KR20220075119A - 의료 영상 기반의 뇌백질 병변 탐지 방법 - Google Patents
의료 영상 기반의 뇌백질 병변 탐지 방법 Download PDFInfo
- Publication number
- KR20220075119A KR20220075119A KR1020200162957A KR20200162957A KR20220075119A KR 20220075119 A KR20220075119 A KR 20220075119A KR 1020200162957 A KR1020200162957 A KR 1020200162957A KR 20200162957 A KR20200162957 A KR 20200162957A KR 20220075119 A KR20220075119 A KR 20220075119A
- Authority
- KR
- South Korea
- Prior art keywords
- white matter
- lesion
- brain
- neural network
- matter lesion
- Prior art date
Links
- 206010072731 White matter lesion Diseases 0.000 title claims abstract description 150
- 238000000034 method Methods 0.000 title claims abstract description 72
- 210000004556 brain Anatomy 0.000 claims abstract description 112
- 238000003062 neural network model Methods 0.000 claims abstract description 62
- 210000004885 white matter Anatomy 0.000 claims description 76
- 230000003902 lesion Effects 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 32
- 238000003860 storage Methods 0.000 claims description 23
- 210000000988 bone and bone Anatomy 0.000 claims description 15
- 230000007850 degeneration Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 230000002490 cerebral effect Effects 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 4
- 238000004925 denaturation Methods 0.000 claims description 2
- 230000036425 denaturation Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 123
- 230000008569 process Effects 0.000 description 32
- 238000012545 processing Methods 0.000 description 19
- 238000004891 communication Methods 0.000 description 18
- 238000012549 training Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 13
- 238000000605 extraction Methods 0.000 description 12
- 210000000056 organ Anatomy 0.000 description 12
- 230000003287 optical effect Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 238000007781 pre-processing Methods 0.000 description 8
- 238000002591 computed tomography Methods 0.000 description 7
- 238000002059 diagnostic imaging Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 6
- 208000024827 Alzheimer disease Diseases 0.000 description 5
- 201000004810 Vascular dementia Diseases 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 241000282326 Felis catus Species 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 208000014644 Brain disease Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000003416 augmentation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 208000020925 Bipolar disease Diseases 0.000 description 1
- 206010012289 Dementia Diseases 0.000 description 1
- 208000019695 Migraine disease Diseases 0.000 description 1
- 208000019022 Mood disease Diseases 0.000 description 1
- CYTYCFOTNPOANT-UHFFFAOYSA-N Perchloroethylene Chemical compound ClC(Cl)=C(Cl)Cl CYTYCFOTNPOANT-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000003727 cerebral blood flow Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013498 data listing Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 206010027599 migraine Diseases 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000002604 ultrasonography Methods 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—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
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Radiology & Medical Imaging (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Psychiatry (AREA)
- Neurology (AREA)
- High Energy & Nuclear Physics (AREA)
- Databases & Information Systems (AREA)
- Psychology (AREA)
- Developmental Disabilities (AREA)
- Physiology (AREA)
- Child & Adolescent Psychology (AREA)
- Optics & Photonics (AREA)
- Hospice & Palliative Care (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Neurosurgery (AREA)
- General Engineering & Computer Science (AREA)
- Social Psychology (AREA)
Abstract
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 의료 영상 기반의 뇌백질 병변 탐지 방법이 개시된다. 상기 방법은, 적어도 하나의 뇌 영역을 포함하는 의료 영상을 수신하는 단계 및 사전 학습된 신경망 모델을 사용하여, 상기 의료 영상을 기초로 제 1 뇌백질 병변 및 제 2 뇌백질 병변을 추정하는 단계를 포함할 수 있다.
Description
본 발명은 의료 영상의 처리 방법에 관한 것으로, 보다 구체적으로 신경망을 이용하여 의료 영상에 존재하는 신체 장기(organ)의 병변을 영역 별로 탐지하고, 세그먼테이션(segmentation) 하는 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.
의료 영상에 포함된 신체 장기에 대한 진단을 보조하기 위해 신체 장기를 각 영역별로 세그먼테이션 하는 방법에 대한 연구는 꾸준히 이어져 오고 있다. 그러나, 종래의 방식들은 뇌와 같이 수많은 세부 영역을 포함하고 있는 신체 장기와 관련된 질환들의 임상적 의미와 영향을 적절히 반영하지 못하는 문제가 존재한다. 예를 들어, 치매의 경우, 혈관성 치매와 알츠하이머성 치매를 구분하는 것이 임상적으로 중요한 이슈 중 하나이다. 그러나, 종래의 방식들은 혈관성 치매와 알츠하이머성 치매를 구분하는데 적절한 결과물을 제공해주지 못한다.
미국 등록특허 제9818212호는 병변 탐지를 위한 자기공명영상의 처리 방법에 관하여 개시한다.
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 의료 영상에 포함된 뇌백질 병변을 탐지 및 세그먼테이션(segmentation)하여 사용자에게 제공하는 방법을 제공하는 것을 목적으로 한다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 의료 영상 기반의 뇌백질 병변 탐지 방법이 개시된다. 상기 방법은, 적어도 하나의 뇌 영역을 포함하는 의료 영상을 수신하는 단계; 및 사전 학습된 신경망 모델을 사용하여, 상기 의료 영상을 기초로 제 1 뇌백질 병변 및 제 2 뇌백질 병변을 추정하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 제 1 뇌백질 병변은, 뇌실주위 백질의 고강도 신호(periventricular white matter hyperintensity)를 기초로 추정될 수 있다. 또한, 상기 제 2 뇌백질 병변은, 심부 백질의 고강도 신호(deep white matter hyperintensity)를 기초로 추정될 수 있다.
대안적 실시예에서, 상기 제 1 뇌백질 병변 및 제 2 뇌백질 병변을 추정하는 단계는, 상기 의료 영상에서 뇌의 뼈 영역이 제거된 뇌백질을 포함하는 뇌 영역을 추출하는 단계; 상기 신경망 모델에 포함된 제 1 병변 추출 모듈을 사용하여, 상기 추출된 뇌 영역을 기초로 상기 제 1 뇌백질 병변을 추정하는 단계; 및 상기 신경망 모델에 포함된 제 2 병변 추출 모듈을 사용하여, 상기 추출된 뇌 영역을 기초로 제 2 뇌백질 병변을 추정하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 신경망 모델은, 입력 영상들 중 트루 라벨(true label)이 소정의 픽셀 개수 이하인 영상을 제외한 영상으로 학습될 수 있다.
대안적 실시예에서, 상기 신경망 모델은, 로그 함수를 기초로 평활화(smoothing)된 가중치가 적용되는 크로스-엔트로피(cross-entropy) 손실 함수를 사용하여 학습될 수 있다.
대안적 실시예에서, 상기 방법은, 상기 제 1 뇌백질 병변에 대한 정보를 포함하는 제 1 마스크(mask)를 생성하는 단계; 및 상기 제 2 뇌백질 병변에 대한 정보를 포함하는 제 2 마스크를 생성하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 방법은, 상기 제 1 마스크 및 제 2 마스크를 정합하여 뇌백질이 변성된 전체 병변에 대한 정보를 포함하는 제 3 마스크를 생성하는 단계를 더 포함할 수 있다.
대안적 실시예에서, 상기 방법은, 상기 의료 영상의 복셀 차원(voxel dimension)에 관한 정보 및 상기 추정된 병변들 각각에 대한 소정의 단위 개수를 기초로 상기 제 1 뇌백질 병변에 대한 제 1 부피 정보 및 상기 제 2 뇌백질 병변에 대한 제 2 부피 정보를 산출하는 단계를 더 포함할 수 있다.
대안적 실시예에서, 상기 방법은, 상기 뇌백질의 변성의 심각도(severity)를 나타내는 지표를 기준으로, 상기 제 1 뇌백질 병변 및 제 2 뇌백질 병변 각각에 대한 심각도를 판단하는 단계를 더 포함할 수 있다.
대안적 실시예에서, 상기 방법은, 상기 제 1 뇌백질 병변 및 제 2 뇌백질 병변 각각을 기반으로 생성된 마스크, 부피 정보 및 변성 심각도 정보를 포함하는 사용자 인터페이스(user interface)를 생성하는 단계를 더 포함할 수 있다. 이때, 상기 사용자 인터페이스는, 상기 제 1 뇌백질 병변 및 제 2 뇌백질 병변 각각을 기반으로 생성된 마스크를 기초로 상기 뇌백질이 변성된 병변의 영상을 디스플레이 하는 제 1 영역; 및 상기 부피 정보 및 변성 심각도 정보 중 적어도 하나를 디스플레이 하는 제 2 영역 중 적어도 하나를 포함할 수 있다.
대안적 실시예에서, 상기 제 1 영역은, 상기 제 1 뇌백질 병변 및 제 2 뇌백질 병변 각각을 서로 다른 색상으로 디스플레이 할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 의료 영상을 기반으로 뇌백질 병변을 탐지하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 적어도 하나의 뇌 영역을 포함하는 의료 영상을 수신하는 동작; 및 사전 학습된 신경망 모델을 사용하여, 상기 의료 영상을 기초로 제 1 뇌백질 병변 및 제 2 뇌백질 병변을 추정하는 동작을 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 의료 영상을 기반으로 뇌백질 병변을 탐지하는 컴퓨팅 장치가 개시된다. 상기 장치는, 적어도 하나의 코어를 포함하는 프로세서; 상기 프로세서에서 실행가능한 프로그램 코드들을 포함하는 메모리; 및 적어도 하나의 뇌 영역을 포함하는 의료 영상을 수신하기 위한 네트워크부를 포함하고, 상기 프로세서는, 사전 학습된 신경망 모델을 사용하여, 상기 의료 영상을 기초로 제 1 뇌백질 병변 및 제 2 뇌백질 병변을 추정할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 사용자 인터페이스를 제공하는 사용자 단말이 개시된다. 상기 사용자 단말은, 적어도 하나의 코어를 포함하는 프로세서; 메모리; 컴퓨팅 장치로부터 뇌백질이 변성된 병변에 대한 정보를 포함하는 사용자 인터페이스를 수신하는 네트워크부; 및 상기 사용자 인터페이스를 제공하는 출력부를 포함하고, 상기 사용자 인터페이스는, 제 1 뇌백질 병변 및 제 2 뇌백질 병변 각각을 기반으로 상기 컴퓨팅 장치에 의해 생성된 마스크를 기초로 상기 뇌백질이 변성된 병변의 영상을 디스플레이 하는 제 1 영역; 및 상기 제 1 뇌백질 병변 및 제 2 뇌백질 병변 각각을 기반으로 상기 컴퓨팅 장치에 의해 생성된 부피 정보 및 변성 심각도 정보 중 적어도 하나를 디스플레이 하는 제 2 영역 중 적어도 하나를 포함할 수 있다.
본 개시는 의료 영상에 포함된 뇌백질 병변을 탐지 및 세그먼테이션(segmentation)하여 사용자에게 제공하는 방법을 제공할 수 있다.
도 1은 본 개시의 일 실시예에 따른 의료 영상 기반의 뇌백질 병변을 탐지하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따라 네트워크 함수를 나타낸 개략도이다.
도 3은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 세그먼테이션 수행 과정을 나타낸 블록 구성도이다.
도 4는 본 개시의 대안적 일 실시예에 따른 컴퓨팅 장치의 세그먼테이션 수행 과정을 나타낸 블록 구성도이다.
도 5는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 의료 영상에 대한 전처리 수행 과정을 나타낸 블록 구성도이다.
도 6은 본 개시의 또 다른 일 실시예에 따른 의료 영상 기반의 뇌백질 병변 탐지 방법에 대한 순서도이다.
도 7은 본 개시의 일 실시예에 따른 신경망 모델의 학습 과정을 나타낸 순서도이다.
도 8은 본 개시의 일 실시예에 따른 사용자 인터페이스를 나타낸 개념도이다.
도 9는 본 개시의 일 실시예에 따른 컴퓨팅 환경의 개략도이다.
도 2는 본 개시의 일 실시예에 따라 네트워크 함수를 나타낸 개략도이다.
도 3은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 세그먼테이션 수행 과정을 나타낸 블록 구성도이다.
도 4는 본 개시의 대안적 일 실시예에 따른 컴퓨팅 장치의 세그먼테이션 수행 과정을 나타낸 블록 구성도이다.
도 5는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 의료 영상에 대한 전처리 수행 과정을 나타낸 블록 구성도이다.
도 6은 본 개시의 또 다른 일 실시예에 따른 의료 영상 기반의 뇌백질 병변 탐지 방법에 대한 순서도이다.
도 7은 본 개시의 일 실시예에 따른 신경망 모델의 학습 과정을 나타낸 순서도이다.
도 8은 본 개시의 일 실시예에 따른 사용자 인터페이스를 나타낸 개념도이다.
도 9는 본 개시의 일 실시예에 따른 컴퓨팅 환경의 개략도이다.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.
본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 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.
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.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
그리고, "A 또는 B 중 적어도 하나"이라는 용어는, "A만을 포함하는 경우", "B 만을 포함하는 경우", "A와 B의 구성으로 조합된 경우"를 의미하는 것으로 해석되어야 한다.
당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.
제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
본 개시에서 네트워크 함수와 인공 신경망 및 뉴럴 네트워크(neural network)는 상호 교환 가능하게 사용될 수 있다.
한편, 본 발명의 상세한 설명 및 청구항들에 걸쳐 이용된 "영상" 또는 "영상 데이터"라는 용어는 이산적 영상 요소들(예컨대, 2차원 영상에 있어서는 픽셀)로 구성된 다차원 데이터를 지칭하며, 달리 말하자면, (예컨대, 비디오 화면에 표시된) 눈으로 볼 수 있는 대상 또는 (예컨대, CT, MRI 검출기 등의 픽셀 출력에 대응되는 파일과 같은) 그 대상의 디지털 표현물을 지칭하는 용어이다.
예를 들어 "이미지" 또는 "영상"은 전산화 단층 촬영(CT; computed tomography), 자기 공명 영상(MRI; magnetic resonance imaging), 초음파 또는 본 발명의 기술분야에서 공지된 임의의 다른 의료 영상 시스템의 의하여 수집된 피검체(subject)의 의료 영상일 수 있다. 영상이 반드시 의료적 맥락에서 제공되어야 하는 것은 아니고 비의료적 맥락에서 제공될 수도 있는 바, 예를 들어 보안 검색용 X선 촬영 등이 있을 수 있다.
본 발명의 상세한 설명 및 청구항들에 걸쳐 'DICOM(Digital Imaging and Communications in Medicine; 의료용 디지털 영상 및 통신)' 표준은 의료용 기기에서 디지털 영상 표현과 통신에 이용되는 여러 가지 표준을 총칭하는 용어인 바, DICOM 표준은 미국 방사선 의학회(ACR)와 미국 전기 공업회(NEMA)에서 구성한 연합 위원회에서 발표한다.
또한, 본 발명의 상세한 설명 및 청구항들에 걸쳐 '의료영상 저장 전송 시스템(PACS; Picture Archiving and Communication System)'은 DICOM 표준에 맞게 저장, 가공, 전송하는 시스템을 지칭하는 용어이며, X선, CT, MRI와 같은 디지털 의료영상 장비를 이용하여 획득된 의료영상 이미지는 DICOM 형식으로 저장되고 네트워크를 통하여 병원 내외의 단말로 전송이 가능하며, 이에는 판독 결과 및 진료 기록이 추가될 수 있다.
도 1은 본 개시의 일 실시예에 따른 의료 영상 기반의 뇌백질 병변을 탐지하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.
컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.
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 일 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 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.
프로세서(110)는 의료 영상을 입력받아 사전 학습된 신경망 모델을 통해 의료 영상에 존재하는 신체 장기의 병변에 대한 예측을 수행할 수 있다. 예를 들어, 프로세서(110)는 신경망 모델을 사용하여 뇌를 목표 장기로 하는 T2-FLAIR MR(magnetic resonance) 이미지를 기초로 뇌 영역 상에 존재하는 뇌백질 병변을 예측할 수 있다. 프로세서(110)는 신경망 모델을 사용하여 T2-FLAIR MR 이미지에서 뇌백질의 고강도 신호(white matter hyperintensity)를 검출하고, 검출된 뇌백질의 고강도 신호를 기초로 뇌백질 병변을 예측할 수 있다.
프로세서(110)는 신경망 모델을 사용하여 의료 영상에 존재하는 뇌백질의 변성 위치를 기준으로 복수의 병변들을 구분할 수 있다. 프로세서(110)는 신경망 모델을 사용하여 구분된 복수의 병변들에 대한 세그먼테이션(segmentation)을 수행할 수 있다. 예를 들어, 프로세서(110)는 신경망 모델을 사용하여 T2-FLAIR MR 이미지를 기초로 뇌백질의 변성 위치를 기준으로 구분되는 2개의 병변들을 각각 추정할 수 있다. 이때, 2개의 병변들 각각은 T2-FLAIR MR 이미지에서 검출되는 뇌백질의 고강도 신호를 기초로 추정될 수 있다. 프로세서(110)는 신경망 모델들을 사용하여 2개의 병변들에 대한 정보를 T2-FLAIR MR 이미지에서 추출할 수 있다. 프로세서(110)는 T2-FLAIR MR 이미지를 기초로 2개의 병변들에 대한 정보를 포함하는 적어도 하나의 마스크를 생성할 수 있다. 여기서 마스크는 이미지에 표시되는 마커(marker)뿐만 아니라 병변에 대한 정보(e.g. 위치정보, 형상정보 등)를 모두 포함하는 데이터를 의미할 수 있다.
프로세서(110)는 신경망 모델을 사용하여 추정된 복수의 병변들에 대한 정보를 기초로 사용자 인터페이스(user interface)를 생성할 수 있다. 사용자 인터페이스는 컴퓨팅 장치와 사용자와의 상호 작용을 위한 컴퓨팅 환경으로서, 프로세서(100)에 의해 예측된 뇌백질 병변에 대한 정보를 출력하기 위한 화면 구성을 포함할 수 있다. 예를 들어, 사용자 인터페이스는 복수의 뇌백질 병변들에 대한 위치정보, 형상정보 등을 포함하는 마스크, 복수의 뇌백질 병변들에 대한 부피 정보, 복수의 뇌백질 병변들에 대한 심각도 지표 정보 등을 디스플레이 하기 위한 여러 영역들을 포함할 수 있다. 사용자 인터페이스에 포함된 각 영역들에서 디스플레이되는 정보들은 사용자 인터페이스가 제공될 단말 등을 통해 사용자로부터 인가된 외부 입력에 의해 수정, 변경 또는 추가될 수도 있다.
본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다.
본 개시의 일 실시예에 따르면, 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 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따른 네트워크부(150)는 임의의 형태의 공지된 유무선 통신 시스템을 사용할 수 있다.
네트워크부(150)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. 신체 장기가 표현된 의료 영상은 적어도 하나의 뇌 영역을 포함하는 3차원 T1 MR 이미지일 수 있다. 신체 장기가 표현된 의료 영상은 전술한 예시에 제한되지 않고, X-ray 영상, CT 영상 등과 같이 촬영을 통해 획득된 신체 장기와 관련된 영상을 모두 포함할 수 있다.
또한, 네트워크부(150)는 프로세서(110)에 의해 처리된 정보, 사용자 인터페이스 등을 타 단말과의 통신을 통해 송수신할 수 있다. 예를 들어, 네트워크부(150)는 프로세서(100)에 의해 생성된 사용자 인터페이스를 클라이언트(e.g. 사용자 단말)로 제공할 수 있다. 또한, 네트워크부(150)는 클라이언트로 인가된 사용자의 외부 입력을 수신하여 프로세서(110)로 전달할 수 있다. 이때, 프로세서(100)는 네트워크부(150)로부터 전달받은 사용자의 외부 입력을 기초로 사용자 인터페이스를 통해 제공되는 정보의 출력, 수정, 변경, 추가 등의 동작을 처리할 수 있다.
한편, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 클라이언트와 통신을 통해 정보를 송수신하는 컴퓨팅 시스템으로서 서버일 수 있다. 이때, 클라이언트는 서버에 엑세스할 수 있는 임의의 형태의 단말일 수 있다. 예를 들어, 서버인 컴퓨팅 장치(100)는 의료 영상 촬영 단말로부터 의료 영상을 수신하여 병변을 예측하고, 예측된 결과를 포함하는 사용자 인터페이스를 사용자 단말로 제공할 수 있다. 사용자 단말은 서버인 컴퓨팅 장치(100)로부터 수신한 사용자 인터페이스를 출력하고, 사용자와의 상호 작용을 통해 정보를 입력받거나 처리할 수 있다.
사용자 단말은 서버인 컴퓨팅 장치(100)로부터 전달되는 뇌백질 병변에 대한 예측 결과를 제공하기 위해 제공된 사용자 인터페이스를 표시할 수 있다. 별도로 도시되지는 않았으나, 사용자 단말은 네트워크부, 프로세서, 메모리, 출력부 및 입력부를 포함할 수 있다.
도 2는 본 개시의 일 실시예에 따라 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 3 및 도 4는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 세그먼테이션 수행 과정을 나타낸 블록 구성도이다.
도 3을 참조하면, 본 개시의 일 실시 예에 따른 컴퓨팅 장치(100)의 프로세서(110)는 적어도 하나의 뇌 영역을 포함하는 의료 영상(10)을 뇌백질 병변을 예측하는 신경망 모델(200)의 입력으로 사용할 수 있다. 이때, 프로세서(110)는 네트워크부(150)를 통해 수신된 데이터 그대로를 신경망 모델(200)로 입력되는 의료 영상(10)으로 사용할 수 있다. 프로세서(110)는 네트워크부(150)를 통해 수신된 데이터에 대한 별도의 처리를 통해 생성된 데이터를 신경망 모델(200)로 입력되는 의료 영상(10)으로 사용할 수도 있다. 예를 들어, 신경망 모델(200)의 입력에 해당하는 의료 영상(10)은 네트워크부(150)를 통해 전달받은 2차원의 T2-FLAIR MR 이미지일 수 있다. 네트워크부(150)를 통해 수신된 데이터가 3차원의 MR 이미지인 경우, 프로세서(150)는 3차원의 MR 이미지로부터 2차원의 T2-FLAIR MR 이미지를 생성한 후, 3차원의 MR 이미지로부터 생성된 2차원의 T2-FLAIR MR 이미지를 신경망 모델(200)로 입력되는 의료 영상(10)으로 사용할 수 있다.
프로세서(110)는 신경망 모델(200)을 사용하여 의료 영상(10)에서 뇌백질의 고강도 신호를 검출함으로써 뇌백질 병변을 추정할 수 있다. 프로세서(110)는 신경망 모델(200)을 사용하여 뇌백질의 고강도 신호를 기초로 제 1 뇌백질 병변 및 제 2 뇌백질 병변을 추정할 수 있다. 예를 들어, 신경망 모델(200)은 2차원의 T2-FLAIR MR 이미지를 입력받아 뇌백질의 고강도 신호를 기초로 뇌 영역 상에서 제 1 뇌백질 병변 및 제 2 뇌백질 병변에 대한 정보를 추출할 수 있다. 이때, 제 1 뇌백질 병변은 뇌실주위 백질(periventricular white matter)의 고강도 신호를 기초로 추정될 수 있다. 제 2 뇌백질 병변은 심부 백질(deep white matter)의 고강도 신호를 기초로 추정될 수 있다. 뇌실주위 백질의 고강도 신호는 임상적으로 인지 기능 장애, 뇌혈류 감소 및 알츠하이머성 치매 등과 관련이 있고, 심부 백질의 고강도 신호는 기분 장애(e.g. 우울증, 조울증, 편두통 등) 및 혈관성 치매와 관련이 있다. 따라서, 전술한 바와 같이 프로세서(110)가 뇌백질 병변을 2개의 병변으로 구분하여 추정하는 경우, 임상적 차이가 반영된 뇌 질환의 진단을 위한 데이터를 사용자에게 제공할 수 있다. 즉, 사용자는 프로세서(110)에 의해 제 1 뇌백질 병변 및 제 2 뇌백질 병변으로 구분되어 예측된 데이터를 활용하여 혈관성 치매와 알츠하이머성 치매를 보다 효과적으로 판단할 수 있다.
한편, 본 개시의 일 실시예에 따른 신경망 모델(200)은 의료 영상에 존재하는 뇌백질 병변에 대한 세그먼테이션을 위한 신경망 구조를 포함할 수 있다. 예를 들어, 신경망 모델(200)은 U-NET 기반의 신경망을 포함할 수 있다. 신경망 모델(200)은 학습 parameter의 수를 감소시키고 메모리를 효율적으로 세이브하기 위해서 U-NET 기반의 아키텍처에 DenseNet 구조가 적용된 신경망을 사용할 수 있다. 전술한 기재는 하나의 예시일 뿐이며, 신경망 모델(200)의 구조는 전술한 예시에 한정되지 않는다.
또한, 신경망 모델(200)은 뇌백질 병변에 대한 세그먼테이션이라는 작업(task)을 수행하기 위한 학습의 최적화를 위해 로그 함수를 기초로 평활화(smoothing)된 가중치가 적용되는 크로스-엔트로피(cross-entropy) 손실 함수를 사용할 수 있다. 예를 들어, 단순 가중치가 적용되는 크로스-엔트로피 손실 함수를 사용하는 경우, 신경망 모델(200)의 학습에 사용되는 입력 영상에 라벨링(labeling)된 뇌백질의 고강도 신호가 상당히 희소(sparse)하기 때문에 단순 가중치가 지나치게 크게 적용되는 문제가 발생할 수 있다. 따라서, 뇌백질의 고강도 신호를 활용하는 신경망 모델(200)의 경우, 전술한 문제를 해결하기 위해 로그 함수를 기초로 극단적인 가중치를 평활화시킨 크로스-엔트로피 손실 함수를 사용할 수 있다.
도 3을 참조하면, 프로세서(110)는 뇌백질의 고강도 신호를 기초로 신경망 모델(200)을 통해 추정된 제 1 뇌백질 병변에 대한 정보를 포함하는 제 1 마스크(20)를 생성할 수 있다. 또한, 프로세서(110)는 뇌백질의 고강도 신호를 기초로 신경망 모델(200)을 통해 추정된 제 2 뇌백질 병변에 대한 정보를 포함하는 제 2 마스크(30)를 생성할 수 있다. 즉, 프로세서(110)는 뇌 질환의 임상적 차이가 반영된 뇌백질 병변에 관한 제 1 마스크(20)와 제 2 마스크(30)를 각각 생성할 수 있다. 예를 들어, 제 1 마스크(20)는 뇌실주위 백질의 고강도 신호가 표시되는 제 1 뇌백질 병변에 대한 정보를 포함하는 영상 데이터일 수 있다. 제 2 마스크(30)는 심부 백질의 고강도 신호가 표시되는 제 2 뇌백질 병변에 대한 정보를 포함하는 영상 데이터일 수 있다.
프로세서(110)는 뇌백질 병변 전체에 대한 예측 결과를 제공하기 위해서 제 1 마스크(20)와 제 2 마스크(30)에 포함된 정보를 통합시킨 제 3 마스크(40)를 생성할 수도 있다. 제 3 마스크(40)는 의료 영상(10)에 존재하는 뇌백질의 고강도 신호가 모두 표시되는 뇌백질 병변에 정보를 포함하는 데이터일 수 있다. 예를 들어, 프로세서(110)는 뇌실주위 백질의 고강도 신호의 픽셀값이 1, 배경의 픽셀값이 0으로 할당된 제 1 마스크(20) 상에 심부 백질의 고강도 신호의 픽셀값을 2로 할당시킨 제 2 마스크(30)를 정합시켜 제 3 마스크(40)를 생성할 수 있다. 제 1 마스크(20)와 제 2 마스크(30)는 동일한 공간 및 크기를 가지므로, 픽셀값의 차이만으로도 프로세서(110)는 두 마스크(20, 30)를 정합시켜 제 3 마스크(40)를 생성할 수 있다. 따라서, 제 3 마스크(40)에는 심부 백질의 고강도 신호의 픽셀값이 2, 뇌실주위 백질의 고강도 신호의 픽셀값이 1, 배경의 픽셀값이 0으로 할당되어 뇌백질 병변 전체에 대한 정보가 표시될 수 있다.
도 4를 참조하면, 본 발명의 대안적 실시예에 따른 신경망 모델(200)은 제 1 뇌백질 병변 및 제 2 뇌백질 병변을 추정하기 위한 개별 모듈(210, 220)을 포함할 수 있다. 신경망 모델(200)은 뇌실주위 백질의 고강도 신호를 기초로 뇌백질 병변을 세그먼테이션 하는 제 1 병변 추정 모듈(210) 및 심부 백질의 고강도 신호를 기초로 뇌백질 병변을 세그먼테이션 하는 제 2 병변 추정 모듈(220)을 포함할 수 있다. 예를 들어, 신경망 모델(200)은 T2-FLAIR MR 이미지(50)가 입력받아 제 1 병변 추정 모듈(210)을 동작시켜 제 1 뇌백질 병변을 예측하고, 제 2 병변 추정 모듈(220)을 동작시켜 제 2 뇌백질 병변을 예측할 수 있다. 제 1 병변 추정 모듈(210)은 T2-FLAIR MR 이미지(50)에 존재하는 뇌실주위 백질의 고강도 신호를 검출하고, 뇌실주위 백질의 고강도 신호를 기초로 제 1 뇌백질 병변을 세그먼테이션 할 수 있다. 제 2 병변 추정 모듈(220)은 T2-FLAIR MR 이미지(50)에 존재하는 심부 백질의 고강도 신호를 검출하고, 심부 백질의 고강도 신호를 기초로 제 2 뇌백질 병변을 세그먼테이션 할 수 있다. 이때, 제 1 병변 추정 모듈(210)과 제 2 병변 추정 모듈(220)은 동일한 신경망 구조(e.g. U-NET 기반의 아키텍처에 DenseNet 구조가 적용된 신경망)를 가지도록 설계될 수도 있고, 서로 다른 신경망 구조를 가지도록 설계될 수도 있다.
본 발명의 대안적 실시예에 따른 프로세서(110)는 제 1 병변 추정 모듈(210) 및 제 2 병변 추정 모듈(220)을 통해 개별적으로 추정된 뇌백질 병변에 대한 정보들을 기초로 마스크(60)를 생성할 수 있다. 예를 들어, 마스크(60)는 T2-FLAIR MR 이미지에서 뇌실주위 백질의 고강도 신호를 표시하는 제 1 마스크(61), T2-FLAIR MR 이미지에서 심부 백질의 고강도 신호를 표시하는 제 2 마스크(62), T2-FLAIR MR 이미지에서 전체 뇌백질의 고강도 신호를 표시하는 제 3 마스크(63)를 포함할 수 있다. 이때, 제 3 마스크(63)는 제 1 마스크(61)와 제 2 마스크(62)를 병합시켜 생성되고, 제 1 마스크(61)와 제 2 마스크(62)는 시각적으로 구별되도록 서로 다른 색상으로 표시될 수 있다.
도 5는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 의료 영상에 대한 전처리 수행 과정을 나타낸 블록 구성도이다.
도 5를 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)의 프로세서(110)는 뇌 추출 모델(300)을 사용하여 뇌의 뼈를 포함한 의료 영상(70)으로부터 뇌 실질 영역이 추출된 영상(80)을 생성할 수 있다. 프로세서(110)는 의료 영상(70)에 포함된 뇌의 뼈 영역을 제거하기 위해서 뇌 추출 모델(300)을 사용하여 뇌백질을 포함하는 뇌 영역을 추출할 수 있다. 일반적으로 뇌백질 병변의 판단을 위한 영상에 뇌의 뼈 영역이 포함되어 있는 경우, 뇌의 뼈 영역을 뇌백질의 고강도 신호로 잘못 예측하는 오류가 발생하는 문제가 존재한다. 따라서, 전술한 문제를 해결하기 위해 프로세서(110)는 뇌의 뼈 영역을 포함하는 의료 영상(70)에서 뼈 영역을 제거하고, 뇌백질을 포함하는 뇌 실질 영역이 추출된 영상(80)을 생성할 수 있다. 이때, 뇌백질을 포함하는 뇌 실질 영역이 추출된 영상(80)은 뇌백질 병변의 판단 또는 학습을 위한 모델의 입력 영상으로 사용될 수 있다. 즉, 뇌 추출 모델(300)의 동작은 본 개시의 일 실시예에 따른 뇌백질 병변 예측을 위한 신경망 모델의 추론 과정에서 수행될 뿐만 아니라 학습 과정에서도 수행될 수 있다.
한편, 뇌 추출 모델(300)은 뇌백질 병변 예측을 위한 신경망 모델(200, 도 4 참조)과 구별되어 별개로 존재하는 구성일 수도 있고, 신경망 모델(200)에 포함되는 일 구성일 수 있다. 예를 들어, 뇌 추출 모델(300)이 신경망 모델(200)과 별개로 구별되어 존재하는 경우, 프로세서(110)는 뇌 추출 모델(300)을 통해 생성된 영상(80)을 신경망 모델(200)의 입력으로 사용할 수 있다. 뇌 추출 모델(300)이 신경망 모델(200)의 일 구성일 경우, 신경망 모델(200)은 뇌 추출 모델(300)을 하나의 전처리 모듈로서 동작시켜 제 1 병변 추정 모듈(210, 도 4 참조) 및 제 2 병변 추정 모듈(220, 도 4 참조)의 입력 영상을 생성할 수 있다.
도 6은 본 개시의 또 다른 일 실시예에 따른 의료 영상 기반의 뇌백질 병변 탐지 방법에 대한 순서도이다.
도 6을 참조하면, S110 단계에서 컴퓨팅 장치(100)는 의료 영상 촬영 시스템으로부터 뇌백질 병변 예측을 위한 의료 영상을 수신할 수 있다. 뇌백질 병변 예측을 위한 의료 영상은 3차원 MR 이미지일 수도 있고, 2차원 MR 이미지 슬라이스일 수도 있다. 컴퓨팅 장치(100)가 3차원 MR 이미지를 의료 영상으로 수신하는 경우, 컴퓨팅 장치(100)는 3차원 MR 이미지를 가공하여 2차원 MR 이미지 슬라이스(e.g. T2-FLAIR MR 이미지 슬라이스)를 생성할 수 있다. 컴퓨팅 장치(100)가 2차원 MR 이미지 슬라이스를 의료 영상으로 수신하는 경우, 컴퓨팅 장치(100)는 수신된 의료 영상에 대한 별도의 가공 없이 뇌백질 병변 예측을 위한 신경망 모델의 입력으로 사용할 수 있다.
S120 단계에서, 의료 영상에 뇌의 뼈 영역이 포함되어 있는 경우, 컴퓨팅 장치(100)는 뇌백질 병변 예측의 정확도를 높이기 위해서 뇌 추출 모델을 사용하여 의료 영상에서 뇌의 뼈 영역을 제거하고 뇌 실질 영역이 세그먼테이션 된 영상을 생성할 수 있다. 이때, 뇌 실질 영역에는 뇌백질 영역이 포함될 수 있다. 예를 들어, 컴퓨팅 장치(100)가 뇌의 뼈 영역이 포함된 2차원 MR 이미지 슬라이스를 의료 영상으로 수신한 경우, 컴퓨팅 장치(100)는 뇌백질이 포함된 뇌 실질 영역을 추출하고, 뇌 실질 영역이 추출된 영상을 뇌백질 병변 예측을 위한 신경망 모델의 입력으로 사용할 수 있다. 만약 의료 영상에 뇌의 뼈 영역이 포함되어 있지 않다면, S120 단계는 전체 프로세스 상 생략될 수도 있다.
S130 단계에서, 컴퓨팅 장치(100)는 신경망 모델을 사용하여 뇌 실질 영역이 추출된 의료 영상에 포함된 뇌백질의 고강도 신호를 기초로 제 1 뇌백질 병변 및 제 2 뇌백질 병변을 구별하여 추출할 수 있다. 컴퓨팅 장치(100)는 제 1 뇌백질 병변에 대한 정보를 포함하고 뇌실주위 백질의 고강도 신호를 표시하는 제 1 마스크 및 제 2 뇌백질 병변에 대한 정보를 포함하고 심부 백질의 고강도 신호를 표시하는 제 2 마스크를 생성할 수 있다. 또한, 컴퓨팅 장치(100)는 제 1 마스크와 제 2 마스크를 정합시켜 전체 뇌백질의 고강도 신호를 표시하는 제 3 마스크를 생성할 수 있다.
S130 단계에서, 컴퓨팅 장치(100)는 컴퓨팅 장치(100)는 S110 단계에서 수신된 의료 영상의 복셀 차원(voxel dimension)에 관한 정보를 고려하여 앞서 추정된 제 1 뇌백질 병변 및 제 2 뇌백질 병변 각각의 부피 정보를 추정할 수 있다. 컴퓨팅 장치(100)는 의료 영상의 복셀 차원에 관한 X축, Y축, Z축 정보 및 앞서 추정된 병변들 각각에 대한 소정의 단위(e,g, 픽셀) 개수를 기초로 제 1 뇌백질 병변에 대한 제 1 부피 정보 및 제 2 뇌백질 병변에 대한 제 2 부피 정보를 산출할 수 있다. 예를 들어, 제 1 부피 정보는 MR 이미지 정보에 포함된 X축 복셀값, Y축 복셀값, Z축 복셀값과 제 1 뇌백질 병변으로 판단된 픽셀들의 개수를 기초로 추정될 수 있다. 제 2 부피 정보는 MR 이미지 정보에 포함된 X축 복셀값, Y축 복셀값, Z축 복셀값과 제 2 뇌백질 병변으로 판단된 픽셀들의 개수를 기초로 추정될 수 있다. 부피 정보는 각 복셀값 및 픽셀 개수의 곱 연산 결과로 도출될 수 있으나, 연산 방식은 이에 한정되지는 않는다.
또한, S130 단계에서, 컴퓨팅 장치(100)는 뇌백질의 변성의 심각도(severity)를 나타내는 지표를 기준으로, 제 1 뇌백질 병변 및 제 2 뇌백질 병변 각각을 평가하여 심각도 정보를 생성할 수 있다. 심각도 정보는 뇌백질 병변의 변성 정도가 얼만큼 심각한지를 나타내는 등급 정보, 뇌백질 병변이 심각한 상태인지 아닌지를 나타내는 분류 정보 등을 포함할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 뇌실주위 백질의 고강도 신호 및 심부 백질의 고강도 신호를 심각도에 따라 정량화하는 지표인 Fazekas 척도를 기준으로 의료 영상의 병변 심각도를 평가할 수 있다. 0 내지 3으로 구분되는 Fazekas 척도 별로 의료 영상에서 뇌백질의 고강도 신호가 표시되는 픽셀 개수가 명확히 구별되는 특성을 활용해서 사전 결정된 기준 정보가 컴퓨팅 장치(100)에 저장될 수 있다. 컴퓨팅 장치(100)는 사전 결정된 기준 정보를 기초로 제 1 뇌백질 병변으로 판단된 픽셀들의 개수를 비교하여 제 1 뇌백질 병변에 대한 심각도 분류 정보를 생성할 수 있다. 컴퓨팅 장치(100)는 사전 결정된 기준 정보를 기초로 제 2 뇌백질 병변으로 판단된 픽셀들의 개수를 비교하여 제 2 뇌백질 병변에 대한 심각도 분류 정보를 생성할 수 있다. Fazekas 척도는 하나의 예시일 뿐이며, 뇌백질 변성의 심각한 정도를 나타내는 다양한 지표들이 본 개시에 있어서 활용될 수 있다.
S140 단계에서, 컴퓨팅 장치(100)는 신경망 모델을 사용한 뇌백질 병변의 예측 결과를 출력하기 위한 사용자 인터페이스를 생성할 수 있다. 이때, 사용자 인터페이스에는 뇌백질이 변성된 병변에 대한 정보를 디스플레이 하기 위한 영역들이 포함될 수 있다. 예를 들어, 사용자 인터페이스는 뇌백질의 고강도 신호가 나머지 영역과 구별되는 마커로 표시되는 의료 영상(e.g. S120 단계에서 생성된 제 3 마스크)을 디스플레이 하는 제 1 영역을 포함할 수 있다. 또한, 사용자 인터페이스는 2개의 뇌백질 병변 각각의 부피 정보 및 2개의 뇌백질 병변 각각의 심각도 정보 중 적어도 하나를 디스플레이 하는 제 2 영역을 포함할 수 있다. 컴퓨팅 장치(100)에 의해 생성된 사용자 인터페이스는 사용자 단말로 전송되어 사용자에게 제공될 수 있다.
도 7은 본 개시의 일 실시예에 따른 신경망 모델의 학습 과정을 나타낸 순서도이다.
S210 단계에서, 컴퓨팅 장치(100)는 데이터베이스, 외부 단말 등과의 통신을 통해 뇌실주위 백질의 고강도 신호 및 심부 백질의 고강도 신호가 각각 라벨링된 신경망 모델의 학습 데이터를 획득할 수 있다. 컴퓨팅 장치(100)는 신경망 모델의 학습 안정성 및 효율을 높이기 위해 학습 데이터에 대한 필터링(filtering)을 수행할 수 있다. 컴퓨팅 장치(100)는 입력 영상들 중 트루 라벨(true label)이 소정의 픽셀 개수 이하인 영상을 제거할 수 있다. 이때, 뇌백질의 고강도 신호의 종류에 따라 필터링을 위한 기준 픽셀 개수는 달라질 수 있다. 예를 들어, 컴퓨팅 장치(100)는 뇌실주위 백질의 고강도 신호에 해당하는 트루 라벨의 픽셀 개수가 50개 이하인 경우, 해당 데이터를 학습에서 제외시킬 수 있다. 또한, 컴퓨팅 장치(100)는 심부 백질의 고강도 신호에 해당하는 트루 라벨의 픽셀 개수가 15개 이하인 경우, 해당 데이터를 학습에서 제외시킬 수 있다. 한편, 전술한 필터링은 신경망 모델에 의해 자체적으로 수행될 수도 있고, 신경망 모델과 구별되는 별개의 모듈을 통해 수행될 수도 있다.
S220 단계에서, 컴퓨팅 장치(100)는 학습 데이터에 뇌의 뼈 영역이 포함되어 있는 경우, 컴퓨팅 장치(100)는 학습 정확도를 높이기 위해서 뇌 추출 모델을 사용하여 학습 데이터에서 뇌의 뼈 영역을 제거하고 뇌 실질 영역이 세그먼테이션 된 데이터를 생성할 수 있다. 이때, 뇌 실질 영역에는 뇌백질 영역이 포함될 수 있다. 만약 학습 데이터에 뇌의 뼈 영역이 포함되어 있지 않다면, S220 단계는 전체 프로세스 상 생략될 수도 있다.
S230 단계에서, 컴퓨팅 장치(100)는 뇌 실질 영역을 포함하는 필터링된 학습 데이터에 대한 노멀라이제이션(normalization)을 수행할 수 있다. 또한, 컴퓨팅 장치(100)는 학습 데이터의 부족으로 인한 문제를 해결하고 강건한(robust) 학습을 위해 어그멘테이션(augmentation)을 수행할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 노멀라이제이션 된 학습 데이터에 어파인 변환(Affine transformation), 플립핑(flipping), 블러링(blurring) 등의 어그멘테이션 기법을 적용할 수 있다.
S240 단계에서, 컴퓨팅 장치(100)는 S210 단계에서 S230 단계를 거쳐 가공된 학습 데이터를 신경망 모델의 입력으로 사용하여 뇌백질 병변 예측을 위한 신경망 모델을 학습시킬 수 있다. 이때, 로그 함수를 기초로 평활화된 가중치가 적용되는 크로스-엔트로피 손실 함수가 사용될 수 있다.
도 8은 본 개시의 일 실시예에 따른 사용자 인터페이스를 나타낸 개념도이다.
도 8을 참조하면, 본 개시의 일 실시예에 따른 사용자 인터페이스(400)는 뇌백질 병변의 예측 결과를 영상 형태로 출력하는 제 1 영역(410) 및 뇌백질 병변의 예측 결과를 텍스트 형태로 출력하는 제 2 영역(420)을 포함할 수 있다. 예를 들어, 사용자 인터페이스(400)의 제 1 영역(410)은 뇌실주위 백질의 고강도 신호를 표시하는 제 1 마스크와 심부 백질의 고강도 신호를 표시하는 제 2 마스크를 정합한 결과인 제 3 마스크를 기초로 뇌백질 병변 전체를 영상 형태로 디스플레이 할 수 있다. 사용자 인터페이스(400)의 제 2 영역(420)은 뇌실주위 백질의 고강도 신호에 기초한 제 1 뇌백질 병변과 심부 백질의 고강도 신호에 기초한 제 2 뇌백질 병변 각각의 부피 정보 및 심각도 정보를 디스플레이 할 수 있다.
제 1 영역(410)은 T2-FLAIR MR 이미지를 배경으로 뇌실주위 백질의 고강도 신호(a)와 심부 백질의 고강도 신호(b)를 서로 다른 색상으로 디스플레이 할 수 있다. 도 8에서는 뇌실주위 백질의 고강도 신호(a)와 심부 백질의 고강도 신호(b)가 함께 디스플레이 되는 것으로 도시되어 있으나, 사용자로부터 인가된 외부 입력에 따라 제 1 영역(410)은 뇌실주위 백질의 고강도 신호(a) 및 심부 백질의 고강도 신호(b)를 선택적으로 디스플레이 할 수도 있다. 사용자는 제 1 영역을 통해 2개의 뇌백질의 고강도 신호를 용이하게 구분함으로써, 알츠하이머성 치매와 혈관성 치매를 정확하게 구별 및 판단할 수 있다.
제 2 영역(420)은 제 1 뇌백질 병변의 부피 정보와 심각도 정보, 제 2 뇌백질 병변의 부피 정보와 심각도 정보 각각을 텍스트 형태로 디스플레이 할 수 있다. 사용자가 손쉽게 정보를 파악할 수 있도록 제 2 영역(420)은 테이블(table) 형태로 정리된 병변들의 부피 정보 및 심각도 정보를 디스플레이 할 수 있다. 도 8에서는 부피 정보와 심각도 정보가 함께 디스플레이 되는 것으로 도시되어 있으나, 사용자로부터 인가된 외부 입력에 따라 제 2 영역(420)은 각 병변의 부피 정보와 심각도 정보를 선택적으로 디스플레이 할 수 있다. 도 8의 사용자 인터페이스(400)에서 제 1 영역(410) 및 제 2 영역(420)의 위치 및 형태 등은 하나의 예시일 뿐이며, 당업자에 의해 다양한 변형 예시를 포함하는 것으로 이해될 수 있다.
한편, 본 개시의 일 실시예에 따라 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다.
데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자 정의 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 영구 저장 장치)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 장치는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.
데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.
비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 이하에서는 신경망으로 통일하여 기술한다. 데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등을 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 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.
데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 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 노드에서 출력되는 데이터 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
도 9는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.
일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 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(handheld) 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 데이터 등을 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 몇 가지 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 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 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 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 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, 컴퓨팅 디바이스 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 컴퓨팅 디바이스에 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 5GHz 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 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 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 소프트웨어로 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 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 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. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.
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 (14)
- 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 의료 영상 기반의 뇌백질 병변 탐지 방법으로서,
적어도 하나의 뇌 영역을 포함하는 의료 영상을 수신하는 단계; 및
사전 학습된 신경망 모델을 사용하여, 상기 의료 영상을 기초로 제 1 뇌백질 병변 및 제 2 뇌백질 병변을 추정하는 단계;
를 포함하는,
방법.
- 제 1 항에 있어서,
상기 제 1 뇌백질 병변은,
뇌실주위 백질의 고강도 신호(periventricular white matter hyperintensity)를 기초로 추정되며,
상기 제 2 뇌백질 병변은,
심부 백질의 고강도 신호(deep white matter hyperintensity)를 기초로 추정되는 것인,
방법.
- 제 1 항에 있어서,
상기 제 1 뇌백질 병변 및 제 2 뇌백질 병변을 추정하는 단계는,
상기 의료 영상에서 뇌의 뼈 영역이 제거된 뇌백질을 포함하는 뇌 영역을 추출하는 단계;
상기 신경망 모델에 포함된 제 1 병변 추정 모듈을 사용하여, 상기 추출된 뇌 영역을 기초로 상기 제 1 뇌백질 병변을 추정하는 단계; 및
상기 신경망 모델에 포함된 제 2 병변 추정 모듈을 사용하여, 상기 추출된 뇌 영역을 기초로 상기 제 2 뇌백질 병변을 추정하는 단계;
를 포함하는,
방법.
- 제 1 항에 있어서,
상기 신경망 모델은,
입력 영상들 중 트루 라벨(true label)이 소정의 픽셀 개수 이하인 영상을 제외한 영상으로 학습된 것인,
방법.
- 제 1 항에 있어서,
상기 신경망 모델은,
로그 함수를 기초로 평활화(smoothing)된 가중치가 적용되는 크로스-엔트로피(cross-entropy) 손실 함수를 사용하여 학습된 것인,
방법.
- 제 1 항에 있어서,
상기 제 1 뇌백질 병변에 대한 정보를 포함하는 제 1 마스크(mask)를 생성하는 단계; 및
상기 제 2 뇌백질 병변에 대한 정보를 포함하는 제 2 마스크를 생성하는 단계;
를 더 포함하는,
방법.
- 제 6 항에 있어서,
상기 제 1 마스크 및 제 2 마스크를 정합하여 뇌백질이 변성된 전체 병변에 대한 정보를 포함하는 제 3 마스크를 생성하는 단계;
를 더 포함하는,
방법.
- 제 1 항에 있어서,
상기 의료 영상의 복셀 차원(voxel dimension)에 관한 정보 및 상기 추정된 병변들 각각에 대한 소정의 단위 개수를 기초로 상기 제 1 뇌백질 병변에 대한 제 1 부피 정보 및 상기 제 2 뇌백질 병변에 대한 제 2 부피 정보를 산출하는 단계;
를 더 포함하는,
방법.
- 제 1 항에 있어서,
상기 뇌백질의 변성의 심각도(severity)를 나타내는 지표를 기준으로, 상기 제 1 뇌백질 병변 및 제 2 뇌백질 병변 각각에 대한 심각도를 판단하는 단계;
를 더 포함하는,
방법.
- 제 1 항에 있어서,
상기 제 1 뇌백질 병변 및 제 2 뇌백질 병변 각각을 기반으로 생성된 마스크, 부피 정보 및 변성 심각도 정보를 포함하는 사용자 인터페이스(user interface)를 생성하는 단계;
를 더 포함하고,
상기 사용자 인터페이스는,
상기 제 1 뇌백질 병변 및 제 2 뇌백질 병변 각각을 기반으로 생성된 마스크를 기초로 상기 뇌백질이 변성된 병변의 영상을 디스플레이 하는 제 1 영역; 및
상기 부피 정보 및 변성 심각도 정보 중 적어도 하나를 디스플레이 하는 제 2 영역;
중 적어도 하나를 포함하는,
방법.
- 제 10 항에 있어서,
상기 제 1 영역은,
상기 제 1 뇌백질 병변 및 제 2 뇌백질 병변 각각을 서로 다른 색상으로 디스플레이 하는 것인,
방법.
- 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 의료 영상을 기반으로 뇌백질 병변을 탐지하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은:
적어도 하나의 뇌 영역을 포함하는 의료 영상을 수신하는 동작; 및
사전 학습된 신경망 모델을 사용하여, 상기 의료 영상을 기초로 제 1 뇌백질 병변 및 제 2 뇌백질 병변을 추정하는 동작;
을 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 의료 영상을 기반으로 뇌백질 병변을 탐지하는 컴퓨팅 장치로서,
적어도 하나의 코어를 포함하는 프로세서;
상기 프로세서에서 실행가능한 프로그램 코드들을 포함하는 메모리; 및
적어도 하나의 뇌 영역을 포함하는 의료 영상을 수신하기 위한 네트워크부;
를 포함하고,
상기 프로세서는,
사전 학습된 신경망 모델을 사용하여, 상기 의료 영상을 기초로 제 1 뇌백질 병변 및 제 2 뇌백질 병변을 추정하는,
장치.
- 사용자 단말로서,
적어도 하나의 코어를 포함하는 프로세서;
메모리;
컴퓨팅 장치로부터 뇌백질이 변성된 병변에 대한 정보를 포함하는 사용자 인터페이스(user interface)를 수신하는 네트워크부; 및
상기 사용자 인터페이스를 제공하는 출력부;
를 포함하고,
상기 사용자 인터페이스는,
제 1 뇌백질 병변 및 제 2 뇌백질 병변 각각을 기반으로 상기 컴퓨팅 장치에 의해 생성된 마스크를 기초로 상기 뇌백질이 변성된 병변의 영상을 디스플레이 하는 제 1 영역; 및
상기 제 1 뇌백질 병변 및 제 2 뇌백질 병변 각각을 기반으로 상기 컴퓨팅 장치에 의해 생성된 부피 정보 및 변성 심각도 정보 중 적어도 하나를 디스플레이 하는 제 2 영역;
중 적어도 하나를 포함하는,
단말.
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200162957A KR20220075119A (ko) | 2020-11-27 | 2020-11-27 | 의료 영상 기반의 뇌백질 병변 탐지 방법 |
| PCT/KR2021/016191 WO2022114600A1 (ko) | 2020-11-27 | 2021-11-09 | 의료 영상 기반의 뇌백질 병변 탐지 방법 |
| US17/533,858 US20220172370A1 (en) | 2020-11-27 | 2021-11-23 | Method for detecting white matter lesions based on medical image |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200162957A KR20220075119A (ko) | 2020-11-27 | 2020-11-27 | 의료 영상 기반의 뇌백질 병변 탐지 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20220075119A true KR20220075119A (ko) | 2022-06-07 |
Family
ID=81752842
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200162957A KR20220075119A (ko) | 2020-11-27 | 2020-11-27 | 의료 영상 기반의 뇌백질 병변 탐지 방법 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20220172370A1 (ko) |
| KR (1) | KR20220075119A (ko) |
| WO (1) | WO2022114600A1 (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP4272635A1 (en) * | 2020-12-30 | 2023-11-08 | Neurophet Inc. | Method for providing diagnosis assistance information, and device performing same |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6430430B1 (en) * | 1999-04-29 | 2002-08-06 | University Of South Florida | Method and system for knowledge guided hyperintensity detection and volumetric measurement |
| JP5420860B2 (ja) * | 2008-06-12 | 2014-02-19 | セイコーインスツル株式会社 | 脳血管疾患リスク評価装置 |
| MA40985A (fr) * | 2014-11-17 | 2017-09-26 | Biogen Ma Inc | Méthodes de traitement de la sclérose en plaques |
| DE102015221877A1 (de) * | 2015-11-06 | 2017-05-11 | jung diagnostics GmbH | Bildbasierter Biomarker zur Charakterisierung der Struktur oder Funktion von menschlichemoder tierischem Hirngewebe und zugehörige Verwendungen und Verfahren |
| KR101754291B1 (ko) * | 2017-04-04 | 2017-07-06 | 이현섭 | 개인 맞춤형 뇌질병 진단 및 상태 판정을 위한 의료 영상 처리 시스템 및 방법 |
| JP7125312B2 (ja) * | 2018-09-07 | 2022-08-24 | 富士フイルムヘルスケア株式会社 | 磁気共鳴撮像装置、画像処理装置、及び、画像処理方法 |
| KR102214123B1 (ko) * | 2020-02-17 | 2021-03-08 | 주식회사 제이엘케이 | 인공지능 기반 pwi-dwi 미스매치 병변 추출 및 통합 평가 방법 및 시스템 |
| CN115428016A (zh) * | 2020-04-23 | 2022-12-02 | 皇家飞利浦有限公司 | 改进的病变检测方法 |
-
2020
- 2020-11-27 KR KR1020200162957A patent/KR20220075119A/ko not_active Application Discontinuation
-
2021
- 2021-11-09 WO PCT/KR2021/016191 patent/WO2022114600A1/ko active Application Filing
- 2021-11-23 US US17/533,858 patent/US20220172370A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022114600A1 (ko) | 2022-06-02 |
| US20220172370A1 (en) | 2022-06-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102460257B1 (ko) | 진단 결과를 제공하기 위한 방법 및 장치 | |
| TWI814154B (zh) | 基於醫學影像的疾病預測方法 | |
| US20240062515A1 (en) | Method for classification using deep learning model | |
| KR102450409B1 (ko) | 의료 영상 기반의 세그먼테이션 방법 | |
| KR102179090B1 (ko) | 신경망을 이용한 의료 진단 방법 | |
| KR20220107940A (ko) | 의료 영상의 병변 평가 방법 | |
| US20220172370A1 (en) | Method for detecting white matter lesions based on medical image | |
| KR102589405B1 (ko) | 의료 영상 기반의 병변 분석 방법 | |
| US20240144474A1 (en) | Medical-image-based lesion analysis method | |
| KR102454742B1 (ko) | 뇌 피질 영역의 두께를 분석하는 방법 | |
| KR102554181B1 (ko) | 골 영상으로부터 골 연령을 판독하는 방법 | |
| KR102449240B1 (ko) | 모델 학습 방법 | |
| KR102622660B1 (ko) | 의료 영상에 대한 연속 절편 검출 방법 | |
| KR102653257B1 (ko) | 의료 영상을 기반으로 하는 관심 대상의 상태 판독 방법 | |
| US20220237777A1 (en) | Method for measuring lesion of medical image | |
| KR102569976B1 (ko) | 의료 영상 처리 방법 | |
| KR102375786B1 (ko) | 의료 영상에서 이상 소견 탐지 및 판독문 생성 방법 | |
| KR102556235B1 (ko) | 컨텐츠 기반 영상 검색 방법 및 장치 | |
| US12026873B2 (en) | Bone age assessment method for bone image | |
| KR20230056174A (ko) | 딥러닝 기반의 의료 영상 분석 방법 | |
| KR20220165111A (ko) | 의료 영상의 분류 방법 | |
| KR20230126083A (ko) | 의료 영상을 분석하기 위한 방법 | |
| KR20230138686A (ko) | 척추 정렬 상태를 예측하는 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E90F | Notification of reason for final refusal |