KR20220143182A - Method for improving accuracy of liver cancer diagnosis model using normal and benign liver cancer data - Google Patents

Method for improving accuracy of liver cancer diagnosis model using normal and benign liver cancer data Download PDF

Info

Publication number
KR20220143182A
KR20220143182A KR1020210048267A KR20210048267A KR20220143182A KR 20220143182 A KR20220143182 A KR 20220143182A KR 1020210048267 A KR1020210048267 A KR 1020210048267A KR 20210048267 A KR20210048267 A KR 20210048267A KR 20220143182 A KR20220143182 A KR 20220143182A
Authority
KR
South Korea
Prior art keywords
liver cancer
data
artificial intelligence
present
intelligence learning
Prior art date
Application number
KR1020210048267A
Other languages
Korean (ko)
Inventor
김한석
유영성
스리니바산 기리시
페루말라 아킬라
Original Assignee
주식회사 피맥스
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 피맥스 filed Critical 주식회사 피맥스
Priority to KR1020210048267A priority Critical patent/KR20220143182A/en
Publication of KR20220143182A publication Critical patent/KR20220143182A/en

Links

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
    • G16H50/70—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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/42—Detecting, measuring or recording for evaluating the gastrointestinal, the endocrine or the exocrine systems
    • A61B5/4222—Evaluating particular parts, e.g. particular organs
    • A61B5/4244—Evaluating particular parts, e.g. particular organs liver
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • G06T2207/30056—Liver; Hepatic

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Gastroenterology & Hepatology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Veterinary Medicine (AREA)
  • Endocrinology (AREA)
  • Physiology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Image Analysis (AREA)

Abstract

According to one embodiment of the present invention, provided is a method for improving the accuracy of a liver cancer diagnosis model using normal and benign liver cancer data. The method may comprise the steps of: obtaining source data; generating artificial intelligence learning data by refining the obtained source data; storing the generated artificial intelligence learning data in an integrated imaging platform for artificial intelligence learning; and automatically detecting liver cancer through an artificial intelligence model trained on the basis of the artificial intelligence learning data stored in the integrated imaging platform.

Description

정상 및 양성 간암 데이터를 활용한 간암 진단 모델의 정확도를 향상시키는 방법{METHOD FOR IMPROVING ACCURACY OF LIVER CANCER DIAGNOSIS MODEL USING NORMAL AND BENIGN LIVER CANCER DATA}How to improve the accuracy of a liver cancer diagnosis model using normal and benign liver cancer data

본 발명은 정상 및 양성 간암 데이터를 활용한 간암 진단 모델의 정확도를 향상시키는 방법에 관한 것이다.The present invention relates to a method for improving the accuracy of a liver cancer diagnosis model using normal and benign liver cancer data.

일반적으로 간암이란 간에 생기는 원발성 암을 통징하는데, 간세포에서 기원하는 간세포암종, 담관세포에서 기원하는 담관세포암종 등이 있다. 최근 리포트에 따르면, 국내 간암 발병률은 암 환자 중 남자에게서 4위(11.5%), 여자에게서는 6위(4.1%)에 해당한다. 특히, 전체 암종들 중에서 간암의 사망률은 2위이며, 간암의 사회경제적 부담은 다른 암종들에 비해 매우 높은 것으로 나타난다.In general, liver cancer refers to primary cancer occurring in the liver. According to a recent report, the incidence of liver cancer in Korea ranks 4th (11.5%) for men and 6th (4.1%) for women among cancer patients. In particular, liver cancer has the second highest mortality rate among all carcinomas, and the socioeconomic burden of liver cancer is very high compared to other carcinomas.

간암 환자의 예후는 진단 시의 병기에 크게 좌우되는데, 조기에 발견하면 근치적 치료가 가능하기 때문에 생존율이 높아지고, 반대로 진행된 병기에서는 완치율이 떨어진다. 따라서 집단을 대상으로 선별검사(screening)를 실시하여 간암을 조기에 진단하는 것이 매우 중요하다. 따라서, 국내에서는 간암 감시검사의 경우, 혈청 알파태아단백(alpha-fetoprotein, AFP) 검사와 간초음파 검사를 6개월 간격으로 하는 것을 권고하고 있다The prognosis of liver cancer patients greatly depends on the stage at the time of diagnosis. If detected early, the survival rate is high because curative treatment is possible, and conversely, the cure rate is low in advanced stages. Therefore, it is very important to diagnose liver cancer at an early stage by performing screening for the population. Therefore, in the case of liver cancer monitoring test in Korea, it is recommended to perform serum alpha-fetoprotein (AFP) test and liver ultrasound every 6 months.

그러나, 간암의 선별검사가 최대한의 효과를 나타내기 위해서는 고위험군 환자들의 간암 선별검사에 대한 순응도가 좋아야 하며, 간암 선별검사의 진단적 민감도가 높아야 한다.However, in order for the liver cancer screening test to have the maximum effect, high-risk patients should have good compliance with the liver cancer screening test and the diagnostic sensitivity of the liver cancer screening test should be high.

즉, 일정 수준을 갖춘 검사자가 초음파검사를 시행해야 하며, 장비의 질 관리 역시 중요한 부분이고, 검진 결과서의 이상 소견에 따라 수검자가 빠짐없이 적절한 진단 절차를 받을 수 있어야 한다.That is, an examiner with a certain level should perform the ultrasound examination, and the quality control of the equipment is also an important part, and according to the abnormal findings in the examination result, the examinee should be able to receive an appropriate diagnosis procedure without omission.

다만, 초음파 검사의 특성상 검사자의 숙련도에 따라 진단의 정확도가 떨어지며, 횡경막 인접 부위인 8분절의 경우 초음파로 확인이 어려워 병변을 놓칠 수 있는 가능성이 있으며, 비만, 장내 가스 등으로 인해 검사가 어려운 경우가 있는 등의 문제점이 있다.However, due to the nature of the ultrasound examination, the accuracy of diagnosis is lowered depending on the skill level of the examiner. In the case of the 8 segment adjacent to the diaphragm, there is a possibility that the lesion may be missed because it is difficult to confirm with ultrasound. There are problems such as having .

또한, 대부분의 간암 환자는 간경변증을 동반하는 경우가 많은데, 심한 간경변증 환자의 경우 초음파 검사의 낮은 민감도로 인해 만족스러운 간암 조기 진단이 이루어지지 않아 CT(Computed Tomography) 또는 MRI(Magnetic Resonance Imaging)를 초음파검사와 교대로 검사하는 것이 실제 진료실에서 이루어지고 있는 현실이다.In addition, most liver cancer patients are often accompanied by cirrhosis. In patients with severe liver cirrhosis, due to the low sensitivity of ultrasound examination, satisfactory early diagnosis of liver cancer is not achieved, so CT (Computed Tomography) or MRI (Magnetic Resonance Imaging) ultrasound The reality is that examinations and examinations are performed alternately in the actual clinic.

그러나, MRI 등의 민감도가 높다고 하여도 검사의 이용 접근이 어렵고, 고비용과 함께 영상의학과 전문의의 판독이 필요하다는 단점이 존재하며, 특히 최근 CT, MRI 등의 영상 검사가 증가함에 따라 전문의가 판독해야 하는 의료영상이 급격히 늘어나 관련 인력 부족 현상이 생기는 등의 문제점이 있다.However, even if the sensitivity of MRI is high, it is difficult to access the test, high cost, and the need to read by a radiologist. There are problems such as a shortage of related personnel due to the rapid increase in the number of medical images performed.

따라서, 이를 해결할 수 있는 간암 진단 방법이 필요하다.Therefore, there is a need for a method for diagnosing liver cancer that can solve this problem.

본 발명은 상기 문제점을 해결하기 위한 것으로서, 정상 및 양성 간암 데이터를 활용한 간암 진단 모델의 정확도를 향상시키는 방법을 제공하는 것을 그 목적으로 한다.An object of the present invention is to solve the above problems, and an object of the present invention is to provide a method for improving the accuracy of a liver cancer diagnosis model using normal and benign liver cancer data.

본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재들로부터 당업자에게 명확하게 이해될 수 있을 것이다.The technical problems of the present invention are not limited to the technical problems mentioned above, and other technical problems not mentioned will be clearly understood by those skilled in the art from the following description.

본 발명의 일 실시예에 따라, 정상 및 양성 간암 데이터를 활용한 간암 진단 모델의 정확도를 향상시키는 방법이 제공된다. 상기 방법은, 원천 데이터를 획득하는 단계; 획득한 상기 원천 데이터를 정제하여 인공지능 학습용 데이터를 생성하는 단계; 생성한 상기 인공지능 학습용 데이터를 통합 인공지능 학습용 이미징 플랫폼에 저장하는 단계; 및 상기 통합 이미징 플랫폼에 저장된 상기 인공지능 학습용 데이터에 기초하여 학습된 인공지능 모델을 통해 간암을 자동으로 검출하는 단계를 포함할 수 있다.According to an embodiment of the present invention, there is provided a method for improving the accuracy of a liver cancer diagnosis model using normal and benign liver cancer data. The method comprises the steps of: obtaining source data; generating data for artificial intelligence learning by purifying the acquired source data; storing the generated data for artificial intelligence learning in an imaging platform for integrated artificial intelligence learning; and automatically detecting liver cancer through an artificial intelligence model learned based on the artificial intelligence learning data stored in the integrated imaging platform.

본 발명에 따르면, 간암의 진단에 중요한 다양한 진단 영상과 임상 자료를 추가한 인공지능 학습용 데이터를 통하여 인공지능을 학습시킬 수 있다.According to the present invention, artificial intelligence can be learned through data for artificial intelligence learning in which various diagnostic images and clinical data important for the diagnosis of liver cancer are added.

또한, 본 발명에 따르면, 학습된 인공지능을 통하여 객관적이고 정확한 진단을 제공할 수 있다.In addition, according to the present invention, it is possible to provide an objective and accurate diagnosis through the learned artificial intelligence.

또한, 본 발명에 따르면, 인공지능 학습용 데이터를 간암과 간의 양성 종양, 정상 간의 영상을 나누어 수집하고, 환자의 임상 데이터를 병합함으로써 질환의 진단과 예후 등의 임상 인자를 예측할 수 있다.In addition, according to the present invention, it is possible to predict clinical factors such as diagnosis and prognosis of a disease by collecting AI learning data by dividing images of liver cancer, benign tumors of the liver, and normal liver, and merging the clinical data of the patient.

본 발명의 상세한 설명에서 인용되는 도면을 보다 충분히 이해하기 위하여 각 도면의 간단한 설명이 제공된다.
도 1은 본 발명의 일 실시예에 따른 간암 진단 방법의 원천 데이터 획득 방법을 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 간암 진단 방법의 원천 데이터 중 간암 촬영 영상의 예를 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시예에 따른 간암 진단 방법의 원천 데이터 중 양성 간 촬영 영상의 예를 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 간암 진단 방법의 정상 간 촬영 영상의 예를 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 간암 진단 방법의 프리드로우(Freedraw) 레이블링(Labeling) 방식을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 간암 진단 방법의 커브(Curve) 레이블링 방식을 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시예에 따른 간암 진단 방법의 최소 비용 경로 방식 및 스마트 펜(Smart Pen) 레이블링 방식을 설명하기 위한 도면이다.
도 8은 본 발명의 일 실시예에 따른 간암 진단 방법의 매직 브러시(Magic Brush) 레이블링 방식을 설명하기 위한 도면이다.
도 9는 본 발명의 일 실시예에 따른 간암 진단 방법의 레이블링을 위한 도구의 예를 설명하기 위한 도면이다.
도 10은 본 발명의 일 실시예에 따른 간암 진단 방법의 레이블링된 학습용 데이터를 각 의료기관에 저장하는 예를 설명하기 위한 도면이다.
도 11은 본 발명의 일 실시예에 따른 간암 진단 방법이 적용된 통합 인공지능학습용 이미지 플랫폼(Imaging Platform)의 예를 설명하기 위한 도면이다.
도 12는 본 발명의 일 실시예에 따른 간암 진단 방법의 간암 분할 과정을 설명하기 위한 도면이다.
도 13은 본 발명의 일 실시예에 따른 간암 진단 방법의 간 영역 분할 네트워크를 설명하기 위한 도면이다.In order to more fully understand the drawings recited in the Detailed Description of the Invention, a brief description of each drawing is provided.
1 is a diagram for explaining a method for acquiring source data of a liver cancer diagnosis method according to an embodiment of the present invention.
2 is a diagram for explaining an example of a liver cancer imaging image among source data of a liver cancer diagnosis method according to an embodiment of the present invention.
3 is a view for explaining an example of a benign liver imaging image among source data of a liver cancer diagnosis method according to an embodiment of the present invention.
4 is a view for explaining an example of a normal liver imaging image of the liver cancer diagnosis method according to an embodiment of the present invention.
5 is a view for explaining a freedraw labeling method of the liver cancer diagnosis method according to an embodiment of the present invention.
6 is a diagram for explaining a curve labeling method of a liver cancer diagnosis method according to an embodiment of the present invention.
7 is a view for explaining a minimum cost path method and a smart pen labeling method of the liver cancer diagnosis method according to an embodiment of the present invention.
8 is a diagram for explaining a magic brush labeling method of a liver cancer diagnosis method according to an embodiment of the present invention.
9 is a diagram for explaining an example of a tool for labeling a liver cancer diagnosis method according to an embodiment of the present invention.
10 is a view for explaining an example of storing labeled learning data of the liver cancer diagnosis method according to an embodiment of the present invention in each medical institution.
11 is a diagram for explaining an example of an integrated artificial intelligence learning imaging platform to which the liver cancer diagnosis method according to an embodiment of the present invention is applied.
12 is a view for explaining a liver cancer division process of the liver cancer diagnosis method according to an embodiment of the present invention.
13 is a diagram for explaining a liver region division network in a method for diagnosing liver cancer according to an embodiment of the present invention.

본 발명의 기술적 사상은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 이를 상세히 설명하고자 한다. 그러나, 이는 본 발명의 기술적 사상을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 기술적 사상의 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.Since the technical spirit of the present invention may have various changes and may have various embodiments, specific embodiments will be illustrated in the drawings and described in detail. However, this is not intended to limit the technical spirit of the present invention to specific embodiments, and it should be understood to include all changes, equivalents or substitutes included in the scope of the technical spirit of the present invention.

본 발명의 기술적 사상을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 발명의 설명 과정에서 이용되는 숫자(예를 들어, 제1, 제2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.In describing the technical idea of the present invention, if it is determined that a detailed description of a related known technology may unnecessarily obscure the subject matter of the present invention, the detailed description thereof will be omitted. In addition, numbers (eg, first, second, etc.) used in the description of the present invention are merely identification symbols for distinguishing one component from another.

또한, 본 발명에서, 일 구성요소가 다른 구성요소와 "연결된다" 거나 "접속된다" 등으로 언급된 때에는, 상기 일 구성요소가 상기 다른 구성요소와 직접 연결되거나 또는 직접 접속될 수도 있지만, 특별히 반대되는 기재가 존재하지 않는 이상, 중간에 또 다른 구성요소를 매개하여 연결되거나 또는 접속될 수도 있다고 이해되어야 할 것이다.In addition, in the present invention, when a component is referred to as “connected” or “connected” with another component, the component may be directly connected or directly connected to the other component, but in particular It should be understood that, unless there is a description to the contrary, it may be connected or connected through another element in the middle.

또한, 본 발명에 기재된 "~부", "~기", "~자", "~모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 프로세서(Processor), 마이크로 프로세서(Micro Processer), 마이크로 컨트롤러(Micro Controller), CPU(Central Processing Unit), GPU(Graphics Processing Unit), APU(Accelerate Processor Unit), DSP(Digital Signal Processor), ASIC(Application Specific Integrated Circuit), FPGA(Field Programmable Gate Array) 등과 같은 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.In addition, terms such as "~ unit", "~ group", "~ character", and "~ module" described in the present invention mean a unit that processes at least one function or operation, which is a processor, a micro Processor (Micro Processor), Micro Controller (Micro Controller), CPU (Central Processing Unit), GPU (Graphics Processing Unit), APU (Accelerate Processor Unit), DSP (Digital Signal Processor), ASIC (Application Specific Integrated Circuit), FPGA It may be implemented by hardware or software such as (Field Programmable Gate Array), or a combination of hardware and software.

그리고 본 발명에서의 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.And it is intended to clarify that the classification of the constituent parts in the present invention is merely a division for each main function that each constituent unit is responsible for. That is, two or more components to be described below may be combined into one component, or one component may be divided into two or more for each more subdivided function. In addition, each of the constituent units to be described below may additionally perform some or all of the functions of other constituent units in addition to the main function it is responsible for. Of course, it can also be performed by being dedicated to it.

본 명세서에 걸쳐, 네트워크 함수는 신경망 네트워크 및/또는 뉴럴 네트워크(neural network)와 동일한 의미로 사용될 수 있다. 여기서, 뉴럴 네트워크(신경망)는 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있고, 이러한 노드들은 뉴런으로 지칭될 수 있다. 뉴럴 네트워크는 일반적으로 복수의 노드들을 포함하여 구성된다. 뉴럴 네트워크를 구성하는 노드들은 하나 이상의 링크에 의해 상호 연결될 수 있다.Throughout this specification, a network function may be used synonymously with a neural network and/or a neural network. Here, a neural network (neural network) may be composed of a set of interconnected computational units that may be generally referred to as nodes, and these nodes may be referred to as neurons. A neural network is generally configured to include a plurality of nodes. Nodes constituting the neural network may be interconnected by one or more links.

뉴럴 네트워크를 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.Some of the nodes constituting the neural network may configure one layer based on distances from the initial input node. For example, a set of nodes having a distance of n from the initial input node may constitute n layers.

본 명세서에서 설명하는 뉴럴 네트워크는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 딥 뉴럴 네트워크(Deep Neural Network, DNN)를 포함할 수 있다. 딥 뉴럴 네트워크는 컨볼루셔널 뉴럴 네트워크(Convolutional Neural Network, CNN), 리커런트 뉴럴 네트워크(Recurrent Neural Network, RNN) 등을 포함할 수 있다.The neural network described herein may include a deep neural network (DNN) including a plurality of hidden layers in addition to an input layer and an output layer. The deep neural network may include a convolutional neural network (CNN), a recurrent neural network (RNN), and the like.

도 1은 본 발명의 일 실시예에 따른 간암 진단 방법의 원천 데이터 획득 방법을 설명하기 위한 도면이고, 도 2는 본 발명의 일 실시예에 따른 간암 진단 방법의 원천 데이터 중 간암 촬영 영상의 예를 설명하기 위한 도면이며, 도 3은 본 발명의 일 실시예에 따른 간암 진단 방법의 원천 데이터 중 양성 간 촬영 영상의 예를 설명하기 위한 도면이고, 도 4는 본 발명의 일 실시예에 따른 간암 진단 방법의 정상 간 촬영 영상의 예를 설명하기 위한 도면이며, 도 5는 본 발명의 일 실시예에 따른 간암 진단 방법의 프리드로우(Freedraw) 레이블링(Labeling) 방식을 설명하기 위한 도면이고, 도 6은 본 발명의 일 실시예에 따른 간암 진단 방법의 커브(Curve) 레이블링 방식을 설명하기 위한 도면이며, 도 7은 본 발명의 일 실시예에 따른 간암 진단 방법의 최소 비용 경로 방식 및 스마트 펜(Smart Pen) 레이블링 방식을 설명하기 위한 도면이고, 도 8은 본 발명의 일 실시예에 따른 간암 진단 방법의 매직 브러시(Magic Brush) 레이블링 방식을 설명하기 위한 도면이며, 도 9는 본 발명의 일 실시예에 따른 간암 진단 방법의 레이블링을 위한 도구의 예를 설명하기 위한 도면이고, 도 10은 본 발명의 일 실시예에 따른 간암 진단 방법의 레이블링된 학습용 데이터를 각 의료기관에 저장하는 예를 설명하기 위한 도면이며, 도 11은 본 발명의 일 실시예에 따른 간암 진단 방법이 적용된 통합 인공지능학습용 이미지 플랫폼(Imaging Platform)의 예를 설명하기 위한 도면이고, 도 12는 본 발명의 일 실시예에 따른 간암 진단 방법의 간암 분할 과정을 설명하기 위한 도면이며, 도 13은 본 발명의 일 실시예에 따른 간암 진단 방법의 간 영역 분할 네트워크를 설명하기 위한 도면이다.1 is a view for explaining a method for acquiring source data of a method for diagnosing liver cancer according to an embodiment of the present invention, and FIG. 2 is an example of a liver cancer imaging image among source data for a method for diagnosing liver cancer according to an embodiment of the present invention. 3 is a diagram for explaining an example of a benign liver imaging image among source data of a liver cancer diagnosis method according to an embodiment of the present invention, and FIG. 4 is a liver cancer diagnosis according to an embodiment of the present invention. It is a view for explaining an example of a normal liver imaging image of the method, and FIG. 5 is a view for explaining a freedraw labeling method of a liver cancer diagnosis method according to an embodiment of the present invention, and FIG. 6 is A diagram for explaining a curve labeling method of a liver cancer diagnosis method according to an embodiment of the present invention, and FIG. 7 is a minimal cost path method and a smart pen (Smart Pen) of the liver cancer diagnosis method according to an embodiment of the present invention. ) is a diagram for explaining a labeling method, and FIG. 8 is a diagram for explaining a magic brush labeling method of a liver cancer diagnosis method according to an embodiment of the present invention, and FIG. 9 is an embodiment of the present invention It is a view for explaining an example of a tool for labeling a liver cancer diagnosis method according to the present invention, and FIG. , FIG. 11 is a view for explaining an example of an image platform for integrated artificial intelligence learning to which the liver cancer diagnosis method according to an embodiment of the present invention is applied, and FIG. 12 is a liver cancer diagnosis method according to an embodiment of the present invention. It is a diagram for explaining a liver cancer division process, and FIG. 13 is a diagram for explaining a liver region division network of a liver cancer diagnosis method according to an embodiment of the present invention.

도 1 내지 도 13을 참조하면, 본 발명의 일 실시예에 따른 간암 진단 방법은, 원천 데이터를 획득하는 단계, 획득한 원천 데이터를 정제하여 인공지능 학습용 데이터를 생성하는 단계, 생성한 인공지능 학습용 데이터를 통합 인공지능 학습용 이미징 플랫폼에 저장하는 단계 및 통합 이미징 플랫폼에 저장된 인공지능 학습용 데이터에 기초하여 학습된 인공지능 모델을 통하여 간암을 자동으로 검출하는 단계를 포함할 수 있다.1 to 13 , the liver cancer diagnosis method according to an embodiment of the present invention includes the steps of obtaining source data, purifying the obtained source data to generate data for artificial intelligence learning, and generating artificial intelligence for learning Storing the data in the integrated artificial intelligence learning imaging platform and automatically detecting liver cancer through the artificial intelligence model learned based on the artificial intelligence learning data stored in the integrated imaging platform.

원천 데이터를 획득하는 단계는, 영상자료를 획득하는 단계 및 획득한 영상자료의 임상 정보를 획득하는 단계를 포함할 수 있다.The acquiring of the source data may include acquiring image data and acquiring clinical information of the acquired image data.

실시예에 따라, 영상자료를 획득하는 단계는, 의료데이터베이스, 예를 들어, EMR(Electronic Medical Record) 및 PACS(Picture Archiving and Communication System)에서 데이터베이스 쿼리(Query)를 통하여 간암 진단을 위해 촬영된 US(Ultrasonography), CT(Computed Tomography), MRI(Magnetic Resonance Imaging) 영상을 획득함으로써 수행될 수 있다. 이때, 획득한 각 영상의 진단 결과는 크게 악성(Malignant) 간암, 담도암, 전이성 악성 종양과 양성(Benign), 정상(Normal) 영상으로 구분할 수 있으며, 정상은 비악성으로 구분할 수 있다.According to an embodiment, the step of acquiring the image data includes a US photographed for liver cancer diagnosis through a database query in a medical database, for example, an Electronic Medical Record (EMR) and a Picture Archiving and Communication System (PACS). (Ultrasonography), computed tomography (CT), or magnetic resonance imaging (MRI) may be performed by acquiring images. At this time, the diagnosis results of each acquired image can be largely divided into malignant liver cancer, biliary tract cancer, metastatic malignant tumor, and benign and normal images, and normal can be divided into non-malignant.

여기서, 간암 영상은, 영상학적 간암 진단 기준에 의해서 획득할 수 있다. 여기서 영상학적 간암 진단 기준은, 역동적 조영증강 CT, 역동적 조영증강 MRI, 또는 간세포특이조영제 MRI에서의동맥기 조영증강과 문맥기, 지연기 혹은 간담도기의 조영제 씻김현상(wash-out)의 전형적 소견이 보이는 경우, 전형적 영상소견을 보이지 않는 결절에 대해서는 MRI T2 강조영상에서의 중등도 신호강도, 확산강조영상에서의 고신호강도, 간담도기에서의 저신호강도, 추적검사에서 크기 증가들 중 하나 이상이 있으면서, 피막의 존재, 모자이크 모양, 결절 내 결절, 또는 종괴내 지방이나 출혈 등이 있는 경우 등을 포함할 수 있다.Here, the liver cancer image may be obtained according to imaging criteria for liver cancer diagnosis. Here, the diagnostic criteria for imaging liver cancer are dynamic contrast-enhanced CT, dynamic contrast-enhanced MRI, or hepatocyte-specific contrast agent MRI, showing typical findings of arterial enhancement and portal, delayed, or hepatobiliary phase contrast agent wash-out. In this case, for nodules that do not show typical imaging findings, there is at least one of moderate signal intensity on MRI T2-weighted image, high signal intensity on diffusion-weighted image, low signal intensity on hepatobiliary phase, and size increase on follow-up examination. It may include the presence of capsules, mosaic shape, nodules within the nodule, or fat or bleeding within the mass.

또한, 양성 간 영상은, 만 19세 이상 성인에서 낭종 또는 혈관종 등으로 영상학적 진단 또는 병리학적진단 받은 환자의 CT 또는 MRI 영상(일부 US 영상 포함) 및 최소 1년 이상이 지난 시점에 촬영된 추적 촬영 영상에서 여전히 양성으로 판명된 환자의 영상을 포함할 수 있다.In addition, a benign liver image is a CT or MRI image (including some US images) of a patient who has been diagnosed with an imaging or pathological diagnosis of a cyst or hemangioma in adults 19 years of age or older, and a follow-up taken at least 1 year later. Images of patients still found to be positive in the imaging images may be included.

또한, 음성 간 영상은, 음성으로 진단받은 간촬영영상(즉, 영상 판독문 기준으로 음성이 확인된 환자의 촬영영상) 및 최소 1년 이상이 지난 시점에 촬영된 추적 간 촬영영상에서 여전히 음성으로 판명된 환자의 촬영영상(영상 판독문 기준으로, 악성 혹은 양성이 의심되지 않고 여전히 음성임을 확인한 환자의 촬영영상)을 포함할 수 있다.In addition, the liver image is still found to be negative in the liver imaging image diagnosed as negative (that is, the imaging image of a patient whose voice is confirmed based on the image reading) and the tracking liver imaging image taken at least one year later. It may include an image of the patient who has been diagnosed (based on the image reading, an image of a patient who is not suspected of being malignant or benign and is still negative).

실시예에 따라, 획득한 영상자료의 임상 정보를 획득하는 단계는, 의료데이터베이스, 예를 들어, EMR(Electronic Medical Record) 및 PACS(Picture Archiving and Communication System)에서 데이터베이스 쿼리(Query)를 통하여 획득한 각 영상자료에 해당하는 임상 정보(Radiology Report, Pathology Report)를 획득함으로써 수행될 수 있다.According to an embodiment, the step of acquiring clinical information of the acquired image data may be obtained through a database query in a medical database, for example, an Electronic Medical Record (EMR) and a Picture Archiving and Communication System (PACS). It can be performed by acquiring clinical information (Radiology Report, Pathology Report) corresponding to each image data.

여기서, 임상 정보는, 대상자의 인구학적 정보(촬영시점의 나이 및 성별 등), 촬영영상 판독보고서(영상 촬영 일시, 촬영영상의 형태, 촬영영상의 기기 정보 및 판독 결과 등) 및 수술/조직검사 및 병리 검사 보고서(수술/조직 검사 일시, 간암의 형태, 양성 및 정상 촬영영상의 추적 영상 판독 보고서 및 추적 영상 촬영 일시 등)을 포함할 수 있다.Here, the clinical information includes the subject's demographic information (age and gender at the time of shooting), a photographed image reading report (image recording date and time, the type of photographed image, device information and reading results of the photographed image, etc.), and surgery/biopsy and a pathological examination report (surgery/histologic examination date and time, liver cancer type, follow-up image reading report and follow-up image capture date and time of benign and normal images, etc.).

획득한 원천 데이터를 정제하여 인공지능 학습용 데이터를 생성하는 단계는, 획득한 영상자료의 분석을 위하여 관심영역(병변영역)을 분할/검출하는 레이블링을 통해 획득한 영상자료를 전처리하는 단계를 포함할 수 있다.The step of generating data for artificial intelligence learning by refining the acquired source data may include preprocessing the acquired image data through labeling to segment/detect the region of interest (lesion region) for analysis of the acquired image data. can

실시예에 따라, 획득한 영상자료를 전처리하는 단계는, 획득한 영상자료를 수동 및/또는 반자동으로 레이블링함으로써 수행될 수 있다.According to an embodiment, the pre-processing of the acquired image data may be performed by manually and/or semi-automatically labeling the acquired image data.

예를 들어, 영상자료 조회 기능, 영상자료 정제 기능 및 세부 조회 기능, 레이블링 기능 및 저장 기능, 작업관리 및 담당자 기록 기능 등을 포함하는 레이블링 도구(Labeling Tool)와 같은 소프트웨어를 통해 획득한 영상자료에 대한 전처리가 수행될 수 있다.For example, on video data acquired through software such as a labeling tool, which includes a video data inquiry function, a video data refining function and detailed inquiry function, a labeling function and a storage function, a job management and a person in charge recording function, etc. Pre-processing may be performed.

실시예에 따라, 획득한 영상자료를 전처리하는 단계는, 레이블링 도구 상에서, 획득한 영상자료에 사용자의 마우스 궤적을 그대로 반영하여 관심영역을 정의하는 프리드로우(Freedraw) 방식으로 수행될 수 있다.According to an embodiment, the pre-processing of the acquired image data may be performed in a freedraw method of defining a region of interest by reflecting the user's mouse trajectory in the acquired image data as it is on the labeling tool.

실시예에 따라, 획득한 영상자료를 전처리하는 단계는, 레이블링 도구 상에서, 획득한 영상자료에 사용자가 입력한 주요 제어점을 선으로 연결하되, 주요 제어점을 지나는 선을 매끄러운 곡선으로 재구성하여 관심영역을 정의하는 커브(Curve) 방식으로 수행될 수 있다.According to an embodiment, the pre-processing of the acquired image data includes connecting the main control points input by the user to the acquired image data with a line on the labeling tool, and reconstructing the line passing through the main control points into a smooth curve to define the region of interest. It may be performed in a defining curve (Curve) method.

실시예에 따라, 획득한 영상자료를 전처리하는 단계는, 레이블링 도구 상에서, 획득한 영상자료의 각 화소 간 이동 비용을 영상 밝기값 차이에 기반하여 정의한 후, 시작점과 끝점을 잇기 위한 최소 비용의 경로를 자동으로 찾아 관심영역의 경계를 정의하는 최소 비용 경로 방식으로 수행될 수 있다.According to an embodiment, the pre-processing of the acquired image data includes defining the movement cost between each pixel of the acquired image data on the labeling tool based on the difference in the image brightness value, and then connecting the start point and the end point. It can be performed as the least cost path method that automatically finds and defines the boundary of the region of interest.

실시예에 따라, 획득한 영상자료를 전처리하는 단계는, 레이블링 도구 상에서, 사용자의 마우스 이동 궤적 주변의 영역 경계(edge)를 찾아 연결하는 스마트 펜(Smart Pen) 방식으로 수행될 수 있다.According to an embodiment, the pre-processing of the acquired image data may be performed using a smart pen method of finding and connecting an edge of a region around a user's mouse movement trajectory on a labeling tool.

실시예에 따라, 획득한 영상자료를 전처리하는 단계는, 레이블링 도구 상에서, 두꺼운 브러시(Brush) 형태로 관심영역의 경계를 대략적으로 그려주면, 주변 화소가 관심영역에서 실제 포함될 확률을 계산하여 미분할 또는 과분할된 영역을 자동으로 보정해주는 매직 브러시(Magic Brush) 방식으로 수행될 수 있다.According to an embodiment, the pre-processing of the acquired image data may include, on the labeling tool, roughly drawing the boundary of the region of interest in the form of a thick brush, then calculating the probability that surrounding pixels are actually included in the region of interest Alternatively, it may be performed using a magic brush method that automatically corrects the over-divided area.

실시예에 따라, 획득한 영상자료를 전처리하는 단계는, 전처리된 영상자료에 대해, 병변 외에 악성이 의심되는 병변이 존재할 경우, 숙련된 전문가가 해당 영역에 대해 어노테이션(annotation) 및/또는 레이블링을 추가로 수행하는 전처리된 영상자료를 검수하는 단계를 포함할 수 있다.According to an embodiment, the pre-processing of the acquired image data may include, in the pre-processed image data, if there is a lesion suspected of malignancy other than the lesion, an expert expert annotates and/or labels the area. It may include the step of inspecting the additionally performed pre-processed image data.

예를 들어, 레이블링 도구에는 어노테이션 리뷰(review) 기능이 구현되어, 지금까지 진행된 어노테이션 및/또는 레이블링에 대해, 데이터베이스에 저장된 결과파일을 영상자료 상에 로딩(Loading)하여 해당 병변이 제대로 어노테이션 및/또는 레이블링되어 있는지를 확인 및 수정하도록 함으로써 전처리된 영상자료를 검수할 수 있다.For example, an annotation review function is implemented in the labeling tool, and for the annotation and/or labeling performed so far, the result file stored in the database is loaded on the image data so that the lesion is properly annotated and/or Alternatively, the preprocessed image data can be inspected by checking and correcting whether it is labeled.

생성한 인공지능 학습용 데이터를 통합 인공지능 학습용 이미징 플랫폼에 저장하는 단계는 획득한 원천 데이터, 전처리된 영상자료, 전처리된 영상자료에 대한 이미지(image) 정보 및 저작도구로부터 저장할 수 있는 부가정보 등을 통합 인공지능 학습용 이미징 플랫폼에 저장함으로써 수행될 수 있다.The step of storing the generated artificial intelligence learning data in the integrated artificial intelligence learning imaging platform includes the acquired source data, pre-processed image data, image information about the pre-processed image data, and additional information that can be stored from the authoring tool. This can be done by storing it on an imaging platform for integrated artificial intelligence learning.

예를 들어, 각 병원에서 어노테이션 및/또는 레이블링 처리한 전처리된 영상자료, 영상정보, 부가정보 및 판독결과 등이 포함된 데이터를 통합 인공지능 학습용 이미징 플랫폼에 제공하고, 타 연구자 및/또는 전문의가 통합 인공지능 학습용 이미징 플랫폼을 통해 저장된 데이터를 활용할 수 있도록 할 수 있다.For example, data including preprocessed image data, image information, additional information, and reading results processed by annotation and/or labeling at each hospital are provided to the integrated artificial intelligence imaging platform for learning, and other researchers and/or specialists An integrated artificial intelligence imaging platform for learning can make the stored data available.

또한, 통합 인공지능 학습용 이미징 플랫폼에 저장된 인공지능 학습용 데이터는, 간암 검출을 위한 인공지능 학습용 모델의 학습 데이터로 사용될 수 있다. 따라서, 간암 검출을 위한 인공지능 모델은, 통합 인공지능 학습용 이미징 플랫폼의 데이터를 통하여 지속적으로 학습될 수 있다.In addition, the artificial intelligence learning data stored in the integrated artificial intelligence learning imaging platform may be used as the learning data of the artificial intelligence learning model for liver cancer detection. Therefore, the artificial intelligence model for liver cancer detection can be continuously learned through the data of the integrated artificial intelligence learning imaging platform.

실시예에 따라, 통합 이미징 플랫폼에 저장된 인공지능 학습용 데이터에 기초하여 학습된 인공지능 모델을 통하여 간암을 자동으로 검출하는 단계는 촬영 영상으로부터 간 영역을 분할하고, 분할된 간 영역으로부터 간암을 분할시킴으로써 수행될 수 있다. 구체적으로, 촬영 영상으로부터 간암을 자동으로 검출하기 위하여, 분할 네트워크 구조가 사용될 수 있다. 여기서 분할 네트워크 구조는, 특징 추출에 우수하여 의료영상 분할에 주로 사용되는 V-net(V-transition)을 백본 네트워크로 사용할 수 있다. 특히, 인공지능의 일반화 성능을 높이기 위하여, 단순 콘볼루션 레이어(Convolutoin Layer) 대신, 콘볼루션 레이어에 적용하기 전의 입력(Input)을 콘볼루션 레이어에 적용한 후의 출력(Output)과 합치는 방식의 Skip-attention Block을 사용할 수 있다. 이후, Skip-attention Block의 결과물에 목표 영역을 예측하는 개별 네트워크(Liver-Prior Network)를 적용한 뒤, 개별 네트워크의 출력을 기존 네트워크의 출력에 연결하여 사용하는 Residual Connection 방법으로 최종 목표 영역 분할 성능을 높일 수 있다.According to an embodiment, the step of automatically detecting liver cancer through an artificial intelligence model learned on the basis of the artificial intelligence learning data stored in the integrated imaging platform by dividing the liver region from the captured image and dividing the liver cancer from the divided liver region can be performed. Specifically, in order to automatically detect liver cancer from a captured image, a segmented network structure may be used. Here, the segmentation network structure is excellent in feature extraction, so that V-net (V-transition), which is mainly used for medical image segmentation, can be used as a backbone network. In particular, in order to increase the generalization performance of artificial intelligence, instead of a simple convolution layer, the input before applying to the convolution layer is combined with the output after applying to the convolution layer. You can use an attention block. After that, the liver-prior network that predicts the target area is applied to the result of the skip-attention block, and the final target area segmentation performance is improved by using the residual connection method by connecting the output of the individual network to the output of the existing network. can be raised

일 실시예에 따른 간암 진단 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media) 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.The liver cancer diagnosis method according to an embodiment may be implemented in the form of a program command that can be executed through various computer means and recorded in a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, etc. alone or in combination. The program instructions recorded on the medium may be specially designed and configured for the present invention, or may be known and available to those skilled in the art of computer software. Examples of the computer-readable recording medium include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic such as floppy disks. - Includes magneto-optical media and hardware devices specially configured to store and execute program instructions, such as ROM, RAM, flash memory, and the like. Examples of program instructions include not only machine language codes such as those generated by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like.

또한, 개시된 실시예들에 따른 간암 진단 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다.In addition, the liver cancer diagnosis method according to the disclosed embodiments may be provided included in a computer program product (computer program product). Computer program products may be traded between sellers and buyers as commodities.

컴퓨터 프로그램 제품은 S/W 프로그램, S/W 프로그램이 저장된 컴퓨터로 읽을 수 있는 저장 매체를 포함할 수 있다. 예를 들어, 컴퓨터 프로그램 제품은 전자 장치의 제조사 또는 전자 마켓(예, 구글 플레이 스토어, 앱 스토어)을 통해 전자적으로 배포되는 S/W 프로그램 형태의 상품(예, 다운로더블 앱)을 포함할 수 있다. 전자적 배포를 위하여, S/W 프로그램의 적어도 일부는 저장 매체에 저장되거나, 임시적으로 생성될 수 있다. 이 경우, 저장 매체는 제조사의 서버, 전자 마켓의 서버, 또는 S/W 프로그램을 임시적으로 저장하는 중계 서버의 저장 매체가 될 수 있다.The computer program product may include a S/W program and a computer-readable storage medium in which the S/W program is stored. For example, computer program products may include products (eg, downloadable apps) in the form of S/W programs distributed electronically through manufacturers of electronic devices or electronic markets (eg, Google Play Store, App Store). have. For electronic distribution, at least a portion of the S/W program may be stored in a storage medium or may be temporarily generated. In this case, the storage medium may be a server of a manufacturer, a server of an electronic market, or a storage medium of a relay server temporarily storing a S/W program.

컴퓨터 프로그램 제품은, 서버 및 클라이언트 장치로 구성되는 시스템에서, 서버의 저장 매체 또는 클라이언트 장치의 저장 매체를 포함할 수 있다. 또는, 서버 또는 클라이언트 장치와 통신 연결되는 제 3 장치(예, 스마트폰)가 존재하는 경우, 컴퓨터 프로그램 제품은 제 3 장치의 저장 매체를 포함할 수 있다. 또는, 컴퓨터 프로그램 제품은 서버로부터 클라이언트 장치 또는 제 3 장치로 전송되거나, 제 3 장치로부터 클라이언트 장치로 전송되는 S/W 프로그램 자체를 포함할 수 있다.The computer program product, in a system consisting of a server and a client device, may include a storage medium of a server or a storage medium of a client device. Alternatively, when there is a third device (eg, a smart phone) that is communicatively connected to the server or the client device, the computer program product may include a storage medium of the third device. Alternatively, the computer program product may include the S/W program itself transmitted from the server to the client device or the third device, or transmitted from the third device to the client device.

이 경우, 서버, 클라이언트 장치 및 제 3 장치 중 하나가 컴퓨터 프로그램 제품을 실행하여 개시된 실시예들에 따른 방법을 수행할 수 있다. 또는, 서버, 클라이언트 장치 및 제 3 장치 중 둘 이상이 컴퓨터 프로그램 제품을 실행하여 개시된 실시예들에 따른 방법을 분산하여 실시할 수 있다.In this case, one of the server, the client device and the third device may execute the computer program product to perform the method according to the disclosed embodiments. Alternatively, two or more of a server, a client device, and a third device may execute a computer program product to distribute the method according to the disclosed embodiments.

예를 들면, 서버(예로, 클라우드 서버 또는 인공 지능 서버 등)가 서버에 저장된 컴퓨터 프로그램 제품을 실행하여, 서버와 통신 연결된 클라이언트 장치가 개시된 실시예들에 따른 방법을 수행하도록 제어할 수 있다.For example, a server (eg, a cloud server or an artificial intelligence server) may execute a computer program product stored in the server to control a client device communicatively connected with the server to perform the method according to the disclosed embodiments.

이상에서와 같이 도면과 명세서에서 최적 실시예가 개시되었다. 여기서 특정한 용어들이 사용되었으나, 이는 단지 본 발명을 설명하기 위한 목적에서 사용된 것이지 의미한정이나 특허청구범위에 기재된 본 발명의 범위를 제한하기 위하여 사용된 것은 아니다. 그러므로 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.As described above, the best embodiment has been disclosed in the drawings and the specification. Although specific terms are used herein, they are used only for the purpose of describing the present invention, and are not used to limit the meaning or scope of the present invention described in the claims. Therefore, it will be understood by those skilled in the art that various modifications and equivalent other embodiments are possible therefrom. Therefore, the true technical protection scope of the present invention should be determined by the technical spirit of the appended claims.

Claims (1)

정상 및 양성 간암 데이터를 활용한 간암 진단 모델의 정확도를 향상시키는 방법에 있어서,
원천 데이터를 획득하는 단계;
획득한 상기 원천 데이터를 정제하여 인공지능 학습용 데이터를 생성하는 단계;
생성한 상기 인공지능 학습용 데이터를 통합 인공지능 학습용 이미징 플랫폼에 저장하는 단계; 및
상기 통합 이미징 플랫폼에 저장된 상기 인공지능 학습용 데이터에 기초하여 학습된 인공지능 모델을 통해 간암을 자동으로 검출하는 단계를 포함하는, 간암 진단 방법.A method for improving the accuracy of a liver cancer diagnosis model using normal and benign liver cancer data, the method comprising:
obtaining source data;
generating data for artificial intelligence learning by purifying the acquired source data;
storing the generated data for artificial intelligence learning in an imaging platform for integrated artificial intelligence learning; and
A liver cancer diagnosis method comprising the step of automatically detecting liver cancer through an artificial intelligence model learned based on the artificial intelligence learning data stored in the integrated imaging platform.
KR1020210048267A 2021-04-14 2021-04-14 Method for improving accuracy of liver cancer diagnosis model using normal and benign liver cancer data KR20220143182A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210048267A KR20220143182A (en) 2021-04-14 2021-04-14 Method for improving accuracy of liver cancer diagnosis model using normal and benign liver cancer data

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210048267A KR20220143182A (en) 2021-04-14 2021-04-14 Method for improving accuracy of liver cancer diagnosis model using normal and benign liver cancer data

Publications (1)

Publication Number Publication Date
KR20220143182A true KR20220143182A (en) 2022-10-25

Family

ID=83804095

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210048267A KR20220143182A (en) 2021-04-14 2021-04-14 Method for improving accuracy of liver cancer diagnosis model using normal and benign liver cancer data

Country Status (1)

Country Link
KR (1) KR20220143182A (en)

Similar Documents

Publication Publication Date Title
US7653227B2 (en) Hierarchical modeling in medical abnormality detection
US11107215B2 (en) Medical image diagnosis assistant apparatus and method for generating evaluation scores for plurality of medical image diagnosis algorithms
US9858665B2 (en) Medical imaging device rendering predictive prostate cancer visualizations using quantitative multiparametric MRI models
US20020065460A1 (en) Computer readable recording medium recorded with diagnosis supporting program, diagnosis supporting apparatus and diagnosis supporting method
JP2009516551A (en) Quantitative and qualitative computer-aided analysis method and system for medical images
US11915822B2 (en) Medical image reading assistant apparatus and method for adjusting threshold of diagnostic assistant information based on follow-up examination
US11182901B2 (en) Change detection in medical images
Mannil et al. Artificial intelligence and texture analysis in cardiac imaging
WO2019111339A1 (en) Learning device, inspection system, learning method, inspection method, and program
KR20200087427A (en) The diagnostic method of lymph node metastasis in thyroid cancer using deep learning
CN111128348B (en) Medical image processing method, medical image processing device, storage medium and computer equipment
JP7371116B2 (en) Document creation support device, document creation support method, and program
Pal et al. A fully connected reproducible SE-UResNet for multiorgan chest radiographs segmentation
US12046367B2 (en) Medical image reading assistant apparatus and method providing hanging protocols based on medical use artificial neural network
US12009090B2 (en) Liver cancer detection
Spagnolo et al. Automated MS lesion detection and segmentation in clinical workflow: a systematic review.
JP7492769B2 (en) Method and device for providing information necessary for dementia diagnosis
US20220277448A1 (en) Information processing system, information processing method, and information processing program
KR20220143182A (en) Method for improving accuracy of liver cancer diagnosis model using normal and benign liver cancer data
US11742072B2 (en) Medical image diagnosis assistance apparatus and method using plurality of medical image diagnosis algorithms for endoscopic images
Thilo et al. Computer-aided stenosis detection at coronary CT angiography: effect on performance of readers with different experience levels
KR20220143183A (en) Pancreatic cancer diagnosis method based on atificial intelligence using chest ct images
Mukherjee et al. Automated Assessment of Renal Calculi in Serial Computed Tomography Scans
JP2007330419A (en) Image display device, method and program
Bhushan Liver cancer detection using hybrid approach-based convolutional neural network (HABCNN)