WO2021187699A1 - 경동맥 초음파 진단 시스템 - Google Patents

경동맥 초음파 진단 시스템 Download PDF

Info

Publication number
WO2021187699A1
WO2021187699A1 PCT/KR2020/012612 KR2020012612W WO2021187699A1 WO 2021187699 A1 WO2021187699 A1 WO 2021187699A1 KR 2020012612 W KR2020012612 W KR 2020012612W WO 2021187699 A1 WO2021187699 A1 WO 2021187699A1
Authority
WO
WIPO (PCT)
Prior art keywords
carotid artery
carotid
ultrasound
image
diagnosis
Prior art date
Application number
PCT/KR2020/012612
Other languages
English (en)
French (fr)
Inventor
정재훈
Original Assignee
주식회사 아이도트
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 아이도트 filed Critical 주식회사 아이도트
Priority to CN202080003982.3A priority Critical patent/CN113710166A/zh
Publication of WO2021187699A1 publication Critical patent/WO2021187699A1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0891—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of blood vessels
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5207—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of raw data to produce diagnostic data, e.g. for generating an image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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

Definitions

  • the present invention relates to a carotid artery diagnosis system, and more particularly, to a system for diagnosing abnormal symptoms of the carotid artery using one or more artificial neural networks.
  • the carotid artery is an artery that passes through the neck and enters the face and skull, and is largely divided into the external and internal carotid arteries. supply blood to nerve tissue.
  • carotid artery stenosis This narrowing of the carotid artery, including the internal carotid artery, is referred to as carotid stenosis, which reduces blood flow or blocks blood vessels, leading to ischemic stroke. Therefore, patients with carotid artery stenosis are treated for the prevention and treatment of stroke.
  • Non-invasive methods for diagnosing and examining carotid artery stenosis include carotid ultrasound, brain computed tomography (CT), and brain magnetic resonance imaging (MRI), and invasive methods include cerebral angiography.
  • CT brain computed tomography
  • MRI brain magnetic resonance imaging
  • carotid ultrasound is used for early diagnosis of cerebrovascular disease. It is a simple test that observes the presence of plaque in the carotid artery, blood flow, blood vessel thickness, etc., and has the advantage of short test time and low cost. .
  • it has the disadvantage that it can be performed only when the examiner acquires sufficient skills and knowledge, and even for the same ultrasound image, there may be differences in reading ability for each examiner. The disadvantage is that the probability of being mistaken is high because of the lack of ability.
  • carotid artery diagnosis system that can be conveniently used by anyone during the regular health checkup stage and can predict and diagnose abnormal carotid symptoms by accurately detecting even the minute signs in the ultrasound image without being influenced by the reading ability of each examiner. I need this.
  • Patent Document 1 Republic of Korea Patent Publication No. 10-2009840
  • the present invention was devised according to the above-mentioned necessity, and the main object of the present invention is to provide a carotid ultrasound diagnosis system using an artificial neural network that can automatically and uniformly and accurately diagnose abnormal symptoms of the carotid artery regardless of the examiner.
  • Another object of the present invention is to provide a carotid ultrasound diagnosis system using an artificial neural network that can detect vascular plaques that are likely to develop into floating thrombi and notify in advance of the possibility of a stroke.
  • Another object of the present invention is to provide a carotid ultrasound diagnosis system using an artificial neural network that automatically diagnoses whether the carotid artery is abnormal, but can differentiate and display the risk of the abnormal carotid artery in multiple stages,
  • the present invention utilizes an artificial neural network that can accurately and automatically diagnose carotid artery abnormalities using one or more artificial neural networks, or accurately automatically diagnose carotid artery abnormalities with respect to carotid ultrasound image images transmitted from a remote location.
  • An object of the present invention is to provide a carotid artery ultrasound diagnostic system.
  • a carotid artery extraction unit for extracting a carotid blood vessel image using the first artificial neural network learned in advance from the carotid artery ultrasound image image;
  • a carotid artery diagnosis unit for diagnosing whether the carotid artery is normal with respect to the carotid artery vascular image using the pre-learned second artificial neural network and outputting the diagnosis result
  • the carotid artery diagnosis unit is another deformable embodiment.
  • the diagnosis result is abnormal
  • the carotid artery risk level is diagnosed with respect to the carotid blood vessel image using a pre-learned third artificial neural network.
  • Another feature is that the determined risk is output as the diagnosis result.
  • the carotid artery diagnosis unit displays the lesion area in the carotid artery blood vessel image and outputs it together as the diagnosis result
  • Another feature of the carotid artery diagnosis unit is to expand the carotid artery blood vessel in the carotid artery blood vessel image before diagnosing the carotid artery blood vessel image using the third artificial neural network.
  • the carotid ultrasound diagnosis system of each configuration described above may further include a heat-map processing unit that heat-map processes the extracted carotid artery blood vessel image and transmits the heat-map processing unit to the carotid artery diagnosis unit.
  • a carotid artery extraction unit for extracting a carotid blood vessel image using the first artificial neural network learned in advance from the carotid artery ultrasound image image;
  • a carotid artery diagnosis unit for diagnosing the carotid artery risk with respect to the carotid artery blood vessel image using the pre-learned second artificial neural network and outputting the diagnosed risk as a diagnosis result.
  • the carotid ultrasound diagnosis system is further characterized by further comprising a heat map processing unit for heat map processing the extracted carotid artery blood vessel image and transmitting the heat map processing unit to the carotid artery diagnosis unit.
  • the carotid ultrasound diagnosis system of each configuration described above includes:
  • an ultrasound probe for transmitting an ultrasound signal to an examination site including the carotid artery and receiving an ultrasound echo signal reflected from the examination site;
  • One medical diagnostic device may be configured by further including; an ultrasound image image generator configured to process the ultrasound echo signal provided from the ultrasound probe and convert it into the carotid ultrasound image image,
  • the carotid artery extraction unit and the carotid artery diagnosis unit may be built in a remote diagnosis server capable of receiving a carotid ultrasound image image through a communication network to provide a remote diagnosis service.
  • the carotid artery ultrasound diagnosis system automatically diagnoses the abnormality of the carotid artery through one or more artificial neural networks with respect to the carotid ultrasound image image, as well as the risk and lesion of the carotid artery. Since it also displays the area, it is not dependent on the reading ability of each examiner (reader), and provides the effect of accurately detecting even the microscopic signs in the ultrasound image.
  • the present invention can be implemented as an independent ultrasound diagnostic device, as well as as a remote medical treatment server, so it has the advantage of providing a remote medical service, and prevents thrombus with high separability that cannot be identified with the naked eye of the examiner in advance. Since it can be detected and displayed, the examinee who has a possibility of floating thrombus, the examinee with carotid artery stenosis, etc. can receive necessary measures in advance, thereby preventing the risk of stroke in advance.
  • FIG. 1 is a block diagram illustrating a medical diagnosis device including a carotid ultrasound diagnosis system according to an embodiment of the present invention
  • FIG. 2 is an exemplary configuration diagram of a carotid artery ultrasound diagnosis system according to another embodiment of the present invention in FIG. 1 .
  • FIG. 3 is a view for explaining a learning process of the carotid artery extraction unit in FIG. 1 .
  • FIG. 4 is a view for explaining a learning process of the carotid artery diagnosis unit in FIG. 1;
  • FIG. 5 is a view for explaining a learning process of the carotid artery diagnosis unit in FIG. 2;
  • FIG. 6 is a view for explaining a diagnosis process of a carotid ultrasound diagnosis system according to an embodiment of the present invention.
  • FIG. 7 to 13 are diagrams for explaining the operation of the carotid ultrasound diagnosis system 200 according to an embodiment of the present invention.
  • 'learning' is a term referring to performing deep learning according to a procedure throughout the detailed description and claims of the present invention, and is not intended to refer to a mental operation such as human educational activity. will be.
  • the word 'comprise' and variations thereof are not intended to exclude other technical features, additions, components or steps.
  • Other objects, advantages and characteristics of the present invention will appear to a person skilled in the art, in part from this description, and in part from practice of the present invention.
  • the following illustrations and drawings are provided by way of illustration and are not intended to limit the invention.
  • the invention encompasses all possible combinations of the embodiments indicated herein. It should be understood that the various embodiments of the present invention are different but need not be mutually exclusive.
  • the artificial neural network mentioned below may be a convolutional neural network (CNN) model in which artificial neural networks are stacked in multiple layers.
  • CNN convolutional neural network
  • This can be expressed as a deep neural network in the sense of a network having a deep structure.
  • the characteristics of each image are automatically learned by learning a large amount of data, and the network is trained in a way that minimizes the error of the objective function through this. Since such a CNN model is already known, a detailed description thereof will be omitted.
  • FIG. 1 is a block diagram illustrating a medical diagnosis device including a carotid ultrasound diagnosis system 200 according to an embodiment of the present invention
  • FIG. 2 is a carotid ultrasound according to another embodiment of the present invention in FIG. 1 .
  • the configuration diagram of the diagnostic system 200 is exemplified.
  • the carotid ultrasound diagnosis system 200 constitutes a part of a medical diagnosis device, for example, an ultrasound medical diagnosis device, but an ultrasound image image input or transmitted or read from a memory. It can be built on a computer system that can read and diagnose, and it can also be built on a remote diagnostic server that can be connected to multiple medical institution computer systems through a communication network for remote diagnosis to diagnose carotid artery abnormalities.
  • the carotid ultrasound image acquisition unit 100 is configured to acquire a carotid ultrasound image to be diagnosed.
  • the ultrasound image image acquisition unit 100 transmits an ultrasound signal to the examination site including the carotid artery and receives the ultrasound echo signal reflected from the examination area. and an ultrasound image image generator that processes the ultrasound echo signal provided from the ultrasound probe and converts the ultrasound image into the carotid ultrasound image.
  • the ultrasound image image acquisition unit 100 includes a peripheral ultrasound device including the ultrasound probe and the ultrasound image generation unit; It may be an interface unit capable of data interface, and may be an interface unit capable of transmitting and receiving data with a portable storage device.
  • the ultrasound image image acquisition unit 100 may be a receiver for receiving a carotid ultrasound image image from a computer system of a remote medical institution through a communication network.
  • the carotid ultrasound diagnosis system 200 includes:
  • the carotid artery extraction unit 210 for extracting the carotid artery blood vessel image using the first artificial neural network previously learned from the carotid artery ultrasound image image generated, transmitted, or read by the carotid ultrasound image image acquisition unit 100;
  • a carotid artery diagnosis unit 220 that diagnoses whether the carotid artery is normal (normal or abnormal) with respect to the carotid artery blood vessel image using the second artificial neural network learned in advance, and outputs the diagnosis result on the display unit 280 .
  • the carotid artery extraction unit 210 including the first artificial neural network sets the carotid artery blood vessel image from which noise has been removed by cropping the region set as an ROI (region of interest) by a specialist in one or more carotid ultrasound image images as learning data to set the first artificial neural network to learn
  • the carotid artery diagnosis unit 220 including the second artificial neural network learns the second artificial neural network by setting one or more carotid artery blood vessel images marked as normal or abnormal by a specialist as learning data.
  • the carotid artery diagnosis unit 220 may further include a third artificial neural network in addition to the second artificial neural network as shown in FIG. 2 .
  • the carotid artery diagnosis unit 220 diagnoses the carotid artery risk with respect to the carotid artery blood vessel image using the pre-trained third artificial neural network, and displays the diagnosed risk as the diagnosis result. (280) can also be output.
  • the 'carotid artery risk' refers to an indication of risk by grading the risk by stages, such as 'abnormal high-risk group' and 'abnormal low-risk group'.
  • the grades were graded in two steps, but this is only an example and may be subdivided into two or more steps.
  • the carotid artery diagnosis unit 220 including the second and third artificial neural networks learns the third artificial neural network by setting the lesion area set by a specialist in one or more carotid artery blood vessel images and the carotid artery risk set for the lesion area as learning data. make it
  • the carotid artery diagnosis unit 220 shown in FIG. 2 may display and output not only the carotid artery risk, but also the lesion area (eg, the location of a plaque) in the carotid artery blood vessel image as a diagnosis result.
  • the lesion area eg, the location of a plaque
  • the carotid artery diagnosis unit 220 shown in FIG. 2 may expand the carotid artery in the carotid artery image as in FIG. 9 .
  • the carotid artery ultrasound diagnosis system 200 shown in FIGS. 1 and 2 increases visibility of the carotid artery blood vessel image extracted by the carotid artery extraction unit 210 and transmits the heat map process to the carotid artery diagnosis unit 220 to improve diagnostic performance. It may further include a heat map processing unit 215 to The heat map processing unit 215 may be implemented as being included in the carotid artery diagnosis unit 220 .
  • the carotid artery ultrasound diagnosis system 200 includes a carotid artery extractor 210 for extracting a carotid artery blood vessel image using a first artificial neural network previously learned from a carotid ultrasound image image;
  • the carotid artery diagnosis unit 220 may include a carotid artery diagnosis unit 220 for diagnosing the carotid artery risk with respect to the carotid artery blood vessel image using the pre-learned second artificial neural network and outputting the diagnosed risk level as a diagnosis result.
  • the second artificial neural network corresponds to the third artificial neural network shown in FIG. 2 .
  • the carotid ultrasound diagnosis system 200 of the present invention can construct various types of carotid ultrasound diagnosis system 200 by combining the first artificial neural network, the second artificial neural network, and the third artificial neural network.
  • the heat map processing unit 215 may be further included in the system that can be built to improve visibility and diagnostic performance, and carotid artery blood vessels may be expanded in the carotid artery image before diagnosis of carotid artery abnormalities.
  • one artificial neural network can be used to diagnose carotid artery extraction and abnormality of the carotid artery, and one artificial neural network can be used to directly diagnose carotid artery abnormality without carotid artery extraction.
  • the sensitivity was generally improved when the heat map image was used compared to the grayscale image.
  • the storage unit 240 not described in FIG. 1 stores control program data necessary for the carotid ultrasound diagnosis system 200 to control the overall operation of the medical device, as well as learning data set by a specialist and related settings for each learning data or Includes a DB in which marking information is stored.
  • the display unit 280 not only displays an interface screen for the specialist to set the environment, operation mode, etc. of the carotid ultrasound diagnosis system 200, but also needs to be displayed in each operation mode (a concept including a learning mode and a diagnostic mode). It plays a role of displaying images and diagnosis results, and the input unit 260 displays data input means for inputting commands, ROI settings, etc. required for system operation by a specialist.
  • the carotid ultrasound diagnosis system 200 which may have the above-described configuration and various combinations of artificial neural networks, will be described in more detail with reference to the accompanying drawings. to explain what to do.
  • FIG. 3 is a view for explaining the learning process of the carotid artery extractor 210 in FIG. 1, and FIGS. 7 to 13 are further explanations of the operation of the carotid artery ultrasound diagnosis system 200 according to the embodiment of the present invention. A drawing is shown for this.
  • the carotid ultrasound image as shown in FIG. 7A is input to the carotid ultrasound diagnosis system 200 (step S10 ).
  • the input image is displayed on the display unit 280 .
  • the specialist sets the region corresponding to the carotid blood vessel in the displayed carotid artery ultrasound image image as the ROI (step S20) and executes the learning mode.
  • the carotid artery extractor 210 crops the area set as the ROI by the specialist in the carotid artery ultrasound image image as shown in FIG. 7B (step S30). Then, the carotid artery extractor 210 removes noise such as an afterimage through a filter on the cropped carotid artery image (step S40). As a result, when the noise-removed carotid artery blood vessel image is obtained as shown in FIG.
  • the first artificial neural network is trained by extracting carotid blood vessels from a plurality of carotid ultrasound image images in this way, only the carotid blood vessel image can be extracted from the carotid artery ultrasound image image input in the diagnosis mode later.
  • FIG. 4 is a diagram illustrating a learning process of the carotid artery diagnosis unit 220 in FIG. 1 .
  • the carotid artery blood vessel image used for learning the first artificial neural network by the carotid artery extraction unit 210 is input or transmitted to the carotid artery diagnosis unit 220 (step S110). If the carotid ultrasound diagnosis system 200 is equipped with the heat map processing unit 215, the grayscale carotid blood vessel image obtained by the carotid artery extraction unit 210 is preferentially heat map processed as shown in FIG. 8 (step S120). The heat map-processed carotid artery blood vessel image is displayed on the display unit 280 .
  • the specialist reads the heatmap-processed carotid blood vessel image and simply marks diagnostic information indicating whether it is normal or abnormal (step S130).
  • the diagnosis information is marked on the user interface screen displayed on the display unit 280 .
  • the user interface screen may include a region in which a heat map-processed carotid blood vessel image is displayed, a diagnostic information marking region, a longitudinal and transverse carotid artery setting region, a subject information display region, and the like.
  • the user interface screen is displayed and controlled by a screen display controller (not shown) constituting the carotid ultrasound diagnosis system 200, and an area constituting the screen may also be partitioned to display various information.
  • the carotid artery diagnosis unit 220 After marking diagnostic information on the heat map-processed carotid artery image, when the specialist issues a learning command, the carotid artery diagnosis unit 220 sets the carotid artery blood vessel image marked with the diagnostic information as learning data to learn the second artificial neural network (S140). step).
  • the second artificial neural network is trained with a plurality of carotid artery blood vessel images that are heat-map-processed and marked with diagnostic information, it is possible to automatically diagnose normal or abnormal for the heat-map-processed carotid blood vessel image input later in the diagnosis mode.
  • FIG. 5 is a diagram illustrating a learning process of the carotid artery diagnosis unit 220 further including a third artificial neural network.
  • step S210 when an image diagnosed as abnormal among the carotid artery blood vessel images used for learning the second artificial neural network of the carotid artery diagnosis unit 220 is input (step S210 ), this is also displayed on the user interface screen of the display unit 280 .
  • the displayed carotid blood vessel images are heatmap-processed images.
  • the specialist reads the heatmap-processed abnormal carotid blood vessel image to determine the lesion area where plaque is excessively located, the lesion area where the thrombus is excessively distributed in the blood vessel, the lesion area where the possibility of thrombus separation is high, and the lesion area where the carotid artery stenosis is visible.
  • the back is set as a box, and the risk of carotid artery for each set lesion area, for example, an abnormal high-risk group carotid artery and an abnormal low-risk group carotid artery are set together (S220).
  • the carotid artery diagnosis unit 220 sets the lesion area and the carotid artery risk set as the learning data to learn the third artificial neural network (S230). step).
  • the third artificial neural network When the third artificial neural network is trained in this way, it is possible to automatically diagnose not only the lesion area but also the carotid artery risk information for the carotid blood vessel image first diagnosed as an abnormal carotid artery in the later diagnosis mode.
  • FIG. 6 is a diagram illustrating a diagnosis process of the carotid ultrasound diagnosis system 200 according to an embodiment of the present invention.
  • the carotid artery ultrasound image image may be input through the carotid ultrasound image image acquisition unit 100 (step S310). It can be assumed that the input carotid artery ultrasound image is the same as that of FIG. 7A , which is input to the carotid artery extractor 210 .
  • the carotid artery extraction unit 210 extracts the carotid artery image as shown in (b) of FIG. 7 by using the first artificial neural network previously learned from the carotid ultrasound image image (step S320), and noise removal processing on the extracted carotid artery image By (step S330), a carotid blood vessel image as shown in (c) of FIG. 7 is generated.
  • the noise-removed carotid blood vessel image is transmitted to the carotid artery diagnosis unit 220.
  • the heat map processing unit 215 performs heat map processing (step S340), as shown in FIG.
  • the heat map-processed carotid artery blood vessel image is transmitted to the carotid artery diagnosis unit 220 .
  • the carotid artery diagnosis unit 220 diagnoses whether the carotid artery is normal with respect to the heat map-processed carotid artery image using the second artificial neural network learned in advance (step S350).
  • diagnosis result is diagnosed as normal (step S360)
  • diagnosis result is displayed on the display unit 280 as normal (step S370), and a series of diagnosis processes are terminated.
  • the carotid artery diagnosis unit 220 When the diagnosis result is abnormal, if the carotid artery diagnosis unit 220 does not include the third artificial neural network, it simply displays the diagnosis result as abnormal, whereas if the carotid artery diagnosis unit 220 includes the third artificial neural network, Before diagnosing the carotid artery image using the third artificial neural network, the carotid artery diagnosis unit 220 expands the carotid artery in the carotid artery image as shown in FIG. 9 . Such dilation of the carotid artery is one possible option.
  • the carotid artery diagnosis unit 220 which expands the carotid artery, then diagnoses the carotid artery risk with respect to the carotid artery blood vessel image using the pre-trained third artificial neural network (step S380).
  • the carotid artery risk is high-risk group carotid artery (step S390)
  • FH abnormal high-risk group
  • bounding box bounding box
  • FIG. 10 is a high-risk group carotid artery blood vessel image that is diagnostically displayed by the carotid artery ultrasound diagnosis system 200 according to an embodiment of the present invention
  • FIG. It is an image. Comparing them, it can be seen that the lesion location of the auto-diagnosed high-risk group (FH) carotid artery coincides with the lesion area marked by the specialist. This implies that the diagnosis accuracy of the carotid ultrasound diagnosis system 200 according to the embodiment of the present invention is high.
  • FH auto-diagnosed high-risk group
  • the carotid ultrasound diagnosis system 200 uses one or more artificial neural networks for the carotid ultrasound image image input or transmitted through the carotid ultrasound image acquisition unit 100 or read from the memory. It not only automatically diagnoses carotid artery abnormalities, but also displays the risk level and lesion area of the carotid artery, so it is not dependent on the reading ability of each examiner (reader), and it is possible to accurately detect even the subtle signs in the ultrasound image. It is a useful invention that can provide a possible effect.
  • the present invention can be implemented as an independent ultrasound diagnostic device as well as as a remote medical treatment server, so it has the advantage of providing a remote medical service, and prevents thrombus with high separability that cannot be identified with the naked eye of the examiner in advance. Because it can be detected and displayed, the examinee who may have floating thrombus, the examinee who has carotid artery stenosis, etc. can receive necessary measures in advance and prevent the risk of stroke in advance.
  • the carotid artery abnormality is automatically diagnosed by learning the rectangular carotid artery ultrasound image image.
  • can be automatically diagnosed and it will be possible to automatically diagnose carotid artery abnormalities by learning carotid ultrasound image images in both the longitudinal and transverse directions.
  • the artificial neural network newly learned for either normal or abnormal diagnosed image is used. It is also possible to finally diagnose whether it is normal or abnormal.
  • the present invention may augment learning data in a manner of cropping each variable bounding box while randomly varying the size of the bounding box centered on the lesion area marked by a specialist in multiple steps to enhance the learning data. have.
  • the present invention can be achieved through a combination of software and hardware or can be achieved only with hardware.
  • the objects of the technical solution of the present invention or parts contributing to the prior art may be implemented in the form of program instructions that can be executed through various computer components and recorded in a machine-readable recording medium.
  • the machine-readable recording medium may include program instructions, data files, data structures, etc. alone or in combination.
  • the program instructions recorded on the machine-readable recording medium may be specially designed and configured for the present invention, or may be known and available to those skilled in the art of computer software.
  • Examples of program instructions include not only machine language codes such as those generated by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like.
  • the hardware device may be configured to operate as one or more software modules to perform processing according to the present invention, and vice versa.
  • the hardware device may include a processor, such as a CPU or GPU, coupled with a memory (storage unit) such as ROM/RAM for storing program instructions as shown in FIG. 1 and configured to execute instructions stored in the memory, It may include a communication unit capable of sending and receiving a signal to and from an external device.
  • the hardware device may include a keyboard, a mouse, and other external input devices for receiving commands written by developers.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Vascular Medicine (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

본 발명은 경동맥 진단 시스템에 관한 것으로, 특히 하나 이상의 인공 신경망을 이용하여 경동맥의 이상징후를 진단하는 시스템에 관한 것으로, 경동맥 초음파 영상 이미지에서 사전 학습된 제1인공 신경망을 이용해 경동맥 혈관 이미지를 추출하는 경동맥 추출부와; 사전 학습된 제2인공 신경망을 이용해 상기 경동맥 혈관 이미지에 대해 경동맥 정상여부를 진단하여 그 진단결과를 출력하는 경동맥 진단부;를 포함함을 특징으로 한다.

Description

경동맥 초음파 진단 시스템
본 발명은 경동맥 진단 시스템에 관한 것으로, 특히 하나 이상의 인공 신경망을 이용하여 경동맥의 이상징후를 진단하는 시스템에 관한 것이다.
경동맥(Carotid artery) 또는 목동맥은 목을 지나서 안면과 두개골 안으로 들어가는 동맥으로써 크게 외경동맥과 내경동맥으로 나눠지며, 외경동맥은 주로 두개골 밖에 있는 피부나 근육에 혈액을 공급하고 내경동맥은 두개골 내의 뇌나 신경조직에 혈액을 공급한다.
외경동맥은 좁아지거나 막히더라도 다른 혈관을 통해서 비교적 풍부하게 혈액이 공급되므로 특별히 문제가 발생하지 않는다. 하지만 내경동맥은 좁아지거나 막히면 뇌에 혈액공급이 감소할 수 있으며, 내경동맥 벽에 침착되어 있는(쌓여서 들러붙어 있는) 지방 조직들이 떨어져 나와 뇌혈관의 말단 부위로 흘러가 혈관을 막을 수도 있다. 이처럼 내경동맥을 포함한 경동맥이 좁아지는 경우를 경동맥 협착증이라고 지칭하며, 이는 혈류를 감소시키거나 혈관을 막게 되어 허혈성 뇌졸중의 원인이 된다. 따라서 경동맥 협착증이 있는 경우 뇌졸중의 예방과 치료를 위해 치료 대상이 된다.
경동맥 협착증을 진단 및 검사하는 비침습적인 방법에는 경동맥 초음파, 뇌 컴퓨터단층촬영(CT), 그리고 뇌 자기공명영상(MRI)이 있고, 침습적인 방법에는 뇌혈관 조영술이 있다.
이러한 진단 및 검사 방법 중 경동맥 초음파는 뇌혈관 질환의 조기 진단을 위해 활용되는데, 경동맥 내 플라크 유무, 혈액의 흐름, 혈관 두께 등을 관찰하는 간단한 검사로서, 검사시간이 짧고 비용이 저렴하다는 장점이 있다. 하지만 검사자가 충분한 기술과 지식을 습득해야 수행이 가능하다는 단점이 있으며, 동일한 초음파 영상에 대해서도 검사자별로 판독 능력에 차이를 보일 수 있으며, 초음파 영상에서 미세하게 표시되는 징후에 대해서는 숙련된 검사자라 하더라도 판독 능력이 떨어져 오진 확률이 높다는 단점이 있다.
이에 정기 건강검진 단계에서 누구나 편리하게 사용할 수 있고, 검사자별 판독 능력에 좌우되지 않으면서도, 초음파 영상에서 미세하게 나타나는 징후까지 정확하게 검출하여 경동맥의 이상징후를 예측 진단할 수 있는 새로운 방식의 경동맥 진단 시스템이 필요하다.
[선행기술문헌]
[특허문헌]
(특허문헌 1) 대한민국 등록특허공보 제10-2009840호
이에 본 발명은 상술한 필요성에 따라 창안된 발명으로서, 본 발명의 주요 목적은 검사자에 상관 없이 균일하고도 정확하게 경동맥의 이상징후를 자동 진단할 수 있는 인공 신경망을 활용한 경동맥 초음파 진단 시스템을 제공함에 있으며,
더 나아가 본 발명의 또 다른 목적은 부유(浮遊) 혈전으로 발전할 가능성이 있는 혈관 플라크를 검색해 뇌졸증의 발생 가능성을 사전 통보해 줄 수 있는 인공 신경망을 활용한 경동맥 초음파 진단 시스템을 제공함에 있다.
또한 본 발명의 다른 목적은 경동맥의 비정상 여부를 자동 진단하되, 비정상적인 경동맥에 대해서 그 경동맥의 위험도를 다단계로 차별화하여 표시할 수 있는 인공 신경망을 활용한 경동맥 초음파 진단 시스템을 제공함에 있으며,
더 나아가 본 발명은 하나 이상의 인공 신경망을 활용하여 경동맥의 이상여부를 정확하게 자동 진단하거나, 원격지에서 전송되어 온 경동맥 초음파 영상 이미지에 대하여 경동맥 이상여부를 정확하게 자동 진단하여 통보해 줄 수 있는 인공 신경망을 활용한 경동맥 초음파 진단 시스템을 제공함에 있다.
전술한 목적을 달성하기 위한 본 발명의 실시예에 따른 경동맥 초음파 진단 시스템은,
경동맥 초음파 영상 이미지에서 사전 학습된 제1인공 신경망을 이용해 경동맥 혈관 이미지를 추출하는 경동맥 추출부와;
사전 학습된 제2인공 신경망을 이용해 상기 경동맥 혈관 이미지에 대해 경동맥 정상여부를 진단하여 그 진단결과를 출력하는 경동맥 진단부;를 포함함을 특징으로 하며,
상술한 구성의 경동맥 초음파 진단 시스템에 있어서 상기 경동맥 진단부는 또 다른 변형 가능한 실시예로서, 상기 진단결과가 비정상일 경우 사전 학습된 제3인공 신경망을 이용해 상기 경동맥 혈관 이미지에 대해 경동맥 위험도를 진단하고 진단된 위험도를 상기 진단결과로서 출력함을 또 다른 특징으로 한다.
한편 상술한 각 구성의 경동맥 초음파 진단 시스템에 있어서, 상기 경동맥 진단부는 상기 경동맥 혈관 이미지 내에 병변 영역을 표시하여 상기 진단결과로 함께 출력함을 또 다른 특징으로 하며,
상기 경동맥 진단부는 상기 제3인공 신경망을 이용해 상기 경동맥 혈관 이미지를 진단하기 전에 상기 경동맥 혈관 이미지 내에서 경동맥 혈관을 확장 처리하여 진단함을 또 다른 특징으로 한다.
진단 성능을 높이기 위해 상술한 각 구성의 경동맥 초음파 진단 시스템은 상기 추출된 경동맥 혈관 이미지를 히트맵 처리하여 상기 경동맥 진단부로 전달하는 히트맵(heat-map) 처리부를 더 포함할 수도 있다.
본 발명의 또 다른 변형 가능한 실시예로서의 경동맥 초음파 진단 시스템은,
경동맥 초음파 영상 이미지에서 사전 학습된 제1인공 신경망을 이용해 경동맥 혈관 이미지를 추출하는 경동맥 추출부와;
사전 학습된 제2인공 신경망을 이용해 상기 경동맥 혈관 이미지에 대해 경동맥 위험도를 진단하고 진단된 위험도를 진단결과로서 출력하는 경동맥 진단부를 포함할 수 있다.
이러한 경동맥 초음파 진단 시스템은 상기 추출된 경동맥 혈관 이미지를 히트맵 처리하여 상기 경동맥 진단부로 전달하기 위한 히트맵 처리부를 더 포함함을 또 다른 특징으로 한다.
경우에 따라 상술한 각 구성의 경동맥 초음파 진단 시스템은,
경동맥을 포함하는 검진부위에 초음파 신호를 송신하고 상기 검진부위로부터 반사되는 초음파 에코신호를 수신하는 초음파 프로브와;
상기 초음파 프로브로부터 제공되는 초음파 에코신호를 신호처리하여 상기 경동맥 초음파 영상 이미지로 변환하는 초음파 영상 이미지 생성부;를 더 포함하여 하나의 의료 진단기기를 구성할 수도 있으며,
상기 경동맥 추출부와 상기 경동맥 진단부는 통신망을 통해 경동맥 초음파 영상 이미지를 전송받을 수 있는 원격 진단 서버에 구축되어 원격 진단 서비스를 제공할 수도 있다.
상술한 기술적 과제 해결 수단에 따르면, 본 발명의 실시예에 따른 경동맥 초음파 진단 시스템은 경동맥 초음파 영상 이미지에 대해 하나 이상의 인공 신경망을 통해 경동맥의 이상여부를 자동 진단해 줌은 물론, 경동맥의 위험도와 병변 영역까지 함께 표시해 주기 때문에, 검사자(판독자)별 판독 능력에 좌우되지 않음은 물론 초음파 영상에서 미세하게 표시되는 징후까지 정확하게 검출할 수 있는 효과를 제공한다.
더 나아가 본 발명은 독립된 초음파 진단기기로 구현할 수 있음은 물론, 원격 진료 서버로 구현할 수 있기 때문에 원격 진료 서비스를 제공할 수 있는 이점이 있으며, 검사자의 육안으로 식별 불가능한 분리 가능성이 높은 혈전을 사전에 검출하여 표시해 줄 수 있기 때문에, 혈전의 부유 가능성이 있는 검진자, 경동맥 협착증이 있는 검진자 등은 필요한 조치를 사전에 받을 수 있어 뇌졸증 위험을 사전에 예방할 수 있다.
도 1은 본 발명의 일 실시예에 따른 경동맥 초음파 진단 시스템을 포함하는 의료진단 기기의 블럭 구성 예시도.
도 2는 도 1 중 본 발명의 또 다른 실시예에 따른 경동맥 초음파 진단 시스템의 구성 예시도.
도 3은 도 1 중 경동맥 추출부의 학습과정을 설명하기 위한 도면.
도 4는 도 1 중 경동맥 진단부의 학습과정을 설명하기 위한 도면.
도 5는 도 2 중 경동맥 진단부의 학습과정을 설명하기 위한 도면.
도 6은 본 발명의 실시예에 따른 경동맥 초음파 진단 시스템의 진단과정을 설명하기 위한 도면.
도 7 내지 도 13은 본 발명의 실시예에 따른 경동맥 초음파 진단 시스템(200)의 동작을 부연 설명하기 위한 도면.
후술하는 본 발명에 대한 상세한 설명은, 본 발명의 목적들, 기술적 해법들 및 장점들을 분명하게 하기 위하여 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 통상의 기술자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다.
그리고 본 발명의 상세한 설명 및 청구항들에 걸쳐 '학습'은 절차에 따라 딥 러닝을 수행함을 일컫는 용어인바, 인간의 교육 활동과 같은 정신적 작용을 지칭하도록 의도된 것이 아님을 통상의 기술자는 이해할 수 있을 것이다. 또한 본 발명의 상세한 설명 및 청구항들에 걸쳐, '포함하다'라는 단어 및 그 변형은 다른 기술적 특징들, 부가물들, 구성요소들 또는 단계들을 제외하는 것으로 의도된 것이 아니다. 통상의 기술자에게 본 발명의 다른 목적들, 장점들 및 특성들이 일부는 본 설명서로부터, 그리고 일부는 본 발명의 실시로부터 드러날 것이다. 아래의 예시 및 도면은 실례로서 제공되며, 본 발명을 한정하는 것으로 의도된 것이 아니다. 더욱이 본 발명은 본 명세서에 표시된 실시예들의 모든 가능한 조합들을 망라한다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 구조 및 특성은 일 실시예에 관련하여 본 발명의 사상 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 사상 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.
본 명세서에서 달리 표시되거나 분명히 문맥에 모순되지 않는 한, 단수로 지칭된 항목은, 그 문맥에서 달리 요구되지 않는 한, 복수의 것을 아우른다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
참고적으로 하기에서 언급되는 인공 신경망은 인공 신경망을 다층으로 쌓은 CNN(convolutional neural network; 합성 신경망) 모델일 수 있다. 이는 깊은 구조의 네트워크라는 의미로 딥 뉴럴 네트워크(deep neural network)라 표현할 수 있다. 이러한 딥 뉴럴 네트워크에서는 다량의 데이터를 학습시킴으로써 각각의 이미지의 특징을 자동으로 학습하고, 이를 통하여 목적 함수의 에러(error)를 최소화시키는 방법으로 네트워크를 학습시켜 나아가는 형태이다. 이러한 CNN 모델은 이미 공지된 것이므로 이에 대한 상세 설명은 생략하기로 한다.
도 1은 본 발명의 일 실시예에 따른 경동맥 초음파 진단 시스템(200)을 포함하는 의료진단 기기의 블럭 구성도를 예시한 것이며, 도 2는 도 1 중 본 발명의 또 다른 실시예에 따른 경동맥 초음파 진단 시스템(200)의 구성도를 예시한 것이다.
도 1에서는 본 발명의 실시예에 따른 경동맥 초음파 진단 시스템(200)이 의료진단 기기, 예를 들면 초음파 의료진단 기기의 일부를 구성하는 것으로 도시하였으나, 입력 혹은 전송받은 혹은 메모리에서 독출된 초음파 영상 이미지를 판독하여 진단할 수 있는 컴퓨터 시스템에도 구축될 수 있으며, 원격 진단을 위해 통신망을 통해 다수의 의료기관 컴퓨터 시스템과 연결될 수 있는 원격 진단 서버에도 구축되어 경동맥의 이상여부를 진단할 수 있다.
도 1을 참조하면, 경동맥 초음파 영상 이미지 획득부(100)는 진단하고자 하는 경동맥 초음파 영상 이미지를 획득하기 위한 구성이다. 경동맥 초음파 진단 시스템(200)이 의료진단 기기의 일부일 경우 상기 초음파 영상 이미지 획득부(100)는 경동맥을 포함하는 검진부위에 초음파 신호를 송신하고 그 검진부위로부터 반사되는 초음파 에코신호를 수신하는 초음파 프로브와, 상기 초음파 프로브로부터 제공되는 초음파 에코신호를 신호처리하여 상기 경동맥 초음파 영상 이미지로 변환하는 초음파 영상 이미지 생성부로 구현될 수 있다.
경동맥 초음파 진단 시스템(200)이 전문의 등이 사용하는 진단용 컴퓨터 시스템 혹은 의료기관의 컴퓨터 시스템이라면, 상기 초음파 영상 이미지 획득부(100)는 상기 초음파 프로브와 상기 초음파 영상 이미지 생성부를 포함하는 주변 초음파 기기와 데이터 인터페이스할 수 있는 인터페이스부일 수 있고, 이동형 저장장치와 데이터 송수신할 수 있는 인터페이스부일 수 있다.
만약 경동맥 초음파 진단 시스템(200)을 원격 진단 서버에 구축한 경우라면 상기 초음파 영상 이미지 획득부(100)는 통신망을 통해 원격지의 의료기관 컴퓨터 시스템으로부터 경동맥 초음파 영상 이미지를 수신하기 위한 수신부일 수 있다.
다시 도 1을 참조하면, 경동맥 초음파 진단 시스템(200)은,
경동맥 초음파 영상 이미지 획득부(100)에서 생성 혹은 전송 혹은 독출된 경동맥 초음파 영상 이미지에서 사전 학습된 제1인공 신경망을 이용해 경동맥 혈관 이미지를 추출하는 경동맥 추출부(210)와,
사전 학습된 제2인공 신경망을 이용해 상기 경동맥 혈관 이미지에 대해 경동맥 정상여부(정상 및 비정상)를 진단하여 그 진단결과를 표시부(280)에 출력하는 경동맥 진단부(220)를 포함한다.
제1인공 신경망을 포함하는 경동맥 추출부(210)는 하나 이상의 경동맥 초음파 영상 이미지에서 전문의에 의해 ROI(관심 영역)로 설정된 영역을 크롭핑하여 노이즈 제거한 경동맥 혈관 이미지를 학습 데이터로 설정해 제1인공 신경망을 학습시킨다.
제2인공 신경망을 포함하는 경동맥 진단부(220)는 전문의에 의해 정상 혹은 비정상 마킹된 하나 이상의 경동맥 혈관 이미지를 학습 데이터로 설정해 상기 제2인공 신경망을 학습시킨다.
변형 가능한 실시예로서, 상기 경동맥 진단부(220)는 도 2에 도시한 바와 같이 상기 제2인공 신경망 외에 제3인공 신경망을 더 포함할 수 있다. 이러한 경우 경동맥 진단부(220)는 제2인공 신경망에 의해 진단한 결과가 비정상일 경우 사전 학습된 제3인공 신경망을 이용해 상기 경동맥 혈관 이미지에 대해 경동맥 위험도를 진단하고 진단된 위험도를 진단결과로서 표시부(280)에 출력할 수도 있다.
상기 '경동맥 위험도'란 '비정상 고위험군', '비정상 저위험군'과 같이 위험도를 단계별로 등급화하여 위험도를 표시한 것을 말한다. 하기 설명에서는 두 단계로 등급화하였지만 이는 하나의 예시일 뿐 2단계 이상으로 세분화할 수 있을 것이다.
제2 및 제3인공 신경망을 포함하는 경동맥 진단부(220)는 하나 이상의 경동맥 혈관 이미지에서 전문의에 의해 설정된 병변 영역 및 그 병변 영역에 대해 설정된 경동맥 위험도를 학습 데이터로 설정해 상기 제3인공 신경망을 학습시킨다.
도 2에 도시한 경동맥 진단부(220)는 경동맥 위험도 뿐만 아니라 상기 경동맥 혈관 이미지 내에 병변 영역(예를 들면 플라크의 위치)을 진단결과로서 함께 표시 출력해 줄 수도 있다.
더 나아가 도 2에 도시한 경동맥 진단부(220)는 상기 제3인공 신경망을 이용해 상기 경동맥 혈관 이미지를 진단하기 전에 경동맥 혈관 이미지 내에서 경동맥 혈관을 도 9에서와 같이 확장 처리할 수도 있다.
한편 도 1 및 도 2에 도시한 경동맥 초음파 진단 시스템(200)은 경동맥 추출부(210)에서 추출된 경동맥 혈관 이미지를 가시성을 높이는 한편 진단 성능을 높이기 위해 히트맵 처리해 경동맥 진단부(220)로 전달하는 히트맵 처리부(215)를 더 포함할 수도 있다. 히트맵 처리부(215)는 경동맥 진단부(220)내에 포함되는 것으로 구현할 수도 있다.
도시하지 않았지만 또 다른 변형 가능한 실시예로서 경동맥 초음파 진단 시스템(200)은 경동맥 초음파 영상 이미지에서 사전 학습된 제1인공 신경망을 이용해 경동맥 혈관 이미지를 추출하는 경동맥 추출부(210)와,
사전 학습된 제2인공 신경망을 이용해 상기 경동맥 혈관 이미지에 대해 경동맥 위험도를 진단하고 진단된 위험도를 진단결과로서 출력하는 경동맥 진단부(220)를 포함할 수도 있다. 이러한 실시예에서 제2인공 신경망은 도 2에 도시한 제3인공 신경망에 해당한다.
즉, 본 발명의 경동맥 초음파 진단 시스템(200)은 제1인공 신경망, 제2인공 신경망, 제3인공 신경망들을 상호 조합하여 다양한 형태의 경동맥 초음파 진단 시스템(200)을 구축할 수 있으며, 이와 같이 다양하게 구축 가능한 시스템에 히트맵 처리부(215)를 더 포함시켜 가시성 및 진단 성능을 높일 수 있으며, 경동맥 이상여부의 진단 전에 경동맥 혈관 이미지 내에서 경동맥 혈관을 확장 처리할 수도 있다. 물론 하나의 인공 신경망을 이용해 경동맥 추출과 경동맥의 이상여부를 진단할 수도 있으며, 하나의 인공 신경망을 이용해 경동맥 추출 없이 바로 경동맥의 이상여부를 진단할 수도 있다. 참고적으로 실험치에 따르면 그레이스케일 이미지에 비해 히트맵 이미지를 이용했을 경우 민감도가 전반적으로 향상된 것으로 나타났다.
도 1에서 미설명한 저장부(240)는 경동맥 초음파 진단 시스템(200)이 의료기기의 전반적인 동작을 제어하기 위해 필요한 제어 프로그램 데이터가 저장됨은 물론, 전문의에 의해 설정된 학습 데이터와 각 학습 데이터 관련 설정 혹은 마킹 정보들이 저장되는 DB를 포함한다.
표시부(280)는 전문의가 경동맥 초음파 진단 시스템(200)의 환경, 동작 모드 등을 설정하기 위한 인터페이스 화면이 표시됨은 물론, 각 동작모드(학습모드, 진단모드를 포함하는 개념임)에서 표시되어야 할 이미지들 및 진단결과를 표시해 주는 역할을 수행하며, 입력부(260)는 전문의 등이 시스템 동작을 위해 필요한 명령, ROI 설정 등을 입력하기 위한 데이터 입력수단을 표시한 것이다.
이하 상술한 구성과 다양한 인공 신경망 조합을 가질 수 있는 경동맥 초음파 진단 시스템(200)의 동작을 첨부 도면을 참조하여 보다 상세히 설명하되, 하기에서는 장방향 경동맥 초음파 영상 이미지를 분석하여 경동맥의 이상여부를 진단하는 것에 대해 설명하기로 한다.
도 3은 도 1 중 경동맥 추출부(210)의 학습과정을 설명하기 위한 도면을 도시한 것이며, 도 7 내지 도 13은 본 발명의 실시예에 따른 경동맥 초음파 진단 시스템(200)의 동작을 부연 설명하기 위한 도면을 도시한 것이다.
도 3을 참조하면, 우선 도 7의 (a)에 도시한 바와 같은 경동맥 초음파 영상 이미지가 경동맥 초음파 진단 시스템(200)으로 입력(S10단계)된다. 입력된 이미지는 표시부(280)에 표시된다. 전문의는 표시된 경동맥 초음파 영상 이미지에서 경동맥 혈관에 해당하는 영역을 ROI로 설정(S20단계)해 학습모드를 실행시킨다.
학습모드에서 경동맥 추출부(210)는 경동맥 초음파 영상 이미지에서 전문의에 의해 ROI로 설정된 영역을 도 7의 (b)와 같이 크롭핑(S30단계)한다. 이어 경동맥 추출부(210)는 크롭핑된 경동맥 혈관 이미지에 대해 필터를 통해 잔상과 같은 노이즈를 제거(S40단계)한다. 이로써 도 7의 (c)와 같이 노이즈 제거된 경동맥 혈관 이미지가 얻어지면 이를 학습 데이터로 설정해 제1인공 신경망을 학습시킨다(S50단계).
이와 같은 방식으로 다수의 경동맥 초음파 영상 이미지에서 경동맥 혈관을 추출해 제1인공 신경망을 학습시키면, 추후 진단모드에서 입력되는 경동맥 초음파 영상 이미지에서 경동맥 혈관 이미지만을 추출할 수 있다.
도 4는 도 1 중 경동맥 진단부(220)의 학습과정을 설명하기 위한 도면을 도시한 것이다.
우선 경동맥 추출부(210)의 제1인공 신경망 학습에 이용된 경동맥 혈관 이미지는 경동맥 진단부(220)로 입력 혹은 전달(S110단계)된다. 만약 히트맵 처리부(215)가 구비된 경동맥 초음파 진단 시스템(200)이라면 경동맥 추출부(210)에서 얻어진 그레이스케일의 경동맥 혈관 이미지를 도 8에서와 같이 우선적으로 히트맵 처리(S120단계)한다. 히트맵 처리된 경동맥 혈관 이미지는 표시부(280)에 표시된다.
이에 전문의는 히트맵 처리된 경동맥 혈관 이미지를 판독해 단순히 정상, 비정상 여부를 나타내는 진단정보를 마킹(S130단계)한다. 진단정보의 마킹은 표시부(280)에 표시되는 유저 인터페이스 화면에 마킹한다. 이러한 유저 인터페이스 화면은 히트맵 처리된 경동맥 혈관 이미지가 표시되는 영역, 진단정보 마킹 영역, 장방향 및 횡방향 경동맥 혈관 설정영역, 피검사자 정보 표시 영역 등을 포함할 수 있다. 이러한 유저 인터페이스 화면은 경동맥 초음파 진단 시스템(200)을 구성하는 화면표시 제어부(도시하지 않았음)에 의해 표시 제어되며, 화면을 구성하는 영역 또한 다양한 정보를 표시할 수 있도록 구획될 수 있다.
히트맵 처리된 경동맥 혈관 이미지에 대해 진단정보를 마킹한 후 전문의가 학습명령을 내리면 경동맥 진단부(220)는 진단정보가 마킹된 경동맥 혈관 이미지를 학습 데이터로 설정해 제2인공 신경망을 학습시킨다(S140단계).
이와 같은 방식으로 히트맵 처리되어 진단정보가 마킹된 다수의 경동맥 혈관 이미지로 제2인공 신경망을 학습시키면, 추후 진단모드에서 입력되는 히트맵 처리된 경동맥 혈관 이미지에 대해 정상 혹은 비정상 여부를 자동 진단할 수 있다.
도 5는 제3인공 신경망을 더 포함하는 경동맥 진단부(220)의 학습과정을 설명하기 위한 도면을 도시한 것이다.
우선 경동맥 진단부(220)의 제2인공 신경망 학습에 이용된 경동맥 혈관 이미지중 비정상으로 진단된 이미지가 입력(S210단계)되면 이 역시 표시부(280)의 유저 인터페이스 화면에 표시된다. 표시된 경동맥 혈관 이미지는 히트맵 처리된 이미지이다.
전문의는 히트맵 처리된 비정상 경동맥 혈관 이미지를 판독해 플라크가 과도하게 위치하는 병변 영역, 혈전이 과도하게 혈관 내에 분포해 있는 병변 영역, 혈전의 분리 가능성이 높아 보이는 병변 영역, 경동맥 협착증이 보이는 병변 영역 등을 박스로 설정하고 설정된 각 병변 영역에 대한 경동맥 위험도, 예를 들면 비정상 고위험군 경동맥, 비정상 저위험군 경동맥을 함께 설정(S220)해 준다.
이어 전문의가 병변 영역과 경동맥 위험도가 설정된 경동맥 혈관 이미지에 대해 학습명령을 내리면 경동맥 진단부(220)는 병변 영역 및 경동맥 위험도가 설정된 경동맥 혈관 이미지를 학습 데이터로 설정해 제3인공 신경망을 학습시킨다(S230단계).
이와 같은 방식으로 제3인공 신경망을 학습시키면, 추후 진단모드에서 비정상 경동맥으로 1차 진단된 경동맥 혈관 이미지에 대해 병변 영역은 물론 경동맥 위험도 정보까지 자동 진단할 수 있다.
이하 상술한 바와 같은 학습과정을 통해 학습 데이터를 학습한 인공 신경망들을 이용해 경동맥의 이상여부를 자동 진단하는 과정을 부연 설명하기로 한다.
도 6은 본 발명의 실시예에 따른 경동맥 초음파 진단 시스템(200)의 진단과정을 설명하기 위한 도면을 도시한 것이다.
진단모드에서 우선 경동맥 초음파 영상 이미지는 경동맥 초음파 영상 이미지 획득부(100)를 통해 입력(S310단계) 가능하다. 입력된 경동맥 초음파 영상 이미지는 도 7의 (a)와 같다고 가정할 수 있으며 이는 경동맥 추출부(210)로 입력된다.
경동맥 추출부(210)는 경동맥 초음파 영상 이미지에서 사전 학습된 제1인공 신경망을 이용해 도 7의 (b)와 같은 경동맥 혈관 이미지를 추출(S320단계)하고, 추출된 경동맥 혈관 이미지에 대해 노이즈 제거 처리(S330단계)함으로써 도 7의 (c)와 같은 경동맥 혈관 이미지가 생성된다.
이어 노이즈 제거된 경동맥 혈관 이미지는 경동맥 진단부(220)로 전달되는데 히트맵 처리부(215)가 구비된 시스템이라면 그 히트맵 처리부(215)에 의해 히트맵 처리(S340단계)됨으로써, 도 8과 같이 히트맵 처리된 경동맥 혈관 이미지가 경동맥 진단부(220)로 전달된다.
경동맥 진단부(220)는 사전 학습된 제2인공 신경망을 이용해 상기 히트맵 처리된 경동맥 혈관 이미지에 대해 경동맥 정상여부를 진단(S350단계)한다. 진단결과 정상으로 진단(S360단계)되면 표시부(280)에 그 진단결과를 정상으로 표시(S370단계)하고 일련의 진단과정을 종료한다.
진단결과가 비정상일 경우 경동맥 진단부(220)가 제3인공 신경망을 포함하고 있지 않은 경우라면 단순히 진단결과를 비정상으로 표시하는데 반해, 경동맥 진단부(220)가 제3인공 신경망을 포함하고 있다면, 경동맥 진단부(220)는 제3인공 신경망을 이용해 경동맥 혈관 이미지를 진단하기 전에 도 9와 같이 상기 경동맥 혈관 이미지 내에서 경동맥 혈관을 확장 처리한다. 이와 같은 경동맥 혈관의 확장은 선택 가능한 하나의 옵션이다.
경동맥 혈관을 확장 처리한 경동맥 진단부(220)는 이후 사전 학습된 제3인공 신경망을 이용해 상기 경동맥 혈관 이미지에 대해 경동맥 위험도를 진단(S380단계)한다. 진단결과 경동맥 위험도가 고위험군 경동맥이라면(S390단계) S410단계로 진행하여 도 10과 같이 비정상 고위험군(FH) 경동맥과 병변 영역(바운딩 박스)을 표시한다. 만약 저위험군 경동맥이라면 S400단계로 진행하여 도 11과 같이 비정상 저위험군(FL) 경동맥과 병변 영역(바운딩 박스)을 표시한 후 일련의 진단과정을 종료한다.
참고적으로 도 10은 본 발명의 실시예에 따른 경동맥 초음파 진단 시스템(200)에 의해 진단 표시되는 고위험군 경동맥 혈관 이미지이며, 도 12는 전문의가 병변 영역(보다 구체적으로는 플라크의 위치)을 마킹한 이미지이다. 이들을 비교해 보면 자동 진단된 고위험군(FH) 경동맥의 병변 위치와 전문의가 마킹한 병변 영역이 일치한다는 것을 알 수 있다. 이것은 곧 본 발명의 실시예에 따른 경동맥 초음파 진단 시스템(200)의 진단 정확도가 높다는 것을 암시한다.
이상에서 설명한 바와 같이 본 발명의 실시예에 따른 경동맥 초음파 진단 시스템(200)은 경동맥 초음파 영상 이미지 획득부(100)를 통해 입력 혹은 전송 혹은 메모리에서 독출된 경동맥 초음파 영상 이미지에 대해 하나 이상의 인공 신경망을 통해 경동맥의 이상여부를 자동 진단해 줌은 물론, 경동맥의 위험도와 병변 영역까지 함께 표시해 주기 때문에, 검사자(판독자)별 판독 능력에 좌우되지 않음은 물론 초음파 영상에서 미세하게 표시되는 징후까지 정확하게 검출할 수 있는 효과를 제공할 수 있는 유용한 발명이다.
더 나아가 본 발명은 독립된 초음파 진단기기로 구현할 수 있음은 물론, 원격 진료 서버로 구현할 수 있기 때문에 원격 진료 서비스를 제공할 수 있는 이점이 있으며, 검사자의 육안으로 식별 불가능한 분리 가능성이 높은 혈전을 사전에 검출하여 표시해 줄 수 있기 때문에, 혈전의 부유 가능성이 있는 검진자, 경동맥 협착증이 있는 검진자등은 필요한 조치를 사전에 받아 뇌졸중 위험을 사전에 예방할 수 있다.
상술한 본 발명의 실시예에서는 장방형의 경동맥 초음파 영상 이미지를 학습하여 경동맥의 이상여부를 자동 진단하는 것으로 설명하였으나, 도 13에 도시한 바와 같은 횡방향의 경동맥 초음파 영상 이미지를 학습하여 경동맥의 이상여부를 자동 진단할 수도 있으며, 장방향과 횡방향 모두의 경동맥 초음파 영상 이미지를 학습해 경동맥의 이상여부를 자동 진단할 수도 있을 것이다. 경우에 따라서는 장방향과 횡방향 모두의 경동맥 초음파 영상 이미지에 대해 경동맥의 이상여부를 자동 진단한 결과 자동 진단 결과가 불일치하면, 정상 혹은 비정상 진단된 어느 하나의 이미지에 대해 새롭게 학습된 인공 신경망을 통해 정상 혹은 비정상 여부를 최종 진단할 수도 있다.
더 나아가 본 발명은 학습 데이터를 증강시키기 위해서 전문의에 의해 마킹된 병변 영역을 중심으로 하는 바운딩 박스의 크기를 다단계로 랜덤하게 가변시키면서 각각 가변된 바운딩 박스를 크롭핑하는 방식으로 학습 데이터를 증강시킬 수도 있다.
이와 같이 고정된 크기로 크롭핑하지 않고 다양한 크기로 크롭핑을 수행하게 되면 다양한 크기와 비율을 가진 병변들을 수용할 수 있기 때문에 그 만큼 양질의 학습 데이터를 확보할 수 있음은 물론, 결과적으로 인공 신경망의 성능을 향상시킬 수 있는 효과를 얻을 수 있다.
위 실시예의 설명에 기초하여 해당 기술분야의 통상의 기술자는, 본 발명이 소프트웨어 및 하드웨어의 결합을 통하여 달성되거나 하드웨어만으로 달성될 수 있다는 점을 명확하게 이해할 수 있다. 본 발명의 기술적 해법의 대상물 또는 선행 기술들에 기여하는 부분들은 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 기계 판독 가능한 기록 매체에 기록될 수 있다. 상기 기계 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 기계 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야의 통상의 기술자에게 공지되어 사용 가능한 것일 수도 있다.
프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다. 상기 하드웨어 장치는 도 1과 같이 프로그램 명령어를 저장하기 위한 ROM/RAM 등과 같은 메모리(저장부)와 결합되고, 상기 메모리에 저장된 명령어들을 실행하도록 구성되는 CPU나 GPU와 같은 프로세서를 포함할 수 있으며, 외부 장치와 신호를 주고 받을 수 있는 통신부를 포함할 수 있다. 덧붙여, 상기 하드웨어 장치는 개발자들에 의하여 작성된 명령어들을 전달받기 위한 키보드, 마우스, 기타 외부 입력장치를 포함할 수 있다.
이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명이 상기 실시예들에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 사람이라면 이러한 기재로부터 다양한 수정 및 변형을 꾀할 수 있다. 따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등하게 또는 등가적으로 변형된 모든 것들은 본 발명의 사상의 범주에 속한다고 할 것이다.

Claims (16)

  1. 경동맥 초음파 영상 이미지에서 사전 학습된 제1인공 신경망을 이용해 경동맥 혈관 이미지를 추출하는 경동맥 추출부와;
    사전 학습된 제2인공 신경망을 이용해 상기 경동맥 혈관 이미지에 대해 경동맥 정상여부를 진단하여 그 진단결과를 출력하는 경동맥 진단부;를 포함함을 특징으로 하는 경동맥 초음파 진단 시스템.
  2. 청구항 1에 있어서, 상기 경동맥 진단부는,
    상기 진단결과가 비정상일 경우 사전 학습된 제3인공 신경망을 이용해 상기 경동맥 혈관 이미지에 대해 경동맥 위험도를 진단하고 진단된 위험도를 상기 진단결과로서 출력함을 특징으로 하는 경동맥 초음파 진단 시스템.
  3. 청구항 2에 있어서, 상기 경동맥 진단부는,
    상기 경동맥 혈관 이미지 내에 병변 영역을 표시하여 상기 진단결과로 함께 출력함을 특징으로 하는 경동맥 초음파 진단 시스템.
  4. 청구항 2에 있어서, 상기 경동맥 진단부는,
    상기 제3인공 신경망을 이용해 상기 경동맥 혈관 이미지를 진단하기 전에 상기 경동맥 혈관 이미지 내에서 경동맥 혈관을 확장 처리함을 특징으로 하는 경동맥 초음파 진단 시스템.
  5. 청구항 1 내지 청구항 4 중 어느 한 항에 있어서, 상기 추출된 경동맥 혈관 이미지를 히트맵 처리하여 상기 경동맥 진단부로 전달하기 위한 히트맵 처리부;를 더 포함함을 특징으로 하는 경동맥 초음파 진단 시스템.
  6. 청구항 5에 있어서, 상기 경동맥 추출부는,
    하나 이상의 경동맥 초음파 영상 이미지에서 전문의에 의해 ROI로 설정된 영역을 크롭핑하여 노이즈 제거한 경동맥 혈관 이미지를 학습 데이터로 설정해 상기 제1인공 신경망을 학습시킴을 특징으로 하는 경동맥 초음파 진단 시스템.
  7. 청구항 5에 있어서, 상기 경동맥 진단부는,
    전문의에 의해 정상 혹은 비정상 마킹된 하나 이상의 상기 경동맥 혈관 이미지를 학습 데이터로 설정해 상기 제2인공 신경망을 학습시킴을 특징으로 하는 경동맥 초음파 진단 시스템.
  8. 청구항 2 내지 청구항 4중 어느 한 항에 있어서, 상기 경동맥 진단부는,
    하나 이상의 상기 경동맥 혈관 이미지에서 전문의에 의해 설정된 병변 영역 및 그 병변 영역에 대해 설정된 경동맥 위험도를 학습 데이터로 설정해 상기 제3인공 신경망을 학습시킴을 특징으로 하는 경동맥 초음파 진단 시스템.
  9. 청구항 1 또는 청구항 2에 있어서, 경동맥을 포함하는 검진부위에 초음파 신호를 송신하고 상기 검진부위로부터 반사되는 초음파 에코신호를 수신하는 초음파 프로브와;
    상기 초음파 프로브로부터 제공되는 초음파 에코신호를 신호처리하여 상기 경동맥 초음파 영상 이미지로 변환하는 초음파 영상 이미지 생성부;를 더 포함함을 특징으로 하는 경동맥 초음파 진단 시스템.
  10. 청구항 1 또는 청구항 2에 있어서, 상기 경동맥 추출부와 상기 경동맥 진단부는 통신망을 통해 상기 경동맥 초음파 영상 이미지를 전송받을 수 있는 원격 진단 서버에 구축됨을 특징으로 하는 경동맥 초음파 진단 시스템.
  11. 경동맥 초음파 영상 이미지에서 사전 학습된 제1인공 신경망을 이용해 경동맥 혈관 이미지를 추출하는 경동맥 추출부와;
    사전 학습된 제2인공 신경망을 이용해 상기 경동맥 혈관 이미지에 대해 경동맥 위험도를 진단하고 진단된 위험도를 진단결과로서 출력하는 경동맥 진단부;를 포함함을 특징으로 하는 경동맥 초음파 진단 시스템.
  12. 청구항 11에 있어서, 상기 추출된 경동맥 혈관 이미지를 히트맵 처리하여 상기 경동맥 진단부로 전달하기 위한 히트맵 처리부;를 더 포함함을 특징으로 하는 경동맥 초음파 진단 시스템.
  13. 청구항 11 또는 청구항 12에 있어서, 상기 경동맥 진단부는,
    상기 제2인공 신경망을 이용해 상기 경동맥 혈관 이미지를 진단하기 전에 상기 경동맥 혈관 이미지 내에서 경동맥 혈관을 확장 처리함을 특징으로 하는 경동맥 초음파 진단 시스템.
  14. 청구항 11 또는 청구항 12에 있어서, 상기 경동맥 진단부는,
    상기 경동맥 혈관 이미지 내에 병변 영역을 표시하여 상기 진단결과로 함께 출력함을 특징으로 하는 경동맥 초음파 진단 시스템.
  15. 청구항 11 또는 청구항 12에 있어서, 경동맥을 포함하는 검진부위에 초음파 신호를 송신하고 상기 검진부위로부터 반사되는 초음파 에코신호를 수신하는 초음파 프로브와;
    상기 초음파 프로브로부터 제공되는 초음파 에코신호를 신호처리하여 상기 경동맥 초음파 영상 이미지로 변환하는 초음파 영상 이미지 생성부;를 더 포함함을 특징으로 하는 경동맥 초음파 진단 시스템.
  16. 청구항 11 또는 청구항 12에 있어서, 상기 경동맥 추출부와 상기 경동맥 진단부는 통신망을 통해 상기 경동맥 초음파 영상 이미지를 전송받을 수 있는 원격 진단 서버에 구축됨을 특징으로 하는 경동맥 초음파 진단 시스템.
PCT/KR2020/012612 2020-03-19 2020-09-18 경동맥 초음파 진단 시스템 WO2021187699A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202080003982.3A CN113710166A (zh) 2020-03-19 2020-09-18 一种颈动脉超声诊断系统

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2020-0033974 2020-03-19
KR20200033974 2020-03-19

Publications (1)

Publication Number Publication Date
WO2021187699A1 true WO2021187699A1 (ko) 2021-09-23

Family

ID=77771556

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2020/012612 WO2021187699A1 (ko) 2020-03-19 2020-09-18 경동맥 초음파 진단 시스템

Country Status (2)

Country Link
CN (1) CN113710166A (ko)
WO (1) WO2021187699A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114376614A (zh) * 2021-11-08 2022-04-22 中国医科大学附属第一医院 颈动脉超声测量的辅助方法及超声设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190002957A (ko) * 2017-06-30 2019-01-09 연세대학교 산학협력단 컨볼루션 신경망을 이용한 혈관내 초음파 영상에서의 혈관벽 및 루멘 영역화 방법
KR101974786B1 (ko) * 2018-08-17 2019-05-31 (주)제이엘케이인스펙션 뇌동맥류 병변의 특성을 이용한 중증도 및 예후 예측 방법 및 시스템
KR20190076237A (ko) * 2017-12-22 2019-07-02 주식회사 데이터젠 심뇌혈관질환 위험도 데이터 예측 방법 및 시스템
JP2019148473A (ja) * 2018-02-27 2019-09-05 シスメックス株式会社 画像解析方法、画像解析装置、プログラム、学習済み深層学習アルゴリズムの製造方法および学習済み深層学習アルゴリズム
KR102043672B1 (ko) * 2019-03-29 2019-11-12 주식회사 딥노이드 딥러닝 기반의 병변 판독 시스템 및 방법

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102475826B1 (ko) * 2017-04-21 2022-12-09 삼성메디슨 주식회사 영상 분할 방법 및 그 전자 장치
JP2019080750A (ja) * 2017-10-30 2019-05-30 テルモ株式会社 治療方法
KR102243830B1 (ko) * 2018-02-22 2021-04-23 고려대학교 산학협력단 통합 의료 진단 서비스 제공 시스템 및 그 방법
CN108510482B (zh) * 2018-03-22 2020-12-04 姚书忠 一种基于阴道镜图像的宫颈癌检测装置
CN110310271B (zh) * 2019-07-01 2023-11-24 无锡祥生医疗科技股份有限公司 颈动脉斑块的性质判别方法、存储介质及超声装置
CN110495906A (zh) * 2019-08-07 2019-11-26 苏州米特希赛尔人工智能有限公司 乳房超声自动扫描与人工智能诊断系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190002957A (ko) * 2017-06-30 2019-01-09 연세대학교 산학협력단 컨볼루션 신경망을 이용한 혈관내 초음파 영상에서의 혈관벽 및 루멘 영역화 방법
KR20190076237A (ko) * 2017-12-22 2019-07-02 주식회사 데이터젠 심뇌혈관질환 위험도 데이터 예측 방법 및 시스템
JP2019148473A (ja) * 2018-02-27 2019-09-05 シスメックス株式会社 画像解析方法、画像解析装置、プログラム、学習済み深層学習アルゴリズムの製造方法および学習済み深層学習アルゴリズム
KR101974786B1 (ko) * 2018-08-17 2019-05-31 (주)제이엘케이인스펙션 뇌동맥류 병변의 특성을 이용한 중증도 및 예후 예측 방법 및 시스템
KR102043672B1 (ko) * 2019-03-29 2019-11-12 주식회사 딥노이드 딥러닝 기반의 병변 판독 시스템 및 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
LEKADIR, K ET AL.: "A convolutional neural network for automatic characterization of plaque composition in carotid ultrasound", IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS, vol. 21, no. 1, 2016, pages 48 - 55, XP011640116, DOI: 10.1109/JBHI.2016.2631401 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114376614A (zh) * 2021-11-08 2022-04-22 中国医科大学附属第一医院 颈动脉超声测量的辅助方法及超声设备
CN114376614B (zh) * 2021-11-08 2024-03-12 中国医科大学附属第一医院 颈动脉超声测量的辅助方法及超声设备

Also Published As

Publication number Publication date
CN113710166A (zh) 2021-11-26

Similar Documents

Publication Publication Date Title
WO2018074739A1 (ko) 뇌졸중 진단 및 예후 예측 방법 및 시스템
WO2022059982A1 (ko) 초음파 진단 시스템
KR102185886B1 (ko) 인공지능을 이용한 대장 내시경 영상 분석 방법 및 장치
WO2021187700A2 (ko) 경동맥 초음파 진단 방법
US20200383626A1 (en) Cognitive impairment diagnostic apparatus and cognitive impairment diagnostic program
CN111310851A (zh) 一种人工智能超声辅助系统及其应用
CN111227864A (zh) 使用超声图像利用计算机视觉进行病灶检测的方法与装置
WO2017051944A1 (ko) 의료 영상 판독 과정에서 사용자의 시선 정보를 이용한 판독 효율 증대 방법 및 그 장치
WO2019083129A1 (ko) 피검체에 대한 안저 영상의 판독을 지원하는 방법 및 이를 이용한 장치
WO2016159726A1 (ko) 의료 영상으로부터 병변의 위치를 자동으로 감지하는 장치 및 그 방법
WO2017135681A9 (ko) 망막 또는 맥락막 내 혈관조영 광가간섭 단층촬영 장치 및 이를 이용한 질병 진단방법
WO2021187699A1 (ko) 경동맥 초음파 진단 시스템
CN110556183A (zh) 一种应用在中医设备上的快速诊断设备和方法
WO2011030962A1 (ko) 혈관 내 초음파 영상을 이용한 혈관 내 죽상 경화반 성분 측정 장치 및 방법
WO2022139068A1 (ko) 딥러닝 기반의 폐질환 진단 보조 시스템 및 딥러닝 기반의 폐질환 진단 보조 방법
US11024416B2 (en) Tomographic image processing device, ophthalmic device comprising the same and non-transitory computer-readable recording medium storing computer-readable instructions for tomographic image processing device
JP2001128958A (ja) アイリス・アイリドロジ健康診断管理システム
CN112669951A (zh) 一种应用于智能内窥镜手术时的ai应用系统
WO2020246676A1 (ko) 자궁경부암 자동 진단 시스템
US20240016366A1 (en) Image diagnosis system for lesion
JP2007075157A (ja) 画像表示装置
WO2021177771A1 (ko) 의료 영상으로부터 바이오마커 발현을 예측하는 방법 및 시스템
CN108960305A (zh) 一种内镜影像判定系统及方法
CN115280138A (zh) 信息处理装置、检查系统、程序以及信息处理方法
CN111354453A (zh) 医疗成像系统

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: 20925329

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: 20925329

Country of ref document: EP

Kind code of ref document: A1