KR20220090645A - 딥러닝 기반의 폐질환 진단 보조 시스템 및 딥러닝 기반의 폐질환 진단 보조 방법 - Google Patents
딥러닝 기반의 폐질환 진단 보조 시스템 및 딥러닝 기반의 폐질환 진단 보조 방법 Download PDFInfo
- Publication number
- KR20220090645A KR20220090645A KR1020200180989A KR20200180989A KR20220090645A KR 20220090645 A KR20220090645 A KR 20220090645A KR 1020200180989 A KR1020200180989 A KR 1020200180989A KR 20200180989 A KR20200180989 A KR 20200180989A KR 20220090645 A KR20220090645 A KR 20220090645A
- Authority
- KR
- South Korea
- Prior art keywords
- lung
- image
- region
- bone
- lung disease
- Prior art date
Links
- 208000019693 Lung disease Diseases 0.000 title claims abstract description 122
- 238000003745 diagnosis Methods 0.000 title claims abstract description 120
- 238000013135 deep learning Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims description 32
- 210000004072 lung Anatomy 0.000 claims abstract description 172
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 104
- 210000004872 soft tissue Anatomy 0.000 claims abstract description 56
- 230000011218 segmentation Effects 0.000 claims abstract description 48
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 230000003902 lesion Effects 0.000 claims description 23
- 201000010099 disease Diseases 0.000 claims description 18
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 18
- 238000007635 classification algorithm Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 6
- 210000000038 chest Anatomy 0.000 description 12
- 239000000284 extract Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 210000002216 heart Anatomy 0.000 description 3
- 210000004185 liver Anatomy 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 201000003144 pneumothorax Diseases 0.000 description 2
- 201000008827 tuberculosis Diseases 0.000 description 2
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 208000006673 asthma Diseases 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013074 reference sample Substances 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/273—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion removing elements interfering with the pattern to be recognised
-
- 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
-
- 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
-
- 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
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray 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
- G06T2207/20—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
- G06T2207/30008—Bone
-
- 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
- G06T2207/30061—Lung
-
- 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
-
- 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
- G06T2207/30204—Marker
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
- G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
- G06V2201/033—Recognition of patterns in medical or anatomical images of skeletal patterns
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
본 발명의 일 실시예에 따른 딥러닝 기반의 폐질환 진단 보조 시스템은, 폐가 촬영된 진단 대상 이미지가 입력되는 영상입력부; 뼈 바이너리 모델에 기초하여, 진단 대상 이미지에서 뼈영역을 제거하여, 뼈영역이 제거된 연조직 이미지를 출력하는 뼈영역 제거부; 폐 세그먼테이션 모델에 기초하여, 연조직 이미지에서 폐영역을 추출하여, 폐영역에 대한 폐이미지를 출력하는 폐영역 추출부; 및 폐질환 검출 모델에 기초하여, 폐이미지로부터 폐질환 여부를 진단하는 폐질환 진단부를 포함하는 것이 바람직하다.
Description
본 발명은 딥러닝 기반의 폐질환 진단 보조 시스템 및 딥러닝 기반의 폐질환 진단 보조 방법에 관한 것으로서, 상세하게는 기등록된 진단모델을 통해 진단 대상자의 폐가 촬영된 진단 대상 이미지로부터 폐 질환을 검출할 수 있는 딥러닝 기반의 폐질환 진단 보조 시스템 및 딥러닝 기반의 폐질환 진단 보조 방법에 관한 것이다.
현대 의학에서 효과적인 질병의 진단 및 환자의 치료를 위해 의료 영상은 매우 중요한 도구이다. 또한, 영상 기술 발달은 더욱 정교한 의료 영상 데이터를 획득 가능하게 하고 있다. 이러한 정교함의 대가로 데이터의 양은 점차 방대해지고 있어 의료 영상 데이터를 인간의 시각에 의존하여 분석하는 데 어려움이 많다. 이에, 최근 십여 년 동안 임상 의사 결정 지원 시스템 및 컴퓨터 보조 진단 시스템은 의료 영상 자동 분석에 있어서 필수적인 역할을 수행하여 왔다.
종래의 임상 의사 결정 지원 시스템 또는 컴퓨터 보조 진단 시스템은 병변 영역을 검출하여 표시하거나 진단 정보를 의료진 또는 의료 종사자 등(이하 사용자)에게 제시한다.
일례로, 한국 공개특허 제10-2017-0017614호에 개시된 '의료 영상 기반의 질환 진단 정보 산출 방법 및 장치'에서는, 분석 대상 객체가 촬영된 관심 영역을 검출하고, 변동계수를 산출하고, 변동계수 이미지를 작성하고 이를 기준 샘플과 비교하는 단계를 포함하고, CT, MRI 및 초음파 영상 촬영 장치 등을 통해 획득된 의료 영상을 활용하여 환자의 질환 정도를 진단하는 효과를 언급하고 있다.
특히, 근래에 딥러닝(Deep learning)과 같은 기계 학습(Machine learning)을 기반으로 하는 인공지능(AI) 기술은 의료 영상을 이용하여 환자의 질병을 진단하는데 있어 비약적인 발전을 가져오는데 바탕이 되고 있다.
딥러닝이란 사람의 신경세포(Biological Neuron)를 모사하여 기계가 학습하도록 하는 인공신경망(Artificial Neural Network) 기반의 기계 학습법을 의미한다. 최근, 딥러닝 기술은 이미지 인식 분야에서 비약적으로 발전하고 있고, 의료 영상을 이용한 진단 분야에서도 널리 사용되고 있다.
딥러닝 기술에서는 학습 데이터를 반복적으로 학습하여 질환을 진단하기 위한 진단 모델을 형성하게 되는데, 학습 데이터로 사용되는 질환의 종류가 다양하기 때문에 각 질환에 특화된 진단 모델을 개발하는 것이 중요하다. 이는, 특정 질환에서 완벽에 가까운 진단 결과를 도출하는 진단 모델을 생성하더라도 다른 질환에는 이를 적용할 수 있음을 의미한다.
이와 같은 딥러닝 기술을 이용한 보조 진단 방법은 폐질환에도 적용이 가능하다. 흉부외과의 경우에도 다양한 전문 분야가 존재하고, 환자의 질환을 정확히 판단하기 위해서는 외부 전문가의 도움을 요청하는 경우가 발생할 수 있다.
따라서, 폐병변과 같은 비정상 부위를 자동으로 식별할 수 있는 폐질환 보조 진단 기술이 제안된다면 현업에서 이를 보조적으로 널리 사용할 수 있는 방안으로 제시될 수 있다.
본 발명은 기등록된 진단모델을 통해 진단 대상자의 폐가 촬영된 진단 대상 이미지로부터 폐 질환을 검출할 수 있는 딥러닝 기반의 폐질환 진단 보조 시스템 및 딥러닝 기반의 폐질환 진단 보조 방법을 제공하는 것을 목적으로 한다.
본 발명은 진단 대상 이미지에서 갈비뼈와 같이 폐를 가리는 뼈영역을 제거하여, 연조직의 선명도를 높여, 진단모델을 통해 폐질환 진단시, 진단의 정확도를 향상시킬 수 있는 딥러닝 기반의 폐질환 진단 보조 시스템 및 딥러닝 기반의 폐질환 진단 보조 방법을 제공하는 것을 목적으로 한다.
본 발명은 진단 결과 이미지에 병변 부위를 표시하여, 병변 부위의 시각화를 통해 의료인의 진단 결정에 보조할 수 있는 딥러닝 기반의 폐질환 진단 보조 시스템 및 딥러닝 기반의 폐질환 진단 보조 방법을 제공하는 것을 목적으로 한다.
본 발명의 일 실시예에 따른 딥러닝 기반의 폐질환 진단 보조 시스템은, 폐가 촬영된 진단 대상 이미지가 입력되는 영상입력부; 뼈 바이너리 모델에 기초하여, 진단 대상 이미지에서 뼈영역을 제거하여, 뼈영역이 제거된 연조직 이미지를 출력하는 뼈영역 제거부; 폐 세그먼테이션 모델에 기초하여, 연조직 이미지에서 폐영역을 추출하여, 폐영역에 대한 폐이미지를 출력하는 폐영역 추출부; 및 폐질환 검출 모델에 기초하여, 폐이미지로부터 폐질환 여부를 진단하는 폐질환 진단부를 포함하는 것이 바람직하다.
여기서, 폐질환 검출 모델은, 복수의 폐이미지와, 각각의 폐이미지에 대한 폐질환 정보가 폐질환 학습데이터로 입력되고, 폐질환 학습데이터가 기등록된 분류 알고리즘을 통해 딥러닝되어 생성되고, 분류 알고리즘은 폐질환 정보에 따라 폐이미지를 질환 종류별로 분류하는 알고리즘인 것이 바람직하다.
그리고, 폐질환 진단부는 폐질환 검출 모델에 기초하여, 폐이미지로부터 병변 부위가 검출되면, 폐이미지에 병변부위가 표시된 진단 결과 이미지를 출력하는 것이 바람직하다.
상기 뼈 바이너리 모델은, 복수의 흉부이미지와, 각각의 흉부이미지가 바이너리된 뼈 바이너리 이미지가 뼈영역 학습데이터로 입력되어, 뼈영역 학습데이터를 입력으로 하는 딥러닝을 통해 생성되고, 뼈 바이너리 이미지를 출력데이터로 하는 것이 바람직하다.
본 발명의 일 실시예에서, 뼈영역 제거부는, 뼈 바이너리 모델에 기초하여, 진단 대상 이미지를 입력데이터로 하여, 뼈 바이너리 이미지를 출력하고, 기등록된 영역 제거 알고리즘에 기초하여, 뼈 바이너리 이미지가 진단 대상 이미지에 오버레이되어, 진단 대상 이미지에서 뼈 바이너리 이미지의 뼈영역에 해당되는 부분이 제거되어, 연조직 이미지로 출력하는 것이 바람직하다.
상기 폐 세그먼테이션 모델은, 복수의 연조직 이미지와, 각각의 연조직 이미지에 대해 폐영역을 세그멘테이션한 폐 세그멘테이션 이미지가 폐영역 학습데이터로 입력되고, 폐영역 학습데이터를 입력으로 하는 딥러닝을 통해 생성되고, 폐 세그멘테이션 이미지를 출력데이터로 하는 것이 바람직하다.
본 발명의 일 실시예에서, 폐영역 추출부는, 폐 세그멘테이션 모델에 기초하여, 연조직 이미지를 입력데이터로 하여, 폐 세그멘테이션 이미지를 출력하고, 기등록된 영역 추출 알고리즘에 기초하여, 폐 세그멘테이션 이미지가 연조직 이미지에 오버레이되어, 연조직 이미지에서 폐영역이 추출되어, 폐이미지로 출력하는 것이 바람직하다.
본 발명의 일 실시예에서, 영상입력부는 기등록된 이미지 전처리 알고리즘을 통해, 진단 대상 이미지를 전처리하는 것이 바람직하다.
한편, 본 발명의 일 실시예에 따른 딥러닝 기반의 폐질환 진단 보조 방법은, (A) 학습데이터를 이용하여, 폐 질환이 딥러닝되어 진단모델이 생성되는 단계; (B) 폐가 찍힌 진단 대상 이미지가 입력되는 단계; 및 (C) 진단모델에 기초하여, 진단 대상 이미지의 폐질환 여부가 진단되는 단계를 포함하고, (A) 단계는, (A1) 복수의 흉부이미지와, 각각의 흉부이미지의 뼈영역이 바이너리된 뼈 바이너리 이미지가 뼈영역 학습데이터로 입력되고, 뼈영역 학습데이터를 입력으로 하는 딥러닝을 통해 뼈 바이너리 모델이 생성되는 단계; (A2) 복수의 연조직 이미지와, 각각의 연조직 이미지에 대해 폐영역을 세그멘테이션한 폐 세그멘테이션 이미지가 폐영역 학습데이터로 입력되고, 폐영역 학습데이터를 입력으로 하는 딥러닝을 통해 폐 세그멘테이션 모델이 생성되는 단계; 및 (A3) 복수의 폐이미지와, 각각의 폐이미지에 대한 폐질환 정보가 폐질환 학습데이터로 입력되고, 폐질환 학습데이터를 입력으로 하는 딥러닝을 통해 폐질환 검출 모델이 생성되는 단계를 포함하고, C 단계에서, 뼈 바이너리 모델, 폐 세그멘테이션 모델 및 폐질환 검출 모델이 진단모델로 적용되는 것이 바람직하다.
여기서, C 단계는, (C1) 뼈 바이너리 모델에 기초하여, 진단 대상 이미지가 뼈 바이너리 이미지로 출력되는 단계; (C2) 뼈 바이너리 이미지가 진단 대상 이미지에 오버레이되는 단계; (C3) 기등록된 영역 제거 알고리즘에 기초하여, 진단 대상 이미지에서 뼈 바이너리 이미지의 뼈영역이 제거되어, 연조직 이미지로 출력되는 단계; (C4) 폐 세그멘테이션 모델에 기초하여, 연조직 이미지가 폐 세그멘테이션 이미지로 출력되는 단계; (C5) 폐 세그멘테이션 이미지가 연조직 이미지에 오버레이되는 단계; (C6) 기등록된 영역 추출 알고리즘에 기초하여, 연조직 이미지에서 폐영역이 추출되어, 폐영역에 대한 폐이미지가 출력되는 단계; 및 (C7) 폐질환 검출 모델에 기초하여, 폐이미지로부터 병변여부가 검출되는 단계를 포함하는 것이 바람직하다.
그리고, C 단계는, (C8) 폐이미지로부터 병변 부위가 검출되면, 폐이미지에 병변부위가 표시된 진단 결과 이미지를 출력하는 단계를 더 포함하는 것이 바람직하다.
상기 B 단계에서, 진단 대상 이미지는 기등록된 이미지 전처리 알고리즘을 통해 전처리되는 것이 바람직하다.
본 발명의 일 실시예에서, 폐질환 검출 모델은, 폐질환 학습데이터를 입력데이터로 하여, 폐질환 학습데이터가 기등록된 분류 알고리즘을 통해 딥러닝되어 생성되고, 분류 알고리즘은 폐질환 정보에 따라 폐이미지를 질환 종류별로 분류하는 알고리즘인 것이 바람직하다.
본 발명은 기등록된 진단모델을 통해 진단 대상자의 폐가 촬영된 진단 대상 이미지로부터 폐 질환을 검출할 수 있다.
본 발명은 진단 대상 이미지에서 갈비뼈와 같이 폐를 가리는 뼈영역을 제거하여 연조직의 선명도를 높이고, 연조직 이미지에서 폐영역을 추출하여 폐이미지를 생성하여, 폐영역에 대한 선명도를 향상시킬 수 있다.
본 발명은 폐질환 진단시 불필요한 요소(갈비뼈, 심장, 간과 같은 다른 장기)를 제거된 폐이미지를 진단모델에 적용하여, 진단의 정확도를 향상시킬 수 있다.
본 발명은 진단 결과 이미지에 병변 부위를 표시하여, 병변 부위의 시각화를 통해 의료인의 진단 결정에 보조할 수 있다.
도 1은 본 발명의 일 실시예에 따른 딥러닝 기반의 폐질환 진단 보조 시스템의 구성도를 개략적으로 도시한 것이고,
도 2는 본 발명의 일 실시예에 따른 뼈 바이너리 모델을 설명하기 위한 도면이고,
도 3은 본 발명의 일 실시예에 따른 폐 세그멘테이션 모델을 설명하기 위한 도면이고,
도 4는 본 발명의 일 실시예에 따른 폐 질환 검출 모델을 설명하기 위한 도면이고,
도 5는 본 발명의 일 실시예에 따른 뼈영역 제거부에서의 이미지 처리 과정을 설명하기 위한 도면이고,
도 6은 본 발명의 일 실시예에 따른 폐영역 추출부에서의 이미지 처리 과정을 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시예에 따른 딥러닝 기반의 폐질환 진단 보조 방법의 순서도이고,
도 8 및 도 9는 본 발명의 일 실시예에서, 딥러닝 기반의 진단 모델의 생성을 설명하기 위한 도면이고,
도 10은 본 발명의 일 실시예에 따라, 진단 대상 이미지가 진단모델을 통해 폐 질환이 진단되는 과정을 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 뼈 바이너리 모델을 설명하기 위한 도면이고,
도 3은 본 발명의 일 실시예에 따른 폐 세그멘테이션 모델을 설명하기 위한 도면이고,
도 4는 본 발명의 일 실시예에 따른 폐 질환 검출 모델을 설명하기 위한 도면이고,
도 5는 본 발명의 일 실시예에 따른 뼈영역 제거부에서의 이미지 처리 과정을 설명하기 위한 도면이고,
도 6은 본 발명의 일 실시예에 따른 폐영역 추출부에서의 이미지 처리 과정을 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시예에 따른 딥러닝 기반의 폐질환 진단 보조 방법의 순서도이고,
도 8 및 도 9는 본 발명의 일 실시예에서, 딥러닝 기반의 진단 모델의 생성을 설명하기 위한 도면이고,
도 10은 본 발명의 일 실시예에 따라, 진단 대상 이미지가 진단모델을 통해 폐 질환이 진단되는 과정을 설명하기 위한 도면이다.
이하에서는 첨부도면을 참조하여, 본 발명의 바람직한 실시예에 따른 딥러닝 기반의 폐질환 진단 보조 시스템 및 딥러닝 기반의 폐질환 진단 보조 방법에 대해 설명하기로 한다.
● 딥러닝 기반의 폐질환 진단 보조 시스템
이하에선는 도 1 내지 도 6을 참조하여, 딥러닝 기반의 폐질환 진단 보조 시스템에 대해 설명하기로 한다.
도 1을 참조하면, 딥러닝 기반의 폐질환 진단 보조 시스템(100)은 영상입력부(110), 뼈영역 제거부(120), 폐영역 추출부(130) 및 폐질환 진단부(140)를 포함한다.
영상입력부(110)에는 진단 대상 이미지(10)가 입력된다. 여기서, 진단 대상 이미지(10)는 폐가 촬영된 흉부이미지로서, 대상이 특정된 이미지이다. 흉부이미지는 엑스레이이미지이다. 영상입력부(110)는 기등록된 이미지 전처리 알고리즘을 통해, 진단 대상 이미지(10)를 전처리하여, 전처리 이미지(20)로 출력한다.
본 실시예에서, 뼈영역 제거부(120)에는 뼈영역 바이너리 모델이 기등록되고, 폐영역 추출부(130)에는 폐 세그멘테이션 모델(135)이 기등록되며, 폐질환 진단부(140)에는 폐질환 검출모델(145)이 기등록된다.
여기서, 뼈 바이너리 모델(125), 폐 세그멘테이션 모델(135) 및 폐질환 검출모델(145)은 학습데이터를 입력으로 하는 딥러닝을 통해 생성된 모델이다.
도 2를 참조하면, 뼈 바이너리 모델(125)은, 뼈영역 학습데이터가 뼈 바이너리 학습부(121)로 입력되어, 흉부이미지에서 뼈영역을 딥러닝하여 생성된다.
뼈영역 학습데이터는 복수의 흉부이미지와, 각각의 흉부이미지가 바이너리된 뼈 바이너리 이미지(25)이다.
도 5를 참조하면, 뼈 바이너리 모델(125)은 진단 대상 이미지(10)인 흉부이미지를 입력데이터로 하여, 뼈 바이너리 이미지(25)를 출력한다.
도 3을 참조하면, 폐 세그멘테이션 모델(135)은, 폐영역 학습데이터가 폐 세그멘테이션 학습부(131)로 입력되어, 연조직 이미지(30)에서 폐영역을 딥러닝하여 생성된다.
폐영역 학습데이터는 복수의 연조직 이미지(30)와, 각각의 연조직 이미지(30)에 대해 폐영역을 세그멘테이션한 폐 세그멘테이션 이미지(35)이다.
도 6을 참조하면, 폐 세그멘테이션 모델(135)은 연조직 이미지를 입력데이터로 하여, 연조직 이미지(30)에서 폐영역을 세그멘테이션한 폐 세그멘테이션 이미지(35)를 출력한다.
도 4를 참조하면, 폐질환 검출 모델(145)은, 폐질환 학습데이터가 폐질환 학습부로 입력되어, 폐질환 학습데이터가 기등록된 분류 알고리즘을 통해 딥러닝되어 생성된다. 여기서, 분류 알고리즘은 폐질환 정보에 따라 폐이미지(40)를 질환 종류별로 분류하는 알고리즘이다.
폐질환 학습데이터는 복수의 폐이미지(40)와, 각각의 폐이미지(40)에 대한 폐질환 정보이다. 여기서, 폐이미지(40)는 폐병변이 없는 정상 폐이미지(40)와, 병변이 존재하는 병변 폐이미지(40)가 해당된다. 폐질환 정보는 정상, 기흉, 결핵, 폐렴, 폐암 등의 정보이다.
도 1 및 도 5를 참조하면, 뼈영역 제거부(120)는 진단 대상 이미지(10)가 입력되면, 진단 대상 이미지(10)에서 뼈영역이 제거된 연조직 이미지(30)를 출력한다.
우선, 뼈영역 제거부(120)는, 뼈 바이너리 모델(125)에 기초하여, 전처리 이미지(20)를 뼈 바이너리 이미지(25)로 출력한다. 뼈 바이너리 이미지(25)는 전처리 이미지(20)의 뼈영역과 뼈영역 외의 부분이 흑과 백으로 바이너리된 이미지이다. 그리고, 연조직 이미지(30)는 전처리 이미지(20)에서 뼈영역이 제거되어 연조직(폐, 심장, 간 등)만 존재하는 이미지이다.
이어서, 뼈영역 제거부(120)는 기등록된 영역 제거 알고리즘에 기초하여, 뼈 바이너리 이미지(25)에 진단 대상 이미지(10)가 오버레이되어, 진단 대상 이미지(10)에서 뼈 바이너리 이미지(25)의 뼈영역에 해당되는 부분을 제거한다. 여기서, 영역 제거 알고리즘은 뼈 바이너리 이미지(25)의 뼈영역에 해당되는 부분을 상기 진단 대상 이미지(10)에서 제거하는 이미지 처리 알고리즘이다.
도 1 및 도 6을 참조하면, 폐영역 추출부(130)는 연조직 이미지(30)가 입력되면, 연조직 이미지(30)에서 폐영역만 따로 추출하여 폐영역에 대한 폐이미지(40)로 출력한다.
폐영역 추출부(130)는 폐 세그먼테이션 모델에 기초하여, 연조직 이미지에서 폐영역을 세그멘테이션한 폐 세그멘테이션 이미지(35)를 출력한다.
이어서, 폐영역 추출부(130)는 기등록된 영역 추출 알고리즘에 기초하여, 폐 세그멘테이션 이미지(35)에 연조직 이미지(30)가 오버레이되어, 연조직 이미지(30)에서 폐영역을 추출하여, 폐이미지(40)로 출력한다.
여기서, 영역 추출 알고리즘은 폐 세그멘테이션 이미지(35)의 폐영역에 해당되는 부분을 상기 연조직 이미지(30)에서 추출하는 이미지 처리 알고리즘이다. 그리고, 폐이미지(40)는 연조직 이미지(30)에서 폐영역 이외의 부분이 제거되어, 폐영역만 존재하는 이미지이다.
도 1을 참조하면, 폐질환 진단부(140)는 폐질환 검출 모델(145)에 기초하여, 폐이미지(40)로부터 폐질환 여부를 진단한다. 그리고, 폐질환 진단부(140)는 폐질환 검출 모델(145)에 기초하여, 폐이미지(40)로부터 병변 부위가 검출되면, 폐이미지(40)에 병변부위(51)가 표시된 진단 결과 이미지(50)를 출력한다.
● 딥러닝 기반의 폐질환 진단 보조 방법
이하에서는 도 7 내지 도 10을 참조하여, 본 발명의 일 실시예에 따른 딥러닝 기반의 폐질환 진단 보조 방법에 대해 설명하기로 한다.
학습데이터를 입력데이터로 하여(S10), 폐 질환이 딥러닝되어 진단모델이 생성된다(S30). 진단모델로는 뼈 바이너리 모델(125), 폐 세그멘테이션 모델(135) 및 폐질환 검출모델(145)이 생성된다.
뼈 이너리 모델은 뼈영역 학습데이터를 입력으로 하는 딥러닝을 통해 생성된다(S31). 뼈영역 학습데이터는 복수의 흉부이미지와, 각각의 흉부이미지의 뼈영역이 바이너리된 뼈 바이너리 이미지(25)를 포함한다.
폐 세그멘테이션 모델(135)은 폐영역 학습데이터를 입력으로 하는 딥러닝을 통해 생성된다(S32). 폐영역 학습데이터는 복수의 연조직 이미지(30)와, 각각의 연조직 이미지(30)에 대해 폐영역을 세그멘테이션한 폐 세그멘테이션 이미지(35)를 포함한다.
폐질환 검출 모델(145)은 폐질환 학습데이터를 입력데이터로 하여, 폐질환 학습데이터가 기등록된 분류 알고리즘을 통해 딥러닝되어 생성된다(S33). 폐질환 학습데이터는 복수의 폐이미지(40)와, 각각의 폐이미지(40)에 대한 폐질환 정보가 폐질환 학습데이터를 포함한다. 분류 알고리즘은 폐질환 정보에 따라 폐이미지(40)를 질환 종류별(정상, 기흉, 결핵, 천식, 암 등)로 분류하는 알고리즘이다.
폐가 찍힌 진단 대상 이미지(10)가 진단 모델로 입력된다(S40). 진단 대상 이미지(10)는 기등록된 이미지 전처리 알고리즘을 통해 전처리 가능하다.
진단 대상 이미지(10)가 입력되면, 진단모델에 기초하여, 진단 대상 이미지(10)의 폐질환 여부가 진단된다(S50). 상술한 바와 같이, 진단 모델로는 뼈 바이너리 모델(125), 폐 세그멘테이션 모델(135) 및 폐질환 검출모델(145)이 적용된다.
도 9(a) 및 도 10을 참조하면, 진단 대상 이미지(10)는 뼈 바이너리 모델(125)에 기초하여, 뼈 바이너리 이미지(25)로 출력된다(S51).
뼈 바이너리 이미지(25)는 진단 대상 이미지(10)에 오버레이된다. 이어서, 기등록된 영역 제거 알고리즘에 기초하여, 진단 대상 이미지(10)에서 뼈 바이너리 이미지(25)의 뼈영역이 제거되어, 연조직 이미지(30)로 출력된다(S52).
도 9(b) 및 도 10을 참조하면, 연조직 이미지(30)는 폐 세그멘테이션 모델(135)에 기초하여, 폐 세그멘테이션 이미지(35)로 출력된다(S53).
폐 세그멘테이션 이미지(35)는 연조직 이미지(30)에 오버레이된다. 이어서, 기등록된 영역 추출 알고리즘에 기초하여, 연조직 이미지(30)에서 폐영역이 추출되어, 폐영역에 대한 폐이미지(40)가 출력된다(S54).
도 9(b) 및 도 10을 참조하면, 폐이미지(40)는 폐질환 검출 모델(145)에 기초하여 진단 결과 이미지로 출력된다(S55). 진단 결과 이미지는 폐이미지(40)에 병변부위가 표시된 이미지로서, 질환에 대한 진단명도 함께 출력된다(S60).
본 발명은 진단 대상 이미지(10)에서 갈비뼈와 같이 폐를 가리는 뼈영역을 제거하여 연조직의 선명도를 높이고, 연조직 이미지(30)에서 폐영역을 추출하여 폐이미지(40)를 생성하여, 폐영역에 대한 선명도를 향상시킬 수 있다.
본 발명은 기등록된 진단모델을 통해 진단 대상자의 폐가 촬영된 진단 대상 이미지(10)로부터 폐 질환을 검출할 수 있다.
본 발명은 폐질환 진단시 불필요한 요소(갈비뼈, 심장, 간과 같은 다른 장기)를 제거된 폐이미지(40)를 진단모델에 적용하여, 진단의 정확도를 향상시킬 수 있다.
본 발명은 진단 결과 이미지에 병변 부위를 표시하여, 병변 부위의 시각화를 통해 의료인의 진단 결정에 보조할 수 있다.
비록 본 발명의 몇몇 실시예들이 도시되고 설명되었지만, 본 발명이 속하는 기술분야의 통상의 지식을 가진 당업자라면 본 발명의 원칙이나 정신에서 벗어나지 않으면서 본 실시예를 변형할 수 있음을 알 수 있을 것이다. 발명의 범위는 첨부된 청구항과 그 균등물에 의해 정해질 것이다.
100: 딥러닝 기반의 폐질환 진단 보조 시스템
110: 영상입력부 120: 뼈영역 제거부
121: 뼈 바이너리 학습부 125: 뼈 바이너리 모델
130: 폐영역 추출부 131: 폐 세그멘테이션 학습부
135: 폐 세그멘테이션 모델 140: 폐질환 진단부
141: 폐질환 학습부 145: 폐질환 검출 모델
10: 진단 대상 이미지 20: 전처리 이미지
30: 연조직 이미지 40: 폐이미지
50: 진단 결과 이미지
110: 영상입력부 120: 뼈영역 제거부
121: 뼈 바이너리 학습부 125: 뼈 바이너리 모델
130: 폐영역 추출부 131: 폐 세그멘테이션 학습부
135: 폐 세그멘테이션 모델 140: 폐질환 진단부
141: 폐질환 학습부 145: 폐질환 검출 모델
10: 진단 대상 이미지 20: 전처리 이미지
30: 연조직 이미지 40: 폐이미지
50: 진단 결과 이미지
Claims (13)
- 폐가 촬영된 진단 대상 이미지가 입력되는 영상입력부;
뼈 바이너리 모델에 기초하여, 상기 진단 대상 이미지에서 뼈영역을 제거하여, 상기 뼈영역이 제거된 연조직 이미지를 출력하는 뼈영역 제거부;
폐 세그먼테이션 모델에 기초하여, 상기 연조직 이미지에서 폐영역을 추출하여, 상기 폐영역에 대한 폐이미지를 출력하는 폐영역 추출부; 및
폐질환 검출 모델에 기초하여, 상기 폐이미지로부터 폐질환 여부를 진단하는 폐질환 진단부를 포함하는 것을 특징으로 하는 딥러닝 기반의 폐질환 진단 보조 시스템. - 제 1 항에 있어서, 상기 폐질환 검출 모델은,
상기 복수의 폐이미지와, 상기 각각의 폐이미지에 대한 폐질환 정보가 폐질환 학습데이터로 입력되고, 상기 폐질환 학습데이터가 기등록된 분류 알고리즘을 통해 딥러닝되어 생성되고,
상기 분류 알고리즘은 상기 폐질환 정보에 따라 상기 폐이미지를 질환 종류별로 분류하는 알고리즘인 것을 특징으로 하는 딥러닝 기반의 폐질환 진단 보조 시스템. - 제 2 항에 있어서,
상기 폐질환 진단부는 상기 폐질환 검출 모델에 기초하여, 상기 폐이미지로부터 병변 부위가 검출되면, 상기 폐이미지에 상기 병변부위가 표시된 진단 결과 이미지를 출력하는 것을 특징으로 하는 딥러닝 기반의 폐질환 진단 보조 시스템. - 제 1 항에 있어서, 상기 뼈 바이너리 모델은,
복수의 흉부이미지와, 상기 각각의 흉부이미지가 바이너리된 뼈 바이너리 이미지가 뼈영역 학습데이터로 입력되어, 상기 뼈영역 학습데이터를 입력으로 하는 딥러닝을 통해 생성되고,
상기 뼈 바이너리 이미지를 출력데이터로 하는 것을 특징으로 하는 딥러닝 기반의 폐질환 진단 보조 시스템. - 제 4 항에 있어서, 상기 뼈영역 제거부는,
상기 뼈 바이너리 모델에 기초하여, 상기 진단 대상 이미지를 입력데이터로 하여, 상기 뼈 바이너리 이미지를 출력하고,
기등록된 영역 제거 알고리즘에 기초하여, 상기 뼈 바이너리 이미지가 상기 진단 대상 이미지에 오버레이되어, 상기 진단 대상 이미지에서 상기 뼈 바이너리 이미지의 뼈영역에 해당되는 부분이 제거되어, 상기 연조직 이미지로 출력하는 것을 특징으로 하는 딥러닝 기반의 폐질환 진단 보조 시스템. - 제 1 항에 있어서, 상기 폐 세그먼테이션 모델은,
복수의 연조직 이미지와, 상기 각각의 연조직 이미지에 대해 상기 폐영역을 세그멘테이션한 폐 세그멘테이션 이미지가 폐영역 학습데이터로 입력되고, 상기 폐영역 학습데이터를 입력으로 하는 딥러닝을 통해 생성되고,
상기 폐 세그멘테이션 이미지를 출력데이터로 하는 것을 특징으로 하는 딥러닝 기반의 폐질환 진단 보조 시스템. - 제 6 항에 있어서, 상기 폐영역 추출부는,
상기 폐 세그멘테이션 모델에 기초하여, 상기 연조직 이미지를 입력데이터로 하여, 상기 폐 세그멘테이션 이미지를 출력하고,
기등록된 영역 추출 알고리즘에 기초하여, 상기 폐 세그멘테이션 이미지가 상기 연조직 이미지에 오버레이되어, 상기 연조직 이미지에서 상기 폐영역이 추출되어, 상기 폐이미지로 출력하는 것을 특징으로 하는 딥러닝 기반의 폐질환 진단 보조 시스템. - 제 1 항에 있어서,
상기 영상입력부는 기등록된 이미지 전처리 알고리즘을 통해, 상기 진단 대상 이미지를 전처리하는 것을 특징으로 하는 딥러닝 기반의 폐질환 진단 보조 시스템. - (A) 학습데이터를 이용하여, 폐 질환이 딥러닝되어 진단모델이 생성되는 단계;
(B) 폐가 찍힌 진단 대상 이미지가 입력되는 단계; 및
(C) 상기 진단모델에 기초하여, 상기 진단 대상 이미지의 폐질환 여부가 진단되는 단계를 포함하고,
상기 (A) 단계는,
(A1) 복수의 흉부이미지와, 상기 각각의 흉부이미지의 뼈영역이 바이너리된 뼈 바이너리 이미지가 뼈영역 학습데이터로 입력되고, 상기 뼈영역 학습데이터를 입력으로 하는 딥러닝을 통해 뼈 바이너리 모델이 생성되는 단계;
(A2) 복수의 연조직 이미지와, 상기 각각의 연조직 이미지에 대해 상기 폐영역을 세그멘테이션한 폐 세그멘테이션 이미지가 폐영역 학습데이터로 입력되고, 상기 폐영역 학습데이터를 입력으로 하는 딥러닝을 통해 폐 세그멘테이션 모델이 생성되는 단계; 및
(A3) 복수의 폐이미지와, 상기 각각의 폐이미지에 대한 폐질환 정보가 폐질환 학습데이터로 입력되고, 상기 폐질환 학습데이터를 입력으로 하는 딥러닝을 통해 폐질환 검출 모델이 생성되는 단계를 포함하고,
상기 C 단계에서, 상기 뼈 바이너리 모델, 상기 폐 세그멘테이션 모델 및 상기 폐질환 검출 모델이 상기 진단모델로 적용되는 것을 특징으로 하는 딥러닝 기반의 폐질환 진단 보조 방법. - 제 9 항에 있어서, 상기 C 단계는,
(C1) 상기 뼈 바이너리 모델에 기초하여, 상기 진단 대상 이미지가 상기 뼈 바이너리 이미지로 출력되는 단계;
(C2) 상기 뼈 바이너리 이미지가 상기 진단 대상 이미지에 오버레이되는 단계;
(C3) 기등록된 영역 제거 알고리즘에 기초하여, 상기 진단 대상 이미지에서 상기 뼈 바이너리 이미지의 상기 뼈영역이 제거되어, 상기 연조직 이미지로 출력되는 단계;
(C4) 상기 폐 세그멘테이션 모델에 기초하여, 상기 연조직 이미지가 상기 폐 세그멘테이션 이미지로 출력되는 단계;
(C5) 상기 폐 세그멘테이션 이미지가 상기 연조직 이미지에 오버레이되는 단계;
(C6) 기등록된 영역 추출 알고리즘에 기초하여, 상기 연조직 이미지에서 상기 폐영역이 추출되어, 상기 폐영역에 대한 상기 폐이미지가 출력되는 단계; 및
(C7) 상기 폐질환 검출 모델에 기초하여, 상기 폐이미지로부터 병변여부가 검출되는 단계를 포함하는 것을 특징으로 하는 딥러닝 기반의 폐질환 진단 보조 방법. - 제 10 항에 있어서, 상기 C 단계는,
(C8) 상기 폐이미지로부터 병변 부위가 검출되면, 상기 폐이미지에 상기 병변부위가 표시된 진단 결과 이미지를 출력하는 단계를 더 포함하는 것을 특징으로 하는 딥러닝 기반의 폐질환 진단 보조 방법. - 제 9 항에 있어서, 상기 B 단계에서,
상기 진단 대상 이미지는 기등록된 이미지 전처리 알고리즘을 통해 전처리되는 것을 특징으로 하는 딥러닝 기반의 폐질환 진단 보조 방법. - 제 9 항에 있어서,
상기 폐질환 검출 모델은,
상기 폐질환 학습데이터를 입력데이터로 하여, 상기 폐질환 학습데이터가 기등록된 분류 알고리즘을 통해 딥러닝되어 생성되고,
상기 분류 알고리즘은 상기 폐질환 정보에 따라 상기 폐이미지를 질환 종류별로 분류하는 알고리즘인 것을 특징으로 하는 딥러닝 기반의 폐질환 진단 보조 방법.
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200180989A KR20220090645A (ko) | 2020-12-22 | 2020-12-22 | 딥러닝 기반의 폐질환 진단 보조 시스템 및 딥러닝 기반의 폐질환 진단 보조 방법 |
PCT/KR2021/003481 WO2022139068A1 (ko) | 2020-12-22 | 2021-03-22 | 딥러닝 기반의 폐질환 진단 보조 시스템 및 딥러닝 기반의 폐질환 진단 보조 방법 |
US17/293,250 US20240020823A1 (en) | 2020-12-22 | 2021-03-22 | Assistance diagnosis system for lung disease based on deep learning and assistance diagnosis method thereof |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200180989A KR20220090645A (ko) | 2020-12-22 | 2020-12-22 | 딥러닝 기반의 폐질환 진단 보조 시스템 및 딥러닝 기반의 폐질환 진단 보조 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20220090645A true KR20220090645A (ko) | 2022-06-30 |
Family
ID=82158067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200180989A KR20220090645A (ko) | 2020-12-22 | 2020-12-22 | 딥러닝 기반의 폐질환 진단 보조 시스템 및 딥러닝 기반의 폐질환 진단 보조 방법 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20240020823A1 (ko) |
KR (1) | KR20220090645A (ko) |
WO (1) | WO2022139068A1 (ko) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20240064065A (ko) | 2022-11-04 | 2024-05-13 | 경북대학교 산학협력단 | Ct 영상의 기계학습에 기반하여 시멘트분진 노출 대상을 분류하는 장치 및 방법 |
KR20240064107A (ko) | 2022-11-04 | 2024-05-13 | 경북대학교 산학협력단 | 초음파 이미지의 딥러닝에 기반하여 회전근개 파열을 분류하는 장치 및 방법 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010063514A (ja) * | 2008-09-09 | 2010-03-25 | Konica Minolta Medical & Graphic Inc | 医用画像診断支援装置、医用画像診断支援方法及びプログラム |
KR101185728B1 (ko) * | 2011-09-21 | 2012-09-25 | 주식회사 인피니트헬스케어 | 의료영상에서의 세그멘테이션 방법 및 그 장치 |
KR101794578B1 (ko) * | 2017-06-07 | 2017-11-07 | (주)크레아소프트 | 질병 예측 방법, 이를 수행하기 위한 기록 매체 및 장치 |
US20200334801A1 (en) * | 2017-12-06 | 2020-10-22 | Nec Corporation | Learning device, inspection system, learning method, inspection method, and program |
KR102062539B1 (ko) * | 2019-03-06 | 2020-01-06 | 주식회사 딥노이드 | 딥러닝 기반의 요추 질환 보조 진단 방법 |
-
2020
- 2020-12-22 KR KR1020200180989A patent/KR20220090645A/ko not_active Application Discontinuation
-
2021
- 2021-03-22 WO PCT/KR2021/003481 patent/WO2022139068A1/ko active Application Filing
- 2021-03-22 US US17/293,250 patent/US20240020823A1/en active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20240064065A (ko) | 2022-11-04 | 2024-05-13 | 경북대학교 산학협력단 | Ct 영상의 기계학습에 기반하여 시멘트분진 노출 대상을 분류하는 장치 및 방법 |
KR20240064107A (ko) | 2022-11-04 | 2024-05-13 | 경북대학교 산학협력단 | 초음파 이미지의 딥러닝에 기반하여 회전근개 파열을 분류하는 장치 및 방법 |
Also Published As
Publication number | Publication date |
---|---|
US20240020823A1 (en) | 2024-01-18 |
WO2022139068A1 (ko) | 2022-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2017292642B2 (en) | System and method for automatic detection, localization, and semantic segmentation of anatomical objects | |
Silva et al. | Automatic segmenting teeth in X-ray images: Trends, a novel data set, benchmarking and future perspectives | |
KR102062539B1 (ko) | 딥러닝 기반의 요추 질환 보조 진단 방법 | |
KR102212499B1 (ko) | Ivus 영상 분석방법 | |
Anis et al. | An overview of deep learning approaches in chest radiograph | |
US8527244B2 (en) | Generating model data representing a biological body section | |
CN113506294B (zh) | 一种医疗图像评估方法、系统、计算机设备及存储介质 | |
US20100260394A1 (en) | Image analysis of brain image data | |
KR102483198B1 (ko) | 혈관 영상에 기초한 주요 혈관 영역 추출 방법 및 장치 | |
Bourbakis | Detecting abnormal patterns in WCE images | |
Datta et al. | A novel technique to detect caries lesion using isophote concepts | |
da Silva et al. | Fast pulmonary contour extraction in X-ray CT images: a methodology and quality assessment | |
CN111292307A (zh) | 一种消化系统胆囊结石识别方法及定位方法 | |
Rad et al. | Computer-aided dental caries detection system from X-ray images | |
JP6301277B2 (ja) | 診断補助画像生成装置および診断補助画像生成方法、並びに、診断補助画像生成プログラム | |
KR102095730B1 (ko) | 딥러닝 기반의 대장 병변 검출 방법 | |
JP2002140689A (ja) | 医用画像処理装置及びその方法 | |
US20240020823A1 (en) | Assistance diagnosis system for lung disease based on deep learning and assistance diagnosis method thereof | |
KR101431745B1 (ko) | 생체 중의 특정 부위에 대한 분석정보 출력방법 및 장치 | |
KR102095731B1 (ko) | 딥러닝 기반의 보조 진단 시스템의 mra 영상 학습 방법 및 혈관 병변 보조 진단 방법 | |
JP5192751B2 (ja) | 画像処理装置、画像処理方法、および画像処理プログラム | |
Atencio et al. | Image Processing Techniques for Medical Applications | |
Mourya et al. | Automatic segmentation of human ribcage from 3D medical dataset for diagnosis | |
KR102132564B1 (ko) | 진단 장치 및 진단 방법 | |
US20240005495A1 (en) | Image processing device, method, and program |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
E601 | Decision to refuse application |