[go: up one dir, main page]

KR102150682B1 - 특이점 분류 장치 및 분류 방법 - Google Patents

특이점 분류 장치 및 분류 방법 Download PDF

Info

Publication number
KR102150682B1
KR102150682B1 KR1020190096992A KR20190096992A KR102150682B1 KR 102150682 B1 KR102150682 B1 KR 102150682B1 KR 1020190096992 A KR1020190096992 A KR 1020190096992A KR 20190096992 A KR20190096992 A KR 20190096992A KR 102150682 B1 KR102150682 B1 KR 102150682B1
Authority
KR
South Korea
Prior art keywords
information
unit
classification
patch
medical image
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.)
Active
Application number
KR1020190096992A
Other languages
English (en)
Inventor
최우식
김태규
이호
박무성
Original Assignee
주식회사 딥노이드
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 딥노이드 filed Critical 주식회사 딥노이드
Priority to KR1020190096992A priority Critical patent/KR102150682B1/ko
Application granted granted Critical
Publication of KR102150682B1 publication Critical patent/KR102150682B1/ko
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus, e.g. for MRI, optical tomography or impedance tomography apparatus; Arrangements of imaging apparatus in a room
    • 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
    • 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]
    • A61B6/032—Transmission computed tomography [CT]
    • 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]
    • A61B6/037—Emission tomography

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Radiology & Medical Imaging (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Optics & Photonics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Pulmonology (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

분류 장치가 제공된다. 상기 분류 장치는 신체 내부를 촬영한 의료 영상에서 병변(lesion)으로 추정되는 제1 정보를 탐색하는 제1 유니트; 상기 의료 영상에서 상기 제1 정보의 병변 여부 판단에 영향을 주는 제2 정보를 추출하는 제2 유니트; 상기 제2 정보를 이용해서 상기 제1 정보를 분류하는 분류 유니트;를 포함할 수 있다.

