KR20230129078A - 생체 이미지내의 병변 정량화 방법 및 장치 - Google Patents

생체 이미지내의 병변 정량화 방법 및 장치 Download PDF

Info

Publication number
KR20230129078A
KR20230129078A KR1020220025789A KR20220025789A KR20230129078A KR 20230129078 A KR20230129078 A KR 20230129078A KR 1020220025789 A KR1020220025789 A KR 1020220025789A KR 20220025789 A KR20220025789 A KR 20220025789A KR 20230129078 A KR20230129078 A KR 20230129078A
Authority
KR
South Korea
Prior art keywords
lesion
image
information
processor
body images
Prior art date
Application number
KR1020220025789A
Other languages
English (en)
Inventor
황두현
노두현
Original Assignee
코넥티브 주식회사
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 코넥티브 주식회사 filed Critical 코넥티브 주식회사
Priority to KR1020220025789A priority Critical patent/KR20230129078A/ko
Priority to US18/114,913 priority patent/US20230274424A1/en
Publication of KR20230129078A publication Critical patent/KR20230129078A/ko

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0012Biomedical image inspection
    • 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
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033Features 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
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/05Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055Detecting, 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
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/45For evaluating or diagnosing the musculoskeletal system or teeth
    • A61B5/4504Bones
    • 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
    • A61B6/50Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/505Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of bone
    • 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
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/11Region-based segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/60Analysis of geometric attributes
    • G06T7/62Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G16H50/50ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10072Tomographic images
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10116X-ray image
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20081Training; Learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20084Artificial neural networks [ANN]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30008Bone
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30096Tumor; Lesion

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Public Health (AREA)
  • Radiology & Medical Imaging (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Optics & Photonics (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Physiology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Pulmonology (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)

Abstract

본 출원은 프로세서; 및 프로세서에 의해 수행되도록 구현된 하나 이상의 명령어(instructions)를 포함하는 메모리를 포함하고, 프로세서는, 기계 학습모델에 기초하여 대상체에 대해 3차원적으로 촬영된 복수의 제1생체 이미지 각각으로부터 복수의 제1생체 이미지내의 병변정보를 추출하고, 복수의 제1생체 이미지 각각을 이미지처리하여 병변정보의 영역이 표시된 복수의 제2생체 이미지를 생성하고, 병변정보의 영역을 이용하여 병변의 부피를 정량적으로 산출하는 생체 이미지 병변 정량화 장치 및 방법을 제공한다.

