KR20220107940A - 의료 영상의 병변 평가 방법 - Google Patents

의료 영상의 병변 평가 방법 Download PDF

Info

Publication number
KR20220107940A
KR20220107940A KR1020220003788A KR20220003788A KR20220107940A KR 20220107940 A KR20220107940 A KR 20220107940A KR 1020220003788 A KR1020220003788 A KR 1020220003788A KR 20220003788 A KR20220003788 A KR 20220003788A KR 20220107940 A KR20220107940 A KR 20220107940A
Authority
KR
South Korea
Prior art keywords
lesion
tile
neural network
tiles
artificial neural
Prior art date
Application number
KR1020220003788A
Other languages
English (en)
Inventor
김경덕
이홍석
김영원
김형섭
Original Assignee
주식회사 뷰노
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 뷰노 filed Critical 주식회사 뷰노
Priority to PCT/KR2022/001111 priority Critical patent/WO2022164133A1/ko
Priority to US17/582,717 priority patent/US20220237777A1/en
Publication of KR20220107940A publication Critical patent/KR20220107940A/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
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/02—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving viable microorganisms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Abstract

본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 의료 영상 기반의 병변 분석 방법이 개시된다. 상기 방법은, 사전 학습된 인공 신경망을 사용하여 입력 영상에 포함된 복수의 타일들 각각의 제 1 특징을 추출하는 단계; 및 상기 사전 학습된 인공 신경망을 사용하여, 상기 복수의 타일들의 제 1 특징들을 기초로 생성된 타일 별 병변의 존재 여부에 관한 정보 및 타일 별 병변의 패턴에 관한 정보를 기초로, 상기 입력 영상 전체에 대한 제 2 특징을 추출하는 단계를 포함할 수 있다.

Description

의료 영상의 병변 평가 방법{METHOD FOR MEASURING LESION OF MEDICAL IMAGE}
본 발명은 의료 영상의 처리 방법에 관한 것으로, 보다 구체적으로 인공 신경망을 이용하여 의료 영상에 존재하는 신체 조직의 병변을 검출 및 평가하는 방법에 관한 것이다.
의료 영상은 인체의 여러 가지 조직들의 물리적인 상태를 이해할 수 있게 해주는 자료이다. 의료 영상에는 디지털 방사선 영상(X-ray), 컴퓨터 단층 촬영(CT), 자기공명영상(MRI), 병리 슬라이드 영상 등이 있다.
최근 디지털 병리(digital pathology)가 의료 분야에서 주목받기 시작하면서, 의료 영상 중에서도 병리 슬라이드 영상의 획득, 처리 및 분석을 위한 다양한 기술 개발이 진행되어 왔다. 예를 들어, 대표적인 종래 기술 중 하나는 딥러닝 알고리즘을 이용하여 병리 슬라이드 영상에 존재하는 병변(예컨대, 전립선 암)의 분포를 파악하고, 조직 전체를 평가하는 방법에 관한 것이다. 종래 기술은 병변을 진단하는데 소요되는 시간 및 비용을 감축시킬 수 있으나, 병변에 대한 평가 결과를 조직의 영역 별로 제공하지 못한다는 단점이 존재한다. 따라서, 종래 기술은 병변의 진단에 필요한 정량적 또는 정성적 정보를 효과적으로 제공하지 못하는 문제가 존재한다. 또한, 종래 기술의 경우, 딥러닝 모델의 구조 상 영역 별 분석을 위해서는 학습에 사용 가능한 데이터의 종류 및 수가 제한될 수 밖에 없기 때문에, 딥러닝 모델 구축을 위한 데이터 확보가 용이하지 않다는 단점이 존재한다.
미국 공개특허 제2020-0293748호(2020.09.17)는 전립선 암을 분류하는 방법에 관하여 개시한다.
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 병리학적 진단이 필요한 의료 영상에 존재하는 조직의 병변을 식별하고, 평가하는 방법을 제공하는 것을 목적으로 한다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 의료 영상 기반의 병변 분석 방법이 개시된다. 상기 방법은, 사전 학습된 인공 신경망을 사용하여 입력 영상에 포함된 복수의 타일(tile)들 각각의 제 1 특징을 추출하는 단계; 상기 사전 학습된 인공 신경망을 사용하여, 상기 복수의 타일들의 제 1 특징들을 기초로 타일 별로 병변의 존재 여부를 분석하는 단계; 상기 사전 학습된 인공 신경망을 사용하여, 상기 복수의 타일들의 상기 제 1 특징들을 기초로 타일 별로 병변의 패턴을 분석하는 단계; 및 상기 사전 학습된 인공 신경망을 사용하여, 상기 타일 별로 병변의 존재 여부를 분석하는 단계 및 상기 타일 별로 병변의 패턴을 분석하는 단계를 기초로, 상기 입력 영상 전체에 대한 제 2 특징을 추출하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 입력 영상은 전립선 조직을 포함하는 영상이고, 상기 병변의 패턴은 글리슨 패턴(gleason pattern)에 대응될 수 있으며, 상기 방법은, 상기 사전 학습된 인공 신경망을 사용하여, 상기 제 2 특징을 기초로, 상기 입력 영상 전체에 대한 전립선암 점수를 결정하는 단계를 더 포함할 수 있다.
대안적 실시예에서, 상기 입력 영상 전체에 대한 제 2 특징을 추출하는 단계는, 상기 복수의 타일들 중 일부를 샘플링하는 단계; 및 상기 사전 학습된 인공 신경망을 사용하여, 샘플링된 타일들에 대한 병변의 존재 여부를 나타내는 분석 데이터 및 상기 샘플링된 타일들에 대한 병변의 패턴을 나타내는 분석 데이터를 기초로, 상기 제 2 특징을 추출하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 타일 별로 병변의 존재 여부를 분석하는 단계 및 상기 타일 별로 병변의 패턴을 분석하는 단계는, 상기 사전 학습된 인공 신경망의 인코더(encoder) 부분에서 수행될 수 있고, 상기 입력 영상 전체에 대한 제 2 특징을 추출하는 단계는, 상기 사전 학습된 인공 신경망의 디코더(decoder) 부분에서 수행될 수 있다.
대안적 실시예에서, 상기 방법은, 상기 타일 별로 병변의 패턴을 분석하는 단계에 기초하여, 상기 입력 영상에 포함된 병변의 패턴을 나타내는 맵(map)을 제 1 출력으로서 출력하는 단계; 및 상기 사전 학습된 인공 신경망을 사용하여, 상기 제 2 특징을 기초로 상기 입력 영상 전체에 대한 병변의 평가 점수를 결정하고, 결정된 평가 점수를 제 2 출력으로서 출력하는 단계를 더 포함할 수 있다.
대안적 실시예에서, 상기 방법은, 상기 사전 학습된 인공 신경망을 사용하여, 상기 제 2 특징을 기초로 상기 입력 영상 전체에 대한 병변의 평가 점수를 결정하는 단계를 더 포함하고, 상기 사전 학습된 인공 신경망은, 소정의 영상에 대해 결정된 평가 점수와 상기 소정의 영상에 대해 라벨링된 점수 사이의 비교에 기초하여 학습된 메인 모델을 포함할 수 있다.
대안적 실시예에서, 상기 메인 모델은, 타일 레벨의 라벨링 없이, 상기 소정의 영상에 포함된 복수의 타일들의 병변의 존재 여부를 나타내는 제 1 확률 값들의 평균, 및 상기 소정의 영상에 라벨링된 확률 값 사이의 비교에 기초하여 추가로 학습된 것일 수 있다.
대안적 실시예에서, 상기 타일 별로 병변의 존재 여부를 분석하는 단계는, 상기 메인 모델을 이용하여, 상기 복수의 타일들의 타일 별로 병변의 존재 여부에 대한 제 1 확률 값을 결정하는 단계; 상기 사전 학습된 인공 신경망의 서브 모델을 이용하여, 상기 복수의 타일들의 타일 별로 병변의 존재 여부에 대한 제 2 확률 값을 결정하는 단계; 및 상기 제 2 확률 값에 기초하여 상기 제 1 확률 값을 보정하는 단계를 포함하고, 상기 서브 모델은 타일 레벨의 라벨링에 기초하여 학습된 것일 수 있다.
대안적 실시예에서, 상기 메인 모델은, 타일 레벨의 라벨링 없이, 영상 레벨에서 서로 대응하는 병변의 패턴들을 가지는 영상들 사이에서, 기 설정된 기준을 만족시키는 타일들의 병변의 패턴들을 비교하여 추가로 학습된 것일 수 있다.
대안적 실시예에서, 상기 타일 별로 병변의 패턴을 분석하는 단계는, 상기 사전 학습된 인공 신경망의 서브 모델을 이용하여, 상기 복수의 타일들의 타일 별로 병변의 존재 여부에 대한 확률 값을 결정하는 단계; 및 상기 확률 값에 기초하여 상기 타일 별 병변의 패턴을 보정하는 단계를 포함하고, 상기 서브 모델은 타일 레벨의 라벨링에 기초하여 학습된 것일 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 프로세서로 하여금 의료 영상을 분석하기 위한 동작들을 수행하도록 하며, 상기 동작들은: 사전 학습된 인공 신경망을 사용하여 입력 영상에 포함된 복수의 타일들 각각의 제 1 특징을 추출하는 동작; 상기 사전 학습된 인공 신경망을 사용하여, 상기 복수의 타일들의 제 1 특징들을 기초로 타일 별로 병변의 존재 여부를 분석하는 동작; 상기 사전 학습된 인공 신경망을 사용하여, 상기 복수의 타일들의 상기 제 1 특징들을 기초로 타일 별로 병변의 패턴을 분석하는 동작; 및 상기 사전 학습된 인공 신경망을 사용하여, 상기 타일 별로 병변의 존재 여부를 분석하는 단계 및 상기 타일 별로 병변의 패턴을 분석하는 단계를 기초로, 상기 입력 영상 전체에 대한 제 2 특징을 추출하는 동작을 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 의료 영상을 기반으로 병변을 분석하는 컴퓨팅 장치가 개시된다. 상기 장치는, 적어도 하나의 프로세서; 및 상기 적어도 하나의 프로세서와 커플링된 메모리를 포함하고, 상기 적어도 하나의 프로세서는, 사전 학습된 인공 신경망을 사용하여 입력 영상에 포함된 복수의 타일들 각각의 제 1 특징을 추출하고; 상기 사전 학습된 인공 신경망을 사용하여, 상기 복수의 타일들의 제 1 특징들을 기초로 타일 별로 병변의 존재 여부를 분석하고; 상기 사전 학습된 인공 신경망을 사용하여, 상기 복수의 타일들의 상기 제 1 특징들을 기초로 타일 별로 병변의 패턴을 분석하고; 그리고 상기 사전 학습된 인공 신경망을 사용하여, 상기 타일 별로 병변의 존재 여부를 분석하는 단계 및 상기 타일 별로 병변의 패턴을 분석하는 단계를 기초로, 상기 입력 영상 전체에 대한 제 2 특징을 추출하도록 구성될 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 의료 영상 기반의 병변 분석 방법의 다른 예시가 개시된다. 상기 방법은, 사전 학습된 인공 신경망을 사용하여 입력 영상에 포함된 복수의 타일들 각각의 제 1 특징을 추출하는 단계; 상기 사전 학습된 인공 신경망을 사용하여, 상기 복수의 타일들의 제 1 특징들을 기초로 타일 별로 병변의 패턴을 분석하는 단계; 및 상기 타일 별로 병변의 패턴을 분석하는 단계에 기초하여, 상기 입력 영상에 포함된 병변의 패턴을 나타내는 맵(map)을 제공하는 단계를 포함하고, 상기 타일 별로 병변의 패턴을 분석하는 단계는, 타일 레벨의 라벨링(labeling) 없이 학습된 모델에 의해 수행될 수 있다.
대안적 실시예에서, 상기 방법은, 서브 모델을 사용하여 상기 입력 영상에 포함된 상기 복수의 타일들 각각의 병변 존재 확률을 분석하는 단계; 및 상기 복수의 타일들 각각의 병변 존재 확률을 분석하는 단계에 기초하여, 상기 타일 별로 병변의 패턴을 분석한 결과를 보정하는 단계를 더 포함하고, 상기 서브 모델은 타일 레벨의 라벨링에 기초하여 학습된 것일 수 있다.
대안적 실시예에서, 상기 타일 레벨의 라벨링 없이 학습된 모듈은, 영상 레벨에서 서로 대응하는 병변의 패턴들을 가지는 영상들 사이에서, 기 설정된 기준을 만족시키는 타일들의 패턴들을 비교하여 학습된 모듈
본 개시는 병리학적 진단이 필요한 의료 영상에 존재하는 조직의 병변을 식별하고, 평가하는 방법을 제공할 수 있다.
도 1은 본 개시의 일 실시예에 따른 의료 영상에 존재하는 병변을 평가하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따라 네트워크 함수를 나타내는 개략도이다.
도 3은 본 개시의 일 실시예에 따른 컴퓨팅 장치에 포함되어 병변을 평가하기 위한 기능들을 수행하는 모듈들을 나타내는 블록 구성도이다.
도 4는 본 개시의 일 실시예에 따라 입력 영상으로부터 타일들이 추출되는 것을 나타내는 개념도이다.
도 5는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 병변 평가 결과를 나타내는 개념도이다.
도 5는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.
도 6은 본 개시의 일 실시예에 따른 제 3 모듈의 예시적인 구성들을 나타내는 구성도이다.
도 7은 본 개시의 일 실시예에 따른 제 4 모듈의 예시적인 구성들을 나타내는 구성도이다.
도 8은 본 개시의 일 실시예에 따른 제 5 모듈의 예시적인 구성들을 나타내는 구성도이다.
도 9 및 도 10은 본 개시의 일 실시예에 따른 컴퓨팅 장치에 포함되어 병변을 평가하기 위한 기능들을 수행하는 모듈들의 다른 예시들을 나타내는 블록 구성도이다.
도 11은 본 개시의 일 실시예에 따른 손실함수들을 나타내는 개념도이다.
도 12는 본 개시의 일 실시예에 따른 의료 영상 기반의 병변 분석 방법을 나타내는 순서도이다.
도 13은 본 개시의 일 실시예에 따른 의료 영상 기반의 병변 분석 방법의 다른 예시를 나타내는 순서도이다.
도 14는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.
본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
그리고, "A 또는 B 중 적어도 하나"이라는 용어는, "A만을 포함하는 경우", "B 만을 포함하는 경우", "A와 B의 구성으로 조합된 경우"를 의미하는 것으로 해석되어야 한다.
당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.
제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
본 개시에서 네트워크 함수와 인공 신경망 및 뉴럴 네트워크(neural network)는 상호 교환 가능하게 사용될 수 있다.
한편, 본 발명의 상세한 설명 및 청구항들에 걸쳐 이용된 "영상" 또는 "영상 데이터"라는 용어는 이산적 영상 요소들(예컨대, 2차원 영상에 있어서는 픽셀)로 구성된 다차원 데이터를 지칭하며, 달리 말하자면, (예컨대, 비디오 화면에 표시된) 눈으로 볼 수 있는 대상 또는 (예컨대, CT, MRI 검출기, 디지털 스캐너 등의 픽셀 출력에 대응되는 파일과 같은) 그 대상의 디지털 표현물을 지칭하는 용어이다.
예를 들어 "이미지" 또는 "영상"은 전산화 단층 촬영(CT; computed tomography), 자기 공명 영상(MRI; magnetic resonance imaging), 초음파, 디지털 스캔(digital scan) 또는 본 발명의 기술분야에서 공지된 임의의 다른 의료 영상 시스템의 의하여 수집된 피검체(subject)의 의료 영상일 수 있다.
또한, 본 발명의 상세한 설명 및 청구항들에 걸쳐 '의료영상 저장 전송 시스템(PACS; Picture Archiving and Communication System)'은 DICOM 표준에 맞게 저장, 가공, 전송하는 시스템을 지칭하는 용어이며, X선, CT, MRI, 스캐너 등과 같은 디지털 의료영상 장비를 이용하여 획득된 의료영상 이미지는 DICOM 형식으로 저장되고 네트워크를 통하여 병원 내외의 단말로 전송이 가능하며, 이에는 판독 결과 및 진료 기록이 추가될 수 있다.
도 1은 본 개시의 일 실시예에 따른 의료 영상을 기반으로 병변을 평가하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.
컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.
프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.
본 개시의 일 실시예에 따른 프로세서(110)는 의료 영상에 존재하는 조직의 영역 별 평가 및 분석을 수행할 수 있다. 이때, 의료 영상은 전립선과 같은 조직이 포함된 병리 슬라이드 영상일 수 있다. 예를 들어, 상기 프로세서(110)는 사전 학습된 제 1 딥러닝 모델을 사용하여 병리 슬라이드 영상을 타일(tile) 별로 구분하여 특징을 추출할 수 있다. 이때, 타일은 영상의 기본 구성 단위인 픽셀일 수도 있고, 픽셀들의 집합일 수도 있다.
또한, 상기 프로세서(110)는 사전 학습된 제 2 딥러닝 모델을 사용하여 타일 별 특징을 기초로 타일 각각의 병변의 패턴(예컨대, 글리슨 패턴(gleason pattern))을 예측할 수 있다. 또한, 상기 프로세서(110)는 타일 각각에 대한 예측 결과에 기초하여, 병변의 패턴(예컨대, 전립선 질환의 패턴)을 나타내는 맵(예컨대, 히트맵)을 출력할 수 있다. 한편, 상기 제 2 딥러닝 모델은 약지도 학습(weakly supervised learning) 방식에 의해 학습될 수 있다. 예를 들어, 상기 제 2 딥러닝 모델은, 타일 레벨(level)의 라벨링(labeling) 없이, 영상 레벨에서 서로 대응하는 글리슨 패턴들을 가지는 의료 영상들 사이에서(예컨대, 서로 대응되는 메이저(major) 및 마이너(minor) 글리슨 패턴들을 갖는 의료 영상들 사이에서), 기 설정된 기준을 만족시키는(예컨대, 종양 확률이 기 설정된 임계값을 초과하는) 타일들에 대하여 손실 함수를 산출하여 학습될 수 있다.
또한, 상기 프로세서(110)는 사전 학습된 제 3 딥러닝 모델을 사용하여 타일 별 특징을 기초로 타일 각각에 병변이 존재하는지 여부(예컨대, 전립선 조직의 종양 존재 여부)를 예측할 수도 있다. 이 경우 상기 프로세서(110)는, 예를 들어, 각각의 타일에 대한 종양의 존재 여부에 관한 분석 정보를 나타내는 확률 값을 출력할 수 있다. 여기서 상기 확률 값은, 바이너리(binary) 분류 값이거나, 또는 구체적인 수치의 값일 수 있다. 한편, 상기 제 3 딥러닝 모델은 약지도 학습 방식에 의해 학습될 수 있다. 예를 들어, 상기 제 3 딥러닝 모델은, 타일 레벨의 라벨링 없이, 소정의 의료 영상에 포함된 복수의 타일들의 병변의 존재 여부를 나타내는 확률 값들의 평균, 및 상기 소정의 의료 영상에 라벨링된 확률 값(영상 레벨에서 라벨링된 확률 값) 사이를 비교하는 손실 함수에 기초하여 학습될 수 있다.
또한, 상기 프로세서(110)는 의료 영상에 존재하는 조직 전체에 대한 평가를 수행할 수 있다. 예를 들어, 상기 프로세서(110)는 사전 학습된 제 4 딥러닝 모델을 사용하여, 병변의 패턴(예컨대, 글리슨 패턴)에 관한 타일 별 특징 및 병변의 존재 여부(예컨대, 전립선 조직의 종양 존재 여부)에 관한 타일 별 특징을 통합할 수 있다. 다시 말해서, 상기 프로세서(110)는, 상기 제 4 딥러닝 모델을 통해, 병변의 패턴의 예측 결과를 포함하는 타일 별 특징, 및 병변의 존재 여부에 대한 예측 결과를 포함하는 타일 별 특징을 조합함으로써, 병리 슬라이드 영상 전체의 특징을 추출할 수 있다. 또한, 상기 프로세서(110)는 샘플링된 타일들에 대한 특징에 기초하여 상기 조직 전체에 대한 평가를 수행할 수도 있다. 예를 들어, 상기 프로세서(110)는, 상기 의료 영상의 전체 타일들 중 N개의 타일들을 샘플링(예컨대, 랜덤 샘플링)하고, 샘플링된 N개의 타일들에 대해서만, 병변의 패턴에 관한 타일 별 특징 및 병변의 존재 여부에 관한 타일 별 특징을 통합하며, 이에 기초하여 의료 영상 전체에 대한 특징을 추출할 수도 있다.
또한, 프로세서(110)는 사전 학습된 제 5 딥러닝 모델을 사용하여 타일 별 특징이 조합되어 생성된 영상 전체의 특징을 기초로 병리 슬라이드 영상에 존재하는 병변의 평가 점수(예컨대, 전립선의 글리슨 등급(gleason grade))를 예측할 수 있다. 한편, 상기 제 4 딥러닝 모델 및 상기 제 5 딥러닝 모델은, 지도 학습 방식에 의해 학습될 수 있다. 예를 들어, 상기 제 4 딥러닝 모델 및 상기 제 5 딥러닝 모델은, 의료 영상 전체에 대하여 분석된 글리슨 등급, 및 상기 의료 영상에 대해 라벨링(영상 레벨의 라벨링)된 등급 사이의 비교에 기초하여 학습될 수 있다.
또한, 상기 프로세서(110)는, 사전 학습된 인공 신경망의 인코더(encoder) 부분을 활용하여, 타일 각각의 병변의 패턴을 분석하고, 타일 각각에 병변이 존재하는지 여부를 분석할 수 있다. 예를 들어, 상기 제 2 딥러딩 모델 및 상기 제 3 딥러닝 모델은 상기 사전 학습된 인공 신경망의 인코더 부분에 포함될 수 있다. 또한, 상기 프로세서는, 상기 사전 학습된 인공 신경망의 디코더(decoder) 부분을 활용하여, 의료 영상에 존재하는 조직 전체에 대한 평가를 수행할 수 있다. 예를 들어, 상기 제 4 딥러닝 모델 및 상기 제 5 딥러닝 모델은 상기 사전 학습된 인공 신경망의 디코더 부분에 포함될 수 있다.
또한, 상기 프로세서(110)는, 서브 딥러닝 모델을 추가로 활용하여, 상기 제 2 딥러닝 모델, 상기 제 3 딥러닝 모델, 및 상기 제 5 딥러닝 모델에서 분석되는 데이터를 보정할 수 있으며, 이를 통해 예측의 정확도를 높일 수 있다. 예를 들어, 상기 프로세서(110)는, 상기 서브 딥러닝 모델을 추가로 활용하여, 타일 각각의 병변의 패턴을 분석한 데이터, 및 타일 각각에 병변이 존재하는지 여부를 분석한 데이터를 보정할 수 있으며, 이를 통해, 결과적으로 의료 영상 전체에 대한 분석 결과가 개선되게 할 수 있다. 한편, 상기 서브 딥러닝 모델은, 상기 의료 영상에 포함된 타일들 각각에 대하여 병변의 존재 여부에 관한 추가적인 확률 값을 출력할 수 있다. 예를 들어, 상기 서브 딥러닝 모델은, 구체적인 수치의 확률 값을 출력하거나, 양성(benign)/악성(malignant)의 바이너리 분류 값을 출력할 수 있다. 또한, 상기 서브 딥러닝 모델은, 라벨을 활용하는 지도 학습 방식으로 학습될 수 있으며, 이를 통해, 상기 제 2 딥러닝 모델 또는 상기 제 3 딥러닝 모델이 지도 학습 방식으로 학습되지 않는 경우(예컨대, 약지도 학습 등으로 학습되는 경우 등)에도 추가적인 성능 개선의 효과를 부여할 수 있다.
본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다.
본 개시의 일 실시예에 따르면, 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따른 네트워크부(150)는 임의의 형태의 유무선 통신 시스템을 사용할 수 있다.
상기 네트워크부(150)는 신체 조직이 표현된 의료 영상을 의료영상 저장 전송 시스템으로부터 수신할 수 있다. 예를 들어, 신체 조직이 표현된 의료 영상은 신경망 모델의 학습용 데이터 또는 추론용 데이터일 수 있다. 신체 조직이 표현된 의료 영상은 적어도 하나의 조직을 포함하는 병리 슬라이드 영상일 수 있다. 이때, 병리 슬라이드 영상은 병리 진단을 위해 유리 슬라이드로부터 스캐너를 통해 획득되어 의료영상 저장 전송 시스템에 저장된 스캔 영상으로 이해될 수 있다. 신체 조직이 표현된 의료 영상은 전술한 예시에 제한되지 않고, X-ray 영상, CT 영상 등과 같이 촬영을 통해 획득된 신체 조직과 관련된 영상을 모두 포함할 수 있다.
또한, 상기 네트워크부(150)는 프로세서(110)에 의해 처리된 정보, 사용자 인터페이스 등을 타 단말과의 통신을 통해 송수신할 수 있다. 예를 들어, 네트워크부(150)는 프로세서(100)에 의해 생성된 사용자 인터페이스를 클라이언트(e.g. 사용자 단말)로 제공할 수 있다. 또한, 네트워크부(150)는 클라이언트로 인가된 사용자의 외부 입력을 수신하여 프로세서(110)로 전달할 수 있다. 이때, 프로세서(100)는 네트워크부(150)로부터 전달받은 사용자의 외부 입력을 기초로 사용자 인터페이스를 통해 제공되는 정보의 출력, 수정, 변경, 추가 등의 동작을 처리할 수 있다.
한편, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 클라이언트와 통신을 통해 정보를 송수신하는 컴퓨팅 시스템으로서 서버를 포함할 수 있다. 이때, 클라이언트는 서버에 엑세스할 수 있는 임의의 형태의 단말일 수 있다. 예를 들어, 서버인 컴퓨팅 장치(100)는 의료 영상 촬영 시스템으로부터 의료 영상을 수신하여 병변을 분석하고, 분석 결과를 포함하는 사용자 인터페이스를 사용자 단말로 제공할 수 있다. 이때, 사용자 단말은 서버인 컴퓨팅 장치(100)로부터 수신한 사용자 인터페이스를 출력하고, 사용자와의 상호 작용을 통해 정보를 입력받거나 처리할 수 있다.
추가적인 실시예에서, 컴퓨팅 장치(100)는 임의의 서버에서 생성된 데이터 리소스를 전달받아 추가적인 정보 처리를 수행하는 임의의 형태의 단말을 포함할 수도 있다.
도 2는 본 개시의 일 실시예에 따라 네트워크 함수를 나타낸 개략도이다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 상호 교환 가능한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.
신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.
신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.
최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.
본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에서 네트워크 함수는 오토 인코더(autoencoder)를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 차원과 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.
뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 반교사학습(semi supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.
뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.
뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.
도 3은 본 개시의 일 실시예에 따른 컴퓨팅 장치에 포함되어 병변을 평가하기 위한 기능들을 수행하는 모듈들을 나타낸 블록 구성도이다.
도 3을 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)의 프로세서(110)는 입력 영상(11)을 수신하여 타일을 추출하는 제 1 모듈(210)을 포함할 수 있다. 이때, 상기 입력 영상(11)은 전립선 등과 같은 조직을 포함하는 병리 슬라이드 영상일 수 있다. 또한, 상기 타일은 상기 입력 영상(11)의 기본 구성 단위인 픽셀일 수도 있고, 픽셀들의 집합체일 수도 있다. 예를 들어, 상기 제 1 모듈(210)은, 도 4에서 확인할 수 있듯이, 사전 학습된 인공 신경망을 사용하여 상기 입력 영상(11)에 포함된 복수의 타일들(11-1, 11-2, ... 11-N)을 추출할 수 있다.
또한, 상기 프로세서(110)는 상기 제 1 모듈(210)을 통해 추출된 복수의 타일들을 입력 받아 타일 별 특징을 추출하는 제 2 모듈(220)을 포함할 수 있다. 예를 들어, 상기 제 2 모듈(220)은 사전 학습된 인공 신경망을 사용하여 타일 각각의 제 1 특징(13)을 도출할 수 있다. 한편, 상기 제 1 특징(13)은, 타일 레벨로 분할된 영상에 대한 특징을 포함할 수 있다. 예를 들어, 상기 제 1 특징(13)은, 타일 레벨로 분할된 영상 자체를 의미할 수 있다. 또한, 상기 제 1 특징(13)은, 타일 레벨로 분할된 영상에 포함된 객체(조직, 병변 등)에 관한 특징, 타일 레벨로 분할된 영상과 관련된 메타 데이터 또는 속성 데이터 등을 포함할 수 있으며, 이러한 정보 이외에도, 타일 레벨로 분할된 영상에 대한 다양한 정보를 포함할 수 있다.
또한, 상기 프로세서(110)는 상기 제 2 모듈(220)을 통해 추출된 타일 별 제 1 특징(13)을 입력 받아 상기 입력 영상(11)에 존재하는 조직을 타일 별로 평가하는 제 3 모듈(230) 또는 제 4 모듈(240) 중 적어도 하나를 포함할 수 있다. 예를 들어, 상기 제 3 모듈(230)은 사전 학습된 인공 신경망을 사용하여 상기 타일 별 제 1 특징(13)을 기초로 타일 별로 병변의 존재 여부(예컨대, 전립선 조직의 종양 존재 여부)를 예측할 수 있다. 또한, 상기 제 4 모듈(240)은 사전 학습된 인공 신경망을 사용하여 상기 타일 별 제 1 특징(13)을 기초로 타일 별 병변의 패턴(예컨대, 글리슨 패턴)을 예측할 수 있다. 또한, 상기 프로세서(110)는 상기 제 3 모듈(230)과 상기 제 4 모듈(240) 각각의 예측 결과를 타일 별 평가 결과로서 출력할 수 있다. 또한, 상기 프로세서(110)는 상기 제 3 모듈(230)과 상기 제 4 모듈(240)의 동작을 병렬적으로 처리할 수 있다. 한편, 도 3에는 제 3 모듈(230)과 제 4 모듈(240)이 하나씩 동작하는 것으로 표현되어 있으나, 제 3 모듈(230) 및 제 4 모듈(240)은 각각 필요에 따라 N개(N은 자연수)로 구성될 수 있다.
또한, 상기 제 3 모듈(230) 및 상기 제 4 모듈(240) 각각에 포함된 신경망은 예측이 쉬운 라벨링 데이터 또는 예측이 어려운 라벨링 데이터 중 적어도 하나를 입력 받아 학습될 수 있다. 예를 들어, 상기 제 4 모듈(240)의 신경망은 글리슨 패턴이 3+3, 4+4 등과 같이 균일하게 분포하여 예측이 용이한 라벨링 데이터를 입력 받아 학습될 수 있다. 또한, 상기 제 4 모듈(240)의 신경망은 글리슨 패턴이 3+4, 4+3 등과 같이 균일하게 분포되어 있지 않아 예측이 어려운 라벨링 데이터를 입력 받아 학습될 수도 있다. 또한, 상기 제 4 모듈(240)의 신경망은 예측이 용이한 라벨링 데이터와 예측이 어려운 라벨링 데이터가 함께 구성된 학습 데이터를 입력 받아 학습될 수도 있다.
또한, 상기 제 3 모듈(230) 및 상기 제 4 모듈(240) 각각은 약지도 학습 방식에 의해 학습될 수도 있다. 예를 들어, 상기 제 3 모듈(230)은, 타일 레벨의 라벨링 없이, 소정의 의료 영상에 포함된 복수의 타일들의 병변의 존재 여부를 나타내는 제 1 확률 값들의 평균, 및 상기 소정의 의료 영상에 라벨링된 확률 값(영상 레벨에서 라벨링된 확률 값) 사이를 비교하는 손실 함수에 기초하여 학습될 수 있다. 또한, 상기 제 4 모듈은, 타일 레벨의 라벨링 없이, 영상 레벨에서 서로 대응하는 병변의 패턴들을 가지는 의료 영상들 사이에서(예컨대, 서로 대응되는 메이저 및 마이너 글리슨 패턴들을 갖는 의료 영상들 사이에서), 기 설정된 기준(예컨대, 병변의 존재 확률 등)을 만족시키는 타일들에 대하여 손실 함수를 산출하여 학습될 수 있다.
또한, 상기 프로세서(110)는 상기 제 3 모듈(230)의 출력 및 상기 제 4 모듈(240)의 출력을 조합하는 제 5 모듈(250)을 포함할 수 있다. 예를 들어, 상기 제 5 모듈(250)은 사전 학습된 인공 신경망을 사용하여 상기 제 3 모듈(230)의 출력인 타일 별 병변의 존재 여부(예컨대, 타일 별 전립선 조직의 종양 존재 여부)에 대한 예측 결과와 상기 제 4 모듈(240)의 출력인 타일 별 병변의 패턴(예컨대, 타일 별 글리슨 패턴)의 예측 결과를 통합시킴으로써, 상기 입력 영상(11) 전체에 대한 제 2 특징(15)을 도출할 수 있다. 즉, 상기 제 5 모듈(250)은 타일 별 특징에 해당하는 제 1 특징(13)을 사용한 예측 결과들을 사전 학습된 인공 신경망을 통해 조합하여 상기 입력 영상(11) 전체에 대한 특징을 나타내는 상기 제 2 특징(15)을 출력할 수 있다.
또한, 상기 프로세서(110)는 상기 제 5 모듈(250)을 통해 도출된 상기 제 2 특징(15)을 입력 받아 상기 입력 영상(11)에 존재하는 조직 전체에 대한 평가 결과를 산출하는 제 6 모듈(260)을 포함할 수 있다. 예를 들어, 상기 제 6 모듈(260)은 사전 학습된 인공 신경망을 사용하여 상기 입력 영상(11) 전체에 대한 특징을 나타내는 제 2 특징(15)을 기초로 상기 입력 영상(11)에 존재하는 병변의 평가 점수(예컨대, 전립선의 글리슨 등급)을 예측할 수 있다. 즉, 상기 제 6 모듈(260)은 사전 학습된 인공 신경망을 사용하여 상기 제 2 특징(15)을 기초로 전립선 조직 전체를 기준으로 하는 글리슨 등급을 출력 데이터(17)로서 생성할 수 있다.
본 개시의 일 실시예에 따라 전술한 모듈들(210 내지 260)을 포함하는 컴퓨팅 장치(100)는 종래 기술 대비 학습 데이터의 종류, 수 등에 제한이 없기 때문에, 보다 다양하고 많은 학습 데이터를 이용하여 병변 진단에 필요한 정확한 결과값을 제공할 수 있다. 또한, 컴퓨팅 장치(100)는 사용자에게 해석 가능한 영역 별 평가 결과를 제공할 수 있기 때문에, 병변의 진단에 필요한 정량적 정보 및 정성적 정보를 효과적으로 구성할 수 있고, 병변 진단의 효율을 향상시킬 수 있다.
도 5는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 병변 평가 결과를 나타낸 개념도이다.
도 5를 참조하면, 좌측 이미지(21)는 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)에 입력될 병리 슬라이드 영상을 나타낸다. 좌측 이미지(21)는 H&E(hematoxylin and eosin)를 통해 염색된 전립선 조직을 포함한다. 중간 이미지(25)는 좌측 이미지(21)의 타일 별로 전립선 조직의 종양 존재 여부를 예측한 결과를 나타낸다. 중간 이미지(25)에서 종양이 존재하지 않는 것으로 예측된 타일과 종양이 존재하는 것으로 예측된 타일은 서로 다른 무늬 또는 서로 다른 색상으로 구분되어 표시될 수 있다. 우측 이미지(29)는 좌측 이미지(21)의 타일 별로 글리슨 패턴을 예측한 결과를 나타낸다. 우측 이미지(29)에서 타일 별로 글리슨 패턴에 따라 색상이 구분되어 표시될 수 있다. 예를 들어, 도 4의 최하단에 배치된 색상 변화 막대와 같이 글리슨 패턴이 0, 3, 4, 5로 높아짐에 따라 색상이 점차 진해지도록 설정된 경우, 우측 이미지(29)에서 전립선 조직에 해당하는 각각의 타일들은 예측 결과에 매칭되는 색상에 맞춰 표시될 수 있다. 다만, 전술한 색상 변화와 관련된 기재는 하나의 예시일 뿐, 이에 한정되지 않는다. 상기 컴퓨팅 장치(100)는 전립선 암 진단의 효율을 증대시키기 위해 중간 이미지(25), 우측 이미지(29)와 같이 타일 별 예측 결과를 색상으로 구분하여 사용자 단말로 제공할 수 있다.
도 6은 본 개시의 일 실시예에 따른 제 3 모듈(230)의 예시적인 구성들을 나타내는 구성도이다.
도 6을 참조하면, 본 개시의 일 실시예에 따른 제 3 모듈(230)은, 사전 학습된 인공 신경망을 사용하고 그리고 상기 타일 별 제 1 특징(13)에 기초하여, 타일 별로 병변의 존재 여부(예컨대, 전립선 조직의 종양 존재 여부)를 분석할 수 있다. 또한, 상기 제 3 모듈(230)은, 상기 타일 별 제 1 특징(130)에 대해 컨볼루션(convolution) 연산을 적용하기 위한 Conv 모듈(231), 및 상기 컨볼루션 연산이 적용 이후에 활성화 함수를 적용하기 위한 활성화 함수 모듈(232)을 포함할 수 있으며, 타일 별로 병변의 존재 여부를 예측한 결과를 출력(3-A 출력)할 수 있다.
여기서 상기 Conv 모듈(231)은 상기 타일 별 제 1 특징(130)에 대해 컨볼루션 연산을 적용하기 위한 모듈이다. 예를 들어, 상기 Conv 모듈(231)은 상기 타일 별 제 1 특징에 대하여 1 x 1 convolution 연산을 적용할 수 있다.
또한, 상기 활성화 함수 모듈(232)은, 상기 컨볼루션 연산이 적용된 결과에 활성화 함수를 적용하기 위한 모듈이다. 예를 들어, 상기 활성화 함수 모듈(232) 상기 1 x 1 convolution 연산이 적용된 결과에 시그모이드(sigmoid) 함수를 적용할 수 있다. 또한, 상기 활성화 함수 모듈(232)은 다양한 출력 값들을 생성하기 위해 소프트맥스(softmax) 함수 등을 적용할 수도 있다.
또한, 상기 타일 별 전립선 조직의 종양 존재 여부를 예측한 결과(3-A 출력)는, 타일 별로 병변의 존재 확률을 나타내는 데이터를 포함할 수 있다. 이러한 데이터는, 바이너리 데이터(존재/부존재)이거나, 구체적인 수치 데이터일 수 있다.
또한, 상기 제 3 모듈(230)은, 이러한 연산 동작들에 기초하여, 타일 별로 병변의 존재 여부(예컨대, 타일 별 전립선 조직의 종양 존재 여부)를 나타내는 맵(map)을 생성할 수 있다. 예를 들어, 상기 제 3 모듈(230)은, 도 5의 중간 이미지(25)와 같이, 병변이 존재하지 않는 것으로 예측된 타일과 병변이 존재하는 것으로 예측된 타일을 서로 다른 무늬로 표현하는 맵을 생성할 수 있다. 또한, 상기 제 3 모듈은, 각 타일의 확률 값을 점진적인 색구분 등으로 표현하는 히트맵을 생성할 수도 있다.
도 7은 본 개시의 일 실시예에 따른 제 4 모듈(240)의 예시적인 구성들을 나타내는 구성도이다.
도 7을 참조하면, 본 개시의 일 실시예에 따른 제 4 모듈(240)은, 사전 학습된 인공 신경망을 사용하여 상기 타일 별 제 1 특징(13)을 기초로 타일 별 병변의 패턴(예컨대, 글리슨 패턴)을 분석할 수 있다. 또한, 제 4 모듈(240)은, 상기 타일 별 제 1 특징(130)에 대해 컨볼루션 연산을 적용하기 위한 Conv 모듈(241), 상기 컨볼루션 연산이 적용된 이후에 병렬적으로 풀링(pooling) 연산을 수행하기 위한 제 1 풀링 모듈(242) 및 제 2 풀링 모듈(243)을 포함할 수 있으며, 상기 타일 별 병변의 패턴과 관련된 복수의 출력들(4-A 출력, 4-B 출력)을 생성할 수 있다.
여기서 상기 Conv 모듈(241)은 상기 타일 별 제 1 특징(130)에 대해 컨볼루션 연산을 적용하기 위한 모듈이다. 예를 들어, 상기 Conv 모듈(241)은 상기 타일 별 제 1 특징에 대하여, 글리슨 패턴 클래스(class)의 개수만큼 1 x 1 convolution 연산을 적용할 수 있다. 구체적으로, 상기 Conv 모듈(241)은, 글리슨 패턴의 클래스가 4인 경우(예컨대, 글리슨 패턴을 4개의 클래스인 {0, 1, 2, 3}으로 구분한 경우), 4번의 1 x 1 convolution 연산을 수행할 수 있다.
또한, 상기 제 1 풀링 모듈(242) 및 상기 제 2 풀링 모듈(243)은, 상기 Conv 모듈이 출력한 결과에 대해 풀링 연산을 병렬적으로 수행할 수 있다. 예를 들어, 상기 제 1 풀링 모듈(242)은, 상기 Conv 모듈이 출력한 결과에 대해 최대 풀링(max pooling) 연산을 적용할 수 있으며, 상기 제 2 풀링 모듈(243)은, 상기 Conv 모듈(241)이 출력한 결과에 대해 평균 풀링(average pooling) 연산을 적용할 수 있다. 또한, 상기 최대 풀링 연산의 결과와 상기 평균 풀링 연산의 결과는 합쳐질 수 있으며, 합쳐진 결과에 기초하여 상기 타일 별 병변의 패턴과 관련된 복수의 출력들(4-A, 4-B)이 생성될 수 있다. 한편, 실시예에 따라서는, 상기 최대 풀링 연산의 결과와 상기 평균 풀링 연산의 결과 중 하나의 결과에 기초하여, 상기 복수의 출력들(4-A, 4-B)이 개별적으로 생성될 수도 있다
한편, 상기 제 4 모듈(240)은, 상기 제 2 풀링 모듈(243)의 출력 또는 상기 4-B 출력에 기초하여, 상기 입력 영상(11)의 타일 별 병변의 패턴(예컨대, 글리슨 패턴)을 나타내는 맵을 생성할 수 있다. 예를 들어, 상기 제 4 모듈(240)은, 도 5의 우측 이미지(29)와 같이, 상기 입력 영상(11)의 타일 별 병변의 패턴을 점진적인 색구분으로 표현하는 히트맵을 생성할 수 있다. 또한, 이러한 타일 별 병변의 패턴을 표현하는 히트맵은, 상기 입력 영상(11) 전체에 대한 예측 결과와는 별개의 추가적인 출력으로서, 사용자에게 제공될 수 있다.
도 8은 본 개시의 일 실시예에 따른 제 5 모듈(250)의 예시적인 구성들을 나타내는 구성도이다.
도 8을 참조하면, 본 개시의 일 실시예에 따른 제 5 모듈(250)은, 상기 제 3 모듈(230)의 출력 및 상기 제 4 모듈(240)의 출력을 조합할 수 있다. 예를 들어, 상기 제 5 모듈(250)은, 사전 학습된 인공 신경망을 사용하여, 상기 제 3 모듈(230)의 출력인 타일 별 병변의 존재 여부(예컨대, 전립선 조직의 종양 존재 여부)에 대한 예측 결과(3-A 출력)와 상기 제 4 모듈(240)의 출력인 타일 별 병변의 패턴(예컨대, 글리슨 패턴)의 예측 결과(상기 4-A 출력, 상기 4-B 출력)를 통합할 수 있으며, 이를 통해, 상기 입력 영상(11) 전체에 대한 제 2 특징(15)을 도출할 수 있다. 또한, 상기 제 5 모듈(250)은, 이러한 동작들을 위해, 제 1 곱 연산 모듈(251), 제 2 곱 연산 모듈(252), 연접 모듈(253), FC layer 모듈(254)을 포함할 수 있다.
여기서 상기 제 1 곱 연산 모듈(251) 및 상기 제 2 곱 연산 모듈(252)은, 상기 제 3 모듈(230)의 출력인 타일 별 병변의 존재 여부에 대한 예측 결과(3-A 출력)와 상기 제 4 모듈(240)의 출력인 타일 별 병변의 패턴의 예측 결과(상기 4-A 출력, 상기 4-B 출력) 사이에서 곱 연산을 수행하는 구성들이다. 예를 들어, 상기 제 1 곱 연산 모듈(251)은, 상기 3-A 출력과 상기 4-A 출력 사이에서 곱 연산을 수행하고, 상기 제 2 곱 연산 모듈(252)은, 상기 3-A 출력과 상기 4-B 출력 사이에서 곱 연산을 수행한다.
또한, 상기 연접 모듈(253)은, 상기 제 1 곱 연산 모듈(251) 및 상기 제 2 곱 연산 모듈(252)의 결과들에 대하여 연접(concatenation) 동작을 수행하는 구성이다.
또한, 상기 FC layer 모듈(254)은, 상기 연접 모듈(253)의 출력에 대하여 FC(Fully Connected) layer에서의 연산 동작을 수행하며, 이를 통해, 상기 입력 영상(11) 전체에 대한 제 2 특징(15)을 도출할 수 있다.
한편, 상기 제 5 모듈(250)에 의해 도출된 상기 제 2 특징(15)은, 위에서 살펴본 제 6 모듈(260)에 전달될 수 있으며, 상기 입력 영상(11)에 존재하는 병변의 평가 점수(예컨대, 전립선의 글리슨 등급)를 예측하는 데에 활용될 수 있다.
도 9는, 본 개시의 일 실시예에 따라 컴퓨팅 장치에 포함되어 병변을 평가하기 위한 기능들을 수행하는 모듈들의 다른 예시들을 나타내는 블록 구성도이다.
도 9를 참조하면, 상기 컴퓨팅 장치는, 메인 모델(1)에 포함된 모듈들을 보정하여 성능을 향상시키기 위한 서브 모델(2)을 추가로 포함할 수 있다.
여기서, 상기 메인 모델(1)에는, 위에서 검토한, 상기 제 1 모듈(210), 상기 제 2 모듈(220), 상기 제 3 모듈(230), 상기 제 4 모듈(240), 상기 제 5 모듈(250), 상기 제 6 모듈(260) 등이 포함될 수 있으며, 상기 서브 모델(2)은 상기 메인 모델(1)에 포함되는 적어도 하나의 모델을 보정하기 위한 동작을 수행할 수 있다.
특히, 상기 서브 모델(2)은, 병변 분석의 성능에 상대적으로 많은 영향을 미치는, 상기 제 3 모듈(230)의 출력, 상기 제 4 모듈(240)의 출력 등을 보정하는 동작을 수행할 수 있다. 예를 들어, 상기 서브 모델(2)은, 상기 입력 영상(11)의 상기 복수의 타일들에 대하여, 타일 별 병변의 존재 여부(예컨대, 전립선 조직의 종양 존재 여부)에 대한 추가적인 확률 값(예컨대, 제 2 확률 값)을 생성할 수 있으며, 생성된 추가적인 확률 값이 상기 제 3 모듈(230)의 3-A 출력(233), 상기 제 4 모듈(240)의 4-B 출력(246) 등의 보정에 활용되도록 할 수 있다. 한편, 상기 3-A(233) 출력 및 상기 4-B 출력(246)은 상기 입력 영상(11) 전체에 대한 제 2 특징(15)을 도출하는 데에 직접적으로 활용되는 정보이고, 상기 3-A 출력(233)은 병변 패턴(예컨대, 글리슨 패턴)에 대한 히트맵 정보를 생성하는 데에 직접적으로 활용되는 정보이므로, 이러한 데이터들의 보정을 통해 상기 메인 모델의 출력들이 개선될 수 있다.
이러한 상기 서브 모델(2)은, ResNext 모델 등을 포함하여 타일 별 분류 동작을 수행할 수 있으며, 타일 별 추가적인 확률 값을 생성할 수 있다.
또한, 상기 서브 모델(2)은, 라벨을 활용하는 지도 학습 방식으로 학습될 수 있으며, 이를 통해, 메인 모델의 일부 모듈들이 지도 학습 방식으로 학습되지 않는 경우(예컨대, 약지도 학습 등으로 학습되는 경우 등)에도 추가적인 성능 개선의 효과를 부여할 수 있다.
도 10은, 본 개시의 일 실시예에 따른 컴퓨팅 장치에 포함되어 병변을 평가하기 위한 기능들을 수행하는 모듈들의 다른 예시들을 나타내는 블록 구성도이다.
도 10은 참조하면, 상기 컴퓨팅 장치는, 상기 제 3 모듈(230)의 동작 및 상기 제 4 모듈(240)의 동작 이후에 샘플링(sampling) 동작을 수행하는 샘플링 모듈(270)을 추가로 포함할 수 있다.
이러한 상기 샘플링 모듈(270)은 랜덤(random) 샘플링 방식으로 샘플링 동작을 수행할 수 있으며, 이러한 방식 이외에도 다양한 샘플링 방식을 활용할 수 있다.
또한, 상기 샘플링 모듈(270)은, 상기 입력 영상(11)의 상기 복수의 타일들(11-1, 11-1, ... 11-N) 중에서 K개의 타일들을 샘플링할 수 있으며, 샘플링된 K개(예컨대, 32개)의 타일들에 대한 "타일 별 병변의 존재 여부(예컨대, 전립선 조직의 종양 존재 여부)에 대한 데이터" 및 "타일 별 병변의 패턴(예컨대, 글리슨 패턴)에 대한 데이터"를 추출할 수 있다. 예를 들어, 상기 샘플링 모듈(270)은, 상기 제 3 모듈(230)의 출력(3-A 출력)으로부터 상기 샘플링된 K개의 타일들에 대한 데이터를 추출하여 샘플링된 출력(예컨대, 3-A-sampling 출력)을 생성하고, 상기 제 4 모듈(240)의 출력들(4-A, 4-B)으로부터 상기 샘플링된 K개의 타일들에 대한 데이터를 추출하여 샘플링된 출력들(4-A-sampling, 4-B-sampling 출력)을 생성하며, 이러한 샘플링된 출력들이 상기 제 5 모듈(250)에서 활용되도록 할 수 있다.
또한, 상기 샘플링 모듈(270)은, 복수의 샘플링 동작들을 수행할 수 있으며, 복수의 세트의 샘플링된 데이터들을 상기 제 5 모듈(250)에 전달할 수 있다. 예를 들어, 상기 샘플링 모듈(270)은, K개의 타일들을 랜덤 샘플링하는 동작을 m번 수행할 수 있으며, 각각 K개의 타일들에 대한 샘플링된 데이터들을 포함하는 m개의 데이터 세트들을 상기 제 5 모듈(250)에 전달할 수 있다. 이 경우, 상기 제 5 모듈(250) 및 상기 제 6 모듈(260)은, 전달된 m개의 데이터 세트들을 활용하여, m개의 제 2 특징(15)들을 생성하고, m개의 병변 평가 점수(예컨대, 글리슨 등급)들을 생성하며, 생성된 m개의 데이터들에 앙상블 기법(예컨대, 평균, 최빈값 등) 등을 적용하여 최종 출력을 결정할 수 있다.
한편, 이러한 샘플링 모듈(270)이 추가되는 경우, 상기 입력 영상(11)에 대한 의존성이 감소될 수 있다. 구체적으로, 상기 샘플링 모듈(270)이 추가됨으로써, 상기 "입력 영상(11)(예컨대, 슬라이드 레벨의 전체 영상)"과 "최종 출력에 활용되는 영상(타일 레벨로 샘플링된 영상)"이 상이하게 되므로, 분석/예측 단계에서 상기 입력 영상에 대한 의존성이 감소될 수 있으며, 다양한 타입의 의료 영상에 대해서도 높은 분석/예측 성능이 보장될 수 있다.
도 11은 본 개시의 일 실시예에 따른 손실함수들을 나타내는 개념도이다.
도 11을 참조하면, 본 개시의 일 실시예에 따른 상기 메인 모델(1) 및 상기 서브 모델(2)은, 복수의 손실 함수들에 기초하여 학습될 수 있다. 예를 들어, 상기 메인 모델(1)은, 제 1 손실 함수(41), 제 2 손실 함수(43), 제 3 손실 함수(45) 등에 기초하여 학습될 수 있고, 상기 서브 모델(2)은 제 4 손실 함수(47) 등에 기초하여 학습될 수 있다.
상기 제 1 손실 함수(41)는, 상기 출력 데이터(17)에 기초하여 손실 값(loss)을 산출하는 구성이다. 예를 들어, 상기 제 1 손실 함수(41)는, 소정의 영상에 대해 예측된 병변의 평가 점수(예컨대, 영상 전체에 대해 예측된 글리슨 등급)와 상기 소정의 영상에 대하여 라벨링된 데이터 사이의 손실 값을 산출하는 구성이다. 이러한 상기 제 1 손실 함수(41)는, 전체 영상 레벨의 지도 학습에 활용될 수 있다. 한편, 상기 샘플링 모듈(270)이 추가된 경우, 상기 제 1 손실 함수(41)는, 샘플링된 타일들에 기초하여 예측된 병변의 평가 점수(예컨대, 샘플링된 타일들에 기초하여 영상 전체에 대해 예측된 글리슨 등급)와 상기 소정의 영상에 대하여 라벨링된 데이터 사이의 손실 값을 산출하도록 구성될 수 있다.
또한, 상기 제 2 손실 함수(43)는, 상기 제 3 모듈(230)의 출력에 기초하여 손실 값을 산출하는 구성이다. 이러한 상기 제 2 손실 함수(43)는, 타일 레벨의 라벨링 없이, 약지도 학습의 방식으로 타일 레벨의 출력들을 학습시키기 위한 손실 값을 산출할 수 있다. 예를 들어, 상기 제 2 손실 함수(43)는, 타일 레벨의 라벨링 없이, 상기 소정의 영상에 포함된 복수의 타일들의 병변의 존재 여부(예컨대, 전립선 조직의 종양 존재 여부)를 나타내는 제 1 확률 값들의 평균, 및 상기 소정의 영상에 라벨링된 확률 값(영상 레벨에서 라벨링된 확률 값) 사이의 손실 값을 산출할 수 있으며, 이러한 손실 값에 기초하여 상기 제 3 모듈(230)의 출력에 대한 약지도 학습이 수행되도록 할 수 있다. 한편, 상기 샘플링 모듈(270)이 추가된 경우, 상기 제 2 손실 함수(43)는, 샘플링된 타일들에 대한 제 1 확률 값들의 평균, 및 상기 소정의 영상에 라벨링된 확률 값 사이의 손실 값을 산출하도록 구성될 수 있다.
또한, 상기 제 3 손실 함수(45)는, 상기 제 4 모듈(240)의 출력에 기초하여 손실 값을 산출하는 구성이다. 이러한 상기 제 3 손실 함수(45)는, 타일 레벨의 라벨링 없이, 약지도 학습의 방식으로 타일 레벨의 출력들을 학습시키기 위한 손실 값을 산출할 수 있다. 예를 들어, 상기 제 3 손실 함수(45)는, 타일 레벨의 라벨링 없이, 영상 레벨에서 서로 대응하는 병변의 패턴들을 가지는 의료 영상들 사이에서(예컨대, 서로 대응되는 메이저 및 마이너 글리슨 패턴들을 갖는 의료 영상들 사이에서), 기 설정된 기준을 만족시키는 타일들(예컨대, 종양 확률이 특정 임계값을 초과하는 타일들 등)에 대하여 손실 값을 산출할 수 있으며, 이러한 손실 값에 기초하여 상기 제 4 모듈(240)의 출력에 대한 약지도 학습이 수행되도록 할 수 있다. 한편, 상기 샘플링 모듈(270)이 추가된 경우, 상기 제 3 손실 함수(45)는, 샘플링된 타일들의 범위에서 서로 대응되는 글리슨 패턴들을 가지는 의료 영상들 사이에서, 기 설정된 기준을 만족시키는 타일들에 대하여 손실 값을 산출하도록 구성될 수 있다.
또한, 상기 제 4 손실 함수(47)는, 상기 서브 모델(2)의 출력에 기초하여 손실 값을 산출하는 구성이다. 예를 들어, 상기 제 4 손실 함수(47)는, 타일 별 병변의 존재 여부(예컨대, 전립선 조직의 종양 존재 여부)에 대한 추가적인 확률 값(예컨대, 제 2 확률 값)과, 타일 레벨에서 라벨링된 데이터 사이의 손실 값을 산출하는 구성이다. 또한, 상기 제 2 확률 값 및 상기 라벨링된 데이터는, 바이너리 분류 값(양성/악성)이거나, 구체적인 수치의 값일 수 있다. 이러한 상기 제 4 손실 함수(47)는, 상기 서브 모델(2)의 출력의 지도 학습에 활용될 수 있다. 한편, 상기 제 4 손실 함수(47)는, 상기 제 2 손실 함수(43) 또는 상기 제 3 손실 함수(45)가 지도 학습을 위한 형태로 구현되지 않더라도, 이를 보조하는 학습 역할을 수행할 수 있다.
도 12는 본 개시의 일 실시예에 따른 의료 영상 기반의 병변 분석 방법을 나타내는 순서도이다.
이러한 상기 의료 영상 기반의 병변 분석 방법은, 이상에서 살핀, 상기 컴퓨팅 장치의 모듈들에 의해 구현 또는 수행될 수 있다.
도 12를 참조하면, 상기 의료 영상 기반의 병변 분석 방법은, 사전 학습된 인공 신경망을 사용하여 입력 영상에 포함된 복수의 타일들 각각의 제 1 특징을 추출하는 단계(S110), 상기 사전 학습된 인공 신경망을 사용하여, 상기 복수의 타일들의 제 1 특징들을 기초로 타일 별로 병변의 존재 여부를 분석하는 단계(S120), 상기 사전 학습된 인공 신경망을 사용하여, 상기 복수의 타일들의 상기 제 1 특징들을 기초로 타일 별로 병변의 패턴을 분석하는 단계(S130), 상기 사전 학습된 인공 신경망을 사용하여, 상기 타일 별로 병변의 존재 여부를 분석하는 단계 및 상기 타일 별로 병변의 패턴을 분석하는 단계를 기초로, 상기 입력 영상 전체에 대한 제 2 특징을 추출하는 단계(S140)을 포함할 수 있다.
여기서 상기 S110 단계는, 예를 들어, 위에서 살펴본 상기 제 1 모듈(210) 및 상기 제 2 모듈(220) 등의 동작들에 기초하여 구현될 수 있다. 또한, 상기 S120 단계는, 예를 들어, 위에서 살펴본 상기 제 3 모듈(230)의 동작들에 기초하여 구현될 수 있다. 또한, 상기 S130 단계는, 예를 들어, 위에서 살펴본 상기 제 4 모듈(240)의 동작들에 기초하여 구현될 수 있다. 또한, 상기 S140 단계는, 예를 들어, 위에서 살펴본 상기 제 5 모듈(250)의 동작들에 기초하여 구현될 수 있다.
또한, 상기 의료 영상 기반의 병변 분석 방법에서, 상기 입력 영상은 전립선 조직을 포함할 수 있는 영상일 수 있고, 상기 병변의 패턴은 글리슨 패턴(gleason pattern)에 대응할 수 있으며, 상기 의료 영상 기반의 병변 분석 방법은, 상기 S140 단계 이후에, 상기 사전 학습된 인공 신경망을 사용하여, 상기 제 2 특징을 기초로, 상기 입력 영상 전체에 대한 전립선암 점수를 결정하는 단계를 더 포함할 수 있다.
또한, 상기 S140 단계는, 상기 복수의 타일들 중 일부를 샘플링하는 단계; 및 상기 사전 학습된 인공 신경망을 사용하여, 샘플링된 타일들에 대한 병변의 존재 여부를 나타내는 분석 데이터 및 상기 샘플링된 타일들에 대한 병변의 패턴을 나타내는 분석 데이터를 기초로, 상기 제 2 특징을 추출하는 단계를 포함할 수 있다. 한편, 이러한 샘플링 동작이 추가되는 경우, 상기 입력 영상에 대한 의존성을 감소시키는 기술적 효과가 구현될 수 있다. 예를 들어, 이러한 샘플링 동작이 추가됨으로써, 상기 "입력 영상(예컨대, 슬라이드 레벨의 전체 영상)"과 "최종 출력에 활용되는 영상(타일 레벨로 샘플링된 영상)"이 상이하게 되므로, 분석/예측 단계에서 상기 입력 영상에 대한 의존성이 감소될 수 있으며, 다양한 타입의 의료 영상에 대해서도 높은 분석/예측 성능이 보장될 수 있다.
또한, 상기 S120 단계 및 상기 S130 단계는 상기 사전 학습된 인공 신경망의 인코더 부분에서 수행되고, 상기 S140 단계는 상기 사전 학습된 인공 신경망의 디코더 부분에서 수행될 수 있다. 예를 들어, 상기 사전 학습된 인공 신경망이, 위에서 살펴본, 상기 제 1 모듈(210), 상기 제 2 모듈(220), 상기 제 3 모듈(230), 상기 제 4 모듈(240), 상기 제 5 모듈(250), 상기 제 6 모듈(260)의 동작들을 구현하기 위한 메인 모델을 포함하는 경우, 상기 S120 단계 및 상기 S130 단계는 상기 메인 모델의 인코더 부분에 실질적으로 포함될 수 있는 상기 제 3 모듈(230) 및 상기 제 4 모듈(240)의 동작들에 의해 구현될 수 있고, 상기 S140 단계는 상기 메인 모델의 디코더 부분에 실질적으로 포함될 수 있는 상기 제 5 모듈(250)의 동작들에 의해 구현될 수 있다.
또한, 상기 의료 영상 기반의 병변 분석 방법은, 상기 사전 학습된 인공 신경망을 사용하여, 상기 제 2 특징을 기초로 상기 입력 영상 전체에 대한 병변의 평가 점수를 결정하는 단계를 결정할 수 있다. 이 경우 상기 사전 학습된 인공 신경망은, 소정의 영상에 대해 결정된 평가 점수와 상기 소정의 영상에 대해 라벨링된 점수 사이의 비교에 기초하여 학습된 메인 모델을 포함할 수 있다.
또한, 상기 의료 영상 기반의 병변 분석 방법을 구현하기 위해 활용될 수 있는 상기 메인 모델은, 타일 레벨의 라벨링 없이, 상기 소정의 영상에 포함된 복수의 타일들의 병변의 존재 여부를 나타내는 제 1 확률 값들의 평균, 및 상기 소정의 영상에 라벨링된 확률 값 사이의 비교에 기초하여 추가로 학습될 수 있다.
또한, 상기 S120 단계는, 상기 메인 모델을 이용하여, 상기 복수의 타일들의 타일 별로 병변의 존재 여부에 대한 제 1 확률 값을 결정하는 단계; 상기 사전 학습된 인공 신경망의 서브 모델을 이용하여, 상기 복수의 타일들의 타일 별로 병변의 존재 여부에 대한 제 2 확률 값을 결정하는 단계; 및 상기 제 2 확률 값에 기초하여 상기 제 1 확률 값을 보정하는 단계를 포함할 수 있다. 이 경우, 상기 서브 모델은 타일 레벨의 라벨링에 기초하여 학습될 수 있다.
또한, 상기 의료 영상 기반의 병변 분석 방법을 구현하기 위해 활용될 수 있는 상기 메인 모델은, 타일 레벨의 라벨링 없이, 영상 레벨에서 서로 대응하는 병변의 패턴들을 가지는 영상들 사이에서, 기 설정된 기준을 만족시키는 타일들의 병변의 패턴들을 비교하여 추가로 학습도리 수 있다.
또한, 상기 S130 단계는, 상기 사전 학습된 인공 신경망의 서브 모델을 이용하여, 상기 복수의 타일들의 타일 별로 병변의 존재 여부에 대한 확률 값을 결정하는 단계; 및 상기 확률 값에 기초하여 상기 타일 별 병변의 패턴을 보정하는 단계를 포함할 수 있다. 이 경우, 상기 서브 모델은 타일 레벨의 라벨링에 기초하여 학습될 수 있다.
또한, 상기 의료 영상 기반의 병변 분석 방법은, 사용자에게 제공하기 위한 복수의 출력들을 제공하는 단계들을 더 포함할 수 있다. 예를 들어, 상기 의료 영상 기반의 병변 분석 방법은, 상기 S130 단계에 기초하여, 상기 입력 영상에 포함된 병변의 패턴(예컨대, 글리슨 패턴)을 나타내는 맵(예컨대, 히트맵)을 제 1 출력으로서 출력하는 단계를 더 포함할 수 있다. 또한, 상기 의료 영상 기반의 병변 분석 방법은, 상기 S140 단계 이후에, 상기 사전 학습된 인공 신경망을 사용하여, 상기 제 2 특징을 기초로 상기 입력 영상 전체에 대한 병변의 평가 점수를 결정하고, 결정된 병변의 평가 점수를 제 2 출력으로서 출력하는 단계를 더 포함할 수 있다. 또한, 상기 의료 영상 기반의 병변 분석 방법은, 상기 S120 단계에 기초하여, 상기 입력 영상의 타일 별로 병변의 존재 확률을 나타내는 추가적인 맵을 제 3 출력으로서 출력하는 단계를 더 포함할 수 있다.
도 13은 본 개시의 일 실시예에 따른 의료 영상 기반의 병변 분석 방법의 다른 예시를 나타내는 순서도이다.
이러한 상기 의료 영상 기반의 병변 분석 방법은, 이상에서 살핀, 상기 컴퓨팅 장치의 모듈들에 의해 구현 또는 수행될 수 있다.
도 13을 참조하면, 상기 의료 영상 기반의 병변 분석 방법은, 사전 학습된 인공 신경망을 사용하여 입력 영상에 포함된 복수의 타일들 각각의 제 1 특징을 추출하는 단계(S210), 상기 사전 학습된 인공 신경망을 사용하여, 상기 복수의 타일들의 제 1 특징들을 기초로 타일 별로 병변의 패턴을 분석하는 단계(S220), 상기 타일 별로 병변의 패턴을 분석하는 단계에 기초하여, 상기 입력 영상에 포함된 병변의 패턴을 나타내는 맵을 제공하는 단계(S230)을 포함할 수 있다.
이 경우 상기 S220 단계는, 타일 레벨의 라벨링(labeling) 없이 학습된 모델에 의해 수행될 수 있다. 또한, 상기 타일 레벨의 라벨링 없이 학습된 모듈은, 영상 레벨에서 서로 대응하는 병변의 패턴들을 가지는 영상들 사이에서, 기 설정된 기준을 만족시키는 타일들의 패턴들을 비교하여 학습된 모듈일 수 있다. 즉, 상기 의료 영상 기반의 병변 분석 방법은, 타일 레벨의 관점에서 약지도 학습 방식을 활용하면서, 타일 레벨에서 병변의 패턴을 나타내는 맵을 제공할 수 있다.
또한, 상기 S210 단계는, 예를 들어, 위에서 살펴본 상기 제 1 모듈(210) 및 상기 제 2 모듈(220) 등의 동작들에 기초하여 구현될 수 있다. 또한, 상기 S220 단계 및 상기 S230 단계는, 예를 들어, 위에서 살펴본 상기 제 4 모듈(240)의 동작들에 기초하여 구현될 수 있다.
또한, 상기 영상 기반의 병변 분석 방법은, 서브 모델을 사용하여 상기 입력 영상에 포함된 상기 복수의 타일들 각각의 병변 존재 확률을 분석하는 단계; 및 상기 복수의 타일들 각각의 병변 존재 확률을 분석하는 단계에 기초하여, 상기 타일 별로 병변의 패턴을 분석한 결과를 보정하는 단계를 더 포함할 수 있다. 한편, 상기 서브 모델은 타일 레벨의 라벨링이 기초하여 학습된 모델일 수 있다.
한편, 이상에 살핀 상기 의료 영상 기반의 병변 분석 방법들은, 프로세서에 의해 실행될 수 있는 프로그램의 형태로 구현될 수 있으며, 저장 매체에 저장 가능한 형태로 구현될 수 있다.
도 14는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.
일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드(handheld) 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.
본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.
컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.
컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.
컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.
시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.
컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.
이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.
운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.
사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.
모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.
컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.
LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.
컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.
Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.
제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (16)

  1. 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 의료 영상 기반의 병변 분석 방법으로서,
    사전 학습된 인공 신경망을 사용하여 입력 영상에 포함된 복수의 타일(tile)들 각각의 제 1 특징을 추출하는 단계; 및
    상기 사전 학습된 인공 신경망을 사용하여, 상기 복수의 타일들의 제 1 특징들을 기초로 생성된 타일 별 병변의 존재 여부에 관한 정보 및 타일 별 병변의 패턴에 관한 정보를 기초로, 상기 입력 영상 전체에 대한 제 2 특징을 추출하는 단계를 포함하는, 방법.
  2. 제 1 항에 있어서,
    상기 입력 영상은 전립선 조직을 포함하는 영상이고,
    상기 병변의 패턴은 글리슨 패턴(gleason pattern)에 대응되며,
    상기 방법은,
    상기 사전 학습된 인공 신경망을 사용하여, 상기 제 2 특징을 기초로, 상기 입력 영상 전체에 대한 전립선암 점수를 결정하는 단계를 더 포함하는, 방법.
  3. 제 1 항에 있어서,
    상기 입력 영상 전체에 대한 제 2 특징을 추출하는 단계는,
    상기 복수의 타일들 중 일부를 샘플링하는 단계; 및
    상기 사전 학습된 인공 신경망을 사용하여, 샘플링된 타일들에 대한 병변의 존재 여부를 나타내는 분석 데이터 및 상기 샘플링된 타일들에 대한 병변의 패턴을 나타내는 분석 데이터를 기초로, 상기 제 2 특징을 추출하는 단계를 포함하는, 방법.
  4. 제 1 항에 있어서,
    상기 입력 영상 전체에 대한 제 2 특징을 추출하는 단계 이전에:
    상기 사전 학습된 인공 신경망을 사용하여, 상기 복수의 타일들의 상기 제 1 특징들을 기초로 타일 별로 병변의 존재 여부를 분석하는 단계; 및
    상기 사전 학습된 인공 신경망을 사용하여, 상기 복수의 타일들의 상기 제 1 특징들을 기초로 타일 별로 병변의 패턴을 분석하는 단계를 더 포함하는, 방법.
  5. 제 4 항에 있어서,
    상기 타일 별로 병변의 존재 여부를 분석하는 단계 및 상기 타일 별로 병변의 패턴을 분석하는 단계는, 상기 사전 학습된 인공 신경망의 인코더(encoder) 부분에서 수행되고,
    상기 입력 영상 전체에 대한 제 2 특징을 추출하는 단계는, 상기 사전 학습된 인공 신경망의 디코더(decoder) 부분에서 수행되는, 방법.
  6. 제 1 항에 있어서,
    상기 타일 별 병변의 패턴에 관한 정보에 기초하여, 상기 입력 영상에 포함된 병변의 패턴을 나타내는 맵(map)을 제 1 출력으로서 출력하는 단계; 및
    상기 사전 학습된 인공 신경망을 사용하여, 상기 제 2 특징을 기초로 상기 입력 영상 전체에 대한 병변의 평가 점수를 결정하고, 결정된 평가 점수를 제 2 출력으로서 출력하는 단계를 더 포함하는, 방법.
  7. 제 1 항에 있어서,
    상기 방법은,
    상기 사전 학습된 인공 신경망을 사용하여, 상기 제 2 특징을 기초로 상기 입력 영상 전체에 대한 병변의 평가 점수를 결정하는 단계를 더 포함하고,
    상기 사전 학습된 인공 신경망은, 소정의 영상에 대해 결정된 평가 점수와 상기 소정의 영상에 대해 라벨링(labeling)된 점수 사이의 비교에 기초하여 학습된 메인 모델을 포함하는, 방법.
  8. 제 7 항에 있어서,
    상기 메인 모델은, 타일 레벨(level)의 라벨링 없이, 상기 소정의 영상에 포함된 복수의 타일들의 병변의 존재 여부를 나타내는 제 1 확률 값들의 평균, 및 상기 소정의 영상에 라벨링된 확률 값 사이의 비교에 기초하여 추가로 학습된 것인, 방법.
  9. 제 4 항에 있어서,
    상기 타일 별로 병변의 존재 여부를 분석하는 단계는,
    상기 사전 학습된 인공 신경망의 메인 모델을 이용하여, 상기 복수의 타일들의 타일 별로 병변의 존재 여부에 대한 제 1 확률 값을 결정하는 단계;
    상기 사전 학습된 인공 신경망의 서브 모델을 이용하여, 상기 복수의 타일들의 타일 별로 병변의 존재 여부에 대한 제 2 확률 값을 결정하는 단계; 및
    상기 제 2 확률 값에 기초하여 상기 제 1 확률 값을 보정하는 단계를 포함하고,
    상기 서브 모델은 타일 레벨의 라벨링에 기초하여 학습된 것인, 방법.
  10. 제 7 항에 있어서,
    상기 메인 모델은, 타일 레벨의 라벨링 없이, 영상 레벨에서 서로 대응하는 병변의 패턴들을 가지는 영상들 사이에서, 기 설정된 기준을 만족시키는 타일들의 병변의 패턴들을 비교하여 추가로 학습된 것인, 방법.
  11. 제 4 항에 있어서,
    상기 타일 별로 병변의 패턴을 분석하는 단계는,
    상기 사전 학습된 인공 신경망의 서브 모델을 이용하여, 상기 복수의 타일들의 타일 별로 병변의 존재 여부에 대한 확률 값을 결정하는 단계; 및
    상기 확률 값에 기초하여 상기 타일 별로 병변의 패턴을 보정하는 단계를 포함하고,
    상기 서브 모델은 타일 레벨의 라벨링에 기초하여 학습된 것인, 방법.
  12. 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 프로세서로 하여금 의료 영상을 분석하기 위한 동작들을 수행하도록 하며, 상기 동작들은:
    사전 학습된 인공 신경망을 사용하여 입력 영상에 포함된 복수의 타일들 각각의 제 1 특징을 추출하는 동작; 및
    상기 사전 학습된 인공 신경망을 사용하여, 상기 복수의 타일들의 제 1 특징들을 기초로 생성된 타일 별 병변의 존재 여부에 관한 정보 및 타일 별 병변의 패턴에 관한 정보를 기초로, 상기 입력 영상 전체에 대한 제 2 특징을 추출하는 동작을 포함하는, 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램.
  13. 의료 영상을 분석하기 위한 컴퓨팅 장치로서,
    적어도 하나의 프로세서; 및
    상기 적어도 하나의 프로세서와 커플링된 메모리를 포함하고,
    상기 적어도 하나의 프로세서는,
    사전 학습된 인공 신경망을 사용하여 입력 영상에 포함된 복수의 타일들 각각의 제 1 특징을 추출하고; 그리고
    상기 사전 학습된 인공 신경망을 사용하여, 상기 복수의 타일들의 제 1 특징들을 기초로 생성된 타일 별 병변의 존재 여부에 관한 정보 및 타일 별 병변의 패턴에 관한 정보를 기초로, 상기 입력 영상 전체에 대한 제 2 특징을 추출하도록 구성되는, 컴퓨팅 장치.
  14. 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 의료 영상 기반의 병변 분석 방법으로서,
    사전 학습된 인공 신경망을 사용하여 입력 영상에 포함된 복수의 타일들 각각의 제 1 특징을 추출하는 단계;
    상기 사전 학습된 인공 신경망을 사용하여, 상기 복수의 타일들의 제 1 특징들을 기초로 타일 별로 병변의 패턴을 분석하는 단계; 및
    상기 타일 별로 병변의 패턴을 분석하는 단계에 기초하여, 상기 입력 영상에 포함된 병변의 패턴을 나타내는 맵을 제공하는 단계를 포함하고,
    상기 타일 별로 병변의 패턴을 분석하는 단계는, 타일 레벨의 라벨링 없이 학습된 모델에 의해 수행되는, 방법.
  15. 제 14 항에 있어서,
    상기 방법은,
    서브 모델을 사용하여 상기 입력 영상에 포함된 상기 복수의 타일들 각각의 병변 존재 확률을 분석하는 단계; 및
    상기 복수의 타일들 각각의 병변 존재 확률을 분석하는 단계에 기초하여, 상기 타일 별로 병변의 패턴을 분석한 결과를 보정하는 단계를 더 포함하고,
    상기 서브 모델은 타일 레벨의 라벨링에 기초하여 학습된 것인, 방법.
  16. 제 14 항에 있어서,
    상기 타일 레벨의 라벨링 없이 학습된 모듈은,
    영상 레벨에서 서로 대응하는 병변의 패턴들을 가지는 영상들 사이에서, 기 설정된 기준을 만족시키는 타일들의 패턴들을 비교하여 학습된 것인, 방법.
KR1020220003788A 2021-01-26 2022-01-11 의료 영상의 병변 평가 방법 KR20220107940A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/KR2022/001111 WO2022164133A1 (ko) 2021-01-26 2022-01-21 의료 영상의 병변 평가 방법
US17/582,717 US20220237777A1 (en) 2021-01-26 2022-01-24 Method for measuring lesion of medical image

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20210011021 2021-01-26
KR1020210011021 2021-01-26

Publications (1)

Publication Number Publication Date
KR20220107940A true KR20220107940A (ko) 2022-08-02

Family

ID=82845735

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220003788A KR20220107940A (ko) 2021-01-26 2022-01-11 의료 영상의 병변 평가 방법

Country Status (1)

Country Link
KR (1) KR20220107940A (ko)

Similar Documents

Publication Publication Date Title
KR102460257B1 (ko) 진단 결과를 제공하기 위한 방법 및 장치
KR102534453B1 (ko) 의료 영상 기반의 질환 예측 방법
KR102450409B1 (ko) 의료 영상 기반의 세그먼테이션 방법
US20240062515A1 (en) Method for classification using deep learning model
KR102455875B1 (ko) 골 연령 판독 방법 및 장치
KR20220074442A (ko) 질병을 판정하기 위한 정보를 제공하는 방법
US20220198668A1 (en) Method for analyzing lesion based on medical image
US20240144474A1 (en) Medical-image-based lesion analysis method
US20220172370A1 (en) Method for detecting white matter lesions based on medical image
KR102308752B1 (ko) 객체 추적 방법 및 장치
KR20220144149A (ko) 엑스레이 영상에서 골절을 검출하는 방법
KR20220107940A (ko) 의료 영상의 병변 평가 방법
US20220237777A1 (en) Method for measuring lesion of medical image
KR102454742B1 (ko) 뇌 피질 영역의 두께를 분석하는 방법
KR102622660B1 (ko) 의료 영상에 대한 연속 절편 검출 방법
KR102569976B1 (ko) 의료 영상 처리 방법
KR102556235B1 (ko) 컨텐츠 기반 영상 검색 방법 및 장치
KR102501793B1 (ko) 데이터셋 구성 방법
KR102317857B1 (ko) 병변 판독 방법
KR102345892B1 (ko) 변화 탐지 방법 및 장치
KR20230056174A (ko) 딥러닝 기반의 의료 영상 분석 방법
KR20220165111A (ko) 의료 영상의 분류 방법
KR20220124483A (ko) 질병 예측 방법
KR20220082456A (ko) 의료 영상을 기반으로 하는 관심 대상의 상태 판독 방법
KR20230126083A (ko) 의료 영상을 분석하기 위한 방법