KR20230125412A - Classification method and analysis apparatus for uric acid stone using radiomics parameters of computed tomography - Google Patents

Classification method and analysis apparatus for uric acid stone using radiomics parameters of computed tomography Download PDF

Info

Publication number
KR20230125412A
KR20230125412A KR1020220022002A KR20220022002A KR20230125412A KR 20230125412 A KR20230125412 A KR 20230125412A KR 1020220022002 A KR1020220022002 A KR 1020220022002A KR 20220022002 A KR20220022002 A KR 20220022002A KR 20230125412 A KR20230125412 A KR 20230125412A
Authority
KR
South Korea
Prior art keywords
uric acid
parameters
radiomix
urinary
stone
Prior art date
Application number
KR1020220022002A
Other languages
Korean (ko)
Inventor
송봉일
김범수
정원호
Original Assignee
계명대학교 산학협력단
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 계명대학교 산학협력단 filed Critical 계명대학교 산학협력단
Priority to KR1020220022002A priority Critical patent/KR20230125412A/en
Priority to PCT/KR2023/000928 priority patent/WO2023158118A1/en
Publication of KR20230125412A publication Critical patent/KR20230125412A/en

Links

Images

Classifications

    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217Devices 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
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03Computed tomography [CT]
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03Computed tomography [CT]
    • A61B6/032Transmission computed tomography [CT]
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/12Arrangements for detecting or locating foreign bodies
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00ICT specially adapted for the handling or processing of medical images
    • G16H30/40ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20ICT 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Biophysics (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Optics & Photonics (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pulmonology (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

라디오믹스 파라미터를 이용한 요로결석의 요산석 분류 방법은 분석장치가 대상자의 CT 영상을 입력받는 단계, 상기 분석장치가 상기 CT 영상에서 요로결석 영역을 세그멘테이션하는 단계, 상기 분석장치가 상기 요로결석 영역에서 라디오믹스 파라미터들을 추출하는 단계 및 상기 분석장치가 상기 라디오믹스 파라미터들을 사전에 학습된 학습모델에 입력하여 산출되는 값을 기준으로 요로결석의 요산석 성분을 분류하는 단계를 포함한다.A method for classifying urinary stones using radiomix parameters includes the steps of receiving a CT image of a subject by an analysis device, segmenting a urinary stone area in the CT image by the analysis device, and The method includes extracting radiomix parameters and classifying uric acid stone components of urinary stones based on values calculated by inputting the radiomix parameters to a learning model learned in advance by the analysis device.

Description

컴퓨터 단층 촬영 영상의 라디오믹스 파라미터를 이용한 요로결석의 요산석 분류 방법 및 분석장치{CLASSIFICATION METHOD AND ANALYSIS APPARATUS FOR URIC ACID STONE USING RADIOMICS PARAMETERS OF COMPUTED TOMOGRAPHY}Uric acid stone classification method and analysis device for urinary stones using radiomix parameters of computed tomography images

이하 설명하는 기술은 컴퓨터 단층 촬영 영상의 라디오믹스 파라미터를 이용하여 요로결석의 요산석 성분을 분류하는 기법에 관한 것이다.The technique described below relates to a technique for classifying uric acid stone components of urinary stones using radiomix parameters of computed tomography images.

요로결석은 극심한 통증이나 요로감염, 신기능악화 등과 같은 합병증을 야기할 수 있어서 적극적인 치료를 요한다. 요로결석은 수산칼슘석, 인산칼슘석, 요산석, 시스틴석, 마그네슘-암모늄-인산석 등으로 구성된다. 요로결석 치료는 물리적으로 결석을 제거하기 위한 체외충격파쇄석술 또는 수술 등과 같은 중재적 치료가 주로 시행되고 있다.Urolithiasis requires active treatment because it can cause complications such as severe pain, urinary tract infection, and deterioration of renal function. Urethral stones are composed of calcium oxalate stone, calcium phosphate stone, uric acid stone, cystine stone, and magnesium-ammonium-phosphate stone. As for the treatment of urinary stones, interventional treatment such as extracorporeal shock wave lithotripsy or surgery to physically remove stones is mainly performed.

최근 결석 예방 목적으로 사용되는 경구약물 중 포타슘 사이트레이트(Potassium Citrate) 제제가 요산석을 용해시키는 효과가 있음이 보고되었다. 또한, 대규모 국내 데이터베이스를 이용한 한국인의 요로결석 성분 분석에 대한 연구에서 요산석의 유병률이 약 20% 이상으로 보고되어 경구약물을 이용한 요산석의 용해요법을 활용할 경우 요로결석 환자에게 침습적인 치료를 피하고 의료비를 절감할 수 있는 증례가 상당한 비중을 차지한다.Recently, among oral medications used for the purpose of preventing stones, it has been reported that potassium citrate preparations have the effect of dissolving uric acid stones. In addition, in a study on the analysis of urinary stone components in Koreans using a large-scale domestic database, the prevalence of uric acid stones was reported to be about 20% or more, and when oral medications are used to dissolve uric acid stones, invasive treatment can be avoided and medical expenses can be reduced for patients with urolithiasis. Cases that can be reduced account for a significant proportion.

따라서 영상학적 진단장치를 이용하여 요로결석 환자에서 요산석 여부가 정확하게 예측 가능하다면 다수의 환자들에서 체외충격파쇄석술이나 수술적 치료와 같은 침습적인 치료를 피하고 요로결석을 치료할 수 있어 막대한 의료비 절감 효과를 기대할 수 있을 것으로 예상된다.Therefore, if it is possible to accurately predict the presence of uric acid stones in urinary stone patients using imaging diagnostic devices, it is possible to avoid invasive treatment such as extracorporeal shock wave lithotripsy or surgical treatment in many patients and treat urinary stones, resulting in huge medical cost savings. can be expected to be expected.

유럽공개특허 2696191호European Patent Publication No. 2696191

컴퓨터 단층 촬영 영상 (Computed tomography: CT)은 요로결석을 진단하는 최적표준검사이다. 이하 설명하는 기술은 CT 영상에서 추출한 라디오믹스(radiomics) 파라미터를 기준으로 요로결석 중 요산석 성분을 분류 내지 예측하고자 한다.Computed tomography (CT) is the gold standard for diagnosing urinary stones. The technology described below attempts to classify or predict the components of uric acid stones among urinary stones based on radiomics parameters extracted from CT images.

라디오믹스 파라미터를 이용한 요로결석의 요산석 분류 방법은 분석장치가 대상자의 CT 영상을 입력받는 단계, 상기 분석장치가 상기 CT 영상에서 요로결석 영역을 세그멘테이션하는 단계, 상기 분석장치가 상기 요로결석 영역에서 라디오믹스 파라미터들을 추출하는 단계 및 상기 분석장치가 상기 라디오믹스 파라미터들을 사전에 학습된 학습모델에 입력하여 산출되는 값을 기준으로 요로결석의 요산석 성분을 분류하는 단계를 포함한다.A method for classifying urinary stones using radiomix parameters includes the steps of receiving a CT image of a subject by an analysis device, segmenting a urinary stone area in the CT image by the analysis device, and The method includes extracting radiomix parameters and classifying uric acid stone components of urinary stones based on values calculated by inputting the radiomix parameters to a learning model learned in advance by the analysis device.

라디오믹스 파라미터를 이용한 요로결석의 요산석 성분을 분류하는 분석장치는 대상자의 CT 영상을 입력받는 입력장치, CT 영상의 라디오믹스 파라미터들을 기준으로 요산석 성분을 분류하는 학습 모델을 저장하는 저장장치 및 상기 CT 영상에서 세그멘테이션된 요로결석 영역에서 라디오믹스 파라미터들을 추출하고, 상기 추출한 라디오믹스 파라미터들을 상기 학습모델에 입력한 후 출력되는 값을 기준으로 요로결석의 요산석 성분을 분류하는 연산장치를 포함한다.An analysis device that classifies uric acid stone components of urinary stones using radiomix parameters includes an input device that receives a CT image of a subject, a storage device that stores a learning model that classifies uric acid stone components based on the radiomix parameters of the CT image, and An arithmetic unit for extracting radiomix parameters from the segmented urolithiasis region in the CT image, inputting the extracted radiomix parameters to the learning model, and classifying uric acid stone components of the urolithiasis based on output values. .

이하 설명하는 기술은 요로결석 환자의 요로결석 성분을 예측하여 경구 약물을 이용한 요산석의 용해 용법이 유효한 환자를 판별할 수 있다. 따라서, 이하 설명하는 기술은 요로결석 환자에 대한 침습적인 치료를 피하고 의료비를 절감할 수 있다. The technology described below can predict the components of urinary stones in patients with urolithiasis and determine patients for whom dissolution of uric acid stones using oral drugs is effective. Therefore, the technique described below can avoid invasive treatment for urolithiasis patients and reduce medical expenses.

도 1은 라디오믹스를 이용한 요로결석의 요산석 분류 시스템에 대한 예이다.
도 2는 라디오믹스를 이용한 요로결석의 요산석을 분류하는 과정에 대한 예이다.
도 3은 요산석 성분 분류를 위한 CatBoost 모델에 있어서 중요한 라디오믹스 파라미터들을 나타낸 예이다.
도 4는 요로결석의 요산석 성분을 분류하는 분석장치에 대한 예이다.
1 is an example of a uric acid stone classification system for urinary stones using radiomix.
2 is an example of a process of classifying uric acid stones of urinary stones using radiomix.
3 is an example showing important radiomix parameters in the CatBoost model for uric acid stone component classification.
4 is an example of an analysis device for classifying uric acid stone components of urinary stones.

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.Since the technology to be described below can have various changes and various embodiments, specific embodiments will be illustrated in the drawings and described in detail. However, this is not intended to limit the technology described below to specific embodiments, and it should be understood to include all modifications, equivalents, or substitutes included in the spirit and scope of the technology described below.

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.Terms such as first, second, A, B, etc. may be used to describe various elements, but the elements are not limited by the above terms, and are merely used to distinguish one element from another. used only as For example, without departing from the scope of the technology described below, a first element may be referred to as a second element, and similarly, the second element may be referred to as a first element. The terms and/or include any combination of a plurality of related recited items or any of a plurality of related recited items.

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.In terms used in this specification, singular expressions should be understood to include plural expressions unless clearly interpreted differently in context, and terms such as “comprising” refer to the described features, numbers, steps, operations, and components. , parts or combinations thereof, but it should be understood that it does not exclude the possibility of the presence or addition of one or more other features or numbers, step-action components, parts or combinations thereof.

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.Prior to a detailed description of the drawings, it is to be clarified that the classification of components in the present specification is merely a classification for each main function in charge of each component. That is, two or more components to be described below may be combined into one component, or one component may be divided into two or more for each more subdivided function. In addition, each component to be described below may additionally perform some or all of the functions of other components in addition to its main function, and some of the main functions of each component may be performed by other components. Of course, it may be dedicated and performed by .

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.In addition, in performing a method or method of operation, each process constituting the method may occur in a different order from the specified order unless a specific order is clearly described in context. That is, each process may occur in the same order as specified, may be performed substantially simultaneously, or may be performed in the reverse order.

이하 설명하는 기술은 의료 영상 중 CT 영상을 이용한다. 물론 X-ray나 초음파와 같이 요로결석의 라디오믹스 분석을 할 수 있는 의료 영상이면 해당 영상을 이용하여 요산석 성분을 분석할 수도 있다. 다만, 통상적으로 요로결석 검출에 CT 영상을 이용하므로 이하 CT 영상을 중심으로 설명하고자 한다.The technology to be described below uses a CT image among medical images. Of course, if it is a medical image capable of radiomix analysis of urinary stones, such as X-ray or ultrasound, uric acid stone components can be analyzed using the corresponding image. However, since CT images are usually used to detect urinary stones, the following description will focus on CT images.

라디오믹스는 의료 영상의 텍스처 분석에 해당한다. 텍스처 분석은 관심 영역에 대한 화소의 밝기 값들을 수학적인 방법으로 분석하는 것을 말한다. 예컨대, 텍스처 분석은 (i) 관심 영역 안에서 밝기 값의 분포(히스토그램)를 기반으로 하여 특징 값들을 계산하는 방식, (ii) 주위 밝기 값의 빈도수를 측정하여 그 관계를 행렬로 구성하는 GLCM(Gray level co occurrence matrix) 또는 동일한 밝기 값을 가진 크기에 따라 행렬이 구성되는 밝기 값 크기 영역 행렬(Intensity size zone matrix) 등을 이용해 특징 값들을 계산하는 방식, (iii) 세 개 이상의 픽셀에 대해 공간적인 관계를 조사할 수 있는 행렬을 이용해 특징 값을 계산하는 방식 등이 있다.Radiomix corresponds to texture analysis of medical images. Texture analysis refers to analyzing brightness values of pixels of a region of interest using a mathematical method. For example, texture analysis is based on (i) a method of calculating feature values based on the distribution (histogram) of brightness values within a region of interest, (ii) GLCM (Gray A method of calculating feature values using a level co-occurrence matrix) or an intensity size zone matrix in which matrices are formed according to the size with the same brightness value, (iii) a method for calculating feature values for three or more pixels There are methods such as calculating feature values using matrices that can investigate relationships.

이하 CT 영상을 이용하여 요로결석의 요산석 성분을 분류하는 장치를 분석장치라고 명명한다. 분석 장치는 일정한 영상 및 데이터를 처리하는 장치이다. 예컨대, 분석장치는 PC, 스마트기기, 서버 등과 같은 장치로 구현될 수 있다.Hereinafter, a device that classifies uric acid components of urinary stones using CT images is referred to as an analysis device. The analysis device is a device that processes certain images and data. For example, the analysis device may be implemented as a device such as a PC, smart device, or server.

도 1은 라디오믹스를 이용한 요로결석의 요산석 분류 시스템(100)에 대한 예이다. 요로결석의 요산석 분류 시스템(100)은 의료 영상 스캔 장치(110), 임상정보 데이터베이스(120) 및 분석장치(150, 180)를 포함할 수 있다. 1 is an example of a uric acid stone classification system 100 using radiomix. The uric acid stone classification system 100 for urolithiasis may include a medical image scanning device 110 , a clinical information database 120 , and analysis devices 150 and 180 .

의료 영상 스캔 장치(110)는 의료 기관에 설치된 영상 장비일 수 있다. 의료 영상 스캔 장치(110)는 대상자에 대한 CT 영상을 생성한다. 대상자는 CT 영상을 이용하여 요로결석의 성분을 분석하고자 하는 환자이다. 요로결석에 대한 CT 영상은 다양한 시점(시상면, 관상면, 축면)의 영상들 중 적어도 하나일 수 있다. The medical image scanning device 110 may be imaging equipment installed in a medical institution. The medical image scanning device 110 generates a CT image of a subject. The subject is a patient whose components of urolithiasis are to be analyzed using CT images. CT images of urolithiasis may be at least one of images from various viewpoints (sagittal plane, coronal plane, axial plane).

EMR(Electronic Medical Record, 120)은 의료 영상 스캔 장치(110)가 생성한 환자의 CT 영상을 저장할 수도 있다.An electronic medical record (EMR) 120 may store a CT image of a patient generated by the medical image scanning device 110 .

도 1은 분석장치로 분석 서버(150) 및 분석 PC(180)를 예로 도시하였다. 분석장치는 다양한 형태로 구현될 수 있다. 예컨대, 분석장치는 휴대 가능한 모바일 기기로 구현될 수도 있다. 1 shows an analysis server 150 and an analysis PC 180 as an example of an analysis device. The analysis device may be implemented in various forms. For example, the analysis device may be implemented as a portable mobile device.

분석 서버(150)는 의료 영상 스캔 장치(110) 또는 EMR(120)부터 대상자의 CT 영상을 수신한다. 분석 서버(150)는 대상자의 CT 영상에서 라디오믹스 파라미터들을 추출할 수 있다. 분석 서버(150)는 추출한 사전에 학습한 학습 모델에 입력하여 요로결석의 요산석 성분을 예측 내지 분류할 수 있다. 분석 서버(150)는 분석한 결과를 사용자(10)에게 전달한다. 사용자(10)는 사용자 단말을 통해 분석 서버(150)의 분석 결과 또는 영상을 확인할 수 있다. 사용자 단말은 PC, 스마트 기기, 휴대 단말 등과 같은 장치를 의미한다.The analysis server 150 receives a CT image of a subject from the medical image scanning device 110 or the EMR 120 . The analysis server 150 may extract radiomix parameters from the subject's CT image. The analysis server 150 may predict or classify the uric acid component of the urinary stone by inputting the extracted pre-learned learning model. The analysis server 150 delivers the analyzed result to the user 10 . The user 10 may check the analysis result or image of the analysis server 150 through the user terminal. A user terminal refers to a device such as a PC, smart device, or portable terminal.

분석 PC(180)는 의료 영상 스캔 장치(110) 또는 EMR(120)부터 대상자의 CT 영상을 입력받는다. 분석 PC(180)는 유선 또는 무선 네트워크를 통해 대상자의 CT 영상을 수신할 수 있다. 또는 분석 PC(180)는 대상자의 CT 영상을 저장한 매체(USB, SD 카드, CD 등)로부터 입력받을 수 있다. 분석 PC(180)는 대상자의 CT 영상에서 라디오믹스 파라미터들을 추출할 수 있다. 분석 PC(180)는 추출한 사전에 학습한 학습 모델에 입력하여 요로결석의 요산석 성분을 예측 내지 분류할 수 있다. 사용자(20)는 분석 PC(180)를 통해 분석 결과를 확인할 수 있다.The analysis PC 180 receives a CT image of a subject from the medical image scanning device 110 or the EMR 120 . The analysis PC 180 may receive a CT image of a subject through a wired or wireless network. Alternatively, the analysis PC 180 may receive an input from a medium (USB, SD card, CD, etc.) storing the subject's CT image. The analysis PC 180 may extract radiomix parameters from the subject's CT image. The analysis PC 180 may predict or classify the uric acid component of the urinary stone by inputting the extracted pre-learned learning model. The user 20 may check the analysis result through the analysis PC 180 .

도 2는 라디오믹스를 이용한 요로결석의 요산석을 예측하는 과정(200)에 대한 예이다.2 is an example of a process 200 for predicting uric acid stones in urinary stones using radiomix.

분석장치는 먼저 대상자의 CT 영상을 입력받는다(210). 이때 CT 영상은 다양한 시점의 영상 중 적어도 하나일 수 있다. The analysis device first receives a CT image of the subject (210). In this case, the CT image may be at least one of images of various viewpoints.

분석장치는 요로결석 영역이 위치한 특정 관심 영역(ROI)에 대한 설정을 입력받을 수도 있다(215). 요로결석 영역은 요로결석이 위치한 영역을 의미한다. ROI 설정은 사용자가 CT 영상을 보면서 인터페이스 장치를 이용하여 설정할 수 있다.The analysis device may also receive settings for a specific region of interest (ROI) where the urolithiasis region is located (215). The urolithiasis area refers to an area where urolithiasis is located. The ROI can be set by the user using an interface device while viewing the CT image.

분석장치는 대상자의 CT 영상에서 요로결석 영역을 세그멘테이션(segmentation)할 수 있다(220). 예컨대, (1) 분석장치는 종래 연구 결과를 통해 결석의 X 레이 감쇄 정도가 다른 점을 이용할 수 있다. 즉, 분석장치는 CT 영상에서 일정한 감쇄 임계값 이상인 지점을 요로결석 영역이라고 세그멘테이션할 수 있다. (2) 또는 분석장치는 사전에 학습된 세그멘테이션 모델을 이용하여 요로결석 영역을 세그멘테이션할 수 있다. 세그멘테이션 모델은 요로결석 영역의 특징을 기준으로 해당 영역을 구분하는 딥러닝 모델이다. The analysis device may segment the urinary stone region in the subject's CT image (220). For example, (1) the analyzer can use the fact that the degree of X-ray attenuation of stones is different through the results of previous studies. That is, the analysis device may segment a point having a predetermined attenuation threshold or higher in the CT image as a urinary stone region. (2) Alternatively, the analysis device may segment the urinary stone region using a previously learned segmentation model. The segmentation model is a deep learning model that classifies the area based on the characteristics of the urolithiasis area.

분석장치는 세그멘테이션된 요로결석 영역을 기준으로 라디오믹스 파라미터들을 추출할 수 있다(230). 라디오믹스 파라미터들은 다양한 유형의 파라미터들로 구성될 수 있다. 연구자가 실제 추출한 라디오믹스 파라미터들에 대하여는 후술한다. 분석장치는 라디오믹스 파라미터들을 학습 모델에 입력하기 위한 형태로 후처리할 수 있다. 예컨대, 분석장치는 라디오믹스 파라미터들을 원-핫 벡터 코딩하여 1차 행렬 또는 2차 행렬과 같은 형태로 변환할 수 있다.The analysis device may extract radiomix parameters based on the segmented urolithiasis area (230). Radiomix parameters can be composed of various types of parameters. The radiomix parameters actually extracted by the researcher will be described later. The analysis device may post-process the radio mix parameters into a form to be input to the learning model. For example, the analyzer may perform one-hot vector coding on the radio mix parameters and convert them into a form such as a first order matrix or a second order matrix.

분석장치는 전술한 바와 같이 대상자의 라디오믹스 파라미터들(또는 후처리된 데이터)을 사전에 학습된 학습모델에 입력하여 분석 대상인 요로결석의 성분을 분류할 수 있다(240). 학습모델은 입력된 정보에 기반하여 요로결석의 성분이 요산석인지 여부에 대한 정보 내지 확률값을 산출한다. 학습모델은 요산석 성분인지 여부를 분류하는 모델이므로 분류모델이라고 명명할 수 있다.As described above, the analysis device may classify components of urinary stones to be analyzed by inputting the subject's radiomix parameters (or post-processed data) to the pre-learned learning model (240). The learning model calculates information or a probability value on whether the component of urinary stones is uric acid stone based on the input information. Since the learning model is a model that classifies whether or not it is a uric acid stone component, it can be named a classification model.

한편, 분석장치는 230 과정에서 추출한 전체 라디오믹스 파라미터들 중 유효 파라미터들을 선별할 수 있다(235). 유효 파라미터는 전체 라디오믹스 파라미터들 중 요산석 분류에 기여하는 정도가 기준값 보다 큰 파라미터를 의미한다. 이 경우 분석장치는 유효 파라미터들만을 분류모델에 입력하여 요로결석의 성분이 요산석인지 분류할 수 있다. Meanwhile, the analyzer may select valid parameters from among all radio mix parameters extracted in step 230 (235). An effective parameter means a parameter whose degree of contribution to urate stone classification among all radiomix parameters is greater than the reference value. In this case, the analyzer can classify whether the component of the urinary stone is uric acid stone by inputting only valid parameters to the classification model.

이하 연구자가 실제 환자들의 데이터를 기분으로 분류 모델을 구축한 과정을 설명한다.Hereinafter, the researcher explains the process of building a classification model based on the data of real patients.

연구자는 2017년 1월부터 2020년 12월까지 경북대학교병원에서 요로결석으로 수술적 치료 후 요로결석 성분분석을 시행한 환자들에 대한 데이터를 이용하였다. 연구자는 요로결석의 크기가 작아서 결석의 라디오믹스 분석에 적합하지 않은 경우, 요로결석 수술 후 성분분석 결과를 정확하게 알 수 없는 경우, 요로결석 수술 전 CT를 촬영하지 않은 경우를 제외한 총 696명의 환자들의 CT에서 추출한 888개의 요로결석을 분석하였다.The researcher used the data of patients who underwent urolith component analysis after surgical treatment for urolithiasis at Kyungpook National University Hospital from January 2017 to December 2020. A total of 696 patients, excluding cases where the size of the urinary stone was small and not suitable for radiomix analysis, when the result of component analysis after urinary stone surgery was not accurately known, and when CT was not taken before urinary stone surgery, were analyzed. We analyzed 888 urinary stones extracted from CT.

연구자의 요로결석 환자의 CT dicom 파일을 추출하였다. CT dicom files of the researcher's urolithiasis patients were extracted.

연구자는 CT 영상에서 요로결석 영역을 세그멘테이션하였다. 연구자는 요로결석 영역 검출을 위하여 감쇄 임계값을 사용하였다. 연구자는 130 HU(Hounsfield Unit) 이상의 영역을 세그멘테이션하여 요로결석 영역으로 정의하였다. The researcher segmented the urolithiasis area in the CT image. The researcher used the attenuation threshold to detect urolithiasis area. The researcher segmented an area larger than 130 HU (Hounsfield Unit) and defined it as a urolithiasis area.

연구자는 python의 pyradiomics 모듈을 사용하여 세그멘테이션된 영역에 대한 텍스처 분석을 수행하였다. The researcher performed texture analysis on the segmented area using python's pyradiomics module.

연구자는 텍스처 분석을 통하여 총 960개의 라이오믹스 파라미터들을 획득하였다. 960개의 라디오믹스 파라미터들은 다음과 같다. The researcher obtained a total of 960 lyomics parameters through texture analysis. The 960 radio mix parameters are as follows.

(1) 14개의 형태 특징들(shape features) (1) 14 shape features

(2) 198개의 1차 밝기 통계 특징들: 전체 영역의 그레이 레벨(gray level)에 대한 평균, 기울기, 첨도(kurtosis), 에너지 및 엔트로피 등을 포함한다. 엔트로피는 밝기 값 분포의 불규칙성을 나타낸다.(2) 198 primary brightness statistical characteristics: including average, slope, kurtosis, energy and entropy for the gray level of the entire area. Entropy represents the irregularity of the distribution of brightness values.

(3) 242개의 GLCM(Gray Level Co-occurrence Matrix) 특징들: GLCM은 2차 그레이 레벨에 대한 히스토그램에 해당한다. GLCM은 서로 다른 방향에서 픽셀(pixel) 또는 복셀(voxel) 쌍 사이의 공간 관련성을 나타낸다.(3) 242 GLCM (Gray Level Co-occurrence Matrix) features: GLCM corresponds to a histogram for a second gray level. GLCM represents the spatial relationship between pairs of pixels or voxels in different directions.

(4) 고차원 특징들: 고차원 특징들은 176개의 GLSZM(Gray level Size Zone Matrix), 154개의 GLDM(Gray level Dependence Matrix) 및 176개의 GLRLM(Gray-Level Run Length Matrix)를 포함한다. GLRLM은 동일 그레이 레벨을 갖는 연속된 픽셀들의 공간 분포를 나타낸다. GLSZM은 동일한 그레이 레벨을 갖고 서로 연결된 픽셀(또는 복셀)의 그룹의 개수에 대한 정보를 나타낸다. GLDM은 중심 픽셀(또는 복셀)에서 일정한 거리에 있는 동일 그레이 레벨을 갖는 연결된 픽셀(또는 복셀)의 개수에 대한 정보를 나타낸다.(4) High-dimensional features: High-dimensional features include 176 Gray level Size Zone Matrix (GLSZM), 154 Gray level Dependence Matrix (GLDM) and 176 Gray-Level Run Length Matrix (GLRLM). GLRLM represents the spatial distribution of contiguous pixels having the same gray level. GLSZM represents information about the number of groups of pixels (or voxels) that have the same gray level and are connected to each other. GLDM represents information about the number of connected pixels (or voxels) having the same gray level at a constant distance from a central pixel (or voxel).

연구자는 상기 추출한 라디오믹스 파라미터들을 z-score 방법으로 표준화하였다.The researcher standardized the extracted radiomix parameters using the z-score method.

연구자는 최종적으로 산출한 라디오믹스 파라미터들을 입력값으로 삼아 요로결석의 요산석 여부를 예측하는 학습 모델을 구축하였다. 학습 모델은 특정 환자별로 입력 데이터(라디오믹스 파라미터들) 및 해당 데이터에 대한 라벨값(해당 환자에 대한 요로결석의 성분 분석 결과)를 이용하여 학습된다. The researcher built a learning model to predict the presence of uric acid in urinary stones by using the finally calculated radiomix parameters as input values. The learning model is trained using input data (radiomix parameters) for each specific patient and label values for the corresponding data (results of component analysis of urolithiasis for the patient).

연구자는 다양한 학습 모델을 개별적으로 구축하여 성능을 검증하였다. 학습 모델 중 그레디언트 부스트 기법인 CatBoost의 성능이 좋았다. 따라서 CatBoost 중심으로 모델을 검증하였다. 물론, 요로결석의 요산석 예측은 다른 학습 모델(딥러닝, 서포트 벡터 머신, 랜덤 포레스트 등)로도 구현이 가능하다.The researcher built various learning models individually to verify their performance. Among the learning models, the performance of CatBoost, a gradient boost technique, was good. Therefore, the model was verified centering on CatBoost. Of course, uric acid stone prediction of urinary stones can be implemented with other learning models (deep learning, support vector machine, random forest, etc.).

연구자는 전체 데이터를 10개의 데이터 세트로 구분하고, 그 중 9개를 학습 데이터로 이용하였고, 나머지 1개의 데이터 세트로 10-교차 검증(fold cross validation)으로 검증을 하였다.The researcher divided the entire data into 10 data sets, used 9 of them as training data, and verified the remaining 1 data set by 10-fold cross validation.

연구자가 사용한 전체 요로결석 888건 중 요산석 성분인 요로결석은 215건으로 24.2%의 분포를 보였다. 아래 표 1은 10-교차 검증 결과를 나타내며 평균값을 기준으로 설명하면 분류 모델은 정확도(accuracy) 91.89%, AUC(Area Under the Curve) 0.9602, 재현율(recall) 79.55%, 정밀도(precision) 86.32%를 보였다. Of the total 888 cases of urinary stones used by the researcher, 215 cases of urinary stones, which are a component of uric acid stone, showed a distribution of 24.2%. Table 1 below shows the results of 10-cross validation, and when explained based on the average value, the classification model achieved accuracy of 91.89%, AUC (Area Under the Curve) of 0.9602, recall of 79.55%, and precision of 86.32%. seemed

Figure pat00001
Figure pat00001

도 3은 요산석 성분 예측을 위한 CatBoost 모델에 있어서 중요한 라디오믹스 파라미터들을 나타낸 예이다. 도 3은 CatBoost 애플리케이션에서 분류에 영향을 많이 미치는 파라미터들을 추출한 결과이다. 따라서, 개발자는 분석툴 또는 반복적인 실험을 통하여 분류에 유효한 특정 라디오믹스 파라미터들을 선택할 수 있다. 이 경우, 요로결석의 요산석 예측을 위한 분류 모델은 선별된 유효 라디오믹스 파라미터들을 기준으로 구축될 수도 있다. 즉, 분류 모델은 전체 라디오믹스 파라미터들이 아닌 특정한 파라미터들을 이용하여 학습될 수도 있다.3 is an example showing important radiomix parameters in the CatBoost model for predicting uric acid stone components. 3 is a result of extracting parameters that greatly affect classification in the CatBoost application. Therefore, developers can select specific radio mix parameters effective for classification through analysis tools or repeated experiments. In this case, a classification model for predicting uric acid stones in urinary stones may be constructed based on selected effective radiomix parameters. That is, the classification model may be learned using specific parameters rather than all radiomix parameters.

도 4는 요로결석의 요산석 성분을 분류하는 분석장치(300)에 대한 예이다. 분석장치(300)는 전술한 분석장치(도 1의 150 및 180)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.4 is an example of an analyzer 300 for classifying uric acid stone components of urinary stones. The analysis device 300 corresponds to the above-described analysis devices (150 and 180 in FIG. 1). The analysis device 300 may be physically implemented in various forms. For example, the analysis device 300 may have a form of a computer device such as a PC, a network server, and a chipset dedicated to data processing.

분석장치(300)는 저장장치(310), 메모리(320), 연산장치(330), 인터페이스 장치(340), 통신장치(350) 및 출력장치(360)를 포함할 수 있다.The analysis device 300 may include a storage device 310, a memory 320, an arithmetic device 330, an interface device 340, a communication device 350, and an output device 360.

저장장치(310)는 대상자의 CT 영상을 저장할 수 있다. The storage device 310 may store a CT image of the subject.

저장장치(310)는 CT 영상에서 요로결석 영역을 세그멘테이션하는 프로그램을 저장할 수 있다. The storage device 310 may store a program for segmenting a urolithiasis region in a CT image.

저장장치(310)는 라디오믹스 파라미터들을 이용하여 요산석 성분을 분류하는 학습모델(분류모델)을 저장할 수 있다. 저장된 분류모델은 사전에 학습된 모델이다.The storage device 310 may store a learning model (classification model) for classifying uric acid stone components using radiomix parameters. The stored classification model is a pretrained model.

메모리(320)는 분석장치(300)가 요로결석의 요산석 성분을 분류하는 과정에서 생성되는 데이터 및 정보 등을 저장할 수 있다.The memory 320 may store data and information generated in the course of the analysis device 300 classifying uric acid components of urinary stones.

인터페이스 장치(340)는 외부로부터 일정한 명령 및 데이터를 입력받는 장치이다. 인터페이스 장치(340)는 물리적으로 연결된 입력 장치 또는 외부 저장장치로부터 대상자의 CT 영상을 입력받을 수 있다. 또는 인터페이스 장치(340)는 CT 영상 중 관심 영역의 설정값을 입력받을 수 있다. The interface device 340 is a device that receives certain commands and data from the outside. The interface device 340 may receive a CT image of the subject from a physically connected input device or an external storage device. Alternatively, the interface device 340 may receive a set value of a region of interest in the CT image.

통신장치(350)는 유선 또는 무선 네트워크를 통해 일정한 정보를 수신하고 전송하는 구성을 의미한다. 통신장치(350)는 외부 객체로부터 대상자의 CT 영상을 수신할 수 있다. 통신장치(350)는 CT 영상 중 관심 영역의 설정값을 수신할 수 있다. 통신장치(350)는 대상자에 대한 분석 결과를 외부 객체로 송신할 수 있다.The communication device 350 refers to a component that receives and transmits certain information through a wired or wireless network. The communication device 350 may receive a CT image of the subject from an external object. The communication device 350 may receive a setting value of a region of interest in the CT image. The communication device 350 may transmit an analysis result of the subject to an external object.

통신장치(350) 내지 인터페이스 장치(340)는 외부로부터 일정한 데이터 내지 명령을 전달받는 장치이다. 통신장치(350) 내지 인터페이스 장치(340)는 일정한 데이터를 입력받기에 입력장치라고 명명할 수 있다.The communication device 350 or interface device 340 is a device that receives certain data or commands from the outside. The communication device 350 or the interface device 340 may be referred to as an input device to receive certain data.

연산 장치(330)는 입력된 CT 영상을 일정하게 전처리(표준화)할 수 있다.The arithmetic device 330 may pre-process (normalize) the input CT image constantly.

연산 장치(330)는 CT 영상에서 요로결석 영역을 세그멘테이션할 수 있다. 연산 장치(330)는 CT 영상에서 감쇄 임계값 이상인 영역을 요로결석 영역으로 세그멘테이션할 수 있다. 또는, 연산 장치(330)는 사전에 학습된 세그멘테이션 모델을 이용하여 CT 영상에서 요로결석 영역을 세그멘테이션할 수도 있다.The arithmetic device 330 may segment the urolithiasis region in the CT image. The arithmetic device 330 may segment a region having an attenuation threshold or higher in the CT image into a urolithiasis region. Alternatively, the arithmetic device 330 may segment the urinary stone region in the CT image using a previously learned segmentation model.

연산 장치(330)는 요로결석 영역에 대한 라디오믹스 파라미터들을 추출할 수 있다. 라디오믹스 파라미터들은 전술한 바와 같다. 나아가, 연산 장치(330)는 라디오믹스 파라미터들 중 유효 파라미터들을 선별할 수도 있다. 유효 파라미터들은 사전에 설정되는 정보이다.The arithmetic device 330 may extract radiomix parameters for the urolithiasis area. Radio mix parameters are as described above. Furthermore, the calculator 330 may select valid parameters from among the radio mix parameters. Valid parameters are information set in advance.

연산 장치(330)는 전체 라디오믹스 파라미터들 또는 유효 파라미터들을 분류 모델에 입력하여 현재 요로결석이 요산석 성분인지를 분류할 수 있다. 경우에 따라서, 분류 모델은 전체 요로결석 중 요산석 성분이 차지하는 비율에 비례하는 값을 출력할 수 있다. 이 경우, 의료진이 분류 모델이 출력하는 값을 기준으로 요산석 성분이 일정한 비율 이상인 경우 경구 약물을 이용한 요산석의 용해 용법을 시행할 수도 있다.The calculation device 330 may classify whether the current urinary stone is a component of uric acid stone by inputting all radiomix parameters or valid parameters into the classification model. In some cases, the classification model may output a value proportional to the ratio of the uric acid component to the total urinary stones. In this case, if the uric acid stone component is more than a certain ratio based on the value output by the classification model, the medical staff may perform a method of dissolving uric acid stone using an oral drug.

연산 장치(330)는 데이터를 처리하고, 일정한 연산을 처리하는 프로세서, AP, 프로그램이 임베디드된 칩과 같은 장치일 수 있다.The arithmetic device 330 may be a device such as a processor, an AP, or a chip in which a program is embedded that processes data and performs certain arithmetic operations.

출력장치(360)는 일정한 정보를 출력하는 장치이다. 출력장치(360)는 데이터 처리 과정에 필요한 인터페이스, 분석 결과 등을 출력할 수 있다. 출력장치(360)는 대상자에 대한 요로결석의 요산석 성분 분류 결과를 출력할 수도 있다. 분류 결과는 요로결석 중 요산석 성분의 존재 여부, 요산석의 용해 용법을 시행할 정도 이상의 요산석 성분이 존재하는지 여부 또는 전체 요로결석 중 요산석의 비율 중 어느 하나의 정보일 수 있다. 분류 결과는 학습 모델이 학습 과정에서 어떤 학습 데이터를 이용하여 구축되었는지에 따라 서로 다른 값이 산출될 수 있다.The output device 360 is a device that outputs certain information. The output device 360 may output interfaces and analysis results necessary for data processing. The output device 360 may output a result of uric acid component classification of urinary stones for the subject. The classification result may be any one of information about the presence or absence of uric acid stone components among urinary stones, whether or not there are uric acid stone components that are more than enough to implement the uric acid stone dissolving method, or the ratio of uric acid stones to all urinary stones. Classification results may yield different values depending on which learning data is used to build the learning model in the learning process.

또한, 상술한 바와 같은 라디오믹스 파라미터 추출 방법 내지 요로결석의 요산석 성분 예측 내지 분류 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.In addition, the radiomix parameter extraction method or the uric acid component prediction or classification method of urinary stones as described above may be implemented as a program (or application) including an executable algorithm that can be executed on a computer. The program may be stored and provided in a temporary or non-transitory computer readable medium.

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.A non-transitory readable medium is not a medium that stores data for a short moment, such as a register, cache, or memory, but a medium that stores data semi-permanently and can be read by a device. Specifically, the various applications or programs described above are CD, DVD, hard disk, Blu-ray disk, USB, memory card, ROM (read-only memory), PROM (programmable read only memory), EPROM (Erasable PROM, EPROM) Alternatively, it may be stored and provided in a non-transitory readable medium such as EEPROM (Electrically EPROM) or flash memory.

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.Temporary readable media include static RAM (SRAM), dynamic RAM (DRAM), synchronous DRAM (SDRAM), double data rate SDRAM (DDR SDRAM), and enhanced SDRAM (Enhanced SDRAM). SDRAM, ESDRAM), Synchronous DRAM (Synclink DRAM, SLDRAM) and Direct Rambus RAM (DRRAM).

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.This embodiment and the drawings accompanying this specification clearly represent only a part of the technical idea included in the foregoing technology, and those skilled in the art can easily understand it within the scope of the technical idea included in the specification and drawings of the above technology. It will be obvious that all variations and specific examples that can be inferred are included in the scope of the above-described technology.

Claims (9)

분석장치가 대상자의 CT 영상을 입력받는 단계;
상기 분석장치가 상기 CT 영상에서 요로결석 영역을 세그멘테이션하는 단계;
상기 분석장치가 상기 요로결석 영역에서 라디오믹스 파라미터들을 추출하는 단계; 및
상기 분석장치가 상기 라디오믹스 파라미터들을 사전에 학습된 학습모델에 입력하여 산출되는 값을 기준으로 요로결석의 요산석 성분을 분류하는 단계를 포함하는 라디오믹스 파라미터를 이용한 요로결석의 요산석 분류 방법.
receiving a CT image of the subject by an analysis device;
Segmenting, by the analysis device, a urolithiasis region in the CT image;
extracting, by the analyzer, radiomix parameters from the urolithiasis region; and
A method of classifying uric acid stones of urinary stones using radiomix parameters, comprising the step of classifying, by the analysis device, the uric acid stone components of urinary stones based on values calculated by inputting the radio mix parameters into a pre-learned learning model.
제1항에 있어서,
상기 분석장치는 상기 CT 영상에서 감쇄 임계값 이상의 영역을 상기 요로결석 영역으로 세그멘테이션하는 라디오믹스 파라미터를 이용한 요로결석의 요산석 분류 방법.
According to claim 1,
The method of classifying uric acid stones in urinary stones using a radiomix parameter in which the analysis device segments a region above an attenuation threshold in the CT image into the urolithiasis region.
제1항에 있어서,
상기 라디오믹스 파라미터들은 형태 특징들(shape features), 1차 밝기 통계 특징들, GLCM(Gray Level Co-occurrence Matrix), GLSZM(Gray level Size Zone Matrix), GLDM(Gray level Dependence Matrix) 및 GLRLM(Gray-Level Run Length Matrix)을 포함하는 라디오믹스 파라미터를 이용한 요로결석의 요산석 분류 방법.
According to claim 1,
The radio mix parameters include shape features, primary brightness statistical characteristics, GLCM (Gray Level Co-occurrence Matrix), GLSZM (Gray level Size Zone Matrix), GLDM (Gray level Dependence Matrix) and GLRLM (Gray Level Co-occurrence Matrix). A method for classifying uric acid stones in urinary stones using radiomix parameters including -Level Run Length Matrix).
제1항에 있어서,
상기 학습모델은 상기 대상자의 요로결석이 용해 용법을 시행할 수 있는 정도 이상의 요산석 성분이 존재하는지 여부를 출력하는 라디오믹스 파라미터를 이용한 요로결석의 요산석 분류 방법.
According to claim 1,
The learning model is a method of classifying uric acid stones of urinary stones using a radiomix parameter that outputs whether or not there is a uric acid stone component higher than the level at which the urinary stones of the subject can perform the dissolution usage.
대상자의 CT 영상을 입력받는 입력장치;
CT 영상의 라디오믹스 파라미터들을 기준으로 요산석 성분을 분류하는 학습 모델을 저장하는 저장장치; 및
상기 CT 영상에서 세그멘테이션된 요로결석 영역에서 라디오믹스 파라미터들을 추출하고, 상기 추출한 라디오믹스 파라미터들을 상기 학습모델에 입력한 후 출력되는 값을 기준으로 요로결석의 요산석 성분을 분류하는 연산장치를 포함하는 라디오믹스 파라미터를 이용한 요로결석의 요산석 성분을 분류하는 분석장치.
an input device that receives a CT image of the subject;
a storage device for storing a learning model for classifying uric acid stone components based on radiomix parameters of a CT image; and
An arithmetic device that extracts radiomix parameters from the segmented urolithiasis area in the CT image, inputs the extracted radiomix parameters to the learning model, and classifies the uric acid component of the urolithiasis based on the value output An analysis device that classifies the components of uric acid stones in urinary stones using radiomix parameters.
제5항에 있어서,
상기 연산장치는 상기 CT 영상에서 감쇄 임계값 이상의 영역을 상기 요로결석 영역으로 세그멘테이션하는 라디오믹스 파라미터를 이용한 요로결석의 요산석 성분을 분류하는 분석장치.
According to claim 5,
wherein the arithmetic device classifies the uric acid component of the urinary stone using a radiomix parameter for segmenting a region above an attenuation threshold in the CT image into the urinary stone region.
제5항에 있어서,
상기 연산장치는 상기 요로결석 영역에서 추출한 라디오믹스 파라미터들 중 유효한 일부 파라미터들만을 상기 학습모델에 입력하는 라디오믹스 파라미터를 이용한 요로결석의 요산석 성분을 분류하는 분석장치.
According to claim 5,
wherein the calculator classifies the uric acid component of the urinary stone using the radio mix parameter inputting only some valid parameters among the radio mix parameters extracted from the urinary stone area to the learning model.
제5항에 있어서,
상기 라디오믹스 파라미터들은 형태 특징들(shape features), 1차 밝기 통계 특징들, GLCM(Gray Level Co-occurrence Matrix), GLSZM(Gray level Size Zone Matrix), GLDM(Gray level Dependence Matrix) 및 GLRLM(Gray-Level Run Length Matrix)을 포함하는 라디오믹스 파라미터를 이용한 요로결석의 요산석 성분을 분류하는 분석장치.
According to claim 5,
The radio mix parameters include shape features, primary brightness statistical characteristics, GLCM (Gray Level Co-occurrence Matrix), GLSZM (Gray level Size Zone Matrix), GLDM (Gray level Dependence Matrix) and GLRLM (Gray Level Co-occurrence Matrix). -Level Run Length Matrix), an analysis device that classifies uric acid stone components of urinary stones using radiomix parameters.
제5항에 있어서,
상기 학습모델은 상기 대상자의 요로결석이 용해 용법을 시행할 수 있는 정도 이상의 요산석 성분이 존재하는지 여부를 출력하는 라디오믹스 파라미터를 이용한 요로결석의 요산석 성분을 분류하는 분석장치.
According to claim 5,
The learning model is an analysis device for classifying the uric acid stone component of the urinary stone using a radiomix parameter that outputs whether or not the uric acid stone component exists to the extent that the urinary stone of the subject can perform the dissolution usage.
KR1020220022002A 2022-02-21 2022-02-21 Classification method and analysis apparatus for uric acid stone using radiomics parameters of computed tomography KR20230125412A (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020220022002A KR20230125412A (en) 2022-02-21 2022-02-21 Classification method and analysis apparatus for uric acid stone using radiomics parameters of computed tomography
PCT/KR2023/000928 WO2023158118A1 (en) 2022-02-21 2023-01-19 Method for classifying uric acid content of urinary stone by using radiomics parameter of computed tomography image, and analysis device therefor

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220022002A KR20230125412A (en) 2022-02-21 2022-02-21 Classification method and analysis apparatus for uric acid stone using radiomics parameters of computed tomography

Publications (1)

Publication Number Publication Date
KR20230125412A true KR20230125412A (en) 2023-08-29

Family

ID=87578826

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220022002A KR20230125412A (en) 2022-02-21 2022-02-21 Classification method and analysis apparatus for uric acid stone using radiomics parameters of computed tomography

Country Status (2)

Country Link
KR (1) KR20230125412A (en)
WO (1) WO2023158118A1 (en)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2696191A1 (en) 2011-04-06 2014-02-12 Universitat Autònoma De Barcelona Method for the characterisation and classification of kidney stones

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2578485A (en) * 2018-09-18 2020-05-13 Univ Oxford Innovation Ltd Radiomic signature of a perivascular region
CN110705626A (en) * 2019-09-26 2020-01-17 北京市商汤科技开发有限公司 Image processing method and device, electronic equipment and storage medium
US11684333B2 (en) * 2020-01-03 2023-06-27 National Taiwan University Medical image analyzing system and method thereof
KR102209086B1 (en) * 2020-08-28 2021-01-28 주식회사 스타랩스 Urinary Stones Information Providing Method, Apparatus and Computer-Readable Medium

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2696191A1 (en) 2011-04-06 2014-02-12 Universitat Autònoma De Barcelona Method for the characterisation and classification of kidney stones

Also Published As

Publication number Publication date
WO2023158118A1 (en) 2023-08-24

Similar Documents

Publication Publication Date Title
Binczyk et al. Radiomics and artificial intelligence in lung cancer screening
US10482603B1 (en) Medical image segmentation using an integrated edge guidance module and object segmentation network
Pranata et al. Deep learning and SURF for automated classification and detection of calcaneus fractures in CT images
Froz et al. Lung nodule classification using artificial crawlers, directional texture and support vector machine
WO2019200753A1 (en) Lesion detection method, device, computer apparatus and storage medium
Zhang et al. NODULe: Combining constrained multi-scale LoG filters with densely dilated 3D deep convolutional neural network for pulmonary nodule detection
US10902591B2 (en) Predicting pathological complete response to neoadjuvant chemotherapy from baseline breast dynamic contrast enhanced magnetic resonance imaging (DCE-MRI)
EP3806035A1 (en) Reducing false positive detections of malignant lesions using multi-parametric magnetic resonance imaging
US11107583B2 (en) Sequential integration of adversarial networks with handcrafted features (SANwicH): identifying sites of prognostic significance for predicting cancer recurrence
CN111986206A (en) Lung lobe segmentation method and device based on UNet network and computer-readable storage medium
CN110838114B (en) Pulmonary nodule detection method, device and computer storage medium
Hsiao et al. A deep learning-based precision and automatic kidney segmentation system using efficient feature pyramid networks in computed tomography images
EP3479349B1 (en) Change detection in medical images
EP4141790A1 (en) Method, device and system for automated segmentation of prostate in medical images for tumor detection
CN114092450A (en) Real-time image segmentation method, system and device based on gastroscopy video
KR20200120311A (en) Determination method for stage of cancer based on medical image and analyzing apparatus for medical image
Ansari et al. Multiple sclerosis lesion segmentation in brain MRI using inception modules embedded in a convolutional neural network
CN113724185B (en) Model processing method, device and storage medium for image classification
Almutairi et al. An Efficient USE‐Net Deep Learning Model for Cancer Detection
Mammeri et al. Early detection and diagnosis of lung cancer using YOLO v7, and transfer learning
US11055844B2 (en) Predicting response to immunotherapy using computer extracted features of cancer nuclei from hematoxylin and eosin (HandE) stained images of non-small cell lung cancer (NSCLC)
US12026879B2 (en) Method for detecting the presence of pneumonia area in medical images of patients, detecting system, and electronic device employing method
KR20230125412A (en) Classification method and analysis apparatus for uric acid stone using radiomics parameters of computed tomography
US20220036558A1 (en) Method and system for predicting expression of biomarker from medical image
Alshamrani et al. [Retracted] Automation of Cephalometrics Using Machine Learning Methods

Legal Events

Date Code Title Description
E902 Notification of reason for refusal