KR20220169902A - ３ｄ 프린터를 이용하여 태아 영상에 대한 모형을 출력하기 위한 시스템, 3d 프린터 출력용 파일을 생성하는 장치, 방법 및 프로그램 - Google Patents
３ｄ 프린터를 이용하여 태아 영상에 대한 모형을 출력하기 위한 시스템, 3d 프린터 출력용 파일을 생성하는 장치, 방법 및 프로그램 Download PDFInfo
- Publication number
- KR20220169902A KR20220169902A KR1020220070767A KR20220070767A KR20220169902A KR 20220169902 A KR20220169902 A KR 20220169902A KR 1020220070767 A KR1020220070767 A KR 1020220070767A KR 20220070767 A KR20220070767 A KR 20220070767A KR 20220169902 A KR20220169902 A KR 20220169902A
- Authority
- KR
- South Korea
- Prior art keywords
- fetal
- image
- printer
- fetus
- output
- Prior art date
Links
- 230000001605 fetal effect Effects 0.000 title claims abstract description 176
- 238000000034 method Methods 0.000 title claims abstract description 48
- 210000003754 fetus Anatomy 0.000 claims abstract description 163
- 210000000056 organ Anatomy 0.000 claims abstract description 92
- 210000004381 amniotic fluid Anatomy 0.000 claims abstract description 16
- 208000027205 Congenital disease Diseases 0.000 claims description 53
- 239000000463 material Substances 0.000 claims description 28
- 238000004891 communication Methods 0.000 claims description 19
- 238000013473 artificial intelligence Methods 0.000 claims description 13
- 208000029767 Congenital, Hereditary, and Neonatal Diseases and Abnormalities Diseases 0.000 claims 2
- 208000024335 physical disease Diseases 0.000 claims 2
- 238000002604 ultrasonography Methods 0.000 abstract description 14
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000011161 development Methods 0.000 abstract description 2
- 238000010146 3D printing Methods 0.000 abstract 1
- 210000001667 gestational sac Anatomy 0.000 abstract 1
- 238000012549 training Methods 0.000 description 22
- 230000008569 process Effects 0.000 description 19
- 230000011218 segmentation Effects 0.000 description 17
- 238000004422 calculation algorithm Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 238000001356 surgical procedure Methods 0.000 description 14
- 238000011156 evaluation Methods 0.000 description 13
- 238000004088 simulation Methods 0.000 description 13
- 229920001296 polysiloxane Polymers 0.000 description 8
- 238000000926 separation method Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 4
- 229910052710 silicon Inorganic materials 0.000 description 4
- 239000010703 silicon Substances 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 210000001835 viscera Anatomy 0.000 description 3
- 239000004698 Polyethylene Substances 0.000 description 2
- 239000004743 Polypropylene Substances 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 2
- 238000005452 bending Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- -1 polyethylene Polymers 0.000 description 2
- 229920000573 polyethylene Polymers 0.000 description 2
- 229920000642 polymer Polymers 0.000 description 2
- 229920001155 polypropylene Polymers 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 229920002379 silicone rubber Polymers 0.000 description 2
- 206010010356 Congenital anomaly Diseases 0.000 description 1
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 208000005107 Premature Birth Diseases 0.000 description 1
- 208000006399 Premature Obstetric Labor Diseases 0.000 description 1
- 206010036590 Premature baby Diseases 0.000 description 1
- 206010036600 Premature labour Diseases 0.000 description 1
- 239000004676 acrylonitrile butadiene styrene Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 210000001638 cerebellum Anatomy 0.000 description 1
- 210000004720 cerebrum Anatomy 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 210000002216 heart Anatomy 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 201000010193 neural tube defect Diseases 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 208000026440 premature labor Diseases 0.000 description 1
- 238000003793 prenatal diagnosis Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 239000010454 slate Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 210000003932 urinary bladder Anatomy 0.000 description 1
- 210000004291 uterus Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
- B29C64/30—Auxiliary operations or equipment
- B29C64/386—Data acquisition or data processing for additive manufacturing
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/58—Testing, adjusting or calibrating the diagnostic device
- A61B8/587—Calibration phantoms
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
- B29C64/30—Auxiliary operations or equipment
- B29C64/386—Data acquisition or data processing for additive manufacturing
- B29C64/393—Data acquisition or data processing for additive manufacturing for controlling or regulating additive manufacturing processes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B33—ADDITIVE MANUFACTURING TECHNOLOGY
- B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
- B33Y50/00—Data acquisition or data processing for additive manufacturing
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B33—ADDITIVE MANUFACTURING TECHNOLOGY
- B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
- B33Y50/00—Data acquisition or data processing for additive manufacturing
- B33Y50/02—Data acquisition or data processing for additive manufacturing for controlling or regulating additive manufacturing processes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B33—ADDITIVE MANUFACTURING TECHNOLOGY
- B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
- B33Y80/00—Products made by additive manufacturing
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- 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
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0007—Image acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B23/00—Models for scientific, medical, or mathematical purposes, e.g. full-sized devices for demonstration purposes
- G09B23/28—Models for scientific, medical, or mathematical purposes, e.g. full-sized devices for demonstration purposes for medicine
- G09B23/281—Models for scientific, medical, or mathematical purposes, e.g. full-sized devices for demonstration purposes for medicine for pregnancy, birth or obstetrics
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B17/00—Surgical instruments, devices or methods, e.g. tourniquets
- A61B2017/00681—Aspects not otherwise provided for
- A61B2017/00707—Dummies, phantoms; Devices simulating patient or parts of patient
- A61B2017/00716—Dummies, phantoms; Devices simulating patient or parts of patient simulating physical properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Materials Engineering (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Optics & Photonics (AREA)
- Mechanical Engineering (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Medicinal Chemistry (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
Abstract
본 개시는 장치에 의해 수행되는 태아 영상에 대한 모형을 출력하기 위한 3D 프린터 출력용 파일 생성 방법에 있어서, 태아 영상을 획득하는 단계; 태아 영상에서 아기집, 양수, 태아 및 태아의 장기 중 미리 설정된 적어도 하나의 태아의 장기를 분리하여 각각의 3D 영상을 생성하는 단계; 및 생성된 적어도 하나의 태아의 장기에 상응하는 3D 영상을 3D 프린터 출력용 파일로 변환하여 출력하는 단계; 를 포함할 수 있다.
"3D printing을 이용한 태아초음파 모형개발"을 통해 개발된 기술이다.
"3D printing을 이용한 태아초음파 모형개발"을 통해 개발된 기술이다.
Description
본 개시는 3D 프린터를 이용하여 태아 영상에 대한 모형을 출력하기 위한 시스템에 관한 것이다. 보다 상세하게는, 본 개시는 3D 프린터를 이용하여 태아 영상에 대한 모형을 출력하기 위한 시스템, 3D 프린터 출력용 파일을 생성하는 장치, 방법 및 프로그램에 관한 것이다.
최근 들어, 초음파 기기 및 진단기술의 발달로 인하여 태아의 정상 및 비정상 해부학적 구조를 이해하고 진단하며, 질병에 따라서는 태아치료를 시행하는 시대에 이르렀다.
이러한 초음파 산전진단을 능숙하게 하기 위해서는 많은 시간과 트레이닝 과정이 필요한데, 저출산, 환자의 권리보호, 전공의 수련시간 규제 등으로 인하여 실제 산모를 대상으로 초음파 검사를 능숙하게 진행하는 것이 더욱 어려워진 상황이다.
또한, 선천성 질환도 매우 다양한데, 환자를 통하여 경험을 하는 것은 한계가 있고, 다양한 케이스를 책이나 인터넷으로 보고 암기하는 것과 실제 초음파에서 어떻게 보이는지를 직접 손으로 확인하는 것은 교육적인 효과가 매우 다르다.
마지막으로, 드물지만 태아치료가 필요한 중증 선천성 기형의 경우, 실제 태아에게 시술 또는 수술을 하기 전 시뮬레이션 과정을 거칠 경우 성공률을 높일 수 있지만, 이러한 시뮬레이션을 실제로 수행하기에는 많은 어려움이 존재한다.
따라서, 태아 치료를 위해 태아 MRI 영상, 생후 신생아 CT 영상 등을 이용하여, 초음파 진단이 가능한 태아초음파 모형을 생성할 수 있는 방법이 필요하다.
본 개시에 개시된 실시예는, 태아 영상을 기반으로 모형을 생성함으로써, 실제 태아를 시술 또는 수술하기 전에 동일한 모형을 기반으로 수술 시뮬레이션 과정을 거칠 수 있어, 시술 또는 수술의 성공률을 높일 수 있는 것을 제공하는데 그 목적이 있다.
또한, 본 개시에 개시된 실시예는, 태아 치료 또는 생후 신생아에 대한 치료의 성공률이 높아짐으로써, 산모들이 중증의 선천성 질환을 가지는 태아를 포기하는 확률을 줄일 수 있는 것을 제공하는데 그 목적이 있다.
본 개시가 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 기술적 과제를 달성하기 위한 본 개시의 일 측면에 따른 3D 프린터 출력용 파일 생성 방법은, 장치에 의해 수행되는 태아 영상에 대한 모형을 출력하기 위한 3D 프린터 출력용 파일 생성 방법에 있어서, 상기 태아 영상을 획득하는 단계; 상기 태아 영상에서 상기 태아 영상에서 아기집, 양수, 태아 및 상기 태아의 장기 중 미리 설정된 적어도 하나의 태아의 장기를 분리하여 각각의 3D 영상을 생성하는 단계; 및 상기 생성된 적어도 하나의 태아의 장기에 상응하는 3D 영상을 3D 프린터 출력용 파일로 변환하여 출력하는 단계; 를 포함할 수 있다.
상기 태아 영상은, 메타데이터인 복수개의 태아 영상 데이터가 인공지능 모델을 기반으로 학습되어 출력된 것을 특징으로 할 수 있다.
상기 태아 영상에 상기 태아의 상태 정보를 매칭하여 상기 3D 프린터 출력용 파일을 생성하는 것을 특징으로 할 수 있다.
상기 태아의 상태 정보는, 정상 상태, 선천성 질환 보유 상태 및 중증 선천성 질환 보유 상태 중 적어도 하나를 포함할 수 있다.
상기 3D 프린터 출력용 파일은, 상기 각각의 3D 영상에 매칭되는 3D 프린터 소재 정보를 포함할 수 있다.
상기 태아 영상에 대한 모형을 출력하도록, 상기 3D 프린터 출력용 파일을 3D 프린터로 전송하는 단계; 를 더 포함할 수 있다.
본 개시의 다른 일 측면에 따른 3D 프린터 출력용 파일 생성 장치는, 태아 영상에 대한 모형을 출력하기 위한 3D 프린터 출력용 파일을 생성하는 장치에 있어서, 태아 영상이 기 저장된 메모리; 및 상기 3D 프린터 출력용 파일의 생성과 관련된 동작을 제어하는 프로세서를 포함하고, 상기 프로세서는 상기 태아 영상을 획득하고, 상기 태아 영상에서 아기집, 양수, 태아 및 상기 태아의 장기 중 미리 설정된 적어도 하나의 태아의 장기를 분리하여 각각의 3D 영상을 생성하며, 상기 생성된 적어도 하나의 태아의 장기에 상응하는 3D 영상을 3D 프린터 출력용 파일로 변환하여 출력하는 것을 특징으로 할 수 있다.
상기 태아 영상은, 메타데이터인 복수개의 태아 영상 데이터가 인공지능 모델을 기반으로 학습되어 출력된 것을 특징으로 할 수 있다.
상기 프로세서는, 상기 태아 영상에 상기 태아의 상태 정보를 매칭하여 상기 3D 프린터 출력용 파일을 생성하는 것을 특징으로 할 수 있다.
상기 태아의 상태 정보는, 정상 상태, 선천성 질환 보유 상태 및 중증 선천성 질환 보유 상태 중 적어도 하나를 포함할 수 있다.
상기 3D 프린터 출력용 파일은, 상기 각각의 3D 영상에 매칭되는 3D 프린터 소재 정보를 포함할 수 있다.
상기 태아 영상에 대한 모형을 출력하도록, 상기 3D 프린터 출력용 파일을 3D 프린터로 전송하는 통신부를 더 포함할 수 있다.
본 개시의 또 다른 일 측면에 따른 3D 프린터를 이용하여 태아 영상에 대한 모형을 출력하기 위한 시스템은, 태아 영상에 대한 모형을 출력하기 위한 시스템에 있어서, 상기 태아 영상에 대한 모형을 출력하기 위한 3D 프린터 출력용 파일을 생성하는 장치; 및 상기 3D 프린터 출력용 파일을 수신받아 상기 태아 영상에 대한 모형을 출력하는 3D 프린터를 포함하고, 상기 장치는 상기 태아 영상을 획득하고, 상기 태아 영상에서 아기집, 양수, 태아 및 상기 태아의 장기 중 미리 설정된 적어도 하나의 태아의 장기를 분리하여 각각의 3D 영상을 생성하며, 상기 생성된 각각의 3D 영상을 3D 프린터 출력용 파일로 변환하여 출력하는 것을 특징으로 할 수 있다.
상기 태아 영상은, 메타데이터인 복수개의 태아 영상 데이터가 인공지능 모델을 기반으로 학습되어 출력된 것을 특징으로 할 수 있다.
이 외에도, 본 개시를 구현하기 위한 실행하기 위한 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 더 제공될 수 있다.
이 외에도, 본 개시를 구현하기 위한 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 컴퓨터 판독 가능한 기록 매체가 더 제공될 수 있다.
본 개시의 전술한 과제 해결 수단에 의하면, 태아 영상을 기반으로 모형을 생성함으로써, 실제 태아를 시술 또는 수술하기 전에 동일한 모형을 기반으로 수술 시뮬레이션 과정을 거칠 수 있어, 시술 또는 수술의 성공률을 높일 수 있는 효과를 제공한다.
또한, 본 개시의 전술한 과제 해결 수단에 의하면, 태아 치료 또는 생후 신생아에 대한 치료의 성공률이 높아짐으로써, 산모들이 중증의 선천성 질환을 가지는 태아를 포기하는 확률을 줄일 수 있는 효과를 제공한다.
본 개시의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 개시에 따른 3D 프린터를 이용하여 태아 영상에 대한 모형을 출력하기 위한 시스템을 나타낸 도면이다.
도 2는 도 1의 3D 프린터 출력용 파일을 생성하는 장치의 구성을 도시한다.
도 3은 도 2의 메모리에 저장된 태아별 태아 영상 데이터의 구성을 도시한다.
도 4는 도 3의 메모리에 태아별 태아 영상 데이터를 저장하는 과정을 일 예로 나타낸 도면이다.
도 5는 도 2의 프로세서가 태아 영상에서 각각의 3D 영상을 생성하는 과정을 일 예로 나타낸 도면이다.
도 6은 본 개시에 따른 3D 프린터를 이용하여 태아 영상에 대한 모형을 출력하기 위한 방법을 나타낸 순서도이다.
도 7은 도 6의 분리 단계에서 아기집, 태아, 및 태아의 장기를 분리하는 구체적인 과정을 일 예로 나타낸 순서도이다.
도 8은 도 7의 분리 단계에서 분리를 위해 아기집, 태아, 및 태아의 장기에 대해 관심 영역들을 설정하는 과정을 일 예로 나타낸 도면이다.
도 9 내지 도 11은 도 8의 관심 영역들을 기반으로 프로세서를 통해 아기집의 영상, 태아의 영상, 및 태아의 장기 영상이 분리된 상태를 일 예로 나타낸 도면이다.
도 12는 도 1의 3D 프린터에 의해 제작된 태아 모형을 일 예로 나타낸 도면이다.
도 13은 도 2의 프로세서가 카메라를 통해 시술 또는 수술하는 장면을 획득하는 과정을 일 예로 나타낸 도면이다.
도 14 및 도 15는 도 13의 카메라에 의해 획득된 시술 장면 데이터 또는 수술 장면 데이터를 기반으로, 프로세서가 평가한 교육생의 훈련 정도를 UI를 통해 표시하는 과정을 일 예로 나타낸 도면이다.
도 2는 도 1의 3D 프린터 출력용 파일을 생성하는 장치의 구성을 도시한다.
도 3은 도 2의 메모리에 저장된 태아별 태아 영상 데이터의 구성을 도시한다.
도 4는 도 3의 메모리에 태아별 태아 영상 데이터를 저장하는 과정을 일 예로 나타낸 도면이다.
도 5는 도 2의 프로세서가 태아 영상에서 각각의 3D 영상을 생성하는 과정을 일 예로 나타낸 도면이다.
