KR20220075126A - 인공 신경망을 활용한 의료영상 세그멘테이션 및 분석방법 - Google Patents
인공 신경망을 활용한 의료영상 세그멘테이션 및 분석방법 Download PDFInfo
- Publication number
- KR20220075126A KR20220075126A KR1020200163053A KR20200163053A KR20220075126A KR 20220075126 A KR20220075126 A KR 20220075126A KR 1020200163053 A KR1020200163053 A KR 1020200163053A KR 20200163053 A KR20200163053 A KR 20200163053A KR 20220075126 A KR20220075126 A KR 20220075126A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- image
- neural network
- image data
- sub
- Prior art date
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
- A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0891—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of blood vessels
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G06N3/0427—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- 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
- 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
-
- 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
- G06T2207/10132—Ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Primary Health Care (AREA)
- Heart & Thoracic Surgery (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Vascular Medicine (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Physiology (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
전술한 과제를 해결하기 위한 본 개시의 일 실시예에서, 컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 인공 신경망을 활용한 의료영상 세그멘테이션 및 분석방법이 개시된다. 상기 방법은, 복수의 영상 서브 데이터를 포함하는 영상 데이터를 획득하는 단계, 영상 분석 모델을 이용하여 영상 데이터에 포함된 적어도 둘 이상의 구성요소에 대한 분할을 수행하는 단계 및 적어도 둘 이상의 구성요소에 대한 분할 결과에 기초하여 영상 데이터에 대응하는 분석 정보를 생성하는 단계를 포함할 수 있다.
Description
본 개시는 인공 신경망을 활용한 의료영상 세그멘테이션 및 분석방법에 관한 것으로, 보다 상세하게는 혈관 초음파 영상 분석 방법에 관한 것이며, 보다 구체적으로, 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위함이다.
IVUS 기법은, 혈관 초음파 기법이라고도 하며, 혈관 내부에 대한 화상화를 통해 혈관 상태를 진단하기 위한 효과적인 심혈관 검사 방법이다. 구체적으로, IVUS 기법은, 카테터 끝부분에 연결된 초음파 장비(예컨대, 트랜듀서)를 이용하여 혈관 내부를 화상화하여, 혈관의 크기와 병변의 크기 및 종류를 파악할 수 있다.
기존에 관상동맥의 진단 방법 중 하나인 혈관조영술은, 병변 혈관의 세부적인 질환 정보 측정이나, 또는 스텐트 시술 후 적정한 시술 여부에 판정에는 한계가 있었다. IVUS 기법은 이러한 혈관조영술의 제약조건을 극복하고 세부적인 질환 정도와 시술 적정성에 관련한 정보 제공을 가능하게 한다. 하지만 IVUS를 통해 얻은 영상은, 해상도가 낮은 초음파 특성상 판독이 어려울 수 있다. 또한, IVUS 영상으로부터 실제로 정확한 분석을 하기 위해서는, 해당 영상 내에서 관내강(lumen) 및 혈관벽(vessel)을 명확하게 분할해야하는데, 이는 현재까지 IVUS 판독자(예컨대, 의사)에 의하여 판독되고 있다.
이를 위해 IVUS 판독자는 전문의 과정을 마치고도 실제 정확한 판독을 위해서는 많은 시간과 노력을 통한 수련과정을 거쳐야 한다. 이 마저도 판독자의 컨디션과 경험에 따라 판독 결과가 달라질 수 있다. 즉 획득한 IVUS 영상에 대한 판독은 전적으로 판독자 개인의 역량에 의존하고 있는 실정이다. 다시 말해, IVUS 판독은, 판독자의 개개인의 숙련도가 상이함에 따라 상이한 판독 결과를 가져오거나 또는, 검사의 정확도가 다소 결여되는 등 판독의 표준화가 어려울 수 있다.
이에 따라, IVUS 영상 판독의 한계점을 극복하고자, 컴퓨터 비전 기술을 이용하여 영상 영역분할을 자동화하려는 연구가 지속되고 있다.
본 개시가 해결하고자 하는 과제는 상술한 문제점을 해결하기 위한 것으로서, 인공 신경망을 활용한 의료영상 세그멘테이션 및 분석방법을 제공하기 위함이다.
본 개시가 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 과제를 해결하기 위한 본 개시의 다양한 실시예에 따른 컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 방법이 개시된다. 상기 방법은, 복수의 영상 서브 데이터를 포함하는 영상 데이터를 획득하는 단계, 영상 분석 모델을 이용하여 상기 영상 데이터에 포함된 적어도 둘 이상의 구성요소에 대한 분할(segmentation)을 수행하는 단계 및 상기 적어도 둘 이상의 구성요소에 대한 분할 결과에 기초하여 상기 영상 데이터에 대응하는 분석 정보를 생성하는 단계를 포함할 수 있다.
대안적인 실시예에서, 상기 적어도 둘 이상의 구성요소는, 관내강(lumen), 혈관벽(vessel), 혈전(thrombus) 및 플라그(plaque) 중 적어도 하나를 포함하는 것을 특징으로 하며, 상기 영상 분석 모델을 이용하여 상기 영상 데이터에 대한 적어도 둘 이상의 구성요소에 대한 분할을 수행하는 단계는, 상기 영상 데이터를 상기 영상 분석 모델의 입력으로 처리하여 상기 적어도 둘 이상의 구성 요소 간의 분할된 경계를 표시하는 영상 데이터를 출력하는 단계를 포함할 수 있다.
대안적인 실시예에서, 상기 영상 분석 모델은, 학습 데이터 세트를 통해 학습된 신경망 모델로, 차원 감소 서브 모델 및 차원 복원 서브 모델을 포함하며, 학습 입력 데이터를 상기 차원 감소 서브 모델의 입력으로 하여 상기 차원 복원 서브 모델이 상기 학습 입력 데이터의 라벨과 연관된 학습 출력 데이터를 출력하도록 학습되며, 상기 차원 감소 서브 모델은, 상기 학습 입력 데이터를 구성하는 복수의 픽셀 간의 유사도 계산을 수행하는 논-로컬 블록(non-local block)을 포함하는 것을 특징으로 할 수 있다.
대안적인 실시예에서, 상기 영상 데이터에 포함된 적어도 둘 이상의 구성 요소에 대한 분할을 수행하는 단계는, 상기 영상 데이터에 포함된 상기 적어도 둘 이상의 구성 요소에 대응하는 실시간 수치 정보를 생성하여 제공하는 단계를 포함하며, 상기 적어도 둘 이상의 구성 요소에 대응하는 실시간 수치 정보는, 관내강, 혈관벽, 혈전 및 플라그 중 적어도 하나에 대한 위치 및 크기 정보를 포함할 수 있다.
대안적인 실시예에서, 상기 영상 데이터에 포함된 상기 적어도 둘 이상의 구성 요소에 대응하는 실시간 수치 정보를 생성하여 제공하는 단계는, 상기 복수의 영상 서브 데이터 각각에 대응하여 상기 적어도 둘 이상의 구성 요소 각각의 직경을 산출하는 단계, 상기 산출된 적어도 둘 이상의 구성 요소 각각의 직경에 기초하여 각 영상 서브 데이터에 대응하는 복수의 수치 서브 정보를 생성하는 단계, 상기 복수의 수치 서브 정보에 기초하여 상기 실시간 수치 정보를 생성하는 단계를 포함할 수 있다.
대안적인 실시예에서, 상기 혈전 또는 상기 플라그로 인해 상기 관내강의 직경이 감소하는 제 1 구간을 식별하는 단계를 더 포함하며, 상기 영상 데이터에 대응하는 분석 정보를 생성하는 단계는, 상기 제 1 구간의 위치 및 길이에 기초하여 상기 분석 정보를 생성하는 단계를 포함하며, 상기 분석 정보는, 질환 발생 여부 및 적정 시술 방법에 관련한 예측 정보를 포함할 수 있다.
대안적인 실시예에서, 상기 영상 데이터에 대응하는 분석 정보를 생성하는 단계는, 상기 영상 데이터를 구성하는 복수의 영상 서브 데이터 각각에 대응하는 복수의 수치 서브 정보들에 기초하여 전체 디스플레이 이미지를 생성하는 단계를 포함하며, 상기 전체 디스플레이 이미지는, 상기 적어도 둘 이상의 구성요소에 관한 정보를 상기 영상 데이터의 전체 시점에 대응하여 요약하여 나타낸 이미지로 관측된 혈관의 전체 구간 정보를 포함하며, 상기 영상 데이터에 대응하는 전체 혈관 길이에 기초하여 생성되는 것을 특징으로 할 수 있다.
대안적인 실시예에서, 상기 영상 데이터에 대응하는 분석 정보를 생성하는 단계는, 상기 생성된 전체 디스플레이 이미지에 상기 제 1 구간에 대응하는 북마크 표시 정보를 생성하는 단계를 포함할 수 있다.
대안적인 실시예에서, 상기 영상 데이터에 대응하는 분석 정보를 생성하는 단계는, 이미지 데이터베이스(image database)에서 상기 제 1 구간에 포함된 하나 이상의 영상 서브 데이터 중 적어도 하나의 영상 서브 데이터와 사전 결정된 임계 유사도 이상을 가지는 하나 이상의 유사 이미지를 검색하는 단계 및 상기 하나 이상의 유사 이미지 및 상기 하나 이상의 유사 이미지 각각에 매칭된 진단 정보를 획득하는 단계를 포함할 수 있다.
대안적인 실시예에서, 상기 영상 데이터에 대한 리샘플링을 통해 학습 데이터를 증강하는 단계를 더 포함하며, 상기 영상 데이터에 대한 리샘플링을 통해 학습 데이터를 증강하는 단계는, 상기 영상 데이터에 포함된 복수의 영상 서브 데이터 중 사전 결정된 시간 간격 이하의 적어도 둘 이상의 기준 영상 서브 데이터를 추출하는 단계, 상기 적어도 둘 이상의 기준 영상 서브 데이터 사이를 보간하여 하나 이상의 보강 영상 서브 데이터를 생성하는 단계 및 상기 적어도 둘 이상의 기준 영상 서브 데이터 및 상기 하나 이상의 보강 영상 서브 데이터에 기초하여 추가 학습 데이터를 생성하는 단계를 포함할 수 있다.
본 개시의 다른 실시예에 따르면, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은, 하나 이상의 프로세서들에 의해 실행되는 경우, 상기 하나 이상의 프로세스들로 하여금 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 복수의 영상 서브 데이터를 포함하는 영상 데이터를 획득하는 동작, 영상 분석 모델을 이용하여 상기 영상 데이터에 포함된 적어도 둘 이상의 구성요소에 대한 분할(segmentation)을 수행하는 동작 및 상기 적어도 둘 이상의 구성요소에 대한 분할 결과에 기초하여 상기 영상 데이터에 대응하는 분석 정보를 생성하는 동작을 포함할 수 있다.
본 개시의 다른 실시예에 따르면, 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 컴퓨팅 장치가 개시된다. 상기 컴퓨팅 장치는, 하나 이상의 코어를 포함하는 프로세서, 상기 프로세서에서 실행가능한 프로그램 코드들을 저장하는 메모리 및 사용자 단말과 데이터를 송수신하는 네트워크부를 포함하고, 상기 프로세서는, 복수의 영상 서브 데이터를 포함하는 영상 데이터를 획득하고, 영상 분석 모델을 이용하여 상기 영상 데이터에 포함된 적어도 둘 이상의 구성요소에 대한 분할(segmentation)을 수행하고, 상기 적어도 둘 이상의 구성요소에 대한 분할 결과에 기초하여 상기 영상 데이터에 대응하는 분석 정보를 생성할 수 있다.
본 개시의 다양한 실시예에 따라, 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공할 수 있다.
본 개시의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
다양한 양상들이 이제 도면들을 참조로 기재되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 양상들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 양상(들)이 이러한 구체적인 세부사항들 없이 실시될 수 있음은 명백할 것이다.
도 1은 본 개시의 일 실시예와 관련된 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 컴퓨팅 장치의 다양한 양태가 구현될 수 있는 시스템을 나타낸 개념도를 도시한다.
도 2는 본 개시의 일 실시예와 관련한 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 컴퓨팅 장치의 블록 구성도를 도시한다.
도 3는 본 개시의 일 실시예와 관련된 적어도 둘 이상의 구성요소를 통해 분할된 영상 데이터를 예시적으로 도시한 예시도이다.
도 4는 본 개시의 일 실시예와 관련된 영상 데이터에 대응하는 전체 디스플레이 이미지를 예시적으로 도시한 예시도이다.
도 5은 본 개시의 일 실시예와 관련된 영상 데이터에 대한 리샘플링을 통해 학습 데이터를 증강하는 과정을 예시적으로 도시한 예시도이다.
도 6은 본 개시의 일 실시예와 관련된 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 방법을 수행하기 위한 단계들을 예시적으로 도시한 순서도이다.
도 7은 본 개시의 일 실시예와 관련된 하나 이상의 네트워크 함수를 나타낸 개략도이다.
도 1은 본 개시의 일 실시예와 관련된 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 컴퓨팅 장치의 다양한 양태가 구현될 수 있는 시스템을 나타낸 개념도를 도시한다.
도 2는 본 개시의 일 실시예와 관련한 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 컴퓨팅 장치의 블록 구성도를 도시한다.
도 3는 본 개시의 일 실시예와 관련된 적어도 둘 이상의 구성요소를 통해 분할된 영상 데이터를 예시적으로 도시한 예시도이다.
도 4는 본 개시의 일 실시예와 관련된 영상 데이터에 대응하는 전체 디스플레이 이미지를 예시적으로 도시한 예시도이다.
도 5은 본 개시의 일 실시예와 관련된 영상 데이터에 대한 리샘플링을 통해 학습 데이터를 증강하는 과정을 예시적으로 도시한 예시도이다.
도 6은 본 개시의 일 실시예와 관련된 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 방법을 수행하기 위한 단계들을 예시적으로 도시한 순서도이다.
도 7은 본 개시의 일 실시예와 관련된 하나 이상의 네트워크 함수를 나타낸 개략도이다.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.
본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.
제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니다. 본 개시는 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
본 명세서에서, 컴퓨터는 적어도 하나의 프로세서를 포함하는 모든 종류의 하드웨어 장치를 의미하는 것이고, 실시 예에 따라 해당 하드웨어 장치에서 동작하는 소프트웨어적 구성도 포괄하는 의미로서 이해될 수 있다. 예를 들어, 컴퓨터는 스마트폰, 태블릿 PC, 데스크톱, 노트북 및 각 장치에서 구동되는 사용자 클라이언트 및 애플리케이션을 모두 포함하는 의미로서 이해될 수 있으며, 또한 이에 제한되는 것은 아니다.
이하, 첨부된 도면을 참조하여 본 개시의 실시예를 상세하게 설명한다.
본 명세서에서 설명되는 각 단계들은 컴퓨터에 의하여 수행되는 것으로 설명되나, 각 단계의 주체는 이에 제한되는 것은 아니며, 실시 예에 따라 각 단계들의 적어도 일부가 서로 다른 장치에서 수행될 수도 있다.
도 1은 본 개시의 일 실시예와 관련된 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 컴퓨팅 장치의 다양한 양태가 구현될 수 있는 시스템을 나타낸 개념도를 도시한다.
본 개시의 실시예들에 따른 시스템은, 컴퓨팅 장치(100), 사용자 단말(10), 혈관 스캐닝 장치(20), 외부 서버(30) 및 네트워크를 포함할 수 있다. 도 1에서 도시되는 컴포넌트들은 예시적인 것으로서, 추가적인 컴포넌트들이 존재하거나 또는 도 1에서 도시되는 컴포넌트들 중 일부는 생략될 수 있다. 본 개시의 실시예들에 따른 컴퓨팅 장치(100), 사용자 단말(10), 혈관 스캐닝 장치(20) 및 외부 서버(30)는 네트워크를 통해, 본 개시의 일 실시예들에 따른 시스템을 위한 데이터를 상호 송수신할 수 있다.
본 개시의 실시예들에 따른 네트워크는 공중전화 교환망(PSTN: Public Switched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.
또한, 여기서 제시되는 네트워크는 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SC-FDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다.
본 개시의 실시예들에 따른 네트워크는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(PAN: Personal Area Network), 근거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 상기 네트워크는 공지의 월드와이드웹(WWW: World Wide Web)일 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다. 본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.
본 개시의 일 실시예에 따르면, 사용자 단말(10)은 컴퓨팅 장치(100)에 엑세스하여 영상 데이터에 대한 분석 정보를 획득하고자 하는 사용자와 관련된 단말일 수 있다. 이러한 사용자 단말(10)은 혈관 스캐닝 장치(20)를 통해 획득한 검사자의 영상 데이터(예컨대, IVUS 영상 데이터)를 수신하여 저장하는 단말일 수 있다. 또한, 사용자 단말(10)은 검진 결과를 사용자(예컨대, 검진자)에게 제공하는 검사자(예컨대, 전문의)와 관련한 단말일 수 있다. 사용자 단말(10)이 검진자에게 검진 결과를 제공하는 검사자에 관련한 단말인 경우, 컴퓨팅 장치(100)로부터 수신하는 영상 데이터에 대응하는 진단 정보는, 검진자의 검진 결과 판독을 위한 의료 보조 단말로 활용될 수 있다. 사용자 단말(10)은 디스플레이를 구비하고 있어서, 사용자의 입력을 수신하고, 사용자에게 임의의 형태의 출력을 제공할 수 있다.
사용자 단말(10)은 컴퓨팅 장치(100)와 통신을 위한 메커니즘을 갖는 시스템에서의 임의의 형태의 엔티티(들)를 의미할 수 있다. 예를 들어, 이러한 사용자 단말(10)은 PC(personal computer), 노트북(note book), 모바일 단말기(mobile terminal), 스마트 폰(smart phone), 태블릿 PC(tablet pc) 및 웨어러블 디바이스(wearable device) 등을 포함할 수 있으며, 유/무선 네트워크에 접속할 수 있는 모든 종류의 단말을 포함할 수 있다. 또한, 사용자 단말(10)은 에이전트, API(Application Programming Interface) 및 플러그-인(Plug-in) 중 적어도 하나에 의해 구현되는 임의의 서버를 포함할 수도 있다. 또한, 사용자 단말(10)은 애플리케이션 소스 및/또는 클라이언트 애플리케이션을 포함할 수 있다.
본 개시의 일 실시예에 따르면, 혈관 스캐닝 장치(20)는 검사자의 혈관 내부를 화상화하여 영상 데이터를 획득하는 장치를 의미할 수 있다. 구체적으로, 혈관 스캐닝 장치(20)는 하나 이상의 카테터(catheter)를 포함하며, 해당 하나 이상의 카테터는 검사자의 혈관에 삽입되어 혈관 내부에 관련한 영상 데이터를 획득할 수 있다. 하나 이상의 카테터는 끝 단에 초음파 장비(예컨대, 트랜듀서)를 구비할 수 있으며, 해당 초음파 장비를 통해 혈관 내부에 관련한 혈관 초음파 영상 데이터를 획득할 수 있다. 혈관 스캐닝 장치(20)를 통해 획득된 혈관에 대한 초음파 영상 데이터는 본 개시의 컴퓨팅 장치(100)로 전달될 수 있다. 컴퓨팅 장치(100)는 혈관 스캐닝 장치(20)를 통해 획득된 검사자의 혈관 초음파 영상 데이터를 해당 혈관 스캐닝 장치(20) 또는 사용자 단말(10)을 통해 수신할 수 있으며, 수신한 영상 데이터에 대한 분석 정보를 제공할 수 있다.
도 1에서 혈관 스캐닝 장치(20) 및 컴퓨팅 장치(100)가 별도의 엔티티로서 분리되어 표현되었지만, 본 개시내용의 다양한 구현 양태에 따라서 혈관 스캐닝 장치(20)가 컴퓨팅 장치(100) 내에 포함되어 혈관 초음파 영상 데이터(즉, IVUS 영상) 획득 기능 및 획득한 영상 데이터에 대응하는 분석 정보 제공 기능이 통합되어 수행될 수도 있다.
본 개시의 일 실시예에 따르면, 외부 서버(30)는 복수의 영상 데이터 및 각 영상 데이터에 관련한 진단 정보 등을 저장하는 서버일 수 있다. 예를 들어, 외부 서버(30)는 병원 서버 및 정부 서버 중 적어도 하나일 수 있으며, 혈관 초음파 영상 데이터 및 해당 영상 데이터에 관한 의료기록 또는 진단기록 등에 관한 정보를 저장하는 서버일 수 있다. 외부 서버(30)에 저장된 정보들은 본 개시에서의 신경망을 학습시키기 위한 학습 데이터, 검증 데이터 및 테스트 데이터로 활용될 수 있다. 즉, 외부 서버(30)는 본 개시의 신경망 모델을 학습시키기 위한 데이터 세트에 관한 정보를 저장하고 있는 서버일 수 있다.
본 개시의 컴퓨팅 장치(100)는 외부 서버(30)로부터 복수의 영상 데이터 및 각 영상 데이터에 관한 진단 정보에 기반하여 학습 데이터 세트를 구축할 수 있으며, 학습 데이터 세트를 통해 하나 이상의 네트워크 함수를 포함하는 신경망 모델을 학습시킴으로써, 영상 데이터에 포함된 적어도 둘 이상의 구성요소에 대한 분할을 수행하기 위한 영상 분석 모델을 생성할 수 있다.
외부 서버(30)는 디지털 기기로서, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다. 외부 서버(30)는 서비스를 처리하는 웹 서버일 수 있다. 전술한 서버의 종류는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 영상 데이터에 대응하는 분석 정보를 제공할 수 있다. 여기서 영상 데이터는, 혈관 스캐닝 장치(20)를 통해 획득되는 사용자(즉, 검사자)의 혈관에 관련한 영상 데이터일 수 있다. 다시 말해, 영상 데이터는, 사용자의 혈관에 대한 이상 여부를 진단하기 위한 기준이 되는 혈관 초음파 영상 데이터일 수 있다. 이러한 영상 데이터는, 복수의 영상 서브 데이터를 포함할 수 있다. 복수의 영상 서브 데이터는 영상 데이터를 구성하는 하나 이상의 프레임을 의미할 수 있다.
본 개시에서 영상 데이터에 대응하는 분석 정보는, 혈관 초음파 영상 데이터를 통해 판독되는 진단 정보일 수 있으며, 질환 발생 여부 및 적정 시술 방법에 관련한 예측 정보를 포함할 수 있다. 예를 들어, 분석 정보는, 혈관 초음파 영상에서 관내강(lumen) 및 혈관벽(vessel)을 각 영역으로 분할하여 표시(즉, 영역화)하는 정보를 포함할 수 있다. 또한, 예를 들어, 사용자의 혈관에 대한 영상 데이터로부터 관측된 혈관의 크기와 병변의 크기 및 종류에 대응하는 병변 혈관의 세부적인 질환 정도에 관한 예측 정보를 포함할 수 있다. 다른 예를 들어, 분석 정보는, 전체 영상 데이터에서 혈전이 있는 병변의 영역 길이를 고려함으로써 산출한 스텐트 시술에 필요한 스텐트 길이에 관한 예측 정보를 포함할 수 있다. 또 다른 예를 들어, 분석 정보는 스텐트 시술 이후, 적정한 시술 여부 판정에 관한 예측 정보를 포함할 수 있다. 전술한 분석 정보에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
즉, 컴퓨팅 장치(100)는 사용자의 혈관 진단을 위한 혈관 초음파 영상 데이터를 획득하고, 획득한 영상 데이터에 대응하여 질환 발생 여부 및 적정 시술 방법에 관련한 분석 정보를 제공할 수 있다.
보다 구체적으로 설명하면, 컴퓨팅 장치(100)는 영상 분석 모델을 이용하여 영상 데이터에 포함된 적어도 둘 이상의 구성 요소에 대한 분할을 수행할 수 있다. 적어도 둘 이상의 구성요소는, 관내강(lumen), 혈관벽(vessel), 혈전(thrombus) 및 플라그(plaque) 중 적어도 하나를 포함할 수 있다. 혈전은, 혈액 응고 과정을 통해 혈액이 지혈되어 생성되는 최종 산물을 의미하는 것일 수 있다. 체 내에 혈액이 응고되어 생성된 것이 혈전일 수 있다. 혈전은 일반적으로 섬유소 용해 과정을 통해 자연스럽게 소멸되나, 병적으로 생성된 경우에는 생성량이 증가하여 체내에서 모두 용해시킬 수 없게됨에 따라 혈관의 흐름을 방해하여 여러가지 질병을 유발할 수 있다. 플라그는, 혈관의 관내강(또는 내벽)에서 선택적으로 흡수한 콜레스테롤이 축적된 것으로, 플라그의 형성이 진행되는 동안 혈관 내의 세포파편, 평활근 세포 및 대식세포가 축적될 수 있다. 축적된 플라그는 석회화(Calcification)하여 혈관 안쪽으로 돌출하게 되고, 혈액의 흐름을 방해할 수 있다.
본 개시의 영상 분석 모델은 학습 데이터 세트를 통해 학습된 신경망 모델일 수 있다. 본 개시의 컴퓨팅 장치(100)는 학습 데이터 세트를 통해 하나 이상의 네트워크 함수를 포함하는 신경망 모델에 대한 학습을 수행함으로써, 영상 분석 모델을 생성할 수 있다. 이러한 영상 분석 모델은 U-Net을 기반의 신경망 모델일 수 있다. U-Net 기반의 신경망 모델은, 빠르고 정확한 세그멘테이션을 수행하는 컨벌루션 뉴럴 네트워크(CNN, Convolutional Neural Network)의 일종으로 의료 영상을 세그멘테이션하는데 주로 활용되는 모델일 수 있다. 즉, 컴퓨팅 장치(100)는 영상 데이터를 영상 분석 모델의 입력으로 처리하여 적어도 둘 이상의 구성 요소 간의 분할된 경계를 표시하는 영상 데이터를 출력할 수 있다.
또한, 컴퓨팅 장치(100)는 영상 데이터에 포함된 적어도 둘 이상의 구성 요소에 대응하는 실시간 수치 정보를 생성할 수 있다. 여기서 적어도 둘 이상의 구성요소에 대응하는 실시간 수치 정보는, 관내강, 혈관벽, 혈전 및 플라그 중 적어도 하나에 대한 위치 및 크기 정보를 포함할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 혈관벽, 관내강, 혈전 및 플라그 각각의 위치, 비율, 병변 영역의 길이를 포함하는 실시간 수치 정보를 생성하여 영상 데이터에 표시할 수 있다. 즉, 컴퓨팅 장치(100)는 영상 데이터에 포함된 둘 이상의 구성 요소의 형태학적 안내 수치를 각 영상 전체에 표시하여 실시간 수치 정보를 제공할 수 있다. 이는 많은 교육을 거친 숙련된 전문가가 아닌 사용자에게도 혈관에 관련한 형태학적인 수치를 인지하도록 하게 하는 효과를 제공할 수 있다.
또한, 컴퓨팅 장치(100)는 제 1 구간의 위치 및 길이에 기초하여 영상 데이터에 대한 분석 정보를 제공할 수 있다. 이 경우, 제 1 구간은, 혈관 내에서 위험 증후를 보이는 구간을 의미할 수 있다. 예컨대, 심장근육에 혈액을 공급하는 관상동맥의 일부 구간이, 심장에 산소를 제대로 공급하지 못하게 막히는 제 1 구간일 수 있다. 예를 들어, 혈관의 일부가 막히는 구간은, 혈전 또는 플라그와 관련한 것일 수 있다.
구체적으로, 컴퓨팅 장치(100)는 혈전 또는 플라그 중 적어도 하나를 통해 관내강의 직경이 감소하는 제 1 구간을 식별할 수 있다. 컴퓨팅 장치(100)는 제 1 구간의 위치 및 길이에 기초하여 영상 데이터에 대한 분석 정보를 제공할 수 있다. 예를 들어, 심장 혈관(좌주관상동맥)의 80%가 제 1 구간의 길이와 대응하는 경우(즉, 좌주관상동맥의 80%가 혈전에 의해 막힌 경우), 컴퓨팅 장치(100)는 혈전이 위치한 제 1 구간의 길이에 대응하여 필요한 스텐트 길이에 대한 정보를 포함하는 분석 정보를 생성하여 제공할 수 있다. 즉, 본 개시의 컴퓨팅 장치(100)는 실제 진단에 필요한 정보들을 제공하는 보조 시스템으로 활용될 수 있다. 이 경우, 컴퓨팅 장치(100)는 단순히 관내강 또는 혈관벽 각각의 영역을 구분하기 위한 분석 정보만을 제공하는 것이 아닌, 혈관 내 혈전 및 플라그와 같은 위험 인자에 관한 정보(예컨대, 위치 및 크기)와 해당 위험 구간에 대응하는 적합한 시술 방법(예컨대, 필요한 스텐트 길이 제안) 등 정확한 진단을 보조해줄 정보들을 제공할 수 있다.
일 실시예에서, 컴퓨팅 장치(100)는 단말 또는 서버일 수 있으며, 임의의 형태의 장치는 모두 포함할 수 있다. 컴퓨팅 장치(100)는 디지털 기기로서, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다. 컴퓨팅 장치(100)는 서비스를 처리하는 웹 서버일 수 있다. 전술한 컴퓨팅 장치의 종류는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 클라우드 컴퓨팅 서비스를 제공하는 서버일 수 있다. 보다 구체적으로, 컴퓨팅 장치(100)는 인터넷 기반 컴퓨팅의 일종으로 정보를 사용자의 컴퓨터가 아닌 인터넷에 연결된 다른 컴퓨터로 처리하는 클라우드 컴퓨팅 서비스를 제공하는 서버일 수 있다. 상기 클라우드 컴퓨팅 서비스는 인터넷 상에 자료를 저장해 두고, 사용자가 필요한 자료나 프로그램을 자신의 컴퓨터에 설치하지 않고도 인터넷 접속을 통해 언제 어디서나 이용할 수 있는 서비스일 수 있으며, 인터넷 상에 저장된 자료들을 간단한 조작 및 클릭으로 쉽게 공유하고 전달할 수 있다. 또한, 클라우드 컴퓨팅 서비스는 인터넷 상의 서버에 단순히 자료를 저장하는 것뿐만 아니라, 별도로 프로그램을 설치하지 않아도 웹에서 제공하는 응용프로그램의 기능을 이용하여 원하는 작업을 수행할 수 있으며, 여러 사람이 동시에 문서를 공유하면서 작업을 진행할 수 있는 서비스일 수 있다. 또한, 클라우드 컴퓨팅 서비스는 IaaS(Infrastructure as a Service), PaaS(Platform as a Service), SaaS(Software as a Service), 가상 머신 기반 클라우드 서버 및 컨테이너 기반 클라우드 서버 중 적어도 하나의 형태로 구현될 수 있다. 즉, 본 개시의 컴퓨팅 장치(100)는 상술한 클라우드 컴퓨팅 서비스 중 적어도 하나의 형태로 구현될 수 있다. 전술한 클라우드 컴퓨팅 서비스의 구체적인 기재는 예시일 뿐, 본 개시의 클라우드 컴퓨팅 환경을 구축하는 임의의 플랫폼을 포함할 수도 있다.
본 개시에서의 신경망에 대한 학습 방법, 학습 과정, 혈관 초음파 영상에 대한 분석 정보를 제공하는 구체적인 구성 및 이에 따른 효과에 대한 구체적인 설명은 이하의 도 2를 참조하여 후술하도록 한다.
도 2는 본 개시의 일 실시예와 관련한 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 컴퓨팅 장치의 블록 구성도를 도시한다.
도 2에 도시된 바와 같이, 컴퓨팅 장치(100)는 네트워크부(110), 메모리(120) 및 프로세서(130)를 포함할 수 있다. 전술한 컴퓨팅 장치(100)에 포함된 컴포넌트들은 예시적인 것으로 본 개시내용의 권리범위가 전술한 컴포넌트들로 제한되지 않는다. 즉, 본 개시내용의 실시예들에 대한 구현 양태에 따라서 추가적인 컴포넌트들이 포함되거나 전술한 컴포넌트들 중 일부가 생략될 수 있다.
본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 혈관 스캐닝 장치(20) 및 외부 서버(30)와 데이터를 송수신하는 네트워크부(110)를 포함할 수 있다. 네트워크부(110)는 본 개시의 일 실시예에 따른 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 방법을 수행하기 위한 데이터들 및 신경망 모델을 학습시키기 위한 학습 데이터 세트 등을 다른 컴퓨팅 장치, 서버 등과 송수신할 수 있다. 즉, 네트워크부(110)는 컴퓨팅 장치(100)와 혈관 스캐닝 장치(20) 및 외부 서버(30) 간의 통신 기능을 제공할 수 있다. 예를 들어, 네트워크부(110)는 혈관 스캐닝 장치(20)로부터 혈관 초음파 영상 데이터를 수신할 수 있다. 다른 예를 들어, 네트워크부(110)는 외부 서버(30)로부터 본 개시의 영상 분석 모델을 학습시키기 위한 학습 데이터 세트를 수신할 수 있다. 추가적으로, 네트워크부(110)는 컴퓨팅 장치(100)로 프로시저를 호출하는 방식으로 컴퓨팅 장치(100)와 사용자 단말(10) 및 외부 서버(30) 간의 정보 전달을 허용할 수 있다.
본 개시의 일 실시예에 따른 네트워크부(110)는 공중전화 교환망(PSTN: Public Switched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.
또한, 본 명세서에서 제시되는 네트워크부(110)는 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SC-FDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다.
본 개시에서 네트워크부(110)는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(PAN: Personal Area Network), 근거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 상기 네트워크는 공지의 월드와이드웹(WWW: World Wide Web)일 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다. 본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.
본 개시의 일 실시예에 따르면, 메모리(120)는 본 개시의 일 실시예에 따른 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 방법을 수행하기 위한 컴퓨터 프로그램을 저장할 수 있으며, 저장된 컴퓨터 프로그램은 프로세서(130)에 의하여 판독되어 구동될 수 있다. 또한, 메모리(120)는 프로세서(130)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(110)가 수신한 임의의 형태의 정보를 저장할 수 있다. 또한, 메모리(120)는 혈관 초음파 영상 데이터에 대한 정보들을 저장할 수 있다. 예를 들어, 메모리(120)는 입/출력되는 데이터들(예를 들어, 혈관 초음파 영상 데이터, 혈관 초음파 영상 데이터에 대응하는 전체 디스플레이 이미지 및 혈관 초음파 영상 데이터에 대응하여 생성된 분석 정보 등)을 임시 또는 영구 저장할 수 있다.
본 개시의 일 실시예에 따르면, 메모리(120)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(120)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따르면, 프로세서(130)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치(GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다.
프로세서(130)는 메모리(120)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 딥러닝을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일 실시예에 따라 프로세서(130)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(130)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다.
또한, 프로세서(130)는 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.
본 명세서에서 네트워크 함수는 인공 신경망, 뉴럴 네트워크와 상호 교환 가능하게 사용될 수 있다. 본 명세서에서 네트워크 함수는 하나 이상의 뉴럴 네트워크를 포함할 수도 있으며, 이 경우 네트워크 함수의 출력은 하나 이상의 뉴럴 네트워크의 출력의 앙상블(ensemble)일 수 있다.
프로세서(130)는 메모리(120)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 비디오 생성 모델을 제공할 수 있다. 본 개시의 일 실시예에 따라, 프로세서(130)는 영상 데이터에 대응하는 분석 정보 생성을 수행할 수 있다. 본 개시의 일 실시예에 따라, 프로세서(130)는 비디오 생성 모델을 학습시키기 위한 계산을 수행할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(130)는 통상적으로 컴퓨팅 장치(100)의 전반적인 동작을 처리할 수 있다. 프로세서(130)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(120)에 저장된 응용 프로그램을 구동함으로써, 사용자 또는 사용자 단말에게 적정한 정보 또는, 기능을 제공하거나 처리할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(130)는 복수의 영상 서브 데이터를 포함하는 영상 데이터를 획득할 수 있다. 본 개시의 일 실시예에 따른 영상 데이터의 획득은, 메모리(120)에 저장된 영상 데이터를 수신하거나, 또는 로딩(loading)하는 것일 수 있다. 또한, 영상 데이터의 획득은, 유/무선 통신 수단에 기초하여 다른 저장 매체, 다른 컴퓨팅 장치, 동일한 컴퓨팅 장치 내의 별도 처리 모듈로부터 데이터를 수신하거나 또는 로딩하는 것일 수 있다.
본 개시의 영상 데이터는, 사용자의 혈관에 대한 이상 여부를 진단하기 위한 혈관 초음파 영상 데이터일 수 있다. 이러한 영상 데이터는, 복수의 영상 서브 데이터를 포함할 수 있다. 복수의 영상 서브 데이터는 영상 데이터를 구성하는 하나 이상의 프레임을 의미할 수 있다. 즉, 영상 데이터는, 혈관 초음파 영상 데이터(즉, IVUS 영상)를 의미할 수 있으며, 혈관 스캐닝 장치(20)를 통해 획득될 수 있다. 혈관 스캐닝 장치(20)는 컴퓨팅 장치(100)와 분리된 별개의 모듈로 설명되나, 본 개시의 다양한 구현 양태에 따라 혈관 스캐닝 장치(20)가 컴퓨팅 장치(100) 내에 포함되어 구성될 수도 있다. 혈관 스캐닝 장치(20)는 하나 이상의 카테터(catheter)를 포함하며, 해당 하나 이상의 카테터가 검사자의 혈관에 삽입됨으로써, 해당 검사자의 혈관 내부에 관련한 영상 데이터가 획득될 수 있다. 즉, 혈관 스캐닝 장치(20)는 검사자의 혈관 초음파 영상 데이터를 획득하여 사용자 단말(10) 또는 컴퓨팅 장치(100)로 전송할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(130)는 획득한 영상 데이터에 대한 노이즈 제거를 수행할 수 있다. 구체적으로, 프로세서(130)가 획득하는 영상 데이터는, 혈관 스캐닝 장치(20)를 통해 획득되는 혈관 초음파 영상임에 따라, 파장의 간섭으로 인한 스펙클 잡음(speckle noise)를 포함할 수 있다. 스펙클 잡음은 획득한 이미지의 품질을 저하시킬 수 있으며, 저하된 품질의 이미지는, 이미지에 포함된 적어도 둘 이상의 구상요소 각각의 분할을 어렵게 할 수 있다. 이에 따라, 본 개시의 프로세서(130)는 영상에서 스펙클 잡음을 제거하기 위한 노이즈 제거를 수행할 수 있다. 예를 들어, 프로세서(130)는 이미지 내에서 포인트 타겟(point target)을 우선적으로 처리하여 이로 인한 영상 번짐을 최소화시킴으로써 스펙클 잡음을 최소화할 수 있다. 다른 예를 들어, 프로세서(130)는 이미지 내 경계(boundary) 영역을 검출하여 필터링 윈도우의 모양과 크기를 조정함으로써, 균일 영역 내부의 모든 픽셀을 계산된 필터 계수로 필터링하여 스펙클 잡음을 제거할 수 있다. 전술한 노이즈 제거 방법에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따르면, 프로세서(130)는 영상 분석 모델을 이용하여 영상 데이터에 포함된 적어도 둘 이상의 구성요소에 대한 분할을 수행할 수 있다. 적어도 둘 이상의 구성요소는 관내강, 혈관, 혈전 및 플라그 중 적어도 하나를 포함하는 것을 특징으로 할 수 있다. 구체적으로, 프로세서(130)는 영상 데이터를 영상 분석 모델의 입력으로 처리하여 적어도 둘 이상의 구성 요소 간의 분할된 경계를 표시하는 영상 데이터를 출력할 수 있다.
영상 분석 모델은 학습 데이터 세트를 통해 학습된 신경망 모델일 수 있다. 이를 위해, 프로세서(130)는 복수의 학습 데이터를 통해 하나 이상의 네트워크 함수에 대한 학습을 수행함으로써, 영상 분석 모델을 생성할 수 있다.
자세히 설명하면, 프로세서(130)는 외부 서버(30)로부터 본 개시의 신경망 모델을 학습시키기 위한 학습 데이터 세트를 수신할 수 있으며, 학습 데이터 세트에 기반하여 학습 입력 데이터 세트 및 학습 출력 데이터 세트를 구축할 수 있다. 프로세서(130)는 복수의 영상 데이터를 통해 학습 입력 데이터 세트를 구축하고, 복수의 영상 데이터 각각에 대응하는 진단 정보(즉, 분할 영역 정보)를 통해 학습 출력 데이터 세트를 구축할 수 있다. 프로세서(130)는 학습 입력 데이터 세트 및 학습 출력 데이터 세트를 포함하는 학습 데이터 세트를 통해, 영상 분석 모델인 영상 데이터를 입력으로 하여 해당 영상 데이터에 포함된 적어도 둘 이상의 구성요소에 대한 분할을 수행하도록 학습시킬 수 있다.
보다 자세히 설명하면, 영상 분석 모델은, 학습 데이터 세트를 통해 학습된 신경망 모델로, 차원 감소 서브 모델(예컨대, 인코더(encoder)) 및 차원 복원 서브 모델(예컨대, 디코더(decoder))을 포함할 수 있다. 또한, 영상 분석 모델은 학습 입력 데이터를 차원 감소 서브 모델의 입력으로 하여 차원 복원 서브 모델이 학습 입력 데이터의 라벨과 연관된 학습 출력 데이터를 출력하도록 학습될 수 있다.
프로세서(130)는 차원 감소 서브 모델에 영상 데이터에 관련한 학습 입력 데이터를 입력으로 하여 해당 학습 입력 데이터에 대응하는 피처를 출력하고, 그리고 출력된 피처를 차원 복원 서브 모델의 입력을 처리하여 학습 영상 데이터에 대응하는 영역 분할을 수행하도록 할 수 있다. 프로세서(130)는 차원 복원 서브 모델의 출력인 영역 분할을 학습 분할 영역(즉, 분할 영역 정보)과 비교하여 오차를 도출하고, 도출된 오차에 기초하여 각 모델의 가중치를 역전파(backpropagation) 방식으로 조정할 수 있다. 프로세서(130)는 학습 입력 데이터에 대한 차원 복원 서브 모델의 연산 결과와 학습 출력 데이터의 오차에 기초하여 차원 복원 서브 모델의 출력인 영역 분할이 학습 출력 데이터에 가까워지도록 하나 이상의 네트워크 함수의 가중치를 조정할 수 있다.
즉, 차원 감소 서브 모델은 프로세서(130)로부터 영상 데이터에 관련한 학습 입력 데이터를 수신하여 학습 입력 데이터의 특정 벡터에 관련한 피처를 출력으로 지정하여 입력 데이터가 피처로 변환되는 중간 과정을 학습할 수 있다.
또한, 프로세서(130)는 차원 감소 서브 모델로부터 영상 데이터에 관련한 진단 정보(즉, 영역 분할에 관한 정보)에 관련한 임베딩(즉, 영상 데이터 피처)을 차원 복원 서브 모델로 전달할 수 있다. 차원 복원 서브 모델은 영상 데이터의 피처를 입력으로 영상 데이터에 대응하는 영역 분할을 수행할 수 있다.
일 실시예에 따르면, 영상 분석 모델은, 경계 검출을 통해 분할 영역의 경계 정보를 추출하고 이를 최종 분할 결과를 도출하는 피처로 활용할 수 있다. 이에 따라, 경계 검출을 이용한 보조를 통해 경계가 명확하지 않은 영역들 간 분별력을 향상시키고, 형태를 잘 보존하여 매끄러운 결과를 도출하도록 할 수 있다.
다시 말해, 프로세서(130)는 혈관 초음파 영상 데이터 및 영상 데이터에 관련한 분할 영역에 관한 정보를 포함하는 학습 데이터 세트를 통해 신경망 모델에 대한 학습을 수행함으로써, 영상 분석 모델을 생성할 수 있다. 또한, 학습된 영상 분석 모델에 진단하고자 하는 영상 데이터(예컨대, 혈관 초음파 영상 데이터)를 입력으로 처리하여, 적어도 둘 이상의 구성 요소 간의 분할된 경계를 표시하는 영상 데이터를 출력할 수 있다. 예를 들어, 적어도 둘 이상의 구성요소 간의 분할된 경계를 표시하는 영상 데이터는, 도 3에 도시된 바와 같이, 혈관벽 영역, 관내강 영역 및 혈전 영역을 포함하는 영상 데이터일 수 있다.
추가적인 실시예에 따르면, 차원 감소 서브 모델은, 학습 입력 데이터를 구성하는 복수의 픽셀 간의 유사도 계산을 수행하는 논 로컬 블록(Non-Local Block)을 포함할 수 있다. 논 로컬 블록은 기존 컨볼루션 뉴럴 네트워크가 로컬 영역만을 참조하는 특성을 보완하기 위한 것일 수 있다. 예를 들어, 하나의 이미지 안에도 서로 유사한 영역들이 존재할 수 있다. 즉, 이미지 내에서 주변부만을 이용하는 것이 이미지 전체 영역을 활용하는 경우, 학습의 효율이 향상될 수 있다. 다시 말해, 논 로컬 블록은, 단순히 이미지 내에서 인접한 영역의 픽셀만을 활용하는 것이 아닌, 전체 영역에서 픽셀들 간의 유사도를 계산하고, 이를 클래스 정보와 연결하여 이미지에서 각 클래스에 대해 유사도가 높은 픽셀들을 추출하고 활용되도록 할 수 있다. 즉, 논 로컬 블록은, 이미지 전체에 대한 유사도 측정을 통해 같은 클래스 간 연결을 긴밀하게하여 신경망의 학습 효율을 향상시킬 수 있으며, 인접 픽셀들이 파편화되어 분할되는 결과를 방지(예방)할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(130)는 영상 데이터에 포함된 적어도 둘 이상의 구성 요소에 대응하는 실시간 수치 정보를 생성하여 제공할 수 있다. 적어도 둘 이상의 구성 소요에 대응하는 실시간 수치 정보는, 관내강, 혈관, 혈전 및 플라그 중 적어도 하나에 대한 위치 및 크기 정보를 포함할 수 있다. 예를 들어, 프로세서(130)는 관내강, 혈관벽, 혈전 및 플라그 각각의 위치, 비율, 병변 영역의 길이 등을 포함하는 실시간 수치 정보를 생성하여 영상 데이터에 표시할 수 있다.
자세히 설명하면, 프로세서(130)는 복수의 영상 서브 데이터 각각에 대응하여 적어도 둘 이상의 구성 요소 각각의 직경을 산출할 수 있다. 복수의 영상 서브 데이터는 영상 데이터를 구성하는 하나 이상의 프레임들을 의미할 수 있다. 즉, 프로세서(130)는 혈관 초음파 영상을 구성하는 프레임들 각각에 대응하는 복수의 영상 서브 데이터 각각에 대응하여 적어도 둘 이상의 구성요소 각각의 직경을 산출할 수 있다. 구체적으로, 프로세서(130)는 영상 데이터의 적어도 둘 이상의 구성요소를 통해 분할된 영역 각각의 최대 및 최소 직경에 기초하여 해당 둘 이상의 구성 요소 각각의 직경을 산출할 수 있다. 예를 들어, 영상 데이터가 관내강 및 혈관벽을 기준으로 분할된 경계를 표시하는 경우, 프로세서(130)는 각 분할된 경계에 대응하여 각 구성요소(즉, 관내강 및 혈관벽)의 직경에 기초하여 관내강 및 혈관벽 각각의 직경을 4mm 및 8mm로 산출할 수 있다. 전술한 관내강 및 혈관벽에 대한 구체적인 수치적 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
프로세서(130)는 산출된 적어도 둘 이상의 구성 요소 각각의 직경에 기초하여 각 영상 서브 데이터 대응하는 복수의 수치 서브 정보를 생성할 수 있다. 예를 들어, 프로세서(130)는 영상 데이터를 구성하는 복수의 영상 서브 데이터 중 제 1 영상 서브 데이터에 대응하여 관내강 및 혈관벽 각각의 직경이 4mm 및 8mm라는 정보를 포함하는 제 1 수치 서브 정보를 생성할 수 있으며, 제 2 영상 서브 데이터에 대응하여 관내강 및 혈관벽 각각의 직경이 3.8mm 및 6.2mm라는 정보를 포함하는 제 2 수치 서브 정보를 생성할 수 있다. 또한, 프로세서(130)는 영상 데이터를 구성하는 복수의 영상 서브 데이터 중 제 3 영상 서브 데이터에 대응하여 관내강 및 혈관벽 각각의 직경이 1.8mm 및 7mm라는 정보 및 혈전의 직경이 2mm라는 정보를 포함하는 제 3 수치 서브 정보를 획득할 수 있다. 또한, 프로세서(130)는 제 1 수치 서브 정보, 제 2 수치 서브 정보 및 제 3 수치 서브 정보를 통합함으로써, 실시간 수치 정보를 생성할 수 있다. 이 경우, 제 3 영상 서브 데이터에 대응하는 구간에서 혈전이 발견됨을 식별할 수 있으며, 해당 혈전의 크기에 대한 정보는 실시간 수치 정보로써 표시될 수 있다. 예컨대, 실시간 수치 정보는, 스텐트 시술을 집도하는 과정에서 필수적으로 필요한 혈관, 관내강, 혈전에 대한 직경, 영역 넓이 또는, 플라그 경계 정보에 관련한 정보들을 포함할 수 있다. 즉, 프로세서(130)는 영상 데이터에 포함된 둘 이상의 구성 요소에 대응하는 형태학적 안내 수치를 각 영상 전체에 표시하여 실시간 수치 정보를 제공할 수 있다. 이에 따라, 많은 교육을 거친 숙련된 전문가가 아닌 사용자에게도 혈관에 관련한 형태학적인 수치를 인지하도록 하게 하는 효과를 제공할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(130)는 혈전 또는 플라그 중 적어도 하나로 인해 관내강의 직경이 감소하는 제 1 구간을 식별할 수 있다. 제 1 구간은, 영상 데이터의 포함된 복수의 영상 서브 데이터 중 적어도 일부에 대응하는 것일 수 있다. 즉, 영상 데이터는 검사자로부터 측정된 전체 구간의 혈관 초음파 영상일 수 있으며, 해당 영상 데이터에서의 제 1 구간은, 전체 혈관 내에서 위험 증후를 보이는 일부의 구간을 의미할 수 있다. 예컨대, 심장근육에 혈액을 공급하는 관상동맥의 일부 구간이 심장에 산소를 제대로 공급하지 못하게 막히는 제 1 구간일 수 있다. 예를 들어, 혈관의 일부가 막히는 구간은, 혈전 또는 플라그와 관련한 것일 수 있다.
즉, 프로세서(130)는 혈전 또는 플라그 중 적어도 하나를 통해 관내강의 직경이 감소하는 제 1 구간을 전체 혈관 중 위험 증후를 보이는 구간으로 식별할 수 있다. 또한, 프로세서(130)는 제 1 구간의 위치 및 길이에 기초하여 분석 정보를 생성할 수 있다. 여기서, 분석 정보는 질환 발생 여부 및 적정 시술 방법에 관한 예측 정보를 포함할 수 있다. 예를 들어, 분석 정보는, 혈관 초음파 영상에서 관내강 및 혈관벽을 각 영역으로 분할하여 표시(즉, 영역화)하는 정보를 포함할 수 있다. 또한, 예를 들어, 사용자의 혈관에 대한 영상 데이터로부터 관측된 혈관의 크기와 병변의 크기 및 종류에 대응하는 병변 혈관의 세부적인 질환 정도에 관한 예측 정보를 포함할 수 있다. 다른 예를 들어, 분석 정보는, 전체 영상 데이터에서 혈전이 있는 병변의 영역 길이를 고려함으로써 산출한 스텐트 시술에 필요한 스텐트 길이에 관한 예측 정보를 포함할 수 있다. 또 다른 예를 들어, 분석 정보는 스텐트 시술 이후, 적정한 시술 여부 판정에 관한 예측 정보를 포함할 수 있다. 전술한 분석 정보에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
즉, 프로세서(130)는 사용자의 혈관 진단을 위한 혈관 초음파 영상 데이터를 획득하고, 획득한 영상 데이터에 대응하여 질환 발생 여부 및 적정 시술 방법에 관련한 분석 정보를 제공할 수 있다.
구체적인 예를 들어, 심장 혈관(좌주관상동맥)의 일정 비율 이상이 제 1 구간의 길이와 대응하는 경우(즉, 좌주관상동맥 혈관벽 넓이의 60%가 혈전에 의해 막힌 경우), 프로세서(130)는 혈전이 위치한 제 1 구간의 길이에 대응하여 필요한 스텐트 길이에 대한 정보를 포함하는 분석 정보를 생성하여 제공할 수 있다.
즉, 프로세서(130)는 실제 진단에 필요한 정보들을 제공하는 보조 시스템으로 활용될 수 있다. 이 경우, 프로세서(130)는 단순히 관내강 또는 혈관벽 각각의 영역을 구분하기 위한 분석 정보만을 제공하는 것이 아닌, 혈관 내 혈전 및 플라그와 같은 위험 인자에 관한 정보(예컨대, 위치 및 크기)와 해당 위험 구간에 대응하는 적합한 시술 방법(예컨대, 필요한 스텐트 길이 제안) 등 정확한 진단을 보조해줄 정보들을 제공할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(130)는 영상 데이터를 구성하는 복수의 영상 서브 데이터 각각에 대응하는 복수의 수치 서브 정보에 기초하여 전체 디스플레이 이미지를 생성할 수 있다. 전체 디스플레이 이미지는, 적어도 둘 이상의 구성 요소에 관한 정보를 영상 데이터의 전체 시점에 대응하여 요약하여 나타낸 이미지일 수 있다. 전체 디스플레이 이미지는, 영상 데이터에 대응하는 전체 혈관 길이에 기초하여 생성되는 것을 특징으로 할 수 있다.
전체 혈관 길이에 대응하는 혈관 초음파에 관련한 영상 데이터는 복수의 영상 서브 데이터를 포함할 수 있다. 복수의 영상 서브 데이터는 서로 상이한 시점에서의 혈관에 관련한 프레임(즉, 이미지 데이터)을 의미하는 것으로, 카테터를 통해 관측되는 혈관의 위치에 대응하는 것일 수 있다. 이에 따라, 각 영상 서브 데이터에 대응하는 수치 서브 정보는, 관측하는 혈관 내 위치 각각에 대응하여 산출된 적어도 둘 이상의 구성요소에 관련한 형태학적인 수치에 대한 정보일 수 있다.
다시 말해, 프로세서(130)는 혈관 내 각 위치에 대응하는 산출된 복수의 서브 수치 정보에 기초하여 전체 디스플레이 이미지를 생성할 수 있다. 구체적인 예를 들어, 프로세서(130)는 관내강 및 혈관벽 각각의 직경이 4mm 및 8mm라는 정보를 포함하는 제 1 수치 서브 정보, 관내강 및 혈관벽 각각의 직경이 3.8mm 및 6.2mm라는 정보를 포함하는 제 2 수치 서브 정보, 그리고 관내강, 혈관벽 및 혈전 각각의 직경이 1.8mm, 7mm 및 2mm라는 정보를 포함하는 제 3 수치 서브 정보에 기초하여 각 구간에 대응하여 적어도 둘 이상의 구성요소를 이미지화 하여 전 구간에 관련한 요약 이미지(즉, 전체 디스플레이 이미지)를 생성할 수 있다.
즉, 프로세서(130)에 의해 생성된 전체 디스플레이 이미지는, 도 4에 도시된 바와 같을 수 있다. 전체 디스플레이 이미지는, 사용자(예컨대, 전문의)로 하여금 관측된 혈관의 전체 구간 정보를 직관적으로 파악하도록 할 수 있다. 예컨대, 이러한 전체 디스플레이 이미지는, 전체 영상(측, 관측된 혈관의 전체 구간)에서 혈전이 있는 병변의 영역 길이를 계산하여 스텐트 시술에 필요한 스텐트 길이를 결정하는데 편의성을 제공할 수 있다. 다시 말해, 관측 구간에 대응하는 전체 구간을 하나의 요약 이미지로 제공함으로써, 사용자의 명확한 이해를 도울 수 있으며, 의료적 진단을 보조해줄 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(130)는 생성된 전체 디스플레이 이미지에 북마크 정보를 생성할 수 있다. 북마크 정보는, 영상 데이터 포함된 적어도 둘 이상의 구성요소 중 적어도 하나가 관측되는 구간을 강조 또는 인지시키기 위한 표시 정보일 수 있다. 구체적으로, 프로세서(130)는 각 영상 서브 데이터에 대응하는 각 수치 서브 정보를 통해 전체 디스플레이 이미지에 북마크 정보를 생성할 수 있다. 구체적인 예를 들어, 도 4에 도시된 바와 같이, 프로세서(130)는 플라그를 포함하는 하나 이상의 수치 서브 정보를 참조함으로써, 혈관 전체 구간에 대응하는 전체 디스플레이 이미지에 플라그가 위치하는 구간에 대응하여 플라그 북마크 정보(210)를 생성할 수 있다. 즉, 프로세서(130)는 북마크 정보를 통해 사용자가 인지하고자 하는 특정 구성요소를 용이하게 인지시킬 수 있다. 예컨대, 사용자는 북마크 정보를 통해, 관측한 혈관의 전체 구간 중 석회화를 통해 혈관에 위험 인자로 작용할 수 있는 플라그 또는 혈전 등이 위치한 구간을 직관적으로 인지할 수 있다. 이는, 분석이 필요한 특정 구간 검출이 필요한 모달리티(modality)에 대해 사용 가능한 확장성을 지닐 수 있다.
추가적인 실시예에 따르면, 프로세서(130)는 생성된 전체 디스플레이 이미지에 제 1 구간에 대응하여 북마크 정보를 생성할 수 있다. 여기서 제 1 구간은, 전술한 설명에서와 같이, 위험 증후를 보이는 일부의 구간을 의미하는 것으로, 혈전 또는 플라그 중 적어도 하나로 인해 관내강의 직경이 감소하는 구간일 수 있다. 구체적인 예를 들어, 도 4에 도시된 바와 같이, 프로세서(130)는 혈관 전체 구간에 대응하는 전체 디스플레이 이미지에, 혈전으로 인해 관내강의 직경이 감소된 제 1 구간에 대응하는 북마크 정보(220)를 생성할 수 있다. 다시 말해, 프로세서(130)는 측정된 혈관의 전체 구간에서 위험 증후를 보이는 구간에 대응하여 북마크 정보를 생성함으로써, 사용자로 하여금 위험 구간을 보다 직관적으로 인지하도록 할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(130)는 이미지 데이터베이스에서 제 1 구간에 포함된 하나 이상의 영상 서브 데이터 중 적어도 하나의 영상 서브 데이터와 사전 결정된 임계 유사도 이상을 가지는 하나 이상의 유사 이미지에 대한 검색을 수행할 수 있다. 제 1 구간은, 혈관 내에서 위험 증후를 보이는 구간을 의미할 수 있으며, 해당 제 1 구강에 포함된 하나 이상의 영상 서브 데이터는, 위험 증후를 보이는 구간에 대응하는 복수의 프레임들을 의미할 수 있다. 즉, 프로세서(130)는 이미지 데이터베이스로부터 위험 영역에 관련된 구간에 대응하는 프레임들과 유사한 이미지들을 검색할 수 있다.
이를 위해, 프로세서(130)는 유사 이미지 검색 모델을 활용하여 제 1 구간에 포함된 하나 이상의 영상 서브 데이터들과 유사한 이미지(즉, 사전 결정된 임계 유사도 이상)를 선별할 수 있다. 이 경우, 유사 이미지 검색 모델은, 학습된 오토 인코터의 구성에서 차원 감소 네트워크 함수를 통해 구성될 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(130)는 오토 인코더를 비지도 학습(Unsupervised Learning) 방식을 통해 학습시킬 수 있다. 구체적으로, 프로세서는 입력 데이터와 유사한 출력 데이터를 출력하도록 오토 인코더를 구성하는 차원 감소 네트워크 함수(예컨대, 인코더) 및 차원 복원 네트워크 함수(예컨대, 디코더)를 학습시킬 수 있다. 자세히 설명하면, 차원 감소 네트워크 함수를 통한 인코딩 과정에서 입력된 하나 이상의 이미지 데이터의 핵심 특징 데이터(또는, 피처(feature)) 만을 히든 레이어를 통해 학습하고 나머지 정보를 손실시킬 수 있다. 이 경우, 차원 복원 네트워트 함수를 통한 디코딩 과정에서 히든 레이어의 출력 데이터는 완벽한 복사 값이 아닌 입력 데이터의 근사치일 수 있다. 즉, 프로세서(130)는 출력 데이터와 입력 데이터가 최대한 같아지도록 가중치를 조정함으로써, 오토 인코더를 학습시킬 수 있다.
이 경우, 학습된 오토 인코더 중 차원 감소 네트워크 함수를 통해 유사 이미지 검색 모델을 구성할 수 있다. 즉, 본 개시의 유사 이미지 검색 모델은 특정 이미지 데이터를 입력으로 하는 경우, 해당 이미지 데이터에 대응하는 피처를 출력할 수 있다. 출력되는 피처는 벡터로 표현될 수 있다.
구체적인 예를 들어, 프로세서(130)는 제 1 구간에 포함된 하나 이상의 영상 서브 데이터 중 제 1 영상 서브 데이터를 유사 이미지 검색 모델의 입력으로 하여 제 1 영상 서브 데이터에 대응하는 제 1 피처를 출력할 수 있다. 이 경우, 프로세서(130)는 제 1 피처와 벡터 공간 상에 가까운 거리에 위치한 피처들을 식별하고, 해당 피처들에 대응하는 이미지를 제 1 영상 서브 데이터와 유사한 이미지로 결정할 수 있다. 즉, 프로세서(130)는 제 1 피처와 사전 결정된 거리 이내에 존재하는 피처들에 대응하는 이미지 데이터들을, 제 1 영상 서브 데이터와 사전 결정된 임계 유사도 이상을 가지는 하나 이상의 유사 이미지로 결정할 수 있다.
또한, 프로세서(130)는 이미지 데이터베이스에서 하나 이상의 유사 이미지 및 하나 이상의 유사 이미지 각각에 매칭된 진단 정보를 획득할 수 있다. 구체적인 예를 들어, 프로세서(130)는 이미지 데이터베이스로부터 제 1 이미지 데이터를, 제 1 구간에 포함된 제 1 영상 서브 데이터와 사전 결정된 임계 유사도 이상을 가지는 유사 이미지로 결정할 수 있다. 이 경우, 프로세서(130)는 이미지 데이터베이스로부터 제 1 이미지 데이터에 대응하여 매칭된 진단 정보에 기초하여 분석 정보를 제공할 수 있다. 즉, 혈관 초음파 영상 데이터에서 위험 증후를 보이는 구간의 영상 서브 데이터와 유사한 이미지를 검색하고, 해당 이미지에 대한 진단 결과를 참조하여 분석 정보를 제공할 수 있다. 즉, 검색된 이미지들은 비교 대상으로서, 특정 이미지에서 진단하기 어려운 부분에 대하여 다른 환자의 혈관 초음파 이미지에서는 어떻게 판단하였는지 참조하여 진단에 활용할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(130)는 영상 데이터에 대한 리샘플링을 통해 학습 데이터를 증강할 수 있다. 일반적으로, 의료 데이터의 경우 모델 학습을 위한 데이터를 수집하는데 많은 어려움이 존재할 수 있다. 특히, 혈관 초음파(IVUS)와 같은 심혈관 검사의 경우 해당 검사를 수행하는 환자군이 적기 때문에 데이터의 축적이 느릴 수 있다.
즉, 본 개시에서 신경망 모델의 학습의 대상이 되는 학습 데이터는 복수의 사용자 각각의 다년간의 실제 검진 데이터로서 신경망 학습에 충분할 정도로 임의로 늘릴 수 없으며, 적은 환자군, 또는 개인정보 보호 등의 이유로 원활한 확보가 어려울 수 있다. 신경망을 학습시키기 위한 학습 데이터가 충분하게 확보되지 않은 경우, 학습된 신경망의 정확도가 다소 낮아지거나 또는 신경망의 학습 자체가 불가능할 수 있다. 또한, 특정 사용자의 혈관 초음파 영상 데이터에 관련한 정보를 임의로 변형하여 추가적인 학습 데이터를 확보하고자 하는 경우, 임의적인 변형에 따라 데이터 자체가 유효하지 않게 되거나, 또는 신경망의 학습 과정에서 원하지 않는 출력을 야기시킬 우려가 있다.
이에 따라. 본 개시의 프로세서(130)는 사용자로부터 획득된 영상 데이터에 기반하여 가까운 시점의 기준 영상 서브 데이터를 선별할 수 있으며, 해당 기준 영상 서브 데이터를 통한 보간 데이터 생성을 통해 추가 학습 데이터를 생성할 수 있다.
구체적으로, 도 5를 참조하면, 프로세서(130)는 영상 데이터에 포함된 복수의 영상 서브 데이터 중 사전 결정된 시간 간격 이하의 적어도 둘 이상의 기준 영상 서브 데이터를 선별(또는 추출)할 수 있다. 또한, 프로세서(130)는 적어도 둘 이상의 기준 영상 서브 데이터 사이를 보간하여 하나 이상의 보강 영상 서브 데이터를 생성할 수 있다. 이 경우, 생성되는 하나 이상의 보강 영상 서브 데이터는 매우 적은 기간 사이의 프레임에 관련한 데이터를 통해 보간됨에 따라 참조하는 두개의 기준 영상 서브 데이터와 큰 차이가 없으므로, bias 되지 않아 데이터가 부족한 구간에서 양질의 데이터 생성이 가능해질 수 있다. 또한, 프로세서(130)는 적어도 둘 이상의 기준 영상 서브 데이터 및 하나 이상의 보강 영상 서브 데이터에 기초하여 추가 학습 데이터를 생성함으로써, 학습 데이터에 대한 증강을 수행할 수 있다.
즉, 프로세서(130)는 영상 데이터에서 적어도 둘 이상의 기준 영상 서브 데이터를 선별하고, 각 영상 서브 데이터 사이를 보간하여 새로운 영상 데이터(즉, 추가 학습 데이터)를 생성할 수 있다. 다시 말해, 프로세서(130)에 의해 생성된 추가 학습 데이터는 단순히 새로운 프레임을 추가 생성(즉, 관련 없는 랜덤한 이미지를 추가 생성)한 것이 아닌, 참조할 만한 기준 이미지를 기반으로 생성되는 것이므로, 신경망 학습에 적절한 학습 데이터일 수 있다.
이에 따라, 추가 학습 데이터, 즉, 증강된 학습 데이터를 통해 신경망 모델의 학습의 효율을 향상시킬 수 있으며, 이에 따라 학습 완료 후, 신경망의 출력 정확도 향상을 도모할 수 있다.
특히 이를 통해 획득되는 증강된 데이터는 인위적으로 만들어진 것이 아니고, 실제 데이터에 기반하여 그 조합방식에 따라 복수의 데이터로 증강되는 장점이 있다.
도 6은 본 개시의 일 실시예와 관련된 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 방법을 수행하기 위한 단계들을 예시적으로 도시한 순서도이다.
본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 복수의 영상 서브 데이터를 포함하는 영상 데이터를 획득할 수 있다(310).
본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 영상 분석 모델을 이용하여 영상 데이터에 포함된 적어도 둘 이상의 구성요소에 대한 분할을 수행할 수 있다(320).
본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 적어도 둘 이상의 구성요소에 대한 분할 결과에 기초하여 영상 데이터에 대응하는 분석 정보를 생성할 수 있다(330).
전술한 도 6에 도시된 단계들은 필요에 의해 순서가 변경될 수 있으며, 적어도 하나 이상의 단계가 생략 또는 추가될 수 있다. 즉, 전술한 단계는 본 개시의 일 실시예에 불과할 뿐, 본 개시의 권리 범위는 이에 제한되지 않는다.
도 7은 본 개시의 일 실시예와 관련된 하나 이상의 네트워크 함수를 나타낸 개략도이다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 “노드”라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 “노드”들은 “뉴런(neuron)”들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의“링크”에 의해 상호 연결될 수 있다.
신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.
신경망은 하나 이상의 노드들을 포함하여 구성될 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다, 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.
최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다. 본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning) 및 반교사학습(semi supervised learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 출력의 오류를 최소화하기 위한 것이다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨이 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.
뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 생략하는 드롭아웃(dropout) 등의 방법이 적용될 수 있다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. (이하에서는 신경망으로 통일하여 기술한다.) 데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수를 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 트레이닝을 위한 손실 함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다.
데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 파라미터에 기초하여 출력 노드 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 개시가 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.
본 개시의 구성 요소들은 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 애플리케이션)으로 구현되어 매체에 저장될 수 있다. 본 개시의 구성 요소들은 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있으며, 이와 유사하게, 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다. 용어 "기계-판독가능 매체"는 명령(들) 및/또는 데이터를 저장, 보유, 및/또는 전달할 수 있는 무선 채널 및 다양한 다른 매체를 포함하지만, 이들로 제한되는 것은 아니다.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.
제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
Claims (10)
- 컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 방법으로,
복수의 영상 서브 데이터를 포함하는 영상 데이터를 획득하는 단계;
영상 분석 모델을 이용하여 상기 영상 데이터에 포함된 적어도 둘 이상의 구성요소에 대한 분할(segmentation)을 수행하는 단계; 및
상기 적어도 둘 이상의 구성요소에 대한 분할 결과에 기초하여 상기 영상 데이터에 대응하는 분석 정보를 생성하는 단계;
를 포함하는,
컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 인공 신경망을 활용한 의료영상 세그멘테이션 및 분석방법.
- 제 1 항에 있어서,
상기 적어도 둘 이상의 구성요소는,
관내강(lumen), 혈관벽(vessel), 혈전(thrombus) 및 플라그(plaque) 중 적어도 하나를 포함하는 것을 특징으로 하며,
상기 영상 분석 모델을 이용하여 상기 영상 데이터에 대한 적어도 둘 이상의 구성요소에 대한 분할을 수행하는 단계는,
상기 영상 데이터를 상기 영상 분석 모델의 입력으로 처리하여 상기 적어도 둘 이상의 구성 요소 간의 분할된 경계를 표시하는 영상 데이터를 출력하는 단계;
를 포함하는,
컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 인공 신경망을 활용한 의료영상 세그멘테이션 및 분석방법.
- 제 2 항에 있어서,
상기 영상 분석 모델은,
학습 데이터 세트를 통해 학습된 신경망 모델로, 차원 감소 서브 모델 및 차원 복원 서브 모델을 포함하며, 학습 입력 데이터를 상기 차원 감소 서브 모델의 입력으로 하여 상기 차원 복원 서브 모델이 상기 학습 입력 데이터의 라벨과 연관된 학습 출력 데이터를 출력하도록 학습되며,
상기 차원 감소 서브 모델은,
상기 학습 입력 데이터를 구성하는 복수의 픽셀 간의 유사도 계산을 수행하는 논-로컬 블록(non-local block)을 포함하는 것을 특징으로 하는,
컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 인공 신경망을 활용한 의료영상 세그멘테이션 및 분석방법.
- 제 1 항에 있어서,
상기 영상 데이터에 포함된 적어도 둘 이상의 구성 요소에 대한 분할을 수행하는 단계는,
상기 영상 데이터에 포함된 상기 적어도 둘 이상의 구성 요소에 대응하는 실시간 수치 정보를 생성하여 제공하는 단계;
를 포함하며,
상기 적어도 둘 이상의 구성 요소에 대응하는 실시간 수치 정보는,
관내강, 혈관벽, 혈전 및 플라그 중 적어도 하나에 대한 위치 및 크기 정보를 포함하는,
컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 인공 신경망을 활용한 의료영상 세그멘테이션 및 분석방법.
- 제 4 항에 있어서,
상기 영상 데이터에 포함된 상기 적어도 둘 이상의 구성 요소에 대응하는 실시간 수치 정보를 생성하여 제공하는 단계는,
상기 복수의 영상 서브 데이터 각각에 대응하여 상기 적어도 둘 이상의 구성 요소 각각의 직경을 산출하는 단계;
상기 산출된 적어도 둘 이상의 구성 요소 각각의 직경에 기초하여 각 영상 서브 데이터에 대응하는 복수의 수치 서브 정보를 생성하는 단계; 및
상기 복수의 수치 서브 정보에 기초하여 상기 실시간 수치 정보를 생성하는 단계;
를 포함하는,
컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 인공 신경망을 활용한 의료영상 세그멘테이션 및 분석방법.
- 제 4 항에 있어서,
상기 혈전 또는 상기 플라그로 인해 상기 관내강의 직경이 감소하는 제 1 구간을 식별하는 단계;
를 더 포함하며,
상기 영상 데이터에 대응하는 분석 정보를 생성하는 단계는,
상기 제 1 구간의 위치 및 길이에 기초하여 상기 분석 정보를 생성하는 단계;
를 포함하며,
상기 분석 정보는,
질환 발생 여부 및 적정 시술 방법에 관련한 예측 정보를 포함하는,
컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 인공 신경망을 활용한 의료영상 세그멘테이션 및 분석방법.
- 제 6 항에 있어서,
상기 영상 데이터에 대응하는 분석 정보를 생성하는 단계는,
상기 영상 데이터를 구성하는 복수의 영상 서브 데이터 각각에 대응하는 복수의 수치 서브 정보들에 기초하여 전체 디스플레이 이미지를 생성하는 단계;
를 포함하며,
상기 전체 디스플레이 이미지는,
상기 적어도 둘 이상의 구성요소에 관한 정보를 상기 영상 데이터의 전체 시점에 대응하여 요약하여 나타낸 이미지로 관측된 혈관의 전체 구간 정보를 포함하며, 상기 영상 데이터에 대응하는 전체 혈관 길이에 기초하여 생성되는 것을 특징으로 하는,
컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 인공 신경망을 활용한 의료영상 세그멘테이션 및 분석방법.
- 제 7 항에 있어서,
상기 영상 데이터에 대응하는 분석 정보를 생성하는 단계는,
상기 생성된 전체 디스플레이 이미지에 상기 제 1 구간에 대응하는 북마크 표시 정보를 생성하는 단계;
를 포함하는,
컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 인공 신경망을 활용한 의료영상 세그멘테이션 및 분석방법.
- 제 6 항에 있어서,
상기 영상 데이터에 대응하는 분석 정보를 생성하는 단계는,
이미지 데이터베이스(image database)에서 상기 제 1 구간에 포함된 하나 이상의 영상 서브 데이터 중 적어도 하나의 영상 서브 데이터 와 사전 결정된 임계 유사도 이상을 가지는 하나 이상의 유사 이미지를 검색하는 단계; 및
상기 하나 이상의 유사 이미지 및 상기 하나 이상의 유사 이미지 각각에 매칭된 진단 정보를 획득하는 단계;
를 포함하는,
컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 인공 신경망을 활용한 의료영상 세그멘테이션 및 분석방법.
- 제 1 항에 있어서,
상기 영상 데이터에 대한 리샘플링을 통해 학습 데이터를 증강하는 단계;
를 더 포함하며,
상기 영상 데이터에 대한 리샘플링을 통해 학습 데이터를 증강하는 단계는,
상기 영상 데이터에 포함된 복수의 영상 서브 데이터 중 사전 결정된 시간 간격 이하의 적어도 둘 이상의 기준 영상 서브 데이터를 추출하는 단계;
상기 적어도 둘 이상의 기준 영상 서브 데이터 사이를 보간하여 하나 이상의 보강 영상 서브 데이터를 생성하는 단계; 및
상기 적어도 둘 이상의 기준 영상 서브 데이터 및 상기 하나 이상의 보강 영상 서브 데이터에 기초하여 추가 학습 데이터를 생성하는 단계;
를 포함하는,
컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 인공 신경망을 활용한 의료영상 세그멘테이션 및 분석방법.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200163053A KR20220075126A (ko) | 2020-11-27 | 2020-11-27 | 인공 신경망을 활용한 의료영상 세그멘테이션 및 분석방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200163053A KR20220075126A (ko) | 2020-11-27 | 2020-11-27 | 인공 신경망을 활용한 의료영상 세그멘테이션 및 분석방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20220075126A true KR20220075126A (ko) | 2022-06-07 |
Family
ID=81986902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200163053A KR20220075126A (ko) | 2020-11-27 | 2020-11-27 | 인공 신경망을 활용한 의료영상 세그멘테이션 및 분석방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR20220075126A (ko) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024128862A1 (ko) * | 2022-12-15 | 2024-06-20 | 서울대학교병원 | 딥러닝 기반의 고관절 병변 예측 장치 및 방법 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110028916A (ko) | 2009-09-14 | 2011-03-22 | 울산대학교 산학협력단 | 혈관 내 초음파 영상을 이용한 혈관 내 죽상 경화반 성분 측정 장치 및 방법 |
-
2020
- 2020-11-27 KR KR1020200163053A patent/KR20220075126A/ko unknown
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110028916A (ko) | 2009-09-14 | 2011-03-22 | 울산대학교 산학협력단 | 혈관 내 초음파 영상을 이용한 혈관 내 죽상 경화반 성분 측정 장치 및 방법 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024128862A1 (ko) * | 2022-12-15 | 2024-06-20 | 서울대학교병원 | 딥러닝 기반의 고관절 병변 예측 장치 및 방법 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102304339B1 (ko) | 인공 신경망을 활용하여 혈관 초음파 영상에 대한 분석 정보를 제공하기 위한 방법 및 컴퓨팅 장치 | |
Gessert et al. | Automatic plaque detection in IVOCT pullbacks using convolutional neural networks | |
Gjoreski et al. | Machine learning and end-to-end deep learning for the detection of chronic heart failure from heart sounds | |
CN111476757B (zh) | 一种冠脉斑块数据检测方法、***、存储介质、终端 | |
US12042247B2 (en) | System and method for determining coronary artery tissue type based on an OCT image and using trained engines | |
CN110638438B (zh) | 用于对血流储备分数的基于机器学习的评估的方法和*** | |
KR102298119B1 (ko) | 수면에 관련한 분석 정보를 제공하기 위한 방법 및 컴퓨팅 장치 | |
JP2023502429A (ja) | 機械学習を使用する冠状動脈疾患の解剖学的および機能的評価 | |
JP7349018B2 (ja) | 冠状動脈の分割方法、装置、電子デバイス及びコンピュータ読取可能な記憶媒体 | |
WO2023237553A1 (en) | Method and system for assessing functionally significant vessel obstruction based on machine learning | |
KR20220075126A (ko) | 인공 신경망을 활용한 의료영상 세그멘테이션 및 분석방법 | |
Revathi et al. | Diagnosing cardio vascular disease (CVD) using generative adversarial network (GAN) in retinal fundus images | |
CN109979591B (zh) | 一种基于图神经网络分析斑块进展因子的方法及装置 | |
US20230057740A1 (en) | Sensing | |
CN116309346A (zh) | 医学图像的检测方法、装置、设备、存储介质及程序产品 | |
CN113902689A (zh) | 一种血管中心线提取方法、***、终端以及存储介质 | |
KR20220109535A (ko) | 안저 검사 방법 및 장치 | |
Singh et al. | Classification of arrhythmia using transfer learning and its applications in smart wearables | |
Brown et al. | Deep learning for computer-aided diagnosis in ophthalmology: a review | |
US20240138773A1 (en) | Sequentially-reduced artificial intelligence based systems and methods for cardiovascular transfer functions | |
WO2022266291A1 (en) | Synthetic echo from ecg | |
US20240252106A1 (en) | Apparatus and method for determining brain language area invasion based on speech data | |
Lechuga et al. | New Methods on Image Analysis, Two Applications: An Augmented Reality Application for Heartbeat Sound Analysis And A MRI Brain Injury Image Analysis | |
Sanjeevi et al. | Deep learning supported echocardiogram analysis: A comprehensive review | |
Narayanan | Deep learning of fundus images and optical coherence tomography images for ocular disease detection–a review |