KR20230094855A - 딥러닝 기반 의료영상 요로 결석 자동 검출 및 분할 방법 - Google Patents
딥러닝 기반 의료영상 요로 결석 자동 검출 및 분할 방법 Download PDFInfo
- Publication number
- KR20230094855A KR20230094855A KR1020210184323A KR20210184323A KR20230094855A KR 20230094855 A KR20230094855 A KR 20230094855A KR 1020210184323 A KR1020210184323 A KR 1020210184323A KR 20210184323 A KR20210184323 A KR 20210184323A KR 20230094855 A KR20230094855 A KR 20230094855A
- Authority
- KR
- South Korea
- Prior art keywords
- image
- deep learning
- urinary
- stone
- automatic detection
- Prior art date
Links
- 208000009911 Urinary Calculi Diseases 0.000 title claims abstract description 46
- 208000008281 urolithiasis Diseases 0.000 title claims abstract description 39
- 238000013135 deep learning Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000011218 segmentation Effects 0.000 title claims description 13
- 238000001514 detection method Methods 0.000 title claims description 5
- 206010007027 Calculus urinary Diseases 0.000 claims abstract description 15
- 230000002269 spontaneous effect Effects 0.000 claims abstract description 12
- 238000002059 diagnostic imaging Methods 0.000 claims abstract description 9
- 239000004575 stone Substances 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 210000000626 ureter Anatomy 0.000 claims description 5
- 210000003932 urinary bladder Anatomy 0.000 claims description 5
- 210000003734 kidney Anatomy 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 210000003708 urethra Anatomy 0.000 claims description 3
- 230000003902 lesion Effects 0.000 claims description 2
- 238000002591 computed tomography Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000012805 post-processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 210000001635 urinary tract Anatomy 0.000 description 2
- 210000002700 urine Anatomy 0.000 description 2
- 208000008035 Back Pain Diseases 0.000 description 1
- 208000002193 Pain Diseases 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 208000006750 hematuria Diseases 0.000 description 1
- 208000021760 high fever Diseases 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000027939 micturition Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 210000003049 pelvic bone Anatomy 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/12—Arrangements for detecting or locating foreign bodies
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biomedical Technology (AREA)
- Radiology & Medical Imaging (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- High Energy & Nuclear Physics (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Optics & Photonics (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Physiology (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Pulmonology (AREA)
- Image Analysis (AREA)
Abstract
본 발명은 딥러닝 기반 의료영상 요로 결석 자동 검출 및 분할 방법에 관한 것으로, 컴퓨팅 시스템에서 수행되는 딥러닝 기반 의료영상 요로 결석 자동 검출 및 분할 방법에 있어서, 환자의 병변 부위를 단층 촬영한 영상을 정규화 과정을 거친 뒤 딥 러닝 알고리즘으로 학습하는 제1 단계; 상기 딥 러닝 알고리즘이 입력 영상을 분할하여 요로결석 영역을 분리한 분할 이미지를 생성하는 제2 단계; 및 상기 분할 이미지를 대상으로 요로결석 영역의 데이터를 정량화 하여 산출한 자연배출의 가능성을 출력하는 제3 단계;를 포함하는 것을 특징으로 한다.
Description
본 발명은 딥러닝 기반 의료영상 요로 결석 자동 검출 및 분할 방법에 관한 것으로, 더욱 상세하게는 딥 뉴럴 네트워크를 통해 요로결석 영역을 자동으로 분리및 산출할 수 있는 방법에 관한 것이다.
일반적으로 요로결석은 소변을 만들고, 이를 배설하는 길인 요로에 결석(돌)이 생긴 것을 말한다. 신장, 요관, 방관 등에 발생하는 모든 결석을 통칭하여 요로결석이라 부르며, 대부분의 경우 신장에서 만들어져 요관, 방광, 요도 등에서 발견된다. 결석을 이루는 대부분의 성분은 소변에 포함되어 있고, 복합적인 원인으로 인해 농축되어 작은 결정을 이루고, 이것이 점차 커져 요로결석이 생성된다. 결석의 위치에 따라 다른 증상들이 나타나며, 요관에 결석이 있는 경우 허리통증유발,방광의 경우 소변 시 심한 통증 및 배뇨곤란을 일으킬 수 있다. 이 외에도 고열이나 혈뇨 등이 동반되어 나타나는 경우도 있다.
크기가 작은 요로결석의 경우 대부분 자연적으로 배뇨할 때 빠져나오지만, 자연적으로 빠져나오지 않거나, 빠져나올 가능성이 많지 않은 경우에는 적극적으로 요로결석을 제거하는 치료가 요구된다.
요로결석의 경우 X-ray 등 단순 요로 촬영으로 결석을 확인할 수 있으나, 단순 방사선에 보이지 않는 결석을 진단할 수는 없고, 결석이 골반뼈에 가려지거나,다른 장기로 가려져 구별하기 어려울 수 있어 요로 조영술이나 전산화 단층촬영(CT)을 통해 결석 유무를 확인할 수 있다.
종래에는 환자의 단층촬영영상을 의사가 직접영상을 보며 찾아내고, 자 등의 측정기구를 통해 요로결석의 크기를 측정했다. 이러한 과정은 요로결석 발견에 큰 시간이 소요되었고, 장비마다 다른 측정 기준으로 정확한 값을 알기 어려웠다. 이는 요로결석에 대한 정확한 치료 방법을 결정하는데 영향을 주었고, 요로결석을 자동으로 찾아주고, 자연배출 가능성 등에 대한 정보를 제공하는 방법에 대한 개발의 수요가 꾸준히 증가하고 있다.
최근에는 딥 러닝(Deep learning)을 필두로 기계학습 알고리즘이 자동 탐지,분할 등 영역에서 각광을 받고 있다. 특히 딥 러닝 알고리즘의 일종인 CNN(Convolutional neural network)의 경우사람의 눈으로 사물을 인식하는 과정에서 큰 특징부터 작은 특징을 잡아내어 복잡한 연산이 이루어진 다는 것을 가정하고 있다. CNN을 이용한 분석에서는 영상의 특징을 추출하기 위해 학습되어지는 다양한 필더들과 비 선형적인 특성을 위한 함수들의 사용이 모델의 성능을 높이고 있다.
딥 러닝에 대한 관심이 깊어짐과 함께 전산화 단층촬영 등의 의료영상에서도 딥러닝을 사용한 시도들이 꾸준하게 증가하고 있다.
한국 공개특허공보 제10-2209086호에는 R-CNN을 기반으로 요로결석의 영역을 검출하고 자동으로 결석의 위치 및 크기를 포함하는 정보를 도출하는 요로결석 정보제공 방법이 게시되어 있다.
그러나, 이러한 방법의 경우 여러 장의 이미지를 겹쳐 결석의 크기를 계산하는 방법으로 영상 간의 오차가 발생할 경우 정확한 사이즈 측정이 어렵다는 단점이 있다. 요로결석 면적에 기초하여 계산된 요로결석의 부피는 사이즈 측정의 부정확으로 인해 오차가 발생할 가능성이 매우 높다. 또한 수술 확률에 대한 정보만을 제공하고, 실제 판단이 어려운 자연배출 가능 여부에 대한 정보 등 직접적인 정보가 빠져 있어 의사가 재확인 및 판단을 해야 하는 번거로움이 있다.
상기와 같은 문제점을 해결하기 위한 본 발명의 목적은 딥 뉴럴 네트워크를 통해 단층 촬영 영상에서 요로결석 영역을 자동으로 분리하고, 자연배출 가능성까지 자동으로 산출할 수 있는 딥러닝 기반 의료영상 요로 결석 자동 검출 및 분할 방법을 제공하는 데 있다.
상기와 같은 목적을 달성하기 위한 본 발명의 딥러닝 기반 의료영상 요로 결석 자동 검출 및 분할 방법은 컴퓨팅 시스템에서 수행되는 딥러닝 기반 의료영상 요로 결석 자동 검출 및 분할 방법에 있어서, 환자의 병변 부위를 단층 촬영한 영상을 정규화 과정을 거친 뒤 딥 러닝 알고리즘으로 학습하는 제1 단계; 상기 딥 러닝 알고리즘이 입력 영상을 분할하여 요로결석 영역을 분리한 분할 이미지를 생성하는 제2 단계; 및 상기 분할 이미지를 대상으로 요로결석 영역의 데이터를 정량화 하여 산출한 자연배출의 가능성을 출력하는 제3 단계;를 포함하는 것을 특징으로 한다.
상기 제2 단계는 분할된 결석 영역을 기존 영상에 대조하여 원본 이미지에서 임상적으로 결석이 위치해 있는 신장, 요관, 방광, 요도의 범위 안에 속한 영역들만 남기고 모두 제거하여 결석을 분할한 이미지를 출력하는 것을 특징으로 한다.
상기 제3 단계는 특징의 추출단계와 가능성 산출 단계를 포함하며, 상기 특징 추출 단계에서는 이미지 기반의 데이터에 영상의 특징을 잡아내는 레디오믹스를 결합하여 분할된 영역에 대해 특징들을 추출하며, 상기 가능성 산출 단계에서는 레디오믹스 특징들을 입력으로 하는 딥 러닝 회귀 모델을 사용하여 0부터 1사이의 가능성 값을 출력하고, 해당 가능성의 값이 1에 가까울수록 해당 요로결석의 자연배출 가능성이 높은 것으로 판단하는 것을 특징으로 한다.
이와 같이, 본 발명에 따르면 전산화 단층촬영 영상을 입력하면 요로결석의 자동 분할 및 자연배출에 대한 가능성이 자동으로 산출되어 요로결석 진단에 소요되는 시간과 노력을 현저히 감소시키는 효과가 있다.
도 1은 본 발명에 따른 컴퓨팅 시스템을 통해 딥러닝 기반 의료영상 요로 결석 자동 검출 및 분할 방법의 흐름도를 나타낸 것이다.
도 2는 본 발명에 따른 딥 러닝 알고리즘이 입력 영상을 분할하여 요로결석 영역을 분할하는 알고리즘의 모형도를 나타낸 것이다.
도 3은 본 발명에 따른 알고리즘을 통해 생성된 요로결석 분할 이미지를 나타낸 것이다.
도 4는 본 발명에 따른 요로결석 분할 및 자연배출 분석을 통해 자연배출 가능성이 출력된 모습을 나타낸 것이다.
도 2는 본 발명에 따른 딥 러닝 알고리즘이 입력 영상을 분할하여 요로결석 영역을 분할하는 알고리즘의 모형도를 나타낸 것이다.
도 3은 본 발명에 따른 알고리즘을 통해 생성된 요로결석 분할 이미지를 나타낸 것이다.
도 4는 본 발명에 따른 요로결석 분할 및 자연배출 분석을 통해 자연배출 가능성이 출력된 모습을 나타낸 것이다.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다.
본 발명의 서버 설치에 경우 OS에 무관하게 설치가 가능하며, Python 프로그램을 기반으로 실행이 된다. 하드웨어의 경우 CPU는 Intel 7세대 이상의 CPU면 충분하지만 빠른 계산을 위해 GeForece GTX 시리즈 이상의 사양을 가진 GPU가 필요하다. 서버를 기반으로 구축이 되면 인터넷을 통해 접근할 수 있고, 개별 컴퓨터의 브라우저 프로그램을 통해 접속이 가능하다.
또한, 본 발명은 데이터를 입력, 처리, 출력의 기능을 갖춘 컴퓨터에서 수행되기 위하여 서버를 통해 접근이 가능해 진다. 여기서, 입력 수단은 키보드, 마우스와 터치패드가 될 수 있고, 처리 수단은 컴퓨터 내에 내장되어 있는 컴퓨터 유닛 프로세서와 그래픽 유닛 프로세서를 사용하고, 출력 수단은 모니터와 패드화면 등 디스플레이를 지칭한다.
그러면 본 발명에 따른 딥러닝 기반 의료영상 요로 결석 자동 검출 및 분할 방법의 바람직한 실시예를 자세히 설명하기로 한다.
도 1은 본 발명에 따른 딥러닝 기반 의료영상 요로 결석 자동 검출 및 분할 방법의 흐름도를 나타낸 것이다.
도 1을 참조하면, 본 발명에 따른 딥러닝 기반 의료영상 요로 결석 자동 검출 및 분할 방법은 딥 러닝 알고리즘을 학습하는 단계(S100)와, 이미지를 분할하는 단계(S200), 및 요로결석 자연배출 가능성을 산출하는 단계(S300)를 포함한다.
상기 (S100)단계는 의료 영상장비가 환자의 병변 부위를 촬영한 의료영상을 입력 수단을 통해 입력 받은 후 처리 수단이 정규화 등의 과정을 거친 뒤 딥 러닝 알고리즘으로 학습한다(S100).
상기 (S100)단계는 입력 이미지의 전처리 단계와 모델학습 단계로 구성된다. 여기서, 입력 이미지(데이터)는 전산화 단층촬영 영상이다.
상기 (S100)단계의 전처리 단계에서는 전산화 단층촬영 영상에 대해 최소값과 최대값에 대한 정규화를 진행하며, 모든 이미지에 대해 진행이 완료되면 딥 러닝 알고리즘을 이용한 학습이 수행된다.
여기서, 모델 학습은 CNN 모델, 그 중에서도 U-net모델을 사용할 수 있다. 학습 내용으로는 요로결석에 대한 분할 모델을 학습한다.
본 실시예로, 학습을 위한 요로결석 영역 이미지는 전산화 단층촬영 이미지에서 요로결석 영역을 수작업으로 분리한 이미지이다. 본 학습으로 추후 분할 작업을 진행할 때 수작업으로 분리한 요로결석 영역과 거의 동일한 성능으로 이미지에서 결석 영역의 분리가 가능하다.
도 2는 본 발명에 따른 딥 러닝 알고리즘이 입력 영상을 분할하여 요로결석 영역을 분할하는 알고리즘의 모형도를 나타낸 것이다.
상기 (S200)단계는 (S100)단계에서 학습된 요로결석 영역 정보를 기반으로 딥 러닝 알고리즘이 의료영상 장비가 촬영한 분석 대상이 되는 이미지에서 요로결석 영역을 추출한 분할 이미지를 출력한다. 즉, 딥 러닝 알고리즘이 입력 영상을 분할하여 요로결석 영역을 분리한 분할 이미지를 생성한다.
상기 (S200)단계는 딥 러닝 알고리즘으로 U-net 모델이 적용되어 분할 과정을 수행할 수 있다. 여기서, U-net모델은 네트워크의 형태가 알파벳 U와 비슷한 형태를 나타낸다고 하여 명명된 모델로, 분할 Task에 있어 좋은 성능을 보이고 있고, 본 실시예에서는 기존 U-net에서 처리방식을 변경(Modified)한 U-net을 사용한다.
상기 (S200)단계는 요로결석 영역이 추출된 분할 이미지를 흑백 이미지로 이진화 하여 출력한다.
상기 (S200)단계는 분할 단계 이후 후처리 단계를 포함시켜 진행한다. 여기서, 후처리 단계는 분할된 결석 영역을 기존 영상에 대조하여 원본 이미지에서 임상적으로 결석이 위치해 있는 신장, 요관, 방광, 요도의 범위 안에 속한 영역들만 남기고 모두 제거한다. 본 실시예로, 후처리 단계는 분할 이미지의 위치를 검사하여 영역을 벗어나는 이미지를 제거하여 최종적으로 결석을 분할한 이미지를 출력한다.
도 3은 본 발명에 따른 요로결석 분할 및 자연배출 분석을 통해 생성한 분할 이미지를 출력한 결과이다. 도 3과 실제 전산화 촬영영상을 비교해 보면 거의 정확한 요로결석의 분할 이미지를 획득할 수 있는 것을 알 수 있다.
도 4는 본 발명에 따른 요로결석 분할 및 자연배출 분석에서 자연배출 가능성이 출력된 모습을 나타낸 것이다.
상기 (S300)단계는 처리 수단이 분할 이미지를 대상으로 요로결석 영역의 데이터를 정량화 하여 산출한 자연배출의 가능성을 출력한다.
상기 (S300)단계는 요로결석의 크기, 영상 색의 분포 등을 종합적으로 고려하여 관련 파라미터를 산출한다.
상기 (S300)단계는 특징의 추출단계와 가능성 산출 단계를 포함한다. 여기서, 특징 추출 단계에서는 요로결석 자연배출 가능성을 산출하기 위해 필요한 정보들을 추출한다. 이미지 기반의 데이터에 영상의 특징을 잡아내는 레디오믹스 기술을 결합하여 분할된 영역에 대해 1000여 가지의 다른 특징들을 추출해 낸다.
상기 (S300)단계에서 사용되는 레디오믹스는 분할한 영상에서 부피, 모양, 표면에서의 밀도와 강도, 질감, 위치, 주변 조직과의 관계 등 수많은 특징들을 숫자로 추출해 내고, 추출한 수들을 다양한 알고리즘을 적용한 특징으로 나타낸다.
상기 (S300)단계의 가능성 산출 단계에서는 레디오믹스 특징들을 입력으로 하는 딥 러닝 회귀 모델을 사용하여 0부터 1사이의 가능성 값을 출력한다. 해당 가능성의 값이 1에 가까울수록 해당 요로결석의 자연배출 가능성이 높은 것으로 판단할 수 있다.
상기 (S300)단계의 딥 러닝 회귀 모델은 입력과 출력의 관계를 가장 잘 설명할 수 있는 복잡한 함수식의 가중치를 찾는 과정으로, 학습을 통해 딥 러닝의 손실함수를 최소화하는 인공신경망의 가중치와 편향을 찾는 과정이다.
본 발명의 다른 실시예로, 요로결석 분할 및 자연배출 분석 프로그램은 데이터를 입력하는 수단, 입력된 데이터를 처리하는 수단을 갖춘 스마트폰, 태블릿, 또는 노트북에 보급되는 형태인 어플리케이션으로도 제공될 수 있다.
이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.
Claims (3)
- 컴퓨팅 시스템에서 수행되는 딥러닝 기반 의료영상 요로 결석 자동 검출 및 분할 방법에 있어서,
환자의 병변 부위를 단층 촬영한 영상을 정규화 과정을 거친 뒤 딥 러닝 알고리즘으로 학습하는 제1 단계;
상기 딥 러닝 알고리즘이 입력 영상을 분할하여 요로결석 영역을 분리한 분할 이미지를 생성하는 제2 단계; 및
상기 분할 이미지를 대상으로 요로결석 영역의 데이터를 정량화 하여 산출한 자연배출의 가능성을 출력하는 제3 단계;를 포함하는 것을 특징으로 하는 딥러닝 기반 의료영상 요로 결석 자동 검출 및 분할 방법. - 제1항에 있어서,
상기 제2 단계는 분할된 결석 영역을 기존 영상에 대조하여 원본 이미지에서 임상적으로 결석이 위치해 있는 신장, 요관, 방광, 요도의 범위 안에 속한 영역들만 남기고 모두 제거하여 결석을 분할한 이미지를 출력하는 것을 특징으로 하는 딥러닝 기반 의료영상 요로 결석 자동 검출 및 분할 방법. - 제1항에 있어서,
상기 제3 단계는 특징의 추출단계와 가능성 산출 단계를 포함하며,
상기 특징 추출 단계에서는 이미지 기반의 데이터에 영상의 특징을 잡아내는 레디오믹스를 결합하여 분할된 영역에 대해 특징들을 추출하며,
상기 가능성 산출 단계에서는 레디오믹스 특징들을 입력으로 하는 딥 러닝 회귀 모델을 사용하여 0부터 1사이의 가능성 값을 출력하고, 해당 가능성의 값이 1에 가까울수록 해당 요로결석의 자연배출 가능성이 높은 것으로 판단하는 것을 특징으로 하는 딥러닝 기반 의료영상 요로 결석 자동 검출 및 분할 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210184323A KR20230094855A (ko) | 2021-12-21 | 2021-12-21 | 딥러닝 기반 의료영상 요로 결석 자동 검출 및 분할 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210184323A KR20230094855A (ko) | 2021-12-21 | 2021-12-21 | 딥러닝 기반 의료영상 요로 결석 자동 검출 및 분할 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230094855A true KR20230094855A (ko) | 2023-06-28 |
Family
ID=86994541
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210184323A KR20230094855A (ko) | 2021-12-21 | 2021-12-21 | 딥러닝 기반 의료영상 요로 결석 자동 검출 및 분할 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20230094855A (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20240009905A (ko) | 2022-07-13 | 2024-01-23 | 주식회사 로엔서지컬 | 결석 제거를 위한 가이던스 제공 시스템 및 방법 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102209086B1 (ko) | 2020-08-28 | 2021-01-28 | 주식회사 스타랩스 | 요로결석 정보제공 방법, 장치 및 컴퓨터 판독가능 매체 |
-
2021
- 2021-12-21 KR KR1020210184323A patent/KR20230094855A/ko not_active Application Discontinuation
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102209086B1 (ko) | 2020-08-28 | 2021-01-28 | 주식회사 스타랩스 | 요로결석 정보제공 방법, 장치 및 컴퓨터 판독가능 매체 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20240009905A (ko) | 2022-07-13 | 2024-01-23 | 주식회사 로엔서지컬 | 결석 제거를 위한 가이던스 제공 시스템 및 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lo et al. | Vessel-guided airway tree segmentation: A voxel classification approach | |
| Zhou et al. | Automated lung segmentation and smoothing techniques for inclusion of juxtapleural nodules and pulmonary vessels on chest CT images | |
| WO2014109708A1 (en) | A method and system for assessing fibrosis in a tissue | |
| JP2010515557A (ja) | 画像処理システム、及び方法。 | |
| Dodia et al. | Recent advancements in deep learning based lung cancer detection: A systematic review | |
| JP6256954B2 (ja) | 乳房画像病変検出システム、乳房画像病変検出方法、乳房画像病変検出プログラムおよび乳房画像病変検出プログラムを記録したコンピュータ読み取り可能な記録媒体 | |
| US20150065868A1 (en) | System, method, and computer accessible medium for volumetric texture analysis for computer aided detection and diagnosis of polyps | |
| Bento et al. | Automatic identification of atherosclerosis subjects in a heterogeneous MR brain imaging data set | |
| Nazia Fathima et al. | Diagnosis of Osteoporosis using modified U-net architecture with attention unit in DEXA and X-ray images | |
| Huang et al. | Bone feature segmentation in ultrasound spine image with robustness to speckle and regular occlusion noise | |
| Xiao et al. | A cascade and heterogeneous neural network for CT pulmonary nodule detection and its evaluation on both phantom and patient data | |
| Jian et al. | Diagnosis of left ventricular hypertrophy using convolutional neural network | |
| Wang et al. | Computer auxiliary diagnosis technique of detecting cholangiocarcinoma based on medical imaging: A review | |
| Lee et al. | Potential of computer-aided diagnosis to improve CT lung cancer screening | |
| Ukil et al. | Smoothing lung segmentation surfaces in three-dimensional x-ray ct images using anatomic guidance1 | |
| KR20230094855A (ko) | 딥러닝 기반 의료영상 요로 결석 자동 검출 및 분할 방법 | |
| Duan et al. | Segmentation of pulmonary vascular tree by incorporating vessel enhancement filter and variational region-growing | |
| Podsiadlo et al. | Automated selection of trabecular bone regions in knee radiographs | |
| Wang et al. | Supraspinatus segmentation from shoulder ultrasound images using a multilayer self-shrinking snake | |
| Benrabha et al. | Automatic ROI detection and classification of the achilles tendon ultrasound images | |
| Qian et al. | Knowledge-based automatic detection of multitype lung nodules from multidetector CT studies | |
| Gayathri et al. | An automatic identification of lung cancer from different types of medical images | |
| Park et al. | Separation of left and right lungs using 3-dimensional information of sequential computed tomography images and a guided dynamic programming algorithm | |
| Sabah Afroze et al. | Machine Learning Based Osteoarthritis Detection Methods in Different Imaging Modalities: A Review | |
| Bhushan | Liver cancer detection using hybrid approach-based convolutional neural network (HABCNN) |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |