KR20230129662A - 피부질환 학습을 이용한 피부질환 진단시스템 - Google Patents

피부질환 학습을 이용한 피부질환 진단시스템 Download PDF

Info

Publication number
KR20230129662A
KR20230129662A KR1020220026540A KR20220026540A KR20230129662A KR 20230129662 A KR20230129662 A KR 20230129662A KR 1020220026540 A KR1020220026540 A KR 1020220026540A KR 20220026540 A KR20220026540 A KR 20220026540A KR 20230129662 A KR20230129662 A KR 20230129662A
Authority
KR
South Korea
Prior art keywords
skin disease
skin
learning
class
image
Prior art date
Application number
KR1020220026540A
Other languages
English (en)
Inventor
장현재
Original Assignee
주식회사 에프앤디파트너스
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 주식회사 에프앤디파트너스 filed Critical 주식회사 에프앤디파트너스
Priority to KR1020220026540A priority Critical patent/KR20230129662A/ko
Publication of KR20230129662A publication Critical patent/KR20230129662A/ko

Links

Classifications

    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/44—Detecting, measuring or recording for evaluating the integumentary system, e.g. skin, hair or nails
    • A61B5/441—Skin evaluation, e.g. for skin disorder diagnosis
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing

Abstract

본 발명은 피부질환 학습을 이용한 피부질환 진단시스템에 관한 것으로서, 더욱 상세하게는 피부 질환 이미지 정보를 사전에 설정된 클래스로 분류한 후, 이를 학습하여 저장 관리하며, 사용자 인증을 걸친 사용자로부터 획득한 피부 질환 이미지가 악성 질환, 피부 색소 질환 및 감염성 질환, 정상 피부 중 어디에 속하는 지를 피부질환진단장치 혹은 스마트기기를 통해 판단할 수 있도록 하며, 동시에 이미지기반피부질환학습부로 제공하여 재학습할 수 있도록 하기 위한 피부질환 학습을 이용한 피부질환 진단시스템에 관한 것이다.

Description

피부질환 학습을 이용한 피부질환 진단시스템{A system to diagnose dermatopathy using dermatopathy learning}
본 발명은 피부질환 학습을 이용한 피부질환 진단시스템에 관한 것으로서, 더욱 상세하게는 피부 질환 이미지 정보를 사전에 설정된 클래스로 분류한 후, 이를 학습하여 저장 관리하며, 사용자 인증을 걸친 사용자로부터 획득한 피부 질환 이미지가 악성 질환, 피부 색소 질환 및 감염성 질환, 정상 피부 중 어디에 속하는 지를 피부질환진단장치 혹은 스마트기기를 통해 판단할 수 있도록 하며, 동시에 이미지기반피부질환학습부로 제공하여 재학습할 수 있도록 하기 위한 피부질환 학습을 이용한 피부질환 진단시스템에 관한 것이다.
최근 기계학습 또는 머신러닝(machine learning)이라는 기술이 소프트웨어 기술로부터 금융, 경제에 이르기까지 다양한 분야에 응용되고 있으며 특히 컴퓨터 비전 및 영상처리 분야의 비약적인 발전을 선도하는 핵심 기술로 자리 잡고 있다.
또한, 근래에 들어 의료영상 분석을 포함한 의료진단 분야와 의료영상에서 기관이나 암 부위 등의 추출 및 분할이나 영상 정합, 영상 검색 등 전반적인 의료영상 분석 분야에서도 기계학습 기술이 널리 활용되고 있다.
이러한 기계학습 기술은 인공지능(AI)의 한 분야로 주어진 데이터로부터 패턴이나 특성을 학습하여 새로운 데이터에 대해 분석을 수행해낼 수 있도록 하는 알고리즘 및 관련 분야를 의미한다.
그리고, 최근 들어 딥러닝(deep learning)이라는 기계학습 기법이 핵심 기술로 대두되면서 관련 기술 및 응용 분야에 대한 관심이 높아지고 있다.
딥러닝 기법이란 생물의 신경계를 모방한 인공신경망(artificial neural network)의 모델로서, 기존의 인공신경망 모델이 얇은 층의 뉴런 모델들의 연결로 구성되어 있다면, 딥러닝 기법은 뉴런 모델의 층을 깊게 쌓아 올림으로써 신경망의 학습 능력을 높이는 모델을 적용하는 기술이다.
여러 층으로 이루어진 인공신경망으로서의 딥러닝의 개념은 1970년대에 제안되었으나, 학습 계산의 복잡성 등으로 인해 정체되어 있다가 최근 여러 가지 연구를 통해 그 성능이 개선되고 관련 연구들이 음성인식 및 영상인식 등의 분야에서 뛰어난 결과를 보이면서 그 수요가 빠르게 증가하고 있다.
일례로 MRI 검사 시 환자당 수십개의 의료 영상 슬라이스를 분석함에 있어서 영상 판독의 효율성을 높이고 진단 과정의 생산성 향상을 위하여, 실제 데이터를 기반으로 기계 학습하여 활용이 가능한 의료영상 진단 보조 시스템이 요구되고 있다.
또한, 의료현장에서 의사가 진단에 활용하는 모든 데이터, 즉, 의료영상 이외의 다양한 임상정보를 모두 적용하여 생성된 데이터 기반 인공지능 시스템은 의료영상만으로 학습된 의료용 기계학습 알고리즘에 비해 더 향상된 진단 성능을 기대할 수 있다.
이러한 요구에 따른 종래 기술 중 하나는 대한민국 등록특허공보 10-1623431호(20160523)에 기재된 의료 영상의 병리 진단 분류 장치 및 이를 이용한 병리 진단 시스템이다.
이 종래 기술은 세포염색의 현미경 사진 등을 입력으로 받아 병리 진단을 수행하는 것으로서, 의료영상을 입력으로 받아 특징 추출부에 의한 특징 데이터를 추출하고 특징 벡터 변환을 통한 병리 진단 분류 결과를 제공하고 있다.
그러나, 종래 기술 대부분은 단순히 세포염색의 현미경 사진을 입력으로 받아 특징을 추출하여 병리 진단을 수행함에 있어서, 임상정보에서 추출한 특징 정보를 반영하지 않기 때문에 병변 진단 성능을 높이는데 한계가 있다.
또 다른 종래 기술은 대한민국 공개특허공보 제10-2014-0018748(20140213)에 기재된 기술로서, 이 기술은 의료 영상에서 TAS(Threshold Adjacency Statistics) 특징점을 이용하여 병변의 형태학적 특징과 질감을 신속 정확하게 분석한다.
그러나, 종래 기술은 기계학습 알고리즘 중의 어느 하나를 통해 학습된 모듈에 적용하여 병변의 패턴을 분류하고 분석하는 것을 제공할 뿐, 딥러닝 기반 의료영상의 특징과 머신러닝 기반 임상정보의 특징을 모두 추출하여 학습시키는 기법을 적용하고 있지 않으므로 여전히 진단 성능을 높이는데 한계가 있다.
한편, 미국에서는 악성 질환 예를 들어, 피부암으로 인하여 매시간마다 1명꼴로 피부암으로 인하여 사망하고 있다.
그리고, 매년 5명 중 1명이 피부암 진단을 받으며, 5백 만명이 피부암으로 인해 치료를 받고 있으므로 피부암은 매우 심각한 사회적 문제로 대두되고 있다.
이러한 피부암은 자각 증상이 없기 때문에 주기적으로 확인하는 것이 중요하다.
도 1에 도시한 바와 같이, 피부암은 주로 육안이나 현미경으로 주의깊게 살펴 보고, 피부암이 의심스러울 경우 조직검사를 하게 되는데, 특히 조직검사는 피부조직을 떼어내는 고통과 상처, 그리고 많은 비용과 시간이 필요하다.
근래에는 레이저의 분광특성을 이용하여 피부암을 진단하는 기술도 개발되었지만, 이러한 방법들은 모두 병원을 방문해야 한다.
즉, 주기적으로 확인하기 위해서 매번 병원에 가는 것은 어려운 게 현실이다.
또한, 도 1에 도시한 바와 같이, 일반인들이 일반 점과 피부암이 그 형상과 크기가 비슷하므로 육안으로 판단한다는 것은 불가능하다.
도 2의 경우에는 병원에 가도 주치의에 의해 핸디 타입 진단기로 눈으로 확인하여 피부암을 진단하게 되지만, 적중률은 90% 미만으로 좀 더 정확한 진단 기술이 필요한 실정이다.
한편, 지속적으로 피부에 대한 이미지를 데이터베이스화하여 실시간으로 갱신하는 기술 개발이 필요한 실정이며, 이를 활용하여 판별을 요청하는 피부 이미지에 대한 판별 결과와 이미지를 재차 제공하여 재학습하여 피부 질환 판별 성능을 더욱 향상시킬 수 있는 기술이 필요하게 되었다.
대한민국등록특허공보 제10-1623431호(2016.05.23) 대한민국공개특허공보 제10-2014-0018748호(2014.02.13)
따라서 본 발명은 상기와 같은 종래 기술의 문제점을 감안하여 제안된 것으로서, 본 발명의 제1 목적은 피부 질환 이미지 정보를 사전에 설정된 클래스로 분류한 후, 이를 학습하여 저장 관리하며, 사용자 인증을 걸친 사용자로부터 획득한 피부 질환 이미지가 악성 질환, 피부 색소 질환 및 감염성 질환, 정상 피부 중 어디에 속하는 지를 피부질환진단장치 혹은 스마트기기를 통해 판단할 수 있도록 하며, 동시에 이미지기반피부질환학습부로 제공하여 재학습할 수 있도록 하는데 있다.
