KR102311472B1 - Method for predicting regions of normal tissue and device for predicting regions of normal tissue using the same - Google Patents
Method for predicting regions of normal tissue and device for predicting regions of normal tissue using the same Download PDFInfo
- Publication number
- KR102311472B1 KR102311472B1 KR1020190123661A KR20190123661A KR102311472B1 KR 102311472 B1 KR102311472 B1 KR 102311472B1 KR 1020190123661 A KR1020190123661 A KR 1020190123661A KR 20190123661 A KR20190123661 A KR 20190123661A KR 102311472 B1 KR102311472 B1 KR 102311472B1
- Authority
- KR
- South Korea
- Prior art keywords
- normal tissue
- region
- breast
- medical image
- predicting
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 210000000481 breast Anatomy 0.000 claims abstract description 144
- 210000000056 organ Anatomy 0.000 claims abstract description 44
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 16
- 210000004072 lung Anatomy 0.000 claims description 51
- 230000005855 radiation Effects 0.000 claims description 18
- 238000003325 tomography Methods 0.000 claims description 6
- 210000001519 tissue Anatomy 0.000 description 502
- 230000011218 segmentation Effects 0.000 description 18
- 206010006187 Breast cancer Diseases 0.000 description 13
- 208000026310 Breast neoplasm Diseases 0.000 description 13
- 210000000920 organ at risk Anatomy 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 8
- 238000002059 diagnostic imaging Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 230000001678 irradiating effect Effects 0.000 description 3
- 238000001959 radiotherapy Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 206010011732 Cyst Diseases 0.000 description 1
- 230000003388 anti-hormonal effect Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000002512 chemotherapy Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 208000031513 cyst Diseases 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 210000005075 mammary gland Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/103—Treatment planning systems
- A61N5/1039—Treatment planning systems using functional images, e.g. PET or MRI
-
- 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
-
- 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
- A61B6/46—Arrangements for interfacing with the operator or the patient
- A61B6/467—Arrangements for interfacing with the operator or the patient characterised by special input means
- A61B6/469—Arrangements for interfacing with the operator or the patient characterised by special input means for selecting a region of interest [ROI]
-
- 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
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/502—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of breast, i.e. mammography
-
- 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
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/503—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of the heart
-
- 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
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/1048—Monitoring, verifying, controlling systems and methods
- A61N5/1049—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/1048—Monitoring, verifying, controlling systems and methods
- A61N5/1049—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam
- A61N2005/1061—Monitoring, verifying, controlling systems and methods for verifying the position of the patient with respect to the radiation beam using an x-ray imaging system having a separate imaging source
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N2005/1092—Details
- A61N2005/1094—Shielding, protecting against radiation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
- Physiology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Cardiology (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
본 발명은, 유방 내 종양 조직과 구별되는, 유방의 정상 조직 또는 유방 인근 기관의 정상 조직을 포함하는 의료 영상을 수신하는 단계, 의료 영상에 기초하여 정상 조직의 영역을 예측하도록 구성된 제1 정상 조직 영역 예측 모델을 이용하여, 의료 영상 내에서 제1 정상 조직 후보 영역을 예측하는 단계, 제1 정상 조직 영역 예측 모델과 상이한, 제2 정상 조직 영역 예측 모델을 이용하여, 제1 정상 조직 후보 영역에 기초하여 의료 영상 내에서 제2 정상 조직 후보 영역을 예측하는 단계, 및 제2 정상 조직 후보 영역을 유방의 정상 조직 또는 유방 인근 기관의 정상 조직으로 분류하는 단계를 포함하는, 정상 조직 영역의 예측 방법 및 이를 이용한 디바이스를 제공한다. The present invention provides a first normal tissue configured to predict a region of a normal tissue based on the medical image, comprising the steps of receiving a medical image including normal tissue of the breast or normal tissue of an organ adjacent to the breast, which is distinct from tumor tissue in the breast. predicting a first normal tissue candidate region in a medical image by using the region prediction model; A method of predicting a normal tissue region, comprising: predicting a second normal tissue candidate region in a medical image based on the medical image; and classifying the second normal tissue candidate region as normal tissue of the breast or normal tissue of an organ adjacent to the breast. and a device using the same.
Description
본 발명은 정상 조직 영역의 예측 방법 및 이를 이용한 정상 조직 영역 예측용 디바이스에 관한 것으로, 보다 구체적으로 주변 조직과의 구별이 어려워 방사선 치료의 신뢰도가 떨어질 수 있는 목적 부위에 대하여, 이의 의료 영상 내에서 효과적으로 정상 조직 영역을 예측하는 방법 및 이를 이용한 정상 조직 영역 예측용 디바이스에 관한 것이다.The present invention relates to a method for predicting a normal tissue region and a device for predicting a normal tissue region using the same, and more specifically, to a target site that is difficult to distinguish from surrounding tissues and may have poor reliability of radiation therapy, within its medical image. A method for effectively predicting a normal tissue region and a device for predicting a normal tissue region using the same.
유방암이란 유방에 생긴 암 세포로 이루어진 종괴이다. 유방암의 발병 원인으로 여성 호르몬, 가족력, 과거력, 출산력, 식생활 습관 등 다양한 인자들이 거론되고 있지만 아직까지 명확하게 규명된 것은 없다. 유방암의 발생은 유선조직의 민감도 증가, 식생활의 서구화, 생활환경의 오염 등의 이유로 급격하게 증가하고 있다. Breast cancer is a mass made up of cancer cells that form in the breast. Various factors such as female hormones, family history, past history, fertility history, and dietary habits have been discussed as the cause of breast cancer, but none have been clearly identified yet. The incidence of breast cancer is rapidly increasing due to increased sensitivity of mammary gland tissue, westernization of diet, and pollution of living environment.
한편, 유방암의 치료 방법으로는 수술적 치료, 방사선 치료, 항암화학 요법, 항호르몬 치료 등의 다양한 치료 방법이 알려져 있다. Meanwhile, as a treatment method for breast cancer, various treatment methods such as surgical treatment, radiation treatment, chemotherapy, and anti-hormonal treatment are known.
특히, 유방암의 치료를 위한 방사선 치료는, 방사선을 종양에 조사해 종양 조직을 제거하는 것으로, 유방 절제 수술과 같은 수술적 치료 후 국소 재발을 방지하고 생명을 연장시키는 목적으로 이용되고 있다.In particular, radiation therapy for the treatment of breast cancer, which removes tumor tissue by irradiating radiation to a tumor, is used for the purpose of preventing local recurrence and prolonging life after surgical treatment such as mastectomy.
한편, 방사선 치료에 있어서, 유방 내 종양의 제거를 위한 방사선의 조사는, 타깃 조직인 유방 종양 조직뿐만 아니라, 정상 조직, 나아가 심장, 폐 등의 인접 장기에 영향을 미칠 수 있다.Meanwhile, in radiation therapy, irradiation of radiation for removal of a tumor in the breast may affect not only a target tissue, a breast tumor tissue, but also a normal tissue, and further adjacent organs such as the heart and lungs.
이에, 환자의 종양 조직으로 방사선을 조사하기 전에, 환자의 유방 내에 존재하는 종양의 크기, 위치, 나아가 정상 조직 등을 고려하여, 손상 위험 장기 (organ at risk, OAR) 를 피해, 방사선의 조사 위치 및 조사량을 결정하는 등의 정밀한 방사선 치료 계획이 요구될 수 있다.Therefore, before irradiating radiation to the patient's tumor tissue, considering the size, location, and normal tissue of the tumor existing in the patient's breast, avoid the organ at risk (OAR), the location of the radiation And precise radiation treatment planning such as determining the dose may be required.
이때, 방사선 치료 계획 이전에 필수적으로 수행되는, 손상 위험 장기에 대한 컨투어링 (contouring) 작업은 환자에 따라 수시간이 요구될 수 있어, 의료진으로 하여금 번거로움을 수반하는 절차이다. 또한, 의료진의 숙련도에 따라 컨투어링 결과가 상이할 수도 있다. In this case, the contouring operation of the damaged organ, which is essentially performed before the radiation treatment plan, may require several hours depending on the patient, which is a procedure that accompanies the medical staff cumbersome. Also, the contouring result may be different depending on the skill level of the medical staff.
이에, 손상 위험 장기와 같은 정상 조직의 손상을 줄이도록 정확도 높은 방사선 선량 조사가 수행될 수 있고, 나아가 빠른 치료 계획 수립이 가능할 수 있는, 정상 조직에 대한 컨투어링 시스템에 대한 개발이 지속적으로 요구되고 있다. Accordingly, the development of a contouring system for normal tissues that can be performed with high-accuracy radiation dose irradiation to reduce damage to normal tissues such as organs at risk of damage, and further rapid treatment planning can be established, is continuously required. .
발명의 배경이 되는 기술은 본 발명에 대한 이해를 보다 용이하게 하기 위해 작성되었다. 발명의 배경이 되는 기술에 기재된 사항들이 선행기술로 존재한다고 인정하는 것으로 이해되어서는 안 된다.The description underlying the invention has been prepared to facilitate understanding of the invention. It should not be construed as an admission that the matters described in the background technology of the invention exist as prior art.
한편, 보다 정확한 정상 조직에 대한 컨투어링을 위해, 유방과 같은 목적 부위에 대하여 선명한 해상도를 갖는 최적의 의료 영상의 이용이 제안되었다. 그러나, 이러한 방법은, 작업의 정확도는 높일 수 있으나, 사용자가 파라미터를 직접 미세 조정해야 하기 때문에 사용자로 하여금 높은 작업 피로도를 유발할 뿐만 아니라, 복잡한 조정 절차로 인해 분석 시간이 증대될 수 있다는 문제가 발생할 수 있다. On the other hand, for more accurate contouring of normal tissue, it has been proposed to use an optimal medical image having a clear resolution for a target site such as a breast. However, this method can increase the accuracy of the operation, but since the user has to fine-tune the parameters directly, it not only causes high work fatigue for the user, but also causes a problem that the analysis time can be increased due to the complicated adjustment procedure. can
한편, 본 발명의 발명자들은 종래의 컨투어링 시스템이 갖는 문제점을 해결하기 위해, 의료 영상 데이터 세트에 의해 학습된 예측 모델을 이용할 수 있음을 인지할 수 있었다. Meanwhile, the inventors of the present invention were able to recognize that a predictive model learned from a medical image data set can be used in order to solve the problems of the conventional contouring system.
특히, 본 발명의 발명자들은, 예측 모델이 유방 내 종양 조직에 대한 방사선 조사 시 손상 위험 장기일 수 있는, 우측 유방의 정상 조직, 좌측 유방의 정상 조직과 같은 유방 내 정상 조직과 우측 폐의 정상 조직, 좌측 폐의 정상 조직, 및 심장의 정상 조직과 같은 유방 인근 기관의 정상 조직을 의료 영상 내에서 높은 정확도로 예측할 수 있음을 인지할 수 있었다.In particular, the inventors of the present invention found that normal tissue in the breast, such as normal tissue in the right breast, normal tissue in the left breast, and normal tissue in the right lung, where the predictive model may be an organ at risk of damage when irradiating the tumor tissue in the breast. , it was recognized that normal tissues of organs adjacent to the breast, such as normal tissues of the left lung, and normal tissues of the heart, could be predicted with high accuracy within the medical image.
그 결과, 본 발명의 발명자들은, 의료 영상 내에서 유방 종양 조직과 구별되는 정상 조직의 영역에 대한 분할의 정확도를 높일 수 있고, 이에 정확한 방사선 치료 계획 수립이 가능한, 새로운 정상 조직 영역 예측 시스템을 개발할 수 있었다. As a result, the inventors of the present invention can increase the accuracy of segmentation of a region of normal tissue that is distinguished from breast tumor tissue in a medical image, and develop a new normal tissue region prediction system capable of establishing an accurate radiation treatment plan. could
한편, 본 발명의 발명자들은, 정상 조직 영역 예측 시스템에 대한 예측 모델의 적용에 있어서, 의료 영상 내의 영역 분할 과정에서 나타나는 예측 모델의 한계점을 인지하였다.On the other hand, the inventors of the present invention recognized the limitations of the predictive model appearing in the region segmentation process in the medical image in applying the predictive model to the normal tissue region prediction system.
보다 구체적으로, 본 발명의 발명자들은 한 번에 대용량의 의료 영상 (예를 들어, 3D CT 영상) 에 대한 정상 조직 영역 분할을 진행할 경우, 적용 가능한 네트워크에 제한이 있으며, GPU 메모리의 한계로 의료 영상에 대한 다운 샘플링 (down sampling) 작업이 필수적일 수 있음에 주목하였다.More specifically, the inventors of the present invention, when performing normal tissue region segmentation for a large-capacity medical image (eg, 3D CT image) at a time, there are limitations in applicable networks, and limitations of GPU memory result in medical imaging It was noted that down-sampling may be necessary.
즉, 본 발명의 발명자들은, 예측 모델에 기초한 정상 조직 영역의 분할 프로세싱에 있어서, 의료 영상에 대한 고해상도의 유지가 어려울 수 있음을 인지할 수 있었다. That is, the inventors of the present invention were able to recognize that it may be difficult to maintain a high resolution of a medical image in segmentation processing of a normal tissue region based on a predictive model.
이때, 본 발명의 발명자들은, 두 단계에 거친 영역 분할 과정을 통해, 의료 영상에 대하여 지엽적인 영역 분할을 진행함으로써, 높은 해상도를 유지하면서도 GPU 메모리의 한계를 극복할 수 있음에 주목하였다. At this time, the inventors of the present invention noted that the limitations of the GPU memory can be overcome while maintaining high resolution by performing local region division on the medical image through a two-step region division process.
결과적으로, 본 발명의 발명자들은, 두 개의 예측 모델을 정상 조직 영역 예측 시스템에 적용할 수 있었고, 그 결과 의료 영상에 대한 높은 해상도를 유지하면서 효율적인 처리가 가능한 것을 발견할 수 있었다. As a result, the inventors of the present invention were able to apply the two prediction models to the normal tissue region prediction system, and as a result, it was found that efficient processing is possible while maintaining high resolution for medical images.
나아가 본 발명의 발명자들은, 정상 조직 영역 예측 시스템에 두 개의 예측 모델을 적용했을 때, 단일의 모델을 이용했을 때보다 의료 영상 내에서 정상 조직 영역을 높은 정확도로 예측하는 것을 확인할 수 있었다. Furthermore, the inventors of the present invention were able to confirm that when two prediction models were applied to the normal tissue region prediction system, the normal tissue region was predicted with higher accuracy in the medical image than when a single model was used.
이때, 본 발명의 발명자들은, 복수의 정상 조직 영역을 예측한 후 이에 대한 ROI (region of interest) 를 결정하도록 구성된 예측 모델과, ROI에 대한 위치 정보에 기초하여 해당 ROI에 대한 정상 조직을 정확하게 예측하도록 구성된 예측 모델을 정상 조직 영역 예측 시스템에 적용할 수 있었다. In this case, the inventors of the present invention accurately predict a normal tissue for a corresponding ROI based on a prediction model configured to predict a plurality of normal tissue regions and then determine an ROI (region of interest), and location information on the ROI. The predictive model configured to do this could be applied to the normal tissue area prediction system.
