KR20220075002A - Method and appararus of generating numerical data for deep learning using diagnosing beat of futus using artificail intelligence - Google Patents

Method and appararus of generating numerical data for deep learning using diagnosing beat of futus using artificail intelligence Download PDF

Info

Publication number
KR20220075002A
KR20220075002A KR1020200160623A KR20200160623A KR20220075002A KR 20220075002 A KR20220075002 A KR 20220075002A KR 1020200160623 A KR1020200160623 A KR 1020200160623A KR 20200160623 A KR20200160623 A KR 20200160623A KR 20220075002 A KR20220075002 A KR 20220075002A
Authority
KR
South Korea
Prior art keywords
graph
medical
medical graph
numerical data
deep learning
Prior art date
Application number
KR1020200160623A
Other languages
Korean (ko)
Other versions
KR102418326B1 (en
Inventor
류내원
양용석
박효근
홍순철
공은비
Original Assignee
네오컨버전스 주식회사
고려대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 네오컨버전스 주식회사, 고려대학교 산학협력단 filed Critical 네오컨버전스 주식회사
Priority to KR1020200160623A priority Critical patent/KR102418326B1/en
Publication of KR20220075002A publication Critical patent/KR20220075002A/en
Application granted granted Critical
Publication of KR102418326B1 publication Critical patent/KR102418326B1/en

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02411—Detecting, measuring or recording pulse rate or heart rate of foetuses
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
    • A61B5/0011—Foetal or obstetric data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/43—Detecting, measuring or recording for evaluating the reproductive systems
    • A61B5/4306—Detecting, measuring or recording for evaluating the reproductive systems for evaluating the female reproductive systems, e.g. gynaecological evaluations
    • A61B5/4343—Pregnancy and labour monitoring, e.g. for labour onset detection
    • A61B5/4362—Assessing foetal parameters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/02—Foetus

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Physiology (AREA)
  • Gynecology & Obstetrics (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Cardiology (AREA)
  • Pregnancy & Childbirth (AREA)
  • Reproductive Health (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Pediatric Medicine (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

본 발명은 인공지능을 이용한 태아박동 진단에 사용되는 딥러닝용 수치 데이터 생성방법 및 장치에 관한 것이다.
본 발명의 일 실시예에 따른 인공지능을 이용한 태아박동 진단에 사용되는 딥러닝용 수치 데이터 생성방법은 인공지능을 이용한 태아박동 진단에 사용되는 딥러닝용 수치 데이터 생성장치에 있어서, 메디컬 그래프를 포함하는 전체 이미지를 로딩하는 단계, 사용자의 명령신호에 따라 전체 이미지에서 적어도 하나 이상의 메디컬 그래프를 포함하는 수치 데이터 추출 영역을 지정하는 단계, 메디컬 그래프로부터 특정 RGB값을 추출하는 단계, 특정 RGB값을 기준으로 특정 RGB값과 매칭되는 추출 메디컬 그래프를 생성하는 단계, 추출 메디컬 그래프로부터 오차를 감지하여 제거하는 단계, 추출 메디컬 그래프의 불연속 구간을 보정하여 수정 메디컬 그래프를 생성하는 단계, 수정 메디컬 그래프로부터 수치 데이터를 생성하는 단계를 포함한다.The present invention relates to a method and apparatus for generating numerical data for deep learning used for fetal rhythm diagnosis using artificial intelligence.
The method for generating numerical data for deep learning used for diagnosing fetal beats using artificial intelligence according to an embodiment of the present invention is an apparatus for generating numerical data for deep learning used for diagnosing fetal beats using artificial intelligence, including a medical graph. Loading the entire image to be used, designating a numerical data extraction area including at least one medical graph in the entire image according to a user's command signal, extracting a specific RGB value from the medical graph, based on a specific RGB value generating an extracted medical graph that matches a specific RGB value with It includes the step of creating

Description

인공지능을 이용한 태아박동 진단에 사용되는 딥러닝용 수치 데이터 생성방법 및 장치{METHOD AND APPARARUS OF GENERATING NUMERICAL DATA FOR DEEP LEARNING USING DIAGNOSING BEAT OF FUTUS USING ARTIFICAIL INTELLIGENCE}Numerical data generation method and device for deep learning used for fetal rhythm diagnosis using artificial intelligence

본 발명은 인공지능을 이용한 태아박동 진단에 사용되는 딥러닝용 수치 데이터 생성방법 및 장치에 관한 것이다.The present invention relates to a method and apparatus for generating numerical data for deep learning used for fetal rhythm diagnosis using artificial intelligence.

일반인의 경우 신체 접촉을 통한 일반 심장 박동 장치들로 심장 박동의 측정이 가능하나 태아의 경우 엄마의 뱃속에 있어 일반적 장치로 심장 박동을 측정하는 것은 어려움이 있다.In the case of the general public, it is possible to measure the heart rate with general heart rate devices through physical contact, but in the case of a fetus, it is difficult to measure the heart rate with a general device in the mother's womb.

또한, 태아는 일반인과는 다른 맥박수와 패턴을 가지고 있어 기존 일반인 데이터를 기반으로 하는 진단 기준으로는 판단할 수 없고, 태아의 맥박 이상여부가 태아 이상여부의 가장 중요한 요소이다. In addition, since the fetus has a different pulse rate and pattern than the general public, it cannot be judged by diagnostic criteria based on existing general data.

이와 같이, 심장 박동을 통한 태아를 진단하는 것은 현재 전문의들의 청진에 의해 진행되고 있으며, 국내에서 인공지능(AI)을 이용하여 태아의 심장 박동 소리와 시계열 데이터를 통해 태아 이상을 진단하는 사례가 최근에 나타나고 있다.As such, diagnosing the fetus through heartbeat is currently being conducted by auscultation of specialists, and in Korea, cases of diagnosing fetal abnormalities through fetal heartbeat sound and time series data using artificial intelligence (AI) have recently been reported. is appearing in

그러나, 인공지능을 이용한 태아 박동을 진단함에 필요한 기본 데이터를 병원에서 제공받는데, 병원에서 제공받는 데이터는 메디컬 그래프가 표시된 이미지 형태이기 때문에 해당 메디컬 그래프의 표시된 선 정보로부터 태아 심박동 정보, 임산부 심박동 정보, 임산부 자궁 수축도 정보 등 필요한 수치 데이터를 추출하는데 어려움이 있었다.However, basic data necessary for diagnosing fetal rhythm using artificial intelligence is provided by the hospital, and since the data provided by the hospital is in the form of an image in which the medical graph is displayed, fetal heart rate information, pregnant woman heart rate information, There was a difficulty in extracting necessary numerical data, such as information on uterine contractions of pregnant women.

또한, 병원에서 제공받은 데이터를 수치화하기 위해서는 사용자가 직접 그래프 선을 따라서 해당 태아 심박동 정보, 임산부 심박동 정보, 임산부 자궁 수축도 정보 등을 직접 입력하는 방식으로 좌표를 입력해야 하는데 이러한 방식으로는 태아 심박동 정보, 임산부 심박동 정보, 임산부 자궁 수축도 정보 등의 수치 데이터를 확보하는데 시간이 오래 걸리는 문제점과 직접 사용자가가 입력하다 보니 오차도 어느 정도 발생하는 문제점이 있었다.In addition, in order to quantify the data provided by the hospital, the user must directly input the coordinates by directly inputting the fetal heart rate information, the pregnant woman's heart rate information, and the pregnant woman's uterine contraction information along the graph line. In this way, the fetal heart rate There was a problem that it takes a long time to obtain numerical data such as information, maternal heart rate information, and uterine contraction information of pregnant women, and there is a problem that an error occurs to some extent because the user inputs it directly.

대한민국 등록특허 제10-1936302호 (2019년01월02일 등록)Republic of Korea Patent No. 10-1936302 (Registered on January 02, 2019)

본 발명이 이루고자 하는 기술적인 과제는 인공지능을 이용한 태아박동 진단에 사용되는 딥러닝용 수치 데이터 생성하기 위한 인공지능을 이용한 태아박동 진단에 사용되는 딥러닝용 수치 데이터 생성방법 및 장치를 제공하는데 있다.The technical object of the present invention is to provide a method and apparatus for generating numerical data for deep learning used for fetal beat diagnosis using artificial intelligence for generating numerical data for deep learning used for fetal beat diagnosis using artificial intelligence. .

본 발명의 일 실시예에 따른 인공지능을 이용한 태아박동 진단에 사용되는 딥러닝용 수치 데이터 생성방법은 인공지능을 이용한 태아박동 진단에 사용되는 딥러닝용 수치 데이터 생성장치에 있어서, 메디컬 그래프를 포함하는 전체 이미지를 로딩하는 단계, 사용자의 명령신호에 따라 상기 전체 이미지에서 적어도 하나 이상의 상기 메디컬 그래프를 포함하는 수치 데이터 추출 영역을 지정하는 단계, 상기 메디컬 그래프로부터 특정 RGB값을 추출하는 단계, 특정 RGB값을 기준으로 상기 특정 RGB값과 매칭되는 추출 메디컬 그래프를 생성하는 단계, 상기 추출 메디컬 그래프로부터 오차를 감지하여 제거하는 단계, 상기 추출 메디컬 그래프의 불연속 구간을 보정하여 수정 메디컬 그래프를 생성하는 단계, 상기 수정 메디컬 그래프로부터 수치 데이터를 생성하는 단계를 포함한다.The method for generating numerical data for deep learning used for diagnosing fetal beats using artificial intelligence according to an embodiment of the present invention is an apparatus for generating numerical data for deep learning used for diagnosing fetal beats using artificial intelligence, including a medical graph. Loading an entire image of the following: designating a numerical data extraction area including at least one or more of the medical graphs in the entire image according to a user's command signal; extracting a specific RGB value from the medical graph; a specific RGB value generating an extracted medical graph matching the specific RGB value based on the value, detecting and removing an error from the extracted medical graph, correcting discontinuous sections of the extracted medical graph to generate a corrected medical graph; and generating numerical data from the modified medical graph.

본 발명의 일 실시예에 따른 인공지능을 이용한 태아박동 진단에 사용되는 딥러닝용 수치 데이터 생성방법은 상기 메디컬 그래프는 태아 심박동 정보를 포함하는 제1메디컬 그래프와, 임산부 자궁 수축도 정보를 포함하는 제2메디컬 그래프를 포함하고, 상기 제1메디컬 그래프의 제1픽셀에서 제1RGB값을 추출하여 제1추출 메디컬 그래프를 생성하고, 상기 제2메디컬 그래프의 제2픽셀에서 제2RGB값을 추출하여 제2추출 메디컬 그래프를 생성하는 것을 특징으로 한다.In the method for generating numerical data for deep learning used for diagnosing fetal beats using artificial intelligence according to an embodiment of the present invention, the medical graph includes a first medical graph including fetal heartbeat information, and information on the degree of uterine contractions of pregnant women. including a second medical graph, extracting a first RGB value from a first pixel of the first medical graph to generate a first extracted medical graph, and extracting a second RGB value from a second pixel of the second medical graph It is characterized by generating a two-extraction medical graph.

본 발명의 일 실시예에 따른 인공지능을 이용한 태아박동 진단에 사용되는 딥러닝용 수치 데이터 생성방법은 상기 제1추출 메디컬 그래프로부터 기 설정된 제1시간 내에 기 설정된 제1변화율 이상으로 bpm 값의 변화를 가지는 것은 오차로 감지하고, 상기 제2추출 메디컬 그래프로부터 기 설정된 제2시간 내에 기 설정된 제2변화율 이상으로 kPa 값의 변화를 가지는 것을 상기 오차로 감지하는 것을 특징으로 한다.In the method for generating numerical data for deep learning used for fetal beat diagnosis using artificial intelligence according to an embodiment of the present invention, the change in bpm value is greater than or equal to a preset first rate of change within a first preset time from the first extraction medical graph. It is characterized in that it is detected as an error, and having a change in the kPa value greater than a preset second rate of change within a second preset time from the second extraction medical graph is detected as the error.

본 발명의 일 실시예에 따른 인공지능을 이용한 태아박동 진단에 사용되는 딥러닝용 수치 데이터 생성장치는 수치 데이터를 저장하는 메모리, 메디컬 그래프를 포함하는 전체 이미지를 로딩하고, 사용자의 명령신호에 따라 상기 전체 이미지에서 적어도 하나 이상의 상기 메디컬 그래프를 포함하는 수치 데이터 추출 영역을 지정하고, 상기 메디컬 그래프로부터 특정 RGB값을 추출하고, 특정 RGB값을 기준으로 상기 특정 RGB값과 매칭되는 추출 메디컬 그래프를 생성하고, 상기 추출 메디컬 그래프로부터 오차를 감지하여 제거하고, 상기 추출 메디컬 그래프의 불연속 구간을 보정하여 수정 메디컬 그래프를 생성하고, 상기 수정 메디컬 그래프로부터 상기 수치 데이터를 생성하도록 제어하는 제어부를 포함한다.The numerical data generating apparatus for deep learning used for fetal beat diagnosis using artificial intelligence according to an embodiment of the present invention loads a memory storing numerical data and an entire image including a medical graph, and according to a user's command signal Designate a numerical data extraction area including at least one or more of the medical graphs in the entire image, extract a specific RGB value from the medical graph, and generate an extracted medical graph that matches the specific RGB value based on the specific RGB value and a controller for controlling to detect and remove an error from the extracted medical graph, correct a discontinuous section of the extracted medical graph to generate a corrected medical graph, and generate the numerical data from the corrected medical graph.

본 발명의 일 실시예에 따른 인공지능을 이용한 태아박동 진단에 사용되는 딥러닝용 수치 데이터 생성장치는 상기 메디컬 그래프는 태아 심박동 정보를 포함하는 제1메디컬 그래프와, 임산부 자궁 수축도 정보를 포함하는 제2메디컬 그래프를 포함하고, 상기 제어부는 상기 제1메디컬 그래프의 제1픽셀에서 제1RGB값을 추출하여 제1추출 메디컬 그래프를 생성하고, 상기 제2메디컬 그래프의 제2픽셀에서 제2RGB값을 추출하여 제2추출 메디컬 그래프를 생성하도록 제어하는 것을 특징으로 한다.Numerical data generating apparatus for deep learning used for diagnosing fetal beat using artificial intelligence according to an embodiment of the present invention, wherein the medical graph includes a first medical graph including fetal heartbeat information, and information on uterine contractions of pregnant women a second medical graph, wherein the controller extracts a first RGB value from a first pixel of the first medical graph to generate a first extracted medical graph, and obtains a second RGB value from a second pixel of the second medical graph It is characterized by controlling to generate a second extraction medical graph by extraction.

본 발명의 실시예에 따른 인공지능을 이용한 태아박동 진단에 사용되는 딥러닝용 수치 데이터 생성방법 및 장치에 의하면 다음과 같은 효과가 있다. According to the method and apparatus for generating numerical data for deep learning used for fetal rhythm diagnosis using artificial intelligence according to an embodiment of the present invention, the following effects are obtained.

첫째, 본 발명은 인공지능을 이용한 태아박동 진단에 사용되는 딥러닝용 수치 데이터를 효율적으로 생성할 수 있다.First, the present invention can efficiently generate numerical data for deep learning used for fetal beat diagnosis using artificial intelligence.

둘째, 본 발명은 메디컬 그래프의 색깔을 이용하여 좌표 값을 생성하는 기능을 사용하여 더 정확한 수치 데이터를 효율적으로 생성할 수 있다.Second, the present invention can efficiently generate more accurate numerical data by using the function of generating coordinate values using the color of the medical graph.

셋째, 본 발명은 추출 메디컬 그래프로부터 오차를 감지하여 제거함으로써, 더 정확한 수치 데이터를 생성할 수 있다.Third, the present invention can generate more accurate numerical data by detecting and removing errors from the extracted medical graph.

도 1은 본 발명의 일 실시예에 따른 인공지능을 이용한 태아박동 진단에 사용되는 딥러닝용 수치 데이터 생성장치를 설명하기 위한 블록도이다.
도 2는 본 발명의 일 실시예에 따른 인공지능을 이용한 태아박동 진단에 사용되는 딥러닝용 수치 데이터 생성방법을 설명하기 위한 블록도이다.
도 3은 본 발명의 다른 실시예에 따른 인공지능을 이용한 태아박동 진단에 사용되는 딥러닝용 수치 데이터 생성방법을 설명하기 위한 블록도이다.
도 4는 본 발명의 일 실시예에 따른 태아 심박동 정보를 포함하는 태아 심박동 메디컬 그래프, 임산부 자궁 수축도 정보를 포함하는 임산부 자궁 수축도 메디컬 그래프와 임산부 심박동 정보를 포함하는 임산부 심박동 메디컬 그래프를 나타낸 것이다.
도 5(a), (b)는 본 발명의 일 실시예에 따른 태아 심박동 메디컬 그래프를 포함하는 제1수치 데이터 추출 영역과, 임산부 자궁 수축도 메디컬 그래프를 포함하는 제2수치 데이터 추출 영역을 나타낸 것이다.
도 6은 본 발명의 일 실시예에 따른 태아 심박동 메디컬 그래프의 특정 픽셀에서 특정 RGB값을 추출하고, 임산부 자궁 수축도 메디컬 그래프의 특정 픽셀에서 특정 RGB값을 추출하는 것을 나타낸 것이다.
도 7은 본 발명의 일 실시예에 따른 특정 RGB값과 매칭되는 제1추출 메디컬 그래프와, 특정 RGB값과 매칭되는 제2추출 메디컬 그래프를 나타낸 것이다.
도 8은 본 발명의 일 실시예에 따른 제1추출 메디컬 그래프로부터 오차를 감지하여 제거한 상태를 나타낸 것이다.
도 9는 본 발명의 일 실시예에 따른 불연속적인 제1추출 메디컬 그래프와 불연속적인 제2추출 메디컬 그래프를 나타낸 것이다.
도 10은 본 발명의 일 실시예에 따른 제1수정 메디컬 그래프와 제2수정 메디컬 그래프를 나타낸 것이다.
도 11(a), (b)는 본 발명의 일 실시예에 따른 제1수치 데이터와 제2수치 데이터를 나타낸 것이다.1 is a block diagram illustrating an apparatus for generating numerical data for deep learning used for fetal beat diagnosis using artificial intelligence according to an embodiment of the present invention.
2 is a block diagram for explaining a method for generating numerical data for deep learning used for fetal beat diagnosis using artificial intelligence according to an embodiment of the present invention.
3 is a block diagram for explaining a method for generating numerical data for deep learning used for fetal beat diagnosis using artificial intelligence according to another embodiment of the present invention.
4 is a fetal heartbeat medical graph including fetal heartbeat information, a maternal uterine contraction medical graph including maternal uterine contractility information, and a maternal heartbeat medical graph including maternal heartbeat information according to an embodiment of the present invention. .
5 (a) and (b) show a first numerical data extraction area including a fetal heartbeat medical graph and a second numerical data extraction area including a pregnant woman's uterine contraction medical graph according to an embodiment of the present invention. will be.
6 is a diagram illustrating extracting a specific RGB value from a specific pixel of the fetal heartbeat medical graph and extracting a specific RGB value from a specific pixel of the maternal uterine contraction medical graph according to an embodiment of the present invention.
7 is a diagram illustrating a first extraction medical graph matching a specific RGB value and a second extraction medical graph matching a specific RGB value according to an embodiment of the present invention.
8 shows a state in which an error is detected and removed from the first extraction medical graph according to an embodiment of the present invention.
9 is a diagram illustrating a discontinuous first extraction medical graph and a discontinuous second extraction medical graph according to an embodiment of the present invention.
10 shows a first modified medical graph and a second modified medical graph according to an embodiment of the present invention.
11(a) and (b) show first numerical data and second numerical data according to an embodiment of the present invention.

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

또한, 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 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 이외의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다.In addition, the terminology used herein is for the purpose of describing the embodiments and is not intended to limit the present invention. In this specification, the singular also includes the plural unless specifically stated otherwise in the phrase. As used herein, "comprises" and/or "comprising" does not exclude the presence or addition of elements other than those mentioned. Unless otherwise defined, all terms (including technical and scientific terms) used herein may be used with the meaning commonly understood by those of ordinary skill in the art to which the present invention belongs.

이하, 본 발명을 보다 구체적으로 설명하기 위하여 본 발명에 따른 실시예들을 첨부 도면을 참조하면서 보다 상세하게 설명하고자 한다.Hereinafter, in order to describe the present invention in more detail, embodiments according to the present invention will be described in more detail with reference to the accompanying drawings.

본 발명에서 메디컬 그래프는 병원에서 보관하는 태아 심박동 정보를 포함하는 태아 심박동 메디컬 그래프(예로, 제1메디컬 그래프), 임산부 자궁 수축도 정보를 포함하는 임산부 자궁 수축도 메디컬 그래프(예로, 제2메디컬 그래프), 임산부 심박동 정보를 포함하는 임산부 심박동 메디컬 그래프(예로, 제3메디컬 그래프)를 포함할 수 있다. In the present invention, the medical graph includes a fetal heart rate medical graph (eg, first medical graph) including fetal heart rate information stored in a hospital, and a maternal uterine contraction medical graph (eg, a second medical graph) including uterine contraction information for pregnant women. ), a pregnant woman heartbeat medical graph (eg, a third medical graph) including pregnant woman heartbeat information.

본 발명에서 전체 이미지는 적어도 하나 이상의 메디컬 그래프를 포함하는 이미지로, 예를 들어, 전체 이미지는 태아 심박동 메디컬 그래프(예로, 제1메디컬 그래프), 자궁 수축도 메디컬 그래프(예로, 제2메디컬 그래프), 임산부 심박동 메디컬 그래프(예로, 제3메디컬 그래프) 중 적어도 하나 이상을 포함할 수 있다. In the present invention, the entire image is an image including at least one or more medical graphs, for example, the entire image is a fetal heartbeat medical graph (eg, first medical graph), uterine contraction medical graph (eg, second medical graph) , a pregnant woman's heartbeat medical graph (eg, a third medical graph) may include at least one or more.

도 1은 본 발명의 일 실시예에 따른 인공지능을 이용한 태아박동 진단에 사용되는 딥러닝용 수치 데이터 생성장치를 설명하기 위한 블록도이다.1 is a block diagram for explaining an apparatus for generating numerical data for deep learning used for fetal beat diagnosis using artificial intelligence according to an embodiment of the present invention.

도 1을 참조하면, 본 발명의 일 실시예에 따른 인공지능을 이용한 태아박동 진단에 사용되는 딥러닝용 수치 데이터 생성장치(이하, “딥러닝용 수치 데이터 생성장치”라 한다.)는 메모리(10), 제어부(20), 표시부(30), 입력부(40), 송수신부(50)를 포함한다. 이러한 구성요소는 하나 이상의 통신버스 또는 신호선을 통하여 통신한다.Referring to FIG. 1 , an apparatus for generating numerical data for deep learning (hereinafter referred to as "a numerical data generating apparatus for deep learning") used for fetal beat diagnosis using artificial intelligence according to an embodiment of the present invention includes a memory ( 10), a control unit 20, a display unit 30, an input unit 40, and a transceiver 50. These components communicate via one or more communication buses or signal lines.

메모리(10)는 다양한 데이터 저장하는 부분이다.The memory 10 is a part for storing various data.

예를 들어, 메모리(10)는 수정 메디컬 그래프로부터 생성한 수치데이터를 저장한다. 메모리(10)는 제1수정 메디컬 그래프의 너비(width)와 높이(height)에 대한 픽셀의 위치를 기반으로 생성한 제1수치 데이터와 제2수정 메디컬 그래프의 너비(width)와 높이(height)에 대한 픽셀의 위치를 기반으로 생성한 제2수치 데이터를 저장한다.For example, the memory 10 stores numerical data generated from the modified medical graph. The memory 10 includes first numerical data generated based on the pixel position with respect to the width and height of the first modified medical graph and the width and height of the second modified medical graph. Stores the second numerical data generated based on the position of the pixel with respect to .

또한, 메모리(10)는 전체이미지, 태아 심박동 정보, 임산부 자궁 수축도 정보, 임산부 심박동 정보 등을 저장할 수 있다. In addition, the memory 10 may store an entire image, fetal heartbeat information, pregnant woman uterine contraction information, pregnant woman heartbeat information, and the like.

또한, 메모리(10)는 태아 심박동 정보를 포함하는 태아 심박동 메디컬 그래프(예로, 제1메디컬 그래프), 임산부 자궁 수축도 정보를 포함하는 임산부 자궁 수축도 메디컬 그래프(예로, 제2메디컬 그래프), 임산부 심박동 정보를 포함하는 임산부 심박동 메디컬 그래프(예로, 제3메디컬 그래프)를 포함한다.In addition, the memory 10 includes a fetal heartbeat medical graph (eg, a first medical graph) including fetal heartbeat information, a maternal uterine contraction medical graph (eg, a second medical graph) including maternal uterine contraction information, a pregnant woman and a pregnant woman heartbeat medical graph (eg, a third medical graph) including heartbeat information.

제어부(20)는 본 발명에 따른 딥러닝용 수치 데이터 생성장치를 제어하는 부분이다. 또한, 제어부(20)는 딥러닝용 수치 데이터 생성장치의 각 구성요소를 제어하는 부분이다. The control unit 20 is a part that controls the numerical data generating apparatus for deep learning according to the present invention. In addition, the control unit 20 is a part that controls each component of the numerical data generating apparatus for deep learning.

제어부(20)는 메디컬 그래프를 포함하는 전체 이미지를 로딩하고, 사용자의 명령신호에 따라 전체 이미지에서 적어도 하나 이상의 메디컬 그래프를 포함하는 수치 데이터 추출 영역을 지정하고, 메디컬 그래프로부터 특정 RGB값을 추출하고, 특정 RGB값을 기준으로 특정 RGB값과 매칭되는 추출 메디컬 그래프를 생성하고, 추출 메디컬 그래프로부터 오차를 감지하여 제거하고, 추출 메디컬 그래프의 불연속 구간을 보정하여 수정 메디컬 그래프를 생성하고, 수정 메디컬 그래프로부터 수치 데이터를 생성하도록 제어한다.The control unit 20 loads the entire image including the medical graph, designates a numerical data extraction area including at least one medical graph in the entire image according to the user's command signal, and extracts a specific RGB value from the medical graph, , creates an extracted medical graph that matches a specific RGB value based on a specific RGB value, detects and removes errors from the extracted medical graph, corrects discontinuous sections of the extracted medical graph to create a modified medical graph, and creates a modified medical graph Control to generate numerical data from

또한, 제어부(20)는 제1메디컬 그래프의 제1픽셀에서 제1RGB값을 추출하여 제1추출 메디컬 그래프를 생성하고, 제2메디컬 그래프의 제2픽셀에서 제2RGB값을 추출하여 제2추출 메디컬 그래프를 생성하도록 제어한다.In addition, the control unit 20 extracts the first RGB value from the first pixel of the first medical graph to generate a first extracted medical graph, and extracts the second RGB value from the second pixel of the second medical graph to extract the second extracted medical graph. Control to create a graph.

표시부(30)는 사용자와 딥러닝용 수치 데이터 생성장치 사이의 시각적인 출력을 위한 인터페이스를 제공한다. The display unit 30 provides an interface for visual output between the user and the numerical data generating device for deep learning.

또한, 표시부(30)는 태아 심박동 정보를 포함하는 태아 심박동 메디컬 그래프, 임산부 자궁 수축도 정보를 포함하는 임산부 자궁 수축도 메디컬 그래프와 임산부 심박동 정보를 포함하는 임산부 심박동 메디컬 그래프를 표시하는 부분이다.In addition, the display unit 30 is a part that displays a fetal heartbeat medical graph including fetal heartbeat information, a maternal uterine contraction medical graph including maternal uterine contractility information, and a maternal heartbeat medical graph including maternal heartbeat information.

또한, 표시부(30)는 태아 심박동 메디컬 그래프를 포함하는 제1수치 데이터 추출 영역과, 임산부 자궁 수축도 메디컬 그래프를 포함하는 제2수치 데이터 추출 영역을 표시하는 부분이다.Also, the display unit 30 displays a first numerical data extraction area including a fetal heartbeat medical graph and a second numerical data extraction area including a pregnant woman's uterine contraction medical graph.

또한, 표시부(30)는 특정 RGB값과 매칭되는 제1추출 메디컬 그래프와, 특정 RGB값과 매칭되는 제2추출 메디컬 그래프, 불연속적인 제1추출 메디컬 그래프와 불연속적인 제2추출 메디컬 그래프, 제1수정 메디컬 그래프와 제2수정 메디컬 그래프, 제1수치 데이터와 제2수치 데이터를 표시할 수 있다.In addition, the display unit 30 includes a first extraction medical graph matching a specific RGB value, a second extraction medical graph matching a specific RGB value, a discontinuous first extraction medical graph and a discontinuous second extraction medical graph, the first The corrected medical graph, the second corrected medical graph, and the first numerical data and the second numerical data may be displayed.

입력부(40)는 사용자와 딥러닝용 수치 데이터 생성장치 사이의 명령신호를 입력하는 인터페이스를 제공한다. 즉, 입력부(40)는 사용자가 딥러닝용 수치 데이터 생성장치에 입력신호와 같은 명령신호 등을 입력할 수 있고, 사용자가 입력부(40)를 통해서 사용자 명령신호를 입력하면, 딥러닝용 수치 데이터 생성장치는 다양한 종류의 사용자 명령신호를 검출하고 제어부(20)의 제어에 의해서 사용자의 명령을 수행한다. The input unit 40 provides an interface for inputting a command signal between a user and a numerical data generating device for deep learning. That is, the input unit 40 allows the user to input a command signal such as an input signal to the numerical data generating device for deep learning, and when the user inputs a user command signal through the input unit 40, numerical data for deep learning The generating device detects various types of user command signals and executes the user commands under the control of the control unit 20 .

사용자는 입력부(40)를 통해서 기 설정된 명령이나 기 설정된 특정시간 등을 변경하는 명령신호를 딥러닝용 수치 데이터 생성장치에 입력할 수 있다.The user may input a command signal for changing a preset command or a preset specific time to the numerical data generating device for deep learning through the input unit 40 .

다만, 터치스크린과 같은 일부 실시예에서는 표시부(30)와 입력부(40)가 일체로 될 수 있고, 분리될 수도 있다.However, in some embodiments such as a touch screen, the display unit 30 and the input unit 40 may be integrated or separated.

송수신부(50)는 전자파와 같은 신호로 데이터를 송수신하는 부분이다. 송수신부(50)는 전기신호를 전자파로 변환하며 이 전자파를 통하여 통신 네트워크 및 다른 통신장치와 통신한다.The transceiver 50 is a part that transmits and receives data using a signal such as an electromagnetic wave. The transceiver 50 converts an electric signal into an electromagnetic wave and communicates with a communication network and other communication devices through the electromagnetic wave.

예를 들어, 송수신부(50)는 제어부(20)의 제어에 따라서 수치 데이터 등을 외부 서버에 전송하거나, 외부 서버로부터 전체 이미지 파일이나 다양한 정보를 수신할 수 있다.For example, the transceiver 50 may transmit numerical data or the like to an external server or receive an entire image file or various information from the external server according to the control of the controller 20 .

도 2는 본 발명의 일 실시예에 따른 인공지능을 이용한 태아박동 진단에 사용되는 딥러닝용 수치 데이터 생성방법을 설명하기 위한 블록도이다.2 is a block diagram for explaining a method for generating numerical data for deep learning used for fetal beat diagnosis using artificial intelligence according to an embodiment of the present invention.

도 4 ~ 도 11은 본 발명의 일 실시예에 따른 인공지능을 이용한 태아박동 진단에 사용되는 딥러닝용 수치 데이터 생성방법을 설명하기 위해 표시부에서 표시되는 화면을 도시한 것이다.4 to 11 are views showing screens displayed on the display unit to explain a method for generating numerical data for deep learning used for fetal beat diagnosis using artificial intelligence according to an embodiment of the present invention.

도 4는 본 발명의 일 실시예에 따른 태아 심박동 정보를 포함하는 태아 심박동 메디컬 그래프, 임산부 자궁 수축도 정보를 포함하는 임산부 자궁 수축도 메디컬 그래프와 임산부 심박동 정보를 포함하는 임산부 심박동 메디컬 그래프를 나타낸 것이다.4 is a fetal heartbeat medical graph including fetal heartbeat information, a maternal uterine contractility medical graph including maternal uterine contractility information, and a pregnant maternal heartbeat medical graph including maternal heartbeat information according to an embodiment of the present invention. .

도 5(a), (b)는 본 발명의 일 실시예에 따른 태아 심박동 메디컬 그래프를 포함하는 제1수치 데이터 추출 영역과, 임산부 자궁 수축도 메디컬 그래프를 포함하는 제2수치 데이터 추출 영역을 나타낸 것이다.5 (a) and (b) show a first numerical data extraction area including a fetal heartbeat medical graph and a second numerical data extraction area including a pregnant woman's uterine contraction medical graph according to an embodiment of the present invention. will be.

도 6은 본 발명의 일 실시예에 따른 태아 심박동 메디컬 그래프의 특정 픽셀에서 특정 RGB값을 추출하고, 임산부 자궁 수축도 메디컬 그래프의 특정 픽셀에서 특정 RGB값을 추출하는 것을 나타낸 것이다.6 is a diagram illustrating extraction of a specific RGB value from a specific pixel of the fetal heartbeat medical graph and extraction of a specific RGB value from a specific pixel of the maternal uterine contraction medical graph according to an embodiment of the present invention.

도 7은 본 발명의 일 실시예에 따른 특정 RGB값과 매칭되는 제1추출 메디컬 그래프와, 특정 RGB값과 매칭되는 제2추출 메디컬 그래프를 나타낸 것이다.7 is a diagram illustrating a first extraction medical graph matching a specific RGB value and a second extraction medical graph matching a specific RGB value according to an embodiment of the present invention.

도 8은 본 발명의 일 실시예에 따른 제1추출 메디컬 그래프로부터 오차를 감지하여 제거한 상태를 나타낸 것이다.8 shows a state in which an error is detected and removed from the first extraction medical graph according to an embodiment of the present invention.

도 9는 본 발명의 일 실시예에 따른 불연속적인 제1추출 메디컬 그래프와 불연속적인 제2추출 메디컬 그래프를 나타낸 것이다.9 is a diagram illustrating a discontinuous first extraction medical graph and a discontinuous second extraction medical graph according to an embodiment of the present invention.

도 10은 본 발명의 일 실시예에 따른 제1수정 메디컬 그래프와 제2수정 메디컬 그래프를 나타낸 것이다.10 shows a first modified medical graph and a second modified medical graph according to an embodiment of the present invention.

도 11(a), (b)는 본 발명의 일 실시예에 따른 제1수치 데이터와 제2수치 데이터를 나타낸 것이다.11 (a) and (b) show first numerical data and second numerical data according to an embodiment of the present invention.

이하의 설명에서, 딥러닝용 수치 데이터 생성장치는 내부에 포함된 제어부(20)의 제어에 의해서 동작이 수행되는 것이라고 설명될 수 있다.In the following description, it can be described that the operation is performed under the control of the control unit 20 included in the numerical data generating apparatus for deep learning.

도 2, 도 4 ~ 도 11을 참조하여, 본 발명의 일 실시예에 따른 인공지능을 이용한 태아박동 진단에 사용되는 딥러닝용 수치 데이터 생성방법을 설명한다.A method for generating numerical data for deep learning used for fetal beat diagnosis using artificial intelligence according to an embodiment of the present invention will be described with reference to FIGS. 2 and 4 to 11 .

딥러닝용 수치 데이터 생성장치는 메디컬 그래프를 포함하는 전체 이미지를 로딩한다(S201). The numerical data generating apparatus for deep learning loads the entire image including the medical graph (S201).

도 4를 참조하여 예를 들어 설명하면, 전체 이미지(401)는 태아 심박동 정보를 포함하는 태아 심박동 메디컬 그래프(예로, 제1메디컬 그래프)(410), 임산부 자궁 수축도 정보를 포함하는 임산부 자궁 수축도 메디컬 그래프(예로, 제2메디컬 그래프)(420), 임산부 심박동 정보를 포함하는 임산부 심박동 메디컬 그래프(예로, 제3메디컬 그래프)(430)를 포함한다.As an example with reference to FIG. 4 , the entire image 401 is a fetal heartbeat medical graph (eg, a first medical graph) 410 including fetal heartbeat information, and maternal uterine contractions including information on the degree of uterine contraction of pregnant women. Also includes a medical graph (eg, a second medical graph) 420 and a pregnant woman heartbeat medical graph (eg, a third medical graph) 430 including information on the heartbeat of the pregnant woman.

딥러닝용 수치 데이터 생성장치는 사용자의 명령신호에 따라 전체 이미지에서 적어도 하나 이상의 메디컬 그래프를 포함하는 수치 데이터 추출 영역을 지정한다(S202).The numerical data generating apparatus for deep learning designates a numerical data extraction area including at least one or more medical graphs in the entire image according to the user's command signal (S202).

도 5(a), (b)를 참조하여 예를 들어 설명하면, 딥러닝용 수치 데이터 생성장치는 태아 심박동 정보를 포함하는 태아 심박동 메디컬 그래프(예로, 제1메디컬 그래프)(510)를 포함하는 제1수치 데이터 추출 영역(501)를 지정하고, 임산부 자궁 수축도 정보를 포함하는 임산부 자궁 수축도 메디컬 그래프(예로, 제2메디컬 그래프)(520)를 포함하는 제2수치 데이터 추출 영역(502)를 지정할 수 있다.5 (a) and (b), as an example, the numerical data generating apparatus for deep learning includes a fetal heartbeat medical graph (eg, a first medical graph) 510 including fetal heartbeat information A first numerical data extraction area 501 is designated, and a second numerical data extraction area 502 including a maternal uterine contraction medical graph (eg, a second medical graph) 520 including information on the uterine contraction degree of the pregnant woman. can be specified.

딥러닝용 수치 데이터 생성장치는 메디컬 그래프로부터 특정 RGB값을 추출한다(S203).The numerical data generating apparatus for deep learning extracts a specific RGB value from the medical graph (S203).

도 6을 참조하여 예를 들어 설명하면, 딥러닝용 수치 데이터 생성장치는 태아 심박동 정보를 포함하는 태아 심박동 메디컬 그래프(예로, 제1메디컬 그래프)(610)의 특정 픽셀(예로, 제1픽셀)에서 특정 RGB값(예로, 제1RGB값)을 추출하고, 임산부 자궁 수축도 정보를 포함하는 임산부 자궁 수축도 메디컬 그래프(예로, 제2메디컬 그래프)(620)의 특정 픽셀(예로, 제2픽셀)에서 특정 RGB값(예로, 제2RGB값)을 추출할 수 있다. 여기서, 추출된 제1RGB값은 R이 260, G가 60, B가 60인 갈색이 될 수 있고, 제1RGB값은 R이 260, G가 60, B가 60인 갈색이 될 수 있고, 추출된 제2RGB값은 R이 260, G가 60, B가 60인 갈색이 될 수 있고, 제2RGB값은 R이 60, G가 60, B가 60인 검은색이 될 수 있다. As an example with reference to FIG. 6 , the numerical data generating apparatus for deep learning is a specific pixel (eg, first pixel) of a fetal heartbeat medical graph (eg, first medical graph) 610 including fetal heartbeat information. Extracts a specific RGB value (eg, the first RGB value) from a specific pixel (eg, the second pixel) A specific RGB value (eg, a second RGB value) may be extracted from . Here, the extracted first RGB value may be brown in which R is 260, G is 60, and B is 60, and the first RGB value may be brown in which R is 260, G is 60, and B is 60, and the extracted The second RGB value may be brown in which R is 260, G is 60, and B is 60, and the second RGB value may be black in which R is 60, G is 60, and B is 60.

본 발명은 다양한 RGB값을 추출하여 적용 가능하다.The present invention can be applied by extracting various RGB values.

딥러닝용 수치 데이터 생성장치는 특정 RGB값을 기준으로 전체 이미지에서 전체 픽셀을 검사 후, 특정 RGB값과 매칭되는 추출 메디컬 그래프를 생성한다(S204).The numerical data generating apparatus for deep learning examines all pixels in the entire image based on a specific RGB value, and then generates an extracted medical graph that matches the specific RGB value (S204).

도 7을 참조하여 예를 들어 설명하면, 딥러닝용 수치 데이터 생성장치는 특정 RGB값(예로, 제1RGB값)을 기준으로 전체 이미지에서 전체 픽셀을 검사 후, 특정 RGB값(예로, 제1RGB값)과 매칭되는 제1추출 메디컬 그래프(710)를 생성하고, 특정 RGB값(예로, 제2RGB값)을 기준으로 전체 이미지에서 전체 픽셀을 검사 후, 특정 RGB값(예로, 제2RGB값)과 매칭되는 제2추출 메디컬 그래프(720)를 생성할 수 있다.As an example with reference to FIG. 7 , the numerical data generating device for deep learning inspects all pixels in the entire image based on a specific RGB value (eg, the first RGB value), and then a specific RGB value (eg, the first RGB value) ) to generate a first extraction medical graph 710 that matches, inspect all pixels in the entire image based on a specific RGB value (eg, a second RGB value), and match with a specific RGB value (eg, a second RGB value) A second extraction medical graph 720 may be generated.

딥러닝용 수치 데이터 생성장치는 추출 메디컬 그래프로부터 오차를 감지하여 제거한다(S205). The numerical data generator for deep learning detects and removes an error from the extracted medical graph (S205).

도 8을 참조하여 예를 들어 설명하면, 딥러닝용 수치 데이터 생성장치는 제1추출 메디컬 그래프(810)로부터 오차(831, 832, 833, …를 감지하여 제거한다. 또한, 딥러닝용 수치 데이터 생성장치는 제2추출 메디컬 그래프(820)로부터 오차를 감지하여 제거할 수 있다.8, the numerical data generating apparatus for deep learning detects and removes errors 831, 832, 833, ... from the first extraction medical graph 810. In addition, the numerical data for deep learning The generating device may detect and remove an error from the second extraction medical graph 820 .

예를 들어, 딥러닝용 수치 데이터 생성장치는 태아 심박동이 beats/min으로 표시되며 bpm은 박동간 시간차를 분으로 환산하여 계산되기 때문에 기 설정된 제1시간(예를 들어, 1~9초 사이의 시간) 시간 내에 급격한 bpm 값의 변화를 가질 수 없는 특성을 이용하여 오차를 감지할 수 있다. 즉, 딥러닝용 수치 데이터 생성장치는 제1시간(예를 들어, 1~9초 사이의 시간) 내에 기 설정된 제1변화율 이상으로 bpm 값의 변화를 가지는 것은 오차로 인식하고 이를 감지한다. 여기서, 기 설정된 제1변화율은 20~50 bpm 사이에서 설정 가능하다.For example, in the numerical data generator for deep learning, the fetal heartbeat is displayed in beats/min, and bpm is calculated by converting the time difference between beats into minutes, so the preset first time (for example, between 1 and 9 seconds) Time) An error can be detected by using the characteristic that cannot have an abrupt change in bpm value within time. That is, the numerical data generating apparatus for deep learning recognizes as an error to have a change in the bpm value greater than or equal to a preset first rate of change within a first time period (eg, between 1 and 9 seconds) and detects it. Here, the preset first rate of change may be set between 20 and 50 bpm.

또한, 딥러닝용 수치 데이터 생성장치는 자궁 수축도가 기 설정된 제2시간(예를 들어, 10~90초 사이의 시간) 내에 완만한 변화율로 증감하는 특성을 이용하여 오차를 감지할 수 있다. 즉, 딥러닝용 수치 데이터 생성장치는 자궁 수축도가 기 설정된 제2시간(예를 들어, 10~90초 사이의 시간) 기 설정된 제2변화율 이상으로 kPa 값의 변화를 가지는 것은 오차로 인식하고 이를 감지한다. 여기서, 기 설정된 제2변화율은 30~50 kPa 사이에서 설정 가능하다.In addition, the numerical data generating apparatus for deep learning may detect an error using the characteristic that the degree of uterine contraction increases or decreases at a gentle rate of change within a preset second time period (eg, between 10 and 90 seconds). That is, the numerical data generating device for deep learning recognizes as an error that the uterine contraction degree has a change in the kPa value more than the preset second time (for example, between 10 and 90 seconds) for a preset second rate of change. detect this Here, the preset second rate of change can be set between 30 and 50 kPa.

딥러닝용 수치 데이터 생성장치는 추출 메디컬 그래프의 불연속 구간을 보정하여 수정 메디컬 그래프를 생성한다(S206).The numerical data generating apparatus for deep learning generates a corrected medical graph by correcting the discontinuous section of the extracted medical graph (S206).

도 9, 도 10을 참조하여 예를 들어 설명하면, 딥러닝용 수치 데이터 생성장치는 불연속적인 제1추출 메디컬 그래프(910)를 보정하여 제1수정 메디컬 그래프(1010)를 생성하고, 불연속적인 제2추출 메디컬 그래프(920)를 보정하여 제2수정 메디컬 그래프(1020)를 생성할 수 있다. 이때, 딥러닝용 수치 데이터 생성장치는 불연속적인 제1추출 메디컬 그래프(910)와 불연속적인 제2추출 메디컬 그래프(920)의 불연속 구간에서 중간값을 이용하여 보정하고, 제1수정 메디컬 그래프(1010)와 제2수정 메디컬 그래프(1020)를 생성할 수 있다.9 and 10, the numerical data generating apparatus for deep learning corrects the discontinuous first extracted medical graph 910 to generate the first modified medical graph 1010, and the discontinuous first medical graph 1010 is generated. The second modified medical graph 1020 may be generated by correcting the extracted medical graph 920 . At this time, the numerical data generating apparatus for deep learning corrects using the intermediate value in the discontinuous section of the discontinuous first extraction medical graph 910 and the discontinuous second extraction medical graph 920, and the first modified medical graph 1010 ) and the second modified medical graph 1020 may be generated.

딥러닝용 수치 데이터 생성장치는 수정 메디컬 그래프로부터 수치 데이터를 생성하고 메모리에 저장한다(S207).The numerical data generating apparatus for deep learning generates numerical data from the modified medical graph and stores it in the memory (S207).

도 10, 도 11(a), (b)를 참조하여 예를 들어 설명하면, 딥러닝용 수치 데이터 생성장치는 제1수정 메디컬 그래프(1010)의 너비(width)와 높이(height)에 대한 픽셀의 위치를 기반으로 도 11(a)의 제1수치 데이터와 제2수정 메디컬 그래프(1020)의 너비(width)와 높이(height)에 대한 픽셀의 위치를 기반으로 도 11(b)의 제2수치 데이터를 생성할 수 있다.10, 11(a), and (b) for example, the numerical data generating apparatus for deep learning is a pixel for the width and height of the first modified medical graph 1010 Based on the position of the pixel with respect to the width and height of the first numerical data of FIG. 11 (a) and the second corrected medical graph 1020 based on the position of Numerical data can be generated.

도 3은 본 발명의 다른 실시예에 따른 인공지능을 이용한 태아박동 진단에 사용되는 딥러닝용 수치 데이터 생성방법을 설명하기 위한 블록도이다.3 is a block diagram illustrating a method for generating numerical data for deep learning used for fetal beat diagnosis using artificial intelligence according to another embodiment of the present invention.

도 4 ~ 도 11은 본 발명의 일 실시예에 따른 인공지능을 이용한 태아박동 진단에 사용되는 딥러닝용 수치 데이터 생성방법을 설명하기 위해 표시부에서 표시되는 화면을 도시한 것이다.4 to 11 are views showing screens displayed on the display unit to explain a method for generating numerical data for deep learning used for fetal beat diagnosis using artificial intelligence according to an embodiment of the present invention.

이하의 설명에서, 딥러닝용 수치 데이터 생성장치는 내부에 포함된 제어부(20)의 제어에 의해서 동작이 수행되는 것이라고 설명될 수 있다.In the following description, it can be described that the operation is performed under the control of the control unit 20 included in the numerical data generating apparatus for deep learning.

도 3, 도 4 ~ 도 11을 참조하여, 본 발명의 다른 실시예에 따른 인공지능을 이용한 태아박동 진단에 사용되는 딥러닝용 수치 데이터 생성방법을 설명한다.A method for generating numerical data for deep learning used for fetal beat diagnosis using artificial intelligence according to another embodiment of the present invention will be described with reference to FIGS. 3 and 4 to 11 .

딥러닝용 수치 데이터 생성장치는 메디컬 그래프를 포함하는 전체 이미지를 로딩한다(S301). The numerical data generating apparatus for deep learning loads the entire image including the medical graph (S301).

도 4를 참조하여 예를 들어 설명하면, 전체 이미지(401)는 태아 심박동 정보를 포함하는 태아 심박동 메디컬 그래프(예로, 제1메디컬 그래프)(410), 임산부 자궁 수축도 정보를 포함하는 임산부 자궁 수축도 메디컬 그래프(예로, 제2메디컬 그래프)(420), 임산부 심박동 정보를 포함하는 임산부 심박동 메디컬 그래프(예로, 제3메디컬 그래프)(420)를 포함한다.As an example with reference to FIG. 4 , the entire image 401 is a fetal heartbeat medical graph (eg, a first medical graph) 410 including fetal heartbeat information, and maternal uterine contractions including information on the degree of uterine contraction of pregnant women. Also includes a medical graph (eg, a second medical graph) 420 and a pregnant woman heartbeat medical graph (eg, a third medical graph) 420 including information on the heartbeat of the pregnant woman.

딥러닝용 수치 데이터 생성장치는 사용자의 명령신호에 따라 전체 이미지에서 제1메디컬 그래프를 포함하는 제1수치 데이터 추출 영역과 제2메디컬 그래프를 포함하는 제2수치 데이터 추출 영역을 지정한다(S302).The numerical data generating apparatus for deep learning designates a first numerical data extraction area including the first medical graph and a second numerical data extraction area including the second medical graph in the entire image according to the user's command signal (S302) .

도 5(a), (b)를 참조하여 예를 들어 설명하면, 딥러닝용 수치 데이터 생성장치는 태아 심박동 정보를 포함하는 태아 심박동 메디컬 그래프(예로, 제1메디컬 그래프)(510)를 포함하는 제1수치 데이터 추출 영역(501)를 지정하고, 임산부 자궁 수축도 정보를 포함하는 임산부 자궁 수축도 메디컬 그래프(예로, 제2메디컬 그래프)(520)를 포함하는 제2수치 데이터 추출 영역(502)를 지정할 수 있다.5 (a) and (b), as an example, the numerical data generating apparatus for deep learning includes a fetal heartbeat medical graph (eg, a first medical graph) 510 including fetal heartbeat information A first numerical data extraction area 501 is designated, and a second numerical data extraction area 502 including a maternal uterine contraction medical graph (eg, a second medical graph) 520 including information on the uterine contraction degree of the pregnant woman. can be specified.

딥러닝용 수치 데이터 생성장치는 제1메디컬 그래프로부터 제1RGB값을 추출하고, 제2메디컬 그래프로부터 제2RGB값을 추출한다(S303).The numerical data generating apparatus for deep learning extracts a first RGB value from the first medical graph, and extracts a second RGB value from the second medical graph (S303).

도 6을 참조하여 예를 들어 설명하면, 딥러닝용 수치 데이터 생성장치는 태아 심박동 정보를 포함하는 태아 심박동 메디컬 그래프(예로, 제1메디컬 그래프)(610)의 특정 픽셀(예로, 제1픽셀)에서 제1RGB값을 추출하고, 임산부 자궁 수축도 정보를 포함하는 임산부 자궁 수축도 메디컬 그래프(예로, 제2메디컬 그래프)(620)의 특정 픽셀(예로, 제2픽셀)에서 제2RGB값을 추출할 수 있다. 여기서, 추출된 제1RGB값은 R이 260, G가 60, B가 60인 갈색이 될 수 있고, 제1RGB값은 R이 260, G가 60, B가 60인 갈색이 될 수 있고, 추출된 제2RGB값은 R이 260, G가 60, B가 60인 갈색이 될 수 있고, 제2RGB값은 R이 60, G가 60, B가 60인 검은색이 될 수 있다. As an example with reference to FIG. 6 , the numerical data generating apparatus for deep learning is a specific pixel (eg, first pixel) of a fetal heartbeat medical graph (eg, first medical graph) 610 including fetal heartbeat information. Extract the first RGB value from the uterus, and extract the second RGB value from a specific pixel (eg, the second pixel) of the maternal uterine contraction medical graph (eg, the second medical graph) 620 including information on the uterine contraction of the pregnant woman. can Here, the extracted first RGB value may be brown in which R is 260, G is 60, and B is 60, and the first RGB value may be brown in which R is 260, G is 60, and B is 60, and the extracted The second RGB value may be brown in which R is 260, G is 60, and B is 60, and the second RGB value may be black in which R is 60, G is 60, and B is 60.

본 발명은 다양한 RGB값을 추출하여 적용 가능하다.The present invention can be applied by extracting various RGB values.

딥러닝용 수치 데이터 생성장치는 제1RGB값을 기준으로 전체 이미지에서 전체 픽셀을 검사 후, 제1RGB값과 매칭되는 제1추출 메디컬 그래프를 생성하고, 제2RGB값을 기준으로 전체 이미지에서 전체 픽셀을 검사 후, 제2RGB값과 매칭되는 제2추출 메디컬 그래프를 생성한다(S304).The numerical data generator for deep learning examines all pixels in the entire image based on the first RGB value, then generates a first extracted medical graph that matches the first RGB value, and selects all pixels from the entire image based on the second RGB value. After the examination, a second extracted medical graph matching the second RGB value is generated (S304).

도 7을 참조하여 예를 들어 설명하면, 딥러닝용 수치 데이터 생성장치는 특정 RGB값(예로, 제1RGB값)을 기준으로 전체 이미지에서 전체 픽셀을 검사 후, 제1RGB값과 매칭되는 제1추출 메디컬 그래프(710)를 생성하고, 제2RGB값을 기준으로 전체 이미지에서 전체 픽셀을 검사 후, 제2RGB값과 매칭되는 제2추출 메디컬 그래프(720)를 생성할 수 있다.Referring to FIG. 7 as an example, the numerical data generating device for deep learning inspects all pixels in the entire image based on a specific RGB value (eg, the first RGB value), and then first extraction that matches the first RGB value After generating the medical graph 710 and examining all pixels in the entire image based on the second RGB value, a second extraction medical graph 720 matching the second RGB value may be generated.

딥러닝용 수치 데이터 생성장치는 제1추출 메디컬 그래프와 제2추출 메디컬 그래프로부터 오차를 감지하여 제거한다(S305). The numerical data generating apparatus for deep learning detects and removes errors from the first extracted medical graph and the second extracted medical graph (S305).

도 8을 참조하여 예를 들어 설명하면, 딥러닝용 수치 데이터 생성장치는 제1추출 메디컬 그래프(810)로부터 오차(831, 832, 833, ….)를 감지하여 제거한다. 또한, 딥러닝용 수치 데이터 생성장치는 제2추출 메디컬 그래프(820)로부터 오차를 감지하여 제거할 수 있다.As an example with reference to FIG. 8 , the numerical data generating apparatus for deep learning detects and removes errors 831 , 832 , 833 , ... from the first extraction medical graph 810 . In addition, the numerical data generating apparatus for deep learning may detect and remove an error from the second extraction medical graph 820 .

예를 들어, 딥러닝용 수치 데이터 생성장치는 태아 심박동이 beats/min으로 표시되며 bpm은 박동간 시간차를 분으로 환산하여 계산되기 때문에 몇 초 내에 급격한 bpm 값의 변화를 가질 수 없는 특성을 이용하여 오차를 감지할 수 있다. 또한, 딥러닝용 수치 데이터 생성장치는 자궁 수축도가 수십 초 동안의 완만한 변화율로 증감하는 특성을 이용하여 오차를 감지할 수 있다.For example, in the numerical data generator for deep learning, the fetal heart rate is displayed in beats/min and the bpm is calculated by converting the time difference between beats into minutes. error can be detected. In addition, the numerical data generator for deep learning can detect an error by using the characteristic that the uterine contractility increases or decreases at a gentle rate of change for several tens of seconds.

딥러닝용 수치 데이터 생성장치는 제1추출 메디컬 그래프와 제2추출 메디컬 그래프의 불연속 구간을 보정하여, 제1수정 메디컬 그래프와 제2수정 메디컬 그래프를 생성한다(S306).The numerical data generating apparatus for deep learning corrects the discontinuous sections of the first extracted medical graph and the second extracted medical graph to generate the first modified medical graph and the second modified medical graph (S306).

도 9, 도 10을 참조하여 예를 들어 설명하면, 딥러닝용 수치 데이터 생성장치는 불연속적인 제1추출 메디컬 그래프(910)를 보정하여 제1수정 메디컬 그래프(1010)를 생성하고, 불연속적인 제2추출 메디컬 그래프(920)를 보정하여 제2수정 메디컬 그래프(1020)를 생성할 수 있다. 이때, 딥러닝용 수치 데이터 생성장치는 불연속적인 제1추출 메디컬 그래프(910)와 불연속적인 제2추출 메디컬 그래프(920)의 불연속 구간에서 중간값을 이용하여 보정하고, 제1수정 메디컬 그래프(1010)와 제2수정 메디컬 그래프(1020)를 생성할 수 있다.9 and 10, the numerical data generating apparatus for deep learning corrects the discontinuous first extracted medical graph 910 to generate the first modified medical graph 1010, and the discontinuous first medical graph 1010 is generated. The second modified medical graph 1020 may be generated by correcting the extracted medical graph 920 . At this time, the numerical data generating apparatus for deep learning corrects using an intermediate value in the discontinuous section of the discontinuous first extraction medical graph 910 and the discontinuous second extraction medical graph 920, and the first modified medical graph 1010 ) and the second modified medical graph 1020 may be generated.

딥러닝용 수치 데이터 생성장치는 제1수정 메디컬 그래프로부터 제1치 데이터를 생성하고, 제2수정 메디컬 그래프로부터 제2수치 데이터를 생성하여 메모리에 저장한다(S307).The apparatus for generating numerical data for deep learning generates first value data from the first corrected medical graph, generates second numerical data from the second corrected medical graph, and stores it in the memory (S307).

도 10, 도 11(a), (b)를 참조하여 예를 들어 설명하면, 딥러닝용 수치 데이터 생성장치는 제1수정 메디컬 그래프(1010)의 너비(width)와 높이(height)에 대한 픽셀의 위치를 기반으로 도 11(a)의 제1수치 데이터와 제2수정 메디컬 그래프(1020)의 너비(width)와 높이(height)에 대한 픽셀의 위치를 기반으로 도 11(b)의 제2수치 데이터를 생성할 수 있다.10, 11 (a), (b), if described as an example, the numerical data generating apparatus for deep learning is a pixel for the width (width) and height (height) of the first modified medical graph (1010) Based on the position of the pixel with respect to the width and height of the first numerical data of FIG. 11 (a) and the second corrected medical graph 1020 based on the position of the second Numerical data can be generated.

이와 같이, 본 발명은 인공지능을 이용한 태아박동 진단에 사용되는 딥러닝용 수치 데이터를 효율적으로 생성할 수 있다.As such, the present invention can efficiently generate numerical data for deep learning used for fetal beat diagnosis using artificial intelligence.

본 발명의 실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 기록매체에 기록될 수 있다. 컴퓨터 판독 가능 기록매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 기록매체에 기록되는 프로그램(프로그램 명령)은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(Magnetic media), CDROM, DVD와 같은 광기록 매체(Optical media), 플롭티컬 디스크(Floptical disk)와 같은 자기-광 매체(Magneto-optical media), 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.The method according to the embodiment of the present invention may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable recording medium. The computer-readable recording medium may include program instructions, data files, data structures, etc. alone or in combination. Programs (program instructions) recorded on the recording medium may be specially designed and configured for the present invention, or may be known and available to those skilled in the art of computer software. Examples of the computer-readable recording medium include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CDROMs and DVDs, and magneto-optical disks such as floppy disks. Hardware devices specially configured to store and execute program instructions, such as magneto-optical media, ROM, RAM, flash memory, and the like are included. Examples of program instructions include not only machine language codes such as those generated by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like. The hardware devices described above may be configured to operate as one or more software modules to perform the operations of the present invention, and vice versa.

이상과 같이 본 발명을 도면에 도시한 실시예를 참고하여 설명하였으나, 이는 발명을 설명하기 위한 것일 뿐이며, 본 발명이 속하는 기술 분야의 통상의 지식을 가진 자라면 발명의 상세한 설명으로부터 다양한 변형 또는 균등한 실시예가 가능하다는 것을 이해할 수 있을 것이다. 따라서 본 발명의 진정한 권리범위는 특허청구범위의 기술적 사상에 의해 결정되어야 한다.As described above, the present invention has been described with reference to the embodiments shown in the drawings, but this is only for explaining the invention, and various modifications or equivalents from the detailed description of the invention to those of ordinary skill in the art to which the present invention pertains It will be appreciated that one embodiment is possible. Therefore, the true scope of the present invention should be determined by the technical spirit of the claims.

10: 메모리
20: 제어부
30: 표시부
40: 입력부
50: 송수신부10: memory
20: control unit
30: display
40: input unit
50: transceiver

Claims (5)

인공지능을 이용한 태아박동 진단에 사용되는 딥러닝용 수치 데이터 생성장치에 있어서,
메디컬 그래프를 포함하는 전체 이미지를 로딩하는 단계,
사용자의 명령신호에 따라 상기 전체 이미지에서 적어도 하나 이상의 상기 메디컬 그래프를 포함하는 수치 데이터 추출 영역을 지정하는 단계,
상기 메디컬 그래프로부터 특정 RGB값을 추출하는 단계,
특정 RGB값을 기준으로 상기 특정 RGB값과 매칭되는 추출 메디컬 그래프를 생성하는 단계,
상기 추출 메디컬 그래프로부터 오차를 감지하여 제거하는 단계,
상기 추출 메디컬 그래프의 불연속 구간을 보정하여 수정 메디컬 그래프를 생성하는 단계,
상기 수정 메디컬 그래프로부터 수치 데이터를 생성하는 단계를 포함하는 인공지능을 이용한 태아박동 진단에 사용되는 딥러닝용 수치 데이터 생성방법.In the numerical data generating device for deep learning used for fetal beat diagnosis using artificial intelligence,
loading the entire image including the medical graph;
designating a numerical data extraction area including at least one or more of the medical graphs in the entire image according to a user's command signal;
extracting a specific RGB value from the medical graph;
Generating an extraction medical graph matching the specific RGB value based on the specific RGB value;
Detecting and removing errors from the extracted medical graph;
generating a corrected medical graph by correcting the discontinuous section of the extracted medical graph;
Numerical data generation method for deep learning used for fetal beat diagnosis using artificial intelligence, comprising the step of generating numerical data from the modified medical graph. 제1항에 있어서,
상기 메디컬 그래프는 태아 심박동 정보를 포함하는 제1메디컬 그래프와, 임산부 자궁 수축도 정보를 포함하는 제2메디컬 그래프를 포함하고,
상기 제1메디컬 그래프의 제1픽셀에서 제1RGB값을 추출하여 제1추출 메디컬 그래프를 생성하고, 상기 제2메디컬 그래프의 제2픽셀에서 제2RGB값을 추출하여 제2추출 메디컬 그래프를 생성하는 것을 특징으로 하는 인공지능을 이용한 태아박동 진단에 사용되는 딥러닝용 수치 데이터 생성방법.According to claim 1,
The medical graph includes a first medical graph including fetal heartbeat information, and a second medical graph including information on the degree of uterine contractions of pregnant women,
generating a first extracted medical graph by extracting a first RGB value from a first pixel of the first medical graph, and generating a second extracted medical graph by extracting a second RGB value from a second pixel of the second medical graph Numerical data generation method for deep learning used for fetal beating diagnosis using artificial intelligence. 제2항에 있어서,
상기 제1추출 메디컬 그래프로부터 기 설정된 제1시간 내에 기 설정된 제1변화율 이상으로 bpm 값의 변화를 가지는 것은 오차로 감지하고,
상기 제2추출 메디컬 그래프로부터 기 설정된 제2시간 내에 기 설정된 제2변화율 이상으로 kPa 값의 변화를 가지는 것을 상기 오차로 감지하는 것을 특징으로 하는 인공지능을 이용한 태아박동 진단에 사용되는 딥러닝용 수치 데이터 생성방법.3. The method of claim 2,
Having a change in the bpm value greater than or equal to a preset first rate of change within a first preset time from the first extraction medical graph is detected as an error,
Numerical for deep learning used for fetal beat diagnosis using artificial intelligence, characterized in that it is detected as the error that a change in the kPa value has a change of more than a preset second rate of change within a second preset time from the second extraction medical graph How to create data. 수치 데이터를 저장하는 메모리,
메디컬 그래프를 포함하는 전체 이미지를 로딩하고, 사용자의 명령신호에 따라 상기 전체 이미지에서 적어도 하나 이상의 상기 메디컬 그래프를 포함하는 수치 데이터 추출 영역을 지정하고, 상기 메디컬 그래프로부터 특정 RGB값을 추출하고, 특정 RGB값을 기준으로 상기 특정 RGB값과 매칭되는 추출 메디컬 그래프를 생성하고, 상기 추출 메디컬 그래프로부터 오차를 감지하여 제거하고, 상기 추출 메디컬 그래프의 불연속 구간을 보정하여 수정 메디컬 그래프를 생성하고, 상기 수정 메디컬 그래프로부터 상기 수치 데이터를 생성하도록 제어하는 제어부를 포함하는 인공지능을 이용한 태아박동 진단에 사용되는 딥러닝용 수치 데이터 생성장치. memory for storing numerical data;
Loading the entire image including the medical graph, designating a numerical data extraction area including at least one or more of the medical graph in the entire image according to a user's command signal, extracting a specific RGB value from the medical graph, Generates an extracted medical graph matching the specific RGB value based on the RGB value, detects and removes an error from the extracted medical graph, and corrects discontinuous sections of the extracted medical graph to generate a corrected medical graph, and the correction Numerical data generating device for deep learning used for fetal beat diagnosis using artificial intelligence, comprising a control unit for controlling to generate the numerical data from a medical graph. 제4항에 있어서,
상기 메디컬 그래프는 태아 심박동 정보를 포함하는 제1메디컬 그래프와, 임산부 자궁 수축도 정보를 포함하는 제2메디컬 그래프를 포함하고,
상기 제어부는 상기 제1메디컬 그래프의 제1픽셀에서 제1RGB값을 추출하여 제1추출 메디컬 그래프를 생성하고, 상기 제2메디컬 그래프의 제2픽셀에서 제2RGB값을 추출하여 제2추출 메디컬 그래프를 생성하도록 제어하는 것을 특징으로 하는 인공지능을 이용한 태아박동 진단에 사용되는 딥러닝용 수치 데이터 생성장치.5. The method of claim 4,
The medical graph includes a first medical graph including fetal heartbeat information, and a second medical graph including information on the degree of uterine contractions of pregnant women,
The control unit generates a first extracted medical graph by extracting a first RGB value from a first pixel of the first medical graph, and extracts a second RGB value from a second pixel of the second medical graph to obtain a second extracted medical graph Numerical data generating device for deep learning used for fetal beat diagnosis using artificial intelligence, characterized in that the control is generated.
KR1020200160623A 2020-11-26 2020-11-26 Method and appararus of generating numerical data for deep learning using diagnosing beat of futus using artificail intelligence KR102418326B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200160623A KR102418326B1 (en) 2020-11-26 2020-11-26 Method and appararus of generating numerical data for deep learning using diagnosing beat of futus using artificail intelligence

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200160623A KR102418326B1 (en) 2020-11-26 2020-11-26 Method and appararus of generating numerical data for deep learning using diagnosing beat of futus using artificail intelligence

Publications (2)

Publication Number Publication Date
KR20220075002A true KR20220075002A (en) 2022-06-07
KR102418326B1 KR102418326B1 (en) 2022-07-13

Family

ID=81987032

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200160623A KR102418326B1 (en) 2020-11-26 2020-11-26 Method and appararus of generating numerical data for deep learning using diagnosing beat of futus using artificail intelligence

Country Status (1)

Country Link
KR (1) KR102418326B1 (en)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130042791A (en) * 2011-10-19 2013-04-29 유인탁 Apparatus and method for taking a fluorescence image
KR20180039466A (en) * 2016-10-10 2018-04-18 순천향대학교 산학협력단 Breast cancer diagnosis apparatus using thermal camera and method thereof
KR101936302B1 (en) 2018-06-29 2019-01-08 이채영 Diagnosis method and apparatus for neurodegenerative diseases based on deep learning network
KR20190142618A (en) * 2018-06-18 2019-12-27 울산대학교 산학협력단 Method for monitoring cardiac impulse of fetus and apparatus therefor

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130042791A (en) * 2011-10-19 2013-04-29 유인탁 Apparatus and method for taking a fluorescence image
KR20180039466A (en) * 2016-10-10 2018-04-18 순천향대학교 산학협력단 Breast cancer diagnosis apparatus using thermal camera and method thereof
KR20190142618A (en) * 2018-06-18 2019-12-27 울산대학교 산학협력단 Method for monitoring cardiac impulse of fetus and apparatus therefor
KR101936302B1 (en) 2018-06-29 2019-01-08 이채영 Diagnosis method and apparatus for neurodegenerative diseases based on deep learning network

Also Published As

Publication number Publication date
KR102418326B1 (en) 2022-07-13

Similar Documents

Publication Publication Date Title
US11445968B2 (en) Quantitative heart testing
US9761004B2 (en) Method and system for automatic detection of coronary stenosis in cardiac computed tomography data
US10149625B2 (en) Patient signal analysis based on vector analysis
US8548213B2 (en) Method and system for guiding catheter detection in fluoroscopic images
US9314180B2 (en) Heart electrophysiological signal analysis system
JP2015506740A (en) Natural frequency hemodynamic waveform analysis
US20110130667A1 (en) Blood pressure information display device, blood pressure information display system, blood pressure information display method, and recording medium recorded with blood pressure information display program
US20090129679A1 (en) Image processing apparatus, image processing method, and computer-readable medium
US10856756B2 (en) Time-frequency analysis of electrocardiograms
EP2783622A1 (en) Image processing device, image processing method, and image processing program
US11026618B2 (en) Intracardiac EGM signals for beat matching and acceptance
US11937767B2 (en) Endoscope
KR102418326B1 (en) Method and appararus of generating numerical data for deep learning using diagnosing beat of futus using artificail intelligence
US20180177420A1 (en) Atrial fibrillation detector, atrial fibrillation detecting method, and computer readable medium
US10918301B2 (en) Multiple rhythm template monitoring
JP2012081202A (en) Medical image processor and control program
US8715182B2 (en) Ultrasonic imaging apparatus and stress echo browsing apparatus
US8204289B2 (en) System for identifying medical images having a particular medical characteristic
US9277889B2 (en) Patient signal analysis based on actiniform segmentation
KR102319262B1 (en) Method, appararus and system of diagnosing beat of futus using artificail intelligence
JP3854888B2 (en) Atherosclerosis detection system
CN114126487A (en) Monitoring method, monitoring device, monitoring equipment and computer readable storage medium
CN111449649A (en) Electrocardio data processing method and device and computer readable storage medium
US20240161925A1 (en) Electrocardiogram-based diagnosis model learning device, electrocardiogram-based diagnosis model learning method, and storage medium
KR102585080B1 (en) Apparatus for Providing Annotation Tool for Classifying ECG Wave

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant