KR20230118463A - Method for predicting right subclavian artery abnormality and apparatus for performing the same - Google Patents

Method for predicting right subclavian artery abnormality and apparatus for performing the same Download PDF

Info

Publication number
KR20230118463A
KR20230118463A KR1020220015124A KR20220015124A KR20230118463A KR 20230118463 A KR20230118463 A KR 20230118463A KR 1020220015124 A KR1020220015124 A KR 1020220015124A KR 20220015124 A KR20220015124 A KR 20220015124A KR 20230118463 A KR20230118463 A KR 20230118463A
Authority
KR
South Korea
Prior art keywords
image
abnormality
subclavian artery
right subclavian
probability
Prior art date
Application number
KR1020220015124A
Other languages
Korean (ko)
Inventor
손범석
윤영노
Original Assignee
연세대학교 산학협력단
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 연세대학교 산학협력단 filed Critical 연세대학교 산학협력단
Priority to KR1020220015124A priority Critical patent/KR20230118463A/en
Publication of KR20230118463A publication Critical patent/KR20230118463A/en

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/504—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of blood vessels, e.g. by angiography
    • 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
    • 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
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—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

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Optics & Photonics (AREA)
  • Theoretical Computer Science (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Vascular Medicine (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physiology (AREA)
  • Pulmonology (AREA)
  • Quality & Reliability (AREA)
  • General Physics & Mathematics (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

본 발명은, 우쇄골하동맥 이상 예측 방법으로서, 상기 방법은, 피검자의 흉부, 경부 및, 경부와 두부의 조합 중 적어도 하나를 포함하는 CT 영상을 획득하는 단계, CT 영상을 입력으로 하여 우측 쇄골하동맥 이상 확률을 예측하도록 학습된 이상 예측 모델에 상기 CT 영상을 입력하여, 우측 쇄골하동맥 이상 확률을 예측하는 단계, 상기 우측 쇄골하동맥 이상 확률을 기초로 상기 피검자의 이상 우쇄골하동맥(ARSA, aberrant right subclavian artery) 여부를 결정하는 단계를 포함하도록 구성된다. The present invention is a method for predicting abnormalities in the right subclavian artery, comprising the steps of acquiring a CT image including at least one of a chest, a neck, and a combination of a neck and head of a subject; Predicting the right subclavian artery abnormality probability by inputting the CT image into an abnormality prediction model learned to predict the lower right subclavian artery abnormality probability, and the subject's abnormal right subclavian artery ( ARSA, aberrant right subclavian artery) is configured to include the step of determining whether.

Description

우쇄골하동맥 이상 예측 방법 및 이를 수행하는 장치{METHOD FOR PREDICTING RIGHT SUBCLAVIAN ARTERY ABNORMALITY AND APPARATUS FOR PERFORMING THE SAME}Right subclavian artery abnormality prediction method and device for performing the same

본 발명은 우쇄골하동맥 이상 예측 방법 및 이를 수행하는 장치에 관한 것이다. The present invention relates to a method for predicting abnormalities in the right subclavian artery and an apparatus for performing the same.

우측 쇄골하동맥의 발생 기형은 선천성 대동맥 궁 기형 중 가장 흔한 형태이다. 보통은 증상이 없는 쇄골 상부의 종괴로 나타나지만 연하곤란, 가슴 통증, 숨이 차는 증상 등이 나타날 수 있으며, 이는 혈관에 의해 식도나 주위 구조물들이 압박될 때 나타나게 된다. Developmental malformation of the right subclavian artery is the most common congenital aortic arch malformation. It usually appears as an asymptomatic mass above the collarbone, but symptoms such as dysphagia, chest pain, and shortness of breath may appear, which appear when the esophagus or surrounding structures are compressed by blood vessels.

한편, 경부 수술에서 반회후두신경(recurrent laryngeal nerve, RLN)의 손상은 심각한 부작용 중 하나로, 이상 우쇄골하동맥(aberrant right subclavian artery, ARSA)이 흔한 원인으로 꼽히고 있다. Meanwhile, damage to the recurrent laryngeal nerve (RLN) in neck surgery is one of the serious side effects, and abnormal right subclavian artery (ARSA) is considered a common cause.

그에 따라, 이상 우쇄골하동맥을 미리 발견한다면 경부 수술에서 예상치 못하게 반회후두신경이 손상되는 것을 방지할 수 있을 것으로 예상되지만, 아직까지 전산화 단층 촬영된 영상(CT 영상)만으로 이상 우쇄골하동맥을 자동으로 예측해주는 방법은 개시된 바가 없다. Accordingly, it is expected that unexpected damage to the recurrent laryngeal nerve can be prevented in cervical surgery if abnormal right subclavian artery is detected in advance. A method of automatically predicting has not been disclosed.

발명의 배경이 되는 기술은 본 발명에 대한 이해를 보다 용이하게 하기 위해 작성되었다. 발명의 배경이 되는 기술에 기재된 사항들이 선행기술로 존재한다고 인정하는 것으로 이해되어서는 안 된다.The background description of the invention has been prepared to facilitate understanding of the present invention. It should not be construed as an admission that matters described in the background art of the invention exist as prior art.

이에, 피검자의 CT 영상을 이용하여 이상 우쇄골하동맥을 예측할 수 있는 방법이 요구된다. Therefore, a method for predicting an abnormal right subclavian artery using a subject's CT image is required.

그 결과, 본 발명의 발명자들은 CT 영상을 이용하여 우측 쇄골하동맥 이상 확률을 예측하도록 학습된 이미지 딥러닝 학습 모델을 기초로, 피검자의 우측 쇄골하동맥의 이상을 결정할 수 있는 방법 및 이를 수행하는 장치를 개발하고자 하였다. As a result, the inventors of the present invention found a method for determining an abnormality of the right subclavian artery of a subject based on an image deep learning learning model learned to predict the probability of an abnormal right subclavian artery using CT images, and a method for performing the same device was to be developed.

특히, 본 발명의 발명자들은 대동맥 궁을 포함하는 관심 영역 안에서, 하행대동맥의 넓은 기시부가 퇴행하면서 발생하는 동맥류성 확장인, 커머렐 게실(Kommerell' diverticulum)의 이상 형상을 검출함으로써, 우측 쇄골하동맥의 이상을 미리 예측하는 방법을 개발하기에 이르렀다. In particular, the inventors of the present invention detected the abnormal shape of the Kommerell' diverticulum, which is an aneurysmal expansion that occurs when the wide origin of the descending aorta degenerates in the region of interest including the aortic arch, thereby detecting the right subclavian artery It has led to the development of a method for predicting abnormalities in advance.

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

전술한 바와 같은 과제를 해결하기 위하여 본 발명의 일 실시예에 따른 우쇄골하동맥 이상 예측 방법이 제공된다. 상기 방법은, 프로세서에 의해 수행되는 우측 쇄골하동맥의 이상을 예측하는 방법으로서, 피검자의 흉부, 경부 및, 경부와 두부의 조합 중 적어도 하나를 포함하는 CT 영상을 획득하는 단계, CT 영상을 입력으로 하여 우측 쇄골하동맥 이상 확률을 예측하도록 학습된 이상 예측 모델에 상기 CT 영상을 입력하여, 우측 쇄골하동맥 이상 확률을 예측하는 단계, 상기 우측 쇄골하동맥 이상 확률을 기초로 상기 피검자의 이상 우쇄골하동맥(ARSA, aberrant right subclavian artery) 여부를 결정하는 단계를 포함하도록 구성된다. In order to solve the above problems, a method for predicting abnormalities in the right subclavian artery according to an embodiment of the present invention is provided. The method is a method of predicting an abnormality of the right subclavian artery performed by a processor, comprising the steps of acquiring a CT image including at least one of the chest, neck, and a combination of the neck and head of the subject, inputting the CT image predicting the right subclavian artery abnormality probability by inputting the CT image into an abnormality prediction model learned to predict the right subclavian artery abnormality probability, It is configured to include the step of determining whether the subclavian artery (ARSA, aberrant right subclavian artery).

본 발명의 특징에 따르면, 상기 CT 영상을 획득하는 단계는, 상기 CT 영상에서 상기 피검자의 흉부, 경부 및 두부 중 적어도 하나에 대한 축면(Axial plane) 영상, 시상면(Sagittal plane) 영상 및 관상면(coronal) 영상을 획득하는 단계를 더 포함할 수 있다. According to a feature of the present invention, the acquiring of the CT image may include an axial plane image, a sagittal plane image, and a coronal plane image of at least one of the chest, neck, and head of the subject in the CT image. A step of obtaining a (coronal) image may be further included.

본 발명의 다른 특징에 따르면, 상기 확률을 예측하는 단계는, 상기 축면 영상, 상기 시상면 영상 및 상기 관상면 영상 각각에 대한 우측 쇄골하동맥 이상 확률을 예측하는 단계일 수 있다. According to another feature of the present invention, the estimating the probability may include estimating a right subclavian artery abnormality probability for each of the axial plane image, the sagittal plane image, and the coronal plane image.

본 발명의 또 다른 특징에 따르면, 상기 CT 영상을 획득하는 단계 이후에, 상기 CT 영상에서 대동맥 궁을 포함하는 관심 영역(ROI, region of interest)을 결정하는 단계를 더 포함하고, 상기 이상 예측 모델은, 상기 관심 영역을 입력으로 하여 우측 쇄골하동맥 이상 확률을 예측하도록 학습된 모델일 수 있다. According to another feature of the present invention, after acquiring the CT image, the method further comprises determining a region of interest (ROI) including the aortic arch in the CT image, and the abnormality prediction model may be a model learned to predict the right subclavian artery abnormality probability by using the region of interest as an input.

본 발명의 또 다른 특징에 따르면, 상기 관심 영역을 결정하는 단계는, 상기 관심 영역에 대응되는 복수의 픽셀 단위로 구성된 복수의 이미지 패치(patch)를 획득하는 단계를 더 포함하고, 상기 확률을 예측하는 단계는, 상기 복수의 이미지 패치 각각에 대한 우측 쇄골하동맥 이상 확률을 예측하는 단계일 수 있다. According to another feature of the present invention, the determining of the region of interest further includes acquiring a plurality of image patches composed of a plurality of pixel units corresponding to the region of interest, and predicting the probability. The step of performing may include estimating a right subclavian artery abnormality probability for each of the plurality of image patches.

본 발명의 또 다른 특징에 따르면, 상기 이상 예측 모델은, 상기 CT 영상을 입력하여 커머렐 게실(Kommerell's diverticulum)의 이상 확률을 예측하도록 학습된 모델일 수 있다. According to another feature of the present invention, the abnormality prediction model may be a model learned to predict an abnormality probability of a Kommerell's diverticulum by inputting the CT image.

본 발명의 또 다른 특징에 따르면, 상기 이상 예측 모델은, EfficientNet, AlexNet, GoogLeNet, SENet, GPipe, SqueezeNet, MobileNets, ShuffleNets, ResNet, DenseNet, U-net 및 VGG-Net 모델 및 복수의 모델의 조합으로 구성된 앙상블(Ensemble) 모델 중 적어도 하나의 모델로 이루어지도록 구성될 수 있다. According to another feature of the present invention, the anomaly prediction model is a combination of EfficientNet, AlexNet, GoogLeNet, SENet, GPipe, SqueezeNet, MobileNets, ShuffleNets, ResNet, DenseNet, U-net and VGG-Net models and a plurality of models. It may be configured to consist of at least one model among configured ensemble models.

본 발명의 또 다른 특징에 따르면, 상기 우측 쇄골하동맥 이상 여부를 결정하는 단계는, 상기 우측 쇄골하동맥 이상 확률이 미리 설정된 확률 값 이상인지에 따라, 상기 피검자의 우측 쇄골하동맥 이상 여부를 결정하는 단계일 수 있다. According to another feature of the present invention, the step of determining whether the right subclavian artery abnormality is determined whether the right subclavian artery abnormality of the subject is determined according to whether the right subclavian artery abnormality probability is equal to or greater than a preset probability value. It may be a step to

본 발명의 또 다른 특징에 따르면, 상기 우측 쇄골하동맥 이상 여부를 결정하는 단계는, 상기 측면 영상, 상기 시상면 영상 및 상기 관상명 영상 각각에 대한 우측 쇄골하동맥 이상 확률 중 어느 하나의 영상을 기초로 예측된 확률이, 상기 미리 설정된 확률 값 이상인 경우, 상기 피검자의 우측 쇄골하동맥이 이상인 것으로 결정하는 단계일 수 있다. According to another feature of the present invention, the step of determining whether or not the right subclavian artery abnormality may include selecting any one image of the right subclavian artery abnormality probability for each of the lateral image, the sagittal plane image, and the coronal image. The step of determining that the subject's right subclavian artery is abnormal when the probability predicted based on is equal to or greater than the preset probability value.

전술한 바와 같은 과제를 해결하기 위하여 본 발명의 다른 실시예에 따른 이상 예측 장치가 제공된다. 상기 장치는, 통신 인터페이스, 메모리 및 상기 통신 인터페이스 및 상기 메모리와 동작 가능하게 연결된 프로세서를 포함하고, 상기 프로세서는, 피검자의 흉부, 경부 및, 경부와 두부의 조합 중 적어도 하나를 포함하는 CT 영상을 획득하고, CT 영상을 입력으로 하여 우측 쇄골하동맥 이상 확률을 예측하도록 학습된 제1 이상 예측 모델에 상기 CT 영상을 입력하여, 상기 CT 영상을 기초로 하는 우측 쇄골하동맥 이상 확률을 예측하고, 상기 우측 쇄골하동맥 이상 확률을 기초로 상기 피검자의 이상 우쇄골하동맥(ARSA, aberrant right subclavian artery) 여부를 결정하도록 구성된다. In order to solve the above problems, an anomaly predicting apparatus according to another embodiment of the present invention is provided. The apparatus includes a communication interface, a memory, and a processor operatively connected to the communication interface and the memory, wherein the processor generates a CT image including at least one of a chest, a neck, or a combination of the neck and head of a subject. Obtaining the CT image, inputting the CT image to a first abnormality prediction model trained to predict the right subclavian artery abnormality probability using the CT image as an input, predicting the right subclavian artery abnormality probability based on the CT image; It is configured to determine whether or not the subject has an aberrant right subclavian artery (ARSA) based on the right subclavian artery abnormality probability.

기타 실시예의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.Other embodiment specifics are included in the detailed description and drawings.

본 발명은 피검자의 CT 영상만으로도 이상 우쇄골하동맥을 자동으로 예측할 수 있다. The present invention can automatically predict an abnormal right subclavian artery using only a CT image of a subject.

또한, 본 발명은 우측 쇄골하동맥의 이상을 예측할 수 있는 딥러닝 학습 모델을 통해 피검자의 우측 쇄골하동맥 이상 확률을 예측할 뿐만 아니라, 우측 쇄골하동맥의 이상이 발현되기 전의 커머렐 게실(Kommerell's diverticulum)의 이상 확률을 예측함으로써, 우측 쇄골하동맥의 이상에 따른 위험 상황을 예방할 수 있다. 구체적으로, 본 발명은 경부 수술에서 우측 쇄골하동맥의 이상으로 인해 반회후두신경이 손상되는 것을 방지할 수 있으며, 우측 쇄골하동맥의 이상으로 인한 연하곤란, 가슴 통증, 숨이 차는 증상 등의 발현을 예방할 수 있다. In addition, the present invention not only predicts the probability of a subject's right subclavian artery abnormality through a deep learning learning model capable of predicting an abnormality of the right subclavian artery, but also Kommerell's diverticulum before the abnormality of the right subclavian artery appears. ), it is possible to prevent a dangerous situation due to an abnormality of the right subclavian artery. Specifically, the present invention can prevent damage to the recurrent laryngeal nerve due to an abnormality of the right subclavian artery in neck surgery, and the occurrence of symptoms such as dysphagia, chest pain, and shortness of breath due to an abnormality of the right subclavian artery can prevent

또한, 본 발명은 3D CT 영상과 같은 대용량 또는 고해상도 의료 영상을 이용하더라도 특정 관심 영역에 한하여 학습을 수행하기 때문에, 이를 이용하여 우측 쇄골하동맥의 이상을 예측하는 과정에서 장치의 연산 부담을 최소화할 수 있다. In addition, since the present invention performs learning only for a specific region of interest even when using a large-capacity or high-resolution medical image such as a 3D CT image, it is possible to minimize the computational burden of the device in the process of predicting an abnormality of the right subclavian artery using this. can

또한, 본 발명은 우측 쇄골하동맥의 이상 확률을 수치적으로 제공해줌으로써, 의료진은 해당 정보를 통해 우측 쇄골하동맥에 대한 이상 여부를 직관적으로 빠르게 판단할 수 있다. In addition, since the present invention numerically provides the probability of an abnormality of the right subclavian artery, the medical staff can quickly and intuitively determine whether or not there is an abnormality in the right subclavian artery through the corresponding information.

본 발명에 따른 효과는 이상에서 예시된 내용에 의해 제한되지 않으며, 더욱 다양한 효과들이 본 발명 내에 포함되어 있다.Effects according to the present invention are not limited by the contents exemplified above, and more various effects are included in the present invention.

도 1은 본 발명의 일 실시예에 따른 우쇄골하동맥 이상 예측 시스템의 개략도이다.
도 2는 본 발명의 일 실시예에 따른 이상 예측 장치의 구성을 나타낸 블록도이다.
도 3은 본 발명의 일 실시예에 따른 이상 예측 장치를 이용한 우쇄골하동맥 이상 예측 방법에 대한 개략적인 순서도이다.
도 4는 본 발명의 일 실시예에 따른 이상 예측 장치를 이용한 우쇄골하동맥 이상 예측 방법에 대한 구체적인 순서도이다.
도 5는 도 4에 도시된 S17-1, S17-2 단계를 구체화한 순서도이다.
도 6 내지 도 11은 본 발명의 일 실시예에 따른 이상 예측 모델의 성능 평가 결과를 나타낸 그래프들이다. 1 is a schematic diagram of a right subclavian artery abnormality prediction system according to an embodiment of the present invention.
2 is a block diagram showing the configuration of an anomaly prediction device according to an embodiment of the present invention.
3 is a schematic flowchart of a method for predicting an abnormality in the right subclavian artery using an abnormality predicting device according to an embodiment of the present invention.
4 is a detailed flowchart of a method for predicting an abnormality in the right subclavian artery using an abnormality predicting device according to an embodiment of the present invention.
FIG. 5 is a flowchart embodying steps S17-1 and S17-2 shown in FIG. 4 .
6 to 11 are graphs showing performance evaluation results of an anomaly prediction model according to an embodiment of the present invention.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조부호가 사용될 수 있다.Advantages and features of the present invention, and methods of achieving them, will become clear with reference to the detailed description of the following embodiments taken in conjunction with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below and will be implemented in various forms different from each other, only these embodiments make the disclosure of the present invention complete, and common knowledge in the art to which the present invention pertains. It is provided to completely inform the person who has the scope of the invention, and the present invention is only defined by the scope of the claims. In connection with the description of the drawings, like reference numerals may be used for like elements.

본 문서에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.In this document, expressions such as "has," "may have," "includes," or "may include" indicate the existence of a corresponding feature (eg, numerical value, function, operation, or component such as a part). , which does not preclude the existence of additional features.

본 문서에서, "A 또는 B," "A 또는/및 B 중 적어도 하나," 또는 "A 또는/및 B 중 하나 또는 그 이상" 등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B," "A 및 B 중 적어도 하나," 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는(3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다.In this document, expressions such as “A or B,” “at least one of A and/and B,” or “one or more of A or/and B” may include all possible combinations of the items listed together. . For example, “A or B,” “at least one of A and B,” or “at least one of A or B” (1) includes at least one A, (2) includes at least one B, Or (3) may refer to all cases including at least one A and at least one B.

본 문서에서 사용된 "제1," "제2," "첫째," 또는 "둘째," 등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다. 예를 들면, 제1 사용자 기기와 제2 사용자 기기는, 순서 또는 중요도와 무관하게, 서로 다른 사용자 기기를 나타낼 수 있다. 예를 들면, 본 문서에 기재된 권리범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 바꾸어 명명될 수 있다.Expressions such as “first,” “second,” “first,” or “second,” used in this document may modify various elements, regardless of order and/or importance, and refer to one element as It is used only to distinguish it from other components and does not limit the corresponding components. For example, a first user device and a second user device may represent different user devices regardless of order or importance. For example, without departing from the scope of rights described in this document, a first element may be named a second element, and similarly, the second element may also be renamed to the first element.

어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 다른 구성요소(예: 제3 구성요소)가 존재하지 않는 것으로 이해될 수 있다.A component (e.g., a first component) is "(operatively or communicatively) coupled with/to" another component (e.g., a second component); When referred to as "connected to", it should be understood that the certain component may be directly connected to the other component or connected through another component (eg, a third component). On the other hand, when an element (eg, a first element) is referred to as being “directly connected” or “directly connected” to another element (eg, a second element), the element and the above It may be understood that other components (eg, third components) do not exist between the other components.

본 문서에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합한(suitable for)," "~하는 능력을 가지는(having the capacity to)," "~하도록 설계된(designed to)," "~하도록 변경된(adapted to)," "~하도록 만들어진(made to)," 또는 "~ 를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성된(또는 설정된)"은 하드웨어적으로 "특별히 설계된(specifically designed to)" 것만을 반드시 의미하지 않을 수 있다. 대신, 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된)프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다.As used in this document, the expression "configured to" means "suitable for," "having the capacity to," depending on the circumstances. ," "designed to," "adapted to," "made to," or "capable of." The term "configured (or set) to" may not necessarily mean only "specifically designed to" hardware. Instead, in some contexts, the phrase "device configured to" may mean that the device is "capable of" in conjunction with other devices or components. For example, the phrase "a processor configured (or configured) to perform A, B, and C" may include a dedicated processor (e.g., embedded processor) to perform those operations, or by executing one or more software programs stored in a memory device. , may mean a general-purpose processor (eg, CPU or application processor) capable of performing corresponding operations.

본 문서에서 사용된 용어들은 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 다른 실시예의 범위를 한정하려는 의도가 아닐 수 있다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 용어들은 본 문서에 기재된 기술분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가질 수 있다. 본 문서에 사용된 용어들 중 일반적인 사전에 정의된 용어들은, 관련 기술의 문맥상 가지는 의미와 동일 또는 유사한 의미로 해석될 수 있으며, 본 문서에서 명백하게 정의되지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다. 경우에 따라서, 본 문서에서 정의된 용어일지라도 본 문서의 실시예들을 배제하도록 해석될 수 없다.Terms used in this document are only used to describe a specific embodiment, and may not be intended to limit the scope of other embodiments. Singular expressions may include plural expressions unless the context clearly dictates otherwise. Terms used herein, including technical or scientific terms, may have the same meaning as commonly understood by a person of ordinary skill in the art described in this document. Among the terms used in this document, terms defined in a general dictionary may be interpreted as having the same or similar meaning as the meaning in the context of the related art, and unless explicitly defined in this document, an ideal or excessively formal meaning. not be interpreted as In some cases, even terms defined in this document cannot be interpreted to exclude the embodiments of this document.

본 발명의 여러 실시예들의 각각 특징들이 부분적으로 또는 전체적으로 서로 결합 또는 조합 가능하며, 당업자가 충분히 이해할 수 있듯이 기술적으로 다양한 연동 및 구동이 가능하며, 각 실시예들이 서로에 대하여 독립적으로 실시 가능할 수도 있고 연관 관계로 함께 실시 가능할 수도 있다.Each feature of the various embodiments of the present invention can be partially or entirely combined or combined with each other, and as those skilled in the art can fully understand, various interlocking and driving operations are possible, and each embodiment can be implemented independently of each other. It may be possible to implement together in an association relationship.

본 명세서의 해석의 명확함을 위해, 이하에서는 본 명세서에서 사용되는 용어들을 정의하기로 한다.For clarity of interpretation of this specification, terms used in this specification will be defined below.

도 1은 본 발명의 일 실시예에 따른 우쇄골하동맥 이상 예측 시스템의 개략도이다.1 is a schematic diagram of a right subclavian artery abnormality prediction system according to an embodiment of the present invention.

도 1을 참조하면, 우쇄골하동맥 이상 예측 시스템(1000)은 대상체(10)의 의료 영상을 촬영하는 영상 촬영 장치(100) 및 의료 영상을 기초로 우측 쇄골하동맥의 이상을 예측하는 이상 예측 장치(200)를 포함할 수 있다. Referring to FIG. 1 , the right subclavian artery abnormality prediction system 1000 includes an imaging apparatus 100 that captures a medical image of an object 10 and abnormality prediction that predicts an abnormality of the right subclavian artery based on the medical image. device 200.

영상 촬영 장치(100)는 사람, 동물과 같이 대상체(10)의 목적 부위에 대한 의료 영상을 획득할 수 있는 장치로, 대상체(10)가 반입되는 원통형의 보어(Bore)(110), 대상체(10)가 안착되고, 대상체(10)를 내부로 반입시키는 이송 장치(130)를 포함할 수 있다. 여기서, 목적 부위란 뇌, 심장, 정맥류 등 대상체(10)의 다양한 장기를 포함할 수 있다. The imaging device 100 is a device capable of obtaining medical images of a target part of an object 10, such as a human or an animal, and includes a cylindrical bore 110 into which the object 10 is brought in, an object ( 10) may include a transport device 130 that is seated and carries the object 10 into the interior. Here, the target site may include various organs of the object 10, such as the brain, heart, and varicose veins.

또한, 영상 촬영 장치(100)는 대상체(10)를 투영할 수 있는 엑스레이(X-ray)를 피사체를 향하여 조사함으로써, 대상체(10)에 대한 3D 입체 영상을 획득할 수 있다. 다만, 이 외에도 영상 촬영 장치(100)가 획득할 수 있는 의료 영상은 2차원 영상, 한 컷의 스틸 영상, 복수 개의 컷으로 구성된 동영상, 다양한 단면상(예. 축면(Axial plane) 영상, 시상면(Sagittal plane) 영상 및 관상면(coronal) 영상)을 포함할 수 있다. Also, the imaging apparatus 100 may obtain a 3D stereoscopic image of the object 10 by irradiating X-rays capable of projecting the object 10 toward the subject. However, in addition to this, medical images that can be obtained by the imaging device 100 include a 2D image, a still image of one cut, a video composed of a plurality of cuts, various cross-sectional views (eg, axial plane images, sagittal plane images) Sagittal plane images and coronal images) may be included.

한편, 본 발명에서 대상체(10)는 피검자이고, 영상 촬영 장치(100)가 촬영하는 목적 부위는 심장의 혈관일 수 있으며, 그에 따라, 의료 영상은 흉부, 경부 및 경부와 두부를 포함하는 신체 영역에 대한 의료 영상인 것으로 정의한다. Meanwhile, in the present invention, the subject 10 is an examinee, and a target part captured by the imaging device 100 may be a blood vessel of the heart, and thus, a medical image is a body region including the chest, neck, neck, and head. It is defined as being a medical image for .

이상 예측 장치(200)는 영상 촬영 장치(100)로부터 피검자의 CT 영상(의료 영상)을 획득하고, 이를 토대로 우측 쇄골하동맥의 이상 확률을 예측할 수 있는 장치일 수 있다. 예를 들어, 이상 예측 장치(200)는 CT 영상에 대한 딥러닝 학습 및 CT 영상을 입력 받아 분석 가능한 PC, 태블릿 PC, 스마트폰 등을 포함할 수 있다. The abnormality predicting device 200 may obtain a CT image (medical image) of the subject from the imaging device 100 and predict an abnormality probability of the right subclavian artery based on this. For example, the anomaly prediction device 200 may include a PC, a tablet PC, a smart phone, etc. capable of learning deep learning on CT images and receiving and analyzing CT images.

다양한 실시예에서, 이상 예측 장치(200)는 우측 쇄골하동맥의 이상이 발생하기 전, 하행 대동맥의 넓은 기시부가 퇴행하면서 발생하는 동맥류성 확장인, 커머렐 게실(Kommerell' diverticulum)의 이상을 이상 예측 모델을 통해 예측할 수도 있다. In various embodiments, the abnormality prediction device 200 abnormalities of the Kommerell's diverticulum, which is an aneurysmal dilatation that occurs while the wide origin of the descending aorta degenerates, before abnormality of the right subclavian artery occurs It can also be predicted through predictive models.

다양한 실시예에서, 이상 예측 장치(200)는 우측 쇄골하동맥의 이상 확률을 피검자의 CT 영상에서 추출된 복수의 이미지 패치 별로 제공할 수 있다. 예를 들어, 이상 예측 장치(200)는 복수의 이미지 패치 중 우측 쇄골하동맥의 이상 확률이 미리 설정된 확률 값 이상인 이미지 패치를 검출하고, CT 영상 중 해당 이미지 패치에 대응되는 영역을 시각적으로 출력해 줄 수 있다. In various embodiments, the abnormality predicting apparatus 200 may provide an abnormality probability of the right subclavian artery for each of a plurality of image patches extracted from a CT image of the subject. For example, the anomaly prediction device 200 detects an image patch in which an abnormality probability of the right subclavian artery is equal to or greater than a preset probability value among a plurality of image patches, and visually outputs a region corresponding to the corresponding image patch in the CT image. can give

다양한 실시예에서, 이상 예측 장치(200)는 우측 쇄골하동맥의 이상 확률 예측 결과에 따라, 피검자의 이상 우쇄골하동맥(ARSA, aberrant right subclavian artery) 여부를 결정하여 제공할 수 있다. In various embodiments, the abnormality prediction apparatus 200 may determine whether or not the subject has an aberrant right subclavian artery (ARSA) according to an abnormality probability prediction result of the right subclavian artery and provide the result.

지금까지 본 발명의 일 실시예에 따른 우쇄골하동맥 이상 예측 시스템(1000)에 대하여 설명하였다. 본 발명에 따르면, 우쇄골하동맥 이상 예측 시스템(1000)은 피검자의 CT 영상만으로도 이상 우쇄골하동맥을 진단하여 의료진의 판단 결과에 도움을 줄 수 있다. So far, the right subclavian artery abnormality prediction system 1000 according to an embodiment of the present invention has been described. According to the present invention, the right subclavian artery abnormality prediction system 1000 diagnoses the right subclavian artery abnormality using only the CT image of the subject, thereby helping the medical staff to determine the result.

이하에서는 도 2를 참조하여 우측 쇄골하동맥의 이상을 예측할 수 있는 이상 예측 장치(200)에 대하여 설명하도록 한다. Hereinafter, referring to FIG. 2 , an abnormality prediction apparatus 200 capable of predicting an abnormality of the right subclavian artery will be described.

도 2는 본 발명의 일 실시예에 따른 이상 예측 장치의 구성을 나타낸 블록도이다.2 is a block diagram showing the configuration of an anomaly prediction device according to an embodiment of the present invention.

도 2를 참조하면, 이상 예측 장치(200)는 통신 인터페이스(210), 메모리(220), I/O 인터페이스(230) 및 프로세서(240)를 포함할 수 있으며, 각 구성은 하나 이상의 통신 버스 또는 신호 라인을 통해 서로 통신할 수 있다.Referring to FIG. 2, the anomaly prediction device 200 may include a communication interface 210, a memory 220, an I/O interface 230, and a processor 240, each of which includes one or more communication buses or They can communicate with each other through signal lines.

통신 인터페이스(210)는 유/무선 통신 네트워크를 통해 영상 촬영 장치(100)와 연결되어 데이터를 주고받을 수 있다. 예를 들어, 통신 인터페이스(210)는 영상 촬영 장치(100)로 피검자의 목적 부위에 대한 촬영 신호를 송신할 수 있으며, 영상 촬영 장치(100)로부터 피검자의 목적 부위에 대한 CT 영상을 수신할 수 있다. 다른 예를 들어, 통신 인터페이스(210)는 의료진 디바이스(미도시)로 CT 영상을 기초로 목록화된 피검자의 우측 쇄골하동맥 이상 확률을 송신할 수 있다. The communication interface 210 may be connected to the image capture device 100 through a wired/wireless communication network to exchange data. For example, the communication interface 210 may transmit a photographing signal for a target part of the subject to the imaging apparatus 100 and may receive a CT image of the target part of the subject from the imaging apparatus 100. there is. For another example, the communication interface 210 may transmit the list of right subclavian artery abnormality probabilities based on CT images to a medical device (not shown).

한편, 이러한 데이터의 송수신을 가능하게 하는 통신 인터페이스(210)는 유선 통신 포트(211) 및 무선 회로(212)를 포함하며, 여기서 유선 통신 포트(211)는 하나 이상의 유선 인터페이스, 예를 들어, 이더넷, 범용 직렬 버스(USB), 파이어와이어 등을 포함할 수 있다. 또한, 무선 회로(212)는 RF 신호 또는 광학 신호를 통해 외부 디바이스와 데이터를 송수신할 수 있다. 아울러, 무선 통신은 복수의 통신 표준, 프로토콜 및 기술, 예컨대 GSM, EDGE, CDMA, TDMA, 블루투스, Wi-Fi, VoIP, Wi-MAX, 또는 임의의 기타 적합한 통신 프로토콜 중 적어도 하나를 사용할 수 있다. On the other hand, the communication interface 210 enabling transmission and reception of such data includes a wired communication port 211 and a wireless circuit 212, where the wired communication port 211 is one or more wired interfaces, for example, Ethernet. , Universal Serial Bus (USB), FireWire, etc. Also, the wireless circuit 212 may transmit/receive data with an external device through an RF signal or an optical signal. In addition, wireless communication may use at least one of a plurality of communication standards, protocols and technologies, such as GSM, EDGE, CDMA, TDMA, Bluetooth, Wi-Fi, VoIP, Wi-MAX, or any other suitable communication protocol.

메모리(220)는 이상 예측 장치(200)에서 사용되는 다양한 데이터를 저장할 수 있다. 예를 들어, 메모리(220)는 복수의 피검자에 대한 정보, 복수의 피검자에 대한 CT 영상, CT 영상에서 학습 데이터로 사용된 복수의 이미지 패치, CT 영상을 통해 예측된 우측 쇄골하동맥 이상 결과 등을 저장할 수 있다. 예를 들어, 메모리(220)는 CT 영상을 입력으로 하여 우측 쇄골하동맥 이상 확률을 예측하도록 학습된 이상 예측 모델을 저장할 수 있다. 여기서, 이상 예측 모델이란, 이미지, 영상 데이터를 인풋 데이터로 활용하여, 이미지, 영상 내 특정 영역을 아웃풋 데이터로 분류, 추출할 수 있는 CNN 기반의 모델일 수 있다. 예를 들어, 이상 예측 모델은, EfficientNet, AlexNet, GoogLeNet, SENet, GPipe, SqueezeNet, MobileNets, ShuffleNets, ResNet, DenseNet, U-net 및 VGG-Net 모델 및 복수의 모델의 조합으로 구성된 앙상블(Ensemble) 모델 중 적어도 하나의 모델일 수 있다. The memory 220 may store various data used in the anomaly prediction device 200 . For example, the memory 220 includes information on a plurality of subjects, CT images of the plurality of subjects, a plurality of image patches used as learning data in the CT images, results of abnormalities in the right subclavian artery predicted through the CT images, and the like. can be saved. For example, the memory 220 may store an abnormality prediction model trained to predict an abnormality probability of the right subclavian artery by taking a CT image as an input. Here, the anomaly prediction model may be a CNN-based model capable of classifying and extracting a specific region in an image or video as output data by using image or video data as input data. For example, anomaly prediction models are EfficientNet, AlexNet, GoogLeNet, SENet, GPipe, SqueezeNet, MobileNets, ShuffleNets, ResNet, DenseNet, U-net and VGG-Net models, and ensemble models composed of combinations of multiple models. It may be at least one of the models.

