WO2015099249A1 - 의료 영상의 병변 유사도 판단 장치 및 방법 - Google Patents

의료 영상의 병변 유사도 판단 장치 및 방법 Download PDF

Info

Publication number
WO2015099249A1
WO2015099249A1 PCT/KR2014/005178 KR2014005178W WO2015099249A1 WO 2015099249 A1 WO2015099249 A1 WO 2015099249A1 KR 2014005178 W KR2014005178 W KR 2014005178W WO 2015099249 A1 WO2015099249 A1 WO 2015099249A1
Authority
WO
WIPO (PCT)
Prior art keywords
lesion
lesion area
target
area
similarity
Prior art date
Application number
PCT/KR2014/005178
Other languages
English (en)
French (fr)
Inventor
이기용
성영경
Original Assignee
삼성전자 주식회사
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 삼성전자 주식회사 filed Critical 삼성전자 주식회사
Priority to EP14873723.2A priority Critical patent/EP3089107B1/en
Priority to US15/103,684 priority patent/US10296810B2/en
Publication of WO2015099249A1 publication Critical patent/WO2015099249A1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • 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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2505/00—Evaluating, monitoring or diagnosing in the context of a particular type of medical care
    • A61B2505/05—Surgical care
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion
    • 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

Definitions

  • the present invention relates to a technique for analyzing medical images, and more particularly, to an apparatus and method for determining lesion similarity in medical images.
  • CAD Computer Aided Diagnosis
  • a task mainly used in medical image analysis and computer-assisted diagnostic systems is to accurately and efficiently detect lesion areas in medical images.
  • Various algorithms are applied for this task, and the algorithms used in image processing or data analysis processes of other technical fields are used to measure whether the detected lesion area is accurately detected. It is hard to see it as a measure of characteristics.
  • An object of the present invention is to provide an apparatus and method for determining lesion similarity in medical images.
  • An apparatus for determining lesion similarity may include an image input unit configured to receive a reference image including a reference lesion region and a target image including a target lesion region, and a pixel included in a first region of the target lesion region may include a reference lesion region. Similarity that determines the similarity between the reference lesion area and the target lesion area by applying an advantage weight that increases closer to the center and a penalty weight that increases as the distance from the reference lesion area increases to pixels included in the second area of the target lesion area. It may include a determination unit.
  • the first region may be a region included in the reference lesion region among the target lesion regions
  • the second region may be a region not included in the reference lesion region among the target lesion regions.
  • the advantage weight and the penalty weight may increase exponentially or linearly, respectively.
  • the similarity determination unit may calculate a shortest distance between each pixel of the reference image and a boundary between the reference lesion area and generate a first distance map representing an advantage weight and a second distance map representing a penalty weight based on the calculated shortest distance.
  • the apparatus may include a distance map generation unit to generate and a similarity calculator configured to calculate a similarity between the reference lesion area and the target lesion area by using the first distance map and the second distance map.
  • the similarity determination unit may further include a binarization unit for binarizing the reference image and the target image.
  • the binarization unit binarizes the reference image to 1 for each pixel inside the reference lesion area, 0 for each pixel outside the reference lesion area, and 1 for each pixel inside the target lesion area for 1 and outside the target lesion area. Each pixel can be binarized to zero.
  • the similarity calculation unit Calculate the similarity between the reference lesion area and the target lesion area using A
  • A is a matrix representing the binarized reference image
  • B is a matrix representing the binarized target image
  • DM1 is a matrix representing the first distance map
  • DM2 is the second. It may be a matrix representing a distance map.
  • a method for determining lesion similarity may include receiving a reference image including a reference lesion area and a target image including a target lesion area, and a pixel included in a first area of the target lesion area in the center of the reference lesion area. Determining the similarity between the reference lesion area and the target lesion area by applying an advantage weight that increases closer to and a penalty weight that increases as the distance from the reference lesion area increases to pixels included in the second area of the target lesion area. It may include.
  • the first region may be a region included in the reference lesion region among the target lesion regions
  • the second region may be a region not included in the reference lesion region among the target lesion regions.
  • the advantage weight and the penalty weight may increase exponentially or linearly, respectively.
  • the determining of the similarity may include calculating a shortest distance between each pixel of the reference image and a boundary between the reference lesion area, and a second distance map indicating a first weight map and a penalty weight based on the calculated shortest distance.
  • the method may include generating a distance map and calculating a similarity between the reference lesion area and the target lesion area by using the first distance map and the second distance map.
  • the determining of the similarity may further include binarizing the reference image and the target image.
  • the step of binarizing binarizes the reference image to 1 for each pixel inside the reference lesion area, 0 for each pixel outside the reference lesion area, and 1 for each pixel inside the target lesion area and 1 for the target lesion area.
  • Each external pixel can be binarized to zero.
  • A is a matrix representing the binarized reference image
  • B is a matrix representing the binarized target image
  • DM1 is a matrix representing the first distance map
  • DM2 is the second. It may be a matrix representing a distance map.
  • FIG. 1 is a diagram illustrating an apparatus for determining lesion similarity according to an exemplary embodiment.
  • FIG. 2 is a detailed configuration diagram of the similarity determination unit 120 of FIG. 1.
  • FIG. 3 is a diagram illustrating a basic concept of a method of determining lesion similarity according to an exemplary embodiment.
  • FIG. 4 is a diagram for describing a process of determining lesion similarity according to an exemplary embodiment.
  • FIG. 5 is a flowchart illustrating a method of determining lesion similarity according to an exemplary embodiment.
  • FIG. 6 is a detailed flowchart of the lesion similarity determination process 520 of FIG. 5.
  • FIG. 1 is a diagram illustrating an apparatus for determining lesion similarity according to an exemplary embodiment.
  • the apparatus for determining lesion similarity 100 may include an image input unit 110, a similarity determination unit 120, and an algorithm correction unit 130.
  • the image input unit 110 may receive a reference image and a target image.
  • the reference image is an image that is a criterion for determining lesion similarity
  • the target image is an image that is a lesion similarity determination object with respect to the reference image.
  • the reference image may be an image in which the medical staff detects the lesion area from the medical image
  • the target image may be an image in which the CAD system detects the lesion area from the same medical image.
  • the lesion area detected by the medical staff is referred to as a reference lesion area
  • the lesion area detected by the CAD system is referred to as a target lesion area.
  • the image input unit 110 may separately receive the reference image including the reference lesion area and the target image including the target lesion area, respectively, but include both the reference lesion area and the target lesion area. It is also possible to receive one image.
  • the similarity determination unit 120 divides the target lesion area into a first area included in the reference lesion area and a second area not included in the reference lesion area, and applies an advantage weight to each pixel included in the first area.
  • Each pixel included in the second region may be applied with a penalty weight to determine similarity between the reference lesion region and the target lesion region.
  • the advantage weight is a weight used to increase the similarity
  • the penalty weight is a weight used to reduce the similarity.
  • the similarity determination unit 120 may be a target lesion area that is a lesion area detected by the medical staff and a target area that is detected by the CAD system. By comparing the lesion areas, the target lesion area may be divided into a first area included in the reference lesion area and a second area not included in the reference lesion area. In addition, the similarity determination unit 120 may determine the similarity between the mood lesion region and the target lesion region by applying weights of different characteristics to the first region and the second region, respectively.
  • the advantage weight applied to each pixel of the first area and the penalty weight applied to each pixel of the second area may increase as the shortest distance between each pixel and the boundary of the reference lesion area increases. That is, as each pixel of the first region moves away from the boundary of the reference lesion region, that is, closer to the center of the reference lesion region, a larger advantage weight is applied, and each pixel of the second region is connected to the boundary of the reference lesion region. The further away from the center of the reference lesion area, the greater the penalty weight may be applied.
  • the advantage weight applied to the pixel of the first region and the penalty weight applied to the pixel of the second region may increase linearly or exponentially according to the shortest distance between each pixel and the boundary of the reference lesion area. It is not limited to this.
  • the algorithm correction unit 130 may modify the lesion segmentation algorithm that detects the target lesion area by using the similarity determination result. For example, the algorithm correction unit 130 may adjust parameters of the lesion segmentation algorithm that detects the target lesion area by using the similarity determination result.
  • the algorithm correction unit 130 is not an essential configuration of the lesion similarity determination device 100, the algorithm correction unit 130 may be omitted in some cases.
  • FIG. 2 is a detailed configuration diagram of the similarity determination unit 120 of FIG. 1.
  • the similarity determination unit 120 may include a binarization unit 210, a distance map generator 220, and a similarity calculator 230.
  • the binarization unit 210 may binarize the reference image and the target image input through the image input unit 110. According to an embodiment, the binarization unit 210 may binarize the reference image to a binarization value 1 inside the reference lesion area and a binarization value 0 outside the reference lesion area. In addition, the binarization unit 210 may binarize the target image into a binarization value 1 inside the target lesion area and a binarization value 0 outside the target lesion area.
  • the distance map generator 220 may generate a first distance map and a second distance map by using the binarized reference image.
  • the first distance map may indicate an advantage weight to be applied to each pixel of the first area
  • the second distance map may indicate a penalty weight to be applied to each pixel of the second area.
  • the distance map generator 220 calculates a shortest distance between each pixel of the reference image and a boundary of the reference lesion area, and generates a first distance map and a second distance map based on the calculated values. can do. For example, the distance map generator 220 generates a first distance map based on the shortest distance between each pixel in the reference lesion area and the boundary of the reference lesion area, and generates each pixel and the reference lesion outside the reference lesion area. The second distance map may be generated based on the shortest distance from the boundary of the region.
  • the distance map generator 132 may generate the first distance map and the second distance map to have a value that increases linearly or exponentially according to the shortest distance between each pixel and the boundary of the reference lesion area.
  • this is only an example and is not limited thereto.
  • the similarity calculator 230 applies an advantage weight to the binarization value of each pixel of the first region using the first distance map, and applies a penalty weight to the binarization value of each pixel of the second region using the second distance map.
  • the similarity between the reference lesion area and the target lesion area can be calculated.
  • the similarity calculator 230 may calculate the similarity of the target lesion area to the reference lesion area by using Equation 1.
  • A denotes a matrix representing the binarized reference image
  • B denotes a matrix representing the binarized target image
  • DM1 denotes a matrix representing the first distance map
  • DM2 denotes a matrix representing the second distance map.
  • 3 is a diagram illustrating a basic concept of a method of determining lesion similarity according to an exemplary embodiment. 3 illustrates an example of weights that increase exponentially with distance from the boundary of the reference lesion area.
  • the weights applied when determining the similarity between the reference lesion area and the target lesion area are divided into the inside and the outside of the reference lesion area. In this case, the weight for each pixel increases as each pixel moves away from the boundary of the reference lesion area.
  • region 1 301 which is the central region of the reference lesion region, has weight 8
  • region 2 302 has weight 4
  • region 3 303 has weight 2
  • reference lesion region Region 4 304 which is close to the boundary of, may be assigned a weight of 1.
  • region 5 305 adjacent to the boundary of the reference lesion region may be weighted -4
  • region 6 306 may be weighted -16. In this case,-means a penalty weight.
  • the target lesion region includes the center of the reference lesion region
  • the similarity with the reference lesion region increases, while the target lesion region includes an area far from the boundary of the reference lesion region or is not included in the reference lesion region. The more included, the less similarity with the reference lesion area.
  • 4 is a diagram for describing a process of determining lesion similarity according to an exemplary embodiment. 4 illustrates binarization images 430, 435, 450, and 470 and distance maps 440 and 460 in a matrix for convenience of description.
  • the binarization unit 210 receives the reference image 410 as the reference lesion.
  • the binarized image A 430 is generated by binarizing the inside of the reference lesion area with the binarization value 1 and the outside of the reference lesion area with the binarization value 0 based on the boundary of the area.
  • the binarization unit 210 binarizes the binarized image B 450 by binarizing the inside of the target lesion area with a binarization value of 1 and the outside of the target lesion area with a binarization value of 0 based on the boundary of the target lesion area.
  • the distance map generator 220 generates distance maps 440 and 460 based on the shortest distance between each pixel of the binarized image A 430 and the boundary of the reference lesion area based on the binarized image A 430. For example, the distance map generator 220 inverts the binarization value of the binarized image A 430 to generate an inverted image 435 and uses the inverted image 435 to generate the first distance map DM1 440. Can be generated. In addition, the distance map generator 220 may generate the second distance map DM2 460 using the binarized image A 430.
  • the similarity calculator 230 applies an advantage weight to the binarization value of each pixel of the first area using the first distance map DM1 440, and uses the second distance map MD2 460 to apply the advantage weight to each pixel of the second area.
  • the degree of similarity between the reference lesion area and the target lesion area may be calculated by applying a penalty weight to the binarization value.
  • the similarity calculator 230 may calculate lesion similarity between the reference lesion area and the target lesion area by using Equation 1.
  • reference numeral 470 denotes a result of A
  • reference numeral 480 denotes a result of DM2. * (A
  • FIG. 4 illustrates that the distance map generator 220 generates the first distance map DM1 440 and the second distance map DM2 460 separately, but is not limited thereto. It is also possible for the 220 to generate one street map including both the first distance map DM1 440 and the second distance map DM2 460.
  • FIG. 5 is a flowchart illustrating a method of determining lesion similarity according to an exemplary embodiment.
  • a reference image including a reference lesion area and a target image including a target lesion area are received (510).
  • the reference image and the target image may be separately input, but it is also possible to receive one image including both the reference lesion area and the target lesion area.
  • the target lesion area is divided into a first area included in the reference lesion area and a second area not included in the reference lesion area, and an advantage weight is applied to each pixel included in the first area and applied to the second area.
  • a penalty weight is applied to each pixel included to determine similarity between the reference lesion area and the target lesion area (520).
  • the advantage weight applied to each pixel of the first area and the penalty weight applied to each pixel of the second area may increase as the shortest distance between each pixel and the boundary of the reference lesion area increases. That is, as each pixel of the first region moves away from the boundary of the reference lesion region, that is, closer to the center of the reference lesion region, a larger advantage weight is applied, and each pixel of the second region is connected to the boundary of the reference lesion region. The further away from the center of the reference lesion area, the greater the penalty weight may be applied.
  • the lesion segmentation algorithm for detecting the target lesion area is modified using the similarity determination result (530).
  • the lesion similarity determining apparatus 100 may adjust a parameter of the lesion segmentation algorithm that detects the target lesion area by using the similarity determination result.
  • FIG. 6 is a detailed flowchart of the lesion similarity determination process 520 of FIG. 5.
  • the process of determining lesion similarity 520 binarizes the reference image and the target image (610).
  • the apparatus 100 for determining similarity of lesions binarizes a reference image with a binarization value of 1 within a reference lesion area and a binarization value of 0 with a binarization value outside of a reference lesion area based on a boundary of the reference lesion area. Based on the boundary of the region, the inside of the target lesion area may be binarized to a binarization value of 1, and the outside of the target lesion area may be binarized to a binarization value of 0.
  • a first distance map and a second distance map are generated using the binarized reference image (620).
  • the first distance map may indicate an advantage weight to be applied to each pixel of the first area
  • the second distance map may indicate a penalty weight to be applied to each pixel of the second area.
  • the apparatus 100 for determining similarity of lesions may calculate a shortest distance between each pixel of the reference image and a boundary of the reference lesion area and generate a first distance map and a second distance map based on the calculated values. have.
  • the similarity of the target lesion area may be calculated (630).
  • the apparatus for determining lesion similarity 100 may calculate the similarity of the target lesion area with respect to the reference lesion area by using Equation 1.
  • One aspect of the invention may be embodied as computer readable code on a computer readable recording medium. Codes and code segments implementing the above program can be easily deduced by computer programmers in the art.
  • the computer-readable recording medium may include all kinds of recording devices in which data that can be read by a computer system is stored. Examples of computer-readable recording media may include ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical disk, and the like.
  • the computer readable recording medium can also be distributed over network coupled computer systems so that the computer readable code is created and executed in a distributed fashion.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

의료 영상의 병변 유사도 판단 장치 및 방법이 개시된다. 일 양상에 따른 병변 유사도 판단 장치는, 기준 병변 영역을 포함하는 기준 영상 및 대상 병변 영역을 포함하는 대상 영상을 입력 받는 영상 입력부와, 대상 병변 영역 중 제1영역에 포함되는 픽셀에는 기준 병변 영역의 중심에 가까울수록 증가하는 어드벤티지 가중치를, 대상 병변 영역 중 제2영역에 포함되는 픽셀에는 기준 병변 영역에서 멀어질수록 증가하는 페널티 가중치를 각각 적용하여 기준 병변 영역과 대상 병변 영역의 유사도를 판단하는 유사도 판단부를 포함할 수 있다.

Description

의료 영상의 병변 유사도 판단 장치 및 방법
의료 영상의 분석 기술에 관한 것으로, 특히, 의료 영상의 병변 유사도 판단 장치 및 방법에 관한 것이다.
컴퓨터 보조 진단(Computer Aided Diagnosis, 이하 CAD라 칭함) 시스템이란 초음파 영상과 같은 의료영상을 분석하고 그 분석 결과에 따라 의료영상에 이상 부위를 표시함으로써 의사(doctor)의 진단 업무에 도움을 주는 시스템을 말한다. 이러한 CAD 시스템은 사람의 식별능력의 한계로 인해 불가피하게 발생하던 진단의 불확실성을 줄여주고, 개별적 영상 판독에 따른 의사의 과중한 업무 역시 줄여줄 수 있는 장점이 있다.
한편, 의료영상 분석 및 컴퓨터 보조 진단 시스템에서 주로 사용되는 작업은 의료 영상에서 병변 영역을 정확하고 효율적으로 검출하는 작업이다. 이 작업을 위해 다양한 알고리즘들이 적용되고 있고, 이를 통해 검출된 병변 영역이 정확하게 검출되었는지 평가하는 척도로서 다른 기술 분야의 영상 처리나 데이터 분석 처리 시 주로 사용되는 알고리즘들이 사용되고 있으나, 이러한 척도는 의료영상의 특성을 반영하여 평가하는 척도라 보기는 힘들다.
의료 영상의 병변 유사도 판단 장치 및 방법을 제공하는 것을 목적으로 한다.
일 양상에 따른 병변 유사도 판단 장치는, 기준 병변 영역을 포함하는 기준 영상 및 대상 병변 영역을 포함하는 대상 영상을 입력 받는 영상 입력부와, 대상 병변 영역 중 제1영역에 포함되는 픽셀에는 기준 병변 영역의 중심에 가까울수록 증가하는 어드벤티지 가중치를, 대상 병변 영역 중 제2영역에 포함되는 픽셀에는 기준 병변 영역에서 멀어질수록 증가하는 페널티 가중치를 각각 적용하여 기준 병변 영역과 대상 병변 영역의 유사도를 판단하는 유사도 판단부를 포함할 수 있다.
여기서, 제1영역은 대상 병변 영역 중 기준 병변 영역에 포함되는 영역이고, 제2영역은 대상 병변 영역 중 기준 병변 영역에 포함되지 않는 영역일 수 있다.
여기서, 어드벤티지 가중치 및 페널티 가중치는 각각 지수적으로 또는 선형적으로 증가할 수 있다.
여기서, 유사도 판단부는, 기준 영상의 각 픽셀과 기준 병변 영역의 경계와의 최단 거리를 산출하고, 산출된 최단 거리를 기반으로 어드벤티지 가중치를 나타내는 제1거리맵 및 페널티 가중치를 나타내는 제2거리맵을 생성하는 거리맵 생성부와, 제1거리맵 및 제2거리맵을 이용하여 기준 병변 영역과 대상 병변 영역의 유사도를 산출하는 유사도 산출부를 포함할 수 있다.
또한, 유사도 판단부는, 기준 영상 및 대상 영상을 이진화하는 이진화부를 더 포함할 수 있다.
여기서, 이진화부는 기준 영상을 기준 병변 영역 내부의 각 픽셀은 1로, 기준 병변 영역 외부의 각 픽셀은 0으로 이진화 하고, 대상 영상을 대상 병변 영역 내부의 각 픽셀은 1로, 대상 병변 영역 외부의 각 픽셀은 0으로 이진화할 수 있다.
여기서, 유사도 산출부는,
Figure PCTKR2014005178-appb-I000001
를 이용하여 기준 병변 영역과 대상 병변 영역의 유사도를 산출하되, A는 이진화된 기준 영상을 나타내는 행렬, B는 이진화된 대상 영상을 나타내는 행렬, DM1은 제1거리맵을 나타내는 행렬, DM2는 제2거리맵을 나타내는 행렬일 수 있다.
다른 양상에 따른 병변 유사도 판단 방법은, 기준 병변 영역을 포함하는 기준 영상 및 대상 병변 영역을 포함하는 대상 영상을 입력 받는 단계와, 대상 병변 영역 중 제1영역에 포함되는 픽셀에는 기준 병변 영역의 중심에 가까울수록 증가하는 어드벤티지 가중치를, 대상 병변 영역 중 제2영역에 포함되는 픽셀에는 기준 병변 영역에서 멀어질수록 증가하는 페널티 가중치를 각각 적용하여 기준 병변 영역과 대상 병변 영역의 유사도를 판단하는 단계를 포함할 수 있다.
여기서, 제1영역은 대상 병변 영역 중 기준 병변 영역에 포함되는 영역이고, 제2영역은 대상 병변 영역 중 기준 병변 영역에 포함되지 않는 영역일 수 있다.
여기서, 어드벤티지 가중치 및 페널티 가중치는 각각 지수적으로 또는 선형적으로 증가할 수 있다.
여기서, 유사도를 판단하는 단계는, 기준 영상의 각 픽셀과 기준 병변 영역의 경계와의 최단 거리를 산출하고, 산출된 최단 거리를 기반으로 어드벤티지 가중치를 나타내는 제1거리맵 및 페널티 가중치를 나타내는 제2거리맵을 생성하는 단계와, 제1거리맵 및 제2거리맵을 이용하여 기준 병변 영역과 대상 병변 영역의 유사도를 산출하는 단계를 포함할 수 있다.
또한, 유사도를 판단하는 단계는, 기준 영상 및 대상 영상을 이진화하는 단계를 더 포함할 수 있다.
여기서, 이진화하는 단계는 기준 영상을 기준 병변 영역 내부의 각 픽셀은 1로, 기준 병변 영역 외부의 각 픽셀은 0으로 이진화 하고, 대상 영상을 대상 병변 영역 내부의 각 픽셀은 1로, 대상 병변 영역 외부의 각 픽셀은 0으로 이진화할 수 있다.
여기서, 유사도를 산출하는 단계는, 를 이용하여 기준 병변 영역과 대상 병변 영역의 유사도를 산출하되, A는 이진화된 기준 영상을 나타내는 행렬, B는 이진화된 대상 영상을 나타내는 행렬, DM1은 제1거리맵을 나타내는 행렬, DM2는 제2거리맵을 나타내는 행렬일 수 있다.
의료진이 검출한 병변 영역과 CAD 시스템이 검출한 병변 영역을 비교 평가할 때, 의료진이 검출한 병변의 중심으로 갈수록 높은 어드벤티지 가중치를 적용하고 의료진이 검출한 병변 영역으로부터 바깥으로 멀어질수록 패널티 가중치를 적용함으로써, 유사도 평가를 보다 정확하고 효과적으로 수행할 수 있다.
도 1은 일 실시 예에 따른 병변 유사도 판단 장치를 도시한 도면이다.
도 2는 도 1의 유사도 판단부(120)의 상세 구성도이다.
도 3는 일 실시 예에 따른 병변 유사도를 판단하는 방법의 기본적인 개념을 설명하기 위한 도면이다.
도 4은 일 실시 예에 따른 병변 유사도 판단 과정을 설명하기 위한 도면이다.
도 5는 일 실시 예에 따른 병변 유사도 판단 방법을 도시한 흐름도이다.
도 6은 도 5의 병변 유사도 판단 과정(520)의 상세 흐름도이다.
이하, 첨부된 도면을 참조하여 본 발명의 일 실시 예를 상세하게 설명한다. 본 발명을 설명함에 있어 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 또한, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도 1은 일 실시 예에 따른 병변 유사도 판단 장치를 도시한 도면이다.
도 1을 참조하면, 일 실시 예에 따른 병변 유사도 판단 장치(100)는 영상 입력부(110), 유사도 판단부(120) 및 알고리즘 수정부(130)를 포함할 수 있다.
영상 입력부(110)는 기준 영상 및 대상 영상을 입력 받을 수 있다. 이때, 기준 영상은 병변 유사도 판단의 기준이 되는 영상이며, 대상 영상은 기준 영상에 대하여 병변 유사도 판단 대상이 되는 영상을 의미한다. 일 실시 예에 따르면, 기준 영상은 의료 영상으로부터 의료진이 병변 영역을 검출한 영상일 수 있으며, 대상 영상은 동일한 의료 영상으로부터 CAD 시스템이 병변 영역을 검출한 영상일 수 있다. 그러나, 이에 한정되는 것은 아니다. 이하, 일 실시예에 따라 의료진이 검출한 병변 영역을 기준 병변 영역이라 하고, CAD 시스템이 검출한 병변 영역을 대상 병변 영역이라 칭하도록 한다.
한편, 영상 입력부(110)는 상술한 바와 같이, 기준 병변 영역을 포함하는 기준 영상 및 대상 병변 영역을 포함하는 대상 영상을 각각 별개로 입력 받을 수도 있으나, 기준 병변 영역 및 대상 병변 영역을 모두 포함하는 하나의 영상을 입력 받는 것도 가능하다.
유사도 판단부(120)는 대상 병변 영역을 기준 병변 영역에 포함되는 제1영역 및 기준 병변 영역에 포함되지 않는 제2영역으로 구분하고, 제1영역에 포함되는 각 픽셀에는 어드벤티지 가중치를 적용하고, 제2영역에 포함되는 각 픽셀에는 페널티 가중치를 적용하여, 기준 병변 영역과 대상 병변 영역의 유사도를 판단할 수 있다. 이때, 어드벤티지 가중치는 유사도를 증가시키는데 사용되는 가중치이며, 페널티 가중치는 유사도를 감소시키는데 사용되는 가중치이다.
일반적으로 동일한 의료 영상에 대하여 의료진이 검출한 병변 영역과 CAD 시스템이 검출한 병변 영역이 정확하게 일치할 수는 없다. 이때, 의료진이 검출한 병변 영역과 CAD 시스템이 검출한 병변 영역의 유사도를 판단하기 위해서, 유사도 판단부(120)는 의료진이 검출한 병변 영역인 기준 병변 영역과 CAD 시스템이 검출한 병변 영역인 대상 병변 영역을 비교하여, 대상 병변 영역을 기준 병변 영역에 포함되는 제1영역과 기준 병변 영역에 포함되지 않는 제2영역으로 구분할 수 있다. 또한, 유사도 판단부(120)는 제1영역 및 제2영역에 각각 서로 다른 성격의 가중치를 적용하여 기분 병변 영역과 대상 병변 영역의 유사도를 판단할 수 있다.
일 실시 예에 따르면, 제1영역의 각 픽셀에 적용되는 어드벤티지 가중치 및 제2영역의 각 픽셀에 적용되는 페널티 가중치는 각 픽셀과 기준 병변 영역의 경계와의 최단 거리가 증가함에 따라 증가할 수 있다. 즉, 제1영역의 각 픽셀은 기준 병변 영역의 경계와 멀어질수록, 즉, 기준 병변 영역의 중심에 가까울수록 더 큰 어드벤티지 가중치가 적용되고, 제2영역의 각 픽셀은 기준 병변 영역의 경계와 멀어질수록, 즉, 기준 병변 영역의 중심에서 멀어질수록 더 큰 페널티 가중치가 적용될 수 있다.
이때, 제1영역의 픽셀에 적용되는 어드벤티지 가중치 및 제2영역의 픽셀에 적용되는 페널티 가중치는 각각 각 픽셀과 기준 병변 영역의 경계와의 최단 거리에 따라 선형적으로 또는 지수적으로 증가할 수 있으나, 이에 한정되는 것은 아니다.
유사도 판단부(120)에 대한 자세한 설명은 도 2를 참조하여 후술하기로 한다.
알고리즘 수정부(130)는 유사도 판단 결과를 이용하여 대상 병변 영역을 검출한 병변 분할 알고리즘을 수정할 수 있다. 예를 들어, 알고리즘 수정부(130)는 유사도 판단 결과를 이용하여 대상 병변 영역을 검출한 병변 분할 알고리즘의 매개변수를 조절할 수 있다.
한편, 알고리즘 수정부(130)는 병변 유사도 판단 장치(100)의 필수 구성이 아니므로, 경우에 따라서는 알고리즘 수정부(130)는 생략 가능하다.
이하, 유사도 판단부(120)를 도 2를 참조하여 상세하게 설명한다.
도 2는 도 1의 유사도 판단부(120)의 상세 구성도이다.
도 2를 참조하면, 유사도 판단부(120)는 이진화부(210), 거리맵 생성부(220) 및 유사도 산출부(230)를 포함할 수 있다.
이진화부(210)는 영상 입력부(110)를 통해 입력된 기준 영상 및 대상 영상을 이진화할 수 있다. 일 실시예에 따르면, 이진화부(210)는 기준 영상을 기준 병변 영역 내부는 이진화값 1로, 기준 병변 영역 외부는 이진화값 0으로 이진화할 수 있다. 또한, 이진화부(210)는 대상 영상을 대상 병변 영역 내부는 이진화값 1로 대상 병변 영역 외부는 이진화값 0으로 이진화할 수 있다.
거리맵 생성부(220)는 이진화된 기준 영상을 이용하여 제1거리맵 및 제2거리맵을 생성할 수 있다. 이때, 제1거리맵은 제1영역의 각 픽셀에 적용될 어드벤티지 가중치를 나타내며, 제2거리맵은 제2영역의 각 픽셀에 적용될 페널티 가중치를 나타낼 수 있다.
일 실시예에 따르면, 거리맵 생성부(220)는 기준 영상의 각 픽셀과 기준 병변 영역의 경계와의 최단 거리를 산출하고, 산출된 값들을 기반으로 제1거리맵 및 제2 거리맵을 생성할 수 있다. 예를 들어, 거리맵 생성부(220)는 기준 병변 영역 내부의 각 픽셀과 기준 병변 영역의 경계와의 최단 거리를 기반으로 제1거리맵을 생성하고, 기준 병변 영역 외부의 각 픽셀과 기준 병변 영역의 경계와의 최단 거리를 기반으로 제2거리맵을 생성할 수 있다.
이때, 거리맵 생성부(132)는 각 픽셀과 기준 병변 영역의 경계와의 최단 거리에 따라 선형적으로 또는 지수적으로 증가하는 값을 갖도록 제1거리맵 및 제2거리맵을 생성하는 것도 가능하나, 이는 일례에 불과할 뿐 이에 한정되는 것은 아니다.
유사도 산출부(230)는 제1거리맵을 이용하여 제1영역 각 픽셀의 이진화값에는 어드벤티지 가중치를 적용하고, 제2거리맵을 이용하여 제2영역 각 픽셀의 이진화값에는 페널티 가중치를 적용하여 기준 병변 영역과 대상 병변 영역의 유사도를 산출할 수 있다.
일 실시예에 따르면, 유사도 산출부(230)는 수학식 1을 이용하여 기준 병변 영역에 대한 대상 병변 영역의 유사도를 산출할 수 있다.
수학식 1
Figure PCTKR2014005178-appb-M000001
여기서, A는 이진화된 기준 영상을 나타내는 행렬, B는 이진화된 대상 영상을 나타내는 행렬, DM1은 제1거리맵을 나타내는 행렬, DM2는 제2거리맵을 나타내는 행렬을 의미한다.
도 3은 일 실시 예에 따른 병변 유사도를 판단하는 방법의 기본적인 개념을 설명하기 위한 도면이다. 이때, 도 3은 기준 병변 영역의 경계와의 거리에 따라 지수적으로 증가하는 가중치의 일 예를 도시한다.
기준 병변 영역과 대상 병변 영역의 병변 유사도 판단 시 적용되는 가중치는 기준 병변 영역의 내부와 외부로 구분된다. 이때, 각 픽셀에 대한 가중치는 각 픽셀이 기준 병변 영역의 경계로부터 멀어질수록 증가한다.
도 3을 참조하면, 기준 병변 영역 내부의 경우, 기준 병변 영역의 중심 영역인 영역 1(301)은 가중치 8, 영역 2(302)는 가중치 4, 영역 3(303)은 가중치 2, 기준 병변 영역의 경계와 근접한 영역 4(304)는 가중치 1이 부여될 수 있다. 기준 병변 영역 외부의 경우, 기준 병변 영역의 경계와 근접한 영역 5(305)는 가중치 -4, 영역 6(306)는 가중치 -16이 부여될 수 있다. 이때, -는 패널티 가중치임을 의미한다.
이에 따르면, 대상 병변 영역이 기준 병변 영역의 중심부를 포함할수록 기준 병변 영역과의 유사도가 증가하는 반면, 대상 병변 영역이 기준 병변 영역의 경계로부터 멀리 떨어진 영역을 포함하거나 기준 병변 영역에 포함되지 않는 영역을 많이 포함할수록 기준 병변 영역과의 유사도가 감소하게 된다.
도 4는 일 실시 예에 따른 병변 유사도 판단 과정을 설명하기 위한 도면이다. 이때, 도 4는 설명의 편의를 위해 이진화 영상(430, 435, 450, 470) 및 거리맵(440, 460)을 행렬로 도시하였다.
도 1, 도 2 및 도 4을 참조하면, 영상 입력부(110)를 통해 사용자로부터 기준 영상(410) 및 대상 영상(420)을 입력 받으면, 이진화부(210)는 기준 영상(410)을 기준 병변 영역의 경계를 기준으로 기준 병변 영역 내부를 이진화값 1로, 기준 병변 영역 외부를 이진화값 0으로 이진화하여 이진화 영상 A(430)를 생성한다. 또한, 이진화부(210)는 대상 영상(420)을 대상 병변 영역의 경계를 기준으로 대상 병변 영역 내부를 이진화값 1로, 대상 병변 영역 외부를 이진화값 0으로 이진화하여 이진화 영상 B(450)를 생성한다.
거리맵 생성부(220)는 이진화 영상 A(430)를 기반으로 이진화 영상 A(430)의 각 픽셀과 기준 병변 영역의 경계와의 최단 거리에 따른 거리맵(440, 460)을 생성한다. 예를 들어, 거리맵 생성부(220)는 이진화 영상 A(430)의 이진화값을 반전하여 반전 영상(435)를 생성하고, 반전 영상(435)을 이용하여 제1거리맵 DM1(440)을 생성할 수 있다. 또한, 거리맵 생성부(220)는 이진화 영상 A(430)를 이용하여 제2거리맵 DM2(460)을 생성할 수 있다.
유사도 산출부(230)는 제1거리맵 DM1(440)을 이용하여 제1영역 각 픽셀의 이진화값에는 어드벤티지 가중치를 적용하고, 제2거리맵 MD2(460)를 이용하여 제2영역 각 픽셀의 이진화값에는 페널티 가중치를 적용하여 기준 병변 영역과 대상 병변 영역의 유사도를 산출할 수 있다.
예를 들어, 유사도 산출부(230)는 수학식 1을 이용하여 기준 병변 영역 및 대상 병변 영역의 병변 유사도를 산출할 수 있다.
한편, 도 4에서, 참조번호 470은 A|B의 결과를, 참조번호 480은 DM2.*(A|B)의 결과를 각각 나타낸다.
또한, 도 4는 거리맵 생성부(220)가 제1거리맵 DM1(440) 및 제2거리맵 DM2(460)를 개별적으로 생성하는 것으로 도시하였으나, 이에 한정되는 것은 아니며, 거리맵 생성부(220)가 제1거리맵 DM1(440) 및 제2거리맵 DM2(460)을 모두 포함하는 하나의 거리맵을 생성하는 것도 가능하다.
도 5는 일 실시 예에 따른 병변 유사도 판단 방법을 도시한 흐름도이다.
도 5를 참조하면, 일 실시 예에 따른 병변 유사도 판단 방법은 먼저, 기준 병변 영역을 포함하는 기준 영상 및 대상 병변 영역을 포함하는 대상 영상을 입력 받는다(510). 이때, 기준 영상 및 대상 영상을 각각 별개로 입력 받을 수도 있으나, 기준 병변 영역 및 대상 병변 영역을 모두 포함하는 하나의 영상을 입력 받는 것도 가능하다.
그 후, 대상 병변 영역을 기준 병변 영역에 포함되는 제1영역 및 기준 병변 영역에 포함되지 않는 제2영역으로 구분하여, 제1영역에 포함되는 각 픽셀에는 어드벤티지 가중치를 적용하고, 제2영역에 포함되는 각 픽셀에는 페널티 가중치를 적용하여, 기준 병변 영역과 대상 병변 영역의 유사도를 판단한다(520).
일 실시 예에 따르면, 제1영역의 각 픽셀에 적용되는 어드벤티지 가중치 및 제2영역의 각 픽셀에 적용되는 페널티 가중치는 각 픽셀과 기준 병변 영역의 경계와의 최단 거리가 증가함에 따라 증가할 수 있다. 즉, 제1영역의 각 픽셀은 기준 병변 영역의 경계와 멀어질수록, 즉, 기준 병변 영역의 중심에 가까울수록 더 큰 어드벤티지 가중치가 적용되고, 제2영역의 각 픽셀은 기준 병변 영역의 경계와 멀어질수록, 즉, 기준 병변 영역의 중심에서 멀어질수록 더 큰 페널티 가중치가 적용될 수 있다.
그 후, 유사도 판단 결과를 이용하여 대상 병변 영역을 검출한 병변 분할 알고리즘을 수정한다(530). 예를 들어, 변병 유사도 판단 장치(100)는 유사도 판단 결과를 이용하여 대상 병변 영역을 검출한 병변 분할 알고리즘의 매개변수를 조절할 수 있다.
도 6은 도 5의 병변 유사도 판단 과정(520)의 상세 흐름도이다.
도 6을 참조하면, 병변 유사도 판단 과정(520)은 기준 영상 및 대상 영상을 이진화한다(610). 예를 들어, 병변 유사도 판단 장치(100)는 기준 영상을 기준 병변 영역의 경계를 기준으로 기준 병변 영역 내부를 이진화값 1로, 기준 병변 영역 외부를 이진화값 0으로 이진화하고, 대상 영상을 대상 병변 영역의 경계를 기준으로 대상 병변 영역 내부를 이진화값 1로, 대상 병변 영역 외부를 이진화값 0으로 이진화할 수 있다.
그 후, 이진화된 기준 영상을 이용하여 제1거리맵 및 제2거리맵을 생성한다(620). 이때, 제1거리맵은 제1영역의 각 픽셀에 적용될 어드벤티지 가중치를 나타내며, 제2거리맵은 제2 영역의 각 픽셀에 적용될 페널티 가중치를 나타낼 수 있다. 예를 들어, 병변 유사도 판단 장치(100)는 기준 영상의 각 픽셀과 기준 병변 영역의 경계와의 최단 거리를 산출하고, 산출된 값들을 기반으로 제1거리맵 및 제2거리맵을 생성할 수 있다.
그 후, 제1거리맵을 이용하여 제1영역 각 픽셀의 이진화값에는 어드벤티지 가중치를 적용하고, 제2거리맵을 이용하여 제2영역 각 픽셀의 이진화값에는 페널티 가중치를 적용하여 기준 병변 영역과 대상 병변 영역의 유사도를 산출할 수 있다(630). 예를 들어, 병변 유사도 판단 장치(100)는 수학식 1을 이용하여 기준 병변 영역에 대한 대상 병변 영역의 유사도를 산출할 수 있다.
본 발명의 일 양상은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수 있다. 상기의 프로그램을 구현하는 코드들 및 코드 세그먼트들은 당해 분야의 컴퓨터 프로그래머에 의하여 용이하게 추론될 수 있다. 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함할 수 있다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 디스크 등을 포함할 수 있다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드로 작성되고 실행될 수 있다.
이제까지 본 발명에 대하여 그 바람직한 실시 예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 따라서, 본 발명의 범위는 전술한 실시 예에 한정되지 않고 특허 청구범위에 기재된 내용과 동등한 범위 내에 있는 다양한 실시 형태가 포함되도록 해석되어야 할 것이다.

Claims (14)

  1. 기준 병변 영역을 포함하는 기준 영상 및 대상 병변 영역을 포함하는 대상 영상을 입력 받는 영상 입력부; 및
    상기 대상 병변 영역 중 제1영역에 포함되는 픽셀에는 상기 기준 병변 영역의 중심에 가까울수록 증가하는 어드벤티지 가중치를, 상기 대상 병변 영역 중 제2영역에 포함되는 픽셀에는 상기 기준 병변 영역에서 멀어질수록 증가하는 페널티 가중치를 각각 적용하여 상기 기준 병변 영역과 상기 대상 병변 영역의 유사도를 판단하는 유사도 판단부; 를 포함하는 병변 유사도 판단 장치.
  2. 제1항에 있어서,
    상기 제1영역은 상기 대상 병변 영역 중 상기 기준 병변 영역에 포함되는 영역이고, 상기 제2영역은 상기 대상 병변 영역 중 상기 기준 병변 영역에 포함되지 않는 영역인 병변 유사도 판단 장치.
  3. 제1항에 있어서,
    상기 어드벤티지 가중치 및 상기 페널티 가중치는 각각 지수적으로 또는 선형적으로 증가하는 병변 유사도 판단 장치.
  4. 제1항에 있어서,
    상기 유사도 판단부는,
    상기 기준 영상의 각 픽셀과 상기 기준 병변 영역의 경계와의 최단 거리를 산출하고, 산출된 최단 거리를 기반으로 상기 어드벤티지 가중치를 나타내는 제1거리맵 및 상기 페널티 가중치를 나타내는 제2거리맵을 생성하는 거리맵 생성부; 및
    상기 제1거리맵 및 상기 제2거리맵을 이용하여 상기 기준 병변 영역과 상기 대상 병변 영역의 유사도를 산출하는 유사도 산출부; 를 포함하는 병변 유사도 판단 장치.
  5. 제4항에 있어서,
    상기 유사도 판단부는,
    상기 기준 영상 및 상기 대상 영상을 이진화하는 이진화부; 를 더 포함하는 병변 유사도 판단 장치.
  6. 제5항에 있어서,
    상기 이진화부는 상기 기준 영상을 기준 병변 영역 내부의 각 픽셀은 1로, 기준 병변 영역 외부의 각 픽셀은 0으로 이진화 하고, 상기 대상 영상을 대상 병변 영역 내부의 각 픽셀은 1로, 대상 병변 영역 외부의 각 픽셀은 0으로 이진화하는 병변 유사도 판단 장치.
  7. 제5항에 있어서,
    상기 유사도 산출부는,
    Figure PCTKR2014005178-appb-I000003
    를 이용하여 상기 기준 병변 영역과 상기 대상 병변 영역의 유사도를 산출하되,
    A는 이진화된 기준 영상을 나타내는 행렬, B는 이진화된 대상 영상을 나타내는 행렬, DM1은 제1거리맵을 나타내는 행렬, DM2는 제2거리맵을 나타내는 행렬인 병변 유사도 판단 장치.
  8. 기준 병변 영역을 포함하는 기준 영상 및 대상 병변 영역을 포함하는 대상 영상을 입력 받는 단계; 및
    상기 대상 병변 영역 중 제1영역에 포함되는 픽셀에는 상기 기준 병변 영역의 중심에 가까울수록 증가하는 어드벤티지 가중치를, 상기 대상 병변 영역 중 제2영역에 포함되는 픽셀에는 상기 기준 병변 영역에서 멀어질수록 증가하는 페널티 가중치를 각각 적용하여 상기 기준 병변 영역과 상기 대상 병변 영역의 유사도를 판단하는 단계; 를 포함하는 병변 유사도 판단 방법.
  9. 제8항에 있어서,
    상기 제1영역은 상기 대상 병변 영역 중 상기 기준 병변 영역에 포함되는 영역이고, 상기 제2영역은 상기 대상 병변 영역 중 상기 기준 병변 영역에 포함되지 않는 영역인 병변 유사도 판단 방법.
  10. 제8항에 있어서,
    상기 어드벤티지 가중치 및 상기 페널티 가중치는 각각 지수적으로 또는 선형적으로 증가하는 병변 유사도 판단 방법.
  11. 제8항에 있어서,
    상기 유사도를 판단하는 단계는,
    상기 기준 영상의 각 픽셀과 상기 기준 병변 영역의 경계와의 최단 거리를 산출하고, 산출된 최단 거리를 기반으로 상기 어드벤티지 가중치를 나타내는 제1거리맵 및 상기 페널티 가중치를 나타내는 제2거리맵을 생성하는 단계; 및
    상기 제1거리맵 및 상기 제2거리맵을 이용하여 상기 기준 병변 영역과 상기 대상 병변 영역의 유사도를 산출하는 단계; 를 포함하는 병변 유사도 판단 방법.
  12. 제11항에 있어서,
    상기 유사도를 판단하는 단계는,
    상기 기준 영상 및 상기 대상 영상을 이진화하는 단계; 를 더 포함하는 병변 유사도 판단 방법.
  13. 제12항에 있어서,
    상기 이진화하는 단계는 상기 기준 영상을 기준 병변 영역 내부의 각 픽셀은 1로, 기준 병변 영역 외부의 각 픽셀은 0으로 이진화 하고, 상기 대상 영상을 대상 병변 영역 내부의 각 픽셀은 1로, 대상 병변 영역 외부의 각 픽셀은 0으로 이진화하는 병변 유사도 판단 방법.
  14. 제12항에 있어서,
    상기 유사도를 산출하는 단계는,
    Figure PCTKR2014005178-appb-I000004
    를 이용하여 상기 기준 병변 영역과 상기 대상 병변 영역의 유사도를 산출하되,
    A는 이진화된 기준 영상을 나타내는 행렬, B는 이진화된 대상 영상을 나타내는 행렬, DM1은 제1거리맵을 나타내는 행렬, DM2는 제2거리맵을 나타내는 행렬인 병변 유사도 판단 방법.
PCT/KR2014/005178 2013-12-27 2014-06-12 의료 영상의 병변 유사도 판단 장치 및 방법 WO2015099249A1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
EP14873723.2A EP3089107B1 (en) 2013-12-27 2014-06-12 Computer program product and method for determining lesion similarity of medical image
US15/103,684 US10296810B2 (en) 2013-12-27 2014-06-12 Apparatus and method for determining lesion similarity of medical image

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2013-0166118 2013-12-27
KR1020130166118A KR20150077184A (ko) 2013-12-27 2013-12-27 의료 영상의 병변 유사도 판단 장치 및 방법

Publications (1)

Publication Number Publication Date
WO2015099249A1 true WO2015099249A1 (ko) 2015-07-02

Family

ID=53479078

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2014/005178 WO2015099249A1 (ko) 2013-12-27 2014-06-12 의료 영상의 병변 유사도 판단 장치 및 방법

Country Status (4)

Country Link
US (1) US10296810B2 (ko)
EP (1) EP3089107B1 (ko)
KR (1) KR20150077184A (ko)
WO (1) WO2015099249A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106296641A (zh) * 2015-06-10 2017-01-04 苏州鹰眼信息技术有限公司 一种视觉传感方法及视觉传感器

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6099592B2 (ja) * 2014-03-27 2017-03-22 富士フイルム株式会社 類似症例検索装置及び類似症例検索プログラム
FR3039910B1 (fr) * 2015-08-04 2018-08-24 Université Grenoble Alpes Dispositif et procede de detection automatique d'un outil chirurgical sur une image fournie par un systeme d'imagerie medicale
KR102043672B1 (ko) * 2019-03-29 2019-11-12 주식회사 딥노이드 딥러닝 기반의 병변 판독 시스템 및 방법
JP7410970B2 (ja) * 2019-04-18 2024-01-10 セント・ジュード・メディカル，カーディオロジー・ディヴィジョン，インコーポレイテッド 心臓マッピングのためのシステム及び方法
KR102231698B1 (ko) 2020-06-15 2021-03-24 주식회사 루닛 정상 의료 영상을 필터링하는 방법, 이를 이용한 의료 영상 판독 방법 및 컴퓨팅 장치

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002082988A2 (en) * 2001-04-16 2002-10-24 The Johns Hopkins University Method for imaging and spectroscopy of tumors and determination of the efficacy of anti-tumor drug therapies
US8081822B1 (en) * 2005-05-31 2011-12-20 Intellectual Ventures Holding 67 Llc System and method for sensing a feature of an object in an interactive video display
US20120022381A1 (en) * 2000-10-30 2012-01-26 The General Hospital Corporation Methods and Systems for Tissue Analysis
WO2012099314A1 (ko) * 2011-01-19 2012-07-26 한국전기연구원 병변 진단 장치 및 방법
WO2012153904A1 (ko) * 2011-05-09 2012-11-15 한국과학기술원 초음파 영상을 이용한 운동상태의 장기 및 병변 위치추정시스템 및 위치추정방법과, 그 방법을 수행하는 명령어를 포함하는 컴퓨터 판독가능 기록매체

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6901156B2 (en) * 2000-02-04 2005-05-31 Arch Development Corporation Method, system and computer readable medium for an intelligent search workstation for computer assisted interpretation of medical images
EP1820855A4 (en) 2004-09-03 2010-05-12 Amateraspharma Inc MONOCLONAL ANTI-HISTON-H1 ANTIBODY AND ITS MANUFACTURE OF HYBRIDOMA
IES20060564A2 (en) 2006-05-03 2006-11-01 Fotonation Vision Ltd Improved foreground / background separation
GB0611774D0 (en) 2006-06-14 2006-07-26 Univ London Automatic quantification of changes in images
US7814107B1 (en) 2007-05-25 2010-10-12 Amazon Technologies, Inc. Generating similarity scores for matching non-identical data strings
KR101015369B1 (ko) 2007-07-23 2011-02-22 고려대학교 산학협력단 영상분석을 이용한 악성흑색종 진단 시스템
JP5538861B2 (ja) * 2009-12-18 2014-07-02 キヤノン株式会社 情報処理装置、情報処理方法、情報処理システム、及びプログラム
US8620930B2 (en) 2010-03-11 2013-12-31 Yahoo! Inc. Method and system for determining similarity score
KR101112056B1 (ko) 2010-10-18 2012-02-24 엘지이노텍 주식회사 카메라 모듈의 이미지 처리 방법
US9058647B2 (en) * 2012-01-16 2015-06-16 Canon Kabushiki Kaisha Information processing apparatus, information processing method, and storage medium
JP5995449B2 (ja) * 2012-01-24 2016-09-21 キヤノン株式会社 情報処理装置及びその制御方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120022381A1 (en) * 2000-10-30 2012-01-26 The General Hospital Corporation Methods and Systems for Tissue Analysis
WO2002082988A2 (en) * 2001-04-16 2002-10-24 The Johns Hopkins University Method for imaging and spectroscopy of tumors and determination of the efficacy of anti-tumor drug therapies
US8081822B1 (en) * 2005-05-31 2011-12-20 Intellectual Ventures Holding 67 Llc System and method for sensing a feature of an object in an interactive video display
WO2012099314A1 (ko) * 2011-01-19 2012-07-26 한국전기연구원 병변 진단 장치 및 방법
WO2012153904A1 (ko) * 2011-05-09 2012-11-15 한국과학기술원 초음파 영상을 이용한 운동상태의 장기 및 병변 위치추정시스템 및 위치추정방법과, 그 방법을 수행하는 명령어를 포함하는 컴퓨터 판독가능 기록매체

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3089107A4 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106296641A (zh) * 2015-06-10 2017-01-04 苏州鹰眼信息技术有限公司 一种视觉传感方法及视觉传感器

Also Published As

Publication number Publication date
EP3089107A1 (en) 2016-11-02
EP3089107B1 (en) 2018-08-29
EP3089107A4 (en) 2017-08-16
US20160314375A1 (en) 2016-10-27
US10296810B2 (en) 2019-05-21
KR20150077184A (ko) 2015-07-07

Similar Documents

Publication Publication Date Title
WO2015099249A1 (ko) 의료 영상의 병변 유사도 판단 장치 및 방법
WO2016003191A1 (ko) Ｏｃｒ를 기반으로 지도 이미지를 인식하는 시스템과 방법, 그리고 기록 매체 및 파일 배포 시스템
WO2014148806A1 (ko) 3차원 의료 영상에서 랜드마크들의 자동 등록을 위한 장치 및 방법
US8311296B2 (en) Voting in mammography processing
WO2016175501A1 (ko) 걸음 인지 시스템 및 그 방법, 그리고 이 방법을 처리하는 프로그램이 기록된 저장 매체
WO2017155158A1 (ko) 피부결 블랍을 기초로한 피부결 평가 장치 및 그 방법
WO2016204402A1 (ko) 부품 결함 검사 방법 및 그 장치
WO2019172498A1 (ko) 종양의 악성도와 악성도 추론의 근거를 제공하는 컴퓨터 보조 진단 시스템 및 그 방법
WO2011126308A2 (en) System and method processing images in multi-energy x-ray system
WO2022228252A1 (zh) 人体行为检测方法、装置、电子设备以及存储介质
WO2016186236A1 (ko) 3차원 오브젝트의 색상 처리 시스템 및 방법
WO2014035103A1 (ko) 촬영영상으로부터 객체를 감시하기 위한 장치 및 방법
WO2019143179A1 (ko) 동일 피사체에 대하여 시간 간격을 두고 촬영된 영상 간에 동일 관심구역을 자동으로 검출하는 방법 및 이를 이용한 장치
CN110728673A (zh) 一种目标部位分析方法、装置、计算机设备及存储介质
JP6819445B2 (ja) 情報処理装置、制御方法、及びプログラム
Ghomi et al. Segmentation of COVID-19 pneumonia lesions: A deep learning approach
WO2020111333A1 (ko) 영상 화질 개선 시스템 및 그 방법
JP6786015B1 (ja) 動作分析システムおよび動作分析プログラム
WO2014061868A1 (ko) 대상체의 동적 변화 산출 장치 및 방법
KR20110139864A (ko) 얼굴 검출 방법 및 시스템
WO2019164277A1 (ko) 수술영상을 이용한 출혈 평가 방법 및 장치
WO2015137542A1 (ko) 의료진단을 위한 의료영상 처리장치 및 그 방법
WO2014204126A2 (ko) 3차원 초음파 촬영장치 및 그 운영방법
WO2018131729A1 (ko) 단일 카메라를 이용한 영상에서 움직이는 객체 검출 방법 및 시스템
WO2012077909A2 (ko) 근전도 센서와 자이로 센서를 이용한 지화 인식 방법 및 장치

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 14873723

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 15103684

Country of ref document: US

REEP Request for entry into the european phase

Ref document number: 2014873723

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 2014873723

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE