WO2022114822A1 - 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 방법 및 컴퓨팅 장치 - Google Patents

인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 방법 및 컴퓨팅 장치 Download PDF

Info

Publication number
WO2022114822A1
WO2022114822A1 PCT/KR2021/017558 KR2021017558W WO2022114822A1 WO 2022114822 A1 WO2022114822 A1 WO 2022114822A1 KR 2021017558 W KR2021017558 W KR 2021017558W WO 2022114822 A1 WO2022114822 A1 WO 2022114822A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
data
neural network
image data
sub
Prior art date
Application number
PCT/KR2021/017558
Other languages
English (en)
French (fr)
Inventor
박보규
이현규
도신호
최용준
Original Assignee
두에이아이(주)
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 두에이아이(주) filed Critical 두에이아이(주)
Publication of WO2022114822A1 publication Critical patent/WO2022114822A1/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
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
    • 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
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0833—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures
    • 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
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • 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
    • G06T2207/10132—Ultrasound 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Definitions

  • the present disclosure relates to a method for analyzing an ultrasound image of a vessel, and more specifically, to provide analysis information on an ultrasound image of a vessel by using an artificial neural network.
  • IVUS technique also called vascular ultrasound technique
  • vascular ultrasound technique is an effective cardiovascular examination method for diagnosing vascular conditions through imaging of the inside of blood vessels.
  • the IVUS technique may use an ultrasound device (eg, a transducer) connected to the tip of a catheter to image the inside of a blood vessel to determine the size and type of the blood vessel and the lesion.
  • an ultrasound device eg, a transducer
  • Angiography which is one of the conventional diagnostic methods for coronary artery, has limitations in measuring detailed disease information of lesion blood vessels or determining whether an appropriate procedure is performed after stenting.
  • the IVUS technique overcomes these limitations of angiography and makes it possible to provide information related to the detailed disease level and appropriateness of the procedure.
  • images obtained through IVUS may be difficult to read due to the low resolution ultrasound characteristics.
  • IVUS readers eg, doctors
  • IVUS readers must go through a training process through a lot of time and effort in order to actually read accurately even after completing the specialized course. Even in this case, the reading result may vary depending on the reader's condition and experience. That is, the reading of the acquired IVUS image is completely dependent on the reader's individual competence. In other words, it may be difficult to standardize the IVUS reading, such as bringing different reading results according to the different proficiency of each reader, or lack of accuracy of the examination to some extent.
  • An object of the present disclosure is to solve the above problems, and to provide a computing device that provides analysis information on an ultrasound image of blood vessels by using an artificial neural network.
  • the method includes: acquiring image data including a plurality of image sub-data; performing segmentation on at least two or more components included in the image data using an image analysis model; The method may include generating analysis information corresponding to the image data based on the division result of the above components.
  • the at least two or more components include at least one of a lumen, a vessel wall, a thrombus, and a plaque
  • the dividing of the at least two or more components of the image data by using the image data processing the image data as an input of the image analysis model to display the divided boundary between the at least two or more components It may include the step of outputting.
  • the image analysis model is a neural network model trained through a training data set, and includes a dimensionality reduction submodel and a dimensionality restoration submodel.
  • the dimension restoration sub-model is trained to output training output data associated with the label of the training input data, and the dimension reduction sub-model is a non-local block ( It may be characterized as including a non-local block).
  • performing the segmentation of the at least two or more components included in the image data includes generating and providing real-time numerical information corresponding to the at least two or more components included in the image data Including, the real-time numerical information corresponding to the at least two or more components may include location and size information about at least one of a lumen, a blood vessel wall, a thrombus, and a plaque.
  • the generating and providing real-time numerical information corresponding to the at least two or more components included in the image data may include: Calculating a diameter, generating a plurality of numerical sub-information corresponding to each image sub-data based on the calculated diameter of each of the at least two or more components, the real-time numerical information based on the plurality of numerical sub-information It may include the step of generating
  • the method further comprises identifying a first section in which the diameter of the lumen decreases due to the thrombus or the plaque, wherein the generating of the analysis information corresponding to the image data includes the first section and generating the analysis information based on the location and length of
  • the generating of the analysis information corresponding to the image data may include generating an entire display image based on a plurality of numerical sub-information corresponding to each of a plurality of image sub-data constituting the image data. Including a step, wherein the entire display image includes information on the entire section of the observed blood vessel as an image that summarizes the information on the at least two or more components in correspondence to the entire viewpoint of the image data, It may be characterized in that it is generated based on the corresponding total blood vessel length.
  • the generating of the analysis information corresponding to the image data may include generating bookmark display information corresponding to the first section in the generated entire display image.
  • the generating of the analysis information corresponding to the image data includes: at least one image sub-data among one or more image sub-data included in the first section in an image database and a predetermined threshold
  • the method may include searching for one or more similar images having a degree of similarity or higher, and obtaining the one or more similar images and diagnostic information matched to each of the one or more similar images.
  • the method may include generating additional training data based on the sub data and the one or more reinforcement image sub data.
  • a computer program stored in a computer-readable storage medium when executed by one or more processors, causes the one or more processes to perform the following operations for providing analysis information on a vascular ultrasound image using an artificial neural network, the operations comprising: An operation of obtaining image data including a plurality of image sub-data, an operation of performing segmentation on at least two or more components included in the image data using an image analysis model, and an operation of performing segmentation on the at least two or more components and generating analysis information corresponding to the image data based on a result of segmentation.
  • a computing device for providing analysis information on a blood vessel ultrasound image by using an artificial neural network.
  • the computing device includes a processor including one or more cores, a memory for storing program codes executable in the processor, and a network unit for transmitting and receiving data to and from a user terminal, wherein the processor includes a plurality of image sub-data Acquire data, perform segmentation on at least two or more components included in the image data using an image analysis model, and respond to the image data based on the segmentation result of the at least two or more components analysis information can be generated.
  • analysis information on an ultrasound image of blood vessels may be provided by using an artificial neural network.
  • FIG. 1 is a conceptual diagram illustrating a system in which various aspects of a computing device for providing analysis information on an ultrasound image of a blood vessel using an artificial neural network related to an embodiment of the present disclosure can be implemented.
  • FIG. 2 is a block diagram of a computing device for providing analysis information on an ultrasound image of blood vessels by using an artificial neural network according to an embodiment of the present disclosure.
  • FIG. 3 is an exemplary diagram illustrating image data divided through at least two or more components related to an embodiment of the present disclosure.
  • FIG. 4 is an exemplary diagram exemplarily illustrating an entire display image corresponding to image data related to an embodiment of the present disclosure.
  • FIG. 5 is an exemplary diagram illustrating a process of augmenting learning data through resampling of image data related to an embodiment of the present disclosure.
  • FIG. 6 is a flowchart exemplarily illustrating steps for performing a method for providing analysis information on an ultrasound image of a blood vessel using an artificial neural network related to an embodiment of the present disclosure.
  • FIG. 7 is a schematic diagram illustrating one or more network functions related to an embodiment of the present disclosure.
  • a component can be, but is not limited to being, a process running on a processor, a processor, an object, a thread of execution, a program, and/or a computer.
  • an application running on a computing device and the computing device may be a component.
  • One or more components may reside within a processor and/or thread of execution.
  • a component may be localized within one computer.
  • a component may be distributed between two or more computers.
  • these components can execute from various computer readable media having various data structures stored therein.
  • Components may communicate via a network such as the Internet with another system, for example, via a signal having one or more data packets (eg, data and/or signals from one component interacting with another component in a local system, distributed system, etc.) may communicate via local and/or remote processes depending on the data being transmitted).
  • a network such as the Internet
  • data packets eg, data and/or signals from one component interacting with another component in a local system, distributed system, etc.
  • a computer refers to all types of hardware devices including at least one processor, and may be understood as encompassing software configurations operating in the corresponding hardware device according to embodiments.
  • a computer may be understood to include, but is not limited to, smart phones, tablet PCs, desktops, notebooks, and user clients and applications running on each device.
  • each step described in this specification is described as being performed by a computer, but the subject of each step is not limited thereto, and at least a portion of each step may be performed in different devices according to embodiments.
  • FIG. 1 is a conceptual diagram illustrating a system in which various aspects of a computing device for providing analysis information on an ultrasound image of a blood vessel using an artificial neural network related to an embodiment of the present disclosure can be implemented.
  • a system may include a computing device 100 , a user terminal 10 , a blood vessel scanning device 20 , an external server 30 , and a network.
  • the components illustrated in FIG. 1 are exemplary, and additional components may be present or some of the components illustrated in FIG. 1 may be omitted.
  • the computing device 100 , the user terminal 10 , the blood vessel scanning device 20 and the external server 30 according to the embodiments of the present disclosure provide data for the system according to the embodiments of the present disclosure through a network. can be mutually transmitted and received.
  • Networks include Public Switched Telephone Network (PSTN), x Digital Subscriber Line (xDSL), Rate Adaptive DSL (RADSL), Multi Rate DSL (MDSL), Very High Speed DSL (VDSL). ), a variety of wired communication systems such as Universal Asymmetric DSL (UADSL), High Bit Rate DSL (HDSL), and Local Area Network (LAN) can be used.
  • PSTN Public Switched Telephone Network
  • xDSL Digital Subscriber Line
  • RADSL Rate Adaptive DSL
  • MDSL Multi Rate DSL
  • VDSL Very High Speed DSL
  • UDADSL Universal Asymmetric DSL
  • HDSL High Bit Rate DSL
  • LAN Local Area Network
  • CDMA Code Division Multi Access
  • TDMA Time Division Multi Access
  • FDMA Frequency Division Multi Access
  • OFDMA Orthogonal Frequency Division Multi Access
  • SC-FDMA Single Carrier-FDMA
  • Various wireless communication systems may be used, such as other systems.
  • the network may be configured regardless of its communication mode, such as wired and wireless, and is composed of various communication networks such as a personal area network (PAN) and a wide area network (WAN).
  • PAN personal area network
  • WAN wide area network
  • the network may be a well-known World Wide Web (WWW), and may use a wireless transmission technology used for short-range communication, such as infrared (IrDA) or Bluetooth (Bluetooth).
  • IrDA infrared
  • Bluetooth Bluetooth
  • the user terminal 10 may be a terminal related to a user who accesses the computing device 100 to obtain analysis information on image data.
  • the user terminal 10 may be a terminal that receives and stores the examiner's image data (eg, IVUS image data) acquired through the blood vessel scanning device 20 .
  • the user terminal 10 may be a terminal related to an examiner (eg, a specialist) that provides a checkup result to a user (eg, an examinee).
  • an examinee eg, a specialist
  • the diagnosis information corresponding to the image data received from the computing device 100 may be used as a medical assistant terminal for reading the examination result of the examinee.
  • the user terminal 10 has a display, so it can receive a user's input and provide an output of any type to the user.
  • the user terminal 10 may refer to any type of entity(s) in a system having a mechanism for communication with the computing device 100 .
  • the user terminal 10 is a personal computer (PC), a notebook (note book), a mobile terminal (mobile terminal), a smart phone (smart phone), a tablet PC (tablet pc), and a wearable device (wearable device) and the like, and may include all types of terminals capable of accessing a wired/wireless network.
  • the user terminal 10 may include an arbitrary server implemented by at least one of an agent, an application programming interface (API), and a plug-in.
  • the user terminal 10 may include an application source and/or a client application.
  • the blood vessel scanning device 20 may refer to a device that acquires image data by imaging the inside of a blood vessel of an examiner.
  • the blood vessel scanning device 20 includes one or more catheters, and the one or more catheters may be inserted into the examiner's blood vessel to acquire image data related to the inside of the blood vessel.
  • One or more catheters may include an ultrasound device (eg, a transducer) at an end thereof, and may acquire ultrasound image data of blood vessels related to the inside of the blood vessel through the ultrasound device.
  • the ultrasound image data of the blood vessel acquired through the blood vessel scanning device 20 may be transmitted to the computing device 100 of the present disclosure.
  • the computing device 100 may receive an examiner's blood vessel ultrasound image data acquired through the blood vessel scanning device 20 through the corresponding blood vessel scanning device 20 or the user terminal 10 , and analyze the received image data. information can be provided.
  • the blood vessel scanning device 20 and the computing device 100 are separately represented as separate entities in FIG. 1 , the blood vessel scanning device 20 is included in the computing device 100 according to various implementation aspects of the present disclosure.
  • the ultrasound image data (ie, IVUS image) acquisition function and the analysis information provision function corresponding to the acquired image data may be integrated and performed.
  • the external server 30 may be a server that stores a plurality of image data and diagnostic information related to each image data.
  • the external server 30 may be at least one of a hospital server and a government server, and may be a server that stores vascular ultrasound image data and information about medical records or diagnostic records related to the image data.
  • Information stored in the external server 30 may be utilized as training data, verification data, and test data for learning the neural network in the present disclosure. That is, the external server 30 may be a server that stores information about a data set for training the neural network model of the present disclosure.
  • the computing device 100 of the present disclosure may build a training data set based on a plurality of image data from the external server 30 and diagnostic information about each image data, and includes one or more network functions through the training data set. By learning the neural network model of
  • the external server 30 is a digital device, and may be a digital device equipped with a processor, such as a laptop computer, a notebook computer, a desktop computer, a web pad, and a mobile phone, and having a computing capability with a memory.
  • the external server 30 may be a web server that processes a service.
  • the above-described types of servers are merely examples, and the present disclosure is not limited thereto.
  • the computing device 100 may provide analysis information corresponding to image data.
  • the image data may be image data related to blood vessels of a user (ie, an examiner) acquired through the blood vessel scanning device 20 .
  • the image data may be blood vessel ultrasound image data serving as a reference for diagnosing whether a user's blood vessel is abnormal.
  • image data may include a plurality of image sub data.
  • the plurality of image sub data may refer to one or more frames constituting image data.
  • the analysis information corresponding to the image data may be diagnostic information read through the vascular ultrasound image data, and may include prediction information related to the occurrence of a disease and an appropriate treatment method.
  • the analysis information may include information for dividing a lumen and a vessel wall into each region and displaying (ie, localizing) the lumen in the vascular ultrasound image.
  • the size of the blood vessel observed from the image data of the user's blood vessel and prediction information on the detailed disease degree of the lesion blood vessel corresponding to the size and type of the lesion may be included.
  • the analysis information may include prediction information regarding the length of the stent required for stent operation calculated by considering the length of the region of the thrombus in the entire image data.
  • the analysis information may include prediction information regarding determination of whether or not an appropriate operation is performed after the stent operation. Specific description of the above-described analysis information is only an example, and the present disclosure is not limited thereto.
  • the computing device 100 may acquire vascular ultrasound image data for diagnosing a user's blood vessels, and provide analysis information related to whether a disease has occurred and an appropriate treatment method in response to the acquired image data.
  • the computing device 100 may perform segmentation on at least two or more components included in the image data by using the image analysis model.
  • the at least two or more components may include at least one of a lumen, a vessel wall, a thrombus, and a plaque.
  • a thrombus may mean a final product produced by hemostasis of blood through a blood coagulation process.
  • a blood clot may be formed by clotting blood in the body. Thrombus usually disappears naturally through the fibrinolysis process, but when it is formed pathologically, the amount of thrombus is increased and the body cannot dissolve all of it, which can cause various diseases by interfering with the flow of blood vessels.
  • Plaque is an accumulation of cholesterol selectively absorbed in the lumen (or inner wall) of blood vessels, and cell debris, smooth muscle cells, and macrophages in the blood vessel may accumulate during the formation of plaque.
  • the accumulated plaque is calcified and protrudes into the blood vessel, which may obstruct blood flow.
  • the image analysis model of the present disclosure may be a neural network model learned through a training data set.
  • the computing device 100 of the present disclosure may generate an image analysis model by performing learning on a neural network model including one or more network functions through a training data set.
  • Such an image analysis model may be a neural network model based on U-Net.
  • the U-Net-based neural network model is a type of convolutional neural network (CNN) that performs fast and accurate segmentation, and may be a model mainly used for segmenting medical images. That is, the computing device 100 may process the image data as an input of the image analysis model to output image data indicating a divided boundary between at least two or more components.
  • CNN convolutional neural network
  • the computing device 100 may generate real-time numerical information corresponding to at least two or more components included in the image data.
  • the real-time numerical information corresponding to at least two or more components may include position and size information about at least one of a lumen, a blood vessel wall, a thrombus, and a plaque.
  • the computing device 100 may generate real-time numerical information including positions, ratios, and lengths of lesion regions of blood vessel walls, lumens, thrombi, and plaques, and display them on the image data. That is, the computing device 100 may provide real-time numerical information by displaying the morphological guide values of two or more components included in the image data on the entire image. This can provide an effect of allowing users who are not experienced professionals who have undergone a lot of education to recognize morphological values related to blood vessels.
  • the computing device 100 may provide analysis information on the image data based on the location and length of the first section.
  • the first section may mean a section showing a risk symptom in the blood vessel.
  • a partial section of a coronary artery supplying blood to the heart muscle may be a first section in which oxygen is not properly supplied to the heart.
  • a section in which a part of a blood vessel is blocked may be related to a thrombus or plaque.
  • the computing device 100 may identify the first section in which the diameter of the lumen decreases through at least one of a thrombus or a plaque.
  • the computing device 100 may provide analysis information on the image data based on the position and length of the first section. For example, when 80% of the heart blood vessel (left main coronary artery) corresponds to the length of the first section (ie, when 80% of the left main coronary artery is blocked by a thrombus), the computing device 100 determines where the thrombus is located. It is possible to generate and provide analysis information including information on a required stent length corresponding to the length of the first section. That is, the computing device 100 of the present disclosure may be utilized as an auxiliary system that provides information necessary for actual diagnosis.
  • the computing device 100 does not simply provide analysis information for classifying each region of the lumen or blood vessel wall, but includes information about risk factors such as blood clots and plaques (eg, location and size) and corresponding It is possible to provide information to assist in an accurate diagnosis, such as an appropriate surgical method corresponding to the risk section (eg, suggesting a required stent length).
  • the computing device 100 may be a terminal or a server, and may include any type of device.
  • the computing device 100 is a digital device, and may be a digital device equipped with a processor, such as a laptop computer, a notebook computer, a desktop computer, a web pad, and a mobile phone, and having a computing power having a memory.
  • the computing device 100 may be a web server that processes a service.
  • the types of computing devices described above are merely examples, and the present disclosure is not limited thereto.
  • the computing device 100 may be a server that provides a cloud computing service. More specifically, the computing device 100 is a type of Internet-based computing, and may be a server that provides a cloud computing service that processes information not with a user's computer but with another computer connected to the Internet.
  • the cloud computing service may be a service that stores data on the Internet and allows the user to use it anytime and anywhere through Internet access without installing necessary data or programs on his/her computer. Easy to share and deliver with a click.
  • cloud computing service not only stores data on a server on the Internet, but also allows users to perform desired tasks using the functions of applications provided on the web without installing a separate program, and multiple people can simultaneously view documents. It may be a service that allows you to work while sharing.
  • the cloud computing service may be implemented in the form of at least one of Infrastructure as a Service (IaaS), Platform as a Service (PaaS), Software as a Service (SaaS), a virtual machine-based cloud server, and a container-based cloud server.
  • IaaS Infrastructure as a Service
  • PaaS Platform as a Service
  • SaaS Software as a Service
  • the computing device 100 of the present disclosure may be implemented in the form of at least one of the above-described cloud computing services.
  • the detailed description of the above-described cloud computing service is merely an example, and may include any platform for building the cloud computing environment of the present disclosure.
  • FIG. 2 is a block diagram of a computing device for providing analysis information on an ultrasound image of blood vessels by using an artificial neural network according to an embodiment of the present disclosure.
  • the computing device 100 may include a network unit 110 , a memory 120 , and a processor 130 .
  • Components included in the aforementioned computing device 100 are exemplary and the scope of the present disclosure is not limited to the aforementioned components. That is, additional components may be included or some of the above-described components may be omitted according to implementation aspects for the embodiments of the present disclosure.
  • the computing device 100 may include the blood vessel scanning device 20 and the network unit 110 for transmitting and receiving data to and from the external server 30 .
  • the network unit 110 uses an artificial neural network according to an embodiment of the present disclosure to generate data for performing a method for providing analysis information on an ultrasound image of blood vessels and a training data set for learning a neural network model, etc. It may transmit/receive to a computing device, a server, and the like. That is, the network unit 110 may provide a communication function between the computing device 100 , the blood vessel scanning device 20 , and the external server 30 . For example, the network unit 110 may receive blood vessel ultrasound image data from the blood vessel scanning device 20 .
  • the network unit 110 may receive a training data set for training the image analysis model of the present disclosure from the external server 30 . Additionally, the network unit 110 may allow information transfer between the computing device 100 and the user terminal 10 and the external server 30 by calling a procedure to the computing device 100 .
  • the network unit 110 includes a Public Switched Telephone Network (PSTN), x Digital Subscriber Line (xDSL), Rate Adaptive DSL (RADSL), Multi Rate DSL (MDSL), VDSL (A variety of wired communication systems such as Very High Speed DSL), Universal Asymmetric DSL (UADSL), High Bit Rate DSL (HDSL), and Local Area Network (LAN) can be used.
  • PSTN Public Switched Telephone Network
  • xDSL Digital Subscriber Line
  • RADSL Rate Adaptive DSL
  • MDSL Multi Rate DSL
  • VDSL A variety of wired communication systems such as Very High Speed DSL), Universal Asymmetric DSL (UADSL), High Bit Rate DSL (HDSL), and Local Area Network (LAN) can be used.
  • LAN Local Area Network
  • the network unit 110 presented herein is CDMA (Code Division Multi Access), TDMA (Time Division Multi Access), FDMA (Frequency Division Multi Access), OFDMA (Orthogonal Frequency Division Multi Access), SC-FDMA (A variety of wireless communication systems can be used, such as Single Carrier-FDMA) and other systems.
  • CDMA Code Division Multi Access
  • TDMA Time Division Multi Access
  • FDMA Frequency Division Multi Access
  • OFDMA Orthogonal Frequency Division Multi Access
  • SC-FDMA A variety of wireless communication systems can be used, such as Single Carrier-FDMA
  • the network unit 110 may be configured regardless of its communication mode, such as wired and wireless, and may be composed of various communication networks such as a short-range network (PAN: Personal Area Network) and a local area network (WAN: Wide Area Network).
  • PAN Personal Area Network
  • WAN Wide Area Network
  • the network may be a well-known World Wide Web (WWW), and may use a wireless transmission technology used for short-range communication, such as infrared (IrDA) or Bluetooth (Bluetooth).
  • IrDA infrared
  • Bluetooth Bluetooth
  • the memory 120 may store a computer program for performing a method for providing analysis information for a blood vessel ultrasound image by utilizing the artificial neural network according to an embodiment of the present disclosure,
  • the stored computer program may be read and driven by the processor 130 .
  • the memory 120 may store any type of information generated or determined by the processor 130 and any type of information received by the network unit 110 .
  • the memory 120 may store information about blood vessel ultrasound image data.
  • the memory 120 stores input/output data (eg, blood vessel ultrasound image data, the entire display image corresponding to the blood vessel ultrasound image data, analysis information generated corresponding to the blood vessel ultrasound image data, etc.) It can be stored temporarily or permanently.
  • the memory 120 is a flash memory type, a hard disk type, a multimedia card micro type, and a card type memory (eg, a SD or XD memory, etc.), Random Access Memory (RAM), Static Random Access Memory (SRAM), Read-Only Memory (ROM), Electrically Erasable Programmable Read-Only Memory (EEPROM), Programmable Read (PROM) -Only Memory), a magnetic memory, a magnetic disk, and an optical disk may include at least one type of storage medium.
  • the computing device 100 may operate in relation to a web storage that performs a storage function of the memory 120 on the Internet.
  • the description of the above-described memory is only an example, and the present disclosure is not limited thereto.
  • the processor 130 may be configured with one or more cores, and may include a central processing unit (CPU) and a general purpose graphics processing unit (GPGPU) of a computing device. , data analysis such as a tensor processing unit (TPU), and a processor for deep learning.
  • CPU central processing unit
  • GPU general purpose graphics processing unit
  • TPU tensor processing unit
  • the processor 130 may read a computer program stored in the memory 120 to perform data processing for deep learning according to an embodiment of the present disclosure. According to an embodiment of the present disclosure, the processor 130 may perform an operation for learning the neural network.
  • the processor 130 for learning of the neural network such as processing input data for learning in deep learning (DL), extracting features from input data, calculating an error, updating the weight of the neural network using backpropagation calculations can be performed.
  • DL deep learning
  • At least one of a CPU, a GPGPU, and a TPU may process learning of a network function.
  • the CPU and the GPGPU can process learning of a network function and data classification using the network function.
  • learning of a network function and data classification using the network function may be processed by using the processors of a plurality of computing devices together.
  • the computer program executed in the computing device according to an embodiment of the present disclosure may be a CPU, GPGPU or TPU executable program.
  • a network function may be used interchangeably with an artificial neural network and a neural network.
  • a network function may include one or more neural networks, and in this case, an output of the network function may be an ensemble of outputs of one or more neural networks.
  • the processor 130 may read a computer program stored in the memory 120 to provide a video generation model according to an embodiment of the present disclosure. According to an embodiment of the present disclosure, the processor 130 may generate analysis information corresponding to image data. According to an embodiment of the present disclosure, the processor 130 may perform a calculation for training a video generation model.
  • the processor 130 may typically process the overall operation of the computing device 100 .
  • the processor 130 processes signals, data, information, etc. input or output through the above-described components or runs an application program stored in the memory 120, thereby providing or processing appropriate information or functions to the user or user terminal. can do.
  • the processor 130 may acquire image data including a plurality of image sub data. Acquisition of image data according to an embodiment of the present disclosure may include receiving or loading image data stored in the memory 120 . Also, the image data acquisition may be receiving or loading data from another storage medium, another computing device, or a separate processing module in the same computing device based on a wired/wireless communication means.
  • the image data of the present disclosure may be blood vessel ultrasound image data for diagnosing whether a user's blood vessels are abnormal.
  • image data may include a plurality of image sub data.
  • the plurality of image sub data may refer to one or more frames constituting image data. That is, the image data may refer to blood vessel ultrasound image data (ie, an IVUS image), and may be acquired through the blood vessel scanning apparatus 20 .
  • the blood vessel scanning device 20 is described as a separate module separate from the computing device 100 , the blood vessel scanning device 20 may be included in the computing device 100 according to various implementation aspects of the present disclosure.
  • the blood vessel scanning apparatus 20 includes one or more catheters, and by inserting the one or more catheters into the examiner's blood vessel, image data related to the inside of the examiner's blood vessel may be acquired. That is, the blood vessel scanning apparatus 20 may acquire blood vessel ultrasound image data of an examiner and transmit it to the user terminal 10 or the computing device 100 .
  • the processor 130 may perform noise removal on the acquired image data.
  • the image data acquired by the processor 130 is a blood vessel ultrasound image acquired through the blood vessel scanning device 20 , it may include speckle noise due to wavelength interference.
  • the speckle noise may degrade the quality of the acquired image, and the degraded image may make it difficult to divide each of the at least two or more spherical elements included in the image.
  • the processor 130 of the present disclosure may perform noise removal for removing speckle noise from an image. For example, the processor 130 may minimize speckle noise by preferentially processing a point target in the image to minimize image blur caused thereby.
  • the processor 130 detects a boundary region in the image and adjusts the shape and size of the filtering window to filter all pixels in the uniform region with the calculated filter coefficients to remove speckle noise.
  • the noise removal method described above is only an example, and the present disclosure is not limited thereto.
  • the processor 130 may perform segmentation on at least two or more components included in image data by using the image analysis model.
  • the at least two or more components may include at least one of a lumen, a blood vessel, a thrombus, and a plaque.
  • the processor 130 may process the image data as an input of the image analysis model to output image data indicating a divided boundary between at least two or more components.
  • the image analysis model may be a neural network model trained through a training data set.
  • the processor 130 may generate an image analysis model by learning one or more network functions through a plurality of training data.
  • the processor 130 may receive a training data set for training the neural network model of the present disclosure from the external server 30 , and build a training input data set and a training output data set based on the training data set. can do.
  • the processor 130 may construct a learning input data set using a plurality of image data, and may construct a learning output data set through diagnosis information (ie, segmentation region information) corresponding to each of the plurality of image data.
  • the processor 130 receives image data, which is an image analysis model, as an input through a training data set including a training input data set and a training output data set to perform segmentation on at least two or more components included in the corresponding image data. can learn
  • the image analysis model is a neural network model learned through a training data set, and may include a dimensionality reduction submodel (eg, an encoder) and a dimensionality reconstruction submodel (eg, a decoder). have.
  • the image analysis model may be trained to output training output data associated with the label of the training input data by using the training input data as an input of the dimensionality reduction sub-model and the dimension restoration sub-model.
  • the processor 130 receives learning input data related to image data as an input to the dimension reduction sub-model, outputs features corresponding to the corresponding learning input data, and processes the output features as input of the dimensionality restoration sub-model to learn image data It is possible to perform region division corresponding to .
  • the processor 130 derives an error by comparing the region segmentation, which is the output of the dimension restoration submodel, with the learning segmentation region (ie, segmentation region information), and backpropagates the weights of each model based on the derived error.
  • the processor 130 adjusts the weights of one or more network functions so that the region division, which is the output of the dimension restoration submodel, approaches the learning output data based on the error of the learning output data and the operation result of the dimension restoration submodel for the training input data.
  • the dimension reduction sub-model receives training input data related to image data from the processor 130 and designates a feature related to a specific vector of the training input data as an output to learn an intermediate process in which the input data is converted into a feature. .
  • the processor 130 may transfer the embeddings (ie, image data features) related to diagnostic information (ie, information on region division) related to image data from the dimensionality reduction sub-model to the dimensional reconstruction sub-model.
  • the dimension reconstruction sub-model may perform region division corresponding to the image data by inputting the features of the image data.
  • the image analysis model may extract boundary information of a divided region through boundary detection and use it as a feature for deriving a final division result. Accordingly, it is possible to improve the discrimination between regions where the boundary is not clear through the assistance using boundary detection, and to derive a smooth result by preserving the shape well.
  • the processor 130 may generate the image analysis model by learning the neural network model through the training data set including the blood vessel ultrasound image data and information on the segmented region related to the image data.
  • image data eg, blood vessel ultrasound image data
  • image data indicating divided boundaries between at least two or more components may be output.
  • image data indicating a divided boundary between at least two or more components may be image data including a blood vessel wall region, a lumen region, and a thrombus region, as shown in FIG. 3 .
  • the dimension reduction sub-model may include a non-local block that performs a similarity calculation between a plurality of pixels constituting the training input data.
  • the non-local block may be for supplementing the characteristic that the existing convolutional neural network refers only to the local area. For example, regions similar to each other may exist in one image. That is, when using only the periphery in the image utilizes the entire area of the image, learning efficiency may be improved.
  • the non-local block calculates the similarity between pixels in the entire area, rather than simply using pixels in the adjacent area in the image, and connects them with class information to select pixels with high similarity for each class in the image. It can be extracted and used. That is, the non-local block can improve the learning efficiency of the neural network by closely connecting the same class through similarity measurement for the entire image, and can prevent (prevent) the result of fragmentation of adjacent pixels.
  • the processor 130 may generate and provide real-time numerical information corresponding to at least two or more components included in the image data.
  • the real-time numerical information corresponding to at least two or more configuration requirements may include position and size information about at least one of a lumen, a blood vessel, a thrombus, and a plaque.
  • the processor 130 may generate real-time numerical information including a lumen, a blood vessel wall, a position, a ratio, a length of a lesion area, etc. of each of the thrombus and plaque and display it on the image data.
  • the processor 130 may calculate the diameter of each of the at least two or more components corresponding to each of the plurality of image sub-data.
  • the plurality of image sub data may refer to one or more frames constituting image data. That is, the processor 130 may calculate the diameter of each of at least two or more components corresponding to each of the plurality of image sub data corresponding to each of the frames constituting the ultrasound image of the blood vessel. Specifically, the processor 130 may calculate the diameter of each of the two or more components based on the maximum and minimum diameters of each of the regions divided through the at least two or more components of the image data.
  • the processor 130 is configured to correspond to each divided boundary based on the diameter of each component (ie, lumen and vessel wall).
  • the diameter of the lumen and vessel wall can be calculated to be 4 mm and 8 mm.
  • the specific numerical description of the above-described luminal lumen and vessel wall is only an example, and the present disclosure is not limited thereto.
  • the processor 130 may generate a plurality of numerical sub-information corresponding to each image sub-data based on the calculated diameter of each of the at least two or more components. For example, the processor 130 may generate the first numerical sub-information including information that the diameters of the lumen and the vessel wall are 4 mm and 8 mm, respectively, corresponding to the first image sub data among the plurality of image sub data constituting the image data. In response to the second image sub-data, second numerical sub-information including information that the diameters of the lumen and the vessel wall are 3.8 mm and 6.2 mm, respectively, may be generated.
  • the processor 130 includes information that the diameters of the lumen and the vessel wall are 1.8 mm and 7 mm, respectively, and that the diameter of the thrombus is 2 mm, corresponding to the third image sub data among the plurality of image sub data constituting the image data. It is possible to obtain the third numerical sub-information. Also, the processor 130 may generate real-time numerical information by integrating the first numerical sub information, the second numerical sub information, and the third numerical sub information. In this case, it can be identified that a thrombus is found in the section corresponding to the third image sub data, and information on the size of the thrombus can be displayed as real-time numerical information.
  • the real-time numerical information may include information related to the diameter, area width, or plaque boundary information for blood vessels, lumens, and thrombi essential in the process of performing a stent procedure. That is, the processor 130 may provide real-time numerical information by displaying morphological guide values corresponding to two or more components included in the image data on the entire image. Accordingly, it is possible to provide an effect of recognizing morphological values related to blood vessels even to users who are not experienced experts who have undergone a lot of education.
  • the processor 130 may identify the first section in which the diameter of the lumen decreases due to at least one of a thrombus or a plaque.
  • the first section may correspond to at least a portion of a plurality of image sub data included in the image data. That is, the image data may be a blood vessel ultrasound image of an entire section measured by an examiner, and the first section in the image data may mean a partial section showing a risk symptom within the entire blood vessel.
  • a portion of a coronary artery that supplies blood to the heart muscle may be a first section in which oxygen is not properly supplied to the heart.
  • a section in which a part of a blood vessel is blocked may be related to a thrombus or plaque.
  • the processor 130 may identify the first section in which the diameter of the lumen is decreased through at least one of a thrombus or a plaque as a section showing a risk symptom among all blood vessels. Also, the processor 130 may generate analysis information based on the location and length of the first section.
  • the analysis information may include prediction information regarding whether a disease has occurred and an appropriate treatment method.
  • the analysis information may include information for dividing the lumen and the blood vessel wall into regions and displaying (ie, regionalizing) them in the ultrasound image of the blood vessel.
  • the size of the blood vessel observed from the image data of the user's blood vessel and prediction information on the detailed disease degree of the lesion blood vessel corresponding to the size and type of the lesion may be included.
  • the analysis information may include prediction information regarding the length of the stent required for stent operation calculated by considering the length of the region of the thrombus in the entire image data.
  • the analysis information may include prediction information regarding determination of whether or not an appropriate operation is performed after the stent operation. Specific description of the above-described analysis information is only an example, and the present disclosure is not limited thereto.
  • the processor 130 may acquire vascular ultrasound image data for diagnosing a user's blood vessels, and provide analysis information related to whether a disease has occurred and an appropriate treatment method in response to the acquired image data.
  • the processor 130 Analysis information including information on a required length of a stent corresponding to the length of the first section in which the thrombus is located may be generated and provided.
  • the processor 130 may be utilized as an auxiliary system that provides information necessary for actual diagnosis.
  • the processor 130 does not simply provide analysis information for classifying each region of the lumen or blood vessel wall, but information about risk factors such as blood clots and plaques (eg, location and size) and the corresponding risk It is possible to provide information to assist in an accurate diagnosis, such as an appropriate surgical method corresponding to the section (eg, suggesting a required stent length).
  • the processor 130 may generate an entire display image based on a plurality of numerical sub-information corresponding to each of a plurality of image sub-data constituting the image data.
  • the entire display image may be an image in which information on at least two or more components is summarized corresponding to the entire viewpoint of the image data.
  • the entire display image may be generated based on the total blood vessel length corresponding to the image data.
  • the image data related to the vascular ultrasound corresponding to the entire length of the blood vessel may include a plurality of image sub data.
  • the plurality of image sub-data means frames (ie, image data) related to blood vessels at different viewpoints, and may correspond to positions of blood vessels observed through the catheter.
  • the numerical sub-information corresponding to each image sub-data may be information on morphological numerical values related to at least two or more components calculated corresponding to each observed position in the blood vessel.
  • the processor 130 may generate the entire display image based on the calculated plurality of sub-numeric information corresponding to each position in the blood vessel.
  • the processor 130 includes first numerical sub-information including information that the diameter of the lumen and the vessel wall is 4 mm and 8 mm, respectively, and information that the diameter of the lumen and the vessel wall is 3.8 mm and 6.2 mm, respectively.
  • the second numerical sub-information and the third numerical sub-information including information that the lumen, vessel wall, and thrombus have diameters of 1.8 mm, 7 mm, and 2 mm, respectively at least two or more components are imaged in response to each section.
  • a summary image related to the section ie, the entire display image) may be generated.
  • the entire display image generated by the processor 130 may be as shown in FIG. 4 .
  • the entire display image may allow a user (eg, a specialist) to intuitively grasp information on the entire section of the observed blood vessel.
  • a user eg, a specialist
  • such an entire display image may provide convenience in determining the length of a stent required for stent surgery by calculating the length of a lesion with a thrombus in the entire image (side, the entire section of the observed blood vessel).
  • a clear understanding of the user can be aided and a medical diagnosis can be aided.
  • the processor 130 may generate bookmark information in the entire generated display image.
  • the bookmark information may be display information for highlighting or recognizing a section in which at least one of at least two or more components including image data is observed.
  • the processor 130 may generate bookmark information in the entire display image through each numerical sub-information corresponding to each image sub-data.
  • the processor 130 refers to one or more numerical sub-information including the plaque, and thus the plaque corresponding to the section in which the plaque is located in the entire display image corresponding to the entire section of the blood vessel. It is possible to create bookmark information 210 . That is, the processor 130 may easily recognize a specific component that the user wants to recognize through the bookmark information.
  • the user may intuitively recognize a section in which plaque or thrombus, which may act as a risk factor for blood vessels through calcification, is located among all sections of the observed blood vessel through bookmark information. This may have scalability usable for a modality that requires detection of a specific section requiring analysis.
  • the processor 130 may generate bookmark information corresponding to the first section in the entire generated display image.
  • the first section refers to a section showing a risk symptom, and may be a section in which the diameter of the lumen decreases due to at least one of a thrombus or a plaque.
  • the processor 130 includes bookmark information 220 corresponding to the first section in which the diameter of the luminal cavity is reduced due to a thrombus in the entire display image corresponding to the entire section of the blood vessel. can create In other words, the processor 130 may generate bookmark information in response to the section showing the danger symptom in the entire section of the measured blood vessel, so that the user can more intuitively recognize the risk section.
  • the processor 130 searches for one or more similar images having a predetermined threshold similarity or higher to at least one image sub-data among one or more image sub-data included in the first section in the image database.
  • the first section may mean a section showing a risk symptom in a blood vessel
  • one or more image sub-data included in the first oral cavity may mean a plurality of frames corresponding to the section showing a risk symptom. That is, the processor 130 may search for images similar to frames corresponding to the section related to the danger area from the image database.
  • the processor 130 may select an image similar to one or more image sub-data included in the first section (ie, greater than or equal to a predetermined threshold similarity) by using the similar image search model.
  • the similar image search model may be configured through a dimensionality reduction network function in the configuration of the learned auto-encoder.
  • the processor 130 may learn the auto-encoder through an unsupervised learning method. Specifically, the processor may train a dimensionality reduction network function (eg, encoder) and a dimensionality restoration network function (eg, decoder) that configure the auto-encoder to output output data similar to input data.
  • a dimensionality reduction network function eg, encoder
  • a dimensionality restoration network function eg, decoder
  • the processor 130 may train the auto-encoder by adjusting the weight so that the output data and the input data are the same as possible.
  • a similar image search model can be constructed through a dimensionality reduction network function among the learned auto-encoders. That is, when the similar image search model of the present disclosure receives specific image data as an input, a feature corresponding to the corresponding image data may be output. The output feature may be expressed as a vector.
  • the processor 130 may output a first feature corresponding to the first image sub data by using the first image sub data among one or more image sub data included in the first section as an input of the similar image search model.
  • the processor 130 may identify the first feature and features located at a close distance in the vector space, and determine an image corresponding to the corresponding feature as an image similar to the first image sub data. That is, the processor 130 may determine image data corresponding to features existing within a predetermined distance from the first feature as one or more similar images having a predetermined threshold similarity or greater to the first image sub-data.
  • the processor 130 may obtain one or more similar images and diagnostic information matched to each of the one or more similar images from the image database.
  • the processor 130 may determine the first image data from the image database as a similar image having a predetermined threshold similarity or greater to the first image sub data included in the first section.
  • the processor 130 may provide analysis information from the image database based on matching diagnosis information corresponding to the first image data. That is, it is possible to search for an image similar to the image sub data of a section showing a dangerous symptom in the blood vessel ultrasound image data, and provide analysis information with reference to a diagnosis result for the image. That is, the retrieved images are comparison objects, and the difficult-to-diagnose part in a specific image can be used for diagnosis by referring to how the ultrasound image of another patient is judged.
  • the processor 130 may augment the learning data through resampling of the image data.
  • the processor 130 may augment the learning data through resampling of the image data.
  • IVUS vascular ultrasound
  • the learning data that is the target of learning the neural network model cannot be arbitrarily increased enough to be sufficient for neural network learning as actual examination data for many years of each of a plurality of users. It can be difficult.
  • the training data for learning the neural network is not sufficiently secured, the accuracy of the learned neural network may be somewhat lowered or the learning of the neural network itself may be impossible.
  • the data itself may become invalid or cause unwanted output in the learning process of the neural network according to the arbitrary transformation. There are concerns.
  • the processor 130 of the present disclosure may select the reference image sub-data of a close view based on image data obtained from the user, and may generate additional learning data by generating interpolation data using the reference image sub-data. .
  • the processor 130 may select (or extract) at least two pieces of reference image sub data having a predetermined time interval or less from among a plurality of image sub data included in the image data. Also, the processor 130 may generate one or more reinforcement image sub-data by interpolating between at least two or more reference image sub-data. In this case, the generated one or more reinforcement image sub-data is interpolated through data related to a frame between a very short period, and there is no significant difference from the two reference image sub-data to be referenced. Data generation may be enabled. Also, the processor 130 may perform augmentation on the training data by generating additional training data based on at least two or more reference image sub-data and one or more reinforcement image sub-data.
  • the processor 130 may generate new image data (ie, additional learning data) by selecting at least two or more reference image sub-data from the image data and interpolating between each image sub-data.
  • new image data ie, additional learning data
  • the neural network It may be training data suitable for learning.
  • the neural network model it is possible to improve the learning efficiency of the neural network model through the additional learning data, that is, the augmented learning data, and thus, it is possible to improve the output accuracy of the neural network after learning is completed.
  • the augmented data obtained through this is not artificially created, but has the advantage of being augmented into a plurality of data according to a combination method based on actual data.
  • FIG. 6 is a flowchart exemplarily illustrating steps for performing a method for providing analysis information on an ultrasound image of a blood vessel using an artificial neural network related to an embodiment of the present disclosure.
  • the computing device 100 may acquire image data including a plurality of image sub data ( 310 ).
  • the computing device 100 may perform segmentation on at least two or more components included in the image data by using the image analysis model ( 320 ).
  • the computing device 100 may generate analysis information corresponding to the image data based on the division result of at least two or more components ( 330 ).
  • FIG. 7 is a schematic diagram illustrating one or more network functions related to an embodiment of the present disclosure.
  • a neural network may be composed of a set of interconnected computational units, which may generally be referred to as “nodes”. These “nodes” may also be referred to as “neurons”.
  • a neural network is configured to include at least one or more nodes. Nodes (or neurons) constituting neural networks may be interconnected by one or more “links”.
  • one or more nodes connected through a link may relatively form a relationship between an input node and an output node.
  • the concepts of an input node and an output node are relative, and any node in an output node relationship with respect to one node may be in an input node relationship in a relationship with another node, and vice versa.
  • an input node-to-output node relationship may be created around a link.
  • One or more output nodes may be connected to one input node through a link, and vice versa.
  • the value of the output node may be determined based on data input to the input node.
  • a node interconnecting the input node and the output node may have a weight.
  • the weight may be variable, and may be changed by a user or an algorithm in order for the neural network to perform a desired function. For example, when one or more input nodes are interconnected to one output node by respective links, the output node sets values input to input nodes connected to the output node and links corresponding to the respective input nodes. An output node value may be determined based on the weight.
  • one or more nodes are interconnected through one or more links to form an input node and an output node relationship in the neural network.
  • the characteristics of the neural network may be determined according to the number of nodes and links in the neural network, the correlation between the nodes and the links, and the value of a weight assigned to each of the links. For example, when the same number of nodes and links exist and there are two neural networks having different weight values between the links, the two neural networks may be recognized as different from each other.
  • a neural network may include one or more nodes. Some of the nodes constituting the neural network may configure one layer based on distances from the initial input node. For example, a set of nodes having a distance of n from the initial input node is You can configure n layers. The distance from the initial input node may be defined by the minimum number of links that must be passed to reach the corresponding node from the initial input node. However, the definition of such a layer is arbitrary for description, and the order of the layer in the neural network may be defined in a different way from the above. For example, a layer of nodes may be defined by a distance from the final output node.
  • the initial input node may mean one or more nodes to which data is directly input without going through a link in a relationship with other nodes among nodes in the neural network.
  • it may mean nodes that do not have other input nodes connected by a link.
  • the final output node may refer to one or more nodes that do not have an output node in relation to other nodes among nodes in the neural network.
  • the hidden node may mean nodes constituting the neural network other than the first input node and the last output node.
  • the neural network according to an embodiment of the present disclosure may be a neural network in which the number of nodes in the input layer may be the same as the number of nodes in the output layer, and the number of nodes decreases and then increases again as progresses from the input layer to the hidden layer.
  • the number of nodes in the input layer may be less than the number of nodes in the output layer, and the number of nodes may be reduced as the number of nodes progresses from the input layer to the hidden layer. have.
  • the neural network according to another embodiment of the present disclosure may be a neural network in which the number of nodes in the input layer may be greater than the number of nodes in the output layer, and the number of nodes increases as the number of nodes progresses from the input layer to the hidden layer.
  • the neural network according to another embodiment of the present disclosure may be a neural network in a combined form of the aforementioned neural networks.
  • a deep neural network may refer to a neural network including a plurality of hidden layers in addition to an input layer and an output layer.
  • Deep neural networks can be used to identify the latent structures of data. In other words, it can identify the potential structure of photos, texts, videos, voices, and music (e.g., what objects are in the photos, what the text and emotions are, what the texts and emotions are, etc.) .
  • Deep neural networks include convolutional neural networks (CNNs), recurrent neural networks (RNNs), auto encoders, generative adversarial networks (GANs), and restricted boltzmann machines (RBMs). machine), a deep trust network (DBN), a Q network, a U network, a Siamese network, and the like.
  • CNNs convolutional neural networks
  • RNNs recurrent neural networks
  • GANs generative adversarial networks
  • RBMs restricted boltzmann machines
  • machine a deep trust network
  • DNN deep trust network
  • Q network Q network
  • U network a Si
  • the neural network may be learned by at least one of teacher learning (supervised learning), unsupervised learning, and semi-supervised learning.
  • the training of the neural network is to minimize the error in the output.
  • iteratively input the training data into the neural network calculate the output of the neural network and the target error for the training data, and calculate the error of the neural network from the output layer of the neural network to the input layer in the direction to reduce the error. It is a process of updating the weight of each node in the neural network by backpropagation in the direction.
  • teacher learning learning data in which the correct answer is labeled in each learning data is used (ie, labeled learning data), and in the case of comparative learning, the correct answer may not be labeled in each learning data.
  • learning data in the case of teacher learning related to data classification may be data in which categories are labeled in each of the learning data.
  • the labeled training data is input to the neural network, and an error can be calculated by comparing the output (category) of the neural network with the label of the training data.
  • an error may be calculated by comparing the input training data with the neural network output.
  • the calculated error is back propagated in the reverse direction (ie, from the output layer to the input layer) in the neural network, and the connection weight of each node of each layer of the neural network may be updated according to the back propagation.
  • the change amount of the connection weight of each node to be updated may be determined according to a learning rate.
  • the computation of the neural network on the input data and the backpropagation of errors can constitute a learning cycle (epoch).
  • the learning rate may be applied differently according to the number of repetitions of the learning cycle of the neural network. For example, in the early stage of learning of a neural network, a high learning rate can be used to enable the neural network to quickly obtain a certain level of performance, thereby increasing efficiency, and using a low learning rate at a later stage of learning can increase accuracy.
  • the training data may be a subset of real data (that is, data to be processed using the trained neural network), and thus, the error on the training data is reduced, but the error on the real data is reduced.
  • Overfitting is a phenomenon in which errors on actual data increase by over-learning on training data as described above. For example, a phenomenon in which a neural network that has learned a cat by seeing a yellow cat does not recognize that it is a cat when it sees a cat other than yellow may be a type of overfitting. Overfitting can act as a cause of increasing errors in machine learning algorithms. In order to prevent such overfitting, various optimization methods can be used. In order to prevent overfitting, methods such as increasing training data, regularization, or dropout in which a part of nodes in the network are omitted in the process of learning, may be applied.
  • the data structure may include a neural network.
  • the data structure including the neural network may be stored in a computer-readable medium.
  • Data structures, including neural networks may also include data input to the neural network, weights of the neural network, hyperparameters of the neural network, data obtained from the neural network, activation functions associated with each node or layer of the neural network, and loss functions for learning the neural network.
  • a data structure comprising a neural network may include any of the components disclosed above.
  • the data structure including the neural network includes all or all of the data input to the neural network, the weights of the neural network, hyperparameters of the neural network, data obtained from the neural network, the activation function associated with each node or layer of the neural network, and the loss function for training the neural network.
  • a data structure including a neural network may include any other information that determines a characteristic of a neural network.
  • the data structure may include all types of data used or generated in the operation process of the neural network, and is not limited to the above.
  • Computer-readable media may include computer-readable recording media and/or computer-readable transmission media.
  • a neural network may be composed of a set of interconnected computational units, which may generally be referred to as nodes. These nodes may also be referred to as neurons.
  • a neural network is configured to include at least one or more nodes.
  • the data structure may include data input to the neural network.
  • a data structure including data input to the neural network may be stored in a computer-readable medium.
  • the data input to the neural network may include learning data input in a neural network learning process and/or input data input to the neural network in which learning is completed.
  • Data input to the neural network may include pre-processing data and/or pre-processing target data.
  • the preprocessing may include a data processing process for inputting data into the neural network.
  • the data structure may include data to be pre-processed and data generated by pre-processing.
  • the above-described data structure is merely an example, and the present disclosure is not limited thereto.
  • the data structure may include the weights of the neural network.
  • weight and parameter may be used interchangeably.
  • the data structure including the weight of the neural network may be stored in a computer-readable medium.
  • the neural network may include a plurality of weights.
  • the weight may be variable, and may be changed by a user or an algorithm in order for the neural network to perform a desired function. For example, when one or more input nodes are interconnected to one output node by respective links, the output node sets values input to input nodes connected to the output node and links corresponding to the respective input nodes. An output node value may be determined based on the parameter.
  • the above-described data structure is merely an example, and the present disclosure is not limited thereto.
  • the weight may include a weight variable in a neural network learning process and/or a weight in which neural network learning is completed.
  • the variable weight in the neural network learning process may include a weight at a time point at which a learning cycle starts and/or a weight variable during the learning cycle.
  • the weight for which neural network learning is completed may include a weight for which a learning cycle is completed.
  • the data structure including the weights of the neural network may include a data structure including the weights that vary in the neural network learning process and/or the weights on which the neural network learning is completed. Therefore, it is assumed that the above-described weights and/or combinations of weights are included in the data structure including the weights of the neural network.
  • the above-described data structure is merely an example, and the present disclosure is not limited thereto.
  • the data structure including the weights of the neural network may be stored in a computer-readable storage medium (eg, memory, hard disk) after being serialized.
  • Serialization can be the process of converting a data structure into a form that can be reconstructed and used later by storing it on the same or a different computing device.
  • the computing device may serialize the data structure to send and receive data over the network.
  • a data structure including weights of the serialized neural network may be reconstructed in the same computing device or in another computing device through deserialization.
  • the data structure including the weight of the neural network is not limited to serialization.
  • the data structure including the weights of the neural network is a data structure to increase computational efficiency while using the resources of the computing device to a minimum (e.g., B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree).
  • a minimum e.g., B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree.
  • the data structure may include hyper-parameters of the neural network.
  • the data structure including the hyperparameters of the neural network may be stored in a computer-readable medium.
  • the hyper parameter may be a variable variable by a user.
  • Hyperparameters are, for example, learning rate, cost function, number of iterations of the learning cycle, weight initialization (e.g., setting the range of weight values to be initialized for weights), Hidden Unit The number (eg, the number of hidden layers, the number of nodes of the hidden layer) may be included.
  • the above-described data structure is merely an example, and the present disclosure is not limited thereto.
  • Steps of a method or algorithm described in relation to an embodiment of the present disclosure may be implemented directly in hardware, as a software module executed by hardware, or by a combination thereof.
  • a software module may contain random access memory (RAM), read only memory (ROM), erasable programmable ROM (EPROM), electrically erasable programmable ROM (EEPROM), flash memory, hard disk, removable disk, CD-ROM, or It may reside in any type of computer-readable recording medium well known in the art to which the present disclosure pertains.
  • Components of the present disclosure may be implemented as a program (or application) to be executed in combination with a computer, which is hardware, and stored in a medium.
  • Components of the present disclosure may be implemented as software programming or software components, and similarly, embodiments may include various algorithms implemented as data structures, processes, routines, or combinations of other programming constructs, including C, C++ , may be implemented in a programming or scripting language such as Java, assembler, or the like. Functional aspects may be implemented in an algorithm running on one or more processors.
  • the various embodiments presented herein may be implemented as methods, apparatus, or articles of manufacture using standard programming and/or engineering techniques.
  • article of manufacture includes a computer program, carrier, or media accessible from any computer-readable device.
  • computer-readable media include magnetic storage devices (eg, hard disks, floppy disks, magnetic strips, etc.), optical disks (eg, CDs, DVDs, etc.), smart cards, and flash memory. devices (eg, EEPROMs, cards, sticks, key drives, etc.).
  • various storage media presented herein include one or more devices and/or other machine-readable media for storing information.
  • machine-readable medium includes, but is not limited to, wireless channels and various other media that can store, hold, and/or convey instruction(s) and/or data.
  • the present invention can be utilized in the medical field that provides analysis information on an ultrasound image of blood vessels by using an artificial neural network.

Landscapes

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

Abstract

전술한 과제를 해결하기 위한 본 개시의 일 실시예에서, 컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 방법이 개시된다. 상기 방법은, 복수의 영상 서브 데이터를 포함하는 영상 데이터를 획득하는 단계, 영상 분석 모델을 이용하여 영상 데이터에 포함된 적어도 둘 이상의 구성요소에 대한 분할을 수행하는 단계 및 적어도 둘 이상의 구성요소에 대한 분할 결과에 기초하여 영상 데이터에 대응하는 분석 정보를 생성하는 단계를 포함할 수 있다.

Description

인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 방법 및 컴퓨팅 장치
본 개시는 혈관 초음파 영상 분석 방법에 관한 것으로, 보다 구체적으로, 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위함이다.
IVUS 기법은, 혈관 초음파 기법이라고도 하며, 혈관 내부에 대한 화상화를 통해 혈관 상태를 진단하기 위한 효과적인 심혈관 검사 방법이다. 구체적으로, IVUS 기법은, 카테터 끝부분에 연결된 초음파 장비(예컨대, 트랜듀서)를 이용하여 혈관 내부를 화상화하여, 혈관의 크기와 병변의 크기 및 종류를 파악할 수 있다.
기존에 관상동맥의 진단 방법 중 하나인 혈관조영술은, 병변 혈관의 세부적인 질환 정보 측정이나, 또는 스텐트 시술 후 적정한 시술 여부에 판정에는 한계가 있었다. IVUS 기법은 이러한 혈관조영술의 제약조건을 극복하고 세부적인 질환 정도와 시술 적정성에 관련한 정보 제공을 가능하게 한다. 하지만 IVUS를 통해 얻은 영상은, 해상도가 낮은 초음파 특성상 판독이 어려울 수 있다. 또한, IVUS 영상으로부터 실제로 정확한 분석을 하기 위해서는, 해당 영상 내에서 관내강(lumen) 및 혈관벽(vessel)을 명확하게 분할해야하는데, 이는 현재까지 IVUS 판독자(예컨대, 의사)에 의하여 판독되고 있다.
이를 위해 IVUS 판독자는 전문의 과정을 마치고도 실제 정확한 판독을 위해서는 많은 시간과 노력을 통한 수련과정을 거쳐야 한다. 이 마저도 판독자의 컨디션과 경험에 따라 판독 결과가 달라질 수 있다. 즉 획득한 IVUS 영상에 대한 판독은 전적으로 판독자 개인의 역량에 의존하고 있는 실정이다. 다시 말해, IVUS 판독은, 판독자의 개개인의 숙련도가 상이함에 따라 상이한 판독 결과를 가져오거나 또는, 검사의 정확도가 다소 결여되는 등 판독의 표준화가 어려울 수 있다.
이에 따라, IVUS 영상 판독의 한계점을 극복하고자, 컴퓨터 비전 기술을 이용하여 영상 영역분할을 자동화하려는 연구가 지속되고 있다.
(선행기술문헌)
(특허문헌)
대한민국 공개특허 10-2011-0028916
본 개시가 해결하고자 하는 과제는 상술한 문제점을 해결하기 위한 것으로서, 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하는 컴퓨팅 장치를 제공하기 위함이다.
본 개시가 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 과제를 해결하기 위한 본 개시의 다양한 실시예에 따른 컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 방법이 개시된다. 상기 방법은, 복수의 영상 서브 데이터를 포함하는 영상 데이터를 획득하는 단계, 영상 분석 모델을 이용하여 상기 영상 데이터에 포함된 적어도 둘 이상의 구성요소에 대한 분할(segmentation)을 수행하는 단계 및 상기 적어도 둘 이상의 구성요소에 대한 분할 결과에 기초하여 상기 영상 데이터에 대응하는 분석 정보를 생성하는 단계를 포함할 수 있다.
대안적인 실시예에서, 상기 적어도 둘 이상의 구성요소는, 관내강(lumen), 혈관벽(vessel), 혈전(thrombus) 및 플라그(plaque) 중 적어도 하나를 포함하는 것을 특징으로 하며, 상기 영상 분석 모델을 이용하여 상기 영상 데이터에 대한 적어도 둘 이상의 구성요소에 대한 분할을 수행하는 단계는, 상기 영상 데이터를 상기 영상 분석 모델의 입력으로 처리하여 상기 적어도 둘 이상의 구성 요소 간의 분할된 경계를 표시하는 영상 데이터를 출력하는 단계를 포함할 수 있다.
대안적인 실시예에서, 상기 영상 분석 모델은, 학습 데이터 세트를 통해 학습된 신경망 모델로, 차원 감소 서브 모델 및 차원 복원 서브 모델을 포함하며, 학습 입력 데이터를 상기 차원 감소 서브 모델의 입력으로 하여 상기 차원 복원 서브 모델이 상기 학습 입력 데이터의 라벨과 연관된 학습 출력 데이터를 출력하도록 학습되며, 상기 차원 감소 서브 모델은, 상기 학습 입력 데이터를 구성하는 복수의 픽셀 간의 유사도 계산을 수행하는 논-로컬 블록(non-local block)을 포함하는 것을 특징으로 할 수 있다.
대안적인 실시예에서, 상기 영상 데이터에 포함된 적어도 둘 이상의 구성 요소에 대한 분할을 수행하는 단계는, 상기 영상 데이터에 포함된 상기 적어도 둘 이상의 구성 요소에 대응하는 실시간 수치 정보를 생성하여 제공하는 단계를 포함하며, 상기 적어도 둘 이상의 구성 요소에 대응하는 실시간 수치 정보는, 관내강, 혈관벽, 혈전 및 플라그 중 적어도 하나에 대한 위치 및 크기 정보를 포함할 수 있다.
대안적인 실시예에서, 상기 영상 데이터에 포함된 상기 적어도 둘 이상의 구성 요소에 대응하는 실시간 수치 정보를 생성하여 제공하는 단계는, 상기 복수의 영상 서브 데이터 각각에 대응하여 상기 적어도 둘 이상의 구성 요소 각각의 직경을 산출하는 단계, 상기 산출된 적어도 둘 이상의 구성 요소 각각의 직경에 기초하여 각 영상 서브 데이터에 대응하는 복수의 수치 서브 정보를 생성하는 단계, 상기 복수의 수치 서브 정보에 기초하여 상기 실시간 수치 정보를 생성하는 단계를 포함할 수 있다.
대안적인 실시예에서, 상기 혈전 또는 상기 플라그로 인해 상기 관내강의 직경이 감소하는 제 1 구간을 식별하는 단계를 더 포함하며, 상기 영상 데이터에 대응하는 분석 정보를 생성하는 단계는, 상기 제 1 구간의 위치 및 길이에 기초하여 상기 분석 정보를 생성하는 단계를 포함하며, 상기 분석 정보는, 질환 발생 여부 및 적정 시술 방법에 관련한 예측 정보를 포함할 수 있다.
대안적인 실시예에서, 상기 영상 데이터에 대응하는 분석 정보를 생성하는 단계는, 상기 영상 데이터를 구성하는 복수의 영상 서브 데이터 각각에 대응하는 복수의 수치 서브 정보들에 기초하여 전체 디스플레이 이미지를 생성하는 단계를 포함하며, 상기 전체 디스플레이 이미지는, 상기 적어도 둘 이상의 구성요소에 관한 정보를 상기 영상 데이터의 전체 시점에 대응하여 요약하여 나타낸 이미지로 관측된 혈관의 전체 구간 정보를 포함하며, 상기 영상 데이터에 대응하는 전체 혈관 길이에 기초하여 생성되는 것을 특징으로 할 수 있다.
대안적인 실시예에서, 상기 영상 데이터에 대응하는 분석 정보를 생성하는 단계는, 상기 생성된 전체 디스플레이 이미지에 상기 제 1 구간에 대응하는 북마크 표시 정보를 생성하는 단계를 포함할 수 있다.
대안적인 실시예에서, 상기 영상 데이터에 대응하는 분석 정보를 생성하는 단계는, 이미지 데이터베이스(image database)에서 상기 제 1 구간에 포함된 하나 이상의 영상 서브 데이터 중 적어도 하나의 영상 서브 데이터와 사전 결정된 임계 유사도 이상을 가지는 하나 이상의 유사 이미지를 검색하는 단계 및 상기 하나 이상의 유사 이미지 및 상기 하나 이상의 유사 이미지 각각에 매칭된 진단 정보를 획득하는 단계를 포함할 수 있다.
대안적인 실시예에서, 상기 영상 데이터에 대한 리샘플링을 통해 학습 데이터를 증강하는 단계를 더 포함하며, 상기 영상 데이터에 대한 리샘플링을 통해 학습 데이터를 증강하는 단계는, 상기 영상 데이터에 포함된 복수의 영상 서브 데이터 중 사전 결정된 시간 간격 이하의 적어도 둘 이상의 기준 영상 서브 데이터를 추출하는 단계, 상기 적어도 둘 이상의 기준 영상 서브 데이터 사이를 보간하여 하나 이상의 보강 영상 서브 데이터를 생성하는 단계 및 상기 적어도 둘 이상의 기준 영상 서브 데이터 및 상기 하나 이상의 보강 영상 서브 데이터에 기초하여 추가 학습 데이터를 생성하는 단계를 포함할 수 있다.
본 개시의 다른 실시예에 따르면, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은, 하나 이상의 프로세서들에 의해 실행되는 경우, 상기 하나 이상의 프로세스들로 하여금 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 복수의 영상 서브 데이터를 포함하는 영상 데이터를 획득하는 동작, 영상 분석 모델을 이용하여 상기 영상 데이터에 포함된 적어도 둘 이상의 구성요소에 대한 분할(segmentation)을 수행하는 동작 및 상기 적어도 둘 이상의 구성요소에 대한 분할 결과에 기초하여 상기 영상 데이터에 대응하는 분석 정보를 생성하는 동작을 포함할 수 있다.
본 개시의 다른 실시예에 따르면, 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 컴퓨팅 장치가 개시된다. 상기 컴퓨팅 장치는, 하나 이상의 코어를 포함하는 프로세서, 상기 프로세서에서 실행가능한 프로그램 코드들을 저장하는 메모리 및 사용자 단말과 데이터를 송수신하는 네트워크부를 포함하고, 상기 프로세서는, 복수의 영상 서브 데이터를 포함하는 영상 데이터를 획득하고, 영상 분석 모델을 이용하여 상기 영상 데이터에 포함된 적어도 둘 이상의 구성요소에 대한 분할(segmentation)을 수행하고, 상기 적어도 둘 이상의 구성요소에 대한 분할 결과에 기초하여 상기 영상 데이터에 대응하는 분석 정보를 생성할 수 있다.
본 개시의 다양한 실시예에 따라, 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공할 수 있다.
본 개시의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
다양한 양상들이 이제 도면들을 참조로 기재되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 양상들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 양상(들)이 이러한 구체적인 세부사항들 없이 실시될 수 있음은 명백할 것이다.
도 1은 본 개시의 일 실시예와 관련된 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 컴퓨팅 장치의 다양한 양태가 구현될 수 있는 시스템을 나타낸 개념도를 도시한다.
도 2는 본 개시의 일 실시예와 관련한 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 컴퓨팅 장치의 블록 구성도를 도시한다.
도 3는 본 개시의 일 실시예와 관련된 적어도 둘 이상의 구성요소를 통해 분할된 영상 데이터를 예시적으로 도시한 예시도이다.
도 4는 본 개시의 일 실시예와 관련된 영상 데이터에 대응하는 전체 디스플레이 이미지를 예시적으로 도시한 예시도이다.
도 5은 본 개시의 일 실시예와 관련된 영상 데이터에 대한 리샘플링을 통해 학습 데이터를 증강하는 과정을 예시적으로 도시한 예시도이다.
도 6은 본 개시의 일 실시예와 관련된 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 방법을 수행하기 위한 단계들을 예시적으로 도시한 순서도이다.
도 7은 본 개시의 일 실시예와 관련된 하나 이상의 네트워크 함수를 나타낸 개략도이다.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.
본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.
제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니다. 본 개시는 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
본 명세서에서, 컴퓨터는 적어도 하나의 프로세서를 포함하는 모든 종류의 하드웨어 장치를 의미하는 것이고, 실시 예에 따라 해당 하드웨어 장치에서 동작하는 소프트웨어적 구성도 포괄하는 의미로서 이해될 수 있다. 예를 들어, 컴퓨터는 스마트폰, 태블릿 PC, 데스크톱, 노트북 및 각 장치에서 구동되는 사용자 클라이언트 및 애플리케이션을 모두 포함하는 의미로서 이해될 수 있으며, 또한 이에 제한되는 것은 아니다.
이하, 첨부된 도면을 참조하여 본 개시의 실시예를 상세하게 설명한다.
본 명세서에서 설명되는 각 단계들은 컴퓨터에 의하여 수행되는 것으로 설명되나, 각 단계의 주체는 이에 제한되는 것은 아니며, 실시 예에 따라 각 단계들의 적어도 일부가 서로 다른 장치에서 수행될 수도 있다.
도 1은 본 개시의 일 실시예와 관련된 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 컴퓨팅 장치의 다양한 양태가 구현될 수 있는 시스템을 나타낸 개념도를 도시한다.
본 개시의 실시예들에 따른 시스템은, 컴퓨팅 장치(100), 사용자 단말(10), 혈관 스캐닝 장치(20), 외부 서버(30) 및 네트워크를 포함할 수 있다. 도 1에서 도시되는 컴포넌트들은 예시적인 것으로서, 추가적인 컴포넌트들이 존재하거나 또는 도 1에서 도시되는 컴포넌트들 중 일부는 생략될 수 있다. 본 개시의 실시예들에 따른 컴퓨팅 장치(100), 사용자 단말(10), 혈관 스캐닝 장치(20) 및 외부 서버(30)는 네트워크를 통해, 본 개시의 일 실시예들에 따른 시스템을 위한 데이터를 상호 송수신할 수 있다.
본 개시의 실시예들에 따른 네트워크는 공중전화 교환망(PSTN: Public Switched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.
또한, 여기서 제시되는 네트워크는 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SC-FDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다.
본 개시의 실시예들에 따른 네트워크는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(PAN: Personal Area Network), 근거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 상기 네트워크는 공지의 월드와이드웹(WWW: World Wide Web)일 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다. 본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.
본 개시의 일 실시예에 따르면, 사용자 단말(10)은 컴퓨팅 장치(100)에 엑세스하여 영상 데이터에 대한 분석 정보를 획득하고자 하는 사용자와 관련된 단말일 수 있다. 이러한 사용자 단말(10)은 혈관 스캐닝 장치(20)를 통해 획득한 검사자의 영상 데이터(예컨대, IVUS 영상 데이터)를 수신하여 저장하는 단말일 수 있다. 또한, 사용자 단말(10)은 검진 결과를 사용자(예컨대, 검진자)에게 제공하는 검사자(예컨대, 전문의)와 관련한 단말일 수 있다. 사용자 단말(10)이 검진자에게 검진 결과를 제공하는 검사자에 관련한 단말인 경우, 컴퓨팅 장치(100)로부터 수신하는 영상 데이터에 대응하는 진단 정보는, 검진자의 검진 결과 판독을 위한 의료 보조 단말로 활용될 수 있다. 사용자 단말(10)은 디스플레이를 구비하고 있어서, 사용자의 입력을 수신하고, 사용자에게 임의의 형태의 출력을 제공할 수 있다.
사용자 단말(10)은 컴퓨팅 장치(100)와 통신을 위한 메커니즘을 갖는 시스템에서의 임의의 형태의 엔티티(들)를 의미할 수 있다. 예를 들어, 이러한 사용자 단말(10)은 PC(personal computer), 노트북(note book), 모바일 단말기(mobile terminal), 스마트 폰(smart phone), 태블릿 PC(tablet pc) 및 웨어러블 디바이스(wearable device) 등을 포함할 수 있으며, 유/무선 네트워크에 접속할 수 있는 모든 종류의 단말을 포함할 수 있다. 또한, 사용자 단말(10)은 에이전트, API(Application Programming Interface) 및 플러그-인(Plug-in) 중 적어도 하나에 의해 구현되는 임의의 서버를 포함할 수도 있다. 또한, 사용자 단말(10)은 애플리케이션 소스 및/또는 클라이언트 애플리케이션을 포함할 수 있다.
본 개시의 일 실시예에 따르면, 혈관 스캐닝 장치(20)는 검사자의 혈관 내부를 화상화하여 영상 데이터를 획득하는 장치를 의미할 수 있다. 구체적으로, 혈관 스캐닝 장치(20)는 하나 이상의 카테터(catheter)를 포함하며, 해당 하나 이상의 카테터는 검사자의 혈관에 삽입되어 혈관 내부에 관련한 영상 데이터를 획득할 수 있다. 하나 이상의 카테터는 끝 단에 초음파 장비(예컨대, 트랜듀서)를 구비할 수 있으며, 해당 초음파 장비를 통해 혈관 내부에 관련한 혈관 초음파 영상 데이터를 획득할 수 있다. 혈관 스캐닝 장치(20)를 통해 획득된 혈관에 대한 초음파 영상 데이터는 본 개시의 컴퓨팅 장치(100)로 전달될 수 있다. 컴퓨팅 장치(100)는 혈관 스캐닝 장치(20)를 통해 획득된 검사자의 혈관 초음파 영상 데이터를 해당 혈관 스캐닝 장치(20) 또는 사용자 단말(10)을 통해 수신할 수 있으며, 수신한 영상 데이터에 대한 분석 정보를 제공할 수 있다.
도 1에서 혈관 스캐닝 장치(20) 및 컴퓨팅 장치(100)가 별도의 엔티티로서 분리되어 표현되었지만, 본 개시내용의 다양한 구현 양태에 따라서 혈관 스캐닝 장치(20)가 컴퓨팅 장치(100) 내에 포함되어 혈관 초음파 영상 데이터(즉, IVUS 영상) 획득 기능 및 획득한 영상 데이터에 대응하는 분석 정보 제공 기능이 통합되어 수행될 수도 있다.
본 개시의 일 실시예에 따르면, 외부 서버(30)는 복수의 영상 데이터 및 각 영상 데이터에 관련한 진단 정보 등을 저장하는 서버일 수 있다. 예를 들어, 외부 서버(30)는 병원 서버 및 정부 서버 중 적어도 하나일 수 있으며, 혈관 초음파 영상 데이터 및 해당 영상 데이터에 관한 의료기록 또는 진단기록 등에 관한 정보를 저장하는 서버일 수 있다. 외부 서버(30)에 저장된 정보들은 본 개시에서의 신경망을 학습시키기 위한 학습 데이터, 검증 데이터 및 테스트 데이터로 활용될 수 있다. 즉, 외부 서버(30)는 본 개시의 신경망 모델을 학습시키기 위한 데이터 세트에 관한 정보를 저장하고 있는 서버일 수 있다.
본 개시의 컴퓨팅 장치(100)는 외부 서버(30)로부터 복수의 영상 데이터 및 각 영상 데이터에 관한 진단 정보에 기반하여 학습 데이터 세트를 구축할 수 있으며, 학습 데이터 세트를 통해 하나 이상의 네트워크 함수를 포함하는 신경망 모델을 학습시킴으로써, 영상 데이터에 포함된 적어도 둘 이상의 구성요소에 대한 분할을 수행하기 위한 영상 분석 모델을 생성할 수 있다.
외부 서버(30)는 디지털 기기로서, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다. 외부 서버(30)는 서비스를 처리하는 웹 서버일 수 있다. 전술한 서버의 종류는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 영상 데이터에 대응하는 분석 정보를 제공할 수 있다. 여기서 영상 데이터는, 혈관 스캐닝 장치(20)를 통해 획득되는 사용자(즉, 검사자)의 혈관에 관련한 영상 데이터일 수 있다. 다시 말해, 영상 데이터는, 사용자의 혈관에 대한 이상 여부를 진단하기 위한 기준이 되는 혈관 초음파 영상 데이터일 수 있다. 이러한 영상 데이터는, 복수의 영상 서브 데이터를 포함할 수 있다. 복수의 영상 서브 데이터는 영상 데이터를 구성하는 하나 이상의 프레임을 의미할 수 있다.
본 개시에서 영상 데이터에 대응하는 분석 정보는, 혈관 초음파 영상 데이터를 통해 판독되는 진단 정보일 수 있으며, 질환 발생 여부 및 적정 시술 방법에 관련한 예측 정보를 포함할 수 있다. 예를 들어, 분석 정보는, 혈관 초음파 영상에서 관내강(lumen) 및 혈관벽(vessel)을 각 영역으로 분할하여 표시(즉, 영역화)하는 정보를 포함할 수 있다. 또한, 예를 들어, 사용자의 혈관에 대한 영상 데이터로부터 관측된 혈관의 크기와 병변의 크기 및 종류에 대응하는 병변 혈관의 세부적인 질환 정도에 관한 예측 정보를 포함할 수 있다. 다른 예를 들어, 분석 정보는, 전체 영상 데이터에서 혈전이 있는 병변의 영역 길이를 고려함으로써 산출한 스텐트 시술에 필요한 스텐트 길이에 관한 예측 정보를 포함할 수 있다. 또 다른 예를 들어, 분석 정보는 스텐트 시술 이후, 적정한 시술 여부 판정에 관한 예측 정보를 포함할 수 있다. 전술한 분석 정보에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
즉, 컴퓨팅 장치(100)는 사용자의 혈관 진단을 위한 혈관 초음파 영상 데이터를 획득하고, 획득한 영상 데이터에 대응하여 질환 발생 여부 및 적정 시술 방법에 관련한 분석 정보를 제공할 수 있다.
보다 구체적으로 설명하면, 컴퓨팅 장치(100)는 영상 분석 모델을 이용하여 영상 데이터에 포함된 적어도 둘 이상의 구성 요소에 대한 분할을 수행할 수 있다. 적어도 둘 이상의 구성요소는, 관내강(lumen), 혈관벽(vessel), 혈전(thrombus) 및 플라그(plaque) 중 적어도 하나를 포함할 수 있다. 혈전은, 혈액 응고 과정을 통해 혈액이 지혈되어 생성되는 최종 산물을 의미하는 것일 수 있다. 체 내에 혈액이 응고되어 생성된 것이 혈전일 수 있다. 혈전은 일반적으로 섬유소 용해 과정을 통해 자연스럽게 소멸되나, 병적으로 생성된 경우에는 생성량이 증가하여 체내에서 모두 용해시킬 수 없게됨에 따라 혈관의 흐름을 방해하여 여러가지 질병을 유발할 수 있다. 플라그는, 혈관의 관내강(또는 내벽)에서 선택적으로 흡수한 콜레스테롤이 축적된 것으로, 플라그의 형성이 진행되는 동안 혈관 내의 세포파편, 평활근 세포 및 대식세포가 축적될 수 있다. 축적된 플라그는 석회화(Calcification)하여 혈관 안쪽으로 돌출하게 되고, 혈액의 흐름을 방해할 수 있다.
본 개시의 영상 분석 모델은 학습 데이터 세트를 통해 학습된 신경망 모델일 수 있다. 본 개시의 컴퓨팅 장치(100)는 학습 데이터 세트를 통해 하나 이상의 네트워크 함수를 포함하는 신경망 모델에 대한 학습을 수행함으로써, 영상 분석 모델을 생성할 수 있다. 이러한 영상 분석 모델은 U-Net을 기반의 신경망 모델일 수 있다. U-Net 기반의 신경망 모델은, 빠르고 정확한 세그멘테이션을 수행하는 컨벌루션 뉴럴 네트워크(CNN, Convolutional Neural Network)의 일종으로 의료 영상을 세그멘테이션하는데 주로 활용되는 모델일 수 있다. 즉, 컴퓨팅 장치(100)는 영상 데이터를 영상 분석 모델의 입력으로 처리하여 적어도 둘 이상의 구성 요소 간의 분할된 경계를 표시하는 영상 데이터를 출력할 수 있다.
또한, 컴퓨팅 장치(100)는 영상 데이터에 포함된 적어도 둘 이상의 구성 요소에 대응하는 실시간 수치 정보를 생성할 수 있다. 여기서 적어도 둘 이상의 구성요소에 대응하는 실시간 수치 정보는, 관내강, 혈관벽, 혈전 및 플라그 중 적어도 하나에 대한 위치 및 크기 정보를 포함할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 혈관벽, 관내강, 혈전 및 플라그 각각의 위치, 비율, 병변 영역의 길이를 포함하는 실시간 수치 정보를 생성하여 영상 데이터에 표시할 수 있다. 즉, 컴퓨팅 장치(100)는 영상 데이터에 포함된 둘 이상의 구성 요소의 형태학적 안내 수치를 각 영상 전체에 표시하여 실시간 수치 정보를 제공할 수 있다. 이는 많은 교육을 거친 숙련된 전문가가 아닌 사용자에게도 혈관에 관련한 형태학적인 수치를 인지하도록 하게 하는 효과를 제공할 수 있다.
또한, 컴퓨팅 장치(100)는 제 1 구간의 위치 및 길이에 기초하여 영상 데이터에 대한 분석 정보를 제공할 수 있다. 이 경우, 제 1 구간은, 혈관 내에서 위험 증후를 보이는 구간을 의미할 수 있다. 예컨대, 심장근육에 혈액을 공급하는 관상동맥의 일부 구간이, 심장에 산소를 제대로 공급하지 못하게 막히는 제 1 구간일 수 있다. 예를 들어, 혈관의 일부가 막히는 구간은, 혈전 또는 플라그와 관련한 것일 수 있다.
구체적으로, 컴퓨팅 장치(100)는 혈전 또는 플라그 중 적어도 하나를 통해 관내강의 직경이 감소하는 제 1 구간을 식별할 수 있다. 컴퓨팅 장치(100)는 제 1 구간의 위치 및 길이에 기초하여 영상 데이터에 대한 분석 정보를 제공할 수 있다. 예를 들어, 심장 혈관(좌주관상동맥)의 80%가 제 1 구간의 길이와 대응하는 경우(즉, 좌주관상동맥의 80%가 혈전에 의해 막힌 경우), 컴퓨팅 장치(100)는 혈전이 위치한 제 1 구간의 길이에 대응하여 필요한 스텐트 길이에 대한 정보를 포함하는 분석 정보를 생성하여 제공할 수 있다. 즉, 본 개시의 컴퓨팅 장치(100)는 실제 진단에 필요한 정보들을 제공하는 보조 시스템으로 활용될 수 있다. 이 경우, 컴퓨팅 장치(100)는 단순히 관내강 또는 혈관벽 각각의 영역을 구분하기 위한 분석 정보만을 제공하는 것이 아닌, 혈관 내 혈전 및 플라그와 같은 위험 인자에 관한 정보(예컨대, 위치 및 크기)와 해당 위험 구간에 대응하는 적합한 시술 방법(예컨대, 필요한 스텐트 길이 제안) 등 정확한 진단을 보조해줄 정보들을 제공할 수 있다.
일 실시예에서, 컴퓨팅 장치(100)는 단말 또는 서버일 수 있으며, 임의의 형태의 장치는 모두 포함할 수 있다. 컴퓨팅 장치(100)는 디지털 기기로서, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다. 컴퓨팅 장치(100)는 서비스를 처리하는 웹 서버일 수 있다. 전술한 컴퓨팅 장치의 종류는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 클라우드 컴퓨팅 서비스를 제공하는 서버일 수 있다. 보다 구체적으로, 컴퓨팅 장치(100)는 인터넷 기반 컴퓨팅의 일종으로 정보를 사용자의 컴퓨터가 아닌 인터넷에 연결된 다른 컴퓨터로 처리하는 클라우드 컴퓨팅 서비스를 제공하는 서버일 수 있다. 상기 클라우드 컴퓨팅 서비스는 인터넷 상에 자료를 저장해 두고, 사용자가 필요한 자료나 프로그램을 자신의 컴퓨터에 설치하지 않고도 인터넷 접속을 통해 언제 어디서나 이용할 수 있는 서비스일 수 있으며, 인터넷 상에 저장된 자료들을 간단한 조작 및 클릭으로 쉽게 공유하고 전달할 수 있다. 또한, 클라우드 컴퓨팅 서비스는 인터넷 상의 서버에 단순히 자료를 저장하는 것뿐만 아니라, 별도로 프로그램을 설치하지 않아도 웹에서 제공하는 응용프로그램의 기능을 이용하여 원하는 작업을 수행할 수 있으며, 여러 사람이 동시에 문서를 공유하면서 작업을 진행할 수 있는 서비스일 수 있다. 또한, 클라우드 컴퓨팅 서비스는 IaaS(Infrastructure as a Service), PaaS(Platform as a Service), SaaS(Software as a Service), 가상 머신 기반 클라우드 서버 및 컨테이너 기반 클라우드 서버 중 적어도 하나의 형태로 구현될 수 있다. 즉, 본 개시의 컴퓨팅 장치(100)는 상술한 클라우드 컴퓨팅 서비스 중 적어도 하나의 형태로 구현될 수 있다. 전술한 클라우드 컴퓨팅 서비스의 구체적인 기재는 예시일 뿐, 본 개시의 클라우드 컴퓨팅 환경을 구축하는 임의의 플랫폼을 포함할 수도 있다.
본 개시에서의 신경망에 대한 학습 방법, 학습 과정, 혈관 초음파 영상에 대한 분석 정보를 제공하는 구체적인 구성 및 이에 따른 효과에 대한 구체적인 설명은 이하의 도 2를 참조하여 후술하도록 한다.
도 2는 본 개시의 일 실시예와 관련한 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 컴퓨팅 장치의 블록 구성도를 도시한다.
도 2에 도시된 바와 같이, 컴퓨팅 장치(100)는 네트워크부(110), 메모리(120) 및 프로세서(130)를 포함할 수 있다. 전술한 컴퓨팅 장치(100)에 포함된 컴포넌트들은 예시적인 것으로 본 개시내용의 권리범위가 전술한 컴포넌트들로 제한되지 않는다. 즉, 본 개시내용의 실시예들에 대한 구현 양태에 따라서 추가적인 컴포넌트들이 포함되거나 전술한 컴포넌트들 중 일부가 생략될 수 있다.
본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 혈관 스캐닝 장치(20) 및 외부 서버(30)와 데이터를 송수신하는 네트워크부(110)를 포함할 수 있다. 네트워크부(110)는 본 개시의 일 실시예에 따른 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 방법을 수행하기 위한 데이터들 및 신경망 모델을 학습시키기 위한 학습 데이터 세트 등을 다른 컴퓨팅 장치, 서버 등과 송수신할 수 있다. 즉, 네트워크부(110)는 컴퓨팅 장치(100)와 혈관 스캐닝 장치(20) 및 외부 서버(30) 간의 통신 기능을 제공할 수 있다. 예를 들어, 네트워크부(110)는 혈관 스캐닝 장치(20)로부터 혈관 초음파 영상 데이터를 수신할 수 있다. 다른 예를 들어, 네트워크부(110)는 외부 서버(30)로부터 본 개시의 영상 분석 모델을 학습시키기 위한 학습 데이터 세트를 수신할 수 있다. 추가적으로, 네트워크부(110)는 컴퓨팅 장치(100)로 프로시저를 호출하는 방식으로 컴퓨팅 장치(100)와 사용자 단말(10) 및 외부 서버(30) 간의 정보 전달을 허용할 수 있다.
본 개시의 일 실시예에 따른 네트워크부(110)는 공중전화 교환망(PSTN: Public Switched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.
또한, 본 명세서에서 제시되는 네트워크부(110)는 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SC-FDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다.
본 개시에서 네트워크부(110)는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(PAN: Personal Area Network), 근거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 상기 네트워크는 공지의 월드와이드웹(WWW: World Wide Web)일 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다. 본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.
본 개시의 일 실시예에 따르면, 메모리(120)는 본 개시의 일 실시예에 따른 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 방법을 수행하기 위한 컴퓨터 프로그램을 저장할 수 있으며, 저장된 컴퓨터 프로그램은 프로세서(130)에 의하여 판독되어 구동될 수 있다. 또한, 메모리(120)는 프로세서(130)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(110)가 수신한 임의의 형태의 정보를 저장할 수 있다. 또한, 메모리(120)는 혈관 초음파 영상 데이터에 대한 정보들을 저장할 수 있다. 예를 들어, 메모리(120)는 입/출력되는 데이터들(예를 들어, 혈관 초음파 영상 데이터, 혈관 초음파 영상 데이터에 대응하는 전체 디스플레이 이미지 및 혈관 초음파 영상 데이터에 대응하여 생성된 분석 정보 등)을 임시 또는 영구 저장할 수 있다.
본 개시의 일 실시예에 따르면, 메모리(120)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(120)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따르면, 프로세서(130)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치(GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다.
프로세서(130)는 메모리(120)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 딥러닝을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일 실시예에 따라 프로세서(130)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(130)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다.
또한, 프로세서(130)는 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.
본 명세서에서 네트워크 함수는 인공 신경망, 뉴럴 네트워크와 상호 교환 가능하게 사용될 수 있다. 본 명세서에서 네트워크 함수는 하나 이상의 뉴럴 네트워크를 포함할 수도 있으며, 이 경우 네트워크 함수의 출력은 하나 이상의 뉴럴 네트워크의 출력의 앙상블(ensemble)일 수 있다.
프로세서(130)는 메모리(120)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 비디오 생성 모델을 제공할 수 있다. 본 개시의 일 실시예에 따라, 프로세서(130)는 영상 데이터에 대응하는 분석 정보 생성을 수행할 수 있다. 본 개시의 일 실시예에 따라, 프로세서(130)는 비디오 생성 모델을 학습시키기 위한 계산을 수행할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(130)는 통상적으로 컴퓨팅 장치(100)의 전반적인 동작을 처리할 수 있다. 프로세서(130)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(120)에 저장된 응용 프로그램을 구동함으로써, 사용자 또는 사용자 단말에게 적정한 정보 또는, 기능을 제공하거나 처리할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(130)는 복수의 영상 서브 데이터를 포함하는 영상 데이터를 획득할 수 있다. 본 개시의 일 실시예에 따른 영상 데이터의 획득은, 메모리(120)에 저장된 영상 데이터를 수신하거나, 또는 로딩(loading)하는 것일 수 있다. 또한, 영상 데이터의 획득은, 유/무선 통신 수단에 기초하여 다른 저장 매체, 다른 컴퓨팅 장치, 동일한 컴퓨팅 장치 내의 별도 처리 모듈로부터 데이터를 수신하거나 또는 로딩하는 것일 수 있다.
본 개시의 영상 데이터는, 사용자의 혈관에 대한 이상 여부를 진단하기 위한 혈관 초음파 영상 데이터일 수 있다. 이러한 영상 데이터는, 복수의 영상 서브 데이터를 포함할 수 있다. 복수의 영상 서브 데이터는 영상 데이터를 구성하는 하나 이상의 프레임을 의미할 수 있다. 즉, 영상 데이터는, 혈관 초음파 영상 데이터(즉, IVUS 영상)를 의미할 수 있으며, 혈관 스캐닝 장치(20)를 통해 획득될 수 있다. 혈관 스캐닝 장치(20)는 컴퓨팅 장치(100)와 분리된 별개의 모듈로 설명되나, 본 개시의 다양한 구현 양태에 따라 혈관 스캐닝 장치(20)가 컴퓨팅 장치(100) 내에 포함되어 구성될 수도 있다. 혈관 스캐닝 장치(20)는 하나 이상의 카테터(catheter)를 포함하며, 해당 하나 이상의 카테터가 검사자의 혈관에 삽입됨으로써, 해당 검사자의 혈관 내부에 관련한 영상 데이터가 획득될 수 있다. 즉, 혈관 스캐닝 장치(20)는 검사자의 혈관 초음파 영상 데이터를 획득하여 사용자 단말(10) 또는 컴퓨팅 장치(100)로 전송할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(130)는 획득한 영상 데이터에 대한 노이즈 제거를 수행할 수 있다. 구체적으로, 프로세서(130)가 획득하는 영상 데이터는, 혈관 스캐닝 장치(20)를 통해 획득되는 혈관 초음파 영상임에 따라, 파장의 간섭으로 인한 스펙클 잡음(speckle noise)를 포함할 수 있다. 스펙클 잡음은 획득한 이미지의 품질을 저하시킬 수 있으며, 저하된 품질의 이미지는, 이미지에 포함된 적어도 둘 이상의 구상요소 각각의 분할을 어렵게 할 수 있다. 이에 따라, 본 개시의 프로세서(130)는 영상에서 스펙클 잡음을 제거하기 위한 노이즈 제거를 수행할 수 있다. 예를 들어, 프로세서(130)는 이미지 내에서 포인트 타겟(point target)을 우선적으로 처리하여 이로 인한 영상 번짐을 최소화시킴으로써 스펙클 잡음을 최소화할 수 있다. 다른 예를 들어, 프로세서(130)는 이미지 내 경계(boundary) 영역을 검출하여 필터링 윈도우의 모양과 크기를 조정함으로써, 균일 영역 내부의 모든 픽셀을 계산된 필터 계수로 필터링하여 스펙클 잡음을 제거할 수 있다. 전술한 노이즈 제거 방법에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따르면, 프로세서(130)는 영상 분석 모델을 이용하여 영상 데이터에 포함된 적어도 둘 이상의 구성요소에 대한 분할을 수행할 수 있다. 적어도 둘 이상의 구성요소는 관내강, 혈관, 혈전 및 플라그 중 적어도 하나를 포함하는 것을 특징으로 할 수 있다. 구체적으로, 프로세서(130)는 영상 데이터를 영상 분석 모델의 입력으로 처리하여 적어도 둘 이상의 구성 요소 간의 분할된 경계를 표시하는 영상 데이터를 출력할 수 있다.
영상 분석 모델은 학습 데이터 세트를 통해 학습된 신경망 모델일 수 있다. 이를 위해, 프로세서(130)는 복수의 학습 데이터를 통해 하나 이상의 네트워크 함수에 대한 학습을 수행함으로써, 영상 분석 모델을 생성할 수 있다.
자세히 설명하면, 프로세서(130)는 외부 서버(30)로부터 본 개시의 신경망 모델을 학습시키기 위한 학습 데이터 세트를 수신할 수 있으며, 학습 데이터 세트에 기반하여 학습 입력 데이터 세트 및 학습 출력 데이터 세트를 구축할 수 있다. 프로세서(130)는 복수의 영상 데이터를 통해 학습 입력 데이터 세트를 구축하고, 복수의 영상 데이터 각각에 대응하는 진단 정보(즉, 분할 영역 정보)를 통해 학습 출력 데이터 세트를 구축할 수 있다. 프로세서(130)는 학습 입력 데이터 세트 및 학습 출력 데이터 세트를 포함하는 학습 데이터 세트를 통해, 영상 분석 모델인 영상 데이터를 입력으로 하여 해당 영상 데이터에 포함된 적어도 둘 이상의 구성요소에 대한 분할을 수행하도록 학습시킬 수 있다.
보다 자세히 설명하면, 영상 분석 모델은, 학습 데이터 세트를 통해 학습된 신경망 모델로, 차원 감소 서브 모델(예컨대, 인코더(encoder)) 및 차원 복원 서브 모델(예컨대, 디코더(decoder))을 포함할 수 있다. 또한, 영상 분석 모델은 학습 입력 데이터를 차원 감소 서브 모델의 입력으로 하여 차원 복원 서브 모델이 학습 입력 데이터의 라벨과 연관된 학습 출력 데이터를 출력하도록 학습될 수 있다.
프로세서(130)는 차원 감소 서브 모델에 영상 데이터에 관련한 학습 입력 데이터를 입력으로 하여 해당 학습 입력 데이터에 대응하는 피처를 출력하고, 그리고 출력된 피처를 차원 복원 서브 모델의 입력을 처리하여 학습 영상 데이터에 대응하는 영역 분할을 수행하도록 할 수 있다. 프로세서(130)는 차원 복원 서브 모델의 출력인 영역 분할을 학습 분할 영역(즉, 분할 영역 정보)과 비교하여 오차를 도출하고, 도출된 오차에 기초하여 각 모델의 가중치를 역전파(backpropagation) 방식으로 조정할 수 있다. 프로세서(130)는 학습 입력 데이터에 대한 차원 복원 서브 모델의 연산 결과와 학습 출력 데이터의 오차에 기초하여 차원 복원 서브 모델의 출력인 영역 분할이 학습 출력 데이터에 가까워지도록 하나 이상의 네트워크 함수의 가중치를 조정할 수 있다.
즉, 차원 감소 서브 모델은 프로세서(130)로부터 영상 데이터에 관련한 학습 입력 데이터를 수신하여 학습 입력 데이터의 특정 벡터에 관련한 피처를 출력으로 지정하여 입력 데이터가 피처로 변환되는 중간 과정을 학습할 수 있다.
또한, 프로세서(130)는 차원 감소 서브 모델로부터 영상 데이터에 관련한 진단 정보(즉, 영역 분할에 관한 정보)에 관련한 임베딩(즉, 영상 데이터 피처)을 차원 복원 서브 모델로 전달할 수 있다. 차원 복원 서브 모델은 영상 데이터의 피처를 입력으로 영상 데이터에 대응하는 영역 분할을 수행할 수 있다.
일 실시예에 따르면, 영상 분석 모델은, 경계 검출을 통해 분할 영역의 경계 정보를 추출하고 이를 최종 분할 결과를 도출하는 피처로 활용할 수 있다. 이에 따라, 경계 검출을 이용한 보조를 통해 경계가 명확하지 않은 영역들 간 분별력을 향상시키고, 형태를 잘 보존하여 매끄러운 결과를 도출하도록 할 수 있다.
다시 말해, 프로세서(130)는 혈관 초음파 영상 데이터 및 영상 데이터에 관련한 분할 영역에 관한 정보를 포함하는 학습 데이터 세트를 통해 신경망 모델에 대한 학습을 수행함으로써, 영상 분석 모델을 생성할 수 있다. 또한, 학습된 영상 분석 모델에 진단하고자 하는 영상 데이터(예컨대, 혈관 초음파 영상 데이터)를 입력으로 처리하여, 적어도 둘 이상의 구성 요소 간의 분할된 경계를 표시하는 영상 데이터를 출력할 수 있다. 예를 들어, 적어도 둘 이상의 구성요소 간의 분할된 경계를 표시하는 영상 데이터는, 도 3에 도시된 바와 같이, 혈관벽 영역, 관내강 영역 및 혈전 영역을 포함하는 영상 데이터일 수 있다.
추가적인 실시예에 따르면, 차원 감소 서브 모델은, 학습 입력 데이터를 구성하는 복수의 픽셀 간의 유사도 계산을 수행하는 논 로컬 블록(Non-Local Block)을 포함할 수 있다. 논 로컬 블록은 기존 컨볼루션 뉴럴 네트워크가 로컬 영역만을 참조하는 특성을 보완하기 위한 것일 수 있다. 예를 들어, 하나의 이미지 안에도 서로 유사한 영역들이 존재할 수 있다. 즉, 이미지 내에서 주변부만을 이용하는 것이 이미지 전체 영역을 활용하는 경우, 학습의 효율이 향상될 수 있다. 다시 말해, 논 로컬 블록은, 단순히 이미지 내에서 인접한 영역의 픽셀만을 활용하는 것이 아닌, 전체 영역에서 픽셀들 간의 유사도를 계산하고, 이를 클래스 정보와 연결하여 이미지에서 각 클래스에 대해 유사도가 높은 픽셀들을 추출하고 활용되도록 할 수 있다. 즉, 논 로컬 블록은, 이미지 전체에 대한 유사도 측정을 통해 같은 클래스 간 연결을 긴밀하게하여 신경망의 학습 효율을 향상시킬 수 있으며, 인접 픽셀들이 파편화되어 분할되는 결과를 방지(예방)할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(130)는 영상 데이터에 포함된 적어도 둘 이상의 구성 요소에 대응하는 실시간 수치 정보를 생성하여 제공할 수 있다. 적어도 둘 이상의 구성 소요에 대응하는 실시간 수치 정보는, 관내강, 혈관, 혈전 및 플라그 중 적어도 하나에 대한 위치 및 크기 정보를 포함할 수 있다. 예를 들어, 프로세서(130)는 관내강, 혈관벽, 혈전 및 플라그 각각의 위치, 비율, 병변 영역의 길이 등을 포함하는 실시간 수치 정보를 생성하여 영상 데이터에 표시할 수 있다.
자세히 설명하면, 프로세서(130)는 복수의 영상 서브 데이터 각각에 대응하여 적어도 둘 이상의 구성 요소 각각의 직경을 산출할 수 있다. 복수의 영상 서브 데이터는 영상 데이터를 구성하는 하나 이상의 프레임들을 의미할 수 있다. 즉, 프로세서(130)는 혈관 초음파 영상을 구성하는 프레임들 각각에 대응하는 복수의 영상 서브 데이터 각각에 대응하여 적어도 둘 이상의 구성요소 각각의 직경을 산출할 수 있다. 구체적으로, 프로세서(130)는 영상 데이터의 적어도 둘 이상의 구성요소를 통해 분할된 영역 각각의 최대 및 최소 직경에 기초하여 해당 둘 이상의 구성 요소 각각의 직경을 산출할 수 있다. 예를 들어, 영상 데이터가 관내강 및 혈관벽을 기준으로 분할된 경계를 표시하는 경우, 프로세서(130)는 각 분할된 경계에 대응하여 각 구성요소(즉, 관내강 및 혈관벽)의 직경에 기초하여 관내강 및 혈관벽 각각의 직경을 4mm 및 8mm로 산출할 수 있다. 전술한 관내강 및 혈관벽에 대한 구체적인 수치적 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
프로세서(130)는 산출된 적어도 둘 이상의 구성 요소 각각의 직경에 기초하여 각 영상 서브 데이터 대응하는 복수의 수치 서브 정보를 생성할 수 있다. 예를 들어, 프로세서(130)는 영상 데이터를 구성하는 복수의 영상 서브 데이터 중 제 1 영상 서브 데이터에 대응하여 관내강 및 혈관벽 각각의 직경이 4mm 및 8mm라는 정보를 포함하는 제 1 수치 서브 정보를 생성할 수 있으며, 제 2 영상 서브 데이터에 대응하여 관내강 및 혈관벽 각각의 직경이 3.8mm 및 6.2mm라는 정보를 포함하는 제 2 수치 서브 정보를 생성할 수 있다. 또한, 프로세서(130)는 영상 데이터를 구성하는 복수의 영상 서브 데이터 중 제 3 영상 서브 데이터에 대응하여 관내강 및 혈관벽 각각의 직경이 1.8mm 및 7mm라는 정보 및 혈전의 직경이 2mm라는 정보를 포함하는 제 3 수치 서브 정보를 획득할 수 있다. 또한, 프로세서(130)는 제 1 수치 서브 정보, 제 2 수치 서브 정보 및 제 3 수치 서브 정보를 통합함으로써, 실시간 수치 정보를 생성할 수 있다. 이 경우, 제 3 영상 서브 데이터에 대응하는 구간에서 혈전이 발견됨을 식별할 수 있으며, 해당 혈전의 크기에 대한 정보는 실시간 수치 정보로써 표시될 수 있다. 예컨대, 실시간 수치 정보는, 스텐트 시술을 집도하는 과정에서 필수적으로 필요한 혈관, 관내강, 혈전에 대한 직경, 영역 넓이 또는, 플라그 경계 정보에 관련한 정보들을 포함할 수 있다. 즉, 프로세서(130)는 영상 데이터에 포함된 둘 이상의 구성 요소에 대응하는 형태학적 안내 수치를 각 영상 전체에 표시하여 실시간 수치 정보를 제공할 수 있다. 이에 따라, 많은 교육을 거친 숙련된 전문가가 아닌 사용자에게도 혈관에 관련한 형태학적인 수치를 인지하도록 하게 하는 효과를 제공할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(130)는 혈전 또는 플라그 중 적어도 하나로 인해 관내강의 직경이 감소하는 제 1 구간을 식별할 수 있다. 제 1 구간은, 영상 데이터의 포함된 복수의 영상 서브 데이터 중 적어도 일부에 대응하는 것일 수 있다. 즉, 영상 데이터는 검사자로부터 측정된 전체 구간의 혈관 초음파 영상일 수 있으며, 해당 영상 데이터에서의 제 1 구간은, 전체 혈관 내에서 위험 증후를 보이는 일부의 구간을 의미할 수 있다. 예컨대, 심장근육에 혈액을 공급하는 관상동맥의 일부 구간이 심장에 산소를 제대로 공급하지 못하게 막히는 제 1 구간일 수 있다. 예를 들어, 혈관의 일부가 막히는 구간은, 혈전 또는 플라그와 관련한 것일 수 있다.
즉, 프로세서(130)는 혈전 또는 플라그 중 적어도 하나를 통해 관내강의 직경이 감소하는 제 1 구간을 전체 혈관 중 위험 증후를 보이는 구간으로 식별할 수 있다. 또한, 프로세서(130)는 제 1 구간의 위치 및 길이에 기초하여 분석 정보를 생성할 수 있다. 여기서, 분석 정보는 질환 발생 여부 및 적정 시술 방법에 관한 예측 정보를 포함할 수 있다. 예를 들어, 분석 정보는, 혈관 초음파 영상에서 관내강 및 혈관벽을 각 영역으로 분할하여 표시(즉, 영역화)하는 정보를 포함할 수 있다. 또한, 예를 들어, 사용자의 혈관에 대한 영상 데이터로부터 관측된 혈관의 크기와 병변의 크기 및 종류에 대응하는 병변 혈관의 세부적인 질환 정도에 관한 예측 정보를 포함할 수 있다. 다른 예를 들어, 분석 정보는, 전체 영상 데이터에서 혈전이 있는 병변의 영역 길이를 고려함으로써 산출한 스텐트 시술에 필요한 스텐트 길이에 관한 예측 정보를 포함할 수 있다. 또 다른 예를 들어, 분석 정보는 스텐트 시술 이후, 적정한 시술 여부 판정에 관한 예측 정보를 포함할 수 있다. 전술한 분석 정보에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
즉, 프로세서(130)는 사용자의 혈관 진단을 위한 혈관 초음파 영상 데이터를 획득하고, 획득한 영상 데이터에 대응하여 질환 발생 여부 및 적정 시술 방법에 관련한 분석 정보를 제공할 수 있다.
구체적인 예를 들어, 심장 혈관(좌주관상동맥)의 일정 비율 이상이 제 1 구간의 길이와 대응하는 경우(즉, 좌주관상동맥 혈관벽 넓이의 60%가 혈전에 의해 막힌 경우), 프로세서(130)는 혈전이 위치한 제 1 구간의 길이에 대응하여 필요한 스텐트 길이에 대한 정보를 포함하는 분석 정보를 생성하여 제공할 수 있다.
즉, 프로세서(130)는 실제 진단에 필요한 정보들을 제공하는 보조 시스템으로 활용될 수 있다. 이 경우, 프로세서(130)는 단순히 관내강 또는 혈관벽 각각의 영역을 구분하기 위한 분석 정보만을 제공하는 것이 아닌, 혈관 내 혈전 및 플라그와 같은 위험 인자에 관한 정보(예컨대, 위치 및 크기)와 해당 위험 구간에 대응하는 적합한 시술 방법(예컨대, 필요한 스텐트 길이 제안) 등 정확한 진단을 보조해줄 정보들을 제공할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(130)는 영상 데이터를 구성하는 복수의 영상 서브 데이터 각각에 대응하는 복수의 수치 서브 정보에 기초하여 전체 디스플레이 이미지를 생성할 수 있다. 전체 디스플레이 이미지는, 적어도 둘 이상의 구성 요소에 관한 정보를 영상 데이터의 전체 시점에 대응하여 요약하여 나타낸 이미지일 수 있다. 전체 디스플레이 이미지는, 영상 데이터에 대응하는 전체 혈관 길이에 기초하여 생성되는 것을 특징으로 할 수 있다.
전체 혈관 길이에 대응하는 혈관 초음파에 관련한 영상 데이터는 복수의 영상 서브 데이터를 포함할 수 있다. 복수의 영상 서브 데이터는 서로 상이한 시점에서의 혈관에 관련한 프레임(즉, 이미지 데이터)을 의미하는 것으로, 카테터를 통해 관측되는 혈관의 위치에 대응하는 것일 수 있다. 이에 따라, 각 영상 서브 데이터에 대응하는 수치 서브 정보는, 관측하는 혈관 내 위치 각각에 대응하여 산출된 적어도 둘 이상의 구성요소에 관련한 형태학적인 수치에 대한 정보일 수 있다.
다시 말해, 프로세서(130)는 혈관 내 각 위치에 대응하는 산출된 복수의 서브 수치 정보에 기초하여 전체 디스플레이 이미지를 생성할 수 있다. 구체적인 예를 들어, 프로세서(130)는 관내강 및 혈관벽 각각의 직경이 4mm 및 8mm라는 정보를 포함하는 제 1 수치 서브 정보, 관내강 및 혈관벽 각각의 직경이 3.8mm 및 6.2mm라는 정보를 포함하는 제 2 수치 서브 정보, 그리고 관내강, 혈관벽 및 혈전 각각의 직경이 1.8mm, 7mm 및 2mm라는 정보를 포함하는 제 3 수치 서브 정보에 기초하여 각 구간에 대응하여 적어도 둘 이상의 구성요소를 이미지화 하여 전 구간에 관련한 요약 이미지(즉, 전체 디스플레이 이미지)를 생성할 수 있다.
즉, 프로세서(130)에 의해 생성된 전체 디스플레이 이미지는, 도 4에 도시된 바와 같을 수 있다. 전체 디스플레이 이미지는, 사용자(예컨대, 전문의)로 하여금 관측된 혈관의 전체 구간 정보를 직관적으로 파악하도록 할 수 있다. 예컨대, 이러한 전체 디스플레이 이미지는, 전체 영상(측, 관측된 혈관의 전체 구간)에서 혈전이 있는 병변의 영역 길이를 계산하여 스텐트 시술에 필요한 스텐트 길이를 결정하는데 편의성을 제공할 수 있다. 다시 말해, 관측 구간에 대응하는 전체 구간을 하나의 요약 이미지로 제공함으로써, 사용자의 명확한 이해를 도울 수 있으며, 의료적 진단을 보조해줄 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(130)는 생성된 전체 디스플레이 이미지에 북마크 정보를 생성할 수 있다. 북마크 정보는, 영상 데이터 포함된 적어도 둘 이상의 구성요소 중 적어도 하나가 관측되는 구간을 강조 또는 인지시키기 위한 표시 정보일 수 있다. 구체적으로, 프로세서(130)는 각 영상 서브 데이터에 대응하는 각 수치 서브 정보를 통해 전체 디스플레이 이미지에 북마크 정보를 생성할 수 있다. 구체적인 예를 들어, 도 4에 도시된 바와 같이, 프로세서(130)는 플라그를 포함하는 하나 이상의 수치 서브 정보를 참조함으로써, 혈관 전체 구간에 대응하는 전체 디스플레이 이미지에 플라그가 위치하는 구간에 대응하여 플라그 북마크 정보(210)를 생성할 수 있다. 즉, 프로세서(130)는 북마크 정보를 통해 사용자가 인지하고자 하는 특정 구성요소를 용이하게 인지시킬 수 있다. 예컨대, 사용자는 북마크 정보를 통해, 관측한 혈관의 전체 구간 중 석회화를 통해 혈관에 위험 인자로 작용할 수 있는 플라그 또는 혈전 등이 위치한 구간을 직관적으로 인지할 수 있다. 이는, 분석이 필요한 특정 구간 검출이 필요한 모달리티(modality)에 대해 사용 가능한 확장성을 지닐 수 있다.
추가적인 실시예에 따르면, 프로세서(130)는 생성된 전체 디스플레이 이미지에 제 1 구간에 대응하여 북마크 정보를 생성할 수 있다. 여기서 제 1 구간은, 전술한 설명에서와 같이, 위험 증후를 보이는 일부의 구간을 의미하는 것으로, 혈전 또는 플라그 중 적어도 하나로 인해 관내강의 직경이 감소하는 구간일 수 있다. 구체적인 예를 들어, 도 4에 도시된 바와 같이, 프로세서(130)는 혈관 전체 구간에 대응하는 전체 디스플레이 이미지에, 혈전으로 인해 관내강의 직경이 감소된 제 1 구간에 대응하는 북마크 정보(220)를 생성할 수 있다. 다시 말해, 프로세서(130)는 측정된 혈관의 전체 구간에서 위험 증후를 보이는 구간에 대응하여 북마크 정보를 생성함으로써, 사용자로 하여금 위험 구간을 보다 직관적으로 인지하도록 할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(130)는 이미지 데이터베이스에서 제 1 구간에 포함된 하나 이상의 영상 서브 데이터 중 적어도 하나의 영상 서브 데이터와 사전 결정된 임계 유사도 이상을 가지는 하나 이상의 유사 이미지에 대한 검색을 수행할 수 있다. 제 1 구간은, 혈관 내에서 위험 증후를 보이는 구간을 의미할 수 있으며, 해당 제 1 구강에 포함된 하나 이상의 영상 서브 데이터는, 위험 증후를 보이는 구간에 대응하는 복수의 프레임들을 의미할 수 있다. 즉, 프로세서(130)는 이미지 데이터베이스로부터 위험 영역에 관련된 구간에 대응하는 프레임들과 유사한 이미지들을 검색할 수 있다.
이를 위해, 프로세서(130)는 유사 이미지 검색 모델을 활용하여 제 1 구간에 포함된 하나 이상의 영상 서브 데이터들과 유사한 이미지(즉, 사전 결정된 임계 유사도 이상)를 선별할 수 있다. 이 경우, 유사 이미지 검색 모델은, 학습된 오토 인코터의 구성에서 차원 감소 네트워크 함수를 통해 구성될 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(130)는 오토 인코더를 비지도 학습(Unsupervised Learning) 방식을 통해 학습시킬 수 있다. 구체적으로, 프로세서는 입력 데이터와 유사한 출력 데이터를 출력하도록 오토 인코더를 구성하는 차원 감소 네트워크 함수(예컨대, 인코더) 및 차원 복원 네트워크 함수(예컨대, 디코더)를 학습시킬 수 있다. 자세히 설명하면, 차원 감소 네트워크 함수를 통한 인코딩 과정에서 입력된 하나 이상의 이미지 데이터의 핵심 특징 데이터(또는, 피처(feature)) 만을 히든 레이어를 통해 학습하고 나머지 정보를 손실시킬 수 있다. 이 경우, 차원 복원 네트워트 함수를 통한 디코딩 과정에서 히든 레이어의 출력 데이터는 완벽한 복사 값이 아닌 입력 데이터의 근사치일 수 있다. 즉, 프로세서(130)는 출력 데이터와 입력 데이터가 최대한 같아지도록 가중치를 조정함으로써, 오토 인코더를 학습시킬 수 있다.
이 경우, 학습된 오토 인코더 중 차원 감소 네트워크 함수를 통해 유사 이미지 검색 모델을 구성할 수 있다. 즉, 본 개시의 유사 이미지 검색 모델은 특정 이미지 데이터를 입력으로 하는 경우, 해당 이미지 데이터에 대응하는 피처를 출력할 수 있다. 출력되는 피처는 벡터로 표현될 수 있다.
구체적인 예를 들어, 프로세서(130)는 제 1 구간에 포함된 하나 이상의 영상 서브 데이터 중 제 1 영상 서브 데이터를 유사 이미지 검색 모델의 입력으로 하여 제 1 영상 서브 데이터에 대응하는 제 1 피처를 출력할 수 있다. 이 경우, 프로세서(130)는 제 1 피처와 벡터 공간 상에 가까운 거리에 위치한 피처들을 식별하고, 해당 피처들에 대응하는 이미지를 제 1 영상 서브 데이터와 유사한 이미지로 결정할 수 있다. 즉, 프로세서(130)는 제 1 피처와 사전 결정된 거리 이내에 존재하는 피처들에 대응하는 이미지 데이터들을, 제 1 영상 서브 데이터와 사전 결정된 임계 유사도 이상을 가지는 하나 이상의 유사 이미지로 결정할 수 있다.
또한, 프로세서(130)는 이미지 데이터베이스에서 하나 이상의 유사 이미지 및 하나 이상의 유사 이미지 각각에 매칭된 진단 정보를 획득할 수 있다. 구체적인 예를 들어, 프로세서(130)는 이미지 데이터베이스로부터 제 1 이미지 데이터를, 제 1 구간에 포함된 제 1 영상 서브 데이터와 사전 결정된 임계 유사도 이상을 가지는 유사 이미지로 결정할 수 있다. 이 경우, 프로세서(130)는 이미지 데이터베이스로부터 제 1 이미지 데이터에 대응하여 매칭된 진단 정보에 기초하여 분석 정보를 제공할 수 있다. 즉, 혈관 초음파 영상 데이터에서 위험 증후를 보이는 구간의 영상 서브 데이터와 유사한 이미지를 검색하고, 해당 이미지에 대한 진단 결과를 참조하여 분석 정보를 제공할 수 있다. 즉, 검색된 이미지들은 비교 대상으로서, 특정 이미지에서 진단하기 어려운 부분에 대하여 다른 환자의 혈관 초음파 이미지에서는 어떻게 판단하였는지 참조하여 진단에 활용할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(130)는 영상 데이터에 대한 리샘플링을 통해 학습 데이터를 증강할 수 있다. 일반적으로, 의료 데이터의 경우 모델 학습을 위한 데이터를 수집하는데 많은 어려움이 존재할 수 있다. 특히, 혈관 초음파(IVUS)와 같은 심혈관 검사의 경우 해당 검사를 수행하는 환자군이 적기 때문에 데이터의 축적이 느릴 수 있다.
즉, 본 개시에서 신경망 모델의 학습의 대상이 되는 학습 데이터는 복수의 사용자 각각의 다년간의 실제 검진 데이터로서 신경망 학습에 충분할 정도로 임의로 늘릴 수 없으며, 적은 환자군, 또는 개인정보 보호 등의 이유로 원활한 확보가 어려울 수 있다. 신경망을 학습시키기 위한 학습 데이터가 충분하게 확보되지 않은 경우, 학습된 신경망의 정확도가 다소 낮아지거나 또는 신경망의 학습 자체가 불가능할 수 있다. 또한, 특정 사용자의 혈관 초음파 영상 데이터에 관련한 정보를 임의로 변형하여 추가적인 학습 데이터를 확보하고자 하는 경우, 임의적인 변형에 따라 데이터 자체가 유효하지 않게 되거나, 또는 신경망의 학습 과정에서 원하지 않는 출력을 야기시킬 우려가 있다.
이에 따라. 본 개시의 프로세서(130)는 사용자로부터 획득된 영상 데이터에 기반하여 가까운 시점의 기준 영상 서브 데이터를 선별할 수 있으며, 해당 기준 영상 서브 데이터를 통한 보간 데이터 생성을 통해 추가 학습 데이터를 생성할 수 있다.
구체적으로, 도 5를 참조하면, 프로세서(130)는 영상 데이터에 포함된 복수의 영상 서브 데이터 중 사전 결정된 시간 간격 이하의 적어도 둘 이상의 기준 영상 서브 데이터를 선별(또는 추출)할 수 있다. 또한, 프로세서(130)는 적어도 둘 이상의 기준 영상 서브 데이터 사이를 보간하여 하나 이상의 보강 영상 서브 데이터를 생성할 수 있다. 이 경우, 생성되는 하나 이상의 보강 영상 서브 데이터는 매우 적은 기간 사이의 프레임에 관련한 데이터를 통해 보간됨에 따라 참조하는 두개의 기준 영상 서브 데이터와 큰 차이가 없으므로, bias 되지 않아 데이터가 부족한 구간에서 양질의 데이터 생성이 가능해질 수 있다. 또한, 프로세서(130)는 적어도 둘 이상의 기준 영상 서브 데이터 및 하나 이상의 보강 영상 서브 데이터에 기초하여 추가 학습 데이터를 생성함으로써, 학습 데이터에 대한 증강을 수행할 수 있다.
즉, 프로세서(130)는 영상 데이터에서 적어도 둘 이상의 기준 영상 서브 데이터를 선별하고, 각 영상 서브 데이터 사이를 보간하여 새로운 영상 데이터(즉, 추가 학습 데이터)를 생성할 수 있다. 다시 말해, 프로세서(130)에 의해 생성된 추가 학습 데이터는 단순히 새로운 프레임을 추가 생성(즉, 관련 없는 랜덤한 이미지를 추가 생성)한 것이 아닌, 참조할 만한 기준 이미지를 기반으로 생성되는 것이므로, 신경망 학습에 적절한 학습 데이터일 수 있다.
이에 따라, 추가 학습 데이터, 즉, 증강된 학습 데이터를 통해 신경망 모델의 학습의 효율을 향상시킬 수 있으며, 이에 따라 학습 완료 후, 신경망의 출력 정확도 향상을 도모할 수 있다.
특히 이를 통해 획득되는 증강된 데이터는 인위적으로 만들어진 것이 아니고, 실제 데이터에 기반하여 그 조합방식에 따라 복수의 데이터로 증강되는 장점이 있다.
도 6은 본 개시의 일 실시예와 관련된 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 방법을 수행하기 위한 단계들을 예시적으로 도시한 순서도이다.
본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 복수의 영상 서브 데이터를 포함하는 영상 데이터를 획득할 수 있다(310).
본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 영상 분석 모델을 이용하여 영상 데이터에 포함된 적어도 둘 이상의 구성요소에 대한 분할을 수행할 수 있다(320).
본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 적어도 둘 이상의 구성요소에 대한 분할 결과에 기초하여 영상 데이터에 대응하는 분석 정보를 생성할 수 있다(330).
전술한 도 6에 도시된 단계들은 필요에 의해 순서가 변경될 수 있으며, 적어도 하나 이상의 단계가 생략 또는 추가될 수 있다. 즉, 전술한 단계는 본 개시의 일 실시예에 불과할 뿐, 본 개시의 권리 범위는 이에 제한되지 않는다.
도 7은 본 개시의 일 실시예와 관련된 하나 이상의 네트워크 함수를 나타낸 개략도이다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 “노드”라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 “노드”들은 “뉴런(neuron)”들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의“링크”에 의해 상호 연결될 수 있다.
신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.
신경망은 하나 이상의 노드들을 포함하여 구성될 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다, 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.
최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다. 본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning) 및 반교사학습(semi supervised learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 출력의 오류를 최소화하기 위한 것이다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨이 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.
뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 생략하는 드롭아웃(dropout) 등의 방법이 적용될 수 있다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. (이하에서는 신경망으로 통일하여 기술한다.) 데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수를 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 트레이닝을 위한 손실 함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다.
데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 파라미터에 기초하여 출력 노드 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 개시가 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.
본 개시의 구성 요소들은 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 애플리케이션)으로 구현되어 매체에 저장될 수 있다. 본 개시의 구성 요소들은 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있으며, 이와 유사하게, 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다. 용어 "기계-판독가능 매체"는 명령(들) 및/또는 데이터를 저장, 보유, 및/또는 전달할 수 있는 무선 채널 및 다양한 다른 매체를 포함하지만, 이들로 제한되는 것은 아니다.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.
제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
상기와 같은 발명의 실시를 위한 최선의 형태에서 관련 내용을 기술하였다.
본 발명은 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하는 의료 분야에서 활용될 수 있다.

Claims (12)

  1. 컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 방법으로,
    복수의 영상 서브 데이터를 포함하는 영상 데이터를 획득하는 단계;
    영상 분석 모델을 이용하여 상기 영상 데이터에 포함된 적어도 둘 이상의 구성요소에 대한 분할(segmentation)을 수행하는 단계; 및
    상기 적어도 둘 이상의 구성요소에 대한 분할 결과에 기초하여 상기 영상 데이터에 대응하는 분석 정보를 생성하는 단계;
    를 포함하는,
    컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 방법.
  2. 제 1 항에 있어서,
    상기 적어도 둘 이상의 구성요소는,
    관내강(lumen), 혈관벽(vessel), 혈전(thrombus) 및 플라그(plaque) 중 적어도 하나를 포함하는 것을 특징으로 하며,
    상기 영상 분석 모델을 이용하여 상기 영상 데이터에 대한 적어도 둘 이상의 구성요소에 대한 분할을 수행하는 단계는,
    상기 영상 데이터를 상기 영상 분석 모델의 입력으로 처리하여 상기 적어도 둘 이상의 구성 요소 간의 분할된 경계를 표시하는 영상 데이터를 출력하는 단계;
    를 포함하는,
    컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 방법.
  3. 제 2 항에 있어서,
    상기 영상 분석 모델은,
    학습 데이터 세트를 통해 학습된 신경망 모델로, 차원 감소 서브 모델 및 차원 복원 서브 모델을 포함하며, 학습 입력 데이터를 상기 차원 감소 서브 모델의 입력으로 하여 상기 차원 복원 서브 모델이 상기 학습 입력 데이터의 라벨과 연관된 학습 출력 데이터를 출력하도록 학습되며,
    상기 차원 감소 서브 모델은,
    상기 학습 입력 데이터를 구성하는 복수의 픽셀 간의 유사도 계산을 수행하는 논-로컬 블록(non-local block)을 포함하는 것을 특징으로 하는,
    컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 방법.
  4. 제 1 항에 있어서,
    상기 영상 데이터에 포함된 적어도 둘 이상의 구성 요소에 대한 분할을 수행하는 단계는,
    상기 영상 데이터에 포함된 상기 적어도 둘 이상의 구성 요소에 대응하는 실시간 수치 정보를 생성하여 제공하는 단계;
    를 포함하며,
    상기 적어도 둘 이상의 구성 요소에 대응하는 실시간 수치 정보는,
    관내강, 혈관벽, 혈전 및 플라그 중 적어도 하나에 대한 위치 및 크기 정보를 포함하는,
    컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 방법.
  5. 제 4 항에 있어서,
    상기 영상 데이터에 포함된 상기 적어도 둘 이상의 구성 요소에 대응하는 실시간 수치 정보를 생성하여 제공하는 단계는,
    상기 복수의 영상 서브 데이터 각각에 대응하여 상기 적어도 둘 이상의 구성 요소 각각의 직경을 산출하는 단계;
    상기 산출된 적어도 둘 이상의 구성 요소 각각의 직경에 기초하여 각 영상 서브 데이터에 대응하는 복수의 수치 서브 정보를 생성하는 단계; 및
    상기 복수의 수치 서브 정보에 기초하여 상기 실시간 수치 정보를 생성하는 단계;
    를 포함하는,
    컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 방법.
  6. 제 4 항에 있어서,
    상기 혈전 또는 상기 플라그로 인해 상기 관내강의 직경이 감소하는 제 1 구간을 식별하는 단계;
    를 더 포함하며,
    상기 영상 데이터에 대응하는 분석 정보를 생성하는 단계는,
    상기 제 1 구간의 위치 및 길이에 기초하여 상기 분석 정보를 생성하는 단계;
    를 포함하며,
    상기 분석 정보는,
    질환 발생 여부 및 적정 시술 방법에 관련한 예측 정보를 포함하는,
    컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 방법.
  7. 제 6 항에 있어서,
    상기 영상 데이터에 대응하는 분석 정보를 생성하는 단계는,
    상기 영상 데이터를 구성하는 복수의 영상 서브 데이터 각각에 대응하는 복수의 수치 서브 정보들에 기초하여 전체 디스플레이 이미지를 생성하는 단계;
    를 포함하며,
    상기 전체 디스플레이 이미지는,
    상기 적어도 둘 이상의 구성요소에 관한 정보를 상기 영상 데이터의 전체 시점에 대응하여 요약하여 나타낸 이미지로 관측된 혈관의 전체 구간 정보를 포함하며, 상기 영상 데이터에 대응하는 전체 혈관 길이에 기초하여 생성되는 것을 특징으로 하는,
    컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 방법.
  8. 제 7 항에 있어서,
    상기 영상 데이터에 대응하는 분석 정보를 생성하는 단계는,
    상기 생성된 전체 디스플레이 이미지에 상기 제 1 구간에 대응하는 북마크 표시 정보를 생성하는 단계;
    를 포함하는,
    컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 방법.
  9. 제 6 항에 있어서,
    상기 영상 데이터에 대응하는 분석 정보를 생성하는 단계는,
    이미지 데이터베이스(image database)에서 상기 제 1 구간에 포함된 하나 이상의 영상 서브 데이터 중 적어도 하나의 영상 서브 데이터 와 사전 결정된 임계 유사도 이상을 가지는 하나 이상의 유사 이미지를 검색하는 단계; 및
    상기 하나 이상의 유사 이미지 및 상기 하나 이상의 유사 이미지 각각에 매칭된 진단 정보를 획득하는 단계;
    를 포함하는,
    컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 방법.
  10. 제 1 항에 있어서,
    상기 영상 데이터에 대한 리샘플링을 통해 학습 데이터를 증강하는 단계;
    를 더 포함하며,
    상기 영상 데이터에 대한 리샘플링을 통해 학습 데이터를 증강하는 단계는,
    상기 영상 데이터에 포함된 복수의 영상 서브 데이터 중 사전 결정된 시간 간격 이하의 적어도 둘 이상의 기준 영상 서브 데이터를 추출하는 단계;
    상기 적어도 둘 이상의 기준 영상 서브 데이터 사이를 보간하여 하나 이상의 보강 영상 서브 데이터를 생성하는 단계; 및
    상기 적어도 둘 이상의 기준 영상 서브 데이터 및 상기 하나 이상의 보강 영상 서브 데이터에 기초하여 추가 학습 데이터를 생성하는 단계;
    를 포함하는,
    컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 방법.
  11. 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로, 상기 컴퓨터 프로그램은 하나 이상의 프로세서들에 의해 실행되는 경우, 상기 하나 이상의 프로세서들로 하여금 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은:
    복수의 영상 서브 데이터를 포함하는 영상 데이터를 획득하는 동작;
    영상 분석 모델을 이용하여 상기 영상 데이터에 포함된 적어도 둘 이상의 구성요소에 대한 분할(segmentation)을 수행하는 동작; 및
    상기 적어도 둘 이상의 구성요소에 대한 분할 결과에 기초하여 상기 영상 데이터에 대응하는 분석 정보를 생성하는 동작;
    을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  12. 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 컴퓨팅 장치로서,
    하나 이상의 코어를 포함하는 프로세서;
    상기 프로세서에서 실행가능한 프로그램 코드들을 저장하는 메모리; 및
    사용자 단말과 데이터를 송수신하는 네트워크부;
    를 포함하고,
    상기 프로세서는,
    복수의 영상 서브 데이터를 포함하는 영상 데이터를 획득하고,
    영상 분석 모델을 이용하여 상기 영상 데이터에 포함된 적어도 둘 이상의 구성요소에 대한 분할(segmentation)을 수행하고,
    상기 적어도 둘 이상의 구성요소에 대한 분할 결과에 기초하여 상기 영상 데이터에 대응하는 분석 정보를 생성하는,
    인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 컴퓨팅 장치.
PCT/KR2021/017558 2020-11-27 2021-11-25 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 방법 및 컴퓨팅 장치 WO2022114822A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020200163026A KR102304339B1 (ko) 2020-11-27 2020-11-27 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 방법 및 컴퓨팅 장치
KR10-2020-0163026 2020-11-27

Publications (1)

Publication Number Publication Date
WO2022114822A1 true WO2022114822A1 (ko) 2022-06-02

Family

ID=77926555

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2021/017558 WO2022114822A1 (ko) 2020-11-27 2021-11-25 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 방법 및 컴퓨팅 장치

Country Status (2)

Country Link
KR (2) KR102304339B1 (ko)
WO (1) WO2022114822A1 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102657226B1 (ko) * 2021-10-18 2024-04-15 주식회사 온택트헬스 심장 초음파 이미지 데이터를 증강하기 위한 방법 및 장치
KR20240048377A (ko) * 2022-10-06 2024-04-15 (의) 삼성의료재단 상행성 흉부 대동맥류 추정 방법 및 장치
KR102641346B1 (ko) * 2022-10-14 2024-02-27 주식회사 에어스메디컬 혈관 검출 방법 및 이를 수행하는 컴퓨터 프로그램

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050249391A1 (en) * 2004-05-10 2005-11-10 Mediguide Ltd. Method for segmentation of IVUS image sequences
KR20170021558A (ko) * 2015-08-18 2017-02-28 삼성메디슨 주식회사 초음파 진단 장치 및 그 동작방법
KR20190002957A (ko) * 2017-06-30 2019-01-09 연세대학교 산학협력단 컨볼루션 신경망을 이용한 혈관내 초음파 영상에서의 혈관벽 및 루멘 영역화 방법
US20190156210A1 (en) * 2017-11-17 2019-05-23 Facebook, Inc. Machine-Learning Models Based on Non-local Neural Networks
KR20190083185A (ko) * 2018-01-03 2019-07-11 주식회사 메디웨일 Ivus 영상 분석방법

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101049915B1 (ko) 2009-09-14 2011-07-15 울산대학교 산학협력단 혈관 내 초음파 영상을 이용한 혈관 내 죽상 경화반 성분 측정 장치 및 방법
KR101937018B1 (ko) * 2016-03-24 2019-01-09 울산대학교 산학협력단 딥러닝을 이용한 혈관내 초음파 영상에서의 혈관내외경 자동 분할 방법 및 장치
KR102032611B1 (ko) * 2017-08-23 2019-10-15 주식회사 메디웨일 Ct 영상을 이용하여 심혈관 병변을 판단하는 방법 및 애플리케이션
JP2020042367A (ja) * 2018-09-06 2020-03-19 Ａｗｌ株式会社 学習システム、サーバ、及び特徴量画像描画補間プログラム
TWI681406B (zh) * 2018-12-20 2020-01-01 中國醫藥大學附設醫院 腫瘤影像深度學習輔助子宮頸癌患者預後預測系統、方法及電腦程式產品
US11653900B2 (en) * 2019-04-04 2023-05-23 Koninklijke Philips N.V. Data augmentation for training deep learning models with ultrasound images

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050249391A1 (en) * 2004-05-10 2005-11-10 Mediguide Ltd. Method for segmentation of IVUS image sequences
KR20170021558A (ko) * 2015-08-18 2017-02-28 삼성메디슨 주식회사 초음파 진단 장치 및 그 동작방법
KR20190002957A (ko) * 2017-06-30 2019-01-09 연세대학교 산학협력단 컨볼루션 신경망을 이용한 혈관내 초음파 영상에서의 혈관벽 및 루멘 영역화 방법
US20190156210A1 (en) * 2017-11-17 2019-05-23 Facebook, Inc. Machine-Learning Models Based on Non-local Neural Networks
KR20190083185A (ko) * 2018-01-03 2019-07-11 주식회사 메디웨일 Ivus 영상 분석방법

Also Published As

Publication number Publication date
KR20220074710A (ko) 2022-06-03
KR102304339B1 (ko) 2021-09-23

Similar Documents

Publication Publication Date Title
WO2022114822A1 (ko) 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 방법 및 컴퓨팅 장치
Roy et al. ChronoNet: A deep recurrent neural network for abnormal EEG identification
Pandya et al. InfusedHeart: A novel knowledge-infused learning framework for diagnosis of cardiovascular events
WO2022019402A1 (ko) 시계열 생체 신호 기반의 인공신경망 모델 학습 컴퓨터 프로그램 및 방법
US20210202090A1 (en) Automated health condition scoring in telehealth encounters
KR102208759B1 (ko) 생체 신호에 기반하여 건강상태 및 병리증상을 진단하기 위한 딥러닝 모델 생성방법
KR102298119B1 (ko) 수면에 관련한 분석 정보를 제공하기 위한 방법 및 컴퓨팅 장치
WO2022019655A1 (ko) 관상동맥 진단영상 학습장치와 방법, 및 상기 학습장치와 방법을 통해 구축된 학습모델을 사용하는 유의한 관상동맥 협착 진단 장치 및 방법
WO2023095989A1 (ko) 뇌질환 진단을 위한 다중 모달리티 의료 영상 분석 방법 및 장치
JP7349018B2 (ja) 冠状動脈の分割方法、装置、電子デバイス及びコンピュータ読取可能な記憶媒体
US20240221950A1 (en) Multi-modal input processing
CN114582355B (zh) 基于音视频融合的婴儿哭泣检测方法及装置
KR20220075126A (ko) 인공 신경망을 활용한 의료영상 세그멘테이션 및 분석방법
WO2023080697A1 (ko) 심장 신호 분할 방법 및 이를 이용한 심장 신호 분할용 디바이스
JP2002236904A (ja) データ処理装置および方法、記録媒体、並びにプログラム
Lin et al. Deep Learning From Coronary Computed Tomography Angiography for Atherosclerotic Plaque and Stenosis Quantification and Cardiac Risk Prediction
KR20190002957A (ko) 컨볼루션 신경망을 이용한 혈관내 초음파 영상에서의 혈관벽 및 루멘 영역화 방법
CN111657921A (zh) 心电异常实时监测方法、装置、计算机设备和存储介质
CN115831352B (zh) 一种基于动态纹理特征和时间分片权重网络的检测方法
Mahmud et al. Non-invasive detection of anemia using lip mucosa images transfer learning convolutional neural networks
KR20220082720A (ko) 수면에 관련한 분석 정보를 제공하기 위한 방법 및 컴퓨팅 장치
Kalimuthukumar et al. Early-detection of Parkinson’s disease by patient voice modulation analysis through MFCC Feature extraction technique
KR20220109535A (ko) 안저 검사 방법 및 장치
WO2024072067A1 (ko) 멀티모달 딥 러닝 모델을 이용한 녹내장 환자의 미래 시야 예측 방법
WO2024034847A1 (ko) 초음파 영상을 기반으로 병변을 예측하는 방법

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: 21898648

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 14/09/2023)

122 Ep: pct application non-entry in european phase

Ref document number: 21898648

Country of ref document: EP

Kind code of ref document: A1