KR20210030730A - 의료 영상을 해석하는 인공지능 모델을 이용한 폐암 발병 가능성 예측 방법 및 의료 영상 분석 장치 - Google Patents
의료 영상을 해석하는 인공지능 모델을 이용한 폐암 발병 가능성 예측 방법 및 의료 영상 분석 장치 Download PDFInfo
- Publication number
- KR20210030730A KR20210030730A KR1020190112244A KR20190112244A KR20210030730A KR 20210030730 A KR20210030730 A KR 20210030730A KR 1020190112244 A KR1020190112244 A KR 1020190112244A KR 20190112244 A KR20190112244 A KR 20190112244A KR 20210030730 A KR20210030730 A KR 20210030730A
- Authority
- KR
- South Korea
- Prior art keywords
- image
- neural network
- lung cancer
- pet
- fdg
- Prior art date
Links
- 206010058467 Lung neoplasm malignant Diseases 0.000 title claims abstract description 112
- 201000005202 lung cancer Diseases 0.000 title claims abstract description 112
- 208000020816 lung neoplasm Diseases 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims abstract description 116
- ZCXUVYAZINUVJD-AHXZWLDOSA-N 2-deoxy-2-((18)F)fluoro-alpha-D-glucose Chemical compound OC[C@H]1O[C@H](O)[C@H]([18F])[C@@H](O)[C@@H]1O ZCXUVYAZINUVJD-AHXZWLDOSA-N 0.000 claims abstract description 54
- 238000010191 image analysis Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 14
- AOYNUTHNTBLRMT-SLPGGIOYSA-N 2-deoxy-2-fluoro-aldehydo-D-glucose Chemical compound OC[C@@H](O)[C@@H](O)[C@H](O)[C@@H](F)C=O AOYNUTHNTBLRMT-SLPGGIOYSA-N 0.000 claims abstract description 10
- 210000004072 lung Anatomy 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 15
- 238000002591 computed tomography Methods 0.000 description 52
- 238000004458 analytical method Methods 0.000 description 25
- 238000003062 neural network model Methods 0.000 description 19
- 238000002600 positron emission tomography Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 17
- 238000011176 pooling Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 239000000470 constituent Substances 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000011350 2-deoxy-2-(F-18)fluoro-D-glucose positron emission tomography Methods 0.000 description 5
- 206010061218 Inflammation Diseases 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000004054 inflammatory process Effects 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000002757 inflammatory effect Effects 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- ZCXUVYAZINUVJD-UKFBFLRUSA-N 2-deoxy-2-fluoro-alpha-D-glucose Chemical compound OC[C@H]1O[C@H](O)[C@H](F)[C@@H](O)[C@@H]1O ZCXUVYAZINUVJD-UKFBFLRUSA-N 0.000 description 1
- 108010074051 C-Reactive Protein Proteins 0.000 description 1
- 102100032752 C-reactive protein Human genes 0.000 description 1
- 230000006820 DNA synthesis Effects 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 102000015696 Interleukins Human genes 0.000 description 1
- 108010063738 Interleukins Proteins 0.000 description 1
- 102000005157 Somatostatin Human genes 0.000 description 1
- 108010056088 Somatostatin Proteins 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 230000037354 amino acid metabolism Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000011976 chest X-ray Methods 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012239 gene modification Methods 0.000 description 1
- 230000005017 genetic modification Effects 0.000 description 1
- 235000013617 genetically modified food Nutrition 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 230000004153 glucose metabolism Effects 0.000 description 1
- 230000034659 glycolysis Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 210000004969 inflammatory cell Anatomy 0.000 description 1
- 238000010253 intravenous injection Methods 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- NHXLMOGPVYXJNR-ATOGVRKGSA-N somatostatin Chemical compound C([C@H]1C(=O)N[C@H](C(N[C@@H](CO)C(=O)N[C@@H](CSSC[C@@H](C(=O)N[C@@H](CCCCN)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H](CC=2C=CC=CC=2)C(=O)N[C@@H](CC=2C=CC=CC=2)C(=O)N[C@@H](CC=2C3=CC=CC=C3NC=2)C(=O)N[C@@H](CCCCN)C(=O)N[C@H](C(=O)N1)[C@@H](C)O)NC(=O)CNC(=O)[C@H](C)N)C(O)=O)=O)[C@H](O)C)C1=CC=CC=C1 NHXLMOGPVYXJNR-ATOGVRKGSA-N 0.000 description 1
- 229960000553 somatostatin Drugs 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000003325 tomography 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
- 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
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
- G16B40/20—Supervised data analysis
-
- 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
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
- G16B20/20—Allele or variant detection, e.g. single nucleotide polymorphism [SNP] detection
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Epidemiology (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Veterinary Medicine (AREA)
- Optics & Photonics (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- High Energy & Nuclear Physics (AREA)
- Heart & Thoracic Surgery (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pulmonology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Physiology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
Abstract
인공지능 모델을 이용한 폐암 발병 가능성 예측 방법은 영상분석장치가 샘플에 대한 흉부 FDG(fluorodeoxyglucose) PET/CT 영상을 입력받는 단계 및 상기 영상분석장치가 상기 FDG PET/CT 영상을 신경망에 입력하여 상기 샘플에 대한 폐암 발병 가능성을 예측하는 단계를 포함한다. 상기 신경망은 폐암 환자에 대한 흉부 FDG PET/CT 영상에서 폐암 영역을 제외한 훈련 영상을 이용하여 학습된다.
Description
이하 설명하는 기술은 의료 영상을 이용하여 폐암 발병 가능성을 예측하는 기법에 관한 것이다.
폐암은 초기 자각 증상이 거의 없어 대부분 말기에 발견되는 경우가 많다. 전체 폐암 환자의 50~70%를 차지하는 수술이 불가능한 진행성 폐암의 5년 상대 생존율은 6.1%(2011~2015년 기준) 수준이다. 진행성 폐암 환자 10명 중 9명 이상(94%)이 5년 이내에 사망한다.
폐암 조기 발견을 위하여 의료계는 저선량 CT를 매년 시행할 것을 권고하고 있다. 저선량 CT는 흉부 X-선에 비해 조기 폐암이 발견 가능성이 높다.
저선량 CT의 폐암 진단율은 0.3~2.3%로 매우 낮다. 저선량 CT는 20% 가량의 위양성 결과를 보인다. 위양성 진단은 불필요한 침습적 진단을 동반하는 문제가 있다. 또한 반복적인 저선량 CT는 방사선 피폭에 따른 암발생 위험이 있다.
이하 설명하는 기술은 AI(artificial intelligence, 인공지능) 모델을 이용하여 진단 영상을 기준으로 자동으로 폐암 발병 가능성을 예측하는 기법을 제공하고자 한다.
의료 영상을 해석하는 인공지능 모델을 이용한 폐암 발병 가능성 예측 방법은 영상분석장치가 샘플에 대한 흉부 FDG(fluorodeoxyglucose) PET/CT 영상을 입력받는 단계 및 상기 영상분석장치가 상기 FDG PET/CT 영상을 분류 신경망에 입력하여 상기 샘플에 대한 폐암 발병 가능성을 예측하는 단계를 포함한다.
의료 영상 분석 장치는 검사 대상자의 흉부 FDG(fluorodeoxyglucose) PET/CT 영상을 입력받는 입력장치, 흉부 FDG PET/CT 영상을 이용하여 폐암 발병 가능성에 대한 정보를 생성하는 분류 신경망을 저장하는 저장장치 및 상기 입력받은 FDG PET/CT 영상을 상기 분류 신경망에 입력하여 상기 대상자에 대한 폐암 발병 가능성을 예측하는 연산장치를 포함한다.
상기 분류 신경망은 폐암 환자에 대한 FDG PET/CT 영상에서 폐암 영역을 제외한 훈련 영상 및 정상인에 대한 흉부 FDG PET/CT 영상을 이용하여 학습된다.
이하 설명하는 기술은 AI 모델을 이용하여 비침습적으로 폐암 발병 가능성을 예측한다. 따라서, 이하 설명하는 기술은 종래 영상 진단 방법으로 판정이 어려운 폐암발생 고위험 환자를 선별하여, 집중적 관리를 가능케 하고, 폐암 진단율을 높일 수 있다. 이를 통해, 이하 설명하는 기술은 폐암 환자의 생존율 향상을 제고한다.
도 1은 의료 영상을 이용한 폐암 발병 예측 시스템에 대한 예이다.
도 2는 폐암 발병 예측을 위한 신경망 모델의 예이다.
도 3은 폐암 발병 예측을 위한 신경망 모델의 다른 예이다.
도 4는 신경망을 학습하는 과정에 대한 예이다.
도 5는 폐암 발병 정보를 갖는 영상을 생성하는 신경망 모델의 예이다.
도 6은 의료 영상을 이용한 폐암 발병 예측 장치의 구성에 대한 예이다.
도 2는 폐암 발병 예측을 위한 신경망 모델의 예이다.
도 3은 폐암 발병 예측을 위한 신경망 모델의 다른 예이다.
도 4는 신경망을 학습하는 과정에 대한 예이다.
도 5는 폐암 발병 정보를 갖는 영상을 생성하는 신경망 모델의 예이다.
도 6은 의료 영상을 이용한 폐암 발병 예측 장치의 구성에 대한 예이다.
이하 설명하는 기술은 다양한 변경을 가할 수 있고 여러 가지 실시례를 가질 수 있는 바, 특정 실시례들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나, 이는 이하 설명하는 기술을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 이하 설명하는 기술의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 해당 구성요소들은 상기 용어들에 의해 한정되지는 않으며, 단지 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 이하 설명하는 기술의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
본 명세서에서 사용되는 용어에서 단수의 표현은 문맥상 명백하게 다르게 해석되지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함한다" 등의 용어는 설시된 특징, 개수, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 의미하는 것이지, 하나 또는 그 이상의 다른 특징들이나 개수, 단계 동작 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 배제하지 않는 것으로 이해되어야 한다.
도면에 대한 상세한 설명을 하기에 앞서, 본 명세서에서의 구성부들에 대한 구분은 각 구성부가 담당하는 주기능 별로 구분한 것에 불과함을 명확히 하고자 한다. 즉, 이하에서 설명할 2개 이상의 구성부가 하나의 구성부로 합쳐지거나 또는 하나의 구성부가 보다 세분화된 기능별로 2개 이상으로 분화되어 구비될 수도 있다. 그리고 이하에서 설명할 구성부 각각은 자신이 담당하는 주기능 이외에도 다른 구성부가 담당하는 기능 중 일부 또는 전부의 기능을 추가적으로 수행할 수도 있으며, 구성부 각각이 담당하는 주기능 중 일부 기능이 다른 구성부에 의해 전담되어 수행될 수도 있음은 물론이다.
또, 방법 또는 동작 방법을 수행함에 있어서, 상기 방법을 이루는 각 과정들은 문맥상 명백하게 특정 순서를 기재하지 않은 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 과정들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.
이하 설명에서 사용하는 정보 내지 용어에 대하여 먼저 설명한다.
의료 영상은 사용자(환자)에 대한 의학적 정보를 포함하는 영상을 의미한다. 의료 영상은 다양한 기법으로 촬영된 다양한 영상을 포함하는 의미이다. 예컨대, 의료 영상은 X-ray 영상, CT 영상, MRI 영상, PET 영상, PET-CT 영상 등을 의미한다. 이하 설명의 편의를 위해 개별 영상은 CT, PET, PET-CT 등으로 표현한다.
CT는 X 선을 이용한 단층촬영 기법이다. PET는 양전자방출단층촬영 기법이다. PET는 체내의 특정 성분에 양전자를 내는 물질을 정맥 주사한 후 대상자를 촬영한다. PET는 인체에 투입하는 방사성 동위원소 화합물의 종류에 따라 포도당 대사, 아미노산 대사, DNA 합성, 수용체 영상(소마토스타틴 등), 종양에 특이적인 항체, 유전자 영상 등 다양한 분자 영상을 획득할 수 있다.
PET-CT는 양전자방출 단층촬영검사(PET)와 전산화 단층촬영검사(CT)가 결합된 촬영 기법이다. PET-CT는 질환의 형태적 영상(CT)과 기능적 영상(PET)을 동시에 포함한다. 따라서 종래 PET 검사보다 병소 부위를 정확하게 진단할 수 있다.
F-18 FDG(fludeoxyglucose) PET/CT는 F-18 FDG를 이용한 PET/CT이다. F-18 FDG는 포도당처럼 세포 내로 이동되고 세포의 대사 활성도(metabolic activity)에 따라 섭취률이 달라진다. 당분해가 활발히 일어나는 활성화된 염증세포 내에서 F-18 FDG 섭취가 현저하게 증가한다. 따라서, F-18 FDG PET/CT는 염증이 발생한 영역을 모니터링하는데 유용하다. 연구자(의료진)가 대상자에게 F-18 FDG를 일정량 투여하고, 일정 시간이 경과한 후 PET 스캐너를 이용하여 F-18 FDG PET/CT를 얻을 수 있다. 이하 F-18 FDG PET/CT 영상은 F-18 FDG PET/CT 또는 FDG PET/CT라고 명명한다.
이하 설명하는 기술은 폐암 발병 가능성을 예측하는 기법이다. 이하 설명하는 기술은 의료 영상을 분석하여 폐암 발병 가능성을 예측한다. 이하 설명하는 기술은 폐 영역의 염증 특징을 나타내는 다양한 의료 영상이 사용될 수 있다. 이하 F-18 FDG PET/CT 영상을 이용하여 폐암 발병 가능성을 예측한다고 전제한다.
이하 설명하는 기술은 기계학습(machine learning)모델을 사용하여 의료 영상을 분석한다. 기계학습모델은 널리 알려진 바와 같이 다양한 모델이 있다. 이하 설명하는 기술은 인공신경망(artificial neural network)을 사용하여 영상을 분석한다고 가정한다. 인공신경망은 딥러닝 네트워크를 사용할 수 있다. 딥러닝 네트워크는 DNN(Deep Neural Network), CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), RBM(Restricted Boltzmann Machine) 등의 모델일 수 있다. 널리 알려진 딥러닝 모델에 대해서는 자세한 설명을 생략한다.
이하 인공신경망을 이용하여 영상을 분석하는 장치를 영상분석장치라고 명명하다. 영상분석장치는 사전에 학습된 인공신경망을 이용하여 영상을 분석한다. 영상분석장치는 일정한 데이터 처리 내지 신호 처리를 수행할 수 있다. 예컨대, 영상분석장치는 PC, 스마트기기, 서버 등과 같은 장치로 구현될 수 있다.
영상분석장치는 의료 영상을 분석한다. 분석 대상인 영상을 이하 소스 영상이라고 명명한다. 영상분석장치는 인공신경망에 소스 영상을 입력하여 분석 결과를 도출한다.
사용자 내지 대상자는 검사 대상이 되는 사람을 의미한다. 소스 영상은 사용자에 대한 의료 영상이다.
폐암은 의학적으로 다양한 원인(흡연, 유전, 바이러스, 환경 요인 등)에 의하여 발병한다고 알려졌다. 폐암 위험 인자들이 폐실질에 만성적으로 염증성 반응을 일으키고, 유전자 변형을 통해 폐암으로 진행된다고 인식되고 있다. 즉, 염증(inflamation)은 폐암에 대한 병인학적 기능(etiologic role)이 있다고 인식되고 있다. 종래 연구는 주로 폐암 연관 염증을 식별하기 위한 생물학적 마커(C-reactive protein, interleukin 등) 개발에 초점이 있다.
이하 설명하는 기술은 사용자의 흉부 FDG PET/CT 영상을 이용하여 폐암 발병 가능성을 예측한다. 기본적으로 이하 설명하는 기술은 폐암 환자가 아닌 사용자(정상인)를 대상으로 폐암 발병 가능성을 예측한다. 정상인도 흉부 FDG PET/CT 영상에 일정한 염증 병변이 있을 수 있다. 나아가 정상인도 흉부 FDG PET/CT 영상에 판독자의 시각에는 명확하지 않은 염증 관련 특징이 있을 수 있다. 이하 설명하는 기술은 폐암과 관련된 염증 특징을 이용하여 폐암 발병 가능성을 예측한다.
도 1은 의료 영상을 이용한 폐암 발병 예측 시스템(100)에 대한 예이다. 폐암 발병 예측 시스템(100)은 의료 영상 스캔 장치(110) 및 영상분석장치(150, 180)를 포함한다.
의료 영상 스캔 장치(110)는 의료 기관에 설치된 영상 장비이다. 의료 영상 스캔 장치(110)는 사용자를 대상으로 CT, PET, PET/CT 등의 영상을 생성한다. 도 1은 하나의 의료 영상 스캔 장치(110)를 도시하였다. 폐암 발병 예측 시스템(100)은 복수의 의료 영상을 사용할 수 있다. 따라서, 도 1과 달리 서로 다른 종류(복수)의 의료 영상 스캔 장치가 사용될 수 있다. 설명의 편의를 위하여, 의료 영상 스캔 장치(110)는 FDG PET/CT 영상을 생성한다고 가정한다.
도 1은 영상분석장치로 분석 서버(150) 및 분석 PC(180)를 예로 도시하였다. 영상분석장치는 다양한 형태로 구현될 수 있다. 예컨대, 영상분석장치는 휴대 가능한 모바일 기기로 구현될 수도 있다.
폐암 발병 예측 시스템(100)은 분석 서버(150) 또는 분석 PC(180) 중 어느 하나를 포함할 수 있다. 나아가 폐암 발병 예측 시스템(100)은 분석 서버(150) 및 분석 PC(180)를 모두 포함할 수 있다.
분석 서버(150)는 의료 영상 스캔 장치(110)부터 FDG PET/CT 영상을 전달받는다. 분석 서버(150)는 유선 또는 무선 네트워크를 통해 소스 영상을 수신할 수 있다. 분석 서버(150)는 의료 영상을 분석하고, 분석한 결과를 사용자(10)에게 전달한다. 사용자(10)는 사용자 단말을 통해 분석 서버(150)의 분석 결과 또는 영상을 확인할 수 있다. 사용자 단말은 PC, 스마트 기기, 디스플레이 장치 등과 같은 장치를 의미한다.
분석 PC(180)는 의료 영상 스캔 장치(110)가 생성한 FDG PET/CT 영상을 입력받는다. 분석 PC(180)는 유선 또는 무선 네트워크를 통해 FDG PET/CT 영상을 수신할 수 있다. 또는 분석 PC(180)는 FDG PET/CT 영상을 저장한 매체(USB, SD 카드, CD 등)로부터 FDG PET/CT 영상 입력받을 수 있다. 분석 PC(180)는 의료 영상을 분석하고, 분석한 결과를 사용자(20)에게 전달한다. 사용자(20)는 분석 PC(180)를 통해 분석 결과를 확인할 수 있다.
분석 서버(150) 또는 분석 PC(180)는 딥러닝 모델을 사용하여 의료 영상을 분석할 수 있다. 분석 서버(150) 또는 분석 PC(180)는 의료 영상을 분석하여 사용자의 폐암 발병 가능성에 대한 정보를 생성할 수 있다.
도 2는 폐암 발병 예측을 위한 신경망 모델(200)의 예이다. 도 2는 폐암 발병 가능성을 예측하는 영상분석장치에서 사용할 수 있는 신경망 모델(200)에 대한 예이다. 도 2는 하나의 신경망(제1 신경망, 210)을 사용하는 예이다. 제1 신경망(210)은 FDG PET/CT 영상을 입력받아 해당 영상에 대한 폐암 발병 가능성을 예측하는 정보를 출력한다. 제1 신경망(210)은 폐암 발병 가능성에 대하여 고위험(High) 또는 저위험(Low)과 같은 정보를 출력할 수 있다. 이하 소스 영상을 이용하여 폐암 발병 가능성을 판단하는 신경망을 분류 신경망이라고 명명한다. 분류 신경망은 샘플(사용자)의 폐암 발병 가능성을 분류할 수 있다.
도 2에서 제1 신경망(210)은 입력 영상 전체가 아닌, 폐 영역만을 입력받을 수 있다. 이 경우, 입력 영상에 대한 전처리가 필요할 수 있다. 예컨대, 컴퓨터 장치가 시드 기반 영역확장기법(seed-based region growing)을 이용하여 입력 영상을 전처리할 수 있다.
제1 신경망(210)은 CNN과 같은 모델일 수 있다. 제1 신경망(210)은 의료 영상을 입력받고, 의료 영상의 분석 결과인 폐암 발병 가능성 정보를 출력한다. 제1 신경망(210)은 사전에 학습되어야 한다. 제1 신경망(210)은 특정한 유형(FDG PET 또는 FDG PET/CT 중 어느 하나)의 훈련 영상과 훈련 영상의 출처(인간)의 폐암 발병 여부에 대한 정보를 이용하여 훈련될 수 있다. 신경망 훈련 과정은 후술한다.
전술한 바와 같이 신경망 모델은 다양한 모델이 사용될 수 있다. 대표적으로 CNN이 사용될 수 있다. CNN은 다양한 형태의 계층 구조로 구성될 수 있다. 통상적으로 CNN은 컨볼루셔널(합성곱) 계층 (convolution layer)와 풀링 계층 (pooling layer)이 여러 층으로 이루어진 네트워크이다. 예컨대, CNN은 5개의 컨볼루션 계층 + Relu 계층, 2개의 최대 풀링 계층, 2개의 전연결 계층(Fully connected layer) 구조를 가질 수 있다.
컨볼루셔널 계층은 입력 이미지에 대한 컨볼루셔널 연산을 통해 특징맵(feature map)을 출력한다. 이때 컨볼루셔널 연산을 수행하는 필터(filter)를 커널(kernel) 이라고도 부른다. 필터의 크기를 필터 크기 또는 커널 크기라고 한다. 커널을 구성하는 연산 파라미터(parameter)를 커널 파라미터(kernel parameter), 필터 파라미터(filter parameter), 또는 가중치(weight)라고 한다.
컨볼루션 연산은 일정한 크기의 윈도우에서 수행된다. 윈도우는 영상의 좌측 상단에서 우측 하단까지 한 칸씩 이동할 수 있고, 한 번에 이동하는 이동 크기를 조절할 수 있다. 이동 크기를 스트라이드(stride)라고 한다. 컨볼루셔널 계층은 입력이미지에서 윈도우를 이동하면서 입력이미지의 모든 영역에 대하여 컨볼루션 연산을 수행한다. 컨볼루셔널 계층은 영상의 가장 자리에 패딩(padding)을 하여 컨볼루션 연산 후 입력 영상의 차원을 유지할 수 있다.
비선형 연산 계층(nonlinear operation layer)은 뉴런(노드)에서 출력값을 결정하는 계층이다. 비선형 연산 계층은 전달 함수(transfer function)를 사용한다. 전달 함수는 Relu, sigmoid 함수 등이 있다. 도 1은 컨볼루셔널 계층과 Relu를 사용한 예를 도시한다.
풀링 계층(pooling layer)은 컨볼루셔널 계층에서의 연산 결과로 얻은 특징맵을 서브 샘플링(sub sampling)한다. 풀링 연산은 최대 풀링(max pooling)과 평균 풀링(average pooling) 등이 있다. 최대 풀링은 윈도우 내에서 가장 큰 샘플 값을 선택한다. 평균 풀링은 윈도우에 포함된 값의 평균 값으로 샘플링한다.
전연결 계층은 최종적으로 입력 영상을 분류한다. 도 2에서 전연결 계층은 폐암 발병 가능성에 대한 정보를 출력한다.
도 3은 폐암 발병 예측을 위한 신경망 모델(300)의 다른 예이다. 도 3은 두 개의 신경망(제1 신경망, 제2 신경망)을 사용하는 예이다. 제1 신경망(310) 및 제2 신경망(320)은 서로 다른 종류의 딥러닝 모델일 수도 있다.
제1 신경망(310)은 의료 영상에서 원하는 객체가 존재하는 관심 영역(ROI)을 검출한다. 제1 신경망(310)은 소스 영상에서 특정한 영역 내지 객체를 검출(segmentation)하는 모델에 해당한다. 이와 같이 소스 영상에서 객체를 검출하는 유형의 신경망을 검출 신경망이라고 명명한다.
검출 신경망은 소스 영상에서 객체를 식별하고, 해당 객체를 분할(구분)한다. 검출 신경망은 다양한 유형의 모델로 구현될 수 있다. 예컨대, 검출 신경망은 CNN과 같은 유형의 모델일 수 있다. 검출 신경망은 인코더-디코더 구조, FCN(Fully Convolutional Network) 등과 같은 구조를 가질 수 있다.
제1 신경망(310)은 객체 검출을 위한 것으로 의료 영상의 특징 정보를 기준으로 특정한 영역을 검출하고 구분한다. 제1 신경망(310)은 FDG PET/CT 영상에서 폐 영역을 관심 영역(ROI)로 구분할 수 있다. 제1 신경망(310)도 관심 영역 검출을 위하여 사전에 학습되어야 한다.
제2 신경망(320)은 입력되는 의료 영상을 이용하여 폐암 발병 가능성 정보를 출력한다. 제2 신경망(320)은 분류 신경망에 해당한다. 이때, 제2 신경망(320)은 입력 영상으로 제1 신경망(310)이 출력한 영상을 이용할 수 있다. 즉, 제2 신경망(320)은 폐 영역을 기준으로 폐암 발병 가능성에 대한 정보를 출력할 수 있다.
제2 신경망(310)은 CNN과 같은 모델일 수 있다. 제2 신경망(320)은 제1 신경망(310)에서 검출한 관심 영역을 입력받을 수 있다. 또는 제2 신경망(320)은 의료 영상 전체를 입력받되, 관심 영역의 특징 정보만을 이용하여 영상을 분석할 수 있다. 제2 신경망(320)은 관심 영역의 특징 정보를 기준으로 폐암 발병 가능성 정보를 출력한다. 제2 신경망(320)은 사전에 학습되어야 한다. 제2 신경망(320)은 관심 영역 훈련 영상과 해당 영상에 매칭되는 폐암 발병 가능성 정보를 이용하여 훈련될 수 있다.
도 3의 하부에는 입력되는 의료 영상에 대한 예와 출력되는 폐암 발병 가능성 정보의 예를 도시하였다. 의료 영상은 FDG PET/CT 영상을 예로 도시하였다. 제1 신경망(310)은 FDG PET/CT 영상상에서 폐 영역(ROI)을 검출한다. 제2 신경망(320)은 제1 신경망(320) 모델이 출력하는 영상 내지 정보를 입력받아 폐암 발병 가능성 정보를 출력한다. 폐암 발병 가능성 정보는 고위험 또는 저위험일 수 있다.
도 4는 신경망을 학습하는 과정(400)에 대한 예이다. 도 4는 분류 신경망을 학습하는 과정에 대한 예이다. 분류 신경망은 폐암 환자의 FDG PET/CT 영상과 정상인의 FDG PET/CT 영상을 이용하여 학습될 수 있다.
훈련 영상은 전처리를 거칠 수 있다. 예컨대, FDG PET/CT 영상을 이용한다면, 512 * 512 픽셀의 PET dicom 영상과 CT dicom 영상을 256 * 256 pixel 크기로 자를(crop) 수 있다. 자른 영상에 대한 판별결과를 2차원 원-핫 벡터(one-hot vector)로 정의할 수 있다. 예컨대, 정상인의 흉부 FDG PET/CT 영상은 저위험군으로 분류하여 [0,1]로 정의하고, 폐암 환자의 흉부 FDG PET/CT 영상은 고위험군으로 분류하여 [1,0]로 정의할 수 있다. 이와 같이 픽셀 정보나 텍스트를 하나의 유의미한 벡터로 변환하여 정의하는 과정을 원-핫 인코딩이라고 한다.
제1 신경망(410)은 폐암 환자의 영상에서 관심 영역을 검출하는 신경망이다. 제1 신경망(410)은 폐암군(폐암 환자들) FDG PET/CT에서 폐 영역을 검출한다. 나아가 제1 신경망(410)은 폐 영역에서 폐암 영역(폐암 병증이 발생한 영역)을 제외한 나머지 영역을 검출한다. 제1 신경망(410)은 폐암 영역 제거한 폐 영역 검출을 위하여 사전에 학습되어야 한다.
타깃 신경망(430)은 전술한 분류 신경망이다. 타깃 신경망(430)은 입력 영상을 기준으로 폐암 발병 가능성 정보를 출력한다. 타깃 신경망(430)은 제1 신경망(410)이 출력하는 영상을 입력받으면, 해당 영상(영상의 특징)에 대해서는 고위험군이라는 정보를 출력하게 학습된다. 나아가 타깃 신경망(430)은 별도의 객체 검출 기법(예컨대, 시드 기반 영역확장기법)을 이용하여 전처리된 영상을 이용할 수도 있다.
제2 신경망(420)은 정상인의 영상에서 관심 영역을 검출하는 신경망이다. 제2 신경망(420)은 도 3에서 설명한 제1 신경망(310)에 대응된다. 제2 신경망(420)은 정상군(정상인들) FDG PET/CT에서 폐 영역을 검출한다. 제2 신경망(420)은 폐 영역 검출을 위하여 사전에 학습되어야 한다.
타깃 신경망(430)은 제2 신경망(420)이 출력하는 영상을 입력받으면, 해당 영상(영상의 특징)에 대해서는 저위험군이라는 정보를 출력하게 학습된다. 나아가 타깃 신경망(430)은 별도의 객체 검출 기법(예컨대, 시드 기반 영역확장기법)을 이용하여 전처리된 영상을 이용할 수도 있다.
딥러닝 네트워크 학습 과정에 대한 상세한 설명을 생략한다. 타깃 신경망(430)은 학습 과정을 통해 신경망 계층의 가중치가 최적화된다. 물론 타깃 신경망(430)은 폐암 발병 가능성을 예측하는 애플리케이션으로 사용되면서, 결과값을 피드백받아 계속 업데이트될 수도 있다. 딥러닝 네트워크에서 파라미터 (parameter)는 손실함수를 감소시키는 방향으로 학습을 수행한다. 손실함수는 학습 과정을 통해 신경망의 가중치를 최적화할 수 있다. 예컨대, 가중치 최적화는 경사 하강법(gradient descent method)을 이용할 수 있다.
도 5는 폐암 발병 정보를 갖는 영상을 생성하는 신경망 모델(500)의 예이다. 신경망 모델(500)은 폐암 발병 가능성에 대한 정보를 포함하는 영상을 생성한다. 신경망 모델(500)은 입력 영상에서 특징 정보를 추출하고, 추출한 특징 정보를 기반으로 일정한 영상을 생성하는 모델에 해당한다. 이와 같은 신경망은 대표적으로 오토인코더, 컨볼루셔널 인코더-디코더 등이 있다. 도 5는 컨볼루셔널 인코더-디코더 구조에 대한 예이다.
신경망 모델(500)은 인코더(510) 및 디코더(520)를 포함한다.
인코더(510)는 소스 영상(FDG PET/CT 영상)을 입력받아 특징 정보 내지 특징 맵을 출력한다. 디코더(520)는 입력받은 특징 정보 내지 특징 맵을 기준으로 특정 영상을 출력한다. 디코더(520)가 출력하는 영상을 출력 영상이라고 명명한다.
인코더(510)는 소스 영상의 특징 맵을 생성하고, 특징 맵의 크기를 감소시키면서 일부 유효한 특징값만을 추출한다. 디코더(520)는 인코더(510)가 출력하는 유효한 특징값을 기준으로 특징 맵의 크기를 증가시킨다. 디코더(520)는 최종적으로 소스 영상과 동일한 크기의 출력 영상을 출력한다.
인코더(510)는 복수의 인코더 단을 포함한다. 도 7은 3개의 인코더 단(encoder 1, encoder 2 및 encoder 3)을 예로 도시하였다.
인코더 단은 복수의 컨볼루셔널 블록과 하나의 풀링 계층으로 구성될 수 있다. 하나의 컨볼루셔널 블록은 컨볼루셔널 계층, 비선형화 계층 및 표준화 계층을 포함한다. 비선형화 계층은 relu layer를 사용할 수 있다. 표준화 계층은 배치 표준화 계층을 사용할 수 있다. 각 계층의 동작은 전술한 바와 같다.
풀링 계층은 최대 풀링(max pooling)을 수행할 수 있다. 풀링 계층은 최댓값을 갖는 픽셀 위치를 저장해두고, 대응되는 디코더 단의 업 샘플링 계층에 전달한다(도 5에서 점선 화살표로 표시함).
인코더(510)는 소스 영상에서 폐암 발병 가능성 판단에 사용될 특징 정보를 추출한다. 한편 의료 영상에 특정 영역을 표시하기 위하여 인코더는 특징 정보 위치 파악이 가능한 모델을 사용할 수도 있다.
디코더(520)는 복수의 디코더 단을 포함한다. 도 7은 3개의 디코더 단(decoder 1, decoder 2 및 decoder 3)을 예로 도시하였다. 전술한 바와 같이 디코더(510)는 인코더(510)에 대칭되는 구조(거울상)를 갖는다. 따라서 디코더 단은 하나의 업샘플링 계층 및 복수(컨볼루셔널 블록의 개수와 동일한)의 역컨볼루셔널 블록으로 구성될 수 있다. 디코더 단은 인코더 단의 동작을 역으로 수행한다.
업샘플링 계층은 대응되는 인코더 단의 최대 풀링 계층으로부터 전달 받은 최댓값 픽셀 위치에 입력 특징 맵의 값을 출력하고, 최댓값 픽셀 위치 외에는 '0' 의 값을 출력한다. 디코더 단은 대응되는 인코더 단의 컨볼루셔널 블록 및 컨볼루셔널 계층과 필터 개수, 필터 크기 등이 동일하다.
디코더(520)는 입력된 의료 영상과 유사한 영상을 출력할 수 있다. 출력 영상은 특징 정보가 반영된 값을 포함한다. 출력 영상은 FDG PET/CT 영상에 폐암 발병 가능성(고위험 또는 저위험)을 특정한 색상으로 표현할 수 있다. 또는 출력 영상은 폐암 발병 가능성 정보를 출력 영상에 표시 텍스트 형태로 표현할 수 있다. 출력 영상이 나타내는 정보는 디코더(520)의 구성 내지 파라미터 설정에 따라 달라질 수 있다.
도 6은 의료 영상을 이용한 폐암 발병 예측 장치(600)의 구성에 대한 예이다. 폐암 발병 가능성 결정 장치(600)는 전술한 영상처리장치에 해당한다. 폐암 발병 가능성 결정 장치(600)는 도 1의 분석 서버(150) 내지 분석 PC(180)에 해당하기도 한다.
폐암 발병 가능성 결정 장치(600)는 전술한 신경망 모델을 이용하여 소스 영상으로부터 폐암 발병 가능성 정보를 추출할 수 있다. 폐암 발병 가능성 결정 장치(600)는 물리적으로 다양한 형태로 구현될 수 있다. 예컨대, 폐암 발병 가능성 결정 장치(600)는 PC와 같은 컴퓨터 장치, 네트워크의 서버, 영상 처리 전용 칩셋 등의 형태를 가질 수 있다. 컴퓨터 장치는 스마트 기기 등과 같은 모바일 기기를 포함할 수 있다.
폐암 발병 가능성 결정 장치(600)는 저장 장치(610), 메모리(620), 연산장치(630), 인터페이스 장치(640) 및 통신 장치(650)를 포함한다.
저장 장치(610)는 영상 처리 내지 분석을 위한 신경망 모델을 저장한다. 예컨대, 저장 장치(610)는 전술한 분류 신경망 및/또는 검출 신경망을 저장할 수 있다. 나아가 저장 장치(610)는 영상 처리에 필요한 프로그램 내지 소스 코드 등을 저장할 수 있다. 예컨대, 저장 장치(610)는 입력 영상에서 관심 영역을 검출하는 프로그램을 저장할 수 있다. 저장 장치(610)는 입력된 소스 영상 및 생성된 출력 영상을 저장할 수 있다.
메모리(620)는 폐암 발병 가능성 결정 장치(600)가 수신한 소스 영상 및 출력 영상 생성과정에서 생성되는 데이터 및 정보 등을 저장할 수 있다.
인터페이스 장치(640)는 외부로부터 일정한 명령 및 데이터를 입력받는 장치이다. 인터페이스 장치(640)는 물리적으로 연결된 입력 장치 또는 외부 저장 장치로부터 소스 영상을 입력받을 수 있다. 인터페이스 장치(640)는 영상 분석을 위한 각종 신경망 모델을 입력받을 수 있다. 인터페이스 장치(640)는 신경망 모델 생성을 위한 학습데이터, 정보 및 파라미터값을 입력받을 수도 있다.
통신 장치(650)는 유선 또는 무선 네트워크를 통해 일정한 정보를 수신하고 전송하는 구성을 의미한다. 통신 장치(650)는 외부 객체로부터 소스 영상을 수신할 수 있다. 통신 장치(650)는 각종 신경망 모델 및 모델 학습을 위한 데이터도 수신할 수 있다. 통신 장치(650)는 결정한 폐암 발병 가능성 정보 또는 출력 영상을 외부 객체로 송신할 수 있다.
통신 장치(650) 내지 인터페이스 장치(640)는 외부로부터 일정한 데이터 내지 명령을 전달받는 장치이다. 통신 장치(650) 내지 인터페이스 장치(640)를 입력장치라고 명명할 수 있다.
연산 장치(630)는 저장장치(610)에 저장된 신경망 모델 내지 프로그램을 이용하여 소스 영상으로부터 폐암 발병 가능성 정보 또는 출력 영상을 생성한다. 연산 장치(630)는 소스 영상에 대한 일정한 전처리(크롭, 관심 영역 검출 등)를 할 수 있다. 연산 장치(630)는 검출 신경망을 이용하여 소스 영상에서 관심 영역을 검출할 수도 있다. 연산 장치(630)는 주어진 학습 데이터를 이용하여 영상 처리 과정에 사용되는 신경망 모델을 학습할 수도 있다. 연산 장치(630)는 전술한 과정을 통해 구축된 신경망 모델을 이용하여 소스 영상으로부터 폐암 발병 가능성 정보를 생성할 수 있다. 연산 장치(630)는 데이터를 처리하고, 일정한 연산을 처리하는 프로세서, AP, 프로그램이 임베디드된 칩과 같은 장치일 수 있다.
또한, 상술한 바와 같은 영상 처리 방법 내지 폐암 발병 가능성 예측 방법은 컴퓨터에서 실행될 수 있는 실행가능한 알고리즘을 포함하는 프로그램(또는 어플리케이션)으로 구현될 수 있다. 상기 프로그램은 비일시적 판독 가능 매체(non-transitory computer readable medium)에 저장되어 제공될 수 있다.
비일시적 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상술한 다양한 어플리케이션 또는 프로그램들은 CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM 등과 같은 비일시적 판독 가능 매체에 저장되어 제공될 수 있다.
본 실시례 및 본 명세서에 첨부된 도면은 전술한 기술에 포함되는 기술적 사상의 일부를 명확하게 나타내고 있는 것에 불과하며, 전술한 기술의 명세서 및 도면에 포함된 기술적 사상의 범위 내에서 당업자가 용이하게 유추할 수 있는 변형 예와 구체적인 실시례는 모두 전술한 기술의 권리범위에 포함되는 것이 자명하다고 할 것이다.
Claims (12)
- 영상분석장치가 샘플에 대한 흉부 FDG(fluorodeoxyglucose) PET/CT 영상을 입력받는 단계; 및
상기 영상분석장치가 상기 FDG PET/CT 영상을 분류 신경망에 입력하여 상기 샘플에 대한 폐암 발병 가능성을 예측하는 단계를 포함하되,
상기 분류 신경망은 폐암 환자에 대한 흉부 FDG PET/CT 영상에서 폐암 영역을 제외한 훈련 영상 및 정상인에 대한 흉부 FDG PET/CT 영상을 이용하여 학습되는 의료 영상을 해석하는 인공지능 모델을 이용한 폐암 발병 가능성 예측 방법. - 제1항에 있어서,
상기 분류 신경망은 F-18 FDG로 표지된 PET/CT 영상을 이용하여 학습되는 의료 영상을 해석하는 인공지능 모델을 이용한 폐암 발병 가능성 예측 방법. - 제1항에 있어서,
상기 분류 신경망은 CNN(Convolution neural network)이고, 상기 샘플을 저위험군 또는 고위험군으로 분류하는 의료 영상을 해석하는 인공지능 모델을 이용한 폐암 발병 가능성 예측 방법. - 제1항에 있어서,
상기 영상분석장치가 상기 분류 신경망에서 출력되는 특징 정보를 디코더 신경망에 입력하여 상기 폐암 발병 가능성에 대한 정보가 포함되는 영상을 생성하는 단계를 더 포함하는 의료 영상을 해석하는 인공지능 모델을 이용한 폐암 발병 가능성 예측 방법. - 제1항에 있어서,
상기 영상분석장치가 상기 FDG PET/CT 영상을 검출 신경망에 입력하여, 상기 FDG PET/CT 영상에서 폐 영역을 검출하는 단계를 더 포함하고, 상기 영상분석장치가 상기 검출된 폐 영역을 상기 분류 신경망에 입력하는 의료 영상을 해석하는 인공지능 모델을 이용한 폐암 발병 가능성 예측 방법. - 제1항에 있어서,
상기 영상분석장치가 별도의 신경망을 이용하여 상기 폐암 환자에 대한 FDG PET/CT 영상에서 훈련 영상을 생성하는 단계를 더 포함하되,
상기 훈련 영상을 생성하는 단계는
상기 영상분석장치가 폐암 환자의 FDG PET/CT 영상을 입력받는 단계; 및
상기 영상분석장치가 상기 FDG PET/CT 영상을 상기 별도의 신경망에 입력하여 폐암 영역을 제외한 영역을 추출하는 단계를 포함하는 의료 영상을 해석하는 인공지능 모델을 이용한 폐암 발병 가능성 예측 방법. - 컴퓨터에서 제1항 내지 제6항 중 어느 하나의 항에 기재된 의료 영상을 해석하는 인공지능 모델을 이용한 폐암 발병 가능성 예측 방법을 실행하기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체.
- 검사 대상자의 흉부 FDG(fluorodeoxyglucose) PET/CT 영상을 입력받는 입력장치;
흉부 FDG PET/CT 영상을 이용하여 폐암 발병 가능성에 대한 정보를 생성하는 분류 신경망을 저장하는 저장장치; 및
상기 입력받은 FDG PET/CT 영상을 상기 분류 신경망에 입력하여 상기 대상자에 대한 폐암 발병 가능성을 예측하는 연산장치를 포함하되,
상기 분류 신경망은 폐암 환자에 대한 FDG PET/CT 영상에서 폐암 영역을 제외한 훈련 영상 및 정상인에 대한 흉부 FDG PET/CT 영상을 이용하여 학습되는 의료 영상 분석 장치. - 제8항에 있어서,
상기 신경망은 F-18 FDG로 표지된 PET/CT 영상을 이용하여 학습되는 의료 영상 분석 장치. - 제8항에 있어서,
상기 분류 신경망은 CNN(Convolution neural network)이고,
상기 연산장치는 상기 대상자를 저위험군 또는 고위험군으로 분류하는 의료 영상 분석 장치. - 제8항에 있어서,
상기 저장장치는 흉부 FDG PET/CT 영상에서 폐 영역을 검출하는 검출 신경망을 더 저장하고,
상기 연산장치는 상기 검출 신경망에 흉부 FDG PET/CT 영상을 입력하여 상기 FDG PET/CT 영상에서 폐 영역을 검출하고, 상기 검출된 폐 영역을 상기 분류 신경망에 입력하는 의료 영상 분석 장치. - 제8항에 있어서,
상기 저장장치는 상기 분류 신경망에서 출력되는 특징 정보를 입력받아 폐암 발병 가능성에 대한 정보가 포함된 영상을 생성하는 디코더 신경망을 더 저장하고,
상기 연산장치는 상기 분류 신경망에서 출력되는 분류 정보와 특징 정보를 상기 디코더 신경망에 입력하여 상기 분류 정보가 포함된 영상을 생성하는 의료 영상 분석 장치.
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190112244A KR102318959B1 (ko) | 2019-09-10 | 2019-09-10 | 의료 영상을 해석하는 인공지능 모델을 이용한 폐암 발병 가능성 예측 방법 및 의료 영상 분석 장치 |
| US17/641,692 US20220301714A1 (en) | 2019-09-10 | 2020-04-03 | Method for predicting lung cancer development based on artificial intelligence model, and analysis device therefor |
| PCT/KR2020/004554 WO2021049729A1 (ko) | 2019-09-10 | 2020-04-03 | 인공지능 모델을 이용한 폐암 발병 가능성 예측 방법 및 분석 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190112244A KR102318959B1 (ko) | 2019-09-10 | 2019-09-10 | 의료 영상을 해석하는 인공지능 모델을 이용한 폐암 발병 가능성 예측 방법 및 의료 영상 분석 장치 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210030730A true KR20210030730A (ko) | 2021-03-18 |
| KR102318959B1 KR102318959B1 (ko) | 2021-10-27 |
Family
ID=74867044
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190112244A KR102318959B1 (ko) | 2019-09-10 | 2019-09-10 | 의료 영상을 해석하는 인공지능 모델을 이용한 폐암 발병 가능성 예측 방법 및 의료 영상 분석 장치 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20220301714A1 (ko) |
| KR (1) | KR102318959B1 (ko) |
| WO (1) | WO2021049729A1 (ko) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220141194A (ko) * | 2021-04-12 | 2022-10-19 | 주식회사 루닛 | 엑스레이 이미지 내에서의 대상 병변의 크기 변화를 측정하는 방법 및 시스템 |
| WO2023128284A1 (ko) * | 2021-12-28 | 2023-07-06 | 가천대학교 산학협력단 | 자궁 경부암의 진단에 대한 정보 제공 방법 및 이를 이용한 자궁 경부암의 진단에 대한 정보 제공용 디바이스 |
| US11810312B2 (en) | 2020-04-21 | 2023-11-07 | Daegu Gyeongbuk Institute Of Science And Technology | Multiple instance learning method |
| WO2023239151A1 (ko) * | 2022-06-07 | 2023-12-14 | 서울대학교병원 | 흉부 방사선 데이터를 수치 벡터로 변환하는 방법 및 장치, 이를 이용하여 질병을 분석하는 방법 및 장치 |
| KR20240011089A (ko) | 2022-07-18 | 2024-01-25 | 고려대학교 산학협력단 | 심층 신경망의 선형 근사를 기반으로 하는 설명 맵 생성 장치 및 방법 |
| KR102630064B1 (ko) * | 2023-07-20 | 2024-01-29 | (주)해우기술 | 인공지능 기반의 결핵 분류 시스템 및 그 방법 |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220131530A (ko) * | 2020-01-17 | 2022-09-28 | 존슨 앤드 존슨 엔터프라이즈 이노베이션 인코포레이티드 | 향후 폐암의 위험을 예측하기 위한 시스템 및 방법 |
| CN111862255A (zh) * | 2020-07-17 | 2020-10-30 | 上海联影医疗科技有限公司 | 正则化图像重建方法、***、可读存储介质和设备 |
| WO2022241608A1 (zh) * | 2021-05-17 | 2022-11-24 | 苏州思萃人工智能研究所有限公司 | 肺癌细胞学人工智能筛查方法与装置 |
| KR102501815B1 (ko) | 2022-05-23 | 2023-02-22 | 주식회사 피맥스 | 인공지능을 이용한 폐기관 자동 분석 방법 및 장치 |
| KR102501816B1 (ko) | 2022-05-23 | 2023-02-22 | 주식회사 피맥스 | 환자의 개인화 지표에 기초하는 인공지능을 이용한 폐기관 자동 분석 방법 및 기록매체 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170016778A (ko) * | 2015-08-04 | 2017-02-14 | 재단법인 아산사회복지재단 | 심층신경망을 이용한 골 연령 산출방법 및 프로그램 |
| KR101768812B1 (ko) | 2016-07-05 | 2017-08-17 | 고려대학교 산학협력단 | 흉부 단층영상에서 검색된 폐결절의 암 진단 보조 시스템 및 프로그램 |
| KR20190049524A (ko) * | 2017-10-30 | 2019-05-09 | 삼성전자주식회사 | 의료 영상 전송 방법 및 그에 따른 의료 영상 장치 |
| KR20190092299A (ko) * | 2018-01-30 | 2019-08-07 | 연세대학교 원주산학협력단 | 딥러닝 기술을 통한 흉부 물질 분리 영상 획득 방법 및 시스템 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7804990B2 (en) * | 2006-01-25 | 2010-09-28 | Siemens Medical Solutions Usa, Inc. | System and method for labeling and identifying lymph nodes in medical images |
| US10216762B2 (en) * | 2014-06-04 | 2019-02-26 | Panasonic Corporation | Control method and non-transitory computer-readable recording medium for comparing medical images |
| US10582907B2 (en) * | 2016-10-31 | 2020-03-10 | Siemens Healthcare Gmbh | Deep learning based bone removal in computed tomography angiography |
-
2019
- 2019-09-10 KR KR1020190112244A patent/KR102318959B1/ko active IP Right Grant
-
2020
- 2020-04-03 WO PCT/KR2020/004554 patent/WO2021049729A1/ko active Application Filing
- 2020-04-03 US US17/641,692 patent/US20220301714A1/en active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170016778A (ko) * | 2015-08-04 | 2017-02-14 | 재단법인 아산사회복지재단 | 심층신경망을 이용한 골 연령 산출방법 및 프로그램 |
| KR101768812B1 (ko) | 2016-07-05 | 2017-08-17 | 고려대학교 산학협력단 | 흉부 단층영상에서 검색된 폐결절의 암 진단 보조 시스템 및 프로그램 |
| KR20190049524A (ko) * | 2017-10-30 | 2019-05-09 | 삼성전자주식회사 | 의료 영상 전송 방법 및 그에 따른 의료 영상 장치 |
| KR20190092299A (ko) * | 2018-01-30 | 2019-08-07 | 연세대학교 원주산학협력단 | 딥러닝 기술을 통한 흉부 물질 분리 영상 획득 방법 및 시스템 |
Non-Patent Citations (1)
| Title |
|---|
| 논문(Moritz Schwyzer 외 8명. Automated detection of lung cancer at ultralow dose PET/CT by deep neural networks - Initial results. Lung Cancer 126(2018) pp170-173. 2018.11.03. 공개)* * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11810312B2 (en) | 2020-04-21 | 2023-11-07 | Daegu Gyeongbuk Institute Of Science And Technology | Multiple instance learning method |
| KR20220141194A (ko) * | 2021-04-12 | 2022-10-19 | 주식회사 루닛 | 엑스레이 이미지 내에서의 대상 병변의 크기 변화를 측정하는 방법 및 시스템 |
| WO2023128284A1 (ko) * | 2021-12-28 | 2023-07-06 | 가천대학교 산학협력단 | 자궁 경부암의 진단에 대한 정보 제공 방법 및 이를 이용한 자궁 경부암의 진단에 대한 정보 제공용 디바이스 |
| WO2023239151A1 (ko) * | 2022-06-07 | 2023-12-14 | 서울대학교병원 | 흉부 방사선 데이터를 수치 벡터로 변환하는 방법 및 장치, 이를 이용하여 질병을 분석하는 방법 및 장치 |
| KR20240011089A (ko) | 2022-07-18 | 2024-01-25 | 고려대학교 산학협력단 | 심층 신경망의 선형 근사를 기반으로 하는 설명 맵 생성 장치 및 방법 |
| KR102630064B1 (ko) * | 2023-07-20 | 2024-01-29 | (주)해우기술 | 인공지능 기반의 결핵 분류 시스템 및 그 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20220301714A1 (en) | 2022-09-22 |
| WO2021049729A1 (ko) | 2021-03-18 |
| KR102318959B1 (ko) | 2021-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102318959B1 (ko) | 의료 영상을 해석하는 인공지능 모델을 이용한 폐암 발병 가능성 예측 방법 및 의료 영상 분석 장치 | |
| EP3939002A1 (en) | Deep convolutional neural networks for tumor segmentation with positron emission tomography | |
| RU2667879C1 (ru) | Обработка и анализ данных на изображениях компьютерной томографии | |
| Dodia et al. | Recent advancements in deep learning based lung cancer detection: A systematic review | |
| KR102258756B1 (ko) | 의료 영상을 이용한 암의 병기 결정 방법 및 의료 영상 분석 장치 | |
| Yoon et al. | Medical image analysis using artificial intelligence | |
| WO2022110525A1 (zh) | 一种癌变区域综合检测装置及方法 | |
| CN114120030A (zh) | 基于注意力机制的医学图像处理方法及相关设备 | |
| CN112367905A (zh) | 基于脉管化模式的诊断、预测、确定预后、监测或分期疾病的方法 | |
| Xiao et al. | A cascade and heterogeneous neural network for CT pulmonary nodule detection and its evaluation on both phantom and patient data | |
| Le Van et al. | Detecting lumbar implant and diagnosing scoliosis from vietnamese X-ray imaging using the pre-trained api models and transfer learning | |
| Thakur et al. | Soft attention based DenseNet model for Parkinson’s disease classification using SPECT images | |
| Almutairi et al. | An Efficient USE‐Net Deep Learning Model for Cancer Detection | |
| Almas et al. | A deep analysis of Google Net and AlexNet for lung cancer detection | |
| Zhou et al. | Two-phase non-invasive multi-disease detection via sublingual region | |
| Sun et al. | Liver tumor segmentation and subsequent risk prediction based on Deeplabv3+ | |
| CN116129184A (zh) | 多期相病灶分类方法、装置、设备及可读存储介质 | |
| WO2022170203A1 (en) | System and method for automatic diagnosis of idiopathic pulmonary fibrosis (ipf) using neural networks | |
| WO2022132966A1 (en) | Systems and methods for identifying cancer in pets | |
| Hilal et al. | Design of Intelligent Alzheimer Disease Diagnosis Model on CIoT Environment | |
| Abdelaziz et al. | Skin Cancer Detection Using Deep Learning and Artificial Intelligence: Incorporated model of deep features fusion | |
| Manikandan et al. | Automated classification of emphysema using data augmentation and effective pixel location estimation with multi-scale residual network | |
| Akram et al. | Recognizing Breast Cancer Using Edge-Weighted Texture Features of Histopathology Images. | |
| UmaMaheswaran et al. | Enhanced non-contrast computed tomography images for early acute stroke detection using machine learning approach | |
| KR102650919B1 (ko) | 패치 단위 대조 학습 모델을 이용한 의료 영상 분석 방법 및 분석 장치 |
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 |