KR20220143184A - Gallbladder cancer diagnosis method based on atificial intelligence - Google Patents
Gallbladder cancer diagnosis method based on atificial intelligence Download PDFInfo
- Publication number
- KR20220143184A KR20220143184A KR1020210048269A KR20210048269A KR20220143184A KR 20220143184 A KR20220143184 A KR 20220143184A KR 1020210048269 A KR1020210048269 A KR 1020210048269A KR 20210048269 A KR20210048269 A KR 20210048269A KR 20220143184 A KR20220143184 A KR 20220143184A
- Authority
- KR
- South Korea
- Prior art keywords
- gallbladder cancer
- data
- artificial intelligence
- gallbladder
- present
- Prior art date
Links
- 208000022072 Gallbladder Neoplasms Diseases 0.000 title claims abstract description 87
- 201000010175 gallbladder cancer Diseases 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003745 diagnosis Methods 0.000 title claims abstract description 41
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 35
- 238000007670 refining Methods 0.000 abstract description 3
- 210000000232 gallbladder Anatomy 0.000 description 17
- 238000010586 diagram Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 15
- 238000013528 artificial neural network Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 10
- 238000002372 labelling Methods 0.000 description 10
- 238000003384 imaging method Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 8
- 230000003902 lesion Effects 0.000 description 7
- 206010028980 Neoplasm Diseases 0.000 description 6
- 201000011510 cancer Diseases 0.000 description 5
- 238000002192 cholecystectomy Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000002591 computed tomography Methods 0.000 description 4
- 239000000470 constituent Substances 0.000 description 4
- 230000003211 malignant effect Effects 0.000 description 4
- 210000000056 organ Anatomy 0.000 description 4
- 238000002604 ultrasonography Methods 0.000 description 4
- 206010049704 Gallbladder polyp Diseases 0.000 description 3
- 238000001574 biopsy Methods 0.000 description 3
- 201000001883 cholelithiasis Diseases 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 208000013976 polyp of gallbladder Diseases 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000002271 resection Methods 0.000 description 3
- 238000001356 surgical procedure Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 210000000941 bile Anatomy 0.000 description 2
- 201000001352 cholecystitis Diseases 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000007459 endoscopic retrograde cholangiopancreatography Methods 0.000 description 2
- 238000001839 endoscopy Methods 0.000 description 2
- 208000020694 gallbladder disease Diseases 0.000 description 2
- 208000001130 gallstones Diseases 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 208000005641 Adenomyosis Diseases 0.000 description 1
- 206010017993 Gastrointestinal neoplasms Diseases 0.000 description 1
- 206010027476 Metastases Diseases 0.000 description 1
- 208000037062 Polyps Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 201000009036 biliary tract cancer Diseases 0.000 description 1
- 208000020790 biliary tract neoplasm Diseases 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 201000009274 endometriosis of uterus Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000002594 fluoroscopy Methods 0.000 description 1
- 210000001035 gastrointestinal tract Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000004798 organs belonging to the digestive system Anatomy 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 210000004303 peritoneum Anatomy 0.000 description 1
- 238000010837 poor prognosis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000008719 thickening Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/42—Detecting, measuring or recording for evaluating the gastrointestinal, the endocrine or the exocrine systems
- A61B5/4222—Evaluating particular parts, e.g. particular organs
- A61B5/4244—Evaluating particular parts, e.g. particular organs liver
-
- 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
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/037—Emission tomography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0833—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures
- A61B8/085—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures for locating body or organic structures, e.g. tumours, calculi, blood vessels, nodules
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
- A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- High Energy & Nuclear Physics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Physiology (AREA)
- Optics & Photonics (AREA)
- Databases & Information Systems (AREA)
- Gastroenterology & Hepatology (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Endocrinology (AREA)
- Pulmonology (AREA)
- Theoretical Computer Science (AREA)
- Vascular Medicine (AREA)
- Image Analysis (AREA)
Abstract
Description
본 발명은 인공지능 기반 담낭암 진단 방법에 관한 것이다.The present invention relates to a method for diagnosing gallbladder cancer based on artificial intelligence.
담낭암은 담즙을 저장하고 배출하는 장기인 담낭에 발생하는 악성 종양으로 인간의 수명이 증가하면서 전 세계적으로 증가 추세를 보이고 있다. 우리나라 국가 암 정보센터 자료에 의하면, 담낭담도암은 전체 암 발생의 9위를 차지하나, 암 사망률은 6위로 예후가 매우 불량한데, 이는 조기 진단이 어려워 대부분 진행 상태에서 발견되기 때문이다.Gallbladder cancer is a malignant tumor that occurs in the gallbladder, an organ that stores and discharges bile. According to the data of the National Cancer Information Center in Korea, gallbladder and biliary tract cancer ranks ninth in all cancers, but it ranks sixth in cancer mortality, resulting in a very poor prognosis, because early diagnosis is difficult and most are detected at an advanced stage.
담낭은 다른 소화기관에 비해 상대적으로 얇은 담낭벽 구조를 가지고 있기 때문에 주위 장기인 간과 복막 전이가 쉽게 일어나 절제 불가능한 경우가 많다. 또한, 수술이 가능한 경우에도 인접 장기인 간 절제술까지 필요한 경우가 많으나 수술 후 재발 또한 매우 흔하다. 따라서 호발 연령이 고령인 담낭암 환자의 치료 결정 단계에서 절제 가능성에 대한 평가가 매우 중요하다.Because the gallbladder has a relatively thin gallbladder wall structure compared to other digestive organs, metastases to the liver and peritoneum, which are nearby organs, occur easily and are often unresectable. In addition, even when surgery is possible, liver resection, which is an adjacent organ, is often required, but recurrence after surgery is also very common. Therefore, it is very important to evaluate the possibility of resection in the treatment decision stage of gallbladder cancer patients with an older age of onset.
그런데, 담즙을 저장하는 기능을 가지고 있는 담낭은 위장관처럼 팽창과 수축에 따라 모양이 변형되는 비정형적인 구 모양 구조를 하고 있어, 영상검사, 특히 CT(Computed Tomography)나 MRI(Magnetic Resonance Imaging) 검사에서 제약이 많다.However, the gallbladder, which has the function of storing bile, has an atypical spherical structure that is deformed according to expansion and contraction like the gastrointestinal tract. There are many restrictions.
또한, 암이 상당히 진행되기 전까지는 US(Ultrasonography), CT, MRI 검사에 잘 나타나지 않기 때문에 조기 진단이 어렵고 얇은 담낭관과 담도벽을 따라 진행하는 암의 특성상 진단 당시에도 암 침범 정도를 정확히 평가하기가 어려워 수술적 절제 후에도 재발률이 높다. 반면, 다른 위장관 암과 달리 장기 특성상 내시경 검사법으로도 담낭 내부를 직접 관찰할 수가 없기 때문에 담낭 자체에서는 조직 채취가 불가하여 담낭암이 의심되는 경우에도 수술 전 조직학적 진단이 안되는 것이 현실이다.In addition, it is difficult to diagnose early because it does not appear well on US (Ultrasonography), CT, and MRI scans until the cancer has progressed significantly. The recurrence rate is high even after surgical resection. On the other hand, unlike other gastrointestinal cancers, since the inside of the gallbladder cannot be directly observed even with endoscopy due to the characteristics of the organ, tissue collection is not possible from the gallbladder itself.
현재 담낭에 대한 검사는 주로 US를 이용한 검사법이 이용되고 있으나, 초음파 기기의 성능과 검사자의 숙련도에 의존되기 때문에 제한점을 많이 가지고 있다. 또한, 작은 병변의 경우 담낭암의 조기 진단이 어려워 담낭염 진단으로 시행한 복강경하 담낭절제술 후에 담낭암으로 진단되어 이후 2차 개복 수술을 시행해야 하는 경우가 생기는 문제점이 있다.Currently, the examination of the gallbladder is mainly used using the US test method, but it has many limitations because it depends on the performance of the ultrasound device and the skill of the examiner. In addition, in the case of small lesions, it is difficult to diagnose gallbladder cancer early, so after laparoscopic cholecystectomy performed as a diagnosis of cholecystitis, it is diagnosed as gallbladder cancer, and there is a problem that a second open operation must be performed thereafter.
이와 같이, 담낭암 조기 진단이 어렵기 때문에 담낭벽 비후가 관찰된 경우 또는 크기가 1츠 정도의 단순 담낭 용종에서도 담낭암 예방을 목적으로 담낭절제술을 하는 경우가 흔하게 있어, 불필요한 수술로 인한 의료비의 증가뿐만 아니라 환자 개인의 건강에도 악영향을 미칠 수 있다는 단점이 있다.As described above, since it is difficult to diagnose gallbladder cancer early, it is common to perform cholecystectomy for the purpose of preventing gallbladder cancer when thickening of the gallbladder wall is observed or even in a simple gallbladder polyp with a size of about 1 cm. However, it has the disadvantage that it may adversely affect the patient's individual health.
따라서, 이를 해결할 수 있는 담낭암 진단 방법이 필요하다.Therefore, there is a need for a method for diagnosing gallbladder cancer that can solve this problem.
본 발명은 상기 문제점을 해결하기 위한 것으로서, 인공지능 기반 담낭암 진단 방법을 제공하는 것을 그 목적으로 한다.The present invention is to solve the above problems, and an object of the present invention is to provide an AI-based gallbladder cancer diagnosis method.
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재들로부터 당업자에게 명확하게 이해될 수 있을 것이다.The technical problems of the present invention are not limited to the technical problems mentioned above, and other technical problems not mentioned will be clearly understood by those skilled in the art from the following description.
본 발명의 일 실시예에 따라, 담낭암 진단 방법이 제공된다 상기 담낭암 진단 방법은, 원천 데이터를 획득하는 단계; 획득한 상기 원천 데이터를 정제하여 인공지능 학습용 데이터를 생성하는 단계; 생성한 상기 인공지능 학습용 데이터를 담낭암 진단 정보 시스템에 저장하는 단계; 및 상기 담낭암 진단 정보 시스템에 저장된 상기 인공지능 학습용 데이터에 기초하여 학습된 인공지능 모델을 통해 담낭암을 자동으로 검출하는 단계를 포함할 수 있다.According to an embodiment of the present invention, there is provided a method for diagnosing gallbladder cancer, the method comprising: acquiring source data; generating data for artificial intelligence learning by purifying the acquired source data; storing the generated data for artificial intelligence learning in a gallbladder cancer diagnosis information system; and automatically detecting gallbladder cancer through an artificial intelligence model learned based on the artificial intelligence learning data stored in the gallbladder cancer diagnosis information system.
본 발명에 따르면, 담낭암의 진단에 중요한 다양한 진단 영상과 임상 자료를 추가한 인공지능 학습용 데이터를 통하여 인공지능을 학습시킬 수 있다.According to the present invention, it is possible to learn artificial intelligence through data for artificial intelligence learning in which various diagnostic images and clinical data important for the diagnosis of gallbladder cancer are added.
또한, 본 발명에 따르면, 학습된 인공지능을 통하여 객관적이고 정확한 진단을 제공할 수 있다.In addition, according to the present invention, it is possible to provide an objective and accurate diagnosis through the learned artificial intelligence.
본 발명의 상세한 설명에서 인용되는 도면을 보다 충분히 이해하기 위하여 각 도면의 간단한 설명이 제공된다.
도 1은 본 발명의 일 실시예에 따른 담낭암 진단 방법의 원천 데이터를 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 담낭암 진단 방법의 원천 데이터 중 종류가 다른 각 영상을 비교하는 예를 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시예에 따른 담낭암 진단 방법의 원천 데이터 중 서로 다른 병변을 비교하는 예를 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 담낭암 진단 방법의 정상 담낭 촬영 영상의 예를 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 담낭암 진단 방법의 데이터셋 구조를 설명하기 위한 도면이다.
도 6는 본 발명의 일 실시예에 따른 담낭암 진단 방법의 학습용 데이터 구축 및 활용 프로세스를 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시예에 따른 담낭암 진단 방법의 담낭암 데이터셋에 대한 라벨링(Labeling)을 설명하기 위한 도면이다.
도 8은 본 발명의 일 실시예에 따른 담낭암 진단 방법의 담낭암 데이터셋에 대한 라벨링(Labeling)을 설명하기 위한 도면이다.
도 9는 본 발명의 일 실시예에 따른 담낭암 진단 방법의 담낭암 학습용 데이터셋 구축을 설명하기 위한 도면이다.
도 10은 본 발명의 일 실시예에 따른 담낭암 진단 방법이 적용된 담낭암 데이터셋 관리 시스템의 예를 설명하기 위한 도면이다.
도 11은 본 발명의 일 실시예에 따른 담낭암 진단 방법이 적용된 담낭암 진단용 소프트웨어의 UI의 예를 설명하기 위한 도면이다.
도 12는 본 발명의 일 실시예에 따른 담낭암 진단 방법이 적용된 담낭암 진단용 소프트웨어의 UI의 예를 설명하기 위한 도면이다.
도 13은 본 발명의 일 실시예에 따른 담낭암 진단 방법의 k-겹 교차검증 과정을 설명하기 위한 도면이다.
도 14는 본 발명의 일 실시예에 따른 담낭암 진단 방법이 적용된 서비스의 예를 설명하기 위한 도면이다.In order to more fully understand the drawings recited in the Detailed Description of the Invention, a brief description of each drawing is provided.
1 is a diagram for explaining source data of a method for diagnosing gallbladder cancer according to an embodiment of the present invention.
FIG. 2 is a diagram for explaining an example of comparing images of different types among source data of a method for diagnosing gallbladder cancer according to an embodiment of the present invention.
3 is a diagram for explaining an example of comparing different lesions among source data of a gallbladder cancer diagnosis method according to an embodiment of the present invention.
4 is a view for explaining an example of a normal gallbladder imaging image of the gallbladder cancer diagnosis method according to an embodiment of the present invention.
5 is a diagram for explaining a data set structure of a method for diagnosing gallbladder cancer according to an embodiment of the present invention.
6 is a diagram for explaining a process of constructing and utilizing learning data for a method for diagnosing gallbladder cancer according to an embodiment of the present invention.
7 is a view for explaining the labeling of the gallbladder cancer dataset in the gallbladder cancer diagnosis method according to an embodiment of the present invention.
FIG. 8 is a diagram for explaining labeling of a gallbladder cancer dataset in a method for diagnosing gallbladder cancer according to an embodiment of the present invention.
9 is a view for explaining the construction of a data set for gallbladder cancer learning in the gallbladder cancer diagnosis method according to an embodiment of the present invention.
10 is a diagram for explaining an example of a gallbladder cancer dataset management system to which the gallbladder cancer diagnosis method according to an embodiment of the present invention is applied.
11 is a diagram for explaining an example of a UI of software for diagnosing gallbladder cancer to which the method for diagnosing gallbladder cancer according to an embodiment of the present invention is applied.
12 is a diagram for explaining an example of a UI of software for diagnosing gallbladder cancer to which the method for diagnosing gallbladder cancer according to an embodiment of the present invention is applied.
13 is a view for explaining a k-fold cross-validation process of the gallbladder cancer diagnosis method according to an embodiment of the present invention.
14 is a diagram for explaining an example of a service to which the gallbladder cancer diagnosis method according to an embodiment of the present invention is applied.
본 발명의 기술적 사상은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 이를 상세히 설명하고자 한다. 그러나, 이는 본 발명의 기술적 사상을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 기술적 사상의 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.Since the technical spirit of the present invention may have various changes and may have various embodiments, specific embodiments will be illustrated in the drawings and described in detail. However, this is not intended to limit the technical spirit of the present invention to specific embodiments, and it should be understood to include all changes, equivalents or substitutes included in the scope of the technical spirit of the present invention.
본 발명의 기술적 사상을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 발명의 설명 과정에서 이용되는 숫자(예를 들어, 제1, 제2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.In describing the technical idea of the present invention, if it is determined that a detailed description of a related known technology may unnecessarily obscure the subject matter of the present invention, the detailed description thereof will be omitted. In addition, numbers (eg, first, second, etc.) used in the description of the present invention are merely identification symbols for distinguishing one component from another.
또한, 본 발명에서, 일 구성요소가 다른 구성요소와 "연결된다" 거나 "접속된다" 등으로 언급된 때에는, 상기 일 구성요소가 상기 다른 구성요소와 직접 연결되거나 또는 직접 접속될 수도 있지만, 특별히 반대되는 기재가 존재하지 않는 이상, 중간에 또 다른 구성요소를 매개하여 연결되거나 또는 접속될 수도 있다고 이해되어야 할 것이다.In addition, in the present invention, when a component is referred to as “connected” or “connected” with another component, the component may be directly connected or directly connected to the other component, but in particular It should be understood that, unless there is a description to the contrary, it may be connected or connected through another element in the middle.
또한, 본 발명에 기재된 "~부", "~기", "~자", "~모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 프로세서(Processor), 마이크로 프로세서(Micro Processer), 마이크로 컨트롤러(Micro Controller), CPU(Central Processing Unit), GPU(Graphics Processing Unit), APU(Accelerate Processor Unit), DSP(Digital Signal Processor), ASIC(Application Specific Integrated Circuit), FPGA(Field Programmable Gate Array) 등과 같은 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.In addition, terms such as "~ unit", "~ group", "~ character", and "~ module" described in the present invention mean a unit that processes at least one function or operation, which is a processor, a micro Processor (Micro Processor), Micro Controller (Micro Controller), CPU (Central Processing Unit), GPU (Graphics Processing Unit), APU (Accelerate Processor Unit), DSP (Digital Signal Processor), ASIC (Application Specific Integrated Circuit), FPGA It may be implemented by hardware or software such as (Field Programmable Gate Array), or a combination of hardware and software.
그리고 본 발명에서의 구성부들에 대한 구분은 각 구성부가 담당하는 주기능 별로 구분한 것에 불과함을 명확히 하고자 한다. 즉, 이하에서 설명할 2개 이상의 구성부가 하나의 구성부로 합쳐지거나 또는 하나의 구성부가 보다 세분화된 기능별로 2개 이상으로 분화되어 구비될 수도 있다. 그리고 이하에서 설명할 구성부 각각은 자신이 담당하는 주기능 이외에도 다른 구성부가 담당하는 기능 중 일부 또는 전부의 기능을 추가적으로 수행할 수도 있으며, 구성부 각각이 담당하는 주기능 중 일부 기능이 다른 구성부에 의해 전담되어 수행될 수도 있음은 물론이다.And it is intended to clarify that the classification of the constituent parts in the present invention is merely a division for each main function that each constituent unit is responsible for. That is, two or more components to be described below may be combined into one component, or one component may be divided into two or more for each more subdivided function. In addition, each of the constituent units to be described below may additionally perform some or all of the functions of other constituent units in addition to the main function it is responsible for. Of course, it can also be performed by being dedicated to it.
본 명세서에 걸쳐, 네트워크 함수는 신경망 네트워크 및/또는 뉴럴 네트워크(neural network)와 동일한 의미로 사용될 수 있다. 여기서, 뉴럴 네트워크(신경망)는 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있고, 이러한 노드들은 뉴런으로 지칭될 수 있다. 뉴럴 네트워크는 일반적으로 복수의 노드들을 포함하여 구성된다. 뉴럴 네트워크를 구성하는 노드들은 하나 이상의 링크에 의해 상호 연결될 수 있다.Throughout this specification, a network function may be used synonymously with a neural network and/or a neural network. Here, a neural network (neural network) may be composed of a set of interconnected computational units that may be generally referred to as nodes, and these nodes may be referred to as neurons. A neural network is generally configured to include a plurality of nodes. Nodes constituting the neural network may be interconnected by one or more links.
뉴럴 네트워크를 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.Some of the nodes constituting the neural network may configure one layer based on distances from the initial input node. For example, a set of nodes having a distance of n from the initial input node may constitute n layers.
본 명세서에서 설명하는 뉴럴 네트워크는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 딥 뉴럴 네트워크(Deep Neural Network, DNN)를 포함할 수 있다. 딥 뉴럴 네트워크는 컨볼루셔널 뉴럴 네트워크(Convolutional Neural Network, CNN), 리커런트 뉴럴 네트워크(Recurrent Neural Network, RNN) 등을 포함할 수 있다.The neural network described herein may include a deep neural network (DNN) including a plurality of hidden layers in addition to an input layer and an output layer. The deep neural network may include a convolutional neural network (CNN), a recurrent neural network (RNN), and the like.
도 1은 본 발명의 일 실시예에 따른 담낭암 진단 방법의 원천 데이터를 설명하기 위한 도면이고, 도 2는 본 발명의 일 실시예에 따른 담낭암 진단 방법의 원천 데이터 중 종류가 다른 각 영상을 비교하는 예를 설명하기 위한 도면이며, 도 3은 본 발명의 일 실시예에 따른 담낭암 진단 방법의 원천 데이터 중 서로 다른 병변을 비교하는 예를 설명하기 위한 도면이고, 도 4는 본 발명의 일 실시예에 따른 담낭암 진단 방법의 정상 담낭 촬영 영상의 예를 설명하기 위한 도면이며, 도 5는 본 발명의 일 실시예에 따른 담낭암 진단 방법의 데이터셋 구조를 설명하기 위한 도면이고, 도 6는 본 발명의 일 실시예에 따른 담낭암 진단 방법의 학습용 데이터 구축 및 활용 프로세스를 설명하기 위한 도면이며, 도 7은 본 발명의 일 실시예에 따른 담낭암 진단 방법의 담낭암 데이터셋에 대한 라벨링(Labeling)을 설명하기 위한 도면이고, 도 8은 본 발명의 일 실시예에 따른 담낭암 진단 방법의 담낭암 데이터셋에 대한 라벨링(Labeling)을 설명하기 위한 도면이며, 도 9는 본 발명의 일 실시예에 따른 담낭암 진단 방법의 담낭암 학습용 데이터셋 구축을 설명하기 위한 도면이고, 도 10은 본 발명의 일 실시예에 따른 담낭암 진단 방법이 적용된 담낭암 데이터셋 관리 시스템의 예를 설명하기 위한 도면이며, 도 11은 본 발명의 일 실시예에 따른 담낭암 진단 방법이 적용된 담낭암 진단용 소프트웨어의 UI의 예를 설명하기 위한 도면이고, 도 12는 본 발명의 일 실시예에 따른 담낭암 진단 방법이 적용된 담낭암 진단용 소프트웨어의 UI의 예를 설명하기 위한 도면이며, 도 13은 본 발명의 일 실시예에 따른 담낭암 진단 방법의 k-겹 교차검증 과정을 설명하기 위한 도면이고, 도 14는 본 발명의 일 실시예에 따른 담낭암 진단 방법이 적용된 서비스의 예를 설명하기 위한 도면이다.1 is a diagram for explaining the source data of the method for diagnosing gallbladder cancer according to an embodiment of the present invention, and FIG. 2 is a diagram for comparing images of different types among the source data of the method for diagnosing gallbladder cancer according to an embodiment of the present invention. It is a diagram for explaining an example, and FIG. 3 is a diagram for explaining an example of comparing different lesions among the source data of the gallbladder cancer diagnosis method according to an embodiment of the present invention, and FIG. 4 is an embodiment of the present invention. FIG. 5 is a view for explaining an example of a normal gallbladder imaging image of the gallbladder cancer diagnosis method according to the present invention. It is a view for explaining a process of constructing and utilizing data for learning of a method for diagnosing gallbladder cancer according to an embodiment, and FIG. 7 is a view for explaining labeling for a gallbladder cancer dataset of a method for diagnosing gallbladder cancer according to an embodiment of the present invention 8 is a view for explaining the labeling of a gallbladder cancer dataset of the gallbladder cancer diagnosis method according to an embodiment of the present invention, and FIG. It is a diagram for explaining data set construction, and FIG. 10 is a diagram for explaining an example of a gallbladder cancer dataset management system to which a gallbladder cancer diagnosis method according to an embodiment of the present invention is applied, and FIG. 11 is an embodiment of the present invention It is a view for explaining an example of the UI of the gallbladder cancer diagnosis software to which the gallbladder cancer diagnosis method is applied, and FIG. 13 is a view for explaining a k-fold cross-validation process of a gallbladder cancer diagnosis method according to an embodiment of the present invention, and FIG. 14 is a view for explaining an example of a service to which the gallbladder cancer diagnosis method according to an embodiment of the present invention is applied is a drawing for
도 1 내지 도 14를 참조하면, 본 발명의 일 실시예에 따른 담낭암 진단 방법은, 원천 데이터를 획득하는 단계, 획득한 원천 데이터를 정제하여 인공지능 학습용 데이터를 생성하는 단계, 생성한 인공지능 학습용 데이터를 담낭암 진단 정보 시스템에 저장하는 단계 및 담낭암 진단 정보 시스템에 저장된 인공지능 학습용 데이터에 기초하여 학습된 인공지능 모델을 통해 담낭암을 자동으로 검출하는 단계를 포함할 수 있다.1 to 14 , the method for diagnosing gallbladder cancer according to an embodiment of the present invention includes the steps of obtaining source data, purifying the obtained source data to generate data for artificial intelligence learning, and generating artificial intelligence for learning Storing the data in the gallbladder cancer diagnosis information system and automatically detecting gallbladder cancer through the artificial intelligence model learned based on the artificial intelligence learning data stored in the gallbladder cancer diagnosis information system.
원천 데이터를 획득하는 단계는, 의료데이터베이스로부터 담낭 질환 진단을 위해 촬영된 영상자료 및 해당 영상자료의 임상 정보를 획득함으로써 수행될 수 있다. 보다 상세하게, 원천데이터는 OCS(Order Communication System), EMR(Electronic Medical Record) 및 PACS(Picture Archiving and Communication System) 프로그램으로부터 담낭 질환 진단을 위해 촬영된 US(Ultrasonography), CT(Computed Tomography), MRI(Magnetic Resonance Imaging), PET(Positron-Emitting Tomography)-CT, 초음파내시경, ERCP(endoscopic retrograde cholangiopancreatography) 투시 영상 등과 해당 영상자료의 임상 정보를 획득함으로써 수행될 수 있다.The step of acquiring the source data may be performed by acquiring image data captured for gallbladder disease diagnosis and clinical information of the image data from a medical database. In more detail, the source data is US (Ultrasonography), CT (Computed Tomography), MRI taken for gallbladder disease diagnosis from OCS (Order Communication System), EMR (Electronic Medical Record), and PACS (Picture Archiving and Communication System) programs. (Magnetic Resonance Imaging), PET (Positron-Emitting Tomography)-CT, ultrasound endoscopy, ERCP (endoscopic retrograde cholangiopancreatography) fluoroscopy images, etc. can be performed by acquiring clinical information of the corresponding image data.
여기서 영상자료는, 진단 결과에 따라 담낭암, 양성 질환(담석, 담낭용종 등) 및 정상(normal) 영상으로 구분할 수 있으며, 이 중 양성과 정상은 비악성으로 구분하고, 담낭암은 악성으로 구분할 수 있다.Here, the image data can be divided into gallbladder cancer, benign disease (gallstones, gallbladder polyps, etc.) and normal images according to the diagnosis result. .
실시예에 따라, 악성 담낭 영상은, 2개 이상의 영상검사에서 담낭암으로 진단된 환자의 영상, 담낭절제술 조직검사에서 담낭암으로 판명된 환자의 영상 및 수술이 가능하였던 조기 담낭암 영상 및 수술이 불가능하였던 진행성 담낭암을 포함할 수 있다.According to the embodiment, the malignant gallbladder image includes an image of a patient diagnosed with gallbladder cancer in two or more imaging tests, an image of a patient identified as gallbladder cancer in a cholecystectomy biopsy, an image of an early gallbladder cancer that was capable of surgery, and an image of an advanced gallbladder that was not able to operate. gallbladder cancer.
이때, 수술이 가능하였던 조기 담낭암 영상은 조직 병리 소견을 기준으로 획득한 환자의 영상자료이며, 수술이 불가능하였던 진행성 담낭암 영상은 CT 포함 2종 이상의 영상 검사에서 담낭암으로 판독 받은 환자의 영상자료일 수 있다.In this case, the early gallbladder cancer image that was able to be operated on is the image data of a patient acquired based on histopathological findings, and the image of the advanced gallbladder cancer that was inoperable is the image data of the patient who was read as gallbladder cancer in two or more imaging tests including CT. have.
실시예에 따라, 양성 담낭 영상은, 낭절제수술 병리 검사에서 담낭담석, 담낭염, 담낭용종, 담낭선근종증 양성 병변이 확인되고 종양이 발견되지 않았던 환자의 영상자료일 수 있다.According to an embodiment, the benign gallbladder image may be image data of a patient in which cholecystic cholelithiasis, cholecystitis, cholecystic polyp, cholecystic adenomyosis benign lesions were confirmed and no tumor was found in the pathological examination for cholecystectomy.
실시예에 따라, 정상 담낭 영상은, 영상 판독문에서 음성으로 진단받은 담낭 영상자료일 수 있다.According to an embodiment, the normal gallbladder image may be gallbladder image data diagnosed as negative in the image readout.
실시예에 따라, 임상 정보는, 대상자의 인구학적 정보(영상 검사 시점의 나이, 성별 등), 영상 검사 종류, 영상 검사 일시, 영상 검사 판독보고서 및 담낭절제수술 병리 검사 보고서(pathology report) 등을 포함할 수 있다.According to an embodiment, the clinical information includes demographic information of the subject (age, sex, etc. at the time of the imaging test), the type of imaging test, the date and time of the imaging test, an imaging test reading report, and a pathology report for cholecystectomy. may include
획득한 원천 데이터를 정제하여 인공지능 학습용 데이터를 생성하는 단계는, 획득한 원천 데이터를 진단정보, 촬영장비, 프레임 등의 세부 조건에 따라 데이터셋 구조를 설계함으로써 담낭암 데이터셋을 생성하고, 담낭암 데이터셋 및/또는 획득한 영상자료의 분석을 위하여 관심영역(병변영역)을 분할/검출하는 레이블링을 통해 획득한 영상자료를 전처리함으로써 수행될 수 있다.In the step of generating data for artificial intelligence learning by refining the acquired source data, the gallbladder cancer dataset is created by designing the dataset structure according to detailed conditions such as diagnostic information, imaging equipment, and frames with the acquired source data, and gallbladder cancer data This may be performed by pre-processing the image data obtained through labeling for segmenting/detecting the region of interest (lesion region) for analysis of the set and/or acquired image data.
실시예에 따라 영상자료를 전처리할 때, 영상자료의 원본이미지에서 관심영역에 대한 크롭이미지를 생성하고, 크롭이미지에 대한 진단명을 레이블링함으로써 인공지능 학습용 데이터를 생성할 수 있다.According to an embodiment, when preprocessing image data, data for artificial intelligence learning may be generated by generating a cropped image of a region of interest from an original image of the image data, and labeling a diagnosis name for the cropped image.
이때, 인공지능 학습용 데이터를 생성하는 단계는, 예를 들어, 영상자료 조회 기능, 영상자료 정제 기능 및 세부 조회 기능, 크롭 이미지 제작 기능, 레이블링 기능 및 저장 기능, 작업관리 및 담당자 기록 기능 등을 포함하는 레이블링 도구(Labeling Tool)와 같은 소프트웨어를 통해 획득한 영상자료에 대한 전처리가 수행될 수 있다.At this time, the step of generating data for AI learning includes, for example, video data inquiry function, image data refinement function and detailed inquiry function, crop image production function, labeling function and storage function, work management and person in charge record function, etc. Pre-processing of the acquired image data may be performed through software such as a labeling tool.
실시예에 따라 획득한 원천 데이터를 정제하여 인공지능 학습용 데이터를 생성하는 단계는, 학습용 데이터의 오류 방지를 위하여, 생성한 인공지능 학습용 데이터를 검수하는 단계를 포함할 수 있다.According to an embodiment, the step of generating data for artificial intelligence learning by refining the obtained source data may include the step of inspecting the generated data for artificial intelligence learning in order to prevent errors in the learning data.
보다 상세하게, 생성한 인공지능 학습용 데이터를 검수하는 단계는, 악성 병변이 확인되는 촬영영상(즉, 기존 영상 판독문 기준으로 악성이 의심되어 추적 조직검사를 수행한 환자의 촬영영상) 등에서 조직검사가 수행된 악성병변 이외에 악성이 의심되는 병변이 존재할 경우, 숙련된 전문가의 판단하에 해당 영역 어노테이션(annotation)을 추가로 수행할 수 있다.In more detail, the step of examining the generated artificial intelligence learning data includes a biopsy in a photographed image confirming a malignant lesion (that is, an image taken of a patient suspected of being malignant based on the existing image readings and performing a follow-up biopsy). If there is a lesion suspected of being malignant other than the performed malignancy, annotation of the corresponding region may be additionally performed under the judgment of an experienced expert.
이때, 인공지능 학습용 데이터를 검수하는 단계는, 레이블링 도구에 추가적으로 학습용 데이터에 대한 검수 기능이 부가되어 수행될 수 있다.In this case, the step of inspecting the data for artificial intelligence learning may be performed by adding an inspection function for the learning data in addition to the labeling tool.
생성한 인공지능 학습용 데이터를 담낭암 진단 정보 시스템에 저장하는 단계는 생성 및 검수한 인공지능 학습용 데이터를 담낭암 진단 정보 시스템에 전송 및 저장함으로써 수행될 수 있다. 예를 들어, 원천 데이터, 추출 사진, 레이블링 정보 등이 데이터베이스에 저장 및 관리되도록 함으로써 타 연구자 및/또는 전문의가 생성된 인공지능 학습용 데이터를 이용하도록 할 수 있다.The step of storing the generated artificial intelligence learning data in the gallbladder cancer diagnosis information system may be performed by transmitting and storing the generated and inspected artificial intelligence learning data to the gallbladder cancer diagnosis information system. For example, by allowing source data, extracted photos, labeling information, etc. to be stored and managed in a database, other researchers and/or specialists can use the generated data for artificial intelligence learning.
담낭암 진단 정보 시스템에 저장된 인공지능 학습용 데이터에 기초하여 학습된 인공지능 모델을 통해 담낭암을 자동으로 검출하는 단계는, 인공지능 학습용 데이터를 통하여 인공지능 모델을 학습하고, 이를 통해 촬영 영상 등을 분석하여 담낭암 확률을 예측 및 판독하여 출력함으로써 수행될 수 있다.The step of automatically detecting gallbladder cancer through the artificial intelligence model learned based on the artificial intelligence learning data stored in the gallbladder cancer diagnosis information system is to learn the artificial intelligence model through the artificial intelligence learning data, and then analyze the captured images and the like. It can be performed by predicting and reading out the gallbladder cancer probability.
이때, 인공지능 모델에는 K-겹 교차검증이 적용될 수 있다. 보다 상세하게, 생성된 담낭암 학습 데이터셋(인공지능 학습용 데이터)을 알고리즘 학습데이터와 테스트데이터로 나누고, 학습데이터를 K 등분한 후에 (K-1)개의 fold(=(K-1)/K 구성비)는 학습데이터로, 나머지 1개의 fold(1/K)는 검증데이터로 사용하되 라운드마다 해당 fold를 사용할 수 있다. 이후, 라운드별 데이터를 활용하여 모델 알고리즘을 훈련시키고, 학습된 모델을 대상으로 테스트데이터 적용하며, 평가를 통해 가장 성능이 좋은 모델을 선정할 수 있다. 평가 과정에서 활용하는 방법으로Confusion Matrix 등을 사용할 수 있다.In this case, K-fold cross-validation may be applied to the AI model. In more detail, after dividing the generated gallbladder cancer learning dataset (artificial intelligence learning data) into algorithm learning data and test data, and dividing the learning data by K, (K-1) folds (= (K-1)/K composition ratio) ) is the training data, and the other fold (1/K) is used as the validation data, but the corresponding fold can be used for each round. Thereafter, the model algorithm is trained using the data for each round, the test data is applied to the learned model, and the best performing model can be selected through evaluation. Confusion Matrix, etc. can be used as a method used in the evaluation process.
이를 통해, 가장 평가가 좋은 모델을 사용하여 담낭암을 진단하도록 할 수 있다.Through this, it is possible to diagnose gallbladder cancer using the best-rated model.
실시예에 따라, 담낭암 진단 정보 시스템은 병원 서버 등과 연결되어, 환자의 검사 이미지를 분석하여 담낭암 진단 확률을 제시하고 유사 사례를 검색하여 비교할 수 있게 해주는 의료 서비스 등으로 구현될 수 있다. 예를 들어, 대상자의 의료정보, 검사 이미지 등을 입력하면, 담낭암 진단 정보 시스템으로부터 대상자의 검사 내역을 분석 데이터로 가져와서 담낭암, 양성질환(담석, 담낭용종 등) 및 정상담낭 등의 진단 결과를 출력 및 제공하도록 할 수 있다.According to an embodiment, the gallbladder cancer diagnosis information system may be implemented as a medical service that is connected to a hospital server, etc., analyzes a patient's examination image, suggests a gallbladder cancer diagnosis probability, and searches for and compares similar cases. For example, if the subject's medical information and examination image are input, the test history of the subject is imported as analysis data from the gallbladder cancer diagnosis information system, and the diagnosis results of gallbladder cancer, benign diseases (gallstones, gallbladder polyps, etc.) and normal gallbladder are displayed. It can be printed and provided.
일 실시예에 따른 담낭암 진단 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 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.The gallbladder cancer diagnosis method according to an embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, etc. alone or in combination. The program instructions recorded on the medium may be specially designed and configured for the present invention, or may be known and available to those skilled in the art of computer software. Examples of the computer-readable recording medium include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic such as floppy disks. - Includes magneto-optical media and hardware devices specially configured to store and execute program instructions, such as ROM, RAM, flash memory, and the like. Examples of program instructions include not only machine language codes such as those generated by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like.
또한, 개시된 실시예들에 따른 담낭암 진단 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다.In addition, the gallbladder cancer diagnosis method according to the disclosed embodiments may be provided by being included in a computer program product. Computer program products may be traded between sellers and buyers as commodities.
컴퓨터 프로그램 제품은 S/W 프로그램, S/W 프로그램이 저장된 컴퓨터로 읽을 수 있는 저장 매체를 포함할 수 있다. 예를 들어, 컴퓨터 프로그램 제품은 전자 장치의 제조사 또는 전자 마켓(예, 구글 플레이 스토어, 앱 스토어)을 통해 전자적으로 배포되는 S/W 프로그램 형태의 상품(예, 다운로더블 앱)을 포함할 수 있다. 전자적 배포를 위하여, S/W 프로그램의 적어도 일부는 저장 매체에 저장되거나, 임시적으로 생성될 수 있다. 이 경우, 저장 매체는 제조사의 서버, 전자 마켓의 서버, 또는 S/W 프로그램을 임시적으로 저장하는 중계 서버의 저장 매체가 될 수 있다.The computer program product may include a S/W program and a computer-readable storage medium in which the S/W program is stored. For example, computer program products may include products (eg, downloadable apps) in the form of S/W programs distributed electronically through manufacturers of electronic devices or electronic markets (eg, Google Play Store, App Store). have. For electronic distribution, at least a portion of the S/W program may be stored in a storage medium or may be temporarily generated. In this case, the storage medium may be a server of a manufacturer, a server of an electronic market, or a storage medium of a relay server temporarily storing a S/W program.
컴퓨터 프로그램 제품은, 서버 및 클라이언트 장치로 구성되는 시스템에서, 서버의 저장 매체 또는 클라이언트 장치의 저장 매체를 포함할 수 있다. 또는, 서버 또는 클라이언트 장치와 통신 연결되는 제 3 장치(예, 스마트폰)가 존재하는 경우, 컴퓨터 프로그램 제품은 제 3 장치의 저장 매체를 포함할 수 있다. 또는, 컴퓨터 프로그램 제품은 서버로부터 클라이언트 장치 또는 제 3 장치로 전송되거나, 제 3 장치로부터 클라이언트 장치로 전송되는 S/W 프로그램 자체를 포함할 수 있다.The computer program product, in a system consisting of a server and a client device, may include a storage medium of a server or a storage medium of a client device. Alternatively, when there is a third device (eg, a smart phone) that is communicatively connected to the server or the client device, the computer program product may include a storage medium of the third device. Alternatively, the computer program product may include the S/W program itself transmitted from the server to the client device or the third device, or transmitted from the third device to the client device.
이 경우, 서버, 클라이언트 장치 및 제 3 장치 중 하나가 컴퓨터 프로그램 제품을 실행하여 개시된 실시예들에 따른 방법을 수행할 수 있다. 또는, 서버, 클라이언트 장치 및 제 3 장치 중 둘 이상이 컴퓨터 프로그램 제품을 실행하여 개시된 실시예들에 따른 방법을 분산하여 실시할 수 있다.In this case, one of the server, the client device and the third device may execute the computer program product to perform the method according to the disclosed embodiments. Alternatively, two or more of a server, a client device, and a third device may execute a computer program product to distribute the method according to the disclosed embodiments.
예를 들면, 서버(예로, 클라우드 서버 또는 인공 지능 서버 등)가 서버에 저장된 컴퓨터 프로그램 제품을 실행하여, 서버와 통신 연결된 클라이언트 장치가 개시된 실시예들에 따른 방법을 수행하도록 제어할 수 있다.For example, a server (eg, a cloud server or an artificial intelligence server) may execute a computer program product stored in the server to control a client device communicatively connected with the server to perform the method according to the disclosed embodiments.
이상에서와 같이 도면과 명세서에서 최적 실시예가 개시되었다. 여기서 특정한 용어들이 사용되었으나, 이는 단지 본 발명을 설명하기 위한 목적에서 사용된 것이지 의미한정이나 특허청구범위에 기재된 본 발명의 범위를 제한하기 위하여 사용된 것은 아니다. 그러므로 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.As described above, the best embodiment has been disclosed in the drawings and the specification. Although specific terms are used herein, they are used only for the purpose of describing the present invention, and are not used to limit the meaning or scope of the present invention described in the claims. Therefore, it will be understood by those skilled in the art that various modifications and equivalent other embodiments are possible therefrom. Therefore, the true technical protection scope of the present invention should be determined by the technical spirit of the appended claims.
Claims (1)
원천 데이터를 획득하는 단계;
획득한 상기 원천 데이터를 정제하여 인공지능 학습용 데이터를 생성하는 단계;
생성한 상기 인공지능 학습용 데이터를 담낭암 진단 정보 시스템에 저장하는 단계; 및
상기 담낭암 진단 정보 시스템에 저장된 상기 인공지능 학습용 데이터에 기초하여 학습된 인공지능 모델을 통해 담낭암을 자동으로 검출하는 단계를 포함하는, 담낭암 진단 방법.In the method for diagnosing gallbladder cancer,
obtaining source data;
generating data for artificial intelligence learning by purifying the acquired source data;
storing the generated data for artificial intelligence learning in a gallbladder cancer diagnosis information system; and
and automatically detecting gallbladder cancer through an artificial intelligence model learned based on the artificial intelligence learning data stored in the gallbladder cancer diagnosis information system.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210048269A KR20220143184A (en) | 2021-04-14 | 2021-04-14 | Gallbladder cancer diagnosis method based on atificial intelligence |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210048269A KR20220143184A (en) | 2021-04-14 | 2021-04-14 | Gallbladder cancer diagnosis method based on atificial intelligence |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20220143184A true KR20220143184A (en) | 2022-10-25 |
Family
ID=83804140
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210048269A KR20220143184A (en) | 2021-04-14 | 2021-04-14 | Gallbladder cancer diagnosis method based on atificial intelligence |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20220143184A (en) |
-
2021
- 2021-04-14 KR KR1020210048269A patent/KR20220143184A/en unknown
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tsuneki | Deep learning models in medical image analysis | |
| US20180263568A1 (en) | Systems and Methods for Clinical Image Classification | |
| US11270433B2 (en) | Disease diagnosis support method employing endoscopic images of a digestive organ, a diagnosis support system, a diagnosis support program and a computer-readable recording medium having the diagnosis support program stored therein | |
| JP7123983B2 (en) | Systems and methods for integrating tomographic image reconstruction and radiomics using neural networks | |
| Yogapriya et al. | Gastrointestinal tract disease classification from wireless endoscopy images using pretrained deep learning model | |
| Dray et al. | Artificial intelligence in small bowel capsule endoscopy‐current status, challenges and future promise | |
| JP7217893B2 (en) | System and method for optical histology analysis and remote reading | |
| Hadjiiski et al. | AAPM task group report 273: recommendations on best practices for AI and machine learning for computer‐aided diagnosis in medical imaging | |
| US10424411B2 (en) | Biopsy-free detection and staging of cancer using a virtual staging score | |
| US20120166211A1 (en) | Method and apparatus for aiding imaging diagnosis using medical image, and image diagnosis aiding system for performing the method | |
| Bhattacharya et al. | A review of artificial intelligence in prostate cancer detection on imaging | |
| KR102531400B1 (en) | Artificial intelligence-based colonoscopy diagnosis supporting system and method | |
| US11742072B2 (en) | Medical image diagnosis assistance apparatus and method using plurality of medical image diagnosis algorithms for endoscopic images | |
| KR102261408B1 (en) | The method of providing disease information using medical image | |
| JP2020062355A (en) | Image processing apparatus, data generation apparatus, and program | |
| US20220277445A1 (en) | Artificial intelligence-based gastroscopic image diagnosis assisting system and method | |
| Vania et al. | Recent advances in applying machine learning and deep learning to detect upper gastrointestinal tract lesions | |
| Blankemeier et al. | Merlin: A Vision Language Foundation Model for 3D Computed Tomography | |
| Krammer et al. | Deep learning‐based classification of dermatological lesions given a limited amount of labelled data | |
| JP6710853B2 (en) | Probe-type confocal laser microscope endoscopic image diagnosis support device | |
| KR20220143184A (en) | Gallbladder cancer diagnosis method based on atificial intelligence | |
| Singh et al. | A comprehensive assessment of artificial intelligence applications for cancer diagnosis | |
| Sindhu et al. | A novel method for automatic detection of inflammatory bowel diseases in wireless capsule endoscopy images | |
| Lin et al. | Esophageal cancer detection via non-contrast CT and deep learning | |
| Natarajan et al. | Enhancing Endometrial Cancer Detection by Feature Entanglement Image Generator and Multimodal Feature Learning with Attention Mechanism. |