KR20230056175A - 의료 영상 분석 방법 - Google Patents
의료 영상 분석 방법 Download PDFInfo
- Publication number
- KR20230056175A KR20230056175A KR1020210139898A KR20210139898A KR20230056175A KR 20230056175 A KR20230056175 A KR 20230056175A KR 1020210139898 A KR1020210139898 A KR 1020210139898A KR 20210139898 A KR20210139898 A KR 20210139898A KR 20230056175 A KR20230056175 A KR 20230056175A
- Authority
- KR
- South Korea
- Prior art keywords
- region
- interest
- cells
- information
- positive
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000010186 staining Methods 0.000 claims abstract description 147
- 238000004458 analytical method Methods 0.000 claims abstract description 62
- 238000003703 image analysis method Methods 0.000 claims abstract 2
- 230000006854 communication Effects 0.000 claims description 37
- 238000004891 communication Methods 0.000 claims description 36
- 239000003086 colorant Substances 0.000 claims description 23
- 238000003062 neural network model Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 8
- 230000033001 locomotion Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 20
- 210000004027 cell Anatomy 0.000 description 355
- 238000013528 artificial neural network Methods 0.000 description 57
- 230000008569 process Effects 0.000 description 27
- 230000007170 pathology Effects 0.000 description 25
- SXEHKFHPFVVDIR-UHFFFAOYSA-N [4-(4-hydrazinylphenyl)phenyl]hydrazine Chemical compound C1=CC(NN)=CC=C1C1=CC=C(NN)C=C1 SXEHKFHPFVVDIR-UHFFFAOYSA-N 0.000 description 24
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 230000000984 immunochemical effect Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 8
- 239000011521 glass Substances 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000002591 computed tomography Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000010827 pathological analysis Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 239000000427 antigen Substances 0.000 description 2
- 102000036639 antigens Human genes 0.000 description 2
- 108091007433 antigens Proteins 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 239000000975 dye Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000009702 cancer cell proliferation Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013498 data listing Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000011496 digital image analysis Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000010408 film Substances 0.000 description 1
- 238000003364 immunohistochemistry Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B45/00—ICT specially adapted for bioinformatics-related data visualisation, e.g. displaying of maps or networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
-
- 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
- G06T2210/12—Bounding box
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Data Mining & Analysis (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Epidemiology (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physiology (AREA)
- Bioethics (AREA)
- Radiology & Medical Imaging (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 사용자 단말에 의해 수행되는 의료 영상 분석 방법이 개시된다. 상기 방법은, 사용자 인터페이스 상의 제 1 사용자 입력에 기초하여 의료 영상의 관심 영역을 결정하는 단계; 상기 관심 영역의 식별 정보와 외곽선 정보를 서버로 전송하고, 상기 서버로부터 상기 관심 영역에 존재하는 염색된 세포의 위치 정보 및 염색 정보를 수신하는 단계; 상기 관심 영역에 존재하는 염색된 세포의 위치 정보 및 염색 정보를 이용하여, 상기 사용자 인터페이스 상의 제 2 사용자 입력에 따라 조정 가능한 임계값을 기준으로 상기 관심 영역에 존재하는 세포를 양성 혹은 음성으로 구별하는 단계; 및 상기 양성 혹은 음성으로 구별된 세포를 기초로 생성된 분석 정보를 상기 사용자 인터페이스를 통해 출력하는 단계를 포함할 수 있다.
Description
본 발명은 의료 영상의 분석 방법에 관한 것으로, 보다 구체적으로 의료 영상에 존재하는 염색 세포에 대한 분석을 수행하고, 분석 결과를 시각화 하는 방법에 관한 것이다.
전통적인 병리 진단 검사는 사람의 몸에서 채취한 세포 또는 조직 검체를 유리 슬라이드로 제작해서 현미경으로 살펴보는 방식이다. 전통적인 검사 방식은 사람의 육안으로 슬라이드에 존재하는 세포를 일일이 검출하고 분류하기 때문에, 검사 속도가 더디고 최종적인 검사 결과를 확인하기까지 오랜 시간이 소요될 수밖에 없다. 이로 인해 전통적인 검사 방식은 환자에 대한 진단 및 치료가 지연되는 문제를 야기한다. 특히, 노령 인구 및 암 환자 증가로 병리 진단 건수가 급속도로 증가한 현 시대에는 전통적인 검사 방식은 더 이상 적합하지 않은 것으로 판단된다. 따라서, 최근 들어 디지털 병리의 필요성이 높아지고 있다.
디지털 병리란, 병리 진단을 유리 슬라이드를 현미경을 통해 육안으로 살펴보는 전통적인 방식이 아닌, 스캐너를 사용하여 유리 슬라이드에서 디지털 영상을 획득하고 디지털 영상을 컴퓨팅 환경에서 관리, 공유 및 분석하는 방식을 말한다. 디지털 병리는 컴퓨팅 환경에서 유리 슬라이드의 디지털 영상을 자동으로 분석함으로써, 병리진단 업무가 효율적으로 수행될 수 있는 환경을 제공한다. 즉, 디지털 병리는 전통적인 검사 방식의 문제점인 검사의 지연 문제를 개선시켜 환자의 진단 및 치료가 효율적으로 진행될 수 있는 환경을 제공한다.
디지털 병리에서 다루는 디지털 영상은 수백 메가바이트 내지 기가바이트 수준으로 용량이 큰 데이터이다. 따라서, 컴퓨팅 장치들 간의 데이터 통신에 기반하는 디지털 병리에서는 디지털 영상의 분석 및 디지털 영상의 분석 결과를 포함한 데이터들의 송수신을 어떻게 효율적으로 수행할 것인가가 중요한 이슈 중 하나이다. 예를 들어, 디지털 병리를 위한 컴퓨팅 장치에서 디지털 영상 혹은 영상의 분석 결과를 로드(load)할 때, 고용량의 데이터로 인해 네트워크 지연시간 문제, 메모리 문제 등이 발생할 수 있다. 즉, 디지털 병리에서는 유리 슬라이드를 스캔한 디지털 영상과 같은 고용량의 데이터를 리소스를 최소화하여 어떻게 효과적으로 처리(e.g. 분석, 전송, 수신 등)할지가 중요한 이슈 중 하나이다.
대한민국 공개특허 제10-2020-0117222호(2020.10.14)는 병리 진단 지원 장치 및 방법에 관하여 개시한다.
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 효율적인 데이터 처리를 기반으로 의료 영상에 존재하는 염색 세포에 대한 분석을 수행하고, 분석 결과를 시각화 하는 것을 목적으로 한다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 사용자 단말에 의해 수행되는 의료 영상 분석 방법이 개시된다. 상기 방법은, 사용자 인터페이스 상의 제 1 사용자 입력에 기초하여 의료 영상의 관심 영역을 결정하는 단계; 상기 관심 영역의 식별 정보와 외곽선 정보를 서버로 전송하고, 상기 서버로부터 상기 관심 영역에 존재하는 염색된 세포의 위치 정보 및 염색 정보를 수신하는 단계; 상기 관심 영역에 존재하는 염색된 세포의 위치 정보 및 염색 정보를 이용하여, 상기 사용자 인터페이스 상의 제 2 사용자 입력에 따라 조정 가능한 임계값을 기준으로 상기 관심 영역에 존재하는 세포를 양성 혹은 음성으로 구별하는 단계; 및 상기 양성 혹은 음성으로 구별된 세포에 대한 분석 정보를 상기 사용자 인터페이스를 통해 출력하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 방법은, 분석 대상이 되는 의료 영상을 해상도 레벨 별로 변환하여 저장하는 단계; 및 상기 저장된 의료 영상에서, 상기 사용자 인터페이스 상의 제 3 사용자 입력에 따라 조정된 확대 레벨에 대응되는 해상도 레벨의 의료 영상을 상기 사용자 인터페이스를 통해 출력하는 단계를 더 포함할 수 있다.
대안적 실시예에서, 상기 사용자 인터페이스 상의 제 1 사용자 입력에 기초하여 의료 영상의 관심 영역을 결정하는 단계는, 상기 제 1 사용자 입력에 따라 상기 의료 영상의 관심 영역을 폐곡선(closed contour)로 생성하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 관심 영역의 외곽선 정보는, 상기 관심 영역의 외곽선의 기준이 되는 포인트의 좌표값을 포함할 수 있다. 그리고, 상기 관심 영역의 외곽선의 기준이 되는 포인트는, 상기 제 1 사용자 입력에 따라 결정될 수 있다.
대안적 실시예에서, 상기 관심 영역에 존재하는 염색된 세포의 위치 정보는, 상기 서버의 신경망 모델을 통해 상기 관심 영역을 포함하는 입력 영상에서 산출된, 상기 관심 영역에 존재하는 염색된 세포의 좌표값을 포함할 수 있다. 그리고, 상기 관심 영역에 존재하는 염색된 세포의 염색 정보는, 상기 서버에서, 상기 좌표값에 대응하는 상기 관심 영역의 세포 영역 내에서 산출된, 상기 염색된 세포의 염색 비율을 포함할 수 있다.
대안적 실시예에서, 상기 염색된 세포의 염색 비율은, 상기 좌표값에 대응하는 상기 관심 영역의 세포 영역 내에서 염색으로 발현된 세포의 양성 영역의 넓이의 상기 세포 영역의 전체 넓이에 대한 비의 값일 수 있다.
대안적 실시예에서, 상기 염색된 세포의 염색 비율은, 상기 서버에서, 상기 관심 영역의 염색 강도를 기준으로 생성된 상기 세포 영역에 대한 이진 이미지를 기초로 산출될 수 있다.
대안적 실시예에서, 상기 사용자 인터페이스 상의 제 2 사용자 입력에 따라 조정 가능한 임계값은, 상기 관심 영역에 존재하는 세포를 양성 혹은 음성으로 구분하기 위한 염색 발현 강도를 나타내는 제 1 기준값을 포함할 수 있다.
대안적 실시예에서, 상기 사용자 인터페이스 상의 제 2 사용자 입력에 따라 조정 가능한 임계값은, 상기 제 1 기준값에 따라 결정된 양성 세포를 염색 발현 강도에 따라 구별하기 위한 제 2 기준값을 더 포함할 수 있다.
대안적 실시예에서, 상기 관심 영역에 존재하는 세포를 양성 혹은 음성으로 구별하는 단계는, 상기 임계값과 상기 관심 영역에 존재하는 염색된 세포의 염색 정보를 비교하여 상기 세포를 양성 혹은 음성으로 구별하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 임계값과 상기 관심 영역에 존재하는 염색된 세포의 염색 정보
를 비교하여 상기 세포를 양성 혹은 음성으로 구별하는 단계는, 상기 임계값에 포함된 제 1 기준값과 상기 관심 영역에 존재하는 염색된 세포의 염색 정보를 비교하여 상기 세포를 양성 혹은 음성으로 구별하는 단계 및 상기 임계값에 포함된 제 2 기준값과 상기 제 1 기준값에 따라 구별된 양성 세포의 염색 정보를 비교하여 상기 양성 세포를 염색 발현 강도에 따라 구별하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 관심 영역에 존재하는 세포를 양성 혹은 음성으로 구별하는 단계는, 상기 사용자 인터페이스 상의 제 2 사용자 입력에 의해 상기 임계값이 조정되는 경우, 상기 조정된 임계값을 기초로 상기 세포를 양성 혹은 음성으로 구별한 결과를 업데이트하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 분석 정보를 상기 사용자 인터페이스를 통해 출력하는 단계는, 상기 임계값에 포함된 제 1 기준값을 이용하여 구별된 양성 세포와 음성 세포를 서로 다른 색상으로 표시한 의료 영상을 상기 사용자 인터페이스의 제 1 영역으로 출력하는 단계를 포함할 수 있다. 이때, 상기 임계값에 포함된 제 1 기준값을 이용하여 구별된 양성 세포는, 상기 임계값에 포함된 제 2 기준값을 이용하여 구별된 염색 발현 강도에 따라 서로 다른 색상으로 표시될 수 있다.
