KR20220093017A - 인공지능 기반의 전립선암 병리 영상 레포트 시스템 - Google Patents
인공지능 기반의 전립선암 병리 영상 레포트 시스템 Download PDFInfo
- Publication number
- KR20220093017A KR20220093017A KR1020200183795A KR20200183795A KR20220093017A KR 20220093017 A KR20220093017 A KR 20220093017A KR 1020200183795 A KR1020200183795 A KR 1020200183795A KR 20200183795 A KR20200183795 A KR 20200183795A KR 20220093017 A KR20220093017 A KR 20220093017A
- Authority
- KR
- South Korea
- Prior art keywords
- prostate
- image data
- image
- gleason
- report
- Prior art date
Links
- 206010060862 Prostate cancer Diseases 0.000 title claims abstract description 48
- 208000000236 Prostatic Neoplasms Diseases 0.000 title claims abstract description 48
- 230000001575 pathological effect Effects 0.000 title claims abstract description 15
- 238000013473 artificial intelligence Methods 0.000 title 1
- 210000002307 prostate Anatomy 0.000 claims abstract description 179
- 238000001574 biopsy Methods 0.000 claims abstract description 27
- 238000003384 imaging method Methods 0.000 claims description 37
- 230000007170 pathology Effects 0.000 claims description 37
- 238000011176 pooling Methods 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000002599 functional magnetic resonance imaging Methods 0.000 claims description 6
- 238000013170 computed tomography imaging Methods 0.000 claims description 5
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 3
- 238000002600 positron emission tomography Methods 0.000 claims description 3
- 238000002603 single-photon emission computed tomography Methods 0.000 claims description 3
- 238000003325 tomography Methods 0.000 claims description 3
- 238000012285 ultrasound imaging Methods 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 6
- 210000004907 gland Anatomy 0.000 description 10
- 206010028980 Neoplasm Diseases 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000000392 somatic effect Effects 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 206010027476 Metastases Diseases 0.000 description 1
- 102000007066 Prostate-Specific Antigen Human genes 0.000 description 1
- 108010072866 Prostate-Specific Antigen Proteins 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 210000004392 genitalia Anatomy 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000003049 pelvic bone Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 210000004908 prostatic fluid Anatomy 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 210000002966 serum Anatomy 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 210000004881 tumor cell Anatomy 0.000 description 1
- 210000003708 urethra Anatomy 0.000 description 1
- 210000001635 urinary tract Anatomy 0.000 description 1
- 210000001215 vagina Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/43—Detecting, measuring or recording for evaluating the reproductive systems
- A61B5/4375—Detecting, measuring or recording for evaluating the reproductive systems for evaluating the male reproductive system
- A61B5/4381—Prostate evaluation or disorder diagnosis
-
- 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
-
- 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
- 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
- G16H50/70—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)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Radiology & Medical Imaging (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- High Energy & Nuclear Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Optics & Photonics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Reproductive Health (AREA)
- Gynecology & Obstetrics (AREA)
- Computational Linguistics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
본 발명은 개별 전립선 조직 병리 영상으로부터 전립선암 등급을 산출하고, 개별 전립선 조직 병리 영상을 병합하여 전립선암을 진단한 결과를 출력하는 시스템에 관한 것이다.
본 발명의 전립선암 병리 영상 레포트 시스템은, 전립선 조직 영상 데이터로부터 글리슨 등급 별 확률과 글리슨 점수를 산출하고, 제 1 레포트를 생성하는 전립선 조직 분류부와; 전립선 전체 영상 데이터 상에 전립선 조직 영상 데이터를 대응시키는 생검 영역 지정부와; 전립선 전체 영상 데이터의 글리슨 등급 별 확률과 글리슨 점수를 산출하는 병리 영상 진단부를 포함한다.
본 발명의 전립선암 병리 영상 레포트 시스템은, 전립선 조직 영상 데이터로부터 글리슨 등급 별 확률과 글리슨 점수를 산출하고, 제 1 레포트를 생성하는 전립선 조직 분류부와; 전립선 전체 영상 데이터 상에 전립선 조직 영상 데이터를 대응시키는 생검 영역 지정부와; 전립선 전체 영상 데이터의 글리슨 등급 별 확률과 글리슨 점수를 산출하는 병리 영상 진단부를 포함한다.
Description
본 발명은 개별 전립선 조직 병리 영상으로부터 전립선암 등급을 산출하고, 개별 전립선 조직 병리 영상을 병합하여 전립선암을 진단한 결과를 출력하는 시스템에 관한 것이다.
전립선(prostate)은 남성의 생식기 분비 기관으로, 전립선액을 생산하여 신체의 외부로 배출한다. 전립선액은 약 알칼리성의 유백색 액체로, 요로에 존재하는 세균을 죽이고 여성의 질내의 산성을 중화시켜 정자의 생존을 돕는 역할을 한다.
전립선암(prostate cancer)은 전립선의 주변부로부터 시작되는 악성 종양으로, 암이 진행함에 따라 요도를 압박하거나 다른 비뇨기과적인 문제를 일으킬 수 있다. 또한 다른 암과 비교하여 척추나 골반 뼈 등 신체의 중심 부위로 전이가 잘 되어, 심각한 합병증을 일으킬 수 있다.
전립선암의 발생 원인은 정확하게 밝혀지지 않았으나, 최근 고령화 사회가 진행되고 생활 양식이 서구화 됨에 따라, 급격하게 증가하고 있는 추세이다. 특히 전립선암은 50세 이전에는 발병률이 흔하지 않으나, 50세 이후가 되면서 발병률이 급격히 증가하는 양상을 보인다.
최근 국내에서 전립선암으로 새로이 진단되는 환자수와 사망률이 크게 증가하고 있다. 이 때문에 전립선암의 정확한 진단 방법과, 그에 맞는 적절한 치료 방법이 많은 관심을 받고 있다.
전립선암은, 경직장 수지 검사, 혈청 전립선 특이항원 검사, 경직장 초음파 검사, 전립선 조직 검사 등을 통해 진단을 할 수 있다. 이중 전립선 조직 검사는, 전립선의 조직을 떼어내어 현미경 검사를 시행하는 전립선 조직 생검(prostate biopsy) 후, 육안으로 전립선 조직 병리 영상을 관찰하여 전립선암을 분류하는 것이다.
의료진은 개별 전립선 조직 병리 영상을 직접 관찰하여 전립선암을 분류할 수 있지만, 오진의 가능성이 존재할 수 있고, 개별 전립선 조직 병리 영상들을 병합하여 전립선암의 진행 여부를 판단하기 어려운 문제점이 있다.
본 발명의 목적은 상기와 같은 문제점을 해결하기 위한 것으로, 개별 전립선 조직 병리 영상으로부터 전립선암 등급을 산출하고, 개별 전립선 조직 병리 영상을 병합하여 전립선암 진단 결과를 출력하는 시스템을 제공하는 것이다.
상기와 같은 목적을 달성하기 위하여 본 발명은, 전립선 조직 영상 데이터가 표시하는 이미지인 제 1 이미지를 입력 받아, 제 1 내지 제 5 글리슨 등급 별 확률과 글리슨 점수를 산출하고, 상기 전립선 조직 영상 데이터의 제 1 내지 제 5 글리슨 등급 별 확률과 글리슨 점수를 포함하는 제 1 레포트를 생성하는 전립선 조직 분류부와; 전립선 전체 영상 데이터 상에서 상기 전립선 조직 영상 데이터를 대응시키는 생검 영역 지정부와; 모든 상기 전립선 조직 영상 데이터에 대하여, 제 1 내지 제 5 글리슨 등급 별로 각각 확률의 총합과 백분율을 산출하고, 상기 산출한 제 1 내지 제 5 글리슨 등급 별 확률의 백분율을, 상기 전립선 전체 영상 데이터의 제 1 내지 제 5 글리슨 등급 별 확률로 지정하는 병리 영상 진단부를 포함하는 전립선암 병리 영상 레포트 시스템을 제공한다.
그리고, 상기 전립선 조직 영상 데이터는, 전립선 조직을 일부 채취한 검체를 현미경으로 촬영한 다음, 2차원의 이미지 파일 형식으로 가공한 것이고, 상기 전립선 전체 영상 데이터는, 전립선을 대상으로 컴퓨터 단층 촬영 영상(CT), 양전자 방출 단층 촬영 영상(PET), 단일 광자 단층 촬영 영상(SPECT), 자기 공명 영상(MRI), 기능적 자기 공명 영상(fMRI), 초음파 영상 중 어느 하나의 의료 영상을 촬영한 후, 2차원의 이미지 파일 형식으로 가공한 것인, 전립선암 병리 영상 레포트 시스템을 제공한다.
그리고, 상기 전립선 조직 분류부는, 합성곱 신경망을 포함하고, 상기 합성곱 신경망은, 각각 2차원의 행렬 형태인 입력 계층과, 제 1 내지 제 N 필터와, 제 1 내지 제 N 합성곱 계층과, 제 1 내지 제 N 풀링 계층과, 각각 1차원의 벡터 형태인 제 1 내지 제 M 완전 연결 계층과, 출력 계층과 각각 하나의 값인 제 1 내지 제 N 바이어스를 포함하는, 전립선암 병리 영상 레포트 시스템을 제공한다.
그리고, 상기 입력 계층의 행의 개수는, 상기 제 1 이미지의 세로 크기와 동일하고, 상기 입력 계층의 열의 개수는, 상기 제 1 이미지의 가로 크기와 동일하며, 상기 전립선 조직 분류부는, 상기 제 1 이미지의 픽셀 값을 대응하는 상기 입력 계층의 원소에 입력하는, 전립선암 병리 영상 레포트 시스템을 제공한다.
그리고, 상기 출력 계층은, 상기 전립선 조직 영상 데이터의 제 1 내지 제 5 글리슨 등급 별 확률을 각각 나타내는 5개의 원소를 포함하는, 전립선암 병리 영상 레포트 시스템을 제공한다.
그리고, 상기 전립선 조직 분류부는, 가장 큰 값을 가지는 상기 출력 계층의 원소와, 두 번째로 큰 값을 가지는 상기 출력 계층의 원소를 더하여, 상기 전립선 조직 영상 데이터의 글리슨 점수를 산출하는, 전립선암 병리 영상 레포트 시스템을 제공한다.
그리고, 사용자 입력부를 더 포함하고, 상기 사용자 입력부는, 상기 제 1 이미지를 상기 전립선 전체 영상 데이터가 표시하는 이미지인 제 2 이미지 상에 위치시키는 입력을 받거나, 상기 제 1 레포트를 상기 제 2 이미지 상에 위치시키는 입력을 받는, 전립선암 병리 영상 레포트 시스템을 제공한다.
그리고, 상기 생검 영역 지정부는, 상기 제 1 이미지가 상기 제 2 이미지 상에서 위치하는 곳의 좌표를 획득하여, 상기 전립선 조직 영상 데이터에 대한 전립선의 생검 영역 정보를 생성하거나, 상기 제 1 레포트가 상기 제 2 이미지 상에서 위치하는 곳의 좌표를 획득하여, 상기 전립선 조직 영상 데이터에 대한 전립선의 생검 영역 정보를 생성하는, 전립선암 병리 영상 레포트 시스템을 제공한다.
그리고, 상기 병리 영상 진단부는, 상기 전립선 전체 영상 데이터의 제 1 내지 제 5 글리슨 등급 별 확률 중, 가장 큰 값을 가지는 글리슨 등급과, 두 번째로 큰 값을 가지는 글리슨 등급을 더하여 상기 전립선 전체 영상 데이터의 글리슨 점수를 산출하고, 상기 전립선 전체 영상 데이터의 제 1 내지 제 5 글리슨 등급 별 확률과 글리슨 점수를 포함하는 제 2 레포트를 생성하는, 전립선암 병리 영상 레포트 시스템을 제공한다.
그리고, 레포트 출력부를 더 포함하고, 상기 레포트 출력부는, 상기 전립선 조직 영상 데이터 별 상기 제 1 레포트와, 상기 제 2 레포트를 표시하는, 전립선암 병리 영상 레포트 시스템을 제공한다.
본 발명은, 개별 전립선 조직 병리 영상으로부터 전립선암 등급을 산출하고, 개별 전립선 조직 병리 영상을 병합하여 전립선암을 진단한 결과를 출력할 수 있다. 또한 사용자는 개별 전립선 조직 병리 영상의 이미지 또는 레포트를 드래그하여, 전립선 전체 영상에 위치시킴으로써, 개별 전립선 조직 병리 영상의 생검 영역을 편리하게 지정할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 전립선암 병리 영상 레포트 시스템을 간략하게 나타낸 블록도이다.
도 2는 본 발명의 일 실시 예에서, 합성곱 신경망을 간략하게 나타낸 블록도이다.
도 3a와 도 3b는 각각 본 발명의 일 실시예에서, 전립선 조직 영상 데이터의 제 1 이미지와 제 1 레포트를 간략하게 표시한 것이다.
도 4a는 본 발명의 일 실시 예에서, 전립선 전체 영상 데이터의 제 2 이미지와, 개별 전립선 조직 영상 데이터의 제 1 레포트를 간략하게 표시한 도면이다.
도 4b는 본 발명의 일 실시 예에서, 전립선 전체 영상 데이터의 제 2 이미지와 제 2 레포트를 간략하게 표시한 것이다.
도 2는 본 발명의 일 실시 예에서, 합성곱 신경망을 간략하게 나타낸 블록도이다.
도 3a와 도 3b는 각각 본 발명의 일 실시예에서, 전립선 조직 영상 데이터의 제 1 이미지와 제 1 레포트를 간략하게 표시한 것이다.
도 4a는 본 발명의 일 실시 예에서, 전립선 전체 영상 데이터의 제 2 이미지와, 개별 전립선 조직 영상 데이터의 제 1 레포트를 간략하게 표시한 도면이다.
도 4b는 본 발명의 일 실시 예에서, 전립선 전체 영상 데이터의 제 2 이미지와 제 2 레포트를 간략하게 표시한 것이다.
본 발명은 취지를 벗어나지 않는 한도에서 다양하게 변경하여 실시할 수 있고, 하나 이상의 실시 예를 가질 수 있다. 그리고 본 발명에서 “발명을 실시하기 위한 구체적인 내용” 및 “도면” 등에 기재한 실시 예는, 본 발명을 구체적으로 설명하기 위한 예시이며, 본 발명의 권리 범위를 제한하거나 한정하는 것은 아니다.
따라서, 본 발명이 속하는 기술 분야의 통상의 지식을 가진 자가, 본 발명의 “발명을 실시하기 위한 구체적인 내용” 및 “도면” 등으로부터 용이하게 유추할 수 있는 것은, 본 발명의 범위에 속하는 것으로 해석할 수 있다.
또한, 도면에 표시한 각 구성 요소들의 크기와 형태는, 실시 예의 설명을 위해 과장되어 표현한 것 일 수 있으며, 실제로 실시되는 발명의 크기와 형태를 한정하는 것은 아니다.
본 발명의 명세서에서 사용되는 용어를 특별히 정의하지 않는 이상, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 일반적으로 이해하는 것과 동일한 의미를 가질 수 있다.
이하, 도면을 참조하여 본 발명의 실시 예를 상세하게 설명한다.
도 1은 본 발명의 일 실시 예에 따른 전립선암 병리 영상 레포트 시스템을 간략하게 나타낸 블록도이다.
본 발명의 일 실시 예에 따른 전립선암 병리 영상 레포트 시스템(100)은 서버 컴퓨터, 데스크탑 컴퓨터, 스마트 폰 등 이진 데이터(binary data)를 읽고 처리할 수 있는 컴퓨팅 장치라면, 어느 것에 한정하지 않고 적용할 수 있다.
본 발명의 일 실시 예에 따른 전립선암 병리 영상 레포트 시스템(100)은, 병리 영상 입력부(110)와, 저장부(120)와, 전립선 조직 분류부(130)와, 사용자 입력부(140)와, 레포트 출력부(150)와, 생검 영역 지정부(160)와, 병리 영상 진단부(170)를 포함할 수 있다.
병리 영상 입력부(110)는, 전립선암 병리 영상 레포트 시스템(100)의 외부에서 전립선 조직 영상 데이터(TI)와 전립선 전체 영상 데이터(PI)를 수신할 수 있다.
전립선 조직 영상 데이터(TI)는, 전립선 조직을 일부 채취한 검체를 현미경으로 촬영한 다음, 2차원의 이미지 파일 형식으로 가공한 것일 수 있다.
전립선 전체 영상 데이터(PI)는, 전립선을 대상으로 컴퓨터 단층 촬영 영상(CT), 양전자 방출 단층 촬영 영상(PET), 단일 광자 단층 촬영 영상(SPECT), 자기 공명 영상(MRI), 기능적 자기 공명 영상(fMRI), 초음파 영상 중 어느 하나의 의료 영상을 촬영한 후, 2차원의 이미지 파일 형식으로 가공한 것일 수 있다.
예를 들어 전립선 조직 영상 데이터(TI)와 전립선 전체 영상 데이터(PI)는 각각, BMP(bitmap), JPG(Joint Photographic Experts Group), PNG(Portable Network Graphics), GIF(Graphics Interchange Format), TIFF(Tagged Image File Format) 중 어느 하나의 이미지 파일 형식으로 가공한 것일 수 있다.
병리 영상 입력부(110)가 수신하는 전립선 조직 영상 데이터(TI)는, 그 가로 크기와 세로 크기가 일정한 2차원의 이미지를 표시할 수 있다. 예를 들어 병리 영상 입력부(110)가 수신하는 전립선 조직 영상 데이터(TI)는, 가로 크기가 256 픽셀(pixel)이고, 세로 크기가 256 픽셀인 2차원의 이미지를 표시할 수 있다.
전립선 조직 영상 데이터(TI)와 전립선 전체 영상 데이터(PI)는 각각, 전립선 조직 검사 대상자에 대한 메타 데이터를 포함할 수 있다. 메타 데이터에는 전립선 조직 검사 대상자의 성명, 생년월일, 성별 등의 정보를 포함할 수 있다.
병리 영상 입력부(110)는, 전립선암 병리 영상 레포트 시스템(100)과 개인 통신망(Personal Area Network, PAN), 근거리 통신망(Local Area Network, LAN), 도시권 통신망(Metropolitan Area Network, MAN), 광역 통신망(Wide Area Network, WAN)으로 연결된 다른 컴퓨팅 장치로부터, TCP/IP(Transmission Control Protocol/Internet Protocol), SMB(Server Message Block), CIFS(Common Internet File System), NFS(Network File System) 등의 프로토콜 또는 다른 통신 프로토콜을 이용하여 전립선 조직 영상 데이터(TI)와 전립선 전체 영상 데이터(PI)를 수신할 수 있다.
병리 영상 입력부(110)는, 직렬 포트(serial port), 병렬 포트(parallel port), SCSI(Small Computer System Interface), USB(Universal Serial Bus), IEEE 1394, ATA(Advanced Technology Attachment), SATA(Serial Advanced Technology Attachment), M.2, PCI(Peripheral Component Interconnect Bus), PCI-Express 등의 데이터 입출력 단자 또는 다른 데이터 입출력 단자와 연결된 주변 기기로부터 전립선 조직 영상 데이터(TI)와 전립선 전체 영상 데이터(PI)를 수신할 수 있다.
저장부(120)는, 전립선 조직 영상 데이터(TI)와 전립선 전체 영상 데이터(PI)를 저장할 수 있다.
또한 전립선암 병리 영상 레포트 시스템(100)이 포함하는 구성 중 저장부(120)를 제외한 나머지 구성은, 저장부(120)에 저장한 모든 데이터를 로드(load)하여 사용할 수 있다. 그리고 저장부(120)는, 저장부(120)를 제외한 나머지 구성이 생성한 모든 데이터를 저장할 수 있다.
저장부(120)는 데이터를 저장하기 위해, 기억 장치를 포함할 수 있다. 기억 장치는 하드 디스크 드라이브(hard disk drive), 광학 디스크 드라이브(optical disc drive), 자기 테이프(magnetic tape), 플로피 디스크(floppy disk), 플래시 메모리(flash memory), SSD(Solid State Drive) 등의 비휘발성 메모리 장치이거나, 램(Random Access Memory) 등의 휘발성 메모리 장치 또는 다른 종류의 기억 장치일 수 있다.
전립선 조직 분류부(130)는, 전립선 조직 영상 데이터(TI)로부터 글리슨 등급 별 확률과 글리슨 점수를 산출할 수 있다.
글리슨 등급(Gleason Pattern, GP)은 전립선암의 분화 정도를 나타낼 수 있다. 글리슨 등급은, “밀집하여 뭉쳐진, 하나의, 분리된, 둥근, 단일 형태의 선들: 잘 구분되는 종양의 경계”를 가진 제 1 글리슨 등급(grade 1)과, “하나의, 분리된, 둥근, 비교적 단일 형태의 선들로 한 개의 선 크기에 이르는 기질층에 분리됨: 비교적 구분되는 종양의 경계”를 가진 제 2 글리슨 등급(grade 2)과, “하나의, 분리된, 여러 가지 크기의 불규칙적인 선들: 체모양 또는 유두상 모양의 종양으로 경계가 불분명함” 특징을 가진 제 3 글리슨 등급(grade 3)과, “침습적인 코드를 가진 융합된 선들을 가진 종양, 유두상, 체모양 또는 고형의 작은 선들로 구성: 세포는 작고 검거나 투명함” 특징을 가진 제 4 글리슨 등급(grade 4)과, “면포 모양의 종양 배경에 선들이 거의 없으며 기질층을 침습하는 종양 세포의 코드형 또는 판형으로 구성” 되는 제 5 글리슨 등급(grade 5)으로 나눌 수 있다.
글리슨 점수(Gleason Score, GS)는, 전립선 조직에서 가장 많이 나타나는 글리슨 등급(GP)과, 그 다음으로 많이 나타나는 글리슨 등급(GP)을 합산하여 산출할 수 있다.
전립선 조직 분류부(130)는, 전립선 조직 영상 데이터(TI)를 입력 받아 제 1 내지 제 5 글리슨 등급(GP) 별 확률을 산출하기 위하여, 기계 학습(machine learning) 모델을 포함할 수 있다. 예를 들어 전립선 조직 분류부(130)는, 합성곱 신경망(131)을 포함할 수 있다.
도 2는 본 발명의 일 실시 예에서, 합성곱 신경망(131)을 간략하게 나타낸 블록도이다.
합성곱 신경망(131)은, 입력 계층(IL)과, 제 1 내지 제 N 필터(F1 ~ FN)와, 제 1 내지 제 N 바이어스(B1 ~ BN)와, 제 1 내지 제 N 합성곱 계층(CL1 ~ CLN)과, 제 1 내지 제 N 풀링 계층(PL1 ~ PLN)과, 제 1 내지 제 M 완전 연결 계층(FCL1 ~ FCLM)과, 출력 계층(OL)을 포함할 수 있다.
입력 계층(IL)은, 2차원의 행렬 형태일 수 있다. 입력 계층(IL)의 행의 개수는 전립선 조직 영상 데이터(TI)가 표시하는 이미지인 제 1 이미지(I1)의 세로 크기와 동일할 수 있고, 열의 개수는 이미지의 가로 크기와 동일할 수 있다. 그리고 전립선 조직 분류부(130)는, 제 1 이미지(I1)의 픽셀 값을 대응하는 입력 계층(IL)의 원소에 각각 입력할 수 있다.
제 1 내지 제 N 필터(F1 ~ FN)는 각각, 2차원의 행렬 형태일 수 있다. 제 1 내지 제 N 바이어스(B1 ~ BN)는 각각, 하나의 값일 수 있다.
전립선 조직 분류부(130)는, 입력 계층(IL)과 제 1 필터(F1) 사이에서 합성곱 연산을 실행한 다음 각각의 원소에 제 1 바이어스(B1)를 더하여, 2차원의 행렬 형태인 제 1 합성곱 계층(CL1)을 생성할 수 있다. 제 1 합성곱 계층(CL1)의 행과 열의 개수는 각각, 입력 계층(IL)의 행과 열의 개수와 동일할 수 있다.
전립선 조직 분류부(130)는, 제 1 합성곱 계층(CL1)을 2개의 행과 2개의 열을 가진 영역으로 분할한 다음, 영역에서 최대 값을 가지는 원소를 선택하여, 2차원의 행렬 형태인 제 1 풀링 계층(PL1)을 생성할 수 있다. 제 1 풀링 계층(PL1)의 행과 열의 개수는 각각, 제 1 합성곱 계층(CL1)의 행과 열의 개수의 1/2일 수 있다.
전립선 조직 분류부(130)는, 제 i-1 풀링 계층(PLi-1)과 제 i 필터(Fi) 사이에서 합성곱 연산을 실행한 다음 각각의 원소에 제 i 바이어스(Bi)를 더하여, 2차원의 행렬 형태인 제 i 합성곱 계층(CLi)을 생성할 수 있다. 제 i 합성곱 계층(CLi)의 행과 열의 개수는 각각, 제 i-1 풀링 계층(PLi-1)의 행과 열의 개수와 동일할 수 있다. (이때, 2≤i≤N, i는 자연수이다.)
전립선 조직 분류부(130)는, 제 i 합성곱 계층(CLi)을 2개의 행과 2개의 열을 가진 영역으로 분할한 다음, 영역에서 최대 값을 가지는 원소를 선택하여, 2차원의 행렬 형태인 제 i 풀링 계층(PLi)을 생성할 수 있다. 제 i 풀링 계층(PLi)의 행과 열의 개수는 각각, 제 i 합성곱 계층(CLi)의 행과 열의 개수의 1/2일 수 있다. (이때, 2≤i≤N, i는 자연수이다.)
전립선 조직 분류부(130)는, 합성곱 계층(CLi)과, 풀링 계층(PLi)을 생성하는 동작을 순서대로 실행하여, 제 N 풀링 계층(PLN)을 생성할 수 있다.
제 1 내지 제 M 완전 연결 계층(FCL1 ~ FCLM)은 각각, 1차원의 벡터 형태일 수 있다.
전립선 조직 분류부(130)는, 제 N 풀링 계층(PLN)의 원소에 대응하여, 제 1 완전 연결 계층(FCL1)의 원소를 각각 입력할 수 있다.
전립선 조직 분류부(130)는, 제 j 완전 연결 계층(FCLj)의 원소에 대하여, 대응하는 제 j-1 완전 연결 계층(FCLj-1)의 원소와 그 사이의 가중치를 곱한 값과, 제 j 완전 연결 계층(FCLj)의 원소의 편향 값을 모두 더한 다음, 활성화 함수에 입력하여 제 j 완전 연결 계층(FCLj)의 원소를 산출할 수 있다. (이때, 2≤j≤M, j는 자연수이다.)
전립선 조직 분류부(130)는, 완전 연결 계층(FCLj)을 생성하는 동작을 순서대로 실행하여, 제 M 완전 연결 계층(FCLM)을 생성할 수 있다.
전립선 조직 분류부(130)는, 제 j 완전 연결 계층(FCLj)의 원소에 대하여, 대응하는 제 j-1 완전 연결 계층(FCLj-1)의 원소와 그 사이의 가중치를 곱한 값과, 제 j 완전 연결 계층(FCLj)의 원소의 편향 값을 모두 더한 다음, 활성화 함수에 입력하여 제 j 완전 연결 계층(FCLj)의 원소를 산출할 수 있다. (이때, 2≤j≤M, j는 자연수이다.)
전립선 조직 분류부(130)는, 완전 연결 계층(FCLj)을 생성하는 동작을 순서대로 실행하여, 제 M 완전 연결 계층(FCLM)을 생성할 수 있다.
출력 계층(OL)은, 1차원의 벡터 형태일 수 있다. 출력 계층(OL)은 5개의 원소를 포함할 수 있고, 5개의 원소는 제 1 내지 제 5 글리슨 등급(grade 1 ~ grade 5)이 될 확률을 각각 나타낼 수 있다.
전립선 조직 분류부(130)는, 출력 계층(OL)의 원소에 대하여, 대응하는 제 M 완전 연결 계층(FCLM)의 원소와 그 사이의 가중치를 곱한 값과, 출력 계층(OL)의 원소의 편향 값을 모두 더한 다음, 활성화 함수에 입력하여 출력 계층(OL)의 원소를 산출할 수 있다.
전립선 조직 분류부(130)는, 가장 큰 값을 가지는 출력 계층(OL)의 원소와, 두 번째로 큰 값을 가지는 출력 계층(OL)의 원소를 더하여 입력한 전립선 조직 영상 데이터(TI)의 글리슨 점수(GS)를 산출할 수 있다.
전립선 조직 분류부(130)는, 전립선 조직 영상 데이터(TI)에 따른 제 1 내지 제 5 글리슨 등급(grade 1 ~ grade 5) 확률과, 글리슨 점수(GS)과, 전립선 조직 검사 대상자에 대한 메타 데이터 중 하나 이상을 포함하여 제 1 레포트(R1)를 생성할 수 있다.
사용자 입력부(140)는, 사용자로부터 입력을 받을 수 있는 입력 장치일 수 있으며, 예를 들어 마우스, 터치패드, 조이스틱 등의 입력 장치일 수 있다.
사용자 입력부(140)는, 사용자로부터 개별 전립선 조직 영상 데이터(TI)가 표시하는 이미지인 제 1 이미지(I1)를, 전립선 전체 영상 데이터(PI)가 표시하는 이미지인 제 2 이미지(I2) 상에 대응시키는 입력(DRAG)을 받을 수 있다.
또는 사용자 입력부(140)는, 사용자로부터 개별 전립선 조직 영상 데이터(TI)에 따른 제 1 내지 제 5 글리슨 등급(grade 1 ~ grade 5) 확률과 글리슨 점수(GS)를 포함하는 제 1 레포트(R1)를, 전립선 전체 영상 데이터(PI)의 제 2 이미지(I2) 상에 대응시키는 입력(DRAG)을 받을 수 있다.
레포트 출력부(150)는, 사용자에게 이미지와 레포트를 표시할 수 있는 출력 장치일 수 있으며, 예를 들어 디스플레이 장치일 수 있다.
레포트 출력부(150)는, 개별 전립선 조직 영상 데이터(TI)의 제 1 이미지(I1)와, 전립선 전체 영상 데이터(PI)의 제 2 이미지(I2)와, 개별 전립선 조직 영상 데이터(TI)의 제 1 레포트(R1)와, 전립선 전체 영상 데이터(PI)의 제 1 내지 제 5 글리슨 등급(grade 1 ~ grade 5) 확률과, 글리슨 점수(GS)와, 전립선 조직 검사 대상자에 대한 메타 데이터 중 하나 이상을 포함하는 제 2 레포트(R2)를 표시할 수 있다.
생검 영역 지정부(160)는, 전립선 전체 영상 데이터(PI) 상에서 전립선 조직 영상 데이터(TI)를 대응시킬 수 있다.
사용자는 사용자 입력부(140)를 통해, 개별 전립선 조직 영상 데이터(TI)의 제 1 이미지(I1)를 각각 드래그하여, 전립선 전체 영상 데이터(PI)의 제 2 이미지(I2) 상에 위치하도록 할 수 있다.
생검 영역 지정부(160)는, 개별 전립선 조직 영상 데이터(TI)의 제 1 이미지(I1)가 전립선 전체 영상 데이터(PI)의 제 2 이미지(I2) 상에서 위치하는 곳의 좌표를 획득하여, 개별 전립선 조직 영상 데이터(TI)에 대한 전립선의 생검 영역 정보를 생성할 수 있다.
또는 사용자는 사용자 입력부(140)를 통해, 개별 전립선 조직 영상 데이터(TI)의 제 1 레포트(R1)를 각각 드래그하여, 전립선 전체 영상 데이터(PI)의 제 2 이미지(I2) 상에 위치하도록 할 수 있다.
생검 영역 지정부(160)는, 개별 전립선 조직 영상 데이터(TI)의 제 1 레포트(R1)가 전립선 전체 영상 데이터(PI)의 제 2 이미지(I2) 상에서 위치하는 곳의 좌표를 획득하여, 개별 전립선 조직 영상 데이터(TI)에 대한 전립선의 생검 영역 정보를 생성할 수 있다.
병리 영상 진단부(170)는, 개별 전립선 조직 영상 데이터(TI)의 제 1 레포트(R1)로부터, 전립선 전체 영상 데이터(PI)의 제 2 레포트(R2)를 산출할 수 있다.
병리 영상 진단부(170)는, 모든 개별 전립선 조직 영상 데이터(TI)에 대하여, 제 1 내지 제 5 글리슨 등급(grade 1 ~ grade 5) 별로 각각 확률의 총합과 백분율을 산출할 수 있다. 예를 들어 모든 개별 전립선 조직 영상 데이터(TI)의 제 1 글리슨 등급(grade 1)의 확률을 더한 다음, “전립선 조직 영상 데이터(TI)의 개수 x 100”로 나누어 제 1 글리슨 등급의 백분율을 산출할 수 있다.
사용자 입력부(140)는, 사용자로부터 전립선 전체 영상 데이터(PI)의 제 2 이미지(I2) 상에 위치하는 개별 전립선 조직 영상 데이터(TI)의 제 1 이미지(I1) 또는 제 1 레포트(R1)를 하나 이상 선택하는 입력을 받을 수 있다.
병리 영상 진단부(170)는, 사용자가 선택한 제 1 이미지(I1) 또는 제 1 레포트(R1)를 포함하는 하나 이상의 개별 전립선 조직 영상 데이터(TI)에 대하여, 제 1 내지 제 5 글리슨 등급(grade 1 ~ grade 5) 별로 각각 확률의 총합과 백분율을 산출할 수 있다.
병리 영상 진단부(170)는, 제 1 내지 제 5 글리슨 등급(grade 1 ~ grade 5) 별 확률의 백분율을, 전립선 전체 영상 데이터(PI)의 제 1 내지 제 5 글리슨 등급(grade 1 ~ grade 5) 확률로 지정할 수 있다.
병리 영상 진단부(170)는, 전립선 전체 영상 데이터(PI)의 제 1 내지 제 5 글리슨 등급(grade 1 ~ grade 5) 확률 중, 가장 큰 값을 가지는 글리슨 등급(GP)과, 두 번째로 큰 값을 가지는 글리슨 등급(GP)을 더하여 전립선 전체 영상 데이터(PI)의 글리슨 점수(GS)를 산출할 수 있다.
병리 영상 진단부(170)는, 전립선 전체 영상 데이터(PI)의 제 1 내지 제 5 글리슨 등급(grade 1 ~ grade 5) 확률과, 글리슨 점수(GS)과, 전립선 조직 검사 대상자에 대한 메타 데이터 중 하나 이상을 포함하여 제 2 레포트(R2)를 생성할 수 있다.
도 3a와 도 3b는 각각 본 발명의 일 실시 예에서, 전립선 조직 영상 데이터(TI)의 제 1 이미지(I1)와 제 1 레포트(R1)를 간략하게 표시한 것이다.
도 3a는 전립선 조직 영상 데이터(TI)의 제 1 이미지(I1)이며, 전립선 조직 검사 대상자로부터 전립선 조직을 일부 채취한 검체를 현미경으로 촬영한 후, 2차원의 이미지 파일 형식으로 가공하여 표시한 것을 볼 수 있다.
도 3b는 전립선 조직 영상 데이터(TI)의 제 1 레포트(R1)이며, 제 1 글리슨 등급(grade 1)과 제 2 글리슨 등급(grade 2) 확률을 더한 Normal Gland와, 제 3 내지 제 5 글리슨 등급(grade 3 ~ grade 5) 확률을 각각 표시한 것을 볼 수 있다.
또한 도 3b의 하단에서, 가장 큰 값을 가지는 Normal Gland와 두 번째로 큰 값을 가지는 제 3 글리슨 등급(grade 3)을 더한 결과를, 글리슨 점수(GS)로 표시한 것을 볼 수 있다.
도 4a는 본 발명의 일 실시 예에서, 전립선 전체 영상 데이터(PI)의 제 2 이미지(I2)와, 개별 전립선 조직 영상 데이터(TI)의 제 1 레포트(R1)를 간략하게 표시한 도면이다. 도 4b는 본 발명의 일 실시 예에서, 전립선 전체 영상 데이터(PI)의 제 2 이미지(I2)와 제 2 레포트(R2)를 간략하게 표시한 것이다.
도 4a에서 좌측 영역에 전립선 전체 영상 데이터(PI)의 제 2 이미지(I2)가 표시된 것을 볼 수 있으며, 이는 전립선 조직 검사 대상자로부터 전립선을 영상 촬영한 후, 2차원의 이미지 파일 형식으로 가공하여 표시한 것이다.
우측 영역에 개별 전립선 조직 영상 데이터(TI)의 제 1 레포트(R1)가 표시된 것을 볼 수 있다.
중간 영역에는 전립선 전체 영상 데이터(PI)의 제 2 레포트(R2)가 표시될 수 있다.
사용자는 사용자 입력부(140)를 통해, 우측 영역에 위치한 개별 전립선 조직 영상 데이터(TI)의 제 1 레포트(R1)를 각각 드래그하여, 좌측 영역에 위치한 전립선 전체 영상 데이터(PI)의 제 2 이미지(I2) 상에 위치하도록 할 수 있다.
이때 도 4b에 도시한 것과 같이, 개별 전립선 조직 영상 데이터(TI)의 글리슨 점수(GS)를, 전립선 전체 영상 데이터(PI)의 제 2 이미지(I2) 상에 표시할 수 있다.
중간 영역에는 전립선 전체 영상 데이터(PI)의 제 2 레포트(R2)이며, 제 1 글리슨 등급(grade 1)과 제 2 글리슨 등급(grade 2) 확률을 더한 Normal Gland와, 제 3 내지 제 5 글리슨 등급(grade 3 ~ grade 5) 확률을 각각 표시한 것을 볼 수 있다.
또한 중간 영역의 하단에서, 가장 큰 값을 가지는 Normal Gland와 두 번째로 큰 값을 가지는 제 4 글리슨 등급(grade 4)을 더한 결과를, 글리슨 점수(GS)로 표시한 것을 볼 수 있다.
이상을 통해 본 발명의 실시 예에 대하여 설명하였지만, 본 발명은 상기 실시 예에 한정되지 않고, 본 발명의 취지를 벗어나지 않고 효과를 저해하지 않는 한, 발명의 상세한 설명 및 첨부한 도면의 범위 안에서 다양하게 변경하여 실시할 수 있다. 또한 그러한 실시 예가 본 발명의 범위에 속하는 것은 당연하다.
100 : 전립선암 병리 영상 레포트 시스템
110 : 병리 영상 입력부
120 : 저장부
130 : 전립선 조직 분류부
140 : 사용자 입력부
150 : 레포트 출력부
160 : 생검 영역 지정부
170 : 병리 영상 병합 진단부
110 : 병리 영상 입력부
120 : 저장부
130 : 전립선 조직 분류부
140 : 사용자 입력부
150 : 레포트 출력부
160 : 생검 영역 지정부
170 : 병리 영상 병합 진단부
Claims (10)
- 전립선 조직 영상 데이터가 표시하는 이미지인 제 1 이미지를 입력 받아, 제 1 내지 제 5 글리슨 등급 별 확률과 글리슨 점수를 산출하고, 상기 전립선 조직 영상 데이터의 제 1 내지 제 5 글리슨 등급 별 확률과 글리슨 점수를 포함하는 제 1 레포트를 생성하는 전립선 조직 분류부와;
전립선 전체 영상 데이터 상에서 상기 전립선 조직 영상 데이터를 대응시키는 생검 영역 지정부와;
모든 상기 전립선 조직 영상 데이터에 대하여, 제 1 내지 제 5 글리슨 등급 별로 각각 확률의 총합과 백분율을 산출하고, 상기 산출한 제 1 내지 제 5 글리슨 등급 별 확률의 백분율을, 상기 전립선 전체 영상 데이터의 제 1 내지 제 5 글리슨 등급 별 확률로 지정하는 병리 영상 진단부
를 포함하는 전립선암 병리 영상 레포트 시스템.
- 제 1 항에 있어서,
상기 전립선 조직 영상 데이터는,
전립선 조직을 일부 채취한 검체를 현미경으로 촬영한 다음, 2차원의 이미지 파일 형식으로 가공한 것이고,
상기 전립선 전체 영상 데이터는,
전립선을 대상으로 컴퓨터 단층 촬영 영상(CT), 양전자 방출 단층 촬영 영상(PET), 단일 광자 단층 촬영 영상(SPECT), 자기 공명 영상(MRI), 기능적 자기 공명 영상(fMRI), 초음파 영상 중 어느 하나의 의료 영상을 촬영한 후, 2차원의 이미지 파일 형식으로 가공한 것인,
전립선암 병리 영상 레포트 시스템.
- 제 1 항에 있어서,
상기 전립선 조직 분류부는,
합성곱 신경망을 포함하고,
상기 합성곱 신경망은,
각각 2차원의 행렬 형태인 입력 계층과, 제 1 내지 제 N 필터와, 제 1 내지 제 N 합성곱 계층과, 제 1 내지 제 N 풀링 계층과,
각각 1차원의 벡터 형태인 제 1 내지 제 M 완전 연결 계층과, 출력 계층과
각각 하나의 값인 제 1 내지 제 N 바이어스를 포함하는,
전립선암 병리 영상 레포트 시스템.
- 제 3 항에 있어서,
상기 입력 계층의 행의 개수는, 상기 제 1 이미지의 세로 크기와 동일하고,
상기 입력 계층의 열의 개수는, 상기 제 1 이미지의 가로 크기와 동일하며,
상기 전립선 조직 분류부는,
상기 제 1 이미지의 픽셀 값을 대응하는 상기 입력 계층의 원소에 입력하는,
전립선암 병리 영상 레포트 시스템.
- 제 3 항에 있어서,
상기 출력 계층은,
상기 전립선 조직 영상 데이터의 제 1 내지 제 5 글리슨 등급 별 확률을 각각 나타내는 5개의 원소를 포함하는,
전립선암 병리 영상 레포트 시스템.
- 제 5 항에 있어서,
상기 전립선 조직 분류부는,
가장 큰 값을 가지는 상기 출력 계층의 원소와, 두 번째로 큰 값을 가지는 상기 출력 계층의 원소를 더하여, 상기 전립선 조직 영상 데이터의 글리슨 점수를 산출하는,
전립선암 병리 영상 레포트 시스템.
- 제 2 항에 있어서,
사용자 입력부를 더 포함하고,
상기 사용자 입력부는,
상기 제 1 이미지를 상기 전립선 전체 영상 데이터가 표시하는 이미지인 제 2 이미지 상에 위치시키는 입력을 받거나,
상기 제 1 레포트를 상기 제 2 이미지 상에 위치시키는 입력을 받는,
전립선암 병리 영상 레포트 시스템.
- 제 7 항에 있어서,
상기 생검 영역 지정부는,
상기 제 1 이미지가 상기 제 2 이미지 상에서 위치하는 곳의 좌표를 획득하여, 상기 전립선 조직 영상 데이터에 대한 전립선의 생검 영역 정보를 생성하거나,
상기 제 1 레포트가 상기 제 2 이미지 상에서 위치하는 곳의 좌표를 획득하여, 상기 전립선 조직 영상 데이터에 대한 전립선의 생검 영역 정보를 생성하는,
전립선암 병리 영상 레포트 시스템.
- 제 6 항에 있어서,
상기 병리 영상 진단부는,
상기 전립선 전체 영상 데이터의 제 1 내지 제 5 글리슨 등급 별 확률 중, 가장 큰 값을 가지는 글리슨 등급과, 두 번째로 큰 값을 가지는 글리슨 등급을 더하여 상기 전립선 전체 영상 데이터의 글리슨 점수를 산출하고,
상기 전립선 전체 영상 데이터의 제 1 내지 제 5 글리슨 등급 별 확률과 글리슨 점수를 포함하는 제 2 레포트를 생성하는,
전립선암 병리 영상 레포트 시스템.
- 제 9 항에 있어서,
레포트 출력부를 더 포함하고,
상기 레포트 출력부는,
상기 전립선 조직 영상 데이터 별 상기 제 1 레포트와, 상기 제 2 레포트를 표시하는,
전립선암 병리 영상 레포트 시스템.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200183795A KR20220093017A (ko) | 2020-12-24 | 2020-12-24 | 인공지능 기반의 전립선암 병리 영상 레포트 시스템 |
PCT/KR2021/019168 WO2022139321A1 (ko) | 2020-12-24 | 2021-12-16 | 인공지능 기반의 전립선암 병리 영상 레포트 시스템 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200183795A KR20220093017A (ko) | 2020-12-24 | 2020-12-24 | 인공지능 기반의 전립선암 병리 영상 레포트 시스템 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20220093017A true KR20220093017A (ko) | 2022-07-05 |
Family
ID=82159644
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200183795A KR20220093017A (ko) | 2020-12-24 | 2020-12-24 | 인공지능 기반의 전립선암 병리 영상 레포트 시스템 |
Country Status (2)
Country | Link |
---|---|
KR (1) | KR20220093017A (ko) |
WO (1) | WO2022139321A1 (ko) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8139831B2 (en) * | 2007-12-06 | 2012-03-20 | Siemens Aktiengesellschaft | System and method for unsupervised detection and gleason grading of prostate cancer whole mounts using NIR fluorscence |
MY174728A (en) * | 2013-03-15 | 2020-05-11 | Synaptive Medical Inc | Intramodal synchronization of surgical data |
JP7217589B2 (ja) * | 2018-02-27 | 2023-02-03 | シスメックス株式会社 | 画像解析方法、画像解析装置、プログラム、学習済み深層学習アルゴリズムの製造方法および学習済み深層学習アルゴリズム |
KR20190106403A (ko) * | 2018-03-09 | 2019-09-18 | 연세대학교 산학협력단 | 질환 예측 방법 및 이를 이용한 질환 예측 디바이스 |
KR102215269B1 (ko) * | 2018-08-07 | 2021-02-15 | 주식회사 딥바이오 | 진단 결과 생성 시스템 및 방법 |
-
2020
- 2020-12-24 KR KR1020200183795A patent/KR20220093017A/ko not_active Application Discontinuation
-
2021
- 2021-12-16 WO PCT/KR2021/019168 patent/WO2022139321A1/ko active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2022139321A1 (ko) | 2022-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kooi et al. | Large scale deep learning for computer aided detection of mammographic lesions | |
Rezaei | A review on image-based approaches for breast cancer detection, segmentation, and classification | |
US20220406410A1 (en) | System and method for creating, querying, and displaying a miba master file | |
US10346975B2 (en) | Computerized analysis of computed tomography (CT) imagery to quantify tumor infiltrating lymphocytes (TILs) in non-small cell lung cancer (NSCLC) | |
US20040101181A1 (en) | Automated method and system for computerized image analysis prognosis | |
US20180253841A1 (en) | Predicting cancer recurrence using local co-occurrence of cell morphology (locom) | |
Songsaeng et al. | Multi-scale convolutional neural networks for classification of digital mammograms with breast calcifications | |
Kaliyugarasan et al. | Pulmonary nodule classification in lung cancer from 3D thoracic CT scans using fastai and MONAI | |
Zhou et al. | Deep learning-based breast region extraction of mammographic images combining pre-processing methods and semantic segmentation supported by Deeplab v3+ | |
Al-Tam et al. | Breast cancer detection and diagnosis using machine learning: a survey | |
Abdelrahman et al. | FPN-SE-ResNet model for accurate diagnosis of kidney tumors using CT images | |
Sun et al. | ASU-Net: U-shape adaptive scale network for mass segmentation in mammograms | |
Han et al. | Multitask network for thyroid nodule diagnosis based on TI‐RADS | |
US11055844B2 (en) | Predicting response to immunotherapy using computer extracted features of cancer nuclei from hematoxylin and eosin (HandE) stained images of non-small cell lung cancer (NSCLC) | |
Khan et al. | Breast cancer histological images nuclei segmentation and optimized classification with deep learning | |
KR20220093017A (ko) | 인공지능 기반의 전립선암 병리 영상 레포트 시스템 | |
Wang et al. | Breast mass detection and diagnosis using fused features with density | |
CN112151175A (zh) | 一种基于影像学数据的计算机辅助多人决策方法、系统及设备 | |
Grinet et al. | Machine learning in breast cancer imaging: a review on data, models and methods | |
AlShowarah | Breast Cancer Detection System using Deep Learning Based on Fusion Features and Statistical Operations. | |
Worku | Breast cancer classification using image processing technique and support vector machine | |
US20240170151A1 (en) | Interface and deep learning model for lesion annotation, measurement, and phenotype-driven early diagnosis (ampd) | |
Jiménez-Gaona et al. | Breast mass regions classification from mammograms using convolutional neural networks and transfer learning. | |
CN115239688B (zh) | 基于磁共振对比增强3d-t1wi图像的脑转移瘤识别方法与系统 | |
Seth | Automated localization of breast ductal carcinoma in situ in whole slide images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
E902 | Notification of reason for refusal |