KR20240044045A - 의료 영상 처리 방법 및 디바이스 - Google Patents
의료 영상 처리 방법 및 디바이스 Download PDFInfo
- Publication number
- KR20240044045A KR20240044045A KR1020220123287A KR20220123287A KR20240044045A KR 20240044045 A KR20240044045 A KR 20240044045A KR 1020220123287 A KR1020220123287 A KR 1020220123287A KR 20220123287 A KR20220123287 A KR 20220123287A KR 20240044045 A KR20240044045 A KR 20240044045A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- images
- unit
- tooth
- model
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 23
- 238000012545 processing Methods 0.000 title claims description 16
- 238000003672 processing method Methods 0.000 claims abstract description 16
- 238000011049 filling Methods 0.000 claims description 8
- 239000003086 colorant Substances 0.000 claims description 6
- 238000011068 loading method Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 abstract description 15
- 210000000214 mouth Anatomy 0.000 abstract description 7
- 238000011156 evaluation Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 18
- 238000012549 training Methods 0.000 description 12
- 238000013473 artificial intelligence Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000002591 computed tomography Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 4
- 238000010146 3D printing Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000011369 optimal treatment Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 210000001738 temporomandibular joint Anatomy 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
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
- 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
-
- 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]
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61C—DENTISTRY; APPARATUS OR METHODS FOR ORAL OR DENTAL HYGIENE
- A61C13/00—Dental prostheses; Making same
- A61C13/0003—Making bridge-work, inlays, implants or the like
- A61C13/0004—Computer-assisted sizing or machining of dental prostheses
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61C—DENTISTRY; APPARATUS OR METHODS FOR ORAL OR DENTAL HYGIENE
- A61C7/00—Orthodontics, i.e. obtaining or maintaining the desired position of teeth, e.g. by straightening, evening, regulating, separating, or by correcting malocclusions
- A61C7/002—Orthodontic computer assisted systems
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Multimedia (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Veterinary Medicine (AREA)
- Primary Health Care (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Optics & Photonics (AREA)
- High Energy & Nuclear Physics (AREA)
- Biophysics (AREA)
- Pulmonology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
피검자의 구강 부위에 대한 복수의 2차원 단면 영상을 획득하는 단계, 데이터 인식 모델을 사용하여 상기 복수의 2차원 단면 영상으로부터 치아 영역이 추출된 복수의 전처리 영상을 생성하는 단계, 및 상기 복수의 전처리 영상을 저장하는 단계를 포함하는 의료 영상 처리 방법이 개시된다.
Description
본 발명은 의료 영상 처리 방법 및 그 디바이스에 관한 것으로서, 보다 구체적으로는 구강을 촬영한 이미지에서 치아를 선택하는 기술에 관련된 것이다. 이는 임플란트 식립 가이드, 치아 수술 가이드, 치아 교정기, 치아용 크라운 등에 활용될 수 있다.
치아의 형상을 정확하게 모델링하는 것은 수복 치의술 및 관련 서비스를 제공하기 위해 중요하다. 하지만 치과 환자별로 치아와 잇몸의 형태는 변형이 많고 특징을 일반화할 수가 없고 특히 잇몸 아래에 있는 치근단 영역에서 치아와 잇몸간의 경계를 구분하기가 쉽지 않아, 교정 및 시술계획 수립에는 한계가 있어 왔다. 정밀 의료 구현을 위해서는 치아의 형상을 획득하여야 하는데 종래에는 구강을 촬영한 영상에서 의료진이 수동으로 치아의 외곽선을 표시함으로써 치아 영역을 추출하였다. 이에 치아 형상의 획득에 있어서 사람의 실수가 개입하기 쉬우며, 전체적인 정확도는 흔히 실무자의 상대적인 경험에 따라 달라질 수 있다. 또한, 약 400여장의 슬라이드로 구성된 치아 영상의 각 슬라이드마다 사람이 일일이 치아 경계를 표시하여야 하여서 치아 형상 획득에 오랜 시간이 걸리는 단점도 있다.
이에 따라, 인공지능을 통해 치아의 형상을 정확하게 모델링하는 기술이 요구되고 있다. 예를 들어, 대한민국 특허 등록 번호 10-21048899에는 3차원 객체의 복수의 2차원 단면 이미지에 기초하여 3D 모델 데이터를 생성하는 컴퓨터 구현 방법 및 시스템이 개시되어 있다.
본 발명은 인공지능을 이용하여 치아 영역을 정확히 추출할 수 있는 의료 영상 처리 방법과 그 디바이스를 제공하고자 한다.
상술한 과제를 달성하기 위한 기술적 수단으로서 본 발명의 제1측면은, 피검자의 구강 부위에 대한 복수의 2차원 단면 영상을 획득하는 단계, 데이터 인식 모델을 사용하여, 상기 복수의 2차원 단면 영상으로부터 치아 영역이 추출된 복수의 전처리 영상을 생성하는 단계; 및 상기 복수의 전처리 영상을 저장하는 단계를 포함하는 의료 영상 처리 방법을 제공할 수 있다.
또한 의료 영상 처리 방법은, 복수의 2차원 단면 영상에서 치아 영역과 잇몸 영역을 구분하는 단계, 치아 영역은 강조하고 상기 잇몸 영역은 제거하는 단계, 상기 치아 영역의 윤곽선을 추출하는 단계, 윤곽선 내부에 색상을 채우는 단계, 및 복수의 2차원 단면 영상에서 상기 윤곽선의 외부는 제거함으로써 복수의 전처리 영상을 생성하는 단계를 포함할 수 있다.
또한 의료 영상 처리 방법은, 복수의 전처리 영상을 불러오는 단계, 복수의 전처리 영상에서 윤곽선 내부의 색상을 서로 다르게 설정하는 단계, 및 복수의 전처리 영상을 기초로 3차원 치아 모델을 생성하는 단계를 포함할 수 있다.
또한 의료 영상 처리 방법은 3차원 치아 모델에서 상기 서로 다르게 설정된 색상의 치아를 각각 저장하는 단계를 더 포함할 수 있다.
또한, 복수의 2차원 단면 영상은 CBCT(Cone Beam CT) 및 MDCT(Multi Detector CT) 영상 중 적어도 하나일 수 있다.
또한 본 발명의 제2측면은, 컴퓨터 실행가능 명령어가 저장되는 메모리; 및 상기 컴퓨터 실행가능 명령어를 실행함으로써, 제1측면의 방법을 사용하여 복수의 전처리 영상을 생성하는 제어부를 포함하는 의료 영상 처리 디바이스를 제공할 수 있다.
본 발명의 제3측면은 제1측면의 방법을 컴퓨터에서 실행시키기 위한 프로그램이 기록된 컴퓨터 판독가능 저장매체를 제공할 수 있다.
본 발명은 인공지능을 통해 실무자의 실수가 배제됨에 따라 치아 형상이 보다 정밀하게 제조될 수 있는 장점이 있다. 또한, 본 발명의 독창적인 치아 경계 판단 알고리즘을 통해 치아의 경계 추출이 보다 정확하게 이루어지는 기술적 효과가 있다. 추가적으로, 인공지능을 통해 치아 영역 판단이 신속하게 이루어져, 3D 프린팅 기술과 연계함으로써 당일에 치과 시술이 가능해져 치과 환자들의 불편이 해소되고 이에 수반되는 각종 기회비용이 감소하는 효과가 있다.
도 1은 일 실시예에 따라 복수의 2차원 단면 영상으로부터 3차원 치아 모델을 생성하는 제공하는 예시를 나타내는 도면이다.
도 2는 일 실시예에 따른 의료 영상 처리 방법을 설명하기 위한 흐름도이다.
도 3은 일 실시예에 따른 의료 영상을 처리하는 예시를 나타내는 도면이다.
도4a 내지 도4h는 다른 실시예에 따른 의료 영상을 처리하는 예시를 나타내는 도면이다.
도 5는 일 실시예에 따라 전처리 영상에 치아별로 색상을 채우는 예시를 나타내는 도면이다.
도 6 및 도 7은 3차원 치아 모델에서 치아를 각각 저장하는 예시를 나타내는 도면이다.
도 8은 일 실시예에 따른 의료 영상 처리 디바이스의 구성을 도시한 블록도이다.
도 9는 일 실시예에 따른 제어부를 상세히 도시한 블록도이다.
도 10은 일 실시예에 따른 데이터 학습부를 상세히 도시한 블록도이다.
도 11은 일 실시예에 따른 데이터 인식부를 상세히 도시한 블록도이다.
도 2는 일 실시예에 따른 의료 영상 처리 방법을 설명하기 위한 흐름도이다.
도 3은 일 실시예에 따른 의료 영상을 처리하는 예시를 나타내는 도면이다.
도4a 내지 도4h는 다른 실시예에 따른 의료 영상을 처리하는 예시를 나타내는 도면이다.
도 5는 일 실시예에 따라 전처리 영상에 치아별로 색상을 채우는 예시를 나타내는 도면이다.
도 6 및 도 7은 3차원 치아 모델에서 치아를 각각 저장하는 예시를 나타내는 도면이다.
도 8은 일 실시예에 따른 의료 영상 처리 디바이스의 구성을 도시한 블록도이다.
도 9는 일 실시예에 따른 제어부를 상세히 도시한 블록도이다.
도 10은 일 실시예에 따른 데이터 학습부를 상세히 도시한 블록도이다.
도 11은 일 실시예에 따른 데이터 인식부를 상세히 도시한 블록도이다.
이하 첨부된 도면을 참조하여 예시적인 실시예에 의해 발명을 상세히 설명하기로 한다. 하기 실시예는 발명을 구체화하기 위한 것일 뿐 발명의 권리 범위를 제한하거나 한정하는 것이 아니다. 상세한 설명 및 실시예로부터 발명이 속하는 기술분야의 전문가가 용이하게 유추할 수 있는 것은 발명의 권리범위에 속하는 것으로 해석된다.
본 명세서에서 사용되는 '구성된다' 또는 '포함한다' 등의 용어는 여러 구성 요소들, 또는 여러 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.
본 명세서에서 사용되는 용어는, 본 명세서에서 언급되는 기능을 고려하여 현재 사용되는 일반적인 용어로 기재되었으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 다양한 다른 용어를 의미할 수 있다. 따라서 본 명세서에서 사용되는 용어는 용어의 명칭만으로 해석되어서는 안되며, 용어가 가지는 의미와 본 명세서의 전반에 걸친 내용을 토대로 해석되어야 한다. 또한, 단수의 표현은 문맥상 명백하게 단수를 뜻하지 않는 한, 복수의 의미를 포함한다.
본 명세서(특히, 특허 청구 범위에서)에서 사용된 “상기” 및 이와 유사한 지시어는 단수 및 복수 모두를 지시하는 것일 수 있다. 또한, 본 명세서에 따른 방법을 설명하는 단계들의 순서를 명백하게 지정하는 기재가 없다면, 기재된 단계들은 적당한 순서로 행해질 수 있다. 기재된 단계들의 기재 순서에 따라 본 발명이 한정되는 것은 아니다.
본 명세서에서 다양한 곳에 등장하는 "일 실시예에서" 등의 어구는 반드시 모두 동일한 실시예를 가리키는 것은 아니다.
본 명세서의 일부 실시예는 기능적인 블록 구성들 및 다양한 처리 단계들로 나타내어질 수 있다. 이러한 기능 블록들의 일부 또는 전부는, 특정 기능들을 실행하는 다양한 개수의 하드웨어 및/또는 소프트웨어 구성들로 구현될 수 있다.
또한, 도면에 도시된 구성 요소들 간의 연결 선 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것일 뿐이다. 실제 장치에서는 대체 가능하거나 추가된 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들에 의해 구성 요소들 간의 연결이 나타내어질 수 있다.
본 실시예들은 의료 영상 처리 방법 및 디바이스에 관한 것으로서 이하의 실시예들이 속하는 기술 분야에서 통상의 지식을 가진 자에게 널리 알려져 있는 사항들에 관해서는 자세한 설명을 생략한다. 이하 첨부된 도면을 참조하여 본 발명을 상세히 설명하기로 한다.
이하 본 발명의 바람직한 실시예를 도면을 참조하여 상세히 설명한다.
도 1은 일 실시예에 따라 복수의 2차원 단면 영상으로부터 3차원 치아 모델을 생성하는 제공하는 예시를 나타내는 도면이다.
피검자는 치과 시술을 받기 위해 검사를 받는 자로서, 본 발명에 따른 방법은 피검자가 최적의 시술을 받도록 피검자의 개별 치아 형상을 3차원 모델로 제작하기 위해, 피검자의 구강 부위를 촬영한 복수의 2차원 단면 영상으로부터 치아 영역을 추출하는 기술에 관한 것이다. 이를 위해 먼저 피검자의 구강 부위에 대한 2차원(2D) 단면 영상(예를 들어, 컴퓨터 단층 촬영(CT) 스캔 이미지 또는 자기 공명 영상(MRI) 스캔 이미지)을 촬영하거나, 촬영된 영상을 로딩할 수 있다. 예를 들어, 2차원 단면 영상은 CBCT(Cone Beam CT) 및 MDCT(Multi Detector CT) 영상일 수 있다. 도 1에 도시된 바와 같이, 인간 피검자의 구강의 예시적인 CBCT 또는 MDCT 영상은 일례로, 측두 하악 관절, 척추뼈 구멍, 척추, 및 치아를 나타낸다. 예시적인 오브젝트들은 뼈, 치아 또는 오브젝트의 의학적 상태를 결정하기 위한 신체 부위를 포함할 수 있다.
또한, 본 발명에 따른 방법은 치아 경계 판단 알고리즘을 적용하여 복수의 2차원 단면 영상으로부터 치아 영역이 추출된 복수의 전처리 영상을 생성 및 저장할 수 있다. 복수의 전처리 영상을 생성하는 구체적인 방법에 대해서는 도 2 내지 도 4f를 참조하여 후술하기로 한다. 이후, 복수의 전처리 영상을 기초로 피검자의 치아 전체에 대한 3차원 치아 모델을 생성할 수 있다. 여기서 개별 치아마다 다른 색상으로 라벨링할 수 있다. 그리고 3차원 치아 모델에서 개별 치아를 STL 파일로 저장할 수 있다. 이는 3차원(3D) 프린터에 입력되는 파일로서, 3차원 프린터는 3차원 치아 모델링 파일을 통하여 개별 치아 형상을 3차원 프린팅하여 제작할 수 있다. 종래에는 STL 파일 변환 후 출력을 위해 파일의 보정을 거쳤는데 본 발명에서는 별도의 보정 과정 없이도 영상 촬영, 3차원 모델링, 출력이 가능하여 신속하면서도 실제 치아의 구조를 정확하게 반영한 치아 복제본을 제작해낼 수 있다. 3차원 치아 모델은 복잡한 모양을 가진 치아를 쉽게 이해할 수 있게 해 준다. 컴퓨터에 의해 생성된 가상 3D 모델을 통해 치아의 모양과 배열을 다양한 시점에서 시각적으로 표현할 수 있다. 또한, 3D 모델을 수정하여 치아의 개수나 위치가 변경되는 경우를 시뮬레이션 할 수 있고, 3D 치아 모델은 3D 프린터를 통해 유형 복제본으로 구현될 수 있다.
도 2는 일 실시예에 따른 의료 영상 처리 방법을 설명하기 위한 흐름도이다.
S210 단계에서, 의료 영상 처리 방법은 피검자의 구강 부위에 대한 복수의 2차원 단면 영상을 획득할 수 있다. 예를 들어, 복수의 2차원 단면 영상은 MRI 영상, CT 영상, CBCT(Cone Beam CT), 또는 MDCT(Multi Detector CT) 영상일 수 있다. 또한, 복수의 2차원 단면 영상은 의료 영상 처리 디바이스(1000)에서 촬영된 영상일 수 있고, 외부 디바이스 또는 서버로부터 수신된 영상일 수 있다.
S220 단계에서, 의료 영상 처리 방법은 데이터 인식 모델을 사용하여 복수의 2차원 단면 영상으로부터 치아 영역이 추출된 복수의 전처리 영상을 생성할 수 있다. 데이터 인식 모델을 사용하여 전처리 영상을 생성하는 예시에 대해서는 도 3을 참조하여 후술하기로 한다.
S230 단계에서, 복수의 전처리 영상을 저장할 수 있다. 일 실시예에서, 생성된 복수의 전처리 영상은 별도의 사용자 입력 또는 명령 없이도 자동으로 의료 영상 처리 디바이스(1000)에 저장될 수 있다. 또한, 이때 전처리 영상은 dcm, nifti 포맷으로 저장될 수 있다.
도 3은 일 실시예에 따른 의료 영상을 처리하는 예시를 나타내는 도면이다.
도 3을 참조하면, 복수의 2차원 단면 영상으로부터 치아 영역을 추출하기 위해, 데이터 인식 모델에 복수의 2차원 단면 영상을 입력할 수 있다. 예를 들어, 입력된 2차원 단면 영상들은 단일 피검자의 구강부위를 10분 이내에 촬영한 CBCT 또는 MDCT 영상일 수 있다. 데이터 인식 모델은, 예를 들어, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 예컨대, CNN(Convolutional Neural Network), DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 등과 같은 모델이 데이터 인식 모델로서 사용될 수 있으나, 이에 제한되지 않는다. 일 실시예에서, 입력된 영상들에서 치아 영역의 파악은 CNN 기술에 따른 학습에 기초하여 수행될 수 있다. 이를 통해, 데이터 인식 모델의 출력으로서 피검자의 치아 영역만 흰색으로 채워진 복수의 전처리 영상이 생성될 수 있다. 여기서, 출력된 복수의 전처리 영상의 개수는 입력된 복수의 2차원 단면 영상의 개수와 같을 것이다. 종래에는 치근단에서 치아와 잇몸부위의 구별이 쉽지 않았는데, 인공지능을 통해 보다 정확히 치근단에서도 치아 영역을 구별해 낼 수 있는 장점이 있다. 데이터 인식 모델이 어떻게 데이터를 인식하고 학습하는지에 대해서는 도 9 내지 도 11에서 자세히 설명하기로 한다.
도4a 내지 도4f는 다른 실시예에 따른 의료 영상을 처리하는 예시를 나타내는 도면이다. 도4a 내지 도4f는, 도 3에서와 달리, 일부 단계에서 인간의 입력이 개입되어 반자동으로 치아 영역이 추출된 전처리 영상을 생성하는 예시를 나타낸다.
복수의 전처리 영상을 생성하기 위해 도 4a에서 피검자의 구강 부위에 대한 복수의 2차원 단면 영상을 로딩할 수 있다. 도 4b에서는 복수의 2차원 단면 영상에서 치아 영역과 잇몸 영역을 구분하여 자동으로 잇몸 영역(연조직)은 제거하고 치아 영역(골조직)은 강조할 수 있다. 이를 위하여는, 오토 윈도잉(auto-windowing) 이미지 기법이 사용될 수 있다. 윈도잉(windowing) 기법이란 관심 없는 영역을 검은색 또는 흰색으로 변환한 후 관심 영역의 색상 대비를 높여 관심 영역이 보다 구분되어 보이도록 하는 방법이다. 예를 들어, 치아 영역을 강조하기 위해 가우스 필터 등을 통한 이미지 산술 연산을 수행할 수 있다. 이후 치아 영역 분리를 위해, 가우스 필터 및 Otsu Thresholding 기법을 최적화하여 마스크 이미지를 생성할 수 있다. 또한, 가우스 필터 등을 통해 산술 연산을 수행한 이미지와 전술한 마스크 이미지와의 AND 연산 결과 잇몸 영역은 제거되고 치아 영역이 강조된 영상이 도출될 수 있다(도 4b 참조). 도 4c에서 치아 영역의 윤곽선을 추출할 수 있다. 일 실시예에서, 치아마다 노출된 정도와 밝기가 서로 상이하기 때문에 치아별로 밝기 설정을 다르게 한 후 외곽선 반자동 누적 추출을 통해 치아별 경계선을 구분 처리할 수 있다. 도 4d는 치아의 윤곽선 내부에 색상을 채우는 과정을 나타내고, 도 4e는 피검자의 모든 치아에 색상을 채워 치아 부위의 설정을 완료한 것을 나타낸다. 치아의 윤곽선 내부에 색상을 채우기 위해 디바이스(1000)의 사용자가 윤곽선 안쪽을 수동으로 seed position을 선택하면 해당 폐곡선에 자동으로 색상이 채워진다(auto hole filling). 도 4f에서 치아의 윤곽선 외부는 제거함으로써 전처리 영상을 생성 및 저장할 수 있다. 예를 들어, 디바이스(1000)가 윤곽선 내부를 자동으로 치아 영역으로 인식하고 자동으로 노이즈를 제거하여 전처리 영상을 생성할 수 있다. 도 4g에서는 자동 외곽선 추적 알고리즘을 통해 치아의 윤곽선 부분을 재추출한 것을 도시한다. 도 4h에서는 도4a와 도4g를 블렌딩하여 치아의 경계를 디바이스(1000)의 사용자가 최종 확인하는 것을 도시한다.
도 5는 일 실시예에 따라 전처리 영상에 치아별로 색상을 채우는 예시를 나타내는 도면이다.
먼저, 도4f와 같이 저장된 복수의 전처리 영상을 불러올 수 있다. 전처리 영상에는 이미 치아 윤곽선 내부의 영역에 동일하게 흰색이 채워져 있을 것이다. 개별 치아를 보다 직관적으로 구분하기 위해 윤곽선 내부의 색상을 서로 다르게 설정할 수 있다. 개별 치아 별로 칼라 라벨링을 적용하면 치아마다 서로 다른 색상으로 칠해질 수 있다. 예를 들어, 피검자의 모든 치아에 모두 서로 다른 색상이 채워질 수 있고, 일부 치아에는 동일한 색상이 채워질 수도 있다. 치아별로 색상을 다르게 설정한 2차원 전처리 영상에 STlizing(DICOM TO STL) 과정을 거치면 색상 구별이 가능한 개별 치아가 3D STL로 추출될 수 있다.
도 6 및 도 7은 3차원 치아 모델에서 치아를 각각 저장하는 예시를 나타내는 도면이다.
복수의 2차원 전처리 영상을 기초로 3차원 치아 모델을 만들면, 피검자의 전체 치아에 대한 3차원 치아 모델 생성될 것이다. 3차원 치아 모델에서 서로 다르게 설정된 색상의 치아를 각각 저장하기 위해 STlizing(DICOM TO STL) 과정을 거치면, 도 6에 도시된 바와 같이 치아에 격자 형태의 계단 현상이 두드러지게 나타난다. 일 실시예에서 인접한 2개의 치아를 개별 치아로 분리하는 경우 기존에 연결되어 있던 부위에 크랙(구멍)이 생길 수 있다. 본 기술은 여러개의 크랙을 자동으로 그룹핑하여(multi hole grouping), 절단면 또는 크랙이 볼록한(convex) 경우 단순 채우기(simple filling) 알고리즘을 통해 크랙을 자동으로 메꿀 수 있다(auto repair). 도 6의 오른쪽 그림 및 도 7의 왼쪽 그림에서 크랙이 자동 수선된 치아가 도시된다. 다만, 계단 현상 때문에 원형 치아처럼 매끄럽게 표현되지는 않았다. 이를 Laplacian Smoothing 알고리즘을 적용함으로써 3D 프린팅을 위한 STlizing(DICOM TO STL) 과정의 특성상 나타나는 적층 모델링으로 인한 계단 현상을 제거할 수 있다. 계단 현상 제거 후 원형 치아처럼 매끄럽게 표현된 개별 치아 모델을 도 7의 오른쪽 그림에서 확인할 수 있다.
도 8은 일 실시예에 따른 의료 영상 처리 디바이스의 구성을 도시한 블록도이다. 도 8에 도시된 바와 같이, 본 발명의 일 실시예에 따른 의료 영상 처리 디바이스(1000)는 제어부(1300) 및 메모리(1700)를 포함할 수 있다. 그러나 도시된 구성요소 모두가 필수구성요소인 것은 아니다. 도시된 구성요소보다 많은 구성요소에 의해 디바이스(1000)가 구현될 수도 있고, 그보다 적은 구성요소에 의해서도 디바이스(1000)는 구현될 수 있다. 이하 상기 구성요소들에 대해 차례로 살펴본다.
제어부(1300)는, 통상적으로 디바이스(1000)의 전반적인 동작을 제어한다. 제어부(1300)는 적어도 하나의 프로세서를 구비할 수 있다. 제어부(1300)는 그 기능 및 역할에 따라, 복수의 프로세서들을 포함하거나, 통합된 형태의 하나의 프로세서를 포함할 수 있다. 프로세서는 주로, 중앙 연산 장치(CPU), 어플리케이션 프로세서(AP), 그래픽스 처리 장치(GPU) 등을 의미할 수 있다. 또한, CPU, AP 또는 GPU는 그 내부에 하나 또는 그 이상의 코어들을 포함할 수 있으며, CPU, AP 또는 GPU는 작동 전압과 클락 신호를 이용하여 작동할 수 있다. 다만, CPU 또는 AP는 직렬 처리에 최적화된 몇 개의 코어로 구성된 반면, GPU는 병렬 처리용으로 설계된 수 천 개의 보다 소형이고 효율적인 코어로 구성될 수 있다.
예를 들어, 제어부(1300)는, 메모리(1700)에 저장된 프로그램들을 실행함으로써, 사용자 입력부(미도시), 출력부(미도시), 센싱부(미도시), 통신부(미도시), A/V 입력부(미도시) 등을 전반적으로 제어할 수 있다. 또한, 제어부(1300)는 디바이스(1000)가 치아 영역이 추출된 복수의 전처리 영상을 생성하도록 할 수 있다.
메모리(1700)는 제어부(1300)의 다양한 기능을 지원하는 데이터를 저장한다. 메모리(1700)는 제어부(1300)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 제어부(1300)의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 무선 통신을 통해 외부 서버로부터 다운로드 될 수 있다. 또한 응용 프로그램은, 메모리(1700)에 저장되고, 제어부(1300)에 설치되어, 프로세서에 의하여 상기 제어부(1300)의 동작(또는 기능)을 수행하도록 구동될 수 있다.
메모리(1700)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), SSD 타입(Solid State Disk type), SDD 타입(Silicon Disk Drive type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(random access memory; RAM), SRAM(static random access memory), 롬(read-only memory; ROM), EEPROM(electrically erasable programmable read-only memory), PROM(programmable read-only memory), 자기 메모리, 자기 디스크 및 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 또한, 메모리(520)는 인터넷(internet)상에서 저장 기능을 수행하는 웹 스토리지(web storage)를 포함할 수도 있다.
전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 모델링하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽힐 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 모델링되는 것도 포함한다.
한편, 도 8에 도시된 디바이스(1000)의 구성은 일 실시예이며, 디바이스(1000)의 각 구성요소는 구현되는 디바이스 (1000)의 사양에 따라 통합, 추가, 또는 생략될 수 있다. 즉, 필요에 따라 2 이상의 구성요소가 하나의 구성요소로 합쳐지거나, 혹은 하나의 구성요소가 2 이상의 구성요소로 세분되어 구성될 수 있다. 또한, 각 구성(또는, 모듈)에서 수행하는 기능은 실시예들을 설명하기 위한 것이며, 그 구체적인 동작이나 장치는 본 발명의 권리범위를 제한하지 아니한다.
도 9는 일 실시예에 따른 제어부(1300)의 블록도이다.
도 9를 참조하면, 일 실시예에 따른 제어부(1300)는 데이터 학습부(1310) 및 데이터 인식부(1320)를 포함할 수 있다.
데이터 학습부(1310)는 복수의 2차원 단면 영상을 분석하고, 치아 영역을 파악하여, 치아 영역이 추출된 복수의 전처리 영상을 생성하기 위한 기준을 학습할 수 있다. 데이터 학습부(1310)는 소정의 치아 영역을 판단하기 위하여 어떤 데이터를 이용할 지, 데이터를 이용하여 어떻게 치아 영역을 결정할 지에 관한 기준을 학습할 수 있다. 데이터 학습부(1310)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 후술할 데이터 인식 모델에 적용함으로써, 치아 영역이 추출된 복수의 전처리 영상을 생성하기 위한 기준을 학습할 수 있다.
데이터 인식부(1320)는 데이터에 기초하여 복수의 2차원 단면 영상에서 어떤 영역이 치아 영역인지를 판단할 수 있다. 데이터 인식부(1320)는 학습된 데이터 인식 모델을 이용하여, 소정의 데이터로부터 치아 영역을 인식할 수 있다. 데이터 인식부(1320)는 학습에 의한 기 설정된 기준에 따라 소정의 데이터를 획득하고, 획득된 데이터를 입력 값으로 하여 데이터 인식 모델을 이용함으로써, 소정의 데이터에 기초하여 치아 영역을 추출할 수 있다. 또한, 획득된 데이터를 입력 값으로 하여 데이터 인식 모델에 의해 출력된 결과 값은, 데이터 인식 모델을 갱신하는데 이용될 수 있다.
데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 디바이스(1000)에 탑재될 수 있다. 예를 들어, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 디바이스에 탑재될 수도 있다.
이 경우, 데이터 학습부(1310) 및 데이터 인식부(1320)는 하나의 디바이스에 탑재될 수도 있으며, 서버에 탑재될 수도 있고, 또는 별개의 디바이스들 또는 서버에 각각 탑재될 수도 있다. 예를 들어, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 하나는 디바이스(1000)에 포함되고, 나머지 하나는 서버에 포함될 수 있다. 또한, 데이터 학습부(1310) 및 데이터 인식부(1320)는 유선 또는 무선으로 통하여, 데이터 학습부(1310)가 구축한 모델 정보를 데이터 인식부(1320)로 제공할 수도 있고, 데이터 인식부(1320)로 입력된 데이터가 추가 학습 데이터로서 데이터 학습부(1310)로 제공될 수도 있다.
한편, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
도 10은 일 실시예에 따른 데이터 학습부(1310)의 블록도이다.
도 10을 참조하면, 일 실시예에 따른 데이터 학습부(1310)는 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5)를 포함할 수 있다.
데이터 획득부(1310-1)는 치아 영역이 추출된 복수의 전처리 영상의 생성에 필요한 데이터를 획득할 수 있다. 데이터 획득부(1310-1)는 치아 영역을 추출하기 위한 학습에 필요한 데이터를 획득할 수 있다.
예를 들어, 데이터 획득부(1310-1)는 영상 데이터(예를 들어, 이미지, 동영상) 등을 획득할 수 있다. 예를 들어, 데이터 획득부(1310-1)는 디바이스(1000)의 입력 기기(예: 마이크로폰, 카메라 또는 센서 등)를 통해 데이터를 입력 받을 수 있다. 또는, 데이터 획득부(1310-1)는 디바이스(1000)와 통신하는 외부 장치를 통해 데이터를 획득할 수 있다.
또한, 예를 들어, 데이터 획득부(1310-1)는 사용자로부터 데이터를 입력 받을 수도 있고, 디바이스(1000)에 기 저장된 데이터를 불러올 수도 있고, 또는 서버로부터 데이터를 수신할 수도 있으나, 이에 제한되지 않는다. 예를 들어, 디바이스(1000)에 기 저장된 데이터, 디바이스(1000)에서 센싱한 데이터, 사용자로부터 입력 받은 데이터 및 서버로부터 획득한 데이터를 조합하여 필요한 데이터를 획득할 수도 있다. 데이터는 이미지, 동영상, 이미지의 메타데이터 중 적어도 하나를 포함할 수 있다. 예를 들어, 데이터 획득부(1310-1)는 이미지를 입력 받을 수 있다. 예를 들어, 데이터 획득부(1310-1)는 데이터 학습부(1310)를 포함하는 디바이스(1000)의 카메라, 또는 데이터 학습부(1310)를 포함하는 디바이스(1000)와 통신 가능한 외부의 CT 스캐너를 통하여 이미지를 입력 받을 수 있다.
전처리부(1310-2)는 텍스트와 이미지의 연관도 결정을 위한 학습에 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(1310-2)는 후술할 모델 학습부(1310-4)가 텍스트와 이미지의 연관도 결정을 위한 학습을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.
예를 들어, 전처리부(1310-2)는 입력된 복수의 이미지(또는 프레임(frame))들 각각에 포함된 공통 영역을 기초로, 복수의 이미지들의 적어도 일부를 중첩할 수 있다. 공통 영역은, 복수의 이미지들 각각에서 동일 또는 유사한 공통 오브젝트(예로, 치아 및 잇몸 등)를 포함한 영역이 될 수 있다. 또는, 공통 영역은, 복수의 이미지들 각각에서 색, 음영, RGB 값 또는 CMYK 값 등이 동일 또는 유사한 영역이 될 수 있다.
학습 데이터 선택부(1310-3)는 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 모델 학습부(1310-4)에 제공될 수 있다. 학습 데이터 선택부(1310-3)는 치아 영역의 판단을 위한 기 설정된 기준에 따라, 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 또한, 학습 데이터 선택부(1310-3)는 후술할 모델 학습부(1310-4)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.
모델 학습부(1310-4)는 학습 데이터에 기초하여 치아 영역을 어떻게 판단할 지에 관한 기준을 학습할 수 있다. 또한, 모델 학습부(1310-4)는 치아 영역의 판단을 위하여 어떤 학습 데이터를 이용해야 하는 지에 대한 기준을 학습할 수도 있다.
또한, 모델 학습부(1310-4)는 치아 영역의 결정에 이용되는 데이터 인식 모델을 학습 데이터를 이용하여 학습시킬 수 있다. 이 경우, 데이터 인식 모델은 미리 구축된 모델일 수 있다. 예를 들어, 데이터 인식 모델은 기본 학습 데이터(예를 들어, 샘플 이미지 등)을 입력 받아 미리 구축된 모델일 수 있다.
데이터 인식 모델은, 인식 모델의 적용 분야, 학습의 목적 또는 장치의 컴퓨터 성능 등을 고려하여 구축될 수 있다. 데이터 인식 모델은, 예를 들어, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 예컨대, CNN(Convolutional Neural Network), DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 등과 같은 모델이 데이터 인식 모델로서 사용될 수 있으나, 이에 한정되지 않는다.
다양한 실시예에 따르면, 모델 학습부(1310-4)는 미리 구축된 데이터 인식 모델이 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 데이터 인식 모델을 학습할 데이터 인식 모델로 결정할 수 있다. 이 경우, 기본 학습 데이터는 데이터의 타입 별로 기 분류되어 있을 수 있으며, 데이터 인식 모델은 데이터의 타입 별로 미리 구축되어 있을 수 있다. 예를 들어, 기본 학습 데이터는 학습 데이터가 생성된 지역, 학습 데이터가 생성된 시간, 학습 데이터의 크기, 학습 데이터의 장르, 학습 데이터의 생성자, 학습 데이터 내의 오브젝트의 종류 등과 같은 다양한 기준으로 기 분류되어 있을 수 있다.
또한, 모델 학습부(1310-4)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 데이터 인식 모델을 학습시킬 수 있다.
또한, 모델 학습부(1310-4)는, 예를 들어, 학습 데이터를 입력 값으로 하는 지도 학습(supervised learning)을 통하여, 데이터 인식 모델을 학습시킬 수 있다. 또한, 모델 학습부(1310-4)는, 예를 들어, 별다른 지도 없이 텍스트와 이미지의 연관도 결정을 위해 필요한 데이터의 종류를 스스로 학습함으로써, 텍스트와 이미지의 연관도 결정을 위한 기준을 발견하는 비지도 학습(unsupervised learning)을 통하여, 데이터 인식 모델을 학습시킬 수 있다. 또한, 모델 학습부(1310-4)는 의사결정나무(Decision Tree, DT), 서 포트벡터머신(Support Vector Machine, SVM), 준지도학습(Semi-Supervised Learning, SSL) 등을 통하여 데이터 인식 모델을 학습시킬 수도 있다. 또한, 모델 학습부(1310-4)는, 예를 들어, 학습에 따른 치아 영역 추출의 결과가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 데이터 인식 모델을 학습시킬 수 있다.
또한, 데이터 인식 모델이 학습되면, 모델 학습부(1310-4)는 학습된 데이터 인식 모델을 저장할 수 있다. 이 경우, 모델 학습부(1310-4)는 학습된 데이터 인식 모델을 데이터 인식부(1320)를 포함하는 디바이스(1000)의 메모리(1700)에 저장할 수 있다. 또는, 모델 학습부(1310-4)는 학습된 데이터 인식 모델을 디바이스(1000)와 유선 또는 무선 네트워크로 연결되는 서버의 메모리에 저장할 수도 있다.
이 경우, 학습된 데이터 인식 모델이 저장되는 메모리는, 예를 들면, 디바이스(1000)의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 함께 저장할 수도 있다. 또한, 메모리는 소프트웨어 및/또는 프로그램을 저장할 수도 있다. 프로그램은, 예를 들면, 커널, 미들웨어, 애플리케이션 프로그래밍 인터페이스(API) 및/또는 애플리케이션 프로그램(또는 "애플리케이션") 등을 포함할 수 있다.
모델 평가부(1310-5)는 데이터 인식 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 인식 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(1310-4)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 데이터 인식 모델을 평가하기 위한 기 설정된 데이터일 수 있다. 예를 들어, 사용자에 의해 치아 영역으로 선택된 이미지를 데이터 인식 모델에 입력하여 출력된 치아 영역과, 사용자에 의해 선택된 치아 영역의 차이가 미리 결정된 값을 초과하는 경우, 모델 학습부(1310-4)는 다시 학습되어야 하는 것으로 평가될 수 있다.
예를 들어, 모델 평가부(1310-5)는 평가 데이터에 대한 학습된 데이터 인식 모델의 인식 결과 중에서, 인식 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정된 임계치를 초과하는 경우 소정 기준을 만족하지 못한 것으로 평가할 수 있다. 예컨대, 소정 기준이 비율 2%로 정의되는 경우, 학습된 데이터 인식 모델이 총 1000개의 평가 데이터 중의 20개를 초과하는 평가 데이터에 대하여 잘못된 인식 결과를 출력하는 경우, 모델 평가부(1310-5)는 학습된 데이터 인식 모델이 적합하지 않은 것으로 평가할 수 있다.
한편, 학습된 데이터 인식 모델이 복수 개가 존재하는 경우, 모델 평가부(1310-5)는 각각의 학습된 동영상 인식 모델에 대하여 소정 기준을 만족하는지를 평가하고, 소정 기준을 만족하는 모델을 최종 데이터 인식 모델로서 결정할 수 있다. 이 경우, 소정 기준을 만족하는 모델이 복수 개인 경우, 모델 평가부(1310-5)는 평가 점수가 높은 순으로 미리 설정된 어느 하나 또는 소정 개수의 모델을 최종 데이터 인식 모델로서 결정할 수 있다.
한편, 데이터 학습부(1310) 내의 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 디바이스(1000)에 탑재될 수 있다. 예를 들어, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 디바이스에 탑재될 수도 있다.
또한, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5)는 하나의 디바이스에 탑재될 수도 있으며, 서버에 탑재될 수도 있고, 또는 별개의 디바이스들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 일부는 디바이스(1000)에 포함되고, 나머지 일부는 서버에 포함될 수 있다.
또한, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
도 11은 일 실시예에 따른 데이터 인식부(1320)의 블록도이다.
도 11을 참조하면, 일 실시예에 따른 데이터 인식부(1320)는 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5)를 포함할 수 있다.
데이터 획득부(1320-1)는 치아 영역 결정에 필요한 데이터를 획득할 수 있으며, 전처리부(1320-2)는 치아 영역 결정을 위해 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(1320-2)는 후술할 인식 결과 제공부(1320-4)가 치아 영역 결정을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.
인식 데이터 선택부(1320-3)는 전처리된 데이터 중에서 치아 영역 결정에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 인식 결과 제공부(1320-4)에게 제공될 수 있다. 인식 데이터 선택부(1320-3)는 치아 영역 결정을 위한 기 설정된 기준에 따라, 전처리된 데이터 중에서 일부 또는 전부를 선택할 수 있다. 또한, 인식 데이터 선택부(1320-3)는 후술할 모델 학습부(1310-4)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.
인식 결과 제공부(1320-4)는 선택된 데이터를 데이터 인식 모델에 적용하여 치아 영역을 결정할 수 있다. 인식 결과 제공부(1320-4)는 데이터의 인식 목적에 따른 인식 결과를 제공할 수 있다. 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 입력 값으로 이용함으로써, 선택된 데이터를 데이터 인식 모델에 적용할 수 있다. 또한, 인식 결과는 데이터 인식 모델에 의해 결정될 수 있다.
예를 들어, 이미지의 인식 결과는 동영상, 이미지 또는 명령어(예를 들어, 애플리케이션 실행 명령어, 모듈 기능 실행 명령어 등) 등으로 제공될 수 있다. 인식 결과 제공부(1320-4)는 복수의 이미지들로부터 생성된 합성 이미지를 데이터 인식 모델에 적용하여 이미지의 인식 결과를 제공할 수 있다. 일 예로, 인식 결과 제공부(1320-4)는 이미지에 포함된 오브젝트의 인식 결과를 제공 할 수 있다. 인식 결과는, 예로, 구강 이미지에 포함된 치아의 정보를 3D 모델, 이미지 또는 명령어 등으로 제공할 수 있다.
모델 갱신부(1320-5)는 인식 결과 제공부(1320-4)에 의해 제공되는 인식 결과에 대한 평가에 기초하여, 데이터 인식 모델이 갱신되도록 할 수 있다. 예를 들어, 모델 갱신부(1320-5)는 인식 결과 제공부(1320-4)에 의해 제공되는 인식 결과를 모델 학습부(1310-4)에게 제공함으로써, 모델 학습부(1310-4)가 데이터 인식 모델을 갱신하도록 할 수 있다.
한편, 데이터 인식부(1320) 내의 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 디바이스(1000)에 탑재될 수 있다. 예를 들어, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 디바이스에 탑재될 수도 있다.
또한, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5)는 하나의 디바이스에 탑재될 수도 있으며, 또는 별개의 디바이스들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 일부는 디바이스(1000)에 포함되고, 나머지 일부는 서버에 포함될 수 있다.
또한, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
한편, 상술한 본 발명의 실시예들은 컴퓨터에서 실행될 수 있는 프로그램으로 작성가능하고, 컴퓨터로 읽을 수 있는 기록매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다.
상기 컴퓨터로 읽을 수 있는 기록매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스크, 하드디스크 등), 및 광학적 판독 매체(예를 들면, 시디롬, 디브이디 등)와 같은 저장매체를 포함한다.
이상과 첨부된 도면을 참조하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.
1000: 디바이스
1300: 제어부
1700: 메모리
1300: 제어부
1700: 메모리
Claims (7)
- 피검자의 구강 부위에 대한 복수의 2차원 단면 영상을 획득하는 단계;
데이터 인식 모델을 사용하여, 상기 복수의 2차원 단면 영상으로부터 치아 영역이 추출된 복수의 전처리 영상을 생성하는 단계; 및
상기 복수의 전처리 영상을 저장하는 단계;
를 포함하는, 의료 영상 처리 방법.
- 제1항에 있어서,
상기 복수의 전처리 영상을 생성하는 단계는,
상기 복수의 2차원 단면 영상에서 치아 영역과 잇몸 영역을 구분하는 단계;
상기 치아 영역은 강조하고 상기 잇몸 영역은 제거하는 단계;
상기 치아 영역의 윤곽선을 추출하는 단계;
상기 윤곽선 내부에 색상을 채우는 단계; 및
상기 복수의 2차원 단면 영상에서 상기 윤곽선의 외부는 제거함으로써 복수의 전처리 영상을 생성하는 단계;
를 포함하는, 의료 영상 처리 방법.
- 제2항에 있어서,
상기 복수의 전처리 영상을 불러오는 단계;
상기 복수의 전처리 영상에서 상기 윤곽선 내부의 색상을 서로 다르게 설정하는 단계; 및
상기 복수의 전처리 영상을 기초로 3차원 치아 모델을 생성하는 단계;
를 더 포함하는, 의료 영상 처리 방법.
- 제3항에 있어서,
상기 3차원 치아 모델에서 상기 서로 다르게 설정된 색상의 치아를 각각 저장하는 단계;
를 더 포함하는, 의료 영상 처리 방법.
- 제1항에 있어서,
상기 복수의 2차원 단면 영상은 CBCT(Cone Beam CT) 및 MDCT(Multi Detector CT) 영상 중 적어도 하나인, 의료 영상 처리 방법.
- 컴퓨터 실행가능 명령어가 저장되는 메모리; 및
상기 컴퓨터 실행가능 명령어를 실행함으로써, 제1항 내지 제5항 중 어느 한 항의 방법을 사용하여 복수의 전처리 영상을 생성하는 제어부;
를 포함하는, 의료 영상 처리 디바이스.
- 제1항 내지 제5항 중 어느 한 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램이 기록된 컴퓨터 판독가능 저장매체.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220123287A KR20240044045A (ko) | 2022-09-28 | 2022-09-28 | 의료 영상 처리 방법 및 디바이스 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220123287A KR20240044045A (ko) | 2022-09-28 | 2022-09-28 | 의료 영상 처리 방법 및 디바이스 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240044045A true KR20240044045A (ko) | 2024-04-04 |
Family
ID=90638013
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220123287A KR20240044045A (ko) | 2022-09-28 | 2022-09-28 | 의료 영상 처리 방법 및 디바이스 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20240044045A (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20040008899A (ko) | 2002-07-19 | 2004-01-31 | 주식회사 하이닉스반도체 | 강유전체 메모리 소자 및 그 제조 방법 |
-
2022
- 2022-09-28 KR KR1020220123287A patent/KR20240044045A/ko unknown
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20040008899A (ko) | 2002-07-19 | 2004-01-31 | 주식회사 하이닉스반도체 | 강유전체 메모리 소자 및 그 제조 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112638312B (zh) | 训练深度神经网络的***和确定牙齿的最终位置的*** | |
| JP7493464B2 (ja) | ３ｄオブジェクトの正準ポーズの自動化判定、および深層学習を使った３ｄオブジェクトの重ね合わせ | |
| US20200305808A1 (en) | Automated Tooth Localization, Enumeration, and Diagnostic System and Method | |
| US10098715B2 (en) | Generating a design for a dental restorative product from dental images | |
| CN114730466A (zh) | 数字模型中牙齿特征的自动检测、生成和/或校正 | |
| CN107106117B (zh) | 牙齿和牙槽骨的分割与重构方法及装置 | |
| AU2020341455A1 (en) | Method, system and devices for instant automated design of a customized dental object | |
| KR102566541B1 (ko) | 치과 교정치료 계획 수립방법 및 그 장치 | |
| CN112912008A (zh) | 权重图像生成装置、方法及程序、判别器学习装置、方法及程序、区域提取装置、方法及程序以及判别器 | |
| KR20200006507A (ko) | Ct 영상에서 치아 관심 영역 추출 방법 및 장치 | |
| KR20240044045A (ko) | 의료 영상 처리 방법 및 디바이스 | |
| US20220122261A1 (en) | Probabilistic Segmentation of Volumetric Images | |
| TWI766446B (zh) | 基於人工智慧之口腔電腦斷層掃描影像的自動色彩轉換裝置及其驅動方法 | |
| KR20220145758A (ko) | 컴퓨팅 장치를 이용한 하악골 비대칭 평가 방법 및 이를 이용한 수술 시뮬레이션 방법 | |
| US11244458B2 (en) | Image processing apparatus, image processing method, and program | |
| US10909773B2 (en) | Medical image modeling system and medical image modeling method | |
| KR102456703B1 (ko) | 신경관 라인 생성방법 및 치과 임플란트 수술계획 수립장치 | |
| KR20200134037A (ko) | 신경관 라인 자동 생성방법 및 이를 위한 의료영상 처리장치 | |
| KR102659927B1 (ko) | 치아 형상 삭제 방법, 디바이스 및 기록매체 | |
| US20230419631A1 (en) | Guided Implant Surgery Planning System and Method | |
| US20230298272A1 (en) | System and Method for an Automated Surgical Guide Design (SGD) | |
| CN117274601A (zh) | 一种三维牙齿图像的处理方法、装置及*** | |
| Abdo et al. | Teeth and Jaw Segmentation from CBCT images Using 3D Deep Learning Models | |
| KR20230163182A (ko) | 인공지능을 적용한 3차원 얼굴스캔 자동매칭장치 및 그 장치의 구동방법, 그리고 매체에 저장된 컴퓨터프로그램 | |
| KR20230090824A (ko) | 근관 치료에 대한 정보 제공 방법 및 이를 이용한 근관 치료에 대한 정보 제공용 디바이스 |