KR20230128181A - 인공지능 기반 어깨 회전근 개의 파열 상태 판독 방법, 장치 및 프로그램 - Google Patents
인공지능 기반 어깨 회전근 개의 파열 상태 판독 방법, 장치 및 프로그램 Download PDFInfo
- Publication number
- KR20230128181A KR20230128181A KR1020220025202A KR20220025202A KR20230128181A KR 20230128181 A KR20230128181 A KR 20230128181A KR 1020220025202 A KR1020220025202 A KR 1020220025202A KR 20220025202 A KR20220025202 A KR 20220025202A KR 20230128181 A KR20230128181 A KR 20230128181A
- Authority
- KR
- South Korea
- Prior art keywords
- rotator cuff
- tear
- reading
- medical data
- state
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 210000000513 rotator cuff Anatomy 0.000 title claims description 61
- 208000024288 Rotator Cuff injury Diseases 0.000 claims abstract description 132
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 37
- 201000010099 disease Diseases 0.000 claims abstract description 33
- 238000003062 neural network model Methods 0.000 claims abstract description 30
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 210000002435 tendon Anatomy 0.000 claims description 33
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000001356 surgical procedure Methods 0.000 claims description 10
- 206010043248 Tendon rupture Diseases 0.000 claims description 4
- 230000019771 cognition Effects 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 description 23
- 230000006870 function Effects 0.000 description 17
- 238000013527 convolutional neural network Methods 0.000 description 13
- 239000011159 matrix material Substances 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000002591 computed tomography Methods 0.000 description 6
- 210000003205 muscle Anatomy 0.000 description 6
- 238000011176 pooling Methods 0.000 description 6
- 238000002595 magnetic resonance imaging Methods 0.000 description 5
- 241001653121 Glenoides Species 0.000 description 4
- 238000002059 diagnostic imaging Methods 0.000 description 4
- 210000002758 humerus Anatomy 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 210000001991 scapula Anatomy 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000010409 thin film Substances 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 241000282465 Canis Species 0.000 description 1
- 208000000491 Tendinopathy Diseases 0.000 description 1
- 206010043255 Tendonitis Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 210000000621 bronchi Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000010408 film Substances 0.000 description 1
- 210000002216 heart Anatomy 0.000 description 1
- 210000003823 hyoid bone Anatomy 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 210000002832 shoulder Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 201000004415 tendinitis Diseases 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
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
- A61B5/4519—Muscles
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
- A61B5/4523—Tendons
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4842—Monitoring progression or stage of a disease
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- 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
- A61B6/52—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
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- High Energy & Nuclear Physics (AREA)
- Dentistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Artificial Intelligence (AREA)
- Optics & Photonics (AREA)
- Rheumatology (AREA)
- Physiology (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Pulmonology (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
의료 데이터로부터 어깨 질환들 중 회전근 개 파열 상태를 판독할 수 있는 어깨 질환 판독 방법, 장치 및 프로그램에 관한 것으로, 어깨 영상을 포함하는 의료 데이터를 획득하는 단계, 상기 획득한 의료 데이터를 전처리하는 단계, 상기 전처리한 의료 데이터를 사전 학습한 뉴럴 네트워크 모델에 입력하여 회전근 개 파열 상태를 판독하는 단계, 및 상기 판독한 회전근 개 파열 상태에 기반하여 상기 의료 데이터에 대한 결과 정보를 생성하는 단계를 포함하는 것을 특징으로 한다.
Description
본 발명은 어깨 질환 판독 방법에 관한 것으로, 보다 구체적으로 의료 데이터로부터 어깨 질환들 중 회전근 개 파열 상태를 판독할 수 있는 어깨 질환 판독 방법, 장치 및 프로그램에 관한 것이다.
일반적으로, 의료 영상들은 환자의 신체 내부를 확인할 수 있게 함으로써, 의사들의 환자 진단에 상당한 도움을 주고 있다.
예를 들어, 어깨, 심장, 폐, 기관지 등에 이상이 있는지 여부를 의료 영상을 통해 확인할 수 있다.
그러나, 일부 의료 영상들의 경우에는 판독 난이도가 높아, 수년 간의 경험이 있는 의료진들의 경우에도, 빠르게 판단을 내리기 어려운 경우가 존재한다.
특히, 의료 영상의 경우, 어깨 질환들 중 회전근 개에 건염 또는 파열이 존재할 수 있는데, 의료 영상을 통해 의료진이 시각적으로 파열 정도를 정확하게 판독하기가 어렵다.
최근에는, 입력 영상으로부터 직접 판독을 수행할 수 있는 뉴럴 네트워크 모델을 이용하기도 하였지만, 이러한 방법은, 데이터 수가 부족하거나 부적절하게 수집된 데이터로 인한 과적합 문제가 발생할 수 있으며, 뉴럴 네트워크 모델이 어떠한 부분을 보고 판정했는지 확인이 불가능하여 활용도가 떨어질 수 있다.
따라서, 향후, 의사들의 어깨 질환 진단을 보조하기 위해 뉴럴 네트워크 모델을 이용한 어깨 질환 판독 방법의 개발이 요구되고 있다.
상술한 바와 같은 문제점을 해결하기 위한 본 발명의 일 목적은, 의료 데이터를 전처리하여 회전근 개 파열 판독을 위한 대상 영역을 분할하고, 대상 영역을 사전 학습한 뉴럴 네트워크 모델에 입력하여 회전근 개 파열 상태를 판독함으로써, 회전근 개 파열 판독에 대한 정확도를 높일 수 있는 어깨 질환 판독 방법, 장치 및 프로그램을 제공하는 것이다.
본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 과제를 해결하기 위한 본 발명의 일 실시예에 따른 어깨 질환 판독 방법은, 어깨 영상을 포함하는 의료 데이터를 획득하는 단계, 상기 획득한 의료 데이터를 전처리하는 단계, 상기 전처리한 의료 데이터를 사전 학습한 뉴럴 네트워크 모델에 입력하여 회전근 개 파열 상태를 판독하는 단계, 및 상기 판독한 회전근 개 파열 상태에 기반하여 상기 의료 데이터에 대한 결과 정보를 생성하는 단계를 포함하는 것을 특징으로 한다.
실시 예에 있어서, 상기 획득한 의료 데이터를 전처리하는 단계는, 상기 획득한 의료 데이터로부터 회전근 개 파열 판독을 위한 대상 영역을 분할(segment)하는 것을 특징으로 한다.
실시 예에 있어서, 상기 획득한 의료 데이터를 전처리하는 단계는, 상기 회전근 개 파열 판독을 위한 대상 영역을 분할할 때, 사전 학습한 분할 모델을 사용하여 회전근 개 영역을 분할하고, 분류에 영향을 미치는 영역에 대해 관심 영역(ROI: Region Of Interest)를 지정하는 것을 특징으로 한다.
실시 예에 있어서, 상기 사전 학습한 분할 모델은, 2D U-Net을 포함하는 2차원 분할 모델(2D Segmentation Model) 또는 3D U-Net을 포함하는 3차원 분할 모델(3D Segmentation Model)인 것을 특징으로 한다.
실시 예에 있어서, 상기 지정된 관심 영역은, 견갑골(scapula)과 상완골(humerus) 사이에 위치하는 어깨 관절(glenoid)을 감싸는 근육 및 힘줄의 위치 지점을 포함하는 것을 특징으로 한다.
실시 예에 있어서, 상기 회전근 개 파열 상태를 판독하는 단계는, 상기 사전 학습한 뉴럴 네트워크 모델을 통해, 상기 회전근 개 파열 상태를 정상 상태 또는 비정상 상태인지를 1차 판독하고, 상기 판독 결과, 상기 회전근 개 파열 상태가 비정상 상태이면 회전근 개의 부분파열 상태 또는 전층 파열 상태인지를 2차 판독하는 것을 특징으로 한다.
실시 예에 있어서, 상기 회전근 개의 부분파열 상태 판독은, 상기 회전근 개의 부분파열 상태가 50% 미만 파열 또는 50% 이상 파열인지를 판독하는 것을 특징으로 한다.
실시 예에 있어서, 상기 회전근 개의 부분파열 상태 판독은, 상기 회전근 개의 부분파열 상태가 50% 미만 파열이면 수술 불필요로 판독하고, 상기 회전근 개의 부분파열 상태가 50% 이상 파열이면 수술 필요로 판독하는 것을 특징으로 한다.
실시 예에 있어서, 상기 회전근 개의 전층 파열 상태 판독은, 상기 회전근 개의 전층 파열 상태가 1개 힘줄 파열, 2개 힘줄 파열, 그리고 3개 힘줄 파열 중 어느 하나인지를 판독하는 것을 특징으로 한다.
실시 예에 있어서, 상기 회전근 개의 전층 파열 상태 판독은, 상기 회전근 개의 전층 파열 상태가 1개 힘줄 파열이면 그에 상응하는 제1 보험 수가 코드를 판독하고, 상기 회전근 개의 전층 파열 상태가 2개 힘줄 파열이면 그에 상응하는 제2 보험 수가 코드를 판독하며, 상기 회전근 개의 전층 파열 상태가 3개 힘줄 파열이면 그에 상응하는 제3 보험 수가 코드를 판독하는 것을 특징으로 한다.
실시 예에 있어서, 상기 회전근 개의 전층 파열 상태 판독은, 상기 회전근 개의 전층 파열 상태가 2.5cm 미만 힘줄 파열, 2.5cm 이상 힘줄 파열, 그리고 2.5cm 이상 힘줄 파열이고 동시에 봉합이 필요한 견갑하근 파열인지를 판독하는 것을 특징으로 한다.
실시 예에 있어서, 상기 회전근 개의 전층 파열 상태 판독은, 상기 회전근 개의 전층 파열 상태가 2.5cm 미만 힘줄 파열이면 그에 상응하는 제1 보험 수가 코드를 판독하고, 상기 회전근 개의 전층 파열 상태가 2.5cm 이상 힘줄 파열이면 그에 상응하는 제2 보험 수가 코드를 판독하며, 상기 회전근 개의 전층 파열 상태가 2.5cm 이상 힘줄 파열이고 동시에 봉합이 필요한 견갑하근 파열이면 그에 상응하는 제3 보험 수가 코드를 판독하는 것을 특징으로 한다.
실시 예에 있어서, 상기 의료 데이터에 대한 결과 정보를 생성하는 단계는, 상기 판독한 회전근 개 파열 상태에 기반하여 회전근 개 파열 상태 판독 결과를 시각화하는 결과 정보를 생성하는 것을 특징으로 한다.
본 발명의 일 실시예에 따른 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 어깨 질환 판독을 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은, 어깨 영상을 포함하는 의료 데이터를 획득하는 동작, 상기 획득한 의료 데이터를 전처리하는 동작, 상기 전처리한 의료 데이터를 사전 학습한 뉴럴 네트워크 모델에 입력하여 회전근 개 파열 상태를 판독하는 동작, 및 상기 판독한 회전근 개 파열 상태에 기반하여 상기 의료 데이터에 대한 결과 정보를 생성하는 동작을 포함하는 것을 특징으로 한다.
본 발명의 일 실시예에 따른 어깨 질환 판독 방법을 제공하기 위한 컴퓨팅 장치는, 하나 이상의 코어를 포함하는 프로세서 및 메모리를 포함하고, 상기 프로세서는, 어깨 영상을 포함하는 의료 데이터를 획득하고, 상기 획득한 의료 데이터를 전처리하며, 상기 전처리한 의료 데이터를 사전 학습한 뉴럴 네트워크 모델에 입력하여 회전근 개 파열 상태를 판독하고, 상기 판독한 회전근 개 파열 상태에 기반하여 상기 의료 데이터에 대한 결과 정보를 생성하는 것을 특징으로 한다.
상술한 과제를 해결하기 위한 본 발명의 다른 실시 예에 따른 어깨 질환 판독 방법을 제공하는 컴퓨터 프로그램은, 하드웨어인 컴퓨터와 결합되어 상술한 방법 중 어느 하나의 방법을 수행하기 위해 매체에 저장된다.
이 외에도, 본 발명을 구현하기 위한 다른 방법, 다른 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 컴퓨터 판독 가능한 기록 매체가 더 제공될 수 있다.
상기와 같이 본 발명에 따르면, 의료 데이터를 전처리하여 회전근 개 파열 판독을 위한 대상 영역을 분할하고, 대상 영역을 사전 학습한 뉴럴 네트워크 모델에 입력하여 회전근 개 파열 상태를 판독함으로써, 회전근 개 파열 판독에 대한 정확도를 높일 수 있다.
본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은, 본 발명의 일 실시예에 따라, 어깨 질환 판독 방법을 제공하기 위한 동작을 수행하는 컴퓨팅 장치의 블록 구성도를 도시한 도면이다.
도 2는, 본 발명의 일 실시예에 따라, 어깨 질환을 판독하기 위한 네트워크 함수를 나타낸 개략도이다.
도 3 및 도 4는, 본 발명의 일 실시예에 따라, 회전근 개 파열 상태 판독을 위한 회전근 개 영역의 분할 영상을 보여주는 도면이다.
도 5는, 본 발명의 일 실시예에 따라, 회전근 개 파열 영역의 전처리 영상을 보여주는 도면이다.
도 6은, 본 발명의 일 실시예에 따라, 회전근 개 파열 상태 판독을 시각화하는 결과 정보를 보여주는 도면이다.
도 7은, 본 발명의 일 실시예에 따라, 어깨 질환 판독 방법을 설명하기 위한 순서도이다.
도 2는, 본 발명의 일 실시예에 따라, 어깨 질환을 판독하기 위한 네트워크 함수를 나타낸 개략도이다.
도 3 및 도 4는, 본 발명의 일 실시예에 따라, 회전근 개 파열 상태 판독을 위한 회전근 개 영역의 분할 영상을 보여주는 도면이다.
도 5는, 본 발명의 일 실시예에 따라, 회전근 개 파열 영역의 전처리 영상을 보여주는 도면이다.
도 6은, 본 발명의 일 실시예에 따라, 회전근 개 파열 상태 판독을 시각화하는 결과 정보를 보여주는 도면이다.
도 7은, 본 발명의 일 실시예에 따라, 어깨 질환 판독 방법을 설명하기 위한 순서도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.
설명에 앞서 본 명세서에서 사용하는 용어의 의미를 간략히 설명한다. 그렇지만 용어의 설명은 본 명세서의 이해를 돕기 위한 것이므로, 명시적으로 본 발명을 한정하는 사항으로 기재하지 않은 경우에 본 발명의 기술적 사상을 한정하는 의미로 사용하는 것이 아님을 주의해야 한다.
본 명세서에서 신경망, 인공 신경망, 네트워크 함수는 종종 상호 교환 가능하게 사용될 수 있다.
본 발명의 상세한 설명 및 청구항들에 걸쳐 이용된 "영상" 또는 "영상 데이터"라는 용어는 이산적 영상 요소들(예컨대, 2차원 영상에 있어서는 픽셀)로 구성된 다차원 데이터를 지칭하며, 달리 말하자면, (예컨대, 비디오 화면에 표시된) 눈으로 볼 수 있는 대상 또는 (예컨대, CT, MRI 검출기 등의 픽셀 출력에 대응되는 파일과 같은) 그 대상의 디지털 표현물을 지칭하는 용어이다.
예를 들어 "이미지" 또는 "영상"은 전산화 단층 촬영(CT; computed tomography), 자기 공명 영상(MRI; magnetic resonance imaging), 설골 영상, 초음파 또는 본 발명의 기술분야에서 공지된 임의의 다른 의료 영상 시스템의 의하여 수집된 피검체(subject)의 의료 영상일 수 있다. 영상이 반드시 의료적 맥락에서 제공되어야 하는 것은 아니고 비의료적 맥락에서 제공될 수도 있는 바, 예를 들어 보안 검색용 X선 촬영 등이 있을 수 있다.
본 발명의 상세한 설명 및 청구항들에 걸쳐 'DICOM(Digital Imaging and Communications in Medicine; 의료용 디지털 영상 및 통신)' 표준은 의료용 기기에서 디지털 영상 표현과 통신에 이용되는 여러 가지 표준을 총칭하는 용어인 바, DICOM 표준은 미국 방사선 의학회(ACR)와 미국 전기 공업회(NEMA)에서 구성한 연합 위원회에서 발표한다.
또한, 본 발명의 상세한 설명 및 청구항들에 걸쳐 '의료영상 저장 전송 시스템(PACS; Picture Archiving and Communication System)'은 DICOM 표준에 맞게 저장, 가공, 전송하는 시스템을 지칭하는 용어이며, X선, CT, MRI와 같은 디지털 의료영상 장비를 이용하여 획득된 의료영상 이미지는 DICOM 형식으로 저장되고 네트워크를 통하여 병원 내외의 단말로 전송이 가능하며, 이에는 판독 결과 및 진료 기록이 추가될 수 있다.
또한, 본 명세서에 걸쳐, 뉴럴 네트워크(neural network), 신경망 네트워크, 네트워크 함수는, 동일한 의미로 사용될 수 있다. 뉴럴 네트워크는, 일반적으로 “노드”라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 “노드”들은, “뉴런(neuron)”들로 지칭될 수도 있다. 뉴럴 네트워크는, 적어도 둘 이상의 노드들을 포함하여 구성된다. 뉴럴 네트워크들을 구성하는 노드(또는 뉴런)들은 하나 이상의 “링크”에 의해 상호 연결될 수 있다.
도 1은, 본 발명의 일 실시예에 따라, 어깨 질환 판독 방법을 제공하기 위한 동작을 수행하는 컴퓨팅 장치의 블록 구성도를 도시한 도면이다.
도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화하여 나타낸 예시일 뿐이다. 본 발명의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.
컴퓨팅 장치(100)는, 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.
본 발명에서, 프로세서(110)는, 어깨 영상을 포함하는 의료 데이터를 획득하고, 획득한 의료 데이터를 전처리하며, 전처리한 의료 데이터를 사전 학습한 뉴럴 네트워크 모델에 입력하여 회전근 개 파열 상태를 판독하고, 판독한 회전근 개 파열 상태에 기반하여 의료 데이터에 대한 결과 정보를 생성할 수 있다.
여기서, 의료 데이터는, 영상 데이터, 음성 데이터 및 시계열 데이터 중 적어도 하나를 포함할 수 있다. 즉, 의료업에 종사하는 자 또는 진단을 위한 장치 등이 데이터 내에 질병의 존재 유무를 판단할 수 있는 임의의 형태의 데이터가 의료 데이터에 포함될 수 있다. 영상 데이터는 환자의 환부를 검사 장비를 통해 촬영 또는 측정하여 전기 신호화 한 후 출력되는 모든 영상 데이터를 포함한다. 영상 데이터는, 의료 영상 촬영기기로부터 시간에 따라 연속하여 촬영된 동영상에서 동영상의 각 프레임을 구성하는 영상 데이터를 포함할 수 있다. 예를 들어, 초음파 검사 영상 데이터, MRI 장치에 의한 영상 데이터, CT 단층 촬영 영상 데이터, X-ray 촬영 영상 데이터 등을 포함한다. 나아가, 음성 데이터를 전기 신호로 변환하여 그래프 형태의 이미지로 출력하거나 시계열 데이터를 그래프 등의 시각화 된 자료로 나타낸 경우, 해당 이미지 또는 자료는, 상기 영상 데이터에 포함될 수 있다. 일 예로, 의료 데이터는, CT 영상을 포함할 수 있다. 의료 데이터에 관한 전술한 예시는, 일 예시에 불과할 뿐, 본 개시를 제한하지 않는다.
일 실시예로, 의료 데이터는, 어깨 MRI 영상을 포함할 수 있는데, 이는 일 실시예일 뿐, 이에 한정되지 않는다.
다음, 프로세서(110)는, 획득한 의료 데이터를 전처리할 때, 획득한 의료 데이터로부터 회전근 개 파열 판독을 위한 대상 영역을 분할(segment)할 수 있다.
여기서, 프로세서(110)는, 회전근 개 파열 판독을 위한 대상 영역을 분할할 때, 사전 학습한 분할 모델을 사용하여 회전근 개 영역을 분할하고, 분류에 영향을 미치는 영역에 대해 관심 영역(ROI: Region Of Interest)를 지정할 수 있다.
일 예로, 사전 학습한 분할 모델은, 2D U-Net을 포함하는 2차원 분할 모델(2D Segmentation Model) 또는 3D U-Net을 포함하는 3차원 분할 모델(3D Segmentation Model)일 수 있다.
그리고, 지정된 관심 영역은, 견갑골(scapula)과 상완골(humerus) 사이에 위치하는 어깨 관절(glenoid)을 감싸는 근육 및 힘줄의 위치 지점을 포함할 수 있는데, 이는 일 실시예일 뿐, 이에 한정되지는 않는다.
경우에 따라, 프로세서(110)는, 획득한 의료 데이터를 전처리할 때, 의료 데이터의 음영 변화를 기반으로 회전근 개 파열 판독을 위한 대상 영역을 분할할 수도 있다.
여기서, 프로세서(110)는, 획득한 의료 데이터를 전처리할 때, 의료 데이터로부터 음영 변화율을 산출하고, 산출된 음영 변화율이 기준값 이상인 영역을 회전근 개 파열 판독을 위한 대상 영역으로 검출하며, 검출한 대상 영역을 분할할 수 있다.
일 예로, 회전근 개 파열 판독을 위한 대상 영역은, 견갑골(scapula)과 상완골(humerus) 사이에 위치하는 어깨 관절(glenoid)을 감싸는 근육 및 힘줄의 위치 지점을 포함할 수 있다.
다른 경우로서, 프로세서(110)는, 획득한 의료 데이터를 전처리할 때, 획득한 의료 데이터로부터 회전근 개 파열 판독을 위한 대상 영역을 1차 분할하고, 대상 영역이 1차 분할된 의료 데이터로부터 회전근 개 파열 판독을 위한 대상 영역을 2차 분할할 수 있다.
여기서, 프로세서(110)는, 대상 영역을 1차 분할할 때, 의료 데이터의 음영 변화를 기반으로 분할할 수 있다.
일 예로, 프로세서(110)는, 대상 영역을 1차 분할할 때, 의료 데이터로부터 음영 변화율을 산출하고, 산출된 음영 변화율이 기준값 이상인 영역을 회전근 개 파열 판독을 위한 대상 영역으로 검출하며, 검출한 대상 영역을 1차 분할할 수 있다.
또한, 프로세서(110)는, 대상 영역을 2차 분할할 때, 대상 영역이 1차 분할된 의료 데이터로부터 회전근 개 파열 판독을 위한 대상 영역을 X축 방향 또는 Y축 방향으로 2차 분할할 수 있다.
여기서, 프로세서(110)는, 대상 영역을 2차 분할할 때, 대상 영역이 1차 분할된 의료 데이터로부터 회전근 개 파열 판독을 위한 대상 영역을 X축 방향으로 절단하여 다수의 대상 영역으로 2차 분할하거나 또는 Y축 방향으로 절단하여 다수의 대상 영역으로 2차 분할할 수 있다.
다른 경우로서, 프로세서(110)는, 획득한 의료 데이터를 전처리할 때, 획득한 의료 데이터로부터 회전근 개 파열 판독을 위한 대상 영역을 1차 분할하고, 대상 영역이 1차 분할된 의료 데이터로부터 회전근 개 파열 판독을 위한 대상 영역을 제1 방향으로 2차 분할하며, 대상 영역이 1차 분할된 의료 데이터로부터 회전근 개 파열 판독을 위한 대상 영역을 제2 방향으로 3차 분할할 수 있다.
여기서, 프로세서(110)는, 대상 영역을 1차 분할할 때, 의료 데이터의 음영 변화를 기반으로 분할할 수 있다.
일 예로, 프로세서(110)는, 대상 영역을 1차 분할할 때, 의료 데이터로부터 음영 변화율을 산출하고, 산출된 음영 변화율이 기준값 이상인 영역을 회전근 개 파열 판독을 위한 대상 영역으로 검출하며, 검출한 대상 영역을 1차 분할할 수 있다.
이어, 프로세서(110)는, 대상 영역을 2차 분할할 때, 대상 영역이 1차 분할된 의료 데이터로부터 회전근 개 파열 판독을 위한 대상 영역을 X축 방향으로 2차 분할할 수 있다.
여기서, 프로세서(110)는, 대상 영역을 2차 분할할 때, 대상 영역이 1차 분할된 의료 데이터로부터 회전근 개 파열 판독을 위한 대상 영역을 X축 방향으로 절단하여 다수의 대상 영역으로 2차 분할할 수 있다.
그리고, 프로세서(110)는, 대상 영역을 3차 분할할 때, 대상 영역이 1차 분할된 의료 데이터로부터 회전근 개 파열 판독을 위한 대상 영역을 Y축 방향으로 3차 분할할 수 있다.
여기서, 프로세서(110)는, 대상 영역을 3차 분할할 때, 대상 영역이 1차 분할된 의료 데이터로부터 회전근 개 파열 판독을 위한 대상 영역을 Y축 방향으로 절단하여 다수의 대상 영역으로 3차 분할할 수 있다.
다음, 프로세서(110)는, 회전근 개 파열 상태를 판독할 때, 사전 학습한 뉴럴 네트워크 모델을 통해, 회전근 개 파열 상태를 정상 상태 또는 비정상 상태인지를 1차 판독하고, 판독 결과, 회전근 개 파열 상태가 비정상 상태이면 회전근 개의 부분파열 상태 또는 전층 파열 상태인지를 2차 판독할 수 있다.
여기서, 프로세서(110)는, 회전근 개의 부분파열 상태를 판독할 때, 회전근 개의 부분파열 상태가 50% 미만 파열 또는 50% 이상 파열인지를 판독할 수 있다.
일 예로, 프로세서(110)는, 회전근 개의 부분파열 상태가 50% 미만 파열이면 수술 불필요로 판독하고, 회전근 개의 부분파열 상태가 50% 이상 파열이면 수술 필요로 판독할 수 있다.
또한, 프로세서(110)는, 회전근 개의 전층 파열 상태를 판독할 때, 회전근 개의 전층 파열 상태가 1개 힘줄 파열, 2개 힘줄 파열, 그리고 3개 힘줄 파열 중 어느 하나인지를 판독할 수 있다.
여기서, 프로세서(110)는, 회전근 개의 전층 파열 상태가 1개 힘줄 파열이면 그에 상응하는 제1 보험 수가 코드를 판독하고, 회전근 개의 전층 파열 상태가 2개 힘줄 파열이면 그에 상응하는 제2 보험 수가 코드를 판독하며, 회전근 개의 전층 파열 상태가 3개 힘줄 파열이면 그에 상응하는 제3 보험 수가 코드를 판독할 수 있다.
또한, 프로세서(110)는, 회전근 개의 전층 파열 상태를 판독할 때, 회전근 개의 전층 파열 상태가 2.5cm 미만 힘줄 파열, 2.5cm 이상 힘줄 파열, 그리고 2.5cm 이상 힘줄 파열이고 동시에 봉합이 필요한 견갑하근 파열인지를 판독할 수 있다.
여기서, 프로세서(110)는, 회전근 개의 전층 파열 상태가 2.5cm 미만 힘줄 파열이면 그에 상응하는 제1 보험 수가 코드를 판독하고, 회전근 개의 전층 파열 상태가 2.5cm 이상 힘줄 파열이면 그에 상응하는 제2 보험 수가 코드를 판독하며, 회전근 개의 전층 파열 상태가 2.5cm 이상 힘줄 파열이고 동시에 봉합이 필요한 견갑하근 파열이면 그에 상응하는 제3 보험 수가 코드를 판독할 수 있다.
그리고, 본 발명의 뉴럴 네트워크 모델은, 의료 데이터로부터 분할된 회전근 개 파열 판독을 위한 대상 영역이 입력되면 회전근 개 파열 상태를 판독하도록 사전 학습될 수 있다.
경우에 따라, 본 발명의 뉴럴 네트워크 모델은, 의료 데이터로부터 분할된 회전근 개 파열 판독을 위한 대상 영역이 입력되면 회전근 개 파열 상태를 판독하고, 회전근 개 파열 상태 판독 결과를 기반으로 수술 여부와 그에 상응하는 보험 수가 코드를 판독하도록 사전 학습될 수도 있다.
일 예로, 뉴럴 네트워크 모델은, 3D U-Net을 이용한 RCT(Randomized Controlled Trial) 모델을 포함할 수 있는데, 이는 일 실시예일 뿐, 이에 한정되지 않는다.
이어, 프로세서(110)는, 의료 데이터에 대한 결과 정보를 생성할 때, 판독한 회전근 개 파열 상태에 기반하여 회전근 개 파열 상태 판독 결과를 시각화하는 결과 정보를 생성할 수 있다.
일 예로, 회전근 개 파열 상태 판독 결과를 시각화하는 결과 정보는, 회전근 개 파열 거리, 회전근 개 파열 체적, 보험 수가 코드, 그리고 회전근 개 파열 영역 중 적어도 어느 하나를 포함할 수 있는데, 이는 일 실시예일 뿐, 이에 한정되지 않는다.
또한, 전술한 뉴럴 네트워크 모델은, 딥 뉴럴 네트워크일 수 있다. 본 명세서에 걸쳐, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는, 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크 (CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다.
컨벌루셔널 뉴럴 네트워크는, 딥 뉴럴 네트워크의 일종으로서, 컨벌루셔널 레이어를 포함하는 신경망을 포함한다. 컨벌루셔널 뉴럴 네트워크는, 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. CNN은, 하나 또는 여러 개의 컨벌루셔널 레이어와 이와 결합된 인공 신경망 계층들로 구성될 수 있다. CNN은, 가중치와 풀링 레이어(pooling layer)들을 추가로 활용할 수 있다. 이러한 구조 덕분에 CNN은, 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 컨벌루셔널 뉴럴 네트워크는, 이미지에서 오브젝트를 인식하기 위하여 사용될 수 있다. 컨벌루셔널 뉴럴 네트워크는, 이미지 데이터를 차원을 가진 행렬로 나타내어 처리할 수 있다. 예를 들어 RGB(red-green-blue)로 인코딩 된 이미지 데이터의 경우, R, G, B 색상별로 각각 2차원(예를 들어, 2 차원 이미지 인 경우) 행렬로 나타내 질 수 있다. 즉, 이미지 데이터의 각 픽셀의 색상 값이 행렬의 성분이 될 수 있으며 행렬의 크기는 이미지의 크기와 같을 수 있다. 따라서, 이미지 데이터는, 3개의 2차원 행렬로(3차원의 데이터 어레이)로 나타내질 수 있다.
컨벌루셔널 뉴럴 네트워크에서, 컨벌루셔널 필터를 이동해가며 컨벌루셔널 필터와 이미지의 각 위치에서의 행렬 성분끼리 곱하는 것으로 컨벌루셔널 과정(컨벌루셔널 레이어의 입출력)을 수행할 수 있다. 컨벌루셔널 필터는, n*n 형태의 행렬로 구성될 수 있다. 컨벌루셔널 필터는, 일반적으로 이미지의 전체 픽셀의 수보다 작은 고정된 형태의 필터로 구성될 수 있다. 즉, m*m 이미지를 컨벌루셔널 레이어(예를 들어, 컨벌루셔널 필터의 사이즈가 n*n인 컨벌루셔널 레이어)입력시키는 경우, 이미지의 각 픽셀을 포함하는 n*n 픽셀을 나타내는 행렬이 컨벌루셔널 필터와 성분 곱 (즉, 행렬의 각 성분끼리의 곱) 될 수 있다. 컨벌루셔널 필터와의 곱에 의하여 이 미지에서 컨벌루셔널 필터와 매칭되는 성분이 추출될 수 있다. 예를 들어, 이미지에서 상하 직선 성분을 추출하기 위한 3*3 컨벌루셔널 필터는 [[0,1,0], [0,1,0], [0,1,0]] 와 같이 구성될 수 있다. 이미지에서 상하 직선 성분을 추출하기 위한 3*3 컨벌루셔널 필터가 입력 이미지에 적용되면 이미지에서 컨벌루셔널 필터와 매칭되는 상하 직선 성분이 추출되어 출력될 수 있다. 컨벌루셔널 레이어는 이미지를 나타낸 각각의 채널에 대한 각각의 행렬(즉, R, G, B 코딩 이미지의 경우, R, G, B 색상)에 컨벌루셔널 필터를 적용할 수 있다. 컨벌루셔널 레이어는 입력 이미지에 컨벌루셔널 필터를 적용하여 입력 이미지에서 컨벌루셔널 필터와 매칭되는 피쳐를 추출할 수 있다. 컨벌루셔널 필터의 필터 값(즉, 행렬의 각 성분의 값)은 컨벌루셔널 뉴럴 네트워크의 학습 과정에서 역전파에 의하여 업데이트 될 수 있다.
컨벌루셔널 레이어의 출력에는, 서브샘플링 레이어가 연결되어 컨벌루셔널 레이어의 출력을 단순화하여 메모리 사용량과 연산량을 줄일 수 있다. 예를 들어, 2*2 맥스 풀링 필터를 가지는 풀링 레이어에 컨벌루셔널 레이어의 출력을 입력시키는 경우, 이미지의 각 픽셀에서 2*2 패치마다 각 패치에 포함되는 최대값을 출력하여 이미지를 압축할 수 있다. 전술한 풀링은 패치에서 최소값을 출력하거나, 패치의 평균값을 출력하는 방식일 수도 있으며 임의의 풀링 방식이 본 발명에 포함될 수 있다.
컨벌루셔널 뉴럴 네트워크는, 하나 이상의 컨벌루셔널 레이어, 서브 샘플링 레이어를 포함할 수 있다. 컨벌루셔널 뉴럴 네트워크는 컨벌루셔널 과정과 서브샘플링 과정(예를 들어, 전술한 맥스 풀링 등)을 반복적으로 수행하여 이미지에서 피쳐를 추출할 수 있다. 반복적인 컨벌루션널 과정과 서브샘플링 과정을 통해 뉴럴 네트워크는 이미지의 글로벌 피쳐를 추출할 수 있다.
컨벌루셔널 레이어 또는 서브샘플링 레이어의 출력은 풀 커넥티드 레이어(fully connected layer)에 입력될 수 있다. 풀 커넥티드 레이어는 하나의 레이어에 있는 모든 뉴런과 이웃한 레이어에 있는 모든 뉴런이 연결되는 레이어이다. 풀 커넥티드 레이어는 뉴럴 네트워크에서 각 레이어의 모든 노드가 다른 레이어의 모든 노드에 연결된 구조를 의미할 수 있다.
본 발명의 일 실시예에 따르면, 프로세서(110)는, 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는, 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 발명의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 발명의 일실시예에 따라 프로세서(110)는, 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는, 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 발명의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 발명의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은, CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.
본 발명의 일 실시예에 따르면, 메모리(130)는, 어깨 질환 판독 수행 및 어깨 질환 판독 결과를 제공하기 위한 컴퓨터 프로그램을 저장할 수 있으며, 저장된 컴퓨터 프로그램은 프로세서(120)에 의하여 판독되어 구동될 수 있다. 메모리(130)는, 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다.
본 발명의 일 실시예에 따르면, 메모리(130)는, 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 이에 제한되지 않는다.
본 발명의 일 실시예에 따른 네트워크부(150)는, 어깨 질환 판독 결과 정보 등을 다른 컴퓨팅 장치, 서버 등과 송수신할 수 있다. 또한, 네트워크부(150)는, 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 복수의 컴퓨팅 장치 각각에서 어깨 질환 판독 또는 모델의 학습을 위한 동작들이 분산 수행되도록 할 수 있다. 네트워크부(150)는, 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 어깨 질환 판독 판독 또는 네트워크 함수를 사용한 모델 학습을 위한 연산을 분산 처리하도록 할 수 있다.
본 발명의 일 실시예에 따른 네트워크부(150)는, 근거리(단거리), 원거리, 유선 및 무선 등과 같은 현재 사용 및 구현되는 임의의 형태의 유무선 통신 기술에 기반하여 동작할 수 있으며, 다른 네트워크들에서도 사용될 수 있다.
본 발명의 컴퓨팅 장치(100)는, 출력부 및 입력부를 더 포함할 수도 있다.
본 발명의 일 실시예에 따른 출력부는, 어깨 질환 판독 결과를 제공하기 위한 사용자 인터페이스(UI, user interface)를 표시할 수 있다. 출력부는, 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 출력할 수 있다.
본 발명의 일 실시예에서, 출력부는, 액정 디스플레이(liquid crystal display, LCD), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display, TFT LCD), 유기 발광 다이오드(organic light-emitting diode, OLED), 플렉시블 디스플레이(flexible display), 3차원 디스플레이(3D display) 중에서 적어도 하나를 포함할 수 있다. 이들 중 일부 디스플레이 모듈은, 그를 통해 외부를 볼 수 있도록 투명형 또는 광 투과형으로 구성될 수 있다. 이는 투명 디스플레이 모듈이라 지칭될 수 있는데, 상기 투명 디스플레이 모듈의 대표적인 예로는 TOLED(Transparent OLED) 등이 있다.
본 발명의 일 실시예에 따른 입력부는, 사용자 입력을 수신할 수 있다. 입력부는, 사용자 입력을 수신받기 위한 사용자 인터페이스 상의 키 및/또는 버튼들, 또는 물리적인 키 및/또는 버튼들을 구비할 수 있다. 입력부를 통한 사용자 입력에 따라 본 발명의 실시예들에 따른 디스플레이를 제어하기 위한 컴퓨터 프로그램이 실행될 수 있다.
본 발명의 실시예들에 따른 입력부는, 사용자의 버튼 조작 또는 터치 입력을 감지하여 신호를 수신하거나, 카메라 또는 마이크로폰을 통하여 사용자 등의 음성 또는 동작을 수신하여 이를 입력 신호로 변환할 수도 있다. 이를 위해 음성 인식(Speech Recognition) 기술 또는 동작 인식(Motion Recognition) 기술들이 사용될 수 있다.
본 발명의 실시예들에 따른 입력부는, 컴퓨팅 장치(100)와 연결된 외부 입력 장비로서 구현될 수도 있다. 예를 들어, 입력 장비는 사용자 입력을 수신하기 위한 터치 패드, 터치 펜, 키보드 또는 마우스 중 적어도 하나일 수 있으나, 이는 예시일 뿐이며 이에 제한되는 것은 아니다.
본 발명의 일 실시예에 따른 입력부는, 사용자 터치 입력을 인식할 수 있다. 본 발명의 일 실시예에 따른 입력부는, 출력부와 동일한 구성일 수도 있다. 입력부는, 사용자의 선택 입력을 수신하도록 구현되는 터치 스크린으로 구성될 수 있다. 터치 스크린은, 접촉식 정전용량 방식, 적외선 광 감지 방식, 표면 초음파(SAW) 방식, 압전 방식, 저항막 방식 중 어느 하나의 방식이 사용될 수 있다. 전술한 터치 스크린에 대한 자세한 기재는, 본 발명의 일 실시예에 따른 예시일 뿐이며, 다양한 터치 스크린 패널이 컴퓨팅 장치(100)에 채용될 수 있다. 터치 스크린으로 구성된 입력부는, 터치 센서를 포함할 수 있다. 터치 센서는, 입력부의 특정 부위에 가해진 압력 또는 입력부의 특정 부위에 발생하는 정전 용량 등의 변화를 전기적인 입력신호로 변환하도록 구성될 수 있다. 터치 센서는, 터치 되는 위치 및 면적뿐만 아니라, 터치 시의 압력까지도 검출할 수 있도록 구성될 수 있다. 터치 센서에 대한 터치입력이 있는 경우, 그에 대응하는 신호(들)는 터치 제어기로 보내진다. 터치 제어기는, 그 신호(들)를 처리한 다음 대응하는 데이터를 프로세서(110)로 전송할 수 있다. 이로써, 프로세서(110)는 입력부의 어느 영역이 터치 되었는지 여부 등을 인식할 수 있게 된다.
본 발명의 일 실시예에서, 서버는, 서버의 서버 환경을 수행하기 위한 다른 구성들이 포함될 수도 있다. 서버는 임의의 형태의 장치는 모두 포함할 수 있다. 서버는, 디지털 기기로서, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다.
본 발명의 일 실시예에 따른 어깨 질환 판독 결과를 표시하는 사용자 인터페이스를 사용자 단말로 제공하기 위한 동작을 수행하는 서버(미도시)는, 네트워크부, 프로세서 및 메모리를 포함할 수 있다.
서버는, 본 발명의 실시예들에 따른 사용자 인터페이스를 생성할 수 있다. 서버는, 클라이언트(예를 들어, 사용자 단말)에게 네트워크를 통해 정보를 제공하는 컴퓨팅 시스템일 수 있다. 서버는, 생성한 사용자 인터페이스를 사용자 단말로 전송할 수 있다. 이러한 경우, 사용자 단말은, 서버에 액세스할 수 있는 임의의 형태의 컴퓨팅 장치(100)일 수 있다. 서버의 프로세서는, 네트워크부를 통해 사용자 단말로 사용자 인터페이스를 전송할 수 있다. 본 발명의 실시예들에 따른 서버는 예를 들어, 클라우드 서버일 수 있다. 서버는 서비스를 처리하는 웹 서버일 수 있다. 전술한 서버의 종류는 예시일 뿐이며 이에 제한되지 않는다.
이와 같이, 본 발명은, 의료 데이터를 전처리하여 회전근 개 파열 판독을 위한 대상 영역을 분할하고, 대상 영역을 사전 학습한 뉴럴 네트워크 모델에 입력하여 회전근 개 파열 상태를 판독함으로써, 회전근 개 파열 판독에 대한 정확도를 높일 수 있다.
도 2는, 본 발명의 일 실시예에 따라, 어깨 질환을 판독하기 위한 네트워크 함수를 나타낸 개략도이다.
도 2에 도시된 바와 같이, 본 발명은, 어깨 영상을 포함하는 의료 데이터를 획득하고, 획득한 의료 데이터를 전처리하며, 전처리한 의료 데이터를 사전 학습한 뉴럴 네트워크 모델에 입력하여 회전근 개 파열 상태를 판독하고, 판독한 회전근 개 파열 상태에 기반하여 의료 데이터에 대한 결과 정보를 생성할 수 있다.
여기서, 본 발명은, 사전 학습한 3D U-Net을 포함하는 3차원 분할 모델(3D Segmentation Model)을 사용하여 회전근 개 영역을 분할하고, 분류에 영향을 미치는 영역에 대해 관심 영역(ROI: Region Of Interest)를 지정할 수 있다.
일 예로, 견갑골(scapula)과 상완골(humerus) 사이에 위치하는 어깨 관절(glenoid)을 감싸는 근육 및 힘줄의 위치 지점을 포함할 수 있는데, 이는 일 실시예일 뿐, 이에 한정되지는 않는다.
그리고, 본 발명의 뉴럴 네트워크 모델은, 3D U-Net을 이용한 RCT(Randomized Controlled Trial) 모델을 포함할 수 있다.
여기서, 본 발명의 뉴럴 네트워크 모델은, 의료 데이터로부터 분할된 회전근 개 파열 판독을 위한 대상 영역이 입력되면 회전근 개 파열 상태를 판독하고, 회전근 개 파열 상태 판독 결과를 기반으로 수술 여부와 그에 상응하는 보험 수가 코드를 판독하도록 사전 학습될 수 있다.
이어, 본 발명은, 사전 학습한 뉴럴 네트워크 모델을 통해, 회전근 개 파열 상태를 정상 상태 또는 비정상 상태인지를 1차 판독하고, 판독 결과, 회전근 개 파열 상태가 비정상 상태이면 회전근 개의 부분파열 상태 또는 전층 파열 상태인지를 2차 판독할 수 있다.
그리고, 본 발명은, 판독한 회전근 개 파열 상태에 기반하여 회전근 개 파열 상태 판독 결과를 시각화하는 결과 정보를 생성할 수 있다.
도 3 및 도 4는, 본 발명의 일 실시예에 따라, 회전근 개 파열 상태 판독을 위한 회전근 개 영역의 분할 영상을 보여주는 도면이다.
도 3 및 도 4에 도시된 바와 같이, 본 발명은, 사전 학습한 뉴럴 네트워크 모델을 통해, 전처리된 의료 데이터의 분할 영상이 입력되면 회전근 개 파열 상태를 정상 상태 또는 비정상 상태인지를 1차 판독하고, 1차 판독 결과, 회전근 개 파열 상태가 비정상 상태이면 회전근 개의 부분파열 상태 또는 전층 파열 상태인지를 2차 판독할 수 있다.
본 발명은, 도 3과 같이, 전처리된 의료 데이터의 분할 영상이 사전 학습한 뉴럴 네트워크 모델에 입력되면 회전근 개 파열 상태를 정상 상태로 판독할 수 있다.
또한, 본 발명은, 도 4와 같이, 전처리된 의료 데이터의 분할 영상이 사전 학습한 뉴럴 네트워크 모델에 입력되면 회전근 개 파열 상태를 비정상 상태로 판독할 수 있다.
여기서, 본 발명은, 회전근 개의 부분 파열 상태를 판독할 때, 회전근 개의 부분파열 상태가 50% 미만 파열이면 수술 불필요로 판독하고, 회전근 개의 부분파열 상태가 50% 이상 파열이면 수술 필요로 판독할 수 있다.
그리고, 본 발명은, 회전근 개의 전층 파열 상태를 판독할 때, 회전근 개의 전층 파열 상태가 1개 힘줄 파열인 소파열이면 그에 상응하는 제1 보험 수가 코드를 판독하고, 회전근 개의 전층 파열 상태가 2개 힘줄 파열인 중파열이면 그에 상응하는 제2 보험 수가 코드를 판독하며, 회전근 개의 전층 파열 상태가 3개 힘줄 파열인 대파열이면 그에 상응하는 제3 보험 수가 코드를 판독할 수 있다.
도 5는, 본 발명의 일 실시예에 따라, 회전근 개 파열 영역의 전처리 영상을 보여주는 도면이다.
도 5에 도시된 바와 같이, 본 발명은, 획득한 의료 데이터를 전처리할 때, 의료 데이터의 음영 변화를 기반으로 회전근 개 파열 판독을 위한 대상 영역을 분할할 수 있다.
여기서, 본 발명은, 획득한 의료 데이터를 전처리할 때, 의료 데이터로부터 음영 변화율을 산출하고, 산출된 음영 변화율이 기준값 이상인 영역을 회전근 개 파열 판독을 위한 대상 영역으로 검출하며, 검출한 대상 영역을 분할할 수 있다.
다른 경우로서, 본 발명은, 획득한 의료 데이터를 전처리할 때, 획득한 의료 데이터로부터 회전근 개 파열 판독을 위한 대상 영역을 1차 분할하고, 대상 영역이 1차 분할된 의료 데이터로부터 회전근 개 파열 판독을 위한 대상 영역을 2차 분할할 수 있다.
여기서, 본 발명은, 대상 영역을 1차 분할할 때, 의료 데이터로부터 음영 변화율을 산출하고, 산출된 음영 변화율이 기준값 이상인 영역을 회전근 개 파열 판독을 위한 대상 영역으로 검출하며, 검출한 대상 영역을 1차 분할할 수 있다.
또한, 본 발명은, 대상 영역을 2차 분할할 때, 대상 영역이 1차 분할된 의료 데이터로부터 회전근 개 파열 판독을 위한 대상 영역을 X축 방향으로 절단하여 다수의 대상 영역으로 2차 분할하거나 또는 Y축 방향으로 절단하여 다수의 대상 영역으로 2차 분할할 수 있다.
또 다른 경우로서, 본 발명은, 획득한 의료 데이터를 전처리할 때, 획득한 의료 데이터로부터 회전근 개 파열 판독을 위한 대상 영역을 1차 분할하고, 대상 영역이 1차 분할된 의료 데이터로부터 회전근 개 파열 판독을 위한 대상 영역을 제1 방향으로 2차 분할하며, 대상 영역이 1차 분할된 의료 데이터로부터 회전근 개 파열 판독을 위한 대상 영역을 제2 방향으로 3차 분할할 수 있다.
여기서, 본 발명은, 대상 영역을 1차 분할할 때, 의료 데이터로부터 음영 변화율을 산출하고, 산출된 음영 변화율이 기준값 이상인 영역을 회전근 개 파열 판독을 위한 대상 영역으로 검출하며, 검출한 대상 영역을 1차 분할할 수 있다.
이어, 본 발명은, 대상 영역을 2차 분할할 때, 대상 영역이 1차 분할된 의료 데이터로부터 회전근 개 파열 판독을 위한 대상 영역을 X축 방향으로 절단하여 다수의 대상 영역으로 2차 분할할 수 있다.
그리고, 본 발명은, 대상 영역을 3차 분할할 때, 대상 영역이 1차 분할된 의료 데이터로부터 회전근 개 파열 판독을 위한 대상 영역을 Y축 방향으로 절단하여 다수의 대상 영역으로 3차 분할할 수 있다.
도 6은, 본 발명의 일 실시예에 따라, 회전근 개 파열 상태 판독을 시각화하는 결과 정보를 보여주는 도면이다.
도 6에 도시된 바와 같이, 본 발명은, 판독한 회전근 개 파열 상태에 기반하여 회전근 개 파열 상태 판독 결과를 시각화하는 결과 정보를 생성할 수 있다.
일 예로, 회전근 개 파열 상태 판독 결과를 시각화하는 결과 정보는, 회전근 개 파열 거리(distance), 회전근 개 파열 체적(volumn), 보험 수가 코드(code), 그리고 특정 컬러로 표시되는 회전근 개 파열 영역 중 적어도 어느 하나를 포함할 수 있는데, 이는 일 실시예일 뿐, 이에 한정되지 않는다.
도 7은, 본 발명의 일 실시예에 따라, 어깨 질환 판독 방법을 설명하기 위한 순서도이다.
도 7에 도시된 바와 같이, 본 발명은, 어깨 영상을 포함하는 의료 데이터를 획득할 수 있다(S10).
그리고, 본 발명은, 획득한 의료 데이터를 전처리할 수 있다(S20).
여기서, 본 발명은, 사전 학습한 분할 모델을 사용하여 회전근 개 영역을 분할하고, 분류에 영향을 미치는 영역에 대해 관심 영역(ROI: Region Of Interest)를 지정할 수 있다.
경우에 따라, 본 발명은, 의료 데이터의 음영 변화를 기반으로 회전근 개 파열 판독을 위한 대상 영역을 분할할 수도 있다.
다른 경우로서, 본 발명은, 획득한 의료 데이터로부터 회전근 개 파열 판독을 위한 대상 영역을 1차 분할하고, 대상 영역이 1차 분할된 의료 데이터로부터 회전근 개 파열 판독을 위한 대상 영역을 2차 분할할 수 있다.
여기서, 본 발명은, 대상 영역을 1차 분할할 때, 의료 데이터의 음영 변화를 기반으로 분할할 수 있고, 1차 분할된 의료 데이터로부터 회전근 개 파열 판독을 위한 대상 영역을 X축 방향 또는 Y축 방향으로 2차 분할할 수 있다.
또 다른 경우로서, 획득한 의료 데이터로부터 회전근 개 파열 판독을 위한 대상 영역을 1차 분할하고, 대상 영역이 1차 분할된 의료 데이터로부터 회전근 개 파열 판독을 위한 대상 영역을 제1 방향으로 2차 분할하며, 대상 영역이 1차 분할된 의료 데이터로부터 회전근 개 파열 판독을 위한 대상 영역을 제2 방향으로 3차 분할할 수 있다.
여기서, 본 발명은, 의료 데이터의 음영 변화를 기반으로 대상 영역을 1차 분할할 수 있고, 1차 분할된 의료 데이터로부터 회전근 개 파열 판독을 위한 대상 영역을 X축 방향으로 2차 분할할 수 있으며, 1차 분할된 의료 데이터로부터 회전근 개 파열 판독을 위한 대상 영역을 Y축 방향으로 3차 분할할 수 있다.
다음, 본 발명은, 전처리한 의료 데이터를 사전 학습한 뉴럴 네트워크 모델에 입력하여 회전근 개 파열 상태를 판독할 수 있다(S30).
여기서, 본 발명은, 사전 학습한 뉴럴 네트워크 모델을 통해, 회전근 개 파열 상태를 정상 상태 또는 비정상 상태인지를 1차 판독하고, 판독 결과, 회전근 개 파열 상태가 비정상 상태이면 회전근 개의 부분파열 상태 또는 전층 파열 상태인지를 2차 판독할 수 있다.
이어, 본 발명은, 판독한 회전근 개 파열 상태에 기반하여 의료 데이터에 대한 결과 정보를 생성할 수 있다(S40).
여기서, 본 발명은, 판독한 회전근 개 파열 상태에 기반하여 회전근 개 파열 상태 판독 결과를 시각화하는 결과 정보를 생성할 수 있다.
일 예로, 회전근 개 파열 상태 판독 결과를 시각화하는 결과 정보는, 회전근 개 파열 거리, 회전근 개 파열 체적, 보험 수가 코드, 그리고 회전근 개 파열 영역 중 적어도 어느 하나를 포함할 수 있는데, 이는 일 실시예일 뿐, 이에 한정되지 않는다.
이와 같이, 본 발명은, 의료 데이터를 전처리하여 회전근 개 파열 판독을 위한 대상 영역을 분할하고, 대상 영역을 사전 학습한 뉴럴 네트워크 모델에 입력하여 회전근 개 파열 상태를 판독함으로써, 회전근 개 파열 판독에 대한 정확도를 높일 수 있다.
이상에서 전술한 본 발명의 일 실시예에 따른 방법은, 하드웨어인 서버와 결합되어 실행되기 위해 프로그램(또는 어플리케이션)으로 구현되어 매체에 저장될 수 있다.
상기 전술한 프로그램은, 상기 컴퓨터가 프로그램을 읽어 들여 프로그램으로 구현된 상기 방법들을 실행시키기 위하여, 상기 컴퓨터의 프로세서(CPU)가 상기 컴퓨터의 장치 인터페이스를 통해 읽힐 수 있는 C, C++, JAVA, 기계어 등의 컴퓨터 언어로 코드화된 코드(Code)를 포함할 수 있다. 이러한 코드는 상기 방법들을 실행하는 필요한 기능들을 정의한 함수 등과 관련된 기능적인 코드(Functional Code)를 포함할 수 있고, 상기 기능들을 상기 컴퓨터의 프로세서가 소정의 절차대로 실행시키는데 필요한 실행 절차 관련 제어 코드를 포함할 수 있다. 또한, 이러한 코드는 상기 기능들을 상기 컴퓨터의 프로세서가 실행시키는데 필요한 추가 정보나 미디어가 상기 컴퓨터의 내부 또는 외부 메모리의 어느 위치(주소 번지)에서 참조되어야 하는지에 대한 메모리 참조관련 코드를 더 포함할 수 있다. 또한, 상기 컴퓨터의 프로세서가 상기 기능들을 실행시키기 위하여 원격(Remote)에 있는 어떠한 다른 컴퓨터나 서버 등과 통신이 필요한 경우, 코드는 상기 컴퓨터의 통신 모듈을 이용하여 원격에 있는 어떠한 다른 컴퓨터나 서버 등과 어떻게 통신해야 하는지, 통신 시 어떠한 정보나 미디어를 송수신해야 하는지 등에 대한 통신 관련 코드를 더 포함할 수 있다.
상기 저장되는 매체는, 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상기 저장되는 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있지만, 이에 제한되지 않는다. 즉, 상기 프로그램은 상기 컴퓨터가 접속할 수 있는 다양한 서버 상의 다양한 기록매체 또는 사용자의 상기 컴퓨터상의 다양한 기록매체에 저장될 수 있다. 또한, 상기 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장될 수 있다.
본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.
이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.
Claims (10)
- 어깨 질환을 판독하는 장치에 의해 수행되는 방법에 있어서,
어깨 영상을 포함하는 의료 데이터를 획득하는 단계;
상기 획득한 의료 데이터를 전처리하는 단계;
상기 전처리한 의료 데이터를 사전 학습한 뉴럴 네트워크 모델에 입력하여 회전근 개 파열 상태를 판독하는 단계; 및
상기 판독한 회전근 개 파열 상태에 기반하여 상기 의료 데이터에 대한 결과 정보를 생성하는 단계를 포함하는 것을 특징으로 하는 어깨 질환 판독 방법. - 제1 항에 있어서,
상기 획득한 의료 데이터를 전처리하는 단계는,
상기 획득한 의료 데이터로부터 회전근 개 파열 판독을 위한 대상 영역을 분할(segment)하는 것을 특징으로 하는 어깨 질환 판독 방법. - 제2 항에 있어서,
상기 획득한 의료 데이터를 전처리하는 단계는,
상기 회전근 개 파열 판독을 위한 대상 영역을 분할할 때, 사전 학습한 분할 모델을 사용하여 회전근 개 영역을 분할하고, 분류에 영향을 미치는 영역에 대해 관심 영역(ROI: Region Of Interest)를 지정하는 것을 특징으로 하는 어깨 질환 판독 방법. - 제1 항에 있어서,
상기 회전근 개 파열 상태를 판독하는 단계는,
상기 사전 학습한 뉴럴 네트워크 모델을 통해, 상기 회전근 개 파열 상태를 정상 상태 또는 비정상 상태인지를 1차 판독하고, 상기 판독 결과, 상기 회전근 개 파열 상태가 비정상 상태이면 회전근 개의 부분파열 상태 또는 전층 파열 상태인지를 2차 판독하는 것을 특징으로 하는 어깨 질환 판독 방법. - 제4 항에 있어서,
상기 회전근 개의 부분파열 상태 판독은,
상기 회전근 개의 부분파열 상태가 50% 미만 파열 또는 50% 이상 파열인지를 판독하는 것을 특징으로 하는 어깨 질환 판독 방법. - 제5 항에 있어서,
상기 회전근 개의 부분파열 상태 판독은,
상기 회전근 개의 부분파열 상태가 50% 미만 파열이면 수술 불필요로 판독하고, 상기 회전근 개의 부분파열 상태가 50% 이상 파열이면 수술 필요로 판독하는 것을 특징으로 하는 어깨 질환 판독 방법. - 제4 항에 있어서,
상기 회전근 개의 전층 파열 상태 판독은,
상기 회전근 개의 전층 파열 상태가 1개 힘줄 파열, 2개 힘줄 파열, 그리고 3개 힘줄 파열 중 어느 하나인지를 판독하는 것을 특징으로 하는 어깨 질환 판독 방법. - 제7 항에 있어서,
상기 회전근 개의 전층 파열 상태 판독은,
상기 회전근 개의 전층 파열 상태가 1개 힘줄 파열이면 그에 상응하는 제1 보험 수가 코드를 판독하고, 상기 회전근 개의 전층 파열 상태가 2개 힘줄 파열이면 그에 상응하는 제2 보험 수가 코드를 판독하며, 상기 회전근 개의 전층 파열 상태가 3개 힘줄 파열이면 그에 상응하는 제3 보험 수가 코드를 판독하는 것을 특징으로 하는 어깨 질환 판독 방법. - 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 어깨 질환 판독을 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은:
어깨 영상을 포함하는 의료 데이터를 획득하는 동작;
상기 획득한 의료 데이터를 전처리하는 동작;
상기 전처리한 의료 데이터를 사전 학습한 뉴럴 네트워크 모델에 입력하여 회전근 개 파열 상태를 판독하는 동작; 및
상기 판독한 회전근 개 파열 상태에 기반하여 상기 의료 데이터에 대한 결과 정보를 생성하는 동작을 포함하는 것을 특징으로 하는 컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램. - 어깨 질환 판독 방법을 제공하기 위한 컴퓨팅 장치로서,
하나 이상의 코어를 포함하는 프로세서; 및
메모리;
를 포함하고,
상기 프로세서는,
어깨 영상을 포함하는 의료 데이터를 획득하고,
상기 획득한 의료 데이터를 전처리하며,
상기 전처리한 의료 데이터를 사전 학습한 뉴럴 네트워크 모델에 입력하여 회전근 개 파열 상태를 판독하고,
상기 판독한 회전근 개 파열 상태에 기반하여 상기 의료 데이터에 대한 결과 정보를 생성하는 것을 특징으로 하는 컴퓨팅 장치.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220025202A KR20230128181A (ko) | 2022-02-25 | 2022-02-25 | 인공지능 기반 어깨 회전근 개의 파열 상태 판독 방법, 장치 및 프로그램 |
| US18/114,139 US20230293094A1 (en) | 2022-02-25 | 2023-02-24 | Method,apparatus and computer program for reading rotator cuff tear state or muscle fat degeneration disorder based on artificial intelligence |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220025202A KR20230128181A (ko) | 2022-02-25 | 2022-02-25 | 인공지능 기반 어깨 회전근 개의 파열 상태 판독 방법, 장치 및 프로그램 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230128181A true KR20230128181A (ko) | 2023-09-04 |
Family
ID=88018541
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220025202A KR20230128181A (ko) | 2022-02-25 | 2022-02-25 | 인공지능 기반 어깨 회전근 개의 파열 상태 판독 방법, 장치 및 프로그램 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20230128181A (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102291854B1 (ko) | 2019-07-10 | 2021-08-23 | 한국과학기술연구원 | 3차원 딥러닝을 이용한 어깨 질환 자동 진단 장치, 어깨 질환 진단을 위한 정보 제공 방법 및 어깨 질환 진단을 위한 정보 제공 방법을 수행하는 컴퓨터 프로그램을 기록한 전자 기록 매체 |
-
2022
- 2022-02-25 KR KR1020220025202A patent/KR20230128181A/ko not_active Application Discontinuation
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102291854B1 (ko) | 2019-07-10 | 2021-08-23 | 한국과학기술연구원 | 3차원 딥러닝을 이용한 어깨 질환 자동 진단 장치, 어깨 질환 진단을 위한 정보 제공 방법 및 어깨 질환 진단을 위한 정보 제공 방법을 수행하는 컴퓨터 프로그램을 기록한 전자 기록 매체 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yap et al. | Deep learning in diabetic foot ulcers detection: A comprehensive evaluation | |
| US10706333B2 (en) | Medical image analysis method, medical image analysis system and storage medium | |
| US10755413B1 (en) | Method and system for medical imaging evaluation | |
| Borsting et al. | Applied deep learning in plastic surgery: classifying rhinoplasty with a mobile app | |
| JP2021529061A (ja) | 画像処理方法、電子機器及び記憶媒体 | |
| US20220180514A1 (en) | Methods of assessing lung disease in chest x-rays | |
| US20210407637A1 (en) | Method to display lesion readings result | |
| KR20220078495A (ko) | 캡슐 내시경 영상 기반 소장 병변 판독 방법, 장치 및 프로그램 | |
| US20240046471A1 (en) | Three-dimensional medical image recognition method and apparatus, device, storage medium, and product | |
| Biswas et al. | DFU_MultiNet: A deep neural network approach for detecting diabetic foot ulcers through multi-scale feature fusion using the DFU dataset | |
| Rifai et al. | Analysis for diagnosis of pneumonia symptoms using chest X-ray based on MobileNetV2 models with image enhancement using white balance and contrast limited adaptive histogram equalization (CLAHE) | |
| KR20230128181A (ko) | 인공지능 기반 어깨 회전근 개의 파열 상태 판독 방법, 장치 및 프로그램 | |
| KR102317857B1 (ko) | 병변 판독 방법 | |
| US20230293094A1 (en) | Method,apparatus and computer program for reading rotator cuff tear state or muscle fat degeneration disorder based on artificial intelligence | |
| KR20230128182A (ko) | 인공지능 기반 어깨 회전근 개 근육 지방 변성 질환 판독 방법, 장치 및 프로그램 | |
| Rani et al. | Skin disease diagnosis using vgg19 algorithm and treatment recommendation system | |
| KR102553060B1 (ko) | 인공지능 기반의 척추 정보를 이용한 의료영상정보 제공 방법, 장치 및 프로그램 | |
| KR20230047240A (ko) | 폐렴 판독 방법, 장치 및 프로그램 | |
| KR20220046798A (ko) | 폐 손상 진단 장치, 방법 및 기록매체 | |
| KR20220032405A (ko) | 흉부 이미지 판독 방법 | |
| KR20230168491A (ko) | 인공지능 기반 중심장액맥락망막병증 진단 방법, 장치 및 프로그램 | |
| KR20230007736A (ko) | 인공 슬관절 해리 판독 방법 | |
| KR102650787B1 (ko) | 설골 움직임 추적 방법 | |
| KR102590483B1 (ko) | 호흡 운동 관리 방법, 장치 및 프로그램 | |
| KR102375786B1 (ko) | 의료 영상에서 이상 소견 탐지 및 판독문 생성 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |