WO2017069596A1 - Cad기반 디지털 엑스레이의 자동 결핵 진단 예측 시스템 - Google Patents

Cad기반 디지털 엑스레이의 자동 결핵 진단 예측 시스템 Download PDF

Info

Publication number
WO2017069596A1
WO2017069596A1 PCT/KR2016/011973 KR2016011973W WO2017069596A1 WO 2017069596 A1 WO2017069596 A1 WO 2017069596A1 KR 2016011973 W KR2016011973 W KR 2016011973W WO 2017069596 A1 WO2017069596 A1 WO 2017069596A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
tuberculosis
cad
data set
diagnosis
Prior art date
Application number
PCT/KR2016/011973
Other languages
English (en)
French (fr)
Inventor
이민화
김효은
황상흠
백승욱
이정인
장민홍
Original Assignee
한국디지털병원수출사업협동조합
주식회사 루닛
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 한국디지털병원수출사업협동조합, 주식회사 루닛 filed Critical 한국디지털병원수출사업협동조합
Publication of WO2017069596A1 publication Critical patent/WO2017069596A1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N99/00—Subject matter not provided for in other groups of this subclass
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass

Definitions

  • the present invention relates to an automatic tuberculosis diagnosis prediction system of CAD-based digital x-rays, and more particularly, to a system for automatically diagnosing and predicting a patient's tuberculosis infection by applying a deep learning algorithm to big data related to tuberculosis x-ray images. will be.
  • Tuberculosis is usually diagnosed by chest x-ray diagnosis, sputum smear, PCR or culture confirmation.
  • Korean Patent Application Publication No. 10-2007-7030977 "System and Method for Computer-Assisted Examination" processes a medical image, extracts features in the medical image related to the diagnosis of abnormality, and allows a user to Disclosed is a technique for making a diagnosis based on features identified by annotating or modifying an image.
  • a system has a problem in that a large amount of time is consumed in processing a large amount of images because the user directly analyzes, annotates, and corrects the extracted image.
  • the present invention relates to a system for relaying and transmitting medical image information from a medical image storage and transmission system to a mobile communication device such as an external personal terminal (PDA).
  • a terminal user who is a medical professional must diagnose and predict a lesion directly through a medical image.
  • a terminal user who is a medical professional must diagnose and predict a lesion directly through a medical image.
  • the number of medical staff is too short for the number of patients. Therefore, there is a need to establish a system that can detect and systemize similarity through medical images or images extracted from patients to diagnose and further predict diseases.
  • the present invention devised to solve the above problems provides a system for automatically diagnosing and predicting TB infection of a patient by applying a deep learning algorithm to big data related to TB X-ray images.
  • the present invention provides a CAD-based digital x-ray automatic tuberculosis diagnostic prediction system.
  • This includes an image detector for detecting a lung image from a chest x-ray of a patient, a data generator for receiving a lung image detected by the image detector, and generating a data set; Algorithm application unit and kNN (k-k) which apply one or more of k-Nearest Neighbors (SVM) or Support Vector Machine (SVM) algorithm and apply deep learning algorithm to the data set when the data collection amount of data generation unit exceeds a predetermined standard.
  • Nearest neighbors (SVMs), support vector machines (SVMs), or deep learning algorithms are applied to the patient's lung images to include a diagnostic unit that determines whether TB infection is present.
  • the data set includes a training data set and a validation data set, and applies a k-Nearest Neighbors (kNN), a support vector machine (SVM), or a deep learning algorithm to the training data set and the data set for validation, and a predetermined criterion is deep
  • kNN k-Nearest Neighbors
  • SVM support vector machine
  • the tuberculosis diagnostic accuracy of the training dataset for the validation dataset with the learning algorithm is higher than that of the training dataset for the validation dataset with the k-Nearest Neighbors (kNN) or Support Vector Machine (SVM) algorithm. It means to represent a numerical value.
  • the deep learning algorithm is characterized by applying a weight in proportion to the amount of data collected.
  • the deep learning algorithm is characterized by generating a data set by extracting the detailed features of the lung image detected by the image detector by itself.
  • the data generator includes a detailed feature extractor that receives the detected lung image from the image detector and extracts detailed features of the lung from the image, and sets the data from the detailed feature extractor. It characterized in that to generate.
  • the detail feature extractor uses one or more of filter banks, texture analysis, or frequency analysis, and detects blobs by local binarization from the image suspected of infection to generate a training data set of the image suspected of infection. It features.
  • the Gabor filter is used as the filter of the filter bank, the image with the Gabor filter is used by itself or as an input value of the texture analysis, and the texture analysis obtains a coocurrence matrix value from the image or the image with the Gabor filter.
  • the analysis is characterized by using Fourier Transform.
  • the image detection unit may detect a lung image by using any one or more algorithms of Generalized Hough Transform (GHT) or Pyramid Histogram of Oriented Gradient (PHOG).
  • GHT Generalized Hough Transform
  • PHOG Pyramid Histogram of Oriented Gradient
  • the neural network applied to the deep learning algorithm is any one or more of a deep neural network or a convolutional neural network (CNN), and includes a pooling layer when a convolutional neural network is applied. do.
  • CNN convolutional neural network
  • the data generator may be classified into one or more items among gender, age, or race of the patient to apply the deep learning algorithm to improve the accuracy of TB diagnosis.
  • the automatic TB diagnosis prediction system of CAD-based digital X-rays of the present invention has the effect of improving diagnosis efficiency by supporting universal access through digital X-rays and PACS (Picture Archiving & Communication System) through appropriate technology-based approach for developing countries. .
  • the automatic tuberculosis diagnosis prediction system of CAD-based digital x-rays of the present invention has a support effect of deep learning algorithm-based tuberculosis prediction and customized diagnosis based on trends and trends of tuberculosis patients through CAD-based pre-screening.
  • FIG. 1 is a system configuration diagram for the automatic TB diagnosis prediction of CAD-based digital x-rays of the present invention
  • 3 is an abnormal image candidate detected for classification of an image having abnormal characteristics using kNN or SVM of the present invention
  • FIG. 6 is a view showing the result of applying the deep learning algorithm of the present invention.
  • the system for automatically predicting tuberculosis diagnosis of CAD-based digital x-rays includes an image detector detecting a lung image from a chest x-ray of a patient, and receiving a lung image detected by the image detector to generate a data set. If the data generating unit or data collection unit is less than a predetermined standard, any one or more of kNN (k-Nearest Neighbors) or SVM (Support Vector Machine) algorithm is applied to the data set, and the data collection unit of the data generating unit is a predetermined standard. Is an algorithm applicator that applies deep learning algorithms to the data set and k-Nearest Neighbors (kNN), support vector machine (SVM), or deep learning algorithms are applied to the patient's lung image to determine whether TB infection is present Contains wealth.
  • kNN k-Nearest Neighbors
  • SVM Support vector machine
  • the data set includes a training data set and a validation data set, and applies a k-Nearest Neighbors (kNN), a support vector machine (SVM), or a deep learning algorithm to the training data set and the data set for validation, and a predetermined criterion is deep
  • kNN k-Nearest Neighbors
  • SVM support vector machine
  • the tuberculosis diagnostic accuracy of the training dataset for the validation dataset with the learning algorithm is higher than that of the training dataset for the validation dataset with the k-Nearest Neighbors (kNN) or Support Vector Machine (SVM) algorithm. It means to represent a numerical value.
  • the data amount according to the above-mentioned predetermined criteria is that the tuberculosis diagnosis accuracy for the verification dataset of the deep learning algorithm learned from the learning dataset is higher than the tuberculosis diagnosis accuracy for the verification dataset of the SVM algorithm learned from the learning dataset. It means the amount of data collected when it appears high.
  • the existing algorithm k-Nearbors (kNN) or SVM (Support Vector Machine) algorithm is applied, and in many cases, deep learning algorithm is applied.
  • the deep learning algorithm has an effect of improving accuracy as the amount of data collected for learning the algorithm increases.
  • the deep learning algorithm may increase the effect by applying a weight in proportion to the amount of data collected.
  • the deep learning algorithm generates a data set by extracting the detailed features of the lung image detected by the image detector by itself.
  • abnormal feature points of the detailed features of the lung image detected from the image detector may be automatically excluded when diagnosing tuberculosis by applying the deep learning algorithm.
  • the normal feature point may be a borderline or tuberculosis-related factor, and the abnormal feature point refers to elements unnecessary for diagnosing tuberculosis such as a button or a necklace.
  • the existing algorithm k-Nearbors (kNN) or SVM (Support Vector Machine) algorithm is applied, and the data generator receives the closed image detected from the image detector. And a detail feature extraction unit for extracting detailed features of the lung from the image, and generating a data set from the detailed feature extraction unit.
  • the image detector may detect a lung image using any one of a generalized hough transform (GHT) and a pyramid histogram of oriented gradient (PHOG).
  • GHT generalized hough transform
  • PHOG pyramid histogram of oriented gradient
  • GHT can be used to detect arbitrary shapes by extending the technology used to detect lines, circles, or ellipses of existing hough transforms. That is, it is possible to register a sample object to be detected and use it to detect an arbitrary shape. In addition, even when the object to be detected has only a part or is covered by other obstacles, it can be detected and is less affected by noise.
  • FIG. 2 shows an image of a lung boundary for lung detection.
  • a reference point is selected for the detection of a lung image having any shape, a line is drawn from the reference point to the border of the lung, the contact angle at the boundary described above is calculated, and a table is formed with the contact angle as a row. .
  • a plurality of tables are required.
  • the contact angle is obtained for all edge points of the image, the quantization of the parameter space, the coordinates of the contact point are calculated from the registered table, and the candidate reference point is calculated for each calculated point.
  • the detail feature extractor uses any one or more of filter bank, texture analysis, or frequency analysis.
  • the lung image detected by the GHT may be image filtered at the feature extraction unit.
  • Gabor filter is used as a filter of a filter bank.
  • a 2D Gabor filter may be used.
  • Various filtering implementations are possible by wavelength, angle, phase angle, aspect ratio and bandwidth which are parameters in the function of 2D Gabor filter.
  • Images with Gabor filters are used on their own or as input to texture analysis.
  • the texture analysis is characterized by obtaining a coocurrence matrix value from an image or an image to which the Gabor filter is applied. At this time, if the corresponding matrix is normalized, it becomes a probability mass function with (i, j) as a random variable. If a covariance matrix is obtained from the eigenvalues and eigenvector distributions of the probability mass functions described above, and the eigenvalues are obtained, the characteristic value of this distribution is the ratio, magnitude, etc. of the larger value to the smaller of the two eigenvalues described above.
  • Frequency analysis uses a Fourier Transform.
  • FIG. 3 a diagram of determining abnormal image candidates detected for classification of an image having abnormal characteristics using kNN or SVM is illustrated.
  • the diagnosis unit classifies data according to tuberculosis infection by using any one or more of kNN (k-Nearest Neighbors), SVM (Support Vector Machine), or deep learning algorithm.
  • kNN k-Nearest Neighbors
  • SVM Small Vector Machine
  • the kNN, SVM or deep learning is applied to the image using the result of the filter bank, the corresponding matrix feature of the filter bank, the Fourier spectral feature, and the like, and as a result, the classification is performed on the random lung image. Detect candidates.
  • the result data derived by determining whether TB infection is detected from the diagnosis unit may be stored in a single board computer (SBC).
  • the data generated by the data generator may be divided into one or more items among gender, age, or race of the patient in order to improve the accuracy of TB diagnosis, and the deep learning algorithm may be applied.
  • Methods of detecting candidates for abnormal images include local image binarization or shape analysis.
  • the local image binarization analysis method detects a blob by local binarization from an image estimated to be infected to generate a training data set of an image estimated to be infected, and at this time, obtains a local average to reflect a local change.
  • the local standard deviation of the mean of the local image in the original image is the processing target of the image.
  • the standard deviation image may express a characteristic smile pattern in the X-ray image.
  • Pattern analysis of anomalous images is used to obtain covariance for blob images, obtain eigenvalues of covariance, and then use the ratio of maximum uniqueness to minimum uniqueness.
  • FIG 4 it shows the detection and analysis of abnormal shape in the lung image by GHT.
  • chest image was detected.
  • a deep neural network is applied to a deep learning algorithm.
  • the neural network applied to the deep learning algorithm may include a convolutional neural network (CNN) including a pooling layer.
  • CNN convolutional neural network
  • the accuracy of diagnosing TB patients increases.
  • the overall accuracy is 90% and the specificity that can filter out non-tuberculosis patients is 93%.
  • the tuberculosis diagnosis prediction system is applicable to not only tuberculosis diagnosis but also lung disease. That is, it can be applied to a system for diagnosing lesions.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Radiology & Medical Imaging (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Optics & Photonics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Theoretical Computer Science (AREA)
  • Pulmonology (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)
  • Software Systems (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)

Abstract

본 발명은 CAD기반 디지털 엑스레이의 자동 결핵 진단 예측 시스템에 관한 것으로, 더욱 상세하게는 결핵 엑스레이 이미지와 관련한 빅데이터에 딥러닝 알고리즘을 적용하여 환자의 결핵 감염 여부를 자동으로 진단하고 예측하는 시스템에 관한 것이다. 본 발명의 CAD기반 디지털 엑스레이의 자동 결핵 진단 예측 시스템은 개도국 수출을 위한 적정기술 기반 접근을 통해 디지털 엑스레이 및 PACS(Picture Archiving & Communication System)를 통한 범용적 접근 지원으로 진단 효율성이 향상된다는 효과가 있다. 또한, 본 발명의 CAD기반 디지털 엑스레이의 자동 결핵 진단 예측 시스템은 CAD 기반 Pre-Screening을 통한 결핵 환자의 추이 및 동향을 기반으로 하는 빅데이터 기반의 결핵 예측과 맞춤 진단의 지원 추진 효과가 있다.

Description

CAD기반 디지털 엑스레이의 자동 결핵 진단 예측 시스템
본 발명은 CAD기반 디지털 엑스레이의 자동 결핵 진단 예측 시스템에 관한 것으로, 더욱 상세하게는 결핵 엑스레이 이미지와 관련한 빅데이터에 딥러닝 알고리즘을 적용하여 환자의 결핵 감염 여부를 자동으로 진단하고 예측하는 시스템에 관한 것이다.
결핵을 진단하는 방식으로는 일반적으로 흉부 엑스레이 진단 및 객담 도말검사, PCR 검사 또는 배양 확진이 있다.
하지만, 기존 필름 활용 흉부 X-Ray의 경우 필름 자체 비용 및 보관성에 대한 문제점이 있다. 이에, 기존 아날로그 엑스레이가 아닌 필름을 사용하지 않는 디지털 엑스레이를 활용한 진단 효율성 및 비용효율성 제고 필요한 시점이다.
그러나, 상술한 문제점이 해결된다 하더라도 기존 개도국, 국내 등의 제한된 장소에서만 진단할 수 밖에 없는 문제점 및 의료 인력의 부족 등의 문제가 여전히 존재하고, 이를 해결하기 위한 대안으로 이미지 저장 및 전송을 통한 협진, 원격진료, 다부처 동시진료 등 효율성 제고가 가능한 의료 ICT 연계 기술개발 등의 필요성이 부각되고 있는 실정이다.
이를 위해 디지털 엑스레이의 CAD(Computer Assist/Aided Diagnosis) 활용 기술개발을 통한 장비 내 자동 Pre-Screening 기술 개발로 결핵의 진단 효율성 제고 및 진단 확대의 필요성이 대두되고 있다.
종래기술인 대한민국공개특허공보 제10-2007-7030977호인 '컴퓨터-보조 검진을 위한 시스템 및 방법'에서는 의학적 이미지를 처리하고 비정상성의 진단에 관련된 의학적 이미지 내의 특징들을 추출하며 사용자로 하여금 상술한 이미지들에 주석을 첨부하거나, 이미지 수정을 함으로써 식별된 특징들을 기반으로 진단을 하도록 하는 기술에 관하여 개시되어 있다. 그러나, 이러한 시스템은 추출된 이미지를 사용자가 직접 분석하고 주석을 첨부하거나 수정 작업을 하기 때문에 대량의 이미지 처리를 하는데 있어서 많은 시간이 소모된다는 문제점이 있다.
따라서 빅데이터를 기반으로 자동으로 진단하고 데이터를 분류하는 기술의 개발이 시급한 실정이다.
또한, 종래기술인 대한민국등록특허공보 제10-2005-0077055호인 '의료 영상 저장 및 전송 시스템의 다이콤 영상 중계 시스템'에서는 의료 영상 저장 및 전송 시스템의 DICOM(Digital Imaging and Communication in Medicine) 영상 중계 시스템에 관한 것으로서, 의료 영상 저장 및 전송 시스템으로부터의 의료 영상 정보를 외부의 개인 단말기(PDA) 등 모바일 통신 기기로 중계하여 전송하는 시스템에 관하여 개시되어 있다. 그러나, 이러한 시스템에서는 전문 의료인인 단말기 사용자가 의료 영상을 통해 직접 병변을 진단 및 예측해야 한다. 개발도상국에서는 의료 환경 시스템이 열악할 뿐만 아니라, 환자 수에 비해 의료진의 수도 턱없이 부족한 실정이다. 따라서 환자로부터 추출된 의료 영상 또는 이미지를 통해 유사성을 찾아내어 시스템화하여 의료 시스템만으로 병을 진단하고 나아가 예측할 수 있는 시스템을 구축할 필요성이 대두되고 있다.
따라서, 상기와 같은 문제점을 해결하기 위하여 안출된 본 발명은 결핵 엑스레이 이미지와 관련한 빅데이터에 딥러닝 알고리즘을 적용하여 환자의 결핵 감염 여부를 자동으로 진단하고 예측하는 시스템을 제공한다.
상기 목적을 달성하기 위해 본 발명은 CAD기반 디지털 엑스레이 자동 결핵 진단 예측 시스템을 제공한다. 이는 환자의 흉부 엑스레이로부터 폐 이미지를 검출하는 이미지 검출부, 이미지 검출부에서 검출된 폐 이미지를 수신하여 데이터 세트를 생성하는 데이터 생성부, 데이터 생성부의 데이터 수집량이 소정 기준보다 미달인 경우 데이터 세트에 kNN(k-Nearest Neighbors) 또는 SVM(Support Vector Machine) 알고리즘 중 어느 하나 이상을 적용하고, 데이터 생성부의 데이터 수집량이 소정 기준을 초과하는 경우 데이터 세트에 딥러닝 알고리즘을 적용하는 알고리즘 적용부 및 kNN(k-Nearest Neighbors), SVM(Support Vector Machine) 또는 딥러닝 알고리즘이 환자의 폐 이미지에 적용되어 결핵 감염 여부를 판단하는 진단부를 포함한다.
데이터 세트는 학습용 데이터 세트 및 검증용 데이터 세트를 포함하고, kNN(k-Nearest Neighbors), SVM(Support Vector Machine) 또는 딥러닝 알고리즘을 학습용 데이터 세트 및 검증용 데이터 세트에 적용하고, 소정 기준은 딥러닝 알고리즘이 적용된 검증용 데이터 세트에 대한 학습용 데이터 세트의 결핵 진단 정확도가 kNN(k-Nearest Neighbors) 또는 SVM(Support Vector Machine) 알고리즘이 적용된 검증용 데이터 세트에 대한 학습용 데이터 세트의 결핵 진단 정확도보다 높은 수치를 나타내는 것을 의미한다.
딥러닝 알고리즘은 데이터의 수집량에 비례하여 가중치를 부여하여 적용하는 것을 특징으로 한다.
딥러닝 알고리즘은 이미지 검출부로부터 검출된 폐 이미지에 대한 세부적인 특징을 스스로 추출하여 데이터 세트를 생성하는 것을 특징으로 한다.
데이터 생성부의 데이터 수집량이 소정 기준보다 미달인 경우, 데이터 생성부는 이미지 검출부로부터 검출된 폐 이미지를 수신하여 이미지로부터 폐의 세부적인 특징을 추출하는 세부 특징 추출부를 포함하고, 세부 특징 추출부로부터 데이터 세트를 생성하는 것을 특징으로 한다.
세부 특징 추출부는 필터 뱅크, 텍스처 분석 또는 주파수 분석 중 어느 하나 이상을 이용하고, 감염으로 추정되는 이미지의 학습용 데이터 세트 생성을 위해 감염으로 추정되는 이미지로부터 로컬 이진화에 의해 블롭(blob)을 검출하는 것을 특징으로 한다.
필터 뱅크의 필터로는 Gabor 필터가 사용되고, Gabor 필터가 적용된 이미지는 자체적으로 사용되거나 텍스처 분석의 입력값으로 사용되고, 텍스처 분석은 이미지 또는 Gabor 필터가 적용된 이미지로부터 대응(coocurrence) 행렬값을 구하며, 주파수 분석은 푸리에 변환(Fourier Transform)을 이용하는 것을 특징으로 한다.
이미지 검출부는 GHT(Generalized Hough Transform) 또는 PHOG(Pyramid Histogram of Oriented Gradient) 중 어느 하나 이상의 알고리즘을 이용하여 폐 이미지를 검출하는 것을 특징으로 한다.
딥러닝 알고리즘에 적용되는 신경망은 심층 신경망(Deep Neural Network) 또는 컨볼루션 신경망(Convolutional Neural Network, CNN) 중 어느 하나 이상이고, 컨볼루션 신경망이 적용된 경우 통합 계층(pooling layer)를 포함하는 것을 특징으로 한다.
데이터 생성부는 결핵 진단 정확도 향상을 위해 환자의 성별, 연령 또는 인종 중 어느 하나 이상의 항목별로 구분되어 딥러닝 알고리즘이 적용되는 것을 특징으로 한다.
진단부로부터 결핵 감염 여부를 판단하여 도출된 결과 데이터가 SBC(single board computer)에 저장되는 것을 특징으로 한다.
본 발명의 CAD기반 디지털 엑스레이의 자동 결핵 진단 예측 시스템은 개도국 수출을 위한 적정기술 기반 접근을 통해 디지털 엑스레이 및 PACS(Picture Archiving & Communication System)를 통한 범용적 접근 지원으로 진단 효율성이 향상된다는 효과가 있다.
또한 본 발명의 CAD기반 디지털 엑스레이의 자동 결핵 진단 예측 시스템은 CAD 기반 Pre-Screening을 통한 결핵 환자의 추이 및 동향을 기반으로 하는 딥러닝 알고리즘 기반의 결핵 예측과 맞춤 진단의 지원 추진 효과가 있다.
도 1은 본 발명의 CAD기반 디지털 엑스레이의 자동 결핵 진단 예측을 위한 시스템 구성도,
도 2는 본 발명의 GHT를 적용하여 검출한 폐 이미지,
도 3은 본 발명의 kNN 또는 SVM을 이용하여 비정상성 특징을 띄는 이미지의 분류를 위해 검출된 비정상성 이미지 후보,
도 4는 본 발명의 GHT에 의한 비정상성 이미지의 모양 검출을 나타낸 도면,
도 5는 본 발명의 CAD 기반 디지털 엑스레이에 딥러닝 알고리즘을 적용한 도면 및
도 6은 본 발명의 딥러닝 알고리즘의 적용 결과를 나타낸 도면이다.
본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다.
따라서, 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.
도 1을 참조하면, 본 발명의 CAD기반 디지털 엑스레이의 자동 결핵 진단 예측을 위한 시스템은 환자의 흉부 엑스레이로부터 폐 이미지를 검출하는 이미지 검출부, 이미지 검출부에서 검출된 폐 이미지를 수신하여 데이터 세트를 생성하는 데이터 생성부, 데이터 생성부의 데이터 수집량이 소정 기준보다 미달인 경우 데이터 세트에 kNN(k-Nearest Neighbors) 또는 SVM(Support Vector Machine) 알고리즘 중 어느 하나 이상을 적용하고, 데이터 생성부의 데이터 수집량이 소정 기준을 초과하는 경우 데이터 세트에 딥러닝 알고리즘을 적용하는 알고리즘 적용부 및 kNN(k-Nearest Neighbors), SVM(Support Vector Machine) 또는 딥러닝 알고리즘이 환자의 폐 이미지에 적용되어 결핵 감염 여부를 판단하는 진단부를 포함한다.
데이터 세트는 학습용 데이터 세트 및 검증용 데이터 세트를 포함하고, kNN(k-Nearest Neighbors), SVM(Support Vector Machine) 또는 딥러닝 알고리즘을 학습용 데이터 세트 및 검증용 데이터 세트에 적용하고, 소정 기준은 딥러닝 알고리즘이 적용된 검증용 데이터 세트에 대한 학습용 데이터 세트의 결핵 진단 정확도가 kNN(k-Nearest Neighbors) 또는 SVM(Support Vector Machine) 알고리즘이 적용된 검증용 데이터 세트에 대한 학습용 데이터 세트의 결핵 진단 정확도보다 높은 수치를 나타내는 것을 의미한다. 즉, 상술한 소정 기준에 따르는 데이터량은 학습용 데이터세트로부터 학습된 딥러닝 알고리즘의 검증용 데이터세트에 대한 결핵 진단 정확도가 학습용 데이터세트로부터 학습된 SVM 알고리즘의 검증용 데이터세트에 대한 결핵 진단 정확도보다 높게 나타날 때의 수집된 데이터량을 의미한다. 이러한 기준량보다 학습에 사용할 수 있는 데이터량이 적은 경우 기존의 알고리즘인 kNN(k-Nearest Neighbors) 또는 SVM(Support Vector Machine) 알고리즘을 적용하고, 많은 경우에는 딥러닝 알고리즘을 적용한다. 즉, 딥러닝 알고리즘은 알고리즘을 학습하기 위해 수집된 데이터량이 많을수록 정확도가 향상되는 효과가 있다.
따라서, 딥러닝 알고리즘은 데이터의 수집량에 비례하여 가중치를 부여하여 적용하여 그 효과를 증대시킬 수 있다.
또한 딥러닝 알고리즘은 이미지 검출부로부터 검출된 폐 이미지에 대한 세부적인 특징을 스스로 추출하여 데이터 세트를 생성한다.
더욱이 이미지 검출부로부터 검출된 폐 이미지에 대한 세부적인 특징 중 비정상성 특징점은 딥러닝 알고리즘을 적용하여 결핵 진단 시 자동으로 제외될 수 있다. 여기에서 세부적인 특징 중 정상성 특징점은 경계선 또는 결핵 관련 인자가 될 수 있고, 비정상성 특징점은 단추 또는 목걸이와 같이 결핵 진단에 불필요한 요소들을 일컫는다.
한편 데이터 생성부의 데이터 수집량이 소정 기준보다 미달인 경우, 기존의 알고리즘인 kNN(k-Nearest Neighbors) 또는 SVM(Support Vector Machine) 알고리즘을 적용되고, 데이터 생성부는 이미지 검출부로부터 검출된 폐 이미지를 수신하여 이미지로부터 폐의 세부적인 특징을 추출하는 세부 특징 추출부를 포함하고, 세부 특징 추출부로부터 데이터 세트를 생성한다.
이미지 검출부는 GHT(Generalized Hough Transform) 또는 PHOG(Pyramid Histogram of Oriented Gradient) 중 어느 하나의 알고리즘을 이용하여 폐 이미지를 검출 가능하다. GHT의 경우 기존의 hough transform의 선, 원 또는 타원 등을 검출하는데 사용되어오던 기술에서 확장되어 임의 형태의 모양을 검출하는데 사용 가능하다. 즉, 검출하고자 하는 샘플 대상을 등록하고 이를 이용하여 임의 형태의 모양을 검출할 수 있다. 또한, 검출하고자 하는 대상이 부분만 있는 경우나 다른 장애물에 의해 가려진 경우에도 검출 가능하며, 잡음의 영향을 적게 받는다.
도 2를 참조하면, 폐 검출을 위한 폐 경계의 이미지를 나타낸 것이다.
본 발명에서는 이러한 임의의 형태를 가지는 폐 이미지의 검출을 위해 기준점을 선택하고, 기준점으로부터 폐의 경계까지 선을 그린 후에 상술한 경계에서의 접점각을 계산하고 접점각을 행으로 하는 테이블을 작성한다. 이때 검출 대상이 복수 개인 경우 복수 개의 테이블이 필요하다.
검출 절차로는 파라미터 공간의 양자화, 영상의 모든 에지점에 대해 접점각을 구하고 등록된 테이블에서 접점의 좌표를 산출한 후 각 산출점에 대해 후보 기준점을 계산한다.
세부 특징 추출부는 필터 뱅크, 텍스처 분석 또는 주파수 분석 중 어느 하나 이상을 이용한다.
GHT로 인해 검출된 폐 이미지는 세부 특징 추출부에서 영상 필터링이 적용될 수 있다.
필터 뱅크의 필터로는 Gabor 필터가 사용된다. 이 때 2D Gabor 필터가 사용될 수 있다. 2D Gabor 필터의 함수식에 있는 파라미터인 파장, 각도, 위상각, 종횡비 및 대역폭에 의해서 다양한 필터링 구현이 가능하다.
Gabor 필터가 적용된 이미지는 자체적으로 사용되거나 텍스처 분석의 입력값으로 사용된다.
텍스처 분석은 이미지 또는 Gabor 필터가 적용된 이미지로부터 대응(coocurrence) 행렬값을 구하는 것을 특징으로 한다. 이때, 대응 행렬을 정규화하면 (i, j)를 랜덤변수로 하는 확률질량함수가 된다. 상술한 확률질량함수의 고유값 및 고유벡터 분포로부터 공분산 매트릭스를 구하고 그 고유값을 구하면, 상술한 2개의 고유값 중 큰 값 대비 작은 값의 비율, 크기 등이 이 분포의 특징값이 된다.
주파수 분석은 푸리에 변환(Fourier Transform)을 이용한다.
도 3을 참조하면, kNN 또는 SVM을 이용하여 비정상성 특징을 띄는 이미지의 분류를 위해 검출된 비정상성 이미지 후보를 결정하는 도면을 나타낸다.
즉, 진단부는 kNN(k-Nearest Neighbors), SVM(Support Vector Machine) 또는 딥러닝 알고리즘 중 어느 하나 이상을 이용하여 결핵 감염 여부에 따라 데이터를 분류한다. 이때, 필터 뱅크의 결과값, 필터 뱅크의 대응 행렬 특징값, 푸리에 스펙트럼 특징값 등을 사용하여 kNN, SVM 또는 딥러닝을 이미지에 적용시키고 그 결과로 임의 폐 이미지에 대해 분류를 시도하여 비정상성 이미지의 후보를 검출한다. 또한, 딥러닝 알고리즘을 적용할 때는 진단부로부터 결핵 감염 여부를 판단하여 도출된 결과 데이터가 SBC(single board computer)에 저장될 수 있다. 이때 데이터 생성부에서 생성된 데이터는 결핵 진단 정확도 향상을 위해 환자의 성별, 연령 또는 인종 중 어느 하나 이상의 항목별로 구분되어 딥러닝 알고리즘이 적용될 수 있다.
비정상성 이미지의 후보를 검출하는 방법으로는 로컬 영상 이진화 또는 모양 분석이 있다. 로컬 영상 이진화 분석 방법은 감염으로 추정되는 이미지의 학습용 데이터 세트 생성을 위해 감염으로 추정되는 이미지로부터 로컬 이진화에 의해 블롭(blob)을 검출하고, 이때, 로컬 평균을 구하여 로컬 변화를 반영한다. 원본 영상에서 로컬 영상 평균의 로컬 표준편차가 영상의 처리 대상이 된다. 여기에서 표준편차 영상은 엑스레이 영상에서 특징적 미소 패턴을 잘 표현할 수 있다.
비정상성 이미지의 패턴 분석은 블롭 영상에 대해 공분산을 구하고 공분산의 고유값을 구한 다음 최대고유값 대비 최소고유값 비율로 구해서 사용한다.
도 4를 참조하면, GHT에 의한 폐 이미지에서의 비정상성 모양을 검출하고 분석하는 것을 나타낸 것이다. 본 발명에서는 흉강 이미지를 검출하였다.
도 5를 참조하면, 딥러닝 알고리즘에 심층 신경망(Deep Neural Network)이 적용되었다.
또 다른 방법으로 딥러닝 알고리즘에 적용되는 신경망은 컨볼루션 신경망(Convolutional Neural Network, CNN)으로 통합 계층(pooling layer)를 포함하는 것일 수 있다.
도 6을 참조하면, 딥러닝 알고리즘의 적용 결과 데이터량이 증가할수록 결핵 환자를 진단할 수 있는 정확도가 상승한다. 또한, 전체 정확도는 90%, 결핵이 아닌 환자를 걸러낼 수 있는 specificity는 93%이다.
한편, 결핵 진단 예측 시스템은 결핵 진단 뿐만 아니라, 폐 질환에 확장 적용 가능하다. 즉, 병변을 진단해야 하는 시스템에 적용될 수 있다.
본 발명은 이상에서 살펴본 바와 같이 바람직한 실시예를 들어 도시하고 설명하였으나, 상기한 실시예에 한정되지 아니하며 본 발명의 정신을 벗어나지 않는 범위 내에서 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변경과 수정이 가능할 것이다.

Claims (12)

  1. CAD기반 디지털 엑스레이 자동 결핵 진단 예측 시스템에 있어서:
    환자의 흉부 엑스레이로부터 폐 이미지를 검출하는 이미지 검출부;
    상기 이미지 검출부에서 검출된 폐 이미지를 수신하여 데이터 세트를 생성하는 데이터 생성부;
    상기 데이터 생성부의 데이터 수집량이 소정 기준보다 미달인 경우 상기 데이터 세트에 kNN(k-Nearest Neighbors) 또는 SVM(Support Vector Machine) 알고리즘 중 어느 하나 이상을 적용하고, 상기 데이터 생성부의 데이터 수집량이 소정 기준을 초과하는 경우 상기 데이터 세트에 딥러닝 알고리즘을 적용하는 알고리즘 적용부; 및
    상기 kNN(k-Nearest Neighbors), SVM(Support Vector Machine) 또는 딥러닝알고리즘이 상기 환자의 폐 이미지에 적용되어 결핵 감염 여부를 판단하는 진단부를 포함하는 CAD기반 디지털 엑스레이의 자동 결핵 진단 예측 시스템.
  2. 제 1항에 있어서,
    상기 데이터 세트는 학습용 데이터 세트 및 검증용 데이터 세트를 포함하고,
    상기 kNN(k-Nearest Neighbors), SVM(Support Vector Machine) 또는 딥러닝 알고리즘을 상기 학습용 데이터 세트 및 상기 검증용 데이터 세트에 적용하고,
    상기 소정 기준은 상기 딥러닝 알고리즘이 적용된 상기 검증용 데이터 세트에 대한 상기 학습용 데이터 세트의 결핵 진단 정확도가 상기 kNN(k-Nearest Neighbors) 또는 SVM(Support Vector Machine) 알고리즘이 적용된 상기 검증용 데이터 세트에 대한 상기 학습용 데이터 세트의 결핵 진단 정확도보다 높은 수치를 나타내는 것을 의미하는 CAD기반 디지털 엑스레이의 자동 결핵 진단 예측 시스템.
  3. 제 2항에 있어서,
    상기 딥러닝 알고리즘은 상기 데이터의 수집량에 비례하여 가중치를 부여하여 적용하는 것을 특징으로 하는 CAD기반 디지털 엑스레이의 자동 결핵 진단 예측 시스템.
  4. 제 3항에 있어서,
    상기 딥러닝 알고리즘은 상기 이미지 검출부로부터 검출된 폐 이미지에 대한 세부적인 특징을 스스로 추출하여 상기 데이터 세트를 생성하는 것을 특징으로 하는 CAD기반 디지털 엑스레이의 자동 결핵 진단 예측 시스템.
  5. 제 4항에 있어서,
    상기 이미지 검출부로부터 검출된 폐 이미지에 대한 세부적인 특징 중 비정상성 특징점은 딥러닝 알고리즘을 적용하여 결핵 진단 시 자동으로 제외되는 것을 특징으로 하는 CAD기반 디지털 엑스레이의 자동 결핵 진단 예측 시스템.
  6. 제 1항에 있어서,
    상기 데이터 생성부의 데이터 수집량이 소정 기준보다 미달인 경우, 상기 데이터 생성부는 상기 이미지 검출부로부터 검출된 폐 이미지를 수신하여 상기 이미지로부터 폐의 세부적인 특징을 추출하는 세부 특징 추출부를 포함하고, 상기 세부특징 추출부로부터 상기 데이터 세트를 생성하는 것을 특징으로 하는 CAD기반 디지털 엑스레이의 자동 결핵 진단 예측 시스템.
  7. 제 6항에 있어서,
    상기 세부 특징 추출부는 필터 뱅크, 텍스처 분석 또는 주파수 분석 중 어느 하나 이상을 이용하고,
    감염으로 추정되는 이미지의 학습용 데이터 세트 생성을 위해 상기 감염으로 추정되는 이미지로부터 로컬 이진화에 의해 블롭(blob)을 검출하는 것을 특징으로 하는 CAD기반 디지털 엑스레이의 자동 결핵 진단 예측 시스템.
  8. 제 7항에 있어서,
    상기 필터 뱅크의 필터로는 Gabor 필터가 사용되고,
    상기 Gabor 필터가 적용된 이미지는 자체적으로 사용되거나 상기 텍스처 분석의 입력값으로 사용되고,
    상기 텍스처 분석은 상기 이미지 또는 상기 Gabor 필터가 적용된 이미지로부터 대응(coocurrence) 행렬값을 구하며,
    상기 주파수 분석은 푸리에 변환(Fourier Transform)을 이용하는 것을 특징으로 하는 CAD기반 디지털 엑스레이의 자동 결핵 진단 예측 시스템.
  9. 제 1항에 있어서,
    상기 이미지 검출부는 GHT(Generalized Hough Transform) 또는 PHOG(Pyramid Histogram of Oriented Gradient) 중 어느 하나 이상의 알고리즘을 이용하여 상기 폐 이미지를 검출하는 것을 특징으로 하는 CAD기반 디지털 엑스레이의 자동 결핵 진단 예측 시스템.
  10. 제 1항에 있어서,
    상기 딥러닝 알고리즘에 적용되는 신경망은 심층 신경망(Deep Neural Network) 또는 컨볼루션 신경망(Convolutional Neural Network, CNN) 중 어느 하나 이상이고, 컨볼루션 신경망이 적용된 경우 통합 계층(pooling layer)를 포함하는 것을 특징으로 하는 CAD기반 디지털 엑스레이의 자동 결핵 진단 예측 시스템.
  11. 제 1항에 있어서,
    상기 데이터 생성부는 결핵 진단 정확도 향상을 위해 환자의 성별, 연령 또는 인종 중 어느 하나 이상의 항목별로 구분되어 딥러닝 알고리즘이 적용되는 것을 특징으로 하는 CAD기반 디지털 엑스레이의 자동 결핵 진단 예측 시스템.
  12. 제 1항에 있어서,
    상기 진단부로부터 결핵 감염 여부를 판단하여 도출된 결과 데이터가 SBC(single board computer)에 저장되는 것을 특징으로 하는 CAD기반 디지털 엑스레이의 자동 결핵 진단 예측 시스템.
PCT/KR2016/011973 2015-10-22 2016-10-24 Cad기반 디지털 엑스레이의 자동 결핵 진단 예측 시스템 WO2017069596A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2015-0147050 2015-10-22
KR1020150147050A KR20170047423A (ko) 2015-10-22 2015-10-22 Cad기반 디지털 엑스레이의 자동 결핵 진단 예측 시스템

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US16/396,881 Continuation US11389568B2 (en) 2016-10-27 2019-04-29 Tyrosine peptide cross-linked biocompatible hydrogel and method of production

Publications (1)

Publication Number Publication Date
WO2017069596A1 true WO2017069596A1 (ko) 2017-04-27

Family

ID=58557293

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2016/011973 WO2017069596A1 (ko) 2015-10-22 2016-10-24 Cad기반 디지털 엑스레이의 자동 결핵 진단 예측 시스템

Country Status (2)

Country Link
KR (1) KR20170047423A (ko)
WO (1) WO2017069596A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109997199A (zh) * 2017-08-30 2019-07-09 株式会社璘实拍虒 基于深度学习的结核病检查方法
CN111951246A (zh) * 2020-08-11 2020-11-17 湖南大学 一种基于深度学习的多方位x光胸片肺炎诊断方法

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101791029B1 (ko) * 2017-05-31 2017-10-27 주식회사 뷰노 원충성 감염병에 대한 피검체의 감염 여부를 판정하는 방법 및 이를 이용한 장치
KR101887194B1 (ko) 2018-06-20 2018-08-10 주식회사 뷰노 피검체의 의료 영상의 판독을 지원하는 방법 및 이를 이용한 장치
KR102020221B1 (ko) 2017-11-24 2019-09-10 주식회사 레이 치과용 콘-빔 ｃｔ의 산란선 보정방법 및 보정장치
KR101898580B1 (ko) 2018-01-22 2018-09-13 주식회사 뷰노 영상의 열람을 지원하는 방법 및 이를 이용한 장치
KR102160097B1 (ko) * 2018-01-25 2020-09-25 (주)바텍이우홀딩스 치아영역 추출 시스템 및 방법
KR102656563B1 (ko) 2018-02-06 2024-04-12 삼성메디슨 주식회사 초음파 진단 장치 및 초음파 진단 장치의 제어 방법
KR102157867B1 (ko) * 2018-11-13 2020-09-18 서강대학교산학협력단 딥러닝에 기반한 고속 양전자단층촬영 영상 획득 장치 및 방법
KR102097742B1 (ko) 2019-07-31 2020-04-06 주식회사 딥노이드 인공지능 기반의 의료영상 검색 시스템 및 그 구동방법
KR102321428B1 (ko) * 2021-02-16 2021-11-05 메디컬아이피 주식회사 병변 파악 방법 및 그 장치

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140010433A1 (en) * 2010-11-03 2014-01-09 Ajay Divekar System and method for improved detection of objects of interest in image data by management of false positives

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140010433A1 (en) * 2010-11-03 2014-01-09 Ajay Divekar System and method for improved detection of objects of interest in image data by management of false positives

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
BAR, YANIV ET AL.: "Deep Learning with Non-medical Training Used for Chest Pathology Identification", SPIE PROCEEDINGS VOL. 9414 , MEDICAL IMAGING 2015: COMPUTER-AIDED DIAGNOSIS, vol. 9414, 20 March 2015 (2015-03-20), pages 1 - 7, XP060052074, Retrieved from the Internet <URL:httg://sgie.org/Publications/Proceedings/Paper/10.1117/12.2083124> *
NGO, TUAN ANH ET AL.: "Lung Segmentation in Chest Radiographs Using Distance Regularizedlevel Set and Deep-structured Learning and Inference", IMAGE PROCESSING (ICIP), 2015 IEEE INTERNATIONAL CONFERENCE, 27 September 2015 (2015-09-27), pages 2140 - 2143, XP032826801, Retrieved from the Internet <URL:http://ieeexplore.ieee.org/abstract/document/7351179> *
TAN, JEN HONG ET AL.: "Computer-Assisted Diagnosis of Tuberculosis: A First Order Statistical Approach to Chest Radiograph", JOURNAL OF MEDICAL SYSTEMS, vol. 36, no. 5, 7 July 2011 (2011-07-07), pages 2751 - 2759, XP035103419, Retrieved from the Internet <URL:httgs://www.researchgate.net/publication/51473136> *
ZHANG, BAILING ET AL.: "Spectral Regression Dimension Reduction for Multiple Features Facial Image Retrieval", INTERNATIONAL JOURNAL OF BIOMETRICS, vol. 4, 1 December 2012 (2012-12-01), pages 77 - 101, Retrieved from the Internet <URL:http://dl.acm.org/citation.cfm?id=2088507> *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109997199A (zh) * 2017-08-30 2019-07-09 株式会社璘实拍虒 基于深度学习的结核病检查方法
CN111951246A (zh) * 2020-08-11 2020-11-17 湖南大学 一种基于深度学习的多方位x光胸片肺炎诊断方法

Also Published As

Publication number Publication date
KR20170047423A (ko) 2017-05-08

Similar Documents

Publication Publication Date Title
WO2017069596A1 (ko) Cad기반 디지털 엑스레이의 자동 결핵 진단 예측 시스템
Allugunti A machine learning model for skin disease classification using convolution neural network
Veredas et al. Wound image evaluation with machine learning
Yogapriya et al. Gastrointestinal tract disease classification from wireless endoscopy images using pretrained deep learning model
WO2018155898A1 (en) Method and apparatus for processing histological image captured by medical imaging device
CN109997147A (zh) 用于诊断耳部病理的耳镜图像分析的系统和方法
US11663718B2 (en) Method for discriminating suspicious lesion in medical image, method for interpreting medical image, and computing device implementing the methods
WO2019098415A1 (ko) 자궁경부암에 대한 피검체의 발병 여부를 판정하는 방법 및 이를 이용한 장치
WO2019143021A1 (ko) 영상의 열람을 지원하는 방법 및 이를 이용한 장치
Chen et al. Automatic whole slide pathology image diagnosis framework via unit stochastic selection and attention fusion
Amini et al. Automatic classification of severity of COVID‐19 patients using texture feature and random forest based on computed tomography images
KR102245219B1 (ko) 의료 영상에서 악성의심 병변을 구별하는 방법, 이를 이용한 의료 영상 판독 방법 및 컴퓨팅 장치
Tushabe et al. An image-based diagnosis of virus and bacterial skin infections
Sangeetha et al. A Combined Image Segmentation and Classification Approach for COVID-19 Infected Lungs.
EP3467770B1 (en) Method for analysing a medical imaging data set, system for analysing a medical imaging data set, computer program product and a computer-readable medium
Patil et al. Ensemble learning for detection of types of melanoma
Hong et al. A novel hierarchical deep learning framework for diagnosing multiple visual impairment diseases in the clinical environment
Grace John et al. Extreme learning machine algorithm‐based model for lung cancer classification from histopathological real‐time images
Nehra et al. Detection of cervical cancer using GLCM and support vector machines
WO2021246013A1 (ja) 画像診断方法、画像診断支援装置、及び計算機システム
Zadeh et al. An analysis of new feature extraction methods based on machine learning methods for classification radiological images
Dey et al. Image examination system to detect gastric polyps from endoscopy images
CN109637633B (zh) 一种基于大数据与机器学习的诊断乳腺癌病情的方法
Rodríguez-Vázquez Support to the diagnosis of the pap test, using computer algorithms of digital image processing
Ullah et al. A Novel Deep Learning Approach for Colon and Lung Cancer Classification Using Histopathological Images

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 16857853

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 16857853

Country of ref document: EP

Kind code of ref document: A1