 즉, 사용자는 세포질을 염색하는 염료를 이용하여 시료의 세포를 염색하고 상기 단말기(100)를 통해 세포를 촬영하여 전송한 후, 상기 단말기에 디스플레이되는 분석 결과를 확인함으로써 시료의 조류 독감 감염여부를 손쉽게 확인할 수 있게 된다.The terminal 100 is configured to transmit a cell-photographed image of the sample from the analysis server 1 and display a result of whether the sample transmitted from the analysis server 1 is infected with avian influenza virus, and the terminal 100 ) includes a camera capable of photographing the cells of the sample, and an electronic device such as a smartphone, tablet, PDA, PC, etc. that can exchange information with the analysis server 1 through a communication network such as the Internet can be used . That is, the user dyes the cells of the sample using a dye that dyes the cytoplasm, and after photographing and transmitting the cells through the terminal 100, checks whether the sample is infected with avian influenza by checking the analysis result displayed on the terminal. can be checked easily.

상기 분석서버(1)는 상기 단말기(100)가 전송하는 시료의 세포 촬영 영상을 분석하여 시료의 조류독감 바이러스 감염여부를 판정하는 구성으로, 송수신부(11), 학습부(12), 감염판정부(13), 저장부(14) 및 제어부(15) 등을 포함한다.The analysis server 1 is configured to analyze the cell-photographed image of the sample transmitted by the terminal 100 to determine whether the sample is infected with avian influenza virus, and includes a transceiver 11, a learning unit 12, and an infection plate. It includes a government 13, a storage unit 14, a control unit 15, and the like.

상기 송수신부(11)는 상기 단말기(100)와 정보를 교환하는 구성으로, 상기 단말기(100)가 전송한 시료의 세포 촬영 영상을 수신하고 상기 분석서버(1)에서 생성된 시료의 조류독감 바이러스 감염여부에 대한 결과를 상기 단말기(100)에 전송한다.The transceiver 11 is configured to exchange information with the terminal 100 , and receives a cell-photographed image of the sample transmitted by the terminal 100 and avian influenza virus of the sample generated by the analysis server 1 . The result of whether or not infection is transmitted is transmitted to the terminal 100 .

상기 학습부(12)는 조류독감 바이러스에 감염된 세포 영상을 기반으로 반복 학습을 수행하여, 시료의 세포 영상을 통해 시료의 조류독감 감염 여부를 판정하기 위한 학습 알고리즘을 생성하는 구성으로, 세포질추출모듈(121), 분류모듈(122) 등을 포함한다.The learning unit 12 is configured to generate a learning algorithm for determining whether a sample is infected with avian influenza through the cell image of the sample by performing repeated learning based on the image of cells infected with the avian influenza virus, and a cytoplasmic extraction module 121, a classification module 122, and the like.

상기 세포질추출모듈(121)은 조류독감 바이러스에 감염된 세포 영상에서 핵을 제외한 세포질 부분을 추출하는 구성으로, 조류독감 바이러스에 감염된 세포 영상에서 데이터 어그멘테이션을 통해 영상 데이터의 크기를 키우고, 컨볼루젼 필터링 및 서브 샘플링을 차례로 수행하여 상기 조류독감 바이러스에 감염된 세포 영상에서 핵을 제외한 세포질 부분만 추출된 영상을 수득한다. 상기 데이터 어그멘테이션, 컨볼루젼 필터링, 서브 샘플링 등은 종래의 기술이 이용될 수 있다. 조류독감 바이러스에 감염된 세포 영상을 수득시 세포질을 염색하는 염료를 이용하여 세포를 염색한 후 세포 영상을 얻을 것도 가능하다. 본 발명은 세포가 조류독감 바이러스에 감염되는 경우, 핵의 변화가 이루어지지 않는데 반해, 상대적으로 세포질의 변화가 크다는 것을 확인하고, 분류모듈(122)에 의한 학습시 오류의 발생을 줄이기 위해 먼저 세포 영상에서 핵을 제외한 세포질 영상을 추출하게 된다. 또한, 세포질 영상의 추출 시 세포와 함께 존재하는 이물질에 의한 영상도 제거되게 되므로, 분류모듈(122)에 의한 학습의 정확성을 더욱 높일 수 있게 된다.The cytoplasmic extraction module 121 is configured to extract the cytoplasmic part excluding the nucleus from the image of cells infected with the avian influenza virus, and increases the size of image data through data aggregation in the image of cells infected with the avian influenza virus, convolution Filtering and subsampling are sequentially performed to obtain an image in which only the cytoplasm except the nucleus is extracted from the image of cells infected with the avian influenza virus. Conventional techniques may be used for the data augmentation, convolution filtering, subsampling, and the like. When obtaining an image of a cell infected with avian influenza virus, it is also possible to obtain an image of the cell after staining the cell using a cytoplasm-staining dye. The present invention confirms that, when a cell is infected with avian influenza virus, a change in the cytoplasm is relatively large while the change in the nucleus is not made, and in order to reduce the occurrence of errors in learning by the classification module 122, the cells first A cytoplasmic image excluding the nucleus is extracted from the image. In addition, when the cytoplasmic image is extracted, the image caused by the foreign material present together with the cell is also removed, so that the accuracy of learning by the classification module 122 can be further increased.

상기 분류모듈(122)은 상기 세포질추출모듈(121)에서 추출된 세포의 세포질 영상을 분석하여 시료의 세포 영상을 통해 시료의 조류독감 감염 여부를 판정하기 위한 학습 알고리즘을 생성하는 구성으로, 세포의 세포질을 동일한 픽셀수로 구획하는 구획모듈(122a)과, 구획된 각 픽셀을 밝기를 기초로 바이너리값으로 변환하는 변환모듈(122b)과, 바이너리값의 비율에 따라 세포의 바이러스 감염여부에 대한 결과값을 출력하는 출력값산정모듈(122c)과, 상기 출력값산정모듈(122c)에서 산정된 결과값과 실제 바이러스 감염여부에 대한 결과값을 비교하여 오차를 산정하는 오차산정모듈(122d)과, 오차가 일정 범위 이하가 될 때까지 설정 비율값을 달리하여 출력값산정모듈 및 오차산정모듈이 작동되도록 하여, 시료의 세포 영상를 통해 세포의 조류독감 바이러스 감염여부에 대한 결과가 생성될 수 있도록 하는 학습 알고리즘을 생성하는 오차반영모듈(122e) 등을 포함한다. 본 발명은 세포가 조류독감 바이러스에 감염되면 세포의 세포질이 변화하게 되며, 구체적으로, 세포질의 밝은 부분이 조류독감 바이러스에 감염된 기간에 따라 변화하게 됨을 기초로 즉 조류독감 바이러스에 감염된 기간이 긴 세포의 세포질은 밝은 부분이 더욱 많아짐을 이용하여 완성되었다. 예컨대, 조류독감 바이러스에 감염된 세포 영상이 도 5의 (a)와 같이 흑백 이미지인 경우, 상기 변환모듈은 각 픽셀을 밝음과 어두움으로 분류하여 밝음에는 1을 부여하고 어두움에는 0을 부여하여 각 필셀을 밝기를 기초로 바이너리값으로 변환한다(도 6 참조, 도 6의 (a)는 조류독감 바이러스에 감염되지 않은 세포에 대한 변환모듈에서 출력된 값을 나타냄, 도 6의 (b)는 조류독감 바이러스에 2주간 감염된 세포에 대한 변환모듈에서 출력된 값을 나타냄, 도 6의 (c)는 조류독감 바이러스에 4주간 감염된 세포에 대한 변환모듈에서 출력된 값을 나타냄). 이후, 상기 출력값산정모듈은 바이너리값의 비율(예컨대, n주 감염세포의 바이러니값(1)인 픽셀수/정상세포의 바이러니값(1)인 픽셀수)에 따라 세포의 바이러스 감염여모듈에 대한 결과값(조류독감 바이러스에 n주 감염됨)을 출력한다(예컨대, 비율이 1.25인 경우 2주간 감염된 것으로 판정, 비율이 1.5 이상인 경우 4주간 감염된 것으로 판정 등). 상기 오차산정모듈(122d)은 상기 출력값산정모듈(122c)에서 산정된 결과값(조류독감 바이러스에 n주 감염됨)과 실제 바이러스 감염여부에 대한 결과값(조류독감 바이러스에 n주 감염됨)을 비교하여 오차를 산정하며, 상기 오차반영모듈(122e)은 상기 오차가 일정 범위 이하게 될 때까지 학습 과정을 반복하여 시료의 세포 영상를 통해 세포의 조류독감 바이러스 감염여부에 대한 결과가 생성될 수 있도록 하는 학습 알고리즘을 생성한다. 한편, 도 5의 (b)와 같이 조류독감 바이러스에 감염된 세포의 이미지가 칼라인 경우, 상기 변환모듈은 각 필셀별 밝기값을 기 설정된 한계값과 비교하여 한계값이 이상인 경우 1을 부여하고 한계값 미만인 경우 0을 부여하여 각 필셀을 밝기를 기초로 바이너리값으로 변환할 수 있다.The classification module 122 is configured to analyze the cytoplasmic image of the cells extracted from the cytoplasmic extraction module 121 and generate a learning algorithm for determining whether the sample is infected with avian influenza through the cellular image of the sample. A partition module 122a that partitions the cytoplasm with the same number of pixels, a conversion module 122b that converts each partitioned pixel into a binary value based on brightness, and the result of whether the cell is infected with a virus according to the ratio of the binary value An output value calculation module 122c for outputting a value, an error calculation module 122d for calculating an error by comparing the result value calculated by the output value calculation module 122c with the result value on whether or not the virus is actually infected, and the error is The output value calculation module and the error calculation module are operated by varying the set ratio value until it falls below a certain range, so that the result of whether the cells are infected with the avian influenza virus can be generated through the cell image of the sample. and an error reflecting module 122e and the like. The present invention is based on the fact that when a cell is infected with an avian influenza virus, the cytoplasm of the cell is changed, and specifically, the bright part of the cytoplasm changes according to the period of infection with the avian influenza virus, that is, a cell with a long period of infection with the avian influenza virus. 's cytoplasm was completed by using more bright areas. For example, when the image of a cell infected with avian influenza virus is a black-and-white image as shown in FIG. is converted to a binary value based on the brightness (refer to FIG. 6, (a) of FIG. 6 shows the value output from the conversion module for cells not infected with avian influenza virus, (b) of FIG. 6 is avian influenza Shows the values output from the conversion module for cells infected with the virus for 2 weeks, (c) of FIG. 6 shows the values output from the conversion module for cells infected with the avian influenza virus for 4 weeks). Thereafter, the output value calculation module determines whether the cell is infected with the virus according to the ratio of the binary value (eg, the number of pixels that are the virality value (1) of the n-week infected cell/the number of pixels that are the virality value (1) of the normal cell). Outputs the result value (infected with avian flu virus for n weeks) (eg, if the ratio is 1.25, it is judged to be infected for 2 weeks, if the ratio is 1.5 or more, it is judged to be infected for 4 weeks, etc.). The error calculation module 122d compares the result value calculated by the output value calculation module 122c (infected with the avian influenza virus for n weeks) and the result value on whether or not the virus is actually infected (infected with the avian influenza virus for n weeks). The error is calculated by comparing, and the error reflecting module 122e repeats the learning process until the error is less than a certain range so that the result of whether the cells are infected with the avian influenza virus can be generated through the cell image of the sample. to create a learning algorithm that On the other hand, when the image of cells infected with the avian influenza virus is color as shown in FIG. 5( b ), the conversion module compares the brightness value of each pixel with a preset threshold value and assigns 1 if the threshold value is greater than the threshold value. If the value is less than 0, each pixel can be converted to a binary value based on the brightness.

상기 감염판정부(13)는 상기 단말기(100)에서 전송한 시료의 세포 영상에서 추출된 정보를 상기 학습부(12)에서 생성한 학급 알고리즘에 입력하여, 세포의 조류독감 감염여부를 판단하는 구성으로, 상기 단말기(100)에서 전송한 시료의 세포 영상에서 세포질 부분을 추출하는 세포질확인모듈(131)과, 상기 세포질확인모듈(131)에서 추출된 세포질 영상을 기설정된 특정 픽셀수로 구획하는 세포질구획모듈(132)과, 구획된 각 픽셀을 밝기를 기초로 바이너리값으로 변환하는 세포질변환모듈(133)과, 세포질변환모듈(133)에서 1로 부여된 픽셀수를 계산하여 출력하는 픽셀수계산모듈(134)과, 상기 픽셀수계산모듈(134)에서 산출된 픽셀수를 상기 학습부(12)에서 생성된 학습 알고리즘에 입력하여 시료의 조류독감 감염여부에 대한 결과(시료가 조류독감에 몇일 동안 감염되었는에 대한 결과)를 생성하는 감염판정모듈(135)등을 포함한다.The infection determination unit 13 inputs the information extracted from the cell image of the sample transmitted from the terminal 100 into the class algorithm generated by the learning unit 12, and determines whether the cells are infected with avian influenza. , a cytoplasmic identification module 131 for extracting a cytoplasmic portion from the cellular image of the sample transmitted from the terminal 100, and a cytoplasm for partitioning the cytoplasmic image extracted from the cytoplasmic identification module 131 by a predetermined number of pixels The division module 132, the cytoplasmic transformation module 133 for converting each divided pixel into a binary value based on the brightness, and the cytoplasmic transformation module 133 to calculate and output the number of pixels assigned to 1 The module 134 and the number of pixels calculated by the pixel counting module 134 are input to the learning algorithm generated by the learning unit 12 to determine whether the sample is infected with bird flu (how many days the sample is infected with bird flu) and an infection determination module 135 and the like for generating (results about being infected).

상기 저장부(14)는 상기 시스템의 운영에 필요한 정보 및 상기 시스템에서 생성되는 정보를 저장하며, 상기 제어부(15)는 상기 분석서버의 전체적인 작동을 제어한다.The storage unit 14 stores information necessary for the operation of the system and information generated in the system, and the control unit 15 controls the overall operation of the analysis server.

이상에서, 출원인은 본 발명의 다양한 실시예들을 설명하였지만, 이와 같은 실시예들은 본 발명의 기술적 사상을 구현하는 일 실시예일 뿐이며, 본 발명의 기술적 사상을 구현하는 한 어떠한 변경예 또는 수정예도 본 발명의 범위에 속하는 것으로 해석되어야 한다.In the above, the applicant has described various embodiments of the present invention, but these embodiments are only one embodiment that implements the technical idea of the present invention, and any changes or modifications as long as the technical idea of the present invention is implemented in the present invention should be construed as falling within the scope of

1: 분석서버 11: 송수신부 12: 학습부
13: 감염판정부 14: 저장부 15: 제어부
121: 세포질추출모듈 122: 분류모듈 131: 세포질확인모듈
132: 세포질구획모듈 133: 세포질변환모듈 134: 픽셀수계산모듈
135: 감염판정모듈 122a: 구획모듈 122b: 변환모듈
122c: 출력값산정모듈 122d: 오차산정모듈 122e: 오차반영모듈1: Analysis server 11: Transceiver unit 12: Learning unit
13: infection determination unit 14: storage unit 15: control unit
121: cytoplasm extraction module 122: classification module 131: cytoplasm confirmation module
132: cytoplasmic compartment module 133: cytoplasmic transformation module 134: pixel number calculation module
135: infection determination module 122a: compartment module 122b: transformation module
122c: output value calculation module 122d: error calculation module 122e: error reflection module

Claims (6)

시료의 세포 촬영 영상을 분석서버에서 전송하고 상기 분석서버에서 전송된 시료의 조류독감 바이러스 감염여부에 대한 결과를 디스플레이하는 단말기와, 상기 단말기가 전송하는 세포 촬영 영상을 분석하여 시료의 조류독감 바이러스 감염여부를 판정하는 분석서버를 포함하는 것을 특징으로 하는 인공지능 기반 조류독감 바이러스 진단 시스템.A terminal that transmits a cell photographed image of the sample from the analysis server and displays a result of whether the sample transmitted from the analysis server is infected with avian influenza virus, and the sample is infected with avian influenza virus by analyzing the cell photographed image transmitted by the terminal Artificial intelligence-based avian influenza virus diagnosis system, characterized in that it comprises an analysis server to determine whether or not. 제1항에 있어서,
상기 분석서버는 조류독감 바이러스에 감염된 세포 영상을 기반으로 반복 학습을 수행하여, 시료의 세포 영상을 통해 시료의 조류독감 감염 여부를 판정하기 위한 학습 알고리즘을 생성하는 학습부와, 상기 단말기에서 전송한 시료의 세포 영상에서 추출된 정보를 상기 학습부에서 생성한 학급 알고리즘에 입력하여, 세포의 조류독감 감염여부를 판단하는 감염판정부를 포함하는 것을 특징으로 하는 인공지능 기반 조류독감 바이러스 진단 시스템.According to claim 1,
The analysis server performs repeated learning based on the image of cells infected with the avian influenza virus, and a learning unit that generates a learning algorithm for determining whether the sample is infected with avian influenza through the cell image of the sample; An AI-based avian influenza virus diagnosis system comprising an infection determination unit for determining whether cells are infected with avian flu by inputting information extracted from the cell image of the sample into the class algorithm generated by the learning unit. 제2항에 있어서,
상기 학습부는 조류독감 바이러스에 감염된 세포 영상에서 핵을 제외한 세포질 부분을 추출하는 세포질추출모듈과, 상기 세포질추출모듈에서 추출된 세포의 세포질 영상을 분석하여 시료의 세포 영상을 통해 시료의 조류독감 감염 여부를 판정하기 위한 학습 알고리즘을 생성하는 분류모듈을 포함하는 것을 특징으로 하는 인공지능 기반 조류독감 바이러스 진단 시스템.3. The method of claim 2,
The learning unit includes a cytoplasmic extraction module for extracting the cytoplasmic part except the nucleus from the image of cells infected with avian influenza virus, and whether the sample is infected with avian influenza through the cellular image of the sample by analyzing the cytoplasmic image of the cells extracted from the cytoplasmic extraction module. AI-based avian influenza virus diagnosis system comprising a classification module for generating a learning algorithm to determine. 제3항에 있어서,
상기 분류모듈은 세포의 세포질을 동일한 픽셀수로 구획하는 구획모듈과, 구획된 각 픽셀을 밝기를 기초로 바이너리값으로 변환하는 변환모듈과, 바이너리값의 비율에 따라 세포의 바이러스 감염여부에 대한 결과값을 출력하는 출력값산정모듈과, 상기 출력값산정모듈에서 산정된 결과값과 실제 바이러스 감염여부에 대한 결과값을 비교하여 오차를 산정하는 오차산정모듈과, 오차가 일정 범위 이하가 될 때까지 설정 비율값을 달리하여 출력값산정모듈 및 오차산정모듈이 작동되도록 하여, 시료의 세포 영상를 통해 세포의 조류독감 바이러스 감염여부에 대한 결과가 생성될 수 있도록 하는 학습 알고리즘을 생성하는 오차반영모듈를 포함하는 것을 특징으로 하는 인공지능 기반 조류독감 바이러스 진단 시스템.4. The method of claim 3,
The classification module includes a partition module that partitions the cytoplasm of a cell by the same number of pixels, a conversion module that converts each partitioned pixel into a binary value based on brightness, and a result of whether the cell is infected with a virus according to the ratio of the binary value An output value calculation module for outputting a value, an error calculation module for calculating an error by comparing the result value calculated by the output value calculation module with the result value for the actual virus infection, and a setting ratio until the error is less than a certain range It includes an error reflection module that generates a learning algorithm that allows the output value calculation module and the error calculation module to operate by changing the values to generate a result of whether or not the cells are infected with avian influenza virus through the cell image of the sample. AI-based bird flu virus diagnosis system. 제4항에 있어서,
상기 감염판정부는 상기 단말기에서 전송한 시료의 세포 영상에서 세포질 부분을 추출하는 세포질확인모듈과, 상기 세포질확인모듈에서 추출된 세포질 영상을 기설정된 특정 픽셀수로 구획하는 세포질구획모듈과, 구획된 각 픽셀을 밝기를 기초로 바이너리값으로 변환하는 세포질변환모듈과, 세포질변환모듈(133)에서 1로 부여된 픽셀수를 계산하여 출력하는 픽셀수계산모듈과, 상기 픽셀수계산모듈에서 산출된 픽셀수를 상기 학습부에서 생성된 학습 알고리즘에 입력하여 시료의 조류독감 감염여부에 대한 결과를 생성하는 감염판정모듈을 포함하는 것을 특징으로 하는 인공지능 기반 조류독감 바이러스 진단 시스템.5. The method of claim 4,
The infection determination unit comprises: a cytoplasmic confirmation module for extracting a cytoplasmic portion from the cellular image of the sample transmitted from the terminal; A cytoplasmic transformation module that converts pixels into binary values based on the brightness, a pixel number calculation module that calculates and outputs the number of pixels assigned to 1 in the cytoplasmic transformation module 133, and the number of pixels calculated by the pixel number calculation module and an infection determination module for generating a result of whether the sample is infected with avian flu by inputting it into the learning algorithm generated by the learning unit. 제5항에 있어서,
상기 시료의 조류독감 감염여부에 대한 결과는 시료가 조류독감에 몇일 동안 감염되었는에 대한 결과를 포함하는 것을 특징으로 하는 인공지능 기반 조류독감 바이러스 진단 시스템.6. The method of claim 5,
The result of whether the sample is infected with avian flu is an artificial intelligence-based bird flu virus diagnosis system, characterized in that it includes a result of how many days the sample was infected with avian flu.
KR1020200042107A 2020-04-07 2020-04-07 Diagnosis system for detecting AI virus based on artificial intelligence KR20210124720A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200042107A KR20210124720A (en) 2020-04-07 2020-04-07 Diagnosis system for detecting AI virus based on artificial intelligence

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200042107A KR20210124720A (en) 2020-04-07 2020-04-07 Diagnosis system for detecting AI virus based on artificial intelligence

Publications (1)

Publication Number Publication Date
KR20210124720A true KR20210124720A (en) 2021-10-15

Family

ID=78151137

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200042107A KR20210124720A (en) 2020-04-07 2020-04-07 Diagnosis system for detecting AI virus based on artificial intelligence

Country Status (1)

Country Link
KR (1) KR20210124720A (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230085340A (en) 2021-12-07 2023-06-14 인바이츠헬스케어 주식회사 Diagnosis system for detecting disease based on artificial intelligence

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230085340A (en) 2021-12-07 2023-06-14 인바이츠헬스케어 주식회사 Diagnosis system for detecting disease based on artificial intelligence

Similar Documents

Publication Publication Date Title
JP7058373B2 (en) Lesion detection and positioning methods, devices, devices, and storage media for medical images
US10810735B2 (en) Method and apparatus for analyzing medical image
US20200293892A1 (en) Model test methods and apparatuses
US11657487B2 (en) Focus-weighted, machine learning disease classifier error prediction for microscope slide images
US20220222932A1 (en) Training method and apparatus for image region segmentation model, and image region segmentation method and apparatus
US9076198B2 (en) Information processing apparatus, information processing system, information processing method, program and recording medium
CN110009050A (en) A kind of classification method and device of cell
WO2022100510A1 (en) Image distortion evaluation method and apparatus, and computer device
EP3564857A1 (en) Pattern recognition method of autoantibody immunofluorescence image
CN113033305B (en) Living body detection method, living body detection device, terminal equipment and storage medium
CN111985281A (en) Image generation model generation method and device and image generation method and device
CN108399401B (en) Method and device for detecting face image
CN115049530A (en) Method, apparatus and system for debugging image signal processor
KR20210124720A (en) Diagnosis system for detecting AI virus based on artificial intelligence
CN105574844B (en) Rdaiation response Function Estimation method and apparatus
CN109886923A (en) It is a kind of for internet detection in measurement detection system and method based on machine learning
CN110428377B (en) Data expansion method, device, equipment and medium
KR20220070718A (en) System for Camouflage pattern evaluation based on image analysis and Method thereof
CN106446902B (en) non-character image recognition method and device
CN109816632A (en) Brain image processing method, device, readable storage medium storing program for executing and electronic equipment
CN114299037B (en) Quality evaluation method and device for object detection result, electronic equipment and computer readable storage medium
CN112712004B (en) Face detection system, face detection method and device and electronic equipment
CN116433671B (en) Colloidal gold detection method, system and storage medium based on image recognition
WO2023282611A1 (en) Ai model learning device for reading diagnostic kit test result and method for operating same
CN111353490B (en) Engine number plate quality analysis method and device, electronic equipment and storage medium