KR20200082639A - X-ray INSPECTION SYSTEM BY X-ray IMAGE OPTIMIZATION - Google Patents

X-ray INSPECTION SYSTEM BY X-ray IMAGE OPTIMIZATION Download PDF

Info

Publication number
KR20200082639A
KR20200082639A KR1020180173422A KR20180173422A KR20200082639A KR 20200082639 A KR20200082639 A KR 20200082639A KR 1020180173422 A KR1020180173422 A KR 1020180173422A KR 20180173422 A KR20180173422 A KR 20180173422A KR 20200082639 A KR20200082639 A KR 20200082639A
Authority
KR
South Korea
Prior art keywords
ray image
ray
image
similarity
original
Prior art date
Application number
KR1020180173422A
Other languages
Korean (ko)
Other versions
KR102221711B1 (en
Inventor
이두식
오태현
김수용
Original Assignee
주식회사 아임클라우드
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 아임클라우드 filed Critical 주식회사 아임클라우드
Priority to KR1020180173422A priority Critical patent/KR102221711B1/en
Publication of KR20200082639A publication Critical patent/KR20200082639A/en
Priority to KR1020200094750A priority patent/KR102317343B1/en
Application granted granted Critical
Publication of KR102221711B1 publication Critical patent/KR102221711B1/en

Links

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
    • A61B6/52—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
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Epidemiology (AREA)
  • Biophysics (AREA)
  • Physics & Mathematics (AREA)
  • Optics & Photonics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Physiology (AREA)
  • Veterinary Medicine (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

According to one embodiment of the present invention, disclosed is an X-ray decoding system having a decoding rate increased through X-ray image optimization. The X-ray decoding system includes: an optimization image conversion part converting an original X-ray image into a different image; a deep learning program receiving the original X-ray image and the image converted by the optimization image conversion part, which is a converted X-ray image, to output the similarity of each of the images; and a determination part determining whether there is a disease in the original X-ray image by referring to similarities outputted by the deep learning program. The deep learning program calculates and outputs a similarity between a model and the original X-ray image and a similarity between the model and the converted X-ray image.

Description

X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독시스템{X-ray INSPECTION SYSTEM BY X-ray IMAGE OPTIMIZATION}X-ray reading system with improved reading rate through X-ray image optimization {X-ray INSPECTION SYSTEM BY X-ray IMAGE OPTIMIZATION}

본 발명은 X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독시스템에 관한 것이다. The present invention relates to an X-ray reading system with an improved read rate through X-ray image optimization.

컴퓨터화된 데이터베이스는 음성, 이미지 및 텍스트를 포함하는 여러 종류의 데이터를 저장하기 위해 사용될 수 있다. 이 유연성은 설계자가 텍스트 및 음성과 같은 여러 다른 포맷의 정보를 편성 및 저장하는 데이터 레코드를 가진 데이터베이스를 구성하여, 특히 가까운 장래에 응용할 수 있는 데이터베이스 시스템을 제공할 수 있게 한다. Computerized databases can be used to store various types of data, including voice, images and text. This flexibility allows designers to build databases with data records that organize and store information in different formats, such as text and voice, to provide a database system that is particularly applicable in the near future.

이미지 식별 기술은 현재 중요한 분야로서 최근 몇 년간 빠르게 발전하고 있으며, 용도가 넓어 각 분야에 사용되고 있다. 예를 들면 수기 입력(handwriting input), 우편번호 식별, 한자 식별, 사람 얼굴 식별, 지문 식별 및 홍채 식별 등 기술은 매우 발전하였다. Image identification technology is an important field, and has been rapidly developed in recent years, and is widely used in each field. Techniques such as handwriting input, postal code identification, Chinese character identification, human face identification, fingerprint identification, and iris identification, for example, have been highly advanced.

한편, X-ray 이미지에서 질병을 분석하는 기술이 개발되고 있는데, 이는 인간의 생명과 직결된 부분이므로 보다 정확한 판독을 위한 기술은 항상 요청된다고 할 것이다. Meanwhile, a technique for analyzing a disease in an X-ray image is being developed, and since it is directly related to human life, a technique for more accurate reading is always required.

(1) 한국특허등록번호 KR 10-1710050 (2017.02.20) 이미지 식별시스템 및 방법(1) Korean patent registration number KR 10-1710050 (2017.02.20) Image identification system and method (2) 한국특허등록번호 10-1690264 B1 (2016.12.21) 다중 코드 인식 방법 및 시스템(2) Korean Patent Registration No. 10-1690264 B1 (2016.12.21) Multiple code recognition method and system

본 발명의 하나 이상의 실시예에 따르면, X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독시스템이 제공된다. According to one or more embodiments of the present invention, an X-ray reading system having an improved read rate through X-ray image optimization is provided.

본 발명의 일 실시예에 따르면 X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독시스템에 있어서, According to an embodiment of the present invention, in an X-ray reading system having an improved read rate through X-ray image optimization,

원본 X-ray 이미지를 다른 이미지로 변환하는 최적화 이미지 변환부; 상기 원본 X-ray 이미지와 상기 최적화 이미지 변환부에 의해 변환된 이미지 - 변환 X-ray 이미지 - 를 입력받아서, 각각의 유사도를 출력하는 딥 러닝 프로그램; 상기 딥 러닝 프로그램에 의해 출력된 유사도들을 참조하여, 상기 원본 X-ray 이미지에 질병이 있는지 여부를 판단하는 판단부; 컴퓨터 프로세서; 및 메모리;를 포함하며,An optimized image converter converting the original X-ray image into another image; A deep learning program that receives the original X-ray image and an image converted by the optimized image conversion unit-a converted X-ray image-and outputs respective similarities; A determination unit determining whether there is a disease in the original X-ray image by referring to the similarities output by the deep learning program; Computer processor; And a memory;

상기 딥 러닝 프로그램은 상기 컴퓨터 프로세서의 제어하에 상기 메모리에 로딩되어 모델과 상기 원본 X-ray 이미지와의 유사도와, 상기 모델과 상기 변환 X-ray 이미지와의 유사도를 산출하여 출력하는 것인, X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독시스템이 제공된다. The deep learning program is loaded into the memory under the control of the computer processor to calculate and output the similarity between the model and the original X-ray image, and the similarity between the model and the transformed X-ray image. An X-ray reading system with improved read rate is provided through -ray image optimization.

본 발명의 하나 이상의 실시예에 따르면, X-ray 이미지의 판독률이 향상된다. According to one or more embodiments of the present invention, the read rate of an X-ray image is improved.

도 1은 본 발명의 일 실시예에 따른 X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독시스템을 설명하기 위한 도면이다.
도 2와 도 3은, 본 발명의 일 실시예에 따른 X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독시스템(100)에 사용되는 모델을 생성하는 동작을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독방법을 설명하기 위한 도면이다.1 is a view for explaining an X-ray reading system with an improved read rate through X-ray image optimization according to an embodiment of the present invention.
2 and 3 are diagrams for explaining an operation of generating a model used in the X-ray reading system 100 having an improved read rate through X-ray image optimization according to an embodiment of the present invention.
4 is a view for explaining an X-ray reading method with an improved read rate through X-ray image optimization according to an embodiment of the present invention.

이상의 본 발명의 목적들, 다른 목적들, 특징들 및 이점들은 첨부된 도면과 관련된 이하의 바람직한 실시예들을 통해서 쉽게 이해될 것이다. 그러나 본 발명은 여기서 설명되는 실시예들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 오히려, 여기서 소개되는 실시예들은 개시된 내용이 철저하고 완전해질 수 있도록 그리고 당업자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 제공되는 것이다.The above objects, other objects, features and advantages of the present invention will be readily understood through the following preferred embodiments related to the accompanying drawings. However, the present invention is not limited to the embodiments described herein and may be embodied in other forms. Rather, the embodiments introduced herein are provided to ensure that the disclosed contents are thorough and complete and that the spirit of the present invention is sufficiently conveyed to those skilled in the art.

본 명세서의 다양한 실시예들에서 제1, 제2 등의 용어가 다양한 구성요소들을 기술하기 위해서 사용되었지만, 이들 구성요소들이 이 같은 용어들에 의해서 한정되어서는 안 된다. 이들 용어들은 단지 어느 구성요소를 다른 구성요소와 구별시키기 위해서 사용되었을 뿐이다. 여기에 설명되고 예시되는 실시예들은 그것의 상보적인 실시예들도 포함한다. In various embodiments of the present specification, terms such as first and second are used to describe various components, but these components should not be limited by these terms. These terms are only used to distinguish one component from another component. The embodiments described and illustrated herein also include its complementary embodiments.

본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 '포함한다(comprises)' 및/또는 '포함하는(comprising)'은 언급된 구성요소는 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다.The terminology used herein is for describing the embodiments and is not intended to limit the present invention. In the present specification, the singular form also includes the plural form unless otherwise specified in the phrase. As used herein,'comprises' and/or'comprising' does not exclude the presence or addition of one or more other components.

용어의 정의Definition of Terms

본원 명세서에서, 용어 '소프트웨어'는 컴퓨터에서 하드웨어를 움직이는 기술을 의미하고, 용어 '하드웨어'는 컴퓨터를 구성하는 유형의 장치나 기기(CPU, 메모리, 입력 장치, 출력 장치, 주변 장치 등)를 의미하고, 용어 '단계'는 소정의 목을 달성하기 위해 시계열으로 연결된 일련의 처리 또는 조작을 의미하고, 용어 '프로그램은 컴퓨터로 처리하기에 합한 명령의 집합을 의미하고, 용어 '프로그램 기록 매체'는 프로그램을 설치하고 실행하거나 유통하기 위해 사용되는 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 의미한다. In the present specification, the term'software' refers to a technology for moving hardware in a computer, and the term'hardware' refers to a type of device or device (CPU, memory, input device, output device, peripheral device, etc.) constituting a computer. And the term'step' means a series of processing or manipulations connected in time series to achieve a certain neck, the term'program' means a set of instructions suitable for processing by a computer, and the term'program recording medium' Refers to a computer-readable recording medium that records programs used to install, run, or distribute programs.

본원 명세서에서, 용어들 '이미지'와 '이미지 파일'은 특별히 구별의 실익이 없는 한 구별하지 않고 사용하기로 한다.In the present specification, the terms'image' and'image file' will be used without distinction unless there is a special benefit.

본원 명세서에서, 머신 러닝 프로그램은 여러 비선형 변환기법의 조합을 통해 높은 수준의 추상화(abstractions, 다량의 데이터나 복잡한 자료들 속에서 핵심적인 내용 또는 기능을 요약하는 작업)를 시도하는 기계학습(machine learning) 알고리즘의 집합체를 의미한다. 한편, 딥 러닝 프로그램은 머신 러닝 프로그램의 일종이다. In the present specification, a machine learning program is a machine learning that attempts a high level of abstraction (abstraction of a core content or function in a large amount of data or complex data) through a combination of several nonlinear transformation methods. ) Means a collection of algorithms. Meanwhile, the deep learning program is a kind of machine learning program.

본원 명세서에서, 용어 '모델'은 이미지 데이터에 의해 머신 러닝 프로그램이 트레이닝(학습)되어 생성된 분류자(classifier)를 의미한다.In the present specification, the term'model' means a classifier generated by training (learning) a machine learning program by image data.

본원명세서에서, 용어 '이미지 데이터'는 이미지를 모니터나 프린터로 래스터화 할 수 있는 디지털 데이터의 모음을 의미한다. 이미지는 픽셀이라 불리우리는 단위로 이루어져 있고, 각 픽셀은 밝기 값 또는 컬러 값을 가지는데, 이미지 데이터는 예를 들면 이미지를 이루는 각 필셀이 가지는 밝기 값 또는 컬러 값들일 수 있다. 보다 구체적인 예를 들면, 흑백 이미지일 경우는 각 픽셀은 0~255 사이의 밝기값을 가질 수 있고, 컬러 이미지일 경우는 각 픽셀은 3개의 색 채널(예를 들면, R, G, B)로 표시될 수 있고, 각 채널은 0~255 사이의 밝기값을 가질 수 있다. 여기서, 수치나 색채널의 종류는 본 발명의 설명을 위한 예시적인 것임을 당업자는 이해할 것이다.In this specification, the term'image data' refers to a collection of digital data that can rasterize an image to a monitor or printer. The image is composed of units called pixels, and each pixel has a brightness value or a color value, and the image data may be, for example, brightness values or color values of each pixel of an image. For a more specific example, in the case of a black and white image, each pixel may have a brightness value between 0 and 255, and in the case of a color image, each pixel has three color channels (for example, R, G, B). It may be displayed, and each channel may have a brightness value between 0 and 255. Here, those skilled in the art will understand that the numerical values and types of color channels are exemplary for the purpose of describing the present invention.

본원 명세서에서, 용어 '관리'는 데이터의 '수신', '송신', '저장', '수정', 및 '삭제'를 포함하는 의미로 사용된다.In the present specification, the term'management' is used to mean'receiving','sending','storing','modifying', and'deleting' data.

본원 명세서에서, 'A 단계와 B 단계는 선후가 없다'와 동일하거나 유사한 문장은 A 단계가 B 단계보다 먼저 수행되거나, A 단계가 B 단계보다 나중에 수행되거나, 또는 A 단계와 B 단계가 동시에 수행될 수 있다는 것을 의미한다. In the present specification, a sentence similar to or similar to'Step A and Step B has no precedence' may be performed in Step A before Step B, Step A after Step B, or Step A and Step B at the same time. It means it can be.

이하, 도면들을 참조하여, 본 발명의 실시예들에 대해 상세히 설명하기로 한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the drawings.

도 1은 본 발명의 일 실시예에 따른 X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독시스템을 설명하기 위한 도면이다. 1 is a view for explaining an X-ray reading system with an improved read rate through X-ray image optimization according to an embodiment of the present invention.

도 1을 참조하면, 본 발명의 일 실시예에 따른 X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독시스템(이하, 'X-ray 판독시스템'이라고 함)(100)은 X-ray 이미지를 X-ray 이미지 제공 장치(100)로부터 제공 받아서, 딥 러닝 프로그램을 이용하여 X-ray 이미지에 질병이 있는지 여부를 판단한다. 여기서, X-ray 이미지 제공 장치(100)와 X-ray 판독시스템(100)은 유선으로 서로 직접 연결되거나 또는 통신망(예를 들면, 광역 통신망(WAN), 도시권 통신망(MAN), 근거리 통신망(LAN), 개인 통신망(PAN))으로 데이터를 송수신하도록 연결된다.Referring to FIG. 1, an X-ray reading system (hereinafter referred to as an'X-ray reading system') with an improved reading rate through X-ray image optimization according to an embodiment of the present invention is referred to as X-ray After receiving the image from the X-ray image providing apparatus 100, it is determined whether there is a disease in the X-ray image using a deep learning program. Here, the X-ray image providing device 100 and the X-ray reading system 100 are directly connected to each other by wire or a communication network (for example, a wide area network (WAN), a metropolitan area network (MAN), a local area network (LAN) ), it is connected to send and receive data through a personal communication network (PAN).

본 발명의 일 실시예에 따른 X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독시스템(100)은 최적화 이미지 변환부(201), 딥 러닝 프로그램(203), 판단부(205), 운영체제, 통신부, 컴퓨터 프로세서, 기억장치(휘발성 및/또는 비휘발성 기억장치를 포함함), 및 기타 리소스(소프트웨어 및 하드웨어)를 포함할 수 있다.The X-ray reading system 100 having an improved read rate through X-ray image optimization according to an embodiment of the present invention includes an optimized image conversion unit 201, a deep learning program 203, a determination unit 205, and an operating system. , Communication, computer processor, storage (including volatile and/or non-volatile storage), and other resources (software and hardware).

여기서, 운영체제(OS: OPERATING SYSTEM)은 하드웨어와 응용프로그램(예를 들면, 최적화 이미지 변환부(201), 딥 러닝 프로그램(203), 판단부(205))을 동작적으로 연결시킬 수 있다. 통신부는 외부와의 데이터를 송수신하기 위한 소프트웨어 및 하드웨어로 이루어진 모듈을 의미한다. Here, the operating system (OS: OPERATING SYSTEM) may be operatively connected to the hardware and the application program (for example, the optimized image conversion unit 201, deep learning program 203, the determination unit 205). The communication unit means a module composed of software and hardware for transmitting and receiving data to and from the outside.

여기서, 컴퓨터 프로세서와 기억장치, 운영체제, 최적화 이미지 변환부(201), 딥 러닝 프로그램(203), 판단부(205), 통신부, 및 기타 리소스는 서로 동작적으로(operatively) 연결되어 있다. Here, a computer processor and a storage device, an operating system, an optimized image conversion unit 201, a deep learning program 203, a determination unit 205, a communication unit, and other resources are operatively connected to each other.

최적화 이미지 변환부(201), 딥 러닝 프로그램(203), 및 판단부(205)는 각각 컴퓨터 프로세서의 제어하에 메모리와 같은 기억장치에 로딩되어 자신의 동작을 수행한다. The optimized image conversion unit 201, the deep learning program 203, and the determination unit 205 are each loaded into a storage device such as a memory under the control of a computer processor to perform its own operation.

최적화 이미지 변환부(201)는 X -Ray 이미지 제공 장치(100)로부터 X-ray 이미지를 제공 받으면, 제공받은 X-ray 이미지(이하, '원본 X-ray 이미지')를 최적화 형태로 변환한다. 최적화의 형태의 예를 들면, 원본 X-ray 이미지에 포함된 객체(예를 들면, 주위와 명도가 다른 것 - 암 조직과 같은 것)의 경계선을 명확하게 하는 것일 수 있다. 한편, 본원 명세서에서는, 최적화 이미지 변환부(201)변환 X-ray 이미지를 '변환 X-ray 이미지'라고 언급하기로 한다. The optimized image conversion unit 201 is X -When an X-ray image is provided from the Ray image providing apparatus 100, the provided X-ray image (hereinafter referred to as'original X-ray image') is converted into an optimized form. For example, in the form of optimization, it may be to clarify the boundary of an object included in an original X-ray image (eg, having different brightness from the surroundings-such as cancer tissue). Meanwhile, in the specification of the present application, the converted X-ray image of the optimized image conversion unit 201 will be referred to as a'converted X-ray image'.

최적화 이미지 변환부(201)가 원본 X-ray 이미지를 변환하는 다른 예를 들면, Filtered back-projection(FBP)라고 불리는 방법에 의해 수행될 수 있다. 최적화 이미지 변환부(201)가 원본 X-ray 이미지를 변환하는 또 다른 예를 들면, 최적화 이미지 변환부(201)는 투영 연산(Projection)을 통해서 투영 영상을 구하고, 구한 투영 영상을 디텍터 방향에 대한 필터링 연산(filtartion)과 필터링 된 투영 영산의 역투영(back-projcttion)을 통해서 변환시킬 수 있다(제30회 영상처리 및 이해에 관한 워크샵 2018. 2. 7-2.9, CNN을 이용한 최적화 필터 기반 X-ray CT 영상 복원 방법 참조). For example, the optimized image converter 201 converts the original X-ray image, and may be performed by a method called Filtered Back-Projection (FBP). As another example in which the optimized image converting unit 201 converts the original X-ray image, the optimized image converting unit 201 obtains a projected image through a projection operation and calculates the obtained projected image with respect to the detector direction. Can be transformed through filtering operation and back-projcttion of filtered projection (30th Workshop on Image Processing and Understanding 2018. 2. 7-2.9, based on optimized filter using CNN X -Refer to CT method of ray imaging).

한편, 'CNN을 이용한 최적화 필터 기반 X-ray CT 영상 복원 방법'(제30회 영상처리 및 이해에 관한 워크샵 2018. 2. 7-2.9)에 기재된 내용은 본원 명세서의 일부로서 결합된다.On the other hand, the contents described in the'Optimized Filter-Based X-ray CT Image Restoration Method Using CNN' (30th Workshop 2018 and February 7-2.9 on Image Processing and Understanding) are combined as part of the present specification.

딥 러닝 프로그램(203)은 원본 X-ray 이미지와 변환 X-ray 이미지를 각각 개별적으로 입력받고, 그 결과를 출력한다. The deep learning program 203 receives the original X-ray image and the converted X-ray image individually, and outputs the result.

딥 러닝 프로그램(203)은 원본 X-ray 이미지를 입력받으면, 모델을 이용하여 모델과의 동일 또는 유사성을 나타내는 데이터(예를 들면, '1'을 출력하면, 완전 동일을 의미하고, '0'을 출력하면 완전 비유사를 의미하고, '0'과 '1' 사이의 값은 그 값에 따른 유사성을 나타냄)를 출력한다. The deep learning program 203, when an original X-ray image is input, outputs data representing the same or similarity to the model using the model (for example, if '1' is output, it means the exact same, '0') Outputting means completely dissimilar, and a value between '0' and '1' indicates similarity according to the value).

딥 러닝 프로그램(203)은 변환 X-ray 이미지를 입력받으면, 모델을 이용하여 모델과의 동일 또는 유사성을 나타내는 데이터(이하, '유사도'라고 함)를 출력한다. The deep learning program 203, upon receiving the transformed X-ray image, outputs data (hereinafter referred to as “similarity”) that shows the same or similarity to the model using the model.

즉, 딥 러닝 프로그램(203)은 원본 X-ray 이미지와 변환 X-ray 이미지를 각각 개별적으로 입력받아, 각각에 대하여 모델과의 유사도를 출력한다. That is, the deep learning program 203 receives the original X-ray image and the converted X-ray image separately, and outputs similarity with the model for each.

본 실시예에 따르면, 하나의 원본 X-ray 이미지에 대하여, 딥 러닝 프로그램(203)은 적어도 2개의 유사도를 출력한다.According to this embodiment, for one original X-ray image, the deep learning program 203 outputs at least two similarities.

판단부(205)는, 딥 러닝 프로그램(203)은 2개의 유사도를 참조하여, 원본 X-ray 이미지에 질병이 있는지 여부를 판단한다. The determination unit 205, the deep learning program 203 refers to two similarities, and determines whether there is a disease in the original X-ray image.

예를 들면, 판단부(205)는, 원본 X-ray 이미지의 유사도와 변환 X-ray 이미지의 유사도가 서로 동일하다면, 딥 러닝 프로그램(203)에 의한 유사도는 신뢰성이 있다고 판단하여, 그 유사도에 따른 판단을 한다. For example, if the similarity of the original X-ray image and the similarity of the converted X-ray image are the same, the determination unit 205 determines that the similarity by the deep learning program 203 is reliable, and determines the similarity. Make judgment according to.

다른 예를 들면, 판단부(205)는, 원본 X-ray 이미지의 유사도와 변환 X-ray 이미지의 유사도가 서로 다르지만, 그 다른 정도가 오차 범위(오차 범위는 사용자에 의해 미리 정해져 있음)를 벗어나지 않으면 딥 러닝 프로그램(203)에 의해 산출된 유사도는 신뢰성이 있다고 판단하여, 그 유사도(원본 X-ray 이미지의 유사도와 변환 X-ray 이미지의 유사도 중 어느 하나)에 따른 판단을 한다. For another example, the determination unit 205, the similarity of the original X-ray image and the similarity of the converted X-ray image are different, but the degree of the difference does not deviate from the error range (the error range is predetermined by the user). Otherwise, the similarity calculated by the deep learning program 203 is judged to be reliable, and a determination is made according to the similarity (any of the similarity of the original X-ray image and the similarity of the transformed X-ray image).

또 다른 예를 들면, 판단부(205)는, 원본 X-ray 이미지의 유사도와 변환 X-ray 이미지의 유사도가 서로 다르고, 그 다른 정도가 오차 범위(오차 범위는 사용자에 의해 미리 정해져 있음)를 벗어나면 딥 러닝 프로그램(203)에 의해 산출된 유사도는 신뢰성이 없다고 판단하여, 질병 유무를 결정할 수 없다고 판단할 수 있다. For another example, the determination unit 205, the similarity of the original X-ray image and the similarity of the converted X-ray image are different, and the degree of error is different (the error range is predetermined by the user). If it deviates, it can be determined that the similarity calculated by the deep learning program 203 is not reliable, and thus it is not possible to determine the presence or absence of the disease.

한편, 상술한 실시예에서, 최적화 이미지 변환부(201)는 1개의 변환 X-ray 이미지를 생성하는 것으로 설명하였으나, 1개의 원본 X-ray 이미지에 대하여 2개 이상의 최적화 이미지를 생성하는 것도 가능할 것이다. 즉, 최적화 이미지 변환부(201)는 적어도 1개 이상의 변환 X-ray 이미지를 생성할 수 있고, 딥 러닝 프로그램(203)은 원본 X-ray 이미지에 대한 유사도와, 최적화 이미지 변환부(201)에 의해 생성된 1개 이상의 변환 X-ray 이미지 모두에 대하여 각각 유사도를 출력할 수 있다. 판단부(205)는 딥 러닝 프로그램(203)이 출력하는 유사도 모두를 참조하여 질병 여부를 판단한다.Meanwhile, in the above-described embodiment, the optimized image conversion unit 201 is described as generating one converted X-ray image, but it may be possible to generate two or more optimized images for one original X-ray image. . That is, the optimized image converting unit 201 may generate at least one transformed X-ray image, and the deep learning program 203 may determine the similarity of the original X-ray image and the optimized image converting unit 201. Similarity may be output for all of the one or more transformed X-ray images generated by each. The determination unit 205 refers to all of the similarities output by the deep learning program 203 to determine whether or not the disease.

도 2와 도 3은, 본 발명의 일 실시예에 따른 X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독시스템(100)에 사용되는 모델을 생성하는 동작을 설명하기 위한 도면이다.2 and 3 are diagrams for explaining an operation of generating a model used in the X-ray reading system 100 having an improved read rate through X-ray image optimization according to an embodiment of the present invention.

모델 생성 장치(400)는, 최적화 이미지 변환부(401), 딥 러닝 프로그램(403), 및 운영체제(미 도시), 통신부(미 도시), 컴퓨터 프로세서(미 도시), 기억장치(휘발성 및/또는 비휘발성 기억장치를 포함함)(미 도시), 및 기타 리소스(소프트웨어 및 하드웨어)(미 도시)를 포함할 수 있다.The model generating device 400 includes an optimized image conversion unit 401, a deep learning program 403, and an operating system (not shown), a communication unit (not shown), a computer processor (not shown), and a storage device (volatile and/or Non-volatile storage (not shown), and other resources (software and hardware) (not shown).

여기서, 운영체제(OS: OPERATING SYSTEM)은 하드웨어와 응용프로그램(예를 들면, 최적화 이미지 변환부, 딥 러닝 프로그램)을 동작적으로 연결시킬 수 있다. 통신부(미 도시)는 외부와의 데이터를 송수신하기 위한 소프트웨어 및 하드웨어로 이루어진 모듈을 의미한다. 한편, 컴퓨터 프로세서(미 도시)와 기억장치(미 도시), 운영체제(미 도시), 최적화 이미지 변환부(401), 딥 러닝 프로그램(403), 통신부(미 도시), 및 기타 리소스(미 도시)는 서로 동작적으로(operatively) 연결되어 있다. Here, an operating system (OS: OPERATING SYSTEM) may operatively connect hardware and an application program (for example, an optimized image conversion unit, a deep learning program). The communication unit (not shown) means a module composed of software and hardware for transmitting and receiving data to and from the outside. Meanwhile, a computer processor (not shown) and a storage device (not shown), an operating system (not shown), an optimized image conversion unit 401, a deep learning program 403, a communication unit (not shown), and other resources (not shown) Are operatively connected to each other.

모델 생성 장치(400)는 레이블이 붙은 X-ray 이미지를 이용하여 기계 학습을 함으로써 모델을 생성하며, 생성한 모델을 도 1을 참조하여 설명한 X-ray 판독시스템(100)에게 제공한다.The model generating device 400 generates a model by performing machine learning using a labeled X-ray image, and provides the generated model to the X-ray reading system 100 described with reference to FIG. 1.

여기서, 레이블은 X-ray 이미지에 질병이 있는지 여부를 나타내는 데이터를 의미한다. Here, the label means data indicating whether there is a disease in the X-ray image.

도 2와 도 3을 참조하면, 이들 도면을 참조하면, 질병이 있는지 여부에 대한 레이블이 붙은 복수의 이미지(X-ray 이미지)들에 딥 러닝 프로그램(도 1을 참조하여 설명한 딥 러닝 프로그램(203)과 동일한 것임)이 학습되고, 그러한 학습에 의해 X-ray 이미지에 대한 모델을 생성하는 동작이 수행된다. 이하에서, 레이블이 붙은 X-ray 이미지를 설명의 목적을 위해서 '레이블 X-ray 이미지'라고 언급하기로 한다. 2 and 3, referring to these drawings, a deep learning program (a deep learning program described with reference to FIG. 1) may be applied to a plurality of images (X-ray images) labeled as to whether there is a disease or not. )) is learned, and the operation to generate a model for the X-ray image is performed by such learning. Hereinafter, the labeled X-ray image will be referred to as a'label X-ray image' for purposes of explanation.

본 실시예에 따르면, 레이블 X-ray 이미지를 수신하면 최적화 이미지 변환부(401)는 최적화된 X-ray 이미지로 변환한다. 최적화의 예를 들면, 원본 X-ray 이미지에 포함된 객체(예를 들면, 주위와 명도가 다른 것 - 암 조직과 같은 것)의 경계선을 명확하게 하는 것일 수 있다. 최적화 이미지 변환부(401)의 최적화 방식은 도 1에서의 최적화 이미지 변환부(201)의 변환 방식과 동일해야 한다. According to this embodiment, upon receiving the label X-ray image, the optimized image conversion unit 401 converts the optimized X-ray image. As an example of optimization, it may be to clarify the boundary of an object included in the original X-ray image (eg, having different brightness from the surroundings-such as cancer tissue). The optimization method of the optimization image conversion unit 401 should be the same as the conversion method of the optimization image conversion unit 201 in FIG. 1.

한편, 최적화된 X-ray 이미지에는 원본 X-ray 이미지의 레이블과 동일한 레이블이 부착된다. 딥 러닝 프로그램(403)은, 레이블이 붙은 원본 X-ray 이미지와, 레이블이 붙은 최적화된 X-ray 이미지를 각각 입력 받아서 기계 학습을 통해서 모델을 생성한다. On the other hand, the optimized X-ray image is attached with the same label as the original X-ray image. The deep learning program 403 receives the labeled original X-ray image and the labeled optimized X-ray image, respectively, and generates a model through machine learning.

예를 들면, 모델 생성 장치(400)가 만 개의 원본 X-ray 이미지를 수신하였다고 하면, 딥 러닝 프로그램은 2 만개의 레이블이 붙은 X-ray 이미지를 입력 받아서 모델을 생성하게 된다.For example, if the model generating apparatus 400 receives tens of thousands of original X-ray images, the deep learning program generates models by receiving 20,000 labeled X-ray images.

상술한 실시예에서, 최적화 이미지 변환부(401)는 1개의 변환 X-ray 이미지를 생성하는 것으로 설명하였으나, 1개의 원본 X-ray 이미지에 대하여 2개 이상의 최적화 이미지를 생성하는 것도 가능할 것이다. 즉, 최적화 이미지 변환부(401)는 적어도 1개 이상의 변환 X-ray 이미지를 생성할 수 있고, 딥 러닝 프로그램(403)은 원본 X-ray 이미지와 1개 이상의 변환 X-ray 이미지를 모두 사용하여 모델을 생성할 수 있다.In the above-described embodiment, the optimized image conversion unit 401 has been described as generating one converted X-ray image, but it may also be possible to generate two or more optimized images for one original X-ray image. That is, the optimized image conversion unit 401 may generate at least one converted X-ray image, and the deep learning program 403 uses both the original X-ray image and one or more converted X-ray images. You can create a model.

한편, 모델 생성 장치(400)는 도 1의 X-ray 판독시스템(100)과 별도로 구성되거나, 또는 X-ray 판독시스템(100)과 일체로 구성되는 것도 가능하다. On the other hand, the model generating apparatus 400 may be configured separately from the X-ray reading system 100 of FIG. 1, or may be configured integrally with the X-ray reading system 100.

모델 생성 장치(400)와 X-ray 판독시스템(100)을 일체로 구성할 경우에는, X-ray 판독시스템(100)에 포함된 최적화 이미지 변환부(201)와 딥 러닝 프로그램(203)이, 각각 모델 생성 장치(400)의 최적화 이미지 변환부(401)와 딥 러닝 프로그램(403)의 기능도 병행하게 된다. When the model generating apparatus 400 and the X-ray reading system 100 are integrally configured, the optimized image conversion unit 201 and the deep learning program 203 included in the X-ray reading system 100 may include: The functions of the optimized image conversion unit 401 and the deep learning program 403 of the model generation device 400 are also performed in parallel.

한편, 모델 생성을 위한 딥 러닝 프로그램(403)과 유사도를 산출하기 위한 딥 러닝 프로그램(203)은 서로 동일한 프로그램으로서, 신경망 프로그램일 수 있다. 일 실시예에 따르면, 딥 러닝 프로그램은 Long Short-Term Memory Network 알고리즘에 의해 구현된 프로그램일 수 있다.Meanwhile, the deep learning program 403 for model generation and the deep learning program 203 for calculating similarity are identical programs to each other and may be neural network programs. According to an embodiment, the deep learning program may be a program implemented by a Long Short-Term Memory Network algorithm.

도 3은 본 발명의 일 실시예에 따라서 모델을 생성하는 방법을 설명하기 위한 도면이다. 3 is a diagram for explaining a method of generating a model according to an embodiment of the present invention.

일 실시예에 따르면, 신경망 프로그램은 복수의 노드들로 이루어져 있고, 이들 노드들은 서로 동작적으로 연결되어 있다. 이하에서는 설명의 목적을 위해서 노드에서 이루어지는 동작을 도 3을 참조하여 설명하기로 한다.According to an embodiment, the neural network program is composed of a plurality of nodes, and these nodes are operatively connected to each other. Hereinafter, for the purpose of explanation, the operation performed at the node will be described with reference to FIG. 3.

도 9를 참조하면, 노드로 들어오는 신호들(x1, x2, x3, ... , xn)에 대하여 해당 가중치(w1, w2, w3, ... , wn)가 곱해지고, 전달함수(예를 들면, 가중합(weighted sum))에 의한 연산이 수행되고, 연산 결과는 활성함수(activation function)에 입력으로 사용되며, 활성 함수의 출력값이 노드의 출력이 된다. 통상적으로 활성함수에 의해 각 노드들의 동작특성이 정해진다. 여기서, 노드로 들어오는 신호들(x1, x2, x3, ... , xn)은 1개의 X-ray 이미지를 구성하는 이미지 데이터의 적어도 일부이다. Referring to FIG. 9, corresponding weights (w1, w2, w3, ..., wn) are multiplied by signals (x1, x2, x3, ..., xn) coming into a node, and a transfer function (eg For example, an operation by weighted sum is performed, and the result of the operation is used as an input to an activation function, and the output value of the active function becomes the output of the node. Normally, the operating characteristics of each node are determined by the active function. Here, signals (x1, x2, x3, ..., xn) coming into the node are at least a part of image data constituting one X-ray image.

상술한 바와 같이, 신경망의 각 노드들은 입력 신호의 가중합을 구하고, 활성함수에 가중합을 입력해서 얻은 값을 노드의 외부로 출력한다. 한편, 신경망의 노드들은 어떻게 연결되느냐에 따라서 신경망의 형태가 결정된다. As described above, each node of the neural network obtains a weighted sum of the input signals and outputs a value obtained by inputting a weighted sum to the active function to the outside of the node. Meanwhile, the shape of the neural network is determined according to how the nodes of the neural network are connected.

일 실시예에 따르면, 모델을 생성한다고 함은 상술한 내용에서 각 노드들에서 입력되는 입력신호에 대한 가중치들을 결정하는 것을 의미하고, 모델을 비교한다고 함은 가중치들을 비교하는 것을 의미한다.According to one embodiment, creating a model means determining weights for input signals input from each node in the above description, and comparing a model means comparing weights.

즉, 각 노드에서 전달함수와 활성함수는 결정된 상태이고, 가중치들을 결정하는 과정이 모델을 생성하는 과정이다. 신경망 프로그램에서, 모델을 생성하는 과정을 예시적으로 설명하면 다음과 같다. That is, in each node, the transfer function and the active function are in a determined state, and the process of determining weights is a process of generating a model. The process of generating the model in the neural network program is described as follows.

첫째, 신경망을 구성하는 각 노드들로 입력되는 신호에 대하여 연산되는 가중치를 적당한 값으로 초기화한다. First, the weight calculated for the signals input to each node constituting the neural network is initialized to an appropriate value.

둘째, 지도학습의 학습 데이터 형태인 {입력, 정답}에서 ‘입력’을 신경망에 입력해 출력값을 얻는다. 이 출력 값과 해당 입력의 ‘정답’을 비교해 오차를 계산한다. Second,'input' is input to the neural network in {input, correct answer}, which is a learning data type of supervised learning, to obtain an output value. The error is calculated by comparing this output value with the'correct answer' of the corresponding input.

셋째, 상기 오차가 줄어들도록 신경망의 가중치들을 조절한다.Third, the weights of the neural network are adjusted to reduce the error.

도 4는 본 발명의 일 실시예에 따른 X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독방법을 설명하기 위한 도면이다. 4 is a view for explaining an X-ray reading method with an improved read rate through X-ray image optimization according to an embodiment of the present invention.

본 실시예에 따른 X-ray 판독방법은 예를 들면 도 1를 참조하여 설명한 X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독 시스템에 의해 구현될 수 있다. The X-ray reading method according to the present embodiment may be implemented by an X-ray reading system having an improved reading rate through, for example, X-ray image optimization described with reference to FIG. 1.

도 4를 참조하면, 본 발명의 일 실시예에 따른 X-ray 판독방법은, X-ray 이미지를 입력받는 단계(S101), S101 단계에서 입력받은 X-ray 이미지를 최적화된 X-ray 이미지로 변환하는 단계(S102), 딥 러닝 알고리즘이 모델을 사용하여 모델과의 유사도를 산출하는 단계(S103), 및 S103 단계에서 산출된 유사도를 이용하여 질병 여부를 판단하는 단계(S105)를 포함할 수 있다. Referring to Figure 4, the X-ray reading method according to an embodiment of the present invention, the step of receiving an X-ray image (S101), the X-ray image received in step S101 as an optimized X-ray image The step of converting (S102), the deep learning algorithm using a model to calculate the similarity with the model (S103), and using the similarity calculated in step S103 to determine whether the disease (S105) may include have.

X-ray 이미지를 입력받는 단계(S101)는 X-ray 이미지 제공 장치(100)로부터 X-ray 이미지를 X-ray 판독 시스템(200)이 수신하는 단계이다. The step of receiving an X-ray image (S101) is a step of receiving the X-ray image from the X-ray image providing apparatus 100 by the X-ray reading system 200.

X-ray 이미지로 변환하는 단계(S102)는, 최적화 이미지 변환부(201)가 S101 단계의 수행결과 제공받은 X-ray 이미지(이하, '원본 X-ray 이미지')를 적어도 1개 이상의 변환 X-ray 이미지를 생성하는 단계이다. 최적화의 일 예를 들면, 원본 X-ray 이미지에 포함된 객체(예를 들면, 주위와 명도가 다른 것 - 암 조직과 같은 것)의 경계선을 명확하게 하는 것일 수 있다. In the step of converting to an X-ray image (S102), the optimized image converting unit 201 converts at least one X-ray image (hereinafter referred to as'the original X-ray image') provided as a result of performing the step S101 X This is the step to create a -ray image. As an example of optimization, it may be to clarify the boundary of an object included in the original X-ray image (eg, having different brightness from the surroundings-such as cancer tissue).

원본 X-ray 이미지를 변환하는 다른 예를 들면, Filtered back-projection(FBP)라고 불리는 방법에 의해 수행될 수 있다. 최적화 이미지 변환부(201)가 원본 X-ray 이미지를 변환하는 또 다른 예를 들면, 최적화 이미지 변환부(201)는 투영 연산(Projection)을 통해서 투영 영상을 구하고, 구한 투영 영상을 디텍터 방향에 대한 필터링 연산(filtartion)과 필터링 된 투영 영산의 역투영(back-projcttion)을 통해서 변환시킬 수 있다(제30회 영상처리 및 이해에 관한 워크샵 2018. 2. 7-2.9, CNN을 이용한 최적화 필터 기반 X-ray CT 영상 복원 방법 참조). Another example of converting an original X-ray image can be done by a method called Filtered Back-Projection (FBP). As another example in which the optimized image converting unit 201 converts the original X-ray image, the optimized image converting unit 201 obtains a projected image through a projection operation and calculates the obtained projected image with respect to the detector direction. Can be transformed through filtering operation and back-projcttion of filtered projection (30th Workshop on Image Processing and Understanding 2018. 2. 7-2.9, based on optimized filter using CNN X -Refer to CT method of ray imaging).

모델과의 유사도를 산출하는 단계(S103)는, 딥 러닝 프로그램(203)이 원본 X-ray 이미지와 S102 단계의 수행결과인 변환 X-ray 이미지 각각에 대하여 모델과의 유사도를 산출하는 단계이다. 본 단계의 수행결과 적어도 2개의 유사도가 산출된다.In the step of calculating the similarity with the model (S103), the deep learning program 203 calculates the similarity with the model for each of the original X-ray image and the converted X-ray image, which is the result of the step S102. As a result of performing this step, at least two similarities are calculated.

질병 여부를 판단하는 단계(S105)는, 판단부(205)가 적어도 2개의 유사도를 참조하여, 원본 X-ray 이미지에 질병이 있는지 여부를 판단하는 단계이다.In step S105 of determining whether a disease is present, the determination unit 205 refers to at least two similarities to determine whether there is a disease in the original X-ray image.

질병 여부를 판단하는 단계(S105)에서, 예를 들면, 판단부(205)는, 원본 X-ray 이미지의 유사도와 변환 X-ray 이미지의 유사도가 서로 동일하다면, 딥 러닝 프로그램(203)에 의한 유사도는 신뢰성이 있다고 판단하여, 그 유사도에 따른 판단을 한다. In the step of determining whether the disease (S105), for example, the determination unit 205, if the similarity of the original X-ray image and the similarity of the converted X-ray image is the same, the deep learning program 203 The similarity is judged to be reliable, and the judgment is made according to the similarity.

질병 여부를 판단하는 단계(S105)에서, 다른 예를 들면, 판단부(205)는, 원본 X-ray 이미지의 유사도와 변환 X-ray 이미지의 유사도가 서로 다르지만, 그 다른 정도가 오차 범위(오차 범위는 사용자에 의해 미리 정해져 있음)를 벗어나지 않으면 딥 러닝 프로그램(203)에 의해 산출된 유사도는 신뢰성이 있다고 판단하여, 그 유사도(원본 X-ray 이미지의 유사도와 변환 X-ray 이미지의 유사도 중 어느 하나)에 따른 판단을 한다. In the step (S105) of determining whether the disease is different, for example, the determination unit 205, the similarity of the original X-ray image and the similarity of the transformed X-ray image are different, but the different degree of error range (error If the range does not deviate from the user in advance), the similarity calculated by the deep learning program 203 is determined to be reliable, and the similarity (similarity of the original X-ray image and the similarity of the transformed X-ray image) One).

질병 여부를 판단하는 단계(S105)에서, 또 다른 예를 들면, 판단부(205)는, 원본 X-ray 이미지의 유사도와 변환 X-ray 이미지의 유사도가 서로 다르고, 그 다른 정도가 오차 범위(오차 범위는 사용자에 의해 미리 정해져 있음)를 벗어나면 딥 러닝 프로그램(203)에 의해 산출된 유사도는 신뢰성이 없다고 판단하여, 질병 유무를 결정할 수 없다고 판단할 수 있다. In step S105 of determining whether a disease is present, for another example, the determination unit 205, the similarity of the original X-ray image and the similarity of the transformed X-ray image are different, and the different degree of error range ( If the error range is predetermined by the user), the similarity calculated by the deep learning program 203 is judged to be unreliable, and it can be determined that the presence or absence of the disease cannot be determined.

이와 같이 본 발명은 기재된 실시예에 한정되는 것이 아니고, 본 발명의 사상 및 범위를 벗어나지 않고 다양하게 수정 및 변형할 수 있음은 이 기술의 분야에서 통상의 지식을 가진 자에게 자명하다. 따라서 그러한 수정예 또는 변형예들은 본 발명의 특허청구범위에 속한다 하여야 할 것이다.As described above, the present invention is not limited to the described embodiments, and it is obvious to those skilled in the art that various modifications and modifications can be made without departing from the spirit and scope of the present invention. Therefore, such modifications or variations will have to belong to the claims of the present invention.

100: X-ray 판독시스템
201: 최적화 이미지 변환부
203: 딥 러닝 프로그램
205: 판단부100: X-ray reading system
201: Optimized image conversion unit
203: Deep Learning Program
205: judgment unit

Claims (7)

X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독시스템에 있어서,
원본 X-ray 이미지를 다른 이미지로 변환하는 최적화 이미지 변환부;
상기 원본 X-ray 이미지와 상기 최적화 이미지 변환부에 의해 변환된 이미지 - 변환 X-ray 이미지 - 를 입력받아서, 각각의 유사도를 출력하는 딥 러닝 프로그램;
상기 딥 러닝 프로그램에 의해 출력된 유사도들을 참조하여, 상기 원본 X-ray 이미지에 질병이 있는지 여부를 판단하는 판단부;
컴퓨터 프로세서; 및
메모리;를 포함하며,
상기 딥 러닝 프로그램은 상기 컴퓨터 프로세서의 제어하에 상기 메모리에 로딩되어 모델과 상기 원본 X-ray 이미지와의 유사도와, 상기 모델과 상기 변환 X-ray 이미지와의 유사도를 산출하여 출력하는 것인, X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독시스템. In the X-ray reading system with improved read rate through X-ray image optimization,
An optimized image converter converting the original X-ray image into another image;
A deep learning program that receives the original X-ray image and an image converted by the optimized image conversion unit-a converted X-ray image-and outputs respective similarities;
A determination unit determining whether there is a disease in the original X-ray image by referring to the similarities output by the deep learning program;
Computer processor; And
Memory; and
The deep learning program is loaded into the memory under the control of the computer processor to calculate and output the similarity between the model and the original X-ray image, and the similarity between the model and the transformed X-ray image. -X-ray reading system with improved read rate through image optimization. 제1항에 있어서,
상기 판단부는,
상기 원본 X-ray 이미지의 유사도와 상기 변환 X-ray 이미지의 유사도가 서로 동일하다면, 상기 딥 러닝 프로그램에 의해 산출된 유사도는 신뢰성이 있다고 판단하여, 그 유사도에 따른 판단을 하는 것인, X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독시스템. According to claim 1,
The determination unit,
If the similarity of the original X-ray image and the similarity of the converted X-ray image are the same, the similarity calculated by the deep learning program is judged to be reliable, and judgment is made according to the similarity. X-ray reading system with improved read rate through ray image optimization. 제1항에 있어서,
상기 판단부는,
상기 원본 X-ray 이미지의 유사도와 상기 변환 X-ray 이미지의 유사도가 서로 다르지만, 그 다른 정도가 오차 범위를 벗어나지 않으면 상기 딥 러닝 프로그램에 의해 산출된 유사도들은 신뢰성이 있다고 판단하여, 상기 딥 러닝 프로그램에 의해 산출된 유사도들 중 어느 하나의 유사도에 따른 판단을 하는 것인, X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독시스템. According to claim 1,
The determination unit,
The similarity of the original X-ray image and the similarity of the converted X-ray image are different, but if the different degrees do not deviate from the error range, the similarities calculated by the deep learning program are determined to be reliable, and the deep learning program The X-ray reading system having an improved read rate through X-ray image optimization, which is determined according to any one of the similarities calculated by. 제1항에 있어서,
상기 판단부는,
상기 원본 X-ray 이미지의 유사도와 상기 변환 X-ray 이미지의 유사도가 서로 다르고, 그 다른 정도가 오차 범위를 벗어나면, 상기 딥 러닝 프로그램에 의해 산출된 유사도들은 신뢰성이 없다고 판단하여, 질병 유무를 결정할 수 없다고 판단하는 것인, X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독시스템. According to claim 1,
The determination unit,
If the similarity of the original X-ray image and the similarity of the transformed X-ray image are different, and the degree of difference is outside the error range, the similarities calculated by the deep learning program are judged to be unreliable, and the presence or absence of disease An X-ray reading system with improved read rate through X-ray image optimization, which is judged to be impossible to determine. 제1항에 있어서,
레이블이 붙은 X-ray 이미지 및 상기 레이블이 붙은 X-ray 이미지로부터 변환 X-ray 이미지를 이용하여 상기 모델을 생성하는 모델 생성 장치;를 더 포함하는 것인, X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독시스템. According to claim 1,
A model generation device for generating the model using a labeled X-ray image and a converted X-ray image from the labeled X-ray image, further comprising a read rate through X-ray image optimization This improved X-ray reading system. 제1항에 있어서,
상기 딥 러닝 프로그램은, 또한,
레이블 - X-ray 이미지에 질병이 있는지 여부를 나타내는 데이터 - 이 붙은 X-ray 이미지 및 상기 레이블이 붙은 X-ray 이미지로부터 변환 X-ray 이미지를 이용하여 상기 모델을 생성하는 동작을 수행할 수 있는 것인, X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독시스템. According to claim 1,
The deep learning program, in addition,
Label-Data indicating whether or not the X-ray image has a disease-Converting from the labeled X-ray image and the labeled X-ray image to generate the model using an X-ray image X-ray reading system with improved read rate through optimization of X-ray images. 제6항에 있어서,
상기 최적화 이미지 변환부는 상기 레이블이 붙은 원본 X-ray 이미지를 레이블이 붙은 다른 이미지로 변환하며,
상기 다른 이미지에 붙은 레이블은 상기 원본 X-ray 이미지에 붙은 레이블과 동일한 것인, X-ray 이미지 최적화를 통해 판독률이 향상된 X-ray 판독시스템. The method of claim 6,
The optimized image conversion unit converts the original X-ray image with the label into another labeled image,
The label attached to the other image is the same as the label attached to the original X-ray image.
KR1020180173422A 2018-12-31 2018-12-31 X-ray INSPECTION SYSTEM BY X-ray IMAGE OPTIMIZATION KR102221711B1 (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020180173422A KR102221711B1 (en) 2018-12-31 2018-12-31 X-ray INSPECTION SYSTEM BY X-ray IMAGE OPTIMIZATION
KR1020200094750A KR102317343B1 (en) 2018-12-31 2020-07-29 X-ray INSPECTION SYSTEM BY X-ray IMAGE OPTIMIZATION

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180173422A KR102221711B1 (en) 2018-12-31 2018-12-31 X-ray INSPECTION SYSTEM BY X-ray IMAGE OPTIMIZATION

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020200094750A Division KR102317343B1 (en) 2018-12-31 2020-07-29 X-ray INSPECTION SYSTEM BY X-ray IMAGE OPTIMIZATION

Publications (2)

Publication Number Publication Date
KR20200082639A true KR20200082639A (en) 2020-07-08
KR102221711B1 KR102221711B1 (en) 2021-03-02

Family

ID=71600631

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180173422A KR102221711B1 (en) 2018-12-31 2018-12-31 X-ray INSPECTION SYSTEM BY X-ray IMAGE OPTIMIZATION

Country Status (1)

Country Link
KR (1) KR102221711B1 (en)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102317343B1 (en) * 2018-12-31 2021-10-27 주식회사 아임클라우드 X-ray INSPECTION SYSTEM BY X-ray IMAGE OPTIMIZATION

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101690264B1 (en) 2010-10-15 2017-01-09 에스케이플래닛 주식회사 Method for multi code cognition and system
KR101710050B1 (en) 2014-10-30 2017-02-24 밍 추이 Image identification systems and method
KR20180040287A (en) * 2016-10-12 2018-04-20 (주)헬스허브 System for interpreting medical images through machine learnings
JP2018175226A (en) * 2017-04-10 2018-11-15 富士フイルム株式会社 Medical image classification device, method, and program

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101690264B1 (en) 2010-10-15 2017-01-09 에스케이플래닛 주식회사 Method for multi code cognition and system
KR101710050B1 (en) 2014-10-30 2017-02-24 밍 추이 Image identification systems and method
KR20180040287A (en) * 2016-10-12 2018-04-20 (주)헬스허브 System for interpreting medical images through machine learnings
JP2018175226A (en) * 2017-04-10 2018-11-15 富士フイルム株式会社 Medical image classification device, method, and program

Also Published As

Publication number Publication date
KR102221711B1 (en) 2021-03-02

Similar Documents

Publication Publication Date Title
EP3511942B1 (en) Cross-domain image analysis using deep image-to-image networks and adversarial networks
CN110097130B (en) Training method, device and equipment for classification task model and storage medium
US10692602B1 (en) Structuring free text medical reports with forced taxonomies
US11800976B2 (en) Apparatus and method for image-based eye disease diagnosis
US10748650B1 (en) Machine learning of dental images for E-commerce
CN113240696B (en) Image processing method and device, model training method and device, and electronic equipment
CN112883980B (en) Data processing method and system
Tian et al. 3D tooth instance segmentation learning objectness and affinity in point cloud
CN113256672A (en) Image processing method and device, model training method and device, and electronic equipment
CN113240699B (en) Image processing method and device, model training method and device, and electronic equipment
JP2019220014A (en) Image analyzing apparatus, image analyzing method and program
KR102329546B1 (en) System and method for medical diagnosis using neural network and non-local block
KR102221711B1 (en) X-ray INSPECTION SYSTEM BY X-ray IMAGE OPTIMIZATION
US11880432B2 (en) Confidence measure for a deployed machine learning model
KR20200093510A (en) X-ray INSPECTION SYSTEM BY X-ray IMAGE OPTIMIZATION
JP2020204800A (en) Learning dataset generation system, learning server, and learning dataset generation program
KR102424943B1 (en) Image identification system using multi point hash values
Tahghighi et al. Automatic classification of symmetry of hemithoraces in canine and feline radiographs
US20230289957A1 (en) Disease diagnosis method using neural network trained by using multi-phase biometric image, and disease diagnosis system performing same
KR102227784B1 (en) Image identification system using multi point hash values
KR102270607B1 (en) Inspection system and method for right identification of images in website
US11386991B2 (en) Methods and apparatus for artificial intelligence informed radiological reporting and model refinement
KR102443200B1 (en) New image generation system and method based on compositeness of legally identified images
KR20210024871A (en) Apparatus and method for managing machine-learning model and image analyzing apparatus
KR101998200B1 (en) Same images identification information generation system

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
A107 Divisional application of patent
E701 Decision to grant or registration of patent right
GRNT Written decision to grant