KR20220125741A - 의료 영상 기반의 병변 분석 방법 - Google Patents

의료 영상 기반의 병변 분석 방법 Download PDF

Info

Publication number
KR20220125741A
KR20220125741A KR1020210028533A KR20210028533A KR20220125741A KR 20220125741 A KR20220125741 A KR 20220125741A KR 1020210028533 A KR1020210028533 A KR 1020210028533A KR 20210028533 A KR20210028533 A KR 20210028533A KR 20220125741 A KR20220125741 A KR 20220125741A
Authority
KR
South Korea
Prior art keywords
nodule
module
sub
mask
suspected
Prior art date
Application number
KR1020210028533A
Other languages
English (en)
Inventor
박현호
박광빈
이승호
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 KR1020210028533A priority Critical patent/KR20220125741A/ko
Priority to JP2023552270A priority patent/JP2024508852A/ja
Priority to PCT/KR2022/002928 priority patent/WO2022186594A1/ko
Priority to US18/279,823 priority patent/US20240144474A1/en
Publication of KR20220125741A publication Critical patent/KR20220125741A/ko

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0012Biomedical image inspection
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00ICT specially adapted for the handling or processing of medical images
    • G16H30/40ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00Geometric image transformations in the plane of the image
    • G06T3/0031
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00Geometric image transformations in the plane of the image
    • G06T3/06Topological mapping of higher dimensional structures onto lower dimensional surfaces
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/70Determining position or orientation of objects or cameras
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/20Image preprocessing
    • G06V10/25Determination of region of interest [ROI] or a volume of interest [VOI]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/771Feature selection, e.g. selecting representative features from a multi-dimensional feature space
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00ICT specially adapted for the handling or processing of medical images
    • G16H30/20ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20ICT 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
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30ICT 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
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70ICT 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
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20084Artificial neural networks [ANN]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30061Lung
    • G06T2207/30064Lung nodule
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30096Tumor; Lesion
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00Indexing scheme for image generation or computer graphics
    • G06T2210/41Medical

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Radiology & Medical Imaging (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 의료 영상 기반의 병변 분석 방법이 개시된다. 상기 방법은, 전처리 모듈을 사용하여, 흉부 영역을 포함하는 의료 영상으로부터, 사전 학습된 검출(detection) 모듈의 입력 영상을 생성하는 단계, 검출 모듈을 사용하여, 입력 영상을 기초로 적어도 하나의 관심 영역의 결절(nodule) 존재에 관한 확률값 및 적어도 하나의 관심 영역의 제 1 위치 정보를 생성하는 단계 및 후처리 모듈을 사용하여, 결절 존재에 관한 확률값을 기초로 제 1 위치 정보로부터 의료 영상에 존재하는 의심 결절에 대한 제 2 위치 정보를 결정하는 단계를 포함할 수 있다.

Description

의료 영상 기반의 병변 분석 방법{METHOD FOR ANALYZING LESION BASED ON MEDICAL IMAGE}
본 발명은 의료 영상의 처리 방법에 관한 것으로, 보다 구체적으로 인공 지능을 이용하여 의료 영상에 존재하는 특정 질환에 관한 병변을 검출 및 평가하는 방법에 관한 것이다.
의료 영상은 인체의 여러 가지 장기들의 물리적인 상태를 이해할 수 있게 해주는 자료이다. 의료 영상에는 디지털 방사선 영상(X-ray), 컴퓨터 단층 촬영(CT) 또는 자기공명영상(MRI) 등이 있다.
의료 영상을 기초로 특정 질환의 병변을 검출하기 위한 자동화 방법에 대한 연구 및 기술 개발이 꾸준히 이어져 오고 있다. 그러나, 종래 개발된 기술들은 의료 영상에 존재하는 병변을 특정하는 것에 초점이 맞춰져 있을 뿐, 특정 질환의 진단에 적합한 형태로 병변에 대한 정보를 생성 및 가공하여 제공해주지는 못하고 있다. 즉, 특정 질환의 진단에 적합한 필요 정보를 제공한다는 관점에서, 종래 기술들은 병변 검출 및 평가라는 목적에 부합하는 성능을 보여주지 못하고 있는 상황이다.
미국 등록특허 제7305111호(2007.12.04)는 폐암 스크리닝을 위한 폐 결절 검출 자동화 방법에 관하여 개시한다.
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 의료 영상에 존재하는 특정 질환의 진단을 위한 병변을 검출하고, 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, 전처리 모듈을 사용하여, 흉부 영역을 포함하는 의료 영상으로부터, 사전 학습된 검출(detection) 모듈의 입력 영상을 생성하는 단계; 상기 검출 모듈을 사용하여, 상기 입력 영상을 기초로 적어도 하나의 관심 영역의 결절(nodule) 존재에 관한 확률값 및 상기 적어도 하나의 관심 영역의 제 1 위치 정보를 생성하는 단계; 및 후처리 모듈을 사용하여, 상기 결절 존재에 관한 확률값을 기초로 상기 제 1 위치 정보로부터 상기 의료 영상에 존재하는 의심 결절에 대한 제 2 위치 정보를 결정하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 검출 모듈의 입력 영상을 생성하는 단계는, 상기 전처리 모듈을 사용하여, 상기 흉부 영역을 포함하는 3차원 의료 영상을 기초로 하운스필드 유닛(hounsfield unit) 값을 연산하는 단계; 및 상기 전처리 모듈을 사용하여, 상기 하운스필드 유닛 값이 연산된 3차원 의료 영상으로부터 2차원 의료 영상들을 생성하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 결절 존재에 관한 확률값 및 제 1 위치 정보를 생성하는 단계는, 상기 검출 모듈에 포함된 제 1 서브 검출 모듈을 사용하여, 2차원 의료 영상들을 기초로 상기 적어도 하나의 관심 영역에 대한 제 1 확률값 및 제 1 위치 정보를 생성하는 단계; 및 상기 검출 모듈에 포함된 제 2 서브 검출 모듈을 사용하여, 3차원 의료 영상 및 상기 제 1 위치 정보를 기초로 상기 적어도 하나의 관심 영역에 대한 제 2 확률값을 추정하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 제 1 확률값 및 제 1 위치 정보를 생성하는 단계는, 상기 제 1 서브 검출 모듈에 포함된 제 1 신경망 모듈을 사용하여, 상기 2차원 의료 영상들을 기초로 복수의 사이즈를 갖는 제 1 특징 맵들을 생성하는 단계; 상기 제 1 서브 검출 모듈에 포함된 제 2 신경망 모듈을 사용하여, 상기 제 1 특징 맵들의 사이즈를 기준으로 상기 제 1 특징 맵들 중 적어도 일부를 결합(concatenation)시켜 제 2 특징 맵들을 생성하는 단계; 및 상기 제 1 서브 검출 모듈에 포함된 제 3 신경망 모듈을 사용하여, 상기 제 2 특징 맵들을 소정의 앵커 박스(anchor box)에 매칭시켜 상기 적어도 하나의 관심 영역에 대한 제 1 확률값 및 제 1 위치 정보를 생성하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 제 1 확률값 및 제 1 위치 정보를 생성하는 단계는, 상기 제 1 서브 검출 모듈을 사용하여, 관심 영역이 복수인 경우, 복수의 관심 영역들 간의 중첩 영역의 비율을 기초로 상기 관심 영역들의 적어도 일부를 클러스터링(clustering) 하는 단계; 및 제 1 서브 검출 모듈을 사용하여, 상기 제 1 위치 정보에 포함된 좌표계(coordinate)를 보정하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 제 2 확률값을 산출하는 단계는, 상기 제 2 서브 검출 모듈에 포함된 제 4 신경망 모듈을 사용하여, 상기 위치 정보를 기준으로 하여 상기 3차원 의료 영상으로부터 추출된 패치(patch)를 기초로 인코딩(encoding)을 수행함으로써, 적어도 하나의 제 3 특징 맵을 생성하는 단계; 상기 제 2 서브 검출 모듈에 포함된 제 5 신경망 모듈을 사용하여, 상기 제 3 특징 맵을 기초로 디코딩(decoding)을 수행함으로써, 적어도 하나의 제 4 특징 맵을 생성하는 단계; 및 상기 제 2 서브 검출 모듈에 포함된 제 6 신경망 모듈을 사용하여, 상기 3 특징 맵과 제 4 특징 맵을 통합시켜 생성된 특징 맵을 기초로 상기 적어도 하나의 관심 영역에 대한 제 2 확률값을 생성하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 제 2 서브 검출 모듈은, 랜덤 샘플링(random sampling)된 학습 영상을 기초로 신경망을 학습시키는 제 1 동작; 및 재현율(recall)과 정밀도(precision)을 기초로 선별된 학습 영상을 기초로 신경망을 학습시키는 제 2 동작을 수행함으로써, 사전 학습될 수 있다.
대안적 실시예에서, 상기 의심 결절에 대한 제 2 위치 정보를 획득하는 단계는, 상기 후처리 모듈을 사용하여, 상기 제 1 확률값 및 제 2 확률값의 가중치 합(weighted sum)을 통해 생성된 상기 결절 존재에 대한 확률값과 임계값을 비교하는 단계; 및 상기 후처리 모듈을 사용하여, 상기 비교의 결과로 선정된 결절 존재에 대한 확률값에 대응되는 상기 적어도 하나의 관심 영역의 제 1 위치 정보를 상기 의심 결절에 대한 제 2 위치 정보로 결정하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 방법은, 사전 학습된 평가(measurement) 모듈을 사용하여, 상기 제 2 위치 정보에 대응되는 의료 영상의 패치를 기초로 상기 의심 결절에 대한 마스크를 생성하는 단계; 및 상기 의심 결절에 대한 마스크를 기초로 상기 의심 결절의 지름(diameter) 및 부피(volume) 중 적어도 하나를 포함하는 수치 정보를 생성하는 단계를 더 포함할 수 있다.
대안적 실시예에서, 상기 의심 결절에 대한 마스크는, 상기 제 2 위치 정보에 대응되는 3차원 패치를 기초로 생성된 상기 의심 결절의 전체 영역에 대한 제 1 마스크; 및 상기 제 2 위치 정보에 대응되는 3차원 패치를 기초로 생성된 상기 의심 결절의 특정 속성(attribute)를 나타내는 영역에 대한 제 2 마스크를 포함할 수 있다.
대안적 실시예에서, 상기 방법은, 사전 학습된 분류(classification) 모듈을 사용하여, 상기 의료 영상의 패치 및 의심 결절에 대한 마스크를 기초로 상기 의심 결절의 상태에 관한 클래스를 분류하는 단계를 더 포함할 수 있다.
대안적 실시예에서, 상기 의심 결절의 상태에 관한 클래스를 분류하는 단계는, 상기 분류 모듈에 포함된 각각 서로 다른 서브 모듈을 사용하여, 상기 패치 및 마스크를 기초로, 상기 의심 결절의 속성에 관한 유형(type), 침상(spiculation) 여부 또는 석회화(calcification) 여부 중 적어도 하나를 결정하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 방법은, 폐암 진단의 보조 지표를 기준으로, 상기 의심 결절의 상태에 관한 클래스 및 수치 정보에 기초하여 상기 의심 결절의 평가 점수를 산출하는 단계; 및 상기 입력 영상의 피검체와 기 분석된 영상의 피검체가 대응되는 경우, 사전 학습된 추적(tracking) 모듈을 사용하여, 상기 입력 영상과 기 분석된 영상의 촬영 시점을 기준으로 상기 의료 영상의 평가 점수 또는 상기 기 분석된 영상의 평가 점수를 수정하는 단계를 더 포함할 수 있다.
대안적 실시예에서, 상기 방법은, 상기 의심 결절에 대한 제 2 위치 정보, 마스크, 클래스, 수치 정보 또는 평가 점수 중 적어도 하나에 기반한 사용자 인터페이스(user interface)를 생성하는 단계를 더 포함할 수 있다.
대안적 실시예에서, 상기 방법은, 사전 학습된 악성도 예측 모듈을 사용하여, 상기 의심 결절의 제 2 위치 정보, 상태에 관한 클래스 및 수치 정보를 기초로 상기 의심 결절의 악성도를 추정하는 단계를 더 포함할 수 있다.
대안적 실시예에서, 상기 방법은, 사전 학습된 악성도 예측 모듈을 사용하여, 상기 의료 영상의 패치 및 의심 결절에 대한 마스크를 기초로 상기 의심 결절의 악성도를 추정하는 단계를 더 포함할 수 있다.
대안적 실시예에서, 상기 방법은, 상기 의심 결절에 대한 제 2 위치 정보, 마스크, 클래스, 수치 정보 또는 악성도 중 적어도 하나에 기반한 사용자 인터페이스를 생성하는 단계를 더 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 또 다른 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 의료 영상 기반의 병변 분석 방법이 개시된다. 상기 방법은, 흉부 영역을 포함하는 의료 영상에 존재하는 의심 결절의 위치 정보를 기초로 사전 학습된 평가 모듈의 입력 패치를 생성하는 단계; 및 상기 사전 학습된 평가 모듈을 사용하여, 상기 위치 정보에 대응되는 적어도 하나의 입력 패치를 기초로 상기 의심 결절에 대한 마스크를 생성하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 의심 결절에 대한 마스크를 생성하는 단계는, 상기 평가 모듈에 포함된 제 1 서브 평가 모듈을 사용하여, 상기 적어도 하나의 입력 패치를 기초로 상기 의심 결절의 전체 영역에 대한 제 1 마스크를 생성하는 단계; 및 상기 평가 모듈에 포함된 제 2 서브 평가 모듈을 사용하여, 상기 적어도 하나의 입력 패치를 기초로 상기 의심 결절의 특정 속성을 나타내는 영역에 대한 제 2 마스크를 생성하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 제 1 마스크를 생성하는 단계는, 상기 평가 모듈로 하나의 의심 결절에 대한 복수의 사이즈를 갖는 입력 패치들이 입력되는 경우, 상기 제 1 서브 평가 모듈을 사용하여, 입력 패치들 각각으로부터 상기 하나의 의심 결절에 관한 제 1 서브 마스크들을 생성하는 단계; 및 상기 제 1 서브 평가 모듈을 사용하여, 상기 제 1 서브 마스크들을 조합하고, 상기 조합의 결과를 기초로 상기 하나의 의심 결절의 전체 영역에 대한 제 1 마스크를 생성하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 제 2 마스크를 생성하는 단계는, 상기 제 2 서브 평가 모듈을 사용하여, 상기 적어도 하나의 입력 패치를 기초로 상기 의심 결절의 특정 속성을 나타내는 후보 영역에 관한 제 2 서브 마스크를 생성하는 단계; 상기 제 2 서브 평가 모듈을 사용하여, 상기 제 1 마스크와 제 2 서브 마스크의 중첩 영역을 식별하는 단계; 및 상기 식별된 중첩 영역을 기초로 상기 의심 결절의 특정 속성을 나타내는 영역에 대한 제 2 마스크를 생성하는 단계를 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 또 다른 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 의료 영상 기반의 병변 분석 방법이 개시된다. 상기 방법은, 흉부 영역을 포함하는 의료 영상에 존재하는 의심 결절의 위치 정보를 기초로 생성된 패치 및 상기 의심 결절에 대한 마스크를 수신하는 단계; 및 사전 학습된 분류 모듈을 사용하여, 상기 패치 및 마스크를 기초로 상기 의심 결절의 상태에 관한 클래스를 분류하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 의심 결절의 상태에 관한 클래스를 분류하는 단계는, 상기 분류 모듈에 포함된 제 1 서브 분류 모듈을 사용하여, 상기 패치 및 마스크를 기초로 상기 의심 결절의 속성에 관한 유형을 결정하는 단계; 상기 분류 모듈에 포함된 제 2 서브 분류 모듈을 사용하여, 상기 패치 및 마스크를 기초로 상기 의심 결절의 침상 여부를 결정하는 단계; 또는 상기 분류 모듈에 포함된 제 3 서브 분류 모듈을 사용하여, 상기 패치 및 마스크를 기초로 상기 의심 결절의 석회화 여부를 결정하는 단계 중 적어도 하나를 포함할 수 있다.
대안적 실시예에서, 상기 의심 결절의 속성에 관한 유형을 결정하는 단계는, 상기 제 1 서브 분류 모듈에 포함된 제 1 속성 분류 모듈을 사용하여, 상기 패치 및 마스크를 기초로 상기 의심 결절의 고형(solid) 속성에 관한 제 1 유형을 결정하는 단계; 상기 제 1 서브 분류 모듈에 포함된 제 2 속성 분류 모듈을 사용하여, 상기 패치 및 마스크를 기초로 상기 의심 결절의 고형 속성에 관한 제 2 유형을 결정하는 단계; 및 상기 제 1 서브 분류 모듈에 포함된 제 3 속성 분류 모듈을 사용하여, 제 1 유형 및 제 2 유형을 비교한 결과를 기초로 상기 의심 결절의 고형 속성에 관한 유형을 최종 결정하는 단계를 더 포함할 수 있다. 이때, 상기 제 1 속성 분류 모듈은, 신경망을 기반으로 사전 학습될 수 있다.
대안적 실시예에서, 상기 제 2 유형을 결정하는 단계는, 상기 제 2 속성 분류 모듈을 사용하여, 상기 패치에서 마스크에 포함된 복셀(voxel)들의 하운스필드 유닛(hounsfield unit) 값이 소정의 하운스필드 유닛 값보다 높은 복셀들의 비율을 연산하는 단계; 상기 제 2 속성 분류 모듈을 사용하여, 상기 복셀들의 비율과 임계값을 비교하는 단계; 및 상기 비교의 결과를 기초로 상기 패치에 존재하는 의심 결절의 고형 속성에 관한 제 2 유형을 결정하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 의심 결절의 고형 속성에 관한 유형을 최종 결정하는 단계는, 상기 제 1 유형이 상기 제 2 유형에 포함되지 않는 유형인 경우, 상기 제 3 속성 분류 모듈을 사용하여, 상기 제 1 유형을 상기 의심 결절의 고형 속성에 관한 최종 유형으로 결정하는 단계; 및 상기 제 1 유형이 제 2 유형에 포함되는 유형인 경우, 상기 제 3 속성 분류 모듈을 사용하여, 상기 제 2 유형을 상기 의심 결절의 고형 속성에 관한 최종 유형으로 결정하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 제 1 유형은, 고형, 부분고형(part-solid) 또는 비고형(non-solid)을 포함할 수 있다. 그리고, 상기 제 2 유형은, 고형 또는 비고형을 포함할 수 있다.
대안적 실시예에서, 상기 제 2 서브 분류 모듈은, 신경망을 기반으로 사전 학습될 수도 있다.
대안적 실시예에서, 상기 의심 결절의 석회화 여부를 결정하는 단계는, 상기 제 3 서브 분류 모듈을 사용하여, 상기 패치에서 마스크에 포함된 복셀들의 하운스필드 유닛 값이 소정의 하운스필드 유닛 값보다 높은 복셀들의 비율을 연산하는 단계; 상기 제 3 서브 분류 모듈을 사용하여, 상기 복셀들의 비율과 임계값을 비교하는 단계; 및 상기 비교의 결과를 기초로 상기 패치에 존재하는 의심 결절의 석회화 여부를 결정하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 제 3 서브 분류 모듈은, 신경망을 기반으로 사전 학습될 수도 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 의료 영상을 기반으로 병변을 분석하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 전처리 모듈을 사용하여, 흉부 영역을 포함하는 의료 영상으로부터, 사전 학습된 검출(detection) 모듈의 입력 영상을 생성하는 동작; 상기 검출 모듈을 사용하여, 상기 입력 영상을 기초로 적어도 하나의 관심 영역의 결절(nodule) 존재에 관한 확률값 및 상기 적어도 하나의 관심 영역의 제 1 위치 정보를 생성하는 동작; 및 후처리 모듈을 사용하여, 상기 결절 존재에 관한 확률값을 기초로 상기 제 1 위치 정보로부터 상기 의료 영상에 존재하는 의심 결절에 대한 제 2 위치 정보를 결정하는 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 코어를 포함하는 프로세서; 상기 프로세서에서 실행가능한 프로그램 코드들을 포함하는 메모리; 및 흉부 영역을 포함하는 의료 영상을 수신하기 위한 네트워크부를 포함하고, 상기 프로세서는, 전처리 모듈을 사용하여, 흉부 영역을 포함하는 의료 영상으로부터, 사전 학습된 검출(detection) 모듈의 입력 영상을 생성하고, 상기 검출 모듈을 사용하여, 상기 입력 영상을 기초로 적어도 하나의 관심 영역의 결절(nodule) 존재에 관한 확률값 및 상기 적어도 하나의 관심 영역의 제 1 위치 정보를 생성하며, 후처리 모듈을 사용하여, 상기 결절 존재에 관한 확률값을 기초로 상기 제 1 위치 정보로부터 상기 의료 영상에 존재하는 의심 결절에 대한 제 2 위치 정보를 결정할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 사용자 인터페이스를 제공하는 사용자 단말이 개시된다. 상기 사용자 단말은, 적어도 하나의 코어를 포함하는 프로세서; 메모리; 컴퓨팅 장치로부터 의료 영상에 포함된 병변의 분석 정보에 기반한 사용자 인터페이스를 수신하는 네트워크부; 및 상기 사용자 인터페이스를 제공하는 출력부를 포함할 수 있다. 이때, 상기 병변의 분석 정보는, 의심 결절의 위치 정보, 상기 의심 결절에 관한 마스크, 상기 의심 결절의 상태에 관한 클래스, 상기 의심 결절의 수치 정보, 상기 의심 결절에 대한 평가 정보 또는 상기 의심 결절의 악성도 중 적어도 하나를 포함할 수 있다.
본 개시는 의료 영상에 존재하는 특정 질환의 진단을 위한 병변을 검출하고, 평가하는 방법을 제공할 수 있다.
도 1은 본 개시의 일 실시예에 따른 의료 영상 기반의 병변을 분석하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따라 네트워크 함수를 나타낸 개략도이다.
도 3은 본 개시의 일 실시예에 따른 컴퓨팅 장치에 포함된 탐지 모듈의 동작 과정을 나타낸 블록 구성도이다.
도 4는 본 개시의 일 실시예에 따른 탐지 모듈의 구조를 나타낸 블록 구성도이다.
도 5는 본 개시의 일 실시예에 따른 탐지 모듈에 포함된 제 1 서브 검출 모듈의 구조를 나타낸 블록 구성도이다.
도 6은 본 개시의 일 실시예에 따른 탐지 모듈에 포함된 제 2 서브 검출 모듈의 구조를 나타낸 블록 구성도이다.
도 7은 본 개시의 일 실시예에 따른 탐지 모듈의 동작 과정을 나타낸 순서도이다.
도 8은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 병변을 분석하고 평가하는 과정을 나타낸 블록 구성도이다.
도 9는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 병변의 평가 결과를 수정하는 과정을 나타내는 블록 구성도이다.
도 10은 본 개시의 일 실시예에 따른 의료 영상 기반의 병변 분석 과정에 관한 순서도이다.
도 11은 본 개시의 대안적 실시예에 따른 의료 영상 기반의 병변 분석 과정에 관한 순서도이다.
도 12는 본 개시의 일 실시예에 따른 컴퓨팅 장치에 포함된 평가 모듈의 동작 과정을 나타낸 블록 구성도이다.
도 13은 본 개시의 일 실시예에 따른 평가 모듈의 구조를 나타낸 블록 구성도이다.
도 14는 본 개시의 일 실시예에 따른 평가 모듈의 동작 과정을 나타낸 순서도이다.
도 15는 본 개시의 일 실시예에 따른 컴퓨팅 장치에 포함된 분류 모듈의 동작 과정을 나타낸 블록 구성도이다.
도 16은 본 개시의 일 실시예에 따른 분류 모듈의 구조를 나타낸 블록 구성도이다.
도 17은 본 개시의 일 실시예에 따른 분류 모듈에 포함된 제 1 서브 분류 모듈의 구조를 나타낸 블록 구성도이다.
도 18은 본 개시의 일 실시예에 따른 분류 모듈의 동작 과정을 나타낸 블록 구성도이다.
도 19는 본 개시의 일 실시예에 따른 컴퓨팅 환경의 개략도이다.
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 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 또는 본 발명의 기술분야에서 공지된 임의의 다른 의료 영상 시스템의 의하여 수집된 피검체(subject)의 의료 영상일 수 있다. 영상이 반드시 의료적 맥락에서 제공되어야 하는 것은 아니고 비의료적 맥락에서 제공될 수도 있는 바, 예를 들어 보안 검색용 X선 촬영 등이 있을 수 있다.
본 발명의 상세한 설명 및 청구항들에 걸쳐 'DICOM(Digital Imaging and Communications in Medicine; 의료용 디지털 영상 및 통신)' 표준은 의료용 기기에서 디지털 영상 표현과 통신에 이용되는 여러 가지 표준을 총칭하는 용어인 바, DICOM 표준은 미국 방사선 의학회(ACR)와 미국 전기 공업회(NEMA)에서 구성한 연합 위원회에서 발표한다.
또한, 본 발명의 상세한 설명 및 청구항들에 걸쳐 '의료영상 저장 전송 시스템(PACS; Picture Archiving and Communication System)'은 DICOM 표준에 맞게 저장, 가공, 전송하는 시스템을 지칭하는 용어이며, X선, CT, MRI와 같은 디지털 의료영상 장비를 이용하여 획득된 의료영상 이미지는 DICOM 형식으로 저장되고 네트워크를 통하여 병원 내외의 단말로 전송이 가능하며, 이에는 판독 결과 및 진료 기록이 추가될 수 있다.
도 1은 본 개시의 일 실시예에 따른 의료 영상 기반의 병변을 분석하기 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 실시 예에 따르면, 프로세서(110)는 적어도 하나의 사전 학습된 머신러닝 모듈을 사용하여 의료 영상을 기초로 특정 질환에 관한 병변을 판독할 수 있다. 프로세서(110)는 의료 영상을 제 1 머신러닝 모듈에 입력하여 의료 영상에 존재하는 병변의 위치 정보를 식별할 수 있다. 프로세서(110)는 병변의 위치 정보를 기초로 의료 영상의 일 부분에 해당하는 패치(patch)를 생성할 수 있다. 프로세서(110)는 병변의 위치 정보에 대응하는 패치를 제 2 머신러닝 모듈에 입력하여 병변에 대한 마스크를 생성할 수 있다. 이때, 마스크는 의료 영상 내에서 병변이 존재하는 영역에 대한 정보들을 포함하는 데이터 집합체를 의미할 수 있다. 프로세서(110)는 패치와 마스크를 제 3 머신러닝 모듈에 입력하여 병변의 상태를 나타내는 클래스 정보를 생성할 수 있다. 이러한 동작을 통해 프로세서(110)는 의료 영상을 기초로 특정 질환의 진단 기준이 되는 병변에 대한 정보(e.g. 병변의 신체 내에서의 위치, 상태 등)를 생성할 수 있다.
예를 들어, 프로세서(110)는 네트워크부(150)로 입력된 흉부 영역을 포함하는 의료 영상을 사전 학습된 탐지 모듈에 입력할 수 있다. 이때, 흉부 영역을 포함하는 의료 영상에는 적어도 하나의 폐 조직을 포함하는 3차원 CT 영상 등이 포함될 수 있다. 프로세서(110)는 흉부 영역을 포함하는 의료 영상을 탐지 모듈에 입력하여 의료 영상에 존재하는 의심 결절(nodule)의 위치 정보를 획득할 수 있다. 의심 결절의 위치 정보에는 의심 결절로 식별된 의료 영상 내 영역의 중심 좌표계가 포함될 수 있다. 의료 영상이 3차원 CT 영상인 경우, 의심 결절의 위치 정보에는 의심 결절로 판정된 영역의 중심의 (X, Y, Z) 좌표값이 포함될 수 있다.
프로세서(110)는 탐지 모듈을 사용하여 획득된 의심 결절의 위치 정보를 기초로 흉부 영역을 포함하는 의료 영상으로부터 위치 정보에 대응되는 패치를 추출할 수 있다. 프로세서(110)는 의심 결절의 위치 정보에 대응되는 패치를 사전 학습된 평가 모듈에 입력할 수 있다. 프로세서(110)는 의료 영상으로부터 생성된 패치를 평가 모듈에 입력하여 의심 결절에 대한 마스크를 생성할 수 있다. 다시 말해서, 프로세서(110)는 평가 모듈을 사용하여 패치 내에 존재하는 의심 결절이 존재하는 영역에 대한 정보들을 추출할 수 있다.
프로세서(110)는 평가 모듈을 사용하여 생성된 의심 결절에 대한 마스크와 함께 앞서 추출된 패치를 사전 학습된 분류 모듈에 입력할 수 있다. 프로세서(110)는 의심 결절에 대한 마스크와 패치를 함께 분류 모듈에 입력하여 의심 결절의 상태에 관한 클래스(class)를 분류할 수 있다. 이때, 의심 결절의 상태에는 폐질환의 판단에 기초가 되는 의심 결절의 특징, 속성 등이 포함될 수 있다. 다시 말해서, 프로세서(110)는 폐질환의 진단을 위한 병변 정보를 획득하기 위해서 분류 모듈을 사용하여 의료 영상의 패치 내에서 의심 결절이 어떠한 상태인지를 식별할 수 있다.
본 개시의 일 실시 예에 따르면, 프로세서(110)는 특정 질환의 진단을 위한 보조 지표를 기초로 의료 영상에서 판독된 병변을 평가할 수 있다. 프로세서(110)는 제 2 머신러닝 모듈을 통해 생성된 마스크를 기초로 병변이 존재하는 영역에 관한 수치값들을 연산할 수 있다. 프로세서(110)는 특정 질환의 진단을 위한 보조 지표를 기준으로, 병변의 수치값들을 포함하는 수치 정보와 병변의 상태에 관한 클래스 정보에 기초하여 병변의 평가 점수를 산출할 수 있다. 또한, 프로세서(110)는 사전 학습된 머신러닝 모듈을 사용하여 병변의 악성도를 예측할 수도 있다. 프로세서(110)는 제 4 머신러닝 모듈을 통해 병변의 위치 정보, 병변의 상태에 관한 클래스 정보 및 병변의 수치 정보를 기초로 병변의 악성도를 추정할 수 있다. 이러한 동작을 통해 프로세서(110)는 의료 영상을 기초로 특정 질환의 진단 지표로 활용될 수 있는 병변에 대한 평가 정보를 생성할 수 있다.
예를 들어, 프로세서(110)는 평가 모듈을 사용하여 생성된 의심 결절의 마스크를 기초로 의료 영상 내에서 의심 결절이 존재하는 영역에 대한 수치 정보를 생성할 수 있다. 이때, 수치 정보는 의심 결절의 지름(diameter), 부피(volume) 등에 관한 수치값들을 포함할 수 있다. 프로세서(110)는 의심 결절의 수치 정보와 분류 모듈을 사용하여 분류된 의심 결절의 상태에 관한 클래스를 기초로 메모리(130)에 저장된 폐질환 진단의 보조 지표에 따라 의심 결절의 평가 점수를 산출할 수 있다. 이때, 폐질환 진단의 보조 지표에는 Lung-RADS(Lung CT Screening Reporting and Data System) 기반의 분류 지표 등이 포함될 수 있다. 다시 말해서, 프로세서(110)는 의심 결절의 구조적 정보와 속성 정보를 함께 사용하여 폐질환 진단의 보조 지표에 따라 결정된 기준에 맞추어 의심 결절의 평가 점수를 결정할 수 있다. 프로세서(110)에 의해 결정된 평가 점수는 의료 영상의 피검자(subject)에 대한 폐질환 진단 및 예후 예측 등에 활용될 수 있다.
프로세서(110)는 탐지 모듈을 통해 생성된 의심 결절의 위치 정보, 분류 모듈을 통해 생성된 의심 결절의 상태에 관한 클래스 정보 및 마스크를 기초로 생성된 의심 결절의 수치 정보를 사전 학습된 악성도 예측 모듈로 입력할 수 있다. 프로세서(110)는 의심 결절의 위치 정보, 클래스 정보 및 수치 정보를 악성도 예측 모듈로 입력하여 의심 결절의 악성도를 추정할 수 있다. 또한, 프로세서(110)는 의료 영상으로부터 추출된 패치 및 평가 모듈을 통해 생성된 마스크를 악성도 예측 모듈로 입력하여 의심 결절의 악성도를 추정할 수도 있다. 다시 말해서, 프로세서(110)는 의심 결절의 정량적 정보 자체를 이용하여 의심 결절의 악성도를 추정할 수도 있고, 의심 결절에 관한 영상 정보를 활용하여 의심 결절의 악성도를 추정할 수도 있다. 프로세서(110)는 악성도 예측 모듈을 통해 흉부 영역을 포함하는 의료 영상에 존재하는 의심 결절의 위치 정보, 구조적 정보 및 속성 정보를 함께 고려하여 폐질환에 영향을 미치는 의심 결절의 악성도를 예측할 수 있다. 프로세서(110)에 의해 예측된 악성도는 의료 영상의 피검체에 대한 폐질환 진단 및 예후 예측 등에 활용될 수 있다.
본 개시의 일 실시 예에 따르면, 프로세서(110)는 사전 학습된 머신러닝 모듈을 사용하여 시계열적 관계에 있는 특정 피검체에 대한 의료 영상들을 기초로 병변에 관한 평가 점수를 수정할 수 있다. 프로세서(110)에 의해 기 분석된 영상과 동일한 피검체에 관한 의료 영상이 컴퓨팅 장치(100)로 입력되면, 프로세서(110)는 제 5 머신러닝 모듈을 사용하여 기 분석된 영상과 후속으로 입력된 의료 영상에 존재하는 병변을 매칭(matching) 시켜 변경된 정보들을 파악할 수 있다. 그리고, 프로세서(110)는 변경된 정보들을 병변에 관한 평가 점수에 반영하여 평가 점수를 수정할 수 있다. 만약 변경된 정보가 없다면, 프로세서(110)는 병변에 관한 평가 점수에 대한 별도 수정 없이 평가 점수를 그대로 유지시킬 수 있다.
예를 들어, 프로세서(110)는 네트워크부(150)를 통해 수신된 의료 영상을 기초로 의심 결절의 평가 점수를 산출하기 위한 전술한 동작들을 수행하여 메모리(130)에 저장할 수 있다. 새로운 의료 영상이 네트워크부(150)를 통해 수신되는 경우, 프로세서(110)는 새로운 의료 영상의 피검체가 기 분석된 의료 영상들의 피검체에 대응되는지 여부를 판단할 수 있다. 다시 말해서, 프로세서(110)는 새로운 의료 영상의 피검체 식별을 위한 아이디(ID)가 기 분석된 의료 영상들의 아이디 중 하나와 일치하는지 여부를 확인할 수 있다. 새로운 의료 영상의 식별 아이디가 기 분석된 의료 영상들의 식별 아이디 중 하나와 일치하는 경우, 프로세서(110)는 사전 학습된 추적 모듈을 사용하여 기존 영상과 새로운 영상에 존재하는 같은 의심 결절을 매칭시킬 수 있다. 프로세서(110)는 추적 모듈을 사용하여 매칭된 의심 결절의 변경 정보를 식별하고, 변경 정보를 기초로 의심 결절에 관한 평가 점수를 수정할 수 있다. 이러한 동작을 통해 프로세서(110)는 특정 피검체의 병변 변화를 효과적으로 추적하고, 폐질환 예후 판단에 필요한 정보의 정확도를 높일 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 공지된 유무선 통신 시스템을 사용할 수 있다.
네트워크부(150)는 신체 장기가 표현된 의료 영상을 의료 영상 촬영 시스템으로부터 수신할 수 있다. 예를 들어, 신체 장기가 표현된 의료 영상은 2차원 특징 또는 3차원 특징으로 학습된 머신러닝 모듈의 학습용 데이터 또는 추론용 데이터일 수 있다. 신체 장기가 표현된 의료 영상은 적어도 하나의 폐 영역을 포함하는 3차원 CT 영역일 수 있다. 신체 장기가 표현된 의료 영상은 전술한 예시에 제한되지 않고, X-ray 영상, MR 영상 등과 같이 촬영을 통해 획득된 신체 장기와 관련된 영상을 모두 포함할 수 있다.
또한, 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.
사용자 단말은 서버인 컴퓨팅 장치(100)로부터 전달되는 의료 영상에 포함된 병변(e.g. 의심 결절 등)의 분석 정보를 제공하기 위해 제공된 사용자 인터페이스를 표시할 수 있다. 별도로 도시되지는 않았으나, 사용자 단말은 컴퓨팅 장치(100)로부터 사용자 인터페이스를 수신하는 네트워크부, 적어도 하나의 코어를 포함하는 프로세서, 메모리, 사용자 인터페이스를 제공하는 출력부 및 사용자로부터 인가된 외부 입력을 수신하는 입력부를 포함할 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 지도 학습(supervised learning), 비지도 학습(unsupervised learning), 반지도학습(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. 지도 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비지도 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 지도 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 비지도 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, 레귤러라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.
도 3 및 도 4는 본 개시의 일 실시예에 따른 컴퓨팅 장치에 포함된 탐지 모듈의 동작 과정 및 구조를 나타낸 블록 구성도이다.
도 3을 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 의료 영상(11)에 존재하는 의심 결절에 관한 정보를 추출하는 탐지 모듈(200)을 포함할 수 있다. 탐지 모듈(200)은 컴퓨팅 장치(100)로 전달된 흉부 영역을 포함하는 의료 영상(11)으로부터 검출 모듈(220)의 입력 영상을 생성하는 전처리 모듈(210), 전처리 모듈(210)을 통해 생성된 입력 영상을 기초로 적어도 하나의 관심 영역에 대한 정보를 도출하는 검출 모듈(220) 및 검출 모듈(220)을 통해 도출된 관심 영역에 대한 정보를 기초로 의심 결절에 관한 위치 정보를 도출하는 후처리 모듈(230)을 포함할 수 있다. 이때, 탐지 모듈(200)에 포함된 검출 모듈(220)은 적어도 하나의 신경망을 포함할 수 있다. 검출 모듈(220)은 사전 학습된 신경망을 통해 전술한 동작들을 수행할 수 있다. 전처리 모듈(210) 및 후처리 모듈(230)도 사전 학습된 적어도 하나의 신경망을 포함할 수 있고, 신경망을 통해 전술한 동작들을 수행할 수도 있다.
도 4를 참조하면, 전처리 모듈(210)은 흉부 영역을 포함하는 3차원 의료 영상인 폐 조직이 촬영된 CT 영상을 입력 받을 수 있다. 전처리 모듈(210)은 입력된 CT 영상을 표준 DICOM 형식에 기초하여 영상군 단위로 분류할 수 있다. 이때, 분류자는 대체로 DICOM의 유형-1 속성(attribute) 중 동일 시리즈(Series)를 시사하는 값을 채용하지만, 실제로는 컴퓨팅 장치(100)가 사용되는 환경에 의존할 수 있다. 전처리 모듈(210)은 전술한 바와 같이 CT 영상을 자체적으로 영상군 단위로 분류할 수도 있고, 이미 분류된 CT 영상을 입력 받을 수도 있다.
전처리 모듈(210)은 분류자에 의해 분류된 영상군을 기초로 하운스필드 유닛(hounsfield unit, HU) 값을 연산할 수 있다. 예를 들어, 전처리 모듈(210)은 표준 DICOM 형식에 기반한 속성 값을 이용하여 영상군으로부터 순차적으로 하운스필드 유닛 값을 산출할 수 있다. 이때, 표준 DICOM 형식에 기반한 속성 값은 Rescale Intercept Attribute(0028, 1052) 및 Rescale Slope Attribute(0028, 1053)일 수 있다. 전처리 모듈(210)은 산출된 하운스필드 유닛 값을 그대로 사용하지 않고, [-1000, 600]과 같은 제 1 범위로 잘라낸 후, 다시 [0, 1]과 같은 제 2 범위로 선형 변환할 수 있다. 이어서, 전처리 모듈(210)은 큐빅 B-스플라인 보간(cubic B-spline interpolation)등과 같은 보간을 수행하여, 수평면(axial), 관상면(coronal), 시상면(sagittal)의 세 축에 대한 복셀 스페이싱(voxel spacing)이 각각 소정의 수치를 만족하도록 영상을 변환시킬 수 있다. 예를 들어, 소정의 수치는 각 축 별로 1.0, 0.67, 0.67일 수 있다. 다만, 전술한 수치 및 기재는 하나의 예시일 뿐, 한정 해석되지 않고, 당업자에 의해 이해될 수 있는 범위 내에서 변경 가능하다.
전처리 모듈(210)은 하운스필드 유닛 값이 연산된 CT 영상으로부터 2차원 영상들을 생성할 수 있다. 즉, 검출 모듈(220)은 2차원의 영상을 입력으로 사용하는 2.5차원의 신경망 모듈을 포함하므로, 검출 모듈(220)의 입력에 알맞은 형태로 영상을 가공하는 작업을 전처리 모듈(210)이 수행할 수 있다. 예를 들어, 검출 모듈(220)은 (axial, coronal, sagittal) = (7, 540, 540)의 입력을 사용하는 2.5차원의 신경망 모듈을 포함할 수 있다. 다만, 전술한 수치 및 기재는 하나의 예시일 뿐, 한정 해석되지 않고, 당업자에 의해 이해될 수 있는 범위 내에서 변경 가능하다. 이와 같은 2,5차원의 신경망 모듈의 입력 크기에 맞추어 전처리 모듈(210)은 3차원 CT 영상을 가공하여 2차원 영상들을 생성할 수 있다. 전처리 모듈(210)에 의해 생성된 2차원 영상들은 후술할 검출 모듈(220)의 제 1 서브 검출 모듈(221)의 입력으로 사용될 수 있다.
도 4를 참조하면, 검출 모듈(220)은 전처리 모듈(210)을 통해 생성된 입력 영상을 기초로 적어도 하나의 관심 영역에 대한 제 1 확률값 및 제 1 위치 정보를 생성하는 제 1 서브 검출 모듈(221) 및 전처리 모듈(210)을 통해 생성된 입력 영상과 제 1 위치 정보를 기초로 적어도 하나의 관심 영역에 대한 제 2 확률값을 추정하는 제 2 서브 검출 모듈(222)을 포함할 수 있다. 이때, 제 1 확률값 및 제 2 확률값은 각 모듈(221, 222)에 의해 식별된 각 관심 영역이 의심 결절을 포함할 확률을 나타내는 수치값일 수 있다. 예를 들어, 전처리 모듈(210)을 거친 CT 영상은 제 1 서브 검출 모듈(221) 및 제 2 검출 모듈(222)로 각각 입력되어 결절을 포함하는 것으로 판단되는 관심 영역에 관한 정보를 추출하는데 사용될 수 있다. 제 1 서브 검출 모듈(221)은 전처리된 CT 영상을 입력 받아 적어도 하나의 관심 영역에 대한 제 1 확률값과 좌표값을 산출할 수 있다. 이때, 제 1 서브 검출 모듈(221)에 의해 산출된 좌표값은 제 2 서브 검출 모듈(222)의 입력으로 사용될 수 있다. 제 2 서브 검출 모듈(222)은 제 1 서브 검출 모듈(221)에 의해 산출된 좌표값을 기초로 전처리된 CT 영상에서 3차원 패치(patch)를 추출할 수 있다. 제 2 서브 검출 모듈(222)은 3차원 패치를 기초로 제 1 서브 검출 모듈(221)이 식별한 관심 영역이 실제 결절을 포함하고 있을 제 2 확률값을 다시금 추산할 수 있다. 제 1 서브 검출 모듈(221) 및 제 2 서브 검출 모듈(222)의 구체적인 동작 과정 및 구조는 도 5 및 도 6을 참조하여 자세히 후술하도록 한다.
후처리 모듈(230)은 검출 모듈(220)을 통해 도출된 관심 영역에 대한 정보를 기초로 탐지 모듈(200)의 최종 출력값인 의심 결절에 대한 정보를 도출할 수 있다. 후처리 모듈(230)은 제 1 서브 검출 모듈(221)을 통해 도출된 제 1 확률값 및 제 2 서브 검출 모듈(222)을 통해 도출된 제 2 확률값의 가중치 합(weighted sum)을 통해 결절 존재에 대한 제 3 확률값을 생성할 수 있다. 후처리 모듈(230)은 제 3 확률값과 임계값을 비교하여 관심 영역들 중 의심 결절에 해당하는 영역을 선정할 수 있다. 다시 말해서, 후처리 모듈(230)은 제 3 확률값과 임계값의 비교 결과로 선정된 확률값에 대응되는 관심 영역의 위치 정보를 의심 결절의 위치 정보로 결정할 수 있다. 전술한 과정을 통해 후처리 모듈(230)은 최종적으로 의심 결절의 중심 좌표값을 포함하는 제 2 위치 정보(15)를 출력할 수 있다.
예를 들어, 제 1 서브 검출 모듈(221)의 제 1 확률값을 p1, 제 2 서브 검출 모듈(222)의 제 2 확률값을 p2, 제 1 서브 검출 모듈(221)이 식별한 관심 영역의 직경을 d라고 가정한다. 후처리 모듈(230)은 전술한 세가지의 입력값을 이용하여, 각 관심 영역에 대해 아래와 같은 방식으로 제 3 확률값 p을 확정할 수 있다.
(1) p1<0.05 일 때, p=0.
(2) d≥7[mm], p1<0.97 일 때, p=0.
(3) d≤4[mm], p1<0.97 일 때, p=0.
(4) 그 외의 경우, p=0.2×p1+0.8×p2
제 3 확률값 p가 소정의 임계값 이상인 경우, 후처리 모듈(230)은 임계값 이상인 확률값에 대응되는 관심 영역의 중심 좌표값을 최종 출력으로 할 수 있다. 소정의 임계값의 기본값은 0.82로 할 수 있으며, 민감도에 따라 0.78, 0.91으로 변경될 수 있다. 다만, 전술한 수치 및 기재는 하나의 예시일 뿐, 한정 해석되지 않고, 당업자에 의해 이해될 수 있는 범위 내에서 변경 가능하다.
도 5는 본 개시의 일 실시예에 따른 탐지 모듈에 포함된 제 1 서브 검출 모듈의 구조를 나타낸 블록 구성도이다.
도 5를 참조하면, 본 개시의 일 실시예에 따른 제 1 서브 검출 모듈(221)은 전처리 모듈(210)로부터 생성된 2차원 영상들을 입력 받아 여러 사이즈를 갖는 제 1 특징 맵들을 생성하는 제 1 신경망 모듈(240)을 포함할 수 있다. 제 1 서브 검출 모듈(221)은 제 1 특징 맵들의 사이즈를 기준으로 제 1 특징 맵들 중 적어도 일부를 결합(concatenation)시켜 제 2 특징 맵들을 생성하는 제 2 신경망 모듈(250)를 포함할 수 있다. 또한, 제 1 서브 검출 모듈(221)은 제 2 특징 맵들을 소정의 앵커 박스(anchor box)에 매칭시켜 적어도 하나의 관심 영역에 대한 제 1 확률값 및 제 1 위치 정보를 생성하는 제 3 신경망 모듈(260)을 포함할 수 있다.
예를 들어, 제 1 서브 검출 모듈(221)는 2.5차원의 영상을 입력으로 받는 신경망 구조를 가질 수 있다. 전술한 바와 같이, 제 1 서브 검출 모듈(221)은 [7, 540, 540]의 형태를 갖는 영상을 입력으로 받고, 결절을 포함하고 있을 것으로 판단되는 일련의 관심 영역에 대한 확률값 및 좌표값을 출력할 수 있다. 도 5를 참조하면, 제 1 서브 검출 모듈(221)의 신경망은 backbone-neck-head의 구조를 갖출 수 있다.
backbone 구조는 풀링 레이어(pooling layer)를 포함하는 스탬셀(stem-cell) 블록 이후, skip-connection을 포함한 병목(bottleneck) 블록(241)이 반복되는 형태의 제 1 신경망 모듈(240)을 포함할 수 있다. 병목 블록(241)은 스트라이드(stride) 값을 통해 특징 맵의 사이즈를 확대하거나 축소할 수 있다. backbone 구조에서 제 1 신경망 모듈(240) 각각은 서로 다른 크기의 결절을 검출하기 위한 복수의 사이즈를 갖는 제 1 특징 맵들을 생성할 수 있다. 구체적으로, [68, 68], [68, 68], [34, 34], [34, 34], [34, 34]의 사이즈를 갖는 제 1 특징 맵들이 제 1 신경망 모듈(240)의 출력값이 될 수 있다. 제 1 신경망 모듈(240)을 통해 생성된 제 1 특징 맵들은 neck 구조의 입력으로 사용될 수 있다. 다만, 전술한 사이즈 관련 수치들은 하나의 예시일 뿐, 한정 해석되지 않고, 당업자에 의해 이해될 수 있는 범위 내에서 변경 가능하다.
backbone 구조에서 출력값을 생성하는 일련의 과정을 특징 맵을 인코딩(encoding)하는 과정이라고 한다면, neck 구조는 backbone 구조에서 생성된 특징 맵들을 적절히 조합하여 최종 검출 과정을 수행하는 데에 있어 적합한 형태로 특징 맵을 디코딩(decoding)하는 과정이라 해석될 수 있다. neck 구조는 Backbone 구조의 제 1 신경망 모듈(240)을 통해 생성된 제 1 특징 맵들을 사이즈 별로 결합시켜 제 2 특징 맵들을 생성하는 제 2 신경망 모듈(250)을 포함할 수 있다. 제 2 신경망 모듈(250)은 인접 사이즈의 제 1 특징 맵들을 서로 결합시켜 다음 레벨의 제 2 특징 맵들을 생성하는 적어도 하나의 중간 블록(251)을 포함할 수 있다. 또한, 제 2 신경망 모듈(250)은 적어도 하나의 중간 블록(251)을 통해 입력으로 주어진 모든 제 1 특징 맵들을 결합시켜 제 2 특징 맵들을 생성할 수 있다. 구체적으로, 제 2 신경망 모듈(250) 중 하나는 사이즈가 [68, 68]에 해당하는 제 1 특징 맵들을 결합시켜 제 2 특징 맵들을 생성할 수 있다. 제 2 신경망 모듈(25) 중 다른 하나는 사이즈가 [34, 34]인 제 1 특징 맵들을 결합시켜 제 2 특징 맵들을 생성할 수 있다. 또한, 제 2 신경망 모듈(250)은 모든 제 1 특징 맵들을 결합시켜 제 2 특징 맵들을 생성할 수 있다. 제 2 신경망 모듈(250)을 통해 생성된 제 2 특징 맵들은 head 구조의 입력으로 사용될 수 있다.
head 구조는 neck 구조의 제 2 신경망 모듈(250)을 통해 생성된 제 2 특징 맵들을 개별적으로 입력 받는 검출 블록(261)들을 포함하는 제 3 신경망 모듈(260)을 포함할 수 있다. 즉, head 구조에서 제 3 신경망 모듈(260)은 제 2 신경망 모듈(250)의 출력을 기초로 제 1 서브 검출 모듈(221)의 출력값에 해당하는 관심 영역의 결절 존재 확률값과 위치 정보를 생성할 수 있다. 구체적으로, 제 3 신경망 모듈(260)의 검출 블록(261)은 제 2 특징 맵을 사전 정의해둔 앵커 박스에 매칭하여, 제 2 특징 맵에 해당하는 관심 영역이 결절을 포함하고 있을 확률값, 앵커 박스와 실제 출력값의 오프셋(offset)에 해당하는 관심 영역에 존재하는 결절의 크기와 위치 정보를 출력할 수 있다.
한편, 도 5에는 도시되지 않았으나, 제 3 신경망 모듈(260)을 통해 식별된 관심 영역이 복수인 경우, 제 1 서브 검출 모듈(221)은 동일 결절을 포함하는 것으로 판단되는 관심 영역들을 클러스터링(clustering) 하여 하나의 결절로 통합하는 작업을 수행할 수 있다. 또한, 제 1 서브 검출 모듈(221)은 제 3 신경망 모듈(260)을 통해 관심 영역들의 제 1 위치 정보에 대한 보정 작업을 수행할 수 있다. 예를 들어, 제 1 서브 검출 모듈(221)은 임의의 관심 영역들을 동일 평면에 투영하여 관심 영역들 간의 중첩 영역의 비율을 기초로 관심 영역들의 적어도 일부를 클러스터링 할 수 있다. 구체적으로, 제 1 서브 검출 모듈(221)은 임의의 관심 영역들 간의 IOU(intersection over union)을 계산하고, 계산값이 관심 영역들 간 유클리드(euclidean) 거리에 반비례한 임계값을 초과하면, 관심 영역들을 동일 결절을 포함하는 것으로 판단하여 클러스터링 할 수 있다. 클러스터링된 관심 영역의 경우, 제 1 서브 검출 모듈(221)은 결절 존재 확률값이 가장 높은 영역의 위치 정보 및 직경값을 그 대표값으로 산출할 수 있다. 제 1 서브 검출 모듈(221)은 다양한 입력을 통해 구해진 관심 영역들의 제 1 위치 정보들을 동일 좌표계(coordinate)로 변환하여 제 2 서브 검출 모듈(222)의 입력값을 최종적으로 생성할 수 있다.
도 6은 본 개시의 일 실시예에 따른 탐지 모듈에 포함된 제 2 서브 검출 모듈의 구조를 나타낸 블록 구성도이다.
도 6을 참조하면, 본 개시의 일 실시예에 따른 제 2 서브 검출 모듈(222)은 제 1 위치 정보를 기준으로 전처리 모듈(210)에서 출력된 영상으로부터 추출된 3차원 패치를 기초로 인코딩을 수행함으로써, 적어도 하나의 제 3 특징 맵을 생성하는 제 4 신경망 모듈(270)을 포함할 수 있다. 이때, 제 2 서브 검출 모듈(222)은 제 4 신경망 모듈(270)의 입력 패치를 생성하기 위해, 전처리된 3차원 영상에서 제 1 위치 정보에 해당하는 영역을 소정의 크기를 갖는 패치로 추출할 수 있다. 제 2 서브 검출 모듈(222)은 제 3 특징 맵을 기초로 디코딩을 수행함으로써, 적어도 하나의 제 4 특징 맵을 생성하는 제 5 신경망 모듈(280)을 포함할 수 있다. 또한, 도 6에는 도시되지 않았으나, 제 2 서브 검출 모듈(222)은 제 3 특징 맵과 제 4 특징 맵을 통합하여 생성된 특징 맵을 기초로 적어도 하나의 관심 영역에 대한 제 2 확률값을 생성하는 제 6 신경망 모듈을 포함할 수 있다.
예를 들어, 제 2 서브 검출 모듈(222)은 제 1 서브 검출 모듈(221)의 출력값으로 주어진 관심 영역의 중심 좌표값을 이용하여 전처리 모듈(210)에서 가공된 영상으로부터 추출된 3차원 패치를 입력값으로 갖는다. 구체적으로, 3차원 패치의 사이즈는 [72, 72, 72]일 수 있다. 제 2 서브 검출 모듈(222)은 3차원 패치를 입력 받아 해당 패치가 결절을 포함하고 있는지를 시사하는 하나의 실수값을 출력할 수 있다. 제 2 서브 검출 모듈(222)은 도 6과 같이 인코더-디코더 구조의 신경망을 포함할 수 있다. 제 2 서브 검출 모듈(222)은 3차원 패치의 크기를 조절하는 하나 이상의 인코더 블록(271)을 포함하는 제 4 신경망 모듈(270)과 하나 이상의 디코더 블록(281)을 포함하는 제 5 신경망 모듈(280)을 포함할 수 있다. 제 4 신경망 모듈(270)을 통과한 3차원 패치는 [3, 3, 3]의 사이즈까지 압축될 수 있다. 압축된 패치는 제 5 신경망 모듈(280)을 통과하면서 [18, 18, 18]의 사이즈까지 복원될 수 있다. 이러한 복원 과정에서 동일한 크기를 갖는 제 4 신경망 모듈(270)의 제 3 특징 맵과의 조합(element-wise sum)이 이루어져, 더 복잡한 제 4 특징 맵이 생성될 수 있다. 제 2 서브 검출 모듈(222)은 3차원 컨볼루션(convolution)을 수행하는 제 6 신경망 모듈을 사용하여 제 4 특징 맵을 기초로 관심 영역의 결절 존재에 관한 제 2 확률값을 출력할 수 있다.
한편, 제 2 서브 검출 모듈(222)은 랜덤 샘플링(random sampling)된 학습 영상을 기초로 신경망을 학습시키는 제 1 동작 및 재현율(recall)과 정밀도(precision)을 기초로 선별된 학습 영상을 기초로 신경망을 학습시키는 제 2 동작을 수행함으로써 학습될 수 있다. 예를 들어, 제 2 서브 검출 모듈(222)은 랜덤 샘플링된 학습을 위한 3차원 패치들을 입력 받아 3차원 특징으로 신경망을 1차로 학습시킬 수 있다. 랜덤 샘플링된 학습용 3차원 패치들을 기초로 학습이 완료되면, 제 2 서브 검출 모듈(222)은 1차 학습용 3차원 패치들 대비 상대적으로 예측이 어려운 학습용 3차원 패치들을 기초로 신경망을 2차로 학습시킬 수 있다. 이때, 상대적으로 예측이 어려운 학습용 3차원 패치들은 1차 학습용 3차원 패치들에 비해 재현율이 높고 정밀도가 낮은 3차원 패치들일 수 있다. 이와 같은 일종의 커리큘럼(curriculum) 학습을 통해 제 2 서브 검출 모듈(222)의 확률값 추정 성능을 대폭 향상시킬 수 있다.
도 7은 본 개시의 일 실시예에 따른 탐지 모듈의 동작 과정을 나타낸 순서도이다.
도 7을 참조하면, S110 단계에서, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 의료영상 저장 전송 시스템으로부터 병변 분석을 위한 의료 영상을 수신할 수 있다. 병변 분석을 위한 의료 영상은 흉부 영역을 포함하는 3차원 CT 영상일 수도 있다. 컴퓨팅 장치(100)가 3차원 CT 영상을 의료 영상으로 수신하는 경우, 컴퓨팅 장치(100)는 전처리 모듈을 사용하여 의료 영상을 가공함으로써, 검출 모듈의 입력 영상을 생성할 수 있다. 이때, 전처리 모듈은 의료 영상으로부터 하운스필드 유닛 값 추출, 의료 영상의 선형 변환과 패딩(padding) 등을 통한 크기 조절, 의료 영상의 분할을 통한 2차원 영상 생성 등을 수행할 수 있다.
S120 단계에서, 컴퓨팅 장치(100)는 검출 모듈을 사용하여 전처리 모듈을 통해 가공된 영상을 기초로 적어도 하나의 관심 영역의 결절 존재에 관한 확률값과 관심 영역의 제 1 위치 정보를 생성할 수 있다. 이때, 관심 영역은 결절이 존재하는 것으로 예측되는 영역으로 이해될 수 있다. 따라서, 관심 영역의 제 1 위치 정보는 후술할 S130 단계에서 최종적으로 결정될 의심 결절을 위한 위치 정보의 후보군으로 이해될 수 있다.
S130 단계에서, 컴퓨팅 장치(100)는 후처리 모듈을 사용하여 검출 모듈의 출력값을 기초로 의료 영상에 존재하는 의심 결절에 대한 제 2 위치 정보를 결정할 수 있다. 컴퓨팅 장치(100)는 후처리 모듈을 사용하여 결절 존재에 관한 확률값을 기초로 제 1 위치 정보로부터 의료 영상에 존재하는 의심 결절에 관한 제 2 위치 정보를 결정할 수 있다. 예를 들어, 관심 영역이 복수인 경우, 컴퓨팅 장치(100)는 관심 영역들의 확률값들과 사전 정의된 임계값을 비교할 수 있다. 컴퓨팅 장치(100)는 사전 정의된 임계값 이상의 확률값에 대응되는 관심 영역을 의심 결절로 판단할 수 있다. 다시 말해서, 컴퓨팅 장치(100)는 임계값 이상의 확률값에 대응되는 관심 영역의 위치 정보(i.e. 제 1 위치 정보)를 의심 결절에 관한 위치 정보(i.e. 제 2 위치 정보)로 결정할 수 있다. 이와 같은 과정을 통해 컴퓨팅 장치(100)는 의료 영상에 존재하는 결절을 정확히 검출할 수 있다.
도 8은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 병변을 판독하고 평가하는 과정을 나타낸 블록 구성도이다.
도 8을 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)의 프로세서(110)는 적어도 하나의 폐 영역을 포함하는 의료 영상(21)을 탐지 모듈(200)에 입력시켜 폐 영역에 존재하는 의심 결절의 위치 정보(22)를 생성할 수 있다. 프로세서(110)는 의심 결절의 위치 정보(22)를 기준으로 의료 영상(21)으로부터 추출된 3차원 패치(23)를 평가 모듈(300)에 입력시켜 복수의 마스크들(24, 25)를 생성할 수 있다. 이때, 제 1 마스크(24)는 의심 결절의 전체 영역에 대한 정보를 포함하는 마스크일 수 있다. 제 2 마스크(25)는 의심 결절의 전체 영역 중 의심 결절이 특정 속성(e.g. 고형(solid) 등)을 나타내는 영역에 대한 정보를 포함하는 마스크일 수 있다. 프로세서(110)는 3차원 패치(23)와 복수의 마스크들(24, 25)을 분류 모듈(400)에 입력시켜 의심 결절의 속성의 유형, 침상 여부, 석회화 여부 등을 나타내는 클래스 정보(27)를 생성할 수 있다.
한편, 프로세서(110)는 의심 결절에 대한 마스크들(24, 25)를 기초로 의심 결절의 지름 또는 부피 중 적어도 하나를 포함하는 수치 정보(26)를 생성할 수 있다. 이때, 수치 정보(26)는, 제 1 마스크(24)를 기초로 생성된 제 1 수치 정보를 포함하되, 의심 결절의 특정 클래스에 따라 제 2 마스크(25)를 기초로 생성된 제 2 수치 정보를 추가적으로 포함할 수도 있다. 제 1 수치 정보는 의료 영상(21)에 존재하는 의심 결절의 전체 영역에 대한 지름 또는 부피 중 적어도 하나를 나타내는 수치값을 포함할 수 있다. 제 2 수치 정보는 의료 영상(21)에 존재하는 의심 결절의 특정 속성을 나타내는 영역에 대한 지름 또는 부피 중 적어도 하나를 나타내는 수치값을 포함할 수 있다. 프로세서(110)는 제 1 마스크(24)에 포함된 정보들을 기초로 3차원 패치(23) 내에서 의심 결절에 해당하는 영역의 모양, 크기 등과 관련된 구조적 수치값들을 계산할 수 있다. 다만, 의심 결절의 상태에 관한 클래스가 의심 결절의 특정 속성에 관한 소정의 유형(e.g. 부분고형(part-solid))에 해당하는 경우, 프로세서(110)는 제 1 마스크(24)에 포함된 정보들과 함께 제 2 마스크(25)에 포함된 정보들을 기초로 전술한 수치값들을 계산할 수 있다.
프로세서(110)는 폐질환 진단의 보조 지표(30)를 기준으로, 수치정보(26) 및 클래스 정보(27)에 기초하여 의심 결절의 평가 점수(28)를 산출할 수 있다. 예를 들어, 프로세서(110)는 폐암 진단의 보조 지표(30)를 기준으로 의료 영상(21)으로부터 검출된 의심 결절의 수치정보(26)와 클래스 정보(27)를 검토하여 보조 지표(30)에 의해 규정된 점수들 중 하나로 의심 결절을 평가할 수 있다. 구체적으로, 프로세서(110)는 수치 정보(26)에 포함된 의심 결절의 전체 영역 또는 고형 속성을 나타내는 영역 중 적어도 하나의 직경, 부피 등에 관한 수치값과 클래스 정보(27)에 포함된 고형 속성에 관한 유형, 침상 여부, 석회화 여부에 관한 정보를 기초로 의심 결절이 Lung-RADS 분류 범주들 중 어디에 포함되는지를 판단할 수 있다. 클래스 정보(27) 상으로 의심 결절의 고형 속성에 관한 유형이 고형 또는 비고형(non-solid)인 경우, 프로세서(110)는 수치 정보(26)에 포함된 제 1 수치 정보를 이용하여 의심 결절이 Lung-RADS 분류 범주들 중 어디에 속하는지를 판단할 수 있다. 클래스 정보(27) 상으로 의심 결절의 고형 속성에 관한 유형이 부분고형인 경우, 프로세서(110)는 수치 정보(26)에 포함된 제 1 수치 정보와 제 2 수치 정보를 모두 이용하여 의심 결절이 Lung-RADS 분류 범주들 중 어디에 속하는지를 판단할 수 있다. 프로세서(110)는 이와 같은 판단의 결과를 기초로 Lung-RADS 분류 범주들 중 하나를 의심 결절의 평가 점수(28)로 결정할 수 있다.
프로세서(110)는 탐지 모듈(200), 평가 모듈(300) 및 분류 모듈(400)을 통해 출력된 의심 결절에 관한 정보들을 기초로 폐질환의 원인으로서 의심 결절이 폐에 영향을 미치는 정도를 예측할 수 있다. 프로세서(110)는 사전 학습된 악성도 예측 모듈(600)을 사용하여 의심 결절의 위치 정보(22), 수치 정보(26) 및 클래스 정보(27)를 기초로 의심 결절의 악성도(29)를 추정할 수 있다. 예를 들어, 프로세서(110)는 위치 정보(22)에 포함된 결절의 중심 좌표값, 수치 정보(26)에 포함된 결절의 크기값, 클래스 정보(27)에 포함된 고형 속성의 유형, 침상 여부, 석회화 여부 등에 대한 정보를 악성도 예측 모듈(600)에 입력시켜 의심 결절의 악성도(29)를 산출할 수 있다.
도 8에는 도시되지 않았으나, 프로세서(110)는 사전 학습된 악성도 예측 모듈(600)을 사용하여 의료 영상(21)으로부터 추출된 3차원 패치(23)와 평가 모듈(300)을 통해 생성된 마스크(24, 25)를 기초로 의심 결절의 악성도(29)를 추정할 수도 있다. 즉, 프로세서(110)는 의료 영상(21)으로부터 추출되는 의심 결절에 관한 정량적 정보들(22, 26, 27)을 악성도 예측 모듈(600)에 직접 입력하여 악성도(29)를 추정할 수도 있고, 의료 영상(21)의 가공을 통해 생성된 영상 정보들(23, 24, 25)을 악성도 예측 모듈(600)에 입력하여 악성도(29)를 추정할 수도 있다.
도 9는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 병변의 평가 결과를 수정하는 과정을 나타내는 블록 구성도이다.
도 9을 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)의 프로세서(110)는 동일한 피검체의 시계열적 의료 영상들을 기초로 의심 결절에 관한 평가 점수를 수정할 수 있다. 프로세서(110)는 동일한 피검체의 시계열적 의료 영상들의 촬영 시점을 기준으로 의심 결절에 관한 평가 점수를 수정할 수 있다. 컴퓨팅 장치(100)로 의료 영상들이 순차적으로 입력되면, 프로세서(110)는 의료 영상(41)과 동일한 피검체를 대상으로 하는 영상이 입력되어 분석된 이력이 존재하는지를 판단할 수 있다. 의료 영상(41)과 동일한 피검체를 대상으로 하는 영상에 대한 이력이 존재하지 않는다고 판단된 경우, 프로세서(110)는 의료 영상(41)을 새로운 피검체에 대한 의료 영상으로 인지하고, A 단계(50)를 거쳐 의심 결절에 관한 평가 점수(45)를 산출할 수 있다. 이때, A 단계(50)는 도 8에 도시된 평가 점수(28)의 산출 과정에 대응되는 것으로 이해될 수 있다.
의료 영상(41)과 동일한 피검체를 대상으로 하는 기 분석된 영상이 존재하는 것으로 판단된 경우, 프로세서(110)는 사전 학습된 추적 모듈(500)을 사용하여 기 분석된 영상과 의료 영상(41) 간의 정합(registration)을 수행할 수 있다. 여기서 정합은 시간 차가 존재하는 기 분석된 영상과 의료 영상(41)의 상대적인 위치 관계를 맞추는 동작을 의미한다. 프로세서(110)는 추적 모듈(500)을 사용하여 정합이 완료된 기 분석된 영상에 존재하는 의심 결절과 의료 영상(41)에 존재하는 의심 결절을 매칭시킬 수 있다. 도 9에 도시되지 않았으나, 프로세서(110)는 의료 영상(41)에 대한 A 단계(50)를 수행하여 매칭된 의심 결절들 간의 변경 정보를 식별할 수 있다. 이때, A 단계(50)는 도 8에 도시된 평가 점수(28)의 산출 과정에 대응되는 것으로 이해될 수 있다. 프로세서(110)는 변경 정보를 기초로 의료 영상(41)의 평가 점수 또는 기 분석된 영상의 평가 점수를 수정할 수 있다. 의료 영상(41)이 기 분석된 영상의 이전 시점에 촬영된 경우, 프로세서(110)는 변경 정보를 기초로 기 분석된 영상의 평가 점수를 수정할 수 있다. 반대로, 의료 영상(41)이 기 분석된 영상의 이후 시점에 촬영된 경우, 프로세서(110)는 변경 정보를 기초로 의료 영상의 평가 점수를 수정할 수 있다. 즉, 프로세서(110)는 의료 영상(41)과 기 분석된 영상 간의 촬영 시점을 비교하여 가장 최근 시점에 촬영된 영상의 평가 점수를 수정할 수 있다. 다시 말해서, 프로세서(110)는 의심 결절의 시간적 변화를 효과적으로 추적하기 위해서 가장 최근 시점에 촬영된 영상에 대한 평가 점수를 수정할 수 있다. 이러한 과정을 통해 프로세서(110)는 최종적으로 특정 피검체에 대한 의심 결절의 수정된 평가 점수(49)를 생성할 수 있다. 이와 같은 평가 점수의 수정 동작은 컴퓨팅 장치(100)로 의료 영상(41)이 입력될 때마다 반복적으로 수행될 수 있다.
도 10은 본 개시의 일 실시예에 따른 의료 영상 기반의 병변 분석 방법에 관한 순서도이다.
도 10을 참조하면, S210 단계에서, 흉부 영역을 포함하는 의료 영상이 입력되면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 기 분석된 영상들 중 입력 영상과 동일한 아이디인 영상이 존재하는지를 판단할 수 있다. 여기서 아이디는 영상의 촬영 대상에 대한 식별 정보를 나타낸다. 예를 들어, 컴퓨팅 장치(100)는 입력 CT 영상의 피검체가 이미 분석된 CT 영상의 피검체와 대응되는지 여부를 판단할 수 있다. 입력 CT 영상의 피검체가 이미 분석된 CT 영상의 피검체에 대응되는 경우, 컴퓨팅 장치(100)는 기 산출되어 저장된 의심 결절의 평가 점수를 수정하기 위한 일련의 동작들을 수행할 수 있다. 입력 CT 영상의 피검체가 이미 분석된 CT 영상의 피검체에 대응되지 않는 경우, 컴퓨팅 장치(100)는 새로운 피검체에 대한 의료 영상이 입력된 것으로 간주하고, 입력 CT 영상을 기초로 의심 결절을 판독하고 평가하는 일련의 동작들을 수행할 수 있다.
이하에서는, 입력 영상과 기존 영상의 피검체가 대응하는 것으로 판단되어 수행되는 의심 결절의 평가 점수를 수정하기 위한 과정을 개괄적으로 설명하도록 한다.
S221 단계에서, 컴퓨팅 장치(100)는 입력 영상을 기초로 폐 조직에 존재하는 의심 결절의 중심 위치 정보를 획득할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 사전 학습된 탐지 모듈을 사용하여 입력 영상을 기초로 적어도 하나의 의심 결절의 후보 영역에 대한 정보를 생성할 수 있다. 컴퓨팅 장치(100)는 탐지 모듈을 사용하여 후보 영역에 대한 정보를 기초로 의심 결절의 중심 위치 정보를 생성할 수 있다.
S222 단계에서, 컴퓨팅 장치(100)는 입력 영상에서 의심 결절의 중심 위치 정보를 기준으로 하는 영상 패치를 추출할 수 있다. 컴퓨팅 장치(100)는 입력 영상에서 추출된 영상 패치를 기초로 의심 결절의 마스크를 생성할 수 있다. 컴퓨팅 장치(100)는 의심 결절의 마스크를 기초로 의심 결절의 구조적 수치값들을 포함하는 수치 정보를 생성할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 사전 학습된 평가 모듈을 사용하여 영상 패치를 기초로 의심 결절에 관한 복수의 마스크들을 생성할 수 있다. 컴퓨팅 장치(100)는 복수의 마스크들에 포함된 정보들을 기초로 의심 결절의 직경, 부피 등과 관련된 수치값들을 연산하여 수치 정보를 생성할 수 있다. 이때, 수치 정보는 의심 결절의 전체 영역에 대한 구조적 정보를 포함하는 제 1 수치 정보 또는 의심 결절의 특정 속성(e.g. 고형 등)을 나타내는 영역에 대한 구조적 정보를 포함하는 제 2 수치 정보 중 적어도 하나를 포함할 수 있다.
S223 단계에서, 컴퓨팅 장치(100)는 S222 단계에서 생성된 영상 패치 및 마스크를 기초로 의심 결절의 상태에 관한 클래스를 분류할 수 있다. 의심 결절의 상태에 관한 클래스에는 의심 결절의 속성에 관한 유형을 나타내는 제 1 클래스, 의심 결절의 침상 여부를 나타내는 제 2 클래스 또는 의심 결절의 석회화 여부를 나타내는 제 3 클래스를 포함할 수 있다. 컴퓨팅 장치(100)는 의심 결절의 상태를 제 1 클래스, 제 2 클래스 및 제 3 클래스 중 적어도 하나로 분류할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 분류 모듈의 제 1 서브 분류 모듈을 사용하여 영상 패치와 복수의 마스크들을 기초로 의심 결절의 고형 속성에 관한 유형을 고형, 부분고형 또는 비고형으로 분류할 수 있다. 컴퓨팅 장치(100)는 분류 모듈의 제 2 서브 분류 모듈을 사용하여 영상 패치와 복수의 마스크들을 기초로 의심 결절을 침상 또는 비-침상으로 분류할 수 있다. 컴퓨팅 장치(100)는 분류 모듈의 제 3 서브 분류 모듈을 사용하여 영상 패치와 복수의 마스크들을 기초로 의심 결절을 석회화 또는 비-석회화로 분류할 수 있다.
S224 단계에서, 컴퓨팅 장치(100)는 S221 단계에서 생성된 의심 결절의 중심 위치 정보, S222 단계에서 생성된 수치 정보 및 S223 단계에서 생성된 클래스 정보를 기초로 의심 결절의 평가 점수 및 악성도를 산출할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 소정의 진단 보조 지표에서 규정한 기준에 따라 수치 정보 및 클래스 정보를 연산하여 의심 결절의 평가 점수를 도출할 수 있다. 컴퓨팅 장치(100)는 악성도 예측 모듈을 사용하여 의심 결절의 중심 위치 정보, 수치 정보 및 클래스 정보를 기초로 의심 결절의 악성도를 추정할 수 있다. 또한, 컴퓨팅 장치(100)는 악성도 예측 모듈을 사용하여 S222 단계에서 생성된 영상 패치 및 마스크를 기초로 의심 결절의 악성도를 추정할 수도 있다.
S225 단계에서, 컴퓨팅 장치(100)는 입력 영상과 기존 영상 간의 상대적 위치를 일치시키는 정합을 수행할 수 있다. 컴퓨팅 장치(100)는 전술한 단계들을 통해 판독된 입력 영상의 의심 결절과 기 판독되어 저장된 기존 영상의 의심 결절을 매칭시켜 의심 결절의 변화를 파악할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 사전 학습된 추적 모듈을 사용하여 입력 영상과 기존 영상 간의 정합을 수행할 수 있다. 컴퓨팅 장치(100)는 정합이 완료된 두 영상 각각에 존재하는 적어도 하나의 의심 결절을 매칭시켜, 매칭되는 의심 결절 사이에 변화가 발생했는지를 판단할 수 있다.
S226 단계에서, 입력 영상과 기존 영상 간에 매칭된 의심 결절에 변화가 발생한 것으로 판단된 경우, 컴퓨팅 장치(100)는 입력 영상으로부터 도출된 의심 결절의 평가 점수 또는 기존 영상으로부터 도출된 의심 결절의 평가 점수를 상호 평가 점수에 반영하여 수정된 평가 점수를 산출할 수 있다. 이때, 평가 점수가 수정되는 영상 주체는 영상의 촬영 시점을 기준으로 결정될 수 있다. 예를 들어, 입력 영상이 특정 피검체의 2009년도 촬영 영상이고, 기존 영상이 특정 피검체의 2015년도 촬영 영상인 경우, 컴퓨팅 장치(100)는 입력 영상의 평가 점수를 기존 영상의 평가 점수에 반영하여 기존 영상의 평가 점수를 수정할 수 있다. 반대로, 입력 영상이 특정 피검체의 2015년도 촬영 영상이고, 기존 영상이 특정 피검체의 2009년도 촬영 영상인 경우, 컴퓨팅 장치(100)는 기존 영상의 평가 점수를 입력 영상의 평가 점수에 반영하여 입력 영상의 평가 점수를 수정할 수 있다. 입력 영상과 기존 영상 간에 매칭된 의심 결절에 변화가 발생하지 않은 것으로 판단된 경우, 컴퓨팅 장치(100)는 기존 평가 점수를 수정하지 않고 유지할 수 있다.
한편, 입력 영상과 기존 영상의 피검체가 대응하지 않는 것으로 판단되어 수행되는 의심 결절의 판독 및 평가 과정에 관한 S231 단계 내지 S234 단계는 전술한 S221 단계 내지 S224 단계에 대응되므로, 구체적인 설명은 생략하도록 한다.
도 11은 본 개시의 대안적 실시예에 따른 의료 영상 기반의 병변 분석 방법에 관한 순서도이다.
도 11을 참조하면, 흉부 영역을 포함하는 의료 영상이 입력되면, 본 개시의 대안적 실시예에 따른 컴퓨팅 장치(100)는 우선적으로 의심 결절에 대한 판독 및 평가를 수행할 수 있다. 도 10과는 달리 도 11에서는 의심 결절에 대한 판독 및 평가를 수행한 이후에 입력 영상이 기존 영상과 동일한 피검체를 기준으로 촬영한 영상인지를 판단한다. 즉, 도 10에 도시된 방법과 도 11에 도시된 방법은 의심 결절의 평가 점수를 수정하기 위한 판단의 선후 관계에 차이가 존재하는 것으로 이해될 수 있다. 따라서, 도 11의 각 단계들(S310 단계 내지 S370 단계)의 세부적인 내용과 관련하여 도 10과 대응되는 내용들은 설명을 생략하도록 한다.
도 12 및 도 13은 본 개시의 일 실시예에 따른 컴퓨팅 장치에 포함된 평가 모듈의 동작 과정 및 구조를 나타낸 블록 구성도이다.
도 12를 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 의료 영상의 입력 패치(61)로부터 결절로 의심되는 영역의 마스크(65)를 생성하는 평가 모듈(300)을 포함할 수 있다. 평가 모듈(300)은 흉부 영역을 포함하는 의료 영상으로부터 생성된 패치(61)를 입력 받아 의심 결절에 대한 마스크(65)를 생성할 수 있다. 이때, 컴퓨팅 장치(100)는 평가 모듈(300)의 입력 패치(61)를 의심 결절의 위치 정보를 기초로 흉부 영역을 포함하는 의료 영상으로부터 추출할 수 있다. 즉, 입력 패치(61)는 의심 결절의 위치 정보에 대응되는 영역을 포함하는 소정의 영상 단위일 수 있다. 컴퓨팅 장치(100)는 도 3을 통해 설명한 탐지 모듈(200)을 사용하여, 입력 패치(61)의 생성에 사용되는 의심 결절의 위치 정보를 생성할 수 있다. 컴퓨팅 장치(100)는 사용자 단말, 외부 의료 정보 시스템 등을 통해 입력 패치(61)의 생성에 사용되는 의심 결절의 위치 정보 자체를 수신할 수도 있다.
평가 모듈(300)은 적어도 하나의 입력 패치(61)를 기초로 의심 결절의 전체 영역에 대한 제 1 마스크를 생성하는 제 1 서브 평가 모듈(310) 및 적어도 하나의 입력 패치(61)를 기초로 의심 결절의 특정 속성을 나타내는 영역에 대한 제 2 마스크를 생성하는 제 2 서브 평가 모듈(320)을 포함할 수 있다. 제 1 서브 평가 모듈(310) 및 제 2 서브 평가 모듈(320)은 사전 학습된 신경망을 통해 전술한 동작들을 수행할 수 있다. 이때, 각 모듈(310, 320)의 신경망은 입력 영상에 대한 사이즈에 상관없이 분할(segmentation)을 수행할 수 있는 컨볼루션 신경망을 포함할 수 있다.
도 13을 참조하면, 제 1 서브 평가 모듈(310)은 의심 결절의 위치 정보를 기초로 생성된 3차원 패치를 입력 받아 의심 결절의 전체 영역을 나타내는 제 1 마스크를 생성할 수 있다. 예를 들어, 제 1 서브 평가 모듈(310)은 도 3의 탐지 모듈(200)을 통해 생성된 의심 결절의 위치 정보를 기초로 생성된 3차원 패치를 입력 받아 패치 내에서 결절로 의심되는 영역을 나타내는 제 1 마스크를 생성할 수 있다. 제 1 서브 평가 모듈(310)은 외부 의료 정보 시스템으로부터 수신된 의심 결절의 위치 정보를 기초로 생성된 3차원 패치를 입력 받아 패치 내에서 결절로 의심되는 영역을 나타내는 제 1 마스크를 생성할 수도 있다. 이때, 3차원 패치의 사이즈는 [32, 32, 32]일 수 있으나, 이에 제한되지는 않는다.
또한, 제 1 서브 평가 모듈(310)은 FCN(fully convolutional network) 구조를 갖는 신경망을 포함할 수 있다. 따라서, 제 1 서브 평가 모듈(310)은 입력의 사이즈에 상관없이 입력 패치를 수신할 수 있다. 즉, 제 1 서브 평가 모듈(310)은 하나의 의심 결절에 대한 다양한 사이즈의 입력 패치를 입력 받아 다양한 출력을 조합하여 의심 결절에 대한 제 1 마스크를 생성할 수 있다. 예를 들어, 평가 모듈(300)로 하나의 의심 결절에 대한 여러 사이즈를 갖는 입력 패치들이 입력되는 경우, 제 1 서브 평가 모듈(310)은 입력 패치들 각각으로부터 하나의 의심 결절에 관한 제 1 서브 마스크들을 생성할 수 있다. 제 1 서브 평가 모듈(310)은 제 1 서브 마스크들을 조합하고, 조합의 결과를 기초로 하나의 의심 결절의 전체 영역에 대한 제 1 마스크를 생성할 수 있다. 이때, 조합 방식에는 다양한 앙상블(ensemble) 알고리즘이 적용될 수 있다.
제 2 서브 평가 모듈(320)은 의심 결절의 위치 정보를 기초로 생성된 3차원 패치를 입력 받아 의심 결절의 고형 요소(component)를 나타내는 영역에 대한 제 2 마스크를 생성할 수 있다. 예를 들어, 제 2 서브 평가 모듈(320)은 도 3의 탐지 모듈(200)을 통해 생성된 의심 결절의 위치 정보를 기초로 생성된 3차원 패치를 입력 받아 패치 내에서 결절로 의심되는 영역에서 고형 요소를 나타내는 영역에 대한 제 2 마스크를 생성할 수 있다. 제 1 서브 평가 모듈(310)은 외부 의료 정보 시스템으로부터 수신된 의심 결절의 위치 정보를 기초로 생성된 3차원 패치를 입력 받아 패치 내에서 결절로 의심되는 영역에서 고형 요소를 나타내는 영역에 대한 제 2 마스크를 생성할 수도 있다. 이때, 3차원 패치의 사이즈는 [32, 32, 32]일 수 있으나, 이에 제한되지는 않는다.
도 13을 참조하면, 의심 결절의 고형 요소를 나타내는 영역에 대한 제 2 마스크는 의심 결절의 전체 영역에 대한 제 1 마스크에 포함되므로, 제 2 서브 평가 모듈(320)은 제 1 서브 평가 모듈(310)의 출력 결과를 활용하여 제 2 마스크를 생성할 수 있다. 예를 들어, 제 2 서브 평가 모듈(320)은 적어도 하나의 입력 패치를 기초로 의심 결절의 고형 요소를 나타내는 후보 영역에 관한 제 2 서브 마스크를 생성할 수 있다. 제 2 서브 평가 모듈(320)은 제 1 서브 평가 모듈(310)을 통해 생성된 제 1 마스크와 제 2 서브 마스크 간의 중첩 영역을 식별할 수 있다. 제 2 서브 평가 모듈(320)은 식별 영역을 기초로 의심 결절의 고형 요소를 나타내는 제 2 마스크를 생성할 수 있다. 이때, 제 2 서브 평가 모듈(320)의 제 2 마스크 생성을 위한 신경망 구조는 전술한 제 1 서브 평가 모듈(310)의 신경망 구조에 상응할 수 있다.
한편, 평가 모듈(300)은 OHEM(online hard example mining)을 사용하여 상대적으로 예측이 힘든 어려운 학습 데이터를 자동으로 선택함으로써, 신경망의 학습을 수행할 수 있다. 평가 모듈(300)은 OHEM을 통해 학습됨으로써, 마스크 생성을 위한 의심 결절의 식별 및 추출 성능을 향상시킬 수 있다.
도 14는 본 개시의 일 실시예에 따른 평가 모듈의 동작 과정을 나타낸 순서도이다.
도 14를 참조하면, S410 단계에서, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 의료영상 저장 전송 시스템으로부터 병변 분석을 위한 의료 영상을 수신할 수 있다. 병변 분석을 위한 의료 영상은 흉부 영역을 포함하는 3차원 CT 영상일 수도 있다. 컴퓨팅 장치(100)는 탐지 모듈을 사용하여 도 7과 같은 과정을 통해 의료 영상으로부터 의심 결절의 위치 정보를 추출할 수 있다. 컴퓨팅 장치(100)는 의심 결절의 위치 정보를 기초로 의료 영상으로부터 평가 모듈의 입력 패치를 생성할 수 있다. 다시 말해서, 컴퓨팅 장치(100)는 3차원 CT 영상에 대한 분석을 통해 의심 결절의 위치 정보를 식별하고, 3차원 CT 영상으로부터 결절로 의심되는 영역을 포함하는 소정의 크기의 3차원 패치를 추출할 수 있다. 한편, 전술하였듯이 컴퓨팅 장치(100)는 탐지 모듈을 사용하여 의심 결절의 위치 정보를 직접 추출할 수도 있으나, 외부 시스템을 통해 의심 결절의 위치 정보를 수신하여 사용할 수도 있다.
S420 단계에서, 컴퓨팅 장치(100)는 제 1 서브 평가 모듈을 사용하여 입력 패치를 기초로 의심 결절의 전체 영역에 대한 제 1 마스크를 생성할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 S410 단계에서 생성된 3차원 패치를 제 1 서브 평가 모듈에 입력할 수 있다. 컴퓨팅 장치(100)는 3차원 패치를 입력 받은 제 1 서브 평가 모듈을 통해 패치 내에서 의심 결절로 판단되는 모든 영역을 나타내는 제 1 마스크를 생성할 수 있다. 이때, 제 1 마스크는 의심 결절의 전체 영역에 대한 위치, 크기 등의 메타 정보를 포함하는 데이터 집합체로 이해될 수 있다.
S430 단계에서, 컴퓨팅 장치(100)는 제 2 서브 평가 모듈을 사용하여 입력 패치를 기초로 의심 결절의 특정 속성을 나타내는 후보 영역에 대한 제 2 서브 마스크를 생성할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 S410 단계에서 생성된 3차원 패치를 제 2 서브 평가 모듈에 입력할 수 있다. 컴퓨팅 장치(100)는 3차원 패치를 입력 받은 제 2 서브 평가 모듈을 통해 패치 내에서 의심 결절로 판단되는 모든 영역 중 고형 속성을 나타내는 후보 영역에 대한 제 2 서브 마스크를 생성할 수 있다.
S440 단계에서, 컴퓨팅 장치(100)는 제 2 서브 평가 모듈을 사용하여 S420 단계를 통해 생성된 제 1 마스크와 S430 단계를 통해 생성된 제 2 서브 마스크의 중첩 영역을 기초로 의심 결절의 특정 속성을 나타내는 영역에 대한 제 2 마스크를 생성할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 제 2 서브 평가 모듈을 통해 제 1 서브 마스크와 제 2 서브 마스크 간의 중첩 영역을 식별할 수 있다. 컴퓨팅 장치(100)는 중첩 영역을 의심 결절의 고형 속성을 나타내는 영역으로 최종 판단하고, 제 2 서브 평가 모듈을 통해 중첩 영역을 나타내는 제 2 마스크를 생성할 수 있다. 이때, 제 2 마스크는 의심 결절의 고형 속성을 나타내는 영역에 대한 위치, 크기 등의 메타 정보를 포함하는 데이터 집합체로 이해될 수 있다.
도 15 및 도 16은 본 개시의 일 실시예에 따른 컴퓨팅 장치에 포함된 분류 모듈의 동작 과정 및 구조를 나타낸 블록 구성도이다.
도 15를 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 의료 영상의 입력 패치(71) 및 의심 결절에 관한 마스크(75)를 기초로 결절로 의심되는 영역의 상태에 관한 클래스 정보(79)를 생성하는 분류 모듈(400)을 포함할 수 있다. 분류 모듈(400)은 흉부 영역을 포함하는 의료 영상으로부터 생성된 패치(71)와 함께 의심 결절을 나타내는 마스크(75)를 입력 받아 의심 결절의 상태에 관한 클래스를 분류할 수 있다. 이때, 컴퓨팅 장치(100)는 분류 모듈(400)의 입력 패치(71)를 의심 결절의 위치 정보를 기초로 흉부 영역을 포함하는 의료 영상으로부터 추출할 수 있다. 즉, 입력 패치(71)는 의심 결절의 위치 정보에 대응되는 영역을 포함하는 소정의 영상 단위일 수 있다. 컴퓨팅 장치(100)는 도 3을 통해 설명한 탐지 모듈(200)을 사용하여, 입력 패치(71)의 생성에 사용되는 의심 결절의 위치 정보를 생성할 수 있다. 컴퓨팅 장치(100)는 사용자 단말, 외부 의료 정보 시스템 등을 통해 입력 패치(71)의 생성에 사용되는 의심 결절의 위치 정보 자체를 수신할 수도 있다. 또한, 컴퓨팅 장치(100)는 도 12를 통해 설명한 평가 모듈(300)을 사용하여, 입력 패치(71)로부터 의심 결절의 전체 영역 또는 특정 속성을 나타내는 영역 중 적어도 하나를 포함하는 마스크(75)를 생성할 수 있다.
분류 모듈(400)은 의료 영상으로부터 생성된 입력 패치(71) 및 의심 결절에 관한 마스크(75)를 기초로 의심 결절의 속성에 관한 유형을 결정하는 제 1 서브 분류 모듈(410)을 포함할 수 있다. 분류 모듈(400)은 입력 패치(71) 및 마스크(75)를 기초로 의심 결절의 침상 여부를 결정하는 제 2 서브 분류 모듈(420)을 포함할 수 있다. 또한, 분류 모듈(400은 입력 패치(71) 및 마스크(75)를 기초로 의심 결절의 석회화 여부를 결정하는 제 3 서브 분류 모듈(430)을 포함할 수 있다. 분류 모듈(400)은 전술한 각기 다른 서브 분류 모듈들(410, 420, 430)을 통해 의심 결절의 속성에 관한 유형, 의심 결절의 침상 여부, 의심 결절의 석회화 여부 중 적어도 하나를 결정하여 클래스 정보(79)를 출력할 수 있다. 이때, 제 2 서브 분류 모듈(420)은 사전 학습된 신경망을 통해 전술한 동작을 수행할 수 있다.
도 16을 참조하면, 제 1 서브 분류 모듈(410)은 의심 결절의 위치 정보를 기초로 생성된 3차원 패치와 3차원 패치로부터 생성된 의심 결절의 마스크를 입력 받아 의심 결절의 속성에 관한 유형을 분류할 수 있다. 이때, 의심 결절의 속성에 관한 유형은 고형, 부분고형 또는 비고형을 포함할 수 있다. 즉, 제 1 서브 분류 모듈(410)은 입력 영상에서 식별된 의심 결절이 고형 요소를 어느 정도 포함하는지를 판단할 수 있다. 예를 들어, 제 1 서브 분류 모듈(410)은 딥러닝 알고리즘을 사용하여 3차원 패치 및 마스크를 기초로 의심 결절의 속성에 관한 유형을 고형, 부분고형 또는 비고형으로 분류할 수 있다. 또한, 제 1 서브 분류 모듈(410)은 소정의 룰(rule)에 기반하여 3차원 패치 및 마스크를 기초로 의심 결절의 속성에 관한 유형을 고형 또는 비고형으로 분류할 수 있다. 제 1 서브 분류 모듈(410)은 딥러닝 알고리즘 기반의 분류 결과와 룰 기반의 분류 결과를 종합하여 최종적인 의심 결절의 속성에 관한 유형을 결정할 수 있다.
제 2 서브 분류 모듈(420)은 사전 학습된 신경망을 기반으로, 의심 결절의 위치 정보를 기초로 생성된 3차원 패치와 3차원 패치로부터 생성된 의심 결절의 마스크를 입력 받아 의심 결절의 침상 여부를 결정할 수 있다. 제 2 서브 분류 모듈(420)에 포함된 신경망은 3차원 특징으로 학습된 컨볼루션 신경망을 포함할 수 있다. 제 2 서브 분류 모듈(420)과 같이 3차원 패치와 그에 기반하여 생성된 의심 결절에 대한 마스크를 함께 사용하는 경우, 3차원 패치만을 사용하는 경우보다 의심 결절의 속성에 관한 분류 성능을 높일 수 있다. 제 2 서브 분류 모듈(420)을 통해 생성된 의심 결절의 침상 정보는 의심 결절의 평가(e.g. Lung-RADS 점수 산출, 악성도 산출 등)에 사용될 수 있다.
제 3 서브 분류 모듈(430)은 의심 결절의 위치 정보를 기초로 생성된 3차원 패치와 3차원 패치로부터 생성된 의심 결절의 마스크를 입력 받아 의심 결절의 석회화 여부를 결정할 수 있다. 구체적으로, 제 3 서브 분류 모듈(430)은 3차원 패치에서 마스크에 포함된 복셀들의 하운스필드 유닛값이 소정의 하운스필드 유닛 값보다 높은 복셀들의 비율을 연산할 수 있다. 제 3 서브 분류 모듈(430)은 전술한 비율과 임계값을 비교하고, 비교 결과에 따라 패치에 존재하는 의심 결절의 석회화 여부를 결정할 수 있다. 예를 들어, 제 3 서브 분류 모듈(430)은 마스크에 포함된 전체 복셀들의 개수 대비 소정의 하운스필드 유닛값 이상인 복셀의 개수를 3차원 패치를 기초로 연산할 수 있다. 하운스필드 유닛값을 기초로 연산된 복셀의 비율이 특정 임계값보다 높으면, 제 3 서브 분류 모듈(430)은 3차원 패치에 포함된 의심 결절에 석회화가 진행된 것으로 판단할 수 있다. 하운스필드 유닛값을 기초로 연산된 복셀의 비율이 특정 임계값보다 낮으면, 제 3 서브 분류 모듈(430)은 3차원 패치에 포함된 의심 결절에 석회화가 진행되지 않은 것으로 판단할 수 있다. 제 3 서브 분류 모듈(430)을 통해 생성된 의심 결절의 석회화 정보는 의심 결절의 평가(e.g. Lung-RADS 점수 산출, 악성도 산출 등)에 사용될 수 있다.
한편, 제 3 서브 분류 모듈(430)은 사전 학습된 신경망을 기반으로 의심 결절의 석회화 여부를 결정할 수도 있다. 예를 들어, 제 3 서브 분류 모듈(430)은 3차원 패치 및 마스크를 입력 받아 사전 학습된 신경망을 통해 의심 결절의 석회화 진행 여부를 판단할 수 있다. 또한, 제 3 서브 분류 모듈(430)은 3차원 패치 및 마스크를 입력 받아 사전 학습된 신경망을 통해 의심 결절을 석회화 혹은 비석회화로 분류할 수 있다.
도 17은 본 개시의 일 실시예에 따른 분류 모듈에 포함된 제 1 서브 분류 모듈의 구조를 나타낸 블록 구성도이다.
도 17을 참조하면, 제 1 서브 분류 모듈(410)은 의심 결절의 위치 정보를 기초로 생성된 3차원 패치와 3차원 패치로부터 생성된 의심 결절의 마스크를 입력 받아 의심 결절의 고형 속성에 관한 제 1 유형을 결정하는 제 1 속성 분류 모듈(411)을 포함할 수 있다. 제 1 서브 분류 모듈(410)은 3차원 패치 및 의심 결절의 마스크를 입력 받아 의심 결절의 고형 속성에 관한 제 2 유형을 결정하는 제 2 속성 분류 모듈(412)을 포함할 수 있다. 또한, 제 1 서브 분류 모듈(410)은 제 1 속성 분류 모듈(411)과 제 2 속성 분류 모듈(412)의 출력을 비교한 결과를 기초로 의심 결절의 고형 속성에 관한 유형을 최종 결정하는 제 3 속성 분류 모듈(413)을 포함할 수 있다. 이때, 제 1 속성 분류 모듈(411)은 사전 학습된 신경망을 통해 전술한 동작을 수행할 수 있다.
제 1 속성 분류 모듈(411)은 사전 학습된 신경망을 기반으로, 의심 결절의 위치 정보를 기초로 생성된 3차원 패치와 3차원 패치로부터 생성된 의심 결절의 마스크를 입력 받아 의심 결절의 고형 속성에 관한 제 1 유형을 결정할 수 있다. 이때, 제 1 유형은 고형, 부분고형 또는 비고형 중 하나를 포함할 수 있다. 제 1 속성 분류 모듈(411)에 포함된 신경망은 3차원 특징으로 학습된 컨볼루션 신경망을 포함할 수 있다. 제 1 속성 분류 모듈(411)과 같이 3차원 패치와 그에 기반하여 생성된 의심 결절에 대한 마스크를 함께 사용하는 경우, 3차원 패치만을 사용하는 경우보다 의심 결절의 고형 속성에 관한 분류 성능을 높일 수 있다. 제 1 속성 분류 모듈(411)을 통해 생성된 의심 결절의 제 1 유형은 의심 결절의 고형 속성에 관한 유형을 최종 결정하는데 사용될 수 있다.
제 2 속성 분류 모듈(412)은 의심 결절의 위치 정보를 기초로 생성된 3차원 패치와 3차원 패치로부터 생성된 의심 결절의 마스크를 입력 받아 의심 결절의 고형 속성에 관한 제 2 유형을 결정할 수 있다. 이때, 제 2 유형은 고형 또는 비고형 중 하나를 포함할 수 있다. 구체적으로, 제 2 속성 분류 모듈(412)은 3차원 패치에서 마스크에 포함된 복셀들의 하운스필드 유닛값이 소정의 하운스필드 유닛 값보다 높은 복셀들의 비율을 연산할 수 있다. 제 2 속성 분류 모듈(412)은 전술한 비율과 임계값을 비교하고, 비교 결과에 따라 패치에 존재하는 의심 결절의 제 2 유형을 결정할 수 있다. 예를 들어, 제 2 속성 분류 모듈(412)은 마스크에 포함된 전체 복셀들의 개수 대비 소정의 하운스필드 유닛값 이상인 복셀의 개수를 3차원 패치를 기초로 연산할 수 있다. 하운스필드 유닛값을 기초로 연산된 복셀의 비율이 특정 임계값보다 높으면, 제 2 속성 분류 모듈(412)은 3차원 패치에 포함된 의심 결절을 고형에 해당하는 것으로 판단할 수 있다. 하운스필드 유닛값을 기초로 연산된 복셀의 비율이 특정 임계값보다 낮으면, 제 2 속성 분류 모듈(412)은 3차원 패치에 포함된 의심 결절이 비고형에 해당하는 것으로 판단할 수 있다. 제 2 속성 분류 모듈(412)을 통해 생성된 의심 결절의 제 2 유형은 의심 결절의 고형 속성에 관한 유형을 최종 결정하는데 사용될 수 있다.
제 3 속성 분류 모듈(413)은 제 1 속성 분류 모듈(411)의 출력인 제 1 유형과 제 2 속성 분류 모듈(412)의 출력인 제 2 유형을 비교하여 의심 결절의 고형 속성에 관한 유형을 최종 결정할 수 있다. 구체적으로, 제 3 속성 분류 모듈(413)은 제 1 유형이 제 2 유형에 포함되는 유형인지 여부를 판단할 수 있다. 제 1 유형이 제 2 유형에 포함되지 않는 유형인 경우, 제 3 속성 분류 모듈(413)은 제 1 유형을 상기 의심 결절의 고형 속성에 관한 최종 유형으로 결정할 수 있다. 제 1 유형이 제 2 유형에 포함되는 유형인 경우, 제 3 속성 분류 모듈(413)은 제 2 유형을 의심 결절의 고형 속성에 관한 최종 유형으로 결정할 수 있다. 예를 들어, 제 1 유형이 부분고형으로 결정된 경우, 제 1 유형은 고형 또는 비고형 중 하나인 제 2 유형에 포함되지 않는 유형이므로, 제 3 속성 분류 모듈(413)은 제 1 유형인 부분고형을 의심 결절의 고형 속성에 관한 유형으로 최종 결정할 수 있다. 제 1 유형이 고형 또는 비고형 중 하나로 결정된 경우, 제 1 유형은 고형 또는 비고형 중 하나인 제 2 유형에 포함되는 유형이므로, 제 3 속성 분류 모듈(413)은 제 2 유형을 의심 결절의 고형 속성에 관한 유형으로 최종 결정할 수 있다.
도 18은 본 개시의 일 실시예에 따른 분류 모듈의 동작 과정을 나타낸 블록 구성도이다.
도 18을 참조하면, S510 단계에서, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 외부 영상 분석 시스템으로부터 병변 분석을 위한 의료 영상으로부터 생성된 패치 및 병변에 관한 마스크를 수신할 수 있다. 병변 분석을 위한 의료 영상은 흉부 영역을 포함하는 3차원 CT 영상일 수도 있다. 패치는 의심 결절의 위치 정보를 기초로 3차원 CT 영상으로부터 추출된 3차원 패치일 수 있다. 병변에 관한 마스크는 3차원 패치를 기초로 생성된 의심 결절의 전체 영역 또는 고형 속성을 나타내는 영역 중 적어도 하나에 관한 마스크일 수 있다.
S510 단계에서, 컴퓨팅 장치(100)는 병변 분석을 위한 의료 영상을 수신하여 의료 영상으로부터 생성된 패치 및 병변에 관한 마스크를 자체적으로 생성할 수도 있다. 컴퓨팅 장치(100)는 탐지 모듈을 사용하여 도 7과 같은 과정을 통해 의료 영상으로부터 의심 결절의 위치 정보를 추출할 수 있다. 컴퓨팅 장치(100)는 의심 결절의 위치 정보를 기초로 의료 영상으로부터 평가 모듈의 입력 패치를 생성할 수 있다. 다시 말해서, 컴퓨팅 장치(100)는 3차원 CT 영상에 대한 분석을 통해 의심 결절의 위치 정보를 식별하고, 3차원 CT 영상으로부터 결절로 의심되는 영역을 포함하는 소정의 크기의 3차원 패치를 추출할 수 있다. 한편, 전술하였듯이 컴퓨팅 장치(100)는 탐지 모듈을 사용하여 의심 결절의 위치 정보를 직접 추출할 수도 있으나, 외부 시스템을 통해 의심 결절의 위치 정보를 수신하여 사용할 수도 있다. 또한, 컴퓨팅 장치(100)는 평가 모듈을 사용하여 도 14와 같은 과정을 통해 3차원 패치로부터 의심 결절에 관한 마스크를 생성할 수 있다.
컴퓨팅 장치(100)는 S510 단계를 통해 수신 또는 생성된 3차원 패치 및 마스크를 기초로 의심 결절의 고형 속성에 관한 유형을 결정하기 위한 S520 내지 S540 단계, 의심 결절의 침상 여부를 결정하기 위한 S550 단계 또는 의심 결절의 석회화 여부를 결정하기 위한 S560 단계를 각각 구별하여 필요에 따라 개별적으로 수행할 수 있다. 컴퓨팅 장치(100)는 각 단계를 개별적으로 수행하여 의심 결절을 평가하는데 활용되는 클래스 정보를 생성할 수 있다.
S520 단계에서, 컴퓨팅 장치(100)는 3차원 특징으로 사전 학습된 제 1 속성 분류 모듈을 사용하여 패치 및 마스크를 기초로 의심 결절의 고형 속성에 관한 제 1 유형을 결정할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 S510 단계에서 수신 또는 생성된 3차원 패치와 함께 3차원 패치로부터 생성된 마스크를 신경망 기반의 제 1 속성 분류 모듈에 입력할 수 있다. 컴퓨팅 장치(100)는 3차원 패치와 마스크를 입력 받은 제 1 속성 분류 모듈을 통해 패치 내에 결절로 판단되는 영역의 속성을 고형, 부분고형 또는 비고형으로 분류할 수 있다. 따라서, 제 1 유형은 고형, 부분고형 또는 비고형 중 하나로 결정될 수 있다.
S530 단계에서, 컴퓨팅 장치(100)는 제 2 속성 분류 모듈을 사용하여 패치 및 마스크를 기초로 의심 결절의 고형 속성에 관한 제 2 유형을 결정할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 S510 단계에서 수신 또는 생성된 3차원 패치와 함께 3차원 패치로부터 생성된 마스크를 룰 기반의 제 2 속성 분류 모듈에 입력할 수 있다. 컴퓨팅 장치(100)는 3차원 패치와 마스크를 입력 받은 제 2 속성 분류 모듈을 통해 패치 내에 결절로 판단되는 영역의 속성을 고형 또는 비고형으로 분류할 수 있다. 이때, 제 2 속성 분류 모듈은 마스크에 포함된 복셀의 하운스필드 유닛 값을 기초로 패치 내 결절로 판단되는 영역의 속성을 고형 또는 비고형으로 분류할 수 있다. 따라서, 제 2 유형은 고형 또는 비고형 중 하나로 결정될 수 있다. S530 단계는 S510 단계와 병렬적으로 수행될 수 있다.
S540 단계에서, 컴퓨팅 장치(100)는 제 3 속성 분류 모듈을 사용하여, S520 단계를 통해 결정된 제 1 유형과 S530 단계를 통해 결정된 제 2 유형을 기초로 의심 결절의 고형 속성에 관한 최종 유형을 결정할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 제 3 속성 분류 모듈을 사용하여 제 1 유형과 제 2 유형을 비교할 수 있다. 제 1 유형이 제 2 유형 중 하나에 포함되지 않는 고유의 유형인 경우, 컴퓨팅 장치(100)는 제 3 속성 분류 모듈을 사용하여 제 1 유형을 의심 결절의 고형 속성에 관한 최종 유형으로 결정할 수 있다. 제 1 유형이 제 2 유형 중 하나에 포함되는 유형인 경우, 컴퓨팅 장치(100)는 제 3 속성 분류 모듈을 사용하여 제 2 유형을 의심 결절의 고형 속성에 관한 최종 유형으로 결정할 수 있다.
S550 단계에서, 컴퓨팅 장치(100)는 3차원 특징으로 사전 학습된 제 2 서브 분류 모듈을 사용하여 패치 및 마스크를 기초로 의심 결절의 침상 여부를 결정할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 S510 단계에서 수신 또는 생성된 3차원 패치와 함께 3차원 패치로부터 생성된 마스크를 신경망 기반의 제 2 서브 분류 모듈에 입력할 수 있다. 컴퓨팅 장치(100)는 3차원 패치와 마스크를 입력 받은 제 2 서브 분류 모듈을 통해 패치 내에 결절로 판단되는 영역의 침상 여부를 결정할 수 있다. 이때, 제 2 서브 분류 모듈에 포함된 신경망 구조는 제 1 속성 분류 모듈에 포함된 신경망 구조에 대응될 수 있다.
S560 단계에서, 컴퓨팅 장치(100)는 제 3 서브 분류 모듈을 사용하여 패치 및 마스크를 기초로 의심 결절의 석회화 여부를 결정할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 S510 단계에서 수신 또는 생성된 3차원 패치와 함께 3차원 패치로부터 생성된 마스크를 룰 기반의 제 3 서브 분류 모듈에 입력할 수 있다. 컴퓨팅 장치(100)는 3차원 패치와 마스크를 입력 받은 제 3 서브 분류 모듈을 통해 패치 내에 결절로 판단되는 영역의 석회화 여부를 결정할 수 있다. 이때, 제 3 서브 분류 모듈은 마스크에 포함된 복셀의 하운스필드 유닛 값을 기초로 패치 내 결절로 판단되는 영역에 석회화가 진행되었는지 여부를 판단할 수 있다. 또한, 컴퓨팅 장치(100)는 S510 단계에서 수신 또는 생성된 3차원 패치와 함께 3차원 패치로부터 생성된 마스크를 딥러닝 알고리즘 기반의 제 3 서브 분류 모듈에 입력할 수도 있다. 컴퓨팅 장치(100)는 3차원 패치와 마스크를 입력 받은 사전 학습된 제 3 서브 분류 모듈을 통해 패치 내에 결절로 판단되는 영역의 석회화 여부를 결정할 수 있다.
한편, 본 개시의 일 실시예에 따라 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다.
데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자 정의 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 영구 저장 장치)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 장치는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.
데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.
비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 이하에서는 신경망으로 통일하여 기술한다. 데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등을 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 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.
데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 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 노드에서 출력되는 데이터 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
도 19는 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 (33)

  1. 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 의료 영상 기반의 병변 분석 방법으로서,
    전처리 모듈을 사용하여, 흉부 영역을 포함하는 의료 영상으로부터, 사전 학습된 검출(detection) 모듈의 입력 영상을 생성하는 단계;
    상기 검출 모듈을 사용하여, 상기 입력 영상을 기초로 적어도 하나의 관심 영역의 결절(nodule) 존재에 관한 확률값 및 상기 적어도 하나의 관심 영역의 제 1 위치 정보를 생성하는 단계; 및
    후처리 모듈을 사용하여, 상기 결절 존재에 관한 확률값을 기초로 상기 제 1 위치 정보로부터 상기 의료 영상에 존재하는 의심 결절에 대한 제 2 위치 정보를 결정하는 단계;
    를 포함하는,
    방법.
  2. 제 1 항에 있어서,
    상기 검출 모듈의 입력 영상을 생성하는 단계는,
    상기 전처리 모듈을 사용하여, 상기 흉부 영역을 포함하는 3차원 의료 영상을 기초로 하운스필드 유닛(hounsfield unit) 값을 연산하는 단계; 및
    상기 전처리 모듈을 사용하여, 상기 하운스필드 유닛 값이 연산된 3차원 의료 영상으로부터 2차원 의료 영상들을 생성하는 단계;
    를 포함하는,
    방법.
  3. 제 1 항에 있어서,
    상기 결절 존재에 관한 확률값 및 제 1 위치 정보를 생성하는 단계는,
    상기 검출 모듈에 포함된 제 1 서브 검출 모듈을 사용하여, 2차원 의료 영상들을 기초로 상기 적어도 하나의 관심 영역에 대한 제 1 확률값 및 제 1 위치 정보를 생성하는 단계; 및
    상기 검출 모듈에 포함된 제 2 서브 검출 모듈을 사용하여, 3차원 의료 영상 및 상기 제 1 위치 정보를 기초로 상기 적어도 하나의 관심 영역에 대한 제 2 확률값을 추정하는 단계;
    를 포함하는,
    방법.
  4. 제 3 항에 있어서,
    상기 제 1 확률값 및 제 1 위치 정보를 생성하는 단계는,
    상기 제 1 서브 검출 모듈에 포함된 제 1 신경망 모듈을 사용하여, 상기 2차원 의료 영상들을 기초로 복수의 사이즈를 갖는 제 1 특징 맵들을 생성하는 단계;
    상기 제 1 서브 검출 모듈에 포함된 제 2 신경망 모듈을 사용하여, 상기 제 1 특징 맵들의 사이즈를 기준으로 상기 제 1 특징 맵들 중 적어도 일부를 결합(concatenation)시켜 제 2 특징 맵들을 생성하는 단계; 및
    상기 제 1 서브 검출 모듈에 포함된 제 3 신경망 모듈을 사용하여, 상기 제 2 특징 맵들을 소정의 앵커 박스(anchor box)에 매칭시켜 상기 적어도 하나의 관심 영역에 대한 제 1 확률값 및 제 1 위치 정보를 생성하는 단계;
    를 포함하는,
    방법.
  5. 제 4 항에 있어서,
    상기 제 1 확률값 및 제 1 위치 정보를 생성하는 단계는,
    관심 영역이 복수인 경우, 상기 제 1 서브 검출 모듈을 사용하여, 복수의 관심 영역들 간의 중첩 영역의 비율을 기초로 상기 관심 영역들의 적어도 일부를 클러스터링(clustering) 하는 단계; 및
    제 1 서브 검출 모듈을 사용하여, 상기 제 1 위치 정보에 포함된 좌표계(coordinate)를 보정하는 단계;
    를 더 포함하는,
    방법.
  6. 제 3 항에 있어서,
    상기 제 2 확률값을 산출하는 단계는,
    상기 제 2 서브 검출 모듈에 포함된 제 4 신경망 모듈을 사용하여, 상기 제 1 위치 정보를 기준으로 하여 상기 3차원 의료 영상으로부터 추출된 패치(patch)를 기초로 인코딩(encoding)을 수행함으로써, 적어도 하나의 제 3 특징 맵을 생성하는 단계;
    상기 제 2 서브 검출 모듈에 포함된 제 5 신경망 모듈을 사용하여, 상기 제 3 특징 맵을 기초로 디코딩(decoding)을 수행함으로써, 적어도 하나의 제 4 특징 맵을 생성하는 단계; 및
    상기 제 2 서브 검출 모듈에 포함된 제 6 신경망 모듈을 사용하여, 상기 3 특징 맵과 제 4 특징 맵을 통합시켜 생성된 특징 맵을 기초로 상기 적어도 하나의 관심 영역에 대한 제 2 확률값을 생성하는 단계;
    를 포함하는,
    방법.
  7. 제 3 항에 있어서,
    상기 제 2 서브 검출 모듈은,
    랜덤 샘플링(random sampling)된 학습 영상을 기초로 신경망을 학습시키는 제 1 동작; 및
    재현율(recall)과 정밀도(precision)을 기초로 선별된 학습 영상을 기초로 신경망을 학습시키는 제 2 동작;
    을 수행함으로써, 사전 학습된 것인,
    방법.
  8. 제 3 항에 있어서,
    상기 의심 결절에 대한 제 2 위치 정보를 획득하는 단계는,
    상기 후처리 모듈을 사용하여, 상기 제 1 확률값 및 제 2 확률값의 가중치 합(weighted sum)을 통해 생성된 상기 결절 존재에 대한 확률값과 임계값을 비교하는 단계; 및
    상기 후처리 모듈을 사용하여, 상기 비교의 결과로 선정된 결절 존재에 대한 확률값에 대응되는 상기 적어도 하나의 관심 영역의 제 1 위치 정보를 상기 의심 결절에 대한 제 2 위치 정보로 결정하는 단계;
    를 포함하는,
    방법.
  9. 제 1 항에 있어서,
    사전 학습된 평가(measurement) 모듈을 사용하여, 상기 제 2 위치 정보에 대응되는 의료 영상의 패치를 기초로 상기 의심 결절에 대한 마스크를 생성하는 단계; 및
    상기 의심 결절에 대한 마스크를 기초로 상기 의심 결절의 지름(diameter) 및 부피(volume) 중 적어도 하나를 포함하는 수치 정보를 생성하는 단계;
    를 더 포함하는,
    방법.
  10. 제 9 항에 있어서,
    상기 의심 결절에 대한 마스크는,
    상기 제 2 위치 정보에 대응되는 3차원 패치를 기초로 생성된 상기 의심 결절의 전체 영역에 대한 제 1 마스크; 및
    상기 제 2 위치 정보에 대응되는 3차원 패치를 기초로 생성된 상기 의심 결절의 특정 속성(attribute)를 나타내는 영역에 대한 제 2 마스크;
    를 포함하는,
    방법.
  11. 제 9 항에 있어서,
    사전 학습된 분류(classification) 모듈을 사용하여, 상기 의료 영상의 패치 및 의심 결절에 대한 마스크를 기초로 상기 의심 결절의 상태에 관한 클래스를 분류하는 단계;
    를 더 포함하는,
    방법.
  12. 제 11 항에 있어서,
    상기 의심 결절의 상태에 관한 클래스를 분류하는 단계는,
    상기 분류 모듈에 포함된 각각 서로 다른 서브 모듈을 사용하여, 상기 패치 및 마스크를 기초로, 상기 의심 결절의 속성에 관한 유형(type), 침상(spiculation) 여부 또는 석회화(calcification) 여부 중 적어도 하나를 결정하는 단계;
    를 포함하는,
    방법.
  13. 제 11 항에 있어서,
    폐암 진단의 보조 지표를 기준으로, 상기 의심 결절의 상태에 관한 클래스 및 수치 정보에 기초하여 상기 의심 결절의 평가 점수를 산출하는 단계; 및
    상기 입력 영상의 피검체와 기 분석된 영상의 피검체가 대응되는 경우, 사전 학습된 추적(tracking) 모듈을 사용하여, 상기 입력 영상과 기 분석된 영상의 촬영 시점을 기준으로 상기 의료 영상의 평가 점수 또는 상기 기 분석된 영상의 평가 점수를 수정하는 단계;
    를 더 포함하는,
    방법.
  14. 제 13 항에 있어서,
    상기 의심 결절에 대한 제 2 위치 정보, 마스크, 클래스, 수치 정보 또는 평가 점수 중 적어도 하나에 기반한 사용자 인터페이스(user interface)를 생성하는 단계;
    를 더 포함하는,
    방법.
  15. 제 11 항에 있어서,
    사전 학습된 악성도 예측 모듈을 사용하여, 상기 의심 결절의 제 2 위치 정보, 상태에 관한 클래스 및 수치 정보를 기초로 상기 의심 결절의 악성도를 추정하는 단계;
    를 더 포함하는,
    방법.
  16. 제 11 항에 있어서,
    사전 학습된 악성도 예측 모듈을 사용하여, 상기 의료 영상의 패치 및 의심 결절에 대한 마스크를 기초로 상기 의심 결절의 악성도를 추정하는 단계;
    를 더 포함하는,
    방법.
  17. 제 15 항 또는 제 16 항에 있어서,
    상기 의심 결절에 대한 제 2 위치 정보, 마스크, 클래스, 수치 정보 또는 악성도 중 적어도 하나에 기반한 사용자 인터페이스를 생성하는 단계;
    를 더 포함하는,
    방법.
  18. 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 의료 영상 기반의 병변 분석 방법으로서,
    흉부 영역을 포함하는 의료 영상에 존재하는 의심 결절(nodule)의 위치 정보를 기초로 사전 학습된 평가 모듈의 입력 패치(patch)를 생성하는 단계; 및
    상기 사전 학습된 평가(measurement) 모듈을 사용하여, 상기 위치 정보에 대응되는 적어도 하나의 입력 패치를 기초로 상기 의심 결절에 대한 마스크(mask)를 생성하는 단계;
    를 포함하는,
    방법.
  19. 제 18 항에 있어서,
    상기 의심 결절에 대한 마스크를 생성하는 단계는,
    상기 평가 모듈에 포함된 제 1 서브 평가 모듈을 사용하여, 상기 적어도 하나의 입력 패치를 기초로 상기 의심 결절의 전체 영역에 대한 제 1 마스크를 생성하는 단계; 및
    상기 평가 모듈에 포함된 제 2 서브 평가 모듈을 사용하여, 상기 적어도 하나의 입력 패치를 기초로 상기 의심 결절의 특정 속성(attribute)을 나타내는 영역에 대한 제 2 마스크를 생성하는 단계;
    를 포함하는,
    방법.
  20. 제 19 항에 있어서,
    상기 제 1 마스크를 생성하는 단계는,
    상기 평가 모듈로 하나의 의심 결절에 대한 복수의 사이즈를 갖는 입력 패치들이 입력되는 경우, 상기 제 1 서브 평가 모듈을 사용하여, 입력 패치들 각각으로부터 상기 하나의 의심 결절에 관한 제 1 서브 마스크들을 생성하는 단계; 및
    상기 제 1 서브 평가 모듈을 사용하여, 상기 제 1 서브 마스크들을 조합하고, 상기 조합의 결과를 기초로 상기 하나의 의심 결절의 전체 영역에 대한 제 1 마스크를 생성하는 단계;
    를 포함하는,
    방법.
  21. 제 20 항에 있어서,
    상기 제 2 마스크를 생성하는 단계는,
    상기 제 2 서브 평가 모듈을 사용하여, 상기 적어도 하나의 입력 패치를 기초로 상기 의심 결절의 특정 속성을 나타내는 후보 영역에 관한 제 2 서브 마스크를 생성하는 단계;
    상기 제 2 서브 평가 모듈을 사용하여, 상기 제 1 마스크와 제 2 서브 마스크의 중첩 영역을 식별하는 단계; 및
    상기 식별된 중첩 영역을 기초로 상기 의심 결절의 특정 속성을 나타내는 영역에 대한 제 2 마스크를 생성하는 단계;
    방법.
  22. 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 의료 영상 기반의 병변 분석 방법으로서,
    흉부 영역을 포함하는 의료 영상에 존재하는 의심 결절(nodule)의 위치 정보를 기초로 생성된 패치(patch) 및 상기 의심 결절에 대한 마스크를 수신하는 단계; 및
    사전 학습된 분류(classification) 모듈을 사용하여, 상기 패치 및 마스크를 기초로 상기 의심 결절의 상태에 관한 클래스를 분류하는 단계;
    를 포함하는,
    방법.
  23. 제 22 항에 있어서,
    상기 의심 결절의 상태에 관한 클래스를 분류하는 단계는,
    상기 분류 모듈에 포함된 제 1 서브 분류 모듈을 사용하여, 상기 패치 및 마스크를 기초로 상기 의심 결절의 속성에 관한 유형(type)을 결정하는 단계;
    상기 분류 모듈에 포함된 제 2 서브 분류 모듈을 사용하여, 상기 패치 및 마스크를 기초로 상기 의심 결절의 침상(spiculation) 여부를 결정하는 단계; 또는
    상기 분류 모듈에 포함된 제 3 서브 분류 모듈을 사용하여, 상기 패치 및 마스크를 기초로 상기 의심 결절의 석회화(calcification) 여부를 결정하는 단계;
    중 적어도 하나를 포함하는,
    방법.
  24. 제 23 항에 있어서,
    상기 의심 결절의 속성에 관한 유형을 결정하는 단계는,
    상기 제 1 서브 분류 모듈에 포함된 제 1 속성 분류 모듈을 사용하여, 상기 패치 및 마스크를 기초로 상기 의심 결절의 고형(solid) 속성에 관한 제 1 유형을 결정하는 단계;
    상기 제 1 서브 분류 모듈에 포함된 제 2 속성 분류 모듈을 사용하여, 상기 패치 및 마스크를 기초로 상기 의심 결절의 고형 속성에 관한 제 2 유형을 결정하는 단계; 및
    상기 제 1 서브 분류 모듈에 포함된 제 3 속성 분류 모듈을 사용하여, 제 1 유형 및 제 2 유형을 비교한 결과를 기초로 상기 의심 결절의 고형 속성에 관한 유형을 최종 결정하는 단계;
    를 포함하고,
    상기 제 1 속성 분류 모듈은,
    신경망을 기반으로 사전 학습된 것인,
    방법.
  25. 제 24 항에 있어서,
    상기 제 2 유형을 결정하는 단계는,
    상기 제 2 속성 분류 모듈을 사용하여, 상기 패치에서 마스크에 포함된 복셀(voxel)들의 하운스필드 유닛(hounsfield unit) 값이 소정의 하운스필드 유닛 값보다 높은 복셀들의 비율을 연산하는 단계;
    상기 제 2 속성 분류 모듈을 사용하여, 상기 복셀들의 비율과 임계값을 비교하는 단계; 및
    상기 비교의 결과를 기초로 상기 패치에 존재하는 의심 결절의 고형 속성에 관한 제 2 유형을 결정하는 단계;
    를 포함하는,
    방법.
  26. 제 24 항에 있어서,
    상기 의심 결절의 고형 속성에 관한 유형을 최종 결정하는 단계는,
    상기 제 1 유형이 상기 제 2 유형에 포함되지 않는 유형인 경우, 상기 제 3 속성 분류 모듈을 사용하여, 상기 제 1 유형을 상기 의심 결절의 고형 속성에 관한 최종 유형으로 결정하는 단계; 및
    상기 제 1 유형이 제 2 유형에 포함되는 유형인 경우, 상기 제 3 속성 분류 모듈을 사용하여, 상기 제 2 유형을 상기 의심 결절의 고형 속성에 관한 최종 유형으로 결정하는 단계;
    를 포함하는,
    방법.
  27. 제 24 항에 있어서,
    상기 제 1 유형은,
    고형, 부분고형(part-solid) 또는 비고형(non-solid)을 포함하고,
    상기 제 2 유형은,
    고형 또는 비고형을 포함하는,
    방법.
  28. 제 23 항에 있어서,
    상기 제 2 서브 분류 모듈은,
    신경망을 기반으로 사전 학습된 것인,
    방법.
  29. 제 23 항에 있어서,
    상기 의심 결절의 석회화 여부를 결정하는 단계는,
    상기 제 3 서브 분류 모듈을 사용하여, 상기 패치에서 마스크에 포함된 복셀들의 하운스필드 유닛 값이 소정의 하운스필드 유닛 값보다 높은 복셀들의 비율을 연산하는 단계;
    상기 제 3 서브 분류 모듈을 사용하여, 상기 복셀들의 비율과 임계값을 비교하는 단계; 및
    상기 비교의 결과를 기초로 상기 패치에 존재하는 의심 결절의 석회화 여부를 결정하는 단계;
    를 포함하는,
    방법.
  30. 제 23 항에 있어서,
    상기 제 3 서브 분류 모듈은,
    신경망을 기반으로 사전 학습된 것인,
    방법.
  31. 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 의료 영상을 기반으로 병변을 분석하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은:
    전처리 모듈을 사용하여, 흉부 영역을 포함하는 의료 영상으로부터, 사전 학습된 검출(detection) 모듈의 입력 영상을 생성하는 동작;
    상기 검출 모듈을 사용하여, 상기 입력 영상을 기초로 적어도 하나의 관심 영역의 결절(nodule) 존재에 관한 확률값 및 상기 적어도 하나의 관심 영역의 제 1 위치 정보를 생성하는 동작; 및
    후처리 모듈을 사용하여, 상기 결절 존재에 관한 확률값을 기초로 상기 제 1 위치 정보로부터 상기 의료 영상에 존재하는 의심 결절에 대한 제 2 위치 정보를 결정하는 동작;
    을 포함하는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
  32. 의료 영상을 기반으로 병변을 분석하는 컴퓨팅 장치로서,
    적어도 하나의 코어를 포함하는 프로세서;
    상기 프로세서에서 실행가능한 프로그램 코드들을 포함하는 메모리; 및
    흉부 영역을 포함하는 의료 영상을 수신하기 위한 네트워크부;
    를 포함하고,
    상기 프로세서는,
    전처리 모듈을 사용하여, 흉부 영역을 포함하는 의료 영상으로부터, 사전 학습된 검출(detection) 모듈의 입력 영상을 생성하고,
    상기 검출 모듈을 사용하여, 상기 입력 영상을 기초로 적어도 하나의 관심 영역의 결절(nodule) 존재에 관한 확률값 및 상기 적어도 하나의 관심 영역의 제 1 위치 정보를 생성하며,
    후처리 모듈을 사용하여, 상기 결절 존재에 관한 확률값을 기초로 상기 제 1 위치 정보로부터 상기 의료 영상에 존재하는 의심 결절에 대한 제 2 위치 정보를 결정하는,
    장치.
  33. 사용자 단말로서,
    적어도 하나의 코어를 포함하는 프로세서;
    메모리;
    컴퓨팅 장치로부터 의료 영상에 포함된 병변의 분석 정보에 기반한 사용자 인터페이스(user interface)를 수신하는 네트워크부; 및
    상기 사용자 인터페이스를 제공하는 출력부;
    를 포함하고,
    상기 병변의 분석 정보는,
    의심 결절(nodule)의 위치 정보, 상기 의심 결절에 관한 마스크(mask), 상기 의심 결절의 상태에 관한 클래스(class), 상기 의심 결절의 수치 정보, 상기 의심 결절에 대한 평가 정보 또는 상기 의심 결절의 악성도 중 적어도 하나를 포함하는 것인,
    단말.
KR1020210028533A 2021-03-04 2021-03-04 의료 영상 기반의 병변 분석 방법 KR20220125741A (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020210028533A KR20220125741A (ko) 2021-03-04 2021-03-04 의료 영상 기반의 병변 분석 방법
JP2023552270A JP2024508852A (ja) 2021-03-04 2022-03-02 医療画像における病変分析方法
PCT/KR2022/002928 WO2022186594A1 (ko) 2021-03-04 2022-03-02 의료 영상 기반의 병변 분석 방법
US18/279,823 US20240144474A1 (en) 2021-03-04 2022-03-02 Medical-image-based lesion analysis method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210028533A KR20220125741A (ko) 2021-03-04 2021-03-04 의료 영상 기반의 병변 분석 방법

Publications (1)

Publication Number Publication Date
KR20220125741A true KR20220125741A (ko) 2022-09-14

Family

ID=83155462

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210028533A KR20220125741A (ko) 2021-03-04 2021-03-04 의료 영상 기반의 병변 분석 방법

Country Status (4)

Country Link
US (1) US20240144474A1 (ko)
JP (1) JP2024508852A (ko)
KR (1) KR20220125741A (ko)
WO (1) WO2022186594A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115511818B (zh) * 2022-09-21 2023-06-13 北京医准智能科技有限公司 一种肺结节检出模型的优化方法、装置、设备及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102200776B1 (ko) * 2018-11-27 2021-01-08 서울여자대학교 산학협력단 간유리음영 결절 자동분류 방법 및 장치
KR101981202B1 (ko) * 2018-12-11 2019-05-22 메디컬아이피 주식회사 의료영상 재구성 방법 및 그 장치
KR102236617B1 (ko) * 2019-01-04 2021-04-06 서울대학교병원 폐암 종양 크기 측정 방법 및 이를 수행하기 위한 장치
US11113532B2 (en) * 2019-04-16 2021-09-07 Lg Electronics Inc. Artificial intelligence apparatus for recognizing object and method therefor
KR102150682B1 (ko) * 2019-08-08 2020-09-02 주식회사 딥노이드 특이점 분류 장치 및 분류 방법

Also Published As

Publication number Publication date
US20240144474A1 (en) 2024-05-02
WO2022186594A1 (ko) 2022-09-09
JP2024508852A (ja) 2024-02-28

Similar Documents

Publication Publication Date Title
US20220180512A1 (en) Method for predicting disease based on medical image
US20240062515A1 (en) Method for classification using deep learning model
KR102450409B1 (ko) 의료 영상 기반의 세그먼테이션 방법
KR102179090B1 (ko) 신경망을 이용한 의료 진단 방법
KR20220107940A (ko) 의료 영상의 병변 평가 방법
US20210398280A1 (en) Bone age assessment method for bone image
KR102588116B1 (ko) 엑스레이 영상에서 골절을 검출하는 방법
US20240144474A1 (en) Medical-image-based lesion analysis method
KR102589405B1 (ko) 의료 영상 기반의 병변 분석 방법
KR20220074442A (ko) 질병을 판정하기 위한 정보를 제공하는 방법
US20220172370A1 (en) Method for detecting white matter lesions based on medical image
KR102449240B1 (ko) 모델 학습 방법
KR102554181B1 (ko) 골 영상으로부터 골 연령을 판독하는 방법
KR102622660B1 (ko) 의료 영상에 대한 연속 절편 검출 방법
KR102653257B1 (ko) 의료 영상을 기반으로 하는 관심 대상의 상태 판독 방법
KR102454742B1 (ko) 뇌 피질 영역의 두께를 분석하는 방법
US20220237777A1 (en) Method for measuring lesion of medical image
KR102556235B1 (ko) 컨텐츠 기반 영상 검색 방법 및 장치
KR102569976B1 (ko) 의료 영상 처리 방법
KR102375786B1 (ko) 의료 영상에서 이상 소견 탐지 및 판독문 생성 방법
KR20220165111A (ko) 의료 영상의 분류 방법
KR20230056174A (ko) 딥러닝 기반의 의료 영상 분석 방법
KR20230138686A (ko) 척추 정렬 상태를 예측하는 방법
KR20230126083A (ko) 의료 영상을 분석하기 위한 방법
KR20230092306A (ko) 의료 영상을 분석하기 위한 방법