KR101489163B1 - 자궁 경부암 자동 진단 방법 및 시스템 - Google Patents
자궁 경부암 자동 진단 방법 및 시스템 Download PDFInfo
- Publication number
- KR101489163B1 KR101489163B1 KR20130087724A KR20130087724A KR101489163B1 KR 101489163 B1 KR101489163 B1 KR 101489163B1 KR 20130087724 A KR20130087724 A KR 20130087724A KR 20130087724 A KR20130087724 A KR 20130087724A KR 101489163 B1 KR101489163 B1 KR 101489163B1
- Authority
- KR
- South Korea
- Prior art keywords
- image
- cervical cancer
- cervical
- cell
- nucleus
- Prior art date
Links
- 206010008342 Cervix carcinoma Diseases 0.000 title claims abstract description 69
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 title claims abstract description 69
- 201000010881 cervical cancer Diseases 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000003745 diagnosis Methods 0.000 title claims description 12
- 210000004027 cell Anatomy 0.000 claims abstract description 50
- 210000003855 cell nucleus Anatomy 0.000 claims abstract description 20
- 210000004940 nucleus Anatomy 0.000 claims abstract description 18
- 210000003679 cervix uteri Anatomy 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 210000000805 cytoplasm Anatomy 0.000 claims abstract description 6
- 206010008263 Cervical dysplasia Diseases 0.000 claims description 31
- 208000032124 Squamous Intraepithelial Lesions Diseases 0.000 claims description 22
- 208000007879 Atypical Squamous Cells of the Cervix Diseases 0.000 claims description 13
- 241000701806 Human papillomavirus Species 0.000 claims description 13
- 238000003708 edge detection Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 5
- 208000020077 squamous cell intraepithelial neoplasia Diseases 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims 1
- 206010028980 Neoplasm Diseases 0.000 description 4
- 201000011510 cancer Diseases 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 230000001086 cytosolic effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000009595 pap smear Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/43—Detecting, measuring or recording for evaluating the reproductive systems
- A61B5/4306—Detecting, measuring or recording for evaluating the reproductive systems for evaluating the female reproductive systems, e.g. gynaecological evaluations
- A61B5/4318—Evaluation of the lower reproductive system
- A61B5/4331—Evaluation of the lower reproductive system of the cervix
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Reproductive Health (AREA)
- Gynecology & Obstetrics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
본 발명은 자궁 경부암의 유무 및 진행 정도에 따라 각기 다른 자궁 경부 세포 영역의 형상 데이터를 자궁 경부암을 판별하기 위한 기준 데이터로 미리 저장하는 단계; 피검사자로부터 채취한 자궁 경부 세포가 촬상되면, 상기 촬상된 영상을 전처리하는 단계; 상기 전처리된 영상으로부터 자궁 경부 세포 영역의 이미지를 추출하는 단계; 및 상기 저장된 기준 데이터를 토대로, 상기 추출한 자궁 경부 세포 영역의 이미지에 대한 자궁 경부암을 판별하는 단계를 포함하고, 상기 기준 데이터는 상기 자궁 경부암의 유무 및 진행 정도에 따라 각기 다른 자궁 경부 세포의 핵 크기, 세포 핵의 불규칙 정도, 세포 핵의 위치, 및 세포 핵과 세포질의 비율에 대한 데이터 중 적어도 하나를 포함하는 자궁 경부암 자동 진단 방법을 제공한다. 본 발명에 의한 자궁 경부암 자동 진단 방법은 검사자의 판독 능력에 관계없이 신속하게 자궁 경부암을 자동 진단할 수 있는 장점을 갖는다.
Description
본 발명은 자궁 경부암 자동 진단 방법 및 시스템에 관한 것으로서, 보다 상세하게는 검사자의 판독 능력에 관계없이 신속하게 자궁 경부암을 자동 진단할 수 있는 자궁 경부암 자동 진단 방법 및 시스템에 관한 것이다.
자궁 경부암은 전 세계적으로 여성에게 발병하는 암 중 두 번째로 흔한 암이며, 자궁 경부암의 약 80%는 아시아, 남미, 아프리카 등의 개발도상국에서 발생하는 것으로 알려져 있다. 자궁 경부암은 우리나라에서 발생하는 전체 암 중에서 4위를 차지하고 있으며, 중앙암등록본부의 보고(1999~2002년)에 의하면 연평균 전체 여성암 환자 46,476명 중 자궁 경부암 환자가 4,394명으로 약 9.5%를 차지하고 있다.
자궁 경부암은 조기에 진단하여 치료하면 완치가 가능하지만 병이 진행될 경우 파급 정도에 따라 완치율이 크게 감소한다. 따라서 여성은 정기적인 자궁 경부암 검사를 받아야 할 필요가 있다.
자궁 경부암 검사는 세포 검사(Pap test), 액상 세포진 검사(liquid base cytology) 등이 있다. 상기 검사 방법들은 자궁 경부 세포를 채취하여 현미경으로 직접 관찰하여 암 세포를 가려내는 방법들로서, 검사자의 판독 능력에 따라 그 결과가 달라질 수 있는 위험성이 존재하고 시간이 많이 소요된다.
본 발명은 상기한 문제점을 해결하기 위해 안출된 것으로, 검사자의 판독 능력에 관계없이 신속하게 자궁 경부암을 자동 진단할 수 있는 자궁 경부암 자동 진단 방법 및 시스템을 제공하는 데 그 목적이 있다.
본 발명의 기술적 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 발명의 실시례에 따른 자궁 경부암 자동 진단 방법은,
자궁 경부암의 유무 및 진행 정도에 따라 각기 다른 자궁 경부 세포 영역의 형상 데이터를 자궁 경부암을 판별하기 위한 기준 데이터로 미리 저장하는 단계; 피검사자로부터 채취한 자궁 경부 세포가 촬상되면, 상기 촬상된 영상을 전처리(前處理, preprocessing)하는 단계; 상기 전처리된 영상으로부터 자궁 경부 세포 영역의 이미지를 추출하는 단계; 및 상기 저장된 기준 데이터를 토대로, 상기 추출한 자궁 경부 세포 영역의 이미지에 대한 자궁 경부암을 판별하는 단계를 포함하고, 상기 기준 데이터는 상기 자궁 경부암의 유무 및 진행 정도에 따라 각기 다른 자궁 경부 세포의 핵 크기, 세포 핵의 불규칙 정도, 세포 핵의 위치, 및 세포 핵과 세포질의 비율에 대한 데이터 중 적어도 하나를 포함할 수 있다.
상기 자궁 경부암의 유무 및 진행 정도에 따라 각기 다른 자궁 경부 세포의 핵 크기에 대한 데이터는 정상 상태일 때 15 내지 25㎛, ASCUS(Atypical Squamous Cells of Undetermined Significance)일 때 25 내지 30㎛, LSIL(Low-grade Squamous Intraepithelial Lesion)일 때 30 내지 38㎛, HSIL(High-grade Squamous Intraepithelial Lesion)일 때 38 내지 45㎛, 및 HPV(Human Papillomavirus)일 때 15㎛ 이하일 수 있다.
상기 전처리하는 단계는, 상기 촬상된 영상으로부터 RGB 영상을 추출하는 단계; 상기 RGB 영상을 그레이 영상으로 변환하는 단계; 상기 그레이 영상의 잡음을 제거하는 단계; 및 상기 잡음이 제거된 영상의 에지(edge)를 검출하는 단계를 포함할 수 있다.
상기 잡음을 제거하는 단계는 평균 마스크를 이용할 수 있다.
상기 에지를 검출하는 단계는 소벨(sobel), 로버츠(Roberts), 라플라시안(Laplacian), 및 캐니(Canny) 에지 검출 방법 중 어느 하나에 의해 수행될 수 있다.
상기 자궁 경부 세포 영역의 이미지를 추출하는 단계는 허프 변환(Hough Transform), ROI(Region of Interest), 및 이미지의 화소를 이용하는 워터쉐드(watershed) 중 어느 하나에 의해 수행될 수 있다.
또한, 본 발명의 실시례에 따른 자궁 경부암 자동 진단 시스템은,
자궁 경부암의 유무 및 진행 정도에 따라 각기 다른 자궁 경부 세포 영역의 형상 데이터를 자궁 경부암을 판별하기 위한 기준 데이터로 저장하는 데이터베이스; 및 피검사자로부터 채취한 자궁 경부 세포가 촬상되면, 상기 촬상된 영상을 전처리하고, 상기 전처리된 영상으로부터 자궁 경부 세포 영역의 이미지를 추출하며, 상기 저장된 기준 데이터를 토대로, 상기 추출한 자궁 경부 세포 영역의 이미지에 대한 자궁 경부암을 판별하는 진단 장치를 포함하고, 상기 기준 데이터는 상기 자궁 경부암의 유무 및 진행 정도에 따라 각기 다른 자궁 경부 세포의 핵 크기, 세포 핵의 불규칙 정도, 세포 핵의 위치, 및 세포 핵과 세포질의 비율에 대한 데이터 중 적어도 하나를 포함할 수 있다.
상기 자궁 경부암의 유무 및 진행 정도에 따라 각기 다른 자궁 경부 세포의 핵 크기에 대한 데이터는 정상 상태일 때 15 내지 25㎛, ASCUS(Atypical Squamous Cells of Undetermined Significance)일 때 25 내지 30㎛, LSIL(Low-grade Squamous Intraepithelial Lesion)일 때 30 내지 38㎛, HSIL(High-grade Squamous Intraepithelial Lesion)일 때 38 내지 45㎛, 및 HPV(Human Papillomavirus)일 때 15㎛ 이하일 수 있다.
상기 진단 장치는 상기 촬상된 영상을 전처리할 때, 상기 촬상된 영상으로부터 RGB 영상을 추출하고, 상기 RGB 영상을 그레이 영상으로 변환하며, 상기 그레이 영상의 잡음을 제거하고, 상기 잡음이 제거된 영상의 에지(edge)를 검출할 수 있다.
상기 진단 장치는 상기 잡음을 제거할 때 평균 마스크를 이용할 수 있다.
상기 진단 장치는 상기 에지를 검출할 때 소벨(sobel), 로버츠(Roberts), 라플라시안(Laplacian), 및 캐니(Canny) 에지 검출 방법 중 어느 하나를 이용할 수 있다.
상기 진단 장치는 상기 자궁 경부 세포 영역의 이미지를 추출할 때 허프 변환(Hough Transform), ROI(Region of Interest), 및 이미지의 화소를 이용하는 워터쉐드(watershed) 중 어느 하나를 이용할 수 있다.
본 발명에 의한 자궁 경부암 자동 진단 방법 및 시스템은 검사자의 판독 능력에 관계없이 신속하게 자궁 경부암을 자동 진단할 수 있는 효과를 갖는다.
도 1은 본 발명의 일 실시례에 따른 자궁 경부암 자동 진단 시스템의 구성도이다.
도 2는 기준 데이터가 저장된 데이터베이스 화면의 일 예를 나타낸 도면이다.
도 3은 기준 데이터의 일 예를 나타낸 도면이다.
도 4는 본 발명의 일 실시례에 따른 자궁 경부암 자동 진단 방법을 나타낸 흐름도이다.
도 2는 기준 데이터가 저장된 데이터베이스 화면의 일 예를 나타낸 도면이다.
도 3은 기준 데이터의 일 예를 나타낸 도면이다.
도 4는 본 발명의 일 실시례에 따른 자궁 경부암 자동 진단 방법을 나타낸 흐름도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법들은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시례들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시례들에 한정되는 것이 아니라, 또 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시례들은 본 발명의 개시가 완전하도록 하고 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 단지 청구항에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조부호는 동일 구성요소를 지칭한다.
이하, 첨부된 도면들을 참고하여 본 발명의 실시례에 따른 자궁 경부암 자동 진단 방법 및 시스템에 대해 설명하도록 한다.
도 1은 본 발명의 일 실시례에 따른 자궁 경부암 자동 진단 시스템의 구성도이고, 도 2는 기준 데이터가 저장된 데이터베이스 화면의 일 예를 나타낸 도면이며, 도 3은 기준 데이터의 일 예를 나타낸 도면이다.
도 1을 참조하면, 본 발명의 일 실시례에 따른 자궁 경부암 자동 진단 시스템(100)은 데이터베이스(110), 촬상 장치(130), 및 진단 장치(150)를 포함한다.
데이터베이스(110)에는 자궁 경부암의 유무 및 진행 정도에 따라 각기 다른 자궁 경부 세포 영역의 형상 데이터가 자궁 경부암을 판별하기 위한 기준 데이터로서 저장된다. 이러한 데이터베이스(110)는 소프트웨어적으로 생성되고 관리된다.
상기 자궁 경부 세포의 영역은 핵 영역일 수도 있고, 세포질 영역일 수도 있으며, 핵 영역과 세포질 영역을 포함하는 세포 전체 영역일 수도 있으나, 본 실시례에서는 핵 영역인 것으로 설명하기로 한다.
기준 데이터는 자궁 경부 세포의 핵 크기, 세포 핵의 불규칙 정도, 세포 핵의 위치, 및 세포 핵과 세포질의 비율에 대한 데이터 중 적어도 하나를 포함할 수 있다.
기준 데이터는, 도 2에 도시된 바와 같이, 자궁 경부암의 유무 및 진행 정도에 따라 정상 상태, ASCUS(Atypical Squamous Cells of Undetermined Significance), LSIL(Low-grade Squamous Intraepithelial Lesion), HSIL(High-grade Squamous Intraepithelial Lesion), HPV(Human Papillomavirus)로 구분하여 데이터베이스화된다. 각 상태별 기준 데이터는 도 3에 도시된 바와 같이 이미지 데이터로서 저장될 수도 있으며, 하기의 표 1과 같이 문자 데이터로서 저장될 수도 있다.
기준 데이터가 자궁 경부 세포의 핵 크기에 대한 데이터를 포함할 때, 상기 자궁 경부 세포의 핵 크기에 대한 데이터는 표 1과 같이 자궁 경부암의 유무 및 진행 정도에 따라 정상 상태일 때 15 내지 25㎛, ASCUS(Atypical Squamous Cells of Undetermined Significance)일 때 25 내지 30㎛, LSIL(Low-grade Squamous Intraepithelial Lesion)일 때 30 내지 38㎛, HSIL(High-grade Squamous Intraepithelial Lesion)일 때 38 내지 45㎛, 및 HPV(Human Papillomavirus)일 때 15㎛ 이하로 설정될 수 있다.
조 건 | 세포 핵 크기 | 진 단 |
1 | 15~25㎛ | Normal |
2 | 25~30㎛ | ASCUS |
3 | 30~38㎛ | LSIL |
4 | 38~45㎛ | HSIL |
5 | 15㎛ 이하 | HPV |
촬상 장치(130)는 피검사자로부터 채취한 자궁 경부 세포를 촬상한다. 이러한 촬상 장치(130)는 현미경을 포함할 수 있다.
진단 장치(150)는 촬상 장치(130)와 전기적으로 연결되어 촬상 장치(130)에 의해 촬상된 영상을 입력받을 수 있다. 진단 장치(150)는 촬상 장치(130)에 의해 촬상된 영상을 입력받아 전처리하고, 상기 전처리된 영상으로부터 자궁 경부 세포 영역(예를 들면, 핵 영역)의 이미지를 추출한다. 그리고 진단 장치(150)는 데이터베이스(110)에 저장된 기준 데이터를 토대로, 상기 추출한 자궁 경부 세포 영역의 이미지에 대한 자궁 경부암을 판별한다. 이러한 진단 장치(150)의 동작 과정은 내부 메모리에 프로그래밍된 상태로 저장되며, 진단 시 실행된다.
진단 장치(150)는 촬상 장치(130)에 의해 촬상된 영상을 전처리할 때, 상기 촬상된 영상으로부터 RGB 영상을 추출한다. 그리고, 진단 장치(150)는 상기 RGB 영상을 그레이 영상으로 변환하며, 상기 그레이 영상의 잡음을 제거한 후, 상기 잡음이 제거된 영상의 에지(edge)를 검출한다. 이러한 영상 전처리 과정은 랩뷰(Labview)의 비전 디벨롭먼트(Vision Development)나 매트랩(Matlab), 혹은 랩뷰와 매트랩의 조합을 이용하여 수행될 수 있다.
랩뷰를 이용한 영상 전처리 시, RGB 스레스홀드(threshold), 그레이 스레스홀드(threshold), 모폴로지(Morphology), 가우시안 필터(Gaussian filter), 컨벌루션 필터(Convolution filter) 등의 함수가 사용될 수 있다.
매트랩을 이용한 영상 전처리 시, 추출한 RGB 영상을 수학식 1에 적용한다.
[수학식 1]
상기 수학식 1에 의해 획득된 RGB 영상은 그레이 영상으로 변환되고, 변환된 그레이 영상은 평균 마스크(예를 들면, 3*3 마스크)에 의해 잡음이 제거될 수 있다. 잡음이 제거된 영상은 소벨(sobel), 로버츠(Roberts), 라플라시안(Laplacian), 및 캐니(Canny) 에지 검출 방법 중 어느 하나에 의해 에지(edge)가 검출될 수 있다.
진단 장치(150)는 전처리가 완료된 영상으로부터 자궁 경부 세포 영역(예를 들면, 핵 영역)의 이미지를 추출할 때, 허프 변환(Hough Transform), ROI(Region of Interest), 및 이미지의 화소를 이용하는 워터쉐드(watershed) 중 어느 하나를 이용할 수 있다. 추출된 자궁 경부 세포 영역은 다른 영역과 구분되도록 그 경계선이 원형으로 표시될 수 있다.
기준 데이터가 표 1과 같을 때, 진단 장치(150)는 상기 추출한 자궁 경부 세포 영역인 핵 영역의 크기가 15 내지 25㎛이면 정상 상태, 25 내지 30㎛이면 ASCUS, 30 내지 38㎛이면 LSIL, 38 내지 45㎛이면 HSIL, 15㎛ 이하이면 HPV로 진단한다. 만약 기준 데이터가 이미지 데이터로 저장된 경우, 진단 장치(150)는 상기 추출한 자궁 경부 세포의 핵 영역과 이미지 데이터의 핵 영역의 크기가 매칭되는지에 따라 자궁 경부암을 판별할 수 있다. 그리고, 진단 장치(150)는 자궁 경부암의 판별 결과를 화면에 표시할 수 있다.
이러한 시스템(100)을 이용한 자궁 경부암 자동 진단 방법을 도 4를 참조하여 설명하기로 한다.
도 4를 참조하면, 먼저 데이터베이스(110)에 자궁 경부암의 유무 및 진행 정도에 따라 각기 다른 자궁 경부 세포의 형상 데이터를 자궁 경부암을 판별하기 위한 기준 데이터로 미리 저장한다(S110).
피검사자로부터 채취한 자궁 경부 세포가 촬상 장치(130)에 의해 촬상되면, 진단 장치(150)는 상기 촬상된 영상을 입력받는다(S120). 그리고 진단 장치(150)는 입력받은 영상을 전처리한다. 전처리 과정은 상기 촬상된 영상으로부터 RGB 영상을 추출하고(S130), 추출한 RGB 영상을 그레이 영상으로 변환하며(S140), 그레이 영상의 잡음을 평균 마스크를 이용하여 제거한 후(S150), 잡음이 제거된 영상의 에지(edge)를 소벨, 로버츠, 라플라시안, 및 캐니 방법 중 어느 하나에 의해 검출하는 과정으로 이루어진다(S160).
그리고 진단 장치(150)는 전처리 된 영상으로부터 자궁 경부 세포 영역의 이미지를 추출한다(S170). 자궁 경부 세포 영역의 이미지 추출은 허프 변환(Hough Transform), ROI(Region of Interest), 및 이미지의 화소를 이용하는 워터쉐드(watershed) 중 어느 하나에 의해 수행될 수 있다.
마지막으로 진단 장치(150)는 데이터베이스(110)에 저장된 기준 데이터를 토대로, 상기 추출한 자궁 경부 세포 영역의 이미지에 대한 자궁 경부암을 판별하여 화면에 그 결과를 표시한다(S180).
한편 상술한 본 발명의 실시례들은 컴퓨터에서 실행될 수 있는 프로그램으로 작성 가능하고, 컴퓨터로 읽을 수 있는 기록매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다.
상기 컴퓨터로 읽을 수 있는 기록매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스크, 하드디스크 등), 광학적 판독 매체(예를 들면, 시디롬, 디브이디 등) 및 캐리어 웨이브(예를 들면, 인터넷을 통한 전송)와 같은 저장매체를 포함한다.
이제까지 본 발명에 대하여 그 바람직한 실시례들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시례들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.
이와 같이, 본 발명에 의한 자궁 경부암 자동 진단 방법 및 시스템에 따르면, 검사자의 판독 능력에 관계없이 신속하게 자궁 경부암을 자동 진단할 수 있는 장점이 있다.
100: 자궁 경부암 자동 진단 시스템 110: 데이터베이스
130: 촬상 장치 150: 진단 장치
130: 촬상 장치 150: 진단 장치
Claims (14)
- 자궁 경부암의 유무 및 진행 정도에 따라 각기 다른 자궁 경부 세포 영역의 형상 데이터를 자궁 경부암을 판별하기 위한 기준 데이터로 미리 저장하는 단계;
피검사자로부터 채취한 자궁 경부 세포가 촬상되면, 상기 촬상된 영상을 전처리하는 단계;
상기 전처리된 영상으로부터 자궁 경부 세포 영역의 이미지를 추출하는 단계; 및
상기 저장된 기준 데이터를 토대로, 상기 추출한 자궁 경부 세포 영역의 이미지에 대한 자궁 경부암을 판별하는 단계를 포함하고,
상기 기준 데이터는 상기 자궁 경부암의 유무 및 진행 정도에 따라 각기 다른 자궁 경부 세포의 핵 크기, 세포 핵의 불규칙 정도, 세포 핵의 위치, 및 세포 핵과 세포질의 비율에 대한 데이터 중 적어도 하나를 포함하는 자궁 경부암 자동 진단 방법.
- 삭제
- 제1항에 있어서,
상기 자궁 경부암의 유무 및 진행 정도에 따라 각기 다른 자궁 경부 세포의 핵 크기에 대한 데이터는 정상 상태일 때 15 내지 25㎛, ASCUS(Atypical Squamous Cells of Undetermined Significance)일 때 25 내지 30㎛, LSIL(Low-grade Squamous Intraepithelial Lesion)일 때 30 내지 38㎛, HSIL(High-grade Squamous Intraepithelial Lesion)일 때 38 내지 45㎛, 및 HPV(Human Papillomavirus)일 때 15㎛ 이하인 자궁 경부암 자동 진단 방법.
- 제1항에 있어서,
상기 전처리하는 단계는,
상기 촬상된 영상으로부터 RGB 영상을 추출하는 단계;
상기 RGB 영상을 그레이 영상으로 변환하는 단계;
상기 그레이 영상의 잡음을 제거하는 단계; 및
상기 잡음이 제거된 영상의 에지(edge)를 검출하는 단계를 포함하는 자궁 경부암 자동 진단 방법.
- 제4항에 있어서,
상기 잡음을 제거하는 단계는 평균 마스크를 이용하는 자궁 경부암 자동 진단 방법.
- 제4항에 있어서,
상기 에지를 검출하는 단계는 소벨(sobel), 로버츠(Roberts), 라플라시안(Laplacian), 및 캐니(Canny) 에지 검출 방법 중 어느 하나에 의해 수행되는 자궁 경부암 자동 진단 방법.
- 제1항에 있어서,
상기 자궁 경부 세포 영역의 이미지를 추출하는 단계는 허프 변환(Hough Transform), ROI(Region of Interest), 및 이미지의 화소를 이용하는 워터쉐드(watershed) 중 어느 하나에 의해 수행되는 자궁 경부암 자동 진단 방법.
- 자궁 경부암의 유무 및 진행 정도에 따라 각기 다른 자궁 경부 세포 영역의 형상 데이터를 자궁 경부암을 판별하기 위한 기준 데이터로 저장하는 데이터베이스; 및
피검사자로부터 채취한 자궁 경부 세포가 촬상되면, 상기 촬상된 영상을 전처리하고, 상기 전처리된 영상으로부터 자궁 경부 세포 영역의 이미지를 추출하며, 상기 저장된 기준 데이터를 토대로, 상기 추출한 자궁 경부 세포 영역의 이미지에 대한 자궁 경부암을 판별하는 진단 장치를 포함하고,
상기 기준 데이터는 상기 자궁 경부암의 유무 및 진행 정도에 따라 각기 다른 자궁 경부 세포의 핵 크기, 세포 핵의 불규칙 정도, 세포 핵의 위치, 및 세포 핵과 세포질의 비율에 대한 데이터 중 적어도 하나를 포함하는 자궁 경부암 자동 진단 시스템.
- 삭제
- 제8항에 있어서,
상기 자궁 경부암의 유무 및 진행 정도에 따라 각기 다른 자궁 경부 세포의 핵 크기에 대한 데이터는 정상 상태일 때 15 내지 25㎛, ASCUS(Atypical Squamous Cells of Undetermined Significance)일 때 25 내지 30㎛, LSIL(Low-grade Squamous Intraepithelial Lesion)일 때 30 내지 38㎛, HSIL(High-grade Squamous Intraepithelial Lesion)일 때 38 내지 45㎛, 및 HPV(Human Papillomavirus)일 때 15㎛ 이하인 자궁 경부암 자동 진단 시스템.
- 제8항에 있어서,
상기 진단 장치는 상기 촬상된 영상을 전처리할 때, 상기 촬상된 영상으로부터 RGB 영상을 추출하고, 상기 RGB 영상을 그레이 영상으로 변환하며, 상기 그레이 영상의 잡음을 제거하고, 상기 잡음이 제거된 영상의 에지(edge)를 검출하는 자궁 경부암 자동 진단 시스템.
- 제11항에 있어서,
상기 진단 장치는 상기 잡음을 제거할 때 평균 마스크를 이용하는 자궁 경부암 자동 진단 시스템.
- 제11항에 있어서,
상기 진단 장치는 상기 에지를 검출할 때 소벨(sobel), 로버츠(Roberts), 라플라시안(Laplacian), 및 캐니(Canny) 에지 검출 방법 중 어느 하나를 이용하는 자궁 경부암 자동 진단 시스템.
- 제8항에 있어서,
상기 진단 장치는 상기 자궁 경부 세포 영역의 이미지를 추출할 때 허프 변환(Hough Transform), ROI(Region of Interest), 및 이미지의 화소를 이용하는 워터쉐드(watershed) 중 어느 하나를 이용하는 자궁 경부암 자동 진단 시스템.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR20130087724A KR101489163B1 (ko) | 2013-07-25 | 2013-07-25 | 자궁 경부암 자동 진단 방법 및 시스템 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR20130087724A KR101489163B1 (ko) | 2013-07-25 | 2013-07-25 | 자궁 경부암 자동 진단 방법 및 시스템 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR101489163B1 true KR101489163B1 (ko) | 2015-02-03 |
Family
ID=52590134
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR20130087724A KR101489163B1 (ko) | 2013-07-25 | 2013-07-25 | 자궁 경부암 자동 진단 방법 및 시스템 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR101489163B1 (ko) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977955A (zh) * | 2019-04-03 | 2019-07-05 | 南昌航空大学 | 一种基于深度学习的***前病变识别的方法 |
CN112200253A (zh) * | 2020-10-16 | 2021-01-08 | 武汉呵尔医疗科技发展有限公司 | 基于senet的宫颈细胞图像分类方法 |
CN112380900A (zh) * | 2020-10-10 | 2021-02-19 | 深圳视见医疗科技有限公司 | 基于深度学习的子宫颈液基细胞数字图像分类方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11502935A (ja) * | 1995-11-13 | 1999-03-09 | バイオ−ラッド ラボラトリーズ,インコーポレイティド | フーリエ変換赤外分光法を用いて細胞の異常を検出するための方法 |
KR100479271B1 (ko) | 2001-09-13 | 2005-03-30 | 학교법인 한림대학교 | 자궁경부 세포진영상의 핵영역분할방법 |
JP2009539366A (ja) | 2006-06-05 | 2009-11-19 | フォース フォトニクス リミテッド | 組織を特徴づける方法 |
KR20110028310A (ko) * | 2008-05-29 | 2011-03-17 | 노스이스턴 유니버시티 | 세포의 질병 검출에 유용한 세포 스펙트럼의 재구성 방법 |
-
2013
- 2013-07-25 KR KR20130087724A patent/KR101489163B1/ko active IP Right Grant
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11502935A (ja) * | 1995-11-13 | 1999-03-09 | バイオ−ラッド ラボラトリーズ,インコーポレイティド | フーリエ変換赤外分光法を用いて細胞の異常を検出するための方法 |
KR100479271B1 (ko) | 2001-09-13 | 2005-03-30 | 학교법인 한림대학교 | 자궁경부 세포진영상의 핵영역분할방법 |
JP2009539366A (ja) | 2006-06-05 | 2009-11-19 | フォース フォトニクス リミテッド | 組織を特徴づける方法 |
KR20110028310A (ko) * | 2008-05-29 | 2011-03-17 | 노스이스턴 유니버시티 | 세포의 질병 검출에 유용한 세포 스펙트럼의 재구성 방법 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977955A (zh) * | 2019-04-03 | 2019-07-05 | 南昌航空大学 | 一种基于深度学习的***前病变识别的方法 |
CN112380900A (zh) * | 2020-10-10 | 2021-02-19 | 深圳视见医疗科技有限公司 | 基于深度学习的子宫颈液基细胞数字图像分类方法及*** |
CN112200253A (zh) * | 2020-10-16 | 2021-01-08 | 武汉呵尔医疗科技发展有限公司 | 基于senet的宫颈细胞图像分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101682604B1 (ko) | 자궁 경부암 자동 진단 시스템 | |
CN107451998B (zh) | 一种眼底图像质量控制方法 | |
CN109472781B (zh) | 一种基于串行结构分割的糖尿病视网膜病变检测*** | |
CN107316311B (zh) | 细胞核图像轮廓捕获设备及其方法 | |
SujithKumar et al. | Automatic detection of diabetic retinopathy in non-dilated RGB retinal fundus images | |
Jaafar et al. | Automated detection of red lesions from digital colour fundus photographs | |
EP2288286A1 (en) | An automatic opacity detection system for cortical cataract diagnosis | |
CN109697716B (zh) | 青光眼图像识别方法、设备和筛查*** | |
Mittal et al. | Automated detection and segmentation of drusen in retinal fundus images | |
Mane et al. | Detection of red lesions in diabetic retinopathy affected fundus images | |
KR101489163B1 (ko) | 자궁 경부암 자동 진단 방법 및 시스템 | |
JP2015181374A (ja) | 糸状性細菌検出装置および糸状性細菌の検出方法 | |
JP2001184510A (ja) | 欠陥検出方法 | |
WO2022102783A1 (ja) | 子宮頸がんスクリーニング支援システム、子宮頸がんスクリーニング支援方法、子宮頸がんスクリーニング支援プログラムおよびスマートフォン用アプリケーション | |
Lee et al. | Automated quantification of retinal nerve fiber layer atrophy in fundus photograph | |
Kumar et al. | Automatic detection of red lesions in digital color retinal images | |
CN107240093B (zh) | 一种癌变细胞的自动诊断方法 | |
Hatanaka et al. | Automatic measurement of vertical cup-to-disc ratio on retinal fundus images | |
Tulpule et al. | Segmentation and classification of cervix lesions by pattern and texture analysis | |
Padmanaban et al. | Localization of optic disc using Fuzzy C Means clustering | |
Pinão et al. | Fovea and optic disc detection in retinal images with visible lesions | |
Das et al. | Entropy thresholding based microaneurysm detection in fundus images | |
Othman et al. | The fusion of edge detection and mathematical morphology algorithm for shape boundary recognition | |
Li et al. | Automatic opacity detection in retro-illumination images for cortical cataract diagnosis | |
Mir et al. | Assessment of retinopathy severity using digital fundus images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant | ||
FPAY | Annual fee payment |
Payment date: 20180124 Year of fee payment: 4 |
|
FPAY | Annual fee payment |
Payment date: 20190103 Year of fee payment: 5 |
|
FPAY | Annual fee payment |
Payment date: 20200122 Year of fee payment: 6 |