KR20220007030A - 관심영역별 골 성숙 분포를 이용한 성장 분석 예측 장치 및 방법 - Google Patents
관심영역별 골 성숙 분포를 이용한 성장 분석 예측 장치 및 방법 Download PDFInfo
- Publication number
- KR20220007030A KR20220007030A KR1020210090525A KR20210090525A KR20220007030A KR 20220007030 A KR20220007030 A KR 20220007030A KR 1020210090525 A KR1020210090525 A KR 1020210090525A KR 20210090525 A KR20210090525 A KR 20210090525A KR 20220007030 A KR20220007030 A KR 20220007030A
- Authority
- KR
- South Korea
- Prior art keywords
- bone
- growth
- analysis
- image
- major
- Prior art date
Links
- 210000000988 bone and bone Anatomy 0.000 title claims abstract description 162
- 230000012010 growth Effects 0.000 title claims abstract description 92
- 238000004458 analytical method Methods 0.000 title claims abstract description 78
- 238000009826 distribution Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims description 31
- 230000035800 maturation Effects 0.000 claims abstract description 43
- 210000004349 growth plate Anatomy 0.000 claims abstract description 20
- 230000008468 bone growth Effects 0.000 claims abstract description 15
- 208000006155 precocious puberty Diseases 0.000 claims abstract description 13
- 208000012766 Growth delay Diseases 0.000 claims abstract description 11
- 210000002411 hand bone Anatomy 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims description 39
- 238000012351 Integrated analysis Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 9
- 210000000623 ulna Anatomy 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 8
- 230000006872 improvement Effects 0.000 claims description 4
- 210000004373 mandible Anatomy 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 5
- 210000000707 wrist Anatomy 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 210000004553 finger phalanx Anatomy 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 206010053759 Growth retardation Diseases 0.000 description 2
- 208000008589 Obesity Diseases 0.000 description 2
- 206010003246 arthritis Diseases 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 210000000245 forearm Anatomy 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 231100000001 growth retardation Toxicity 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 210000000236 metacarpal bone Anatomy 0.000 description 2
- 235000020824 obesity Nutrition 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 210000003857 wrist joint Anatomy 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 210000000845 cartilage Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000009365 direct transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000004579 scanning voltage microscopy Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/505—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of bone
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Epidemiology (AREA)
- High Energy & Nuclear Physics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Veterinary Medicine (AREA)
- Optics & Photonics (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Quality & Reliability (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Physiology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
성장 분석 예측 장치로서, 명령어들을 포함하는 메모리, 그리고 명령어들을 실행하여 입력된 수골 영상에서 성장 특성을 분석하는 프로세서를 포함하고, 프로세서는 수골 영상에서 성장판이 위치하는 주요 영역들을 검출하고, 검출된 주요 영역들마다 골성숙도를 분석하여, 주요 영역들에 대한 골성숙 분포도를 생성하고, 골성숙 분포도에 기초하여 성장 지연 여부, 성조숙증 여부, 골성장 속도, 성장 예측 중에서 하나 이상을 분석한다.
Description
관심영역별 골 성숙 분포를 이용한 성장 분석 예측 장치 및 방법이 제공된다.
골연령을 측정하기 위해 개발된 여러 방법 중 가장 많이 사용되는 방법은 그룰리히-파일(Greulich-Plye, GP)방법과 태너-화이트하우스 3(Tanner-Whitehouse 3, TW3) 방법이다. GP방법은 왼쪽 손, 손목 사진을 찍어 골발육 도감의 GP atlas 표준 영상과 대조하여 골연령을 측정하는 방법으로 간단하며 임상에서 빠르게 이용 가능하다. 하지만, GP방법은 여러 영상들을 단순히 비교하는 작업으로 측정이 주관적이며 판독자의 경험에 영향을 크게 받는다. 또한, 도감의 골연령 간격이 대부분 1년 단위로 나뉘어져 있기 때문에 반정량적으로 정밀한 골연령을 측정하는 데 한계가 있다.
한편, TW3방법은 수골 내에서 골연령에 따라 유의미한 변화를 보이는 주요 영역별로 각각 뼈의 성숙등급을 측정하고 이를 점수화한 후 전체를 합산하여 골연령을 평가하는 방법이다. 골성숙의 변화가 분명한 주요 영역별로 각각 뼈의 성숙도를 반영하고 정량화된 방식이기 때문에 GP방식에 비해 편차가 적고 더욱 객관적이며 정확하다는 평가가 있다. 딥러닝 기법을 적용함에 있어서, TW3와 같이, 골성숙 분류에 중요도가 높은 부위를 중점적으로 집중하여 분석함으로써, 분류의 정확도를 높일 수 있다.
하지만, TW3 방식은 각 영역별 분석이 필요하여 시간이 오래 걸리는 단점이 있다. 또한, 각 주요 영역들에 대해 A부터 I까지의 9등급으로만 분류함에 있어서, 등급 분류가 모호한 경우가 다수 발생할 수 있고, 동일한 등급으로 분류되어도 성숙도의 차이가 큰 경우가 발생한다. 이처럼 각 부위별 성숙등급 판단에 있어서 평가자의 임상적 경험에 따른 편차가 생길 수 있다.
본 발명이 해결하고자 하는 과제는 인공지능 기반으로 정밀하게 주요 관심부위별로 분석한 골성숙도들의 분포에 기초하여 성장 분석 및 성장 예측하는 관심영역별 골 성숙 분포를 이용한 성장 분석 예측 장치 및 방법을 제공하기 위한 것이다.
상기 과제 이외에도 구체적으로 언급되지 않은 다른 과제를 달성하는 데 사용될 수 있다.
