KR20230080825A - X 레이 영상을 이용한 병소 체적 정보 추정 방법 및 분석장치 - Google Patents

X 레이 영상을 이용한 병소 체적 정보 추정 방법 및 분석장치 Download PDF

Info

Publication number
KR20230080825A
KR20230080825A KR1020210168323A KR20210168323A KR20230080825A KR 20230080825 A KR20230080825 A KR 20230080825A KR 1020210168323 A KR1020210168323 A KR 1020210168323A KR 20210168323 A KR20210168323 A KR 20210168323A KR 20230080825 A KR20230080825 A KR 20230080825A
Authority
KR
South Korea
Prior art keywords
lesion
ray image
area
volume information
detection probability
Prior art date
Application number
KR1020210168323A
Other languages
English (en)
Inventor
정명진
차윤기
임채영
Original Assignee
사회복지법인 삼성생명공익재단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 사회복지법인 삼성생명공익재단 filed Critical 사회복지법인 삼성생명공익재단
Priority to KR1020210168323A priority Critical patent/KR20230080825A/ko
Priority to PCT/KR2022/015555 priority patent/WO2023101203A1/ko
Publication of KR20230080825A publication Critical patent/KR20230080825A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G06T7/00—Image analysis
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

X 레이 영상을 이용한 병소 체적 추정 방법은 분석장치가 환자의 2D X 레이 영상을 입력받는 단계, 상기 분석장치가 상기 X 레이 영상을 기계학습모델에 입력하여 특정 병소에 대한 검출 확률을 결정하는 단계 및 상기 분석장치가 상기 X 레이 영상에서 검출되는 상기 병소의 면적 및 상기 검출 확률을 기준으로 상기 병소의 3D 체적을 추정하는 단계를 포함한다.

Description

X 레이 영상을 이용한 병소 체적 정보 추정 방법 및 분석장치{ESTIMATING METHOD FOR VOLUME OF LESION USING X RAY IMAGE AND ANALYSIS APPARATUS}
이하 설명하는 기술은 2차원 X 레이 영상을 이용하여 특정 병소의 3차원 체적에 대한 정보를 산출하는 기법에 관한 것이다.
X 레이 영상은 다양한 질병 검사를 위한 기본적인 의료 영상이다. 예컨대, 의료진은 흉부 X 레이를 이용하여 환자의 폐결절을 확인할 수 있다. 폐결절과 같은 병소가 발견되면, 의료진은 주기적인 X 레이 영상 촬영을 통해 병소의 크기를 모니터링하게 된다.
미국등록특허 제7596256호
일반적으로 의료진은 X 레이 영상에서 병소의 크기를 목측 또는 자를 이용하여 결정의 크기를 확인한다. 나아가, 의료진은 CAD (computer aided diagnosis)를 이용하여 결정의 외연을 그리는 방식으로 면적을 확인할 수도 있다. 그러나, 병소는 3D 공간의 객체이기에 2D인 X 레이 영상만으로 정확한 크기의 변화를 관측하기 어렵다. 나아가, X 레이 영상은 CT(computer tomography)보다 선예도가 떨어져 결절 음영의 외연을 정확하게 결정하기 어려운 한계점도 있다.
이하 설명하는 기술은 2D X 레이 영상에서 학습모델로 확인되는 병소 검출 확률과 병소의 면적이 병소의 체적과 일정한 상관 관계가 있다는 연구 결과를 바탕으로 X 레이 영상에 기반한 병소의 체적 정보 추정 기법을 제공하고자 한다.
X 레이 영상을 이용한 병소 체적 정보 추정 방법은 분석장치가 환자의 2D X 레이 영상을 입력받는 단계, 상기 분석장치가 상기 X 레이 영상을 기계학습모델에 입력하여 특정 병소에 대한 검출 확률을 결정하는 단계 및 상기 분석장치가 상기 X 레이 영상에서 검출되는 상기 병소의 면적 및 상기 검출 확률을 기준으로 상기 병소의 3D 체적 정보를 추정하는 단계를 포함한다.
X 레이 영상을 이용하여 병소 체적 정보를 추정하는 분석장치는 환자의 2D X 레이 영상을 입력받는 입력장치, 대상자의 X 레이 영상을 기준으로 특정 병소의 발생 가능성을 분류하도록 사전에 학습된 기계학습모델을 저장하는 저장장치 및 상기 환자의 X 레이 영상을 기계학습모델에 입력하여 상기 특정 병소에 대한 검출 확률을 결정하고, 상기 X 레이 영상에서 검출되는 상기 병소의 면적 및 상기 검출 확률을 기준으로 상기 병소의 3D 체적 정보를 추정하는 연산장치를 포함한다.
이하 설명하는 기술은 2D X 레이 영상을 기준으로 병소의 체적 정보를 산출하여 환자에 대한 정확한 진단을 가능하게 한다. 진단 결과에 기반하여 의료진은 환자 상태에 맞는 적절한 치료 지침을 결정할 수 있다.
도 1은 X 레이 영상을 이용한 병소 체적 정보 추정 시스템에 대한 예이다.
도 2는 흉부 폐결절 대상으로 면적, 체적 및 검출 확률 사이의 상관 관계를 나타내는 결과이다.
도 3은 흉부 폐결절 대상으로 면적과 검출 확률을 CT 상의 체적에 대하여 맞춤(fttting)한 결과이다.
도 4는 흉부 폐결절 대상으로 면적과 체적 사이의 상관 관계를 나타내는 결과이다.
도 5는 면적과 검출 확률을 CT 상의 체적에 대하여 맞춤한 결과의 다른 예이다.
도 6은 X 레이 영상을 이용한 병소 체적 정보 추정 과정에 대한 예이다.
도 7은 X 레이 영상을 이용하여 병소 체적 정보를 추정하는 분석장치에 대한 예이다.
이하 설명하는 기술은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나, 이는 이하 설명하는 기술을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 이하 설명하는 기술의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 해당 구성요소들은 상기 용어들에 의해 한정되지는 않으며, 단지 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 이하 설명하는 기술의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
본 명세서에서 사용되는 용어에서 단수의 표현은 문맥상 명백하게 다르게 해석되지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함한다" 등의 용어는 설명된 특징, 개수, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 의미하는 것이지, 하나 또는 그 이상의 다른 특징들이나 개수, 단계 동작 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 배제하지 않는 것으로 이해되어야 한다.