Description

생체 이미지내의 병변 정량화 방법 및 장치{APPARTUS AND METHOD FOR QUANTIFYING LESION IN BIOMETRIC IMAGE}
본 출원은 생체 이미지내의 병변 정량화 방법 및 장치에 관한 것으로, 더욱 자세하게는 기계 학습 모델을 이용하여 3차원적으로 단층 촬영한 생체 이미지에서 병변을 정량화하여, 이를 기반으로 병변을 추적 관찰할 수 있는 장치 및 방법에 관한 것이다.
최근 인공지능 학습모델이 발달함에 따라 의료영상을 판독함에 많은 기계 학습모델을 이용하고 있다. 예를 들어, 합성곱 신경망(Convolutional Neural Networks), 심층 신경망(Deep Neural Networks), 순환 신경망(Recurrent Neural Network), 심층 신뢰 신경망(Deep Belief Networks) 등과 같은 학습모델은 의료영상 이미지를 detection, classification, feature learning을 하는데 적용되고 있다.
기계 학습모델은 피검사자의 질환을 예측하기 위하여 영상 판독(finding/diagnosis)을 지원하는데 사용되고 있다. 보다 구체적으로, 피검사자의 의료영상을 획득하여 기계 학습모델에 기반하여 속성정보를 추출하여 진단자에게 제공하고, 진단자로 하여금 속성정보를 기반으로 질환을 예측하거나 질환의 진행추이를 판단하게 된다. 이때, 속성정보는 의료영상에 포함된 여러가지 정보를 포함한다.
한편, 의료분야에서 골종양 치료는 수술 후, 영상 촬영을 통한 추적 관찰을 반드시 시행하는데, 이는 치료에 대한 평가 및 재발 여부 판정에 대해 반드시 시행하는 과정으로, 이를 위해선 2차원 의료 영상(예, X-ray 이미지) 혹은 3차원 의료 영상 (예, CT, MRI 이미지)에서 나타난 골종양을 감별하고, 환자의 병력, 연령, 임상 증상, 병변의 해부학적 위치 등에 기초하여 판단한다. 일 예로, 3차원 영상에 기초하여 골종양 치료에 대한 평가를 할 때, 병변(종양)의 T1 및 T2 이완 특성의 변화에 대한 정성적 및 주관적 해석에 의존한다. 이 때문에 골종양 영상 판독에 익숙하지 않은 의료진일수록 수술 후 치료와 재발여부의 평가가 부정확할 수밖에 없는 실정이다.
특히, 고형종양(solid tumor)의 치료효과 기록 및 보고의 표준화를 위해 세계보건기구(World Health Organization, WHO)의 응답 평가 기준(response evaluation criterion)에 따르면, 종양 치료의 세부적 판단을 위해 사용되는 3차원 의료 영상에 대해, 치료전 3차원 영상에서 종양이 가장 크게 보이는 2차원 단면을 선택하여 종양의 장경과 이에 수직하며 가장 긴 단경을 측정하고, 치료후엔 이러한 종양의 장경과 단경의 증감을 측정하는 방법으로 수행하였다.
그러나 골종양은 본질적으로 3차원 구조를 가지고 있기 때문에, 종래와 같은 방법으로 수술 후, 치료에 대한 평가 및 재발 여부 판정은 실질적으로 부정확성을 가지고 있었다. 따라서, 종양 수술 후, 치료에 대한 평가 및 재발 여부 판정의 정확성을 높이기 위해선 병변(종양)의 정확한 위치뿐만 아니라 병변의 크기 혹은 부피의 정량적 측정에 대한 필요성이 대두되고 있다.
대한민국특허청 등록특허공보 제10-2202361호
본 발명의 실시예는 대상체에 대해 3차원적으로 단층 촬영된 생체 이미지에 대해 기계 학습모델을 이용하여 생체 이미지내의 병변정보를 정확히 추출할 수 있는 생체 이미지 병변 정량화 방법 및 장치를 제공하고자 한다.
본 발명의 다른 실시예는 생체 이미지내의 병변정보 영역을 정량적으로 측정하여 대상체 치료에 대한 추적 관찰을 지원할 수 있는 생체 이미지 병변 정량화 방법 및 장치를 제공하고자 한다.
본 출원의 과제는 이상에서 언급한 과제로 제한되지 않으며, 언급되지 않는 또 다른 과제는 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
본 발명의 일측면에 따른 생체 이미지 병변 정량화 장치는 프로세서; 및 상기 프로세서에 의해 수행되도록 구현된 하나 이상의 명령어(instructions)를 포함하는 메모리를 포함하고, 상기 프로세서는, 기계 학습모델에 기초하여 대상체에 대해 3차원적으로 촬영된 복수의 제1생체 이미지 각각으로부터 상기 복수의 제1생체 이미지내의 병변정보를 추출하고, 상기 복수의 제1생체 이미지 각각을 이미지처리하여 상기 병변정보의 영역이 표시된 복수의 제2생체 이미지를 생성하고, 상기 병변정보의 영역을 이용하여 상기 병변의 부피를 정량적으로 산출한다.
병변의 정보는 상기 병변의 위치 혹은 병변의 크기일 수 있다.
병변은 골종양을 포함하는 고형종양일 수 있다.
프로세서는, 상기 복수의 제2생체 이미지내의 상기 병변정보의 영역을 이미지처리하여 상기 병변정보의 영역만이 시각화된 복수의 제3생체 이미지를 생성할 수 있다.
본 발명의 일측면에 따른 생체 이미지 병변 정량화 방법은 기계 학습모델에 기초하여 대상체에 대해 3차원적으로 촬영된 복수의 제1생체 이미지 각각으로부터 프로세서에 의해 상기 복수의 제1생체 이미지내의 병변정보를 추출하는 단계; 상기 프로세서에 의해 상기 복수의 제1생체 이미지 각각을 이미지처리하여 상기 병변정보의 영역이 표시된 복수의 제2생체 이미지를 생성하는 단계; 및 상기 프로세서에 의해 상기 병변정보의 영역을 이용하여 상기 병변의 부피를 정량적으로 산출하는 단계를 포함한다.
본 발명의 실시예에 따르면, 3차원적으로 단층 촬영된 생체 이미지에 대해 기계 학습모델을 이용하여 생체 이미지내의 병변정보 정확히 추출할 수 있는 효고가 있다.
또한, 본 발명의 실시예에 따르면, 생체 이미지내의 병변정보 영역을 정량적으로 측정하여 대상체 치료에 대한 추적 관찰을 지원할 수 있는 효과가 있다.
본 출원의 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않는 또 다른 효과는 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 생체 이미지 병변 정량화 장치의 예시적 구성을 개략적으로 나타낸 도이다.
도 2는 본 발명의 일 실시예에 따른 병변 정량화를 위한 생체 이미지 병변 정량화 시스템을 개략적으로 나타낸 도이다.
도 3은 본 발명의 일 실시예에 따른 생체 이미지내의 병변을 인식하기 위한 프로세서의 블록도를 나타낸 도이다.
도 4는 본 발명의 일 실시예에 따른 컴퓨팅 장치에 의해 단층촬영된 제1생체 이미지들의 속성정보 추출 및 제2생체 이미지들을 생성하는 과정을 예시적으로 나타낸 도이다.
도 5는 본 발명의 일 실시예에 따른 컴퓨팅 장치에 의해 생성된 제2 생체 이미지들에 표시된 라벨정보 영역을 설명하기 위해 예시적으로 나타낸 도이다.
도 6은 본 발명의 일 실시예에 따른 컴퓨팅장치에 의해 생성된 제2 생체 이미지내의 라벨정보 영역을 시각화한 제3생체 이미지를 예시적으로 나타낸 도이다.
도 7은 본 발명의 일 실시예에 따른 생체 이미지 병변 정량화 방법을 예시적으로 나타낸 흐름도이다.
이하 본 발명의 실시예에 대하여 첨부한 도면을 참조하여 상세하게 설명하기로 한다. 다만, 첨부된 도면은 본 발명의 내용을 보다 쉽게 개시하기 위하여 설명되는 것일 뿐, 본 발명의 범위가 첨부된 도면의 범위로 한정되는 것이 아님은 이 기술분야의 통상의 지식을 가진 자라면 용이하게 알 수 있을 것이다.
또한, 본 발명의 상세한 설명 및 청구항들에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 발명의 상세한 설명 및 청구항들에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 발명의 상세한 설명 및 청구항들에서, "학습", 혹은 "러닝" 등의 용어는 절차에 따른 컴퓨팅(computing)을 통하여 기계학습(machine learning)을 수행함을 일컫는 용어인바, 인간의 교육활동과 같은 정신적 작용을 지칭하도록 의도된 것이 아닌 것으로 이해되어야 한다.
본 발명의 상세한 설명 및 청구항들에서 사용한 "영상" 혹은 "이미지"의 용어는 사람 또는 사물의 형태 또는 그의 구체적인 특성을 디지털 형태로 복제 또는 모방한 것으로 정의될 수 있고, 이미지는 JPEG 이미지, PNG 이미지, GIF 이미지, TIFF 이미지 또는 당 업계에 알려진 임의의 다른 디지털 이미지 형식일 수 있지만 이에 제한되지는 않는다. 또한, "이미지"는 "사진" 또는 "영상"과 같은 의미로 사용될 수 있다.
더욱이, 본 발명은 본 명세서에 표시된 실시예들의 모든 가능한 조합들을 망라한다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예에 관련하여 본 발명의 사상 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 사상 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.
도 1은 본 발명의 일 실시예에 따른 생체 이미지 병변 정량화 장치의 예시적 구성을 개략적으로 나타낸 도이다.
도 1을 참조하면, 생체 이미지 병변 정량화 장치(100)는 컴퓨팅 디바이스(Computing Device, 110), 디스플레이 디바이스(Display Device, 130)를 포함할 수 있다.
컴퓨팅 디바이스(110)는 프로세서(Processor, 111), 메모리부(Memory Unit, 113), 스토리지 디바이스(Storage Device, 115), 입/출력 인터페이스(117), 네트웍 어뎁터(Network Adapter, 118), 디스플레이 어뎁터(Display Adapter, 119), 및/또는 프로세서(111)를 포함한 다양한 시스템 구성요소를 메모리부(113)에 연결하는 시스템 버스(System bus, 112)를 포함할 수 있지만 이에 한정되지 않는다. 또한, 생체 이미지 병변 정량화 장치는 정보를 전달하기 위한 시스템 버스(112)뿐만 아니라 다른 통신 메커니즘을 포함할 수 있다.
시스템 버스 또는 다른 통신 메커니즘은, 프로세서, 컴퓨터 판독가능한 기록매체인 메모리, 근거리 통신 모듈(예를 들어, 블루투스나 NFC), 네트워크 인터페이스나 이동통신 모듈을 포함하는 네트워크 어뎁터, 디스플레이 디바이스(예를 들면, CRT 또는 LCD 등), 입력장치(예를 들면, 키보드, 키패드, 가상 키보드, 마우스, 트랙볼, 스타일러스, 터치 감지 수단 등), 및/또는 하위 시스템들을 상호 접속한다.
프로세서(111)는 기계 학습모델(13)을 활용하여 자동으로 프로세싱하는 프로세싱 모듈일 수 있고, CPU, AP(Application Processor), 마이크로 컨트롤러 등일 수 있으나 이에 한정되는 것은 아니다.
프로세서(111)는 디스플레이 디바이스용 하드웨어 제어기 예를들어, 디스플레이 어뎁터(119)와 통신하여 디스플레이 디바이스(130) 상에 골종양 인식 장치의 동작 및 유저 인터페이스를 표시할 수 있다.
프로세서(111)는 메모리부(113)에 접속하여 메모리부에 저장된 명령들이나 로직의 하나 이상의 시퀀스들을 실행하는 것에 의해 이후 설명될 본 발명의 실시예에 따른 골종양 인식 장치의 동작을 제어한다.
이러한 명령들은, 정적 저장부(Static storage) 또는 디스크 드라이브와 같은 다른 컴퓨터 판독가능 기록매체로부터 메모리 안에서 판독될 수도 있다. 다른 실시형태들에서, 본 개시를 구현하기 위한 소프트웨어 명령들을 대신하거나 소프트웨어 명령들과 조합된 하드웨어에 내장된 회로부(hard-wired circuitry)가 사용될 수도 있다. 로직은, 프로세서로 명령들을 제공하는데 참여하는 임의의 매체를 지칭할 수도 있으며, 메모리부(113)에 로딩될 수도 있다.
시스템 버스(System bus, 112)는 다양한 버스 구조(architectures) 중 임의의 것을 사용하는 메모리 버스 또는 메모리 컨트롤러, 주변장치버스, 가속 그래픽 포트 및 프로세서 혹은 로컬 버스를 포함하는 여러 가능한 유형의 버스 구조 중 하나 이상을 나타낸다. 예를 들어, 이런 구조들(architectures)은 ISA(Industry Standard Architecture) 버스, MCA(Micro Channel Architecture) 버스, EISA(Enhanced ISA)버스, VESA(Video Electronics Standard Association) 로컬 버스, AGP(Accelerated Graphics Port) 버스 및 PCI(Peripheral Component Interconnects), PCI-Express 버스, PCMCIA(Personal Computer Memory Card Industry Association), USB(Universal Serial Bus)과 같은 것을 포함할 수 있다.
시스템 버스(System bus, 112)는 유, 무선 네트워크 연결로서 실행될 수 있다. 프로세서(Processor, 111), 대용량 스토리지 장치(Mass Storage Device), 오퍼레이팅 시스템(Operating System, 113c, 115a), 이미징 소프트웨어(Imaging Software, 113b, 115b), 이미징 데이터(Imaging Data, 113a, 115c), 네트워크 어뎁터(Network Adapter, 118), 시스템 메모리(System Memory), 입/출력 인터페이스(Input/Output Interface, 117), 디스플레이 어뎁터(Display Adapter, 119) 및/또는 디스플레이 디바이스(Display Device, 130)를 포함하는 서브 시스템 각각은 물리적으로 분리된 위치에 후술할 하나 이상의 원격 컴퓨팅 디바이스(Remote Computing Device, 200, 300, 400) 안에 포함될 수 있고, 분산된 시스템을 효율적으로 실행하는데 있어 이와 같은 형태의 버스들을 통해 연결될 수 있다.
버스의 배선들(wires)을 포함하는 송신 매체들은 동축 케이블, 동선(copper wire), 및 광섬유들을 포함할 수 있다. 일 예에서, 송신 매체들은, 라디오 파 통신이나 적외선 데이터 통신 동안 생성된 음파 또는 광파의 형태를 취할 수도 있다.
본 발명의 실시예에 따른 생체 이미지 병변 정량화 장치(100)는, 네트워크 링크 및 네트워크 어뎁터(Network Adapter, 118)를 통해 메시지들, 데이터, 정보 및 하나 이상의 프로그램들(즉, 애플리케이션 코드)을 포함하는 명령들을 송신하고 수신할 수도 있다.
네트워크 어뎁터(Network Adapter, 118)는, 네트워크 링크를 통한 송수신을 가능하게 하기 위한, 별개의 또는 통합된 안테나를 포함할 수도 있다. 네트워크 어뎁터(118)는 네트워크에 접속하여 원격 컴퓨팅 장치(Remote Computing Device, 200, 300, 400)와 통신할 수 있다. 네트워크는 LAN, WLAN, PSTN, 및 셀룰러 폰 네트워크 중 적어도 하나를 포함할 수 있으나 이에 한정되는 것은 아니다.
네트워크 어뎁터(118)는 상기 네트워크에 접속하기 위한 네트워크 인터페이스 및 이동통신 모듈 중 적어도 하나를 포함할 수 있다. 이동통신 모듈은 세대별 이동통신망(예를 들어, 2G 내지 5G 이동통신망)에 접속가능하다.
프로그램 코드는 수신될 때 프로세서(111)에 의해 실행될 수도 있고/있거나 실행을 위해 메모리부(113)의 디스크 드라이브 또는 디스크 드라이브와는 다른 종류의 비휘발성 메모리에 저장될 수도 있다.
컴퓨팅 디바이스(Computing device, 110)는 다양한 컴퓨터 판독가능한 기록매체일 수 있다. 판독가능한 매체는 컴퓨팅 디바이스에 의해 접근 가능한 임의의 다양한 매체가 될 수 있고, 예를들어, 휘발성(volatile) 또는 비휘발성 매체(non-volatile media), 유동 매체(removable media), 비유동 매체(non-removablemedia)를 포함할 수 있지만 이에 한정되지 않는다.
메모리부(113)는 본 발명의 실시예에 따른 생체 이미지 병변 정량화 장치(100)의 동작에 필요한 운영체제, 드라이버, 애플리케이션 프로그램, 데이터 및 데이터 베이스 등을 저장할 수 있으나 이에 한정되는 것은 아니다. 또한, 메모리부(113)는 RAM(Random Acces Memory)과 같은 휘발성 메모리, ROM(Read Only Memory) 및 플래시 메모리와 같은 비휘발성 메모리 형태로 컴퓨터 판독 가능한 매체를 포함할 수 있고, 또한, 디스크 드라이브 예를들면, 하드 디스크 드라이브(Hard Disk Drive), 솔리드 스테이트 드라이브(Solid State Drive), 광 디스크 드라이브 등을 포함할 수 있지만 이에 한정되지 않는다. 또한, 메모리부(113)와 스토리지 디바이스(115)는 각각 전형적으로 3차원 이미지와 같은 이미징 데이터(Imaging Data, 113a, 115a)와 같은 데이터, 프로세서(111)에 의해 동작되도록 즉시 접속될 수 있는 이미징 소프트웨어(113b, 115b)와 오퍼레이팅 시스템(113c, 115c)과 같은 프로그램 모듈을 포함할 수 있다.
기계 학습모델(13)은 프로세서(111), 메모리부(113) 혹은 스토리지 디바이스(115)에 삽입될 수 있다. 이때의 기계 학습모델은 기계학습 알고리즘의 하나인 심층 신경망(Deep Neural Network, DNN), 합성곱 신경망(Convolutional Neural Network, CNN), 순환 신경망(Recurrent Neural Network, RNN) 등을 포함할 수 있고, 이에 한정되지 않는다.
예를들어, 합성곱신경망(CNN)은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. 합성곱 신경망(CNN)은 하나 또는 여러개의 합성곱 계층과 그 위에 올려진 일반적인 인공 신경망 계층들로 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 합성곱 신경망(CNN)은 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 다른 딥 러닝 구조들과 비교해서, 합성곱 신경망(CNN)은 영상, 음성 분야 모두에서 좋은 성능을 보여준다. 합성곱 신경망(CNN)은 또한 표준 역전달을 통해 훈련될 수 있다. 합성곱 신경망(CNN)은 다른 피드포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다.
입/출력 인터페이스(117)는 CT, MRI 같은 의료기기에 의해 3차원적으로 촬영된 생체 이미지를 외부로부터 입력받아 프로세서(111)에 제공하여 기계 학습모델(13)에 기초하여 특징을 추출하고, 프로세서(111)에 의해 이미지 처리하여 이를 메모리부(113) 혹은 스토리지 디바이스(115)에 저장할 수 있다. 또한, 이미지 처리된 3차원적 생체 이미지는 인터넷 네트웍을 통하여 후술할 원격 컴퓨팅 디바이스(200, 300, 400)에 제공될 수 있다.
도 2는 본 발명의 일 실시예에 따른 병변 정량화를 위한 생체 이미지 병변 정량화 시스템을 개략적으로 나타낸 도이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 생체 이미지 병변 정량화 시스템(500)은 컴퓨팅 디바이스(Computing Device, 310), 디스플레이 디바이스(Display Device, 330), MRI 혹은 CT와 같은 3차원 의료 영상 촬영기기(350) 및/또는 하나 이상의 원격 컴퓨팅 디바이스(Remote Compting Device, 200, 300, 400)를 포함할 수 있다. 컴퓨팅 디바이스(310)와 원격 컴퓨팅 디바이스들(200, 300, 400) 간은 인터넷 네트웍으로 서로 연결될 수 있다. 컴퓨팅 디바이스(Computing Device, 310)에 포함된 구성요소들은 전술한 도 1에서 대응되는 구성요소와 유사하여 그에 대한 동작 및 기능에 대한 설명은 생략하기로 한다. 또한, 원격 컴퓨팅 디바이스(200, 300, 400) 각각에 포함된 구성요소들은 컴퓨팅 디바이스(310)의 구성요소와 유사하다.
컴퓨팅 디바이스(310) 및 원격 컴퓨팅 디바이스(200, 300, 400)는 본 발명의 실시예에서 제시된 방법, 기능 및/또는 동작 중 하나 이상을 수행할 수 있도록 구성될 수 있다. 이러한 컴퓨팅 디바이스(310, 200, 300, 400)는 적어도 하나의 컴퓨팅 디바이스에서 동작하는 어플리케이션을 포함할 수 있다. 또한, 컴퓨팅 디바이스(310, 200, 300, 400)는 하나 이상의 컴퓨터와 하나 이상의 데이터 베이스를 포함할 수 있고, 단일 장치, 분산장치, 클라우드 기반 컴퓨터 또는 이들의 조합일 수 있다.
본 발명에 따른 생체 이미지 병변 정량화 시스템은 랩탑 컴퓨터, 데스크탑 컴퓨터 및 서버에 제한되지 않고, 데이터를 처리할 수 있는 임의의 명령을 실행할 수 있는 컴퓨팅 장치 또는 시스템에서 구현될 수 있고, 인터넷 네트웍을 통한 다른 컴퓨팅 장치 및 시스템으로 구현될 수 있다. 또한, 본 발명에 따른 생체 이미지 병변 정량화 시스템은 펌웨어를 포함하는 소프트웨어, 하드웨어 또는 이들의 조합을 포함하는 다양한 방식으로 구현될 수 있다. 예를 들어, 다양한 방식으로 실행하기 위한 기능은 개별로직 구성요소, 하나 이상의 ASIC(Application Specific Integrated Circuits) 및/또는 프로그램 제어 프로세서를 포함하는 다양한 방식으로 구현되는 구성요소에 의해 수행될 수 있다.
도 3은 본 발명의 일 실시예에 따른 생체 이미지내의 병변을 인식하기 위한 프로세서의 블록도를 나타낸 도이다.
도 3를 참조하면, 프로세서(600)는 도 1 및 2의 프로세서(111, 311)일 수 있고, 기계 학습모델(211a, 213a, 230a)에 입력되는 단층 촬영 이미지 데이터를 수신하고, 수신한 단층 촬영 이미지 데이터로부터 대상의 속성정보를 추출할 수 있다. 단층 촬영 이미지 데이터는 환자의 특정부위 (예, 어깨, 다리, 목, 머리, 등)에 대해 3차원적으로 촬영한 생체 이미지 (예, CT 이미지, MRI 이미지, 등) 데이터 혹은 3차원적으로 촬영한 생체 이미지에서 추출된 속성정보 데이터 일 수 있다.
일 실시예에서, 생체 이미지 데이터로부터 추출된 속성정보는 생체 이미지 데이터내에서 인식(detection)된 대상을 분류하는 라벨(Label)정보일 수 있다. 예를 들어, 라벨은 생체 이미지 데이터내에 표현된 간, 이자, 담낭 같은 체내의 장기로 분류된 카테고리일 수 있고, 혈관, 림프, 신경과 같은 체내의 조직으로 분류된 카테고리일 수 있고, 섬유선종, 종양 같은 채내 조직의 병변으로 분류된 카테고리 일수 있다. 라벨은 생체 이미지 데이터에서 인식되는 대상의 비중, 의미에 기반하여 가중치나 순서가 부여될 수 있다.
프로세서(600)는 라벨 정보 생성부(211) 및 데이터 생성부(213)를 포함하는 데이터 처리부(210)와 속성정보 모델 학습부(230)를 포함할 수 있다.
라벨 정보 생성부(211)는 제1기계 학습모델(211a)을 이용하여 수신한 생체 이미지 데이터에 대응하는 라벨 정보를 생성할 수 있다. 라벨 정보는 수신한 생체 이미지 데이터내에서 인식되는 대상에 따라 결정된 하나 이상의 카테고리에 대한 정보일 수 있다. 일 실시예에서, 라벨 정보는 라벨정보와 대응하는 생체 이미지 데이터에 대한 정보와 함께 메모리부(113)나 스토리지 디바이스(115)에 저장될 수 있다.
데이터 생성부(213)는 기계 학습모델(230a)이 포함된 속성정보 모델 학습부(230)에 입력될 데이터를 생성할 수 있다. 데이터 생성부(213)는 제2기계 학습모델(213a)을 이용하여 수신한 생체 이미지 데이터에 포함된 병변의 크기 정보 데이터 혹은 병변의 위치 정보 데이터를 포함할 수 있고, 병변의 크기정보는 폭(Width)과 높이(Hight)로 표현될 수 있다.
속성정보 모델 학습부(230)는 제3기계 학습모델(230a)를 포함하고, 라벨 정보 생성부(211) 및 데이터 생성부(213)에서 생성 및 추출한 정보 데이터와 라벨 정보를 제3기계 학습모델(230a)에 입력하여 융합(fusion)시켜 생체 이미지 데이터에 대한 속성정보를 추출할 수 있다. 속성정보는 상기 생체 이미지 데이터에서 인식되는 대상 이미지의 특징과 관련된 정보를 가리킨다. 예를들어, 속성정보는 생체 이미지 데이터내에서 대상을 분류하는 라벨, 예를들어, 골종양(bone tumor)과 같은 병변(lesion) 정보 일수 있다. 만약 속성정보 모델 학습부(230)에서 추출된 속성정보가 오류가 생길 경우, 제3기계 학습모델(230a)에서 사용되는 계수 혹은 연결 가중치 값 등을 업데이트 할 수 있다.
도 4는 본 발명의 일 실시예에 따른 컴퓨팅 장치에 의해 단층촬영된 제1생체 이미지들의 속성정보 추출 및 제2생체 이미지들을 생성하는 과정을 예시적으로 나타낸 도이고, 도 5는 본 발명의 일 실시예에 따른 컴퓨팅 장치에 의해 생성된 제2 생체 이미지들에 표시된 라벨정보 영역을 설명하기 위해 예시적으로 나타낸 도이다.
도 4 및 도 5를 참조하면, 대상체에 대해 3차원적으로 단층 촬영된 MRI 혹은 CT와 같은 복수의 제1생체 이미지들(image1, image2, ?, imagen-1, imagen)이 기계 학습 모델(710)에 입력되고, 프로세서(700)는 내부에 포함된 기계 학습모델(710)에 기초하여 입력된 복수의 제1생체 이미지들(이하, 제1이미지라 함.)의 속성정보(720)를 추출할 수 있다. 속성정보는 앞서 설명한 생체 이미지내에서 인식되는 대상(예, 뼈, 근육 등)을 분류하는 라벨(Label)정보일 수 있고, 라벨정보는 대상의 2차원적 위치정보 혹은 대상의 2차원적 크기정보 등을 포함할 수 있다. 또한, 라벨정보는 인식되는 대상에서 골종양과 같은 병변(lesion)을 포함할 수 있다. 속성정보(720)는 시스템 메모리부(113)나 스토리지 디바이스(115)에 저장될 수 있고, 속성정보는 프로세서(700)에 의해 제1이미지에 이미지 처리되어 복수의 제2생체 이미지(Post_images, 이하, 제2이미지라함.)가 생성될 수 있고, 프로세서(700)의 제어하에 도 1 및 도2에서 설명된 디스플레이부(130, 330)에 디스플레이 될 수 있다. 이때, 제2이미지는 라벨정보(예, 병변)에 해당하는 표시영역을 포함하도록 생성될 수 있다.
프로세서(700)는 모든 제2이미지(Post_images)에서 표시된 영역(예, 병변정보의 영역)을 정량화 하기 위해 다음과 같은 식에 기초하여 병변(예, 골종양)의 3차원적 부피(를 산출할 수 있다.
식)
단, 은 자연수,
번째 제2생체 이미지내의 병변의 면적 ()
: 번째 제2생체 이미지내의 병변에 대한 픽셀(pixel) 수
: 픽셀 사이즈 ()
: 제2생체 이미지의 두께 (
기계 학습모델(710)은 도시되지 않았지만 컴퓨터 판독 가능한 기록매체에 입력되어 실행될 수 있고 도 1 및 도 2에서 설명된 메모리부(113)나 스토리지 디바이스(115)에 입력되고, 상기 프로세서(700)에 의해 동작되어 실행될 수 있다.
생체 이미지들의 속성정보 추출은 컴퓨팅 장치에 의해 수행될 수 있고, 컴퓨팅 장치는 3차원적으로 촬영된 3차원 의료 이미지 데이터셋을 학습 데이터로 제공받는 장치로써, 기계 학습모델의 수행결과로 학습된 데이터를 생성할 수 있다. 본 실시예에 따른 방법에 속한 각각의 동작을 설명함에 있어서, 그 주체에 대한 기재가 생략된 경우에는 해당 동작의 주체는 상기 컴퓨팅 장치인 것으로 이해될 수 있을 것이다.
위 실시예에서와 같이, 본 발명의 동작 및 방법은 소프트웨어 및 하드웨어의 결합을 통하여 달성되거나 하드웨어만으로 달성될 수 있다는 점을 명확하게 이해할 수 있다. 본 발명의 기술적 해법의 대상물 또는 선행 기술들에 기여하는 부분들은 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 기계 판독 가능한 기록 매체에 기록될 수 있다. 상기 기계 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 기계 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야의 통상의 기술자에게 공지되어 사용 가능한 것일 수도 있다.
기계 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다.
상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다. 상기 하드웨어 장치는, 프로그램 명령어를 저장하기 위한 ROM/RAM 등과 같은 메모리와 결합되고 상기 메모리에 저장된 명령어들을 실행하도록 구성되는 CPU나 GPU와 같은 프로세서를 포함할 수 있으며, 외부 장치와 신호를 주고받을 수 있는 통신부를 포함할 수 있다. 덧붙여, 상기 하드웨어 장치는 개발자들에 의하여 작성된 명령어들을 전달받기 위한 키보드, 마우스, 기타 외부 입력장치를 포함할 수 있다.
이와 같이, 본 발명에 따른 생체 이미지 병변 정량화 장치는 대상체의 3차원적 생체 이미지내에서 인식되는 병변(예, 골종양)의 영역을 정량적으로 측정할 수 있고 있고, 이에 따라, 의료진의 치료에 따른 환자의 추적 관찰을 정확히 할 수 있다. 또한, 병변 치료에 대한 평가 및 병변의 재발 여부 판정에 있어서 의료진에게 신뢰성 있는 정보를 제공할 수 있다.
본 발명에 따른 생체 이미지 병변 정량화 장치는 병변에 대한 정량적 측정을 정형외과분야의 골종양에 대해서만 예시적으로 적용하였지만, 뇌종양, 신경모세포종, 윌름스종양, 망막모세포종, 간모세포종 등과 같은 다양한 고형 종양을 인식함에 있어 적용할 수 있고, 더 나아가 3차원 의료 이미지를 이용하여 병변의 정량적 측정이 필요한 분야엔 어디든 적용 가능할 수 있다.
도 6은 본 발명의 일 실시예에 따른 컴퓨팅장치에 의해 생성된 제2 생체 이미지내의 라벨정보 영역을 시각화한 제3생체 이미지를 예시적으로 나타낸 도이다.
도 6를 참조하면, 제2생체 이미지(Post_image)는 도4에서 설명한 제2이미지로써, 속성정보인 라벨정보가 추출된 제1이미지에 대해 프로세서(700)가 이미지처리하여 생성된 이미지이다. 일 실시예로, 제2생체 이미지(Post_image)는 이미지 내의 라벨정보인 골(bone, S1, S2)과 골종양(bone tumor, S3)이 구획되어 표시될 수 있지만, 생체 이미지의 대상(예, 두개골, 어깨뼈, 등)에 따라 라벨정보가 달리 구획되어 표시될 수 있다.
프로세서(700)는 제2생체 이미지내의 라벨정보 중 관심영역인 골종양영역, 즉, 병변영역(S3)에 대해서만 시각화될 수 있도록 이미지처리(post image processing)하여 제3생체 이미지(Visual_image)를 생성할 수 있다. 후처리시, 시각화는 병변 영역의 픽셀의 색(color), 계조(gray level), 명암비(contrast ratio)등을 조절하여 나타낼 수 있다.
제3생체 이미지(Visual_image)는 프로세서(700)의 제어하에 도 1 및 도2에서 설명된 시스템 메모리부(113)나 스토리지 디바이스(115)에 저장될 수 있고, 디스플레이부(130, 330)에 디스플레이 될 수 있다. 이와 같은 방법으로 병변 영역을 3차원적으로 촬영한 생체이미지 모두에 대해 시각화하게 되면, 의료진으로 하여금 병변의 추적관찰이 더욱 용이해지고, 병변 치료에 대한 평가에 있어서 더욱 신뢰성을 갖게할 수 있다.
또한, 제3생체 이미지(Visual_image)는 병변의 3차원적 부피 산출에 사용될 수 있는 대상이 될 수 있다. 즉, 제3생체 이미지들 모두에서 시각화된 병변 영역에 대해서만 취합(Summation)하여 상술한 방법으로 병변의 부피를 정량적으로 산출할 수 있다.
도 7은 본 발명의 일 실시예에 따른 생체 이미지 병변 정량화 방법을 예시적으로 나타낸 흐름도이다.
도 7을 참조하면, 생체 이미지 병변 정량화 장치는 3차원적으로 단층 촬영된 복수의 생체 이미지들(제1생체 이미지)의 속성정보를 추출하기 위해 기계 학습모델을 이용할 수 있다. 속성정보는 상술한 생체 이미지내에서 체내의 장기나, 조직과 같은 카테고리로 라벨링 될 수 정보일 수 있지만, 본 실시예에서는 병변 정보를 일예로 설명하고자 한다. 기계 학습모델은 기계학습 알고리즘의 하나인 심층 신경망(Deep Neural Network, DNN), 합성곱 신경망(Convolutional Neural Network, CNN), 순환 신경망(Recurrent Neural Network, RNN) 등을 포함할 수 있고, 이에 한정되지 않는다.
S710단계에서, 대상체에 대해 단층 촬영한 제1생체 이미지들이 기계 학습모델에 입력되고, 기계 학습모델에 기초하여 입력된 제1생체 이미지들로부터 병변 정보를 추출할 수 있다. 여기서 단층 촬영 생체 이미지는 MRI 혹은 CT와 같은 의료영상기기를 이용하여 인체 내부의 장기나 조직을 3차원적으로 촬영한 생체 이미지이면 어는 것이든 해당될 수 있다. 병변 정보는 병변의 유무, 크기, 위치 중 적어도 어느 하나를 포함할 수 있고, 병변의 위치는 2차원 혹은 3차원 좌표값으로 표시될 수 있다.
S720단계에서, 추출된 병변 정보를 이용하여 본 발명에 따른 생체 이미지 병변 정량화 장치의 프로세서에 의해 복수의 제1생체 이미지 각각을 이미지 처리하여 복수의 제2생체 이미지를 생성할 수 있다. 복수의 제2 생체 이미지 각각은 병변정보의 영역이 표시될 수 있다.
이후, S730단계에서, 복수의 제2생체 이미지내의 병변정보 영역이 시각화되도록 복수의 제2생체 이미지는 프로세서에 의해 이미지처리하여 복수의 제3생체 이미지를 생성할 수 있다. 이때, 시각화된 병변정보의 영역은 픽셀의 색(color), 계조(gray level), 명암비(contrast ratio)등을 조절하여 나타내질 수 있다.
이후, S740단계에서, 프로세서에 의해 복수의 제2생체 이미지 혹은 복수의 제3생체 이미지내에 표시된 병변정보 영역을 이용하여 병변의 부피를 정량적으로 산출할 수 있다. 병변 부피의 정량적 산출은 상술한 병변의 3차원적 부피 산출식에 기초하여 수행될 수 있다
이상과 같이 본 발명에 따른 실시예를 살펴보았으며, 앞서 설명된 실시예 이외에도 본 발명이 그 취지나 범주에서 벗어남이 없이 다른 특정 형태로 구체화될 수 있다는 사실은 해당 기술에 통상의 지식을 가진 이들에게는 자명한 것이다. 그러므로, 상술된 실시예는 제한적인 것이 아니라 예시적인 것으로 여겨져야 하고, 이에 따라 본 발명은 상술한 설명에 한정되지 않고 첨부된 청구항의 범주 및 그 동등 범위 내에서 변경될 수도 있다.
110: 컴퓨팅 장치
111: 프로세서
113: 메모리부
115: 스토리지 디바이스
117: 입출력 인터페이스
118: 네트웍 어뎁터
119: 디스플레이 어뎁터
130: 디스플레이 디바이스

Claims (8)

  1. 프로세서; 및
    상기 프로세서에 의해 수행되도록 구현된 하나 이상의 명령어(instructions)를 포함하는 메모리를 포함하고, 상기 프로세서는,
    기계 학습모델에 기초하여 대상체에 대해 3차원적으로 촬영된 복수의 제1생체 이미지 각각으로부터 상기 복수의 제1생체 이미지내의 병변정보를 추출하고,
    상기 복수의 제1생체 이미지 각각을 이미지처리하여 상기 병변정보의 영역이 표시된 복수의 제2생체 이미지를 생성하고,
    상기 병변정보의 영역을 이용하여 상기 병변의 부피를 정량적으로 산출하는 생체 이미지 병변 정량화 장치
  2. 청구항 1에 있어서,
    상기 병변의 부피(는 다음식에 기초하여 정량적으로 산출되는 것을 특징으로 하는 생체 이미지 병변 정량화 장치.

    단, 은 자연수,
    번째 제2생체 이미지내의 병변의 면적 ()
    : 번째 제2생체 이미지내의 병변에 대한 픽셀(pixel) 수
    : 픽셀 사이즈 ()
    : 제2생체 이미지의 두께 (
  3. 청구항 1에 있어서,
    상기 병변의 정보는 상기 병변의 위치 혹은 병변의 크기인 것을 특징으로 하는 생체 이미지 병변 정량화 장치.
  4. 청구항 1에 있어서,
    상기 병변은 골종양을 포함하는 고형종양인 것을 특징으로 하는 생체 이미지 병변 정량화 장치.
  5. 청구항 1에 있어서,
    상기 프로세서는, 상기 복수의 제2생체 이미지내의 상기 병변정보의 영역을 이미지처리하여 상기 병변정보의 영역만이 시각화된 복수의 제3생체 이미지를 생성하는 것을 특징으로 하는 생체 이미지 병변 정량화 장치.
  6. 기계 학습모델에 기초하여 대상체에 대해 3차원적으로 촬영된 복수의 제1생체 이미지 각각으로부터 프로세서에 의해 상기 복수의 제1생체 이미지내의 병변정보를 추출하는 단계;
    상기 프로세서에 의해 상기 복수의 제1생체 이미지 각각을 이미지처리하여 상기 병변정보의 영역이 표시된 복수의 제2생체 이미지를 생성하는 단계; 및
    상기 프로세서에 의해 상기 병변정보의 영역을 이용하여 상기 병변의 부피를 정량적으로 산출하는 단계
    를 포함하는 생체 이미지 병변 정량화 방법.
  7. 청구항 6에 있어서,
    상기 병변의 정보는 상기 병변의 위치 혹은 병변의 크기인 것을 특징으로 하는 생체 이미지 병변 정량화 방법.
  8. 청구항 6에 있어서,
    상기 프로세서에 의해 상기 복수의 제2생체 이미지내의 상기 병변정보의 영역을 이미지처리하여 상기 병변정보의 영역만이 시각화된 복수의 제3생체 이미지를 생성단계를 더 포함하는 것을 특징으로 하는 생체 이미지 병변 정량화 방법.
KR1020220025789A 2022-02-28 2022-02-28 생체 이미지내의 병변 정량화 방법 및 장치 KR20230129078A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020220025789A KR20230129078A (ko) 2022-02-28 2022-02-28 생체 이미지내의 병변 정량화 방법 및 장치
US18/114,913 US20230274424A1 (en) 2022-02-28 2023-02-27 Appartus and method for quantifying lesion in biometric image

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220025789A KR20230129078A (ko) 2022-02-28 2022-02-28 생체 이미지내의 병변 정량화 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20230129078A true KR20230129078A (ko) 2023-09-06

Family

ID=87761940

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220025789A KR20230129078A (ko) 2022-02-28 2022-02-28 생체 이미지내의 병변 정량화 방법 및 장치

Country Status (2)

Country Link
US (1) US20230274424A1 (ko)
KR (1) KR20230129078A (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102202361B1 (ko) 2019-01-08 2021-01-14 전남대학교산학협력단 골 종양 탐지 시스템

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102202361B1 (ko) 2019-01-08 2021-01-14 전남대학교산학협력단 골 종양 탐지 시스템

Also Published As

Publication number Publication date
US20230274424A1 (en) 2023-08-31

Similar Documents

Publication Publication Date Title
JP6807820B2 (ja) 画像検索装置、方法およびプログラム
KR102289277B1 (ko) 복수의 의료 영상 판독 알고리듬들에 대한 평가 스코어를 생성하는 의료 영상 판독 지원 장치 및 방법
Azimi et al. A review on the use of artificial intelligence in spinal diseases
CN106056126A (zh) 医学成像中的斑块易损性评定
JP7218215B2 (ja) 画像診断装置、画像処理方法及びプログラム
KR20210030730A (ko) 의료 영상을 해석하는 인공지능 모델을 이용한 폐암 발병 가능성 예측 방법 및 의료 영상 분석 장치
US11893729B2 (en) Multi-modal computer-aided diagnosis systems and methods for prostate cancer
US20190150870A1 (en) Classification of a health state of tissue of interest based on longitudinal features
Jannin et al. Validation in medical image processing.
JP2020010805A (ja) 特定装置、プログラム、特定方法、情報処理装置及び特定器
Diniz et al. Deep learning strategies for ultrasound in pregnancy
JPWO2020027228A1 (ja) 診断支援システム及び診断支援方法
KR102389067B1 (ko) 척추 측만증 평가 방법 및 이를 이용한 척추 측만증 평가용 디바이스
CN111226287A (zh) 用于分析医学成像数据集的方法、用于分析医学成像数据集的系统、计算机程序产品以及计算机可读介质
CN115841476A (zh) 肝癌患者生存期预测方法、装置、设备及介质
EP3965117A1 (en) Multi-modal computer-aided diagnosis systems and methods for prostate cancer
US11989880B2 (en) Similarity determination apparatus, similarity determination method, and similarity determination program
KR102360615B1 (ko) 내시경 영상에 대한 복수의 의료 영상 판독 알고리듬들을 이용하는 의료 영상 판독 지원 장치 및 방법
US11893735B2 (en) Similarity determination apparatus, similarity determination method, and similarity determination program
KR20230129078A (ko) 생체 이미지내의 병변 정량화 방법 및 장치
KR20210113084A (ko) 의료 영상으로부터 바이오마커 발현을 예측하는 방법 및 시스템
US11657909B2 (en) Medical image processing apparatus and medical image processing method
US20210407674A1 (en) Method and arrangement for identifying similar pre-stored medical datasets
KR102647251B1 (ko) 하지 정렬 평가 방법 및 이를 이용한 하지 정렬 평가용 디바이스
KR102132564B1 (ko) 진단 장치 및 진단 방법