KR20220078495A - 캡슐 내시경 영상 기반 소장 병변 판독 방법, 장치 및 프로그램 - Google Patents

캡슐 내시경 영상 기반 소장 병변 판독 방법, 장치 및 프로그램 Download PDF

Info

Publication number
KR20220078495A
KR20220078495A KR1020210168194A KR20210168194A KR20220078495A KR 20220078495 A KR20220078495 A KR 20220078495A KR 1020210168194 A KR1020210168194 A KR 1020210168194A KR 20210168194 A KR20210168194 A KR 20210168194A KR 20220078495 A KR20220078495 A KR 20220078495A
Authority
KR
South Korea
Prior art keywords
small intestine
image data
lesion
reading
stomach
Prior art date
Application number
KR1020210168194A
Other languages
English (en)
Inventor
이종혁
이연주
Original Assignee
주식회사 서르
부산대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 서르, 부산대학교 산학협력단 filed Critical 주식회사 서르
Priority to PCT/KR2021/018171 priority Critical patent/WO2022119364A1/ko
Publication of KR20220078495A publication Critical patent/KR20220078495A/ko

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
    • A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
    • A61B1/04—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor combined with photographic or television appliances
    • A61B1/041—Capsule endoscopes for imaging
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • 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
    • 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
    • G16H50/70—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)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biomedical Technology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Surgery (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Optics & Photonics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Endoscopes (AREA)
  • Image Analysis (AREA)

Abstract

캡슐 내시경으로부터 획득한 영상 데이터를 기반으로 소장 병변을 판독할 수 있는 캡슐 내시경 영상 기반 소장 병변 판독 방법, 장치 및 프로그램에 관한 것으로, 캡슐 내시경 영상 데이터를 획득하는 단계, 상기 캡슐 내시경 영상 데이터를 사전 학습한 제1 뉴럴 네트워크 모델에 입력하여 위와 소장의 제1 이행부와 소장과 대장의 제2 이행부를 식별하는 단계, 상기 캡슐 내시경 영상 데이터로부터 상기 식별한 제1 이행부와 제2 이행부 사이의 소장 영상 데이터를 분할하여 전처리하는 단계, 상기 전처리한 소장 영상 데이터를 사전 학습한 제2 뉴럴 네트워크 모델에 입력하여 소장 병변을 판독하는 단계, 및 상기 판독한 소장 병변 상태에 기반하여 상기 소장 영상 데이터에 대한 결과 정보를 생성하는 단계를 포함하는 것을 특징으로 한다.

Description

캡슐 내시경 영상 기반 소장 병변 판독 방법, 장치 및 프로그램{METHOD, APPARATUS AND PROGRAM TO READ LESION OF SMALL INTESTINE BASED ON CAPSULE ENDOSCOPY IMAGE}
본 발명은 소장 병변 판독 방법에 관한 것으로, 보다 구체적으로 캡슐 내시경으로부터 획득한 영상 데이터를 기반으로 소장 병변을 판독할 수 있는 캡슐 내시경 영상 기반 소장 병변 판독 방법, 장치 및 프로그램에 관한 것이다.
최근 들어, 인체 내 소화기관들을 검사하기 위해서 캡슐 내시경을 사용하는 케이스가 증가하고 있다.
이러한 캡슐 내시경은, 기존의 내시경과 다르게 환자가 캡슐을 삼키면 위장, 소장, 대장 등과 같은 기관을 통과하면서 영상을 촬영하기 때문에 환자에게 내시경에 대한 거부감이 없다는 장점이 있다.
하지만, 캡슐이 내시경 영상을 촬영하는 시간이 약 10여시간에 달하고, 이러한 시간동안 촬영되는 영상의 프레임이 몇 만개에 달한다는 점 때문에, 캡슐 내시경 영상을 확인하여 환자를 진단하는 의료진의 입장에서는 소장의 병변을 정확하게 진단하기가 쉽지 않은 문제가 있었다.
이러한 문제점을 해결하기 위해서, 캡슐 내시경 영상으로부터 직접 판독을 수행할 수 있는 인공지능 모델을 이용하기도 하였지만, 이러한 방법은, 데이터 수가 부족하거나 부적절하게 수집된 데이터로 인한 과적합 문제가 발생할 수 있으며, 인공지능 모델이 어떠한 부분을 보고 판정했는지 확인이 불가능하여 활용도가 떨어질 수 있다.
따라서, 향후, 캡슐 내시경 영상을 기반으로 하는 의사들의 소장 병변 진단을 보조하기 위해 인공지능 모델을 이용한 소장 병변 판독 방법의 개발이 요구되고 있다.
대한민국 공개특허 2009-0099446호 (2009. 09. 22)
상술한 바와 같은 문제점을 해결하기 위한 본 발명의 일 목적은, 캡슐 내시경 영상 데이터로부터 위와 소장의 제1 이행부와 소장과 대장의 제2 이행부를 식별하여 소장 영상 데이터를 분할하고, 전처리한 소장 영상 데이터를 사전 학습한 뉴럴 네트워크 모델에 입력하여 소장 병변을 판독함으로써, 최소 시간으로 소장 병변 판독에 대한 정확도를 높일 수 있는 소장 병변 판독 방법, 장치 및 프로그램을 제공하는 것이다.
본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 과제를 해결하기 위한 본 발명의 일 실시예에 따른 컴퓨팅 장치에 의해 수행되는 소장 병변 판독 방법은, 캡슐 내시경 영상 데이터를 획득하는 단계; 상기 캡슐 내시경 영상 데이터를 사전 학습한 제1 뉴럴 네트워크 모델에 입력하여 위와 소장의 제1 이행부와 소장과 대장의 제2 이행부를 식별하는 단계; 상기 캡슐 내시경 영상 데이터로부터 상기 식별한 제1 이행부와 제2 이행부 사이의 소장 영상 데이터를 분할하여 전처리하는 단계; 상기 전처리한 소장 영상 데이터를 사전 학습한 제2 뉴럴 네트워크 모델에 입력하여 소장 병변을 판독하는 단계; 및 상기 판독한 소장 병변 상태에 기반하여 상기 소장 영상 데이터에 대한 결과 정보를 생성하는 단계를 포함할 수 있다.
실시 예에 있어서, 상기 식별 단계는, 상기 위와 소장의 제1 이행부를 식별할 때, 점막 표면 모양 변화에 상응하는 제1 조건, 상기 제1 이행부의 구조적 특징에 상응하는 제2 조건, 점막의 색상 변화에 상응하는 제3 조건 중 적어도 2개 이상의 조합 조건에 만족하면 상기 위와 소장의 제1 이행부로 인지하는 것을 특징으로 한다.
실시 예에 있어서, 상기 전처리 단계는, 상기 캡슐 내시경 영상 데이터로부터 상기 식별한 제1 이행부와 제2 이행부를 기반으로 소장 영상 데이터를 분할하고, 상기 소장 영상 데이터의 점막 영역 비율을 정량화하는 것을 특징으로 한다.
실시 예에 있어서, 상기 전처리 단계는, 상기 영상 비율을 정량화할 때, 캡슐 내시경의 촬영 조건을 기반으로 상기 소장 영상 데이터의 프레임 단위에서 보이는 점막 영역 비율과 동영상에서 보이는 점막 영역 비율에 가중치를 적용하여 정량화하는 것을 특징으로 한다.
실시 예에 있어서, 상기 캡슐 내시경의 촬영 조건은, 상기 캡슐 내시경의 진행 속도와 상기 캡슐 내시경의 촬영 속도 중 적어도 어느 하나를 포함하는 것을 특징으로 한다.
실시 예에 있어서, 상기 판독 단계는, 상기 소장 병변을 판독할 때, 상기 소장 영상 데이터 중 상기 소장 병변이 나타나는 영역이면 영상 재생 속도를 기준 속도로 재생하여 소장 병변을 판독하고, 상기 소장 병변이 나타나지 않는 영역이면 상기 영상 재생 속도를 상기 기준 속도보다 더 빠르게 재생하여 소장 병변을 판독하는 것을 특징으로 한다.
실시 예에 있어서, 상기 생성 단계는, 상기 판독한 소장 병변 상태에 기반하여 소장 병변 판독 결과를 시각화하는 결과 정보를 생성하는 것을 특징으로 한다. 이때, 상기 소장 병변 판독 결과를 시각화하는 결과 정보를 생성할 때,
Figure pat00001
(여기서, VS는 시각화 스케일, M은 캡슐 내시경 영상 데이터의 전체 프레임 수, size(이미지)는 이미지의 픽셀 크기, Ci는 클린 영역 픽셀 세트, Di는 다크 영역 픽셀 세트, Fi는 부유물/거품 영역 픽셀 세트임)으로 이루어지는 수식에 의해 상기 소장 병변 판독 결과를 시각화하는 결과 정보를 생성하는 것을 특징으로 한다.
한편, 본 발명의 일 실시예에 따른 컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램은, 하나 이상의 프로세서에서 실행되는 경우, 소장 병변 판독을 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은, 캡슐 내시경 영상 데이터를 획득하는 동작, 상기 캡슐 내시경 영상 데이터를 사전 학습한 제1 뉴럴 네트워크 모델에 입력하여 위와 소장의 제1 이행부와 소장과 대장의 제2 이행부를 식별하는 동작, 상기 캡슐 내시경 영상 데이터로부터 상기 식별한 제1 이행부와 제2 이행부 사이의 소장 영상 데이터를 분할하여 전처리하는 동작, 상기 전처리한 소장 영상 데이터를 사전 학습한 제2 뉴럴 네트워크 모델에 입력하여 소장 병변을 판독하는 동작, 및 상기 판독한 소장 병변 상태에 기반하여 상기 소장 영상 데이터에 대한 결과 정보를 생성하는 동작을 포함하는 것을 특징으로 한다.
또한, 본 발명 일 실시예에 따른 컴퓨팅 장치는, 소장 병변 판독 방법을 제공하기 위한 컴퓨팅 장치로서, 하나 이상의 코어를 포함하는 프로세서, 및 메모리를 포함하고, 상기 프로세서는, 캡슐 내시경 영상 데이터를 획득하고, 상기 캡슐 내시경 영상 데이터를 사전 학습한 제1 뉴럴 네트워크 모델에 입력하여 위와 소장의 제1 이행부와 소장과 대장의 제2 이행부를 식별하며, 상기 캡슐 내시경 영상 데이터로부터 상기 식별한 제1 이행부와 제2 이행부 사이의 소장 영상 데이터를 분할하여 전처리하고, 상기 전처리한 소장 영상 데이터를 사전 학습한 제2 뉴럴 네트워크 모델에 입력하여 소장 병변을 판독하며, 그리고 상기 판독한 소장 병변 상태에 기반하여 상기 소장 영상 데이터에 대한 결과 정보를 생성하는 것을 특징으로 한다.
상술한 과제를 해결하기 위한 본 발명의 다른 실시 예에 따른 소장 병변 판독 방법을 제공하는 컴퓨터 프로그램은, 하드웨어인 컴퓨터와 결합되어 상술한 방법 중 어느 하나의 방법을 수행하기 위해 매체에 저장된다.
이 외에도, 본 발명을 구현하기 위한 다른 방법, 다른 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 컴퓨터 판독 가능한 기록 매체가 더 제공될 수 있다.
상기와 같이 본 발명에 따르면, 캡슐 내시경 영상 데이터으로부터 위와 소장의 제1 이행부와 소장과 대장의 제2 이행부를 식별하여 소장 영상 데이터를 분할하고, 전처리한 소장 영상 데이터를 사전 학습한 뉴럴 네트워크 모델에 입력하여 소장 병변을 판독함으로써, 최소 시간으로 소장 병변 판독에 대한 정확도를 높일 수 있다.
본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은, 본 발명의 일 실시예에 따라, 소장 병변 판독 방법을 제공하기 위한 동작을 수행하는 컴퓨팅 장치의 블록 구성도를 도시한 도면이다.
도 2 및 도 3은, 캡슐 내시경 영상 데이터로부터 위와 소장의 이행부를 식별하는 과정을 설명하기 위한 도면이다.
도 4는, 캡슐 내시경 전체 영상 내에서 위장과 소장의 경계영역, 소장과 대장의 경계영역을 각각 예시한 도면이다.
도 5 및 도 6은, 부유물 및 거품을 갖는 소장 영상의 점막 영역을 통해 소장 병변을 판독하는 과정을 설명하기 위한 도면이다.
도 7은, 본 발명의 일 실시예에 따라, 소장 병변 판독을 시각화한 결과 정보를 보여주는 도면이다.
도 8은, 본 발명의 일 실시예에 따라, 소장 병변 판독 방법을 설명하기 위한 흐름도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.
설명에 앞서 본 명세서에서 사용하는 용어의 의미를 간략히 설명한다. 그렇지만 용어의 설명은 본 명세서의 이해를 돕기 위한 것이므로, 명시적으로 본 발명을 한정하는 사항으로 기재하지 않은 경우에 본 발명의 기술적 사상을 한정하는 의미로 사용하는 것이 아님을 주의해야 한다.
본 명세서에서 신경망, 인공 신경망, 네트워크 함수는 종종 상호 교환 가능하게 사용될 수 있다.
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), 캡슐 내시경 영상, 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, 캡슐 내시경, 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.
또한, 본 명세서에 걸쳐, 뉴럴 네트워크(neural network), 신경망 네트워크, 네트워크 함수는, 동일한 의미로 사용될 수 있다. 뉴럴 네트워크는, 일반적으로 “노드”라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 “노드”들은, “뉴런(neuron)”들로 지칭될 수도 있다. 뉴럴 네트워크는, 적어도 둘 이상의 노드들을 포함하여 구성된다. 뉴럴 네트워크들을 구성하는 노드(또는 뉴런)들은 하나 이상의 “링크”에 의해 상호 연결될 수 있다.
도 1은, 본 발명의 일 실시예에 따라, 소장 병변 판독 방법을 제공하기 위한 동작을 수행하는 컴퓨팅 장치의 블록 구성도를 도시한 도면이다.
도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화하여 나타낸 예시일 뿐이다. 본 발명의 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.
본 발명에서, 프로세서(110)는, 캡슐 내시경 영상 데이터를 획득하고, 캡슐 내시경 영상 데이터를 사전 학습한 제1 뉴럴 네트워크 모델에 입력하여 위와 소장의 제1 이행부와 소장과 대장의 제2 이행부를 식별하며, 캡슐 내시경 영상 데이터로부터 식별한 제1 이행부와 제2 이행부 사이의 소장 영상 데이터를 분할하여 전처리하고, 전처리한 소장 영상 데이터를 사전 학습한 제2 뉴럴 네트워크 모델에 입력하여 소장 병변을 판독하며, 그리고 판독한 소장 병변 상태에 기반하여 소장 영상 데이터에 대한 결과 정보를 생성할 수 있다.
여기서, 캡슐 내시경 영상 데이터는, 인체 내부의 구강, 식도, 위, 소장 및 대장 영상 데이터를 포함할 수 있다.
이어, 프로세서(110)는, 캡슐 내시경 영상 데이터의 첫 번째 프레임에서 후방 프레임 방향 순서로 판독하여 위와 소장의 제1 이행부를 식별하고, 캡슐 내시경 영상 데이터의 마지막 프레임에서 전방 프레임 방향으로 판독하여 소장과 대장의 제2 이행부를 식별할 수 있다.
일 예로, 프로세서(110)는, 위와 소장의 제1 이행부를 식별할 때, 점막 표면 모양 변화를 기반으로 위와 소장의 제1 이행부를 식별할 수 있다.
여기서, 프로세서(110)는, 위와 소장의 제1 이행부를 식별할 때, 현재 판독 데이터의 점막 표면 모양의 거칠기가 높아지면 위와 소장의 제1 이행부로 인지할 수 있다.
즉, 프로세서(110)는, 위와 소장의 제1 이행부를 식별할 때, 현재 판독 데이터의 점막 표면 모양이 매끄러운 모양이면 위 영역으로 인지하고, 현재 판독 데이터의 점막 표면 모양이 융단 모양이면 소장 영역으로 인지할 수 있다.
다른 일 예로, 프로세서(110)는, 위와 소장의 제1 이행부를 식별할 때, 제1 이행부의 구조적 특징을 기반으로 위와 소장의 제1 이행부를 식별할 수도 있다.
여기서, 프로세서(110)는, 위와 소장의 제1 이행부를 식별할 때, 현재 판독 데이터가 유문 형상의 특징적 구조를 가지면 위와 소장의 제1 이행부로 인지할 수 있다.
또 다른 일 예로, 프로세서(110)는, 위와 소장의 제1 이행부를 식별할 때, 점막의 색상 변화를 기반으로 위와 소장의 제1 이행부를 식별할 수도 있다.
여기서, 프로세서(110)는, 위와 소장의 제1 이행부를 식별할 때, 현재 판독 데이터의 점막 색상이 특정 컬러로 변화되면 위와 소장의 제1 이행부를 식별할 수 있다.
즉, 프로세서(110)는, 위와 소장의 제1 이행부를 식별할 때, 현재 판독 데이터의 점막 색상이 황색으로 변화되면 위와 소장의 제1 이행부를 식별할 수 있다.
또한, 프로세서(110)는, 위와 소장의 제1 이행부를 식별할 때, 점막 표면 모양 변화에 상응하는 제1 조건, 제1 이행부의 구조적 특징에 상응하는 제2 조건, 점막의 색상 변화에 상응하는 제3 조건 중 적어도 2개 이상의 조합 조건에 만족하면 위와 소장의 제1 이행부로 인지할 수도 있다.
또한, 프로세서(110)는, 소장과 대장의 제2 이행부를 식별할 때, 직경 크기 변화를 기반으로 소장과 대장의 제2 이행부를 식별할 수도 있다.
여기서, 프로세서(110)는, 소장과 대장의 제2 이행부를 식별할 때, 현재 판독 데이터의 직경 크기가 감소하는 변화가 나타나면 소장과 대장의 제2 이행부로 인지할 수 있다.
다음, 프로세서(110)는, 캡슐 내시경 영상 데이터로부터 식별한 제1 이행부와 제2 이행부를 기반으로 소장 영상 데이터를 분할하고, 소장 영상 데이터의 점막 영역 비율을 정량화할 수 있다.
여기서, 프로세서(110)는, 영상 비율을 정량화할 때, 캡슐 내시경의 촬영 조건을 기반으로 소장 영상 데이터의 프레임 단위에서 보이는 점막 영역 비율과 동영상에서 보이는 점막 영역 비율에 가중치를 적용하여 정량화할 수 있다.
일 예로, 캡슐 내시경의 촬영 조건은, 캡슐 내시경의 진행 속도와 캡슐 내시경의 촬영 속도 중 적어도 어느 하나를 포함할 수 있는데, 이는 일 실시예일 뿐, 이에 한정되지 않는다.
즉, 프로세서(110)는, 캡슐 내시경의 진행 속도가 느리게 이동하여 촬영된 여러 장의 영상 프레임들에 낮은 가중치를 부여하고, 캡슐 내시경의 진행 속도가 빠르게 이동하여 촬영된 영상 프레임들에 높은 가중치를 부여하여 실제 동일한 속도로 이동하여 촬영된 영상과 유사하게 보정할 수 있다.
또한, 프로세서(110)는, 영상 비율을 정량화할 때, 소장 영상 데이터와 캡슐 내시경의 영상 촬영 정보를 사전 학습한 제3 뉴럴 네트워크 모델에 입력하여 소장 영상 데이터의 점막 영역 비율을 정량화할 수 있다.
이어, 프로세서(110)는, 소장 병변을 판독할 때, 소장 영상 데이터 중 소장 병변이 나타나는 영역이면 영상 재생 속도를 기준 속도로 재생하여 소장 병변을 판독하고, 소장 병변이 나타나지 않는 영역이면 영상 재생 속도를 기준 속도보다 더 빠르게 재생하여 소장 병변을 판독할 수 있다.
여기서, 프로세서(110)는, 소장 병변을 판독할 때, 소장 영상 데이터 중 소장 병변이 나타날 확률이 높은 영역이면 영상 재생 속도를 기준 속도로 재생하여 소장 병변을 판독하고, 소장 병변이 나타나지 않을 확률이 높은 영역이면 영상 재생 속도를 기준 속도보다 더 빠르게 재생하여 소장 병변을 판독할 수 있다.
그리고, 프로세서(110)는, 판독한 소장 병변 상태에 기반하여 소장 병변 판독 결과를 시각화하는 결과 정보를 생성할 수 있다.
여기서, 프로세서(110)는, 소장 병변 판독 결과를 시각화하는 결과 정보를 생성할 때,
Figure pat00002
(여기서, VS는 시각화 스케일, M은 캡슐 내시경 영상 데이터의 전체 프레임 수, size(이미지)는 이미지의 픽셀 크기, Ci는 클린 영역 픽셀 세트, Di는 다크 영역 픽셀 세트, Fi는 부유물/거품 영역 픽셀 세트임)으로 이루어지는 수식에 의해 상기 소장 병변 판독 결과를 시각화하는 결과 정보를 생성할 수 있다.
또한, 프로세서(110)는, 판독한 소장 병변 상태에 기반하여 소장 병변에 대한 클래스를 분류하고, 분류한 클래스에 상응하여 소장 병변 판독 결과를 시각화하는 결과 정보를 생성할 수 잇다.
여기서, 프로세서(110)는, 소장 병변 판독 결과를 시각화하는 결과 정보를 생성할 때,
Figure pat00003
(여기서, VS는 시각화 스케일, M은 캡슐 내시경 영상 데이터의 전체 프레임 수, size(이미지)는 이미지의 픽셀 크기, Ci는 클린 영역 픽셀 세트, Di는 다크 영역 픽셀 세트, Fi는 부유물/거품 영역 픽셀 세트임)으로 이루어지는 수식에 의해 상기 소장 병변 판독 결과를 시각화하는 결과 정보를 생성할 수 있다.
또한, 전술한 뉴럴 네트워크 모델은, 딥 뉴럴 네트워크일 수 있다. 본 명세서에 걸쳐, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 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 컨벌루셔널 뉴럴 네트워크 (CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다.
컨벌루셔널 뉴럴 네트워크는, 딥 뉴럴 네트워크의 일종으로서, 컨벌루셔널 레이어를 포함하는 신경망을 포함한다. 컨벌루셔널 뉴럴 네트워크는, 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. CNN은, 하나 또는 여러 개의 컨벌루셔널 레이어와 이와 결합된 인공 신경망 계층들로 구성될 수 있다. CNN은, 가중치와 풀링 레이어(pooling layer)들을 추가로 활용할 수 있다. 이러한 구조 덕분에 CNN은, 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 컨벌루셔널 뉴럴 네트워크는, 이미지에서 오브젝트를 인식하기 위하여 사용될 수 있다. 컨벌루셔널 뉴럴 네트워크는, 이미지 데이터를 차원을 가진 행렬로 나타내어 처리할 수 있다. 예를 들어 RGB(red-green-blue)로 인코딩 된 이미지 데이터의 경우, R, G, B 색상별로 각각 2차원(예를 들어, 2 차원 이미지 인 경우) 행렬로 나타내 질 수 있다. 즉, 이미지 데이터의 각 픽셀의 색상 값이 행렬의 성분이 될 수 있으며 행렬의 크기는 이미지의 크기와 같을 수 있다. 따라서, 이미지 데이터는, 3개의 2차원 행렬로(3차원의 데이터 어레이)로 나타내질 수 있다.
컨벌루셔널 뉴럴 네트워크에서, 컨벌루셔널 필터를 이동해가며 컨벌루셔널 필터와 이미지의 각 위치에서의 행렬 성분끼리 곱하는 것으로 컨벌루셔널 과정(컨벌루셔널 레이어의 입출력)을 수행할 수 있다. 컨벌루셔널 필터는, n*n 형태의 행렬로 구성될 수 있다. 컨벌루셔널 필터는, 일반적으로 이미지의 전체 픽셀의 수보다 작은 고정된 형태의 필터로 구성될 수 있다. 즉, m*m 이미지를 컨벌루셔널 레이어(예를 들어, 컨벌루셔널 필터의 사이즈가 n*n인 컨벌루셔널 레이어)입력시키는 경우, 이미지의 각 픽셀을 포함하는 n*n 픽셀을 나타내는 행렬이 컨벌루셔널 필터와 성분 곱 (즉, 행렬의 각 성분끼리의 곱) 될 수 있다. 컨벌루셔널 필터와의 곱에 의하여 이 미지에서 컨벌루셔널 필터와 매칭되는 성분이 추출될 수 있다. 예를 들어, 이미지에서 상하 직선 성분을 추출하기 위한 3*3 컨벌루셔널 필터는 [[0,1,0], [0,1,0], [0,1,0]] 와 같이 구성될 수 있다. 이미지에서 상하 직선 성분을 추출하기 위한 3*3 컨벌루셔널 필터가 입력 이미지에 적용되면 이미지에서 컨벌루셔널 필터와 매칭되는 상하 직선 성분이 추출되어 출력될 수 있다. 컨벌루셔널 레이어는 이미지를 나타낸 각각의 채널에 대한 각각의 행렬(즉, R, G, B 코딩 이미지의 경우, R, G, B 색상)에 컨벌루셔널 필터를 적용할 수 있다. 컨벌루셔널 레이어는 입력 이미지에 컨벌루셔널 필터를 적용하여 입력 이미지에서 컨벌루셔널 필터와 매칭되는 피쳐를 추출할 수 있다. 컨벌루셔널 필터의 필터 값(즉, 행렬의 각 성분의 값)은 컨벌루셔널 뉴럴 네트워크의 학습 과정에서 역전파에 의하여 업데이트 될 수 있다.
컨벌루셔널 레이어의 출력에는, 서브샘플링 레이어가 연결되어 컨벌루셔널 레이어의 출력을 단순화하여 메모리 사용량과 연산량을 줄일 수 있다. 예를 들어, 2*2 맥스 풀링 필터를 가지는 풀링 레이어에 컨벌루셔널 레이어의 출력을 입력시키는 경우, 이미지의 각 픽셀에서 2*2 패치마다 각 패치에 포함되는 최대값을 출력하여 이미지를 압축할 수 있다. 전술한 풀링은 패치에서 최소값을 출력하거나, 패치의 평균값을 출력하는 방식일 수도 있으며 임의의 풀링 방식이 본 발명에 포함될 수 있다.
컨벌루셔널 뉴럴 네트워크는, 하나 이상의 컨벌루셔널 레이어, 서브 샘플링 레이어를 포함할 수 있다. 컨벌루셔널 뉴럴 네트워크는 컨벌루셔널 과정과 서브샘플링 과정(예를 들어, 전술한 맥스 풀링 등)을 반복적으로 수행하여 이미지에서 피쳐를 추출할 수 있다. 반복적인 컨벌루션널 과정과 서브샘플링 과정을 통해 뉴럴 네트워크는 이미지의 글로벌 피쳐를 추출할 수 있다.
컨벌루셔널 레이어 또는 서브샘플링 레이어의 출력은 풀 커넥티드 레이어(fully connected layer)에 입력될 수 있다. 풀 커넥티드 레이어는 하나의 레이어에 있는 모든 뉴런과 이웃한 레이어에 있는 모든 뉴런이 연결되는 레이어이다. 풀 커넥티드 레이어는 뉴럴 네트워크에서 각 레이어의 모든 노드가 다른 레이어의 모든 노드에 연결된 구조를 의미할 수 있다.
본 발명의 일 실시예에 따르면, 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 발명의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 발명의 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 발명의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 발명의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은, CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.
본 발명의 일 실시예에 따르면, 메모리(130)는, 소장 병변 판독 수행 및 소장 병변 판독 결과를 제공하기 위한 컴퓨터 프로그램을 저장할 수 있으며, 저장된 컴퓨터 프로그램은 프로세서(120)에 의하여 판독되어 구동될 수 있다. 메모리(130)는, 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다.
본 발명의 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, 이에 제한되지 않는다.
본 발명의 일 실시예에 따른 네트워크부(150)는, 소장 병변 판독 결과 정보 등을 다른 컴퓨팅 장치, 서버 등과 송수신할 수 있다. 또한, 네트워크부(150)는, 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 복수의 컴퓨팅 장치 각각에서 페렴 판독 또는 모델의 학습을 위한 동작들이 분산 수행되도록 할 수 있다. 네트워크부(150)는, 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 소장 병변 판독 또는 네트워크 함수를 사용한 모델 학습을 위한 연산을 분산 처리하도록 할 수 있다.
본 발명의 일 실시예에 따른 네트워크부(150)는, 근거리(단거리), 원거리, 유선 및 무선 등과 같은 현재 사용 및 구현되는 임의의 형태의 유무선 통신 기술에 기반하여 동작할 수 있으며, 다른 네트워크들에서도 사용될 수 있다.
본 발명의 컴퓨팅 장치(100)는, 출력부 및 입력부를 더 포함할 수도 있다.
본 발명의 일 실시예에 따른 출력부는, 소장 병변 판독 결과를 제공하기 위한 사용자 인터페이스(UI, user interface)를 표시할 수 있다. 출력부는, 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 출력할 수 있다.
본 발명의 일 실시예에서, 출력부는, 액정 디스플레이(liquid crystal display, LCD), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display, TFT LCD), 유기 발광 다이오드(organic light-emitting diode, OLED), 플렉시블 디스플레이(flexible display), 3차원 디스플레이(3D display) 중에서 적어도 하나를 포함할 수 있다. 이들 중 일부 디스플레이 모듈은, 그를 통해 외부를 볼 수 있도록 투명형 또는 광 투과형으로 구성될 수 있다. 이는 투명 디스플레이 모듈이라 지칭될 수 있는데, 상기 투명 디스플레이 모듈의 대표적인 예로는 TOLED(Transparent OLED) 등이 있다.
본 발명의 일 실시예에 따른 입력부는, 사용자 입력을 수신할 수 있다. 입력부는, 사용자 입력을 수신받기 위한 사용자 인터페이스 상의 키 및/또는 버튼들, 또는 물리적인 키 및/또는 버튼들을 구비할 수 있다. 입력부를 통한 사용자 입력에 따라 본 발명의 실시예들에 따른 디스플레이를 제어하기 위한 컴퓨터 프로그램이 실행될 수 있다.
본 발명의 실시예들에 따른 입력부는, 사용자의 버튼 조작 또는 터치 입력을 감지하여 신호를 수신하거나, 카메라 또는 마이크로폰을 통하여 사용자 등의 음성 또는 동작을 수신하여 이를 입력 신호로 변환할 수도 있다. 이를 위해 음성 인식(Speech Recognition) 기술 또는 동작 인식(Motion Recognition) 기술들이 사용될 수 있다.
본 발명의 실시예들에 따른 입력부는, 컴퓨팅 장치(100)와 연결된 외부 입력 장비로서 구현될 수도 있다. 예를 들어, 입력 장비는 사용자 입력을 수신하기 위한 터치 패드, 터치 펜, 키보드 또는 마우스 중 적어도 하나일 수 있으나, 이는 예시일 뿐이며 이에 제한되는 것은 아니다.
본 발명의 일 실시예에 따른 입력부는, 사용자 터치 입력을 인식할 수 있다. 본 발명의 일 실시예에 따른 입력부는, 출력부와 동일한 구성일 수도 있다. 입력부는, 사용자의 선택 입력을 수신하도록 구현되는 터치 스크린으로 구성될 수 있다. 터치 스크린은, 접촉식 정전용량 방식, 적외선 광 감지 방식, 표면 초음파(SAW) 방식, 압전 방식, 저항막 방식 중 어느 하나의 방식이 사용될 수 있다. 전술한 터치 스크린에 대한 자세한 기재는, 본 발명의 일 실시예에 따른 예시일 뿐이며, 다양한 터치 스크린 패널이 컴퓨팅 장치(100)에 채용될 수 있다. 터치 스크린으로 구성된 입력부는, 터치 센서를 포함할 수 있다. 터치 센서는, 입력부의 특정 부위에 가해진 압력 또는 입력부의 특정 부위에 발생하는 정전 용량 등의 변화를 전기적인 입력신호로 변환하도록 구성될 수 있다. 터치 센서는, 터치 되는 위치 및 면적뿐만 아니라, 터치 시의 압력까지도 검출할 수 있도록 구성될 수 있다. 터치 센서에 대한 터치입력이 있는 경우, 그에 대응하는 신호(들)는 터치 제어기로 보내진다. 터치 제어기는, 그 신호(들)를 처리한 다음 대응하는 데이터를 프로세서(110)로 전송할 수 있다. 이로써, 프로세서(110)는 입력부의 어느 영역이 터치 되었는지 여부 등을 인식할 수 있게 된다.
본 발명의 일 실시예에서, 서버는, 서버의 서버 환경을 수행하기 위한 다른 구성들이 포함될 수도 있다. 서버는 임의의 형태의 장치는 모두 포함할 수 있다. 서버는, 디지털 기기로서, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다.
본 발명의 일 실시예에 따른 폐렴 판독 결과를 표시하는 사용자 인터페이스를 사용자 단말로 제공하기 위한 동작을 수행하는 서버(미도시)는, 네트워크부, 프로세서 및 메모리를 포함할 수 있다.
서버는, 본 발명의 실시예들에 따른 사용자 인터페이스를 생성할 수 있다. 서버는, 클라이언트(예를 들어, 사용자 단말)에게 네트워크를 통해 정보를 제공하는 컴퓨팅 시스템일 수 있다. 서버는, 생성한 사용자 인터페이스를 사용자 단말로 전송할 수 있다. 이러한 경우, 사용자 단말은, 서버에 액세스할 수 있는 임의의 형태의 컴퓨팅 장치(100)일 수 있다. 서버의 프로세서는, 네트워크부를 통해 사용자 단말로 사용자 인터페이스를 전송할 수 있다. 본 발명의 실시예들에 따른 서버는 예를 들어, 클라우드 서버일 수 있다. 서버는 서비스를 처리하는 웹 서버일 수 있다. 전술한 서버의 종류는 예시일 뿐이며 이에 제한되지 않는다.
이와 같이, 본 발명은, 캡슐 내시경 영상 데이터으로부터 위와 소장의 제1 이행부와 소장과 대장의 제2 이행부를 식별하여 소장 영상 데이터를 분할하고, 전처리한 소장 영상 데이터를 사전 학습한 뉴럴 네트워크 모델에 입력하여 소장 병변을 판독함으로써, 최소 시간으로 소장 병변 판독에 대한 정확도를 높일 수 있다.
도 2 및 도 3은, 캡슐 내시경 영상 데이터로부터 위와 소장의 이행부를 식별하는 과정을 설명하기 위한 도면이다.
도 2 및 도 3에 도시된 바와 같이, 본 발명은, 캡슐 내시경 영상 데이터를 사전 학습한 뉴럴 네트워크 모델에 입력하여 위와 소장의 제1 이행부와 소장과 대장의 제2 이행부를 식별할 수 있다.
도 2와 같이, 본 발명은, 위와 소장의 제1 이행부를 식별할 때, 점막 표면 모양 변화를 기반으로 위와 소장의 제1 이행부를 식별할 수 있다.
여기서, 본 발명은, 위와 소장의 제1 이행부를 식별할 때, 현재 판독 데이터의 점막 표면 모양의 거칠기가 높아지면 위와 소장의 제1 이행부로 인지할 수 있다.
즉, 본 발명은, 위와 소장의 제1 이행부를 식별할 때, 현재 판독 데이터의 점막 표면 모양(좌측)이 매끄러운 모양이면 위 영역으로 인지하고, 현재 판독 데이터의 점막 표면 모양(우측)이 융단 모양이면 소장 영역으로 인지할 수 있다.
즉, 소장 영역은, 섬모(villi)로 인하여 점막 표면이 융단같은 모양을 가질 수 있다.
또한, 도 3과 같이, 본 발명은, 위와 소장의 제1 이행부를 식별할 때, 제1 이행부의 구조적 특징을 기반으로 위와 소장의 제1 이행부를 식별할 수도 있다.
여기서, 본 발명은, 위와 소장의 제1 이행부를 식별할 때, 현재 판독 데이터가 유문(pylorus) 형상의 특징적 구조를 가지면 위와 소장의 제1 이행부로 인지할 수 있다.
또한, 본 발명은, 위와 소장의 제1 이행부를 식별할 때, 점막의 색상 변화를 기반으로 위와 소장의 제1 이행부를 식별할 수도 있다.
여기서, 본 발명은, 위와 소장의 제1 이행부를 식별할 때, 현재 판독 데이터의 점막 색상이 특정 컬러로 변화되면 위와 소장의 제1 이행부를 식별할 수 있다.
즉, 본 발명은, 위와 소장의 제1 이행부를 식별할 때, 현재 판독 데이터의 점막 색상이 황색으로 변화되면 위와 소장의 제1 이행부를 식별할 수 있다.
또한, 본 발명은, 위와 소장의 제1 이행부를 식별할 때, 점막 표면 모양 변화에 상응하는 제1 조건, 제1 이행부의 구조적 특징에 상응하는 제2 조건, 점막의 색상 변화에 상응하는 제3 조건 중 적어도 2개 이상의 조합 조건에 만족하면 위와 소장의 제1 이행부로 인지할 수도 있다.
도 4는, 캡슐 내시경 전체 영상 내에서 위장과 소장의 경계영역, 소장과 대장의 경계영역을 각각 예시한 도면이다.
도 4에 도시된 바와 같이, 본 발명은, 캡슐 내시경 전체 영상 데이터를 사전 학습한 뉴럴 네트워크 모델에 입력하여 위와 소장의 경계영역과, 소장과 대장의 경계영역을 식별할 수 있다.
본 발명은, 점막 표면 모양 변화에 상응하는 제1 조건, 구조적 특징에 상응하는 제2 조건, 점막의 색상 변화에 상응하는 제3 조건을 기반으로 위와 소장의 경계영역을 식별하고, 직경 크기 변화를 기반으로 소장과 대장의 경계영역을 식별할 수 있다.
그리고, 본 발명은, 캡슐 내시경 전체 영상로부터 위와 소장의 경계영역과, 소장과 대장의 경계영역을 식별하면, 위와 소장의 경계영역 및 소장과 대장의 경계영역 사이의 소장 영상을 분할하여 전처리할 수 있다.
따라서, 본 발명은, 소장 병변을 판독할 때, 불필요한 영역의 영상을 제거하고, 소장 병변 판독에 필요한 소장 영역의 영상만을 분할하므로, 소장 병변을 판독하는 시간을 최소화하여 정확하고 빠른 판독 결과 정보를 생성할 수 있다.
도 5 및 도 6은, 부유물 및 거품을 갖는 소장 영상의 점막 영역을 통해 소장 병변을 판독하는 과정을 설명하기 위한 도면이고, 도 7은, 본 발명의 일 실시예에 따라, 소장 병변 판독을 시각화한 결과 정보를 보여주는 도면이다.
도 5 및 도 6에 도시된 바와 같이, 본 발명은, 전처리한 소장 영상 데이터를 사전 학습한 뉴럴 네트워크 모델에 입력하여 소장 병변을 판독할 수 있다.
여기서, 소장 영상에는, 병변이 거품 및 부유물에 혼합되어 존재할 수도 있고, 개별적으로 존재할 수도 있다.
본 발명은, 소장 병변 판독 시에, 정상, 판독 불가 및 병변으로 클래스를 분류하고, 거품 및 부유물을 정상 범주에 포함시켜 병변을 판독하며, 거품 및 부유물 영역을 판독 불가 영역으로 정량화하여 결과 정보를 제공할 수도 있다.
또한, 본 발명은, 소장 병변 판독 시에, 입력 영상을 블랙 컬러의 클린 영역, 그린 컬러의 다크 영역, 블루 컬러의 부유물/거품 영역으로 나누어질 경우, 블루 컬러의 부유물/거품 영역과 그린 컬러의 다크 영역을 합한 영역을 배제한 상태에서 블랙 컬러의 클린 영역을 통해 소장 병변을 판독할 수 있다.
또한, 본 발명은, 소장 영상 중 소장 병변이 나타나는 영역이면 영상 재생 속도를 기준 속도로 재생하여 소장 병변을 판독하고, 소장 병변이 나타나지 않는 영역이면 영상 재생 속도를 기준 속도보다 더 빠르게 재생하여 소장 병변을 최소 시간으로 빠르고 정확하게 판독할 수 있다.
여기서, 본 발명은, 소장 영상 중 소장 병변이 나타날 확률이 높은 영역이면 영상 재생 속도를 기준 속도로 재생하여 소장 병변을 판독하고, 소장 병변이 나타나지 않을 확률이 높은 영역이면 영상 재생 속도를 기준 속도보다 더 빠르게 재생하여 소장 병변을 판독할 수도 있다.
그리고, 도 7에 도시된 바와 같이, 본 발명은, 판독한 소장 병변 상태에 기반하여 소장 병변 판독 결과를 시각화하는 결과 정보를 생성할 수 있다.
본 발명은, 입력 영상을 블랙 컬러의 클린 영역, 그린 컬러의 다크 영역, 블루 컬러의 부유물/거품 영역을 포함하는 GT(Ground Truth) 영상과 예측 영상으로 결과 정보를 시각화하여 생성할 수 있다.
여기서, 본 발명은, 소장 병변 판독 결과를 시각화하는 결과 정보를 생성할 때,
Figure pat00004
(여기서, VS는 시각화 스케일, M은 캡슐 내시경 영상 데이터의 전체 프레임 수, size(이미지)는 이미지의 픽셀 크기, Ci는 클린 영역 픽셀 세트, Di는 다크 영역 픽셀 세트, Fi는 부유물/거품 영역 픽셀 세트임)으로 이루어지는 수식에 의해 상기 소장 병변 판독 결과를 시각화하는 결과 정보를 생성할 수 있다.
또한, 본 발명은, 판독한 소장 병변 상태에 기반하여 소장 병변에 대한 클래스(정상, 판독 불가, 병변)를 분류하고, 분류한 클래스에 상응하여 소장 병변 판독 결과를 시각화하는 결과 정보를 생성할 수 잇다.
여기서, 본 발명은, 소장 병변 판독 결과를 시각화하는 결과 정보를 생성할 때,
Figure pat00005
(여기서, VS는 시각화 스케일, M은 캡슐 내시경 영상 데이터의 전체 프레임 수, size(이미지)는 이미지의 픽셀 크기, Ci는 클린 영역 픽셀 세트, Di는 다크 영역 픽셀 세트, Fi는 부유물/거품 영역 픽셀 세트임)으로 이루어지는 수식에 의해 상기 소장 병변 판독 결과를 시각화하는 결과 정보를 생성할 수 있다.
도 8은, 본 발명의 일 실시예에 따라, 소장 병변 판독 방법을 설명하기 위한 흐름도이다.
도 8에 도시된 바와 같이, 본 발명은, 캡슐 내시경 영상 데이터를 획득할 수 있다(S10).
여기서, 캡슐 내시경 영상 데이터는, 인체 내부의 구강, 식도, 위, 소장 및 대장 영상 데이터를 포함할 수 있다.
그리고, 본 발명은, 캡슐 내시경 영상 데이터를 사전 학습한 제1 뉴럴 네트워크 모델에 입력하여 위와 소장의 제1 이행부와 소장과 대장의 제2 이행부를 식별할 수 있다(S20).
여기서, 본 발명은, 캡슐 내시경 영상 데이터의 첫 번째 프레임에서 후방 프레임 방향 순서로 판독하여 위와 소장의 제1 이행부를 식별하고, 캡슐 내시경 영상 데이터의 마지막 프레임에서 전방 프레임 방향으로 판독하여 소장과 대장의 제2 이행부를 식별할 수 있다.
또한, 본 발명은, 점막 표면 모양 변화를 기반으로 위와 소장의 제1 이행부를 식별할 수 있다.
경우에 따라, 본 발명은, 제1 이행부의 구조적 특징을 기반으로 위와 소장의 제1 이행부를 식별할 수도 있다.
다른 경우로서, 본 발명은, 점막의 색상 변화를 기반으로 위와 소장의 제1 이행부를 식별할 수도 있다.
또한, 본 발명은, 점막 표면 모양 변화에 상응하는 제1 조건, 제1 이행부의 구조적 특징에 상응하는 제2 조건, 점막의 색상 변화에 상응하는 제3 조건 중 적어도 2개 이상의 조합 조건에 만족하면 위와 소장의 제1 이행부로 인지할 수도 있다.
또한, 본 발명은, 직경 크기 변화를 기반으로 소장과 대장의 제2 이행부를 식별할 수도 있다.
이어, 본 발명은, 캡슐 내시경 영상 데이터로부터 식별한 제1 이행부와 제2 이행부 사이의 소장 영상 데이터를 분할하여 전처리할 수 있다(S30).
여기서, 본 발명은, 캡슐 내시경 영상 데이터로부터 식별한 제1 이행부와 제2 이행부를 기반으로 소장 영상 데이터를 분할하고, 소장 영상 데이터의 점막 영역 비율을 정량화할 수 있다.
즉, 본 발명은, 캡슐 내시경의 촬영 조건을 기반으로 소장 영상 데이터의 프레임 단위에서 보이는 점막 영역 비율과 동영상에서 보이는 점막 영역 비율에 가중치를 적용하여 정량화할 수 있다.
일 예로, 캡슐 내시경의 촬영 조건은, 캡슐 내시경의 진행 속도와 캡슐 내시경의 촬영 속도 중 적어도 어느 하나를 포함할 수 있는데, 이는 일 실시예일 뿐, 이에 한정되지 않는다.
또한, 본 발명은, 영상 비율을 정량화할 때, 소장 영상 데이터와 캡슐 내시경의 영상 촬영 정보를 사전 학습한 제3 뉴럴 네트워크 모델에 입력하여 소장 영상 데이터의 점막 영역 비율을 정량화할 수 있다.
다음, 본 발명은, 전처리한 소장 영상 데이터를 사전 학습한 제2 뉴럴 네트워크 모델에 입력하여 소장 병변을 판독할 수 있다(S40).
여기서, 본 발명은, 소장 영상 데이터 중 소장 병변이 나타나는 영역이면 영상 재생 속도를 기준 속도로 재생하여 소장 병변을 판독하고, 소장 병변이 나타나지 않는 영역이면 영상 재생 속도를 기준 속도보다 더 빠르게 재생하여 소장 병변을 판독할 수 있다.
또한, 본 발명은, 소장 영상 데이터 중 소장 병변이 나타날 확률이 높은 영역이면 영상 재생 속도를 기준 속도로 재생하여 소장 병변을 판독하고, 소장 병변이 나타나지 않을 확률이 높은 영역이면 영상 재생 속도를 기준 속도보다 더 빠르게 재생하여 소장 병변을 판독할 수 있다.
그리고, 본 발명은, 판독한 소장 병변 상태에 기반하여 소장 영상 데이터에 대한 결과 정보를 생성할 수 있다(S50).
여기서, 본 발명은, 판독한 소장 병변 상태에 기반하여 소장 병변 판독 결과를 시각화하는 결과 정보를 생성할 수 있다.
또한, 본 발명은, 판독한 소장 병변 상태에 기반하여 소장 병변에 대한 클래스를 분류하고, 분류한 클래스에 상응하여 소장 병변 판독 결과를 시각화하는 결과 정보를 생성할 수도 있다.
이와 같이, 본 발명은, 캡슐 내시경 영상 데이터으로부터 위와 소장의 제1 이행부와 소장과 대장의 제2 이행부를 식별하여 소장 영상 데이터를 분할하고, 전처리한 소장 영상 데이터를 사전 학습한 뉴럴 네트워크 모델에 입력하여 소장 병변을 판독함으로써, 최소 시간으로 소장 병변 판독에 대한 정확도를 높일 수 있다.
이상에서 전술한 본 발명의 일 실시예에 따른 방법은, 하드웨어인 서버와 결합되어 실행되기 위해 프로그램(또는 어플리케이션)으로 구현되어 매체에 저장될 수 있다.
상기 전술한 프로그램은, 상기 컴퓨터가 프로그램을 읽어 들여 프로그램으로 구현된 상기 방법들을 실행시키기 위하여, 상기 컴퓨터의 프로세서(CPU)가 상기 컴퓨터의 장치 인터페이스를 통해 읽힐 수 있는 C, C++, JAVA, 기계어 등의 컴퓨터 언어로 코드화된 코드(Code)를 포함할 수 있다. 이러한 코드는 상기 방법들을 실행하는 필요한 기능들을 정의한 함수 등과 관련된 기능적인 코드(Functional Code)를 포함할 수 있고, 상기 기능들을 상기 컴퓨터의 프로세서가 소정의 절차대로 실행시키는데 필요한 실행 절차 관련 제어 코드를 포함할 수 있다. 또한, 이러한 코드는 상기 기능들을 상기 컴퓨터의 프로세서가 실행시키는데 필요한 추가 정보나 미디어가 상기 컴퓨터의 내부 또는 외부 메모리의 어느 위치(주소 번지)에서 참조되어야 하는지에 대한 메모리 참조관련 코드를 더 포함할 수 있다. 또한, 상기 컴퓨터의 프로세서가 상기 기능들을 실행시키기 위하여 원격(Remote)에 있는 어떠한 다른 컴퓨터나 서버 등과 통신이 필요한 경우, 코드는 상기 컴퓨터의 통신 모듈을 이용하여 원격에 있는 어떠한 다른 컴퓨터나 서버 등과 어떻게 통신해야 하는지, 통신 시 어떠한 정보나 미디어를 송수신해야 하는지 등에 대한 통신 관련 코드를 더 포함할 수 있다.
상기 저장되는 매체는, 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상기 저장되는 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있지만, 이에 제한되지 않는다. 즉, 상기 프로그램은 상기 컴퓨터가 접속할 수 있는 다양한 서버 상의 다양한 기록매체 또는 사용자의 상기 컴퓨터상의 다양한 기록매체에 저장될 수 있다. 또한, 상기 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장될 수 있다.
본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.
이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.

Claims (10)

  1. 컴퓨팅 장치에 의해 수행되는 방법에 있어서,
    캡슐 내시경 영상 데이터를 획득하는 단계;
    상기 캡슐 내시경 영상 데이터를 사전 학습한 제1 뉴럴 네트워크 모델에 입력하여 위와 소장의 제1 이행부와 소장과 대장의 제2 이행부를 식별하는 단계;
    상기 캡슐 내시경 영상 데이터로부터 상기 식별한 제1 이행부와 제2 이행부 사이의 소장 영상 데이터를 분할하여 전처리하는 단계;
    상기 전처리한 소장 영상 데이터를 사전 학습한 제2 뉴럴 네트워크 모델에 입력하여 소장 병변을 판독하는 단계; 및
    상기 판독한 소장 병변 상태에 기반하여 상기 소장 영상 데이터에 대한 결과 정보를 생성하는 단계를 포함하는 것을 특징으로 하는 소장 병변 판독 방법.
  2. 제1 항에 있어서,
    상기 식별 단계는,
    상기 위와 소장의 제1 이행부를 식별할 때, 점막 표면 모양 변화에 상응하는 제1 조건, 상기 제1 이행부의 구조적 특징에 상응하는 제2 조건, 점막의 색상 변화에 상응하는 제3 조건 중 적어도 2개 이상의 조합 조건에 만족하면 상기 위와 소장의 제1 이행부로 인지하는 것을 특징으로 하는 소장 병변 판독 방법.
  3. 제1 항에 있어서,
    상기 전처리 단계는,
    상기 캡슐 내시경 영상 데이터로부터 상기 식별한 제1 이행부와 제2 이행부를 기반으로 소장 영상 데이터를 분할하고, 상기 소장 영상 데이터의 점막 영역 비율을 정량화하는 것을 특징으로 하는 소장 병변 판독 방법.
  4. 제3 항에 있어서,
    상기 전처리 단계는,
    상기 영상 비율을 정량화할 때, 캡슐 내시경의 촬영 조건을 기반으로 상기 소장 영상 데이터의 프레임 단위에서 보이는 점막 영역 비율과 동영상에서 보이는 점막 영역 비율에 가중치를 적용하여 정량화하는 것을 특징으로 하는 소장 병변 판독 방법.
  5. 제4 항에 있어서,
    상기 캡슐 내시경의 촬영 조건은,
    상기 캡슐 내시경의 진행 속도와 상기 캡슐 내시경의 촬영 속도 중 적어도 어느 하나를 포함하는 것을 특징으로 하는 소장 병변 판독 방법.
  6. 제1 항에 있어서,
    상기 판독 단계는,
    상기 소장 병변을 판독할 때, 상기 소장 영상 데이터 중 상기 소장 병변이 나타나는 영역이면 영상 재생 속도를 기준 속도로 재생하여 소장 병변을 판독하고, 상기 소장 병변이 나타나지 않는 영역이면 상기 영상 재생 속도를 상기 기준 속도보다 더 빠르게 재생하여 소장 병변을 판독하는 것을 특징으로 하는 소장 병변 판독 방법.
  7. 제1 항에 있어서,
    상기 생성 단계는,
    상기 판독한 소장 병변 상태에 기반하여 소장 병변 판독 결과를 시각화하는 결과 정보를 생성하는 것을 특징으로 하는 소장 병변 판독 방법.
  8. 제7 항에 있어서,
    상기 소장 병변 판독 결과를 시각화하는 결과 정보를 생성할 때,
    Figure pat00006

    (여기서, VS는 시각화 스케일, M은 캡슐 내시경 영상 데이터의 전체 프레임 수, size(이미지)는 이미지의 픽셀 크기, Ci는 클린 영역 픽셀 세트, Di는 다크 영역 픽셀 세트, Fi는 부유물/거품 영역 픽셀 세트임)으로 이루어지는 수식에 의해 상기 소장 병변 판독 결과를 시각화하는 결과 정보를 생성하는 것을 특징으로 하는 소장 병변 판독 방법.
  9. 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 소장 병변 판독을 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은:
    캡슐 내시경 영상 데이터를 획득하는 동작;
    상기 캡슐 내시경 영상 데이터를 사전 학습한 제1 뉴럴 네트워크 모델에 입력하여 위와 소장의 제1 이행부와 소장과 대장의 제2 이행부를 식별하는 동작;
    상기 캡슐 내시경 영상 데이터로부터 상기 식별한 제1 이행부와 제2 이행부 사이의 소장 영상 데이터를 분할하여 전처리하는 동작;
    상기 전처리한 소장 영상 데이터를 사전 학습한 제2 뉴럴 네트워크 모델에 입력하여 소장 병변을 판독하는 동작; 및
    상기 판독한 소장 병변 상태에 기반하여 상기 소장 영상 데이터에 대한 결과 정보를 생성하는 동작을 포함하는 것을 특징으로 하는 컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
  10. 하나 이상의 코어를 포함하는 프로세서; 및
    메모리;
    를 포함하고,
    상기 프로세서는,
    캡슐 내시경 영상 데이터를 획득하고,
    상기 캡슐 내시경 영상 데이터를 사전 학습한 제1 뉴럴 네트워크 모델에 입력하여 위와 소장의 제1 이행부와 소장과 대장의 제2 이행부를 식별하며,
    상기 캡슐 내시경 영상 데이터로부터 상기 식별한 제1 이행부와 제2 이행부 사이의 소장 영상 데이터를 분할하여 전처리하고,
    상기 전처리한 소장 영상 데이터를 사전 학습한 제2 뉴럴 네트워크 모델에 입력하여 소장 병변을 판독하며, 그리고
    상기 판독한 소장 병변 상태에 기반하여 상기 소장 영상 데이터에 대한 결과 정보를 생성하는 것을 특징으로 하는 컴퓨팅 장치.
KR1020210168194A 2020-12-03 2021-11-30 캡슐 내시경 영상 기반 소장 병변 판독 방법, 장치 및 프로그램 KR20220078495A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/KR2021/018171 WO2022119364A1 (ko) 2020-12-03 2021-12-03 캡슐 내시경 영상 기반 소장 병변 판독 방법, 장치 및 프로그램

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020200167469 2020-12-03
KR20200167469 2020-12-03

Publications (1)

Publication Number Publication Date
KR20220078495A true KR20220078495A (ko) 2022-06-10

Family

ID=81986827

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210168194A KR20220078495A (ko) 2020-12-03 2021-11-30 캡슐 내시경 영상 기반 소장 병변 판독 방법, 장치 및 프로그램

Country Status (1)

Country Link
KR (1) KR20220078495A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102502418B1 (ko) * 2022-07-21 2023-02-24 연세대학교 산학협력단 신경망 기반 의료 영상 처리 장치 및 방법
KR20240071188A (ko) 2022-11-15 2024-05-22 동의대학교 산학협력단 인공신경망을 이용한 캡슐 내시경 병변 검사 지원 장치 및 방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090099446A (ko) 2008-10-14 2009-09-22 주식회사 인트로메딕 캡슐 내시경을 이용한 진단 시스템 및 방법, 그리고 그 방법을 수행하기 위한 프로그램이 기록된 기록매체

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090099446A (ko) 2008-10-14 2009-09-22 주식회사 인트로메딕 캡슐 내시경을 이용한 진단 시스템 및 방법, 그리고 그 방법을 수행하기 위한 프로그램이 기록된 기록매체

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102502418B1 (ko) * 2022-07-21 2023-02-24 연세대학교 산학협력단 신경망 기반 의료 영상 처리 장치 및 방법
WO2024019232A1 (ko) * 2022-07-21 2024-01-25 연세대학교 산학협력단 신경망 기반 의료 영상 처리 장치 및 방법
KR20240071188A (ko) 2022-11-15 2024-05-22 동의대학교 산학협력단 인공신경망을 이용한 캡슐 내시경 병변 검사 지원 장치 및 방법

Similar Documents

Publication Publication Date Title
Yap et al. Deep learning in diabetic foot ulcers detection: A comprehensive evaluation
US11612311B2 (en) System and method of otoscopy image analysis to diagnose ear pathology
CN113496489B (zh) 内窥镜图像分类模型的训练方法、图像分类方法和装置
JP2024045234A (ja) 腸の病理学のための画像スコアリング
Ghosh et al. Effective deep learning for semantic segmentation based bleeding zone detection in capsule endoscopy images
KR20220078495A (ko) 캡슐 내시경 영상 기반 소장 병변 판독 방법, 장치 및 프로그램
KR102460257B1 (ko) 진단 결과를 제공하기 위한 방법 및 장치
CN112466466B (zh) 基于深度学习的消化道辅助检测方法、装置和计算设备
CN113313680A (zh) 一种结直肠癌病理图像预后辅助预测方法及系统
US20220301153A1 (en) Diabetic retinopathy detection using machine learning
CN114445406A (zh) 肠镜图像分析方法、装置和医学图像处理设备
CN112862745B (zh) 基于人工神经网络的组织病变识别的训练方法及训练系统
KR102317857B1 (ko) 병변 판독 방법
WO2022119364A1 (ko) 캡슐 내시경 영상 기반 소장 병변 판독 방법, 장치 및 프로그램
KR20220046798A (ko) 폐 손상 진단 장치, 방법 및 기록매체
KR20230128182A (ko) 인공지능 기반 어깨 회전근 개 근육 지방 변성 질환 판독 방법, 장치 및 프로그램
US20230293094A1 (en) Method,apparatus and computer program for reading rotator cuff tear state or muscle fat degeneration disorder based on artificial intelligence
KR20230047240A (ko) 폐렴 판독 방법, 장치 및 프로그램
KR102650787B1 (ko) 설골 움직임 추적 방법
Khan et al. Voting neural network (vnn) for endoscopic image segmentation
KR20230168491A (ko) 인공지능 기반 중심장액맥락망막병증 진단 방법, 장치 및 프로그램
KR20230128181A (ko) 인공지능 기반 어깨 회전근 개의 파열 상태 판독 방법, 장치 및 프로그램
KR102553060B1 (ko) 인공지능 기반의 척추 정보를 이용한 의료영상정보 제공 방법, 장치 및 프로그램
KR102590483B1 (ko) 호흡 운동 관리 방법, 장치 및 프로그램
CN114332844B (zh) 医学图像的智能分类应用方法、装置、设备和存储介质