KR20240016027A - 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치 및 방법 - Google Patents

수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치 및 방법 Download PDF

Info

Publication number
KR20240016027A
KR20240016027A KR1020220094041A KR20220094041A KR20240016027A KR 20240016027 A KR20240016027 A KR 20240016027A KR 1020220094041 A KR1020220094041 A KR 1020220094041A KR 20220094041 A KR20220094041 A KR 20220094041A KR 20240016027 A KR20240016027 A KR 20240016027A
Authority
KR
South Korea
Prior art keywords
grade
oarsi
osteoarthritis
osteophyte
operation value
Prior art date
Application number
KR1020220094041A
Other languages
English (en)
Inventor
노두현
고선호
Original Assignee
코넥티브 주식회사
서울대학교병원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 코넥티브 주식회사, 서울대학교병원 filed Critical 코넥티브 주식회사
Priority to KR1020220094041A priority Critical patent/KR20240016027A/ko
Publication of KR20240016027A publication Critical patent/KR20240016027A/ko

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
    • A61B5/4528—Joints
    • 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
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/505—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of bone
    • 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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

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

Abstract

본 발명은 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치 및 방법에 관한 것이다. 본 발명의 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치는 프로세서; 및 상기 프로세서에 의해 수행되도록 구현된 하나 이상의 명령어(instructions)를 포함하는 메모리를 포함하고, 상기 프로세서는, OARSI(osteoarthritis research society international) 등급 분류를 기초로 무릎 이미지를 전처리함으로써 골극의 OARSI 등급(osteophyte OARSI grade)을 추출하여 상기 골극의 OARSI 등급의 연산값인 제1연산값을 도출하고, 관절공간협착의 OARSI 등급(joint space narrowing OARSI grade)을 추출하여 상기 관절공간협착의 OARSI 등급의 연산값인 제2연산값을 도출하고; 학습된 기계 학습모델에 상기 제1연산값과 상기 제2연산값을 각각 입력값으로 입력하고, 상기 기계 학습모델을 통해 상기 무릎 이미지의 골관절염 위중도를 제0변환등급, 제1변환등급, 제2변환등급, 제3변환등급 또는 제4변환등급으로 분류한다.

Description

수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치 및 방법{APPARATUS AND METHOD FOR AUTOMATICALLY ANALYZING OSTEOARTHRITIS USING MODIFIED KELLGREN-LAWRENCE GRADING}
본 발명은 OARSI(osteoarthritis research society international) 분류법을 기반으로 수정된 켈그렌 로렌스 분류법을 이용하여 골관절염을 자동으로 분석하는 방법과 그 방법을 사용하는 장치에 관한 것이다.
무릎 골관절염(osteoarthritis, OA)은 통증, 관절 기능 제한, 삶의 질 저하 등을 유발하는 심각한 질병으로 국민의 건강에 큰 부담을 주고 있다. 새로운 영상 기법이 있음에도 불구하고 일반 방사선 사진의 구조적 변화는 임상 환경에서 무릎 골관절염을 정의하는데 가장 자주 사용된다. 이때, 무릎 방사선 사진(이하, '무릎 이미지'라 함) 분석에서 두 가지 가장 중요한 구조적 변화는 골극(osteophyte)과 관절공간협착(joint space narrowing, JSN)이다.
방사선학적 무릎 골관절염의 분류를 위해 여러 분류법을 사용할 수 있지만, 그 중에서도 켈그렌 로렌스 분류법(kellgren-lawrence grading, KLG)과 OARSI(osteoarthritis research society international, 국제 골관절염 연구 학회) 분류법이 널리 사용되고 있다. 도 3에 도시된 바와 같이, 켈그렌 로렌스 분류법은 JSN, 골극 형성, 경화증 및 뼈 변형을 기준으로 무릎 골관절염을 5개의 등급(0:정상 ~ 4:중증)으로 분류한다. 이에 비해 OARSI 분류법은 개인의 구조적 변화(JSN, 골극, 경화증)를 4개의 등급(0:정상 ~ 3:심각)으로 분류하는 반정량적 분류법이다.
기존의 켈그렌 로렌스 분류법은 정량적 측정이 포함되어 있지 않고, 구조적 변화에 대한 명확한 설명을 제공하지 않아 연구 간의 분류 체계가 다양하여 혼란을 야기하는 단점이 있다. 또한, 켈그렌 로렌스 분류법은 골극 형성 및 관절공간협착과 같은 방사선학적 변화가 선형적으로 진행된다고 가정하므로, 비선형 구조적 변화가 있는 골관절염 무릎의 분석에는 적합하지 못한 문제점이 있다.
대한민국 공개특허 제10-2021-0081770호
Kellgren JH, Lawrence JS. Radiological assessment of osteo-arthrosis. Ann Rheum Dis 1957;16(4):494-502. doi: 10.1136/ard.16.4.494 [published Online First: 1957/12/01] Altman RD, Gold GE. Atlas of individual radiographic features in osteoarthritis, revised. Osteoarthritis Cartilage 2007;15 Suppl A:A1-56. doi: 10.1016/j.joca.2006.11.009 [published Online First: 2007/02/27]
상술한 문제점을 해결하기 위한 본 발명의 목적은 골관절염을 분석함에 있어 OARSI(osteoarthritis research society international) 분류법을 기반으로 수정된 켈그렌 로렌스 분류법을 도입하여 분석 및 판단의 전 과정을 자동화하고 짧은 시간 안에 객관적이고 정확한 결과를 도출할 수 있는 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치 및 방법을 제공하는 것이다.
본 발명의 다른 목적은 구조적 변형이 비선형적으로 진행하는 무릎의 골관절염을 효과적으로 평가할 수 있는 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치 및 방법을 제공하는 것이다.
본 발명의 다른 목적은 켈그렌 로렌스 분류법의 서로 다른 정의를 사용하여 발생하는 불일치를 방지할 수 있는 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치 및 방법을 제공하는 것이다.
본 출원의 과제는 이상에서 언급한 과제로 제한되지 않으며, 언급되지 않는 또 다른 과제는 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 문제점을 해결하기 위해서, 본 발명의 일 실시예에 따른 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치는 프로세서; 및 상기 프로세서에 의해 수행되도록 구현된 하나 이상의 명령어(instructions)를 포함하는 메모리를 포함하고, 상기 프로세서는, OARSI(osteoarthritis research society international) 등급 분류를 기초로 무릎 이미지를 전처리함으로써 골극의 OARSI 등급(osteophyte OARSI grade)을 추출하여 상기 골극의 OARSI 등급의 연산값인 제1연산값을 도출하고, 관절공간협착의 OARSI 등급(joint space narrowing OARSI grade)을 추출하여 상기 관절공간협착의 OARSI 등급의 연산값인 제2연산값을 도출하고; 학습된 기계 학습모델에 상기 제1연산값과 상기 제2연산값을 각각 입력값으로 입력하고, 상기 기계 학습모델을 통해 상기 무릎 이미지의 골관절염 위중도를 제0변환등급, 제1변환등급, 제2변환등급, 제3변환등급 또는 제4변환등급으로 분류할 수 있다.
바람직하게는, 상기 제2연산값은, 내측 관절공간협착의 OARSI 등급(medial joint space narrowing OARSI grade) 및 외측 관절공간협착의 OARSI 등급(lateral joint space narrowing OARSI grade) 중 최대값일 수 있다.
바람직하게는, 상기 제1연산값은, 내측 경골 골극의 OARSI 등급(medial femur osteophyte OARSI grade), 외측 경골 골극의 OARSI 등급(lateral femur osteophyte OARSI grade), 내측 대퇴골 골극의 OARSI 등급(medial tibia osteophyte OARSI grade) 및 외측 대퇴골 골극의 OARSI 등급(lateral tibia osteophyte OARSI grade)의 합일 수 있다.
바람직하게는, 상기 제1연산값은, 내측 경골 골극의 OARSI 등급(medial femur osteophyte OARSI grade), 외측 경골 골극의 OARSI 등급(lateral femur osteophyte OARSI grade), 내측 대퇴골 골극의 OARSI 등급(medial tibia osteophyte OARSI grade) 및 외측 대퇴골 골극의 OARSI 등급(lateral tibia osteophyte OARSI grade) 중에서 1등급 이상인 값의 개수일 수 있다.
바람직하게는, 상기 제1연산값은, 내측 경골 골극의 OARSI 등급(medial femur osteophyte OARSI grade), 외측 경골 골극의 OARSI 등급(lateral femur osteophyte OARSI grade), 내측 대퇴골 골극의 OARSI 등급(medial tibia osteophyte OARSI grade) 및 외측 대퇴골 골극의 OARSI 등급(lateral tibia osteophyte OARSI grade) 중 최대값일 수 있다.
바람직하게는, 상기 제0변환등급은, 상기 제1연산값 및 상기 제2연산값이 각각 0인 경우의 등급이고, 상기 제1변환등급은, 상기 제1연산값이 1이고 상기 제2연산값이 0인 경우이거나, 상기 제1연산값이 0이고 상기 제2연산값이 1인 경우의 등급이고, 상기 제2변환등급은, 상기 제1연산값이 1이고 상기 제2연산값이 1인 경우이거나, 상기 제1연산값이 2 이상이고 상기 제2연산값이 0인 경우이거나, 상기 제1연산값이 2 이상이고 상기 제2연산값이 1인 경우의 등급이고, 상기 제3변환등급은, 상기 제2연산값이 2인 경우의 등급이고, 상기 제4변환등급은, 상기 제2연산값이 3인 경우의 등급일 수 있다.
바람직하게는, 상기 기계 학습모델은, 전처리된 복수의 상기 무릎 이미지의 상기 제1연산값과 상기 제2연산값을 입력값으로 적용하고, 켈그렌 로렌스 등급(kellgren-lawrence grade) 값을 타겟값으로 적용하여 학습될 수 있다.
본 발명의 다른 일 실시예에 따른 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 방법은 프로세서에 의해 무릎 이미지의 골관절염 위중도를 수정된 켈그렌 로렌스 분류법을 이용하여 자동 분석하는 방법에 있어서, 상기 프로세서가 OARSI(osteoarthritis research society international) 등급 분류를 기초로 무릎 이미지를 전처리함으로써 골극의 OARSI 등급(osteophyte OARSI grade)을 추출하여 상기 골극의 OARSI 등급의 연산값인 제1연산값을 도출하고, 관절공간협착의 OARSI 등급(joint space narrowing OARSI grade)을 추출하여 상기 관절공간협착의 OARSI 등급의 연산값인 제2연산값을 도출하는 단계; 상기 프로세서가 학습된 기계 학습모델에 상기 제1연산값과 상기 제2연산값을 각각 입력값으로 입력하는 단계; 및 상기 프로세서가 상기 기계 학습모델을 통해 상기 무릎 이미지의 골관절염 위중도를 제0변환등급, 제1변환등급, 제2변환등급, 제3변환등급 또는 제4변환등급으로 분류하는 단계를 포함할 수 있다.
바람직하게는, 상기 제2연산값은, 내측 관절공간협착의 OARSI 등급(medial joint space narrowing OARSI grade) 및 외측 관절공간협착의 OARSI 등급(lateral joint space narrowing OARSI grade) 중 최대값일 수 있다.
바람직하게는, 상기 제1연산값은, 내측 경골 골극의 OARSI 등급(medial femur osteophyte OARSI grade), 외측 경골 골극의 OARSI 등급(lateral femur osteophyte OARSI grade), 내측 대퇴골 골극의 OARSI 등급(medial tibia osteophyte OARSI grade) 및 외측 대퇴골 골극의 OARSI 등급(lateral tibia osteophyte OARSI grade)의 합일 수 있다.
바람직하게는, 상기 제1연산값은, 내측 경골 골극의 OARSI 등급(medial femur osteophyte OARSI grade), 외측 경골 골극의 OARSI 등급(lateral femur osteophyte OARSI grade), 내측 대퇴골 골극의 OARSI 등급(medial tibia osteophyte OARSI grade) 및 외측 대퇴골 골극의 OARSI 등급(lateral tibia osteophyte OARSI grade) 중에서 1등급 이상인 값의 개수일 수 있다.
바람직하게는, 상기 제1연산값은, 내측 경골 골극의 OARSI 등급(medial femur osteophyte OARSI grade), 외측 경골 골극의 OARSI 등급(lateral femur osteophyte OARSI grade), 내측 대퇴골 골극의 OARSI 등급(medial tibia osteophyte OARSI grade) 및 외측 대퇴골 골극의 OARSI 등급(lateral tibia osteophyte OARSI grade) 중 최대값일 수 있다.
바람직하게는, 상기 제0변환등급은, 상기 제1연산값 및 상기 제2연산값이 각각 0인 경우의 등급이고, 상기 제1변환등급은, 상기 제1연산값이 1이고 상기 제2연산값이 0인 경우이거나, 상기 제1연산값이 0이고 상기 제2연산값이 1인 경우의 등급이고, 상기 제2변환등급은, 상기 제1연산값이 1이고 상기 제2연산값이 1인 경우이거나, 상기 제1연산값이 2 이상이고 상기 제2연산값이 0인 경우이거나, 상기 제1연산값이 2 이상이고 상기 제2연산값이 1인 경우의 등급이고, 상기 제3변환등급은, 상기 제2연산값이 2인 경우의 등급이고, 상기 제4변환등급은, 상기 제2연산값이 3인 경우의 등급일 수 있다.
바람직하게는, 상기 기계 학습모델은, 전처리된 복수의 상기 무릎 이미지의 상기 제1연산값과 상기 제2연산값을 입력값으로 적용하고, 켈그렌 로렌스 등급(kellgren-lawrence grade) 값을 타겟값으로 적용하여 학습될 수 있다.
본 발명은 골관절염을 분석함에 있어 OARSI(osteoarthritis research society international) 등급을 기반으로 수정된 켈그렌 로렌스 분류법을 도입하여 골관절염 위중도의 분석 및 판단의 전 과정을 자동화하고 짧은 시간 안에 객관적이고 정확한 결과를 도출할 수 있는 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치 및 방법을 제공할 수 있다.
본 발명은 구조적 변형이 비선형적으로 진행하는 무릎의 골관절염을 효과적으로 평가할 수 있는 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치 및 방법을 제공할 수 있다.
본 발명은 켈그렌 로렌스 분류법의 서로 다른 정의를 사용하여 발생하는 불일치를 방지할 수 있는 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치 및 방법을 제공할 수 있다.
본 출원의 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않는 또 다른 효과는 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치의 구성을 나타낸 도면이다.
도 2는 본 발명의 일 실시예에 따른 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 시스템의 구성을 나타낸 도면이다.
도 3은 무릎 골관절염에 대한 켈그렌 로렌스 기준의 정의를 나타낸 도면이다.
도 4는 본 발명의 일 실시예에 따른 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치가 학습된 제1학습모델을 통해 무릎 이미지의 골관절염 위중도를 분류하는 과정을 나타난 도면이다.
도 5는 본 발명의 일 실시예에 따른 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치가 학습된 제2학습모델을 통해 무릎 이미지의 골관절염 위중도를 분류하는 과정을 나타난 도면이다.
도 6은 본 발명의 일 실시예에 따른 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치가 학습된 제3학습모델을 통해 무릎 이미지의 골관절염 위중도를 분류하는 과정을 나타난 도면이다.
도 7은 본 발명의 일 실시예에 따른 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치의 의사결정 트리 기반의 학습모델이 무릎 이미지의 골관절염 위중도를 분류하도록 학습되는 전체 과정을 나타낸 도면이다.
도 8은 본 발명의 일 실시예에 따른 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치의 제1학습모델의 의사결정 트리를 시각화하여 나타낸 도면이다.
도 9는 본 발명의 일 실시예에 따른 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치를 통해 정의되는 변환등급의 분류 기준을 나타낸 도면이다.
도 10은 본 발명의 일 실시예에 따른 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치를 이용한 실험에서 참여자들의 인구통계학적 특성 및 기준선 특성을 나타낸 도면이다.
도 11은 본 발명의 일 실시예에 따른 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치를 이용한 실험에서 수정된 켈그렌 로렌스 등급과 기존의 켈그렌 로렌스 등급을 OAI 데이터 세트에서 비교한 것을 나타낸 도면이다.
도 12는 본 발명의 일 실시예에 따른 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치의 테스트 데이터 세트, 전체 개발 데이터 세트, 최종 모델별 외부 검증 데이터 세트의 혼동 행렬을 나타낸 도면이다.
도 13은 본 발명의 일 실시예에 따른 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치를 이용한 실험에서 통증 및 기능 제한 평가를 나타낸 도면이다.
도 14는 본 발명의 일 실시예에 따른 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치를 이용한 실험에서 통증, 기능적 제한에 대한 95% 신뢰구간에서의 non-inferiority test 결과를 나타낸 도면이다.
도 15는 본 발명의 일 실시예에 따른 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치를 이용한 실험에서 제3변환등급 이상으로의 진행을 분석하는데 사용된 추정 생존 곡선을 나타낸 도면이다.
도 16은 본 발명의 일 실시예에 따른 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치를 이용한 실험에서 mKLG에 따른 중도절단된 데이터의 분포를 나타낸 도면이다.
도 17은 본 발명의 일 실시예에 따른 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치를 이용한 실험에서 mKLG 하위 그룹의 생존 시간 비교를 나타낸 도면이다.
도 18은 본 발명의 일 실시예에 따른 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치를 이용한 실험에서 mKLG에 따른 예상 생존을 나타낸 도면이다.
도 19는 본 발명의 일 실시예에 따른 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치를 이용한 실험에서 변환등급을 기준으로 48개월 추적 관찰 시 무릎 골관절염의 진행도를 나타낸 도면이다.
도 20은 본 발명의 일 실시예에 따른 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 방법의 순서도이다.
이하 본 발명의 실시예에 대하여 첨부한 도면을 참조하여 상세하게 설명하기로 한다. 다만, 첨부된 도면은 본 발명의 내용을 보다 쉽게 개시하기 위하여 설명되는 것일 뿐, 본 발명의 범위가 첨부된 도면의 범위로 한정되는 것이 아님은 이 기술분야의 통상의 지식을 가진 자라면 용이하게 알 수 있을 것이다.
또한, 본 발명의 상세한 설명 및 청구항들에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 발명의 상세한 설명 및 청구항들에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 발명의 상세한 설명 및 청구항들에서, “학습”, 혹은 “러닝” 등의 용어는 절차에 따른 컴퓨팅(computing)을 통하여 기계학습(machine learning)을 수행함을 일컫는 용어인바, 인간의 교육활동과 같은 정신적 작용을 지칭하도록 의도된 것이 아닌 것으로 이해되어야 한다.
본 발명의 상세한 설명 및 청구항들에서 사용한 “이미지”의 용어는 사람 또는 사물의 형태 또는 그의 구체적인 특성을 디지털 형태로 복제 또는 모방한 것으로 정의될 수 있고, 이미지는 JPEG 이미지, PNG 이미지, GIF 이미지, TIFF 이미지 또는 당 업계에 알려진 임의의 다른 디지털 이미지 형식일 수 있지만 이에 제한되지는 않는다. 또한, "이미지"는 "사진" 또는 “영상”과 같은 의미로 사용될 수 있다.
본 발명에 개시된 장치, 방법, 시스템 및 디바이스 등은 골관절염 진단을 지원할 수 있는 임의의 다른 생물학적 조직 이미지에 적용하여 사용될 수 있지만, 이에 한정되지 않고, 컴퓨터 단층 촬영(CT), 자기 공명 영상(MRI), 컴퓨터 방사선 촬영, 자기 공명, 혈관 내시경, 광 간섭 단층 촬영, 컬러 플로우 도플러, 방광경 검사, 디아파노그래피(diaphanography), 심장 초음파 검사, 플루오레소신 혈관 조영술(fluoresosin angiography), 복강경 검사, 자기 공명 혈관 조영술, 양전자 방출 단층 촬영(positron emission tomography), 단일 광자 방출 컴퓨터 단층 촬영, X선 혈관 조영술, 핵의학, 생체 자기 영상, culposcopy, 이중 도플러, 디지털 현미경, 내시경, 레이저, 표면 스캔, 자기 공명 분광법, 방사선 그래픽 이미징, 열 화상 촬영 및 방사선 형광 검사에 사용될 수 있다.
더욱이, 본 발명은 본 명세서에 표시된 실시예들의 모든 가능한 조합들을 망라한다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예에 관련하여 본 발명의 사상 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 사상 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.
도 1은 본 발명의 일 실시예에 따른 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치(이하, "본 골관절염 자동 분석 장치"라 함)의 구성을 나타낸 도면이다.
도 1을 참조하면, 본 골관절염 자동 분석 장치(100)는 컴퓨팅 디바이스(Computing Device, 110), 디스플레이 디바이스(Display Device, 130) 및/또는 카메라(Camera, 150)를 포함할 수 있다.
컴퓨팅 디바이스(110)는 프로세서(Processor, 111), 메모리부(Memory Unit, 113), 스토리지 디바이스(Storage Device, 115), 입/출력 인터페이스(117), 네트웍 어뎁터(Network Adapter, 118), 디스플레이 어뎁터(Display Adapter, 119), 및/또는 프로세서(111)를 포함한 다양한 시스템 구성요소를 메모리부(113)에 연결하는 시스템 버스(System bus, 112)를 포함할 수 있지만 이에 한정되지 않는다. 또한, 본 골관절염 자동 분석 장치(100)는 정보를 전달하기 위한 시스템 버스(112)뿐만 아니라 다른 통신 메커니즘을 포함할 수 있다.
시스템 버스(112) 또는 다른 통신 메커니즘은, 프로세서, 컴퓨터 판독가능한 기록매체인 메모리, 근거리 통신 모듈(예를 들어, 블루투스나 NFC), 네트워크 인터페이스나 이동통신 모듈을 포함하는 네트워크 어뎁터, 디스플레이 디바이스(예를 들면, CRT 또는 LCD 등), 입력장치(예를 들면, 키보드, 키패드, 가상 키보드, 마우스, 트랙볼, 스타일러스, 터치 감지 수단 등), 및/또는 하위 시스템들을 상호 접속한다.
프로세서(111)는 학습모델(13)을 활용하여 자동으로 프로세싱하는 프로세싱 모듈일 수 있고, CPU, AP(Application Processor), 마이크로 컨트롤러 등일 수 있으나 이에 한정되는 것은 아니다.
프로세서(111)는 디스플레이 디바이스용 하드웨어 제어기 예를들어, 디스플레이 어뎁터(119)와 통신하여 디스플레이 디바이스(130) 상에 본 골관절염 자동 분석 장치(100)의 동작 및 유저 인터페이스를 표시할 수 있다.
프로세서(111)는 메모리부(113)에 접속하여 메모리부에 저장된 명령들이나 로직의 하나 이상의 시퀀스들을 실행하는 것에 의해 이후 설명될 본 골관절염 자동 분석 장치(100)의 동작을 제어한다.
이러한 명령들은, 정적 저장부(Static storage) 또는 디스크 드라이브와 같은 다른 컴퓨터 판독가능 기록매체로부터 메모리 안에서 판독될 수도 있다. 다른 실시형태들에서, 본 개시를 구현하기 위한 소프트웨어 명령들을 대신하거나 소프트웨어 명령들과 조합된 하드웨어에 내장된 회로부(hard-wired circuitry)가 사용될 수도 있다. 로직은, 프로세서로 명령들을 제공하는데 참여하는 임의의 매체를 지칭할 수도 있으며, 메모리부(113)에 로딩될 수도 있다.
시스템 버스(System bus, 112)는 다양한 버스 구조(architectures) 중 임의의 것을 사용하는 메모리 버스 또는 메모리 컨트롤러, 주변장치버스, 가속 그래픽 포트 및 프로세서 혹은 로컬 버스를 포함하는 여러 가능한 유형의 버스 구조 중 하나 이상을 나타낸다. 예를 들어, 이런 구조들(architectures)은 ISA(Industry Standard Architecture) 버스, MCA(Micro Channel Architecture) 버스, EISA(Enhanced ISA)버스, VESA(Video Electronics Standard Association) 로컬 버스, AGP(Accelerated Graphics Port) 버스 및 PCI(Peripheral Component Interconnects), PCI-Express 버스, PCMCIA(Personal Computer Memory Card Industry Association), USB(Universal Serial Bus)과 같은 것을 포함할 수 있다.
시스템 버스(System bus, 112)는 유, 무선 네트워크 연결로서 실행될 수 있다. 프로세서(Processor, 111), 대용량 스토리지 장치(Mass Storage Device), 오퍼레이팅 시스템(Operating System, 113c, 115a), 이미징 소프트웨어(Imaging Software, 113b, 115b), 이미징 데이터(Imaging Data, 113a, 115c), 네트워크 어뎁터(Network Adapter, 118), 시스템 메모리(System Memory), 입/출력 인터페이스(Input/Output Interface, 117), 디스플레이 어뎁터(Display Adapter, 119) 및/또는 디스플레이 디바이스(Display Device, 130)를 포함하는 서브 시스템 각각은 물리적으로 분리된 위치에 후술할 하나 이상의 원격 컴퓨팅 디바이스(Remote Computing Device, 200, 300, 400) 안에 포함될 수 있고, 분산된 시스템을 효율적으로 실행하는데 있어 이와 같은 형태의 버스들을 통해 연결될 수 있다.
버스의 배선들(wires)을 포함하는 송신 매체들은 동축 케이블, 동선(copper wire), 및 광섬유들을 포함할 수 있다. 일 예에서, 송신 매체들은, 라디오 파 통신이나 적외선 데이터 통신 동안 생성된 음파 또는 광파의 형태를 취할 수도 있다.
본 골관절염 자동 분석 장치(100)는, 네트워크 링크 및 네트워크 어뎁터(Network Adapter, 118)를 통해 메시지들, 데이터, 정보 및 하나 이상의 프로그램들(즉, 애플리케이션 코드)을 포함하는 명령들을 송신하고 수신할 수도 있다.
네트워크 어뎁터(Network Adapter, 118)는, 네트워크 링크를 통한 송수신을 가능하게 하기 위한, 별개의 또는 통합된 안테나를 포함할 수도 있다. 네트워크 어뎁터(118)는 네트워크에 접속하여 원격 컴퓨팅 장치(Remote Computing Device, 200, 300, 400)와 통신할 수 있다. 네트워크는 LAN, WLAN, PSTN, 및 셀룰러 폰 네트워크 중 적어도 하나를 포함할 수 있으나 이에 한정되는 것은 아니다.
네트워크 어뎁터(118)는 상기 네트워크에 접속하기 위한 네트워크 인터페이스 및 이동통신 모듈 중 적어도 하나를 포함할 수 있다. 이동통신 모듈은 세대별 이동통신망(예를 들어, 2G 내지 5G 이동통신망)에 접속가능하다.
프로그램 코드는 수신될 때 프로세서(111)에 의해 실행될 수도 있고/있거나 실행을 위해 메모리부(113)의 디스크 드라이브 또는 디스크 드라이브와는 다른 종류의 비휘발성 메모리에 저장될 수도 있다.
컴퓨팅 디바이스(Computing device, 110)는 다양한 컴퓨터 판독가능한 기록매체일 수 있다. 판독가능한 매체는 컴퓨팅 디바이스에 의해 접근 가능한 임의의 다양한 매체가 될 수 있고, 예를들어, 휘발성(volatile) 또는 비휘발성 매체(non-volatile media), 유동 매체(removable media), 비유동 매체(non-removablemedia)를 포함할 수 있지만 이에 한정되지 않는다.
메모리부(113)는 본 골관절염 자동 분석 장치(100)의 동작에 필요한 운영체제, 드라이버, 애플리케이션 프로그램, 데이터 및 데이터 베이스 등을 저장할 수 있으나 이에 한정되는 것은 아니다. 또한, 메모리부(113)는 RAM(Random Acces Memory)과 같은 휘발성 메모리, ROM(Read Only Memory) 및 플래시 메모리와 같은 비휘발성 메모리 형태로 컴퓨터 판독 가능한 매체를 포함할 수 있고, 또한, 디스크 드라이브 예를들면, 하드 디스크 드라이브(Hard Disk Drive), 솔리드 스테이트 드라이브(Solid State Drive), 광 디스크 드라이브 등을 포함할 수 있지만 이에 한정되지 않는다. 또한, 메모리부(113)와 스토리지 디바이스(115)는 각각 전형적으로 무릎 X선 이미지와 같은 이미징 데이터(Imaging Data, 113a, 115a)와 같은 데이터, 프로세서(111)에 의해 동작되도록 즉시 접속될 수 있는 이미징 소프트웨어(113b, 115b)와 오퍼레이팅 시스템(113c, 115c)과 같은 프로그램 모듈을 포함할 수 있다.
학습모델(13)은 프로세서(111), 메모리부(113) 혹은 스토리지 디바이스(115)에 삽입될 수 있다. 이때의 기계 학습모델은 기계학습 알고리즘의 하나인 심층 신경망(Deep Neural Network, DNN), 합성곱 신경망(Convolutional Neural Network, CNN), 심층 합성곱 신경망(Deep Convolutional Neural Network, DCNN), 순환 신경망(Recurrent Neural Network, RNN) 등을 포함할 수 있고, 이에 한정되지 않는다.
심층 신경망(Deep Neural Network, DNN)은 입력층(input layer)과 출력층(output layer) 사이에 여러 개의 은닉층(hidden layer)들로 이뤄진 인공신경망(Artificial Neural Network, ANN)이다. 심층 신경망(DNN)은 일반적인 인공신경망과 마찬가지로 복잡한 비선형 관계(non-linear relationship)들을 모델링할 수 있다. 예를 들어, 물체 식별 모델을 위한 심층 신경망 구조에서는 각 물체가 영상의 기본적 요소들의 계층적 구성으로 표현될 수 있다. 이때, 추가 계층들은 점진적으로 모인 하위 계층들의 특징들을 규합시킬 수 있다. 심층 신경망의 이러한 특징은, 비슷하게 수행된 인공신경망에 비해 더 적은 수의 유닛(unit, node)들만으로도 복잡한 데이터를 모델링할 수 있게 해준다.
합성곱신경망(CNN)은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. 합성곱 신경망(CNN)은 하나 또는 여러개의 합성곱 계층과 그 위에 올려진 일반적인 인공 신경망 계층들로 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 합성곱 신경망(CNN)은 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 다른 딥 러닝 구조들과 비교해서, 합성곱 신경망(CNN)은 영상, 음성 분야 모두에서 좋은 성능을 보여준다. 합성곱 신경망(CNN)은 또한 표준 역전달을 통해 훈련될 수 있다. 합성곱 신경망(CNN)은 다른 피드포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다.
심층 합성곱 신경망은 합성곱 신경망을 기반으로 하되, 입력층(input layer)과 출력층(output layer) 사이에 여러 개의 은닉층(hidden layer)들로 이루어진 인공신경망(Artificial Neural Network, ANN)이다. 심층 합성곱 신경망은 심층 신경망과 마찬가지로 복잡한 비선형 관계(non-linear relationship)들을 모델링할 수 있다. 예를 들어, 물체 식별 모델을 위한 심층 신경망 구조에서는 각 물체가 영상의 기본적 요소들의 계층적 구성으로 표현될 수 있다. 이때, 추가 계층들은 점진적으로 모인 하위 계층들의 특징들을 규합시킬 수 있다. 심층 합성곱 신경망의 이러한 특징은, 비슷하게 수행된 합성곱 신경망에 비해 더 적은 수의 유닛(unit, node)들만으로도 복잡한 데이터를 모델링할 수 있게 해준다.
딥 러닝에서는 합성곱 심층 신뢰 신경망(Convolutional Deep Belief Network, CDBN)가 개발되었는데, 기존 합성곱 신경망(CNN)과 구조적으로 매우 비슷해서, 2차원 구조를 잘 이용할 수 있으며 그와 동시에 심층 신뢰신경망(Deep Belief Network, DBN)에서의 선훈련에 의한 장점도 취할 수 있다. 합성곱 심층 신뢰 신경망(CDBN)은 다양한 영상과 신호 처리 기법에 사용될 수 있는 일반적인 구조를 제공하며 CIFAR와 같은 표준 이미지 데이터에 대한 여러 벤치마크 결과에 사용되고 있다.
순환 신경망(Recurrent Neural Network, RNN)은 인공신경망을 구성하는 유닛 사이의 연결이 다이렉티드 사이클(directed cycle)을 구성하는 신경망을 말한다. 순환 신경망은 임의의 입력을 처리하기 위해 신경망 내부의 메모리를 활용할 수 있다. 이러한 특성에 의해 순환 신경망은 필기체 인식(Handwriting recognition)과 같은 분야에 활용되고 있고, 높은 인식률을 나타낸다.
카메라부(150)는 오브젝트의 이미지를 촬상하고 그 이미지를 광전자적으로 이미지 신호로 변환하는 이미지 센서(미도시)를 포함하고, 대상체의 무릎 X선 이미지를 촬영한다. 촬영된 대상체의 무릎 X선 이미지는 입/출력 인터페이스(117)를 통하여 프로세서(111)에 제공되어 학습모델(13)에 기초하여 처리되거나 메모리부(113) 혹은 스토리지 디바이스(115)에 저장될 수 있다. 또한, 촬영된 대상체의 무릎 X선 이미지는 인터넷 네트웍을 통하여 후술할 원격 컴퓨팅 디바이스(200, 300, 400)에 제공될 수 있다.
도 2는 본 발명의 일 실시예에 따른 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 시스템(이하, "본 골관절염 자동 분석 시스템"이라 함)의 구성을 나타낸 도면이다.
도 2를 참조하면, 본 골관절염 자동 분석 시스템(500)은 컴퓨팅 디바이스(Computing Device, 310), 디스플레이 디바이스(Display Device, 330), 카메라(Camera, 350) 및/또는 하나 이상의 원격 컴퓨팅 디바이스(Remote Compting Device, 200, 300, 400)를 포함할 수 있다. 컴퓨팅 디바이스(310)과 원격 컴퓨팅 디바이스들(200, 300, 400) 간은 인터넷 네트웍으로 서로 연결될 수 있다. 컴퓨팅 디바이스(Computing Device, 310)에 포함된 구성요소들은 전술한 도 1에서 대응되는 구성요소와 유사하여 그에 대한 동작 및 기능에 대한 설명은 생략하기로 한다. 또한, 원격 컴퓨팅 디바이스(200, 300, 400) 각각에 포함된 구성요소들은 컴퓨팅 디바이스(310)의 구성요소와 유사하다.
컴퓨팅 디바이스(310) 및 원격 컴퓨팅 디바이스(200, 300, 400)는 본 발명의 실시예에서 제시된 방법, 기능 및/또는 동작 중 하나 이상을 수행할 수 있도록 구성될 수 있다. 이러한 컴퓨팅 디바이스(310, 200, 300, 400)는 적어도 하나의 컴퓨팅 디바이스에서 동작하는 어플리케이션을 포함할 수 있다. 또한, 컴퓨팅 디바이스(310, 200, 300, 400)는 하나 이상의 컴퓨터와 하나 이상의 데이터 베이스를 포함할 수 있고, 단일 장치, 분산장치, 클라우드 기반 컴퓨터 또는 이들의 조합일 수 있다.
본 골관절염 자동 분석 시스템(500)은 랩탑 컴퓨터, 데스크탑 컴퓨터 및 서버에 제한되지 않고, 데이터를 처리할 수 있는 임의의 명령을 실행할 수 있는 컴퓨팅 장치 또는 시스템에서 구현될 수 있고, 인터넷 네트웍을 통한 다른 컴퓨팅 장치 및 시스템으로 구현될 수 있다. 또한, 본 골관절염 자동 분석 시스템(500)은 펌웨어를 포함하는 소프트웨어, 하드웨어 또는 이들의 조합을 포함하는 다양한 방식으로 구현될 수 있다. 예를 들어, 다양한 방식으로 실행하기 위한 기능은 개별로직 구성요소, 하나 이상의 ASIC(Application Specific Integrated Circuits) 및/또는 프로그램 제어 프로세서를 포함하는 다양한 방식으로 구현되는 구성요소에 의해 수행될 수 있다.
도 3은 무릎 골관절염에 대한 켈그렌 로렌스 기준의 정의를 나타낸 도면이고, 도 4는 본 발명의 일 실시예에 따른 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치가 학습된 제1학습모델을 통해 무릎 이미지의 골관절염 위중도를 분류하는 과정을 나타난 도면이고, 도 5는 본 발명의 일 실시예에 따른 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치가 학습된 제2학습모델을 통해 무릎 이미지의 골관절염 위중도를 분류하는 과정을 나타난 도면이고, 도 6은 본 발명의 일 실시예에 따른 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치가 학습된 제3학습모델을 통해 무릎 이미지의 골관절염 위중도를 분류하는 과정을 나타난 도면이고, 도 7은 본 발명의 일 실시예에 따른 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치의 의사결정 트리 기반의 학습모델이 무릎 이미지의 골관절염 위중도를 분류하도록 학습되는 과정을 나타낸 도면이고, 도 8은 본 발명의 일 실시예에 따른 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치의 제1학습모델의 의사결정 트리를 시각화하여 나타낸 도면이다.
도 3 내지 도 8을 참조하면, 본 골관절염 자동 분석 장치(100)의 프로세서(111)는 OARSI(osteoarthritis research society international) 등급 분류를 기초로 무릎 이미지를 전처리함으로써 골극의 OARSI 등급(osteophyte OARSI grade)을 추출하여 골극의 OARSI 등급의 연산값인 제1연산값을 도출하고, 관절공간협착의 OARSI 등급(joint space narrowing OARSI grade)을 추출하여 관절공간협착의 OARSI 등급의 연산값인 제2연산값을 도출한다.
여기서 OARSI 등급이란 골관절염의 위중도를 조직학적으로 수치화한 것으로서, 이에 대한 내용은 문헌 " Altman RD, Gold GE. Atlas of individual radiographic features in osteoarthritis, revised. Osteoarthritis Cartilage 2007;15 Suppl A: A1-56. doi: 10.1016/j.joca.2006.11.009 [published Online First: 2007/02/27]"에 설명되어 있으며, 상기 문헌은 본 명세서에 참조로 삽입된다.
구체적으로, 프로세서(111)는 무릎 이미지에서 내측 경골 골극의 OARSI 등급(medial femur osteophyte OARSI grade, OSPFM), 외측 경골 골극의 OARSI 등급(lateral femur osteophyte OARSI grade, OSPFL), 내측 대퇴골 골극의 OARSI 등급(medial tibia osteophyte OARSI grade, OSPTM) 및 외측 대퇴골 골극의 OARSI 등급(lateral tibia osteophyte OARSI grade, OSPTL)을 각각 추출하여 이러한 등급들의 연산값인 제1연산값을 도출하고, 무릎 이미지에서 내측 관절공간협착의 OARSI 등급(medial joint space narrowing OARSI grade, JSNM) 및 외측 관절공간협착의 OARSI 등급(lateral joint space narrowing OARSI grade, JSNL)을 각각 추출하여 이러한 등급들의 연산값인 제2연산값을 도출한다.
이때, 도 7 및 도 8을 참조하면, 의사결정트리 모델(decision tree model) 기반의 기계 학습모델은 전처리된 복수의 무릎 이미지의 제1연산값과 제2연산값을 입력값으로 적용하고, 켈그렌 로렌스 등급(kellgren-lawrence grade) 값을 타겟값으로 적용하여 학습될 수 있는데, 이때 기계 학습모델은 제1학습모델, 제2학습모델 또는 제3학습모델로 마련될 수 있다.
여기서 의사결정트리(decision tree)는 이진 트리 그래프(각 분기점이 두 개의 다른 분기점에 연결됨)를 사용하여 각 샘플에 타겟값을 할당하는 기계 학습 알고리즘(모델)이다. 각 샘플은 루트 분기에서 시작하여 분기점을 통해 전파되며, 입력 피처에 의해 정의된 기준에 따라 선택해야 하는 자손 분기점에 대해 각 분기점에서 결정이 내려진다. 의사결정트리의 주요 장점은 알고리즘의 전체 의사 결정 프로세스를 시각화할 수 있다는 것이다. 본 발명의 실시예에서 기계 학습모델은 의사결정트리 모델 기반으로 이루어져 있지만, 입력된 데이터를 분류(Classification) 및 기타 특징을 추출할 수 있는 학습모델이면 어느 학습 모델이든 사용 가능하다.
도 4를 참조하면, 제1학습모델은 내측 경골 골극의 OARSI 등급(medial femur osteophyte OARSI grade, OSPFM), 외측 경골 골극의 OARSI 등급(lateral femur osteophyte OARSI grade, OSPFL), 내측 대퇴골 골극의 OARSI 등급(medial tibia osteophyte OARSI grade, OSPTM) 및 외측 대퇴골 골극의 OARSI 등급(lateral femur osteophyte OARSI grade, OSPFL)의 합(OSPSUM)을 제1연산값으로 취하고, 내측 관절공간협착의 OARSI 등급(medial joint space narrowing OARSI grade, JSNM) 및 외측 관절공간협착의 OARSI 등급(lateral joint space narrowing OARSI grade, JSNL) 중 최대값(JSNMAX)을 제2연산값으로 취한 후, 제1연산값과 제2연산값을 입력값으로 적용하고 켈그렌 로렌스 등급 값을 타겟값으로 적용하여 학습되어, 무릎 이미지의 골관절염 위중도를 수정된 켈그렌 로렌스 등급으로 도출하도록 학습된다. 이러한 제1학습모델에 따르면, 다른 학습모델에 비해 가장 균형잡힌 정확도를 가지고 분석을 수행할 수 있는 효과가 있다.
도 5를 참조하면, 제2학습모델은 내측 경골 골극의 OARSI 등급(medial femur osteophyte OARSI grade, OSPFM), 외측 경골 골극의 OARSI 등급(lateral femur osteophyte OARSI grade, OSPFL), 내측 대퇴골 골극의 OARSI 등급(medial tibia osteophyte OARSI grade, OSPTM) 및 외측 대퇴골 골극의 OARSI 등급(lateral femur osteophyte OARSI grade, OSPFL) 중에서 1등급 이상인 값의 개수(OSPNUM)를 제1연산값으로 취하고, 내측 관절공간협착의 OARSI 등급(medial joint space narrowing OARSI grade, JSNM) 및 외측 관절공간협착의 OARSI 등급(lateral joint space narrowing OARSI grade, JSNL) 중 최대값(JSNMAX)을 제2연산값으로 취한 후, 제1연산값과 제2연산값을 입력값으로 적용하고 켈그렌 로렌스 등급 값을 타겟값으로 적용하여 학습되어, 무릎 이미지의 골관절염 위중도를 수정된 켈그렌 로렌스 등급으로 도출하도록 학습된다. 이러한 제2학습모델에 따르면, 골극의 합 기준(OSPSUM)은 네 구획 모두의 골극 등급을 평가해야 하는데 비해, 골극의 수 기준(OSPNUM)은 4개의 구획에 대해 존재(1등급) 또는 부재(0등급)만을 요구하므로, 분석이 보다 신속하고 용이한 효과가 있다.
도 6을 참조하면, 제3학습모델은 내측 경골 골극의 OARSI 등급(medial femur osteophyte OARSI grade, OSPFM), 외측 경골 골극의 OARSI 등급(lateral femur osteophyte OARSI grade, OSPFL), 내측 대퇴골 골극의 OARSI 등급(medial tibia osteophyte OARSI grade, OSPTM) 및 외측 대퇴골 골극의 OARSI 등급(lateral femur osteophyte OARSI grade, OSPFL) 중 최대값(OSPMAX)을 제1연산값으로 취하고, 내측 관절공간협착의 OARSI 등급(medial joint space narrowing OARSI grade, JSNM) 및 외측 관절공간협착의 OARSI 등급(lateral joint space narrowing OARSI grade, JSNL) 중 최대값(JSNMAX)을 제2연산값으로 취한 후, 제1연산값과 제2연산값을 입력값으로 적용하고 켈그렌 로렌스 등급 값을 타겟값으로 적용하여 학습되어, 무릎 이미지의 골관절염 위중도를 수정된 켈그렌 로렌스 등급으로 도출하도록 학습된다.
한편, 프로세서(111)는 제1학습모델, 제2학습모델 및/또는 제3학습모델 중 필요에 따라 가장 균형 잡힌 정확도를 보이는 학습모델 또는 사용하기 용이한 학습모델을 선택하여 본 골관절염 자동 분석 장치(100)의 학습모델로 취할 수 있다.
도 9는 본 발명의 일 실시예에 따른 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치를 통해 정의되는 변환등급의 분류 기준을 나타낸 도면으로, 본 골관절염 자동 분석 장치가 제1학습모델을 학습모델로 취한 경우의 변환등급의 분류 기준을 나타낸 도면이다.
도 9를 참조하면, 프로세서(111)는 의사결정트리 모델(decision tree model)을 기반으로 학습된 학습모델에 분석 대상인 무릎 이미지(즉, 학습에 사용된 무릎 이미지와는 상이한 무릎 이미지)의 제1연산값과 제2연산값을 각각 입력값으로 입력한 후, 프로세서(111)는 학습된 의사결정트리 기반의 학습모델에 분석 대상인 무릎 이미지의 골관절염 위중도를 수정된 켈그렌 로렌스 등급인 변환등급으로, 즉 제0변환등급(mKLG0), 제1변환등급(mKLG1), 제2변환등급(mKLG2), 제3변환등급(mKLG3) 또는 제4변환등급(mKLG4)으로 분류하는데, 이를 통해 구조적 변형이 비선형적으로 진행하는 무릎의 골관절염을 효과적으로 평가할 수 있음과 동시에 켈그렌 로렌스 분류법에서 서로 다른 정의를 사용하여 발생하는 불일치를 방지할 수 있다.
구체적으로, 제0변환등급(mKLG0)은 제1연산값 및 제2연산값이 각각 0인 경우의 등급이다. 또한, 제1변환등급(mKLG1)은 제1연산값이 1이고 제2연산값이 0인 경우이거나(mKLG1J), 제1연산값이 0이고 제2연산값이 1인 경우(mKLG1O)의 등급이다. 또한, 제2변환등급(mKLG2)은 제1연산값이 1이고 제2연산값이 1인 경우(mKLG2J)이거나, 제1연산값이 2 이상이고 제2연산값이 0인 경우(mKLG2O)이거나, 제1연산값이 2 이상이고 제2연산값이 1인 경우(mKLG2O)의 등급이다. 또한, 제3변환등급(mKLG3)은 제2연산값이 2인 경우의 등급이다. 또한, 제4변환등급(mKLG4)은 제2연산값이 3인 경우의 등급이다.
도 10은 본 발명의 일 실시예에 따른 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치를 이용한 실험에서 참여자들의 인구통계학적 특성 및 기준선 특성을 나타낸 도면이고, 도 11은 본 발명의 일 실시예에 따른 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치를 이용한 실험에서 수정된 켈그렌 로렌스 등급과 기존의 켈그렌 로렌스 등급을 OAI 데이터 세트에서 비교한 것을 나타낸 도면이고, 도 12는 본 발명의 일 실시예에 따른 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치의 테스트 데이터 세트, 전체 개발 데이터 세트, 최종 모델별 외부 검증 데이터 세트의 혼동 행렬을 나타낸 도면이고, 도 13은 본 발명의 일 실시예에 따른 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치를 이용한 실험에서 통증 및 기능 제한 평가를 나타낸 도면이고, 도 14는 본 발명의 일 실시예에 따른 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치를 이용한 실험에서 통증, 기능적 제한에 대한 95% 신뢰구간에서의 non-inferiority test 결과를 나타낸 도면이고, 도 15는 본 발명의 일 실시예에 따른 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치를 이용한 실험에서 제3변환등급 이상으로의 진행을 분석하는데 사용된 추정 생존 곡선을 나타낸 도면이고, 도 16은 본 발명의 일 실시예에 따른 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치를 이용한 실험에서 mKLG에 따른 중도절단된 데이터의 분포를 나타낸 도면이고, 도 17은 본 발명의 일 실시예에 따른 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치를 이용한 실험에서 mKLG 하위 그룹의 생존 시간 비교를 나타낸 도면이고, 도 18은 본 발명의 일 실시예에 따른 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치를 이용한 실험에서 mKLG에 따른 예상 생존을 나타낸 도면이고, 도 19는 본 발명의 일 실시예에 따른 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치를 이용한 실험에서 변환등급을 기준으로 48개월 추적 관찰 시 무릎 골관절염의 진행도를 나타낸 도면이다.
본 골관절염 자동 분석 장치(100)의 성능을 실험하기 위해 두 개의 공개된 무릎 골관절염 데이터 세트의 방사선 사진 등급 데이터를 후향적으로 분석하였다.
OAI(osteoarthritis initiative) 데이터 세트(https://nda.nih.gov/oai/)는 8년의 추적 조사기간(0~96개월) 동안 X선, 자기공명영상(MRI) 및 기타 조사를 수행한 4,796명의 참가자에 대한 종단 연구였다. 또한, MOST(multicenter osteoarthritis) 데이터 세트(https://most.ucsf.edu/)는 OAI 데이터 세트에 포함되지 않은 3,206명의 환자에 대한 유사한 연구였으며 4개의 후속 영상 검사(0~84개월)가 포함되었다. 두 데이터 세트에는 양쪽 무릎 각각에서의 2개의 구획(즉, 내측 및 외측)에 대한 KLG(켈그렌 로렌스 분류법) 및 JSN(관절공간협착) 등급과 4개의 구획(즉, 내측 대퇴골(FM), 외측 대퇴골(FM), 내측 경골(TM) 및 외측 경골(TL))에서의 골극 등급이 포함되었다. 양쪽 무릎에 대해, 두 데이터 세트에는 X선 빔 각도가 5~15°인 synaflexer 위치 지정 프레임을 사용하여 얻은 고정 굴곡 양측 전후방(PA) X선 이미지도 포함되었다.
실험에서는 모든 구획에 대해 KLG 등급 또는, OARSI JSN 또는 골극 등급이 없는 무릎은 제외되었다. 정수가 아닌 OARSI JSN 또는 골극 등급을 가진 무릎도 제외되었다. 최종적으로, OAI 데이터 세트에서 2,776명의 환자로부터 총 5,322개의 무릎 이미지와, MOST 데이터 세트에서 3,026명의 환자로부터 5,482개의 무릎 이미지가 포함되었다.
OAI 데이터 세트는 방사선 등급 데이터의 신뢰성에 관한 데이터를 제공하였다. 신뢰성은 3~9개월 간격으로 얻은 두 가지 측정값을 기반으로 평가되었다. KLG, JSN 및 골극 중증도 데이터의 Cohen's kappa index는 각각 0.70~0.80, 0.75~0.88 및 0.69~0.82였다.
실험은 SAS 소프트웨어(버전 9.4; SAS Institute, Cary, NC, USA) 및 Python 3.8(Python Software Foundation, https://www.python.org/)을 사용하여 수행되었다. 또한, OARSI 등급을 기반으로 mKLG에 대한 기준을 개발하기 위해 의사결정 트리 알고리즘을 사용하였으며, 워크플로우는 도 7에 도시된 바와 같다.
JSN 심각도, 골극 심각도 및 수는 기존의 KLG 등급을 기반으로 등급이 매겨졌다. 내측 및 외측 구획의 JSN과 FM, FL, TM 및 TL 구획의 골극 형성은 OAI 및 MOST 데이터 세트의 방사선 데이터에 대해 등급이 매겨졌다. JSN(내측 및 외측)에 대해 각 무릎에 2개의 등급을 할당하고 골극에 대해 4개의 등급(FM, FL, TM 및 TL)을 할당하였다. 변수는 내측 및 외측 구획에 대한 최대 OARSI JSN 등급, FM, FL, TM 및 TL 구획에 대한 골극 OARSI 등급의 합, FM, FL, TM 및 TL 구획 중 최대 OARSI 골극 등급 및 골극의 수(즉, FM, FL, TM 및 TL 구획 중 OARSI 등급 ≥ 1인 골극이 있는 구획의 총 수)로 확정하였다.
실험에서는 세 가지 의사결정트리 학습모델(제1학습모델, 제2학습모델 및 제3학습모델)이 만들어지고 평가되었으며, 제1학습모델, 제2학습모델 및 제3학습모델에 대한 상세한 내용은 전술한 바와 같다. OAI 데이터 세트에 대한 기준선 방사선 사진 등급 데이터가 개발 데이터 세트로 사용되었다. 내부 검증을 위해 데이터를 훈련 데이터 세트와 테스트 데이터 세트(KLG로 계층화, 7:3 비율)로 나누었다. MOST 데이터 세트의 기준선 방사선 사진 등급 데이터는 외부 검증에 사용되었다. 균형 잡힌 정확도는 모델 성능을 평가하기 위한 지표로 사용되었다. 최종 기준의 민감도와 특이성은 OAI 데이터 세트를 사용하여 평가되었다.
OAI 데이터 세트는 중요한 임상 결과와 관련하여 mKLG(modified KLG, 즉 변환등급)를 평가하는데 사용되었다.
기준선에서의 통증(pain)은 Western Ontario 및 McMaster Universities 관절염 지수(WOMAC, 점수 범위: 0~20)를 사용하여 평가되었다. 무릎 통증은 보통(점수: 4~7) 또는 중증(점수: ≥8)으로 분류되었다. 통증 점수는 전체 모집단에 상대적으로 표시되었다. 단일 참가자의 두 무릎에 대한 측정 간의 상관관계를 가정하고 공변량이 없는 일반화된 추정 방정식 모델을 사용하여 통증을 평가하였다.
기준선에서의 기능은 WOMAC 기능 점수(범위: 0~60)를 사용하여 평가되었다. 무릎의 기능적 제한(functional limitation)은 보통(점수: 20~34) 또는 중증(점수: ≥35)으로 분류되었다. 기능 점수는 전체 모집단에 상대적으로 표시되었다. 공변량이 없는 일반화된 추정 방정식 모델을 사용하여 기능적 제한을 평가하였다.
질병 진행(disease progression)은 KLG≥3으로 정의하였다. 구조적 기형의 영향을 평가하기 위해 mKLG1과 mKLG2 간의 생존 시간을 비교하였다. 모수적 노쇠 모델(parametric frailty model)은 군집과 구간 중도절단된 생존 시간을 비교하는데 사용되었다. 생존 시간은 Weibull 분포를 따른다고 가정하였다. 노쇠 등급은 정규 분포를 따르는 것으로 가정하였다. 구간 중도절단된 데이터에 비모수적 방법을 적용하여 무진행 생존을 추정하였다.
도 10을 참조하면, OAI 및 MOST 데이터 세트의 평균 연령은 각각 62.4±9.0세 및 62.4±8.0세였다. 평균 체질량 지수(BMI)는 OAI 및 MOST 데이터 세트에 대해 각각 29.5±4.8kg/m2 및 30.6±5.9kg/m2였다. KLG 등급 2(42.9%) 및 0(43.7%)은 각각 OAI 및 MOST 데이터 세트에서 환자의 가장 큰 비율을 차지하였다. OAI 군집의 평균 추적 기간은 55.6±24.5개월이었다.
3가지 학습모델 중 골극 등급을 합산한 모델(즉, 제1학습모델)이 가장 균형 잡힌 정확도(내부: 0.934, 외부: 0.936)를 보여 최종 모델로 선정되었다. 그러나 골극의 수를 기반으로 한 모델(즉, 제2학습모델)도 비슷한 균형 정확도를 보였다(내부: 0.931, 외부: 0.934). 다만 골극의 수를 기반으로 한 모델이 더 편리한 기준이 될 수 있다. 이는 골극의 합 기준은 네 구획 모두의 골극 등급을 평가해야 하는데 비해, 골극의 수 기준은 4개의 구획에 대해 존재(1등급) 또는 부재(0등급)만을 요구하기 때문이다. 최대 골극 등급을 기반으로 한 모델(즉, 제3학습모델)은 균형 정확도 측면에서 조금 떨어지는 결과를 보였다(내부: 0.868, 외부: 0.866).
도 9를 참조하면, 최종 결정된 학습모델(즉, 제1학습모델)에 따르면 mKLG1의 기준은 골극이 없는 최대 JSN 등급 1(즉, KLG1J) 또는 JSN이 없는 단일 등급 1 골극(즉, KLG2O)였다. mKLG2의 기준은 최대 JSN 등급이 1이고 골극 등급의 합이 1이상(즉, KLG2J)이거나 JSN이 없는 골극 등급의 합이 2 이상(즉, KLG2O)였다. KLG3와 KLG4의 기준은 각각 최대 JSN 2등급과 3등급이었다.
도 11 및 도 12를 참조하면, OAI 데이터 세트를 참조로 사용하여 mKLG의 민감도와 특이도를 기존의 KLG와 비교하였다. mKLG0, mKLG1, mKLG2, mKLG3, mKLG4의 민감도와 특이도는 도 11과 같았다. mKLG2의 민감도와 특이도는 각각 0.779와 0.960이었다. 외부 검증에 따른 혼동 매트릭스, 민감도 및 특이성은 도 12와 같았다.
도 13을 참조하면, 보통 통증의 발생률은 mKLG 시스템을 사용할 때 거의 20%에서 70%로 증가했으며 중증의 통증, 보통 기능적 제한 및 중증 기능적 제한은 곡선적으로 증가하였다. mKLG1J와 mKLG1O 사이, 또는 mKLG2J와 mKLG2O 사이에서 보통/중증 통증 또는 보통/중증 기능적 제한 측면에서 통계적으로 유의한 차이는 나타나지 않았다. 도 14는 이에 대한 Non-inferiority test 결과이다.
mKLG≥3으로 정의된 질병 진행은 mKLG1J와 mKLG1O 사이, mKLG2J와 mKLG2O 사이에서 비교되었다. 도 15는 mKLG1 및 mKLG2에 대한 추정된 생존 곡선을 나타낸 것으로, 도 15를 참조하면 단변량 분석에서 mKLG1O 및 mKLG1J에 대한 평균 생존 시간의 비율은 1.84(95% 신뢰 구간(CI): 1.30~2.61, p=0.0006)였다. mKLG2O 및 mKLG2J의 경우 5.41(95% CI: 3.69~7.94, p＜0.0001)이었다. 연령, 성별 및 BMI를 조정한 후 mKLG1O 및 mKLG1J의 평균 생존 시간 비율은 1.87(95% CI: 1.31~2.67, p=0.0006)인 반면 mKLG2O 및 mKLG2J의 경우 평균 생존 시간의 비율은 5.42(95% CI: 3.69~7.96, p＜0.0001)이었다. mKLG에 따른 중도절단된 데이터의 분포 및 추정된 생존은 도 16 내지 18에 나타난 바와 같다.
도 19는 48개월 추적 관찰에서 무릎 골관절염의 진행을 각 mKLG 등급에 대한 기준 인구의 비율로 나타낸 것으로, 도 19를 참조하면 48개월의 추적 관찰에서 mKLG2J의 19.7%는 mKLG≥3으로 진행한 반면, mKLG2O의 4.8%는 mKLG≥3으로 진행하였다.
상술한 실험 결과에 기초한 본 발명에 따르면, 구조적 변형이 비선형적으로 진행하는 무릎의 골관절염을 효과적으로 평가할 수 있으며, 기존의 켈그렌 로렌스 분류법의 서로 다른 정의를 사용하여 발생하는 불일치를 방지할 수 있을 것으로 기대된다.
도 20은 본 발명의 일 실시예에 따른 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 방법(이하 "본 골관절염 자동 분석 방법"이라 함)의 과정을 나타낸 순서도이다.
도 20을 참조하면, 본 골관절염 자동 분석 방법은 외부 기기장치, 예를 들어 카메라 혹은 컴퓨팅장치(110)와 연동되는 타장치(미도시)로부터 무릎 이미지를 획득하면, 프로세서(111)는 OARSI(osteoarthritis research society international) 등급 분류를 기초로 무릎 이미지를 전처리함으로써 골극의 OARSI 등급(osteophyte OARSI grade)을 추출하여 골극의 OARSI 등급의 연산값인 제1연산값을 도출하고, 관절공간협착의 OARSI 등급(joint space narrowing OARSI grade)을 추출하여 관절공간협착의 OARSI 등급의 연산값인 제2연산값을 도출한다(S100). 이후, 프로세서(111)는 학습된 기계 학습모델에 제1연산값과 제2연산값을 각각 입력값으로 입력한다(S200). 이후, 프로세서(111)는 기계 학습모델을 통해 무릎 이미지의 골관절염 위중도를 제0변환등급, 제1변환등급, 제2변환등급, 제3변환등급 또는 제4변환등급으로 분류한다(S300).
상술한 본 골관절염 자동 분석 방법에서 프로세서(111)의 동작에 대해서는 도 1 내지 도 19에서 전술한 내용과 동일하므로 이에 대한 구체적인 설명은 생략한다.
위 실시예에서와 같이, 본 발명이 소프트웨어 및 하드웨어의 결합을 통하여 달성되거나 하드웨어만으로 달성될 수 있다는 점을 명확하게 이해할 수 있다. 본 발명의 기술적 해법의 대상물 또는 선행 기술들에 기여하는 부분들은 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 기계 판독 가능한 기록 매체에 기록될 수 있다. 상기 기계 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 기계 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야의 통상의 기술자에게 공지되어 사용 가능한 것일 수도 있다.
기계 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다.
상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다. 상기 하드웨어 장치는, 프로그램 명령어를 저장하기 위한 ROM/RAM 등과 같은 메모리와 결합되고 상기 메모리에 저장된 명령어들을 실행하도록 구성되는 CPU나 GPU와 같은 프로세서를 포함할 수 있으며, 외부 장치와 신호를 주고받을 수 있는 통신부를 포함할 수 있다. 덧붙여, 상기 하드웨어 장치는 개발자들에 의하여 작성된 명령어들을 전달받기 위한 키보드, 마우스, 기타 외부 입력장치를 포함할 수 있다.
이상과 같이 본 발명에 따른 실시예를 살펴보았으며, 앞서 설명된 실시예 이외에도 본 발명이 그 취지나 범주에서 벗어남이 없이 다른 특정 형태로 구체화될 수 있다는 사실은 해당 기술에 통상의 지식을 가진 이들에게는 자명한 것이다. 그러므로, 상술된 실시예는 제한적인 것이 아니라 예시적인 것으로 여겨져야 하고, 이에 따라 본 발명은 상술한 설명에 한정되지 않고 첨부된 청구항의 범주 및 그 동등 범위 내에서 변경될 수도 있다.
110 : 컴퓨팅 장치
111 : 프로세서
113 : 메모리부
115 : 스토리지 디바이스
117 : 입출력 인터페이스
118 : 네트웍 어댑터
119 : 디스플레이 어댑터
130 : 디스플레이 디바이스
150 : 카메라

Claims (8)

  1. 프로세서; 및
    상기 프로세서에 의해 수행되도록 구현된 하나 이상의 명령어(instructions)를 포함하는 메모리를 포함하고, 상기 프로세서는,
    OARSI(osteoarthritis research society international) 등급 분류를 기초로 무릎 이미지를 전처리함으로써 골극의 OARSI 등급(osteophyte OARSI grade)을 추출하여 상기 골극의 OARSI 등급의 연산값인 제1연산값을 도출하고, 관절공간협착의 OARSI 등급(joint space narrowing OARSI grade)을 추출하여 상기 관절공간협착의 OARSI 등급의 연산값인 제2연산값을 도출하고;
    학습된 기계 학습모델에 상기 제1연산값과 상기 제2연산값을 각각 입력값으로 입력하고,
    상기 기계 학습모델을 통해 상기 무릎 이미지의 골관절염 위중도를 제0변환등급, 제1변환등급, 제2변환등급, 제3변환등급 또는 제4변환등급으로 분류하는 것을 특징으로 하는 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치.
  2. 청구항 1에 있어서,
    상기 제2연산값은,
    내측 관절공간협착의 OARSI 등급(medial joint space narrowing OARSI grade) 및 외측 관절공간협착의 OARSI 등급(lateral joint space narrowing OARSI grade) 중 최대값인 것을 특징으로 하는 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치.
  3. 청구항 2에 있어서,
    상기 제1연산값은,
    내측 경골 골극의 OARSI 등급(medial femur osteophyte OARSI grade), 외측 경골 골극의 OARSI 등급(lateral femur osteophyte OARSI grade), 내측 대퇴골 골극의 OARSI 등급(medial tibia osteophyte OARSI grade) 및 외측 대퇴골 골극의 OARSI 등급(lateral tibia osteophyte OARSI grade)의 합인것을 특징으로 하는 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치.
  4. 청구항 2에 있어서,
    상기 제1연산값은,
    내측 경골 골극의 OARSI 등급(medial femur osteophyte OARSI grade), 외측 경골 골극의 OARSI 등급(lateral femur osteophyte OARSI grade), 내측 대퇴골 골극의 OARSI 등급(medial tibia osteophyte OARSI grade) 및 외측 대퇴골 골극의 OARSI 등급(lateral tibia osteophyte OARSI grade) 중에서 1등급 이상인 값의 개수인 것을 특징으로 하는 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치.
  5. 청구항 2에 있어서,
    상기 제1연산값은,
    내측 경골 골극의 OARSI 등급(medial femur osteophyte OARSI grade), 외측 경골 골극의 OARSI 등급(lateral femur osteophyte OARSI grade), 내측 대퇴골 골극의 OARSI 등급(medial tibia osteophyte OARSI grade) 및 외측 대퇴골 골극의 OARSI 등급(lateral tibia osteophyte OARSI grade) 중 최대값인 것을 특징으로 하는 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치.
  6. 청구항 3에 있어서,
    상기 제0변환등급은,
    상기 제1연산값 및 상기 제2연산값이 각각 0인 경우의 등급이고,
    상기 제1변환등급은,
    상기 제1연산값이 1이고 상기 제2연산값이 0인 경우이거나, 상기 제1연산값이 0이고 상기 제2연산값이 1인 경우의 등급이고,
    상기 제2변환등급은,
    상기 제1연산값이 1이고 상기 제2연산값이 1인 경우이거나, 상기 제1연산값이 2 이상이고 상기 제2연산값이 0인 경우이거나, 상기 제1연산값이 2 이상이고 상기 제2연산값이 1인 경우의 등급이고,
    상기 제3변환등급은,
    상기 제2연산값이 2인 경우의 등급이고,
    상기 제4변환등급은,
    상기 제2연산값이 3인 경우의 등급인 것을 특징으로 하는 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치.
  7. 청구항 1에 있어서,
    상기 기계 학습모델은,
    전처리된 복수의 상기 무릎 이미지의 상기 제1연산값과 상기 제2연산값을 입력값으로 적용하고, 켈그렌 로렌스 등급(kellgren-lawrence grade) 값을 타겟값으로 적용하여 학습되는 것을 특징으로 하는 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치.
  8. 프로세서에 의해 무릎 이미지의 골관절염 위중도를 수정된 켈그렌 로렌스 분류법을 이용하여 자동 분석하는 방법에 있어서,
    상기 프로세서가 OARSI(osteoarthritis research society international) 등급 분류를 기초로 무릎 이미지를 전처리함으로써 골극의 OARSI 등급(osteophyte OARSI grade)을 추출하여 상기 골극의 OARSI 등급의 연산값인 제1연산값을 도출하고, 관절공간협착의 OARSI 등급(joint space narrowing OARSI grade)을 추출하여 상기 관절공간협착의 OARSI 등급의 연산값인 제2연산값을 도출하는 단계;
    상기 프로세서가 학습된 기계 학습모델에 상기 제1연산값과 상기 제2연산값을 각각 입력값으로 입력하는 단계; 및
    상기 프로세서가 상기 기계 학습모델을 통해 상기 무릎 이미지의 골관절염 위중도를 제0변환등급, 제1변환등급, 제2변환등급, 제3변환등급 또는 제4변환등급으로 분류하는 단계를 포함하는 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 방법.
KR1020220094041A 2022-07-28 2022-07-28 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치 및 방법 KR20240016027A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220094041A KR20240016027A (ko) 2022-07-28 2022-07-28 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220094041A KR20240016027A (ko) 2022-07-28 2022-07-28 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20240016027A true KR20240016027A (ko) 2024-02-06

Family

ID=89858888

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220094041A KR20240016027A (ko) 2022-07-28 2022-07-28 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치 및 방법

Country Status (1)

Country Link
KR (1) KR20240016027A (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210081770A (ko) 2019-12-24 2021-07-02 한국전자통신연구원 골관절염 예측 정보 제공 방법 및 장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210081770A (ko) 2019-12-24 2021-07-02 한국전자통신연구원 골관절염 예측 정보 제공 방법 및 장치

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Altman RD, Gold GE. Atlas of individual radiographic features in osteoarthritis, revised. Osteoarthritis Cartilage 2007;15 Suppl A:A1-56. doi: 10.1016/j.joca.2006.11.009 [published Online First: 2007/02/27]
Kellgren JH, Lawrence JS. Radiological assessment of osteo-arthrosis. Ann Rheum Dis 1957;16(4):494-502. doi: 10.1136/ard.16.4.494 [published Online First: 1957/12/01]

Similar Documents

Publication Publication Date Title
Aslan et al. CNN-based transfer learning–BiLSTM network: A novel approach for COVID-19 infection detection
Su et al. Lung nodule detection based on faster R-CNN framework
Usman et al. Analyzing transfer learning of vision transformers for interpreting chest radiography
Rangarajan et al. A preliminary analysis of AI based smartphone application for diagnosis of COVID-19 using chest X-ray images
Gatta et al. Towards a modular decision support system for radiomics: A case study on rectal cancer
Attanasio et al. Artificial intelligence, radiomics and other horizons in body composition assessment
Khanna et al. Radiologist-level two novel and robust automated computer-aided prediction models for early detection of COVID-19 infection from chest X-ray images
Hussain et al. Deep learning-based diagnosis of disc degenerative diseases using MRI: a comprehensive review
Feng et al. Deep learning for chest radiology: a review
Wang et al. Semantic-powered explainable model-free few-shot learning scheme of diagnosing COVID-19 on chest x-ray
KR102622932B1 (ko) 딥러닝을 이용한 하지 x선 이미지 자동 분석 장치 및 방법
Üreten et al. Detection of hand osteoarthritis from hand radiographs using convolutionalneural networks with transfer learning
Nidhin Raju et al. Identification of interstitial lung diseases using deep learning
Shavlokhova et al. Finetuning of GLIDE stable diffusion model for AI-based text-conditional image synthesis of dermoscopic images
Kumar et al. Deep-learning-enabled multimodal data fusion for lung disease classification
Zourhri et al. Deep learning technique for classification of breast cancer using ultrasound images
Etehadtavakol et al. Enhanced thyroid nodule segmentation through U-Net and VGG16 fusion with feature engineering: A comprehensive study
Constant et al. The use of deep learning in medical imaging to improve spine care: A scoping review of current literature and clinical applications
Mahamud et al. An explainable artificial intelligence model for multiple lung diseases classification from chest X-ray images using fine-tuned transfer learning
Saravagi et al. Predicting lumbar spondylolisthesis: a hybrid deep learning approach
Waseem Sabir et al. FibroVit—Vision transformer-based framework for detection and classification of pulmonary fibrosis from chest CT images
Khalid et al. Automated Cobb’s Angle Measurement for Scoliosis Diagnosis Using Deep Learning Technique
KR20240016027A (ko) 수정된 켈그렌 로렌스 분류법을 이용한 골관절염 자동 분석 장치 및 방법
Li et al. Detection of hidden pediatric elbow fractures in X-ray images based on deep learning
Priya et al. An intellectual caries segmentation and classification using modified optimization-assisted transformer denseUnet++ and ViT-based multiscale residual denseNet with GRU

Legal Events

Date Code Title Description
E902 Notification of reason for refusal