KR20240066530A - 인공지능을 이용한 이미지 분석 기반 피부암 진단 방법 - Google Patents

인공지능을 이용한 이미지 분석 기반 피부암 진단 방법 Download PDF

Info

Publication number
KR20240066530A
KR20240066530A KR1020220147037A KR20220147037A KR20240066530A KR 20240066530 A KR20240066530 A KR 20240066530A KR 1020220147037 A KR1020220147037 A KR 1020220147037A KR 20220147037 A KR20220147037 A KR 20220147037A KR 20240066530 A KR20240066530 A KR 20240066530A
Authority
KR
South Korea
Prior art keywords
disease
image data
target tissue
indicators
target
Prior art date
Application number
KR1020220147037A
Other languages
English (en)
Inventor
변성현
민완기
Original Assignee
스페클립스 주식회사
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 스페클립스 주식회사 filed Critical 스페클립스 주식회사
Priority to KR1020220147037A priority Critical patent/KR20240066530A/ko
Priority to EP22213411.6A priority patent/EP4365909A1/en
Priority to US18/065,832 priority patent/US20240013394A1/en
Priority to PCT/KR2022/020576 priority patent/WO2024101530A1/ko
Publication of KR20240066530A publication Critical patent/KR20240066530A/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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • 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
    • G16H50/20—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
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • 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
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • 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]
    • 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
    • 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
    • G06T2207/30096—Tumor; Lesion
    • 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
    • G06T2207/30196—Human being; Person
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

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

Abstract

다양한 실시예에 따르면, 신체 부위 및 상기 신체 부위에 위치된 적어도 하나 이상의 의심 조직이 촬영된 제1 이미지 데이터를 획득하는 단계; 인공신경망을 이용하여 상기 제1 이미지 데이터를 분석하는 단계로서, 상기 제1 인공신경망은 신체 부위를 촬영한 이미지 데이터로부터 질병과 관련된 타겟 조직을 검출하도록 학습되고, 상기 분석 결과에 기초하여 상기 제1 이미지 데이터 내에 포함된 상기 적어도 하나 이상의 의심조직들 중에서 상기 복수의 질병 지표들 중 적어도 일부의 결과값으로부터 파생된 검출 스코어가 임계값 이상으로 분석된 적어도 하나 이상의 상기 타겟 조직을 검출하는 단계; 상기 적어도 하나 이상의 타겟 조직에 대한 제2 이미지 데이터를 요청하는 단계; 상기 적어도 하나 이상의 타겟 조직이 촬영된 제2 이미지 데이터를 획득하는 단계; 제2 인공신경망을 이용하여 상기 타겟 조직과 상응하는 상기 복수의 질병 지표들의 질병 정보를 획득하는 단계로서, 상기 제2 인공신경망은 이미지 데이터에 포함된 타겟 조직에 대한 복수의 질병 지표들에 관한 타겟 결과값을 획득하도록 학습되고, 및 상기 타겟 결과값에 기초하여 질병 스코어를 제공하는 단계;를 포함하는 질병 정보 제공 방법이 제공될 수 있다.

Description

인공지능을 이용한 이미지 분석 기반 피부암 진단 방법{SKIN CANCER DIAGNOSIS METHOD BASED ON IMAGE ANALYSIS USING ARTIFICIAL INTELLIGENCE}
본 개시는 이미지 분석을 이용한 인공지능을 이용한 이미지 분석 기반 피부암 진단 방법 및 이를 수행하는 서버에 관한 것이다.
현대 의료 기술 분야에서는 기존의 조직 검사의 불편함을 최소화하는 비침습적인 형태로 보다 정확하게 진단을 수행하기 위한 다양한 기법들에 대한 요구가 점차 증대되고 있다.
이러한 추세 속에서, 병변의 외관을 촬영한 이미지 데이터를 이용하여, 간편하게 병변의 병리학적 정보를 판단할 수 있는 방법이 각광받고 있다.
본 발명이 해결하고자 하는 일 과제는, 인공 신경망을 이용하여 병변을 촬영한 이미지 데이터를 이용하여 병변과 관련된 질병 정보를 제공하는 방법 및 이를 수행하는 진단 장치를 제공하는 것이다.
다양한 실시예에 따르면, 메모리 및 상기 메모리로부터 로드된 프로그램을 구동하는 프로세서를 포함하는 분석 서버에 의해 수행되는 질병 정보 제공 방법에 있어서, 신체 부위 및 상기 신체 부위에 위치된 적어도 하나 이상의 의심 조직이 촬영된 제1 이미지 데이터를 획득하는 단계; 인공신경망을 이용하여 상기 제1 이미지 데이터를 분석하는 단계로서, 상기 제1 인공신경망은 신체 부위를 촬영한 이미지 데이터로부터 질병과 관련된 타겟 조직을 검출하도록 학습되고, 상기 분석 결과에 기초하여 상기 제1 이미지 데이터 내에 포함된 상기 적어도 하나 이상의 의심조직들 중에서 상기 복수의 질병 지표들 중 적어도 일부의 결과값으로부터 파생된 검출 스코어가 임계값 이상으로 분석된 적어도 하나 이상의 상기 타겟 조직을 검출하는 단계; 상기 적어도 하나 이상의 타겟 조직에 대한 제2 이미지 데이터를 요청하는 단계; 상기 적어도 하나 이상의 타겟 조직이 촬영된 제2 이미지 데이터를 획득하는 단계; 제2 인공신경망을 이용하여 상기 타겟 조직과 상응하는 상기 복수의 질병 지표들의 질병 정보를 획득하는 단계로서, 상기 제2 인공신경망은 이미지 데이터에 포함된 타겟 조직에 대한 복수의 질병 지표들에 관한 타겟 결과값을 획득하도록 학습되고, 및 상기 타겟 결과값에 기초하여 질병 스코어를 제공하는 단계;를 포함하는 질병 정보 제공 방법이 제공될 수 있다.
본 발명의 과제의 해결 수단이 상술한 해결 수단들로 제한되는 것은 아니며, 언급되지 아니한 해결 수단들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
다양한 실시예에 따르면, 다수의 질병 지표들이 레이블링 된 이미지 데이터로 학습된 인공신경망을 이용하여, 정확하고 간편하게 병변에 대한 질병 정보를 판단할 수 있다.
본 발명의 효과가 상술한 효과들로 제한되는 것은 아니며, 언급되지 아니한 효과들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.
도 1은 다양한 실시예에 따른 질병 정보 제공 시스템을 개략적으로 나타낸 도면이다.
도 2는 다양한 실시예에 따른 질병 정보 시스템의 개괄적인 동작을 나타낸 블록도이다.
도 3은 다양한 실시예에 따른 사용자 단말의 구성을 나타낸 블록도이다.
도 4는 다양한 실시예에 따른 분석 서버의 구성을 나타낸 블록도이다.
도 5는 다양한 실시예에 따른 질병 정보 제공 방법을 나타낸 순서도이다.
도 6은 다양한 실시예에 따라, 사용자 단말에서 질병 정보가 제공되는 동작을 나타낸 도면이다.
도 7은 다양한 실시예에 따라, 서버에서 수행되는 이미지 분석 동작을 나타낸 도면이다.
도 8은 다양한 실시예에 따라, 서버에서 제공되는 질병 스코어의 일 예를 나타낸 도면이다.
도 9는 다양한 실시예에 따라, 이미지 데이터의 검출이 수행되는 것을 나타낸 도면이다.
도 10은 다양한 실시예에 따라, 이미지 데이터로부터 타겟 조직이 검출되는 것을 나타낸 도면이다.
도 11은 다양한 실시예에 따라, 타겟 조직과 관련된 질병 정보를 제공하는 방법을 나타낸 순서도이다.
도 12는 다양한 실시예에 따라, 타겟 조직의 질병 정보를 제공하는 모습을 나타낸 도면이다.
도 13은 다양한 실시예에 따라, 리마인더 인디케이션을 포함하는 질병 정보 제공 방법을 나타낸 순서도이다.
도 14는 도 13의 질병 정보 제공 방법이 구현되는 모습을 나타낸 도면이다.
본 발명의 상술한 목적, 특징들 및 장점은 첨부된 도면과 관련된 다음의 상세한 설명을 통해 보다 분명해질 것이다. 다만, 본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예들을 가질 수 있는 바, 이하에서는 특정 실시예들을 도면에 예시하고 이를 상세히 설명하고자 한다.
본 명세서에 기재된 실시예는 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 본 발명의 사상을 명확히 설명하기 위한 것이므로, 본 발명이 본 명세서에 기재된 실시예에 의해 한정되는 것은 아니며, 본 발명의 범위는 본 발명의 사상을 벗어나지 아니하는 수정예 또는 변형예를 포함하는 것으로 해석되어야 한다.
본 명세서에 첨부된 도면은 본 발명을 용이하게 설명하기 위한 것으로 도면에 도시된 형상은 본 발명의 이해를 돕기 위하여 필요에 따라 과장되어 표시된 것일 수 있으므로 본 발명이 도면에 의해 한정되는 것은 아니다.
본 발명과 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 명세서의 설명 과정에서 이용되는 숫자(예를 들어, 제1, 제2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 검출기호에 불과하다.
또한, 이하의 설명에서 사용되는 구성요소에 대한 접미사 "유닛", "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.
본 명세서는 이미지 분석을 이용한 질병 정보 제공 방법 및 이를 수행하는 시스템에 관한 것이다.
본 명세서에서 '질병 정보'는, 분석하고자 하는 목적물의 상태나 특성을 판단하는 것 및 이러한 특성의 판단에 기초한 2차적 판단을 포함하는 포괄적인 개념이다. 일 실시예에서, 질병 정보는 목적물에 관한 병리학적 정보를 포함할 수 있다. 예를 들어, 질병 정보는 진단 정보를 포함할 수 있다. 진단 정보는 목적물이 질병 조직일 확률값으로 표현될 수 있다. 또한, 질병 정보는, 목적물에 대한 다양한 질병 지표들에 관한 수치적인 정보(예: 확률값)으로 제공될 수도 있다.
이하에서는 본 명세서의 일 실시예에 따른 질병 정보 제공 시스템(10)에 관하여 도 1 및 도 2를 참조하여 설명한다.
본 명세서의 일 실시예에 따른 진단 시스템(10)은 이미지 분석을 이용하여 목적물에 대한 질병 정보를 제공하는 시스템이다.
도 1은 다양한 실시예에 따른 질병 정보 제공 시스템을 개략적으로 나타낸 도면이다. 도 2는 다양한 실시예에 따른 질병 정보 시스템의 개괄적인 동작을 나타낸 블록도이다.
도 1 및 도 2를 참조하면, 질병 정보 제공 시스템(10)은 사용자 단말(100) 및 분석 서버(200)를 포함할 수 있다. 사용자 단말(100)과 분석 서버(200)는 온라인 네트워크를 통해 서로 연결될 수 있다.
다양한 실시예에 따르면, 사용자 단말(100)은 분석 서버(200)에 데이터를 전송하거나 및/또는 분석 서버(200)로부터 데이터를 전송받을 수 있다. 일 실시예에서, 사용자 단말(100)은, 질병 정보 제공에 필요한 이미지 데이터를 획득하고, 이를 분석 서버(200)로 전송할 수 있다. 예를 들어, 사용자 단말(100)은, 사람의 신체의 적어도 일부가 촬영된 이미지 데이터(또는 영상)을 분석 서버로 전송할 수 있다.
다양한 실시예에 따르면, 분석 서버(200)는 사용자 단말(100)으로부터 이미지 데이터를 전송받고, 전송받은 이미지 데이터를 분석할 수 있다. 일 실시예에서, 분석 서버(200)는, 인공신경망 모델을 이용하여 이미지 데이터를 분석하고, 이미지 데이터 내에 포함된 타겟을 검출하거나 및/또는 타겟에 대한 질병 정보를 제공할 수 있다. 여기서, '타겟'은 이미지 데이터에 포함되고, 질병 정보 획득의 목적이 되는 특정 물체를 의미할 수 있다. 예를 들어, 타겟은 질환이 의심되는 피부 조직일 수 있다.
다양한 실시예에 따르면, 질병 정보 제공 시스템(10)은 이미지 데이터를 이용하여, 이미지 데이터 내에 포함된 타겟의 질병 정보를 제공할 수 있다. 일 실시예에서, 질병 정보 제공 시스템(10)은, 사용자 단말(100)을 통해 사용자(또는 다른 환자)의 신체 적어도 일부가 촬영된 이미지 데이터를 획득하고, 분석 서버(200)는 획득된 이미지 데이터를 분석하여, 그 결과로 이미지 데이터에 포함된 타겟에 대한 질병 정보를 제공할 수 있다.
이하의 설명에서, 피부암과 관련된 질병 정보를 제공하기 위한 질병 정보 제공 시스템(10)에 대해 주로 설명하기로 한다. 즉, 질병 정보 제공 시스템(10)은, 피부암으로 의심되는 환부가 촬영된 이미지 데이터를 분석하여, 해당 이미지 데이터 내에 존재하는 환부와 관련된 질병 정보를 제공할 수 있다. 다만, 본 개시의 사상이 피부암에만 국한되어 적용되는 것은 아니며, 다양한 질병에 적용될 수도 있다.
도 3은 다양한 실시예에 따른 사용자 단말의 구성을 나타낸 블록도이다.
도 3을 참조하면, 사용자 단말(100)은 제1 프로세서(101), 입력 모듈(110), 출력 모듈(120), 제1 통신 모듈(130), 카메라(140) 및 제1 메모리(150) 중 전부 또는 일부를 포함할 수 있다. 도 3의 사용자 단말(100)은, 도 1 및 도 2의 사용자 단말(100) 구성과 전부 또는 일부가 동일하거나 유사할 수 있다.
제1 통신 모듈(130)은 외부 기기와 통신을 수행할 수 있다. 사용자 단말(100)은 제1 통신 모듈(130)을 통해 분석 서버(200)나 외부 서버와 데이터 송수신을 할 수 있다. 예를 들어, 사용자 단말(100)은 제1 통신 모듈(130)을 통해 이미지 데이터를 분석 서버(200)에 전달할 수 있다. 또 다른 예로, 사용자 단말(100)은 제1 통신 모듈(130)을 통해 인터넷에 접속하여 이미지 데이터를 업로드할 수 있다.
제1 통신 모듈(130)은 크게 유선 타입과 무선 타입으로 나뉜다. 경우에 따라서는 사용자 단말(100)에는 유선 타입과 무선 타입이 동시에 마련될 수도 있다.
여기서, 유선 타입의 경우에는 LAN(Local Area Network)이나 USB(Universal Serial Bus) 통신이 대표적인 예이며 그 외의 다른 방식도 가능하다. 또 여기서, 무선 타입의 경우에는 주로 블루투스(Bluetooth)나 직비(Zigbee)와 같은 WPAN(Wireless Personal Area Network) 계열의 통신 방식을 이용할 수 있다. 그러나, 무선 통신 프로토콜이 이로 제한되는 것은 아니므로 무선 타입의 통신 모듈은 와이파이(Wi-Fi) 같은 WLAN(Wireless Local Area Network) 계열의 통신 방식이나 그 외의 알려진 다른 통신 방식을 이용하는 것도 가능하다.
제1 메모리(150)는 각종 정보를 저장할 수 있다. 제1 메모리(150)에는 각종 데이터가 임시적으로 또는 반영구적으로 저장될 수 있다. 제1 메모리(150)의 예로는 하드 디스크(HDD: Hard Disk Drive), SSD(Solid State Drive), 플래쉬 메모리(flash memory), 롬(ROM: Read-Only Memory), 램(RAM: Random Access Memory) 등이 있을 수 있다. 제1 메모리(150)는 사용자 단말(100)에 내장되는 형태나 탈부착 가능한 형태로 제공될 수 있다.
제1 메모리(150)에는 사용자 단말(100)을 구동하기 위한 운용 프로그램(OS: Operating System)이나 사용자 단말(100)의 각 구성을 동작시키기 위한 프로그램을 비롯해 사용자 단말(100)의 동작에 필요한 각종 데이터가 저장될 수 있다. 예를 들어, 제1 메모리(150)에는 분석 서버(200)에서 전송받은 분석 결과를 처리할 수 있는 프로그램이 저장될 수 있다.
제1 프로세서(101)는 사용자 단말(100)의 전반적인 동작을 제어할 수 있다. 예를 들어, 제1 프로세서(101)는 제1 메모리(150)로부터 분석 서버(200)에서 분석된 이미지 데이터의 처리를 위한 프로그램을 로딩하여 실행하거나 출력 모듈(120)을 통해 사용자에게 인디케이션을 제공할 수 있다.
제1 프로세서(101)는 하드웨어나 소프트웨어 또는 이들의 조합에 따라 CPU(Central Processing Unit)나 이와 유사한 장치로 구현될 수 있다. 하드웨어적으로 전기적 신호를 처리하여 제어 기능을 수행하는 전자 회로 형태로 제공될 수 있으며, 소프트웨어적으로는 하드웨어적 회로를 구동시키는 프로그램이나 코드 형태로 제공될 수 있다.
사용자 단말(100)은 별도의 전원부를 가지거나 유선 혹은 무선으로 외부로부터 전원을 공급받을 수 있으며 전원부를 제어하는 스위치를 별도로 가질 수 있다.
입력 모듈(110)은 사용자로부터 사용자 입력을 수신할 수 있다. 사용자 입력은 키 입력, 터치 입력, 음성 음력을 비롯한 다양한 형태로 이루어질 수 있다. 입력 모듈(110)의 예로는 전통적인 형태의 키패드나 키보드, 마우스는 물론, 사용자의 터치를 감지하는 터치 센서 및 그 외의 다양한 형태의 사용자 입력을 감지하거나 입력 받는 다양한 형태의 입력 수단을 모두 포함하는 포괄적인 개념이다. 또, 입력 모듈(110)은 자체적으로 사용자 입력을 감지하는 장치 대신 전자 기기에 사용자 입력을 입력 받는 외부의 입력 장치를 연결시키는 입력 인터페이스(USB 포트, PS/2 포트 등)의 형태로 구현될 수도 있다.
출력 모듈(120)은 각종 정보를 출력해 사용자에게 이를 제공할 수 있다. 출력 모듈(120)은 영상을 출력하는 디스플레이, 소리를 출력하는 스피커, 진동을 발생시키는 햅틱 장치 및 그 외의 다양한 형태의 출력 수단을 모두 포함하는 포괄적인 개념이다. 이외에도 출력 모듈(120)은 전자 기기에 개별 출력 수단을 연결시키는 포트 타입의 출력 인터페이스의 형태로 구현될 수도 있다.
카메라(140)는 사용자 단말(100)의 주변 환경을 촬영할 수 있다. 카메라(140)는 제1 프로세서(101)에 의해 제어되며, 사용자의 신체 적어도 일부를 촬영하고 이미지 데이터를 생성할 수 있다.
도 4는 다양한 실시예에 따른 분석 서버의 구성을 나타낸 블록도이다.
도 4를 참조하면, 분석 서버(200)는, 제2 프로세서(201), 제2 메모리(250) 및 제2 통신 모듈(230) 중 전부 또는 일부를 포함할 수 있다. 도 4의 분석 서버(200)는, 도 1 및 도 2의 분석 서버(200)와 전부 또는 일부가 동일한 구성을 의미할 수 있다.
본 명세서의 일 실시예에 따르면, 분석 서버(200)는 사용자 단말(100)로부터 전송받은 이미지 데이터를 분석하고, 이미지 데이터에 포함된 의심 조직에 대한 질병 정보를 제공할 수 있다. 분석 서버(200)는 분석 결과 또는 질병 정보를 사용자 단말(100)에 전송할 수 있다.
본 명세서의 일 실시예에 따르면, 제2 프로세서(201)는 제2 통신모듈(230)을 이용해 사용자 단말(100)로부터 신체 일부가 촬영된 이미지 데이터를 획득하고 제2 메모리(250)에 저장된 프로그램을 이용하여 이미지 데이터에 포함된 의심 조직의 병리학 정보를 판단할 수 있다.
제2 통신모듈(230)은 외부 기기와 통신을 수행할 수 있다. 분석 서버(200)은 제2 통신모듈(230)을 이용하여 사용자 단말(100) 또는 외부 서버와 데이터 통신을 수행할 수 있다. 예를 들어, 분석 서버(200)는 제2 통신모듈(130)을 이용하여 사용자 단말(100)로부터 이미지 데이터를 획득할 수 있다.
제2 통신모듈(230)은 제1 통신 모듈(130)과 유사하게 제공될 수 있으므로, 이에 대한 보다 자세한 설명은 생략하기로 한다.
제2 메모리(250)는 분석 서버(200)의 각종 정보를 저장할 수 있다.
제2 메모리(250)에는 분석 서버(200)을 구동하기 위한 운용 프로그램이나 분석 서버(200)의 각 구성을 동작시키기 위한 프로그램을 비롯해 분석 서버(200)의 동작에 필요한 각종 데이터가 저장될 수 있다. 예를 들어, 제2 메모리(250)에는 이미지 데이터를 분석하기 위한 프로그램 및 데이터 분석을 위한 인공 신경망이 저장될 수 있다.
제2 메모리(250)는 제1 메모리(150)와 유사하게 제공될 수 있으므로, 이에 대한 보다 자세한 설명은 생략하기로 한다.
제2 프로세서(201)는 분석 서버(200)의 전반적인 동작을 제어할 수 있다. 예를 들어, 제2 프로세서(201)는 제2 메모리(250)로부터 데이터 가공 및 분석을 위한 프로그램을 로딩하여 사용자 단말(100)로부터 획득한 데이터를 가공 및 분석하고 그 결과를 사용자 단말(100)을 통해 사용자에게 제공하도록 제어 신호를 생성할 수 있다.
제2 프로세서(201)는 제1 콘트롤러(1250)와 유사하게 제공될 수 있으므로, 이에 대한 보다 자세한 설명은 생략하기로 한다.
이하에서는 본 명세서의 일 실시예에 따른 질병 정보 제공 방법에 관하여 설명한다. 이하의 설명에서는 본 명세서의 일 실시예에 따른 질병 정보 제공 방법이 상술한 질병 정보 제공 시스템(10)에 의해 수행되는 것으로 설명한다. 다만, 이는 설명의 편의를 위한 것에 불과하므로, 본 명세서의 일 실시예에 따른 질병 정보 제공 방법이 상술한 질병 정보 제공 시스템(10)에서 구현되는 것으로 한정되는 것은 아니다. 즉, 후술되는 질병 제공 방법 방법이 반드시 상술한 질병 정보 제공 시스템(10)에 의해서만 수행되어야 하는 것은 아니며 상술한 질병 정보 제공 시스템(10)과 유사한 기능을 갖는 다른 시스템이나 장치 등에 의해 수행되는 것도 가능하다.
도 5는 다양한 실시예에 따른 질병 정보 제공 방법을 나타낸 순서도이다.
도 5를 참조하면, 다양한 실시예에 따른 질병 정보 제공 방법은, 신체 이미지를 디스플레이 하는 단계(S110), 단위 신체 부위와 관련된 유저 입력을 획득하는 단계(S120), 단위 신체 부위와 관련된 제1 이미지 데이터를 획득하는 단계(S130), 제1 이미지 데이터를 분석하는 단계(S140) 및 분석 결과에 기초하여 타겟 조직을 검출하고 질병 스코어를 획득하는 단계(S150) 중 전부 또는 일부를 포함할 수 있다.
다양한 실시예에 따르면, 사용자 단말(100)은 신체 이미지를 디스플레이 할 수 있다(S110). 예를 들어, 사용자 단말(100)은 출력 모듈(120)을 통해 적어도 2 이상의 신체 부위가 포함된 신체 이미지를 디스플레이 할 수 있다. 여기서, 신체 이미지는 전신 이미지일 수 있으나, 반드시 이에 국한되는 것은 아니다. 일 실시예에서, 신체 이미지는 복수의 단위 신체 부위로 구획되어 있을 수 있다.
다양한 실시예에 따르면, 사용자 단말(100)은 단위 신체 부위와 관련된 유저 입력을 획득할 수 있다(S120). 예를 들어, 사용자는 질병 정보를 제공받고자 하는 신체 부위(예를 들어, 질병인지 여부가 불분명한 피부 조직들이 존재하는 신체 부위)에 관하여, 디스플레이 된 신체 이미지에 포함된 단위 신체 부위 중 적어도 어느 하나를 선택(예: 터치 입력을 인가)할 수 있다.
다양한 실시예에 따르면, 사용자 단말(100)은, 선택된 단위 신체 부위와 관련된 제1 이미지 데이터를 획득할 수 있다(S130). 여기서, 제1 이미지 데이터는, 단위 신체 부위가 전체적으로 촬영된 이미지 데이터를 의미할 수 있다. 또한, 제1 이미지 데이터는 질병 조직인지 여부가 불분명한 피부 조직들이 함께 촬영될 수도 있다. 이하의 설명에서, 질병 조직 여부가 불분명한 피부 조직들은 '의심 조직'이라고 지칭한다.
다양한 실시예에 따르면, 사용자 단말(100)은, 획득된 제1 이미지 데이터를 분석 서버(200)로 전송하고, 분석 서버(200)는 제1 이미지 데이터를 분석할 수 있다(S140). 후술할 바와 같이, 분석 서버(200)는 인공신경망을 이용하여 제1 이미지 데이터를 분석할 수 있다.
다양한 실시예에 따르면, 분석 서버(200)는 제1 이미지 데이터의 분석 결과를 사용자 단말(100)로 전송하고, 사용자 단말(100)은 타겟 조직을 검출하고 질병 스코어를 획득할 수 있다.
본 개시에서 이용되는 인공신경망 모델과 관련된 기능은 프로세서(예: 제2 프로세서(201))와 메모리(예: 제2 메모리(250))를 통해 동작된다. 프로세서(201)는 하나 또는 복수의 프로세서로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서는 CPU, AP, DSP(Digital Signal Processor) 등과 같은 범용 프로세서, GPU, VPU(Vision Processing Unit)와 같은 그래픽 전용 프로세서 또는 NPU와 같은 인공신경망 전용 프로세서일 수 있다. 하나 또는 복수의 프로세서는, 메모리(250)에 저장된 기 정의된 동작 규칙 또는 인공신경망 모델에 따라, 입력 데이터를 처리하도록 제어한다. 또는, 하나 또는 복수의 프로세서가 인공신경망 전용 프로세서인 경우, 인공신경망 전용 프로세서는, 특정 인공신경망 모델의 처리에 특화된 하드웨어 구조로 설계될 수 있다.
인공 신경망 모델은 진단 보조 정보를 생성하는 분류기(classifier)의 형태로 구현될 수 있다. 분류기는 이중 분류 또는 다중 분류를 수행할 수 있다. 예컨대, 신경망 모델은 입력 데이터를 특정 질병 또는 이상 징후 등의 타겟 진단 보조 정보에 대하여 정상 또는 비정상 클래스로 분류하는 이진 분류 모델일 수 있다. 또는, 신경망 모델은 입력 데이터를 특정 특성(예컨대, 질병의 진행 정도)에 대한 복수의 등급 클래스로 분류하는 다중 분류 모델일 수 있다. 또는, 신경망 모델은 특정 질병과 관련된 특정 수치를 출력하는 회귀 형태의 모델로 구현될 수도 있다.
기 정의된 동작 규칙 또는 인공신경망 모델은 학습을 통해 만들어진 것을 특징으로 한다. 여기서, 학습을 통해 만들어진다는 것은, 기본 인공신경망 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공신경망 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공신경망이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버 및/또는 시스템을 통해 이루어질 수도 있다. 학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)이 있으나, 전술한 예에 한정되지 않는다.
인공신경망 모델은 학습을 통해 만들어질 수 있다. 인공신경망 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어들 각각은 복수의 가중치들(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경망 연산을 수행한다. 복수의 신경망 레이어들이 갖고 있는 복수의 가중치들은 인공신경망 모델의 학습 결과에 의해 최적화될 수 있다. 예를 들어, 학습 과정 동안 인공신경망 모델에서 획득한 로스(loss) 값 또는 코스트(cost) 값이 감소 또는 최소화되도록 복수의 가중치들이 갱신될 수 있다.
인공 신경망은 심층 신경망(DNN: Deep Neural Network)를 포함할 수 있으며, 예를 들어, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), GAN (Generative Adversarial Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 또는 심층 Q-네트워크 (Deep Q-Networks) 등이 있으나, 전술한 예에 한정되지 않는다.
이하에서, 도 5의 질병 정보 제공 방법의 구현에 대해 도 6 내지 도 10을 참조하여 설명한다.
도 6은 다양한 실시예에 따라, 사용자 단말에서 질병 정보가 제공되는 동작을 나타낸 도면이다.
도 6을 참조하면, 사용자 단말(100)은 신체의 적어도 일부가 촬영된 이미지 데이터를 획득할 수 있다.
다양한 실시예에 따르면(주로 (a)를 참조하면), 사용자 단말(100)은 신체와 관련된 이미지(1)를 디스플레이 할 수 있다. 구체적으로, 제1 프로세서(101)는 출력 모듈(120)을 통해 신체 이미지(1)를 디스플레이할 수 있다. 여기서, 신체 이미지(1)는 전신 이미지 또는 신체 일부에 관한 이미지일 수 있다.
다양한 실시예에 따르면, 사용자 단말(100)은, 사용자로부터 단위 신체 부위(2 내지 6)에 대한 유저 입력을 획득할 수 있다. 여기서, 단위 신체 부위(2 내지 6)는, 질병 정보를 제공받고자 하는 신체 부위를 의미할 수 있다. 또한, 단위 신체 부위(2 내지 6)는 물리적으로 구획될 수 있는 신체의 적어도 일 부분을 의미할 수 있다. 이 외에도, 단위 신체 부위는 다양한 방식으로 구별될 수 있다.
예시적으로, 단위 신체 부위는, 손, 팔(2), 어깨(3), 가슴(6), 배, 등, 다리(5), 팔, 머리(4) 중 적어도 일부로 구분될 수 있다. 더하여, 손은 손가락, 팔은 상완과 하완 등, 더 세부적으로 구분될 수도 있다.
다양한 실시예에 따르면, 사용자는 출력 모듈(120)을 통해 출력된 신체 이미지에 포함된 적어도 일부의 단위 신체 부위(2 내지 6) 중 적어도 하나를 선택할 수 있다. 예를 들어, 사용자는 입력 모듈(예: 터치 입력)을 통해, 디스플레이 된 신체 이미지 중에서 질병 정보를 제공받고자 하는 단위 신체 부위를 선택할 수 있다. 다만, 본 개시의 다양한 실시예에서, 신체 이미지는 반드시 단위 신체 부위로 구획될 필요는 없다. 예를 들어, 사용자는 사용자(또는 환자)의 신체에서 의심 조직이 존재하는 부위와 상응하는 곳을 신체 이미지에서 선택할 수 있다. 다만, 설명의 편의를 위해 단위 신체 부위의 선택을 통한 질병 정보 제공 방법 위주로 설명한다.
어떤 실시예에서, 사용자 단말(100)을 통해 출력되는 신체 이미지(1)는 구도가 조절될 수 있다. 일 실시예에서, 신체 이미지(1)에 포함된 신체는 회전되거나, 확대/축소되거나 및/또는 이동될 수 있다. 사용자는, 신체 이미지(1)의 구도를 조절하면서, 최적의 단위 신체 부위(2 내지 6)를 선택할 수 있다.
다양한 실시예에 따르면(도 6의 (b)를 참조하면), 사용자 단말(100)은, 유저 입력에 상응하여, 단위 신체 부위(2)와 관련된 이미지의 업로드를 요청하는 인디케이션을 제공할 수 있다. 일 실시예에서, 사용자 단말(100)은, 유저 입력과 상응하는 단위 신체 부위(예: 팔(2))에 관한 이미지를 디스플레이 하고, 해당 단위 신체 부위(2)에 대한 이미지의 업로드를 요청하는 인디케이션을 함께 디스플레이할 수 있다.
다양한 실시예에 따르면(주로 도 6의 (c)를 참조하면), 사용자 단말(100)은, 사용자로부터 단위 신체 부위와 관련된 제1 이미지 데이터를 획득할 수 있다. 예를 들어, 사용자는, 선택된 단위 신체 부위와 관련된 사진이나 영상이 촬영된 촬영된 제1 이미지 데이터를 업로드할 수 있다. 어떤 실시예에서, 사용자 단말(100)은, 유저 입력에 상응하여 카메라(140)를 구동시킴으로써, 사용자로 하여금 실시간으로 단위 신체 부위를 촬영하게끔 할 수 있다.
어떤 실시예에서, 사용자 단말(100)은, 업로드된 제1 이미지 데이터와 유저 입력에 의해 선택된 단위 신체 부위를 비교할 수 있다. 예를 들어, 사용자가 단위 신체 부위로 팔을 선택하고 다리와 관련된 이미지 데이터를 업로드 한 경우, 제1 프로세서(101)는 업로드된 이미지 데이터가 팔에 해당하는 지 분석할 수 있다. 분석 결과, 업로드된 이미지 데이터가 팔에 해당하지 않는 경우, 사용자 단말(100)은 사용자에게 다른 사진의 업로드 또는 오류 발생에 관련된 인디케이션을 제공할 수 있다.
어떤 실시예에서, 신체 이미지(1)는 복수의 단위 신체 부위들(2 내지 6)으로 구분되지 않을 수도 있다. 예를 들어, 팔과 어깨의 경계와 같이, 확실하게 구분되기 어려운 위치에 의심 조직이 위치할 수도 있기 때문에, 사용자는 별도의 단위 신체 부위(2 내지 6)에 대한 선택 없이, 제1 이미지 데이터를 업로드 할 수도 있다. 또한, 어떤 실시예에서, 사용자는 복수의 단위 신체 부위들(2 내지 6)으로 구분되지 않은 신체 이미지(1) 그 자체에서, 의심 조직이 발생한 신체 부위를 선택하고, 해당 부위와 관련된 제1 이미지 데이터를 업로드 할 수도 있다. 즉, 신체 이미지(1)의 단위 신체 부위(2 내지 6)으로의 구획은 수행되지 않을 수도 있다.
도 7은 다양한 실시예에 따라, 서버에서 수행되는 이미지 분석 동작을 나타낸 도면이다. 도 8은 다양한 실시예에 따라, 서버에서 제공되는 질병 스코어의 일 예를 나타낸 도면이다.
도 7 및 도 8을 참조하면, 분석 서버(200)는 미리 학습된 인공신경망 모델을 이용하여, 이미지 데이터로부터 질병 스코어를 획득할 수 있다. 본 개시의 설명에서, 인공신경망 모델은 주로 이미지 데이터에서 물체를 검출하기 위한 것일 수 있으나, 이에 국한되지는 않는다. 예를 들어, 인공신경망 모델은 RCNN, Fast-RCNN, Faster-RCNN, Fastest-RCNN, Yolo 등의 모델들이 이용될 수 있다.
다양한 실시예에 따르면, 인공신경망 모델(202)은, 미리 획득된 이미지 데이터들에 질병 지표가 태깅된 학습 데이터 셋으로 학습될 수 있다. 일 실시예에서, 질병 지표는 2개 이상의 종류로 구분될 수 있다. 예를 들어, 질병 지표는 악성(malignant) 지표, 예비 악성(pre-malignant) 지표, 양성(benign) 지표를 포함할 수 있다. 일 실시예에서, 따르면, 질병 지표는, 다시 세부 질병 지표로 구분될 수 있다. 예를 들어, 악성 질병 지표는, 세부적으로 악성 흑색종, 기저 세포암, 편평 세포암으로 구분될 수 있다. 다른 예로, 예비 악성 질병 지표는, 세부적으로 광선 각화증, 이형성 모반 증후군 및 거대 색소성 점으로 구분될 수 있다. 또 다른 예로, 양성 질병 지표는, 세부적으로 표피 낭종, 사마귀, 지루 각화증, 비립종, 피지샘 증식증, 피부 섬유종, 점, 티눈, 굳은살 및/또는 주근깨 중 전부 또는 일부로 구분될 수 있다.
다양한 실시예에 따르면, 충분히 학습된 인공신경망은, 이미지 데이터를 분석하여, 이미지 데이터 내에 포함된 조직의 질병 스코어를 획득할 수 있다.
일 실시예에서, 질병 스코어는, 이미지 데이터 내에 포함된 의심 조직들에 부여된 복수의 질병 지표들에 대한 인공신경망 모델의 결과값이 조합되어 생성될 수 있다. 또는, 질병 스코어는, 이미지 데이터 내에 포함된 조직에 부여된 복수의 질병 지표들 각각에 대한 인공신경망 모델의 결과값(또는 이로부터 파생된 각각의 값)을 의미할 수도 있다. 여기서, 인공신경망 모델의 결과값은, 제1 이미지 데이터에 포함된 의심 조직이 복수의 질병 지표들 중 어느 하나에 해당할 확률값을 의미할 수 있다. 다른 예로, 인공신경망 모델의 결과값은 결과값을 의미할 수도 있다. 이하에서, '인공신경망 모델의 결과값'은 단순히 '결과값'으로 축약하여 지칭하기로 한다.
다양한 실시예에 따르면, 질병 스코어는 복수의 다른 스코어로 구분될 수 있다. 일 실시예에서, 질병 스코어는 세부 스코어, 종목 스코어 및 종합 스코어 중 적어도 어느 하나를 포함할 수 있다.
일 실시예에서, 세부 스코어는, 복수의 세부 질병 지표들에 대한 인공신경망 모델의 결과값일 수 있다. 예를 들어, 세부 스코어는, 복수의 세부 질병 지표들에 해당할 확률값을 의미할 수 있다. 이 경우, 세부 스코어들의 합은 1일 수 있다.
다양한 실시예에 따르면, 종합 스코어(T)는 세부 스코어들(M1 ~ M3, P1 ~ P3, B1 ~ B10) 중 전부 또는 일부에 기초하여 생성될 수 있다. 일 실시예에서, 종합 스코어(T)는 세부 스코어들(M1 ~ M3, P1 ~ P3, B1 ~ B10) 중 전부 또는 일부에 가중치를 부여한 값에 기초하여 생성될 수 있다. 예를 들어, 종합 스코어(T)는 악성 질병 지표들에 관한 세부 스코어들(M1 ~ M3) 및/또는 예비 악성 질병 지표들에 관한 세부 스코어들(P1 ~ P3)에 가중치가 부여된 값에 기초하여 생성될 수 있다. 이때, 일 예로, 악성 질병 지표들(M1 ~ M3)에는 예비 악성 질병 지표들에 관한 세부 스코어들(P1 ~ P3) 및/또는 양성 질병 지표들에 관한 세부 스코어들(B1~B10) 보다 더 큰 가중치가 부여될 수 있다. 또한, 예비 악성 질병 지표들에 관한 세부 스코어들(P1 ~ P3)에는 양성 질병 지표들에 관한 세부 스코어들(B1 ~ B10) 보다 더 큰 가중치가 부여될 수 있다. 일 실시예에서, 종합 스코어(T)를 산출함에 있어서, 악성 질병 지표들에 관한 세부 스코어들(M1 ~ M3) 및 예비 악성 질병 지표들에 관한 세부 스코어들(P1 ~ P3)만이 이용될 수도 있다. 이 경우, 예비 악성 질병 지표들에 관한 세부 스코어들(P1 ~ P3)에는 0보다 크고 1보다 작은 가중치 값이 부여될 수 있다.
어떤 실시예에서, 악성 질병 지표에 관한 종목 스코어는 Mt1로 표현될 수 있다. 여기서, 종목 스코어는, 동일한 질병 지표에 포함되는 세부 지표들에 대한 결과값이 조합되어 생성될 수 있다. 예를 들어, 악성 질병 지표에 대한 종목 스코어(Mt1)는, 세부 질병 지표들에 대한 세부 스코어들(M1, M2, M3)이 조합되어 생성될 수 있다. 일 예로, 종목 스코어(Mt1)는 세부 스코어들(M1,M2,M3)의 평균값일 수 있다. 다른 예로, 종목 스코어(Mt1)는 세부 스코어들(M1,M2,M3) 중 가장 높거나 가장 낮은 값일 수 있다. 또 다른 예로, 종목 스코어(Mt1)는 세부 스코어들(M1,M2,M3)의 중간값일 수 있다. 어떤 실시예에서, 종목 스코어(Mt1)는 세부 스코어(M1,M2,M3)들의 전부 또는 일부에 가중치가 부여된 값에 기초하여 생성될 수도 있다. 악성 질병 지표에 관한 설명은, 예비 악성 질병 지표 및 양성 질병 지표에 적용될 수 있다. 예비 악성 질병 지표에 대한 세부 스코어(P1,P2,P3) 및 종목 스코어(Pt1)에 대한 설명은 악성 질병 지표에 대한 세부 스코어(M1,M2,M3) 및 종목 스코어(Mt1)에 대한 설명이 준용될 수 있다. 유사하게, 양성 질병 지표에 대한 세부 스코어(B1,B2,B3, ... , B10) 및 종목 스코어(Bt1)에 대한 설명은 악성 질병 지표에 대한 세부 스코어(M1,M2,M3) 및 종목 스코어(Mt1)에 대한 설명이 준용될 수 있다.
일 실시예에서, 종합 스코어(T)는 복수의 종목 스코어(Mt1, Pt1, Bt1)값이 조합되어 생성될 수 있다. 일 예로, 종합 스코어(T)는 종목 스코어들(Mt1, Pt1, Bt1)의 평균값일 수 있다. 다른 예로, 종합 스코어(T)는 종목 스코어들(Mt1, Pt1, Bt1) 중 가장 높거나 가장 낮은 값일 수 있다. 또 다른 예로, 종합 스코어(T)는 종목 스코어들(Mt1, Pt1, Bt1)의 중간값일 수 있다.
도 9는 다양한 실시예에 따라, 이미지 데이터 내에서 의심 조직의 검출이 수행되는 것을 나타낸 도면이다. 도 10은 다양한 실시예에 따라, 이미지 데이터로부터 타겟 조직이 검출되는 것을 나타낸 도면이다.
도 9 및 도 10을 참조하면, 질병 정보 제공 시스템(10)은 제1 이미지 데이터를 분석하여, 제1 이미지 데이터 내에 포함된 적어도 하나 이상의 의심 조직을 검출할 수 있다. 도 9 및 도 10을 설명함에 있어, 도 8에 관한 내용이 참조될 수 있다.
다양한 실시예에 따르면, 분석 서버(200)는 제1 이미지 데이터에 포함된 적어도 하나 이상의 의심 조직을 검출할 수 있다. 어떤 실시예에서, 사용자 단말(100)은 검출된 의심 조직들을 구획하여 디스플레이 할 수도 있다. 이하의 설명에서, 분석 서버(200)에서의 분석 결과로, 이미지 데이터 내에서 검출된 의심 조직(예: 이미지 데이터 내에서 검출된 바운딩 박스 영역)을 '예비 타겟 조직' 이라고 지칭하기로 한다.
다양한 실시예에 따르면, 분석 서버(200)가 예비 타겟 조직들을 검출함에 있어서 질병 스코어가 이용될 수 있다. 일 실시예에서, 임계값 이상의 질병 스코어가 확인된 제1 이미지 데이터 내의 일부 영역이 예비 타겟 조직으로 검출될 수 있다. 여기서, 질병 스코어는, 상술한 세부 스코어, 종목 스코어 및/또는 종합 스코어 중 적어도 어느 하나가 이용될 수 있다. 또한 여기서, 이미지 데이터 내에서 예비 타겟 조직을 검출하기 위한 질병 스코어는, '검출 스코어'라고 지칭될 수도 있다. 따라서, 본 개시에서 '질병 스코어'와 '검출 스코어'의 용어는 혼용되어 사용될 수 있다. 어떤 실시예에서, 검출 스코어는, 질병과 관련있는 악성 질병 지표 및/또는 예비 악성 질병 지표와 관련된 결과값에 의해 파생될 수 있다. 다른 실시예에서, 검출 스코어는, 형상이 특이한 피부 조직을 검출하기 위하여, 양성 질병 지표에 대한 결과값에 의해서도 파생될 수 있다. 따라서, 검출 스코어가 임계값 미만이라면, 육안으로 보았을 때 이상 조직이더라도, 분석 서버(200)의 분석 결과에서 예비 타겟 조직으로 검출되지 않을 수 있다.
다양한 실시예에서, 임계값은 질병과의 관련도를 고려하여 결정될 수 있다. 예를 들어, 임계값이 크게 설정될수록 질병과 관련이 큰 조직들이 검출될 수 있다. 반대로, 임계값이 작게 설정될수록 질병과 관련이 적은 조직들도 검출될 수 있다. 어떤 실시예에서, 임계값은 사용자에 의해 설정될 수 있다. 또한, 임계값은, 검출 스코어의 생성에 이용되는 질병 지표의 종류에 기초하여 결정될 수도 있다. 예를 들어, 검출 스코어가 악성 질병 지표 및/또는 예비 악성 질병 지표를 이용하여만 생성되는 경우, 임계값이 상대적으로 낮게 설정되어도 질병과 관련있는 조직들이 검출될 수 있다.
다양한 실시예에 따르면, 분석 서버(200)는 제1 이미지 데이터에 포함된 적어도 하나 이상의 타겟 조직을 검출할 수 있다. 일 실시예에서, 타겟 조직은 질병으로 의심되는 조직으로서, 세부적인 병리학 정보가 요구되는 조직을 의미할 수 있다. 예를 들어, 타겟 조직은 제1 이미지 데이터 내에서, 악성 질병 지표에 대한 질병 스코어들 및/또는 예비 악성 질병 지표에 대한 질병 스코어들 중 전부 또는 일부가 조합되어 파생된 검출 스코어에 의해 검출될 수 있다. 또한, 어떤 실시예에서는, 임계값 이상의 검출 스코어가 확인된 예비 타겟 조직들 중에서, 더 높은 임계값 이상의 검출 스코어가 확인된 특정 의심 조직들을 타겟 조직으로 볼 수도 있을 것이다. 이때, 예비 타겟 조직을 검출하기 위한 임계값은 제1 임계값, 타겟 조직을 검출하기 위한 임계값은 제2 임계값이라고 지칭할 수도 있다.
도 9 및 도 10을 함께 참조하면, 분석 서버(200)는 제1 이미지 데이터 내에 포함된 여러 예비 타겟 조직들을 분류하고(도 9 참조), 분류된 의심 조직들 중에서 질병과 관련이 높은 타겟 조직을 더 검출할 수 있다(도 10 참조). 어떤 실시예에 따르면, 분석 서버(200)는 제1 이미지 데이터에 포함된 픽셀들의 질병 지표에 대한 결과값만을 제공하고, 사용자 단말(100)의 제1 프로세서(101)에서 의심 조직들 및/또는 타겟 조직을 검출할 수도 있다.
어떤 실시예에서는, 분석 서버(200)는 타겟 조직만을 검출할 수도 있다. 예를 들어, 특정한 경우에 사용자는 질병과 관련된 조직에 관한 정보만을 궁금해하므로, 분석 서버(200)는 상대적으로 질병과 관련도가 높은 타겟 조직만을 검출할 수 있다.
다양한 실시예에 따르면, 시스템(10)은, 예비 타겟 조직 및/또는 타겟 조직을 구획하여 디스플레이 함과 동시에, 해당 예비 타겟 조직 및/또는 타겟 조직과 관련된 질병 정보를 함께 태깅하여 디스플레이 할 수 있다. 일 실시예에서, 사용자 단말(100)은, 예비 타겟 조직 및/또는 타겟 조직을 구획하기 위한 바운딩 박스 및 해당 바운딩 박스와 상응하는 질병 스코어를 함께 디스플레이할 수 있다. 사용자 단말(100)에서 질병 정보를 태깅하는 방식은 다양하게 이용될 수 있을 것이다. 예를 들어, 사용자 단말(100)은 예비 타겟 조직 및/또는 타겟 조직과 인접하게 질병 정보를 태깅할 수 있다. 다른 예로, 사용자 단말(100)은 예비 타겟 조직 및/또는 타겟 조직에 대한 유저 입력이 수신되면(예: 사용자가 터치 인풋을 인가하면), 질병 정보를 디스플레이할 수도 있다. 또는, 분석 서버(200)에서, 사용자 단말(200)을 통해 디스플레이 될 정보를 송신할 수도 있다. 이 외에도 다양한 실시 변형이 가능하다.
다양한 실시예에 따르면, 사용자 단말(100)은, 예비 타겟 조직과 타겟 조직이 구별되도록 디스플레이 할 수도 있다. 일 실시예에 따르면, 사용자 단말(100)은 예비 타겟 조직과 타겟 조직에 대해 서로 다른 인디케이션을 제공할 수 있다. 예를 들어, 사용자 단말(100)은 예비 타겟 조직과 타겟 조직을 서로 다른 색으로 구별되도록 디스플레이 할 수 있다. 다른 예로, 예비 타겟 조직과 타겟 조직은 서로 다른 크기로 구별될 수도 있다. 분석 서버(200)에서, 사용자 단말(200)을 통해 디스플레이 될 정보를 송신할 수도 있다. 이 외에도 다양한 실시 변형이 가능할 것이다.
어떤 실시예에서, 사용자 단말(100)은 해당 예비 타겟 조직 및/또는 타겟 조직에 확인된 질병 스코어(또는 검출 스코어)에 기초하여 다른 인디케이션을 제공할 수도 있다. 일 실시예에서, 질병 스코어가 높을수록 시각적으로 자극적인 인디케이션이 제공될 수 있다. 예를 들어, 질병 스코어가 높을수록 진한 색의 인디케이션이 제공되거나 질병 스코어가 낮을수록 연한 색의 인디케이션이 제공될 수 있다. 여기서, 인디케이션은 바운딩 박스 및/또는 제1 이미지 데이터 내의 픽셀에 적용될 수 있다. 예를 들어, 제1 내지 제3 예비 타겟들(K1, K2, K3)은 상술한 제1 임계값 이상의 질병 스코어이고, 제4 타겟(K4)는 제2 임계값 이상의 질병 스코어일 때, 제1 내지 제3 예비 타겟들(K1,K2,K3)에 대한 인디케이션(예: 바운딩 박스(K1a,K2a,K3a)와 제4 타겟(K4)에 대한 인디케이션(예: 바운딩 박스(K4a)는 시각적으로 구분될 수 있다. 예를 들어, 서로 다른 색의 바운딩 박스로 표현될 수 있다.
다양한 실시예에 따르면, 분석 서버(200)는 예비 타겟 조직의 위치 정보를 판단할 수 있다. 일 실시예에서, 분석 서버(200)는 질병 지표들에 대한 결과값이 임계값 이상인 픽셀들의 집합을 예비 타겟 조직 영역으로 검출하고, 예비 타겟 조직 영역에 대한 위치 정보를 판단할 수 있다. 여기서, 예비 타겟 조직 영역에 대한 위치 정보는, 이미지 데이터 내에서 픽셀들 또는 바운딩 박스의 위치에 기초하여 정해질 수 있다. 다양한 실시예에 따르면, 사용자 단말(100)은, 예비 타겟 조직 및/또는 타겟 조직의 위치 정보를 사용자에게 제공할 수 있다.
어떤 실시예에서는(도 10을 참조하면), 시스템(10)은 질병 스코어가 높은(질병과 관련도가 큰) 타겟 조직(K4)에 대해서만 시각적으로 구획할 수 있다. 예를 들어, 분석 서버(200)는 질병과 관련된 임계값이 80이라고 할 때, 80 이상의 질병 스코어를 가진 타겟(K4)에 대해서만 바운딩 박스로 구획할 수 있다. 사용자 단말(100)은, 해당 정보를 수신하여 디스플레이 할 수 있다.
다양한 실시예에 따르면, 시스템(10)은, 질병 스코어가 높은 타겟 조직(K4)에 대해서, 재촬영을 요청할 수 있다. 다만, 도 9에서처럼, 예비 타겟 조직들(K1, K2, K3)에 대해서 재촬영을 요청할 수도 있음은 물론이다. 즉, 질병 스코어에 관한 제3 임계값 설정이 가능하고, 제3 임계값 이상의 질병 스코어가 획득된 예비 타겟 및/또는 타겟 조직들에 대한 재 촬영 요청이 가능한 것이다. 여기서, 제3 임계값은 재촬영이 요구되는 질병 스코어의 임계값일 수 있다. 일 실시예에서, 질병 스코어가 제2 임계값(예: 질병과 관련도가 높은) 이상일 경우, 분석 서버(200)는 해당 타겟 조직(K4)에 대한 제2 이미지 데이터를 촬영하도록 요청할 수 있다. 사용자 단말(100)은, 제2 이미지 데이터에 대환 촬영 요청을, 사용자가 인식하도록 디스플레이할 수 있다. 여기서, 제2 이미지 데이터는 타겟 조직(K4)에 대한 확대 이미지 일 수 있다. 예를 들어, 제2 이미지 데이터는, 타겟 조직(K4)에 대한 근접 이미지이거나, 피부경 이미지(dermascopic image)를 의미할 수 있으나 이에 국한되지 않는다.
도 11은 다양한 실시예에 따라, 타겟 조직과 관련된 질병 정보를 제공하는 방법을 나타낸 순서도이다.
도 11을 참조하면, 타겟 조직과 관련된 질병 정보를 제공하는 방법은, 타겟 조직이 촬영된 제2 이미지 데이터를 획득하는 단계(S220) 및 타겟 조직에 대한 질병 스코어를 획득하는 단계(S240)를 포함할 수 있다.
다양한 실시예에 따르면, 시스템(10)은 타겟 조직이 촬영된 제2 이미지 데이터를 획득할 수 있다(S220). 여기서, 제2 이미지 데이터는, 제1 이미지 데이터에서 타겟 조직(또는 예비 타겟 조직)으로 검출된 조직이 촬영된 이미지 데이터로서, 해당 타겟 조직이 보다 확대되어 촬영된 이미지 데이터를 의미할 수 있다. 사용자 단말(100)은 제2 이미지 데이터를 분석 서버(200)로 전송할 수 있다.
다양한 실시예에서, 시스템(10)은 타겟 조직에 대한 제2 이미지 데이터의 업로드 요청 인디케이션을 제공할 수 있다. 예를 들어, 사용자는 제1 이미지 데이터의 분석 결과 검출된 타겟 조직들(또는 예비 타겟 조직들) 중 적어도 하나의 타겟 조직(또는 예비 타겟 조직)을 선택할 수 있고(예: 터치 입력을 인가), 사용자 단말(100)은 선택된 타겟 조직에 대한 제2 이미지 데이터의 업로드를 요청할 수 있다.
다양한 실시예에 따르면, 분석 서버(200)는 제2 이미지 데이터를 분석하고, 제2 이미지 데이터에 포함된 타겟 조직에 대한 질병 스코어를 제공할 수 있다(S240). 구체적으로, 분석 서버(200)는 제2 이미지 데이터에 포함된 타겟 조직에 대한 질병 스코어를 제공할 수 있다.
도 12는 다양한 실시예에 따라, 타겟 조직의 질병 정보를 제공하는 모습을 나타낸 도면이다.
도 12를 참조하면, 시스템(10)은 제2 이미지 데이터 내에 포함된 타겟 조직의 질병 정보를 제공할 수 있다. 여기서, 제2 이미지 데이터는 전술한 바와 같이, 확대 이미지 또는 피부경 이미지 일 수 있다.
다양한 실시예에 따르면, 시스템(10)은 제2 이미지 데이터에서 검출된 타겟 조직에 질병 정보를 제공할 수 있다. 예를 들어, 타겟 조직에 대한 검출 정보와 함께 질병 스코어를 함께 제공할 수 있다. 여기서, 질병 스코어는 상술한 세부 질병 지표에 대한 세부 스코어가 모두 제공될 수 있다. 세부 스코어에는, 질병 지표에 따라 가중치가 부여될 수 있음은 물론이다. 또한, 타겟 조직(또는 예비 타겟 조직)에 관한 결과값들은, 타겟 결과값으로 지칭될 수 있다.
다양한 실시예에 따르면, 분석 서버(200)는, 타겟 조직(또는 예비 타겟 조직)의 위치 정보에 기초하여, 제2 이미지 데이터 내에서 타겟 조직을 검출할 수 있다. 예를 들어, 분석 서버(200)는 제1 이미지 데이터 내에서 검출된 타겟 조직과 제2 이미지 데이터 내에서 검출된 타겟 조직의 위치 정보를 비교하여, 서로 상응하는 타겟 조직들 간의 질병 정보를 제공할 수 있다.
다양한 실시예에 따르면, 시스템(10)은 사용자가 사용자 단말(100)에 출력된 타겟 조직을 선택하면(예: 터치 입력을 인가하면), 해당 타겟 조직에 대한 질병 정보를 제공할 수 있다. 예를 들어, 제2 이미지 데이터 내에 2 이상의 타겟 조직이 존재하는 경우, 하나의 타겟 조직에 대해 사용자가 터치 입력을 인가하면, 분석 서버(200)는 사용자 단말(100)을 통해 해당 타겟 조직에 대한 질병 정보를 제공할 수 있다. 어떤 실시예에서, 제2 이미지 데이터 내에 2 이상의 타겟 조직이 존재하는 경우에, 분석 서버(200)는 사용자 단말(100)을 통해 각각의 타겟 조직에 대한 비교 정보를 제공할 수도 있다.
어떤 실시예에서, 분석 서버(200)는 질병 정보로서, 해당 질병에 관한 사전적 정보를 제공할 수도 있다. 예를 들어, 흑색종과 관련된 세부 질병 지표가 높게 질병 스코어가 계산된 경우에, 분석 서버(200)는 흑색종에 대한 사전적 정보를 사용자 단말(100)을 통해 사용자에게 제공할 수 있다. 여기서, 사전적 정보는 유저 입력에 응답하여 제공될 수 있다. 예를 들어, 사용자가 디스플레이를 통해 도시되는 세부 질병 지표(예: 흑색종, 편평암, 사마귀 등)에 입력을 인가하면(예: 터치 입력), 분석 서버(200)는 사용자의 입력에 상응하는 질병에 관한 사전적 정보를 제공할 수 있다.
도 13은 다양한 실시예에 따라, 리마인더 인디케이션을 포함하는 질병 정보 제공 방법을 나타낸 순서도이다.
도 13을 참조하면, 리마인더 인디케이션을 포함하는 질병 정보 제공 방법은, 소정의 시간이 경과된 이후 리마인더 인디케이션을 제공하는 단계(S320), 타겟 조직에 대한 제3 이미지 데이터를 획득하는 단계(S340) 및 질병 스코어 비교 결과를 제공하는 단계(S360)를 포함할 수 있다.
다양한 실시예에 따르면(도 14의 (a)를 참조하면), 시스템(10)은, 제1 이미지 데이터에 대한 분석 결과 또는 제2 이미지 데이터에 대한 분석 결과가 제공된 이후 소정의 시간이 경과되면, 사용자에게 리마인더 인디케이션을 제공할 수 있다. 리마인더 인디케이션은 분석 서버(200)가 제공할 수도 있고, 사용자 단말(100)이 제공할 수도 있다. 예를 들어, 소정의 기간이 경과 후 분석 서버(200)에서 리마인더 인디케이션의 제공을 위한 시그널을 사용자 단말(100)로 전송하고, 사용자 단말(100)은 이에 응답하여 리마인더 인디케이션을 제공할 수 있다. 여기서, 소정의 시간은 질병으로 의심되는 조직의 재 진단이 필요한 기간을 의미할 수 있다. 예를 들어, 소정의 시간은 2주일 수 있다. 여기서, 소정의 시간은, 해당 타겟 조직(또는 예비 타겟 조직)의 질병 스코어에 기초하여 결정될 수 있다. 예를 들어, 타겟 조직(또는 예비 타겟 조직)의 질병 스코어가 낮은 경우에는, 높은 경우보다 상대적으로 긴 시간 이후에 리마인더 인디케이션을 제공할 수 있다. 일 실시예에 따르면, 리마인더 인디케이션은 사용자 단말(100)의 출력 모듈(120)을 통해 제공될 수 있다. 여기서, 리마인더 인디케이션은, 디스플레이를 통한 시각적 정보, 진동을 통한 촉각 정보 및/또는 음향 정보를 통해 제공될 수 있다. 이 외에도 다양한 방식이 이용될 수 있다.
다양한 실시예에 따르면, 사용자 단말(100)은 타겟 조직(K4)과 관련된 제3 이미지 데이터를 획득할 수 있다. 여기서, 제3 이미지 데이터는, 상술한 제1 이미지 데이터 또는 제2 이미지 데이터와 실질적으로 동일하거나 유사한 구도에서 촬영된 이미지 데이터일 수 있다. 또는, 제3 이미지 데이터는 제1 이미지 데이터 또는 제2 이미지 데이터에 포함된 타겟 조직(K4)(또는 예비 타겟 조직(K1,K2,K3))이 촬영된 이미지 데이터를 의미할 수 있다. 사용자 단말(100)은, 제3 이미지 데이터를 분석 서버(200)로 전송할 수 있다.
다양한 실시예에 따르면, 분석 서버(200)는 질병 스코어 비교 결과를 제공할 수 있다. 일 실시예에서, 분석 서버(200)는 제3 이미지 데이터에 대해 분석하고, 제3 이미지 데이터에 포함된 예비 타겟 조직 및/또는 타겟 조직을 검출하고 질병 스코어를 획득할 수 있다. 제3 이미지 데이터의 분석 이후, 분석 서버(200)는 제1 이미지 데이터에 포함된 타겟 조직(K4') 및 예비 타겟 조직에 대한 질병 스코어와, 제1 이미지 데이터에 포함된 타겟 조직(K4') 및 예비 타겟 조직과 상응하는 제3 이미지 데이터 내의 타겟 조직(K4'') 및 예비 타겟 조직의 질병 스코어를 비교할 수 있다. 이와 유사하게, 제2 이미지 데이터와 제3 이미지 데이터의 질병 스코어가 비교될 수 있다.
도 14는 도 13의 질병 정보 제공 방법이 구현되는 모습을 나타낸 도면이다.
도 14를 참조하면, 시스템(10)은, 제1 이미지 데이터(및/또는 제2 이미지 데이터)와 제3 이미지 데이터의 질병 스코어 비교 결과를 제공할 수 있다.
다양한 실시예에 따르면, 분석 서버(200)는 제3 이미지 데이터의 분석 이후, 분석 서버(200)는 제1 이미지 데이터에 포함된 타겟 조직(K4') 및 예비 타겟 조직에 대한 질병 스코어와, 제1 이미지 데이터에 포함된 타겟 조직(K4') 및 예비 타겟 조직과 상응하는 제3 이미지 데이터 내의 타겟 조직(K4'') 및 예비 타겟 조직의 질병 스코어를 비교할 수 있다. 이와 유사하게, 제2 이미지 데이터와 제3 이미지 데이터의 질병 스코어가 비교될 수 있다.
다양한 실시예에 따르면, 시스템(10)은 제1 이미지 데이터에 포함된 타겟 조직(K4')과 제3 이미지 데이터에 포함된 타겟 조직(K4'')의 질병 스코어를 비교하고, 그 결과를 출력할 수 있다. 예를 들어, 사용자 단말(100)은 제1 이미지 데이터와 제3 이미지 데이터에 각각 포함되고 서로 상응하는 타겟 조직(K4',K4'') 각각의 질병 스코어 및/또는 그 차이값(예: 도 14(b)의 차이값 15)을 함께 출력할 수 있다. 여기서, 서로 상응하는 타겟 조직을 판단함에 있어서, 상술한 위치 정보가 이용될 수 있음은 물론이다.
일 실시예에서, 제1 이미지 데이터에 포함된 타겟 조직과 제3 이미지 데이터에 포함된 타겟 조직의 질병 스코어 값의 차이가 제4 임계값 이상인 경우, 사용자 단말(100)은 사용자에게 제1 알람을 제공할 수 있다. 예를 들어, 제4 임계값은 알람을 발생시키기 위한 질병 스코어의 차이값에 대한 임계값을 의미할 수 있다. 또한, 알람은 타겟 조직이 질병과 관련되었다는 의미 또는 타겟 조직이 유의미하게 성장한 것을 반영할 수 있다. 다른 예로, 제1 이미지 데이터에 포함된 타겟 조직과 제3 이미지 데이터에 포함된 타겟 조직의 질병 스코어 값의 차이가 미미하거나 제5 임계값 미만인 경우, 사용자 단말(100)은 사용자에게 제2 알람을 제공할 수 있다. 여기서, 제2 알람은 타겟 조직(또는 예비 타겟 조직)이 질병과 관련이 적거나 유의미하게 성장하지 못한 것을 반영할 수 있다.
다양한 실시예에 따르면, 시스템(10)은 제1 이미지 데이터(또는 제2 이미지 데이터)와 제3 이미지 데이터를 비교하여, 새로운 병변의 발생 여부를 판단할 수 있다. 일 실시예에서, 분석 서버(200)는, 제1 이미지 데이터 내의 타겟 조직(또는 예비 타겟 조직들(J1a, J2a))과 제3 이미지 데이터 내의 타겟 조직(또는 예비 타겟 조직들(J1b, J2b)) 사이의 질병 진행 정도를 판단하고, 새로운 의심 조직(J3)의 발생 여부를 판단할 수도 있다. 분석 서버(200)는 새로운 의심 조직(J3)을 구획할 수 있고, 사용자 단말(100)은 이를 구획하여 디스플레이 할 수도 있다. 여기서, 제1 이미지 데이터(또는 제2 이미지 데이터)와 제3 이미지 데이터를 비교함에 있어서, 제1 이미지 데이터의 예비 타겟 조직들(J1a, J2a)의 위치 정보와 제3 이미지 데이터의 타겟 조직(또는 예비 타겟 조직들(J1b, J2b))의 위치 정보를 비교하여, 서로 상응하는 타겟 조직인지 여부를 판단할 수 있다.
이상에서 설명된 질병 정보 제공 방법들은, 사용자 단말(100)에서만 수행되거나, 분석 서버(200)에서 수행되거나, 적어도 일부는 사용자 단말(100)에서 수행되고 적어도 일부는 분석 서버(200)에서 수행될 수 있다. 어떤 실시예에서는, 시스템(10)은 하나의 장치로 통합될 수도 있다.
다양한 실시예에 따르면, 메모리 및 상기 메모리로부터 로드된 프로그램을 구동하는 프로세서를 포함하는 분석 서버에 의해 수행되는 질병 정보 제공 방법에 있어서, 신체 부위 및 상기 신체 부위에 위치된 적어도 하나 이상의 의심 조직이 촬영된 제1 이미지 데이터를 획득하는 단계; 인공신경망을 이용하여 상기 제1 이미지 데이터를 분석하는 단계로서, 상기 제1 인공신경망은 신체 부위를 촬영한 이미지 데이터로부터 질병과 관련된 타겟 조직을 검출하도록 학습되고, 상기 분석 결과에 기초하여 상기 제1 이미지 데이터 내에 포함된 상기 적어도 하나 이상의 의심조직들 중에서 상기 복수의 질병 지표들 중 적어도 일부의 결과값으로부터 파생된 검출 스코어가 임계값 이상으로 분석된 적어도 하나 이상의 상기 타겟 조직을 검출하는 단계; 상기 적어도 하나 이상의 타겟 조직에 대한 제2 이미지 데이터를 요청하는 단계; 상기 적어도 하나 이상의 타겟 조직이 촬영된 제2 이미지 데이터를 획득하는 단계; 제2 인공신경망을 이용하여 상기 타겟 조직과 상응하는 상기 복수의 질병 지표들의 질병 정보를 획득하는 단계로서, 상기 제2 인공신경망은 이미지 데이터에 포함된 타겟 조직에 대한 복수의 질병 지표들에 관한 타겟 결과값을 획득하도록 학습되고, 및 상기 타겟 결과값에 기초하여 질병 스코어를 제공하는 단계;를 포함하는 질병 정보 제공 방법이 제공될 수 있다.
일 실시예에 따르면, 상기 복수의 질병 지표는, 1) 악성(malignancy) 질병 지표, 2) 양성(benign) 질병 지표 및 예비 악성(pre-malignant) 질병 지표 중 적어도 일부를 포함하는 질병 정보 제공 방법이 제공될 수 있다.
일 실시예에 따르면, 상기 악성 질병 지표는, 각각 3개 이상의 질병을 반영하는 지표들을 포함하고, 상기 양성 질병 지표는 각각 5개 이상의 양성 조직을 반영하는 지표들을 포함하고, 상기 예비 악성 질병 지표는 2개 이상의 예비 질병을 반영하는 지표들을 포함하는 질병 정보 제공 방법이 제공될 수 있다.
일 실시예에 따르면, 상기 질병 스코어는 상기 악성 질병 지표에 대한 타겟 결과값, 상기 예비 악성 질병 지표에 대한 타겟 결과값 및 상기 양성 질병 지표에 대한 타겟 결과값 중 적어도 일부가 조합되어 생성되는 것인 질병 정보 제공 방법이 제공될 수 있다.
일 실시예에 따르면, 상기 질병 스코어는, 상기 악성 질병 지표에 대한 타겟 결과값에 상기 예비 악성 질병 지표에 대한 타겟 결과값에 가중치를 부여한 값이 조합되어 생성되고, 상기 가중치는 0 초과 1 이하의 범위에서 선택되는 질병 정보 제공 방법이 제공될 수 있다.
일 실시예에 따르면, 상기 검출 스코어는, 상기 악성 질병 지표에 대한 결과값 및 상기 예비 악성 질병 지표에 대한 결과값이 조합되어 생성되는 것인질병 정보 제공 방법이 제공될 수 있다.
일 실시예에 따르면, 상기 임계값은 제1 임계값 및 상기 제1 임계값 보다 큰 제2 임계값을 포함하고, 상기 검출 스코어가 제1 임계값 이상 제2 임계값 미만인 경우와 상기 검출 스코어가 제2 임계값 이상인 경우, 서로 다른 인디케이션을 제공하도록 지시하는 단계;를 더 포함하는 질병 정보 제공 방법이 제공될 수 있다.
일 실시예에 따르면, 상기 질병 스코어는, 상기 복수의 타겟 결과값들 중에서 값이 가장 큰 3개의 지표들에 대한 질병 정보를 포함하는 질병 정보 제공 방법이 제공될 수 있다.
일 실시예에 따르면, 상기 제1 이미지 데이터에 상기 검출 스코어 또는 상기 질병 스코어 중 적어도 어느 하나를 병합하는 단계;를 더 포함하는 질병 정보 제공 방법이 제공될 수 있다.
일 실시예에 따르면, 상기 신체 부위는 팔, 다리, 복부, 등, 손 및 발 중 적어도 어느 하나를 포함하는 질병 정보 제공 방법이 제공될 수 있다.
다양한 실시예에 따르면. 외부 기기로부터 신체 부위 및 상기 신체 부위에 위치된 적어도 하나 이상의 의심 조직이 촬영된 제1 이미지 데이터를 획득하는 단계; 상기 제1 이미지 데이터에 대한 분석하는 단계로서, 상기 분석 결과는 인공신경망을 이용하여 획득되고, 상기 인공신경망은 상기 인공신경망은 신체 부위를 촬영한 이미지 데이터로부터 질병과 관련된 타겟 조직을 검출하도록 학습되고, 상기 분석 결과에 기초하여 상기 제1 이미지 데이터 내에 포함된 상기 적어도 하나 이상의 의심조직들 중에서 상기 복수의 질병 지표들 중 적어도 일부의 결과값으로부터 획득된 질병 스코어가 임계값 이상으로 분석된 적어도 하나 이상의 타겟 조직을 검출하는 단계; 상기 검출된 타겟 조직의 위치 정보를 획득하는 단계; 소정의 시간이 경과된 이후, 상기 신체 부위와 동일한 신체 부위에 대한 제2 이미지 데이터의 획득을 요청하는 단계; 상기 인공신경망을 이용하여, 상기 제2 이미지 데이터 내에 포함된 타겟 조직의 질병 스코어를 획득하는 단계; 및 상기 위치 정보에 기초하여, 서로 상응하는 위치에 각각 위치된 제1 이미지 데이터 내의 타겟 조직과 제2 이미지 데이터 내의 타겟 조직의 질병 스코어를 비교하는 단계; 및 상기 비교 결과에 기초하여 질병 정보를 제공하는 단계;를 포함하는 질병 정보 제공 방법이 제공될 수 있다.
일 실시예에 따르면. 상기 복수의 질병 지표는, 1) 악성(malignancy) 질병 지표, 2) 양성(benign) 질병 지표 및 예비 악성(pre-malignant) 질병 지표 중 적어도 일부를 포함하는 질병 정보 제공 방법이 제공될 수 있다.
일 실시예에 따르면, 상기 악성 질병 지표는, 각각 3개 이상의 질병을 반영하는 지표들을 포함하고, 상기 양성 질병 지표는 각각 5개 이상의 양성 조직을 반영하는 지표들을 포함하고, 상기 예비 악성 질병 지표는 2개 이상의 예비 질병을 반영하는 지표들을 포함하는 질병 정보 제공 방법이 제공될 수 있다.
일 실시예에 따르면, 상기 질병 스코어는 상기 악성 질병 지표에 대한 타겟 결과값, 상기 예비 악성 질병 지표에 대한 타겟 결과값 및 상기 양성 질병 지표에 대한 타겟 결과값 중 적어도 일부가 조합되어 생성되는 것인 질병 정보 제공 방법이 제공될 수 있다.
일 실시예에 따르면, 상기 질병 스코어를 비교하는 단계는, 상기 제1 이미지 데이터와 상기 제2 이미지 데이터에 포함된 서로 동일한 위치의 타겟 조직의 검출 스코어 값의 차이를 획득하는 것인 질병 정보 제공 방법이 제공될 수 있다.
일 실시예에 따르면, 상기 비교 결과에 기초하여, 상기 타겟 조직에 관한 제3 이미지 데이터를 촬영하도록 지시하는 단계; 및 상기 제3 이미지 데이터에 포함된 상기 타겟 조직에 대한 질병 스코어를 출력하는 단계;를 포함하는 질병 정보 제공 방법이 제공될 수 있다.
일 실시예에 따르면. 상기 질병 스코어는, 상기 악성 질병 지표에 대한 타겟 결과값에 상기 예비 악성 질병 지표에 대한 타겟 결과값에 가중치를 부여한 값이 조합되어 생성되고, 상기 가중치는 0 초과 1 이하의 범위에서 선택되는 질병 정보 제공 방법이 제공될 수 있다.
일 실시예에 따르면, 상기 질병 스코어를 출력하는 단계는, 값이 가장 큰 3개 이상의 타겟 결과값 또는 값이 가장 큰 3개 이상의 타겟 결과값에 상응하는 질병 정보를 출력하는 것인 질병 정보 제공 방법이 제공될 수 있다.
일 실시예에 따르면, 상기 소정의 시간이 경과되기 이전, 사용자에게 리마인드 인디케이션을 제공하는 단계;를 포함하는 질병 정보 제공 방법이 제공될 수 있다.
일 실시예에 따르면, 상기 단위 신체 부위가 포함된 신체 이미지를 출력하는 단계; 상기 출력된 신체 이미지에 기초하여 상기 단위 신체 부위에 대한 사용자 입력을 수신하는 단계;를 더 포함하는 질병 정보 제공 방법이 제공될 수 있다.
일 실시예에 따르면. 상기 비교 결과에 기초하여, 상기 타겟 조직의 질병 진행도를 판단하는 단계;를 더 포함하는 질병 정보 제공 방법이 제공될 수 있다.
일 실시예에 따르면, 상기 제3 이미지 데이터로부터, 상기 제1 이미지 데이터에 존재하지 않는 타겟 조직을 검출하는 단계;를 더 포함하는 질병 정보 제공 방법이 제공될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
10: 질병 정보 제공 시스템 100: 사용자 단말 200: 분석 서버

Claims (10)

  1. 메모리 및 상기 메모리로부터 로드된 프로그램을 구동하는 프로세서를 포함하는 분석 서버에 의해 수행되는 질병 정보 제공 방법에 있어서,
    신체 부위 및 상기 신체 부위에 위치된 적어도 하나 이상의 의심 조직이 촬영된 제1 이미지 데이터를 획득하는 단계;
    제1 인공신경망을 이용하여 상기 제1 이미지 데이터를 분석하는 단계로서, 상기 제1 인공신경망은 신체 부위를 촬영한 이미지 데이터로부터 질병과 관련된 타겟 조직을 검출하도록 학습되고,
    상기 분석 결과에 기초하여 상기 제1 이미지 데이터 내에 포함된 상기 적어도 하나 이상의 의심조직들 중에서 상기 복수의 질병 지표들 중 적어도 일부의 결과값으로부터 파생된 검출 스코어가 임계값 이상으로 분석된 적어도 하나 이상의 상기 타겟 조직을 검출하는 단계;
    상기 적어도 하나 이상의 타겟 조직에 대한 제2 이미지 데이터를 요청하는 단계;
    상기 적어도 하나 이상의 타겟 조직이 촬영된 제2 이미지 데이터를 획득하는 단계;
    제2 인공신경망을 이용하여 상기 타겟 조직과 상응하는 상기 복수의 질병 지표들의 질병 정보를 획득하는 단계로서, 상기 제2 인공신경망은 이미지 데이터에 포함된 타겟 조직에 대한 복수의 질병 지표들에 관한 타겟 결과값을 획득하도록 학습되고, 및
    상기 타겟 결과값에 기초하여 질병 스코어를 제공하는 단계;를 포함하는 질병 정보 제공 방법.
  2. 제1 항에 있어서,
    상기 복수의 질병 지표는, 1) 악성(malignancy) 질병 지표, 2) 양성(benign) 질병 지표 및 예비 악성(pre-malignant) 질병 지표 중 적어도 일부를 포함하는 질병 정보 제공 방법.
  3. 제2 항에 있어서,
    상기 악성 질병 지표는, 각각 3개 이상의 질병을 반영하는 지표들을 포함하고,
    상기 양성 질병 지표는 각각 5개 이상의 양성 조직을 반영하는 지표들을 포함하고,
    상기 예비 악성 질병 지표는 2개 이상의 예비 질병을 반영하는 지표들을 포함하는
    질병 정보 제공 방법.
  4. 제2 항에 있어서,
    상기 질병 스코어는 상기 악성 질병 지표에 대한 타겟 결과값, 상기 예비 악성 질병 지표에 대한 타겟 결과값 및 상기 양성 질병 지표에 대한 타겟 결과값 중 적어도 일부가 조합되어 생성되는 것인
    질병 정보 제공 방법.
  5. 제4 항에 있어서,
    상기 질병 스코어는, 상기 악성 질병 지표에 대한 타겟 결과값에 상기 예비 악성 질병 지표에 대한 타겟 결과값에 가중치를 부여한 값이 조합되어 생성되고,
    상기 가중치는 0 초과 1 이하의 범위에서 선택되는 질병 정보 제공 방법.
  6. 제2 항에 있어서,
    상기 검출 스코어는, 상기 악성 질병 지표에 대한 결과값 및 상기 예비 악성 질병 지표에 대한 결과값이 조합되어 생성되는 것인
    질병 정보 제공 방법.
  7. 제6 항에 있어서,
    상기 임계값은 제1 임계값 및 상기 제1 임계값 보다 큰 제2 임계값을 포함하고,
    상기 검출 스코어가 제1 임계값 이상 제2 임계값 미만인 경우와 상기 검출 스코어가 제2 임계값 이상인 경우, 서로 다른 인디케이션을 제공하도록 지시하는 단계;를 더 포함하는
    질병 정보 제공 방법.

  8. 제2 항에 있어서,
    상기 질병 스코어는, 상기 복수의 타겟 결과값들 중에서 값이 가장 큰 3개의 지표들에 대한 질병 정보를 포함하는
    질병 정보 제공 방법.
  9. 제1 항에 있어서,
    상기 제1 이미지 데이터에 상기 검출 스코어 또는 상기 질병 스코어 중 적어도 어느 하나를 병합하는 단계;를 더 포함하는
    질병 정보 제공 방법.
  10. 제1 항에 있어서,
    상기 신체 부위는 팔, 다리, 복부, 등, 손 및 발 중 적어도 어느 하나를 포함하는 질병 정보 제공 방법.

KR1020220147037A 2022-07-11 2022-11-07 인공지능을 이용한 이미지 분석 기반 피부암 진단 방법 KR20240066530A (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020220147037A KR20240066530A (ko) 2022-11-07 2022-11-07 인공지능을 이용한 이미지 분석 기반 피부암 진단 방법
EP22213411.6A EP4365909A1 (en) 2022-11-07 2022-12-14 Skin cancer diagnosis method based on image analysis using artificial intelligence
US18/065,832 US20240013394A1 (en) 2022-07-11 2022-12-14 Skin cancer diagnosis method based on image analysis using artificial intelligence
PCT/KR2022/020576 WO2024101530A1 (ko) 2022-11-07 2022-12-16 인공지능을 이용한 이미지 분석 기반 피부암 진단 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220147037A KR20240066530A (ko) 2022-11-07 2022-11-07 인공지능을 이용한 이미지 분석 기반 피부암 진단 방법

Publications (1)

Publication Number Publication Date
KR20240066530A true KR20240066530A (ko) 2024-05-16

Family

ID=84535750

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220147037A KR20240066530A (ko) 2022-07-11 2022-11-07 인공지능을 이용한 이미지 분석 기반 피부암 진단 방법

Country Status (4)

Country Link
US (1) US20240013394A1 (ko)
EP (1) EP4365909A1 (ko)
KR (1) KR20240066530A (ko)
WO (1) WO2024101530A1 (ko)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108564578A (zh) * 2018-04-13 2018-09-21 上海商汤智能科技有限公司 病理诊断辅助方法、装置及系统
EP3874313A2 (en) * 2018-11-02 2021-09-08 Hologic, Inc. Digital imaging system and method
KR102311654B1 (ko) * 2019-02-01 2021-10-08 장현재 피부 이미지 기반의 인공지능 딥러닝을 이용한 피부질환 판별용 api 엔진을 구성하는 스마트 피부질환 판별 플랫폼시스템
US20210330245A1 (en) * 2020-04-22 2021-10-28 Dermtech, Inc. Teledermatology system and methods
KR102222509B1 (ko) * 2020-05-28 2021-03-03 주식회사 에프앤디파트너스 의료 영상에 관한 판단을 보조하는 방법 및 이를 이용한 장치
KR102427395B1 (ko) * 2020-11-23 2022-07-29 한림대학교 산학협력단 인공지능 기반 피부암 판단을 위한 제어 방법, 장치 및 프로그램
KR102410545B1 (ko) * 2021-04-26 2022-06-23 주식회사 에프앤디파트너스 고해상화 피부 임상 영상의 관리 장치

Also Published As

Publication number Publication date
US20240013394A1 (en) 2024-01-11
WO2024101530A1 (ko) 2024-05-16
EP4365909A1 (en) 2024-05-08

Similar Documents

Publication Publication Date Title
JP6947759B2 (ja) 解剖学的対象物を自動的に検出、位置特定、及びセマンティックセグメンテーションするシステム及び方法
Lin et al. Multi-task learning for quality assessment of fetal head ultrasound images
US20190261914A1 (en) Physiologic audio methods and arrangements
WO2019105218A1 (zh) 图像特征的识别方法和装置、存储介质、电子装置
KR102022667B1 (ko) 환자를 모니터링하는 방법 및 장치
JP6975230B2 (ja) 患者モニタリングシステム及び方法
US20140313303A1 (en) Longitudinal dermoscopic study employing smartphone-based image registration
EP2987106A1 (en) Physiologic data acquisition and analysis
KR20200089146A (ko) 의료 영상 처리 장치 및 방법
US20220218198A1 (en) Method and system for measuring pupillary light reflex with a mobile phone
US20230233091A1 (en) Systems and Methods for Measuring Vital Signs Using Multimodal Health Sensing Platforms
WO2017020045A1 (en) System and methods for malarial retinopathy screening
TWI728369B (zh) 人工智慧雲端膚質與皮膚病灶辨識方法及其系統
Dubey et al. Recent developments on computer aided systems for diagnosis of diabetic retinopathy: a review
Ly et al. New compact deep learning model for skin cancer recognition
KR20240066530A (ko) 인공지능을 이용한 이미지 분석 기반 피부암 진단 방법
JP7439990B2 (ja) 医療画像処理装置、医療画像処理プログラム、および医療画像処理方法
US20230298306A1 (en) Systems and methods for comparing images of event indicators
KR102427395B1 (ko) 인공지능 기반 피부암 판단을 위한 제어 방법, 장치 및 프로그램
JP2022016356A (ja) カテーテルの位置を決定するためのシステム及び方法
JP2022033975A (ja) 類似画像表示制御装置、類似画像表示制御システム、類似画像表示制御方法、表示制御装置、表示制御システム、表示制御方法及びプログラム
JP2021186675A (ja) 心臓マッピングにおける心構造の自動検出
WO2021120078A1 (zh) 癫痫发作预警方法及系统
Sandhu et al. A Review of Breast Cancer Detection Using the Internet of Things and Machine Learning
JP2022516139A (ja) 残存がん細胞検出のための閾値化のためのシステムおよび方法