KR20220114715A - 엑스선 영상 분석 시스템 및 방법 - Google Patents
엑스선 영상 분석 시스템 및 방법 Download PDFInfo
- Publication number
- KR20220114715A KR20220114715A KR1020210018049A KR20210018049A KR20220114715A KR 20220114715 A KR20220114715 A KR 20220114715A KR 1020210018049 A KR1020210018049 A KR 1020210018049A KR 20210018049 A KR20210018049 A KR 20210018049A KR 20220114715 A KR20220114715 A KR 20220114715A
- Authority
- KR
- South Korea
- Prior art keywords
- feature point
- feature points
- point
- artificial intelligence
- feature
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000004458 analytical method Methods 0.000 title claims abstract description 12
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 114
- 238000010191 image analysis Methods 0.000 claims abstract description 25
- 210000003141 lower extremity Anatomy 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims description 30
- 239000000284 extract Substances 0.000 claims description 28
- 210000000988 bone and bone Anatomy 0.000 claims description 20
- 210000000689 upper leg Anatomy 0.000 claims description 20
- 210000002303 tibia Anatomy 0.000 claims description 14
- 238000003703 image analysis method Methods 0.000 claims description 12
- 210000003407 lower extremity of femur Anatomy 0.000 claims description 11
- 210000004233 talus Anatomy 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 7
- 210000000528 lesser trochanter Anatomy 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 25
- 238000010801 machine learning Methods 0.000 description 6
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 210000002414 leg Anatomy 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 241000282472 Canis lupus familiaris Species 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 208000002925 dental caries Diseases 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004197 pelvis Anatomy 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000002603 single-photon emission computed tomography Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/505—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of bone
-
- 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
- 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
- G06T7/60—Analysis of geometric attributes
-
- 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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Epidemiology (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
- Evolutionary Computation (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Dentistry (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Physiology (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
엑스선 영상 분석 시스템 및 방법에 대한 것으로 엑스선 영상 분석 시스템은 미리 학습된 인공지능을 이용하여 엑스선 영상에서 복수 개의 예비 특징점을 추출하고, 예비 특징점을 기준으로 관심영역 영상을 생성하여 복수 개의 특징점을 추출하는 추출부, 특징점에 기초하여 복수 개의 연결선을 생성하고, 복수 개의 연결선 간의 각도를 산출하는 산출부 및 각도와 미리 설정된 정상범위를 비교하여 하지의 정렬여부를 판정하는 분석부를 포함한다.
Description
인공지능을 이용하여 사람의 다리를 촬영한 엑스선 영상을 분석하는 엑스선 영상 분석 시스템 및 방법에 관한 것이다.
X-ray 장치는 오늘날 의료산업에서 인체 내부의 이미지를 획득하기 위해 이용되는 수단으로서 대단히 중요한 역할을 하고 있다. 특히, 환자의 특정 부위를 X-ray를 통해 촬영하고, 전문의가 이에 대한 질환 및 처방을 내려 조기에 질환을 확인하고 예방하는 데 힘쓰고 있다.
이처럼 현재는 일반적으로 X-ray 영상을 전문의가 육안으로 확인한 후, 전문의의 경험 또는 직관으로 질환을 판별하거나 처방을 하고 있는 상황이다. 따라서 수작업을 통해 의학 분야에서 요구하는 특정 부위의 특징점을 검출하고, 특징점들을 연결한 복수의 선 간의 각도를 계산하는 방식이 일반적으로 활용되고 있다. 하지만 이러한 방법의 경우 전문의의 역량 및 관점에 따라 X-ray 영상을 판독하는 데 들이는 시간이 상이하며, 각종 휴먼 에러(Human Error)가 발생할 가능성이 있다.
따라서 최근 판독시간을 이전보다 단축하고 휴먼 에러를 최소화하기 위해, 인공지능 기술을 기반으로 특징점과 각도 검출 알고리즘을 구축함으로써 측정 정밀도를 높이고자 하는 기술이 활발하게 연구 중이다.
(비특허문허 0001) Hindawi Computational and Mathematical Methods in Medicine Volume 2019(Cobb Angle Measurement of Spine from X-Ray Images Using Convolutional Neural Network, Ming-Huwi Horng, Chan-Pang Kuok, Min-Jun Fu, Chii-Jen Lin, and Yung-Nien Sun, 2019.02.19)
엑스선 영상 중 하지 신체부위에서 특징점을 검출하고, 각도를 산출하기 위해 구축된 인공지능을 이용한 엑스선 영상 분석 시스템 및 방법을 제공한다.
엑스선 영상 분석 시스템은 미리 학습된 인공지능을 이용하여 엑스선 영상에서 복수 개의 예비 특징점을 추출하고, 예비 특징점을 기준으로 관심영역 영상을 생성하여 복수 개의 특징점을 추출하는 추출부, 특징점에 기초하여 복수 개의 연결선을 생성하고, 복수 개의 연결선 간의 각도를 산출하는 산출부 및 각도와 미리 설정된 정상범위를 비교하여 하지의 정렬여부를 판정하는 분석부를 포함할 수 있다.
또한, 추출부는 미리 준비된 영상 데이터로 학습되어, 예비 특징점을 추출하는 제1 인공지능, 영상 데이터로부터 관심영역 영상을 생성하는 영상생성부 및 관심영역 별로 학습되어, 관심영역 영상에서 특징점을 추출하는 복수 개의 제2 인공지능을 포함할 수 있다.
또한, 엑스선 영상 분석 시스템은 사용자로부터 예비 특징점의 이동하는 입력을 받는 입력부 및 입력에 따라 이동된 예비 특징점과 영상 데이터를 이용하여 제1 인공지능을 추가 학습시키고, 예비 특징점을 중심으로 보정 관심영역 영상을 생성하고, 관심영역 영상과 입력된 예비 특징점을 이용하여 제2 인공지능을 추가 학습시키는 인공지능 관리부를 더 포함할 수 있다.
또한, 엑스선 영상 분석 시스템은 관심영역 영상에 복수 개의 특징점을 중첩하여 표시하고, 특징점의 추출조건에 대응하는 가이드라인을 표시하는 표시부를 더 포함할 수 있다.
또한, 추출부는 대퇴골의 상단부에 위치한 반구형상 뼈의 중심점인 제1 특징점, 소전자를 수직방향으로 지나는 선과 대퇴골의 중심선이 교차하는 점인 제2 특징점 및 대퇴골의 하단부의 중심으로부터 대퇴골 중심선을 따라 대퇴골 하단부의 길이만큼 떨어진 점인 제3 특징점을 추출할 수 있고, 산출부는 제1 특징점과 제3 특징점을 연결한 제1 연결선 및 제2 특징점과 제3 특징점을 연결한 제2 연결선을 생성할 수 있으며, 제1 연결선과 제2 연결선을 이용하여 제1 각도를 산출할 수 있다.
또한, 추출부는 대퇴골의 상단부에 위치한 반구형상 뼈의 중심점인 제1 특징점, 정강이뼈의 상단부에 위치한 두 개의 돌기형상 뼈 사이의 중심점인 제4 특징점 및 발목뼈의 상단부에 돌출되어 있는 두 부위 사이의 중심점인 제5 특징점을 추출할 수 있고, 산출부는 제1 특징점과 제4 특징점을 연결한 제3 연결선 및 제4 특징점과 제5 특징점을 연결한 제4 연결선을 생성할 수 있으며, 제3 연결선과 제4 연결선을 이용하여 제2 각도를 산출할 수 있다.
또한, 추출부는 대퇴골의 상단부에 위치한 반구형상 뼈의 중심점인 제1 특징점, 정강이뼈의 상단부에 위치한 두 개의 돌기형상 뼈 사이의 중심점인 제4 특징점 및 대퇴골의 하단부에 돌출되어 있는 두 부위 상에 위치한 두 개의 제6 특징점을 추출할 수 있고, 산출부는 제1 특징점과 제4 특징점을 연결한 제3 연결선 및 두 개의 제6 특징점을 연결한 제5 연결선을 생성할 수 있으며, 제3 연결선과 제5 연결선을 이용하여 제3 각도를 산출할 수 있다.
또한, 추출부는 정강이뼈의 상단부에 위치한 두 개의 돌기형상 뼈 사이의 중심점인 제4 특징점, 발목뼈의 상단부에 돌출되어 있는 두 부위 사이의 중심점인 제5 특징점 및 정강이뼈의 상단부에 평평하게 형성되어 있는 두 부위 상에 위치한 두 개의 제7 특징점을 추출할 수 있고, 산출부는 제4 특징점과 제5 특징점을 연결한 제4 연결선 및 두 개의 제7 특징점을 연결한 제6 연결선을 생성할 수 있으며, 제4 연결선과 제6 연결선을 이용하여 제4 각도를 산출할 수 있다.
또한, 분석부는 산출된 각도 중 적어도 하나가 미리 설정된 정상범위에 포함되어 있지 않을 경우, 하지의 정렬에 있어 이상이 있다고 판정할 수 있다.
엑스선 영상 분석 방법은 미리 학습된 인공지능을 이용하여 엑스선 영상에서 복수 개의 예비 특징점을 추출하고, 예비 특징점을 기준으로 관심영역 영상을 생성하여 복수 개의 특징점을 추출하는 단계, 특징점에 기초하여 복수 개의 연결선을 생성하고, 복수 개의 연결선 간의 각도를 산출하는 단계 및 각도와 미리 설정된 정상범위를 비교하여 하지의 정렬여부를 판정하는 단계를 포함할 수 있다.
또한, 추출하는 단계는 제1 인공지능이 미리 준비된 영상 데이터로 학습되어, 예비 특징점을 추출하는 단계, 영상 데이터로부터 관심영역 영상을 생성하는 단계 및 복수 개의 제2 인공지능이 미리 준비된 관심영역 영상 별로 학습되어, 관심영역 영상에서 특징점을 추출하는 단계를 더 포함할 수 있다.
또한, 사용자로부터 상기 예비 특징점이 이동하는 입력을 받는 단계, 입력에 따라 이동된 예비 특징점과 영상 데이터를 이용하여 제1 인공지능을 추가 학습시키는 단계 및 예비 특징점을 중심으로 보정 관심영역 영상을 생성하고, 관심영역 영상을 이용하여 제2 인공지능을 추가 학습시키는 단계를 더 포함할 수 있다.
또한, 엑스선 영상 분석 방법은 관심영역 영상에 복수 개의 특징점을 중첩하여 표시하고, 특징점의 추출조건에 대응하는 가이드라인을 표시하는 단계를 더 포함할 수 있다.
또한, 추출하는 단계는 미리 설정된 하지 신체부위에서 복수 개의 특징점을 추출할 수 있고, 산출하는 단계는 복수 개의 특징점을 연결한 복수 개의 연결선을 생성할 수 있으며, 복수 개의 연결선을 이용하여 복수 개의 각도를 산출할 수 있다.
또한, 판정하는 단계는 산출된 각도 중 적어도 하나가 미리 설정된 정상범위에 포함되어 있지 않을 경우, 하지의 정렬에 있어 이상이 있다고 판정할 수 있다.
전문의의 육안을 통해 검출하는 기존 방법의 엑스선 영상 판독 시간 및 휴먼 에러를 고려하고, 인공지능을 이용하여 특징점 및 각도를 좀 더 일관성 있고 빠르게 측정하는 엑스선 영상 분석 시스템 및 방법을 제공할 수 있다.
도 1은 일 실시예에 따른 엑스선 영상 분석 시스템의 구성을 나타내는 도면이다.
도 2a는 일 실시예에 따른 엑스선 영상 분석 시스템의 구성 중 추출부를 설명하기 위한 도면이다.
도 2b는 일 실시예에 따른 제1 인공지능 및 영상생성부를 설명하기 위한 도면이다.
도 2c는 일 실시예에 따른 제1 특징점을 추출하는 제2 인공지능을 설명하기 위한 도면이다.
도 2d는 일 실시예에 따른 제2 특징점을 추출하는 제2 인공지능을 설명하기 위한 도면이다.
도 2e는 일 실시예에 따른 제3 특징점을 추출하는 제2 인공지능을 설명하기 위한 도면이다.
도 2f는 일 실시예에 따른 제4 특징점을 추출하는 제2 인공지능을 설명하기 위한 도면이다.
도 2g는 일 실시예에 따른 제5 특징점을 추출하는 제2 인공지능을 설명하기 위한 도면이다.
도 2h는 일 실시예에 따른 제2 인공지능을 통해 추출된 특징점을 설명하기 위한 도면이다.
도 3은 일 실시예에 따른 표시부를 설명하기 위한 도면이다.
도 4a는 일 실시예에 따른 제1 각도를 산출하는 산출부를 설명하기 위한 도면이다.
도 4b는 일 실시예에 따른 제2 각도를 산출하는 산출부를 설명하기 위한 도면이다.
도 4c는 일 실시예에 따른 제3 각도를 산출하는 산출부를 설명하기 위한 도면이다.
도 4d는 일 실시예에 따른 제4 각도를 산출하는 산출부를 설명하기 위한 도면이다.
도 5는 일 실시예에 따른 분석부를 설명하기 위한 도면이다.
도 6 및 도 7은 일 실시예에 따른 엑스선 영상 분석 방법을 나타내는 순서도이다.
도 8은 일 실시예에 따른 추출하는 단계를 설명하기 위한 순서도이다.
도 2a는 일 실시예에 따른 엑스선 영상 분석 시스템의 구성 중 추출부를 설명하기 위한 도면이다.
도 2b는 일 실시예에 따른 제1 인공지능 및 영상생성부를 설명하기 위한 도면이다.
도 2c는 일 실시예에 따른 제1 특징점을 추출하는 제2 인공지능을 설명하기 위한 도면이다.
도 2d는 일 실시예에 따른 제2 특징점을 추출하는 제2 인공지능을 설명하기 위한 도면이다.
도 2e는 일 실시예에 따른 제3 특징점을 추출하는 제2 인공지능을 설명하기 위한 도면이다.
도 2f는 일 실시예에 따른 제4 특징점을 추출하는 제2 인공지능을 설명하기 위한 도면이다.
도 2g는 일 실시예에 따른 제5 특징점을 추출하는 제2 인공지능을 설명하기 위한 도면이다.
도 2h는 일 실시예에 따른 제2 인공지능을 통해 추출된 특징점을 설명하기 위한 도면이다.
도 3은 일 실시예에 따른 표시부를 설명하기 위한 도면이다.
도 4a는 일 실시예에 따른 제1 각도를 산출하는 산출부를 설명하기 위한 도면이다.
도 4b는 일 실시예에 따른 제2 각도를 산출하는 산출부를 설명하기 위한 도면이다.
도 4c는 일 실시예에 따른 제3 각도를 산출하는 산출부를 설명하기 위한 도면이다.
도 4d는 일 실시예에 따른 제4 각도를 산출하는 산출부를 설명하기 위한 도면이다.
도 5는 일 실시예에 따른 분석부를 설명하기 위한 도면이다.
도 6 및 도 7은 일 실시예에 따른 엑스선 영상 분석 방법을 나타내는 순서도이다.
도 8은 일 실시예에 따른 추출하는 단계를 설명하기 위한 순서도이다.
이하, 첨부된 도면을 참조하여 기술되는 실시예를 통하여 발명을 통상의 기술자가 용이하게 이해하고 재현할 수 있도록 상세히 기술하기로 한다. 다만, 발명을 설명함에 있어 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 발명 실시예들의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다.
이하에서 사용되는 용어들은 실시예에서의 기능을 고려하여 선택된 용어들로써, 그 용어의 의미는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로, 후술하는 실시예에서 사용된 용어의 의미는 이하에서 구체적으로 정의된 경우에는 그 정의에 따르며, 구체적인 정의가 없는 경우는 통상의 기술자들이 일반적으로 인식하는 의미로 해석되어야 할 것이다. 또한, 각 도면에서 제시된 동일한 참조번호 또는 부호는 실질적으로 동일한 기능을 수행하는 부품 또는 구성요소를 나타낸다.
이하, 첨부된 도면 및 이에 기재된 내용들을 참조하여 본 발명의 실시예에 따른 엑스선 영상 분석 시스템 및 방법을 상세히 설명하도록 한다.
도 1은 본 발명의 실시예에 따른 엑스선 영상 분석 시스템의 구성을 나타내는 도면이다.
도 1을 참조하면, 엑스선 영상 분석 시스템(1)은 추출부(100), 산출부(200), 분석부(300), 입력부(400), 인공지능 관리부(500) 및 표시부(600)를 포함할 수 있다.
추출부(100)는 미리 학습된 인공지능을 이용하여 엑스선 영상(10)에서 복수 개의 예비 특징점(20)을 추출하고, 예비 특징점(20)을 기준으로 관심영역 영상(30)을 생성하여 복수 개의 특징점을 추출할 수 있다. 여기서 예비 특징점(20)은 추출부(100)를 통해 추출되는 특징점의 후보군이거나, 영상 데이터를 바탕으로 학습되었지만 데이터의 가공이 더 필요한 특징점일 수 있다.
산출부(200)는 특징점에 기초하여 복수 개의 연결선을 생성하고, 복수 개의 연결선 간의 각도를 산출할 수 있다.
분석부(300)는 각도와 미리 설정된 정상범위를 비교하여 하지의 정렬여부를 판정할 수 있다.
입력부(400)는 사용자로부터 변경 특징점을 입력 받을 수 있다.
인공지능 관리부(500)는 사용자가 입력한 변경 특징점과 입력된 엑스선 영상(10)을 이용하여 추출부(100)의 인공지능을 학습시킬 수 있다. 이때, 추출부(100)에 복수 개의 인공지능이 있는 경우, 인공지능 관리부(500)는 변경 특징점에 대응되는 인공지능을 선택적으로 학습시킬 수 있다.
표시부(600)는 관심영역 영상(30)에 복수 개의 특징점을 중첩하여 표시하고, 특징점의 추출조건에 대응하는 가이드라인(50)을 표시할 수 있다.
더불어, 엑스선 영상 분석 시스템(1)의 구성은 도 2a 내지 도 5를 참조하여 더욱 상세하게 후술하도록 한다.
도 2a는 본 발명의 실시예에 따른 엑스선 영상 분석 시스템의 구성 중 추출부를 설명하기 위한 도면이다.
도 2a를 참조하면, 추출부(100)는 제1 인공지능(110), 영상생성부(120) 및 제2 인공지능(130)을 더 포함할 수 있다.
또한, 제1 인공지능(110)은 미리 준비된 영상 데이터로 학습되어, 예비 특징점(20)을 추출할 수 있다.
또한, 영상 데이터는 본 발명에서 언급하는 엑스선 영상(10)일 수 있다. 다만, 영상 데이터는 엑스선(X-ray) 영상(10), CT(Computed Tomography) 영상, MRI(Magnetic Resonance Imaging) 영상, PET(Positron Emission Tomography) 영상 또는 SPECT(Single Photon Emission Computed Tomography) 영상 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것이 아님은 인식하고 이해해야 할 것이다.
또한, 영상생성부(120)는 영상 데이터로부터 관심영역 영상(30)을 생성할 수 있다.
또한, 제2 인공지능(130)은 미리 준비된 관심영역 별로 학습되어, 관심영역 영상(30)에서 특징점을 추출할 수 있다.
또한, 제2 인공지능(130)은 관심영역 영상(30) 또는 특징점의 개수에 따라 복수 개로 구축될 수 있다.
아울러, 추출부(100)에 대한 설명은 도 2b 내지 도 2h를 참조하여 더욱 자세하게 후술하도록 한다.
도 2b는 본 발명의 실시예에 따른 제1 인공지능 및 영상생성부를 설명하기 위한 도면이다.
도 2b를 참조하면, 제1 인공지능(110)은 미리 준비된 영상 데이터 또는 엑스선 영상(10)에 대해 골반과 맞닿아 있고 크기가 가장 큰 뼈인 대퇴골(11)을 추출할 수 있다.
또한, 제1 인공지능(110)은 대퇴골(11) 하부에 맞닿아 있는 뼈인 정강이뼈(12)를 추출할 수 있다.
또한, 제1 인공지능(110)은 정강이뼈(12) 하부에 맞닿아 있는 뼈인 발목뼈(13)를 추출할 수 있다.
또한, 제1 인공지능(110)은 미리 준비된 영상 데이터로 학습되어, 예비 특징점(20)을 추출할 수 있다.
다만, 도 2b에서 도면의 용이한 이해를 돕기 위해 예비 특징점(20)을 최상단에 위치한 두 점만 명시하였지만, 도면 상에 위치한 10개의 점 모두 예비 특징점(20)일 수 있다.
또한, 예비 특징점(20)의 위치는 도 2b에서 명시한 것에 대해 한정된 것이 아니며, 엑스선 영상(10) 또는 제1 인공지능(110)의 학습 데이터, 학습 방법, 학습 횟수 등의 가변적 요소로 인해 달라질 수 있다.
이후, 제1 인공지능(110)을 통해 예비 특징점(20)이 추출되면, 영상생성부(120)는 영상 데이터 또는 예비 특징점(20)을 기초로 관심영역 영상(30)을 생성할 수 있다.
또한, 영상생성부(120)는 미리 구비된 영상 편집 기능을 이용하여, 엑스선 영상(10)에서 예비 특징점(20) 주변의 일정 영역을 추출하여 관심영역 영상(30)으로 생성할 수 있다. 이때, 제1 인공지능(110)에 의하여 추출된 예비 특징점(20)이 복수 개인 경우, 영상생성부(120)는 각 예비 특징점(20)을 기준으로 영상 추출 작업을 반복하여 복수 개의 관심영역 영상(30)을 생성할 수 있다.
일 실시예에서는, 도 2b에 도시된 바와 같이 영상생성부(120)는 예비 특징점(20)을 중심으로 미리 설정된 영역을 사각형(Quadrangle) 형태로 추출하여 관심영역 영상(30)을 생성할 수 있다.
이상에서 설명한 예비 특징점(20)과 같이 도면의 용이한 이해를 돕기 위해 관심영역 영상(30)을 최상단에 위치한 곳만 명시하였지만, 도면 상에 위치한 10개의 영상 모두 관심영역 영상(30)일 수 있다.
또한, 관심영역을 설정하는 위치 또는 관심영역 영상(30)의 크기 및 모양 등도 도 2b에서 명시한 것에 대해 한정된 것이 아니며, 엑스선 영상(10) 또는 제1 인공지능(110)의 학습 데이터, 학습 방법, 학습 횟수 등의 가변적 요소로 인해 달라질 수 있다.
또한, 제1 인공지능(110)은 머신러닝 기법에 기반하여 예비 특징점(20)을 추출할 수 있다. 즉, 제1 인공지능(110)은 미리 준비된 영상 데이터에 대한 특징 정보를 학습하고, 이에 의한 학습 결과 데이터를 이용하여 엑스선 영상(10)에서 예비 특징점(20)을 추출할 수 있다는 것을 의미할 수 있다.
또한, 영상생성부(120)는 머신러닝 기법에 기반하여 제1 인공지능(110)에서 추출된 예비 특징점(20)을 중심으로, 관심영역 영상(30)을 생성할 수 있다. 이는, 영상생성부(120)가 미리 준비된 영상 데이터에 대한 특징 정보를 학습하고, 이에 의한 학습 결과 데이터를 이용하여 예비 특징점(20)을 기초로 일정 크기의 관심영역 영상(30)을 생성할 수 있다는 것을 의미할 수 있다.
도 2c는 본 발명의 실시예에 따른 제1 특징점을 추출하는 제2 인공지능을 설명하기 위한 도면이다.
도 2a 및 2c를 참조하면, 제2 인공지능(130)은 관심영역 영상(30)으로부터 복수 개의 특징점을 추출할 수 있다. 여기서, 제2 인공지능(130)은 도 2a에 도시된 것과 같이 각 관심영역 영상(30) 별로 복수 개 마련될 수 있다.
이와 같이, 복수 개의 제2 인공지능(130)을 이용하여 특징점을 추출함으로써, 하나의 인공지능을 이용하여 추출된 특징점에 비해 특징점 추출의 정확도를 향상할 수 있으며, 특징점 추출을 위한 인공지능의 용량이 감소할 수 있다.
또한, 제2 인공지능(130)은 관심영역 별로 학습되어, 보정 관심영역 영상(31)에서 제1 특징점(40)을 추출할 수 있다. 따라서, 제2 인공지능은 관심영역 영상(30) 또는 예비 특징점(20)의 개수에 따라 복수 개일 수 있다.
또한, 보정 관심영역 영상(31)은 이상에서 설명한 관심영역 영상(30)과 마찬가지로 관심영역을 설정하는 위치 또는 보정 관심영역 영상(31)의 크기 및 모양 등은 도 2c에서 명시한 것에 대해 한정된 것이 아니며, 엑스선 영상(10) 또는 제2 인공지능(130)의 학습 데이터, 학습 방법, 학습 횟수 등의 가변적 요소로 인해 달라질 수 있다.
또한, 제2 인공지능(110)은 머신러닝 기법에 기반하여 예비 특징점(20) 및 관심영역 영상(30)을 기초로 특징점을 추출할 수 있다. 즉, 제2 인공지능(130)은 미리 준비된 영상 데이터에 대한 특징 정보를 학습하고, 이에 의한 학습 결과 데이터를 이용하여 제1 인공지능(110)에서 추출된 예비 특징점(20)과 영상생성부(120)에서 생성된 관심영역 영상(30)을 기초로 복수 개의 특징점을 추출할 수 있다.
더불어, 이하에서 설명할 도 2d 내지 도 2g는 특징점의 종류만 상이할 뿐 상기 도 2c를 참조하여 설명한 내용과 동일하므로, 이하에서 도 2d 내지 도 2g에 대한 구체적인 설명은 도 2c의 내용을 참조하여 이해해야 할 것이다.
도 2d는 본 발명의 실시예에 따른 제2 특징점을 추출하는 제2 인공지능을 설명하기 위한 도면이다.
도 2a 및 2d를 참조하면, 제2 인공지능(130)은 미리 준비된 관심영역 별로 학습되어, 보정 관심영역 영상(31)에서 제2 특징점(41)을 추출할 수 있다.
도 2e는 본 발명의 실시예에 따른 제3 특징점을 추출하는 제2 인공지능을 설명하기 위한 도면이다.
도 2a 및 2e를 참조하면, 제2 인공지능(130)은 미리 준비된 관심영역 별로 학습되어, 보정 관심영역 영상(31)에서 제3 특징점(42)을 추출할 수 있다.
도 2f는 본 발명의 실시예에 따른 제4 특징점을 추출하는 제2 인공지능을 설명하기 위한 도면이다.
도 2a 및 2f를 참조하면, 제2 인공지능(130)은 미리 준비된 관심영역 별로 학습되어, 보정 관심영역 영상(31)에서 제3 특징점(43)을 추출할 수 있다.
도 2g는 본 발명의 실시예에 따른 제5 특징점을 추출하는 제2 인공지능을 설명하기 위한 도면이다.
도 2a 및 2g를 참조하면, 제2 인공지능(130)은 미리 준비된 관심영역 별로 학습되어, 보정 관심영역 영상(31)에서 제4 특징점(43)을 추출할 수 있다.
도 2h는 본 발명의 실시예에 따른 제2 인공지능을 통해 추출된 특징점을 설명하기 위한 도면이다.
도 2a 및 2h를 참조하면, 제2 인공지능(130)은 복수 개의 특징점을 추출할 수 있다.
즉, 제2 인공지능(130)은 제1 인공지능(110)에서 추출된 예비 특징점(20)과 영상생성부(120)에서 생성된 관심영역 영상(30)을 기초로 하여, 제1 특징점(40), 제2 특징점(41), 제3 특징점(42), 제4 특징점(43) 및 제5 특징점(44)를 추출할 수 있다.
또한, 인공지능 관리부(500)는 제2 인공지능(130)이 특징점을 추출할 수 있도록 예비 특징점(20)을 중심으로 보정 관심영역 영상(31)을 생성하고, 관심영역 영상(30)을 이용하여 제2 인공지능(130)을 추가 학습시킬 수 있다.
이상에서 도 1 내지 도 2h를 참조하여 설명한 바와 같이, 제1 인공지능(110)을 통해 엑스선 영상(10)에서 예비 특징점(20)을 추출하고, 영상생성부(120)에서 예비 특징점(20)을 중심으로 관심영역 영상(30)을 생성하며, 사용자로부터 예비 특징점(20)의 이동하는 입력을 받으면 인공지능 관리부(500)에서는 예비 특징점(20) 또는 관심영역 영상(30)을 기초로 보정 관심영역 영상(31)을 생성할 수 있다.
더불어, 예비 특징점(20) 또는 관심영역 영상(30)의 개수에 따라 구축된 복수 개의 제2 인공지능(130)을 통해 관심영역 영상(30) 또는 보정 관심영역 영상(31)에서 복수 개의 특징점을 추출함으로써 머신러닝 학습 시스템의 학습율을 높일 수 있고, 기존 전문의가 직접 엑스선 영상(10)에서 특징점을 추출하는 것에 비해 데이터 처리 시간 단축, 휴먼 에러 확률 최소화, 정확성 등의 효과를 기대할 수 있다.
도 3은 본 발명의 실시예에 따른 표시부를 설명하기 위한 도면이다.
도 3을 참조하면, 표시부(600)는 관심영역 영상(30) 또는 보정 관심영역 영상(31)에 특징점의 추출조건에 대응하는 가이드라인(50)을 표시할 수 있다.
또한, 도 3의 (A)도면을 참조하면, 표시부(600)는 대퇴골(11)의 상단부에 위치한 반구형상 뼈를 포함하는 원형모양의 가이드라인(50)을 표시할 수 있다. (A)도면에 도시화된 특징점은 제1 특징점(40)을 나타내는데, 본 발명에서는 제1 특징점(40)을 대퇴골(11)의 상단부에 위치한 반구형상 뼈의 중심점으로 정의하였으므로, 반구형상 뼈를 둘러싸는 원형모양의 가이드라인(50)을 표시하였다.
또한, 도 3의 (B)도면을 참조하면, 표시부(600)는 소전자(14)를 수직방향으로 지나는 선과 대퇴골(11)의 중심선을 표시할 수 있다. (B)도면에서 도시화된 특징점은 제2 특징점(41)을 나타내는데, 본 발명에서는 제2 특징점(41)을 소전자(14)를 수직방향으로 지나는 선과 대퇴골(11)의 중심선이 교차하는 점으로 정의하였으므로, 상기 2개의 직선을 가이드라인(50)으로 표시하였다.
또한, 도 3의 (C)도면을 참조하면, 표시부(600)는 대퇴골(11) 하단부의 길이를 나타내는 직선, 대퇴골(11)의 중심선, 대퇴골(11)의 중심선을 따라 대퇴골(11) 하단부의 길이만큼 형성되어 있는 직선을 표시할 수 있다. (C)도면에서 도시화된 특징점은 제3 특징점(42)를 나타내는데, 본 발명에서는 제3 특징점(42)을 대퇴골(11) 하단부의 중심으로부터 대퇴골(11) 중심선을 따라 대퇴골(11) 하단부의 길이만큼 떨어진 점으로 정의하였으므로, 상기 3개의 직선을 가이드라인(50)으로 표시하였다.
또한, 도 3의 (D)도면을 참조하면, 표시부(600)는 정강이뼈(12)의 상단부에 위치한 두 개의 돌기형상 뼈를 포함하여 원형모양의 가이드라인(50)을 표시할 수 있다. (D)도면에서 도시화된 특징점은 제4 특징점(43)을 나타내는데, 본 발명에서는 제4 특징점(43)을 정강이뼈(12)의 상단부에 위치한 두 개의 돌기형상 뼈 사이의 중심점으로 정의하였으므로, 두 개의 돌기형상 뼈를 포함한 원형모양의 가이드라인(50)을 표시하였다.
또한, 도 3의 (E)도면을 참조하면, 표시부(600)는 발목뼈(13)의 상단부에 돌출되어 있는 두 부위를 점 형태의 가이드라인(50)을 표시하였다. (E)도면에서 도시화된 특징점은 제5 특징점(44)을 나타내는데, 본 발명에서는 제5 특징점(44)을 발목뼈(13)의 상단부에 돌출되어 있는 두 부위 사이의 중심점으로 정의하였으므로, 돌출된 두 부위를 점 형태의 가이드라인(50)으로 표시하였다.
또한, 표시부(600)는 제1 인공지능(110) 및 제2 인공지능(130)이 복수 개의 학습 데이터를 통해 학습할 때, 특징점을 더욱 정확하게 추출할 수 있도록 가이드라인(50)을 제공할 수 있다.
또한, 가이드라인(50)은 특징점 별 특징 정보를 더욱 잘 나타내기 위해 제공될 수 있지만, 사용자에 따라 범위, 형태 등이 상이할 수 있다.
또한, 가이드라인(50)은 특징점의 추출조건에 따라 범위, 형태 등이 상이할 수 있다.
이처럼 가이드라인(50)은 도 3에서 도시된 (A), (B), (C), (D) 및 (E)와 같이 표시될 수 있지만, 범위, 형태 등은 이에 한정되는 것이 아니며, 특징점의 추출조건 또는 특징 정보에 따라 사용자의 정의가 달라질 수 있음을 인식해야 할 것이다.
또한, 표시부(600)는 관심영역 영상(30) 또는 보정 관심영역 영상(31)에 복수 개의 특징점을 중첩하여 표시할 수 있다. 여기서 중첩하여 표시한다는 것은 예비 특징점(20)이 제2 인공지능(130)을 통해 보다 정확한 위치에 있는 특징점 방향으로 이동하는 것을 나타내는 것일 수 있다.
또한, 도 1을 참조하면 입력부(400)는 사용자로부터 예비 특징점(20)의 이동하는 입력을 받을 수 있다. 여기서 입력은 제1 인공지능(110)을 통해 추출된 예비 특징점(20)을 후처리, 즉 예비 특징점(20)이 더욱 정확하게 특징점을 나타내기 위해 제2 인공지능(130)을 이용하여 예비 특징점(20)이 이동할 수 있도록 명령을 내리는 것을 의미할 수 있다.
또한, 인공지능 관리부(500)는 예비 특징점(20) 및 엑스선 영상(10)을 이용하여 제1 인공지능(110)을 추가 학습시킬 수 있다. 이때, 추가 학습되는 제1 인공지능(110)은 예비 특징점(20)에 대응되는 인공지능일 수 있다.
또한, 인공지능 관리부(500)는 예비 특징점(20)을 중심으로 보정 관심영역 영상(31)을 생성할 수 있다.
또한, 인공지능 관리부(500)는 특징점 및 보정 관심영역 영상(31)을 이용하여 제2 인공지능(130)을 추가 학습시킬 수 있다. 이때, 추가 학습되는 제2 인공지능(130)은 특징점에 대응되는 인공지능일 수 있다.
도 4a는 본 발명의 실시예에 따른 제1 각도를 산출하는 산출부를 설명하기 위한 도면이다.
도 4a를 참조하면, 산출부(200)는 추출부(100)에서 추출된 제1 특징점(40), 제2 특징점(41) 및 제3 특징점(42)을 이용하여, 제1 특징점(40)과 제3 특징점(42)을 연결한 제1 연결선(60) 및 제2 특징점(41)과 제3 특징점(42)을 연결한 제2 연결선(61)을 생성할 수 있다.
또한, 산출부(200)는 제1 연결선(60)과 제2 연결선(61)을 이용하여 제1 연결선(60)과 제2 연결선(61) 간의 제1 각도(70)를 산출할 수 있다.
또한, 제1 각도(70)는 제1 연결선(60)과 제2 연결선(61)이 이루는 각도 중 작은 각도일 수 있다.
도 4b는 본 발명의 실시예에 따른 제2 각도를 산출하는 산출부를 설명하기 위한 도면이다.
도 4b를 참조하면, 산출부(200)는 추출부(100)에서 추출된 제1 특징점(40), 제4 특징점(43) 및 제5 특징점(44)을 이용하여, 제1 특징점(40)과 제4 특징점(43)을 연결한 제3 연결선(62) 및 제4 특징점(43)과 제5 특징점(44)을 연결한 제4 연결선(63)을 생성할 수 있다.
또한, 산출부(200)는 제3 연결선(62) 및 제4 연결선(63)을 이용하여, 제3 연결선(62) 및 제4 연결선(63) 간의 제2 각도(71)를 산출할 수 있다.
또한, 제4 연결선(63)은 제4 특징점(43)과 제5 특징점(44)을 연결한 뒤, 제4 특징점(43)을 통과하여 연장될 수 있다.
이를 통해, 제2 각도(71)는 제3 연결선(62)과 제4 특징점(43)을 통과하여 연장된 제4 연결선(63)이 이루는 각도 중 작은 각도일 수 있다.
도 4c는 본 발명의 실시예에 따른 제3 각도를 산출하는 산출부를 설명하기 위한 도면이다.
도 4c를 참조하면, 산출부(200)는 추출부(100)에서 추출된 제1 특징점(40), 제4 특징점(43) 및 제6 특징점(45)을 이용하여, 제1 특징점(40)과 제4 특징점(43)을 연결한 제3 연결선(62) 및 2개의 제6 특징점(45)을 연결한 제5 연결선(64)을 생성할 수 있다.
또한, 산출부(200)는 제3 연결선(62) 및 제5 연결선(64)을 이용하여, 제3 연결선(62) 및 제5 연결선(64) 간의 제3 각도(72)를 산출할 수 있다.
또한, 제3 각도(72)는 제3 연결선(62)과 제5 연결선(64)이 이루는 각도 중 바깥쪽에 위치한 각도일 수 있다.
또한, 본 발명에서의 제6 특징점(45)은 대퇴골(11)의 하단부에 돌출되어 있는 두 부위 상에 위치한 두 개의 점으로 정의하였다. 나아가 제6 특징점(45)은 돌출된 두 부위의 최하단점으로 정의할 수 있다. 여기서 제6 특징점(45)는 이상에서 설명한 추출부(100), 제1 인공지능(110), 영상생성부(120) 및 제2 인공지능(130)을 통해 추출될 수 있다.
이에 대한 설명은 도 2a 내지 도 2h를 참조하여 설명하였으므로 생략하기로 한다.
도 4d는 본 발명의 실시예에 따른 제4 각도를 산출하는 산출부를 설명하기 위한 도면이다.
도 4d를 참조하면, 산출부(200)는 추출부(100)에서 추출된 제4 특징점(43), 제5 특징점(44) 및 제7 특징점(46)을 이용하여, 제4 특징점(43)과 제5 특징점(44)을 연결한 제4 연결선(63) 및 2개의 제7 특징점(46)을 연결한 제6 연결선(65)을 생성할 수 있다.
또한, 산출부(200)는 제4 연결선(63) 및 제6 연결선(65)을 이용하여, 제4 연결선(63)과 제6 연결선(65) 간의 제4 각도(73)를 산출할 수 있다.
또한, 제4 각도(73)는 제4 연결선(63)과 제6 연결선(65)이 이루는 각도 중 안쪽에 위치한 각도일 수 있다.
또한, 본 발명에서의 제7 특징점(46)은 정강이뼈(12)의 상단부에 평평하게 형성되어 있는 두 부위 상에 위치한 두 개의 점으로 정의하였다. 나아가 제7 특징점(46)은 평평한 두 부위 각각의 중심점으로 정의할 수 있다. 여기서 제7 특징점(46)는 이상에서 설명한 추출부(100), 제1 인공지능(110), 영상생성부(120) 및 제2 인공지능(130)을 통해 추출될 수 있다.
이에 대한 설명은 도 2a 내지 도 2h를 참조하여 설명하였으므로 생략하기로 한다.
또한, 도 3 내지 도 4d에서 도면 상으로 왼쪽 다리에 한하여 도시되어 있고 이에 대해 설명하였지만, 왼쪽 다리에 한정하여 본 발명의 실시예가 이루어지는 것이 아니며 오른쪽 다리 또한 왼쪽 다리와 동일한 구성 및 효과를 포함한다는 것을 인지하여야 할 것이다.
위에서 설명한 산출부(200)는 추출부(100)와 마찬가지로 머신러닝 기법을 적용하여 복수 개의 연결선을 생성하고, 이에 대한 복수 개의 각도를 산출할 수 있다. 이를 통해, 추출부(100)에서 추출된 복수 개의 특징점을 기초로 연결선을 생성하고 각도를 산출함으로써, 머신러닝 학습 시스템의 학습율을 높일 수 있고, 기존 전문의가 직접 엑스선 영상(10)에서 특징점을 추출한 후 연결선을 생성하며 각도를 산출하는 것에 비해 데이터 처리 시간 단축, 휴먼 에러 확률 최소화, 정확성 등의 효과를 기대할 수 있다.
도 5는 본 발명의 실시예에 따른 분석부를 설명하기 위한 도면이다.
도 5를 참조하면, 분석부(300)는 복수 개의 각도와 미리 설정된 정상범위를 비교하여 하지의 정렬여부를 판정할 수 있다.
다만, 상기 미리 설정된 정상범위는 이에 한정되는 것이 아니며, 사용자에 따라 상이할 수 있다.
또한, 분석부(300)는 산출된 복수 개의 각도 중 적어도 하나가 미리 설정된 정상범위에 포함되어 있지 않을 경우, 하지의 정렬에 있어 이상이 있다고 판정할 수 있다.
또한, 본 발명에서 실시한 하나의 실험 데이터에 따르면 도 5와 같이 총 8개의 각도 값이 산출되었는데, 이를 미리 설정한 정상범위와 비교하였을 때 모두 포함되므로 분석부(300)는 하지의 정렬에 있어 이상이 없다고 판정할 수 있다.
다만, 분석부(300)는 복수 개의 각도 중 적어도 하나가 정상범위에 포함되어 있지 않다면 이상이 있다고 판정하게 되는데, 이후 전문의에게 추가적인 검사를 요청하거나 정상범위에 포함되어 있지 않은 각도에 대해 이에 대응하는 병명 또는 처방을 내릴 수 있다.
또한, 상기 병명 또는 처방은 각도와 정상범위와의 오차나 과거의 정렬이상 하지 데이터를 이용하여 미리 데이터베이스화 할 수 있다.
도 6 및 도 7은 본 발명의 실시예에 따른 엑스선 영상 분석 방법을 나타내는 순서도이다.
도 6을 참조하면, 엑스선 영상 분석 방법은 특징점 추출 단계(S100), 각도 산출 단계(S200), 각도와 정상범위 비교 단계(S300) 및 하지의 정렬여부 판정 단계(S310)를 포함할 수 있다.
또한, 특징점을 추출하는 단계(S100)는 미리 학습된 인공지능을 이용하여 엑스선 영상(10)에서 복수 개의 예비 특징점(20)을 추출하고, 예비 특징점(20)을 기준으로 관심영역 영상(30)을 생성하여 복수 개의 특징점을 추출할 수 있다.
또한, 특징점을 추출하는 단계(S100)는 미리 설정된 하지 신체부위에서 복수 개의 특징점을 추출할 수 있다.
또한, 각도를 산출하는 단계(S200)는 특징점에 기초하여 복수 개의 연결선을 생성하고, 복수 개의 연결선 간의 각도를 산출할 수 있다.
또한, 각도를 산출하는 단계(S200)는 복수 개의 특징점을 연결한 복수 개의 연결선을 생성하며, 복수 개의 연결선을 이용하여 복수 개의 각도를 산출할 수 있다.
또한, 비교 단계(S300) 및 판정 단계(S310)는 각도와 미리 설정된 정상범위를 비교하여 하지의 정렬여부를 판정할 수 있다.
또한, 비교 단계(S300) 및 판정 단계(S310)는 산출된 각도 중 적어도 하나가 미리 설정된 정상범위에 포함되어 있지 않을 경우, 하지의 정렬에 있어 이상이 있다고 판정할 수 있다.
또한, 도 7을 참조하면 엑스선 영상 분석 방법은 관심영역 영상(30)에 복수 개의 특징점을 중첩하여 표시하고, 특징점의 추출조건에 대응하는 가이드라인(50)을 표시하는 단계(S400), 사용자로부터 예비 특징점(20)이 이동하는 입력을 받는 단계(S500), 입력에 따라 이동된 예비 특징점(20)과 영상 데이터를 이용하여 제1 인공지능(110)을 추가 학습시키는 단계(S600) 및 예비 특징점(20)을 중심으로 보정 관심영역 영상(31)을 생성하고, 관심영역 영상(30)을 이용하여 제2 인공지능(130)을 추가 학습시키는 단계(S700)을 더 포함할 수 있다.
도 8은 일 실시예에 따른 추출하는 단계를 설명하기 위한 순서도이다.
도 8을 참조하면, 특징점을 추출하는 단계(S100)는 예비 특징점(20)을 추출하는 단계(S110), 관심영역 영상(30)을 생성하는 단계(S120) 및 관심영역 영상(30)에서 특징점을 추출하는 단계(S130)를 더 포함할 수 있다.
또한, 예비 특징점(20)을 추출하는 단계(S110)는 제1 인공지능(110)이 미리 준비된 영상 데이터로 학습되어, 예비 특징점(20)을 추출할 수 있다.
또한, 관심영역 영상(30)을 생성하는 단계(S120)는 영상 데이터로부터 관심영역 영상(30)을 생성할 수 있다.
또한, 관심영역 영상(30)에서 특징점을 추출하는 단계(S130)는 복수 개의 제2 인공지능(130)이 관심영역 별로 학습되어, 복수 개의 특징점을 추출할 수 있다.
상기의 설명은 기술적 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명의 기술 분야에서 통상의 지식을 가진 자라면 본질적인 특성에서 벗어나지 않는 범위 내에서 다양한 수정, 변경 및 치환이 가능할 것이다. 따라서, 상기에 개시된 실시예 및 첨부된 도면들은 기술적 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예 및 첨부된 도면에 의하여 기술적 사상의 범위가 한정되는 것은 아니다. 그 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술적 사상은 권리범위에 포함되는 것으로 해석되어야 할 것이다.
1: 엑스선 영상 분석 시스템
10: 엑스선 영상 11: 대퇴골
12: 정강이뼈 13: 발목뼈
14: 소전자 20: 예비 특징점
30: 관심영역 영상 31: 보정 관심영역 영상
40: 제1 특징점 41: 제2 특징점
42: 제3 특징점 43: 제4 특징점
44: 제5 특징점 45: 제6 특징점
46: 제7 특징점 50: 가이드라인
60: 제1 연결선 61: 제2 연결선
62: 제3 연결선 63: 제4 연결선
64: 제5 연결선 65: 제6 연결선
70: 제1 각도 71: 제2 각도
72: 제3 각도 73: 제4 각도
100: 추출부 110: 제1 인공지능
120: 영상생성부 130: 제2 인공지능
200: 산출부 300: 분석부
400: 입력부 500: 인공지능 관리부
600: 표시부
10: 엑스선 영상 11: 대퇴골
12: 정강이뼈 13: 발목뼈
14: 소전자 20: 예비 특징점
30: 관심영역 영상 31: 보정 관심영역 영상
40: 제1 특징점 41: 제2 특징점
42: 제3 특징점 43: 제4 특징점
44: 제5 특징점 45: 제6 특징점
46: 제7 특징점 50: 가이드라인
60: 제1 연결선 61: 제2 연결선
62: 제3 연결선 63: 제4 연결선
64: 제5 연결선 65: 제6 연결선
70: 제1 각도 71: 제2 각도
72: 제3 각도 73: 제4 각도
100: 추출부 110: 제1 인공지능
120: 영상생성부 130: 제2 인공지능
200: 산출부 300: 분석부
400: 입력부 500: 인공지능 관리부
600: 표시부
Claims (15)
- 미리 학습된 인공지능을 이용하여 엑스선 영상에서 복수 개의 예비 특징점을 추출하고, 상기 예비 특징점을 기준으로 관심영역 영상을 생성하여 복수 개의 특징점을 추출하는 추출부;
상기 특징점에 기초하여 복수 개의 연결선을 생성하고, 상기 복수 개의 연결선 간의 각도를 산출하는 산출부; 및
상기 각도와 미리 설정된 정상범위를 비교하여 하지의 정렬여부를 판정하는 분석부;
를 포함하는 엑스선 영상 분석 시스템. - 제1항에 있어서,
상기 추출부는,
미리 준비된 영상 데이터로 학습되어, 상기 예비 특징점을 추출하는 제1 인공지능;
상기 영상 데이터로부터 상기 관심영역 영상을 생성하는 영상생성부; 및
관심영역 별로 학습되어, 상기 관심영역 영상에서 상기 특징점을 추출하는 복수 개의 제2 인공지능;
을 포함하는 엑스선 영상 분석 시스템. - 제2항에 있어서,
사용자로부터 상기 예비 특징점의 이동하는 입력을 받는 입력부; 및
상기 입력에 따라 이동된 예비 특징점과 상기 영상 데이터를 이용하여 상기 제1 인공지능을 추가 학습시키고, 상기 예비 특징점을 중심으로 보정 관심영역 영상을 생성하며, 상기 관심영역 영상과 상기 입력된 예비 특징점을 이용하여 상기 제2 인공지능을 추가 학습시키는 인공지능 관리부;
를 더 포함하는 엑스선 영상 분석 시스템. - 제1항에 있어서,
상기 관심영역 영상에 상기 복수 개의 특징점을 중첩하여 표시하고, 특징점의 추출조건에 대응하는 가이드라인을 표시하는 표시부;
를 더 포함하는 엑스선 영상 분석 시스템. - 제1항에 있어서,
상기 추출부는,
대퇴골의 상단부에 위치한 반구형상 뼈의 중심점인 제1 특징점,
소전자를 수직방향으로 지나는 선과 상기 대퇴골의 중심선이 교차하는 점인 제2 특징점 및
상기 대퇴골 하단부의 중심으로부터 상기 대퇴골 중심선을 따라 상기 대퇴골 하단부의 길이만큼 떨어진 점인 제3 특징점을 추출하고,
상기 산출부는,
상기 제1 특징점과 상기 제3 특징점을 연결한 제1 연결선 및
상기 제2 특징점과 상기 제3 특징점을 연결한 제2 연결선을 생성하며,
상기 제1 연결선과 상기 제2 연결선을 이용하여 제1 각도를 산출하는 엑스선 영상 분석 시스템. - 제1항에 있어서,
상기 추출부는,
대퇴골의 상단부에 위치한 반구형상 뼈의 중심점인 제1 특징점,
정강이뼈의 상단부에 위치한 두 개의 돌기형상 뼈 사이의 중심점인 제4 특징점 및
발목뼈의 상단부에 돌출되어 있는 두 부위 사이의 중심점인 제5 특징점을 추출하고,
상기 산출부는,
상기 제1 특징점과 상기 제4 특징점을 연결한 제3 연결선 및
상기 제4 특징점과 상기 제5 특징점을 연결한 제4 연결선을 생성하며,
상기 제3 연결선과 상기 제4 연결선을 이용하여 제2 각도를 산출하는 엑스선 영상 분석 시스템. - 제1항에 있어서,
상기 추출부는,
대퇴골의 상단부에 위치한 반구형상 뼈의 중심점인 제1 특징점,
정강이뼈의 상단부에 위치한 두 개의 돌기형상 뼈 사이의 중심점인 제4 특징점 및
상기 대퇴골의 하단부에 돌출되어 있는 두 부위 상에 위치한 두 개의 제6 특징점을 추출하고,
상기 산출부는,
상기 제1 특징점과 상기 제4 특징점을 연결한 제3 연결선 및
상기 두 개의 제6 특징점을 연결한 제5 연결선을 생성하며,
상기 제3 연결선과 상기 제5 연결선을 이용하여 제3 각도를 산출하는 엑스선 영상 분석 시스템. - 제1항에 있어서,
상기 추출부는,
정강이뼈의 상단부에 위치한 두 개의 돌기형상 뼈 사이의 중심점인 제4 특징점,
발목뼈의 상단부에 돌출되어 있는 두 부위 사이의 중심점인 제5 특징점 및
상기 정강이뼈의 상단부에 평평하게 형성되어 있는 두 부위 상에 위치한 두 개의 제7 특징점을 추출하고,
상기 산출부는,
상기 제4 특징점과 상기 제5 특징점을 연결한 제4 연결선 및
상기 두 개의 제7 특징점을 연결한 제6 연결선을 생성하며,
상기 제4 연결선과 상기 제6 연결선을 이용하여 제4 각도를 산출하는 엑스선 영상 분석 시스템. - 제1항에 있어서,
상기 분석부는,
상기 산출된 각도 중 적어도 하나가 상기 미리 설정된 정상범위에 포함되어 있지 않을 경우, 상기 하지의 정렬에 있어 이상이 있다고 판정하는 엑스선 영상 분석 시스템. - 미리 학습된 인공지능을 이용하여 엑스선 영상에서 복수 개의 예비 특징점을 추출하고, 상기 예비 특징점을 기준으로 관심영역 영상을 생성하여 복수 개의 특징점을 추출하는 단계;
상기 특징점에 기초하여 복수 개의 연결선을 생성하고, 상기 복수 개의 연결선 간의 각도를 산출하는 단계; 및
상기 각도와 미리 설정된 정상범위를 비교하여 하지의 정렬여부를 판정하는 단계;
를 포함하는 엑스선 영상 분석 방법. - 제10항에 있어서,
상기 추출하는 단계는,
제1 인공지능이 미리 준비된 영상 데이터로 학습되어, 상기 예비 특징점을 추출하는 단계;
상기 영상 데이터로부터 상기 관심영역 영상을 생성하는 단계; 및
복수 개의 제2 인공지능이 관심영역 별로 학습되어, 상기 관심영역 영상에서 상기 특징점을 추출하는 단계;
를 포함하는 엑스선 영상 분석 방법. - 제11항에 있어서,
사용자로부터 상기 예비 특징점이 이동하는 입력을 받는 단계;
상기 입력에 따라 이동된 예비 특징점과 상기 영상 데이터를 이용하여 상기 제1 인공지능을 추가 학습시키는 단계; 및
상기 예비 특징점을 중심으로 보정 관심영역 영상을 생성하고, 상기 관심영역 영상을 이용하여 상기 제2 인공지능을 추가 학습시키는 단계;
를 더 포함하는 엑스선 영상 분석 방법. - 제10항에 있어서,
상기 관심영역 영상에 상기 복수 개의 특징점을 중첩하여 표시하고, 상기 특징점의 추출조건에 대응하는 가이드라인을 표시하는 단계;
를 더 포함하는 엑스선 영상 분석 방법. - 제10항에 있어서,
상기 추출하는 단계는,
미리 설정된 하지 신체부위에서 상기 복수 개의 특징점을 추출하고,
상기 산출하는 단계는,
상기 복수 개의 특징점을 연결한 복수 개의 연결선을 생성하며, 상기 복수 개의 연결선을 이용하여 상기 복수 개의 각도를 산출하는 엑스선 영상 분석 방법. - 제10항에 있어서,
상기 판정하는 단계는,
상기 산출된 각도 중 적어도 하나가 상기 미리 설정된 정상범위에 포함되어 있지 않을 경우, 상기 하지의 정렬에 있어 이상이 있다고 판정하는 엑스선 영상 분석 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210018049A KR20220114715A (ko) | 2021-02-09 | 2021-02-09 | 엑스선 영상 분석 시스템 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210018049A KR20220114715A (ko) | 2021-02-09 | 2021-02-09 | 엑스선 영상 분석 시스템 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20220114715A true KR20220114715A (ko) | 2022-08-17 |
Family
ID=83111041
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210018049A KR20220114715A (ko) | 2021-02-09 | 2021-02-09 | 엑스선 영상 분석 시스템 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20220114715A (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102663960B1 (ko) * | 2022-12-29 | 2024-05-10 | 주식회사 써지컬에이아이 | 엑스레이 부분 영상을 이용한 하지 정렬 영상 획득 방법 및 시스템 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170098386A (ko) | 2016-02-19 | 2017-08-30 | 주식회사바텍 | X선 영상에서의 치아의 인접면 우식증 영역 검출 방법 및 장치 |
| KR101968144B1 (ko) | 2018-10-11 | 2019-08-13 | 가톨릭대학교 산학협력단 | 척추 및 경추의 경사각 자동 진단 장치 및 방법 |
| KR102015469B1 (ko) | 2017-06-22 | 2019-08-28 | 연세대학교 산학협력단 | 신경계 질환 관리를 위한 시스템 및 방법 |
-
2021
- 2021-02-09 KR KR1020210018049A patent/KR20220114715A/ko not_active Application Discontinuation
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170098386A (ko) | 2016-02-19 | 2017-08-30 | 주식회사바텍 | X선 영상에서의 치아의 인접면 우식증 영역 검출 방법 및 장치 |
| KR102015469B1 (ko) | 2017-06-22 | 2019-08-28 | 연세대학교 산학협력단 | 신경계 질환 관리를 위한 시스템 및 방법 |
| KR101968144B1 (ko) | 2018-10-11 | 2019-08-13 | 가톨릭대학교 산학협력단 | 척추 및 경추의 경사각 자동 진단 장치 및 방법 |
Non-Patent Citations (1)
| Title |
|---|
| (비특허문허 0001) Hindawi Computational and Mathematical Methods in Medicine Volume 2019(Cobb Angle Measurement of Spine from X-Ray Images Using Convolutional Neural Network, Ming-Huwi Horng, Chan-Pang Kuok, Min-Jun Fu, Chii-Jen Lin, and Yung-Nien Sun, 2019.02.19) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102663960B1 (ko) * | 2022-12-29 | 2024-05-10 | 주식회사 써지컬에이아이 | 엑스레이 부분 영상을 이용한 하지 정렬 영상 획득 방법 및 시스템 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9662083B2 (en) | Medical image display apparatus and medical image display system | |
| JP6490985B2 (ja) | 医用画像処理装置および医用画像処理システム | |
| Esfandiari et al. | A deep learning framework for segmentation and pose estimation of pedicle screw implants based on C-arm fluoroscopy | |
| US20200375546A1 (en) | Machine-guided imaging techniques | |
| KR102062539B1 (ko) | 딥러닝 기반의 요추 질환 보조 진단 방법 | |
| US20210174503A1 (en) | Method, system and storage medium with a program for the automatic analysis of medical image data | |
| CN107106043A (zh) | 椎体特征识别 | |
| EP2561481B1 (en) | Method for determining a physical property of an object, system, computer readable medium and program element | |
| US10223795B2 (en) | Device, system and method for segmenting an image of a subject | |
| KR102043672B1 (ko) | 딥러닝 기반의 병변 판독 시스템 및 방법 | |
| JP2010029482A (ja) | Ｍｒｉを用いた脊椎・椎体病変の経過観察レポート自動作成診断支援システム | |
| US20060153454A1 (en) | Method for alignment of a graphic object on a overview image of a subject | |
| US11883219B2 (en) | Artificial intelligence intra-operative surgical guidance system and method of use | |
| CN107072607B (zh) | 图像处理装置 | |
| KR102001722B1 (ko) | 척추 측만증 진단 장치 및 모니터링 방법 | |
| JP2006102353A (ja) | 関節動作解析装置、関節動作解析方法及び関節動作解析プログラム | |
| CN111093505A (zh) | 放射线拍摄装置、图像处理方法以及图像处理程序 | |
| KR20220114715A (ko) | 엑스선 영상 분석 시스템 및 방법 | |
| CN109350059B (zh) | 用于肘部自动对准的组合的转向引擎和界标引擎 | |
| Maknojia et al. | Visualization of brain shift corrected functional magnetic resonance imaging data for intraoperative brain mapping | |
| Lee et al. | Retinal atlas statistics from color fundus images | |
| Janca et al. | Automated identification of stereoelectroencephalography contacts and measurement of factors influencing accuracy of frame stereotaxy | |
| US10977790B2 (en) | Method and device for determining result values on the basis of a skeletal medical imaging recording | |
| CN108348205A (zh) | 用于对目标进行成像的设备 | |
| JP2019126654A (ja) | 画像処理装置、画像処理方法、及びプログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E601 | Decision to refuse application |