KR20220074442A - 질병을 판정하기 위한 정보를 제공하는 방법 - Google Patents
질병을 판정하기 위한 정보를 제공하는 방법 Download PDFInfo
- Publication number
- KR20220074442A KR20220074442A KR1020200162958A KR20200162958A KR20220074442A KR 20220074442 A KR20220074442 A KR 20220074442A KR 1020200162958 A KR1020200162958 A KR 1020200162958A KR 20200162958 A KR20200162958 A KR 20200162958A KR 20220074442 A KR20220074442 A KR 20220074442A
- Authority
- KR
- South Korea
- Prior art keywords
- disease
- suspected
- image
- medical image
- segment
- Prior art date
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 317
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 317
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000003062 neural network model Methods 0.000 claims abstract description 59
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000001574 biopsy Methods 0.000 claims description 8
- 239000003550 marker Substances 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 description 63
- 238000004891 communication Methods 0.000 description 23
- 230000006870 function Effects 0.000 description 17
- 238000003860 storage Methods 0.000 description 14
- 230000003902 lesion Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 12
- 238000012549 training Methods 0.000 description 12
- 210000000056 organ Anatomy 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 8
- 230000011218 segmentation Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 5
- 210000002307 prostate Anatomy 0.000 description 5
- 241000282326 Felis catus Species 0.000 description 4
- 238000013145 classification model Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 210000003484 anatomy Anatomy 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 206010060862 Prostate cancer Diseases 0.000 description 1
- 208000000236 Prostatic Neoplasms Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- 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
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- 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
Abstract
본 개시의 몇몇 실시예에 따라, 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 질병을 판정하기 위한 정보를 제공하는 방법이 개시된다. 상기 방법은: 사전 학습된 제 1 신경망 모델을 이용하여, 의료 영상과 관련된 적어도 하나의 2차원 슬라이스에서 질병 의심 영역을 포함하는 적어도 하나의 질병 의심 슬라이스를 분류하는 단계; 및 사전 학습된 제 2 신경망 모델을 이용하여, 상기 적어도 하나의 질병 의심 슬라이스에 포함된 상기 질병 의심 영역에 대한 정보를 포함하는 마스크(Mask)를 획득하는 단계;를 포함할 수 있다.
Description
본 개시 내용은 질병을 판정하기 위한 정보를 제공하는 방법에 관한 것으로서, 보다 구체적으로, 컴퓨팅 장치의 프로세서가 의료 영상에 기반하여 질병을 판정하기 위한 정보를 제공하는 방법에 관한 것이다.
의료 영상은 인체의 여러 가지 장기들의 물리적인 상태를 이해할 수 있게 해주는 자료이다. 의료 영상에는 디지털 방사선 영상(X-ray), 컴퓨터 단층 촬영(CT) 또는 자기공명영상(MRI) 등이 있다.
이러한 인체의 장기가 촬영된 의료 영상을 분석하여, 질병의 유무를 판정하는 연구는 꾸준히 이어져 오고 있다. 추가적으로, 의료 영상에 포함된 신체 장기에 대한 효과적인 분석을 위해 신체 장기를 분석하여, 질병의 유무를 판정하는 연구 또한 활발히 진행중이다.
그러나, 종래의 방식들은 영상을 슬라이스(Slice)로 분할하고, 슬라이스 단위로 질병의 유무를 판정하거나, 전체 슬라이스를 종합적으로 분석하여 질병 유무를 판정하여, 단순히 질병의 유무에 대한 판정 결과만 제공할 수 있다. 그 결과, 종래의 질병 유무를 판정하는 방식은 실제 임상 현장에서의 활용도가 낮은 실정이다.
따라서, 임상 현장에서의 활용도를 높일 수 있도록 질병의 유무를 판정할 수 있는 정보와 함께, 추가적인 정보를 제공할 수 있는 방법에 대한 연구 및 개발의 필요성이 존재한다.
한국의 공개특허공보 제10-2018-0130379호는 자기 공명 영상 장치 및 자기 공명 영상 방법에 관하여 개시한다.
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 컴퓨팅 장치를 이용하여 질병의 유무를 판정할 수 있는 정보뿐만 아니라, 추가적인 정보를 제공할 수 있는 방법을 제공한다.
본 개시의 기술적 과제들은 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
전술한 바와 같은 과제를 해결하기 위한 본 개시의 몇몇 실시예에 따라, 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 질병을 판정하기 위한 정보를 제공하는 방법이 개시된다. 상기 방법은: 사전 학습된 제 1 신경망 모델을 이용하여, 의료 영상과 관련된 적어도 하나의 2차원 슬라이스에서 질병 의심 영역을 포함하는 적어도 하나의 질병 의심 슬라이스를 분류하는 단계; 및 사전 학습된 제 2 신경망 모델을 이용하여, 상기 적어도 하나의 질병 의심 슬라이스에 포함된 상기 질병 의심 영역에 대한 정보를 포함하는 마스크(Mask)를 획득하는 단계;를 포함할 수 있다.
또한, 상기 방법은, 상기 마스크를 이용하여, 상기 의료 영상을 기초로 질병 판정 대상이 구획된 복수 개의 세그먼트들 중에서 질병 의심 세그먼트를 인식하는 단계;를 더 포함할 수 있다.
또한, 상기 마스크를 이용하여, 상기 의료 영상을 기초로 질병 판정 대상이 구획된 복수 개의 세그먼트들 중에서 질병 의심 세그먼트를 인식하는 단계는, 상기 의료 영상을 사전 설정된 개수 및 사전 설정된 위치에 대응하는 영역들로 구획 구분하여, 상기 복수 개의 세그먼트를 인식하는 단계; 및 상기 질병 의심 영역에 대한 정보 및 상기 복수 개의 세그먼트들 각각의 위치 정보에 기초하여, 상기 질병 의심 세그먼트를 인식하는 단계;를 포함할 수 있다.
또한, 상기 방법은, 상기 의료 영상이 질병 판정 대상 전체를 표현하는 3차원 영상인 경우, 상기 적어도 하나의 질병 의심 슬라이스를 분류하기 전에 상기 의료 영상을 상기 적어도 하나의 2차원 슬라이스로 분할하는 단계;를 더 포함할 수 있다.
또한, 상기 사전 학습된 제 1 신경망 모델은, 상기 의료 영상과 관련된 상기 적어도 하나의 2차원 슬라이스를 입력 데이터로 하여, 상기 입력 데이터가 상기 질병 의심 영역을 포함하는지 여부를 판단하는 모델일 수 있다.
또한, 상기 사전 학습된 제 2 신경망 모델은, 상기 적어도 하나의 질병 의심 슬라이스를 입력 데이터로 하여, 상기 입력 데이터에 포함된 상기 질병 의심 영역을 추출하는 모델일 수 있다.
또한, 상기 질병 의심 세그먼트는, 상기 질병 판정 대상의 조직검사(biopsy) 대상 영역과 관련된 세그먼트일 수 있다.
또한, 상기 방법은, 상기 의료 영상과 관련된 분석 결과 화면을 출력하는 단계;를 더 포함하고, 상기 분석 결과 화면은, 상기 질병 판정 대상 및 상기 질병 의심 영역에 대한 정보를 포함하는 영상을 디스플레이하기 위한 제 1 창(Window); 및 상기 복수 개의 세그먼트 및 상기 질병 의심 세그먼트를 포함하는 영상을 디스플레이하기 위한 제 2 창;을 포함할 수 있다.
또한, 상기 제 1 창은, 축(Axial)면에서 상기 질병 판정 대상을 바라본 제 1 영상, 시상(Sagittal)면에서 상기 질병 판정 대상을 바라본 제 2 영상 및 관상(Coronal)면에서 상기 질병 판정 대상을 바라본 제 3 영상을 포함하고, 상기 제 1 영상, 제 2 영상 및 상기 제 3 영상 각각은, 상기 의료 영상에 상기 마스크가 오버레이(Overlay) 됨에 따라, 상기 질병 판정 대상의 상기 질병 의심 영역 상에 특정 마커(Marker)가 표시된 영상일 수 있다.
또한, 상기 제 2 창은, 상기 제 1 창의 일 영역 상에서 투명도가 기 설정된 값 이상으로 설정되어 표시되고, 상기 질병 의심 세그먼트는, 상기 복수 개의 세그먼트 중 상기 질병 의심 세그먼트를 제외한 나머지 세그먼트와 상이한 색상으로 상기 제 2 창 상에 표시될 수 있다.
전술한 바와 같은 과제를 해결하기 위한 본 개시의 다른 몇몇 실시예에 따라, 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 질병을 판정하기 위한 정보를 제공하는 방법이 개시된다. 상기 방법은: 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 질병을 판정하기 위한 정보를 제공하는 방법으로서, 사전 학습된 제 1 신경망 모델을 이용하여, 3차원 의료 영상 또는, 상기 3차원 의료 영상이 분할된 복수 개의 복셀(Voxel)에서 질병 의심 영역을 포함하는 적어도 하나의 질병 의심 복셀을 분류하는 단계; 및 사전 학습된 제 2 신경망 모델을 이용하여, 상기 적어도 하나의 질병 의심 복셀에 포함된 상기 질병 의심 영역에 대한 정보를 포함하는 마스크(Mask)를 획득하는 단계;를 포함할 수 있다.
또한, 상기 방법은, 상기 마스크를 이용하여, 상기 의료 영상을 기초로 질병 판정 대상이 구획된 복수 개의 세그먼트들 중에서 질병 의심 세그먼트를 인식하는 단계;를 더 포함할 수 있다.
또한, 상기 마스크를 이용하여, 상기 의료 영상을 기초로 질병 판정 대상이 구획된 복수 개의 세그먼트들 중에서 질병 의심 세그먼트를 인식하는 단계는, 상기 의료 영상을 사전 설정된 개수 및 사전 설정된 위치에 대응하는 영역들로 구획 구분하여, 상기 복수 개의 세그먼트를 인식하는 단계; 및 상기 질병 의심 영역에 대한 정보 및 상기 복수 개의 세그먼트들 각각의 위치 정보에 기초하여, 상기 질병 의심 세그먼트를 인식하는 단계;를 포함할 수 있다.
또한, 상기 방법은, 상기 3차원 의료 영상이 분할된 복수 개의 복셀에서 질병 의심 영역을 포함하는 적어도 하나의 질병 의심 복셀을 분류하는 경우, 상기 적어도 하나의 질병 의심 복셀을 분류하기 전에 상기 3차원 의료 영상을 상기 복수 개의 복셀로 분할하는 단계;를 더 포함할 수 있다.
또한, 상기 사전 학습된 제 1 신경망 모델은, 상기 3차원 의료 영상 또는, 상기 3차원 의료 영상이 분할된 상기 복수 개의 복셀을 입력 데이터로 하여, 상기 입력 데이터에서 상기 질병 의심 영역을 포함하는 상기 적어도 하나의 질병 의심 복셀을 분류하는 모델일 수 있다.
또한, 상기 사전 학습된 제 2 신경망 모델은, 상기 적어도 하나의 질병 의심 복셀을 입력 데이터로 하여, 상기 입력 데이터에 포함된 상기 질병 의심 영역을 추출하는 모델일 수 있다.
또한, 상기 질병 의심 세그먼트는, 상기 질병 판정 대상의 조직검사(biopsy) 대상 영역과 관련된 세그먼트일 수 있다.
또한, 상기 방법은, 상기 의료 영상과 관련된 분석 결과 화면을 출력하는 단계;를 더 포함하고, 상기 분석 결과 화면은, 상기 질병 판정 대상 및 상기 질병 의심 영역에 대한 정보를 포함하는 영상을 디스플레이하기 위한 제 1 창(Window); 및 상기 복수 개의 세그먼트 및 상기 질병 의심 세그먼트를 포함하는 영상을 디스플레이하기 위한 제 2 창;을 포함할 수 있다.
또한, 상기 제 1 창은, 축(Axial)면에서 상기 질병 판정 대상을 바라본 제 1 영상, 시상(Sagittal)면에서 상기 질병 판정 대상을 바라본 제 2 영상 및 관상(Coronal)면에서 상기 질병 판정 대상을 바라본 제 3 영상을 포함하고, 상기 제 1 영상, 제 2 영상 및 상기 제 3 영상 각각은, 상기 의료 영상에 상기 마스크가 오버레이(Overlay) 됨에 따라, 상기 질병 판정 대상의 상기 질병 의심 영역 상에 특정 마커(Marker)가 표시된 영상일 수 있다.
또한, 상기 제 2 창은, 상기 제 1 창의 일 영역 상에서 투명도가 기 설정된 값 이상으로 설정되어 표시되고, 상기 질병 의심 세그먼트는, 상기 복수 개의 세그먼트 중 상기 질병 의심 세그먼트를 제외한 나머지 세그먼트와 상이한 색상으로 상기 제 2 창 상에 표시될 수 있다.
본 개시에서 얻을 수 있는 기술적 해결 수단은 이상에서 언급한 해결 수단들로 제한되지 않으며, 언급하지 않은 또 다른 해결 수단들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 개시는 컴퓨팅 장치가 질병의 유무를 판정할 수 있는 정보뿐만 아니라, 추가적인 정보를 제공하여, 실제 임상 현장에서 의료 영상 기반의 질병 판정 방법에 대한 활용도를 높일 수 있다.
본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
다양한 양상들이 이제 도면들을 참조로 기재되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 양상들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 양상(들)이 이러한 구체적인 세부사항들 없이 실시될 수 있음은 명백할 것이다.
도 1은 본 개시의 몇몇 실시예에 따른 질병을 판정하기 위한 정보를 제공하는 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 몇몇 실시예에 따른 질병을 판정하고 질병 의심 영역을 검출하는 과정을 간단히 설명하기 위한 도면이다.
도 3은 본 개시의 몇몇 실시예에 따른 네트워크 함수를 나타낸 개략도이다.
도 4는 본 개시의 몇몇 실시예에 따른 마스크를 획득하는 방법의 일례를 설명하기 위한 흐름도이다.
도 5는 본 개시의 몇몇 실시예에 따른 질병 의심 세그먼트를 인식하기 위한 방법을 설명하기 위한 흐름도이다.
도 6 및 도 7은 본 개시의 몇몇 실시예에 따른 질병 판정 대상이 인체의 해부학적 구조로 사전에 구획된 복수 개의 세그먼트를 설명하기 위한 도면이다.
도 8 및 도 9는 본 개시의 몇몇 실시예에 따른 질병을 판정하고, 질병 의심 위치를 표시하기 위한 정보가 제공되는 화면의 일례를 설명하기 위한 도면이다.
도 10은 본 개시 내용의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.
도 1은 본 개시의 몇몇 실시예에 따른 질병을 판정하기 위한 정보를 제공하는 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 몇몇 실시예에 따른 질병을 판정하고 질병 의심 영역을 검출하는 과정을 간단히 설명하기 위한 도면이다.
도 3은 본 개시의 몇몇 실시예에 따른 네트워크 함수를 나타낸 개략도이다.
도 4는 본 개시의 몇몇 실시예에 따른 마스크를 획득하는 방법의 일례를 설명하기 위한 흐름도이다.
도 5는 본 개시의 몇몇 실시예에 따른 질병 의심 세그먼트를 인식하기 위한 방법을 설명하기 위한 흐름도이다.
도 6 및 도 7은 본 개시의 몇몇 실시예에 따른 질병 판정 대상이 인체의 해부학적 구조로 사전에 구획된 복수 개의 세그먼트를 설명하기 위한 도면이다.
도 8 및 도 9는 본 개시의 몇몇 실시예에 따른 질병을 판정하고, 질병 의심 위치를 표시하기 위한 정보가 제공되는 화면의 일례를 설명하기 위한 도면이다.
도 10은 본 개시 내용의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.
다양한 실시예들 및/또는 양상들이 이제 도면들을 참조하여 개시된다. 하기 설명에서는 설명을 목적으로, 하나 이상의 양상들의 전반적 이해를 돕기 위해 다수의 구체적인 세부사항들이 개시된다. 그러나, 이러한 양상(들)은 이러한 구체적인 세부사항들 없이도 실행될 수 있다는 점 또한 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 감지될 수 있을 것이다. 이후의 기재 및 첨부된 도면들은 하나 이상의 양상들의 특정한 예시적인 양상들을 상세하게 기술한다. 하지만, 이러한 양상들은 예시적인 것이고 다양한 양상들의 원리들에서의 다양한 방법들 중 일부가 이용될 수 있으며, 기술되는 설명들은 그러한 양상들 및 그들의 균등물들을 모두 포함하고자 하는 의도이다. 구체적으로, 본 명세서에서 사용되는 "실시예", "예", "양상", "예시" 등은 기술되는 임의의 양상 또는 설계가 다른 양상 또는 설계들보다 양호하다거나, 이점이 있는 것으로 해석되지 않을 수도 있다.
또한, 다양한 양상들 및 특징들이 하나 이상의 장치들, 단말들, 서버들, 디바이스들, 컴포넌트들 및/또는 모듈들 등을 포함할 수 있는 시스템에 의하여 제시될 것이다. 다양한 시스템들이, 추가적인 장치들, 단말들, 서버들, 디바이스들, 컴포넌트들 및/또는 모듈들 등을 포함할 수 있다는 점 그리고/또는 도면들과 관련하여 논의된 장치들, 단말들, 서버들, 디바이스들, 컴포넌트들, 모듈들 등의 전부를 포함하지 않을 수도 있다는 점 또한 이해되고 인식되어야 한다.
본 명세서에서 사용되는 용어 "컴퓨터 프로그램", "컴포넌트", "모듈", "시스템" 등은 서로 호환가능하게 사용될 수 있으며, 그리고 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다.
또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.
이하, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략한다. 또한, 본 명세서에 개시된 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않는다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 개시를 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다.
비록 제1, 제2 등이 다양한 소자나 구성요소들을 서술하기 위해서 사용되나, 이들 소자나 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 소자나 구성요소를 다른 소자나 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 소자나 구성요소는 본 개시의 기술적 사상 내에서 제2 소자나 구성요소 일 수도 있음은 물론이다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
더불어, 본 명세서에서 사용되는 용어 "정보" 및 "데이터"는 종종 서로 상호교환 가능하도록 사용될 수 있다.
이하의 설명에서 사용되는 구성 요소에 대한 접미사 “모듈” 및 “부”는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.
본 개시의 목적 및 효과, 그리고 그것들을 달성하기 위한 기술적 구성들은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 본 개시를 설명하는데 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 개시의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 개시에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다.
그러나 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있다. 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 개시의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 개시는 청구항의 범주에 의해 정의될 뿐이다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
본 개시내용의 청구범위에서의 단계들에 대한 권리범위는, 각 단계들에 기재된 기능 및 특징들에 의해 발생되는 것이지, 각각의 단계에서 그 순서의 선후관계를 명시하지 않는 이상, 청구범위에서의 각 단계들의 기재 순서에 영향을 받지 않는다. 예를 들어, A단계 및 B단계를 포함하는 단계로 기재된 청구범위에서, A단계가 B단계 보다 먼저 기재되었다고 하더라도, A단계가 B단계 이전에 선행되어야 한다는 것으로 권리범위가 제한되지는 않는다.
도 1은 본 개시의 몇몇 실시예에 따른 질병을 판정하기 위한 정보를 제공하는 컴퓨팅 장치의 블록 구성도이다. 도 2는 본 개시의 몇몇 실시예에 따른 질병을 판정하고 질병 의심 영역을 검출하는 과정을 간단히 설명하기 위한 도면이다.
도 1을 참조하면, 컴퓨팅 장치(100)는 프로세서(110), 통신부(120) 및 메모리(130)를 포함할 수 있다. 다만, 상술한 구성 요소들은 컴퓨팅 장치(100)를 구현하는데 있어서 필수적인 것은 아니어서, 컴퓨팅 장치(100)는 위에서 열거된 구성요소들 보다 많거나, 또는 적은 구성요소들을 가질 수 있다.
컴퓨팅 장치(100)는 예를 들어, 마이크로프로세서, 메인프레임 컴퓨터, 디지털 프로세서, 휴대용 디바이스 및 디바이스 제어기 등과 같은 임의의 타입의 컴퓨터 시스템 또는 컴퓨터 디바이스를 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.
컴퓨팅 장치(100)의 프로세서(110)는 통상적으로 컴퓨팅 장치(100)의 전반적인 동작을 제어한다. 프로세서(110)는 컴퓨팅 장치(100)에 포함된 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(130)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.
또한, 프로세서(110)는 메모리(130)에 저장된 응용 프로그램을 구동하기 위하여, 컴퓨팅 장치(100)의 구성요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(110)는 상기 응용 프로그램의 구동을 위하여, 컴퓨팅 장치(100)에 포함된 구성요소들 중 적어도 둘 이상을 서로 조합하여 동작시킬 수 있다.
컴퓨팅 장치(100)의 프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 몇몇 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 몇몇 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.
본 개시의 몇몇 실시예에 따르면, 컴퓨팅 장치(100)의 프로세서(110)는 전립선 암을 포함하는 질병을 판정하기 위한 정보를 생성할 수 있다. 그리고, 프로세서(110)는 상기 질병을 판정하기 위한 정보를 사용자에게 제공할 수 있다. 예를 들어, 프로세서(110)는 질병을 판정하기 위한 정보를 디스플레이부(미도시)에 표시되는 사용자 인터페이스(또는, 화면)를 통해 사용자에게 제공할 수 있다. 다만, 이에 한정되는 것은 아니다.
본 개시의 프로세서(110)는 사전 학습된 신경망 모델을 이용하여, 질병을 판정하기 위한 정보를 획득할 수 있다.
일례로, 프로세서(110)는 사전 학습된 제 1 신경망 모델을 이용하여, 의료 영상과 관련된 적어도 하나의 2차원 슬라이스에서 질병 의심 영역을 포함하는 슬라이스를 인식할 수 있다. 또한, 프로세서(110)는 사전 학습된 제 2 신경망 모델을 이용하여, 질병 의심 영역을 포함하는 슬라이스에서 질병 의심 영역을 추출할 수 있다.
다른 일례로, 프로세서(110)는 사전 학습된 제 1 신경망 모델을 이용하여, 3차원 의료 영상 또는, 상기 3차원 의료 영상이 분할된 복수 개의 복셀(Voxel)에서 질병 의심 영역을 포함하는 복셀을 인식할 수 있다. 또한, 프로세서(110)는 사전 학습된 제 2 신경망 모델을 이용하여, 질병 의심 영역을 포함하는 복셀에서 질병 의심 영역을 추출할 수 있다.
이하, 도 2를 참조하여 좀더 구체적으로 설명한다.
도 2을 참조하면, 컴퓨팅 장치(100)의 프로세서(110)는 의료 영상과 관련된 적어도 하나의 2차원 슬라이스(11)를 사전 학습된 제 1 신경망 모델(12)(예를 들어, 분류 모델(Classification model))에 입력할 수 있다. 여기서, 제 1 신경망 모델(12)은 의료 영상과 관련된 적어도 하나의 2차원 슬라이스(11)를 입력 데이터로 하여, 입력 데이터가 질병 의심 영역을 포함하는지 여부를 판단하는 모델 일 수 있다.
컴퓨팅 장치(100)의 프로세서(110)는 사전 학습된 제 1 신경망 모델(12)로부터 입력 데이터(적어도 하나의 2차원 슬라이스(11))에 대한 결과 데이터(분류된 슬라이스들(13, 14))를 획득할 수 있다.
즉, 컴퓨팅 장치(100)의 프로세서(110)는 제 1 신경망 모델(12)을 이용하여, 적어도 하나의 2차원 슬라이스(11)를 질병 의심 영역을 포함하는 슬라이스(13) 및 질병 의심 영역을 포함하지 않는 슬라이스(14) 각각으로 분류할 수 있다.
한편, 컴퓨팅 장치(100)의 프로세서(110)는 적어도 하나의 질병 의심 슬라이스(15)(질병 의심 영역을 포함하는 슬라이스)를 사전 학습된 제 2 신경망 모델(16)(예를 들어, 세그먼테이션 모델(Segmentation model) 또는, 탐지 모델(Detection model))에 입력할 수 있다. 여기서, 제 2 신경망 모델(16)은 적어도 하나의 질병 의심 슬라이스(15)를 입력 데이터로 하여, 입력 데이터에 포함된 질병 의심 영역을 추출하는 모델일 수 있다.
컴퓨팅 장치(100)의 프로세서(110)는 사전 학습된 제 2 신경망 모델(16)로부터 입력 데이터(적어도 하나의 질병 의심 슬라이스(15))에 대한 결과 데이터(질병 의심 영역)를 획득할 수 있다.
즉, 컴퓨팅 장치(100)의 프로세서(110)는 제 2 신경망 모델(12)을 이용하여, 질병 의심 슬라이스(15)에서 질병 의심 영역(17)을 추출할 수 있다.
그리고, 프로세서(110)는 의료 영상과 관련된 분석 결과 화면을 출력하도록 디스플레이부를 제어할 수 있다.
추가적으로, 컴퓨팅 장치(100)의 프로세서(110)는 3차원 의료 영상 또는, 3차원 의료 영상이 분할된 복수 개의 복셀을 사전 학습된 제 1 신경망 모델(12)에 입력할 수 있다. 여기서, 제 1 신경망 모델(12)은 3차원 의료 영상 또는, 3차원 의료 영상이 분할된 복수 개의 복셀을 입력 데이터로 하여, 입력 데이터에서 질병 의심 영역을 포함하는 적어도 하나의 질병 의심 복셀을 분류하는 모델일 수 있다.
컴퓨팅 장치(100)의 프로세서(110)는 사전 학습된 제 1 신경망 모델(12)로부터 입력 데이터(3차원 의료 영상 또는, 3차원 의료 영상이 분할된 복수 개의 복셀)에 대한 결과 데이터(분류된 복셀들)를 획득할 수 있다.
즉, 컴퓨팅 장치(100)의 프로세서(110)는 제 1 신경망 모델(12)을 이용하여, 3차원 의료 영상 또는, 3차원 의료 영상이 분할된 복수 개의 복셀을 질병 의심 영역을 포함하는 복셀 및 질병 의심 영역을 포함하지 않는 복셀 각각으로 분류할 수 있다.
한편, 컴퓨팅 장치(100)의 프로세서(110)는 적어도 하나의 질병 의심 복셀(질병 의심 영역을 포함하는 복셀)을 사전 학습된 제 2 신경망 모델(16)에 입력할 수 있다. 여기서, 제 2 신경망 모델(16)은 적어도 하나의 질병 의심 복셀을 입력 데이터로 하여, 입력 데이터에 포함된 질병 의심 영역을 추출하는 모델일 수 있다.
컴퓨팅 장치(100)의 프로세서(110)는 사전 학습된 제 2 신경망 모델(16)로부터 입력 데이터(적어도 하나의 질병 의심 복셀)에 대한 결과 데이터(질병 의심 영역)를 획득할 수 있다. 여기서, 제 2 신경망 모델(16)을 통해 획득되는 결과 데이터는 질병 의심 영역에 대한 3차원 정보를 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.
즉, 컴퓨팅 장치(100)의 프로세서(110)는 제 2 신경망 모델(12)을 이용하여, 질병 의심 복셀에서 질병 의심 영역(17)을 추출할 수 있다.
그리고, 프로세서(110)는 의료 영상과 관련된 분석 결과 화면을 출력하도록 디스플레이부를 제어할 수 있다.
본 개시의 추가적인 몇몇 실시예에 따르면, 컴퓨팅 장치(100)의 프로세서(110)는 제 2 신경망 모델이 출력한 결과 데이터에 두 개 이상의 병변(lesion)과 관련된 정보가 포함된 경우, 결과 데이터에 하나의 병변에 대한 정보만 포함되도록 상기 결과 데이터를 분할할 수 있다.
예를 들어, 프로세서(110)는 결과 데이터에 제 1 병변, 제 2 병변 및 제 3 병변과 관련된 정보가 포함된 경우, 제 1 병변, 제 2 병변 및 제 3 병변 각각에 대응하여, 제 2 신경망 모델이 출력한 결과 데이터를 3 개로 분할할 수 있다. 다만, 이에 한정되는 것은 아니다.
이하, 본 개시의 컴퓨팅 장치(100)가 질병을 판정하기 위한 정보를 획득 및 제공하는 방법에 대한 좀더 구체적인 설명은 도 4 내지 도 9를 참조하여 후술한다.
다시 도 1을 참조하면, 컴퓨팅 장치(100)의 통신부(120)는, 컴퓨팅 장치(100)와 사용자 단말 사이 및 컴퓨팅 장치(100)와 서버들 사이의 통신을 가능하게 하는 하나 이상의 모듈을 포함할 수 있다. 또한, 상기 통신부(120)는, 컴퓨팅 장치(100)를 하나 이상의 네트워크에 연결하는 하나 이상의 모듈을 포함할 수 있다.
본 개시의 몇몇 실시예에 따르면, 통신부(120)는 신체 장기가 표현된 의료 영상을 의료 영상 촬영 시스템으로부터 수신할 수 있다. 예를 들어, 신체 장기가 표현된 의료 영상은 2차원 특징 또는 3차원 특징으로 학습된 신경망 모델의 학습용 데이터 또는 추론용 데이터일 수 있다. 예를 들어, 의료 영상은 T2w 또는, ADC 등의 다양한 프로토콜의 MR 영상일 수 있다. 또한, 신체 장기가 표현된 의료 영상은 적어도 하나의 전립선 영역을 포함하는 영상일 수 있다. 다만, 이에 한정되는 것은 아니고, 신체 장기가 표현된 의료 영상은 X-ray 영상, CT 영상 등과 같이 촬영을 통해 획득된 신체 장기와 관련된 영상을 모두 포함할 수도 있다.
컴퓨팅 장치(100)와 사용자 단말 사이 및 컴퓨팅 장치(100)와 서버들 사이의 통신을 연결하는 네트워크는 공중전화 교환망(PSTN:Public Switched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.
또한, 여기서 제시되는 네트워크는 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SC-FDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다.
본 개시의 실시예들에 따른 네트워크는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(LAN: Local Area Network), 원거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 상기 네트워크는 공지의 월드와이드웹(WWW:World Wide Web)일 수 있으며, 적외선(IrDA:Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다.
본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.
컴퓨팅 장치(100)의 메모리(130)는 프로세서(110)의 동작을 위한 프로그램을 저장할 수 있고, 입/출력되는 데이터들을 임시 또는 영구 저장할 수도 있다. 메모리(130)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 적 어도 하나의 타입의 저장매체를 포함할 수 있다.
소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능과 같은 실시예들은 별도의 소프트웨어 모듈들로 구현될 수 있다. 상기 소프트웨어 모듈들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 작동을 수행할 수 있다. 적절한 프로그램 언어로 쓰여진 소프트웨어 어플리케이션으로 소프트웨어 코드가 구현될 수 있다. 상기 소프트웨어 코드는 컴퓨팅 장치(100)의 메모리(130)에 저장되고, 컴퓨팅 장치(100)의 프로세서(110)에 의해 실행될 수 있다.
도 3은 본 개시의 몇몇 실시예에 따른 네트워크 함수를 나타낸 개략도이다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 상호 교환 가능한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.
신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.
신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.
최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.
본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에서 네트워크 함수는 오토 인코더(autoencoder)를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 차원과 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.
뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 반교사학습(semi supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.
뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.
뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.
도 4는 본 개시의 몇몇 실시예에 따른 마스크를 획득하는 방법의 일례를 설명하기 위한 흐름도이다.
도 4를 참조하면, 컴퓨팅 장치(100)의 프로세서(110)는 의료 영상과 관련된 적어도 하나의 2차원 슬라이스에서 질병 의심 영역을 포함하는 적어도 하나의 질병 의심 슬라이스를 분류할 수 있다(S110).
구체적으로, 프로세서(110)는 적어도 하나의 2차원 슬라이스에서 적어도 하나의 질병 의심 슬라이스를 분류할 때, 사전 학습된 제 1 신경망 모델을 이용할 수 있다. 여기서, 사전 학습된 제 1 신경망 모델은 의료 영상과 관련된 적어도 하나의 2차원 슬라이스를 입력 데이터로 하여, 입력 데이터가 질병 의심 영역을 포함하는지 여부를 판단하는 모델일 수 있다. 예를 들어, 사전 학습된 제 1 신경망 모델은 분류 모델(Classification model)일 수 있다. 여기서, 분류 모델은 둘 이상의 불연속 클래스를 구분 짓는 데 사용되는 딥러닝 모델 유형을 의미할 수 있다. 다만, 이에 한정되는 것은 아니다.
추가적으로, 컴퓨팅 장치(100)의 프로세서(110)는 의료 영상이 질병 판정 대상 전체를 표현하는 3차원 영상인 경우, 적어도 하나의 질병 의심 슬라이스를 분류하기 전에 상기 의료 영상을 적어도 하나의 2차원 슬라이스로 분할할 수 있다.
즉, 프로세서(110)는 3차원인 의료 영상을 제 1 신경망 모델에 입력하기 위해 2차원 슬라이스로 분할하는 전처리를 수행할 수 있다. 다만, 이에 한정되는 것은 아니다.
한편, 컴퓨팅 장치(100)의 프로세서(110)는, 적어도 하나의 질병 의심 슬라이스를 분류한 경우, 적어도 하나의 질병 의심 슬라이스에 포함된 질병 의심 영역에 대한 정보를 포함하는 마스크(Mask)를 획득할 수 있다(S120).
구체적으로, 프로세서(110)는 적어도 하나의 질병 의심 슬라이스에 포함된 질병 의심 영역에 대한 정보를 포함하는 마스크를 획득할 때, 사전 학습된 제 2 신경망 모델을 이용할 수 있다. 여기서, 사전 학습된 제 2 신경망 모델은 적어도 하나의 질병 의심 슬라이스를 입력 데이터로 하여, 입력 데이터에 포함된 질병 의심 영역을 추출하는 모델일 수 있다. 예를 들어, 사전 학습된 제 2 신경망 모델은 세그먼테이션 모델(또는, 분리 모델)(Segmentation model)일 수 있다. 여기서, 세그먼테이션 모델은 미리 정해진 클래스의 집합을 이용하여 주어진 이미지의 각 픽셀을 특정 클래스로 분류하는 모델일 수 있다. 다만, 이에 한정되는 것은 아니고, 사전 학습된 제 2 신경망 모델은 탐지 모델(Detection model)일 수도 있다.
여기서, 컴퓨팅 장치(100)의 프로세서(110)가 획득하는 마스크는 질병 의심 슬라이스 상에 존재하는 질병 의심 영역의 위치 정보(예를 들어, 질병 의심 슬라이스 상의 좌표) 및 상기 질병 의심 영역에 표시되는 마커 등을 포함하는 정보인 질병 의심 영역에 대한 정보 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.
본 개시의 몇몇 실시예에 따르면, 컴퓨팅 장치(100)의 프로세서(110)는, 마스크를 획득한 경우, 상기 마스크를 이용하여 질병 의심 세그먼트를 인식할 수 있다. 구체적으로, 프로세서(110)는 의료 영상을 기초로 질병 판정 대상이 구획된 복수 개의 세그먼트들 중에서 상기 질병 의심 세그먼트를 인식할 수 있다.
이하, 컴퓨팅 장치(100)의 프로세서(110)가 복수 개의 세그먼트들 중에서 질병 의심 세그먼트를 인식하는 방법에 대한 설명은 도 5 내지 도 7을 참조하여 후술한다.
본 개시의 다른 몇몇 실시예에 따르면, 컴퓨팅 장치(100)의 프로세서(110)는 3차원 의료 영상 또는, 상기 3차원 의료 영상이 분할된 복수 개의 복셀에서 질병 의심 영역을 포함하는 적어도 하나의 질병 의심 복셀을 분류할 수 있다.
구체적으로, 프로세서(110)는 3차원 의료 영상 또는, 상기 3차원 의료 영상이 분할된 복수 개의 복셀에서 적어도 하나의 질병 의심 복셀을 분류할 때, 사전 학습된 제 1 신경망 모델을 이용할 수 있다. 여기서, 사전 학습된 제 1 신경망 모델은 3차원 의료 영상 또는, 3차원 의료 영상이 분할된 복수 개의 복셀을 입력 데이터로 하여, 입력 데이터에서 질병 의심 영역을 포함하는 적어도 하나의 질병 의심 복셀을 분류하는 모델일 수 있다. 예를 들어, 사전 학습된 제 1 신경망 모델은 분류 모델(Classification model)일 수 있다. 다만, 이에 한정되는 것은 아니다.
추가적으로, 컴퓨팅 장치(100)의 프로세서(110)는 3차원 의료 영상이 분할된 복수 개의 복셀에서 질병 의심 영역을 포함하는 적어도 하나의 질병 의심 복셀을 분류하는 경우, 적어도 하나의 질병 의심 복셀을 분류하기 전에 상기 3차원 의료 영상을 상기 복수 개의 복셀로 분할할 수 있다.
즉, 프로세서(110)는 3차원인 의료 영상을 제 1 신경망 모델에 입력하기 위해 복수 개의 복셀로 분할하는 전처리를 수행할 수 있다. 다만, 이에 한정되는 것은 아니다.
한편, 컴퓨팅 장치(100)의 프로세서(110)는, 적어도 하나의 질병 의심 복셀을 분류한 경우, 적어도 하나의 질병 의심 복셀에 포함된 질병 의심 영역에 대한 정보를 포함하는 마스크(Mask)를 획득할 수 있다. 여기서, 질병 의심 영역에 대한 정보를 포함하는 마스크는, 질병 의심 영역에 대한 3차원 정보를 포함할 수 있다.
구체적으로, 프로세서(110)는 적어도 하나의 질병 의심 복셀에 포함된 질병 의심 영역에 대한 정보를 포함하는 마스크를 획득할 때, 사전 학습된 제 2 신경망 모델을 이용할 수 있다. 여기서, 사전 학습된 제 2 신경망 모델은 적어도 하나의 질병 의심 복셀을 입력 데이터로 하여, 입력 데이터에 포함된 질병 의심 영역을 추출하는 모델일 수 있다. 예를 들어, 사전 학습된 제 2 신경망 모델은 세그먼테이션 모델(Segmentation model) 또는, 탐지 모델(Detection model)일 수 있다. 다만, 이에 한정되는 것으 아니다.
여기서, 컴퓨팅 장치(100)의 프로세서(110)가 획득하는 마스크는 질병 의심 복셀 상에 존재하는 질병 의심 영역의 위치 정보(예를 들어, 질병 의심 복셀 상의 좌표) 및 상기 질병 의심 영역에 표시되는 마커 등을 포함하는 정보인 질병 의심 영역에 대한 정보 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.
본 개시의 추가적인 몇몇 실시예에 따르면, 컴퓨팅 장치(100)의 프로세서(110)는 제 2 신경망 모델이 출력한 마스크에 두 개 이상의 병변과 관련된 질병 의심 영역에 대한 정보가 포함된 경우, 상기 마스크를 분할할 수 있다.
구체적으로, 프로세서(110)는 제 2 신경망 모델에서 출력된 마스크에 복수의 병변에 대응하는 질병 의심 영역에 대한 정보가 포함된 경우, 하나의 마스크에 하나의 병변에 대응하는 질병 의심 영역에 대한 정보만 포함되도록 마스크를 분할하여, 분할 마스크(또는, 복셀 마스크)를 생성할 수 있다. 이 경우, 분할 마스크는 하나의 병변에 대응하는 질병 의심 영역에 대한 정보만 포함할 수 있다.
본 개시의 몇몇 실시예에 따르면, 컴퓨팅 장치(100)의 프로세서(110)는, 마스크를 획득한 경우, 상기 마스크를 이용하여 질병 의심 세그먼트를 인식할 수 있다. 구체적으로, 프로세서(110)는 의료 영상을 기초로 질병 판정 대상이 구획된 복수 개의 세그먼트들 중에서 상기 질병 의심 세그먼트를 인식할 수 있다.
이하, 컴퓨팅 장치(100)의 프로세서(110)가 복수 개의 세그먼트들 중에서 질병 의심 세그먼트를 인식하는 방법에 대한 설명은 도 5 내지 도 7을 참조하여 후술한다.
도 5는 본 개시의 몇몇 실시예에 따른 질병 의심 세그먼트를 인식하기 위한 방법을 설명하기 위한 흐름도이다. 도 6 및 도 7은 본 개시의 몇몇 실시예에 따른 질병 판정 대상이 인체의 해부학적 구조로 사전에 구획된 복수 개의 세그먼트를 설명하기 위한 도면이다.
본 개시의 몇몇 실시예에 따르면, 컴퓨팅 장치(100)의 프로세서(110)는 도 4의 단계(S120)에서 질병 의심 영역에 대한 정보를 포함하는 마스크를 획득한 후, 질병 의심 세그먼트를 인식할 수 있다.
구체적으로, 도 5를 참조하면, 컴퓨팅 장치(100)의 프로세서(110)는 의료 영상을 사전 설정된 개수 및 사전 설정된 위치에 대응하는 영역들로 구획 구분하여, 복수 개의 세그먼트를 인식할 수 있다(S210).
구체적으로, 프로세서(110)는 사전 설정된 룰에 기초하여, 의료 영상에 포함된 질병 판정 대상을 복수 개의 세그먼트로 구획할 수 있다. 여기서, 사전 설정된 룰은 인체의 해부학적구조 및 기능에 기반하여, 인체의 특정 부위를 둘러싸고 있는 기관들의 경계를 구분하는 것 일 수 있다. 예를 들어, 질병 판정 대상이 전립선인 경우, 기 설정된 룰은 PI-RADS(Prostate Imaging Reporting and Data System)일 수 있다. 다만, 이에 한정되는 것은 아니다.
예를 들어, 질병 판정 대상이 전립선이라고 가정하고, 도 6을 참조하면, 프로세서(110)는 질병 판정 대상(P)은 복수 개의 가상선으로 구획될 수 있다.
도 6의 (a)는 질병 판정 대상(P)을 측면에서 바라본 도면이다. 도시된 바와 같이, 질병 판정 대상(P)은 측면에서 수평 방향을 갖는 제 1 가상선(31)으로 구획될 수 있다. 또한, 질병 판정 대상(P)은 측면에서 수평 방향을 갖고, 상기 제 1 가상선(31)과 수평 하도록 형성된 제 2 가상선(32)으로 구획될 수 있다. 또한, 질병 판정 대상(P)은 제 1 가상선(31) 및 제 2 가상선(32)과 직교하는 제 3 가상선(33)으로 구획될 수 있다.
한편, 도 6의 (b)는 질병 판정 대상(P)을 정면에서 바라본 도면이다. 도시된 바와 같이, 질병 판정 대상(P)은 정면의 중앙에서 수직 방향을 갖는 제 6 가상선(36)으로 구획될 수 있다. 또한, 질병 판정 대상(P)은 제 6 가상선(36)과 특정 각도를 갖도록 형성된 제 4 가상선(34) 및 제 5 가상선(35) 각각으로 구획될 수 있다.
즉, 컴퓨팅 장치(100)의 프로세서(110)는 상술한 제 1 내지 6 가상선(31~36)을 이용해, 질병 판정 대상(P)을 구획할 수 있다.
추가적으로, 질병 판정 대상(예를 들어, 전립선)의 구성요소들에 대한 사전 설정된 위치들(예를 들어, AS, PZa 및 TZa 등)이 존재할 때, 실제 질병 판정 대상의 크기나 위치에 따라 상기 실제 질병 판정 대상의 구성요소와 상기 사전 설정된 위치들이 일치하지 않을 수 있다. 이 경우, 프로세서(110)는 실제 질병 판정 대상의 구성요소들(예를 들어, AS, PZa 및 TZa 등)이 사전 설정된 위치에 대응되도록 상기 사전 설정된 위치의 좌표 또는, 크기를 조정(보정)하여, 상기 실제 질병 판정 대상을 복수 개의 세그먼트로 구획 구분할 수 있다. 따라서, 본 개시의 프로세서(110)는 질병 판정 대상을 보다 정확하게 복수 개의 세그먼트로 구획 구분할 수 있다. 다만, 이에 한정되는 것은 아니다.
도 7을 참조하면, 구획된 질병 판정 대상(P)을 도시한다.
구체적으로, 도 7의 Base를 참조하면, 제 1 가상선(31)으로 구획된 질병 판정 대상(P)의 상단부를 도시한다. 질병 판정 대상(P)의 상단부는 AS 세그먼트, TZa 세그먼트, TZp 세그먼트, PZa 세그먼트, PZpl 세그먼트 및 CZ 세그먼트 각각을 2 개씩 포함할 수 있다.
도 7의 Mid는 제 1 가상선(31) 및 제 2 가상선(32)으로 구획된 질병 판정 대상(P)의 중앙부를 도시한다. 질병 판정 대상(P)의 중앙부는 AS 세그먼트, TZa 세그먼트, TZp 세그먼트, PZa 세그먼트, PZpl 세그먼트 및 PZpm 세그먼트 각각을 2 개씩 포함할 수 있다.
도 7의 Apex는 제 2 가상선(32)으로 구획된 질병 판정 대상(P)의 하단부를 도시한다. 질병 판정 대상(P)의 하단부는 AS 세그먼트, TZa 세그먼트, TZp 세그먼트, PZa 세그먼트, PZpl 세그먼트 및 PZpm 세그먼트 각각을 2 개씩 포함할 수 있다.
결과적으로, 질병 판정 대상(P)은 상기 질병 판정 대상(P)을 이루는 구성 요소들(AS, TZ 및 PZ) 각각이 제 1 내지 6 가상선(31~36)으로 구획됨에 따라, 총 36개의 세그먼트로 분할될 수 있다. 다만, 이에 한정되는 것은 아니다.
다시 도 5를 참조하면, 컴퓨팅 장치(100)의 프로세서(110)는 질병 의심 영역에 대한 정보 및 복수 개의 세그먼트들 각각의 위치 정보에 기초하여, 질병 의심 세그먼트를 인식할 수 있다(S220).
구체적으로, 프로세서(110)는 질병 의심 영역에 대한 정보에 포함된 질병 의심 영역의 위치 정보를 획득할 수 있다. 그리고, 프로세서(110)는 복수 개의 세그먼트 중 상기 질병 의심 영역을 포함하는 세그먼트를 질병 의심 세그먼트로 인식할 수 있다.
보다 쉽게 설명하면, 프로세서(110)는 질병 의심 영역의 위치와 복수 개의 세그먼트 각각의 위치를 비교하여, 질병 의심 영역의 위치를 포함하는 세그먼트를 질병 의심 세그먼트로 인식할 수 있다.
여기서, 질병 의심 세그먼트는 질병 판정 대상의 조직검사(biopsy) 대상 영역과 관련된 세그먼트일 수 있다. 추가적으로, 질병 의심 세그먼트는 미리 촬영된 의료 영상과 실시간으로 융합되어 3차원 영상(이미지)을 만들어내는데 이용될 수 있다. 이 경우, 사용자(의사)는 3차원 영상을 보면서 질병 판정 대상의 조직검사 위치와 깊이를 정확하게 결정할 수 있다. 다만, 이에 한정되는 것은 아니다.
본 개시의 몇몇 실시예에 따르면, 컴퓨팅 장치(100)의 프로세서(110)는 질병 의심 세그먼트를 인식한 후, 의료 영상과 관련된 분석 결과 화면을 출력하도록 디스플레이부를 제어할 수 있다. 다만, 이에 한정되는 것은 아니고, 프로세서(110)는 의료 영상과 관련된 분석 결과 화면을 외부 기기로 전송하도록 통신부(120)를 제어할 수도 있다.
본 개시의 몇몇 실시예에 따른 분석 결과 화면은 질병 판정 대상 및 질병 의심 영역에 대한 정보를 포함하는 영상을 디스플레이하기 위한 제 1 창(Window) 및 복수 개의 세그먼트 및 질병 의심 세그먼트를 포함하는 영상을 디스플레이하기 위한 제 2 창을 포함할 수 있다.
즉, 본 개시의 컴퓨팅 장치(100)는 질병의 유무를 판정할 수 있는 정보가 포함된 제 1 창과 함께 조직검사 대상 영역에 대한 정보가 포함된 제 2 창을 제공할 수 있다.
따라서, 본 개시의 컴퓨팅 장치(100)는 질병의 유무를 판정할 수 있는 정보뿐만 아니라, 추가적인 정보(조직검사 대상 영역에 대한 정보)를 제공하여, 실제 임상 현장에서 의료 영상 기반의 질병 판정 방법에 대한 활용도를 높일 수 있다.
도 8 및 도 9는 본 개시의 몇몇 실시예에 따른 질병을 판정하고, 질병 의심 위치를 표시하기 위한 정보가 제공되는 화면의 일례를 설명하기 위한 도면이다.
본 개시의 몇몇 실시예에 따르면, 컴퓨팅 장치(100)의 프로세서(110)는 의료 영상과 관련된 분석 결과 화면을 출력할 수 있다.
여기서, 분석 결과 화면은 질병 판정 대상 및 상기 질병 의심 영역에 대한 정보를 포함하는 영상을 디스플레이하기 위한 제 1 창 및 복수 개의 세그먼트 및 질병 의심 세그먼트를 포함하는 영상을 디스플레이하기 위한 제 2 창을 포함할 수 있다.
먼저, 제 1 창(40)은, 도 8에 도시된 바와 같이, 축(Axial)면에서 질병 판정 대상을 바라본 제 1 영상(41), 시상(Sagittal)면에서 상기 질병 판정 대상을 바라본 제 2 영상(42) 및 관상(Coronal)면에서 상기 질병 판정 대상을 바라본 제 3 영상(43)을 포함할 수 있다.
즉, 제 1 영상(41), 제 2 영상(42) 및 제 3 영상(43) 각각은 서로 다른 방향에서 질병 판정 대상을 바라본 영상이며, 각각의 영상은 질병 판정 대상의 일부를 포함할 수 있다.
추가적으로, 제 1 영상(41), 제 2 영상(42) 및 제 3 영상(43) 각각은 의료 영상에 마스크가 오버레이(Overlay) 됨에 따라, 질병 판정 대상의 질병 의심 영역 상에 특정 마커(Marker)가 표시된 영상일 수 있다.
다음으로, 제 2 창(50)은, 도 9에 도시된 바와 같이, 제 1 창의 일 영역 상에서 투명도가 기 설정된 값 이상으로 설정되어 표시될 수 있다. 그리고, 제 2 창(50)에 포함된 질병 의심 세그먼트(51)는 복수 개의 세그먼트 중 질병 의심 세그먼트(51)를 제외한 나머지 세그먼트와 상이한 색상으로 상기 제 2 창(50) 상에 표시될 수 있다.
본 개시의 몇몇 실시예에 따른 제 2 창(50)은 제 1 창(40)이 표시된 상태에서 사용자 입력부(미도시)를 통해 특정 입력이 입력되었을 때, 상기 제 1 창(40)에서 팝업창 형태로 표시될 수 있다. 또한, 제 2 창(50)은 제 1 창(40) 상에 표시된 후, 사용자 입력부를 통해 다른 특정 입력이 입력되었을 때, 상기 제 1 창(40)에서 제거될 수 있다. 다만, 이에 한정되는 것은 아니다.
따라서, 사용자는 제 1 창(40)에 표시된 질병 판정 대상의 일부와 마커를 통해 질병의 유무를 판정할 수 있을 뿐만 아니라, 제 2 창(50)에 표시된 질병 의심 세그먼트를 통해 질병 판정 대상의 조직 검사 부위를 결정할 수 있다. 이 경우, 실제 임상 현장에서 의료 영상 기반의 질병 판정 방법에 대한 활용도가 높아질 수 있다.
도 10은 본 개시 내용의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.
본 개시가 일반적으로 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어와 관련하여 전술되었지만, 당업자라면 본 개시가 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다는 것을 잘 알 것이다.
일반적으로, 본 명세서에서의 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로시져, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.
본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.
컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다.
컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.
컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.
컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.
시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.
컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)―이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음―, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 예를 들어, USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘다를 포함한다.
이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 저장 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 저장 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.
운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.
사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.
모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.
컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 서버 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.
LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 서버에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.
컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.
Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a,b,g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5 GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장 매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 용어 "기계-판독가능 매체"는 명령(들) 및/또는 데이터를 저장, 보유, 및/또는 전달할 수 있는 무선 채널 및 다양한 다른 매체를 포함하지만, 이들로 제한되는 것은 아니다.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.
제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
Claims (20)
- 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 질병을 판정하기 위한 정보를 제공하는 방법으로서,
사전 학습된 제 1 신경망 모델을 이용하여, 의료 영상과 관련된 적어도 하나의 2차원 슬라이스에서 질병 의심 영역을 포함하는 적어도 하나의 질병 의심 슬라이스를 분류하는 단계; 및
사전 학습된 제 2 신경망 모델을 이용하여, 상기 적어도 하나의 질병 의심 슬라이스에 포함된 상기 질병 의심 영역에 대한 정보를 포함하는 마스크(Mask)를 획득하는 단계;
를 포함하는,
질병을 판정하기 위한 정보를 제공하는 방법.
- 제 1 항에 있어서,
상기 마스크를 이용하여, 상기 의료 영상을 기초로 질병 판정 대상이 구획된 복수 개의 세그먼트들 중에서 질병 의심 세그먼트를 인식하는 단계;
를 더 포함하는,
질병을 판정하기 위한 정보를 제공하는 방법.
- 제 2 항에 있어서,
상기 마스크를 이용하여, 상기 의료 영상을 기초로 질병 판정 대상이 구획된 복수 개의 세그먼트들 중에서 질병 의심 세그먼트를 인식하는 단계는,
상기 의료 영상을 사전 설정된 개수 및 사전 설정된 위치에 대응하는 영역들로 구획하여, 상기 복수 개의 세그먼트를 인식하는 단계; 및
상기 질병 의심 영역에 대한 정보 및 상기 복수 개의 세그먼트들 각각의 위치 정보에 기초하여, 상기 질병 의심 세그먼트를 인식하는 단계;
를 포함하는,
질병을 판정하기 위한 정보를 제공하는 방법.
- 제 1 항에 있어서,
상기 의료 영상이 질병 판정 대상 전체를 표현하는 3차원 영상인 경우, 상기 적어도 하나의 질병 의심 슬라이스를 분류하기 전에 상기 의료 영상을 상기 적어도 하나의 2차원 슬라이스로 분할하는 단계;
를 더 포함하는,
질병을 판정하기 위한 정보를 제공하는 방법.
- 제 1 항에 있어서,
상기 사전 학습된 제 1 신경망 모델은,
상기 의료 영상과 관련된 상기 적어도 하나의 2차원 슬라이스를 입력 데이터로 하여, 상기 입력 데이터가 상기 질병 의심 영역을 포함하는지 여부를 판단하는 모델인,
질병을 판정하기 위한 정보를 제공하는 방법.
- 제 1 항에 있어서,
상기 사전 학습된 제 2 신경망 모델은,
상기 적어도 하나의 질병 의심 슬라이스를 입력 데이터로 하여, 상기 입력 데이터에 포함된 상기 질병 의심 영역을 추출하는 모델인,
질병을 판정하기 위한 정보를 제공하는 방법.
- 제 2 항에 있어서,
상기 질병 의심 세그먼트는,
상기 질병 판정 대상의 조직검사(biopsy) 대상 영역과 관련된 세그먼트인,
질병을 판정하기 위한 정보를 제공하는 방법.
- 제 2 항에 있어서,
상기 의료 영상과 관련된 분석 결과 화면을 출력하는 단계;
를 더 포함하고,
상기 분석 결과 화면은,
상기 질병 판정 대상 및 상기 질병 의심 영역에 대한 정보를 포함하는 영상을 디스플레이하기 위한 제 1 창(Window); 및
상기 복수 개의 세그먼트 및 상기 질병 의심 세그먼트를 포함하는 영상을 디스플레이하기 위한 제 2 창;
을 포함하는,
질병을 판정하기 위한 정보를 제공하는 방법.
- 제 8 항에 있어서,
상기 제 1 창은,
축(Axial)면에서 상기 질병 판정 대상을 바라본 제 1 영상, 시상(Sagittal)면에서 상기 질병 판정 대상을 바라본 제 2 영상 및 관상(Coronal)면에서 상기 질병 판정 대상을 바라본 제 3 영상을 포함하고,
상기 제 1 영상, 제 2 영상 및 상기 제 3 영상 각각은,
상기 의료 영상에 상기 마스크가 오버레이(Overlay) 됨에 따라, 상기 질병 판정 대상의 상기 질병 의심 영역 상에 특정 마커(Marker)가 표시된 영상인,
질병을 판정하기 위한 정보를 제공하는 방법.
- 제 8 항에 있어서,
상기 제 2 창은,
상기 제 1 창의 일 영역 상에서 투명도가 기 설정된 값 이상으로 설정되어 표시되고,
상기 질병 의심 세그먼트는,
상기 복수 개의 세그먼트 중 상기 질병 의심 세그먼트를 제외한 나머지 세그먼트와 상이한 색상으로 상기 제 2 창 상에 표시되는,
질병을 판정하기 위한 정보를 제공하는 방법.
- 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 질병을 판정하기 위한 정보를 제공하는 방법으로서,
사전 학습된 제 1 신경망 모델을 이용하여, 3차원 의료 영상 또는, 상기 3차원 의료 영상이 분할된 복수 개의 복셀(Voxel)에서 질병 의심 영역을 포함하는 적어도 하나의 질병 의심 복셀을 분류하는 단계; 및
사전 학습된 제 2 신경망 모델을 이용하여, 상기 적어도 하나의 질병 의심 복셀에 포함된 상기 질병 의심 영역에 대한 정보를 포함하는 마스크(Mask)를 획득하는 단계;
를 포함하는,
질병을 판정하기 위한 정보를 제공하는 방법.
- 제 11 항에 있어서,
상기 마스크를 이용하여, 상기 의료 영상을 기초로 질병 판정 대상이 구획된 복수 개의 세그먼트들 중에서 질병 의심 세그먼트를 인식하는 단계;
를 더 포함하는,
질병을 판정하기 위한 정보를 제공하는 방법.
- 제 12 항에 있어서,
상기 마스크를 이용하여, 상기 의료 영상을 기초로 질병 판정 대상이 구획된 복수 개의 세그먼트들 중에서 질병 의심 세그먼트를 인식하는 단계는,
상기 의료 영상을 사전 설정된 개수 및 사전 설정된 위치에 대응하는 영역들로 구획 구분하여, 상기 복수 개의 세그먼트를 인식하는 단계; 및
상기 질병 의심 영역에 대한 정보 및 상기 복수 개의 세그먼트들 각각의 위치 정보에 기초하여, 상기 질병 의심 세그먼트를 인식하는 단계;
를 포함하는,
질병을 판정하기 위한 정보를 제공하는 방법.
- 제 11 항에 있어서,
상기 3차원 의료 영상이 분할된 복수 개의 복셀에서 질병 의심 영역을 포함하는 적어도 하나의 질병 의심 복셀을 분류하는 경우, 상기 적어도 하나의 질병 의심 복셀을 분류하기 전에 상기 3차원 의료 영상을 상기 복수 개의 복셀로 분할하는 단계;
를 더 포함하는,
질병을 판정하기 위한 정보를 제공하는 방법.
- 제 11 항에 있어서,
상기 사전 학습된 제 1 신경망 모델은,
상기 3차원 의료 영상 또는, 상기 3차원 의료 영상이 분할된 상기 복수 개의 복셀을 입력 데이터로 하여, 상기 입력 데이터에서 상기 질병 의심 영역을 포함하는 상기 적어도 하나의 질병 의심 복셀을 분류하는 모델인,
질병을 판정하기 위한 정보를 제공하는 방법.
- 제 11 항에 있어서,
상기 사전 학습된 제 2 신경망 모델은,
상기 적어도 하나의 질병 의심 복셀을 입력 데이터로 하여, 상기 입력 데이터에 포함된 상기 질병 의심 영역을 추출하는 모델인,
질병을 판정하기 위한 정보를 제공하는 방법.
- 제 12 항에 있어서,
상기 질병 의심 세그먼트는,
상기 질병 판정 대상의 조직검사(biopsy) 대상 영역과 관련된 세그먼트인,
질병을 판정하기 위한 정보를 제공하는 방법.
- 제 12 항에 있어서,
상기 의료 영상과 관련된 분석 결과 화면을 출력하는 단계;
를 더 포함하고,
상기 분석 결과 화면은,
상기 질병 판정 대상 및 상기 질병 의심 영역에 대한 정보를 포함하는 영상을 디스플레이하기 위한 제 1 창(Window); 및
상기 복수 개의 세그먼트 및 상기 질병 의심 세그먼트를 포함하는 영상을 디스플레이하기 위한 제 2 창;
을 포함하는,
질병을 판정하기 위한 정보를 제공하는 방법.
- 제 18 항에 있어서,
상기 제 1 창은,
축(Axial)면에서 상기 질병 판정 대상을 바라본 제 1 영상, 시상(Sagittal)면에서 상기 질병 판정 대상을 바라본 제 2 영상 및 관상(Coronal)면에서 상기 질병 판정 대상을 바라본 제 3 영상을 포함하고,
상기 제 1 영상, 제 2 영상 및 상기 제 3 영상 각각은,
상기 의료 영상에 상기 마스크가 오버레이(Overlay) 됨에 따라, 상기 질병 판정 대상의 상기 질병 의심 영역 상에 특정 마커(Marker)가 표시된 영상인,
질병을 판정하기 위한 정보를 제공하는 방법.
- 제 18 항에 있어서,
상기 제 2 창은,
상기 제 1 창의 일 영역 상에서 투명도가 기 설정된 값 이상으로 설정되어 표시되고,
상기 질병 의심 세그먼트는,
상기 복수 개의 세그먼트 중 상기 질병 의심 세그먼트를 제외한 나머지 세그먼트와 상이한 색상으로 상기 제 2 창 상에 표시되는,
질병을 판정하기 위한 정보를 제공하는 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200162958A KR20220074442A (ko) | 2020-11-27 | 2020-11-27 | 질병을 판정하기 위한 정보를 제공하는 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200162958A KR20220074442A (ko) | 2020-11-27 | 2020-11-27 | 질병을 판정하기 위한 정보를 제공하는 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20220074442A true KR20220074442A (ko) | 2022-06-03 |
Family
ID=81983046
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200162958A KR20220074442A (ko) | 2020-11-27 | 2020-11-27 | 질병을 판정하기 위한 정보를 제공하는 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20220074442A (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117033988A (zh) * | 2023-09-27 | 2023-11-10 | 之江实验室 | 基于神经电信号的癫痫样棘波处理方法和装置 |
| CN117059235A (zh) * | 2023-08-17 | 2023-11-14 | 经智信息科技(山东)有限公司 | 一种ct图像的自动渲染方法及装置 |
-
2020
- 2020-11-27 KR KR1020200162958A patent/KR20220074442A/ko active Search and Examination
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117059235A (zh) * | 2023-08-17 | 2023-11-14 | 经智信息科技(山东)有限公司 | 一种ct图像的自动渲染方法及装置 |
| CN117033988A (zh) * | 2023-09-27 | 2023-11-10 | 之江实验室 | 基于神经电信号的癫痫样棘波处理方法和装置 |
| CN117033988B (zh) * | 2023-09-27 | 2024-03-12 | 之江实验室 | 基于神经电信号的癫痫样棘波处理方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102460257B1 (ko) | 진단 결과를 제공하기 위한 방법 및 장치 | |
| CN110276741B (zh) | 结节检测及其模型训练的方法和装置以及电子设备 | |
| US20220180512A1 (en) | Method for predicting disease based on medical image | |
| KR102179584B1 (ko) | 의료영상 판독을 위한 인공지능 기반의 클라우드 플랫폼 시스템 | |
| KR102450409B1 (ko) | 의료 영상 기반의 세그먼테이션 방법 | |
| KR20220074442A (ko) | 질병을 판정하기 위한 정보를 제공하는 방법 | |
| US20210398280A1 (en) | Bone age assessment method for bone image | |
| KR102588116B1 (ko) | 엑스레이 영상에서 골절을 검출하는 방법 | |
| US20240144474A1 (en) | Medical-image-based lesion analysis method | |
| US20220172370A1 (en) | Method for detecting white matter lesions based on medical image | |
| KR102358050B1 (ko) | 의료 영상 기반의 병변 분석 방법 | |
| KR102449240B1 (ko) | 모델 학습 방법 | |
| KR102179587B1 (ko) | 의료영상 판독을 위한 인공지능 기반의 클라우드 플랫폼 시스템 | |
| KR20220050014A (ko) | 영상 분석을 위한 사용자 인터페이스 | |
| KR102568310B1 (ko) | 영상을 분석하는 방법 | |
| KR102622660B1 (ko) | 의료 영상에 대한 연속 절편 검출 방법 | |
| US20220237777A1 (en) | Method for measuring lesion of medical image | |
| KR102569976B1 (ko) | 의료 영상 처리 방법 | |
| US20220130065A1 (en) | Method for analyzing thickness of cortical region | |
| KR102375786B1 (ko) | 의료 영상에서 이상 소견 탐지 및 판독문 생성 방법 | |
| KR102554181B1 (ko) | 골 영상으로부터 골 연령을 판독하는 방법 | |
| KR20220107940A (ko) | 의료 영상의 병변 평가 방법 | |
| KR20230056174A (ko) | 딥러닝 기반의 의료 영상 분석 방법 | |
| KR20220165111A (ko) | 의료 영상의 분류 방법 | |
| KR20220082456A (ko) | 의료 영상을 기반으로 하는 관심 대상의 상태 판독 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination |