KR20190132161A - 건강검진을 위한 인공지능시스템의 학습방법, 인공지능시스템 및 이를 이용한 건강검진정보 제공방법 - Google Patents
건강검진을 위한 인공지능시스템의 학습방법, 인공지능시스템 및 이를 이용한 건강검진정보 제공방법 Download PDFInfo
- Publication number
- KR20190132161A KR20190132161A KR1020180057498A KR20180057498A KR20190132161A KR 20190132161 A KR20190132161 A KR 20190132161A KR 1020180057498 A KR1020180057498 A KR 1020180057498A KR 20180057498 A KR20180057498 A KR 20180057498A KR 20190132161 A KR20190132161 A KR 20190132161A
- Authority
- KR
- South Korea
- Prior art keywords
- image
- artificial intelligence
- health
- intelligence system
- state
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 111
- 230000036541 health Effects 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000013500 data storage Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000007726 management method Methods 0.000 claims abstract description 14
- 230000003862 health status Effects 0.000 claims abstract description 3
- 230000002159 abnormal effect Effects 0.000 claims description 24
- 238000012360 testing method Methods 0.000 claims description 10
- 238000002604 ultrasonography Methods 0.000 claims description 9
- 238000007689 inspection Methods 0.000 claims description 6
- 238000002600 positron emission tomography Methods 0.000 claims description 6
- 238000003325 tomography Methods 0.000 claims description 6
- 210000001835 viscera Anatomy 0.000 claims description 6
- 210000003484 anatomy Anatomy 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 4
- 239000002699 waste material Substances 0.000 abstract description 5
- 230000008569 process Effects 0.000 abstract description 3
- 201000010099 disease Diseases 0.000 description 17
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 17
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 230000005856 abnormality Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 210000001328 optic nerve Anatomy 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000001839 endoscopy Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 210000004126 nerve fiber Anatomy 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 210000001525 retina Anatomy 0.000 description 3
- 230000002207 retinal effect Effects 0.000 description 3
- 208000001351 Epiretinal Membrane Diseases 0.000 description 2
- 208000031471 Macular fibrosis Diseases 0.000 description 2
- 206010064930 age-related macular degeneration Diseases 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000002429 large intestine Anatomy 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 208000002780 macular degeneration Diseases 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 210000002784 stomach Anatomy 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 206010012689 Diabetic retinopathy Diseases 0.000 description 1
- 208000020358 Learning disease Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 210000004087 cornea Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 230000005226 mechanical processes and functions Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000012014 optical coherence tomography Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 210000001927 retinal artery Anatomy 0.000 description 1
- 210000001957 retinal vein Anatomy 0.000 description 1
- 210000000813 small intestine Anatomy 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0077—Devices for viewing the surface of the body, e.g. camera, magnifying lens
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/037—Emission tomography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
- Artificial Intelligence (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Pulmonology (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
본 발명에 따른 인공지능시스템 학습방법은 인공지능시스템의 이미지관리부가 상기 인공지능시스템의 이미지편집부에 의하여 미리 설정된 방법에 의하여 편집된 건강상태의 신체일부의 이미지를 데이터저장부에 정상상태이미지로 저장하는 단계 및 상기 인공지능시스템의 인공지능처리부가 인공지능학습알고리즘을 이용하여 상기 정상상태이미지를 분석하고 상기 신체일부에 대한 건강상태에 대한 정보를 학습하는 단계를 포함한다. 이를 통해 대량의 정보를 신속하게 처리할 수 있는 인공시스템을 이용하여 보다 효율적으로 건강한 상태의 피검자를 식별할 수 있도록 함으로써 의료인력의 낭비를 방지할 수 있다.
Description
본 발명은 인공지능시스템 학습방법, 인공지능시스템 및 이를 이용한 정보제공방법에 대한 것으로 보다 구체적으로 건강검진을 위한 인공지능시스템의 학습방법, 인공지능시스템 및 이를 이용한 건강검진정보 제공방법에 관한 것이다.
건강검진은 종합적인 건강상태를 파악하고 질병의 유무를 알아내기 위한 예방적 검사로써 일반건강검진, 생애전환기 건강진단, 영유아 건강검진 등이 있다. 국민건강보험공단에 따르면 각각의 건강검진 수검률은 최근 5년간 전반적으로 증가하고 있는 추세이다. 2016년을 기준으로 한 통계에 따르면, 일반검진 77.7%, 생애전환기건강진단 79.3%, 영유아 건강검진 71.9%의 수검률을 보이고 있다. 이는 2011년 대비 각각 5.5%p, 8.6%p, 18%p 증가한 것으로 (『2016년 건강검진통계연보』, http://www.nhis.or.kr/bbs7/boards/B0039/24877 참조) 건강보험가입자(또는 의료급여 수급자)에게 별도의 검사비용이 부과되지 않기 때문에 현재 추세로 보아 향후 수검률의 지속적인 증가가 예상된다.
이처럼 건강검진을 통하여 건강상태의 주기적 확인이 가능하지만, 이러한 건강검진은 몸에 이상이 없더라도 주기적으로 이루어지게 되므로 전반적으로 질병소견을 보이는 경우보다 정상소견을 보이는 경우가 더 많다. 일반건강검진을 예로 들면, 1차 판정에서 정상으로 판정 받는 비율이 약 42%인 것으로 보고되고 1차 판정 시 이상 소견 대상자라도 2차 검사를 받게 되면 50% 이하는 정상이거나 경계상태에 있는 경우로 보고되고 있다(『2016년 건강검진통계연보』). 건강검진은 질병유무와 별개로 일반 다수를 대상으로 한다는 점에서, 건강에 이상이 있어서 병원을 찾는 경우의 전문의 진료와 비교할 때, 시간과 비용 측면에서 동등한 수준의 검진서비스를 제공하기 쉽지 않다. 특히 고도로 숙련된 전문의에 의하여 건강검진이 이루어지기 위해서는 추가 비용을 지불해야 하는 부담이 있다. 예를 들면, 안과질환의 경우 비전문의를 통한 건강검진을 시행하는 경우 질병유무에 대한 정확한 진단이 이루어지기 어렵다. 정밀한 진단을 위해서는 전문의에 의하여 정상 안저 이미지의 판독이 이루어져야 하고, 안구에 존재할 수 있는 다양한 질병 중에서 긴급한 치료 또는 집중적인 치료를 요하는 위중한 질병의 진단 또한 숙련된 전문의에 의한 판단이 필요하다.
위장 또는 대장과 같은 기관의 경우도 역시 내시경을 통하여 건강상태를 판단하기는 하나, 숙련된 내시경 전문의에 의하여 분석이 이루어지기 어려운 경우에는 질병 유무에 대한 정확한 진단이 이루어지기 어렵다. 또한, 정밀한 진단을 위해서는 숙련된 전문의에 의한 내시경 시술이 필요하고 촬영된 내시경 이미지 또한 숙련된 전문의에 의한 판단이 필요하다. 하지만, 일반 다수를 대상으로 하는 일반건강검진의 경우 숙련된 전문의를 통하여 모든 피검자에 대한 검사가 이루어지기 어렵다.
아래 표 1을 참고하면, 질병의 검사에 있어서 민감도(sensitivity)는 비정상을 비정상으로 판독하는 분율((질병을 잡아냄)=A/(A+C))을 의미하고, 특이도(specificity)는 정상을 정상으로 판독하는 분율(D/(B+D))을 의미한다.
| 정답(비정상=질병) | 정답(정상) | |
| 판독(비정상=질병) | A: True → true(+) | B: False → false(+) |
| 판독(정상) | C: False → false(-) | D: True → true(-) |
건강검진센터의 경우 모든 수진자가 질병이 있다는 전제하에 검사를 진행하므로 이론적으로는 민감도(sensitivity)를 100%로 가정하고 모든 검사에 대해서 의료인력이 직접 개입하여 질병 여부를 판단하도록 되어 있다. 하지만 대부분이 정상인 경우가 많은 건강검진에 있어서 민감도가 높을수록 위양성(정상을 비정상으로 판독하는 사례)이 높게 나오고 이에 따라 숙련된 전문의가 이러한 위양성을 감별하기 위한 판독에 많은 시간을 소요하게 된다. 따라서 명백한 정상의 소견에 대해서는 자동판독을 통하여 정상으로 분류되고 질병 유무의 판단이 필요한 검사결과에 대해서만 전문의료인력에 의한 판독이 이루어질 수 있다면 보다 효율적으로 자원을 집중할 수 있을 것이다.
본 발명은 인공지능시스템을 이용하여 정상상태의 건강한 상태의 피검자를 식별할 수 있도록 함으로써 비정상 소견을 갖는 피검자들에 대하여 의료자원을 집중하여 의료자원의 낭비를 방지하는 건강검진을 위한 인공지능시스템의 학습방법을 제공하는 것을 목적으로 한다.
또한, 본 발명은 보다 효과적으로 건강한 상태의 피검자를 식별할 수 있도록 함으로써 의료인력의 낭비를 방지하는 건강검진을 위한 인공지능시스템을 제공하는 것을 다른 목적으로 한다.
또한, 본 발명은 비정상상태에 있는 피검자의 체계적인 관리 및 특정 질병의 진단학습에 필요한 데이터를 제공하는 건강검진을 위한 인공지능시스템을 이용한 건강검진정보 제공방법을 제공하는 것을 또다른 목적으로 한다.
본 발명의 목적은 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 본 발명이 속하는 기술 분야의 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상기 기술적 과제를 해결하기 위한 본 발명의 일 양상에 따른 건강검진을 위한 인공지능시스템 학습방법은 인공지능시스템의 이미지관리부가 상기 인공지능시스템의 이미지편집부에 의하여 미리 설정된 방법에 의하여 편집된 건강상태의 신체일부의 이미지를 상기 인공지능시스템의 데이터저장부에 정상상태이미지로 저장하는 단계; 및 상기 인공지능시스템의 인공지능처리부가 인공지능학습알고리즘을 이용하여 상기 정상상태이미지를 분석하고 상기 신체일부의 건강상태에 대한 정보를 학습하는 단계를 포함한다.
또한, 상기 건강상태의 신체일부의 이미지는 카메라(camera), 안저카메라(fundus camera), 내시경(endoscope), 초음파(ultrasonography), 엑스레이(X-ray), 컴퓨터 단층 촬영(computerized tomography), 자기공명(magnetic resonance), 양전자 방출 단층촬영(Positron Emission Tomography, PET) 장치 등에 의하여 얻어진 이미지(image) 중 하나일 수 있다.
또한, 상기 건강상태의 신체일부의 이미지는 장기표면이미지(surface anatomy image) 또는 장기내부이미지(internal organ image)일 수 있다.
또한, 상기 정상상태이미지는 상기 이미지편집부에 의하여 처리된 상기 건강상태의 신체일부의 이미지의 원본이미지, 상기 원본이미지의 플립(flip)이미지, 상기 원본이미지의 그레이스케일(gray scale) 이미지 또는 상기 그레이스케일 이미지의 플립이미지일 수 있다.
본 발명의 다른 양상에 따른 건강검진을 위한 인공지능시스템은, 인공지능시스템의 이미지편집부에 의하여 미리 설정된 방법에 의하여 편집된 건강상태의 신체일부의 이미지를 상기 인공지능시스템의 데이터저장부에 정상상태이미지로 저장하도록 하는 이미지관리부; 및 인공지능학습알고리즘을 이용하여 상기 정상상태이미지를 분석하고 상기 신체일부에 대한 건강상태에 대한 정보를 학습하는 인공지능처리부를 포함한다.
본 발명의 또다른 양상에 따른 인공지능시스템을 이용한 건강검진정보 제공방법은, 인공지능시스템의 이미지편집부에 의하여 미리 설정된 방법에 의하여 편집된 건강상태의 신체일부의 이미지를 데이터저장부에 정상상태이미지로 저장하도록 하는 이미지관리부 및 인공지능학습알고리즘을 이용하여 상기 정상상태이미지를 분석하고 상기 신체일부에 대한 건강상태정보를 학습하는 인공지능처리부를 포함하는 건강검진을 위한 인공지능시스템을 이용한 건강검진정보 제공방법에 있어서, 상기 인공지능시스템의 건강검진데이터송수신부가 피검이미지를 수신하는 단계; 상기 인공지능처리부가 상기 피검이미지를 검사하여 건강상태에 있지 않은 것으로 판단한 경우, 상기 데이터저장부에 상기 피검이미지를 비정상상태이미지로 정의하여 저장하는 단계를 포함한다.
본 발명은 인공시스템을 이용하여 정상상태의 건강한 상태의 피검자를 식별할 수 있도록 함으로써 비정상 소견을 갖는 피검자들에 대하여 의료자원을 집중하여 의료자원의 낭비를 방지하는 건강검진을 위한 인공지능시스템의 학습방법을 제공할 수 있다.
또한, 본 발명은 보다 효과적으로 건강한 상태의 피검자를 식별할 수 있도록 함으로써 의료인력의 낭비를 방지하는 건강검진을 위한 인공지능시스템을 제공할 수 있다.
또한, 본 발명은 비정상상태에 있는 피검자의 체계적인 관리 및 특정 질병의 진단학습에 필요한 데이터를 제공하는 건강검진을 위한 인공지능시스템을 이용한 건강검진정보 제공방법을 제공할 수 있다.
본 발명의 효과는 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술 분야의 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 실시예에 따른 건강검진을 위한 인공지능시스템의 학습방법에 있어서 인공지능시스템의 시스템블록도를 도시한 것이다.
도 2는 본 발명의 실시예에 따른 건강검진을 위한 인공지능시스템의 학습방법의 순서도를 도시한 것이다.
도 3은 정상상태의 안저이미지의 개략적인 모식도이다.
도 4는 본 발명의 실시예에 따른 건강검진을 위한 인공지능시스템의 학습방법에 사용되기 위한 안저이미지와 관련한 정상상태이미지로, (a)원본이미지, (b)원본이미지의 플립(flip) 이미지, (c)원본이미지의 그레이스케일(gray scale) (d)원본이미지의 플립이미지에 대한 그레이스케일이미지를 도시한 것이다.
도 5는 정상상태의 안저이미지와 비정상상태의 안저이미지의 원본이미지를 각각 도시한 것이다.
도 6a 내지 도 6d는 안저이미지 중 비정상상태이미지의 원본과 그레이스케일이미지를 각각 도시한 것이다.
도 2는 본 발명의 실시예에 따른 건강검진을 위한 인공지능시스템의 학습방법의 순서도를 도시한 것이다.
도 3은 정상상태의 안저이미지의 개략적인 모식도이다.
도 4는 본 발명의 실시예에 따른 건강검진을 위한 인공지능시스템의 학습방법에 사용되기 위한 안저이미지와 관련한 정상상태이미지로, (a)원본이미지, (b)원본이미지의 플립(flip) 이미지, (c)원본이미지의 그레이스케일(gray scale) (d)원본이미지의 플립이미지에 대한 그레이스케일이미지를 도시한 것이다.
도 5는 정상상태의 안저이미지와 비정상상태의 안저이미지의 원본이미지를 각각 도시한 것이다.
도 6a 내지 도 6d는 안저이미지 중 비정상상태이미지의 원본과 그레이스케일이미지를 각각 도시한 것이다.
본 발명의 목적 및 효과, 그리고 그것들을 달성하기 위한 기술적 구성들은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 본 발명을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명에서의 기증을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다.
그러나, 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있다. 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함" 또는 "구비"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부" 또는 "...장치" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
한편, 본 발명의 실시 예에 있어서, 각 구성요소들, 기능 블록들 또는 수단들은 하나 또는 그 이상의 하부 구성요소로 구성될 수 있으며, 각 구성요소들이 수행하는 전기, 전자, 기계적 기능들은 전자회로, 집적회로, ASIC(Application Specific Integrated Circuit) 등 공지된 다양한 소자들 또는 기계적 요소들로 구현될 수 있으며, 각각 별개로 구현되거나 2 이상이 하나로 통합되어 구현될 수도 있다.
또한 첨부된 블록도의 각 블록과 흐름도의 각 단계의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수도 있다. 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터, 휴대용 노트북 컴퓨터, 네트워크 컴퓨터, 스마트폰과 같은 모바일 기기, 온라인 서비스 제공 서버 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 장치 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 아래에서 설명할 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능들을 수행하는 수단을 생성하게 된다. 이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 장치 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 장치에 이용 가능한 메모리 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 블록도의 각 블록 또는 흐름도 각 단계에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조물을 생산하는 것도 가능하다. 컴퓨터 프로그램 인스트럭션들은 컴퓨터 장치 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 장치 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되기 위한 프로세스를 생성하여 블록도의 각 블록 및 흐름도의 각 단계에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.
또한, 각 블록 또는 각 단계는 특정된 논리적 기능(들)을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또, 몇 가지 대체 실시예들에서는 블록들 또는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들 또는 단계들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.
본 발명의 실시예에 있어서, 사용자 기기라고 함은 데스크탑 컴퓨터, 노트북 컴퓨터, 스마트폰, PDA, 휴대전화, 게임기 등 데이터를 수집, 판독, 처리, 가공, 저장, 표시할 수 있는 모든 계산 수단을 의미한다. 특히, 본 발명의 실시예에 있어서의 사용자 기기는 해독 가능한 코드로 작성된 소프트웨어를 실행시킬 수 있으며, 이를 사용자에게 표시하여 전달할 수 있는 기능을 갖는 장치이다. 또한, 필요에 따라서는 소프트웨어를 자체적으로 저장하기도 하고, 또는 외부로부터 데이터와 함께 읽어 들일 수도 있다.
또한, 본 발명의 실시예에 있어서의 단말기에는 위와 같은 데이터 처리 기능 뿐 아니라 입력, 출력, 저장 등의 기능이 포함되어 있으며, 이를 위하여 일반적인 컴퓨터 장치들이 갖는 CPU, 메인보드, 그래픽 카드, 하드디스크, 사운드 카드, 스피커, 키보드, 마우스, 모니터, USB, 통신 모뎀 등의 각종 요소들 뿐만 아니라 무선 스마트폰 단말기들이 갖는 CPU, 메인보드, 그래픽 칩, 메모리 칩, 사운드엔진, 스피커, 터치패드, USB 등의 외부 연결 단자, 통신 안테나, 3G, LTE, LTE-A, 5G, WiFi, 블루투스 등의 통신을 구현할 수 있는 통신 모뎀 등을 포함할 수 있다. 이러한 각종 요소들이 단독으로 또는 2 이상이 함께, 또는 각종 요소들의 일부분이 결합되어 하나 또는 그 이상의 기능을 구현할 수 있으며, 본 발명의 실시예에서 도면이나 상세한 설명에서 하나 또는 그 이상의 블록으로 표시된 장치 또는 그 일부분들은 위와 같은 사용자 기기에 포함되어 있는 각종 요소들이 단독으로 또는 2 이상이 함께, 또는 각종 요소들의 일부분이 결합되어 하나 또는 그 이상의 기능을 나타내는 것을 의미할 수 있다.
또한, 본 발명에 있어서 인공지능(Artificial Intelligence)이라 함은 인간의 학습능력과 추론능력, 지각능력, 자연언어의 이해능력 등을 컴퓨터 프로그램으로 실현한 기술을 의미한다. 인공지능을 구현하기 위한 인공지능알고리즘은 논리추론, 기계학습, 신경망 노드의 계산 모형 또는 딥러닝(deep learning)으로 알려진 기술을 이용하는 것을 의미한다. 다만, 이에 한정하는 것은 아니고 인간의 지능 또는 이를 능가하는 학습능력과 추론능력, 지각능력, 자연언어의 이해능력 등을 컴퓨터 프로그램으로 실현한 기술이라면 인공지능에 속하는 것으로 볼 것이다.
상기 인공지능알고리즘과 관련한 탐색기술은 풀고자 하는 문제를 공간상에 표현한 뒤 그 상태에서 목표를 찾아내는 기술을 의미할 수 있다. 논리추론 기술은 문제를 해결하는 것에 대해 필요한 지식 그리고 규칙을 적절하게 사용하여 그 추론을 통해 결과를 도출해 내는 기술을 의미할 수 있다. 또한, 기계학습, 즉 머신러닝(machine learning) 기술은 어떤 문제의 선례에 주어져 있는 사례를 학습한 뒤 적절한 출력 값을 자동으로 결정하는 기술을 의미할 수 있다. 또한, 신경망 노드의 계산 모형은 신경망 노드를 연결하여 여러 층으로 구성하고 그 뒤 주어진 데이터를 표현하는 가중치를 구하는 학습방법에 관한 기술을 의미할 수 있다. 또한, 딥러닝은 신경망의 층을 늘려 다층 구조로 만들고 그 가중치를 결정하는 알고리즘을 사용한 기술을 의미할 수 있다.
이하에서는 본 발명의 실시예에 따른 건강검진을 위한 인공지능시스템의 학습방법, 시스템 및 이를 이용한 건강검진정보 제공방법에 대하여 첨부한 도면을 참고하여 구체적으로 설명하기로 한다.
도 1은 본 발명의 실시예에 따른 건강검진을 위한 인공지능시스템(100)의 학습방법에 있어서 인공지능시스템(100)의 시스템블록도를 도시한 것이고, 도 2는 본 발명의 실시예에 따른 건강검진을 위한 인공지능시스템(100)의 학습방법의 순서도를 도시한 것이다.
도 1을 참고하면 본 발명의 일 실시예에 따른 건강검진을 위한 인공지능시스템(100) 학습방법에 사용되기 위한 인공지능시스템(100)은 이미지관리부(110), 이미지편집부(120), 데이터저장부(130), 인공지능처리부(140) 및 건강검진데이터송수신부(150)를 포함한다.
이미지편집부(120)는 미리 설정된 방법에 의하여 건강상태의 신체일부의 이미지를 편집하도록 구비될 수 있다. 예를 들면, 이미지편집부(120)는 건강한 상태의 신체일부에 대한 원본이미지를 플립이미지, 그레이스케일이미지 또는 원본이미지의 플립이미지를 그레이스케일이미지로 편집할 수 있다.
다음으로, 이미지관리부(110)는 이미지편집부(120)에 의하여 미리 설정된 방법에 의하여 편집된 건강상태의 신체일부의 이미지를 상기 인공지능시스템(100)의 데이터저장부(130)에 정상상태이미지로 저장하도록 하도록 구비될 수 있다. 예를 들면, 이미지편집부(120)가 건강한 상태의 신체일부에 관한 원본이미지를 그레이스케일이미지로 변환하는 경우 그레이스케일이미지를 데이터저장부(130)에 저장하도록 함으로써 인공지능처리부(140)가 학습에 이용할 수 있도록 한다.
다음으로, 인공지능처리부(140)는 인공지능알고리즘을 이용하여 데이터저장부(130)에 저장된 정상상태이미지를 분석하여 정상상태 또는 비정상상태를 판별할 수 있도록 학습하도록 구비될 수 있다.
도 2를 참고하면, 본 발명의 일실시예에 따른 건강검진을 위한 인공지능시스템(100)의 학습방법은 인공지능시스템(100)의 이미지관리부(110)가 인공지능시스템(100)의 이미지편집부(120)에 의하여 미리 설정된 방법에 의하여 편집된 건강상태의 신체일부의 이미지를 인공지능시스템(100)의 데이터저장부(130)에 정상상태이미지로 저장하는 단계를 포함할 수 있다(S110). 상기 건강상태의 신체일부의 이미지는 장기표면이미지(surface anatomy image) Ehsms 장기내부이미지(interal organ image)일 수 있으나, 이에 한정하지 않으며 건강검진여부에 대하여 이미지검사를 통해 건강여부를 알 수 있는 신체일부에 대한 이미지라면 모두 신체일부의 이미지로 볼 수 있다.
예를 들면, 상기 장기표면이미지는 카메라(camera), 안저카메라(fundus camera), 내시경(endoscope), 초음파(ultrasonography), 엑스레이(X-ray), 컴퓨터 단층 촬영(computerized tomography), 자기공명(magnetic resonance), 양전자 방출 단층촬영(Positron Emission Tomography, PET) 장치 등을 통하여 관찰할 수 있는 위장, 대장, 소장 등 기관의 내부표면 또는 외부표면의 이미지 또는 외부에서 관찰되어 진단이 이루어질 수 있는 각막의 표면이미지 등을 의미할 수 있다.
아울러, 장기내부이미지는 카메라(camera), 안저카메라(fundus camera), 내시경(endoscope), 초음파(ultrasonography), 엑스레이(X-ray), 컴퓨터 단층 촬영(computerized tomography), 자기공명(magnetic resonance), 양전자 방출 단층촬영(Positron Emission Tomography, PET) 장치 등을 통하여 관찰할 수 있는 망막, 간, 뇌, 근육 등 내부의 이미지를 의미할 수 있다.
한편, 인공지능시스템(100)의 학습을 위해서는 대규모의 학습데이터가 필요하다. 학습데이터의 양이 많으면 많을수록 인공지능시스템(100)의 학습효과가 증대될 수 있다. 이미지편집부(120)는 원본이미지를 편집하여 학습데이터를 증폭시킬 수 있다.
신체일부의 이미지는 내부의 혈관, 신경, 장기의 형태 등을 고려하여 플립되거나 그레이스케일로 변환(편집)되는 경우 유의미한 결과를 가질 수 있다.
건강상태의 신체일부의 이미지는 카메라(camera), 안저카메라(fundus camera), 내시경(endoscope), 초음파(ultrasonography), 엑스레이(X-ray), 컴퓨터 단층 촬영(computerized tomography) 자기공명(magnetic resonance) 또는 양전자 방출 단층촬영(Positron Emission Tomography, PET) 장치 등을 통해 얻어진 이미지(image)일 수 있다. 예를 들면, 카메라에 의하여 얻어진 디지털사진(digital photograph) 또는 광간섭단층촬영장치(Optical Coherence Tomography)로부터 얻어진 이미지일 수 있다.
이하, 건강검진을 위한 인공지능시스템의 학습방법와 관련하여 안저이미지를 예로 설명한다.
도 3은 정상상태의 안저이미지의 개략적인 모식도이다. 안구에 있어서, 안저이미지를 예로 들면 방향성이 존재한다. 도 3에 도시된 바와 같이 안저이미지는 황반, 중심와(Fovea Centralis), 망막 동맥, 망막 정맥, 망막신경섬유층, 시신경 유두가 관찰 될 수 있다. 도 3에 도시된 안저이미지는 진료시 바라보게 되는 피검자의 우안에 해당한다. 구체적으로 황반이 있는 방향이 피검자의 관자놀이 방향이고, 시신경이 있는 방향이 피검자의 코(nose)의 방향이다.
안저이미지에 나타날 수 있는 혈관, 시신경, 시신경 유두의 분포는 개인마다 다르고, 또한 좌우의 안구가 각각 다른 분포를 갖게 된다. 따라서, 양쪽 안구모두 정상인 사람의 경우, 이미지를 좌우 반전되도록 플립하면 또다른 좌우 안구의 안저이미지가 될 수 있다. 이는 실재하지 않는 사람의 정상상태에 해당하는 안저이미지에 해당한다. 이와 같은 변환을 통하여 인공지능시스템(100)에 제공할 수 있는 유의미한 데이터의 증폭이 일어날 수 있다.
도 4는 본 발명의 실시예에 따른 건강검진을 위한 인공지능시스템(100)의 학습방법에 사용되기 위한 안저이미지와 관련한 정상상태이미지로, 세 사람(I, II, III)의 안저이미지와 관련한 (a)원본이미지, (b)원본이미지의 플립(flip) 이미지, (c)원본이미지의 그레이스케일(gray scale) 이미지 (d)원본이미지의 플립이미지에 대한 그레이스케일이미지를 도시한 것이다.
(b)는 (a)를 플립(좌우반전)한 이미지에 해당한다. (c)는 원본이미지를 그레이스케일로 변환한 이미지에 해당한다. (d)는 (c)의 플립이미지에 해당한다. 이와 같은 이미지편집을 통하여 인공지능처리부(140)가 학습할 수 있는 데이터의 양을 증폭시킬 수 있다.
도 4를 참고하면 I 내지 III의 경우 모두, (a)에 따른 우안 및 좌안의 안구이미지가 (b)에서는 각각 좌안 및 우안으로 표현되어 있음을 알 수 있다. (c)와 (d)이미지의 경우도 (a)와 (b)와 마찬가지로 좌안과 우안이 각각 플립되어 표현되어 있다. 도 4와 같이 학습에 필요한 데이터가 한 사람의 안저이미지로부터 4배 증폭되어 활용될 수 있게 된다.
다음으로, 도 5는 정상상태의 안저이미지와 비정상상태의 안저이미지의 원본이미지를 각각 도시한 것이고, 도 6a 내지 도 6d는 안저이미지 중 비정상상태이미지의 원본과 그레이스케일이미지를 각각 도시한 것이다.
도 5를 참고하면, 정상상태의 안저이미지와 비정상 상태의 안저이미지가 각각 도시되어 있다. 도 5의 이미지만으로는 육안으로 상호간의 차이점을 즉시 알아내기가 용이하지 않을 수 있다. 특히, 건강검진을 위한 안저이미지 검사의 경우 검진이 이루어져야하는 데이터는 매우 많은 반면, 검진에 소요되는 시간은 매우 한정적이므로 정확한 정상상태 여부의 판정이 어려울 수 있다.
본 발명의 실시예에 따른 건강검진을 위한 인공지능시스템(100)의 경우 정상상태에 대한 학습을 통하여 매우 빠른 속도로 정상상태의 안저이미지를 검색할 수 있으므로 육안으로 검사하는 경우보다 정확하고 빠른 검사결과를 제공할 수 있다.
도 6a 내지 도 6d를 참조하면, 망막주변의 이상여부는 명도만으로 표현되는 경우 그 이상여부를 보다 쉽게 알 수 있으며, 신체일부에 대한 이미지가 유색의 이미지로 제공되는 경우 데이터의 분석을 위하여 명도 및 채도를 모두 고려한 데이터가 사용될 수 있으나, 건강한 상태에 해당하는 경우를 판별하기 위하여 명도만을 고려하여 학습할 수 있는 경우, 명도만을 고려하여 정상 또는 비정상 여부를 판별할 수 있도록, 채도에 해당하는 불필요한 변수를 제거하여 학습목표의 정확도를 높이면서도 시스템의 부하(load)를 줄일 수 있다.
예를 들면, 명암만이 표현된 이미지를 사용하는 경우 가느다란 망막신경섬유들의 주행이 더 잘 관찰되거나 미세 출혈 여부가 더 잘 관찰되는 등 판별 대상의 데이터가 보다 명확해질 수 있다. 도 6a 내지 도 6d를 참고하면, 본 발명의 실시예에 따른 정상상태의 안저이미지와 구별되는 비정상상태의 안저이미지가 도시되어 있다.
각각의 도면에서 붉은색 점선의 원 내부를 기준으로 설명하면, 도 6a의 경우 노화로 인한 황반변성(AMD: Age-related Macular Degeneration), 도 6b 당뇨병성 망막병증(Diabetic retinopathy), 도 6c는 망막 특히 황반 부위에 비정상적인 막이 생기는 망막전막(Epiretinal membrane), 도 6d는 망막신경섬유층의 결손(Retinal nerve fiber layer defect)상태에 있음을 알 수 있다.
상기 예시와 같이, 채도를 갖는 원본이미지 보다 그레이스케일이미지를 통하여 볼 때 정상상태의 안저에 비하여 비정상여부가 보다 명확하게 관찰됨을 알 수 있다. 따라서, 그레이스케일의 정상상태 이미지는 인공지능시스템(100)의 학습에 보다 효과적으로 활용될 수 있다.
다음으로, 인공지능시스템(100)의 인공지능처리부(140)가 인공지능학습알고리즘을 이용하여 정상상태이미지를 분석하고 상기 신체일부의 건강상태에 대한 정보를 학습하는 단계를 포함한다(S120).
인공지능처리부(140)는 정상상태이미지만을 분석하여 이를 학습하므로, 인공지능처리부(140)는 피검이미지가 건강한 상태를 의미하는 정상상태이미지인지 여부를 판단할 수 있다. 예를 들면, 인공지능처리부(140)는 비정상상태에 해당하는 신체일부의 이미지가 주어지는 경우, 해당 이미지가 정상상태가 아닌, 비정상이라는 판단을 할 수 있도록 구비될 수 있다.
본 발명의 또다른 실시예에 의하면 인공지능시스템(100)을 이용한 건강검진정보 제공방법이 제공될 수 있다.
이미지관리부(110)는 인공지능시스템(100)의 이미지편집부(120)에 의하여 미리 설정된 방법에 의하여 편집된 건강상태의 신체일부의 이미지를 데이터저장부(130)에 정상상태이미지로 저장하도록 하도록 구비된다.
인공지능학습알고리즘을 이용하여 상기 정상상태이미지를 분석하고 신체일부에 대한 건강상태정보를 학습하도록 하는 인공지능처리부(140)를 얻을 수 있다. 일련의 과정을 통하면 정상상태 안저이미지와 같은 건강한 신체일부에 대한 이미지는 질병을 발견하기 위한 학습용 데이터를 추출하는 경우보다 더 많은 학습데이터를 확보할 수 있다. 또한, 이러한 이미지 증폭 기술은 모집단이 적은 질병을 학습하기 위한 인공지능시스템에서 훨씬 더 유용하게 활용될 수 있다.
본 발명에 따르면, 질병에 대한 민감도(sensitivity)와 특이도(specificity)를 조율하여 확실한 정상(건강한 상태)은 감별하되 경미한 이상이 있는 경우 의료인력을 배정하여 감별하도록 하여 자원을 효율적으로 사용할 수 있다.
인공지능시스템(100)의 이미지편집부(120)에 의하여 미리 설정된 방법에 의하여 편집된 건강상태의 신체일부의 이미지를 데이터저장부(130)에 정상상태이미지로 저장하도록 하는 이미지관리부(110) 및 인공지능학습알고리즘을 이용하여 정상상태이미지를 분석하고 신체일부에 대한 건강상태정보를 학습하는 인공지능처리부(140)를 포함하는 건강검진을 위한 인공지능시스템(100)을 이용한 건강검진정보 제공방법에 있어서, 인공지능시스템(100)의 건강검진데이터송수신부(150)가 피검이미지를 수신하는 단계를 통하여 건강검진의 피검자에 대한 이미지(피검이미지)를 수신하여 상기 인공지능시스템(100)이 정상상태여부를 판별할 수 있도록 마련될 수 있다.
상기 인공지능시스템(100)은 제공된 피검이미지에 대하여 인공지능처리부(140)가 피검이미지를 검사하여 건강상태에 있지 않은 것으로 판단한 경우, 데이터저장부(130)에 피검이미지를 비정상상태이미지로 정의하여 저장하는 단계를 거치도록 구비될 수 있다. 따라서, 건강한 상태(Super normal, normal, near normal)에 있는 피검자의 데이터 이외에 비정상 상태(abnormal)에 있는 피검자의 피검이미지만이 전문의료인력에게 전달될 수 있게 된다.
앞서 기술한 본 발명의 다양한 실시예는 하드웨어 또는 특수 목적 회로, 소프트웨어, 로직 또는 이들의 임의의 조합으로 구현될 수 있다. 예를 들어, 몇몇 양상은 하드웨어로 구현될 수 있는 반면, 다른 양상은 제어기, 마이크로프로세서 또는 다른 컴퓨팅 디바이스에 의해 실행될 수 있는 소프트웨어 또는 펌웨어로 구현될 수 있으나, 본 발명이 이에 한정되는 것은 아니다.
본 발명의 다양한 실시예는 블록도, 흐름도 또는 어떤 다른 그림 표현을 사용하여 예시되고 서술될 수 있으나, 본 명세서에서 서술된 이들 블록, 장치, 시스템, 기법 또는 방법은 비한정 적인 예로서 하드웨어, 소프트웨어, 펌웨어, 특수 목적 회로 또는 로직, 범용 하드웨어 또는 제어기 또는 다른 컴퓨팅 디바이스 또는 이들의 어떤 조합으로 구현될 수 있다.
본 명세서와 도면에는 본 발명의 바람직한 실시예에 대하여 개시하였으며, 비록 특정 용어들이 사용되었으나, 이는 단지 본 발명의 기술 내용을 쉽게 설명하고 발명의 이해를 돕기 위한 일반적인 의미에서 사용된 것이지, 본 발명의 범위를 한정하고자 하는 것은 아니다. 여기에 개시된 실시예 외에도 본 발명의 기술적 사상에 바탕을 둔 다른 변형예들이 실시 가능하다는 것은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 자명한 것이다.
Claims (10)
- 인공지능시스템의 이미지관리부가 상기 인공지능시스템의 이미지편집부에 의하여 미리 설정된 방법에 의하여 편집된 건강상태의 신체일부의 이미지를 상기 인공지능시스템의 데이터저장부에 정상상태이미지로 저장하는 단계; 및
상기 인공지능시스템의 인공지능처리부가 인공지능학습알고리즘을 이용하여 상기 정상상태이미지를 분석하고 상기 신체일부의 건강상태에 대한 정보를 학습하는 단계;를 포함하는 것을 특징으로 하는 건강검진을 위한 인공지능시스템 학습방법.
- 제1항에 있어서,
상기 건강상태의 신체일부의 이미지는 카메라(camera), 안저카메라(fundus camera), 내시경(endoscope), 초음파(ultrasonography), 엑스레이(X-ray), 컴퓨터 단층 촬영(computerized tomography), 자기공명(magnetic resonance), 양전자 방출 단층촬영(Positron Emission Tomography, PET) 장치 중 하나 이상의 장치에 의하여 얻어진 이미지(image)인 것을 특징으로 하는 건강검진을 위한 인공지능시스템 학습방법.
- 제1항에 있어서,
상기 건강상태의 신체일부의 이미지는 장기표면이미지(surface anatomy image) 또는 장기내부이미지(internal organ image)인 것을 특징으로 하는 건강검진을 위한 인공지능시스템 학습방법.
- 제1항에 있어서,
상기 정상상태이미지는 상기 이미지편집부에 의하여 처리된 상기 건강상태의 신체일부의 이미지의 원본이미지, 상기 원본이미지의 플립(flip)이미지, 상기 원본이미지의 그레이스케일(gray scale) 이미지 또는 상기 그레이스케일 이미지의 플립이미지인 것을 특징으로 하는 건강검진을 위한 인공지능시스템 학습방법.
- 제1항에 있어서,
인공지능시스템의 이미지편집부에 의하여 미리 설정된 방법에 의하여 편집된 건강상태의 신체일부의 이미지를 상기 인공지능시스템의 데이터저장부에 정상상태이미지로 저장하도록 하는 이미지관리부; 및
인공지능학습알고리즘을 이용하여 상기 정상상태이미지를 분석하고 상기 신체일부에 대한 건강상태에 대한 정보를 학습하는 인공지능처리부;를 포함하는 건강검진을 위한 인공지능시스템.
- 제5항에 있어서,
상기 건강상태의 신체일부의 이미지는 카메라(camera), 안저카메라(fundus camera), 내시경(endoscope), 초음파(ultrasonography), 엑스레이(X-ray), 컴퓨터 단층 촬영(computerized tomography), 자기공명(magnetic resonance) 및 양전자 방출 단층촬영(Positron Emission Tomography, PET) 장치 중 적어도 하나 이상에 의하여 얻어진 이미지(image)인 것을 특징으로 하는 건강검진을 위한 인공지능시스템.
- 제5항에 있어서,
상기 건강상태의 신체일부의 이미지는 장기표면이미지(surface anatomy image) 또는 장기내부이미지(internal organ image) 인 것을 특징으로 하는 건강검진을 위한 인공지능시스템.
- 제5항에 있어서,
상기 정상상태이미지는 상기 이미지편집부에 의하여 처리된 상기 건강상태의 신체일부의 이미지의 원본이미지, 상기 원본이미지의 플립이미지, 상기 원본이미지의 그레이스케일 이미지 또는 상기 그레이스케일 이미지의 플립이미지인 것을 특징으로 하는 건강검진을 위한 인공지능시스템.
- 인공지능시스템의 이미지편집부에 의하여 미리 설정된 방법에 의하여 편집된 건강상태의 신체일부의 이미지를 데이터저장부에 정상상태이미지로 저장하도록 하는 이미지관리부 및 인공지능학습알고리즘을 이용하여 상기 정상상태이미지를 분석하고 상기 신체일부에 대한 건강상태정보를 학습하는 인공지능처리부를 포함하는 건강검진을 위한 인공지능시스템을 이용한 건강검진정보 제공방법에 있어서,
상기 인공지능시스템의 건강검진데이터송수신부가 피검이미지를 수신하는 단계;
상기 인공지능처리부가 상기 피검이미지를 검사하여 건강상태에 있지 않은 것으로 판단한 경우, 상기 데이터저장부에 상기 피검이미지를 비정상상태이미지로 정의하여 저장하는 단계;를 포함하는 것을 특징으로 하는 인공지능시스템을 이용한 건강검진정보 제공방법.
- 제1항 내지 제4항 중 어느 한 항에 기재된 방법을 수행하는 프로그램이 기록된 컴퓨터 판독가능한 기록매체.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180057498A KR20190132161A (ko) | 2018-05-18 | 2018-05-18 | 건강검진을 위한 인공지능시스템의 학습방법, 인공지능시스템 및 이를 이용한 건강검진정보 제공방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180057498A KR20190132161A (ko) | 2018-05-18 | 2018-05-18 | 건강검진을 위한 인공지능시스템의 학습방법, 인공지능시스템 및 이를 이용한 건강검진정보 제공방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20190132161A true KR20190132161A (ko) | 2019-11-27 |
Family
ID=68730209
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180057498A KR20190132161A (ko) | 2018-05-18 | 2018-05-18 | 건강검진을 위한 인공지능시스템의 학습방법, 인공지능시스템 및 이를 이용한 건강검진정보 제공방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20190132161A (ko) |
-
2018
- 2018-05-18 KR KR1020180057498A patent/KR20190132161A/ko active Search and Examination
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11869184B2 (en) | Method and device for assisting heart disease diagnosis | |
| KR101977645B1 (ko) | 안구영상 분석방법 | |
| Niemeijer et al. | Automated detection and differentiation of drusen, exudates, and cotton-wool spots in digital color fundus photographs for diabetic retinopathy diagnosis | |
| Trucco et al. | Validating retinal fundus image analysis algorithms: issues and a proposal | |
| AU2014271202B2 (en) | A system and method for remote medical diagnosis | |
| CN113646805A (zh) | 眼科和全身性疾病的基于图像的检测 | |
| Pieczynski et al. | The role of telemedicine, in-home testing and artificial intelligence to alleviate an increasingly burdened healthcare system: Diabetic retinopathy | |
| US20240144478A1 (en) | Method and device for assisting heart disease diagnosis | |
| Abdel-Ghafar et al. | Progress towards automated detection and characterization of the optic disc in glaucoma and diabetic retinopathy | |
| Agrawal et al. | Assistive framework for automatic detection of all the zones in retinopathy of prematurity using deep learning | |
| US20230230232A1 (en) | Machine Learning for Detection of Diseases from External Anterior Eye Images | |
| US20210357696A1 (en) | Processing fundus camera images using machine learning models trained using other modalities | |
| Weinreich et al. | Development of an artificially intelligent mobile phone application to identify cardiac devices on chest radiography | |
| Chiang et al. | Image analysis for retinopathy of prematurity diagnosis | |
| Chen et al. | EE-explorer: a multimodal artificial intelligence system for eye emergency triage and primary diagnosis | |
| Pinos-Velez et al. | Implementation of support tools for the presumptive diagnosis of Glaucoma through identification and processing of medical images of the human eye | |
| KR20190132161A (ko) | 건강검진을 위한 인공지능시스템의 학습방법, 인공지능시스템 및 이를 이용한 건강검진정보 제공방법 | |
| Bhatt et al. | Fuzzy logic system for diabetic eye morbidity prediction | |
| Al-Saedi et al. | Design and Implementation System to Measure the Impact of Diabetic Retinopathy Using Data Mining Techniques | |
| Jeng-Miller et al. | Telemedicine and pediatric retinal disease | |
| CN116635889A (zh) | 从外部眼睛前部图像检测疾病的机器学习 | |
| Vinekar | Screening for ROP | |
| Carnimeo et al. | Monitoring of retinal vessels for diabetic patients in home care assistance | |
| Li et al. | Dual-mode Imaging System for Early Detection and Monitoring of Ocular Surface Diseases | |
| KR20180133081A (ko) | 귀 및 문진을 이용한 건강진단 시스템 및 그 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| X091 | Application refused [patent] | ||
| AMND | Amendment |