도면에 대한 상세한 설명을 하기에 앞서, 본 명세서에서의 구성부들에 대한 구분은 각 구성부가 담당하는 주기능 별로 구분한 것에 불과함을 명확히 하고자 한다. 즉, 이하에서 설명할 2개 이상의 구성부가 하나의 구성부로 합쳐지거나 또는 하나의 구성부가 보다 세분화된 기능별로 2개 이상으로 분화되어 구비될 수도 있다. 그리고 이하에서 설명할 구성부 각각은 자신이 담당하는 주기능 이외에도 다른 구성부가 담당하는 기능 중 일부 또는 전부의 기능을 추가적으로 수행할 수도 있으며, 구성부 각각이 담당하는 주기능 중 일부 기능이 다른 구성부에 의해 전담되어 수행될 수도 있음은 물론이다.
또, 방법 또는 동작 방법을 수행함에 있어서, 상기 방법을 이루는 각 과정들은 문맥상 명백하게 특정 순서를 기재하지 않은 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 과정들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.
이하 설명하는 기술은 의료 영상을 이용하여 대상자의 병소 크기에 대한 정보를 추정하는 기법이다. 의료 영상은 X 레이 영상, 초음파 영상, CT(Computer Tomography) 영상, MRI(Magnetic Resonance Imaging) 영상 등 다양할 수 있다. 다만, 이하 설명하는 기술은 2D 의료 영상을 이용하여 병소 크기를 추정한다. 따라서, 이하 의료 영상은 2D 포맷의 다양한 의료 영상 중 어느 하나일 수 있다. 예컨대, X 레이 영상, 3D 의료 영상으로부터 추출한 2D 합성 영상 등일 수 있다. 다만, 이하 설명의 편의를 위하여 X 레이 영상을 중심으로 설명한다.
X 레이 영상은 질환의 종류에 따라 다양한 신체 부위의 영상일 수 있다. 병소는 질환 진행에 따라 음영이 증가하는 병소에 해당한다. 이하 설명의 편의를 위하여 대상 병소를 폐결절을 중심으로 설명한다. 즉, 이하 X 레이 영상은 흉부 X 레이 영상에 해당한다.
이하 설명하는 기술은 병소 검출 확률을 위하여 X 레이 영상을 입력받아 특정 병소의 발생 확률을 출력하는 기계학습모델을 이용한다. 기계 학습 모델은 결정 트리, 랜덤 포레스트(random forest), KNN(K-nearest neighbor), 나이브 베이즈(Naive Bayes), SVM(support vector machine), ANN(artificial neural network) 등 다양한 유형 중 어느 하나일 수 있다.
이하 분석장치가 X 레이 영상에서 병소의 체적 정보를 추정한다고 설명한다. 분석 장치는 데이터 처리가 가능한 다양한 장치로 구현될 수 있다. 예컨대, 분석 장치는 PC, 네트워크상의 서버, 스마트 기기, 전용 프로그램이 임베딩된 칩셋 등으로 구현될 수 있다.
체적 정보는 3D 공간에서의 병소 체적(volume) 또는 병소 체적과 일정한 상관 관계(비례 관계)있는 정보일 수 있다. 즉, 이하 체적 정보는 병소의 체적 자체이거나, 정확한 체적은 아니어도 병소의 크기를 정량할 수 있는 정보(값)일 수 있다.
도 1은 X 레이 영상을 이용한 병소 체적 정보 추정 시스템(100)에 대한 예이다. 도 1에서 분석장치는 컴퓨터 단말(130) 및 서버(140)인 예를 도시하였다.
X-ray 장비(110)는 대상자에 대한 흉부 X 레이 영상을 생성한다. 대상자의 흉부 X 레이 영상은 EMR(Electronic Medical Record, 120)에 저장될 수 있다.
도 1에서 사용자(A)는 컴퓨터 단말(130)을 이용하여 대상자의 흉부 X 레이 영상을 이용하여 병소의 체적 정보를 산출할 수 있다. 컴퓨터 단말(130)은 대상자의 흉부 X 레이 영상을 입력받는다. 컴퓨터 단말(130)은 유선 또는 무선 네트워크를 통해 X-ray 장비(110) 또는 EMR(120)로부터 흉부 X 레이 영상을 입력받을 수 있다. 경우에 따라 컴퓨터 단말(130)은 X-ray 장비(110)와 물리적으로 연결된 장치일 수도 있다.
컴퓨터 단말(130)은 대상자의 흉부 X 레이 영상을 기준으로 결정되는 병소의 2D 면적을 입력받는다. 또는 컴퓨터 단말(130)은 대상자의 흉부 X 레이 영상을 이용하여 병소의 2D 면적을 결정할 수도 있다.
컴퓨터 단말(130)은 흉부 X 레이 영상을 사전에 학습된 기계학습모델에 입력하여 병소의 검출 확률을 산출한다. 기계학습모델은 X 레이 영상에서 특정 병소(폐결절)의 발생 확률을 산출하는 모델이다. 기계학습모델은 사전에 지도학습 방식으로 학습되어야 한다. 폐결절이 대상 병소라면, 기계학습모델은 X 레이 영상이 입력되면 해당 영상에서 폐결절이 존재하는지에 대한 분류 결과(확률)를 산출하는 모델에 해당한다. 기계학습모델은 특정 병소에 특이적으로 사전에 학습될 수 있다.
컴퓨터 단말(130)은 X 레이 영상에서의 병소 면적과 전술한 검출 확률을 이용하여 병소의 체적 정보를 추정할 수 있다. 사용자 A는 분석 결과를 확인할 수 있다.
서버(140)는 X-ray 장비(110) 또는 EMR(120)로부터 대상자의 흉부 X 레이 영상을 수신할 수 있다. 서버(140)는 대상자의 흉부 X 레이 영상을 기준으로 결정되는 병소의 2D 면적을 수신할 수 있다. 이 경우, 서버(140)는 의료진이 이용하는 단말로부터 병소의 면적 정보를 수신할 수 있다. 또는 서버(140)는 대상자의 흉부 X 레이 영상을 이용하여 병소의 2D 면적을 결정할 수도 있다.
서버(140)는 흉부 X 레이 영상을 사전에 학습된 기계학습모델에 입력하여 병소의 검출 확률을 산출한다. 기계학습모델은 X 레이 영상에서 특정 병소(폐결절)의 발생 확률을 산출하는 모델이다.
서버(140)는 X 레이 영상에서의 병소 면적과 전술한 검출 확률을 이용하여 병소의 체적 정보를 추정할 수 있다. 서버(140)는 분석 결과는 사용자 A의 단말에 전송할 수 있다. 사용자 A는 분석 결과를 확인할 수 있다.
컴퓨터 단말(130) 및/또는 서버(140)는 분석 결과를 EMR(120)에 저장할 수도 있다.
연구자는 X 레이 영상을 이용하여 체적 정보를 결정하는데, X 레이 영상에서 기계학습모델(AI 모델)이 산출하는 검출 확률 정보를 활용하였다. 연구자는 기계학습모델이 X 레이 영상에서 페결절을 검출하는 확률이 높다면 명확한 결정이고, 명확한 결절은 결국 밀도가 치밀하거나 체적이 큰 결절이라는 가설을 세우고, 이를 검증하였다.
연구자는 폐결절 환자를 대상으로 일정한 시간 간격으로 획득한 영상 정보를 수집하였다. 연구자는 소속 의료 기관에서 전체 315명의 환자에 대한 영상 정보를 활용하였다. 이 과정에서 개인 정보 보호를 위하여 모든 환자 정보와 영상 식별 정보를 익명화하여 사용하였다. 이중 일정한 시간 경과에 따라 폐결절의 크기 변동이 있고, X 레이 영상과 더불어 CT 영상까지 확보한 대상자 72명을 선별하여 연구하였다. 이하 연구 과정에서 도출된 결과 및 회귀분석 결과를 설명한다.
도 2는 흉부 폐결절 대상으로 면적, 체적 및 검출 확률 사이의 상관 관계를 나타내는 결과이다. 도 2는 선형 회귀(linear regression) 결과와 비선형 회귀(non-linear regression) 결과(2차)를 도시한다. 일부 도면은 각 회귀분석에 대한 RMSE(Root Mean Square Error)값도 표시하였다. 연구자는 CAD 프로그램을 이용하여 X 레이 영상에서 결절의 면적을 결정하였다.
도 2(A)는 X 레이 영상에서 결절의 면적(Area)과 CT 상의 체적(Volume)의 상관 관계를 나타낸 결과이다. 도 2(A)를 살펴보면, 면적과 체적은 상관 계수(corrcoef)가 0.58로 어느 정도 상관 관계를 갖고, 선형 회귀와 비선형 회귀의 차이가 크지 않다는 것을 알 수 있다.
도 2(B)는 X 레이 영상에서 결절의 평균 검출 확률(Prob.Mean)과 CT 상의 체적의 상관 관계를 나타낸 결과이다. 여기서 검출 확률은 사전에 학습한 기계학습모델이 X 레이 영상을 입력받아 출력하는 확률값이다. 연구자는 검출 확률의 평균값을 산출하였다. 즉, 동일한 X 레이 영상에 대하여 여러 번 검출 확률을 산출하여 이를 평균한 값을 검출 확률로 사용하였다. 도 2(B)에서 검출 확률과 CT 상의 체적의 상관 계수는 0.22로 낮은 상관성을 보였다.
도 2(C)는 X 레이 영상에서 결절의 면적과 결절의 평균 검출 확률의 상관 관계를 나타낸 결과이다. 도 2(C)를 살펴보면, 결절의 면적과 결절의 평균 검출 확률의 상관 계수는 0.73으로 높은 상관성을 보였다. 또한, 결절의 면적과 결정의 평균 검출 확률은 높은 선형성을 보였다.
도 3은 흉부 폐결절 대상으로 면적과 검출 확률을 CT 상의 체적에 대하여 맞춤한 결과이다. 도 3은 결절의 면적과 검출 확률을 CT 상의 체적에 대하여 선형 회귀를 이용하여 2D 평면에 맞춤한 결과이다. 도 3(A), 도 3(B) 및 도 3(C)는 동일한 결과를 서로 다른 각도로 나타낸 것이다. 2D 평면 방정식은 "14886.637214 + (29.288656) * (면적 - (57206.109259)) * 검출 확률 = 체적"으로 설정하였다. CT 체적이 비교적 커서 평면 위로 올라온 포인트들이 관찰된다(도 2(C)에서 원 영역). 그러나, 도 3을 살펴보면, 전체적으로 결절의 면적과 검출 확률이 CT 상의 체적에 대하여 평면상에 위치하는 것을 알 수 있다. 따라서, "X 레이 영상의 결절 면적과 검출 확률"이 CT 상의 체적과 일정한 연관성을 갖는다는 것을 알 수 있다.
도 4는 흉부 폐결절 대상으로 면적과 체적 사이의 상관 관계를 나타내는 결과이다. 도 4는 면적만을 갖고 CT 체적에 선형 맞춤한 결과에 해당한다. 도 4는 도 2(A)에 도시한 흉부 폐결절 대상으로 면적과 체적 사이의 상관 관계에 대하여 모델 기반 비선형 회귀(model-based non-linear regression) 결과(1.5차)를 추가한 예이다. 모델 기반 비선형 회귀에서 모델은 "CT 체적 ∝ α * 면적0.5 + β * 면적 + γ * 면적1 .5 + δ"로 체적과 면적의 관계를 설정하였다. 도 4를 살펴보면, 선형 회귀와 비선형 회귀는 각각 RMSE가 9445.95 및 9449.88로 비슷하지만, 모델 기반 비선형 회귀는 RMSE가 9395.73으로 선형 회귀나 비선형 회귀보다는 조금 낮아졌다.
도 5는 면적과 검출 확률을 CT 상의 체적에 대하여 맞춤한 결과의 다른 예이다. 도 4는 도 4와 달리 결절의 면적과 더불어 결절의 검출 확률을 CT 상의 체적에 2D 맞춤한 결과이다. 도 5(A)는 선형 회귀를 통해 2D 맞춤한 결과이고, 도 5(B)는 비선형 회귀를 통해 2D 맞춤한 결과이고, 도 5(C)는 모델 기반 비선형 회귀를 통해 2D 맞춤한 결과이다.
도 4에서 선형 회귀를 맞춤한 결과 RMSE는 9445.95였는데, 도 5(A)를 살펴보면 RMSE가 8781.24로 결과가 향상되었다. 도 4에서 비선형 회귀를 맞춤한 결과 RMSE는 9449.88이었는데, 도 5(B)를 살펴보면 RMSE가 8351.0으로 결과가 향상되었다. 또한, 도 4에서 모델 기반 비선형 회귀를 맞춤한 결과 RMSE는 9395.73이었는데, 도 5(A)를 살펴보면 RMSE가 7975.55로 결과가 향상되었다.
도 4와 도 5를 참고하면, X 레이 영상의 병소 면적만을 사용하는 경우보다 병소 면적과 함께 검출 확률을 사용하는 경우 CT 상의 체적에 부합하는 것을 알 수 있다. 즉, 결절의 면적과 결절의 검출 확률이란 정보를 이용하면 결정의 체적에 관한 정보를 보다 정확하게 추정할 수 있다.
도 6은 X 레이 영상을 이용한 병소 체적 정보 추정 과정(200)에 대한 예이다.
먼저, 분석 장치는 X 레이 장비가 촬영한 환자의 X 레이 영상을 입력받는다(210). X 레이 영상은 일정한 병소 영역을 포함한다고 가정한다.
분석장치는 입력된 X 레이 영상을 기준으로 병소 면적을 결정한다(220). 병소 면적은 의료진이 CAD를 이용하여 병소 영역을 표시하여 산출된 값일 수 있다. 이 경우, 분석장치는 CAD 프로그램을 통해 산출된 병소 면적을 입력받거나 전달받을 수 있다.
나아가 분석장치는 X 레이 영상을 이용하여 직접 병소 면적을 산출할 수도 있다. 예컨대, 분석장치가 영상 처리 기법으로 병소 영역을 구분하고, 해당 영역의 면적을 산출할 수 있다. 또는, 분석장치가 사전에 학습된 세그멘테이션(segmentation) 모델에 X 레이 영상을 입력하여 병소 영역을 구분할 수 있고, 구분된 영역의 면적을 산출할 수 있다. 세그멘테테이션 모델은 U-net, FCN(fully convolutional networks) 등으로 구현될 수 있다.
분석장치는 기계학습모델에 환자의 X 레이 영상을 입력하여 병소를 분류한다(230). 도 6은 CNN과 같은 인공신경망을 기계학습모델로 예시하였다. X 레이 영상에서 특정 병소를 분류하도록 사전에 학습된 인공신경망 모델은 X 레이 영상이 입력되면 해당 영상에서 병소가 존재할 확률값(검출 확률)을 산출한다.
분석장치는 병소 면적과 검출 확률을 이용하여 병소의 체적 정보를 결정할 수 있다(240). 예컨대, 분석장치는 병소 면적에 검출 확률을 곱하여 체적 정보를 산출할 수 있다. 또는, 분석장치는 병소 명적과 검출 확률을 변수로 갖는 일정한 함수를 이용하여 체적 정보를 산출할 수도 있다.
도 7은 X 레이 영상을 이용하여 병소 체적 정보를 추정하는 분석장치(300)에 대한 예이다. 분석장치(300)는 전술한 분석장치(도 1의 130 및 140)에 해당한다. 분석장치(300)는 물리적으로 다양한 형태로 구현될 수 있다. 예컨대, 분석장치(300)는 PC와 같은 컴퓨터 장치, 네트워크의 서버, 데이터 처리 전용 칩셋 등의 형태를 가질 수 있다.
분석장치(300)는 저장장치(310), 메모리(320), 연산장치(330), 인터페이스 장치(340), 통신장치(350) 및 출력장치(360)를 포함할 수 있다.
저장장치(310)는 환자의 X 레이 영상을 저장할 수 있다. 전술한 바와 같이 분석 대상은 환자의 2D 의료 영상이다. 따라서, 분석 대상은 X 레이 영상이 아닌 다른 유형의 영상일 수도 있다.
저장장치(310)는 병소 검출을 위하여 학습된 기계학습모델을 저장할 수 있다.
저장장치(310)는 X 레이 영상을 일정하게 전처리하기 위한 프로그램을 저장할 수 있다.
저장장치(310)는 X 레이 영상에서 병소 크기를 산출하는 CAD 프로그램, X 레이 영상에서 병소 영역을 구분하는 세그멘테이션 모델을 저장할 수 있다.
저장장치(310)는 분석 결과인 병소 체적 정보를 저장할 수 있다.
