KR20210145359A - Method for providing information on diagnosing renal failure and device using the same - Google Patents

Method for providing information on diagnosing renal failure and device using the same Download PDF

Info

Publication number
KR20210145359A
KR20210145359A KR1020200062102A KR20200062102A KR20210145359A KR 20210145359 A KR20210145359 A KR 20210145359A KR 1020200062102 A KR1020200062102 A KR 1020200062102A KR 20200062102 A KR20200062102 A KR 20200062102A KR 20210145359 A KR20210145359 A KR 20210145359A
Authority
KR
South Korea
Prior art keywords
kidney
renal failure
region
medical image
diagnosis
Prior art date
Application number
KR1020200062102A
Other languages
Korean (ko)
Other versions
KR102472886B1 (en
Inventor
이상미
이상은
박정탁
이인호
강명균
변근호
김범경
Original Assignee
연세대학교 산학협력단
주식회사 인피닉스
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 연세대학교 산학협력단, 주식회사 인피닉스 filed Critical 연세대학교 산학협력단
Priority to KR1020200062102A priority Critical patent/KR102472886B1/en
Publication of KR20210145359A publication Critical patent/KR20210145359A/en
Application granted granted Critical
Publication of KR102472886B1 publication Critical patent/KR102472886B1/en

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
    • G16H50/20—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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0858—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving measuring tissue layers, e.g. skin, interfaces
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Data Mining & Analysis (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

As a method for providing information for a diagnosis of a renal failure implemented by a processor, provided, in the present invention, are the method for providing the information for the diagnosis of the renal failure comprising a step of receiving a medical image comprising the kidneys of an individual, a step of determining a kidney region in the medical image using a region prediction model learned to partition the kidney region in the medical image, a step of determining a characteristic for the kidney based on the kidney region, and a step of evaluating whether or not the renal failure for the individual occurs based on the medical image and the characteristic of the kidney; and a device for providing the information for the diagnosis of the renal failure using the same. Therefore, the present invention is capable of providing evaluation results for the renal failure with high accuracy.

Description

신부전증의 진단에 대한 정보 제공 방법 및 이를 이용한 디바이스{METHOD FOR PROVIDING INFORMATION ON DIAGNOSING RENAL FAILURE AND DEVICE USING THE SAME}Method for providing information on diagnosis of renal failure and device using the same

본 발명은, 신부전증의 진단에 대한 정보 제공 방법 및 이를 이용한 디바이스에 관한 것으로, 보다 구체적으로는 의료 영상에 기초하여 신부전증의 발병 여부를 평가하도록 구성된 방법 및 디바이스에 관한 것이다.The present invention relates to a method for providing information on diagnosis of renal failure and a device using the same, and more particularly, to a method and device configured to evaluate whether or not the onset of renal failure is based on a medical image.

신부전증 (Renal failure) 은 신장 기능이 제대로 이루어지지 않아 몸 안에 노폐물이 쌓여서 신체의 여러 가지 기능이 제대로 수행되지 않는 상태를 의미할 수 있다. 이때, 신부전증은 급성 신부전증 (acute renal failure) 과, 만성 신부전증 (chronic renal failure) 으로 나뉠 수 있다. 보다 구체적으로, 급성 신부전증은 신장내의 혈류이상, 신장 주변의 세포이상, 전립선, 방광, 신장결석 그리고 종양의 원인으로 인하여 신장 기능이 수시간에서 수일에 걸쳐 급격하게 저하되는 임상적 상태를 의미할 수 있다. 나아가, 만성 신부전증은 당뇨병성 신장질환, 고혈압과 기타 요로질환으로 인하여 3개월 이상 신장이 손상되어 있거나 신장 기능 감소가 지속적으로 나타나는 임상적 상태를 의미할 수 있다.Renal failure may refer to a condition in which various functions of the body are not performed properly due to accumulation of waste products in the body due to the failure of kidney function. In this case, renal failure may be divided into acute renal failure and chronic renal failure. More specifically, acute renal failure may refer to a clinical condition in which renal function is rapidly reduced over several hours to several days due to causes of abnormal blood flow in the kidneys, abnormal cells around the kidneys, prostate, bladder, kidney stones, and tumors. have. Furthermore, chronic renal failure may refer to a clinical condition in which kidneys are damaged for 3 months or longer due to diabetic kidney disease, high blood pressure, and other urinary tract diseases, or renal function continues to decrease.

신부전증의 진단방법으로는 복부 초음파 검사, 혈액검사, 소변검사가 있을 수 있다. 이때, 복부 초음파 검사는 의료진의 숙련도에 의존적일 수 있다. 예를 들어, 초음파 의료 영상에 기초한 급성 신부전증 및 만성 신부전증의 구별은 의료진의 숙련도에 따라 상이할 수도 있다. 나아가, 혈액검사 및 소변검사의 경우, 혈청 또는 소변 내의 크레아틴 단백질 수준에 기초하여 수행될 수 있으나, 진단 결과가 나오기까지 시간이 오래 걸리며, 약물이 추가적으로 이용된다는 제한점을 갖고 있다. Diagnosis of renal failure may include abdominal ultrasound, blood tests, and urine tests. In this case, the abdominal ultrasound examination may depend on the skill level of the medical staff. For example, the distinction between acute renal failure and chronic renal failure based on the ultrasound medical image may be different depending on the skill level of the medical staff. Furthermore, in the case of blood tests and urine tests, it can be performed based on the level of creatine protein in serum or urine, but it takes a long time to obtain a diagnostic result, and has limitations in that a drug is additionally used.

신부전증의 치료는 신장이식, 복막투석, 혈액 투석이 있을 수 있으나, 완치가 어려울 수 있어, 조기 진단으로 질병의 발병을 차단하는 것이 중요하게 여겨진다. 이는 조기 발견이 되어 신속하게 치료가 이루어지면, 정상 신장 기능으로 회복될 수 있는 가능성이 높기 때문에 조기 진단이 중요시 되는 질병이다. Kidney failure can be treated with kidney transplantation, peritoneal dialysis, and hemodialysis, but a cure can be difficult, so it is important to prevent the onset of the disease through early diagnosis. This is a disease in which early diagnosis is important because there is a high possibility that normal kidney function can be restored if it is detected early and treated promptly.

의료 서비스의 향상 등을 위하여 조기 진단이 더욱 요구되고 있음에 따라, 신부전증을 높은 정확도로 평가할 수 있는 새로운 진단 방법의 개발이 요구된다. As early diagnosis is more demanded for improvement of medical services, and the like, development of a new diagnostic method capable of evaluating renal failure with high accuracy is required.

발명의 배경이 되는 기술은 본 발명에 대한 이해를 보다 용이하게 하기 위해 작성되었다. 발명의 배경이 되는 기술에 기재된 사항들이 선행기술로 존재한다고 인정하는 것으로 이해되어서는 안 된다.The description underlying the invention has been prepared to facilitate understanding of the invention. It should not be construed as an admission that the matters described in the background technology of the invention exist as prior art.

한편, 연구자들은 인공지능 알고리즘 기반의 시스템을 도입함으로써 종래의 신부전증의 진단 시스템이 갖는 한계 및 문제점들을 보완하고자 하였다. On the other hand, researchers tried to supplement the limitations and problems of the conventional renal failure diagnosis system by introducing an artificial intelligence algorithm-based system.

그 결과, 의료 영상에 기초하여 신부전증의 발병 여부를 분류하도록 학습된 예측 모델을 이용한 신부전증의 진단 시스템이 제안되었다. 상기 시스템은, 이전보다 신뢰도 높은 결과를 제공할 수 있었으나, 신부전증의 진단에 있어 의료 영상의 특징만을 이용함에 따라, 진단 능력 향상에 한계가 있을 수 있다.As a result, a diagnosis system for renal failure using a predictive model trained to classify the onset of renal failure based on medical images has been proposed. Although the system could provide a more reliable result than before, there may be a limitation in improving diagnostic ability because only the characteristics of a medical image are used in diagnosing renal failure.

한편, 본 발명의 발명자들은, 전술한 신부전증의 진단 시스템이 갖는 한계를 극복하고자 하였고, 의료 영상뿐만 아니라 개체에 대한 다양한 임상적 데이터를 학습한 예측 모델을 신부전증 진단 시스템에 적용하고자 하였다. On the other hand, the inventors of the present invention tried to overcome the limitations of the above-described renal failure diagnosis system, and to apply a predictive model that learned not only medical images but also various clinical data for individuals to the renal failure diagnosis system.

더욱이, 본 발명의 발명자들은, 신장의 길이, 밝기 등의 신부전증과 연관된 임상적 특징을 추출하는 과정에서 신뢰도 높은 정보를 추출하기 위해 주변 장기에 대한 영역을 더욱 고려하고자 하였다. Moreover, the inventors of the present invention tried to further consider the region of the surrounding organs in order to extract highly reliable information in the process of extracting clinical features related to renal failure, such as the length and brightness of the kidney.

보다 구체적으로, 본 발명의 발명자들은, 신부전증의 진단 시스템에 대하여 신장 영역을 분할하도록 학습된 영역 예측 모델과, 이로부터 추출된 신장에 대한 특징, 그리고 개체의 나이, 키, 당뇨병 발병 여부 등의 임상 정보를 기초로 신부전증의 발병 여부를 분류하도록 구성된 질환 분류 모델을 적용하고자 하였다.More specifically, the inventors of the present invention provide a region prediction model trained to segment a kidney region for a diagnosis system of renal failure, and characteristics of the kidney extracted therefrom, and clinical evaluation of the individual's age, height, diabetes mellitus, etc. The purpose of this study was to apply a disease classification model configured to classify the onset of renal failure based on the information.

이때, 본 발명의 발명자들은, 초음파 기기간 밝기 차이가 나타나는 점을 인지할 수 있었고, 밝기를 보정하기 위한 방안으로, 영역 예측 모델에 대하여 신장의 영역뿐만 아니라 간 영역을 예측하도록 설계할 수 있었다.At this time, the inventors of the present invention were able to recognize that there is a difference in brightness between ultrasound apparatuses, and as a way to correct the brightness, the area prediction model could be designed to predict not only the kidney area but also the liver area.

그 결과, 본 발명의 발명자들은, 신부전증의 진단 시스템이 간 영역의 밝기에 기초하여 신장 영역에 대한 밝기를 결정함에 따라, 신뢰도 높은 신부전증과 연관된 임상적 특징이 제공될 수 있음을 확인할 수 있었다. As a result, the inventors of the present invention were able to confirm that, as the renal failure diagnostic system determines the brightness of the kidney area based on the brightness of the liver area, clinical features associated with renal failure can be provided with high reliability.

특히, 본 발명의 발명자들은, 새로운 신부전증의 진단 시스템을 제공함으로써, 만성 신부전증 및 급성 신부전증을 판독하는 것에 제한을 갖는 종래의 의료 영상에 기초한 진단 시스템의 한계를 극복할 수 있음을 기대할 수 있었다.In particular, the inventors of the present invention could be expected to overcome the limitations of the conventional medical imaging-based diagnostic system, which has limitations in reading chronic renal failure and acute renal failure, by providing a new diagnostic system for renal failure.

또한, 본 발명의 발명자들은 새로운 신부전증의 진단 시스템을 제공함으로써, 인공 지능 기반의 판독 결과의 지원에 따라 일관성 및 신뢰성 높은 판독 결과가 제공될 수 있음을 인지할 수 있었다. In addition, the inventors of the present invention were able to recognize that by providing a novel renal failure diagnosis system, consistent and reliable reading results can be provided by supporting artificial intelligence-based reading results.

나아가, 본 발명의 발명자들은 새로운 신부전증의 진단 시스템을 통한 조기 진단을 통해 타 검사를 위한 비용 절감 및 예후 예측이 가능하며, 특히 일차 의료기관에서 신장 질환에 대한 조기 진단 및 신속한 임상적 조치가 가능함을 기대할 수 있었다.Furthermore, the inventors of the present invention can reduce costs and predict prognosis for other tests through early diagnosis through a novel renal failure diagnosis system, and expect that, in particular, early diagnosis and rapid clinical action for kidney disease are possible in primary medical institutions. could

이에, 본 발명이 해결하고자 하는 과제는, 영역 예측 모델을 이용하여 수신된 의료 영상에 대하여 신장 영역 및/또는 간 영역을 결정하고, 이를 기초로 신장에 대한 특징 및/또는 간에 대한 특징을 결정하고, 의료 영상 및 특징에 기초하여 신부전증 발병 여부를 평가하도록 구성된, 신부전증의 진단에 대한 정보 제공 방법 및 이를 이용한 디바이스를 제공하는 것이다.Accordingly, the problem to be solved by the present invention is to determine a kidney area and/or a liver area with respect to a received medical image using a region prediction model, and determine the kidney and/or liver characteristics based on this, and , to provide a method for providing information on diagnosis of renal failure, configured to evaluate whether or not renal failure occurs based on medical images and characteristics, and a device using the same.

본 발명이 해결하고자 하는 다른 과제는, 영역 예측 모델을 이용하여 수신된 의료 영상에 대하여 신장 영역을 결정하고, 이를 기초로 신장에 대한 특징을 결정하고, 질환 분류 모델을 이용하여 추가로 수신된 개체에 대한 임상적 정보, 의료 영상에 대한 특징 및 신장에 대한 특징에 기초하여 신부전증 발병 여부를 평가하도록 구성된, 신부전증의 진단에 대한 정보 제공 방법 및 이를 이용한 디바이스를 제공하는 것이다.Another problem to be solved by the present invention is to determine a kidney area for a received medical image using a region prediction model, determine a characteristic of the kidney based on this, and an object additionally received using a disease classification model An object of the present invention is to provide a method for providing information on the diagnosis of renal failure, and a device using the same, configured to evaluate whether or not renal failure occurs based on clinical information, medical image characteristics, and kidney characteristics.

본 발명의 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.The problems of the present invention are not limited to the problems mentioned above, and other problems not mentioned will be clearly understood by those skilled in the art from the following description.

전술한 바와 같은 과제를 해결하기 위하여 본 발명의 일 실시예에 따른 신부전증의 진단에 대한 정보 제공 방법이 제공된다. 본 방법은, 프로세서에 의해 구현되는 신부전증의 진단에 대한 정보 제공 방법으로서, 개체의 신장을 포함하는 의료 영상을 수신하는 단계, 의료 영상 내에서 신장 영역을 분할하도록 학습된 영역 예측 모델을 이용하여, 의료 영상 내에서 신장 영역을 결정하는 단계, 신장 영역을 기반으로 신장에 대한 특징을 결정하는 단계, 및 의료 영상 및 신장에 대한 특징에 기초하여 개체에 대한 신부전증의 발병 여부를 평가하는 단계를 포함한다.In order to solve the above problems, there is provided a method for providing information on diagnosis of renal failure according to an embodiment of the present invention. The present method is a method for providing information on a diagnosis of renal failure implemented by a processor, comprising the steps of: receiving a medical image including a kidney of an individual; using a region prediction model trained to segment a kidney region in the medical image; determining a kidney area in the medical image, determining a characteristic for the kidney based on the kidney area, and evaluating whether the subject has renal failure based on the medical image and the kidney characteristic. .

본 발명의 특징에 따르면, 신장 영역은, 신장 유조직 (kidney parenchyma) 영역을 포함하고, 신장에 대한 특징은 유조직 영역의 평균 밝기를 포함할 수 있다. 이때, 신장에 대한 특징을 결정하는 단계는, 유조직 영역의 평균 밝기를 산출하는 단계를 포함할 수 있다.According to a feature of the present invention, the kidney region may include a kidney parenchyma region, and the feature for the kidney may include an average brightness of the parenchyma region. In this case, the step of determining the characteristics of the kidney may include calculating an average brightness of the parenchyma region.

본 발명의 다른 특징에 따르면, 신장 영역을 결정하는 단계 이후에, 신장 영역을 복수의 영역으로 분할하는 단계, 및 복수의 영역 중 선택된 특정 영역을 신장 유조직 영역으로 결정하는 단계를 더 포함할 수 있다.According to another feature of the present invention, after determining the renal region, the method may further include dividing the renal region into a plurality of regions, and determining a specific region selected from among the plurality of regions as the renal parenchyma region. .

본 발명의 또 다른 특징에 따르면, 의료 영상은 개체에 대한 간 영역을 더 포함할 수 있다. 이때, 상기 방법은 영역 예측 모델을 이용하여, 의료 영상 내에서 간 영역을 결정하는 단계, 및 간 영역을 기반으로 간에 대한 특징을 결정하는 단계를 더 포함할 수 있다.According to another feature of the present invention, the medical image may further include a liver region for the subject. In this case, the method may further include determining a liver region in the medical image by using the region prediction model, and determining characteristics of the liver based on the liver region.

본 발명의 또 다른 특징에 따르면, 신장에 대한 특징은, 신장의 밝기를 포함하고, 간에 대한 특징은, 간의 밝기를 포함할 수 있다. 이때, 신장에 대한 특징을 결정하는 단계는, 간의 밝기에 기초하여, 신장의 밝기를 결정하는 단계를 포함할 수 있다.According to another feature of the present invention, the characteristic for the kidney may include the brightness of the kidney, and the characteristic for the liver may include the brightness of the liver. In this case, the determining of the characteristics of the kidney may include determining the brightness of the kidney based on the brightness of the liver.

본 발명의 또 다른 특징에 따르면, 신부전증의 발병 여부를 평가하는 단계는, 의료 영상 및 신장에 대한 특징에 기초하여 신부전증 발병 여부를 결정하도록 학습된, 질환 분류 모델을 이용하여 개체에 대한 신부전증 발병 여부를 결정하는 단계를 포함할 수 있다.According to another feature of the present invention, the step of assessing whether or not the onset of renal failure may include using a disease classification model trained to determine whether or not renal failure occurs based on a medical image and characteristics of the kidney. may include the step of determining

본 발명의 또 다른 특징에 따르면, 상기 방법은, 개체에 대하여, 당뇨병의 발병 여부, 키, 몸무게, 나이 및 성별 중 적어도 하나의 의료 데이터를 수신하는 단계를 더 포함할 수 있다. 이때, 신부전증의 발병 여부를 평가하는 단계는, 질환 분류 모델을 이용하여, 의료 데이터, 의료 영상 및 신장에 대한 특징에 기초하여 개체에 대한 신부전증의 발병 여부를 평가하는 단계를 포함할 수 있다.According to another feature of the present invention, the method may further include receiving medical data of at least one of diabetes onset, height, weight, age, and sex with respect to the individual. In this case, the step of evaluating whether renal failure occurs may include evaluating whether or not the occurrence of renal failure in an individual based on medical data, a medical image, and characteristics of a kidney using a disease classification model.

본 발명의 또 다른 특징에 따르면, 질환 분류 모델은, 특징 추출 레이어를 포함하는 복수의 레이어로 이루어지고, 신부전증의 발병 여부를 평가하는 단계는, 특징 추출 레이어에 의료 영상이 입력되어 특징이 추출되는 단계, 복수의 레이어 중 마지막 레이어에 의료 영상으로부터 추출된 특징, 의료 데이터 및 특징데이터가 입력되는 단계, 및 신부전증의 발병 여부에 대한 결과가 출력될 수 있다.According to another feature of the present invention, the disease classification model consists of a plurality of layers including a feature extraction layer, and the step of evaluating whether or not the onset of renal failure is performed by inputting a medical image to the feature extraction layer and extracting features Step, a step of inputting features extracted from a medical image, medical data and feature data to the last layer among the plurality of layers, and a result of whether or not renal failure occurs may be output.

본 발명의 또 다른 특징에 따르면, 상기 방법은, 신장 영역을 결정하는 단계 이후에, 신장 영역을 크로핑 (cropping) 하는 단계를 더 포함할 수 있다. 이때, 신부전증의 발병 여부를 평가하는 단계는, 질환 분류 모델을 이용하여, 크로핑된 신장 영역, 및 신장에 대한 특징에 기초하여 개체에 대한 신부전증 발병 여부를 결정하는 단계를 포함할 수 있다.According to another feature of the present invention, the method may further include, after determining the stretched region, cropping the stretched region. In this case, the step of evaluating whether or not renal failure occurs may include determining whether or not renal failure occurs in the subject based on the cropped kidney area and the characteristics of the kidney using the disease classification model.

본 발명의 또 다른 특징에 따르면, 신장에 대한 특징은 신장의 길이를 포함하고, 신장에 대한 특징을 결정하는 단계는, 신장 영역의 장 축을 결정하는 단계, 및 장 축의 길이를 신장의 길이로 결정하는 단계를 포함할 수 있다.According to another feature of the present invention, the characteristic for elongation comprises a length of the elongation, and determining the characteristic for elongation includes determining a long axis of the stretch region, and determining the length of the long axis as the length of the elongation. may include the step of

본 발명의 또 다른 특징에 따르면, 신부전증 발병 여부를 평가하는 단계는, 의료 영상 및 신장에 대한 특징에 기초하여 개체에 대한 급성 신부전증 또는 만성 신부전증의 발병 여부를 결정하는 단계를 포함할 수 있다.According to another feature of the present invention, the step of evaluating whether or not renal failure develops may include determining whether acute renal failure or chronic renal failure occurs in an individual based on a medical image and characteristics of the kidney.

전술한 바와 같은 과제를 해결하기 위하여 본 발명의 다른 실시예에 따른 신부전증의 진단에 대한 정보 제공용 디바이스가 제공된다. 본 디바이스는, 개체의 신장을 포함하는 의료 영상을 수신하도록 구성된 통신부, 및 통신부와 통신하도록 연결된 프로세서를 포함한다. 이때, 프로세서는, 의료 영상 내에서 신장 영역을 분할하도록 학습된 영역 예측 모델을 이용하여, 의료 영상 내에서 신장 영역을 결정하고, 신장 영역을 기반으로 신장에 대한 특징을 결정하고, 의료 영상 및 신장에 대한 특징에 기초하여 개체에 대한 신부전증의 발병 여부를 평가하도록 구성된다.In order to solve the above problems, a device for providing information on diagnosis of renal failure according to another embodiment of the present invention is provided. The device includes a communication unit configured to receive a medical image including a kidney of an object, and a processor connected to the communication unit. In this case, the processor determines a kidney region in the medical image by using the region prediction model trained to segment the kidney region in the medical image, determines a feature of the kidney based on the kidney region, and determines the medical image and the height It is configured to evaluate whether or not the subject develops renal failure based on the characteristics of the patient.

본 발명의 특징에 따르면, 신장 영역은, 신장 유조직 (kidney parenchyma) 영역을 포함하고, 신장에 대한 특징은 유조직 영역의 평균 밝기를 포함할 수 있다. 이때, 프로세서는, 유조직 영역의 평균 밝기를 산출하도록 더 구성될 수 있다.According to a feature of the present invention, the kidney region may include a kidney parenchyma region, and the feature for the kidney may include an average brightness of the parenchyma region. In this case, the processor may be further configured to calculate an average brightness of the parenchyma region.

본 발명의 다른 특징에 따르면, 신장 영역을 복수의 영역으로 분할하고, 복수의 영역 중 선택된 특정 영역을 신장 유조직 영역으로 결정하도록 더 구성될 수 있다.According to another feature of the present invention, it may be further configured to divide the renal region into a plurality of regions, and determine a specific region selected from the plurality of regions as the renal parenchyma region.

본 발명의 또 다른 특징에 따르면, 의료 영상은 개체에 대한 간 영역을 더 포함할 수 있다. 이때, 프로세서는, 영역 예측 모델을 이용하여, 의료 영상 내에서 간 영역을 결정하고, 간 영역을 기반으로 간에 대한 특징을 결정하도록 더 구성될 수 있다.According to another feature of the present invention, the medical image may further include a liver region for the subject. In this case, the processor may be further configured to determine a liver region in the medical image by using the region prediction model, and to determine a characteristic of the liver based on the liver region.

본 발명의 또 다른 특징에 따르면, 신장에 대한 특징은, 신장의 밝기를 포함하고, 간에 대한 특징은, 간의 밝기를 포함할 수 있다. 이때, 프로세서는, 간의 밝기에 기초하여, 신장의 밝기를 결정하도록 더 구성될 수 있다.According to another feature of the present invention, the characteristic for the kidney may include the brightness of the kidney, and the characteristic for the liver may include the brightness of the liver. In this case, the processor may be further configured to determine the brightness of the kidney based on the brightness of the liver.

본 발명의 또 다른 특징에 따르면, 프로세서는 의료 영상 및 신장에 대한 특징에 기초하여 신부전증 발병 여부를 결정하도록 학습된, 질환 분류 모델을 이용하여 개체에 대한 신부전증 발병 여부를 결정하도록 더 구성될 수 있다.According to another feature of the present invention, the processor may be further configured to determine whether or not the subject develops renal failure using a disease classification model trained to determine whether renal failure occurs based on the medical image and the characteristics of the kidney. .

본 발명의 또 다른 특징에 따르면, 통신부는, 개체에 대하여, 당뇨병의 발병 여부, 키, 몸무게, 나이 및 성별 중 적어도 하나의 의료 데이터를 수신하도록 더 구성될 수 있다. 이때, 프로세서는, 질환 분류 모델을 이용하여, 의료 데이터, 의료 영상 및 신장에 대한 특징에 기초하여 개체에 대한 신부전증의 발병 여부를 평가하도록 더 구성될 수 있다.According to another feature of the present invention, the communication unit may be further configured to receive, with respect to the individual, medical data of at least one of diabetes mellitus, height, weight, age, and gender. In this case, the processor may be further configured to evaluate whether or not the subject has kidney failure based on the medical data, the medical image, and the characteristics of the kidney using the disease classification model.

본 발명의 또 다른 특징에 따르면, 질환 분류 모델은, 특징 추출 레이어를 포함하는 복수의 레이어로 이루어질 수 있다. 이때, 프로세서는, 특징 추출 레이어에 의료 영상이 입력되어 특징이 추출되고, 복수의 레이어 중 마지막 레이어에 의료 영상으로부터 추출된 특징, 의료 데이터 및 특징데이터가 입력되고, 신부전증의 발병 여부에 대한 결과가 출력되도록 더 구성될 수 있다.According to another feature of the present invention, the disease classification model may include a plurality of layers including a feature extraction layer. At this time, the processor receives a medical image input to the feature extraction layer to extract features, and inputs features, medical data and feature data extracted from the medical image to the last layer among the plurality of layers, and determines whether renal failure occurs or not. It may be further configured to output.

본 발명의 또 다른 특징에 따르면, 프로세서는, 신장 영역을 크로핑 (cropping) 하고, 질환 분류 모델을 이용하여, 크로핑된 신장 영역, 및 신장에 대한 특징에 기초하여 개체에 대한 신부전증 발병 여부를 결정하도록 더 구성될 수 있다.According to another feature of the present invention, the processor crops the kidney region, and uses the disease classification model to determine whether or not the subject has renal failure based on the cropped kidney region and the characteristics of the kidney. may be further configured to determine.

본 발명의 또 다른 특징에 따르면, 신장에 대한 특징은, 신장의 길이를 포함할 수 있다. 이때, 프로세서는, 신장 영역의 장 축을 결정하고, 장축의 길이를 신장의 길이로 결정하도록 더 구성될 수 있다. According to another feature of the present invention, the characteristics of the elongation may include the length of the elongation. In this case, the processor may be further configured to determine a long axis of the stretched region, and determine the length of the long axis as the length of the stretch.

본 발명의 또 다른 특징에 따르면, 프로세서는, 의료 영상 및 신장에 대한 특징에 기초하여 개체에 대한 급성 신부전증 또는 만성 신부전증의 발병 여부를 결정하도록 더 구성될 수 있다. According to another feature of the present invention, the processor may be further configured to determine whether acute renal failure or chronic renal failure occurs in the subject based on the medical image and the characteristics of the kidney.

기타 실시예의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.The details of other embodiments are included in the detailed description and drawings.

본 발명은, 예측 모델에 기초하여 의료 영상으로부터 신부전증과 연관된 임상적 특징을 추출하고, 분류 모델에 기초하여 신부전증의 발병 여부를 결정하도록 구성된, 새로운 신부전증의 진단 시스템을 제공함으로써, 정확도 높은 신부전증에 대한 평가 결과를 제공할 수 있다.The present invention provides a new diagnosis system for renal failure, which is configured to extract clinical features associated with renal failure from medical images based on a predictive model and determine whether or not renal failure occurs based on a classification model, thereby providing a high-accuracy evaluation results can be provided.

보다 구체적으로, 본 발명은, 신장 영역을 분할하도록 학습된 영역 예측 모델과, 이로부터 추출된 신장에 대한 특징 및 개체의 나이, 키, 당뇨병 발병 여부 등의 임상 정보를 기초로 신부전증의 발병 여부를 분류하도록 구성된 질환 분류 모델이 적용된 신부전증의 진단 시스템을 제공하여 신부전증의 진단과 연관된 판독 결과를 제공할 수 있다. More specifically, the present invention determines whether or not renal failure occurs based on a region prediction model trained to divide a renal region, and clinical information such as a characteristic of the kidney extracted therefrom, and the age, height, and diabetes onset of the individual. A diagnosis system for renal failure to which a disease classification model configured to classify may be provided to provide a reading result associated with the diagnosis of renal failure.

특히, 본 발명은 초음파간 밝기 차이를 고려하도록, 간 영역의 밝기에 기초하여 신장 영역에 대한 밝기를 결정하도록 설계됨에 따라, 신뢰도 높은 신부전증과 연관된 임상적 특징을 제공할 수 있다. In particular, since the present invention is designed to determine the brightness of the kidney area based on the brightness of the liver area in consideration of the brightness difference between ultrasound waves, it is possible to provide clinical features associated with renal failure with high reliability.

이에, 본 발명은 만성 신부전증 및 급성 신부전증을 판독하는 것에 한계를 갖는 종래의 의료 영상에 기초한 진단 시스템의 제한을 극복할 수 있다.Accordingly, the present invention can overcome the limitations of the conventional diagnostic system based on medical imaging, which has limitations in reading chronic renal failure and acute renal failure.

또한, 본 발명은 새로운 신부전증의 진단 시스템을 제공함으로써, 인공 지능 기반의 판독 결과의 지원에 따라 일관성 및 신뢰성 높은 판독 결과를 제공할 수 있다. In addition, by providing a novel renal failure diagnosis system, it is possible to provide consistent and reliable reading results by supporting artificial intelligence-based reading results.

나아가, 본 발명은, 타 검사를 위한 비용 절감 및 예후 예측에 기여할 수 있고, 특히 일차 의료기관에서 신장 질환에 대한 조기 진단 및 신속한 임상적 조치를 수행하는 것에 기여할 수 있다. Furthermore, the present invention can contribute to cost reduction and prognosis prediction for other tests, and in particular, it can contribute to early diagnosis and rapid clinical action for kidney disease in primary medical institutions.

본 발명에 따른 효과는 이상에서 예시된 내용에 의해 제한되지 않으며, 더욱 다양한 효과들이 본 명세서 내에 포함되어 있다.The effect according to the present invention is not limited by the contents exemplified above, and more various effects are included in the present specification.

도 1a는 본 발명의 일 실시예에 따른 신부전증의 진단에 대한 정보 제공용 디바이스에 기초한 신부전증의 진단 시스템을 예시적으로 도시한 것이다.
도 1b는 본 발명의 일 실시예에 따른 신부전증의 진단에 대한 정보 제공용 디바이스의 구성을 예시적으로 도시한 것이다.
도 1c는 본 발명의 일 실시예에 따른 신부전증의 진단에 대한 정보 제공용 디바이스로부터 신부전증에 대한 정보를 수신 받아 출력하는 의료진 디바이스의 구성을 예시적으로 도시한 것이다.
도 2는 본 발명의 일 실시예에 따른 신부전증의 진단에 대한 정보 제공 방법의 절차를 도시한 것이다.
도 3a는 본 발명의 일 실시예에 따른 신부전증의 진단에 대한 정보 제공 방법에 따라 신부전증 여부를 결정하는 절차를 예시적으로 도시한 것이다.
도 3b 및 3c는 본 발명의 일 실시예에 따른 신부전증의 진단에 대한 정보 제공 방법에서, 신장에 대한 특징을 추출하는 단계를 예시적으로 도시한 것이다.
도 4a 내지 4c는 본 발명의 다양한 실시예에 이용되는 영역 예측 모델의 영역 분할에 대한 평가 결과를 도시한 것이다.
도 5는 본 발명의 다양한 실시예에 이용되는 질환 분류 모델에 대한 평가 결과를 도시한 것이다.FIG. 1A exemplarily illustrates a system for diagnosing renal failure based on a device for providing information on diagnosis of renal insufficiency according to an embodiment of the present invention.
1B exemplarily shows the configuration of a device for providing information for diagnosis of renal failure according to an embodiment of the present invention.
1C exemplarily illustrates the configuration of a medical staff device that receives and outputs information on renal failure from a device for providing information on diagnosis of renal failure according to an embodiment of the present invention.
2 is a flowchart illustrating a method for providing information for diagnosis of renal failure according to an embodiment of the present invention.
3A exemplarily illustrates a procedure for determining whether renal failure is present according to a method for providing information on diagnosis of renal failure according to an embodiment of the present invention.
3B and 3C exemplarily show the step of extracting the characteristics of the kidney in the information providing method for the diagnosis of renal failure according to an embodiment of the present invention.
4A to 4C illustrate evaluation results for region division of a region prediction model used in various embodiments of the present invention.
5 illustrates evaluation results for a disease classification model used in various embodiments of the present invention.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조부호가 사용될 수 있다.Advantages and features of the present invention and methods of achieving them will become apparent with reference to the embodiments described below in detail in conjunction with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below, but will be implemented in various different forms, and only these embodiments allow the disclosure of the present invention to be complete, and common knowledge in the art to which the present invention pertains It is provided to fully inform those who have the scope of the invention, and the present invention is only defined by the scope of the claims. In connection with the description of the drawings, like reference numerals may be used for like components.

본 문서에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.In this document, expressions such as "has," "may have," "includes," or "may include" refer to the presence of a corresponding characteristic (eg, a numerical value, function, operation, or component such as a part). and does not exclude the presence of additional features.

본 문서에서, "A 또는 B," "A 또는/및 B 중 적어도 하나," 또는 "A 또는/및 B 중 하나 또는 그 이상" 등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B," "A 및 B 중 적어도 하나," 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는(3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다.In this document, expressions such as "A or B," "at least one of A and/and B," or "one or more of A or/and B" may include all possible combinations of the items listed together. . For example, "A or B," "at least one of A and B," or "at least one of A or B" means (1) includes at least one A, (2) includes at least one B; Or (3) it may refer to all cases including both at least one A and at least one B.

본 문서에서 사용된 "제1," "제2," "첫째," 또는 "둘째," 등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다. 예를 들면, 제1 사용자 기기와 제2 사용자 기기는, 순서 또는 중요도와 무관하게, 서로 다른 사용자 기기를 나타낼 수 있다. 예를 들면, 본 문서에 기재된 권리범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 바꾸어 명명될 수 있다.As used herein, expressions such as "first," "second," "first," or "second," may modify various elements, regardless of order and/or importance, and refer to one element. It is used only to distinguish it from other components, and does not limit the components. For example, the first user equipment and the second user equipment may represent different user equipment regardless of order or importance. For example, without departing from the scope of the rights described in this document, the first component may be named as the second component, and similarly, the second component may also be renamed as the first component.

어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 다른 구성요소(예: 제3 구성요소)가 존재하지 않는 것으로 이해될 수 있다.A component (eg, a first component) is "coupled with/to (operatively or communicatively)" to another component (eg, a second component) When referring to "connected to", it will be understood that the certain element may be directly connected to the other element or may be connected through another element (eg, a third element). On the other hand, when it is said that a component (eg, a first component) is "directly connected" or "directly connected" to another component (eg, a second component), the component and the It may be understood that other components (eg, a third component) do not exist between other components.

본 문서에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합한(suitable for)," "~하는 능력을 가지는(having the capacity to)," "~하도록 설계된(designed to)," "~하도록 변경된(adapted to)," "~하도록 만들어진(made to)," 또는 "~ 를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성된(또는 설정된)"은 하드웨어적으로 "특별히 설계된(specifically designed to)" 것만을 반드시 의미하지 않을 수 있다. 대신, 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된)프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다.As used herein, the expression "configured to (or configured to)" depends on the context, for example, "suitable for," "having the capacity to ," "designed to," "adapted to," "made to," or "capable of." The term “configured (or configured to)” may not necessarily mean only “specifically designed to” in hardware. Instead, in some circumstances, the expression “a device configured to” may mean that the device is “capable of” with other devices or parts. For example, the phrase “a processor configured (or configured to perform) A, B, and C” refers to a dedicated processor (eg, an embedded processor) for performing the operations, or by executing one or more software programs stored in a memory device. , may mean a generic-purpose processor (eg, a CPU or an application processor) capable of performing corresponding operations.

본 문서에서 사용된 용어들은 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 다른 실시예의 범위를 한정하려는 의도가 아닐 수 있다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 용어들은 본 문서에 기재된 기술분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가질 수 있다. 본 문서에 사용된 용어들 중 일반적인 사전에 정의된 용어들은, 관련 기술의 문맥상 가지는 의미와 동일 또는 유사한 의미로 해석될 수 있으며, 본 문서에서 명백하게 정의되지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다. 경우에 따라서, 본 문서에서 정의된 용어일지라도 본 문서의 실시 예들을 배제하도록 해석될 수 없다.Terms used in this document are only used to describe specific embodiments, and may not be intended to limit the scope of other embodiments. The singular expression may include the plural expression unless the context clearly dictates otherwise. Terms used herein, including technical or scientific terms, may have the same meanings as commonly understood by one of ordinary skill in the art described in this document. Among the terms used in this document, terms defined in a general dictionary may be interpreted with the same or similar meaning as the meaning in the context of the related art, and unless explicitly defined in this document, ideal or excessively formal meanings is not interpreted as In some cases, even terms defined in this document cannot be construed to exclude embodiments of this document.

본 발명의 여러 실시예들의 각각 특징들이 부분적으로 또는 전체적으로 서로 결합 또는 조합 가능하며, 당업자가 충분히 이해할 수 있듯이 기술적으로 다양한 연동 및 구동이 가능하며, 각 실시예들이 서로에 대하여 독립적으로 실시 가능할 수도 있고 연관 관계로 함께 실시 가능할 수도 있다. Each feature of the various embodiments of the present invention may be partially or wholly combined or combined with each other, and technically various interlocking and driving are possible, as will be fully understood by those skilled in the art, and each embodiment may be independently implemented with respect to each other, It may be possible to implement together in a related relationship.

본 명세서의 해석의 명확함을 위해, 이하에서는 본 명세서에서 사용되는 용어들을 정의하기로 한다. For clarity of interpretation of the present specification, terms used herein will be defined below.

본 명세서에서 사용되는 용어, "개체"는 신부전증을 예측하고자 하는 모든 대상을 의미할 수 있다. 예를 들어, 개체는, 신부전증 의심 개체일 수도 있다. 이때, 본 명세서 내에 개시된 개체는, 인간을 제외한 모든 포유 동물일 수 있으나, 이에 제한되는 것은 아니다. As used herein, the term “subject” may refer to any subject for whom renal failure is to be predicted. For example, the subject may be a subject suspected of having renal insufficiency. In this case, the subject disclosed herein may be any mammal except humans, but is not limited thereto.

본 명세서에서 사용되는 용어, "의료 영상"은, 영상 진단 장치로부터 촬영된 의료 영상으로, 신장 부위 나아가 간 부위를 포함할 수 있다. As used herein, the term “medical image” is a medical image captured by an imaging device, and may include a kidney region and a liver region.

예를 들어, 의료 영상은, 개체에 대하여 촬영된 초음파 의료 영상으로, 신장 영역, 특히 신장 유조직 (kidney parenchyma) 영역을 포함할 수 있다. 나아가 초음파 의료 영상은 간 영역을 포함할 수 있다. 그러나, 이에 제한되는 것은 아니다. For example, the medical image is an ultrasound medical image taken of an object, and may include a kidney region, particularly a kidney parenchyma region. Furthermore, the ultrasound medical image may include a liver region. However, it is not limited thereto.

한편, 의료 영상은, 2차원 영상, 3차원 영상, 한 컷의 스틸 영상, 또는 복수 개의 컷으로 구성된 동영상일 수 있다. 예를 들어, 의료 영상이 복수 개의 컷으로 구성된 동영상일 경우, 본 발명의 일 실시예에 따른 신부전증의 진단에 대한 정보 제공 방법에 따라 복수 개의 의료 영상 각각에 대하여 신장에 대한 특징이 추출된 후, 신부전증의 발병 여부에 대한 평가가 수행될 수 있다. 그 결과, 본 발명은 초음파 진단 장치와 같은 영상 진단 장치로부터의 의료 영상의 수신과 동시에 신부전증에 대한 평가를 수행할 수 있어, 실시간으로 신부전증의 진단 정보를 제공할 수 있다. Meanwhile, the medical image may be a two-dimensional image, a three-dimensional image, a still image of one cut, or a moving image composed of a plurality of cuts. For example, if the medical image is a moving picture composed of a plurality of cuts, after the kidney feature is extracted from each of the plurality of medical images according to the method for providing information on diagnosis of renal failure according to an embodiment of the present invention, An assessment may be performed for the development of renal insufficiency. As a result, according to the present invention, renal failure can be evaluated at the same time as a medical image is received from an imaging apparatus such as an ultrasound diagnosis apparatus, so that it is possible to provide diagnosis information of renal failure in real time.

본 명세서에서 사용되는 용어, "영역 예측 모델"은 의료 영상에 내에서 신부전증의 진단과 연관된 특징 추출을 위해, 신장 및/또는 간과 같은 관심 영역의 경계를 결정하여 분할하도록 구성된 모델일 수 있다. As used herein, the term “region prediction model” may be a model configured to determine and segment a boundary of a region of interest, such as a kidney and/or liver, in order to extract features associated with a diagnosis of renal failure within a medical image.

예를 들어, 영역 예측 모델은, 초음파 의료 영상을 입력으로 하여, 신장 영역 및 간 영역을 분할하여 출력하도록 학습된 모델일 수 있다.For example, the region prediction model may be a model trained to divide and output a renal region and a liver region by receiving an ultrasound medical image as an input.

본 발명의 특징에 따르면, 영역 예측 모델은 R-CNN, Fast R-CNN, Faster R-CNN, Mask R-CNN일 수 있다. According to a feature of the present invention, the region prediction model may be R-CNN, Fast R-CNN, Faster R-CNN, or Mask R-CNN.

바람직하게, 본 발명의 다양한 실시예에서 영역 예측 모델은, 신장 및/또는 간의 목표 영역을 검출한 후 검출된 영역에 대한 분할을 진행하고, 이에 추가적인 포스트-프로세싱 없이도 높은 퀄리티의 분할 결과를 제공할 수 있는 Mask R-CNN일 수 있으나 이에 제한되는 것은 아니다. 예를 들어, 본 발명의 영역 예측 모델은, CNN (Convolutional Neural Network) 기반의 SegNet, DeconvNet, DeepLAB V3+과 같은 DNN (deep neural network)을 기반으로 하는 예측 모델일 수도 있다.Preferably, in various embodiments of the present invention, the region prediction model detects the target region of the kidney and/or liver and then divides the detected region to provide a high quality segmentation result without additional post-processing. It may be a mask R-CNN that can be used, but is not limited thereto. For example, the region prediction model of the present invention may be a prediction model based on a deep neural network (DNN) such as SegNet, DeconvNet, or DeepLAB V3+ based on a Convolutional Neural Network (CNN).

특히, 본 발명의 다양한 실시예에서 영역 예측 모델은, 영역 분할 후 작은 세크멘트들을 필터링하기 위한 포스트-프로세싱이 요구되고, 분할에서 홀들을 제거해야 하는 한계점을 갖는, U-Net 또는 FCN 기반의 영역 분할 모델보다 정확도 높은 분할 결과를 제공할 수 있다. In particular, in various embodiments of the present invention, the region prediction model requires post-processing to filter small segments after region division, and has a limitation in that holes must be removed from division, a U-Net or FCN-based region It is possible to provide a segmentation result with higher accuracy than the segmentation model.

보다 구체적으로, 영역 예측 모델은, 사전 훈련된 ImageNet ResNext101을 백본으로하여, 특징 추출을 위한 ROIAlign 및 FPN (Feature Pyramid Networks) 가 적용된 모델일 수 있다.More specifically, the region prediction model may be a model to which ROIAlign and FPN (Feature Pyramid Networks) for feature extraction are applied using pre-trained ImageNet ResNext101 as a backbone.

이러한 구조적 특징에 의해, 의료 영상이 백본에 입력된 후, FPN을 통해 각 레이어에서 추출된 특징들이 재조합될 수 있다. 추출 특징들은 ROIAlign에 의해 서로 다른 스케일에서 다른 비율로 리샘플링되고, 목표 영역의 검출, 분류 및 분할을 위해 최종적으로 Mask R-CNN의 헤드에 입력될 수 있다. Due to these structural features, after a medical image is input to the backbone, features extracted from each layer through FPN may be recombined. Extracted features can be resampled at different scales at different rates by ROIAlign, and finally input to the head of Mask R-CNN for target region detection, classification and segmentation.

한편, 영역 예측 모델의 학습에, 멀티-테스크 손실 (multi-task loss) 이 적용될 수 있고, 보다 구체적으로 스무스 L1 (smooth L1) 이 바운딩 박스 회귀 모델 (bounding box regression) 에 사용되고, 바이너리 크로스 엔트로피 (binary cross-entropy) 가 영역 분할에 사용될 수 있다. 훈련된 영역 예측 모델을 획득하기 위해, 손실이 최소화될 수 있는 경사 하강법 (gradient descent) 이 적용될 수 있다. 이때, 학습률이 0.001이고, 배치 사이즈 (bath size) 가 48인 확률적 경사 하강법 (stochastic gradient descent) 이 이용될 수 있다. On the other hand, in the training of the region prediction model, a multi-task loss may be applied, and more specifically, smooth L1 is used for the bounding box regression model, and binary cross entropy ( Binary cross-entropy) can be used for region partitioning. To obtain a trained region prediction model, gradient descent can be applied in which loss can be minimized. In this case, stochastic gradient descent having a learning rate of 0.001 and a bath size of 48 may be used.

영역 예측 모델에 의해 출력된 신장 영역 및/또는 간 영역의 분할 결과는, 신부전증의 진단과 연관된 임상적 특징, 예를 들어 신장의 길이, 및 밝기와 같은 특징을 추출하는 절차에 이용될 수 있다.The segmentation result of the renal region and/or the liver region output by the region prediction model may be used in a procedure for extracting clinical features associated with the diagnosis of renal failure, for example, features such as the length and brightness of the kidney.

즉, 영역 예측 모델에 의해 의료 영상 내에서 결정된 목표 영역에 기초하여 임상적 특징이 결정될 수 있음에 따라, 본 발명의 신부전증 진단 시스템에 의한 신부전증 진단의 정보는 높은 신뢰도를 가질 수 있다. That is, as clinical characteristics can be determined based on the target region determined in the medical image by the region prediction model, information on renal failure diagnosis by the renal failure diagnosis system of the present invention can have high reliability.

본 명세서에서 사용되는 용어, "신장에 대한 특징"은 전술한 신부전증과 연관된 임상적 특징을 의미할 수 있다. 신장에 대한 특징은, 신장의 길이, 및 신장 에코발생도 (echogenicity) 의 신장의 밝기를 포함할 수 있으나 이에 제한되는 것은 아니며, 신장의 두께, 탄성도 등을 더욱 포함할 수 있다. 나아가, 신장의 밝기는 신장 유조직 영역에 대한 평균 에코발생도 (또는 평균 픽셀값) 을 의미할 수 있다. As used herein, the term “kidney characteristic” may refer to a clinical characteristic associated with the aforementioned renal failure. Characteristics for elongation may include, but are not limited to, elongation brightness of elongation length, and elongation echogenicity, and may further include elongation thickness, elasticity, and the like. Furthermore, the brightness of the kidney may mean the average echogenicity (or average pixel value) for the renal parenchyma region.

한편, "간에 대한 특징"은 간의 밝기를 포함할 수 있다. 이때, 간의 밝기는, 신장의 밝기를 보정하기 위한 특징일 수 있다. 예를 들어, 초음파 기기간 밝기 차이가 나타날 수 있음을 고려했을 때, 신장의 밝기는 간에 대한 신장의 에코발생도에 대응할 수도 있다. Meanwhile, the “characteristic of the liver” may include the brightness of the liver. In this case, the brightness of the liver may be a feature for correcting the brightness of the kidney. For example, considering that there may be a difference in brightness between ultrasound devices, the brightness of the kidney may correspond to the degree of echogenicity of the kidney with respect to the liver.

본 명세서에서 사용되는 용어, "질환 분류 모델"은 의료 영상, 신장에 대한 특징, 및/또는 개체에 대한 의료 데이터를 입력으로 하여, 최종적으로 정상 또는 신부전증, 급성 신부전증 또는 만성 신부전증을 확률적으로 출력하도록 학습된 모델일 수 있다. As used herein, the term “disease classification model” refers to a medical image, characteristics of the kidney, and/or medical data for an individual as input, and finally probabilistically outputs normal or renal failure, acute renal failure, or chronic renal failure. It may be a model trained to do so.

이때, "의료 데이터"는 개체에 대한 당뇨병의 발병 여부, 키, 몸무게, 나이 및 성별 중 적어도 하나일 수 있고, 바람직하게 당뇨병의 발병 여부, 및 키, 몸무게, 나이 및 성별 중 적어도 하나일 수 있으나 이에 제한되는 것은 아니다.In this case, the "medical data" may be at least one of diabetes onset, height, weight, age, and sex, preferably, the onset of diabetes, and at least one of height, weight, age and sex. However, the present invention is not limited thereto.

본 발명의 특징에 따르면, 질환 분류 모델은, 의료 영상, 신장에 대한 특징, 및 의료 데이터를 모두 이용하여, 신부전증의 발병 여부를 최종 분류하도록 학습된 모델일 수 있다.According to a feature of the present invention, the disease classification model may be a model trained to finally classify the onset of renal failure by using all of the medical image, the characteristics of the kidney, and the medical data.

이때, 질환 분류 모델은, ResNet18일 수 있으나 이에 제한되는 것은 아니며, VGG net, DenseNet 기반의 모델일 수도 있다.In this case, the disease classification model may be ResNet18, but is not limited thereto, and may be a VGG net or DenseNet-based model.

보다 구체적으로, 질환 분류 모델에서, 신장 영역을 포함하는 목표 영역이 크로핑된 의료 영상이 입력되면, 이에 대한 특징을 추출하는 컨볼루션 레이어를 거쳐 글로벌 평균 풀링 (global average pooling) 이 적용되고, 정상 또는 신부전증의 분류를 위한 FC (fully connected) 레이어로 이어질 수 있다. More specifically, in the disease classification model, when a medical image in which a target region including a kidney region is cropped is input, global average pooling is applied through a convolutional layer that extracts features, and a normal Alternatively, it may lead to a fully connected (FC) layer for classification of renal failure.

특히 질환 분류 모델의 마지막 레이어는, 크로핑된 의료 영상으로부터 추출된 특징과 함께, 의료 데이터 및 신장에 대한 특징이 입력된 후 접합 (concatenation) 되어 최종적으로 신부전증의 발병 여부, 만성 신부전증 또는 급성 신부전증인지에 대한 분류 결과가 출력되도록 구성될 수 있다. In particular, the last layer of the disease classification model is concatenated after input of medical data and kidney features, along with features extracted from cropped medical images, to determine whether renal failure occurs, chronic renal failure or acute renal failure. It may be configured to output a classification result for .

즉, 본 발명의 다양한 실시예에 따른 신부전증 진단 시스템은, 영역 예측 모델뿐만 아니라, 질환 분류 모델이 적용되어 신부전증 진단과 연관된 신뢰도 높은 정보를 제공할 수 있다. That is, the renal failure diagnosis system according to various embodiments of the present disclosure may provide not only a region prediction model but also a disease classification model to provide highly reliable information related to a diagnosis of renal failure.

한편, 훈련된 질환 분류 모델을 획득하기 위해, 에러가 최소화될 수 있는 경사 하강법이 적용될 수 있다.Meanwhile, in order to obtain a trained disease classification model, gradient descent in which an error can be minimized may be applied.

보다 구체적으로, 학습률이 0.001이고 배치 사이즈가 16인 ADAM (adaptive moment estimation optimizer) 가 이용될 수 있고, 90 에포크 (epochs) 까지 코사인 어닐링 (cosine annealing) 학습률 스케쥴러에 의해 학습률의 감소가 진행될 수 있다. More specifically, an adaptive moment estimation optimizer (ADAM) having a learning rate of 0.001 and a batch size of 16 may be used, and the learning rate may be reduced by a cosine annealing learning rate scheduler up to 90 epochs.

이하에서는 도 1a 내지 1c를 참조하여, 본 발명의 일 실시예에 따른 신부전증의 진단에 대한 정보 제공용 디바이스에 기초한 신부전증의 진단 시스템을 설명한다. Hereinafter, a system for diagnosing renal failure based on a device for providing information on diagnosis of renal failure according to an embodiment of the present invention will be described with reference to FIGS. 1A to 1C .

도 1a는 본 발명의 일 실시예에 따른 신부전증의 진단에 대한 정보 제공용 디바이스에 기초한 신부전증의 진단 시스템을 예시적으로 도시한 것이다. 도 1b는 본 발명의 일 실시예에 따른 신부전증의 진단에 대한 정보 제공용 디바이스의 구성을 예시적으로 도시한 것이다. 도 1c는 본 발명의 일 실시예에 따른 신부전증의 진단에 대한 정보 제공용 디바이스로부터 신부전증에 대한 정보를 수신 받아 출력하는 의료진 디바이스의 구성을 예시적으로 도시한 것이다.FIG. 1A exemplarily illustrates a system for diagnosing renal failure based on a device for providing information on diagnosis of renal insufficiency according to an embodiment of the present invention. 1B exemplarily shows the configuration of a device for providing information for diagnosis of renal failure according to an embodiment of the present invention. 1C exemplarily illustrates the configuration of a medical staff device that receives and outputs information on renal failure from a device for providing information on diagnosis of renal failure according to an embodiment of the present invention.

먼저, 도 1a을 참조하면, 신부전증의 진단 시스템 (1000) 은, 개체에 대한 의료 영상을 기초로 신부전증과 관련된 정보를 제공하도록 구성된 시스템일 수 있다. 이때, 신부전증의 진단 시스템 (1000) 은, 의료 영상에 기초하여, 신부전증과 연관된 임상적 특징을 추출하고, 이를 기초로 신부전증의 발병 여부를 평가하도록 구성된, 신부전증 진단에 대한 정보 제공용 디바이스 (100), 신부전증 진단에 대한 정보를 수신하는 의료진 디바이스 (200) 및 초음파 의료 영상과 같은 의료 영상을 제공하는 의료 영상 촬영용 디바이스 (300) 로 구성될 수 있다. First, referring to FIG. 1A , the renal failure diagnosis system 1000 may be a system configured to provide information related to renal failure based on a medical image of an individual. In this case, the renal failure diagnosis system 1000 is configured to extract clinical features related to renal failure based on the medical image, and evaluate whether or not the onset of renal failure occurs based on this, the device 100 for providing information on renal failure diagnosis , the medical staff device 200 that receives information on diagnosis of renal failure, and the medical imaging device 300 that provides a medical image such as an ultrasound medical image.

먼저, 신부전증의 진단에 대한 정보 제공용 디바이스 (100) 는 의료 영상 촬영용 디바이스 (300) 로부터 제공된 사용자의 의료 영상을 기초로 신부전증의 발병 여부를 평가하기 위해 다양한 연산을 수행하는 범용 컴퓨터, 랩탑, 및/또는 데이터 서버 등을 포함할 수 있다. 의료진 디바이스 (200) 는 신부전증에 대한 웹 페이지를 제공하는 웹 서버 (web server) 또는 모바일 웹 사이트를 제공하는 모바일 웹 서버 (mobile web server) 에 액세스하기 위한 디바이스일 수 있으나, 이에 한정되지 않는다. First, the device 100 for providing information on the diagnosis of renal failure is a general-purpose computer, laptop, and / or may include a data server and the like. The medical staff device 200 may be a device for accessing a web server providing a web page for renal failure or a mobile web server providing a mobile web site, but is not limited thereto.

구체적으로, 신부전증의 진단에 대한 정보 제공용 디바이스 (100) 는 의료 영상 촬영용 디바이스 (300) 로부터 의료 영상을 수신하고, 외부 DB (미도시) 로부터 개체에 대한 의료 기록 데이터를 수신한 후, 수신된 의료 영상으로부터 신장 영역 및/또는 간 영역을 검출 및 분할하여, 이들에 대한 특징을 추출하고, 의료 영상, 이들에 대한 특징, 나아가 의료 데이터를 이용하여 최종적으로 신부전증의 발병 여부를 평가하여 결과를 제공할 수 있다.Specifically, the device 100 for providing information on diagnosis of renal failure receives a medical image from the device 300 for taking a medical image, receives medical record data for an object from an external DB (not shown), and then receives the received Detect and segment the renal and/or liver regions from the medical image, extract their features, and finally evaluate the onset of renal failure using the medical image, their features, and further medical data to provide results can do.

이때, 신부전증의 진단에 대한 정보 제공용 디바이스 (100) 는 개체에 대한 신부전증의 발병과 연관된 데이터를 의료진 디바이스 (200) 로 제공할 수 있다. In this case, the device 100 for providing information on the diagnosis of renal failure may provide data related to the onset of renal failure for the individual to the medical staff device 200 .

이와 같이 신부전증의 진단에 대한 정보 제공용 디바이스 (100) 로부터 제공되는 데이터는, 의료진 디바이스 (200) 에 설치된 웹 브라우저를 통해 웹 페이지로 제공되거나, 어플리케이션, 또는 프로그램 형태로 제공될 수 있다. 다양한 실시예에서 이러한 데이터는 클라이언트-서버 환경에서 플랫폼에 포함되는 형태로 제공될 수 있다.As such, the data provided from the device 100 for providing information on diagnosis of renal failure may be provided as a web page through a web browser installed in the medical staff device 200 , or may be provided in the form of an application or a program. In various embodiments, such data may be provided in a form included in the platform in a client-server environment.

다음으로, 의료진 디바이스 (200) 는 개체에 대한 신부전증 발병에 대한 정보 제공을 요청하고 평가 결과 데이터를 나타내기 위한 사용자 인터페이스를 제공하는 전자 장치로서, 스마트폰, 태블릿 PC (Personal Computer), 노트북 및/또는 PC 등 중 적어도 하나를 포함할 수 있다.Next, the medical staff device 200 is an electronic device that requests the provision of information on the onset of renal failure for the subject and provides a user interface for displaying evaluation result data, including a smartphone, a tablet PC (Personal Computer), a laptop computer, and/or Alternatively, it may include at least one of a PC and the like.

의료진 디바이스 (200) 는 신부전증의 진단에 대한 정보 제공용 디바이스 (100) 로부터 개체에 대한 신부전증 발병에 관한 평가 결과를 수신하고, 수신된 결과를 표시부를 통해 표시할 수 있다. 여기서, 평가 결과는, 분류 모델에 의해 최종 결정된 신부전증의 발병 여부뿐만 아니라, 신부전증 발병 확률, 급성 신부전증 또는 만성 신부전증의 발병 확률, 신장의 길이 등을 포함할 수 있다. The medical staff device 200 may receive an evaluation result regarding the onset of renal failure for an individual from the device 100 for providing information on diagnosis of renal failure, and display the received result through a display unit. Here, the evaluation result may include not only the onset of renal failure finally determined by the classification model, but also the onset of renal failure, the probability of onset of acute or chronic renal failure, the length of the kidney, and the like.

다음으로, 도 1b를 참조하여, 본 발명의 신부전증의 진단에 대한 정보 제공용 디바이스 (100) 의 구성 요소에 대하여 구체적으로 설명한다. Next, with reference to FIG. 1B, the component of the device 100 for information provision for the diagnosis of renal failure of this invention is demonstrated in detail.

도 1b는 본 발명의 일 실시예에 따른 신부전증의 진단에 대한 정보 제공용 디바이스를 설명하기 위한 개략도이다. 1B is a schematic diagram for explaining a device for providing information on a diagnosis of renal failure according to an embodiment of the present invention.

도 1b를 참조하면, 신부전증의 진단에 대한 정보 제공용 디바이스 (100) 는 저장부 (110), 통신부 (120) 및 프로세서 (130) 를 포함한다. Referring to FIG. 1B , the device 100 for providing information on diagnosis of renal failure includes a storage unit 110 , a communication unit 120 , and a processor 130 .

먼저, 저장부 (110) 는 개체에 대한 신부전증 발병 여부를 평가를 위한 다양한 데이터를 저장할 수 있다. 다양한 실시예에서 저장부 (110) 는 플래시 메모리 타입, 하드디스크 타입, 멀티미디어 카드 마이크로 타입, 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램, SRAM, 롬, EEPROM, PROM, 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장 매체를 포함할 수 있다.First, the storage unit 110 may store various data for evaluating whether or not a person develops renal failure. In various embodiments, the storage unit 110 is a flash memory type, hard disk type, multimedia card micro type, card type memory (eg, SD or XD memory, etc.), RAM, SRAM, ROM, EEPROM, PROM, magnetic memory. , a magnetic disk, and an optical disk may include at least one type of storage medium.

통신부 (120) 는 신부전증의 진단에 대한 정보 제공용 디바이스 (100) 가 외부 장치와 통신이 가능하도록 연결한다. 통신부 (120) 는 유/무선 통신을 이용하여 의료진 디바이스 (200), 나아가 의료 영상 촬영용 디바이스 (300) 와 연결되어 다양한 데이터를 송수신할 수 있다. 구체적으로, 통신부 (120) 는 의료 영상 촬영용 디바이스 (300) 로부터 개체의 신장 부위에 대한 의료 영상을 수신할 수 있다. 또한, 통신부 (120) 는 의료진 디바이스 (200) 로 평가 결과를 전달할 수 있다. 더욱이, 통신부 (120) 는 외부의 개체에 대한 전자 의료 기록 (electronic medical record) 데이터를 저장하는 서버와 통신하여, 개체에 대한 당뇨병의 발병 여부, 키, 나이, 성별 등의 데이터를 추가로 수신할 수 있다. The communication unit 120 connects the device 100 for providing information on diagnosis of renal failure so that it can communicate with an external device. The communication unit 120 may be connected to the medical staff device 200 and further to the medical imaging device 300 using wired/wireless communication to transmit/receive various data. In detail, the communication unit 120 may receive a medical image of a kidney portion of an object from the device 300 for taking a medical image. Also, the communication unit 120 may transmit the evaluation result to the medical staff device 200 . Furthermore, the communication unit 120 communicates with a server that stores electronic medical record data for an external entity, and additionally receives data such as diabetes onset, height, age, gender, etc. for the entity. can

프로세서 (130) 는 저장부 (110) 및 통신부 (120) 와 동작 가능하게 연결되며, 개체에 대한 의료 영상을 분석하기 위한 다양한 명령들을 수행할 수 있다. The processor 130 is operatively connected to the storage 110 and the communication unit 120 , and may perform various commands for analyzing a medical image of an object.

구체적으로, 프로세서 (130) 는 통신부 (120) 를 통해 수신된 의료 영상을 기초하여 신부전증과 연관된 신장에 대한 특징, 예를 들어 신장의 밝기, 길이 등을 결정하고, 의료 영상과 함께 신부전증에 대한 특징, 및 개체에 대한 의료 데이터를 기초로 신부전증의 발병 여부를 평가하도록 구성될 수 있다. Specifically, the processor 130 determines the characteristics of the kidney associated with renal failure, for example, the brightness and length of the kidney, based on the medical image received through the communication unit 120 , and determines the characteristics of the renal failure together with the medical image. , and medical data for the subject.

이때, 프로세서 (130) 는 의료 영상에 대하여 신장 영역 및/또는 간 영역과 같은 목표 영역을 분할하도록 학습된 영역 예측 모델에 기초하여 영역을 분할하고, 이들 영역에 기초하여 신부전증과 연관된 특징, 예를 들어 신장의 밝기, 길이 등의 신장에 대한 특징을 결정할 수 있다. 그 다음, 프로세서 (130) 는, 의료 영상, 신장에 대한 특징, 나아가 의료 데이터에 기초하여 신부전증 발병 여부를 평가하도록 학습된 분류 모델을 이용하여, 최종적으로 개체에 대한 신부전증 발병 여부를 결정할 수 있다. In this case, the processor 130 divides the region based on the region prediction model learned to divide the target region, such as the kidney region and/or the liver region, with respect to the medical image, and based on these regions, features associated with renal failure, for example, For example, it is possible to determine characteristics of the kidney, such as the brightness and length of the kidney. Then, the processor 130 may finally determine whether or not the subject develops renal failure by using the classification model learned to evaluate whether renal failure occurs based on the medical image, the characteristics of the kidney, and furthermore, the medical data.

특히, 프로세서 (130) 는 추가적으로 수신된 의료 데이터를 더욱 활용함에 따라, 신뢰도 높은 임상 정보를 제공할 수 있다. 이에, 신부전증의 진단에 대한 정보 제공용 디바이스 (100) 는 의료진의 신부전증의 진행에 대한 잘못된 해석을 방지하고, 실제 임상 실무에 있어서 의료진의 워크 플로우를 향상시킬 수 있다.In particular, as the processor 130 further utilizes the additionally received medical data, it is possible to provide highly reliable clinical information. Accordingly, the device 100 for providing information on the diagnosis of renal failure can prevent the medical staff from erroneous interpretation of the progress of renal failure, and improve the workflow of the medical staff in actual clinical practice.

한편, 신부전증의 진단에 대한 정보 제공용 디바이스 (100) 는 하드웨어 적으로 설계된 것에 제한되는 것은 아니다. 예를 들어, 신부전증의 진단에 대한 정보 제공용 디바이스 (100) 의 프로세서 (130) 는 소프트웨어로 구현될 수 있다. 이에, 신부전증에 대한 평가 결과는 상기 소프트웨어가 연결된 의료 영상 촬영용 디바이스 (300) 의 표시부 (미도시) 를 통해 표시될 수도 있다.Meanwhile, the device 100 for providing information on diagnosis of renal failure is not limited to a hardware design. For example, the processor 130 of the device 100 for providing information on diagnosis of renal failure may be implemented as software. Accordingly, the evaluation result for renal failure may be displayed through a display unit (not shown) of the medical image capturing device 300 to which the software is connected.

한편, 도 1c를 함께 참조하면, 의료진 디바이스 (200) 는 통신부 (210), 표시부 (220), 저장부 (230) 및 프로세서 (240) 를 포함한다. Meanwhile, referring to FIG. 1C , the medical staff device 200 includes a communication unit 210 , a display unit 220 , a storage unit 230 , and a processor 240 .

통신부 (210) 는 의료진 디바이스 (200) 가 외부 장치와 통신이 가능하도록 연결한다. 통신부 (210) 는 유/무선 통신을 이용하여 신부전증의 진단에 대한 정보 제공용 디바이스 (100) 와 연결되어 신부전증의 진단과 연관된 다양한 데이터를 송신할 수 있다. 구체적으로, 통신부 (210) 는 신부전증의 진단에 대한 정보 제공용 디바이스 (100) 로부터 개체의 신부전증의 진단과 연관된 평가 결과, 예를 들어 신부전증의 발병 여부, 만성 신부전증 또는 급성 신부전증의 발병 여부, 신장의 길이 등 질환 분류 과정에서 결정되는 임상 정보를 수신할 수 있다. 상기 정보들은 의료 영상에 대하여 표시되어 제공될 수 있으나, 이에 제한되는 것은 아니다. The communication unit 210 connects the medical staff device 200 to enable communication with an external device. The communication unit 210 may be connected to the device 100 for providing information on diagnosis of renal failure using wired/wireless communication to transmit various data related to diagnosis of renal failure. Specifically, the communication unit 210 receives the evaluation result related to the diagnosis of renal failure of the individual from the device 100 for providing information on the diagnosis of renal failure, for example, whether renal failure occurs, whether chronic renal failure or acute renal failure occurs, the It is possible to receive clinical information determined in the disease classification process, such as length. The information may be displayed and provided with respect to a medical image, but is not limited thereto.

표시부 (220) 는 개체의 신부전증의 진단과 연관된 평가 결과를 나타내기 위한 다양한 인터페이스 화면을 표시할 수 있다. The display unit 220 may display various interface screens for displaying evaluation results related to the diagnosis of renal failure of an individual.

다양한 실시예에서 표시부 (220) 는 터치스크린을 포함할 수 있으며, 예를 들면, 전자 펜 또는 사용자의 신체의 일부를 이용한 터치 (touch), 제스처 (gesture), 근접, 드래그 (drag), 스와이프 (swipe) 또는 호버링 (hovering) 입력 등을 수신할 수 있다. In various embodiments, the display unit 220 may include a touch screen, for example, a touch, gesture, proximity, drag, swipe using an electronic pen or a part of the user's body. A swipe or hovering input may be received.

저장부 (230) 는 결과 데이터를 나타내기 위한 사용자 인터페이스를 제공하기 위해 사용되는 다양한 데이터를 저장할 수 있다. 다양한 실시예에서 저장부 (230) 는 플래시 메모리 타입 (flash memory type), 하드디스크 타입 (hard disk type), 멀티미디어 카드 마이크로 타입 (multimedia card micro type), 카드 타입의 메모리 (예를 들어 SD 또는 XD 메모리 등), 램 (Random Access Memory, RAM), SRAM (Static Random Access Memory), 롬 (Read-Only Memory, ROM), EEPROM (Electrically Erasable Programmable Read-Only Memory), PROM (Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. The storage 230 may store various data used to provide a user interface for displaying result data. In various embodiments, the storage unit 230 may include a flash memory type, a hard disk type, a multimedia card micro type, and a card type memory (eg, SD or XD). memory, etc.), RAM (Random Access Memory, RAM), SRAM (Static Random Access Memory), ROM (Read-Only Memory, ROM), EEPROM (Electrically Erasable Programmable Read-Only Memory), PROM (Programmable Read-Only Memory) , a magnetic memory, a magnetic disk, and an optical disk may include at least one type of storage medium.

프로세서 (240) 는 통신부 (210), 표시부 (220) 및 저장부 (230) 와 동작 가능하게 연결되며, 결과 데이터를 나타내기 위한 사용자 인터페이스를 제공하기 위한 다양한 명령들을 수행할 수 있다. The processor 240 is operatively connected to the communication unit 210 , the display unit 220 , and the storage unit 230 , and may perform various commands for providing a user interface for displaying result data.

이하에서는, 도 2, 도 3a 내지 도 3c를 참조하여, 본 발명의 일 실시예에 따른 신부전증의 진단에 대한 정보 제공 방법을 구체적으로 설명한다. 도 2는 본 발명의 일 실시예에 따른 신부전증의 진단에 대한 정보 제공 방법의 절차를 도시한 것이다. 도 3a는 본 발명의 일 실시예에 따른 신부전증의 진단에 대한 정보 제공 방법에 따라 신부전증 여부를 결정하는 절차를 예시적으로 도시한 것이다. 도 3b 및 3c는 본 발명의 일 실시예에 따른 신부전증의 진단에 대한 정보 제공 방법에서, 신장에 대한 특징을 추출하는 단계를 예시적으로 도시한 것이다.Hereinafter, a method for providing information on a diagnosis of renal failure according to an embodiment of the present invention will be described in detail with reference to FIGS. 2 and 3A to 3C . 2 is a flowchart illustrating a method for providing information for diagnosis of renal failure according to an embodiment of the present invention. 3A exemplarily illustrates a procedure for determining whether renal failure is present according to a method for providing information on diagnosis of renal failure according to an embodiment of the present invention. 3B and 3C exemplarily show the step of extracting the characteristics of the kidney in the information providing method for the diagnosis of renal failure according to an embodiment of the present invention.

먼저, 도 2를 참조하면, 본 발명의 일 실시예에 따른 신부전증의 진단에 대한 정보 제공의 절차는 다음과 같다. 먼저, 개체의 신장을 포함하는 의료 영상이 수신된다 (S210). 그 다음, 영역 예측 모델에 의해 의료 영상 내에서 신장 영역이 결정된다 (S220). 다음으로, 신장 영역을 기반으로 신장에 대한 특징이 결정되고 (S230), 의료 영상, 신장에 대한 특징에 기초하여 개체에 대한 신부전증의 발병 여부가 평가된다 (S240). 마지막으로, 평가 결과가 제공된다 (S250).First, referring to FIG. 2 , a procedure for providing information on a diagnosis of renal failure according to an embodiment of the present invention is as follows. First, a medical image including a kidney of an object is received (S210). Next, a kidney region in the medical image is determined by the region prediction model (S220). Next, the characteristics of the kidneys are determined based on the kidney area (S230), and based on the medical image and the characteristics of the kidneys, it is evaluated whether or not the occurrence of renal failure in the subject (S240). Finally, an evaluation result is provided (S250).

보다 구체적으로, 의료 영상이 수신되는 단계 (S210) 에서 신장 및/또는 간을 포함하는 의료 영상이 수신될 수 있다. 이때, 의료 영상은 초음파 의료 영상일 수 있으나, 이에 제한되는 것은 아니다.More specifically, in operation S210 of receiving the medical image, a medical image including a kidney and/or a liver may be received. In this case, the medical image may be an ultrasound medical image, but is not limited thereto.

본 발명의 일 실시예에 따르면, 의료 영상이 수신되는 단계 (S210) 에서 복수 개의 의료 영상이 수신될 수 있다. 예를 들어, 의료 영상 촬영 디바이스가 구동되어 실시간으로 촬영된 의료 영상이 획득될 수 있음에 따라, 의료 영상이 수신되는 단계 (S210) 에서 복수 개의 의료 영상이 획득될 수 있다. According to an embodiment of the present invention, a plurality of medical images may be received in operation S210 of receiving the medical images. For example, as a medical image photographing device is driven to obtain a medical image captured in real time, a plurality of medical images may be obtained in operation S210 of receiving the medical image.

다음으로, 신장 영역이 결정되는 단계 (S220) 에서, 신장 영역을 예측 하도록 구성된 영역 예측 모델이 이용될 수 있다.Next, in the step S220 in which the stretched region is determined, a region prediction model configured to predict the stretched region may be used.

본 발명의 특징에 따르면, 신장 영역이 결정되는 단계 (S220) 에서, 영역 예측 모델에 의해 신장 영역의 예측뿐만 아니라, 간 영역의 예측이 진행될 수 있다.According to a feature of the present invention, in the step S220 in which the kidney area is determined, not only the kidney area prediction but also the liver area prediction may proceed by the area prediction model.

예를 들어, 도 3a를 참조하면, 신장 영역이 결정되는 단계 (S220) 에서, 의료 영상이 수신되는 단계 (S210) 에 의해 수신된 초음파 의료 영상 (312) 이 영역 예측 모델 (320) 에 입력된다. 그 결과, 의료 영상 (310) 내에서 신장 영역 (322) 과 함께, 간 영역 (324) 이 분할되어 출력되고, 목표 영역의 분할이 진행된 의료 영상이 획득될 수 있다.For example, referring to FIG. 3A , in the step S220 in which the kidney region is determined, the ultrasound medical image 312 received in the step S210 in which the medical image is received is input to the region prediction model 320 . . As a result, in the medical image 310 , the liver region 324 and the kidney region 322 are divided and output, and a medical image in which the target region is divided may be obtained.

보다 구체적으로, 영역 예측 모델 (312) 은, 사전 훈련된 ImageNet ResNext101, 특징 추출을 위한 ROIAlign 및 FPN (Feature Pyramid Networks) 으로 이루어질 수 있다. More specifically, the region prediction model 312 may consist of a pre-trained ImageNet ResNext101, ROIAlign for feature extraction, and Feature Pyramid Networks (FPNs).

이러한 구조적 특징에 의해, 초음파 의료 영상 (312) 이 입력되면, FPN를 통해 각 레이어에서 추출된 특징들이 재조합되고, 재조합된 특징들은 ROIAlign을 거쳐 서로 다른 스케일에서 다른 비율로 리샘플링되고, 최종적으로 Mask R-CNN의 헤드에 입력되어 신장 영역 (322) 및 간 영역 (324) 의 목표 영역의 검출, 분류 및 분할이 진행될 수 있다. Due to these structural features, when the ultrasound medical image 312 is input, features extracted from each layer are recombined through FPN, the recombined features are resampled at different scales through ROIAlign at different rates, and finally Mask R -Input into the head of CNN, detection, classification and segmentation of target regions of the kidney region 322 and the liver region 324 may proceed.

그러나, 신장 영역이 결정되는 단계 (S220) 에서, 신장 영역 및/또는 간 영역의 분할 절차는 전술한 것에 제한되지 않고 보다 다양한 방법에 의해 수행될 수 있다. However, in the step S220 in which the renal region is determined, the procedure for dividing the renal region and/or the liver region is not limited to the above, and may be performed by more various methods.

본 발명의 다른 특징에 따르면, 신장 영역이 결정되는 단계 (S220) 이후에, 신장 영역을 복수의 영역으로 분할하고, 복수의 영역 중 선택된 특정 영역을 신장 유조직 영역으로 결정하는 단계가 더욱 수행될 수 있다.According to another feature of the present invention, after the step of determining the renal region ( S220 ), the step of dividing the renal region into a plurality of regions and determining a specific region selected from among the plurality of regions as the renal parenchyma region may be further performed. have.

예를 들어, 도 3b를 함께 참조하면, 영역 예측 모델 (320) 에 의해 분할된 신장 영역 (322) 은 3x4 격자 셀들로 재분할 되고, 최상단에서 중앙에 있는 셀에 포함된 신장 영역이 신장 유조직 영역으로 결정될 수 있다. For example, referring to FIG. 3B together, the stretched region 322 divided by the region prediction model 320 is re-divided into 3x4 grid cells, and the stretched region included in the cell in the center from the top is the renal parenchyma region. can be decided.

이때, 결정된 신장 유조직 영역은 후술할 신장에 대한 특징 결정 단계에서 이용될 수 있다. In this case, the determined renal parenchyma region may be used in the step of determining the characteristics of the kidney, which will be described later.

*다시, 도 2를 참조하면, 신장에 대한 특징이 결정되는 단계 (S230) 에서, 분할된 신장 영역에 기초하여 신부전증과 연관된 임상적 특징일 수 있는, 신장에 대한 특징이 결정될 수 있다.* Again referring to FIG. 2 , in the step S230 in which the characteristics of the kidneys are determined, the characteristics of the kidneys, which may be clinical characteristics associated with renal failure, may be determined based on the divided renal regions.

본 발명의 특징에 따르면, 신장에 대한 특징이 결정되는 단계 (S230) 에서, 신장에 대한 특징 추출을 위해, 영역 예측 모델에 의해 결정된 간 영역으로부터 추출된 특징이 이용될 수 있다.According to a feature of the present invention, in the step S230 in which the features of the kidney are determined, the features extracted from the liver region determined by the region prediction model may be used for feature extraction of the kidney.

예를 들어, 도 3a를 다시 참조하면, 신장에 대한 특징이 결정되는 단계 (S230) 에서, 신장 영역 (322) 에 기초하여 신장의 길이 (332) 및 신장 영역 (322) 에 대한 밝기가 결정될 수 있다.For example, referring back to FIG. 3A , in the step S230 in which the characteristic for the elongation is determined, the length 332 of the elongation and the brightness for the elongated region 322 may be determined based on the elongated region 322 . have.

보다 구체적으로, 도 3b를 함께 참조하면, 신장에 대한 특징이 결정되는 단계 (S230) 에서, 신장 유조직으로 결정된 영역에 대한 픽셀값이 취해지고, 동시에 간 영역 (324) 의 평균 픽셀값에 대응하는 간의 밝기가 결정되어, 간의 밝기에 기초하여 신장의 밝기가 표준화됨으로써 최종적으로 신장의 밝기가 결정될 수 있다. 이러한 산출 방식에 따라, 초음파 의료 영상 촬영 디바이스간 밝기 차이에 따른 오차를 줄일 수 있다. More specifically, referring together with FIG. 3B , in the step S230 in which the characteristic for the kidney is determined, pixel values for the region determined as the renal parenchyma are taken, and at the same time corresponding to the average pixel value of the liver region 324 The brightness of the liver may be determined, and the brightness of the kidney may be finally determined by normalizing the brightness of the kidney based on the brightness of the liver. According to this calculation method, it is possible to reduce an error due to a difference in brightness between ultrasound medical imaging devices.

도 3c를 더욱 참조하면, 신장에 대한 특징이 결정되는 단계 (S230) 에서, 신장 영역 (322) 에 대한 장축이 결정되고, 장축의 길이를 측정함으로써 신장의 길이 (332) 가 획득될 수 있다. With further reference to FIG. 3C , in the step S230 in which the characteristic for the elongation is determined, the long axis for the stretched region 322 is determined, and the length of the elongation 332 can be obtained by measuring the length of the long axis.

신장에 대한 특징이 결정되는 단계 (S230) 의 결과로, 신장의 길이, 신장의 밝기와 같은 측정 가능한 특징들이 결정될 수 있다. As a result of the step S230 in which the characteristic for the kidney is determined, measurable characteristics such as the length of the kidney and the brightness of the kidney may be determined.

다음으로, 다시 도 2를 참조하면, 신부전증의 발병 여부가 평가되는 단계 (S240) 에서 의료 영상 및 신장에 대한 특징에 기초하여 개체가 신부전증 또는 정상인지에 대한 평가가 수행된다.Next, referring again to FIG. 2 , in the step S240 in which the onset of renal failure is evaluated, it is evaluated whether the subject has renal failure or normal based on the medical image and characteristics of the kidney.

본 발명의 특징에 따르면, 신부전증의 발병 여부가 평가되는 단계 (S240) 에서, 의료 영상 및 신장에 대한 특징에 기초하여 신부전증 발병 여부를 결정하도록 학습된, 질환 분류 모델에 의해 개체에 대한 신부전증 발병 여부가 결정될 수 있다.According to a feature of the present invention, in the step (S240) in which the onset of renal failure is evaluated, based on the medical image and the characteristics of the kidney, whether or not the onset of renal failure for the individual is performed by the disease classification model trained to determine whether or not the onset of renal failure can be determined.

본 발명의 다른 특징에 따르면, 당뇨병의 발병 여부, 키, 몸무게, 나이 및 성별 중 적어도 하나의 의료 데이터가 수신되는 단계가 더 수행될 수 있고, 신부전증의 발병 여부가 평가되는 단계 (S240) 에서, 질환 분류 모델에 의해, 의료 데이터, 의료 영상 및 신장에 대한 특징에 기초하여 개체에 대한 신부전증의 발병 여부가 결정될 수 있다.According to another feature of the present invention, the step of receiving at least one medical data among the onset of diabetes, height, weight, age, and sex may be further performed, and in the step (S240) of evaluating whether the onset of renal failure occurs, According to the disease classification model, it may be determined whether or not the subject has renal failure based on the medical data, the medical image, and the characteristics of the kidney.

예를 들어, 다시 도 3a를 참조하면, 신부전증의 발병 여부가 평가되는 단계 (S240) 에서, 질환 분류 모델 (340) 에 신장 영역을 포함하는 목표 영역이 크로핑된 의료 영상 (미도시) 이 입력될 수 있다. 그 다음, 이에 대한 특징을 추출하는 컨볼루션 레이어로 이루어진 특징 추출부 (342) 를 통해 특징이 추출될 수 있다. 그 다음, 추출된 특징은, 글로벌 평균 풀링 (global average pooling) 후, 정상 또는 신부전증의 분류를 위한 출력 레이어인 FC (fully connected) 레이어 (344) 로 이어질 수 있다. For example, referring back to FIG. 3A , in the step S240 in which the onset of renal failure is evaluated, a medical image (not shown) in which the target region including the kidney region is cropped is input to the disease classification model 340 . can be Then, the feature may be extracted through the feature extraction unit 342 formed of a convolutional layer that extracts the feature. Then, the extracted features may be followed by a fully connected (FC) layer 344 , which is an output layer for classification of normal or renal failure, after global average pooling.

특히, 질환 분류 모델의 마지막 레이어인 FC 레이어 (344) 는, 크로핑된 의료 영상으로부터 추출된 특징과 함께, 개체에 대한 의료 데이터 (412) 및 신장의 길이 및 신장의 밝기와 같은 신장에 대한 특징을 입력 받을 수 있다. 그 다음, 접합 (concatenation) 하여 최종적으로 신부전증의 발병 여부, 만성 신부전증 또는 급성 신부전증인지에 대한 최종 평가 결과 (352) 를 출력할 수 있다.In particular, the FC layer 344, which is the last layer of the disease classification model, together with features extracted from the cropped medical images, medical data 412 for the subject and features about the kidney, such as the length of the kidney and the brightness of the kidney. can be input. Thereafter, by concatenation, a final evaluation result 352 for whether renal failure occurs, chronic renal failure, or acute renal failure may be output.

본 발명의 다른 특징에 따르면, 의료 데이터 (412) 및 신장의 길이 및 신장의 밝기와 같은 신장에 대한 특징은 프리-프로세싱 (pre-processing) 을 통해 FC 레이어 (344) 로 입력될 수도 있다.According to another feature of the present invention, medical data 412 and characteristics about the kidney, such as the length of the kidney and the brightness of the kidney, may be input to the FC layer 344 via pre-processing.

본 발명의 또 다른 특징에 따르면, 의료 데이터 (412) 는 적어도 당뇨병의 발병 여부를 포함할 수 있으나, 이에 제한되는 것은 아니다. According to another feature of the present invention, the medical data 412 may include at least whether diabetes occurs, but is not limited thereto.

신부전증의 발병 여부가 평가되는 단계 (S240) 에 의해 결정된, 평가 결과는, 다음의 평가 결과가 제공되는 단계 (S250) 를 통해, 의료진 디바이스로 송신되거나 신부전증 진단에 대한 정보 제공용 디바이스 (100) 의 표시부 (미도시) 를 통해 출력될 수 있다.The evaluation result, which is determined by the step (S240) in which the onset of renal failure is evaluated, is transmitted to the medical staff device through the step (S250) in which the following evaluation result is provided, or the device 100 for providing information on the diagnosis of renal failure It may be output through a display unit (not shown).

예를 들어, 도 3a를 다시 참조하면, 평가 결과가 제공되는 단계 (S250) 에서, 최종 평가 결과 (352) 와 함께, 신장의 길이 (332) 또는 신장의 밝기 등의 신장에 대한 특징이 제공될 수 있다. 이때, 이들 특징은 의료 영상 (312) 내에 표시되어 제공될 수도 있다. For example, referring back to FIG. 3A , in the step S250 in which the evaluation result is provided, along with the final evaluation result 352 , characteristics of the elongation, such as the length 332 of the elongation or the brightness of the elongation, may be provided. can In this case, these features may be displayed and provided in the medical image 312 .

*이상의 다양한 실시예에 따른 발명의 본 발명의 따른 신부전증의 진단에 대한 정보 제공 방법에 따라, 인공 지능 기반의 판독 결과의 지원이 가능한 신부전증의 진단 시스템을 제공함에 따라, 일관성 및 신뢰성 높은 판독 결과를 제공할 수 있다. 또한, 본 발명은, 타 검사를 위한 비용 절감 및 예후 예측에 기여할 수 있고, 특히 일차 의료기관에서 신장 질환에 대한 조기 진단 및 신속한 임상적 조치를 수행하는 것에 기여할 수 있다.* According to the information providing method for the diagnosis of renal failure according to the present invention according to the above various embodiments, the diagnosis system for renal failure that can support the reading result based on artificial intelligence is provided, thereby providing consistent and reliable reading results can provide In addition, the present invention can contribute to cost reduction and prognosis prediction for other tests, and in particular, it can contribute to early diagnosis and rapid clinical action for kidney disease in primary medical institutions.

평가: 본 발명의 다양한 실시예에 적용되는 영역 예측 모델의 평가Evaluation: Evaluation of a region prediction model applied to various embodiments of the present invention

도 4a 내지 4c는 본 발명의 다양한 실시예에 이용되는 영역 예측 모델의 영역 분할에 대한 평가 결과를 도시한 것이다.4A to 4C illustrate evaluation results for region division of a region prediction model used in various embodiments of the present invention.

도 4a의 (a) 및 (b), 도 4b의 (a) 및 (b), 도 4c의 (a) 및 (b), 를 참조하면, 영역 예측 모델에 의해 초음파 의료 영상 내에서 확률적으로 예측된 신장 영역 및 간 영역이 도시된다.Referring to (a) and (b) of FIG. 4A, (a) and (b) of FIG. 4B, and (a) and (b) of FIG. 4C, it is probabilistic in the ultrasound medical image by the area prediction model. Predicted renal and hepatic regions are shown.

이때, 신장 영역에 대한 확률 및 간 영역에 대한 확률은 0.83 내지 1로, 영역 예측 모델은 영역 예측의 민감도가 매우 높은 것으로 나타난다. In this case, the probability for the kidney region and the probability for the liver region range from 0.83 to 1, and the region prediction model appears to have very high sensitivity for region prediction.

이에, 영역 예측 모델에 의해 출력된 신장 영역 및/또는 간 영역의 분할 결과는, 신부전증의 진단과 연관된 임상적 특징, 예를 들어 신장의 길이, 및 밝기와 같은 특징을 추출하는 절차에 이용될 수 있다.Accordingly, the segmentation result of the renal region and/or the liver region output by the region prediction model can be used in a procedure for extracting clinical features related to the diagnosis of renal failure, for example, the length and brightness of the kidney. have.

즉, 영역 예측 모델에 의해 의료 영상 내에서 결정된 목표 영역에 기초하여 임상적 특징이 결정될 수 있음에 따라, 본 발명의 신부전증 진단 시스템에 의한 신부전증 진단의 정보는 높은 신뢰도를 가질 수 있다.That is, as clinical characteristics can be determined based on the target region determined in the medical image by the region prediction model, information on renal failure diagnosis by the renal failure diagnosis system of the present invention can have high reliability.

도 5는 본 발명의 다양한 실시예에 이용되는 질환 분류 모델에 대한 평가 결과를 도시한 것이다.5 illustrates evaluation results for a disease classification model used in various embodiments of the present invention.

도 5를 참조하면, 질환 분류 모델에 대하여, 개체에 대한 의료 데이터 없이 초음파 의료 영상에 기초하여 만성 신부전증의 발병 여부를 예측한 평가 (없음), 초음파 의료 영상 및 신장의 밝기, 신장의 길이와 같은 신장에 대한 특징 데이터에 기초하여 만성 신부전증의 발병 여부를 예측한 평가 (기본), 초음파 의료 영상, 신장에 대한 특징 데이터 및 당뇨 발병 여부에 기초하여 만성 신부전증의 발병 여부를 예측한 평가 (기본 + 당뇨) 들에 대한 결과가 도시된다.Referring to FIG. 5 , with respect to the disease classification model, evaluation predicting the onset of chronic renal failure based on the ultrasound medical image without medical data on the subject (none), the ultrasound medical image and the brightness of the kidney, such as the length of the kidney Assessment of predicting the onset of chronic renal failure based on kidney feature data (basic), ultrasound medical imaging, assessment of predicting the onset of chronic kidney failure on the basis of kidney feature data and diabetes (basic + diabetes) ) are shown.

보다 구체적으로, 신부전증 발병 예측에 있어서, 초음파 의료 영상과 함께 신장에 대한 특징 데이터를 이용했을 때 정확도가 81.243, 민감도가 86.173, AUC 값이 88.485로, 초음파 의료 영상을 단독으로 이용했을 때의 정확도 (74.371), 민감도 (78.170) 및 AUC 값 (80.608) 보다 현저하게 높은 것으로 나타난다.More specifically, in predicting the onset of renal failure, the accuracy was 81.243, the sensitivity was 86.173, and the AUC value was 88.485 when the characteristic data on the kidney was used together with the ultrasound medical image, and the accuracy when the ultrasound medical image was used alone ( 74.371), sensitivity (78.170) and AUC values (80.608).

특히, 개체에 대한 당뇨 발병 여부를 만성 신부전증 발병의 예측에 더욱 고려했을 때, 정확도는 85.857, 민감도는 89.440 및 AUC 값은 91.283으로, 초음파 의료 영상 및 신장에 대한 특징 데이터를 이용했을 때보다 질환 예측 모델의 진단 성능이 우수한 것으로 나타난다.In particular, when the onset of diabetes for an individual was further considered in predicting the onset of chronic renal failure, the accuracy was 85.857, the sensitivity was 89.440, and the AUC value was 91.283. It appears that the diagnostic performance of the model is excellent.

이러한 결과는, 본 발명의 다양한 실시예에서 이용되며, 의료 영상뿐만 아니라, 신장에 대한 특징 데이터, 나아가 당뇨의 발병 여부, 개체의 키, 몸무게, 나이 및 성별의 의료 데이터를 더욱 고려하여 신부전증의 발병 여부를 분류하도록 학습된 질환 분류 모델이 우수한 진단 성능을 갖고 있음을 의미할 수 있다.These results are used in various embodiments of the present invention, and the onset of renal insufficiency in consideration of not only medical images, but also characteristic data on the kidney, furthermore, the onset of diabetes, and medical data of the individual's height, weight, age, and sex. It may mean that the disease classification model trained to classify whether or not has good diagnostic performance.

따라서, 본 발명은 질환 분류 모델에 기초하여 신부전증의 발병 여부를 결정하도록 구성된, 신부전증의 진단 시스템을 제공함으로써, 정확도 높은 신부전증에 대한 평가 결과를 제공할 수 있다.Accordingly, the present invention can provide a high-accuracy evaluation result for renal failure by providing a diagnostic system for renal failure configured to determine whether or not the onset of renal failure is based on a disease classification model.

보다 구체적으로, 본 발명은, 신장 영역을 분할하도록 학습된 영역 예측 모델과, 이로부터 추출된 신장에 대한 특징 및 개체의 나이, 키, 당뇨병 발병 여부 등의 임상 정보를 기초로 신부전증의 발병 여부를 분류하도록 구성된 질환 분류 모델이 적용된 신부전증의 진단 시스템을 제공하여 신부전증의 진단과 연관된 판독 결과를 제공할 수 있다.More specifically, the present invention determines whether or not renal failure occurs based on a region prediction model trained to divide a renal region, and clinical information such as a characteristic of the kidney extracted therefrom, and the age, height, and diabetes onset of the individual. A diagnosis system for renal failure to which a disease classification model configured to classify may be provided to provide a reading result associated with the diagnosis of renal failure.

이상 첨부된 도면을 참조하여 본 발명의 실시 예들을 더욱 상세하게 설명하였으나, 본 발명은 반드시 이러한 실시 예로 국한되는 것은 아니고, 본 발명의 기술사상을 벗어나지 않는 범위 내에서 다양하게 변형 실시될 수 있다. 따라서, 본 발명에 개시된 실시 예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 그러므로, 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다. Although the embodiments of the present invention have been described in more detail with reference to the accompanying drawings, the present invention is not necessarily limited to these embodiments, and various modifications may be made within the scope without departing from the technical spirit of the present invention. Therefore, the embodiments disclosed in the present invention are not intended to limit the technical spirit of the present invention, but to explain, and the scope of the technical spirit of the present invention is not limited by these embodiments. Therefore, it should be understood that the embodiments described above are illustrative in all respects and not restrictive. The protection scope of the present invention should be construed by the following claims, and all technical ideas within the equivalent range should be construed as being included in the scope of the present invention.

100: 신부전증의 진단에 대한 정보 제공용 디바이스
110, 230: 저장부
120, 210: 통신부
130, 240: 프로세서
200: 의료진 디바이스
220: 표시부
300: 의료 영상 촬영용 디바이스
312: 의료 영상
320: 영역 예측 모델
322: 신장 영역
324: 간 영역
332: 신장의 길이
340: 질환 분류 모델
342: 특징 추출부
344: FC 레이어
352: 최종 평가 결과
412: 의료 데이터100: Device for providing information on the diagnosis of renal failure
110, 230: storage unit
120, 210: communication unit
130, 240: processor
200: medical staff device
220: display unit
300: device for medical imaging
312: medical image
320: area prediction model
322: kidney area
324: liver region
332: the length of the kidney
340: disease classification model
342: feature extraction unit
344: FC layer
352: final evaluation result
412: medical data

Claims (22)

프로세서에 의해 구현되는 신부전증 진단에 대한 정보 제공 방법으로서,
개체의 신장을 포함하는 의료 영상을 수신하는 단계;
상기 의료 영상 내에서 신장 영역을 분할하도록 학습된 영역 예측 모델을 이용하여, 상기 의료 영상 내에서 신장 영역을 결정하는 단계;
상기 신장 영역을 기반으로 신장에 대한 특징을 결정하는 단계, 및
상기 의료 영상 및 상기 신장에 대한 특징에 기초하여 상기 개체에 대한 신부전증의 발병 여부를 평가하는 단계를 포함하는, 신부전증 진단에 대한 정보 제공 방법.A method of providing information for renal failure diagnosis implemented by a processor, comprising:
Receiving a medical image including the subject's kidneys;
determining a kidney region in the medical image by using a region prediction model trained to segment a kidney region in the medical image;
determining a characteristic for the kidney based on the kidney area; and
A method for providing information on diagnosing renal failure, comprising the step of evaluating whether or not renal failure occurs in the subject based on the medical image and characteristics of the kidney. 제1항에 있어서,
상기 신장 영역은,
신장 유조직 (kidney parenchyma) 영역을 포함하고,
상기 신장에 대한 특징은 상기 유조직 영역의 평균 밝기를 포함하고,
상기 신장에 대한 특징을 결정하는 단계는,
상기 유조직 영역의 평균 밝기를 산출하는 단계를 포함하는, 신부전증의 진단에 대한 정보 제공 방법. According to claim 1,
The kidney area is
comprising areas of kidney parenchyma,
wherein the characteristic for the kidney comprises an average brightness of the parenchyma region;
The step of determining the characteristics of the kidney,
A method for providing information on diagnosis of renal failure, comprising the step of calculating an average brightness of the parenchyma region. 제2항에 있어서,
상기 신장 영역을 결정하는 단계 이후에,
상기 신장 영역을 복수의 영역으로 분할하는 단계, 및
상기 복수의 영역 중 선택된 특정 영역을 상기 신장 유조직 영역으로 결정하는 단계를 더 포함하는, 신부전증의 진단에 대한 정보 제공 방법.3. The method of claim 2,
After determining the stretch area,
dividing the stretch region into a plurality of regions; and
Further comprising the step of determining a specific region selected from among the plurality of regions as the renal parenchyma region, the information providing method for the diagnosis of renal failure. 제1항에 있어서,
상기 의료 영상은 상기 개체에 대한 간 영역을 더 포함하고,
상기 영역 예측 모델을 이용하여, 상기 의료 영상 내에서 상기 간 영역을 결정하는 단계, 및
상기 간 영역을 기반으로 간에 대한 특징을 결정하는 단계를 더 포함하는, 신부전증의 진단에 대한 정보 제공 방법.According to claim 1,
The medical image further comprises a liver region for the subject,
determining the liver region in the medical image by using the region prediction model; and
Further comprising the step of determining characteristics of the liver based on the liver region, the method for providing information on the diagnosis of renal failure. 제4항에 있어서,
상기 신장에 대한 특징은, 신장의 밝기를 포함하고,
상기 간에 대한 특징은, 간의 밝기를 포함하고,
상기 신장에 대한 특징을 결정하는 단계는,
상기 간의 밝기에 기초하여, 상기 신장의 밝기를 결정하는 단계를 포함하는, 신부전증의 진단에 대한 정보 제공 방법.5. The method of claim 4,
Characteristics for the kidney, including the brightness of the kidney,
The characteristics of the liver, including the brightness of the liver,
The step of determining the characteristics of the kidney,
Based on the brightness of the liver, the method comprising the step of determining the brightness of the kidney, information providing method for the diagnosis of renal failure. 제1항에 있어서,
상기 신부전증의 발병 여부를 평가하는 단계는,
의료 영상 및 신장에 대한 특징에 기초하여 신부전증 발병 여부를 결정하도록 학습된, 질환 분류 모델을 이용하여 상기 개체에 대한 신부전증 발병 여부를 결정하는 단계를 포함하는, 신부전증의 진단에 대한 정보 제공 방법.According to claim 1,
The step of evaluating whether the onset of renal failure is,
A method for providing information on the diagnosis of renal failure, comprising the step of determining whether or not renal failure occurs in the subject using a disease classification model, which is trained to determine whether or not renal failure occurs based on a medical image and characteristics of the kidney. 제6항에 있어서,
상기 개체에 대하여, 당뇨병의 발병 여부, 키, 몸무게, 나이 및 성별 중 적어도 하나의 의료 데이터를 수신하는 단계를 더 포함하고,
상기 신부전증의 발병 여부를 평가하는 단계는,
상기 질환 분류 모델을 이용하여, 상기 의료 데이터, 상기 의료 영상 및 상기 신장에 대한 특징에 기초하여 상기 개체에 대한 신부전증의 발병 여부를 평가하는 단계를 포함하는, 신부전증의 진단에 대한 정보 제공 방법.7. The method of claim 6,
With respect to the subject, further comprising the step of receiving at least one medical data of whether the onset of diabetes, height, weight, age, and sex,
The step of evaluating whether the onset of renal failure is,
Using the disease classification model, based on the medical data, the medical image, and the characteristics of the kidney, comprising the step of evaluating whether or not the onset of renal insufficiency in the subject, the information providing method for the diagnosis of renal insufficiency. 제7항에 있어서,
상기 질환 분류 모델은,
특징 추출 레이어를 포함하는 복수의 레이어로 이루어지고,
상기 신부전증의 발병 여부를 평가하는 단계는,
상기 특징 추출 레이어에 상기 의료 영상이 입력되어 특징이 추출되는 단계;
상기 복수의 레이어 중 마지막 레이어에 상기 의료 영상으로부터 추출된 특징, 상기 의료 데이터 및 상기 특징데이터가 입력되는 단계, 및
신부전증의 발병 여부에 대한 결과가 출력되는 단계를 포함하는, 신부전증의 진단에 대한 정보 제공 방법.8. The method of claim 7,
The disease classification model is
Consists of a plurality of layers including a feature extraction layer,
The step of evaluating whether the onset of renal failure is,
inputting the medical image to the feature extraction layer and extracting features;
inputting the feature extracted from the medical image, the medical data, and the feature data to a last layer among the plurality of layers; and
A method for providing information on the diagnosis of renal failure, comprising the step of outputting a result of whether or not renal failure occurs. 제6항에 있어서,
상기 신장 영역을 결정하는 단계 이후에,
상기 신장 영역을 크로핑 (cropping) 하는 단계를 더 포함하고,
상기 신부전증의 발병 여부를 평가하는 단계는,
상기 질환 분류 모델을 이용하여, 크로핑된 신장 영역, 및 상기 신장에 대한 특징에 기초하여 상기 개체에 대한 신부전증 발병 여부를 결정하는 단계를 포함하는, 신부전증의 진단에 대한 정보 제공 방법.7. The method of claim 6,
After determining the stretch area,
further comprising cropping the stretch region;
The step of evaluating whether the onset of renal failure is,
Using the disease classification model, the method for providing information on the diagnosis of renal insufficiency, comprising the step of determining whether to develop renal failure in the subject based on the cropped kidney region and the characteristics of the kidney. 제1항에 있어서,
상기 신장에 대한 특징은, 신장의 길이를 포함하고,
상기 신장에 대한 특징을 결정하는 단계는,
상기 신장 영역의 장 축을 결정하는 단계, 및
상기 장축의 길이를 상기 신장의 길이로 결정하는 단계를 포함하는, 신부전증의 진단에 대한 정보 제공 방법.According to claim 1,
Characteristics for the kidney, including the length of the kidney,
The step of determining the characteristics of the kidney,
determining the long axis of the stretch region; and
Including the step of determining the length of the long axis as the length of the kidney, information providing method for the diagnosis of renal failure. 제1항에 있어서,
상기 신부전증 발병 여부를 평가하는 단계는,
상기 의료 영상 및 상기 신장에 대한 특징에 기초하여 상기 개체에 대한 급성 신부전증 또는 만성 신부전증의 발병 여부를 결정하는 단계를 포함하는, 신부전증의 진단에 대한 정보 제공 방법. According to claim 1,
The step of evaluating whether the onset of renal failure is,
A method for providing information on diagnosis of renal failure, comprising determining whether acute renal failure or chronic renal failure occurs in the subject based on the medical image and characteristics of the kidney. 개체의 신장을 포함하는 의료 영상을 수신하도록 구성된 통신부, 및
상기 통신부와 통신하도록 연결된 프로세서를 포함하고,
상기 프로세서는,
상기 의료 영상 내에서 신장 영역을 분할하도록 학습된 영역 예측 모델을 이용하여, 상기 의료 영상 내에서 신장 영역을 결정하고, 상기 신장 영역을 기반으로 신장에 대한 특징을 결정하고, 상기 의료 영상 및 상기 신장에 대한 특징에 기초하여 상기 개체에 대한 신부전증의 발병 여부를 평가하도록 구성된, 신부전증 진단에 대한 정보 제공용 디바이스.a communication unit configured to receive a medical image comprising a kidney of the subject; and
a processor connected to communicate with the communication unit;
The processor is
A kidney region is determined in the medical image by using a region prediction model trained to segment a kidney region in the medical image, and a feature of the kidney is determined based on the kidney region, and the medical image and the kidney A device for providing information on diagnosing renal failure, configured to evaluate whether or not the onset of renal failure for the subject based on the characteristics of the. 제12항에 있어서,
상기 신장 영역은,
신장 유조직 (kidney parenchyma) 영역을 포함하고,
상기 신장에 대한 특징은 상기 유조직 영역의 평균 밝기를 포함하고,
상기 프로세서는,
상기 유조직 영역의 평균 밝기를 산출하도록 더 구성된, 신부전증 진단에 대한 정보 제공용 디바이스. 13. The method of claim 12,
The kidney area is
comprising areas of kidney parenchyma,
wherein the characteristic for the kidney comprises an average brightness of the parenchyma region;
The processor is
The device for providing information on diagnosis of renal failure, further configured to calculate an average brightness of the parenchyma region. 제13항에 있어서,
상기 프로세서는,
상기 신장 영역을 복수의 영역으로 분할하고, 상기 복수의 영역 중 선택된 특정 영역을 상기 신장 유조직 영역으로 결정하도록 더 구성된, 신부전증 진단에 대한 정보 제공용 디바이스.14. The method of claim 13,
The processor is
The device for providing information on diagnosing renal failure, further configured to divide the renal region into a plurality of regions, and to determine a specific region selected from among the plurality of regions as the renal parenchyma region. 제12항에 있어서,
상기 의료 영상은 상기 개체에 대한 간 영역을 더 포함하고,
상기 프로세서는,
상기 영역 예측 모델을 이용하여, 상기 의료 영상 내에서 상기 간 영역을 결정하고, 상기 간 영역을 기반으로 간에 대한 특징을 결정하도록 더 구성된, 신부전증 진단에 대한 정보 제공용 디바이스.13. The method of claim 12,
The medical image further comprises a liver region for the subject,
The processor is
The device for providing information on diagnosis of renal failure, further configured to determine the liver region in the medical image by using the region prediction model, and to determine a characteristic of the liver based on the liver region. 제15항에 있어서,
상기 신장에 대한 특징은,
상기 신장의 밝기를 포함하고,
상기 간에 대한 특징은,
간의 밝기를 포함하고,
상기 프로세서는,
상기 간의 밝기에 기초하여, 상기 신장의 밝기를 결정하도록 더 구성된, 신부전증 진단에 대한 정보 제공용 디바이스.16. The method of claim 15,
The characteristics of the kidney are,
including the brightness of the kidney,
The characteristics of the liver are,
including the brightness of the liver,
The processor is
The device for providing information on diagnosing renal failure, further configured to determine the brightness of the kidney based on the brightness of the liver. 제12항에 있어서,
상기 프로세서는,
의료 영상 및 신장에 대한 특징에 기초하여 신부전증 발병 여부를 결정하도록 학습된, 질환 분류 모델을 이용하여 상기 개체에 대한 신부전증 발병 여부를 결정하도록 더 구성된, 신부전증 진단에 대한 정보 제공용 디바이스13. The method of claim 12,
The processor is
Device for providing information on diagnosing renal failure, further configured to determine whether or not renal failure occurs in the subject using a disease classification model trained to determine whether or not renal failure develops based on a medical image and characteristics of the kidney 제17항에 있어서,
상기 통신부는,
상기 개체에 대하여, 당뇨병의 발병 여부, 키, 몸무게, 나이 및 성별 중 적어도 하나의 의료 데이터를 수신하도록 더 구성되고,
상기 프로세서는,
상기 질환 분류 모델을 이용하여, 상기 의료 데이터, 상기 의료 영상 및 상기 신장에 대한 특징에 기초하여 상기 개체에 대한 신부전증의 발병 여부를 평가하도록 더 구성된, 신부전증 진단에 대한 정보 제공용 디바이스.18. The method of claim 17,
The communication unit,
for the subject, further configured to receive medical data of at least one of diabetes mellitus, height, weight, age, and sex,
The processor is
The device for providing information on diagnosing renal failure, further configured to evaluate whether or not renal failure occurs in the subject based on the medical data, the medical image, and characteristics of the kidney using the disease classification model. 제18항에 있어서,
상기 질환 분류 모델은,
특징 추출 레이어를 포함하는 복수의 레이어로 이루어지고,
상기 프로세서는,
상기 특징 추출 레이어에 상기 의료 영상이 입력되어 특징이 추출되고, 상기 복수의 레이어 중 마지막 레이어에 상기 의료 영상으로부터 추출된 특징, 상기 의료 데이터 및 상기 특징데이터가 입력되고, 신부전증의 발병 여부에 대한 결과가 출력되도록 더 구성된, 신부전증 진단에 대한 정보 제공용 디바이스.19. The method of claim 18,
The disease classification model is
Consists of a plurality of layers including a feature extraction layer,
The processor is
The medical image is input to the feature extraction layer and features are extracted, the features extracted from the medical image, the medical data, and the feature data are input to the last layer among the plurality of layers, and a result of whether renal failure occurs A device for providing information on diagnosis of renal failure, further configured to output. 제17항에 있어서,
상기 프로세서는,
상기 신장 영역을 크로핑 (cropping) 하고, 상기 질환 분류 모델을 이용하여, 크로핑된 신장 영역, 및 상기 신장에 대한 특징에 기초하여 상기 개체에 대한 신부전증 발병 여부를 결정하도록 더 구성된, 신부전증 진단에 대한 정보 제공용 디바이스.18. The method of claim 17,
The processor is
In diagnosing renal failure, further configured to crop the kidney region and use the disease classification model to determine whether or not the subject develops renal failure based on the cropped kidney region and characteristics of the kidney Device for providing information about. 제12항에 있어서,
상기 신장에 대한 특징은, 신장의 길이를 포함하고,
상기 프로세서는,
상기 신장 영역의 장 축을 결정하고, 상기 장축의 길이를 상기 신장의 길이로 결정하도록 더 구성된, 신부전증 진단에 대한 정보 제공용 디바이스.13. The method of claim 12,
Characteristics for the kidney, including the length of the kidney,
The processor is
The device for providing information for diagnosing renal failure, further configured to determine a long axis of the kidney region, and determine a length of the long axis as the length of the kidney. 제12항에 있어서,
상기 프로세서는,
상기 의료 영상 및 상기 신장에 대한 특징에 기초하여 상기 개체에 대한 급성 신부전증 또는 만성 신부전증의 발병 여부를 결정하도록 더 구성된, 신부전증 진단에 대한 정보 제공용 디바이스.13. The method of claim 12,
The processor is
A device for providing information on diagnosis of renal failure, further configured to determine whether acute renal failure or chronic renal failure occurs in the subject based on the medical image and characteristics of the kidney.
KR1020200062102A 2020-05-25 2020-05-25 Method for providing information on diagnosing renal failure and device using the same KR102472886B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200062102A KR102472886B1 (en) 2020-05-25 2020-05-25 Method for providing information on diagnosing renal failure and device using the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200062102A KR102472886B1 (en) 2020-05-25 2020-05-25 Method for providing information on diagnosing renal failure and device using the same

Publications (2)

Publication Number Publication Date
KR20210145359A true KR20210145359A (en) 2021-12-02
KR102472886B1 KR102472886B1 (en) 2022-12-01

Family

ID=78867224

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200062102A KR102472886B1 (en) 2020-05-25 2020-05-25 Method for providing information on diagnosing renal failure and device using the same

Country Status (1)

Country Link
KR (1) KR102472886B1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024053993A1 (en) * 2022-09-07 2024-03-14 연세대학교 산학협력단 Method and device for classification of metastatic or multiple primary lung cancer using algorithm

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101824691B1 (en) * 2017-01-05 2018-02-02 서울여자대학교 산학협력단 Method for differentiation of fat-poor angiomyolipoma from clear cell renal cell carcinoma in contrast-enhanced mdct images using quantitative feature classification

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101824691B1 (en) * 2017-01-05 2018-02-02 서울여자대학교 산학협력단 Method for differentiation of fat-poor angiomyolipoma from clear cell renal cell carcinoma in contrast-enhanced mdct images using quantitative feature classification

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024053993A1 (en) * 2022-09-07 2024-03-14 연세대학교 산학협력단 Method and device for classification of metastatic or multiple primary lung cancer using algorithm

Also Published As

Publication number Publication date
KR102472886B1 (en) 2022-12-01

Similar Documents

Publication Publication Date Title
US11263747B2 (en) Detecting avascular areas using neural networks
US20230245426A1 (en) Image processing method and apparatus for medical image, device and storage medium
US20220122253A1 (en) Information processing device, program, trained model, diagnostic support device, learning device, and prediction model generation method
JP7239701B2 (en) Organ volume measurement method and apparatus using artificial neural network
CN112132265B (en) Model training method, cup-disk ratio determining method, device, equipment and storage medium
CN113436166A (en) Intracranial aneurysm detection method and system based on magnetic resonance angiography data
CN115661107B (en) Image analysis method, system and equipment based on bladder cancer risk stratification
US11830187B2 (en) Automatic condition diagnosis using a segmentation-guided framework
CN112396605B (en) Network training method and device, image recognition method and electronic equipment
CN114782398A (en) Training method and training system for learning network for medical image analysis
CN112367905A (en) Methods for diagnosing, prognosing, determining prognosis, monitoring or staging disease based on vascularization patterns
KR20220039881A (en) Method for evaluating diagnostic ablility of an expert, artificial intelligence based method for assisting diagnosis and device using the same
EP3924935A1 (en) Processing fundus images using machine learning models to generate blood-related predictions
KR102472886B1 (en) Method for providing information on diagnosing renal failure and device using the same
CN115205192A (en) Automatic bleeding dilation detection from head CT images
KR20200114228A (en) Method and system for predicting isocitrate dehydrogenase (idh) mutation using recurrent neural network
CN113764101A (en) CNN-based breast cancer neoadjuvant chemotherapy multi-modal ultrasonic diagnosis system
Zahnd et al. Dynamic block matching to assess the longitudinal component of the dense motion field of the carotid artery wall in B‐mode ultrasound sequences—Association with coronary artery disease
US20230157658A1 (en) Quantification of noncalcific and calcific valve tissue from coronary ct angiography
US11875898B2 (en) Automatic condition diagnosis using an attention-guided framework
CN114820480A (en) Aneurysm type identification method and device and computer equipment
CN113077440A (en) Pathological image processing method and device, computer equipment and storage medium
CN117392124B (en) Medical ultrasonic image grading method, system, server, medium and device
KR20230055874A (en) Method for providing information of superficial gallbladder disease and device using the same
KR102485930B1 (en) Method for providing information of diagnosing gallbladder polyps and device for providing information diagnosing gallbladder polyps using the same

Legal Events

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