본 발명의 한 실시예에 따른 성장 분석 예측 장치로서, 명령어들을 포함하는 메모리, 그리고 명령어들을 실행하여 입력된 수골 영상에서 성장 특성을 분석하는 프로세서를 포함하고, 프로세서는 수골 영상에서 성장판이 위치하는 주요 영역들을 검출하고, 검출된 주요 영역들마다 골성숙도를 분석하여, 주요 영역들에 대한 골성숙 분포도를 생성하고, 골성숙 분포도에 기초하여 성장 지연 여부, 성조숙증 여부, 골성장 속도, 성장 예측 값 중에서 하나 이상을 포함하는 성장 특성 값을 분석한다.
프로세서는, 요골(radius), 척골(ulna), 말절골(distal phalange), 중절골(middle phalange), 기절골(proximal phalange), 중수골(metacarpal) 그리고 수근골(carpal) 중에서 둘 이상의 영역을 주요 영역들로 설정하고, 학습이 완료된 주요 영역 검출 모델을 통해 수골 영상에서 주요 영역들을 검출할 수 있다.
프로세서는, 주요 영역들에 대해서 골성숙도를 도출하도록 학습이 완료된 영역 분석 모델들을 통해 주요 영역들마다 성장판에 대한 분석을 통해 골 성숙도를 도출할 수 있다.
프로세서는, 주요 영역들의 골성숙도를 연결하여 골성숙 분포값을 생성하고, 골성숙 분포값과 수골 영상에 대한 대상자의 키, 나이, 몸무게 중에서 하나 이상의 데이터를 학습이 완료된 통합 분석 모델에 입력하여 성장 특성 값을 도출할 수 있다.
프로세서는, 다수의 수골 영상들을 수집하여, 수골 영상마다 성장판과 관련도가 높은 주요 영역들을 레이블링하고, 주요 영역에 대한 골 성숙도를 레이블링하여 학습데이터들을 구축하고, 학습데이터를 이용하여 수골 영상에서 주요 영역들을 도출하도록 주요 영역 검출 모델을 학습시키고, 주요 영역에 레이블링된 골성숙도가 도출되도록 영역 분석 모델을 학습시키며, 주요 영역들에 대한 골성숙 분포값과 수골 영상에 대한 실제 키, 몸무게, 나이에 대한 기본 정보에 기초하여 성장 특성 값을 도출하도록 통합 분석 모델을 학습시킬 수 있다.
본 발명의 한 실시예에 따른 성장 분석 예측 장치의 동작 방법으로서, 다수의 수골 영상들을 수집하여, 수골 영상마다 주요 영역들을 레이블링하고, 주요 영역들마다 골성숙도를 레이블링하며, 주요 영역들에 대한 골성숙 분포 값마다 성장 특성 값을 레이블링하여 학습 데이터를 구축하는 단계, 학습데이터를 이용하여 수골 영상에서 주요 영역들을 도출하도록 주요 영역 검출 모델을 학습시키고, 주요 영역에 레이블링된 골성숙도가 도출되도록 영역 분석 모델을 학습시키며, 골성숙 분포 값들에게 레이블링된 성장 특성 값이 도출되도록 통합 분석 모델을 학습시키는 단계, 그리고 예측하고자 하는 대상자의 수골 영상을 입력받으면, 주요 영역 검출 모델, 영역 분석 모델 그리고 통합 분석 모델을 순차적으로 적용하여 도출된 대상자에 대한 성장 특성값을 제공하는 단계를 포함한다.
학습 데이터를 구축하는 단계는, 주요 영역 검출 모델, 영역 분석 모델 그리고 통합 분석 모델에 입력 형식에 기초하여 수골 영상에 대해 화질 개선 작업 또는 균일화 작업을 진행할 수 있다.
학습시키는 단계는, 주요 영역들에 대한 골성숙 분포값과 수골 영상에 대한 실제 키, 몸무게, 나이에 대한 기본 정보에 기초하여 성장 지연 여부, 성조숙증 여부, 골성장 속도 중에서 하나 이상의 성장 특성 값을 도출하도록 통합 분석 모델을 학습시킬 수 있다.
제공하는 단계는, 성장 지연 여부, 성조숙증 여부, 골성장 속도 중에서 하나 이상의 데이터에 기초하여 성장 가능성 또는 성장이 완료되었을 때의 예측 키를 포함하는 성장 예측 값을 분석하여 제공할 수 있다.
제공하는 단계는, 주요 영역별 골 성숙 분포도, 성장 지연 여부, 성조숙증 여부, 골성장 속도, 골연령 역연령 변화도 그리고 예측 키 중에서 하나 이상의 데이터에 대해 표, 그래프 또는 도형 형식으로 변환하여 제공할 수 있다.
본 발명의 하나의 실시예에 따르면, 수골 영상으로부터 검출된 주요 영역에서 인공지능 모델을 통해 주요 영역별 골 성숙 수준을 매우 정교하게 분석할 수 있다.
본 발명의 하나의 실시예에 따르면 골 성숙 분포도를 분석하여 대상자의 성장 가능성에 대한 정확한 예측이 가능하며 예측 근거에 대한 자료를 명확하게 제공할 수 있다.
도 1은 본 발명의 실시예에 따른 성장 분석 예측 장치를 나타낸 구조도이다.
도 2는 본 발명의 실시예에 따른 AI 모델을 을 나타낸 예시도이다.
도 3은 본 발명의 실시예에 따른 관절염 심각도 정밀 분석 방법을 나타낸 순서도이다.
도 4는 본 발명의 실시예에 따른 주요 관심 영역을 나타낸 예시도이다.
도 5는 본 발명의 실시예에 따른 관심영역별 다양한 골연령 분포도를 나타낸 예시도이다.
도 6는 본 발명의 실시예에 따른 컴퓨팅 장치의 하드웨어 구성도이다.
도 2는 본 발명의 실시예에 따른 AI 모델을 을 나타낸 예시도이다.
도 3은 본 발명의 실시예에 따른 관절염 심각도 정밀 분석 방법을 나타낸 순서도이다.
도 4는 본 발명의 실시예에 따른 주요 관심 영역을 나타낸 예시도이다.
도 5는 본 발명의 실시예에 따른 관심영역별 다양한 골연령 분포도를 나타낸 예시도이다.
도 6는 본 발명의 실시예에 따른 컴퓨팅 장치의 하드웨어 구성도이다.
첨부한 도면을 참고로 하여 본 발명의 실시예에 대해 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 도면부호가 사용되었다. 또한 널리 알려져 있는 공지기술의 경우 그 구체적인 설명은 생략한다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
본 발명에서 설명하는 장치들은 적어도 하나의 프로세서, 메모리 장치, 통신 장치 등을 포함하는 하드웨어로 구성되고, 지정된 장소에 하드웨어와 결합되어 실행되는 프로그램이 저장된다. 하드웨어는 본 발명의 방법을 실행할 수 있는 구성과 성능을 가진다. 프로그램은 도면들을 참고로 설명한 본 발명의 동작 방법을 구현한 명령어(instructions)를 포함하고, 프로세서와 메모리 장치 등의 하드웨어와 결합하여 본 발명을 실행한다.
본 명세서에서 "전송 또는 제공"은 직접적인 전송 또는 제공하는 것뿐만 아니라 다른 장치를 통해 또는 우회 경로를 이용하여 간접적으로 전송 또는 제공도 포함할 수 있다.
본 명세서에서 단수로 기재된 표현은 "하나" 또는 "단일" 등의 명시적인 표현을 사용하지 않은 이상, 단수 또는 복수로 해석될 수 있다.
본 명세서에서 도면에 관계없이 동일한 도면번호는 동일한 구성요소를 지칭하며, "및/또는" 은 언급된 구성 요소들의 각각 및 하나 이상의 모든 조합을 포함한다.
본 명세서에서, 제1, 제2 등과 같이 서수를 포함하는 용어들은 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 개시의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.
본 명세서에서 도면을 참고하여 설명한 흐름도에서, 동작 순서는 변경될 수 있고, 여러 동작들이 병합되거나, 어느 동작이 분할될 수 있고, 특정 동작은 수행되지 않을 수 있다.
도 1은 본 발명의 실시예에 따른 성장 분석 예측 장치를 나타낸 구조도이다.
도 1에 도시한 바와 같이, 성장 분석 예측 장치(100)는 전처리부(110), 학습부(120), 영역 검출부(130), 골성숙도 분석부(140), 성장 특성 분석부(150) 그리고 출력부(160)를 포함한다.
설명을 위해 전처리부(110), 학습부(120), 영역 검출부(130), 골성숙도 분석부(140), 성장 특성 분석부(150) 그리고 출력부(160)로 명명하여 부르나, 이들은 적어도 하나의 프로세서에 의해 동작하는 컴퓨팅 장치이다. 여기서, 전처리부(110), 학습부(120), 영역 검출부(130), 골성숙도 분석부(140), 성장 특성 분석부(150) 그리고 출력부(160)는 하나의 컴퓨팅 장치에 구현되거나 별도의 컴퓨팅 장치에 분산 구현될 수 있다.
예를 들어, 전처리부(110)와 학습부(120)가 별도의 컴퓨팅 장치에 구현되어 학습이 완료된 AI 모델을 영역 검출부(130), 골성숙도 분석부(140), 성장 특성 분석부(150)과 연동하여 구현될 수 있다.
이처럼 별도의 컴퓨팅 장치에 분산 구현된 경우, 전처리부(110), 학습부(120), 영역 검출부(130), 골성숙도 분석부(140), 성장 특성 분석부(150) 그리고 출력부(160)는 통신 인터페이스를 통해 서로 통신할 수 있다. 컴퓨팅 장치는 본 발명을 수행하도록 작성된 소프트웨어 프로그램을 실행할 수 있는 장치이면 충분하고, 예를 들면, 서버, 랩탑 컴퓨터 등일 수 있다.
전처리부(110)는 연동되는 데이터베이스에서 자료를 수집하여 학습부(120)에서 인공지능 모델(AI)의 학습을 위한 학습데이터를 구축한다.
여기서, 데이터베이스에는 의료 영상 촬영 장비로부터 촬영된 의료 영상들, 다수의 영상 판독 전문의에 의해 판독된 의료 영상, 해당 의료 영상에 대한 판독 결과 등이 저장되어 있다. 이때, 의료 영상은 수골 영역을 촬영한 x-ray X선 영상 기술, radiography), CT(전산화 단층 촬영 기술, Computed Tomography), PET(양전자 방출 단층 촬영기술, Positron Emission Tomography), Ultrasound(초음파영상 진단 기술), MRI(자기공명영상 진단 기술, Magnetic Resonance Imaging)등 중에서 하나의 의료 영상을 나타낸다.
그리고 전처리부(110)는 저장된 데이터들(의료 영상, 판독 결과, 판독된 의료 영상 등) 중에서 인공지능 모델을 학습하기 위한 학습데이터를 구축할 수 있다.
예를 들어, 전처리부(110)는 수골 영상에서 검출 영역으로 선정된 특정 영역을 레이블링하여 학습데이터를 구축할 수 있다.
또는 전처리부(110)는 검출 영역에 대한 의료 영상과 해당 의료 영상으로부터 판독한 골성숙도를 레이블링하여 학습데이터를 구축할 수 있다.
그리고 전처리부(110)는 골성숙도 분포에 따라 성장 지연 여부, 성조숙증 여부, 골성장 속도, 예측 성인 키 등이 매칭하여 학습데이터를 구축할 수 있다.
이처럼 전처리부(110)는 학습부(120)에서 학습을 수행하는 인공지능 모델의 종류, 목적, 기능에 기초하여 각 인공지능 모델에 적합한 학습데이터를 구축한다.
또한, 전처리부(110)는 수집한 의료 영상에 대해 인공지능 모델에 입력할 수 있도록 인공지능 모델의 입력 형식에 기초하여 의료영상을 전처리할 수 있다. 의료영상의 전처리는 인공지능 학습과 분석 효과를 증대시키기 위한 단계이며, 영상 화질 개선 및 균일화 등의 프로세스를 포함한다. 예를 들어, 화질 개선 방법으로는 CLAHE (Contrast Limited Adaptive Histogram Equalization), 히스토그램 균일화 등을 적용하여 영상 분석의 정확성을 향상할 수 있다.
학습부(120)는 학습 데이터를 이용하여 입력 영상에 대응하여 관심 영역을 검출하거나 분석한 데이터를 도출하도록 인공지능 모델을 학습시킨다.
학습부(120)에서 사용하는 모델은, 하나 이상의 계층으로 구성된 심층 신경망으로, 관심 영역의 특징들에 대한 특징 지도(feature map)을 만들어내는 다수의 컨볼루션 계층(convolution layer)과 다수의 컨볼루션 계층 사이에 서브 샘플링을 수행하는 통합 계층(pooling layer)을 포함하는 컨볼루션 신경망(convolutional Neural Network, CNN)일 수 있다. 컨볼루션 신경망은 입력 영상에 대하여 합성곱과 서브샘플링을 번갈아 수행함으로써 입력 영상으로부터 분석결과값을 추출할 수 있다.
상세하게는 검출 학습의 경우, 영상 내에 자동 검출하고자 하는 영역들에 대한 표시가 되어 있는 학습데이터를 구축하고, 이들 학습데이터를, 특정한 영역 검출에 최적화하여 개발한 인공지능 검출용 모델에 대해 훈련을 수행하여 학습이 완료된 검출 모델을 생성한다.
그리고 분석 학습은, 분석 대상 영상 및 영상 내 영역들에 대해, 분류 기준을 적용한 학습 데이터를 구축하고, 이들 학습데이터로, 특정 목적의 분류를 자동화하기 위해 개발한 인공지능 분석용 모델을 훈련시켜, 학습이 완료된 분석 모델을 생성한다.
검출 모델, 하나 이상의 개별 분석 모델, 그리고 통합 분석 모델을 인공지능 모델로, 각각의 독립적인 인공지능 모델일 수 있고, 또는 서로 연계되는 하나의 인공지능 모델로 구현될 수 있다. 이에 따라, 상술한 구성들에 대응하는 하나 또는 복수의 인공지능 모델은 하나 또는 복수의 컴퓨팅 장치에 의해 구현될 수 있다.
이처럼, 학습부(120)는 각각의 인공 지능 모델에 학습 데이터를 기초하여 반복적으로 학습하며, 일정 기간 또는 특정 기준에 기초하여 각 인공 지능 모델들에 대해 주기적으로 재학습시킬 수 있다.
여기서, 인공지능 모델은, 주요 영역 검출 모델, 영역 분석 모델, 그리고 통합 분석 모델을 나타내지만, 반드시 이에 한정하는 것은 아니다. 그리고 주요 영역 검출 모델, 영역 분석 모델, 그리고 통합 분석 모델은 각각 하나 이상의 인공지능 모델로 구현될 수 있다.
영역 검출부(130)는 입력된 수골 영상을 미리 학습된 주요 영역 검출 모델에 입력하여 수골 영상에서 성장판이 존재하는 영역들을 검출한다.
상세하게는 영역 검출부(130)는 성장판 영역 중에서 골연령(골 성숙도)를 분석하기 위해 선정된 영역들에 대해서 자동으로 검출할 수 있다.
예를 들어, 요골(radius), 척골(ulna), 말절골(distal phalange), 중절골(middle phalange), 기절골(proximal phalange), 중수골(metacarpal) 수근골(carpal)등의 영역을 검출할 수 있다.
영역 검출부(130)는 수골 영상에서 설정된 복수개의 주요 영역을 차례로 검출하고, 각 주요 영역들은 영상의 크기와 검출된 주요 영역의 크기에 따라 서로 겹쳐질 수 있다.
골성숙도 분석부(140)는 검출된 주요 영역들을 입력 데이터로 학습된 영역 분석 모델들에 입력하고, 각 영역마다의 골 성숙도를 획득할 수 있다.
골성숙도 분석부(140)는 하나의 주요 영역에서의 골성숙도를 분석하도록 학습된 영역 분석 모델을 이용함으로써, 해당 주요 영역에서의 골성숙도를 획득할 수 있다.
여기서, 골성숙도는 성장판을 분석함으로써 도출이 가능하며, 골연령 값으로 출력될 수 있다.
성장 특성 분석부(150)는 골성숙도 분석부(140)에서 분석된 각 주요 영역마다의 골연령에 대한 분포를 기반으로 성장 특성을 분석한다. 이외에도 성장 특성 분석부(150)는 수골 영상의 대상자에 대한 현재 키, 실제 나이, 체중, 비만도 등을 포함하는 기본 정보를 더 이용하여 성장 특성을 분석할 수 있다.
여기서, 성장 특성은 성장 지연 여부, 성조숙증 여부, 골성장 속도, 골연령 그리고 역연령 변화도 등을 포함하며, 반드시 이에 한정하는 것은 아니다.
성장 특성 분석부(150)는 분석된 성장 특성에 기초하여 성장 가능성 또는 성장이 완료되었을 때의 예측 키 등을 포함하는 성장 예측 값을 분석할 수 있다.
여기서, 예측키는 대상자가 성인이 되었을 때, 성장이 완료되었을 때 추정가능한 키를 나타내며, 오차값을 포함하여 범위로 나타내거나 해당 범위에서의 평균 값을 나타낼 수 있다.
그리고 출력부(160)는 골성숙도 분석부(140) 그리고 성장 특성 분석부(150)에서 분석된 데이터를 연동되는 단말 또는 디스플레이에 출력할 수 있다.
이때, 출력부(160)는 주요 영역별 골 성숙 분포도와 같이 그래프로 표시하거나 성장 특성에 대한 분석 데이터 또는 예측 데이터를 목록별 결과를 표, 그래프, 도형 등으로 변환하여 제공할 수 있다.
도 2는 본 발명의 실시예에 따른 AI 모델을 을 나타낸 예시도이다.
도 2의 (a)는 영역 자동 검출 모델을 나타내고, (b)는 영역 분석 모델 그리고 (c)는 통합 분석 모델을 나타낸다.
도 2의 (a)는 수골 영상을 입력값으로 수골 내에 성장판이 존재하는 영역들에 대해서 자동으로 검출하는 주요 영역 검출 모델을 나타낸다.
상세하게는, 주요 영역 검출 모델은 수골 영상에서 분석하고자하는 성장 특성에 대한 판단 근거가 되는 관심 영역들을 검출하는 모델이다.
예를 들어, 주요 영역 검출 모델은 앞서 설명한 복수개의 주요 영역 등에 대해 개별 영역들을 검출할 수 있다.
주요 영역 검출 모델은 각 주요 영역마다 검출하는 독립적인 인공지능 모델로 구현되거나 하나의 인공지능 모델로 구현되어 하나의 의료 영상에 대해 관심영역을 검출하는 복수개의 인공 지능 모델로 구현될 수 있다.
이때, 주요 영역 검출 모델은 영역 분석 모델에서 분석하고자 하는 영역에 대응하여 관심 영역이 검출되도록 연동될 수 있다. 이에 영역 분석 모델이 추가 및 변경되는 경우에 자동으로 주요 영역 검출 모델의 입력 영상이 되는 관심 영역의 영상을 검출하는 기능을 포함하거나 해당 주요 영역을 검출하는 인공지능 모델이 추가될 수 있다. 또한 역으로 주요 영역 검출 모델이 추가 및 변경되는 경우에 영역 분석 모델을 추가 및 변경될 수 있다.
도 2의 (b)는 주요 영역에 대한 영상을 입력값으로 해당 주요 영역 내에 위치하는 성장판 영역, 골의 크기 및 상태 등을 분석하여 골성숙도를 출력하는 영역 분석 모델을 나타낸다.
이때, 주요 영역마다 학습된 영역 분석 모델이 일대일로 매칭되며, 이를 통해 각 영역에서의 골성숙도를 추론할 수 있다.
영역 분석 모델은 Convolutional Neural Network계열의 심층신경망 기법이 적용된 모델로 골성숙도는 골연령값으로 출력될 수 있다.
예를 들어, 요골(A) 영역을 입력받은 요골(A)영역 분석 모델로부터 출력되는 골성숙도는 10세와 같이 골연령값으로 나타낼 수 있다. 이러한 골연령값은 일정한 표준을 연령과의 관계로 표현한 것으로, 골핵의 출현이나 형태, 융합 등에 의해 설정되는 기준 값이다.
도 2의 (c)는 주요 영역들에 대한 골성숙도의 분포를 입력값으로 성장특성을 분석하거나 성장 예측을 도출하는 통합 분석 모델을 나타낸다.
통합 분석 모델은 주요 영역의 골성숙도의 분포 이외에도 대상자의 기본 정보를 입력받아 성장 지연 여부, 성조숙증 여부, 골성장 속도를 분석할 수 있다.
여기서, 골성장 속도는 빠름, 보통 느림과 같이 일정한 단계로 구분하여 출력될 수 있다.
그리고 통합 분석 모델은 입력된 골성숙도의 분포, 대상자의 기본 정보 그리고 분석된 성장 특성에 기초하여 성장 가능성을 나타내는 성장 예측, 성인 키의 예측 값을 출력할 수 있다.
성인 키의 예측값은 성장이 완료될 것으로 추측되는 시점에서의 예측되는 키의 값을 나타낸다.
통합 분석 모델은 각 성장특성 별로 별도의 모델을 구축할 수 있으며, 회귀분석, SVM, 신경망 기법 등의 지도 학습을 통해 학습될 수 있다.
도 3은 본 발명의 실시예에 따른 관절염 심각도 정밀 분석 방법을 나타낸 순서도이다.
도 3에 도시한 바와 같이, 성장 분석 예측 장치(100)는 수골 영상을 학습된 영역 검출 모델에 입력하여 복수개의 주요 영역을 획득한다(S10).
성장 분석 예측 장치(100)는 수골 영상에서 성장판과 관련도가 높은 것으로 설정된 복수개의 주요 영역에 대해 학습된 영역 검출 모델을 통해 개별 주요 영역들을 획득할 수 있다.
다음으로 성장 분석 예측 장치(100)는 복수개의 주요 영역마다 학습된 영역 분석 모델에 입력하여 주요 영역에서의 골성숙도를 획득한다(S20).
성장 분석 예측 장치(100)는 각 주요 영역에서 성장판과 관련된 영여에서의 골성숙도를 골연령으로 출력할 수 있다. 이때, 각 주요 영역에 대응하여 해당 영역에 특화하여 학습된 영역 분석 모델을 통해 정확한 골성숙도를 각 영역마다 획득할 수 있다.
그리고 성장 분석 예측 장치(100)는 주요 영역들의 골성숙도 분포에 기초하여 학습된 통합 분석 모델을 통해 성장 특성을 분석한다(S30).
여기서, 골성숙도 분포값 X는 다음 수학식 1과 같이 부위별 골성숙도들을 연결하여 구성할 수 있다.
[수학식 1]
X = [F1, F2, …, Fh,…, FH],
여기서, H는 관심영역들(주요 성장판)의 개수, Fh는 관심영역 h의 골성숙도값을 나타내며, h는 주요 영역의 개수를 나타낸다.
이처럼 성장 분석 예측 장치(100)는 골성숙도 분포값을 통합 분석 모델에 입력하여 성장 특성을 추론할 수 있다. 여기서, 통합 분석 모델은 각 성장특성 별로 별도의 모델을 구축하여 개별적인 성장 특성 출력값들을 추론할 수 있다.
또한, 성장 분석 예측 장치(100)는 골성숙도 분포와 해당 대상자의 기본 정보인 현재 시점의 키, 나이, 몸무게, 비만도 등을 함께 이용하여 성장 지연 여부, 성조숙증 여부, 골성장 속도 등을 포함하는 성장 특성을 분석할 수 있다.
다음으로 성장 분석 예측 장치(100)는 분석된 성장 특성에 대한 데이터 및 예측된 성장 데이터를 제공한다(S40).
성장 분석 예측 장치(100)는 대상자의 기본 정보에 기초하여,분석 및 예측된 데이터를 다양한 형태의 표, 그래프, 도형 등으로 변환하여 제공할 수 있다.
도 4는 본 발명의 실시예에 따른 주요 영역을 나타낸 예시도이다.
도 4에 도시한 바와 같이, 수골 영상에서 영역 자동 검출 모델을 통해 검출하게 되는 주요 영역을 확인할 수 있다.
일반적으로 성장판은 뼈의 양 끝 부분의 사이에 남아 있는 연골 조직으로 골의 길이에서 성장이 일어나는 부분이기 때문에, 뼈와 뼈 사이 영역이 주요 영역으로 설정될 수 있다.
이에 성장 분석 예측 장치(100)는 앞서 설명한 바와 같이, 요골(radius), 척골(ulna), 말절골(distal phalange), 중절골(middle phalange), 기절골(proximal phalange), 중수골(metacarpal) 그리고 수근골(carpal)등의 영역을 검출할 수 있다.
상세하게는 아래팔 뼈를 이루는 2개의 뼈 중에 바깥쪽에 위치하는 뼈의 손목 관절 사이 부분인 요골(radius)와 아래팔 뼈를 이루는 2개의 뼈 중에서 안쪽에 위치하는 뼈의 손목 관절 사이 부분인 척골(ulna), 손목 부분을 이루는 여덟개의 짧은 뼈를 나타내는 수근골(carpal)에 대해서 검출할 수 있다.
또한, 손목 뼈와 손가락 뼈 사이에 있는 손허리뼈를 나타내는 중수골(metacarpal, MC1), 손가락 뼈 중에서 손허리뼈와 맞닿아 있는 첫마디 뼈인 기절골(proximal phalange, PP-MC), 손가락 뼈 중에서 중간마디 뼈인 중절골(middle phalange, MP) 그리고 손가락 뼈 중에서 가장 끝마디 뼈인 말절골(distal phalange, DP)에 대해서 검출할 수 있다.
이때, 각 주요 영역은 일정한 영역이 겹쳐져서 검출할 수 있으며, 도 4에서 MC1, PP-MC, MP, DP가 각각 하나의 영역으로 표시하였지만, 다섯 손가락에서 각각 주요 영역(MC1, PP-MC, MP, DP)들을 검출할 수 있다.
도 5는 본 발명의 실시예에 따른 관심영역별 다양한 공연령 분포도를 나타낸 예시도이다.
도 5의 (a), (b), (c), 그리고 (d))는 각 상이한 대상자의 수골 영역에 기초하여 주요 영역에서 도출된 골 연령 분포도를 나타낸 예시도이다.
도 5에 도시한 바와 같이, 수골 영상에서 성장판과 관련된 영역들마다 성장판에 기초하여 골 연령이 상이하게 나타나 다양한 골연령 분포도를 나타낸다.
도 5의 (a)는 손가락 뼈에 있는 성장판의 골연령(dp, mp)은 높지만, 손목 영역에서의 골연령(mc, radius, ulna)는 상대적으로 낮을 것을 알 수 있다. 이와는 반대로 도 (c)에서는 손가락 뼈에 있는 성장판의 골연령(mc, radius, ulna)은 높지만, 손목 영역에서의 골연령(dp, mp)는 상대적으로 낮을 것을 알 수 있다.
이외에도 특정 영역에 대해서만 골연령이 높게 나오는 (d)같은 골연령 분포와 모든 주요 영역에서 골연령이 동일하게 나오는 (b)와 같은 골연령 분포 등으로 다양한 골연령 분포를 가질 수 있다.
이에 따라 성장 분석 예측 장치(100)는 주요 영역에 대한 골연령 분포에 기초하여 성장특성을 분석함으로써, 대상자의 성장 특성이나 성장 가능성에 대한 정밀한 분석이 가능하다.
도 6는 본 발명의 실시예에 따른 컴퓨팅 장치의 하드웨어 구성도이다.
도 6에 도시한 바와 같이, 컴퓨팅 장치(200)의 하드웨어는 적어도 하나의 프로세서(210), 메모리(220), 스토리지(230), 통신 인터페이스(240)를 포함할 수 있고, 버스를 통해 연결될 수 있다. 이외에도 입력 장치 및 출력 장치 등의 하드웨어가 포함될 수 있다. 컴퓨팅 장치(200)는 프로그램을 구동할 수 있는 운영 체제를 비롯한 각종 소프트웨어가 탑재될 수 있다.
프로세서(210)는 컴퓨팅 장치(200)의 동작을 제어하는 장치로서, 프로그램에 포함된 명령들을 처리하는 다양한 형태의 프로세서(210)일 수 있고, 예를 들면, CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), GPU(Graphic Processing Unit) 등 일 수 있다. 메모리(220)는 본 발명의 동작을 실행하도록 기술된 명령들이 프로세서(210)에 의해 처리되도록 해당 프로그램을 로드한다. 메모리(220)는 예를 들면, ROM(read only memory), RAM(random access memory) 등 일 수 있다. 스토리지(230)는 본 발명의 동작을 실행하는데 요구되는 각종 데이터, 프로그램 등을 저장한다. 통신 인터페이스(240)는 유/무선 통신 모듈일 수 있다.
이와 같이, 본 발명에 따르면, 수골 영상으로부터 검출된 주요 영역에서 인공지능 모델을 통해 주요 영역별 골 성숙 수준을 매우 정교하게 분석할 수 있다.
또한, 골 성숙 분포도를 분석하여 대상자의 성장 가능성에 대한 정확한 예측이 가능하며 예측 근거에 대한 자료를 명확하게 제공할 수 있다.
이상에서 본 발명의 바람직한 하나의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.
Claims (10)
- 성장 분석 예측 장치로서,
명령어들을 포함하는 메모리, 그리고
상기 명령어들을 실행하여 입력된 수골 영상에서 성장 특성을 분석하는 프로세서를 포함하고,
상기 프로세서는
상기 수골 영상에서 성장판이 위치하는 주요 영역들을 검출하고, 검출된 주요 영역들마다 골성숙도를 분석하여, 주요 영역들에 대한 골성숙 분포도를 생성하고, 상기 골성숙 분포도에 기초하여 성장 지연 여부, 성조숙증 여부, 골성장 속도, 성장 예측 값 중에서 하나 이상을 포함하는 성장 특성 값을 분석하는 성장 분석 예측 장치.
- 제1항에서,
상기 프로세서는,
요골(radius), 척골(ulna), 말절골(distal phalange), 중절골(middle phalange), 기절골(proximal phalange), 중수골(metacarpal) 그리고 수근골(carpal) 중에서 둘 이상의 영역을 주요 영역들로 설정하고,
학습이 완료된 주요 영역 검출 모델을 통해 상기 수골 영상에서 상기 주요 영역들을 검출하는 성장 분석 예측 장치.
- 제1항에서,
상기 프로세서는,
상기 주요 영역들에 대해서 골성숙도를 도출하도록 학습이 완료된 영역 분석 모델들을 통해 상기 주요 영역들마다 상기 성장판에 대한 분석을 통해 골 성숙도를 도출하는 성장 분석 예측 장치.
- 제1항에서,
상기 프로세서는,
상기 주요 영역들의 골성숙도를 연결하여 골성숙 분포값을 생성하고, 상기 골성숙 분포값과 상기 수골 영상에 대한 대상자의 키, 나이, 몸무게 중에서 하나 이상의 데이터를 학습이 완료된 통합 분석 모델에 입력하여 상기 성장 특성 값을 도출하는 성장 분석 예측 장치.
- 제1항에서,
상기 프로세서는,
다수의 수골 영상들을 수집하여, 수골 영상마다 성장판과 관련도가 높은 주요 영역들을 레이블링하고, 주요 영역에 대한 골 성숙도를 레이블링하여 학습데이터들을 구축하고,
상기 학습데이터를 이용하여 상기 수골 영상에서 상기 주요 영역들을 도출하도록 주요 영역 검출 모델을 학습시키고, 상기 주요 영역에 레이블링된 골성숙도가 도출되도록 영역 분석 모델을 학습시키며,
상기 주요 영역들에 대한 골성숙 분포값과 상기 수골 영상에 대한 실제 키, 몸무게, 나이에 대한 기본 정보에 기초하여 상기 성장 특성 값을 도출하도록 통합 분석 모델을 학습시키는 성장 분석 예측 장치.
- 성장 분석 예측 장치의 동작 방법으로서,
다수의 수골 영상들을 수집하여, 수골 영상마다 주요 영역들을 레이블링하고, 주요 영역들마다 골성숙도를 레이블링하며, 주요 영역들에 대한 골성숙 분포 값마다 성장 특성 값을 레이블링하여 학습 데이터를 구축하는 단계,
상기 학습데이터를 이용하여 상기 수골 영상에서 상기 주요 영역들을 도출하도록 주요 영역 검출 모델을 학습시키고, 상기 주요 영역에 레이블링된 골성숙도가 도출되도록 영역 분석 모델을 학습시키며, 상기 골성숙 분포 값들에게 레이블링된 성장 특성 값이 도출되도록 통합 분석 모델을 학습시키는 단계, 그리고
예측하고자 하는 대상자의 수골 영상을 입력받으면, 상기 주요 영역 검출 모델, 상기 영역 분석 모델 그리고 상기 통합 분석 모델을 순차적으로 적용하여 도출된 상기 대상자에 대한 성장 특성값을 제공하는 단계,
를 포함하는 동작 방법.
- 제6항에서,
상기 학습 데이터를 구축하는 단계는,
상기 주요 영역 검출 모델, 상기 영역 분석 모델 그리고 상기 통합 분석 모델에 입력 형식에 기초하여 상기 수골 영상에 대해 화질 개선 작업 또는 균일화 작업을 진행하는 동작 방법.
- 제6항에서,
상기 학습시키는 단계는,
상기 주요 영역들에 대한 골성숙 분포값과 상기 수골 영상에 대한 실제 키, 몸무게, 나이에 대한 기본 정보에 기초하여 성장 지연 여부, 성조숙증 여부, 골성장 속도 중에서 하나 이상의 상기 성장 특성 값을 도출하도록 통합 분석 모델을 학습시키는 동작 방법.
- 제6항에서,
상기 제공하는 단계는,
상기 성장 지연 여부, 상기 성조숙증 여부, 상기 골성장 속도 중에서 하나 이상의 데이터에 기초하여 성장 가능성 또는 성장이 완료되었을 때의 예측 키를 포함하는 성장 예측 값을 분석하여 제공하는 동작 방법.
- 제7항에서,
상기 제공하는 단계는,
주요 영역별 골 성숙 분포도, 성장 지연 여부, 성조숙증 여부, 골성장 속도, 골연령 역연령 변화도 그리고 예측 키 중에서 하나 이상의 데이터에 대해 표, 그래프 또는 도형 형식으로 변환하여 제공하는 동작 방법.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR20200084767 | 2020-07-09 | ||
| KR1020200084767 | 2020-07-09 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220007030A true KR20220007030A (ko) | 2022-01-18 |
| KR102639558B1 KR102639558B1 (ko) | 2024-02-22 |
Family
ID=80052551
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210090525A KR102639558B1 (ko) | 2020-07-09 | 2021-07-09 | 관심영역별 골 성숙 분포를 이용한 성장 분석 예측 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102639558B1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116310806A (zh) * | 2023-02-28 | 2023-06-23 | 北京理工大学珠海学院 | 一种基于图像识别的智慧农业一体化管理系统及方法 |
| KR102618945B1 (ko) * | 2022-09-29 | 2023-12-29 | 주식회사 지피 | 인공지능을 이용한 성장단계 기반 성조숙 예측 및 솔루션 제공 방법, 장치 및 컴퓨터 프로그램 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170016778A (ko) * | 2015-08-04 | 2017-02-14 | 재단법인 아산사회복지재단 | 심층신경망을 이용한 골 연령 산출방법 및 프로그램 |
| KR102045223B1 (ko) * | 2019-05-03 | 2019-11-19 | 주식회사 크레스콤 | 골 연령 분석 방법, 장치 및 컴퓨터 프로그램 |
| KR20200029218A (ko) * | 2018-09-10 | 2020-03-18 | 주식회사 소노엠 | 골연령 측정 시스템 |
-
2021
- 2021-07-09 KR KR1020210090525A patent/KR102639558B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170016778A (ko) * | 2015-08-04 | 2017-02-14 | 재단법인 아산사회복지재단 | 심층신경망을 이용한 골 연령 산출방법 및 프로그램 |
| KR20200029218A (ko) * | 2018-09-10 | 2020-03-18 | 주식회사 소노엠 | 골연령 측정 시스템 |
| KR102045223B1 (ko) * | 2019-05-03 | 2019-11-19 | 주식회사 크레스콤 | 골 연령 분석 방법, 장치 및 컴퓨터 프로그램 |
Non-Patent Citations (1)
| Title |
|---|
| A. Sada, 외. Histogram-Based Image Pre-processing for Machine Learning. 2018 IEEE 7th GCCE). Nara, Japan, 2018. pp. 272-275. 2018.10.12. 공개.* * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102618945B1 (ko) * | 2022-09-29 | 2023-12-29 | 주식회사 지피 | 인공지능을 이용한 성장단계 기반 성조숙 예측 및 솔루션 제공 방법, 장치 및 컴퓨터 프로그램 |
| WO2024071602A1 (ko) * | 2022-09-29 | 2024-04-04 | 주식회사 지피 | 인공지능을 이용한 성장단계 기반 성조숙 예측 및 솔루션 제공 방법, 장치 및 컴퓨터 프로그램 |
| CN116310806A (zh) * | 2023-02-28 | 2023-06-23 | 北京理工大学珠海学院 | 一种基于图像识别的智慧农业一体化管理系统及方法 |
| CN116310806B (zh) * | 2023-02-28 | 2023-08-29 | 北京理工大学珠海学院 | 一种基于图像识别的智慧农业一体化管理系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102639558B1 (ko) | 2024-02-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3545470A1 (en) | Method for training neuron network and active learning system | |
| CA3137079A1 (en) | Computer-implemented machine learning for detection and statistical analysis of errors by healthcare providers | |
| CN110660478A (zh) | 一种基于迁移学习的癌症图像预测判别方法和系统 | |
| KR102639558B1 (ko) | 관심영역별 골 성숙 분포를 이용한 성장 분석 예측 장치 및 방법 | |
| JP2019032185A (ja) | センサ制御支援装置、センサ制御支援方法およびコンピュータプログラム | |
| Koitka et al. | Mimicking the radiologists’ workflow: Estimating pediatric hand bone age with stacked deep neural networks | |
| Selvan et al. | Uncertainty quantification in medical image segmentation with normalizing flows | |
| CN109949280B (zh) | 图像处理方法、装置、设备存储介质及生长发育评估系统 | |
| US11471096B2 (en) | Automatic computerized joint segmentation and inflammation quantification in MRI | |
| CN112420125A (zh) | 分子属性预测方法、装置、智能设备和终端 | |
| Marouf et al. | Automated hand X-ray based gender classification and bone age assessment using convolutional neural network | |
| CN114730392A (zh) | 解析装置、解析方法以及解析程序 | |
| Ali | Artificial intelligence and its application in the prediction and diagnosis of animal diseases: A review | |
| KR20190072292A (ko) | 신체 성장 예측 모델링 장치 및 방법 | |
| Moreno-Barea et al. | Gan-based data augmentation for prediction improvement using gene expression data in cancer | |
| Lonij et al. | Open-world visual recognition using knowledge graphs | |
| JP7014582B2 (ja) | 見積り取得装置、見積り取得方法およびプログラム | |
| Sameki et al. | ICORD: Intelligent Collection of Redundant Data-A Dynamic System for Crowdsourcing Cell Segmentations Accurately and Efficiently. | |
| Zhu et al. | A tensor statistical model for quantifying dynamic functional connectivity | |
| CN116129182A (zh) | 一种基于知识蒸馏和近邻分类的多维度医疗图像分类方法 | |
| CN116229196A (zh) | 一种噪声样本的识别方法及装置 | |
| EP4086811A1 (en) | Problematic behavior classification system and method based on deep neural network algorithm | |
| CN114972263A (zh) | 一种基于智能图片分割的实时超声图像卵泡测量方法及系统 | |
| Sabri et al. | HeartInspect: Heart Disease Prediction of an Individual Using Naïve Bayes Algorithm | |
| Adebayo | Towards Effective Tools for Debugging Machine Learning Models |
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 |