KR20230140774A - 심전도 이미지를 바탕으로 심근 경색에 대한 진단을 수행하는 전자 장치, 및 제어 방법 - Google Patents
심전도 이미지를 바탕으로 심근 경색에 대한 진단을 수행하는 전자 장치, 및 제어 방법 Download PDFInfo
- Publication number
- KR20230140774A KR20230140774A KR1020220039438A KR20220039438A KR20230140774A KR 20230140774 A KR20230140774 A KR 20230140774A KR 1020220039438 A KR1020220039438 A KR 1020220039438A KR 20220039438 A KR20220039438 A KR 20220039438A KR 20230140774 A KR20230140774 A KR 20230140774A
- Authority
- KR
- South Korea
- Prior art keywords
- images
- group
- electronic device
- artificial intelligence
- intelligence model
- Prior art date
Links
- 208000010125 myocardial infarction Diseases 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 69
- 238000003745 diagnosis Methods 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims description 33
- 210000004165 myocardium Anatomy 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 238000002565 electrocardiography Methods 0.000 description 28
- 238000013528 artificial neural network Methods 0.000 description 20
- 210000003484 anatomy Anatomy 0.000 description 15
- 238000004891 communication Methods 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 12
- 230000002107 myocardial effect Effects 0.000 description 10
- 210000001367 artery Anatomy 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000000747 cardiac effect Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000009877 rendering Methods 0.000 description 3
- 206010000891 acute myocardial infarction Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000003680 myocardial damage Effects 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 230000033764 rhythmic process Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000008685 targeting Effects 0.000 description 2
- 206010002383 Angina Pectoris Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 206010061216 Infarction Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 210000003423 ankle Anatomy 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 230000007574 infarction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 208000031225 myocardial ischemia Diseases 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000060 site-specific infrared dichroism spectroscopy Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
-
- 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
- A61B5/004—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 adapted for image acquisition of a particular organ or body part
- A61B5/0044—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 adapted for image acquisition of a particular organ or body part for the heart
-
- 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
- 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
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/7475—User input or interface means, e.g. keyboard, pointing device, joystick
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Theoretical Computer Science (AREA)
- Cardiology (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Physiology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Fuzzy Systems (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
본 발명은, 심근 경색에 대한 진단을 수행하기 위한 인공지능 모델을 포함하는 메모리, 메모리와 연결된 프로세서를 포함하고, 프로세서는, 환자의 심장과 근접한 복수의 지점으로부터 감지된 복수의 심전도 각각에 대한 복수의 이미지를 획득하고, 복수의 이미지 중 제1 이미지들을 포함하는 제1 그룹, 제2 이미지들을 포함하는 제2 그룹, 제3 이미지들을 포함하는 제3 그룹을 생성하고, 제1 그룹, 제2 그룹, 및 제3 그룹을 그룹 별로 인공지능 모델에 입력하여 진단 정보를 획득하는 심전도 이미지를 바탕으로 심근 경색에 대한 진단을 수행하는 전자 장치, 및 그를 제어하는 제어 방법에 관한 것이다.
Description
본 발명은 심전도 이미지를 바탕으로 심근 경색에 대한 진단을 수행하는 전자 장치, 및 제어 방법에 관한 것으로, 상세하게는 심전도 raw data를 이용하지 않고, 누구나 손쉽게 이용할 수 있도록 심전도 이미지를 이용하여, 12개의 심전도 이미지 중 각 심장 동맥이 관여하는 해부학적 부위 또는 해부학적 부위 자체를 시사하는 심전도 그룹을 생성하여, 각 그룹별로 별도의 학습을 진행함으로써 통합적인 해석의 기반을 마련하고, 각 그룹별 알고리즘을 통합하여 하나의 알고리즘으로 제공하는 것이다.
심전도 검사는 심장 근육을 자극하는 전기적 흐름 신호를 심장의 해부학적 부위에 따라 12개의 방향으로 표현하는 검사 방법으로, 종래의 심전도 장비 자체의 판독 결과는 정확도가 매우 떨어지며, 특히, 시간을 다투는 중증 질환에 해당하는 급성 심근 경색의 경우, 심전도 장비의 판독 결과가 부정확하기 때문에 심전도를 전문적으로 판독할 수 있는 경험이 많은 전문의의 확인이 반드시 필요로 되어진다.
급성 심근 경색의 경우, 심장의 해부학적 구조와 전기흐름의 벡터에 대해, 심장 근육의 손상 벡터에 따른 변화(Reciprocal change)가 동반되게 되며, 이는 심장에 산소 및 혈류를 제공하고 있는 3개의 심장 동맥이 관여하는 심장 근육의 해부학적 부위와 관련되어 있어, 각 심장 동맥이 관여하고 있는 해부학적 부위의 손상 벡터와 관련하여 종래의 인공지능 알고리즘들은 심근 경색이 있음을 판독할 수는 있으나, 이를 통합적으로 분석하기 위한 정보의 융합 및 판독을 수행하지는 못하는 문제가 존재한다.
또한, 일정 수준 이상의 전문가들은 이러한 정보의 융합과 통합적인 사고를 통해 심근 손상을 일으킨 특정 심장 동맥 또는 심장의 해부학적 부위를 추정하고 있으나, 실제 심장 혈관 조영술 시행 결과와 일치도가 낮고, 정밀한 예측이 불가능한 상황이다.
또한, 종래의 심근 경색을 진단하기 위한 인공지능 알고리즘은 심전도 리듬의 신호 데이터인, raw data를 수용하여 학습된 것이므로, raw data를 적용해야만 분석이 가능하다는 문제가 존재하고, 앞서 언급한 12개의 방향에 해당하는 전기적 신호를 한 번에 모두 수용하여 학습된 알고리즘으로 12개의 심전도 소견 중 각 심장 동맥이 관여하는 해부학적인 부위 또는 그 해부학적 부위 자체를 시사하는 심전도 그룹을 통합적으로 이해하지 못하고 있으며, 이에 따라 해당 부분들에 대해서 유의미한 해석을 제공하지 못하고 있다.
한편, 상기의 배경기술로서 설명된 사항들은 본 발명의 배경에 대한 이해 증진을 위한 것일 뿐, 이 기술분야에서 통상의 지식을 가진 자에게 이미 알려진 종래기술에 해당함을 인정하는 것으로 받아들여져서는 안 될 것이다.
본 발명이 해결하고자 하는 과제는 심전도 raw data를 이용하지 않고, 누구나 손쉽게 이용할 수 있도록 심전도 이미지를 이용하여, 12개의 심전도 이미지 중 각 심장 동맥이 관여하는 해부학적 부위 또는 해부학적 부위 자체를 시사하는 심전도 그룹을 생성하여, 각 그룹별로 별도의 학습을 진행함으로써 통합적인 해석의 기반을 마련하고, 각 그룹별 알고리즘을 통합하여 하나의 알고리즘을 생성하는, 심전도 이미지를 바탕으로 심근 경색에 대한 진단을 수행하는 전자 장치, 및 제어 방법을 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 면에 따른 심전도 이미지를 바탕으로 심근 경색에 대한 진단을 수행하는 전자 장치는 심근 경색에 대한 진단을 수행하기 위한 인공지능 모델을 포함하는 메모리, 및 메모리와 연결된 프로세서를 포함한다.