본 발명의 제2 목적은 적어도 2개 이상의 클래스별 수치 데이터 중 가장 높은 수치 데이터를 갖는 클래스를 학습한 피부 질환 이미지 정보의 학습결과 정보로 생성하거나, 가장 높은 수치 데이터를 갖는 클래스의 수치 데이터가 나머지 클래스의 수치 데이터의 합보다 큰 경우 가장 높은 수치 데이터를 갖는 클래스를 학습한 피부 질환 이미지 정보의 학습결과 정보로 생성하는데 있다.
본 발명이 해결하고자 하는 과제를 달성하기 위하여, 본 발명의 일실시예에 따른 피부질환 학습을 이용한 피부질환 진단시스템는,
피부 질환 이미지 정보를 학습하여 클래스 분류를 위한 학습 결과 정보를 생성하고, 스마트기기(2000)가 전송한 피부 질환 이미지 정보를 클래스 분류를 위한 학습 결과 정보와 비교하여 해당 클래스로 분류한 피부질환 진단결과를 생성하고, 피부질환 진단결과를 해당 사용자의 스마트기기(2000)로 전송하는 피부질환진단장치(1000)와;
상기 피부질환진단장치(1000)로 진단을 의뢰할 피부 질환 이미지 정보를 전송하고, 피부질환진단장치(1000)에서 제공된 피부질환 진단결과와 해당 피부질환 이미지를 화면에 출력시키는 스마트기기(2000)를 포함하여 구성된다.
본 발명에 따른 피부질환 학습을 이용한 피부질환 진단시스템은,
피부 질환 이미지 정보를 사전에 설정된 클래스로 분류한 후, 이를 학습하여 저장 관리하며, 사용자 인증을 걸친 사용자로부터 획득한 피부 질환 이미지가 악성 질환, 피부 색소 질환 및 감염성 질환, 정상 피부 중 어디에 속하는 지를 피부질환진단장치 혹은 스마트기기를 통해 판단할 수 있도록 하며, 동시에 이미지기반피부질환학습부로 제공하여 재학습할 수 있도록 함으로써, 정확한 피부 질환의 종류가 무엇인지, 특히, 악성 질환(예를 들어, 피부암) 진단 확률을 높이는 효과를 발휘하게 된다.
즉, 사전에 학습을 통해 학습시킨 후, 새로운 이미지들을 지속적으로 학습시켜 진단 정확성을 지속적으로 향상시키는 효과와 정확한 피부 질환의 종류를 분류할 수 있는 효과를 발휘한다.
또한, 적어도 2개 이상의 클래스별 수치 데이터 중 가장 높은 수치 데이터를 갖는 클래스를 학습한 피부 질환 이미지 정보의 학습결과 정보로 생성하거나, 가장 높은 수치 데이터를 갖는 클래스의 수치 데이터가 나머지 클래스의 수치 데이터의 합보다 큰 경우 가장 높은 수치 데이터를 갖는 클래스를 학습한 피부 질환 이미지 정보의 학습결과 정보로 생성하도록 함으로써, 학습 변별력을 높이는 효과와 변별 속도를 높이는 효과를 발휘하게 된다.
도 1은 일반 점과 피부암의 형상을 나타낸 예시도.
도 2는 병원에서 핸디 피부암 진단장치로 피부암을 진단하는 예시도.
도 3은 본 발명의 일실시예에 따른 피부질환 학습을 이용한 피부질환 진단시스템의 구성도.
도 4는 본 발명의 일실시예에 따른 피부질환 학습을 이용한 피부질환 진단시스템의 데이터 이미지 예시도.
도 5는 본 발명의 일실시예에 따른 피부질환 학습을 이용한 피부질환 진단시스템의 이미지기반피부질환학습부(100) 블록도.
도 6은 피부 질환 이미지 정보를 CNN 구조의 스펙에 맞추어 변환시키는 프로그램 예시도.
도 7은 변환된 이미지를 Convolution을 통해서 클래스 분류가 가능한 3개의 클래스 데이터로 변환시키는 프로그램 예시도.
도 8은 클래스 분류가 가능한 3개의 클래스 데이터 합이 1이 나오게 변경하는 프로그램 예시도.
도 9는 클래스 분류가 가능한 3개의 클래스 데이터를 이용하여 해당 클래스를 판단하는 프로그램 예시도.
도 10은 본 발명의 일실시예에 따른 피부질환 학습을 이용한 피부질환 진단시스템의 Convolution 연산 예시도.
도 11은 본 발명의 일실시예에 따른 피부질환 학습을 이용한 피부질환 진단시스템의 클래스판별부(200) 블록도.
도 12는 본 발명의 일실시예에 따른 피부질환 학습을 이용한 피부질환 진단시스템의 스마트기기 구성도.
도 13은 본 발명의 일실시예에 따른 피부질환 학습을 이용한 피부질환 진단시스템의 진단결과출력처리부(2100)에 의해 출력되는 화면 예시도.
도 14는 본 발명의 일실시예에 따른 피부질환 학습을 이용한 피부질환 진단시스템의 연동을 통해 출력되는 진단 결과를 나타낸 예시도.
이하의 내용은 단지 본 발명의 원리를 예시한다. 그러므로 당업자는 비록 본 명세서에 명확히 설명되거나 도시되지 않았지만, 본 발명의 원리를 구현하고 본 발명의 개념과 범위에 포함된 다양한 장치를 발명할 수 있는 것이다.
또한, 본 명세서에 열거된 모든 조건부 용어 및 실시 예들은 원칙적으로, 본 발명의 개념이 이해되도록 하기 위한 목적으로만 명백히 의도되고, 이와 같이 특별히 열거된 실시 예들 및 상태들에 제한적이지 않는 것으로 이해되어야 한다.
이하, 본 발명에 의한 피부질환 학습을 이용한 피부질환 진단시스템의 실시예를 통해 상세히 설명하도록 한다.
도 3은 본 발명에 따른 피부질환 학습을 이용한 피부질환 진단시스템의 구성도이다.
도 3에 도시한 바와 같이, 피부질환 학습을 이용한 피부질환 진단시스템은,
피부 질환 이미지 정보를 학습하여 클래스 분류를 위한 학습 결과 정보를 생성하고, 스마트기기(2000)가 전송한 피부 질환 이미지 정보를 클래스 분류를 위한 학습 결과 정보와 비교하여 해당 클래스로 분류한 피부질환 진단결과를 생성하고, 피부질환 진단결과를 해당 사용자의 스마트기기(2000)로 전송하는 피부질환진단장치(1000)와;
상기 피부질환진단장치(1000)로 진단을 의뢰할 피부 질환 이미지 정보를 전송하고, 피부질환진단장치(1000)에서 제공된 피부질환 진단결과와 해당 피부질환 이미지를 화면에 출력시키는 스마트기기(2000))를 포함하여 구성되는 것을 특징으로 한다.
본 발명에서 설명하고 있는 피부질환 진단장치는 스킨(피부) 이미지 분석 장치를 의미하며, 다른 의미로 피부(더마) 이미지 분석 장치를 의미한다.
그리고, 본 발명의 피부질환진단장치(1000)는 별도의 단말이거나, 또는 단말의 일부 모듈일 수도 있다.
또한, 피부질환진단장치(1000)는 클라우드 서버와 같은 외부 데이터베이스 정보를 이용할 수 있는 컴퓨팅 장치일 수도 있는데, 이러한 경우, 외부 데이터베이스에 접속하여 데이터 통신을 할 수 있는 다양한 종류의 단말일 수도 있다.
따라서, 네트워크 인터페이스 및 프로토콜, 데이터 엔트리를 위한 입력 장치, 및 디스플레이, 인쇄 또는 다른 데이터 표시를 위한 출력 장치를 포함하는 본 명세서에 서술된 동작에 필요한 다른 하드웨어 요소를 포함할 수도 있다.
한편, 본 발명에서 설명하고 있는 비정형 피부질환 영상데이터는 정형화된 피부질환 영상데이터가 아닌 도 4와 같이, 불규칙적인 피부질환 영상데이터를 의미한다.
따라서, 상기 피부질환 영상데이터를 가지고 미리 학습시켜 이에 따른 피부질환을 판별한다면 다양한 형태의 비정형화된 피부질환 영상데이터에 대한 판독 능력을 향상시킬 수 있게 되어 일반 전문의들이 진단시, 정확도가 높은 결과값을 가지고 객관적으로 판단할 수 있는 장점을 제공할 수 있게 된다.
본 발명의 피부질환진단장치(1000)는 피부 질환 이미지 정보를 학습하여 클래스 분류를 위한 학습 결과 정보를 생성하는 이미지기반피부질환학습부(100)를 포함한다.
상기 이미지기반피부질환학습부(100)는 학습할 피부 질환 이미지 정보를 획득하고, 획득한 피부 질환 이미지 정보를 학습하여 클래스 분류를 위한 학습 결과 정보를 생성하여 저장 처리하게 된다.
즉, 도 4와 같은 복수 개의 학습할 피부 질환 이미지 정보를 이미지검색엔진(10)을 통해 검색하고, 해당 검색된 정보를 이미지기반피부질환학습부(100)에서 획득하여 합성곱 신경망을 이용하여 학습하여 클래스정보저장모듈에 저장하게 되는 것이다.
또한, 상기 이미지기반피부질환학습부(100)는 학습할 피부 질환 이미지 정보를 획득하기 위하여 카메라와 연결되어 직접적인 입력 영상을 수신하거나, 무선 네트워크 또는 인터넷 네트워크로부터 이미지 정보를 수신받는 장치인 것을 특징으로 한다.
즉, 카메라와 연동시켜 카메라를 통해 직접적인 입력 영상을 수신할 수 있으며, 무선 네트워크 또는 인터넷 네트워크를 이용하여 이미지 검색 엔진에 의하여 각종 영상 이미지를 획득할 수 있게 된다.
도 5는 본 발명의 일실시예에 따른 피부질환 학습을 이용한 피부질환 진단시스템의 이미지기반피부질환학습부(100) 블록도이다.
도 5에 도시한 바와 같이, 이미지기반피부질환학습부(100)는,
학습할 피부 질환 이미지 정보를 획득하기 위한 피부질환이미지정보획득모듈(110);
상기 획득된 피부 질환 이미지 정보를 CNN 구조의 스펙에 맞추어 변환시키기 위한 피부질환이미지변환모듈(120);
상기 CNN 구조의 스펙에 맞추어 변환된 피부 질환 이미지 정보를 합성곱 신경망을 이용하여 클래스 분류가 가능한 적어도 2개 이상의 클래스별 데이터로 변환하는 클래스별분류데이터변환모듈(130);
상기 각 클래스별 수치 데이터들의 합이 1이 되도록 변경하는 데이터변경모듈(140);
합이 1이 되도록 각 클래스별 수치 데이터들을 이용하여 학습할 피부 질환 이미지 정보에 대한 학습결과 정보를 생성하는 클래스판단모듈(150);
학습한 피부 질환 이미지 정보와 해당 이미지 정보에 대한 학습결과 정보를 클래스정보저장모듈의 해당 클래스 필드에 저장 처리하기 위한 클래스정보처리모듈(160);
학습한 피부 질환 이미지 정보와 해당 이미지 정보에 대한 학습결과 정보가 매칭 되어 해당 클래스 필드에 저장하고 있는 클래스정보저장모듈(170);을 포함하여 구성되는 것을 특징으로 한다.
상기 피부질환이미지정보획득모듈(110)은 학습할 피부 질환 이미지 정보를 획득하게 된다.
획득한 학습할 피부 질환 이미지 정보는 악성 질환 이미지 정보, 피부 질환 이미지 정보, 정상 피부 이미지 정보를 포함하며, 악성 질환은 예를 들어, 기저 세포 암, 흑색종 등을 의미할 수 있으며, 피부 질환은 피부 색소 질환 및 감염성 질환등을 의미하는 것으로 지루성 각화증, 광선 각화증 등을 의미할 수 있으며, 정상 피부는 일반적인 점, 검버섯 등을 의미할 수 있다.
즉, 획득된 학습할 피부 질환 이미지 정보는 적어도 2개 이상의 클래스를 포함하게 되는데, 예를 들어, 2개의 클래스인 경우에는 악성 질환 클래스, 정상 피부 클래스 중 어느 하나로, 3개의 클래스인 경우에는 악성 질환 클래스, 피부 질환 클래스, 정상 피부 클래스라는 3개의 클래스 중 어느 하나로 분류된다.
상기 피부질환이미지변환모듈(120)은 상기 획득된 피부 질환 이미지 정보를 CNN 구조의 스펙에 맞추어 변환시키게 된다.
도 6에는 획득한 피부 질환 이미지 정보를 CNN 구조의 스펙에 맞추어 변환시키는 프로그램이 도시되어 있다.
이후, 클래스별분류데이터변환모듈(130)은 CNN 구조의 스펙에 맞추어 변환된 피부 질환 이미지 정보를 합성곱 신경망을 이용하여 클래스 분류가 가능한 클래스별 데이터로 변환하게 된다.
즉, 변환된 데이터를 Convolution을 통해서 클래스 분류가 가능한 클래스별 수치 데이터로 변환하게 되는 것이다.
예를 들어, 클래스별분류데이터변환모듈(130)은 3개의 클래스로 분류한다면, 학습할 피부질환 이미지의 악성 질환 클래스 수치 데이타 30, 피부 질환 클래스 수치 데이터 50, 정상 피부 클래스 수치 데이터 20 등과 같이 변환하는 것이다.
도 7에는 변환된 데이터를 Convolution을 통해서 클래스 분류가 가능한 수치 데이터로 변환시키는 프로그램이 도시되어 있다.
이후, 데이터변경모듈(140)은 각 클래스별 수치 데이터들의 합이 1이 되도록 변경하게 된다.
예를 들어, 데이터변경모듈(140)은 학습할 피부질환 이미지의 악성 질환 클래스 수치 데이타 0.3, 피부 질환 클래스 수치 데이터 0.5, 정상 피부 클래스 수치 데이터 0.2 등과 같이 변환하는 것이다.
도 8에는 클래스 분류가 가능한 수치 데이터들의 합이 1이 되도록 변경시키는 프로그램이 도시되어 있다.
이후, 클래스판단모듈(150)은 합이 1이 되도록 각 클래스별 수치 데이터들을 이용하여 학습할 피부 질환 이미지 정보에 대한 학습결과 정보를 생성하게 된다.
특히, 적어도 2개 이상의 클래스별 수치 데이터 중 가장 높은 수치 데이터를 갖는 클래스를 학습한 피부 질환 이미지 정보의 학습결과 정보로 생성하거나,
가장 높은 수치 데이터를 갖는 클래스의 수치 데이터가 나머지 클래스의 수치 데이터의 합보다 큰 경우 가장 높은 수치 데이터를 갖는 클래스를 학습한 피부 질환 이미지 정보의 학습결과 정보로 생성하는 것을 특징으로 한다.
예를 들어, 3개의 클래스별 수치 데이터 중 가장 높은 수치 데이터를 갖는 클래스를 학습한 피부 질환 이미지 정보의 학습결과 정보로 생성하거나, 가장 높은 수치 데이터를 갖는 클래스의 수치 데이터가 나머지 2개의 클래스의 수치 데이터의 합보다 큰 경우 가장 높은 수치 데이터를 갖는 클래스를 학습한 피부 질환 이미지 정보의 학습결과 정보로 생성하는 것을 특징으로 한다.
예를 들어, 학습할 피부 질환 이미지 정보 A가 악성 질환 클래스 수치 데이타 0.3, 피부 질환 클래스 수치 데이터 0.6, 정상 피부 클래스 수치 데이터 0.1 이라면, 클래스별 수치 데이터 중에서 가장 높은 수치인 0.5를 갖는 클래스인 피부 질환 클래스를 학습할 피부 질환 이미지 정보 A의 학습결과 정보로 생성하는 것이다.
또한, 3개의 클래스별 수치 데이터 중 가장 높은 수치 데이터를 갖는 클래스인 피부 질환 클래스의 수치 데이터 0.6이 나머지 2개의 클래스인 악성 질환 클래스와 정상 피부 클래스의 수치 데이타 합인 0.4 보다 큰 경우 가장 높은 수치 데이터를 갖는 클래스인 피부 질환 클래스를 학습할 피부 질환 이미지 정보 A의 학습결과 정보로 생성하는 것이다.
도 9에는 각 클래스의 정확도를 계산하고, 가장 높은 수치를 가진 클래스를 판단하여 학습할 피부 질환 이미지 정보에 대한 학습결과 정보를 생성하는 프로그램이 도시되어 있다.
이후, 클래스정보처리모듈(160)은 학습한 피부 질환 이미지 정보와 해당 이미지 정보에 대한 학습결과 정보를 클래스정보저장모듈의 해당 클래스 필드에 저장 처리하게 되는 것이다.
상기 클래스정보저장모듈(170)에는 학습한 피부 질환 이미지 정보와 해당 이미지 정보에 대한 학습결과 정보가 매칭되어 해당 클래스 필드에 저장된다.
한편, 다른 부가적인 양태에 따라, 이미지기반피부질환학습부(100)는 피부질환이미지변환모듈(120)에 의해 피부 질환 이미지 정보가 CNN 구조의 스펙에 맞추어 변환되기 전에 피부 질환 이미지 정보를 사이즈, 방향, 배율, 밝기, 노이즈 제거 중 적어도 어느 하나 이상의 설정된 항목으로 전처리하여 학습 변별력을 높이기 위한 학습변별력향상처리모듈(180);을 더 포함하여 구성할 수 있다.
즉, 상기 학습변별력향상처리모듈(180)을 통해 획득된 피부 질환 이미지 정보를 사이즈, 방향, 배율, 밝기, 노이즈 제거 중 적어도 어느 하나 이상의 설정된 항목으로 전처리할 수 있는데, 예를 들어, 설정된 항목이 사이즈는 가로와 세로 동일한 사이즈인 정사각형, 방향은 수평하게, 배율은 2배 확대 등과 같이 설정되었다면 획득된 피부 질환 이미지 정보를 사이즈, 방향, 배율을 상기와 같이 조절하여 복수 개의 이미지들을 동일한 사이즈, 방향, 배율로 전처리함으로써, 학습 변별력을 높이는 것이다.
또한, 노이즈 제거를 수행하게 되면, 노이즈필터링 기능을 제공하여 이를 통해 노이즈를 제거함으로써, 학습 변별력을 높일 수 있게 된다.
본 발명에서 설명하고 있는 Convolution이란, 영상 처리 분야에서 주로 필터 연산에 사용이 되며, 영상으로부터 특징점을 추출하기 위한 필터를 구현할 때 사용한다.
즉, 3 x 3 또는 그 이상의 마스크를 영상 전체에 반복적으로 수행하게 되면, 그 마스크의 계수 값들의 따라 적정한 결과가 나온다.
도 10과 같이, 전체 이미지에 노란색 부분이 convolution이 일어나고 있는 영역이며, 빨간색 글자는 convolution의 커널에 해당하고, 마스크 연산이 수행되면 오른쪽의 4가 나오며, 마스크는 한 칸 이동시키는 것을 반복하여 최종 결과를 얻을 수 있다.
이와 같이, 본 발명의 실시예는 다양한 환경적인 문제로 인한 학습 정보의 질이 떨어지는 문제점을 해결하기 위해, 입력 영상을 각각의 환경에 강인한 패턴 영상으로 분류하고 조합한 후 학습시킴으로써, 다양한 환경문제(흔들림, 조도, 노이즈, 인식률 저하 등)에 취약한 영상 학습 정보의 질을 높일 수 있을 뿐만 아니라, 컨볼루션 신경망(CNN)의 각 레이어 층에서 특징을 추출하는 과정에서 발생할 수 있는 오류를 보정할 수 있고, 레이어 층마다 다른 패턴을 적용할 수 있다는 점에서 보다 양질의 학습정보를 획득할 수 있는 컨볼루션 신경망(CNN) 기반의 피부질환 학습을 이용한 피부질환 진단시스템를 제공하게 된다.
본 발명의 피부질환진단장치(1000)는 스마트기기(2000)가 전송한 피부 질환 이미지 정보를 클래스 분류를 위한 학습 결과 정보와 비교하여 해당 클래스로 분류한 피부질환 진단결과를 생성하는 클래스판별부(200)를 포함한다.
즉, 상기 클래스판별부(200)는 자체 촬영한 피부 질환 이미지 정보 또는 스마트기기(2000)가 전송한 피부 질환 이미지 정보를 이미지기반피부질환학습부(100)가 생성한 클래스 분류를 위한 학습 결과 정보와 비교하여 해당 클래스로 분류한 피부질환 진단결과를 생성하고, 피부질환 진단결과를 해당 사용자의 스마트기기(2000)로 전송한다.
또한, 클래스판별부(200)는 스마트기기(2000)가 제공한 피부 질환 이미지 정보와 해당 이미지에 대한 피부질환 진단결과를 이미지기반피부질환학습부(100)로 제공하여 이미지기반피부질환학습부(100)가 학습 결과 정보 생성 시, 반영할 수 있도록 하는 것을 특징으로 한다.
도 11에 도시한 바와 같이, 상기 클래스판별부(200)는,
사용자 인증을 수행하기 위한 사용자인증수행모듈(210);
피부 질환을 판단하기 위해 피부질환진단장치(1000)에 구성된 카메라 또는 인증된 사용자의 스마트기기(2000)로부터 피부 질환 이미지 정보를 획득하기 위한 피부질환이미지정보획득모듈(220);
상기 획득된 피부 질환 이미지 정보에 라벨링을 수행하여 사용자라벨링정보저장모듈에 저장 처리하기 위한 사용자라벨링실행모듈(230);
상기 사용자라벨링실행모듈에 의해 제공된 라벨링 정보와 해당 피부 질환 이미지 정보를 저장하고 있는 사용자라벨링정보저장모듈(240);
피부 질환을 판단하기 위하여 저장된 피부 질환 이미지 정보를 합성곱 신경망을 이용하여 컨볼루션하여 특징점을 추출하기 위한 판단대상이미지특징점추출모듈(250);
상기 추출된 특징점을 클래스정보저장모듈(170)에 저장된 학습 결과 정보와 비교하여 해당하는 클래스로 분류한 피부질환 진단결과를 생성하고, 생성된 피부질환 진단결과를 해당 스마트기기(2000)로 전송하는 타겟이미지클래스분류모듈(260);을 포함하여 구성되는 것을 특징으로 한다.
구체적으로 설명하면, 상기 사용자인증수행모듈(210)은 사용자 인증을 수행하기 위한 기능을 수행하게 되는데, 예를 들어, 로그인 페이지를 제공하고, 로그인 페이지 상에 아이디, 비번, 주소, 연락처, 성명 등을 입력하게 된다.
이때, 입력된 정보를 토대로 개인 정보를 저장하여 관리하게 된다.
상기 피부질환이미지정보획득모듈(220)은 피부 질환을 판단하기 위해 피부질환진단장치(1000)에 구성된 카메라 또는 인증된 사용자의 스마트기기(2000)로부터 피부 질환 이미지 정보를 획득하게 된다.
상기 사용자라벨링실행모듈(230)은 상기 획득된 피부 질환 이미지 정보에 라벨링을 수행하여 사용자라벨링정보저장모듈에 저장 처리하게 된다.
예를 들어, 사용자 아이디, 접속 스마트기기(2000) 고유 번호, 접속 일자, 이미지 업로딩 일자, 피부 질환 이미지에 추가적으로 이미지 라벨링을 수행하게 되고, 수행된 라벨링 정보와 피부 질환 데이터 이미지 정보를 사용자라벨링정보저장모듈(240)에 저장 처리하게 되는 것이다.
상기 판단대상이미지특징점추출모듈(250)은 피부 질환을 판단하기 위하여 상기 피부 질환 이미지 정보를 합성곱 신경망을 이용하여 컨볼루션하여 특징점을 추출하기 위한 기능을 수행하게 된다.
상기 타겟이미지클래스분류모듈(260)은 추출된 특징점을 클래스정보저장모듈(170)에 저장된 학습 결과 정보와 비교하여 해당하는 클래스로 분류한 피부질환 진단결과를 생성하고, 생성된 피부질환 진단결과를 해당 스마트기기(2000)로 전송한다.
예를 들어, 사용자로부터 획득한 피부 질환 이미지의 특징점이 클래스정보저장모듈(170)에 저장된 학습 결과 정보상 악성 질환으로 분류된 피부질환 이미지의 특징점과 동일 유사한 것으로 판단되면 사용자로부터 획득한 피부 질환 이미지가 악성 질환 클래스로 분류된다는 피부질환 진단결과를 생성하고, 해당 사용자의 스마트기기(2000)로 전송하여 알려주게 된다.
도 12는 본 발명의 일실시예에 따른 피부질환 학습을 이용한 피부질환 진단시스템의 스마트기기(2000) 구성도이다.
스마트기기(2000)는 피부질환진단장치(1000)로 진단을 의뢰할 피부 질환 이미지 정보를 전송하고, 피부질환진단장치(1000)에서 제공된 피부질환 진단결과를 화면에 출력시키는 기능을 수행하게 된다.
이를 위해, 스마트기기(2000)는,
피부질환진단장치(1000)에서 제공된 피부질환 진단결과와 해당 피부질환 이미지를 화면에 출력시키는 진단결과출력처리부(2100);를 포함하여 구성하게 된다.
또한, 의사단말기(3000)로 획득된 피부질환 이미지와 피부질환 진단결과를 제공하여 진단 결과의 전문가 확인을 요청하기 위한 전문가진단결과획득부(2200);를 더 포함하여 구성할 수 있다.
즉, 의사들의 육안 검사 정보를 통해 피부질환 특히, 심각한 피부질환인 악성 질환의 진단 결과를 획득하여 악성 질환의 진단 정확률을 더욱 높일 수 있게 된다.
이를 통해, 매년 흑색종으로 23명이 발생하고 조기진단이 늦어 5만 5천명이 사망하고 있으니 위와 같은 진단 기술을 제공하여 사망률 저하에 기여를 할 수 있을 것이다.
이때, 상기 스마트기기는 피부질환을 진단하기 위하여 어플형태의 피부질환진단앱을 탑재할 수 있으며, 피부질환진단앱을 통해 실시간으로 특정 영역의 피부를 촬영하여 실시간으로 피부 질환 여부를 분석할 수 있을 것이다.
이때, 인공지능 학습을 클라우드서버를 통해 실시할 수 있으며, 학습된 결과 정보를 상기 피부질환진단앱에서 실시간으로 업데이트할 수 있으며, 자신의 피부 질환 의심 부위를 촬영함과 동시에 실시간으로 악성 질환 유무를 화면을 통해 확인할 수 있는 편리성을 제공하게 되는 것이다.
한편, 도 13에 도시한 바와 같이, 상기 진단결과출력처리부(2100)는,
피부질환진단장치(1000)가 전송한 피부질환 진단결과에 매칭된 피부 이미지를 출력시키기 위한 촬영이미지출력레이어(2110);
피부질환진단장치(1000)가 전송한 피부질환 진단결과 정보를 출력시키기 위한 피부질환진단결과출력레이어(2120);
피부질환진단장치(1000)에 구성된 카메라로 피부 이미지 촬영 시, 또는 스마트기기(2000)에 구성된 카메라로 피부 이미지 촬영 시, 진단 정확도를 높이도록 조명의 파장대를 다양하게 변경하기 위한 조명파장대변경레이어(2130);
촬영된 피부 이미지와 피부질환 진단결과 정보를 저장하기 위한 저장처리레이어(2140);를 포함하여 구성할 수 있다.
상기 촬영이미지출력레이어(2110)에 의해, 피부질환진단장치(1000)가 전송한 피부질환 진단결과에 매칭된 피부 이미지를 출력시키게 된다.(도 13의 ① 영역임.)
또한, 피부질환진단결과출력레이어(2120)는 피부질환진단장치(1000)가 전송한 피부질환 진단결과 정보를 출력시키게 된다.(도 13의 ② 영역임.)
예를 들어, 진단결과 - 악성 질환, 신뢰도 - 100% 라는 정보를 출력시키게 되는 것이다.
그리고, 조명파장대변경레이어(2130)는 피부질환진단장치(1000)에 구성된 카메라로 피부 이미지 촬영 시, 또는 스마트기기(2000)에 구성된 카메라로 피부 이미지 촬영 시, 진단 정확도를 높이도록 조명의 파장대를 다양하게 변경한다.(도 13의 ③ 영역임.)
피부 촬영시, 파장대에 따라 다양한 영상 이미지를 획득할 수 있게 되므로 가장 심각한 악성 질환의 경우에 다양한 파장대의 조명들을 통해 다양한 영상을 획득하여 악성 질환을 진단함에 있어 진단 정확도를 높일 수 있도록 하는 것이다.
이를 위하여, 파장대를 조절할 수 있는 버튼을 구성함으로써, 사용자가 다양한 조명을 이용하여 촬영할 수 있도록 유도하는 것이다.
또한, 상기 저장처리레이어(2140)는 상기 촬영된 피부 이미지와 피부질환 진단결과 정보를 저장하게 된다.(도 13의 ④ 영역임.)
도 14를 참조하면, 얼굴, 신체 등 다양한 부위의 피부를 피부질환진단장치(1000)에 형성된 카메라 또는 스마트기기(2000)에 형성된 카메라를 통해 촬영하게 된다.
이후, 피부질환진단장치(1000)에 의해 피부질환 유무를 진단하게 될 것이며, 진단 결과를 스마트기기의 화면에 출력되게 된다. 즉, 촬영 부위에 대한 검사 결과 인 단순 점인지 트러블인지 악성 질환(예 : 흑색종)인지가 표시된다.
한편, 다른 부가적인 양태에 따라, 상기 진단결과출력처리부(2100)는,
상기 피부질환 진단결과가 악성 질환, 단순 피부 질환인 경우에, 현재 위치를 기반으로 설정 범위 내 병원 정보를 출력시키기 위한 병원안내정보처리레이어(2150);
상기 피부질환 진단결과가 악성 질환, 단순 피부 질환인 경우에, 병원 내진이나 조직검사를 안내하는 안내메세지를 출력시키기 위한 부연안내정보처리레이어(2160);를 더 포함하여 구성할 수 있다.
즉, 병원안내정보처리레이어(2150)는 피부질환 진단결과가 악성 질환, 단순 피부 질환인 경우에, 현재 위치의 주변 10KM 반경 내의 조직검사가 가능한 병원리스트 정보를 화면에 출력시키는 기능을 수행하는 것이다.
그리고, 부연안내정보처리레이어(2160)는 피부질환 진단결과가 악성 질환, 단순 피부 질환인 경우에, '병원에 내방하셔서 정밀 진단을 받아보세요', '조직검사를 수행하여야 하오니, 병원에 내방하세요'라는 안내메세지를 제공하게 된다.
이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형 실시가 가능한 것은 물론이고, 이러한 변형 실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안될 것이다.
1000 : 피부질환진단장치
2000 : 스마트기기
3000 : 의사단말기

Claims (3)

  1. 피부질환 학습을 이용한 피부질환 진단시스템에 있어서,
    피부 질환 이미지 정보를 학습하여 클래스 분류를 위한 학습 결과 정보를 생성하고, 스마트기기(2000)가 전송한 피부 질환 이미지 정보를 클래스 분류를 위한 학습 결과 정보와 비교하여 해당 클래스로 분류한 피부질환 진단결과를 생성하고, 피부질환 진단결과를 해당 사용자의 스마트기기(2000)로 전송하는 피부질환진단장치(1000)와;

    상기 피부질환진단장치(1000)로 진단을 의뢰할 피부 질환 이미지 정보를 전송하고, 피부질환진단장치(1000)에서 제공된 피부질환 진단결과와 해당 피부질환 이미지를 화면에 출력시키는 스마트기기(2000)를 포함하여 구성되는 것을 특징으로 하는 피부질환 학습을 이용한 피부질환 진단시스템.
  2. 제 1항에 있어서,
    상기 피부질환진단장치(1000)는,
    적어도 2개 이상의 클래스별 수치 데이터 중 가장 높은 수치 데이터를 갖는 클래스를 학습한 피부 질환 이미지 정보의 학습결과 정보로 생성하거나,
    가장 높은 수치 데이터를 갖는 클래스의 수치 데이터가 나머지 클래스의 수치 데이터의 합보다 큰 경우 가장 높은 수치 데이터를 갖는 클래스를 학습한 피부 질환 이미지 정보의 학습결과 정보로 생성하는 것을 특징으로 하는 피부질환 학습을 이용한 피부질환 진단시스템.
  3. 제 1항에 있어서,
    상기 피부질환진단장치(1000)는,
    스마트기기(2000)가 제공한 피부 질환 이미지 정보와 해당 이미지에 대한 피부질환 진단결과를 학습 결과 정보 생성 시, 반영할 수 있도록 하는 것을 특징으로 하는 피부질환 학습을 이용한 피부질환 진단시스템.
KR1020220026540A 2022-03-02 2022-03-02 피부질환 학습을 이용한 피부질환 진단시스템 KR20230129662A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220026540A KR20230129662A (ko) 2022-03-02 2022-03-02 피부질환 학습을 이용한 피부질환 진단시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220026540A KR20230129662A (ko) 2022-03-02 2022-03-02 피부질환 학습을 이용한 피부질환 진단시스템

Publications (1)

Publication Number Publication Date
KR20230129662A true KR20230129662A (ko) 2023-09-11

Family

ID=88020316

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220026540A KR20230129662A (ko) 2022-03-02 2022-03-02 피부질환 학습을 이용한 피부질환 진단시스템

Country Status (1)

Country Link
KR (1) KR20230129662A (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140018748A (ko) 2012-08-03 2014-02-13 삼성전자주식회사 의료 영상에서 병변의 분석 장치 및 방법
KR101623431B1 (ko) 2015-08-06 2016-05-23 주식회사 루닛 의료 영상의 병리 진단 분류 장치 및 이를 이용한 병리 진단 시스템

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140018748A (ko) 2012-08-03 2014-02-13 삼성전자주식회사 의료 영상에서 병변의 분석 장치 및 방법
KR101623431B1 (ko) 2015-08-06 2016-05-23 주식회사 루닛 의료 영상의 병리 진단 분류 장치 및 이를 이용한 병리 진단 시스템

Similar Documents

Publication Publication Date Title
KR102311654B1 (ko) 피부 이미지 기반의 인공지능 딥러닝을 이용한 피부질환 판별용 api 엔진을 구성하는 스마트 피부질환 판별 플랫폼시스템
US11612311B2 (en) System and method of otoscopy image analysis to diagnose ear pathology
KR102041906B1 (ko) 안면피부촬영장치를 통해 촬영된 영상 이미지를 활용하여 피부질환을 판별하는 인공지능 기반의 안면 피부질환 판별용 api 엔진
US9445713B2 (en) Apparatuses and methods for mobile imaging and analysis
US20140316235A1 (en) Skin imaging and applications
KR102162683B1 (ko) 비정형 피부질환 영상데이터를 활용한 판독보조장치
Young Park et al. Automated image analysis of digital colposcopy for the detection of cervical neoplasia
KR101683712B1 (ko) 트레이스 변환을 이용한 홍채 및 눈 인식 시스템
Hao et al. Fusing multiple deep models for in vivo human brain hyperspectral image classification to identify glioblastoma tumor
US20120157800A1 (en) Dermatology imaging device and method
Sharifi et al. Experimental and numerical diagnosis of fatigue foot using convolutional neural network
Vocaturo et al. On the usefulness of pre-processing step in melanoma detection using multiple instance learning
Vocaturo et al. Dangerousness of dysplastic nevi: A multiple instance learning solution for early diagnosis
WO2017020045A1 (en) System and methods for malarial retinopathy screening
Bassi et al. Deep learning diagnosis of pigmented skin lesions
Strzelecki et al. Artificial Intelligence in the detection of skin cancer: state of the art
CN115496700A (zh) 一种基于眼部图像的疾病检测系统及方法
Leopold et al. Segmentation and feature extraction of retinal vascular morphology
JP2016174728A (ja) 診断装置並びに当該診断装置における画像処理方法、画像処理システム及びそのプログラム
WO2022252107A1 (zh) 一种基于眼部图像的疾病检测系统及方法
KR20230129662A (ko) 피부질환 학습을 이용한 피부질환 진단시스템
KR102165487B1 (ko) 비정형 피부질환 영상데이터를 활용한 피부 질환 판독 시스템
Turkeli et al. A smart dermoscope design using artificial neural network
Abdel-Latif et al. Achieving Information Security by multi-Modal Iris-Retina Biometric Approach Using Improved Mask R-CNN
Gowri et al. An improved classification of MR images for cervical cancer using convolutional neural networks

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E601 Decision to refuse application