KR20220129144A - 패치 영상을 기반으로 목적 부위의 질환을 결정하기 위한 장치 및 방법 - Google Patents
패치 영상을 기반으로 목적 부위의 질환을 결정하기 위한 장치 및 방법 Download PDFInfo
- Publication number
- KR20220129144A KR20220129144A KR1020210033511A KR20210033511A KR20220129144A KR 20220129144 A KR20220129144 A KR 20220129144A KR 1020210033511 A KR1020210033511 A KR 1020210033511A KR 20210033511 A KR20210033511 A KR 20210033511A KR 20220129144 A KR20220129144 A KR 20220129144A
- Authority
- KR
- South Korea
- Prior art keywords
- subtype
- determining
- lesion
- disease
- patch
- Prior art date
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 89
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000003902 lesion Effects 0.000 claims abstract description 155
- 238000013145 classification model Methods 0.000 claims abstract description 59
- 238000004891 communication Methods 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims description 32
- 238000003384 imaging method Methods 0.000 claims description 11
- 238000011002 quantification Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 239000007787 solid Substances 0.000 description 19
- 238000010586 diagram Methods 0.000 description 16
- 210000004072 lung Anatomy 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 7
- 230000014509 gene expression Effects 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 6
- 238000002595 magnetic resonance imaging Methods 0.000 description 5
- 238000010200 validation analysis Methods 0.000 description 5
- 238000002591 computed tomography Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000002600 positron emission tomography Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000002583 angiography Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 210000000214 mouth Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 208000019693 Lung disease Diseases 0.000 description 1
- 206010046996 Varicose vein Diseases 0.000 description 1
- 210000004100 adrenal gland Anatomy 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000000436 anus Anatomy 0.000 description 1
- 210000000013 bile duct Anatomy 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 210000000621 bronchi Anatomy 0.000 description 1
- 210000003679 cervix uteri Anatomy 0.000 description 1
- 210000001072 colon Anatomy 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 210000003238 esophagus Anatomy 0.000 description 1
- 210000000232 gallbladder Anatomy 0.000 description 1
- 210000004907 gland Anatomy 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 210000002216 heart Anatomy 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 210000000867 larynx Anatomy 0.000 description 1
- 210000000088 lip Anatomy 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 210000001165 lymph node Anatomy 0.000 description 1
- 238000010339 medical test Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002346 musculoskeletal system Anatomy 0.000 description 1
- 210000003928 nasal cavity Anatomy 0.000 description 1
- 210000003739 neck Anatomy 0.000 description 1
- 210000001672 ovary Anatomy 0.000 description 1
- 210000000496 pancreas Anatomy 0.000 description 1
- 210000002990 parathyroid gland Anatomy 0.000 description 1
- 210000003800 pharynx Anatomy 0.000 description 1
- 210000003635 pituitary gland Anatomy 0.000 description 1
- 210000002307 prostate Anatomy 0.000 description 1
- 210000003491 skin Anatomy 0.000 description 1
- 210000000813 small intestine Anatomy 0.000 description 1
- 210000000278 spinal cord Anatomy 0.000 description 1
- 210000000952 spleen Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 210000001550 testis Anatomy 0.000 description 1
- 210000001685 thyroid gland Anatomy 0.000 description 1
- 210000000626 ureter Anatomy 0.000 description 1
- 210000003708 urethra Anatomy 0.000 description 1
- 210000001215 vagina Anatomy 0.000 description 1
- 208000027185 varicose disease Diseases 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Radiology & Medical Imaging (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Business, Economics & Management (AREA)
- Epidemiology (AREA)
- Software Systems (AREA)
- High Energy & Nuclear Physics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Optics & Photonics (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Educational Technology (AREA)
- Physiology (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Pulmonology (AREA)
Abstract
본 발명의 실시예에 따른 패치 영상을 기반으로 목적 부위의 질환을 결정하기 위한 장치 및 방법이 제공된다. 본 발명의 실시예에 따른 패치 영상 기반 목적부위 질환 결정 장치는, 데이터를 송수신하도록 구성된 통신부; 및 상기 통신부와 연결하도록 구성된 제어부를 포함하고, 상기 제어부는, 상기 통신부를 통해 촬영 장치로부터 피검자의 목적 부위를 촬영한 의료 영상을 획득하고, 상기 의료 영상을 이용하여 상기 목적 부위에 대응하는 복수의 패치 영상을 생성하고, 상기 복수의 패치 영상을 기초로 상기 목적 부위에서 병변에 해당하는 병변 영역을 예측하도록 학습된 예측 모델을 이용하여 상기 병변 영역을 예측한 예측 결과 데이터를 획득하고, 상기 예측 결과 데이터를 기초로 상기 병변에 대한 서브타입(subtype)을 분류하도록 학습된 분류 모델을 이용하여 상기 서브타입을 분류한 분류 결과 데이터를 획득하고, 상기 분류 결과 데이터를 기반으로 상기 목적 부위에서 기 설정된 임계 비율 이상에 해당하는 병변 영역의 서브타입을 상기 피검자의 질환으로 결정하도록 구성된다.
Description
본 발명은 패치 영상을 기반으로 목적 부위의 질환을 결정하기 위한 장치 및 방법에 관한 것이다.
일반적으로 피검자의 목적 부위에 대한 질환 여부를 결정하기 위해 영상 의학 검사(예: 엑스레이(X-ray), CT(Computer Tomography), 혈관조영 촬영검사(Angiography), 양전자 방출 단층 촬영 검사(PET-CT) 또는 MRI(Magnetic Resonance Imaging) 검사 등)를 통해 피검자의 목적 부위를 촬영한 의료 영상이 이용된다.
전문의는 획득된 의료 영상을 육안으로 확인하여 목적 부위에 대응하는 병변 영역을 식별함으로써, 목적 부위에 대한 질환 여부를 결정할 수 있다.
육안을 통한 병변 영역의 식별은 전문의의 실력 또는 경험에 따라 의견의 차이가 발생될 수 있어 신뢰도 및 정확도가 높은 진단 결과를 제공하기 어려울 수 있다.
따라서, 전문의가 피검자의 목적 부위에 대한 질환 결정을 보다 용이하게 수행하고, 신뢰도 및 정확도 높은 진단 결과를 제공하기 위한 방법이 요구된다.
본 발명의 발명자들은 전문의가 육안으로 의료 영상을 확인하여 목적 부위에 대한 질환 결정이 어렵다는 사실을 인식하였다.
또한, 본 발명의 발명자들은 기존의 영상 분석 기술을 이용할 경우 목적 부위의 병변에 대한 서브타입(subtype)을 제공하는 등의 민감도 높은 분석 결과를 제공하기 어렵다는 사실을 인식하였다.
이에, 본 발명이 해결하고자 하는 과제는 패치 영상을 기반으로 목적 부위의 질환을 결정하기 위한 장치 및 방법을 제공하는 것이다.
구체적으로, 본 발명이 해결하고자 하는 과제는 전문의가 육안으로 의료 영상을 확인하여 질환을 결정할 필요 없이 신뢰도 높은 진단 결과를 제공하기 위한 패치 영상을 기반으로 목적 부위의 질환을 결정하기 위한 장치 및 방법을 제공하는 것이다.
또한, 본 발명이 해결하고자 하는 과제는 정확도 및 민감도가 높은 질환 결정을 위한 패치 영상을 기반으로 목적 부위의 질환을 결정하기 위한 장치 및 방법을 제공하는 것이다.
본 발명의 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
전술한 바와 같은 과제를 해결하기 위하여 패치 영상을 기반으로 목적 부위의 질환을 결정하기 위한 장치 및 방법이 제공된다.
본 발명의 실시예에 따른 패치 영상 기반 목적부위 질환 결정 장치는, 데이터를 송수신하도록 구성된 통신부; 및 상기 통신부와 연결하도록 구성된 제어부를 포함하고, 상기 제어부는, 상기 통신부를 통해 촬영 장치로부터 피검자의 목적 부위를 촬영한 의료 영상을 획득하고, 상기 의료 영상을 이용하여 상기 목적 부위에 대응하는 복수의 패치 영상을 생성하고, 상기 복수의 패치 영상을 기초로 상기 목적 부위에서 병변에 해당하는 병변 영역을 예측하도록 학습된 예측 모델을 이용하여 상기 병변 영역을 예측한 예측 결과 데이터를 획득하고, 상기 예측 결과 데이터를 기초로 상기 병변에 대한 서브타입(subtype)을 분류하도록 학습된 분류 모델을 이용하여 상기 서브타입을 분류한 분류 결과 데이터를 획득하고, 상기 분류 결과 데이터를 기반으로 상기 목적 부위에서 기 설정된 임계 비율 이상에 해당하는 병변 영역의 서브타입을 상기 피검자의 질환으로 결정하도록 구성된다.
본 발명의 실시예에 따른 패치 영상 기반 목적부위 질환 결정 장치에서의 패치 영상 기반 목적부위 질환 결정 방법은, 촬영 장치로부터 피검자의 목적 부위를 촬영한 의료 영상을 획득하는 단계; 상기 의료 영상을 이용하여 상기 목적 부위에 대응하는 복수의 패치 영상을 생성하는 단계; 상기 복수의 패치 영상을 기초로 상기 목적 부위에서 병변에 해당하는 병변 영역을 예측하도록 학습된 예측 모델을 이용하여 상기 병변 영역을 예측한 예측 결과 데이터를 획득하는 단계; 상기 예측 결과 데이터를 기초로 상기 병변에 대한 서브타입(subtype)을 분류하도록 학습된 분류 모델을 이용하여 상기 서브타입을 분류한 분류 결과 데이터를 획득하는 단계; 상기 분류 결과 데이터를 기반으로 상기 목적 부위에서 기 설정된 임계 비율 이상에 해당하는 병변 영역의 서브타입을 결정하는 단계 및 상기 결정된 서브타입을 상기 피검자의 질환으로 결정하는 단계를 포함한다.
기타 실시예의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
본 발명은 개선된 분류 모델을 이용하여 목적 부위의 병변에 대한 서브타입을 결정하고, 결정된 서브타입에 기반하여 피검자의 질환을 결정함으로써, 전문의가 이를 참조하여 환자의 질환을 보다 용이하게 결정할 수 있다.
또한, 본 발명은 인공신경망 모델을 이용하여 목적 부위의 병변 영역을 예측하고, 병변 영역에서의 병변 서브타입을 결정함으로써, 정확도가 높은 진단 결과를 제공할 수 있다.
또한, 본 발명은 폐 병변의 서브타입 중 'micropapillary'과 같은 고위험군의 질환에 대한 정확도 및 신뢰도 높은 진단 결과를 제공할 수 있다.
또한, 본 발명은 육안으로 식별되지 않은 병변의 종류를 빠르고 정확하게 파악할 수 있어 민감도 높은 진단 결과를 제공할 수 있다.
또한, 본 발명은 의료진의 잘못된 해석을 방지하고, 의료진의 워크 플로우를 향상시킬 수 있다.
본 발명에 따른 효과는 이상에서 예시한 내용에 의해 제한되지 않으며, 더욱 다양한 효과들이 본 명세서 내에 포함되어 있다.
도 1은 본 발명의 실시예에 따른 패치 영상 기반 질환 결정 시스템을 설명하기 위한 개략도이다.
도 2는 본 발명의 실시예에 따른 전자 장치의 개략적인 블록도이다.
도 3은 본 발명의 실시예에 따라 복수의 인공신경망 모델을 이용하여 목적 부위에 대한 병변 영역을 결정하고, 병변 영역의 서브타입을 분류하는 방법을 설명하기 위한 예시도이다.
도 4는 본 발명의 실시예에 따라 병변 영역의 서브타입을 분류하기 위해 사용되는 분류 모델을 설명하기 위한 예시도이다.
도 5는 본 발명의 실시예에 따른 분류 모델의 개선된 분류 결과를 설명하기 위한 예시도들이다.
도 6은 본 발명의 실시예에 따른 분류 결과 데이터에 대한 정확도를 개선하는 방법을 설명하기 위한 예시도들이다.
도 7은 본 발명의 실시예에 따른 전자 장치에서 패치 영상을 기반으로 피검자의 질환을 결정하기 위한 방법을 설명하는 흐름도이다.
도 8는 본 발명의 실시예에 따른 분류 모델에 대한 성능 평가 결과를 나타내는 도면이다.
도 9는 본 발명의 실시예에 따라 파인 튜닝이 이루어진 분류 모델에 대한 성능 평가 결과를 나타내는 도면이다.
도 2는 본 발명의 실시예에 따른 전자 장치의 개략적인 블록도이다.
도 3은 본 발명의 실시예에 따라 복수의 인공신경망 모델을 이용하여 목적 부위에 대한 병변 영역을 결정하고, 병변 영역의 서브타입을 분류하는 방법을 설명하기 위한 예시도이다.
도 4는 본 발명의 실시예에 따라 병변 영역의 서브타입을 분류하기 위해 사용되는 분류 모델을 설명하기 위한 예시도이다.
도 5는 본 발명의 실시예에 따른 분류 모델의 개선된 분류 결과를 설명하기 위한 예시도들이다.
도 6은 본 발명의 실시예에 따른 분류 결과 데이터에 대한 정확도를 개선하는 방법을 설명하기 위한 예시도들이다.
도 7은 본 발명의 실시예에 따른 전자 장치에서 패치 영상을 기반으로 피검자의 질환을 결정하기 위한 방법을 설명하는 흐름도이다.
도 8는 본 발명의 실시예에 따른 분류 모델에 대한 성능 평가 결과를 나타내는 도면이다.
도 9는 본 발명의 실시예에 따라 파인 튜닝이 이루어진 분류 모델에 대한 성능 평가 결과를 나타내는 도면이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조부호가 사용될 수 있다.
본 문서에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.
본 문서에서, "A 또는 B," "A 또는/및 B 중 적어도 하나," 또는 "A 또는/및 B 중 하나 또는 그 이상" 등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B," "A 및 B 중 적어도 하나," 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는(3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다.
본 문서에서 사용된 "제1," "제2," "첫째," 또는 "둘째," 등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다. 예를 들면, 제1 사용자 기기와 제2 사용자 기기는, 순서 또는 중요도와 무관하게, 서로 다른 사용자 기기를 나타낼 수 있다. 예를 들면, 본 문서에 기재된 권리범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제 2 구성요소도 제1 구성요소로 바꾸어 명명될 수 있다.
어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 다른 구성요소(예: 제3 구성요소)가 존재하지 않는 것으로 이해될 수 있다.
본 문서에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합한(suitable for)," "~하는 능력을 가지는(having the capacity to)," "~하도록 설계된(designed to)," "~하도록 변경된(adapted to)," "~하도록 만들어진(made to)," 또는 "~ 를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성된(또는 설정된)"은 하드웨어적으로 "특별히 설계된(specifically designed to)" 것만을 반드시 의미하지 않을 수 있다. 대신, 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된)프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다.
본 문서에서 사용된 용어들은 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 다른 실시예의 범위를 한정하려는 의도가 아닐 수 있다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 용어들은 본 문서에 기재된 기술분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가질 수 있다. 본 문서에 사용된 용어들 중 일반적인 사전에 정의된 용어들은, 관련 기술의 문맥상 가지는 의미와 동일 또는 유사한 의미로 해석될 수 있으며, 본 문서에서 명백하게 정의되지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다. 경우에 따라서, 본 문서에서 정의된 용어일지라도 본 문서의 실시 예들을 배제하도록 해석될 수 없다.
본 발명의 여러 실시예들의 각각 특징들이 부분적으로 또는 전체적으로 서로 결합 또는 조합 가능하며, 당업자가 충분히 이해할 수 있듯이 기술적으로 다양한 연동 및 구동이 가능하며, 각 실시예들이 서로에 대하여 독립적으로 실시 가능할 수도 있고 연관 관계로 함께 실시 가능할 수도 있다.
본 명세서에서 영상(image)은 정지 화상(still image) 및/또는 동영상(video)일 수 있으나, 이에 한정되지 않으며, 2차원 영상 또는 3차원 영상일 수도 있다.
이하, 첨부된 도면을 참조하여 본 발명의 다양한 실시예들을 상세히 설명한다.
도 1은 본 발명의 실시예에 따른 패치 영상 기반 질환 결정 시스템을 설명하기 위한 개략도이다.
도 1을 참조하면, 질환 결정 시스템(100)은 피검자의 목적 부위에 대응하는 복수의 패치(patch) 영상을 기반으로 피검자의 목적 부위에 대한 질환을 결정하기 위한 시스템이다. 여기서, 패치 영상은 목적 부위에 해당하는 영역(이하, '목적 부위 영역'이라 함)의 적어도 일부를 포함하는 조각 영상을 의미할 수 있다. 이러한 패치 영상은 목적 부위 영역에 대하여 서로 중첩되는 일부 영역을 포함할 수 있으며, 크기 및 모양 등이 서로 다양할 수 있다. 예를 들어, 패치 영상은 직사각형, 정사각형, 및/또는 원형 등의 다양한 형태를 가질 수 있다.
이러한 질환 결정 시스템(100)은 피검자의 적어도 하나의 의료 영상을 촬영하는 촬영 장치(110)및 촬영 장치(110)로부터 제공된 적어도 하나의 의료 영상을 이용하여 목적부위의 질환을 결정하는 전자 장치(120)를 포함한다.
여기서, 의료 영상은 피검자의 목적 부위를 촬영한 영상으로, 엑스레이(x-ray) 영상, CT(Computer Tomography) 영상, 혈관조영 촬영(Angiography) 영상, 양전자 방출 단층 촬영(PET-CT) 영상, MRI(Magnetic Resonance Imaging) 영상 등일 수 있으나, 이에 한정되지 않는다. 목적 부위는 병변의 유무 및/또는 병변의 서브타입을 예측(또는 결정)하고자 하는 피검자의 특정 신체 부위로서, 폐, 기관지, 간, 피부, 요관, 요도, 고환, 질, 항문, 후두선, 난소, 갑상선, 식도, 비인두선, 뇌하수체, 타액선, 전립선, 췌장, 부신, 림프절, 비장, 뇌, 정맥류, 근골격계, 부비동, 척수, 신장, 입, 입술, 인후, 구강, 비강, 소장, 결장, 부갑상선, 담낭, 두경부, 유방, 골, 담관, 자궁경부, 심장, 및/또는 하인두선 등일 수 있으나, 이에 한정되지 않는다.
먼저, 촬영 장치(110)는 피검자의 목적 부위를 촬영한 적어도 하나의 의료 영상을 제공하기 위한 엑스레이 촬영 장치, CT 촬영 장치, 혈관조영 촬영 장치, 양전자 방출 단층 촬영 장치, 및/또는 MRI 장치 등일 수 있다.
다음으로, 전자 장치(120)는 촬영 장치(110)로부터 제공된 적어도 하나의 의료 영상을 이용하여 복수의 패치 영상을 생성하고, 복수의 패치 영상을 기반으로 목적 부위에 대한 질환을 결정하기 위한 태블릿 PC, 노트북 및/또는 PC 등 중 적어도 하나일 수 있다.
구체적으로, 전자 장치(120)는 복수의 패치 영상을 기초로 목적 부위에서 병변에 해당하는 영역(이하, '병변 영역'이라 함)을 결정하고, 결정된 병변 영역의 서브타입을 분류한 후 기 설정된 임계 비율 이상에 해당하는 분류 결과를 피검자의 질환으로 결정할 수 있다.
병변 영역을 결정하고, 서브타입을 분류하기 위해 전자 장치(120)는 적어도 하나의 인공신경망 모델을 이용할 수 있다. 또한 분류 결과에 따른 병변의 서브타입을 결정하기 위해 전자 장치(120)는 인공신경망 모델 또는 알고리즘을 이용할 수 있으나, 이에 한정되지 않는다.
나아가, 전자 장치(120)는 분류 결과에 기반하여 피검자의 전체 병변 영역에 해당하는 복수의 패치 영상을, 분류된 각 서브타입에 따라 정량화하고, 복수의 패치 영상에 대한 정량화 결과에 기반하여 피검자의 질환의 위험도를 분류(또는 결정)할 수 있다.
제시된 실시예에서는 촬영 장치(110) 및 전자 장치(120)가 각각의 장치로서 구현된 경우를 설명하였으나, 이에 한정되지 않으며, 촬영 장치(110) 및 전자 장치(120)는 하나의 장치로서 구현될 수도 있다.
하기에서는 도 2를 참조하여 전자 장치(120)에 대해서 보다 구체적으로 설명하도록 한다.
도 2는 본 발명의 실시예에 따른 전자 장치의 개략적인 블록도이다.
도 2를 참조하면, 전자 장치(200)는 통신부(210), 저장부(220), 표시부(230), 및 제어부(240)를 포함한다. 다양한 실시예에서 표시부(230)는 선택적으로 구비될 수 있다. 제시된 실시예에서 전자 장치(200)는 도 1의 전자 장치(120)를 의미할 수 있다.
통신부(210)는 전자 장치(200)가 외부 장치와 통신이 가능하도록 연결한다. 통신부(210)는 유/무선 통신을 이용하여 촬영 장치(110)와 연결되어 병변의 서브타입을 결정하기 위한 다양한 데이터를 송수신할 수 있다. 구체적으로, 통신부(210)는 촬영 장치(110)로부터 적어도 하나의 의료 영상을 수신할 수 있다.
저장부(220)는 적어도 하나의 의료 영상을 기초로 병변의 서브타입을 결정하기 위해 사용되는 다양한 데이터를 저장할 수 있다.
다양한 실시예에서 저장부(220)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. 전자 장치(200)는 인터넷(internet)상에서 상기 저장부(220)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다.
표시부(230)는 사용자에게 각종 콘텐츠를 표시할 수 있다. 예를 들어, 표시부(230)는 적어도 하나의 의료 영상을 표시하거나, 결정된 서브타입에 대한 정보를 표시할 수 있다.
다양한 실시예에서 표시부(230)는 터치스크린을 포함할 수 있으며, 예를 들면, 전자 펜 또는 사용자의 신체의 일부를 이용한 터치(touch), 제스처(gesture), 근접, 드래그(drag), 스와이프(swipe) 또는 호버링(hovering) 입력 등을 수신할 수 있다.
제어부(240)는 통신부(210), 저장부(220), 및 표시부(230)와 동작 가능하게 연결되며, 패치 영상에 기반하여 피검자의 질환을 결정하기 위한 다양한 명령들을 수행할 수 있다.
제어부(240)는 중앙 처리 장치(CPU), 그래픽 처리 장치(GPU), 어플리케이션 프로세서(AP), 디지털 신호 처리 장치(DSP), 산술 논리 연산 장치(ALU) 및 인공신경망 프로세서(NPU) 중 적어도 하나를 포함하도록 구성될 수 있다.
구체적으로, 제어부(240)는 통신부(210)를 통해 촬영 장치(110)로부터 적어도 하나의 의료 영상을 획득하고, 획득된 적어도 하나의 의료 영상을 이용하여 목적 부위에 대응하는 복수의 패치 영상을 생성하며, 복수의 패치 영상을 기초로 목적 부위에서 병변 영역을 예측하도록 학습된 예측 모델을 이용하여 각 패치 영상으로부터 병변 영역을 예측한 예측 결과 데이터를 획득할 수 있다. 제어부(240)는 획득된 예측 결과 데이터를 기초로 병변에 대한 서브타입을 분류하도록 학습된 분류 모델을 이용하여 서브타입을 분류한 분류 결과 데이터를 획득하고, 분류 결과 데이터에 기반하여 기 설정된 임계 비율 이상에 해당하는 서브타입을 피검자의 질환으로 결정할 수 있다.
하기에서는 상술한 제어부(240)의 동작에 대해서 도 3 내지 도 4를 참조하여 구체적으로 설명하도록 한다.
도 3은 본 발명의 실시예에 따라 복수의 인공신경망 모델을 이용하여 목적 부위에 대한 병변 영역을 결정하고, 병변 영역의 서브타입을 분류하는 방법을 설명하기 위한 예시도이다. 제시된 실시예에서는 목적 부위를 폐로 설명하도록 한다.
도 3을 참조하면, 제어부(240)는 의료 영상(300)을 이용하여 폐 영역에 해당하는 복수의 패치 영상(310)을 생성하고, 생성된 복수의 패치 영상(310)을 입력으로 폐 영역에서의 병변 영역을 예측하도록 학습된 예측 모델(320)을 이용하여 병변 영역을 예측한 예측 결과 데이터(330)를 획득할 수 있다. 여기서, 복수의 패치 영상(310)각각은 인접하는 인접 패치 영상과 폐 영역의 일부 영역을 중첩할 수 있으나, 이에 한정되지 않는다. 다양한 실시예에서 패치 영상은 목적 부위 영역을 복수개로 분할한 분할 영상일 수도 있다.
예측 모델(320)은 복수의 패치 영상을 기초로 병변 영역을 예측하도록 학습된 모델로서, 복수의 참조 영상을 미리 학습하고, 새롭게 입력되는 패치 영상(310)으로부터 병변 영역을 예측하도록 구성될 수 있다. 여기서, 복수의 참조 영상은 다양한 피검자의 의료 영상으로부터 목적 부위에 대응하여 획득된 패치 영상일 수 있으나, 이에 한정되지 않는다. 예를 들어, 참조 영상은 병변 영역을 포함하거나, 병변 영역을 포함하지 않은 패치 영상일 수 있다. 병변 영역을 포함하지 않은 패치 영상은 목적 부위에서 병변 영역을 제외한 영역 및/또는 배경을 포함하는 패치 영상을 포함할 수 있으나, 이에 한정되지 않는다.
이러한 예측 모델(320)은 미리 학습된 합성곱 신경망(CNN: Convolutional Neural Network)일 수 있으나, 이에 한정되지 않는다. 미리 학습된 합성곱 신경망은 입력된 입력 값에 대해 합성곱(convolution) 연산들을 수행하는 하나 이상의 계층들로 구성될 수 있으며, 입력값으로부터 합성곱 연산을 수행하여 출력값을 추론할 수 있다.
예측 모델(320)을 통해서 출력된 예측 결과 데이터(330)는 병변 영역에 해당하는 복수의 패치 영상 및 병변 영역이 아닌 영역에 해당하는 적어도 하나의 패치 영상을 포함할 수 있다. 여기서, 병변 영역이 아닌 영역은 목적 부위에서 병변 영역을 제외한 영역 및/또는 배경 영역을 의미할 수 있다.
제어부(240)는 예측 결과 데이터(330) 중 병변 영역에 해당하는 복수의 패치 영상을 입력으로 병변 영역의 서브타입을 분류하도록 학습된 분류 모델(340)을 이용하여 병변 영역을 분류한 분류 결과 데이터(350)를 획득할 수 있다.
분류 모델(340)은 병변 영역에 해당하는 복수의 패치 영상을 기초로 병변 영역의 서브타입을 분류하도록 학습된 모델로서, 복수의 참조 영상을 미리 학습하고, 새롭게 입력되는 복수의 패치 영상(즉, 병변 영역에 해당하는 패치 영상)으로부터 병변 영역의 서브타입의 클래스(class)를 분류하도록 구성될 수 있다. 여기서, 복수의 참조 영상은, 예를 들어 폐 질환의 서브타입에 해당하는 papillary, micropapillary, acinar, 및 solid에 관련된 패치영상일 수 있으나, 이에 한정되지 않는다. 예를 들어, 참조 영상은 'papillary, micropapillary, acinar, 및/또는 solid'에 해당하는 병변 영역을 포함할 수 있으나, 이에 한정되지 않는다.
이러한 분류 모델(340)은 미리 학습된 합성곱 신경망일 수 있으나, 이에 한정되지 않는다. 다양한 실시예에서 미리 학습된 합성곱 신경망은 전이 학습(transfer learning)이 이루어진 신경망일 수 있다. 전이 학습이 이루어진 신경망은 사전 학습된(pre-trained) 인공신경망을 기반으로 파인 튜닝(fine-tuning)이 이루어진 신경망일 수 있다. 여기서, 사전 학습된 신경망은 레스넷(ResNet) 152 알고리즘 기반의 예측(또는 분류) 모델이 이용될 수 있으나, 이에 한정되지 않는다. 예를 들어, 레스넷 152 모델은 CNN 모델에서 계층 수가 늘어나 CNN 모델이 깊어지는(deep) 경우 학습 오류가 증가하는 문제를 residual learning 방식을 통해 해결하는 모델이다.
하기에서는 도 4를 이용하여 분류 모델(340)에 대해서 구체적으로 설명하도록 한다.
도 4는 본 발명의 실시예에 따라 병변 영역의 서브타입을 분류하기 위해 사용되는 분류 모델을 설명하기 위한 예시도이다. 제시된 실시예에서 분류 모델(400)은 도 3의 분류 모델(340)을 의미한다.
도 4를 참조하면, 분류 모델(400)은 제1 분류 신경망(410), 제2 분류 신경망(420), ..., 제n 분류 신경망(430)이 포함된 복수의 분류 신경망(n>2) 및 투표 모델(440)을 포함할 수 있다.
제1 분류 신경망(410), 제2 분류 신경망(420), ..., 제n 분류 신경망(430) 각각은 상술한 파인 튜닝된 모델일 수 있으나, 이에 한정되지 않으며, 서로 다른 성격의 분류 모델일 수 있다.
제1 분류 신경망(410), 제2 분류 신경망(420), ..., 제n 분류 신경망(430) 각각을 통해서 출력된 분류 결과 데이터는 투표 모델(440)에 입력될 수 있다.
투표 모델(440)은 제1 분류 신경망(410), 제2 분류 신경망(420), ..., 제n 분류 신경망(430) 각각의 분류 결과 데이터를 입력으로 투표(voting)를 이용하여 최종 분류 결과 데이터를 출력할 수 있다. 이러한 투표는 소프트 투표(soft voting)일 수 있으나, 이에 한정되지 않는다.
투표 모델(440)은 병변 영역에 해당하는 복수의 패치 영상 중 제1 패치 영상과 인접한 복수의 인접 패치 영상에 대하여 분류된 서브타입의 클래스에 기반하여 제1 패치 영상에 관련된 서브타입의 클래스를 결정할 수 있다. 다시 말해서, 투표 모델(440)은 제1 패치 영상에 해당하는 병변 영역의 서브타입을 결정하기 위해 제1 패치 영상에 인접하는 복수의 인접 패치 영상 각각에서의 병변 영역의 결정된 서브타입을 고려할 수 있다.
구체적으로, 투표 모델(440)은 제1 패치 영상에 인접하는 전체 패치 영상에 관련하여 결정된 서브타입의 클래스 중 기 설정된 제1 임계 비율 이상에 해당하는 서브타입의 클래스를 제1 패치 영상에 해당하는 병변 영역의 서브타입의 클래스로 결정할 수 있다.
예를 들어, 임의의 병변 영역의 적어도 일부에 해당하는 복수의 패치 영상이 제1 패치 영상 및 제1 패치 영상과 인접하는 10개의 인접 패치 영상을 포함한다고 가정한다. 또한, 제1 패치 영상에 해당하는 병변 영역의 적어도 일부가 'acinar'로 분류되고, 10개의 인접 패치 영상 중 8개의 인접 패치 영상에 관련하여 결정된 서브타입의 클래스가 'micropapillar'고, 2개의 인접 패치 영상에 관련하여 결정된 서브타입의 클래스가 'solid'라고 가정한다.
기 설정된 제1 임계 비율이 '80%'인 경우 투표 모델(440)은 10개의 인접 패치 영상에 관련된 서브타입의 클래스 중 전체 비율(예: 100%) 대비 80% 이상에 해당하는 서브타입 클래스를 결정할 수 있다. 다시 말해서, 투표 모델(440)은 10개의 인접 패치 영상에 관련된 서브타입 클래스인 'micropapillar' 및 'solid'가 전체에서 차지하는 비율을 산출하고, 'micropapillar'에 대한 산출된 비율 및 'solid'에 대한 산출된 비율 각각이 80% 이상에 해당하는지를 결정할 수 있다. 'micropapillar'에 대한 산출된 비율은 80%이고, 'solid'에 대한 산출된 비율은 20%로 가정하는 경우 투표 모델(440)은 80% 이상에 해당하는 서브타입인 'micropapillar'를 제1 패치 영상(510)에 해당하는 병변 영역의 서브타입으로 결정할 수 있다. 다시 말해서, 제1 패치 영상(510)에 해당하는 병변 영역의 서브타입은 'acinar'에서 'micropapillar'로 변경될 수 있다.
이를 통해서, 병변 영역에 해당하는 서브타입의 분류 정확도가 향상될 수 있다.
하기에서는 도 5를 참조하여 투표 모델을 포함하는 분류 모델의 개선된 분류 결과를 설명하도록 한다.
도 5는 본 발명의 실시예에 따른 분류 모델의 개선된 분류 결과를 설명하기 위한 예시도들이다.
제시된 실시예에서는 피검자의 폐를 촬영한 의료 영상을 이용하여 복수의 패치 영상을 생성하고, 복수의 패치 영상을 입력으로 예측 모델을 이용하여 적어도 하나의 병변 영역을 예측하며, 예측된 병변 영역에 해당하는 복수의 패치 영상을 입력으로 분류 모델을 이용하여 병변 영역에 대한 서브타입을 분류하였다.
도 5의 (a)는 기존의 분류 모델을 이용하여 적어도 하나의 병변 영역에 대한 서브타입을 분류한 결과를 나타내고, 도 5의 (b)는 도 3 및 도 4를 참조하여 상술한 분류 모델을 이용하여 적어도 하나의 병변 영역에 대한 서브타입을 분류한 결과를 나타낸다.
도 5의 (a) 및 (b)를 참조하면, 본 실시예에 따른 분류 모델은 인접 패치 영상에 관련하여 결정된 서브타입을 고려하여 각 패치 영상에 해당하는 병변 영역의 서브타입을 결정하므로, 기존 분류 모델에 비해 정확도가 높고, 손실(loss)이 줄어든 분류 결과를 출력할 수 있다.
다시 도 2 및 도 3을 참조하면 제어부(240)는 분류 결과 데이터에 대한 정확도를 보다 향상시키기 위해 각 병변 영역에 관련하여 결정된 전체 서브타입의 클래스 중 기 설정된 제2 임계 비율 이상에 해당하는 서브타입의 클래스를 결정하고, 제2 임계 비율 이상에 해당하는 서브타입의 클래스를 각 병변 영역에 해당하는 서브타입으로 결정할 수 있다.
이에 대해서 구체적으로 도 6을 참조하여 설명하도록 한다.
도 6은 본 발명의 실시예에 따른 분류 결과 데이터에 대한 정확도를 개선하는 방법을 설명하기 위한 예시도들이다.
제시된 실시예에서는 제1 병변 영역(600)에 대한 분류된 결과가 4개의 서브타입 클래스인 'papillary, micropapillary, acinar, 및 solid'를 포함하는 것을 설명하도록 한다.
도 6의 (a)를 참조하면, 제어부(240)는 제1 병변 영역(600)에서 결정된 4개의 서브타입 클래스 중 기 설정된 제2 임계 비율 이상에 해당하는 서브타입 클래스를 결정할 수 있다. 다시 말해서, 제어부(240)는 제1 병변 영역(600)에서의 전체 비율(예: 100%) 중 각 서브타입 클래스의 비율이 제2 임계 비율(예: 60%) 이상에 해당하는지 결정할 수 있다.
예를 들어, 전체 비율 대비 'solid'(예: 붉은색 영역)에 해당하는 비율이 60% 이상에 해당하는 것으로 가정하는 경우 제어부(240)는 제1 병변 영역(600)에서의 서브타입 클래스를 60% 이상에 해당하는 'solid'로 결정할 수 있다. 다시 말해서, 제1 병변 영역(600)에서 결정된 서브타입 클래스는 'solid'로 변경될 수 있다.
이처럼 제1 병변 영역에서의 결정된 최종 결과는 도 5의 (b)와 같이 나타낼 수 있다. 도 5의 (b)를 참조하면, 제1 병변 영역(610)에서의 서브타입 클래스는 하나의 서브타입 클래스(예: micropapillar)로 결정되므로, 개선된 정확도 및 정밀도를 가지고, 손실을 최소화한 분류 결과가 제공될 수 있다.
다시 도 2 내지 도 4를 참조하면 제어부(240)는 도 6에서 상술한 바와 같이 획득된 분류 결과 데이터를 기반으로 목적 부위에서 기 설정된 임계 비율 이상에 해당하는 병변 영역의 서브타입을 피검자의 질환으로 결정할 수 있다.
구체적으로, 제어부(240)는 목적 부위의 전체 면적에서 서브타입이 결정된 병변 영역의 면적이 기 설정된 제3 임계 비율 이상에 해당하는 병변 영역을 결정하고, 결정된 병변 영역에 관련하여 결정된 서브타입을 피검자의 질환으로 결정할 수 있다. 예를 들어, 서브타입 'micropapillary'으로 결정된 병변 영역의 면적이 전체 면적 대비 제3 임계 비율(예: 20%) 이상에 해당하는 것으로 가정한다.
이러한 경우 제어부(240)는 20% 이상에 해당하는 'micropapillary'를 피검자의 질환으로 결정할 수 있다. 제어부(240)는 피검자의 결정된 질환을 나타내는 정보를 표시부(230)를 통해서 표시할 수도 있다. 다양한 실시예에서 제어부(240)는 피검자의 목적 부위를 촬영한 의료 영상과 함께 병변 영역, 병변 영역에 관련하여 결정된 서브타입 및 피검자의 결정된 질환을 나타내는 정보를 포함하는 인터페이스 화면을 표시부(230)를 통해서 표시할 수 있다.
다양한 실시예에서 제어부(240)는 이와 같이 결정된 질환에 대한 정보를 나타내는 인터페이스 화면을 표시부(230)를 통해서 표시할 수 있다.
이를 통해서 본 발명은 의료진에게 목적 부위에 대한 정확한 질환 진단을 결정하기 위한 정보를 제공할 수 있다.
나아가, 제어부(240)는 분류 결과 데이터에 기반하여 피검자의 전체 병변 영역에 해당하는 복수의 패치 영상을, 분류된 각 서브타입에 따라 정량화하고, 전체 병변 영역에 해당하는 복수의 패치 영상에 대한 정량화 결과에 기반하여 피검자의 질환 위험도를 분류할 수 있다.
구체적으로, 제어부(240)는 서브타입이 분류된 복수의 패치 영상을 각 서브타입 'papillary, micropapillary, acinar, 및 solid'에 따라 정량화할 수 있다. 다시 말해서, 제어부(240)는 전체 병변 영역에 해당하고, 서브타입이 분류된 복수의 패치 영상에 대하여 'papillary, micropapillary, acinar, 및 solid'에 해당하는 패치 영상의 양(또는 개수)를 결정할 수 있다. 예를 들어, 제어부(240)는 폐 영역의 전체 병변 영역에 해당하고, 서브타입이 분류된 복수의 패치 영상에 대해서 'papillary'에 해당하는 패치 영상의 개수, 'micropapillary'에 해당하는 패치 영상의 개수, 'acinar'에 해당하는 패치 영상의 개수 및 'solid'에 해당하는 패치 영상의 개수를 결정할 수 있다.
제어부(240)는 이와 같이 정량화된 패치 영상에 대한 정량화 결과에 기반하여 피검자의 질환 위험도를 분류할 수 있다. 구체적으로, 제어부(240)는 각 서브타입에 해당하는 패치 영상의 결정된 개수에 따라 전체 병변 영역에 해당하는 전체 패치 영상 대비 'papillary'에 해당하는 패치 영상의 비율, 'micropapillary'에 해당하는 패치 영상의 비율, 'acinar'에 해당하는 패치 영상의 비율 및 'solid'에 해당하는 패치 영상의 비율을 결정할 수 있다. 제어부(240)는 각 서브타입에 대하여 결정된 비율에 따라 피검자의 질환 위험도를 결정할 수 있다.
예를 들어, 서브타입 중 'micropapillary'의 경우 전체 패치 영상 대비 'micropapillary'로 결정된 패치 영상의 비율이 20% 이상이면 제어부(240)는 피험자의 질환 위험도를 고위험(즉, 사망률이 높고, 생존기간이 짧음)으로 분류할 수 있다. 이를 통해서 의료진은 피검자의 질환에 대한 진단 결과를 빠르고 정확하게 제공할 수 있다.
다양한 실시예에서 제어부(240)는 병변 영역에 해당하는 복수의 패치 영상에 대한 정량화 결과를 나타내는 인터페이스 화면을 표시부(230)를 통해서 표시할 수 있다. 예를 들어, 이러한 인터페이스 화면은 전체 패치 영상 중 'papillary'에 해당하는 패치 영상의 비율, 'micropapillary'에 해당하는 패치 영상의 비율, 'acinar'에 해당하는 패치 영상의 비율 및 'solid'에 해당하는 패치 영상의 비율을 나타내는 데이터를 포함할 수 있다. 이를 통해서 의료진은 각 서브타입에 대한 정량화된 결과를 기반으로 피검자의 질환 위험 여부를 결정함으로써, 보다 정확한 질환 진단을 할 수 있다.
다양한 실시예에서 제어부(240)는 피검자의 분류된 질환 위험도에 따라 알람 정보를 나타내는 인터페이스 화면을 표시부(230)를 통해서 표시할 수 있다. 구체적으로, 전체 패치 영상 중 'micropapillary'에 해당하는 패치 영상의 개수가 전체 비율 중 제4 임계 비율(예: 20%) 이상인 경우 제어부(240)는 피검자의 질환 위험도가 고위험임을 알리기 위한 알람 정보를 표시부(230)를 통해서 표시할 수 있다. 이를 통해 의료진은 피검자의 질환 상태를 빠르고 정확하게 파악하여 피검자에게 적절한 조치를 취할 수 있다.
하기에서는 도 7을 참조하여 전자 장치에서 패치 영상을 기반으로 피검자의 질환을 결정하기 위한 방법을 설명하도록 한다.
도 7은 본 발명의 실시예에 따른 전자 장치에서 패치 영상을 기반으로 피검자의 질환을 결정하기 위한 방법을 설명하는 흐름도이다. 하기에서 서술하는 동작들은 도 2의 제어부(240)에 의해서 수행될 수 있다.
도 7을 참조하면, 제어부(240)는 촬영 장치(110)로부터 피검자의 목적 부위를 촬영한 의료 영상을 획득하고(S700), 의료 영상을 이용하여 목적 부위에 대응하는 복수의 패치 영상을 생성한다(S710).
제어부(240)는 복수의 패치 영상을 기초로 목적 부위에서 병변 영역을 예측하도록 학습된 예측 모델을 이용하여 병변 영역을 예측한 예측 결과 데이터를 획득한다(S720). 여기서, 예측 결과 데이터는 예측된 병변 영역에 해당하는 복수의 패치 영상을 포함할 수 있다.
제어부(240)는 예측 결과 데이터를 기초로 병변에 대한 서브타입을 분류하도록 학습된 분류 모델을 이용하여 서브타입을 분류한 분류 결과 데이터를 획득한다(S730). 여기서, 분류 모델은 병변 영역에 해당하는 복수의 패치 영상을 입력으로 하여 병변 영역에 대한 서브타입의 클래스를 분류 결과 데이터로서 출력할 수 있다.
다양한 실시예에서 분류 모델의 정확도를 향상시키기 위해 제어부(240)는 병변 영역에 해당하는 복수의 패치 영상 중 제1 패치 영상과 인접한 복수의 인접 패치 영상에 관련된 서브타입의 클래스에 기반하여 제1 패치 영상에 관련된 서브타입의 클래스를 결정할 수 있다. 구체적으로, 제어부(240)는 복수의 인접 패치 영상에 관련된 서브타입의 클래스 중 기 설정된 제1 임계 비율 이상에 해당하는 서브타입의 클래스를 결정하고, 제1 임계 비율 이상에 해당하는 서브타입의 클래스를 제1 패치 영상에 관련된 서브타입의 클래스로 결정할 수 있다.
이를 위해 분류 모델은 병변 영역에 대한 서브타입을 분류하기 위한 복수의 분류 모델, 및 복수의 인공신경망 모델로부터 출력된 분류 결과 데이터에서 투표(voting)를 통해 최종 분류 결과 데이터를 출력하는 투표 모델을 포함할 수 있다. 다양한 실시예에서 분류 모델은 사전 학습된 인공신경망 모델을 기반으로 파인 튜닝이 이루어진 모델일 수 있다.
제어부(240)는 분류 결과 데이터를 기반으로 목적 부위에서 기 설정된 임계 비율 이상에 해당하는 병변 영역의 서브타입을 피검자의 질환으로 결정한다(S740). 구체적으로, 제어부(240)는 병변 영역에 관련하여 결정된 전체 서브타입의 클래스 중 기 설정된 제2 임계 비율 이상에 해당하는 서브타입의 클래스를 결정하고, 제2 임계 비율 이상에 해당하는 서브타입의 클래스를 병변 영역에 해당하는 서브타입으로 결정할 수 있다. 제어부(240)는 목적 부위의 전체 면적 대비 서브타입이 결정된 병변 영역의 면적이 기 설정된 제3 임계 비율 이상인지 결정하고, 서브타입이 결정된 병변 영역의 면적이 제3 임계 비율 이상이면 해당 서브타입을 피검자의 질환으로 결정할 수 있다.
나아가, 제어부(240)는 분류 결과 데이터에 기반하여 피검자의 전체 병변 영역에 해당하는 복수의 패치 영상을, 분류된 각 서브타입에 따라 정량화하고, 전체 병변 영역에 해당하는 복수의 패치 영상에 대한 정량화 결과에 기반하여 피검자의 질환 위험도를 결정할 수 있다. 구체적으로, 제어부(240)는 전체 병변 영역에 해당하는 복수의 패치 영상 대비 각 서브 타입에 대하여 분류된 패치 영상의 비율을 결정하고, 각 서브타입에 대하여 분류된 패치 영상의 결정된 비율에 따라 피검자의 질환 위험도를 결정할 수 있다. 예를 들어, 전체 병변 영역에 해당하는 전제 패치 영상 대비 특정 서브타입으로 분류된 패치 영상의 비율이 기 설정된 제4 임계 비율 이상이면 제어부(240)는 피험자의 질환 위험도가 높다고 결정할 수 있다. 한편, 특정 서브타입으로 분류된 패치 영상의 비율이 제4 임계 비율 미만이면 제어부(240)는 피험자의 질환 위험도가 중간 또는 낮다고 결정할 수 있다.
이를 통해서 본 발명은 정확도 및 신뢰도가 높은 질환 진단 결과를 제공할 수 있다.
하기에서는 도 8 및 도 9를 참조하여 도 3 내지 도 6을 통해서 상술한 분류 모델에 대한 평가 결과를 설명하도록 한다.
먼저, 성능 평가를 위한 분류 모델(340, 400)은 다음의 <표 1>과 같은 데이터 셋(즉, 참조 영상)을 이용하여 학습되었다.
| dataset | papillary | acinar | micropapillary | solid |
| train | 4,927 | 4,927 | 4,927 | 4,927 |
| validation | 705 | 705 | 705 | 705 |
| test | 500 | 500 | 500 | 500 |
<표 1>을 참조하면, 전체 참조 영상 중 4,927장의 참조 영상이 학습을 위해 사용되고, 705장의 참조 영상이 검증(validation)을 위해 사용되며, 500장의 참조 영상이 테스트를 위해 사용되었다.
여기서, 분류 모델(340, 400)은 사전 학습된 레스넷 모델을 이용하며, 이러한 레스넷 모델은 레스넷을 구성하는 복수의 계층 각각에 대한 파라미터의 적어도 일부가 학습 가능하도록 설정될 수 있다. 사전 학습된 레스넷 모델은 의료 영상의 특성에 적합하도록 파인 튜닝이 수행될 수 있다.
도 8는 본 발명의 실시예에 따른 분류 모델에 대한 성능 평가 결과를 나타내는 도면이다.
학습을 통한 예측 성능(또는 분류 성능)을 측정하기 위해 예측값(Predicted label)과 실제값(True label)을 비교하기 위한 오차 행렬(Confusion Matrix)이 이용될 수 있다.
도 8의 (a)는 기존의 분류 모델에 관한 오차 행렬을 나타내고, 도 8의 (b)는 본 실시예에 따른 분류 모델에 관한 오차 행렬을 나타낸다. 이러한 오차 행렬은 4가지의 서브타입 'papillary, micropapillary, acinar, 및 solid' 각각의 실제 라벨(또는 클래스)에 대해서 분류 모델에서 예측한 라벨을 나타낸다.
도 8의 (a)를 참조하면, 기존의 분류 모델에서 'acinar' 및 'solid'을 정답으로 예측한 비율은 높지만, 'micropapillary' 및 'papillary'을 정답으로 예측한 비율은 현저히 낮았다.
이에, 기존의 분류 모델에 대한 분류 정확도(accuracy)는 0.3762이고, 오답(missclass)은 0.6238이며, 이는 기존의 분류 모델의 예측 성능(즉, 분류 성능)이 낮음을 의미한다.
도 8의 (b)를 참조하면, 본 발명의 실시예에 따른 분류 모델은 'papillary, micropapillary, acinar, 및 solid' 각각을 정답으로 예측한 비율이 높다.
이에, 본 발명의 실시예에 따른 분류 모델에 대한 분류 정확도는 0.84555이고, 오답은 0.1545이며, 이는 본 발명의 실시예에 따른 분류 모델의 예측 성능이 기존의 분류 모델 대비 높음을 의미한다.
도 9는 본 발명의 실시예에 따라 파인 튜닝이 이루어진 분류 모델에 대한 성능 평가 결과를 나타내는 도면이다.
도 9의 (a)는 분류 모델에 대한 파인 튜닝이 이루어질 경우 학습 및 검증에서의 정확도(training and validation accuracy)를 나타내고, 도 9의 (b)는 분류 모델에 대한 파인 튜닝이 이루어질 경우 학습 및 검증에서의 손실(training and validation loss)을 나타낸다.
도 9의 (a)를 참조하면, 파인 튜닝이 이루어진 분류 모델은 파인 튜닝이 이루어지기 전보다 학습 및 검증 정확도가 월등히 높다.
도 9의 (b)를 참조하면, 파인 튜닝이 이루어진 분류 모델은 파인 튜닝이 이루어지기 전보다 학습 및 검증 손실이 현저히 낮다.
이를 통해 본 발명은 의료진이 의료 영상을 통해 육안으로 확인하지 못하여 발생될 수 있는 잘못된 질환 진단을 방지하고, 의료진이 정확도 및 신뢰도 높은 진단 결과를 제공하도록 할 수 있다.
본 발명의 실시예에 따른 장치 및 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.
컴퓨터 판독 가능 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media) 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
상술한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상 첨부된 도면을 참조하여 본 발명의 실시예들을 더욱 상세하게 설명하였으나, 본 발명은 반드시 이러한 실시예로 국한되는 것은 아니고, 본 발명의 기술사상을 벗어나지 않는 범위 내에서 다양하게 변형 실시될 수 있다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 질환 결정 시스템
110: 촬영 장치
120, 200: 전자 장치
210: 통신부
220: 저장부
230: 표시부
240: 제어부
300: 의료 영상
310: 복수의 패치 영상
320: 예측 모델
330: 예측 결과 데이터
340, 400: 분류 모델
350: 분류 결과 데이터
110: 촬영 장치
120, 200: 전자 장치
210: 통신부
220: 저장부
230: 표시부
240: 제어부
300: 의료 영상
310: 복수의 패치 영상
320: 예측 모델
330: 예측 결과 데이터
340, 400: 분류 모델
350: 분류 결과 데이터
Claims (22)
- 데이터를 송수신하도록 구성된 통신부; 및
상기 통신부와 연결하도록 구성된 제어부를 포함하고,
상기 제어부는,
상기 통신부를 통해 촬영 장치로부터 피검자의 목적 부위를 촬영한 의료 영상을 획득하고,
상기 의료 영상을 이용하여 상기 목적 부위에 대응하는 복수의 패치 영상을 생성하고,
상기 복수의 패치 영상을 기초로 상기 목적 부위에서 병변에 해당하는 병변 영역을 예측하도록 학습된 예측 모델을 이용하여 상기 병변 영역을 예측한 예측 결과 데이터를 획득하고,
상기 예측 결과 데이터를 기초로 상기 병변에 대한 서브타입(subtype)을 분류하도록 학습된 분류 모델을 이용하여 상기 서브타입을 분류한 분류 결과 데이터를 획득하고,
상기 분류 결과 데이터에 기반하여 상기 목적 부위에서 기 설정된 임계 비율 이상에 해당하는 병변 영역의 서브타입을 상기 피검자의 질환으로 결정하도록 구성되는, 패치 영상 기반 목적부위 질환 결정 장치. - 제1항에 있어서, 상기 제어부는,
상기 분류 결과 데이터에 기반하여 상기 피검자의 전체 병변 영역에 해당하는 복수의 패치 영상을, 분류된 각 서브타입에 따라 정량화하고,
상기 전체 병변 영역에 해당하는 복수의 패치 영상에 대한 정량화 결과에 기반하여 상기 피검자의 질환 위험도를 결정하도록 구성되는, 패치 영상 기반 목적부위 질환 결정 장치. - 제2항에 있어서, 상기 제어부는,
상기 전체 병변 영역에 해당하는 복수의 패치 영상 대비 각 서브 타입에 대하여 분류된 패치 영상의 비율을 결정하고,
상기 각 서브타입에 대하여 분류된 패치 영상의 결정된 비율에 따라 상기 피검자의 질환 위험도를 결정하도록 구성되는, 패치 영상 기반 목적부위 질환 결정 장치. - 제1항에 있어서, 상기 예측 결과 데이터는,
상기 예측된 병변 영역에 해당하는 복수의 패치 영상을 포함하는, 패치 영상 기반 목적부위 질환 결정 장치. - 제4항에 있어서, 상기 분류 모델은,
상기 병변 영역에 해당하는 복수의 패치 영상을 입력으로 하여 상기 병변 영역에 대한 서브타입의 클래스(class)를 상기 분류 결과 데이터로서 출력하는, 패치 영상 기반 목적부위 질환 결정 장치. - 제5항에 있어서, 상기 제어부는,
상기 병변 영역에 해당하는 복수의 패치 영상 중 제1 패치 영상과 인접한 복수의 인접 패치 영상에 관련된 서브타입의 클래스에 기반하여 상기 제1 패치 영상에 관련된 서브타입의 클래스를 결정하도록 구성되는, 패치 영상 기반 목적부위 질환 결정 장치. - 제6항에 있어서, 상기 제어부는,
상기 복수의 인접 패치 영상에 관련된 서브타입의 클래스 중 기 설정된 제1 임계 비율 이상에 해당하는 서브타입의 클래스를 결정하고,
상기 제1 임계 비율 이상에 해당하는 서브타입의 클래스를 상기 제1 패치 영상에 관련된 서브타입의 클래스로 결정하도록 구성되는, 패치 영상 기반 목적부위 질환 결정 장치. - 제6항에 있어서, 상기 제어부는,
상기 병변 영역에 관련하여 결정된 전체 서브타입의 클래스 중 기 설정된 제2 임계 비율 이상에 해당하는 서브타입의 클래스를 결정하고,
상기 제2 임계 비율 이상에 해당하는 서브타입의 클래스를 상기 병변 영역에 해당하는 서브타입으로 결정하도록 구성되는, 패치 영상 기반 목적부위 질환 결정 장치. - 제1항에 있어서, 상기 제어부는,
상기 목적 부위의 전체 면적 대비 상기 서브타입이 결정된 병변 영역의 면적이 기 설정된 제3 임계 비율 이상인지 결정하고,
상기 서브타입이 결정된 병변 영역의 면적이 상기 제3 임계 비율 이상이면 상기 서브타입을 상기 피검자의 질환으로 결정하도록 구성되는, 패치 영상 기반 목적부위 질환 결정 장치. - 제1항에 있어서, 상기 분류 모델은,
상기 병변 영역에 대한 서브타입을 분류하기 위한 복수의 인공신경망 모델, 및 상기 복수의 인공신경망 모델로부터 출력된 분류 결과 데이터에서 투표(voting)를 통해 최종 분류 결과 데이터를 출력하는 투표 모델을 포함하는, 패치 영상 기반 목적부위 질환 결정 장치. - 제1항에 있어서, 상기 분류 모델은,
사전 학습된(pre-trained) 인공신경망 모델을 기반으로 파인 튜닝(Fine Tuning)이 이루어진 모델인, 패치 영상 기반 목적부위 질환 결정 장치. - 패치 영상 기반 목적부위 질환 결정 장치에서의 패치 영상 기반 목적부위 질환 결정 방법에 있어서,
촬영 장치로부터 피검자의 목적 부위를 촬영한 의료 영상을 획득하는 단계;
상기 의료 영상을 이용하여 상기 목적 부위에 대응하는 복수의 패치 영상을 생성하는 단계;
상기 복수의 패치 영상을 기초로 상기 목적 부위에서 병변에 해당하는 병변 영역을 예측하도록 학습된 예측 모델을 이용하여 상기 병변 영역을 예측한 예측 결과 데이터를 획득하는 단계;
상기 예측 결과 데이터를 기초로 상기 병변에 대한 서브타입(subtype)을 분류하도록 학습된 분류 모델을 이용하여 상기 서브타입을 분류한 분류 결과 데이터를 획득하는 단계;
상기 분류 결과 데이터를 기반으로 상기 목적 부위에서 기 설정된 임계 비율 이상에 해당하는 병변 영역의 서브타입을 결정하는 단계; 및
상기 결정된 서브타입을 상기 피검자의 질환으로 결정하는 단계를 포함하는, 패치 영상 기반 목적부위 질환 결정 방법. - 제12항에 있어서,
상기 분류 결과 데이터에 기반하여 상기 피검자의 전체 병변 영역에 해당하는 복수의 패치 영상을, 분류된 각 서브타입에 따라 정량화하는 단계; 및
상기 전체 병변 영역에 해당하는 복수의 패치 영상에 대한 정량화 결과에 기반하여 상기 피검자의 질환 위험도를 결정하는 단계를 더 포함하는, 패치 영상 기반 목적부위 질환 결정 방법. - 제13항에 있어서, 상기 정량화하는 단계는,
상기 전체 병변 영역에 해당하는 복수의 패치 영상 대비 각 서브 타입에 대하여 분류된 패치 영상의 비율을 결정하는 단계이고,
상기 피검자의 질환 위험도를 결정하는 단계는,
상기 각 서브타입에 대하여 분류된 패치 영상의 결정된 비율에 따라 상기 피검자의 질환 위험도를 결정하는 단계인, 패치 영상 기반 목적부위 질환 결정 방법. - 제12항에 있어서, 상기 예측 결과 데이터는,
상기 예측된 병변 영역에 해당하는 복수의 패치 영상을 포함하는, 패치 영상 기반 목적부위 질환 결정 방법. - 제15항에 있어서, 상기 분류 모델은,
상기 병변 영역에 해당하는 복수의 패치 영상을 입력으로 하여 상기 병변 영역에 대한 서브타입의 클래스(class)를 상기 분류 결과 데이터로서 출력하는, 패치 영상 기반 목적부위 질환 결정 방법. - 제16항에 있어서, 상기 분류 결과 데이터를 획득하는 단계는,
상기 병변 영역에 해당하는 복수의 패치 영상 중 제1 패치 영상과 인접한 복수의 인접 패치 영상에 관련된 서브타입의 클래스에 기반하여 상기 제1 패치 영상에 관련된 서브타입의 클래스를 결정하는 단계를 포함하는, 패치 영상 기반 목적부위 질환 결정 방법. - 제17항에 있어서, 상기 복수의 인접 패치 영상에 관련된 서브타입의 클래스에 기반하여 상기 제1 패치 영상에 관련된 서브타입의 클래스를 결정하는 단계는,
상기 복수의 인접 패치 영상에 관련된 서브타입의 클래스 중 기 설정된 제1 임계 비율 이상에 해당하는 서브타입의 클래스를 결정하는 단계; 및
상기 제1 임계 비율 이상에 해당하는 서브타입의 클래스를 상기 제1 패치 영상에 관련된 서브타입의 클래스로 결정하는 단계를 포함하는, 패치 영상 기반 목적부위 질환 결정 방법. - 제17항에 있어서, 상기 임계 비율 이상에 해당하는 병변 영역의 서브타입을 결정하는 단계는,
상기 병변 영역에 관련하여 결정된 서브타입의 전체 클래스 중 기 설정된 제2 임계 비율 이상에 해당하는 서브타입의 클래스를 결정하는 단계; 및
상기 제2 임계 비율 이상에 해당하는 서브타입의 클래스를 상기 병변 영역에 해당하는 서브타입으로 결정하는 단계를 포함하는, 패치 영상 기반 목적부위 질환 결정 방법. - 제17항에 있어서, 상기 임계 비율 이상에 해당하는 병변 영역의 서브타입을 결정하는 단계는,
상기 목적 부위의 전체 면적 대비 상기 서브타입이 결정된 병변 영역의 면적이 기 설정된 제3 임계 비율 이상인지 결정하는 단계; 및
상기 서브타입이 결정된 병변 영역의 면적이 상기 제3 임계 비율 이상이면 상기 서브타입을 상기 병변 영역의 서브타입으로 피검자의 질환으로 결정하는 단계를 포함하는, 패치 영상 기반 목적부위 질환 결정 방법. - 제12항에 있어서, 상기 분류 모델은,
상기 병변 영역에 대한 서브타입을 분류하기 위한 복수의 인공신경망 모델, 및 상기 복수의 인공신경망 모델로부터 출력된 분류 결과 데이터에서 투표(voting)를 통해 최종 분류 결과 데이터를 출력하는 투표 모델을 포함하는, 패치 영상 기반 목적부위 질환 결정 방법. - 제12항에 있어서, 상기 분류 모델은,
사전 학습된(pre-training) 인공신경망 모델을 기반으로 파인 튜닝(Fine Tuning)이 이루어진 모델인, 패치 영상 기반 목적부위 질환 결정 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210033511A KR20220129144A (ko) | 2021-03-15 | 2021-03-15 | 패치 영상을 기반으로 목적 부위의 질환을 결정하기 위한 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210033511A KR20220129144A (ko) | 2021-03-15 | 2021-03-15 | 패치 영상을 기반으로 목적 부위의 질환을 결정하기 위한 장치 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20220129144A true KR20220129144A (ko) | 2022-09-23 |
Family
ID=83445981
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210033511A KR20220129144A (ko) | 2021-03-15 | 2021-03-15 | 패치 영상을 기반으로 목적 부위의 질환을 결정하기 위한 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20220129144A (ko) |
-
2021
- 2021-03-15 KR KR1020210033511A patent/KR20220129144A/ko not_active Application Discontinuation
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111401398B (zh) | 用于根据人工智能检测输出确定疾病进展的系统和方法 | |
| US11615879B2 (en) | System and method for automated labeling and annotating unstructured medical datasets | |
| Mansoor et al. | Segmentation and image analysis of abnormal lungs at CT: current approaches, challenges, and future trends | |
| CN104346821B (zh) | 用于医学成像的自动规划 | |
| US10997475B2 (en) | COPD classification with machine-trained abnormality detection | |
| US11443201B2 (en) | Artificial intelligence-based self-learning in medical imaging | |
| US20160128663A1 (en) | Systems and methods for determining hepatic function from liver scans | |
| CN111210401B (zh) | 根据医学图像的主动脉自动检测和量化 | |
| RU2699416C2 (ru) | Идентификация аннотаций к описанию изображения | |
| US11915822B2 (en) | Medical image reading assistant apparatus and method for adjusting threshold of diagnostic assistant information based on follow-up examination | |
| KR102382872B1 (ko) | 의료용 인공 신경망 기반 대표 영상을 제공하는 의료 영상 판독 지원 장치 및 방법 | |
| EP4183344A1 (en) | Device and method for supporting chest medical image reading | |
| US11715212B2 (en) | Heatmap and atlas | |
| KR20220124665A (ko) | 의료용 인공 신경망 기반 사용자 선호 스타일을 제공하는 의료 영상 판독 지원 장치 및 방법 | |
| Colvert et al. | Novel 4DCT method to measure regional left ventricular endocardial shortening before and after transcatheter mitral valve implantation | |
| Taylor et al. | CT colonography and computer-aided detection: effect of false-positive results on reader specificity and reading efficiency in a low-prevalence screening population | |
| WO2020235461A1 (ja) | 異常検出方法、異常検出プログラム、異常検出装置、サーバ装置及び情報処理方法 | |
| US20220331556A1 (en) | System and method for visualizing placement of a medical tube or line | |
| Schultheis et al. | Using deep learning segmentation for endotracheal tube position assessment | |
| KR20220129144A (ko) | 패치 영상을 기반으로 목적 부위의 질환을 결정하기 위한 장치 및 방법 | |
| US11996182B2 (en) | Apparatus and method for medical image reading assistant providing representative image based on medical use artificial neural network | |
| KR102647251B1 (ko) | 하지 정렬 평가 방법 및 이를 이용한 하지 정렬 평가용 디바이스 | |
| US20240164845A1 (en) | Artificial Intelligence System and Method for Defining and Visualizing Placement of a Catheter in a Patient Coordinate System Together with an Assessment of Typical Complications | |
| US20240037739A1 (en) | Image processing apparatus, image processing method, and image processing program | |
| US11410341B2 (en) | System and method for visualizing placement of a medical tube or line |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |