KR20220076283A - 병변 추적 검사에 기반하여 진단 보조 정보의 임계치를 조정하는 의료 영상 판독 지원 장치 및 방법 - Google Patents
병변 추적 검사에 기반하여 진단 보조 정보의 임계치를 조정하는 의료 영상 판독 지원 장치 및 방법 Download PDFInfo
- Publication number
- KR20220076283A KR20220076283A KR1020210097065A KR20210097065A KR20220076283A KR 20220076283 A KR20220076283 A KR 20220076283A KR 1020210097065 A KR1020210097065 A KR 1020210097065A KR 20210097065 A KR20210097065 A KR 20210097065A KR 20220076283 A KR20220076283 A KR 20220076283A
- Authority
- KR
- South Korea
- Prior art keywords
- findings
- medical image
- valid
- processor
- observation
- Prior art date
Links
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computerised tomographs
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/52—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
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- High Energy & Nuclear Physics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Optics & Photonics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pulmonology (AREA)
- Physiology (AREA)
- Computational Linguistics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
의료 영상의 판독을 지원하며, 컴퓨팅 시스템을 포함하는 의료 영상 판독 지원 장치가 개시된다. 본 발명의 일 실시예에 따른 장치는 컴퓨팅 시스템을 포함한다. 상기 컴퓨팅 시스템은 의료 영상의 시계열 세트에 포함되는 제1 의료 영상 및 상기 제1 의료 영상을 뒤따르는 제2 의료 영상을 수신하는 수신 인터페이스부; 및 상기 제1 의료 영상에 대하여 검출된 제1 소견(findings) 및 상기 제2 의료 영상에 대하여 검출된 제2 소견의 위치를 비교하여 상기 제1 소견 및 상기 제2 소견 간의 추적(follow-up) 정보를 생성하고, 상기 제1 소견 각각의 진단 보조 정보의 제1 임계치에 기반하여 상기 제1 소견 중 적어도 일부를 사용자에게 제공될 제1 유효 소견으로 선택하고, 상기 추적 정보에 기반하여 상기 제2 소견 각각의 진단 보조 정보의 제2 임계치를 설정하고, 상기 제2 임계치에 기반하여 상기 제2 소견 중 적어도 일부를 상기 사용자에게 제공될 제2 유효 소견으로 선택하는 적어도 하나 이상의 프로세서를 포함한다.
Description
본 발명은 피검체의 의료 영상의 판독을 지원하는 장치 및 방법에 관한 것이다. 구체적으로는 본 발명은 의료용 인공 신경망의 분석 결과를 이용하여 의료 영상의 판독을 지원하는 컴퓨팅 시스템 및 그 컴퓨팅 시스템에서 실행되는 소프트웨어에 관한 것이다.
본 발명은 산업통상자원부 및 한국산업기술평가관리원의 전자시스템산업핵심기술개발(R&D) 사업의 일환으로 수행한 연구로부터 도출된 것이다[과제관리번호: 1415160865, 과제명: 폐, 간, 심질환 영상판독지원을 위한 인공지능 원천기술개발 및 PACS 연계 상용화].
현재, 병변을 분석함으로써 진단에 이용하기 위하여 CT(computed tomography; 전산화 단층 촬영) 등의 의료 영상이 널리 이용되고 있다. 예를 들어, 흉부 CT 영상은 신체의 내부, 예컨대, 폐, 기관지, 심장 등의 이상을 관찰할 수 있어 판독용으로 빈번히 이용된다.
흉부 CT 영상을 통하여 판독될 수 있는 몇몇 소견들은 영상의학과 의사도 다년 간의 수련을 겪어야만 그 특징 및 형태를 구분해낼 수 있을 정도로 그 판독이 용이하지 않아 인간인 의사가 쉽게 간과할 수 있다. 특히, 폐결절(lung nodule)과 같이 그 판독의 난이도가 높으면 의사가 고도의 주의를 기울여도 미처 보지 못하고 넘어가는 경우가 발생할 수 있어 문제가 될 소지가 있다.
이 같이 인간이 쉽게 간과할 수 있는 영상의 판독을 보조하기 위하여, 컴퓨터 보조 진단(CAD; computer aided diagnosis)의 필요성이 대두되었는데, 종래의 CAD 기술은 매우 한정된 영역에서 의사의 판단을 보조함에 그친다. 예를 들어, 한국공개특허 KR 10-2014-0091176호 및 미국등록특허 US 9,773,305에는, 종래의 병변 진단을 보조하기 위한 장치 및 방법이 개시되어 있다.
컴퓨터 보조 진단을 이용한 병변의 판독은 우선 병변으로 의심되는 부위를 특정하고, 그 부위에 대한 점수{예컨대, 신뢰도(confidence), 악성도(malignity) 등}을 부여하는 프로세스로 이루어질 수 있다. 예를 들어, 폐부에서 복수의 결절이 발견되는 경우, 그 중 악성도가 높을 것으로 예상되는 결절을 특정하여 추후의 치료 방안을 결정할 필요가 있을 것이다.
그런데, 복수의 결절이 있기 때문에 그 중 어떤 결절이 가장 악성도가 높은지는 판독 이전에 알 수가 없고 실제 악성도가 높지 않거나 악성이 아닐 것이라 예상되는 결절부터 진단이 수행되어 판독 효율이 떨어지게 되는 경우가 산재한다. 또한 어떤 결절이 실제 결절인지 판독 이전에 알기 어렵고 신뢰도가 높지 않아 실제 결절이 아닐 것이라 예상되는 부분에서부터 진단이 수행되어도 판독 효율이 떨어진다.
선행 문헌인 한국등록특허 KR 10-1943011호 "피검체의 의료 영상 판독을 지원하는 방법 및 이를 이용한 장치"에서는 종래의 병변 검출 시스템에서 검출되는 병변들에게 예를 들어 신뢰도 및/또는 악성도를 점수로서 부여하는 방식을 도입하고 검출된 병변들 중에서 신뢰도 및/또는 악성도 점수가 가장 높은 병변들부터 판독할 수 있게 하여 판독 효율을 증진하는 방법 및 이를 이용한 장치를 제안하였다.
KR 10-1943011에서는 단일 종류의 질환에 대해서 다수의 병변이 검출되었을 때 단일 디스플레이 설정 내에서 신뢰도, 및/또는 악성도 점수가 가장 높은 병변들부터 배치되는 리스트를 디스플레이하고, 사용자가 리스트에서 해당 병변을 선택하면 병변과 관련된 영상을 디스플레이하는 구성을 개시한다. KR 10-1943011에서는 소정의 문턱값(threshold value)에 기초하여 병변의 점수를 필터링하고, 문턱값 이상의 병변만을 표시함으로써 담당 의료인의 판독 업무의 효율을 높일 수 있도록 지원한다.
한편 또 다른 선행문헌인 한국등록특허 KR 10-1923962 "의료 영상의 열람을 지원하는 방법 및 이를 이용한 장치"에서는 흉부 CT 영상의 판독을 시계열 상에서 열람하기 용이하도록 지원하는 발명이 개시되며, 의료 영상의 시계열 세트를 병변 추적 검사(follow-up exam)을 이용하여 동일한 시각적 위치에서 표시함으로써 비교 및 분석이 용이하도록 지원한다.
CT(Computed Tomography) 또는 MRI(Magnetic Resonance Image)와 같은 최근의 의료 영상은 한 번의 획득(Acquisition)을 통하여 의료 영상 시리즈(Series)를 획득하고, 의료 영상 시리즈는 한 종류의 병변 뿐에만 국한되지 않고 여러 종류/타입의 병변을 검출하는 데에 이용될 수 있다. 예를 들어 폐(lung)에 대해서는 폐결절(lung nodule)이 진단될 수 있는 동시에 만성 폐쇄성 폐질환(COPD, Chronic Obstructive Pulmonary Disease), 또는 폐기종(emphysema)이 진단될 수 있고, 만성 기관지염 또는 기도(airway)와 관련된 질환도 진단될 수 있다. 또한 폐질환 뿐 아니라 흉부 CT(Chest CT)에서는 관상 동맥 혈관의 석회화(CAC, Coronary Artery Calcification Scoring) 정도도 분석될 수 있다.
앞서 언급된 종래 기술인 KR 10-2014-0091176호 "병변 진단 장치 및 방법", US 9,773,305호 "Lesion diagnosis apparatus and method", KR 10-1943011 "피검체의 의료 영상 판독을 지원하는 방법 및 이를 이용한 장치", 및 KR 10-1923962 "의료 영상의 열람을 지원하는 방법 및 이를 이용한 장치"에서는 인공 신경망을 이용하여 병변 후보를 검출하고, 이들을 분류(classification)하여 소견(findings)을 생성한다. 각 소견은 진단 보조 정보를 포함하며, 진단 보조 정보는 각 소견이 실제로 병변일 확률, 소견의 신뢰도(confidence), 악성도(malignity), 및 소견이 대응하는 병변 후보들의 크기, 부피 등 정량적 측정을 포함할 수 있다.
인공 신경망을 이용한 의료 영상 판독 지원에서는 각 소견은 반드시 확률, 또는 신뢰도를 수치화하여 진단 보조 정보로서 포함하며, 모든 소견을 사용자에게 제공할 수 없으므로 일정한 임계치(threshold)를 적용하여 소견을 필터링하고, 필터링된 소견만이 사용자에게 제공된다.
종래 기술인 KR 10-1943011 "피검체의 의료 영상 판독을 지원하는 방법 및 이를 이용한 장치" 등에서 임계치를 사용자가 조정할 수 있는 사용자 메뉴가 개시되지만, 종래 기술들에서는 모든 병변 또는 소견에 대해서 동일한 임계치가 일괄적으로 적용되고 있다.
임상적인 문맥(context)을 고려하여 병변 또는 소견에 대해서 임계치가 차등 적용되면 임상적으로 의의를 가지는 소견에 대해서 사용자가 집중할 수 있다. 본 발명은 의료 영상의 판독을 지원하는 기술로서, 추적(follow-up) 정보에 기반하여 과거 의료 영상의 소견 정보와, 현재 의료 영상의 소견 정보 간의 관련성을 분석하고, 현재 의료 영상 중 과거 의료 영상과 동일한 위치에 존재하는 병변 또는 소견에 대해서는 진단 보조 정보의 임계치를 차등 적용하여 사용자로 하여금 임상적으로 의의를 가지는 소견에 대해서 더욱 집중할 수 있는 사용자 인터페이스를 제공하는 것을 목적으로 한다.
또한 본 발명은 추적(follow-up) 정보에 기반하여 현재 의료 영상의 소견 정보가 과거 의료 영상에서 대응하는 소견 정보보다 크기가 커지거나, 병변일 확률이 증가하거나, 악성일 가능성이 증가하는 경우 등 추적 정보와 관련된 문맥 정보를 인식하고, 문맥 정보에 기반하여 진단 보조 정보의 임계치를 차등 적용하여 사용자로 하여금 특수한 임상적 의의를 가지는 소견에 대해서는 더욱 집중할 수 있는 사용자 인터페이스를 제공하는 것을 목적으로 한다.