이에 따라, 프로세서는, 환자의 심장과 근접한 복수의 지점으로부터 감지된 복수의 심전도 각각에 대한 복수의 이미지를 획득하고, 복수의 이미지 중 제1 이미지들을 포함하는 제1 그룹, 제2 이미지들을 포함하는 제2 그룹, 제3 이미지들을 포함하는 제3 그룹을 생성하고, 제1 그룹, 제2 그룹, 및 제3 그룹을 그룹 별로 인공지능 모델에 입력하여 진단 정보를 획득한다.
한편, 프로세서는, 12유도 심전도 검사에 따른 결과 이미지를 획득하고, 결과 이미지에 포함된 복수의 제1 텍스트를 식별하고, 복수의 제1 텍스트 중, 심전도 검사 영역에 대한 제2 텍스트를 식별하고, 제2 텍스트 중, 눈금 표식(Calibration Mark)에 근접한 복수의 제3 텍스트를 선택하고, 제3 텍스트를 기준으로 결과 이미지에서 제1 영역, 제2 영역, 및 제3 영역을 선택하고, 제1 영역, 제2 영역, 및 제3 영역 각각에 대해 파형이 분할된 공백 영역을 식별하고, 공백 영역 및 제2 텍스트를 기준으로, 제1 영역, 제2 영역, 및 제3 영역을 각각 4개의 이미지로 분할하여, 복수의 심전도 각각에 대한 복수의 이미지를 획득하는 것이 가능하다.
또한, 프로세서는, 복수의 이미지 각각에 포함된 제2 텍스트를 바탕으로, 심근 좌측벽에 대한 심전도 검사 결과인 제1 이미지들, 심근 하부벽에 대한 심전도 검사 결과인 제2 이미지들, 및 심근 전면부벽에 대한 심전도 검사 결과인 제3 이미지들로 복수의 이미지를 분류함으로써 제1 그룹 내지 제3 그룹으로 그룹화할 수 있다.
추가로, 프로세서는, 수집된 학습용 이미지를 바탕으로 인공지능 모델이 제1 그룹 내지 제3 그룹에 따라 이미지를 분류하고, 제1 그룹을 바탕으로 인공지능 모델이 제1 결과값을 출력하도록 훈련시키고, 제2 그룹을 바탕으로 인공지능 모델이 제2 결과값을 출력하도록 훈련시키고, 제3 그룹을 바탕으로 인공지능 모델이 제3 결과값을 출력하도록 훈련시킬 수 있다.
또한, 전자 장치는, 사용자 명령을 획득하는 입력부를 더 포함할 수 있고, 프로세서는, 입력부를 통해 수정 데이터를 획득한 경우, 제1 결과값 내지 제3 결과값 중 수정 데이터와 관련한 적어도 하나의 결과값인 오류 결과값을 식별하고, 식별된 오류 결과값이 복수인 경우, 복수의 이미지를 학습 데이터로 선택하여, 인공지능 모델이 오류 결과값과 다른 결과값을 출력하도록 재훈련시키고, 식별된 오류 결과값이 하나인 경우, 복수의 이미지 중 오류 결과값에 대한 적어도 하나의 이미지를 학습 데이터로 선택하여 인공지능 모델이 수정 데이터에 대응하는 결과값을 획득하도록 재학습 시킬 수 있다.
한편, 수정 데이터는, 제1 결과값 내지 제3 결과값 중 적어도 하나의 결과값에 대한 정보인 것을 특징으로 한다.
이 면에 따른 심전도 이미지를 바탕으로 심근 경색에 대한 진단을 수행하는 전자 장치는 심근 경색에 대한 진단을 수행하기 위한 인공지능 모델을 포함하는 메모리, 및 메모리와 연결된 프로세서를 포함한다.
이에 따라, 프로세서는, 환자의 심장과 근접한 복수의 지점으로부터 감지된 복수의 심전도 각각에 대한 복수의 이미지를 획득하고, 복수의 이미지 중 제1 이미지들을 결합하여 제1 그룹 이미지를 생성하고, 복수의 이미지 중 제2 이미지들을 결합하여 제2 그룹 이미지를 생성하고, 복수의 이미지 중 제3 이미지들을 결합하여 제3 그룹 이미지를 생성하고, 제1 그룹 이미지, 제2 그룹 이미지, 및 제3 그룹 이미지 각각을 인공지능 모델에 입력하여 진단 정보를 획득할 수 있다.
일 면에 따른 심전도 이미지를 바탕으로 심근 경색에 대한 진단을 수행하는 전자 장치에 의해 수행되는 심근경색 심전도 판독 방법에 있어서, 전자 장치가, 심전도 이미지에 대한 학습 데이터를 수집하여, 수집된 학습 데이터를 바탕으로 인공지능 모델이 심근경색 여부를 판단하기 위한 결과값을 출력하도록 학습시키는 단계, 전자 장치가, 심전도 측정 장치로부터 복수의 이미지를 획득하는 단계, 전자 장치가, 획득된 복수의 이미지를 제1 그룹, 제2 그룹, 및 제3 그룹로 분류하는 단계, 전자 장치가, 제1 그룹, 제2 그룹, 및 제3 그룹을 순차적으로 인공지능 모델에 입력하는 단계, 전자 장치가, 인공지능 모델에 의해 출력된 결과값을 바탕으로 심근경색 여부를 판단하는 단계, 및 입력부에 대한 사용자 입력에 따라 판단 결과에 대한 수정 데이터를 획득한 경우, 전자 장치가, 수정 데이터를 바탕으로 인공지능 모델을 제1 그룹 내지 제3 그룹에 대해 재학습시키는 단계를 포함한다.
한편, 수정 데이터는, 제1 그룹 내지 제3 그룹 중 적어도 하나의 결과값에 대한 정보인 것을 특징으로 한다.
일 면에 따른 심전도 이미지를 바탕으로 심근 경색에 대한 진단을 수행하는 하드웨어인 컴퓨터와 결합되어, 전자 장치의 제어 방법을 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장된 컴퓨터프로그램을 더 포함할 수 있다.
본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
본 발명의 심전도 이미지를 바탕으로 심근 경색에 대한 진단을 수행하는 전자 장치, 및 제어 방법에 의하면, 심전도에 따른 복수의 이미지 각각이 대상으로 하는 심근의 위치에 따라 복수의 이미지를 분류하고 그룹화하여 각각의 그룹에 대해 인공지능 모델을 학습시킴으로써 그룹별 알고리즘을 생성하여 출력값에 대한 진단 정확도를 높이고, 그룹별 출력값을 통합 관리하여 빠른 진단 결과를 도출하는 효과를 구현한다.
본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1 내지 도 3은 본 발명의 징 실시예에 따른 전자 장치의 계략적인 구성도이다.
도 4는 본 발명의 일 실시예에 따른 시스템 구성도이다.
도 5는 본 발명의 일 실시예에 따른 기본 흐름도이다.
도 6은 본 발명의 일 실시예에 따른 심근 부위에 따른 심전도 검사 위치를 도시한 것이다.
도 7은 본 발명의 일 실시예에 따른 결과 이미지 상에서 복수의 이미지를 분할한 상태도이다.
도 8은 본 발명의 일 실시예에 따른 복수의 이미지를 그룹화한 상태도이다.
도 9는 본 발명의 일 실시예에 따른 결과 이미지 상에서 특징적 파형을 도시한 것이다.
도 4는 본 발명의 일 실시예에 따른 시스템 구성도이다.