다양한 실시예에서, 메모리(220)는 각종 데이터, 명령 및 정보를 저장할 수 있는 휘발성 또는 비휘발성 기록 매체를 포함할 수 있다. 예를 들어, 메모리(220)는 플래시 메모리 타입, 하드디스크 타입, 멀티미디어 카드 마이크로 타입, 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램, SRAM, 롬, EEPROM, PROM, 네트워크 저장 스토리지, 클라우드, 블록체인 데이터베이스 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.In various embodiments, the memory 220 may include volatile or non-volatile recording media capable of storing various data, commands, and information. For example, the memory 220 may be a flash memory type, a hard disk type, a multimedia card micro type, a card type memory (eg SD or XD memory, etc.), RAM, SRAM, ROM, EEPROM, PROM, network storage storage , Cloud, and a blockchain database may include at least one type of storage medium.

다양한 실시예에서, 메모리(220)는 운영 체제(221), 통신 모듈(222), 사용자 인터페이스 모듈(223) 및 하나 이상의 애플리케이션(224) 중 적어도 하나의 구성을 저장할 수 있다. In various embodiments, the memory 220 may store configurations of at least one of the operating system 221 , the communication module 222 , the user interface module 223 , and one or more applications 224 .

운영 체제(221)(예. LINUX, UNIX, MAC OS, WINDOWS, VxWorks 등의 내장형 운영 체제)는 일반적인 시스템 작업(예. 메모리 관리, 저장 디바이스 제어, 전력 관리 등)를 제어하고 관리하기 위한 다양한 소프트웨어 컴포넌트 및 드라이버를 포함할 수 있으며, 다양한 하드웨어, 펌웨어, 및 소프트웨어 컴포넌트 간의 통신을 지원할 수 있다.Operating system 221 (e.g. embedded operating systems such as LINUX, UNIX, MAC OS, WINDOWS, VxWorks, etc.) is a variety of software for controlling and managing general system tasks (e.g. memory management, storage device control, power management, etc.) components and drivers, and may support communication between various hardware, firmware, and software components.

통신 모듈(223)은 통신 인터페이스(210)를 통해 다른 디바이스와 통신을 지원할 수 있다. 통신 모듈(220)은 통신 인터페이스(210)의 유선 통신 포트(211) 또는 무선 회로(212)에 의해 수신되는 데이터를 처리하기 위한 다양한 소프트웨어 구성 요소들을 포함할 수 있다.The communication module 223 may support communication with other devices through the communication interface 210 . The communication module 220 may include various software components for processing data received by the wired communication port 211 or the wireless circuit 212 of the communication interface 210 .

사용자 인터페이스 모듈(223)은 I/O 인터페이스(230)를 통해 키보드, 터치 스크린, 키보드, 마우스, 마이크 등으로부터 사용자의 요청 또는 입력을 수신하고, 디스플레이 상에 사용자 인터페이스를 제공할 수 있다.The user interface module 223 may receive a user's request or input from a keyboard, touch screen, keyboard, mouse, microphone, etc. through the I/O interface 230 and provide a user interface on a display.

애플리케이션(224)은 하나 이상의 프로세서(240)에 의해 실행되도록 구성되는 프로그램 또는 모듈을 포함할 수 있다. 여기서, 우쇄골하동맥 이상 여부를 결정하기 위한 애플리케이션은 서버 팜(server farm) 상에서 구현될 수 있다.Applications 224 may include programs or modules configured to be executed by one or more processors 240 . Here, an application for determining whether there is an abnormality in the right subclavian artery may be implemented on a server farm.

I/O 인터페이스(230)는 이상 예측 장치(200)의 입출력 디바이스(미도시), 예컨대 디스플레이, 키보드, 터치 스크린 및 마이크 중 적어도 하나를 사용자 인터페이스 모듈(223)과 연결할 수 있다. I/O 인터페이스(230)는 사용자 인터페이스 모듈(223)과 함께 사용자 입력(예. 음성 입력, 키보드 입력, 터치 입력 등)을 수신하고, 수신된 입력에 따른 명령을 처리할 수 있다. The I/O interface 230 may connect at least one of an input/output device (not shown) of the abnormality prediction device 200, for example, a display, a keyboard, a touch screen, and a microphone, to the user interface module 223. The I/O interface 230 may receive user input (eg, voice input, keyboard input, touch input, etc.) together with the user interface module 223 and process a command according to the received input.

프로세서(240)는 통신 인터페이스(210), 메모리(220) 및 I/O 인터페이스(230)와 연결되어 이상 예측 장치(200)의 전반적인 동작을 제어할 수 있으며, 메모리(220)에 저장된 애플리케이션 또는 프로그램을 통해 CT 영상에서 피검자의 이상 우쇄골하동맥 여부를 결정하기 위한 다양한 명령들을 수행할 수 있다. The processor 240 is connected to the communication interface 210, the memory 220, and the I/O interface 230 to control the overall operation of the anomaly prediction device 200, and an application or program stored in the memory 220. Through this, it is possible to perform various commands to determine whether or not the right subclavian artery is abnormal in the CT image.

프로세서(240)는 CPU(Central Processing Unit)나 AP(Application Processor)와 같은 연산 장치에 해당할 수 있다. 또한, 프로세서(240)는 다양한 연산 장치가 통합된 SoC(System on Chip)와 같은 통합 칩(Integrated Chip (IC))의 형태로 구현될 수 있다. 또는 프로세서(240)는 NPU(Neural Processing Unit)과 같이 인공 신경망 모델을 계산하기 위한 모듈을 포함할 수 있다.The processor 240 may correspond to an arithmetic device such as a central processing unit (CPU) or an application processor (AP). In addition, the processor 240 may be implemented in the form of an integrated chip (IC) such as a System on Chip (SoC) in which various computing devices are integrated. Alternatively, the processor 240 may include a module for calculating an artificial neural network model, such as a Neural Processing Unit (NPU).

이하에서는, 도 3 내지 도 5를 참조하여, 이상 예측 장치(200)의 프로세서(240)가 피검자의 우측 쇄골하동맥의 이상을 예측하는 방법에 대하여 설명하도록 한다. Hereinafter, with reference to FIGS. 3 to 5 , a method of predicting an abnormality of the subject's right subclavian artery by the processor 240 of the abnormality predicting apparatus 200 will be described.

도 3은 본 발명의 일 실시예에 따른 이상 예측 장치를 이용한 우쇄골하동맥 이상 예측 방법에 대한 개략적인 순서도이다. 3 is a schematic flowchart of a method for predicting an abnormality in the right subclavian artery using an abnormality predicting device according to an embodiment of the present invention.

도 3을 참조하면, 프로세서(240)는 피검자의 흉부, 경부 및, 경부와 두부의 조합 중 적어도 하나를 포함하는 CT 영상을 획득할 수 있다(S110). 예를 들어, 프로세서(240)는 통신 인터페이스(210)를 통해 영상 촬영 장치(100)로부터 피검자의 CT 영상을 수신할 수 있다. Referring to FIG. 3 , the processor 240 may obtain a CT image including at least one of the subject's chest, neck, and a combination of the neck and head (S110). For example, the processor 240 may receive a CT image of the subject from the imaging device 100 through the communication interface 210 .

아울러, 프로세서(240)가 획득한 CT 영상은, 3D 영상일 수 있으며, 프로세서(240)는 해당 CT 영상에서 피검자의 흉부, 경부 및 두부 중 적어도 하나에 대한 축면(Axial plane) 영상, 시상면(Sagittal plane) 영상 및 관상면(coronal) 영상을 획득할 수 있다. In addition, the CT image obtained by the processor 240 may be a 3D image, and the processor 240 may generate an axial plane image, a sagittal plane image of at least one of the chest, neck, and head of the subject in the corresponding CT image. Sagittal plane images and coronal images may be obtained.

다양한 실시예에서, 프로세서(240)는 CT 영상의 크기 또는 색상을 전처리할 수 있다. 예를 들어, 프로세서(240)는 하나의 3D CT 영상에서 축면 영상, 시상면 영상 및 관상면 영상을 획득하고, 이를 3차원 좌표(3차원 행렬)로 변환할 수 있으며, 복수의 픽셀 단위로 구성된 각각의 단면 영상을 RGB 색상 별로 구분하여, 3개의 영상 별로 3개의 단면 영상, 총 9개의 단면 영상을 획득할 수 있다. 또한, 이상 예측 장치(200)는 구분된 단면 영상을 정규화(Normalization)하여, 이상 예측 모델에 입력 가능한 입력 데이터의 형태로 정제할 수 있다. In various embodiments, the processor 240 may pre-process the size or color of the CT image. For example, the processor 240 may obtain an axial plane image, a sagittal plane image, and a coronal plane image from one 3D CT image, convert them into 3D coordinates (3D matrix), Each cross-sectional image may be classified according to RGB color, and three cross-sectional images for each of the three images, a total of nine cross-sectional images, may be obtained. In addition, the anomaly predicting apparatus 200 may normalize the divided sectional images and refine them into input data types that can be input to the anomaly prediction model.

다양한 실시예에서, 프로세서(240)는 CT 영상에서 대동맥 궁을 포함하는 관심 영역(ROI, region of interest)을 결정할 수 있다. 구체적으로, 프로세서(240)는 CT 영상에서 대동맥 궁에 해당하는 영역을 예측하도록 구성된 진단 영역 예측 모델을 이용하여, CT 영상 내에서 대동맥 궁에 해당하는 영역을 예측할 수 있다. 일 예로, 프로세서(240)는 커널 사이즈가 미리 지정된 컨볼루션 레이어를 이용하여 CT 영상에서 관심 영역을 결정하거나, 슬라이딩 윈도우(Sliding Window)를 이용하여 CT 영상에서 관심 영역을 결정할 수 있으며, 두 방식을 혼합하여 관심 영역을 결정할 수도 있다. 예를 들어, 프로세서(240)는 512x512x3 사이즈의 3D CT 영상을 256x256x3 사이즈의 3D 영상의 CT 영상으로 변환하고, 128 pixel 사이즈의 슬라이딩 윈도우를 이용하여 관심 영역을 결정할 수 있다. In various embodiments, the processor 240 may determine a region of interest (ROI) including the aortic arch in the CT image. Specifically, the processor 240 may predict a region corresponding to the aortic arch in the CT image by using a diagnostic region prediction model configured to predict a region corresponding to the aortic arch in the CT image. For example, the processor 240 may determine a region of interest in a CT image using a convolution layer having a predefined kernel size, or determine a region of interest in a CT image using a sliding window. A region of interest may be determined by mixing. For example, the processor 240 may convert a 512x512x3 3D CT image into a 256x256x3 3D CT image and determine a region of interest using a 128 pixel sliding window.

즉, 프로세서(240)는 관심 영역에 대응되는 복수의 픽셀 단위로 구성된 복수의 이미지 패치(patch)를 획득할 수 있으며, 축면 영상, 시상면 영상 및 관상면 영상 각각에 대응되는 복수의 이미지 패치를 획득할 수 있다. That is, the processor 240 may obtain a plurality of image patches composed of a plurality of pixel units corresponding to the region of interest, and obtain a plurality of image patches corresponding to the axial plane image, the sagittal plane image, and the coronal plane image, respectively. can be obtained

S110 단계 이후, 프로세서(240)는 CT 영상을 입력으로 하여 우측 쇄골하동맥 이상 확률을 예측하도록 학습된 이상 예측 모델에 S110 단계에서 획득한 CT 영상을 입력하여, 우측 쇄골하동맥 이상 확률을 예측할 수 있다(S120). 구체적으로, 프로세서(240)는 축면 영상, 시상면 영상 및 관상면 영상 각각에 대하여 우측 쇄골하동맥 이상 확률을 예측할 수 있다. 예를 들어, 프로세서(240)는 ①R 색상 값으로만 분류된 축면 영상의 우측 쇄골하동맥 이상 확률, ② 색상 값으로만 분류된 축면 영상의 우측 쇄골하동맥 이상 확률, ③B 색상 값으로만 분류된 축면 영상의 우측 쇄골하동맥 이상 확률, ④R 색상 값으로만 분류된 시상면 영상의 우측 쇄골하동맥 이상 확률, ⑤ 색상 값으로만 분류된 시상면 영상의 우측 쇄골하동맥 이상 확률, ⑥색상 값으로만 분류된 시상면 영상의 우측 쇄골하동맥 이상 확률, ⑦R 색상 값으로만 분류된 관상면 영상의 우측 쇄골하동맥 이상 확률, ⑧ 색상 값으로만 분류된 관상면 영상의 우측 쇄골하동맥 이상 확률, ⑨색상 값으로만 분류된 관상면 영상의 우측 쇄골하동맥 이상 확률을 예측할 수 있다. After step S110, the processor 240 may predict the probability of right subclavian artery abnormality by inputting the CT image acquired in step S110 to the abnormality prediction model learned to predict the right subclavian artery abnormality probability by taking the CT image as an input. Yes (S120). Specifically, the processor 240 may predict the right subclavian artery abnormality probability for each of the axial plane image, the sagittal plane image, and the coronal plane image. For example, the processor 240 calculates ① the probability of an abnormality in the right subclavian artery of the axial image classified only by the R color value, ② the probability of an abnormality of the right subclavian artery of the axial image classified only by the color value, ③ the probability of an abnormality in the right subclavian artery of the axial image classified only by the color value of B Probability of right subclavian artery abnormality in axial image, ④ Probability of right subclavian artery abnormality in sagittal image classified only by R color value, ⑤ Probability of right subclavian artery abnormality in sagittal image classified only by color value, ⑥ Color value Probability of right subclavian artery abnormality in sagittal images classified only, ⑦ Probability of right subclavian artery abnormality in coronal images classified only by R color value, ⑧ Probability of right subclavian artery abnormality in coronal images classified only by color value, ⑨ Probabilities of abnormalities in the right subclavian artery of coronal images classified only by color values can be predicted.

한편, 이상 예측 모델에 입력되는 입력 데이터는 가공되지 않은 단면 영상을 의미할 수도 있으나, 이 외에 입력 데이터는 단면 영상 각각에서 대동맥 궁을 포함하는 관심 영역에 대응되는 복수의 이미지 패치일 수도 있다. Meanwhile, the input data input to the anomaly prediction model may mean an unprocessed sectional image, but other than that, the input data may be a plurality of image patches corresponding to the region of interest including the aortic arch in each sectional image.

다양한 실시예에서, 이상 예측 모델은 CT 영상을 입력하여 커머렐 게실(Kommerell's diverticulum)의 이상 확률을 예측하도록 학습된 모델일 수 있다. 즉, 프로세서(240)는 이상 예측 모델을 통해 우측 쇄골하동맥의 이상이 발현되기 전의 커머렐 게실(Kommerell's diverticulum)의 이상 확률을 예측함으로써, 피검자의 대동맥 궁 이상 상황이 악화되는 것을 예방할 수 있다. In various embodiments, the abnormality prediction model may be a model learned to predict an abnormality probability of a Kommerell's diverticulum by inputting a CT image. That is, the processor 240 predicts the probability of an abnormality of the Kommerell's diverticulum before the occurrence of an abnormality in the right subclavian artery through an abnormality prediction model, thereby preventing the subject's aortic arch abnormality from worsening.

다양한 실시예에서, 이상 예측 모델은 EfficientNet, AlexNet, GoogLeNet, SENet, GPipe, SqueezeNet, MobileNets, ShuffleNets, ResNet, DenseNet, U-net 및 VGG-Net 모델 및 복수의 모델의 조합으로 구성된 앙상블(Ensemble) 모델 중 적어도 하나의 모델로 이루어질 수 있다. In various embodiments, the anomaly prediction model is an ensemble model composed of EfficientNet, AlexNet, GoogLeNet, SENet, GPipe, SqueezeNet, MobileNets, ShuffleNets, ResNet, DenseNet, U-net and VGG-Net models and a combination of a plurality of models. It may consist of at least one of the models.

S120 단계 이후, 프로세서(240)는 우측 쇄골하동맥 이상 확률을 기초로 피검자의 이상 우쇄골하동맥(ARSA, aberrant right subclavian artery) 여부를 결정할 수 있다(S130). 구체적으로, 프로세서(240)는 우측 쇄골하동맥 이상 확률이 미리 설정된 확률 값 이상인지에 따라, 피검자의 우측 쇄골하동맥 이상 여부를 결정할 수 있다. 예를 들어, 프로세서(240)는 우측 쇄골하동맥의 이상 확률이 미리 설정된 확률 값 이상인 경우, 피검자의 우측 쇄골하동맥이 이상인 것으로 결정하고, 우측 쇄골하동맥의 이상 확률이 미리 설정된 확률 값 미만인 경우, 피검자의 우측 쇄골하동맥이 정상인 것으로 결정할 수 있다. 여기서, 미리 설정된 확률 값은 이상 예측 장치(200)의 관리자(의료진)의 설정에 따라 가변적일 수 있다. 예를 들어, 장치의 자체적인 진단을 원할 경우 그 값을 높게 설정하고, 진단을 보조하는 데 사용할 경우 그 값을 낮게 설정할 수 있다. After step S120, the processor 240 may determine whether the subject has an aberrant right subclavian artery (ARSA) based on the probability of an abnormal right subclavian artery (S130). Specifically, the processor 240 may determine whether the subject has an abnormality in the right subclavian artery according to whether the probability of an abnormality in the right subclavian artery is greater than or equal to a preset probability value. For example, the processor 240 determines that the subject's right subclavian artery is abnormal when the probability of abnormality of the right subclavian artery is greater than or equal to a preset probability value, and the abnormal probability of the right subclavian artery is less than the preset probability value. , it can be determined that the subject's right subclavian artery is normal. Here, the preset probability value may be variable according to settings of a manager (medical staff) of the anomaly prediction device 200 . For example, you can set the value high if you want to self-diagnose the device, and set the value low if you use it to assist in diagnosis.

다양한 실시예에서, 프로세서(240)는 측면 영상, 시상면 영상 및 관상면 영상 각각에 대한 우측 쇄골하동맥 이상 확률 중 어느 하나의 영상을 기초로 예측된 확률이, 미리 설정된 확률 값 이상인 경우, 피검자의 우측 쇄골하동맥이 이상인 것으로 결정할 수 있다. 즉, 프로세서(240)는 어느 측의 CT 단면 영상에서라도 예측된 확률이 미리 설정된 확률 값 이상인 경우, 피검자의 우측 쇄골하동맥이 이상인 것으로 결정하고, 모든 단면 영상에서의 예측 확률이 미리 설정된 확률 값 미만인 경우에만, 피검자의 우측 쇄골하동맥이 정상인 것으로 결정할 수 있다. In various embodiments, the processor 240 may, if the predicted probability based on any one of the right subclavian artery abnormality probabilities for each of the lateral image, the sagittal image, and the coronal image is greater than or equal to a preset probability value, the subject It can be determined that the right subclavian artery is abnormal. That is, the processor 240 determines that the subject's right subclavian artery is abnormal when the predicted probability in any CT cross-sectional image is greater than or equal to the preset probability value, and the predicted probability in all cross-sectional images is less than the preset probability value. In this case, it can be determined that the subject's right subclavian artery is normal.

지금까지 본 발명의 이상 예측 장치(200) 및 이상 예측 장치(200)의 프로세서(240)에 의해 수행되는 우쇄골하동맥 이상 예측 방법에 대하여 개략적으로 설명하였다. 본 발명에 따르면, 우측 쇄골하동맥의 이상을 예측할 수 있는 딥러닝 학습 모델을 통해 피검자의 우측 쇄골하동맥 이상 확률을 예측할 뿐만 아니라, 우측 쇄골하동맥의 이상이 발현되기 전의 커머렐 게실(Kommerell's diverticulum)의 이상 확률을 예측함으로써, 우측 쇄골하동맥의 이상에 따른 위험 상황을 예방할 수 있다.So far, the abnormality predicting apparatus 200 and the method for predicting an abnormality of the right subclavian artery performed by the processor 240 of the abnormality predicting apparatus 200 have been schematically described. According to the present invention, the probability of right subclavian artery abnormality of a subject is predicted through a deep learning learning model capable of predicting abnormalities of the right subclavian artery, as well as Kommerell's diverticulum before the abnormality of the right subclavian artery appears. ), it is possible to prevent a dangerous situation due to an abnormality of the right subclavian artery.

이하에서는 우쇄골하동맥 이상을 예측하는 구제척인 방법에 대하여 설명하도록 한다. Hereinafter, a salvage method for predicting an abnormality in the right subclavian artery will be described.

도 4는 본 발명의 일 실시예에 따른 이상 예측 장치를 이용한 우쇄골하동맥 이상 예측 방법에 대한 구체적인 순서도이고, 도 5는 도 4에 도시된 S17-1, S17-2 단계를 구체화한 순서도이다. 4 is a detailed flowchart of a method for predicting an abnormality in the right subclavian artery using an abnormality predicting device according to an embodiment of the present invention, and FIG. 5 is a flowchart embodying steps S17-1 and S17-2 shown in FIG. 4 .

도 4를 참조하면, 이상 예측 장치(200)는 영상 촬영 장치(100)로부터 CT 영상을 획득할 수 있다(S11). 예를 들어, 영상 촬영 장치(100)로부터 획득된 CT 영상은 대동맥 궁을 포함하는 흉부, 경부 및 경부와 두부를 포함하는 신체 영역에 대한 DICOM 포맷의 영상일 수 있다. Referring to FIG. 4 , the anomaly prediction device 200 may obtain a CT image from the image capturing device 100 (S11). For example, the CT image obtained from the imaging apparatus 100 may be a DICOM format image of a body region including the chest, neck, neck, and head including the aortic arch.

S11 단계 이후, 이상 예측 장치(200)는 프로토콜을 인식할 수 있다(S12). 예를 들어, 이상 예측 장치(200)는 메타 데이터 내 프로토콜 이름을 이용하여 축면(Axial plane) 영상, 시상면(Sagittal plane) 영상 및 관상면(coronal) 영상을 분류하고, 각각의 영상을 순서대로 획득할 수 있다. After step S11, the anomaly prediction device 200 may recognize the protocol (S12). For example, the anomaly prediction device 200 classifies an axial plane image, a sagittal plane image, and a coronal image using a protocol name in metadata, and sequentially classifies each image. can be obtained

S12 단계 이후, 이상 예측 장치(200)는 CT 영상을 전처리할 수 있다(S13). 예를 들어, 이상 예측 장치(200)는 순서대로 획득하는 축면 영상, 시상면 영상 및 관상면 영상을 3차원 좌표(3차원 행렬)로 변환할 수 있으며, 복수의 픽셀 단위로 구성된 각각의 단면 영상을 RGB 색상 별로 구분하여, 3개의 영상 별로 3개의 단면 영상, 총 9개의 단면 영상을 획득할 수 있다. 또한, 이상 예측 장치(200)는 구분된 단면 영상을 정규화(Normalization)하여, 이상 예측 모델에 입력 가능한 입력 데이터의 형태로 정제할 수 있다. After step S12, the anomaly prediction apparatus 200 may pre-process the CT image (S13). For example, the anomaly prediction apparatus 200 may convert sequentially acquired axial, sagittal, and coronal images into 3-dimensional coordinates (3-dimensional matrix), and each cross-sectional image composed of a plurality of pixel units. It is possible to obtain a total of 9 cross-sectional images, 3 cross-sectional images for each of the three images, by classifying them according to RGB colors. In addition, the anomaly predicting apparatus 200 may normalize the divided sectional images and refine them into input data types that can be input to the anomaly prediction model.

다양한 실시예에서, 이상 예측 장치(200)는 축면 영상, 시상면 영상 및 관상면 영상 전부를 일괄적으로 전처리하거나, 축면 영상, 시상면 영상 및 관상면 영상 중 하나의 CT 단면 영상을 전처리한 뒤, S14 단계를 진행할 수도 있다. In various embodiments, the anomaly prediction apparatus 200 preprocesses all of the axial, sagittal, and coronal images at once, or preprocesses one CT sectional image among the axial, sagittal, and coronal images, and then , step S14 may be performed.

S13 단계 이후, 이상 예측 장치(200)는 전처리된 CT 영상에서 복수의 이미지 패치를 추출할 수 있다(S14). 구체적으로, 이상 예측 장치(200)는 CT 영상에서 대동맥 궁을 포함하는 관심 영역(ROI, region of interest)을 결정할 수 있다. 일 예로, 프로세서(240)는 커널 사이즈가 미리 지정된 컨볼루션 레이어를 이용하여 CT 영상에서 관심 영역을 결정하거나, 슬라이딩 윈도우(Sliding Window)를 이용하여 CT 영상에서 관심 영역을 결정할 수 있으며, 두 방식을 혼합하여 관심 영역을 결정할 수도 있다.After step S13, the anomaly prediction apparatus 200 may extract a plurality of image patches from the preprocessed CT image (S14). Specifically, the abnormality prediction apparatus 200 may determine a region of interest (ROI) including the aortic arch in the CT image. For example, the processor 240 may determine a region of interest in a CT image using a convolution layer having a predefined kernel size, or determine a region of interest in a CT image using a sliding window. A region of interest may be determined by mixing.

즉, 이상 예측 장치(200)는 관심 영역에 대응되는 복수의 픽셀 단위로 구성된 복수의 이미지 패치(patch)를 획득할 수 있으며, 축면 영상, 시상면 영상 및 관상면 영상 각각에 대응되는 복수의 이미지 패치를 획득할 수 있다. That is, the anomaly prediction apparatus 200 may acquire a plurality of image patches composed of a plurality of pixel units corresponding to the region of interest, and a plurality of images corresponding to the axial plane image, the sagittal plane image, and the coronal plane image, respectively. Patches can be obtained.

S14 단계 이후, 이상 예측 장치(200)는 복수의 이미지 패치에 대한 ARSA(aberrant right subclavian artery) 확률을 예측할 수 있다(S15). 구체적으로, 이상 예측 장치(200)는 축면 영상, 시상면 영상 및 관상면 영상 각각에 대하여 우측 쇄골하동맥 이상 확률을 예측할 수 있으며, 각각은 RGB 색상 값으로 분류 가능한 바, 이상 예측 장치(200)는 총 9개의 이미지 패치에 대한 ARSA 확률을 예측할 수 있다. After step S14, the anomaly prediction apparatus 200 may predict an aberrant right subclavian artery (ARSA) probability for a plurality of image patches (S15). Specifically, the anomaly prediction apparatus 200 may predict the probability of an abnormality in the right subclavian artery for each of the axial plane image, the sagittal plane image, and the coronal plane image, and since each can be classified as an RGB color value, the anomaly prediction apparatus 200 can predict ARSA probabilities for a total of 9 image patches.

S15 단계 이후, 이상 예측 장치(200)는 어느 하나의 이미지 패치에 대한 ARSA 확률이 미리 설정된 확률 값 이상인지 판단할 수 있다(S16). 여기서 만약, 어느 하나의 이미지 패치가 미리 설정된 확률 값 이상인 경우, 이상 예측 장치(200)는 해당 이미지 패치에서 우측 쇄골하동맥의 이상이 존재하는 것(positive)으로 결정할 수 있다(S17-1, 예). 반대로 어느 하나의 이미지 패치가 미리 설정된 확률 값 미만인 경우, 이상 예측 장치(200)는 해당 이미지 패치에서 우측 쇄골하동맥의 이상이 존재하지 않는 것(negative)으로 결정할 수 있다(S17-2, 아니오).After step S15, the anomaly prediction apparatus 200 may determine whether the ARSA probability for any one image patch is greater than or equal to a preset probability value (S16). Here, if any one image patch is equal to or greater than a preset probability value, the anomaly prediction apparatus 200 may determine that an abnormality of the right subclavian artery exists in the corresponding image patch (S17-1, Yes). ). Conversely, if any one image patch is less than a preset probability value, the abnormality predicting apparatus 200 may determine that the abnormality of the right subclavian artery does not exist in the corresponding image patch (S17-2, No). .

다양한 실시예에서, S16 단계에서 기준이 되는 확률 값은 관리자(의료진)의 설정에 따라 가변적일 수 있다. 예를 들어, 이상 예측 장치(200)의 자체적인 진단을 원할 경우 그 값을 높게 설정하고, 진단을 보조하는 데 사용할 경우 그 값을 낮게 설정할 수 있다. In various embodiments, the standard probability value in step S16 may be variable according to settings of a manager (medical staff). For example, when self-diagnosis of the abnormality prediction device 200 is desired, the value may be set high, and when used to assist diagnosis, the value may be set low.

도 5를 참조하면, 이상 예측 장치(200)는 하나의 이미지 패치에 대한 ARSA 확률 값 판단 이후, 해당 이미지 패치가 마지막 CT 영상에 해당하는 지 확인할 수 있다(S17-11). 만약 해당 이미지 패치가 마지막 CT 영상이 아닌 경우, S13 단계로 돌아가 그 다음 CT 영상을 전처리하고(S17-12, 아니오), ARSA 확률을 계산 및 이상 여부를 판단할 수 있다. 반대로, 해당 이미지 패치가 마지막 이미지 패치인 경우, 이상 예측 장치(200)는 이전 CT 영상들의 이미지 패치 중 어느 하나의 이미지 패치에서 positive로 결정된 것이 존재하는지 확인할 수 있다(S17-12, 예). 예를 들어, 이상 예측 장치(200)는 RGB로 구분된 복수의 축면(Axial plane) 영상에서 어느 하나의 영상에 대한 이미지 패치에서 positive로 결정된 이미지 패치가 존재하는 경우, 해당 측면 영상에서의 우측 쇄골하동맥의 이상이 존재하는 것(ARSA 예측 결과: positive)으로 결정할 수 있다(S17-13, 예). 반대로, 어느 하나의 영상에서도 positive로 결정된 이미지 패치가 존재하지 않는 경우, 해당 CT 단면 영상에서의 우측 쇄골하동맥의 이상이 존재하지 않는 것(ARSA 예측 결과: negative)으로 결정할 수 있다(S17-14, 아니오).Referring to FIG. 5 , after determining an ARSA probability value for one image patch, the anomaly prediction apparatus 200 may check whether the corresponding image patch corresponds to the last CT image (S17-11). If the corresponding image patch is not the last CT image, it is possible to return to step S13 and preprocess the next CT image (S17-12, No), calculate the ARSA probability, and determine whether there is an abnormality. Conversely, if the corresponding image patch is the last image patch, the anomaly prediction device 200 may check whether one of the image patches of previous CT images is determined to be positive (S17-12, Yes). For example, the anomaly prediction apparatus 200, when there is an image patch determined to be positive in an image patch for any one image in a plurality of axial plane images divided by RGB, the right clavicle in the corresponding lateral image It may be determined that an abnormality of the lower artery exists (ARSA prediction result: positive) (S17-13, Yes). Conversely, if there is no image patch determined as positive in any one image, it can be determined that there is no abnormality of the right subclavian artery in the corresponding CT sectional image (ARSA prediction result: negative) (S17-14). , no).

S17-1, S17-2, S17-13, S17-14 단계 이후, 이상 예측 장치(200)는 복수의 이미지 패치에 대한 ARSA 예측 결과를 리스트화할 수 있다(S18). 즉, 이상 예측 장치(200)는 축면(Axial plane) 영상, 시상면(Sagittal plane) 영상 및 관상면(coronal) 영상 각각의 RGB 색상 별로 ARSA 확률을 계산하고, 각 이미지의 번호와 ARSA 확률 값을 리스트화하여 저장할 수 있다. After steps S17-1, S17-2, S17-13, and S17-14, the anomaly prediction apparatus 200 may list ARSA prediction results for a plurality of image patches (S18). That is, the anomaly prediction device 200 calculates the ARSA probability for each RGB color of an axial plane image, a sagittal plane image, and a coronal image, and calculates the number of each image and the ARSA probability value. You can list and save.

S18 단계 이후, 이상 예측 장치(200)는 피검자의 ARSA 여부를 결정할 수 있다. 예를 들어, 이상 예측 장치(200)는 어느 하나의 CT 단면 영상에서 우측 쇄골하동맥의 이상이 존재하는 것으로 예측된 경우, 피검자가 이상 우쇄골하동맥인 것으로 결정할 수 있다. After step S18, the anomaly prediction apparatus 200 may determine whether or not the subject has ARSA. For example, the abnormality prediction apparatus 200 may determine that the subject has an abnormal right subclavian artery when it is predicted that there is an abnormal right subclavian artery in any one CT sectional image.

지금까지 본 발명의 일 실시예에 따른 우쇄골하동맥 이상 예측 방법에 대하여 구체적으로 설명하였으며, 이하에서는 본 발명의 일 실시예에 따른 우쇄골하동맥 이상 예측 방법에서 사용된 이상 예측 모델에 대한 신뢰도 평가 결과에 대하여 설명하도록 한다. So far, the method for predicting an abnormality of the right subclavian artery according to an embodiment of the present invention has been described in detail, and the reliability of the abnormality prediction model used in the method for predicting an abnormality of the subclavian artery according to an embodiment of the present invention is described below. The evaluation results should be explained.

도 6 내지 도 11은 본 발명의 일 실시예에 따른 이상 예측 모델의 성능 평가 결과를 나타낸 그래프들이다. 6 to 11 are graphs showing performance evaluation results of an anomaly prediction model according to an embodiment of the present invention.

여기서, 이상 예측 모델의 신뢰도 평가는 이상 우쇄골하동맥(ARSA)이 존재하는 것으로 결정된 121명의 환자에 대한 369개의 경부 CT 영상 데이터, 206명의 정상인에 대한 206개의 경부 CT 영상 데이터, 83명의 환자에 대한 83개의 두부 CT 영상 데이터, 60명의 환자에 대한 60개의 두부 CT 영상 데이터, 160명의 환자에 대한 160개의 흉부 CT 영상 데이터, 103명의 환자에 대한 103개의 흉부 CT 영상 데이터를 이용하여 수행되었다. Here, the reliability evaluation of the abnormality prediction model was performed on 369 cervical CT image data of 121 patients for whom abnormal right subclavian artery (ARSA) was determined to exist, 206 cervical CT image data of 206 normal individuals, and 83 patients. 83 head CT image data for 60 patients, 160 chest CT image data for 160 patients, and 103 chest CT image data for 103 patients.

도 6을 참조하면, EfficientNet B0 네트워크로 이루어진 이상 예측 모델을 사용한 결과, 이상 우쇄골하동맥의 예측 정확도는 (a) 축면(Axial plane) 영상에 대해서 1.00, (b) 시상면(Sagittal plane) 영상에 대해서 1.00, (c) 관상면(coronal) 영상에 대해서 0.99, (d) 축면, 시상면 및 관상면에 대해서 1.00으로, 높은 정확도를 가지는 것으로 나타났다. Referring to FIG. 6, as a result of using the abnormal prediction model consisting of the EfficientNet B0 network, the prediction accuracy of the abnormal right subclavian artery was (a) 1.00 for axial plane images and (b) 1.00 for sagittal plane images 1.00 for (c) coronal image, 0.99 for (d) axial plane, sagittal plane, and coronal plane, 1.00, showing high accuracy.

보다 구체적으로, 도 7을 참조하면, Confusion matrix에서 EfficientNet B0 네트워크로 이루어진 이상 예측 모델을 사용한 결과, 이상 우쇄골하동맥의 예측 정확도는 (a) 축면(Axial plane) 영상에 대해서 (42+50)/(42+52+9)=0.91, (b) 시상면(Sagittal plane) 영상에 대해서 (42+50)/(47+50+4)=0.96, (c) 관상면(coronal) 영상에 대해서 (42+49)/(42+49+1+9)=0.90, (d) 축면, 시상면 및 관상면에 대해서 (44+50)/(44+50+7)=0.93으로, 높은 정확도를 가지는 것으로 나타났다. More specifically, referring to FIG. 7, as a result of using the abnormal prediction model consisting of the EfficientNet B0 network in the confusion matrix, the prediction accuracy of the abnormal right subclavian artery is (a) (42+50) for axial plane images /(42+52+9)=0.91, (b) for sagittal plane image (42+50)/(47+50+4)=0.96, (c) for coronal image (42+49)/(42+49+1+9)=0.90, (d) (44+50)/(44+50+7)=0.93 for the axial, sagittal and coronal planes, resulting in high accuracy appeared to have

또한, 도 8을 참조하면, ResNet50 네트워크로 이루어진 이상 예측 모델을 사용한 결과, 이상 우쇄골하동맥의 예측 정확도는 (a) 축면(Axial plane) 영상에 대해서 1.00, (b) 시상면(Sagittal plane) 영상에 대해서 1.00, (c) 관상면(coronal) 영상에 대해서 1.00, (d) 축면, 시상면 및 관상면에 대해서 1.00으로, 높은 정확도를 가지는 것으로 나타났다. In addition, referring to FIG. 8, as a result of using the anomaly prediction model composed of the ResNet50 network, the prediction accuracy of the anomalous subclavian artery was (a) 1.00 for axial plane images and (b) 1.00 for sagittal plane images. 1.00 for images, (c) 1.00 for coronal images, and (d) 1.00 for axial, sagittal, and coronal images, showing high accuracy.

보다 구체적으로, 도 9을 참조하면, Confusion matrix에서 ResNet50 네트워크로 이루어진 이상 예측 모델을 사용한 결과, 이상 우쇄골하동맥의 예측 정확도는 (a) 축면(Axial plane) 영상에 대해서 (39+50)/(39+50+12)=0.88, (b) 시상면(Sagittal plane) 영상에 대해서 (45+50)/(45+50+6)=0.94, (c) 관상면(coronal) 영상에 대해서 (30+50)/(30+50+21)=0.79, (d) 축면, 시상면 및 관상면에 대해서 (44+50)/(44+50+7)=0.93으로, 높은 정확도를 가지는 것으로 나타났다. More specifically, referring to FIG. 9, as a result of using the abnormal prediction model consisting of the ResNet50 network in the confusion matrix, the prediction accuracy of the abnormal right subclavian artery is (a) (39+50)/ (39+50+12)=0.88, (b) For sagittal plane image (45+50)/(45+50+6)=0.94, (c) For coronal image ( 30+50)/(30+50+21)=0.79, (d) (44+50)/(44+50+7)=0.93 for axial, sagittal and coronal planes, showing high accuracy .

또한, 도 10을 참조하면, EfficientNet B0 및 ResNet50 네트워크의 조합으로 구성된 앙상블 모델로 이상 예측 모델을 사용한 결과, 이상 우쇄골하동맥의 예측 정확도는 (a) 축면(Axial plane) 영상에 대해서 1.00, (b) 시상면(Sagittal plane) 영상에 대해서 1.00, (c) 관상면(coronal) 영상에 대해서 1.00, (d) 축면, 시상면 및 관상면에 대해서 1.00으로, 높은 정확도를 가지는 것으로 나타났다. In addition, referring to FIG. 10, as a result of using the abnormal prediction model as an ensemble model composed of a combination of EfficientNet B0 and ResNet50 networks, the prediction accuracy of the abnormal right subclavian artery was (a) 1.00 for axial plane images, ( b) 1.00 for sagittal plane images, (c) 1.00 for coronal images, and (d) 1.00 for axial, sagittal and coronal images, which showed high accuracy.

보다 구체적으로, 도 11을 참조하면, Confusion matrix에서 EfficientNet B0 및 ResNet50 네트워크의 조합으로 구성된 앙상블 모델로 이루어진 이상 예측 모델을 사용한 결과, 이상 우쇄골하동맥의 예측 정확도는 (a) 축면(Axial plane) 영상에 대해서 (45+50)/(45+50+6)=0.94, (b) 시상면(Sagittal plane) 영상에 대해서 (45+50)/(45+50+6)=0.94, (c) 관상면(coronal) 영상에 대해서 (33+50)/(33+50+18)=0.82, (d) 축면, 시상면 및 관상면에 대해서 (46+50)/(46+50+5)=0.95으로, 높은 정확도를 가지는 것으로 나타났다. More specifically, referring to FIG. 11, as a result of using an abnormal prediction model consisting of an ensemble model composed of a combination of EfficientNet B0 and ResNet50 networks in the confusion matrix, the prediction accuracy of the abnormal right subclavian artery is (a) in the axial plane (45+50)/(45+50+6)=0.94 for images, (b) (45+50)/(45+50+6)=0.94 for sagittal plane images, (c) (33+50)/(33+50+18)=0.82 for coronal images, (d) (46+50)/(46+50+5)= for axial, sagittal and coronal images 0.95, which was found to have high accuracy.

이러한 결과를 통해 본 발명의 이상 예측 모델이 CT 영상을 기초로 하는 우측 쇄골하동맥 이상 확률 예측에 있어서 우수한 예측 능력을 가지는 것으로 이해될 수 있다. Through these results, it can be understood that the abnormality prediction model of the present invention has excellent predictive ability in predicting the probability of right subclavian artery abnormality based on CT images.

이상 첨부된 도면을 참조하여 본 발명의 일 실시예들을 더욱 상세하게 설명하였으나, 본 발명은 반드시 이러한 실시예로 국한되는 것은 아니고, 본 발명의 기술사상을 벗어나지 않는 범위 내에서 다양하게 변형 실시될 수 있다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.Although one embodiment of the present invention has been described in more detail with reference to the accompanying drawings, the present invention is not necessarily limited to these embodiments, and may be variously modified and implemented without departing from the technical spirit of the present invention. there is. Therefore, the embodiments disclosed in the present invention are not intended to limit the technical spirit of the present invention, but to explain, and the scope of the technical spirit of the present invention is not limited by these embodiments. Therefore, the embodiments described above should be understood as illustrative in all respects and not limiting. The protection scope of the present invention should be construed according to the following claims, and all technical ideas within the equivalent range should be construed as being included in the scope of the present invention.

1000: 우쇄골하동맥 이상 예측 시스템
10: 대상체
100: 영상 촬영 장치
110: 보어 130: 이송 장치
200: 이상 예측 장치
210: 통신 인터페이스
211: 유선 통신 포트 212: 무선 회로
220: 메모리
221: 운영 체제 222: 통신 모듈
223: 사용자 인터페이스 모듈 224: 애플리케이션
230: I/O 인터페이스 240: 프로세서1000: right subclavian artery abnormality prediction system
10: object
100: video recording device
110: bore 130: transfer device
200: anomaly prediction device
210: communication interface
211 wired communication port 212 wireless circuit
220: memory
221: operating system 222: communication module
223 user interface module 224 application
230: I/O interface 240: processor

Claims (18)

프로세서에 의해 수행되는 우측 쇄골하동맥의 이상을 예측하는 방법으로서,
피검자의 흉부, 경부 및, 경부와 두부의 조합 중 적어도 하나를 포함하는 CT 영상을 획득하는 단계;
CT 영상을 입력으로 하여 우측 쇄골하동맥 이상 확률을 예측하도록 학습된 이상 예측 모델에 상기 CT 영상을 입력하여, 우측 쇄골하동맥 이상 확률을 예측하는 단계;
상기 우측 쇄골하동맥 이상 확률을 기초로 상기 피검자의 이상 우쇄골하동맥(ARSA, aberrant right subclavian artery) 여부를 결정하는 단계; 를 포함하는 우쇄골하동맥 이상 예측 방법.As a method of predicting an abnormality of the right subclavian artery performed by a processor,
obtaining a CT image including at least one of a chest region, a neck region, and a combination of a neck region and a head region;
predicting a right subclavian artery abnormality probability by inputting the CT image to an abnormality prediction model trained to predict a right subclavian artery abnormality probability using the CT image as an input;
determining whether the subject has an aberrant right subclavian artery (ARSA) based on the right subclavian artery abnormality probability; Right subclavian artery abnormality prediction method comprising a. 제1항에 있어서,
상기 CT 영상을 획득하는 단계는,
상기 CT 영상에서 상기 피검자의 흉부, 경부 및 두부 중 적어도 하나에 대한 축면(Axial plane) 영상, 시상면(Sagittal plane) 영상 및 관상면(coronal) 영상을 획득하는 단계, 를 더 포함하는 우쇄골하동맥 이상 예측 방법.According to claim 1,
Obtaining the CT image is
Acquiring an axial plane image, a sagittal plane image, and a coronal image of at least one of the chest, neck, and head of the subject from the CT image; Methods for predicting arterial abnormalities. 제2항에 있어서,
상기 확률을 예측하는 단계는,
상기 축면 영상, 상기 시상면 영상 및 상기 관상면 영상 각각에 대한 우측 쇄골하동맥 이상 확률을 예측하는 단계인, 우쇄골하동맥 이상 예측 방법.According to claim 2,
The step of predicting the probability is,
The step of predicting a right subclavian artery abnormality probability for each of the axial plane image, the sagittal plane image, and the coronal plane image. 제1항에 있어서,
상기 CT 영상을 획득하는 단계 이후에,
상기 CT 영상에서 대동맥 궁을 포함하는 관심 영역(ROI, region of interest)을 결정하는 단계, 를 더 포함하고,
상기 이상 예측 모델은,
상기 관심 영역을 입력으로 하여 우측 쇄골하동맥 이상 확률을 예측하도록 학습된 모델인, 우쇄골하동맥 이상 예측 방법.According to claim 1,
After acquiring the CT image,
Further comprising determining a region of interest (ROI) including the aortic arch in the CT image,
The abnormal prediction model,
A method for predicting a right subclavian artery abnormality, which is a model learned to predict a right subclavian artery abnormality probability using the region of interest as an input. 제4항에 있어서,
상기 관심 영역을 결정하는 단계는,
상기 관심 영역에 대응되는 복수의 픽셀 단위로 구성된 복수의 이미지 패치(patch)를 획득하는 단계, 를 더 포함하고,
상기 확률을 예측하는 단계는,
상기 복수의 이미지 패치 각각에 대한 우측 쇄골하동맥 이상 확률을 예측하는 단계인, 우쇄골하동맥 이상 예측 방법. According to claim 4,
Determining the region of interest
Acquiring a plurality of image patches composed of a plurality of pixel units corresponding to the region of interest;
The step of predicting the probability is,
The step of predicting a right subclavian artery abnormality probability for each of the plurality of image patches, the right subclavian artery abnormality prediction method. 제1항에 있어서,
상기 이상 예측 모델은,
상기 CT 영상을 입력하여 커머렐 게실(Kommerell's diverticulum)의 이상 확률을 예측하도록 학습된 모델인, 우쇄골하동맥 이상 예측 방법. According to claim 1,
The abnormal prediction model,
A method for predicting an abnormality in the right subclavian artery, which is a model learned to predict an abnormality probability of a Kommerell's diverticulum by inputting the CT image. 제1항 또는 제6항에 있어서,
상기 이상 예측 모델은,
EfficientNet, AlexNet, GoogLeNet, SENet, GPipe, SqueezeNet, MobileNets, ShuffleNets, ResNet, DenseNet, U-net 및 VGG-Net 모델 및 복수의 모델의 조합으로 구성된 앙상블(Ensemble) 모델 중 적어도 하나의 모델로 이루어지도록 구성되는, 우쇄골하동맥 이상 예측 방법.According to claim 1 or 6,
The abnormal prediction model,
Consists of at least one model among EfficientNet, AlexNet, GoogLeNet, SENet, GPipe, SqueezeNet, MobileNets, ShuffleNets, ResNet, DenseNet, U-net and VGG-Net models and ensemble models composed of combinations of multiple models. A method for predicting abnormalities of the right subclavian artery. 제1항에 있어서,
상기 우측 쇄골하동맥 이상 여부를 결정하는 단계는,
상기 우측 쇄골하동맥 이상 확률이 미리 설정된 확률 값 이상인지에 따라, 상기 피검자의 우측 쇄골하동맥 이상 여부를 결정하는 단계인, 우쇄골하동맥 이상 예측 방법. According to claim 1,
The step of determining whether the right subclavian artery is abnormal,
The step of determining whether the right subclavian artery abnormality of the subject is determined according to whether the right subclavian artery abnormality probability is equal to or greater than a preset probability value. 제3항 또는 제8항에 있어서,
상기 우측 쇄골하동맥 이상 여부를 결정하는 단계는,
상기 측면 영상, 상기 시상면 영상 및 상기 관상명 영상 각각에 대한 우측 쇄골하동맥 이상 확률 중 어느 하나의 영상을 기초로 예측된 확률이, 상기 미리 설정된 확률 값 이상인 경우, 상기 피검자의 우측 쇄골하동맥이 이상인 것으로 결정하는 단계인, 우쇄골하동맥 이상 예측 방법. According to claim 3 or 8,
The step of determining whether the right subclavian artery is abnormal,
When a probability predicted based on any one of the right subclavian artery abnormality probabilities for each of the lateral image, the sagittal plane image, and the coronal image is equal to or greater than the preset probability value, the right subclavian artery of the subject A method for predicting an abnormality in the right subclavian artery, which is a step of determining that the abnormality is present. 통신 인터페이스;
메모리;
상기 통신 인터페이스, 상기 메모리와 동작 가능하게 연결된 프로세서; 를 포함하고,
상기 프로세서는,
피검자의 흉부, 경부 및, 경부와 두부의 조합 중 적어도 하나를 포함하는 CT 영상을 획득하고, CT 영상을 입력으로 하여 우측 쇄골하동맥 이상 확률을 예측하도록 학습된 제1 이상 예측 모델에 상기 CT 영상을 입력하여, 상기 CT 영상을 기초로 하는 우측 쇄골하동맥 이상 확률을 예측하고, 상기 우측 쇄골하동맥 이상 확률을 기초로 상기 피검자의 이상 우쇄골하동맥(ARSA, aberrant right subclavian artery) 여부를 결정하도록 구성되는, 이상 예측 장치. communication interface;
Memory;
a processor operatively connected to the communication interface and the memory; including,
the processor,
A CT image including at least one of the subject's chest, neck, and a combination of the neck and head is obtained, and the first abnormality predicting model trained to predict the probability of right subclavian artery abnormality using the CT image as an input CT image to predict the right subclavian artery abnormality probability based on the CT image, and to determine whether the subject has an aberrant right subclavian artery (ARSA) based on the right subclavian artery abnormality probability An anomaly prediction device configured to: 제10항에 있어서,
상기 프로세서는,
상기 CT 영상에서 상기 피검자의 흉부, 경부 및 두부 중 적어도 하나에 대한 축면(Axial plane) 영상, 시상면(Sagittal plane) 영상 및 관상면(coronal) 영상을 획득하도록 구성되는, 이상 예측 장치. According to claim 10,
the processor,
An abnormality prediction device configured to acquire an axial plane image, a sagittal plane image, and a coronal image of at least one of the chest, neck, and head of the subject from the CT image. 제10항에 있어서,
상기 프로세서는,
상기 축면 영상, 상기 시상면 영상 및 상기 관상면 영상 각각에 대한 우측 쇄골하동맥 이상 확률을 예측하도록 구성되는, 이상 예측 장치.According to claim 10,
the processor,
The abnormality predicting apparatus configured to predict a right subclavian artery abnormality probability for each of the axial plane image, the sagittal plane image, and the coronal plane image. 제9항에 있어서,
상기 프로세서는,
상기 CT 영상에서 대동맥 궁을 포함하는 관심 영역(ROI, region of interest)을 결정하도록 구성되고,
상기 이상 예측 모델은,
상기 관심 영역을 입력으로 하여 우측 쇄골하동맥 이상 확률을 예측하도록 학습된 모델인, 이상 예측 장치.According to claim 9,
the processor,
It is configured to determine a region of interest (ROI) including the aortic arch in the CT image,
The abnormal prediction model,
An abnormality predicting device that is a model learned to predict a right subclavian artery abnormality probability by using the region of interest as an input. 제13항에 있어서,
상기 프로세서는,
상기 관심 영역에 대응되는 복수의 픽셀 단위로 구성된 복수의 이미지 패치(patch)를 획득하고,
상기 복수의 이미지 패치 각각에 대한 우측 쇄골하동맥 이상 확률을 예측하도록 구성되는, 이상 예측 장치. According to claim 13,
the processor,
obtaining a plurality of image patches composed of a plurality of pixel units corresponding to the region of interest;
An abnormality predicting device configured to predict a right subclavian artery abnormality probability for each of the plurality of image patches. 제10항에 있어서,
상기 이상 예측 모델은,
상기 CT 영상을 입력하여 커머렐 게실(Kommerell's diverticulum)의 이상 확률을 예측하도록 학습된 모델인, 이상 예측 장치. According to claim 10,
The abnormal prediction model,
An abnormality prediction device, which is a model learned to predict an abnormality probability of Kommerell's diverticulum by inputting the CT image. 제10항 또는 제14항에 있어서,
상기 이상 예측 모델은,
EfficientNet, AlexNet, GoogLeNet, SENet, GPipe, SqueezeNet, MobileNets, ShuffleNets, ResNet, DenseNet, U-net 및 VGG-Net 모델 및 복수의 모델의 조합으로 구성된 앙상블(Ensemble) 모델 중 적어도 하나의 모델로 이루어지도록 구성되는, 이상 예측 장치.The method of claim 10 or 14,
The abnormal prediction model,
Consists of at least one model among EfficientNet, AlexNet, GoogLeNet, SENet, GPipe, SqueezeNet, MobileNets, ShuffleNets, ResNet, DenseNet, U-net and VGG-Net models and ensemble models composed of combinations of multiple models. becoming, an anomaly predictor. 제10항에 있어서,
상기 프로세서는,
상기 우측 쇄골하동맥 이상 확률이 미리 설정된 확률 값 이상인지에 따라, 상기 피검자의 우측 쇄골하동맥 이상 여부를 결정하도록 구성되는, 이상 예측 장치. According to claim 10,
the processor,
An abnormality predicting device configured to determine whether the right subclavian artery abnormality of the subject is determined according to whether the right subclavian artery abnormality probability is equal to or greater than a preset probability value. 제11항 또는 제16항에 있어서,
상기 프로세서는,
상기 측면 영상, 상기 시상면 영상 및 상기 관상명 영상 각각에 대한 우측 쇄골하동맥 이상 확률 중 어느 하나의 영상을 기초로 예측된 확률이, 상기 미리 설정된 확률 값 이상인 경우, 상기 피검자의 우측 쇄골하동맥이 이상인 것으로 결정하도록 구성되는, 이상 예측 장치.
According to claim 11 or 16,
the processor,
When a probability predicted based on any one of the right subclavian artery abnormality probabilities for each of the lateral image, the sagittal plane image, and the coronal image is equal to or greater than the preset probability value, the right subclavian artery of the subject An anomaly prediction device, configured to determine that the anomaly is.
KR1020220015124A 2022-02-04 2022-02-04 Method for predicting right subclavian artery abnormality and apparatus for performing the same KR20230118463A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220015124A KR20230118463A (en) 2022-02-04 2022-02-04 Method for predicting right subclavian artery abnormality and apparatus for performing the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220015124A KR20230118463A (en) 2022-02-04 2022-02-04 Method for predicting right subclavian artery abnormality and apparatus for performing the same

Publications (1)

Publication Number Publication Date
KR20230118463A true KR20230118463A (en) 2023-08-11

Family

ID=87565910

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220015124A KR20230118463A (en) 2022-02-04 2022-02-04 Method for predicting right subclavian artery abnormality and apparatus for performing the same

Country Status (1)

Country Link
KR (1) KR20230118463A (en)

Similar Documents

Publication Publication Date Title
JP7058373B2 (en) Lesion detection and positioning methods, devices, devices, and storage media for medical images
KR102014364B1 (en) Method and apparatus for evaluating bleeding using surgical video
KR101864380B1 (en) Surgical image data learning system
WO2019105218A1 (en) Recognition method and device for image feature, storage medium and electronic device
EP3842005A1 (en) Dental image analysis method and device using same for orthodontic diagnosis
US10445465B2 (en) System and method for efficient transmission of patient data
WO2021082416A1 (en) Network model training method and device, and focus area determination method and device
US20120173576A1 (en) Patient identification
US11170499B2 (en) Method and device for the automated evaluation of at least one image data record recorded with a medical image recording device, computer program and electronically readable data carrier
JP5789211B2 (en) Similar image retrieval apparatus, method and program
JP2019033966A (en) Image processing device, image processing method, and image processing program
KR20190088375A (en) Surgical image data learning system
US10115037B2 (en) Patient identification using dynamic medical images
US20220366562A1 (en) Medical image analysis apparatus and method, and medical image visualization apparatus and method
CN110992376A (en) CT image-based rib segmentation method, device, medium and electronic equipment
US11836918B2 (en) Systems and methods for radiologic and photographic imaging of patients
US20190125306A1 (en) Method of transmitting a medical image, and a medical imaging apparatus performing the method
CN112971718A (en) Syndrome identification method and device, electronic equipment and storage medium
CN112348838B (en) Method and system for image analysis
KR102034648B1 (en) Medical Image Management System, Method and Computer Readable Recording Medium
US11475568B2 (en) Method for controlling display of abnormality in chest x-ray image, storage medium, abnormality display control apparatus, and server apparatus
US11875507B1 (en) Systems and methods for detecting cardiovascular anomalies using spatiotemporal neural networks
CN111753831A (en) Image analysis method and device, image acquisition equipment and storage medium
KR20230118463A (en) Method for predicting right subclavian artery abnormality and apparatus for performing the same
CN111192679B (en) Method, device and storage medium for processing image data abnormality

Legal Events

Date Code Title Description
E902 Notification of reason for refusal