대안적 실시예에서, 상기 임계값을 이용하여 구별된 양성 세포와 음성 세포를 서로 다른 색상으로 표시한 의료 영상을 상기 사용자 인터페이스의 제 1 영역으로 출력하는 단계는, 상기 임계값을 이용하여 구별된 양성 세포와 음성 세포를 서로 다른 색상으로 표시한 의료 영상의 관심 영역을 별개의 이미지로 저장하는 단계; 및 상기 사용자 인터페이스 상의 제 3 사용자 입력에 따라 상기 관심 영역에 대한 확대 레벨이 조정되거나 상기 관심 영역이 이동되는 경우, 상기 제 3 사용자 입력에 맞추어 상기 별개의 이미지로 저장된 관심 영역의 크기 혹은 좌표를 변환하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 분석 정보를 상기 사용자 인터페이스를 통해 출력하는 단계는, 상기 임계값을 이용하여 구별된 음성 세포의 개수, 상기 임계값을 이용하여 구별된 양성 세포의 개수, 상기 양성 세포의 개수에 기초한 제 1 비율, 또는 상기 관심 영역에 존재하는 염색 세포의 염색 발현 강도의 전체 평균에 기초한 제 2 비율 중 적어도 하나를 상기 사용자 인터페이스의 제 2 영역으로 출력하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 사용자 인터페이스는, 상기 제 1 사용자 입력을 수신하고, 상기 관심 영역을 결정하기 위한 의료 영상, 상기 관심 영역을 시각화한 의료 영상 또는 상기 임계값을 이용하여 구별된 양성 세포와 음성 세포를 서로 다른 색상으로 표시한 의료 영상을 출력하는 제 1 영역; 상기 임계값을 이용하여 구별된 음성 세포의 개수, 상기 임계값을 이용하여 구별된 양성 세포의 개수, 상기 양성 세포의 개수에 기초한 제 1 비율, 또는 상기 관심 영역에 존재하는 염색 세포의 염색 발현 강도의 전체 평균에 기초한 제 2 비율 중 적어도 하나를 출력하는 제 2 영역; 및 상기 제 2 사용자 입력을 수신하고, 상기 임계값에 대한 정보를 출력하는 제 3 영역을 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 의료 영상을 분석하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 사용자 인터페이스 상의 제 1 사용자 입력에 기초하여 의료 영상의 관심 영역을 결정하는 동작; 상기 관심 영역에 존재하는 염색된 세포의 위치 정보 및 염색 정보를 이용하여, 상기 사용자 인터페이스 상의 제 2 사용자 입력에 따라 조정 가능한 임계값을 기준으로 상기 관심 영역에 존재하는 세포를 양성 혹은 음성으로 구별하는 동작; 및 상기 양성 혹은 음성으로 구별된 세포에 대한 분석 정보를 상기 사용자 인터페이스를 통해 출력하는 동작을 포함할 수 있다. 이때, 상기 관심 영역에 존재하는 염색된 세포의 위치 정보 및 염색 정보는, 상기 관심 영역의 식별 정보와 외곽선 정보를 전달받은 서버로부터 수신될 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 의료 영상을 분석하는 사용자 단말이 개시된다. 상기 사용자 단말은, 하나 이상의 코어를 포함하는 프로세서; 메모리; 서버와의 통신을 위한 네트워크부; 및 사용자 인터페이스를 제공하기 위한 출력부를 포함할 수 있다. 이때, 상기 프로세서는, 상기 사용자 인터페이스 상의 제 1 사용자 입력에 기초하여 의료 영상의 관심 영역을 결정하고, 상기 관심 영역에 존재하는 염색된 세포의 위치 정보 및 염색 정보를 이용하여, 상기 사용자 인터페이스 상의 제 2 사용자 입력에 따라 조정 가능한 임계값을 기준으로 상기 관심 영역에 존재하는 세포를 양성 혹은 음성으로 구별하며, 상기 양성 혹은 음성으로 구별된 세포에 대한 분석 정보를 상기 사용자 인터페이스를 통해 출력할 수 있다. 또한, 상기 네트워크부는, 상기 관심 영역의 식별 정보와 외곽선 정보를 상기 서버로 전송하고, 상기 서버로부터 상기 관심 영역에 존재하는 염색된 세포의 위치 정보 및 염색 정보를 수신할 수 있다.
본 개시는 효율적인 데이터 처리를 기반으로 의료 영상에 존재하는 염색 세포에 대한 분석을 수행하고, 분석 결과를 시각화 하는 방법을 제공할 수 있다.
도 1은 본 개시의 일 실시예에 따른 의료 영상을 분석하기 위한 사용자 단말의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따른 사용자 단말과 서버 간 통신에 기반한 의료 영상의 분석 과정을 나타낸 블록 구성도이다.
도 3은 본 개시의 일 실시예에 따른 사용자 단말의 의료 영상의 분석 과정을 나타낸 순서도이다.
도 4 내지 도 6은 본 개시의 일 실시예에 따른 사용자 인터페이스를 예시적으로 도시한 개념도이다.
도 7 내지 도 9는 본 개시의 추가적인 일 실시예에 따른 사용자 인터페이스를 예시적으로 도시한 개념도이다.
도 10은 본 개시의 일 실시예에 따른 서버의 동작 과정을 나타낸 순서도이다.
도 11은 본 개시의 일 실시예에 따른 서버의 이진 이미지 생성 과정을 나타낸 개념도이다.
도 12는 본 개시의 일 실시예에 따른 컴퓨팅 환경의 개략도이다.
도 2는 본 개시의 일 실시예에 따른 사용자 단말과 서버 간 통신에 기반한 의료 영상의 분석 과정을 나타낸 블록 구성도이다.
도 3은 본 개시의 일 실시예에 따른 사용자 단말의 의료 영상의 분석 과정을 나타낸 순서도이다.
도 4 내지 도 6은 본 개시의 일 실시예에 따른 사용자 인터페이스를 예시적으로 도시한 개념도이다.
도 7 내지 도 9는 본 개시의 추가적인 일 실시예에 따른 사용자 인터페이스를 예시적으로 도시한 개념도이다.
도 10은 본 개시의 일 실시예에 따른 서버의 동작 과정을 나타낸 순서도이다.
도 11은 본 개시의 일 실시예에 따른 서버의 이진 이미지 생성 과정을 나타낸 개념도이다.
도 12는 본 개시의 일 실시예에 따른 컴퓨팅 환경의 개략도이다.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.
본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
그리고, "A 또는 B 중 적어도 하나"이라는 용어는, "A만을 포함하는 경우", "B 만을 포함하는 경우", "A와 B의 구성으로 조합된 경우"를 의미하는 것으로 해석되어야 한다.
당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.
제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
한편, 본 발명의 상세한 설명 및 청구항들에 걸쳐 이용된 "이미지" 또는 "영상"이라는 용어는 이산적 영상 요소들(예컨대, 2차원 영상에 있어서는 픽셀)로 구성된 다차원 데이터를 지칭하며, 달리 말하자면, (예컨대, 비디오 화면에 표시된) 눈으로 볼 수 있는 대상 또는 (예컨대, CT, MRI 검출기 등의 픽셀 출력에 대응되는 파일과 같은) 그 대상의 디지털 표현물을 지칭하는 용어이다.
예를 들어, "이미지" 또는 "영상"은 전산화 단층 촬영(CT; computed tomography), 자기 공명 영상(MRI; magnetic resonance imaging), 초음파, 병리 스캔 또는 본 발명의 기술분야에서 공지된 임의의 다른 의료 영상 시스템의 의하여 수집된 피검체(subject)의 의료 영상일 수 있다.
본 발명의 상세한 설명 및 청구항들에 걸쳐 'DICOM(Digital Imaging and Communications in Medicine; 의료용 디지털 영상 및 통신)' 표준은 의료용 기기에서 디지털 영상 표현과 통신에 이용되는 여러 가지 표준을 총칭하는 용어인 바, DICOM 표준은 미국 방사선 의학회(ACR)와 미국 전기 공업회(NEMA)에서 구성한 연합 위원회에서 발표한다.
또한, 본 발명의 상세한 설명 및 청구항들에 걸쳐 '의료영상 저장 전송 시스템(PACS; Picture Archiving and Communication System)'은 DICOM 표준에 맞게 저장, 가공, 전송하는 시스템을 지칭하는 용어이며, X선, CT, MRI, 병리 스캐너와 같은 디지털 의료영상 장비를 이용하여 획득된 의료영상 이미지는 DICOM 형식으로 저장되고 네트워크를 통하여 병원 내외의 단말로 전송이 가능하며, 이에는 판독 결과 및 진료 기록이 추가될 수 있다.
도 1은 본 개시의 일 실시예에 따른 의료 영상을 분석하기 위한 사용자 단말의 블록 구성도이다.
도 1에 도시된 사용자 단말(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 사용자 단말(100)는 사용자 단말(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 사용자 단말(100)를 구성할 수도 있다.
본 개시의 일 실시예에 따른 사용자 단말(100)는 네트워크부(110), 프로세서(120), 메모리(130), 출력부(140) 및 입력부(150)를 포함할 수 있다.
본 개시의 일 실시예에 따른 사용자 단말(100)는 임의의 서버에서 생성된 데이터 리소스를 전달받아 정보 처리를 수행하는 임의의 형태의 단말을 포함할 수 있다. 예를 들어, 사용자 단말(100)은 PC(personal computer), 노트북(note book), 모바일 단말기(mobile terminal), 스마트 폰(smart phone), 태블릿 PC(tablet pc) 등을 포함할 수 있으며, 유/무선 네트워크에 접속할 수 있는 모든 종류의 단말을 포함할 수 있다.
본 개시의 일 실시예에 따른 네트워크부(110)는 임의의 형태의 유선 또는 무선 통신 시스템들을 사용할 수 있다.
네트워크부(110)는 조직 혹은 세포가 표현된 의료 영상을 의료영상 저장 전송 시스템으로부터 수신할 수 있다. 예를 들어, 조직 혹은 세포가 표현된 의료 영상은 적어도 하나의 조직 혹은 세포를 포함하는 병리 슬라이드 영상일 수 있다. 이때, 병리 슬라이드 영상은 병리 진단을 위해 유리 슬라이드로부터 스캐너를 통해 획득되어 의료영상 저장 전송 시스템에 저장된 스캔 영상으로 이해될 수 있다. 병리 슬라이드 영상에서 표현된 조직 혹은 세포는 면역화학염색(immunohistochemistry)을 통해 염색된 조직 혹은 세포일 수 있다.
면역화학염색은 목표로 하는 단백질이나 항원을 조직에서 검출하기 위한 방법을 말한다. 구체적으로, 면역화학염색은 조직 절편에 목표로 하는 단백질이나 항원의 에피토프(epitope)에 결합할 수 있는 표지된 항체를 노출시키고, 조직 염색을 통해 가시화하는 방법을 말한다. 예를 들어, 면역화학염색은 유리 슬라이드에서 ki-67과 같은 암세포 증식 표지자에 대한 항체 반응을 수행한 후, DAB(Diaminobenezidine) 등과 같은 특정 용액을 사용하여 ki-67이 발현된 위치를 염색을 통해 가시화함으로써 수행될 수 있다. DAB 용액을 사용하여 염색된 세포들은 병리 슬라이드 영상에서 갈색으로 표시될 수 있다. 이때, 갈색의 세기에 따라 염색 세포에서 ki-67이 발현된 정도가 구분될 수 있다. ki-67 및 DAB 용액은 면역화학염색에 사용되는 하나의 예시일 뿐이므로, 본 개시에서 설명하는 면역화학염색은 전술한 예시에 한정되지 않는다.
또한, 네트워크부(110)는 의료 영상과 관련된 임의의 정보들을 타 단말 혹은 서버와의 통신을 통해 송수신할 수 있다. 예를 들어, 네트워크부(110)는 프로세서(120)가 처리한 의료 영상의 관심 영역에 관한 정보를 서버로 전송할 수 있다. 이때, 관심 영역은 사용자가 분석을 원하는 의료 영상의 부분 영역으로 이해될 수 있다. 서버가 의료 영상의 관심 영역에 관한 정보를 기초로 분석을 수행하고 나면, 네트워크부(110)는 서버에 의해 처리된 관심 영역에 관한 분석 정보를 서버로부터 수신할 수 있다. 즉, 네트워크부(110)는 서버와의 통신을 통해 사용자 단말 및 서버 각각에서 처리된 의료 영상에 관한 데이터들을 송수신할 수 있다.
본 개시의 일 실시예에 따른 프로세서(120)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝 및/또는 사용자 인터페이스의 제공을 위한 프로세서를 포함할 수 있다. 프로세서(120)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행하거나 및/또는 사용자 인터페이스를 제공할 수 있다. 본 개시의 일 실시예에 따라 프로세서(120)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(120)는 딥러닝에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(120)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 신경망의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 신경망의 학습, 신경망을 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 신경망의 학습, 신경망을 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.
프로세서(120)는 의료 영상의 분석을 원하는 사용자와의 상호작용(interaction)을 위한 사용자 인터페이스를 생성할 수 있다. 프로세서(120)가 생성하는 사용자 인터페이스는 사용자와 컴퓨터 간의 의사소통을 위한 매개체로서, 그래픽 사용자 인터페이스(GUI: graphic user interface) 뿐만 아니라 음성 인식 기반의 대화형 사용자 인터페이스(CUI: conversational user interface), 사용자의 움직임 기반의 제스처 사용자 인터페이스 등 다양한 종류의 사용자 인터페이스를 포함할 수 있다. 프로세서(120)는 사용자 인터페이스를 통해 의료 영상의 분석과 관련하여 사용자가 입력한 정보를 인식하여, 의료 영상의 분석을 위한 연산 동작을 수행 및 제어할 수 있다. 또한, 프로세서(120)는 의료 영상의 분석을 위한 연산 결과로 도출된 정보를 사용자 인터페이스를 통해 시각화 하여 사용자에게 전달할 수 있다. 즉, 프로세서(120)는 사용자 인터페이스를 통해 사용자의 의도를 반영하여 연산 동작을 수행할 수 있다. 또한, 프로세서(120)는 사용자 인터페이스를 통해 사용자가 원하는 정보를 시각화 하여 사용자에게 전달할 수 있다.
프로세서(120)는 사용자 인터페이스 상의 사용자 입력을 기초로 의료 영상의 관심 영역을 결정할 수 있다. 사용자 입력은 사용자 인터페이스를 통해 사용자로부터 프로세서(120)로 전달되는 임의의 형태의 정보, 신호, 또는 데이터를 지칭하는 용어로 이해될 수 있다. 프로세서(120)는 사용자 입력에 따라 의료 영상에 관심 영역을 결정하고, 의료 영상에서 관심 영역에 해당하는 영역의 정보를 추출할 수 있다. 이때, 관심 영역은 사용자 입력에 따라 원형 혹은 다각형의 형태를 갖는 폐곡선의 영역일 수 있다. 예를 들어, 프로세서(120)는 의료 영상에 임의의 포인트를 지정하는 사용자 입력에 따라 포인트들을 연결하는 폐곡선의 관심 영역을 의료 영상에서 결정할 수 있다. 사용자 인터페이스 상의 사용자 입력에 따라 의료 영상에 4개의 포인트가 지정된 경우, 프로세서(120)는 의료 영상에서 4개의 포인트를 연결하는 폐곡선을 생성하고, 폐곡선에 의해 정의된 사각형의 영역을 관심 영역으로 결정할 수 있다.
프로세서(120)는 서버에 의해 분석된 관심 영역에 존재하는 세포에 관한 정보를 기초로 관심 영역에 존재하는 세포의 양음성 여부를 판단할 수 있다. 상술한 바에 따라 관심 영역이 결정되고 나면, 프로세서(120)는 서버에 의해 분석된 관심 영역에 존재하는 염색 세포에 관한 정보를 네트워크부(110)로부터 전달받을 수 있다. 프로세서(120)는 관심 영역에 존재하는 염색 세포에 관한 정보를 기초로 사용자 인터페이스 상의 사용자 입력에 의해 결정되는 임계값을 이용하여 관심 영역에 존재하는 염색 세포를 양성 혹은 음성으로 구별할 수 있다. 프로세서(120)는 사용자 입력에 기반한 임계값과 관심 영역 내 염색 세포의 정보를 비교하여 관심 영역에 존재하는 세포가 양성 세포인지 혹은 음성 세포인지를 결정할 수 있다. 이때, 임계값은 양성 세포의 염색 발현 강도를 나타내는 기준값으로서, 사용자 인터페이스를 통해 조정될 수 있다. 예를 들어, 프로세서(120)는 서버의 신경망 모델을 통해 분석된 염색 세포의 염색 정보와 사용자 입력에 따른 임계값을 비교하여 임계값에 포함된 제 1 기준값 이상인 염색 세포는 양성 세포로 판단할 수 있다. 프로세서(120)는 서버의 신경망 모델을 통해 분석된 염색 세포의 염색 정보와 사용자 입력에 따른 임계값을 비교하여 임계값에 포함된 제 1 기준값 이하인 염색 세포는 음성 세포로 판단할 수 있다. 또한, 프로세서(120)는 제 1 기준값을 통해 판단된 양성 세포의 염색 정보와 임계값에 포함된 적어도 하나의 제 2 기준값을 비교하여 양성 세포를 염색 발현 강도에 따라 구별할 수 있다. 즉, 프로세서(120)는 관심 영역에 존재하는 염색 세포의 염색 정보와 임계값의 비교를 통해, 염색 세포를 음성 세포 혹은 양성 세포로 결정하고, 양성 세포를 염색 발현 강도에 따라 복수의 클래스로 구분할 수 있다.
프로세서(120)는 관심 영역에 존재하는 세포의 양음성 여부를 구별한 결과를 기초로 분석 정보를 생성할 수 있다. 분석 정보는 관심 영역에 존재하는 양성 세포의 개수, 관심 영역에 존재하는 음성 세포의 개수 또는 관심 영역 내 존재하는 양성 세포의 비율 등 관심 영역을 기준으로 하는 병리학적 진단에 사용될 수 있는 정보를 다양하게 포함할 수 있다. 예를 들어, 분석 정보는 관심 영역 내 음성 세포의 개수, 관심 영역 내 양성 세포의 개수, 관심 영역에 존재하는 양성 세포의 개수에 기초한 제 1 비율, 또는 관심 영역에 존재하는 염색 세포의 염색 발현 강도의 전체 평균에 기초한 제 2 비율 중 적어도 하나를 포함할 수 있다. 이때, 제 1 비율은 관심 영역에 존재하는 염색 세포의 전체 개수에 대한 양성 세포의 개수의 비율로 이해될 수 있다. 또한, 제 2 비율은 관심 영역에 존재하는 염색 세포의 전체 개수에 대한 양성 세포의 염색 발현 강도의 합의 비율로 이해될 수 있다. 프로세서(120)는 분석 정보를 시각화 하여 사용자 인터페이스를 통해 출력할 수 있다. 프로세서(120)는 사용자 인터페이스에 맞추어 분석 정보를 텍스트, 이미지 등 다양한 출력 형태로 변환시킬 수 있다. 프로세서(120)는 다양한 출력 형태로 변환된 분석 정보를 사용자 인터페이스를 통해 사용자에게 제공할 수 있다.
본 개시의 일 실시예에 따른 메모리(130)는 프로세서(120)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(110)가 수신한 임의의 형태의 정보를 저장할 수 있다.
본 개시의 일 실시예에 따른 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 사용자 단말(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따른 출력부(140)는, 본 개시의 일 실시예에 따른 사용자 인터페이스를 표시할 수 있다. 출력부(140)는 도 4 내지 도 6에 도시된 바와 같은 사용자 인터페이스를 표시할 수 있다. 이하에서 도시되고 그리고 후술되는 사용자 인터페이스들은 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따른 출력부(140)는 프로세서(120)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(110)가 수신한 임의의 형태의 정보를 출력할 수 있다.
본 개시의 일 실시예에 따른 출력부(140)는 액정 디스플레이(liquid crystal display, LCD), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display, TFT LCD), 유기 발광 다이오드(organic light-emitting diode, OLED), 플렉시블 디스플레이(flexible display), 3차원 디스플레이(3D display) 중에서 적어도 하나를 포함할 수 있다. 이들 중 일부 디스플레이 모듈은 그를 통해 외부를 볼 수 있도록 투명형 또는 광투과형으로 구성될 수 있다. 이는 투명 디스플레이 모듈이라 지칭될 수 있는데, 상기 투명 디스플레이 모듈의 대표적인 예로는 TOLED(Transparent OLED) 등이 있다.
본 개시의 일 실시예에 따른 입력부(150)를 통해 사용자 입력을 수신할 수 있다. 본 개시의 일 실시예에 따른 입력부(150)는 사용자 입력을 수신 받기 위한 키 및/또는 버튼들을 구비할 수 있다. 입력부(150)를 통한 사용자 입력에 따라 본 개시의 실시예들에 따른 사용자 인터페이스를 제공하기 위한 컴퓨터 프로그램이 실행될 수 있다.
본 개시의 실시예들에 따른 입력부(150)는 사용자의 버튼 조작 또는 터치 입력을 감지하여 신호를 수신하거나, 카메라 또는 마이크로폰을 통하여 사용자 등의 음성 또는 동작을 수신하여 이를 입력 신호로 변환할 수도 있다. 이를 위해 음성 인식(Speech Recognition) 기술 또는 동작 인식(Motion Recognition) 기술들이 사용될 수 있다.
본 개시의 실시예들에 따른 입력부(150)는 사용자 단말(100)와 연결된 외부 입력 장비로서 구현될 수도 있다. 예를 들어, 입력 장비는 사용자 입력을 수신하기 위한 터치 패드, 터치 펜, 키보드 또는 마우스 중 적어도 하나일 수 있으나, 이는 예시일 뿐이며 본 개시는 이에 제한되는 것은 아니다.
본 개시의 일 실시예에 따른 입력부(150)는 사용자 터치 입력을 인식할 수 있다. 본 개시의 일 실시예에 따른 입력부(150)는 출력부(140)와 동일한 구성일 수도 있다. 입력부(150)는 사용자의 입력을 수신하도록 구현되는 터치 스크린으로 구성될 수 있다. 터치 스크린은 접촉식 정전용량 방식, 적외선 광 감지 방식, 표면 초음파(SAW) 방식, 압전 방식, 저항막 방식 중 어느 하나의 방식이 사용될 수 있다. 전술한 터치 스크린에 대한 자세한 기재는 본 발명의 일 실시예에 따른 예시일 뿐이며, 다양한 터치 스크린 패널이 사용자 단말(100)에 채용될 수 있다. 터치 스크린으로 구성된 입력부(150)는 터치 센서를 포함할 수 있다. 터치 센서는 입력부(150)의 특정 부위에 가해진 압력 또는 입력부(150)의 특정 부위에 발생하는 정전 용량 등의 변화를 전기적인 입력신호로 변환하도록 구성될 수 있다. 터치 센서는 터치 되는 위치 및 면적뿐만 아니라, 터치 시의 압력까지도 검출할 수 있도록 구성될 수 있다. 터치 센서에 대한 터치 입력이 있는 경우, 그에 대응하는 신호(들)는 터치 제어기로 보내진다. 터치 제어기는 그 신호(들)를 처리한 다음 대응하는 데이터를 프로세서(120)로 전송한다. 이로써, 프로세서(120)는 입력부(150)의 어느 영역이 터치 되었는지 여부 등을 인식할 수 있게 된다. 터치 스크린은 그래픽 사용자 인터페이스를 사용자 단말이 제공하는 경우를 전제로 하는 입력부(150)의 예시이므로, 입력부(150)는 전술한 예시에 제한되지 않고 사용자 인터페이스의 종류에 맞추어 다양하게 구성될 수 있다.
도 2는 본 개시의 일 실시예에 따른 사용자 단말과 서버 간 통신에 기반한 의료 영상의 분석 과정을 나타낸 블록 구성도이다.
도 2를 참조하면, 본 개시의 일 실시예에 따른 사용자 단말(100)은 의료 영상(21)을 기초로 의료 영상(21)의 관심 영역을 결정할 수 있다. 이때, 의료 영상(21)은 면역화학염색을 통해 염색된 세포들이 표현된 병리 슬라이드 영상일 수 있다. 예를 들어, 의료 영상(21)은 DAB 염색을 통해 ki-67이 발현되어 갈색을 띄는 세포들이 존재하는 병리 슬라이드 영상일 수 있다. DAB 염색 기반의 병리 슬라이드 영상은 의료 영상(21)의 하나의 예시일 뿐이므로, 의료 영상(21)은 면역화학염색을 기반으로 생성된 다양한 병리 슬라이드 영상을 모두 포함할 수 있다.
사용자 단말(100)은 사용자 인터페이스 상의 제 1 사용자 입력에 기초하여 의료 영상(21)의 관심 영역에 대한 정보를 생성할 수 있다. 의료 영상(21)의 관심 영역에 대한 정보는 관심 영역의 식별 정보(22) 및 관심 영역의 외곽선 정보(23)를 포함할 수 있다. 관심 영역의 식별 정보(22)는 관심 영역의 아이디(ID: identification)에 해당하는 정보로서, 의료 영상에 존재하는 하나의 관심 영역을 또 다른 관심 영역과 구별하는 고유 정보로 이해될 수 있다. 즉, 사용자 단말(100)은 제 1 사용자 입력에 따라 의료 영상(21)에서 관심 영역을 지정하고, 관심 영역을 구별하기 위한 식별 정보(22) 및 관심 영역으로 지정된 영역을 파악하기 위한 외곽선 정보(23)를 생성할 수 있다.
예를 들어, 사용자 단말(100)은 사용자 인터페이스를 통해 출력된 의료 영상(21) 상에 포인트를 정의하는 제 1 사용자 입력에 기초하여 의료 영상(21)에서 분석 대상이 되는 관심 영역을 결정할 수 있다. 제 1 사용자 입력에 의해 N개(N은 자연수)의 포인트가 의료 영상(21) 상에 정의되면, 사용자 단말(100)은 N개의 포인트를 모두 연결하는 폐곡선을 생성하고, 폐곡선을 외곽선으로 하는 영역을 의료 영상(21)에서 관심 영역으로 결정할 수 있다. N개의 포인트가 어떻게 정의되느냐에 따라 폐곡선의 형태(i.e. 관심 영역의 형태)가 달라질 수 있으므로, 관심 영역은 원형 또는 다각형을 포함하는 다양한 형상(shape)으로 생성될 수 있다. 관심 영역이 결정되면, 사용자 단말(100)은 관심 영역에 고유의 식별 정보(22)를 할당할 수 있다. 또한, 사용자 단말(100)은 N개의 포인트를 모두 연결하는 폐곡선을 기초로 관심 영역의 외곽선 정보(23)를 생성할 수 있다. 이때, 외곽선 정보(23)는 폐곡선을 구성하는 N개의 포인트의 좌표값을 포함할 수 있다. 즉, 외곽선 정보(23)는 제 1 사용자 입력에 따라 정의되고, 관심 영역의 외곽선의 기준이 되는 포인트의 좌표값을 포함할 수 있다.
한편, 사용자 단말(100)은 관심 영역을 결정하기 위한 제 1 사용자 입력이 완료되었다는 것을 인식할 수 있어야 한다. 따라서, 사용자 단말(100)은 관심 영역의 외곽선에서 최초로 정의된 포인트를 다시 선택하는 입력 혹은 관심 영역의 외곽선에서 최후로 정의된 포인트를 연속하여 선택하는 입력 중 적어도 하나를 인식하는 경우, 사용자 단말(100)은 제 1 사용자 입력이 완료된 것으로 간주하고 의료 영상(21)에서 관심 영역을 결정하기 위한 연산을 수행할 수 있다. 즉, 제 1 사용자 입력은 관심 영역의 외곽선을 폐곡선으로 만들기 위한 입력에 해당하는, 관심 영역의 외곽선에서 최초로 정의된 포인트를 다시 선택하는 입력 혹은 관심 영역의 외곽선에서 최후로 정의된 포인트를 연속하여 선택하는 입력 중 적어도 하나를 포함할 수 있다.
예를 들어, 제 1 사용자 입력에 의해 관심 영역의 외곽선을 결정하기 위한 제 1 포인트, 제 2포인트, ??, 제 N 포인트가 의료 영상(21) 상에 정의된 상태라고 가정한다. 이때, 제 1 포인트를 다시 지정하는 추가적인 제 1 사용자 입력이 사용자 인터페이스를 통해 사용자 단말(100)에 전달되면, 사용자 단말(100)은 제 1 포인트를 다시 지정하는 추가적인 제 1 사용자 입력을 관심 영역을 결정하기 위한 연산 동작의 개시 신호로 인식할 수 있다. 또한, 제 N 포인트를 정의할 때, 제 N 포인트를 연속하여 지정하는 추가적인 제 1 사용자 입력이 사용자 인터페이스를 통해 사용자 단말(100)에 전달되는 경우에도, 사용자 단말(100)은 제 N 포인트를 연속하여 지정하는 추가적인 제 1 사용자 입력을 관심 영역을 결정하기 위한 연산 동작의 개시 신호로 인식할 수도 있다. 사용자 단말(100)은 상술한 개시 신호에 따라 연산을 수행하여, N개의 포인트를 모두 연결하는 폐곡선을 생성하고 폐곡선을 외곽선으로 하는 영역을 의료 영상(21)에서 관심 영역으로 결정할 수 있다.
본 개시의 일 실시예에 따르면, 사용자 단말(100)은 의료 영상(21)의 관심 영역에 대한 정보를 의료 영상에 존재하는 염색 세포를 분석하는 서버(200)로 전송할 수 있다. 이때, 서버(200)는 사용자 단말(100)과의 통신을 통해 정보를 송수신하고, 의료 영상에 대한 분석을 수행하는 컴퓨팅 시스템으로 이해될 수 있다. 예를 들어, 서버(200)는 사용자 단말(100)로부터 의료 영상(21)의 관심 영역에 대한 정보를 수신하여 관심 영역에 존재하는 염색 세포를 인식하고 계수할 수 있다. 서버(200)는 관심 영역에 존재하는 염색 세포를 인식하고 계수한 결과를 사용자 단말(100)로 전달할 수 있다. 즉, 서버(200)는 사용자 단말(100)과의 데이터 통신을 통해 관심 영역에 존재하는 염색 세포에 대한 분석을 수행하고, 분석 결과를 사용자 단말(100)로 제공하는 역할을 수행하는 것으로 이해될 수 있다.
데이터 통신에 필요한 리소스를 최소화하여 효율적인 분석이 수행될 수 있도록 하기 위해, 사용자 단말(100)은 관심 영역이 표시된 의료 영상(21) 전체 혹은 관심 영역에 해당하는 영역이 추출된 의료 영상(21)의 일부가 아닌 의료 영상(21)의 관심 영역에 대한 정보를 서버(200)로 전송할 수 있다. 병리 슬라이드 영상과 같은 의료 영상(21)은 수백 메가바이트 내지 수 기가바이트에 이르는 고용량 데이터이므로, 사용자 단말(100)이 의료 영상(21) 자체를 서버(200)로 전송하는 경우에는 데이터 통신 과정에서 상당히 많은 리소스가 요구될 수밖에 없다. 또한, 사용자 단말(100)이 의료 영상(21) 자체를 서버(200)로 전송하는 경우, 네트워크 및 메모리 상의 여러가지 문제들을 유발할 수 있는 위험 가능성이 항상 존재하게 된다. 반면, 식별 정보(22)와 외곽선 정보(23)를 포함하는 관심 영역에 대한 정보는 의료 영상(21) 대비 상당히 저용량인 데이터이므로, 사용자 단말(100)이 서버(200)로 전송하는 데이터 자체가 라이트(light)해짐으로써, 효율적인 데이터 통신이 수행될 수 있도록 할 수 있다. 특히, 의료 영상(21)에서 결정된 관심 영역이 복수일 경우, 사용자 단말(100)과 서버(200) 간 전송 데이터의 용량이 의료 영상(21) 자체를 전송하는 경우 대비 대폭 감소되어 데이터 통신의 효율성을 극대화할 수 있다.
본 개시의 일 실시예에 따르면, 서버(200)는 사용자 단말(100)로부터 관심 영역의 식별 정보(22) 및 외곽선 정보(23)를 수신하여 의료 영상(21)의 관심 영역에 존재하는 염색된 세포의 위치 정보(24) 및 염색 정보(25)를 생성할 수 있다. 서버(200)는 사용자 단말(100)로부터 수신된 관심 영역의 식별 정보(22) 및 외곽선 정보(23)를 기초로 의료 영상(21)에서 관심 영역에 해당하는 이미지를 추출할 수 있다. 이때, 의료 영상(21)은 사용자 단말(100)을 통해 서버(200)로 전달된 것이 아닌 서버(200)가 데이터베이스 혹은 외부 시스템과의 통신을 통해 자체적으로 확보해둔 데이터로 이해될 수 있다. 서버(200)는 식별 정보(22) 및 외곽선 정보(23)를 기초로 생성된 관심 영역의 이미지를 신경망 모델에 입력하여 관심 영역에 존재하는 염색 세포의 위치 정보(24)를 생성할 수 있다. 서버(200)는 염색 세포의 위치 정보(24)에 대응되는 관심 영역의 세포 영역을 기초로 염색 세포의 염색 비율을 나타내는 염색 정보(25)를 생성할 수 있다. 이때, 세포 영역은 세포를 둘러싸는 관심 영역의 부분 영역일 수 있다.
예를 들어, 서버(200)는 식별 정보(22) 및 외곽선 정보(23)를 기초로 생성된 관심 영역의 이미지를 신경망 모델에 입력하여 관심 영역의 세포 영역에 해당하는 바운딩 박스를 생성할 수 있다. 이때, 바운딩 박스는 염색 세포를 둘러싸는 최소 크기의 다각형 이미지일 수 있다. 서버(200)는 신경망 모델을 통해 바운딩 박스를 생성함과 동시에 염색 세포의 위치 정보(24)로서 바운딩 박스의 좌표값을 획득할 수 있다. 서버(200)에서 사용되는 신경망 모델은 염색으로 발현된 세포의 양음성 여부 및 세포를 포함하는 바운딩 박스가 라벨링된 의료 영상을 기초로 사전 학습될 수 있다.
서버(200)는 바운딩 박스를 기초로 염색 정보(25)로서 세포 영역 내 염색 세포의 염색 비율을 추정할 수 있다. 서버(200)는 바운딩 박스의 염색 강도를 기준으로 세포 영역에 대한 이진 이미지를 생성할 수 있다. 서버(200)는 바운딩 박스에 존재하는 염색 세포의 염색 발현 강도를 기 설정된 임계값과 비교하여 염색 세포를 둘러싸는 세포 영역에 대한 이진 이미지를 생성할 수 있다. 이때, 서버(200)에서 기 설정된 임계값은 염색 세포를 양성 세포로 분류하는 기준이 되는 염색 발현 강도일 수 있다. 서버(200)는 상술한 바운딩 박스의 이진 이미지를 기초로 세포 영역 내 염색 세포의 염색 비율을 산출할 수 있다. 이때, 염색 비율은 좌표값에 대응하는 관심 영역의 세포 영역 내에서 염색으로 발현된 세포의 양성 영역의 넓이의 세포 영역의 전체 넓이에 대한 비의 값으로 이해될 수 있다. 다시 말해, 염색 비율은 바운딩 박스의 전체 영역에 대한 염색으로 발현된 양성 세포의 비율로 이해될 수 있다. 이진 이미지를 통해 세포 영역은 임계값에 따른 양성 영역과 나머지 영역으로 명확히 구분되므로, 서버(200)는 이진 이미지를 사용함으로써 세포 영역 내에서 염색으로 발현된 양성 세포의 염색 비율을 정확하게 산출할 수 있다.
본 개시의 일 실시예에 따르면, 사용자 단말(100)은 서버(200)의 신경망 모델을 통해 산출된 위치 정보(24), 및 염색 정보(25)를 기초로 관심 영역에 존재하는 세포를 양성 혹은 음성으로 구별할 수 있다. 서버로부터 관심 영역 내 염색 세포의 위치 정보(24) 및 염색 정보(25)를 수신하면, 사용자 단말(100)은 위치 정보(24)를 통해 관심 영역 내 염색 세포를 파악하고, 파악된 염색 세포의 염색 정보(25)를 이용하여 관심 영역 내에 존재하는 염색 세포의 비율을 파악할 수 있다. 사용자 단말(100)은 위치가 파악된 염색 세포의 염색 비율을 기초로 사용자 인터페이스 상의 제 2 사용자 입력에 따라 조정 가능한 임계값을 기준으로 관심 영역에 존재하는 염색 세포를 양성 혹은 음성으로 구별할 수 있다. 또한, 사용자 단말(100)은 위치가 파악된 염색 세포의 염색 비율을 기초로 사용자 인터페이스 상의 제 2 사용자 입력에 따라 조정 가능한 임계값을 기준으로 관심 영역에 존재하는 양성 세포를 염색 발현 강도에 따라 구별할 수 있다. 이때, 제 2 사용자 입력에 따라 조정 가능한 임계값은, 관심 영역에 존재하는 세포를 양성 혹은 음성으로 구분하기 위한 염색 발현 강도를 나타내는 제 1 기준값 또는 제 1 기준값에 따라 결정된 양성 세포를 염색 발현 강도에 따라 구별하기 위한 제 2 기준값을 포함할 수 있다. 즉, 사용자 단말(100)은 관심 영역 내에서 위치가 파악된 염색 세포의 염색 발현 강도와 제 2 사용자 입력에 의해 결정된 임계값의 제 1 기준값을 비교하여 염색 세포를 양성 세포 혹은 음성 세포로 판단할 수 있다. 또한, 사용자 단말(100)은 제 1 기준값을 통해 판단된 양성 세포의 염색 발현 강도와 제 2 사용자 입력에 의해 결정된 임계값의 제 2 기준값을 비교하여 양성 세포를 염색 발현 강도에 따라 복수의 클래스로 분류할 수 있다. 다시 말해, 사용자 단말(100)은 제 1 기준값 또는 제 2 기준값 중 적어도 하나를 포함하는 임계값을 이용하여, 관심 영역 내에 존재하는 염색 세포에 대한 양음성의 이진 분류(binary classification)를 수행할 수 있을 뿐만 아니라 양성 세포를 기준으로 염색 발현 강도에 따른 다중 분류(multi classification)를 수행할 수 있다.
예를 들어, DAB 염색을 통해 관심 영역 내 염색 세포들이 갈색으로 표시되는 경우, 사용자 단말(100)은 서버(200)로부터 전달되는 갈색으로 염색된 세포의 위치 정보(24)를 기초로 관심 영역 내 갈색 세포들을 식별할 수 있다. 또한, 사용자 단말(100)은 서버(200)로부터 전달되는 염색 정보(25)를 기초로 식별된 갈색 세포들의 세포 영역 내 염색 비율을 파악할 수 있다. 이때, 세포 영역은 갈색 세포를 포함하는 가장 작은 의료 영상 내 영역으로 이해될 수 있다. 사용자 단말(100)은 갈색 세포들의 세포 영역 내 염색 비율과 제 2 사용자 입력에 따라 조정 가능한 제 1 기준값을 비교하여 제 1 기준값 이상인 갈색 세포들은 DAB 양성, 제 1 기준값 이하인 갈색 세포들은 DAB 음성으로 구별할 수 있다. 또한, 사용자 단말(100)은 DAB 양성으로 판단된 세포들의 세포 영역 내 염색 비율과 복수의 제 2 기준값들을 비교하여 DAB 양성으로 판단된 세포들을 세포 영역 내 염색 발현 강도에 따라 복수의 클래스로 구별할 수 있다.
한편, 사용자 인터페이스 상의 제 2 사용자 입력에 의해 임계값이 조정되는 경우, 사용자 단말(100)은 제 2 사용자 입력에 의해 조정된 임계값을 기초로 염색 세포의 양음성 여부를 판단한 결과를 업데이트할 수 있다. 사용자 단말(100)은 염색 세포의 양음성 여부를 자체적으로 분석하여 구별하므로, 제 2 사용자 입력에 의해 임계값이 조정되더라도 사용자 단말(100)은 서버(200)와의 추가적인 통신이 필요 없이 실시간으로 조정된 임계값을 기준으로 관심 영역 내 염색 세포의 양성 혹은 음성 여부를 필터링할 수 있다. 다시 말해서, 사용자 단말(100)은 사용자 인터페이스를 통해 전달되는 제 2 사용자 입력을 통해 임계값을 자체적으로 제어할 수 있고, 임계값의 변화를 실시간으로 반영하여 관심 영역에 존재하는 세포를 양성 혹은 음성으로 구별할 수 있다. 예를 들어, 사용자 단말(100)은 제 2 사용자 입력에 의해 변화된 임계값을 염색 세포의 세포 영역 내 염색 비율과 다시 비교하여 세포를 양성 혹은 음성으로 구별한 결과를 업데이트할 수 있다. 이때, 임계값이 커질수록 관심 영역 내의 양성 세포의 수가 감소하고, 음성 세포의 수가 증가할 수 있다. 임계값이 작아질수록 관심 영역 내 양성 세포의 수는 증가하고, 음성 세포의 수는 감소할 수 있다.
사용자 단말(100)은 관심 영역 내 양성 혹은 음성으로 구별된 세포를 기초로 관심 영역 내 염색 세포에 관한 분석 정보를 생성할 수 있다. 사용자 단말(100)은 임계값을 기준으로 구별된 관심 영역 내 양성 세포 및 음성 세포를 계수하여, 양성 세포와 음성 세포 각각의 개수, 양성 세포의 개수에 기초한 제 1 비율, 또는 관심 영역에 존재하는 염색 세포의 염색 발현 강도의 전체 평균에 기초한 제 2 비율 중 적어도 하나 포함하는 분석 정보를 생성할 수 있다. 예를 들어, 관심 영역 내 식별된 염색 세포가 전체 10개라고 가정하면, 사용자 단말(100)은 관심 영역 내에서 구별된 양성 세포 및 음성 세포를 계수하여 양성 세포의 개수는 3개, 음성 세포의 개수는 7개로 파악하여 분석 정보 중 하나로 산출할 수 있다. 또한, 사용자 단말(100)은 세포의 개수를 기준으로 전체 10개의 염색 세포 중 3개의 양성 세포가 차지하는 비율인 0.3(혹은 30%)을 분석 정보 중 하나로 산출할 수 있다. 사용자 단말(100)은 관심 영역 내의 염색 세포의 염색 발현 강도를 기준으로, 전체 10개의 염색 세포의 염색 발현 강도의 평균을 분석 정보 중 하나로 산출할 수도 있다. 이때, 분석 정보로 산출되는 비율 혹은 염색 발현 강도의 평균 각각은 메모리(130)에 저장된 테이블(table)에 맞추어 스코어(score)로 변환될 수도 있다. 상술한 개수 혹은 비율에 관한 구체적인 수치는 하나의 예시일 뿐, 본 개시는 이에 제한되지 않는다.
사용자 단말(100)은 관심 영역 내 염색 세포에 관한 분석 정보를 사용자 인터페이스를 통해 출력할 수 있다. 사용자 단말(100)은 염색 세포를 양성 혹은 음성으로 구별한 결과를 사용자가 쉽고 빠르게 파악할 수 있도록 염색 세포를 양성 혹은 음성에 따라 서로 다른 색상으로 의료 영상에 표시할 수 있다. 또한, 사용자 단말(100)은 음성 세포와 양성 세포를 서로 다른 색상으로 표시할 뿐만 아니라 양성 세포를 염색 발현 강도에 따라 서로 다른 색상으로 구별하여 의료 영상에 표시할 수 있다. 사용자 단말(100)은 관심 영역 내 염색 발현 강도에 따른 클래스 별 양성 세포와 음성 세포가 모두 다른 색상으로 표시된 의료 영상을 사용자 인터페이스를 통해 시각화 할 수 있다. 사용자 단말(100)은 분석 정보에 포함된 양성 세포와 음성 세포 각각의 개수 또는 양성 세포의 통계적 정보 중 적어도 하나를 사용자 인터페이스를 통해 시각화 할 수 있다. 예를 들어, 사용자 단말(100)은 관심 영역 내 염색 세포 중 양성 세포로 구별된 세포를 빨간색, 음성 세포로 구별된 세포를 파란색으로 의료 영상에 표시하여 사용자 인터페이스의 제 1 영역으로 출력할 수 있다. 또한, 사용자 단말(100)은 관심 영역 내에서 염색 발현 강도에 따라 양성 세포를 3개의 클래스로 분류하고, 각 클래스 별로 핑크색, 주황색, 빨간색으로 의료 영상에 표시하여 사용자 인터페이스의 제 1 영역으로 출력할 수 있다. 사용자 단말(100)은 관심 영역 내 양성 세포 및 음성 세포의 개수와 함께 관심 영역 내 염색 세포의 통계 정보를 텍스트 형태의 정보로 시각화 하여 사용자 인터페이스의 제 2 영역으로 출력할 수 있다. 이때, 관심 영역 내 염색 세포의 통계 정보는 관심 영역 내 전체 세포 중 양성 세포의 개수의 비율을 스코어로 환산한 제 1 비율 또는 관심 영역 내 전체 세포의 염색 발현 강도의 평균 값을 스코어로 환산한 제 2 비율 중 적어도 하나를 포함할 수 있다.
이와 같이 사용자 단말(100)은 서버(200)의 통신을 통해 관심 영역 내 염색 세포에 대한 분석 정보를 산출하고 시각화 함으로써, 병리 진단 검사의 지연 문제를 개선하고 병리학적 상태에 대한 도메인 전문가의 판단을 효과적으로 보조할 수 있다.
도 3은 본 개시의 일 실시예에 따른 사용자 단말의 의료 영상의 분석 과정을 나타낸 순서도이다.
도 3을 참조하면, S110 단계에서, 본 개시의 일 실시예에 따른 사용자 단말(100)은 PACS 혹은 외부 데이터베이스 등 의료 영상을 보관하는 시스템과의 통신을 통해 의료 영상을 업로드할 수 있다. 의료 영상은 면역화학염색(e.g. DAB 염색 등)을 통해 염색된 세포를 포함하는 전체 슬라이드 이미지(WSI)일 수 있다. 이때, 전체 슬라이드 이미지와 같은 의료 영상은 수백 메가바이트 내지 수 기가바이트 수준의 고용량 데이터이므로, 의료 영상이 그대로 업로드 후 출력되는 경우에 사용자 단말(100)은 사용자 인터페이스를 통한 사용자의 조작을 데이터에 원활히 반영하지 못할 수밖에 없다. 따라서, 사용자 단말(100)은 고용량의 의료 영상을 미리 변환하여 저장하여 두고, 사용자 인터페이스를 통한 사용자의 조작에 맞추어 변환된 영상을 제공하는 방식을 통해 상술한 문제를 해결한다. 예를 들어, 사용자 단말(100)은 분석 대상이 되는 의료 영상을 해상도 레벨 별로 변환하여 저장할 수 있다. 이때, 해상도 레벨 별로 변환된 의료 영상은 영상을 해상도 레벨에 따라 타일 별로 구성하는 딥 줌(deep zoom) 이미지일 수 있다. 사용자 단말(100)은 해상도 레벨 별로 변환 후 저장된 의료 영상에서, 사용자 인터페이스 상의 사용자 입력에 따라 조정되는 확대 레벨에 대응되는 해상도 레벨의 의료 영상을 사용자 인터페이스를 통해 출력할 수 있다. 이때, 사용자 입력은 의료 영상의 출력될 화면의 줌 레벨(zoom level)을 조정하는 입력으로 이해될 수 있다. 즉, 사용자 단말(100)은 사용자 입력에 따라 조정되는 확대 레벨에 맞추어 의료 영상에서 보여지는 영역의 이미지들을 사용자 인터페이스를 통해 출력할 수 있다. 이와 같은 의료 영상의 처리는 고용량의 의료 영상을 업로드하는 과정에서 발생할 수 있는 사용자 단말(100)의 프로세서(120)의 연산 지연 문제 등을 효과적으로 개선하고 성능을 향상시킬 수 있다.
S120 단계에서, 사용자 단말(100)은 사용자 인터페이스 상의 사용자 입력에 맞추어 S110 단계를 통해 업로드된 의료 영상의 관심 영역을 결정할 수 있다. 사용자 단말(100)은 효율적인 데이터 통신을 위해 서버(200)가 관심 영역을 인식할 수 있도록 하는 관심 영역의 ID 정보 및 외곽선의 위치 정보를 생성할 수 있다. 이때, 의료 영상의 관심 영역은 전체 슬라이드 이미지에서 사용자가 분석을 원하는 대상 영역으로 이해될 수 있다. 전체 슬라이드 이미지에서 관심 영역은 분석의 타겟(target)이 되는 면역화학염색을 통해 염색된 세포들 및 주변 조직들을 포함할 수 있다.
S130 단계에서, 사용자 단말(100)은 S120 단계에서 생성된 관심 영역의 ID 정보 및 외곽선 위치 정보를 서버(200)로 송신할 수 있다. 의료 영상이 아닌 관심 영역에 대한 필요 정보만 서버(200)로 전달되므로, 사용자 단말(100)과 서버(200) 간의 통신은 네트워크 지연 문제가 발생할 여지가 없이 원활히 수행될 수 있다. 서버(200)는 사용자 단말(100)로부터 전달된 관심 영역의 ID 정보 및 외곽선 위치 정보를 기초로 의료 영상에서 관심 영역을 손쉽게 파악할 수 있다. 서버(200)는 관심 영역을 기초로 신경망 모델을 통해 관심 영역 내 염색 세포의 위치를 추정할 수 있다. 또한, 서버(200)는 관심 영역 내 염색 세포의 염색 발현 강도를 기준으로 특정 영역 내 양성 세포의 염색 비율을 계산할 수 있다. 여기서, 특정 영역은 신경망 모델을 통해 추정된 염색 세포의 위치에 대응하는 염색 세포를 둘러싼 바운딩 박스로 이해될 수 있다. 서버(200)의 연산이 완료되면, 사용자 단말(100)은 서버(200)에 의해 생성된 관심 영역 내 염색 세포의 위치 및 양성 세포의 비율에 대한 정보를 서버로부터 수신할 수 있다. 의료 영상이 아닌 관심 영역 내 염색 세포를 파악하는데 필요한 정보만 사용자 단말(100)로 전달되므로, 사용자 단말(100)과 서버(200) 간의 통신은 네트워크 지연 문제가 발생할 여지가 없이 원활히 수행될 수 있다.
S140 단계에서, 사용자 단말(100)은 S130 단계를 통해 서버(200)로부터 전달되는 염색 세포에 대한 정보를 기초로 관심 영역에 존재하는 세포의 양성 혹은 음성을 구별할 수 있다. 사용자 단말(100)은 서버(200)로부터 전달된 염색 세포의 위치에 대한 정보를 기초로 관심 영역 내에 존재하는 염색 세포를 파악할 수 있다. 사용자 단말(100)은 서버(200)로부터 전달된 양성 세포의 염색 비율에 대한 정보를 기초로 위치가 파악된 염색 세포의 염색 강도를 사용자 인터페이스 상의 사용자 입력에 의해 결정된 임계값과 비교하여 염색 세포를 양성 세포 혹은 음성 세포로 구별할 수 있다.
S150 단계에서, 사용자 단말(100)은 양성 혹은 음성으로 구별된 관심 영역 내 염색 세포를 계수하여 염색 세포에 대한 분석 정보를 생성할 수 있다. 사용자 단말(100)은 관심 영역 내 염색 세포에 대한 분석 정보를 사용자 인터페이스를 통해 출력할 수 있다. 분석 정보는 양성 세포 및 음성 세포를 서로 다른 색상으로 표시한 의료 영상, 염색 세포의 개수, 양성 세포의 비율 등을 포함할 수 있다. 사용자 단말(100)은 관심 영역 내 염색 세포에 대한 분석 정보를 영상 혹은 텍스트 중 적어도 하나로 사용자 인터페이스를 통해 시각화 할 수 있다. 이때, 사용자 인터페이스를 통한 사용자 조작에 따라 관심 영역이 출력된 화면에 변화가 발생하는 경우, 사용자 단말(100)은 양성 세포 및 음성 세포를 서로 다른 색상으로 표시하는 시각화 작업을 변화된 화면에 맞추어 다시 수행하지 않는다. 효율적인 동작을 위해 사용자 단말(100)은 양성 세포 및 음성 세포를 서로 다른 색상으로 표시하는 시각화 작업을 수행한 뒤 관심 영역을 이미지화 한 뒤, 사용자 조작에 맞추어 이미지화된 관심 영역을 변환하여 변화된 화면에 맞춘 이미지를 출력할 수 있다. 예를 들어, 사용자 단말(100)은 최초에 관심 영역에 존재하는 양성 세포 및 음성 세포를 서로 다른 색상으로 표시한 뒤 관심 영역 자체를 별개의 이미지로 변환할 수 있다. 사용자 인터페이스 상의 사용자 입력에 의해 관심 영역에 대한 확대 레벨이 조정되거나 관심 영역이 사용자 인터페이스의 일 영역에서 이동되는 경우, 사용자 단말(100)은 조정된 확대 레벨 혹은 이동된 영역에 맞추어 별개의 이미지로 변환된 관심 영역의 크기 혹은 좌표를 변환하여 사용자 인터페이스를 통해 출력할 수 있다. 이와 같은 의료 영상의 처리는 분석된 관심 영역에 대한 정보를 사용자 입력에 맞추어 시각화하는 과정에서 발생할 수 있는 사용자 단말(100)의 프로세서(120)의 연산 지연 문제 등을 효과적으로 개선하고 성능을 향상시킬 수 있다.
한편, 관심 영역이 복수인 경우, 사용자 단말(100)은 복수의 관심 영역에 대한 정보를 리스트로 정리하여 서버(200)로 전송할 수 있다. 서버(200)는 사용자 단말(100)로부터 수신된 리스트를 기초로 관심 영역들에 대한 분석을 순차적으로 수행할 수 있다. 서버(200)는 분석된 관심 영역들에 대한 정보를 취합하여 사용자 단말(100)로 전송할 수 있다. 사용자 단말(100)은 관심 영역들의 개별 분석 정보, 관심 영역들의 그룹 별 합산 분석 정보, 관심 영역들 전체를 합산한 분석 정보 등을 사용자 인터페이스 상의 사용자 입력에 따라 설정된 조건에 맞추어 선택적으로 출력할 수 있다.
도 4 내지 도 6은 본 개시의 일 실시예에 따른 사용자 인터페이스를 예시적으로 도시한 개념도이다.
도 4를 참조하면, 본 개시의 일 실시예에 따른 사용자 인터페이스는, 관심 영역을 결정하기 위해 최초 업로드된 의료 영상 또는 관심 영역이 시각화된 의료 영상을 출력하는 제 1 영역(31)을 포함할 수 있다. 관심 영역은 사용자 인터페이스의 제 1 영역(31)을 통해 입력된 사용자 입력에 따라 생성, 수정 혹은 변경될 수 있다.
본 개시의 일 실시예에 따르면, 제 1 영역(31)을 통해 관심 영역을 결정하기 위한 대상이 되는 의료 영상이 출력되면, 사용자는 제 1 영역(31)에 대한 사용자 입력을 통해 의료 영상에서 분석을 원하는 관심 영역을 지정할 수 있다. 사용자는 관심 영역의 포인트를 정의하는 입력을 제 1 영역(31)을 통해 사용자 단말(100)로 전달할 수 있다. 사용자 단말(100)은 제 1 영역(31)을 통한 입력에 따라 사각형의 관심 영역ⓐ, 칠각형의 관심 영역ⓑ와 같은 다양한 형태의 관심 영역을 결정할 수 있다. 이때, 사용자 단말(100)은 관심 영역ⓐ와 관심 영역ⓑ 간에 교차 선 혹은 중첩 영역이 존재하는지를 판단하고, 교차 선 혹은 중첩 영역이 발생하지 않도록 관심 영역의 외곽선을 결정할 수 있다. 사용자 단말(100)은 사각형의 관심 영역ⓐ 및 칠각형의 관심 영역ⓑ를 곧바로 시각화 하여 의료 영상에 표시한 뒤 제 1 영역(31)을 통해 출력할 수 있다.
도 5를 참조하면, 본 개시의 일 실시예에 따른 사용자 인터페이스는, 관심 영역에 대한 분석 결과를 출력하는 제 2 영역(32)을 포함할 수 있다. 관심 영역에 대한 분석 결과는 관심 영역 내에 존재하는 양성 세포와 음성 세포 각각의 개수, 관심 영역을 기준으로 하는 양성 세포의 비율 등을 포함할 수 있다. 제 2 영역(32)을 통해 출력되는 정보는 사용자 단말(100)에 의해 분석된 정보로서, 기본적으로 사용자 입력에 의해 변경, 수정 혹은 조정될 수 없다. 다만, 사용자 인터페이스의 설정값에 따라 제 2 영역(32)을 통해 출력되는 정보도 사용자 입력에 의해 변경, 수정 혹은 조정될 수도 있다. 또한, 사용자 인터페이스는 관심 영역 내 양성 세포의 판단 기준이 되는 염색 발현 강도를 나타내는 제 1 기준값에 대한 정보를 출력하는 제 3 영역(33)을 포함할 수 있다. 제 1 기준값은 사용자 인터페이스의 제 3 영역(33)을 통해 입력된 사용자 입력에 따라 조정될 수 있다.
본 개시의 일 실시예에 따르면, 제 1 영역(31)을 통해 의료 영상에 관심 영역이 정의되고 난 후, 사용자는 제 3 영역(33)에 표시되는 분석(analyze) 아이콘에 대한 입력을 통해 사용자 단말(100)이 관심 영역에 대한 분석을 수행하도록 제어할 수 있다. 이때, 제 1 기준값은 제 3 영역(33)에서 텍스트 형태의 수치값과 그래픽 형태의 바(bar) 형상의 아이콘으로 표시될 수 있다. 사용자 단말(100)의 관심 영역에 대한 분석 전, 후 혹은 중간 과정에서 사용자는 제 3 영역(33)에 표시된 제 1 기준값을 조정할 수 있다. 제 3 영역(33)에 대한 사용자 입력에 의해 조정되는 제 1 기준값은 사용자 단말(100)의 관심 영역에 대한 분석에 실시간으로 반영될 수 있다.
사용자 단말(100)에 의해 관심 영역에 대한 분석이 완료되면, 사용자 단말(100)은 제 1 영역(31)을 통해 양성 세포와 음성 세포를 서로 다른 색상으로 표시한 의료 영상을 출력할 수 있다. 이와 동시에 사용자 단말(100)은 제 2 영역(32)을 통해 관심 영역 내 양성 세포와 음성 세포의 개수, 관심 영역 내 양성 세포의 비율을 출력할 수 있다. 제 2 영역(32)을 통해 출력되는 정보는 텍스트 형태의 수치값으로 표시될 수 있다. 예를 들어, 의료 영상이 DAB 용액으로 염색된 세포에 대한 병리 슬라이드 영상인 경우, 사용자 단말(100)은 제 3 영역(33)에 표시된 제 1 기준값에 따라 관심 영역 내 염색 세포들의 갈색 발현 강도를 판단하여 염색 세포들을 양성 세포 혹은 음성 세포로 구분할 수 있다. 구분 결과를 기초로, 사용자 단말(100)은 제 1 영역(31)을 통해 관심 영역 내 양성 세포를 빨간색, 음성 세포를 파란색으로 표시하여 출력할 수 있다. 또한, 사용자 단말(100)은 구분 결과를 기초로 양성 세포 및 음성 세포를 계수하여 염색 세포들의 개수 및 양성 세포의 비율을 산출하고 제 2 영역(32)을 통해 출력할 수 있다. 사용자는 사용자 인터페이스를 통해 출력되는 분석 결과를 확인한 후, 제 2 영역(32)에 표시된 저장(save) 아이콘 혹은 보고(report) 아이콘에 대한 사용자 입력을 수행하여 사용자 단말(100)의 동작을 종료할 수 있다.
도 6은 본 개시의 일 실시예에 따른 사용자 단말(100)에서 출력되는 전체 화면의 예시를 나타낸다. 화면에서 구현되는 사용자 인터페이스 요소들의 기능은 하기 [표 1]과 같이 정리될 수 있다. 각 사용자 인터페이스 요소들 각각은 사용자 입력 혹은 사용자 단말(100)에 의한 연산 동작에 의해 화면 상에서 구현될 수 있다. 도 6에 표시된 화면은 하나의 예시일 뿐이므로, 본 개시는 이에 제한되지 않는다.
| 구분 | 기능 |
| ① | 사용자 입력에 따라 의료 영상을 업로드 할 폴더가 재지정 할 초기 상태로 돌아가도록 하는 셋업(set-up) 인터페이스 |
| ② | 사용자가 분석할 영역 지정 및 삭제, 길이 측정 및 색 변경이 가능하도록 하는 도구(tool) 인터페이스 |
| ③ | 사용자의 의도에 따라 자유로운 모양과 크기로 지정되는 관심 영역을 표시하는 인터페이스 |
| ④ | ①을 통해 지정한 폴더 내의 영상 목록이 표시되고, 사용자 입력에 따라 선택된 영상이 화면에 나타나도록 하는 목록(list) 인터페이스 |
| ⑤ | 전체 영상의 미니맵으로서, 현재 분석 중인 영역의 위치(좌표)를 사용자가 확인 가능하도록 표시하는 네비게이터(navigator) 인터페이스 |
| ⑥ | 사용자가 영상의 확대 배율을 설정 가능하도록 하는 확대(magnification) 인터페이스 |
| ⑦ | 양성 세포의 판단 기준인 염색 슬라이드의 색상 및 염색 강도 기준을 사용자가 조정 가능하도록 하는 임계값(threshold) 인터페이스 |
| ⑧ | 사용자가 ⑦을 통해 설정한 기준을 적용하여 사용자 단말이 분석을 수행하도록 하는 분석(analyze) 인터페이스 |
| ⑨ | 사용자 단말에 의해 분석된 관심 영역의 양성 세포와 음성 세포의 계수 결과 및 비율이 표시되는 평가(assessment) 인터페이스 |
| ⑩ | 사용자가 사용자 단말의 분석 결과에 대한 추가 의견 기재가 가능하도록 하는 코멘트(comment) 인터페이스 |
| ⑪ | 사용자 단말에 의해 분석된 결과의 저장 및 보고서 출력이 가능하도록 하는 인터페이스 |
| ⑫ | 사용자 매뉴얼, 로그아웃 아이콘 등을 표시하는 메뉴(menu) 인터페이스 |
도 7 내지 도 9는 본 개시의 추가적인 일 실시예에 따른 사용자 인터페이스를 예시적으로 도시한 개념도이다. 도 4 내지 도 6는 염색 세포를 음성 혹은 양성 세포로 구별하는 이진 분류의 결과를 표시하는 사용자 인터페이스를 예시적으로 도시한 개념도라면, 도 7 내지 도 9는 양성 세포를 염색 발현 강도에 따라 복수의 클래스로 추가적으로 구별하는 다중 분류의 결과를 표시하는 사용자 인터페이스를 예시적으로 도시한 개념도로 이해될 수 있다. 도 7 내지 도 9과 관련하여 도 4 내지 도 6에 대한 앞선 설명과 중복되는 내용은 이하에서는 생략하도록 한다. 또한, 도 7 내지 도 9와 관련하여 기재한 구체적인 수치들은 하나의 예시일 뿐이므로, 본 개시는 이에 한정되지 않는다.본 개시의 추가적인 일 실시예에 따른 사용자 단말(100)은 사용자 인터페이스의 제 1 영역(31)을 통해 관심 영역 내 염색 세포들을 클래스에 따라 서로 다른 색상으로 표시하여 출력할 수 있다. 도 7을 참조하면, 제 1 영역(31)의 관심 영역ⓐ에 존재하는 염색 세포들은 음성 세포(31a), 양성 세포 1(31b), 양성 세포 2(31c), 양성 세포 3(31d)로 분류될 수 있다. 먼저, 제 1 영역(31)의 관심 영역ⓐ에 존재하는 염색 세포들은 제 1 기준값에 따라 음성 세포(31a) 혹은 양성 세포(31b, 31c, 31d)로 분류될 수 있다. 그리고, 양성 세포(31b, 31c, 31d)로 분류된 염색 세포들은 제 2 기준값에 따라 염색 발현 강도를 기준으로 구분된 3가지 클래스 중 하나로 분류될 수 있다. 4가지 클래스 중 하나로 분류된 제 1 영역(31)의 관심 영역ⓐ에 존재하는 염색 세포들(31a, 31b, 31c, 31d)은 서로 다른 색상으로 표시될 수 있다. 음성 세포(31a)는 파란색, 양성 세포 1(31b)는 핑크색, 양성 세포 2(31c)는 주황색, 양성 세포 3(31d)는 빨간색으로 표시될 수 있다.
본 개시의 추가적인 일 실시예에 따른 사용자 단말(100)은 사용자 인터페이스의 제 2 영역(32)을 통해 관심 영역 내 염색 세포들의 계수 정보 뿐만 아니라 스코어로 환산된 염색 세포들의 통계 정보를 텍스트 형태로 출력할 수 있다. 예를 들어, 도 7 및 도 8을 참조하면, 사용자 단말(100)은 제 2 영역(32)을 통해 관심 영역 별로 4가지 클래스(0, 1+, 2+, 3+) 별 염색 세포의 개수(32a), 관심 영역 내 양성 세포의 비율(32b) 및 관심 영역 내 평균 염색 강도(32c)를 출력할 수 있다. 4가지 클래스(0, 1+, 2+, 3+) 각각은 음성 세포(31a), 양성 세포 1(31b), 양성 세포 2(31c), 양성 세포 3(31d)에 대응될 수 있다. 구체적으로, 클래스 0는 제 1 기준값에 따라 결정된 음성 세포(31a)에 대응될 수 있다. 클래스 1+는 제 1 기준값 및 제 2 기준값에 따라 결정된 양성 세포 1(31b)에 대응될 수 있다. 클래스 2+는 제 1 기준값 및 제 2 기준값에 따라 결정된 양성 세포 2(31c)에 대응될 수 있다. 클래스 3+는 제 1 기준값 및 제 2 기준값에 따라 결정된 양성 세포 3(31d)에 대응될 수 있다. 이때, 클래스 1에서 클래스 3+로 갈수록 양성 세포의 염색 발현 강도가 커진다는 것을 의미할 수 있다.
관심 영역 내 양성 세포의 비율(32b)은 특정 관심 영역 내에 존재하는 양성 세포들의 개수를 기준으로 산출된 스코어일 수 있다. 사용자 단말(100)은 관심 영역에 존재하는 전체 염색 세포들에 대한 양성 세포들의 비율을 계산할 수 있다. 사용자 단말(100)은 양성 세포들의 비율을 메모리(130)에 저장된 테이블에 따라 스코어로 환산하여 관심 영역 내 양성 세포의 비율(32b)로 제 2 영역(32)을 통해 출력할 수 있다. 이때, 관심 영역 내 양성 세포의 비율(32b)은 0 이상 5 이하의 자연수 중 하나에 해당하는 스코어일 수 있다. 5에 가까운 스코어일수록 관심 영역 내에 양성 세포의 비율이 높다는 것을 의미할 수 있다.
관심 영역 내 평균 염색 강도(32c)는 특정 관심 영역 내에 존재하는 염색 세포들의 염색 발현 강도를 기초로 산출된 스코어일 수 있다. 사용자 단말(100)은 관심 영역에 존재하는 전체 염색 세포들의 염색 발현 강도의 평균값을 계산할 수 있다. 사용자 단말(100)은 계산된 평균값을 메모리(130)에 저장된 테이블에 따라 스코어로 환산하여 관심 영역 내 평균 염색 강도(32c)로 제 2 영역(32)을 통해 출력할 수 있다. 이때, 관심 영역 내 양성 세포의 비율(32b)은 0 이상 3 이하의 자연수 중 하나에 해당하는 스코어일 수 있다. 구체적으로, 관심 영역 내 염색 발현 강도의 전체 평균값이 0.5 이하인 경우, 사용자 단말(100)은 관심 영역 내 평균 염색 강도(32c)로서 0을 산출할 수 있다. 관심 영역 내 염색 발현 강도의 전체 평균값이 0.5 초과 0.67 이하인 경우, 사용자 단말(100)은 관심 영역 내 평균 염색 강도(32c)로서 1을 산출할 수 있다. 관심 영역 내 염색 발현 강도의 전체 평균값이 0.67 초과 0.83 이하인 경우, 사용자 단말(100)은 관심 영역 내 평균 염색 강도(32c)로서 2를 산출할 수 있다. 관심 영역 내 염색 발현 강도의 전체 평균값이 0.83 초과 1 이하인 경우, 사용자 단말(100)은 관심 영역 내 평균 염색 강도(32c)로서 3을 산출할 수 있다. 따라서, 3에 가까운 스코어일수록 관심 영역 내에 양성 세포의 비율이 높다는 것을 의미할 수 있다.
도 9를 참조하면, 본 개시의 추가적인 일 실시예에 따른 사용자 인터페이스는 관심 영역 내 양성 세포의 판단 기준이 되는 염색 발현 강도를 나타내는 제 1 기준값(33a) 및 양성 세포의 염색 발현 강도에 대한 분류 기준이 되는 제 2 기준값(33b, 33c)에 대한 정보를 출력하는 제 3 영역(33)을 포함할 수 있다. 제 1 기준값(33a) 및 제 2 기준값(33b, 33c)은 사용자 인터페이스의 제 3 영역(33)을 통해 입력된 사용자 입력에 따라 조정될 수 있다. 예를 들어, 제 1 기준값(33a) 및 제 2 기준값(33b, 33c) 각각은 제 3 영역(33)에서 텍스트 형태의 수치값과 그래픽 형태의 바(bar) 형상의 아이콘으로 표시될 수 있다. 사용자 단말(100)의 관심 영역에 대한 분석 전, 후 혹은 중간 과정에서 사용자는 제 3 영역(33)에 표시된 제 1 기준값(33a) 혹은 제 2 기준값(33b, 33c)을 조정할 수 있다. 제 3 영역(33)에 대한 사용자 입력에 의해 조정되는 제 1 기준값(33a) 혹은 제 2 기준값(33b, 33c)은 사용자 단말(100)의 관심 영역에 대한 분석에 실시간으로 반영될 수 있다. 제 3 영역(33)에 표시된 제 1 기준값(33a) 및 제 2 기준값(33b, 33c)을 기초로 분석된 결과는 도 7의 제 1 영역(31)과 같이 염색 세포들이 의료 영상 상에서 서로 다른 색상으로 표시될 수 있다. 또한, 제 3 영역(33)에 표시된 제 1 기준값(33a) 및 제 2 기준값(33b, 33c)을 기초로 분석된 결과는 도 8의 제 2 영역(32)과 같이 텍스트 형태의 수치값으로 표시될 수 있다.
도 10은 본 개시의 일 실시예에 따른 서버의 동작 과정을 나타낸 순서도이다.
도 10을 참조하면, S210 단계에서, 본 개시의 일 실시예에 따른 서버(200)는 사용자 단말(100)과의 통신을 통해 관심 영역에 대한 정보를 수신할 수 있다. 이때, 관심 영역에 대한 정보는 면역화학염색(e.g. DAB 염색 등)을 통해 염색된 세포를 포함하는 전체 슬라이드 이미지(WSI)에서 사용자에 의해 관심 영역으로 지정된 영역의 고유 정보로 이해될 수 있다. 서버(200)는 사용자 단말(100)로부터 전달된 관심 영역의 고유 정보를 기초로 전체 슬라이드 이미지(WSI)에서 관심 영역의 이미지를 추출할 수 있다. 그리고, 서버(200)는 신경망 모델을 사용하여 의료 영상에 존재하는 염색된 세포의 위치 정보를 획득할 수 있다. 예를 들어, 서버(200)는 전체 슬라이드 이미지(WSI)에서 추출된 관심 영역의 이미지를 신경망 모델에 입력하여 관심 영역 내에 존재하는 염색 세포의 좌표값을 획득할 수 있다. 이때, 서버(200)는 신경망 모델을 통해 염색 세포의 좌표값과 함께 염색 세포를 포함하는 바운딩 박스를 획득할 수도 있다. 이때, 바운딩 박스는 염색 세포의 외곽선에 인접하는 최소 크기의 다각형 혹은 원형의 이미지일 수 있다.
S220 단계에서, 서버(200)는 S210 단계에서 산출된 염색 세포의 위치 정보를 기초로 염색 세포를 포함하는 소정의 영역에 대한 이미지를 관심 영역의 이미지로부터 추출할 수 있다. 예를 들어, 서버(200)는 염색 세포의 좌표값을 기초로 염색 세포의 좌표값에 대응되는 바운딩 박스를 추정하고, 바운딩 박스에 해당하는 이미지를 관심 영역의 이미지로부터 추출할 수 있다. 이때, S210 단계에서 염색 세포의 좌표값과 함께 바운딩 박스를 획득하는 경우, 서버(200)는 염색 세포를 포함하는 소정의 영역에 대한 이미지를 관심 영역의 이미지로부터 추출하지 않고 S210 단계에서 획득된 바운딩 박스를 그대로 사용할 수 있다. S220 단계에서, 서버(200)는 S210 단계를 통해 산출된 위치 정보에 대응하는 관심 영역의 이미지의 일 영역 내에서 염색된 세포의 염색 비율을 산출할 수 있다. 이때, 관심 영역의 이미지의 일 영역은 앞서 의료 영상으로부터 추출된 바운딩 박스 영역일 수 있다. 서버(200)는 염색 강도를 임계값과 비교하여 바운딩 박스의 전체 영역을 기준으로 염색으로 발현된 세포의 양성 영역이 얼마나 차지하는지를 나타내는 염색 비율을 산출할 수 있다.
S230 단계에서, 서버(200)는 S210 단계를 통해 산출된 염색 세포의 위치 정보 및 S220 단계를 통해 산출된 염색 비율을 사용자 단말(100)로 전송할 수 있다. 서버(200)는 분석된 이미지 자체가 아닌 병리학적 진단에 필수적으로 활용되는 정보들만을 사용자 단말(100)로 전송할 수 있다. 이를 통해 서버(200)는 사용자 단말(100)과의 데이터 송수신 과정에서 불필요하게 많은 양의 리소스가 요구되는 것을 방지하고, 비용을 최소화하여 효율적인 데이터 통신이 수행될 수 있도록 한다. S210 단계에서 서버(200)에 의해 산출되는 염색 세포의 위치 정보 및 S220 단계에서 서버(200)에 의해 산출되는 염색 세포의 염색 비율은 병리학적 진단을 위해 염색 세포를 계수하는 연산 과정에 효과적으로 사용될 수 있다. 또한, S210 단계에서 서버(200)에 의해 산출되는 염색 세포의 위치 정보 및 S220 단계에서 서버(200)에 의해 산출되는 염색 세포의 염색 비율은 염색 세포에 대한 영상 및 염색 세포의 계수 결과를 사용자 단말(100)을 통해 시각화 하는데 효과적으로 활용될 수 있다.
도 11은 본 개시의 일 실시예에 따른 서버의 이진 이미지 생성 과정을 나타낸 개념도이다.
본 개시의 일 실시예에 따른 서버(200)의 프로세서는 사전 학습된 신경망 모델을 사용하여 의료 영상의 관심 영역에 존재하는 DAB 염색 세포를 둘러싸는 바운딩 박스 이미지(41)를 생성할 수 있다. 바운딩 박스 이미지(41)는 하나의 DAB 염색 세포의 모든 영역을 포함하는 최소 크기의 이미지이므로, DAB 염색 세포 뿐만 아니라 DAB 염색 세포의 주변 조직도 일부 포함할 수 밖에 없다. 도 4의 바운딩 박스 이미지(41)는 사각 이미지이지만, 사용자에 의해 설정되는 바에 따라 오각 이미지 등과 같은 다른 다각 이미지일 수도 있고, 원형 이미지일 수도 있다.
바운딩 박스 이미지(41) 내에 존재하는 DAB 염색 세포의 염색 비율을 정확하고 손쉽게 산출하기 위해서, 서버(200)의 프로세서는 바운딩 박스 이미지(41)를 이진 이미지(42)로 변환시킬 수 있다. 바운딩 박스 이미지(41)를 이진 이미지(42)로 변환시키기 위해서, 서버(200)의 프로세서는 바운딩 박스 이미지(41) 내 픽셀들의 염색 강도를 DAB 양성 세포로 분류되기 위한 최소 기준 강도에 해당하는 임계값과 비교하여 바운딩 박스 이미지(41)를 이진 처리할 수 있다. 즉, 서버(200)의 프로세서는 바운딩 박스 이미지(41)에서 DAB 염색으로 발현된 양성 세포에 해당하는 픽셀들을 기준으로 이진 이미지(42)를 생성할 수 있다. 이진 이미지(42)에서 회색 영역이 DAB 양성 영역, 검은색 영역이 DAB 음성 영역 혹은 DAB 염색 세포 영역이 아닌 주변 조직 영역을 나타낸다. 서버(200)의 프로세서는 이진 이미지(42)를 통해 DAB 양성 영역을 손쉽게 구분하여 DAB 양성 영역의 이진 이미지(42) 전체 영역에 대한 넓이의 비율을 빠르고 정확하게 연산할 수 있다.
한편, 본 개시의 일 실시예에 따라 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다.
데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자 정의 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 영구 저장 장치)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 장치는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.
데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.
비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.
데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등을 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다.
데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드에서 출력되는 데이터 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
도 12는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.
일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드(handheld) 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.
본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.
컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.
컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.
컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.
시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.
컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.
이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.
운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.
사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.
모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.
컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.
LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.
컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.
Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.
제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
Claims (19)
- 적어도 하나의 프로세서를 포함하는 사용자 단말에 의해 수행되는 의료 영상 분석 방법으로서,
사용자 인터페이스 상의 제 1 사용자 입력에 기초하여 의료 영상의 관심 영역을 결정하는 단계;
상기 관심 영역의 식별 정보와 외곽선 정보를 서버로 전송하고, 상기 서버로부터 상기 관심 영역에 존재하는 염색된 세포의 위치 정보 및 염색 정보를 수신하는 단계;
상기 관심 영역에 존재하는 염색된 세포의 위치 정보 및 염색 정보를 이용하여, 상기 사용자 인터페이스 상의 제 2 사용자 입력에 따라 조정 가능한 임계값을 기준으로 상기 관심 영역에 존재하는 세포를 양성 혹은 음성으로 구별하는 단계; 및
상기 양성 혹은 음성으로 구별된 세포에 대한 분석 정보를 상기 사용자 인터페이스를 통해 출력하는 단계;
를 포함하는,
방법.
- 제 1 항에 있어서,
분석 대상이 되는 의료 영상을 해상도 레벨 별로 변환하여 저장하는 단계; 및
상기 저장된 의료 영상에서, 상기 사용자 인터페이스 상의 제 3 사용자 입력에 따라 조정된 확대 레벨에 대응되는 해상도 레벨의 의료 영상을 상기 사용자 인터페이스를 통해 출력하는 단계;
를 더 포함하는,
방법.
- 제 1 항에 있어서,
상기 사용자 인터페이스 상의 제 1 사용자 입력에 기초하여 의료 영상의 관심 영역을 결정하는 단계는,
상기 제 1 사용자 입력에 따라 상기 의료 영상의 관심 영역을 폐곡선(closed contour)로 생성하는 단계;
를 포함하는,
방법.
- 제 1 항에 있어서,
상기 관심 영역의 외곽선 정보는,
상기 관심 영역의 외곽선의 기준이 되는 포인트의 좌표값을 포함하고,
상기 관심 영역의 외곽선의 기준이 되는 포인트는,
상기 제 1 사용자 입력에 따라 결정되는,
방법.
- 제 1 항에 있어서,
상기 관심 영역에 존재하는 염색된 세포의 위치 정보는,
상기 서버의 신경망 모델을 통해 상기 관심 영역을 포함하는 입력 영상에서 산출된, 상기 관심 영역에 존재하는 염색된 세포의 좌표값을 포함하고,
상기 관심 영역에 존재하는 염색된 세포의 염색 정보는,
상기 서버에서, 상기 좌표값에 대응하는 상기 관심 영역의 세포 영역 내에서 산출된, 상기 염색된 세포의 염색 비율을 포함하는,
방법.
- 제 5 항에 있어서,
상기 염색된 세포의 염색 비율은,
상기 세포 영역 내에서 염색으로 발현된 세포의 양성 영역의 넓이의 상기 세포 영역의 전체 넓이에 대한 비의 값인,
방법.
- 제 5 항에 있어서,
상기 염색된 세포의 염색 비율은,
상기 서버에서, 상기 관심 영역의 염색 강도를 기준으로 생성된 상기 세포 영역에 대한 이진 이미지를 기초로 산출되는,
방법.
- 제 1 항에 있어서,
상기 사용자 인터페이스 상의 제 2 사용자 입력에 따라 조정 가능한 임계값은,
상기 관심 영역에 존재하는 세포를 양성 혹은 음성으로 구분하기 위한 염색 발현 강도를 나타내는 제 1 기준값;
을 포함하는,
방법.
- 제 8 항에 있어서,
상기 사용자 인터페이스 상의 제 2 사용자 입력에 따라 조정 가능한 임계값은,
상기 제 1 기준값에 따라 결정된 양성 세포를 염색 발현 강도에 따라 구별하기 위한 제 2 기준값;
을 더 포함하는,
방법.
- 제 1 항에 있어서,
상기 관심 영역에 존재하는 세포를 양성 혹은 음성으로 구별하는 단계는,
상기 임계값과 상기 관심 영역에 존재하는 염색된 세포의 염색 정보를 비교하여 상기 세포를 양성 혹은 음성으로 구별하는 단계;
를 포함하는,
방법.
- 제 10 항에 있어서,
상기 임계값과 상기 관심 영역에 존재하는 염색된 세포의 염색 정보를 비교하여 상기 세포를 양성 혹은 음성으로 구별하는 단계는,
상기 임계값에 포함된 제 1 기준값과 상기 관심 영역에 존재하는 염색된 세포의 염색 정보를 비교하여 상기 세포를 양성 혹은 음성으로 구별하는 단계; 및
상기 임계값에 포함된 제 2 기준값과 상기 제 1 기준값에 따라 구별된 양성 세포의 염색 정보를 비교하여 상기 양성 세포를 염색 발현 강도에 따라 구별하는 단계;
를 포함하는,
방법.
- 제 1 항에 있어서,
상기 관심 영역에 존재하는 세포를 양성 혹은 음성으로 구별하는 단계는,
상기 사용자 인터페이스 상의 제 2 사용자 입력에 의해 상기 임계값이 조정되는 경우, 상기 조정된 임계값을 기초로 상기 세포를 양성 혹은 음성으로 구별한 결과를 업데이트하는 단계;
를 포함하는,
방법.
- 제 1 항에 있어서,
상기 분석 정보를 상기 사용자 인터페이스를 통해 출력하는 단계는,
상기 임계값에 포함된 제 1 기준값을 이용하여 구별된 양성 세포와 음성 세포를 서로 다른 색상으로 표시한 의료 영상을 상기 사용자 인터페이스의 제 1 영역으로 출력하는 단계;
를 포함하는,
방법.
- 제 13 항에 있어서,
상기 임계값에 포함된 제 1 기준값을 이용하여 구별된 양성 세포는,
상기 임계값에 포함된 제 2 기준값을 이용하여 구별된 염색 발현 강도에 따라 서로 다른 색상으로 표시되는,
방법.
- 제 13 항에 있어서,
상기 임계값을 이용하여 구별된 양성 세포와 음성 세포를 서로 다른 색상으로 표시한 의료 영상을 상기 사용자 인터페이스의 제 1 영역으로 출력하는 단계는,
상기 임계값을 이용하여 구별된 양성 세포와 음성 세포를 서로 다른 색상으로 표시한 의료 영상의 관심 영역을 별개의 이미지로 저장하는 단계; 및
상기 사용자 인터페이스 상의 제 3 사용자 입력에 따라 상기 관심 영역에 대한 확대 레벨이 조정되거나 상기 관심 영역이 상기 제 1 영역에서 이동되는 경우, 상기 제 3 사용자 입력에 맞추어 상기 별개의 이미지로 저장된 관심 영역의 크기 혹은 좌표를 변환하는 단계;
를 포함하는,
방법.
- 제 1 항에 있어서,
상기 분석 정보를 상기 사용자 인터페이스를 통해 출력하는 단계는,
상기 임계값을 이용하여 구별된 음성 세포의 개수, 상기 임계값을 이용하여 구별된 양성 세포의 개수, 상기 양성 세포의 개수에 기초한 제 1 비율, 또는 상기 관심 영역에 존재하는 염색 세포의 염색 발현 강도의 전체 평균에 기초한 제 2 비율 중 적어도 하나를 상기 사용자 인터페이스의 제 2 영역으로 출력하는 단계;
를 포함하는,
방법.
- 제 1 항에 있어서,
상기 사용자 인터페이스는,
상기 제 1 사용자 입력을 수신하고, 상기 관심 영역을 결정하기 위한 의료 영상, 상기 관심 영역을 시각화한 의료 영상 또는 상기 임계값을 이용하여 구별된 양성 세포와 음성 세포를 서로 다른 색상으로 표시한 의료 영상을 출력하는 제 1 영역;
상기 임계값을 이용하여 구별된 음성 세포의 개수, 상기 임계값을 이용하여 구별된 양성 세포의 개수, 상기 양성 세포의 개수에 기초한 제 1 비율, 또는 상기 관심 영역에 존재하는 염색 세포의 염색 발현 강도의 전체 평균에 기초한 제 2 비율 중 적어도 하나를 출력하는 제 2 영역; 및
상기 제 2 사용자 입력을 수신하고, 상기 임계값에 대한 정보를 출력하는 제 3 영역;
을 포함하는,
방법.
- 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 의료 영상을 분석하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은:
사용자 인터페이스 상의 제 1 사용자 입력에 기초하여 의료 영상의 관심 영역을 결정하는 동작;
상기 관심 영역에 존재하는 염색된 세포의 위치 정보 및 염색 정보를 이용하여, 상기 사용자 인터페이스 상의 제 2 사용자 입력에 따라 조정 가능한 임계값을 기준으로 상기 관심 영역에 존재하는 세포를 양성 혹은 음성으로 구별하는 동작; 및
상기 양성 혹은 음성으로 구별된 세포에 대한 분석 정보를 상기 사용자 인터페이스를 통해 출력하는 동작;
을 포함하되,
상기 관심 영역에 존재하는 염색된 세포의 위치 정보 및 염색 정보는,
상기 관심 영역의 식별 정보와 외곽선 정보를 전달받은 서버로부터 수신된,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 의료 영상을 분석하기 위한 사용자 단말로서,
하나 이상의 코어를 포함하는 프로세서;
메모리; 및
서버와의 통신을 위한 네트워크부; 및
사용자 인터페이스를 제공하기 위한 출력부;
를 포함하고,
상기 프로세서는,
상기 사용자 인터페이스 상의 제 1 사용자 입력에 기초하여 의료 영상의 관심 영역을 결정하고,
상기 관심 영역에 존재하는 염색된 세포의 위치 정보 및 염색 정보를 이용하여, 상기 사용자 인터페이스 상의 제 2 사용자 입력에 따라 조정 가능한 임계값을 기준으로 상기 관심 영역에 존재하는 세포를 양성 혹은 음성으로 구별하며,
상기 양성 혹은 음성으로 구별된 세포에 대한 분석 정보를 상기 사용자 인터페이스를 통해 출력하고,
상기 네트워크부는,
상기 관심 영역의 식별 정보와 외곽선 정보를 상기 서버로 전송하고, 상기 서버로부터 상기 관심 영역에 존재하는 염색된 세포의 위치 정보 및 염색 정보를 수신하는,
단말.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210139898A KR20230056175A (ko) | 2021-10-20 | 2021-10-20 | 의료 영상 분석 방법 |
| PCT/KR2022/015917 WO2023068787A1 (ko) | 2021-10-20 | 2022-10-19 | 의료 영상 분석 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210139898A KR20230056175A (ko) | 2021-10-20 | 2021-10-20 | 의료 영상 분석 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230056175A true KR20230056175A (ko) | 2023-04-27 |
Family
ID=86059486
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210139898A KR20230056175A (ko) | 2021-10-20 | 2021-10-20 | 의료 영상 분석 방법 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR20230056175A (ko) |
| WO (1) | WO2023068787A1 (ko) |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2017345812B2 (en) * | 2016-10-21 | 2019-12-05 | Nantomics, Llc | Digital histopathology and microdissection |
| CN114341952A (zh) * | 2019-09-09 | 2022-04-12 | 佩治人工智能公司 | 用于处理玻片的图像以推断生物标志物的系统和方法 |
| CA3166288A1 (en) * | 2020-01-30 | 2021-08-05 | Thibaut TROUDE | Systematic characterization of objects in a biological sample |
-
2021
- 2021-10-20 KR KR1020210139898A patent/KR20230056175A/ko unknown
-
2022
- 2022-10-19 WO PCT/KR2022/015917 patent/WO2023068787A1/ko unknown
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023068787A1 (ko) | 2023-04-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11810677B2 (en) | Systems and methods for multiple instance learning for classification and localization in biomedical imaging | |
| Dov et al. | Weakly supervised instance learning for thyroid malignancy prediction from whole slide cytopathology images | |
| Ionescu et al. | Prediction of reader estimates of mammographic density using convolutional neural networks | |
| US20210216745A1 (en) | Cell Detection Studio: a system for the development of Deep Learning Neural Networks Algorithms for cell detection and quantification from Whole Slide Images | |
| KR102492463B1 (ko) | 병변 판독 결과 표시 방법 | |
| KR20230125169A (ko) | 조직의 이미지 처리 방법 및 조직의 이미지 처리 시스템 | |
| Berman et al. | PathML: a unified framework for whole-slide image analysis with deep learning | |
| Shamrat et al. | Analysing most efficient deep learning model to detect COVID-19 from computer tomography images | |
| US20240054639A1 (en) | Quantification of conditions on biomedical images across staining modalities using a multi-task deep learning framework | |
| KR102354476B1 (ko) | 뉴럴 네트워크를 이용한 방광병변 진단 시스템 제공방법 및 그 시스템 | |
| KR20230021665A (ko) | 디지털 병리학에서 현저한 정보를 결정하기 위해 전자 이미지들을 처리하는 시스템들 및 방법들 | |
| CN113705595A (zh) | 异常细胞转移程度的预测方法、装置和存储介质 | |
| KR20230056175A (ko) | 의료 영상 분석 방법 | |
| US20220172370A1 (en) | Method for detecting white matter lesions based on medical image | |
| KR20230027164A (ko) | 조직 맵 시각화를 생성하기 위해 전자 이미지를 처리하는 시스템 및 방법 | |
| KR20220050014A (ko) | 영상 분석을 위한 사용자 인터페이스 | |
| TWI836394B (zh) | 醫療影像處理之方法、裝置及電腦程式 | |
| Ionescu et al. | Using a convolutional neural network to predict readers' estimates of mammographic density for breast cancer risk assessment | |
| RS | CoC-ResNet-classification of colorectal cancer on histopathologic images using residual networks | |
| KR102569976B1 (ko) | 의료 영상 처리 방법 | |
| KR102534088B1 (ko) | 의료 데이터 검색 방법 | |
| EP4369354A1 (en) | Method and apparatus for analyzing pathological slide images | |
| Li et al. | Development and validation of an artificial intelligence-powered acne grading system incorporating lesion identification | |
| Ghashghaei et al. | Grayscale Image Statistical Attributes Effectively Distinguish the Severity of Lung Abnormalities in CT Scan Slices of COVID-19 Patients | |
| US20220237780A1 (en) | Method for detecting serial section of medical image |