이 과정에서 본 발명은 특수한 임상적 의의를 가지는 소견에 대해서는 나머지 소견들과 차별화되는 시각적 요소를 동반하여 사용자로 하여금 집중할 수 있는 사용자 인터페이스를 제공하는 것을 목적으로 한다.
본 발명은 상기의 목적을 달성하기 위하여 도출된 구성으로서, 본 발명의 일 실시예에 따른 의료 영상 판독 지원 장치는 컴퓨팅 시스템을 포함한다. 상기 컴퓨팅 시스템은 의료 영상의 시계열 세트에 포함되는 제1 의료 영상 및 상기 제1 의료 영상을 뒤따르는 제2 의료 영상을 수신하는 수신 인터페이스부; 및 상기 제1 의료 영상에 대하여 검출된 제1 소견(findings) 및 상기 제2 의료 영상에 대하여 검출된 제2 소견의 위치를 비교하여 상기 제1 소견 및 상기 제2 소견 간의 추적(follow-up) 정보를 생성하고, 상기 제1 소견 각각의 진단 보조 정보의 제1 임계치에 기반하여 상기 제1 소견 중 적어도 일부를 사용자에게 제공될 제1 유효 소견으로 선택하고, 상기 추적 정보에 기반하여 상기 제2 소견 각각의 진단 보조 정보의 제2 임계치를 설정하고, 상기 제2 임계치에 기반하여 상기 제2 소견 중 적어도 일부를 상기 사용자에게 제공될 제2 유효 소견으로 선택하는 적어도 하나 이상의 프로세서를 포함한다. 이때 상기 적어도 하나 이상의 프로세서는 상기 제1 유효 소견 및 상기 제2 유효 소견을 사용자 인터페이스부를 경유하여 상기 사용자에게 제공한다.
상기 적어도 하나 이상의 프로세서는 상기 추적 정보에 기반하여 상기 제2 소견 중 상기 제1 소견과 대응하는 제2 소견의 제1 부분 집합에는 상기 제2 임계치를 적용하여 상기 제2 유효 소견으로 선택할 수 있다. 이때 상기 적어도 하나 이상의 프로세서는 상기 제2 소견 중 상기 제1 소견과 대응하지 않는 제2 소견의 제2 부분 집합에는 상기 제1 임계치를 적용하여 제3 유효 소견으로 선택할 수 있다.
상기 적어도 하나 이상의 프로세서는 상기 추적 정보에 기반하여 상기 제1 부분 집합 중 상기 제1 소견의 진단 보조 정보보다 더 큰 진단 보조 정보를 가지는 제2 소견의 제3 부분 집합에는 상기 제2 임계치보다 작은 제3 임계치를 적용하여 제4 유효 소견으로 선택할 수 있다.
상기 적어도 하나 이상의 프로세서는 상기 제1 소견 중 상기 제1 유효 소견에 포함되지 않으면서 상기 제2 유효 소견에 대응하는 제1 소견의 제4 부분 집합을 제5 유효 소견으로 선택할 수 있다.
상기 컴퓨팅 시스템은 상기 제1 소견 및 상기 제2 소견 간의 상기 추적(follow-up) 정보를 생성하는 기능을 학습한 제1 인공 신경망을 더 포함할 수 있다. 이때 상기 적어도 하나 이상의 프로세서는 상기 제2 소견 중 상기 제1 소견과 대응하는 제2 소견의 제1 부분 집합을 식별할 수 있도록 상기 제1 인공 신경망을 제어할 수 있다.
상기 컴퓨팅 시스템은 상기 제1 의료 영상에 대하여 상기 제1 소견(findings)을 검출하고 상기 제2 의료 영상에 대하여 상기 제2 소견을 검출하는 기능을 학습한 제2 인공 신경망을 더 포함할 수 있다. 이때 상기 적어도 하나 이상의 프로세서는 상기 제1 의료 영상에 대하여 상기 제1 소견을 검출하고 상기 제2 의료 영상에 대하여 상기 제2 소견을 검출하도록 상기 제2 인공 신경망을 제어할 수 있다.
상기 적어도 하나 이상의 프로세서는 상기 수신 인터페이스부를 경유하여, 상기 제1 의료 영상에 대하여 검출된 제1 소견을 상기 제1 의료 영상과 함께 수신하고, 상기 제2 의료 영상에 대하여 검출된 제2 소견을 상기 제2 의료 영상과 함께 수신할 수 있다.
상기 적어도 하나 이상의 프로세서는 상기 사용자 인터페이스부를 경유하여 상기 제1 의료 영상 상에 표시되는 상기 제1 유효 소견과 상기 제2 의료 영상 상에 표시되는 상기 제2 유효 소견이 상기 추적 정보에 기반하여 상호 대응하는 경우, 상호 대응하는 상기 제1 유효 소견 및 상기 제2 유효 소견 중 어느 하나가 선택되어 시각적으로 활성화되면 나머지 한 쪽도 시각적으로 활성화할 수 있다.
본 발명의 일 실시예에 따른 의료 영상 판독 지원 방법은 컴퓨팅 시스템에서 실행되는 방법이고, 상기 컴퓨팅 시스템은 적어도 하나 이상의 프로세서를 포함한다. 본 발명의 일 실시예에 따른 의료 영상 판독 지원 방법은 상기 적어도 하나 이상의 프로세서가, 수신 인터페이스부를 경유하여 의료 영상의 시계열 세트에 포함되는 제1 의료 영상 및 상기 제1 의료 영상을 뒤따르는 제2 의료 영상을 수신하는 단계; 상기 적어도 하나 이상의 프로세서가, 상기 제1 의료 영상에 대하여 검출된 제1 소견(findings) 및 상기 제2 의료 영상에 대하여 검출된 제2 소견의 위치를 비교하여 상기 제1 소견 및 상기 제2 소견 간의 추적(follow-up) 정보를 생성하는 단계; 상기 적어도 하나 이상의 프로세서가, 상기 제1 소견 각각의 진단 보조 정보의 제1 임계치에 기반하여 상기 제1 소견 중 적어도 일부를 사용자에게 제공될 제1 유효 소견으로 선택하는 단계; 상기 적어도 하나 이상의 프로세서가, 상기 추적 정보에 기반하여 상기 제2 소견 각각의 진단 보조 정보의 제2 임계치를 설정하고, 상기 제2 임계치에 기반하여 상기 제2 소견 중 적어도 일부를 상기 사용자에게 제공될 제2 유효 소견으로 선택하는 단계; 및 상기 적어도 하나 이상의 프로세서가, 상기 제1 유효 소견 및 상기 제2 유효 소견을 사용자 인터페이스부를 경유하여 상기 사용자에게 제공하는 단계를 포함한다.
상기 제2 소견 중 적어도 일부를 상기 제2 유효 소견으로 선택하는 단계에서는 상기 적어도 하나 이상의 프로세서가, 상기 추적 정보에 기반하여 상기 제2 소견 중 상기 제1 소견과 대응하는 제2 소견의 제1 부분 집합에는 상기 제2 임계치를 적용하여 상기 제2 유효 소견으로 선택할 수 있다. 이때 상기 의료 영상 판독 지원 방법은 상기 적어도 하나 이상의 프로세서가, 상기 제2 소견 중 상기 제1 소견과 대응하지 않는 제2 소견의 제2 부분 집합에는 상기 제1 임계치를 적용하여 제3 유효 소견으로 선택하는 단계; 및 상기 적어도 하나 이상의 프로세서가, 상기 제3 유효 소견을 상기 제1 유효 소견 및 상기 제2 유효 소견과는 구분되는 시각화 요소를 동반하여 상기 사용자 인터페이스부를 경유하여 상기 사용자에게 제공하는 단계를 더 포함할 수 있다.
상기 의료 영상 판독 지원 방법은 상기 적어도 하나 이상의 프로세서가, 상기 추적 정보에 기반하여 상기 제1 부분 집합 중 상기 제1 소견의 진단 보조 정보보다 더 큰 진단 보조 정보를 가지는 제2 소견의 제3 부분 집합에는 상기 제2 임계치보다 작은 제3 임계치를 적용하여 제4 유효 소견으로 선택하는 단계; 및 상기 적어도 하나 이상의 프로세서가, 상기 제4 유효 소견을 상기 제1 유효 소견 내지 상기 제3 유효 소견과는 구분되는 시각화 요소를 동반하여 상기 사용자 인터페이스부를 경유하여 상기 사용자에게 제공하는 단계를 더 포함할 수 있다.
상기 의료 영상 판독 지원 방법은 상기 적어도 하나 이상의 프로세서가, 상기 제1 소견 중 상기 제1 유효 소견에 포함되지 않으면서 상기 제2 유효 소견에 대응하는 제1 소견의 제4 부분 집합을 제5 유효 소견으로 선택하는 단계; 및 상기 적어도 하나 이상의 프로세서가, 상기 제5 유효 소견을 상기 제1 유효 소견 내지 상기 제3 유효 소견과는 구분되는 시각화 요소를 동반하여 상기 사용자 인터페이스부를 경유하여 상기 사용자에게 제공하는 단계를 더 포함할 수 있다.
본 발명의 의료 영상의 판독을 지원하는 기술에 따르면, 추적(follow-up) 정보에 기반하여 과거 의료 영상의 소견 정보와, 현재 의료 영상의 소견 정보 간의 관련성을 분석하고, 현재 의료 영상 중 과거 의료 영상과 동일한 위치에 존재하는 병변 또는 소견에 대해서는 진단 보조 정보의 임계치를 차등 적용하여 사용자로 하여금 임상적으로 의의를 가지는 소견에 대해서 더욱 집중할 수 있는 사용자 인터페이스를 제공할 수 있다.
본 발명에 따르면 추적(follow-up) 정보에 기반하여 현재 의료 영상의 소견 정보가 과거 의료 영상에서 대응하는 소견 정보보다 크기가 커지거나, 병변일 확률이 증가하거나, 악성일 가능성이 증가하는 경우 등 추적 정보와 관련된 문맥 정보를 인식하고, 문맥 정보에 기반하여 진단 보조 정보의 임계치를 차등 적용하여 사용자로 하여금 특수한 임상적 의의를 가지는 소견에 대해서는 더욱 집중할 수 있는 사용자 인터페이스를 제공할 수 있다.
본 발명에 따르면 특수한 임상적 의의를 가지는 소견에 대해서는 나머지 소견들과 차별화되는 시각적 요소를 동반하여 사용자로 하여금 집중할 수 있는 사용자 인터페이스를 제공할 수 있다.
도 1은 본 발명의 일 실시예에 따른 의료 영상 판독 지원 장치를 포함하는 시스템에서 실행되는 의료 영상 판독 워크플로우를 도시하는 도면이다.
도 2는 도 1의 의료 영상 판독 지원 장치(110)의 일 실시예를 도시하는 블록도이다.
도 3은 본 발명의 일 실시예에 따른 의료 영상 판독 지원 장치의 인공 신경망이 학습되는 훈련 과정을 도시하는 도면이다.
도 4는 도 3의 의료 영상 판독 지원 장치(310) 내부에서 실행되는 인공 신경망의 훈련/학습 과정을 도시하는 블록도이다.
도 5는 본 발명의 일 실시예에 따른 의료 영상 판독 지원 장치를 포함하는 시스템에서 실행되는 워크플로우의 일 예를 도시하는 도면이다.
도 6은 본 발명의 일 실시예에 따른 의료 영상 판독 지원 워크플로우의 예시로서, 폐암 스크리닝(LCS, Lung Cancer Screeening)을 위한 의료 영상 판독 지원 스크린샷의 일 예이다.
도 2는 도 1의 의료 영상 판독 지원 장치(110)의 일 실시예를 도시하는 블록도이다.
도 3은 본 발명의 일 실시예에 따른 의료 영상 판독 지원 장치의 인공 신경망이 학습되는 훈련 과정을 도시하는 도면이다.
도 4는 도 3의 의료 영상 판독 지원 장치(310) 내부에서 실행되는 인공 신경망의 훈련/학습 과정을 도시하는 블록도이다.
도 5는 본 발명의 일 실시예에 따른 의료 영상 판독 지원 장치를 포함하는 시스템에서 실행되는 워크플로우의 일 예를 도시하는 도면이다.
도 6은 본 발명의 일 실시예에 따른 의료 영상 판독 지원 워크플로우의 예시로서, 폐암 스크리닝(LCS, Lung Cancer Screeening)을 위한 의료 영상 판독 지원 스크린샷의 일 예이다.
상기 목적 외에 본 발명의 다른 목적 및 특징들은 첨부 도면을 참조한 실시예에 대한 설명을 통하여 명백히 드러나게 될 것이다.
본 발명의 바람직한 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
최근 급속히 발전한 딥러닝/CNN 기반 인공 신경망 기술은 영상 분야에 적용할 경우, 인간의 육안으로 구분하기 어려운 시각적 요소를 구분하는 용도로 고려되고 있다. 이러한 기술의 적용 분야는 보안, 의료 영상, 비파괴 검사 등 다양한 분야로 확대될 가능성이 기대되고 있다.
예를 들어 의료 영상 분야에서, 암 조직 중 생검(biopsy) 상태에서 즉시 암으로 판정되지 않고, 병리학적(pathology) 관점에서 추적 모니터링된 이후에 비로소 암인지 여부가 판정되는 경우가 있다. 인간의 육안으로는 의료 영상에서 해당 세포가 암인지 여부를 확진하기 어려우나, 인공 신경망 기술을 적용할 경우 인간의 육안으로 관찰하는 것보다 더 정확한 예측 결과를 얻을 수 있을 것이라는 기대가 있다.
이러한 인공 신경망 기술이 적용되어 의료 영상 내에서 인간의 육안으로 식별하기 어려운 질환이나 병변을 검출하고, 특정 조직 등 관심 영역을 분할하며(segmentation), 분할된 영역에 대한 측정 등 분석 과정을 수행할 수 있을 것으로 기대된다.
본 발명의 구성 중 본 발명의 출원 전에 당업자에게 공지된 내용은 필요에 따라서 본 명세서에서 본 발명의 구성 중 일부로서 설명하되, 당업자에게 자명한 사실은 발명의 취지를 흐릴 수 있다고 생각되면 설명을 생략할 수 있다. 또한 본 명세서에서 생략된 사항은 본 출원명세서에서 인용하고 있는 선행문헌들, 예를 들어, KR 10-2014-0091176호 "병변 진단 장치 및 방법", US 9,773,305호 "Lesion diagnosis apparatus and method", KR 10-1943011 "피검체의 의료 영상 판독을 지원하는 방법 및 이를 이용한 장치", 및 KR 10-1923962 "의료 영상의 열람을 지원하는 방법 및 이를 이용한 장치" 등을 통하여 당업자에게 공지되었음을 알림으로써 설명에 갈음할 수 있다.
이상의 선행문헌들에서는 인공 신경망을 이용하여 병변 후보를 검출하고, 이들을 분류(classification)하여 소견(findings)을 생성한다. 각 소견은 진단 보조 정보를 포함하며, 진단 보조 정보는 각 소견이 실제로 병변일 확률, 소견의 신뢰도(confidence), 악성도(malignity), 및 소견이 대응하는 병변 후보들의 크기, 부피 등 정량적 측정을 포함할 수 있다.
인공 신경망을 이용한 의료 영상 판독 지원에서는 각 소견은 반드시 확률, 또는 신뢰도를 수치화하여 진단 보조 정보로서 포함하며, 모든 소견을 사용자에게 제공할 수 없으므로 일정한 임계치(threshold)를 적용하여 소견을 필터링하고, 필터링된 소견만이 사용자에게 제공된다.
종래 기술인 KR 10-1943011 "피검체의 의료 영상 판독을 지원하는 방법 및 이를 이용한 장치" 등에서 임계치를 사용자가 조정할 수 있는 사용자 메뉴가 개시되지만, 종래 기술들에서는 모든 병변 또는 소견에 대해서 동일한 임계치가 일괄적으로 적용되고 있다.
이들 선행문헌들이 개시하는 내용 중 일부는 본 발명이 해결하고자 하는 문제점과 관련되며, 본 발명이 채택하는 해결 수단 중 일부는 이들 선행문헌에도 공통적으로 적용된다.
이하의 도 1 내지 도 6의 설명에서, 본 발명의 기술 분야에서 널리 알려진 공지 기술이라고 간주되는 사항은 요점을 흐리지 않기 위하여 필요에 따라 설명을 생략하거나, 선행문헌을 인용함으로써 설명을 대체할 수 있다.
또한 앞서 인용된 선행문헌 및 이후 인용되는 선행문헌들의 구성의 일부 또는 전부는 본 발명이 해결하고자 하는 문제점의 일부와 관련될 수 있으며, 본 발명이 채택하는 해결 수단 중 일부는 선행문헌들로부터 차용한 것일 수 있다.
선행문헌들에 개시된 사항들 중 본 발명을 구체화하기 위하여 공통적으로 포함되는 사항에 한하여 본 발명의 구성의 일부로서 간주될 것이다.
이하에서 본 발명의 상세한 사항을 도 1 내지 도 6의 실시예들을 통하여 설명한다.
도 1은 본 발명의 일 실시예에 따른 의료 영상 판독 지원 장치(110)를 포함하는 시스템에서 실행되는 의료 영상 판독 워크플로우를 도시하는 도면이다.
본 발명의 일 실시예에 따른 의료 영상 판독 지원 장치(110)는 의료 영상의 판독을 지원하기 위하여 의료 영상의 시계열 세트에 포함되는 제1 의료 영상(Image (N-1)), 및 제2 의료 영상(Image N)을 의료 영상 데이터베이스(130)로부터 수신한다. 이때 새롭게 의료 이미징 장치(medical imaging device)(150)는 진단하고자 하는 병변/진단에 관련된 제2 의료 영상을 생성한다. 의료 이미징 장치(150)가 생성한 제2 의료 영상은 의료 영상 데이터베이스(130)에 저장되고, 의료 영상 판독 지원 장치(110)의 호출에 응답하여 의료 영상 데이터베이스(130)로부터 의료 영상 판독 지원 장치(110)로 전달될 수 있다. 의료 영상 데이터베이스(130)는 제2 의료 영상을 의료 이미징 장치(150)로부터 수신하고, 제2 의료 영상과 동일한 대상을 촬영한 제1 의료 영상을 검색하여 제1 의료 영상과 제2 의료 영상을 함께 의료 영상 판독 지원 장치(110)로 전달한다. 이때 의료 영상 데이터베이스(130)는 의료 영상 저장 전송 시스템(PACS, Picture Archive Communication System)일 수 있다.
의료 영상 판독 지원 장치(110)는 제1 의료 영상에 대한 제1 소견 중 제1 임계치 이상의 진단 보조 정보를 가지는 제1 소견을 제1 유효 소견으로 선택하여 제1 의료 영상과 함께 사용자에게 제공한다. 또한 의료 영상 판독 지원 장치(110)는 제2 의료 영상에 대한 제2 소견 중 추적(follow-up) 정보에 기반하여 제1 소견과 대응하는 제2 소견에 대해서는 제1 임계치보다 작은 제2 임계치를 설정하여 제2 유효 소견을 선택하고, 제2 유효 소견을 제2 의료 영상과 함께 사용자에게 제공한다. 의료 영상 판독 지원 장치(110)는 제2 소견 중 추적 정보에 기반하여 제1 소견과 대응하지 않는 제2 소견에 대해서는 제1 임계치를 적용하여 제3 유효 소견을 생성할 수 있다. 이들 제3 유효 소견은 제2 의료 영상과 함께 사용자에게 제공될 수 있다. 제1 의료 영상의 제1 유효 소견 중 제2 유효 소견에 대응하는 부분 집합과 제2 유효 소견에 대응하지 않는 나머지 부분 집합은 서로 구분되는 시각화 요소를 수반하여 시각화될 수 있다. 제2 의료 영상의 제2 유효 소견은 제3 유효 소견과 서로 구분되는 시각화 요소를 수반하여 시각화될 수 있다.
도 2는 도 1의 의료 영상 판독 지원 장치(110)의 일 실시예를 도시하는 블록도이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 의료 영상 판독 지원 장치(110)는 컴퓨팅 시스템(도시되지 않음)을 포함할 수 있다. 의료 영상 판독 지원 장치(110) 내의 컴퓨팅 시스템은 수신 인터페이스부(250), 적어도 하나 이상의 프로세서(210), 및 제1 인공 신경망(230)을 포함할 수 있다. 또한 의료 영상 판독 지원 장치(110)는 사용자 인터페이스부(270)를 더 포함할 수 있으며, 도 2에 도시되지는 않았으나 의료 영상 판독 지원 장치(110)는 외부로 데이터를 전송하는 전송 인터페이스부를 더 포함할 수 있다.
도 1 및 도 2를 함께 참조하면, 수신 인터페이스부(250)는 의료 영상의 시계열 세트에 포함되는 제1 의료 영상 및 상기 제1 의료 영상을 뒤따르는 제2 의료 영상을 의료 영상 데이터베이스(130)로부터 수신할 수 있다.
적어도 하나 이상의 프로세서(210)는 제1 의료 영상에 대하여 검출된 제1 소견(findings) 및 제2 의료 영상에 대하여 검출된 제2 소견의 위치를 비교하여 제1 소견 및 제2 소견 간의 추적(follow-up) 정보를 생성할 수 있다. 이때 적어도 하나 이상의 프로세서(210)는 제1 소견 및 제2 소견 간의 follow-up matching 여부를 제1 인공 신경망(230)이 추론할 수 있도록 제1 인공 신경망(230)을 포함할 수 있다. 즉, 적어도 하나 이상의 프로세서(210)는 제2 소견 중 제1 소견과 대응하는 제2 소견의 제1 부분 집합을 식별할 수 있도록 제1 인공 신경망(230)을 제어할 수 있다.
각 소견은 진단 보조 정보를 포함하며, 진단 보조 정보는 각 소견이 실제로 병변일 확률, 소견의 신뢰도(confidence), 악성도(malignity), 및 소견이 대응하는 병변 후보들의 크기, 부피 등 정량적 측정을 포함할 수 있다.
적어도 하나 이상의 프로세서(210)는 제1 소견 각각의 진단 보조 정보의 제1 임계치에 기반하여 제1 소견 중 적어도 일부를 사용자에게 제공될 제1 유효 소견으로 선택하고, 추적 정보(follow-up information)에 기반하여 제2 소견 각각의 진단 보조 정보의 제2 임계치를 설정할 수 있다.
적어도 하나 이상의 프로세서(210)는 제2 임계치에 기반하여 제2 소견 중 적어도 일부를 사용자에게 제공될 제2 유효 소견으로 선택할 수 있다. 이때 적어도 하나 이상의 프로세서(210)는 제1 유효 소견 및 제2 유효 소견을 사용자 인터페이스부(270)를 경유하여 사용자에게 제공한다.
적어도 하나 이상의 프로세서(210)는 제2 소견(findings) 중에서 follow-up matching되는 것과 그렇지 않은 것들 간의 임계치를 다르게 설정할 수 있다.
적어도 하나 이상의 프로세서(210)는 추적 정보에 기반하여 제2 소견 중 제1 소견과 대응하는 제2 소견의 제1 부분 집합에는 제2 임계치를 적용하여 제2 유효 소견으로 선택할 수 있다. 이때 적어도 하나 이상의 프로세서(210)는 제2 소견 중 제1 소견과 대응하지 않는 제2 소견의 제2 부분 집합에는 제1 임계치를 적용하여 제3 유효 소견으로 선택할 수 있다.
적어도 하나 이상의 프로세서(210)는 제3 유효 소견을 제1 유효 소견 및 제2 유효 소견과는 구분되는 시각화 요소를 동반하여 사용자 인터페이스부(270)를 경유하여 사용자에게 제공할 수 있다. 제1 유효 소견은 제1 의료 영상 상에 표시되고, 제2 유효 소견 및 제3 유효 소견은 제2 의료 영상 상에 표시될 수 있다.
임상적으로 특수한 의미를 가지는 소견들, 예를 들어 제2 소견들 중 follow-up matching되는 것들 중에서도 측정되는 크기가 커지거나 병변일 확률이 높아진 소견들에 대해서는 제2 임계치보다 더 낮게 조정된 제3 임계치가 적용될 수 있다.
적어도 하나 이상의 프로세서(210)는 추적 정보에 기반하여 제1 부분 집합 중 제1 소견의 진단 보조 정보보다 더 큰 진단 보조 정보를 가지는 제2 소견의 제3 부분 집합에는 제2 임계치보다 작은 제3 임계치를 적용하여 제4 유효 소견으로 선택할 수 있다. 진단 보조 정보는 해당 소견이 병변일 확률, 악성일 가능성, 소견에 대한 신뢰도(confidence), 해당 소견에 대응하는 병변의 크기 또는 부피의 정량화된 측정값 중 적어도 하나 이상을 포함할 수 있다. 또한 진단 보조 정보는 해당 소견이 병변일 확률, 악성일 가능성, 소견에 대한 신뢰도(confidence), 해당 소견에 대응하는 병변의 크기 또는 부피의 정량화된 측정값 중 적어도 하나 이상 각각에 대하여 가중치가 부여된 후 합산되어 하나의 지표로 나타내어질 수도 있다. 이때의 지표는 점수(score)로 취급될 수 있으며 진단 보조 정보를 대표하는 대표값으로 이용될 수 있다. 이때 제1 임계치 내지 제3 임계치는 모두 진단 보조 정보의 대표값 점수에 대하여 적용될 수 있다.
본 발명의 다른 실시예에 따라서는 제1 임계치 내지 제3 임계치가 하나의 대표값 파라미터에만 적용되는 것이 아니고 진단 보조 정보를 구성하는 파라미터들 각각에 대해서 적용될 수 있다. 이 경우에는 제1 임계치 집합이 파라미터들 각각에 대해서 적용되거나 제2 임계치 집합이 진단 보조 정보의 파라미터들 각각에 대해서 적용될 수도 있을 것이다.
예를 들어, 이전 의료 영상에서 발견된 제1 소견은 진단 보조 정보가 90점 이상일 때 제1 유효 소견으로 분류될 수 있다. 현재 의료 영상에서 새롭게 발견된 제2 소견도 진단 보조 정보가 90점 이상일 때 제3 유효 소견으로 분류될 수 있다. 그러나 이전 의료 영상의 제1 소견과 follow-up matching되며 현재 의료 영상에서도 존재하는 제2 소견은 임상적으로 더욱 주의가 필요하므로 80점 이상일 때 제2 유효 소견으로 분류될 수 있다.
제2 소견들 중에서 제2 유효 소견 또는 제3 유효 소견으로 분류되지 않은 경우에 제1 소견과 follow-up matching되는 소견들이 존재할 수 있다. 이들 상호 대응하는 제1 소견 및 제2 소견의 조합 중 제1 소견은 이전 의료 영상에서 50점이었는데 제2 소견이 현재 의료 영상에서 70점으로 평가되었을 수 있다. 이러한 경우에는 당장은 큰 문제가 되지 않지만 향후 주의가 필요하므로 70점 이상일 때 제4 유효 소견으로 분류될 수 있다. 이때 상호 대응하는 제1 소견과 제2 소견의 관계에서, 제1 소견의 진단 보조 정보 대표값보다 제2 소견의 진단 보조 정보 대표값이 기준치(예를 들어 +15점) 이상 증가한 경우에 제3 임계치(예를 들어 70점)가 적용될 수 있다.
적어도 하나 이상의 프로세서(210)는 제4 유효 소견을 제1 유효 소견 내지 제3 유효 소견과는 구분되는 시각화 요소를 동반하여 사용자 인터페이스부(270)를 경유하여 사용자에게 제공하는 단계를 더 포함할 수 있다.
제1 findings 중에서 원래의 제1 임계치보다 낮더라도 제1 findings에 대응하는 제2 findings가 조정된 제2 임계치 이상인 경우 제1 findings는 색상 등을 달리 하여 표시될 수 있다. 적어도 하나 이상의 프로세서(210)는 제1 소견 중 제1 유효 소견에 포함되지 않으면서 제2 유효 소견에 대응하는 제1 소견의 제4 부분 집합을 제5 유효 소견으로 선택할 수 있다. 적어도 하나 이상의 프로세서(210)는 제5 유효 소견을 제1 유효 소견 내지 제3 유효 소견과는 구분되는 시각화 요소를 동반하여 사용자 인터페이스부(270)를 경유하여 사용자에게 제공할 수 있다.
앞선 예시에서, 제1 소견은 90점 이상일 때 비로소 제1 유효 소견으로 인정되지만, 제2 소견 중 제2 유효 소견, 및/또는 제4 유효 소견으로 분류되는 소견들이 대응하는 제1 소견들이 이전 의료 영상에 존재할 수 있다. 이때 제2 유효 소견 및/또는 제4 유효 소견으로 분류되는 제1 소견들이 제5 유효 소견으로 선택되며 시각적으로 구분되어 사용자에게 제공될 수 있다.
본 발명의 실시예에 따라서는 의료 영상 판독 지원 장치(110) 내의 컴퓨팅 시스템이 소견을 검출하는 기능의 인공 신경망 엔진을 더 포함할 수 있다. 예를 들어, 컴퓨팅 시스템은 제1 의료 영상에 대하여 제1 소견(findings)을 검출하고 제2 의료 영상에 대하여 제2 소견을 검출하는 기능을 학습한 제2 인공 신경망(도시되지 않음)을 더 포함할 수 있다. 이때 적어도 하나 이상의 프로세서(210)는 제1 의료 영상에 대하여 제1 소견을 검출하고 제2 의료 영상에 대하여 제2 소견을 검출하도록 제2 인공 신경망을 제어할 수 있다.
본 발명의 실시예에 따라서는 제1 finding과 제2 finding 간의 cross-link 기능이 사용자 인터페이스(270)를 경유하여 사용자에게 제공될 수 있다. 예를 들어, 적어도 하나 이상의 프로세서(210)는 사용자 인터페이스부(270)를 경유하여 제1 의료 영상 상에 표시되는 제1 유효 소견과 제2 의료 영상 상에 표시되는 제2 유효 소견이 추적 정보에 기반하여 상호 대응하는 경우, 상호 대응하는 제1 유효 소견 및 제2 유효 소견 중 어느 하나가 선택되어 시각적으로 활성화되면 나머지 한 쪽도 시각적으로 활성화할 수 있다.
본 발명의 실시예에 따라서는 추적(follow-up) 정보에 기반하여 과거 의료 영상의 소견 정보와, 현재 의료 영상의 소견 정보 간의 관련성을 분석하고, 현재 의료 영상 중 과거 의료 영상과 동일한 위치에 존재하는 병변 또는 소견에 대해서는 진단 보조 정보의 임계치를 차등 적용하여 사용자로 하여금 임상적으로 의의를 가지는 소견에 대해서 더욱 집중할 수 있는 사용자 인터페이스(270)를 제공할 수 있다.
본 발명의 실시예에 따라서는 추적(follow-up) 정보에 기반하여 현재 의료 영상의 소견 정보가 과거 의료 영상에서 대응하는 소견 정보보다 크기가 커지거나, 병변일 확률이 증가하거나, 악성일 가능성이 증가하는 경우 등 추적 정보와 관련된 문맥 정보를 인식하고, 추적 정보와 관련된 문맥 정보에 기반하여 진단 보조 정보의 임계치를 또 다시 차등 적용하여 사용자로 하여금 특수한 임상적 의의를 가지는 소견에 대해서는 더욱 집중할 수 있는 사용자 인터페이스(270)를 제공할 수 있다.
본 발명의 실시예에 따라서는 특수한 임상적 의의를 가지는 소견에 대해서는 나머지 소견들과 차별화되는 시각적 요소를 동반하여 사용자로 하여금 집중할 수 있는 사용자 인터페이스(270)를 제공할 수 있다.
이때 사용자는 의료 전문가인 임상의(clinician) 또는 영상의(radiologist)일 수도 있지만, 진단하고자 하는 대상에 따라서는 영상 분할 등 기본적인 전처리 과정이 합리적인 범위 내에서 수행되었는 지를 확인하는 정도의 지식만 가지고 있는 지원 스태프일 수도 있다. 즉, 임상적인 지식을 가지고 있지 않더라도 특정 질환이나 병변에 대한 진단/분석/측정을 위한 주요한 시각적 정보가 어느 정도 합리적으로 적절하게 표현되었는지를 확인할 수 있는 정도의 대표성을 가지고 있다면 본 발명에서 의미하는 사용자에 포함될 수 있다.
도 3은 본 발명의 일 실시예에 따른 의료 영상 판독 지원 장치(310)의 인공 신경망이 학습되는 훈련 과정을 도시하는 도면이다.
훈련용 데이터셋은 다음과 같이 준비될 수 있다.
예를 들어 의료 이미징 장치(350)가 새로운 의료 영상 K'을 생성하여 의료 영상 데이터베이스(330)로 전달하면, 의료 영상 데이터베이스(330)은 의료 영상 K'와 동일한 시계열 세트에 포함되는 복수의 과거 의료 영상들 (의료 영상 (K'-1), (K'-2), ? )과 의료 영상 K'을 포함하는 데이터셋을 생성할 수 있다. 이때 의료 영상 데이터베이스(330) 또는 의료 영상 판독 지원 장치(310) 중 적어도 하나 이상은 복수의 의료 영상들(K', K'-1, K'-2, ?) 중 둘씩 페어링된 의료 영상 조합들을 생성할 수 있다. 이들 의료 영상 조합들은 follow-up 기능을 학습할 수 있는 훈련용 데이터셋을 구성한다.
본 발명의 일 실시예에 따른 의료 영상 판독 지원 장치(310)는 이미 페어링된 훈령용 데이터셋을 수신하거나, 복수의 의료 영상들(K', K'-1, K'-2, ?)을 수신한 후 둘씩 페어링된 훈련용 데이터셋을 생성할 수 있다.
도 4는 도 3의 의료 영상 판독 지원 장치(310) 내부에서 실행되는 인공 신경망(430)의 훈련/학습 과정을 도시하는 블록도이다.
의료 영상 판독 지원 장치(310)는 수신 인터페이스부(450), 적어도 하나 이상의 프로세서(410) 및 인공 신경망(430)을 포함한다.
적어도 하나 이상의 프로세서(410)는 복수의 훈련용 데이터셋을 인공 신경망(430)에 전달하고, 인공 신경망(430)이 동일한 대상을 검사한 것이면서 검사 시간이 상이한 의료 영상 페어(pair) 간의 위치 관련성 분석, 및 follow-up matching 기능을 학습하도록 인공 신경망(430)을 제어한다.
한편 도 4의 실시예에서 의료 영상 판독 지원 장치(310)는 인공 신경망(430) 외에 의료 영상을 분석하여 소견을 생성하는 별도의 인공 신경망을 더 포함할 수 있다.
도 5는 본 발명의 일 실시예에 따른 의료 영상 판독 지원 장치(510)를 포함하는 시스템에서 실행되는 워크플로우의 일 예를 도시하는 도면이다.
도 5의 의료 이미징 장치(550) 및 의료 영상 데이터베이스(530)의 동작은 도 1의 의료 이미징 장치(110) 및 의료 영상 데이터베이스(130)의 동작과 매우 유사하므로 중복되는 설명은 생략한다.
도 5에서는 소견(findings)을 검출하는 기능의 AI 엔진이 의료 영상 판독 지원 장치(510) 외부에 위치하는 실시예가 도시된다. 적어도 하나 이상의 프로세서는 수신 인터페이스부를 경유하여, 제1 의료 영상에 대하여 검출된 제1 소견을 제1 의료 영상과 함께 수신하고, 제2 의료 영상에 대하여 검출된 제2 소견을 제2 의료 영상과 함께 수신할 수 있다.
도 5의 실시예에서 훈련용 데이터셋은 의료 영상과 소견이 함께 저장된 데이터셋으로, 둘씩 의료 영상-소견 간의 페어링을 통하여 각 소견의 follow-up matching을 판정할 수 있는 훈련용 데이터셋이 준비될 수 있다.
도 1 내지 도 5에서는 의료 영상 데이터베이스(130, 330, 530)가 외부에 위치하는 실시예가 도시되었으나, 본 발명의 다른 실시예에 따르면 데이터베이스(도시되지 않음)가 의료 영상 판독 지원 장치(110, 310, 510)의 내부에 위치하는 경우의 실시예도 구현할 수 있음은 당업자에게 자명하게 이해될 것이다.
도 6은 본 발명의 일 실시예에 따른 의료 영상 판독 지원 워크플로우의 예시로서, 폐암 스크리닝(LCS, Lung Cancer Screeening)을 위한 의료 영상 판독 지원 스크린샷의 일 예이다.
도 6에서 도시된 폐암 스크리닝은 low-dose 또는 ultra low-dose CT에서 실행되는 경우 재구성된 후 폐결절(lung nodule)을 검출하는 데에 이용된다. 이에 대해서는 다양한 종래 기술들이 제시되고 있으나, 정상적인 장기와 병변을 구분하는 것이 가장 중요하며, 따라서 주변 밝기와 다른 밝기값을 가지는 영역을 도출하는 것이 중요한 목표이다.
도 6을 참조하면, 최근의 의료 영상과 이전 의료 영상이 함께 시각화된다. 이때 최근의 의료 영상과 이전 의료 영상에서 각각 식별되며 상호 대응하는 소견이 양쪽 의료 영상에서 함께 시각화될 수 있다. 도 6의 스크린샷의 왼쪽에는 최근의 의료 영상에서 발견된 소견과, 이전 의료 영상에서 발견된 소견이 나란히 배열된다. 두 의료 영상에서 발견된 소견 간에 follow-up 분석 결과 상호 matching되는 소견들은 스크린샷의 왼쪽의 동일한 높이에서 함께 표시된다. 이들 상호 matching되는 소견들은 cross-link되어 두 의료 영상 중 어느 한쪽의 소견이 선택되고 활성화되면 나머지 한쪽의 소견도 활성화될 수 있다.
의료 영상들에서 병변의 후보들이 검출되고 소견이 생성된 상태에서, 각 소견들이 다른 의료 영상의 소견과 follow-up 관계에 있는지 분석하는 과정은 일반적으로 비강체 정합(non-rigid registration)을 이용하거나, 위치 기반 matching에 의하여 실행될 수 있다. 또는 위치 기반 matching이 rough하게 먼저 수행되어 범위를 좁히고, 비강체 정합에 의하여 소견 간의 정확한 matching이 실행될 수 있다. 이때 위치 기반 분석 기술은 인체 내의 장기(organ)의 분할(segmentation) 결과를 기준으로 하여 진행될 수 있다. 도 6과 같은 폐 영상의 경우에는 폐엽(lung lobe)의 경계, 폐의 중심 혈관, 기도(airway) 등의 랜드마크(landmark)를 기준으로 하여 이전 의료 영상의 소견과 현재 의료 영상의 소견을 비교하고 매칭할 수 있다.
본 발명의 일 실시예에 따른 의료 영상 판독 지원 방법은 컴퓨팅 시스템에서 실행되는 방법이고, 컴퓨팅 시스템은 적어도 하나 이상의 프로세서를 포함한다.
본 발명의 일 실시예에 따른 의료 영상 판독 지원 방법은 프로그램 인스트럭션의 형태로 메모리에 로드되고 프로세서, 컨트롤러, 및/또는 분산 설계된 전자회로 로직 등에 의하여 호출되고 실행될 수 있다.
예를 들어 도 2에 도시된 적어도 하나 이상의 프로세서(210)가, 수신 인터페이스부(250)를 경유하여 의료 영상의 시계열 세트에 포함되는 제1 의료 영상 및 제1 의료 영상을 뒤따르는 제2 의료 영상을 수신하는 과정은 제1 의료 영상 및 제2 의료 영상을 수신하는 단계로서 실행될 수 있다.
적어도 하나 이상의 프로세서(210)가, 제1 의료 영상에 대하여 검출된 제1 소견(findings) 및 제2 의료 영상에 대하여 검출된 제2 소견의 위치를 비교하여 제1 소견 및 제2 소견 간의 추적(follow-up) 정보를 생성하는 과정은 제1 소견 및 제2 소견 간의 추적(follow-up) 정보를 생성하는 단계로서 실행될 수 있다.
적어도 하나 이상의 프로세서(210)가, 제1 소견 각각의 진단 보조 정보의 제1 임계치에 기반하여 제1 소견 중 적어도 일부를 사용자에게 제공될 제1 유효 소견으로 선택하는 과정은 제1 소견 중 적어도 일부를 제1 유효 소견으로 선택하는 단계로 실행될 수 있다.
적어도 하나 이상의 프로세서(210)가, 추적 정보에 기반하여 제2 소견 각각의 진단 보조 정보의 제2 임계치를 설정하고, 제2 임계치에 기반하여 제2 소견 중 적어도 일부를 사용자에게 제공될 제2 유효 소견으로 선택하는 과정은 제2 유효 소견을 선택하는 단계로 실행될 수 있다.
적어도 하나 이상의 프로세서(210)가, 제1 유효 소견 및 제2 유효 소견을 사용자 인터페이스부(270)를 경유하여 사용자에게 제공하는 과정은 제1 유효 소견 및 제2 유효 소견을 사용자에게 제공하는 단계로서 실행될 수 있다.
본 발명의 일 실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
그러나, 본 발명이 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다. 본 발명의 실시예와 도면에 소개된 길이, 높이, 크기, 폭 등은 이해를 돕기 위해 과장된 것일 수 있다.
이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.
따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.
110, 310. 510: 의료 영상 판독 지원 장치
130, 330, 530: 의료 영상 데이터베이스
150, 350, 550: 의료 이미징 장치
210, 410: 프로세서
230: 제1 인공 신경망 430: 인공 신경망
520: 외부의 제2 인공 신경망
250, 450: 수신 인터페이스부
270: 사용자 인터페이스부
130, 330, 530: 의료 영상 데이터베이스
150, 350, 550: 의료 이미징 장치
210, 410: 프로세서
230: 제1 인공 신경망 430: 인공 신경망
520: 외부의 제2 인공 신경망
250, 450: 수신 인터페이스부
270: 사용자 인터페이스부
Claims (9)
- 의료 영상의 판독을 지원하는 의료 영상 판독 지원 장치로서, 상기 의료 영상 판독 지원 장치는 컴퓨팅 시스템을 포함하고,
상기 컴퓨팅 시스템은
의료 영상의 시계열 세트에 포함되는 제1 의료 영상 및 상기 제1 의료 영상을 뒤따르는 제2 의료 영상을 수신하는 수신 인터페이스부; 및
상기 제1 의료 영상에 대하여 검출된 제1 소견(findings) 및 상기 제2 의료 영상에 대하여 검출된 제2 소견의 위치를 비교하여 상기 제1 소견 및 상기 제2 소견 간의 추적(follow-up) 정보를 생성하고, 상기 제1 소견 각각의 진단 보조 정보의 제1 임계치에 기반하여 상기 제1 소견 각각을 필터링함으로써 상기 제1 소견 중 적어도 일부를 사용자에게 제공될 제1 유효 소견으로 선택하고, 상기 추적 정보에 기반하여 상기 제2 소견 각각을 필터링함으로써 상기 제2 소견 각각의 진단 보조 정보의 제2 임계치를 설정하고, 상기 제2 임계치에 기반하여 상기 제2 소견 중 적어도 일부를 상기 사용자에게 제공될 제2 유효 소견으로 선택하는 적어도 하나 이상의 프로세서;
를 포함하고,
상기 적어도 하나 이상의 프로세서는 상기 제1 유효 소견 및 상기 제2 유효 소견을 사용자 인터페이스부를 경유하여 상기 사용자에게 제공하는 의료 영상 판독 지원 장치. - 제1항에 있어서,
상기 적어도 하나 이상의 프로세서는
상기 추적 정보에 기반하여 상기 제2 소견 중 상기 제1 소견과 대응하는 제2 소견의 제1 부분 집합에는 상기 제2 임계치를 적용하여 상기 제2 유효 소견으로 선택하고,
상기 제2 소견 중 상기 제1 소견과 대응하지 않는 제2 소견의 제2 부분 집합에는 상기 제1 임계치를 적용하여 제3 유효 소견으로 선택하는 의료 영상 판독 지원 장치. - 제2항에 있어서,
상기 적어도 하나 이상의 프로세서는
상기 추적 정보에 기반하여 상기 제1 부분 집합 내의 제2 소견 중 상기 제1 부분 집합 내의 제2 소견에 대응하는 제1 소견의 진단 보조 정보보다 더 큰 진단 보조 정보를 가지는 상기 제1 부분 집합 내의 제2 소견을 포함하는 제3 부분 집합에는 상기 제2 임계치보다 작은 제3 임계치를 적용하여 제4 유효 소견으로 선택하는 의료 영상 판독 지원 장치. - 제2항에 있어서,
상기 적어도 하나 이상의 프로세서는
상기 제1 소견 중 상기 제1 유효 소견에 포함되지 않으면서 상기 제2 유효 소견에 대응하는 제1 소견의 제4 부분 집합을 제5 유효 소견으로 선택하는 의료 영상 판독 지원 장치. - 제1항에 있어서,
상기 컴퓨팅 시스템은
상기 제1 소견 및 상기 제2 소견 간의 상기 추적(follow-up) 정보를 생성하는 기능을 학습한 제1 인공 신경망을 더 포함하고,
상기 적어도 하나 이상의 프로세서는
상기 제2 소견 중 상기 제1 소견과 대응하는 제2 소견의 제1 부분 집합을 식별할 수 있도록 상기 제1 인공 신경망을 제어하는 의료 영상 판독 지원 장치. - 컴퓨팅 시스템에서 실행되는 의료 영상의 판독을 지원하는 의료 영상 판독 지원 방법에 있어서, 상기 컴퓨팅 시스템은 적어도 하나 이상의 프로세서를 포함하고,
상기 적어도 하나 이상의 프로세서가, 수신 인터페이스부를 경유하여 의료 영상의 시계열 세트에 포함되는 제1 의료 영상 및 상기 제1 의료 영상을 뒤따르는 제2 의료 영상을 수신하는 단계;
상기 적어도 하나 이상의 프로세서가, 상기 제1 의료 영상에 대하여 검출된 제1 소견(findings) 및 상기 제2 의료 영상에 대하여 검출된 제2 소견의 위치를 비교하여 상기 제1 소견 및 상기 제2 소견 간의 추적(follow-up) 정보를 생성하는 단계;
상기 적어도 하나 이상의 프로세서가, 상기 제1 소견 각각의 진단 보조 정보의 제1 임계치에 기반하여 상기 제1 소견 각각을 필터링함으로써 상기 제1 소견 중 적어도 일부를 사용자에게 제공될 제1 유효 소견으로 선택하는 단계;
상기 적어도 하나 이상의 프로세서가, 상기 추적 정보에 기반하여 상기 제2 소견 각각의 진단 보조 정보의 제2 임계치를 설정하고, 상기 제2 임계치에 기반하여 상기 제2 소견 각각을 필터링함으로써 상기 제2 소견 중 적어도 일부를 상기 사용자에게 제공될 제2 유효 소견으로 선택하는 단계; 및
상기 적어도 하나 이상의 프로세서가, 상기 제1 유효 소견 및 상기 제2 유효 소견을 사용자 인터페이스부를 경유하여 상기 사용자에게 제공하는 단계;
를 포함하는 의료 영상 판독 지원 방법. - 제6항에 있어서,
상기 제2 소견 중 적어도 일부를 상기 제2 유효 소견으로 선택하는 단계에서는
상기 적어도 하나 이상의 프로세서가, 상기 추적 정보에 기반하여 상기 제2 소견 중 상기 제1 소견과 대응하는 제2 소견의 제1 부분 집합에는 상기 제2 임계치를 적용하여 상기 제2 유효 소견으로 선택하고,
상기 의료 영상 판독 지원 방법은
상기 적어도 하나 이상의 프로세서가, 상기 제2 소견 중 상기 제1 소견과 대응하지 않는 제2 소견의 제2 부분 집합에는 상기 제1 임계치를 적용하여 제3 유효 소견으로 선택하는 단계; 및
상기 적어도 하나 이상의 프로세서가, 상기 제3 유효 소견을 상기 제1 유효 소견 및 상기 제2 유효 소견과는 구분되는 시각화 요소를 동반하여 상기 사용자 인터페이스부를 경유하여 상기 사용자에게 제공하는 단계;
를 더 포함하는 의료 영상 판독 지원 방법. - 제7항에 있어서,
상기 적어도 하나 이상의 프로세서가, 상기 추적 정보에 기반하여 상기 제1 부분 집합 내의 제2 소견 중 상기 제1 부분 집합 내의 제2 소견에 대응하는 제1 소견의 진단 보조 정보보다 더 큰 진단 보조 정보를 가지는 상기 제1 부분 집합 내의 제2 소견을 포함하는 제3 부분 집합에는 상기 제2 임계치보다 작은 제3 임계치를 적용하여 제4 유효 소견으로 선택하는 단계; 및
상기 적어도 하나 이상의 프로세서가, 상기 제4 유효 소견을 상기 제1 유효 소견 내지 상기 제3 유효 소견과는 구분되는 시각화 요소를 동반하여 상기 사용자 인터페이스부를 경유하여 상기 사용자에게 제공하는 단계;
를 더 포함하는 의료 영상 판독 지원 방법. - 제7항에 있어서,
상기 적어도 하나 이상의 프로세서가, 상기 제1 소견 중 상기 제1 유효 소견에 포함되지 않으면서 상기 제2 유효 소견에 대응하는 제1 소견의 제4 부분 집합을 제5 유효 소견으로 선택하는 단계; 및
상기 적어도 하나 이상의 프로세서가, 상기 제5 유효 소견을 상기 제1 유효 소견 내지 상기 제3 유효 소견과는 구분되는 시각화 요소를 동반하여 상기 사용자 인터페이스부를 경유하여 상기 사용자에게 제공하는 단계;
를 더 포함하는 의료 영상 판독 지원 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210097065A KR20220076283A (ko) | 2020-11-30 | 2021-07-23 | 병변 추적 검사에 기반하여 진단 보조 정보의 임계치를 조정하는 의료 영상 판독 지원 장치 및 방법 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200164594A KR102283673B1 (ko) | 2020-11-30 | 2020-11-30 | 병변 추적 검사에 기반하여 진단 보조 정보의 임계치를 조정하는 의료 영상 판독 지원 장치 및 방법 |
| KR1020210097065A KR20220076283A (ko) | 2020-11-30 | 2021-07-23 | 병변 추적 검사에 기반하여 진단 보조 정보의 임계치를 조정하는 의료 영상 판독 지원 장치 및 방법 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200164594A Division KR102283673B1 (ko) | 2020-11-30 | 2020-11-30 | 병변 추적 검사에 기반하여 진단 보조 정보의 임계치를 조정하는 의료 영상 판독 지원 장치 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20220076283A true KR20220076283A (ko) | 2022-06-08 |
Family
ID=77314359
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200164594A KR102283673B1 (ko) | 2020-11-30 | 2020-11-30 | 병변 추적 검사에 기반하여 진단 보조 정보의 임계치를 조정하는 의료 영상 판독 지원 장치 및 방법 |
| KR1020210097065A KR20220076283A (ko) | 2020-11-30 | 2021-07-23 | 병변 추적 검사에 기반하여 진단 보조 정보의 임계치를 조정하는 의료 영상 판독 지원 장치 및 방법 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200164594A KR102283673B1 (ko) | 2020-11-30 | 2020-11-30 | 병변 추적 검사에 기반하여 진단 보조 정보의 임계치를 조정하는 의료 영상 판독 지원 장치 및 방법 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US11915822B2 (ko) |
| KR (2) | KR102283673B1 (ko) |
| DE (1) | DE102021131242A1 (ko) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102505074B1 (ko) * | 2021-10-12 | 2023-03-02 | 주식회사 테스트웍스 | 계층형 출력을 이용한 영상 데이터 가공장치 및 방법 |
| US20230343455A1 (en) | 2022-04-26 | 2023-10-26 | Coreline Soft Co,, Ltd. | Medical image diagnosis assistant apparatus and method for generating and visualizing assistant information based on distributions of signal intensities in medical images |
| KR20230151865A (ko) | 2022-04-26 | 2023-11-02 | 주식회사 코어라인소프트 | 의료 영상에서 세기의 분포에 기반한 보조 정보를 생성하고 시각화하는 의료 영상 진단 보조 장치 및 방법 |
| EP4339963A1 (de) * | 2022-09-14 | 2024-03-20 | Siemens Healthineers AG | Technik zur sicherheitskontrolle eines medizinischen befunds |
| JP2024044921A (ja) * | 2022-09-21 | 2024-04-02 | 富士フイルム株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140091176A (ko) | 2013-01-10 | 2014-07-21 | 삼성전자주식회사 | 병변 진단 장치 및 방법 |
| KR101923962B1 (ko) | 2018-02-12 | 2018-11-30 | 주식회사 뷰노 | 의료 영상의 열람을 지원하는 방법 및 이를 이용한 장치 |
| KR101943011B1 (ko) | 2018-01-22 | 2019-01-28 | 주식회사 뷰노 | 피검체의 의료 영상 판독을 지원하는 방법 및 이를 이용한 장치 |
Family Cites Families (101)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2001291175A1 (en) * | 2000-09-21 | 2002-04-02 | Md Online Inc. | Medical image processing systems |
| US7459696B2 (en) * | 2003-04-18 | 2008-12-02 | Schomacker Kevin T | Methods and apparatus for calibrating spectral data |
| US7282723B2 (en) * | 2002-07-09 | 2007-10-16 | Medispectra, Inc. | Methods and apparatus for processing spectral data for use in tissue characterization |
| US7136518B2 (en) * | 2003-04-18 | 2006-11-14 | Medispectra, Inc. | Methods and apparatus for displaying diagnostic data |
| US7309867B2 (en) * | 2003-04-18 | 2007-12-18 | Medispectra, Inc. | Methods and apparatus for characterization of tissue samples |
| US7469160B2 (en) * | 2003-04-18 | 2008-12-23 | Banks Perry S | Methods and apparatus for evaluating image focus |
| US6937776B2 (en) * | 2003-01-31 | 2005-08-30 | University Of Chicago | Method, system, and computer program product for computer-aided detection of nodules with three dimensional shape enhancement filters |
| US7346382B2 (en) * | 2004-07-07 | 2008-03-18 | The Cleveland Clinic Foundation | Brain stimulation models, systems, devices, and methods |
| US7817835B2 (en) * | 2006-03-31 | 2010-10-19 | Siemens Medical Solutions Usa, Inc. | Cross reference measurement for diagnostic medical imaging |
| WO2008094511A2 (en) * | 2007-01-29 | 2008-08-07 | Bruce Reiner | Quality assurance scorecard for diagnostic medical agent administration |
| US8412544B2 (en) * | 2007-10-25 | 2013-04-02 | Bruce Reiner | Method and apparatus of determining a radiation dose quality index in medical imaging |
| US8180112B2 (en) * | 2008-01-21 | 2012-05-15 | Eastman Kodak Company | Enabling persistent recognition of individuals in images |
| WO2011146475A1 (en) * | 2010-05-17 | 2011-11-24 | Children's Hospital Los Angeles | Method and system for quantitative renal assessment |
| KR101241060B1 (ko) | 2011-03-29 | 2013-03-11 | 주식회사 인피니트헬스케어 | 의료 영상 정보 저장과 표시 방법 및 그 장치 |
| CA2828298A1 (en) * | 2011-03-29 | 2012-10-04 | Boston Scientific Neuromodulation Corporation | System and method for leadwire location |
| US8867822B2 (en) * | 2011-10-14 | 2014-10-21 | Fujifilm Corporation | Model-based coronary artery calcium scoring |
| US9235889B1 (en) | 2012-06-11 | 2016-01-12 | University Of Central Florida Research Foundation, Inc. | Systems, apparatus and methods for collecting and storing raw scan data and software for performing data processing, image reconstruction and interpretation |
| KR102070427B1 (ko) | 2012-08-08 | 2020-01-28 | 삼성전자주식회사 | 종양의 위치를 추적하는 방법 및 장치 |
| EP2934323A4 (en) * | 2012-12-21 | 2016-08-17 | Andrew Hancock | SYSTEM AND METHOD FOR MULTI-PASS PROCESSING OF IMAGE SIGNALS |
| US20150278726A1 (en) * | 2014-03-31 | 2015-10-01 | James Gelsin Marx | Systems and methods for workflow processing |
| US11087467B2 (en) * | 2014-05-12 | 2021-08-10 | Healthy.Io Ltd. | Systems and methods for urinalysis using a personal communications device |
| KR20160012758A (ko) * | 2014-07-25 | 2016-02-03 | 삼성전자주식회사 | 영상 진단 보조 장치 및 방법 |
| US9754371B2 (en) * | 2014-07-31 | 2017-09-05 | California Institute Of Technology | Multi modality brain mapping system (MBMS) using artificial intelligence and pattern recognition |
| US9401020B1 (en) * | 2015-05-01 | 2016-07-26 | London Health Science Centre Research Inc | Multi-modality vertebra recognition |
| JP2018520718A (ja) * | 2015-05-12 | 2018-08-02 | ナヴィックス インターナショナル リミテッドＮａｖｉｘ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｌｉｍｉｔｅｄ | 誘電特性分析による接触品質評価 |
| WO2017092615A1 (zh) * | 2015-11-30 | 2017-06-08 | 上海联影医疗科技有限公司 | 一种计算机辅助诊断系统及方法 |
| EP3433816A1 (en) * | 2016-03-22 | 2019-01-30 | URU, Inc. | Apparatus, systems, and methods for integrating digital media content into other digital media content |
| US20220164840A1 (en) * | 2016-04-01 | 2022-05-26 | OneTrust, LLC | Data processing systems and methods for integrating privacy information management systems with data loss prevention tools or other tools for privacy design |
| US20170337682A1 (en) * | 2016-05-18 | 2017-11-23 | Siemens Healthcare Gmbh | Method and System for Image Registration Using an Intelligent Artificial Agent |
| US11636171B2 (en) * | 2016-06-10 | 2023-04-25 | OneTrust, LLC | Data processing user interface monitoring systems and related methods |
| US11416798B2 (en) * | 2016-06-10 | 2022-08-16 | OneTrust, LLC | Data processing systems and methods for providing training in a vendor procurement process |
| AU2017281934B2 (en) * | 2016-06-24 | 2019-11-14 | Boston Scientific Neuromodulation Corporation | Systems and methods for visual analytics of clinical effects |
| US10074038B2 (en) | 2016-11-23 | 2018-09-11 | General Electric Company | Deep learning medical systems and methods for image reconstruction and quality evaluation |
| EP3382641A1 (en) * | 2017-03-30 | 2018-10-03 | Koninklijke Philips N.V. | Contrast injection imaging |
| WO2018180631A1 (ja) * | 2017-03-30 | 2018-10-04 | 富士フイルム株式会社 | 医療用画像処理装置及び内視鏡システム並びに医療用画像処理装置の作動方法 |
| KR101910822B1 (ko) | 2017-04-12 | 2018-10-24 | 고려대학교 산학협력단 | 복수의 의료 영상에서의 동일 병변 영역 추적 장치 및 방법 |
| CN110914865B (zh) * | 2017-05-18 | 2023-08-11 | 皇家飞利浦有限公司 | 时间心脏图像的卷积深度学习分析 |
| US20200085382A1 (en) * | 2017-05-30 | 2020-03-19 | Arterys Inc. | Automated lesion detection, segmentation, and longitudinal identification |
| JP7227168B2 (ja) * | 2017-06-19 | 2023-02-21 | モハメド・アール・マーフーズ | 蛍光透視法および追跡センサを使用する股関節の外科手術ナビゲーション |
| KR20190002960A (ko) | 2017-06-30 | 2019-01-09 | 연세대학교 산학협력단 | 신체인식을 이용한 작업 기반 ct 이미지 재구성 프로토콜 최적화 방법 |
| US11348269B1 (en) * | 2017-07-27 | 2022-05-31 | AI Incorporated | Method and apparatus for combining data to construct a floor plan |
| US10699410B2 (en) * | 2017-08-17 | 2020-06-30 | Siemes Healthcare GmbH | Automatic change detection in medical images |
| EP3467840A1 (en) | 2017-10-05 | 2019-04-10 | Siemens Healthcare GmbH | Method for setting a medical imaging protocol, system for setting a medical instrument, computer program and computer-readable medium |
| EP3714461A1 (en) * | 2017-11-22 | 2020-09-30 | General Electric Company | Multi-modal computer-aided diagnosis systems and methods for prostate cancer |
| US11551353B2 (en) * | 2017-11-22 | 2023-01-10 | Arterys Inc. | Content based image retrieval for lesion analysis |
| EP3493151A1 (en) * | 2017-11-29 | 2019-06-05 | Koninklijke Philips N.V. | Combination of temporally resolved angiographic images with a spatially resolved angiographic image |
| CA3085617A1 (en) * | 2017-12-14 | 2019-06-20 | April KHADEMI | Method and system for standardized processing of mr images |
| US11576677B2 (en) * | 2017-12-28 | 2023-02-14 | Cilag Gmbh International | Method of hub communication, processing, display, and cloud analytics |
| US11844579B2 (en) * | 2017-12-28 | 2023-12-19 | Cilag Gmbh International | Adjustments based on airborne particle properties |
| US20230190390A1 (en) * | 2017-12-28 | 2023-06-22 | Cilag Gmbh International | Adjustment of a surgical device function based on situational awareness |
| WO2019135234A1 (en) * | 2018-01-03 | 2019-07-11 | Ramot At Tel-Aviv University Ltd. | Systems and methods for the segmentation of multi-modal image data |
| US10973486B2 (en) * | 2018-01-08 | 2021-04-13 | Progenics Pharmaceuticals, Inc. | Systems and methods for rapid neural network-based image segmentation and radiopharmaceutical uptake determination |
| US20200342600A1 (en) * | 2018-01-08 | 2020-10-29 | Progenics Pharmaceuticals, Inc. | Systems and methods for rapid neural network-based image segmentation and radiopharmaceutical uptake determination |
| KR102001398B1 (ko) * | 2018-01-25 | 2019-07-18 | 재단법인 아산사회복지재단 | 기계학습을 통한 뇌질환 상태변화 예측방법, 장치 및 프로그램 |
| WO2019148154A1 (en) * | 2018-01-29 | 2019-08-01 | Lang Philipp K | Augmented reality guidance for orthopedic and other surgical procedures |
| EP4361947A2 (en) * | 2018-03-23 | 2024-05-01 | Memorial Sloan-Kettering Cancer Center | Systems and methods for multiple instance learning for classification and localization in biomedical imagining |
| US10672153B2 (en) | 2018-04-23 | 2020-06-02 | Elekta Ab (Publ) | Posterior image sampling using statistical learning model |
| EP3784112A4 (en) * | 2018-04-26 | 2022-01-12 | Voxeleron LLC | METHODS AND SYSTEM FOR DISEASE ANALYSIS AND INTERPRETATION |
| US10859657B2 (en) | 2018-05-31 | 2020-12-08 | The Board Of Trustees Of The Leland Stanford Junior University | MRI reconstruction using deep learning, generative adversarial network and acquisition signal model |
| US11344374B2 (en) * | 2018-08-13 | 2022-05-31 | Verily Life Sciences Llc | Detection of unintentional movement of a user interface device |
| EP3621028B1 (en) * | 2018-09-07 | 2021-10-06 | 3mensio Medical Imaging B.V. | Method, device and system for dynamic analysis from sequences of volumetric images |
| EP3858223B1 (en) * | 2018-09-26 | 2024-04-24 | FUJIFILM Corporation | Medical image processing device, endoscope system, and operation method for medical image processing device |
| US11227390B2 (en) * | 2018-09-26 | 2022-01-18 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for image processing |
| JP7476800B2 (ja) * | 2018-12-13 | 2024-05-01 | ソニーグループ株式会社 | 医療支援システム、医療支援装置及び医療支援方法 |
| US11676719B2 (en) * | 2018-12-20 | 2023-06-13 | Oregon Health & Science University | Subtyping heterogeneous disorders using functional random forest models |
| US11250944B2 (en) * | 2019-01-02 | 2022-02-15 | Healthy.Io Ltd. | Uniquely coded color boards for analyzing images |
| US10733745B2 (en) * | 2019-01-07 | 2020-08-04 | The University Of North Carolina At Chapel Hill | Methods, systems, and computer readable media for deriving a three-dimensional (3D) textured surface from endoscopic video |
| CN113272859A (zh) * | 2019-01-07 | 2021-08-17 | 西尼诊断公司 | 用于平台中立性全身图像分段的系统及方法 |
| EP3908193B1 (en) * | 2019-01-11 | 2023-11-15 | Mayo Foundation for Medical Education and Research | Methods for microvessel ultrasound imaging |
| US10905337B2 (en) * | 2019-02-26 | 2021-02-02 | Bao Tran | Hearing and monitoring system |
| US11176428B2 (en) | 2019-04-01 | 2021-11-16 | Canon Medical Systems Corporation | Apparatus and method for sinogram restoration in computed tomography (CT) using adaptive filtering with deep learning (DL) |
| JP2022530039A (ja) * | 2019-04-24 | 2022-06-27 | プロジェニクス ファーマシューティカルズ， インコーポレイテッド | 転移を検出するための骨スキャン画像の自動化された対話型の分析のためのシステムおよび方法 |
| WO2020261179A1 (en) * | 2019-06-25 | 2020-12-30 | Owkin Inc. | Systems and methods for mesothelioma feature detection and enhanced prognosis or response to treatment |
| US11705226B2 (en) * | 2019-09-19 | 2023-07-18 | Tempus Labs, Inc. | Data based cancer research and treatment systems and methods |
| EP3973539A1 (en) * | 2019-07-31 | 2022-03-30 | Google LLC | System and method for interpretation of multiple medical images using deep learning |
| EP3786881A1 (en) * | 2019-08-29 | 2021-03-03 | Koninklijke Philips N.V. | Image processing for stroke characterization |
| EP3799065A1 (en) * | 2019-09-26 | 2021-03-31 | Siemens Healthcare GmbH | Method for operating a medical imaging apparatus, medical imaging apparatus, computer program and electronically readable storage medium |
| US11564621B2 (en) * | 2019-09-27 | 2023-01-31 | Progenies Pharmacenticals, Inc. | Systems and methods for artificial intelligence-based image analysis for cancer assessment |
| US11288806B2 (en) * | 2019-09-30 | 2022-03-29 | Siemens Healthcare Gmbh | Protocol-aware tissue segmentation in medical imaging |
| US11257240B2 (en) * | 2019-10-29 | 2022-02-22 | International Business Machines Corporation | Accelerated object labeling using prior geometric knowledge |
| US20230226696A1 (en) * | 2019-11-01 | 2023-07-20 | The Board Of Trustees Of The Leland Stanford Junior University | Methods and Systems to Remotely Operate Robotic Devices |
| US11969280B2 (en) * | 2020-01-07 | 2024-04-30 | Cleerly, Inc. | Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking |
| AU2021205821A1 (en) * | 2020-01-07 | 2022-07-21 | Cleerly, Inc. | Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking |
| CN115362470A (zh) * | 2020-01-17 | 2022-11-18 | 强生企业创新公司 | 用于预测未来肺癌的风险的系统和方法 |
| US11227683B2 (en) * | 2020-01-23 | 2022-01-18 | GE Precision Healthcare LLC | Methods and systems for characterizing anatomical features in medical images |
| US11321844B2 (en) * | 2020-04-23 | 2022-05-03 | Exini Diagnostics Ab | Systems and methods for deep-learning-based segmentation of composite images |
| US11386988B2 (en) * | 2020-04-23 | 2022-07-12 | Exini Diagnostics Ab | Systems and methods for deep-learning-based segmentation of composite images |
| US11546690B2 (en) * | 2020-04-27 | 2023-01-03 | Orcam Technologies Ltd. | Processing audio and video |
| US20230157756A1 (en) * | 2020-05-04 | 2023-05-25 | Howmedica Osteonics Corp. | Surgical system for revision orthopedic surgical procedures |
| US11665284B2 (en) * | 2020-06-20 | 2023-05-30 | Science House LLC | Systems, methods, and apparatus for virtual meetings |
| US20230298306A1 (en) * | 2020-09-02 | 2023-09-21 | Given Imaging Ltd. | Systems and methods for comparing images of event indicators |
| US10937542B1 (en) * | 2020-09-18 | 2021-03-02 | Vent Creativity Corporation | Patient specific treatment planning |
| AU2021401039A1 (en) * | 2020-12-16 | 2023-07-13 | Memorial Sloan Kettering Cancer Center | Detection of annotated regions of interest in images |
| US11790528B2 (en) * | 2021-02-02 | 2023-10-17 | Ping An Technology (Shenzhen) Co., Ltd. | Preoperative survival prediction method based on enhanced medical images and computing device using thereof |
| CA3211922A1 (en) * | 2021-04-16 | 2022-10-20 | Miguel Rodrigo Bort | Personalized heart rhythm therapy |
| US11537952B2 (en) * | 2021-04-28 | 2022-12-27 | Avicenna.Ai | Methods and systems for monitoring distributed data-driven models |
| CN113743814A (zh) * | 2021-09-13 | 2021-12-03 | 上海联影医疗科技股份有限公司 | 医学影像质量评价和处理方法、装置、设备和介质 |
| US20230097224A1 (en) * | 2021-09-28 | 2023-03-30 | Varian Medical Systems, Inc. | Ai-based atlas mapping slice localizer for deep learning autosegmentation |
| WO2023057411A1 (en) * | 2021-10-08 | 2023-04-13 | Exini Diagnostics Ab | Systems and methods for automated identification and classification of lesions in local lymph and distant metastases |
| EP4235566A1 (en) * | 2022-02-25 | 2023-08-30 | Siemens Healthcare GmbH | Method and system for determining a change of an anatomical abnormality depicted in medical image data |
| US20230343455A1 (en) * | 2022-04-26 | 2023-10-26 | Coreline Soft Co,, Ltd. | Medical image diagnosis assistant apparatus and method for generating and visualizing assistant information based on distributions of signal intensities in medical images |
-
2020
- 2020-11-30 KR KR1020200164594A patent/KR102283673B1/ko active IP Right Grant
-
2021
- 2021-07-23 KR KR1020210097065A patent/KR20220076283A/ko unknown
- 2021-11-29 DE DE102021131242.6A patent/DE102021131242A1/de active Pending
- 2021-11-30 US US17/538,627 patent/US11915822B2/en active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140091176A (ko) | 2013-01-10 | 2014-07-21 | 삼성전자주식회사 | 병변 진단 장치 및 방법 |
| KR101943011B1 (ko) | 2018-01-22 | 2019-01-28 | 주식회사 뷰노 | 피검체의 의료 영상 판독을 지원하는 방법 및 이를 이용한 장치 |
| KR101923962B1 (ko) | 2018-02-12 | 2018-11-30 | 주식회사 뷰노 | 의료 영상의 열람을 지원하는 방법 및 이를 이용한 장치 |
Non-Patent Citations (1)
| Title |
|---|
| 미국등록특허 US 9,773,305호 "Lesion diagnosis apparatus and method" (2017.09.26) |
Also Published As
| Publication number | Publication date |
|---|---|
| US11915822B2 (en) | 2024-02-27 |
| DE102021131242A1 (de) | 2022-06-02 |
| KR102283673B1 (ko) | 2021-08-03 |
| US20220172826A1 (en) | 2022-06-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102283673B1 (ko) | 병변 추적 검사에 기반하여 진단 보조 정보의 임계치를 조정하는 의료 영상 판독 지원 장치 및 방법 | |
| US20180137942A1 (en) | Diagnosis support apparatus, method of controlling diagnosis support apparatus, and program therefor | |
| US7869640B2 (en) | Medical image processing apparatus and medical image processing method | |
| US7978897B2 (en) | Computer-aided image diagnostic processing device and computer-aided image diagnostic processing program product | |
| WO2021126370A1 (en) | Automated tumor identification and segmentation with medical images | |
| WO2004049948A1 (ja) | コンピュータ支援診断装置 | |
| KR102382872B1 (ko) | 의료용 인공 신경망 기반 대표 영상을 제공하는 의료 영상 판독 지원 장치 및 방법 | |
| US20230154620A1 (en) | Apparatus and method for assisting reading of chest medical images | |
| TW200817956A (en) | Clinician-driven example-based computer-aided diagnosis | |
| US20210202072A1 (en) | Medical image diagnosis assistance apparatus and method for providing user-preferred style based on medical artificial neural network | |
| JP5456132B2 (ja) | 診断支援装置、診断支援装置の制御方法、およびそのプログラム | |
| KR20230097646A (ko) | 위장 질환 및 위암 검출률 향상을 위한 인공 지능 기반 위 내시경 영상 진단 보조 시스템 및 방법 | |
| Parascandolo et al. | Computer aided diagnosis: state-of-the-art and application to musculoskeletal diseases | |
| US20230343455A1 (en) | Medical image diagnosis assistant apparatus and method for generating and visualizing assistant information based on distributions of signal intensities in medical images | |
| Giv et al. | Lung segmentation using active shape model to detect the disease from chest radiography | |
| Zhou et al. | Variabilities in reference standard by radiologists and performance assessment in detection of pulmonary embolism in CT pulmonary angiography | |
| US20210035687A1 (en) | Medical image reading assistant apparatus and method providing hanging protocols based on medical use artificial neural network | |
| KR102337031B1 (ko) | 복수의 폐질환을 스크리닝하기 위한 의료 영상 재구성 장치 및 방법 | |
| KR102360615B1 (ko) | 내시경 영상에 대한 복수의 의료 영상 판독 알고리듬들을 이용하는 의료 영상 판독 지원 장치 및 방법 | |
| CN111265234A (zh) | 一种肺部纵膈淋巴结的性质判定方法及系统 | |
| KR20230151865A (ko) | 의료 영상에서 세기의 분포에 기반한 보조 정보를 생성하고 시각화하는 의료 영상 진단 보조 장치 및 방법 | |
| EP4111942A1 (en) | Methods and systems for identifying slices in medical image data sets | |
| Liu et al. | Hierarchical classification of early microscopic lung nodule based on cascade network | |
| Nalepa | AIM and Brain Tumors | |
| CN116504406A (zh) | 基于影像组合病理的肺癌术后风险模型构建方法和系统 |