KR20240063490A - 인공지능 기반 흑색종 생검 부위를 추천하는 전자장치 및 방법 - Google Patents

인공지능 기반 흑색종 생검 부위를 추천하는 전자장치 및 방법 Download PDF

Info

Publication number
KR20240063490A
KR20240063490A KR1020220145165A KR20220145165A KR20240063490A KR 20240063490 A KR20240063490 A KR 20240063490A KR 1020220145165 A KR1020220145165 A KR 1020220145165A KR 20220145165 A KR20220145165 A KR 20220145165A KR 20240063490 A KR20240063490 A KR 20240063490A
Authority
KR
South Korea
Prior art keywords
melanoma
image
skin
skin image
candidate
Prior art date
Application number
KR1020220145165A
Other languages
English (en)
Inventor
한주희
박지호
박영민
이지현
방철환
이우협
문정욱
Original Assignee
가톨릭대학교 산학협력단
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 가톨릭대학교 산학협력단 filed Critical 가톨릭대학교 산학협력단
Priority to KR1020220145165A priority Critical patent/KR20240063490A/ko
Priority to US18/385,925 priority patent/US20240153075A1/en
Publication of KR20240063490A publication Critical patent/KR20240063490A/ko

Links

Classifications

    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • 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
    • A61B5/44—Detecting, measuring or recording for evaluating the integumentary system, e.g. skin, hair or nails
    • A61B5/441—Skin evaluation, e.g. for skin disorder diagnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
    • 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
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30088—Skin; Dermal

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Dermatology (AREA)
  • Veterinary Medicine (AREA)

Abstract

본 발명의 일 실시예에 따른 인공지능 기반 흑색종 생검 부위를 추천하는 전자장치에 있어서, 분류 모델을 이용하여 입력되는 피부 영상이 흑색종인지 모반인지 분류하고, 상기 피부 영상이 흑색종으로 분류되는 경우, 생성 모델을 이용하여 상기 피부 영상 내 흑색종 특징을 식별하여 상기 흑색종 특징이 제거된 영상을 생성하고, 상기 피부 영상과 상기 생성된 영상을 비교하여 적어도 하나의 후보 생검 부위를 식별하는 프로세서를 포함한다.

Description

인공지능 기반 흑색종 생검 부위를 추천하는 전자장치 및 방법{Electronic device for AI-based recommendation of melanoma biopsy site and method performing the same}
본 발명은 흑색종 생검 부위를 추천하는 전자장치 및 방법에 관한 것이다.
흑색종은 멜라닌 세포, 주로 피부에 발생하는 악성 종양이다. 다양한 유형의 피부암 중에서 흑색종은 잠재적으로 가장 위험한 유형이며 피부암 사망률의 약 90%를 차지한다. 세계보건기구(WHO)는 2040년까지 흑색종의 빈도수와 사망자수가 꾸준히 증가할 것으로 보고 있지만, 다행인 것은 흑색종은 조기 진단이 되면 예후가 좋다는 점이다.
흑색종에서 긍정적인 예후를 달성하기 위해서는 조기 진단과 1차 접근이 중요하다. 피부암을 진단하는 데 가장 좋은 방법은 조직검사이다. 그러나 조직검사는 침습적인 검사이기 때문에 합병증이 발생할 수 있고, 부적절한 조직검사에 따라 위음성 결과가 나올 수 있다.
조직 검사의 방법으로는 종양전체와 정상조직 가장자리를 절제해서 조직을 채취하는 절제생검(excisional biopsy)이 표준 진단법으로 사용되고, 만일 병변이 크거나 피부의 이완이 제한된 경우 절개 또는 펀치 생검(punch biopsy)이 흔히 사용된다.
한 연구에 따르면, 3차의료기관에서 실시한 흑색종 조직검사 중 펀치 생검 의 위음성 비율은 23.3%로, 다른 절제 생검이나 면도 생검(shave biopsy)의 위음성 비율이 각각 1.7%, 4.5% 인 것에 비해 매우 높다는 결과가 나왔다. 이처럼 펀치 생검의 위음성율이 높음에도 불구하고, 그 편리성으로 인해 여전히 대부분의 기관에서 자주 사용되고 있다.
한편, 피부확대경술(Dermoscopy)은 색소 병변의 감별 진단을 명확히 하고, 펀치 생검의 단점을 보완할 수 있는 비침습적 진단 도구이다. 피부확대경술의 적절한 사용은 흑색종 진단에서 더 높은 민감도와 특이도로 이어질 수 있다. 그러나 사용자의 시술 경험에 의존되어 그 정확도가 떨어질 수 있으며 오진의 위험이 있다.
따라서, 펀치 생검의 범용성을 고려할 뿐 아니라 상황에 따른 적절한 생검 방법을 사용하여 적절한 결과를 얻기 위해서는, 적합한 생검 부위를 찾아 검사하는 것이 매우 중요하다.
본 발명의 목적은 보다 정확한 생검 결과를 도출하기 위한 흑색종 생검 부위를 추천하는 전자장치 및 방법을 제공하는 것이다.
본 발명의 목적은 생검의 비침습적인 보완책으로서 흑색종 생검 부위를 추천하는 전자장치 및 방법을 제공하는 것이다.
본 발명의 일 실시예에 따른 인공지능 기반 흑색종 생검 부위를 추천하는 전자장치에 있어서, 분류 모델을 이용하여 입력되는 피부 영상이 흑색종인지 모반인지 분류하고, 상기 피부 영상이 흑색종으로 분류되는 경우, 생성 모델을 이용하여 상기 피부 영상 내 흑색종 특징을 식별하여 상기 흑색종 특징이 제거된 영상을 생성하고, 상기 피부 영상과 상기 생성된 영상을 비교하여 적어도 하나의 후보 생검 부위를 식별하는 프로세서를 포함한다.
상기 프로세서는, 상기 피부 영상과 상기 생성된 영상의 픽셀별 색상에 따른 픽셀값을 식별하고, 상기 피부 영상과 상기 생성된 영상의 대응되는 픽셀들의 픽셀값들을 비교하여 적어도 하나의 후보 생검 부위를 식별할 수 있다.
상기 프로세서는, 상기 픽셀별 색상의 RGB값에 따라 상기 픽셀값들을 R(Red), G(Green), B(Blue)를 각각 축으로 하는 3차원 좌표값들로 식별할 수 있다.
상기 프로세서는, 상기 피부 영상과 상기 생성된 영상의 대응되는 픽셀들의 좌표값들을 이용하여 픽셀별로 픽셀 간 거리를 계산하고, 상기 픽셀 간 거리에 기초하여 기 정의된 수의 픽셀을 상기 적어도 하나의 후보 생검 부위로 식별할 수 있다.
상기 프로세서는, 상기 피부 영상의 상기 적어도 하나의 후보 생검 부위 상에 후보 생검 부위 별 우선 순위를 매핑하여 표시할 수 있다.
상기 프로세서는, 상기 피부 영상 및 상기 생성된 영상을 가우시안 필터로 필터링하여 사용할 수 있다.
상기 분류 모델은 복수의 흑색종 영상 및 복수의 모반 영상을 포함하는 복수의 피부 영상과 각 피부 영상이 흑색종인지 모반인지에 대한 정답 정보를 학습데이터로 하여 입력되는 피부 영상이 흑색종인지 모반인지 분류하도록 학습된 것을 특징으로 한다.
상기 생성 모델은 복수의 흑색종 영상 및 복수의 모반 영상을 포함하는 복수의 피부 영상으로부터 흑색종 특징과 모반 특징을 식별하여 상기 흑색종 영상 내 흑색종 특징이 제거된 영상을 생성하도록 학습된 것을 특징으로 한다.
본 발명의 일 실시예에 따른 전자장치에 의해 수행되는 인공지능 기반 흑색종 생검 부위를 추천하는 방법에 있어서, 분류 모델을 이용하여 입력되는 피부 영상이 흑색종인지 모반인지 분류하는 단계; 상기 피부 영상이 흑색종으로 분류되는 경우, 생성 모델을 이용하여 상기 피부 영상 내 흑색종 특징을 식별하여 상기 흑색종 특징이 제거된 영상을 생성하는 단계; 상기 피부 영상과 상기 생성된 영상을 비교하여 적어도 하나의 후보 생검 부위를 식별하는 단계를 포함한다.
상기 적어도 하나의 후보 생검 부위를 식별하는 단계는, 상기 피부 영상과 상기 생성된 영상의 픽셀별 색상에 따른 픽셀값을 식별하는 단계; 상기 피부 영상과 상기 생성된 영상의 대응되는 픽셀들의 픽셀값들을 비교하여 적어도 하나의 후보 생검 부위를 식별하는 단계를 포함할 수 있다.
상기 픽셀값을 식별하는 단계는, 상기 픽셀별 색상의 RGB값에 따라 상기 픽셀값들을 R(Red), G(Green), B(Blue)를 각각 축으로 하는 3차원 좌표값들로 식별하는 단계를 포함할 수 있다.
상기 적어도 하나의 후보 생검 부위를 식별하는 단계는, 상기 피부 영상과 상기 생성된 영상의 대응되는 픽셀들의 좌표값들을 이용하여 픽셀별로 픽셀 간 거리를 계산하는 단계; 상기 픽셀 간 거리에 기초하여 기 정의된 수의 픽셀을 상기 적어도 하나의 후보 생검 부위로 식별하는 단계를 포함할 수 있다.
상기 피부 영상의 상기 적어도 하나의 후보 생검 부위 상에 후보 생검 부위 별 우선 순위를 매핑하여 표시하는 단계를 더 포함할 수 있다.
상기 적어도 하나의 후보 생검 부위를 식별하는 단계는, 상기 피부 영상 및 상기 생성된 영상을 가우시안 필터로 필터링하여 사용하는 단계를 포함할 수 있다.
본 발명의 일 실시예에 따르면, 인공지능 모델들을 활용하여 피부 영상만으로도 적합한 후보 생검 위치를 식별할 수 있는 바, 비침습적으로 흑색종 조기 진단 방법을 보완할 수 있다.
본 발명의 일 실시예에 따르면, 보다 정확한 후보 생검 위치 식별을 통해 흑색종 조기 진단의 정확도를 높일 수 있다.
도 1은 본 발명의 일 실시예에 따른 흑색종 생검 부위를 추천하는 과정을 도시한 개략도이다.
도 2는 본 발명의 일 실시예에 따른 전자장치의 구성을 도시한 블럭도이다.
도 3은 본 발명의 일 실시예에 따른 전자장치의 동작 흐름도를 도시한 도면이다.
도 4는 본 발명의 일 실시예에 따른 전자장치의 동작 모습을 도시한 도면이다.
도 5는 본 발명의 일 실시예에 따른 생성 모델의 학습 과정을 도시한 도면이다.
도 6은 본 발명의 일 실시예에 따른 흑색종의 피부 영상 및 그에 대응하는 생성 영상을 도시한 도면이다.
도 7은 본 발명의 일 실시예에 따른 생검 부위 추천 영상을 도시한 도면이다.
이하, 본 발명에 따른 바람직한 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 본 발명의 예시적인 실시형태를 설명하고자 하는 것이며, 본 발명이 실시될 수 있는 유일한 실시형태를 나타내고자 하는 것이 아니다. 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략할 수 있고, 명세서 전체를 통하여 동일 또는 유사한 구성 요소에 대해서는 동일한 참조 부호를 사용할 수 있다.
도 1은 본 발명의 일 실시예에 따른 흑색종 생검 부위를 추천하는 과정을 도시한 개략도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 전자장치(100)는 입력되는 피부 영상(10)을 이용하여 적합한 생검 부위를 추천하는 장치로, 컴퓨터, 서버 등으로 구현될 수 있다.
본 발명의 일 실시예에 따른 피부 영상(10)은 환자의 피부암 진단을 위해 환부를 촬영한 영상일 수 있으며, 예를 들어, 피부 영상(10)은 피부확대경술로 촬영된 영상일 수 있다. 다만, 피부 영상(10)을 획득하는 방식 및 경로는 본 발명을 한정하지 않는다.
이때, 피부 영상(10) 상의 환부는 흑색종(melanoma)일 수 있고, 모반(nevus)일 수 있다. 이하, 피부 영상(10)이 흑색종인지 모반인지는 피부 영상(10) 상의 환부가 흑색종인지 모반인지를 나타내는 의미로 사용한다.
피부 영상(10)이 흑색종인지 모반인지 식별하는 동작은 인공지능 모델에 의해 수행될 수 있으며, 구체적인 내용은 후술한다.
만일 모반인 경우, 전자장치(100)는 추가적인 동작을 하지 않으나, 흑색종인 경우, 전자장치(100)는 적합한 생검 부위를 추천하기 위해 피부 영상(10)을 이용하여 생성 영상(20)을 생성한다. 구체적으로, 전자장치(100)는 피부 영상(10)과 근접하게 영상을 생성하되, 피부 영상(10) 상의 흑색종 특징이 제거된 생성 영상(20)을 생성한다. 생성 영상(20)을 생성하는 과정 또한, 흑색종과 모반을 식별하는 모델과 같이 인공지능 모델에 의해 수행될 수 있으며, 구체적인 내용은 후술한다.
그리고, 전자장치(100)는 흑색종 특징을 가지고 있는 피부 영상(10)과 흑색종 특징을 가지고 있지 않은 생성 영상(20)을 비교하여 영상 간 차이가 큰 위치를 후보 생검 부위(30)로 추천한다.
후보 생검 부위(30)는 피부 영상(10)내 환부에서 생검을 시행하도록 추천되는 부위를 의미한다. 후보 생검 부위(30)는 피부 영상(10)과 생성 영상(20)을 비교하는 기준에 따라 결정되는 바, 하나 이상일 수 있다.
이와 같이, 본 발명에서는 앞서 서술한 흑색종 조기진단의 한계를 극복하고 1차 의료접근을 돕기 위해, 피부 영상을 기반으로 생검 부위를 추천하는 전자장치 및 방법을 제안한다. 이를 통해, 기존 생검에 비침습적, 증강 접근 방식을 적용할 수 있다.
더불어, 인공지능 기술을 기반으로 흑색종 생검 부위를 추천하는 기술을 구현하여 의료진의 의사 결정 수준과 동등, 그 이상의 수준의 결과를 도출할 수 있고, 의료 전달 체계의 비효율성을 개선하거나, 의료 자원이 부족한 지역에서 활용되는 등 그 다양한 활용성을 기대할 수 있다.
이하, 도면들을 참조하여 본 발명의 일 실시예에 따른 전자장치의 구성 및 동작에 대해 구체적으로 설명한다.
도 2는 본 발명의 일 실시예에 따른 전자장치의 구성을 도시한 블럭도이다.
본 발명의 일 실시예에 따른 전자장치(100)는 입력부(110), 통신부(120), 표시부(130), 메모리(140), 및 프로세서(150)를 포함한다.
입력부(110)는 전자장치(100)의 사용자 입력에 대응하여 입력데이터를 발생시킨다. 예를 들어, 사용자 입력은 전자장치(100)의 동작을 시작하게 하는 사용자 입력, 피부 영상을 로딩하는 사용자 입력 등일 수 있으며, 이 외에도 피부 영상을 이용하여 후보 생검 부위를 식별하는데 필요한 사용자 입력인 경우 제한하지 않고 적용 가능하다.
입력부(110)는 적어도 하나의 입력수단을 포함한다. 입력부(110)는 키보드(key board), 키패드(key pad), 돔 스위치(dome switch), 터치패널(touch panel), 터치 키(touch key), 마우스(mouse), 메뉴 버튼(menu button) 등을 포함할 수 있다.
통신부(120)는 피부 영상, 분류 모델, 생성 모델 등을 수신하기 위해 피부확대경 등 촬영 장치, 서버 등 외부장치와의 통신을 수행한다. 이를 위해, 통신부(120)는 5G(5th generation communication), LTE-A(long term evolution-advanced), LTE(long term evolution), Wi-Fi(wireless fidelity) 등의 무선 통신 혹은 LAN(local area network), WAN(Wide Area Network), 전력선 통신 등의 유선 통신을 수행할 수 있다.
표시부(130)는 전자장치(100)의 동작에 따른 표시 데이터를 표시한다. 표시부(130)는 피부 영상, 생성 영상을 표시하는 화면, 후보 생검 부위를 표시하는 화면, 사용자 입력을 수신하기 위한 화면 등을 표시할 수 있다.
표시부(130)는 액정 디스플레이(LCD; liquid crystal display), 발광 다이오드(LED; light emitting diode) 디스플레이, 유기 발광 다이오드(OLED; organic LED) 디스플레이, 마이크로 전자기계 시스템(MEMS; micro electro mechanical systems) 디스플레이 및 전자 종이(electronic paper) 디스플레이를 포함한다. 표시부(130)는 입력부(110)와 결합되어 터치 스크린(touch screen)으로 구현될 수 있다.
메모리(140)는 전자장치(100)의 동작 프로그램들을 저장한다. 메모리(140)는 전원의 제공 유무와 무관하게 데이터(정보)를 보존할 수 있는 비휘발성 속성의 스토리지(storage)와, 프로세서(150)에 의해 처리되기 위한 데이터가 로딩되며 전원이 제공되지 않으면 데이터를 보존할 수 없는 휘발성 속성의 메모리(memory)를 포함한다. 스토리지에는 플래시메모리(flash-memory), HDD(hard-disc drive), SSD(solid-state drive) ROM(Read Only Memory) 등이 있으며, 메모리에는 버퍼(buffer), 램(RAM; Random Access Memory) 등이 있다.
메모리(140)는 외부장치로부터 수신한 피부 영상, 생성 영상, 후보 생검 부위에 관한 정보, 분류 모델, 생성 모델 등을 저장하거나, 피부 영상이 흑색종인지 모반인지 분류, 흑색종 특징을 식별하여 흑색종 특징이 제거된 영상을 생성, 피부 영상과 생성된 영상을 비교하여 적어도 하나의 후보 생검 부위를 식별, 분류 모델, 생성 모델의 학습 등을 수행하는 과정에서 필요한 연산 프로그램 등을 저장할 수 있다.
프로세서(150)는 프로그램 등 소프트웨어를 실행하여 전자장치(100)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일 실시예에 따르면, 프로세서(150)는 중앙 처리 장치(CPU) 또는 어플리케이션 프로세서 역할을 수행하는 메인 프로세서와 이와는 독립적으로 또는 함께 운영 가능한 그래픽 처리 장치(GPU)를 포함할 수 있다.
프로세서(150)는 분류 모델을 이용하여 입력되는 피부 영상이 흑색종인지 모반인지 분류하고, 피부 영상이 흑색종으로 분류되는 경우, 생성 모델을 이용하여 피부 영상 내 흑색종 특징을 식별하여 흑색종 특징이 제거된 영상을 생성하고, 피부 영상과 생성된 영상을 비교하여 적어도 하나의 후보 생검 부위를 식별한다.
이때, 프로세서(150)가 분류 모델 및/또는 생성 모델을 학습하거나, 기 학습되어 생성된 분류 모델 및/또는 생성 모델을 외부로부터 수신 및 저장하여 이용할 수 있으며 어느 하나에 한정되는 것은 아니다.
한편, 프로세서(150)는 상기 동작들을 수행하기 위한 데이터 분석, 처리, 및 결과 정보 생성 중 적어도 일부를 규칙 기반 또는 인공지능(Artificial Intelligence) 알고리즘으로서 기계학습, 신경망 네트워크(neural network), 또는 딥러닝 알고리즘 중 적어도 하나를 이용하여 수행할 수 있다. 신경망 네트워크의 예로는, DCNN(Deep Convolutional Neural Network), CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), GAN(Generative Adversarial Networks)과 같은 모델을 포함할 수 있다.
도 3은 본 발명의 일 실시예에 따른 전자장치의 동작 흐름도를 도시한 도면이다.
본 발명의 일 실시예에 따르면, 프로세서(150)는 분류 모델을 이용하여 입력되는 피부 영상이 흑색종인지 모반인지 분류한다(S10).
본 발명의 일 실시예에 따른 분류 모델은 피부 영상이 흑색종인지 모반인지 분류하도록 학습된 모델이다. 구체적으로, 분류 모델은 복수의 피부 영상과 각 피부 영상이 흑색종인지 모반인지에 대한 정답 정보를 학습데이터로 하여 입력되는 피부 영상이 흑색종인지 모반인지 분류하도록 학습된 것을 특징으로 한다. 분류 모델은 DCNN(Deep Convolutional Neural Network)을 이용하여 학습될 수 있다.
이때, 앞서 서술한 바와 같이, 프로세서(150)가 분류 모델을 학습하거나, 기 학습되어 생성된 분류 모델을 외부로부터 수신 및 저장하여 이용할 수 있다. 프로세서(150)가 분류 모델을 학습하는 경우에 대해서 설명한다.
복수의 피부 영상은 복수의 흑색종 영상 및 복수의 모반 영상을 포함할 수 있으며, 복수의 피부 영상은 공개된 데이터세트(HAM10000 흑색종 데이터세트)나, 병원에서 진료를 통해 축적된 데이터를 포함할 수 있다. 프로세서(150)는 수집한 데이터 중 부적절한 피부 영상, 예를 들어, 두피 병변 또는 저품질 영상 등은 학습데이터에서 제외시킬 수 있다. 프로세서(150)는 복수의 피부 영상을 분류 모델에 적합한 사이즈, 예를 들어 224 x 224 픽셀(단, 이에 한정되지 않음)로 조정할 수 있다.
프로세서(150)는 각 피부 영상에 정답 정보를 라벨링하여 학습데이터를 생성할 수 있다. 이때, 정답 정보는 각 피부 영상이 흑색종인지 모반인지를 나타내는 정보이다.
프로세서(150)는 학습데이터를 이용하여 입력되는 피부 영상이 흑색종인지 모반인지 분류하도록 분류 모델을 학습시킬 수 있다.
본 발명의 일 실시예에 따르면, 프로세서(150)는 피부 영상이 흑색종으로 분류되는 경우, 생성 모델을 이용하여 피부 영상 내 흑색종 특징을 식별하여 흑색종 특징이 제거된 영상(생성 영상)을 생성한다(S20).
한편, 프로세서(150)는 피부 영상이 모반으로 분류되는 경우, 분류 결과를 최종 결과로써 표시부(130)에 표시하거나, 통신부(120)를 통해 결과를 요청하는 서버, 외부 장치로 전송할 수 있다.
앞서 분류 모델을 통해 피부 영상이 흑색종으로 분류되는 경우, 프로세서(150)는 해당 피부 영상을 생성 모델에 입력한다.
본 발명의 일 실시예에 따른 생성 모델은 입력된 피부 영상과 근사한 영상을 생성하되, 그 피부 영상 내 흑색종 특징을 제거한 영상을 생성하도록 학습된 모델이다. 생성 모델은 모반의 형태학적 특성을 모방하도록 훈련될 수 있다. 즉, 입력되는 피부 영상이 흑색종 영상인 경우, 생성 모델은 입력된 피부 영상을 모방하는 모반 영상을 생성한다. 피부 영상과 그에 대응하는 생성 영상에 대한 예시들은 도 6에 도시되어 있다.
구체적으로, 생성 모델은 복수의 흑색종 영상 및 복수의 모반 영상을 포함하는 복수의 피부 영상으로부터 흑색종 특징과 모반 특징을 식별하여 흑색종 영상 내 흑색종 특징이 제거된 영상을 생성하도록 학습된 것을 특징으로 한다.
생성 모델은 GAN, 그 중에서도 styleGAN2을 이용하여 학습될 수 있으며, 구체적인 학습 과정은 도 5를 참조하여 설명한다.
본 발명의 일 실시예에 따르면, 프로세서(150)는 피부 영상과 생성된 영상을 비교하여 적어도 하나의 후보 생검 부위를 식별한다(S30).
앞서 서술한 바와 같이, 프로세서(150)는 흑색종 특징을 가지고 있는 피부 영상과 흑색종 특징을 가지고 있지 않은 생성 영상을 비교하여 영상 간 차이가 큰 위치를 후보 생검 부위로 추천할 수 있다.
이때, 영상 간 차이를 비교하기 위해 다양한 방법이 시도될 수 있으며, 일 예로 픽셀별 픽셀값을 이용하는 방법을 설명한다.
본 발명의 일 실시예에 따르면, 프로세서(150)는 피부 영상과 생성 영상의 픽셀별 색상에 따른 픽셀값을 식별하고, 피부 영상과 생성 영상의 대응되는 픽셀들의 픽셀값들을 비교하여 적어도 하나의 후보 생검 부위를 식별할 수 있다.
피부 영상, 생성 영상 등 영상은 복수의 픽셀로 이루어져 있으며, 각 픽셀별 색상에 따라 픽셀값을 가질 수 있다.
이 때, 색상을 표현하는 방법 중 하나로, 프로세서(150)는 픽셀별 색상의 RGB값에 따라 픽셀값들을 R(Red), G(Green), B(Blue)를 각각 축으로 하는 3차원 좌표값들로 식별할 수 있다. 예를 들어, 피부 영상의 어느 한 픽셀이 흰색인 경우, 픽셀값은 (255, 255, 255)이다.
이와 같이, 프로세서(150)는 영상의 각 픽셀별 픽셀값을 식별하고, 피부 영상과 생성 영상의 대응되는 픽셀들의 픽셀값들을 비교할 수 있다.
피부 영상과 생성 영상의 대응되는 픽셀들이란, 피부 영상과 생성 영상의 사이즈가 동일한 경우, 각 영상에서 동일한 위치에 있는 픽셀들을 의미한다. 만일, 사이즈가 다른 경우, 프로세서(150)는 각 영상 상에서 대응되는 위치에 있는 픽셀들을 식별하거나, 영상들의 사이즈를 동일하도록 조정하여 동일한 위치의 픽셀들을 식별할 수 있다.
픽셀값을 비교하는 방법 중 하나로, 프로세서(150)는 피부 영상과 생성 영상의 대응되는 픽셀들의 좌표값들을 이용하여 픽셀별로 픽셀 간 거리를 계산하는 방법을 이용할 수 있다. 앞서 서술한 바와 같이, 프로세서(150)는 각 픽셀들을 RGB 좌표값으로 나타낸 바, 두 좌표값을 이용하여 픽셀 간 거리를 계산할 수 있다.
프로세서(150)는 계산된 픽셀간 거리들 중 거리가 가장 먼 순으로 해당하는 픽셀을 적어도 하나의 후보 생검 부위로 식별할 수 있다. 이때, 후보 생검 부위는 기 정의된 수만큼 식별할 수 있으며, 프로세서(150)는 입력부(110)를 통해 수신된 기 정의된 수를 지정하는 사용자 입력을 통해 후보 생검 부위를 식별할 수 있다.
추가 예로, 프로세서(150)는 피부 영상 및 생성 영상을 가우시안 필터로 필터링하여 사용할 수 있다. 가우시안 필터는 가우시안 분포(Gaussian distribution) 함수를 근사하여 생성한 필터 마스크로, 흑색종 특징에 따라 픽셀값의 차이가 발생한 것이 아님에도 불구하고, 노이즈 등 다양한 이유로 어느 하나의 특정 픽셀에서 비이상적인 값을 가지는 것을 방지하기 위해 사용된다. 따라서, 프로세서(150)는 각 영상에 대해 가우시안 필터로 필터링한 후 픽셀간 거리를 계산할 수 있다.
이후, 프로세서(150)는 식별한 후보 생검 부위를 표시할 수 있다.
표시하는 방법은 다양하게 존재할 수 있으며, 일 예로 프로세서(150)는 피부 영상의 적어도 하나의 후보 생검 부위 상에 후보 생검 부위 별 우선 순위를 매핑하여 표시할 수 있다. 예를 들어, 5개의 후보 생검 부위를 식별한 경우, 각 부위를 빨간색 점으로 표시하고, 각 점 옆에 1 내지 5사이의 숫자를 매겨 표시할 수 있다.
다른 예로, 프로세서(150)는 픽셀별 픽셀간 거리에 따른 값을 매핑한 거리맵을 생성하고, 피부 영상에 픽셀간 거리에 따라 색상이나, 명암으로 표시할 수 있다. 예를 들어, 거리가 멀수록 어두운 색으로 나타내고 거리가 가까울수록 밝은 색으로 나타내는 경우, 후보 생검 부위를 영역으로 확인할 수 있다.
본 발명의 일 실시예에 따르면, 인공지능 모델들을 활용하여 피부 영상만으로도 적합한 후보 생검 위치를 식별할 수 있는 바, 비침습적으로 흑색종 조기 진단 방법을 보완할 수 있다.
본 발명의 일 실시예에 따르면, 보다 정확한 후보 생검 위치 식별을 통해 흑색종 조기 진단의 정확도를 높일 수 있다.
도 4는 본 발명의 일 실시예에 따른 전자장치의 동작 모습을 도시한 도면이다.
도 4에서는 도 3을 참조하여 설명한 바와 같이 후보 생검 위치를 식별하는 과정에 대해 전체적으로 살펴본다. 이때, 도 3에서 서술한 내용과 중복되는 내용에 대해서는 구체적인 설명은 생략한다.
먼저, 피부 영상(10)이 분류 모델(1)에 입력되면, 분류 모델(1)은 피부 영상(10)이 흑색종인지 모반인지 분류하게 된다.
피부 영상(10)이 모반인 경우, 해당 영상이 모반(양성 종양)임을 나타내는 정보를 출력할 수 있다.
피부 영상(10)이 흑색종인 경우, 해당 피부 영상(10)을 생성 모델(2)에 입력한다. 피부 영상(10)은 생성 모델(2)을 통해 생성 영상(20)으로 변환되고, 피부 영상(10)과 생성 영상(20)을 비교하여 후보 생검 부위(30)를 식별할 수 있다.
도 5는 본 발명의 일 실시예에 따른 생성 모델의 학습 과정을 도시한 도면이다.
앞서 도 3의 S20과 관련하여 서술한 바와 같이, 생성 모델은 GAN, 그 중에서도 styleGAN2을 이용하여 학습될 수 있으며, 마찬가지로 프로세서(150)가 생성 모델을 학습하거나, 기 학습되어 생성된 생성 모델을 외부로부터 수신 및 저장하여 이용할 수 있다.
GAN은 적대적 생성 신경망으로, 서로 다른 두 개의 네트워크, 생성자(21, Generator)와 판별자(22, Discriminator)를 적대적으로(Adversarial) 학습시키며, 원본 영상과 비슷한 영상을 생성하는 목적으로 설계된 인공지능 모델 중 하나이다.
생성자(21)는 원본 영상과 비슷한 영상을 만들어내도록 학습되며, 판별자(22)는 생성자(21)가 생성한 영상이 진짜인지 가짜인지 구별하도록 학습된다. 이때, GAN은 생성자(21)와 판별자(22) 간 균형점을 찾아가면서 원본 영상과 아주 유사한 영상을 만들어내도록 학습한다. 만일, 생성자(21)가 원본 영상과 아주 비슷한 영상을 만들어내는 경우, 판별자(22)는 이를 구별하기 어려울 것이고 생성 모델(2)은 판별자(22)가 원본 영상과 생성 영상을 구별할 수 없을 때까지 학습을 반복한다.
본 발명에서는 흑색종으로 판단된 피부 영상을 바탕으로 비슷하게 생기면서도 모반의 특징을 모방한 영상을 생성하도록 학습된 생성 모델을 이용한다.
학습 데이터는 앞서 도 3의 S10에서 서술한 바와 같이 분류 모델에 사용되는 복수의 피부 영상 혹은 분류 모델과 동일한 방법으로 획득한 복수의 피부 영상을 이용할 수 있다. 또한, 프로세서(150)는 복수의 피부 영상을 생성 모델에 적합한 사이즈, 예를 들어 1024x1024 픽셀(단, 이에 한정되지 않음)로 조정할 수 있다.
모반과 흑색종은 형태적 차이(morphological difference)에 대해 알아보면, 모양, 색소침착 패턴(pigmentation pattern), 리지(ridge)와 홈(furrow)에서의 pigmentation 양상, 색깔 등에서 차이를 나타낸다.
프로세서(150)는 이러한 차이점에 기초하여 흑색종 특징과, 모반 특징을 식별하고, 식별된 흑색종 특징, 모반 특징을 학습하여 피부 영상으로부터 흑색종 특징이 제거된 영상을 생성하도록 생성 모델을 학습시킬 수 있다.
따라서, 흑색종의 피부 영상을 생성 모델에 입력하면, 입력 영상과 가장 가까운 모반 영상인 것처럼 흑색종의 특징이 없는 영상이 생성된다.
일 예에 의하면, 생성 모델의 네트워크 후반부에 후보 생검 부위를 추천하는 알고리즘을 포함하도록 설계될 수 있다.
도 6은 본 발명의 일 실시예에 따른 흑색종의 피부 영상 및 그에 대응하는 생성 영상을 도시한 도면이다.
도 6을 참조하면 흑색종의 피부 영상(610, 630, 650, 670)과 각 피부 영상에 대응하는 생성 영상(620, 640, 660, 680)이 짝을 지어 배열되어 있다.
피부 영상(610)과 그에 대응하는 생성 영상(620)을 비교하면, 피부 영상(610)의 blue-whitish pattern과 궤양이 동반된 부분은 생성 영상(620)에서는 없어지고, 피부 영상(610)의 리지(ridge) pattern으로 관찰되는 색소 침착 부분이 생성 영상(620)에서는 홈(furrow) pattern을 중심으로 나타나고 있는 것을 확인할 수 있다.
피부 영상(630)과 그에 대응하는 생성 영상(640)을 비교하면, 피부 영상(630)에서 병변의 전체적인 모양이 불규칙하고, 왼편 일부가 핑크색으로 관찰되어 궤양이 동반되었을 것으로 관찰되는 반면, 생성 영상(640)에서는 이 부분이 없어지고, 균일한 형태의 규칙적인 색소 침착이 나타남을 알 수 있다.
피부 영상(650)과 그에 대응하는 생성 영상(660)을 비교하면, 피부 영상(650)에서 전반적인 모양이 불규칙하며, 색소침착 패턴이 상당히 불균일한 것을 알 수 있는데, 생성 영상(660)에서는 전반적인 형태와 색소침착 패턴이 균일하게 형성된 것을 볼 수 있다.
마지막으로, 피부 영상(670)과 그에 대응하는 생성 영상(680)을 비교하면, 피부 영상(670)에서 형태와 색소가 비교적 불규칙한 모습을 보이는 병변이 생성 영상(680)에서 조금 더 균일하게 표현된 것을 확인할 수 있다.
도 7은 본 발명의 일 실시예에 따른 생검 부위 추천 영상을 도시한 도면이다.
도 7은 도 3의 S30과 관련하여 서술한 바와 같이, 프로세서(150)가 피부 영상에 식별한 후보 생검 부위를 표시하는 일 예를 도시한다.
도 7에 도시된 피부 영상(700)에는 5개의 식별된 후보 생검 부위를 빨간색 점으로 표시하고, 각 점 옆에 1 내지 5사이의 숫자를 매겨 표시되어 있다.
다만, 도 7의 후보 생검 부위가 표시된 피부 영상(700)은 일 예에 지나지 않으며, 피부 영상 상의 후보 생검 부위를 표시하는 방법은 제한없이 적용 가능할 것이다.
의료진은 피부 영상(700)을 토대로 가장 우선 순위가 높은 부위로부터 생검을 실시하거나, 후보 생검 부위 중 가장 적합하다고 판단되는 부위에서 생검을 실시할 수 있을 것이다.
100: 전자장치
110: 입력부
120: 통신부
130: 표시부
140: 메모리
150: 프로세서

Claims (16)

  1. 인공지능 기반 흑색종 생검 부위를 추천하는 전자장치에 있어서,
    분류 모델을 이용하여 입력되는 피부 영상이 흑색종인지 모반인지 분류하고,
    상기 피부 영상이 흑색종으로 분류되는 경우, 생성 모델을 이용하여 상기 피부 영상 내 흑색종 특징을 식별하여 상기 흑색종 특징이 제거된 영상을 생성하고,
    상기 피부 영상과 상기 생성된 영상을 비교하여 적어도 하나의 후보 생검 부위를 식별하는 프로세서를 포함하는 전자장치.
  2. 제1항에 있어서,
    상기 프로세서는,
    상기 피부 영상과 상기 생성된 영상의 픽셀별 색상에 따른 픽셀값을 식별하고,
    상기 피부 영상과 상기 생성된 영상의 대응되는 픽셀들의 픽셀값들을 비교하여 적어도 하나의 후보 생검 부위를 식별하는 전자장치.
  3. 제2항에 있어서,
    상기 프로세서는,
    상기 픽셀별 색상의 RGB값에 따라 상기 픽셀값들을 R(Red), G(Green), B(Blue)를 각각 축으로 하는 3차원 좌표값들로 식별하는 전자장치.
  4. 제3항에 있어서,
    상기 프로세서는,
    상기 피부 영상과 상기 생성된 영상의 대응되는 픽셀들의 좌표값들을 이용하여 픽셀별로 픽셀 간 거리를 계산하고,
    상기 픽셀 간 거리에 기초하여 기 정의된 수의 픽셀을 상기 적어도 하나의 후보 생검 부위로 식별하는 전자장치.
  5. 제4항에 있어서,
    상기 프로세서는,
    상기 피부 영상의 상기 적어도 하나의 후보 생검 부위 상에 후보 생검 부위 별 우선 순위를 매핑하여 표시하는 전자장치.
  6. 제4항에 있어서,
    상기 프로세서는,
    상기 피부 영상 및 상기 생성된 영상을 가우시안 필터로 필터링하여 사용하는 전자장치.
  7. 제1항에 있어서,
    상기 분류 모델은 복수의 흑색종 영상 및 복수의 모반 영상을 포함하는 복수의 피부 영상과 각 피부 영상이 흑색종인지 모반인지에 대한 정답 정보를 학습데이터로 하여 입력되는 피부 영상이 흑색종인지 모반인지 분류하도록 학습된 것을 특징으로 하는 전자장치.
  8. 제1항에 있어서,
    상기 생성 모델은 복수의 흑색종 영상 및 복수의 모반 영상을 포함하는 복수의 피부 영상으로부터 흑색종 특징과 모반 특징을 식별하여 상기 흑색종 영상 내 흑색종 특징이 제거된 영상을 생성하도록 학습된 것을 특징으로 하는 전자장치.
  9. 전자장치에 의해 수행되는 인공지능 기반 흑색종 생검 부위를 추천하는 방법에 있어서,
    분류 모델을 이용하여 입력되는 피부 영상이 흑색종인지 모반인지 분류하는 단계;
    상기 피부 영상이 흑색종으로 분류되는 경우, 생성 모델을 이용하여 상기 피부 영상 내 흑색종 특징을 식별하여 상기 흑색종 특징이 제거된 영상을 생성하는 단계;
    상기 피부 영상과 상기 생성된 영상을 비교하여 적어도 하나의 후보 생검 부위를 식별하는 단계를 포함하는 방법.
  10. 제9항에 있어서,
    상기 적어도 하나의 후보 생검 부위를 식별하는 단계는,
    상기 피부 영상과 상기 생성된 영상의 픽셀별 색상에 따른 픽셀값을 식별하는 단계;
    상기 피부 영상과 상기 생성된 영상의 대응되는 픽셀들의 픽셀값들을 비교하여 적어도 하나의 후보 생검 부위를 식별하는 단계를 포함하는 방법.
  11. 제10항에 있어서,
    상기 픽셀값을 식별하는 단계는,
    상기 픽셀별 색상의 RGB값에 따라 상기 픽셀값들을 R(Red), G(Green), B(Blue)를 각각 축으로 하는 3차원 좌표값들로 식별하는 단계를 포함하는 방법.
  12. 제11항에 있어서,
    상기 적어도 하나의 후보 생검 부위를 식별하는 단계는,
    상기 피부 영상과 상기 생성된 영상의 대응되는 픽셀들의 좌표값들을 이용하여 픽셀별로 픽셀 간 거리를 계산하는 단계;
    상기 픽셀 간 거리에 기초하여 기 정의된 수의 픽셀을 상기 적어도 하나의 후보 생검 부위로 식별하는 단계를 포함하는 방법.
  13. 제12항에 있어서,
    상기 피부 영상의 상기 적어도 하나의 후보 생검 부위 상에 후보 생검 부위 별 우선 순위를 매핑하여 표시하는 단계를 더 포함하는 방법.
  14. 제12항에 있어서,
    상기 적어도 하나의 후보 생검 부위를 식별하는 단계는,
    상기 피부 영상 및 상기 생성된 영상을 가우시안 필터로 필터링하여 사용하는 단계를 포함하는 방법.
  15. 제9항에 있어서,
    상기 분류 모델은 복수의 흑색종 영상 및 복수의 모반 영상을 포함하는 복수의 피부 영상과 각 피부 영상이 흑색종인지 모반인지에 대한 정답 정보를 학습데이터로 하여 입력되는 피부 영상이 흑색종인지 모반인지 분류하도록 학습된 것을 특징으로 하는 방법.
  16. 제9항에 있어서,
    상기 생성 모델은 복수의 흑색종 영상 및 복수의 모반 영상을 포함하는 복수의 피부 영상으로부터 흑색종 특징과 모반 특징을 식별하여 상기 흑색종 영상 내 흑색종 특징이 제거된 영상을 생성하도록 학습된 것을 특징으로 하는 방법.
KR1020220145165A 2022-11-03 2022-11-03 인공지능 기반 흑색종 생검 부위를 추천하는 전자장치 및 방법 KR20240063490A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020220145165A KR20240063490A (ko) 2022-11-03 2022-11-03 인공지능 기반 흑색종 생검 부위를 추천하는 전자장치 및 방법
US18/385,925 US20240153075A1 (en) 2022-11-03 2023-11-01 Electronic device for ai-based recommendation of melanoma biopsy site and method for performing the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220145165A KR20240063490A (ko) 2022-11-03 2022-11-03 인공지능 기반 흑색종 생검 부위를 추천하는 전자장치 및 방법

Publications (1)

Publication Number Publication Date
KR20240063490A true KR20240063490A (ko) 2024-05-10

Family

ID=90927886

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220145165A KR20240063490A (ko) 2022-11-03 2022-11-03 인공지능 기반 흑색종 생검 부위를 추천하는 전자장치 및 방법

Country Status (2)

Country Link
US (1) US20240153075A1 (ko)
KR (1) KR20240063490A (ko)

Also Published As

Publication number Publication date
US20240153075A1 (en) 2024-05-09

Similar Documents

Publication Publication Date Title
US11984217B2 (en) Method and apparatus for processing histological image captured by medical imaging device
US10504624B2 (en) System and method for segmentation and automated measurement of chronic wound images
US10255484B2 (en) Method and system for assessing facial skin health from a mobile selfie image
US20200250821A1 (en) Image feature recognition method and apparatus, storage medium, and electronic apparatus
CN111369576B (zh) 图像分割模型的训练方法、图像分割方法、装置及设备
Olugbara et al. Segmentation of melanoma skin lesion using perceptual color difference saliency with morphological analysis
US11954598B2 (en) Matching network for medical image analysis
US11908128B2 (en) Systems and methods to process images for skin analysis and to visualize skin analysis
JP2009545800A (ja) 画像中のボクセルのクラスター・マップを再構成する方法
US10572997B2 (en) System and method for detecting anomalies in an image captured in-vivo using color histogram association
US8913806B2 (en) Texture homogeneity based in-vivo image identifying device, method, and computer-readable recording device
KR102162683B1 (ko) 비정형 피부질환 영상데이터를 활용한 판독보조장치
Sánchez et al. Improving hard exudate detection in retinal images through a combination of local and contextual information
US10832410B2 (en) Computer system, method, and program for diagnosing subject
CN110880366A (zh) 一种医学影像处理系统
JP2024515532A (ja) １つ以上のユーザ固有の頭皮分類を生成するために、ユーザの頭皮の頭皮領域の画素データを分析するためのデジタル撮像及び学習システム並びに方法
CA3199439A1 (en) Digital imaging and learning systems and methods for analyzing pixel data of an image of a hair region of a user's head to generate one or more user-specific recommendations
KR20210077533A (ko) 사용자 얼굴 피부 분석 방법 및 서버
CN110473176B (zh) 图像处理方法及装置、眼底图像处理方法、电子设备
JPWO2017203701A1 (ja) 画像処理装置、画像処理装置の作動方法及び画像処理装置の作動プログラム
US20210209755A1 (en) Automatic lesion border selection based on morphology and color features
KR20240063490A (ko) 인공지능 기반 흑색종 생검 부위를 추천하는 전자장치 및 방법
CN110910409A (zh) 一种灰度图像处理方法、装置和计算机可读存储介质
valli Gogula et al. A diabetic retinopathy detection method using an improved pillar K-means algorithm
CN116109608A (zh) 一种肿瘤分割方法、装置、设备及存储介质