KR20230174657A - 인공지능 기반 의료영상 변환방법 - Google Patents
인공지능 기반 의료영상 변환방법 Download PDFInfo
- Publication number
- KR20230174657A KR20230174657A KR1020220075856A KR20220075856A KR20230174657A KR 20230174657 A KR20230174657 A KR 20230174657A KR 1020220075856 A KR1020220075856 A KR 1020220075856A KR 20220075856 A KR20220075856 A KR 20220075856A KR 20230174657 A KR20230174657 A KR 20230174657A
- Authority
- KR
- South Korea
- Prior art keywords
- medical image
- image
- data
- images
- artificial intelligence
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 49
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 49
- 230000003902 lesion Effects 0.000 claims description 48
- 238000012545 processing Methods 0.000 claims description 8
- 230000008929 regeneration Effects 0.000 claims description 2
- 238000011069 regeneration method Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract 1
- 238000002591 computed tomography Methods 0.000 description 78
- 238000003384 imaging method Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 5
- 210000004556 brain Anatomy 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 206010073306 Exposure to radiation Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000002872 contrast media Substances 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000003362 replicative effect Effects 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 208000003174 Brain Neoplasms Diseases 0.000 description 1
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000026935 allergic disease Diseases 0.000 description 1
- 230000000172 allergic effect Effects 0.000 description 1
- 230000007815 allergy Effects 0.000 description 1
- 208000010668 atopic eczema Diseases 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000002603 single-photon emission computed tomography Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
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
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Radiology & Medical Imaging (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Surgery (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Heart & Thoracic Surgery (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Animal Behavior & Ethology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- High Energy & Nuclear Physics (AREA)
- Epidemiology (AREA)
- Optics & Photonics (AREA)
- Pulmonology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
본 발명의 일 측면은 인공지능을 이용하여 의료영상을 변환하는 방법에 관한 것으로, 더욱 상세하게는 딥러닝 기술 중 하나인 GAN(Generative Adversarial Network)을 활용함으로써 CT 영상을 기반으로 MR 영상을 생성하거나 MR 영상을 기반으로 CT 영상을 생성할 수 있는 인공지능을 이용하는 의료영상 변환방법에 관한 것이다.
본 발명의 일 실시예에 따르면, CT 영상을 기반으로 MR 영상을 생성할 수 있고, 반대로 MR 영상을 기반으로 CT 영상을 생성할 수 있는 의료영상 변환방법을 제공할 수 있다.
본 발명의 일 실시예에 따르면, CT 영상을 기반으로 MR 영상을 생성할 수 있고, 반대로 MR 영상을 기반으로 CT 영상을 생성할 수 있는 의료영상 변환방법을 제공할 수 있다.
Description
본 발명의 일 측면은 인공지능에 기반한 의료영상을 변환하는 방법에 관한 것으로, 더욱 상세하게는 인공지능을 사용하여 동일한 도메인에 속하는 의료영상 간에 변환을 수행하거나, 서로 다른 도메인에 속하는 의료영상 간에 변환을 수행하는 인공지능 기반 의료영상 변환방법에 관한 것이다.
이 부분에 기술된 내용은 단순히 본 발명의 실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.
CT 영상을 이용한 검사는 MR 영상을 통한 치료에 비해 매우 낮은 가격으로, 짧은 시간 동안 검사할 수 있으며, 체내에 있는 인공물질에 대한 제한점이 적은 장점이 있는 반면에 다량의 방사선을 조사하는 문제가 있다.
또한 MR 영상은 연부조직에 대한 해상도가 높기 때문에 보다 정밀하게 종양을 구분할 수 있으며, 방사선을 이용하지 않기 때문에 피폭에 대한 위험도를 최소화 할 수 있는 장점이 있지만, MR 스캐너는 매우 고가이며, MR 영상을 촬영하기 위해서는 시간 및 비용이 많이 든다. 또한 경우에 따라서 환자가 체내 인공물질이 삽입되어 있거나 특정 조영제에 알러지 등이 있는 경우 MR 영상을 촬영할 수 없다.
일반적으로 비조영증강 CT 영상과 조영증강 CT 영상으로 관찰할 수 있는 조직이 다르다. 또한, CT 영상과 MR 영상으로 관찰할 수 있는 조직이 다르다.
따라서 의사가 임상 판단시, CT 영상과 MR 영상을 모두 진단의 기초로 사용할 수 있다면, 각 영상의 장점만을 취할 수 있으므로 정확한 진단을 내릴 수 있게 되어 바람직하다.
그러나 전술한 바와 같이 CT 영상을 촬영하기 위해서는 방사선 피폭을 감수해야 하는 문제가 있고, 환자의 체내에 인공물질이 삽입되거나 조영제 알러지가 있는 경우에는 MR 영상을 촬영할 수 없는 문제가 있다.
따라서 CT 영상을 기반으로 MR 영상을 생성할 수 있거나, MR 영상을 기반으로 CT 영상을 생성할 수 있다면, 의사는 다중 모달리티 영상을 이용하여 정확한 판단과 치료까지 진행될 수 있으므로 국내 의료 기술 수준을 높일 수 있고, 국민의 건강 및 삶의 질 향상에 기여할 수 있다.
따라서 CT 영상을 기반으로 MR 영상을 생성하거나 MR 영상을 기반으로 CT 영상을 생성할 수 있는 등 서로 다른 도메인에 속하는 의료영상 간에 변환을 수행하는 기술의 개발이 시급하다.
전술한 배경기술은 발명자가 본 발명의 실시예들의 도출을 위해 보유하고 있었거나, 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 실시예들의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.
이에 본 발명에 따른 일 측면은, 전술한 문제점을 해결하기 위해 제안된 것으로서, 본 발명의 목적은 서로 다른 도메인에 속하는 의료영상 간에 변환을 수행할 수 있는 의료영상 변환방법 및 그 장치를 제공하는데 있다. 예컨대 CT 영상을 기반으로 MR 영상을 생성할 수 있고, 반대로 MR 영상을 기반으로 CT 영상을 생성할 수 있는 의료영상 변환방법 및 그 장치를 제공할 수 있다.
또한, 서로 다른 도메인에 속하는 의료영상 간에 변환을 수행하는 인공지능 학습모델을 구축하는데 있다. 예컨대 CT 영상을 기반으로 MR 영상을 생성할 수 있고, 반대로 MR 영상을 기반으로 CT 영상을 생성할 수 있는 인공지능학습 모델을 구축할 수 있다.
본 발명이 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
위에 제기된 과제를 달성하기 위하여, 본 발명의 일 측면은 인공지능학습부가 학습을 수행하면서 상이한 도메인 간의 의료영상들을 변환하는 방법에 있어서,
상기 인공지능학습부가 제1의료영상을 입력받는 단계;
상기 제1의료영상으로부터 상기 제1의료영상과 도메인이 다른 제2의료영상을 생성하는 단계;
상기 제2의료영상으로부터 상기 제2의료영상과 도메인이 다른 제3의료영상을 생성하는 단계; 및
상기 제3의료영상과 상기 제1의료영상을 비교하여 양 이미지 간에 손실값을 계산하는 단계;
를 포함하는 의료영상 변환방법을 제공할 수 있다.
실시예에 따라서 상기 손실값을 계산하는 단계에서 상기 인공지능학습부는 학습 수행시 상기 손실값의 계산을 이터레이션(Iteration)마다 반복해서 수행하는 것을 특징으로 할 수 있다.
실시예에 따라서 상기 이터레이션은 순차로 이어지는 제1이터레이션과 제2이터레이션을 포함하고, 상기 인공지능학습부는 상기 제1이터레이션에서 계산된 제1손실값과 상기 제2이터레이션에서 계산된 제2손실값 간에 변화량의 절대값이 기준값보다 작아지는 경우 비로소 학습을 중단하는 것을 특징으로 할 수 있다.
실시예에 따라서 상기 제1의료영상과 상기 제3의료영상은 동일한 도메인에 속하는 영상인 것을 특징으로 할 수 있다.
실시예에 따라서 상기 제1의료영상을 입력받는 단계에서 상기 제1의료영상은 병변데이터와 정상데이터를 포함하는 것을 특징으로 할 수 있다.
실시예에 따라서 상기 병변데이터가 상기 정상데이터보다 적은 경우, 상기 병변데이터가 상기 정상데이터와 비율이 같아지도록 상기 병변데이터를 증폭시키는 것을 특징으로 할 수 있다.
실시예에 따라서 상기 제1의료영상이 타겟 부위에 대한 제1슬라이스와 비타겟 부위에 대한 제2슬라이스를 모두 가지는 경우는, 상기 제2슬라이스는 제거하고 상기 제1슬라이스만 남도록 상기 제1의료영상을 가공하는 것을 특징으로 할 수 있다.
실시예에 따라서 제1의료영상이 한 쌍의 페어 데이터 영상 중 하나인 경우, 제2의료영상과 상기 한 쌍의 페어 데이터 영상 중 다른 하나를 비교하여 일치율을 산출하는 단계를 더 포함하는 것을 특징으로 할 수 있다.
실시예에 따라서 제1원본영상과 상기 제1원본영상과 도메인이 다르고 상기 제1원본영상과 동일한 부위를 촬영한 제2원본영상 중에서 어느 하나를 상기 제1의료영상으로 하여 입력한 경우, 상기 제2의료영상과 상기 제2원본영상을 비교하여 일치율을 산출하는 단계를 더 포함하는 것을 특징으로 할 수 있다.
실시예에 따라서 상기 일치율은 Hausdorff distance 또는 Dice similarity coefficient를 이용하여 계산하는 것을 특징으로 할 수 있다.
실시예에 따라서 상기 제2의료영상과 상기 한 쌍의 페어 데이터 영상 중 다른 하나가 각각 병변 부위를 포함하는 경우, 상기 일치율은 두 병변의 위치의 질량중심(center of mass)의 차이를 통해 정량적으로 계산하는 것을 특징으로 할 수 있다.
본 발명이 다른 측면에 의하면, 인공지능학습부가 학습을 수행하면서 서로 다른 도메인(Domain)에 속하는 의료영상 간에 변환을 수행하는 방법에 있어서,
인공지능학습부가 제1의료영상을 입력받는 입력단계; 상기 인공지능학습부가 학습에 의하여 상기 제1의료영상으로부터 상기 제1의료영상과 도메인이 다른 제2의료영상을 생성하는 생성단계; 및
상기 제1의료영상이 한 쌍의 페어 데이터(Paired Data) 중 하나인 경우, 상기 인공지능학습부는 상기 제2의료영상과 상기 한 쌍의 페어 데이터 중 다른 하나인 제1의료영상 간에 차이를 비교하여 해당 차이를 줄이는 방향으로 학습하는 제1학습단계; 중 하나 이상을 포함하는 의료영상 변환방법을 제공할 수 있다.
실시예에 따라서 상기 페어 데이터는 동일한 환자의 동일 부위에 대한 한 쌍의 서로 다른 도메인에 속하는 영상을 포함하거나 또는 동일하지 않은 환자들의 동일 부위에 대한 한 쌍의 서로 다른 도메인에 속하는 영상을 포함하는 것을 특징으로 할 수 있다.
실시예에 따라서 상기 생성단계 이후에, 상기 인공지능학습부가 학습에 의하여 상기 제2의료영상으로부터 상기 제2의료영상과 도메인이 다른 제3의료영상을 재생성하는 재생성단계를 포함하는 것을 특징으로 할 수 있다. 여기서, 실시예에 따라서 상기 제1의료영상과 상기 제3의료영상은 동일한 도메인에 속하는 것을 특징으로 할 수 있다.
실시예에 따라서 상기 인공지능학습부는 상기 제1의료영상과 상기 제3의료영상 간에 차이를 비교하여 해당 차이를 줄이는 방향으로 학습하는 제2학습단계를 포함하는 것을 특징으로 할 수 있다.
실시예에 따라서 상기 제1의료영상이 타겟 부위에 대한 제1슬라이스와 비타겟 부위에 대한 제2슬라이스를 모두 가지는 경우, 상기 입력단계 이전에 상기 제2슬라이스는 제거하고 상기 제1슬라이스만 남도록 상기 제1의료영상을 가공하는 가공단계를 포함하는 것을 특징으로 할 수 있다.
실시예에 따라서 상기 제1의료영상은 병변데이터와 정상데이터를 포함하는 것을 특징으로 할 수 있다.
실시예에 따라서 상기 제1의료영상 중에서 상기 병변데이터가 상기 정상데이터보다 적은 경우, 상기 제1의료영상을 상기 인공지능학습부에 입력하기 전에 상기 병변데이터를 증폭시키는 것을 특징으로 할 수 있다. 실시예에 따라서 여기서 병변데이터와 정상데이터는 모두 슬라이스 단위로 정의될 수 있다. 예컨대, 병변 영역을 포함하는 슬라이스는 병변데이터로 정의할 수 있고, 정상 조직만 포함하는 슬라이스는 정상데이터로 정의할 수 있다. 여기서 슬라이스는 종축 방향으로 연속적으로 단층 촬영을 수행시 각각의 단층촬영된 영상을 포함할 수 있다.
실시예에 따라서 상기 병변데이터를 증폭시키는 것은 상기 병변데이터가 상기 정상데이터와 비율이 같아지도록 상기 병변데이터를 복제하는 것을 포함하는 것을 특징으로 할 수 있다. 여기서 복제한다는 것은 단순히 복사하는 것을 포함할 수 있다.
본 발명의 또 다른 측면에 의하면, 전술한 특징을 가지는 의료영상 변환방법을 실행하기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공할 수 있다.
이상에서 설명한 바와 같이 본 발명의 일 실시예에 따르면, 서로 다른 도메인에 속하는 의료영상 간에 변환을 수행할 수 있는 의료영상 변환방법 및 그 장치를 제공할 수 있다. 예컨대 CT 영상을 기반으로 MR 영상을 생성할 수 있고, 반대로 MR 영상을 기반으로 CT 영상을 생성할 수 있는 의료영상 변환방법 및 그 장치를 제공할 수 있다.
또한, 서로 다른 도메인에 속하는 의료영상 간에 변환을 수행하는 인공지능 학습모델을 구축할 수 있다. 예컨대 CT 영상을 기반으로 MR 영상을 생성할 수 있고, 반대로 MR 영상을 기반으로 CT 영상을 생성할 수 있는 인공지능학습 모델을 제공할 수 있다.
이외에도, 본 발명의 효과는 실시예에 따라서 우수한 범용성을 가지는 등 다양한 효과를 가지며, 그러한 효과에 대해서는 후술하는 실시예의 설명 부분에서 명확하게 확인될 수 있다.
본 명세서에 첨부되는 다음의 도면들은 본 발명의 일 실시예를 예시하는 것이며, 전술된 발명의 상세한 설명과 함께 본 발명의 기술사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사항에만 한정되어 해석되어서는 아니 된다.
도 1은 본 발명의 일 실시예에 따른 의료영상 변환방법의 제1실시예를 나타낸다.
도 2는 도 1의 제1실시예에 병변데이터를 증폭시키는 제2실시예를 나타낸다.
도 3은 도 1의 제1실시예에서 제2슬라이스를 제거하고 제1슬라이스만 남도록 제1의료영상을 가공하는 단계를 추가하는 제3실시예를 나타낸다.
도 4는 도 1의 제1실시예에에서 일치율을 산출하는 단계를 추가한 제4실시예를 나타낸다.
도 1은 본 발명의 일 실시예에 따른 의료영상 변환방법의 제1실시예를 나타낸다.
도 2는 도 1의 제1실시예에 병변데이터를 증폭시키는 제2실시예를 나타낸다.
도 3은 도 1의 제1실시예에서 제2슬라이스를 제거하고 제1슬라이스만 남도록 제1의료영상을 가공하는 단계를 추가하는 제3실시예를 나타낸다.
도 4는 도 1의 제1실시예에에서 일치율을 산출하는 단계를 추가한 제4실시예를 나타낸다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 설명되는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 아래에서 제시되는 실시 예들로 한정되는 것이 아니라, 서로 다른 다양한 형태로 구현될 수 있고, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 아래에 제시되는 실시 예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 출원에서, "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. 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 상기 용어들에 의해 한정되어서는 안된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
이하, 본 발명에 따른 실시 예들을 첨부된 도면을 참조하여 상세히 설명하기로 하며, 첨부 도면을 참조하여 설명함에 있어, 동일하거나 대응하는 구성 요소는 동일한 도면번호를 부여하고 이에 대한 중복되는 설명은 생략한다.
도 1은 본 발명의 일 실시예에 따른 의료영상 변환방법의 제1실시예를 나타내고, 도 2는 도 1의 제1실시예에 병변데이터를 증폭시키는 제2실시예를 나타낸다.
도 3은 도 1의 제1실시예에서 제2슬라이스를 제거하고 제1슬라이스만 남도록 제1의료영상을 가공하는 단계를 추가하는 제3실시예를 나타내고, 도 4는 도 1의 제1실시예에에서 일치율을 산출하는 단계를 추가한 제4실시예를 나타낸다.
본 발명의 일 실시예에 따르면, 인공지능학습부가 학습을 수행하면서 상이한 도메인 간의 의료영상들을 변환하는 방법이 제시될 수 있다.
본 실시예에 따른 의료영상 변환방법은 상기 인공지능학습부가 제1의료영상을 입력받는 단계(S100); 상기 제1의료영상으로부터 상기 제1의료영상과 도메인(Domain)이 다른 제2의료영상을 생성하는 단계(S110);
상기 제2의료영상으로부터 상기 제2의료영상과 도메인이 다른 제3의료영상을 생성하는 단계(S120); 및 상기 제3의료영상과 상기 제1의료영상을 비교하여 양 이미지 간에 손실값을 계산하는 단계(S130);를 포함하여 구성될 수 있다.
여기서 제1의료영상은 영상촬영장치를 통하여 획득되는 영상을 포함할 수 있다. 영상촬영장치는 예컨대 CT(Computed Tomography) 또는 MRI(Magnetic Resonance Imaging) 장치(미도시)를 포함할 수 있다. 이러한 CT(Computed Tomography) 또는 MRI(Magnetic Resonance Imaging) 장치를 사용하여 환자의 특정 부위에 대한 비조영증강(Non-enhanced) CT 또는 MR 영상을 촬영할 수 있으며, 조영증강(Contrast enhanced) CT 또는 MR 영상을 촬영할 수도 있고, T1 영상 또는 T2 영상을 촬영할 수도 있다.
본 명세서에서 CT 영상, MR 영상을 촬영한다는 것은 광학적(Optical) 의미 외에, 컴퓨팅(Computing)을 통한 이미지 재건(Image Reconstruction)을 의미할 수 있다. 다만, 여기서 의료영상은 광학적 의미를 가지는 영상을 배제하는 것은 아니다.
여기서 환자의 특정 부위는 동일한 환자의 특정 부위를 의미할 수 있다. 또한, 촬영되는 부위가 동일하면 동일하지 않은 환자의 특정 부위를 의미할 수도 있다. 영상촬영장치는 환자의 특정 부위에 대한 비조영증강(Non-enhanced) CT 영상 또는 MR 영상을 촬영할 수 있으며, 조영증강(Contrast enhanced) CT 영상 또는 MR 영상을 촬영할 수도 있고, T1 영상 또는 T2 영상을 촬영할 수도 있다.
예컨대, 여기서 촬영된 비조영증강(Non-enhanced) CT 영상 또는 MR 영상은 입력영상이 될 수도 있고 타겟영상이 될 수 있다.
여기서 입력영상과 타겟영상은 한 쌍의 페어 데이터(Paired data)를 의미할 수 있다. 예컨대 하나의 환자의 동일한 특정 부위를 촬영한 CT 영상과 MR 영상은 한 쌍의 페어 데이터가 될 수 있다. 또한 서로 다른 환자의 동일한 부위를 촬영한 CT 영상과 MR 영상도 한 쌍의 페어 데이터가 될 수 있다.
예컨대, 촬영대상인 피검체의 동일 부위에 대한 조영증강(Contrast enhanced) CT 영상과 비조영증강 CT 영상은 한 쌍의 페어 데이터가 될 수 있다. 또한 동일 부위에 대한 조영증강(Contrast enhanced) MR 영상과 비조영증강 MR 영상 역시 한 쌍의 페어 데이터가 될 수 있으며, 동일 부위에 대한 T1 영상과 T2 영상도 페어 데이터가 될 수 있다.
비조영증강 CT 영상이 입력영상일 경우, 입력영상인 비조영증강 CT 영상과 페어 데이터인 조영증강(Contrast enhanced) CT 영상은 타겟영상이 될 수 있고, 비조영증강 MR 영상이 입력영상일 경우, 입력영상인 비조영증강 MR 영상과 페어 데이터인 조영증강(Contrast enhanced) CT 영상은 타겟영상이 될 수 있다.
조영증강(Contrast enhanced) CT 영상이 입력영상일 경우에는 입력영상인 조영증강(Contrast enhanced) CT 영상과 페어 데이터인 비조영증강 CT 영상이 타겟영상이 될 수 있다.
조영증강(Contrast enhanced) MR 영상이 입력영상일 경우에는 입력영상인 조영증강 MR 영상과 페어 데이터인 비조영증강 MR 영상이 타겟영상이 될 수 있다.
이들 입력영상과 타겟영상은 일반적으로는 원본 영상을 포함할 수 있다.
본 명세서에 기재한 도메인(Domain)이 다르다는 것의 의미를 설명한다. 예컨대, CT 영상과 MR 영상은 본 명세서에서 의미하는 도메인이 다르다. 또한, 비조영증강 영상과 조영증강 영상은 도메인이 다르다. T1 영상과 T2 영상은 같은 MR 영상이지만 역시 본 명세서에서 의미하는 도메인이 다르다. 초음파 영상과 CT 영상은 도메인이 다르다. 마찬가지로 초음파 영상과 MR 영상은 도메인이 다르다. MR 영상과 PET 영상은 도메인이 다르다. 즉, 예컨대, CT 영상, MR 영상, 조영증강 영상, 비조영증강 영상, T1 영상, T2 영상, PET 영상, SPECT 영상 중 하나와 나머지 하나는 본 명세서에서 말하는 도메인이 다르다.
즉, 피검체로부터 제공되는 시그널을 기초로 리컨스트럭션(Reconstruction)을 통하여 구현되는 이미지들 중에서 이미지 구현에 기초가 되는 시그널(Signal), 시쿠언스(Sequence) 또는 이미지 구현 과정(Process)에 등에 차이가 있는 경우, 해당 차이를 가지는 이미지 간에는 도메인이 서로 다르다고 할 수 있다.
본 발명의 일 실시예에 따른 의료영상 변환방법을 설명하기 위해서 영상활영장치가 동일 환자로부터 동일 부위의 CT 영상과 MR 영상을 촬영하여 한 쌍의 페어 데이터를 확보한 경우를 예를 들어 설명한다. 이 경우 한 쌍의 페어 데이터인 CT 영상과 MR 영상 중에서 CT 영상을 입력영상으로 결정하면, MR 영상은 타겟영상으로 결정될 수 있다. 이 경우 CT 영상과 MR 영상은 원본영상이 될 수 있다.
CT 영상을 입력영상으로 결정한 경우, 본 실시예에 따른 의료영상 변환방법에서 입력영상으로 결정된 CT 영상은 제1의료영상이 될 수 있다.
즉 인공지능학습부는 CT 영상을 제1의료영상으로 하여 입력받는 단계를 거칠 수 있다. 인공지능학습부는 제1의료영상을 입력받은 뒤에는 제1의료영상으로부터 제1의료영상과는 도메인이 다른 제2의료영상을 생성할 수 있다. 여기서 제2의료영상은 제1의료영상을 기초로 생성된 영상을 의미할 수 있다. 예컨대 입력영상인 CT 영상을 기반으로 MR 영상을 생성할 수 있으며, 이 경우 생성된 MR 영상은 제2의료영상이 될 수 있다.
여기서 인공지능학습부가 제1의료영상으로부터 제1의료영상과 도메인이 다른 제2의료영상을 생성하는 과정, 예컨대, CT 영상으로부터 MR 영상을 생성하는 과정은 실시예에 따라서 다음의 두가지 과정으로 수행될 수 있다. 다만 다음의 두가지 과정으로 한정되는 것은 아니다.
첫 번째 과정은 영상촬영장치 등에서 획득된 2차원 또는 3차원 영상데이터를 입력받아 원본 영상보다 작은 크기의 고차원의 특징을 추출하기 위해 3차원 합성곱(3D convolution) 연산들을 수행하는 하나 이상의 계층들로 구성되며, 이를 특징을 추출하는 인공신경망으로 표현할 수 있다. 이러한 특징을 추출하는 인공신경망은 영상촬영장치에서 획득된 2차원 또는 3차원 실제 영상데이터를 입력받아 3차원 합성곱(3D convolution) 연산들을 수행하여 원본 영상보다 작은 크기의 고차원의 영상 특징을 추출할 수 있다.
두 번째 과정은 전술한 첫 번째 과정의 결과물로부터 다른 모달리티의 영상데이터를 2차원 또는 3차원으로 생성할 목적으로 3차원 역합성곱(3D deconvolution) 연산을 수행하는 하나 이상의 계층들로 구성되며, 이를 다른 모달리티의 영상을 생성하는 인공신경망으로 표현할 수 있다. 이러한 다른 모달리티의 영상을 생성하는 인공신경망은 첫 번째 과정에서의 특징을 추출하는 인공신경망의 3차원 합성곱 연산 수행결과로부터 3차원 역합성곱(3D deconvolution) 연산을 수행하여 2차원 또는 3차원의 다른 모달리티의 영상데이터를 생성할 수 있다.
본 실시예에 의한 의료영상 변환방법은 제3의료영상을 생성한 뒤에는 생성된 제3의료영상과 제1의료영상을 비교하여 양 이미지 간에 손실값을 계산하는 단계(S130)를 포함할 수 있다. 예컨대 전술한 예에서 CT 영상이 제1의료영상인 경우, 이를 기초로 합성된 MR 영상은 제2의료영상이 될 수 있고, 합성된 MR 영상을 기초로 다시 합성하여 재합성 CT 영상을 생성할 수 있으며 여기서 재합성 CT 영상은 제3의료영상이 될 수 있다.
실시예에 따라서 제1의료영상과 제3의료영상은 동일한 도메인에 속하는 영상일 수 있다. 즉, 제1의료영상이 CT 영상이면, 제3의료영상도 CT 영상일 수 있다. 예컨대 제1의료영상이 MR 영상이면, 제3의료영상도 MR 영상일 수 있다.
실시예에 따라서 제1의료영상과 제3의료영상이 동일한 도메인에 속하는 영상일 수 있다. 이 경우, 전술한 예에서 제3의료영상인 재합성 CT 영상은 제1의료영상인 CT 영상(입력영상)과 비교하여 차이가 없어야 한다. 인공지능학습부는 제3의료영상과 제1의료영상을 비교하여 양 이미지 간에 손실값을 계산하여 영상변환의 정확도를 계산할 수 있다.
실시예에 따라서 손실값을 계산하는 단계(S130)에서 인공지능학습부는 학습 수행시 손실값의 계산을 이터레이션(Iterration)마다 반복해서 수행할 수 있다. 즉, 인공지능학습부는 학습을 수행하면서 반복횟수(Iterration) 마다 재생성 영상과 입력영상 간에 손실값을 계산할 수 있다. 즉, 전술한 예에서 CT 영상과 재생성 CT 영상 간에 손실값을 계산할 수 있다.
실시예에 따라서, 이터레이션이 순차로 이어지는 제1이터레이션과 제2이터레이션을 포함하는 경우, 인공지능학습부는 제1이터레이션에서 계산된 제1손실값과 제2이터레이션에서 계산된 제2손실값 간에 변화량의 절대값이 기준값보다 작아지는 경우 과적합(Overfitting)된 것으로 간주하고 학습을 중단할 수 있다.
인공지능 학습이 주어진 학습 데이터의 분포에만 맞춰진 것이 아닌, 필요한 의료영상을 충분히 학습한 상태에서는 더이상 학습을 진행하지 않도록 하여 학습을 완성시킬 수 있으며, 이렇게 학습이 완성된 인공지능학습부는 이제 각기 다른 데이터 분포를 가진 의료영상에 적용가능하게 된다.
실시예에 따라서 상기 제1의료영상을 입력받는 단계(S100)에서 상기 제1의료영상은 병변데이터와 정상데이터를 포함할 수 있다. 예컨대 영상촬영장치가 촬영한 한 쌍의 페어 데이터 CT 영상과 MR 영상 중에서 CT 영상이 제1의료영상인 경우, 해당 CT 영상은 병변데이터와 정상데이터를 모두 포함할 수 있다. 여기서 병변데이터는 병변이 표시되는 부분을 의미할 수 있으며, 정상데이터는 병변이 표시되는 영역 이외에 정상인 영역을 의미할 수 있다. 병변데이터와 정상데이터는 동일한 환자의 동일한 부위를 촬영한 경우 함께 존재할 수 있으며, 서로 다른 환자에 대하여 동일한 부위를 촬영한 경우에도 역시 함께 존재할 수 있다.
일반적으로 병변데이터는 정상데이터보다 면적이 작다. 그리고 여러 환자를 촬영한 경우 병변이 존재하는 데이터는 개수가 적다. 따라서 일반적으로 정상데이터는 병변데이터 보다 압도적으로 많다.
제1의료영상을 입력받는 단계(S100)에서 병변데이터가 정상데이터보다 적은 경우, 병변데이터가 정상데이터와 비율이 같아지도록 병변데이터를 증폭시키는 단계(S50)를 제1의료영상을 입력받는 단계(S100)에 선행하여 수행할 수 있다.
병변데이터를 증폭시키는 단계(S50)는 예컨대 정상데이터의 개수가 1000이고 병변데이터의 개수가 10인 경우, 병변데이터의 개수를 정상데이터의 개수와 대응시키기 위해서 100번 더 복제하여 병변데이터의 개수를 1000개로 만들어서 정상데이터와 병변데이터의 개수가 1:1이 되도록 한 뒤에 이를 입력데이터로 사용할 수 있다.
인공지능학습부는, 정상데이터에 기초한 학습이 병변데이터에 기초한 학습보다 우월하게 많이 이루어진다면, 정확한 학습이 이루어지지 않으며, 정상데이터와 동일한 양의 병변데이터를 학습해야 의료영상 변환의 결과물의 정확성이 높아질 수 있다.
실시예에 따라서 제1의료영상을 입력받는 단계(S100) 이전에 제1의료영상이 타겟 부위에 대한 제1슬라이스와 비타겟 부위에 대한 제2슬라이스를 모두 가지는 경우는, 상기 제2슬라이스는 제거하고 상기 제1슬라이스만 남도록 상기 제1의료영상을 가공하는 단계(S60)를 거칠 수 있다.
제1의료영상에서 인공지능학습부가 학습할 부분만 입력받기 위하여 제1의료영상이 인공지능학습부에 입력되기 전에 제1의료영상에서 학습에 불필요한 부분을 제거하는 단계를 제1의료영상을 입력받는 단계(S100) 이전에 추가로 수행할 수 있다.
인공지능학습부의 학습대상 즉 타겟 부위는 예컨대 뇌(Brain) 일 수 있고 간(Liver) 일 수도 있다. 타겟부위가 뇌인 경우, 뇌 CT 영상을 촬영하는 영상촬영장치는 복수의 슬라이스를 생성하면서 종축 방향으로 연속적으로 복수개의 단층 촬영을 수행하므로 촬영범위가 뇌 뿐만 아니라 머리끝부터 무릅까지 촬영되는 경우가 있다.
이 경우, 입력영상인 CT 영상을 타겟영상인 MR 영상 등과 정합(Registration)시키기 위해서 CT 영상에서 뇌 영역(타겟부위)에 해당하는 슬라이스만 사용할 필요가 있다. 타겟부위만 추출하기 위한 방식은 실시예에 따라서 이미지의 인텐시티 스레쉬홀딩(Intensity Thresholding) 알고리즘 등을 사용할 수 있다.
본 실시예에 의하면 인공지능이 학습과정에서 불필요한 입력데이터를 미리 제거함으로써 학습시간을 현저히 단축시킬 수 있다.
실시예에 따라서 제1원본영상과, 제1원본영상과 도메인이 다르고 제1원본영상과 동일한 부위를 촬영한 제2원본영상 중에서 어느 하나를 제1의료영상으로 하여 입력한 경우, 제2의료영상과 제2원본영상을 비교하여 일치율을 산출하는 단계(S70)를 더 포함할 수 있다.
한 쌍의 페어 데이터는 제1원본영상과 제2원본영상을 포함할 수 있다. 여기서 제2원본영상은 제1원본영상과 동일한 부위를 촬영한 영상일 수 있다. 다만, 여기서 제1원본영상과 제2원본영상은 반드시 동일 환자에 대한 것일 필요는 없다.
예컨대 제1원본영상은 CT 영상이고, 제2원본영상은 MR 영상인 경우, CT 영상을 입력영상으로 하여 제1의료영상으로서 입력한 경우 CT 영상에 기초하여 생성된 제2의료영상인 MR 영상을 제2원본영상인 MR 영상과 비교하여 일치율을 산출하는 단계(S70)를 추가할 수 있다.
실시예에 따라서 일치율은 Hausdorff distance 또는 Dice similarity coefficient를 이용하여 계산할 수 있으며, 제2의료영상과 한 쌍의 페어 데이터 중 다른 하나가 각각 병변 부위를 포함하는 경우, 일치율은 두 병변의 위치의 질량중심(Center of mass)의 차이를 통해 정량적으로 계산할 수 있다.
본 실시예에 따르면, 재생성된 의료영상 즉 제3의료영상을 제1의료영상과 비교하여 손실값을 계산하는 단계(S130) 이외에 생성된 의료영상 즉 제2의료영상을 제1의료영상과 페어 데이터 의료영상과 비교하여 일치율을 산출함으로써 제2의료영상이 생성된 경우와, 제3의료영상이 생성된 경우 각각의 결과물에 대한 정확성을 측정함으로써 의료영상 변환의 정밀성을 향상시킬 수 있다.
본 발명의 다른 실시예는 전술한 의료영상 변환방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제시할 수 있다.
본 발명의 다른 관점에 의하면 인공지능학습부에 입력되는 입력영상으로서
원본 의료영상과 함께 상기 원본 의료영상의 비대칭(Asymmetric) 정보가 포함된 서브 입력영상을 인풋으로 받을 수 있다. 즉 인공지능학습부는 입력 영상으로서 원본 의료영상과 서브 입력영상의 페어된 데이터를 입력으로 받을 수 있다.
여기서 비대칭(Asymmetric) 정보라 함은 원본 의료영상을 좌우 반전시킨 후에 원본 의료영상에 좌우 반전된 영상을 Non-rigid Transform 기법으로 정합시킨 후 원본 의료영상과의 복셀(Voxel)값의 차이를 계산한 결과물 이미지를 포함할 수 있다.
예컨대, 서브 입력영상은 인공지능학습부는 원본 CT 이미지(A)를 인풋데이터로 입력받는 경우, 원본 CT 이미지(A)를 좌우 반전시킨 후에 원본 CT 이미지(A)와 좌우 반전된 CT 이미지(B)를 정합시킨 후 원본 CT 이미지(A)와 반전된 CT 이미지(B) 간의 복셀값의 차이를 계산한 결과물 이미지(C)를 포함할 수 있다. 여기서 결과물 이미지(C)가 서브 입력영상이 될 수 있다.
이 경우 원본 CT 이미지(A)와 결과물 이미지(C)는 페어 데이터가 되며, 한 쌍의 입력영상으로서 인공지능학습부에 입력될 수 있다.
뇌졸중이나 뇌종양 등의 병변은 CT 에서 미세한 인텐시티(Intensity)의 차이를 보이나 육안으로 알아보기 어려운 경우가 있다. 이러한 병변은 대부분 좌우 비대칭으로 분포되는 경우가 많으므로 좌우의 voxel 값의 차이를 보이도록 하여 병변이 있는 부위를 강조할 수 있는 것이다.
인공지능학습부에 입력되는 입력영상으로서 원본 CT 이미지(A)와 결과물 이미지(C)를 사용함으로써 병변이 있는 부위가 강조된 영상을 얻을 수 있다.
이상 설명된 본 발명에 따른 실시 예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다.
한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.
본 발명의 명세서(특히 특허청구범위에서)에서 "상기"의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 본 발명에서 범위(range)를 기재한 경우 상기 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 상기 범위를 구성하는 각 개별적인 값을 기재한 것과 같다.
본 발명에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시 상기 단계들의 기재 순서에 따라 본 발명이 한정되는 것은 아니다. 본 발명에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 발명을 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 발명의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.
S100: 제1의료영상을 입력받는 단계
S110: 제2의료영상을 생성하는 단계
S120: 제3의료영상을 생성하는 단계
S130: 손실값을 계산하는 단계
S110: 제2의료영상을 생성하는 단계
S120: 제3의료영상을 생성하는 단계
S130: 손실값을 계산하는 단계
Claims (10)
- 인공지능학습부가 학습을 수행하면서 서로 다른 도메인(Domain)에 속하는 의료영상 간에 변환을 수행하는 방법에 있어서,
인공지능학습부가 제1의료영상을 입력받는 입력단계;
상기 인공지능학습부가 학습에 의하여 상기 제1의료영상으로부터 상기 제1의료영상과 도메인이 다른 제2의료영상을 생성하는 생성단계; 및
상기 제1의료영상이 한 쌍의 페어 데이터(Paired Data) 중 하나인 경우, 상기 인공지능학습부는 상기 제2의료영상과 상기 한 쌍의 페어 데이터 중 다른 하나인 제1의료영상 간에 차이를 비교하여 해당 차이를 줄이는 방향으로 학습하는 제1학습단계;
를 포함하는 의료영상 변환방법. - 제1항에 있어서,
상기 페어 데이터는 동일한 환자의 동일 부위에 대한 한 쌍의 서로 다른 도메인에 속하는 영상을 포함하거나 또는 동일하지 않은 환자들의 동일 부위에 대한 한 쌍의 서로 다른 도메인에 속하는 영상을 포함하는 것을 특징으로 하는 의료영상 변환방법. - 제1항에 있어서,
상기 생성단계 이후에, 상기 인공지능학습부가 학습에 의하여 상기 제2의료영상으로부터 상기 제2의료영상과 도메인이 다른 제3의료영상을 재생성하는 재생성단계를 포함하는 것을 특징으로 하는 의료영상 변환방법. - 제3항에 있어서,
상기 제1의료영상과 상기 제3의료영상은 동일한 도메인에 속하는 것을 특징으로 하는 의료영상 변환방법. - 제3항에 있어서,
상기 인공지능학습부는 상기 제1의료영상과 상기 제3의료영상 간에 차이를 비교하여 해당 차이를 줄이는 방향으로 학습하는 제2학습단계를 포함하는 것을 특징으로 하는 의료영상 변환방법. - 제1항에 있어서,
상기 제1의료영상이 타겟 부위에 대한 제1슬라이스와 비타겟 부위에 대한 제2슬라이스를 모두 가지는 경우, 상기 입력단계 이전에 상기 제2슬라이스는 제거하고 상기 제1슬라이스만 남도록 상기 제1의료영상을 가공하는 가공단계를 포함하는 것을 특징으로 하는 의료영상 변환방법. - 제1항에 있어서,
상기 제1의료영상은 병변데이터와 정상데이터를 포함하는 것을 특징으로 하는 의료영상 변환방법. - 제7항에 있어서,
상기 병변데이터가 상기 정상데이터보다 적은 경우, 상기 병변데이터를 증폭시키는 것을 특징으로 하는 의료영상 변환방법. - 제8항에 있어서,
상기 병변데이터를 증폭시키는 것은 상기 병변데이터가 상기 정상데이터와 비율이 같아지도록 상기 병변데이터를 복제하는 것을 포함하는 것을 특징으로 하는 의료영상 변환방법. - 제1항 내지 제9항 중 어느 하나의 항에 기재된 의료영상 변환방법을 실행하기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220075856A KR20230174657A (ko) | 2022-06-21 | 2022-06-21 | 인공지능 기반 의료영상 변환방법 |
| PCT/KR2023/007337 WO2023249278A1 (ko) | 2022-06-21 | 2023-05-30 | 인공지능 기반 의료영상 변환방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220075856A KR20230174657A (ko) | 2022-06-21 | 2022-06-21 | 인공지능 기반 의료영상 변환방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230174657A true KR20230174657A (ko) | 2023-12-28 |
Family
ID=89380163
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220075856A KR20230174657A (ko) | 2022-06-21 | 2022-06-21 | 인공지능 기반 의료영상 변환방법 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR20230174657A (ko) |
| WO (1) | WO2023249278A1 (ko) |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102060895B1 (ko) * | 2018-06-01 | 2020-02-11 | 연세대학교 산학협력단 | 의료 영상 생성 방법 및 디바이스 |
| KR102372200B1 (ko) * | 2019-04-16 | 2022-03-10 | 서울여자대학교 산학협력단 | 의료영상의 병변 정보 증강 패치에 하나 이상의 증강 방식을 적용한 학습데이터 기반의 병변 분류 방법 및 장치 |
| KR102254971B1 (ko) * | 2019-07-24 | 2021-05-21 | 가톨릭대학교 산학협력단 | 인공지능을 이용한 조영증강 영상 및 비조영증강 영상 변환 방법 및 장치 |
-
2022
- 2022-06-21 KR KR1020220075856A patent/KR20230174657A/ko not_active Application Discontinuation
-
2023
- 2023-05-30 WO PCT/KR2023/007337 patent/WO2023249278A1/ko unknown
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023249278A1 (ko) | 2023-12-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Thyreau et al. | Segmentation of the hippocampus by transferring algorithmic knowledge for large cohort processing | |
| Yu et al. | Medical image synthesis via deep learning | |
| US20200184639A1 (en) | Method and apparatus for reconstructing medical images | |
| Iqbal et al. | Generative adversarial networks and its applications in the biomedical image segmentation: a comprehensive survey | |
| Tmenova et al. | CycleGAN for style transfer in X-ray angiography | |
| Tuladhar et al. | Automatic segmentation of stroke lesions in non-contrast computed tomography datasets with convolutional neural networks | |
| Seo et al. | Neural contrast enhancement of CT image | |
| Kwon et al. | Digital subtraction CT angiography based on efficient 3D registration and refinement | |
| Xie et al. | Generation of contrast-enhanced CT with residual cycle-consistent generative adversarial network (Res-CycleGAN) | |
| Gava et al. | Neural network-derived perfusion maps: A model-free approach to computed tomography perfusion in patients with acute ischemic stroke | |
| KR102574756B1 (ko) | 화질 전환을 이용한 인공지능에 의한 의료영상 변환방법 및 그 장치 | |
| KR102586483B1 (ko) | 인공지능에 의한 의료영상 변환방법 및 그 장치 | |
| KR102574757B1 (ko) | 주파수 영역에서 인공지능에 의한 의료영상 변환방법 및 그 장치 | |
| KR20230174657A (ko) | 인공지능 기반 의료영상 변환방법 | |
| US20210150780A1 (en) | Analysis of medical images | |
| Lauritzen et al. | Evaluation of ct image synthesis methods: From atlas-based registration to deep learning | |
| Yan et al. | Calcium removal from cardiac CT images using deep convolutional neural network | |
| Solak et al. | Adrenal Tumor Segmentation on U-Net: A Study About Effect of Different Parameters in Deep Learning. | |
| Yang et al. | Tissue classification for PET/MRI attenuation correction using conditional random field and image fusion | |
| Altun et al. | LSS‐net: 3‐dimensional segmentation of the spinal canal for the diagnosis of lumbar spinal stenosis | |
| Nasef et al. | An efficient segmentation technique for skeletal scintigraphy image based on sharpness index and salp swarm algorithm | |
| Garzón et al. | A deep CT to MRI unpaired translation that preserve ischemic stroke lesions | |
| Abdallah | An accurate liver segmentation method using parallel computing algorithm | |
| US11328394B1 (en) | Apparatus and method for contrast amplification of contrast-enhanced CT images based on deep learning | |
| Pandey et al. | A Framework for Mathematical Methods in Medical Image Processing |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E601 | Decision to refuse application |