도 5는 본 발명의 일 실시예에 따른 기본 흐름도이다.
도 6은 본 발명의 일 실시예에 따른 심근 부위에 따른 심전도 검사 위치를 도시한 것이다.
도 7은 본 발명의 일 실시예에 따른 결과 이미지 상에서 복수의 이미지를 분할한 상태도이다.
도 8은 본 발명의 일 실시예에 따른 복수의 이미지를 그룹화한 상태도이다.
도 9는 본 발명의 일 실시예에 따른 결과 이미지 상에서 특징적 파형을 도시한 것이다.
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.
명세서에서 사용되는 "부" 또는 “모듈”이라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, "부" 또는 “모듈”은 어떤 역할들을 수행한다. 그렇지만 "부" 또는 “모듈”은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부" 또는 “모듈”은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부" 또는 “모듈”은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 "부" 또는 “모듈”들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부" 또는 “모듈”들로 결합되거나 추가적인 구성요소들과 "부" 또는 “모듈”들로 더 분리될 수 있다.
공간적으로 상대적인 용어인 "아래(below)", "아래(beneath)", "하부(lower)", "위(above)", "상부(upper)" 등은 도면에 도시되어 있는 바와 같이 하나의 구성요소와 다른 구성요소들과의 상관관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용시 또는 동작시 구성요소들의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들어, 도면에 도시되어 있는 구성요소를 뒤집을 경우, 다른 구성요소의 "아래(below)"또는 "아래(beneath)"로 기술된 구성요소는 다른 구성요소의 "위(above)"에 놓일 수 있다. 따라서, 예시적인 용어인 "아래"는 아래와 위의 방향을 모두 포함할 수 있다. 구성요소는 다른 방향으로도 배향될 수 있으며, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.
본 명세서에서, 컴퓨터는 적어도 하나의 프로세서를 포함하는 모든 종류의 하드웨어 장치를 의미하는 것이고, 실시 예에 따라 해당 하드웨어 장치에서 동작하는 소프트웨어적 구성도 포괄하는 의미로서 이해될 수 있다. 예를 들어, 컴퓨터는 스마트폰, 태블릿 PC, 데스크톱, 노트북 및 각 장치에서 구동되는 사용자 클라이언트 및 애플리케이션을 모두 포함하는 의미로서 이해될 수 있으며, 또한 이에 제한되는 것은 아니다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.
도 1 내지 도 3은 본 발명의 징 실시예에 따른 전자 장치의 계략적인 구성도이다.
도시된 바와 같이, 심전도 이미지를 바탕으로 심근 경색에 대한 진단을 수행하는 전자 장치(100)는 심근 경색에 대한 진단을 수행하기 위한 인공지능 모델을 포함하는 메모리(110), 심전도 검사 장치 및 적어도 하나의 단말 중 적어도 하나와 통신하는 통신부(120), 및 메모리(110) 및 통신부(120)와 연결된 프로세서(130)를 포함하고, 이때, 통신부(120)는 전자 장치(100)가 심전도 검사 장치인 경우, 제외될 수 있는 구성이며, 이를 대신해, 디스플레이 및 디스플레이 상의 화면 터치를 통한 사용자 입력을 획득하는 입력부(140)를 더 포함할 수 있다.
또한, 전자 장치(100)는 통신부(120)를 통한 사용자 단말(200)과의 통신이 가능하며, 이때, 사용자 단말(200)은 의료진이 소지한 전자 장치이다.
일 실시예로, 전자 장치(100, 200)는 사전 기록 심전도 검사 장치, 심전도 검사 장치, 스마트폰(smartphone), 태블릿 PC(tablet personal computer), 이동 전화기(mobile phone), 영상 전화기, 전자책 리더기(e-book reader), 데스크탑 PC (desktop PC), 랩탑 PC(laptop PC), 넷북 컴퓨터(netbook computer), 노트북 컴퓨터(notebook computer), 워크스테이션(workstation), 서버, PDA(personal digital assistant), PMP(portable multimedia player), MP3 플레이어, 모바일 의료기기, 심전도 장비, 카메라, 웨어러블 장치(wearable device), 인공지능 스피커(AI speaker) 중 적어도 하나를 포함할 수 있다.
메모리(110)는 전자 장치(100)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 메모리(110)는 비휘발성 메모리(110), 휘발성 메모리(110), 플래시메모리(110)(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SSD) 등으로 구현될 수 있다.
통신부(120)는 외부 장치와 통신을 수행할 수 있다. 특히, 통신부(120)는 와이파이 칩, 블루투스 칩, 무선 통신 칩, NFC칩, 저전력 블루투스 칩(BLE 칩) 등과 같은 다양한 통신 칩을 포함할 수 있다. 이때, 와이파이 칩, 블루투스 칩, NFC 칩은 각각 LAN 방식, WiFi 방식, 블루투스 방식, NFC 방식으로 통신을 수행한다. 와이파이 칩이나 블루투스칩을 이용하는 경우에는 SSID 및 세션 키 등과 같은 각종 연결 정보를 먼저 송수신 하여, 이를 이용하여 통신 연결한 후 각종 정보들을 송수신할 수 있다. 무선 통신칩은 IEEE, 지그비, 3G(3rd Generation), 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), 5G(5th Generation) 등과 같은 다양한 통신 규격에 따라 통신을 수행하는 칩을 의미한다.
프로세서(130)는 메모리(110)에 저장된 각종 프로그램을 이용하여 전자 장치(100)의 전반적인 동작을 제어할 수 있다. 프로세서(130)는 RAM, ROM, 그래픽 처리부, 메인 CPU, 제1 내지 n 인터페이스 및 버스로 구성될 수 있다. 이때, RAM, ROM, 그래픽 처리부, 메인 CPU, 제1 내지 n 인터페이스 등은 버스를 통해 서로 연결될 수 있다.
RAM은 O/S 및 어플리케이션 프로그램을 저장한다. 구체적으로, 전자 장치(100)가 부팅되면 O/S가 RAM에 저장되고, 사용자가 선택한 각종 어플리케이션 데이터가 RAM에 저장될 수 있다.
ROM에는 시스템 부팅을 위한 명령어 세트 등이 저장된다. 턴 온 명령이 입력되어 전원이 공급되면, 메인 CPU는 ROM에 저장된 명령어에 따라 메모리(110)에 저장된 O/S를 RAM에 복사하고, O/S를 실행시켜 시스템을 부팅시킨다. 부팅이 완료되면, 메인 CPU는 메모리(110)에 저장된 각종 어플리케이션 프로그램을 RAM에 복사하고, RAM에 복사된 어플리케이션 프로그램을 실행시켜 각종 동작을 수행한다.
그래픽 처리부는 연산부(미도시) 및 렌더링부(미도시)를 이용하여 아이템, 이미지, 텍스트 등과 같은 다양한 객체를 포함하는 화면을 생성한다. 여기서, 연산부는 입력부로부터 수신된 제어 명령을 이용하여 화면의 레이아웃에 따라 각 객체들이 표시될 좌표값, 형태, 크기, 컬러 등과 같은 속성값을 연산하는 구성일 수 있다. 그리고, 렌더링부는 연산부에서 연산한 속성값에 기초하여 객체를 포함하는 다양한 레이아웃의 화면을 생성하는 구성이 일 수 있다. 이러한 렌더링부에서 생성된 화면은 디스플레이의 디스플레이 영역 내에 표시될 수 있다.
메인 CPU는 메모리(110)에 액세스하여, 메모리(110)에 저장된 OS를 이용하여 부팅을 수행한다. 그리고, 메인 CPU는 메모리(110)에 저장된 각종 프로그램, 컨텐츠, 데이터 등을 이용하여 다양한 동작을 수행한다.
제1 내지 n 인터페이스는 상술한 각종 구성요소들과 연결된다. 제1 내지 n 인터페이스 중 하나는 네트워크를 통해 외부 장치와 연결되는 네트워크 인터페이스가 될 수도 있다.
한편, 나아가, 프로세서(130)는 인공지능 모델을 제어할 수 있다. 이 경우, 프로세서(130)는 인공지능 모델을 제어하기 위한 그래픽 전용 프로세서(예: GPU)를 포함할 수 있음은 물론이다.
한편, 본 발명에 따른 인공지능 모델은 교사 지도학습(supervised learning) 또는 비교사 지도학습(unsupervised learning)기반의 모델일 수 있다. 나아가, 본 발명에 따른 인공지능 모델은 SVM(support vector machine), Decision tree, neural network 등 및 이들이 응용된 방법론을 포함할 수 있다.
일 실시예로, 본 발명에 따른 인공지능 모델은 학습데이터를 입력하여 학습된 합성곱 신경망(Convolutional deep Neural Networks, CNN) 기반의 인공지능 모델일 수 있다. 다만, 이에 한정되는 것은 아니며, 다양한 인공지능 모델이 본 발명에 적용될 수 있음은 물론이다. 예컨대, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 모델이 인공지능 모델로서 사용될 수 있으나, 이에 한정되지 않는다.
이때, 합성곱 신경망(Convolutional deep Neural Networks, CNN)은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. 합성곱 신경망은 하나 또는 여러개의 합성곱 계층(convolutional layer)과 그 위에 올려진 일반적인 인공신경망 계층들로 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 합성곱 신경망은 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 또한, 합성곱 신경망은 표준 역전달을 통해 훈련될 수 있다. 합성곱 신경망은 다른 피드포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다.
또한, 심층 신경망(Deep Neural Networks, DNN)은 입력 계층(input layer)과 출력 계층(output layer) 사이에 복수개의 은닉 계층(hidden layer)들로 이뤄진 인공신경망(Artificial Neural Network, ANN)이다.
이때, 심층 신경망의 구조는 퍼셉트론(perceptron)으로 구성될 수 있다. 퍼셉트론은 여러 개의 입력 값(input)과 하나의 프로세서(prosessor), 하나의 출력 값으로 구성된다. 프로세서는 여러 개의 입력 값에 각각 가중치를 곱한 후, 가중치가 곱해진 입력 값들을 모두 합한다. 그 다음 프로세서는 합해진 값을 활성화함수에 대입하여 하나의 출력 값을 출력한다. 만약 활성화함수의 출력 값으로 특정한 값이 나오기를 원하는 경우, 각 입력 값에 곱해지는 가중치를 수정하고, 수정된 가중치를 이용하여 출력 값을 다시 계산할 수 있다. 이때, 각각의 퍼셉트론은 서로 다른 활성화함수를 사용할 수 있다. 또한 각각의 퍼셉트론은 이전 계층에서 전달된 출력들을 입력으로 받아들인 다음, 활성화 함수를 이용해서 출력을 구한다. 구해진 출력은 다음 계층의 입력으로 전달된다. 상술한 바와 같은 과정을 거치면 최종적으로 몇 개의 출력 값을 얻을 수 있다.
순환 신경망(Reccurent Neural Network, RNN)은 인공신경망을 구성하는 유닛 사이의 연결이 Directed cycle을 구성하는 신경망을 말한다. 순환 신경망은 앞먹임 신경망과 달리, 임의의 입력을 처리하기 위해 신경망 내부의 메모리를 활용할 수 있다.
심층 신뢰 신경망(Deep Belief Networks, DBN)이란 기계학습에서 사용되는 그래프 생성 모형(generative graphical model)으로, 딥 러닝에서는 잠재변수(latent variable)의 다중계층으로 이루어진 심층 신경망을 의미한다. 계층 간에는 연결이 있지만 계층 내의 유닛 간에는 연결이 없다는 특징이 있다.
심층 신뢰 신경망은 생성 모형이라는 특성상 선행학습에 사용될 수 있고, 선행학습을 통해 초기 가중치를 학습한 후 역전파 혹은 다른 판별 알고리즘을 통해 가중치의 미조정을 할 수 있다. 이러한 특성은 훈련용 데이터가 적을 때 굉장히 유용한데, 이는 훈련용 데이터가 적을수록 가중치의 초기값이 결과적인 모델에 끼치는 영향이 세지기 때문이다. 선행학습된 가중치 초기값은 임의로 설정된 가중치 초기값에 비해 최적의 가중치에 가깝게 되고 이는 미조정 단계의 성능과 속도향상을 가능케 한다.
상술한 인공지능 및 그 학습방법에 관한 내용은 예시를 위하여 서술된 것이며, 상술한 실시 예들에서 이용되는 인공지능 및 그 학습방법은 제한되지 않는다. 예를 들어, 당 업계의 통상의 기술자가 동일한 과제해결을 위하여 적용할 수 있는 모든 종류의 인공지능 기술 및 그 학습방법이 개시된 실시 예에 따른 시스템을 구현하는 데 활용될 수 있다.
한편, 프로세서(130)는 하나 이상의 코어(core, 미도시) 및 그래픽 처리부(미도시) 및/또는 다른 구성 요소와 신호를 송수신하는 연결 통로(예를 들어, 버스(bus) 등)를 포함할 수 있다.
일 실시예에 따른 프로세서(130)는 메모리(110)에 저장된 하나 이상의 인스트럭션을 실행함으로써, 본 발명과 관련하여 설명된 방법을 수행한다.
예를 들어, 프로세서(130)는 메모리(110)에 저장된 하나 이상의 인스트럭션을 실행함으로써 신규 학습용 데이터를 획득하고, 학습된 모델을 이용하여, 상기 획득된 신규 학습용 데이터에 대한 테스트를 수행하고, 상기 테스트 결과, 라벨링된 정보가 소정의 제1 기준값 이상의 정확도로 획득되는 제1 학습용 데이터를 추출하고, 상기 추출된 제1 학습용 데이터를 상기 신규 학습용 데이터로부터 삭제하고, 상기 추출된 학습용 데이터가 삭제된 상기 신규 학습용 데이터를 이용하여 상기 학습된 모델을 다시 학습시킬 수 있다.
한편, 프로세서(130)는 프로세서(130) 내부에서 처리되는 신호(또는, 데이터)를 일시적 및/또는 영구적으로 저장하는 램(RAM: Random Access Memory, 미도시) 및 롬(ROM: Read-Only Memory, 미도시)을 더 포함할 수 있다. 또한, 프로세서(130)는 그래픽 처리부, 램 및 롬 중 적어도 하나를 포함하는 시스템온칩(SoC: system on chip) 형태로 구현될 수 있다.
메모리(110)에는 프로세서(130)의 처리 및 제어를 위한 프로그램들(하나 이상의 인스트럭션들)을 저장할 수 있다. 메모리(110)에 저장된 프로그램들은 기능에 따라 복수 개의 모듈들로 구분될 수 있다.
도 5는 본 발명의 일 실시예에 따른 기본 흐름도이다.
도시된 바와 같이, 프로세서(130)는, 환자의 심장과 근접한 복수의 지점으로부터 감지된 복수의 심전도 각각에 대한 복수의 이미지를 획득(S510)하고, 복수의 이미지 중 제1 이미지들을 포함하는 제1 그룹, 제2 이미지들을 포함하는 제2 그룹, 제3 이미지들을 포함하는 제3 그룹을 생성(S520)하고, 제1 그룹, 제2 그룹, 및 제3 그룹을 그룹 별로 인공지능 모델에 입력하여 진단 정보를 획득(S530)한다.
복수의 심전도 각각에 대한 복수의 이미지는, 12유도 심전도(12-lead ECG, 12 lead Electrocardiogram)에 포함된 표준유도(I, II, III), 사지유도(aVR, aVL, aVF), 흉부유도(V1, V2, V3, V4, V5, V6)에 따른 심전도 기록을 포함하는 이미지이다.
12유도 심전도 검사란, 환자의 신체 부위 중, 양쪽의 손목, 발목, 가습에 부착한 6개의 전극을 통해 얻은 신호를 그래프 형대로 기록하여, 부정맥, 맥박의 난조, 심장 리듬의 이상을 진단하고, 심박동 수를 측정함으로써 협심증, 심근 경색 등의 허혈성 심장병과 고혈압으로 심근이 비대해지는 것을 진단하는 검사이다.
도 6은 본 발명의 일 실시예에 따른 심근 부위에 따른 심전도 검사 위치를 도시한 것이고, 도 7은 본 발명의 일 실시예에 따른 결과 이미지 상에서 복수의 이미지를 분할한 상태도이고, 도 8은 본 발명의 일 실시예에 따른 복수의 이미지를 그룹화한 상태도이다.
프로세서(130)가 단계 S520을 수행함에 있어서, 프로세서(130)는 12유도 심전도 검사에 따른 결과 이미지를 획득하고, 결과 이미지에 포함된 복수의 제1 텍스트(I, II, III, aVR, aVL, aVF, V1, V2, V3, V4, V5, V5, 1mV, DOB, ACCOUNT 등)를 식별할 수 있다.
프로세서(130)는 복수의 제1 텍스트 중, 심전도 검사 영역에 대한 제2 텍스트(I, II, III, aVR, aVL, aVF, V1, V2, V3, V4, V5, V5)를 식별하고, 제2 텍스트 중, 눈금 표식(Calibration Mark)에 근접한 복수의 제3 텍스트(I, II, III)를 선택하고, 제3 텍스트를 기준으로 결과 이미지에서 제1 영역(I, aVR, V1, V4에 대한 심전도 이미지를 포함하는 영역), 제2 영역(II, aVL, V2, V5에 대한 심전도 이미지를 포함하는 영역), 및 제3 영역(III, aVF, V3, V6에 대한 심전도 이미지를 포함하는 영역)을 선택한다.
이에 따라, 프로세서(130)는 제1 영역, 제2 영역, 및 제3 영역 각각에 대해 파형이 분할된 공백 영역을 식별하고, 공백 영역 및 제2 텍스트를 기준으로, 제1 영역, 제2 영역, 및 제3 영역을 각각 4개의 이미지로 분할하여, 도 7에 도시된 바와 같이, 복수의 심전도 각각에 대한 복수의 이미지(도합 12개의 이미지)를 획득하는 것이 가능하다.
공백 영역은, 이미지 상에 심전도가 끊긴 영역으로, 예컨데, 도 7에서 I에 대한 심전도 이미지와 aVR에 대한 심전도 이미지 사이 등 새로운 파형이 등장하는 부분에 위치한다.
또한, 프로세서(130)는, 복수의 이미지 각각에 포함된 제2 텍스트를 바탕으로, 도 8에 도시된 바에 따라, 심근 좌측벽에 대한 심전도 검사 결과인 제1 이미지들, 심근 하부벽에 대한 심전도 검사 결과인 제2 이미지들, 및 심근 전면부벽에 대한 심전도 검사 결과인 제3 이미지들로 복수의 이미지를 분류함으로써 제1 그룹 내지 제3 그룹으로 그룹화할 수 있다.
제1 이미지들은, 심근 좌측벽에 대한 심전도 검사 결과인, 유도(lead) I 및 유도 aVL에 따른 심전도 이미지를 포함하고, 제2 이미지들은, 심근 하부벽에 대한 심전도 검사 결과인, 유도 II, 유도 III, 및 유도 aVF에 따른 심전도 이미지를 포함하고, 제3 이미지들은, 심근 전면부벽에 대한 심전도 검사 결과인, 유도 V1 내지 유도 V6, 및 유도 aVR에 따른 심전도 이미지를 포함한다.
이에 따라, 제1 그룹은 심근 좌측벽에 대한 심전도 이미지들의 집합이고, 제2 그룹은 심근 하부벽에 대한 심전도 이미지들의 집합이고, 제3 그룹은 심근 전면부벽에 대한 심전도 이미지들의 집합이다.
이를 위해, 전자 장치(100)는 제1 이미지들을 수집하는 제1 모듈, 제2 이미지들을 수집하는 제2 모듈, 및 제3 이미지들을 수집하는 제3 모듈을 더 포함할 수 있다.
본 발명의 일 실시예에 따른 전자 장치(100)에 있어서, 프로세서(130)가 인공지능 모델을 학습시키기 위해, 프로세서(130)는 수집된 학습용 이미지를 바탕으로 인공지능 모델이 제1 그룹 내지 제3 그룹에 따라 이미지를 분류하고, 제1 그룹을 바탕으로 인공지능 모델이 제1 결과값을 출력하도록 훈련시키고, 제2 그룹을 바탕으로 인공지능 모델이 제2 결과값을 출력하도록 훈련시키고, 제3 그룹을 바탕으로 인공지능 모델이 제3 결과값을 출력하도록 훈련시킬 수 있다.
즉, 프로세서(130)가 심장에 산소 및 혈류를 제공하고 있는 3개의, 심장 동맥이 관여하는 심장 근육의 해부학적 부위, 즉, 해부학적 부위 자체를 시사하는 심전도 그룹을 분류하여 각각의 그룹에 따른 인공지능 모델의 훈련을 실시함으로써, 해부학적 부위에 근거한 검사 결과를 도출하여, 심근 손상을 일으킨 특정 심장 동맥 및/또는 심장의 해부학적 부위를 명확하게 특정하는 것이 가능하다.
한편, 프로세서(130)는, 복수의 이미지를 입력받은 인공지능 모델이 출력한 제1 결과값 내지 제3 결과값을 바탕으로 심근 경색 여부를 판단하고, 심근 경색인 것으로 판단한 경우, 제1 그룹 내지 제3 그룹 중 심근 경색과 관련한 적어도 하나의 그룹을 식별하고, 식별된 그룹에 포함된 이미지 중, 심근 경색과 관련한 적어도 하나의 이미지를 선택하는 것이 가능하다.
실시예로써, 메모리(110)는 환자 별 12유도 심전도 검사 주기에 대한 데이터를 저장하고, 프로세서(130)가 심근 경색과 관련한 적어도 하나의 그룹을 식별함에 있어서, 프로세서(130)는, 식별된 그룹에 대한 검사 주기를, 식별된 그룹에 대해 인공지능 모델로부터 출력된 결과값을 바탕으로 보정하여 메모리(110)에 저장할 수 있다.
이때, 프로세서(130)가 식별된 그룹에 포함된 이미지 중, 심근 경색과 관련한 적어도 하나의 이미지를 선택함에 있어서, 프로세서(130)는 선택된 이미지의 심전도 검사 대상인 심근 부위를 식별하고, 식별된 심근 부위에 대해 근접한 심근 부위를 검사 대상으로 하는 심전도 이미지를, 복수의 이미지 중 적어도 하나 이상 선택하여, 근접 이미지로 저장한다.
프로세서(130)는 제1 그룹 내지 제3 그룹 중, 식별된 그룹 및 복수의 이미지 중, 식별된 그룹에 미포함된 근접 이미지에 대한 심전도 검사 주기를 식별된 그룹에 대해 인공지능 모델로부터 출력된 결과값을 바탕으로 보정하여 메모리(110)에 저장할 수 있다.
예컨대, 환자 A의 12유도 심전도 검사 주기는 제1 주기로 등록되어 있고, 검사 결과에 따라, 제3 그룹의 유도 V6에 대한 심전도 이미지에 대해 심근 경색으로 판단되는 유효한 제3 결과값이 발생한 경우, 프로세서(130)는 제3 그룹에 대한 환자 A의 검사 주기를, 제1 주기 보다 짧은 제2 주기로 보정할 수 있다.
또한, 유도 V6에 따른 검사 부위에 근접한 유도 I에 대한 심전도 이미지를 추가 획득하기 위해, 프로세서(130)는 제1 그룹 중, 유도 I의 심전도 이미지만을 제3 그룹과 동일한 제2 주기에 획득하도록 보정할 수 있다.
실시예로써, 심근 경색과 관련한 적어도 하나의 그룹을 식별함에 있어서, 프로세서(130)는 12유도 심전도 검사 대상이 된 환자의 검사 이력을 식별하고, 검사 이력이 존재하는 경우, 검사 이력을 바탕으로 식별된 그룹에 포함된 심전도 이미지와 동일한 검사 심근 부위를 대상으로 한, 시점 별 이미지를 하나 이상 획득한다.
프로세서(130)는 기 구축된 심근 부위 별 심전도 이미지 변화에 대한 심근 경색 발생 데이터, 획득된 시점 별 이미지 및 상기 식별된 그룹에 포함된 심전도 이미지를 바탕으로, 제1 결과값 내지 제3 결과값에 대한 심근 경색 결과의 유효성을 퍼센트(%)로 산출함으로써, 해당 환자의 심근 경색 판단에 대한 신뢰도를 구축할 수 있다.
이를 위해, 프로세서(130)는 메모리(110)에 심근 경색인 것으로 판단된 타 환자의 12유도 심전도 검사 결과 및 타 환자의 심전도 이미지를 검사 횟수에 따라 저장함으로써, 심근 부위 별 심전도 이미지 변화에 대한 심근 경색 발생 데이터를 생성할 수 있다.
프로세서(130)는, 입력부(140) 또는 사용자 단말(200)을 통해, 심근경색에 대한 최종 판단 결과 및 제1 결과값 내지 제3 결과값 중 적어도 하나에 대한 수정 데이터를 획득할 수 있다.
수정 데이터는, 심근경색에 대한 최종 판단 결과 및 제1 결과값 내지 제3 결과값 중 적어도 하나의 데이터를, 사용자 입력에 따라 보정한 정보이다.
이때, 프로세서(130)는 제1 결과값 내지 제3 결과값 중 수정 데이터와 관련한 적어도 하나의 결과값인 오류 결과값을 식별하고, 식별된 오류 결과값이 복수인 경우, 복수의 이미지 전체를 학습 데이터로 선택하여, 인공지능 모델이 오류 결과값과 다른 결과값을 출력하도록 재훈련시키는 것이 가능하다.
반면, 식별된 오류 결과값이 하나인 경우, 프로세서(130)는 복수의 이미지 중 오류 결과값에 대한 적어도 하나의 이미지를 학습 데이터로 선택하여 인공지능 모델이 수정 데이터에 대응하는 결과값을 획득하도록 재학습 시킬 수 있다.
구체적으로, 프로세서(130)는 제1 결과값 내지 제3 결과갑 중, 사용자 입력에 따라 수정 데이터가 발생한 대상이된 결과값이, 재학습에 따라, 수정 데이터와 일정 값 미만으로 차이가 발생하는 값으로 출력되도록 인공지능 모델을 재학습 시킬 수 있다.
일 면에 따른 심전도 이미지를 바탕으로 심근 경색에 대한 진단을 수행하는 전자 장치(100)에 의해 수행되는 심근경색 심전도 판독 방법에 있어서, 전자 장치(100)는, 심전도 이미지에 대한 학습 데이터를 수집하여, 수집된 학습 데이터를 바탕으로 인공지능 모델이 심근경색 여부를 판단하기 위한 결과값을 출력하도록 학습시킬 수 있다.
이에 따라, 전자 장치(100)에 의해 수행되는 심근경색 심전도 판독 방법에 있어서, 전자 장치(100는, 심전도 측정 장치로부터 복수의 이미지를 획득(S510)하고, 획득된 복수의 이미지를 제1 그룹, 제2 그룹, 및 제3 그룹로 분류(S520)하여, 제1 그룹, 제2 그룹, 및 제3 그룹을 순차적으로 인공지능 모델에 입력함에 따라, 인공지능 모델에 의해 출력된 결과값을 바탕으로 심근경색 여부를 판단(S530)할 수 있다.
추가로, 전자 장치(100)는, 입력부(140)에 대한 사용자 입력에 따라 판단 결과에 대한 수정 데이터를 획득한 경우, 수정 데이터를 바탕으로 인공지능 모델을 제1 그룹 내지 제3 그룹에 대해 재학습시키는 것이 가능하다.
한편, 하드웨어인 컴퓨터와 결합되어, 본 발명의 일 실시예에 따른 심전도 이미지를 바탕으로 심근 경색에 대한 진단을 수행하는 전자 장치(100)의 제어 방법을 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장된 컴퓨터프로그램을 더 포함할 수 있다.
도 9는 본 발명의 일 실시예에 따른 결과 이미지 상에서 특징적 파형을 도시한 것이다.
도시된 바와 같이, 프로세서(130)는 복수의 이미지 각각에 대하여, 특정 파형에 따른 심전도 이미지를 샘플링하여, 제4 그룹을 생성할 수 있다.
예를 들어, 도 9에 도시된 바와 같이, 유도 I에 대한 ST 하강, 유도 III에 대한 ST 상승, 유도 aVF에 대한 Tombstoning, 유도 V2에 대한 ST 하강 등을 샘플링하여, 해당 부분에 대한 이미지를 제4 그룹으로 분류할 수 있다.
이에 따라, 전자 장치(100)는 인공지능 모델을 통해 획득한 제1 결과값 내지 제3 결과값을 제4 그룹을 바탕으로 검증하는 제4 모듈을 더 포함하고, 이를 통해, 제1 결과값 내지 제3 결과값의 신뢰도를 확보할 수 있다.
이 면에 따른 심전도 이미지를 바탕으로 심근 경색에 대한 진단을 수행하는 전자 장치(100)는 심근 경색에 대한 진단을 수행하기 위한 인공지능 모델을 포함하는 메모리(110), 및 메모리(110)와 연결된 프로세서(130)를 포함한다.
이에 따라, 프로세서(130)는, 환자의 심장과 근접한 복수의 지점으로부터 감지된 복수의 심전도 각각에 대한 복수의 이미지를 획득하고, 복수의 이미지 중 제1 이미지들을 결합하여 제1 그룹 이미지를 생성하고, 복수의 이미지 중 제2 이미지들을 결합하여 제2 그룹 이미지를 생성하고, 복수의 이미지 중 제3 이미지들을 결합하여 제3 그룹 이미지를 생성하고, 제1 그룹 이미지, 제2 그룹 이미지, 및 제3 그룹 이미지 각각을 인공지능 모델에 입력하여 진단 정보를 획득할 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.
또한, 본 발명의 다양한 실시예들은 상호간에 결합되거나 개별적으로 구현될 수 있다.
본 발명의 구성 요소들은 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 애플리케이션)으로 구현되어 매체에 저장될 수 있다. 본 발명의 구성 요소들은 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있으며, 이와 유사하게, 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler), 파이썬(Python) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 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.
100 : 전자 장치
110 : 메모리
120 : 통신부
130 : 프로세서
140 : 입력부
200 : 사용자 단말
110 : 메모리
120 : 통신부
130 : 프로세서
140 : 입력부
200 : 사용자 단말
Claims (9)
- 전자 장치에 있어서,
심근 경색에 대한 진단을 수행하기 위한 인공지능 모델을 포함하는 메모리; 및
상기 메모리와 연결된 프로세서;를 포함하고,
상기 프로세서는,
환자의 심장과 근접한 복수의 지점으로부터 감지된 복수의 심전도 각각에 대한 복수의 이미지를 획득하고,
상기 복수의 이미지 중 제1 이미지들을 포함하는 제1 그룹, 제2 이미지들을 포함하는 제2 그룹, 제3 이미지들을 포함하는 제3 그룹을 생성하고,
상기 제1 그룹, 상기 제2 그룹, 및 상기 제3 그룹을 그룹 별로 상기 인공지능 모델에 입력하여 진단 정보를 획득하는, 전자 장치. - 제1 항에 있어서,
상기 프로세서는,
12유도 심전도 검사에 따른 결과 이미지를 획득하고,
상기 결과 이미지에 포함된 복수의 제1 텍스트를 식별하고,
상기 복수의 제1 텍스트 중, 심전도 검사 영역에 대한 제2 텍스트를 식별하고,
상기 제2 텍스트 중, 눈금 표식(Calibration Mark)에 근접한 복수의 제3 텍스트를 선택하고,
상기 제3 텍스트를 기준으로 상기 결과 이미지에서 제1 영역, 제2 영역, 및 제3 영역을 선택하고,
상기 제1 영역, 상기 제2 영역, 및 상기 제3 영역 각각에 대해 파형이 분할된 공백 영역을 식별하고,
상기 공백 영역 및 상기 제2 텍스트를 기준으로, 상기 제1 영역, 상기 제2 영역, 및 상기 제3 영역을 각각 4개의 이미지로 분할하여, 복수의 심전도 각각에 대한 복수의 이미지를 획득하는, 전자 장치. - 제2 항에 있어서,
상기 프로세서는,
상기 복수의 이미지 각각에 포함된 제2 텍스트를 바탕으로, 심근 좌측벽에 대한 심전도 검사 결과인 제1 이미지들, 심근 하부벽에 대한 심전도 검사 결과인 제2 이미지들, 및 심근 전면부벽에 대한 심전도 검사 결과인 제3 이미지들로 상기 복수의 이미지를 분류함으로써 상기 제1 그룹 내지 상기 제3 그룹으로 그룹화하는, 전자 장치. - 제1 항에 있어서,
상기 프로세서는,
상기 수집된 학습용 이미지를 바탕으로 상기 인공지능 모델이 상기 제1 그룹 내지 상기 제3 그룹에 따라 이미지를 분류하고,
상기 제1 그룹을 바탕으로 상기 인공지능 모델이 제1 결과값을 출력하도록 훈련시키고,
상기 제2 그룹을 바탕으로 상기 인공지능 모델이 제2 결과값을 출력하도록 훈련시키고,
상기 제3 그룹을 바탕으로 상기 인공지능 모델이 제3 결과값을 출력하도록 훈련시키는, 전자 장치. - 제4 항에 있어서,
상기 전자 장치는,
사용자 명령을 획득하는 입력부;를 포함하고,
상기 프로세서는,
상기 입력부를 통해 수정 데이터를 획득한 경우, 상기 제1 결과값 내지 상기 제3 결과값 중 상기 수정 데이터와 관련한 적어도 하나의 결과값인 오류 결과값을 식별하고,
상기 식별된 오류 결과값이 복수인 경우, 상기 복수의 이미지를 학습 데이터로 선택하여, 상기 인공지능 모델이 상기 오류 결과값과 다른 결과값을 출력하도록 재훈련시키고,
상기 식별된 오류 결과값이 하나인 경우, 상기 복수의 이미지 중 상기 오류 결과값에 대한 적어도 하나의 이미지를 학습 데이터로 선택하여 상기 인공지능 모델이 상기 수정 데이터에 대응하는 결과값을 획득하도록 재학습 시키고,
상기 수정 데이터는,
상기 제1 결과값 내지 상기 제3 결과값 중 적어도 하나의 결과값에 대한 정보인 것을 특징으로 하는, 전자 장치. - 전자 장치에 있어서,
심근 경색에 대한 진단을 수행하기 위한 인공지능 모델을 포함하는 메모리; 및
상기 메모리와 연결된 프로세서;를 포함하고,
상기 프로세서는,
환자의 심장과 근접한 복수의 지점으로부터 감지된 복수의 심전도 각각에 대한 복수의 이미지를 획득하고,
상기 복수의 이미지 중 제1 이미지들을 결합하여 제1 그룹 이미지를 생성하고,
상기 복수의 이미지 중 제2 이미지들을 결합하여 제2 그룹 이미지를 생성하고,
상기 복수의 이미지 중 제3 이미지들을 결합하여 제3 그룹 이미지를 생성하고,
상기 제1 그룹 이미지, 상기 제2 그룹 이미지, 및 상기 제3 그룹 이미지 각각을 상기 인공지능 모델에 입력하여 진단 정보를 획득하는, 전자 장치. - 제1 항의 전자 장치에 의해 수행되는 심근경색 심전도 판독 방법에 있어서,
상기 전자 장치가, 심전도 이미지에 대한 학습 데이터를 수집하여, 상기 수집된 학습 데이터를 바탕으로 상기 인공지능 모델이 심근경색 여부를 판단하기 위한 결과값을 출력하도록 학습시키는 단계;
상기 전자 장치가, 상기 심전도 측정 장치로부터 복수의 이미지를 획득하는 단계;
상기 전자 장치가, 상기 획득된 복수의 이미지를 제1 그룹, 제2 그룹, 및 제3 그룹로 분류하는 단계;
상기 전자 장치가, 상기 제1 그룹, 상기 제2 그룹, 및 상기 제3 그룹을 순차적으로 상기 인공지능 모델에 입력하는 단계;
상기 전자 장치가, 상기 인공지능 모델에 의해 출력된 결과값을 바탕으로 심근경색 여부를 판단하는 단계; 및
입력부에 대한 사용자 입력에 따라 판단 결과에 대한 수정 데이터를 획득한 경우, 상기 전자 장치가, 상기 수정 데이터를 바탕으로 상기 인공지능 모델을 상기 제1 그룹 내지 제3 그룹에 대해 재학습시키는 단계;를 포함하고,
상기 수정 데이터는,
상기 제1 그룹 내지 상기 제3 그룹 중 적어도 하나의 결과값에 대한 정보인 것을 특징으로 하는, 판독 방법. - 하드웨어인 컴퓨터와 결합되어, 제7 항의 방법을 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장된 컴퓨터프로그램.