Description

특이점 분류 장치 및 분류 방법{APPARATUS AND METHOD FOR CLASSIFYING SINGULARITY}
본 발명은 신체 장기의 일면에 돌출되거나 함몰된 특이점을 복수의 종류로 분류하는 장치 및 방법에 관한 것이다.
폐 결절(Solitary Pulmonary Nodule)은 폐 내부에 생긴 지름 3cm 이하의 작은 구상 병변이다. 보통 1개만 있어서 고립성 폐결절이라고도 한다. 병변의 크기가 지름 3cm를 초과할 때는 결절이 아닌, 종양 또는 혹이라고 부른다.
보통 무증상인 관계로 건강검진시 흉부 X선이나 CT 촬영을 통해 발견된다. 최근에는 CT가 보편화되면서 이전에는 발견되지 못했던 1cm 이하의 간유리음영(ground-glass opacity)을 보이는 병변도 고립성 폐결절에 준하여 임상적인 접근을 하고 있다.
한국등록특허공고 제1887194호에는 피검체의 흉부 영상이 입력되면 딥 러닝 모델에 기초하여 흉부 영상을 판독하는 내용이 나타나 있다.
한국등록특허공고 제1887194호
본 발명은 폐 결절과 같이 장기에 생성된 병변 등을 진단하는 기반이 되는 분류 장치 및 분류 방법을 제공하기 위한 것이다.
본 발명의 분류 장치는 신체 내부를 촬영한 의료 영상에서 병변(lesion)으로 추정되는 제1 정보를 탐색하는 제1 유니트; 상기 의료 영상에서 상기 제1 정보의 병변 여부 판단에 영향을 주는 제2 정보를 추출하는 제2 유니트; 상기 제2 정보를 이용해서 상기 제1 정보를 분류하는 분류 유니트;를 포함할 수 있다.
본 발명의 분류 방법은 의료 영상에서 결절로 추정되는 특이점을 탐색하고, 혈관에 대한 상기 특이점의 위치 정보 또는 흉막에 대한 상기 특이점의 위치 정보를 이용해서 상기 특이점을 복수 종류로 분류할 수 있다.
본 발명의 분류 방법은 의료 영상에서 결절로 추정되는 특이점이 포함된 조각 영상에 해당하는 패치를 추출하고, 혈관에 대한 상기 특이점의 위치 정보를 상기 패치에 추가하거나, 흉막에 대한 상기 특이점의 위치 정보를 상기 패치에 추가할 수 있다.
본 발명의 분류 방법은 흉부의 의료 영상을 획득하는 획득 단계; 상기 의료 영상에 포함된 폐에서 결절로 추정되는 특이점이 포함된 설정 사이즈의 패치를 추출하는 제1 추출 단계; 상기 의료 영상에 포함된 상기 폐의 경계선을 추출하거나, 상기 폐의 혈관을 추출하는 제2 추출 단계; 상기 특이점과 상기 경계선 간의 제1 위치 관계 또는 상기 특이점과 상기 혈관 간의 제2 위치 관계를 이용해서 상기 패치를 복수 종류로 분류하는 분류 단계;를 포함할 수 있다.
본 발명의 분류 장치 및 분류 방법은 다양한 방법으로 촬영된 의료 영상에 포함된 특이점을 복수 종류로 분류할 수 있다. 이때, 특이점은 흉막 또는 혈관에 대한 위치 정보에 기초해서 분류될 수 있다.
특이점의 분류 정보는 특이점과 함께 의료진에게 제공되거나 자동으로 병변을 진단하는데 이용될 수 있다.
특이점을 자동 진단하는 알고리즘 또는 진단 모델은 흉막 또는 혈관에 대한 특이점의 인접 여부에 따라 처리 속도와 처리 정확도에서 큰 차이를 보일 수 있다. 따라서, 해당 인접 여부에 맞춰 전문적인 알고리즘, 진단 모델이 각각 마련되는 것이 바람직하다. 그러나, 아직까지 인접 여부를 파악할 수 있는 기반이 되는 기술조차 마련되지 않은 실정으로, 본 발명은 특이점의 자동 진단 분야에서 기반이 되는 기술을 제공할 수 있다.
본 발명의 분류 장치는 제1 정보를 얻고자 촬영된 의료 영상 또는 다른 의료 영상에서 제1 정보와 다른 제2 정보를 추가로 획득할 수 있다. 이때의 제2 정보는 제1 정보의 자동 진단에 영향을 미치는 정보를 포함할 수 있다.
본 발명의 분류 장치는 제2 정보를 이용해서 제1 정보를 분류할 수 있다.
제2 정보를 이용해 분류된 제1 정보를 이용하면, 제2 정보의 상황에 최적화된 제1 정보의 진단 모델의 생성이 가능하다. 해당 진단 모델이 마련된 후에는 해당 진단 모델에 대해 제2 정보의 상황으로 분류된 제1 정보가 제공될 수 있는 기반이 마련될 수 있다.
본 발명에 따르면, 폐 결절의 진단 과정에서 기존에 고려되지 못한 흉막의 위치 정보 또는 혈관의 위치 정보가 추가되므로, 신속하고 정확한 폐 결절의 진단이 가능하다.
도 1은 본 발명의 분류 장치를 나타낸 개략도이다.
도 2는 결절의 종류를 나타낸 사진이다.
도 3은 제1 유니트를 나타낸 개략도이다.
도 4는 제2 유니트를 나타낸 개략도이다.
도 5는 본 발명의 분류 방법을 나타낸 흐름도이다.
도 6은 본 발명의 실시예에 따른, 컴퓨팅 장치를 나타내는 도면이다.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본 명세서에서, 동일한 구성요소에 대해서 중복된 설명은 생략한다.
또한 본 명세서에서, 어떤 구성요소가 다른 구성요소에 '연결되어' 있다거나 '접속되어' 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에 본 명세서에서, 어떤 구성요소가 다른 구성요소에 '직접 연결되어' 있다거나 '직접 접속되어' 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
또한, 본 명세서에서 사용되는 용어는 단지 특정한 실시예를 설명하기 위해 사용되는 것으로써, 본 발명을 한정하려는 의도로 사용되는 것이 아니다.
또한 본 명세서에서, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다.
또한 본 명세서에서, '포함하다' 또는 '가지다' 등의 용어는 명세서에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품, 또는 이들을 조합한 것이 존재함을 지정하려는 것일 뿐, 하나 또는 그 이상의 다른 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 할 것이다.
또한 본 명세서에서, '및/또는' 이라는 용어는 복수의 기재된 항목들의 조합 또는 복수의 기재된 항목들 중의 어느 항목을 포함한다. 본 명세서에서, 'A 또는 B'는, 'A', 'B', 또는 'A와 B 모두'를 포함할 수 있다.
또한 본 명세서에서, 본 발명의 요지를 흐리게 할 수 있는 공지 기능 및 구성에 대한 상세한 설명은 생략될 것이다.
도 1은 본 발명의 분류 장치를 나타낸 개략도이다.
도 1에 도시된 분류 장치는 획득 유니트(10), 제1 유니트(100), 제2 유니트(200), 분류 유니트(300), 진단 유니트(400)를 포함할 수 있다.
획득 유니트(10)는 신체 내부의 장기를 촬영한 의료 영상을 획득할 수 있다. 획득 유니트(10)에는 의료 영상을 촬영하는 촬영 수단이 마련되거나, 외부 촬영 수단으로부터 의료 영상을 전달받는 유무선 통신 수단이 마련될 수 있다.
신체 내부의 장기는 환자의 내장 기관을 의미할 수 있다. 형태적, 기능적으로 공통성이 있으며, 상호보완적으로 작용하는 기관으로부터 이루어지는 계를 기관계라고 한다. 특히, 소화기계, 호흡기계, 비뇨생식기계, 내분비계를 합쳐 내장계라고 하기도 한다. 장기에는 각종 요인에 의해 결절, 종양, 상처 등의 특이점이 발생될 수 있다. 해당 특이점은 장기의 일면 표면에 돌출 형성되거나 함몰 형성될 수 있다. 또는 해당 특이점은 장기의 내부 공간 또는 내부에 덩어리 형태로 형성될 수 있다.
의료 영상은 CT(computed tomography), MRI(magnetic resonance imaging), X-Ray, PET(positron emission tomography) 등을 통해 생성될 수 있다. 의료 영상은 환자의 신체 내부의 장기를 타겟으로 촬영된 것으로, 장기를 나타내는 이미지가 포함될 수 있다. 의료 영상을 분석하면, 각종 특이점이 파악될 수 있다. 예를 들어 CT 영상에 표시된 폐의 이미지를 분석해서 폐 결절을 검출하는 딥러닝 모델이 존재할 수 있다. 폐 결절의 검출은 결절의 종류에 따라 검출 난이도 및 성능면에서 큰 차이가 나타날 수 있다.
도 2는 결절의 종류를 나타낸 사진이다.
도 2와 같이 결절의 종류는 위치 기준으로 폐 영역 내부의 원형으로 된 결절 ①(well-circumscribed nodule), 혈관과 붙어 있는 결절 ②(juxta-vascular nodule), 흉막과 가늘게 연결된 결절 ③(nodule with a pleural tail), 흉막에 붙어 있는 결절 ④(juxta-pleural nodule)와 같이 총 4가지로 분류될 수 있다.
결절은 종류에 따라 결절의 형태, 복셀(voxel)값(intensity)이 등이 상이할 수 있다.
결절 ①은 원형이며 주변 영역과 복셀값 차이가 커서 검출 및 분류가 매우 용이할 수 있다.
결절 ②는 혈관에 인접하여 혈관과 혼동될 우려가 있다. 또한, 결절 ②는 혈관의 복셀값과 유사하므로 검출 및 분류가 어려울 수 있다.
결절 ③은 흉막에 인접해 있지만 대부분의 영역이 흉막으로부터 이격되어 있으므로 검출 및 분류가 용이할 수 있다.
결절 ④는 흉막에 붙어있어 형태가 일정하지 않으며, 흉막의 복셀값과 유사하므로 검출 및 분류가 매우 어려울 수 있다.
이와 같이, 결절의 종류에 따라 검출 및 분류 난이도가 다름에도 불구하고 폐 결절 검출/진단 모델이 모든 종류의 결절을 구분하지 않고 일괄적으로 적용된다면, 속도, 정확도 면에서 큰 문제가 발생될 수밖에 없다. 속도 문제와 정확도 문제로 인해 폐 결절 등과 같은 장기의 특이점에 대한 자동 진단 모델의 도입이 미비한 실정이다. 따라서, 장기의 특이점을 자동으로 진단하는 시스템의 개발에 선행하여, 자동 진단에 적절하게 결절을 분류할 수 있는 방안이 마련되는 것이 좋다. 해당 방안은 획득 유니트(10), 제1 유니트(100), 제2 유니트(200), 분류 유니트(300), 진단 유니트(400)에 의해 제공될 수 있다.
제1 유니트(100) 및 제2 유니트(200)는 공통의 단일 의료 영상을 분석할 수 있다. 다른 예로, 제1 유니트(100) 및 제2 유니트(200)는 서로 다른 의료 영상을 분석할 수 있다. 일 예로, 장기의 결절은 일반 CT 촬영 이미지를 통해 파악될 수 있다. 반면, 혈관은 조영제를 사용하는 조영술 이미지를 통해 파악될 수 있다.
제1 유니트(100)와 제2 유니트(200)가 동일 환자를 전제로 서로 다른 의료 영상을 이용하는 경우, 획득 유니트(10)는 서로 다른 복수의 의료 영상을 정규화 또는 동기화할 수 있다. 제1 유니트(100)가 제1 영상을 사용하고 제2 유니트(200)가 제2 영상을 사용하는 경우, 획득 유니트(10)는 제1 영상에 표시된 신체 영역에 제2 영상의 신체 영역이 일치되도록, 제1 영상 또는 제2 영상의 사이즈, 위치, 각도, 좌표 등을 조절할 수 있다.
획득 유니트(10)로 인해, 제2 유니트(200)는 제1 정보의 분류에 도움이 되는 다양한 제2 정보를 문제없이 획득할 수 있다.
제1 유니트(100)는 신체 내부를 촬영한 의료 영상에서 병변(lesion)으로 추정되는 제1 정보를 탐색할 수 있다. 제1 정보는 장기의 내벽면 등과 같은 경계선에 돌출되거나 함몰된 특이점, 장기의 내부 공간 또는 내부에 형성된 덩어리 형상의 특이점을 포함할 수 있다. 제1 정보에 순수하게 특이점만 포함되는 것보다는 주변의 정상적인 장기가 일부 포함되는 것이 병변의 파악에 유리할 수 있다. 제1 정보는 특이점 및 특이점의 주변 일부가 함께 구비된 이미지 정보에 해당하는 패치 p를 포함할 수 있다.
제1 유니트(100)는 제1 정보의 탐색시 패치의 위치 정보 또는 특이점의 위치 정보를 추가로 파악할 수 있다. 특이점의 위치 정보 등은 제1 정보에 추가될 수 있다. 이 경우, 제1 정보는 특이점의 이미지 정보와 위치 정보를 함께 포함할 수 있다. 제1 유니트(100)는 의료 영상에 포함된 장기의 영역에서 제1 정보에 해당하는 설정 사이즈의 패치 p를 추출할 수 있다.
제2 유니트(200)는 의료 영상에서 제1 정보의 병변 여부 판단에 영향을 주는 제2 정보를 추출할 수 있다. 예를 들어, 폐 결절의 경우, 제1 정보는 결절로 추정되는 특이점을 포함할 수 있다. 이때, 해당 특이점이 실제의 결절인지 정확하게 진단하기 위해서는 해당 결절이 단독으로 존재하는지, 혈관이나 흉막에 붙어있는지 등이 고려되는 것이 좋다. 이 경우, 결절의 정확한 진단에 영향을 주는 혈관에 대한 특이점의 위치 관계나 흉막에 대한 특이점의 위치 관계가 제2 정보에 해당될 수 있다. 제2 유니트(200)는 의료 영상에 포함된 장기의 경계선 또는 장기의 혈관을 추출할 수 있다.
분류 유니트(300)는 제1 유니트(100)로부터 제1 정보를 전달받고, 제2 유니트(200)로부터 제2 정보를 전달받을 수 있다. 제1 정보와 제2 정보가 획득되면, 분류 유니트(300)는 제2 정보를 이용해서 제1 정보를 분류할 수 있다. 예를 들어, 분류 유니트(300)는 패치 p 내의 특이점의 위치 정보를 추출할 수 있다. 분류 유니트(300)는 특이점과 경계선 간의 제1 거리, 특이점과 혈관 간의 제2 거리 중 적어도 하나에 따라 패치를 분류할 수 있다.
분류 유니트(300)는 제1 정보의 분류 결과에 해당하는 분류 정보를 생성할 수 있다. 분류 유니트(300)는 제1 정보에 분류 정보를 추가하고, 분류 정보가 추가된 제1 정보를 진단 유니트(400)에 제공할 수 있다.
제1 유니트(100)가 의료 영상에 포함된 폐의 영역에서 설정 사이즈의 패치 p를 추출하고, 제2 유니트(200)가 의료 영상에 포함된 폐의 경계선 및 폐의 혈관을 추출하는 상황을 가정한다. 이때, 분류 유니트(300)는 패치 내에서 결절로 추정되는 특이점의 위치 정보를 추출할 수 있다.
분류 유니트(300)는 특이점의 위치 정보, 경계선, 혈관을 이용하여 제1 종류, 제2 종류, 제3 종류, 제4 종류 중 적어도 하나로 패치를 분류할 수 있다. 하나의 특이점에 대해 복수 종류가 적용될 수도 있다. 분류 유니트(300)는 분류 정보를 패치에 추가할 수 잇다.
일 예로, 혈관에 대해 특이점이 설정 거리 이내에 존재하는 경우, 분류 유니트(300)는 제1 정보에 분류 정보 '1'을 추가할 수 있다. 분류 정보 '1'의 추가는 해당 제1 정보가 결절 ②로 분류된 것을 의미할 수 있으며, 특이점이 혈관에 인접한 경우를 나타내는 제1 종류를 나타낼 수 있다.
흉막에 대해 특이점이 이격된 상태에서 설정 거리 이내에 존재하는 경우, 분류 유니트(300)는 제1 정보에 분류 정보 '2'를 추가할 수 있다. 분류 정보 '2'의 추가는 해당 제1 정보가 결절 ③으로 분류된 것을 의미할 수 있으며, 특이점이 흉막에 인접한 경우를 나타내는 제2 종류를 나타낼 수 있다.
흉막에 특이점이 붙어있는 경우, 분류 유니트(300)는 제1 정보에 분류 정보 '3'을 추가할 수 있다. 분류 정보 '3'의 추가는 해당 제1 정보가 결절 ③으로 분류된 것을 의미할 수 있으며, 특이점이 흉막에 붙어있는 제3 종류를 나타낼 수 있다.
나머지 경우, 분류 유니트(300)는 제1 정보에 분류 정보 '4'를 추가할 수 있다. 분류 정보 '4'의 추가는 해당 제1 정보가 결절 ①로 분류된 것을 의미할 수 있으며, 제4 종류를 나타낼 수 있다.
진단 유니트(400)는 제1 정보의 병변 여부를 판단할 수 있다. 제1 정보는 병변으로 추정되는 특이점을 포함할 수 있다. 이때, 특이점이 실제의 병변인지 여부가 진단 유니트(400)에 의해 진단될 수 있다. 특이점의 병변 여부를 자동으로 판단하기 위해 진단 유니트(400)는 수많은 기계 학습을 통해 도출된 진단 모델을 이용할 수 있다.
진단 유니트(400)에는 제1 정보의 병변 여부를 판단하는 복수의 진단부가 종류별로 마련될 수 있다.
진단 유니트(400)는 분류 유니트(300)에 의해 분류된 제1 정보의 종류에 매칭되는 특정 진단부를 이용해서 제1 정보의 병변을 판단할 수 있다.
일 예로, 진단 유니트(400)에는 제1 진단부, 제2 진단부, 제3 진단부, 제4 진단부가 마련될 수 있다.
진단 유니트(400)는 제1 정보에서 제1 분류 정보 '1'이 검출되면 해당 제1 정보를 제1 진단부에 제공할 수 있다.
제1 진단부는 제1 진단 모델을 이용해서 제1 정보에 포함된 특이점의 병변 여부를 판단할 수 있다. 제1 진단 모델은 제1 분류 정보 '1'이 포함된 제1 정보만을 가지고 기계 학습된 결과물에 해당될 수 있다. 제1 진단 모델은 제1 분류 정보 '1'이 포함된 제1 정보만을 전문적으로 진단하기 위한 수학적 진단 모델에 해당될 수 있다.
제1 진단 모델을 이용해서 제1 분류 정보가 포함된 제1 정보가 분석되면, 분석 시간 및 분석 정확도가 대폭 개선될 수 있다. 폐 결절의 경우, 결절 ②가 대상이 될 수 있다.
진단 유니트(400)는 제1 정보에서 제2 분류 정보 '2'가 검출되면 해당 제1 정보를 제2 진단부에 제공할 수 있다.
제2 진단부는 제2 진단 모델을 이용해서 제1 정보에 포함된 특이점의 병변 여부를 판단할 수 있다. 제2 진단 모델은 제2 분류 정보 '2'가 포함된 제1 정보만을 가지고 기계 학습된 결과물에 해당될 수 있다. 제2 진단 모델은 제2 분류 정보 '2'가 포함된 제1 정보만을 전문적으로 진단하기 위한 수학적 진단 모델에 해당될 수 있다.
제2 진단 모델을 이용해서 제2 분류 정보가 포함된 제1 정보가 분석되면, 분석 시간 및 분석 정확도가 대폭 개선될 수 있다. 폐 결절의 경우, 결절 ③이 대상이 될 수 있다.
진단 유니트(400)는 제1 정보에서 제3 분류 정보 '3'이 검출되면 해당 제1 정보를 제3 진단부에 제공할 수 있다.
제3 진단부는 제3 진단 모델을 이용해서 제1 정보에 포함된 특이점의 병변 여부를 판단할 수 있다. 제3 진단 모델은 제3 분류 정보 '3'이 포함된 제1 정보만을 가지고 기계 학습된 결과물에 해당될 수 있다. 제3 진단 모델은 제3 분류 정보 '3'이 포함된 제1 정보만을 전문적으로 진단하기 위한 수학적 진단 모델에 해당될 수 있다.
제3 진단 모델을 이용해서 제3 분류 정보가 포함된 제1 정보가 분석되면, 분석 시간 및 분석 정확도가 대폭 개선될 수 있다. 폐 결절의 경우, 결절 ④가 대상이 될 수 있다.
진단 유니트(400)는 제1 정보에서 제4 분류 정보 '4'가 검출되면 해당 제1 정보를 제4 진단부에 제공할 수 있다.
제4 진단부는 제4 진단 모델을 이용해서 제1 정보에 포함된 특이점의 병변 여부를 판단할 수 있다. 제4 진단 모델은 제4 분류 정보 '4'가 포함된 제1 정보만을 가지고 기계 학습된 결과물에 해당될 수 있다. 제4 진단 모델은 제4 분류 정보 '4'가 포함된 제1 정보만을 전문적으로 진단하기 위한 수학적 진단 모델에 해당될 수 있다.
제4 진단 모델을 이용해서 제4 분류 정보가 포함된 제1 정보가 분석되면, 분석 시간 및 분석 정확도가 대폭 개선될 수 있다. 폐 결절의 경우, 결절 ①이 대상이 될 수 있다.
제1 정보에 영향을 미치는 제2 정보는 제1 정보에 따라 결정될 수 있다. 예를 들어, 제1 정보가 폐 결절인 경우, 제1 정보의 진단에 영향을 미치는 제2 정보는 폐의 경계선 또는 폐의 혈관을 포함할 수 있다. 이때, 제1 유니트(100) 및 제2 유니트(200)는 의료 영상에 포함된 폐의 이미지를 대상으로 동작할 수 있다.
도 3은 제1 유니트(100)를 나타낸 개략도이고, 도 4는 제2 유니트(200)를 나타낸 개략도이다.
제1 유니트(100)는 폐 결절로 추정되는 특이점을 탐색할 수 있다.
제2 유니트(200)는 폐의 경계선 또는 폐의 혈관을 추출할 수 있다. 의료 영상 상으로 폐의 경계선은 폐의 내벽면 또는 외벽면을 나타낼 수 있다. 이때, 폐의 내벽면 또는 외벽면은 폐의 흉막에 해당될 수 있다.
분류 유니트(300)는 경계선을 기준으로 특이점의 위치를 결정할 수 있다. 또는, 분류 유니트(300)는 혈관을 기준으로 특이점의 위치를 결정할 수 있다.
서로 직교하는 x축, y축, z축에 의해 형성된 3차원 공간에서 분류 유니트(300)는 경계선 또는 혈관을 기준으로 특이점의 x축 좌표, y축 좌표, z축 좌표를 파악할 수 있다. 분류 유니트(300)는 경계선 또는 혈관을 기준으로 하는 특이점의 위치 정보를 이용해서 특이점을 분류할 수 있다.
제1 정보를 탐색하기 위해, 제1 유니트(100)에는 제1 마스킹부(110), 영역 추출부(130), 패치 추출부(150)가 마련될 수 있다.
제1 마스킹부(110)는 의료 영상에 포함된 장기의 영역에 대한 제1 바이너리 마스크를 생성할 수 있다. 일 예로, 제1 마스킹부(110)는 장기의 내부를 제1 값 '1'(투명 상태, 도면에서는 하얗게 표시)로 처리하고, 장기의 외부를 제2 값 '0'(불투명 상태, 도면에서는 검게 표시)으로 처리한 제1 바이너리 마스크 m1을 추출할 수 있다.
영역 추출부(130)는 제1 바이너리 마스크 m1을 이용해서 의료 영상으로부터 장기의 영역을 추출할 수 있다. 일 예로, 영역 추출부(130)는 의료 영상에 제1 바이너리 마스크 m1을 씌우는 윈도우 처리를 통해 장기의 내부 이미지만 포함된 장기의 영역을 추출할 수 있다. 해당 윈도우 처리를 통해 장기의 영역만 포함된 영역 영상 i1이 획득될 수 있다.
패치 추출부(150)는 장기의 영역(의료 영상에서 타겟으로 하는 장기가 차지하는 영역)에서 제1 정보에 해당하는 설정 사이즈의 패치 p를 추출할 수 있다. 의료 영상이 3차원 공간의 데이터를 포함하는 경우, 패치 p는 는 특이점을 내부에 포함하는 육면체 등의 다면체 형상 또는 폐곡면 형상으로 형성될 수 있다.
제2 유니트(200)는 의료 영상에 포함된 장기의 경계선 또는 장기의 혈관에 대한 바이너리 마스크를 생성하고, 바이너리 마스크를 이용해서 경계선의 위치 또는 혈관의 위치를 특정할 수 있다. 경계선의 위치가 특정되거나 혈관의 위치가 특정되면, 경계선이나 혈관을 기준으로 특이점의 위치가 정의될 수 있다.
구체적으로, 제2 유니트(200)에는 제2 마스킹부(210, 230)가 마련될 수 있다. 제2 마스킹부는 경계선 마스킹부(210), 혈관 마스킹부(230)를 포함할 수 있다.
경계선 마스킹부(210)는 의료 영상에 포함된 장기의 경계선에 대한 제2 바이너리 마스크 m2를 생성할 수 있다. 일 예로, 경계선 마스킹부(210)는 의료 영상을 이용해서 장기의 에지(edge)에 제1 값이 마스킹되고 나머지 영역에 제2 값이 마스킹된 제2 바이너리 마스크 m2를 추출할 수 있다. 제2 바이너리 마스크에서 제1 값은 '1'로, 투명 상태일 수 있다. 제2 바이너리 마스크에서 제2 값은 '0'으로, 불투명 상태일 수 있다.
경계선 마스킹부(210)는 제2 바이너리 마스크 m2를 이용해 설정 두께의 경계선을 추출할 수 있다. 예를 들어, 경계선 마스킹부(210)는 의료 영상에 제2 바이너리 마스크 m2를 씌우는 윈도우 처리를 통해 경계선을 추출할 수 있다.
혈관 마스킹부(230)는 의료 영상에 포함된 장기의 혈관 b에 대한 제3 바이너리 마스크 m3를 생성할 수 있다. 일 예로, 혈관 마스킹부(230)는 의료 영상을 이용해서 혈관(이미지) b에 제1 값이 마스킹되고 나머지 영역에 제2 값이 마스킹된 제3 바이너리 마스크 m3를 추출할 수 있다. 제3 바이너리 마스크 m3에서 제1 값은 '1'로, 투명 상태일 수 있다. 제3 바이너리 마스크 m3에서 제2 값은 '0'으로, 불투명 상태일 수 있다.
혈관 마스킹부(230)는 제3 바이너리 마스크 m3를 이용해 혈관을 추출할 수 있다. 예를 들어, 혈관 마스킹부(230)는 의료 영상에 제3 바이너리 마스크 m3를 씌우는 윈도우 처리를 통해 혈관을 추출할 수 있다.
본 발명의 분류 방법은 도 1에 도시된 분류 장치의 동작으로 설명될 수 있다. 분류 장치는 의료 영상에서 결절로 추정되는 특이점을 탐색하고, 혈관에 대한 특이점의 위치 정보 또는 흉막에 대한 특이점의 위치 정보를 이용해서 특이점을 복수 종류로 분류할 수 있다. 다른 관점에서 살펴보면, 분류 장치는 의료 영상에서 결절로 추정되는 특이점이 포함된 조각 영상에 해당하는 패치를 추출하고, 혈관에 대한 특이점의 위치 정보를 패치에 추가하거나, 흉막에 대한 특이점의 위치 정보를 패치에 추가할 수 있다.
도 5는 본 발명의 분류 방법을 나타낸 흐름도이다.
본 발명의 분류 방법은 획득 단계(S 510), 제1 추출 단계(S 520), 제2 추출 단계(S 530), 분류 단계(S 540), 진단 단계(S 550)를 포함할 수 있다.
획득 단계(S 510)에서, 흉부의 의료 영상이 획득될 수 있다(S 510). 획득 유니트(10)에 의해 수행되는 동작일 수 있다. 필요한 경우, 획득 유니트(10)는 의료 영상을 설정 사이즈로 리사이징하거나 정규화할 수 있다. 복수의 의료 영상이 입수되는 경우, 복수의 영상을 동기화시킬 수 있다. 이때의 '동기화'는 사이즈를 동일하게 맞추고, 좌표를 맞추어 서로 겹쳤을 때 서로 간의 장기가 일치하게끔 하는 것을 의미할 수 있다.
제1 추출 단계(S 520)에서, 의료 영상에 포함된 폐에서 결절로 추정되는 특이점이 포함된 설정 사이즈의 패치가 추출될 수 있다. 제1 유니트(100)에 의해 수행되는 동작일 수 있다.
제2 추출 단계(S 530)에서, 의료 영상에 포함된 폐의 경계선(이미지)이 추출되거나, 폐의 혈관(이미지)이 추출될 수 있다. 제2 유니트(200)에 의해 수행될 수 있다.
분류 단계(S 540)에서, 특이점과 경계선 간의 제1 위치 관계 또는 특이점과 혈관 간의 제2 위치 관계를 이용해서 패치가 복수 종류로 분류될 수 있다. 분류 유니트(300)에 의해 수행될 수 있다. 분류 단계(S 540)에서 이루어지는 패치의 분류는 제1 위치 관계 또는 제2 위치 관계가 패치에 추가되는 것일 수 있다. 패치를 이용해 특이점의 병변 여부를 판단하는 진단 유니트(400)가 마련될 수 있다. 이때, 제1 위치 관계와 제2 위치 관계는 진단 유니트(400)와 약속된 형식에 맞춰서 패치에 추가될 수 있다.
진단 단계(S 550)에서, 종류별로 마련된 진단 모델을 적용하여 각 패치에 포함된 특이점의 병변 여부가 판단될 수 있다. 진단 유니트(400)에 의해 수행될 수 있다.
도 6은 본 발명의 실시예에 따른, 컴퓨팅 장치를 나타내는 도면이다. 도 6의 컴퓨팅 장치(TN100)는 본 명세서에서 기술된 장치(예, 분류 장치 등) 일 수 있다.
도 6의 실시예에서, 컴퓨팅 장치(TN100)는 적어도 하나의 프로세서(TN110), 송수신 장치(TN120), 및 메모리(TN130)를 포함할 수 있다. 또한, 컴퓨팅 장치(TN100)는 저장 장치(TN140), 입력 인터페이스 장치(TN150), 출력 인터페이스 장치(TN160) 등을 더 포함할 수 있다. 컴퓨팅 장치(TN100)에 포함된 구성 요소들은 버스(bus)(TN170)에 의해 연결되어 서로 통신을 수행할 수 있다.
프로세서(TN110)는 메모리(TN130) 및 저장 장치(TN140) 중에서 적어도 하나에 저장된 프로그램 명령(program command)을 실행할 수 있다. 프로세서(TN110)는 중앙 처리 장치(CPU: central processing unit), 그래픽 처리 장치(GPU: graphics processing unit), 또는 본 발명의 실시예에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다. 프로세서(TN110)는 본 발명의 실시예와 관련하여 기술된 절차, 기능, 및 방법 등을 구현하도록 구성될 수 있다. 프로세서(TN110)는 컴퓨팅 장치(TN100)의 각 구성 요소를 제어할 수 있다.
메모리(TN130) 및 저장 장치(TN140) 각각은 프로세서(TN110)의 동작과 관련된 다양한 정보를 저장할 수 있다. 메모리(TN130) 및 저장 장치(TN140) 각각은 휘발성 저장 매체 및 비휘발성 저장 매체 중에서 적어도 하나로 구성될 수 있다. 예를 들어, 메모리(TN130)는 읽기 전용 메모리(ROM: read only memory) 및 랜덤 액세스 메모리(RAM: random access memory) 중에서 적어도 하나로 구성될 수 있다.
송수신 장치(TN120)는 유선 신호 또는 무선 신호를 송신 또는 수신할 수 있다. 송수신 장치(TN120)는 네트워크에 연결되어 통신을 수행할 수 있다.
한편, 본 발명의 실시예는 지금까지 설명한 장치 및/또는 방법을 통해서만 구현되는 것은 아니며, 본 발명의 실시예의 구성에 대응하는 기능을 실현하는 프로그램 또는 그 프로그램이 기록된 기록 매체를 통해 구현될 수도 있으며, 이러한 구현은 상술한 실시예의 기재로부터 본 발명이 속하는 기술 분야의 통상의 기술자라면 쉽게 구현할 수 있는 것이다.
이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 통상의 기술자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.
10...획득 유니트 100...제1 유니트
110...제1 마스킹부 130...영역 추출부
150...패치 추출부 200...제2 유니트
210...경계선 마스킹부 230...혈관 마스킹부
300...분류 유니트 400...진단 유니트

Claims (12)

  1. 신체 내부를 촬영한 의료 영상에서 병변(lesion)으로 추정되는 제1 정보를 탐색하는 제1 유니트;
    상기 의료 영상에서 상기 제1 정보의 병변 여부 판단에 영향을 주는 제2 정보를 추출하는 제2 유니트;
    상기 제2 정보를 이용해서 상기 제1 정보를 분류하는 분류 유니트;를 포함하고,
    상기 제1 유니트는 상기 의료 영상에 포함된 폐의 영역에서 상기 제1 정보에 해당하는 설정 사이즈의 패치를 추출하고,
    상기 제2 유니트는 상기 의료 영상에 포함된 상기 폐의 경계선 또는 상기 폐의 혈관을 추출하며,
    상기 분류 유니트는 상기 패치 내에서 폐 결절로 추정되는 특이점의 위치 정보를 추출하고,
    상기 분류 유니트는 상기 특이점과 상기 경계선 간의 제1 거리, 상기 특이점과 상기 혈관 간의 제2 거리 중 적어도 하나에 따라 상기 패치를 분류하는 분류 장치.
  2. 제1항에 있어서,
    상기 제1 정보의 병변 여부를 판단하는 진단 유니트가 마련되고,
    상기 분류 유니트는 상기 제1 정보의 분류 결과에 해당하는 분류 정보를 생성하며,
    상기 분류 유니트는 상기 제1 정보에 상기 분류 정보를 추가하고, 상기 분류 정보가 추가된 상기 제1 정보를 상기 진단 유니트에 제공하는 분류 장치.
  3. 제1항에 있어서,
    상기 제1 정보의 병변 여부를 판단하는 진단 유니트가 마련되고,
    상기 진단 유니트에는 상기 제1 정보의 병변 여부를 판단하는 복수의 진단부가 종류별로 마련되며,
    상기 진단 유니트는 상기 분류 유니트에 의해 분류된 상기 제1 정보의 종류에 매칭되는 특정 진단부를 이용해서 상기 제1 정보의 병변을 판단하는 분류 장치.
  4. 삭제
  5. 제1항에 있어서,
    상기 제1 유니트에는 제1 마스킹부, 영역 추출부, 패치 추출부가 마련되고,
    상기 제1 마스킹부는 상기 의료 영상에 포함된 장기의 영역에 대한 제1 바이너리 마스크를 생성하며,
    상기 영역 추출부는 상기 제1 바이너리 마스크를 이용해서 상기 의료 영상으로부터 상기 장기의 영역을 추출하고,
    상기 패치 추출부는 상기 장기의 영역에서 상기 제1 정보에 해당하는 설정 사이즈의 패치를 추출하는 분류 장치.
  6. 제1항에 있어서,
    상기 제2 유니트는 상기 의료 영상에 포함된 장기의 경계선 또는 상기 장기의 혈관에 대한 바이너리 마스크를 생성하고, 상기 바이너리 마스크를 이용해서 상기 경계선의 위치 또는 상기 혈관의 위치를 특정하는 분류 장치.
  7. 삭제
  8. 제1항에 있어서,
    상기 분류 유니트는 상기 특이점의 위치 정보, 상기 경계선, 상기 혈관을 이용하여 제1 종류, 제2 종류, 제3 종류, 제4 종류 중 적어도 하나로 상기 패치를 분류하며, 분류 정보를 상기 패치에 추가하고,
    상기 제1 종류는 상기 특이점이 상기 혈관에 인접한 경우이며,
    상기 제2 종류는 상기 특이점이 흉막에 인접한 경우이고,
    상기 제3 종류는 상기 특이점이 상기 흉막에 붙어있는 경우이며,
    상기 제4 종류는 나머지 경우인 분류 장치.
  9. 분류 장치에 의해 수행되는 분류 방법에 있어서,
    의료 영상에서 결절로 추정되는 특이점을 탐색하고, 혈관에 대한 상기 특이점의 위치 정보 또는 흉막에 대한 상기 특이점의 위치 정보를 추출하며, 상기 특이점과 상기 흉막의 경계선 간의 제1 거리, 상기 특이점과 상기 혈관 간의 제2 거리 중 적어도 하나에 따라 상기 특이점을 복수 종류로 분류하는 분류 방법.
  10. 삭제
  11. 흉부의 의료 영상을 획득하는 획득 단계;
    상기 의료 영상에 포함된 폐에서 결절로 추정되는 특이점이 포함된 설정 사이즈의 패치를 추출하는 제1 추출 단계;
    상기 의료 영상에 포함된 상기 폐의 경계선을 추출하거나, 상기 폐의 혈관을 추출하는 제2 추출 단계;
    상기 특이점과 상기 경계선 간의 제1 위치 관계 또는 상기 특이점과 상기 혈관 간의 제2 위치 관계를 이용해서 상기 패치를 복수 종류로 분류하는 분류 단계;를 포함하고,
    상기 분류 단계는 상기 패치 내에서 폐 결절로 추정되는 특이점의 위치 정보를 추출하며, 상기 특이점과 상기 경계선 간의 제1 거리, 상기 특이점과 상기 혈관 간의 제2 거리 중 적어도 하나에 따라 상기 패치를 상기 복수 종류로 분류하는 분류 방법.
  12. 제11항에 있어서,
    상기 분류 단계에서 이루어지는 상기 패치의 분류는,
    상기 제1 위치 관계 또는 상기 제2 위치 관계를, 상기 패치를 이용해 상기 특이점의 병변 여부를 판단하는 진단 유니트와 약속된 형식에 맞춰서 상기 패치에 추가하는 것인 분류 방법.
KR1020190096992A 2019-08-08 2019-08-08 특이점 분류 장치 및 분류 방법 Active KR102150682B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190096992A KR102150682B1 (ko) 2019-08-08 2019-08-08 특이점 분류 장치 및 분류 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190096992A KR102150682B1 (ko) 2019-08-08 2019-08-08 특이점 분류 장치 및 분류 방법

Publications (1)

Publication Number Publication Date
KR102150682B1 true KR102150682B1 (ko) 2020-09-02

Family

ID=72469268

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190096992A Active KR102150682B1 (ko) 2019-08-08 2019-08-08 특이점 분류 장치 및 분류 방법

Country Status (1)

Country Link
KR (1) KR102150682B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102358050B1 (ko) * 2020-12-23 2022-02-08 주식회사 뷰노 의료 영상 기반의 병변 분석 방법
WO2022186594A1 (ko) * 2021-03-04 2022-09-09 주식회사 뷰노 의료 영상 기반의 병변 분석 방법
KR20230060260A (ko) 2021-10-27 2023-05-04 사회복지법인 삼성생명공익재단 패치 단위 대조 학습 모델을 이용한 의료 영상 분석 방법 및 분석 장치

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101251822B1 (ko) * 2011-11-18 2013-04-09 서울여자대학교 산학협력단 동적조영증강 폐 전산화단층촬영 영상에서 관류 분석 시스템 및 방법
KR20140091176A (ko) * 2013-01-10 2014-07-21 삼성전자주식회사 병변 진단 장치 및 방법
KR20180051267A (ko) * 2016-11-08 2018-05-16 경기대학교 산학협력단 골 등급 측정 장치 및 방법
KR101887194B1 (ko) 2018-06-20 2018-08-10 주식회사 뷰노 피검체의 의료 영상의 판독을 지원하는 방법 및 이를 이용한 장치

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101251822B1 (ko) * 2011-11-18 2013-04-09 서울여자대학교 산학협력단 동적조영증강 폐 전산화단층촬영 영상에서 관류 분석 시스템 및 방법
KR20140091176A (ko) * 2013-01-10 2014-07-21 삼성전자주식회사 병변 진단 장치 및 방법
KR20180051267A (ko) * 2016-11-08 2018-05-16 경기대학교 산학협력단 골 등급 측정 장치 및 방법
KR101887194B1 (ko) 2018-06-20 2018-08-10 주식회사 뷰노 피검체의 의료 영상의 판독을 지원하는 방법 및 이를 이용한 장치

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102358050B1 (ko) * 2020-12-23 2022-02-08 주식회사 뷰노 의료 영상 기반의 병변 분석 방법
KR20220091434A (ko) * 2020-12-23 2022-06-30 주식회사 뷰노 의료 영상 기반의 병변 분석 방법
WO2022139170A1 (ko) * 2020-12-23 2022-06-30 주식회사 뷰노 의료 영상 기반의 병변 분석 방법
KR102589405B1 (ko) * 2020-12-23 2023-10-16 주식회사 뷰노 의료 영상 기반의 병변 분석 방법
US12283051B2 (en) 2020-12-23 2025-04-22 Vuno Inc. Method for analyzing lesion based on medical image
WO2022186594A1 (ko) * 2021-03-04 2022-09-09 주식회사 뷰노 의료 영상 기반의 병변 분석 방법
JP2024508852A (ja) * 2021-03-04 2024-02-28 ビュノ インコーポレイテッド 医療画像における病変分析方法
JP7698254B2 (ja) 2021-03-04 2025-06-25 ビュノ インコーポレイテッド 医療画像における病変分析方法
KR20230060260A (ko) 2021-10-27 2023-05-04 사회복지법인 삼성생명공익재단 패치 단위 대조 학습 모델을 이용한 의료 영상 분석 방법 및 분석 장치
KR20230147591A (ko) 2021-10-27 2023-10-23 사회복지법인 삼성생명공익재단 패치 단위 대조 학습 모델을 이용한 의료 영상 분석 방법 및 분석 장치

Similar Documents

Publication Publication Date Title
US10362941B2 (en) Method and apparatus for performing registration of medical images
US11996182B2 (en) Apparatus and method for medical image reading assistant providing representative image based on medical use artificial neural network
US10111713B2 (en) Surgery assistance apparatus, surgery assistance method and non-transitory computer-readable recording medium having stored therein surgery assistance program
US8605978B2 (en) Medical image processing apparatus and method, and computer readable recording medium on which is recorded program for the same
US20090226065A1 (en) Sampling medical images for virtual histology
US8175348B2 (en) Segmenting colon wall via level set techniques
JP4640845B2 (ja) 画像処理装置およびそのプログラム
KR20220124665A (ko) 의료용 인공 신경망 기반 사용자 선호 스타일을 제공하는 의료 영상 판독 지원 장치 및 방법
CN106470613B (zh) 用来针对特定对象表征病理的病变签名
KR102150682B1 (ko) 특이점 분류 장치 및 분류 방법
KR102258756B1 (ko) 의료 영상을 이용한 암의 병기 결정 방법 및 의료 영상 분석 장치
KR102132566B1 (ko) 병변 판독 장치 및 방법
CN111899850A (zh) 医学影像的信息处理方法、显示方法及可读存储介质
US20150379365A1 (en) System and method for retrieval of similar findings from a hybrid image dataset
CN109410170B (zh) 图像数据处理方法、装置及设备
KR102152385B1 (ko) 특이점 진단 장치 및 진단 방법
JP2008510565A (ja) 標識された糞便または虚脱結腸領域の存在下で結腸壁を抽出するためのシステムおよび方法
US11776121B2 (en) Method and apparatus for providing information needed for diagnosis of lymph node metastasis of thyroid cancer
KR102322997B1 (ko) 최대강도투사를 통한 인공지능 노듈 세그먼테이션 방법 및 그 장치
CN116205929A (zh) 一种超声融合成像方法及设备、存储介质
KR102394757B1 (ko) 복수의 축 상에서 오브젝트를 탐색하여 결합하는 결합 인공지능 세그먼테이션 방법 및 그 장치
US20240095915A1 (en) Information processing apparatus, information processing method, and information processing program
KR102789403B1 (ko) 폐 병변의 위치 지정 방법 및 이를 위한 장치
KR102721483B1 (ko) 의료 영상에서 폐 병변의 위치를 자동으로 지정하는 방법 및 이를 위한 장치
US20240095916A1 (en) Information processing apparatus, information processing method, and information processing program

Legal Events

Date Code Title Description
PA0109 Patent application

St.27 status event code: A-0-1-A10-A12-nap-PA0109

PA0201 Request for examination

St.27 status event code: A-1-2-D10-D11-exm-PA0201

PA0302 Request for accelerated examination

St.27 status event code: A-1-2-D10-D17-exm-PA0302

St.27 status event code: A-1-2-D10-D16-exm-PA0302

D13-X000 Search requested

St.27 status event code: A-1-2-D10-D13-srh-X000

D14-X000 Search report completed

St.27 status event code: A-1-2-D10-D14-srh-X000

PE0902 Notice of grounds for rejection

St.27 status event code: A-1-2-D10-D21-exm-PE0902

E13-X000 Pre-grant limitation requested

St.27 status event code: A-2-3-E10-E13-lim-X000

P11-X000 Amendment of application requested

St.27 status event code: A-2-2-P10-P11-nap-X000

P13-X000 Application amended

St.27 status event code: A-2-2-P10-P13-nap-X000

E701 Decision to grant or registration of patent right
PE0701 Decision of registration

St.27 status event code: A-1-2-D10-D22-exm-PE0701

GRNT Written decision to grant
PR0701 Registration of establishment

St.27 status event code: A-2-4-F10-F11-exm-PR0701

PR1002 Payment of registration fee

St.27 status event code: A-2-2-U10-U11-oth-PR1002

Fee payment year number: 1

PG1601 Publication of registration

St.27 status event code: A-4-4-Q10-Q13-nap-PG1601

PR1001 Payment of annual fee

St.27 status event code: A-4-4-U10-U11-oth-PR1001

Fee payment year number: 4

PR1001 Payment of annual fee

St.27 status event code: A-4-4-U10-U11-oth-PR1001

Fee payment year number: 5

R18-X000 Changes to party contact information recorded

St.27 status event code: A-5-5-R10-R18-oth-X000

PR1001 Payment of annual fee

St.27 status event code: A-4-4-U10-U11-oth-PR1001

Fee payment year number: 6