KR20240076013A - 인공지능 모델 기반의 혈관 분할 장치 및 방법 - Google Patents

인공지능 모델 기반의 혈관 분할 장치 및 방법 Download PDF

Info

Publication number
KR20240076013A
KR20240076013A KR1020220158032A KR20220158032A KR20240076013A KR 20240076013 A KR20240076013 A KR 20240076013A KR 1020220158032 A KR1020220158032 A KR 1020220158032A KR 20220158032 A KR20220158032 A KR 20220158032A KR 20240076013 A KR20240076013 A KR 20240076013A
Authority
KR
South Korea
Prior art keywords
blood vessel
model
mask
image
medical image
Prior art date
Application number
KR1020220158032A
Other languages
English (en)
Inventor
윤영노
김성재
박석래
Original Assignee
(주)휴톰
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 (주)휴톰 filed Critical (주)휴톰
Priority to KR1020220158032A priority Critical patent/KR20240076013A/ko
Priority to PCT/KR2023/018915 priority patent/WO2024112107A1/ko
Publication of KR20240076013A publication Critical patent/KR20240076013A/ko

Links

Images

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
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • 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
    • A61B6/504—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 blood vessels, e.g. by angiography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • 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
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Public Health (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Optics & Photonics (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Pulmonology (AREA)
  • Vascular Medicine (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Image Analysis (AREA)

Abstract

본 발명의 일 실시예에 따른 혈관 분할 장치는 적어도 하나의 메모리; 및 적어도 하나의 메모리와 통신을 수행하는 프로세서;를 포함하고, 적어도 하나의 메모리는, 입력된 의료 영상 내에서 혈관에 해당하는 부분이 분할되어 형성된 혈관마스크를 예측하도록 기계 학습된 제1 모델 및 입력된 의료 영상이 혈관인지 여부를 예측하도록 기계 학습된 제2 모델을 포함하고, 프로세서는, 의료 영상을 제1 모델에 입력하여, 의료 영상 내에서 혈관이 분할되어 형성된 혈관마스크를 예측하고, 혈관마스크를 제2 모델에 입력하여, 혈관마스크가 혈관인지 여부를 재예측한다.

Description

인공지능 모델 기반의 혈관 분할 장치 및 방법{APPARATUS AND METHOD FOR SEGMENTATION OF BLOOD VESSEL BASED ON ARTIFICIAL INTELLIGENCE MODEL}
본 발명은 인공지능 모델 기반의 혈관 분할 장치 및 방법에 관한 것이다. 보다 상세하게는, 본 발명은 인공지능 학습된 제1 모델을 기반으로 혈관마스크를 예측하고, 혈관마스크를 제2 모델에 입력하여 혈관인지 여부를 재예측함으로써, 혈관마스크 데이터를 대량으로 확보할 수 있고, 동시에 신뢰성이 향상된 혈관마스크 데이터의 생성이 가능한, 혈관 분할 장치 및 방법에 관한 것이다.
의료 영상 분야에서는 CT 또는 MRI와 같은 의료 영상으로부터 혈관이 잘 구분되어진 의료 영상을 얻는 것이 필수적이다. 혈관이 구분되어진 의료 영상을 활용하여 해당 부위의 혈관 분포를 파악할 수 있고, 질환의 진단이나 치료에 도움을 줄 수 있다.
한편 의료 영상 분야에서는 영상 진단 검사시 대조도를 높여 조직이나 혈관의 병변을 명확하게 구별하기 위해서 조영제를 많이 사용하고 있다. 그러나 환자의 상태, CT 또는 MRI 촬영시 환자의 호흡법, 조영제의 투입 타이밍 등에 따라 혈관이 명확하게 구별되는 의료 영상을 얻는데 실패하는 경우가 있다. 이와 같은 이유로 혈관이 잘 구분되어진 의료 영상 데이터를 충분하게 확보하기 어렵다.
또한 이러한 혈관이 구분된 의료 영상 데이터를 학습데이터로 이용하는 인공지능 모델의 성능을 향상시키기 위해서는 의료 영상 데이터 중에서도 신뢰성 높은 라벨링 데이터를 확보하는 것이 바람직하다.
공개특허공보 제10-2022-0076091호(2022.06.08)
본 발명의 목적은 인공지능 학습된 제1 모델을 기반으로 혈관마스크를 예측하고, 혈관마스크를 제2 모델에 입력하여 혈관인지 여부를 재예측함으로써, 혈관마스크 데이터를 대량으로 확보할 수 있고, 동시에 신뢰성 있는 혈관마스크 데이터의 생성이 가능한, 혈관 분할 장치 및 방법을 제공하려는 것이다.
본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
본 발명의 혈관 분할 장치는, 적어도 하나의 메모리; 및 적어도 하나의 메모리와 통신을 수행하는 프로세서;를 포함하고, 적어도 하나의 메모리는, 입력된 의료 영상 내에서 혈관에 해당하는 부분이 분할되어 형성된 혈관마스크를 예측하도록 기계 학습된 제1 모델 및 입력된 의료 영상이 혈관인지 여부를 예측하도록 기계 학습된 제2 모델을 포함하고, 프로세서는, 의료 영상을 제1 모델에 입력하여, 의료 영상 내에서 혈관이 분할되어 형성된 혈관마스크를 예측하고, 혈관마스크를 제2 모델에 입력하여, 혈관마스크가 혈관인지 여부를 재예측할 수 있다.
그리고, 혈관마스크는, 정맥, 동맥 또는 정맥 및 동맥이 분할되어 형성될 수 있다.
그리고, 제2 모델은 학습데이터로서 혈관마스크를 더 포함할 수 있다.
그리고, 혈관 분할 장치는 제2 모델이 혈관마스크가 혈관이라는 예측 결과를 출력하는 경우, 혈관마스크를 포함하는 제1 학습데이터 세트를 저장할 수 있다.
그리고, 제1 모델은 생성적 적대 신경망(GAN, Generative Adversarial Networks)을 기반으로 학습된 혈관 증강모델을 포함하고, 혈관 증강모델은 생성모델(Generative Model) 및 감별모델(Discriminative Model)을 포함하고, 생성모델은 혈관이 강조된 제1 혈관이미지를 생성하도록 학습되고, 감별모델은 제1 혈관이미지와, 입력된 의료 영상에서 실제 혈관 부위가 강조되도록 전처리된 제2 혈관이미지를 감별하도록 학습되고, 혈관 증강모델은 감별모델의 감별 결과로부터 얻어지는 적대적 손실(adversarial loss)을 줄이는 방향으로 적어도 하나의 인공 신경망들의 가중치가 조정되면서 학습될 수 있다.
그리고, 제1 모델은 혈관 증강모델과 연결된 혈관 분할모델을 포함하고, 혈관 분할모델은 혈관 증강모델로부터 생성된 제1 혈관이미지를 입력 받아, 제1 혈관이미지 내에서 혈관이 분할되어 형성되는 혈관마스크를 예측하도록 학습될 수 있다.
그리고, 혈관 증강모델은 제1 혈관이미지 및 제2 혈관이미지의 공통된 특징을 추출하여 얻어지는 콘텐트 손실(content loss)을 줄이는 방향으로 적어도 하나의 인공 신경망들의 가중치가 조정되면서 학습될 수 있다.
그리고, 혈관 분할 장치는, 생성모델로부터 생성된 제1 혈관이미지를 포함하는 제2 학습데이터 세트를 저장할 수 있다.
본 발명의 혈관 분할 방법은 장치에 의해 수행되고, 장치는, 입력된 의료 영상 내에서 혈관에 해당하는 부분이 분할되어 형성된 혈관마스크를 예측하도록 기계 학습된 제1 모델 및 입력된 의료 영상이 혈관인지 여부를 예측하도록 기계 학습된 제2 모델을 포함하고, 의료 영상을 제1 모델에 입력하는 단계; 의료 영상 내에서 혈관이 분할되어 형성된 혈관마스크를 예측하는 단계; 혈관마스크를 제2 모델에 입력하는 단계; 및 혈관마스크가 혈관인지 여부를 재예측하는 단계;를 포함할 수 있다.
본 발명의 컴퓨터 프로그램은 혈관 분할 방법을 실행시키기 위하여 컴퓨터 판독 가능 기록매체에 저장될 수 있다.
본 발명에 의하면, 혈관마스크 데이터를 대량으로 확보할 수 있고, 이와 동시에 신뢰성 있는 혈관마스크 데이터의 생성이 가능하다.
본 발명의 학습데이터 생성 장치의 제1 모델은 생성적 적대 신경망(GAN, Generative Adversarial Networks)을 기반으로 혈관마스크를 예측할 수 있다. 따라서 혈관마스크 데이터를 대량으로 확보할 수 있다는 효과를 발휘한다.
또한 제2 모델은 제1 모델로부터 예측된 혈관마스크가 혈관인지를 재예측함으로써 신뢰성 있는 혈관마스크 데이터의 생성이 가능하다.
게다가 혈관은 인체 부위가 다르더라도 그 특징이 공통되므로 제2 모델은 특정 부위의 혈관마스크가 아닌 다른 부위의 혈관마스크로 학습된 인공지능 모델이어도 충분히 신뢰성 있는 예측이 가능하다는 이점이 있다.
본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 학습데이터 생성 장치의 블록 구성도이다.
도 2는 본 발명의 일 실시예에 따른 학습데이터 생성 장치의 입력 및 출력을 설명하기 위해 도시된 도면이다.
도 3은 본 발명의 일 실시예에 따른 제1 모델을 구체적으로 설명하기 위해 도시된 도면이다.
도 4는 본 발명의 일 실시예에 따른 혈관 증강모델을 구체적으로 설명하기 위해 도시된 도면이다.
도 5는 본 발명의 일 실시예에 따른 혈관 분할모델을 구체적으로 설명하기 위해 도시된 도면이다.
도 6은 본 발명의 일 실시예에 따른 제2 모델을 구체적으로 설명하기 위해 도시된 도면이다.
도 7은 본 발명의 일 실시예에 따른 하운스 필드 유닛(Hounsfield Unit) 값이 조절된 의료 영상을 도시한 도면이다.
도 8은 본 발명의 일 실시예에 따른 다양한 의료 영상을 도시한 도면이다.
도 9은 본 발명의 일 실시예에 따른 혈관 분할 방법을 도시한 흐름도이다.
도 10은 본 발명의 일 실시예에 따른 혈관 분할 방법을 도시한 흐름도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
본 명세서에서 "컴퓨터"는 연산처리를 수행하여 사용자에게 결과를 제공할 수 있는 다양한 장치들이 모두 포함된다. 예를 들어, 컴퓨터는 데스크 탑 PC, 노트북(Note Book) 뿐만 아니라 스마트폰(Smart phone), 태블릿 PC, 셀룰러폰(Cellular phone), 피씨에스폰(PCS phone; Personal Communication Service phone), 동기식/비동기식 IMT-2000(International Mobile Telecommunication-2000)의 이동 단말기, 팜 PC(Palm Personal Computer), 개인용 디지털 보조기(PDA; Personal Digital Assistant) 등도 해당될 수 있다. 또한, 헤드마운트 디스플레이(Head Mounted Display; HMD) 장치가 컴퓨팅 기능을 포함하는 경우, HMD장치가 컴퓨터가 될 수 있다. 또한, 컴퓨터는 클라이언트로부터 요청을 수신하여 정보처리를 수행하는 서버가 해당될 수 있다.
본 명세서에서 사용되는 용어에 대해서 설명한다.
혈관마스크는 의료 영상에서 혈관 이외의 영역이 마스킹 처리된 이미지를 지칭할 수 있다. 마스킹 처리는 어떤 배열을 대상으로 하여 배열 내 모든 값들 중 특정한 조건을 만족하는 것들만 선별하는 처리를 지칭할 수 있다. 예를 들어 원본 배열인 이미지 내에서 특정 값보다 큰 화소들은 혈관마스크 이미지의 배열에서의 값이 1이 되고, 나머지 화소들은 혈관마스크 이미지의 배열에서의 값이 0이 될 수 있다. 여기서 값이 1인 화소는 혈관마스크 이미지 상에서 흰색으로 보이고, 값이 0인 화소는 검정색으로 보일 수 있다.
이하 도면을 참조하여 본 발명의 일 실시예를 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 혈관 분할 장치(100)의 블록 구성도이다.
혈관 분할 장치(100)는 적어도 하나의 메모리(110) 및 프로세서(120)를 포함할 수 있다.
메모리(110)에는 제1 모델(300) 및 제2 모델(500)이 저장될 수 있다. 메모리(110)에 저장된 프로그램들은 기능에 따라 복수 개의 모듈들로 구분될 수 있다.
일 실시예에 따른 프로세서(120)는 메모리(110)와 통신을 수행할 수 있으며, 메모리(110)에 저장된 하나 이상의 인스트럭션을 실행함으로써 후술하는 혈관마스크 생성을 위한 처리를 수행할 수 있다.
한편, 프로세서(120)는 프로세서(120) 내부에서 처리되는 신호(또는, 데이터)를 일시적 및/또는 영구적으로 저장하는 램(RAM: Random Access Memory, 미도시) 및 롬(ROM: Read-Only Memory, 미도시)을 더 포함할 수 있다. 또한, 프로세서(120)는 그래픽 처리부, 램 및 롬 중 적어도 하나를 포함하는 시스템온칩(SoC: system on chip) 형태로 구현될 수 있다.
도 2는 본 발명의 일 실시예에 따른 혈관 분할 장치(100)의 입력 및 출력을 설명하기 위해 도시된 도면이다.
제1 모델(300)은 입력된 의료 영상 내에서 혈관에 해당하는 부분이 분할되어 형성된 혈관마스크를 예측하도록 기계 학습된 인공지능 모델이다. 따라서 제1 모델(300)은 의료 영상(200)을 입력 받아, 해당 의료 영상(200) 내에서 혈관이 분할되어 형성된 혈관마스크(400)를 출력할 수 있다.
의료 영상(200)은 메모리에 저장될 수 있고, 또는 외부 장치와의 통신을 통해 수신될 수 있다.
제2 모델(500)은 입력된 의료 영상이 혈관인지 여부를 예측하도록 기계 학습된 인공지능 모델이다.
제2 모델(500)은 제1 모델(300)로부터 예측된 혈관마스크(400)가 혈관인지 여부를 재예측할 수 있다. 예를 들어 제2 모델(500)은 혈관마스크(400)가 혈관일 확률이 50%를 초과하는 경우 혈관마스크(400)가 혈관이라는 예측을 할 수 있고, 그렇지 않은 경우에는 혈관마스크(400)가 혈관이 아니라는 예측을 할 수 있다.
제1 모델(300)으로부터 예측된 혈관마스크(400)에 대해서 제2 모델(500)을 활용하여 혈관인지 여부를 재예측함으로써, 혈관마스크(400)의 신뢰성을 향상시킬 수 있다는 효과를 발휘한다.
여기서 혈관마스크(400)는 의료 영상 내에서 정맥, 동맥 또는 정맥 및 동맥에 대응하는 화소가 분할되어 형성될 수 있다.
제2 모델(500)은 인체 전반의 혈관마스크를 학습데이터로 활용하여 학습될 수 있다. 특히 제2 모델(500)은 제1 모델(300)이 예측하는 혈관마스크의 부위와 상이한 부위의 혈관마스크를 학습데이터로 활용하여 학습될 수 있다.
혈관은 인체 부위가 다르더라도 그 형태적 특징이 공통된다. 예를 들어 심장을 피검사체로 촬영된 의료 영상에서의 혈관과 뇌를 피검사체로 촬영된 의료 영상에서의 혈관은 그 해부학적 위치와 연결성 등의 특징이 공통될 수 있다. 따라서, 제2 모델(500)이 특정 부위의 혈관마스크가 아닌 다른 부위의 혈관마스크를 활용하여 학습된 인공지능 모델일지라도, 특정 부위의 혈관마스크가 혈관인지 여부를 충분한 신뢰성을 가지고 예측 가능하다는 이점이 있다.
제2 모델(500)은 학습데이터로서 제1 모델(300)을 통해 예측된 혈관마스크(400)를 더 포함할 수 있다.
제2 모델(500)이 혈관마스크(400)가 혈관이라는 예측 결과를 출력하는 경우, 혈관 분할 장치(100)는 해당 혈관마스크(400)에 대해서 혈관이라는 라벨링을 하여 학습데이터 세트로 저장할 수 있다.
또한 제2 모델(500)이 혈관마스크(400)가 혈관이 아니라는 예측 결과를 출력하는 경우, 혈관 분할 장치(100)는 해당 혈관마스크(400)에 대해서 혈관이 아니라는 라벨링을 하여 학습데이터 세트로 저장할 수 있다.
도 3은 본 발명의 일 실시예에 따른 제1 모델(300)을 구체적으로 설명하기 위해 도시된 도면이고, 도 4는 본 발명의 일 실시예에 따른 혈관 증강모델(310)을 구체적으로 설명하기 위해 도시된 도면이다.
도 3에 도시된 바와 같이 제1 모델(300)은 혈관 증강모델(310) 및 혈관 분할모델(320)을 포함할 수 있다. 혈관 증강모델(310)은 의료 영상(200)을 입력 받아, 제1 혈관이미지(314)를 생성할 수 있다. 혈관 분할모델(320)은 생성된 제1 혈관이미지(314)를 입력 받아, 제1 혈관이미지(314) 내에서 혈관이 분할되어 형성되는 혈관마스크(400)를 예측할 수 있다.
도 4에 도시된 바와 같이, 혈관 증강모델(310)은 생성적 적대 신경망(GAN, Generative Adversarial Networks)을 기반으로 학습되어, 혈관이 강조된 제1 혈관이미지(314)를 생성할 수 있다.
GAN이란 최근 활발하게 연구되고 있는 머신러닝의 알고리즘 중 하나로서, 비지도학습의 일종이다. GAN은 원데이터가 가지고 있는 확률분포를 추정하여, 인경 신경망이 그 분포를 만들어내도록 하는 방식으로 원데이터의 확률분포를 따르는 새로운 데이터를 만들어 내게 된다.
GAN은 회귀 생성을 담당하는 생성모델(313; Generative Model)과 감별을 담당하는 감별모델(315; Discriminative Model)을 포함한다. 생성모델(313)과 감별모델(315)은 서로 성능을 개선해 적대적으로 경쟁한다. 다시 말해 감별모델(315)은 생성모델(313)이 생성한 가짜 데이터(fake data)와 실제 데이터(real data)을 감별하도록 학습하고, 생성모델(313)은 감별모델(315)이 가짜 데이터와 실제 데이터를 서로 감별하지 못하도록 실제 데이터에 가까운 가짜 데이터(fake data)를 생성하도록 학습한다.
일 실시예에 따르면 생성모델(313)을 학습하기 위해 적대적 손실(318; adversarial loss)이 사용될 수 있다. 적대적 손실(318)은 생성모델(313)에 의해 생성된 제1 혈관이미지(314)와 전처리된 제2 혈관이미지(312)의 감별에 관한 손실로서, 생성모델(313)과 감별모델(315)을 적대적으로 학습시키기 위한 손실 함수이다. 혈관 증강모델(310)은 적대적 손실(318)을 줄이는 방향으로 적어도 하나의 인공 신경망들의 가중치가 조정되면서 학습될 수 있다.
일 실시예에 따른 적대적 손실(adversarial loss)은 제2 혈관이미지(312)의 클래스 레이블 정보가 조건으로 설정된 조건부 적대적 손실(conditional adversarial loss)을 포함할 수 있다.
혈관 증강모델(310)은 제1 혈관이미지(314) 및 제2 혈관이미지(312)의 특징을 특징 추출기(316, 317)로부터 추출하고, 이들 특징에 대한 손실로서 콘텐트 손실(319; Content loss)을 얻을 수 있다. 혈관 증강모델(310)은 콘텐트 손실(319)을 줄이는 방향으로 적어도 하나의 인공 신경망들의 가중치가 조정되면서 학습될 수 있다.
제2 혈관이미지(312)는 의료 영상(200)의 전처리(3110)를 통해 얻어질 수 있다. 구체적으로 제2 혈관이미지(312)는 의료 영상(200)에서 실제 혈관 부위를 강조하는 전처리(311)를 통해 얻어질 수 있다.
예를 들어, 전처리(311)는 의료 영상(200)에서 혈관에 대응하는 좌표의 화소 값을 더하거나 곱하는 조절을 통해 이루어질 수 있다.
또한 도 7에 도시된 바와 같이, 하운스필드 유닛(Hounsfield Unit)의 값을 조절하여 전처리(311)를 수행할 수 있다. 예를 들어 도 7의 (a)는 CT 의료 영상의 원본이고, 도 7의 (b), (c) 및 (d)는 각각 혈관이 강조되도록 혈관 영역의 하운스필드 유닛 값을 20%, 40%, 60%로 조절한 의료 영상일 수 있다.
제2 혈관이미지(312)는 실제 혈관 부위가 강조된 이미지이고, 생성모델(313)이 생성하는 제1 혈관이미지(314)는 혈관 부위가 강조되어 형성될 수 있다.
혈관 분할 장치(100)는 생성모델(313)로부터 생성되어 혈관이 강조된 제1 혈관이미지(314)를 학습데이터 세트로 저장할 수 있다.
도 5는 본 발명의 일 실시예에 따른 혈관 분할모델(320)을 구체적으로 설명하기 위해 도시된 도면이다.
도 5에 도시된 바와 같이 혈관 분할모델(320)은 혈관이 강조된 제1 혈관이미지(314)를 입력 받아, 제1 혈관이미지(314) 내에서 혈관이 분할되어 형성되는 혈관마스크(400)를 예측하도록 학습된다.
도 6은 본 발명의 일 실시예에 따른 제2 모델(500)을 구체적으로 설명하기 위해 도시된 도면이다.
전술한 바와 같이, 제2 모델(500)은 제1 모델(300)로부터 예측된 혈관마스크(400)가 혈관인지 여부를 예측할 수 있다.
제2 모델(500)은 특정 인체 부위에 해당하는 혈관 영상 데이터 뿐만 아니라 인체 전반의 혈관 영상 데이터를 활용하여 학습될 수 있다. 예를 들어, 제2 모델(500)은 심장, 간장, 비장, 폐장, 신장, 후두, 뇌 등 다양한 부위를 촬영한 의료 영상에 대해서 혈관인지 여부가 라벨링된 혈관마스크를 활용하여, CNN(Convolution Neural Network) 알고리즘을 이용하여 학습될 수 있다. 또한 영상 특성 추출 성능이 좋은 U-Net 또는 U-Net을 변형한 알고리즘을 이용할 수 있다.
도 8은 본 발명의 일 실시예에 따른 다양한 의료 영상을 도시한 도면이다.
도 8의 (a) 내지 (e)는 인체의 다양한 부위를 촬영하여 얻어진 혈관 이미지 데이터이다. 도 8의 (a)는 뇌를 촬영한 의료 영상이고, 도 8의 (b)는 뇌 및 목 부위를 촬영한 의료 영상이고, 도 8의 (c)는 폐를 촬영한 의료 영상이고, 도 8의 (d)는 복부 및 하체를 촬영한 의료 영상이고, 도 8의 (e)는 팔을 촬영한 의료 영상이다.
한편 도 8의 (f) 내지 (g)는 혈관이 아닌 다른 조직의 이미지를 도시한다. 예를 들어 도 8의 (f)}는 무릎뼈의 이미지 데이터이고, 도 8의 (g)는 장기의 이미지 데이터일 수 있다.
도 9은 본 발명의 일 실시예에 따른 혈관 분할 방법을 도시한 흐름도이다.
혈관 분할 장치(100)는 의료 영상(200)을 제1 모델(300)에 입력할 수 있다(S100). 혈관 분할 장치(100)는 의료 영상(200) 내에서 혈관이 분할되어 형성된 혈관마스크(400)를 예측할 수 있다(S200). 혈관 분할 장치(100)는 혈관마스크(400)를 제2 모델(500)에 입력할 수 있다(S300). 혈관 분할 장치(100)는 혈관마스크(400)가 혈관인지 여부를 재예측할 수 있다(S400).
도 10은 본 발명의 일 실시예에 따른 혈관 분할 방법을 도시한 흐름도이다.
혈관 분할 장치(100)는 의료 영상(200)을 제1 모델(300)에 입력할 수 있다(S100).
도 9의 S200 단계는 다음과 같이 S210 및 S220 단계로 세분화될 수 있다.
혈관 분할 장치(100)는 의료 영상(200) 내에서 혈관이 강조된 제1 혈관이미지(314)를 생성할 수 있다(S210). 혈관 분할 장치(100)는 제1 혈관이미지(314) 내에서 혈관이 분할되어 형성되는 혈관마스크(400)를 예측할 수 있다(S220). 혈관 분할 장치(100)는 혈관마스크(400)를 제2 모델(500)에 입력할 수 있다(S300). 혈관 분할 장치(100)는 혈관마스크(400)가 혈관인지 여부를 재예측할 수 있다(S400). 혈관 분할 장치(100)는 혈관마스크(400)가 혈관이라는 예측 결과를 출력하는 경우, 혈관마스크(400)를 포함하는 학습데이터 세트를 획득할 수 있다(S500). 또한, 획득된 학습데이터 세트를 활용하여 혈관 마스크 분류모델(500)을 학습시킬 수 있다.
이상에서 전술한 본 발명의 일 실시예에 따른 혈관 분할 방법은, 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 어플리케이션)으로 구현되어 매체에 저장될 수 있다.
상기 전술한 프로그램은, 상기 컴퓨터가 프로그램을 읽어 들여 프로그램으로 구현된 상기 방법들을 실행시키기 위하여, 상기 컴퓨터의 프로세서(CPU)가 상기 컴퓨터의 장치 인터페이스를 통해 읽힐 수 있는 C, C++, JAVA, 기계어 등의 컴퓨터 언어로 코드화된 코드(Code)를 포함할 수 있다. 이러한 코드는 상기 방법들을 실행하는 필요한 기능들을 정의한 함수 등과 관련된 기능적인 코드(Functional Code)를 포함할 수 있고, 상기 기능들을 상기 컴퓨터의 프로세서가 소정의 절차대로 실행시키는데 필요한 실행 절차 관련 제어 코드를 포함할 수 있다. 또한, 이러한 코드는 상기 기능들을 상기 컴퓨터의 프로세서가 실행시키는데 필요한 추가 정보나 미디어가 상기 컴퓨터의 내부 또는 외부 메모리의 어느 위치(주소 번지)에서 참조되어야 하는지에 대한 메모리 참조관련 코드를 더 포함할 수 있다. 또한, 상기 컴퓨터의 프로세서가 상기 기능들을 실행시키기 위하여 원격(Remote)에 있는 어떠한 다른 컴퓨터나 서버 등과 통신이 필요한 경우, 코드는 상기 컴퓨터의 통신 모듈을 이용하여 원격에 있는 어떠한 다른 컴퓨터나 서버 등과 어떻게 통신해야 하는지, 통신 시 어떠한 정보나 미디어를 송수신해야 하는지 등에 대한 통신 관련 코드를 더 포함할 수 있다.
상기 저장되는 매체는, 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상기 저장되는 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있지만, 이에 제한되지 않는다. 즉, 상기 프로그램은 상기 컴퓨터가 접속할 수 있는 다양한 서버 상의 다양한 기록매체 또는 사용자의 상기 컴퓨터상의 다양한 기록매체에 저장될 수 있다. 또한, 상기 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장될 수 있다.
본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.
이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.
100: 혈관 분할 장치
110: 메모리
120: 프로세서
200: 의료 영상
300: 제1 모델
310: 혈관 증강모델
311 : 전처리
312 : 제2 혈관이미지
313 : 생성모델
314 : 제1 혈관이미지
315 : 감별모델
316 : 특징 추출기
317 : 특징 추출기
318 : 적대적 손실
319 : 콘텐츠 손실
320: 혈관 분할모델
400: 혈관마스크
500: 제2 모델

Claims (10)

  1. 적어도 하나의 메모리; 및
    상기 적어도 하나의 메모리와 통신을 수행하는 프로세서;를 포함하고,
    상기 적어도 하나의 메모리는,
    입력된 의료 영상 내에서 혈관에 해당하는 부분이 분할되어 형성된 혈관마스크를 예측하도록 기계 학습된 제1 모델 및
    입력된 의료 영상이 혈관인지 여부를 예측하도록 기계 학습된 제2 모델을 포함하고,
    상기 프로세서는,
    의료 영상을 상기 제1 모델에 입력하여, 상기 의료 영상 내에서 혈관이 분할되어 형성된 혈관마스크를 예측하고,
    상기 혈관마스크를 상기 제2 모델에 입력하여, 상기 혈관마스크가 혈관인지 여부를 재예측하는,
    혈관 분할 장치.
  2. 제1항에 있어서,
    상기 혈관마스크는,
    정맥, 동맥 또는 정맥 및 동맥이 분할되어 형성되는,
    혈관 분할 장치.
  3. 제1항에 있어서,
    상기 제2 모델은 학습데이터로서 상기 혈관마스크를 더 포함하는,
    혈관 분할 장치.
  4. 제1항에 있어서,
    상기 혈관 분할 장치는,
    상기 제2 모델이 상기 혈관마스크가 혈관이라는 예측 결과를 출력하는 경우, 상기 혈관마스크를 포함하는 제1 학습데이터 세트를 저장하는,
    혈관 분할 장치.
  5. 제1항에 있어서,
    상기 제1 모델은 생성적 적대 신경망(GAN, Generative Adversarial Networks)을 기반으로 학습된 혈관 증강모델을 포함하고,
    상기 혈관 증강모델은 생성모델(Generative Model) 및 감별모델(Discriminative Model)을 포함하고,
    상기 생성모델은 혈관이 강조된 제1 혈관이미지를 생성하도록 학습되고,
    상기 감별모델은 상기 제1 혈관이미지와, 상기 입력된 의료 영상에서 실제 혈관 부위가 강조되도록 전처리된 제2 혈관이미지를 감별하도록 학습되고,
    상기 혈관 증강모델은 상기 감별모델의 감별 결과로부터 얻어지는 적대적 손실(adversarial loss)을 줄이는 방향으로 적어도 하나의 인공 신경망들의 가중치가 조정되면서 학습된,
    혈관 분할 장치.
  6. 제5항에 있어서,
    상기 제1 모델은 상기 혈관 증강모델과 연결된 혈관 분할모델을 포함하고,
    상기 혈관 분할모델은 상기 혈관 증강모델로부터 생성된 상기 제1 혈관이미지를 입력 받아, 상기 제1 혈관이미지 내에서 혈관이 분할되어 형성되는 상기 혈관마스크를 예측하도록 학습된,
    혈관 분할 장치.
  7. 제5항에 있어서,
    상기 혈관 증강모델은,
    상기 제1 혈관이미지 및 상기 제2 혈관이미지의 공통된 특징을 추출하여 얻어지는 콘텐트 손실(content loss)을 줄이는 방향으로 적어도 하나의 인공 신경망들의 가중치가 조정되면서 학습된,
    혈관 분할 장치.
  8. 제5항에 있어서,
    상기 혈관 분할 장치는,
    상기 생성모델로부터 생성된 상기 제1 혈관이미지를 포함하는 제2 학습데이터 세트를 저장하는,
    혈관 분할 장치.
  9. 장치에 의해 수행되는, 혈관 분할 방법에 있어서,
    상기 장치는,
    입력된 의료 영상 내에서 혈관에 해당하는 부분이 분할되어 형성된 혈관마스크를 예측하도록 기계 학습된 제1 모델 및
    입력된 의료 영상이 혈관인지 여부를 예측하도록 기계 학습된 제2 모델을 포함하고,
    의료 영상을 상기 제1 모델에 입력하는 단계;
    상기 의료 영상 내에서 혈관이 분할되어 형성된 혈관마스크를 예측하는 단계;
    상기 혈관마스크를 상기 제2 모델에 입력하는 단계; 및
    상기 혈관마스크가 혈관인지 여부를 재예측하는 단계;를 포함하는,
    혈관 분할 방법.
  10. 하드웨어인 장치와 결합되어, 제9항의 혈관 분할 방법을 실행시키기 위하여 컴퓨터 판독 가능 기록매체에 저장된 컴퓨터 프로그램.
KR1020220158032A 2022-11-23 2022-11-23 인공지능 모델 기반의 혈관 분할 장치 및 방법 KR20240076013A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020220158032A KR20240076013A (ko) 2022-11-23 2022-11-23 인공지능 모델 기반의 혈관 분할 장치 및 방법
PCT/KR2023/018915 WO2024112107A1 (ko) 2022-11-23 2023-11-22 인공지능 모델 기반의 혈관 분할 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220158032A KR20240076013A (ko) 2022-11-23 2022-11-23 인공지능 모델 기반의 혈관 분할 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20240076013A true KR20240076013A (ko) 2024-05-30

Family

ID=91196146

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220158032A KR20240076013A (ko) 2022-11-23 2022-11-23 인공지능 모델 기반의 혈관 분할 장치 및 방법

Country Status (2)

Country Link
KR (1) KR20240076013A (ko)
WO (1) WO2024112107A1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220076091A (ko) 2020-11-30 2022-06-08 주식회사 메디픽셀 복수의 예측 결과를 활용한 혈관 영상 추출 방법 및 장치

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018171177A (ja) * 2017-03-31 2018-11-08 大日本印刷株式会社 眼底画像処理装置
KR102375775B1 (ko) * 2020-02-10 2022-03-21 주식회사 메디픽셀 혈관 영상에 기초한 주요 혈관 영역 추출 방법 및 장치
KR102575371B1 (ko) * 2020-06-12 2023-09-08 서울대학교병원 광각 안저영상을 생성하기 위해 복수의 안저영상을 정합하는 방법 및 이를 수행하는 장치
KR102250689B1 (ko) * 2020-07-28 2021-05-12 서울대학교병원 안저 영상과 형광안저혈관조영 영상의 정합을 이용한 자동 혈관 분할 장치 및 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220076091A (ko) 2020-11-30 2022-06-08 주식회사 메디픽셀 복수의 예측 결과를 활용한 혈관 영상 추출 방법 및 장치

Also Published As

Publication number Publication date
WO2024112107A1 (ko) 2024-05-30

Similar Documents

Publication Publication Date Title
KR102013806B1 (ko) 인공데이터 생성 방법 및 장치
US20210406591A1 (en) Medical image processing method and apparatus, and medical image recognition method and apparatus
KR20210048523A (ko) 이미지 처리 방법, 장치, 전자 기기 및 컴퓨터 판독 가능 기억 매체
Huang et al. A deep segmentation network of multi-scale feature fusion based on attention mechanism for IVOCT lumen contour
US11800976B2 (en) Apparatus and method for image-based eye disease diagnosis
KR102228087B1 (ko) 의료영상에서의 특정연골 분할 방법 및 장치
CN116579954B (zh) 一种超高清内窥镜图像智能增强方法
Lin et al. Stimulus-guided adaptive transformer network for retinal blood vessel segmentation in fundus images
CN115115657A (zh) 病灶分割方法及装置、电子设备及存储介质
Yi et al. C2FTFNet: Coarse-to-fine transformer network for joint optic disc and cup segmentation
CN114169467A (zh) 图像标注方法、电子设备及存储介质
CN111598144B (zh) 图像识别模型的训练方法和装置
KR20240076013A (ko) 인공지능 모델 기반의 혈관 분할 장치 및 방법
CN116309264A (zh) 造影图像判定方法及造影图像判定装置
WO2021238732A1 (en) Device and method for alignment of multi-modal clinical images using joint synthesis, segmentation, and registration
CN112529002B (zh) 舌体图片分类方法、装置、计算机设备及存储介质
CN114037830A (zh) 增强图像生成模型的训练方法、图像处理方法及装置
Brown et al. Deep learning for computer-aided diagnosis in ophthalmology: a review
CN114187281A (zh) 一种图像处理方法、装置、电子设备和存储介质
Tsaniya et al. Automatic radiology report generator using transformer with contrast-based image enhancement
Urina-Triana et al. Machine Learning and AI Approaches for Analyzing Diabetic and Hypertensive Retinopathy in Ocular Images: A Literature Review
CN118365968B (zh) 一种前列腺癌图像识别方法及装置
Mudduluru Developing and Applying Hybrid Deep Learning Models for Computer-Aided Diagnosis of Medical Image Data
Qin et al. Dynamic Target Tracking Method Based on Medical Imaging
CN113723523B (zh) 医学影像的处理方法、装置、计算机设备及存储介质