WO2020032561A2 - 다중 색 모델 및 뉴럴 네트워크를 이용한 질병 진단 시스템 및 방법 - Google Patents

다중 색 모델 및 뉴럴 네트워크를 이용한 질병 진단 시스템 및 방법 Download PDF

Info

Publication number
WO2020032561A2
WO2020032561A2 PCT/KR2019/009846 KR2019009846W WO2020032561A2 WO 2020032561 A2 WO2020032561 A2 WO 2020032561A2 KR 2019009846 W KR2019009846 W KR 2019009846W WO 2020032561 A2 WO2020032561 A2 WO 2020032561A2
Authority
WO
WIPO (PCT)
Prior art keywords
patch
slide
disease
neural network
diagnosis
Prior art date
Application number
PCT/KR2019/009846
Other languages
English (en)
French (fr)
Other versions
WO2020032561A3 (ko
Inventor
이상훈
김선우
Original Assignee
주식회사 딥바이오
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 주식회사 딥바이오 filed Critical 주식회사 딥바이오
Priority to CN201980053724.3A priority Critical patent/CN112567474A/zh
Priority to JP2021505743A priority patent/JP7152810B2/ja
Priority to US17/266,103 priority patent/US20210295509A1/en
Priority to EP19846516.3A priority patent/EP3819910A4/en
Publication of WO2020032561A2 publication Critical patent/WO2020032561A2/ko
Publication of WO2020032561A3 publication Critical patent/WO2020032561A3/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • 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
    • 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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/30024—Cell structures in vitro; Tissue sections in vitro

Definitions

  • the present invention relates to a disease diagnosis system and method using multiple color models and neural networks. More specifically, a system capable of diagnosing a predetermined disease (eg, prostate cancer) by inputting images of biological tissues in the form of different color models using neural networks learned by performing learning through neural networks, and It's about how.
  • a predetermined disease eg, prostate cancer
  • One of the main tasks of the pathology or pathology department is to read the biometric images of the patient and perform the diagnosis to determine the condition or signs for a particular disease. This diagnosis is dependent on the experience and knowledge of long-term skilled practitioners.
  • diagnosis through deep learning using a neural network does not merely automate the experience and knowledge of a conventionally trained medical practitioner.
  • a neural network eg, CNN
  • the diagnosis of a disease through a neural network using a bioimage uses a piece of the bioimage, that is, a patch (also called a path or tile). That is, a medical practitioner skilled in the tile may annotate a specific disease state (eg, whether cancer is expressed), and train the neural network using the plurality of annotated tiles as training data.
  • the neural network may use a convolutional neural network.
  • the learned neural network determines the disease state of the tile only by the image feature of the tile.
  • the neural network determines not only the specific tissue itself but also the state of the specific tissue.
  • the current state of surrounding tissues eg, shapes, specific patterns, etc.
  • the conventional method has a problem that is not suitable in this case.
  • the color of the bio image or the patch itself is input as input data.
  • the biological image or the patch is in the form of RGB
  • input data defined by three channel values of RGB is used as it is.
  • the color of the tissue to be stained may be different depending on the characteristics of the staining reagent used for staining the biological tissue corresponding to the biological image, which may directly affect the neural network to be learned.
  • the technical problem to be achieved by the present invention is to provide a diagnostic system and method using a neural network that can have a robust color characteristics rather than the image characteristics that are fundamental to the diagnosis of disease manifestations by using a multi-color model.
  • a neural network can be used to improve accuracy by learning not only the specific tile but also surrounding tiles in order to determine a condition (eg, an expression of a disease or an indicator indicating a disease state) of a particular tile.
  • the present invention provides a diagnostic system and method thereof.
  • a system comprising a processor and a storage device for storing a neural network, the slide is a biological image and the system for diagnosing diseases using the neural network, the system, the slide is predetermined
  • each of the first color model to the K-th color model may be any one of an RGB model, an HSV model, a CMYK model, a YCbCr model, and a Gray model.
  • the system may further include a slide diagnosis engine for outputting a diagnosis result.
  • the disease may be characterized in that the prostate cancer.
  • a slide which is implemented in a system including a processor and a storage device for storing a neural network and is a biological image and a system for diagnosing diseases using the neural network, wherein the slide is predetermined.
  • the patch neural For each patch divided by the size of the patch, the patch neural to receive the first image information to the K-th image information corresponding to the patch as an input layer and output a patch level diagnostic result that is whether or not the disease exists in the patch
  • each of the first color model to the K-th color model may be any one of an RGB model, an HSV model, a CMYK model, a YCbCr model, and a Gray model.
  • the disease diagnosis method the system marks a patch determined as a cancer of the patch level diagnosis of each of the plurality of patches included in the slide, the disease is present on the slide based on the marked result
  • the method may further include outputting a slide level diagnosis result.
  • the outputting of the slide level diagnosis result may include forming a plurality of clusters by clustering a patch determined to be cancer in a predetermined manner, and setting a plurality of cluster features as input values for each of the formed clusters. And receiving the input and outputting the slide level diagnosis result of the slide including the clusters.
  • a slide which is implemented in a system including a processor and a storage device for storing a neural network and is a bio-image and a method for diagnosing a disease using the neural network, the system, the slide is predetermined Outputting a patch level diagnosis result of whether a disease is present in the patch by receiving the first image information to the K-th image information corresponding to the patch as an input layer, for each patch divided into sizes of Marking a patch determined to be cancer as a patch level diagnosis result of each of the plurality of patches included in the slide, and outputting a slide level diagnosis result of whether a disease exists on the slide based on the marked result;
  • a computer program installed in a data processing apparatus and recorded in a medium for performing the above-described method.
  • the input data input that is, the color value (eg, RGB three-channel value) corresponding to the original color model of the patch, but also the channel value (eg, HSV three-channel) corresponding to another color model.
  • Value, gray channel value, etc. as additional input data, reflecting the image characteristics related to the disease represented by the color difference, and varying according to various factors of the color rather than the image characteristics underlying in the diagnosis of disease.
  • a neural network capable of determining a condition of a disease of a specific patch in consideration of a macro patch including the specific patch and further including a peripheral patch while performing diagnosis on a specific patch. The effect is to provide higher diagnostic accuracy.
  • FIG. 1 is a diagram illustrating a schematic system configuration of a system for diagnosing diseases using a multi-color model and a neural network according to the spirit of the present invention.
  • FIG. 2 is a view for explaining the logical configuration of a disease diagnosis system using a multi-color model and neural network according to an embodiment of the present invention.
  • FIG. 3 is a diagram illustrating a hardware configuration of a system for diagnosing diseases using a multi-color model and a neural network according to an exemplary embodiment of the present invention.
  • FIG. 4 is a diagram illustrating an exemplary configuration of a neural network according to an embodiment of the present invention.
  • 5A and 5B are diagrams for describing an exemplary configuration of a neural network according to another embodiment of the present invention.
  • FIG. 6 is a view for explaining the concept of a two-face disease diagnosis method according to an embodiment of the present invention.
  • FIG. 7 is a view showing the experimental results of the patch level diagnostic method according to an embodiment of the present invention.
  • FIG. 8 is a diagram illustrating a marking result according to a patch level diagnosis result according to an exemplary embodiment.
  • FIG. 9 is a view showing the experimental results of the slide level diagnostic method according to an embodiment of the present invention.
  • first and second may be used to describe various components, but the components should not be limited by the terms. The terms are used only for the purpose of distinguishing one component from another.
  • the component when one component 'transmits' data to another component, the component may directly transmit the data to the other component, or through at least one other component. Means that the data may be transmitted to the other component.
  • the component when one component 'directly transmits' data to another component, it means that the data is transmitted from the component to the other component without passing through the other component.
  • FIG. 1 is a diagram illustrating a schematic system configuration of a disease diagnosis system using a multi-color model and a neural network according to the spirit of the present invention.
  • a diagnosis system for disease using a multi-color model and a neural network (hereinafter, the diagnosis system) 100 according to the technical idea of the present invention is installed in a predetermined server 10 to implement the technical idea of the present invention.
  • the server 10 refers to a data processing apparatus having a computing capability for implementing the technical idea of the present invention, and generally provides a specific service such as a personal computer, a portable terminal, etc. as well as a data processing apparatus accessible by a client through a network. It will be readily apparent to the average person skilled in the art that any device that can perform may be defined as a server.
  • the server 10 may include a processor 11 and a storage device 12 as shown in FIG. 3.
  • the processor 11 may refer to an operation device capable of driving a program 12-1 for implementing the technical idea of the present invention, and the processor 11 includes the program 12-1 and the present invention.
  • Diagnosis can be performed using a neural network (12-2) defined by the technical idea of.
  • the neural network 12-2 may include a patch neural network for performing patch level diagnosis as will be described later.
  • the patch neural network may perform patch level diagnosis using a multi-color model.
  • Performing a diagnosis using the multi-color model may refer to diagnosing the presence of a disease by receiving channel values (or channel values) of each of a plurality of different color models as input layers. If using K color models, where K is an integer greater than or equal to 2, the patch neural network inputs channel values corresponding to each of the first color model to the Kth color model. Can be input as a layer. For example, when an RGB color model, an HSV color model, and a gray color model are used, the patch neural network may receive RGB three channels, an HSV channel, and a gray channel.
  • Patch level diagnosis using a multi-color model may be used at least some of the RGB model, HSV model, CMYK model, YCbCr model, Gray model.
  • the neural network 12-2 may further include a neural network for performing slide level diagnosis.
  • the configuration of performing the slide level diagnosis may be implemented through various machine learning techniques as well as a neural network.
  • a diagnosis engine for performing the slide level diagnosis is known XGBoost, but a diagnosis engine according to various machine learning techniques may be implemented, and such a diagnosis engine is stored in the storage device 12. Of course it can be stored.
  • the server 10 may include a processor 11 and a storage device 12 as shown in FIG. 3.
  • the processor 11 may refer to an operation device capable of driving a program 12-1 for implementing the technical idea of the present invention, and the processor 11 includes the program 12-1 and the present invention.
  • Diagnosis can be performed using a neural network (12-2) defined by the technical idea of.
  • the neural network 12-2 may include a patch neural network for performing patch level diagnosis as will be described later.
  • the neural network 12-2 may further include a neural network for performing slide level diagnosis.
  • the configuration of performing the slide level diagnosis may be implemented through various machine learning techniques as well as a neural network.
  • a diagnosis engine for performing the slide level diagnosis is known XGBoost, but a diagnosis engine according to various machine learning techniques may be implemented, and such a diagnosis engine is stored in the storage device 12. Of course it can be stored.
  • the storage device 12 may refer to data storage means capable of storing the program 12-1, the neural network 12-2, and / or a diagnostic engine for performing slide level diagnosis. Accordingly, it may be implemented as a plurality of storage means. In addition, the storage device 12 may mean not only a main memory device included in the server 10, but also a temporary storage device or a memory that may be included in the processor 11.
  • diagnostic system 100 is illustrated as being implemented as any one physical device in FIG. 1 or 3, a plurality of physical devices are organically coupled as necessary to provide a diagnostic system 100 according to the spirit of the present invention. It will be easy for the average person skilled in the art to infer that it can be implemented.
  • the diagnosis system 100 performs diagnosis as a series of processes for receiving a bio-image in which a biological tissue is expressed, that is, a patch of the entire slide or a part of the slide, and outputting output data defined in the present specification. It may mean.
  • the diagnosis system 100 may perform two phase diagnosis.
  • the first phase may be a process of performing a patch level diagnosis, and in this process, the diagnosis system 100 may receive input for each patch of the slide and output whether the disease is expressed in the patch.
  • the neural network for this can be learned and implemented.
  • the second face may output whether the disease is expressed on the slide through the diagnosis result of the first face.
  • This process can be a neural network or any machine learning technique.
  • the second phase is effective by judging whether the disease is manifested on the slide based on the characteristics of the patches and the characteristics of the patches judged based on the diagnosis (ie, patches diagnosed as having been expressed). Highly accurate diagnosis can be performed.
  • a single one-way neural network may be used. It may be.
  • the neural network according to the embodiment of the present invention may be as shown in FIG. 5.
  • the neural network is sufficient to be a neural network defined to receive a patch and to output whether the input patch is a disease.
  • the neural network may be trained to perform diagnosis by receiving each channel value of a plurality of color models corresponding to each patch as an input value.
  • the neural network uses channel values (or channels) corresponding to each of the first to Kth color models. Values) can be learned to take an input value and perform a diagnosis.
  • the neural network is trained to receive, for each patch, first image information and K-th image information corresponding to the patch as an input layer, and output a patch level diagnosis result indicating whether a disease exists in the patch.
  • the neural network may be information indicating the progress of a specific disease (or probability corresponding to the progress) as well as whether a specific disease is expressed as disclosed in a previous application.
  • a Gleason Pattern or Gleason Score which is an index indicating the progress of prostate cancer
  • the state information may mean the probability that the biological tissue corresponding to the patch to be diagnosed corresponds to a specific value (eg, 3, 4, or 5) of the Gleason score.
  • the first state information may indicate a probability that the Gleason score is 3
  • the second state information may indicate a probability that the Gleason score is 4
  • the third state information may indicate a probability that the Gleason score is 5.
  • Both state information and state channels corresponding to the third state information may be defined in the output layer.
  • state information indicating a probability that the Gleason score has a range eg, 3 to 5, 4 to 5, etc.
  • one state information may correspond to a plurality of indices representing the progress of the disease.
  • the neural network may determine that the patch is a disease patch, that is, a patch in which the disease is expressed, when the state information having a Gleason score of 3 or more is a predetermined threshold value or more.
  • the threshold used by the neural network may be variously set. According to an embodiment, a plurality of thresholds may be used. Depending on the threshold value, a particular patch may be determined to be a disease-expressed patch, that is, a disease patch or a normal patch.
  • the neural network may use a plurality of threshold values, and in this case, a disease patch diagnosed according to each of the plurality of threshold values may vary.
  • a disease patch diagnosed according to each of the plurality of threshold values may vary depending on each of the threshold values.
  • the characteristics of the disease patch placed on the slide may also vary.
  • the accuracy of the diagnostic results on the slide can also vary.
  • the technical concept of the present invention may be implemented to perform the slide diagnosis engine to diagnose the slide in consideration of multiple physical characteristics of the disease patches diagnosed according to each of the plurality of threshold values in the slide as described below. This technical idea will be described later.
  • the diagnostic system 100 When the diagnostic system 100 is included in a predetermined server 10 and implemented, the diagnostic system 100 communicates with at least one client (eg, 20, 20-1) connectable to the server 10. You can also do In this case, the client (eg, 20, 20-1) may transmit the bioimage to the diagnosis system 100, and the diagnosis system 100 may perform a diagnosis according to the technical spirit of the present disclosure with respect to the transmitted bioimage. Can be done. In addition, the diagnosis result may be transmitted to the client (eg, 20, 20-1).
  • the client eg, 20, 20-1
  • the diagnosis system 100 may perform a diagnosis according to the technical spirit of the present disclosure with respect to the transmitted bioimage. Can be done.
  • the diagnosis result may be transmitted to the client (eg, 20, 20-1).
  • the diagnosis system 100 may perform patch level diagnosis using a neural network according to the spirit of the present invention.
  • the process of training the neural network may be performed first to perform such a diagnosis.
  • the above-described multiple color model can be used in the process of learning neural networks.
  • slide level diagnosis may also use a predetermined neural network as described above.
  • the diagnosis system 100 may be a system for performing diagnosis by receiving a neural network learned in accordance with the technical spirit of the present invention and a program for performing diagnosis using the neural network from an external source. It may be a system that even performs learning.
  • the diagnostic system 100 may not be a general-purpose data processing device but may be implemented as a dedicated device manufactured to implement the technical idea of the present invention. In this case, a means for scanning a biological image may be further provided. It may be.
  • the neural network does not only consider the image of the specific patch itself to perform the diagnosis of the specific patch as disclosed in the previous application, but also considers the image of at least one adjacent patch of the specific patch to diagnose the specific patch. It may have a feature to perform. Through this technical idea, it is possible to improve the accuracy to a very significant level in the diagnosis of a disease that should consider not only the living tissue but also the surrounding tissue of the living tissue for the diagnosis of the living tissue corresponding to the specific patch. have. In addition, when dividing the biological image into a plurality of patches, it may have a strong effect on the effect of the diagnostic results that can occur depending on the division method of the patch or the location of the divided tissue.
  • the neural network may not have the features disclosed in the previous application, and in any case, the neural network may be a neural network trained to perform a diagnosis for each patch.
  • the neural network may accept a channel value of each of the multi-color models for each of the pixels included in the patch as an input value. That is, the neural network may further receive a channel value (or channel values) defined by each of one or more additional color models in addition to the values of the original channels defined by the original color model of the patch. For example, the neural network accepts input on a per-patch basis, with each channel value (eg, RGB three channels) of the original color model of pixels included in the patch, as well as each channel value (eg, gray channel value) of the additional color model. , HSV 3 channel value, CMYK 4 channel value and / or YCbCr 3 channel value, etc.) may be further accepted as input.
  • each channel value eg, RGB three channels
  • each channel value eg, gray channel value
  • the color of the biological image may have a strong effect when the color of the bioimage may be changed by factors unrelated to the image characteristics related to the disease (eg, characteristics of the diagnostic institution, staining reagents, etc.).
  • factors unrelated to the image characteristics related to the disease eg, characteristics of the diagnostic institution, staining reagents, etc.
  • by expressing a single image as a multi-color model and using all of them there is an advantage that the important information can be better reflected when the image characteristics related to the disease are reflected and displayed.
  • the diagnostic system 100 for implementing such technical idea may logically have a configuration as shown in FIG. 2.
  • FIG. 2 is a view for explaining the logical configuration of a diagnosis system for diseases using a neural network according to an embodiment of the present invention.
  • the diagnostic system 100 may refer to a logical configuration having hardware resources and / or software necessary to implement the technical idea of the present invention, and necessarily means one physical component or one It does not mean a device. That is, the diagnostic system 100 may mean a logical combination of hardware and / or software provided to implement the technical idea of the present invention. If necessary, the diagnostic system 100 may be installed in devices spaced apart from each other to perform respective functions. As a result, it may be implemented as a set of logical configurations for implementing the technical idea of the present invention. In addition, the diagnostic system 100 may refer to a set of components separately implemented for each function or role for implementing the technical idea of the present invention.
  • each of the control module 110, the diagnostic module 120, and / or the preprocessing module 130 may be located in different physical devices or in the same physical device.
  • a combination of software and / or hardware configuring each of the control module 110, the diagnostic module 120, and / or the preprocessing module 130 may be located on different physical devices, and may be different from each other. Configurations located in the physical device may be organically coupled to each other to implement each of the modules.
  • module in the present specification may mean a functional and structural combination of hardware for performing the technical idea of the present invention and software for driving the hardware.
  • the module may mean a logical unit of a predetermined code and a hardware resource for performing the predetermined code, and does not necessarily mean a physically connected code or a kind of hardware. Can be easily inferred by the average expert in the art.
  • the control module 110 may control other components (eg, the diagnostic module 120 and / or the preprocessing module 130, etc.) included in the diagnostic system 100 to implement the technical idea of the present invention. Can be.
  • control module 110 may perform a diagnosis according to the spirit of the present invention by using a neural network and / or a slide diagnosis engine stored in the diagnosis module 120.
  • the diagnostic module 120 may include a patch diagnosis engine for performing patch level diagnosis and a slide diagnosis engine for performing slide level diagnosis.
  • the patch level diagnosis engine may be implemented through a deep learning based neural network according to the technical spirit of the present invention as described above.
  • the slide diagnosis engine may use a deep learning based neural network, or may use a predetermined machine learning (eg, XGBoost) engine other than the neural network.
  • XGBoost predetermined machine learning
  • the neural network may refer to a set of information representing a series of design items defining a neural network.
  • the neural network may be a convolutional neural network.
  • the convolutional neural network may include an input layer, a plurality of hidden layers, and an output layer, as is well known.
  • Each of the plurality of hidden layers may include a convolutional layer and a pulling layer (or subsampling layer).
  • Convolutional neural networks can be defined by functions, filters, strides, weight factors, etc., to define each of these layers.
  • the output layer may be defined as a fully connected forward layer.
  • the neural network for performing a patch level diagnosis uses a known densenet, and may be designed to consider not only a specific patch but also a peripheral patch to be diagnosed as disclosed in a previous application.
  • various neural networks may be utilized, and in any case, the neural network may be defined to receive a specific patch as an input and output a feature value corresponding to a disease occurrence probability of the specific patch.
  • the control module 110 may receive input data, that is, patch-specific input, to the patch level neural network, that is, the learned neural network stored in the diagnostic module 120.
  • input data that is, patch-specific input
  • the patch level neural network that is, the learned neural network stored in the diagnostic module 120.
  • a channel value corresponding to each of the multi-color models may be input for each patch.
  • the patch level neural network has, for each patch, an RGB three channel value corresponding to the corresponding patch as the first image information, and a second one.
  • the HSV 3-channel value corresponding to the patch corresponding to the image information and the CMYK 4-channel value corresponding to the corresponding patch corresponding to the third image information may be received.
  • Each channel value of the plurality of input color models may be obtained by converting original pixel values of each patch into respective color models.
  • operations defined by the neural network may be performed to output output data, that is, feature values corresponding to disease expression probabilities corresponding to patches.
  • output data that is, feature values corresponding to disease expression probabilities corresponding to patches.
  • the corresponding patch may output whether the disease is expressed.
  • diagnosis module 120 may include a slide diagnosis engine, and the slide diagnosis engine may also be learned and implemented by the control module 110.
  • the slide diagnosis engine may be trained in consideration of a plurality of threshold values. Through this, the slide diagnosis result that is hard to set the threshold value can be output. This will be described later.
  • the preprocessing module 130 may perform preprocessing of the necessary bio-image before performing diagnosis using a neural network.
  • the preprocessing of the bioimage may include patching the bioimage into patches of a predefined size.
  • the preprocessing module 130 may calculate the channel value corresponding to each color model by converting the pixels for each patch into a multi-color model. That is, the preprocessing module 130 may generate first image information to Kth image information (where K is an integer of 2 or more) corresponding to the patch.
  • the preprocessing module 130 may use the original of each pixel of the patch.
  • RGB 3-channel values can be converted to HSV 3-channel values and CMYK 4-channel values.
  • the preprocessing module 130 may perform appropriate image processing in a manner suitable for the neural network as needed.
  • FIG. 4 is a diagram illustrating a configuration of a neural network according to an embodiment of the present invention.
  • the neural network 200 includes a microneural network and a macroneural network.
  • the microneural network includes a plurality of layers 210 and an output layer 230.
  • the plurality of layers 210 includes an input layer 211 and a plurality of hidden layers 212.
  • the macroneural network includes a plurality of layers 220 and the output layer 230.
  • the plurality of layers 220 includes an input layer 221 and a plurality of hidden layers 222.
  • the microneural network receives a specific patch 30 and is defined to output a diagnosis result of the specific patch, that is, output data defined in the output layer 230.
  • the macroneural network is defined to receive the macro patch 40 including the specific patch 30 and at least one adjacent patch of the specific patch 30, and output a diagnosis result of the specific patch.
  • the neural network 200 not only the image characteristic of the specific patch 30 but also the image characteristic of adjacent patches of the specific patch 30 to output the diagnosis result of the specific patch 30.
  • the diagnostic result can be output in consideration.
  • the macro patch 40 illustrates an example in which 3 ⁇ 3 patches surrounding the patch are used in FIG. 4, various embodiments may be possible.
  • the output layer 230 is a first layer just before the output layer 230 included in the microneural network 212-1 and a layer immediately before the output layer 230 included in the macroneural network.
  • the output data defined in the output layer 230 may be output by receiving output data of each of the second previous layers 222-1.
  • the first immediately before layer 212-1, the second immediately before layer 222-1, and the output layer 230 may be fully connected.
  • the neural network 200 combines the image characteristics of the specific patch 30 with the image characteristics of the macro patch 40 including the specific patch 30 to perform diagnosis on the specific patch 30.
  • it is learned to output the output data of the output layer 230 corresponding to the annotation values of the plurality of training data.
  • a plurality of training data are used to learn the neural network 200, and the plurality of training data may include a pair of specific patches 30 and a macro patch 40.
  • the macro patch 40 may also perform learning using the annotation information of the specific patch 30.
  • the neural network 200 may be trained to output output data corresponding to the annotation information of the specific patch 30 in consideration of both image characteristics of the specific patch 30 and the macroscopic patch 40. Can be.
  • the trained neural network 200 receives the target patch to be diagnosed and the macro patch corresponding to the target patch as input data of the input layer of the micro-neural network and the macro-neural network, respectively, and the diagnosis result of the target patch. That is, output data of the output layer 230 may be output.
  • the output layer 230 may output output data of a diagnosis result of a specific patch 30 to be diagnosed.
  • the diagnosis result may include at least information on the condition of the disease of the specific patch 30.
  • the information about the condition of the disease may simply mean information about whether a particular disease is expressed in a specific patch 30 (or probability value). However, depending on the type of disease, the information about the condition of the disease may include information indicating the progress of the disease more specifically.
  • the output layer may be designed to output various additional information as well as to simply output the disease as described in the previous application.
  • the information may include information indicating the progress of the disease and / or related factor information indicating the expression level of the related factor associated with the value of the state channel. Since this is disclosed in detail in the previous application detailed description thereof will be omitted.
  • the output data of the output layer 230 is received and a feature value corresponding to the expression probability of the disease of the finally inputted patch is output.
  • a feature value corresponding to the expression probability of the disease of the finally inputted patch is output.
  • the neural network substitutes a layer for outputting a plurality of state channels and associated factor channels as shown in FIG. 4A to output feature values corresponding to the expression probability of the disease of the input patch. It may be designed to have a layer 240.
  • the neural network for patch level diagnosis may be designed to have a single path, not a method having two paths (a path for each of the micro network and the macro network) as shown in FIG. 4. have.
  • One such example may be as shown in FIG. 5.
  • 5A and 5B are diagrams for describing an exemplary configuration of a neural network according to another embodiment of the present invention.
  • the neural network may be defined to receive input in units of patches and determine whether the input patch is diseased.
  • the neural network may receive each channel value of the multi-color model.
  • the neural network may receive original RGB 3 channels and gray channels (4 channels in total).
  • an RGB three-channel value, three HSV channels, and four CMYK channels (10 channels in total) may be input.
  • various color models may be combined.
  • the input data may be defined to pass through a plurality of layers per convolution layer and maxpooling as shown in FIGS. 5A and 5B to output output data, that is, whether the input patch is a disease patch.
  • a neural network may be a neural network using a known densenet model.
  • the neural network according to the technical concept of the present invention can be seen that 1 ⁇ 1 convolution is added to the original densenet model, and through this, an internal feature map can be confirmed.
  • a signoid function is used as an active function, various active functions may be used.
  • a neural network may be defined that performs patch level diagnostics in various other ways.
  • FIG. 7 is a view showing the experimental results of the patch level diagnostic method according to an embodiment of the present invention.
  • a neural network that additionally receives gray channel values in addition to the original three channels of each pixel value is applied.
  • the neural network trained the neural network using 62358 patches labeled arm with a train data set and patch 108300 labeled normal (normal), and 8963 patches armed with a validation set, normal 15499 patches were used. As a test set, 14898 cancer patches and 19089 patches of normal patches were used.
  • FIG. 6 is a view for explaining the concept of a two-face disease diagnosis method according to an embodiment of the present invention.
  • biological images corresponding to biological tissues may be used for learning the neural network 200.
  • the patches may be sampled such that a patch labeled as cancer and a patch labeled as normal have a predetermined ratio.
  • the neural network 200 is trained by receiving input data for each patch further including a gray channel as described above. As a result, the neural network 200 determines whether each patch is cancer (or probability value). It is trained to output.
  • the neural network 200 learned as described above may perform patch level diagnosis on each patch included in each slide when slides are input as shown in the lower part of FIG. 6.
  • the slide diagnosis engine may mark the disease patch according to the patch level diagnosis result. For example, as shown in FIG. 6, a heat map may be generated.
  • FIG. 8 is a diagram showing marking results according to patch level diagnosis results according to an embodiment of the present invention.
  • FIG. 8A shows an image of a biological tissue labeled by an expert and
  • FIG. 8B shows the learned neural network.
  • the heat map generated by 200 is shown. As can be seen in Figure 8 it can be seen that very accurate diagnosis can be possible.
  • the slide diagnostic engine may generate a cluster according to the generated heat map.
  • the slide diagnosis engine may cluster disease patches using a predetermined clustering algorithm. According to an embodiment of the present invention, although the slide diagnosis engine performs clustering through a known DBSCAN algorithm, various clustering techniques may be used.
  • the slide diagnostic engine may extract a cluster feature for each cluster generated as a result of clustering.
  • the cluster feature may be a characteristic value that may represent a feature associated with the manifestation of the disease.
  • the cluster feature may include the number of disease patches included in the cluster, an average of disease probability values per patch, a maximum value of disease probability values per patch, and a minimum value of disease probability values per patch. Can be.
  • the diagnosis result of the slide diagnosis engine is relatively high.
  • the cluster feature may further include a major axis, a minor axis, an area, and a density of each cluster. This is closely related to the physical characteristics of the cluster, which can lead to higher diagnostic performance when these cluster features are used together.
  • the cluster may vary in position, size, and cluster feature as described above depending on whether each patch is determined to be a disease patch. And this depends on what threshold value is used for patch level diagnosis.
  • a plurality of threshold values may be used together for slide level diagnosis.
  • the result of diagnosing a specific patch as a disease patch may vary, and accordingly, the clustering result may also vary.
  • the slide diagnostic engine may cluster, for example, a disease-expressing patch based on N (eg, 5) threshold values and each of the N threshold values in a predetermined manner, for example, M (eg, 2) clusters were formed.
  • N eg, 5
  • M eg, 2
  • M ⁇ N ⁇ P (e.g., 80) cluster features may be extracted for one slide.
  • the slide diagnostic engine can be learned so that these feature values are input as input values and the slide outputs whether or not a disease exists as output data.
  • FIG. 9 is a view showing the experimental results of the slide level diagnostic method according to an embodiment of the present invention.
  • the experimental results shown in FIG. 9 are the case where all eight cluster features described above are used and five threshold values are used, and the experimental results when two clusters are used.
  • 478 slides with cancer and 218 slides with normal were used as the train data set.
  • 117 slides with cancer and 57 normal slides were used as the validation set, and 1302 slides and 1658 normal slides were used as the test set.
  • the diagnostic system 100 may include a processor and a memory for storing a program executed by the processor.
  • the processor may include a single core CPU or a multi core CPU.
  • the memory may include fast random access memory and may include nonvolatile memory, such as one or more magnetic disk storage devices, flash memory devices, or other nonvolatile solid state memory devices. Access to memory by the processor and other components may be controlled by the memory controller.
  • the multi-color model and the diagnostic method through a neural network is implemented in the form of computer-readable program instructions can be stored in a computer-readable recording medium
  • the control program and the target program according to the above can also be stored in a computer-readable recording medium.
  • the computer-readable recording medium includes all kinds of recording devices in which data that can be read by a computer system is stored.
  • the program instructions recorded on the recording medium may be those specially designed and constructed for the present invention, or may be known and available to those skilled in the software art.
  • Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tape, optical media such as CD-ROMs, DVDs, floppy disks, and the like. Hardware devices specifically configured to store and execute the same magneto-optical media and program instructions such as ROM, RAM, flash memory and the like are included.
  • the computer readable recording medium can also be distributed over network coupled computer systems so that the computer readable code is stored and executed in a distributed fashion.
  • program instructions include machine language codes such as those produced by a compiler, as well as devices that process information electronically using an interpreter, for example, high-level language code that can be executed by a computer.
  • the hardware device described above may be configured to operate as one or more software modules to perform the operations of the present invention, and vice versa.
  • the present invention can be used in "disease diagnosis systems and methods using multiple color models and neural networks.”

Abstract

뉴럴 네트워크를 통한 학습을 수행하여 학습된 뉴럴 네트워크를 이용하여 생체조직의 이미지를 서로 다른 여러 색 모델의 형태로 입력함으로써 소정의 질병(예컨대, 전립선 암)을 진단할 수 있는 시스템 및 그 방법이 개시된다. 본 발명의 일 측면에 따르면, 프로세서 및 뉴럴 네트워크를 저장하는 저장장치를 포함하는 시스템에 구현되며 생체이미지인 슬라이드와 상기 뉴럴 네트워크를 이용한 질병의 진단 시스템에 있어서, 상기 시스템은, 상기 슬라이드가 소정의 크기로 분할된 각각의 패치에 대하여, 상기 패치에 상응하는 제1이미지 정보 내지 제K이미지 정보(여기서, K은 2 이상의 정수)를 생성하는 전처리모듈-여기서, 제i이미지 정보(i는 1<=i<=K인 임의의 정수)는 제i색 모델(color model)에 상응하는 적어도 하나의 채널 값으로 구성되고, 제1색 모델 내지 제K색 모델은 모두 서로 상이한 색 모델임- 및 상기 분할된 각각의 패치에 대하여, 상기 패치에 상응하는 상기 제1이미지 정보 내지 제N이미지 정보를 입력 레이어로 입력 받아서 상기 패치에 질병이 존재하는지 여부인 패치레벨 진단결과를 출력하는 패치 뉴럴 네트워크를 포함하는 질병 진단 시스템이 제공된다.

Description

다중 색 모델 및 뉴럴 네트워크를 이용한 질병 진단 시스템 및 방법
본 발명은 다중 색 모델 및 뉴럴 네트워크를 이용한 질병 진단 시스템 및 그 방법에 관한 것이다. 보다 상세하게는 뉴럴 네트워크를 통한 학습을 수행하여 학습된 뉴럴 네트워크를 이용하여 생체조직의 이미지를 서로 다른 여러 색 모델의 형태로 입력함으로써 소정의 질병(예컨대, 전립선 암)을 진단할 수 있는 시스템 및 그 방법에 관한 것이다.
병리학 또는 병리과에서 수행하는 주요한 업무 중 하나는 환자의 생체이미지를 판독하여 특정 질병에 대한 상태 또는 징후를 판단하는 진단을 수행하는 일이다. 이러한 진단은 오랜 기간 숙련된 의료인의 경험과 지식에 의해 의존되는 방식이다.
최근에는 기계학습의 발달로 인해 이미지를 인식하거나 분류하는 등의 업무를 컴퓨터 시스템에 의해 자동화하고자 하는 시도가 활발히 이루어지고 있다. 특히 기계학습의 일종인 뉴럴 네트워크(예컨대, 컨벌루션 뉴럴 네트워크(Convolution neural network, CNN)를 이용한 딥러닝 방식)를 이용하여 숙련된 의료인이 수행하던 진단을 자동화하기 위한 시도가 이루어지고 있다.
특히 뉴럴 네트워크(예컨대, CNN)를 이용한 딥러닝을 통한 진단은 종래에 숙련된 의료인의 경험과 지식을 단순히 자동화하는 것이 아니라, 스스로 학습을 통해 특징적인 요소들을 찾아내어 원하는 해답을 도출한다는 점에 있어서 오히려 숙련된 의료인이 알지 못하던 질병인자의 특징을 이미지에서 찾아내는 경우도 있다.
일반적으로 생체이미지를 이용하는 뉴럴 네트워크를 통한 질병의 진단은 생체이미지의 조각 즉, 패치(pathch, 또는 타일(tile)이라고도 함)을 이용한다. 즉, 해당 타일에 대해 숙련된 의료인은 특정 질병의 상태(예컨대, 암이 발현되었는지 여부)를 어노테이션(annotaion)하고, 이러한 어노테이션된 다수의 타일들을 트레이닝 데이터로 이용하여 뉴럴 네트워크를 학습하게 된다. 이때 상기 뉴럴 네트워크는 컨볼루션 뉴렬 네트워크가 이용될 수 있다.
하지만 이러한 방식의 경우 학습된 뉴럴 네트워크는 해당 타일의 이미지 특징만으로 해당 타일의 질병의 상태를 판단하게 되는데, 실제로는 특정 질병에 대해 특정 생체조직의 상태를 판단할 때에는 상기 특정 생체조직 자체뿐만 아니라 상기 특정 생체조직의 주변 조직의 현황(예컨대, 모양, 특정 패턴이 존재하는지 등)까지 같이 고려되어야 하는 경우가 존재한다. 하지만 종래의 방식은 이러한 경우에 적합하지 않는 문제점이 있다.
한편, 종래의 학습에는 생체이미지 또는 패치의 컬러 그 자체를 입력 데이터로 입력하게 된다. 예를 들어, 생체 이미지 또는 패치가 RGB 형태로 되어 있는 경우 RGB의 3가지 채널 값으로 정의되는 입력 데이터를 그대로 이용하게 된다. 하지만 이러한 경우 생체이미지에 상응하는 생체조직의 염색에 쓰이는 염색 시약의 특성에 따라 염색되는 조직의 컬러가 제각기 다를 수 있고, 이는 학습되는 뉴럴 네트워크에 직접적인 영향을 미칠 수 있다.
따라서 이러한 근원적인 조직의 이미지 특성이 아닌, 염색 등에 따른 비근원적인 컬러 특성에 보다 강인한 방식으로 뉴럴 네트워크가 학습되는 것이 필요할 수 있다.
*선행기술문헌
-특허문헌
한국공개특허 10-2016-0034814 "뉴럴 네트워크를 수반한 클라이언트 장치 및 그것을 포함하는 시스템"
본 발명이 이루고자 하는 기술적인 과제는 다중 색 모델을 이용함으로써 질병의 발현 여부 진단에 근원적인 이미지 특성이 아닌 컬러에 강인한 특성을 가질 수 있는 뉴럴 네트워크를 이용한 진단 시스템 및 그 방법을 제공하는 것이다.
또한 특정 타일의 질병에 대한 상태(예컨대, 질병의 발현여부, 또는 질병의 상태를 나타내는 지표 등)를 판단하기 위해 상기 특정 타일뿐만 아니라 주변 타일까지 학습에 이용하여 보다 정확도를 높일 수 있는 뉴럴 네트워크를 이용하는 진단 시스템 및 그 방법을 제공하는 것이다.
또한 패치별 진단결과 자체가 아니라, 해당 패치를 포함하는 광범위한 생체조직에서 질병의 발현여부를 상기 패치별 진단결과를 활용하여 효과적이고 정확도가 높게 진단할 수 있는 진단 시스템 및 그 방법을 제공하는 것이다.
본 발명의 일 측면에 따르면, 프로세서 및 뉴럴 네트워크를 저장하는 저장장치를 포함하는 시스템에 구현되며 생체이미지인 슬라이드와 상기 뉴럴 네트워크를 이용한 질병의 진단 시스템에 있어서, 상기 시스템은, 상기 슬라이드가 소정의 크기로 분할된 각각의 패치에 대하여, 상기 패치에 상응하는 제1이미지 정보 내지 제K이미지 정보(여기서, K은 2 이상의 정수)를 생성하는 전처리모듈-여기서, 제i이미지 정보(i는 1<=i<=K인 임의의 정수)는 제i색 모델(color model)에 상응하는 적어도 하나의 채널 값으로 구성되고, 제1색 모델 내지 제K색 모델은 모두 서로 상이한 색 모델임- 및 상기 분할된 각각의 패치에 대하여, 상기 패치에 상응하는 상기 제1이미지 정보 내지 제N이미지 정보를 입력 레이어로 입력 받아서 상기 패치에 질병이 존재하는지 여부인 패치레벨 진단결과를 출력하는 패치 뉴럴 네트워크를 포함하는 질병 진단 시스템이 제공된다.
일 실시예에서, 상기 제1색 모델 내지 제K색 모델 각각은, RGB 모델, HSV 모델, CMYK 모델, YCbCr 모델, Gray 모델 중 어느 하나인 것을 특징으로 할 수 있다.
일 실시예에서, 상기 시스템은, 상기 슬라이드에 포함된 다수의 패치들 각각의 패치 레벨 진단결과 암으로 판단된 패치를 마킹하고, 마킹된 결과에 기초하여 상기 슬라이드에 질병이 존재하는지 여부인 슬라이드 레벨 진단결과를 출력하는 슬라이드 진단 엔진을 더 포함할 수 있다.
일 실시예에서, 상기 슬라이드 진단 엔진은, 암으로 판단된 패치를 소정의 방식으로 클러스터링 하여 복수 개의 클러스터들을 형성하고, 형성된 클러스터들 각각에 대해 복수의 클러스터 피쳐를 입력 값으로 입력받아 상기 클러스터들을 포함하는 상기 슬라이드의 상기 슬라이드 레벨 진단결과를 출력하는 것을 특징으로 할 수 있다.
일 실시예에서, 상기 질병은, 전립선 암인 것을 특징으로 할 수 있다.
본 발명의 다른 일 측면에 따르면, 프로세서 및 뉴럴 네트워크를 저장하는 저장장치를 포함하는 시스템에 구현되며 생체이미지인 슬라이드와 상기 뉴럴 네트워크를 이용한 질병의 진단 시스템에 있어서, 상기 시스템은, 상기 슬라이드가 소정의 크기로 분할된 각각의 패치에 대하여, 상기 패치에 상응하는 상기 제1이미지 정보 내지 제K이미지 정보를 입력 레이어로 입력 받아서 상기 패치에 질병이 존재하는지 여부인 패치레벨 진단결과를 출력하는 패치 뉴럴 네트워크 및 상기 슬라이드에 포함된 다수의 패치들 각각의 패치 레벨 진단결과 암으로 판단된 패치를 마킹하고, 마킹된 결과에 기초하여 상기 슬라이드에 질병이 존재하는지 여부인 슬라이드 레벨 진단결과를 출력하는 슬라이드 진단 엔진을 포함하되, 상기 제i이미지 정보(i는 1<=i<=K인 임의의 정수)는 제i색 모델(color model)에 상응하는 적어도 하나의 채널 값으로 구성되고, 제1색 모델 내지 제K색 모델은 모두 서로 상이한 색 모델인 질병 진단 시스템이 제공된다.
본 발명의 다른 일 측면에 따르면, 프로세서 및 뉴럴 네트워크를 저장하는 저장장치를 포함하는 시스템에 구현되며 생체이미지인 슬라이드와 상기 뉴럴 네트워크를 이용한 질병의 진단방법에 있어서, 상기 시스템이, 상기 슬라이드가 소정의 크기로 분할된 각각의 패치에 대하여, 상기 패치에 상응하는 제1이미지 정보 내지 제K이미지 정보(여기서, K은 2 이상의 정수)를 생성하는 단계-여기서, 제i이미지 정보(i는 1<=i<=K인 임의의 정수)는 제i색 모델(color model)에 상응하는 적어도 하나의 채널 값으로 구성되고, 제1색 모델 내지 제K색 모델은 모두 서로 상이한 색 모델임- 및 상기 분할된 각각의 패치에 대하여, 상기 패치에 상응하는 상기 제1이미지 정보 내지 제N이미지 정보를 입력 레이어로 입력 받아서 상기 패치에 질병이 존재하는지 여부인 패치레벨 진단결과를 출력하는 단계를 포함하는 질병 진단 방법이 제공된다.
일 실시예에서, 상기 제1색 모델 내지 제K색 모델 각각은, RGB 모델, HSV 모델, CMYK 모델, YCbCr 모델, Gray 모델 중 어느 하나인 것을 특징으로 할 수 있다.
일 실시예에서, 상기 질병 진단 방법은, 상기 시스템이 상기 슬라이드에 포함된 다수의 패치들 각각의 패치 레벨 진단결과 암으로 판단된 패치를 마킹하고, 마킹된 결과에 기초하여 상기 슬라이드에 질병이 존재하는지 여부인 슬라이드 레벨 진단결과를 출력하는 단계를 더 포함할 수 있다.
일 실시예에서, 상기 슬라이드 레벨 진단결과를 출력하는 단계는, 암으로 판단된 패치를 소정의 방식으로 클러스터링 하여 복수 개의 클러스터들을 형성하는 단계 및 형성된 클러스터들 각각에 대해 복수의 클러스터 피쳐를 입력 값으로 입력받아 상기 클러스터들을 포함하는 상기 슬라이드의 상기 슬라이드 레벨 진단결과를 출력하는 단계를 포함하는 질병 진단 방법.
본 발명의 다른 일 측면에 따르면, 프로세서 및 뉴럴 네트워크를 저장하는 저장장치를 포함하는 시스템에 구현되며 생체이미지인 슬라이드와 상기 뉴럴 네트워크를 이용한 질병의 진단방법에 있어서, 상기 시스템이, 상기 슬라이드가 소정의 크기로 분할된 각각의 패치에 대하여, 상기 패치에 상응하는 상기 제1이미지 정보 내지 제K이미지 정보를 입력 레이어로 입력 받아서 상기 패치에 질병이 존재하는지 여부인 패치레벨 진단결과를 출력하는 단계 및 상기 슬라이드에 포함된 다수의 패치들 각각의 패치 레벨 진단결과 암으로 판단된 패치를 마킹하고, 마킹된 결과에 기초하여 상기 슬라이드에 질병이 존재하는지 여부인 슬라이드 레벨 진단결과를 출력하는 단계를 포함하되, 상기 제i이미지 정보(i는 1<=i<=K인 임의의 정수)는 제i색 모델(color model)에 상응하는 적어도 하나의 채널 값으로 구성되고, 제1색 모델 내지 제K색 모델은 모두 서로 상이한 색 모델인 질병 진단 방법이 제공된다.
본 발명의 다른 일 측면에 따르면, 데이터 처리장치에 설치되며 상술한 방법을 수행하기 위한 매체에 기록된 컴퓨터 프로그램이 제공된다.
본 발명의 기술적 사상에 의하면, 입력되는 입력 데이터 즉, 패치의 오리지널 색 모델에 해당하는 컬러 값(예컨대, RGB 3채널 값)뿐만 아니라 다른 색 모델에 해당하는 채널 값(예를 들면, HSV 3채널 값, 그레이 채널 값 등)을 추가로 입력 데이터로 활용함으로써, 컬러 차이가 나타내는 질병과 관련된 이미지 특성을 잘 반영하면서도 질병의 발현 여부 진단에 근원적인 이미지 특성이 아닌 컬러의 다양한 요인에 따른 배리에이션(variaton)에 강인한 특성을 가질 수 있다.
또한 본 발명의 기술적 사상에 따르면 특정 패치에 대한 진단을 수행하면서 상기 특정 패치를 포함하며 주변패치를 더 포함하는 거시 패치까지 같이 고려하여 상기 특정 패치의 질병에 대한 상태를 판단할 수 있는 뉴럴 네트워크를 제공함으로써 보다 높은 진단의 정확도를 제공할 수 있는 효과가 있다.
또한 본 발명의 기술적 사상에 의하면, 패치별 진단결과 자체만으로 해당 패치를 포함하는 슬라이드에 질병이 발현되었다고 판단할 경우의 문제점을 해결하기 위해, 해당 패치를 포함하는 슬라이드에서 질병의 발현여부를 클러스터 및 클러스터의 피쳐들(특징들)을 이용해 다시 판단함으로써 효과적이고 정확도가 높은 진단을 수행할 수 있는 효과가 있다.
본 발명의 상세한 설명에서 인용되는 도면을 보다 충분히 이해하기 위하여 각 도면의 간단한 설명이 제공된다.
도 1은 본 발명의 기술적 사상에 따른 다중 색 모델 및 뉴럴 네트워크를 이용한 질병의 진단 시스템의 개략적인 시스템 구성을 나타내는 도면이다.
도 2는 본 발명의 실시 예에 따른 다중 색 모델 및 뉴럴 네트워크를 이용한 질병의 진단 시스템의 논리적 구성을 설명하기 위한 도면이다.
도 3은 본 발명의 실시 예에 따른 다중 색 모델 및 뉴럴 네트워크를 이용한 질병의 진단 시스템의 하드웨어적 구성을 설명하기 위한 도면이다.
도 4는 본 발명의 실시 예에 따른 뉴럴 네트워크의 예시적 구성을 설명하기 위한 도면이다.
도 5a 및 도 5b는 본 발명의 다른 실시 예에 따른 뉴럴 네트워크의 예시적 구성을 설명하기 위한 도면이다.
도 6은 본 발명의 실시 예에 따른 투 페이스 질병 진단 방법의 개념을 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시 예에 따른 패치 레벨 진단 방법의 실험결과를 나타내는 도면이다.
도 8은 본 발명의 일 실시 예에 따른 패치 레벨 진단 결과에 따른 마킹결과를 나타내는 도면이다.
도 9는 본 발명의 일 실시 예에 따른 슬라이드 레벨 진단 방법의 실험 결과를 나타내는 도면이다.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 명세서에 있어서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
또한, 본 명세서에 있어서는 어느 하나의 구성요소가 다른 구성요소로 데이터를 '전송'하는 경우에는 상기 구성요소는 상기 다른 구성요소로 직접 상기 데이터를 전송할 수도 있고, 적어도 하나의 또 다른 구성요소를 통하여 상기 데이터를 상기 다른 구성요소로 전송할 수도 있는 것을 의미한다. 반대로 어느 하나의 구성요소가 다른 구성요소로 데이터를 '직접 전송'하는 경우에는 상기 구성요소에서 다른 구성요소를 통하지 않고 상기 다른 구성요소로 상기 데이터가 전송되는 것을 의미한다.
이하, 첨부된 도면들을 참조하여 본 발명의 실시예들을 중심으로 본 발명을 상세히 설명한다. 각 도면에 제시된 동일한 참조부호는 동일한 부재를 나타낸다.
도 1은 본 발명의 기술적 사상에 따른 다중 색 모델 및 뉴럴 네트워크를 이용한 질병 진단 시스템의 개략적인 시스템 구성을 나타내는 도면이다.
도 1을 참조하면, 본 발명의 기술적 사상에 따른 다중 색 모델 및 뉴럴 네트워크를 이용한 질병의 진단 시스템(이하, 진단 시스템, 100)은 소정의 서버(10)에 설치되어 본 발명의 기술적 사상을 구현할 수 있다. 상기 서버(10)는 본 발명의 기술적 사상을 구현하기 위한 연산능력을 가진 데이터 처리장치를 의미하며, 일반적으로 네트워크를 통해 클라이언트가 접속 가능한 데이터 처리장치뿐만 아니라 개인용 컴퓨터, 휴대 단말 등과 같이 특정 서비스를 수행할 수 있는 어떠한 장치도 서버로 정의될 수 있음을 본 발명의 기술분야의 평균적 전문가는 용이하게 추론할 수 있을 것이다.
상기 서버(10)는 도 3에 도시된 바와 같이 프로세서(11) 및 저장장치(12)를 포함할 수 있다. 상기 프로세서(11)는 본 발명의 기술적 사상을 구현하기 위한 프로그램(12-1)을 구동시킬 수 있는 연산장치를 의미할 수 있으며, 상기 프로세서(11)는 상기 프로그램(12-1)과 본 발명의 기술적 사상에 의해 정의되는 뉴럴 네트워크(Nerual Network, 12-2)를 이용해 진단을 수행할 수 있다. 상기 뉴럴 네트워크(12-2)는 후술할 바와 같이 패치레벨 진단을 수행하는 패치 뉴럴 네트워크를 포함할 수 있다. 상기 패치 뉴럴 네트워크는 다중 색 모델을 이용하여 패치레벨 진단을 수행할 수 있다.
다중 색 모델을 이용하여 진단을 수행한다고 함은 모두 서로 상이한 복수 개의 색 모델 각각의 채널 값 (혹은 채널 값들)을 입력 레이어로 입력받아 질병의 존재 여부를 진단하는 것을 의미할 수 있다. 만약 K개(여기서 K는 2 이상의 정수)의 색 모델인 제1색모델 내지 제K색 모델을 이용하는 경우, 상기 패치 뉴럴 네트워크는 제1색모델 내지 제K색 모델 각각에 상응하는 채널 값을 입력 레이어로 입력받을 수 있다. 예를 들어, RGB 색 모델, HSV 색모델 및 그레이 색 모델이 이용되는 경우 상기 상기 패치 뉴럴 네트워크는 RGB 3채널, HSV 채널 및 그레이 채널을 입력받을 수 있다.
본 발명의 일 실시예에 따른 다중 색 모델을 이용한 패치레벨 진단에는 RGB 모델, HSV 모델, CMYK 모델, YCbCr 모델, Gray 모델 중 적어도 일부가 이용될 수 있다.
구현 예에 따라 상기 뉴럴 네트워크(12-2)는 슬라이드 레벨 진단을 수행하는 뉴럴 네트워크를 더 포함할 수도 있다. 실시 예에 따라서 상기 슬라이드 레벨 진단을 수행하는 구성은 뉴럴 네트워크뿐만 아니라 다양한 머신러닝 기법을 통해 구현될 수도 있다. 본 발명의 기술적 사상에 따르면 상기 슬라이드 레벨 진단을 수행하는 진단엔진은 공지의 XGBoost가 이용되었지만 다양한 방식의 머신러닝 기법에 따른 진단엔진이 구현될 수 있고, 이러한 진단엔진은 상기 저장장치(12)에 저장될 수 있음은 물론이다.
상기 서버(10)는 도 3에 도시된 바와 같이 프로세서(11) 및 저장장치(12)를 포함할 수 있다. 상기 프로세서(11)는 본 발명의 기술적 사상을 구현하기 위한 프로그램(12-1)을 구동시킬 수 있는 연산장치를 의미할 수 있으며, 상기 프로세서(11)는 상기 프로그램(12-1)과 본 발명의 기술적 사상에 의해 정의되는 뉴럴 네트워크(Nerual Network, 12-2)를 이용해 진단을 수행할 수 있다. 상기 뉴럴 네트워크(12-2)는 후술할 바와 같이 패치레벨 진단을 수행하는 패치 뉴럴 네트워크를 포함할 수 있다. 구현 예에 따라 상기 뉴럴 네트워크(12-2)는 슬라이드 레벨 진단을 수행하는 뉴럴 네트워크를 더 포함할 수도 있다. 실시 예에 따라서 상기 슬라이드 레벨 진단을 수행하는 구성은 뉴럴 네트워크뿐만 아니라 다양한 머신러닝 기법을 통해 구현될 수도 있다. 본 발명의 기술적 사상에 따르면 상기 슬라이드 레벨 진단을 수행하는 진단엔진은 공지의 XGBoost가 이용되었지만 다양한 방식의 머신러닝 기법에 따른 진단엔진이 구현될 수 있고, 이러한 진단엔진은 상기 저장장치(12)에 저장될 수 있음은 물론이다.
상기 저장장치(12)는 상기 프로그램(12-1), 뉴럴 네트워크(12-2), 및/또는 슬라이드 레벨 진단을 수행하는 진단엔진을 저장할 수 있는 데이터 저장수단을 의미할 수 있으며, 구현 예에 따라 복수의 저장수단으로 구현될 수도 있다. 또한 상기 저장장치(12)는 상기 서버(10)에 포함된 주 기억장치뿐만 아니라, 상기 프로세서(11)에 포함될 수 있는 임시 저장장치 또는 메모리 등을 포함하는 의미일 수도 있다.
상기 진단 시스템(100)은 도 1 또는 도 3에서는 어느 하나의 물리적 장치로 구현된 것으로 도시하였지만, 필요에 따라 복수의 물리적 장치가 유기적으로 결합되어 본 발명의 기술적 사상에 따른 진단 시스템(100)을 구현할 수 있음을 본 발명의 기술분야의 평균적 전문가는 용이하게 추론할 수 있을 것이다.
본 명세서에서 상기 진단 시스템(100)이 진단을 수행한다고 함은 생체조직이 표현된 생체이미지 즉, 슬라이드의 전체 또는 상기 슬라이드의 일부인 패치를 입력받아 본 명세서에서 정의된 출력 데이터를 출력하는 일련의 프로세스를 의미할 수 있다.
일 예에 의하면 상기 진단 시스템(100)은 투 페이스(two phase) 진단을 수행할 수 있다. 첫 번째 페이스는 패치레벨 진단을 수행하는 과정일 수 있고, 이러한 과정에서 상기 진단 시스템(100)은 슬라이드의 패치 별로 입력을 받고 해당 패치에 질병의 발현여부를 출력할 수 있다. 이를 위한 뉴럴 네트워크가 학습되어 구현될 수 있음은 물론이다.
두 번째 페이스는 첫 번째 페이스의 진단결과를 통해 슬라이드에 질병이 발현되었는지 여부를 출력할 수 있다. 이러한 과정은 뉴럴 네트워크 또는 소정의 머신러닝 기법이 이용될 수 있다.
즉, 패치별 진단결과에 따라 일부 패치가 질병이 발현되었다고 판단되더라도, 해당 패치를 포함하는 슬라이드 전체에 상응하는 생체조직에서 질병이 발현된 것으로 판단되지 않을 가능성은 존재할 수 있다. 예컨대, 질병 발현된 것으로 판단된 패치들이 슬라이드 내에서 산만하게 흩어져 있거나, 그 수가 적은 경우, 또는 밀집도 등 기타 질병이 발현된 것으로 판단된 패치들의 물리적 특성(예컨대, 위치, 크기, 밀집도 등)이 실제 해당 슬라이드에서 질병의 발현여부 판단에 중요한 의미를 가질 수 있다. 따라서 두 번째 페이스는 패치별 진단결과와 이러한 진단결과에 기초하여 판단된 패치들(즉, 질병이 발현된 것으로 진단된 패치들)의 특성에 기초하여 슬라이드에서의 질병의 발현여부를 판단함으로써 효과적으로 그리고 정확도 높은 진단을 수행할 수 있다.
한편, 패치레벨 진단을 수행하는 뉴럴 네트워크는 본 발명의 기술적 사상에 의하면, 해당 패치만을 이용하여 진단을 수행하는 것이 아니라 해당 패치의 주변패치까지 더 고려하여 진단을 수행할 수 있다. 이러한 기술적 사상은 본 출원인이 출원한 한국특허출원(출원번호 10-2016-0168176, 뉴럴 네트워크를 이용한 질병의 진단 시스템 및 그 방법, 이하 '이전출원')에서 상세히 개시한 바 있다. 이를 통해 매우 지엽적인 영역 즉, 패치에 해당하는 영역만 단독으로 고려하여 진단을 수행하는 것보다 그 주변 영역까지 같이 고려할 경우, 진단의 정확성을 높일 수 있다. 더욱이 본 발명의 기술적 사상에 의하면, 특정 패치의 주변패치뿐만 아니라 전체 슬라이드에서 패치들의 위치, 밀집도, 클러스터의 크기 등의 물리적 특성을 더 고려함으로써 슬라이드에 질병이 존재하는지 여부를 더욱 정확하게 판단할 수 있는 효과가 있다. 이전출원은 본 발명의 레퍼런스로 포함되며 그 내용은 본 명세서에 기재된 것으로 취급될 수 있다.
물론, 본 발명의 다른 실시 예에 의하면, 이전 출원과 같이 미시 네트워크와 거시 네트워크 즉, 투 웨이(two-way) 방식의 뉴럴 네트워크를 이용하는 것이 아니라 단일의 원 웨이(one-way) 뉴럴 네트워크를 이용할 수도 있다. 예컨대, 본 발명의 실시 예에 따른 뉴럴 네트워크는 도 5에 도시된 바와 같을 수도 있다.
어떠한 경우든 상기 뉴럴 네트워크는 패치를 입력받아 입력된 패치가 질병이 발현했는지 여부를 출력하도록 정의되는 뉴럴 네트워크이면 족하다.
이때 상기 뉴럴 네트워크는 각 패치에 상응하는 복수의 색 모델의 각 채널 값을 입력 값으로 받아서 진단을 수행하도록 학습되는 것을 특징으로 할 수 있다.
만약 K 개(K는2 이상의 정수)의 색 모델인 제1색 모델 내지 제K색 모델이 이용된다고 하면, 상기 뉴럴 네트워크는 제1색 모델 내지 제K 색 모델 각각에 상응하는 채널 값(혹은 채널 값들)을 입력 값을 받아서 진단을 수행하도록 학습될 수 있다. 달리 말하면, 상기 뉴럴 네트워크는 각 패치에 대하여, 상기 패치에 상응하는 제1이미지 정보 내지 제K이미지 정보를 입력 레이어로 입력 받아서 상기 패치에 질병이 존재하는지 여부인 패치레벨 진단결과를 출력하도록 학습될 수 있으며, 이때, 상기 제i이미지 정보(i는 1<=i<=K인 임의의 정수)는 제i색 모델에 상응하는 적어도 하나의 채널 값으로 구성된다.
한편, 패치레벨 진단을 수행하는 뉴럴 네트워크가 출력하는 상태정보는 상기 패치에 해당하는 조직에 특정 질병(예컨대, 특정 종류의 암)이 발현되었는지 여부에 대한 확률을 나타내는 정보일 수 있다. 상기 뉴럴 네트워크는 특정 기준 값(문턱 값) 이상의 확률이 나타날 경우 상기 패치를 질병(예컨대, 전립선 암)이 발현한 패치로 판단할 수 있다.
물론, 상기 뉴럴 네트워크는 이전출원에 개시된 바와 같이 특정 질병의 발현여부뿐만 아니라, 특정 질병의 진행 정도를 나타내는 정보(또는 상기 진행 정도에 해당할 확률)일 수도 있다. 예컨대, 본 발명의 기술적 사상이 전립선 암의 진단에 이용되는 경우, 전립선 암의 진행 정도를 나타내는 지표인 글리슨 스코어(Gleason Pattern) 또는 글리슨 스코어(Gleason Score)가 상기 뉴럴 네트워크가 출력하는 상태정보에 포함될 수 있다. 예컨대, 글리슨 스코어는 2 내지 5의 값을 가지며, 숫자가 클수록 전립선 암이 발현된 정도가 심한 것을 나타낸다. 따라서 상기 상태정보는 진단의 대상이 되는 패치에 해당하는 생체조직이 글리슨 스코어의 특정 값(예컨대, 3, 4, 또는 5)에 해당할 확률을 의미할 수도 있다.
상기 상태정보는 복수 개 존재할 수 있다. 예컨대, 제1상태정보는 글리슨 스코어가 3일 확률, 제2상태정보는 글리슨 스코어가 4일 확률, 제3상태정보는 글리슨 스코어가 5일 확률을 나타낼 수 있으며, 이러한 제1상태정보, 제2상태정보, 제3상태정보에 상응하는 상태채널 모두가 상기 출력 레이어에 정의될 수도 있다. 구현 예에 따라서는 글리슨 스코어가 일정 범위(예컨대, 3 내지 5, 4 내지 5 등)를 가질 확률을 나타내는 상태정보가 정의될 수도 있다. 즉, 하나의 상태정보가 질병의 진행상태를 표현하는 복수개의 지표들에 대응할 수도 있다.
이러한 경우, 상기 뉴럴 네트워크는 글리슨 스코어가 3 이상인 상태정보가 소정의 문턱 값 이상일 경우, 상기 패치를 질병 패치 즉 질병이 발현한 패치라고 판단할 수 있다.
한편, 상기 뉴럴 네트워크가 이용하는 문턱 값은 다양하게 설정될 수 있다. 실시 예에 따르면 상기 문턱 값은 복수 개 이용될 수 있다. 문턱 값에 따라 특정 패치가 질병이 발현된 패치 즉, 질병 패치로 판단될 수도 있고 노멀 패치로 판단될 수 있음은 물론이다.
본 발명의 기술적 사상에 의하면, 상기 뉴럴 네트워크가 이용하는 문턱 값은 복수 개일 수 있고, 이러한 경우 복수 개의 문턱 값 각각에 따라 진단되는 질병 패치는 달라질 수 있다. 따라서 문턱 값들 각각에 따라 질병 패치가 슬라이드 상에서 배치되는 특성 역시 달라질 수 있다. 따라서 어떤 문턱 값들을 이용할 경우, 슬라이드에서의 진단결과의 정확도 역시 달라질 수 있다.
따라서 본 발명의 기술적 사상은 후술할 바와 같이 복수의 문턱 값들 각각에 따라 진단된 질병 패치들이 슬라이드에서 갖는 물리적 특성을 다중적으로 고려하여, 슬라이드 진단 엔진이 슬라이드의 진단을 수행하도록 구현될 수 있다. 이러한 기술적 사상은 후술하도록 한다.
상기 진단 시스템(100)이 소정의 서버(10)에 포함되어 구현되는 경우, 상기 진단 시스템(100)은 상기 서버(10)에 접속가능한 적어도 하나의 클라이언트(예컨대, 20, 20-1)와 통신을 수행할 수도 있다. 이러한 경우 상기 클라이언트(예컨대, 20, 20-1)는 생체이미지를 상기 진단 시스템(100)으로 전송할 수 있고, 상기 진단 시스템(100)은 전송된 생체이미지에 대해 본 발명의 기술적 사상에 따른 진단을 수행할 수 있다. 그리고 진단결과를 상기 클라이언트(예커대, 20, 20-1)로 전송할 수도 있다.
상기 진단 시스템(100)은 본 발명의 기술적 사상에 따른 뉴럴 네트워크를 이용하여 패치레벨 진단을 수행할 수 있다. 물론, 이러한 진단을 수행하기 위해 상기 뉴럴 네트워크를 학습시키는 프로세스를 먼저 수행할 수도 있다. 뉴럴 네트워크를 학습시키는 프로세스에서도 전술한 다중 색 모델이 이용될 수 있음은 물론이다.
또한 슬라이드 레벨 진단 역시 소정의 뉴럴 네트워크가 이용될 수도 있음은 전술한 바와 같다.
따라서 상기 진단 시스템(100)은 본 발명의 기술적 사상에 따라 학습된 뉴럴 네트워크 및 상기 뉴럴 네트워크를 이용하여 진단을 수행하기 위한 프로그램을 외부로부터 수신하여 진단을 수행하는 시스템일 수도 있고, 상기 뉴럴 네트워크의 학습까지 수행하는 시스템일 수도 있다. 또한, 상기 진단 시스템(100)은 범용의 데이터처리장치가 아니라 본 발명의 기술적 사상을 구현하기 위해 제작된 전용 장치로 구현될 수도 있고, 이러한 경우에는 생체이미지를 스캔하기 위한 수단 등이 더 구비될 수도 있다.
상기 뉴럴 네트워크는 이전 출원에서 개시된 바와 같이 특정 패치에 대한 진단을 수행하기 위해 상기 특정 패치 자체의 이미지만을 고려하는 것이 아니라, 상기 특정 패치의 인접한 적어도 하나의 패치의 이미지까지도 고려하여 상기 특정 패치의 진단을 수행하는 특징을 가질 수 있다. 이러한 기술적 사상을 통해 실제로 특정 패치에 해당하는 생체조직의 진단을 위해서 상기 생체조직뿐만 아니라 상기 생체조직의 주변조직의 상태까지 고려하여야 하는 질병의 진단에 매우 유의미한 수준으로 정확도의 향상이 가능해지는 효과가 있다. 또한 생체이미지를 다수의 패치로 분할하는 경우, 패치의 분할방식이나 분할된 영역이 생체조직의 어떤 위치인지 여부에 따라 발생할 수 있는 진단결과의 영향에 강인한 효과를 가질 수 있다.
물론 전술한 바와 같이 상기 뉴럴 네트워크는 이전출원에 개시된 특징을 가지지 않을 수도 있으며, 어떠한 경우든 상기 뉴럴 네트워크는 패치별로 진단을 수행하도록 학습되는 뉴럴 네트워크일 수 있다.
이때 상기 뉴럴 네트워크는 종래와 달리 패치에 포함된 픽셀들 각각에 대해 다중 색 모델 각각의 채널 값을 입력값으로 받아들일 수 있다. 즉 상기 뉴럴 네트워크는 패치의 오리지널 색 모델에 의해 정의되는 오리지널 채널들의 값 외에 하나 이상의 추가적인 색 모델 각각에 의해 정의되는 채널 값 (혹은 채널 값들)을 더 입력받을 수 있다. 예를 들어, 상기 뉴럴 네트워크는 패치 별로 입력을 받아들이면서 상기 패치에 포함된 픽셀들의 오리지널 색 모델의 각 채널 값(예컨대, RGB 3채널)과 더불어 추가적인 색 모델의 각 채널 값(예컨대, 그레이 채널 값, HSV 3 채널 값, CMYK 4채널 값 및/또는 YCbCr 3채널 값 등)을 더 입력으로 받아들일 수 있다.
이러한 경우 생체이미지의 컬러가 질병과 관련된 이미지 특성과 무관한 요인(예컨대, 진단기관의 특성, 염색시약 등)에 의해 변화가 있을 수 있는 경우에 강인한 효과를 가질 수 있다. 또한 하나의 이미지를 여러 색 모델로 표현하여 이를 모두 이용함으로써 질병과 관련된 이미지 특성이 반영되어 표시될 때 이러한 중요한 정보들을 더욱 잘 반영할 수 있게 되는 장점이 있다.
이러한 기술적 사상을 구현하기 위한 상기 진단 시스템(100)은 논리적으로 도 2와 같은 구성을 가질 수 있다.
도 2는 본 발명의 실시 예에 따른 뉴럴 네트워크를 이용한 질병의 진단 시스템의 논리적 구성을 설명하기 위한 도면이다.
도 2를 참조하면, 상기 진단 시스템(100)은 제어모듈(110) 및 상기 뉴럴 네트워크 및/또는 슬라이드 진단엔진이 저장된 진단모듈(120)을 포함한다. 또한, 상기 진단 시스템(100)은 전처리 모듈(130)을 더 포함할 수 있다. 본 발명의 실시예에 따라서는, 상술한 구성요소들 중 일부 구성요소는 반드시 본 발명의 구현에 필수적으로 필요한 구성요소에 해당하지 않을 수도 있으며, 또한 실시예에 따라 상기 진단 시스템(100)은 이보다 더 많은 구성요소를 포함할 수도 있음은 물론이다. 예를 들어 상기 진단 시스템(100)은 상기 클라이언트(예컨대, 20, 20-1)와 통신하기 위한 통신모듈(미도시)을 더 포함할 수 있다.
상기 진단 시스템(100)은 본 발명의 기술적 사상을 구현하기 위해 필요한 하드웨어 리소스(resource) 및/또는 소프트웨어를 구비한 논리적인 구성을 의미할 수 있으며, 반드시 하나의 물리적인 구성요소를 의미하거나 하나의 장치를 의미하는 것은 아니다. 즉, 상기 진단 시스템(100)은 본 발명의 기술적 사상을 구현하기 위해 구비되는 하드웨어 및/또는 소프트웨어의 논리적인 결합을 의미할 수 있으며, 필요한 경우에는 서로 이격된 장치에 설치되어 각각의 기능을 수행함으로써 본 발명의 기술적 사상을 구현하기 위한 논리적인 구성들의 집합으로 구현될 수도 있다. 또한, 상기 진단 시스템(100)은 본 발명의 기술적 사상을 구현하기 위한 각각의 기능 또는 역할별로 별도로 구현되는 구성들의 집합을 의미할 수도 있다. 예컨대, 상기 제어모듈(110), 상기 진단모듈(120), 및/또는 상기 전처리 모듈(130) 각각은 서로 다른 물리적 장치에 위치할 수도 있고, 동일한 물리적 장치에 위치할 수도 있다. 또한, 구현 예에 따라서는 상기 제어모듈(110), 상기 진단모듈(120) 및/또는 상기 전처리 모듈(130) 각각을 구성하는 소프트웨어 및/또는 하드웨어의 결합 역시 서로 다른 물리적 장치에 위치하고, 서로 다른 물리적 장치에 위치한 구성들이 서로 유기적으로 결합되어 각각의 상기 모듈들을 구현할 수도 있다.
또한, 본 명세서에서 모듈이라 함은, 본 발명의 기술적 사상을 수행하기 위한 하드웨어 및 상기 하드웨어를 구동하기 위한 소프트웨어의 기능적, 구조적 결합을 의미할 수 있다. 예컨대, 상기 모듈은 소정의 코드와 상기 소정의 코드가 수행되기 위한 하드웨어 리소스(resource)의 논리적인 단위를 의미할 수 있으며, 반드시 물리적으로 연결된 코드를 의미하거나, 한 종류의 하드웨어를 의미하는 것은 아님은 본 발명의 기술분야의 평균적 전문가에게는 용이하게 추론될 수 있다.
상기 제어모듈(110)은 본 발명의 기술적 사상을 구현하기 위해 상기 진단 시스템(100)에 포함된 다른 구성(예컨대, 상기 진단모듈(120) 및/또는 상기 전처리 모듈(130) 등)을 제어할 수 있다.
또한, 상기 제어모듈(110)은 상기 진단모듈(120)에 저장된 뉴럴 네트워크를 및/또는 슬라이드 진단엔진을 이용하여 본 발명의 기술적 사상에 따른 진단을 수행할 수 있다.
상기 진단모듈(120)은 패치레벨 진단을 수행하는 패치 진단엔진 및 슬라이드레벨 진단을 수행하는 슬라이드 진단엔진을 포함할 수 있다.
상기 패치레벨 진단엔진은 전술한 바와 같이 본 발명의 기술적 사상에 따른 딥러닝 기반의 뉴럴 네트워크를 통해 구현될 수 있다. 상기 슬라이드 진단엔진은 딥러닝 기반의 뉴럴 네트워크가 이용될 수도 있고, 뉴럴 네트워크가 아닌 소정의 머신러닝(예컨대, XGBoost) 엔진이 이용될 수도 있다.
상기 뉴럴 네트워크는 뉴럴 네트워크를 정의하는 일련의 설계사항들을 표현하는 정보의 집합을 의미할 수 있다. 본 명세서에서 상기 뉴럴 네트워크는 컨볼루션 뉴렬 네트워크일 수 있다.
상기 컨볼루션 뉴렬 네트워크는 잘 알려진 바와 같이, 입력 레이어, 복수의 히든 레이어들, 및 출력 레이어를 포함할 수 있다. 복수의 히든 레이어들 각각은 컨볼루션 레이어 및 풀링 레이어(또는 서브 샘플링 레이어)를 포함할 수 있다.
컨볼루션 뉴렬 네트워크는 이러한 각각의 레이어들을 정의하기 위한 함수, 필터, 스트라이드(stride), 웨이트 팩터 등에 의해 정의될 수 있다. 또한, 출력 레이어는 풀리 커넥티드(fully connected)된 전방향 레이어(FeedForward layer)로 정의될 수 있다.
컨볼루션 뉴렬 네트워크를 구성하는 각각의 레이어별 설계 사항은 널리 알려져 있다. 예컨대, 복수의 레이어들에 포함될 레이어의 개수, 상기 복수의 레이어들을 정의하기 위한 컨볼루션 함수, 풀링 함수, 활성화 함수 각각에 대해서는 공지된 함수들이 이용될 수도 있고, 본 발명의 기술적 사상을 구현하기 위해 별도로 정의된 함수들이 이용될 수도 있다.
본 발명의 실시 예에 따르면, 패치레벨 진단을 수행하는 뉴럴 네트워크는 공지된 densenet을 이용하였고, 이때 이전 출원에 개시된 바와 같이 진단의 대상이 되는 특정 패치뿐만 아니라 주변 패치까지도 고려할 수 있도록 설계될 수 있다. 이외에도 다양한 뉴럴 네트워크가 활용될 수 있으며, 어떠한 경우든 상기 뉴럴 네트워크는 특정 패치를 입력으로 받고 해당 특정 패치의 질병 발현 확률에 상응하는 피쳐 값을 출력하도록 정의될 수 있다.
상기 제어모듈(110)은 상기 진단모듈(120)에 저장된 패치레벨 뉴럴 네트워크 즉, 학습된 뉴럴 네트워크에 입력 데이터 즉, 패치 별 입력을 받을 수 있다. 이때 전술한 바와 같이 각 패치 별로 다중 색 모델 각각에 상응하는 채널 값을 입력 받을 수 있다.
보다 상세하게는 상기 패치레벨 뉴럴 네트워크는 각각의 패치에 상응하는 상기 제1이미지 정보 내지 제K이미지 정보를 입력 레이어로 입력 받을 수 있으며, 상기 제i이미지 정보(i는 1<=i<=K인 임의의 정수)는 제i색 모델(color model)에 상응하는 적어도 하나의 채널 값으로 구성된다.
예를 들어, 만약 RGB 색 모델, HSV 색 모델, CMYK 색 모델이 이용되는 실시예의 경우, 상기 패치레벨 뉴럴 네트워크는 각 패치 별로, 제1이미지 정보인 해당 패치에 상응하는 RGB 3채널 값, 제2이미지 정보인 해당 패치에 상응하는 HSV 3채널 값 및 제3이미지 정보인 해당 패치에 상응하는 CMYK 4채널 값을 입력받을 수 있다.
입력받는 복수의 색 모델의 각 채널 값은 각 패치의 오리지널 픽셀 값을 각각의 색 모델로 변환하여 획득될 수 있음은 물론이다.
그리고 뉴럴 네트워크에 의해 정의되는 연산들을 수행하여 출력 데이터 즉, 패치에 해당하는 질병 발현 확률에 상응하는 피쳐 값을 출력할 수 있다. 또한, 실시 예에 따라서는 후술할 바와 같은 슬라이드 레벨 진단을 위해 상기 피쳐 값이 소정의 문턱 값지 여부에 따라 해당 패치가 질병이 발현되었는지 여부를 출력할 수도 있다.
또한, 상기 진단모듈(120)은 슬라이드 진단 엔진을 포함할 수 있고, 상기 슬라이드 진단 엔진 역시 상기 제어모듈(110)에 의해 학습되어 구현될 수 있다.
상기 슬라이드 진단엔진은 상기 뉴럴 네트워크의 출력결과에 따라 질병 패치를 마킹할 수 있다. 마킹이라 함은 슬라이드 내에서 질병 패치들을 구분하는 것을 의미할 수 있다. 일 예에 의하면 상기 슬라이드 진단엔진은 질병 패치들을 다른 패치와 구분되도록 표시하여 히트맵을 생성할 수 있다. 그리고 생성된 히트맵에 기초하여 질병 패치들을 복수 개로 클러스터링할 수 있다. 일 실시 예에 의하면 상기 슬라이드 진단엔진은 질병 패치들을 적어도 두 개로 클러스터링할 수 있다. 그리고 그 중에서 가장 큰 클러스터 2개를 슬라이드 진단에 이용할 수 있다. 하지만 2개 이상의 클러스터를 슬라이드 진단에 이용할 수 있음은 물론이다.
상기 슬라이드 진단엔진은 각각의 클러스터별 소정의 피쳐 값을 산출할 수 있다. 그리고 산출된 피쳐 값을 입력 데이터로 하여 입력된 입력 데이터에 상응하는 슬라이드가 질병이 발현되었는지 여부를 출력하도록 학습된다.
또한 상기 슬라이드 진단엔진은 복수의 문턱 값들을 모두 고려하여 학습될 수 있다. 이를 통해 문턱 값의 설정에 강이한 슬라이드 진단 결과를 출력할 수 있다. 이에 대해서는 후술하도록 한다.
상기 전처리 모듈(130)은 뉴럴 네트워크를 이용하여 진단을 수행하기 전에 필요한 생체이미지의 전처리를 수행할 수 있다. 예컨대, 상기 생체이미지의 전처리는 상기 생체이미지를 미리 정의된 크기의 패치들로 패치화하는 과정을 포함할 수 있으며,
또한 실시예에 따라 상기 전처리 모듈(130)은 패치 별 픽셀들을 다중 색 모델로 변환하여 각 색 모델에 상응하는 채널 값을 산출할 수도 있다. 즉 상기 전처리 모듈(130)은 패치에 상응하는 제1이미지 정보 내지 제K이미지 정보(여기서, K은 2 이상의 정수)를 생성할 수 있다. 이때, 제i이미지 정보(i는 1<=i<=K인 임의의 정수)는 제i색 모델에 상응하는 적어도 하나의 채널 값으로 구성된다. 예를 들어, RGB 색 모델, HSV 색 모델, CMYK 색 모델이 이용되는 실시예의 경우, 패치의 오리지널 픽셀이 RGB 3채널 값으로 구성되어 있다면, 상기 전처리 모듈(130)은 해당 패치의 각 픽셀의 오리지널 RGB 3채널 값을 HSV 3채널 값 및 CMYK 4체널 값으로 변환할 수 있다.
또한 상기 전처리 모듈(130)은 필요에 따라 상기 뉴럴 네트워크에 적합한 방식으로 적절한 이미지 프로세싱을 수행할 수도 있음을 본 발명의 기술분야의 평균적 전문가는 용이하게 추론할 수 있을 것이다.
도 4는 본 발명의 실시 예에 따른 뉴럴 네트워크의 구성을 설명하기 위한 도면이다.
도 4를 참조하면, 본 발명의 기술적 사상에 따른 뉴럴 네트워크(200)는 미시 뉴럴 네트워크 및 거시 뉴럴 네트워크를 포함한다.
우선 도 4a를 참조하면, 이전 출원에도 개시된 바와 같이 미시 뉴럴 네트워크는 복수의 레이어들(210) 및 출력 레이어(230)를 포함한다. 복수의 레이어들(210)에는 입력 레이어(211) 및 복수의 히든 레이어들(212)이 포함된다.
거시 뉴럴 네트워크는 복수의 레이어들(220) 및 상기 출력 레이어(230)를 포함한다. 상기 복수의 레이어들(220)에는 입력 레이어(221) 및 복수의 히든 레이어들(222)이 포함된다.
상기 미시 뉴럴 네트워크는 특정 패치(30)을 입력 받고, 특정 패치의 진단결과 즉, 출력 레이어(230)에 정의된 출력 데이터들을 출력하도록 정의된다.
또한 상기 거시 뉴럴 네트워크는 상기 특정 패치(30)를 포함하며 상기 특정 패치(30)의 인접 패치를 적어도 하나 포함하는 거시 패치(40)를 입력 받고, 상기 특정 패치의 진단결과를 출력하도록 정의된다.
즉, 본 발명의 기술적 사상에 따른 뉴럴 네트워크(200)는 특정 패치(30)의 진단결과를 출력하기 위해 특정 패치(30)의 이미지 특성뿐만 아니라 상기 특정 패치(30)의 인접한 패치들의 이미지 특성까지 고려하여 진단결과를 출력할 수 있다.
상기 거시 패치(40)은 도 4에서는 패치를 둘러싼 3ㅧ3패치가 이용되는 일 예를 도시하고 있지만, 다양한 실시예가 가능할 수 있음은 물론이다.
상기 출력 레이어(230)는 상기 미시 뉴럴 네트워크에 포함된 상기 출력 레이어(230)의 직전 레이어인 제1직전 레이어(212-1)와 거시 뉴럴 네트워크에 포함된 상기 출력 레이어(230)의 직전 레이어인 제2직전 레이어(222-1) 각각의 출력 데이터를 입력받아 상기 출력 레이어(230)에 정의된 출력 데이터를 출력할 수 있다. 상기 제1직전 레이어(212-1), 상기 제2직전 레이어(222-1), 및 상기 출력 레이어(230)는 풀리 커넥티드(fully connected)될 수 있다.
상기 출력 레이어(230)를 정의하는 전방향(Feedforward) 함수로는 입력 레이어로 입력받은 입력 데이터가 뉴럴 네트워크(200)을 통해 결과로 출력 레이어(230)로 출력 데이터를 출력하는 다양한 함수 중 어느 하나가 이용될 수 있다.
결국, 상기 뉴럴 네트워크(200)는 특정 패치(30)에 대해 진단을 수행하기 위해 상기 특정 패치(30)의 이미지 특성과 상기 특정 패치(30)을 포함하는 거시 패치(40)의 이미지 특성을 같이 고려하여, 다수의 트레이닝 데이터들의 어노테이션 값과 상응하는 출력 레이어(230)의 출력 데이터를 출력하도록 학습된다.
즉, 상기 뉴럴 네트워크(200)를 학습하기 위해서는 다수의 트레이닝 데이터들이 이용되며, 다수의 트레이닝 데이터는 특정 패치(30) 및 거시 패치(40) 한쌍을 포함할 수 있다. 그리고 거시 패치(40) 역시 상기 특정 패치(30)의 어노테이션 정보를 이용하여 학습을 수행할 수 있다.
그러면 상기 뉴럴 네트워크(200)는 상기 특정 패치(30)과 상기 거시 패치(40)의 이미지 특성을 모두 고려하여, 상기 특정 패치(30)의 어노테이션 정보에 상응하는 출력 데이터를 출력할 수 있도록 학습될 수 있다.
그리고 학습된 뉴럴 네트워크(200)는 진단의 대상이 되는 대상 패치 및 상기 대상 패치에 상응하는 거시 패치를 각각 미시 뉴럴 네트워크 및 거시 뉴럴 네트워크의 입력 레이어의 입력 데이터로 입력받으면, 상기 대상 패치의 진단 결과 즉, 출력 레이어(230)의 출력 데이터를 출력할 수 있다.
상기 출력 레이어(230)는 도 4a에 도시된 바와 같이 진단의 대상이 되는 특정 패치(30)의 진단결과를 출력 데이터를 출력할 수 있다. 진단결과는 상기 특정 패치(30)의 질병의 상태에 대한 정보를 적어도 포함할 수 있다. 질병의 상태에 대한 정보는 단순히 특정 질병이 특정 패치(30)에 발현되었는지 여부(또는 확률 값)에 대한 정보를 의미할 수도 있다. 하지만 질병의 종류에 따라 질병의 상태에 대한 정보에는 보다 구체적으로 질병의 진행정도를 나타내는 정보가 포함될 수도 있다.
상기 출력 레이어는 이전출원에 개시된 바와 같이 단순히 질병의 발현여부를 출력하는 것 뿐만 아니라, 여러 추가적인 정보를 출력하도록 설계될 수도 있다. 예컨대, 질병의 진행정도를 나타내는 정보 및/또는 상기 상태채널의 값과 연관된 연관인자의 발현정도를 나타내는 연관인자 정보를 포함할 수도 있다. 이에 대해서는 이전 출원에 상세히 개시되어 있으므로 상세한 설명은 생략하도록 한다.
도 4a에 도시된 뉴럴 네트워크(200)가 이용되는 경우, 도 4a에서는 도시되지 않았지만 상기 출력 레이어(230)의 출력 데이터를 입력받아 최종적으로 입력된 패치의 질병의 발현 확률에 상응하는 피쳐 값을 출력하는 레이어가 더 존재할 수 있음은 물론이다.
또는 도 4b에 도시된 바와 같이 상기 뉴럴 네트워크는 도 4a에 도시된 바와 같이 복수의 상태채널 및 연관인자 채널을 출력하는 레이어를 대체하여 입력된 패치의 질병의 발현 확률에 상응하는 피쳐 값을 출력하는 레이어(240)를 가지도록 설계될 수도 있다.
본 발명의 다른 일 실시 예에 의하면, 패치레벨 진단을 위한 뉴럴 네트워크는 도 4에 도시된 바와 같이 두 경로(미시 네트워크 및 거시 네트워크 각각의 경로)를 갖는 방식이 아니라 단일의 경로를 갖도록 설계될 수도 있다. 이러한 일 예는 도 5에 도시된 바와 같을 수 있다.
도 5a 및 도 5b는 본 발명의 다른 실시 예에 따른 뉴럴 네트워크의 예시적 구성을 설명하기 위한 도면이다.
도 5a 및 도 5b를 참조하면, 전술한 바와 같이 뉴럴 네트워크는 패치단위로 입력을 받고 입력된 패치의 질병 여부를 판단하도록 정의될 수 있다. 이때 상기 뉴럴 네트워크는 다중 색 모델의 각 채널 값을 입력받을 수 있다. 도 5a에 도시된 바와 같이 상기 뉴럴 네트워크는 오리지널 RGB 3채널과 그레이 채널 (총 4개의 채널)을 입력받을 수 있다. 또는 도 5b에 도시된 바와 같이, RGB 3채널 값, HSV 3채널 및 CMYK 4채널(총 10채널)을 입력받을 수 있다. 이외에도 다양한 색 모델의 조합이 가능할 수 있음은 물론이다.
입력된 데이터는 도 5a 및 도 5b에 도시된 바와 같이 컨볼루션 레이어, 맥스풀링 당 다수의 레이어들을 통과하여 출력 데이터 즉, 입력된 패치가 질병 패치인지 여부를 출력하도록 정의될 수 있다. 이러한 뉴럴 네트워크는 공지의 densenet 모델을 이용한 뉴럴 네트워크일 수 있다. 그리고 이때 본 발명의 기술적 사상에 따른 상기 뉴럴 네트워크는 원래의 densenet 모델 대비 1ㅧ1 컨볼루션이 추가됨을 알 수 있고, 이를 통해 내부 피쳐 맵을 확인할 수 있는 효과가 있다. 또한 활성함수로 시그노이드(Signoid)함수가 이용되고 있지만 다양한 활성함수가 이용될 수도 있다.
기타 다양한 방식으로 패치레벨 진단을 수행하는 뉴럴 네트워크가 정의될 수 있음을 본 발명의 기술분야의 평균적 전문가는 용이하게 추론할 수 있을 것이다.
도 7은 본 발명의 일 실시 예에 따른 패치 레벨 진단 방법의 실험결과를 나타내는 도면이다. 도 7의 실험에서는 각 픽셀 값의 오리지널 3채널 외에 그레이 채널 값을 추가적으로 입력받을 수 있는 뉴럴 네트워크가 적용되었다.
도 7을 참조하면, 상기 뉴럴 네트워크는 트레인 데이터 세트로 암으로 라벨링된 패치 62358개와 노멀(정상)로 라벨링된 패치 108300을 이용하여 상기 뉴럴 네트워크를 학습하였고, 밸리데이션 세트로 암인 패치 8963개, 노멀인 패치 15499개를 이용하였다. 그리고 테스트 세트로 암인 패치 14898개, 노멀인 패치 19089개인 패치를 이용하였다.
그리고 그때의 실험결과인 accuracy, precision, sensitivity, specificity는 각각 도 7에 도시된 바와 같이 매우 높은 성능을 보임을 알 수 있었다. 그리고 픽셀 값을 오리지널 값이 3채널만 이용하는 것에 비해 성능의 향상이 있음을 확인하였다.
도 6은 본 발명의 실시 예에 따른 투 페이스 질병 진단 방법의 개념을 설명하기 위한 도면이다.
도 6에 도시된 바와 같이 생체조직에 상응하는 생체이미지 즉, 슬라이드로부터 샘플링된 패치들이 뉴럴 네트워크(200)학습에 이용될 수 있다. 상기 패치들은 암으로 라벨링되는 패치와 노멀로 라벨링되는 패치가 소정의 비율을 갖도록 샘플링된 것일 수 있다.
그리고 상기 뉴럴 네트워크(200)는 전술한 바와 같이 그레이 채널을 더 포함하는 패치별 입력 데이터를 입력받아 학습되고, 그 결과 상기 뉴럴 네트워크(200)는 각각의 패치들이 암인지 여부(또는 확률 값)를 출력하도록 학습된다.
그러면 이처럼 학습된 상기 뉴럴 네트워크(200)는 도 6의 하부에 도시된 바와 같이 슬라이드가 입력된 경우, 각각의 슬라이드에 포함된 각각의 패치에 대해 패치레벨 진단을 수행할 수 있다.
그리고 상기 슬라이드 진단엔진은 패치레벨 진단 결과에 따라 질병 패치를 마킹할 수 있다. 예컨대, 도 6에 도시된 바와 같이 히트맵을 생성할 수 있다.
또한, 도 8은 본 발명의 일 실시 예에 따른 패치 레벨 진단 결과에 따른 마킹결과를 나타내는 도면인데, 도 8a는 숙력된 전문가에 의해 라벨링된 생체조직의 이미지를 나타내고 도 8b는 학습된 상기 뉴럴 네트워크(200)에 의해 생성된 히트맵을 나타낸다. 도 8에서 알 수 있듯이 매우 정확한 진단이 가능할 수 있음을 알 수 있다.
한편, 생성한 히트맵에 따라 상기 슬라이드 진단엔진은 클러스터를 생성할 수 있다. 상기 슬라이드 진단엔진은 소정의 클러스터링 알고리즘을 이용하여 질병 패치들을 클러스터링 할 수 있다. 본 발명의 실시 예에 의하면, 상기 슬라이드 진단엔진은 공지의 DBSCAN 알고리즘을 통해 클러스터링을 수행하였지만, 다양한 클러스터링 기법이 이용될 수 있음은 물론이다.
상기 슬라이드 진단엔진은 클러스터링 결과 생성된 클러스터별로 클러스터 피쳐를 추출할 수 있다.
상기 클러스터 피쳐는 질병의 발현과 연관있는 특징을 나타낼 수 있는 특징 적인 값일 수 있다.
일 예에 의하면, 상기 클러스터 피쳐는 클러스터에 포함된 질병 패치의 개수, 패치별 질병일 확률 값의 평균, 패치별 질병일 확률 값의 최대 값, 및 패치별 질병일 확률 값의 최소 값을 포함할 수 있다. 이러한 클러스터 피쳐가 포함될 경우 슬라이드 진단엔진의 진단결과가 상대적으로 높아짐을 확인할 수 있었다.
또한 실시 예에 따라 상기 클러스터 피쳐는 클러스터 각각의 메이저 축(major axis), 마이너 축(minor axis), 면적(area), 및 밀도(density)를 더 포함할 수 있다. 이는 클러스터의 물리적 특징과 밀접한 연관이 있고, 이러한 클러스터 피쳐가 같이 이용되는 경우 더욱 진단 성능이 높아질 수 있다.
한편, 상기 클러스터는 각각의 패치들이 질병 패치로 판단되는지 여부에 따라 그 위치, 크기, 및 상술한 바와 같은 클러스터 피쳐가 달라질 수 있다. 그리고 이는 패치레벨 진단에서 어떤 문턱 값을 이용하는지에 의존된다.
본 발명의 기술적 사상에 의하면, 슬라이드 레벨 진단을 위해 복수의 문턱 값들이 같이 이용될 수 있다.
일 예에 의하면, 본 발명의 실시 예에서는 5개의 서로 다른 문턱 값들이 이용되었지만 다양한 실시 예가 가능할 수 있다.
그리고 각각의 문턱 값들에 따라 특정 패치가 질병 패치로 진단되는 결과는 달라질 수 있고, 그에 따라 클러스터링 결과도 달라질 수 있음은 물론이다.
본 발명의 실시 예에 따른 상기 슬라이드 진단 엔진은 예컨대, N(예컨대, 5)개의 문턱 값들 및 상기 N 개의문턱 값들 각각을 기준으로 질병이 발현된 패치를 소정의 방식으로 클러스팅 하여 M(예컨대, 2) 개의 클러스터들을 형성하였다.
그리고 형성된 클러스터들 각각에 대해 P(예컨대 상술한 8개의 클러스터 비쳐) 개의 클러스터 피쳐를 산출하였다. 그리고 이러한 경우 하나의 슬라이드에 대해 MㅧNㅧP(예컨대, 80) 개의 클러스터 피쳐들이 추출될 수 있다.
그리고 이러한 피쳐 값들이 입력 값으로 입력되고 출력 데이터로써 상기 슬라이드가 질병이 존재하는지 여부를 출력하도록 슬라이드 진단엔진은 학습될 수 있다.
이러한 실시 예를 통한 실험 결과는 도 9에 도시된다.
도 9는 본 발명의 일 실시 예에 따른 슬라이드 레벨 진단 방법의 실험 결과를 나타내는 도면이다.
도 9에 도시된 실험결과는 전술한 클러스터 피쳐 8개가 모두 사용된 경우이고 문턱 값은 5개 사용되었으며, 2개의 클러스터를 이용한 경우의 실험결과를 나타낸다. 이러한 실시 예에서 트레인 데이터 세트로 암이 발현된 슬라이드 478개, 노멀인 슬라이드 218개가 이용되었다. 또한 밸리데이션 세트로 암이 발현된 슬라이드 117개, 노멀인 슬라이드 57개가 이용되었으며, 테스트 세트로 암이 발현된 슬라이드 1302개, 노멀인 슬라이드 1658개가 이용되었다.
그리고 그때의 실험결과인 accuracy, precision, sensitivity, specificity는 각각 도 9에 도시된 바와 같이 높은 성능을 보임을 알 수 있었다.
또한 본 명세서에서는 전립선 암에 대해 본 발명의 기술적 사상이 적용된 일 예를 주로 설명하였지만, 특정 조직뿐만 아니라 해당 조직이 주변조직의 상태까지 고려하여 상기 특정 조직의 진단을 수행할 필요가 있는 다른 질병에 대해서도 본 발명의 기술적 사상이 적용될 경우 정확한 진단이 가능할 수 있음을 본 발명의 기술분야의 평균적 전문가는 용이하게 추론할 수 있을 것이다.
한편, 구현 예에 따라서, 상기 진단 시스템(100)은 프로세서 및 상기 프로세서에 의해 실행되는 프로그램을 저장하는 메모리를 포함할 수 있다. 상기 프로세서는 싱글 코어 CPU혹은 멀티 코어 CPU를 포함할 수 있다. 메모리는 고속 랜덤 액세스 메모리를 포함할 수 있고 하나 이상의 자기 디스크 저장 장치, 플래시 메모리 장치, 또는 기타 비휘발성 고체상태 메모리 장치와 같은 비휘발성 메모리를 포함할 수도 있다. 프로세서 및 기타 구성 요소에 의한 메모리로의 액세스는 메모리 컨트롤러에 의해 제어될 수 있다.
한편, 본 발명의 실시예에 따른 다중 색 모델 및 뉴럴 네트워크를 통한 진단 방법은 컴퓨터가 읽을 수 있는 프로그램 명령 형태로 구현되어 컴퓨터로 읽을 수 있는 기록 매체에 저장될 수 있으며, 본 발명의 실시예에 따른 제어 프로그램 및 대상 프로그램도 컴퓨터로 판독 가능한 기록 매체에 저장될 수 있다. 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다.
기록 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 소프트웨어 분야 당업자에게 공지되어 사용 가능한 것일 수도 있다.
컴퓨터로 읽을 수 있는 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. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 전자적으로 정보를 처리하는 장치, 예를 들어, 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
상술한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타나며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
본 발명은 "다중 색 모델 및 뉴럴 네트워크를 이용한 질병 진단 시스템 및 방법"에 이용될 수 있다.

Claims (12)

  1. 프로세서 및 뉴럴 네트워크를 저장하는 저장장치를 포함하는 시스템에 구현되며 생체이미지인 슬라이드와 상기 뉴럴 네트워크를 이용한 질병의 진단 시스템에 있어서,
    상기 시스템은,
    상기 슬라이드가 소정의 크기로 분할된 각각의 패치에 대하여, 상기 패치에 상응하는 제1이미지 정보 내지 제K이미지 정보(여기서, K은 2 이상의 정수)를 생성하는 전처리모듈-여기서, 제i이미지 정보(i는 1<=i<=K인 임의의 정수)는 제i색 모델(color model)에 상응하는 적어도 하나의 채널 값으로 구성되고, 제1색 모델 내지 제K색 모델은 모두 서로 상이한 색 모델임; 및
    상기 분할된 각각의 패치에 대하여, 상기 패치에 상응하는 상기 제1이미지 정보 내지 제N이미지 정보를 입력 레이어로 입력 받아서 상기 패치에 질병이 존재하는지 여부인 패치레벨 진단결과를 출력하는 패치 뉴럴 네트워크를 포함하는 질병 진단 시스템.
  2. 제1항에 있어서,
    상기 제1색 모델 내지 제K색 모델 각각은,
    RGB 모델, HSV 모델, CMYK 모델, YCbCr 모델, Gray 모델 중 어느 하나인 것을 특징으로 하는 질병 진단 시스템.
  3. 제1항에 있어서,
    상기 시스템은,
    상기 슬라이드에 포함된 다수의 패치들 각각의 패치 레벨 진단결과 암으로 판단된 패치를 마킹하고, 마킹된 결과에 기초하여 상기 슬라이드에 질병이 존재하는지 여부인 슬라이드 레벨 진단결과를 출력하는 슬라이드 진단 엔진을 더 포함하는 질병 진단 시스템.
  4. 제3항에 있어서, 상기 슬라이드 진단 엔진은,
    암으로 판단된 패치를 소정의 방식으로 클러스터링 하여 복수 개의 클러스터들을 형성하고, 형성된 클러스터들 각각에 대해 복수의 클러스터 피쳐를 입력 값으로 입력받아 상기 클러스터들을 포함하는 상기 슬라이드의 상기 슬라이드 레벨 진단결과를 출력하는 것을 특징으로 하는 질병 진단 시스템.
  5. 제1항에 있어서, 상기 질병은,
    전립선 암인 것을 특징으로 하는 질병 진단 시스템.
  6. 프로세서 및 뉴럴 네트워크를 저장하는 저장장치를 포함하는 시스템에 구현되며 생체이미지인 슬라이드와 상기 뉴럴 네트워크를 이용한 질병의 진단 시스템에 있어서,
    상기 시스템은,
    상기 슬라이드가 소정의 크기로 분할된 각각의 패치에 대하여, 상기 패치에 상응하는 상기 제1이미지 정보 내지 제K이미지 정보를 입력 레이어로 입력 받아서 상기 패치에 질병이 존재하는지 여부인 패치레벨 진단결과를 출력하는 패치 뉴럴 네트워크; 및
    상기 슬라이드에 포함된 다수의 패치들 각각의 패치 레벨 진단결과 암으로 판단된 패치를 마킹하고, 마킹된 결과에 기초하여 상기 슬라이드에 질병이 존재하는지 여부인 슬라이드 레벨 진단결과를 출력하는 슬라이드 진단 엔진을 포함하되,
    상기 제i이미지 정보(i는 1<=i<=K인 임의의 정수)는 제i색 모델에 상응하는 적어도 하나의 채널 값으로 구성되고, 제1색 모델 내지 제K색 모델은 모두 서로 상이한 색 모델인 질병 진단 시스템.
  7. 프로세서 및 뉴럴 네트워크를 저장하는 저장장치를 포함하는 시스템에 구현되며 생체이미지인 슬라이드와 상기 뉴럴 네트워크를 이용한 질병의 진단방법에 있어서,
    상기 시스템이, 상기 슬라이드가 소정의 크기로 분할된 각각의 패치에 대하여, 상기 패치에 상응하는 제1이미지 정보 내지 제K이미지 정보(여기서, K은 2 이상의 정수)를 생성하는 단계-여기서, 제i이미지 정보(i는 1<=i<=K인 임의의 정수)는 제i색 모델에 상응하는 적어도 하나의 채널 값으로 구성되고, 제1색 모델 내지 제K색 모델은 모두 서로 상이한 색 모델임; 및
    상기 분할된 각각의 패치에 대하여, 상기 패치에 상응하는 상기 제1이미지 정보 내지 제N이미지 정보를 입력 레이어로 입력 받아서 상기 패치에 질병이 존재하는지 여부인 패치레벨 진단결과를 출력하는 단계를 포함하는 질병 진단 방법.
  8. 제7항에 있어서,
    상기 제1색 모델 내지 제K색 모델 각각은,
    RGB 모델, HSV 모델, CMYK 모델, YCbCr 모델, Gray 모델 중 어느 하나인 것을 특징으로 하는 질병 진단 방법.
  9. 제1항에 있어서,
    상기 질병 진단 방법은,
    상기 시스템이 상기 슬라이드에 포함된 다수의 패치들 각각의 패치 레벨 진단결과 암으로 판단된 패치를 마킹하고, 마킹된 결과에 기초하여 상기 슬라이드에 질병이 존재하는지 여부인 슬라이드 레벨 진단결과를 출력하는 단계를 더 포함하는 질병 진단 방법.
  10. 제9항에 있어서, 상기 슬라이드 레벨 진단결과를 출력하는 단계는,
    암으로 판단된 패치를 소정의 방식으로 클러스터링 하여 복수 개의 클러스터들을 형성하는 단계; 및
    형성된 클러스터들 각각에 대해 복수의 클러스터 피쳐를 입력 값으로 입력받아 상기 클러스터들을 포함하는 상기 슬라이드의 상기 슬라이드 레벨 진단결과를 출력하는 단계를 포함하는 질병 진단 방법.
  11. 프로세서 및 뉴럴 네트워크를 저장하는 저장장치를 포함하는 시스템에 구현되며 생체이미지인 슬라이드와 상기 뉴럴 네트워크를 이용한 질병의 진단방법에 있어서,
    상기 시스템이, 상기 슬라이드가 소정의 크기로 분할된 각각의 패치에 대하여, 상기 패치에 상응하는 상기 제1이미지 정보 내지 제K이미지 정보를 입력 레이어로 입력 받아서 상기 패치에 질병이 존재하는지 여부인 패치레벨 진단결과를 출력하는 단계; 및
    상기 슬라이드에 포함된 다수의 패치들 각각의 패치 레벨 진단결과 암으로 판단된 패치를 마킹하고, 마킹된 결과에 기초하여 상기 슬라이드에 질병이 존재하는지 여부인 슬라이드 레벨 진단결과를 출력하는 단계를 포함하되,
    상기 제i이미지 정보(i는 1<=i<=K인 임의의 정수)는 제i색 모델에 상응하는 적어도 하나의 채널 값으로 구성되고, 제1색 모델 내지 제K색 모델은 모두 서로 상이한 색 모델인 질병 진단 방법.
  12. 데이터 처리장치에 설치되며 제7항 내지 제11항 중 어느 한 항에 기재된 방법을 수행하기 위한 매체에 기록된 컴퓨터 프로그램.
PCT/KR2019/009846 2018-08-07 2019-08-07 다중 색 모델 및 뉴럴 네트워크를 이용한 질병 진단 시스템 및 방법 WO2020032561A2 (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201980053724.3A CN112567474A (zh) 2018-08-07 2019-08-07 利用多重颜色模型和神经网络的疾病诊断系统和方法
JP2021505743A JP7152810B2 (ja) 2018-08-07 2019-08-07 多色モデル及びニューラルネットワークを用いた疾病診断システム及び方法
US17/266,103 US20210295509A1 (en) 2018-08-07 2019-08-07 Disease diagnosis system and method using multiple color models and neural network
EP19846516.3A EP3819910A4 (en) 2018-08-07 2019-08-07 DISEASE DIAGNOSTIC SYSTEM AND METHOD USING MULTIPLE COLOR PATTERNS AND A NEURONAL NETWORK

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2018-0092033 2018-08-07
KR1020180092033A KR102151723B1 (ko) 2018-08-07 2018-08-07 다중 색 모델 및 뉴럴 네트워크를 이용한 질병 진단 시스템 및 방법

Publications (2)

Publication Number Publication Date
WO2020032561A2 true WO2020032561A2 (ko) 2020-02-13
WO2020032561A3 WO2020032561A3 (ko) 2020-03-26

Family

ID=69415545

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/009846 WO2020032561A2 (ko) 2018-08-07 2019-08-07 다중 색 모델 및 뉴럴 네트워크를 이용한 질병 진단 시스템 및 방법

Country Status (6)

Country Link
US (1) US20210295509A1 (ko)
EP (1) EP3819910A4 (ko)
JP (1) JP7152810B2 (ko)
KR (1) KR102151723B1 (ko)
CN (1) CN112567474A (ko)
WO (1) WO2020032561A2 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7360115B1 (ja) 2022-04-13 2023-10-12 株式会社Ridge-i 情報処理装置、情報処理方法及び情報処理プログラム
KR102485415B1 (ko) * 2022-06-02 2023-01-06 주식회사 딥바이오 패치 레벨 중증도 판단 방법, 슬라이드 레벨 중증도 판단 방법 및 이를 수행하는 컴퓨팅 시스템

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160034814A (ko) 2014-09-22 2016-03-30 삼성전자주식회사 뉴럴 네트워크를 수반한 클라이언트 장치 및 그것을 포함하는 시스템

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7483554B2 (en) * 2003-11-17 2009-01-27 Aureon Laboratories, Inc. Pathological tissue mapping
EP2257636A4 (en) * 2008-07-03 2014-10-15 Nec Lab America Inc EPITHELIAL LAYER DETECTOR AND RELATED METHODS
US20140233826A1 (en) * 2011-09-27 2014-08-21 Board Of Regents Of The University Of Texas System Systems and methods for automated screening and prognosis of cancer from whole-slide biopsy images
JP5995215B2 (ja) * 2012-05-14 2016-09-21 学校法人東京理科大学 癌細胞領域抽出装置、方法、及びプログラム
KR102154733B1 (ko) * 2013-01-16 2020-09-11 삼성전자주식회사 의료 영상을 이용하여 대상체에 악성 종양이 존재하는지 여부를 예측하는 장치 및 방법
CA2944829C (en) * 2014-05-23 2022-10-25 Ting Chen Systems and methods for detection of biological structures and/or patterns in images
CN106373137B (zh) * 2016-08-24 2019-01-04 安翰光电技术（武汉）有限公司 用于胶囊内窥镜的消化道出血图像检测方法
CN110073404B (zh) 2016-10-21 2023-03-21 南坦生物组学有限责任公司 数字组织病理学和显微解剖
KR101944536B1 (ko) * 2016-12-11 2019-02-01 주식회사 딥바이오 뉴럴 네트워크를 이용한 질병의 진단 시스템 및 그 방법
CN107341506A (zh) * 2017-06-12 2017-11-10 华南理工大学 一种基于多方面深度学习表达的图像情感分类方法
CN108108772B (zh) * 2018-01-06 2021-08-10 天津大学 一种基于配电线路航拍图像的绝缘子污闪状态检测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160034814A (ko) 2014-09-22 2016-03-30 삼성전자주식회사 뉴럴 네트워크를 수반한 클라이언트 장치 및 그것을 포함하는 시스템

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3819910A4

Also Published As

Publication number Publication date
KR20200016669A (ko) 2020-02-17
EP3819910A2 (en) 2021-05-12
KR102151723B1 (ko) 2020-09-03
US20210295509A1 (en) 2021-09-23
WO2020032561A3 (ko) 2020-03-26
EP3819910A4 (en) 2022-03-30
JP2021533471A (ja) 2021-12-02
JP7152810B2 (ja) 2022-10-13
CN112567474A (zh) 2021-03-26

Similar Documents

Publication Publication Date Title
WO2020045848A1 (ko) 세그멘테이션을 수행하는 뉴럴 네트워크를 이용한 질병 진단 시스템 및 방법
WO2019235828A1 (ko) 투 페이스 질병 진단 시스템 및 그 방법
WO2020032559A2 (ko) 뉴럴 네트워크를 이용한 질병의 진단 시스템 및 방법
WO2018106005A1 (ko) 뉴럴 네트워크를 이용한 질병의 진단 시스템 및 그 방법
WO2018212494A1 (ko) 객체를 식별하는 방법 및 디바이스
WO2021010671A2 (ko) 뉴럴 네트워크 및 비국소적 블록을 이용하여 세그멘테이션을 수행하는 질병 진단 시스템 및 방법
WO2021060899A1 (ko) 인공지능 모델을 사용 기관에 특화시키는 학습 방법, 이를 수행하는 장치
WO2019074195A1 (ko) 딥러닝 기반 이미지 비교 장치, 방법 및 컴퓨터 판독가능매체에 저장된 컴퓨터 프로그램
WO2022149894A1 (ko) 병리 검체에 대한 판단 결과를 제공하는 인공 뉴럴 네트워크의 학습 방법, 및 이를 수행하는 컴퓨팅 시스템
WO2020032561A2 (ko) 다중 색 모델 및 뉴럴 네트워크를 이용한 질병 진단 시스템 및 방법
WO2020204535A1 (ko) 머신 러닝 기반의 사용자 맞춤형 특허 문헌 자동 분류 방법, 장치 및 시스템
WO2020111754A9 (ko) 세미 슈퍼바이즈드 학습을 이용한 진단 시스템 제공방법 및 이를 이용하는 진단 시스템
WO2020231226A1 (en) Method of performing, by electronic device, convolution operation at certain layer in neural network, and electronic device therefor
WO2021101045A1 (en) Electronic apparatus and method for controlling thereof
WO2022005090A1 (ko) 진단 결과를 제공하기 위한 방법 및 장치
WO2021153858A1 (ko) 비정형 피부질환 영상데이터를 활용한 판독보조장치
WO2022050719A1 (ko) 사용자의 치매 정도 결정 방법 및 장치
WO2022124725A1 (ko) 화합물과 단백질의 상호작용 예측 방법, 장치 및 컴퓨터 프로그램
WO2020032562A2 (ko) 생체 이미지 진단 시스템, 생체 이미지 진단 방법, 및 이를 수행하기 위한 단말
WO2020032560A2 (ko) 진단 결과 생성 시스템 및 방법
WO2022146050A1 (ko) 우울증 진단을 위한 인공지능 연합학습 방법 및 시스템
WO2022124724A1 (ko) 기계 학습 기반의 예후 예측 방법 및 그 장치
WO2019235827A1 (ko) 듀얼 클래스를 지원하는 질병 진단 시스템 및 그 방법
WO2023167448A1 (ko) 병리 슬라이드 이미지를 분석하는 방법 및 장치
WO2022158843A1 (ko) 조직 검체 이미지 정제 방법, 및 이를 수행하는 컴퓨팅 시스템

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: 19846516

Country of ref document: EP

Kind code of ref document: A2

ENP Entry into the national phase

Ref document number: 2021505743

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2019846516

Country of ref document: EP

Effective date: 20210204