이에, 본 발명이 해결하고자 하는 과제는 수신된 의료 영상을 기초로 제1 정상 조직 후보 영역을 예측하도록 구성된 제1 정상 조직 영역 예측 모델과, 제1 정상 조직 영역 예측 모델에 의해 결정된 결과에 기초하여, 제2 정상 조직 후보 영역을 예측하도록 구성된 제2 정상 조직 영역 예측 모델을 이용한, 정상 조직 영역의 예측 방법 및 이를 이용한 정상 조직 영역 예측용 디바이스를 제공하는 것이다. Accordingly, the problem to be solved by the present invention is a first normal tissue region prediction model configured to predict a first normal tissue candidate region based on a received medical image, and a result determined by the first normal tissue region prediction model. , A method for predicting a normal tissue region using a second normal tissue region prediction model configured to predict a second normal tissue candidate region, and a device for predicting a normal tissue region using the same.
본 발명의 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다. The problems of the present invention are not limited to the problems mentioned above, and other problems not mentioned will be clearly understood by those skilled in the art from the following description.
전술한 바와 같은 과제를 해결하기 위하여 본 발명의 일 실시예에 따른 정상 조직 영역의 예측 방법이 제공된다. 본 방법은, 유방 내 종양 조직과 구별되는, 유방의 정상 조직 또는 유방 인근 기관의 정상 조직을 포함하는 의료 영상을 수신하는 단계, 의료 영상에 기초하여 정상 조직의 영역을 예측하도록 구성된 제1 정상 조직 영역 예측 모델을 이용하여, 의료 영상 내에서 제1 정상 조직 후보 영역을 예측하는 단계, 제1 정상 조직 영역 예측 모델과 상이한, 제2 정상 조직 영역 예측 모델을 이용하여, 제1 정상 조직 후보 영역에 기초하여 의료 영상 내에서 제2 정상 조직 후보 영역을 예측하는 단계, 및 제2 정상 조직 후보 영역을 유방의 정상 조직 또는 유방 인근 기관의 정상 조직으로 분류하는 단계를 포함한다.In order to solve the above problems, a method for predicting a normal tissue region according to an embodiment of the present invention is provided. The method includes receiving a medical image comprising normal tissue of a breast or a normal tissue of an organ adjacent to the breast, which is distinct from tumor tissue in the breast, and a first normal tissue configured to predict an area of the normal tissue based on the medical image. predicting a first normal tissue candidate region in a medical image by using the region prediction model; predicting a second normal tissue candidate region in the medical image based on the second normal tissue candidate region, and classifying the second normal tissue candidate region as a normal tissue of the breast or a normal tissue of an organ adjacent to the breast.
본 발명의 특징에 따르면, 상기 방법은, 제1 정상 조직 후보 영역을 예측하는 단계 이후에 수행되는, 제1 정상 조직 후보 영역을 포함하는 ROI (region of interest) 를 결정하는 단계, 및 ROI의 좌표, 해상도 및 크기 중 적어도 하나를 포함하는 ROI의 정보에 기초하여, ROI에 해당하는 상세 의료 영상을 수신하는 단계를 더 포함할 수 있다. 한편, 제2 정상 조직 후보 영역을 예측하는 단계는, 제2 정상 조직 영역 예측 모델을 이용하여, 상세 의료 영상 내에서 제2 정상 조직 후보 영역을 예측하는 단계를 포함할 수 있다.According to a feature of the present invention, the method includes: determining a region of interest (ROI) comprising a first normal tissue candidate region, which is performed after predicting the first normal tissue candidate region, and coordinates of the ROI The method may further include receiving a detailed medical image corresponding to the ROI based on information on the ROI including at least one of , resolution and size. Meanwhile, predicting the second normal tissue candidate region may include predicting the second normal tissue candidate region in the detailed medical image by using the second normal tissue region prediction model.
본 발명의 다른 특징에 따르면, ROI의 정보는, ROI의 좌표를 포함하고, 제2 정상 조직 후보 영역을 예측하는 단계 이후에 수행되는, 제2 정상 조직 후보 영역의 좌표를 결정하는 단계, 및 제2 정상 조직 후보 영역의 좌표 및 ROI의 좌표를 하나의 좌표로 통합하는 단계를 더 포함할 수 있다.According to another feature of the present invention, the information of the ROI includes the coordinates of the ROI, and determining the coordinates of the second normal tissue candidate region, which is performed after predicting the second normal tissue candidate region; and The method may further include integrating the coordinates of the 2 normal tissue candidate region and the coordinates of the ROI into one coordinate.
본 발명의 다른 특징에 따르면, 의료 영상은, 정상 조직을 포함하는 저해상도 의료 영상 또는 고해상도 의료 영상일 수 있다.According to another feature of the present invention, the medical image may be a low-resolution medical image or a high-resolution medical image including normal tissue.
본 발명의 다른 특징에 따르면, 정상 조직은, 유방의 정상 조직 및 유방 인근 기관의 정상 조직을 포함할 수 있다. 이때, 유방의 정상 조직은, 우측 유방의 정상 조직 또는 좌측 유방의 정상 조직이고, 유방 인근 기관의 정상 조직은, 우측 폐의 정상 조직, 좌측 폐의 정상 조직, 및 심장의 정상 조직 중 적어도 하나일 수 있다.According to another feature of the present invention, the normal tissue may include a normal tissue of the breast and a normal tissue of an organ adjacent to the breast. In this case, the normal tissue of the breast is a normal tissue of the right breast or a normal tissue of the left breast, and the normal tissue of an organ adjacent to the breast is at least one of a normal tissue of the right lung, a normal tissue of the left lung, and a normal tissue of the heart. can
본 발명의 다른 특징에 따르면, 제2 정상 조직 영역 예측 모델은, 유방의 정상 조직 및 유방 인근 기관의 정상 조직에 대한 제2 정상 조직 후보 영역을 각각 예측하도록 구성된, 복수의 예측 모델일 수 있다.According to another feature of the present invention, the second normal tissue region prediction model may be a plurality of prediction models configured to respectively predict second normal tissue candidate regions for the normal tissue of the breast and the normal tissue of the organs adjacent to the breast.
본 발명의 다른 특징에 따르면, 의료 영상은, 복수의 단층 의료 영상을 포함하는, 3차원 의료 영상일 수 있다. 나아가, 제1 정상 조직 후보 영역을 예측하는 단계는, 제1 정상 조직 영역 예측 모델을 이용하여, 복수의 단층 의료 영상 각각에 대하여 제1 정상 조직 후보 영역을 예측하는 단계를 포함할 수 있다. 또한, 제2 정상 조직 후보 영역을 예측하는 단계는, 제2 정상 조직 영역 예측 모델을 이용하여, 복수의 단층 의료 영상 각각에 대하여 예측된 제1 정상 조직 후보 영역에 기초하여, 복수의 단층 의료 영상 각각에 대한 제2 정상 조직 후보 영역을 예측하는 단계를 포함할 수 있다.According to another feature of the present invention, the medical image may be a 3D medical image including a plurality of tomographic medical images. Furthermore, predicting the first normal tissue candidate region may include predicting the first normal tissue candidate region for each of the plurality of tomographic medical images by using the first normal tissue region prediction model. In addition, the predicting of the second normal tissue candidate region may include: using the second normal tissue region prediction model, based on the first normal tissue candidate region predicted for each of the plurality of tomography medical images, and using the plurality of tomography medical images predicting a second normal tissue candidate region for each.
본 발명의 다른 특징에 따르면, 상기 방법은, 유방의 정상 조직 또는 유방 인근 기관의 정상 조직으로 분류하는 단계 이후에 수행되는, 제2 정상 조직 영역 예측 모델에 의한 분류 결과에 기초하여 방사선 치료 계획을 결정하는 단계를 더 포함할 수 있다.According to another feature of the present invention, in the method, a radiation treatment plan is selected based on the classification result by the second normal tissue area prediction model, which is performed after the step of classifying into normal tissue of the breast or normal tissue of an organ adjacent to the breast. It may further include the step of determining.
본 발명의 다른 특징에 따르면, 상기 방법은, 유방의 정상 조직 또는 유방 인근 기관의 정상 조직으로 분류하는 단계 이후에 수행되는, 예측된 정상 조직 후보 영역 및 분류 결과를 의료 영상 내에 표시하여 제공하는 단계를 더 포함할 수 있다.According to another feature of the present invention, the method includes the steps of displaying and providing a predicted normal tissue candidate region and classification result in a medical image, which is performed after the step of classifying into normal tissue of the breast or normal tissue of an organ adjacent to the breast may further include.
본 발명의 다른 특징에 따르면, 제1 정상 조직 영역 예측 모델 또는 제2 정상 조직 영역 예측 모델은, DenseNet, GoogLeNet, ResNet, AlexNet, U-net 및 VGG-Net 중 적어도 하나의 네트워크에 기초한 모델일 수 있다.According to another feature of the present invention, the first normal tissue region prediction model or the second normal tissue region prediction model may be a model based on at least one network of DenseNet, GoogLeNet, ResNet, AlexNet, U-net, and VGG-Net. have.
전술한 바와 같은 과제를 해결하기 위하여 본 발명의 일 실시예에 따른 정상 조직 영역의 예측용 디바이스가 제공된다. 본 디바이스는, 유방 내 종양 조직과 구별되는, 유방의 정상 조직 또는 유방 인근 기관의 정상 조직을 포함하는 의료 영상을 수신하도록 구성된 수신부, 및 수신부와 연결된 프로세서를 포함한다. 이때, 프로세서는, 의료 영상에 기초하여 정상 조직의 영역을 예측하도록 구성된 제1 정상 조직 영역 예측 모델을 이용하여, 의료 영상 내에서 제1 정상 조직 후보 영역을 예측하고, 제1 정상 조직 영역 예측 모델과 상이한, 제2 정상 조직 영역 예측 모델을 이용하여, 제1 정상 조직 후보 영역에 기초하여 의료 영상 내에서 제2 정상 조직 후보 영역을 예측하고, 제2 정상 조직후보 영역을 유방의 정상 조직 또는 유방 인근 기관의 정상 조직으로 분류하도록 구성된다. In order to solve the above problems, a device for predicting a normal tissue region according to an embodiment of the present invention is provided. The device includes a receiving unit configured to receive a medical image including a normal tissue of the breast or a normal tissue of an organ adjacent to the breast, which is distinguished from tumor tissue in the breast, and a processor connected to the receiving unit. In this case, the processor predicts the first normal tissue candidate region in the medical image by using the first normal tissue region prediction model configured to predict the normal tissue region based on the medical image, and the first normal tissue region prediction model A second normal tissue candidate region is predicted in the medical image based on the first normal tissue candidate region using a second normal tissue region prediction model that is different from Constructed to classify as normal tissue from nearby organs.
본 발명의 특징에 따르면, 프로세서는, 제1 정상 조직 후보 영역을 포함하는 ROI (region of interest) 를 결정하도록 더 구성될 수 있다. 나아가, 수신부는, ROI의 좌표, 해상도 및 크기 중 적어도 하나를 포함하는 ROI의 정보에 기초하여, ROI에 해당하는 상세 의료 영상을 수신하도록 더 구성될 수 있다. 이때, 프로세서는, 제2 정상 조직 영역 예측 모델을 이용하여, 상세 의료 영상 내에서 제2 정상 조직 후보 영역을 예측하도록 더 구성될 수 있다. According to a feature of the present invention, the processor may be further configured to determine a region of interest (ROI) comprising the first normal tissue candidate region. Furthermore, the receiver may be further configured to receive a detailed medical image corresponding to the ROI, based on information on the ROI including at least one of coordinates, resolution, and size of the ROI. In this case, the processor may be further configured to predict the second normal tissue candidate region in the detailed medical image by using the second normal tissue region prediction model.
본 발명의 다른 특징에 따르면, ROI의 정보는, ROI의 좌표를 포함할 수 있다. 이때, 프로세서는, 제2 정상 조직 후보 영역의 좌표를 결정하고, 제2 정상 조직 후보 영역의 좌표 및 ROI의 좌표를 하나의 좌표로 통합하도록 더 구성될 수 있다.According to another feature of the present invention, the information on the ROI may include coordinates of the ROI. In this case, the processor may be further configured to determine the coordinates of the second normal tissue candidate region and integrate the coordinates of the second normal tissue candidate region and the ROI into one coordinate.
본 발명의 또 다른 특징에 따르면, 의료 영상은, 정상 조직을 포함하는 저해상도 의료 영상 또는 고해상도 의료 영상일 수 있다.According to another feature of the present invention, the medical image may be a low-resolution medical image or a high-resolution medical image including normal tissue.
본 발명의 또 다른 특징에 따르면, 정상 조직은, 유방의 정상 조직 및 유방 인근 기관의 정상 조직을 포함할 수 있다. 이때, 유방의 정상 조직은, 우측 유방의 정상 조직 또는 좌측 유방의 정상 조직이고, 유방 인근 기관의 정상 조직은, 우측 폐의 정상 조직, 좌측 폐의 정상 조직, 및 심장의 정상 조직 중 적어도 하나일 수 있다. According to another feature of the present invention, the normal tissue may include a normal tissue of the breast and a normal tissue of an organ adjacent to the breast. In this case, the normal tissue of the breast is a normal tissue of the right breast or a normal tissue of the left breast, and the normal tissue of an organ adjacent to the breast is at least one of a normal tissue of the right lung, a normal tissue of the left lung, and a normal tissue of the heart. can
본 발명의 또 다른 특징에 따르면, 제2 정상 조직 영역 예측 모델은, 유방의 정상 조직 및 유방 인근 기관의 정상 조직에 대한 제2 정상 조직 후보 영역을 각각 예측하도록 구성된, 복수의 예측 모델일 수 있다.According to another feature of the present invention, the second normal tissue region prediction model may be a plurality of predictive models configured to respectively predict second normal tissue candidate regions for normal tissues of the breast and normal tissues of organs adjacent to the breast. .
본 발명의 또 다른 특징에 따르면, 의료 영상은, 복수의 단층 의료 영상을 포함하는, 3차원 의료 영상일 수 있다. 이때, 프로세서는, 제1 정상 조직 영역 예측 모델을 이용하여, 복수의 단층 의료 영상 각각에 대하여 제1 정상 조직 후보 영역을 예측하고, 제2 정상 조직 영역 예측 모델을 이용하여, 복수의 단층 의료 영상 각각에 대하여 예측된 제1 정상 조직 후보 영역에 기초하여, 복수의 단층 의료 영상 각각에 대한 제2 정상 조직 후보 영역을 예측하도록 더 구성될 수 있다.According to another feature of the present invention, the medical image may be a 3D medical image including a plurality of tomographic medical images. In this case, the processor predicts a first normal tissue candidate region for each of the plurality of tomography medical images by using the first normal tissue region prediction model, and uses the second normal tissue region prediction model to predict the plurality of tomography medical images. The method may be further configured to predict a second normal tissue candidate region for each of the plurality of tomographic medical images based on the predicted first normal tissue candidate region for each.
본 발명의 또 다른 특징에 따르면, 프로세서는, 제2 정상 조직 영역 예측 모델에 의한 분류 결과에 기초하여 방사선 치료 계획을 결정하도록 더 구성될 수 있다. According to another feature of the present invention, the processor may be further configured to determine the radiation treatment plan based on the classification result by the second normal tissue region prediction model.
본 발명의 또 다른 특징에 따르면, 프로세서는, 예측된 정상 조직 후보 영역 및 분류 결과를 의료 영상 내에 표시하도록 구성될 수 있다. 상기 디바이스는, 정상 조직 후보 영역 및 분류 결과가 표시된 의료 영상을 제공하도록 구성된 출력부를 더 포함할 수 있다. According to another feature of the present invention, the processor may be configured to display the predicted normal tissue candidate region and classification result in the medical image. The device may further include an output unit configured to provide a medical image in which a normal tissue candidate region and a classification result are displayed.
본 발명의 또 다른 특징에 따르면, 제1 정상 조직 영역 예측 모델 또는 제2 정상 조직 영역 예측 모델은, DenseNet, GoogLeNet, ResNet, AlexNet, U-net 및 VGG-Net 중 적어도 하나의 네트워크에 기초한 모델일 수 있다.According to another feature of the present invention, the first normal tissue region prediction model or the second normal tissue region prediction model is a model based on at least one network of DenseNet, GoogLeNet, ResNet, AlexNet, U-net, and VGG-Net. can
본 발명은, 의료 영상 내에서 정상 조직 영역을 예측 하도록 구성된 두 개의 예측 모델을 이용한, 정상 조직 영역의 예측 방법 및 이를 이용한 디바이스를 제공함으로써, 손상 위험 장기에 대한 정보를 제공할 수 있는 효과가 있다. The present invention has an effect of providing information on organs at risk of damage by providing a method for predicting a normal tissue region using two predictive models configured to predict a normal tissue region within a medical image, and a device using the same .
이에, 본 발명은, 환자에 따라 수시간이 요구될 수 있어, 의료진으로 하여금 번거로움을 수반하고, 의료진의 숙력도에 따라 결과가 상이할 수 있는, 종래의 정상 조직 컨투어링 시스템의 한계를 극복할 수 있는 효과가 있다.Accordingly, the present invention can overcome the limitations of the conventional normal tissue contouring system, in which several hours may be required depending on the patient, causing inconvenience to the medical staff, and the results may be different depending on the skill level of the medical staff. can have an effect.
또한, 본 발명은 두 단계에 거친 영역 분할 과정을 통해, 의료 영상에 대하여 지엽적인 영역 분할이 가능한 정상 조직 영역 예측 시스템을 제공함으로써, 해상도를 유지하면서 GPU 메모리의 한계를 극복할 수 있다.In addition, the present invention can overcome the limitation of GPU memory while maintaining resolution by providing a normal tissue region prediction system capable of regionally dividing a medical image through a two-step region segmentation process.
보다 구체적으로, 본 발명은 3D CT 영상과 같은 대용량, 또는 고해상도의 의료 영상에 대한 정상 조직 영역 분할을 진행할 경우, 적용 가능한 네트워크에 제한을 해결할 수 있고, 의료 영상에 대한 다운 샘플링 (down sampling) 작업이 필수적일 수 있는 GPU 메모리의 한계를 극복할 수 있는 효과가 있다.More specifically, according to the present invention, when performing normal tissue region segmentation for a high-capacity or high-resolution medical image such as a 3D CT image, it is possible to solve the limitation of the applicable network, and to perform a downsampling operation for the medical image. This has the effect of overcoming the limitations of GPU memory that may be essential.
따라서, 본 발명은, 의료 영상 내 정상 조직 영역의 예측에 있어서, 의료 영상에 대한 높은 해상도를 유지하면서 효율적인 처리가 가능할 수 있다. Accordingly, according to the present invention, in predicting a normal tissue region in a medical image, it may be possible to efficiently process the medical image while maintaining high resolution.
본 발명에 따른 효과는 이상에서 예시된 내용에 의해 제한되지 않으며, 더욱 다양한 효과들이 본 명세서 내에 포함되어 있다.The effect according to the present invention is not limited by the contents exemplified above, and more various effects are included in the present specification.
도 1a는 본 발명의 일 실시예에 따른 정상 조직 영역 예측용 디바이스에 기초한, 정상 조직 영역 예측 시스템을 예시적으로 도시한 것이다.
도 1b은 본 발명의 일 실시예에 따른 정상 조직 영역 예측용 디바이스의 구성을 도시한 것이다.
도 2a는 본 발명의 일 실시예에 따른 정상 조직 영역의 예측 방법의 절차를 도시한 것이다.
도 2b는 본 발명의 일 실시예에 따른 정상 조직 영역의 예측 방법에서, 조직 영역 예측 모델을 이용한 의료 영상 내의 정상 조직 영역의 예측 절차를 예시적으로 도시한 것이다.
도 3은 본 발명의 일 실시예에 따른 정상 조직 영역의 예측 방법 및 이를 이용한 정상 조직 영역 예측용 디바이스에서 이용되는, 정상 조직 영역 예측 모델의 구조를 예시적으로 도시한 것이다.
도 4a는 본 발명의 일 실시예에 따른 정상 조직 영역의 예측 방법 및 이를 이용한 정상 조직 영역 예측용 디바이스에서 이용되는, 두 개의 정상 조직 영역 예측 모델에 대한 평가 기준을 예시적으로 도시한 것이다.
도 4b 내지 4e는 본 발명의 일 실시예에 따른 정상 조직 영역의 예측 방법 및 이를 이용한 정상 조직 영역 예측용 디바이스에서 이용되는, 제1 및 제2 정상 조직 영역 예측 모델에 대한 평가 결과를 도시한 것이다.1A exemplarily illustrates a system for predicting a normal tissue region based on a device for predicting a normal tissue region according to an embodiment of the present invention.
1B illustrates the configuration of a device for predicting a normal tissue region according to an embodiment of the present invention.
2A illustrates a procedure of a method for predicting a normal tissue region according to an embodiment of the present invention.
2B exemplarily illustrates a procedure for predicting a normal tissue region in a medical image using a tissue region prediction model in a method for predicting a normal tissue region according to an embodiment of the present invention.
3 exemplarily illustrates the structure of a normal tissue region prediction model used in a normal tissue region prediction method and a normal tissue region prediction device using the same according to an embodiment of the present invention.
4A exemplarily illustrates evaluation criteria for two normal tissue region prediction models used in a method for predicting a normal tissue region and a device for predicting a normal tissue region using the same according to an embodiment of the present invention.
4B to 4E illustrate evaluation results of first and second normal tissue region prediction models used in a method for predicting a normal tissue region and a device for predicting a normal tissue region using the same according to an embodiment of the present invention. .
발명의 이점, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. Advantages of the invention, and methods of achieving them, will become apparent with reference to the embodiments described below in detail in conjunction with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below, but will be implemented in a variety of different forms, and only these embodiments allow the disclosure of the present invention to be complete, and common knowledge in the technical field to which the present invention belongs It is provided to fully inform the possessor of the scope of the invention, and the present invention is only defined by the scope of the claims.
본 발명의 실시예를 설명하기 위한 도면에 개시된 형상, 크기, 비율, 각도, 개수 등은 예시적인 것이므로 본 발명이 도시된 사항에 한정되는 것은 아니다. 또한, 본 발명을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명은 생략한다. 본 명세서 상에서 언급된 '포함한다', '갖는다', '이루어진다' 등이 사용되는 경우, '~만'이 사용되지 않는 이상 다른 부분이 추가될 수 있다. 구성요소를 단수로 표현한 경우에 특별히 명시적인 기재 사항이 없는 한 복수를 포함하는 경우를 포함한다. The shapes, sizes, proportions, angles, numbers, etc. disclosed in the drawings for explaining the embodiments of the present invention are exemplary, and thus the present invention is not limited to the illustrated matters. In addition, in describing the present invention, if it is determined that a detailed description of a related known technology may unnecessarily obscure the subject matter of the present invention, the detailed description thereof will be omitted. When 'including', 'having', 'consisting', etc. mentioned in this specification are used, other parts may be added unless 'only' is used. When a component is expressed in a singular, the case in which the plural is included is included unless otherwise explicitly stated.
구성요소를 해석함에 있어서, 별도의 명시적 기재가 없더라도 오차 범위를 포함하는 것으로 해석한다. In interpreting the components, it is interpreted as including an error range even if there is no separate explicit description.
본 발명의 여러 실시예들의 각각 특징들이 부분적으로 또는 전체적으로 서로 결합 또는 조합 가능하며, 당업자가 충분히 이해할 수 있듯이 기술적으로 다양한 연동 및 구동이 가능하며, 각 실시예들이 서로에 대하여 독립적으로 실시 가능할 수도 있고 연관 관계로 함께 실시 가능할 수도 있다. Each feature of the various embodiments of the present invention may be partially or wholly combined or combined with each other, and technically various interlocking and driving are possible, as will be fully understood by those skilled in the art, and each embodiment may be independently implemented with respect to each other, It may be possible to implement together in a related relationship.
본 명세서의 해석의 명확함을 위해, 이하에서는 본 명세서에서 사용되는 용어들을 정의하기로 한다. For clarity of interpretation of the present specification, terms used herein will be defined below.
본 명세서에서 사용되는 용어, "의료 영상"은 CT, MRI, X-ray와 같은 의료 영상 촬영용 디바이스로부터 수신된, 목적 부위에 대한 영상을 의미할 수 있다. 본 발명의 일 실시예에 따르면, 의료 영상은, 3D CT 영상일 수 있으나, 이에 제한되는 것은 아니다. As used herein, the term “medical image” may refer to an image of a target region received from a medical imaging device such as CT, MRI, or X-ray. According to an embodiment of the present invention, the medical image may be a 3D CT image, but is not limited thereto.
한편, 본원 명세서 내에서 의료 영상은, 유방 부위에 대한 의료 영상으로, 유방 내 종양 조직과 함께, 이와 구별되는 정상 조직을 포함할 수 있다. 예를 들어, 의료 영상은, 우측 유방의 정상 조직, 좌측 유방의 정상 조직, 우측 폐의 정상 조직, 좌측 폐의 정상 조직, 및 심장의 정상 조직 중 적어도 하나를 포함할 수 있다. 나아가, 의료 영상은 상기 정상 조직을 포함하는 고해상도 의료 영상 및 저해상도 의료 영상을 포함할 수 있다.Meanwhile, in the present specification, a medical image is a medical image of a breast region, and may include tumor tissue in the breast and normal tissue differentiated therefrom. For example, the medical image may include at least one of a normal tissue of a right breast, a normal tissue of a left breast, a normal tissue of a right lung, a normal tissue of a left lung, and a normal tissue of a heart. Furthermore, the medical image may include a high-resolution medical image and a low-resolution medical image including the normal tissue.
한편, 의료 영상은, 목적 부위를 포함하는 2차원 영상, 3차원 영상, 한 컷의 스틸 영상, 복수개의 컷으로 구성된 동영상 등을 의미할 수 있다. 예를 들어, 의료 영상은 복수개의 컷으로 구성된 동영상 영상일 경우, 본 발명의 일 실시예에 따른 정상 조직 영역의 예측 방법에 따라 복수개의 의료 영상 각각에 대한 정상 조직 영역 예측이 가능할 수 있다. 그 결과, 본 발명의 일 실시예에 정상 조직 영역의 예측 방법 및 이를 이용한 디바이스는 의료 영상의 수신과 동시에 정상 조직 영역의 예측 결과를 함께 제공할 수 있다. Meanwhile, the medical image may refer to a two-dimensional image including a target site, a three-dimensional image, a still image of one cut, a moving image composed of a plurality of cuts, and the like. For example, when the medical image is a moving image composed of a plurality of cuts, the normal tissue region may be predicted for each of the plurality of medical images according to the method for predicting the normal tissue region according to an embodiment of the present invention. As a result, the method for predicting a normal tissue region and a device using the same according to an embodiment of the present invention may provide a prediction result of a normal tissue region simultaneously with receiving a medical image.
본 명세서에서 사용되는 용어, "정상 조직 영역"은 종양 조직 이외의 영역으로, 정상 조직을 포함하는 모든 영역을 의미할 수 있다. 예를 들어, 정상 조직 영역은 다른 영역에 대하여 상이한 픽셀 값, 질감 (texture) 을 가질 수 있다. As used herein, the term “normal tissue region” refers to a region other than tumor tissue, and may refer to any region including normal tissue. For example, normal tissue regions may have different pixel values, textures for different regions.
한편, 본원 명세서 내에서, 정상 조직 영역은, 우측 유방의 정상 조직, 좌측 유방의 정상 조직, 우측 폐의 정상 조직, 좌측 폐의 정상 조직, 및 심장의 정상 조직 중 적어도 하나에 대한 영역을 포함할 수 있다. Meanwhile, in the present specification, the normal tissue region may include a region for at least one of normal tissue of the right breast, normal tissue of the left breast, normal tissue of the right lung, normal tissue of the left lung, and normal tissue of the heart. can
본 명세서에서 사용되는 용어, "제1 정상 조직 영역"은, 의료 영상 내에 존재하는 정상 조직에 대한 모든 후보 영역일 수 있다. 예를 들어, 제1 정상 조직 영역은, 우측 유방의 정상 조직, 좌측 유방의 정상 조직, 우측 폐의 정상 조직, 좌측 폐의 정상 조직, 및 심장의 정상 조직에 대한 영역을 포함하는 복수의 영역일 수 있다.As used herein, the term “first normal tissue region” may be any candidate region for normal tissue existing in a medical image. For example, the first normal tissue region may be a plurality of regions including regions for normal tissue of the right breast, normal tissue of the left breast, normal tissue of the right lung, normal tissue of the left lung, and normal tissue of the heart. can
본 명세서에서 사용되는 용어, "제1 정상 조직 영역 예측 모델"은 의료 영상 내에서 제1 정상 조직 후보 영역을 예측하도록 학습된 예측 모델일 수 있다. 예를 들어, 제1 정상 조직 영역 예측 모델은, 종양 조직과 구별되는 복수의 정상 조직의 영역을 포함하는 의료 영상으로 구성된 데이터 세트를 이용하여, 모든 정상 조직 영역을 예측하도록 학습된 모델일 수 있다. 이러한 학습 방법에 의해, 제1 정상 조직 영역 예측 모델은, 의료 영상 내에서 분할을 목표로 하는 모든 손상 위험 장기들을 분할하여 제공할 수 있다. As used herein, the term “first normal tissue region prediction model” may be a predictive model trained to predict a first normal tissue candidate region in a medical image. For example, the first normal tissue region prediction model may be a model trained to predict all normal tissue regions using a data set consisting of medical images including a plurality of normal tissue regions distinguished from tumor tissue. . According to this learning method, the first normal tissue region prediction model may segment and provide all organs at risk of damage that are targeted for segmentation in the medical image.
한편, 제1 정상 조직 영역의 학습에 이용되는 의료 영상은, 다운 샘플링된 저해상도의 의료 영상일 수 있으나, 이에 제한되는 것은 아니다. Meanwhile, the medical image used for learning the first normal tissue region may be a down-sampled low-resolution medical image, but is not limited thereto.
이때, 제1 정상 조직 영역 예측 모델의 출력 채널 수는, 전체 정상 조직의 개수에 배경을 더한 개수일 수 있다. 예를 들어, 분할을 목표로 하는 정상 조직이 우측 유방의 정상 조직, 유방의 정상 조직, 우측 폐의 정상 조직, 좌측 폐의 정상 조직, 및 심장의 정상 조직일 경우, 출력 채널의 개수는 6 (정상 조직의 개수 5 + 배경 1) 개일 수 있다.In this case, the number of output channels of the first normal tissue region prediction model may be the number obtained by adding the background to the total number of normal tissues. For example, when the normal tissue to be divided is the normal tissue of the right breast, the normal tissue of the breast, the normal tissue of the right lung, the normal tissue of the left lung, and the normal tissue of the heart, the number of output channels is 6 ( The number of normal tissues may be 5 + background 1).
본 발명의 다른 특징에 따르면, 제1 정상 조직 영역 예측 모델에 의해 예측된 정상 조직 영역들에 각각에 대하여 복수의 ROI가 설정될 수 있다. According to another feature of the present invention, a plurality of ROIs may be set for each of the normal tissue regions predicted by the first normal tissue region prediction model.
나아가, 복수의 ROI들 각각에 대한 위치 정보 (좌표), 해상도 및 크기가 결정되고, 저장될 수도 있다.Furthermore, location information (coordinates), resolution, and size for each of the plurality of ROIs may be determined and stored.
본 명세서에서 사용되는 용어, "제2 정상 조직 영역"은, ROI가 설정된 의료 영상 내에 존재하는 단일의 정상 조직에 대한 영역일 수 있다. 예를 들어, 제2 정상 조직 영역은, 우측 유방의 정상 조직, 또는 좌측 유방의 정상 조직, 또는 우측 폐의 정상 조직, 또는 좌측 폐의 정상 조직, 또는 심장의 정상 조직에 대한 영역일 수 있다.As used herein, the term “second normal tissue region” may be a region for a single normal tissue present in a medical image in which an ROI is set. For example, the second normal tissue region may be a region for normal tissue of the right breast, or normal tissue of the left breast, or normal tissue of the right lung, or normal tissue of the left lung, or normal tissue of the heart.
본 명세서에서 사용되는 용어, "제2 정상 조직 영역 예측 모델"은 제1 정상 조직 영역 예측 모델에 의해 결정된 분할 결과에 기초하여, 상세 의료 영상에 존재하는 단일의 정상 조직 영역인 제2 정상 조직 후보 영역을 예측하도록 학습된 예측 모델일 수 있다. 보다 구체적으로, 제2 정상 조직 영역 예측 모델은, 제1 정상 조직 영역 예측 모델에 의해 결정된 정상 조직 영역들 각각에 대한 복수의 ROI 정보에 기초하여, 고해상도의 의료 영상 내에서 단일의 ROI에 대한 상세 의료 영상을 수신하고, 상세 의료 영상 내에서 단일의 정상 조직 영역을 추가 예측하도록 구성된 모델일 수 있다. 이에, 제2 정상 조직 영역 예측 모델은 해당 ROI의 정확한 분할 결과를 출력할 수 있다.As used herein, the term “second normal tissue region prediction model” refers to a second normal tissue candidate that is a single normal tissue region present in the detailed medical image based on the segmentation result determined by the first normal tissue region prediction model. It can be a predictive model trained to predict a region. More specifically, the second normal tissue region prediction model is based on a plurality of ROI information for each of the normal tissue regions determined by the first normal tissue region prediction model, and details of a single ROI within a high-resolution medical image. It may be a model configured to receive a medical image and further predict a single normal tissue region within the detailed medical image. Accordingly, the second normal tissue region prediction model may output an accurate segmentation result of the corresponding ROI.
즉, 본 명세서에서 사용되는 용어, "상세 의료 영상"은, 단일의 정상 조직 후보 영역을 포함하는 고해상도의 의료 영상일 수 있다. That is, as used herein, the term “detailed medical image” may be a high-resolution medical image including a single normal tissue candidate region.
이때, 제2 정상 조직 영역 예측 모델의 출력 채널 수는, 해당 ROI 내의 단일의 정상 조직의 개수에 배경을 더한 개수일 수 있다. 예를 들어, 제2 분할을 목표로 하는 정상 조직이 우측 유방의 정상 조직, 또는 유방의 정상 조직, 또는 우측 폐의 정상 조직, 또는 좌측 폐의 정상 조직, 또는 심장의 정상 조직일 경우, 출력 채널의 개수는 2 (정상 조직의 개수 1 + 배경 1) 개일 수 있다.In this case, the number of output channels of the second normal tissue region prediction model may be the number of single normal tissues in the corresponding ROI plus the background. For example, when the normal tissue targeted for the second division is the normal tissue of the right breast, or the normal tissue of the breast, or the normal tissue of the right lung, or the normal tissue of the left lung, or the normal tissue of the heart, the output channel The number of may be 2 (the number of normal tissues 1 + the background 1).
즉, 제2 정상 조직 영역 예측 모델은, 유방의 정상 조직 및 유방 인근 기관의 정상 조직에 대한 제2 정상 조직 후보 영역을 각각 예측하도록 구성된, 복수의 예측 모델로 구성될 수 있다. 그러나, 이에 제한되는 것은 아니다. That is, the second normal tissue region prediction model may include a plurality of prediction models configured to respectively predict the second normal tissue candidate region for the normal tissue of the breast and the normal tissue of an organ adjacent to the breast. However, it is not limited thereto.
따라서, 본 발명의 다양한 실시예에서, 의료 영상 내에서의 ROI 설정을 위한 제1 정상 조직 영역 예측 모델 및 ROI 정보에 기초하여 해당 ROI에 대한 정확한 분할 결과를 출력하도록 구성된 제2 정상 조직 영역 예측 모델이 이용됨에 따라, 높은 해상도를 갖는 신뢰도 높은 손상 위험 장기에 대한 컨투어링 결과가 제공될 수 있다. Accordingly, in various embodiments of the present invention, a second normal tissue region prediction model configured to output an accurate segmentation result for a corresponding ROI based on the first normal tissue region prediction model for ROI setting in a medical image and ROI information As this is used, contouring results for highly reliable damage-risk organs with high resolution can be provided.
한편, 예측된 정상 조직 영역에 대한 최종 분류 결과는, 제2 정상 조직 영역 예측 모델에 대하여 미리 결정된 목표 정상 조직에 따라 최종 결정될 수 있다. Meanwhile, the final classification result for the predicted normal tissue region may be finally determined according to a target normal tissue predetermined with respect to the second normal tissue region prediction model.
그러나 이에 제한되지 않고, 제2 정상 후보 영역에 대하여, 우측 유방의 정상 조직, 또는 유방의 정상 조직, 또는 우측 폐의 정상 조직, 또는 좌측 폐의 정상 조직, 또는 심장의 정상 조직으로 각각 분류하도록 학습된 분류 모델에 기초할 수도 있다. However, the present invention is not limited thereto, and learning to classify the second normal candidate region into a normal tissue of the right breast, or a normal tissue of the breast, or a normal tissue of the right lung, or a normal tissue of the left lung, or a normal tissue of the heart, respectively. It can also be based on an established classification model.
나아가, 본 발명의 다양한 실시예에서 이용되는 정상 조직 영역 예측 모델들은, 본 명세서에서 학습 조건에 따라 제1 정상 조직 영역 예측 모델, 제2 정상 조직 영역 예측 모델로서 구별되어 개시될 뿐, 이들의 목적이 상이한 것을 의미하는 것은 아니다. Furthermore, the normal tissue region prediction models used in various embodiments of the present invention are only discriminated and disclosed as a first normal tissue region prediction model and a second normal tissue region prediction model according to learning conditions in the present specification, and their purpose This does not mean that they are different.
더욱이, 본 명세서에서 개시되는 정상 조직 영역 예측 모델들은, 픽셀 단위로 복수의 영역에 대한 확률, 예를 들어, 정상 조직 영역일 확률, 또는 배경일 확률을 각각 산출하여, 최종 영역을 예측하도록 구성될 수도 있다. Furthermore, the normal tissue region prediction models disclosed herein may be configured to predict the final region by calculating probabilities for a plurality of regions in units of pixels, for example, a probability of a normal tissue region, or a background probability, respectively. may be
이하에서는 도 1a 및 1b를 참조하여, 본 발명의 일 실시예에 따른 정상 조직 영역 예측용 디바이스를 설명한다. Hereinafter, a device for predicting a normal tissue region according to an embodiment of the present invention will be described with reference to FIGS. 1A and 1B .
도 1a는 본 발명의 일 실시예에 따른 정상 조직 영역 예측용 디바이스에 기초한, 정상 조직 영역 예측 시스템을 예시적으로 도시한 것이다. 도 1b은 본 발명의 일 실시예에 따른 정상 조직 영역 예측용 디바이스의 구성을 도시한 것이다.1A exemplarily illustrates a system for predicting a normal tissue region based on a device for predicting a normal tissue region according to an embodiment of the present invention. 1B illustrates the configuration of a device for predicting a normal tissue region according to an embodiment of the present invention.
먼저, 도 1a를 참조하면, 정상 조직 영역 예측 시스템 (1000) 은, 본 발명의 정상 조직 예측용 디바이스 (100) 및 의료 영상 촬영용 디바이스 (300) 로 구성된다.First, referring to FIG. 1A , the normal tissue
보다 구체적으로, 본 발명의 정상 조직 예측용 디바이스 (100) 는, 의료 영상 촬영용 디바이스 (300) 로부터 피검자에 대한 의료 영상을 수신할 수 있다.More specifically, the
이때, 의료 영상은, 피검자에 대한 유방부에 대한 의료영상일 수 있다. 보다 구체적으로, 의료 영상은, 유방 내 종양 조직과 구별되는, 유방의 정상 조직 또는 유방 인근 기관의 정상 조직을 포함할 수 있다. 이때, 유방의 정상 조직은, 우측 유방의 정상 조직 또는 좌측 유방의 정상 조직이고, 유방 인근 기관의 정상 조직은, 우측 폐의 정상 조직, 좌측 폐의 정상 조직, 및 심장의 정상 조직 중 적어도 하나 포함할 수 있다. In this case, the medical image may be a medical image of the breast of the subject. More specifically, the medical image may include normal tissue of the breast or normal tissue of an organ adjacent to the breast, which is distinguished from tumor tissue in the breast. In this case, the normal tissue of the breast is a normal tissue of the right breast or a normal tissue of the left breast, and the normal tissue of an organ adjacent to the breast includes at least one of a normal tissue of the right lung, a normal tissue of the left lung, and a normal tissue of the heart. can do.
한편, 본 발명의 특징에 따르면, 의료 영상은, 3D CT 영상일 수 있으나 이에 제한되는 것은 아니다.Meanwhile, according to a feature of the present invention, the medical image may be a 3D CT image, but is not limited thereto.
본 발명의 정상 조직 예측용 디바이스 (100) 는, 의료 영상 촬영용 디바이스 (300) 로부터 수신한 의료 영상 내에서, 복수의 정상 조직 후보 영역을 예측하여 제공할 수 있다. The
보다 구체적으로, 도 1b를 함께 참조하면, 본 발명의 정상 조직 예측용 디바이스 (100) 는 수신부 (110), 입력부 (120), 출력부 (130), 저장부 (140) 및 프로세서 (150) 를 포함한다. More specifically, referring together with FIG. 1B , the
이때, 수신부 (110) 는, 전술한 바와 같이 의료 영상 촬영용 디바이스 (300) 로부터, 유방의 정상 조직 또는 유방 인근 기관의 정상 조직을 포함하는 의료 영상을 수신하도록 구성될 수 있다. In this case, the receiver 110 may be configured to receive a medical image including a normal tissue of the breast or a normal tissue of an organ adjacent to the breast from the
본 발명의 특징에 따르면, 수신부 (110) 는, 후술할 프로세서에 의해 결정된 ROI의 좌표, 해상도 및 크기 중 적어도 하나를 포함하는 ROI의 정보에 기초하여, ROI에 해당하는 상세 의료 영상을 수신하도록 더 구성될 수 있다. According to a feature of the present invention, the receiving unit 110 is further configured to receive a detailed medical image corresponding to the ROI based on information on the ROI including at least one of coordinates, resolution, and size of the ROI determined by a processor to be described later. can be configured.
이때, 상세 의료 영상은 단일의 정상 조직 후보 영역을 포함하는 고해상도 영상일 수 있으나, 이에 제한되는 것은 아니다.In this case, the detailed medical image may be a high-resolution image including a single normal tissue candidate region, but is not limited thereto.
본 발명의 다른 특징에 따르면 수신부 (110) 는, 복수의 단층 의료 영상을 포함하는, 3차원 의료 영상을 수신하도록 더 구성될 수 있다.According to another feature of the present invention, the receiver 110 may be further configured to receive a 3D medical image including a plurality of tomographic medical images.
다음으로, 입력부 (120) 는 키보드, 마우스, 터치 스크린 패널 등 제한되지 않는다. 입력부 (120) 는 정상 조직 영역 예측용 디바이스 (100) 를 설정하고, 정상 조직 영역 예측용 디바이스 (100) 의 동작을 지시할 수 있다. 예를 들어, 사용자는 입력부 (120) 를 통해, 수신부 (110) 에 의해 수신된 의료 영상 내에서, 정상 조직 후보 영역을 직접 결정할 수 있다. Next, the input unit 120 is not limited to a keyboard, a mouse, a touch screen panel, and the like. The input unit 120 may set the
출력부 (130) 는 수신부 (110) 에 의해 수신된 의료 영상을 시각적으로 표시할 수 있다. 나아가, 출력부 (130) 는 프로세서에 의해 결정된 컨투어링에 관한 정보를 출력하도록 더욱 구성될 수 있다. 또한, 출력부 (130) 는 정상 조직 후보 영역 및 분류 결과가 표시된 의료 영상을 제공하도록 구성될 수 있다. The output unit 130 may visually display the medical image received by the receiving unit 110 . Furthermore, the output unit 130 may be further configured to output information about contouring determined by the processor. Also, the output unit 130 may be configured to provide a medical image in which a normal tissue candidate region and a classification result are displayed.
한편, 출력부 (130) 는 후술할 프로세서 (150) 에 의해 정상 조직 후보 영역이 결정되지 않은 경우, 사용자가 이 사실을 용이하게 인지할 수 있게 알림을 출력하도록 구성될 수도 있다. Meanwhile, when the candidate normal tissue region is not determined by the
저장부 (140) 는 수신부 (110) 를 통해 수신한 피검자의 의료 영상을 저장하고, 입력부 (120) 를 통해 설정된 정상 조직 영역 예측용 디바이스 (100) 의 지시를 저장하도록 구성될 수 있다. 나아가, 저장부 (140) 는 후술될 프로세서 (150) 에 의해 결정된 정상 조직 후보 영역을 저장할 수 있고, 결정된 각각의 영역에 대하여 예측된 확률의 결과를 저장하도록 구성될 수도 있다. 그러나, 전술한 것에 제한되지 않고 저장부 (140) 는, 정상 조직 영역 예측을 위해 프로세서 (150) 에 의해 결정된 다양한 정보들을 저장할 수 있다. The
프로세서 (150) 는 정상 조직 영역 예측용 디바이스 (100) 에 대하여 정확한 예측 결과를 제공하기 위한 구성 요소일 수 있다. 이때, 정상 조직 영역의 예측을 위해 프로세서 (150) 는 의료 영상 내에서 모든 정상 조직 후보 영역을 예측하여 위치 정보를 결정하도록 구성된 예측 모델과, 해당 위치 정보에 기초하여 단일의 정상 후보 영역을 예측하도록 구성된 예측 모델을 이용하도록 구성될 수 있다. 예를 들어, 프로세서 (150) 는 의료 영상 내에서 모든 제1 정상 조직 후보 영역을 예측하도록 구성된 제1 정상 조직 영역 예측 모델을 이용할 수 있다. 나아가, 프로세서 (150) 는, 제1 정상 조직 영역 예측 모델에 의해 예측된 제1 정상 조직 후보 영역에 대한 위치 정보에 기초하여, 제2 정상 조직 후보 영역을 예측하도록 구성된 제2 정상 조직 영역 예측 모델을 이용할 수 있다. 이에, 프로세서 (150) 는 수신부 (110) 로부터 수신한 의료 영상 내에서 보다 정확하게 정상 조직 영역을 예측할 수 있다. The
본 발명의 특징에 따르면, 프로세서 (150) 는, 제1 정상 조직 후보 영역을 포함하는 ROI (region of interest) 를 결정하고, 제2 정상 조직 영역 예측 모델을 이용하여, 상세 의료 영상 내에서 상기 제2 정상 조직 후보 영역을 예측하도록 더 구성될 수 있다.According to a feature of the present invention, the
본 발명의 다른 특징에 따르면, 프로세서 (150) 는, 제2 정상 조직 후보 영역의 좌표를 결정하고, 제2 정상 조직 후보 영역의 좌표 및 ROI의 좌표를 하나의 좌표로 통합하도록 더 구성될 수 있다.According to another feature of the present invention, the
이때, 프로세서 (150) 에 의해 통합된 좌표에 기초하여, 의료 영상 내에서 정상 조직 영역이 최종 결정될 수도 있다. In this case, the normal tissue region in the medical image may be finally determined based on the coordinates integrated by the
본 발명의 또 다른 특징에 따르면, 프로세서 (150) 는, 제1 정상 조직 영역 예측 모델을 이용하여, 수신부 (110) 를 통해 획득된 3차원 의료 영상에 대하여 제1 정상 조직 후보 영역을 예측하고, 제2 정상 조직 영역 예측 모델을 이용하여, 3차원 의료 영상에 대하여 예측된 제1 정상 조직 후보 영역에 기초하여, 제2 정상 조직 후보 영역을 예측하도록 더 구성될 수 있다.According to another feature of the present invention, the
본 발명의 또 다른 특징에 따르면, 프로세서 (150) 는, 제2 정상 조직 영역 예측 모델에 의한 분류 결과에 기초하여 방사선 치료 계획을 결정하도록 더 구성될 수 있다.According to another feature of the present invention, the
즉, 방사선 치료 계획에 있어서, 프로세서 (150) 에 의해 결정된 정상 조직 영역은 손상 위험 장기로 설정되고, 이후 손상 위험 장기를 피해 방사선이 조사되도록 치료 계획이 결정될 수 있다. That is, in the radiation treatment plan, the normal tissue region determined by the
본 발명의 다른 실시예에 따르면, 프로세서 (150) 에 이용되는 제1 정상 조직 영역 예측 모델 또는 상기 제2 정상 조직 영역 예측 모델은, DenseNet, GoogLeNet, ResNet, AlexNet, U-net 및 VGG-Net 중 적어도 하나의 네트워크에 기초한 모델일 수 있으나, 이에 제한되는 것은 아니다. According to another embodiment of the present invention, the first normal tissue region prediction model or the second normal tissue region prediction model used in the
이상의 본 발명의 정상 조직 예측용 디바이스 (100) 에 기초한, 정상 조직 영역 예측 시스템에 따라, 의료 영상 내에서 정상 조직에 대한 컨투어링이 가능할 수 있다. 특히, 본 발명의 정상 조직 예측용 디바이스 (100) 는, 두 개의 예측 모델을 이용함에 따라, 사용자의 숙련도에 영향을 받지 않는, 정확하고 신속한 컨투어링 결과를 제공할 수 있다.According to the normal tissue region prediction system based on the
이하에서는, 도 2a 내지 도 2b를 참조하여, 본 발명의 일 실시예에 따른 정상 조직 영역의 예측 방법을 구체적으로 설명한다. 이때, 예측을 목표로하는 정상 조직 영역은, 우측 유방의 정상 조직, 좌측 유방의 정상 조직과 같은 유방 내 정상 조직에 대한 영역과 우측 폐의 정상 조직, 좌측 폐의 정상 조직, 및 심장의 정상 조직과 같은 유방 인근 기관의 정상 조직에 대한 영역일 수 있으나, 이에 제한되는 것은 아니다. Hereinafter, a method of predicting a normal tissue region according to an embodiment of the present invention will be described in detail with reference to FIGS. 2A to 2B . In this case, the normal tissue area to be predicted is an area for normal tissue in the breast, such as normal tissue of the right breast, normal tissue of the left breast, normal tissue of the right lung, normal tissue of the left lung, and normal tissue of the heart. It may be an area for normal tissue of an organ adjacent to the breast, such as, but is not limited thereto.
도 2a는 본 발명의 일 실시예에 따른 정상 조직 영역의 예측 방법의 절차를 도시한 것이다. 도 2b는 본 발명의 일 실시예에 따른 정상 조직 영역의 예측 방법에서, 조직 영역 예측 모델을 이용한 의료 영상 내의 정상 조직 영역의 예측 절차를 예시적으로 도시한 것이다. 2A illustrates a procedure of a method for predicting a normal tissue region according to an embodiment of the present invention. 2B exemplarily illustrates a procedure for predicting a normal tissue region in a medical image using a tissue region prediction model in a method for predicting a normal tissue region according to an embodiment of the present invention.
도 2a를 참조하면, 본 발명의 일 실시예에 따른 정상 조직 영역의 예측 절차는 다음과 같다. 먼저, 유방의 정상 조직 또는 유방 인근 기관의 정상 조직을 포함하는 의료 영상이 수신된다 (S210). 그 다음, 제1 정상 조직 영역 예측 모델에 의해, 의료 영상 내에서 제1 정상 조직 후보 영역이 예측된다 (S220). 다음으로, 제2 정상 조직 영역 예측 모델에 의해, 의료 영상 내에서 제2 정상 조직 후보 영역이 예측된다 (S230). 마지막으로, 제2 정상 조직 후보 영역이 유방의 정상 조직 또는 유방 인근 기관의 정상 조직으로 분류된다 (S240).Referring to FIG. 2A , a procedure for predicting a normal tissue region according to an embodiment of the present invention is as follows. First, a medical image including a normal tissue of the breast or a normal tissue of an organ adjacent to the breast is received ( S210 ). Next, a first normal tissue candidate region in the medical image is predicted by the first normal tissue region prediction model ( S220 ). Next, a second normal tissue candidate region in the medical image is predicted by the second normal tissue region prediction model ( S230 ). Finally, the second normal tissue candidate region is classified as a normal tissue of the breast or a normal tissue of an organ adjacent to the breast ( S240 ).
보다 구체적으로, 의료 영상을 수신하는 단계 (S210) 에서, 우측 유방의 정상 조직 또는 좌측 유방의 정상 조직의 유방의 정상 조직 및/또는 우측 폐의 정상 조직, 좌측 폐의 정상 조직, 및 심장의 정상 조직 중 적어도 하나의 유방 인근 기관의 정상 조직을 포함하는 의료 영상이 수신될 수 있다.More specifically, in the step of receiving the medical image ( S210 ), the normal tissue of the right breast or the normal tissue of the left breast and/or the normal tissue of the right lung, the normal tissue of the left lung, and the normal of the heart A medical image including a normal tissue of at least one of the tissues adjacent to the breast may be received.
본 발명의 특징에 따르면, 의료 영상을 수신하는 단계 (S210) 에서, 복수의 단층 의료 영상을 포함하는, 3차원 의료 영상이 수신될 수 있다.According to a feature of the present invention, in the receiving of the medical image ( S210 ), a 3D medical image including a plurality of tomographic medical images may be received.
본 발명의 다른 특징에 따르면, 의료 영상을 수신하는 단계 (S210) 에서, 정상 조직을 포함하는 저해상도 의료 영상 또는 고해상도 의료 영상이 수신될 수 있다.According to another feature of the present invention, in the receiving of the medical image ( S210 ), a low-resolution medical image or a high-resolution medical image including normal tissue may be received.
한편, 의료 영상을 수신하는 단계 (S210) 에서, 수신된 의료 영상이 3차원 CT 영상과 같은 고용량 및 고해상도 영상일 경우, 의료 영상을 수신하는 단계 (S210) 이후에, 고해상도 의료 영상에 대한 다운 샘플링이 진행될 수 있다.Meanwhile, when the received medical image is a high-capacity and high-resolution image such as a 3D CT image in the step of receiving the medical image ( S210 ), after the receiving of the medical image ( S210 ), down-sampling of the high-resolution medical image This can proceed.
예를 들어, 도 2b를 참조하면, 의료 영상을 수신하는 단계 (S210) 에서, 피검자의 유방 부위에 대한 고해상도 의료 영상 (212) 이 수신될 수 있다. 이때, 고해상도 의료 영상 (212) 은 x, y 방향 1/2 수준으로 다운 샘플링 될 수 있고, 그 결과 저해상도 의료 영상 (214) 이 획득될 수 있다.For example, referring to FIG. 2B , in operation S210 of receiving the medical image, a high-resolution
다시 도 2a를 참조하면, 의료 영상 내에서 제1 정상 조직 후보 영역을 예측하는 단계 (S220) 가 수행된다.Referring again to FIG. 2A , the step of predicting the first normal tissue candidate region in the medical image ( S220 ) is performed.
보다 구체적으로, 제1 정상 조직 후보 영역을 예측하는 단계 (S220) 에서, 의료 영상에 대하여, 우측 유방의 정상 조직에 대한 후보 영역, 좌측 유방의 정상 조직에 대한 후보 영역, 우측 폐의 정상 조직에 대한 후보 영역, 좌측 폐의 정상 조직에 대한 후보 영역, 및 심장의 정상 조직에 대한 후보 영역 중 적어도 하나의 정상 조직 영역이 예측될 수 있다.More specifically, in the step of predicting the first candidate normal tissue region ( S220 ), with respect to the medical image, the candidate region for the normal tissue of the right breast, the candidate region for the normal tissue of the left breast, and the normal tissue of the right lung are At least one normal tissue region among a candidate region for a cyst, a candidate region for a normal tissue of the left lung, and a candidate region for a normal tissue of the heart may be predicted.
보다 구체적으로, 제1 정상 조직 후보 영역을 예측하는 단계 (S220) 에서, 제1 정상 조직 영역 예측 모델에 의해, 정상 조직으로 예측되는 모든 후보 영역이 분할될 수 있다. More specifically, in predicting the first normal tissue candidate region ( S220 ), all candidate regions predicted to be normal tissue may be divided by the first normal tissue region prediction model.
본 발명의 특징에 따르면, 제1 정상 조직 후보 영역을 예측하는 단계 (S220) 에서, 제1 정상 조직 영역 예측 모델에 의해, 복수의 단층 의료 영상을 포함하는, 3차원 의료 영상에 대한, 제1 정상 조직 후보 영역이 예측될 수 있다. According to a feature of the present invention, in the step of predicting the first normal tissue candidate region ( S220 ), the first normal tissue region prediction model for a 3D medical image including a plurality of tomographic medical images Normal tissue candidate regions can be predicted.
한편, 본 발명의 다른 특징에 따르면, 제1 정상 조직 후보 영역을 예측하는 단계 (S220) 이후에, 제1 정상 조직 후보 영역을 포함하는 ROI를 결정하는 단계, 및 결정된 ROI의 정보에 기초하여, ROI에 해당하는 상세 의료 영상을 수신하는 단계가 더 수행될 수 있다.Meanwhile, according to another feature of the present invention, after predicting the first normal tissue candidate region (S220), determining an ROI including the first normal tissue candidate region, and based on the information of the determined ROI, Receiving a detailed medical image corresponding to the ROI may be further performed.
예를 들어, 도 2b를 함께 참조하면, 제1 정상 조직 후보 영역을 예측하는 단계 (S220) 에서, 제1 정상 조직 영역 예측 모델 (222) 에, 저해상도 의료 영상 (214) 이 입력된다. 그 다음, 저해상도 의료 영상 (214) 에 대하여 복수의 제1 정상 조직 후보 영역 (224a, 224b, 224c, 224d 및 224e) 이 분할 및 예측된다.For example, referring to FIG. 2B , in the predicting of the first normal tissue candidate region ( S220 ), the low-resolution
다음으로, 복수의 제1 정상 조직 후보 영역 (224a, 224b, 224c, 224d 및 224e) 각각에 대하여 복수의 ROI (226a, 226b, 226c, 226d 및 226e) 가 결정된다. 이때, 복수의 ROI (226a, 226b, 226c, 226d 및 226e) 는, ROI의 좌표, 해상도 및 크기 중 적어도 하나의 ROI 정보를 포함할 수 있다. Next, a plurality of
이에, 복수의 ROI가 결정된 이후, ROI 각각에 대한 정보에 기초하여, 고해상도 의료 영상 (212) 내에서 복수의 상세 의료 영상 (228a, 228b, 228c, 228d 및 228e) 가 결정된다. 즉, 단일의 정상 조직 후보 영역에 대한 ROI를 포함하는 고해상도의 의료 영상이 획득될 수 있다. Accordingly, after the plurality of ROIs are determined, a plurality of detailed
다시 도 2a를 참조하면, 제2 정상 조직 후보 영역을 예측하는 단계 (S230) 가 수행된다.Referring again to FIG. 2A , the step of predicting the second normal tissue candidate region ( S230 ) is performed.
보다 구체적으로, 제2 정상 조직 후보 영역을 예측하는 단계 (S230) 에서, 제2 정상 조직 영역 예측 모델에 의해, 단일의 정상 조직 후보 영역이 분할될 수 있다. More specifically, in predicting the second normal tissue candidate region ( S230 ), a single normal tissue candidate region may be divided by the second normal tissue region prediction model.
본 발명의 특징에 따르면, 제2 정상 조직 후보 영역을 예측하는 단계 (S230) 에서, 제2 정상 조직 영역 예측 모델에 의해, 3차원 의료 영상에 대한, 제2 정상 조직 후보 영역이 예측될 수 있다. According to a feature of the present invention, in the predicting of the second normal tissue candidate region ( S230 ), the second normal tissue candidate region for the 3D medical image may be predicted by the second normal tissue region prediction model. .
본 발명의 다른 특징에 따르면, 제2 정상 조직 후보 영역을 예측하는 단계 (S230) 에서, 제2 정상 조직 영역 예측 모델을 이용하여, 상세 의료 영상 내에서 제2 정상 조직 후보 영역이 예측될 수 있다.According to another feature of the present invention, in the predicting of the second normal tissue candidate region ( S230 ), the second normal tissue candidate region may be predicted in the detailed medical image by using the second normal tissue region prediction model. .
예를 들어, 도 2b를 다시 참조하면, 제2 정상 조직 후보 영역을 예측하는 단계 (S230) 에서, 복수의 상세 의료 영상 (228a, 228b, 228c, 228d 및 228e) 중 선택된 상세 의료 영상 (228d) 이 제2 정상 조직 영역 예측 모델 (232) 에 입력된다. 이때, 제2 정상 조직 영역 예측 모델 (232) 은, 복수의 정상 조직 후보 영역 중 미리 결정된, 단일의 정상 조직을 분할하도록 구성될 수 있다.For example, referring back to FIG. 2B , in the step of predicting the second normal tissue candidate region ( S230 ), the detailed
그 다음, 상세 의료 영상 (228d) 에 대하여 단일의 제2 정상 조직 후보 영역 (234d) 이 분할 및 예측된다. Then, a single second normal
이때, 제2 정상 조직 후보 영역 예측 모델 (232) 은, 정상 조직 영역의 종류에 따라, 복수개로 구성될 수 있다. 즉, 제2 정상 조직 후보 영역을 예측하는 단계 (S230) 에서, 나머지 상세 의료 영상들 (228a, 228b, 228c 및 228e) 각각을 분할하도록 학습된 복수의 제2 정상 조직 영역 예측 모델 (미도시) 을 이용하여, 제2 정상 조직 후보 영역 (미도시) 이 각각 예측될 수 있다. In this case, the second normal tissue candidate
다시 도 2a를 참조하면, 제2 정상 조직 후보 영역을 유방의 정상 조직 또는 유방 인근 기관의 정상 조직으로 분류하는 단계 (S240) 에서, 제2 정상 조직 후보 영역이, 우측 유방의 정상 조직, 또는 좌측 유방의 정상 조직, 또는 우측 폐의 정상 조직, 또는 좌측 폐의 정상 조직, 또는 심장의 정상 조직으로 분류될 수 있다.Referring back to FIG. 2A , in the step of classifying the second normal tissue candidate region as the normal tissue of the breast or the normal tissue of an organ adjacent to the breast ( S240 ), the second normal tissue candidate region is the normal tissue of the right breast or the left Normal tissue of the breast, or normal tissue of the right lung, or normal tissue of the left lung, or normal tissue of the heart.
예를 들어, 도 2b를 함께 참조하면, 제2 정상 조직 후보 영역을 유방의 정상 조직 또는 유방 인근 기관의 정상 조직으로 분류하는 단계 (S240) 에서, 제2 정상 조직 영역 예측 모델 (232) 에 의해 예측된 단일의 제2 정상 조직 후보 영역 (234d) 이, 최종적으로 좌측 폐의 정상 조직 (Lung L) 으로 결정될 수 있다. For example, referring together with FIG. 2B , in the step of classifying the second normal tissue candidate region into a normal tissue of the breast or a normal tissue of an organ adjacent to the breast ( S240 ), the second normal tissue
한편, 본 발명의 특징에 따르면, 제2 정상 조직 후보 영역을 유방의 정상 조직 또는 유방 인근 기관의 정상 조직으로 분류하는 단계 (S240) 이후에, 제2 정상 조직 후보 영역의 좌표를 결정하고, 제2 정상 조직 후보 영역의 좌표 및 상기 ROI의 좌표를 하나의 좌표로 통합하는 단계가 더욱 수행될 수 있다.Meanwhile, according to a feature of the present invention, after the step of classifying the second normal tissue candidate region into normal tissue of the breast or normal tissue of an organ adjacent to the breast (S240), the coordinates of the second normal tissue candidate region are determined, 2 The step of integrating the coordinates of the normal tissue candidate region and the coordinates of the ROI into one coordinate may be further performed.
본 발명의 다른 특징에 따르면, 제2 정상 조직 후보 영역을 유방의 정상 조직 또는 유방 인근 기관의 정상 조직으로 분류하는 단계 (S240) 이후에, 제2 정상 조직 영역 예측 모델에 의한 분류 결과에 기초하여 방사선 치료 계획을 결정하는 단계가 더욱 수행될 수도 있다.According to another feature of the present invention, after the step of classifying the second normal tissue candidate region into the normal tissue of the breast or the normal tissue of an organ adjacent to the breast (S240), based on the classification result by the second normal tissue region prediction model, A step of determining a radiation treatment plan may be further performed.
본 발명의 또 다른 특징에 따르면, 제2 정상 조직 후보 영역을 유방의 정상 조직 또는 유방 인근 기관의 정상 조직으로 분류하는 단계 (S240) 이후에, 예측된 정상 조직 후보 영역 및 분류 결과를 상기 의료 영상 내에 표시하여 제공하는 단계가 더욱 수행될 수 있다.According to another feature of the present invention, after the step of classifying the second normal tissue candidate region into the normal tissue of the breast or the normal tissue of an organ adjacent to the breast (S240), the predicted normal tissue candidate region and the classification result are combined with the medical image. The step of providing by displaying in the inside may be further performed.
예를 들어, 도 2b를 함께 참조하면, 예측된 정상 조직 후보 영역 및 분류 결과를 상기 의료 영상 내에 표시하여 제공하는 단계에서, 복수의 제2 정상 조직 영역 예측 모델 (미도시) 각각에 의해 예측된 복수의 제2 정상 조직 후보 영역 (미도시) 에 대한 분류 결과가 통합될 수 있다. 즉, 제2 정상 조직 후보 영역 (234a, 234b, 234c, 234d 및 234e) 및 이들 각각에 대하여 결정된, 좌측 유방의 정상 조직 (Breast L), 우측 유방의 상 조직 (Breast R), 심장의 정상 조직 (Heart), 좌측 폐의 정상 조직 (Lung L) 및 우측 폐의 정상 조직 (Lung R) 의 분할 결과가 표시된 의료 영상 (242) 이 제공될 수 있다.For example, referring together with FIG. 2B , in the step of displaying and providing the predicted normal tissue candidate region and classification result in the medical image, the predicted normal tissue region predicted by each of a plurality of second normal tissue region prediction models (not shown) Classification results for a plurality of second normal tissue candidate regions (not shown) may be integrated. That is, the second normal tissue candidate regions (234a, 234b, 234c, 234d and 234e) and the normal tissue of the left breast (Breast L), the phase tissue of the right breast (Breast R), the normal tissue of the heart determined for each of them. A
이상의 본 발명의 일 실시예에 따른 정상 조직 영역의 예측 방법에 의해, 손상 위험 장기에 대한 정보를 제공함에 따라, 의료진은 빠르고 정확한 컨투어링 작업이 가능할 수 있다. 이에, 본 발명은, 유방암을 진단 받은 개체에 대하여, 보다 정확하고 빠르게 방사선 치료 계획을 결정할 수도 있다. According to the method for predicting a normal tissue region according to an embodiment of the present invention, information on an organ at risk of damage is provided, so that a medical staff can perform a fast and accurate contouring operation. Accordingly, the present invention may more accurately and quickly determine a radiation treatment plan for an individual diagnosed with breast cancer.
이하에서는, 도 3을 참조하여, 본 발명의 다른 실시예에 따른 정상 조직 영역의 예측 방법에 적용되는 정상 조직 영역 예측 모델을 구체적으로 설명한다. 이때, 제1 정상 조직 영역 예측 모델 및 제2 정상 조직 영역 예측 모델로, DenseNet이 이용될 수 있다. 그러나, 이에 제한되지 않고, 의료 영상 내에서 정상 조직 영역을 분할하는 한, GoogLeNet, ResNet, AlexNet, U-net 또는 VGG-Net 등의 다양한 네트워크에 기반한 예측 모델이 적용될 수 있다.Hereinafter, a normal tissue region prediction model applied to a normal tissue region prediction method according to another embodiment of the present invention will be described in detail with reference to FIG. 3 . In this case, DenseNet may be used as the first normal tissue region prediction model and the second normal tissue region prediction model. However, the present invention is not limited thereto, and a predictive model based on various networks such as GoogLeNet, ResNet, AlexNet, U-net, or VGG-Net may be applied as long as the normal tissue region is segmented within the medical image.
보다 구체적으로, 도 3을 참조하면, 본 발명의 본 발명의 다양한 실시예에서 이용되는 제1 정상 조직 영역 예측 모델 및 제2 정상 조직 영역 예측 모델은, 크게 복수의 DB (Dense Block) 층, TB (Transition Down) 층, TU (Transition Up) 층으로 이루어진 네트워크이다. 이때, 네트워크에 적용되는 DB는, 하이-레벨 특징 (high-level feature) 정보의 손실을 최소화함으로써, 로우-레벨 특징 (low-level feature) 정보에 의존하여 학습되는 BB (Bottleneck Block) 의 한계를 극복할 수 있다. More specifically, referring to FIG. 3 , the first normal tissue region prediction model and the second normal tissue region prediction model used in various embodiments of the present invention are largely a plurality of DB (Dense Block) layers, TB It is a network composed of a (Transition Down) layer and a TU (Transition Up) layer. At this time, the DB applied to the network minimizes the loss of high-level feature information, thereby limiting the BB (Bottleneck Block) that is learned depending on the low-level feature information. can overcome
제1 정상 조직 영역 예측 모델의 경우, 복수의 정상 조직 영역을 포함하는 의료 영상이 입력되면, 컨볼루션 (Convolution) 층을 지나, 반복되는 DB 층 및 TB 층을 거친 후, 다시 DB 층을 지나, 영역 분할 과정을 거친다. 이후, 반복되는 TU 층 및 DB 층을 거친 후 최종적으로, 컨볼루션 층을 지나, 배경 영역과 구별되는 제1 정상 조직 후보 영역, 예를 들어 우측 유방의 정상 조직, 좌측 유방의 정상 조직, 우측 폐의 정상 조직, 좌측 폐의 정상 조직, 및 심장의 정상 조직에 대한 영역이 분할되어 출력된다. In the case of the first normal tissue region prediction model, when a medical image including a plurality of normal tissue regions is input, it passes through a convolution layer, passes through a repeated DB layer and a TB layer, and then passes through the DB layer again, area segmentation process. Then, after going through the repeated TU layer and DB layer, finally, through the convolution layer, the first normal tissue candidate region distinguished from the background region, for example, normal tissue in the right breast, normal tissue in the left breast, right lung Regions for the normal tissue of , the normal tissue of the left lung, and the normal tissue of the heart are divided and output.
나아가, 제2 정상 조직 영역 예측 모델의 경우, 단일의 ROI를 포함하는 상세 의료 영상이 입력되면, 컨볼루션 층을 지나, 반복되는 DB 층 및 TB 층을 거친 후, 다시 DB 층을 지나, 영역 분할 과정을 거친다. 이후, 반복되는 TU 층 및 DB 층을 거친 후 최종적으로, 컨볼루션 층을 지나, 배경 영역과 구별되는, 제2 정상 조직 후보 영역, 예를 들어 우측 유방의 정상 조직, 또는 좌측 유방의 정상 조직, 또는 우측 폐의 정상 조직, 또는 좌측 폐의 정상 조직, 또는 심장의 정상 조직에 대한 영역이 분할되어 출력된다.Furthermore, in the case of the second normal tissue region prediction model, when a detailed medical image including a single ROI is input, it passes through the convolutional layer, goes through the repeated DB and TB layers, and then again passes through the DB layer, and region segmentation Go through the process. Then, after going through the repeated TU layer and DB layer, finally, through the convolution layer, a second normal tissue candidate region, for example, a normal tissue of the right breast, or a normal tissue of the left breast, which is distinguished from the background region, Alternatively, the region for the normal tissue of the right lung, the normal tissue of the left lung, or the normal tissue of the heart is divided and output.
한편, 본 발명의 다양한 실시예에서 이용되는 제1 정상 조직 영역 예측 모델 및 제2 정상 조직 영역 예측 모델의 구조적 특징은 이에 제한되는 것이 아니다.Meanwhile, structural features of the first normal tissue region prediction model and the second normal tissue region prediction model used in various embodiments of the present disclosure are not limited thereto.
예를 들어, 제1 정상 조직 영역 예측 모델 및 제2 정상 조직 영역 예측 모델은, 3D 의료 영상에 대한 분할이 가능함에 따라 3D 네트워크가 적용될 수 있다. 나아가, 각 블록별 뎁스 (depth) 는, [3, 4, 4, 5, 10] 으로 설정될 수 있고, 성장률 (growth rate) 은 12로 설정될 수 있다. 또한, 배치 정규화 (Batch normalization) 층이 제거된 네트워크가 적용될 수 있고, 배치 사이즈가 1로 설정된 후 학습될 수 있다. 한편, 특징 추출 과정인 인코딩 단계에서 드롭아웃 (dropout) 이 적용될 경우, 최종 하이-레벨 특징이 안정적으로 생성되지 않을 가능성이 있어, 본 발명의 네트워크는 디코딩 이전에 한 번 드롭아웃이 적용될 수도 있다. For example, a 3D network may be applied to the first normal tissue region prediction model and the second normal tissue region prediction model as the 3D medical image can be divided. Furthermore, a depth for each block may be set to [3, 4, 4, 5, 10], and a growth rate may be set to 12. Also, a network from which a batch normalization layer has been removed may be applied, and the batch size may be set to 1 and then learned. On the other hand, when dropout is applied in the encoding step, which is a feature extraction process, there is a possibility that the final high-level feature may not be stably generated, so that in the network of the present invention, dropout may be applied once before decoding.
이상의 구조적 특징에 따라, 본 발명의 제1 정상 조직 영역 예측 모델 및 제2 정상 조직 영역 예측 모델은, 입력된 의료 영상에 대하여 빠르고 정확하게 정상 조직 영역을 분할하여 제공할 수 있다.According to the above structural features, the first normal tissue region prediction model and the second normal tissue region prediction model of the present invention may quickly and accurately segment and provide a normal tissue region with respect to an input medical image.
실시예: 정상 조직 영역 예측 모델의 평가 Example: Evaluation of Normal Tissue Area Prediction Model
이하의 실시예에서는, 도 4a 내지 4e를 참조하여, 본 발명의 다양한 실시예에 이용되는 제1 정상 조직 영역 예측 모델 및 제2 정상 조직 영역 예측 모델의 평가 방법 및 결과를 설명한다. In the following embodiments, evaluation methods and results of the first normal tissue region prediction model and the second normal tissue region prediction model used in various embodiments of the present invention will be described with reference to FIGS. 4A to 4E .
도 4a는 본 발명의 일 실시예에 따른 정상 조직 영역의 예측 방법 및 이를 이용한 정상 조직 영역 예측용 디바이스에서 이용되는, 두 개의 정상 조직 영역 예측 모델에 대한 평가 기준을 예시적으로 도시한 것이다. 도 4b 내지 4e는 본 발명의 일 실시예에 따른 정상 조직 영역의 예측 방법 및 이를 이용한 정상 조직 영역 예측용 디바이스에서 이용되는, 제1 및 제2 정상 조직 영역 예측 모델에 대한 평가 결과를 도시한 것이다.4A exemplarily illustrates evaluation criteria for two normal tissue region prediction models used in a method for predicting a normal tissue region and a device for predicting a normal tissue region using the same according to an embodiment of the present invention. 4B to 4E illustrate evaluation results of first and second normal tissue region prediction models used in a method for predicting a normal tissue region and a device for predicting a normal tissue region using the same according to an embodiment of the present invention. .
본 평가는 3D CT 영상에 대한, 우측 유방의 정상 조직, 좌측 유방의 정상 조직, 우측 폐의 정상 조직, 좌측 폐의 정상 조직, 및 심장의 정상 조직에 대한 영역 예측 결과에 기초하여 수행되었다. 이때, 1 및 제2 정상 조직 영역 예측 모델에 의해 분할된 최종 분할 결과에 대한 평가가 수행되었으나, 본 발명의 효과는 이에 제한되는 것이 아니다. This evaluation was performed based on the area prediction results for the normal tissue of the right breast, the normal tissue of the left breast, the normal tissue of the right lung, the normal tissue of the left lung, and the normal tissue of the heart with respect to the 3D CT image. At this time, although the final segmentation result divided by the first and second normal tissue region prediction models was evaluated, the effect of the present invention is not limited thereto.
이때, 총 30 명의 유방암 환자 중, 26 명의 유방암 환자들에 대한 3D CT 영상이 예측 모델의 학습에 이용되었고, 2 명의 유방암 유방암 환자들에 대한 3D CT 영상이 검증에 이용되었으며, 2 명의 유방암 환자들에 대한 3D CT 영상이 평가에 이용되었다.At this time, out of a total of 30 breast cancer patients, 3D CT images of 26 breast cancer patients were used to learn the predictive model, 2 breast cancer 3D CT images of breast cancer patients were used for validation, and 2 breast cancer patients A 3D CT image of the was used for evaluation.
먼저, 도 4a를 참조하면, 미리 의료 영상 내에 마스킹된 정답 영역 (A) 와 1 정상 조직 영역 예측 모델 또는 제2 정상 조직 영역 예측 모델에 의해 의료 영상 내에서 분할된 예측 영역 (B) 에 대한 다이스 계수 (Dice Coefficient) 가 산출됨으로써, 예측 모델에 대한 평가가 수행될 수 있다. First, referring to FIG. 4A , dice for a correct answer region (A) previously masked in a medical image and a prediction region (B) segmented in a medical image by one normal tissue region prediction model or a second normal tissue region prediction model As a coefficient (Dice Coefficient) is calculated, the prediction model may be evaluated.
[수학식 1][Equation 1]
다이스 계수 = 
도 4b 및 4c를 참조하면, 입력된 3D CT 영상에 대한 시계열적 영역 분할 결과가 도시된다. 보다 구체적으로, 제1 정상 조직 영역 예측 모델 및 제2 정상 조직 영역 예측 모델에 의한 분할 결과 (Segmented result) 와 미리 라벨링된 영역 (Label) 을 비교하면, 본 발명의 정상 조직 영역 예측 모델에 의한 정상 조직의 분할된 영역이 미리 라벨링된 영역과 유사한 것으로 나타난다. 특히, 도 4c를 참조하면, 정상 조직 영역 예측 모델에 의해 분할된 좌측 유방의 정상 조직 (Breast_L), 우측 유방의 상 조직 (Breast_R), 심장의 정상 조직 (Heart), 좌측 폐의 정상 조직 (Lung_L) 및 우측 폐의 정상 조직 (Lung_R) 각각에 대한 다이스 계수가 0.92, 0.91, 0.92, 0.96 및 0.96으로 매우 높은 수준으로 나타난다. 4B and 4C , time-series region segmentation results for the input 3D CT image are shown. More specifically, when the segmented result by the first normal tissue region prediction model and the second normal tissue region prediction model is compared with the pre-labeled region, the normal tissue region prediction model of the present invention Segmented regions of tissue appear similar to pre-labeled regions. In particular, referring to FIG. 4C , the normal tissue of the left breast (Breast_L), the upper tissue of the right breast (Breast_R), the normal tissue of the heart (Heart), and the normal tissue of the left lung (Lung_L) divided by the normal tissue region prediction model ) and the normal tissue of the right lung (Lung_R), respectively, with Dice coefficients of 0.92, 0.91, 0.92, 0.96, and 0.96, respectively, showing very high levels.
도 4d 및 4e를 더욱 참조하면, 입력된 3D CT 영상에 대한 시계열적 영역 분할 결과가 도시된다. 보다 구체적으로, 제1 정상 조직 영역 예측 모델 및 제2 정상 조직 영역 예측 모델에 의한 분할 결과 (Segmented result) 와 미리 라벨링된 영역 (Label) 을 비교하면, 본 발명의 정상 조직 영역 예측 모델에 의한 정상 조직의 분할된 영역이 미리 라벨링된 영역과 유사한 것으로 나타난다. 특히, 도 4c를 참조하면, 정상 조직 영역 예측 모델에 의해 분할된 좌측 유방의 정상 조직 (Breast_L), 우측 유방의 상 조직 (Breast_R), 심장의 정상 조직 (Heart), 좌측 폐의 정상 조직 (Lung_L) 및 우측 폐의 정상 조직 (Lung_R) 각각에 대한 다이스 계수가 0.92, 0.91, 0.92, 0.96 및 0.96으로 매우 높은 수준으로 나타난다.Further referring to FIGS. 4D and 4E , time-series region segmentation results for the input 3D CT image are shown. More specifically, when the segmented result by the first normal tissue region prediction model and the second normal tissue region prediction model is compared with the pre-labeled region, the normal tissue region prediction model of the present invention Segmented regions of tissue appear similar to pre-labeled regions. In particular, referring to FIG. 4C , the normal tissue of the left breast (Breast_L), the upper tissue of the right breast (Breast_R), the normal tissue of the heart (Heart), and the normal tissue of the left lung (Lung_L) divided by the normal tissue region prediction model ) and the normal tissue of the right lung (Lung_R), respectively, with Dice coefficients of 0.92, 0.91, 0.92, 0.96, and 0.96, respectively, showing very high levels.
즉, 이와 같은 결과는, 본 발명의 정상 조직 영역 예측 모델들이, 의료 영상 내에서 정상 조직들에 대한 신뢰도 높은 컨투어링 결과를 제공하는 것을 의미할 수 있다. That is, such a result may mean that the normal tissue region prediction models of the present invention provide highly reliable contouring results for normal tissues in a medical image.
이상의 실시예의 결과로, 본 발명의 다양한 실시예에 따른 정상 조직 영역의 예측 방법 및 이를 이용한 디바이스는, 정상 조직 영역 예측 모델을 이용함에 따라, 의료 영상 내에서 정상 조직 영역을 예측할 수 있는 효과가 있다. As a result of the above embodiments, the method for predicting a normal tissue region and a device using the same according to various embodiments of the present invention have an effect of predicting a normal tissue region within a medical image by using the normal tissue region prediction model. .
특히, 본 발명은, 두 개의 정상 조직 영역 예측 모델을 이용함으로써, 사용자의 숙련도에 따라 컨투어링의 오차율이 높은 부위에 대하여, 정확한 분할 결과를 제공할 수 있다. In particular, the present invention can provide an accurate segmentation result for a region having a high contouring error rate according to a user's skill level by using two normal tissue region prediction models.
나아가, 본 발명은 3D CT 영상과 같은 대용량, 또는 고해상도의 의료 영상에 대한 정상 조직 영역 분할을 진행할 경우, 적용 가능한 네트워크에 제한을 해결할 수 있고, 의료 영상에 대한 다운 샘플링 (down sampling) 작업이 필수적일 수 있는 GPU 메모리의 한계를 극복할 수 있는 효과가 있다.Furthermore, according to the present invention, when performing normal tissue region segmentation for a high-capacity or high-resolution medical image such as a 3D CT image, it is possible to solve the limitation of an applicable network, and downsampling of the medical image is essential. There is an effect that can overcome the limit of GPU memory that can be
따라서, 본 발명은, 의료 영상 내 정상 조직 영역의 예측에 있어서, 의료 영상에 대한 높은 해상도를 유지하면서 효율적인 처리가 가능할 수 있다.Accordingly, according to the present invention, in predicting a normal tissue region in a medical image, it may be possible to efficiently process the medical image while maintaining high resolution.
이상 첨부된 도면을 참조하여 본 발명의 실시 예들을 더욱 상세하게 설명하였으나, 본 발명은 반드시 이러한 실시 예로 국한되는 것은 아니고, 본 발명의 기술사상을 벗어나지 않는 범위 내에서 다양하게 변형 실시될 수 있다. 따라서, 본 발명에 개시된 실시 예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 그러므로, 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.Although the embodiments of the present invention have been described in more detail with reference to the accompanying drawings, the present invention is not necessarily limited to these embodiments, and various modifications may be made within the scope without departing from the technical spirit of the present invention. Therefore, the embodiments disclosed in the present invention are not intended to limit the technical spirit of the present invention, but to explain, and the scope of the technical spirit of the present invention is not limited by these embodiments. Therefore, it should be understood that the embodiments described above are illustrative in all respects and not restrictive. The protection scope of the present invention should be construed by the following claims, and all technical ideas within the equivalent range should be construed as being included in the scope of the present invention.
100: 정상 조직 영역 예측용 디바이스
110: 수신부
120: 입력부
130: 출력부
140: 저장부
212: 고해상도 의료 영상
214: 저해상도 의료 영상
222: 제1 정상 조직 영역 예측 모델
224a, 224b, 224c, 224d 및 224e: 제1 정상 조직 후보 영역
226a, 226b, 226c, 226d 및 226e: ROI
228a, 228b, 228c, 228d 및 228e: 상세 의료 영상
232: 제2 정상 조직 영역 예측 모델
234a, 234b, 234c, 234d 및 234e: 제2 정상 조직 후보 영역
242: 분할 결과가 표시된 의료 영상
300: 의료 영상 촬영용 디바이스
1000: 정상 조직 영역 예측 시스템100: device for predicting normal tissue area
110: receiver
120: input unit
130: output unit
140: storage
212: high-resolution medical image
214: low resolution medical image
222: first normal tissue region prediction model
224a, 224b, 224c, 224d and 224e: first normal tissue candidate region
226a, 226b, 226c, 226d and 226e: ROIs
228a, 228b, 228c, 228d and 228e: detailed medical imaging
232: second normal tissue region prediction model
234a, 234b, 234c, 234d and 234e: second normal tissue candidate region
242: Medical image with segmentation result displayed
300: device for medical imaging
1000: normal tissue area prediction system
Claims (20)
의료 영상에 기초하여 정상 조직의 영역을 예측하도록 구성된 제1 정상 조직 영역 예측 모델을 이용하여, 상기 의료 영상 내에서 제1 정상 조직 후보 영역을 예측하는 단계;
상기 제1 정상 조직 후보 영역을 포함하는 ROI (region of interest) 를 결정하는 단계;
결정된 상기 ROI의 좌표, 해상도 및 크기 중 적어도 하나를 포함하는 상기 ROI의 정보에 기초하여, 상기 ROI의 정상 조직에 해당하는 상세 의료 영상을 결정하는 단계;
상기 제1 정상 조직 영역 예측 모델과 상이하고, 상세 의료 영상에 기초하여 유방의 정상 조직 또는 유방 인근 기관의 정상 조직을 예측하도록 학습된 제2 정상 조직 영역 예측 모델을 이용하여, 상기 상세 의료 영상 내에서 제2 정상 조직 후보 영역을 예측하는 단계, 및
상기 제2 정상 조직 후보 영역을 상기 유방의 정상 조직 또는 상기 유방 인근 기관의 정상 조직으로 분류하는 단계를 포함하는, 정상 조직 영역의 예측 방법.Receiving a medical image comprising a normal tissue of the breast or a normal tissue of an organ adjacent to the breast, which is distinguished from the tumor tissue in the breast;
predicting a first normal tissue candidate region in the medical image by using a first normal tissue region prediction model configured to predict a normal tissue region based on the medical image;
determining a region of interest (ROI) including the first normal tissue candidate region;
determining a detailed medical image corresponding to a normal tissue of the ROI based on information on the ROI including at least one of the determined coordinates, resolution, and size of the ROI;
In the detailed medical image, using a second normal tissue region prediction model different from the first normal tissue region prediction model and trained to predict the normal tissue of the breast or the normal tissue of an organ adjacent to the breast based on the detailed medical image predicting a second normal tissue candidate region in
and classifying the second candidate normal tissue region as a normal tissue of the breast or a normal tissue of an organ adjacent to the breast.
상기 ROI의 정보는, 상기 ROI의 좌표를 포함하고,
상기 제2 정상 조직 후보 영역을 예측하는 단계 이후에 수행되는,
상기 제2 정상 조직 후보 영역의 좌표를 결정하는 단계, 및
상기 제2 정상 조직 후보 영역의 좌표 및 상기 ROI의 좌표를 하나의 좌표로 통합하는 단계를 더 포함하는, 정상 조직 영역의 예측 방법.According to claim 1,
The information on the ROI includes the coordinates of the ROI,
Performed after the step of predicting the second normal tissue candidate region,
determining the coordinates of the second normal tissue candidate region; and
The method of predicting a normal tissue region, further comprising the step of integrating the coordinates of the second normal tissue candidate region and the coordinates of the ROI into one coordinate.
상기 의료 영상은,
상기 정상 조직을 포함하는 저해상도 의료 영상 또는 고해상도 의료 영상인, 정상 조직 영역의 예측 방법.According to claim 1,
The medical image is
A method of predicting a normal tissue region, which is a low-resolution medical image or a high-resolution medical image including the normal tissue.
상기 정상 조직은,
상기 유방의 정상 조직 및 상기 유방 인근 기관의 정상 조직을 포함하고,
상기 유방의 정상 조직은,
우측 유방의 정상 조직 또는 좌측 유방의 정상 조직이고,
상기 유방 인근 기관의 정상 조직은,
우측 폐의 정상 조직, 좌측 폐의 정상 조직, 및 심장의 정상 조직 중 적어도 하나인, 정상 조직 영역의 예측 방법.According to claim 1,
The normal tissue is
Normal tissue of the breast and normal tissue of organs adjacent to the breast,
The normal tissue of the breast is,
Normal tissue of the right breast or normal tissue of the left breast;
The normal tissue of the organs adjacent to the breast is,
A method for predicting a normal tissue region, wherein the method is at least one of a normal tissue of a right lung, a normal tissue of a left lung, and a normal tissue of a heart.
상기 제2 정상 조직 영역 예측 모델은,
상기 유방의 정상 조직 및 상기 유방 인근 기관의 정상 조직에 대한 제2 정상 조직 후보 영역을 각각 예측하도록 구성된, 복수의 예측 모델인, 정상 조직 영역의 예측 방법.6. The method of claim 5,
The second normal tissue region prediction model,
A method of predicting a normal tissue region, which is a plurality of predictive models, configured to predict, respectively, a second normal tissue candidate region for a normal tissue of the breast and a normal tissue of an organ adjacent to the breast.
상기 의료 영상은,
복수의 단층 의료 영상을 포함하는, 3차원 의료 영상이고,
상기 의료 영상을 수신하는 단계 이후에,
상기 제1 정상 조직 영역 예측 모델을 이용하여, 상기 복수의 단층 의료 영상 각각에 대하여 상기 제1 정상 조직 후보 영역을 예측하는 단계, 및
상기 제2 정상 조직 영역 예측 모델을 이용하여, 상기 복수의 단층 의료 영상 각각에 대하여 예측된 제1 정상 조직 후보 영역에 기초하여, 상기 복수의 단층 의료 영상 각각에 대한 상기 제2 정상 조직 후보 영역을 예측하는 단계를 더 포함하는, 정상 조직 영역의 예측 방법. According to claim 1,
The medical image is
It is a three-dimensional medical image, including a plurality of tomographic medical images,
After receiving the medical image,
predicting the first normal tissue candidate region for each of the plurality of tomographic medical images by using the first normal tissue region prediction model; and
Using the second normal tissue region prediction model, the second normal tissue candidate region for each of the plurality of tomographic medical images is determined based on the predicted first normal tissue candidate region for each of the plurality of tomography medical images. A method of predicting a normal tissue region, further comprising the step of predicting.
상기 유방의 정상 조직 또는 상기 유방 인근 기관의 정상 조직으로 분류하는 단계 이후에 수행되는,
상기 제2 정상 조직 영역 예측 모델에 의한 분류 결과에 기초하여 방사선 치료 계획을 결정하는 단계를 더 포함하는, 정상 조직 영역의 예측 방법. According to claim 1,
It is performed after the step of classifying the normal tissue of the breast or the normal tissue of the organs adjacent to the breast,
Further comprising the step of determining a radiation treatment plan based on the classification result by the second normal tissue region prediction model, the prediction method of the normal tissue region.
상기 유방의 정상 조직 또는 상기 유방 인근 기관의 정상 조직으로 분류하는 단계 이후에 수행되는,
예측된 정상 조직 후보 영역 및 분류 결과를 상기 의료 영상 내에 표시하여 제공하는 단계를 더 포함하는, 정상 조직 영역의 예측 방법.According to claim 1,
It is performed after the step of classifying the normal tissue of the breast or the normal tissue of the organs adjacent to the breast,
The method of predicting a normal tissue region, further comprising displaying a predicted normal tissue candidate region and a classification result in the medical image.
상기 제1 정상 조직 영역 예측 모델 또는 상기 제2 정상 조직 영역 예측 모델은,
DenseNet, GoogLeNet, ResNet, AlexNet, U-net 및 VGG-Net 중 적어도 하나의 네트워크에 기초한 모델인, 정상 조직 영역의 예측 방법. According to claim 1,
The first normal tissue region prediction model or the second normal tissue region prediction model comprises:
A method of predicting a normal tissue region, a model based on a network of at least one of DenseNet, GoogLeNet, ResNet, AlexNet, U-net and VGG-Net.
상기 수신부와 연결된 프로세서를 포함하고,
상기 프로세서는,
의료 영상에 기초하여 정상 조직의 영역을 예측하도록 구성된 제1 정상 조직 영역 예측 모델을 이용하여, 상기 의료 영상 내에서 제1 정상 조직 후보 영역을 예측하고, 상기 제1 정상 조직 후보 영역을 포함하는 ROI (region of interest) 를 결정하고, 결정된 상기 ROI의 좌표, 해상도 및 크기 중 적어도 하나를 포함하는 상기 ROI의 정보에 기초하여, 상기 ROI의 정상 조직에 해당하는 상세 의료 영상을 결정하고, 상기 제1 정상 조직 영역 예측 모델과 상이하고, 상세 의료 영상에 기초하여 유방의 정상 조직 또는 유방 인근 기관의 정상 조직을 예측하도록 학습된 제2 정상 조직 영역 예측 모델을 이용하여, 상기 상세 의료 영상 내에서 제2 정상 조직 후보 영역을 예측하고, 상기 제2 정상 조직후보 영역을 상기 유방의 정상 조직 또는 상기 유방 인근 기관의 정상 조직으로 분류하도록 구성된, 정상 조직 영역의 예측용 디바이스.a receiving unit configured to receive a medical image comprising normal tissue of the breast or normal tissue of an organ adjacent to the breast, which is distinct from tumor tissue in the breast; and
and a processor connected to the receiver;
The processor is
Using a first normal tissue region prediction model configured to predict a normal tissue region based on a medical image, predicts a first normal tissue candidate region in the medical image, and an ROI including the first normal tissue candidate region a region of interest is determined, and a detailed medical image corresponding to a normal tissue of the ROI is determined based on information on the ROI including at least one of the determined coordinates, resolution, and size of the ROI, and the first Using a second normal tissue region prediction model different from the normal tissue region prediction model and trained to predict the normal tissue of the breast or the normal tissue of an organ adjacent to the breast based on the detailed medical image, the second normal tissue region prediction model in the detailed medical image A device for predicting a normal tissue region, configured to predict a normal tissue candidate region and classify the second normal tissue candidate region as a normal tissue of the breast or a normal tissue of an organ adjacent to the breast.
상기 ROI의 정보는, 상기 ROI의 좌표를 포함하고,
상기 프로세서는,
상기 제2 정상 조직 후보 영역의 좌표를 결정하고, 상기 제2 정상 조직 후보 영역의 좌표 및 상기 ROI의 좌표를 하나의 좌표로 통합하도록 더 구성된, 정상 조직 영역의 예측용 디바이스.12. The method of claim 11,
The information on the ROI includes the coordinates of the ROI,
The processor is
The device for predicting a normal tissue region, further configured to determine the coordinates of the second normal tissue candidate region, and integrate the coordinates of the second normal tissue candidate region and the ROI into one coordinate.
상기 의료 영상은,
상기 정상 조직을 포함하는 저해상도 의료 영상 또는 고해상도 의료 영상인, 정상 조직 영역의 예측용 디바이스.12. The method of claim 11,
The medical image is
A device for predicting a normal tissue region, which is a low-resolution medical image or a high-resolution medical image including the normal tissue.
상기 정상 조직은,
상기 유방의 정상 조직 및 상기 유방 인근 기관의 정상 조직을 포함하고,
상기 유방의 정상 조직은,
우측 유방의 정상 조직 또는 좌측 유방의 정상 조직이고,
상기 유방 인근 기관의 정상 조직은,
우측 폐의 정상 조직, 좌측 폐의 정상 조직, 및 심장의 정상 조직 중 적어도 하나인, 정상 조직 영역의 예측용 디바이스.12. The method of claim 11,
The normal tissue is
Normal tissue of the breast and normal tissue of organs adjacent to the breast,
The normal tissue of the breast is,
Normal tissue of the right breast or normal tissue of the left breast;
The normal tissue of the organs adjacent to the breast is,
A device for predicting a normal tissue region, which is at least one of a normal tissue of a right lung, a normal tissue of a left lung, and a normal tissue of a heart.
상기 제2 정상 조직 영역 예측 모델은,
상기 유방의 정상 조직 및 상기 유방 인근 기관의 정상 조직에 대한 제2 정상 조직 후보 영역을 각각 예측하도록 구성된, 복수의 예측 모델인, 정상 조직 영역의 예측용 디바이스.16. The method of claim 15,
The second normal tissue region prediction model,
A device for predicting a normal tissue region, which is a plurality of predictive models, configured to predict a second normal tissue candidate region for a normal tissue of the breast and a normal tissue of an organ adjacent to the breast, respectively.
상기 의료 영상은,
복수의 단층 의료 영상을 포함하는, 3차원 의료 영상이고,
상기 프로세서는,
상기 제1 정상 조직 영역 예측 모델을 이용하여, 상기 복수의 단층 의료 영상 각각에 대하여 상기 제1 정상 조직 후보 영역을 예측하고, 상기 제2 정상 조직 영역 예측 모델을 이용하여, 상기 복수의 단층 의료 영상 각각에 대하여 예측된 제1 정상 조직 후보 영역에 기초하여, 상기 복수의 단층 의료 영상 각각에 대한 상기 제2 정상 조직 후보 영역을 예측하도록 더 구성된, 정상 조직 영역의 예측용 디바이스.12. The method of claim 11,
The medical image is
It is a three-dimensional medical image, including a plurality of tomographic medical images,
The processor is
The first normal tissue candidate region is predicted for each of the plurality of tomography medical images by using the first normal tissue region prediction model, and the plurality of tomographic medical images are predicted using the second normal tissue region prediction model. The device for predicting a normal tissue region, further configured to predict the second normal tissue candidate region for each of the plurality of tomographic medical images based on the predicted first normal tissue candidate region for each.
상기 프로세서는,
상기 제2 정상 조직 영역 예측 모델에 의한 분류 결과에 기초하여 방사선 치료 계획을 결정하도록 더 구성된, 정상 조직 영역의 예측용 디바이스.12. The method of claim 11,
The processor is
The device for prediction of a normal tissue region, further configured to determine a radiation treatment plan based on a classification result by the second normal tissue region prediction model.
상기 프로세서는,
예측된 정상 조직 후보 영역 및 분류 결과를 상기 의료 영상 내에 표시하도록 구성되고,
상기 디바이스는,
상기 정상 조직 후보 영역 및 상기 분류 결과가 표시된 의료 영상을 제공하도록 구성된 출력부를 더 포함하는, 정상 조직 영역의 예측용 디바이스.12. The method of claim 11,
The processor is
configured to display a predicted normal tissue candidate region and a classification result in the medical image,
The device is
The device for predicting a normal tissue region, further comprising an output unit configured to provide a medical image in which the normal tissue candidate region and the classification result are displayed.
상기 제1 정상 조직 영역 예측 모델 또는 상기 제2 정상 조직 영역 예측 모델은, DenseNet, GoogLeNet, ResNet, AlexNet, U-net 및 VGG-Net 중 적어도 하나의 네트워크에 기초한 모델인, 정상 조직 영역의 예측용 디바이스.12. The method of claim 11,
The first normal tissue region prediction model or the second normal tissue region prediction model is a model based on at least one network of DenseNet, GoogLeNet, ResNet, AlexNet, U-net, and VGG-Net, for prediction of a normal tissue region device.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190123661A KR102311472B1 (en) | 2019-10-07 | 2019-10-07 | Method for predicting regions of normal tissue and device for predicting regions of normal tissue using the same |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190123661A KR102311472B1 (en) | 2019-10-07 | 2019-10-07 | Method for predicting regions of normal tissue and device for predicting regions of normal tissue using the same |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210041242A KR20210041242A (en) | 2021-04-15 |
| KR102311472B1 true KR102311472B1 (en) | 2021-10-08 |
Family
ID=75440762
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190123661A KR102311472B1 (en) | 2019-10-07 | 2019-10-07 | Method for predicting regions of normal tissue and device for predicting regions of normal tissue using the same |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102311472B1 (en) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004313478A (en) | 2003-04-16 | 2004-11-11 | Mie Tlo Co Ltd | Medical image processing method |
| KR101889723B1 (en) | 2018-07-04 | 2018-08-20 | 주식회사 루닛 | Method and Apparatus for Diagnosing Malignant Tumor |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102001219B1 (en) * | 2012-11-26 | 2019-07-17 | 삼성전자주식회사 | Method and Apparatus of matching medical images |
| KR102154733B1 (en) * | 2013-01-16 | 2020-09-11 | 삼성전자주식회사 | Apparatus and method for estimating whether malignant tumor is in object by using medical image |
| 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 |
-
2019
- 2019-10-07 KR KR1020190123661A patent/KR102311472B1/en active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004313478A (en) | 2003-04-16 | 2004-11-11 | Mie Tlo Co Ltd | Medical image processing method |
| KR101889723B1 (en) | 2018-07-04 | 2018-08-20 | 주식회사 루닛 | Method and Apparatus for Diagnosing Malignant Tumor |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20210041242A (en) | 2021-04-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11386557B2 (en) | Systems and methods for segmentation of intra-patient medical images | |
| US10134141B2 (en) | System and methods for image segmentation using convolutional neural network | |
| CN109906470B (en) | Image segmentation using neural network approach | |
| EP2693951B1 (en) | Image analysis for specific objects | |
| CN104217418B (en) | The segmentation of calcification blood vessel | |
| CN110310281A (en) | Lung neoplasm detection and dividing method in a kind of Virtual Medical based on Mask-RCNN deep learning | |
| CN108428233B (en) | Knowledge-based automatic image segmentation | |
| US11219426B2 (en) | Method and system for determining irradiation dose | |
| CN107545584A (en) | The method, apparatus and its system of area-of-interest are positioned in medical image | |
| KR20200080626A (en) | Method for providing information of lesion diagnosis and device for providing information of lesion diagnosis using the same | |
| US9129391B2 (en) | Semi-automated preoperative resection planning | |
| CN110235175A (en) | The automatic segmentation based on map of on-line study enhancing | |
| US9727975B2 (en) | Knowledge-based automatic image segmentation | |
| CN111583246A (en) | Method for classifying liver tumors by utilizing CT (computed tomography) slice images | |
| Lei et al. | Male pelvic multi‐organ segmentation on transrectal ultrasound using anchor‐free mask CNN | |
| KR102311472B1 (en) | Method for predicting regions of normal tissue and device for predicting regions of normal tissue using the same | |
| CN114419032A (en) | Method and device for segmenting the endocardium and/or the epicardium of the left ventricle of the heart | |
| KR20210069250A (en) | Tumor automatic segmentation using deep learning based on dual window setting in a medical image | |
| CN115619810B (en) | Prostate partition segmentation method, system and equipment | |
| CN113706486B (en) | Pancreatic tumor image segmentation method based on dense connection network migration learning | |
| Moradi et al. | Fully automatic reconstruction of prostate high dose rate brachytherapy interstitial needles by using two phases deep learning based segmentation and object tracking algorithms | |
| WO2024121190A1 (en) | Generating combined diagnostic imaging and pathology images | |
| CN113706486A (en) | Pancreas tumor image segmentation method based on dense connection network migration learning | |
| CN118435235A (en) | System and method for classifying lesions |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |