WO2025110375A1 - 재활운동 가이드 인공지능 모델 학습을 위한 전처리 데이터 구축 장치 및 그 제어 방법 - Google Patents

재활운동 가이드 인공지능 모델 학습을 위한 전처리 데이터 구축 장치 및 그 제어 방법 Download PDF

Info

Publication number
WO2025110375A1
WO2025110375A1 PCT/KR2024/006053 KR2024006053W WO2025110375A1 WO 2025110375 A1 WO2025110375 A1 WO 2025110375A1 KR 2024006053 W KR2024006053 W KR 2024006053W WO 2025110375 A1 WO2025110375 A1 WO 2025110375A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
artificial intelligence
intelligence model
rehabilitation exercise
region
Prior art date
Legal status (The legal status 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 status listed.)
Pending
Application number
PCT/KR2024/006053
Other languages
English (en)
French (fr)
Inventor
김종호
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Industry Academic Cooperation Foundation of Catholic University of Korea
Original Assignee
Industry Academic Cooperation Foundation of Catholic University of Korea
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 Industry Academic Cooperation Foundation of Catholic University of Korea filed Critical Industry Academic Cooperation Foundation of Catholic University of Korea
Publication of WO2025110375A1 publication Critical patent/WO2025110375A1/ko
Anticipated expiration legal-status Critical
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Definitions

  • the present disclosure relates to preprocessing data construction. More specifically, it relates to a preprocessing data construction device for learning a rehabilitation exercise guide artificial intelligence model and a control method thereof.
  • the purpose of the embodiment disclosed in the present disclosure is to provide a preprocessing construction device for learning a rehabilitation exercise guide artificial intelligence model that facilitates artificial intelligence learning by constructing unstructured data recorded in a chart into structured data.
  • a device for constructing preprocessing data for learning a rehabilitation exercise guide artificial intelligence model includes: an input unit for receiving chart data of a patient; a memory for storing the chart data; and a control unit for obtaining the chart data through the input unit, storing the chart data in the memory, scanning the chart data, extracting specific data from the scanned chart data, and storing the extracted specific data in the memory based on a predetermined rule, wherein the stored specific data is used for learning the rehabilitation exercise guide artificial intelligence model.
  • a method for constructing preprocessing data for learning a rehabilitation exercise guide artificial intelligence model includes a step of acquiring a patient's chart data through the input unit; a step of scanning the chart data; a step of extracting specific data from the scanned chart data; and a step of storing the extracted specific data in a memory (150) based on a predetermined rule, wherein the specific data is used for learning a rehabilitation exercise guide artificial intelligence model.
  • a computer program stored in a computer-readable recording medium may be further provided to execute a method for implementing the present disclosure.
  • a computer-readable recording medium recording a computer program for executing a method for implementing the present disclosure may be further provided.
  • Figure 1 is a configuration diagram of a preprocessing data construction device for learning an artificial intelligence model for a rehabilitation exercise guide according to the present disclosure.
  • FIG. 2 is a diagram illustrating a flowchart of a method for constructing preprocessing data for learning an artificial intelligence model for a rehabilitation exercise guide according to the present disclosure.
  • FIG. 3 is a diagram illustrating an example of extracting a ROM (Range of motion or (joint) range of motion) string from chart data according to the present disclosure.
  • FIG. 4 is a diagram illustrating that numbers following a ROM (Range of motion or (joint) range of motion) string according to the present disclosure sequentially correspond to predetermined values related to shoulder angle information.
  • ROM Range of motion or (joint) range of motion
  • FIG. 5 is a diagram illustrating extraction of an MMT (Manual muscle test or muscle strength) string from chart data according to the present disclosure.
  • Figure 6 is a drawing showing a case where suturing of shoulder surgery according to the present disclosure is successful.
  • FIG. 7 is a drawing illustrating a case in which suturing of shoulder surgery according to the present disclosure is incorrect.
  • FIG. 8 is a diagram illustrating an example of a data format according to the present disclosure.
  • FIG. 9 is a diagram illustrating a configuration of a preprocessing data construction device for learning an artificial intelligence model for a rehabilitation exercise guide according to the present disclosure.
  • first, second, etc. are used to distinguish one component from another, and the components are not limited by the aforementioned terms.
  • each step is used for convenience of explanation and do not describe the order of each step. Each step may be performed in a different order than specified unless the context clearly indicates a specific order.
  • the present invention can be implemented not only as a server system but also as various devices capable of performing computational processing and providing results to a user.
  • the present invention according to the present disclosure can include all of a computer, a server device, and a portable terminal, or can be in the form of any one of them.
  • the computer may include, for example, a notebook, desktop, laptop, tablet PC, slate PC, etc. equipped with a web browser.
  • the above server device is a server that processes information by communicating with an external device, and may include an application server, a computing server, a database server, a file server, a game server, a mail server, a proxy server, and a web server.
  • the above portable terminal may include, for example, all kinds of handheld-based wireless communication devices such as a PCS (Personal Communication System), GSM (Global System for Mobile communications), PDC (Personal Digital Cellular), PHS (Personal Handyphone System), PDA (Personal Digital Assistant), IMT (International Mobile Telecommunication)-2000, CDMA (Code Division Multiple Access)-2000, W-CDMA (W-Code Division Multiple Access), WiBro (Wireless Broadband Internet) terminal, a smart phone, and a wearable device such as a watch, a ring, a bracelet, an anklet, a necklace, glasses, contact lenses, or a head-mounted-device (HMD).
  • a PCS Personal Communication System
  • GSM Global System for Mobile communications
  • PDC Personal Digital Cellular
  • PHS Personal Handyphone System
  • PDA Personal Digital Assistant
  • IMT International Mobile Telecommunication
  • CDMA Code Division Multiple Access
  • W-CDMA Wideband Code Division Multiple Access
  • WiBro Wireless Broadband Internet
  • the related function according to the present disclosure is operated through a processor and a memory.
  • the processor may be composed of one or more processors.
  • the one or more processors may be a general-purpose processor such as a CPU, an AP, a DSP (Digital Signal Processor), a graphics-only processor such as a GPU, a VPU (Vision Processing Unit), or an artificial intelligence-only processor such as an NPU.
  • the one or more processors control to process input data according to a predefined operation rule or artificial intelligence model stored in the memory.
  • the one or more processors are artificial intelligence-only processors
  • the artificial intelligence-only processor may be designed with a hardware structure specialized for processing a specific artificial intelligence model.
  • the predefined operation rules or artificial intelligence models are characterized by being created through learning.
  • being created through learning means that the basic artificial intelligence model is learned by using a plurality of learning data by a learning algorithm, thereby creating a predefined operation rules or artificial intelligence model set to perform a desired characteristic (or purpose).
  • Such learning may be performed in the device itself on which the artificial intelligence according to the present disclosure is performed, or may be performed through a separate server and/or system.
  • Examples of the learning algorithm include supervised learning, unsupervised learning, semi-supervised learning, or reinforcement learning, but are not limited to the examples described above.
  • the artificial neural network may include a deep neural network (DNN), and examples thereof include, but are not limited to, a convolutional neural network (CNN), a deep neural network (DNN), a recurrent neural network (RNN), a restricted boltzmann machine (RBM), a deep belief network (DBN), a bidirectional recurrent deep neural network (BRDNN), or a deep Q-network.
  • DNN deep neural network
  • the processor can create a neural network, train (or learn) a neural network, perform computations based on received input data, and generate information signals based on the results of the computations, or retrain the neural network.
  • Neural networks include CNN (Convolutional Neural Network), RNN (Recurrent Neural Network), perceptron, multilayer perceptron, FF (Feed Forward), RBF (Radial Basis Network), DFF (Deep Feed Forward), LSTM (Long Short Term Memory), GRU (Gated Recurrent Unit), AE (Auto Encoder), VAE (Variational Auto) Encoder), DAE (Denoising Auto Encoder), SAE (Sparse Auto Encoder), MC (Markov Chain), HN (Hopfield Network), BM (Boltzmann Machine), RBM (Restricted Boltzmann Machine), DBN (Depp Belief Network), DCN (Deep Convolutional Network), DN (Deconvolutional Network), DCIGN (Deep Convolutional Inverse Graphics Network), Generative Adversarial Network (GAN), Liquid State Machine (LSM), Extreme Learning Machine (ELM), It will be understood by those skilled in the art that any neural network may
  • the processor may be configured to perform a CNN (Convolution Neural Network) such as GoogleNet, AlexNet, VGG Network, R-CNN (Region with Convolution Neural Network), RPN (Region Proposal Network), RNN (Recurrent Neural Network), S-DNN (Stacking-based deep Neural Network), S-SDNN (State-Space Dynamic Neural Network), Deconvolution Network, DBN (Deep Belief Network), RBM (Restrcted Boltzman Machine), Fully Convolutional Network, LSTM (Long Short-Term Memory) Network, Classification Network, Generative Modeling, eXplainable AI, Continual AI, Representation Learning, AI for Material Design, BERT, SP-BERT, MRC/QA for natural language processing, Text Analysis, Dialog System, GPT-3, GPT-4, Visual Analytics for vision processing, Visual Understanding, Video Synthesis, ResNet for data intelligence, Anomaly Detection, Prediction, Time-Series Forecasting,
  • CNN Convolution Neural Network
  • CNN
  • Figure 1 is a configuration diagram of a preprocessing data construction device for learning an artificial intelligence model for a rehabilitation exercise guide according to the present disclosure.
  • a preprocessing data construction device (100) for learning a rehabilitation exercise guide artificial intelligence model includes an input unit (110), a sensor unit (120), a control unit (130), a display (140), a memory (150), a communication unit (160), and a camera (170).
  • the input unit (110) receives chart data.
  • the sensor unit (120) senses chart data by attaching a sensor.
  • the control unit (130) obtains the chart data through the input unit (110), stores the chart data in the memory (150), scans the chart data, extracts specific data from the scanned chart data, and stores the extracted specific data in the memory (150) based on a predetermined rule.
  • the display (140) displays a graphic image according to a control command from the control unit (130).
  • Memory (150) stores chart data.
  • the communication unit (160) transmits and receives data with an external device (200).
  • the external device (200) includes an external device such as a smartphone, a PC, a laptop, a tablet PC, etc.
  • the camera (170) photographs a subject in front according to a control command from the control unit (130).
  • the control unit (130) performs labeling and preprocessing based on the acquired chart data.
  • the control unit (130) extracts a ROM (Range Of Motion) string containing shoulder angle information from the above chart data. A detailed description of this is described in Fig. 3.
  • the control unit (130) sequentially corresponds the numbers following the ROM string to predetermined values related to shoulder angle information. A detailed description of this is provided in Fig. 4.
  • the control unit (130) extracts an MMT (Manual Muscle Test) string containing a muscle strength-related degree from the above chart data. A detailed description thereof is provided in Fig. 5.
  • MMT Manual Muscle Test
  • the control unit (130) separates the extracted MMT string into two pieces of information.
  • the control unit (130) acquires an MRI image through the input unit (110), determines a predetermined shape as a region of interest (ROI) in the acquired MRI image, and controls the display (140) to display the determined region of interest. A detailed description thereof is provided in FIGS. 6 and 7.
  • the control unit (130) scans the region of interest and the first region (peripheral region) which is a region spaced a predetermined distance from the region of interest.
  • the control unit (130) determines the surgical site as a ruptured case if there is a gap point between the area of interest and the first area.
  • the control unit (130) determines that the surgical site is a well-sutured case if there is no gap point between the region of interest and the first region.
  • the control unit (130) controls the display to display the above-mentioned separation point so as to be distinguished from other areas.
  • FIG. 1 the components illustrated in FIG. 1 are not essential for implementing the present invention, and thus the present invention described in this specification may have more or fewer components than the components listed above.
  • the communication unit (160) may include one or more components that enable communication with an external device, and may include, for example, at least one of a broadcast receiving module, a wired communication module, a wireless communication module, a short-range communication module, and a location information module.
  • the input unit (110) is for inputting image information (or signal), audio information (or signal), data, or information input from a user, and may include at least one camera, at least one microphone, and at least one user input unit. Voice data or image data collected by the input unit (110) may be analyzed and processed into a user control command.
  • the display (140) displays (outputs) information processed by the artificial intelligence-based user behavior pattern analysis device (100).
  • the artificial intelligence-based user behavior pattern analysis device (100) can display execution screen information of a running application program (e.g., an application), or UI (User Interface) or GUI (Graphical User Interface) information according to such execution screen information.
  • UI User Interface
  • GUI Graphic User Interface
  • the memory (150) can store data supporting various functions of the present invention and a program for the operation of the control unit, can store input/output data (e.g., music files, still images, moving images, etc.), and can store a plurality of application programs (or applications) driven by the present invention, data for the operation of the device, and commands. At least some of these application programs can be downloaded from an external server via wireless communication.
  • input/output data e.g., music files, still images, moving images, etc.
  • application programs or applications driven by the present invention, data for the operation of the device, and commands. At least some of these application programs can be downloaded from an external server via wireless communication.
  • the memory (150) may include at least one type of storage medium among a flash memory type, a hard disk type, an SSD (Solid State Disk type), an SDD (Silicon Disk Drive) type, a multimedia card micro type, a card type memory (for example, an SD or XD memory, etc.), a random access memory (RAM), a static random access memory (SRAM), a read-only memory (ROM), an electrically erasable programmable read-only memory (EEPROM), a programmable read-only memory (PROM), a magnetic memory, a magnetic disk, and an optical disk.
  • the memory (150) may be a database connected by wire or wirelessly, although separate from the present invention, and may be implemented as a database system.
  • the control unit (130) may be implemented as at least one core, a memory storing data on an algorithm for controlling the operation of components within the artificial intelligence-based user behavior pattern analysis device (100) or a program reproducing the algorithm, and at least one processor (not shown) performing the aforementioned operation using the data stored in the memory.
  • the memory and the processor may be implemented as separate chips.
  • the memory and the processor may be implemented as a single chip.
  • control unit (130) can control one or more of the components discussed above in combination to implement various embodiments according to the present disclosure described in FIGS. 2 to 9 below in the present invention.
  • At least one component may be added or deleted in accordance with the performance of the components illustrated in FIG. 1.
  • the mutual positions of the components may be changed in accordance with the performance or structure of the system.
  • each component illustrated in Fig. 1 represents software and/or hardware components such as a Field Programmable Gate Array (FPGA) and an Application Specific Integrated Circuit (ASIC).
  • FPGA Field Programmable Gate Array
  • ASIC Application Specific Integrated Circuit
  • FIG. 2 is a diagram illustrating a flow chart of a method for constructing preprocessing data for learning an artificial intelligence model for a rehabilitation exercise guide according to the present disclosure.
  • the present invention is performed by a preprocessing data constructing device (100) or a control unit (130) for learning an artificial intelligence model for a rehabilitation exercise guide.
  • the patient's chart data is obtained through the input unit (110) (S210).
  • Specific data is extracted from the scanned chart data (S230).
  • the extracted specific data is stored in the memory (150) based on a predetermined rule (S240).
  • FIG. 3 is a diagram illustrating an example of extracting a ROM string from chart data according to the present disclosure.
  • control unit (130) extracts a ROM string (320) including shoulder angle information from chart data (310).
  • the extracted ROM string (320) becomes 130 - 60 - 70 - 10 - L4.
  • FIG. 4 is a diagram illustrating that numbers following a ROM string according to the present disclosure sequentially correspond to predetermined values related to shoulder angle information.
  • control unit (130) sequentially corresponds the numbers following the ROM string to predetermined values related to shoulder angle information.
  • the ROM string is 130 - 60 - 70 - 10 - L4.
  • 130 corresponds to forward flexion
  • 60 corresponds to external rotation at side
  • 70 corresponds to external rotation at abduction
  • 10 corresponds to adduction
  • L4 corresponds to internal rotation.
  • forward flexion refers to how far the shoulder moves forward.
  • External rotation at side refers to how much the shoulder moves to the side.
  • External rotation at abduction refers to how much the shoulder moves outward toward the body.
  • Adduction refers to how much the shoulder moves inward toward the body.
  • FIG. 5 is a diagram illustrating extraction of an MMT string from chart data according to the present disclosure.
  • control unit (130) extracts an MMT string (330) including a muscle strength-related degree from the chart data (310).
  • the MMT string (330) becomes 5-10.
  • the control unit (130) separates the extracted MMT string into two pieces of information.
  • the MMT string (330) is 5-10, it is separated into 5 and 10.
  • the first 5 means Power grade
  • 10 means 10 seconds. Therefore, it means that you can endure 10 seconds with a power of grade 5
  • NW means No Weakness, that is, the power is not weak but normal.
  • Figure 6 is a drawing illustrating a case where suturing of shoulder surgery according to the present disclosure is successful.
  • control unit (130) acquires an MRI image through the input unit (110), determines a predetermined shape as a region of interest (ROI) in the acquired MRI image, and controls the display (140) to display the determined region of interest (610).
  • ROI region of interest
  • the region of interest (610) is called Region of Interest, ROI and refers to the area that the user is interested in and carefully examines.
  • the shape of the area of interest (610) can be adjusted to a circular, box-shaped, or user-defined shape.
  • the control unit (130) scans the region of interest (610) and the first region (peripheral region, 620) which is a region spaced a predetermined distance from the region of interest (610).
  • the region of interest (610) and the first region (620) can have different shapes and be displayed in different colors.
  • the control unit (130) determines that the surgical site is a well-sutured case if there is no gap point between the area of interest (610) and the first area (620).
  • doctors look at MRI images to determine whether suturing of the surgical site was successful.
  • an artificial intelligence model determines whether suturing of a surgical site is successful based on an MRI image of the surgical site.
  • the control unit (130) determines whether the shoulder surgical suture portion is ruptured based on the presence or absence of a separation point in the area of interest (610).
  • the control unit (130) learns the surgical site image and determines whether the surgical site suture portion included in the newly input MRI image is ruptured based on the learned image.
  • control unit (130) labels the image determined to be a rupture of the surgical site suture portion due to the presence of a gap point in the region of interest (610).
  • the control unit (130) inputs MRI images on which labeling has been performed into the artificial intelligence model to perform artificial intelligence learning for rehabilitation exercise guidance.
  • FIG. 7 is a drawing illustrating a case in which suturing of shoulder surgery according to the present disclosure is incorrect.
  • control unit (130) acquires an MRI image through the input unit (110), determines a predetermined shape as a region of interest (ROI) in the acquired MRI image, and controls the display (140) to display the determined region of interest (710).
  • ROI region of interest
  • the region of interest (710) is called Region of Interest, ROI and refers to the area that the user is interested in and carefully examines.
  • the control unit (130) scans the region of interest (710) and the first region (peripheral region, 720) which is a region spaced a predetermined distance from the region of interest (710).
  • the control unit (130) determines the surgical site as a ruptured case if there is a separation point (730) between the region of interest (710) and the first region (720).
  • the control unit (130) controls the display (140) to display the separation point (730) so as to be distinguished from other areas.
  • the offset point (730) may be displayed differently in at least one of color and shape from the region of interest (710) and the first region (720).
  • the separation point (730) can be displayed in the form of a flashing light.
  • FIG. 8 is a diagram illustrating an example of a data format according to the present disclosure.
  • Angular information includes forward flexion, external rotation at side, external rotation at abduction, adduction, and internal rotation.
  • Strength content includes power grade and number of seconds held.
  • meaningful information on a patient's condition can be obtained based on chart data, and the same can be preprocessed to help learn an artificial intelligence model, thereby improving user convenience.
  • FIG. 9 is a diagram illustrating a configuration of a preprocessing data construction device for learning an artificial intelligence model for a rehabilitation exercise guide according to the present disclosure.
  • a preprocessing data construction device for learning a rehabilitation exercise guide artificial intelligence model includes a device (1600).
  • the device (1600) may include a memory (1602), a processor (1603), a transceiver (1604), and a peripheral device (1601).
  • the device (1600) may further include other configurations and is not limited to the above-described embodiment.
  • the device (1600) of FIG. 9 may be an exemplary hardware/software architecture such as an NDN device, an NDN server, a content router, etc.
  • the memory (1602) may be a non-removable memory or a removable memory.
  • the peripheral device (1601) may include a display, a GPS, or other peripheral devices, and is not limited to the above-described embodiment.
  • the above-described device (1600) may include a communication circuit such as the transceiver (1604), and may perform communication with an external device based thereon.
  • the processor (1603) may be at least one of a general-purpose processor, a digital signal processor (DSP), a DSP core, a controller, a microcontroller, ASICs (Application Specific Integrated Circuits), FPGA (Field Programmable Gate Array) circuits, any other type of integrated circuit (IC), and one or more microprocessors associated with a state machine. That is, it may be a hardware/software configuration that performs a control role for controlling the above-described device (1600).
  • the processor (1603) may execute computer-executable instructions stored in the memory (1602) to perform various essential functions of the present invention.
  • the processor (1603) may control at least one of signal coding, data processing, power control, input/output processing, and communication operations.
  • the processor (1603) may control physical layers, MAC layers, and application layers.
  • the processor (1603) may perform authentication and security procedures in the access layer and/or the application layer, and is not limited to the above-described embodiment.
  • the processor (1603) can communicate with other devices through the transceiver (1604).
  • the processor (1603) can control the node to communicate with other nodes through the network through the execution of computer-executable instructions. That is, the communication performed in the present invention can be controlled.
  • the other nodes can be NDN servers, content routers, and other devices.
  • the transceiver (1604) can transmit RF signals through the antenna and transmit signals based on various communication networks.
  • MIMO technology, beamforming, etc. can be applied as antenna technology, and are not limited to the above-described embodiment.
  • a signal transmitted and received through the transceiver (1604) can be modulated and demodulated and controlled by the processor (1603), and are not limited to the above-described embodiment.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Pathology (AREA)
  • General Physics & Mathematics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Multimedia (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Animal Behavior & Ethology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Image Analysis (AREA)

Abstract

본 개시는 재활운동 가이드 인공지능 모델 학습을 위한 전처리 데이터 구축 장치 및 방법에 관한 것으로, 환자의 차트 데이터를 상기 입력부를 통하여 획득하고, 상기 차트 데이터를 스캐닝하고, 스캐닝된 상기 차트 데이터로부터 특정 데이터를 추출하고, 추출된 상기 특정 데이터를 미리 결정된 규칙에 기초하여 메모리에 저장하되, 상기 특정 데이터는 재활운동 가이드 인공지능 모델 학습에 이용되는 것을 그 요지로 한다.

Description

재활운동 가이드 인공지능 모델 학습을 위한 전처리 데이터 구축 장치 및 그 제어 방법
본 개시는 전처리 데이터 구축에 관한 것이다. 보다 상세하게는, 재활운동 가이드 인공지능 모델 학습을 위한 전처리 데이터 구축 장치 및 그 제어 방법에 관한 것이다.
재활치료 분야는 노인인구의 증가로 재활 대상 및 의료시장을 급격하게 확대시키고 있으며, 최근에는 로봇을 이용한 신 재활치료 및 훈련법 등이 시도되고 있다. 하지만 정작 재활치료 현장에서는 숙련도와 훈련방법이 상이한 도수치료와 다양한 재활도구가 혼용되고 있으며, 전자의무기록(EMR)을 위한 데이터 표준도 명확하지 못한 실정이다. 인공지능 기술로서 IBM 왓슨(Watson)은 2017년도에 국내 대학병원에 도입되어 암 진단을 위한 장비로 사용되고 있으며, 이미 다양한 의료분야에서 활용되고 있다. 재활분야에서 인공지능의 효과적인 활용을 위해서는 치료에서 획득된 임상적 데이터를 기반으로 개인별 중복질환과 신체특성 등이 고려된 맞춤형 재활방안이 제시되어야 한다. 환자맞춤형 재활은 고통스러운 재활훈련 및 치료기간을 단축하고 재활효과를 높이는 데 있다.
그런데, 종래 기술의 경우, 재활운동 가이드 인공지능 모델 학습을 위해서 데이터가 필요한데, 이 데이터는 차트에 기록된 비정형 데이터로 존재하여 제한적인 활용만 가능하다는 한계가 있고 의료진이 비정형 데이터를 일일이 수기로 입력해야 하는 단점이 있어서 사용자가 불편함을 느끼는 문제점이 있었다.
본 개시에 개시된 실시예는 차트에 기록된 비정형 데이터를 정형 데이터로 구축하여 인공지능 학습을 용이하게 도와주는 재활운동 가이드 인공지능 모델 학습을 위한 전처리 구축 장치를 제공하는 것을 목적으로 한다.
본 개시가 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
본 개시에 따른 재활운동 가이드 인공지능 모델 학습을 위한 전처리 데이터 구축 장치는, 환자의 차트 데이터를 입력받는 입력부; 상기 차트 데이터를 저장하는 메모리; 상기 차트 데이터를 상기 입력부를 통하여 획득하고, 상기 차트 데이터를 상기 메모리에 저장하고, 상기 차트 데이터를 스캐닝하고, 스캐닝된 상기 차트 데이터로부터 특정 데이터를 추출하고, 추출된 상기 특정 데이터를 미리 결정된 규칙에 기초하여 메모리에 저장하는 제어부를 포함하되, 저장된 상기 특정 데이터는 재활운동 가이드 인공지능 모델 학습에 이용된다.
또한, 본 개시에 따른 재활운동 가이드 인공지능 모델 학습을 위한 전처리 데이터 구축 방법은, 환자의 차트 데이터를 상기 입력부를 통하여 획득하는 단계; 상기 차트 데이터를 스캐닝하는 단계; 스캐닝된 상기 차트 데이터로부터 특정 데이터를 추출하는 단계; 및 추출된 상기 특정 데이터를 미리 결정된 규칙에 기초하여 메모리(150)에 저장하는 단계를 포함하되, 상기 특정 데이터는 재활운동 가이드 인공지능 모델 학습에 이용된다.
이 외에도, 본 개시를 구현하기 위한 방법을 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 더 제공될 수 있다.
이 외에도, 본 개시를 구현하기 위한 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 컴퓨터 판독 가능한 기록 매체가 더 제공될 수 있다.
본 개시의 전술한 과제 해결 수단에 의하면, 차트에 기록된 비정형 데이터를 정형 데이터로 구축하여 인공지능 학습을 용이하게 도와줄 수 있으므로 사용자 편의성을 향상 시킬 수 있다.
본 개시의 전술한 과제 해결 수단에 의하면, 차트 데이터를 기초로 환자의 상태에 대한 유의미한 정보를 얻을 수 있고 이를 전처리하여 인공지능 모델 학습에 도움을 줄 수 있으므로 사용자 편의성을 향상 시킬 수 있다.
본 개시의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 개시에 따른 재활운동 가이드 인공지능 모델 학습을 위한 전처리 데이터 구축 장치의 구성도이다.
도 2는 본 개시에 따른 재활운동 가이드 인공지능 모델 학습을 위한 전처리 데이터 구축 방법의 순서도를 도시한 도면이다.
도 3은 본 개시에 따른 차트 데이터에서 ROM (Range of motion 또는 (관절)운동범위) 문자열을 추출하는 실시 예를 도시한 도면이다.
도 4는 본 개시에 따른 ROM (Range of motion 또는 (관절)운동범위) 문자열 이후의 숫자를 순차적으로 어깨 각도 정보와 관련된 미리 결정된 값에 대응하는 것을 도시한 도면이다.
도 5는 본 개시에 따른 차트 데이터에서 MMT (Manual muscle test 또는 근력) 문자열을 추출하는 것을 도시한 도면이다.
도 6은 본 개시에 따른 어깨 수술의 봉합이 잘된 경우를 도시한 도면이다.
도 7은 본 개시에 따른 어깨 수술의 봉합이 잘못된 경우를 도시한 도면이다.
도 8은 본 개시에 따른 데이터 형태의 실시 예를 도시한 도면이다.
도 9는 본 개시에 따른 재활운동 가이드 인공지능 모델 학습을 위한 전처리 데이터 구축 장치의 구성도를 도시한 도면이다.
본 개시 전체에 걸쳐 동일 참조 부호는 동일 구성요소를 지칭한다. 본 개시가 실시예들의 모든 요소들을 설명하는 것은 아니며, 본 개시가 속하는 기술분야에서 일반적인 내용 또는 실시예들 간에 중복되는 내용은 생략한다. 명세서에서 사용되는 '부, 모듈, 부재, 블록'이라는 용어는 소프트웨어 또는 하드웨어로 구현될 수 있으며, 실시예들에 따라 복수의 '부, 모듈, 부재, 블록'이 하나의 구성요소로 구현되거나, 하나의 '부, 모듈, 부재, 블록'이 복수의 구성요소들을 포함하는 것도 가능하다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 직접적으로 연결되어 있는 경우뿐 아니라, 간접적으로 연결되어 있는 경우를 포함하고, 간접적인 연결은 무선 통신망을 통해 연결되는 것을 포함한다.
또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
명세서 전체에서, 어떤 부재가 다른 부재 "상에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.
제 1, 제 2 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위해 사용되는 것으로, 구성요소가 전술된 용어들에 의해 제한되는 것은 아니다.
단수의 표현은 문맥상 명백하게 예외가 있지 않는 한, 복수의 표현을 포함한다.
각 단계들에 있어 식별부호는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 실시될 수 있다.
이하 첨부된 도면들을 참고하여 본 발명의 작용 원리 및 실시예들에 대해 설명한다.
본 발명은 서버 시스템뿐만 아니라 연산처리를 수행하여 사용자에게 결과를 제공할 수 있는 다양한 장치들로 구현될 수 있다. 예를 들어, 본 개시에 따른 본 발명은 컴퓨터, 서버 장치 및 휴대용 단말기를 모두 포함하거나, 또는 어느 하나의 형태가 될 수 있다.
여기에서, 상기 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop), 태블릿 PC, 슬레이트 PC 등을 포함할 수 있다.
상기 서버 장치는 외부 장치와 통신을 수행하여 정보를 처리하는 서버로써, 애플리케이션 서버, 컴퓨팅 서버, 데이터베이스 서버, 파일 서버, 게임 서버, 메일 서버, 프록시 서버 및 웹 서버 등을 포함할 수 있다.
상기 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), WiBro(Wireless Broadband Internet) 단말, 스마트 폰(Smart Phone) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치와 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트 렌즈, 또는 머리 착용형 장치(head-mounted-device(HMD) 등과 같은 웨어러블 장치를 포함할 수 있다.
본 개시에 따른 관련 기능은 프로세서와 메모리를 통해 동작된다. 프로세서는 하나 또는 복수의 프로세서로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서는 CPU, AP, DSP(Digital Signal Processor) 등과 같은 범용 프로세서, GPU, VPU(Vision Processing Unit)와 같은 그래픽 전용 프로세서 또는 NPU와 같은 인공 지능 전용 프로세서일 수 있다. 하나 또는 복수의 프로세서는, 메모리에 저장된 기 정의된 동작 규칙 또는 인공 지능 모델에 따라, 입력 데이터를 처리하도록 제어한다. 또는, 하나 또는 복수의 프로세서가 인공 지능 전용 프로세서인 경우, 인공 지능 전용 프로세서는, 특정 인공 지능 모델의 처리에 특화된 하드웨어 구조로 설계될 수 있다.
기 정의된 동작 규칙 또는 인공 지능 모델은 학습을 통해 만들어진 것을 특징으로 한다. 여기서, 학습을 통해 만들어진다는 것은, 기본 인공 지능 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공 지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공 지능이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버 및/또는 시스템을 통해 이루어 질 수도 있다. 학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도 형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)이 있으나, 전술한 예에 한정되지 않는다.
인공 지능 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어들 각각은 복수의 가중치들 (weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경 망 연산을 수행한다. 복수의 신경망 레이어들이 갖고 있는 복수의 가중치들은 인공 지능 모델의 학습 결과에 의해 최적화될 수 있다. 예를 들어, 학습 과정 동안 인공 지능 모델에서 획득한 로스(loss) 값 또는 코스트(cost) 값이 감소 또는 최소화되도록 복수의 가중치들이 갱신될 수 있다. 인공 신경망은 심층 신경망(DNN:Deep Neural Network)를 포함할 수 있으며, 예를 들어, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 또는 심층 Q-네트워크 (Deep Q-Networks) 등이 있으나, 전술한 예에 한정되지 않는다.
프로세서는 뉴럴 네트워크를 생성하거나, 뉴럴 네트워크를 훈련(train, 또는 학습(learn)하거나, 수신되는 입력 데이터를 기초로 연산을 수행하고, 수행 결과를 기초로 정보 신호(information signal)를 생성하거나, 뉴럴 네트워크를 재훈련(retrain)할 수 있다.
뉴럴 네트워크는 CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), 퍼셉트론(perceptron), 다층 퍼셉트론(multilayer perceptron), FF(Feed Forward), RBF(Radial Basis Network), DFF(Deep Feed Forward), LSTM(Long Short Term Memory), GRU(Gated Recurrent Unit), AE(Auto Encoder), VAE(Variational Auto Encoder), DAE(Denoising Auto Encoder), SAE(Sparse Auto Encoder), MC(Markov Chain), HN(Hopfield Network), BM(Boltzmann Machine), RBM(Restricted Boltzmann Machine), DBN(Depp Belief Network), DCN(Deep Convolutional Network), DN(Deconvolutional Network), DCIGN(Deep Convolutional Inverse Graphics Network), GAN(Generative Adversarial Network), LSM(Liquid State Machine), ELM(Extreme Learning Machine), ESN(Echo State Network), DRN(Deep Residual Network), DNC(Differentiable Neural Computer), NTM(Neural Turning Machine), CN(Capsule Network), KN(Kohonen Network) 및 AN(Attention Network)를 포함할 수 있으나 이에 한정되는 것이 아닌 임의의 뉴럴 네트워크를 포함할 수 있음은 통상의 기술자가 이해할 것이다.
본 개시의 예시적인 실시예에 따르면, 프로세서는 GoogleNet, AlexNet, VGG Network 등과 같은 CNN(Convolution Neural Network), R-CNN(Region with Convolution Neural Network), RPN(Region Proposal Network), RNN(Recurrent Neural Network), S-DNN(Stacking-based deep Neural Network), S-SDNN(State-Space Dynamic Neural Network), Deconvolution Network, DBN(Deep Belief Network), RBM(Restrcted Boltzman Machine), Fully Convolutional Network, LSTM(Long Short-Term Memory) Network, Classification Network, Generative Modeling, eXplainable AI, Continual AI, Representation Learning, AI for Material Design, 자연어 처리를 위한 BERT, SP-BERT, MRC/QA, Text Analysis, Dialog System, GPT-3, GPT-4, 비전 처리를 위한 Visual Analytics, Visual Understanding, Video Synthesis, ResNet 데이터 지능을 위한 Anomaly Detection, Prediction, Time-Series Forecasting, Optimization, Recommendation, Data Creation 등 다양한 인공 지능 구조 및 알고리즘을 이용할 수 있으며, 이에 제한되지 않는다. 이하, 첨부된 도면을 참조하여 본 개시의 실시예를 상세하게 설명한다.
도 1은 본 개시에 따른 재활운동 가이드 인공지능 모델 학습을 위한 전처리 데이터 구축 장치의 구성도이다.
도 1을 참조하면, 재활운동 가이드 인공지능 모델 학습을 위한 전처리 데이터 구축 장치(100)는 입력부(110), 센서부(120), 제어부(130), 디스플레이(140), 메모리(150), 통신부(160), 카메라(170)를 포함한다.
입력부(110)는 차트 데이터를 입력받는다.
센서부(120)는 센서를 부착하여 차트 데이터를 센싱한다.
제어부(130)는 상기 차트 데이터를 상기 입력부(110)를 통하여 획득하고, 상기 차트 데이터를 상기 메모리(150)에 저장하고, 상기 차트 데이터를 스캐닝하고, 스캐닝된 상기 차트 데이터로부터 특정 데이터를 추출하고, 추출된 상기 특정 데이터를 미리 결정된 규칙에 기초하여 메모리(150)에 저장한다.
여기서, 특정 데이터는 재활운동 가이드 인공지능 모델 학습에 이용된다.
디스플레이(140)는 제어부(130)로부터의 제어 명령에 따라 그래픽 이미지를 디스플레이한다.
메모리(150)는 차트 데이터를 저장한다.
통신부(160)는 외부 장치(200)와 데이터를 송수신한다.
여기서, 외부 장치(200)는 스마트폰, PC, 노트북, 태블릿 PC 등과 같은 외부 디바이스를 포함한다.
카메라(170)는 제어부(130)로부터의 제어 명령에 따라 전방의 피사체를 촬영한다.
제어부(130)는 획득된 상기 차트 데이터를 기초로 라벨링을 수행하여 전처리한다.
제어부(130)는 상기 차트 데이터에서 어깨 각도 정보를 포함하는 ROM(Range Of Motion) 문자열을 추출한다. 이에 대한 자세한 설명은 도 3에서 설명한다.
제어부(130)는 ROM 문자열 이후의 숫자를 순차적으로 어깨 각도 정보와 관련된 미리 결정된 값에 대응한다. 이에 대한 자세한 설명은 도 4에서 설명한다.
제어부(130)는 상기 차트 데이터에서 근력 관련 정도를 포함하는 MMT(Manual Muscle Test) 문자열을 추출한다. 이에 대한 자세한 설명은 도 5에서 설명한다.
제어부(130)는 상기 추출된 MMT 문자열을 두 정보로 분리한다.
제어부(130)는 MRI 이미지를 상기 입력부(110)를 통하여 획득하고, 획득된 상기 MRI 이미지에서 미리 결정된 모양을 관심 영역(ROI)으로 결정하고, 상기 디스플레이(140)가 결정된 상기 관심 영역을 디스플레이하도록 제어한다. 이에 대한 자세한 설명은 도 6, 도 7에서 설명한다.
제어부(130)는 상기 관심 영역과 상기 관심 영역에서 소정 거리 이격된 영역인 제 1 영역(주변 영역)을 스캐닝한다.
제어부(130)는 관심 영역과 상기 제 1 영역에 이격 포인트가 있으면, 수술 부위를 파열된 케이스로 결정한다.
제어부(130)는 관심 영역과 상기 제 1 영역에 이격 포인트가 없으면, 수술 부위를 봉합이 잘된 케이스로 결정한다.
제어부(130)는 디스플레이가 상기 이격 포인트를 다른 영역과 구분되도록 디스플레이하도록 제어한다.
다만, 도 1에 도시된 구성 요소들은 본 발명을 구현하는데 있어서 필수적인 것은 아니어서, 본 명세서 상에서 설명되는 본 발명은 위에서 열거된 구성요소들 보다 많거나, 또는 적은 구성요소들을 가질 수 있다.
통신부(160)는 외부 장치와 통신을 가능하게 하는 하나 이상의 구성 요소를 포함할 수 있으며, 예를 들어, 방송 수신 모듈, 유선통신 모듈, 무선통신 모듈, 근거리 통신 모듈, 위치정보 모듈 중 적어도 하나를 포함할 수 있다.
입력부(110)는 영상 정보(또는 신호), 오디오 정보(또는 신호), 데이터, 또는 사용자로부터 입력되는 정보의 입력을 위한 것으로서, 적어도 하나의 카메라, 적어도 하나의 마이크로폰 및 사용자 입력부 중 적어도 하나를 포함할 수 있다. 입력부(110)에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어명령으로 처리될 수 있다.
디스플레이(140)는 인공지능 기반 사용자 행동 패턴 분석 장치(100)에서 처리되는 정보를 표시(출력)한다. 예를 들어, 인공지능 기반 사용자 행동 패턴 분석 장치(100)는 구동되는 응용 프로그램(일 예로, 어플리케이션)의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.
메모리(150)는 본 발명의 다양한 기능을 지원하는 데이터와, 제어부의 동작을 위한 프로그램을 저장할 수 있고, 입/출력되는 데이터들(예를 들어, 음악 파일, 정지영상, 동영상 등)을 저장할 있고, 본 발명에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 본 장치의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 무선 통신을 통해 외부 서버로부터 다운로드 될 수 있다.
이러한, 메모리(150)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), SSD 타입(Solid State Disk type), SDD 타입(Silicon Disk Drive type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(random access memory; RAM), SRAM(static random access memory), 롬(read-only memory; ROM), EEPROM(electrically erasable programmable read-only memory), PROM(programmable read-only memory), 자기 메모리, 자기 디스크 및 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 또한, 메모리(150)는 본 발명과 는 분리되어 있으나, 유선 또는 무선으로 연결된 데이터베이스가 될 수도 있으며, 데이터 베이스 시스템으로 구현될 수도 있다.
제어부(130)는 적어도 하나의 코어를 포함하며, 인공지능 기반 사용자 행동 패턴 분석 장치(100) 내의 구성요소들의 동작을 제어하기 위한 알고리즘 또는 알고리즘을 재현한 프로그램에 대한 데이터를 저장하는 메모리 및 메모리에 저장된 데이터를 이용하여 전술한 동작을 수행하는 적어도 하나의 프로세서(미도시)로 구현될 수 있다. 이때, 메모리와 프로세서는 각각 별개의 칩으로 구현될 수 있다. 또는, 메모리와 프로세서는 단일 칩으로 구현될 수도 있다.
또한, 제어부(130)는 이하의 도 2 내지 도 9에서 설명되는 본 개시에 따른 다양한 실시 예들을 본 발명 상에서 구현하기 위하여, 위에서 살펴본 구성요소들을 중 어느 하나 또는 복수를 조합하여 제어할 수 있다.
도 1에 도시된 구성 요소들의 성능에 대응하여 적어도 하나의 구성요소가 추가되거나 삭제될 수 있다. 또한, 구성 요소들의 상호 위치는 시스템의 성능 또는 구조에 대응하여 변경될 수 있다는 것은 당해 기술 분야에서 통상의 지식을 가진 자에게 용이하게 이해될 것이다.
한편, 도 1에서 도시된 각각의 구성요소는 소프트웨어 및/또는 Field Programmable Gate Array(FPGA) 및 주문형 반도체(ASIC, Application Specific Integrated Circuit)와 같은 하드웨어 구성요소를 의미한다.
도 2는 본 개시에 따른 재활운동 가이드 인공지능 모델 학습을 위한 전처리 데이터 구축 방법의 순서도를 도시한 도면이다. 본 발명은 재활운동 가이드 인공지능 모델 학습을 위한 전처리 데이터 구축 장치(100) 또는 제어부(130)에 의하여 수행된다.
도 2를 참조하면, 환자의 차트 데이터를 상기 입력부(110)를 통하여 획득한다 (S210).
상기 차트 데이터를 스캐닝한다(S220).
스캐닝된 상기 차트 데이터로부터 특정 데이터를 추출한다(S230).
추출된 상기 특정 데이터를 미리 결정된 규칙에 기초하여 메모리(150)에 저장한다(S240),
여기서, 특정 데이터는 재활운동 가이드 인공지능 모델 학습에 이용된다.
도 3은 본 개시에 따른 차트 데이터에서 ROM 문자열을 추출하는 실시 예를 도시한 도면이다.
도 3을 참조하면, 제어부(130)는 차트 데이터(310)에서 어깨 각도 정보를 포함하는 ROM 문자열(320)을 추출한다.
추출된 ROM 문자열(320)은 130 - 60 - 70 - 10 - L4 가 된다.
도 4는 본 개시에 따른 ROM 문자열 이후의 숫자를 순차적으로 어깨 각도 정보와 관련된 미리 결정된 값에 대응하는 것을 도시한 도면이다.
도 4를 참조하면, 제어부(130)는 ROM 문자열 이후의 숫자를 순차적으로 어깨 각도 정보와 관련된 미리 결정된 값에 대응한다.
ROM 문자열은 130 - 60 - 70 - 10 - L4 가 된다.
예를 들어, 130을 forward flexsion에 대응시키고, 60을 external rotation at side에 대응시키고, 70을 external rotation at abduction에 대응시키고, 10을 adduction에 대응시키고 L4를 internal rotation에 대응시킨다.
여기서, forward flexsion은 어깨가 앞으로 얼마나 움직이는지를 의미한다.
External rotation at side는 어깨가 옆으로 얼마나 움직이는지를 의미한다.
External rotation at abduction은 어깨가 몸쪽 외부를 향하여 얼마나 움직이는지를 의미한다.
Adduction은 어깨가 몸쪽 내부를 향하여 얼마나 움직이는지를 의미한다.
Internal rotation은 어깨가 아래를 향하여 얼마나 움직이는지를 의미한다.
도 5는 본 개시에 따른 차트 데이터에서 MMT 문자열을 추출하는 것을 도시한 도면이다.
도 5를 참조하면, 제어부(130)는 차트 데이터(310)에서 근력 관련 정도를 포함하는 MMT 문자열(330)을 추출한다.
MMT 문자열(330)은 5-10이 된다.
제어부(130)는 상기 추출된 MMT 문자열을 두 정보로 분리한다.
예를 들어, MMT 문자열(330)이 5-10인 경우, 5 와 10으로 분리한다.
여기서, 앞부분 5는 Power grade를 의미하고, 10은 10 sec를 의미한다. 따라서, grade 5의 힘으로 10초를 버틸 수 있다는 의미로 NW는 No Weakness, 즉, 힘이 약하지 않고 정상임을 의미한다.
예를 들어, 4-9가 될 수 있다. Power grade 4의 힘으로 9초를 버틸 수 있다.
4-9 의 경우, Power grade 4의 힘으로 8초를 버틸 수 있다.
도 6은 본 개시에 따른 어깨 수술의 봉합이 잘된 경우를 도시한 도면이다.
도 6을 참조하면, 제어부(130)는 MRI 이미지를 상기 입력부(110)를 통하여 획득하고, 획득된 상기 MRI 이미지에서 미리 결정된 모양을 관심 영역(ROI)으로 결정하고, 상기 디스플레이(140)가 결정된 상기 관심 영역(610)을 디스플레이하도록 제어한다.
여기서, 관심영역(610)은 Region of Interest, ROI로 호칭되며 사용자가 관심을 갖고 주의 깊게 살펴보는 영역을 의미한다.
관심 영역(610)의 모양은 원형, 박스형, 사용자 지정형으로 조정될 수 있다.
제어부(130)는 관심 영역(610)과 관심 영역(610)에서 소정 거리 이격된 영역인 제 1 영역(주변 영역, 620)을 스캐닝한다.
관심 영역(610)과 제 1 영역(620)은 다른 모양이 될 수 있고, 다른 색상으로 디스플레이 될 수 있다.
제어부(130)는 관심 영역(610)과 제 1 영역(620)에 이격 포인트가 없으면, 수술 부위를 봉합이 잘된 케이스로 결정한다.
종래 기술의 경우, 의사가 MRI 이미지를 보고 수술 부위의 봉합 성공 여부를 판단한다.
본 발명에 따르면, 인공지능 모델이 수술 부위의 MRI 이미지를 기초로 수술 부위의 봉합 성공 여부를 판단한다.
제어부(130)는 관심 영역(610) 부분의 이격 포인트 유무를 기초로 어깨 수술 봉합 부분의 파열 여부를 결정한다.
제어부(130)는 수술 부위 이미지를 학습하고, 학습된 이미지를 기초로 새로 입력받은 MRI 이미지에 포함된 수술 부위 봉합 부분의 파열 여부를 판독한다.
또한, 제어부(130)는 관심 영역(610)에 이격 포인트가 존재하여 수술 부위 봉합 부분의 파열로 결정된 이미지에 라벨링을 수행한다.
제어부(130)는 인공지능 모델에 라벨링이 수행된 MRI 이미지를 입력하여 재활운동 가이드 인공지능 학습을 진행한다.
도 7은 본 개시에 따른 어깨 수술의 봉합이 잘못된 경우를 도시한 도면이다.
도 7을 참조하면, 제어부(130)는 MRI 이미지를 상기 입력부(110)를 통하여 획득하고, 획득된 상기 MRI 이미지에서 미리 결정된 모양을 관심 영역(ROI)으로 결정하고, 상기 디스플레이(140)가 결정된 상기 관심 영역(710)을 디스플레이하도록 제어한다.
여기서, 관심영역(710)은 Region of Interest, ROI로 호칭되며 사용자가 관심을 갖고 주의 깊게 살펴보는 영역을 의미한다.
제어부(130)는 관심 영역(710)과 관심 영역(710)에서 소정 거리 이격된 영역인 제 1 영역(주변 영역, 720)을 스캐닝한다.
제어부(130)는 상기 관심 영역(710)과 상기 제 1 영역(720)에 이격 포인트(730)가 있으면, 수술 부위를 파열된 케이스로 결정한다.
제어부(130)는 상기 디스플레이(140)가 상기 이격 포인트(730)를 다른 영역과 구분되도록 디스플레이하도록 제어한다.
예를 들어, 이격 포인트(730)는 관심 영역(710), 제 1 영역(720)과 색상, 모양 중 적어도 하나가 다르게 디스플레이 될 수 있다.
이격 포인트(730)는 점멸등 형식으로 디스플레이 될 수 있다.
도 8은 본 개시에 따른 데이터 형태의 실시 예를 도시한 도면이다.
도 8을 참조하면, 순번은 1, 2, 3… 순서로 세로로 나열될 수 있다.
각도 정보는 forward flexion, external rotation at side, external rotation at abduction, adduction, internal rotation을 포함한다.
근력 내용은 power grade, 버티는 초수를 포함한다.
파열 여부와 관련하여, 0 인 경우, 정상을 의미한다. 1인 경우, 파열을 의미한다.
본 발명에 따르면, 차트 데이터를 기초로 환자의 상태에 대한 유의미한 정보를 얻을 수 있고 이를 전처리하여 인공지능 모델 학습에 도움을 줄 수 있으므로 사용자 편의성을 향상 시킬 수 있다.
도 9는 본 개시에 따른 재활운동 가이드 인공지능 모델 학습을 위한 전처리 데이터 구축 장치의 구성도를 도시한 도면이다.
도 9를 참조하면, 재활운동 가이드 인공지능 모델 학습을 위한 전처리 데이터 구축 장치는 디바이스(1600)를 포함한다. 디바이스(1600)는 메모리(1602), 프로세서(1603), 송수신부(1604) 및 주변 장치(1601)를 포함할 수 있다. 또한, 일 예로, 디바이스(1600)는 다른 구성을 더 포함할 수 있으며, 상술한 실시예로 한정되지 않는다.
보다 상세하게는, 도 9의 디바이스(1600)는 NDN 디바이스, NDN 서버, 콘텐츠 라우터 등과 같은 예시적인 하드웨어/소프트웨어 아키텍처일 수 있다. 이때, 일 예로, 메모리(1602)는 비이동식 메모리 또는 이동식 메모리일 수 있다. 또한, 일 예로, 주변 장치(1601)는 디스플레이, GPS 또는 다른 주변기기들을 포함할 수 있으며, 상술한 실시예로 한정되지 않는다.
또한, 일 예로, 상술한 디바이스(1600)는 상기 송수신부(1604)와 같이 통신 회로를 포함할 수 있으며, 이에 기초하여 외부 디바이스와 통신을 수행할 수 있다.
또한, 일 예로, 프로세서(1603)는 범용 프로세서, DSP(digital signal processor), DSP 코어, 제어기, 마이크로제어기, ASIC들(Application Specific Integrated Circuits), FPGA(Field Programmable Gate Array) 회로들, 임의의 다른 유형의 IC(integrated circuit) 및 상태 머신과 관련되는 하나 이상의 마이크로프로세서 중 적어도 하나 이상일 수 있다. 즉, 상술한 디바이스(1600)를 제어하기 위한 제어 역할을 수행하는 하드웨어적/소프트웨어적 구성일 수 있다.
이때, 프로세서(1603)는 본 발명의 다양한 필수 기능들을 수행하기 위해 메모리(1602)에 저장된 컴퓨터 실행가능한 명령어들을 실행할 수 있다. 일 예로, 프로세서(1603)는 신호 코딩, 데이터 처리, 전력 제어, 입출력 처리 및 통신 동작 중 적어도 어느 하나를 제어할 수 있다. 또한, 프로세서(1603)는 물리 계층, MAC 계층, 어플리케이션 계층들을 제어할 수 있다. 또한, 일 예로, 프로세서(1603)는 액세스 계층 및/또는 어플리케이션 계층 등에서 인증 및 보안 절차를 수행할 수 있으며, 상술한 실시예로 한정되지 않는다.
일 예로, 프로세서(1603)는 송수신부(1604)를 통해 다른 장치들과 통신을 수행할 수 있다. 일 예로, 프로세서(1603)는 컴퓨터 실행가능한 명령어들의 실행을 통해 노드가 네트워크를 통해 다른 노드들과 통신을 수행하게 제어할 수 있다. 즉, 본 발명에서 수행되는 통신이 제어될 수 있다. 일 예로, 다른 노드들은 NDN 서버, 콘텐츠 라우터 및 그 밖의 다른 디바이스들일 수 있다. 일 예로, 송수신부(1604)는 안테나를 통해 RF 신호를 전송할 수 있으며, 다양한 통신망에 기초하여 신호를 전송할 수 있다.
또한, 일 예로, 안테나 기술로서 MIMO 기술, 빔포밍 등이 적용될 수 있으며, 상술한 실시예로 한정되지 않는다. 또한, 송수신부(1604)를 통해 송수신한 신호는 변조 및 복조되어 프로세서(1603)에 의해 제어될 수 있으며, 상술한 실시 예로 한정되지 않는다.
본 개시의 다양한 실시 예는 모든 가능한 조합을 나열한 것이 아니고 본 개시의 대표적인 양상을 설명하기 위한 것이며, 다양한 실시 예에서 설명하는 사항들은 독립적으로 적용되거나 또는 둘 이상의 조합으로 적용될 수도 있다.

Claims (15)

  1. 재활운동 가이드 인공지능 모델 학습을 위한 전처리 데이터 구축 장치에서,
    환자의 차트 데이터를 입력받는 입력부;
    상기 차트 데이터를 저장하는 메모리; 및
    상기 차트 데이터를 상기 입력부를 통하여 획득하고,
    상기 차트 데이터를 상기 메모리에 저장하고,
    상기 차트 데이터를 스캐닝하고,
    스캐닝된 상기 차트 데이터로부터 특정 데이터를 추출하고,
    추출된 상기 특정 데이터를 미리 결정된 규칙에 기초하여 메모리에 저장하는 제어부를 포함하되,
    저장된 상기 특정 데이터는 재활운동 가이드 인공지능 모델 학습에 이용되는,
    재활운동 가이드 인공지능 모델 학습을 위한 전처리 데이터 구축 장치.
  2. 제 1 항에 있어서, 상기 제어부는,
    상기 차트 데이터에서 어깨 각도 정보를 포함하는 ROM 문자열을 추출하는,
    재활운동 가이드 인공지능 모델 학습을 위한 전처리 데이터 구축 장치.
  3. 제 2 항에 있어서, 상기 제어부는,
    상기 ROM 문자열 이후의 숫자를 순차적으로 어깨 각도 정보와 관련된 미리 결정된 값에 대응하는,
    재활운동 가이드 인공지능 모델 학습을 위한 전처리 데이터 구축 장치.
  4. 제 1 항에 있어서, 상기 제어부는,
    상기 차트 데이터에서 근력 관련 정도를 포함하는 MMT 문자열을 추출하는,
    재활운동 가이드 인공지능 모델 학습을 위한 전처리 데이터 구축 장치.
  5. 제 4 항에 있어서, 상기 제어부는,
    상기 추출된 MMT 문자열을 두 정보로 분리하는,
    재활운동 가이드 인공지능 모델 학습을 위한 전처리 데이터 구축 장치.
  6. 제 1 항에 있어서,
    그래픽 이미지를 디스플레이하는 디스플레이를 더 포함하고,
    상기 제어부는
    MRI 이미지를 상기 입력부를 통하여 획득하고,
    획득된 상기 MRI 이미지에서 미리 결정된 모양을 관심 영역(ROI)으로 결정하고,
    상기 디스플레이가 결정된 상기 관심 영역을 디스플레이하도록 제어하는,
    재활운동 가이드 인공지능 모델 학습을 위한 전처리 데이터 구축 장치.
  7. 제 1 항에 있어서, 상기 제어부는,
    상기 관심 영역과 상기 관심 영역에서 소정 거리 이격된 영역인 제 1 영역을 스캐닝하는,
    재활운동 가이드 인공지능 모델 학습을 위한 전처리 데이터 구축 장치.
  8. 제 7 항에 있어서, 상기 제어부는,
    상기 관심 영역과 상기 제 1 영역에 이격 포인트가 없으면, 수술 부위를 봉합이 잘된 케이스로 결정하는,
    재활운동 가이드 인공지능 모델 학습을 위한 전처리 데이터 구축 장치.
  9. 제 7 항에 있어서, 상기 제어부는,
    상기 관심 영역과 상기 제 1 영역에 이격 포인트가 있으면, 수술 부위를 파열된 케이스로 결정하는,
    재활운동 가이드 인공지능 모델 학습을 위한 전처리 데이터 구축 장치.
  10. 제 9 항에 있어서, 상기 제어부는,
    상기 디스플레이가 상기 이격 포인트를 다른 영역과 구분되도록 디스플레이하도록 제어하는,
    재활운동 가이드 인공지능 모델 학습을 위한 전처리 데이터 구축 장치.
  11. 재활운동 가이드 인공지능 모델 학습을 위한 전처리 데이터 구축 방법에서,
    환자의 차트 데이터를 상기 입력부를 통하여 획득하는 단계;
    상기 차트 데이터를 스캐닝하는 단계;
    스캐닝된 상기 차트 데이터로부터 특정 데이터를 추출하는 단계; 및
    추출된 상기 특정 데이터를 미리 결정된 규칙에 기초하여 메모리에 저장하는 단계를 포함하되,
    상기 특정 데이터는 재활운동 가이드 인공지능 모델 학습에 이용되는,
    재활운동 가이드 인공지능 모델 학습을 위한 전처리 데이터 구축 방법.
  12. 제 11 항에 있어서,
    상기 차트 데이터에서 어깨 각도 정보를 포함하는 ROM 문자열을 추출하는 단계; 및
    상기 ROM 문자열 이후의 숫자를 순차적으로 어깨 각도 정보와 관련된 미리 결정된 값에 대응하는 단계를 더 포함하는,
    재활운동 가이드 인공지능 모델 학습을 위한 전처리 데이터 구축 방법.
  13. 제 11 항에 있어서,
    상기 차트 데이터에서 근력 관련 정도를 포함하는 MMT 문자열을 추출하는 단계; 및
    상기 추출된 MMT 문자열을 두 정보로 분리하는 단계를 더 포함하는,
    재활운동 가이드 인공지능 모델 학습을 위한 전처리 데이터 구축 방법.
  14. 제 11 항에 있어서,
    MRI 이미지를 상기 입력부를 통하여 획득하는 단계;
    획득된 상기 MRI 이미지에서 미리 결정된 모양을 관심 영역(ROI)으로 결정하는 단계; 및
    디스플레이가 결정된 상기 관심 영역을 디스플레이하도록 제어하는 단계를 더 포함하는,
    재활운동 가이드 인공지능 모델 학습을 위한 전처리 데이터 구축 방법.
  15. 제 11 항에 있어서,
    상기 관심 영역과 상기 관심 영역에서 소정 거리 이격된 영역인 제 1 영역을 스캐닝하는 단계;
    상기 관심 영역과 상기 제 1 영역에 이격 포인트가 없으면, 수술 부위를 봉합이 잘된 케이스로 결정하는 단계;
    상기 관심 영역과 상기 제 1 영역에 이격 포인트가 있으면, 수술 부위를 파열된 케이스로 결정하는 단계; 및
    디스플레이가 상기 이격 포인트를 다른 영역과 구분되도록 디스플레이하도록 제어하는 단계를 더 포함하는,
    재활운동 가이드 인공지능 모델 학습을 위한 전처리 데이터 구축 방법.
PCT/KR2024/006053 2023-11-22 2024-05-03 재활운동 가이드 인공지능 모델 학습을 위한 전처리 데이터 구축 장치 및 그 제어 방법 Pending WO2025110375A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2023-0163616 2023-11-22
KR1020230163616A KR20250076199A (ko) 2023-11-22 2023-11-22 재활운동 가이드 인공지능 모델 학습을 위한 전처리 데이터 구축 장치 및 그 제어 방법

Publications (1)

Publication Number Publication Date
WO2025110375A1 true WO2025110375A1 (ko) 2025-05-30

Family

ID=95826728

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2024/006053 Pending WO2025110375A1 (ko) 2023-11-22 2024-05-03 재활운동 가이드 인공지능 모델 학습을 위한 전처리 데이터 구축 장치 및 그 제어 방법

Country Status (2)

Country Link
KR (1) KR20250076199A (ko)
WO (1) WO2025110375A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021002334A (ja) * 2019-06-20 2021-01-07 学校法人関西医科大学 骨関連事象を引き起こす可能性が高いハイリスク患者を提示するための方法、及び装置
KR20210108980A (ko) * 2018-12-24 2021-09-03 바디컴포지션테크놀로지스 피티와이 엘티디 신체 분석
KR20220003704A (ko) * 2020-07-02 2022-01-11 고려대학교 산학협력단 온톨로지 데이터베이스 기반의 룰 기반 알고리즘을 이용한 병원진단검사결과 정제 시스템
KR20220033213A (ko) * 2020-09-09 2022-03-16 히즈케어스 주식회사 마비장애인 재활을 위한 인공지능 맞춤형 운동제공 서비스 시스템 및 방법
KR20220060054A (ko) * 2020-11-03 2022-05-11 김세중 스마트 헬스케어 서비스 제공 방법 및 그를 위한 장치

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102936072B1 (ko) 2022-02-15 2026-03-09 한국전자통신연구원 인공지능을 이용한 재활 운동 추천 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210108980A (ko) * 2018-12-24 2021-09-03 바디컴포지션테크놀로지스 피티와이 엘티디 신체 분석
JP2021002334A (ja) * 2019-06-20 2021-01-07 学校法人関西医科大学 骨関連事象を引き起こす可能性が高いハイリスク患者を提示するための方法、及び装置
KR20220003704A (ko) * 2020-07-02 2022-01-11 고려대학교 산학협력단 온톨로지 데이터베이스 기반의 룰 기반 알고리즘을 이용한 병원진단검사결과 정제 시스템
KR20220033213A (ko) * 2020-09-09 2022-03-16 히즈케어스 주식회사 마비장애인 재활을 위한 인공지능 맞춤형 운동제공 서비스 시스템 및 방법
KR20220060054A (ko) * 2020-11-03 2022-05-11 김세중 스마트 헬스케어 서비스 제공 방법 및 그를 위한 장치

Also Published As

Publication number Publication date
KR20250076199A (ko) 2025-05-29

Similar Documents

Publication Publication Date Title
WO2022005090A1 (ko) 진단 결과를 제공하기 위한 방법 및 장치
WO2019132168A1 (ko) 수술영상데이터 학습시스템
WO2025041886A1 (ko) 인공 지능 기반 인지 및 언어 재활 훈련 세션의 동적 최적화 방법 및 이를 위한 장치
WO2021261808A1 (ko) 병변 판독 결과 표시 방법
WO2022173232A2 (ko) 병변의 발생 위험성을 예측하는 방법 및 시스템
CN115909458B (zh) 一种基于样本级对比学习的人脸识别方法
WO2021210796A1 (ko) 의료영상 판독을 위한 인공지능 기반의 클라우드 플랫폼 시스템
WO2021153858A1 (ko) 비정형 피부질환 영상데이터를 활용한 판독보조장치
WO2020159241A1 (ko) 이미지를 처리하기 위한 방법 및 그에 따른 장치
WO2021210797A1 (ko) 의료영상 판독을 위한 인공지능 기반의 클라우드 플랫폼 시스템
WO2023136388A1 (ko) 관절의 상태를 예측 및 진단할 수 있는 서비스 제공 시스템 및 그 방법
WO2021246625A1 (ko) 개별 레이어의 예상 실행시간이 표시되는 의료영상 판독을 위한 인공지능 기반의 클라우드 플랫폼 시스템
WO2023058982A1 (ko) 전자 장치 및 이의 제어 방법
WO2025037772A1 (ko) 상담 데이터 기반 환자 상태 예측 llm 모델 구현 장치 및 그 제어 방법
WO2021149890A1 (ko) 사용자의 개인 모델을 학습하는 전자 장치 및 그 동작 방법
WO2025023801A1 (ko) 의료 영상 분할 방법 및 이를 수행하는 장치
WO2024123021A1 (ko) 앙상블 모델 기반의 조기 위암 림프절 전이를 예측하는 전자 장치 및 그의 학습 방법
KR20250076199A (ko) 재활운동 가이드 인공지능 모델 학습을 위한 전처리 데이터 구축 장치 및 그 제어 방법
WO2019059460A1 (ko) 영상 처리 장치 및 방법
WO2020159036A1 (ko) 영상 시퀀스에 대한 캡션 정보를 생성하는 전자 장치 및 그 동작 방법
WO2025143331A1 (ko) 객체 인식을 위한 확률적 비 최대 억제(nms) 방법 및 이를 적용한 장치
WO2025192776A1 (ko) 인공지능 모델을 기반으로 조기위암에서 절제 전 림프절 전이 위험도를 예측하기 위한 진단 보조 장치 및 방법
WO2025033663A1 (ko) 증강 현실 기반의 재활 훈련 제공 장치 및 방법
WO2026014695A1 (ko) 이미지 분석 기반의 골프 스윙 분석 장치 및 이의 제어 방법
WO2024101875A1 (ko) 인공지능 기반의 임상시험 영상 자동 표준화 장치, 방법 및 프로그램

Legal Events

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

Ref document number: 24894272

Country of ref document: EP

Kind code of ref document: A1