- 제6 항의 전자 장치에 의해 수행되는 심근경색 심전도 판독 방법에 있어서,
상기 전자 장치가, 심전도 이미지에 대한 학습 데이터를 수집하여, 상기 수집된 학습 데이터를 바탕으로 상기 인공지능 모델이 심근경색 여부를 판단하기 위한 결과값을 출력하도록 학습시키는 단계;
상기 전자 장치가, 환자의 심장과 근접한 복수의 지점으로부터 감지된 복수의 심전도 각각에 대한 복수의 이미지를 획득하는 단계;
상기 전자 장치가, 상기 복수의 이미지 중 제1 이미지들을 결합하여 제1 그룹 이미지를 생성하는 단계;
상기 전자 장치가, 상기 복수의 이미지 중 제2 이미지들을 결합하여 제2 그룹 이미지를 생성하는 단계;
상기 전자 장치가, 상기 복수의 이미지 중 제3 이미지들을 결합하여 제3 그룹 이미지를 생성하는 단계; 및
상기 전자 장치가, 상기 제1 그룹 이미지, 상기 제2 그룹 이미지, 및 상기 제3 그룹 이미지 각각을 상기 인공지능 모델에 입력하여 진단 정보를 획득하는 단계;를 포함하는, 전자 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220039438A KR102645240B1 (ko) | 2022-03-30 | 2022-03-30 | 심전도 이미지를 바탕으로 심근 경색에 대한 진단을 수행하는 전자 장치, 및 제어 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220039438A KR102645240B1 (ko) | 2022-03-30 | 2022-03-30 | 심전도 이미지를 바탕으로 심근 경색에 대한 진단을 수행하는 전자 장치, 및 제어 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230140774A true KR20230140774A (ko) | 2023-10-10 |
| KR102645240B1 KR102645240B1 (ko) | 2024-03-07 |
Family
ID=88292299
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220039438A KR102645240B1 (ko) | 2022-03-30 | 2022-03-30 | 심전도 이미지를 바탕으로 심근 경색에 대한 진단을 수행하는 전자 장치, 및 제어 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102645240B1 (ko) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008264179A (ja) * | 2007-04-19 | 2008-11-06 | Fukuda Denshi Co Ltd | 心電図データ処理装置、心電図データ処理方法及び心電図データ処理プログラム |
| KR20190114694A (ko) * | 2018-03-30 | 2019-10-10 | 삼성에스디에스 주식회사 | 인공지능을 이용한 시계열 데이터 학습 및 분석 방법 |
| KR20200041697A (ko) * | 2018-10-12 | 2020-04-22 | 계명대학교 산학협력단 | 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 시스템 및 방법 |
| KR20210147820A (ko) | 2020-05-29 | 2021-12-07 | 주식회사 뷰노 | 휴대용 심전도 측정 장치 |
-
2022
- 2022-03-30 KR KR1020220039438A patent/KR102645240B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008264179A (ja) * | 2007-04-19 | 2008-11-06 | Fukuda Denshi Co Ltd | 心電図データ処理装置、心電図データ処理方法及び心電図データ処理プログラム |
| KR20190114694A (ko) * | 2018-03-30 | 2019-10-10 | 삼성에스디에스 주식회사 | 인공지능을 이용한 시계열 데이터 학습 및 분석 방법 |
| KR20200041697A (ko) * | 2018-10-12 | 2020-04-22 | 계명대학교 산학협력단 | 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 시스템 및 방법 |
| KR20210147820A (ko) | 2020-05-29 | 2021-12-07 | 주식회사 뷰노 | 휴대용 심전도 측정 장치 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102645240B1 (ko) | 2024-03-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Karatzia et al. | Artificial intelligence in cardiology: Hope for the future and power for the present | |
| Li et al. | SLC-GAN: An automated myocardial infarction detection model based on generative adversarial networks and convolutional neural networks with single-lead electrocardiogram synthesis | |
| KR102437594B1 (ko) | 전기적 바이오 시그널 데이터를 수치 벡터로 변환하는 방법 및 장치, 이를 이용하여 질병을 분석하는 방법 및 장치 | |
| CN109431492B (zh) | 基于神经网络算法的心电图导联数据模拟重建方法 | |
| CN107714023A (zh) | 基于人工智能自学习的静态心电图分析方法和装置 | |
| US20210386355A1 (en) | System and method to detect stable arrhythmia heartbeat and to calculate and detect cardiac mapping annotations | |
| Gyawali et al. | Sequential factorized autoencoder for localizing the origin of ventricular activation from 12-lead electrocardiograms | |
| JP2021186686A (ja) | コヒーレントアルゴリズムを使用したローカルノイズ識別 | |
| US11896432B2 (en) | Machine learning for identifying characteristics of a reentrant circuit | |
| JP2022014912A (ja) | 持続性心房細動のための最適化されたアブレーション | |
| WO2022179645A2 (zh) | 心电图分析方法、装置、电子设备和存储介质 | |
| CN111759304A (zh) | 心电图异常识别方法、装置、计算机设备和存储介质 | |
| KR102645240B1 (ko) | 심전도 이미지를 바탕으로 심근 경색에 대한 진단을 수행하는 전자 장치, 및 제어 방법 | |
| Dambal et al. | Premature Ventricular Contraction Classification Based on Spiral Search-Manta Ray Foraging and Bi-LSTM | |
| KR102407587B1 (ko) | 급성심근경색 판단 방법, 장치 및 프로그램 | |
| US20220007989A1 (en) | System and method to determine the location of a catheter | |
| Brus et al. | Analysis and selection of neural network architectures for recognizing heart diseases by cardiogram | |
| Al Fahoum | Complex Wavelet-enhanced Convolutional Neural Networks for Electrocardiogram-based Detection of Paroxysmal Atrial Fibrillation | |
| CN113143204A (zh) | 心电信号质量评估方法、计算机装置和存储介质 | |
| Nandanwar et al. | Ecg signals-early detection of arrhythmia using machine learning approaches | |
| Tito et al. | Deep Learning for Prediction of Cardiovascular Disease | |
| KR102614104B1 (ko) | 심장 질환을 판단하는 방법, 장치 및 컴퓨터 프로그램 제품 | |
| KR102450482B1 (ko) | 의료 데이터 제공 장치, 의료 데이터 제공 방법 및 컴퓨터 프로그램 | |
| Akdeniz et al. | Deep Learning for Multi-Level Detection and Localization of Myocardial Scars Based on Regional Strain Validated on Virtual Patients | |
| US20240032847A1 (en) | Cardiac diagnostic method, non-transitory computer-readable medium and system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |