KR20200106326A - 암의 전이 정도를 판단하는 방법 및 이를 수행하기 위한 의료용 전자 장치 - Google Patents
암의 전이 정도를 판단하는 방법 및 이를 수행하기 위한 의료용 전자 장치 Download PDFInfo
- Publication number
- KR20200106326A KR20200106326A KR1020190024693A KR20190024693A KR20200106326A KR 20200106326 A KR20200106326 A KR 20200106326A KR 1020190024693 A KR1020190024693 A KR 1020190024693A KR 20190024693 A KR20190024693 A KR 20190024693A KR 20200106326 A KR20200106326 A KR 20200106326A
- Authority
- KR
- South Korea
- Prior art keywords
- test image
- information
- metastasis
- image
- cancer
- Prior art date
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
- A61B5/0024—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system for multiple sensor units attached to the patient, e.g. using a body or personal area network
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- 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
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Epidemiology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
본원에 개시되는 일 실시 예에 따른 의료용 전자 장치는, 적어도 하나의 테스트 이미지를 획득하기 위한 입력 모듈; 복수의 학습 이미지, 상기 복수의 학습 이미지의 각각에 대응하는 제 1 그룹 전이 정보들, 및 상기 복수의 학습 이미지 및 상기 제 1 그룹 전이 정보들에 기초한 딥 러닝 모델을 저장하는 메모리; 및 상기 입력 모듈 및 상기 메모리와 전기적으로 연결된 적어도 하나의 프로세서;를 포함하고, 상기 적어도 하나의 프로세서는, 상기 입력 모듈을 통해 상기 적어도 하나의 테스트 이미지를 획득하고, 상기 적어도 하나의 테스트 이미지 중 제 1 관심 영역을 획득하고, 상기 딥 러닝 모델에 기초하여 상기 제 1 관심 영역에 대한 적어도 하나의 전이 정보를 생성하도록 설정된 것을 특징으로 할 수 있다. 이 외에, 본 발명을 통해 직접적 또는 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.
Description
본 발명에서 개시되는 실시 예들은, 암의 전이 정도를 판단하는 방법 및 이를 수행하기 위한 의료용 전자 장치에 대한 기술과 관련된다.
암은 조직 내에서 질서를 무시하고 무제한 증식하는 미분화 세포로 구성된 종양을 형성하는 병으로서, 대부분의 경우, 암 조직을 제거하는 방법이 가장 효과적인 치료법으로 인식되고 있다. 암은 진행의 결과로서 다른 장기로 전이되는 현상이 나타나는데, 암의 치료에 있어서, 암의 전이를 미연에 방지하거나 조기에 발견하는 것이 매우 중요하다.
특히, 암에 기인하는 사인의 대부분은 원발소가 아니고, 전이에 의해 생존의 필수적인 장기의 기능 장해에 기인하는 것으로 알려져 있는 바, 주요 장기에 있어서, 전이된 암을 초기에 발견하는 것은 환자의 생존과 직결되는 것이라고 볼 수 있다.
한편, 이러한 중요성에도 불구하고, 전이된 암을 조기에 발견하는 것은 매우 어려운 것이 실정이다. 전이 암의 발견은 대부분 환자의 장기에 대한 단층 촬영 이미지를 의사가 육안으로 판별하는 것에 의존하고 있으나 판별이 용이하지 않은 경우가 많으며, 특히 전이 영역이 매우 작은 초기의 경우에 육안으로 판별하는 것은 매우 어려움이 크다.
한편, 암 환자의 경우, 암의 전이 여부를 판별하기 위해 통상적으로 3개월 가량의 기간을 두고 정기적인 단층 촬영에 임하고 있다. 3개월 안에 비교적 빠르게 진행되는 암의 전이 속도를 감안할 때, 보다 짧은 간격으로 촬영을 하는 것이 전이 암의 조기 발견이라는 목적에 있어서는 더 유리하다. 그러나, 보다 짧은 간격으로 촬영을 하는 것은 단층 촬영이 X선을 이용하고 있는 점을 고려할 때, 환자에게 방사선 조사량이 과다할 위험이 있기 때문에 바람직하지 않다.
이러한 문제들 때문에, 전이 암의 발견은 암의 진행이 꽤 이루어진 이후에야 비로소 이루어지는 경우가 상당하며, 이는 환자의 생존 가능성에 영향을 줄 수도 있다.
한편, 암의 전이를 인식하게 된 많은 경우에 있어서, 그 3개월 전의 단층 촬영 이미지를 사후적으로 재검토하면 3개월 전의 전이 암의 존재를 뒤늦게 알아차리게 되는 경우도 있다. 이러한 경우, 전이 암을 조기에 보다 정확하게 발견할 수 있다면 환자의 생존 가능성은 크게 증대될 수 있으나, 현실적으로 사후적 판단에 의하지 않고 사전에 이를 발견하는 것은 상당한 어려움이 있다.
본원에 개시되는 다양한 실시 예들은 상기와 같은 문제를 해결하기 위한 기술을 제공할 수 있다.
본원에 개시되는 일 실시 예에 따른 의료용 전자 장치는, 적어도 하나의 테스트 이미지를 획득하기 위한 입력 모듈; 복수의 학습 이미지, 상기 복수의 학습 이미지의 각각에 대응하는 제 1 그룹 전이 정보들, 및 상기 복수의 학습 이미지 및 상기 제 1 그룹 전이 정보들에 기초한 딥 러닝 모델을 저장하는 메모리; 및 상기 입력 모듈 및 상기 메모리와 전기적으로 연결된 적어도 하나의 프로세서;를 포함하고, 상기 적어도 하나의 프로세서는, 상기 입력 모듈을 통해 상기 적어도 하나의 테스트 이미지를 획득하고, 상기 적어도 하나의 테스트 이미지 중 제 1 관심 영역을 획득하고, 상기 딥 러닝 모델에 기초하여 상기 제 1 관심 영역에 대한 적어도 하나의 전이 정보를 생성하도록 설정된 것을 특징으로 할 수 있다.
일 실시 예에 따르면, 상기 제 1 관심 영역은 간에 대응하는 영역인 것을 특징으로 할 수 있다.
일 실시 예에 따르면, 상기 적어도 하나의 프로세서는 상기 적어도 하나의 전이 정보에 기초하여 상기 적어도 하나의 테스트 이미지에 대응하는 환자의 상태를 결정하도록 설정될 수 있다.
일 실시 예에서, 상기 제 1 그룹 전이 정보들은 상기 복수의 학습 이미지에 대하여, 각각의 학습 이미지 중 암이 전이된 영역에 대한 크기, 개수, 위치, 명도, 색깔, 및 악성 종양 여부 중 적어도 하나를 포함할 수 있다.
일 실시 예에서, 상기 적어도 하나의 전이 정보는 상기 적어도 하나의 테스트 이미지에 대하여, 상기 제 1 관심 영역 중 암의 전이로 인해 병변된 영역의 크기, 개수, 위치, 명도, 색깔, 및 악성 종양 여부 중 적어도 하나를 포함할 수 있다.
일 실시 예에 따르면, 상기 적어도 하나의 프로세서는 상기 획득된 적어도 하나의 테스트 이미지 및 상기 생성된 적어도 하나의 전이 정보를 상기 메모리에 저장하고, 상기 복수의 학습 이미지, 상기 적어도 하나의 테스트 이미지, 상기 제 1 그룹 전이 정보들, 및 상기 적어도 하나의 전이 정보에 기초하여 상기 딥 러닝 모델을 업데이트 하도록 설정되는 것을 특징으로 할 수 있다.
일 실시 에에 따르면, 상기 입력 모듈은 카메라 모듈을 포함하고, 상기 적어도 하나의 프로세서는 상기 카메라 모듈을 이용하여 상기 적어도 하나의 테스트 이미지를 획득하도록 설정될 수 있다.
일 실시 예에 따르면, 상기 입력 모듈은 외부 전자 장치와 무선 또는 유선으로 통신하기 위한 통신 모듈을 포함하고, 상기 적어도 하나의 프로세서는 상기 통신 모듈을 이용하여 상기 외부 전자 장치로부터 상기 적어도 하나의 테스트 이미지를 획득하도록 설정될 수 있다.
일 실시 예에 따르면, 상기 적어도 하나의 프로세서와 전기적으로 연결되는 출력 모듈을 더 포함하고, 상기 적어도 하나의 프로세서는 상기 적어도 하나의 전이 정보를 상기 출력 모듈을 통해 표시하도록 설정될 수 있다.
일 실시 예에 따르면, 상기 적어도 하나의 테스트 이미지는 제 1 단층 촬영 이미지 및 제 2 단층 촬영 이미지를 포함하고, 상기 적어도 하나의 전이 정보는 상기 적어도 하나의 테스트 이미지에 대하여, 상기 제 1 관심 영역 중 암의 전이로 인해 병변된 영역의 크기를 적어도 포함하고, 상기 적어도 하나의 프로세서는, 상기 입력 모듈을 이용하여 상기 제 1 단층 촬영 이미지에 대응하는 제 1 단층 및 상기 제 2 단층 촬영 이미지에 대응하는 제 2 단층 사이의 간격을 획득하고, 상기 획득된 간격 및 상기 병변된 영역의 크기에 적어도 기초하여 상기 병변된 영역의 부피를 추정하도록 설정되는 것을 특징으로 할 수 있다.
일 실시 예에서, 상기 추정된 부피는 제 1 부피 정보에 대응하고, 상기 메모리에는 상기 적어도 하나의 테스트 이미지에 대응하는 환자에 대하여, 지정된 기간 전에 측정된 병변된 영역의 부피에 대한 제 2 부피 정보가 더 저장되고, 상기 적어도 하나의 프로세서는 상기 제 1 부피 정보 및 상기 제 2 부피 정보에 기초하여 상기 환자에 대한 치료 효과를 평가하도록 설정될 수 있다.
일 실시 예에 따르면, 상기 적어도 하나의 프로세서는 상기 적어도 하나의 테스트 이미지에 포함되는 적어도 하나의 식별 정보를 삭제하는 전처리를 수행하도록 설정될 수 있다.
또한, 본원에 개시되는 일 실시 예에 따른 암의 전이 정도를 판단하는 방법은, 적어도 하나의 테스트 이미지를 획득하는 단계; 상기 획득된 적어도 하나의 테스트 이미지 중 제 1 관심 영역을 획득하는 단계; 및 메모리에 저장된 복수의 학습 이미지 및 상기 복수의 학습 이미지의 각각에 대응하는 제 1 그룹 전이 정보들에 기초하여 형성된 딥 러닝 모델에 기초하여 상기 제 1 관심 영역에 대한 적어도 하나의 전이 정보를 생성하는 단계;를 포함하는 것을 특징으로 할 수 있다.
일 실시 예에 따르면, 상기 방법에서 상기 제 1 관심 영역은 간에 대응하는 영역일 수 있다.
일 실시 에에 따르면, 상기 방법은 상기 적어도 하나의 전이 정보에 기초하여 상기 적어도 하나의 테스트 이미지에 대응하는 환자의 상태를 결정 단계;를 더 포함하는 것을 특징으로 할 수 있다.
일 실시 예에 따르면, 상기 방법에서, 상기 제 1 그룹 전이 정보들은 상기 복수의 학습 이미지에 대하여, 각각의 학습 이미지 중 암이 전이된 영역에 대한 크기, 개수, 위치, 명도, 색깔, 및 악성 종양 여부 중 적어도 하나를 포함하고, 상기 적어도 하나의 전이 정보는 상기 적어도 하나의 테스트 이미지에 대하여, 상기 제 1 관심 영역 중 암의 전이로 인해 병변된 영역의 크기, 개수, 위치, 명도, 색깔, 및 악성 종양 여부 중 적어도 하나를 포함할 수 있다.
일 실시 예에 따르면, 상기 방법은 복수의 학습 이미지를 이용하여 상기 딥 러닝 모델을 획득하고 상기 메모리에 저장하는 단계;를 더 포함하는 것을 특징으로 할 수 있다.
일 실시 예에 따르면, 상기 방법은 상기 획득된 적어도 하나의 테스트 이미지 및 상기 생성된 적어도 하나의 전이 정보를 상기 메모리에 저장하는 단계; 및 상기 복수의 학습 이미지, 상기 적어도 하나의 테스트 이미지, 상기 제 1 그룹 전이 정보들, 및 상기 적어도 하나의 전이 정보에 기초하여 상기 딥 러닝 모델을 업데이트 단계;를 더 포함할 수 있다.
일 실시 예에 따르면, 상기 방법에서, 상기 적어도 하나의 테스트 이미지는 제 1 단층 촬영 이미지 및 제 2 단층 촬영 이미지를 포함하고, 상기 적어도 하나의 전이 정보는 상기 적어도 하나의 테스트 이미지에 대하여, 상기 제 1 관심 영역 중 암의 전이로 인해 병변된 영역의 크기를 적어도 포함할 수 있다. 상기 방법은 상기 제 1 단층 촬영 이미지에 대응하는 제 1 단층 및 상기 제 2 단층 촬영 이미지에 대응하는 제 2 단층 사이의 간격을 획득하는 단계; 및 상기 획득된 간격 및 상기 병변된 영역의 크기에 적어도 기초하여 상기 병변된 영역의 부피를 추정하는 단계;를 더 포함하는 것을 특징으로 할 수 있다.
일 실시 예에 따르면, 상기 추정된 부피는 제 1 부피 정보에 대응하고, 상기 제 1 부피 정보 및 상기 추정된 부피는 제 1 부피 정보에 대응하고, 상기 방법은 상기 제 1 부피 정보 및 상기 적어도 하나의 테스트 이미지에 대응하는 환자에 대하여, 지정된 기간 전에 측정된 병변된 영역의 부피에 대한 제 2 부피 정보에 기초하여 상기 환자에 대한 치료 효과를 평가하는 단계;를 더 포함하는 것을 특징으로 할 수 있다.
본원에 개시되는 다양한 실시 예들에 따르면, 조직 내의 전이 암의 존재를 보다 이른 시기에 판별할 수 있다. 또한, 육안으로 판별하는 것에 비하여 보다 정확하게 전이 암의 존부, 위치, 크기 등을 판단할 수 있기 때문에 암의 전이 정도를 보다 정확하게 판단할 수 있다. 또한, 전이 판별의 정확도는 판별이 반복적으로 실시됨에 따라 지속적으로 향상될 수 있다. 이를 통해, 암의 치료 가능성 및 환자의 생존 가능성을 보다 증대시킬 수 있다.
이 외에, 본원을 통해 직접적 또는 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.
도 1은 일 실시 예에 따른 의료용 전자 장치의 블록도를 나타낸다.
도 2는 일 실시 예에 따른 의료용 전자 장치가 암의 전이와 관련된 정보를 획득하는 방법을 나타내는 흐름도이다.
도 3은 일 실시 예에 따른 의료용 전자 장치가 전이 암의 부피를 통해 치료 효과를 평가하는 방법을 나타내는 흐름도이다.
도 4는 일 실시 에에 따른 의료용 전자 장치가 딥 러닝 모델의 정확도를 향상시키는 방법을 나타내는 흐름도이다.
도 5는 일 실시 예에 따른 의료용 전자 장치가 적어도 하나의 테스트 이미지 중 전이 암의 존재를 판별한 결과를 나타낸 도면이다.
도 2는 일 실시 예에 따른 의료용 전자 장치가 암의 전이와 관련된 정보를 획득하는 방법을 나타내는 흐름도이다.
도 3은 일 실시 예에 따른 의료용 전자 장치가 전이 암의 부피를 통해 치료 효과를 평가하는 방법을 나타내는 흐름도이다.
도 4는 일 실시 에에 따른 의료용 전자 장치가 딥 러닝 모델의 정확도를 향상시키는 방법을 나타내는 흐름도이다.
도 5는 일 실시 예에 따른 의료용 전자 장치가 적어도 하나의 테스트 이미지 중 전이 암의 존재를 판별한 결과를 나타낸 도면이다.
이하, 본 발명의 다양한 실시 예가 첨부된 도면을 참조하여 기재된다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 실시 예의 다양한 변경(modification), 균등물(equivalent), 및/또는 대체물(alternative)을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다.
본원에서, "가진다", "가질 수 있다", "포함한다", 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.
본원에서, "A 또는 B", "A 또는/및 B 중 적어도 하나", 또는 "A 또는/및 B 중 하나 또는 그 이상" 등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B", "A 및 B 중 적어도 하나", 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는 (3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다.
본원에서 사용된 "제 1", "제 2", "첫째", 또는 "둘째" 등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다. 예를 들면, 제 1 사용자 기기와 제 2 사용자 기기는, 순서 또는 중요도와 무관하게, 서로 다른 사용자 기기를 나타낼 수 있다. 예를 들면, 본 발명에 기재된 권리 범위를 벗어나지 않으면서 제 1 구성요소는 제 2 구성요소로 명명될 수 있고, 유사하게 제 2 구성요소도 제 1 구성요소로 바꾸어 명명될 수 있다.
어떤 구성요소(예: 제 1 구성요소)가 다른 구성요소(예: 제 2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어" 있다고 언급된 때에는, 어떤 구성요소가 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제 3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소(예: 제 1 구성요소)가 다른 구성요소(예: 제 2 구성요소)에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 다른 구성요소(예: 제 3 구성요소)가 존재하지 않는 것으로 이해될 수 있다.
본원에서 사용된 표현 "~하도록 구성된(또는 설정된)"은 상황에 따라, 예를 들면, "~에 적합한", "~하는 능력을 가지는", "~하도록 설계된", "~하도록 변경된", "~하도록 만들어진", 또는 "~를 할 수 있는"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성(또는 설정)된"은 하드웨어적으로 "특별히 설계된"것만을 반드시 의미하지 않을 수 있다. 대신, 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성(또는 설정)된 프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다.
본원에서 사용된 용어들은 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 다른 실시 예의 범위를 한정하려는 의도가 아닐 수 있다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 용어들은 본 발명에 기재된 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가질 수 있다. 본 발명에 사용된 용어들 중 일반적인 사전에 정의된 용어들은 관련 기술의 문맥 상 가지는 의미와 동일 또는 유사한 의미로 해석될 수 있으며, 본 발명에서 명백하게 정의되지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다. 경우에 따라서, 본 발명에서 정의된 용어일지라도 본 발명의 실시 예들을 배제하도록 해석될 수 없다.
도 1은 일 실시 예에 따른 의료용 전자 장치의 블록도를 나타낸다.
도 1을 참조하면, 의료용 전자 장치(100)는 입력 모듈(110), 메모리(120), 프로세서(130)를 포함할 수 있다. 다양한 실시 예에 따르면, 의료용 전자 장치(100)의 구성은 도 1에 도시된 바에 한정되지 않을 수 있다. 예를 들면, 의료용 전자 장치(100)는 도 1에 도시된 구성 중 일부를 생략할 수도 있고, 도 1에 도시되지 않은 구성을 추가적으로 더 포함할 수도 있다. 예컨대, 의료용 전자 장치(100)는 적어도 프로세서(130)와 전기적으로 연결되는 출력 모듈을 더 포함할 수도 있다.
입력 모듈(110)은 적어도 하나의 테스트 이미지를 획득할 수 있다. 테스트 이미지는 예를 들면, 인체의 적어도 일부, 예컨대, 간이 포함된 단층 화면을 포함할 수 있다. 일 실시 예에서, 테스트 이미지는 제 1 관심 영역, 예컨대, 간의 영역이 특정되지 않은 이미지일 수 있다. 예를 들면, 테스트 이미지는 간, 위, 비장 등이 포함된 단층 화면으로서 각 장기의 경계가 특정되지 않은 이미지일 수 있다. 다른 실시 예에서, 테스트 이미지는 제 1 관심 영역, 예컨대, 간의 영역이 특정된 이미지일 수도 있다. 예를 들면, 테스트 이미지는 간, 위, 비장 등이 포함된 단층 화면 중 특정 장기, 예컨대, 간의 경계가 특정된 이미지일 수도 있다. 다른 예를 들면, 테스트 이미지는 전처리된 이미지로서, 제 1 관심 영역, 예컨대, 간에 대한 영역만이 추출된 이미지일 수도 있다.
다양한 실시 예에 따르면, 테스트 이미지는 복수일 수 있고, 복수의 테스트 이미지는 적어도 하나의 대상에 대하여 지정된 간격을 두고 촬영된 복수의 단층 화면일 수 있다. 예를 들면, 제 1 테스트 이미지는 적어도 하나의 대상에 대해 제 1 단층을 촬영한 화면일 수 있고, 제 2 테스트 이미지는 적어도 하나의 대상에 대해, 제 1 단층에 지정된 간격을 두고 평행한 제 2 단층을 촬영한 화면일 수 있다. 다양한 실시 예에 따르면, 입력 모듈(110)은 적어도 하나의 테스트 이미지를 순차적으로 또는 동시에 획득할 수 있다. 예를 들면, 입력 모듈(110)은 제 1 테스트 이미지 및 제 2 테스트 이미지를 순차적으로 획득할 수도 있고 동시에 획득할 수도 있다.
일 실시 예에 따르면, 입력 모듈(110)은 복수의 학습 이미지를 획득할 수 있다. 복수의 학습 이미지는 예를 들면, 적어도 하나 이상의 딥 러닝 모델을 획득하기 위한 복수의 샘플 데이터로서 사전에 획득된 데이터의 집합일 수 있다. 예를 들면, 복수의 학습 이미지는 의료 기관 등에서 기존에 축적된 데이터로부터 획득될 수 있다. 복수의 학습 이미지의 종류 및 개수가 많을수록 적어도 하나의 딥 러닝 모델의 정확도는 향상될 수 있다.
일 실시 예에서, 학습 이미지는 제 1 관심 영역, 예컨대, 간의 영역의 특정이 완료된 이미지일 수 있다. 예를 들면, 학습 이미지는 적어도 하나 이상의 환자에 대하여 상기 제 1 관심 영역, 예컨대, 간이 포함된 단층을 촬영한 이미지 중 간의 경계가 특정된 이미지일 수 있다. 다른 실시 예에서, 학습 이미지는 전처리된 이미지로서, 상기 제 1 관심 영역, 예컨대, 간에 대한 이미지만이 추출된 이미지일 수도 있다. 즉, 학습 이미지는 테스트 이미지의 제 1 관심 영역에 대응하는 장기에 대한 이미지를 포함할 수 있다.
일 실시 예에 따르면, 입력 모듈(110)은 복수의 학습 이미지의 각각에 대응하는 전이 정보들의 그룹으로써, 제 1 그룹 전이 정보들을 획득할 수 있다. 일 실시 예에서, 제 1 그룹 전이 정보들은 복수의 학습 이미지에 대하여, 각각의 학습 이미지 중 암이 전이된 영역에 대한 크기, 개수, 위치, 명도, 색깔, 및 악성 종양 여부 중 적어도 하나를 포함하는 정보들일 수 있다. 즉, 제 1 그룹 전이 정보들은 복수의 학습 이미지에 대하여, 각각의 학습 이미지 중 암이 전이된 영역을 구별할 수 있는 적어도 하나의 정보를 포함하는 것으로 이해될 수도 있다.
일 실시 예에 따르면, 복수의 학습 이미지 및 복수의 학습 이미지의 각각에 대응하는 제 1 그룹 전이 정보들은 딥 러닝 모델의 기초가 될 수 있다. 예를 들면, 딥 러닝 모델은 복수의 학습 이미지 및 제 1 그룹 전이 정보들 사이의 연관 관계에 기초하여 형성될 수 있다. 즉, 딥 러닝 모델은 복수의 학습 이미지 및 복수의 학습 이미지 각각에 대한 암이 전이된 영역과 관련된 정보 사이의 연관 관계를 추정하도록 설계될 수 있다. 예컨대, 딥 러닝 모델은 복수의 학습 이미지에 포함되는 복수의 요소들에 대한 가중치를 유도하기 위한 모델일 수 있다. 다양한 실시 예에서, 복수의 요소들 및 가중치는 딥 러닝 모델의 트레이닝 방법 또는 데이터에 기반하여 상이할 수 있다. 일 실시 예에 따르면, 트레이닝 방법은 브이 넷 트레이닝(v-net training)을 포함할 수도 있다. 일 실시 예에 따르면, 딥 러닝 모델은 새로운 학습 이미지 및 새로운 학습 이미지에 대한 전이 정보에 기초하여 업데이트될 수도 있다.
다양한 실시 예에 따르면, 복수의 학습 이미지 및 제 1 그룹 전이 정보들은 상이한 대상에 대한 학습 이미지 및 전이 정보들을 포함할 수도 있고, 동일한 대상에 대한 학습 이미지 및 전이 정보들을 포함할 수도 있다. 예를 들면, 복수의 학습 이미지 및 제 1 그룹 전이 정보들은 복수의 환자들에 대한 제 1 관심 영역 및 제 1 관심 영역에 대한 전이 정보들을 포함할 수 있다. 다른 예를 들면, 복수의 학습 이미지 및 제 1 그룹 전이 정보들은 단일의 환자에 대한 제 1 관심 영역 및 제 1 관심 영역에 대한 전이 정보들을 포함할 수도 있다. 이 경우, 복수의 학습 이미지 및 제 1 그룹 전이 정보들은 단일의 환자에 대한 서로 다른 시점에서의 제 1 관심 영역 및 전이 정보들을 포함할 수 있다.
일 실시 예에서, 복수의 학습 이미지 및 제 1 그룹 전이 정보들이 복수의 환자들에 대한 데이터인 경우, 딥 러닝 모델은 보다 다양한 전이 암 케이스를 통해 트레이닝 될 수 있다. 다른 실시 예에서, 복수의 학습 이미지 및 제 1 그룹 전이 정보들이 단일의 환자들에 대한 서로 다른 시점에서의 데이터인 경우, 딥 러닝 모델은 서로 다른 데이터들 간의 연관성을 통해 보다 이른 시점에서의 전이 암을 발견할 수 있도록 트레이닝 될 수 있다.
다양한 실시 예에 따르면, 입력 모듈(110)은 카메라 모듈, 스캔 모듈, 통신 모듈, 및 사용자 입력 모듈 중 적어도 하나의 모듈을 포함할 수 있다. 예를 들면, 입력 모듈(110)은 카메라 모듈을 포함하고, 카메라 모듈은 테스트 이미지를 촬영할 수 있다. 일 실시 예에서, 촬영된 테스트 이미지는 프로세서(130) 또는 메모리(120)로 전달될 수 있다. 다른 예를 들면, 입력 모듈(110)은 스캔 모듈을 포함하고, 스캔 모듈은 이미 촬영된 테스트 이미지를 스캔하고 전기적 신호로 변환할 수 있다. 일 실시 예에서, 변환된 전기적 신호는 프로세서(130) 또는 메모리(120)로 전달될 수 있다. 또 다른 예를 들면, 입력 모듈(110)은 통신 모듈을 포함하고, 통신 모듈은 외부 전자 장치로부터 무선 통신 또는 유선 통신을 통해 테스트 이미지를 획득할 수 있다. 일 실시 예에서, 획득된 테스트 이미지는 프로세서(130) 또는 메모리(120)로 전달될 수 있다.
일 실시 예에 따르면, 입력 모듈(110)은 테스트 이미지뿐만 아니라 사용자의 입력을 획득할 수도 있다. 예를 들면, 입력 모듈(110)은 사용자 입력 모듈을 포함할 수 있고, 사용자 입력 모듈은 사용자로부터 테스트 이미지의 처리를 위한 다양한 입력을 획득할 수 있다. 일 실시 예에서, 입력 모듈(110)은 사용자로부터 복수의 테스트 이미지에 대하여 각각의 테스트 이미지에 대응하는 단층 사이의 간격을 획득할 수 있다. 다른 실시 예에서, 입력 모듈(110)은 사용자로부터 테스트 이미지에 대하여 제 1 관심 영역을 특정하기 위한 적어도 하나의 입력을 획득할 수도 있다.
메모리(120)는, 휘발성 메모리 또는 또는 비휘발성 메모리를 포함할 수 있다. 휘발성 메모리는, 예를 들면, RAM(random access memory)(예: DRAM, SRAM, 또는 SDRAM)로 구성될 수 있다. 비휘발성 메모리는, 예를 들면, OTPROM(one time programmable read-only memory; ROM), PROM(programmable read-only memory), EPROM(erasable programmable read-only memory), EEPROM(electrically erasable programmable read-only memory), mask ROM, flash ROM, 플래시 메모리, 하드 드라이브, 또는 솔리드 스테이트 드라이브(SSD)로 구성될 수 있다.
다양한 실시 예에 따르면, 메모리(120)는, 예를 들면, 의료용 전자 장치(100)의 적어도 하나의 다른 소프트웨어 구성요소, 예를 들어, 프로그램에 관계된 명령, 정보, 또는 데이터를 저장할 수 있다. 다양한 실시 예에서, 메모리(120)는 입력 모듈(110)로부터 획득된 정보들 또는 프로세서(130)로부터 처리된 정보들을 저장할 수 있다. 다양한 실시 예에서, 입력 모듈(110)로부터 획득된 정보들은, 예컨대, 테스트 이미지, 학습 이미지, 학습 이미지에 대응하는 전이 정보, 및/또는 사용자 입력을 포함할 수 있다. 다양한 실시 예에서, 프로세서(130)로부터 처리된 정보들은, 예컨대, 테스트 이미지에 대응하는 전이 정보, 및/또는 복수의 학습 이미지 및 제 1 그룹 전이 정보들에 기초한 딥 러닝 모델 등을 포함할 수 있다.
프로세서(130)는, 중앙처리장치(Central Processing Unit; CPU), 어플리케이션 프로세서(Application Processor; AP), 또는 커뮤니케이션 프로세서(Communication Processor; CP) 중 하나 또는 그 이상을 포함할 수 있다. 다양한 실시 예에서, 프로세서(130)는, 예를 들면, 운영 체제 또는 응용 프로그램을 구동하여 프로세서(130)에 연결된 의료용 전자 장치(100)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)을 제어할 수 있고, 각종 데이터 처리 및 연산을 수행할 수 있다. 예를 들면, 프로세서(130)는 다른 구성요소들 중 적어도 하나(예: 입력 모듈(110))로부터 수신된 명령 또는 데이터에 대한 연산을 수행하고 결과를 메모리(120)에 저장할 수 있다.
일 실시 예에 따르면, 프로세서(130)는 메모리(120)에 저장된 복수의 학습 이미지 및 복수의 학습 이미지의 각각에 대응하는 제 1 그룹 전이 정보들에 기초하여 적어도 하나 이상의 딥 러닝 모델을 획득할 수 있다. 일 실시 예에서, 프로세서(130)는 딥 러닝 모델을 업데이트할 수도 있다. 예를 들면, 프로세서(130)는 새로운 학습 이미지 및 새로운 학습 이미지에 대응하는 적어도 하나의 전이 정보를 획득하고, 획득된 이미지 및 정보에 적어도 기초하여 메모리(120)에 저장되어 있던 딥 러닝 모델을 업데이트 할 수 있다.
일 실시 예에 따르면, 프로세서(130)는 입력 모듈(110)을 통해 적어도 하나의 테스트 이미지를 획득할 수 있다. 다양한 실시 예에 따르면, 프로세서(130)는 입력 모듈(110)로써 카메라 모듈 또는 통신 모듈을 이용하여 적어도 하나의 테스트 이미지를 획득할 수도 있다.
일 실시 예에 따르면, 프로세서(130)는 획득된 상기 적어도 하나의 테스트 이미지 중 제 1 관심 영역, 예컨대, 간, 신장, 위, 비장 중 어느 하나에 대한 영역을 획득할 수 있다. 일 실시 예에서, 프로세서(130)는 메모리(120)에 저장된 딥 러닝 모델에 기초하여 제 1 관심 영역에 대한 적어도 하나의 전이 정보를 생성할 수 있다. 상기 적어도 하나의 전이 정보는 상기 적어도 하나의 테스트 이미지에 대하여, 상기 제 1 관심 영역 중 암의 전이로 인해 병변된 영역의 크기, 개수, 위치, 명도, 색깔, 및 악성 종양 여부 중 적어도 하나를 포함하는 정보일 수 있다. 상기 병변된 영역은 암의 전이로 인해 조직의 일부가 변성됨에 따라, 변성된 형태가 외부에서 알아볼 수 있도록 나타나는 영역으로 이해될 수 있다. 따라서, 프로세서(130)는 상기 적어도 하나의 테스트 이미지에 대한 암의 전이 여부 및/또는 암의 전이 정도를 판단할 수 있다.
일 실시 예에 따르면, 프로세서(130)는 상기 생성된 적어도 하나의 전이 정보에 기초하여 상기 하나의 테스트 이미지에 대응하는 환자의 상태를 결정할 수 있다. 예를 들면, 프로세서(130)는 상기 적어도 하나의 테스트 이미지에 대한 암의 전이 여부 및/또는 암의 전이 정도로부터 환자의 상태를 복수의 단계 중 어느 하나의 단계에 해당하는지 여부를 결정할 수 있다. 일 실시 예에서, 상기 복수의 단계는 환자의 생존 가능성 또는 완치 가능성에 기초하여 구별되는 단계일 수 있다. 다른 실시 예에서, 상기 복수의 단계는 제 1 관심 영역에 대한 전이 정도에 기초하여 구별되는 단계일 수도 있다.
일 실시 예에 따르면, 프로세서(130)는 적어도 하나의 테스트 이미지에 포함되는 제 1 관심 영역 중 암의 전이로 인해 병변된 영역의 부피를 추정할 수 있다. 예를 들면, 프로세서(130)는 적어도 하나의 테스트의 제 1 관심 영역 중 상기 병변된 영역의 크기를 적어도 하나의 전이 정보로써 획득할 수 있고, 획득된 크기에 기초하여 병변된 영역의 부피를 추정할 수 있다. 예컨대, 프로세서(130)는 입력 모듈(110)을 통해 사용자로부터 적어도 하나의 테스트 이미지가 촬영되는 간격, 예를 들면, 제 1 테스트 이미지가 촬영된 단층 및 제 2 테스트 이미지가 촬영된 단층 사이의 간격 및 획득된 병변된 영역의 크기에 기초하여 병변된 영역의 부피를 추정할 수 있다.
일 실시 예에 따르면, 프로세서(130)는 추정된 병변된 영역의 부피에 적어도 기초하여 적어도 하나의 테스트 이미지에 대응하는 환자의 치료 효과를 평가할 수 있다. 예를 들면, 프로세서(130)는 상기 추정된 병변된 영역의 부피 및 메모리(120)에 저장된 지정된 기간 전에 측정된 병변된 영역의 부피에 기초하여 상기 환자의 치료 효과를 평가할 수 있다. 일 실시 예에서, 상기 지정된 기간 전에 측정된 병변된 영역의 부피는 특정 치료가 이루어지기 전에 측정된 부피일 수 있고, 적어도 하나의 테스트 이미지로부터 획득된 병변된 영역의 부피는 상기 특정 치료가 이루어진 후에 측정된 부피일 수 있다. 이를 통해, 프로세서(130)는 병변된 영역의 부피 변화로부터 특정 치료의 효과를 평가할 수 있고, 상기 특정 치료의 효용성에 대한 평가를 수행할 수도 있다.
다양한 실시 예에 따르면, 의료용 전자 장치(100)는 출력 모듈을 더 포함할 수도 있다. 출력 모듈은, 예를 들면, 적어도 하나의 디스플레이를 포함할 수 있다. 출력 모듈은 프로세서(130)와 전기적으로 연결되고, 프로세서(130)로부터 전달된 데이터를 사용자가 인식할 수 있는 형태로 출력할 수 있다. 다양한 실시 예에서, 사용자가 인식할 수 있는 형태는, 문자, 음성, 이미지, 또는 비디오 중 적어도 하나를 포함할 수 있다. 다양한 실시 예에 따르면, 프로세서(130)는 출력 모듈을 이용하여 상기 적어도 하나의 전이 정보를 표시할 수 있다. 다른 실시 예에 따르면, 프로세서(130)는 출력 모듈을 이용하여 제 1 관심 영역에 대한 암의 전이 여부, 암의 전의 정도, 및/또는 환자의 상태를 표시할 수도 있다.
본원에서 의료용 전자 장치(100)에 포함되는 구성들과 동일한 참조부호를 가지는 구성에 대해서는 도 1에서의 설명이 동일하게 적용될 수 있다.
도 2는 일 실시 예에 따른 의료용 전자 장치가 암의 전이와 관련된 정보를 획득하는 방법을 나타내는 흐름도이다.
도 2를 참조하면, 의료용 전자 장치(100)가 암의 전이와 관련된 정보를 획득하는 방법(200)은 단계 201 내지 단계 205를 포함할 수 있다. 다양한 실시 예에 따르면, 방법(200)은 단계 201 내지 단계 205 중 적어도 하나를 생략할 수도 있고 도 2에 도시되지 않은 단계를 더 포함할 수도 있다. 일 실시 예에 따르면, 단계 201 내지 단계 205는 도 1에 도시된 의료용 전자 장치(100) 또는 프로세서(130)에 의해 실행되는 방법으로 이해될 수 있다.
단계 201에서, 의료용 전자 장치(100)는 적어도 하나의 테스트 이미지를 획득할 수 있다. 다양한 실시 예에 따르면, 테스트 이미지는 입력 모듈, 예컨대, 카메라 모듈, 스캔 모듈, 통신 모듈, 및 사용자 입력 모듈 중 적어도 하나의 모듈을 통해 획득될 수 있다.
단계 203에서, 의료용 전자 장치(100)는 단계 201에서 획득된 적어도 하나의 테스트 이미지 중 제 1 관심 영역을 획득할 수 있다. 제 1 관심 영역은 암의 전이 정도를 판단하기 위한 특정 장기에 대응하는 영역으로 이해될 수 있다. 예컨대, 간에 대한 암의 전이 정도를 판단하려는 경우, 제 1 관심 영역은 간에 대응하는 영역일 수 있다. 다양한 실시 예에 따르면, 적어도 하나의 테스트 이미지 중 제 1 관심 영역의 획득은 사용자 입력을 통해 이루어지거나 다양한 영역 추출 기법, 예컨대, 딥 러닝 알고리즘을 이용한 영역 추출 기법 등을 통해 이루어질 수 있다.
일 실시 예에서, 적어도 하나의 테스트 이미지가 간을 포함하는 단층 촬영 이미지인 경우, 의료용 전자 장치(100)는 상기 적어도 하나의 테스트 이미지 중 간에 대응하는 영역만을 제 1 관심 영역으로 추출하여 획득할 수 있다. 다른 실시 예에서, 적어도 하나의 테스트 이미지가 이미 특정 장기, 예컨대, 간에 대한 이미지만을 포함하는 경우, 제 1 관심 영역은 테스트 이미지 자체로 획득될 수도 있다. 이 경우, 단계 203은 생략되는 것으로 이해될 수도 있다.
단계 205에서, 의료용 전자 장치(100)는 딥 러닝 모델에 기초하여 제 1 관심 영역에 대한 전이 정보를 생성할 수 있다. 일 실시 예에 따르면, 딥 러닝 모델은 메모리(120)에 저장되어 있는 것으로써, 복수의 학습 이미지 및 복수의 학습 이미지들 각각에 대응하는 전이 정보들, 이른바, 제 1 그룹 전이 정보들에 기초하여 형성된 것일 수 있다. 보다 구체적으로, 딥 러닝 모델은 복수의 학습 이미지를 입력 데이터로 하고, 상기 제 1 그룹 전이 정보들을 출력 데이터로 하는 딥 러닝 알고리즘으로 이루어질 수 있다. 다양한 실시 예에서, 딥 러닝 모델은 복수의 학습 이미지들 및 복수의 학습 이미지들에 대응하는 전이 정보 사이의 관계를 이용하여, 테스트 이미지에 포함되는 제 1 관심 영역으로부터 제 1 관심 영역에 대응하는 전이 정보를 생성할 수 있다.
다양한 실시 예에 따르면, 전이 정보들은 이미지에 대하여, 암이 전이된 영역에 대한 크기, 개수, 위치, 명도, 색깔, 및 악성 종양 여부 중 적어도 하나를 포함하는 정보일 수 있다. 예를 들어, 학습 이미지에 대응하는 전이 정보는 학습 이미지 중 암이 전이된 영역에 대한 크기, 개수, 위치, 명도, 색깔, 및 악성 종양 여부 중 적어도 하나를 포함하는 정보일 수 있다. 다른 예를 들어, 테스트 이미지에 대응하는 전이 정보는 테스트 이미지의 제 1 관심 영역 중 암이 전이된 영역에 대한 크기, 개수, 위치, 명도, 색깔, 및 악성 종양 여부 중 적어도 하나를 포함하는 정보일 수 있다.
다양한 실시 예에서, 상기 전이 정보는 전이된 영역에 대한 정보를 포함하고 있으므로, 상기 생성된 전이 정보를 이용하여 제 1 관심 영역에 있어서 암의 전이 여부 또는 암의 전이 정도가 판단될 수 있다. 다양한 실시 예에서, 테스트 이미지의 제 1 관심 영역 중 암이 전이된 영역에 대한 정보는 육안으로 판단되는 것이 아닌, 복수의 학습 이미지로부터 훈련된 딥 러닝 모델에 의해 판단되므로, 보다 이른 시점에 보다 정밀하게 전이 암에 대한 정보를 획득할 수 있고, 암의 전이 여부를 보다 이른 시점에 판단할 수 있다.
도 3은 일 실시 예에 따른 의료용 전자 장치가 전이 암의 부피를 통해 치료 효과를 평가하는 방법을 나타내는 흐름도이다.
도 3을 참조하면, 의료용 전자 장치(100)가 전이 암의 부피를 통해 치료 효과를 평가하는 방법(300)은 단계 301 내지 단계 311을 포함할 수 있다. 다양한 실시 예에 따르면, 방법(300)은 단계 301 내지 단계 311 중 적어도 하나를 생략할 수도 있고 도 3에 도시되지 않은 단계를 더 포함할 수도 있다. 일 실시 예에 따르면, 단계 301 내지 단계 311은 도 1에 도시된 의료용 전자 장치(100) 또는 프로세서(130)에 의해 실행되는 방법으로 이해될 수 있다.
단계 301에서, 의료용 전자 장치(100)는 제 1 단층 촬영 이미지 및 제 2 단층 촬영 이미지를 획득할 수 있다. 제 1 단층 촬영 이미지 및 제 2 단층 촬영 이미지는 지정된 객체, 예컨대, 동일한 환자의 인체에 대하여, 지정된 간격을 두고 평행하게 촬영된 단층 이미지일 수 있다. 제 1 단층 촬영 이미지 및 제 2 단층 촬영 이미지는 모두 적어도 하나의 테스트 이미지로 이해될 수 있다. 다양한 실시 예에서, 제 1 단층 촬영 이미지 및 제 2 단층 촬영 이미지는 동시에 또는 순차적으로 획득될 수 있다.
단계 303에서, 의료용 전자 장치(100)는 제 1 단층 촬영 이미지 중 제 1 관심 영역을 획득하고, 제 2 단층 촬영 이미지 중 제 2 관심 영역을 획득할 수 있다. 일 실시 예에 따르면, 제 1 관심 영역 및 제 2 관심 영역은 동일한 대상, 예컨대, 간에 대응하는 영역으로 이해될 수 있다. 다양한 실시 예에서, 제 1 관심 영역 및 제 2 관심 영역은 간이 아닌 다른 장기에 대응할 수도 있다.
단계 305에서, 의료용 전자 장치(100)는 딥 러닝 모델에 기초하여 제 1 관심 영역에 대한 병변된 영역의 크기 및 제 2 관심 영역에 대한 병변된 영역의 크기를 획득할 수 있다. 딥 러닝 모델은 메모리(120)에 저장되어 있을 수 있으며, 사전에 획득된 복수의 학습 이미지 및 복수의 학습 이미지 각각에 대응하는 제 1 그룹 전이 정보들에 기초하여 형성될 수 있다.
다양한 실시 예에 따르면, 의료용 전자 장치(100)는 단층 촬영 이미지들의 크기 또는 배율, 관심 영역들의 크기 또는 배율 및/또는 관심 영역들과 병변된 영역들 사이의 비율 등에 기초하여 병변된 영역들의 크기(또는 넓이)를 획득할 수 있다.
단계 307에서, 의료용 전자 장치(100)는 제 1 단층 촬영 이미지에 대응하는 제 1 단층 및 제 2 단층 촬영 이미지에 대응하는 제 2 단층 사이의 간격을 획득할 수 있다. 상기 간격은 입력 모듈(110), 예컨대, 통신 모듈 또는 사용자 입력 모듈(110)로부터 획득될 수 있다. 일 실시 예에서, 상기 간격은, 제 1 단층 촬영 이미지 또는 제 2 단층 촬영 이미지의 속성으로부터 획득될 수도 있다.
단계 309에서, 의료용 전자 장치(100)는 상기 단계 305에서 획득된 제 1 관심 영역에 대한 병변된 영역의 크기 및 제 2 관심 영역에 대한 병변된 영역의 크기 및 상기 단계 307에서 획득된 제 1 단층과 제 2 단층 사이의 간격으로부터 획득될 수 있다. 예를 들면, 상기 간격이 매우 미세할 경우, 병변된 영역의 부피는, 단계 305에서 획득된 병변된 영역의 크기들 각각과 상기 간격을 곱한 값들의 합으로 나타낼 수 있다.
일 실시 예에 따르면, 상기 단계 301 내지 309의 과정을 관심 영역들에 대응하는 장기 전체에서 반복하는 경우, 상기 병변된 영역의 부피를 획득할 수 있다.
단계 311에서, 의료용 전자 장치(100)는 환자에 대한 치료 효과를 평가할 수 있다. 예를 들면, 상기 단계 301 내지 309를 지정된 기간을 두고 반복하는 경우 병변된 영역의 부피에 대한 변화를 검출할 수 있다. 예컨대, 상기 지정된 기간 이전에 측정된 부피에 대한 정보가 메모리(120)에 저장되어 있는 경우, 제 1 단층 촬영 이미지 및 제 2 단층 촬영 이미지를 통해 획득한 병변된 영역의 부피가 얼마만큼 변화하였는지 검출할 수 있다.
일 실시 예에서, 상기 지정된 기간 중에 환자에 대하여, 특정 치료가 이루어진 경우, 상기 변화를 통해 상기 특정 치료의 효용성에 대한 평가를 수행할 수 있다. 이를 통해, 다양한 치료 종류 또는 다양한 치료약에 대한 정량적인 평가가 이루어질 수 있다. 다양한 실시 예에 따르면, 의료용 전자 장치(100)는 출력 모듈을 더 포함할 수 있고, 상기 치료 종류 또는 치료약에 대한 정량적인 평가를 출력 모듈에 나타낼 수 있다. 이를 통해, 사용자, 예컨대, 의사 또는 환자는 치료 효과에 대한 정량적인 평가를 확인할 수 있다.
다양한 실시 예에 따르면, 환자의 특성에 따라, 환자에게 적합한 치료가 상이할 수 있다. 따라서, 의사는 상기 정량적으로 평가된 치료 효과에 기초하여, 환자에 대한 치료 방법을 변경시킬지 여부도 결정할 수 있다.
상기와 같이, 단계 301 내지 단계 311을 통해, 의료용 전자 장치(100)는 병변된 영역의 부피를 측정함으로써 환자에 대한 치료 효과를 평가할 수 있다.
도 4는 일 실시 에에 따른 의료용 전자 장치가 딥 러닝 모델의 정확도를 향상시키는 방법을 나타내는 흐름도이다.
도 4를 참조하면, 의료용 전자 장치(100)가 딥 러닝 모델의 정확도를 향상시키는 방법(400)은 단계 401 내지 단계 405를 포함할 수 있다. 다양한 실시 예에 따르면, 방법(400)은 단계 401 내지 단계 405 중 적어도 하나를 생략할 수도 있고 도 4에 도시되지 않은 단계를 더 포함할 수도 있다. 일 실시 예에 따르면, 단계 401 내지 단계 405는 도 1에 도시된 의료용 전자 장치(100) 또는 프로세서(130)에 의해 실행되는 방법으로 이해될 수 있다.
단계 401에서, 의료용 전자 장치(100)는 딥 러닝 모델에 기초하여 테스트 이미지에 대한 전이 정보를 생성할 수 있다. 예를 들면, 의료용 전자 장치(100)는 도 2에 도시된 단계 201 내지 205 의 수행을 통해 테스트 이미지에 대한 전이 정보를 생성할 수 있다.
단계 403에서, 의료용 전자 장치(100)는 테스트 이미지 및 테스트 이미지에 대한 전이 정보를 메모리(120)에 저장할 수 있다. 예를 들면, 상기 테스트 이미지 및 테스트 이미지에 대한 전이 정보는 새로운 학습 이미지와 새로운 전이 정보로 이해될 수 있다. 학습 이미지 및 학습 이미지에 대응하는 전이 정보의 개수가 증가할수록 딥 러닝 모델의 정확도는 높아질 수 있으므로, 의료용 전자 장치(100)는 새로운 학습 이미지 및 새로운 학습 이미지에 대응하는 전이 정보를 메모리(120)에 저장할 수 있다.
단계 405에서, 의료용 전자 장치(100)는 저장된 테스트 이미지 및 테스트 이미지에 대한 전이 정보에 적어도 기초하여 딥 러닝 모델을 업데이트할 수 있다. 예를 들면, 업데이트 전에는 복수의 학습 이미지 및 제 1 그룹 전이 정보들에 기초하여 형성된 딥 러닝 모델은, 복수의 학습 이미지, 제 1 그룹 전이 정보들, 테스트 이미지, 및 테스트 이미지에 대한 전이 정보들에 기초하여 형성될 수 있다.
일 실시 예에 따르면, 단계 403에서 테스트 이미지 및 테스트 이미지에 대한 전이 정보는 새로운 학습 이미지 및 새로운 학습 이미지에 대응하는 전이 정보로 이해될 수 있으며, 이에 따라, 복수의 학습 이미지 및 제 1 그룹 전이 정보들이 갱신된 것으로 이해될 수도 있다. 이 경우, 딥 러닝 모델은 갱신된 복수의 학습 이미지 및 갱신된 제 1 그룹 전이 정보들에 기초하여 업데이트되는 것으로 이해될 수도 있다.
이를 통해, 의료용 전자 장치(100)는 딥 러닝 모델의 정확도를 향상시킬 수 있고, 보다 정확하게 테스트 이미지에 대응하는 전이 정보를 생성함으로써 보다 정확하게 제 1 관심 영역에 대한 전이 정도를 판단할 수 있다.
도 5는 일 실시 예에 따른 의료용 전자 장치가 적어도 하나의 테스트 이미지 중 전이 암의 존재를 판별한 결과를 나타낸 도면이다.
도 5를 참조하면, 제 1 이미지(510) 및 제 2 이미지(520)가 도시된다. 일 실시 예에 따르면, 제 1 이미지(510)는 인체의 적어도 일부, 예컨대, 간이 포함된 단층 화면으로서 테스트 이미지로 이해될 수 있다. 제 2 이미지(520)는 제 1 관심 영역(521)이 획득되고, 딥 러닝 모델에 기초하여 전이 정보(522a, 522b, 522c, 522d)가 생성된 이미지일 수 있다. 제 2 이미지(520) 및 전이 정보(522a, 522b, 522c, 522d)는 메모리에 저장된 후 새로운 학습 이미지로 이용될 수 있다.
일 실시 예에 따르면, 제 1 관심 영역(521)은 간에 해당하는 영역일 수 있다. 일 실시 예에 따르면, 제 1 관심 영역(521)은 사용자 입력에 기초하여 획득될 수 있다. 예를 들면, 제 1 관심 영역(521)은 제 1 이미지(510)에 대한 사용자의 영역 지정 행위에 기초하여 획득될 수 있다. 다른 실시 예에 따르면, 제 1 관심 영역(521)은 딥 러닝 알고리즘에 기초하여 획득될 수도 있다. 예를 들면, 제 1 관심 영역(521)은 부분적으로 특정 영역만을 추출하도록 하는 딥 러닝 알고리즘에 기초하여 자동으로 획득될 수도 있다.
일 실시 예에 따르면, 제 1 관심 영역(521)은 도 5에 도시된 바와 다르게, 제 1 이미지(510)로부터 제 1 관심 영역(521)에 해당하는 영역만 추출되어 표시될 수도 있다. 이 경우, 제 2 이미지(520)는 도 5에 도시된 바와 다르게 제 1 관심 영역(521)을 제외한 바깥 영역은 삭제될 수도 있다.
일 실시 예에서, 본 발명에 따른 딥 러닝 모델을 제 1 이미지(510), 예컨대, 제 1 관심 영역(521)이 획득된 제 1 이미지(510)에 적용하면, 제 2 이미지(520)가 획득될 수 있다. 제 2 이미지(520)는 제 1 관심 영역(521)에 대하여 암의 전이로 인해 병변된 영역에 대한 정보, 즉 전이 정보(522a, 522b, 522c, 522d)가 생성된 이미지일 수 있다. 전이 정보(522a, 522b, 522c, 522d)는 암의 전이로 인해 병변된 영역의 크기, 개수, 위치, 명도, 색깔, 및 악성 종양 여부 중 적어도 하나를 포함하는 것일 수 있다. 일 실시 예에 따르면, 딥 러닝 모델에 의해 전이 정보(522a, 522b, 522c, 522d)가 생성되면, 도 5에 도시된 바와 같이, 제 1 관심 영역(521) 상에 표시될 수 있다. 다른 실시 예에 따르면, 전이 정보는 도 5에 도시된 바와 상이한 방식으로 사용자에게 제공될 수도 있다. 예를 들면, 전이 정보는 별도의 텍스트 화면으로 제공될 수도 있다.
일 실시 예에 따르면, 테스트 이미지, 예컨대, 제 1 이미지(510)는 적어도 하나의 식별 정보를 포함할 수도 있다. 예를 들면, 상기 식별 정보는 환자에 대한 개인 정보, 촬영 일자, 촬영 시간, 촬영 장소, 단층 간격, 또는 축척 정보 중 적어도 하나를 포함할 수도 있다. 일 실시 예에 따르면, 본 발명에 따른 딥 러닝 모델을 적용하기 이전에 전처리 과정, 예컨대, 테스트 이미지 중 상기 식별 정보를 삭제하는 과정 또는 테스트 이미지 중 상기 식별 정보를 제외한 나머지 영역을 추출하는 과정이 수행될 수도 있다. 상기 전처리 과정은, 예를 들면, 도 1에 도시된 프로세서(130) 또는 입력 모듈(110)에 의해 수행될 수도 있다.
일 실시 예에서, 테스트 이미지에 대하여 전처리 과정이 수행되는 경우, 테스트 이미지에 대한 비식별화가 이루어질 수 있고, 목표로 하는 영역에 대한 추출 정확도, 예컨대, 병변된 영역을 추출하는 정확도가 향상될 수도 있다. 즉, 상기 전처리 과정은 딥 러닝 모델의 영역 추출에 대한 정확도를 향상시킬 수 있다.
본원에 개시되는 다양한 실시 예들에 따르면, 조직 내의 전이 암의 존재를 보다 이른 시기에 판별할 수 있다. 또한, 육안으로 판별하는 것에 비하여 보다 정확하게 전이 암의 존부, 위치, 크기 등을 판단할 수 있기 때문에 암의 전이 정도를 보다 정확하게 판단할 수 있다. 또한, 전이 판별의 정확도는 판별이 반복적으로 실시됨에 따라 지속적으로 향상될 수 있다. 이를 통해, 암의 치료 가능성 및 환자의 생존 가능성을 보다 증대시킬 수 있다.
다양한 실시 예에 따르면, 본원에 개시되는 발명은 주로 간에 대해 적용되는 것으로 작성되었으나, 이에 한정되지 않을 수 있다. 예를 들면, 본원에 개시되는 발명은 신체의 각 영역으로 확장 적용될 수 있다.
Claims (20)
- 의료용 전자 장치에 있어서,
적어도 하나의 테스트 이미지를 획득하기 위한 입력 모듈;
복수의 학습 이미지, 상기 복수의 학습 이미지의 각각에 대응하는 제 1 그룹 전이 정보들, 및 상기 복수의 학습 이미지 및 상기 제 1 그룹 전이 정보들에 기초한 딥 러닝 모델을 저장하는 메모리; 및
상기 입력 모듈 및 상기 메모리와 전기적으로 연결된 적어도 하나의 프로세서;를 포함하고, 상기 적어도 하나의 프로세서는,
상기 입력 모듈을 통해 상기 적어도 하나의 테스트 이미지를 획득하고,
상기 적어도 하나의 테스트 이미지 중 제 1 관심 영역을 획득하고,
상기 딥 러닝 모델에 기초하여 상기 제 1 관심 영역에 대한 적어도 하나의 전이 정보를 생성하도록 설정된, 의료용 전자 장치. - 제 1 항에 있어서,
상기 제 1 관심 영역은 간에 대응하는 영역인, 의료용 전자 장치. - 제 1 항에 있어서,
상기 적어도 하나의 프로세서는 상기 적어도 하나의 전이 정보에 기초하여 상기 적어도 하나의 테스트 이미지에 대응하는 환자의 상태를 결정하도록 설정된, 의료용 전자 장치. - 제 1 항에 있어서,
상기 제 1 그룹 전이 정보들은 상기 복수의 학습 이미지에 대하여, 각각의 학습 이미지 중 암이 전이된 영역에 대한 크기, 개수, 위치, 명도, 색깔, 및 악성 종양 여부 중 적어도 하나를 포함하는, 의료용 전자 장치. - 제 1 항에 있어서,
상기 적어도 하나의 전이 정보는 상기 적어도 하나의 테스트 이미지에 대하여, 상기 제 1 관심 영역 중 암의 전이로 인해 병변된 영역의 크기, 개수, 위치, 명도, 색깔, 및 악성 종양 여부 중 적어도 하나를 포함하는, 의료용 전자 장치. - 제 1 항에 있어서,
상기 적어도 하나의 프로세서는 상기 획득된 적어도 하나의 테스트 이미지 및 상기 생성된 적어도 하나의 전이 정보를 상기 메모리에 저장하고,
상기 복수의 학습 이미지, 상기 적어도 하나의 테스트 이미지, 상기 제 1 그룹 전이 정보들, 및 상기 적어도 하나의 전이 정보에 기초하여 상기 딥 러닝 모델을 업데이트 하도록 설정된, 의료용 전자 장치. - 제 1 항에 있어서,
상기 입력 모듈은 카메라 모듈을 포함하고,
상기 적어도 하나의 프로세서는 상기 카메라 모듈을 이용하여 상기 적어도 하나의 테스트 이미지를 획득하도록 설정된, 의료용 전자 장치. - 제 1 항에 있어서,
상기 입력 모듈은 외부 전자 장치와 무선 또는 유선으로 통신하기 위한 통신 모듈을 포함하고,
상기 적어도 하나의 프로세서는 상기 통신 모듈을 이용하여 상기 외부 전자 장치로부터 상기 적어도 하나의 테스트 이미지를 획득하도록 설정된, 의료용 전자 장치. - 제 1 항에 있어서,
상기 적어도 하나의 프로세서와 전기적으로 연결되는 출력 모듈을 더 포함하고,
상기 적어도 하나의 프로세서는 상기 적어도 하나의 전이 정보를 상기 출력 모듈을 통해 표시하도록 설정된, 의료용 전자 장치. - 제 1 항에 있어서,
상기 적어도 하나의 테스트 이미지는 제 1 단층 촬영 이미지 및 제 2 단층 촬영 이미지를 포함하고,
상기 적어도 하나의 전이 정보는 상기 적어도 하나의 테스트 이미지에 대하여, 상기 제 1 관심 영역 중 암의 전이로 인해 병변된 영역의 크기를 적어도 포함하고,
상기 적어도 하나의 프로세서는,
상기 입력 모듈을 이용하여 상기 제 1 단층 촬영 이미지에 대응하는 제 1 단층 및 상기 제 2 단층 촬영 이미지에 대응하는 제 2 단층 사이의 간격을 획득하고,
상기 획득된 간격 및 상기 병변된 영역의 크기에 적어도 기초하여 상기 병변된 영역의 부피를 추정하도록 설정된, 의료용 전자 장치. - 제 10 항에 있어서,
상기 추정된 부피는 제 1 부피 정보에 대응하고,
상기 메모리에는 상기 적어도 하나의 테스트 이미지에 대응하는 환자에 대하여, 지정된 기간 전에 측정된 병변된 영역의 부피에 대한 제 2 부피 정보가 더 저장되고,
상기 적어도 하나의 프로세서는 상기 제 1 부피 정보 및 상기 제 2 부피 정보에 기초하여 상기 환자에 대한 치료 효과를 평가하도록 설정된, 의료용 전자 장치. - 제 1 항에 있어서,
상기 적어도 하나의 프로세서는 상기 적어도 하나의 테스트 이미지에 포함되는 적어도 하나의 식별 정보를 삭제하는 전처리를 수행하도록 설정된, 의료용 전자 장치. - 암의 전이 정도를 판단하는 방법에 있어서,
적어도 하나의 테스트 이미지를 획득하는 단계;
상기 획득된 적어도 하나의 테스트 이미지 중 제 1 관심 영역을 획득하는 단계; 및
메모리에 저장된 복수의 학습 이미지 및 상기 복수의 학습 이미지의 각각에 대응하는 제 1 그룹 전이 정보들에 기초하여 형성된 딥 러닝 모델에 기초하여 상기 제 1 관심 영역에 대한 적어도 하나의 전이 정보를 생성하는 단계;를 포함하는, 암의 전이 정도를 판단하는 방법. - 제 13 항에 있어서,
상기 제 1 관심 영역은 간에 대응하는 영역인, 암의 전이 정도를 판단하는 방법. - 제 13 항에 있어서,
상기 적어도 하나의 전이 정보에 기초하여 상기 적어도 하나의 테스트 이미지에 대응하는 환자의 상태를 결정 단계;를 더 포함하는, 암의 전이 정도를 판단하는 방법. - 제 13 항에 있어서,
상기 제 1 그룹 전이 정보들은 상기 복수의 학습 이미지에 대하여, 각각의 학습 이미지 중 암이 전이된 영역에 대한 크기, 개수, 위치, 명도, 색깔, 및 악성 종양 여부 중 적어도 하나를 포함하고,
상기 적어도 하나의 전이 정보는 상기 적어도 하나의 테스트 이미지에 대하여, 상기 제 1 관심 영역 중 암의 전이로 인해 병변된 영역의 크기, 개수, 위치, 명도, 색깔, 및 악성 종양 여부 중 적어도 하나를 포함하는, 암의 전이 정도를 판단하는 방법. - 제 13 항에 있어서,
복수의 학습 이미지를 이용하여 상기 딥 러닝 모델을 획득하고 상기 메모리에 저장하는 단계;를 더 포함하는, 암의 전이 정도를 판단하는 방법. - 제 13 항에 있어서,
상기 획득된 적어도 하나의 테스트 이미지 및 상기 생성된 적어도 하나의 전이 정보를 상기 메모리에 저장하는 단계; 및
상기 복수의 학습 이미지, 상기 적어도 하나의 테스트 이미지, 상기 제 1 그룹 전이 정보들, 및 상기 적어도 하나의 전이 정보에 기초하여 상기 딥 러닝 모델을 업데이트 단계;를 더 포함하는, 암의 전이 정도를 판단하는 방법. - 제 13 항에 있어서,
상기 적어도 하나의 테스트 이미지는 제 1 단층 촬영 이미지 및 제 2 단층 촬영 이미지를 포함하고,
상기 적어도 하나의 전이 정보는 상기 적어도 하나의 테스트 이미지에 대하여, 상기 제 1 관심 영역 중 암의 전이로 인해 병변된 영역의 크기를 적어도 포함하고,
상기 제 1 단층 촬영 이미지에 대응하는 제 1 단층 및 상기 제 2 단층 촬영 이미지에 대응하는 제 2 단층 사이의 간격을 획득하는 단계; 및
상기 획득된 간격 및 상기 병변된 영역의 크기에 적어도 기초하여 상기 병변된 영역의 부피를 추정하는 단계;를 더 포함하는, 암의 전이 정도를 판단하는 방법. - 제 19 항에 있어서,
상기 추정된 부피는 제 1 부피 정보에 대응하고,
상기 제 1 부피 정보 및 상기 추정된 부피는 제 1 부피 정보에 대응하고,
상기 제 1 부피 정보 및 상기 적어도 하나의 테스트 이미지에 대응하는 환자에 대하여, 지정된 기간 전에 측정된 병변된 영역의 부피에 대한 제 2 부피 정보에 기초하여 상기 환자에 대한 치료 효과를 평가하는 단계;를 더 포함하는, 암의 전이 정도를 판단하는 방법.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190024693A KR102274569B1 (ko) | 2019-03-04 | 2019-03-04 | 암의 전이 정도를 판단하는 방법 및 이를 수행하기 위한 의료용 전자 장치 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190024693A KR102274569B1 (ko) | 2019-03-04 | 2019-03-04 | 암의 전이 정도를 판단하는 방법 및 이를 수행하기 위한 의료용 전자 장치 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20200106326A true KR20200106326A (ko) | 2020-09-14 |
KR102274569B1 KR102274569B1 (ko) | 2021-07-08 |
Family
ID=72471239
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020190024693A KR102274569B1 (ko) | 2019-03-04 | 2019-03-04 | 암의 전이 정도를 판단하는 방법 및 이를 수행하기 위한 의료용 전자 장치 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102274569B1 (ko) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022080848A1 (ko) * | 2020-10-15 | 2022-04-21 | 주식회사 뷰노 | 영상 분석을 위한 사용자 인터페이스 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20000056228A (ko) * | 1999-02-18 | 2000-09-15 | 박종원 | 단층촬영 영상으로부터의 장기 추출 및 체적산출방법 |
KR20080003721A (ko) | 2006-07-03 | 2008-01-08 | 시스멕스 가부시키가이샤 | 암 전이의 판정 방법 및 장치 |
JP2009022756A (ja) * | 2007-07-18 | 2009-02-05 | General Electric Co <Ge> | 画像を評価するための方法およびシステム |
KR20180076504A (ko) * | 2016-12-28 | 2018-07-06 | 아주대학교산학협력단 | 신경망을 이용한 간 경변 예측 장치 및 방법 |
KR20180098869A (ko) * | 2017-02-27 | 2018-09-05 | 재단법인 아산사회복지재단 | 의료영상 내 정보처리방법 |
KR101919866B1 (ko) * | 2018-02-22 | 2018-11-19 | 주식회사 뷰노 | 뼈 스캔 영상에서 암 전이 여부의 판정을 지원하는 방법 및 이를 이용한 장치 |
-
2019
- 2019-03-04 KR KR1020190024693A patent/KR102274569B1/ko active IP Right Grant
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20000056228A (ko) * | 1999-02-18 | 2000-09-15 | 박종원 | 단층촬영 영상으로부터의 장기 추출 및 체적산출방법 |
KR20080003721A (ko) | 2006-07-03 | 2008-01-08 | 시스멕스 가부시키가이샤 | 암 전이의 판정 방법 및 장치 |
JP2009022756A (ja) * | 2007-07-18 | 2009-02-05 | General Electric Co <Ge> | 画像を評価するための方法およびシステム |
KR20180076504A (ko) * | 2016-12-28 | 2018-07-06 | 아주대학교산학협력단 | 신경망을 이용한 간 경변 예측 장치 및 방법 |
KR20180098869A (ko) * | 2017-02-27 | 2018-09-05 | 재단법인 아산사회복지재단 | 의료영상 내 정보처리방법 |
KR101919866B1 (ko) * | 2018-02-22 | 2018-11-19 | 주식회사 뷰노 | 뼈 스캔 영상에서 암 전이 여부의 판정을 지원하는 방법 및 이를 이용한 장치 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022080848A1 (ko) * | 2020-10-15 | 2022-04-21 | 주식회사 뷰노 | 영상 분석을 위한 사용자 인터페이스 |
Also Published As
Publication number | Publication date |
---|---|
KR102274569B1 (ko) | 2021-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10854339B2 (en) | Systems and methods for associating medical images with a patient | |
US20210133473A1 (en) | Learning apparatus and learning method | |
US12056890B2 (en) | Method for measuring volume of organ by using artificial neural network, and apparatus therefor | |
JP6442311B2 (ja) | 核医学画像中の腫瘍輪郭を抽出する技術 | |
KR20190041136A (ko) | Pet 뇌 영상 아밀로이드 측정을 위한 부피 기반 정량지표 분석 방법 및 컴퓨터 프로그램 | |
CN110910342A (zh) | 通过使用深度学习来分析骨骼创伤 | |
KR102274569B1 (ko) | 암의 전이 정도를 판단하는 방법 및 이를 수행하기 위한 의료용 전자 장치 | |
JPWO2020153471A1 (ja) | 推定装置、学習モデル、学習モデルの生成方法、及びコンピュータプログラム | |
JP6442309B2 (ja) | 核医学画像解析技術 | |
US11439341B2 (en) | Diffusion imaging in Parkinson's disease and Parkinsonism | |
Cardoso et al. | The value of 3D images in the aesthetic evaluation of breast cancer conservative treatment. Results from a prospective multicentric clinical trial | |
JP5961512B2 (ja) | 画像処理装置およびその作動方法並びに画像処理プログラム | |
KR20130101867A (ko) | 생체 중의 특정 부위에 대한 분석정보 출력방법 및 장치 | |
KR20190087896A (ko) | 방사선 피부염 평가시스템 및 이를 이용한 평가방법 | |
KR20230118054A (ko) | 의료 영상으로부터 바이오마커 발현을 예측하는 방법및 시스템 | |
CN114742836B (zh) | 医学图像的处理方法、装置及计算机设备 | |
WO2016125349A1 (ja) | 核医学画像解析技術 | |
KR102237009B1 (ko) | 다낭 신 또는 다낭 간의 진행 상태를 판단하는 방법 및 이를 수행하기 위한 의료용 전자 장치 | |
JP6442310B2 (ja) | 核医学画像中の腫瘍領域を抽出する技術 | |
CN111062945A (zh) | 一种早癌医学图像与基因型ai识别***及其方法和应用 | |
TWI616183B (zh) | Non-invasive skin image detection method | |
KR20160035888A (ko) | 내시경 장비를 이용한 진단 보조 장치 및 방법 | |
US20200029818A1 (en) | Determining a tissue type of a tissue of an animal or human individual | |
JP6390458B2 (ja) | 情報処理装置、情報処理システム及び情報処理方法並びに情報処理用プログラム | |
US20230197253A1 (en) | Medical image processing apparatus, method, and program |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |