KR101118211B1 - Diagnosis of submucosal tumor using endoscopic ultrasonic image analysis - Google Patents
Diagnosis of submucosal tumor using endoscopic ultrasonic image analysis Download PDFInfo
- Publication number
- KR101118211B1 KR101118211B1 KR1020100049858A KR20100049858A KR101118211B1 KR 101118211 B1 KR101118211 B1 KR 101118211B1 KR 1020100049858 A KR1020100049858 A KR 1020100049858A KR 20100049858 A KR20100049858 A KR 20100049858A KR 101118211 B1 KR101118211 B1 KR 101118211B1
- Authority
- KR
- South Korea
- Prior art keywords
- region
- tumor
- ultrasound
- extracted
- applying
- Prior art date
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/12—Diagnosis using ultrasonic, sonic or infrasonic waves in body cavities or body tracts, e.g. by using catheters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0833—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures
- A61B8/085—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures for locating body or organic structures, e.g. tumours, calculi, blood vessels, nodules
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/13—Tomography
- A61B8/14—Echo-tomography
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Vascular Medicine (AREA)
- Optics & Photonics (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
본 발명은 내시경 초음파 검사로 얻은 영상을 표준화 하고, 영상에 나타나는 각 질병의 특징들을 추출하여 객관적인 진단에 적용함으로써, 악성화 예측에 대한 정확도와 재현성을 높일 수 있는 질병의 진단 방법 및 장치를 제공하기 위한 것으로서, 내시경 초음파 검사를 통해 내시경 초음파 영상에서 추출한 초음파 영역을 명암도 평균값을 기반으로 초음파 영역을 표준화하는 단계와, 상기 표준화된 초음파 영역에서 종양 영역을 추출하고, 추출된 종양 영역 중 에코가 높은 스팟(spot) 영역을 다른 영역들과 분리하는 단계와, 상기 스팟 영역이 추출된 종양을 분석하여 증상이나 악성화 정보를 분석을 위한 수치 데이터를 산출하는 단계와, 상기 종양 영역의 분석을 통해 산출된 수치데이터를 기반으로 개선된 ART2 기반 RBF 네트워크 알고리즘을 적용하여 질병을 분류하는 단계를 포함하는데 있다.The present invention is to provide a method and apparatus for diagnosing diseases that can standardize images obtained by endoscopic ultrasonography, extract the characteristics of each disease appearing in the images, and apply them to objective diagnosis, thereby improving accuracy and reproducibility of prediction of malignancy. Standardizing the ultrasound region based on the contrast average value of the ultrasound region extracted from the endoscope ultrasound image through endoscopy, and extracting the tumor region from the normalized ultrasound region, and spots with high echoes among the extracted tumor regions ( separating a spot region from other regions, analyzing the tumor from which the spot region is extracted, calculating numerical data for analyzing symptoms or malignant information, and numerical data calculated through analysis of the tumor region. By applying the improved ART2-based RBF network algorithm based on Which comprises the step of classifying the diseases.
Description
본 발명은 내시경 초음파 검사에 관한 것으로, 특히 내시경 초음파 검사로 획득한 영상을 표준화하여 객관적인 질병의 진단을 위한 자료로 이용하기 위한 점막하 종양의 초음파 내시경 영상 분석에 의한 질병의 진단 방법에 관한 것이다.The present invention relates to endoscopic ultrasonography, and more particularly, to a method for diagnosing a disease by ultrasound endoscopy image analysis of a submucosal tumor for standardizing an image acquired by endoscopic ultrasonography as a data for objective diagnosis.
근래에 초음파를 이용한 검사가 널리 보급되고 있다. 그러나 몸 표면에서 보낸 초음파는 소화기관 안의 가스 등에 의하여 강하게 반사되어 깊은 부분은 관찰하기 어려울 때가 많다. 따라서 내시경 끝에 초음파 진동자를 부착시켜 위 등의 체강 안에서 초음파를 보내어, 내시경 주위의 장기를 관찰할 목적으로 내시경 초음파가 개발되었다. In recent years, the use of ultrasound has been widely used. However, the ultrasonic waves sent from the surface of the body are strongly reflected by the gas in the digestive tract, so it is often difficult to observe deep parts. Therefore, an endoscope was developed for the purpose of observing organs around the endoscope by sending an ultrasonic vibrator to the end of the endoscope and sending an ultrasonic wave in the body cavity of the stomach.
과거에는 소화기 내과 부서에서 주로 내시경 초음파를 이용한 진단 만을 내렸지만, 최근에는 종양 조직 검사 및 약물 투여등 다양한 용도로 이용된다. 소화관의 점막하 종양은 위장관 내시경 검사에서 소화관 내강내로 돌출될 구형 혹은 반구형의 병변으로 관찰되며 대부분 우연히 발견된다. 내시경 초음파 검사(endoscopic ultrasomography : EUS)는 종래의 영상 진단법에 비해 높은 해상력으로 점막하 종양의 크기, 윤곽, 발육양상, 내부 성상, 기원한 층벽에 의한 발생 모지 등을 직접 관찰할 수 있어 종양의 병리 소견을 어느 정도 예측할 수 있어 임상적인 진단과 치료 방침설정에 아주 유용하다. 특히 점막하 종양 중 중간엽 종양(mesenchymal tumor)의 악성화 여부를 내시경 초음파 검사로 예측하고자 하는 많은 시도들이 있었으며, 일반적으로 종양의 직경이 3 cm 이상이고 불균일한 경계, 종양 내에 고에코 음영 혹은 낭종 공간이 관찰되거나, 주위 림프절이 커지면 악성 점막하 종양의 가능성이 높다. In the past, the gastroenterology department mainly diagnosed using endoscopic ultrasound, but recently, it is used for various purposes such as tumor biopsy and drug administration. Submucosal tumors of the digestive tract are observed as spherical or hemispherical lesions that protrude into the lumen of the digestive tract by gastrointestinal endoscopy and are mostly detected by accident. Endoscopic ultrasomography (EUS) has a higher resolution than conventional imaging methods, so it is possible to directly observe the size, outline, development, internal appearance, and origin of the mosquito-derived layer of the submucosal tumor with higher resolution. It can be predicted to some extent, which is very useful for clinical diagnosis and treatment policy setting. In particular, there have been many attempts to predict whether malignant mesenchymal tumors are submucosal by endoscopy. In general, tumors with a diameter of 3 cm or more, uneven borders, and high-echo shadows or cyst spaces within tumors If observed or the surrounding lymph nodes are enlarged, the likelihood of a malignant submucosal tumor is high.
하지만 이러한 연구들은 일반적인 영상 사진과 의사의 주관적인 소견을 토대로 분류되고 있어 재현성 및 정확도가 높지 않으며, 이에 따라 의사들의 주관적인 소견으로 질병이 진단되고 있어 동일한 초음파 내시경 영상으로도 서로 다른 주관적인 진단이 이루어지는 문제점을 가지고 있다.However, these studies are classified on the basis of general image photographs and subjective findings of doctors, so the reproducibility and accuracy are not high. Therefore, the subjects are diagnosed with the subjective findings of doctors. Have.
따라서 본 발명은 상기와 같은 문제점을 해결하기 위해 안출한 것으로서, 내시경 초음파 검사로 얻은 영상을 표준화 하고, 영상에 나타나는 각 질병의 특징들을 추출하여 객관적인 진단에 적용함으로써, 악성화 예측에 대한 정확도와 재현성을 높일 수 있는 질병의 진단 방법 및 장치를 제공하는데 그 목적이 있다.Accordingly, the present invention has been made to solve the above problems, by standardizing the image obtained by endoscopic ultrasonography, extracting the characteristics of each disease appearing in the image and applying it to the objective diagnosis, accuracy and reproducibility of the prediction of malignancy It is an object of the present invention to provide a method and apparatus for diagnosing a disease that can be enhanced.
상기와 같은 목적을 달성하기 위한 본 발명에 따른 점막하 종양의 초음파 내시경 영상 분석에 의한 질병의 진단 방법의 특징은 (A) 내시경 초음파 검사를 통해 내시경 초음파 영상에서 추출한 초음파 영역을 명암도 평균값을 기반으로 초음파 영역을 표준화하는 단계와, (B) 상기 표준화된 초음파 영역에서 종양 영역을 추출하고, 추출된 종양 영역 중 에코가 높은 스팟(spot) 영역을 다른 영역들과 분리하는 단계와, (C) 상기 스팟 영역이 추출된 종양을 분석하여 증상이나 악성화 정보를 분석을 위한 수치 데이터를 산출하는 단계와, (D) 상기 종양 영역의 분석을 통해 산출된 수치 데이터를 기반으로 개발된 ART2 기반 RBF 네트워크 알고리즘을 적용하여 질병을 분류하는 단계를 포함하는데 있다.In order to achieve the above object, a characteristic of the diagnosis method of the disease by the ultrasound endoscopy image analysis of the submucosal tumor according to the present invention is (A) the ultrasound region extracted from the endoscopy ultrasound image through the endoscopy ultrasonography Normalizing a region, (B) extracting a tumor region from the normalized ultrasound region, separating a spot region with high echo from the extracted tumor region from other regions, and (C) the spot Calculating the numerical data for analyzing symptoms or malignant information by analyzing the tumor from which the region has been extracted, and (D) applying an ART2-based RBF network algorithm developed based on the numerical data calculated through the analysis of the tumor region. To classify the disease.
바람직하게 상기 (A) 단계는 (A1) 추출한 초음파 영역을 0~255 사이의 명암도 값을 갖는 그레이 레벨로 변환하는 단계와, (A2) 상기 그레이 레벨로 변환된 초음파 영상에 히스토그램 평활화를 적용하여 명암값의 분포를 일정하게 처리하는 단계와, (A3) 상기 히스토그램 평활화를 적용한 초음파 영역 내에 존재하는 에지들을 구성하는 모든 픽셀의 현재 픽셀에서 다음 픽셀을 뺀 절대 값이 임계치 보다 작거나 같은 모든 값들을 현재 픽셀과 연결하고 기록하는 에지 링크(edge-linking) 방법을 적용하는 단계와, (A4) 상기 에지 링크 방법이 적용된 초음파 영역의 임계치를 180으로 설정하여 이진화하는 단계와, (A5) 상기 이진화된 초음파 영역에 자기호출을 이용하여 모든 인접 요소가 라벨링 될 때까지 현재 관심 화소의 주변 인접화소를 차례로 검사하는 GrassFire 알고리즘을 적용하여 라벨링하는 단계와, (A6) 상기 라벨링 된 영역들 중에 가로와 세로가 1:1 비율의 형태를 가지고, 명암도 0인 픽셀 수가 명암도 255인 픽셀 수보다 많은 내시경의 렌즈 영역을 추출하는 단계와, (A7) 상기 추출된 렌즈 영역의 중심 값을 기록한 후, 렌즈 영역을 제외한 나머지 영역에 대해 상기 GrassFire 알고리즘으로 라벨링하는 단계와, (A8) 상기 라벨링된 영상에서 잡음을 제거하여 후보 영역을 추출하는 단계와, (A9) 상기 기록한 렌즈의 중심 값과 추출한 후보 영역들의 중심 값을 유클리디안 거리(Euclidean Distance) 방법을 적용하여 거리가 가장 가까운 후보 영역을 최종 영역으로 추출하는 단계와, (A10) 상기 추출된 최종 영역의 명암도 평균값과 초음파 영역의 명암도 평균값을 비교하여 초음파 영역을 표준화하는 단계를 포함하는 것을 특징으로 한다.Preferably, the step (A) comprises converting the extracted ultrasound region to a gray level having a contrast value between 0 and 255, and (A2) applying a histogram smoothing to the ultrasound image converted to the gray level to contrast. Uniformly processing the distribution of values, and (A3) present all values that are less than or equal to a threshold value of the current pixel of all pixels constituting the edges existing in the ultrasound region to which the histogram smoothing is applied. Applying an edge-linking method for connecting and recording with the pixel; (A4) binarizing the threshold value of the ultrasonic region to which the edge link method is applied to 180; and (A5) the binarized ultrasound GrassFire knows to use the self-call on a region to in turn examine the neighboring neighboring pixels of the current pixel of interest until all adjacent elements are labeled (A6) extracting the lens area of the endoscope having a form having a ratio of 1: 1 horizontally and vertically among the labeled areas, and having
바람직하게 상기 (A9)의 유클리디안 거리(Euclidean Distance) 방법은 수식 
바람직하게 상기 (B) 단계에서 에코가 높은 스팟 영역은 Kohonen이 제안한 LVQ 신경망 알고리즘을 적용하여 추출하며, 이때, 중심 벡터의 초기값을 랜덤하게 선택하고, 종양 영역의 명암도 값을 입력 벡터로 적용하기 위해 0과 1 사이의 값으로 정규화하는 것을 특징으로 한다.Preferably, in the step (B), the spot region with high echo is extracted by applying the LVQ neural network algorithm proposed by Kohonen, in which the initial value of the center vector is randomly selected and the intensity value of the tumor region is applied as the input vector. To normalize to a value between 0 and 1.
바람직하게 상기 에코가 높은 스팟 영역의 추출은 선택된 종양 영역에서 중심 벡터를 랜덤하게 선택하고, 학습률(learning rate)과 반복 횟수를 초기화하는 단계와, 선택된 중심 벡터의 승자 노드 K를 다음 수식 
바람직하게 상기 (C) 단계에서 종양을 분석하는 방법은 명암도 고조의 분포, 칼슘의 침착 여부, 종양의 외곽 형태를 통한 분석 및 에코 분석 중 어느 하나로 이루어지는 것을 특징으로 한다.Preferably, the method of analyzing the tumor in the step (C) is characterized in that it comprises any one of the distribution of high contrast, whether the calcium is deposited, analysis through the outer shape of the tumor and echo analysis.
바람직하게 상기 (D) 단계에서의 개선된 ART2 기반 RBF 네트워크 알고리즘은 각 입력 패턴의 거리차를 이용하여 경제 변수를 변경하고, 퍼지 소속 함수에 정확성과 부정확성을 적용하여 학습률을 동적으로 조정하는 것을 특징으로 한다.Preferably, in the step (D), the improved ART2-based RBF network algorithm changes the economic variable by using the distance difference of each input pattern, and dynamically adjusts the learning rate by applying accuracy and inaccuracy to the fuzzy membership function. It is done.
이상에서 설명한 바와 같은 본 발명에 따른 점막하 종양의 초음파 내시경 영상 분석에 의한 질병의 진단 방법은 영상 사진과 의사의 주관적인 소견을 토대로 분류되었던 주관적인 진단을 재현성을 높여 악성화 예측에 대한 정확도를 높일 수 있는 효과가 있다.As described above, the method for diagnosing a disease by the ultrasound endoscopy image analysis of the submucosal tumor according to the present invention has the effect of increasing the accuracy of prediction of malignancy by increasing the reproducibility of the subjective diagnosis classified based on the image photograph and the subjective findings of the doctor. There is.
[도 1] 본 발명의 실시 예에 따른 점막하 종양의 초음파 내시경 영상 분석에 의한 질병의 진단 방법을 설명하기 위한 흐름도
[도 2] 추출한 초음파 영역을 표준화하는 방법을 상세히 설명하기 위한 흐름도
[도 3] 물 영역의 추출 과정을 나타낸 영상
[도 4] LVQ 신경망 알고리즘을 적용하여 스팟 영역을 추출하는 방법을 설명하기 위한 흐름도
[도 5] LVQ 알고리즘을 이용한 스팟(spot) 영역의 분리 영상
[도 6] 히스토그램을 이용한 명암도 분포 분석 결과를 나타낸 영상
[도 7] 비트 평면 분할 과정을 나타낸 영상
[도 8] 종양의 외각 영역을 나타낸 영상
[도 9] 종양의 외각 형태를 나타낸 영상
[도 10] 에코의 명암도 그래프
[도 11] 반복횟수에 따른 TSS 변화율
[도 12] 개발된 ART2 기반 RBF 네트워크1 is a flowchart illustrating a method for diagnosing a disease by ultrasound endoscopy image analysis of a submucosal tumor according to an embodiment of the present invention.
2 is a flowchart illustrating a method of standardizing the extracted ultrasound region in detail
[Figure 3] Image showing the extraction process of the water region
4 is a flowchart illustrating a method of extracting a spot region by applying an LVQ neural network algorithm
[Figure 5] Separation image of the spot (spot) using the LVQ algorithm
6 is a diagram showing the results of light and dark distribution analysis using a histogram
7 is a diagram illustrating a bit plane segmentation process
8 is an image showing the outer region of the tumor
9 is an image showing the outer appearance of the tumor
[Figure 10] Graph of the contrast of the echo
[Figure 11] TSS change rate according to the number of iterations
[Figure 12] ART2-based RBF network developed
본 발명의 다른 목적, 특성 및 이점들은 첨부한 도면을 참조한 실시 예들의 상세한 설명을 통해 명백해질 것이다.Other objects, features and advantages of the present invention will become apparent from the following detailed description of embodiments taken in conjunction with the accompanying drawings.
본 발명에 따른 점막하 종양의 초음파 내시경 영상 분석에 의한 질병의 진단 방법의 바람직한 실시 예에 대하여 첨부한 도면을 참조하여 설명하면 다음과 같다. 그러나 본 발명은 이하에서 개시되는 실시 예에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본실시 예는 본 발명의 개시가 완전하도록하며 통상의 지식을 가진자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 따라서 본 명세서에 기재된 실시 예와 도면에 도시된 구성은 본 발명의 가장 바람직한 실시 예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 예들이 있을 수 있음을 이해하여야 한다.Referring to the accompanying drawings, a preferred embodiment of a method for diagnosing a disease by ultrasound endoscopy image analysis of a submucosal tumor according to the present invention will be described. However, the present invention is not limited to the embodiments disclosed below, but can be implemented in various different forms, only the embodiments are to make the disclosure of the present invention complete and complete the scope of the invention to those skilled in the art. It is provided to inform you. Therefore, the embodiments described in the present specification and the configuration shown in the drawings are only the most preferred embodiments of the present invention and do not represent all of the technical idea of the present invention, and various equivalents may be substituted for them at the time of the present application. It should be understood that there may be variations and examples.
도 1 은 본 발명의 실시 예에 따른 점막하 종양의 초음파 내시경 영상 분석에 의한 질병의 진단 방법을 설명하기 위한 흐름도이다.1 is a flowchart illustrating a method for diagnosing a disease by ultrasound endoscopy image analysis of a submucosal tumor according to an embodiment of the present invention.
도 1과 같이, 먼저 첫 번째 단계로서, 내시경 초음파 검사를 통해 내시경 초음파 영상에서 추출한 초음파 영역을 명암도 평균값을 기반으로 초음파 영역을 표준화한다(S100). As shown in FIG. 1, first, as an first step, an ultrasound region extracted from an endoscope ultrasound image through an endoscopy ultrasound is normalized based on an average value of contrast (S100).
도 2 는 추출한 초음파 영역을 표준화하는 방법을 상세히 설명하기 위한 흐름도이다.2 is a flowchart illustrating a method of standardizing the extracted ultrasound region in detail.
도 2와 같이, 먼저 도 3(a)에서 나타내고 있는 추출한 초음파 영역을 0~255 사이의 명암도 값을 갖는 그레이 레벨로 변환한다(S101). 도 3(b)는 그레이 레벨로 변환한 초음파 영상을 나타내고 있다.As shown in FIG. 2, first, the extracted ultrasound region illustrated in FIG. 3A is converted into a gray level having a contrast value between 0 and 255 (S101). 3B illustrates an ultrasound image converted to gray level.
이어 그레이 레벨로 변환된 초음파 영상에 명암값의 분포를 일정하게 하는 히스토그램 평활화를 적용한다(S102). 도 3(c)는 히스토그램 평활화를 적용한 영상을 나타내고 있다.Subsequently, histogram smoothing is applied to the ultrasound image converted to gray level to uniformly distribute the contrast (S102). 3 (c) shows an image to which histogram smoothing is applied.
도 3(c)와 같이, 히스토그램 평활화를 적용한 초음파 영역 내에는 무수한 에지들이 존재하므로 그 에지들을 구성하는 모든 픽셀에 현재 픽셀에서 다음 픽셀을 뺀 절대 값이 임계치보다 작거나 같으면 만족하는 다음 수학식 1을 적용한다.As shown in FIG. 3 (c), since there are countless edges in the ultrasonic region to which the histogram smoothing is applied, the following
즉, 도 3(d)와 같이 현재 픽셀에 이웃하는 3 x 3 영역 내에서 상기 수학식 1의 기준에 만족하는 모든 값들은 현재 픽셀과 연결하고 기록하는 에지-링크(edge-linking) 방법을 적용한다(S103). 그리고 적용된 초음파 영역은 실험을 통해 임계치를 180으로 설정하여 이진화한다(S104). 도 3(e)는 임계치 이진화한 영상을 나타내고 있다.That is, as shown in FIG. 3 (d), an edge-linking method in which all values satisfying the criterion of
다음으로 상기 이진화된 초음파 영역은 도 3(f)와 같이, GrassFire 알고리즘을 적용하여 라벨링 한다(S105). 이때, 상기 GrassFire 알고리즘은 자기 호출을 이용하여 모든 인접 요소가 라벨링 될 때까지 현재 관심 화소의 주변 인접 화소를 차례로 검사하는 라벨링 방법이다. Next, the binarized ultrasound region is labeled by applying a GrassFire algorithm as shown in FIG. 3 (f) (S105). In this case, the GrassFire algorithm is a labeling method that sequentially inspects neighboring neighboring pixels of the current pixel of interest until all neighboring elements are labeled using self-calling.
이렇게 라벨링 된 영역들 중에 가로와 세로가 1:1 비율의 형태를 가지고, 명암도 0인 픽셀 수가 명암도 255인 픽셀 수보다 많은 내시경의 렌즈 영역을 추출한다(S106). 도 3(g)는 렌즈 영역을 추출한 영상을 나타내고 있다.Among the labeled areas, the lens area of the endoscope is extracted in a ratio of 1: 1 in width and length, and the number of pixels having zero contrast is greater than the number of pixels having contrast 255 (S106). 3 (g) shows an image obtained by extracting a lens region.
이어 도 3(h)와 같이 상기 추출된 렌즈 영역의 중심 값을 기록한 후, 렌즈 영역을 제외한 나머지 영역에 대해 GrassFire 알고리즘으로 라벨링 한다(S107). 그리고 도 3(i)와 같이 GrassFire 알고리즘으로 라벨링된 영상에서 잡음을 제거하여(S108), 도 3(j)와 같이 물의 후보 영역을 추출한다(S109). Subsequently, the center value of the extracted lens region is recorded as shown in FIG. 3 (h), and the remaining regions except for the lens region are labeled with the GrassFire algorithm (S107). The noise is removed from the image labeled with the GrassFire algorithm as shown in FIG. 3 (i) (S108), and the candidate region of water is extracted as shown in FIG. 3 (j) (S109).
이어 상기 기록한 렌즈 영역의 중심 값과 추출한 물의 후보 영역들의 중심 값을 다음 수학식 2와 같은 유클리디안 거리(Euclidean Distance) 방법을 적용하여 계산한 후에 가장 가까운 후보 영역을 최종 물의 영역으로 추출한다(S110). 도 3(k)는 추출된 최종 물의 영역을 나타낸 영상이다.Next, the center value of the recorded lens area and the center value of the extracted water candidate areas are calculated by applying the Euclidean distance method as shown in Equation 2, and then the nearest candidate area is extracted as the final water area ( S110). 3 (k) is an image showing a region of extracted final water.
그리고 이렇게 추출된 최종 물의 영역의 명암도 평균값과 초음파 영역의 명암도 평균값을 비교하여 영상을 표준화한다(S111). 표준화된 영상은 도 3(l)과 같으며, 이와 같은 방법으로 모든 초음파 영역을 표준화한다.Then, the contrast standard value of the extracted region of the final water and the contrast average value of the ultrasound region are compared to normalize the image (S111). The normalized image is shown in FIG. 3 (l), and standardizes all ultrasound regions in this manner.
이어 두 번째 단계로서, 상기 표준화된 초음파 영역에서 종양 영역을 추출하고, 추출된 종양 영역 중 에코가 높은 스팟(spot) 영역을 다른 영역들과 분리한다(S200). 이때, 표준화된 초음파 영역에서 종양 영역을 자동으로 추출하는 경우에는 외과, 형태 정보 등이 손실되어 진단의 정확성이 낮아질 수 있으므로, 전문의가 초음파 영역에서 종양 영역을 선택하도록 하여 정확한 정보를 분석할 수 있게 하는 것이 바람직하다. 그러나 이는 하나의 일실시예로서 이에 한정되지는 않는다.Subsequently, as a second step, a tumor region is extracted from the standardized ultrasound region, and a spot region having a high echo among the extracted tumor regions is separated from other regions (S200). In this case, when the tumor area is automatically extracted from the standardized ultrasound area, the accuracy of diagnosis may be lowered due to the loss of surgical and morphological information. Therefore, a specialist may select the tumor area from the ultrasound area to analyze the accurate information. It is desirable to. However, this is not limited thereto as one embodiment.
또한, 상기 선택된 종양 영역에서 에코가 높은 스팟(spot) 영역을 추출하기 위해서 Kohonen이 제안한 LVQ 신경망 알고리즘을 적용한다. 참고로 LVQ 알고리즘은 중심 벡터의 초기값을 선정하는 방법에 따라 성능이 좌우될 수 있다. LVQ 알고리즘의 중심 벡터는 클래스의 경계를 결정하고 수렴에 영향을 미치기 때문에 중심 벡터의 초기값을 선정하는 것은 매우 중요한 문제이다. 일반적으로 중심 벡터를 정하는 방법은 입력 패턴의 학습 데이터 중에서 임의로 선택하는 방법이 사용된다. 그러나 본 명세서에서는 중심 벡터의 초기값을 랜덤하게 선택하고, 종양 영역의 명암도 값을 입력 벡터로 적용하기 위해 0과 1 사이의 값으로 정규화한다.In addition, the LVQ neural network algorithm proposed by Kohonen is applied to extract a spot region with high echo from the selected tumor region. For reference, the performance of LVQ algorithm depends on the method of selecting the initial value of the center vector. Since the center vector of the LVQ algorithm determines the class boundary and affects the convergence, selecting the initial value of the center vector is very important. In general, a method of selecting a center vector is a method of arbitrarily selecting among training data of an input pattern. In this specification, however, the initial value of the center vector is randomly selected and normalized to a value between 0 and 1 in order to apply the intensity value of the tumor region as an input vector.
도 4 는 LVQ 신경망 알고리즘을 적용하여 스팟 영역을 추출하는 방법을 설명하기 위한 흐름도이다.4 is a flowchart illustrating a method of extracting a spot region by applying an LVQ neural network algorithm.
도 4를 참조하여 설명하면, 먼저 선택된 종양 영역에서 중심 벡터를 랜덤하게 선택하고, 학습률(learning rate)과 반복 횟수를 초기화 한다(S201).Referring to FIG. 4, first, a central vector is randomly selected from a selected tumor region, and a learning rate and a repetition number are initialized (S201).
이어 선택된 중심 벡터의 승자 노드 K를 다음 수학식 3과 같이 계산한다(S202). Next, the winner node K of the selected center vector is calculated as in Equation 3 below (S202).
그리고 상기 수학식 3에서 입력 벡터와 승자 벡터가 같은 클러스터이면 다음 수학식 4를 적용하고, 입력 벡터와 승자 벡터가 다른 클러스터이면 다음 수학식 5를 적용하여 계산된 가중치를 갱신한다(S203).In Equation 3, if the input vector and the winner vector are the same cluster,
상기 갱신된 가중치를 기반으로 학습률 
도 5(a)는 선택된 종양 영상을 나타내고 있으며, 도 5(b)는 VLO 적용 결과를 나타내는 영상이며, 도 5(c)는 최종 추출된 스팟(spot) 영역을 나타내는 영상이다.FIG. 5 (a) shows a selected tumor image, FIG. 5 (b) is an image showing a result of VLO application, and FIG. 5 (c) is an image showing a spot region finally extracted.
이어 세 번째 단계로서, 상기 스팟 영역이 추출된 종양을 분석하여 증상이나 악성화 정보를 분석을 위한 수치 데이터를 산출한다(S300). 이때, 종양을 분석하는 방법은 명암도 고조의 분포, 칼슘의 침착 여부, 종양의 외곽 형태를 통한 분석 및 에코 분석이 있다.Subsequently, as a third step, numerical data for analyzing symptoms or malignant information is calculated by analyzing the tumor from which the spot region is extracted (S300). At this time, the method for analyzing the tumor includes the distribution of high contrast, the presence of calcium, the analysis through the outer shape of the tumor and echo analysis.
첫 번째 방법인 명암도 분포 분석은 히스토그램을 이용하여 명암도 고조의 분포를 분석한다. 도 6과 같이, 히스토그램을 이용하여 전문의가 종양 영역의 명암도 분포를 분석할 수 있게 한다.In the first method, the intensity distribution analysis, the histogram is used to analyze the distribution of the intensity increase. As shown in FIG. 6, the histogram enables the physician to analyze the intensity distribution of the tumor area.
두 번째 방법인 칼슘 침착 영역 추출 분석은 선택된 종양 영역에서 칼슘의 침착 여부를 통하여 증상이나 악성화 정도를 알 수 있다. 침착된 칼슘은 다른 조직에 비하여 밝은 명암도를 나타내며, 조직들이 뭉쳐 있다. 따라서 특정 비트의 중요도를 분석하는데 중요한 정보를 제공하는 비트 평면 분할 방법을 칼슘 침착 영역을 추출할 때 적용한다. 비트 평면 분할을 적용하기 전에 명암도를 보다 두드러지게 하기 위하여 선택된 종양 영역에 히스토그램 스트레칭을 적용한다. 이때, 단순한 히스토그램 스트레칭은 특정 밝기 영역에만 픽셀명암이 집중된 경우 효과가 있으며, 로우(low) 값이 0이고 하이(high) 값이 255값인 경우가 있을 때, 스트레칭의 효과가 떨어지기 때문에 본 명세서에서는 엔드인 탐색법을 이용한 히스토그램 스트레칭을 종양 영역에 적용한다. 즉, 스트레칭을 적용한 종양 영역에 비트 평면 분할 방법을 적용한다.The second method, calcium deposition area extraction analysis, can be used to determine the extent of symptoms or malignancy through the deposition of calcium in selected tumor areas. The deposited calcium has a brighter contrast than other tissues and the tissues are clustered. Therefore, the bit plane segmentation method, which provides important information for analyzing the importance of a particular bit, is applied when extracting calcium deposition regions. Histogram stretching is applied to selected tumor areas to make the contrast more pronounced before applying the beat plane segmentation. In this case, the simple histogram stretching is effective when the pixel contrast is concentrated only in a specific brightness region, and when the low value is 0 and the high value is 255, the effect of stretching is reduced. Histogram stretching using end-in search is applied to the tumor area. That is, the bit plane segmentation method is applied to the stretched tumor area.
비트 평면(bit-plane) 분할 방법은 8비트로 구성되는 그레이 스케일에서 최상위 비트에 해당하는 비트가 영상의 윤곽 정보를 가장 잘 간직하는 특징을 이용하여 이진화를 하는 방법이다. 도 7(a) 내지 도 7(h)와 같이 선택된 종양 영역에 비트 평면 분할 방법을 적용하여 칼슘 침착 영역을 추출한 결과는 그림 7의 (h)와 같다.The bit-plane partitioning method is a method of binarization using a feature in which a bit corresponding to the most significant bit holds the outline information of the image best in a gray scale including 8 bits. As a result of extracting the calcium deposition region by applying the bit plane segmentation method to the selected tumor region as shown in Figure 7 (a) to Figure 7 (h) is shown in Figure 7 (h).
세 번째 방법인 종양의 외곽 형태 분석은 선택된 종양 영역의 외곽 형태에 따라 양성 종양과 악성 종양의 특징을 구분할 수 있다. 양성 종양, 즉 비암은 종양이 균일하게 자라기 때문에 원형 또는 타원형을 보이는 경우가 대부분이다. 반면에 악성 종양, 즉 암의 성격을 가지는 종양은 균일하게 자라지 않기 때문에 아메바 모양처럼 요철을 보인다. 따라서 본 명세서에서는 종양의 외곽 형태의 특징을 구분하기 위해 외곽의 기울기 정보를 이용한다. 전문의가 종양 영역을 선택할 때 그 경계를 외곽 영역으로 간주한다. 도 8(b)는 선택된 종양 영역에 외곽 영역을 표시한 결과이다.The third method, tumor morphology analysis, can distinguish between benign and malignant tumors according to the morphology of the selected tumor area. Benign tumors, ie, non-cancers, are often round or oval because the tumors grow uniformly. On the other hand, malignant tumors, i.e. tumors having cancerous characteristics, do not grow uniformly, and thus have irregularities like an amoeba. Therefore, in the present specification, the slope information of the outline is used to distinguish the features of the outline form of the tumor. When a specialist selects a tumor area, the boundary is considered the outer area. 8 (b) shows the result of displaying the outer region in the selected tumor region.
이때, 상기 외곽 영역은 다음 수학식 6에 적용하여 외곽선이 기울기를 계산한다. At this time, the outer area is applied to the following equation (6) to calculate the slope of the outline.
이때, 수학식 6에서 
이렇게 계산된 기울기 값의 변화를 조사한 결과, 도 9와 같이 아메바 형태가 나타나는 영역에서 기울기의 값이 급변하는 것을 알 수 있다.As a result of examining the change of the calculated slope value, it can be seen that the value of the slope suddenly changes in the region in which the amoeba shape appears as shown in FIG. 9.
네 번째 방법인 에코 분석을 살펴보면, 에코가 가지는 명암도의 특징은 종양의 악성도 결정에 많은 영향을 끼친다. 따라서 세부적인 에코 분석이 필요하다. 세부적인 에코 분석을 위해 임의로 선택한 두 점에 대한 거리와 그레이 레벨을 출력한다. The fourth method, echo analysis, shows that the characteristics of the intensity of echo have a great influence on the tumor malignancy. Therefore, detailed echo analysis is needed. Outputs distances and gray levels for two randomly selected points for detailed echo analysis.
따라서 선택한 두 점을 수학식 7과 같이 유클리디안 거리 방법으로 거리(Distance)를 계산하고, 수학식 8과 같은 방법으로 선택한 두 점의 기울기를 계산한다.Therefore, the distance between two selected points is calculated using the Euclidean distance method as shown in Equation 7, and the slope of the selected two points is calculated using the same method as in Equation 8.
이렇게 계산된 거리와 기울기를 이용하여 도 10과 같이 명암도 그래프를 출력한다.Using the distance and the slope calculated as described above, the intensity graph is output as shown in FIG. 10.
마지막 네 번째 단계로서, 상기 종양 영역의 분석을 통해 산출된 수치데이터를 기반으로 개선된 ART2 기반 RBF 네트워크 알고리즘에 적용하여 질병을 분류한다(400). 이때, 상기 개발된 ART2 기반 RBF 네트워크 알고리즘은 각 입력 패턴의 거리차를 이용하여 경제 변수를 변경하고, 퍼지 소속함수에 정확성과 부정확성을 적용하여 학습률을 동적으로 조정한 알고리즘이다.As a fourth and final step, the disease is classified by applying the improved ART2-based RBF network algorithm based on the numerical data calculated through the analysis of the tumor region (400). At this time, the developed ART2-based RBF network algorithm is an algorithm that dynamically adjusts the learning rate by changing the economic variable by using the distance difference of each input pattern, and applying accuracy and inaccuracy to the fuzzy membership function.
이와 같은 방법으로 초음파 내시경 검사 시 촬영된 점막하 종양의 일반 영상에서 종양 영역의 명암도를 분석하고, 질병을 분류하기 위해 소화기 내과 전문의가 제공한 초음파 내시경 영상 15장을 대상으로 실험하였다. 참고로 GCP, lipoma, GIST의 3가지 질병을 대상으로 각각 5장씩 실험하였다. 질병을 분류하기 위하여 적용된 개선된 ART2 기반 RBF 네트워크 알고리즘의 경계 변수는 0.2로 설정하였고, 초기 학습률은 1.0으로 설정하였다. 총 오차자승합(TSS)이 0.05 이하가 되면 학습을 종료하도록 하였다. In this way, the intensity of the tumor area was analyzed from the general images of the submucosal tumors taken during the endoscopy, and 15 ultrasound endoscopy images provided by the gastroenterologist were used to classify the diseases. For reference, five studies were conducted on three diseases of GCP, lipoma, and GIST. The boundary parameter of the improved ART2-based RBF network algorithm applied to classify disease was set to 0.2 and the initial learning rate was set to 1.0. The learning was terminated when the total error squared sum (TSS) became 0.05 or less.
다음 도 11은 개발된 ART2 기반 RBF 네트워크 알고리즘의 학습 결과이고, 도 12는 질병 분류를 위해 개발된 ART2 기반 RBF 네트워크 알고리즘을 나타낸 것이다. Next, FIG. 11 is a learning result of the developed ART2-based RBF network algorithm, and FIG. 12 shows an ART2-based RBF network algorithm developed for disease classification.
도 11에서와 같이 개발된 ART2 기반 RBF 네트워크 알고리즘을 적용하여 GCP, lipoma, GIST의 3가지 질병 데이터를 학습 및 분류하는 과정에서 조기포화 현상이 발생하지 않고 안정성 있게 학습이 되는 것을 확인하였다. ART2 기반 RBF 네트워크 알고리즘은 공지된 기술로 이에 따른 상세한 설명은 생략한다.By applying the ART2 based RBF network algorithm developed as shown in FIG. 11, it was confirmed that early saturation does not occur in the process of learning and classifying three types of disease data of GCP, lipoma, and GIST. The ART2-based RBF network algorithm is a well-known technique and detailed description thereof will be omitted.
상기에서 설명한 본 발명의 기술적 사상은 바람직한 실시 예에서 구체적으로 기술되었으나, 상기한 실시 예는 그 설명을 위한 것이며 그 제한을 위한 것이 아님을 주의하여야 한다. 또한, 본 발명의 기술적 분야의 통상의 지식을 가진자라면 본 발명의 기술적 사상의 범위 내에서 다양한 실시예가 가능함을 이해할 수 있을 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다. Although the technical spirit of the present invention described above has been described in detail in a preferred embodiment, it should be noted that the above-described embodiment is for the purpose of description and not of limitation. In addition, those skilled in the art will understand that various embodiments are possible within the scope of the technical idea of the present invention. Therefore, the true technical protection scope of the present invention will be defined by the technical spirit of the appended claims.
Claims (7)
(B) 상기 표준화된 초음파 영역에서 종양 영역을 추출하고, 상기 추출된 종양 영역에 Kohonen이 제안한 LVQ 신경망 알고리즘을 적용하여 추출된 스팟(spot) 영역을 다른 영역들과 분리하는 단계와,스팟(spot) 영역을 다른 영역들과 분리하는 단계와,
(C) 상기 스팟 영역이 추출된 종양을 분석하여 증상이나 악성화 정보를 분석을 위한 수치 데이터를 산출하는 단계와,
(D) 상기 종양 영역의 분석을 통해 산출된 수치데이터를 기반으로 개발된 ART2 기반 RBF 네트워크 알고리즘을 적용하여 질병을 분류하는 단계를 포함하는 것을 특징으로 하는 질병의 진단 방법.(A) standardizing the ultrasound region extracted from the endoscope ultrasound image by endoscope ultrasound based on the contrast mean value;
(B) extracting a tumor region from the standardized ultrasound region, and separating the extracted spot region from other regions by applying the LVQ neural network algorithm proposed by Kohonen to the extracted tumor region; ) Separating the region from other regions,
(C) calculating the numerical data for analyzing the symptoms or malignant information by analyzing the tumor from which the spot region is extracted;
(D) classifying the disease by applying the ART2-based RBF network algorithm developed based on the numerical data calculated through the analysis of the tumor region.
(A1) 추출한 초음파 영역을 0~255 사이의 명암도 값을 갖는 그레이 레벨로 변환하는 단계와,
(A2) 상기 그레이 레벨로 변환된 초음파 영상에 히스토그램 평활화를 적용하여 명암값의 분포를 일정하게 처리하는 단계와,
(A3) 상기 히스토그램 평활화를 적용한 초음파 영역 내에 존재하는 에지들을 구성하는 모든 픽셀의 현재 픽셀에서 다음 픽셀을 뺀 절대 값이 임계치 보다 작거나 같은 모든 값들을 현재 픽셀과 연결하고 기록하는 에지 링크(edge-linking) 방법을 적용하는 단계와,
(A4) 상기 에지 링크 방법이 적용된 초음파 영역의 임계치를 180으로 설정하여 이진화하는 단계와,
(A5) 상기 이진화된 초음파 영역에 자기호출을 이용하여 모든 인접 요소가 라벨링 될 때까지 현재 관심 화소의 주변 인접화소를 차례로 검사하는 GrassFire 알고리즘을 적용하여 라벨링하는 단계와,
(A6) 상기 라벨링 된 영역들 중에 가로와 세로가 1:1 비율의 형태를 가지고, 명암도 0인 픽셀 수가 명암도 255인 픽셀 수보다 많은 내시경의 렌즈 영역을 추출하는 단계와,
(A7) 상기 추출된 렌즈 영역의 중심 값을 기록한 후, 상기 추출된 렌즈 영역을 제외한 나머지 영역에 대해 상기 GrassFire 알고리즘으로 라벨링하는 단계와,
(A8) 상기 라벨링 된 영역에서 잡음을 제거하여 후보 영역을 추출하는 단계와,
(A9) 상기 기록한 렌즈의 중심 값과 추출한 후보 영역들의 중심 값을 유클리디안 거리(Euclidean Distance) 방법을 적용하여 거리가 가장 가까운 후보 영역을 최종 영역으로 추출하는 단계와,
(A10) 상기 추출된 최종 영역의 명암도 평균값과 초음파 영역의 명암도 평균값을 비교하여 초음파 영역을 표준화하는 단계를 포함하는 것을 특징으로 하는 질병의 진단 방법.The method of claim 1, wherein step (A)
(A1) converting the extracted ultrasound region to a gray level having a contrast value between 0 and 255,
(A2) applying a histogram smoothing to the ultrasound image converted to the gray level to uniformly process the distribution of contrast values;
(A3) an edge link connecting and recording all values of the current pixel of all pixels constituting the edges existing in the ultrasound region to which the histogram smoothing is applied, with the current pixel having an absolute value less than or equal to a threshold value equal to or less than a threshold. applying a linking method,
(A4) binarizing the threshold value of the ultrasound region to which the edge link method is applied to 180;
(A5) labeling the binarized ultrasound region by applying a GrassFire algorithm that sequentially inspects neighboring neighboring pixels of the current pixel of interest until all adjacent elements are labeled using self-calling;
(A6) extracting the lens area of the endoscope having a form in a ratio of 1: 1 in width and length among the labeled areas, and having more contrast 0 pixels than contrast 255 pixels;
(A7) recording the center value of the extracted lens region, and then labeling the remaining regions except the extracted lens region with the GrassFire algorithm;
(A8) extracting candidate regions by removing noise from the labeled regions;
(A9) applying the Euclidean distance method to the center of the recorded lens and the center of the extracted candidate regions to extract the candidate region closest to the final region;
(A10) comparing the mean intensity of the extracted final region and the mean intensity of the ultrasonic region to normalize the ultrasound region.
상기 (A9)의 유클리디안 거리(Euclidean Distance) 방법은 수식
The Euclidean distance method of (A9) is
상기 (B) 단계의 Kohonen이 제안한 LVQ 신경망 알고리즘에서, 중심 벡터의 초기값을 랜덤하게 선택하고, 종양 영역의 명암도 값을 입력 벡터로 적용하기 위해 0과 1 사이의 값으로 정규화하는 것을 특징으로 하는 질병의 진단 방법.The method of claim 1,
In the LVQ neural network algorithm proposed by Kohonen in step (B), the initial value of the center vector is randomly selected and normalized to a value between 0 and 1 to apply the intensity value of the tumor region as an input vector. How to diagnose the disease.
선택된 종양 영역에서 중심 벡터를 랜덤하게 선택하고, 학습률(learning rate)과 반복 횟수를 초기화하는 단계와,
선택된 중심 벡터의 승자 노드 K를 다음 수식
상기 수식에서의 입력 벡터와 승자 벡터가 같은 클러스터이면 수식
상기 갱신된 가중치를 기반으로 학습률 를 시간에 따라 감소시키면서 학습률을 조정하는 단계를 포함하는 것을 특징으로 하는 질병의 진단 방법.The method of claim 4, wherein the spot region of step (B) is
Randomly selecting a center vector in the selected tumor area, initializing a learning rate and the number of repetitions;
The winner node K of the selected center vector is
If the input vector and the winner vector in the formula are the same cluster, the formula
Learning rate based on the updated weight Adjusting the learning rate while decreasing over time.
상기 (C) 단계에서 종양을 분석하는 방법은 명암도 고조의 분포, 칼슘의 침착 여부, 종양의 외곽 형태를 통한 분석 및 에코 분석 중 어느 하나로 이루어지는 것을 특징으로 하는 질병의 진단 방법.The method of claim 1,
The method of analyzing the tumor in the step (C) is a method for diagnosing a disease, characterized in that any one of the distribution of high contrast, calcium deposition, analysis of the tumor through the outer shape and echo analysis.
상기 (D) 단계에서의 개선된 ART2 기반 RBF 네트워크 알고리즘은 각 입력 패턴의 거리차를 이용하여 경제 변수를 변경하고, 퍼지 소속함수에 정확성과 부정확성을 적용하여 학습률을 동적으로 조정하는 것을 특징으로 하는 질병의 진단 방법.The method of claim 1,
The improved ART2-based RBF network algorithm in step (D) is characterized by changing the economic variable by using the distance difference of each input pattern, and dynamically adjusting the learning rate by applying accuracy and inaccuracy to the fuzzy membership function. How to diagnose the disease.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020100049858A KR101118211B1 (en) | 2010-05-27 | 2010-05-27 | Diagnosis of submucosal tumor using endoscopic ultrasonic image analysis |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020100049858A KR101118211B1 (en) | 2010-05-27 | 2010-05-27 | Diagnosis of submucosal tumor using endoscopic ultrasonic image analysis |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20110130288A KR20110130288A (en) | 2011-12-05 |
| KR101118211B1 true KR101118211B1 (en) | 2012-02-29 |
Family
ID=45499147
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020100049858A KR101118211B1 (en) | 2010-05-27 | 2010-05-27 | Diagnosis of submucosal tumor using endoscopic ultrasonic image analysis |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101118211B1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101223598B1 (en) | 2011-04-06 | 2013-01-22 | 인하대학교 산학협력단 | A System for Diagnosing Pancreatic Intraepithelial Neoplasia |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102042202B1 (en) | 2013-02-25 | 2019-11-08 | 삼성전자주식회사 | Lesion segmentation apparatus and method in medical image |
| KR101497662B1 (en) * | 2013-03-26 | 2015-03-03 | 재단법인대구경북과학기술원 | Endoscope system for assisting diagnosis and controlling method for the same |
| KR102140437B1 (en) * | 2018-02-08 | 2020-08-03 | 주식회사 셀바스에이아이 | Method for predicting cancer suspicious area and device for predicting cancer suspicious area using the same |
| KR102344041B1 (en) * | 2019-02-22 | 2021-12-29 | 가천대학교 산학협력단 | Method and system for diagnosing lesion using deep learning |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004358093A (en) | 2003-06-06 | 2004-12-24 | Olympus Corp | Ultrasonic diagnostic equipment |
-
2010
- 2010-05-27 KR KR1020100049858A patent/KR101118211B1/en not_active IP Right Cessation
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004358093A (en) | 2003-06-06 | 2004-12-24 | Olympus Corp | Ultrasonic diagnostic equipment |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101223598B1 (en) | 2011-04-06 | 2013-01-22 | 인하대학교 산학협력단 | A System for Diagnosing Pancreatic Intraepithelial Neoplasia |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20110130288A (en) | 2011-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11010902B2 (en) | Capsules for image analysis | |
| US10192099B2 (en) | Systems and methods for automated screening and prognosis of cancer from whole-slide biopsy images | |
| Wu et al. | Automatic hookworm detection in wireless capsule endoscopy images | |
| Hwang et al. | Polyp detection in wireless capsule endoscopy videos based on image segmentation and geometric feature | |
| JP4184842B2 (en) | Image discrimination device, method and program | |
| Segui et al. | Categorization and segmentation of intestinal content frames for wireless capsule endoscopy | |
| KR101953627B1 (en) | Automated prostate cancer detection and localization in the peripheral zone of the prostate in multi-parametric mr images | |
| Rakotomamonjy et al. | Scattering features for lung cancer detection in fibered confocal fluorescence microscopy images | |
| KR102176139B1 (en) | Apparatus and method for segmenting images using consecutive deep encoder-decoder network | |
| JP2007532251A (en) | Method and apparatus for image processing in an intestinal deduction system | |
| KR101118211B1 (en) | Diagnosis of submucosal tumor using endoscopic ultrasonic image analysis | |
| CN108427963B (en) | Deep learning-based classification and identification method for melanoma skin diseases | |
| JP6578058B2 (en) | Image processing apparatus, method for operating image processing apparatus, and operation program for image processing apparatus | |
| CN111428066B (en) | Method for classifying and segmenting lesion image based on convolutional neural network | |
| Maghsoudi et al. | A computer aided method to detect bleeding, tumor, and disease regions in Wireless Capsule Endoscopy | |
| CN114155202A (en) | Thyroid nodule ultrasonic image classification method based on feature fusion and transfer learning | |
| Sharanyaa et al. | DCNET: a novel implementation of gastric cancer detection system through deep learning convolution networks | |
| Van Der Sommen et al. | Computer-aided detection of early cancer in the esophagus using HD endoscopy images | |
| Chen et al. | A graph-based approach to automated EUS image layer segmentation and abnormal region detection | |
| CN111476312B (en) | Method for classifying lesion images based on convolutional neural network | |
| Kuo et al. | Applied image processing techniques in video laryngoscope for occult tumor detection | |
| RU2668699C1 (en) | Intellectual method of diagnostics and detection of neoplasms in lungs | |
| Cao et al. | Deep learning based lesion detection for mammograms | |
| Liang et al. | Recognizing focal liver lesions in contrast-enhanced ultrasound with discriminatively trained spatio-temporal model | |
| Liu et al. | Automatic detection of early gastrointestinal cancer lesions based on optimal feature extraction from gastroscopic images |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| FPAY | Annual fee payment |
Payment date: 20150210 Year of fee payment: 4 |
|
| FPAY | Annual fee payment |
Payment date: 20160203 Year of fee payment: 5 |
|
| LAPS | Lapse due to unpaid annual fee |