KR20240041032A - 내시경 점막하 박리 검체의 조직구축 병리검사에 대한 인공지능 기반 관리 방법 및 장치 - Google Patents

내시경 점막하 박리 검체의 조직구축 병리검사에 대한 인공지능 기반 관리 방법 및 장치 Download PDF

Info

Publication number
KR20240041032A
KR20240041032A KR1020220120071A KR20220120071A KR20240041032A KR 20240041032 A KR20240041032 A KR 20240041032A KR 1020220120071 A KR1020220120071 A KR 1020220120071A KR 20220120071 A KR20220120071 A KR 20220120071A KR 20240041032 A KR20240041032 A KR 20240041032A
Authority
KR
South Korea
Prior art keywords
tissue
image
interest
lesion area
tissue section
Prior art date
Application number
KR1020220120071A
Other languages
English (en)
Inventor
조미연
김희만
황상원
권찬우
Original Assignee
연세대학교 원주산학협력단
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 원주산학협력단 filed Critical 연세대학교 원주산학협력단
Priority to KR1020220120071A priority Critical patent/KR20240041032A/ko
Publication of KR20240041032A publication Critical patent/KR20240041032A/ko

Links

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
    • G16H50/50—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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • 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
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Endoscopes (AREA)

Abstract

본 발명은 내시경 점막하 박리 검체의 조직구축 병리검사에 대한 인공지능 기반 관리 방법 및 장치에 관한 것이다. 본 발명의 일 실시 예에 따른 인공지능 기반 내시경 점막하 박리 검체의 조직구축 병리검사에 대한 인공지능 기반 관리 방법은, (a) 제1 조직절편을 포함하는 제1 조직절편 이미지를 획득하는 단계; (b) 상기 제1 조직절편의 병변 관심 영역을 결정하는 단계; 및 (c) 상기 병변 관심 영역이 결정된 제1 조직절편 이미지를 취합하하여 절제된 검체와 내시경 이미지에 병변 전체 영역을 침윤 깊이에 따라 구현하는 모델을 생성하는 단계;를 포함할 수 있다.

Description

내시경 점막하 박리 검체의 조직구축 병리검사에 대한 인공지능 기반 관리 방법 및 장치{Artificial intelligence method and apparatus for mapping of endoscopic submucosal dissection specimen}
본 발명은 내시경 점막하 박리 검체의 조직구축 병리검사 (mapping)에 대한 인공지능 기반 관리 방법 및 장치에 관한 것으로, 더욱 상세하게는 내시경 점막하 박리로 절제된 검체를 2~3mm 간격으로 연속으로 조직절편 슬라이드를 제작하고 현미경 이미지를 취합하여 진단하는 조직구축 병리검사 결과를 육안 및 내시경 이미지에 침윤 깊이에 따른 히트맵 이미지로 표시해 주는 인공지능 기반 관리 방법 및 장치에 관한 것이다.
소화기 내시경은 위 및 대장의 점막 병변을 확인하기 위하여 사용되는 가장 기본이 되는 보편적인 방법이며 조기 암 및 전암 병변의 경우에는 병변을 찾는 방법일 뿐 아니라 점막하 절제를 통해 치료 방법으로도 사용된다.
이 때, 내시경 이미지를 통한 병변 영역 확인이 내시경을 시행하는 전문가의 숙련도에 따라 다를 수 있다. 특히 점막하 박리로 치료를 하는 경우 병변 영역의 검출 정확도가 중요한데 조기암이나 전암병변은 경계가 불명확하기 때문에 불완전절제의 위험이 있다. 또한 내시경 절제의 치료는 림프절 전이가 없는 종양에 국한되어 적용하지만 내시경 소견만으로 림프절 전이의 위험과 연관이 있는 것으로 잘 알려진 점막하 침윤 깊이 및 넓이를 알기 어렵다. 내시경 점막하 박리로 절제된 후 검체는 병리의사에게 전달된고 병리의사는 검체 전체를 2~3mm 간격으로 연속하는 조직절편을 만들어 현미경 검사로 병변을 평가하는 조직구축 병리검사로 병변을 진단한다. 연속 절편된 슬라이드 소견을 취합하여 병변의 크기, 점막하 침윤 깊이 및 넓이, 절제연 상태, 림프절 전이 위험 소견 등을 평가하고 표준 병리진단보고서로 작성하여 내시경을 시행한 의사에게 전달하여 추적관찰 및 추가 수술 치료 여부를 결정하도록 소통하고 있다. 그러나 문서로 제작된 보고서에는 검체내에서 병변의 위치, 점막하 침윤을 보이는 부분의 위치 및 범위, 종양 침범이 있는 절제연의 위치 및 범위 등은 자세하게 표현하기 어려우므로 조직구축 검사 결과를 육안 검체에 이미지로 표시하는 것이 권장되고 있으나 슬라이드 제작과정에서 발생하는 다양한 조직의 변형과 병리 전문 지식이 있는 사람에 의해 수작업으로 진행되어야 하는 문제점으로 인해 현 실정에서는 시행되기 매우 어렵다.
[특허문헌 1] 한국등록특허 제10-2277761호
본 발명은 전술한 문제점을 해결하기 위하여 창출된 것으로, 내시경 점막하 박리 검체에 대한 조직구축 병리진단 결과를 검체 및 내시경 이미지에 병변의 침윤 깊이 및 넓이에 따라 히트맵 이미지로 구현하는 인공지능 기반 관리 방법 및 장치를 제공하는 것을 그 목적으로 한다.
또한, 본 발명은 병변 관심 영역이 결정된 제1 조직절편 이미지를 이용하여 병변 영역을 종양의 침윤 깊이 별로 구분하는 예측 모델을 생성하고 조직구축으로 제작된 여러장의 연속된 슬라이드에서 관찰된 병변을 취합하여 검체 이미지에 병변 전체를 3차원적 히트맵 이미지로 표현하기 위한 방법 및 장치를 제공하는 것을 그 목적으로 한다.
또한, 본 발명은 병변 관심 영역이 히트맵 이미지로 표시된 검체의 육안 이미지를 내시경 이미지와 비교하여, 내시경 이미지에서 절제된 검체내 병변의 영역을 확인하기 위한 방법 및 장치를 제공하는 것을 그 목적으로 한다.
본 발명의 목적들은 이상에서 언급한 목적들로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.
상기한 목적들을 달성하기 위하여, 본 발명의 실시 예에 따른 내시경 점막하 박리 검체의 조직구축 병리검사에 대한 인공지능 기반 관리 방법은, (a) 제1 조직절편을 포함하는 제1 조직절편 이미지를 획득하는 단계; (b) 상기 제1 조직절편의 병변 관심 영역을 결정하는 단계; (c) 상기 병변 관심 영역이 결정된 제1 조직절편 이미지를 이용하여 병변 영역을 침윤 깊이에 따라 예측하는 인공지능 모델을 생성하는 단계; 를 포함할 수 있다.
실시 예에서, 상기 (b) 단계는, 상기 제1 조직절편 이미지에 포함된 제1 조직절편의 기준 표면을 추출하는 단계; 상기 추출된 기준 표면을 평탄화하고 크기를 보정하는 단계; 및 상기 평탄화된 기준 표면에 병변 관심 영역을 결정하는 단계; 를 포함할 수 있다.
실시 예에서, 상기 내시경 점막하 박리 검체의 조직구축 병리검사에 대한 인공지능 기반 관리 방법은, 상기 (c) 단계 이후에, 제2 조직절편 이미지를 획득하는 단계; 및 상기 제2 조직절편 이미지를 상기 모델에 적용하여 상기 제2 조직절편 이미지에 포함된 제2 조직절편의 병변 관심 영역을 결정하는 단계;를 더 포함할 수 있다.
실시 예에서, 상기 내시경 점막하 절제 검체의 조직구축 병리검사에 대한 인공지능 기반 관리 방법은, 포르말린에 고정 후 크기가 변형되기 전의 상기 제2 조직절편이 포함된 제1 검체 이미지와 포르말린에 고정 후 크기가 변형된 후의 제2 조직절편이 포함된 제2 검체 이미지를 획득하는 단계; 및 상기 제2 검체 이미지에서 상기 제2 조직절편의 병변 관심 영역을 결정하는 단계;를 더 포함할 수 있다.
실시 예에서, 상기 내시경 점막하 박리 검체의 조직구축 병리검사에 대한 인공지능 기반 관리 방법은, 상기 (c) 단계 이후에, 상기 병변 관심 영역이 결정된 제2 검체 이미지의 경계 영역과 상기 제1 검체 이미지의 경계 영역이 매칭되도록 상기 제2 검체 이미지를 회전시키는 단계; 및 상기 회전된 제2 검체 이미지와 상기 제2 조직절편이 포함된 내시경 이미지를 비교하여, 상기 내시경 이미지에서 상기 제2 조직절편의 병변 관심 영역을 결정하는 단계;를 더 포함할 수 있다.
실시 예에서, 내시경 점막하 박리 검체의 조직구축 병리검사에 대한 인공지능 기반 관리 장치는, 제1 조직절편을 포함하는 제1 조직절편 이미지를 획득하는 획득부; 및 상기 제1 조직절편의 병변 관심 영역을 결정하고, 상기 병변 관심 영역이 결정된 제1 조직절편 이미지를 이용하여 병변 영역을 침윤 깊이에 따라 예측하는 모델을 생성하는 제어부;를 포함할 수 있다.
실시 예에서, 상기 제어부는, 상기 제1 조직절편 이미지에 포함된 제1 조직절편의 기준 표면을 추출하고, 상기 추출된 기준 표면을 평탄화하고 크기를 보정하며, 상기 평탄화된 기준 표면에 대한 병변 관심 영역을 결정할 수 있다.
실시 예에서, 상기 제어부는, 제2 조직절편 이미지를 획득하고, 상기 획득된 제2 조직절편 이미지를 상기 모델에 적용하여 상기 제2 조직절편 이미지에 포함된 제2 조직절편의 병변 관심 영역을 결정할 수 있다.
실시 예에서, 상기 획득부는, 포르말린에 고정 후 크기가 변형되기 전의 상기 제2 조직절편이 포함된 제1 검체 이미지와 포르말린에 고정 후 크기가 변형된 후의 제2 조직절편이 포함된 제2 검체 이미지를 획득하고, 상기 제어부는, 상기 제2 검체 이미지에서 모델을 적용하여 상기 제2 조직절편의 병변 관심 영역을 결정할 수 있다.
실시 예에서, 상기 제어부는, 상기 병변 관심 영역이 결정된 제2 검체 이미지의 경계 영역과 상기 제1 이미지의 경계 영역이 매칭되도록 상기 제2 검체 이미지를 회전시키고, 상기 회전된 제2 검체 이미지와 상기 제2 조직절편이 포함된 내시경 이미지를 비교하여, 상기 내시경 이미지에서 상기 제2 조직절편의 병변 관심 영역을 결정할 수 있다.
상기한 목적들을 달성하기 위한 구체적인 사항들은 첨부된 도면과 함께 상세하게 후술 될 실시 예들을 참조하면 명확해질 것이다.
그러나, 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라, 서로 다른 다양한 형태로 구성될 수 있으며, 본 발명의 개시가 완전하도록 하고 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자(이하, "통상의 기술자")에게 발명의 범주를 완전하게 알려주기 위해서 제공되는 것이다.
본 발명의 일 실시 예에 의하면, 내시경 점막하 절제의 완결도 및 추적관찰계획 수립시 집중해서 관찰해야 할 부위를 안내할 수 있다. 육안 및 내시경 상에서 현미경 수준의 병변 영역을 학습할 수 있다.
본 발명의 효과들은 상술된 효과들로 제한되지 않으며, 본 발명의 기술적 특징들에 의하여 기대되는 잠정적인 효과들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시 예에 따른 내시경 점막하 박리 검체의 조직구축 병리검사에 대한 인공지능 기반 관리 과정을 도시한 도면이다.
도 2는 본 발명의 일 실시 예에 따른 다수의 제1 조직절편을 포함하는 제1 조직절편 이미지를 도시한 도면이다.
도 3은 본 발명의 일 실시 예에 따른 구조가 변경된 다수의 제1 조직절편을 포함하는 제1 조직절편 이미지를 도시한 도면이다.
도 4는 본 발명의 일 실시 예에 따른 분리된 각 제1 조직절편을 포함하는 제1 조직절편 이미지를 도시한 도면이다.
도 5는 본 발명의 일 실시 예에 따른 제1 조직절편의 기준 표면을 도시한 도면이다.
도 6은 본 발명의 일 실시 예에 따른 평탄화된 기준 표면을 갖는 제1 조직절편을 포함하는 제1 조직절편 이미지를 도시한 도면이다.
도 7a 및 7b는 본 발명의 일 실시 예에 따른 평탄화된 기준 표면에 대한 병변 관심 영역의 라벨링을 도시한 도면이다.
도 8은 본 발명의 일 실시 예에 따른 병변 영역 예측 모델을 도시한 도면이다.
도 9a 및 9b는 본 발명에 따른 제2 검체 이미지에서 상기 제2 조직절편의 병변 관심 영역의 결정을 도시한 도면이다.
도 10a 및 10b는 본 발명에 따른 경계 영역의 비교를 도시한 도면이다.
도 11a 내지 11c는 본 발명에 따른 내시경 이미지에서 병변 관심 영역의 결정을 도시한 도면이다.
도 12는 본 발명에 따른 내시경 점막하 박리 검체의 조직구축 병리검사에 대한 인공지능 기반 관리 방법을 도시한 도면이다.
도 13은 본 발명에 따른 내시경 점막하 박리 검체의 조직구축 병리검사에 대한 인공지능 기반 관리 장치의 기능적 구성을 도시한 도면이다.
도 14는 본 발명에 따른 2차원 슬라이드 이미지에 기반한 3차원 모델링 과정을 도시한 도면이다.
본 발명은 다양한 변경을 가할 수 있고, 여러 가지 실시 예들을 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 이를 상세히 설명하고자 한다.
청구범위에 개시된 발명의 다양한 특징들은 도면 및 상세한 설명을 고려하여 더 잘 이해될 수 있을 것이다. 명세서에 개시된 장치, 방법, 제법 및 다양한 실시 예들은 예시를 위해서 제공되는 것이다. 개시된 구조 및 기능상의 특징들은 통상의 기술자로 하여금 다양한 실시 예들을 구체적으로 실시할 수 있도록 하기 위한 것이고, 발명의 범위를 제한하기 위한 것이 아니다. 개시된 용어 및 문장들은 개시된 발명의 다양한 특징들을 이해하기 쉽게 설명하기 위한 것이고, 발명의 범위를 제한하기 위한 것이 아니다.
본 발명을 설명함에 있어서, 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우, 그 상세한 설명을 생략한다.
이하, 본 발명의 일 실시 예에 따른 내시경 점막하 박리 검체의 조직구축 병리검사에 대한 인공지능 기반 관리 방법 및 장치를 설명한다.
일 실시예에서, 제1 조직절편을 포함하는 제1 조직절편 이미지는, 병변 영역 예측모델을 학습시키기 위해 사용되는 학습 이미지를 의미할 수 있다.
일 실시예에서, 제2 조직절편을 포함하는 제2 조직절편 이미지는, 제1 조직절편 이미지와 별도로, 병변 영역 예측모델에 입력하여 병변 관심 영역을 결정하기 위해 사용되는 실제 예측용 이미지를 의미할 수 있다.
일 실시예에서, 제1 조직절편의 대상자와 제2 조직절편의 대상자는 동일하거나 다를 수 있다.
일 실시예에서, 제1 검체 이미지는, 포르말린에 고정 후 크기가 변형(예: 수축)되기 전의 제2 조직절편 이미지의 병변 관심 영역에 대응되는 부분을 포함하는 원본 검체 이미지를 의미할 수 있다.
일 실시예에서, 제2 검체 이미지는, 포르말린에 고정 후 크기가 변형된 후의 제2 조직절편 이미지의 병변 관심 영역에 대응되는 부분을 포함하는 원본 검체 이미지를 의미할 수 있다.
도 1은 본 발명의 일 실시예에 따른 내시경 점막하 박리 검체의 조직구축 병리검사에 대한 인공지능 기반 관리 과정을 도시한 도면이다. 도 1의 각 단계는 도 13의 인공지능 기반 관리 장치(1300)에 의해 수행될 수 있다.
도 1을 참고하면, S101 단계에서, 다수의 제1 조직절편을 포함하는 제1 조직절편 이미지를 획득할 수 있다.
S102 단계에서, 제1 조직절편 이미지에 포함된 다수의 제1 조직절편을 특정 형태(예: 일자)로 변형할 수 있다.
S103 단계에서, 다수의 제1 조직절편 각각을 분리하고, 각 제1 조직절편을 포함하는 제1 조직절편 이미지를 생성할 수 있다.
S104 단계에서, 제1 조직절편 이미지에 포함된 제1 조직절편의 기준 표면을 추출할 수 있다.
S105 단계에서, 추출된 기준 표면을 평탄화할 수 있다.
S106 단계에서, 평탄화된 기준 표면을 갖는 제1 조직절편 이미지의 제1 조직절편에 대한 병변 관심 영역을 라벨링할 수 있다.
S107 단계에서, 변경 관심 영역이 라벨링된 제1 조직절편이 표시된 제1 조직절편 이미지를 데이터베이스(database, DB)에 저장할 수 있다.
S108 단계에서, 병변 관심 영역이 결정된 제1 조직절편 이미지를 이용하여 병변 영역을 침윤 깊이에 따라 예측하는 모델을 학습시킬 수 있다. 일 실시예에서, 상기 모델은 ‘병변 영역 예측모델’ 또는 이와 동등한 기술적 의미를 갖는 용어로 지칭될 수 있다.
S109 단계에서, 상기 학습된 모델에 대한 검증을 수행할 수 있다.
S110 단계에서, 검증을 통해 상기 모델을 최종적으로 생성할 수 있다.
S111 단계에서, 제2 조직절편 이미지를 획득하고, 제2 조직절편 이미지를 입력으로 상기 모델에 적용할 수 있다.
S112 단계에서, 상기 모델을 통해 상기 제2 조직절편 이미지에 포함된 제2 조직절편의 병변 관심 영역을 결정할 수 있다.
S113 단계에서, 포르말린에 고정 후 크기가 변형된 후의 제2 조직절편이 포함된 제2 검체 이미지를 획득하고, 제2 조직절편 이미지의 병변 관심 영역에 대응되는 제2 검체 이미지에서의 병변 관심 영역을 결정할 수 있다.
S114 단계에서, 포르말린에 고정 후 크기가 변형되기 전의 제2 조직절편이 포함된 제1 검체 이미지를 획득하고, 제1 검체 이미지의 색상 정보를 변경할 수 있다.
S115 단계에서, 병변 관심 영역이 결정된 제2 검체 이미지의 경계 영역과 제1 검체 이미지의 경계 영역이 매칭되도록 제2 검체 이미지를 회전시킬 수 있다.
S116 단계에서, 회전된 제2 검체 이미지와 제2 조직절편이 포함된 내시경 이미지를 비교하여, 내시경 이미지에서 제2 조직절편의 병변 관심 영역을 결정할 수 있다.
도 2는 본 발명의 일 실시 예에 따른 다수의 제1 조직절편을 포함하는 제1 조직절편 이미지를 도시한 도면이다.
도 2를 참고하면, 다수의 제1 조직절편을 포함하는 제1 조직절편 이미지를 획득할 수 있다.
일 실시 예에서, 점막하 절제 시행 후 검체의 점막층이 위로 가도록 검체는 판에 부착되어 포르말린에 고정된 후 2mm 간격으로 절단될 수 있다.
일 실시 예에서, 2mm로 절단된 조직은 점막층과 점막하층을 관찰할 수 있도록 세워서 파라핀 블럭을 제작하기 위해 2개 또는 3개의 조직을 한 카세트에 넣어질 수 있다. 이 경우, 조직의 크기에 따라 카세트 수가 달라질 수 있다. 조직의 크기가 카세트보다 클 경우 조직을 모양으로 구부려서 제작될 수 있다.
일 실시 예에서, 카세트를 자동조직 처리기에서 넣어 탈수와 파라핀 침투 과정을 거친 후 파라핀 블록이 제작될 수 있다.
일 실시 예에서, 제작된 파리핀 블록으로부터 4um의 조직절편이 제작되어 슬라이드에 부착될 수 있다.
일 실시 예에서, 슬라이드를 H&E (Hematoxylin-Eosin) 염색한 후 커버 글라스(cover glass)를 덮어서 봉입될 수 있다.
일 실시 예에서, 염색된 슬라이드는 슬라이드 스캐너를 사용하여 다수의 제1 조직절편을 포함하는 제1 조직절편 이미지로 생성될 수 있다.
도 3은 본 발명의 일 실시 예에 따른 구조가 변경된 다수의 제1 조직절편을 포함하는 제1 조직절편 이미지를 도시한 도면이다.
도 3을 참고하면, 구조가 변경된 다수의 제1 조직절편을 포함하는 제1 조직절편 이미지를 생성할 수 있다.
일 실시 예에서, 조직 이미지를 하나씩 분리하기 위해 구부러진 제1 조직절편의 이미지를 일직선이 되도록 펼 수 있다.
일 실시 예에서, 이미지 처리를 위해 Python의 numpy 라이브러리와 컴퓨터 영상처리 라이브러리 OpenCV의 Affine Transform, Perspective Transform 기능을 이용하여 구부러진 이미지의 뒤틀림, 왜곡, 원근법 처리가 수행될 수 있다.
일 실시 예에서, 이미지 처리가 완료되면 구조가 변경된 다수의 제1 조직절편을 포함하는 제1 조직절편 이미지가 생성될 수 있다.
도 4는 본 발명의 일 실시 예에 따른 분리된 각 제1 조직절편을 포함하는 제1 조직절편 이미지를 도시한 도면이다.
도 4를 참고하면, 분리된 각 제1 조직절편을 포함하는 제1 조직절편 이미지를 생성할 수 있다.
일 실시 예에서, 펴진 제1 조직절편의 이미지에서 조직이 모두 포함되도록 사각형 영역을 지정하여 제1 조직절편의 이미지를 하나씩 분리할 수 있다.
일 실시 예에서, 사각형 영역은 OpenCV 및 contour detection 알고리즘를 이용하여 이미지의 경계를 추출하고 경계면에서 10px 이상의 마진을 확보하여 지정할 수 있다.
일 실시 예에서, 영역 지정 라벨링 도구를 이용하여 사각형 영역을 지정할 수 있다.
일 실시 예에서, 지정된 영역을 기준으로 제1 조직절편의 이미지를 잘라서 하나씩 파일로 저장할 수 있다.
도 5는 본 발명의 일 실시 예에 따른 제1 조직절편의 기준 표면을 도시한 도면이다. 도 6은 본 발명의 일 실시 예에 따른 평탄화된 기준 표면을 갖는 제1 조직절편을 포함하는 제1 조직절편 이미지를 도시한 도면이다.
도 5를 참고하면, 제1 조직절편의 기준 표면을 추출할 수 있다.
일 실시 예에서, 기준 표면은 위에서 절제되어 나온 조직이 붙어 있던 면을 나타낼 수 있다.
일 실시 예에서, 잘라진 이미지에서 원본 조직의 위, 아래를 판단하고 병변의 정확한 위치를 표시하기 위해 기준 표면을 추출할 수 있다.
일 실시 예에서, 기준 표면은 관리자에 의한 입력에 기반하여 각 조직 이미지를 확인하여 상하좌우를 기록해 놓은 정보를 확인하여 결정될 수 있다.
일 실시 예에서, 상하가 결정되면 방향에 따라 OpenCV와 contour detection(경계추출) 기법을 이용하여 제1 조직절편의 경계를 추출할 수 있다.
일 실시 예에서, 경계 추출 시 제1 조직절편을 포함하는 제1 조직절편 이미지의 상태에 따라 안티 에일리어싱 레벨(anti-aliasing level)을 1~20 사이에서 조정하여 적절히 경계가 추출되도록 조절할 수 있다.
일 실시 예에서, 안티 에일리어싱은 계단현상 방지 기술로 그래픽으로 표현되는 이미지에서 선이나 도형의 가장자리가 거칠게 혹은 날카롭게 표현된 부분을 부드럽게 해주며, 경계 추출 시 적절한 허용치(tolerance)를 부여하여 의미있는 영역이 표현되도록 할 수 있다.
도 6을 참고하면, 평탄화된 기준 표면을 갖는 제1 조직절편을 포함하는 제1 조직절편 이미지를 생성할 수 있다.
일 실시 예에서, 기준 표면이 추출되면 이미지 처리 알고리즘들(예: 이미지의 뒤틀림, 왜곡, 원근법 처리)을 조합하여 기준 표면을 평탄화할 수 있다.
도 7a 및 7b는 본 발명의 일 실시 예에 따른 평탄화된 기준 표면에 대한 병변 관심 영역의 라벨링을 도시한 도면이다.
도 7a를 참고하면, 평탄화된 기준 표면에 대한 병변 관심 영역의 라벨링을 수행할 수 있다.
일 실시 예에서, 관심 영역의 마스킹 및 라벨링은 웹 기반 시스템을 활용하여 관리자(예: 병리 전문의)에 의한 입력에 기반하여 점막층의 병변과 점막하층의 병변으로 구분하여 시행될 수 있다.
도 7a의 왼쪽에 출력되는 이미지 목록(①)에서 이미지를 선택하면 오른쪽의 캔버스(②)에 이미지가 출력되고, 라벨링 영역 지정 조정 도구(③)와 라벨링 영역 크기 자유 조정 도구(④)를 이용하여 라벨링이 수행될 수 있다.
도 7b를 참고하면, 평탄화된 기준 표면을 갖는 제1 조직절편을 포함하는 제1 조직절편 이미지의 특정 영역에 폴리곤 형태로 도형을 그려서 병변 영역이 지정되면(⑤), 미리 정의된 어노테이션 명칭(병명 혹은 질환명)이 자동 지정(⑥)될 수 있다.
일 실시 예에서, 지정되는 명칭은 관리자에 의해 변경될 수 있고, 어노테이션 명칭 관리 모드에서 추가/변경/삭제 등이 수행될 수 있다.
도 8은 본 발명의 일 실시 예에 따른 병변 영역 예측 모델을 도시한 도면이다.
도 8을 참고하면, 변경 관심 영역이 라벨링된 제1 조직절편이 표시된 제1 조직절편 이미지를 데이터베이스(database, DB)를 구축할 수 있다.
일 실시 예에서, 라벨링된 영역 지정 및 어노테이션이 수행된 정보는 DB에 저장될 수 있다. 예를 들어, DB는 RDBMS(Relational Database Managenent System)를 포함할 수 있다.
일 실시 예에서, 병변 관심 영역이 결정된 제1 조직절편 이미지를 이용하여 병변의 침윤 깊이에 따른 영역 예측 모델을 학습시킬 수 있다.
예를 들어, 병변 예측 모델은 Inception ResNet V2 모델을 포함할 수 있다. 이 경우, Inception ResNet V2 모델은 CNN(Convolution Neural Network) 아키텍쳐(architecture) 기반의 이미지 학습 모델을 포함할 수 있다.
일 실시 예에서, CNN은 컨볼루션 레이어(convolution layer), 풀링 레이어(pooling layer), 완전 연결 레이어(fully-connected layer)를 이용하여 영상의 특정 부분을 강조하고 특징을 추출할 수 있다.
일 실시 예에서, 학습된 병변 영역 예측 모델에 대한 검증을 수행할 수 있다.
예를 들어, k-폴드 교차 검증(K-fold cross validation)을 통해 병변 영역 예측모델의 검증을 수행할 수 있다.
여기서, k-폴드 교차 검증은 데이터셋(dataset)을 K개의 폴드로 만들어서 반복적으로 훈련 데이터셋(training dataset)과 테스트 데이터셋(test dataset)을 생성할 수 있다. 전체 데이터셋의 크기가 N일 경우 N/K가 테스트 데이터셋의 크기가 되며, K : (N-K)의 비율로 훈련 데이터셋과 테스트 데이터셋을 생성하여 교차 검증을 수행할 수 있다.
예를 들어, K=8로 설정하여 교차 검증을 수행하며, 데이터 규모에 따라 K는 증감 가능할 수 있다.
일 실시 예에서, 정확도가 95% 이하일 경우 보정을 통한 재학습을 수행하며, 95% 이상일 경우 성능 검증을 완료할 수 있다.
일 실시 예에서, 훈련과 검증을 거쳐 성능 검증까지 완료되면 병변 영역 예측모델을 생성할 수 있다.
도 9a 및 9b는 본 발명에 따른 제2 검체 이미지에서 상기 제2 조직절편의 병변 관심 영역의 결정을 도시한 도면이다.
도 9a 및 9b를 참고하면, 제2 조직절편 이미지를 획득할 수 있다. 일 실시 예에서, 제2 조직절편의 이미지는 실제 예측을 위해 웹 기반 AI 예측 도구에 2mm로 절제된 새 슬라이드 이미지를 업로드되어 획득될 수 있다.
일 실시 예에서, 업로드된 제2 조직절편 이미지는 전처리 과정(예: 도 1의 S101 내지 S105 단계)을 거쳐 이미지 평탄화 작업을 수행할 수 있다.
일 실시 예에서, 평탄화된 제2 조직절편 이미지는 병변 영역 예측모델에 입력되어 병변 예측이 수행될 수 있다.
일 실시 예에서, 병변 예측이 수행되면, 제2 조직절편 이미지에 대응하는 제2 검체 이미지에 병변 영역이 히트맵 형태로 표시될 수 있다.
일 실시 예에서, 병변 영역이 예측된 2mm로 절제된 제2 조직절편의 원본 위치를 확인할 수 있다.
도 10a 및 10b는 본 발명에 따른 경계 영역의 비교를 도시한 도면이다.
도 10a 및 10b를 참고하면, 병변 관심 영역이 결정된 제2 검체 이미지의 경계 영역과 상기 제1 검체 이미지의 경계 영역이 매칭되도록 상기 제2 검체 이미지를 회전시킬 수 있다.
일 실시 예에서, 원본 검체 이미지는 점막하절제 시행 후 핀으로 고정하여 단시간 내에 촬영된 이미지(①)(즉, 제1 검체 이미지)와 검체를 2mm로 자르기 위해 크기를 재고 고유 번호를 부여한 한 이미지(②)(즉, 제2 검체 이미지)로 구분될 수 있다.
일 실시 예에서, ②번 이미지는 절제 후 일정 시간이 지나고 고정 과정을 거쳤기 때문에 많은 확률로 변형(수축 등)이 발생할 수 있다.
일 실시 예에서, 그래서 OpenCV와 contour detection 기법을 이용하여 ②번 이미지의 경계 특징을 추출하고 ①번 이미지와 동일한 포지션이 되도록 이미지를 회전하며 매칭을 수행할 수 있다.
일 실시 예에서, 회전을 수행하기 전 두 이미지의 RGB 유사도를 높이기 위해 위해 ①번 이미지의 블루(blue) 계열의 색으로 색상(Hue), 채도(Saturation), 명도(Brightness)를 보정할 수 있다.
일 실시 예에서, ②번 이미지를 1도씩 회전하면서 ①번 이미지의 경계 특징과 비교하고, RMSE(Root Mean Square Error) 기반 평가를 수행하여 가장 작은 값이 나오는 포지션을 선정할 수 있다.
도 11a 내지 11c는 본 발명에 따른 내시경 이미지에서 병변 관심 영역의 결정을 도시한 도면이다.
도 11a 내지 11c를 참고하면, 회전된 제2 검체 이미지와 제2 조직절편이 포함된 내시경 이미지를 비교하여, 내시경 이미지에서 제2 조직절편의 병변 관심 영역을 결정할 수 있다.
일 실시예에서, OpenCV를 이용하여 절제 조직과 내시경 원본 이미지와 비교 후 일치하는 포지션을 찾을 수 있다. 이 경우, 원본 내시경 이미지에 병변 관심 영역을 침윤 깊이로 구분하여 히트맵으로 표시할 수 있다.
도 12는 본 발명에 따른 내시경 점막하 박리 검체의 조직구축 병리검사에 대한 인공지능 기반 관리 방법을 도시한 도면이다. 도 12의 각 단계는 도 13의 인공지능 기반 관리 장치(1300)에 의해 수행될 수 있다.
도 12를 참고하면, S1201 단계는 제1 조직절편을 포함하는 제1 조직절편 이미지를 획득하는 단계이다.
S1203 단계는 제1 조직절편의 병변 관심 영역을 결정하는 단계이다. 일 실시예에서, 연속된 제2 조직절편을 순서대로 취합하여 제2 검체 이미지에 병변 전체 이미지를 히트맵으로 구현할 수 있다.
일 실시 예에서, 제1 조직절편 이미지에 포함된 제1 조직절편의 기준 표면을 결정하고, 추출된 기준 표면을 평탄화하고 크기를 보정하며, 평탄화 및 크기가 보정된 기준 표면에 대한 병변 관심 영역을 결정할 수 있다.
S1205 단계는 병변 관심 영역이 결정된 제1 조직절편 이미지를 이용하여 병변 영역을 침윤 깊이에 따라 예측하는 모델을 생성하는 단계이다.
일 실시 예에서, S1205 단계 이후에, 제2 조직절편 이미지를 획득하고, 제2 조직절편 이미지를 병변 영역 예측모델에 적용하여 제2 조직절편 이미지에 포함된 제2 조직절편의 병변 관심 영역을 결정할 수 있다.
일 실시 예에서, 제1 조직절편이 포함된 제1 검체 이미지와 일정 시간 경과 후의 제2 조직절편이 포함된 제2 검체 이미지를 획득하고, 제2 검체 이미지에서 제2 조직절편의 병변 관심 영역을 결정할 수 있다.
일 실시 예에서, S1205 단계 이후에, 병변 관심 영역이 결정된 제2 검체 이미지의 경계 영역과 제1 검체 이미지의 경계 영역이 매칭되도록 제2 검체 이미지를 회전시키고, 회전된 제2 검체 이미지와 제2 조직절편이 포함된 내시경 이미지를 비교하여 내시경 이미지에서 제2 조직절편의 병변 관심 영역을 결정할 수 있다.
일 실시예에서, 여러장의 연속된 조직구축 슬라이드내 병변 영역을 취합하여 침윤 깊이에 따른 히트맵 이미지를 제작하고 제1 검체 및 제 2 검체에 이미지를 구현할 수 있다.
도 13은 본 발명에 따른 내시경 점막하 박리 검체의 조직구축 병리검사에 대한 인공지능 기반 관리 장치(1300)의 기능적 구성을 도시한 도면이다.
도 13을 참고하면, 인공지능 기반 관리 장치(1300)는 획득부(1310), 제어부(1320), 저장부(1330) 및 표시부(1340)를 포함할 수 있다.
획득부(1310)는 제1 조직절편을 포함하는 제1 조직절편 이미지를 획득할 수 있다. 일 실시예에서, 제1 검체 이미지 및 내시경 이미지, 제2 조직절편 이미지, 제2 검체 이미지 및 내시경 이미지를 획득할 수 있다. 일 실시 예에서, 획득부(1310)는 카메라를 포함할 수 있다.
일 실시 예에서, 획득부(1310)는 통신부를 포함할 수 있으며, 통신부는 유선 통신 모듈 및 무선 통신 모듈 중 적어도 하나를 포함할 수 있다. 통신부의 전부 또는 일부는 '송신부', '수신부' 또는 '송수신부(transceiver)'로 지칭될 수 있다.
제어부(1320)는 제1 조직절편의 병변 관심 영역을 결정하고, 병변 관심 영역이 결정된 제1 조직절편 이미지를 이용하여 병변 영역을 침윤 깊이에 따라 예측하는 모델을 생성할 수 있다.
일 실시 예에서, 제어부(1320)는 적어도 하나의 프로세서 또는 마이크로(micro) 프로세서를 포함하거나, 또는, 프로세서의 일부일 수 있다. 또한, 제어부(1320)는 CP(communication processor)라 지칭될 수 있다. 제어부(1320)는 본 발명의 다양한 실시 예에 따른 인공지능 기반 관리 장치(1300)의 동작을 제어할 수 있다.
저장부(1330)는 병변 영역 예측모델을 저장할 수 있다. 일 실시 예에서, 저장부(1330)는 병변 관심 영역이 라벨링 된 제1 조직절편 이미지를 저장할 수 있다.
일 실시 예에서, 저장부(1330)는 휘발성 메모리, 비휘발성 메모리 또는 휘발성 메모리와 비휘발성 메모리의 조합으로 구성될 수 있다. 그리고, 저장부(1330)는 제어부(1320)의 요청에 따라 저장된 데이터를 제공할 수 있다.
표시부(1340)는 제1 조직절편 이미지, 병변 관심 영역이 표시된 제1 조직절편 이미지, 제1 검체 이미지, 병변 관심 영역이 표시된 제2 검체 이미지, 병변 관심 영역이 표시된 내시경 이미지 중 적어도 하나를 디스플레이할 수 있다.
일 실시 예에서, 표시부(1340)는 인공지능 기반 관리 장치(1300)에서 처리되는 정보를 나타낼 수 있다. 예를 들면, 표시부(1340)는 액정 디스플레이(LCD; Liquid Crystal Display), 발광 다이오드(LED; Light Emitting Diode) 디스플레이, 유기 발광 다이오드(OLED; Organic LED) 디스플레이, 마이크로 전자기계 시스템(MEMS; Micro Electro Mechanical Systems) 디스플레이 및 전자 종이(electronic paper) 디스플레이 중 적어도 어느 하나를 포함할 수 있다.
도 13을 참고하면, 인공지능 기반 관리 장치(1300)는 획득부(1310), 제어부(1320), 저장부(1330) 및 표시부(1340)를 포함할 수 있다. 본 발명의 다양한 실시 예들에서 인공지능 기반 관리 장치(1300)는 도 13에 설명된 구성들이 필수적인 것은 아니어서, 도 13에 설명된 구성들보다 많은 구성들을 가지거나, 또는 그보다 적은 구성들을 가지는 것으로 구현될 수 있다.
도 14는 본 발명에 따른 2차원 슬라이드 이미지에 기반한 3차원 모델링 과정을 도시한 도면이다. 도 14의 각 단계는 도 13의 인공지능 기반 관리 장치(1300)에 의해 수행될 수 있다.
도 14를 참고하면, S1401 단계에서, 다수의 병리 슬라이드를 준비하여 밝기, 대비 등을 조절할 수 있다. 여기서, 병리 슬라이드는 평탄화된 검체 조직절편 이미지를 포함할 수 있다.
S1403 단계에서, 비등방성 필터링을 이용하여 가로 및 세로 축에 대해 텍스처 필터링(밉맵)을 수행할 수 있다.
S1405 단계에서, FFT와 노이즈 감소 기법을 이용해 각 조직별 경계를 추출할 수 있다.
S1407 단계에서, 동종의 필셀 불균일한 픽셀을 구분하여 3D 분할을 수행하고, 배경 추출 및 임계값 조정을 통한 단위 조직을 분석할 수 있다.
S1409 단계에서, 기하학적 특징 분석을 통한 볼륨과 영역을 구분하고, 형태 분석을 수행하여 3차원 모델을 재구축할 수 있다.
S1411 단계에서, 분석 모델 보정을 통한 각 단계의 임계값을 조정하여 모델을 보정할 수 있다.
S1413 단계에서, 병리 슬라이드를 입력하여 3차원 모델 구축 기법으로 조직을 재구축할 수 있다.
일 실시예에서, S1403 단계 이후에, 병리 슬라이드에 표시된 히트맵 영역을 구축된 3차원 모델에 최종적으로 표시할 수 있다.
이상의 설명은 본 발명의 기술적 사상을 예시적으로 설명한 것에 불과한 것으로, 통상의 기술자라면 본 발명의 본질적인 특성이 벗어나지 않는 범위에서 다양한 변경 및 수정이 가능할 것이다.
본 명세서에 개시된 다양한 실시 예들은 순서에 관계없이 수행될 수 있으며, 동시에 또는 별도로 수행될 수 있다.
일 실시 예에서, 본 명세서에서 설명되는 각 도면에서 적어도 하나의 단계가 생략되거나 추가될 수 있고, 역순으로 수행될 수도 있으며, 동시에 수행될 수도 있다.
본 명세서에 개시된 실시 예들은 본 발명의 기술적 사상을 한정하기 위한 것이 아니라, 설명하기 위한 것이고, 이러한 실시 예들에 의하여 본 발명의 범위가 한정되는 것은 아니다.
본 발명의 보호범위는 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 이해되어야 한다.
1300: 인공지능 기반 관리 장치
1310: 획득부
1320: 제어부
1330: 저장부
1340: 표시부

Claims (10)

  1. (a) 제1 조직절편을 포함하는 제1 조직절편 이미지를 획득하는 단계;
    (b) 상기 제1 조직절편의 병변 관심 영역을 결정하는 단계; 및
    (c) 상기 병변 관심 영역이 결정된 제1 조직절편 이미지를 이용하여 병변 영역을 침윤 깊이에 따라 예측하는 모델을 생성하는 단계;
    를 포함하는,
    내시경 점막하 박리 검체의 조직구축 병리검사에 대한 인공지능 기반 관리 방법.
  2. 제1항에 있어서,
    상기 (b) 단계는,
    상기 제1 조직절편 이미지에 포함된 제1 조직절편의 기준 표면을 추출하는 단계;
    상기 추출된 기준 표면을 평탄화하고 크기를 보정하는 단계; 및
    상기 평탄화된 기준 표면에 대한 병변 관심 영역을 결정하는 단계;
    를 포함하는,
    내시경 점막하 박리 검체의 조직구축 병리검사에 대한 인공지능 기반 관리 방법.
  3. 제1항에 있어서,
    상기 (c) 단계 이후에,
    제2 조직절편 이미지를 획득하는 단계; 및
    상기 제2 조직절편 이미지를 상기 모델에 적용하여 상기 제2 조직절편 이미지에 포함된 제2 조직절편의 병변 관심 영역을 결정하는 단계;
    를 더 포함하는,
    내시경 점막하 박리 검체의 조직구축 병리검사에 대한 인공지능 기반 관리 방법.
  4. 제3항에 있어서,
    상기 (c) 단계 이후에,
    포르말린에 고정 후 크기가 변형되기 전의 상기 제2 조직절편이 포함된 제1 검체 이미지와 포르말린에 고정 후 크기가 변형된 후의 제2 조직절편이 포함된 제2 검체 이미지를 획득하는 단계; 및
    상기 제2 검체 이미지에서 상기 제2 조직절편의 병변 관심 영역을 결정하는 단계;
    를 더 포함하는,
    내시경 점막하 박리 검체의 조직구축 병리검사에 대한 인공지능 기반 관리 방법.
  5. 제4항에 있어서,
    상기 (c) 단계 이후에,
    상기 병변 관심 영역이 결정된 제2 검체 이미지의 경계 영역과 상기 제1 검체 이미지의 경계 영역이 매칭되도록 상기 제2 검체 이미지를 회전시키는 단계; 및
    상기 회전된 제2 검체 이미지와 상기 제2 조직절편이 포함된 내시경 이미지를 비교하여, 상기 내시경 이미지에서 상기 제2 조직절편의 병변 관심 영역을 결정하는 단계;
    를 더 포함하는,
    내시경 점막하 박리 검체의 조직구축 병리검사에 대한 인공지능 기반 관리 방법.
  6. 제1 조직절편을 포함하는 제1 조직절편 이미지를 획득하는 획득부; 및
    상기 제1 조직절편의 병변 관심 영역을 결정하고,
    상기 병변 관심 영역이 결정된 제1 조직절편 이미지를 이용하여 병변 영역을 침윤 깊이에 따라 예측하는 모델을 생성하는 제어부;
    를 포함하는,
    내시경 점막하 박리 검체의 조직구축 병리검사에 대한 인공지능 기반 관리 장치.
  7. 제6항에 있어서,
    상기 제어부는,
    상기 제1 조직절편 이미지에 포함된 제1 조직절편의 기준 표면을 추출하고,
    상기 추출된 기준 표면을 평탄화하고 크기를 보정하며,
    상기 평탄화된 기준 표면에 대한 병변 관심 영역을 결정하는,
    내시경 점막하 박리 검체의 조직구축 병리검사에 대한 인공지능 기반 관리 장치.
  8. 제6항에 있어서,
    상기 제어부는,
    제2 조직절편 이미지를 획득하고,
    상기 제2 조직절편 이미지를 상기 모델에 적용하여 상기 제2 조직절편 이미지에 포함된 제2 조직절편의 병변 관심 영역을 결정하는,
    내시경 점막하 박리 검체의 조직구축 병리검사에 대한 인공지능 기반 관리 장치.
  9. 제8항에 있어서,
    상기 획득부는,
    상기 제2 조직절편이 포함된 제1 검체 이미지와 일정 시간 경과 후의 제2 조직절편이 포함된 제2 검체 이미지를 획득하고,
    상기 제어부는,
    상기 제2 검체 이미지에서 상기 제2 조직절편의 병변 관심 영역을 결정하는,
    내시경 점막하 박리 검체의 조직구축 병리검사에 대한 인공지능 기반 관리 장치.
  10. 제9항에 있어서,
    상기 제어부는,
    상기 병변 관심 영역이 결정된 제2 검체 이미지의 경계 영역과 상기 제1 검체 이미지의 경계 영역이 매칭되도록 상기 제2 검체 이미지를 회전시키고,
    상기 회전된 제2 검체 이미지와 상기 제2 조직절편이 포함된 내시경 이미지를 비교하여, 상기 내시경 이미지에서 상기 제2 조직절편의 병변 관심 영역을 결정하는,
    내시경 점막하 박리 검체의 조직구축 병리검사에 대한 인공지능 기반 관리 장치.
KR1020220120071A 2022-09-22 2022-09-22 내시경 점막하 박리 검체의 조직구축 병리검사에 대한 인공지능 기반 관리 방법 및 장치 KR20240041032A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220120071A KR20240041032A (ko) 2022-09-22 2022-09-22 내시경 점막하 박리 검체의 조직구축 병리검사에 대한 인공지능 기반 관리 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220120071A KR20240041032A (ko) 2022-09-22 2022-09-22 내시경 점막하 박리 검체의 조직구축 병리검사에 대한 인공지능 기반 관리 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20240041032A true KR20240041032A (ko) 2024-03-29

Family

ID=90483684

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220120071A KR20240041032A (ko) 2022-09-22 2022-09-22 내시경 점막하 박리 검체의 조직구축 병리검사에 대한 인공지능 기반 관리 방법 및 장치

Country Status (1)

Country Link
KR (1) KR20240041032A (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102277761B1 (ko) 2020-04-09 2021-07-14 금오공과대학교 산학협력단 딥러닝을 이용한 내시경 이미지 처리 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102277761B1 (ko) 2020-04-09 2021-07-14 금오공과대학교 산학협력단 딥러닝을 이용한 내시경 이미지 처리 방법

Similar Documents

Publication Publication Date Title
US11842556B2 (en) Image analysis method, apparatus, program, and learned deep learning algorithm
JP7146886B2 (ja) 包括的なマルチアッセイ組織分析のためのシステムおよび方法
CN110727097B (zh) 一种病理显微图像实时采集分析***、方法、装置及介质
CN110326024B (zh) 用于处理由医学成像装置捕获的组织学图像的方法和装置
US11436718B2 (en) Image analysis method, image analysis apparatus, program, learned deep layer learning algorithm manufacturing method and learned deep layer learning algorithm
RU2765619C1 (ru) Компьютерная классификация биологической ткани
US11257213B2 (en) Tumor boundary reconstruction using hyperspectral imaging
CN106780522B (zh) 一种基于深度学习的骨髓液细胞分割方法
WO2023142615A1 (zh) 图像处理方法、装置、设备、可读存储介质及程序产品
WO2021163213A1 (en) Federated learning system for training machine learning algorithms and maintaining patient privacy
EP3716136A1 (en) Tumor boundary reconstruction using hyperspectral imaging
CN113450305B (zh) 医疗图像的处理方法、***、设备及可读存储介质
CN115943305A (zh) 信息处理装置、信息处理方法、程序和信息处理***
CN116468690B (zh) 基于深度学习的浸润性非粘液性肺腺癌的亚型分析***
KR20240041032A (ko) 내시경 점막하 박리 검체의 조직구축 병리검사에 대한 인공지능 기반 관리 방법 및 장치
CN114332037A (zh) 一种自动分割胰腺癌病理切片中多类组织的方法及装置
CN117274146A (zh) 图像处理方法、装置、设备、存储介质及程序产品
CN116649909A (zh) 基于神经网络算法的色素性皮肤病皮损面积量化诊断***