메모리(320)는 분석장치(300)가 X 레이 영상을 전처리하는 과정, 병소 면적을 결정하는 과정, 병소의 검출 확률을 결정하는 과정 및 병소의 체적 정보를 산출하는 과정에서 생성되는 데이터 및 정보 등을 저장할 수 있다.
인터페이스 장치(340)는 외부로부터 일정한 명령 및 데이터를 입력받는 장치이다. 인터페이스 장치(340)는 물리적으로 연결된 입력 장치 또는 외부 저장장치로부터 환자의 X 레이 영상을 입력받을 수 있다. 인터페이스 장치(340)는 외부 장치로부터 X 레이 영상의 병소 면적을 입력받을 수 있다.
인터페이스 장치(340)는 분석 결과를 외부 객체에 전달할 수도 있다.
통신장치(350)는 유선 또는 무선 네트워크를 통해 일정한 정보를 수신하고 전송하는 구성을 의미한다. 통신장치(350)는 외부 객체로부터 환자의 X 레이 영상을 수신할 수 있다. 통신장치(350)는 외부 객체로부터 X 레이 영상의 병소 면적을 수신할 수도 있다. 또는 통신장치(350)는 분석 결과를 사용자 단말과 같은 외부 객체에 송신할 수도 있다.
인터페이스 장치(340) 및 통신장치(350)는 사용자 또는 다른 물리적 객체로부터 일정한 데이터를 주고받는 구성이므로, 포괄적으로 입출력장치라고도 명명할 수 있다. X 레이 영상을 입력받는 기능에 한정하면 인터페이스 장치(340) 및 통신장치(350)는 입력장치라고 할 수도 있다.
출력장치(360)는 일정한 정보를 출력하는 장치이다. 출력장치(360)는 데이터 처리 과정에 필요한 인터페이스, 분석 결과 등을 출력할 수 있다.
연산 장치(330)는 저장장치(310)에 저장된 기계학습모델 내지 프로그램을 이용하여 X 레이 영상을 입력받아 병소 체적 정보를 추정할 수 있다.
연산 장치(330)는 입력받은 X 레이 영상을 일정하게 전처리할 수 있다. 예컨대, 연산 장치(330)는 X 레이 영상의 노이즈 제거, 밝기 조절과 같은 작업을 할 수 있다.
연산 장치(330)는 CAD 프로그램을 이용하여 X 레이 영상에서 병소 면적을 산출할 수 있다. 이 과정에서 인터페이스 장치(340)는 사용자로부터 병소 영역을 선택하는 명령을 입력받을 수도 있다.
연산 장치(330)는 X 레이 영상을 세그멘테이션 모델에 입력하여 병소 영역을 구분할 수 있다. 연산 장치(330)는 구분된 병소 영역에 대한 면적을 산출할 수 있다.
연산 장치(330)는 X 레이 영상을 사전에 학습된 기계학습모델에 입력하여 병소 검출 확률을 산출할 수 있다.
연산 장치(330)는 병소 면적과 검출 확률을 이용하여 체적 정보를 추정할 수 있다. 예컨대, 연산 장치(330)는 병소 면적과 검출 확률을 곱하여 체적 정보를 산출할 수 있다. 또는 연산 장치(330)는 병소 면적과 검출 확률을 변수로 갖는 수학적 연산 처리 과정을 통하여 체적 정보를 산출할 수도 있다.
연산 장치(330)는 데이터를 처리하고, 일정한 연산을 처리하는 프로세서, AP, 프로그램이 임베디드된 칩과 같은 장치일 수 있다.
또한, 상술한 바와 같은 병소 체적 정보 추정 방법은 컴퓨터에서 실행될 수 있는 실행가능한 알고리즘을 포함하는 프로그램(또는 어플리케이션)으로 구현될 수 있다. 상기 프로그램은 일시적 또는 비일시적 판독 가능 매체(non-transitory computer readable medium)에 저장되어 제공될 수 있다.
비일시적 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상술한 다양한 어플리케이션 또는 프로그램들은 CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM (read-only memory), PROM (programmable read only memory), EPROM(Erasable PROM, EPROM) 또는 EEPROM(Electrically EPROM) 또는 플래시 메모리 등과 같은 비일시적 판독 가능 매체에 저장되어 제공될 수 있다.
일시적 판독 가능 매체는 스태틱 램(Static RAM，SRAM), 다이내믹 램(Dynamic RAM，DRAM), 싱크로너스 디램 (Synchronous DRAM，SDRAM), 2배속 SDRAM(Double Data Rate SDRAM，DDR SDRAM), 증강형 SDRAM(Enhanced SDRAM，ESDRAM), 동기화 DRAM(Synclink DRAM，SLDRAM) 및 직접 램버스 램(Direct Rambus RAM，DRRAM) 과 같은 다양한 RAM을 의미한다.
본 실시예 및 본 명세서에 첨부된 도면은 전술한 기술에 포함되는 기술적 사상의 일부를 명확하게 나타내고 있는 것에 불과하며, 전술한 기술의 명세서 및 도면에 포함된 기술적 사상의 범위 내에서 당업자가 용이하게 유추할 수 있는 변형 예와 구체적인 실시례는 모두 전술한 기술의 권리범위에 포함되는 것이 자명하다고 할 것이다.

Claims (8)

  1. 분석장치가 환자의 2D X 레이 영상을 입력받는 단계;
    상기 분석장치가 상기 X 레이 영상을 기계학습모델에 입력하여 특정 병소에 대한 검출 확률을 결정하는 단계; 및
    상기 분석장치가 상기 X 레이 영상에서 검출되는 상기 병소의 면적 및 상기 검출 확률을 기준으로 상기 병소의 3D 체적 정보를 추정하는 단계를 포함하는
    X 레이 영상을 이용한 병소 체적 정보 추정 방법.
  2. 제1항에 있어서,
    상기 병소의 면적은
    상기 X 레이 영상에 대한 CAD (computer aided diagnosis) 프로그램을 이용하여 결정되거나,
    상기 X 레이 영상을 입력받아 병소 영역을 분할하는 세그멘테이션 모델을 이용하여 결정되는 X 레이 영상을 이용한 병소 체적 정보 추정 방법.
  3. 제1항에 있어서,
    상기 분석장치는 상기 병소의 면적에 상기 검출 확률을 곱한 결과를 기준으로 상기 체적 정보를 추정하는 X 레이 영상을 이용한 병소 체적 정보 추정 방법.
  4. 제1항에 있어서,
    상기 기계학습모델은 환자의 X 레이 영상을 입력받아 상기 특정 병소의 발생 가능성을 분류하도록 사전에 학습된 모델인 X 레이 영상을 이용한 병소 체적 정보 추정 방법.
  5. 환자의 2D X 레이 영상을 입력받는 입력장치;
    대상자의 X 레이 영상을 기준으로 특정 병소의 발생 가능성을 분류하도록 사전에 학습된 기계학습모델을 저장하는 저장장치; 및
    상기 환자의 X 레이 영상을 기계학습모델에 입력하여 상기 특정 병소에 대한 검출 확률을 결정하고, 상기 X 레이 영상에서 검출되는 상기 병소의 면적 및 상기 검출 확률을 기준으로 상기 병소의 3D 체적 정보를 추정하는 연산장치를 포함하는
    X 레이 영상을 이용하여 병소 체적 정보를 추정하는 분석장치.
  6. 제5항에 있어서,
    상기 입력장치는 상기 환자의 X 레이 영상을 기준으로 결정된 상기 특정 병소의 면적을 더 입력받는 X 레이 영상을 이용하여 병소 체적 정보를 추정하는 분석장치.
  7. 제5항에 있어서,
    상기 저장장치는 CAD (computer aided diagnosis) 프로그램 또는 X 레이 영상을 입력받아 병소 영역을 분할하는 세그멘테이션 모델을 더 저장하고,
    상기 연산장치는 상기 CAD 프로그램 또는 상기 세그멘테이션 모델을 이용하여 상기 환자의 X 레이 영상을 분석하여 상기 병소의 면적을 결정하는 X 레이 영상을 이용하여 병소 체적 정보를 추정하는 분석장치.
  8. 제5항에 있어서,
    상기 연산장치는 상기 병소의 면적에 상기 검출 확률을 곱한 결과를 기준으로 상기 체적을 추정하는 X 레이 영상을 이용하여 병소 체적 정보를 추정하는 분석장치.
KR1020210168323A 2021-11-30 2021-11-30 X 레이 영상을 이용한 병소 체적 정보 추정 방법 및 분석장치 KR20230080825A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020210168323A KR20230080825A (ko) 2021-11-30 2021-11-30 X 레이 영상을 이용한 병소 체적 정보 추정 방법 및 분석장치
PCT/KR2022/015555 WO2023101203A1 (ko) 2021-11-30 2022-10-14 X 레이 영상을 이용한 병소 체적 정보 추정 방법 및 분석장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210168323A KR20230080825A (ko) 2021-11-30 2021-11-30 X 레이 영상을 이용한 병소 체적 정보 추정 방법 및 분석장치

Publications (1)

Publication Number Publication Date
KR20230080825A true KR20230080825A (ko) 2023-06-07

Family

ID=86612549

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210168323A KR20230080825A (ko) 2021-11-30 2021-11-30 X 레이 영상을 이용한 병소 체적 정보 추정 방법 및 분석장치

Country Status (2)

Country Link
KR (1) KR20230080825A (ko)
WO (1) WO2023101203A1 (ko)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9846938B2 (en) * 2015-06-01 2017-12-19 Virtual Radiologic Corporation Medical evaluation machine learning workflows and processes
KR101992057B1 (ko) * 2018-08-17 2019-06-24 (주)제이엘케이인스펙션 혈관 투영 영상을 이용한 뇌질환 진단 방법 및 시스템
KR102186632B1 (ko) * 2019-01-07 2020-12-02 재단법인대구경북과학기술원 의료 영상의 분석 모델을 학습시키는 학습 장치 및 그 학습 방법
KR102281988B1 (ko) * 2019-04-04 2021-07-27 한국과학기술원 병변 해석을 위한 상호작용이 가능한 cad 방법 및 그 시스템
KR102237198B1 (ko) * 2020-06-05 2021-04-08 주식회사 딥노이드 인공지능 기반의 의료영상 판독 서비스 시스템

Also Published As

Publication number Publication date
WO2023101203A1 (ko) 2023-06-08

Similar Documents

Publication Publication Date Title
US11593943B2 (en) RECIST assessment of tumour progression
CN109102490B (zh) 自动图像注册质量评估
Punithakumar et al. Regional heart motion abnormality detection: An information theoretic approach
KR101835873B1 (ko) 의료 이미지들의 분할 불확실성의 계산 및 시각화를 위한 시스템들 및 방법들
US10417737B2 (en) Machine learning model for automatic image registration quality assessment and correction
CN107688815B (zh) 医学图像的分析方法和分析系统以及存储介质
EP3065072A1 (en) Apparatus and method for providing reliability for computer aided diagnosis
EP3686805A1 (en) Associating a population descriptor with a trained model
KR102097743B1 (ko) 인공지능 질환 판독 장치 및 방법
JP7240001B2 (ja) 画像の閲覧を支援する方法およびこれを利用した装置
EP4156096A1 (en) Method, device and system for automated processing of medical images to output alerts for detected dissimilarities
US20220301177A1 (en) Updating boundary segmentations
Geetha Pavani et al. A semantic contour based segmentation of lungs from chest x‐rays for the classification of tuberculosis using Naïve Bayes classifier
Rajeswari et al. Gradient contouring and texture modelling based cad system for improved tb classification
Bhaskar et al. Pulmonary nodule detection using Laplacian of Gaussian and deep convolutional neural network
KR20230080825A (ko) X 레이 영상을 이용한 병소 체적 정보 추정 방법 및 분석장치
US11515033B2 (en) Augmented inspector interface with targeted, context-driven algorithms
JP5132559B2 (ja) デジタル画像のセグメント化方法およびコンピュータ読み取り可能なプログラム記憶装置
US11928817B2 (en) Method for filtering normal medical image, method for interpreting medical image, and computing device implementing the methods
KR102706418B1 (ko) 심층강화학습을 이용한 두부 계측 방사선 영상의 계측점 검출 방법 및 분석장치
KR102577161B1 (ko) 엑스레이 이미지 내에서의 대상 병변의 크기 변화를 측정하는 방법 및 시스템
Kundu et al. Automated Cobb Angle Computation from Scoliosis Radiograph
Bromiley et al. Error Estimation for Appearance Model Segmentation of Musculoskeletal Structures Using Multiple, Independent Sub-models
KR20230060260A (ko) 패치 단위 대조 학습 모델을 이용한 의료 영상 분석 방법 및 분석 장치
KR20230090378A (ko) Ct 영상을 이용한 골 전이 검출 방법 및 분석장치