KR20230005633A - 난소낭종의 부피 산출 방법 및 자궁내막증의 예후를 예측하는 방법과 그 장치 - Google Patents
난소낭종의 부피 산출 방법 및 자궁내막증의 예후를 예측하는 방법과 그 장치 Download PDFInfo
- Publication number
- KR20230005633A KR20230005633A KR1020210086587A KR20210086587A KR20230005633A KR 20230005633 A KR20230005633 A KR 20230005633A KR 1020210086587 A KR1020210086587 A KR 1020210086587A KR 20210086587 A KR20210086587 A KR 20210086587A KR 20230005633 A KR20230005633 A KR 20230005633A
- Authority
- KR
- South Korea
- Prior art keywords
- ovarian cyst
- endometriosis
- volume
- prognosis
- ultrasound image
- Prior art date
Links
- 201000009273 Endometriosis Diseases 0.000 title claims abstract description 85
- 238000004393 prognosis Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000002611 ovarian Effects 0.000 title 1
- 208000025661 ovarian cyst Diseases 0.000 claims abstract description 120
- 238000002604 ultrasonography Methods 0.000 claims abstract description 62
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 28
- 210000001672 ovary Anatomy 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 208000002193 Pain Diseases 0.000 claims description 22
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 abstract description 2
- 238000001574 biopsy Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 238000012285 ultrasound imaging Methods 0.000 description 3
- 208000037093 Menstruation Disturbances Diseases 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000005168 endometrial cell Anatomy 0.000 description 2
- 210000004696 endometrium Anatomy 0.000 description 2
- 208000000509 infertility Diseases 0.000 description 2
- 230000036512 infertility Effects 0.000 description 2
- 231100000535 infertility Toxicity 0.000 description 2
- 230000003211 malignant effect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 208000003174 Brain Neoplasms Diseases 0.000 description 1
- 206010013911 Dysgeusia Diseases 0.000 description 1
- 208000005171 Dysmenorrhea Diseases 0.000 description 1
- 206010013935 Dysmenorrhoea Diseases 0.000 description 1
- 208000008839 Kidney Neoplasms Diseases 0.000 description 1
- 206010027339 Menstruation irregular Diseases 0.000 description 1
- 206010054949 Metaplasia Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010033128 Ovarian cancer Diseases 0.000 description 1
- 206010061535 Ovarian neoplasm Diseases 0.000 description 1
- 208000006994 Precancerous Conditions Diseases 0.000 description 1
- 206010038389 Renal cancer Diseases 0.000 description 1
- 206010065951 Retrograde menstruation Diseases 0.000 description 1
- 208000037976 chronic inflammation Diseases 0.000 description 1
- 208000037893 chronic inflammatory disorder Diseases 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 235000019564 dysgeusia Nutrition 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 239000000598 endocrine disruptor Substances 0.000 description 1
- 231100000049 endocrine disruptor Toxicity 0.000 description 1
- 208000023965 endometrium neoplasm Diseases 0.000 description 1
- 210000003754 fetus Anatomy 0.000 description 1
- 238000001794 hormone therapy Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 201000010982 kidney cancer Diseases 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 231100000544 menstrual irregularity Toxicity 0.000 description 1
- 230000005906 menstruation Effects 0.000 description 1
- 230000015689 metaplastic ossification Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000016087 ovulation Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000001991 pathophysiological effect Effects 0.000 description 1
- 210000004303 peritoneum Anatomy 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 210000004291 uterus Anatomy 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
- G16H50/50—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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Veterinary Medicine (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Vascular Medicine (AREA)
- Computational Linguistics (AREA)
- Physiology (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
본 발명은 난소낭종의 부피 산출 방법에 관한 것으로, 난소 전부 또는 일부에 대한 초음파 영상을 획득하는 초음파 영상 획득 단계; 및 초음파 영상에서 난소낭종을 식별하고, 식별된 난소낭종을 3차원으로 변환하여 난소낭종의 부피를 도출하는 난소낭종 부피 산출 단계를 포함하며, 초음파 영상의 난소낭종을 3차원으로 변환하여 난소낭종의 부피를 도출하는 과정이 학습된 인공지능에 의해서 수행되는 것을 특징으로 한다.
본 발명은, 초음파 촬영 또는 초음파 영상을 이용하여 난소낭종의 부피를 산출할 수 있으며, 산출된 난소낭종의 부피를 이용하여 자궁내막증의 예후를 예측함으로써, 초음파 영상으로 자궁내막증의 예후에 대한 예측을 수행할 수 있는 효과가 있다.
본 발명은, 초음파 촬영 또는 초음파 영상을 이용하여 난소낭종의 부피를 산출할 수 있으며, 산출된 난소낭종의 부피를 이용하여 자궁내막증의 예후를 예측함으로써, 초음파 영상으로 자궁내막증의 예후에 대한 예측을 수행할 수 있는 효과가 있다.
Description
본 발명은 자궁내막증의 예후를 예측하는 방법과 장치에 관한 것으로, 더욱 자세하게는 조직검사 없이 자궁내막증의 예후를 예측하는 방법과 장치에 관한 것이다.
일반적으로 자궁내막증(endometriosis)은, 자궁 외부에 존재하는 이소성 자궁내막으로 정의되는 만성 염증성 질환으로, 월경불순, 이상성감증, 그리고 불임 등을 동반하고, 가임기 여성에게 흔하게 발생되는 질환이다. 복막, 흉부, 배꼽 등의 위치에서 이소성 자궁내막 세포가 발견되기도 하지만, 가장 공통적으로 이소성 자궁내막세포가 발견되는 장소는 난소 등을 들 수 있다.
자궁내막증은 30 내지 50%의 환자에게서 불임의 원인으로 확인되었고, 난소암, 신장암, 뇌종양 등의 다양한 암의 발병위험을 높이는 것으로 보고된 바 있다. 또한, 자궁내막증은 양성 질환과 악성 종양의 특성이 혼합되어 있고, 자궁내막증을 암 이전 상태(premalignant condition)라고 말할 수는 없지만, 역학, 조직 병리학 및 분자 데이터는 자궁내막증이 악성 잠재성이 있음을 시사한다.
자궁내막증의 병리생리학적인 원인으로, 체강상피 화생설(coelomic metaplasia), 역행성월경이론(retrograde menstruation) 그리고 내분비 교란물질에의 노출설 등이 제시되고 있으나, 많은 노력에도 불구하고 명확한 자궁 내막증의 병리생리학적인 원인은 밝혀지지 않고 있다.
자궁내막증은 그 정확한 진단도 쉽지 않아서, 자궁내막증이 의심되는 경우 진행되는 조직검사 등에서 예측도(positive predictive value)가 45% 정도로 낮은 편이다. 이에 따라서, 자궁내막증의 진단적 민감성을 향상시키고 조기에 진단하기 위한 진단용 조성물에 대한 기술(대한민국 등록특허 10-1687775)과 돌연변이 유전자를 진단 마커로서 이용하는 기술(대한민국 등록특허 10-1978399) 등이 개발되었으나, 조직 검사를 필수적으로 수반하는 점에서 그 활용이 제한적이다.
따라서 조직검사(복강경 검사)를 보완하여, 쉽고 빠르게 자궁내막증의 현재 상태 또는 위험도를 판단할 수 있는 새로운 방법에 대한 요구가 높아지고 있다.
본 발명은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서 초음파 데이터를 이용하여 난소낭종의 부피를 측정하고 자궁내막증의 향후 진행을 예측하는 방법과 장치를 제공하는데 그 목적이 있다.
상기 목적을 달성하기 위한 본 발명에 의한 난소낭종의 부피 산출 방법은, 난소 전부 또는 일부에 대한 초음파 영상을 획득하는 초음파 영상 획득 단계; 및 초음파 영상에서 난소낭종을 식별하고, 식별된 난소낭종을 3차원으로 변환하여 난소낭종의 부피를 도출하는 난소낭종 부피 산출 단계를 포함하며, 초음파 영상의 난소낭종을 3차원으로 변환하여 난소낭종의 부피를 도출하는 과정이 학습된 인공지능에 의해서 수행되는 것을 특징으로 한다.
난소에 자궁내막이 붙어서 자라는 자궁내막종양은 배란을 방해하거나 통증을 유발할 수 있는 위험이 있으며, 본 발명의 발명자들은 이러한 위험 수위(위험도)를 평가하기 위한 인자로서 월경통과 난소낭종의 부피의 연관성을 분석하였다. 이와 같은 위험도 평가를 위해서는 난소낭종의 부피를 정확하게 도출하는 것이 중요하며, 본 발명의 발명자들은 난소낭중의 부피를 도출하는 새로운 방법을 개발하였다.
상기 학습된 인공지능이 학습된 CNN(convolutional neural network)인 것이 바람직하다.
상기 학습된 인공지능이 동일한 환자에 대한 초음파 영상과 난소낭종의 3차원 형태를 도출할 수 있는 영상을 묶은 학습용 데이터들을 이용한 신경망 학습으로 학습된 것일 수 있다.
난소낭종은 월경 시에 분비되는 영양분을 받아서 커지기 때문에 대부분 호르몬 치료 또는 수술을 통해 예후 관리를 하지만, 경과 관찰을 위해 촬영하는 초음파 사진의 데이터가 6개월 또는 1년 간의 간격으로 수집하고 있다. 이러한 과정에서 수집된 데이터들을 정리하여 학습용 데이터들을 이용하여 신경망 학습을 진행할 수 있다.
본 발명의 다른 형태에 의한 자궁내막증의 예후를 예측하는 방법은, 난소 전부 또는 일부에 대한 초음파 영상을 획득하는 초음파 영상 획득 단계; 초음파 영상에서 난소낭종을 식별하고, 식별된 난소낭종을 3차원으로 변환하여 난소낭종의 부피를 도출하는 난소낭종 부피 산출 단계; 및 산출된 난소낭종 부피를 이용하여 자궁내막증의 예후를 예측하는 자궁내막증 예후 예측 단계를 포함하며, 초음파 영상의 난소낭종을 3차원으로 변환하여 난소낭종의 부피를 도출하는 과정이 학습된 인공지능에 의해서 수행되는 것을 특징으로 한다.
자궁내막증 예후 예측 단계 이전에 대상자의 통증에 대한 정보를 획득하는 통증 정보 획득 단계를 더 포함하고, 자궁내막증 예후 예측 단계에서는 산출된 난소낭종 부피와 대상자의 통증 정보를 이용하여 자궁내막증의 예후를 예측하는 것일 수 있다.
산출된 난소낭종 부피를 이용하여 자궁내막증의 예후를 예측하는 과정이 학습된 인공지능에 의해서 수행될 수 있다.
상기 학습된 인공지능이 동일한 환자의 난소낭종의 크기와 자궁내막증의 이후 진행에 대한 정보를 묶어 놓은 학습용 데이터를 이용한 신경망 학습으로 학습된 것일 수 있다.
본 발명의 또다른 형태에 의한 자궁내막증의 예후 예측 장치는, 난소 전부 또는 일부에 대한 초음파 영상을 획득하는 정보 획득부; 상기 초음파 영상에서 식별된 난소낭종을 3차원으로 변환하여 난소낭종의 부피를 도출하는 부피 산출부; 및 산출된 난소낭종 부피를 이용하여 자궁내막증의 예후를 예측하는 예후 예측부를 포함하며, 상기 부피 산출부는 초음파 영상의 난소낭종을 3차원으로 변환하여 난소낭종의 부피를 도출하는 학습된 인공지능을 포함하는 것을 특징으로 한다.
상기 정보 획득부는 대상자의 통증에 대한 정보를 추가적으로 획득하며, 상기 예후 예측부는 산출된 난소낭종 부피와 대상자의 통증 정보를 이용하여 자궁내막증의 예후를 예측하는 것일 수 있다.
상기 예후 예측부는 자궁내막증의 예후를 특정의 기준에 따라서 복수의 모델로 분류한 예측 모델 형태로 제공할 수 있다.
상술한 바와 같이 구성된 본 발명은, 초음파 촬영 또는 초음파 영상을 이용하여 난소낭종의 부피를 산출할 수 있다.
또한, 초음파 영상으로부터 산출된 난소낭종의 부피를 이용하여 자궁내막증의 예후를 예측함으로써, 초음파 영상을 이용하여 자궁내막증의 예후에 대한 예측을 수행할 수 있는 효과가 있다.
나아가 초음파 영상을 이용한 예측과 함께, 환자의 나이, 증상정보등의 변수를 활용한 빅데이터 분석을 통해 향후 자궁내막증의 예후를 더욱 정확하게 예측할 수 있으며, 호르몬치료 또는 수술 등의 결정을 해야 할 경우에도 이러한 예측 정보를 참조하여 환자가 의사결정을 할 수 있는 효과가 있다.
도 1은 본 발명의 실시예에 따른 난소낭종의 부피 산출 방법을 설명하기 위한 흐름도이다.
도 2는 본 발명의 실시예에 따른 자궁내막증의 예후를 예측하는 방법을 설명하기 위한 흐름도이다.
도 3은 본 발명의 다른 실시예에 따른 자궁내막증의 예후를 예측하는 방법을 설명하기 위한 흐름도이다.
도 4는 본 발명의 실시예에 따른 자궁내막증의 예후 예측 장치의 구성을 개략적으로 나타낸 도면이다.
도 2는 본 발명의 실시예에 따른 자궁내막증의 예후를 예측하는 방법을 설명하기 위한 흐름도이다.
도 3은 본 발명의 다른 실시예에 따른 자궁내막증의 예후를 예측하는 방법을 설명하기 위한 흐름도이다.
도 4는 본 발명의 실시예에 따른 자궁내막증의 예후 예측 장치의 구성을 개략적으로 나타낸 도면이다.
첨부된 도면을 참조하여 본 발명에 따른 실시예를 상세히 설명한다.
그러나 본 발명의 실시형태는 여러 가지의 다른 형태로 변형될 수 있으며, 본 발명의 범위가 이하 설명하는 실시형태로만 한정되는 것은 아니다. 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있으며, 도면상의 동일한 부호로 표시되는 요소는 동일한 요소이다.
그리고 명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때 이는 "직접적으로 연결"되어 있는 경우뿐만 아니라 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한, 어떤 부분이 어떤 구성요소를 "포함" 또는 "구비"한다고 할 때, 이는 특별이 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함하거나 구비할 수 있는 것을 의미 한다.
또한, "제1", "제2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.
도 1은 본 발명의 실시예에 따른 난소낭종의 부피 산출 방법을 설명하기 위한 흐름도이다.
S110 단계에서는 난소에 대한 초음파 영상을 획득한다.
초음파 영상은 현장에서 촬영된 영상일 수도 있고, 미리 촬영된 영상일 수도 있다. 초음파 영상은 초음파를 생성하여 대상체로 조사한 뒤에 대상체에서 반사되어 돌아오는 에코 초음파를 수신하여 전기적 신호로 변환하여 얻어지는 이미지이며, 병원 등에서 일반적으로 사용되는 초음파 촬영 장치의 영상이 거의 제한 없이 사용될 수 있다. 한편, 초음파 영상은 난소낭종에 포커싱되어 촬영된 영상일 수도 있고, 난소 전체에 대하여 촬영된 영상일 수도 있다.
S120 단계에서는 난소에 대한 초음파 영상에서 난소낭종을 식별한다.
초음파 영상은 인체 내부로 조사되고, 대상체 내부의 다양한 깊이에 위치된 부위들에서 반사되어 초음파 영상이 도출되는데, 반사되는 부위에는 난소낭종이 포함된다. 따라서 초음파 영상에는 난소낭종이 표현되어 있고, 본 발명은 이러한 초음파 영상에서 난소낭종을 식별하며, 난소낭종의 식별과정은 사용자에 의해서 지정될 수도 있고, 학습된 인공지능에 의해서 식별될 수도 있다. 사용자에 의해서 난소낭종이 지정되는 경우에도, 사용자가 초음파 영상 전체에서 난소낭종의 영역을 모두 설정하는 것이 아니고, 사용자가 초음파 영상에서 난소낭종으로 의심되는 일부분을 선택하면, 학습된 인공지능이 사용자가 선택한 부분을 기준으로 난소낭종을 지정하고 초음파 영상에서 난소낭종의 영역을 자동으로 도출할 수 있다. 이외에도 사용자의 개입없이 학습된 인공지능이 초음파 영상에서 난소낭종에 해당되는 부분을 자동으로 선택하여 식별할 수도 있다.
본 발명에서 사용된 학습된 인공지능은 CNN(convolutional neural network)일 수 있으며, CNN은 입력 층(input layer)과 출력 층(output layer) 사이에 다중의 은닉 층(hidden layer)을 포함하는 인공 신경망인 심층 신경망(DNN: Deep Neural Network)의 한 종류로서, 하나 또는 여러 개의 콘볼루션 레이어(convolutional layer)과 통합 레이어(pooling layer) 및 완전하게 연결된 레이어(fully connected layer)들로 구성된 신경망이다. 이러한 CNN은 기계적 학습을 통해서 영상을 분석하는 용도로 적용할 수 있으며, 본 발명에서는 난소 전체 또는 일부에 대한 초음파 영상에서 난소낭종을 식별하도록 학습된 CNN을 사용할 수 있다. CNN이 난소낭종을 식별하도록 학습시키는 방법은 특별히 제한되지 않지만, 다양한 환자들의 초음파 영상에서 난소낭종을 지정해놓은 다수의 학습용 데이터들을 이용한 신경망 학습 방법을 적용할 수 있다.
S130단계에서는 식별된 난소낭종이 형태를 3차원으로 변환하여 난소낭종의 부피를 도출한다.
초음파 영상은 특정의 깊이에서 반사된 에코 초음파를 이용한 것으로서 2차원 영상에 해당하며, 3차원 형태 및 부피는 확인할 수 없다. 최근, 초음파 촬영 장치 중에서 이용하여 3차원 형태를 도출하는 장치들이 개발되었으나, 태아에 대한 3차원 초음파는 영상 처리 기술을 통해서 얼굴을 형성하는 기술로서 정확한 3차원 형태를 도출하는 것은 아니며, 난소 등 촬영 대상 전체의 3차원 형태를 도출할 수는 있지만 난소낭종과 같은 부분에 대한 3차원 형태를 도출하는 것은 아니다.
본 발명은 학습된 인공지능을 이용하여 2차원의 초음파 영상에 포함된 난소낭종을 3차원으로 변환하고 난소낭종의 부피를 도출한다. 이때, 본 발명에서 사용된 학습된 인공지능은 CNN일 수 있으며, 난소 전체 또는 일부에 대한 초음파 영상에서 식별된 난소낭종을 3차원 형상으로 변환하고 그 부피를 도출하도록 학습된 CNN을 사용할 수 있다. CNN이 난소낭종의 부피를 도출하도록 학습시키는 방법은 특별히 제한되지 않지만, 동일한 환자에 대한 초음파 영상과 CT 또는 MRI 영상 등의 3차원 형태를 도출할 수 있는 영상을 묶은 학습용 데이터들을 이용한 신경망 학습 방법을 적용할 수 있다.
본 실시예에서는 난소낭종을 식별하는 S120과 난소낭종의 부피를 도출하는 S130를 분리하여 설명하였지만, S120과 S130이 동시에 수행될 수도 있다.
도 2는 본 발명의 실시예에 따른 자궁내막증의 예후를 예측하는 방법을 설명하기 위한 흐름도이다.
상기한 방법으로 초음파 영상으로부터 난소낭종의 부피를 도출할 수 있으며, 본 발명에서 난소낭종의 부피를 도출하는 것은 자궁내막증의 향후 진행을 예측하기 위함이다.
S210 단계에서 S230 단계는 앞서 설명한 난소낭종의 부피 도출과 동일하므로 설명을 생략한다.
S240 단계에서는 도출된 난소낭종의 부피를 기준으로 자궁내막증의 예후를 예측한다.
난소낭종의 크기는 자궁내막증과 관련이 있으며, 난소낭종의 크기를 기준으로 자궁내막증의 향후 진행을 예측할 수 있다. 난소낭종 정보를 기준으로 자궁내막증의 향후 진행을 예측하는 과정에서 학습된 인공지능을 적용할 수 있으며, 인공지능은 동일한 환자의 난소낭종의 크기와 자궁내막증의 이후 진행에 대한 정보를 묶어 놓은 학습용 데이터를 이용한 학습을 통해서 난소낭종의 크기에 대한 정보로부터 자궁내막증의 예후를 예측할 수 있다. 이때, 자궁내막증의 예후를 특정의 기준에 따라서 복수의 모델로 분류한 예측 모델 형태로 제공할 수 있다. 예측 모델은 자궁내막증의 진행 정도에 따른 분류일 수도 있고, 자궁내막증의 진행 속도에 따른 분류일 수도 있다.
난소낭종의 크기를 기준으로 자궁내막증의 향후 진행을 예측하는 과정에서는, 난소낭종의 크기 이외에 대상자의 연령 등의 정보를 함께 적용할 수 있다. 난소낭종의 크기 이외의 다른 정보를 적용할 때에는, 각 정보에 중요도를 부여하고 중요도 수치를 반영할 수 있다. 또한, 난소낭종의 현재 부피를 기준으로 자궁내막증의 향후 진행을 예측할 수도 있고, 난소낭종의 부피 변화를 기준으로 자궁내막증의 향후 진행을 예측할 수도 있다.
도 3은 본 발명의 다른 실시예에 따른 자궁내막증의 예후를 예측하는 방법을 설명하기 위한 흐름도이다.
S310 단계에서 S330 단계는 앞서 설명한 난소낭종의 부피 도출과 동일하므로 설명을 생략한다.
S330 단계에서는 대상자의 통증에 대한 정보를 획득한다.
그리고 S340단계에서는 도출된 난소낭종의 부피와 대상자의 통증 정보를 기준으로 자궁내막증의 예후를 예측한다.
난소낭종의 크기와 함께 통증은 자궁내막증과 관련성이 높으며, 본 실시예에서는 난소낭종의 크기와 함께 통증에 대한 정보를 사용하여 자궁내막증의 향후 진행을 예측한다. 난소낭종의 크기와 통증 정보를 기준으로 자궁내막증의 향후 진행을 예측하는 과정에서 학습된 인공지능을 적용할 수 있으며, 인공지능은 동일한 환자의 난소낭종의 크기와 통증 정보 및 자궁내막증의 이후 진행에 대한 정보를 묶어 놓은 학습용 데이터를 이용한 학습을 통해서 난소낭종의 크기와 통증 정보로부터 자궁내막증의 예후를 예측할 수 있다. 이때, 자궁내막증의 예후를 특정의 기준에 따라서 복수의 모델로 분류한 예측 모델 형태로 제공할 수 있다. 예측 모델은 자궁내막증의 진행 정도에 따른 분류일 수도 있고, 자궁내막증의 진행 속도에 따른 분류일 수도 있다.
도 4는 본 발명의 실시예에 따른 자궁내막증의 예후 예측 장치의 구성을 개략적으로 나타낸 도면이다.
본 실시예의 자궁내막증의 예후 예측 장치는 정보 획득부(100)와 부피 산출부(200) 및 예후 예측부(300)를 포함한다.
정보 획득부(100)는 자궁내막증의 예후를 예측하기 위한 정보를 획득하는 구성이다. 필수적으로 초음파 영상에 대한 정보를 획득하며, 대상자의 생체 정보 및/또는 통증 정보를 획득할 수 있다.
초음파 영상은 난소낭종의 부피를 도출하기 위한 정보이며, 대상자에 대한 초음파 영상을 현장에 촬영하는 경우에는 정보 획득부(100)가 초음파 촬영 장치를 포함할 수 있다. 이외에도 미리 촬영된 초음파 영상을 제공받아서 획득할 수도 있다.
대상자의 생체 정보는 측정 대상자의 나이와 병력 등의 정보이며, 통증 정보는 대상자의 통증에 대한 정보이다. 생체 정보와 통증 정보는 측정 대상자의 입력 또는 문진으로 획득될 수 있다.
부피 산출부(200)는 초음파 영상에서 난소낭종의 부피를 도출하는 구성이다. 부피 산출부(200)는 학습된 인공 지능에 의해서 초음파 영상으로부터 난소낭종의 부피를 도출한다. 이때, 학습된 인공 지능은 CNN일 수 있으며, 부피 도출을 위한 과정 및 학습 방법은 앞서 설명한 것과 같으므로 자세한 설명은 생략한다.
예후 예측부(300)는 부피 산출부(200)에서 산출된 난소낭종의 부피를 이용하여 자궁내막증의 향후 진행을 예측하는 부분이다.
예후 예측부(300)는 난소낭종의 부피를 단독으로 이용하거나, 난소낭종의 부피와 함께 정보 획득부(100)에서 획득된 대상자의 생체 정보 및/또는 통증 정보를 사용하여 자궁내막증의 향후 진행에 대한 예측 결과를 도출한다. 예후 예측부(300)가 예측 모델 형태로 예측 결과를 제공할 수 있음은 앞서 설명한 것과 같다. 또한 예후 예측부(300)는 학습된 인공지능을 이용하여 자궁내막증의 향후 진행에 대한 예측 결과를 도출할 수 있고, 이러한 인공지능의 학습에 대한 내용은 앞서 설명한 것과 같으므로 자세한 설명은 생략한다.
이상의 방법에 따르면, CT나 MRI와 같이 비용이 높고 촬영에 시간이 많이 소요되는 방법이 아닌 초음파 촬영 또는 초음파 영상을 이용하여 난소낭종의 부피를 도출할 수 있다.
또한, 종래에 조직 검사를 통해서만 자궁내막증의 예후에 대한 확인이 가능하였던 것과는 달리, 조직 검사 없이 초음파 영상에서 도출된 난소낭종의 부피를 이용하여 자궁내막증의 예후에 대한 예측을 수행할 수 있다.
이상 본 발명을 바람직한 실시예를 통하여 설명하였는데, 상술한 실시예는 본 발명의 기술적 사상을 예시적으로 설명한 것에 불과하며, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 다양한 변화가 가능함은 이 분야에서 통상의 지식을 가진 자라면 이해할 수 있을 것이다. 따라서 본 발명의 보호범위는 특정 실시예가 아니라 특허청구범위에 기재된 사항에 의해 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술적 사상도 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 정보 획득부
200: 부피 산출부
300: 예후 예측부
200: 부피 산출부
300: 예후 예측부
Claims (10)
- 난소 전부 또는 일부에 대한 초음파 영상을 획득하는 초음파 영상 획득 단계; 및
초음파 영상에서 난소낭종을 식별하고, 식별된 난소낭종을 3차원으로 변환하여 난소낭종의 부피를 도출하는 난소낭종 부피 산출 단계를 포함하며,
초음파 영상의 난소낭종을 3차원으로 변환하여 난소낭종의 부피를 도출하는 과정이 학습된 인공지능에 의해서 수행되는 것을 특징으로 하는 난소낭종의 부피 산출 방법.
- 청구항 1에 있어서,
상기 학습된 인공지능이 학습된 CNN(convolutional neural network)인 것을 특징으로 하는 난소낭종의 부피 산출 방법.
- 청구항 1에 있어서,
상기 학습된 인공지능이 동일한 환자에 대한 초음파 영상과 난소낭종의 3차원 형태를 도출할 수 있는 영상을 묶은 학습용 데이터들을 이용한 신경망 학습으로 학습된 것을 특징으로 하는 난소낭종의 부피 산출 방법.
- 난소 전부 또는 일부에 대한 초음파 영상을 획득하는 초음파 영상 획득 단계;
초음파 영상에서 난소낭종을 식별하고, 식별된 난소낭종을 3차원으로 변환하여 난소낭종의 부피를 도출하는 난소낭종 부피 산출 단계; 및
산출된 난소낭종 부피를 이용하여 자궁내막증의 예후를 예측하는 자궁내막증 예후 예측 단계를 포함하며,
초음파 영상의 난소낭종을 3차원으로 변환하여 난소낭종의 부피를 도출하는 과정이 학습된 인공지능에 의해서 수행되는 것을 특징으로 하는 자궁내막증의 예후를 예측하는 방법.
- 청구항 4에 있어서,
자궁내막증 예후 예측 단계 이전에 대상자의 통증에 대한 정보를 획득하는 통증 정보 획득 단계를 더 포함하고,
자궁내막증 예후 예측 단계에서는 산출된 난소낭종 부피와 대상자의 통증 정보를 이용하여 자궁내막증의 예후를 예측하는 것을 특징으로 하는 자궁내막증의 예후를 예측하는 방법.
- 청구항 4에 있어서,
산출된 난소낭종 부피를 이용하여 자궁내막증의 예후를 예측하는 과정이 학습된 인공지능에 의해서 수행되는 것을 특징으로 하는 자궁내막증의 예후를 예측하는 방법.
- 청구항 6에 있어서,
상기 학습된 인공지능이 동일한 환자의 난소낭종의 크기와 자궁내막증의 이후 진행에 대한 정보를 묶어 놓은 학습용 데이터를 이용한 신경망 학습으로 학습된 것을 특징으로 하는 자궁내막증의 예후를 예측하는 방법.
- 난소 전부 또는 일부에 대한 초음파 영상을 획득하는 정보 획득부;
상기 초음파 영상에서 식별된 난소낭종을 3차원으로 변환하여 난소낭종의 부피를 도출하는 부피 산출부; 및
산출된 난소낭종 부피를 이용하여 자궁내막증의 예후를 예측하는 예후 예측부를 포함하며,
상기 부피 산출부는 초음파 영상의 난소낭종을 3차원으로 변환하여 난소낭종의 부피를 도출하는 학습된 인공지능을 포함하는 것을 특징으로 하는 자궁내막증의 예후 예측 장치.
- 청구항 8에 있어서,
상기 정보 획득부는 대상자의 통증에 대한 정보를 획득하며,
상기 예후 예측부는 산출된 난소낭종 부피와 대상자의 통증 정보를 이용하여 자궁내막증의 예후를 예측하는 것을 특징으로 하는 자궁내막증의 예후 예측 장치.
- 청구항 8에 있어서,
상기 예후 예측부는 자궁내막증의 예후를 특정의 기준에 따라서 복수의 모델로 분류한 예측 모델 형태로 제공하는 것을 특징으로 하는 자궁내막증의 예후 예측 장치.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210086587A KR102628154B1 (ko) | 2021-07-01 | 2021-07-01 | 난소낭종의 부피 산출 방법 및 자궁내막증의 예후를 예측하는 방법과 그 장치 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210086587A KR102628154B1 (ko) | 2021-07-01 | 2021-07-01 | 난소낭종의 부피 산출 방법 및 자궁내막증의 예후를 예측하는 방법과 그 장치 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20230005633A true KR20230005633A (ko) | 2023-01-10 |
KR102628154B1 KR102628154B1 (ko) | 2024-01-25 |
Family
ID=84893929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020210086587A KR102628154B1 (ko) | 2021-07-01 | 2021-07-01 | 난소낭종의 부피 산출 방법 및 자궁내막증의 예후를 예측하는 방법과 그 장치 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102628154B1 (ko) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006231035A (ja) * | 2005-01-26 | 2006-09-07 | Toshiba Corp | 超音波診断装置及び超音波診断装置の制御プログラム |
JP2011010864A (ja) * | 2009-07-02 | 2011-01-20 | Toshiba Corp | 超音波診断装置 |
KR101687775B1 (ko) | 2015-03-19 | 2016-12-20 | 순천향대학교 산학협력단 | 자궁내막증 진단용 조성물 및 이를 포함하는 진단키트 |
KR101978399B1 (ko) | 2017-09-21 | 2019-05-16 | 순천향대학교 산학협력단 | 자궁내막증에 대한 진단 마커로서의 돌연변이 유전자 및 이의 용도 |
KR20200085012A (ko) * | 2019-01-04 | 2020-07-14 | 서울대학교병원 | 폐암 종양 크기 측정 방법 및 이를 수행하기 위한 장치 |
KR20210073622A (ko) * | 2019-12-09 | 2021-06-21 | 시너지에이아이 주식회사 | 인공신경망을 이용한 장기의 부피 측정 방법 및 그 장치 |
-
2021
- 2021-07-01 KR KR1020210086587A patent/KR102628154B1/ko active IP Right Grant
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006231035A (ja) * | 2005-01-26 | 2006-09-07 | Toshiba Corp | 超音波診断装置及び超音波診断装置の制御プログラム |
JP2011010864A (ja) * | 2009-07-02 | 2011-01-20 | Toshiba Corp | 超音波診断装置 |
KR101687775B1 (ko) | 2015-03-19 | 2016-12-20 | 순천향대학교 산학협력단 | 자궁내막증 진단용 조성물 및 이를 포함하는 진단키트 |
KR101978399B1 (ko) | 2017-09-21 | 2019-05-16 | 순천향대학교 산학협력단 | 자궁내막증에 대한 진단 마커로서의 돌연변이 유전자 및 이의 용도 |
KR20200085012A (ko) * | 2019-01-04 | 2020-07-14 | 서울대학교병원 | 폐암 종양 크기 측정 방법 및 이를 수행하기 위한 장치 |
KR20210073622A (ko) * | 2019-12-09 | 2021-06-21 | 시너지에이아이 주식회사 | 인공신경망을 이용한 장기의 부피 측정 방법 및 그 장치 |
Also Published As
Publication number | Publication date |
---|---|
KR102628154B1 (ko) | 2024-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7407790B2 (ja) | 誘導肝イメージングのための人工ニューラルネットワークを有する超音波システム | |
CN111657858B (zh) | 图像诊断装置、图像处理方法和存储介质 | |
KR102289277B1 (ko) | 복수의 의료 영상 판독 알고리듬들에 대한 평가 스코어를 생성하는 의료 영상 판독 지원 장치 및 방법 | |
EP3307173B1 (en) | System for identifying cancerous tissue | |
JP2013519455A (ja) | 患者の組織を特徴づける方法 | |
CN104414685A (zh) | 超声波诊断装置、超声波图像处理方法 | |
JP2008523876A (ja) | 医療用診断イメージングにおいて医療的に有意味の記述を生成するための高性能分類器を自動的に確立するための方法及び装置 | |
JP2000126182A (ja) | 腫瘍診断方法 | |
JP2013542046A (ja) | 超音波画像処理のシステムおよび方法 | |
Stevenson et al. | A technique for the estimation of fractional moving blood volume by using three-dimensional power Doppler US | |
JP7256765B2 (ja) | 医用撮像装置、医用画像処理装置、及び、画像処理プログラム | |
KR20150073628A (ko) | 컴퓨터 보조 진단용 진단모델 적응 시스템 및 방법 | |
Diniz et al. | Deep learning strategies for ultrasound in pregnancy | |
CN110738633B (zh) | 一种机体组织的三维图像处理方法及相关设备 | |
KR102628154B1 (ko) | 난소낭종의 부피 산출 방법 및 자궁내막증의 예후를 예측하는 방법과 그 장치 | |
US20230252633A1 (en) | Method for biomarker estimation | |
US20140180058A1 (en) | Systems and methods for nonlinear elastography | |
JP2023511663A (ja) | 弱教師あり病変セグメンテーション | |
KR20210054140A (ko) | 내시경 영상에 대한 복수의 의료 영상 판독 알고리듬들을 이용하는 의료 영상 판독 지원 장치 및 방법 | |
Sahlin | Detection of breast cancer in pocket ultrasound images using deep learning | |
EP4170671A1 (en) | Method and system for the analysis of medical images | |
Alzubaidi et al. | Conversion of Pixel to Millimeter in Ultrasound Images: A Methodological Approach and Dataset | |
Boman et al. | Integration of artificial intelligence with medical diagnostic sonography | |
CN108475423B (zh) | 量化图像的方法 | |
Geng et al. | Application Value of Radiomics Features Based on PSMA PET/CT in Diagnosis of Clinically Significant Prostate Cancer: A Comparative Analysis of the PRIMARY and PI-RADS Scores |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right |