도 6은 본 개시에 따른 3D 프린터를 이용하여 태아 영상에 대한 모형을 출력하기 위한 방법을 나타낸 순서도이다.
도 7은 도 6의 분리 단계에서 아기집, 태아, 및 태아의 장기를 분리하는 구체적인 과정을 일 예로 나타낸 순서도이다.
도 8은 도 7의 분리 단계에서 분리를 위해 아기집, 태아, 및 태아의 장기에 대해 관심 영역들을 설정하는 과정을 일 예로 나타낸 도면이다.
도 9 내지 도 11은 도 8의 관심 영역들을 기반으로 프로세서를 통해 아기집의 영상, 태아의 영상, 및 태아의 장기 영상이 분리된 상태를 일 예로 나타낸 도면이다.
도 12는 도 1의 3D 프린터에 의해 제작된 태아 모형을 일 예로 나타낸 도면이다.
도 13은 도 2의 프로세서가 카메라를 통해 시술 또는 수술하는 장면을 획득하는 과정을 일 예로 나타낸 도면이다.
도 14 및 도 15는 도 13의 카메라에 의해 획득된 시술 장면 데이터 또는 수술 장면 데이터를 기반으로, 프로세서가 평가한 교육생의 훈련 정도를 UI를 통해 표시하는 과정을 일 예로 나타낸 도면이다.
본 개시 전체에 걸쳐 동일 참조 부호는 동일 구성요소를 지칭한다. 본 개시가 실시예들의 모든 요소들을 설명하는 것은 아니며, 본 개시가 속하는 기술분야에서 일반적인 내용 또는 실시예들 간에 중복되는 내용은 생략한다. 명세서에서 사용되는 ‘부, 모듈, 부재, 블록’ 이라는 용어는 소프트웨어 또는 하드웨어로 구현될 수 있으며, 실시예들에 따라 복수의 '부, 모듈, 부재, 블록'이 하나의 구성요소로 구현되거나, 하나의 '부, 모듈, 부재, 블록'이 복수의 구성요소들을 포함하는 것도 가능하다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 직접적으로 연결되어 있는 경우뿐 아니라, 간접적으로 연결되어 있는 경우를 포함하고, 간접적인 연결은 무선 통신망을 통해 연결되는 것을 포함한다.
또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
명세서 전체에서, 어떤 부재가 다른 부재 "상에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.
제 1, 제 2 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위해 사용되는 것으로, 구성요소가 전술된 용어들에 의해 제한되는 것은 아니다.
단수의 표현은 문맥상 명백하게 예외가 있지 않는 한, 복수의 표현을 포함한다.
각 단계들에 있어 식별부호는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 실시될 수 있다.
이하 첨부된 도면들을 참고하여 본 개시의 작용 원리 및 실시예들에 대해 설명한다.
본 명세서에서 '본 개시에 따른 태아 영상에 대한 모형을 출력하기 위한 3D 프린터 출력용 파일을 생성하는 장치'는 연산처리를 수행하여 사용자에게 결과를 제공할 수 있는 다양한 장치들이 모두 포함된다. 예를 들어, 본 개시에 따른 태아 영상에 대한 모형을 출력하기 위한 3D 프린터 출력용 파일을 생성하는 장치는, 컴퓨터, 서버 장치 및 휴대용 단말기를 모두 포함하거나, 또는 어느 하나의 형태가 될 수 있다.
여기에서, 상기 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop), 태블릿 PC, 슬레이트 PC 등을 포함할 수 있다.
상기 서버 장치는 외부 장치와 통신을 수행하여 정보를 처리하는 서버로써, 애플리케이션 서버, 컴퓨팅 서버, 데이터베이스 서버, 파일 서버, 게임 서버, 메일 서버, 프록시 서버 및 웹 서버 등을 포함할 수 있다.
상기 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), WiBro(Wireless Broadband Internet) 단말, 스마트 폰(Smart Phone) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치와 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트 렌즈, 또는 머리 착용형 장치(head-mounted-device(HMD) 등과 같은 웨어러블 장치를 포함할 수 있다.
본 개시에 따른 3D 프린터를 이용하여 태아 영상에 대한 모형을 출력하기 위한 시스템, 3D 프린터 출력용 파일을 생성하는 장치, 방법 및 프로그램은, 깊이값(Depth)을 가지는 태아 영상을 획득하고, 태아 영상에서 아기집, 양수, 태아, 및 태아의 장기 중 중 미리 설정된 적어도 하나의 태아의 장기를 분리하여 각각의 3D 영상을 생성하며, 생성된 적어도 하나의 태아의 장기에 상응하는 3D 영상을 3D 프린터 출력용 파일로 변환하여 출력하도록 제공될 수 있다.
이러한, 3D 프린터를 이용하여 태아 영상에 대한 모형을 출력하기 위한 시스템, 3D 프린터 출력용 파일을 생성하는 장치, 방법 및 프로그램은, 시술 또는 수술의 성공률을 높일 수 있고, 산모들이 중증의 선천성 질환을 가지는 태아를 포기하는 확률을 줄일 수 있다.
이하에서는, 3D 프린터를 이용하여 태아 영상에 대한 모형을 출력하기 위한 시스템을 자세하게 살펴보기로 한다.
도 1은 본 개시에 따른 3D 프린터를 이용하여 태아 영상에 대한 모형을 출력하기 위한 시스템을 나타낸 도면이다. 도 2는 도 1의 3D 프린터 출력용 파일을 생성하는 장치의 구성을 도시한다. 도 3은 도 2의 메모리에 저장된 태아별 태아 영상 데이터의 구성을 도시한다.
도 1 내지 도 3을 참조하면, 시스템(1000)은 3D 프린터 출력용 파일을 생성하는 장치(100)와 3D 프린터(200)를 포함할 수 있다.
장치(100)는 태아 영상에 대한 모형을 출력하기 위한 3D 프린터 출력용 파일을 생성할 수 있다. 장치(100)는 메모리(110), 프로세서(120), 통신부(130)를 포함할 수 있다.
메모리(110)는 본 장치 내의 구성요소들의 동작을 제어하기 위한 알고리즘 또는 알고리즘을 재현한 프로그램에 대한 데이터를 저장할 수 있다. 프로세서(120)는 메모리(110)에 저장된 데이터를 이용하여 전술한 동작을 수행할 수 있다. 여기에서, 메모리(110)와 프로세서(120)는 각각 별개의 칩으로 구현될 수 있다. 또한, 메모리(110)와 프로세서(120)는 단일 칩으로 구현될 수도 있다.
메모리(110)는 본 장치의 다양한 기능을 지원하는 데이터와, 본 장치 내의 구성요소들의 동작을 위한 프로그램을 저장할 수 있고, 입/출력되는 데이터들을 저장할 있고, 본 장치에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 본 장치의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 무선 통신을 통해 외부 서버로부터 다운로드 될 수 있다.
이러한, 메모리(110)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), SSD 타입(Solid State Disk type), SDD 타입(Silicon Disk Drive 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 및 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
메모리(110)는 태아 영상이 기 저장되어 있을 수 있다. 메모리(110)는 적어도 하나의 태아 영상을 태아 별로 저장하고, 태아 별로 상태 정보를 저장할 수 있다. 태아별 태아 영상은 태아 치료를 위한 태아 MRI 영상, 태아 CT 영상 중 적어도 하나를 포함할 수 있다. 태아별 태아 영상은, 메타데이터인 복수개의 태아 영상 데이터가 인공지능 모델을 기반으로 학습되어 출력될 수 있다. 복수개의 태아 영상 데이터는 다양한 형태의 정상 상태의 태아 영상, 다양한 형태의 선천성 질환 보유 상태의 태아 영상, 다양한 형태의 중증 선천성 질환 보유 상태의 태아 영상을 포함할 수 있다. 메모리(110)는 학습되어 출력된 태아별 태아 영상을 저장할 수 있다.
도 4는 도 3의 메모리에 태아별 태아 영상 데이터를 저장하는 과정을 일 예로 나타낸 도면이다.
도 4를 참조하면, 메모리(110)와 전기적으로 연결된 외부 서버(미도시)는 메타데이터인 복수개의 태아 영상 데이터(ID1)의 입력값을 인공지능 모델(AIM)을 기반으로 학습하여 추천된 태아별 태아 영상 데이터(OD)의 결과값을 출력할 수 있다. 인공지능 모델(AIM)은 입력 데이터에 포함된 복수개의 태아 영상 데이터(ID1) 내의 다양한 형태의 정상 상태의 태아 영상, 다양한 형태의 선천성 질환 보유 상태의 태아 영상, 다양한 형태의 중증 선천성 질환 보유 상태의 태아 영상을 상관 관계를 통해 학습하도록 구축될 수 있다. 인공지능 모델(AIM)은 다양한 형태의 정상 상태의 태아 영상, 다양한 형태의 선천성 질환 보유 상태의 태아 영상, 다양한 형태의 중증 선천성 질환 보유 상태의 태아 영상을 포함하는 복수개의 태아 영상 데이터(ID1)를 CNN 알고리즘 또는 RNN 알고리즘을 이용하여 학습데이터 셋으로 구축 및 강화 학습시킬 수 있다. 이때, 태아별 태아 영상 데이터(OD)는 정상 상태의 태아 영상 데이터(OD1), 선천성 질환 보유 상태의 태아 영상 데이터(OD2), 중증 선천성 질환 보유 상태의 태아 영상 데이터(OD3)를 포함할 수 있다.
외부 서버(미도시)는 태아별 태아 영상 데이터(OD)를 메모리(110)로 전송할 수 있다. 메모리(110)는 수신된 태아별 태아 영상 데이터(OD)를 저장할 수 있다.
프로세서(120)는 3D 프린터 출력용 파일의 생성과 관련된 동작을 제어할 수 있다. 프로세서(120)는 태아 영상을 획득할 수 있다. 이때, 프로세서(120)는 태아별 태아 영상 데이터(OD)를 메모리(110)에 기 저장된 데이터 중에서 획득할 수 있다. 또한, 프로세서(120)는 태아별 태아 영상 데이터(OD)를 외부 서버(미도시)로부터 획득할 수 있다. 예를 들어, 프로세서(120)는 정상 상태의 태아에 상응하는 태아 영상 데이터, 선천성 질환 보유 상태의 태아에 상응하는 태아 영상 데이터, 중증 선천성 질환 보유 상태의 태아에 상응하는 태아 영상 데이터를 획득할 수 있다.
여기서, 프로세서(120)는 메타데이터인 복수개의 태아 영상 데이터를 기반으로 시술 또는 수술 시뮬레이션 영상을 생성하여 애플리케이션 또는 웹 형태로 사용자(태아 시술 또는 수술 전문가)에게 제공할 수 있다.
도 5는 도 2의 프로세서가 태아 영상에서 각각의 3D 영상을 생성하는 과정을 일 예로 나타낸 도면이다.
도 5를 참조하면, 프로세서(120)는 태아 영상(P)에서 아기집(P1), 양수(P2), 태아(P3) 및 태아(P3)의 장기(P3-1)를 분리(segmentation)하여 각각의 3D 영상을 생성할 수 있다. 예를 들어, 프로세서(120)는 정상 상태의 태아 영상(도1의 P11), 선천성 질환 보유 상태의 태아 영상(도1의 P12), 중증 선천성 질환 보유 상태의 태아 영상(도1의 P13)에서 각각의 아기집, 각각의 양수, 각각의 태아 및 각각의 태아의 장기 중 미리 설정된 적어도 하나의 태아의 장기를 분리하여 각각의 3D 영상을 생성할 수 있다. 여기에서, 미리 설정된 적어도 하나의 태아의 장기는, 태아의 주요 장기일 수 있다. 이때, 태아의 주요 장기는 심장, 대뇌, 소뇌, 뇌실, 위, 간, 신장, 방광 중 어느 하나 또는 둘 이상일 수 있다.
여기에서, 태아 영상(P)의 "세그먼테이션(Segmetation)"은, 디지털 영상을 복수의 픽셀 또는 복셀 집합으로 나누는 과정을 의미한다. 분할의 목적은 영상의 표현을 좀 더 의미있고 해석하기 쉬운 것으로 단순화하거나 변환하는 것이다. 영상 분할은 영상에서 물체와 경계를 찾는데 사용된다. 분할의 결과는 전체 영상을 집합적으로 포함하는 영역의 집합이거나, 영상으로부터 추출된 윤곽의 집합이다.
본 명세서에서 "세그먼테이션(Segmetation)"은 영상 내에서 물체 및 경계를 찾는 작업을 의미한다. 예를 들어, 세그먼테이션은 밝기값을 조절하여 대상 부위 및 경계를 찾고 시각적으로 구별되도록 처리하는 작업을 포함할 수 있으나, 이에 한정되는 것은 아니다.
프로세서(120)는 생성된 적어도 하나의 태아의 장기에 상응하는 3D 영상을 3D 프린터 출력용 파일로 변환하여 출력할 수 있다. 프로세서(120)는 태아 영상(P)에 태아의 상태 정보를 매칭하여 3D 프린터 출력용 파일을 생성할 수 있다. 즉, 프로세서(120)는 정상 상태의 태아의 장기 영상에 상응하는 3D 프린터 출력용 파일, 선천성 질환 보유 상태의 태아의 장기 영상에 상응하는 3D 프린터 출력용 파일, 중증 선천성 질환 보유 상태의 태아의 장기 영상에 상응하는 3D 프린터 출력용 파일을 생성할 수 있다. 이때, 각각의 영상은 깊이값(depth)을 가질 수 있다.
여기에서, 태아의 상태 정보는, 정상 상태, 선천성 질환 보유 상태 및 중증 선천성 질환 보유 상태 중 적어도 하나를 포함할 수 있다. 정상 상태는, 태아가 정상인 경우로, 태아가 질환을 보유하고 있지 않은 상태일 수 있다. 선천성 질환 보유 상태는, 태아가 선천성 질환을 보유한 경우로, 적절한 시기에 치료를 받으면 비교적 쉽게 치료될 수 있는 상태일 수 있다. 중증 선천성 질환 보유 상태는, 태아가 중증 선천성 질환을 보유한 경우로, 빠른 시일 내에 비교적 어려운 시술 또는 수술을 받아야하는 상태일 수 있다.
이때, 3D 프린터 출력용 파일은 각각의 3D 영상에 매칭되는 3D 프린터 소재 정보를 포함할 수 있다.
예를 들어, 프로세서(120)는 정상 상태의 태아 영상(도1의 P11), 선천성 질환 보유 상태의 태아 영상(도1의 P12), 중증 선천성 질환 보유 상태의 태아 영상(도1의 P13)에서 각각의 태아의 장기에 상응하는 3D 영상을 3D 프린터 출력용 파일로 변환하여 출력할 수 있다. 여기에서, 3D 프린터 출력용 파일은, 정상 상태의 태아 영상(도1의 P11), 선천성 질환 보유 상태의 태아 영상(도1의 P12), 중증 선천성 질환 보유 상태의 태아 영상(도1의 P13)에서 각각의 태아의 장기에 상응하는 각각의 3D 영상에 매칭되는 3D 프린터 소재 정보를 포함할 수 있다.
이때, 3D 프린터 소재 정보 중 태아의 장기의 재질은 Agilus 30일 수 있다. Agilus 30은 탁월한 인열 저항성을 갖추고 있으며, 반복적 굴곡 및 굽힘에 강한 특징이 있다. 한편, 태아의 장기의 재질은 이에 한정하지 않고, 고투명 실리콘, 아크릴로니트릴 부타디엔 스티렌(Acrylonitrile Butadiene Styrene, ABS), 폴리에틸렌(PE), 폴리프로필렌 (PP) 수지 중 어느 하나의 재질 또는 둘 이상의 혼합물을 포함하는 재질일 수도 있다.
또한, 3D 프린터 소재 정보 중 장기와 태아 몸통상의 공간 및 양수는 기 설정된 일치율을 가지는 초음파 전도율을 가지는 재질일 수 있다. 예를 들어, 초음파 전도율을 가지는 재질은 고투명 실리콘, 부가형 실리콘, 실리콘 엘라스토머 등을 포함할 수 있다. 초음파 전도율을 가지는 재질은 실리콘과 다양한 혼합물, 광경화성 폴리머 등을 더 포함할 수도 있다.
통신부(130)는 3D 프린터 출력용 파일을 3D 프린터(200)로 전송할 수 있다. 통신부(130)는 유선 통신 모듈과 무선 통신 모듈 중 적어도 하나를 포함할 수 있다.
유선 통신 모듈은 지역 통신(Local Area Network; LAN) 모듈, 광역 통신(Wide Area Network; WAN) 모듈 또는 부가가치 통신(Value Added Network; VAN) 모듈 등 다양한 유선 통신 모듈뿐만 아니라, USB(Universal Serial Bus), HDMI(High Definition Multimedia Interface), DVI(Digital Visual Interface), RS-232(recommended standard232), 전력선 통신, 또는 POTS(plain old telephone service) 등 다양한 케이블 통신 모듈을 포함할 수 있다.
무선 통신 모듈은 와이파이(Wifi) 모듈, 와이브로(Wireless broadband) 모듈 외에도, GSM(global System for Mobile Communication), CDMA(Code Division Multiple Access), WCDMA(Wideband Code Division Multiple Access), UMTS(universal mobile telecommunications system), TDMA(Time Division Multiple Access), LTE(Long Term Evolution), 4G, 5G, 6G 등 다양한 무선 통신 방식을 지원하는 무선 통신 모듈을 포함할 수 있다.
3D 프린터(200)는 수신된 3D 프린터 출력용 파일에 상응하는 태아 영상에 대한 모형을 출력할 수 있다. 여기에서, 3D 프린터 출력용 파일은, 정상 상태의 태아 영상(도1의 P11), 선천성 질환 보유 상태의 태아 영상(도1의 P12), 중증 선천성 질환 보유 상태의 태아 영상(도1의 P13)에서 각각의 태아의 장기에 상응하는 각각의 3D 영상에 매칭되는 3D 프린터 소재 정보를 포함할 수 있다.
모형은 아기집, 양수, 태아 및 태아의 장기가 실제 형상과 유사하게 제작된 3D 형상으로서 정밀한 모사를 위해 모델링(Modeling) 및 렌더링(Rendering) 기술이 요구된다. 모델링(Modeling)은 컴퓨터 그래픽을 이용하여 컴퓨터 내부의 가상공간에 3차원 모형을 만들어내는 행위를 의미하며, 주로 3D 그래픽 툴을 이용한다. 모델링된 3차원 모형을 현실의 물체가 아닌 데이터로 저장한다. 렌더링(Rendering)은 컴퓨터 프로그램을 사용하여 모델로부터 영상을 만들어내는 과정을 의미한다.
이때, 모형은 태아 외관 모형, 아기집에 대한 모형, 양수에 대한 모형, 태아의 장기에 대한 모형을 포함할 수 있다.
태아의 장기에 대한 모형은 정상 상태, 선천성 질환 보유 상태 및 중증 선천성 질환 보유 상태의 태아의 장기 모형을 포함할 수 있다. 태아의 장기에 대한 모형은 실제 정상 상태의 태아의 장기, 실제 선천성 질환 보유 상태의 태아의 장기 및 실제 중증 선천성 질환 보유 상태의 태아의 장기와 기 설정된 일치율을 갖는 초음파 전도율을 가지는 재질로 제작될 수 있다.
초음파로 영상을 얻기 위해서는, 태아의 모형과 태아의 내부 장기 사이에 초음파가 통과되는 매질이 필요하다. 3D 프린터(200)에 의해 제작되는 모형은, 액상화되어 있는 초음파 전도율을 가지는 재질인 고투명 실리콘 등을 태아의 모형과 태아의 내부 장기 사이에 채우고 경화시켜, 초음파가 투과할 수 있도록 제작되어야 한다. 또한, 3D 프린터(200)에 의해 제작되는 모형은, 초음파 전도율을 가지는 재질로 태아의 모형 외부를 채워 양수의 초음파 영상을 구현할 수 있도록 제작되어야 한다. 예를 들어, 양수에 대한 모형은, 초음파 전도율을 가지는 재질인 고투명 실리콘, 부가형 실리콘, 실리콘 엘라스토머 등을 포함하여 제작될 수 있고, 실리콘과 다양한 혼합물, 광경화성 폴리머 등을 더 포함하여 제작될 수도 있다.
이러한, 3D 프린터(200)에 의해 제작되는 모형은, 실리콘으로 만들어진 태아의 인형 내부에 태아의 장기에 대한 모형이 포함되어 제작될 수 있다. 3D 프린터(200)는 태아의 정상 장기에 대한 모형 또는 비정상 장기에 대한 모형을 제작할 수 있다. 또한, 3D 프린터(200)에 의해 제작되는 모형은, 산모와 태아의 해부학적 구조를 연구하기 위한 모형이 포함되어 제작될 수 있다. 3D 프린터(200)는 아기집에 대한 모형, 태아의 장기에 대한 모형을 제작할 수 있다. 이외에도, 3D 프린터(200)는 산모와 태아의 영상을 기반으로 산모의 복부에 대한 모형, 복부 내의 격실에 대한 모형을 제작할 수도 있다.
도 6은 본 개시에 따른 3D 프린터를 이용하여 태아 영상에 대한 모형을 출력하기 위한 방법을 나타낸 순서도이다.
도 6을 참조하면, 3D 프린터를 이용하여 태아 영상에 대한 모형을 출력하기 위한 방법은, 획득 단계(S610), 분리 단계(S620), 3D 영상 생성 단계(S630), 3D 프린터 출력용 파일 출력 단계(S640), 3D 프린터 출력용 파일 전송 단계(S650), 모형 출력 단계(S660)를 포함할 수 있다.
획득 단계는, 프로세서(120)를 통해 태아 영상을 획득할 수 있다(S610). 이때, 태아 영상은, 메타데이터인 복수개의 태아 영상 데이터가 인공지능 모델을 기반으로 학습되어 출력될 수 있다.
프로세서(120)는 태아별 태아 영상 데이터(OD)를 메모리(110)에 기 저장된 데이터 중에서 획득할 수 있다. 또한, 프로세서(120)는 태아별 태아 영상 데이터(OD)를 외부 서버(미도시)로부터 획득할 수 있다. 예를 들어, 프로세서(120)는 정상 상태의 태아에 상응하는 태아 영상 데이터, 선천성 질환 보유 상태의 태아에 상응하는 태아 영상 데이터, 중증 선천성 질환 보유 상태의 태아에 상응하는 태아 영상 데이터를 획득할 수 있다.
분리 단계는, 프로세서(120)를 태아 영상에서 아기집, 태아, 및 태아의 장기를 분리(segmentation)할 수 있다(S620).
도 7은 도 6의 분리 단계에서 아기집, 태아, 및 태아의 장기를 분리하는 구체적인 과정을 일 예로 나타낸 순서도이다. 도 8은 도 7의 분리 단계에서 분리를 위해 아기집, 태아, 및 태아의 장기에 대해 관심 영역들을 설정하는 과정을 일 예로 나타낸 도면이다.
도 9 내지 도 11은 도 8의 관심 영역들을 기반으로 프로세서를 통해 아기집의 영상, 태아의 영상, 및 태아의 장기 영상이 분리된 상태를 일 예로 나타낸 도면이다.
도 7을 참조하면, 프로세서(120)는 아기집의 영상, 태아의 영상 및 태아의 장기 영상에 대해 관심영역(ROI)을 설정할 수 있다(S621). 관심영역(Region of interest; ROI)은 영상처리상의 방법으로서, 측정하고자 하는 기관, 장기, 조직 등이나 부위의 범위를 설정하는 것이다. 관심영역은 3차원 상의 영역(Volume of interest; VOI)으로 설정될 수도 있다.
프로세서(120)는 아기집의 영상, 태아의 영상 및 태아의 장기 영상에 대해 관심영역(ROI)이 설정되면, 관심영역(ROI)에 대응하는 각각의 블록을 형성하여 출력할 수 있다(S622). 도 8에 도시된 바와 같이, 관심영역(ROI)에 대응하는 각각의 블록은, 아기집의 영상에 대응하는 블록(ROI1), 태아의 영상에 대응하는 블록(ROI2), 태아의 장기 영상에 대응하는 블록(ROI3)일 수 있다.
여기에서, 각각의 블록(ROI1 내지 ROI3)은 큐브(직육면체) 형상으로 구성될 수 있으나, 이에 한정되는 것은 아니고 곡선을 포함하는 형상(예를 들어, 구형 또는 직육면체의 일부 면만 곡면으로 구성된 형상 등)으로 구성되는 것도 가능하다. 이때, 블록(ROI1 내지 ROI3)의 크기, 각도 및 위치는 조절될 수 있고, 서로 상이할 수 있다. 각각의 블록(ROI1 내지 ROI3)은 3개의 평면(Axial plane, coronal plane, sagittal plane)에 대한 축을 기준으로 크기가 조절될 수 있다.
또한, 블록(ROI1 내지 ROI3)은 다른 블록과 겹치는 영역이 존재하도록 생성 및 배치될 수 있다. 아기집, 태아 및 태아의 장기는 일단면을 기준으로 완벽하게 분리되도록 구성되어 있지 않고, 다양한 형태 및 결합으로 구성되어 있다. 따라서, 관심영역으로 설정된 각각의 부위에 대해 블록(ROI1 내지 ROI3)을 형성할 경우 겹치는 영역이 발생할 수 있다. 이에 따라, 블록(ROI1 내지 ROI3)은 겹쳐서 형성되는 것이 가능하므로, 보다 정확하게 부위별 관심영역 설정 및 블록 형성이 가능하다.
또한, 블록(ROI1 내지 ROI3)은 회전이 가능하도록 구성될 수 있다. 즉, 블록(ROI1 내지 ROI3)은 특정 축을 기준으로 회전할 수 있도록 구성될 수 있다. 이에 따라, 프로세서(120)는 복잡한 형상의 아기집, 태아 및 태아의 장기에 대해, 보다 정확하게 관심영역을 설정할 수 있다.
또한, 블록(ROI1 내지 ROI3)은 각각의 관심영역에 대하여 머신 러닝(Machine learning) 및 딥 러닝(Deep learning) 등과 같은 인공지능 기술을 통해, 자동으로 생성될 수 있다. 프로세서(120)는 아기집, 태아 및 태아의 장기에 상응하는 의료영상데이터를 인공지능 모델에 입력하면, 최적의 아기집, 태아 및 태아의 장기에 대한 관심영역을 자동으로 설정하고, 해당 관심영역들에 대한 블록(ROI1 내지 ROI3)을 자동으로 형성하여 출력할 수 있다.
프로세서(120)는 각각의 블록(ROI1 내지 ROI3)에 대한 세그먼테이션 알고리즘을 설정할 수 있다(S240). 세그먼테이션 알고리즘(Segmentation algorithm)은 촬영 데이터의 특정한 변수(예를 들어, Hounsfield un(HU), 명암값, 밝기값 등)를 설정된 기준값을 기준으로 조절하는 알고리즘을 의미한다. 세그먼테이션 알고리즘은 각각의 관심영역에 대해 블록(ROI1 내지 ROI3)에 포함되어 있는 아기집, 태아 및 태아의 장기의 경계를 탐색하거나 부각시키는데 이용될 수 있다. 또한, 각각의 블록(ROI1 내지 ROI3)에 따라 세그먼테이션 알고리즘은 상이하게 설정될 수 있다. 즉, 복수의 블록(ROI1 내지 ROI3)이 형성된 경우, 블록들(ROI1 내지 ROI3)은 각각에 설정된 세그먼테이션 알고리즘을 기반으로 해당 블록에 포함된 관심영역에 대한 세그먼테이션 작업을 수행할 수 있다. 이에 따라, 프로세서(120)는 부위별로 최적화된 세그먼테이션 알고리즘을 적용할 수 있게 되어, 보다 빠르고 정확하게 3D 형상을 모델링할 수 있다. 즉, 도 9 내지 도 11에 도시된 바와 같이, 프로세서(120)는 세그먼테이션 알고리즘을 이용하여 보다 빠르고 정확하게 아기집의 영상(P1), 태아의 영상(P2) 및 태아의 장기 영상(P2-1)을 분리할 수 있다.
3D 영상 생성 단계는, 분리된 아기집의 영상(P1), 태아의 영상(P2) 및 태아의 장기 영상(P2-1)에 대해 각각의 3D 영상을 생성할 수 있다(S630). 프로세서(120)는 정상 상태, 선천성 질환 보유 상태, 중증 선천성 질환 보유 상태의 아기집의 영상(P1), 태아의 영상(P2) 및 태아의 장기 영상(P2-1)을 기반으로, 정상 상태, 선천성 질환 보유 상태, 중증 선천성 질환 보유 상태의 아기집의 3D 영상, 태아의 3D 영상 및 태아의 장기에 해당하는 3D 영상을 생성할 수 있다.
이때, 프로세서(120)는 각각의 블록(ROI1 내지 ROI3)에 설정된 세그먼테이션 알고리즘을 기반으로, 3D 영상을 생성할 수 있다. 즉, 프로세서(120)는 각각의 블록(ROI1 내지 ROI3)에 포함되어 있는 아기집, 태아 및 태아의 장기에 대해 세그먼테이션 알고리즘의 변수, 명암 값 등을 설정하여 각각의 블록(ROI1 내지 ROI3)에 최적화된 3차원 모델링 환경을 설정한 후, 각각의 블록(ROI1 내지 ROI3)에 포함되어 있는 아기집, 태아 및 태아의 장기에 대해 3차원 모델링을 동시에 수행함으로써, 아기집, 태아 및 태아의 장기에 해당하는 3D 영상을 정확하고 신속하게 생성할 수 있다.
3D 프린터 출력용 파일 출력 단계는, 프로세서(120)를 통해 생성된 적어도 하나의 태아의 장기에 상응하는 3D 영상을 3D 프린터 출력용 파일로 변환하여 출력할 수 있다(S640). 프로세서(120)는 태아 영상에 태아의 상태 정보를 매칭하여 3D 프린터 출력용 파일을 생성할 수 있다. 이때, 3D 프린터 출력용 파일은 각각의 3D 영상에 매칭되는 3D 프린터 소재 정보를 포함할 수 있다. 예를 들어, 프로세서(120)는 생성된 정상 상태, 선천성 질환 보유 상태, 중증 선천성 질환 보유 상태의 아기집의 3D 영상, 태아의 3D 영상 및 태아의 장기에 해당하는 3D 영상을 3D 프린터 출력용 파일로 변환하여 출력할 수 있다. 이때, 3D 프린터 소재 정보 중 태아의 재질은 Agilus 30일 수 있다. 또한, 3D 프린터 소재 정보 중 각각의 아기집의 재질, 각각의 태아의 장기에 대한 재질은 실제 각각의 아기집, 실제 각각의 태아의 장기와 기 설정된 일치율을 가지는 초음파 전도율을 가지는 재질일 수 있다.
3D 프린터 출력용 파일 전송 단계는, 통신부(130)를 통해 3D 프린터 출력용 파일을 3D 프린터(200)로 전송할 수 있다(S650). 모형 출력 단계는, 3D 프린터(200)를 통해 수신된 3D 프린터 출력용 파일에 상응하는 태아 영상에 대한 모형을 출력할 수 있다(S660).
도 12는 도 1의 3D 프린터에 의해 제작된 태아 모형을 일 예로 나타낸 도면이다.
도 12를 참조하면, 3D 프린터(200)에 의해 제작되는 태아 모형은 태아 외관 모형(C), 태아의 장기에 대한 모형(C1)을 포함할 수 있다. 3D 프린터(200)에 의해 제작되는 태아 모형은, 실리콘으로 만들어진 태아의 인형 내부에 태아의 장기에 대한 모형(C1)이 포함되어 제작될 수 있다. 3D 프린터(200)는 태아의 정상 장기에 대한 모형 또는 비정상 장기에 대한 모형을 제작할 수 있다
태아 외관 모형(C)은 정상 상태, 선천성 질환 보유 상태 및 중증 선천성 질환 보유 상태의 태아 외관 모형을 포함할 수 있다. 태아 외관 모형은 Agilus 30의 재질로 제작하거나, 기존의 실리콘 아기모형 기성품을 사용할 수 있다.
태아의 장기에 대한 모형(C1)은 정상 상태, 선천성 질환 보유 상태 및 중증 선천성 질환 보유 상태의 태아의 장기 모형을 포함할 수 있다. 태아의 장기에 대한 모형(C1)은 실제 정상 상태의 태아의 장기, 실제 선천성 질환 보유 상태의 태아의 장기 및 실제 중증 선천성 질환 보유 상태의 태아의 장기와 기 설정된 일치율을 갖는 초음파 전도율을 가지는 재질로 제작될 수 있다.
한편, 본 개시에 따른 장치(100)는 태아의 장기에 대한 모형(C1)을 이용하여 시뮬레이션으로 시술 또는 수술하는 교육생의 훈련 정도를 정확하고 효율적으로 평가할 수 있다.
도 13은 도 2의 프로세서가 카메라를 통해 시술 또는 수술하는 장면을 획득하는 과정을 일 예로 나타낸 도면이다.
도 13을 참조하면, 프로세서(120)는 카메라(80)를 통해 시술 장면 데이터 또는 수술 장면 데이터를 획득할 수 있다. 카메라(80)는 태아의 장기에 대한 모형(C1)을 효율적으로 촬영하도록 복수개로 마련될 수 있다. 카메라(80)는 이미지 센서를 이용하는 영상 카메라로 제공될 수 있다. 카메라(80)는 이미지 센서를 통해 획득한 정지영상 또는 동영상 등의 화상 프레임을 처리할 수 있다. 한편, 카메라(80)가 복수개일 경우, 매트릭스 구조를 이루도록 배치될 수 있다. 이러한 매트릭스 구조를 이루는 영상 카메라들을 통해 다양한 각도 또는 초점을 갖는 복수의 영상정보가 입력될 수 있다. 또한, 영상 카메라들은 3차원의 입체영상을 구현하기 위한 좌 영상 및 우 영상을 획득하도록, 스트레오 구조로 배치될 수 있다.
한편, 카메라(80)는 AI 카메라로 제공될 수도 있다. AI 카메라는 인간의 망막을 모방하여 만들어진 광각센서를 통해 인식된 이미지를, 뇌신경망 알고리즘으로 미세하게 조정할 수 있다. AI 카메라는 셔터 속도, 광노출, 포화도, 색 농도, 동적 범위, 대비 등을 조절할 수 있다. 또한, AI 카메라는 촬영된 영상을 양질의 영상으로 출력할 수 있다.
도 14 및 도 15는 도 13의 카메라에 의해 획득된 시술 장면 데이터 또는 수술 장면 데이터를 기반으로, 프로세서가 평가한 교육생의 훈련 정도를 UI를 통해 표시하는 과정을 일 예로 나타낸 도면이다.
도 14 및 도 15를 참조하면, 본 개시에 따른 장치(100)의 UI 중 시뮬레이션 평가 결과 UI(M)는 프로세서(120)가 평가한 교육생의 훈련 정도를 표시할 수 있다. 예를 들어, 제1 교육생 훈련 정보 UI(M1)는 시뮬레이션 평가 결과, 훈련 정도가 1위인 교육생의 훈련 정보를 표시할 수 있고, 제2 교육생 훈련 정보 UI(M2)는 시뮬레이션 평가 결과, 훈련 정도가 2위인 교육생의 훈련 정보를 표시할 수 있으며, 제3 교육생 훈련 정보 UI(M3)는 시뮬레이션 평가 결과, 훈련 정도가 3위인 교육생의 훈련 정보를 표시할 수 있다. 또한, 제1 평가 결과 보기 UI(M1-1), 제2 평가 결과 보기 UI(M2-1), 제3 평가 결과 보기 UI(M3-1)는 제1 교육생의 훈련 평가 결과, 제2 교육생의 훈련 평가 결과, 제3 교육생의 훈련 평가 결과를 표시할 수 있다.
이때, 관리자(평가관)가 제1 평가 결과 보기 UI(M1-1)를 선택하면, 도 15에 도시된 바와 같이, 제1 교육생 훈련 정보 UI(M1)는 1위인 김씨 교육생의 수술 훈련 분야와 총 평가 점수를 표시할 수 있다. 예를 들어, 제1 교육생 훈련 정보 UI(M1)는 김씨 교육생의 수술 훈련 분야인 '풍선을 이용한 판막협착부위 확대수술', '신경관결손 태아치료수술' 등을 표시할 수 있고, 총 평가 점수인 '95점'을 표시할 수 있다.
이와 같이, 본 개시는 모형을 기반으로 초음파 유도하 시술을 수행하여 실제 시술 또는 수술에 대한 시뮬레이션을 수행하기 용이할 수 있다.
또한, 본 개시는 모형을 기반으로 실제 시술 또는 수술에 대한 시뮬레이션을 수행할 수 있어, 실제 시술 또는 수술에 대한 성공률을 높일 수 있다.
한편, 중요하고 놓치지 말아야 할 초음파 비정상 소견을 익히는 것이 산부인과 의사에게 꼭 필요하며, 분만직후의 의학적 처치에 따라 신생아의 예후가 급변할 수 있으므로, 3차병원으로의 이송이 필요한 선천성 질환은 1차병원에 근무하는 산부인과 의사들도 숙지하여야 하는 경우가 존재할 수 있다.
그러나, 비정상인 케이스를 직접 경험하지 않으면, 1차병원 진료 단계에서 진단이 되지 않을 수 있다.
따라서, 본 개시는 아기집, 양수, 태아 및 태아의 장기 별로 생성된 모형을 이용한 다양한 케이스에 대한 경험을 산부인과 의사에게 제공해줄 수 있다.
즉, 본 개시는 내부 장기 구현이 가능한 태아 모형을 구현하고, 구현된 태아 모형을 이용하여 의사 또는 간호사에게 태아의 진단적 검사 및 태아 시술을 교육할 수 있는 교육 커리큘럼을 제공할 수 있다.
한편, 본 개시에 따른 교육 커리큘럼은 상술한 동작을 기초로 생성된 태아 모형에 초음파 프로브를 이용하여 태아 모형의 초음파 영상의 획득을 가이드하는 구성으로 마련될 수 있다.
또한, 본 개시에 따른 교육 커리큘럼은 임신 중 침습적 시술에 있어서, 조산, 조기 진통, 양막 파수 및 자궁 손상 등이 발생하지 않도록 가이드하는 내용을 포함하는 구성으로 마련될 수도 있다.
한편, 상술한 방법으로 제작되는 태아 모형의 형태에는 제한이 없으며, 이에 대응하여 수행되는 교육 커리큘럼의 구성도 태아의 진단 및 시술에 이용되는 것이라면 그 구성의 제한은 없다.
한편, 본 개시는 태아의 장기에 대한 모형을 이용하여 시뮬레이션으로 시술 또는 수술하는 교육생의 훈련 정도를 정확하고 효율적으로 평가할 수 있다.
도 1 내지 도 4에 도시된 구성 요소들의 성능에 대응하여 적어도 하나의 구성요소가 추가되거나 삭제될 수 있다. 또한, 구성 요소들의 상호 위치는 시스템의 성능 또는 구조에 대응하여 변경될 수 있다는 것은 당해 기술 분야에서 통상의 지식을 가진 자에게 용이하게 이해될 것이다.
도 6 및 도 7은 복수의 단계를 순차적으로 실행하는 것으로 기재하고 있으나, 이는 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 도 6 및 도 7에 기재된 순서를 변경하여 실행하거나 복수의 단계 중 하나 이상의 단계를 병렬적으로 실행하는 것으로 다양하게 수정 및 변형하여 적용 가능할 것이므로, 도 6 및 도 7은 시계열적인 순서로 한정되는 것은 아니다.
한편, 개시된 실시예들은 컴퓨터에 의해 실행 가능한 명령어를 저장하는 기록매체의 형태로 구현될 수 있다. 명령어는 프로그램 코드의 형태로 저장될 수 있으며, 프로세서에 의해 실행되었을 때, 프로그램 모듈을 생성하여 개시된 실시예들의 동작을 수행할 수 있다. 기록매체는 컴퓨터로 읽을 수 있는 기록매체로 구현될 수 있다.
컴퓨터가 읽을 수 있는 기록매체로는 컴퓨터에 의하여 해독될 수 있는 명령어가 저장된 모든 종류의 기록 매체를 포함한다. 예를 들어, ROM(Read Only Memory), RAM(Random Access Memory), 자기 테이프, 자기 디스크, 플래쉬 메모리, 광 데이터 저장장치 등이 있을 수 있다.
이상에서와 같이 첨부된 도면을 참조하여 개시된 실시예들을 설명하였다. 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자는 본 개시의 기술적 사상이나 필수적인 특징을 변경하지 않고도, 개시된 실시예들과 다른 형태로 본 개시가 실시될 수 있음을 이해할 것이다. 개시된 실시예들은 예시적인 것이며, 한정적으로 해석되어서는 안 된다.
1000: 시스템
100: 장치
110: 메모리 120: 프로세서
130: 통신부 200: 3D 프린터
110: 메모리 120: 프로세서
130: 통신부 200: 3D 프린터
Claims (15)
- 장치에 의해 수행되는 태아 영상에 대한 모형을 출력하기 위한 3D 프린터 출력용 파일 생성 방법에 있어서,
상기 태아 영상을 획득하는 단계;
상기 태아 영상에서 아기집, 양수, 태아 및 상기 태아의 장기 중 미리 설정된 적어도 하나의 태아의 장기를 분리하여 각각의 3D 영상을 생성하는 단계; 및
상기 생성된 적어도 하나의 태아의 장기에 상응하는 3D 영상을 3D 프린터 출력용 파일로 변환하여 출력하는 단계; 를 포함하는, 방법. - 제1항에 있어서,
상기 태아 영상은,
메타데이터인 복수개의 태아 영상 데이터가 인공지능 모델을 기반으로 학습되어 출력된 것을 특징으로 하는, 방법. - 제2항에 있어서,
상기 태아 영상에 상기 태아의 상태 정보를 매칭하여 상기 3D 프린터 출력용 파일을 생성하는 것을 특징으로 하는, 방법. - 제3항에 있어서,
상기 태아의 상태 정보는,
정상 상태, 선천성 질환 보유 상태 및 중증 선천성 질환 보유 상태 중 적어도 하나를 포함하는, 방법. - 제3항에 있어서,
상기 3D 프린터 출력용 파일은, 상기 각각의 3D 영상에 매칭되는 3D 프린터 소재 정보를 포함하는, 방법. - 제1항에 있어서,
상기 태아 영상에 대한 모형을 출력하도록, 상기 3D 프린터 출력용 파일을 3D 프린터로 전송하는 단계; 를 더 포함하는, 방법. - 하드웨어인 컴퓨터와 결합되어, 제1항 내지 제6항 중 어느 한 항의 장치에 의해 수행되는 태아 영상에 대한 모형을 출력하기 위한 3D 프린터 출력용 파일 생성 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록 매체에 저장된, 프로그램.
- 태아 영상에 대한 모형을 출력하기 위한 3D 프린터 출력용 파일을 생성하는 장치에 있어서,
상기 태아 영상이 기 저장된 메모리; 및
상기 3D 프린터 출력용 파일의 생성과 관련된 동작을 제어하는 프로세서를 포함하고,
상기 프로세서는,
상기 태아 영상을 획득하고,
상기 태아 영상에서 아기집, 양수, 태아 및 상기 태아의 장기 중 미리 설정된 적어도 하나의 태아의 장기를 분리하여 각각의 3D 영상을 생성하며,
상기 생성된 적어도 하나의 태아의 장기에 상응하는 3D 영상을 3D 프린터 출력용 파일로 변환하여 출력하는 것을 특징으로 하는, 장치. - 제8항에 있어서,
상기 태아 영상은,
메타데이터인 복수개의 태아 영상 데이터가 인공지능 모델을 기반으로 학습되어 출력된 것을 특징으로 하는, 장치. - 제9항에 있어서,
상기 프로세서는,
상기 태아 영상에 상기 태아의 상태 정보를 매칭하여 상기 3D 프린터 출력용 파일을 생성하는 것을 특징으로 하는, 장치. - 제10항에 있어서,
상기 태아의 상태 정보는,
정상 상태, 선천성 질환 보유 상태 및 중증 선천성 질환 보유 상태 중 적어도 하나를 포함하는, 장치. - 제10항에 있어서,
상기 3D 프린터 출력용 파일은, 상기 각각의 3D 영상에 매칭되는 3D 프린터 소재 정보를 포함하는, 장치. - 제8항에 있어서,
상기 태아 영상에 대한 모형을 출력하도록, 상기 3D 프린터 출력용 파일을 3D 프린터로 전송하는 통신부를 더 포함하는, 장치. - 태아 영상에 대한 모형을 출력하기 위한 시스템에 있어서,
상기 태아 영상에 대한 모형을 출력하기 위한 3D 프린터 출력용 파일을 생성하는 장치; 및
상기 3D 프린터 출력용 파일을 수신받아 상기 태아 영상에 대한 모형을 출력하는 3D 프린터를 포함하고,
상기 장치는,
상기 태아 영상을 획득하고,
상기 태아 영상에서 아기집, 양수, 태아 및 상기 태아의 장기 중 미리 설정된 적어도 하나의 태아의 장기를 분리하여 각각의 3D 영상을 생성하며,
상기 생성된 적어도 하나의 태아의 장기에 상응하는 3D 영상을 3D 프린터 출력용 파일로 변환하여 출력하는 것을 특징으로 하는, 시스템. - 제14항에 있어서,
상기 태아 영상은,
메타데이터인 복수개의 태아 영상 데이터가 인공지능 모델을 기반으로 학습되어 출력된 것을 특징으로 하는, 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/KR2022/008388 WO2022265345A1 (ko) | 2021-06-18 | 2022-06-14 | 3d 프린터를 이용하여 태아 영상에 대한 모형을 출력하기 위한 시스템, 3d 프린터 출력용 파일을 생성하는 장치, 방법 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210079362 | 2021-06-18 | ||
| KR20210079362 | 2021-06-18 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20220169902A true KR20220169902A (ko) | 2022-12-28 |
Family
ID=84538248
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220070767A KR20220169902A (ko) | 2021-06-18 | 2022-06-10 | ３ｄ 프린터를 이용하여 태아 영상에 대한 모형을 출력하기 위한 시스템, 3d 프린터 출력용 파일을 생성하는 장치, 방법 및 프로그램 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20220169902A (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101635188B1 (ko) | 2014-07-11 | 2016-07-04 | (주)쓰리디스토리 | 태아 조형물 프린팅 서비스 시스템 및 방법 |
-
2022
- 2022-06-10 KR KR1020220070767A patent/KR20220169902A/ko unknown
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101635188B1 (ko) | 2014-07-11 | 2016-07-04 | (주)쓰리디스토리 | 태아 조형물 프린팅 서비스 시스템 및 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230179680A1 (en) | Reality-augmented morphological procedure | |
| Basdogan et al. | VR-based simulators for training in minimally invasive surgery | |
| Mahmood et al. | Augmented reality and ultrasound education: initial experience | |
| Satava | Medical virtual reality-the current status of the future | |
| Ruthenbeck et al. | Virtual reality for medical training: the state-of-the-art | |
| Marescaux et al. | Virtual reality applied to hepatic surgery simulation: the next revolution | |
| John | The impact of Web3D technologies on medical education and training | |
| Oshiro et al. | Novel 3-dimensional virtual hepatectomy simulation combined with real-time deformation | |
| CN114173693A (zh) | 用于远距监督手术程序的增强现实系统和方法 | |
| Djukic et al. | Virtual reality aided visualization of fluid flow simulations with application in medical education and diagnostics | |
| De Visser et al. | Developing a next generation colonoscopy simulator | |
| Sugimoto | Extended reality (XR: VR/AR/MR), 3D printing, holography, AI, radiomics, and online VR Tele-medicine for precision surgery | |
| Rasool et al. | Image-driven virtual simulation of arthroscopy | |
| Sugimoto | Cloud XR (extended reality: virtual reality, augmented reality, mixed reality) and 5g mobile communication system for medical image-guided holographic surgery and telemedicine | |
| WO2022206024A1 (zh) | 一种内部组织模型的构建方法及终端设备 | |
| Amara et al. | Augmented reality for covid-19 aid diagnosis: Ct-scan segmentation based deep learning | |
| Adams et al. | Development and evaluation of an immersive virtual reality system for medical imaging of the ear | |
| Hernandez-Torres et al. | An extended focused assessment with sonography in trauma ultrasound tissue-mimicking phantom for developing automated diagnostic technologies | |
| KR20220169902A (ko) | ３ｄ 프린터를 이용하여 태아 영상에 대한 모형을 출력하기 위한 시스템, 3d 프린터 출력용 파일을 생성하는 장치, 방법 및 프로그램 | |
| Wagner et al. | Intraocular surgery on a virtual eye | |
| Ankireddy | Assistive diagnostic tool for brain tumor detection using computer vision | |
| WO2022265345A1 (ko) | 3d 프린터를 이용하여 태아 영상에 대한 모형을 출력하기 위한 시스템, 3d 프린터 출력용 파일을 생성하는 장치, 방법 | |
| Lam et al. | A review of computer-generated simulation in the pedagogy of cataract surgery training and assessment | |
| Satava et al. | Laparoscopic surgery: Transition to the future | |
| Chen et al. | A system design for virtual reality visualization of medical image |