KR20220029033A - 경계특성 기반의 병변 분석 장치 및 방법 - Google Patents
경계특성 기반의 병변 분석 장치 및 방법 Download PDFInfo
- Publication number
- KR20220029033A KR20220029033A KR1020200110864A KR20200110864A KR20220029033A KR 20220029033 A KR20220029033 A KR 20220029033A KR 1020200110864 A KR1020200110864 A KR 1020200110864A KR 20200110864 A KR20200110864 A KR 20200110864A KR 20220029033 A KR20220029033 A KR 20220029033A
- Authority
- KR
- South Korea
- Prior art keywords
- lesion
- boundary
- brightness information
- characteristic
- region
- Prior art date
Links
- 230000003902 lesion Effects 0.000 title claims abstract description 208
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004458 analytical method Methods 0.000 title claims description 43
- 238000005315 distribution function Methods 0.000 claims description 45
- 230000001186 cumulative effect Effects 0.000 claims description 39
- 238000004364 calculation method Methods 0.000 claims description 23
- 208000009956 adenocarcinoma Diseases 0.000 claims description 21
- 210000004072 lung Anatomy 0.000 claims description 20
- 238000002591 computed tomography Methods 0.000 claims description 17
- 239000000725 suspension Substances 0.000 claims description 6
- 208000010507 Adenocarcinoma of Lung Diseases 0.000 description 22
- 201000005249 lung adenocarcinoma Diseases 0.000 description 22
- 206010028980 Neoplasm Diseases 0.000 description 19
- 239000011159 matrix material Substances 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 230000009545 invasion Effects 0.000 description 7
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 6
- 201000005202 lung cancer Diseases 0.000 description 6
- 208000020816 lung neoplasm Diseases 0.000 description 6
- 201000011510 cancer Diseases 0.000 description 5
- 238000013145 classification model Methods 0.000 description 5
- 201000007490 Adenocarcinoma in Situ Diseases 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 239000005337 ground glass Substances 0.000 description 4
- 230000004083 survival effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000009400 cancer invasion Effects 0.000 description 3
- 238000002271 resection Methods 0.000 description 3
- 238000001574 biopsy Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000007634 remodeling Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000002498 deadly effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002440 hepatic effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000002601 intratumoral effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000010882 preoperative diagnosis Methods 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- 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
- A61B6/12—Arrangements for detecting or locating foreign bodies
-
- 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
- A61B6/5223—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data generating planar views from image data, e.g. extracting a coronal view from a 3D image
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- 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
- G06T2207/30061—Lung
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- General Physics & Mathematics (AREA)
- High Energy & Nuclear Physics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Optics & Photonics (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Pulmonology (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physiology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
경계특성 기반의 병변 분석 장치 및 방법이 개시되며, 본원의 일 실시예에 따른 경계특성 기반의 병변 분석 방법은, 목표 부위에 대한 영상 데이터를 수신하는 단계, 상기 영상 데이터로부터 병변 영역을 식별하는 단계, 상기 식별된 병변 영역의 밝기 정보에 기초하여 병변에 대한 경계특성을 도출하는 단계 및 상기 경계특성에 기초하여 상기 병변과 연계된 속성을 추론하는 단계를 포함할 수 있다.
Description
본원은 경계특성 기반의 병변 분석 장치 및 방법에 관한 것이다. 예를 들면, 본원은 폐부위의 영상 데이터로부터 간유리음영(ground glass opacity) 특성을 보이는 폐선암(lung adenocarcinoma) 병변의 경계부위를 정량화하여, 폐선암의 침습 정도(침습도, invasiveness)를 분석하고, 이를 기초로 폐선암의 다양한 아형(subtype)을 구분하기 위한 기법에 관한 것이다.
폐암은 높은 사망률을 보이는 치명적인 암으로, 폐암의 치료에 대한 기술 발전에도 불구하고 폐암 환자 전체의 5년 생존율은 여전히 낮은 편이다. 반면, 조기에 진단된 폐암은 완치율이 매우 높은 편이므로, 폐암을 예방하고 치료하는 것과 더불어 폐암을 조기에 진단하려는 노력이 매우 중요하다.
특히, 폐선암은 2011년 제안된 폐선암종의 다학제적 분류에 따라 암의 침습정도에 기초하여 병리학적으로 현탁선암(adenocarcinoma in situ, AIS), 최소 침습성 선암(minimally invasive adenocarcinoma, MIA), 침습성 선암(invasive adenocarcinoma, IA)로 분류될 수 있는데, 현탁선암과 최소 침습성 선암은 완전 절제 후 거의 100%의 5년간의 무병생존율(DFS)을 보이는 반면, 1기 침습성 선암 환자는 74.6%의 무병생존율(DFS)을 보이는 등 차이가 존재하며, 이러한 생존율은 침습성 종양 성분이 증가함에 따라 감소하는 경향을 보이는 것으로 나타난다. 또한, 구체적인 치료 방법과 관련하여, 현탁선암과 최소 침습성 선암에 대하여는 초기 폐암의 절제를 위하여 현재 통상적으로 적용되는 폐엽 절제술(lobectomy) 대신 하엽 절제술(sublobar resection)을 적용을 고려할 수 있으며, 이렇듯 폐선암 병변에 대한 수술 전의 진단에 따라 치료 옵션까지 다르게 적용될 수 있다.
즉, 상술한 폐선암의 아형(subtype) 분류 각각에 대하여 적용될 수 있는 치료 방법이 상이하기에, 폐선암의 아형을 폐 CT 등의 영상 데이터를 통해 조기에 구분할 수 있다면 효과적인 치료 계획을 수립할 수 있을 것으로 기대된다.
이와 관련하여, 폐선암의 침습도를 판단하거나 폐선암의 아형을 분류하기 위하여 종래에는 침습적으로 조직 검사를 수행하는 방식을 채택하거나 비침습적으로 영상 데이터를 활용하는 경우에도 주로 전문가가 단순히 영상에 나타난 종양 크기, 모양 또는 경계(margin)부 표현 형태 등의 시각적 정보를 육안으로 확인한 후 판단하는 수준에 그쳐, 주관적 판단에 대한 의존도가 높을 수 밖에 없었다. 즉, 아무리 전문가의 판단이라고 할지라도 결국 전문가의 주관이 개입되므로 전문가에 의한 수동판정 방식은 아형 구분에 대한 재현성과 신속성 측면에서 그 한계가 명확하였다.
또한, 종래에 폐선암의 아형을 구별하기 위한 많은 시도들이 있었으나, 현탁선암(AIS), 최소 침습성 선암(MIA), 침습성 선암(IA)에서는 모두 통상적으로 간유리음영결절(ground glass nodule, GGN)이 관찰되어 영상 내 스펙트럼에 걸쳐 많은 영역에 중복이 존재하여 간유리음영결절의 계층화를 통한 방사선학적 해석을 어렵게 만들었다.
본원의 배경이 되는 기술은 한국등록특허공보 제10-1414413호에 개시되어 있다.
본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 영상 데이터에서 식별된 병변 영역의 경계특성을 도출하고, 도출된 경계특성에 기반하여 해당 병변과 연계된 속성을 추론할 수 있는 경계특성 기반의 병변 분석 장치 및 방법을 제공하려는 것을 목적으로 한다.
본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 폐부위 병변의 경계(margin)부의 특성을 정량화하고, 폐선암의 아형을 객관적 기준에 근거하여 구분할 수 있는 경계특성 기반의 병변 분석 장치 및 방법을 제공하려는 것을 목적으로 한다.
다만, 본원의 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상기한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본원의 일 실시예에 따른 경계특성 기반의 병변 분석 방법은, 목표 부위에 대한 영상 데이터를 수신하는 단계, 상기 영상 데이터로부터 병변 영역을 식별하는 단계, 상기 식별된 병변 영역의 밝기 정보에 기초하여 병변에 대한 경계특성을 도출하는 단계 및 상기 경계특성에 기초하여 상기 병변과 연계된 속성을 추론하는 단계를 포함할 수 있다.
또한, 상기 경계특성을 도출하는 단계는, 상기 식별된 병변 영역 내의 최대 밝기 정보 및 최소 밝기 정보를 획득하는 단계, 상기 최소 밝기 정보 내지 상기 최대 밝기 정보 사이의 밝기 정보 각각을 역치값으로 하는 상기 병변 영역에 대한 누적 분포 함수를 계산하는 단계 및 상기 누적 분포 함수에 기초하여 상기 경계특성을 도출하는 단계를 포함할 수 있다.
또한, 상기 속성을 추론하는 단계는, 상기 누적 분포 함수가 급격하게 변화하거나 완만하게 변화하는 양상을 반영하는 상기 경계특성에 기초하여 상기 병변과 연계된 침습도를 상기 속성으로서 추론할 수 있다.
또한, 상기 누적 분포 함수에 기초하여 상기 경계특성을 도출하는 단계는, 상기 누적 분포 함수의 그래프에 기초하여 상기 누적 분포 함수의 기울기 값의 평균, 표준편차, 왜도(skewness) 및 첨도(kurtosis)를 상기 경계특성으로 하여 도출할 수 있다.
또한, 본원의 일 실시예에 따른 경계특성 기반의 병변 분석 방법은, 상기 추론된 속성에 기초하여 상기 병변의 유형을 분류하는 단계를 포함할 수 있다.
또한, 상기 목표 부위는 폐이고, 상기 병변의 유형은 폐부위 병변의 침습도에 기초하여 분류되는 것일 수 있다.
또한, 상기 병변의 유형은, 현탁선암, 최소 침습성 선암 및 침습성 선암을 포함할 수 있다.
또한, 본원의 일 실시예에 따른 경계특성 기반의 병변 분석 방법은, 상기 병변 영역을 식별하는 단계 이후에, 상기 병변 영역 내부의 밝기 정보에 기초하여 병변 내부에 대한 질감특성을 도출하는 단계를 포함할 수 있다.
또한, 상기 속성을 추론하는 단계는, 상기 경계특성 및 상기 질감특성을 함께 고려하여 병변과 연계된 속성을 추론할 수 있다.
또한, 상기 영상 데이터는 3차원 컴퓨터 단층촬영 데이터일 수 있다.
또한, 본원의 일 실시예에 따른 경계특성 기반의 병변 분석 방법은, 상기 영상 데이터를 수신하는 단계 이후에, 상기 3차원 컴퓨터 단층촬영 데이터에 대한 복수의 2차원 슬라이스 중 상기 병변 영역이 가장 잘 식별되는 슬라이스를 탐색하는 단계를 포함할 수 있다.
한편, 본원의 일 실시예에 따른 경계특성 기반의 병변 분석 장치는, 목표 부위에 대한 영상 데이터를 수신하는 영상 수신부, 상기 영상 데이터로부터 병변 영역을 식별하는 관심영역 검출부, 상기 식별된 병변 영역의 밝기 정보에 기초하여 병변에 대한 경계특성을 도출하는 경계특성 산출부 및 상기 경계특성에 기초하여 상기 병변과 연계된 속성을 추론하는 판별부를 포함할 수 있다.
또한, 상기 경계특성 산출부는, 상기 식별된 병변 영역 내의 최대 밝기 정보 및 최소 밝기 정보를 획득하고, 상기 최소 밝기 정보 내지 상기 최대 밝기 정보 사이의 밝기 정보 각각을 역치값으로 하는 상기 병변 영역에 대한 누적 분포 함수를 계산하는 CDF 산출부 및 상기 누적 분포 함수에 기초하여 상기 경계특성을 도출하는 경계특성 계산부를 포함할 수 있다.
또한, 상기 판별부는, 상기 누적 분포 함수가 급격하게 변화하거나 완만하게 변화하는 양상을 반영하는 상기 경계특성에 기초하여 상기 병변과 연계된 침습도를 상기 속성으로서 추론할 수 있다.
또한, 본원의 일 실시예에 따른 경계특성 기반의 병변 분석 장치는, 상기 병변 영역 내부의 밝기 정보에 기초하여 병변 내부에 대한 질감특성을 도출하는 내부특성 산출부를 포함할 수 있다.
또한, 상기 판별부는, 상기 경계특성 및 상기 질감특성을 함께 고려하여 병변과 연계된 속성을 추론할 수 있다.
또한, 상기 목표 부위는 폐이고, 상기 판별부는, 상기 추론된 속성에 기초하여 상기 병변의 유형을 분류하되, 폐부위 병변의 침습도에 기초하여 상기 병변의 유형을 분류할 수 있다.
상술한 과제 해결 수단은 단지 예시적인 것으로서, 본원을 제한하려는 의도로 해석되지 않아야 한다. 상술한 예시적인 실시예 외에도, 도면 및 발명의 상세한 설명에 추가적인 실시예가 존재할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 영상 데이터에서 식별된 병변 영역의 경계특성을 도출하고, 도출된 경계특성에 기반하여 해당 병변과 연계된 속성을 추론할 수 있는 경계특성 기반의 병변 분석 장치 및 방법을 제공할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 폐부위 병변의 경계(margin)부의 특성을 정량화하고, 폐선암의 아형을 객관적 기준에 근거하여 구분할 수 있는 경계특성 기반의 병변 분석 장치 및 방법을 제공할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 종양의 경계부의 정보를 영상 분석 기법으로 객관적, 자동적으로 정량화하여 기존 전문가에 의해 수동적으로 수행되던 판정의 주관성 및 신속성의 문제를 해결할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 폐선암의 아형(subtype) 등을 포함하는 병변의 속성을 비침습적으로 판단함으로써 조직 검사 등의 침습적 방식에 의해 유발될 수 있는 추가 감염의 위험이 방지될 수 있고, 판단 결과에 기초하여 환자 맞춤형의 개인화된 치료가 가능해질 수 있다.
다만, 본원에서 얻을 수 있는 효과는 상기된 바와 같은 효과들로 한정되지 않으며, 또 다른 효과들이 존재할 수 있다.
도 1은 본원의 일 실시예에 따른 경계특성 기반의 병변 분석 장치의 개략적인 구성도이다.
도 2a는 침습도가 높은 병변에서 나타나는 경계특성을 설명하기 위한 도면이다.
도 2b는 침습도가 낮은 병변에서 나타나는 경계특성을 설명하기 위한 도면이다.
도 3은 회색조 동시발생 행렬(GLCM)로부터 획득 가능한 병변 내부에 대한 질감특성을 예시적으로 나타낸 도표이다.
도 4는 본원의 일 실시예에 따른 경계특성 기반의 병변 분석 방법에 대한 동작 흐름도이다.
도 5은 본원의 일 실시예에 따른 경계특성을 도출하는 방법에 대한 세부 동작 흐름도이다.
도 2a는 침습도가 높은 병변에서 나타나는 경계특성을 설명하기 위한 도면이다.
도 2b는 침습도가 낮은 병변에서 나타나는 경계특성을 설명하기 위한 도면이다.
도 3은 회색조 동시발생 행렬(GLCM)로부터 획득 가능한 병변 내부에 대한 질감특성을 예시적으로 나타낸 도표이다.
도 4는 본원의 일 실시예에 따른 경계특성 기반의 병변 분석 방법에 대한 동작 흐름도이다.
도 5은 본원의 일 실시예에 따른 경계특성을 도출하는 방법에 대한 세부 동작 흐름도이다.
아래에서는 첨부한 도면을 참조하여 본원이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본원의 실시예를 상세히 설명한다. 그러나 본원은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본원을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본원 명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결" 또는 "간접적으로 연결"되어 있는 경우도 포함한다.
본원 명세서 전체에서, 어떤 부재가 다른 부재 "상에", "상부에", "상단에", "하에", "하부에", "하단에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.
본원 명세서 전체에서, 어떤 부분이 어떤 구성 요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.
본원은 경계특성 기반의 병변 분석 장치 및 방법에 관한 것이다. 예를 들면, 본원은 폐부위의 영상 데이터로부터 간유리음영(ground glass opacity) 특성을 보이는 폐선암(lung adenocarcinoma) 병변의 경계부위를 정량화하여, 폐선암의 침습 정도(침습도, invasiveness)를 분석하고, 이를 기초로 폐선암의 다양한 아형(subtype)을 구분하기 위한 기법에 관한 것이다.
도 1은 본원의 일 실시예에 따른 경계특성 기반의 병변 분석 장치의 개략적인 구성도이다.
도 1을 참조하면, 본원의 일 실시예에 따른 경계특성 기반의 병변 분석 장치(100)(이하, '병변 분석 장치(100)'라 한다.)는, 입력 수신부(110), 관심영역 검출부(120), 경계특성 산출부(130), 내부특성 산출부(140), 판별부(150) 및 출력부(160)를 포함할 수 있다.
또한, 도 1을 참조하면, 병변 분석 장치(100)의 경계특성 산출부(130)는 CDF 산출부(131), PDF 산출부(132) 및 경계특성 계산부(133)를 포함할 수 있다. 또한, 도 1을 참조하면, 병변 분석 장치(100)의 내부특성 산출부(140)는 질감행렬 산출부(141) 및 질감특성 계산부(142)를 포함할 수 있다.
또한, 도면에는 도시되지 않았으나, 병변 분석 장치(100)는 목표 부위에 대한 의료 영상을 촬영하는 촬영 장치(미도시)로부터 분석 대상이 되는 영상 데이터를 수신하는 것일 수 있다. 또한, 병변 분석 장치(100)는 촬영 장치(미도시)로부터 수신한 영상 데이터에 대한 병변 분석 결과를 사용자 단말(미도시)로 제공하여 병변 분석 결과가 출력되도록 할 수 있다. 다른 예로, 본원에서 개시하는 병변 분석 장치(100)는 촬영 장치(미도시)에 소프트웨어 또는 모듈 형태로 탑재되는 형태로 구비되는 것일 수 있다.
보다 구체적으로, 병변 분석 장치(100)로 영상 데이터를 제공하는 촬영 장치(미도시)는 예를 들어 MRI(Magnetic Resonance Imaging, 자기 공명 영상) 스캐너, 초음파 영상 기기, 컴퓨터 단층 촬영(Computed tomography, CT) 기기, X-선 등의 방사선 촬영 기기 등일 수 있다. 또한, 이에 대응하여 병변 분석 장치(100)에 의한 분석의 대상이 되는 영상 데이터는 X-선 영상, MRI 영상, 초음파 영상, CT 영상 등을 포함하는 것일 수 있다.
병변 분석 장치(100), 촬영 장치(미도시) 및 사용자 단말(미도시) 상호간은 네트워크를 통해 통신할 수 있다. 네트워크는 단말들 및 서버들과 같은 각각의 노드 상호간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 이러한 네트워크의 일 예에는, 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, 5G 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), wifi 네트워크, 블루투스(Bluetooth) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다.
사용자 단말(미도시)은 예를 들면, 스마트폰(Smartphone), 스마트패드(SmartPad), 태블릿 PC등과 PCS(Personal Communication System), GSM(Global System for Mobile communication), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말기 같은 모든 종류의 무선 통신 장치일 수 있다.
이하에서는, 병변 분석 장치(100)의 기능 및 동작에 대해 상세히 설명하도록 한다.
먼저, 병변 분석 장치(100)의 입력 수신부(110)는 목표 부위에 대한 영상 데이터를 수신할 수 있다. 본원의 일 실시예에 따르면, 입력 수신부(110)는 목표 부위에 대한 영상 데이터를 촬영 장치(미도시)로부터 수신할 수 있다. 여기서, 목표 부위는 대상자의 폐를 포함할 수 있다. 또한, 영상 데이터는 3차원 컴퓨터 단층촬영(CT) 데이터일 수 있다.
본원의 일 실시예에 따르면, 관심영역 검출부(120)는 수신된 영상 데이터가 3차원 컴퓨터 단층촬영(CT) 데이터이면, 3차원 컴퓨터 단층촬영 데이터에 대한 복수의 2차원 슬라이스 중 병변 영역이 가장 잘 식별되는 슬라이스를 탐색할 수 있다. 여기서, 관심영역 검출부(120)가 복수의 2차원 슬라이스 중 병변 영역을 식별하고, 해당 병변에 대한 세부 분석을 수행하도록 탐색하는 슬라이스는 적어도 하나 이상의 수로 결정될 수 있다.
이와 관련하여, 관심영역 검출부(120)가 병변 영역이 가장 잘 식별되는 슬라이스를 탐색하는 것은 예시적으로 3차원 폐CT를 기초로 생성되는 복수의 2차원 슬라이스 중 종양(병변)이 가장 크게 표현되는 2차원 영상을 대표 슬라이스(representative slice)로 선택하여 이후의 분석 프로세스에 활용하는 것으로 이해될 수 있다.
또한, 관심영역 검출부(120)는 수신된 영상 데이터로부터 병변 영역을 식별할 수 있다. 본원의 일 실시예에 따르면, 관심영역 검출부(120)는 복수의 2차원 슬라이스 중 병변 영역이 가장 잘 식별되는 것으로 탐색된 슬라이스로부터 병변 영역을 식별할 수 있다.
본원의 일 실시예에 따르면, 관심영역 검출부(120)는 폐선암과 관련하여 영상 데이터에서 간유리음영(ground glass opacity) 특성이 나타나는 영역이 포함되도록 병변 영역을 결정할 수 있다. 또한, 본원의 일 실시예에 따르면, 관심영역 검출부(120)는 영상 데이터로부터 미리 설정된 임계 밝기 값을 초과하는 픽셀의 집합 또는 복셀의 집합을 병변 영역으로 결정할 수 있다.
또한, 본원의 일 실시예에 따르면, 관심영역 검출부(120)는 종양의 상부에서 하부까지 1 내지 2.5 mm 범위의 재건 간격(reconstruction interval)에 기초하여 식별되어 종양 영역을 모두 포함하도록 결정될 수 있다.
또한, 경계특성 산출부(130)는 식별된 병변 영역의 밝기 정보에 기초하여 병변에 대한 경계특성을 도출할 수 있다.
구체적으로, 본원의 일 실시예에 따르면, CDF 산출부(131)는 식별된 병변 영역 내의 최대 밝기 정보 및 최소 밝기 정보를 획득할 수 있다.
또한, CDF 산출부(131)는 획득된 최소 밝기 정보 내지 최대 밝기 정보 사이의 밝기 정보 각각을 역치값으로 하는 병변 영역에 대한 누적 분포 함수(Cumulative Distribution Function, PDF)를 계산할 수 있다. 구체적으로, CDF 산출부(131)는 병변 영역을 이루는 각각의 픽셀의 밝기값을 최소 밝기값으로부터 최대 밝기값까지 오름차순으로 정렬하고, 정렬된 각각의 밝기값을 역치(threshold)로 영상 데이터에 순차적으로 적용하여 설정된 역치보다 낮은 픽셀의 비율을 해당 역치에 대한 CDF 값으로 계산할 수 있다. 달리 말해, CDF 산출부(131)는 병변 영역을 이루는 각각의 픽셀의 밝기값 각각을 역치값으로 설정하고, 설정된 역치값 보다 낮은 밝기값을 보이는 병변 영역 내의 픽셀의 비율을 설정된 역치값에 대응하는 CDF 값으로 획득할 수 있다. 또한, CDF 산출부(131)는 역치값을 가로축으로 하고, 역치값에 대응하는 CDF 값을 세로축으로 하는 누적 분포 함수(CDF) 그래프를 생성할 수 있다.
이 때, 생성된 누적 분포 함수(CDF)의 그래프는 확률이론에 따라 우상향의 특성(개형)을 보이며, 누적 분포 함수에 대한 사항은 통상의 기술자에게 자명하므로 자세한 설명은 생략하도록 한다.
또한, 경계특성 계산부(133)는 도출된 누적 분포 함수(CDF)에 기초하여 경계특성을 도출할 수 있다.
본원의 일 실시예에 따르면, 누적 분포 함수(CDF)에 기초하여 도출되는 경계특성과 관련하여 PDF 산출부(132)는 도출된 누적 분포 함수에 대한 밝기값 범위(달리 말해, 최소 밝기 정보 내지 최대 밝기 정보 사이의 밝기 정보 범위) 전체에 걸친 기울기 값의 확률 분포 함수(Probability Density Function, PDF)를 계산할 수 있다. 또한, 경계특성 계산부(133)는 도출된 확률 분포 함수(CDF)로부터 누적 분포 함수(CDF)의 역치 변화에 따른 기울기 특성을 획득할 수 있다. 또한, 본원의 일 실시예에 따르면, PDF 산출부(132)는 병변 영역 내의 밝기값의 최소값으로부터 최대값에 해당하는 구간 내에서 5 하운스필드 유닛(Hounsfield unit, HU)마다 CDF의 기울기를 계산하도록 동작할 수 있다.
구체적으로, 본원의 일 실시예에 따르면, 경계특성 계산부(133)는 누적 분포 함수(PDF)에 대하여 도출된 확률 분포 함수(PDF) 값에 기초하여 누적 분포 함수(CDF)의 그래프에서의 누적 분포 함수의 기울기 값의 평균, 표준편차, 왜도(skewness) 및 첨도(kurtosis)를 경계특성으로 하여 도출할 수 있다. 즉, 본원에서의 경계특성은 병변의 경계(margin)에서 누적 분포 함수가 급격하게 변화하거나 완만하게 변화하는 양상을 반영하도록 도출되는 것일 수 있다.
또한, 내부특성 산출부(140)는 식별된 병변 영역 내부의 밝기 정보에 기초하여 병변 내부에 대한 질감특성을 도출할 수 있다. 본원의 실시예에 관한 설명에서 병변 내부에 대한 질감특성이란 병변(예를 들면, 종양)의 내부 비균질성(intra-tumoral heterogeneity)를 의미하는 것일 수 있다.
구체적으로, 본원의 일 실시예에 따르면, 질감행렬 산출부(141)는 관심영역 검출부(120)에서 획득한 병변 영역(예를 들면, 종양 영역)에 대응하는 질감 행렬을 계산할 수 있다. 본원의 일 실시예에 따르면, 질감행렬 산출부(141)는 회색조 동시발생 행렬(gray-level co-occurrence matrix, GLCM), gray-level size zone matrix(GLSZM), neighbouring gray tone difference matrix(NGTDM) 등의 질감 행렬을 생성할 수 있다.
또한, 질감특성 계산부(142)는 질감행렬 산출부(141)에서 획득한 질감 행렬로부터 고차 통계 정보(High-order statistics)를 질감특성으로서 계산할 수 있다.
도 3은 회색조 동시발생 행렬(GLCM)로부터 획득 가능한 병변 내부에 대한 질감특성을 예시적으로 나타낸 도표이다.
도 3을 참조하면, 질감특성 계산부(142)는 회색조 동시발생 행렬(GLCM)로부터 Autocorrelation, Cluster tendency, Maximum probability, Contrast, Difference entropy, Dissimilarity, Energy, Entropy, Homogeneity 등의 고차 통계 정보(High-order statistics)를 질감특성으로 획득할 수 있다.
또한, 판별부(150)는 경계특성 산출부(130)에 의해 도출된 경계특성 및 내부특성 산출부(140)에 의해 도출된 질감특성 중 적어도 하나에 기초하여 병변과 연계된 속성을 추론할 수 있다. 보다 구체적으로, 본원의 구현예에 따라 판별부(150)는 경계특성 산출부(130)에 의해 도출된 경계특성에 기초하여 병변과 연계된 속성을 추론하거나 경계특성 및 질감특성을 모두 고려하여 병변과 연계된 속성을 추론하도록 동작할 수 있다. 본원의 실시예에 관한 설명에서, 병변과 연계된 속성은 암, 종양 등의 병변과 연계된 침습(정)도를 의미하는 것일 수 있다. 본원의 실시예에 관한 설명에서, '침습도'는 침입도, 침습정도, 침입정도, 침입력 등으로 달리 지칭될 수 있으며, 병변 영역의 암세포 등이 대상자의 체내 다른 영역으로 침입, 번식 또는 전이하는 성질을 의미하는 것일 수 있다.
이하에서는, 도 2a 및 도 2b를 참조하여 침습도가 높은 병변과 침습도가 낮은 병변 각각에서 본원에서 개시하는 경계특성이 구분되어 나타나는 것을 설명하도록 한다.
도 2a는 침습도가 높은 병변에서 나타나는 경계특성을 설명하기 위한 도면이고, 도 2b는 침습도가 낮은 병변에서 나타나는 경계특성을 설명하기 위한 도면이다.
구체적으로, 도 2a의 (a)는 암의 침입(정)도가 높은 경우의 조직 영상(Histolopathologic image)이고, 도 2a의 (b)는 관심 영역(Region of Interest, ROI)인 병변 영역이 녹색으로 표시된 원본 CT 영상 데이터이고, 도 2a의 (d) 내지 (g)는 병변 영역 내의 최대 밝기 정보와 최소 밝기 정보 사이의 밝기 정보 각각을 역치값(threshold, "Th")으로 영상 데이터에 적용한 것이고, 도 2a의 (c)는 각각의 역치값을 적용한 경우, 역치값 보다 낮은 픽셀의 비율을 기초로 도출된 누적 분포 함수(CDF)의 그래프이다.
또한, 도 2b의 (a)는 암의 침입(정)도가 낮은 경우의 조직 영상(Histolopathologic image)이고, 도 2b의 (b)는 관심 영역(Region of Interest, ROI)인 병변 영역이 녹색으로 표시된 원본 CT 영상 데이터이고, 도 2b의 (d) 내지 (g)는 병변 영역 내의 최대 밝기 정보와 최소 밝기 정보 사이의 밝기 정보 각각을 역치값(threshold, "Th")으로 영상 데이터에 적용한 것이고, 도 2b의 (c)는 각각의 역치값을 적용한 경우, 역치값 보다 낮은 픽셀의 비율을 기초로 도출된 누적 분포 함수(CDF)의 그래프이다.
도 2a의 (c)와 도 2b의 (c)를 대비하면, 침습도가 높은 병변(도 2a)에 대한 누적 분포 함수(CDF) 그래프의 개형은 비교적 완만한 형태를 보이는 것과 달리, 침습도가 낮은 병변(도 2b)에 대한 누적 분포 함수(CDF) 그래프의 개형은 급격한 형태로 변화하는 것을 확인할 수 있다. 달리 말해, 병변의 침습도와 관련하여, 병변의 경계영역에서의 밝기 특성의 변화를 반영하는 누적 분포 함수(CDF)의 그래프의 기울기는 침습도가 높을 때 완만하게 나타나고, 침습도가 낮을 때 급격하게 나타나는 것을 확인할 수 있다.
또한, 이와 관련하여 본원의 일 실시예에 따르면, 병변의 경계에서 경계특성이 급격하게 변하는 특성은 병변의 경계가 잘 정의된 것(Well-defined)으로 설명될 수 있고, 반대로 병변의 경계에서 경계특성이 완만하게 변하는 특성은 병변의 경계가 잘 정의되지 못한 것(Ill-defined)으로 설명될 수 있다. 달리 말해, 침습도가 높은 병변에 대한 경계특성은 잘 정의지 못하고(Ill-defined), 침습도가 낮은 병변에 대한 경계특성은 잘 정의되는 것(Well-defined)으로 이해될 수 있다.
즉, 본원은 암의 침습정도가 낮은 아형은 종양의 경계부위가 다른 세포 조직에 대비하여 뚜렷하게 정의(Well-defined)되고, 암의 침습 정도가 높은 아형은 종양의 경계부위가 느슨하게 정의(Ill-defined)되는 것에 착안하여, 종양 경계부의 정의됨의 정도(definement)를 종양부위(병변 영역) 영상의 밝기값에 여러 역치에 걸쳐서 누적 분포 함수(CDF) 값을 계산하는 방식으로 확률 이론 기반의 누적 분포 함수(CDF)를 활용하여 모형화 하여, 종양 경계부의 정의의 정도 또는 암의 침입의 정도와 밀접한 관계를 가지는 고유의 영상 특징(feature)을 추출한 것이다.
또한, 판별부(150)는 경계특성 및 질감특성 중 적어도 하나에 기초하여 추론된 병변에 대한 속성에 기초하여 병변의 유형을 분류할 수 있다. 구체적으로, 판별부(150)는 목표 부위가 폐이면, 폐부위 병변의 침습도에 기초하여 병변의 유형을 분류할 수 있다.
병변의 유형과 관련하여, 본원의 일 실시예에 따르면, 폐부위 병변의 유형은 현탁선암(adenocarcinoma in situ), 최소 침습성 선압(minimally invasive adenocarcinoma) 및 침습성 선암(invasive adenocarcinoma)을 포함할 수 있다.
또한, 본원의 일 실시예에 따르면, 판별부(150)는 경계특성, 질감특성 등 병변에 대한 특성 정보가 입력되면 해당 병변에 대한 침습도를 평가하고, 침습도 평가 결과에 기반하여 폐선암의 아형(subtype)을 분류하도록 학습된 인공지능 기반의 분류 모델을 보유할 수 있다.
달리 말해, 판별부(150)는 경계특성 산출부(130)와 내부특성 산출부(140)로부터 얻은 특징값들(예를 들면, 경계특성, 질감특성 등)을 이용하여 각 병변(종양)에 대해 표지된(label) 침습도를 학습한 분류 모델을 포함할 수 있다. 이와 관련하여, 본원의 일 실시예에 따르면, 분류 모델의 학습 방법으로서, 서포트 벡터 머신(support vector machine, SVM), 랜덤 포레스트(Random Forest), 인공신경망(Artificial neural network) 등이 활용될 수 있으며, 특히, 인공신경망의 경우 이미지로부터 추상화 특성을 추출할 수 있는 합성곱 신경망(Convolutional Neural Network, CNN)이 활용될 수 있다. 다만, 이에만 한정되는 것은 아니며, 본원에서는 종래에 이미 공지되었거나 향후 개발되는 다양한 인공지능 기반의 알고리즘 모델이 적용될 수 있다.
본원의 일 실시예에 따르면, 판별부(150)가 보유한 분류 모델은 로지스틱-라쏘(LASSO) 과정을 통해 경계특성 또는 질감특성 중 침습도 예측에 유의미한 특징값을 선별하고, 선별된 특징값을 활용하여 학습되는 것일 수 있다. 구체적으로, 판별부(150)의 분류 모델은 병변의 침습도를 산출하기 위하여 앞서 선별된 특징값에 대응되는 계수를 학습 결과로서 보유하고, 새로운 영상 데이터에 대한 특징값이 입력되면 보유한 계수를 기초로 하여 해당 영상 데이터로부터 파악되는 병변에 대한 침습도를 추론하도록 동작할 수 있다.
출력부(160)는 판별부(150)에서 도출된 침습도에 대한 정보(예를 들면, 침습도 등급, 폐선암 아형 등)와 침습도 내지 폐선암 아형 분류의 판단 근거가 된 특징들을 식별할 수 있도록 제시할 수 있다. 본원의 일 실시예에 따르면, 출력부(160)는 판별부(150)가 인공신경망을 활용할 경우, Grad-cam 방식을 통해 판단 근거 영역을 시각화 하여 제공할 수 있다. 여기서, 판단 근거 영역을 시각화 하여 제공한다는 것은, 본원의 일 실시예에 따르면, 도출된 판단 근거 영역의 색상, 명암, 선명도 등이 영상 데이터의 다른 영역과 대비되도록 하여 출력 결과를 육안으로 확인하는 대상자(의료진 등)가 판단 근거 영역을 직관적으로 인식하도록 하는 것을 의미할 수 있다.
이하에서는 상기에 자세히 설명된 내용을 기반으로, 본원의 동작 흐름을 간단히 살펴보기로 한다.
도 4는 본원의 일 실시예에 따른 경계특성 기반의 병변 분석 방법에 대한 동작 흐름도이다.
도 4에 도시된 경계특성 기반의 병변 분석 방법은 앞서 설명된 병변 분석 장치(100)에 의하여 수행될 수 있다. 따라서, 이하 생략된 내용이라고 하더라도 병변 분석 장치(100)에 대하여 설명된 내용은 경계특성 기반의 병변 분석 방법에 대한 설명에도 동일하게 적용될 수 있다.
도 4를 참조하면, 단계 S11에서 입력 수신부(110)는 목표 부위에 대한 영상 데이터를 수신할 수 있다.
다음으로, 단계 S12에서 관심영역 검출부(120)는 영상 데이터로서 수신된 3차원 컴퓨터 단층촬영 데이터에 대한 복수의 2차원 슬라이스 중 병변 영역이 가장 잘 식별되는 슬라이스를 탐색할 수 있다.
다음으로, 단계 S13에서 관심영역 검출부(120)는 영상 데이터로부터 병변 영역을 식별할 수 있다. 즉, 단계 S13에서 관심영역 검출부(120)는 복수의 2차원 슬라이스 중 병변 영역이 가장 잘 식별되는 것으로 판단된 슬라이스에서 병변 영역을 식별할 수 있다.
다음으로, 단계 S14에서 경계특성 산출부(130)는 식별된 병변 영역의 밝기 정보에 기초하여 병변에 대한 경계특성을 도출할 수 있다.
다음으로, 단계 S15에서 내부특성 산출부(140)는 식별된 병변 영역 내부의 밝기 정보에 기초하여 병변 내부에 대한 질감특성을 도출할 수 있다.
다음으로, 단계 S16에서 판별부(150)는 도출된 경계특성 및 질감특성 중 적어도 하나에 기초하여 병변과 연계된 속성을 추론할 수 있다.
구체적으로, 단계 S16에서 판별부(150)는 경계특성으로서 도출된 누적 분포 함수가 급격하게 변화하거나 완만하게 변화하는 양상을 고려하여 병변과 연계된 침습도를 속성으로서 추론할 수 있다.
또한, 단계 S16에서 판별부(150)는 단계 S15에서 추론된 병변의 속성(예를 들면, 침습도 등)에 기초하여 병변의 유형을 분류할 수 있다. 구체적으로, 목표 부위가 폐이고, 분석 대상이 되는 병변이 폐선암에 해당하는 경우, 판별부(150)는 단계 S15에서 폐부위 병변의 침습도에 기초하여 병변의 유형을 현탁선암, 최소 침습성 선암 또는 침습성 선암으로 분류하도록 동작할 수 있다.
상술한 설명에서, 단계 S11 내지 S16은 본원의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다.
도 5은 본원의 일 실시예에 따른 경계특성을 도출하는 방법에 대한 세부 동작 흐름도이다.
도 5에 도시된 경계특성 기반의 병변 분석 방법은 앞서 설명된 병변 분석 장치(100)에 의하여 수행될 수 있다. 따라서, 이하 생략된 내용이라고 하더라도 병변 분석 장치(100)에 대하여 설명된 내용은 도 5에 대한 설명에도 동일하게 적용될 수 있다.
도 5를 참조하면, 단계 S141에서 CDF 산출부(131)는 단계 S13에서 식별된 병변 영역 내의 최대 밝기 정보 및 최소 밝기 정보를 획득할 수 있다.
다음으로, 단계 S142에서 CDF 산출부(131)는 최소 밝기 정보 내지 최대 밝기 정보 사이의 밝기 정보 각각을 역치값으로 하는 병변 영역에 대한 누적 분포 함수(CDF)를 계산할 수 있다.
다음으로, 단계 S143에서 경계특성 계산부(133)는 도출된 누적 분포 함수(CDF)에 기초하여 경계특성을 도출할 수 있다.
구체적으로, 단계 S143에서 경계특성 계산부(133)는 단계 S142에서 획득된 누적 분포 함수의 그래프에 기초하여 누적 분포 함수의 기울기 값의 평균, 표준편차, 왜도(skewness) 및 첨도(kurtosis)를 경계특성으로 도출할 수 있다.
상술한 설명에서, 단계 S141 내지 S143은 본원의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다.
본원의 일 실시예에 따른 경계특성 기반의 병변 분석 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
또한, 전술한 경계특성 기반의 병변 분석 방법은 기록 매체에 저장되는 컴퓨터에 의해 실행되는 컴퓨터 프로그램 또는 애플리케이션의 형태로도 구현될 수 있다.
전술한 본원의 설명은 예시를 위한 것이며, 본원이 속하는 기술분야의 통상의 지식을 가진 자는 본원의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 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.
본원의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본원의 범위에 포함되는 것으로 해석되어야 한다.
100: 경계특성 기반의 병변 분석 장치
110: 영상 수신부
120: 관심영역 검출부
130: 경계특성 산출부
131: CDF 산출부
132: PDF 산출부
133: 경계특성 계산부
140: 내부특성 산출부
141: 질감행렬 산출부
142: 질감특성 계산부
150: 판별부
160: 출력부
110: 영상 수신부
120: 관심영역 검출부
130: 경계특성 산출부
131: CDF 산출부
132: PDF 산출부
133: 경계특성 계산부
140: 내부특성 산출부
141: 질감행렬 산출부
142: 질감특성 계산부
150: 판별부
160: 출력부
Claims (15)
- 경계특성 기반의 병변 분석 방법에 있어서,
목표 부위에 대한 영상 데이터를 수신하는 단계;
상기 영상 데이터로부터 병변 영역을 식별하는 단계;
상기 식별된 병변 영역의 밝기 정보에 기초하여 병변에 대한 경계특성을 도출하는 단계; 및
상기 경계특성에 기초하여 상기 병변과 연계된 속성을 추론하는 단계,
를 포함하는, 병변 분석 방법. - 제1항에 있어서,
상기 경계특성을 도출하는 단계는,
상기 식별된 병변 영역 내의 최대 밝기 정보 및 최소 밝기 정보를 획득하는 단계;
상기 최소 밝기 정보 내지 상기 최대 밝기 정보 사이의 밝기 정보 각각을 역치값으로 하는 상기 병변 영역에 대한 누적 분포 함수를 계산하는 단계; 및
상기 누적 분포 함수에 기초하여 상기 경계특성을 도출하는 단계,
를 포함하는 것인, 병변 분석 방법. - 제2항에 있어서,
상기 속성을 추론하는 단계는,
상기 누적 분포 함수가 급격하게 변화하거나 완만하게 변화하는 양상을 반영하는 상기 경계특성에 기초하여 상기 병변과 연계된 침습도를 상기 속성으로서 추론하는 것인, 병변 분석 방법. - 제3항에 있어서,
상기 누적 분포 함수에 기초하여 상기 경계특성을 도출하는 단계는,
상기 누적 분포 함수의 그래프에 기초하여 상기 누적 분포 함수의 기울기 값의 평균, 표준편차, 왜도(skewness) 및 첨도(kurtosis)를 상기 경계특성으로 하여 도출하는 것인, 병변 분석 방법. - 제1항에 있어서,
상기 추론된 속성에 기초하여 상기 병변의 유형을 분류하는 단계,
를 더 포함하는 것인, 병변 분석 방법. - 제5항에 있어서,
상기 목표 부위는 폐이고,
상기 병변의 유형은 폐부위 병변의 침습도에 기초하여 분류되는 것인, 병변 분석 방법. - 제6항에 있어서,
상기 병변의 유형은, 현탁선암, 최소 침습성 선암 및 침습성 선암을 포함하는 것인, 병변 분석 방법. - 제1항에 있어서,
상기 병변 영역을 식별하는 단계 이후에,
상기 병변 영역 내부의 밝기 정보에 기초하여 병변 내부에 대한 질감특성을 도출하는 단계,
를 더 포함하고,
상기 속성을 추론하는 단계는,
상기 경계특성 및 상기 질감특성을 함께 고려하여 병변과 연계된 속성을 추론하는 것인, 병변 분석 방법. - 제8항에 있어서,
상기 영상 데이터는 3차원 컴퓨터 단층촬영 데이터이고,
상기 영상 데이터를 수신하는 단계 이후에,
상기 3차원 컴퓨터 단층촬영 데이터에 대한 복수의 2차원 슬라이스 중 상기 병변 영역이 가장 잘 식별되는 슬라이스를 탐색하는 단계,
를 더 포함하는 것인, 병변 분석 방법. - 경계특성 기반의 병변 분석 장치에 있어서,
목표 부위에 대한 영상 데이터를 수신하는 영상 수신부;
상기 영상 데이터로부터 병변 영역을 식별하는 관심영역 검출부;
상기 식별된 병변 영역의 밝기 정보에 기초하여 병변에 대한 경계특성을 도출하는 경계특성 산출부; 및
상기 경계특성에 기초하여 상기 병변과 연계된 속성을 추론하는 판별부,
를 포함하는, 병변 분석 장치. - 제10항에 있어서,
상기 경계특성 산출부는,
상기 식별된 병변 영역 내의 최대 밝기 정보 및 최소 밝기 정보를 획득하고, 상기 최소 밝기 정보 내지 상기 최대 밝기 정보 사이의 밝기 정보 각각을 역치값으로 하는 상기 병변 영역에 대한 누적 분포 함수를 계산하는 CDF 산출부; 및
상기 누적 분포 함수에 기초하여 상기 경계특성을 도출하는 경계특성 계산부,
를 포함하는 것인, 병변 분석 장치. - 제11항에 있어서,
상기 판별부는,
상기 누적 분포 함수가 급격하게 변화하거나 완만하게 변화하는 양상을 반영하는 상기 경계특성에 기초하여 상기 병변과 연계된 침습도를 상기 속성으로서 추론하는 것인, 병변 분석 장치. - 제12항에 있어서,
상기 병변 영역 내부의 밝기 정보에 기초하여 병변 내부에 대한 질감특성을 도출하는 내부특성 산출부,
를 더 포함하고,
상기 판별부는,
상기 경계특성 및 상기 질감특성을 함께 고려하여 병변과 연계된 속성을 추론하는 것인, 병변 분석 장치. - 제13항에 있어서,
상기 목표 부위는 폐이고,
상기 판별부는,
상기 추론된 속성에 기초하여 상기 병변의 유형을 분류하되, 폐부위 병변의 침습도에 기초하여 상기 병변의 유형을 분류하는 것인, 병변 분석 장치. - 제1항 내지 제9항 중 어느 한 항에 따른 방법을 컴퓨터에서 실행하기 위한 프로그램을 기록한 컴퓨터에서 판독 가능한 기록매체.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200110864A KR102406080B1 (ko) | 2020-09-01 | 2020-09-01 | 경계특성 기반의 병변 분석 장치 및 방법 |
| US17/332,380 US11756207B2 (en) | 2020-09-01 | 2021-05-27 | Apparatus and method for lesion analysis based on marginal feature |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200110864A KR102406080B1 (ko) | 2020-09-01 | 2020-09-01 | 경계특성 기반의 병변 분석 장치 및 방법 |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| KR20220029033A true KR20220029033A (ko) | 2022-03-08 |
| KR102406080B1 KR102406080B1 (ko) | 2022-06-07 |
| KR102406080B9 KR102406080B9 (ko) | 2023-02-23 |
Family
ID=80356849
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200110864A KR102406080B1 (ko) | 2020-09-01 | 2020-09-01 | 경계특성 기반의 병변 분석 장치 및 방법 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US11756207B2 (ko) |
| KR (1) | KR102406080B1 (ko) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002517836A (ja) * | 1998-06-05 | 2002-06-18 | アーチ・デベロップメント・コーポレーション | 乳癌の危険性のコンピュータによる評価方法およびシステム |
| JP2008520345A (ja) * | 2004-11-22 | 2008-06-19 | ケアストリーム ヘルス インク | 超音波画像における病変の検出及び分類方法、及びそのシステム |
| KR20110003412A (ko) * | 2009-07-02 | 2011-01-12 | 국립암센터 | 미세석회화 진단방법 |
| KR101927481B1 (ko) * | 2017-08-07 | 2018-12-11 | 서울여자대학교 산학협력단 | 흉부 ct 영상에서 다중 뷰 영상과 텍스처 분석을 통한 고형 성분이 작은 폐 간유리음영 결절 분류 방법 및 장치 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8045770B2 (en) * | 2003-03-24 | 2011-10-25 | Cornell Research Foundation, Inc. | System and method for three-dimensional image rendering and analysis |
| US7899514B1 (en) * | 2006-01-26 | 2011-03-01 | The United States Of America As Represented By The Secretary Of The Army | Medical image processing methodology for detection and discrimination of objects in tissue |
| CN103678837A (zh) * | 2012-08-31 | 2014-03-26 | 西门子公司 | 一种确定目标区域处理余量的方法和装置 |
| KR101414413B1 (ko) | 2012-11-06 | 2014-07-01 | 주식회사 디앤피바이오텍 | 초기 폐암 환자의 생존 예후 예측용 마커 및 이를 이용한 생존예측 방법 |
| CA3033987A1 (en) * | 2016-08-18 | 2018-02-22 | William Beaumont Hospital | System and method for determining respiratory induced blood mass change from 4d computed tomography |
| US10667778B2 (en) * | 2016-09-14 | 2020-06-02 | University Of Louisville Research Foundation, Inc. | Accurate detection and assessment of radiation induced lung injury based on a computational model and computed tomography imaging |
| JP2022534157A (ja) * | 2019-05-29 | 2022-07-28 | ライカ バイオシステムズ イメージング インコーポレイテッド | 組織学的画像および術後腫瘍辺縁評価における腫瘍のコンピュータ支援レビュー |
-
2020
- 2020-09-01 KR KR1020200110864A patent/KR102406080B1/ko active IP Right Grant
-
2021
- 2021-05-27 US US17/332,380 patent/US11756207B2/en active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002517836A (ja) * | 1998-06-05 | 2002-06-18 | アーチ・デベロップメント・コーポレーション | 乳癌の危険性のコンピュータによる評価方法およびシステム |
| JP2008520345A (ja) * | 2004-11-22 | 2008-06-19 | ケアストリーム ヘルス インク | 超音波画像における病変の検出及び分類方法、及びそのシステム |
| KR20110003412A (ko) * | 2009-07-02 | 2011-01-12 | 국립암센터 | 미세석회화 진단방법 |
| KR101927481B1 (ko) * | 2017-08-07 | 2018-12-11 | 서울여자대학교 산학협력단 | 흉부 ct 영상에서 다중 뷰 영상과 텍스처 분석을 통한 고형 성분이 작은 폐 간유리음영 결절 분류 방법 및 장치 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102406080B9 (ko) | 2023-02-23 |
| US20220067945A1 (en) | 2022-03-03 |
| KR102406080B1 (ko) | 2022-06-07 |
| US11756207B2 (en) | 2023-09-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11436732B2 (en) | Automatic segmentation of acute ischemic stroke lesions in computed tomography data | |
| US10339648B2 (en) | Quantitative predictors of tumor severity | |
| US11984217B2 (en) | Method and apparatus for processing histological image captured by medical imaging device | |
| Rajini et al. | Computer aided detection of ischemic stroke using segmentation and texture features | |
| CN105574859B (zh) | 一种基于ct图像的肝脏肿瘤分割方法及装置 | |
| Zayed et al. | Statistical analysis of haralick texture features to discriminate lung abnormalities | |
| Cid et al. | Efficient and fully automatic segmentation of the lungs in CT volumes. | |
| US11302008B2 (en) | Systems and methods for automated detection and segmentation of vertebral centrum(s) in 3D images | |
| US10719930B2 (en) | Automated scan quality monitoring system | |
| Caballo et al. | An unsupervised automatic segmentation algorithm for breast tissue classification of dedicated breast computed tomography images | |
| JP2009531117A (ja) | 解剖学的構造において前癌異常を自動認識するための方法及びシステム、及び対応するコンピュータプログラム | |
| US20200058125A1 (en) | Comparative cancer survival models to assist physicians to choose optimal treatment | |
| US20100266173A1 (en) | Computer-aided detection (cad) of a disease | |
| Vivek et al. | Artificial Neural Network Based Effective Detection of Breast Cancer By Using Mammogram Data | |
| US11783476B2 (en) | System and method for analyzing three-dimensional image data | |
| KR102406080B1 (ko) | 경계특성 기반의 병변 분석 장치 및 방법 | |
| JP2023508358A (ja) | ２次元及び３次元画像データを分析するためのシステム及び方法 | |
| Duan et al. | Segmentation of pulmonary vascular tree by incorporating vessel enhancement filter and variational region-growing | |
| Mittal et al. | Effectual accuracy of OCT image retinal segmentation with the aid of speckle noise reduction and boundary edge detection strategy | |
| Brahim et al. | Malignant pleural mesothelioma segmentation from thoracic CT scans | |
| Samundeeswari et al. | A novel multilevel hybrid segmentation and refinement method for automatic heterogeneous true NSCLC nodules extraction | |
| Coorens et al. | Intracerebral hemorrhage segmentation on noncontrast computed tomography using a masked loss function U-Net approach | |
| Pike et al. | A minimum spanning forest based classification method for dedicated breast CT images | |
| AlShowarah | Breast Cancer Detection System using Deep Learning Based on Fusion Features and Statistical Operations. | |
| KR102490461B1 (ko) | 서로 다른 의료 영상에 기반한 상관 정보를 이용한 타겟 데이터 예측 방법 |
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 | ||
| G170 | Re-publication after modification of scope of protection [patent] |