KR102454116B1 - 심혈관 병변 탐지를 위한 심혈관 조영 영상 처리 방법 및 시스템 - Google Patents
심혈관 병변 탐지를 위한 심혈관 조영 영상 처리 방법 및 시스템 Download PDFInfo
- Publication number
- KR102454116B1 KR102454116B1 KR1020220058291A KR20220058291A KR102454116B1 KR 102454116 B1 KR102454116 B1 KR 102454116B1 KR 1020220058291 A KR1020220058291 A KR 1020220058291A KR 20220058291 A KR20220058291 A KR 20220058291A KR 102454116 B1 KR102454116 B1 KR 102454116B1
- Authority
- KR
- South Korea
- Prior art keywords
- image
- patch
- refined
- image patch
- mask
- Prior art date
Links
- 230000002526 effect on cardiovascular system Effects 0.000 title claims abstract description 185
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000012545 processing Methods 0.000 title claims description 46
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 119
- 238000003672 processing method Methods 0.000 claims abstract description 19
- 231100001011 cardiovascular lesion Toxicity 0.000 claims abstract description 14
- 238000003384 imaging method Methods 0.000 claims description 119
- 230000010365 information processing Effects 0.000 claims description 54
- 230000015654 memory Effects 0.000 claims description 48
- 230000003902 lesion Effects 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 28
- 230000011218 segmentation Effects 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 230000001131 transforming effect Effects 0.000 claims 1
- 208000031481 Pathologic Constriction Diseases 0.000 abstract description 12
- 230000036262 stenosis Effects 0.000 abstract description 12
- 208000037804 stenosis Diseases 0.000 abstract description 12
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 38
- 239000000284 extract Substances 0.000 description 17
- 238000000605 extraction Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 9
- 230000005291 magnetic effect Effects 0.000 description 7
- 238000010191 image analysis Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000002583 angiography Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000014509 gene expression Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 210000000748 cardiovascular system Anatomy 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 210000000225 synapse Anatomy 0.000 description 3
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000013529 biological neural network Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 206010068829 Overconfidence Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 231100000216 vascular lesion Toxicity 0.000 description 1
Images
Classifications
-
- 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
- A61B6/504—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 blood vessels, e.g. by angiography
-
- 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
- A61B6/48—Diagnostic techniques
- A61B6/481—Diagnostic techniques involving the use of contrast agents
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
- G06T2207/20041—Distance transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30048—Heart; Cardiac
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30172—Centreline of tubular or elongated structure
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Optics & Photonics (AREA)
- Databases & Information Systems (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Heart & Thoracic Surgery (AREA)
- High Energy & Nuclear Physics (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Physiology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Vascular Medicine (AREA)
Abstract
본 개시는 컴퓨팅 장치의 적어도 하나의 프로세서에 의해 수행되는, 심혈관 병변 탐지를 위한 심혈관 조영 영상 처리 방법이 제공된다. 이 방법은, 심혈관 조영 영상을 수신하는 단계, 심혈관 조영 영상에 포함된 적어도 일부 혈관에 대응되는 제1 이미지 마스크를 획득하는, 심혈관 조영 영상에 포함된 적어도 일부 혈관의 중심선에 대응되는 센터라인 이미지 마스크를 획득하는 단계, 심혈관 조영 영상으로부터 제1 이미지 패치를 추출하는 단계, 센터라인 이미지 마스크로부터 제2 이미지 패치를 추출하는 단계, 제1 이미지 패치 및 제2 이미지 패치를 기초로 지역적 리파인먼트 처리를 수행하여 리파인드된 제3 이미지 패치를 생성하는 단계, 및 리파인드된 제3 이미지 패치 및 제1 이미지 마스크를 기초로 리파인드된 제2 이미지 마스크를 생성하는 단계를 포함한다.
Description
본 개시는 심혈관 병변 탐지를 위한 심혈관 조영 영상 처리 방법 및 시스템에 관한 것으로, 구체적으로, 심혈관 병변 탐지를 위해 심혈관 조영 영상을 기초로 병변 후보 영역에 대한 개선된 이미지 패치를 생성하는 방법 및 시스템에 관한 것이다.
의료 현장에서는 X-ray, CT 촬영, 심혈관 조영술 등을 이용하여 획득한 심혈관 조영 영상을 병변 진단 또는 영상 판독에 이용한다. 최근에는, 심혈관 조영 영상을 기초로 인공신경망 모델을 이용하여 심혈관 병변 탐지를 지원하는 기술이 다양하게 개발되고 있으나, 인간의 생명을 다루는 의료 분야 특성 상 병변을 정확하게 탐지할 수 있는 기술이 매우 중요하다.
종래의 기법에 따르면, 심혈관 조영 영상 전체를 입력 데이터로 활용하여, 심혈관 조영 영상 내의 주 혈관이 탐지되었다. 구체적으로, 종래 기법에 의하면, 심혈관 조영 영상을 픽셀 단위로 분할함으로써 병변 영역이 탐지되었다. 그러나, 이러한 종래 기법의 경우, 심혈관 조영 영상 내의 주 혈관을 구분하는데 우수한 성능을 나타내지만, 보다 세밀하게 혈관을 세그멘테이션 처리하는데 어려울 수 있다.
본 개시는 상기와 같은 문제점을 해결하기 위한 심혈관 병변 탐지를 위한 심혈관 조영 영상 처리 방법, 기록매체에 저장된 컴퓨터 프로그램 및 장치(시스템)를 제공한다.
본 개시는 방법, 장치(시스템) 또는 판독 가능 저장 매체에 저장된 컴퓨터 프로그램을 포함한 다양한 방식으로 구현될 수 있다.
본 개시의 일 실시예에 따르면, 컴퓨팅 장치의 적어도 하나의 프로세서에 의해 수행되는, 심혈관 병변 탐지를 위한 심혈관 조영 영상 처리 방법은, 심혈관 조영 영상을 수신하는 단계, 심혈관 조영 영상에 포함된 적어도 일부 혈관에 대응되는 제1 이미지 마스크를 획득하는 단계, 심혈관 조영 영상에 포함된 적어도 일부 혈관의 중심선에 대응되는 센터라인 이미지 마스크를 획득하는 단계, 심혈관 조 영 영상으로부터 제1 이미지 패치를 추출하는 단계, 센터라인 이미지 마스크로부터 제2 이미지 패치를 추출하는 단계, 제1 이미지 패치 및 제2 이미지 패치를 기초로 지역적 리파인먼트(local refinement) 처리를 수행하여 리파인드된 제3 이미지 패치를 생성하는 단계 및 리파인드된 제3 이미지 패치 및 제1 이미지 마스크를 기초로 리파인드된 제2 이미지 마스크를 생성하는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 리파인드된 제3 이미지 패치를 생성하는 단계는, 제2 이미지 패치를 디스턴스 맵으로 변환하는 단계 및 제1 이미지 패치 및 디스턴스 맵을 기초로 지역적 리파인먼트 처리를 수행하여 리파인드된 제3 이미지 패치를 생성하는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 제2 이미지 패치를 디스턴스 맵으로 변환하는 단계는, 제2 이미지 패치와 동일한 크기를 가지는 빈 이미지 마스크를 생성하는 단계 및 빈 이미지 마스크에 포함된 복수의 픽셀의 각각과 제2 이미지 패치에 포함된 복수의 픽셀 각각으로부터 제2 이미지 패치에 포함된 혈관 중심선까지의 거리에 대한 정보를 연관시키는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 제2 이미지 패치에 포함된 복수의 픽셀 각각으로부터 제2 이미지 패치에 포함된 혈관 중심선까지의 거리에 대한 정보는, 거리가 0과 1 사이의 값을 가지도록 정규화 처리된 값을 포함한다.
본 개시의 일 실시예에 따르면, 제1 이미지 패치 및 디스턴스 맵을 기초로 지역적 리파인먼트 처리를 수행하여 리파인드된 제3 이미지 패치를 생성하는 단계는, 제1 이미지 패치 및 디스턴스 맵을 병합(concatenate)하여 2 채널의 입력 데이터를 생성하는 단계 및 2 채널의 입력 데이터를 지역적 리파인먼트 모델에 입력하여 리파인드된 제3 이미지 패치를 생성하는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 지역적 리파인먼트 모델은, 학습 이미지 패치 및 학습 디스턴스 맵에 포함된 복수의 픽셀의 각각 및 복수의 픽셀의 각각에 대응되는 레이블에 대한 업샘플링을 수행함으로써, 복수의 픽셀의 각각에 대한 0과 1 사이의 값을 출력하는 바이너리 세그멘테이션 처리를 수행하고, 출력된 0과 1 사이의 값을 레이블로 변환시키도록 학습된 모델이다.
본 개시의 일 실시예에 따르면, 리파인드된 제2 이미지 마스크를 생성하는 단계는, 리파인드된 제3 이미지 패치를 제1 이미지 마스크에 플레이스 오버(place over) 처리를 수행하여 리파인드된 제2 이미지 마스크를 생성하는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 리파인드된 제2 이미지 마스크를 생성하는 단계는, 리파인드된 제3 이미지 패치의 미리 결정된 크기의 외곽 영역을 제거하고, 심혈관 조영 영상에 포함된 혈관의 이미지 마스크에 플레이스 오버 처리를 수행하여 리파인드된 제2 이미지 마스크를 생성하는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 센터라인 이미지 마스크로부터 제2 이미지 패치를 추출하는 단계는, 센터라인 이미지 마스크에 포함된 일부 혈관의 중심선 중에서 병변 후보군에 대응하는 하나 이상의 중심점을 추출하는 단계 및 추출된 하나 이상의 중심점의 각각을 중심으로 하는 미리 결정된 크기의 패치를 제2 이미지 패치로서 추출하는 단계를 포함한다.
본 개시의 일 실시예에 따른 심혈관 병변 탐지를 위한 심혈관 조영 영상 처리 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 제공된다.
본 개시의 일 실시예에 따른 정보 처리 시스템은, 메모리 및 메모리와 연결되고 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 적어도 하나의 프로그램은, 심혈관 조영 영상을 수신하고, 심혈관 조영 영상에 포함된 혈관의 중심선이 표시되도록 마스킹 처리된 제1 이미지 마스크를 획득하고, 심혈관 조영 영상에 포함된 적어도 일부 혈관의 중심선에 대응되는 센터라인 이미지 마스크를 획득하고, 심혈관 조영 영상으로부터 제1 이미지 패치를 추출하고, 센터라인 이미지 마스크로부터 제2 이미지 패치를 추출하고, 제1 이미지 패치 및 제2 이미지 패치를 기초로 지역적 리파인먼트 처리를 수행하여 리파인드된 제3 이미지 패치를 생성하고, 리파인드된 제3 이미지 패치 및 제1 이미지 마스크를 기초로 리파인드된 제2 이미지 마스크를 생성하기 위한 명령어들을 포함한다.
본 개시의 일부 실시예에 따르면, 심혈관 조영 영상을 기초로 심혈관 조영 영상 내의 병변 후보 영역에 대해 지역적 리파인먼트 처리를 수행함으로써 픽셀 단위로 세밀하게 세그멘테이션을 수행할 수 있어, 심혈관 협착률 산출에 대한 정확도가 더욱 향상될 수 있다.
본 개시의 일부 실시예에 따르면, 심혈관 조영 영상에 대응하는 이미지 패치와 심혈관 조영 영상 내 혈관 중심선을 포함하는 이미지 패치를 병합하여 지역적 리파인먼트의 입력 데이터로 활용함으로써, 주 혈관 영역의 구분을 용이하게 할 수 있으므로, 심혈관 협착률 산출에 대한 품질이 더욱 향상될 수 있다.
본 개시의 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않은 다른 효과들은 청구범위의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자(“통상의 기술자”라 함)에게 명확하게 이해될 수 있을 것이다.
본 개시의 실시예들은, 이하 설명하는 첨부 도면들을 참조하여 설명될 것이며, 여기서 유사한 참조 번호는 유사한 요소들을 나타내지만, 이에 한정되지는 않는다.
도 1은 본 개시의 일 실시예에 따른 정보 처리 시스템이 심혈관 조영 영상을 기초로 심혈관 조영 영상 내 병변 후보 영역에 대한 리파인드된 이미지 마스크를 생성하는 방법의 예시를 나타내는 도면이다.
도 2는 본 개시의 일 실시예에 따른 심혈관 병변 탐지를 위한 심혈관 조영 영상 처리 서비스를 제공하는 정보 처리 시스템을 나타내는 블록도이다.
도 3은 본 개시의 일 실시예에 따른 심혈관 병변 탐지를 위한 심혈관 조영 영상 처리 방법의 예시를 나타내는 흐름도이다.
도 4는 본 개시의 일 실시예에 따른 심혈관 조영 영상으로부터 일부 혈관에 대응되는 이미지 마스크를 생성하는 방법의 예시를 나타내는 도면이다.
도 5는 본 개시의 일 실시예에 따른 심혈관 조영 영상 및 심혈관 조영 영상 내 일부 혈관의 중심선이 표시되도록 마스킹 처리된 제1 이미지 마스크를 기초로 지역적 리파인먼트 모델의 입력 데이터를 생성하는 방법의 예시를 나타내는 도면이다.
도 6은 본 개시의 일 실시예에 따른 심혈관 조영 영상에 대한 이미지 패치에 대해 리파인먼트 처리하고, 리파인드된 이미지 패치 및 혈관이 표시되도록 마스킹 처리된 이미지 마스크를 기초로 리파인드된 이미지 마스크를 생성하는 방법의 예시를 나타내는 도면이다.
도 7은 본 개시의 일 실시예에 따른 혈관의 중심선이 표시되도록 마스킹 처리된 이미지 마스크에 대한 이미지 패치에 대응하는 디스턴스 맵을 생성하는 방법의 예시를 나타내는 도면이다.
도 8은 본 개시의 일 실시예에 따른 혈관 중심선을 포함하는 이미지 패치를 기초로 디스턴스 맵을 생성하는 방법의 예시를 나타내는 도면이다.
도 9는 본 개시의 일 실시예에 따른 심혈관 협착률을 산출하기 위한 심혈관 조영 영상을 기초로 리파인드된 이미지 마스크를 생성하는 과정의 예시를 나타내는 도면이다.
도 10은 본 개시의 일 실시예에 따른 인공신경망 모델을 나타내는 예시도이다.
도 1은 본 개시의 일 실시예에 따른 정보 처리 시스템이 심혈관 조영 영상을 기초로 심혈관 조영 영상 내 병변 후보 영역에 대한 리파인드된 이미지 마스크를 생성하는 방법의 예시를 나타내는 도면이다.
도 2는 본 개시의 일 실시예에 따른 심혈관 병변 탐지를 위한 심혈관 조영 영상 처리 서비스를 제공하는 정보 처리 시스템을 나타내는 블록도이다.
도 3은 본 개시의 일 실시예에 따른 심혈관 병변 탐지를 위한 심혈관 조영 영상 처리 방법의 예시를 나타내는 흐름도이다.
도 4는 본 개시의 일 실시예에 따른 심혈관 조영 영상으로부터 일부 혈관에 대응되는 이미지 마스크를 생성하는 방법의 예시를 나타내는 도면이다.
도 5는 본 개시의 일 실시예에 따른 심혈관 조영 영상 및 심혈관 조영 영상 내 일부 혈관의 중심선이 표시되도록 마스킹 처리된 제1 이미지 마스크를 기초로 지역적 리파인먼트 모델의 입력 데이터를 생성하는 방법의 예시를 나타내는 도면이다.
도 6은 본 개시의 일 실시예에 따른 심혈관 조영 영상에 대한 이미지 패치에 대해 리파인먼트 처리하고, 리파인드된 이미지 패치 및 혈관이 표시되도록 마스킹 처리된 이미지 마스크를 기초로 리파인드된 이미지 마스크를 생성하는 방법의 예시를 나타내는 도면이다.
도 7은 본 개시의 일 실시예에 따른 혈관의 중심선이 표시되도록 마스킹 처리된 이미지 마스크에 대한 이미지 패치에 대응하는 디스턴스 맵을 생성하는 방법의 예시를 나타내는 도면이다.
도 8은 본 개시의 일 실시예에 따른 혈관 중심선을 포함하는 이미지 패치를 기초로 디스턴스 맵을 생성하는 방법의 예시를 나타내는 도면이다.
도 9는 본 개시의 일 실시예에 따른 심혈관 협착률을 산출하기 위한 심혈관 조영 영상을 기초로 리파인드된 이미지 마스크를 생성하는 과정의 예시를 나타내는 도면이다.
도 10은 본 개시의 일 실시예에 따른 인공신경망 모델을 나타내는 예시도이다.
이하, 본 개시의 실시를 위한 구체적인 내용을 첨부된 도면을 참조하여 상세히 설명한다. 다만, 이하의 설명에서는 본 개시의 요지를 불필요하게 흐릴 우려가 있는 경우, 널리 알려진 기능이나 구성에 관한 구체적 설명은 생략하기로 한다.
첨부된 도면에서, 동일하거나 대응하는 구성요소에는 동일한 참조부호가 부여되어 있다. 또한, 이하의 실시예들의 설명에 있어서, 동일하거나 대응되는 구성요소를 중복하여 기술하는 것이 생략될 수 있다. 그러나, 구성요소에 관한 기술이 생략되어도, 그러한 구성요소가 어떤 실시예에 포함되지 않는 것으로 의도되지는 않는다.
개시된 실시예의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 통상의 기술자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 개시된 실시예에 대해 구체적으로 설명하기로 한다. 본 명세서에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 관련 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서, 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
본 명세서에서의 단수의 표현은 문맥상 명백하게 단수인 것으로 특정하지 않는 한, 복수의 표현을 포함한다. 또한, 복수의 표현은 문맥상 명백하게 복수인 것으로 특정하지 않는 한, 단수의 표현을 포함한다. 명세서 전체에서 어떤 부분이 어떤 구성요소를 포함한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.
또한, 명세서에서 사용되는 '모듈' 또는 '부'라는 용어는 소프트웨어 또는 하드웨어 구성요소를 의미하며, '모듈' 또는 '부'는 어떤 역할들을 수행한다. 그렇지만, '모듈' 또는 '부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '모듈' 또는 '부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서, '모듈' 또는 '부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 또는 변수들 중 적어도 하나를 포함할 수 있다. 구성요소들과 '모듈' 또는 '부'들은 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '모듈' 또는 '부'들로 결합되거나 추가적인 구성요소들과 '모듈' 또는 '부'들로 더 분리될 수 있다.
본 개시의 일 실시예에 따르면, '모듈' 또는 '부'는 프로세서 및 메모리로 구현될 수 있다. '프로세서'는 범용 프로세서, 중앙 처리 장치(CPU), 마이크로프로세서, 디지털 신호 프로세서(DSP), 제어기, 마이크로제어기, 상태 머신 등을 포함하도록 넓게 해석되어야 한다. 몇몇 환경에서, '프로세서'는 주문형 반도체(ASIC), 프로그램가능 로직 디바이스(PLD), 필드 프로그램가능 게이트 어레이(FPGA) 등을 지칭할 수도 있다. '프로세서'는, 예를 들어, DSP와 마이크로프로세서의 조합, 복수의 마이크로프로세서들의 조합, DSP 코어와 결합한 하나 이상의 마이크로프로세서들의 조합, 또는 임의의 다른 그러한 구성들의 조합과 같은 처리 디바이스들의 조합을 지칭할 수도 있다. 또한, '메모리'는 전자 정보를 저장 가능한 임의의 전자 컴포넌트를 포함하도록 넓게 해석되어야 한다. '메모리'는 임의 액세스 메모리(RAM), 판독-전용 메모리(ROM), 비-휘발성 임의 액세스 메모리(NVRAM), 프로그램가능 판독-전용 메모리(PROM), 소거-프로그램가능 판독 전용 메모리(EPROM), 전기적으로 소거가능 PROM(EEPROM), 플래쉬 메모리, 자기 또는 광학 데이터 저장장치, 레지스터들 등과 같은 프로세서-판독가능 매체의 다양한 유형들을 지칭할 수도 있다. 프로세서가 메모리로부터 정보를 판독하고/하거나 메모리에 정보를 기록할 수 있다면 메모리는 프로세서와 전자 통신 상태에 있다고 불린다. 프로세서에 집적된 메모리는 프로세서와 전자 통신 상태에 있다.
본 개시에서, '시스템'은 서버 장치와 클라우드 장치 중 적어도 하나의 장치를 포함할 수 있으나, 이에 한정되는 것은 아니다. 예를 들어, 시스템은 하나 이상의 서버 장치로 구성될 수 있다. 다른 예로서, 시스템은 하나 이상의 클라우드 장치로 구성될 수 있다. 또 다른 예로서, 시스템은 서버 장치와 클라우드 장치가 함께 구성되어 동작될 수 있다. 또 다른 예로서, 시스템은 심혈관 이미지의 3차원 재구성을 위한 CIP(Common Image Point)를 자동 검출하기 위한 클라이언트 장치를 지칭할 수 있다.
본 개시에서, '복수의 A의 각각' 또는 '복수의 A 각각'은 복수의 A에 포함된 모든 구성 요소의 각각을 지칭하거나, 복수의 A에 포함된 일부 구성 요소의 각각을 지칭할 수 있다. 예를 들어, 복수의 조영 영상의 각각은 복수의 조영 영상에 포함된 모든 영상의 각각을 지칭하거나 복수의 조영 영상에 포함된 일부의 영상의 각각을 지칭할 수 있다.
본 개시에서, '이미지 마스크'는 원본 이미지를 이용하여 원본 이미지에 포함된 특정 영역이 표시되도록 마스킹 처리된 이미지를 지칭할 수 있다.
본 개시에서, '이미지 패치'는 원본 이미지를 이용하여 원본 이미지에 포함된 특정 영역을 중심으로 미리 결정된 크기의 이미지를 추출함으로써 생성된 이미지를 지칭할 수 있다.
본 개시에서, '모델'은 기계학습 모델을 지칭할 수 있다. 예를 들어, '모델'은 인공신경망 모델을 지칭할 수 있다.
도 1은 본 개시의 일 실시예에 따른 정보 처리 시스템(100)이 심혈관 조영 영상(110)을 기초로 심혈관 조영 영상 내 병변 후보 영역에 대한 리파인드된 이미지 마스크(120)를 생성하는 방법의 예시를 나타내는 도면이다. 도 1에 도시된 바와 같이, 정보 처리 시스템(100)은 심혈관 조영 영상 내의 리파인드된 이미지 마스크 생성 서비스를 구비한 시스템 또는 리파인드된 이미지 마스크 생성 서비스를 제공하는 시스템일 수 있다. 예를 들어, 정보 처리 시스템(100)은 심혈관 조영 영상(110) 및 심혈관 조영 영상 이미지 분석 모델에 의해 생성된 병변 후보 혈관의 중심선에 대한 이미지 마스크(예: 센터라인 이미지 마스크)를 기초로 지역적 리파인먼트 모델의 입력 데이터를 생성할 수 있다. 그리고, 정보 처리 시스템(100)은 입력 데이터를 기초로 지역적 리파인먼트 처리를 수행하여 생성된 이미지 패치와 심혈관 세그멘테이션 모델에 의해 생성된 심혈관 조영 영상 내 혈관에 대한 이미지 마스크(예: 제1 이미지 마스크)를 기초로 플레이스 오버 처리를 수행함으로써, 리파인드된 이미지 마스크(예: 제2 이미지 마스크)(120)를 생성할 수 있다.
일 실시예에서, 촬영 장비를 통해 환자의 심혈관이 촬영된 후, 심혈관 조영 영상(110)이 정보 처리 시스템(100)으로 입력될 수 있다. 예를 들어, 심혈관 조영 영상(110)은 촬영 장비와 연결된 컴퓨팅 장치를 통해 정보 처리 시스템(100)에 제공될 수 있다. 다른 예로서, 심혈관 조영 영상(110)은 심혈관 조영 영상(110)이 저장된 기록 매체를 통해 정보 처리 시스템(100)에 제공될 수 있다. 정보 처리 시스템(100)이 심혈관 조영 영상(110)을 획득하는 방식은 전술한 예에 한정되는 것이 아니며, 어떠한 방식이 되더라도 무방하다. 여기서, 심혈관 조영 영상(110)은 촬영 장치를 통해 한 사람의 심혈관을 한 방향 및/또는 여러 방향에서 촬영한 복수의 X-ray 이미지를 나타낼 수 있다.
일 실시예에 따르면, 정보 처리 시스템(100)은 이미지 패치 추출 모델을 이용하여 심혈관 조영 영상(110)를 기초로 심혈관 조영 영상에 대응되는 패치 이미지를 생성할 수 있다. 또한, 정보 처리 시스템(100)은 이미지 패치 추출 모델을 이용하여 심혈관 조영 영상을 기초로 생성된 병변 후보 혈관의 중심선에 대한 이미지 마스크를 기초로 이미지 마스크에 대응되는 패치 이미지를 생성할 수 있다. 여기서, 이미지 패치 추출 모델은 심혈관 조영 영상(110) 및/또는 이미지 마스크를 기초로 미리 결정된 크기의 패치 이미지를 생성하도록 학습된 모델일 수 있다. 예를 들어, 정보 처리 시스템(100)은 심혈관 조영 영상(110)을 이미지 패치 추출 모델에 입력하여 이에 대응되는 미리 결정된 크기의 이미지 패치(예: 제1 이미지 패치)를 추출할 수 있다. 또한, 정보 처리 시스템(100)은 병변 후보 혈관의 중심선에 대한 이미지 마스크(예: 센터라인 이미지 마스크)를 이미지 패치 추출 모델에 입력하여 이에 대응되는 미리 결정된 크기의 이미지 패치(예: 제2 이미지 패치)를 추출할 수 있다. 정보 처리 시스템은 제1 이미지 패치 및 제2 이미지 패치를 기초로 지역적 리파인먼트를 수행하기 위한 입력 데이터를 생성할 수 있다. 이에 대한 구체적인 방법은 도 5, 도 8 및 도 9을 참조하여 상세히 후술하도록 한다.
일 실시예에 따르면, 정보 처리 시스템(100)은 지역적 리파인먼트 모델을 이용하여 생성된 리파인드된 이미지 패치를 기초로 리파인드된 이미지 마스크(120)를 생성할 수 있다. 여기서, 지역적 리파인먼트 모델은 학습 이미지 패치 및 학습 디스턴스 맵에 포함된 복수의 픽셀의 각각 및 복수의 픽셀의 각각에 대응되는 레이블에 대한 업샘플링을 수행함으로써, 복수의 픽셀의 각각에 대한 0과 1 사이의 값을 출력하는 바이너리 세그멘테이션 처리를 수행하고, 출력된 0과 1 사이의 값을 레이블로 변환시키도록 학습된 모델일 수 있다. 예를 들어, 정보 처리 시스템(100)은 제1 이미지 패치 및 제2 이미지 패치를 기초로 지역적 리파인먼트를 수행하기 위한 입력 데이터를 지역적 리파인먼트 모델에 입력하여 리파인드된 이미지 패치(예: 제3 이미지 패치)를 생성할 수 있다. 그 후, 제3 이미지 패치를 심혈관 조영 영상 내 혈관에 대한 이미지 마스크(예: 제1 이미지 마스크 등)에 플레이스 오버 처리를 수행함으로써 리파인드된 이미지 마스크(예: 제2 이미지 마스크)를 생성할 수 있다. 이에 대한 구체적인 방법은 도 6 및 도 9를 참조하여 상세히 후술하도록 한다.
이와 같은 구성을 통해, 혈관의 병변 발생 정도가 더욱 정확하게 탐지되고, 신뢰도 높은 협착률 산출을 위해 이용될 수 있는 고품질의 이미지 마스크가 생성될 수 있다.
도 2는 본 개시의 일 실시예에 따른 심혈관 병변 탐지를 위한 심혈관 조영 영상 처리 서비스를 제공하는 정보 처리 시스템(100)을 나타내는 블록도이다. 정보 처리 시스템(100)은 메모리(210), 프로세서(220), 통신 모듈(230) 및 입출력 인터페이스(240)를 포함할 수 있다. 도 2에 도시된 바와 같이, 정보 처리 시스템(100)은 통신 모듈(230)을 이용하여 네트워크를 통해 정보 및/또는 데이터를 통신할 수 있도록 구성될 수 있다.
메모리(210)는 비-일시적인 임의의 컴퓨터 판독 가능한 기록매체를 포함할 수 있다. 일 실시예에 따르면, 메모리(210)는 디스크 드라이브, SSD(solid state drive), 플래시 메모리(flash memory) 등과 같은 비소멸성 대용량 저장 장치(permanent mass storage device)를 포함할 수 있다. 다른 예로서, ROM, SSD, 플래시 메모리, 디스크 드라이브 등과 같은 비소멸성 대용량 저장 장치는 메모리와는 구분되는 별도의 영구 저장 장치로서 정보 처리 시스템(100)에 포함될 수 있다. 또한, 메모리(210)에는 운영체제와 적어도 하나의 프로그램 코드(예를 들어, 정보 처리 시스템(100)에 설치되어 구동되는 이미지 패치 추출 모델의 연산 처리, 지역적 리파인먼트 모델의 연산 처리 등)가 저장될 수 있다. 도 2에서, 메모리(210)는 단일 메모리인 것으로 도시되었지만, 이는 설명의 편의를 위한 것일 뿐이며, 메모리(210)는 복수의 메모리 및/또는 버퍼 메모리를 포함할 수 있다.
이러한 소프트웨어 구성요소들은 메모리(210)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록매체는 이러한 정보 처리 시스템(100)에 직접 연결가능한 기록 매체를 포함할 수 있는데, 예를 들어, 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 예로서, 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 모듈(230)을 통해 메모리(210)에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 어플리케이션의 설치 파일을 배포하는 파일 배포 시스템이 통신 모듈(230)을 통해 제공하는 파일들에 의해 설치되는 컴퓨터 프로그램(예를 들어, 심혈관이 촬영된 조영 영상 등의 데이터 전송 등을 위한 프로그램 등)에 기반하여 메모리(210)에 로딩될 수 있다.
프로세서(220)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(210) 또는 통신 모듈(230)에 의해 사용자 단말(미도시) 또는 다른 외부 시스템으로 제공될 수 있다. 예를 들어, 프로세서(220)는 심혈관 조영 영상 학습 데이터를 기초로 이미지 패치 추출 모델을 학습시킬 수 있다. 이렇게 학습된 이미지 패치 추출 모델은 심혈관 조영 영상으로부터 미리 결정된 크기의 이미지 패치를 추출할 수 있다.
통신 모듈(230)은 네트워크를 통해 사용자 단말(미도시)과 정보 처리 시스템(100)이 서로 통신하기 위한 구성 또는 기능을 제공할 수 있으며, 정보 처리 시스템(100)이 외부 시스템(일례로 별도의 클라우드 시스템 등)과 통신하기 위한 구성 또는 기능을 제공할 수 있다. 일례로, 정보 처리 시스템(100)의 프로세서(220)의 제어에 따라 제공되는 제어 신호, 명령, 데이터 등이 통신 모듈(230)과 네트워크를 거쳐 사용자 단말 및/또는 외부 시스템의 통신 모듈을 통해 사용자 단말 및/또는 외부 시스템으로 전송될 수 있다. 예를 들어, 정보 처리 시스템(100)은 외부 시스템(예: 주 혈관을 추출할 수 있는 심혈관 조영 영상 세그멘테이션 시스템 및/또는 심혈관 조영 영상 이미지 분석 시스템)으로부터 추출된 병변 영역 정보 및 병변 후보 영역과 연관된 혈관의 중심선 정보 등을 수신할 수 있다. 이와 달리, 주 혈관을 추출할 수 있는 심혈관 조영 영상 세그멘테이션 시스템 및/또는 심혈관 조영 영상 이미지 분석 시스템은 정보 처리 시스템(100)에 포함될 수 있다.
또한, 정보 처리 시스템(100)의 입출력 인터페이스(240)는 정보 처리 시스템(100)과 연결되거나 정보 처리 시스템(100)이 포함할 수 있는 입력 또는 출력을 위한 장치(미도시)와의 인터페이스를 위한 수단일 수 있다. 예를 들면, 입출력 인터페이스(240)는 PCI express 인터페이스, 이더넷(ethernet) 인터페이스 중 적어도 하나를 포함할 수 있다. 도 2에서는 입출력 인터페이스(240)가 프로세서(220)와 별도로 구성된 요소로서 도시되었으나, 이에 한정되지 않으며, 입출력 인터페이스(240)가 프로세서(220)에 포함되도록 구성될 수 있다. 정보 처리 시스템(100)은 도 2의 구성요소들보다 더 많은 구성요소들을 포함할 수 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다.
정보 처리 시스템(100)의 프로세서(220)는 복수의 사용자 단말 및/또는 복수의 외부 시스템으로부터 수신된 정보 및/또는 데이터를 관리, 처리 및/또는 저장하도록 구성될 수 있다. 일 실시예에 따르면, 프로세서(220)는 심혈관 조영 영상을 수신할 수 있다. 프로세서(220)는 심혈관 조영 영상에 포함된 적어도 일부 혈관에 대응되는 제1 이미지 마스크를 획득하고, 심혈관 조영 영상에 포함된 적어도 일부 혈관의 중심선에 대응되는 센터라인 이미지 마스크를 획득할 수 있다. 또한, 프로세서(220)는 심혈관 조영 영상으로부터 제1 이미지 패치를 추출하고, 센터라인 이미지 마스크로부터 제2 이미지 패치를 추출할 수 있다. 그리고 나서, 프로세서(220)는 제1 이미지 패치 및 제2 이미지 패치를 기초로 지역적 리파인먼트 처리를 수행하여 리파인드된 제3 이미지 패치를 생성할 수 있다. 프로세서(220)는 리파인드된 제3 이미지 패치 및 제1 이미지 마스크를 기초로 리파인드된 제2 이미지 마스크를 생성할 수 있다. 도 2에서, 프로세서(220)는 단일 프로세서인 것으로 도시되었지만, 이는 설명의 편의를 위한 것일 뿐이며, 프로세서(220)는 복수의 프로세서를 포함할 수 있다.
도 3은 본 개시의 일 실시예에 따른 심혈관 병변 탐지를 위한 심혈관 조영 영상 처리 방법의 예시를 나타내는 흐름도이다. 심혈관 조영 영상 처리 방법은 정보 처리 시스템의 적어도 하나의 프로세서(예: 도 2의 프로세서(220) 등)에 의해 수행될 수 있다. 이러한 방법은 심혈관 조영 영상을 수신함으로써 개시될 수 있다(S310).
그리고 나서, 프로세서는 심혈관 조영 영상에 포함된 적어도 일부 혈관에 대응되는 제1 이미지 마스크를 획득할 수 있다(S320). 예를 들어, 프로세서는 심혈관 조영 영상을 이용하여 심혈관 조영 영상 내의 주 혈관 및 분지 혈관을 추출하도록 학습된 세그멘테이션 모델에 의해 생성된 세그멘테이션 마스크인 제1 이미지 마스크를 획득할 수 있다. 예를 들어, 제1 이미지 마스크는 심혈관 조영 여상 내 주 혈관 및 분지 혈관을 표시하고, 그 외의 영역은 마스킹 처리한 이미지를 지칭할 수 있다.
프로세서는 심혈관 조영 영상에 포함된 적어도 일부 혈관의 중심선에 대응되는 센터라인 이미지 마스크를 획득할 수 있다(S330).
여기서, 심혈관 조영 영상에 포함된 적어도 일부 혈관의 중심선은 병변으로 추정되는 혈관의 중심선을 지칭할 수 있다. 예를 들어, 센터라인 이미지 마스크는 병변으로 추정되는 혈관의 중심선을 표시하고, 그 외의 영역은 마스킹 처리한 이미지를 지칭할 수 있다.
프로세서는 심혈관 조영 영상으로부터 제1 이미지 패치를 추출할 수 있다(S340). 여기서, 제1 이미지 패치는 심혈관 조영 영상을 기초로 소정의 영역이 미리 결정된 크기로 추출된 이미지 패치를 지칭할 수 있다. 또한, 프로세서는 센터라인 이미지 마스크로부터 제2 이미지 패치를 추출할 수 있다(S350). 예를 들어, 프로세서는 중심선 중에서 병변 후보군에 대응하는 하나 이상의 중심점을 추출할 수 있다. 그리고, 프로세서는 추출된 하나 이상의 중심점의 각각을 중심으로 하는 미리 결정된 크기의 패치를 제2 이미지 패치로서 추출할 수 있다.
프로세서는 제1 이미지 패치 및 제2 이미지 패치를 기초로 지역적 리파인먼트 처리를 수행하여 리파인드된 제3 이미지 패치를 생성할 수 있다(S360). 일 실시예에서, 프로세서는 제2 이미지 패치를 디스턴스 맵으로 변환할 수 있다. 그 후, 프로세서는 제1 이미지 패치 및 디스턴스 맵을 기초로 지역적 리파인먼트(local refinement) 처리를 수행하여 리파인드된 제3 이미지 패치를 생성할 수 있다. 예를 들어, 프로세서는 제1 이미지 패치 및 디스턴스 맵을 병합(concatenate)하여 2 채널의 입력 데이터를 생성할 수 있다. 다른 예를 들어, 프로세서는 제1 이미지 패치 및 디스턴스 맵을 포함하는 복수의 채널의 입력 데이터를 생성할 수 있다. 예를 들어, 프로세서는 고품질의 세그멘테이션 마스크를 생성하기 위해 제1 이미지 마스크에서 추출된 제2 이미지 패치를 기초로 이미지의 외곽 영역을 표시하도록 마스킹한 이미지를 생성할 수 있다. 그 후, 프로세서는 생성된 이미지를 제1 이미지 패치 및 디스턴스 맵과 함께 병합하여 복수의 채널의 입력 데이터를 생성할 수 있다. 복수의 채널의 입력 데이터를 생성하는 방법은 전술한 예에 한정되지 않으며, 다양한 방식으로 생성될 수 있다.
또한, 프로세서는 복수의 채널의 입력 데이터를 지역적 리파인먼트 모델에 입력하여 리파인드된 제3 이미지 패치를 생성할 수 있다. 여기서, 지역적 리파인먼트 모델은, 학습 이미지 패치 및 학습 디스턴스 맵에 포함된 복수의 픽셀의 각각 및 복수의 픽셀의 각각에 대응되는 레이블에 대한 업샘플링을 수행함으로써, 복수의 픽셀의 각각에 대한 0과 1 사이의 값을 출력하는 바이너리 세그멘테이션 처리를 수행하고, 출력된 0과 1 사이의 값을 레이블로 변환시키도록 학습된 모델을 지칭할 수 있다.
그리고 나서, 프로세서는 리파인드된 제3 이미지 패치 및 제1 이미지 마스크를 기초로 리파인드된 제2 이미지 마스크를 생성할 수 있다(S370). 예를 들어, 프로세서는 리파인드된 제3 이미지 패치를 제1 이미지 마스크에 플레이스 오버(place over) 처리를 수행하여 리파인드된 제2 이미지 마스크를 생성할 수 있다. 일 실시예에서, 프로세서는 리파인드된 제3 이미지 패치의 미리 결정된 크기의 외곽 영역을 제거하고, 심혈관 조영 영상에 포함된 혈관의 이미지 마스크에 플레이스 오버 처리를 수행하여 리파인드된 제2 이미지 마스크를 생성할 수 있다. 다른 실시예에서, 프로세서는 리파인드된 제3 이미지 패치 및 제1 이미지 마스크를 기초로 후처리 과정이 수행된 이미지 마스크를 기초로 리파인드된 제2 이미지 마스크를 생성할 수 있다. 예를 들어, 프로세서는 제3 이미지 패치 및 제1 이미지 마스크에 대해 혈관의 윤곽선 추출, 혈관 중심선 추출 및 스무딩 처리와 같은 후처리 과정이 수행된 이미지 마스크를 기초로 리파인드된 제2 이미지 마스크를 생성할 수 있다.
도 3에서 도시한 흐름도 및 상술한 설명은 일 예시일 뿐이며, 일부 실시예에서는 다르게 구현될 수 있다. 예를 들어, 일부 실시예에서는 각 단계의 순서가 바뀌거나, 일부 단계가 반복 수행되거나, 일부 단계가 생략되거나, 일부 단계가 추가될 수 있다.
도 4는 본 개시의 일 실시예에 따른 심혈관 조영 영상(410)으로부터 일부 혈관에 대응되는 이미지 마스크(422, 440)를 생성하는 방법의 예시를 나타내는 도면이다. 일 실시예에 따르면, 프로세서(예: 도 2의 프로세서(220) 등)는 심혈관 조영 영상(410)을 세그멘테이션 모델(420)에 입력하여 심혈관 조영 영상(410)에 포함된 일부 혈관의 주 혈관 및 분지 혈관이 표시되도록 마스킹 처리된 제1 이미지 마스크(422)를 획득할 수 있다. 프로세서는 제1 이미지 마스크(422)를 기초로 심혈관 조영 영상(410)에 포함된 일부 혈관의 중심선이 표시되도록 마스킹 처리된 센터라인 이미지 마스크(440)를 획득할 수 있다. 여기서, 심혈관 조영 영상(410) 내 일부 혈관은 병변 후보 영역과 연관된 혈관을 지칭할 수 있다. 예를 들어, 프로세서는 제1 이미지 마스크(422)를 심혈관 조영 영상 이미지 분석 모델(430)에 입력하여 혈관 중심선(432) 및 병변 후보 영역(434)을 추출할 수 있다. 그리고 나서, 프로세서는 추출된 혈관 중심선(432) 을 기초로 심혈관 조영 영상(410) 내 일부 혈관의 중심선이 표시되도록 마스킹 처리된 센터라인 이미지 마스크(440)를 획득할 수 있다. 또한, 프로세서는 병변 후보 영역(434)에서의 혈관의 협착률(%DS)을 산출하고 미리 결정된 임계값(예: 0.1)보다 높으면 병변 후보군으로 결정할 수 있다. 협착률(%DS)은 A/(B-A)로 산출될 수 있으며, 여기서, A는 협착이 가장 심한 지점에서 측정한 혈관의 직경을 나타내고, B는 동일 지점에서 협착이 없음을 가정했을 때의 직경을 나타낼 수 있다. 프로세서는 센터라인 이미지 마스크(440)를 기초로 이미지 패치를 생성하여 지역적 리파인먼트 모델의 입력 데이터를 생성할 수 있다. 이에 대한 구체적인 방법은 도 5를 참조하여 후술된다.
일 실시예에 따르면, 프로세서는 제1 이미지 마스크(422)를 기초로 리파인드된 이미지 패치와 함께 플레이스 오버 처리를 수행하여 리파인드된 이미지 마스크를 생성할 수 있다. 이에 대한 구체적인 방법은 도 6을 참조하여 후술된다.
도 5는 본 개시의 일 실시예에 따른 심혈관 조영 영상(510) 및 센터라인 이미지 마스크(520)를 기초로 지역적 리파인먼트 모델의 입력 데이터(540)를 생성하는 방법의 예시를 나타내는 도면이다. 일 실시예에 따르면, 프로세서는 심혈관 조영 영상(510)으로부터 제1 이미지 패치를 추출할 수 있다. 예를 들어, 프로세서는 심혈관 조영 영상(510)을 이미지 패치 추출 모델(530)에 입력하여 미리 결정된 크기의 제1 이미지 패치(512)를 추출할 수 있다. 일 실시예에서, 심혈관 조영 영상(510)은 심혈관 조영 영상 이미지 분석 모델(예: 430)으로부터 추출된 병변 후보 영역(예: 434)과 연관된 정보를 포함할 수 있으며, 제1 이미지 패치(512)는 병변 후보 영역에 대한 미리 결정된 크기의 이미지 패치를 나타낼 수 있다.
일 실시예에 따르면, 프로세서는 센터라인 이미지 마스크(520)으로부터 제2 이미지 패치(522)를 추출할 수 있다. 여기서, 센터라인 이미지 마스크(520)는 일부 혈관의 중심선이 표시되도록 마스킹 처리된 이미지 마스크를 나타낼 수 있다. 구체적으로, 프로세서는 센터라인 이미지 마스크(520)를 이미지 패치 추출 모델(530)에 입력하여, 중심선을 이용하여 제2 이미지 패치(522)를 추출할 수 있다. 예를 들어, 프로세서는 중심선 중에서 병변 후보군에 대응하는 하나 이상의 중심점을 추출할 수 있다. 그리고, 프로세서는 추출된 하나 이상의 중심점의 각각을 중심으로 하는 미리 결정된 크기의 패치를 제2 이미지 패치(522)로서 추출할 수 있다. 여기서, 이미지 패치 추출 모델(530)은 심혈관 조영 영상 학습 데이터 및 일부 혈관의 중심선이 표시되도록 마스킹 처리된 이미지 마스크 학습 데이터를 기초로 미리 결정된 크기의 패치 이미지를 생성하도록 학습된 모델일 수 있으나, 이에 한정되지 않으며, 이미지 패치 추출 모델(530)은 입력 이미지를 미리 결정된 크기로 크롭(crop)하는 기능을 수행하는 모듈을 지칭할 수 있다.
일 실시예에 따르면, 프로세서는 제1 이미지 패치(512) 및 제2 이미지 패치(522)를 기초로 지역적 리파인먼트 모델의 입력 데이터(540)를 생성할 수 있다. 구체적으로, 프로세서는 제1 이미지 패치(512)와 제2 이미지 패치를 기초로 생성된 디스턴스 맵(524)을 병합하여 복수의 채널의 입력 데이터(540)를 생성할 수 있다. 여기서, 디스턴스 맵(524)은 제2 이미지 패치에 포함된 복수의 픽셀 각각과 복수의 픽셀 각각으로부터 제2 이미지 패치 내의 혈관 중심선까지의 거리에 대한 정보를 기초로 생성될 수 있다. 디스턴스 맵(524)을 생성하는 구체적인 방법은 도 8을 참조하여 후술된다.
도 6은 본 개시의 일 실시예에 따른 심혈관 조영 영상에 대한 이미지 패치에 대해 리파인먼트 처리하고, 리파인드된 이미지 패치 및 혈관이 표시되도록 마스킹 처리된 이미지 마스크를 기초로 리파인드된 이미지 마스크를 생성하는 방법의 예시를 나타내는 도면이다. 일 실시예에 따르면, 프로세서는 도 5에서 전술한 방법에 의해 생성된 복수의 채널의 입력 데이터(예: 540)를 기초로 지역적 리파인먼트 처리를 수행하여 리파인드된 제3 이미지 패치(622)를 생성할 수 있다. 예를 들어, 프로세서는 입력 데이터(610)를 지역적 리파인먼트 모델(620)에 입력하여 리파인드된 제3 이미지 패치를 생성할 수 있다. 여기서, 지역적 리파인먼트 모델(620)은, 학습 이미지 패치 및 학습 디스턴스 맵에 포함된 복수의 픽셀의 각각 및 복수의 픽셀의 각각에 대응되는 레이블에 대한 업샘플링을 수행함으로써, 복수의 픽셀의 각각에 대한 0과 1 사이의 값을 출력하는 바이너리 세그멘테이션 처리를 수행하고, 출력된 0과 1 사이의 값을 레이블로 변환시키도록 학습된 모델일 수 있다.
일 실시예에 따르면, 프로세서는 리파인드된 제3 이미지 패치(622) 및 심혈관 조영 영상 내 주 혈관 및 분지 혈관이 표시되도록 마스킹 처리된 제1 이미지 마스크(630)를 기초로 리파인드된 제2 이미지 마스크(650)를 생성할 수 있다. 예를 들어, 프로세서는 리파인드된 제3 이미지 패치(622)를 제1 이미지 마스크(630)에 플레이스 오버(place over) 처리를 수행하여 리파인드된 제2 이미지 마스크(650)를 생성할 수 있다. 일 실시예에서, 이미지 패치의 외곽 영역에서의 혈관의 방향이 부정확할 수 있으므로, 프로세서는 리파인드된 제3 이미지 패치(622)의 미리 결정된 크기의 외곽 영역을 제거하고, 심혈관 조영 영상 내 병변 후보와 연관된 혈관이 표시되도록 마스킹 처리된 제1 이미지 마스크(630)에 플레이스 오버 처리를 수행하여 리파인드된 제2 이미지 마스크를 생성할 수 있다. 이를 통해, 혈관의 협착률을 보다 정확하게 산출할 수 있는 리파인드된 이미지 마스크가 생성될 수 있다. 다른 실시예에서, 프로세서는 리파인드된 제3 이미지 패치(622) 및 제1 이미지 마스크(630)를 기초로 생성된 혈관 윤곽선 추출, 혈관 중심선 추출 및 스무딩 처리 등 후처리 과정을 수행한 이미지 마스크에 플레이스 오버 처리를 수행하여 리파인드된 제2 이미지 마스크(650)를 생성할 수 있다.
도 7은 본 개시의 일 실시예에 따른 혈관의 중심선이 표시되도록 마스킹 처리된 이미지 마스크에 대한 이미지 패치에 대응하는 디스턴스 맵을 생성하는 방법의 예시를 나타내는 도면이다. 디스턴스 맵 생성 방법은 정보 처리 시스템의 적어도 하나의 프로세서(예: 도 2의 프로세서(220) 등)에 의해 수행될 수 있다. 일 실시예에 따르면, 프로세서는 제2 이미지 패치와 동일한 크기를 가지는 빈 이미지 마스크를 생성할 수 있다(S710). 여기서, 제2 이미지 패치는 심혈관 조영 영상 내 혈관의 중심선이 표시되도록 마스킹 처리된 이미지 마스크(예: 520)를 기초로 생성된 이미지 패치를 나타낸다. 제2 이미지 패치를 생성하는 방법은 도 5에서 전술하였다.
그리고 나서, 프로세서는 빈 이미지 마스크에 포함된 복수의 픽셀의 각각과 제2 이미지 패치에 포함된 복수의 픽셀 각각으로부터 제2 이미지 패치에 포함된 혈관 중심선까지의 거리에 대한 정보를 연관시킬 수 있다(S720). 예를 들어, 제2 이미지 패치에 포함된 혈관 중심선까지의 거리에 대한 정보는, 제2 이미지 패치에 포함된 복수의 픽셀의 각각과 제2 이미지 패치에 포함된 복수의 픽셀 각각으로부터 제2 이미지 패치에 포함된 혈관 중심선까지의 L2 거리, 즉 유클리드 거리를 지칭할 수 있다. 또한, 제2 이미지 패치에 포함된 혈관 중심선까지의 거리에 대한 정보는, 거리가 0과 1 사이의 값을 가지도록 정규화 처리된 값을 포함할 수 있다. 그리고 나서, 프로세서는 제2 이미지 패치에 대응되는 디스턴스 맵을 생성할 수 있다(S730).
도 7에서 도시한 흐름도 및 상술한 설명은 일 예시일 뿐이며, 일부 실시예에서는 다르게 구현될 수 있다. 예를 들어, 일부 실시예에서는 각 단계의 순서가 바뀌거나, 일부 단계가 반복 수행되거나, 일부 단계가 생략되거나, 일부 단계가 추가될 수 있다.
도 8은 본 개시의 일 실시예에 따른 혈관 중심선(810)을 포함하는 이미지 패치를 기초로 디스턴스 맵을 생성하는 방법의 예시를 나타내는 도면이다. 일 실시예에 따르면, 프로세서(예: 도 2의 프로세서(220) 등)는 혈관 중심선(810)을 포함하는 이미지 패치를 디스턴스 맵(800)으로 변환할 수 있다. 여기서, 혈관 중심선(810)을 포함하는 이미지 패치(예: 도 5의 제2 이미지 패치(522))는 심혈관 조영 영상에 포함된 병변 후보 영역에 대응하는 혈관의 중심선이 표시되도록 마스킹 처리된 이미지 마스크를 기초로 생성된 이미지 패치를 지칭할 수 있다.
구체적으로, 프로세서는 혈관 중심선(810)을 포함하는 이미지 패치와 동일한 크기를 가지는 빈 이미지 마스크를 생성할 수 있다. 또한, 빈 이미지 마스크에 포함된 픽셀의 각각은 혈관 중심선(810)을 포함하는 이미지 패치에 포함된 픽셀의 각각에 대응될 수 있다. 빈 이미지 마스크와 이미지 패치는 동일한 크기를 가지기 때문에, 빈 이미지 마스크와 이미지 패치 내의 동일한 픽셀 좌표를 가진 픽셀이 서로 대응될 수 있다. 이러한 구성 하에서, 프로세서는 빈 이미지 마스크에 포함된 복수의 픽셀의 각각과, 이미지 패치에 포함된 복수의 픽셀 각각으로부터 이미지 패치에 포함된 혈관 중심선(810)까지의 거리에 대한 정보를 연관시킬 수 있다.
예를 들어, 도시된 바와 같이, 프로세서는 빈 이미지 마스크에 포함된 복수의 픽셀의 각각, 예를 들어 제1 픽셀(822), 제2 픽셀(824), 제3 픽셀(826)을 이미지 패치 내의 대응되는 제1 픽셀(822), 제2 픽셀(824), 제3 픽셀(826)의 각각으로부터 혈관 중심선(810)을 포함하는 이미지 패치에 포함된 가장 가까운 혈관 중심선 포인트까지의 거리에 대한 정보와 연관시킬 수 있다. 여기서, 이미지 패치 내의 복수의 픽셀 각각으로부터 혈관 중심선까지의 거리는 L2 거리를 지칭할 수 있다. 또한, 복수의 픽셀 각각으로부터 혈관 중심선까지의 거리에 대한 정보는, 거리가 0과 1 사이의 값을 가지도록 정규화 처리된 값을 포함할 수 있다. 예를 들어, 혈관 중심선에서 가장 먼 제1 픽셀(822)은 1에 가까운 값을 가질 수 있으며, 혈관 중심선에서 가장 가까운 제3 픽셀(826)은 0에 가까운 값을 가질 수 있다.
프로세서는 빈 이미지 마스크에 포함된 각각의 픽셀에 혈관 중심선(810)까지의 거리에 대한 정보를 채움으로써 디스턴스 맵(800)을 생성할 수 있다. 도 8에 도시된 바와 같이, 각 픽셀이 0과 1 사이의 값으로 표현된 디스턴스 맵(800)은 그레이 스케일 이미지로 표현될 수 있다. 즉, 0은 흰색이고, 1은 검은색으로 표시될 수 있다. 이렇게 생성된 디스턴스 맵(800)은 심혈관 조영 영상에 대한 이미지 패치(예: 도 5의 제1 이미지 패치(512)와 병합되어 지역적 리파인먼트 모델에 대한 복수의 채널의 입력 데이터로 생성될 수 있다.
도 9는 본 개시의 일 실시예에 따른 심혈관 협착률을 산출하기 위한 심혈관 조영 영상을 기초로 리파인드된 이미지 마스크를 생성하는 과정의 예시를 나타내는 도면이다. 일 실시예에 따르면, 프로세서(예: 도 2의 프로세서(220) 등)는 심혈관 조영 영상에 대응되는 이미지 패치(예: 도 5의 제1 이미지 패치(512))와 심혈관 조영 영상 내 혈관의 중심선을 포함하는 이미지 패치(예: 도 5의 제2 이미지 패치(522))를 기초로 생성된 디스턴스 맵을 이용하여 지역적 리파인먼트 모델의 입력 데이터를 생성할 수 있다. 그리고 나서, 프로세서는 입력 데이터를 지역적 리파인먼트 모델에 입력하여 리파인드된 이미지 패치(예: 도 6의 제3 이미지 패치(622))를 출력할 수 있다. 그리고, 프로세서는 리파인드된 이미지 패치를 심혈관 조영 영상에 포함된 혈관이 표시되도록 마스킹 처리된 이미지 마스크(예: 도 4의 제1 이미지 마스크(422))에 플레이스 오버 처리하여 리파인드된 이미지 마스크(예: 도 6의 제2 이미지 마스크(650))를 생성할 수 있다.
구체적 예로, 제1 상태 내지 제4 상태(910, 920, 930, 940)를 거쳐 리파인드된 이미지 마스크가 생성될 수 있다. 제1 상태(910)는 심혈관 조영 영상에 대응되는 이미지 패치의 예시를 나타낸다. 여기서, 심혈관 조영 영상에 대응되는 이미지 패치는 심혈관 조영 영상으로부터 심혈관 조영 영상 내 병변 후보 영역을 중심으로 미리 결정된 크기로 추출된 이미지를 지칭할 수 있다.
제2 상태(920)는 심혈관 조영 영상 내 혈관의 중심선을 포함하는 이미지 패치를 이용하여 생성된 디스턴스 맵의 예시를 나타낸다. 일 실시예에 따르면, 프로세서는 심혈관 조영 영상 내 혈관의 중심선을 포함하는 이미지 패치를 기초로 생성된 빈 이미지 마스크의 픽셀의 각각에, 이에 대응되는 이미지 패치에서의 픽셀의 각각으로부터 가장 가까운 중심선의 포인트까지의 L2 거리 정보, 즉 유클리드 거리 정보를 연관시킴으로써 디스턴스 맵을 생성할 수 있다. 예를 들어, 도시된 바와 같이, 디스턴스 맵에 포함된 픽셀은 혈관의 중심선에 근접할수록 상대적으로 밝은 음영을 나타낼 수 있다. 이와 달리, 혈관의 중심선으로부터 멀수록 상대적으로 어두운 음영을 나타낼 수 있다.
제3 상태(930)는 심혈관 조영 영상에 대응되는 이미지 패치와 디스턴스 맵을 병합하여 생성된 입력 데이터를 지역적 리파인먼트 처리함으로써 생성된 리파인드된 이미지 패치의 예시를 나타낸다. 일 실시예에 따르면, 프로세서는 심혈관 조영 영상에 대응되는 이미지 패치와 디스턴스 맵을 병합하여 생성된 입력 데이터를 업샘플링하여 바이너리 세그멘테이션을 수행하도록 학습된 지역적 리파인먼트 모델에 입력하여 리파인드된 이미지 패치를 생성할 수 있다. 구체적으로, 입력 데이터의 업샘플링 처리를 통해, 0과 1 사이의 값으로 레이블링이 수행됨으로써, 모델이 레이블링에 대한 정확도를 조정하도록 유도되어 모델의 과잉확신(overconfidence)이 방지될 수 있다.
제4 상태(940)는 리파인드된 이미지 패치를 심혈관 조영 영상에 포함된 혈관이 표시되도록 마스킹 처리된 이미지 마스크에 플레이스 오버 처리하여 생성된 이미지 마스크의 예시를 나타낸다. 예를 들어, 도시된 바와 같이, 프로세서는 협착률을 산출하기 위해 혈관의 직경을 식별할 수 있도록 마스킹 처리된 이미지 마스크를 생성할 수 있다.
도 10은 본 개시의 일 실시예에 따른 인공신경망 모델(1000)을 나타내는 예시도이다. 인공신경망 모델(1000)은, 기계학습 모델의 일 예로서, 기계학습(Machine Learning) 기술과 인지과학에서, 생물학적 신경망의 구조에 기초하여 구현된 통계학적 학습 알고리즘 또는 그 알고리즘을 실행하는 구조이다.
일 실시예에 따르면, 인공신경망 모델(1000)은, 생물학적 신경망에서와 같이 시냅스의 결합으로 네트워크를 형성한 인공 뉴런인 노드(Node)들이 시냅스의 가중치를 반복적으로 조정하여, 특정 입력에 대응한 올바른 출력과 추론된 출력 사이의 오차가 감소되도록 학습함으로써, 문제 해결 능력을 가지는 기계학습 모델을 나타낼 수 있다. 예를 들어, 인공신경망 모델(1000)은 기계 학습, 딥러닝 등의 인공지능 학습법에 사용되는 임의의 확률 모델, 뉴럴 네트워크 모델 등을 포함할 수 있다.
일 실시예에 따르면, 상술된 세그멘테이션 모델, 심혈관 조영 영상 이미지 분석 모델, 이미지 패치 추출 모델, 지역적 리파인먼트 모델은 인공신경망 모델(1000)의 형태로 생성될 수 있다. 예를 들어, 인공신경망 모델(1000)은 심혈관 조영 영상을 수신하고, 심혈관 조영 영상 내 주 혈관 및 분지 혈관을 추출할 수 있다. 다른 예로서, 인공신경망 모델(1000)은 심혈관 조영 영상을 수신하고, 심혈관 조영 영상 내 병변 후보 영역을 결정하고, 혈관 중심선을 추출할 수 있다. 다른 예로서, 인공신경망 모델(1000)은 심혈관 조영 영상을 수신하고, 수신된 심혈관 조영 영상 내의 병변 후보 영역을 중심으로 미리 결정된 크기의 이미지 패치를 생성할 수 있다. 또한, 인공신경망 모델(1000)은 심혈관 조영 영상에 포함된 혈관의 중심선이 표시되도록 마스킹 처리된 이미지 마스크를 수신하고, 심혈관 조영 영상 내의 병변 후보 영역을 중심으로 미리 결정된 크기의 이미지 패치를 생성할 수 있다. 또 다른 예로서, 인공신경망 모델(1000)은 심혈관 조영 영상에 대응되는 이미지 패치와 디스턴스 맵을 병합하여 생성된 입력 데이터를 수신하고, 지역적 리파인먼트 처리를 수행하여 리파인드된 이미지 패치를 생성할 수 있다.
인공신경망 모델(1000)은 다층의 노드들과 이들 사이의 연결로 구성된 다층 퍼셉트론(MLP: multilayer perceptron)으로 구현된다. 본 실시예에 따른 인공신경망 모델(1000)은 MLP를 포함하는 다양한 인공신경망 모델 구조들 중의 하나를 이용하여 구현될 수 있다. 도 10에 도시된 바와 같이, 인공신경망 모델(1000)은, 외부로부터 입력 신호 또는 데이터(1010)를 수신하는 입력층(1020), 입력 데이터에 대응한 출력 신호 또는 데이터(1050)를 출력하는 출력층(1040), 입력층(1020)과 출력층(1040) 사이에 위치하며 입력층(1020)으로부터 신호를 받아 특성을 추출하여 출력층(1040)으로 전달하는 n개(여기서, n은 양의 정수)의 은닉층(1030_1 내지 1030_n)으로 구성된다. 여기서, 출력층(1040)은 은닉층(1030_1 내지 1030_n)으로부터 신호를 받아 외부로 출력한다.
인공신경망 모델(1000)의 학습 방법에는, 교사 신호(정답)의 입력에 의해서 문제의 해결에 최적화되도록 학습하는 지도 학습(Supervised Learning) 방법과, 교사 신호를 필요로 하지 않는 비지도 학습(Unsupervised Learning) 방법이 있다. 일 실시예에 따르면, 정보 처리 시스템은 심혈관이 촬영된 복수의 조영 영상을 이용하여 인공신경망 모델(1000)을 학습시킬 수 있다.
일 실시예에 따르면, 정보 처리 시스템은 인공신경망 모델(1000)을 학습시키기 위한 학습 데이터를 직접 생성할 수 있다. 예를 들어, 정보 처리 시스템은 심혈관 조영 영상을 포함하는 학습 데이터 세트를 생성할 수 있다. 그리고나서, 정보 처리 시스템은 생성된 학습 데이터 세트를 기초로 심혈관 조영 영상에 포함된 주 혈관 및 분지 혈관을 추출하기 위한 인공신경망 모델(1000)을 학습시킬 수 있다. 다른 예에서, 정보 처리 시스템은 심혈관 조영 영상을 포함하는 학습 데이터 세트를 생성할 수 있다. 그리고나서, 정보 처리 시스템은 생성된 학습 데이터 세트를 기초로 심혈관 조영 영상에 포함된 병변 후보 영역 및 혈관의 중심선을 추출하기 위한 인공신경망 모델(1000)을 학습시킬 수 있다. 다른 예에서, 정보 처리 시스템은 심혈관 조영 영상 수신하고, 심혈관 조영 영상에 포함된 병변 후보 영역을 중심으로 생성된 미리 결정된 크기의 이미지 패치를 포함하는 학습 데이터 세트를 생성할 수 있다. 그리고 나서, 정보 처리 시스템은 생성된 학습 데이터 세트를 기초로 심혈관 조영 영상에 포함된 병변 후보 영역을 중심으로 생성된 미리 결정된 크기의 이미지 패치를 생성하기 위한 인공신경망 모델(1000)을 학습시킬 수 있다. 다른 예에서, 정보 처리 시스템은 심혈관 조영 영상에 대응되는 이미지 패치와 디스턴스 맵을 병합하여 생성된 데이터를 포함하는 학습 데이터 세트를 생성할 수 있다. 그리고 나서, 정보 처리 시스템은 생성된 학습 데이터 세트(예: 학습 이미지 패치 및 학습 디스턴스 맵)에 포함된 복수의 픽셀의 각각 및 복수의 픽셀의 각각에 대응되는 레이블에 대한 업샘플링을 수행함으로써, 복수의 픽셀의 각각에 대한 0과 1 사이의 값을 출력하는 바이너리 세그멘테이션 처리를 수행하고, 출력된 0과 1 사이의 값을 레이블로 변환시키도록 인공 신경망 모델(1000)을 학습시킬 수 있다.
일 실시예에 따르면, 인공신경망 모델(1000)의 입력변수는, 심혈관 조영 영상을 포함할 수 있다. 이와 같이 상술된 입력변수가 입력층(1020)을 통해 입력되는 경우, 인공신경망 모델(1000)의 출력층(1040)에서 출력되는 출력변수는 심혈관 조영 영상 내의 주 혈관 및 분지 혈관이 추출된 이미지, 심혈관 조영 영상 내의 병변 후보 영역 및/또는 혈관 중심선이 추출된 이미지가 될 수 있다. 다른 실시예에 따르면, 인공신경망 모델(1000)의 입력변수는, 심혈관 조영 영상을 포함할 수 있다. 추가적으로, 인공신경망 모델(1000)의 입력변수는, 심혈관 조영 영상에 포함된 혈관의 중심선이 표시되도록 마스킹 처리된 이미지 마스크를 포함할 수 있다. 이와 같이 상술된 입력변수가 입력층(1020)을 통해 입력되는 경우, 인공신경망 모델(1000)의 출력층(1040)에서 출력되는 출력변수는 심혈관 조영 영상 내의 병변 후보 영역을 중심으로 미리 결정된 크기의 이미지 패치가 될 수 있다. 또 다른 실시예에서, 인공신경망 모델(1000)의 입력변수는, 심혈관 조영 영상에 대응되는 이미지 패치와 디스턴스 맵을 병합하여 생성된 데이터를 포함하는 학습 데이터 세트 등을 포함할 수 있다. 이와 같이 상술된 입력변수가 입력층(1020)을 통해 입력되는 경우, 인공신경망 모델(1000)의 출력층(1040)에서 출력되는 출력변수는 입력 데이터가 업샘플링되어 0과 1 사이의 값으로 레이블링되는 바이너리 세그멘테이션을 수행함으로써 리파인드된 이미지 패치가 될 수 있다.
이와 같이, 인공신경망 모델(1000)의 입력층(1020)과 출력층(1040)에 복수의 입력변수와 대응되는 복수의 출력변수가 각각 매칭되고, 입력층(1020), 은닉층(1030_1 내지 1030_n) 및 출력층(1040)에 포함된 노드들 사이의 시냅스 값이 조정됨으로써, 특정 입력에 대응한 올바른 출력이 추출될 수 있도록 학습될 수 있다. 이러한 학습 과정을 통해, 인공신경망 모델(1000)의 입력변수에 숨겨져 있는 특성을 파악할 수 있고, 입력변수에 기초하여 계산된 출력변수와 목표 출력 간의 오차가 줄어들도록 인공신경망 모델(1000)의 노드들 사이의 시냅스 값(또는 가중치)를 조정할 수 있다. 이렇게 학습된 인공신경망 모델(1000)을 이용하여, 수신된 심혈관 조영 영상에 포함된 주 혈관 및 분지 혈관이 추출될 수 있다. 또한, 학습된 인공신경망 모델(1000)을 이용하여, 수신된 심혈관 조영 영상에 포함된 혈관의 중심선 및 병변 후보 영역이 추출될 수 있다. 또한, 학습된 인공신경망 모델(1000)을 이용하여, 수신된 심혈관 조영 영상 및/또는 심혈관 조영 영상에 포함된 혈관의 중심선이 표시되도록 마스킹 처리된 이미지 마스크와 연관된 이미지 패치가 생성될 수 있다. 또한, 학습된 인공신경망 모델(1000)을 이용하여, 심혈관 조영 영상에 대응되는 이미지 패치와 디스턴스 맵을 병합하여 생성된 데이터를 지역적 리파인먼트 처리한 리파인드된 이미지 패치가 생성될 수 있다.
상술한 방법은 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램으로 제공될 수 있다. 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록 수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD 와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.
본 개시의 방법, 동작 또는 기법들은 다양한 수단에 의해 구현될 수도 있다. 예를 들어, 이러한 기법들은 하드웨어, 펌웨어, 소프트웨어, 또는 이들의 조합으로 구현될 수도 있다. 본원의 개시와 연계하여 설명된 다양한 예시적인 논리적 블록들, 모듈들, 회로들, 및 알고리즘 단계들은 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양자의 조합들로 구현될 수도 있음을 통상의 기술자들은 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 대체를 명확하게 설명하기 위해, 다양한 예시적인 구성요소들, 블록들, 모듈들, 회로들, 및 단계들이 그들의 기능적 관점에서 일반적으로 위에서 설명되었다. 그러한 기능이 하드웨어로서 구현되는지 또는 소프트웨어로서 구현되는 지의 여부는, 특정 애플리케이션 및 전체 시스템에 부과되는 설계 요구사항들에 따라 달라진다. 통상의 기술자들은 각각의 특정 애플리케이션을 위해 다양한 방식들로 설명된 기능을 구현할 수도 있으나, 그러한 구현들은 본 개시의 범위로부터 벗어나게 하는 것으로 해석되어서는 안된다.
하드웨어 구현에서, 기법들을 수행하는 데 이용되는 프로세싱 유닛들은, 하나 이상의 ASIC들, DSP들, 디지털 신호 프로세싱 디바이스들(digital signal processing devices; DSPD들), 프로그램가능 논리 디바이스들(programmable logic devices; PLD들), 필드 프로그램가능 게이트 어레이들(field programmable gate arrays; FPGA들), 프로세서들, 제어기들, 마이크로제어기들, 마이크로프로세서들, 전자 디바이스들, 본 개시에 설명된 기능들을 수행하도록 설계된 다른 전자 유닛들, 컴퓨터, 또는 이들의 조합 내에서 구현될 수도 있다.
따라서, 본 개시와 연계하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 및 회로들은 범용 프로세서, DSP, ASIC, FPGA나 다른 프로그램 가능 논리 디바이스, 이산 게이트나 트랜지스터 로직, 이산 하드웨어 컴포넌트들, 또는 본원에 설명된 기능들을 수행하도록 설계된 것들의 임의의 조합으로 구현되거나 수행될 수도 있다. 범용 프로세서는 마이크로프로세서일 수도 있지만, 대안으로, 프로세서는 임의의 종래의 프로세서, 제어기, 마이크로제어기, 또는 상태 머신일 수도 있다. 프로세서는 또한, 컴퓨팅 디바이스들의 조합, 예를 들면, DSP와 마이크로프로세서, 복수의 마이크로프로세서들, DSP 코어와 연계한 하나 이상의 마이크로프로세서들, 또는 임의의 다른 구성의 조합으로서 구현될 수도 있다.
펌웨어 및/또는 소프트웨어 구현에 있어서, 기법들은 랜덤 액세스 메모리(random access memory; RAM), 판독 전용 메모리(read-only memory; ROM), 비휘발성 RAM(non-volatile random access memory; NVRAM), PROM(programmable read-only memory), EPROM(erasable programmable read-only memory), EEPROM(electrically erasable PROM), 플래시 메모리, 컴팩트 디스크(compact disc; CD), 자기 또는 광학 데이터 스토리지 디바이스 등과 같은 컴퓨터 판독가능 매체 상에 저장된 명령들로서 구현될 수도 있다. 명령들은 하나 이상의 프로세서들에 의해 실행 가능할 수도 있고, 프로세서(들)로 하여금 본 개시에 설명된 기능의 특정 양태들을 수행하게 할 수도 있다.
소프트웨어로 구현되는 경우, 상기 기법들은 하나 이상의 명령들 또는 코드로서 컴퓨터 판독 가능한 매체 상에 저장되거나 또는 컴퓨터 판독 가능한 매체를 통해 전송될 수도 있다. 컴퓨터 판독가능 매체들은 한 장소에서 다른 장소로 컴퓨터 프로그램의 전송을 용이하게 하는 임의의 매체를 포함하여 컴퓨터 저장 매체들 및 통신 매체들 양자를 포함한다. 저장 매체들은 컴퓨터에 의해 액세스될 수 있는 임의의 이용 가능한 매체들일 수도 있다. 비제한적인 예로서, 이러한 컴퓨터 판독가능 매체는 RAM, ROM, EEPROM, CD-ROM 또는 다른 광학 디스크 스토리지, 자기 디스크 스토리지 또는 다른 자기 스토리지 디바이스들, 또는 소망의 프로그램 코드를 명령들 또는 데이터 구조들의 형태로 이송 또는 저장하기 위해 사용될 수 있으며 컴퓨터에 의해 액세스될 수 있는 임의의 다른 매체를 포함할 수 있다. 또한, 임의의 접속이 컴퓨터 판독가능 매체로 적절히 칭해진다.
예를 들어, 소프트웨어가 동축 케이블, 광섬유 케이블, 연선, 디지털 가입자 회선 (DSL), 또는 적외선, 무선, 및 마이크로파와 같은 무선 기술들을 사용하여 웹사이트, 서버, 또는 다른 원격 소스로부터 전송되면, 동축 케이블, 광섬유 케이블, 연선, 디지털 가입자 회선, 또는 적외선, 무선, 및 마이크로파와 같은 무선 기술들은 매체의 정의 내에 포함된다. 본원에서 사용된 디스크(disk) 와 디스크(disc)는, CD, 레이저 디스크, 광 디스크, DVD(digital versatile disc), 플로피디스크, 및 블루레이 디스크를 포함하며, 여기서 디스크들(disks)은 보통 자기적으로 데이터를 재생하고, 반면 디스크들(discs) 은 레이저를 이용하여 광학적으로 데이터를 재생한다. 위의 조합들도 컴퓨터 판독가능 매체들의 범위 내에 포함되어야 한다.
소프트웨어 모듈은, RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터들, 하드 디스크, 이동식 디스크, CD-ROM, 또는 공지된 임의의 다른 형태의 저장 매체 내에 상주할 수도 있다. 예시적인 저장 매체는, 프로세가 저장 매체로부터 정보를 판독하거나 저장 매체에 정보를 기록할 수 있도록, 프로세서에 연결될 수 있다. 대안으로, 저장 매체는 프로세서에 통합될 수도 있다. 프로세서와 저장 매체는 ASIC 내에 존재할 수도 있다. ASIC은 유저 단말 내에 존재할 수도 있다. 대안으로, 프로세서와 저장 매체는 유저 단말에서 개별 구성요소들로서 존재할 수도 있다.
이상 설명된 실시예들이 하나 이상의 독립형 컴퓨터 시스템에서 현재 개시된 주제의 양태들을 활용하는 것으로 기술되었으나, 본 개시는 이에 한정되지 않고, 네트워크나 분산 컴퓨팅 환경과 같은 임의의 컴퓨팅 환경과 연계하여 구현될 수도 있다. 또 나아가, 본 개시에서 주제의 양상들은 복수의 프로세싱 칩들이나 장치들에서 구현될 수도 있고, 스토리지는 복수의 장치들에 걸쳐 유사하게 영향을 받게 될 수도 있다. 이러한 장치들은 PC들, 네트워크 서버들, 및 휴대용 장치들을 포함할 수도 있다.
본 명세서에서는 본 개시가 일부 실시예들과 관련하여 설명되었지만, 본 개시의 발명이 속하는 기술분야의 통상의 기술자가 이해할 수 있는 본 개시의 범위를 벗어나지 않는 범위에서 다양한 변형 및 변경이 이루어질 수 있다. 또한, 그러한 변형 및 변경은 본 명세서에 첨부된 특허청구의 범위 내에 속하는 것으로 생각되어야 한다.
100: 정보 처리 시스템
110: 심혈관 조영 영상
120: 리파인드된 이미지 마스크
110: 심혈관 조영 영상
120: 리파인드된 이미지 마스크
Claims (19)
- 컴퓨팅 장치의 적어도 하나의 프로세서에 의해 수행되는, 심혈관 병변 탐지를 위한 심혈관 조영 영상 처리 방법에 있어서,
심혈관 조영 영상을 수신하는 단계;
상기 심혈관 조영 영상에 포함된 적어도 일부 혈관에 대응되는 제1 이미지 마스크를 획득하는 단계;
상기 심혈관 조영 영상에 포함된 적어도 일부 혈관의 중심선에 대응되는 센터라인 이미지 마스크를 획득하는 단계;
상기 심혈관 조영 영상으로부터 제1 이미지 패치를 추출하는 단계;
상기 센터라인 이미지 마스크로부터 제2 이미지 패치를 추출하는 단계;
상기 제1 이미지 패치 및 상기 제2 이미지 패치를 기초로 지역적 리파인먼트(local refinement) 처리를 수행하여 리파인드된 제3 이미지 패치를 생성하는 단계; 및
상기 리파인드된 제3 이미지 패치 및 상기 제1 이미지 마스크를 기초로 리파인드된 제2 이미지 마스크를 생성하는 단계
를 포함하고,
상기 리파인드된 제3 이미지 패치를 생성하는 단계는,
상기 제2 이미지 패치를 디스턴스 맵으로 변환하는 단계; 및
상기 제1 이미지 패치 및 상기 디스턴스 맵을 기초로 지역적 리파인먼트 처리를 수행하여 리파인드된 제3 이미지 패치를 생성하는 단계
를 포함하는, 심혈관 조영 영상 처리 방법. - 삭제
- 제1항에 있어서,
상기 제2 이미지 패치를 디스턴스 맵으로 변환하는 단계는,
상기 제2 이미지 패치와 동일한 크기를 가지는 빈 이미지 마스크를 생성하는 단계; 및
상기 빈 이미지 마스크에 포함된 복수의 픽셀의 각각과 상기 제2 이미지 패치에 포함된 복수의 픽셀 각각으로부터 상기 제2 이미지 패치에 포함된 혈관 중심선까지의 거리에 대한 정보를 연관시키는 단계
를 포함하는, 심혈관 조영 영상 처리 방법. - 제3항에 있어서,
상기 제2 이미지 패치에 포함된 복수의 픽셀 각각으로부터 상기 제2 이미지 패치에 포함된 혈관 중심선까지의 거리에 대한 정보는, 상기 거리가 0과 1 사이의 값을 가지도록 정규화 처리된 값을 포함하는, 심혈관 조영 영상 처리 방법. - 제1항에 있어서,
상기 제1 이미지 패치 및 상기 디스턴스 맵을 기초로 지역적 리파인먼트 처리를 수행하여 리파인드된 제3 이미지 패치를 생성하는 단계는,
상기 제1 이미지 패치 및 상기 디스턴스 맵을 병합(concatenate)하여 2 채널의 입력 데이터를 생성하는 단계; 및
상기 2 채널의 입력 데이터를 지역적 리파인먼트 모델에 입력하여 리파인드된 제3 이미지 패치를 생성하는 단계
를 포함하는, 심혈관 조영 영상 처리 방법. - 제5항에 있어서,
상기 지역적 리파인먼트 모델은, 학습 이미지 패치 및 학습 디스턴스 맵에 포함된 복수의 픽셀의 각각 및 상기 복수의 픽셀의 각각에 대응되는 레이블에 대한 업샘플링을 수행함으로써, 상기 복수의 픽셀의 각각에 대한 0과 1 사이의 값을 출력하는 바이너리 세그멘테이션 처리를 수행하고, 상기 출력된 0과 1 사이의 값을 레이블로 변환시키도록 학습된 모델인, 심혈관 조영 영상 처리 방법. - 컴퓨팅 장치의 적어도 하나의 프로세서에 의해 수행되는, 심혈관 병변 탐지를 위한 심혈관 조영 영상 처리 방법에 있어서,
심혈관 조영 영상을 수신하는 단계;
상기 심혈관 조영 영상에 포함된 적어도 일부 혈관에 대응되는 제1 이미지 마스크를 획득하는 단계;
상기 심혈관 조영 영상에 포함된 적어도 일부 혈관의 중심선에 대응되는 센터라인 이미지 마스크를 획득하는 단계;
상기 심혈관 조영 영상으로부터 제1 이미지 패치를 추출하는 단계;
상기 센터라인 이미지 마스크로부터 제2 이미지 패치를 추출하는 단계;
상기 제1 이미지 패치 및 상기 제2 이미지 패치를 기초로 지역적 리파인먼트 처리를 수행하여 리파인드된 제3 이미지 패치를 생성하는 단계; 및
상기 리파인드된 제3 이미지 패치 및 상기 제1 이미지 마스크를 기초로 리파인드된 제2 이미지 마스크를 생성하는 단계
를 포함하고,
상기 리파인드된 제2 이미지 마스크를 생성하는 단계는,
상기 리파인드된 제3 이미지 패치를 상기 제1 이미지 마스크에 플레이스 오버(place over) 처리를 수행하여 상기 리파인드된 제2 이미지 마스크를 생성하는 단계
를 포함하는, 심혈관 조영 영상 처리 방법. - 컴퓨팅 장치의 적어도 하나의 프로세서에 의해 수행되는, 심혈관 병변 탐지를 위한 심혈관 조영 영상 처리 방법에 있어서,
심혈관 조영 영상을 수신하는 단계;
상기 심혈관 조영 영상에 포함된 적어도 일부 혈관에 대응되는 제1 이미지 마스크를 획득하는 단계;
상기 심혈관 조영 영상에 포함된 적어도 일부 혈관의 중심선에 대응되는 센터라인 이미지 마스크를 획득하는 단계;
상기 심혈관 조영 영상으로부터 제1 이미지 패치를 추출하는 단계;
상기 센터라인 이미지 마스크로부터 제2 이미지 패치를 추출하는 단계;
상기 제1 이미지 패치 및 상기 제2 이미지 패치를 기초로 지역적 리파인먼트 처리를 수행하여 리파인드된 제3 이미지 패치를 생성하는 단계; 및
상기 리파인드된 제3 이미지 패치 및 상기 제1 이미지 마스크를 기초로 리파인드된 제2 이미지 마스크를 생성하는 단계
를 포함하고,
상기 리파인드된 제2 이미지 마스크를 생성하는 단계는,
상기 리파인드된 제3 이미지 패치의 미리 결정된 크기의 외곽 영역을 제거하고, 상기 심혈관 조영 영상에 포함된 혈관의 이미지 마스크에 플레이스 오버 처리를 수행하여 상기 리파인드된 제2 이미지 마스크를 생성하는 단계
를 포함하는, 심혈관 조영 영상 처리 방법. - 제1항에 있어서,
상기 센터라인 이미지 마스크로부터 제2 이미지 패치를 추출하는 단계는,
상기 센터라인 이미지 마스크에 포함된 상기 일부 혈관의 중심선 중에서 병변 후보군에 대응하는 하나 이상의 중심점을 추출하는 단계; 및
상기 추출된 하나 이상의 중심점의 각각을 중심으로 하는 미리 결정된 크기의 패치를 상기 제2 이미지 패치로서 추출하는 단계
를 포함하는, 심혈관 조영 영상 처리 방법. - 제1항, 제3항 내지 제9항 중 어느 한 항에 따른 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램.
- 정보 처리 시스템으로서,
통신 모듈;
메모리; 및
상기 메모리와 연결되고, 상기 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서
를 포함하고,
상기 적어도 하나의 프로그램은,
심혈관 조영 영상을 수신하고,
상기 심혈관 조영 영상에 포함된 적어도 일부 혈관에 대응되는 제1 이미지 마스크를 획득하고,
상기 심혈관 조영 영상에 포함된 적어도 일부 혈관의 중심선에 대응되는 센터라인 이미지 마스크를 획득하고,
상기 심혈관 조영 영상으로부터 제1 이미지 패치를 추출하고,
상기 센터라인 이미지 마스크로부터 제2 이미지 패치를 추출하고,
상기 제1 이미지 패치 및 상기 제2 이미지 패치를 기초로 지역적 리파인먼트 처리를 수행하여 리파인드된 제3 이미지 패치를 생성하고,
상기 리파인드된 제3 이미지 패치 및 상기 제1 이미지 마스크를 기초로 리파인드된 제2 이미지 마스크를 생성하기 위한 명령어들을 포함하고,
상기 리파인드된 제3 이미지 패치를 생성하는 것은,
상기 제2 이미지 패치를 디스턴스 맵으로 변환하는 것,
상기 제1 이미지 패치 및 상기 디스턴스 맵을 기초로 지역적 리파인먼트 처리를 수행하여 리파인드된 제3 이미지 패치를 생성하는 것을 포함하는, 정보 처리 시스템. - 삭제
- 제11항에 있어서,
상기 제2 이미지 패치를 디스턴스 맵으로 변환하는 것은,
상기 제2 이미지 패치와 동일한 크기를 가지는 빈 이미지 마스크를 생성하는 것,
상기 빈 이미지 마스크에 포함된 복수의 픽셀의 각각과 상기 제2 이미지에 포함된 복수의 픽셀 각각으로부터 상기 제2 이미지 패치에 포함된 혈관 중심선까지의 거리에 대한 정보를 연관시키는 것을 포함하는, 정보 처리 시스템. - 제13항에 있어서,
상기 제2 이미지 패치에 포함된 복수의 픽셀 각각으로부터 상기 제2 이미지 패치에 포함된 혈관 중심선까지의 거리에 대한 정보는, 상기 거리가 0과 1 사이의 값을 가지도록 정규화 처리된 값을 포함하는, 정보 처리 시스템. - 제11항에 있어서,
상기 제1 이미지 패치 및 상기 디스턴스 맵을 기초로 지역적 리파인먼트 처리를 수행하여 리파인드된 제3 이미지 패치를 생성하는 것은,
상기 제1 이미지 패치 및 상기 디스턴스 맵을 병합하여 2 채널의 입력 데이터를 생성하는 것,
상기 2 채널의 입력 데이터를 지역적 리파인먼트 모델에 입력하여 리파인드된 제3 이미지 패치를 생성하는 것을 포함하는, 정보 처리 시스템. - 제15항에 있어서,
상기 지역적 리파인먼트 모델은, 학습 이미지 패치 및 학습 디스턴스 맵에 포함된 복수의 픽셀의 각각 및 상기 복수의 픽셀의 각각에 대응되는 레이블에 대한 업샘플링을 수행함으로써, 상기 복수의 픽셀의 각각에 대한 0과 1 사이의 값을 출력하는 바이너리 세그멘테이션 처리를 수행하고, 상기 출력된 0과 1 사이의 값을 레이블로 변환시키도록 학습된 모델인, 정보 처리 시스템. - 정보 처리 시스템으로서,
통신 모듈;
메모리; 및
상기 메모리와 연결되고, 상기 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서
를 포함하고,
상기 적어도 하나의 프로그램은,
심혈관 조영 영상을 수신하고,
상기 심혈관 조영 영상에 포함된 적어도 일부 혈관에 대응되는 제1 이미지 마스크를 획득하고,
상기 심혈관 조영 영상에 포함된 적어도 일부 혈관의 중심선에 대응되는 센터라인 이미지 마스크를 획득하고,
상기 심혈관 조영 영상으로부터 제1 이미지 패치를 추출하고,
상기 센터라인 이미지 마스크로부터 제2 이미지 패치를 추출하고,
상기 제1 이미지 패치 및 상기 제2 이미지 패치를 기초로 지역적 리파인먼트 처리를 수행하여 리파인드된 제3 이미지 패치를 생성하고,
상기 리파인드된 제3 이미지 패치 및 상기 제1 이미지 마스크를 기초로 리파인드된 제2 이미지 마스크를 생성하기 위한 명령어들을 포함하고,
상기 리파인드된 제2 이미지 마스크를 생성하는 것은,
상기 리파인드된 제3 이미지 패치를 상기 제1 이미지 마스크에 플레이스 오버 처리를 수행하여 상기 리파인드된 제2 이미지 마스크를 생성하는 것을 포함하는, 정보 처리 시스템. - 정보 처리 시스템으로서,
통신 모듈;
메모리; 및
상기 메모리와 연결되고, 상기 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서
를 포함하고,
상기 적어도 하나의 프로그램은,
심혈관 조영 영상을 수신하고,
상기 심혈관 조영 영상에 포함된 적어도 일부 혈관에 대응되는 제1 이미지 마스크를 획득하고,
상기 심혈관 조영 영상에 포함된 적어도 일부 혈관의 중심선에 대응되는 센터라인 이미지 마스크를 획득하고,
상기 심혈관 조영 영상으로부터 제1 이미지 패치를 추출하고,
상기 센터라인 이미지 마스크로부터 제2 이미지 패치를 추출하고,
상기 제1 이미지 패치 및 상기 제2 이미지 패치를 기초로 지역적 리파인먼트 처리를 수행하여 리파인드된 제3 이미지 패치를 생성하고,
상기 리파인드된 제3 이미지 패치 및 상기 제1 이미지 마스크를 기초로 리파인드된 제2 이미지 마스크를 생성하기 위한 명령어들을 포함하고,
상기 리파인드된 제2 이미지 마스크를 생성하는 것은,
상기 리파인드된 제3 이미지 패치의 미리 결정된 크기의 외곽 영역을 제거하고, 상기 심혈관 조영 영상에 포함된 혈관의 이미지 마스크에 플레이스 오버 처리를 수행하여 상기 리파인드된 제2 이미지 마스크를 생성하는 것을 포함하는, 정보 처리 시스템. - 제11항에 있어서,
상기 센터라인 이미지 마스크로부터 제2 이미지 패치를 추출하는 것은,
상기 센터라인 이미지 마스크에 포함된 상기 일부 혈관의 중심선 중에서 병변 후보군에 대응하는 하나 이상의 중심점을 추출하는 것,
상기 추출된 하나 이상의 중심점의 각각을 중심으로 하는 미리 결정된 크기의 패치를 상기 제2 이미지 패치로서 추출하는 것을 포함하는, 정보 처리 시스템.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220058291A KR102454116B1 (ko) | 2022-05-12 | 2022-05-12 | 심혈관 병변 탐지를 위한 심혈관 조영 영상 처리 방법 및 시스템 |
| US18/196,286 US20230368378A1 (en) | 2022-05-12 | 2023-05-11 | Method and system for processing cardiovascular image for detection of cardiovascular legions |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220058291A KR102454116B1 (ko) | 2022-05-12 | 2022-05-12 | 심혈관 병변 탐지를 위한 심혈관 조영 영상 처리 방법 및 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102454116B1 true KR102454116B1 (ko) | 2022-10-14 |
Family
ID=83599845
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220058291A KR102454116B1 (ko) | 2022-05-12 | 2022-05-12 | 심혈관 병변 탐지를 위한 심혈관 조영 영상 처리 방법 및 시스템 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20230368378A1 (ko) |
| KR (1) | KR102454116B1 (ko) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130018168A (ko) * | 2011-08-12 | 2013-02-20 | 지멘스 악티엔게젤샤프트 | 의료 이미지 데이터 세트의 정합 품질의 시각화 방법 및 장치 |
| KR20160103500A (ko) * | 2015-02-24 | 2016-09-01 | 삼성전자주식회사 | 의료 영상 처리 장치 및 의료 영상 처리 방법 |
| WO2017047819A1 (ja) * | 2015-09-18 | 2017-03-23 | イービーエム株式会社 | 血管形状分析装置、その方法、及びそのコンピュータソフトウェアプログラム |
-
2022
- 2022-05-12 KR KR1020220058291A patent/KR102454116B1/ko active IP Right Grant
-
2023
- 2023-05-11 US US18/196,286 patent/US20230368378A1/en active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130018168A (ko) * | 2011-08-12 | 2013-02-20 | 지멘스 악티엔게젤샤프트 | 의료 이미지 데이터 세트의 정합 품질의 시각화 방법 및 장치 |
| KR20160103500A (ko) * | 2015-02-24 | 2016-09-01 | 삼성전자주식회사 | 의료 영상 처리 장치 및 의료 영상 처리 방법 |
| WO2017047819A1 (ja) * | 2015-09-18 | 2017-03-23 | イービーエム株式会社 | 血管形状分析装置、その方法、及びそのコンピュータソフトウェアプログラム |
Non-Patent Citations (1)
| Title |
|---|
| Guo, Yuyu, et al. "Deep local-global refinement network for stent analysis in ivoct images." International conference on medical image computing and computer-assisted intervention.(2019.09.23. 공개)* * |
Also Published As
| Publication number | Publication date |
|---|---|
| US20230368378A1 (en) | 2023-11-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Elangovan et al. | Glaucoma assessment from color fundus images using convolutional neural network | |
| US10452957B2 (en) | Image classification apparatus, method, and program | |
| US10482603B1 (en) | Medical image segmentation using an integrated edge guidance module and object segmentation network | |
| Schlegl et al. | Unsupervised anomaly detection with generative adversarial networks to guide marker discovery | |
| Sarker et al. | SLSDeep: Skin lesion segmentation based on dilated residual and pyramid pooling networks | |
| Dubost et al. | Gp-unet: Lesion detection from weak labels with a 3d regression network | |
| Rahim et al. | Automatic detection of microaneurysms in colour fundus images for diabetic retinopathy screening | |
| Choi et al. | Boosting proximal dental caries detection via combination of variational methods and convolutional neural network | |
| CN110298844B (zh) | X光造影图像血管分割与识别方法及装置 | |
| CN111145173A (zh) | 一种冠脉造影图像的斑块识别方法、装置、设备及介质 | |
| US20220058798A1 (en) | System and method for providing stroke lesion segmentation using conditional generative adversarial networks | |
| KR102562377B1 (ko) | 우울증 진단 정보를 제공하기 위한 인공지능 연합학습 방법 및 시스템 | |
| KR102160390B1 (ko) | 인공지능 기반의 사용자 의료정보 분석 방법 및 시스템 | |
| You et al. | Adtr: Anomaly detection transformer with feature reconstruction | |
| Bhatia et al. | Retinal vessel extraction via assisted multi-channel feature map and U-net | |
| Araújo et al. | UOLO-automatic object detection and segmentation in biomedical images | |
| CN116848588A (zh) | 医学图像中的健康状况特征的自动标注 | |
| JP2020062355A (ja) | 画像処理装置、データ生成装置及びプログラム | |
| US11423262B2 (en) | Automatically filtering out objects based on user preferences | |
| Pham et al. | Chest X-ray abnormalities localization via ensemble of deep convolutional neural networks | |
| CN112767422B (zh) | 图像分割模型的训练方法及装置，分割方法及装置，设备 | |
| KR102503882B1 (ko) | 심혈관 이미지의 3차원 재구성을 위한 cip 자동 검출 방법 및 시스템 | |
| KR102454116B1 (ko) | 심혈관 병변 탐지를 위한 심혈관 조영 영상 처리 방법 및 시스템 | |
| KR102508226B1 (ko) | 심혈관 조영 영상을 이용한 신택스 스코어 산출 방법 및 시스템 | |
| Wali et al. | Stynmedgan: medical images augmentation using a new GAN model for improved diagnosis of diseases |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |