KR20220014932A - Ct 스캔 영상에서 딥러닝에 기반한 간 종양 검출 방법 및 장치 - Google Patents

Ct 스캔 영상에서 딥러닝에 기반한 간 종양 검출 방법 및 장치 Download PDF

Info

Publication number
KR20220014932A
KR20220014932A KR1020200094356A KR20200094356A KR20220014932A KR 20220014932 A KR20220014932 A KR 20220014932A KR 1020200094356 A KR1020200094356 A KR 1020200094356A KR 20200094356 A KR20200094356 A KR 20200094356A KR 20220014932 A KR20220014932 A KR 20220014932A
Authority
KR
South Korea
Prior art keywords
liver
image
normalization
slide image
region
Prior art date
Application number
KR1020200094356A
Other languages
English (en)
Other versions
KR102436351B1 (ko
Inventor
김수형
양형정
이귀상
보티퉁뷔
Original Assignee
전남대학교산학협력단
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 전남대학교산학협력단 filed Critical 전남대학교산학협력단
Priority to KR1020200094356A priority Critical patent/KR102436351B1/ko
Publication of KR20220014932A publication Critical patent/KR20220014932A/ko
Application granted granted Critical
Publication of KR102436351B1 publication Critical patent/KR102436351B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. 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 for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computerised tomographs
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/12—Devices for detecting or locating foreign bodies
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—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
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30056—Liver; Hepatic

Abstract

본 기술은 CT 스캔 영상에서 딥러닝에 기반한 간 종양 검출 방법 및 장치에 관한 것이다. 본 기술의 구현 예에 다중 필터 U-net 네트워크를 사용하여 간 및 간 종양을 병렬로 분할 및 슬라이드 CT 이미지를 전처리하고 데이터셋을 표준화 및 정규화하여 정확도가 향상된 간 종양 분류 정보를 제공하여 의사의 간암 진단에 도움을 주고 종양 치료 요법 계획의 진단을 용이하게 할 수 있는 CT 스캔 영상에서 딥러닝에 기반한 간 종양 검출 방법 및 장치를 제공할 수 있는 이점이 있다.

Description

CT 스캔 영상에서 딥러닝에 기반한 간 종양 검출 방법 및 장치{Deep learning based liver tumor detection method and device in CT scan image}
본 발명은 CT 스캔 영상에서 딥러닝에 기반한 간 종양 검출 방법 및 장치에 관한 것으로 더욱 구체적으로는 컴퓨터 단층 촬영(CT) 이미지로부터 자동으로 간 종양을 검출하는 CT 스캔 영상에서 딥러닝에 기반한 간 종양 검출 방법 및 장치에 관한 것이다.
간 종양 인식은 의료 분야의 인공지능 상호작용 연구에 도전적이고 중요한 과제이다. 기술과 의학에 대한 이해가 진행됨에 따라 의사 결정을 지원하는 분석 능력을 향상시키고 효율적인 인간-기계 인터페이스(HMI)를 설계하기 위해 실제 응용 분야에 적합한 강력하고 신뢰할 수 있는 종양 인식 시스템을 설계할 필요가 있다.
수년에 걸쳐 여러 연구자들은 간 종양 세분화를 위하여 여러 방법을 제한하였다. 공개된 간 종양 세분화 방법은 임계 값 방법, 공간 정규화 방법, 감독 분류 및 비지도 클러스터링 방법 및 딥러닝 방법과 같은 네 가지 주요 방법으로 분류할 수 있다.
임계 값은 종양 바깥 영역에 속하는 픽셀과 다른 강도 종양 영역인 CT 영상 추정치의 영상 히스토그램을 바탕으로 간 및 배경에서 종양을 자동으로 분리하는 단순하고 효과적인 첫 번째 방법이다.
공간 정규화 방법은 종양의 크기, 모양, 표면 또는 공간 정보와 같은 정보를 바탕으로 종양의 영역을 추출한다. 감독 분류 및 비지도 클러스터링 방법에는 level set, AdaBoost, 퍼지 c 평균 클러스터링, Ek-means가 포함된다. 최근에는 딥러닝 방법이 최첨단 기술로서 종양 분할 결과에 대한 성과를 얻고 있다.
그러나 간 종양 인식의 과제는 여전히 매우 어려운 과제이다. 먼저, 자동화된 종양 인식에 접근하려면 적절한 종양 표현 모델이 필요하다. 자동 간 종양 인식의 또 다른 난제는 종양모양의 정의에 대한 호모그래피의 부족이다. CT 이미지에서 간 종양은 간 영역의 여러 부위에서 매우 자연스럽게 나타나 이러한 변형을 구별하기가 어렵다. 또한 간 부위의 다른 장기 및 종양과 간 특징의 낮은 대비 또한 자동 간 종양 인식을 어렵게 한다.
1. 한국 공개특허 제10-2019-0058036호
본 발명은 상기와 같은 문제를 해결하기 위한 것으로서 다중 필터 U-net 네트워크를 사용하여 간 및 간 종양을 병렬로 분할 및 슬라이드 CT 이미지를 전처리하고 데이터셋을 표준화 및 정규화하여 향상된 간 종양 분류 정확도를 가지는 딥러닝 기반 CT 스캔 영상에서 간 종양 검출 방법 및 장치를 제공하는데 그 목적이 있다.
상기와 같은 목적을 달성하기 위한 본 발명은, 피검자의 복부 CT 스캔 영상을 수신하는 단계; 상기 복부 CT 스캔 영상으로부터 HU 스케일을 이용하여 간 영역의 슬라이드 이미지를 생성하는 단계; HU 필터링으로 상기 간 영역의 슬라이드 이미지로부터 간 영역에 대한 불필요한 값을 제거하는 단계; 상기 HU 필터링된 상기 간 영역의 슬라이드 이미지와 데이터셋 간에 조정된 감마선을 대비하여 상기 간 영역의 슬라이드 이미지에 대하여 표준화와 정규화를 수행하는 단계; 상기 표준화와 정규화를 수행한 상기 간 영역의 슬라이드 이미지를 2D Numpy array 매트릭스로 변환하는 단계; 및 상기 2D Numpy array 매트릭스를 다중 필터 U-net 네트워크에 입력하여 간과 간암을 식별하는 단계를 포함한다.
바람직하게는, 상기 표준화와 정규화를 수행하는 단계는 다음 수학식 1에 따라 표준화를 수행하는 것이고, 다음 수학식 2에 따라 정규화를 수행하는 것이다.
수학식1
Figure pat00001
수학식2
Figure pat00002
본 발명의 다른 실시예에 따른 CT 스캔 영상에서 딥러닝에 기반한 간 종양 검출 장치는 피검자의 복부 CT 스캔 영상을 수신하는 영상 수신부; 상기 복부 CT 스캔 영상으로부터 HU 스케일을 이용하여 간 영역의 슬라이드 이미지를 생성하는 슬라이드 이미지 생성부; HU 필터링으로 상기 간 영역의 슬라이드 이미지로부터 간 영역에 대한 불필요한 값을 제거하는 HU 필터링부; 상기 HU 필터링된 상기 간 영역의 슬라이드 이미지와 데이터셋 간에 조정된 감마선을 대비하여 상기 간 영역의 슬라이드 이미지에 대하여 표준화와 정규화를 수행하는 표준화 및 정규화 수행부; 상기 표준화와 정규화를 수행한 상기 간 영역의 슬라이드 이미지를 2D Numpy array 매트릭스로 변환하는 매트릭스 변환부; 및 상기 2D Numpy array 매트릭스를 다중 필터 U-net 네트워크에 입력하여 간과 간암을 식별하는 간암 식별부를 포함한다.
바람직하게는, 기 표준화 및 정규화 수행부는 다음 수학식 1에 따라 표준화를 수행하는 것이고, 다음 수학식 2에 따라 정규화를 수행하는 것이다.
수학식1
Figure pat00003
수학식2
Figure pat00004
전술한 바와 같은 본 발명에 따르면, 다중 필터 U-net 네트워크를 사용하여 간 및 간 종양을 병렬로 분할 및 슬라이드 CT 이미지를 전처리하고 데이터셋을 표준화 및 정규화하여 정확도가 향상된 간 종양 분류 정보를 제공하여 의사의 간암 진단에 도움을 주고 종양 치료 요법 계획의 진단을 용이하게 할 수 있는 CT 스캔 영상에서 딥러닝에 기반한 간 종양 검출 방법 및 장치를 제공할 수 있는 이점이 있다.
도 1은 본 발명의 실시예에 따른 CT 스캔 영상에서 딥러닝에 기반한 간 종양 검출 장치의 블록도를 도시한다.
도 2는 본 발명에 따른 전처리된 이미지를 얻는 단계에 관한 개념도를 도시한다.
도 3은 본 발명의 실시예에 따른 MFU-net 아키텍쳐의 개념도를 도시한다.
도 4는 본 발명의 다른 실시예에 따른 CT 스캔 영상에서 딥러닝에 기반한 간 종양 검출 방법의 흐름도를 도시한다.
이하, 도면을 참조하여 본 발명의 실시예를 상세히 설명하도록 한다. 아래의 특정 실시예들을 기술하는데 있어서, 여러 가지의 특징적인 내용들은 발명을 더 구체적으로 설명하고 이해를 돕기 위해 작성되었다. 하지만 본 발명을 이해할 수 있을 정도로 이 분야의 지식을 갖고 있는 독자는 이러한 여러 가지의 특정적인 내용들이 없어도 사용될 수 있다는 것을 인지할 수 있다. 어떤 경우에는, 발명을 기술하는 데 있어서 흔히 알려졌으면서 발명과 크게 관련 없는 부분들은 본 발명을 설명하는 데 있어 별 이유 없이 혼돈이 오는 것을 막기 위해 기술하지 않음을 미리 언급해 둔다.
도 1은 본 발명의 실시예에 따른 CT 스캔 영상에서 딥러닝에 기반한 간 종양 검출 장치의 블록도를 도시한다. 도 1을 참조하면 CT 스캔 영상에서 딥러닝에 기반한 간 종양 검출 장치(100)는 영상 수신부(102), 슬라이드 이미지 생성부(104), HU 필터링부(106), 정규화 및 표준화 수행부(108), 매트릭스 변환부(110) 및 간암 식별부(112)를 포함한다.
영상 수신부(102)는 피검자의 복부 CT 스캔 영상을 수신한다. CT 스캔 영상은 피검자 복부 전체의 이미지를 얻을 수 있는 것이다.
피검자의 원시 복부 이미지는 기본 구조를 쉽게 식별하고 위치를 파악할 수 있고 발생할 수 있는 종양이나 이상 징후를 확인할 수 있는 단층 슬라이드에 nii 또는 DICOM 파일에 의해 수집될 수 있다. 복부 CT 스캔 영상은 각 폴더가 한 명의 피검자를 나타내는 데이터셋으로 분류될 수 있고, 데이터셋에는 연속된 스캔 이미지가 포함될 수 있다.
슬라이드 이미지 생성부(104)는 영상 수신부(102)에 수신된 피검자의 복부 CT 스캔 영상으로부터 HU 스케일을 이용하여 간 영역의 슬라이드 이미지를 생성한다.
복부에서 특히 중요한 Hounsfield CT 스캔은 조직의 밀도에 비례하여 x선을 감쇠시키고 HU 값은 조직의 물리적 밀도에 비례한다. 본 발명에 따른 복부 CT 스캔의 Hounsfield 스케일은 -1,000HU ~ +1,000HU이다. 공기의 HU 값은 일반적으로 -200 이상이며, 물은 -10HU에서 10HU에 가깝고 혈액은 3~14HU이다.
Nibabel 라이브러리는 CT 이미지 처리에 유용하며 슬라이드 별로 HU 필터링을 수행하여 슬라이드를 변환할 수 있도록 한다. 원본 CT 스캔 영상의 각 볼륨은 간, 폐, 뼈와 같은 복부의 모든 장기가 스캔되고 각 볼륨은 동일하지 않은 수의 슬라이드를 포함할 수 있ek.
HU 필터링부(106)는 HU필터링으로 슬라이드 이미지 생성부(104)에서 생성된 간 영역의 슬라이드 이미지로부터 간 영역에 대한 불필요한 값을 제거한다. 슬라이드 별로 HU 필터링이 수행된다.
정규화 및 표준화 수행부(108)는 HU 필터링부(106)에서 HU 필터링된 간 영역의 슬라이드 이미지와 데이터셋 간에 조정된 감마선을 대비하여 간 영역의 슬라이드 이미지에 대하여 정규화와 표준화를 수행한다. OpenCV를 사용하여 감마, 대비 기법 및 HU(Hounsfield Units) 단위를 원본 이미지에 적용할 수 있다.
도 2는 본 발명에 따른 전처리된 이미지를 얻는 단계에 관한 개념도를 도시한다. 정규화 및 표준화 수행부(108)는 간 영역의 슬라이드 이미지를 HU 필터링된 간 영역의 슬라이드 이미지의 데이터셋 간에 조정된 감마선과 대비한 다음 평균 값으로 정규화함으로써 전처리된 이미지를 확보한다. 데이터셋은 각 피험자 별로 전처리된 이미지를 포함하고 있다.
또한, 표준화 및 정규화 수행부(108)는 다음 수학식 1에 따라 표준화를 수행하는 것일 수 있고, 다음 수학식 2에 따라 정규화를 수행하는 것일 수 있다.
수학식1
Figure pat00005
수학식2
Figure pat00006
여기서,
Figure pat00007
는 원본 이미지,
Figure pat00008
는 전처리된 이미지,
Figure pat00009
는 표준화 단계,
Figure pat00010
는 HU 필터링 단계,
Figure pat00011
는 테이터셋의 모든 이미지에 적용할 임계값인 이미지 매트릭스의 평균,
Figure pat00012
와
Figure pat00013
는 HU 스케일 입력,
Figure pat00014
값은 이미지의 대비, 밝기 조명 조정,
Figure pat00015
와
Figure pat00016
는 각 점의 픽셀 값을 나타낸다.
매트릭스 변환부(110)는 표준화 및 정규화 수행부(108)에서 정규화와 표준화를 수행한 간 영역의 슬라이드 이미지를 2D Numpy array 매트릭스로 변환한다. 이를 통해 CT 이미지는 2D Numpy array 매트릭스로 변환된다. Numpy array와 같은 회색 이미지는 end-to-end 네트워크로 공급되어 대상 간 및 간 종양 부위를 분할하기 위한 특징을 추출한다.
간암 식별부(112)는 매트릭스 변환부(110)에서 변환된 2D Numpy array 매트릭스를 다중 필터 U-net 네트워크에 입력하여 간과 간암을 식별한다. 간암 식별부(112)는 신경망에 의해 간과 간암을 식별하는 것이다.
간암 식별부(112)는 동일한 필터를 하나의 입력 레어어에 반복적으로 적용하는 대신 동일한 속도로 모든 크기의 필터를 원래 레이어에 직접 적용하는 것이다. 이는 다중 필터 블록이 이미지 크기를 반복적으로 줄이는 대신 필터 크기를 상향 조정하여 이미지를 처리하는데 사용됨을 의미한다. 이 모델은 U-net과 다중 필터의 조합을 기반으로 하기 때문에 다중 필터 U-net(MFU-net) 아키텍쳐라고 부를 수 있다.
도 3은 본 발명의 실시예에 따른 MFU-net 아키텍쳐의 개념도를 도시한다. 멀티 필터 블록은 광범위한 실험을 통해 확인한 결과 3번 인터리브 되는 것이 바람직하다. 첫 번째 레이어의 필터 크기는 1x1일 수 있고, 다운 샘플링 스케일 값은 1일 수 있다. 해당 피쳐 맴에 1x1 컨벌루션을 적용할 수 있다. 두 번째 레이어는 3x3 필터 크기의 2의 다운 샘플링 크기를 늘리고, 마지막 레이어는 크기가 5x5이고 샘플링 크기는 2로 증가하여 피쳐를 추출할 수 있다.
도 4는 본 발명의 다른 실시예에 따른 CT 스캔 영상에서 딥러닝에 기반한 간 종양 검출 방법의 흐름도를 도시한다.
본 발명의 다른 실시예에 따른 CT 스캔 영상에서 딥러닝에 기반한 간 종양 검출 방법은 먼저 피검자의 복부 CT 스캔 영상을 수신한다(S402). 이어서, S402 단계에서 수신한 복수 CT 스캔 영상으로부터 HU 스케일을 이용하여 간 영역의 슬라이드 이미지를 생성한다(S404). 이어서, HU 필터링으로 S404 단계에서 생성된 간 영역의 슬라이드 이미지로부터 간 영역에 대한 불필요한 값을 제거한다(S406). 이어서, S406 단계에서 HU 필터링된 간 영역의 슬라이드 이미지와 데이터셋 간에 조정된 감마선을 대비하여 간 영역의 슬라이드 이미지에 대하여 정규화와 표준화를 수행한다(S408). 이어서, S408 단계에서 정규화와 표준화를 수행한 간 영역의 슬라이드 이미지를 2D Numpy array 매트릭스로 변환한다(S410). 이어서 S410 단계에서 변환된 2D Numpy array 매트릭스를 다중 필터 U-net 네트워크에 입력하여 간과 간암을 식별한다.
또한, S408 단계는 위 수학식 1에 따라 표준화를 수행하는 것이고, 위 수학식 2에 따라 정규화를 수행하는 것일 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100 CT 스캔 영상에서 딥러닝에 기반한 간 종양 검출 장치
102 영상 수신부
104 슬라이드 이미지 생성부
106 HU 필터링부
108 표준화 및 정규화 수행부
110 매트릭스 변환부
112 간암 식별부

Claims (4)

  1. 피검자의 복부 CT 스캔 영상을 수신하는 단계;
    상기 복부 CT 스캔 영상으로부터 HU 스케일을 이용하여 간 영역의 슬라이드 이미지를 생성하는 단계;
    HU 필터링으로 상기 간 영역의 슬라이드 이미지로부터 간 영역에 대한 불필요한 값을 제거하는 단계;
    상기 HU 필터링된 상기 간 영역의 슬라이드 이미지와 데이터셋 간에 조정된 감마선을 대비하여 상기 간 영역의 슬라이드 이미지에 대하여 표준화와 정규화를 수행하는 단계;
    상기 표준화와 정규화를 수행한 상기 간 영역의 슬라이드 이미지를 2D Numpy array 매트릭스로 변환하는 단계; 및
    상기 2D Numpy array 매트릭스를 다중 필터 U-net 네트워크에 입력하여 간과 간암을 식별하는 단계를 포함하는 것을 특징으로 하는 CT 스캔 영상에서 딥러닝에 기반한 간 종양 검출 방법.
  2. 제1항에 있어서,
    상기 표준화와 정규화를 수행하는 단계는 다음 수학식 1에 따라 표준화를 수행하는 것이고, 다음 수학식 2에 따라 정규화를 수행하는 것을 특징으로 하는 CT 스캔 영상에서 딥러닝에 기반한 간 종양 검출 방법.
    수학식1
    Figure pat00017

    수학식2
    Figure pat00018

  3. 피검자의 복부 CT 스캔 영상을 수신하는 영상 수신부;
    상기 복부 CT 스캔 영상으로부터 HU 스케일을 이용하여 간 영역의 슬라이드 이미지를 생성하는 슬라이드 이미지 생성부;
    HU 필터링으로 상기 간 영역의 슬라이드 이미지로부터 간 영역에 대한 불필요한 값을 제거하는 HU 필터링부;
    상기 HU 필터링된 상기 간 영역의 슬라이드 이미지와 데이터셋 간에 조정된 감마선을 대비하여 상기 간 영역의 슬라이드 이미지에 대하여 표준화와 정규화를 수행하는 표준화 및 정규화 수행부;
    상기 표준화와 정규화를 수행한 상기 간 영역의 슬라이드 이미지를 2D Numpy array 매트릭스로 변환하는 매트릭스 변환부; 및
    상기 2D Numpy array 매트릭스를 다중 필터 U-net 네트워크에 입력하여 간과 간암을 식별하는 간암 식별부를 포함하는 것을 특징으로 하는 CT 스캔 영상에서 딥러닝에 기반한 간 종양 검출 장치.
  4. 제1항에 있어서,
    상기 표준화 및 정규화 수행부는 다음 수학식 1에 따라 표준화를 수행하는 것이고, 다음 수학식 2에 따라 정규화를 수행하는 것을 특징으로 하는 CT 스캔 영상에서 딥러닝에 기반한 간 종양 검출 장치.
    수학식1
    Figure pat00019

    수학식2
    Figure pat00020
KR1020200094356A 2020-07-29 2020-07-29 Ct 스캔 영상에서 딥러닝에 기반한 간 종양 검출 방법 및 장치 KR102436351B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200094356A KR102436351B1 (ko) 2020-07-29 2020-07-29 Ct 스캔 영상에서 딥러닝에 기반한 간 종양 검출 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200094356A KR102436351B1 (ko) 2020-07-29 2020-07-29 Ct 스캔 영상에서 딥러닝에 기반한 간 종양 검출 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20220014932A true KR20220014932A (ko) 2022-02-08
KR102436351B1 KR102436351B1 (ko) 2022-08-26

Family

ID=80251937

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200094356A KR102436351B1 (ko) 2020-07-29 2020-07-29 Ct 스캔 영상에서 딥러닝에 기반한 간 종양 검출 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102436351B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004046162A (ja) * 2002-06-12 2004-02-12 Eastman Kodak Co イメージ撮影方法及びカメラ並びに写真処理済みの感光部材を用いて出力イメージを形成するための読取り装置
KR20190058036A (ko) 2017-11-21 2019-05-29 서울여자대학교 산학협력단 컴퓨터 단층 촬영 영상에서 딥러닝 특징과 형상 특징을 이용한 혈관근지방종과 투명세포 신세포암 분류 장치 및 방법
CN110570432A (zh) * 2019-08-23 2019-12-13 北京工业大学 一种基于深度学习的ct图像肝脏肿瘤分割方法
JP2020075104A (ja) * 2018-10-08 2020-05-21 ゼネラル・エレクトリック・カンパニイ 超音波心臓ドップラー検査の自動化

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004046162A (ja) * 2002-06-12 2004-02-12 Eastman Kodak Co イメージ撮影方法及びカメラ並びに写真処理済みの感光部材を用いて出力イメージを形成するための読取り装置
KR20190058036A (ko) 2017-11-21 2019-05-29 서울여자대학교 산학협력단 컴퓨터 단층 촬영 영상에서 딥러닝 특징과 형상 특징을 이용한 혈관근지방종과 투명세포 신세포암 분류 장치 및 방법
JP2020075104A (ja) * 2018-10-08 2020-05-21 ゼネラル・エレクトリック・カンパニイ 超音波心臓ドップラー検査の自動化
CN110570432A (zh) * 2019-08-23 2019-12-13 北京工业大学 一种基于深度学习的ct图像肝脏肿瘤分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
웹페이지-note.nkmk.me. Image processing with Python, NumPy, [online], 2019년 5월, [2022년 1월 9일 검색], 인터넷: <URL: https://note.nkmk.me/en/python-numpy-image-processing/>* *

Also Published As

Publication number Publication date
KR102436351B1 (ko) 2022-08-26

Similar Documents

Publication Publication Date Title
Shaziya et al. Automatic lung segmentation on thoracic CT scans using U-net convolutional network
CN110678903B (zh) 用于3d图像中异位骨化的分析的系统和方法
Udeshani et al. Statistical feature-based neural network approach for the detection of lung cancer in chest x-ray images
US20230251199A1 (en) Identifying auto-fluorescent artifacts in a multiplexed immunofluorescent image
CN115136189A (zh) 基于图像处理的肿瘤的自动化检测
Rahman et al. Mri brain tumor classification using deep convolutional neural network
Gopinath et al. Enhanced Lung Cancer Classification and Prediction based on Hybrid Neural Network Approach
Salwe et al. Brain tumor pixels detection using adaptive wavelet based histogram thresholding and fine windowing
Rao et al. Early detection of lung cancer using machine learning technique
KR102436351B1 (ko) Ct 스캔 영상에서 딥러닝에 기반한 간 종양 검출 방법 및 장치
Bharodiya Feature extraction methods for CT-scan images using image processing
Goel et al. Improved detection of brain tumor & classification using CNN
Armstrong et al. Brain tumor image segmentation using Deep learning
Rashmi et al. Analysis of CT DICOM image segmentation for abnormality detection
Sreelekshmi et al. A Review on Multimodal Medical Image Fusion
Swanly et al. Smart spotting of pulmonary TB cavities using CT images
Ramesh et al. Automatic Endoscopic Ultrasound Station Recognition with Limited Data
Saxena et al. Utilizing deep learning techniques to diagnose nodules in lung computed tomography (ct) scan images
Kanade et al. Suppressing Chest Radiograph Ribs for Improving Lung Nodule Visibility by using Circular Window Adaptive Median Outlier (CWAMO)
Jayachandran et al. X-Ray Image Analysis in Identification of Bone Cancer Using Laws Features and Machine Learning Model
Bhojane et al. Lung Tomography Using Convolutional Neural Networks
US20220327691A1 (en) Method and system to assess medical images for suitability in clinical interpretation
Shetty et al. A survey on detection of brain tumor using computer vision and machine learning technique
Kaul et al. Brain MRI analysis and segmentation using 2d-Unet architecture
Uthra Devi et al. Convolutional neural network based brain tumor classification using robust background saliency detection

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