WO2022163890A1 - 딥러닝 기반의 조영 증강 ct 이미지 대조도 증폭 장치 및 방법 - Google Patents

딥러닝 기반의 조영 증강 ct 이미지 대조도 증폭 장치 및 방법 Download PDF

Info

Publication number
WO2022163890A1
WO2022163890A1 PCT/KR2021/001363 KR2021001363W WO2022163890A1 WO 2022163890 A1 WO2022163890 A1 WO 2022163890A1 KR 2021001363 W KR2021001363 W KR 2021001363W WO 2022163890 A1 WO2022163890 A1 WO 2022163890A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
contrast
deep learning
training
enhanced
Prior art date
Application number
PCT/KR2021/001363
Other languages
English (en)
French (fr)
Inventor
김종효
박현숙
박태철
안철균
Original Assignee
주식회사 클라리파이
서울대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 클라리파이, 서울대학교 산학협력단 filed Critical 주식회사 클라리파이
Priority to JP2022532713A priority Critical patent/JP7376053B2/ja
Priority to EP21908121.3A priority patent/EP4066741A4/en
Priority to US17/380,429 priority patent/US11328394B1/en
Publication of WO2022163890A1 publication Critical patent/WO2022163890A1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Definitions

  • the present application relates to a deep learning-based contrast-enhanced CT image contrast amplification apparatus and method.
  • CT computed tomography
  • the contrast of a CT image can be said to be a very important factor in the accurate diagnosis of a lesion, and with the development of a CT examination, efforts to acquire a high contrast image from a CT image are continuing.
  • lesions have high or low blood vessel distribution compared to other surrounding tissues.
  • contrast-enhanced (contrast injection) CT scan is being used as an important test method to obtain an image with improved lesion contrast.
  • CT computed tomography
  • the contrast with respect to the contrast agent can be further improved, which has the potential to reduce the amount of contrast agent injected.
  • the conventional dual energy CT system is expensive compared to existing products, so there is a problem in general dissemination, and there is a limit to the improvement of contrast by dual energy, so it cannot be a true solution. is becoming That is, it is required to develop a more effective technology capable of obtaining a high-quality diagnostic image (high-contrast CT image) while minimizing the injection amount of the contrast medium.
  • deep learning technology is a new type of computing technology that achieves a specific purpose by using general-purpose program codes that can be trained according to a given training data set instead of coding a series of detailed programs. performance is recognized.
  • the present application aims to solve the problems of the prior art described above, and to provide a deep learning-based contrast-enhanced CT image contrast amplification apparatus and method capable of obtaining a high-quality diagnostic image (CT image) while minimizing injection of a contrast agent. do it with
  • the present application is to solve the problems of the prior art described above, and training of a deep learning model through a deep learning-based contrast-enhanced CT image contrast amplification device that allows deep learning to be more effectively applied to medical images where safety is particularly important ( learning) is intended to provide a method.
  • the present application is to solve the problems of the prior art described above, and a deep learning-based contrast-enhanced CT image contrast amplification apparatus and method, which can ensure performance and safety of deep learning while utilizing the advantages of deep learning, and method thereof It aims to provide a training method for deep learning models through
  • the deep learning-based contrast-enhanced CT image contrast amplification method uses an input contrast-enhanced CT image as an input to a pre-trained deep learning model and the input extracting a CT image of at least one of a contrast-enhanced component and a non-contrast-enhanced component from the contrast-enhanced CT image, and an input contrast-enhanced CT image based on the input contrast-enhanced CT image and the extracted at least one component CT image and outputting a contrast-amplified CT image.
  • the deep learning-based contrast-enhanced CT image contrast amplification method includes, before extracting the at least one component CT image, extracting examination information from an input contrast-enhanced CT image, and The method further comprises the step of selecting at least one deep learning model corresponding to the examination information from among a plurality of trained deep learning models, wherein the step of extracting the at least one component CT image comprises selecting the input contrast-enhanced CT image at least and extracting the at least one component CT image for the input contrast-enhanced CT image as an input to one deep learning model.
  • the step of outputting the contrast-amplified CT image includes predetermined values for the input contrast-enhanced CT image and the at least one component CT image, respectively. It may include the step of multiplying the ratio and summing.
  • the step of outputting the contrast-amplified CT image includes the input contrast-enhanced CT image and the at least one component CT image in advance, respectively.
  • generating a first CT image and a second CT image by multiplying and summing a predetermined ratio may include
  • the deep learning-based contrast-enhanced CT image contrast amplification method before the step of extracting the at least one component CT image, based on the pair of images of the first CT data set for training at least Synthesizing one component CT image, generating a second CT data set for training based on the synthesized at least one component CT image and a first CT data set for training, and the second CT data set for training Further comprising the step of generating and training a training target deep learning model in advance to extract at least one component CT image using can be
  • the deep learning-based contrast-enhanced CT image contrast amplification method prior to the step of extracting the examination information, based on the image pair of the first CT data set for training at least one component CT synthesizing an image; generating a second CT data set for training based on the synthesized at least one component CT image and a first CT data set for training; and obtaining examination information from the second CT data set for training.
  • the plurality of pre-trained deep learning models in the selecting step may be the plurality of training target deep learning models trained by the training step.
  • the deep learning-based contrast-enhanced CT image contrast amplification apparatus uses an input contrast-enhanced CT image as an input of a pre-trained deep learning model to at least one of the input contrast-enhanced CT images. It may include an image extraction unit for extracting a component CT image, and an amplified image output unit for outputting a contrast-amplified CT image based on the extracted at least one component CT image and the input contrast-enhanced CT image.
  • the deep learning-based contrast-enhanced CT image contrast amplification apparatus includes an examination information extractor for extracting examination information from an input contrast-enhanced CT image, and at least one deep corresponding to the examination information among a plurality of pre-trained deep learning models. Further comprising a deep learning model selection unit for selecting a learning model, wherein the image extraction unit, by inputting the input contrast-enhanced CT image to at least one deep learning model selected by the examination information extraction unit and the deep learning model selection unit At least one component CT image of the input contrast-enhanced CT image may be extracted.
  • the image output unit multiplies and sums the input contrast-enhanced CT image and the at least one component CT image by a predetermined ratio, respectively, and outputs the result may be doing
  • the amplified image output unit multiplies and sums the input contrast-enhanced CT image and the at least one component CT image by a predetermined ratio, respectively.
  • a first CT image and a second CT image are generated, respectively, and a predetermined color tone table is applied to the first CT image and the second CT image, respectively, and output as a synthesized color image.
  • the deep learning-based contrast-enhanced CT image contrast amplification apparatus further includes a deep learning training unit for generating and training a training target deep learning model, the deep learning training unit, from the image pair of the first CT data set for training synthesizing at least one component CT image, generating a second CT data set for training based on the synthesized at least one component CT image and a first CT data set for training, and using the second CT data set for training
  • a deep learning model to be trained is generated and trained in advance to extract at least one component CT image by using, but the pre-trained deep learning model may be a deep learning model trained by the training step.
  • the deep learning-based contrast-enhanced CT image contrast amplification apparatus further includes a deep learning group training unit for generating and training a plurality of training target deep learning models
  • the deep learning group training unit includes a first CT data set for training synthesizing at least one component image based on the image pair of , generating a second CT data set for training based on the synthesized at least one component CT image and the first CT data set for training Extract examination information from the second CT data set, group the second CT data set for training into a plurality of groups according to a preset rule, and perform a plurality of training to correspond to each of the grouped second CT data sets for training by group Generate and train a target deep learning model
  • the plurality of pre-trained deep learning models may be the plurality of training target deep learning models trained by the deep learning group training unit.
  • a deep learning-based contrast-enhanced CT image contrast amplification apparatus and method that can ensure performance and safety of deep learning while utilizing the advantages of deep learning, and a deep learning model through it of training (learning) methods can be provided.
  • FIG. 1 is a diagram showing a schematic configuration of a deep learning-based contrast-enhanced CT image contrast amplification apparatus according to an embodiment of the present application.
  • FIG. 2 is a view showing a schematic configuration of a deep learning-based contrast-enhanced CT image contrast amplification apparatus according to another embodiment of the present application.
  • FIG. 3 is a diagram showing a schematic operation flow for a deep learning-based contrast-enhanced CT image contrast amplification method through a deep-learning-based contrast-enhanced CT image contrast amplification apparatus according to an embodiment of the present application.
  • FIG. 4 is a diagram showing a schematic operation flow for a deep learning-based contrast-enhanced CT image contrast amplification method through a deep-learning-based contrast-enhanced CT image contrast amplification apparatus according to another embodiment of the present application.
  • FIG. 5 is an example of a schematic operation flow for a deep learning model training method for deep learning-based contrast-enhanced CT image contrast amplification through a deep-learning-based contrast-enhanced CT image contrast amplification device according to the first embodiment of the present application. the drawing shown.
  • FIG. 6 is an example of a schematic operation flow for a deep learning model training method for deep learning-based contrast-enhanced CT image contrast amplification through a deep learning-based contrast-enhanced CT image contrast amplification device according to a second embodiment of the present application. the drawing shown.
  • the contrast-enhanced CT image may be referred to as CT data, a medical image, or the like.
  • FIG. 1 is a diagram showing a schematic configuration of a deep learning-based contrast-enhanced CT image contrast amplification apparatus according to an embodiment of the present application.
  • the deep learning-based contrast-enhanced CT image contrast amplification apparatus 10 according to an embodiment of the present application will be referred to as the present apparatus 10 for convenience of description.
  • the apparatus 10 may include an image extraction unit 11 , an amplified image output unit 12 , and a deep learning training unit 13 .
  • the configuration of the device 10 is not limited thereto.
  • the apparatus 10 stores CT images obtained from a computed tomography (CT), a magnetic resonance imaging (MRI), a positron emission tomography (PET), etc. It may include a database (not shown).
  • the image extraction unit 11 inputs the input contrast-enhanced CT image to a pre-trained deep learning model, and as a learning result of the deep learning model, at least one of a contrast-enhanced component and a non-contrast-enhanced component.
  • Component CT images can be extracted.
  • the input contrast-enhanced CT image may be an image obtained by a Computed Tomography (CT), Magnetic Resonance Imaging (MRI), Positron Emission Tomography (PET), etc.
  • CT Computed Tomography
  • MRI Magnetic Resonance Imaging
  • PET Positron Emission Tomography
  • the present invention is not limited thereto and may be an image acquired through various imaging apparatuses.
  • the apparatus 10 may include a pre-trained deep learning model.
  • the deep learning model is a deep learning model previously trained by the deep learning training unit 13 to be described later.
  • the deep learning model has been trained to output at least one component CT image with respect to the contrast-enhanced CT image input to the deep learning model. It may mean a learning model.
  • the deep learning model before training by the deep learning training unit 13 may be referred to as a training target deep learning model.
  • a training target deep learning model After training on the training target deep learning model is finished, it means a pre-trained deep learning model.
  • the pre-trained deep learning model considered by the image extraction unit 11 may mean a training target deep learning model trained (trained) by the deep learning training unit 13 .
  • the training of the training target deep learning model will be described later in more detail.
  • the amplified image output unit 12 may output a contrast amplified CT image based on the extracted at least one component CT image and the input contrast-enhanced CT image.
  • the amplified image output unit 12 uses the input contrast-enhanced CT image as an input of the pre-trained deep learning model by the image extraction unit 11 to pre-write at least one component CT image and the input contrast-enhanced CT image, respectively.
  • a set ratio a preset ratio
  • the amplified image output unit 12 multiplies and sums the input contrast-enhanced CT image and the at least one component CT image by a predetermined ratio, respectively, to generate the first CT image and the second CT image, respectively. It can be generated and output as a synthesized color image by applying a predetermined color tone table to each of the first CT image and the second CT image.
  • the deep learning training unit 13 may generate and train a training target deep learning model.
  • the deep learning training unit 13 may generate and train a training target deep learning model before the image extraction unit 11 extracts at least one component CT image from the input contrast-enhanced CT image.
  • the deep learning training unit 13 will be described in more detail.
  • the deep learning training unit 13 performs the training CT data set (in other words, deep CT data set for learning training) can be used to train a training target deep learning model.
  • the deep learning training unit 13 may synthesize at least one component CT image from the CT image pair of the first CT data set for training before training the training target deep learning model. Also, the deep learning training unit 13 may generate a second CT data set for training based on the synthesized at least one component CT image and the original image of the first CT data set for training. Thereafter, the deep learning training unit 13 may train the training target deep learning model using the generated second CT data set for training.
  • the original image of the first CT data set for training may be composed of a pair of a CT image scanned before contrast medium injection and a CT image scanned after contrast medium injection, in which case the deep learning training unit 13 is Based on the CT image pairs obtained before and after the contrast agent injection, the contrast-enhancing component CT images can be synthesized.
  • the deep learning training unit 13 may synthesize the contrast enhancement component CT image by subtracting the CT image before the contrast agent injection from the CT image after the contrast agent injection.
  • the deep learning training unit 13 may use the CT image before the contrast medium injection as the non-contrast enhancement component CT image.
  • the deep learning training unit 13 may apply a motion compensation operation between a CT image before contrast medium injection and a CT image after contrast medium injection according to a preset criterion (a method defined in advance).
  • the original image of the first CT data set for training is a pair of a low-energy CT image and a high-energy CT image obtained from CT scanned after injection of a contrast agent using a CT device with dual energy imaging function.
  • the deep learning training unit 13 may synthesize a contrast enhancement component CT image based on the low-energy CT and high-energy CT image pair.
  • the deep learning training unit 13 may synthesize the contrast enhancement component CT image by multiplying and summing each of the low energy CT image and the high energy CT image by a predetermined ratio.
  • the deep learning training unit 13 may synthesize a non-contrast enhancement component CT image by multiplying and summing each of the low-energy CT image and the high-energy CT image by another predetermined ratio.
  • the deep learning training unit 13 synthesizes the contrast enhancement component CT image and the non-contrast enhancement component CT image from the CT image pair of the first CT data set for training, and at least one preset in the synthesized contrast enhancement component CT image At least one synthetic low-contrast CT image may be generated by multiplying by a ratio and adding it to the synthesized non-contrast-enhancing component CT image.
  • the deep learning training unit 13 is based on the pair of CT images of the first CT data set for training, at least one synthetic low-contrast CT image, at least one CT component among a synthetic contrast enhancement component and a synthetic non-contrast enhancement component.
  • a second CT data set for training consisting of images can be generated.
  • the deep learning training unit 13 may generate a training target deep learning model before the image extraction unit 11 extracts at least one component CT image from the input contrast-enhanced CT image.
  • the deep learning training unit 13 is a CT image of the first CT data set for training so that the training target deep learning model has a function of extracting at least one component CT image from the input contrast-enhanced CT image input to it.
  • a second CT data set for training to which the at least one component CT image synthesized and the at least one synthesized low contrast CT image are added on a pair basis may be generated.
  • the deep learning training unit 13 transmits a synthesized low-contrast CT image for every CT image as an input of the training target deep learning model in the second CT data set for training, and combines at least one component CT image and training
  • the training target deep learning model can be repeatedly trained so that the difference between the outputs of the target deep learning model is minimized.
  • FIG. 2 is a diagram showing a schematic configuration of a deep learning-based contrast-enhanced CT image contrast amplification apparatus according to another embodiment of the present application.
  • the image extraction unit 23 and the amplified image output unit 24 of the device 20 described below with reference to FIG. 2 are the image extraction unit 11 and the amplified image output of the device 10 based on FIG. 1 above. It may be the same as or corresponding to the part 12 . Therefore, even if omitted below, the descriptions of the image extraction unit 11 and the amplified image output unit 12 are equally applicable to the descriptions of the image extraction unit 23 and the amplified image output unit 24 . can
  • the apparatus 20 includes an examination information extraction unit 21 , a deep learning model selection unit 22 , an image extraction unit 23 , an amplified image output unit 24 , and a deep learning group training unit 25 . ) may be included.
  • the examination information extraction unit 21 may extract examination information from the input CT image (input CT image).
  • the examination information may include examination site information and scan attribute information of a CT image.
  • the inspection site information may mean, for example, information about an organ site. That is, the inspection site information refers to information on a main body organ region of interest, and may refer to information on an organ region such as a head, chest, or abdomen.
  • the scan attribute information refers to information on CT imaging parameters that affect the metal virtual image characteristics of a CT image, and may refer to, for example, information such as a reconstruction kernel, a tube voltage, a tube current, and a slice thickness.
  • the examination information extraction unit 21 may extract examination information from header information included in the input CT image.
  • the examination information extraction unit 21 may extract examination information by inputting the input CT image into a pre-defined classifier.
  • the predefined classifier may extract one or more predefined image features from the input CT image and assign them to one of a predefined number of categories.
  • the deep learning model selection unit 22 may select at least one deep learning model corresponding to the examination information extracted by the examination information extraction unit 21 from among a plurality of pre-trained deep learning models.
  • the deep learning model selection unit 22 applies a preset rule (predetermined rule) to the examination information extracted by the examination information extraction unit 21, so that an examination information extraction unit among a plurality of pre-trained deep learning models At least one (one or more) deep learning models corresponding to the inspection information extracted in (21) may be selected.
  • a preset rule predetermined rule
  • the image extraction unit 23 uses the input contrast-enhanced CT image as an input of at least one deep learning model selected by the deep learning model selection unit 22, and at least one for the input contrast-enhanced CT image. It is possible to extract component CT images of
  • the amplified image output unit 24 may output a contrast amplified CT image based on the extracted at least one component CT image and the input contrast-enhanced CT image.
  • the apparatus 20 may include a plurality of deep learning models.
  • each of the plurality of deep learning models is a deep learning model previously trained by the deep learning group training unit 25 to be described later.
  • at least one component CT image with respect to the contrast-enhanced CT image input to each deep learning model may mean a deep learning model that has been trained to output.
  • a plurality of deep learning models considered in the apparatus 20 may be generated by the deep learning group training unit 25 .
  • the deep learning group training unit 25 may generate a plurality of deep learning models according to the inspection information. In other words, the deep learning group training unit 25 may generate and train a plurality of training target deep learning models. In particular, the deep learning group training unit 25 may generate a plurality of deep learning models according to a combination of the examination site information and scan attribute information of the CT image included in the examination information.
  • the apparatus 20 may include a plurality of deep learning models generated according to examination information (according to a combination of examination site information and scan attribute information).
  • Each of the plurality of deep learning models generated according to the combination of the examination site information and the scan attribute information is a respective training CT data set ( That is, it can be trained using a CT data set for deep learning training).
  • the deep learning model before training by the deep learning group training unit 25 may be referred to as a training target deep learning model.
  • a training target deep learning model After training on the training target deep learning model is finished, it means a pre-trained deep learning model.
  • a plurality of pre-trained deep learning models considered by the deep learning model selection unit 22 may mean a plurality of training target deep learning models trained (trained) by the deep learning group training unit 25. have. The training of the training target deep learning model will be described later in more detail.
  • the deep learning model selection unit 22 is an examination information extraction unit among a plurality of deep learning models that are generated and trained according to examination information (according to a combination of examination site information and scan attribute information). At least one deep learning model corresponding to the examination information extracted in ( 21 ) (corresponding to a combination of examination site information and scan attribute information extracted by the examination information extraction unit 21 ) may be selected.
  • the deep learning model selection unit 22 is based on the examination information extracted from the examination information extraction unit 21, at least one deep learning model suitable for application of an input contrast-enhanced CT image among a plurality of pre-trained deep learning models. can be selected.
  • the input contrast-enhanced CT image is an abdominal examination CT image that is a CT image of the first examination site (eg, abdomen) reconstructed with a first scan attribute (eg, scan attribute of low-dose and thick section) lets do it.
  • the deep learning model selection unit 22 is a deep learning model corresponding to the first scan attribute and the first inspection site among a plurality of previously trained deep learning models, the inspection site is the abdomen, and the scan properties of low-dose and thick slices
  • a single deep learning model eg, the first deep learning model trained with training data (CT data set for training) having
  • an abdominal examination CT image in which the input contrast-enhanced CT image is a CT image of a first examination site (eg, abdomen) reconstructed with second scan properties (eg, ultra-low dose and scan properties of thin sections)
  • the deep learning model selection unit 22 is a deep learning model corresponding to the second scan property and the first inspection site among a plurality of pre-trained deep learning models.
  • a single deep learning model eg, a second deep learning model trained with training data (CT data set for training) with properties may be selected.
  • the input contrast-enhanced CT image applies a third scan attribute to a first region (eg, a high- sharpness reconstruction kernel as the first sharpness is applied to a closed region) and a fourth scan attribute to a second region
  • a third scan attribute to a first region
  • a fourth scan attribute to a second region
  • the deep learning model selection unit 22 corresponds to the third deep learning model corresponding to the third scan attribute and the second inspection site among the plurality of pre-trained deep learning models
  • the fourth scan attribute and the second inspection site You can select two deep learning models including a fourth deep learning model.
  • the deep learning model selector 22 is a third deep learning model trained with training data (CT data set for training) having a reconstructed kernel of high sharpness in which the examination site is the chest among a plurality of previously trained deep learning models. and a fourth deep learning model trained with training data (CT data set for training) having a reconstructed kernel of low sharpness and a chest region to be examined.
  • the deep learning model selection unit 22 is based on the examination information extracted from the examination information extraction unit 21, and is a plurality of pre-trained You can select one or more deep learning models (that is, at least one deep learning model) from among the deep learning models of
  • the amplified image output unit 24 takes the input contrast-enhanced CT image as an input of the at least one deep learning model selected by the deep learning model selection unit 22, and the selected at least one deep learning model is at least in the input contrast-enhanced CT image.
  • a contrast-amplified CT image may be output by extracting one component CT image and generating an image obtained by multiplying the extracted at least one component CT image and the input contrast-enhanced CT image by a predetermined ratio, respectively.
  • the deep learning model selected by the deep learning model selection unit 22 is a single (one) deep learning model.
  • the amplified image output unit 24 inputs the input contrast-enhanced CT image to the single deep learning model selected by the deep learning model selection unit 22 so that the single deep learning model is at least one of the input contrast-enhanced CT images.
  • the contrast-amplified CT image may be output by extracting the component CT image and generating an image obtained by multiplying the extracted at least one component CT image and the input contrast-enhanced CT image by a predetermined ratio, respectively.
  • the deep learning model selected by the deep learning model selection unit 22 is a plurality of deep learning models.
  • the amplified image output unit 24 inputs the input contrast-enhanced CT image to each of the plurality of deep learning models selected by the deep learning model selection unit 22, so that the plurality of deep learning models are input contrast input to themselves, respectively. Extract the contrast-enhanced component CT image from the augmented CT image, and multiply the input contrast-enhanced CT image and a plurality of at least one component CT image extracted by each of the plurality of deep learning models by a predetermined ratio, respectively. By generating, it is possible to output a contrast-amplified CT image with respect to the input contrast-enhanced CT image.
  • the amplified image output unit 24 generates a first CT image and a second CT image, respectively, by multiplying and summing the input contrast-enhanced CT image and the at least one component CT image by a predetermined ratio, respectively.
  • a color image synthesized by applying a predetermined color tone table to each of the first CT image and the second CT image can be output.
  • the deep learning group training unit 25 may generate and train a plurality of training target deep learning models before the examination information extraction unit 21 extracts examination information from the input contrast-enhanced CT image.
  • the deep learning group training unit 25 synthesizes at least one low-contrast CT image and at least one component CT image, respectively, based on the pair of CT images of the first CT data set for training, and uses this to synthesize the first CT image for training.
  • 2 CT data sets can be generated.
  • the deep learning group training unit 25 may extract examination information from the second CT data set for training and group the second CT data set for training into a plurality of groups according to a preset rule.
  • the deep learning group training unit 25 may generate and train a plurality of training target deep learning models to correspond to each of the grouped second CT data sets for each group training.
  • the deep learning group training unit 25 may train each of the generated plurality of training target deep learning models.
  • the plurality of training target deep learning models trained by the deep learning group training unit 25 may mean a plurality of pre-trained deep learning models considered by the deep learning model selection unit 22 .
  • the deep learning model (training target deep learning model) corresponding to the scan property of the input contrast-enhanced CT image is the input contrast-enhanced CT image.
  • Each of the plurality of training target deep learning models generated for each scan attribute may be trained (learned) to output at least one component CT image by inputting .
  • a deep learning model corresponding to the input contrast-enhanced CT image is operated according to the scan properties of the input contrast-enhanced CT image among a plurality of pre-trained deep learning models.
  • the selector 22 may select a deep learning model corresponding to the scan properties of the input contrast-enhanced CT image, and then the amplified image output unit 24 uses the selected deep learning model to amplify the contrast-enhanced CT image for the input contrast-enhanced CT image. can be printed out.
  • the device 20 is configured to output a high-intensity CT image in which the contrast is amplified with respect to the contrast-enhanced CT image input to each deep learning model in each of the plurality of deep learning models included in the device 20,
  • Each of the plurality of deep learning models ie, the plurality of training target deep learning models
  • the apparatus 20 Based on the plurality of pre-trained deep learning models (a plurality of training target deep learning models trained by the training unit), the apparatus 20 considers the examination information extracted from the input contrast-enhanced CT image and corresponds to it.
  • the deep learning model can be selected from a plurality of pre-trained deep learning models.
  • the apparatus 20 provides the input contrast-enhanced CT image to the selected deep learning model as an input, thereby amplifying the contrast (contrast-amplified) input contrast-enhanced CT image for the input contrast-enhanced CT image from the selected deep learning model. can be printed out.
  • the present application Based on a plurality of pre-trained deep learning models, the present application provides a high-contrast CT image (contrast-amplified CT image) from an input of a low-contrast input contrast-enhanced CT image (eg, a low-concentration contrast agent-injected CT image). ), a deep learning-based CT image contrast amplification device (device 10 and device 20 ) can be provided.
  • the contrast-amplified input contrast-enhanced CT image output through the apparatuses 10 and 20 may have a quality similar to or higher than that of a CT image injected with a contrast agent of a normal concentration.
  • the apparatuses 10 and 20 are a training (learning) method of a deep learning model (a deep learning model to be trained) capable of outputting a CT image of high contrast from an input of an input contrast-enhanced CT image of low contrast.
  • the contrast-amplified input contrast-enhanced CT image output through this trained deep learning model i.e., previously trained deep learning model
  • this trained deep learning model is similar to or It can have a higher quality than that.
  • the devices 10 and 20 train the training target deep learning model with the training CT data set, so that the device ( 10 and 20) as an input (that is, when using as an input of at least one deep learning model among a plurality of pre-trained deep learning models included in the device), the contrast is more effective for low-contrast CT images.
  • An amplified CT image can be output.
  • These devices 10 and 20 are not only a deep learning-based contrast-enhanced CT image contrast amplification device, but also a deep learning model (of the training target deep learning model) training device for deep learning-based contrast-enhanced CT image contrast amplification.
  • a deep learning model of the training target deep learning model
  • the present application can provide a deep learning-based contrast-enhanced CT image contrast amplification method as well as a deep learning-based contrast-enhanced CT image contrast amplification method through these devices 10 and 20, as well as a deep learning model training method for contrast amplification.
  • FIG. 3 is a diagram showing a schematic operation flow for a deep learning-based contrast-enhanced CT image contrast amplification method through a deep-learning-based contrast-enhanced CT image contrast amplification apparatus according to an embodiment of the present application.
  • the deep learning-based contrast-enhanced CT image contrast amplification method shown in FIG. 3 may be performed by the deep learning-based contrast-enhanced CT image contrast amplification apparatus (the present device, 10) described above. Therefore, even if omitted below, the description of the deep learning-based contrast-enhanced CT image contrast amplification apparatus (device, 10) can be equally applied to the description of the deep learning-based contrast-enhanced CT image contrast amplification method. .
  • the image extraction unit 11 uses the input contrast-enhanced CT image as an input of a pre-trained deep learning model to extract at least one component CT image of a contrast-enhanced component and a non-contrast-enhanced component.
  • the amplified image output unit 12 may output a contrast-amplified CT image for the input contrast-enhanced CT image based on at least one component CT image and the input contrast-enhanced CT image.
  • step S12 the amplified image output unit 12 multiplies and sums the at least one component CT image extracted in step S11 and the input contrast-enhanced CT image by a predetermined ratio, respectively, so that the contrast for the input contrast-enhanced CT image An amplified CT image can be output.
  • step S12 the amplified image output unit 12 multiplies and sums the at least one component CT image and the input contrast-enhanced CT image extracted in step S11 by a predetermined ratio, respectively, to obtain the first CT image and the A second CT image may be generated, respectively, and a color image may be output as a synthesized color image by applying a predetermined color tone table to each of the first CT image and the second CT image.
  • the deep learning-based contrast-enhanced CT image contrast amplification method may include, before step S11, generating and training a training target deep learning model.
  • a method of training the training target deep learning model that is, a description of the training method of the deep learning model may be more easily understood with reference to FIG. 5 to be described later.
  • steps S11 to S12 may be further divided into additional steps or combined into fewer steps, according to an embodiment of the present application.
  • some steps may be omitted if necessary, and the order between the steps may be changed.
  • FIG. 5 shows an example of a schematic operation flow for a deep learning model training method for deep learning-based contrast-enhanced CT image contrast amplification through a deep-learning-based contrast-enhanced CT image contrast amplification device according to an embodiment of the present application It is a drawing. That is, FIG. 5 is a diagram illustrating an example of a schematic operation flow for a method for training a training target deep learning model considered herein.
  • the deep learning model training method for deep learning-based contrast-enhanced CT image contrast amplification shown in FIG. 5 may be performed by the deep learning-based contrast-enhanced CT image contrast amplification apparatus (the present device, 10) described above. Therefore, even if it is omitted below, the contents described for the deep learning-based contrast-enhanced CT image contrast amplification device (this device, 10) are for the deep learning model training method for deep learning-based contrast-enhanced CT image contrast amplification. The same may be applied to the description.
  • the deep learning training unit 13 before the image extraction unit 11 extracts at least one component CT image from the input contrast-enhanced CT image in step S11 of FIG. 10), based on the pair of CT images of the first CT data set for training, at least one synthetic low-contrast CT image, at least one of a synthetic contrast enhancement component and a synthetic non-contrast enhancement component to train the deep learning models included in 10). It is possible to generate a second CT data set for training consisting of component CT images of .
  • the deep learning training unit 13 synthesizes a contrast enhancement component CT image and a non-contrast component CT image based on the original CT image pair of the first CT data set for training, and based on this, at least one low contrast CT images can be synthesized.
  • the deep learning training unit 13 multiplies the synthesized contrast-enhanced component CT image by at least one predetermined ratio, and adds it to the synthesized non-contrast-enhanced component CT image to synthesize at least one low-contrast CT image.
  • the second CT data set for training may consist of a pair of at least one synthesized low-contrast CT image and at least one component CT image synthesized based on the original image of the first CT data set for training. have.
  • the deep learning training unit 13 is a pair of at least one synthetic low-contrast CT image obtained by applying the original image of the first CT data set for training to the image extraction unit 11 and the synthesized at least one component CT image. can be used to train the training target deep learning.
  • the deep learning training unit 13 the training target deep learning model in step S11 to have a function of extracting at least one component CT image from the input contrast augmented CT image input to the training second CT data for training Using the set, for every CT image, a synthesized low-contrast CT image is passed as an input to the training target deep learning model, and the training target is to minimize the difference between the synthesized at least one component CT image and the output of the training target deep learning model. Deep learning models can be trained repeatedly.
  • FIG. 4 is a diagram showing a schematic operation flow for a deep learning-based contrast-enhanced CT image contrast amplification method through a deep-learning-based contrast-enhanced CT image contrast amplification apparatus according to another embodiment of the present application.
  • the deep learning-based contrast-enhanced CT image contrast amplification method shown in FIG. 4 may be performed by the deep learning-based contrast-enhanced CT image contrast amplification apparatus (the present device, 20) described above. Therefore, even if omitted below, the description of the deep learning-based contrast-enhanced CT image contrast amplification device (this device, 20) may be equally applied to the description of the deep learning-based contrast-enhanced CT image contrast amplification method. have.
  • the examination information extraction unit 21 may extract examination information from an input contrast-enhanced CT image.
  • the deep learning model selection unit 22 may select at least one deep learning model corresponding to the inspection information extracted in step S21 from among a plurality of pre-trained deep learning models.
  • the image extraction unit 23 may use the input contrast-enhanced CT image as an input of the at least one deep learning model selected in step S22 to extract at least one component CT image for the input contrast-enhanced CT image.
  • the amplified image output unit 24 may output a contrast-amplified CT image with respect to the input contrast-enhanced CT image.
  • the deep learning-based contrast-enhanced CT image contrast amplification method may include, before step S21, generating and training a plurality of training target deep learning models.
  • the plurality of training target deep learning models trained by the training step may mean a plurality of pre-trained deep learning models considered in step S22.
  • a description of a method of training a plurality of training target deep learning models that is, a training method of the deep learning model, may be more easily understood with reference to FIG. 6 to be described later.
  • steps S21 to S24 may be further divided into additional steps or combined into fewer steps, according to an embodiment of the present application.
  • some steps may be omitted if necessary, and the order between the steps may be changed.
  • FIG. 6 shows an example of a schematic operation flow for a deep learning model training method for deep learning-based contrast-enhanced CT image contrast amplification through a deep-learning-based contrast-enhanced CT image contrast amplification device according to an embodiment of the present application. It is a drawing. That is, FIG. 6 is a diagram illustrating an example of a schematic operation flow for a method for training a training target deep learning model considered herein.
  • the deep learning model training method for deep learning-based contrast-enhanced CT image contrast amplification shown in FIG. 6 may be performed by the deep learning-based contrast-enhanced CT image contrast amplification apparatus (the present device, 20) described above. Therefore, even if omitted below, the content described for the deep learning-based contrast-enhanced CT image contrast amplification device (this device, 20) is a deep learning model training method for deep learning-based contrast-enhanced CT image contrast amplification. The same may be applied to the description.
  • the deep learning group training unit 25 may train the training target deep learning using a pair of at least one synthetic low-contrast CT image and the synthesized at least one component CT image.
  • the deep learning group training unit 25 may extract examination information from the second CT data set for training and group the second CT data set for training into a plurality of groups according to a preset rule.
  • step S42 the deep learning group training unit 25 groups the second CT data set for training into a plurality of groups, thereby generating a CT data set for training for each inspection site and/or scan attribute.
  • the deep learning group training unit 25 may generate a plurality of training target deep learning models to correspond to each of the second CT data sets for training of the plurality of groups generated in step S42, and train them. That is, in step S43, the deep learning group training unit 25 may generate and train a plurality of training target deep learning models to correspond to each of the second CT data sets for training for each group grouped by step S42.
  • the deep learning group training unit 25 may generate and train a training target deep learning model for each examination area in response to each of the training CT data sets generated for each examination area.
  • the deep learning group training unit 25 may generate and train a training target deep learning model for each scan attribute in response to each of the training CT data sets generated for each scan attribute.
  • the deep learning group training unit 25 uses the plurality of training CT data sets (ie, multiple groups of training CT data sets) generated in step S42, and the plurality of training target deep learning models generated in step S42 Each can be trained.
  • the deep learning group training unit 25 uses the training CT data set generated in step S42 for each examination site and/or for each scan attribute, and/or for each examination site and/or generated in step S43 to correspond thereto.
  • each trained deep learning model can be trained for each scan attribute.
  • the deep learning group training unit 25 allows each of the plurality of training target deep learning models to have a function of extracting at least one component CT image from the input contrast-enhanced CT image input to it, step S42 In the second CT data set for training by group grouped in , for every CT image, a synthesized low-contrast CT image is passed as an input of the training target deep learning model, and the synthesized at least one component CT image and the training target deep learning model are transmitted.
  • the training target deep learning model can be iteratively trained so that the difference between the outputs of is minimized.
  • the deep learning group training unit 25 may repeatedly train each of the training target deep learning models generated for each examination site by using the training CT data set generated for each examination area in step S43.
  • the deep learning group training unit 25 may repeatedly train each of the training target deep learning models generated for each scan property by using the training CT data set generated for each scan property in step S43.
  • the plurality of training target deep learning models considered by the apparatus 20 may include a training target deep learning model generated for each inspection site and a training target deep learning model generated for each scan property.
  • steps S41 to S43 may be further divided into additional steps or combined into fewer steps, according to an embodiment of the present application.
  • some steps may be omitted if necessary, and the order between steps may be changed.
  • a deep learning-based contrast-enhanced CT image contrast amplification method and a deep learning model training method for deep learning-based contrast-enhanced CT image contrast amplification are in the form of program instructions that can be performed through various computer means. It may be implemented and recorded in a computer-readable medium.
  • the computer-readable medium may include program instructions, data files, data structures, etc. alone or in combination.
  • the program instructions recorded on the medium may be specially designed and configured for the present invention, or may be known and available to those skilled in the art of computer software.
  • Examples of the computer-readable recording medium include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic such as floppy disks.
  • magneto-optical media includes magneto-optical media, and hardware devices specially configured to store and execute program instructions, such as ROM, RAM, flash memory, and the like.
  • program instructions include not only machine language codes such as those generated by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like.
  • the hardware devices described above may be configured to operate as one or more software modules to carry out the operations of the present invention, and vice versa.
  • the above-described deep learning-based contrast-enhanced CT image contrast amplification method and deep learning model training method for deep learning-based contrast-enhanced CT image contrast amplification are in the form of a computer program or application executed by a computer stored in a recording medium. can also be implemented.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Optics & Photonics (AREA)
  • Veterinary Medicine (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Physiology (AREA)
  • Pulmonology (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 방법에 관한 것이며, 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 방법은 입력 조영 증강 CT 이미지를 기 훈련된 딥러닝 모델에 입력으로 하여 상기 입력 조영 증강 CT 이미지에 대한 조영 증강 성분과 비 조영 증강 성분 중 적어도 하나의 성분 CT 이미지를 추출하는 단계 및 상기 입력 조영 증강 CT 이미지와 상기 추출된 적어도 하나의 성분 CT 이미지를 기초로 조영 증강 CT 이미지에 대한 대조도 증폭 CT 이미지를 출력하는 단계를 포함할 수 있다.

Description

딥러닝 기반의 조영 증강 CT 이미지 대조도 증폭 장치 및 방법
본원은 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 장치 및 방법에 관한 것이다.
컴퓨터 단층 촬영(CT)을 통해서는 피검자가 X선 발생 장치가 있는 원형의 큰 기계에 들어가서 촬영을 수행함으로써 인체를 가로지르는 횡단면상의 획득이 가능하다. 이는 단순 X선 촬영에 비해 구조물 겹침이 적어 구조물 및 병변을 좀 더 명확히 볼 수 있는 장점이 있기 때문에, 대부분의 장기 및 질환에 대한 정밀 검사에 폭넓게 활용되고 있다.
CT 이미지의 대조도는 병변에 대한 정확한 진단에 있어서 매우 중요한 요소라 할 수 있으며, CT 검사법의 발전과 함께 CT 이미지에서 높은 대조도의 이미지를 획득하기 위한 노력이 계속되고 있다. 일반적으로 병변은 다른 주변 조직에 비해 혈관 분포가 높거나 낮은 특징이 있는데, 혈관의 X-선 감쇠도를 높게 만드는 조영제를 주입한 후 CT를 촬영하게 되면 병변과 주변조직간의 감쇠도 차이가 뚜렷해 지기 때문에 조영 증강 (조영제 주입) CT 검사는 병변 대조도를 향상시킨 이미지를 얻기 위한 중요한 검사법으로 활용되고 있다.
그러나, CT 이미지의 대조도를 증폭시키기 위한 종래의 노력들은 대부분 많은 양의 조영제 주입을 야기할 수 있어 그 피해가 우려된다. 특히, 최근 조영제 위험에 대한 사회 인식을 감안하면, 고품질의 진단 이미지를 획득하기 위한 노력시 조영제 주입량을 최소화하기 위한 노력이 수반되어야 할 필요가 있다.
이러한 노력의 일예로, CT(컴퓨터 단층 촬영) 제조사들은 이중 에너지 촬영 기능이 포함된 CT 시스템을 출시하고 있다. 이중 에너지 CT 에서는 조영제 성분에 대한 대조도를 보다 향상시킬 수 있어 조영제 주입량을 줄일 수 있는 가능성이 있다. 그런데, 종래의 이중 에너지 CT 시스템은 기존 제품 대비 가격이 높아 일반적으로 보급되기에는 문제가 있을 뿐만 아니라 이중 에너지에 의한 대조도 향상은 한계가 있으므로 진정한 해결책이 될 수는 없어, 이에 대한 해결방안이 요구되고 있다. 즉, 조영제 주입량을 최소화하면서 고품질의 진단 이미지(고대조도 CT 이미지)를 획득할 수 있는 보다 효과적인 기술 개발이 요구된다.
한편, 딥러닝 기술은 일련의 세부적인 프로그램을 코딩하는 대신, 주어진 학습 데이터 세트에 따라 훈련이 가능한 범용의 프로그램 코드를 사용함으로써 특정한 목적을 달성하는 새로운 방식의 컴퓨팅 기술로서, 다양한 영상처리 분야에서 뛰어난 성능을 인정받고 있다.
그러나, 딥러닝 모델이 바람직한 성능을 발휘하기 위해서는 충분히 많은 훈련 데이터 세트를 확보하는 것이 요구될 뿐 아니라, 딥러닝 모델이 사전에 지정된 범위의 데이터에 대해서 훈련되고, 실 사용 단계에서도 사전에 지정된 범위의 데이터에 대해서 작동할 수 있도록 데이터를 구획화하는 방법이 수반되어야 할 필요가 있다. 안전성이 특히 중시되는 의료영상에 딥러닝을 적용하기 위해서는 이러한 전제조건을 만족시키는 효과적인 딥러닝 훈련 기술의 개발이 더더욱 중요하다고 할 수 있다.
본원의 배경이 되는 기술은 한국공개특허공보 제 10-2020-0026071호에 개시되어 있다.
본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 조영제 주입을 최소화하면서 고품질의 진단 이미지(CT 이미지)를 획득할 수 있는 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 장치 및 방법을 제공하려는 것을 목적으로 한다.
본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 안전성이 특히 중시되는 의료영상에 딥러닝이 보다 효과적으로 적용될 수 있도록 하는 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 장치를 통한 딥러닝 모델의 훈련(학습) 방법을 제공하려는 것을 목적으로 한다.
본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 딥러닝이 가진 장점을 활용하면서도 딥러닝의 성능 보장과 안전성 확보를 담보할 수 있는 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 장치 및 방법, 그를 통한 딥러닝 모델의 훈련 방법을 제공하려는 것을 목적으로 한다.
다만, 본원의 실시 예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상기한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본원의 일 실시 예에 따른 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 방법은, 입력 조영 증강 CT 이미지를 기 훈련된 딥러닝 모델에 입력으로 하여 상기 입력 조영 증강 CT 이미지에 대한 조영 증강 성분과 비 조영 증강 성분 중 적어도 하나의 성분 CT 이미지를 추출하는 단계 및 상기 입력 조영 증강 CT 이미지와 상기 추출된 적어도 하나의 성분 CT 이미지를 기초로 입력 조영 증강 CT 이미지에 대한 대조도 증폭 CT 이미지를 출력하는 단계를 포함할 수 있다.
또한, 본원의 일 실시 예에 따른 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 방법은, 상기 적어도 하나의 성분 CT 이미지를 추출하는 단계 이전에, 입력 조영 증강 CT 이미지로부터 검사 정보를 추출하는 단계 및 기 훈련된 복수의 딥러닝 모델 중 상기 검사 정보에 대응하는 적어도 하나의 딥러닝 모델을 선택하는 단계를 더 포함하고, 상기 적어도 하나의 성분 CT 이미지를 추출하는 단계는 상기 입력 조영 증강 CT 이미지를 선택된 적어도 하나의 딥러닝 모델에 입력으로 하여 상기 입력 조영 증강 CT 이미지에 대한 상기 적어도 하나의 성분 CT 이미지를 추출하는 단계를 포함할 수 있다.
본원의 일 실시 예에 따른 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 방법에서, 상기 대조도 증폭 CT 이미지를 출력하는 단계는 상기 입력 조영 증강 CT 이미지와 상기 적어도 하나의 성분 CT 이미지에 각각 사전에 정한 비율을 곱하여 합산하는 단계를 포함할 수 있다.
또한 본원의 일 실시 예에 따른 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 방법에서, 상기 대조도 증폭 CT 이미지를 출력하는 단계는 상기 입력 조영 증강 CT 이미지와 상기 적어도 하나의 성분 CT 이미지에 각각 사전에 정한 비율을 곱하여 합산함으로써 제1 CT이미지와 제 2 CT이미지를 각각 생성하는 단계 및 상기 제1 CT 이미지와 제2 CT 이미지에 각각 사전에 정한 색조 테이블을 적용하여 합성된 컬러 이미지로 츨력하는 단계를 포함할 수 있다.
또한, 본원의 일 실시 예에 따른 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 방법은, 상기 적어도 하나의 성분 CT 이미지를 추출하는 단계 이전에, 훈련용 제1 CT 데이터 세트의 이미지 쌍을 기초로 적어도 하나의 성분 CT 이미지를 합성하는 단계, 상기 합성된 적어도 하나의 성분 CT 이미지와 훈련용 제1 CT 데이터 세트를 기초로 훈련용 제2 CT 데이터 세트를 생성하는 단계 및 상기 훈련용 제2 CT 데이터 세트를 이용하여 적어도 하나의 성분 CT 이미지를 추출하도록 사전에 훈련 대상 딥러닝 모델을 생성하고 훈련시키는 단계를 더 포함하고, 상기 기 훈련된 딥러닝 모델은 상기 훈련시키는 단계에 의해 훈련된 된 딥러닝 모델일 수 있다.
또한, 본원의 일 실시 예에 따른 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 방법은, 상기 검사 정보를 추출하는 단계 이전에, 훈련용 제1 CT 데이터 세트의 이미지 쌍을 기초로 적어도 하나의 성분 CT 이미지를 합성하는 단계, 상기 합성된 적어도 하나의 성분 CT 이미지와 훈련용 제1 CT 데이터 세트를 기초로 훈련용 제2 CT 데이터 세트를 생성하는 단계, 상기 훈련용 제2 CT 데이터 세트로부터 검사 정보를 추출하고, 미리 설정된 규칙에 따라 상기 훈련용 제2 CT 데이터 세트를 복수의 그룹으로 그룹화하는 단계 및 그룹화된 그룹별 훈련용 제2 CT 데이터 세트 각각에 대응하도록 복수의 훈련 대상 딥러닝 모델을 생성하여 훈련시키는 단계를 더 포함하고, 상기 선택하는 단계에서 상기 기 훈련된 복수의 딥러닝 모델은, 상기 훈련시키는 단계에 의해 훈련된 상기 복수의 훈련 대상 딥러닝 모델일 수 있다.
한편, 본원의 일 실시예에 따르면, 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 장치는, 입력 조영 증강 CT 이미지를 기 훈련된 딥러닝 모델의 입력으로하여 상기 입력 조영 증강 CT 이미지에 대한 적어도 하나의 성분 CT 이미지를 추출하는 이미지 추출부 및 상기 추출된 적어도 하나의 성분 CT 이미지와 상기 입력 조영 증강 CT 이미지를 기초로 대조도 증폭 CT 이미지를 출력하는 증폭 이미지 출력부를 포함할 수 있다.
또한, 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 장치는, 입력 조영 증강 CT 이미지로부터 검사 정보를 추출하는 검사 정보 추출부 및 기 훈련된 복수의 딥러닝 모델 중 상기 검사 정보에 대응하는 적어도 하나의 딥러닝 모델을 선택하는 딥러닝 모델 선택부를 더 포함하고, 상기 이미지 추출부는, 상기 검사 정보 추출부 및 상기 딥러닝 모델 선택부에 의해 선택된 적어도 하나의 딥러닝 모델에 상기 입력 조영 증강 CT 이미지를 입력시켜 상기 입력 조영 증강 CT 이미지에 대한 적어도 하나의 성분 CT 이미지를 추출하는 것일 수 있다.
본원의 일 실시 예에 따른 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 장치에서, 상기 이미지 출력부는, 상기 입력 조영 증강 CT 이미지와 상기 적어도 하나의 성분 CT 이미지에 각각 사전에 정한 비율을 곱하여 합산하여 출력하는 것일 수 있다.
본원의 다른 일 실시 예에 따른 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 장치에서, 상기 증폭 이미지 출력부는, 상기 입력 조영 증강 CT 이미지와 상기 적어도 하나의 성분 CT 이미지에 각각 사전에 정한 비율을 곱하여 합산함으로써 제1 CT이미지와 제2 CT이미지를 각각 생성하며, 상기 제1 CT 이미지와 제2 CT 이미지에 각각 사전에 정한 색조 테이블을 적용하여 합성된 컬러 이미지로 츨력하는 것일 수 있다.
또한, 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 장치는, 훈련 대상 딥러닝 모델을 생성하여 훈련시키는 딥러닝 훈련부를 더 포함하고, 상기 딥러닝 훈련부는, 훈련용 제1 CT 데이터 세트의 이미지 쌍으로부터 적어도 하나의 성분 CT 이미지를 합성하고, 상기 합성된 적어도 하나의 성분 CT 이미지와 훈련용 제1 CT 데이터 세트를 기초로 훈련용 제2 CT 데이터 세트를 생성하고, 상기 훈련용 제2 CT 데이터 세트를 이용하여 적어도 하나의 성분 CT 이미지를 추출하도록 사전에 훈련 대상 딥러닝 모델을 생성하고 훈련시키되, 상기 기 훈련된 딥러닝 모델은 상기 훈련시키는 단계에 의해 훈련된 된 딥러닝 모델일 수 있다.
또한, 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 장치는, 복수의 훈련 대상 딥러닝 모델을 생성하여 훈련시키는 딥러닝 그룹 훈련부를 더 포함하고, 상기 딥러닝 그룹 훈련부는, 훈련용 제1 CT 데이터 세트의 이미지 쌍을 기초로 적어도 하나의 성분 이미지를 합성하고, 상기 합성된 적어도 하나의 성분 CT 이미지와 상기 훈련용 제1 CT 데이터 세트를 기초로 훈련용 제2 CT 데이터 세트를 생성하고, 상기 훈련용 제2 CT 데이터 세트로부터 검사 정보를 추출하고 미리 설정된 규칙에 따라 상기 훈련용 제2 CT 데이터 세트를 복수의 그룹으로 그룹화하고, 그룹화된 그룹별 훈련용 제2 CT 데이터 세트 각각에 대응하도록 복수의 훈련 대상 딥러닝 모델을 생성하여 훈련시키되, 상기 기 훈련된 복수의 딥러닝 모델은 상기 딥러닝 그룹 훈련부에 의해 훈련된 상기 복수의 훈련 대상 딥러닝 모델일 수 있다.
상술한 과제 해결 수단은 단지 예시적인 것으로서, 본원을 제한하려는 의도로 해석되지 않아야 한다. 상술한 예시적인 실시 예 외에도, 도면 및 발명의 상세한 설명에 추가적인 실시 예가 존재할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 딥러닝을 기반으로 CT 이미지의 대조도 증폭을 수행함으로써, 조영제 주입을 최소화하면서 고품질의 진단 이미지(CT 이미지)를 획득할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, CT 이미지의 검사 정보에 따라 복수의 딥러닝 모델(복수의 훈련 대상 딥러닝 모델)을 훈련시킴으로써, 안전성이 특히 중시되는 의료영상에 딥러닝이 보다 효과적으로 적용되도록 할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 딥러닝이 가진 장점을 활용하면서도 딥러닝의 성능 보장과 안전성 확보를 담보할 수 있는 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 장치 및 방법, 그를 통한 딥러닝 모델의 훈련(학습) 방법을 제공할 수 있다.
다만, 본원에서 얻을 수 있는 효과는 상기된 바와 같은 효과들로 한정되지 않으며, 또 다른 효과들이 존재할 수 있다.
도 1은 본원의 일 실시 예에 따른 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 장치의 개략적인 구성을 나타낸 도면이다.
도 2는 본원의 다른 일 실시 예에 따른 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 장치의 개략적인 구성을 나타낸 도면이다.
도 3은 본원의 일 실시예에 따른 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 장치를 통한 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 방법에 대한 개략적인 동작 흐름을 나타낸 도면이다.
도 4는 본원의 다른 일 실시예에 따른 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 장치를 통한 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 방법에 대한 개략적인 동작 흐름을 나타낸 도면이다.
도 5는 본원의 제1 실시예에 따른 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 장치를 통한 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭을 위한 딥러닝 모델 훈련 방법에 대한 개략적인 동작 흐름의 일예를 나타낸 도면이다.
도 6은 본원의 제2 실시예에 따른 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 장치를 통한 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭을 위한 딥러닝 모델 훈련 방법에 대한 개략적인 동작 흐름의 일예를 나타낸 도면이다.
아래에서는 첨부한 도면을 참조하여 본원이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본원의 실시 예를 상세히 설명한다. 그러나 본원은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본원을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본원 명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결" 또는 "간접적으로 연결"되어 있는 경우도 포함한다.
본원 명세서 전체에서, 어떤 부재가 다른 부재 "상에", "상부에", "상단에", "하에", "하부에", "하단에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.
본원 명세서 전체에서, 어떤 부분이 어떤 구성 요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.
본원에서 조영 증강 CT 이미지(CT image)는 CT 데이터(CT data), 의료 영상(medical image) 등으로 달리 지칭될 수 있다.
도 1은 본원의 일 실시 예에 따른 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 장치의 개략적인 구성을 나타낸 도면이다. 이하에서는 본원의 일 실시 예에 따른 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 장치(10)를 설명의 편의상 본 장치(10)라 하기로 한다.
도 1을 참조하면, 본 장치(10)는 이미지 추출부(11), 증폭 이미지 출력부(12) 및 딥러닝 훈련부(13)를 포함할 수 있다. 다만, 본 장치(10)의 구성이 이에 한정되는 것은 아니다. 일예로, 본 장치(10)는 컴퓨터단층촬영기(Computed Tomography, CT), 자기공명 영상장치(Magnetic Resonance Imaging, MRI), 양전자 방출 단층 영상장치(Positron Emission Tomography, PET) 등에서 획득된 CT 이미지가 저장된 데이터베이스(미도시)를 포함할 수 있다.
본원의 일 실시예에 따르면, 이미지 추출부(11)는 입력된 조영 증강 CT 이미지를 기 훈련된 딥러닝 모델에 입력시켜 딥러닝 모델의 학습 결과로 조영 증강 성분과 비 조영 증강 성분 중 적어도 하나의 성분 CT 이미지를 추출할 수 있다.
입력 조영 증강 CT 이미지는 컴퓨터단층촬영기(Computed Tomography, CT), 자기공명 영상장치(Magnetic Resonance Imaging, MRI), 양전자 방출 단층 영상장치(Positron Emission Tomography, PET) 등에 의하여 획득된 이미지일 수 있으며, 이에만 한정되는 것은 아니고 다양한 영상촬영장치를 통해 획득한 이미지일 수 있다.
이에 따르면, 본 장치(10)는 사전에 훈련된 딥러닝 모델을 포함할 수 있다. 여기서, 딥러닝 모델은 후술하는 딥러닝 훈련부(13)에 의해 기 훈련된 딥러닝 모델로서, 특히 딥러닝 모델에 입력되는 조영 증강 CT 이미지에 대하여 적어도 하나의 성분 CT 이미지를 출력하도록 기 훈련된 딥러닝 모델을 의미할 수 있다.
본원에서 딥러닝 모델을 설명함에 있어서, 딥러닝 훈련부(13)에 의해 훈련이 이루어지기 이전의 딥러닝 모델은 훈련 대상 딥러닝 모델이라 지칭될 수 있다. 이에 따르면, 훈련 대상 딥러닝 모델에 대하여 훈련이 끝나고 나면 기 훈련된 딥러닝 모델을 의미하게 된다. 달리 말해, 이미지 추출부(11)에서 고려되는 기 훈련된 딥러닝 모델은 딥러닝 훈련부(13)에 의해 훈련된(훈련이 이루어진) 훈련 대상 딥러닝 모델을 의미할 수 있다. 훈련 대상 딥러닝 모델의 훈련에 대한 설명은 후술하여 보다 자세히 설명하기로 한다.
본원의 일 실시예에 따르면, 증폭 이미지 출력부(12)는 추출된 적어도 하나의 성분 CT 이미지와 입력 조영 증강 CT 이미지를 기초로 대조도 증폭 CT 이미지를 출력할 수 있다. 달리 말해, 증폭 이미지 출력부(12)는 이미지 추출부(11)에서 입력 조영 증강 CT 이미지를 기 훈련된 딥러닝 모델의 입력으로 하여 추출한 적어도 하나의 성분 CT 이미지와 입력 조영 증강 CT 이미지에 각각 사전에 설정된 비율(미리 설정된 비율)을 곱하여 합산함으로써, 입력 조영 증강 CT 이미지에 대한 대조도 증폭 CT 이미지를 출력할 수 있다.
본원의 또 다른 실시예에 따르면, 증폭 이미지 출력부(12)는 입력 조영 증강 CT 이미지와 적어도 하나의 성분 CT 이미지에 각각 사전에 정한 비율을 곱하여 합산하여 제1 CT이미지와 제2 CT이미지를 각각 생성하며, 제1 CT 이미지와 제2 CT 이미지에 각각 사전에 정한 색조 테이블을 적용하여 합성된 컬러 이미지로 츨력할 수 있다.
본원의 일 실시예에 따르면, 딥러닝 훈련부(13)는 훈련 대상 딥러닝 모델을 생성하여 훈련시킬 수 있다. 딥러닝 훈련부(13)는 이미지 추출부(11)에서 입력 조영 증강 CT 이미지로부터 적어도 하나의 성분 CT 이미지를 추출하기 이전에, 훈련 대상 딥러닝 모델을 생성하여 훈련시킬 수 있다.
이하에서는 딥러닝 훈련부(13)에 대하여 보다 상세히 설명하기로 한다.
본원의 일 실시예에 따르면, 딥러닝 훈련부(13)는 이미지 추출부(11)가 입력 조영 증강 CT 이미지로부터 적어도 하나의 성분 CT 이미지를 추출하기 이전에, 훈련용 CT 데이터 세트(달리 말해, 딥러닝 훈련용 CT 데이터 세트)를 이용하여 훈련 대상 딥러닝 모델을 훈련시킬 수 있다.
또한, 딥러닝 훈련부(13)는 훈련 대상 딥러닝 모델을 훈련시키기 이전에, 훈련용 제1 CT 데이터 세트의 CT이미지 쌍으로부터 적어도 하나의 성분 CT 이미지를 합성할 수 있다. 또한, 딥러닝 훈련부(13)는 합성된 적어도 하나의 성분 CT 이미지와 훈련용 제1 CT데이터 세트의 원본 이미지에 기초하여 훈련용 제2 CT 데이터 세트를 생성할 수 있다. 이후 딥러닝 훈련부(13)는 생성된 훈련용 제2 CT 데이터 세트를 이용하여 훈련 대상 딥러닝 모델을 훈련시킬 수 있다.
본원의 일 실시 예에 의하면, 훈련용 제1 CT 데이터 세트의 원본 이미지는 조영제 주입 전 스캔한 CT 이미지와 조영제 주입 후 스캔한 CT 이미지의 쌍으로 구성될 수 있으며, 이때 딥러닝 훈련부(13)는 조영제 주입 전 및 주입 후에 얻은CT 이미지 쌍에 기초하여 조영 증강 성분 CT 이미지를 합성할 수 있다.
일 실시 예에서, 딥러닝 훈련부(13)는 조영제 주입 후 CT 이미지에서 조영제 주입 전 CT 이미지를 감산함으로써 조영 증강 성분 CT 이미지를 합성할 수 있다.
이때, 딥러닝 훈련부(13)는 조영제 주입 전 CT 이미지를 비 조영 증강 성분 CT 이미지로 이용할 수 있다.
추가적으로 딥러닝 훈련부(13)는 미리 설정된 기준(사전에 정의한 방식)에 따라 조영제 주입 전 CT 이미지와 조영제 주입 후 CT 이미지 간에 움직임 보상 연산을 적용할 수 있다.
본원의 또 다른 실시 예에 의하면, 훈련용 제1 CT 데이터 세트의 원본 이미지는 이중 에너지 촬영 기능이 있는 CT장치를 이용하여 조영제 주입 후 스캔한 CT에서 얻은 저 에너지 CT 이미지와 고 에너지 CT 이미지의 쌍으로 구성될 수 있다. 이때 딥러닝 훈련부(13)는 저 에너지 CT 및 고 에너지 CT 이미지 쌍에 기초하여 조영 증강 성분 CT 이미지를 합성할 수 있다.
또한, 딥러닝 훈련부(13)는 저 에너지 CT 이미지와 고 에너지 CT 이미지 각각에 미리 정한 비율을 곱하고 합산함으로써 조영 증강 성분 CT 이미지를 합성할 수 있다.
또한, 딥러닝 훈련부(13)는 저 에너지 CT 이미지와 고 에너지 CT 이미지 각각에 미리 정한 또 다른 비율을 곱하고 합산함으로써 비 조영 증강 성분 CT 이미지를 합성할 수 있다.
또한, 딥러닝 훈련부(13)는 훈련용 제1 CT 데이터 세트의 CT이미지 쌍으로부터 조영 증강 성분 CT이미지와 비 조영 증강 성분 CT 이미지를 합성하고, 합성된 조영 증강 성분 CT 이미지에 미리 설정된 적어도 하나의 비율만큼 곱하고, 이를 합성된 비 조영 증강 성분 CT 이미지에 가산하여 적어도 하나의 합성 저 대조도 CT 이미지를 생성할 수 있다.
이와 같이, 딥러닝 훈련부(13)는 훈련용 제1 CT 데이터 세트의 CT이미지 쌍에 기초하여 적어도 하나의 합성 저 대조도 CT 이미지, 합성 조영 증강 성분과 합성 비 조영 증강 성분 중 적어도 하나의 성분 CT 이미지로 구성된 훈련용 제2 CT 데이터 세트를 생성할 수 있다.
또한, 딥러닝 훈련부(13)는 이미지 추출부(11)가 입력 조영 증강 CT 이미지로부터 적어도 하나의 성분 CT 이미지를 추출하기 이전에, 훈련 대상 딥러닝 모델을 생성할 수 있다. 또한, 딥러닝 훈련부(13)는 훈련 대상 딥러닝 모델이 자신에게 입력된 입력 조영 증강 CT 이미지에서 적어도 하나의 성분 CT 이미지를 추출하는 기능을 가질 수 있도록, 훈련용 제1 CT 데이터 세트의 CT이미지 쌍을 기초로하여 합성된 적어도 하나의 성분 CT 이미지 및 적어도 하나의 합성 저 대조도 CT 이미지가 부가된 훈련용 제2 CT 데이터 세트를 생성할 수 있다. 또한, 딥러닝 훈련부(13)는 훈련용 제2 CT 데이터 세트에서, 매 CT 이미지마다 합성 저 대조도 CT 이미지를 훈련 대상 딥러닝 모델의 입력으로 전달하고, 합성된 적어도 하나의 성분 CT 이미지와 훈련 대상 딥러닝 모델의 출력 간의 차이가 최소화되도록 훈련 대상 딥러닝 모델을 반복 훈련시킬 수 있다.
도 2는 본원의 다른 일 실시예에 따른 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 장치의 개략적인 구성을 나타낸 도면이다.
이하 도 2를 통해 설명되는 본 장치(20)의 이미지 추출부(23) 및 증폭 이미지 출력부(24)는 앞서 도 1을 기반으로 본 장치(10)의 이미지 추출부(11) 및 증폭 이미지 출력부(12)와 동일 내지 대응될 수 있다. 따라서, 이하 생략된 내용이라고 하더라도, 이미지 추출부(11) 및 증폭 이미지 출력부(12)에 대하여 설명된 내용은 이미지 추출부(23) 및 증폭 이미지 출력부(24)에 대한 설명에도 동일하게 적용될 수 있다.
도 2를 참조하면, 본 장치(20)는 검사 정보 추출부(21), 딥러닝 모델 선택부(22), 이미지 추출부 (23), 증폭 이미지 출력부(24) 및 딥러닝 그룹 훈련부(25)를 포함할 수 있다.
검사 정보 추출부(21)는 입력된 CT 이미지(입력 CT 이미지)로부터 검사정보를 추출할 수 있다. 검사정보에는 CT 이미지의 검사부위 정보 및 스캔 속성 정보가 포함될 수 있다.
여기서, 검사부위 정보는 일 예로 장기 부위에 관한 정보를 의미할 수 있다. 즉, 검사부위 정보는 주요 관심 인체장기 부위에 관한 정보를 의미하는 것으로서, 예를 들어 두부, 흉부, 복부 등의 장기 부위의 정보를 의미할 수 있다. 또한, 스캔 속성 정보는 CT 이미지의 금속 허상 특성에 영향을 미치는 CT 촬영 변수에 관한 정보를 의미하는 것으로서, 예를 들어 재구성 커널, 관전압, 관전류, 절편 두께 등의 정보를 의미할 수 있다.
본원의 일 실시예에 따르면, 검사 정보 추출부(21)는 입력 CT 이미지에 포함된 헤더 정보로부터 검사정보를 추출할 수 있다.
또 다른 일 예에 따르면, 검사 정보 추출부(21)는 입력 CT 이미지를 사전에 정의된 분류기에 입력함으로써 검사정보를 추출할 수 있다. 이때, 사전에 정의된 분류기는 입력 CT 이미지로부터 사전에 정의된 하나 이상의 이미지 특징을 추출하고, 이를 사전에 정의된 개수의 범주중 하나로 할당하는 것일 수 있다.
딥러닝 모델 선택부(22)는 기 훈련된 복수의 딥러닝 모델 중 검사 정보 추출부(21)에서 추출된 검사 정보에 대응하는 적어도 하나의 딥러닝 모델을 선택할 수 있다.
또한, 딥러닝 모델 선택부(22)는 검사 정보 추출부(21)에서 추출된 검사 정보에 미리 설정된 규칙(사전에 정한 규칙)을 적용함으로써, 기 훈련된 복수의 딥러닝 모델 중 검사 정보 추출부(21)에서 추출된 검사 정보에 대응하는 적어도 하나의(하나 또는 그 이상의) 딥러닝 모델을 선택할 수 있다.
본원의 일 실시예에 따르면, 이미지 추출부(23)는 입력 조영 증강 CT 이미지를 딥러닝 모델 선택부(22)에서 선택된 적어도 하나의 딥러닝 모델의 입력으로 하여 입력 조영 증강 CT 이미지에 대한 적어도 하나의 성분 CT 이미지를 추출할 수 있다.
본원의 일 실시예에 따르면, 증폭 이미지 출력부(24)는 추출된 적어도 하나의 성분 CT 이미지와 입력 조영 증강 CT이미지를 기초로 대조도 증폭 CT 이미지를 출력할 수 있다.
이에 따르면, 본 장치(20)는 복수의 딥러닝 모델을 포함할 수 있다. 여기서, 복수의 딥러닝 모델 각각은 후술하는 딥러닝 그룹 훈련부(25)에 의해 기 훈련된 딥러닝 모델로서, 특히 각각의 딥러닝 모델에 입력되는 조영 증강 CT 이미지에 대하여 적어도 하나의 성분 CT 이미지를 출력하도록 기 훈련된 딥러닝 모델을 의미할 수 있다.
본 장치(20)에서 고려되는 복수의 딥러닝 모델은 딥러닝 그룹 훈련부(25)에 의해 생성될 수 있다. 딥러닝 그룹 훈련부(25)는 검사 정보에 따라 복수의 딥러닝 모델을 생성할 수 있다. 달리 말해, 딥러닝 그룹 훈련부(25)는 복수의 훈련 대상 딥러닝 모델을 생성하여 훈련시킬 수 있다. 특히 딥러닝 그룹 훈련부(25)는 검사 정보에 포함된 CT 이미지의 검사 부위 정보 및 스캔 속성 정보의 조합에 따라 복수의 딥러닝 모델을 생성할 수 있다.
달리 말해, 본 장치(20)는 검사 정보에 따라(검사 부위 정보 및 스캔 속성 정보의 조합에 따라) 생성된 복수의 딥러닝 모델들을 포함할 수 있다. 검사 부위 정보 및 스캔 속성 정보의 조합에 따라 생성된 복수의 딥러닝 모델 각각은 딥러닝 그룹 훈련부(25)에 의하여 검사 부위 정보 및 스캔 속성 정보의 조합에 따라 그룹화된 각각의 훈련용 CT 데이터 세트(즉, 딥러닝 훈련용 CT 데이터 세트)를 이용하여 훈련될 수 있다.
본원에서 딥러닝 모델을 설명함에 있어서, 딥러닝 그룹 훈련부(25)에 의해 훈련이 이루어지기 이전의 딥러닝 모델은 훈련 대상 딥러닝 모델이라 지칭될 수 있다. 이에 따르면, 훈련 대상 딥러닝 모델에 대하여 훈련이 끝나고 나면 기 훈련된 딥러닝 모델을 의미하게 된다. 달리 말해, 딥러닝 모델 선택부(22)에서 고려되는 기 훈련된 복수의 딥러닝 모델은 딥러닝 그룹 훈련부(25)에 의해 훈련된(훈련이 이루어진) 복수의 훈련 대상 딥러닝 모델을 의미할 수 있다. 훈련 대상 딥러닝 모델의 훈련에 대한 설명은 후술하여 보다 자세히 설명하기로 한다.
본원의 다른 일 실시예에 따르면, 딥러닝 모델 선택부(22)는 검사 정보에 따라(검사 부위 정보 및 스캔 속성 정보의 조합에 따라) 생성되어 기 훈련된 복수의 딥러닝 모델 중 검사 정보 추출부(21)에서 추출된 검사 정보에 대응하는(검사 정보 추출부(21)에서 추출된 검사 부위 정보 및 스캔 속성 정보의 조합에 대응하는) 적어도 하나의 딥러닝 모델을 선택할 수 있다.
딥러닝 모델 선택부(22)는 검사 정보 추출부(21)에서 추출된 검사 정보를 기초로 하여, 기 훈련된 복수의 딥러닝 모델 중 입력 조영 증강 CT 이미지의 적용에 적합한 적어도 하나의 딥러닝 모델을 선택할 수 있다.
일예로, 입력 조영 증강 CT 이미지가 제1 스캔 속성(예를 들어, 저선량 및 두꺼운 절편의 스캔 속성)으로 재구성된 제1 검사 부위(예를 들어, 복부)의 CT 이미지인 복부 검사 CT 이미지라고 가정하자. 이러한 경우, 딥러닝 모델 선택부(22)는 기 훈련된 복수의 딥러닝 모델 중 제1 스캔 속성과 제1 검사 부위에 대응하는 딥러닝 모델로서, 검사 부위가 복부이고 저선량 및 두꺼운 절편의 스캔 속성을 갖는 훈련 데이터(훈련용 CT 데이터 세트)로 훈련된 단일의 딥러닝 모델(일예로, 제1 딥러닝 모델)을 선택할 수 있다.
다른 일예로, 입력 조영 증강 CT 이미지가 제2 스캔 속성(예를 들어, 초저선량 및 얇은 절편의 스캔 속성)으로 재구성된 제1 검사 부위(예를 들어, 복부)의 CT 이미지인 복부 검사 CT 이미지라고 가정하자. 이러한 경우, 딥러닝 모델 선택부(22)는 기 훈련된 복수의 딥러닝 모델 중 제2 스캔 속성과 제1 검사 부위에 대응하는 딥러닝 모델로서, 검사 부위가 복부이고 초저선량 및 얇은 절편의 스캔 속성을 갖는 훈련 데이터(훈련용 CT 데이터 세트)로 훈련된 단일의 딥러닝 모델(일예로, 제2 딥러닝 모델)을 선택할 수 있다.
또 다른 일예로, 입력 조영 증강 CT 이미지가 제1 영역에는 제3스캔 속성을 적용(예를 들어, 폐영역에는 제1 선예도로서 고선예도의 재구성 커널을 적용)하고 제2 영역에는 제4 스캔 속성을 적용(예를 들어, 연부조직 영역에는 제2 선예도로서 낮은 선예도의 재구성 커널을 적용)하여 재구성된 제2 검사 부위(예를 들어, 흉부)의 CT 이미지인 흉부 검사 CT 이미지라고 가정하자. 이러한 경우, 딥러닝 모델 선택부(22)는 기 훈련된 복수의 딥러닝 모델 중 제3 스캔 속성과 제2 검사 부위에 대응하는 제3딥러닝 모델 및 제4 스캔 속성과 제2 검사 부위에 대응하는 제4 딥러닝 모델을 포함하는 2개의 딥러닝 모델을 선택할 수 있다. 구체적으로, 딥러닝 모델 선택부(22)는 기 훈련된 복수의 딥러닝 모델 중 검사 부위가 흉부이고 고선예도의 재구성 커널을 갖는 훈련 데이터(훈련용 CT 데이터 세트)로 훈련된 제3 딥러닝 모델 및 검사 부위가 흉부이고 낮은 선예도의 재구성 커널을 갖는 훈련 데이터(훈련용 CT 데이터 세트)로 훈련된 제4 딥러닝 모델을 포함하는 2개의 딥러닝 모델을 선택할 수 있다.
이처럼, 딥러닝 모델 선택부(22)는 검사 정보 추출부(21)에서 추출된 검사 정보를 기반으로 하여, 추출된 검사 정보에 포함된 검사 부위 정보 및 스캔 속성 정보의 조합을 고려해 기 훈련된 복수의 딥러닝 모델 중 하나 또는 그 이상의 딥러닝 모델(즉, 적어도 하나의 딥러닝 모델)을 선택할 수 있다.
증폭 이미지 출력부(24)는 입력 조영 증강 CT 이미지를 딥러닝 모델 선택부(22)에서 선택된 적어도 하나의 딥러닝 모델의 입력으로 하여, 선택된 적어도 하나의 딥러닝 모델이 입력 조영 증강 CT 이미지에서 적어도 하나의 성분 CT 이미지를 추출하도록 하고, 추출된 적어도 하나의 성분 CT 이미지와 입력 조영 증강 CT 이미지에 각각 사전에 정한 비율을 곱하여 합산한 이미지를 생성함으로써 대조도 증폭 CT 이미지를 출력할 수 있다.
한 실시의 예로서 딥러닝 모델 선택부(22)에서 선택된 딥러닝 모델이 단일의(하나의) 딥러닝 모델이라고 가정하자. 이러한 경우, 증폭 이미지 출력부(24)는 입력 조영 증강 CT 이미지를 딥러닝 모델 선택부(22)에서 선택된 단일의 딥러닝 모델에 입력시켜 단일의 딥러닝 모델이 입력 조영 증강 CT 이미지의 적어도 하나의 성분 CT 이미지를 추출하게 하고, 추출된 적어도 하나의 성분 CT 이미지와 입력 조영 증강 CT 이미지에 각각 사전에 정한 비율을 곱하여 합산한 이미지를 생성함으로써 대조도 증폭 CT 이미지를 출력할 수 있다.
또 다른 실시의 예로서 딥러닝 모델 선택부(22)에서 선택된 딥러닝 모델이 복수의 딥러닝 모델이라고 가정하자. 이러한 경우, 증폭 이미지 출력부(24)는 입력 조영 증강 CT 이미지를 딥러닝 모델 선택부(22)에서 선택된 복수의 딥러닝 모델 각각에 입력시켜, 복수의 딥러닝 모델이 각각 자신에게 입력된 입력 조영 증강 CT 이미지에서 조영 증강 성분 CT 이미지를 추출하게 하고, 복수의 딥러닝 모델 각각에 의해 추출된 복수의 적어도 하나의 성분 CT 이미지와 입력 조영 증강 CT 이미지에 각각 사전에 정한 비율을 곱하여 합산한 이미지를 생성함으로써, 입력 조영 증강 CT 이미지에 대한 대조도 증폭 CT 이미지를 출력할 수 있다.
이때, 증폭 이미지 출력부(24)는 상기 입력 조영 증강 CT 이미지와 상기 적어도 하나의 성분 CT 이미지에 각각 사전에 정한 비율을 곱하여 합산함으로써 제1 CT이미지와 제2 CT이미지를 각각 생성하며, 상기 제1 CT 이미지와 제2 CT 이미지에 각각 사전에 정한 색조 테이블을 적용하여 합성된 컬러 이미지로 츨력할 수 있다.
딥러닝 그룹 훈련부(25)는 검사 정보 추출부(21)에서 입력 조영 증강 CT 이미지로부터 검사 정보를 추출하기 이전에, 복수의 훈련 대상 딥러닝 모델을 생성하여 훈련시킬 수 있다.
이때, 딥러닝 그룹 훈련부(25)는 훈련용 제1 CT 데이터 세트의 CT 이미지 쌍에 기초하여 적어도 하나의 저대조도 CT 이미지와 적어도 하나의 성분CT 이미지를 각각 합성하고, 이를 이용하여 훈련용 제2 CT 데이터 세트를 생성할 수 있다. 또한, 딥러닝 그룹 훈련부(25)는 훈련용 제2 CT 데이터 세트로부터 검사 정보를 추출하고 미리 설정된 규칙에 따라 훈련용 제2 CT 데이터 세트를 복수의 그룹으로 그룹화할 수 있다. 또한, 딥러닝 그룹 훈련부(25)는 그룹화된 그룹별 훈련용 제2 CT 데이터 세트 각각에 대응하도록 복수의 훈련 대상 딥러닝 모델을 생성하여 훈련시킬 수 있다. 딥러닝 그룹 훈련부(25)는 생성된 복수의 훈련 대상 딥러닝 모델 각각을 훈련시킬 수 있다.
이때, 딥러닝 그룹 훈련부(25)에 의하여 훈련된 복수의 훈련 대상 딥러닝 모델은 딥러닝 모델 선택부(22)에서 고려되는 기 훈련된 복수의 딥러닝 모델을 의미할 수 있다.
이와 같이, 딥러닝 그룹 훈련부(25)는 입력 조영 증강 CT 이미지가 입력으로 주어졌을 때, 입력 조영 증강 CT 이미지의 스캔 속성에 해당하는 딥러닝 모델(훈련 대상 딥러닝 모델)이 입력 조영 증강 CT 이미지를 입력으로 하여 적어도 하나의 성분 CT 이미지를 출력하도록, 스캔 속성 별 생성된 복수의 훈련 대상 딥러닝 모델 각각을 훈련(학습)시킬 수 있다.
이에 따르면, 본 장치(20)에서는 입력 조영 증강 CT 이미지가 주어졌을 때, 기 훈련된 복수의 딥러닝 모델 중 입력 조영 증강 CT 이미지의 스캔 속성에 따라 그에 대응하는 딥러닝 모델이 동작하도록 딥러닝 모델 선택부(22)가 입력 조영 증강 CT 이미지의 스캔 속성에 대응하는 딥러닝 모델을 선택할 수 있으며, 이후 증폭 이미지 출력부(24)는 선택된 딥러닝 모델을 이용해 대조도가 증폭된 입력 조영 증강 CT 이미지를 출력할 수 있다.
이처럼, 본 장치(20)는 본 장치(20)에 포함된 복수의 딥러닝 모델 각각이 각 딥러닝 모델에 입력되는 조영 증강 CT 이미지에 대하여 대조도가 증폭된 고대조도 CT 이미지를 출력하도록, 딥러닝 그룹 훈련부(25)를 통해 복수의 딥러닝 모델(즉, 복수의 훈련 대상 딥러닝 모델) 각각을 훈련시킬 수 있다. 이렇게 기 훈련된 복수의 딥러닝 모델(훈련부에 의해 훈련된 복수의 훈련 대상 딥러닝 모델)을 기초로 하여, 본 장치(20)는 입력 조영 증강 CT 이미지로부터 추출된 검사 정보를 고려하여 그에 대응하는 딥러닝 모델을 기 훈련된 복수의 딥러닝 모델 중에서 선택할 수 있다. 이후, 본 장치(20)는 선택된 딥러닝 모델에 입력 조영 증강 CT 이미지를 입력으로 제공함으로써 선택된 딥러닝 모델로부터 입력 조영 증강 CT 이미지에 대한 대조도 증폭(대조도가 증폭된) 입력 조영 증강 CT 이미지를 출력할 수 있다.
본원은 기 훈련된 복수의 딥러닝 모델을 기반으로 하여, 낮은 대조도의 입력 조영 증강 CT 이미지(예를 들어, 저농도 조영제 주입 CT 이미지)의 입력으로부터 높은 대조도의 CT 이미지(대조도 증폭 CT 이미지)를 출력하는 딥러닝 기반의 CT 이미지 대조도 증폭 장치(장치 10 및 장치 20 )를 제공할 수 있다. 이러한 본 장치(10 및 20)를 통해 출력되는 대조도 증폭된 입력 조영 증강 CT 이미지는 일반 농도의 조영제 주입 CT 이미지의 품질과 대비하여 그와 유사하거나 그보다 높은 품질을 가질 수 있다.
또한, 본 장치(10 및 20)는 낮은 대조도의 입력 조영 증강 CT 이미지의 입력으로부터 높은 대조도의 CT 이미지를 출력할 수 있도록 하는 딥러닝 모델(훈련 대상 딥러닝 모델)의 훈련(학습) 방법을 제공하며, 이렇게 훈련된 딥러닝 모델(즉, 기 훈련된 딥러닝 모델)을 통해 출력되는 대조도 증폭된 입력 조영 증강 CT 이미지는 일반 농도의 조영제 주입 CT 이미지의 품질과 대비하여 그와 유사하거나 그보다 높은 품질을 가질 수 있다.
또한, 본 장치(10 및 20)는 훈련용 CT 데이터 세트로 훈련 대상 딥러닝 모델을 훈련시킴으로써, 실제 저농도 조영제 주입 후 촬영시 획득되는 저대조도 CT 이미지(입력 조영 증강 CT 이미지)를 본 장치(10 및 20)의 입력으로 하는 경우(즉, 본 장치에 포함된 기 훈련된 복수의 딥러닝 모델 중 적어도 하나의 딥러닝 모델의 입력으로 하는 경우) 저대조도 CT 이미지에 대하여 보다 효과적으로 대조도가 증폭된 CT 이미지를 출력할 수 있다.
이러한 본 장치(10 및 20)는 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 장치뿐 아니라 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭을 위한 딥러닝 모델(훈련 대상 딥러닝 모델의) 훈련 장치라 달리 표현될 수 있다. 본원은 이러한 본 장치(10 및 20)를 통해 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 방법뿐 아니라 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭을 위한 딥러닝 모델 훈련 방법을 제공할 수 있다.
이하에서는 상기에 자세히 설명된 내용을 기반으로, 본원의 동작 흐름을 간단히 살펴보기로 한다.
도 3은 본원의 일 실시예에 따른 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 장치를 통한 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 방법에 대한 개략적인 동작 흐름을 나타낸 도면이다.
도 3에 도시된 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 방법은 앞서 설명된 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 장치(본 장치, 10)에 의하여 수행될 수 있다. 따라서, 이하 생략된 내용이라고 하더라도 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 장치(장치, 10)에 대하여 설명된 내용은 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 방법에 대한 설명에도 동일하게 적용될 수 있다.
도 3을 참조하면, 단계S11에서 이미지 추출부(11)는 입력 조영 증강 CT 이미지를 기 훈련된 딥러닝 모델의 입력으로 하여 조영 증강 성분과 비 조영 증강 성분 중 적어도 하나의 성분 CT 이미지를 추출할 수 있다.
다음으로, 단계S12에서 증폭 이미지 출력부(12)는, 적어도 하나의 성분 CT 이미지와 입력 조영 증강 CT 이미지를 기초로하여 입력 조영 증강 CT 이미지에 대한 대조도 증폭 CT 이미지를 출력할 수 있다
이때, 단계S12에서 증폭 이미지 출력부(12)는 단계S11에서 추출된 적어도 하나의 성분 CT 이미지와 입력 조영 증강 CT 이미지에 각각 사전에 정한 비율을 곱하여 합산함으로써, 입력 조영 증강 CT 이미지에 대한 대조도 증폭 CT 이미지를 출력할 수 있다.
본원의 다른 실시 예에서, 단계 S12에서 증폭 이미지 출력부(12)는 단계S11에서 추출된 적어도 하나의 성분 CT 이미지와 입력 조영 증강 CT 이미지에 각각 사전에 정한 비율을 곱하여 합산함으로써 제1 CT이미지와 제2 CT이미지를 각각 생성하고, 상기 제1 CT 이미지와 제2 CT 이미지에 각각 사전에 정한 색조 테이블을 적용하여 합성된 컬러 이미지로 츨력할 수 있다.
한편, 본원의 일 실시예에 따른 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 방법은, 단계S11 이전에, 훈련 대상 딥러닝 모델을 생성하여 훈련시키는 단계를 포함할 수 있다.
이때, 훈련 대상 딥러닝 모델을 훈련시키는 방법, 즉 딥러닝 모델의 훈련 방법에 대한 설명은 후술하는 도 5를 참조하여 보다 쉽게 이해될 수 있다.
상술한 설명에서, 단계 S11 내지 S12는 본원의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다.
도 5는 본원의 일 실시예에 따른 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 장치를 통한 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭을 위한 딥러닝 모델 훈련 방법에 대한 개략적인 동작 흐름의 일예를 나타낸 도면이다. 즉, 도 5는 본원에서 고려되는 훈련 대상 딥러닝 모델을 훈련시키는 방법에 대한 개략적인 동작 흐름의 일예를 나타낸 도면이다.
도 5에 도시된 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭을 위한 딥러닝 모델 훈련 방법은 앞서 설명된 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 장치(본 장치, 10)에 의하여 수행될 수 있다. 따라서, 이하 생략된 내용이라고 하더라도 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 장치(본 장치, 10)에 대하여 설명된 내용은 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭을 위한 딥러닝 모델 훈련 방법에 대한 설명에도 동일하게 적용될 수 있다.
도 5를 참조하면, 딥러닝 훈련부(13)는, 상술한 도 3의 단계S11에서 이미지 추출부(11)가 입력 조영 증강 CT 이미지로부터 적어도 하나의 성분 CT 이미지를 추출하기 이전에, 본 장치(10)에 포함된 딥러닝 모델들을 훈련시키기 위해, 훈련용 제1 CT 데이터 세트의 CT이미지 쌍에 기초하여 적어도 하나의 합성 저 대조도 CT 이미지, 합성 조영 증강 성분과 합성 비 조영 증강 성분 중 적어도 하나의 성분 CT 이미지로 구성된 훈련용 제2 CT 데이터 세트를 생성할 수 있다.
이때, 딥러닝 훈련부(13)는 훈련용 제1 CT 데이터 세트의 원본 CT 이미지 쌍에 기초하여 조영 증강 성분 CT 이미지와 비 조영 증강 성분 CT 이미지를 각각 합성하고, 이에 기초하여 적어도 하나의 저 대조도 CT 이미지를 합성할 수 있다.
이때, 딥러닝 훈련부(13)는 합성된 조영 증강 성분 CT 이미지에 사전에 정한 적어도 하나의 비율을 곱하고, 이를 합성된 비 조영 증강 성분 CT 이미지에 합산하여 적어도 하나의 저 대조도 CT 이미지를 합성할 수 있다.
여기서, 훈련용 제2 CT데이터 세트는, 훈련용 제1 CT 데이터 세트의 원본 이미지를 기초로 생성된, 적어도 하나의 합성 저 대조도 CT 이미지 및 합성된 적어도 하나의 성분 CT 이미지의 쌍으로 이루어질 수 있다.
이러한 딥러닝 훈련부(13)는, 훈련용 제1 CT 데이터 세트의 원본 이미지를 이미지 추출부(11)에 적용하여 얻은 적어도 하나의 합성 저 대조도 CT 이미지 및 합성된 적어도 하나의 성분 CT 이미지의 쌍을 이용하여 훈련 대상 딥러닝을 훈련시킬 수 있다.
또한, 딥러닝 훈련부(13)는, 단계S11에서 훈련 대상 딥러닝 모델이 자신에게 입력된 입력 조영 증강 CT 이미지에서 적어도 하나의 성분 CT 이미지를 추출하는 기능을 가질 수 있도록, 훈련용 제2 CT 데이터 세트를 이용하여, 매 CT 이미지마다 합성 저 대조도 CT 이미지를 훈련 대상 딥러닝 모델의 입력으로 전달하고, 합성된 적어도 하나의 성분 CT 이미지와 훈련 대상 딥러닝 모델의 출력 간의 차이가 최소화되도록 훈련 대상 딥러닝 모델을 반복 훈련시킬 수 있다.
도4는 본원의 다른 실시 예에 따른 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 장치를 통한 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 방법에 대한 개략적인 동작 흐름을 나타낸 도면이다.
도 4에 도시된 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 방법은 앞서 설명된 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 장치(본 장치, 20)에 의하여 수행될 수 있다. 따라서, 이하 생략된 내용이라고 하더라도 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 장치(본 장치, 20)에 대하여 설명된 내용은 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 방법에 대한 설명에도 동일하게 적용될 수 있다.
도 4를 참조하면, 단계S21에서 검사 정보 추출부(21)는 입력 조영 증강 CT 이미지로부터 검사 정보를 추출할 수 있다.
다음으로, 단계S22에서 딥러닝 모델 선택부(22)는, 기 훈련된 복수의 딥러닝 모델 중 단계S21에서 추출된 검사 정보에 대응하는 적어도 하나의 딥러닝 모델을 선택할 수 있다.
다음으로, 단계S23에서 이미지 추출부(23)는 입력 조영 증강 CT 이미지를 단계S22에서 선택된 적어도 하나의 딥러닝 모델의 입력으로 하여 입력 조영 증강 CT 이미지에 대한 적어도 하나의 성분 CT 이미지를 추출할 수 있다
다음으로, 단계S24에서 증폭 이미지 출력부(24)는 입력 조영 증강 CT 이미지에 대한 대조도 증폭 CT 이미지를 출력할 수 있다
한편, 본원의 일 실시예에 따른 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 방법은, 단계S21 이전에, 복수의 훈련 대상 딥러닝 모델을 생성하여 훈련시키는 단계를 포함할 수 있다. 이때, 훈련시키는 단계에 의하여 훈련된 복수의 훈련 대상 딥러닝 모델은 단계S22에서 고려되는 기 훈련된 복수의 딥러닝 모델을 의미할 수 있다.
이때, 복수의 훈련 대상 딥러닝 모델을 훈련시키는 방법, 즉 딥러닝 모델의 훈련 방법에 대한 설명은 후술하는 도 6을 참조하여 보다 쉽게 이해될 수 있다.
상술한 설명에서, 단계 S21 내지 S24는 본원의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다.
도 6은 본원의 일 실시예에 따른 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 장치를 통한 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭을 위한 딥러닝 모델 훈련 방법에 대한 개략적인 동작 흐름의 일예를 나타낸 도면이다. 즉, 도 6은 본원에서 고려되는 훈련 대상 딥러닝 모델을 훈련시키는 방법에 대한 개략적인 동작 흐름의 일예를 나타낸 도면이다.
도 6에 도시된 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭을 위한 딥러닝 모델 훈련 방법은 앞서 설명된 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 장치(본 장치, 20)에 의하여 수행될 수 있다. 따라서, 이하 생략된 내용이라고 하더라도 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 장치(본 장치, 20)에 대하여 설명된 내용은 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭을 위한 딥러닝 모델 훈련 방법에 대한 설명에도 동일하게 적용될 수 있다.
도 6을 참조하면, 단계S41에서 딥러닝 그룹 훈련부(25)는, 상술한 도 4의 단계S21에서 검사 정보 추출부(21)가 입력 조영 증강 CT 이미지로부터 검사 정보를 추출하기 이전에, 본 장치(20)에 포함된 딥러닝 모델들을 훈련시키기 위해, 훈련용 제1 CT 데이터세트에 기초하여 적어도 하나의 성분 CT이미지와 적어도 하나의 저 대조도 CT 이미지를 각각 합성하고, 이를 이용하여 훈련용 제2 CT 데이터 세트를 생성할 수 있다.
이러한, 딥러닝 그룹 훈련부(25)는, 적어도 하나의 합성 저 대조도 CT 이미지 및 합성된 적어도 하나의 성분 CT 이미지의 쌍을 이용하여 훈련 대상 딥러닝을 훈련시킬 수 있다.
다음으로, 단계S42에서, 딥러닝 그룹 훈련부(25)는 훈련용 제2 CT 데이터 세트로부터 검사 정보를 추출하고 미리 설정된 규칙에 따라 훈련용 제2 CT 데이터 세트를 복수의 그룹으로 그룹화할 수 있다.
이때, 단계S42에서 딥러닝 그룹 훈련부(25)는, 훈련용 제2 CT 데이터 세트를 복수의 그룹으로 그룹화함으로써, 검사 부위 별 및/또는 스캔 속성 별로 훈련용 CT 데이터 세트를 생성할 수 있다.
다음으로, 단계S43에서 딥러닝 그룹 훈련부(25)는 단계S42에서 생성된 복수 그룹의 훈련용 제2 CT 데이터 세트 각각에 대응하도록 복수의 훈련 대상 딥러닝 모델을 생성하고, 이를 훈련시킬 수 있다. 즉, 단계S43에서 딥러닝 그룹 훈련부(25)는 단계S42에 의하여 그룹화된 그룹별 훈련용 제2 CT 데이터 세트 각각에 대응하도록 복수의 훈련 대상 딥러닝 모델을 생성하여 훈련시킬 수 있다.
구체적으로, 단계S43에서 딥러닝 그룹 훈련부(25)는 검사 부위 별로 생성된 훈련용 CT 데이터 세트 각각에 대응하여 검사 부위 별 훈련 대상 딥러닝 모델을 생성하고 이를 훈련시킬 수 있다. 또한, 딥러닝 그룹 훈련부(25)는 스캔 속성 별로 생성된 훈련용 CT 데이터 세트 각각에 대응하여 스캔 속성 별 훈련 대상 딥러닝 모델을 생성하고 이를 훈련시킬 수 있다.
단계S43에서 딥러닝 그룹 훈련부(25)는 단계S42에서 생성된 복수의 훈련용 CT 데이터 세트(즉, 복수 그룹의 훈련용 CT 데이터 세트)를 이용해, 단계S42에서 생성된 복수의 훈련 대상 딥러닝 모델 각각을 훈련시킬 수 있다.
구체적인 예로, 단계S43에서 딥러닝 그룹 훈련부(25)는 단계S42에서 검사 부위 별 및/또는 스캔 속성 별로 생성된 훈련용 CT 데이터 세트를 이용하여, 그에 대응하도록 단계S43에서 생성된 검사 부위 별 및/또는 스캔 속성 별 훈련된 딥러닝 모델 각각을 훈련시킬 수 있다.
또한, 단계S43에서 딥러닝 그룹 훈련부(25)는, 복수의 훈련 대상 딥러닝 모델 각각이 자신에게 입력된 입력 조영 증강 CT 이미지에서 적어도 하나의 성분 CT 이미지를 추출하는 기능을 가질 수 있도록, 단계S42에서 그룹화된 그룹별 훈련용 제2 CT 데이터 세트에서, 매 CT 이미지마다 합성 저 대조도 CT 이미지를 훈련 대상 딥러닝 모델의 입력으로 전달하고, 합성된 적어도 하나의 성분 CT 이미지와 훈련 대상 딥러닝 모델의 출력 간의 차이가 최소화되도록 훈련 대상 딥러닝 모델을 반복 훈련시킬 수 있다.
본원의 일 실시 예에서, 딥러닝 그룹 훈련부(25)는 단계S43에서 검사 부위 별로 생성된 훈련용 CT 데이터 세트를 이용하여 검사 부위 별로 생성된 훈련 대상 딥러닝 모델 각각을 반복 훈련시킬 수 있다.
또 다른 실시 예에서, 딥러닝 그룹 훈련부(25)는 단계S43에서 스캔 속성 별로 생성된 훈련용 CT 데이터 세트를 이용하여 스캔 속성 별로 생성된 훈련 대상 딥러닝 모델 각각을 반복 훈련시킬 수 있다.
이에 따르면, 본 장치(20)에서 고려되는 복수의 훈련 대상 딥러닝 모델에는 검사 부위 별로 생성된 훈련 대상 딥러닝 모델 및 스캔 속성 별로 생성된 훈련 대상 딥러닝 모델이 포함될 수 있다.
상술한 설명에서, 단계 S41 내지 S43은 본원의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다.
본원의 일 실시 예에 따른 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 방법 및 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭을 위한 딥러닝 모델 훈련 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
또한, 전술한 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 방법 및 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭을 위한 딥러닝 모델 훈련 방법은 기록 매체에 저장되는 컴퓨터에 의해 실행되는 컴퓨터 프로그램 또는 애플리케이션의 형태로도 구현될 수 있다.
전술한 본원의 설명은 예시를 위한 것이며, 본원이 속하는 기술분야의 통상의 지식을 가진 자는 본원의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본원의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본원의 범위에 포함되는 것으로 해석되어야 한다.

Claims (13)

  1. 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 방법으로서,
    입력 조영 증강 CT 이미지를 기 훈련된 딥러닝 모델에 입력으로 하여 상기 입력 조영 증강 CT 이미지에 대한 조영 증강 성분과 비 조영 증강 성분 중 적어도 하나의 성분 CT 이미지를 추출하는 단계,
    상기 입력 조영 증강 CT 이미지와 추출된 적어도 하나의 상기 성분 CT 이미지를 기초로 입력 조영 증강 CT 이미지에 대한 대조도 증폭 CT 이미지를 출력하는 단계,
    를 포함하는 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 방법.
  2. 제1항에 있어서,
    상기 적어도 하나의 성분 CT 이미지를 추출하는 단계 이전에,
    입력 조영 증강 CT 이미지로부터 검사 정보를 추출하는 단계; 및
    기 훈련된 복수의 딥러닝 모델 중 상기 검사 정보에 대응하는 적어도 하나의 딥러닝 모델을 선택하는 단계;
    를 더 포함하고,
    상기 적어도 하나의 성분 CT 이미지를 추출하는 단계는,
    상기 입력 조영 증강 CT 이미지를 선택된 적어도 하나의 딥러닝 모델에 입력으로 하여 상기 입력 조영 증강 CT 이미지에 대한 상기 적어도 하나의 성분 CT 이미지를 추출하는 단계를 포함하는 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 방법.
  3. 제1항에 있어서,
    상기 대조도 증폭CT 이미지를 출력하는 단계는,
    상기 입력 조영 증강 CT 이미지와 상기 적어도 하나의 성분 CT 이미지에 각각 사전에 정한 비율을 곱하여 합산하는 단계
    를 포함하는 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 방법.
  4. 제1항에 있어서,
    상기 대조도 증폭CT 이미지를 출력하는 단계는,
    상기 입력 조영 증강 CT 이미지와 상기 적어도 하나의 성분 CT 이미지에 각각 사전에 정한 비율을 곱하여 합산함으로써 제1 CT 이미지와 제2 CT 이미지를 각각 생성하는 단계; 및
    상기 제1 CT 이미지와 제2 CT 이미지에 각각 사전에 정한 색조 테이블을 적용하여 합성된 컬러 이미지로 출력하는 단계,
    를 포함하는 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 방법.
  5. 제1항에 있어서,
    상기 적어도 하나의 성분 CT 이미지를 추출하는 단계 이전에,
    훈련용 제1 CT 데이터 세트의 이미지 쌍을 기초로 적어도 하나의 성분 CT 이미지를 합성하는 단계;
    상기 합성된 적어도 하나의 성분 CT 이미지와 훈련용 제1 CT 데이터 세트를 기초로 훈련용 제2 CT 데이터 세트를 생성하는 단계; 및
    상기 훈련용 제2 CT 데이터 세트를 이용하여 적어도 하나의 성분 CT 이미지를 추출하도록 사전에 훈련 대상 딥러닝 모델을 생성하고 훈련시키는 단계,
    를 더 포함하고,
    상기 기 훈련된 딥러닝 모델은 상기 훈련시키는 단계에 의해 훈련된 딥러닝 모델인 것인, 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 방법.
  6. 제2항에 있어서,
    상기 검사 정보를 추출하는 단계 이전에,
    훈련용 제1 CT 데이터 세트의 이미지 쌍을 기초로 적어도 하나의 성분 CT 이미지를 합성하는 단계;
    상기 합성된 적어도 하나의 성분 CT 이미지와 훈련용 제1 CT 데이터 세트를 기초로 훈련용 제2 CT 데이터 세트를 생성하는 단계;
    상기 훈련용 제2 CT 데이터 세트로부터 검사 정보를 추출하고 미리 설정된 규칙에 따라 상기 훈련용 제2 CT 데이터 세트를 복수의 그룹으로 그룹화하는 단계; 및
    그룹화된 그룹별 훈련용 제2 CT 데이터 세트 각각에 대응하도록 복수의 훈련 대상 딥러닝 모델을 생성하여 훈련시키는 단계,
    를 더 포함하고,
    상기 선택하는 단계에서 상기 기 훈련된 복수의 딥러닝 모델은, 상기 훈련시키는 단계에 의해 훈련된 상기 복수의 훈련 대상 딥러닝 모델인 것인, 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 방법.
  7. 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 장치로서,
    입력 조영 증강 CT 이미지를 기 훈련된 딥러닝 모델에 입력으로 하여 상기 입력 조영 증강 CT 이미지에 대한 조영 증강 성분과 비 조영 증강 성분 중 적어도 하나의 성분 CT 이미지를 추출하는 이미지 추출부; 및
    상기 입력 조영 증강 CT 이미지와 상기 추출된 적어도 하나의 성분 CT 이미지를 기초로 입력 조영 증강 CT 이미지에 대한 대조도 증폭 CT 이미지를 출력하는 증폭 이미지 출력부,
    를 포함하는 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 장치.
  8. 제8항에서,
    입력 조영 증강 CT 이미지로부터 검사 정보를 추출하는 검사 정보 추출부; 및
    기 훈련된 복수의 딥러닝 모델 중 상기 검사 정보에 대응하는 적어도 하나의 딥러닝 모델을 선택하는 딥러닝 모델 선택부,
    를 더 포함하고,
    상기 이미지 추출부는,
    상기 검사 정보 추출부 및 상기 딥모델 선택부에 의해 선택된 적어도 하나의 딥러닝 모델에 상기 입력 조영 증강 CT 이미지를 입력시켜 상기 입력 조영 증강 CT 이미지에 대한 적어도 하나의 성분 CT 이미지를 추출하는 것인, 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 장치.
  9. 제7항에 있어서,
    상기 증폭 이미지 출력부는,
    상기 입력 조영 증강 CT 이미지와 상기 적어도 하나의 성분 CT 이미지에 각각 사전에 정한 비율을 곱하여 합산하여 출력하는 것인, 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 방법.
  10. 제7항에 있어서,
    상기 증폭 이미지 출력부는,
    상기 입력 조영 증강 CT 이미지와 상기 적어도 하나의 성분 CT 이미지에 각각 사전에 정한 비율을 곱하여 합산함으로써 제1 CT 이미지와 제2 CT 이미지를 각각 생성하며, 상기 제1 CT 이미지와 제2 CT 이미지에 각각 사전에 정한 색조 테이블을 적용하여 합성된 컬러 이미지로 출력하는 것인, 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 방법.
  11. 제7항에 있어서,
    훈련 대상 딥러닝 모델을 생성하여 훈련시키는 딥러닝 훈련부를 더 포함하고,
    상기 딥러닝 훈련부는,
    훈련용 제1 CT 데이터 세트의 이미지 쌍을 기초로 적어도 하나의 성분 CT 이미지를 합성하고, 상기 합성된 적어도 하나의 성분 CT 이미지와 훈련용 제1 CT 데이터 세트를 기초로 훈련용 제2 CT 데이터 세트를 생성하고,
    상기 훈련용 제2 CT 데이터 세트를 이용하여 적어도 하나의 성분 CT 이미지를 추출하도록 사전에 훈련 대상 딥러닝 모델을 생성하고 훈련시키되,
    상기 기 훈련된 딥러닝 모델은 상기 딥러닝 훈련부에 의해 훈련된 딥러닝 모델인 것인, 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 장치.
  12. 제8항에 있어서,
    복수의 훈련 대상 딥러닝 모델을 생성하여 훈련시키는 딥러닝 그룹 훈련부를 더 포함하고,
    상기 딥러닝 그룹 훈련부는,
    훈련용 제1 CT 데이터 세트의 이미지 쌍을 기초로 적어도 하나의 성분 CT 이미지를 합성하고, 상기 합성된 적어도 하나의 성분 CT 이미지와 훈련용 제1 CT 데이터 세트를 기초로 훈련용 제2 CT 데이터 세트를 생성하고,
    상기 훈련용 제2 CT 데이터 세트로부터 검사 정보를 추출하고 미리 설정된 규칙에 따라 상기 훈련용 제2 CT 데이터 세트를 복수의 그룹으로 그룹화하고, 그룹화된 그룹별 훈련용 제2 CT 데이터 세트 각각에 대응하도록 복수의 훈련 대상 딥러닝 모델을 생성하여 훈련시키되,
    상기 기 훈련된 복수의 딥러닝 모델은 상기 딥러닝 그룹 훈련부에 의해 훈련된 상기 복수의 훈련 대상 딥러닝 모델인 것인, 딥러닝 기반 조영 증강 CT 이미지 대조도 증폭 장치.
  13. 제1항 내지 제6항 중 어느 한 항의 방법을 컴퓨터에서 실행하기 위한 프로그램을 기록한 컴퓨터에서 판독 가능한 기록 매체.
PCT/KR2021/001363 2021-02-01 2021-02-02 딥러닝 기반의 조영 증강 ct 이미지 대조도 증폭 장치 및 방법 WO2022163890A1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2022532713A JP7376053B2 (ja) 2021-02-01 2021-02-02 ディープラーニング基盤の造影増強ｃｔイメージ対照度増幅装置及び方法
EP21908121.3A EP4066741A4 (en) 2021-02-01 2021-02-02 DEEP LEARNING-BASED APPARATUS AND METHOD FOR CONTRAST AMPLIFICATION OF CONTRAST-ENHANCED CT IMAGE
US17/380,429 US11328394B1 (en) 2021-02-01 2021-07-20 Apparatus and method for contrast amplification of contrast-enhanced CT images based on deep learning

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2021-0014378 2021-02-01
KR1020210014378A KR102316312B1 (ko) 2021-02-01 2021-02-01 딥러닝 기반의 조영 증강 ct 이미지 대조도 증폭 장치 및 방법

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/380,429 Continuation US11328394B1 (en) 2021-02-01 2021-07-20 Apparatus and method for contrast amplification of contrast-enhanced CT images based on deep learning

Publications (1)

Publication Number Publication Date
WO2022163890A1 true WO2022163890A1 (ko) 2022-08-04

Family

ID=78276045

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2021/001363 WO2022163890A1 (ko) 2021-02-01 2021-02-02 딥러닝 기반의 조영 증강 ct 이미지 대조도 증폭 장치 및 방법

Country Status (2)

Country Link
KR (1) KR102316312B1 (ko)
WO (1) WO2022163890A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102522697B1 (ko) * 2022-01-04 2023-04-18 주식회사 클라리파이 딥러닝 기반의 개인 맞춤형 조영검사 최적화 방법 및 시스템

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100198054A1 (en) * 2007-05-18 2010-08-05 Ewing James R Mri estimation of contrast agent concentration using a neural network approach
JP2019005557A (ja) * 2017-06-22 2019-01-17 キヤノンメディカルシステムズ株式会社 画像処理装置、磁気共鳴イメージング装置及び画像処理プログラム
KR20190058285A (ko) * 2017-11-20 2019-05-29 주식회사 클라리파이 딥러닝 기반 ct 이미지 잡음 저감 장치 및 방법
KR20190137283A (ko) * 2018-06-01 2019-12-11 연세대학교 산학협력단 의료 영상 생성 방법 및 디바이스
KR20200026071A (ko) 2018-08-23 2020-03-10 제너럴 일렉트릭 캄파니 환자 특정적 딥러닝 이미지 잡음제거 방법들 및 시스템들
KR20200063222A (ko) * 2017-10-09 2020-06-04 더 보드 어브 트러스티스 어브 더 리랜드 스탠포드 주니어 유니버시티 딥 러닝을 이용한 의료 이미징의 콘트라스트 도즈 감소

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200294288A1 (en) * 2019-03-13 2020-09-17 The Uab Research Foundation Systems and methods of computed tomography image reconstruction

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100198054A1 (en) * 2007-05-18 2010-08-05 Ewing James R Mri estimation of contrast agent concentration using a neural network approach
JP2019005557A (ja) * 2017-06-22 2019-01-17 キヤノンメディカルシステムズ株式会社 画像処理装置、磁気共鳴イメージング装置及び画像処理プログラム
KR20200063222A (ko) * 2017-10-09 2020-06-04 더 보드 어브 트러스티스 어브 더 리랜드 스탠포드 주니어 유니버시티 딥 러닝을 이용한 의료 이미징의 콘트라스트 도즈 감소
KR20190058285A (ko) * 2017-11-20 2019-05-29 주식회사 클라리파이 딥러닝 기반 ct 이미지 잡음 저감 장치 및 방법
KR20190137283A (ko) * 2018-06-01 2019-12-11 연세대학교 산학협력단 의료 영상 생성 방법 및 디바이스
KR20200026071A (ko) 2018-08-23 2020-03-10 제너럴 일렉트릭 캄파니 환자 특정적 딥러닝 이미지 잡음제거 방법들 및 시스템들

Also Published As

Publication number Publication date
KR102316312B1 (ko) 2021-10-22
KR102316312B9 (ko) 2022-04-15

Similar Documents

Publication Publication Date Title
WO2020080604A1 (ko) 딥러닝 기반 ct 이미지 잡음 저감 장치 및 방법
Baks et al. Multislice computed tomography and magnetic resonance imaging for the assessment of reperfused acute myocardial infarction
WO2015076607A1 (en) Apparatus and method for processing a medical image of a body lumen
WO2015122698A1 (en) Computed tomography apparatus and method of reconstructing a computed tomography image by the computed tomography apparatus
Cafarelli et al. Postmortem imaging: an update
WO2014185637A1 (ko) 환자 맞춤형 어플리케이터에 대한 인쇄 데이터를 생성하는 장치 및 방법, 환자 맞춤형 어플리케이터를 제조하는 시스템
WO2022163890A1 (ko) 딥러닝 기반의 조영 증강 ct 이미지 대조도 증폭 장치 및 방법
Höhne et al. Computer Angiography–A New Tool for X-Ray Functional Diagnostics
WO2019039887A1 (ko) Ct 영상을 이용하여 심혈관 병변을 판단하는 방법 및 애플리케이션
WO2017126772A1 (en) Tomography apparatus and method for reconstructing tomography image thereof
Hickey et al. Acute hepatobiliary tuberculosis: a report of two cases and a review of the literature
WO2015147595A1 (ko) 의료 영상에서 아티팩트와 병변을 구분하는 방법
WO2021153993A1 (ko) 딥러닝 기반 가속촬영 mr 이미지 화질 복원 장치 및 방법
KR102285348B1 (ko) 딥러닝 기반 가속촬영 mr 이미지 화질 복원 장치 및 방법
WO2024111913A1 (ko) 인공지능에 의한 의료영상 변환방법 및 그 장치
US11328394B1 (en) Apparatus and method for contrast amplification of contrast-enhanced CT images based on deep learning
WO2024117707A2 (ko) Ai를 이용해 간의 구조를 3d 모델로 구현하는 방법 및 이를 위한 장치
Soga et al. MR imaging of hair and scalp for the evaluation of androgenetic alopecia
WO2024111914A1 (ko) 범용성이 향상된 인공지능에 의한 의료영상 변환방법 및 그 장치
KR102522697B1 (ko) 딥러닝 기반의 개인 맞춤형 조영검사 최적화 방법 및 시스템
WO2023121004A1 (ko) Icv 세그먼테이션 정보를 출력하는 방법 및 이를 위한 장치
Cleveland Will the real clinical performance requirements for x-ray diagnostic systems please stand up?
KR102601695B1 (ko) 뼈스캔 영상을 이용한 인공지능 기반의 영상 생성 장치 및 그 방법
WO2014178538A1 (ko) 의료 영상을 획득 및 처리하는 방법
WO2022131616A1 (ko) 혈관계 다형성 선정보를 이용한 구조적 거시 혈관계와 미세 혈관계의 기능적 지도의 영상 복원 방법 및 장치

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2022532713

Country of ref document: JP

Kind code of ref document: A

ENP Entry into the national phase

Ref document number: 2021908121

Country of ref document: EP

Effective date: 20220701

NENP Non-entry into the national phase

Ref country code: DE