WO2019098399A1 - Bone mineral density estimation method and apparatus using same - Google Patents

Bone mineral density estimation method and apparatus using same Download PDF

Info

Publication number
WO2019098399A1
WO2019098399A1 PCT/KR2017/012911 KR2017012911W WO2019098399A1 WO 2019098399 A1 WO2019098399 A1 WO 2019098399A1 KR 2017012911 W KR2017012911 W KR 2017012911W WO 2019098399 A1 WO2019098399 A1 WO 2019098399A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
bone
bone density
learning
processor
Prior art date
Application number
PCT/KR2017/012911
Other languages
French (fr)
Korean (ko)
Inventor
박마이클용
김상기
김현준
정규환
이예하
Original Assignee
주식회사 뷰노
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 뷰노 filed Critical 주식회사 뷰노
Priority to PCT/KR2017/012911 priority Critical patent/WO2019098399A1/en
Publication of WO2019098399A1 publication Critical patent/WO2019098399A1/en

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
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • 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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N99/00—Subject matter not provided for in other groups of this subclass

Definitions

  • the present invention relates to a method for estimating bone density and an apparatus using the same. More particularly, the present invention relates to a method of estimating a bone density based on an image obtained by a computed tomography (CT) and an apparatus using the same.
  • CT computed tomography
  • Osteoporosis is a skeletal disorder in which the strength of the bones is weakened and fractures are easily broken even at a slight impact.
  • the causes of osteoporosis include aging, drugs, hormone deprivation, and lifestyle habits.
  • bone density is used to measure the amount of bone.
  • the World Health Organization (WHO) provides criteria for the diagnosis of osteoporosis based on differences in the mean age of healthy young adults from the same sex.
  • Osteoporosis has few symptoms of its own. Therefore, there is a problem that the bone is broken and discovered after the disease progresses without early diagnosis or treatment. There is a need to prevent premature osteoporosis and fracture or vertebral deformity through treatment. However, there is a problem in that patients are not aware of osteoporosis and can not find it if they do not receive bone density test separately.
  • the conventional technique of predicting the bone density using the noise of the image has a problem that the noise can be changed according to the kind of the CT device or the X-ray irradiation amount at the time of photographing, and the accurate bone density prediction result can not be obtained.
  • Bone Density Diagnosis Device Using Distributed Image Noise of Medical Image and Method of Providing Diagnostic Information of Bone Mineral Density (Korean Patent No. 10-1587720)
  • the present invention has been proposed in order to solve the above problems.
  • the present invention provides a method and an apparatus for accurately estimating a bone density using a CT image without a patient performing a bone density test separately.
  • a method of estimating a bone density using a computed tomography (CT) image comprising: And a processor coupled to the input unit, the method comprising: an input step of the input unit of the BMD estimating apparatus obtaining the CT image; and a processor of the BMD estimating apparatus, And an analysis step of generating a bone density estimate for the patient based on a deep learning algorithm.
  • CT computed tomography
  • the deep learning algorithm executed by the processor includes a plurality of synthesis layers in which learning of optimized features for the estimation of bone density is performed, The learning can be performed using the corresponding bone density test value.
  • the method may further include the step of the processor of the bone mineral density estimating apparatus calculating the risk of osteoporosis based on the bone mineral density estimated value and at least one of the patient's race, sex, weight, and age.
  • the method may further include the step of calculating the risk of osteoporosis based on the bone mineral density estimated value and at least one of race, gender, body weight, and age of the patient, and calculating the risk of osteoporosis And transmitting the report data to at least one of a Picture Archiving and Communication System (PACS), an Electronic Medical Record (EMR), and a Web inquiry system.
  • PACS Picture Archiving and Communication System
  • EMR Electronic Medical Record
  • the analysis step may include a step of determining an analysis target image to be used for generating a bone density estimation value from the CT image, wherein the analysis target image includes a preset formula for selecting an image including a bone part, Lt; / RTI > can be determined by an algorithm that recognizes the shape of the object.
  • the deep learning algorithm may be performed by analyzing a correlation between a selected part of the CT images for learning and a corresponding part of the bone density value, And the accuracy of the deep learning algorithm can be determined by comparing the bone density estimated value with the bone density test value corresponding to the remaining image.
  • the deep learning algorithm can perform learning using a modulated image generated by modulating the CT image for learning.
  • the inputting step may further include the step of the BMD estimating apparatus receiving the CT image from the DICOM server.
  • the inputting step may include receiving a CT image from a DICOM server by a Picture Archiving and Communication System (PACS), transmitting a request signal for the CT image to the PACS, Receiving the CT image according to the request signal from the PACS.
  • PACS Picture Archiving and Communication System
  • an apparatus for estimating a bone density using a computed tomography (CT) image includes an input unit for acquiring the CT image, and an input unit for acquiring the bone density And a processor for generating an estimate based on a Deep Learning algorithm.
  • CT computed tomography
  • the deep learning algorithm includes a plurality of synthesis layers (conv. Layers) in which learning of an optimized feature is performed for estimating the bone density, and the deep learning algorithm includes a learning CT image and a bone density test value corresponding to the learning CT image Learning can be carried out using the above.
  • the processor may also calculate the risk of osteoporosis based on the bone mineral density estimate and at least one of the patient's race, gender, weight, and age.
  • the processor may calculate the risk of osteoporosis based on the bone mineral density estimated value and at least one of race, gender, body weight, and age of the patient, and generate report data using the bone density estimated value or the risk of osteoporosis And a communication unit for transmitting the report data to at least one of a Picture Archiving and Communication System (PACS), an Electronic Medical Record (EMR), and a Web inquiry system.
  • PACS Picture Archiving and Communication System
  • EMR Electronic Medical Record
  • Web inquiry system a Web inquiry system
  • the processor may determine an analysis target image to be used for generating a bone density estimation value from the CT image, and the analysis target image may include a predetermined formula for selecting an image including a bone part, Lt; / RTI >
  • the deep learning algorithm may be performed by analyzing a correlation between a selected part of the CT images for learning and a corresponding part of the bone density value, And the accuracy of the deep learning algorithm can be determined by comparing the bone density estimated value with the bone density test value corresponding to the remaining image.
  • the deep learning algorithm can perform learning using a modulated image generated by modulating the CT image for learning.
  • the apparatus may further include a communication unit for receiving the CT image from the DICOM server.
  • the apparatus may further include a communication unit for transmitting a request signal for the CT image to the PACS and receiving the CT image according to the request signal from the PACS.
  • the method and apparatus for estimating a bone density according to an embodiment of the present invention have an effect of accurately predicting a bone density using a CT image even if a patient does not perform a bone density test separately.
  • an optimal image for predicting the bone density is selected and the bone density can be predicted quickly and conveniently.
  • more accurate bone density prediction can be performed by using the deep learning algorithm.
  • 1 and 2 are flowcharts of a method of estimating a bone density according to an embodiment of the present invention.
  • FIGS. 3 to 4 are reference views showing a step of determining an analysis object image according to an embodiment of the present invention.
  • FIG. 5 is a flowchart illustrating a part of the operation of the deep learning algorithm according to an embodiment of the present invention.
  • FIG. 6 is a reference diagram showing a CNN (Convolution Neural Network) of a deep learning algorithm according to an embodiment of the present invention.
  • CNN Convolution Neural Network
  • FIG. 7 is a flowchart illustrating a part of the operation of the deep learning algorithm according to an embodiment of the present invention.
  • FIG. 8 is a block diagram briefly showing a configuration of a bone mineral density estimating apparatus according to an embodiment of the present invention.
  • 9 to 10 are reference views showing an example of a data flow in an apparatus and method for estimating a bone mineral density according to an embodiment of the present invention.
  • first, second, etc. may be used to describe various elements, but the elements should not be limited by the terms.
  • the terms may be named for the purpose of distinguishing one element from another, for example, without departing from the scope of the right according to the concept of the present invention, the first element may be referred to as a second element,
  • the component may also be referred to as a first component.
  • FIG. 1 is a flowchart of a method of estimating a bone density according to an embodiment of the present invention.
  • the BMD estimation apparatus can acquire a CT image (S110).
  • the CT image means an image taken from a CT (Computed Tomography) apparatus. It may be an image taken for the examination of other diseases, not for the image taken for the bone density test.
  • the CT image according to an embodiment of the present invention may be an image directly received from a CT device or an image received directly from a DICOM server.
  • the PACS may have received a CT image from the DICOM server.
  • the BMD estimating apparatus transmits a request signal for the CT image to the PACS
  • the PACS transmits the CT image according to the request signal to the BMD estimating apparatus, so that the BMD estimating apparatus can receive the CT image.
  • the CT image used in the method of estimating a bone density may be an image including a bone part such as a lumbar region or a thigh.
  • a bone part such as a lumbar region or a thigh.
  • the CT image of the abdomen is used, since the lumbar region is included in the CT image, it can be used in the method of estimating the bone density of the present invention.
  • the method of estimating the bone mineral density according to the embodiment of the present invention can be applied as long as the images include only the part of the bone.
  • the BMD estimating apparatus can generate a BMD estimation value for a patient to be a target of the CT image based on the deep learning algorithm (S120).
  • the deep learning algorithm is a method of estimating a bone density using a CT image, in which a plurality of data are collected and used as key features for directly estimating a bone density,
  • the artificial intelligence that learns by itself.
  • the model used in this deep learning algorithm can be briefly described as a stack of artificial neural networks. In other words, it is expressed as a deep neural network (deep neural network) in the sense of a network of deep structure. By learning a large amount of data in a structure composed of a multi-layer network, the characteristics of each image are automatically learned, It is a type that learns the network in a way that minimizes the error of the objective function.
  • the deep learning algorithm can use, for example, a CNN (Convolution Neural Network) based regression model.
  • This CNN is a model suitable for classification of images, especially two-dimensional images. It is composed of a convolution layer which creates feature maps by using a plurality of filters, By repeating the sub-sampling layer to extract features that are invariant to changes in rotation, it is possible to extract various levels of features from low-level features such as points, lines, and surfaces to complex and meaningful high-level features , And using the finally extracted feature as an input value of the existing classification model, it is possible to construct a classification model with higher accuracy.
  • a CNN Convolution Neural Network
  • the risk of osteoporosis can be calculated (S130).
  • the risk of osteoporosis according to one embodiment of the present invention can be calculated based on at least one of the race, sex, weight, and age of the patient, which is the object of the bone density estimation value and the corresponding bone density estimation value.
  • the risk of osteoporosis may mean the degree of risk of osteoporosis, the current status of osteoporosis, or the progress of osteoporosis.
  • the risk of osteoporosis can be a T-value, a Z-value, etc. generally used in determining osteoporosis.
  • the T-value is the standard deviation from the mean BMD of the young adult population in the same gender, which means a difference from healthy adults.
  • the Z-value means the difference from the mean value of bone mineral density of the same age group.
  • the race, gender, weight, and age of the patient may be data entered together at the time of CT image acquisition or data entered at the PACS. Whether or not osteoporosis is recognized can be determined according to a predetermined calculation formula or a value selected by a doctor or the like manager, and the criterion of judgment can be adjusted.
  • the BMD estimation apparatus can generate the report data (S140).
  • the report data refers to data processed by using the bone mineral density estimation value or the risk of osteoporosis obtained through the above-mentioned process, and this means meaningful information to a doctor or a patient.
  • a graph or a report showing the position of the patient in the distribution of bone density of a yellow female young woman can be given.
  • reporting data may include a bone density estimate or a value of the risk itself of osteoporosis.
  • the bone mineral density estimating apparatus may transmit the report data to at least one of PACS, EMR (Electronic Medical Record), and Web inquiry system (S150).
  • the web inquiry system can refer to a system in which a computer or a terminal device can inquire necessary information through an online connection and confirm or download the inquired information.
  • the present invention may refer to a web inquiry system used in the field related to medical records.
  • the doctor or the patient can confirm the above-described report data through the conventional PACS, EMR or web inquiry system which is conventionally used. Therefore, it is possible to confirm the results of the risk of osteoporosis by performing CT scan by examining other diseases even if bone density is not separately measured.
  • the physician or patient can check the reporting data and decide whether to proceed with additional bone density testing.
  • data can be sent together with EMR and Web inquiry systems to enable viewing, querying and statistics.
  • FIG. 2 is a flowchart illustrating a process of determining an analysis target image for generating a bone density estimation value in the method of estimating a bone density according to an embodiment of the present invention.
  • FIGS. 3 to 4 are reference views showing a step of determining an analysis object image according to an embodiment of the present invention.
  • a process of determining an analysis target image will be described with reference to FIG. 2 to FIG.
  • An analysis object image refers to an image used for bone density estimation from among the CT images acquired by the bone density estimation apparatus.
  • the lumbar or femur may be an image.
  • an image more suitable for the bone density estimation can be the analysis target image.
  • the analysis target image is not selected by an expert such as a doctor, but is automatically determined from among all the CT images stored after imaging, thereby making it possible to generate the bone density estimation value more quickly and efficiently.
  • Step S210 is the same as step S110 in FIG.
  • the BMD estimation apparatus can determine the analysis target image (S220). Through the process of S220, among the 37 obtained abdominal CT images 31 as shown in Fig. 3, five images in which the lumbar spine is well-revealed can be determined as the analysis subject images 32. Fig.
  • the method of determining the image to be analyzed can be determined by a preset formula.
  • the predetermined formula may be designed to empirically select an image containing a bone part of the CT image. For example, when the obtained original CT image is N sheets and five analysis target images are determined, the following equation can be used.
  • the method of determining the image to be analyzed may be performed by an algorithm for recognizing the shape of the bone part. For example, in the case of the abdominal CT image, the image in which the shape of the most important part of the lumbar spine is most appropriately recognized can be recognized and determined as the analysis target image.
  • the algorithm for recognizing the shape of the bone part may be performed by a deep learning algorithm or by a separate image recognition algorithm.
  • a CNN-based model can be used to recognize the shape of the bone part.
  • the bone density estimation device can receive the analysis target image determination signal from a doctor or the like (not shown).
  • the analysis target image signal means a signal indicating that the analysis target image is to be used for establishing or approving the use of the bone density estimation value.
  • the analysis target image determination signal may be a signal input by a physician or the like.
  • the doctor can confirm whether the image to be analyzed is properly determined, and an opportunity to finally determine the image is provided.
  • the doctor or other specialist can perform the correction work such as replacing the analysis target image with another image without inputting the determination target image signal.
  • the bone density estimation apparatus can adjust the analysis target image (S230).
  • the deep learning algorithm receives the formatted data, it may be necessary to generate the formatted data. Therefore, you can adjust the size if different sizes are used for different CT devices or shooting options, or you can trim the image so that the bone part is located at the center of the image to be analyzed.
  • the image to be analyzed 41 is an image having a size of 512 (h) * 512 (w) * 5 (c) (w) * 5 (c).
  • FIG. 5 is a flowchart illustrating a part of the operation of the deep learning algorithm according to an embodiment of the present invention.
  • the deep learning algorithm may acquire a bone density test value corresponding to the learning CT image and the learning CT image (S510).
  • the learning CT image is a CT image used for learning a deep learning algorithm, and the shape of the image itself may be the same as the CT image described above. Also, the CT image described above may be used as a learning CT image.
  • the bone density test value may mean a bone density measurement value obtained by a generally performed bone density testing method.
  • Typical bone mineral density (BMD) tests include dual energy X-ray absorptiometry (DXA), ultrasound, and quantitative computed tomography (CT). DXA is the method used in most hospitals.
  • the corresponding bone density test value of the learning CT image may mean a bone density test value in a period adjacent to the date when the CT image is taken by the patient who is the subject of the learning CT image.
  • the adjacent period can be around a certain period based on the CT imaging date. For example, it may be a bone density test value about one month after the CT image is taken.
  • the data of the CT image and CT image taken and the results of the bone density test of adjacent seals can be seen as one data.
  • the accuracy of the estimated bone density can be increased.
  • the deep learning algorithm can perform the learning by analyzing the correlation between the learning CT image and the corresponding bone density test value (S520). Deep learning algorithms can find and learn the most optimized features for bone density estimation by themselves. In addition, the principle of determining the analysis target image described above can be similarly applied to the learning CT image.
  • the deep learning algorithm may perform learning for a selected part of the CT images for learning and determine the accuracy of the deep learning algorithm for the remaining unselected CT images.
  • 90% of the learning CT images can be used for learning of the deep learning algorithm, and the remaining 10% of the learning CT images can be used for accuracy determination.
  • the selection of images can be made randomly.
  • the method of determining the accuracy can be performed by generating a bone density estimation value for the remaining non-selected images, and comparing the bone density test values corresponding to the selected images to determine how much the difference has occurred.
  • the bone density estimation value can be generated through the deep learning algorithm, and the bone density estimation value and accuracy can be determined.
  • FIG. 6 is a reference diagram showing a CNN (Convolution Neural Network) of a deep learning algorithm according to an embodiment of the present invention.
  • CNN Convolution Neural Network
  • a learning process and a bone density estimation value generation process for generating a bone density estimation value approximating a bone density test value by the deep learning algorithm can be performed by CNN.
  • Deep learning algorithms can be performed by CNN to extract key features for bone density estimation in CT images.
  • FIG. 7 is a flowchart illustrating a part of the operation of the deep learning algorithm according to an embodiment of the present invention.
  • the deep learning algorithm can acquire a learning CT image (S710).
  • the process of step S710 may be the same as that of step S510. That is, it is possible to obtain the bone density test value corresponding to the learning CT image.
  • the deep learning algorithm can generate a modulated image by modulating the CT image for learning (S720).
  • the modulated image according to an exemplary embodiment of the present invention may be an image obtained by artificially modifying or modulating a CT image for learning.
  • As a method of generating a modulated image it is possible to change the size or angle of the CT image for learning or insert noise.
  • Deep learning algorithms can generate modulated images for various learning CT images in various ways.
  • the deep learning algorithm can perform learning using the modulated image (S730).
  • the method of performing the learning in step S730 may be the same as the learning method described above.
  • the depth learning algorithm extracts the key features for bone density estimation from the CT image, and extracts far more various features than when extracting features using only the original CT image of learning. Therefore, it is possible to generate a more accurate bone density estimation value.
  • FIG. 8 is a block diagram briefly showing a configuration of a bone mineral density estimating apparatus according to an embodiment of the present invention.
  • the apparatus 10 for estimating a bone mineral density may include an input unit 11 and a processor 12.
  • the input unit 11 can acquire a CT image.
  • the processor 12 may generate a bone density estimate for the subject of the CT image based on a deep learning algorithm.
  • the processor 12 may also calculate the risk of osteoporosis based on the bone mineral density estimate and at least one of the patient's race, gender, weight, and age.
  • the processor 12 may also calculate the risk of osteoporosis based on the bone mineral density estimate and at least one of the patient's race, gender, weight, and age, and generate the report data using the bone density estimate or the risk of osteoporosis .
  • the processor 12 may further include a communication unit for transmitting the report data to at least one of a Picture Archiving and Communication System (PACS), an Electronic Medical Record (EMR), and a Web inquiry system.
  • PACS Picture Archiving and Communication System
  • EMR Electronic Medical Record
  • Web inquiry system a communication unit for transmitting the report data to at least one of a Picture Archiving and Communication System (PACS), an Electronic Medical Record (EMR), and a Web inquiry system.
  • PACS Picture Archiving and Communication System
  • EMR Electronic Medical Record
  • the processor 12 can determine an analysis target image to be used for generating a bone density estimation value in the CT image.
  • the analysis target image may be determined by a predetermined formula for selecting an image including a bone part or an algorithm for recognizing the shape of the bone part.
  • the apparatus 10 for estimating a bone density may further include a communication unit (not shown).
  • the communication unit can receive the CT image from the DICOM server.
  • the communication unit may transmit a request signal for the CT image to the PACS, and may receive the CT image according to the request signal from the PACS.
  • 9 to 10 are reference views showing an example of a data flow in an apparatus and method for estimating a bone mineral density according to an embodiment of the present invention.
  • 9 to 10 illustrate an example of a method of transmitting and receiving data to and from another server, device, or apparatus, in the flow of the method of estimating a bone density according to the first embodiment of the present invention.
  • the BMD estimation apparatus can directly receive a CT image from a CT apparatus or a DICOM server.
  • the DICOM server can simultaneously transmit the CT image to the PACS and the bone density estimating device.
  • the BMD estimation apparatus may receive and view the stored image from the PACS.
  • the PACS may have received a CT image from the DICOM server.
  • the PACS transmits the CT image according to the request signal to the BMD estimating apparatus, so that the BMD estimating apparatus can receive the CT image.
  • the BMD estimator may transmit the BMD analysis results to at least one of a PACS, an EMR, or a Web query system.
  • the analysis result can be generated by DICOM. 9 and 10 illustrate the case where the analysis result is generated as DICOM and transmitted to the PACS.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Radiology & Medical Imaging (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Optics & Photonics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

Disclosed is a method by which a bone mineral density estimation apparatus estimates bone mineral density by using a computed tomography (CT) image, the method, performed by a bone mineral density estimation apparatus, comprising: an input step for acquiring a CT image; and an analysis step for generating a bone mineral density estimation value for the patient of the CT image, on the basis of a deep learning algorithm, wherein the deep learning algorithm trains by using a CT image for training and a bone mineral density test value corresponding to the CT image for training.

Description

골밀도 추정 방법 및 이를 이용한 장치Method for Estimating Bone Mineral Density and Device Using It
본 발명은 골밀도를 추정하는 방법 및 이를 이용한 장치에 관한 것이다. 보다 상세하게는, 컴퓨터 단층 촬영(CT)에 의한 영상에 기초하여 골밀도를 추정하는 방법 및 이를 이용한 장치에 관한 것이다.The present invention relates to a method for estimating bone density and an apparatus using the same. More particularly, the present invention relates to a method of estimating a bone density based on an image obtained by a computed tomography (CT) and an apparatus using the same.
골다공증은 뼈의 강도가 약해져서 미약한 충격에도 쉽게 골절되는 골격계 질환이다. 골다공증의 원인으로는 노화, 약물, 호르몬 저하, 생활습관 등이 있다. 골다공증의 진단으로는 뼈의 양을 측정하는 골밀도를 사용한다. 세계보건기구는 같은 성별에서 건강한 젊은 성인 평균 골밀도 수치와의 차이를 기준으로 하는 골다공증 진단 기준을 제시하고 있다. Osteoporosis is a skeletal disorder in which the strength of the bones is weakened and fractures are easily broken even at a slight impact. The causes of osteoporosis include aging, drugs, hormone deprivation, and lifestyle habits. As a diagnosis of osteoporosis, bone density is used to measure the amount of bone. The World Health Organization (WHO) provides criteria for the diagnosis of osteoporosis based on differences in the mean age of healthy young adults from the same sex.
골다공증은 자체 증상이 거의 없다. 따라서, 조기진단이나 치료 없이 병이 진행되고 난 후에 뼈가 부러져서 발견하게 되는 경우가 많다는 문제점이 있다. 골다공증을 조기에 발견하여 치료를 통해 골절이나 척추가 변형되는 것을 예방할 필요성이 있다. 그러나, 환자는 골다공증에 대한 자각 증상이 없어서 골밀도 검사를 따로 받지 않는 경우 발견이 힘들다는 문제점이 있다. Osteoporosis has few symptoms of its own. Therefore, there is a problem that the bone is broken and discovered after the disease progresses without early diagnosis or treatment. There is a need to prevent premature osteoporosis and fracture or vertebral deformity through treatment. However, there is a problem in that patients are not aware of osteoporosis and can not find it if they do not receive bone density test separately.
한편, 종래의 의료 영상을 이용하여 골밀도를 예측하는 기술은 촬영된 여러 장의 의료 영상 중에서 골밀도 예측에 사용되는 대상 영상을 의사 등 전문가가 직접 선택하여 입력하여야 한다는 문제점이 있었다. 따라서 번거롭고 시간이 오래 걸린다는 문제점이 있었다. 또한, 선택된 영상에 따라 같은 환자에 대하여 골밀도 예측결과가 달라질 수 있어 정확한 골밀도 예측 결과를 얻을 수 없다는 문제점이 있었다. On the other hand, in the technique of predicting the bone density using the conventional medical image, there is a problem that the doctor or the like directly selects the target image used for predicting the bone density among several taken medical images. Therefore, it is cumbersome and takes a long time. In addition, there is a problem in that the result of predicting bone density can be different for the same patient depending on the selected image, and thus the accurate bone density prediction result can not be obtained.
또한, 영상의 노이즈를 활용하여 골밀도를 예측하는 종래의 기술은 CT 기기의 종류나 촬영 당시 X선 조사량에 따라 노이즈가 달라질 수 있어서 정확한 골밀도 예측 결과를 얻을 수 없다는 문제점이 있었다.In addition, the conventional technique of predicting the bone density using the noise of the image has a problem that the noise can be changed according to the kind of the CT device or the X-ray irradiation amount at the time of photographing, and the accurate bone density prediction result can not be obtained.
[관련기술문헌][Related Technical Literature]
1. 의료 영상의 분산 이미지 노이즈를 활용한 골밀도 진단 장치 및 이의 골밀도 진단 정보 제공방법(한국등록특허 제10-1587720호)1. Bone Density Diagnosis Device Using Distributed Image Noise of Medical Image and Method of Providing Diagnostic Information of Bone Mineral Density (Korean Patent No. 10-1587720)
본 발명은 상기와 같은 문제점을 해결하기 위해 제안된 것으로서, 본 발명자는 환자가 골밀도 검사를 따로 수행하지 않아도, 촬영된 CT 영상을 이용하여 정확한 골밀도를 추정 하는 방법 및 장치를 제공하고자 한다.SUMMARY OF THE INVENTION The present invention has been proposed in order to solve the above problems. The present invention provides a method and an apparatus for accurately estimating a bone density using a CT image without a patient performing a bone density test separately.
상기와 같은 목적을 이루기 위하여 본 발명의 일 실시 예에 따라, 골밀도 추정 장치가 CT(Computed tomography, 컴퓨터 단층촬영) 영상을 이용하여 골밀도를 추정하는 방법이 제공되는바, 상기 골밀도 추정 장치는 입력부 및 상기 입력부에 연동되는 프로세서를 포함하고, 상기 방법은, 상기 골밀도 추정 장치의 상기 입력부가 상기 CT 영상을 획득하는 입력 단계 및 상기 골밀도 추정 장치의 상기 프로세서가 상기 입력부에 의하여 획득된 상기 CT 영상의 대상 환자에 대한 골밀도 추정 값을 딥 러닝(deep learning) 알고리즘에 기반하여 생성하는 분석 단계를 포함할 수 있다. According to an aspect of the present invention, there is provided a method of estimating a bone density using a computed tomography (CT) image, the apparatus comprising: And a processor coupled to the input unit, the method comprising: an input step of the input unit of the BMD estimating apparatus obtaining the CT image; and a processor of the BMD estimating apparatus, And an analysis step of generating a bone density estimate for the patient based on a deep learning algorithm.
여기에서, 상기 프로세서에 의하여 실행되는 상기 딥 러닝 알고리즘은, 상기 골밀도의 추정을 위하여 최적화된 특징의 학습이 수행되는 다수의 합성층(convolution layer)를 포함하되, 학습용 CT 영상 및 상기 학습용 CT영상에 대응하는 골밀도 검사 값을 이용하여 학습을 수행할 수 있다. Wherein the deep learning algorithm executed by the processor includes a plurality of synthesis layers in which learning of optimized features for the estimation of bone density is performed, The learning can be performed using the corresponding bone density test value.
또한, 상기 방법은, 상기 골밀도 추정 장치의 상기 프로세서가, 상기 골밀도 추정 값과 상기 환자의 인종, 성별, 몸무게 및 연령 중 적어도 하나에 기반하여 골다공증의 위험도를 산출하는 단계를 더 포함할 수 있다.The method may further include the step of the processor of the bone mineral density estimating apparatus calculating the risk of osteoporosis based on the bone mineral density estimated value and at least one of the patient's race, sex, weight, and age.
또한, 상기 방법은, 상기 골밀도 추정 장치가 상기 골밀도 추정 값과 상기 환자의 인종, 성별, 몸무게 및 연령 중 적어도 하나에 기반하여 골다공증의 위험도를 산출하는 단계, 상기 골밀도 추정 값 또는 상기 골다공증의 위험도를 이용하여 보고 데이터를 생성하는 단계 및 상기 보고 데이터를 PACS(Picture Archiving and Communication System), EMR(Electronic Medical Record) 및 웹조회 시스템 중 적어도 하나로 전송하는 단계를 더 포함할 수 있다. The method may further include the step of calculating the risk of osteoporosis based on the bone mineral density estimated value and at least one of race, gender, body weight, and age of the patient, and calculating the risk of osteoporosis And transmitting the report data to at least one of a Picture Archiving and Communication System (PACS), an Electronic Medical Record (EMR), and a Web inquiry system.
또한, 상기 분석 단계는, 상기 CT 영상 중 골밀도 추정 값 생성에 이용되는 분석 대상 영상을 결정하는 단계를 포함하고, 상기 분석 대상 영상은 뼈 부분이 포함된 영상을 선택하는 기 설정된 수식 또는 상기 뼈 부분의 형태를 인식하는 알고리즘에 의해 결정될 수 있다. The analysis step may include a step of determining an analysis target image to be used for generating a bone density estimation value from the CT image, wherein the analysis target image includes a preset formula for selecting an image including a bone part, Lt; / RTI > can be determined by an algorithm that recognizes the shape of the object.
또한, 상기 딥 러닝 알고리즘은, 상기 학습용 CT영상 중 선택된 일부 영상과 상기 일부 영상에 대응하는 골밀도 검사 값의 상관관계를 분석하여 학습을 수행하고, 상기 학습용 CT영상 중 선택되지 않은 나머지 영상의 골밀도 추정 값을 생성하고, 상기 골밀도 추정 값과 상기 나머지 영상에 대응하는 골밀도 검사 값을 비교하여 상기 딥 러닝 알고리즘의 정확도를 판단할 수 있다. The deep learning algorithm may be performed by analyzing a correlation between a selected part of the CT images for learning and a corresponding part of the bone density value, And the accuracy of the deep learning algorithm can be determined by comparing the bone density estimated value with the bone density test value corresponding to the remaining image.
또한, 상기 딥 러닝 알고리즘은 상기 학습용 CT 영상을 변조시켜 생성한 변조 영상을 이용하여 학습을 수행할 수 있다. Also, the deep learning algorithm can perform learning using a modulated image generated by modulating the CT image for learning.
또한, 상기 입력 단계는 상기 골밀도 추정 장치가 DICOM서버로부터 상기 CT 영상을 수신하는 단계를 더 포함할 수 있다. The inputting step may further include the step of the BMD estimating apparatus receiving the CT image from the DICOM server.
또한, 상기 입력 단계는 PACS(Picture Archiving and Communication System)가 상기 CT 영상을 DICOM서버로부터 수신하는 단계, 상기 골밀도 추정 장치가 상기 CT 영상에 대한 요청 신호를 상기 PACS로 전송하는 단계 및 상기 골밀도 추정 장치가 상기 요청 신호에 따른 상기 CT 영상을 상기 PACS로부터 수신하는 단계를 더 포함할 수 있다. The inputting step may include receiving a CT image from a DICOM server by a Picture Archiving and Communication System (PACS), transmitting a request signal for the CT image to the PACS, Receiving the CT image according to the request signal from the PACS.
한편, 본 발명의 일 실시 예에 따른 CT(Computed tomography, 컴퓨터 단층촬영) 영상을 이용하여 골밀도를 추정하는 골밀도 추정 장치에 있어서, 상기 CT 영상을 획득하는 입력부 및 상기 CT 영상의 대상 환자에 대한 골밀도 추정 값을 딥 러닝(Deep learning) 알고리즘에 기반하여 생성하는 프로세서를 포함할 수 있다. Meanwhile, an apparatus for estimating a bone density using a computed tomography (CT) image according to an exemplary embodiment of the present invention includes an input unit for acquiring the CT image, and an input unit for acquiring the bone density And a processor for generating an estimate based on a Deep Learning algorithm.
여기서, 상기 딥 러닝 알고리즘은, 상기 골밀도의 추정을 위하여 최적화된 특징의 학습이 수행되는 다수의 합성층(conv. layer)을 포함하되, 학습용 CT 영상 및 상기 학습용 CT영상에 대응하는 골밀도 검사 값을 이용하여 학습을 수행할 수 있다. Here, the deep learning algorithm includes a plurality of synthesis layers (conv. Layers) in which learning of an optimized feature is performed for estimating the bone density, and the deep learning algorithm includes a learning CT image and a bone density test value corresponding to the learning CT image Learning can be carried out using the above.
또한, 상기 프로세서는 상기 골밀도 추정 값과 상기 환자의 인종, 성별, 몸무게 및 연령 중 적어도 하나에 기반하여 골다공증의 위험도를 산출할 수 있다. The processor may also calculate the risk of osteoporosis based on the bone mineral density estimate and at least one of the patient's race, gender, weight, and age.
또한, 상기 프로세서는, 상기 골밀도 추정 값과 상기 환자의 인종, 성별, 몸무게 및 연령 중 적어도 하나에 기반하여 골다공증의 위험도를 산출하고, 상기 골밀도 추정 값 또는 상기 골다공증의 위험도를 이용하여 보고 데이터를 생성하며, 상기 보고 데이터를 PACS(Picture Archiving and Communication System), EMR(Electronic Medical Record) 및 웹조회 시스템 중 적어도 하나로 전송하는 통신부를 더 포함할 수 있다. The processor may calculate the risk of osteoporosis based on the bone mineral density estimated value and at least one of race, gender, body weight, and age of the patient, and generate report data using the bone density estimated value or the risk of osteoporosis And a communication unit for transmitting the report data to at least one of a Picture Archiving and Communication System (PACS), an Electronic Medical Record (EMR), and a Web inquiry system.
또한, 상기 프로세서는 상기 CT 영상 중 골밀도 추정 값 생성에 이용되는 분석 대상 영상을 결정하고, 상기 분석 대상 영상은 뼈 부분이 포함된 영상을 선택하는 기 설정된 수식 또는 상기 뼈 부분의 형태를 인식하는 알고리즘에 의해 결정될 수 있다.In addition, the processor may determine an analysis target image to be used for generating a bone density estimation value from the CT image, and the analysis target image may include a predetermined formula for selecting an image including a bone part, Lt; / RTI >
또한, 상기 딥 러닝 알고리즘은, 상기 학습용 CT영상 중 선택된 일부 영상과 상기 일부 영상에 대응하는 골밀도 검사 값의 상관관계를 분석하여 학습을 수행하고, 상기 학습용 CT영상 중 선택되지 않은 나머지 영상의 골밀도 추정 값을 생성하고, 상기 골밀도 추정 값과 상기 나머지 영상에 대응하는 골밀도 검사 값을 비교하여 상기 딥 러닝 알고리즘의 정확도를 판단할 수 있다. The deep learning algorithm may be performed by analyzing a correlation between a selected part of the CT images for learning and a corresponding part of the bone density value, And the accuracy of the deep learning algorithm can be determined by comparing the bone density estimated value with the bone density test value corresponding to the remaining image.
또한, 상기 딥 러닝 알고리즘은 상기 학습용 CT 영상을 변조시켜 생성한 변조 영상을 이용하여 학습을 수행할 수 있다.Also, the deep learning algorithm can perform learning using a modulated image generated by modulating the CT image for learning.
또한, DICOM서버로부터 상기 CT 영상을 수신하는 통신부를 더 포함할 수 있다. The apparatus may further include a communication unit for receiving the CT image from the DICOM server.
또한, 상기 CT 영상에 대한 요청 신호를 PACS로 전송하고, 상기 요청 신호에 따른 상기 CT 영상을 상기 PACS로부터 수신하는 통신부를 더 포함할 수 있다.The apparatus may further include a communication unit for transmitting a request signal for the CT image to the PACS and receiving the CT image according to the request signal from the PACS.
본 발명의 일 실시 예에 따른 골밀도 추정 방법 및 장치는 환자가 골밀도 검사를 따로 수행하지 않아도, 촬영된 CT 영상을 이용하여 정확한 골밀도를 예측할 수 있는 효과가 있다. 또한, 골밀도 예측을 위한 최적의 영상이 선택되어 신속하고 편리하게 골밀도 예측을 할 수 있다는 효과가 있다. 또한, 딥 러닝 알고리즘을 이용하여 보다 정확한 골밀도 예측을 할 수 있다는 효과가 있다.The method and apparatus for estimating a bone density according to an embodiment of the present invention have an effect of accurately predicting a bone density using a CT image even if a patient does not perform a bone density test separately. In addition, there is an effect that an optimal image for predicting the bone density is selected and the bone density can be predicted quickly and conveniently. Further, there is an effect that more accurate bone density prediction can be performed by using the deep learning algorithm.
본 발명의 상세한 설명에서 인용되는 도면을 보다 충분히 이해하기 위하여 각 도면의 상세한 설명이 제공된다.DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS In order to more fully understand the drawings recited in the detailed description of the present invention, a detailed description of each drawing is provided.
도 1 내지 도 2는 본 발명의 일 실시 예에 따른 골밀도 추정 방법의 흐름도이다.1 and 2 are flowcharts of a method of estimating a bone density according to an embodiment of the present invention.
도 3 내지 도4는 본 발명의 일 실시 예에 따른 분석 대상 영상을 결정하는 단계를 도시한 참조도이다.FIGS. 3 to 4 are reference views showing a step of determining an analysis object image according to an embodiment of the present invention.
도 5는 본 발명의 일 실시 예에 따른 딥 러닝 알고리즘의 일부 동작을 설명하기 위한 흐름도이다. 5 is a flowchart illustrating a part of the operation of the deep learning algorithm according to an embodiment of the present invention.
도 6은 본 발명의 일 실시 예에 따른 딥 러닝 알고리즘의 CNN(Convolution Neural Network)을 도시한 참조도이다.6 is a reference diagram showing a CNN (Convolution Neural Network) of a deep learning algorithm according to an embodiment of the present invention.
도 7은 본 발명의 일 실시 예에 따른 딥 러닝 알고리즘의 일부 동작을 설명하기 위한 흐름도이다.7 is a flowchart illustrating a part of the operation of the deep learning algorithm according to an embodiment of the present invention.
도 8은 본 발명의 일 실시 예에 따른 골밀도 추정 장치의 구성을 간략히 도시한 블록도이다. 8 is a block diagram briefly showing a configuration of a bone mineral density estimating apparatus according to an embodiment of the present invention.
도 9 내지 도 10은 본 발명의 일 실시 예에 따른 골밀도 추정 장치 및 방법에서 데이터 흐름의 예시를 도시한 참조도이다.9 to 10 are reference views showing an example of a data flow in an apparatus and method for estimating a bone mineral density according to an embodiment of the present invention.
본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시 예들에 대해서 특정한 구조적 또는 기능적 설명은 단지 본 발명의 개념에 따른 실시 예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시 예들은 다양한 형태들로 실시될 수 있으며 본 명세서에 설명된 실시 예들에 한정되지 않는다.It is to be understood that the specific structural or functional description of embodiments of the present invention disclosed herein is for illustrative purposes only and is not intended to limit the scope of the inventive concept But may be embodied in many different forms and is not limited to the embodiments set forth herein.
본 발명의 개념에 따른 실시 예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시 예들을 도면에 예시하고 본 명세서에서 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시 예들을 특정한 개시 형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물, 또는 대체물을 포함한다.The embodiments according to the concept of the present invention can make various changes and can take various forms, so that the embodiments are illustrated in the drawings and described in detail herein. It should be understood, however, that it is not intended to limit the embodiments according to the concepts of the present invention to the particular forms disclosed, but includes all modifications, equivalents, or alternatives falling within the spirit and scope of the invention.
제1 또는 제2 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만, 예컨대 본 발명의 개념에 따른 권리 범위로부터 벗어나지 않은 채, 제1구성 요소는 제2구성 요소로 명명될 수 있고 유사하게 제2구성 요소는 제1구성 요소로도 명명될 수 있다.The terms first, second, etc. may be used to describe various elements, but the elements should not be limited by the terms. The terms may be named for the purpose of distinguishing one element from another, for example, without departing from the scope of the right according to the concept of the present invention, the first element may be referred to as a second element, The component may also be referred to as a first component.
어떤 구성 요소가 다른 구성 요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성 요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성 요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성 요소가 다른 구성 요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는 중간에 다른 구성 요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성 요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.It is to be understood that when an element is referred to as being "connected" or "connected" to another element, it may be directly connected or connected to the other element, . On the other hand, when an element is referred to as being "directly connected" or "directly connected" to another element, it should be understood that there are no other elements in between. Other expressions that describe the relationship between components, such as "between" and "between" or "neighboring to" and "directly adjacent to" should be interpreted as well.
본 명세서에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로서, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 본 명세서에 기재된 특징, 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The terminology used herein is for the purpose of describing particular embodiments only and is not intended to be limiting of the invention. The singular expressions include plural expressions unless the context clearly dictates otherwise. In this specification, the terms "comprises" or "having" and the like are used to specify that there are features, numbers, steps, operations, elements, parts or combinations thereof described herein, But do not preclude the presence or addition of one or more other features, integers, steps, operations, components, parts, or combinations thereof.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 나타낸다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Unless otherwise defined, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by one of ordinary skill in the art to which this invention belongs. Terms such as those defined in commonly used dictionaries are to be interpreted as having a meaning consistent with the meaning of the context in the relevant art and, unless explicitly defined herein, are to be interpreted as ideal or overly formal Do not.
도 1은 본 발명의 일 실시 예에 따른 골밀도 추정 방법의 흐름도이다. 1 is a flowchart of a method of estimating a bone density according to an embodiment of the present invention.
먼저, 골밀도 추정 장치가 CT 영상을 획득할 수 있다(S110). 본 발명에서 CT 영상이란 CT(컴퓨터 단층 촬영, Computed Tomography) 기기로부터 촬영된 영상을 의미한다. 골밀도 검사를 위해 촬영된 영상이 아니라, 다른 질환의 검사를 위하여 촬영된 영상이 될 수 있다. First, the BMD estimation apparatus can acquire a CT image (S110). In the present invention, the CT image means an image taken from a CT (Computed Tomography) apparatus. It may be an image taken for the examination of other diseases, not for the image taken for the bone density test.
본 발명의 일 실시 예에 따른 CT 영상은 CT 기기로부터 직접 수신한 영상 또는 DICOM서버로부터 직접 수신한 영상일 수 있다.The CT image according to an embodiment of the present invention may be an image directly received from a CT device or an image received directly from a DICOM server.
또는, PACS(Picture Archiving and Communication System)로부터 저장된 영상을 수신 및 조회한 것일 수도 있다. 이와 같은 경우, PACS는 DICOM 서버로부터 CT영상을 수신한 것일 수 있다. 이 때, 골밀도 추정 장치가 PACS로 CT 영상에 대한 요청 신호를 전송하는 경우에 PACS는 요청 신호에 따른 CT 영상을 골밀도 추정 장치로 전송하고, 따라서 골밀도 추정 장치가 CT 영상을 수신할 수 있다.Alternatively, it may be a picture received from a picture archiving and communication system (PACS) and received. In such a case, the PACS may have received a CT image from the DICOM server. In this case, when the BMD estimating apparatus transmits a request signal for the CT image to the PACS, the PACS transmits the CT image according to the request signal to the BMD estimating apparatus, so that the BMD estimating apparatus can receive the CT image.
본 발명의 일 실시 예에 따른 골밀도 추정 방법에 사용되는 CT 영상은 요추, 대퇴부 등의 뼈 부분이 포함되어 있는 영상이 될 수 있다. 예컨대, 복부의 CT 영상을 사용하게 되는 경우, 요추 부분이 CT 영상에 포함되어 있으므로 본 발명의 골밀도 추정 방법에 사용될 수 있다. The CT image used in the method of estimating a bone density according to an embodiment of the present invention may be an image including a bone part such as a lumbar region or a thigh. For example, when the CT image of the abdomen is used, since the lumbar region is included in the CT image, it can be used in the method of estimating the bone density of the present invention.
그러나, 획득한 모든 CT 영상이 뼈 부분이 포함된 영상이 아니더라도 일부 영상만 뼈 부분이 포함된 영상이면 본 발명의 일 실시 예에 따른 골밀도 추정 방법이 적용될 수 있다. However, if all the obtained CT images are not the images including the bone part, the method of estimating the bone mineral density according to the embodiment of the present invention can be applied as long as the images include only the part of the bone.
다음으로, 골밀도 추정장치가 딥 러닝 알고리즘에 기반하여 CT 영상의 대상이 되는 환자에 대한 골밀도 추정 값을 생성할 수 있다(S120). 본 발명의 일 실시 예에 따른 딥 러닝 알고리즘이란 CT 영상을 이용하여 골밀도를 추정하는데 있어서, 사람의 경험적 노하우를 이용하여 설계하는 것이 아니라, 많은 데이터를 수집하여 직접 골밀도 추정을 위한 주요 특징(feature)을 스스로 학습하는 인공지능을 이용하는 기술을 의미한다. 이 딥 러닝 알고리즘에서 이용되는 모델은 인공 신경망을 다층으로 쌓은 형태로 간략하게 설명할 수 있다. 즉, 깊은 구조의 네트워크라는 의미로 깊은 신경망(deep neural network; 딥 뉴럴 네트워크)이라고 표현하며, 다층의 네트워크로 이루어진 구조에서 다량의 데이터를 학습시킴으로써 각각의 이미지의 특징을 자동으로 학습하고, 이를 통하여 목적 함수의 에러(error)를 최소화시키는 방식으로 네트워크를 학습시켜 나아가는 형태이다. Next, the BMD estimating apparatus can generate a BMD estimation value for a patient to be a target of the CT image based on the deep learning algorithm (S120). The deep learning algorithm according to an embodiment of the present invention is a method of estimating a bone density using a CT image, in which a plurality of data are collected and used as key features for directly estimating a bone density, The artificial intelligence that learns by itself. The model used in this deep learning algorithm can be briefly described as a stack of artificial neural networks. In other words, it is expressed as a deep neural network (deep neural network) in the sense of a network of deep structure. By learning a large amount of data in a structure composed of a multi-layer network, the characteristics of each image are automatically learned, It is a type that learns the network in a way that minimizes the error of the objective function.
딥 러닝 알고리즘은, 예를 들어, CNN(Convolution Neural Network; 합성 신경망) 기반의 Regression 모델을 이용할 수 있다. 이 CNN은 이미지, 특히 2차원 이미지의 분류에 적합한 모델로서, 이미지의 각 영역을 복수의 필터를 이용하여 특징 지도(feature map)를 만들어내는 합성층(convolution layer)과 특징 지도의 크기를 줄여 위치나 회전의 변화에 불변하는 특징을 추출할 수 있도록 하는 sub-sampling layer를 반복함으로써 점, 선, 면 등의 저수준의 특징에서부터 복잡하고 의미 있는 고수준의 특징까지 다양한 수준의 특징을 추출할 수 있게 되며, 최종적으로 추출된 특징을 기존 분류 모델의 입력값으로서 이용하면 더 높은 정확도의 분류 모델을 구축할 수 있게 되는 장점이 있다.The deep learning algorithm can use, for example, a CNN (Convolution Neural Network) based regression model. This CNN is a model suitable for classification of images, especially two-dimensional images. It is composed of a convolution layer which creates feature maps by using a plurality of filters, By repeating the sub-sampling layer to extract features that are invariant to changes in rotation, it is possible to extract various levels of features from low-level features such as points, lines, and surfaces to complex and meaningful high-level features , And using the finally extracted feature as an input value of the existing classification model, it is possible to construct a classification model with higher accuracy.
본 발명의 일 실시 예에 따른 딥 러닝 알고리즘에 대한 상세한 설명은 후술한다. A detailed description of the deep learning algorithm according to an embodiment of the present invention will be described later.
다음으로, 골다공증의 위험도를 산출할 수 있다(S130). 본 발명의 일 실시 예에 따른 골다공증의 위험도는 골밀도 추정 값과 해당 골밀도 추정 값의 대상인 환자의 인종, 성별, 몸무게 및 연령 중 적어도 하나에 기반하여 산출될 수 있다. Next, the risk of osteoporosis can be calculated (S130). The risk of osteoporosis according to one embodiment of the present invention can be calculated based on at least one of the race, sex, weight, and age of the patient, which is the object of the bone density estimation value and the corresponding bone density estimation value.
본 발명에서 골다공증의 위험도란 골다공증에 걸릴 가능성이 얼마큼 있는지, 현재 골다공증 상태인지 여부 또는 골다공증의 진행 정도 등을 의미할 수 있다. In the present invention, the risk of osteoporosis may mean the degree of risk of osteoporosis, the current status of osteoporosis, or the progress of osteoporosis.
또는, 본 발명에서 골다공증의 위험도는 골다공증을 판정할 때 일반적으로 사용하는 T-값, Z-값 등이 될 수 있다. T-값은 동일한 성별에서 젊은 성인 집단의 평균 골밀도와 비교하여 표준편차로 나타낸 값으로, 건강한 성인과의 차이를 의미한다. Z-값은 같은 연령대의 골밀도 평균치와의 차이를 의미한다. Alternatively, in the present invention, the risk of osteoporosis can be a T-value, a Z-value, etc. generally used in determining osteoporosis. The T-value is the standard deviation from the mean BMD of the young adult population in the same gender, which means a difference from healthy adults. The Z-value means the difference from the mean value of bone mineral density of the same age group.
환자의 인종, 성별, 몸무게 및 연령은 CT 영상 획득 시 함께 입력된 데이터 또는 PACS에서 입력된 데이터일 수 있다. 골다공증인지 여부는 기 설정된 계산식에 따른 값 또는 의사 등 관리자의 선택에 의한 값을 판단의 기준으로 삼을 수 있고, 판단의 기준은 조절될 수 있다. The race, gender, weight, and age of the patient may be data entered together at the time of CT image acquisition or data entered at the PACS. Whether or not osteoporosis is recognized can be determined according to a predetermined calculation formula or a value selected by a doctor or the like manager, and the criterion of judgment can be adjusted.
다음으로, 골밀도 추정 장치가 보고 데이터를 생성할 수 있다(S140). 본 발명에서 보고 데이터란 앞서 서술한 과정을 통하여 획득한 골밀도 추정 값 또는 골다공증의 위험도를 이용하여 가공한 데이터로 의사 또는 환자에게 유의미한 정보를 의미한다. Next, the BMD estimation apparatus can generate the report data (S140). In the present invention, the report data refers to data processed by using the bone mineral density estimation value or the risk of osteoporosis obtained through the above-mentioned process, and this means meaningful information to a doctor or a patient.
예컨대, 50대 한국 여성 환자의 경우 황인종 젊은 여성의 골밀도의 분포에서 환자의 위치를 알 수 있도록 표시한 그래프 또는 리포트 등이 될 수 있다. For example, in the case of a 50-year-old female patient, a graph or a report showing the position of the patient in the distribution of bone density of a yellow female young woman can be given.
또한, 보고 데이터에는 골밀도 추정 값 또는 골다공증의 위험도 자체의 값이 포함될 수 있다. In addition, the reporting data may include a bone density estimate or a value of the risk itself of osteoporosis.
다음으로, 골밀도 추정 장치가 보고 데이터를 PACS, EMR(Electronic Medical Record) 및 웹조회 시스템 중 적어도 하나로 전송할 수 있다(S150). 웹조회 시스템이란 컴퓨터나 단말장치가 온라인 연결을 통하여 필요한 정보를 조회하여 조회된 정보를 확인하거나 다운로드 받을 수 있는 시스템을 의미할 수 있다. 본 발명에서는 의료 기록과 관련된 분야에 사용되는 웹조회 시스템을 의미할 수 있다. Next, the bone mineral density estimating apparatus may transmit the report data to at least one of PACS, EMR (Electronic Medical Record), and Web inquiry system (S150). The web inquiry system can refer to a system in which a computer or a terminal device can inquire necessary information through an online connection and confirm or download the inquired information. The present invention may refer to a web inquiry system used in the field related to medical records.
의사 또는 환자는 종래에 보편적으로 사용하는 PACS, EMR 또는 웹조회 시스템을 통하여, 앞서 설명한 보고 데이터를 확인할 수 있다. 따라서, 골밀도 검사를 따로 수행하지 않아도 다른 질병에 대한 검사로 CT촬영을 하면서 골다공증의 위험도에 대한 결과를 확인할 수 있는 효과가 있다. 의사 또는 환자는 보고 데이터를 확인하고 추가로 골밀도 검사를 진행할지 여부를 결정할 수 있다. 또한, PACS 외에도 EMR 및 웹조회 시스템으로 데이터를 함께 보내서 열람, 조회 및 통계가 가능하도록 할 수 있다. The doctor or the patient can confirm the above-described report data through the conventional PACS, EMR or web inquiry system which is conventionally used. Therefore, it is possible to confirm the results of the risk of osteoporosis by performing CT scan by examining other diseases even if bone density is not separately measured. The physician or patient can check the reporting data and decide whether to proceed with additional bone density testing. In addition to PACS, data can be sent together with EMR and Web inquiry systems to enable viewing, querying and statistics.
도 2는 본 발명의 일 실시 예에 따른 골밀도 추정 방법에 있어서, 골밀도 추정 값 생성을 위한 분석 대상 영상을 결정하는 과정을 설명한 흐름도이다. 도 3 내지 도 4는 본 발명의 일 실시 예에 따른 분석 대상 영상을 결정하는 단계를 도시한 참조도이다. 이하 도 2 내지 도4를 참조하여 분석 대상 영상을 결정하는 과정을 서술한다. FIG. 2 is a flowchart illustrating a process of determining an analysis target image for generating a bone density estimation value in the method of estimating a bone density according to an embodiment of the present invention. FIGS. 3 to 4 are reference views showing a step of determining an analysis object image according to an embodiment of the present invention. Hereinafter, a process of determining an analysis target image will be described with reference to FIG. 2 to FIG.
본 발명의 일 실시 예에 따른 분석 대상 영상이란 골밀도 추정 장치가 획득한 CT 영상 중에서, 실질적으로 골밀도 추정을 위해 사용되는 영상을 의미한다. 골밀도 추정을 위해 사용되기 위해서는 뼈 부분이 나타난 영상이어야 할 것이다. 예컨대, 요추 또는 대퇴골이 나타난 영상이 될 수 있다. 뼈 부분이 나타난 영상 중에서도 골밀도 추정에 보다 적합한 영상이 분석 대상 영상이 될 수 있다. An analysis object image according to an embodiment of the present invention refers to an image used for bone density estimation from among the CT images acquired by the bone density estimation apparatus. In order to be used for bone density estimation, it should be the image where the bone part appears. For example, the lumbar or femur may be an image. Among the images in which the bone part appears, an image more suitable for the bone density estimation can be the analysis target image.
본 발명에서 분석 대상 영상은 의사 등의 전문가가 선택하는 것이 아니라, 촬영 후에 저장된 모든 CT 영상 중에서 자동으로 결정되도록 함으로써, 보다 빠르고 효율적으로 골밀도 추정 값을 생성할 수 있는 장점이 있다.In the present invention, the analysis target image is not selected by an expert such as a doctor, but is automatically determined from among all the CT images stored after imaging, thereby making it possible to generate the bone density estimation value more quickly and efficiently.
S210 단계는 도 1의 S110단계와 동일하다. CT영상을 획득한 다음에, 골밀도 추정 장치는 분석 대상 영상을 결정할 수 있다(S220). S220과정을 통하여, 도 3과 같이 37장의 획득한 복부 CT 영상(31) 중에서, 요추가 잘 드러난 5장의 영상을 분석 대상 영상(32)으로 결정할 수 있다. Step S210 is the same as step S110 in FIG. After acquiring the CT image, the BMD estimation apparatus can determine the analysis target image (S220). Through the process of S220, among the 37 obtained abdominal CT images 31 as shown in Fig. 3, five images in which the lumbar spine is well-revealed can be determined as the analysis subject images 32. Fig.
분석 대상 영상을 결정하는 방법은 기 설정된 수식에 의할 수 있다. 기 설정된 수식은 경험적으로 CT 영상 중 뼈 부분이 포함된 영상을 선택하도록 설계된 것일 수 있다. 예컨대, 획득된 원본 CT 영상이 N장이고 5장의 분석 대상 영상을 결정한다고 할 때, 다음과 같은 수학식이 사용될 수 있다. The method of determining the image to be analyzed can be determined by a preset formula. The predetermined formula may be designed to empirically select an image containing a bone part of the CT image. For example, when the obtained original CT image is N sheets and five analysis target images are determined, the following equation can be used.
[수학식 1][Equation 1]
round(N/16)·(7.5+k·0.7), k=[1,2,3,4,5]round (N / 16) 揃 (7.5 + k 揃 0.7), k = [1,2,3,4,5]
한편, 분석 대상 영상을 결정하는 방법은 뼈 부분의 형태를 인식하는 알고리즘에 의하여 수행될 수도 있다. 예컨대, 복부 CT 영상의 경우 요추의 중요 부분의 형태가 가장 적절하게 드러난 영상을 인식하여 분석 대상 영상으로 결정할 수 있다. Meanwhile, the method of determining the image to be analyzed may be performed by an algorithm for recognizing the shape of the bone part. For example, in the case of the abdominal CT image, the image in which the shape of the most important part of the lumbar spine is most appropriately recognized can be recognized and determined as the analysis target image.
뼈 부분의 형태를 인식하는 알고리즘은 딥 러닝 알고리즘에 의하여 수행될 수도 있고 별도의 영상 인식 알고리즘으로 수행될 수도 있다. 뼈 부분의 형태를 인식하는 알고리즘은 CNN 기반의 모델이 이용될 수 있다. The algorithm for recognizing the shape of the bone part may be performed by a deep learning algorithm or by a separate image recognition algorithm. A CNN-based model can be used to recognize the shape of the bone part.
분석 대상 영상을 앞서 서술한 대로 결정한 다음, 골밀도 추정 장치가 분석 대상 영상 확정 신호를 의사 등 사용자로부터 수신할 수 있다(미도시). After determining the analysis target image as described above, the bone density estimation device can receive the analysis target image determination signal from a doctor or the like (not shown).
분석 대상 영상 확정 신호란 분석 대상 영상이 골밀도 추정 값을 생성하는데 사용되는 것을 확정 또는 승인 하겠다는 의사를 표시하는 신호를 의미한다. 분석 대상 영상 확정 신호는 의사 등 전문가가 입력한 신호일 수 있다. The analysis target image signal means a signal indicating that the analysis target image is to be used for establishing or approving the use of the bone density estimation value. The analysis target image determination signal may be a signal input by a physician or the like.
분석 대상 영상 확정 신호 수신 절차를 통하여 분석 대상 영상이 제대로 결정된 것인지 의사가 확인하고 최종적으로 판단할 수 있는 기회가 제공되는 것이다. Through the process of receiving the image confirmation signal to be analyzed, the doctor can confirm whether the image to be analyzed is properly determined, and an opportunity to finally determine the image is provided.
이 과정에서 의사 등 전문가는 분석 대상 영상 확정 신호를 입력하지 않고, 분석 대상 영상을 다른 영상으로 교체하는 등 수정 작업을 할 수 있다. In this process, the doctor or other specialist can perform the correction work such as replacing the analysis target image with another image without inputting the determination target image signal.
분석 대상 영상이 결정된 다음, 골밀도 추정 장치는 분석 대상 영상을 조정할 수 있다(S230). 딥 러닝 알고리즘이 정형화된 데이터를 입력 받는 경우에, 정형화된 데이터를 생성하는 과정이 필요할 수 있다. 따라서, 각기 다른 CT 기기나 촬영 옵션으로 크기가 다른 경우 크기를 조정하거나, 분석 대상 영상에서 뼈 부분이 중앙에 위치하도록 영상을 다듬을 수 있다. After the analysis target image is determined, the bone density estimation apparatus can adjust the analysis target image (S230). When the deep learning algorithm receives the formatted data, it may be necessary to generate the formatted data. Therefore, you can adjust the size if different sizes are used for different CT devices or shooting options, or you can trim the image so that the bone part is located at the center of the image to be analyzed.
예컨대, 도 4와 같이 분석 대상 영상 원본(41)이 512(h)*512(w)*5(c)의 크기인 영상인 경우에 크기를 조정한 영상(42)은 250(h)*250(w)*5(c)의 크기로 조정할 수 있다. 또한, 크기를 조정한 영상(42)에 대하여 중심을 조정하거나 불필요한 테두리 등을 다듬은 224(h)*224(w)*5(c)의 크기인 영상(43)을 생성할 수 있다. For example, as shown in FIG. 4, if the image to be analyzed 41 is an image having a size of 512 (h) * 512 (w) * 5 (c) (w) * 5 (c). In addition, it is possible to generate an image 43 having a size of 224 (h) * 224 (w) * 5 (c), which is adjusted to the center of the image 42 whose size has been adjusted or an unnecessary frame is trimmed.
도 5는 본 발명의 일 실시 예에 따른 딥 러닝 알고리즘의 일부 동작을 설명하기 위한 흐름도이다. 5 is a flowchart illustrating a part of the operation of the deep learning algorithm according to an embodiment of the present invention.
딥 러닝 알고리즘은 학습용 CT 영상 및 학습용 CT 영상에 대응하는 골밀도 검사 값을 획득할 수 있다(S510). 본 발명에서 학습용 CT 영상이란 딥 러닝 알고리즘을 학습시키기 위하여 사용되는 CT 영상으로 영상 자체의 형태는 앞서 설명한 CT 영상과 동일할 수 있다. 또한, 앞서 설명한 CT 영상이 학습용 CT 영상으로도 사용될 수도 있다. The deep learning algorithm may acquire a bone density test value corresponding to the learning CT image and the learning CT image (S510). In the present invention, the learning CT image is a CT image used for learning a deep learning algorithm, and the shape of the image itself may be the same as the CT image described above. Also, the CT image described above may be used as a learning CT image.
골밀도 검사 값이란 일반적으로 수행되는 골밀도 검사 방법에 의하여 얻어진 골밀도 측정값을 의미할 수 있다. 대표적인 골밀도 검사 방법으로는 이중에너지 X선 흡수 계측법(dual energy X-ray absorptiometry; DXA), 초음파, 정량 전산화 단층 촬영술(quantitative CT) 등이 있다. 이 중 DXA가 대부분의 병원에서 이용되는 방법이다. The bone density test value may mean a bone density measurement value obtained by a generally performed bone density testing method. Typical bone mineral density (BMD) tests include dual energy X-ray absorptiometry (DXA), ultrasound, and quantitative computed tomography (CT). DXA is the method used in most hospitals.
학습용 CT 영상의 대응하는 골밀도 검사 값이란 학습용 CT 영상의 대상이 되는 환자가 CT 영상을 촬영한 날짜와 인접한 기간에 골밀도 검사 값을 의미할 수 있다. 인접한 기간이란 CT 영상 촬영 일을 기준으로 일정 기간 전후가 될 수 있다. 예컨대, CT영상 촬영일 1달 전후의 골밀도 검사 값이 될 수 있다. The corresponding bone density test value of the learning CT image may mean a bone density test value in a period adjacent to the date when the CT image is taken by the patient who is the subject of the learning CT image. The adjacent period can be around a certain period based on the CT imaging date. For example, it may be a bone density test value about one month after the CT image is taken.
동일한 환자에 대하여 CT 영상과 CT 영상을 촬영한 날짜와 인접한 시일의 골밀도 검사 결과를 하나의 데이터로 볼 수 있다. 다수의 데이터를 입력 받는 경우, 골밀도 추정 값의 정확도를 높일 수 있다. For the same patient, the data of the CT image and CT image taken and the results of the bone density test of adjacent seals can be seen as one data. When a large number of data are input, the accuracy of the estimated bone density can be increased.
다음으로, 딥 러닝 알고리즘은 학습용 CT 영상과 대응하는 골밀도 검사 값의 상관관계를 분석하여 학습을 수행할 수 있다(S520). 상관관계를 분석하여 학습을 수행하는데, 딥 러닝 알고리즘은 골밀도 추정을 위한 가장 최적화된 특징(feature)을 스스로 찾아서 학습할 수 있다. 또한, 학습용 CT 영상에 대하여도, 앞서 설명한 분석 대상 영상을 결정하는 원리가 동일하게 적용될 수 있다. Next, the deep learning algorithm can perform the learning by analyzing the correlation between the learning CT image and the corresponding bone density test value (S520). Deep learning algorithms can find and learn the most optimized features for bone density estimation by themselves. In addition, the principle of determining the analysis target image described above can be similarly applied to the learning CT image.
본 발명의 일 실시 예에 따른 딥 러닝 알고리즘은 학습용 CT 영상 중 선택된 일부 영상에 대하여는 학습을 수행하고, 상기 학습용 CT영상 중 선택되지 않은 나머지 영상에 대하여는 딥 러닝 알고리즘의 정확도를 판단하는데 사용할 수 있다. The deep learning algorithm according to an exemplary embodiment of the present invention may perform learning for a selected part of the CT images for learning and determine the accuracy of the deep learning algorithm for the remaining unselected CT images.
예컨대, 학습용 CT 영상의 90%는 딥 러닝 알고리즘의 학습 수행에 사용하고, 나머지 10%의 학습용 CT 영상은 정확도 판단에 사용할 수 있다. 영상의 선택은 랜덤하게 이루어질 수 있다. For example, 90% of the learning CT images can be used for learning of the deep learning algorithm, and the remaining 10% of the learning CT images can be used for accuracy determination. The selection of images can be made randomly.
정확도를 판단하는 방법은, 선택되지 않은 나머지 영상에 대하여 골밀도 추정 값을 생성한 다음, 해당 영상에 대응하는 골밀도 검사 값을 비교하여 차이가 얼마큼 발생했지 확인하여 수행될 수 있다. 딥 러닝 알고리즘을 통하여 골밀도 추정 값을 생성하고, 상기 골밀도 추정 값과 정확도를 판단할 수 있다. The method of determining the accuracy can be performed by generating a bone density estimation value for the remaining non-selected images, and comparing the bone density test values corresponding to the selected images to determine how much the difference has occurred. The bone density estimation value can be generated through the deep learning algorithm, and the bone density estimation value and accuracy can be determined.
도 6은 본 발명의 일 실시 예에 따른 딥 러닝 알고리즘의 CNN(Convolution Neural Network)을 도시한 참조도이다. 6 is a reference diagram showing a CNN (Convolution Neural Network) of a deep learning algorithm according to an embodiment of the present invention.
도 6에 도시된 바와 같이, 딥 러닝 알고리즘이 골밀도 검사 값에 근접한 골밀도 추정 값을 생성하기 위한 학습 과정과 골밀도 추정 값 생성 과정을 CNN에 의해서 수행할 수 있다. 딥 러닝 알고리즘이 CT 영상에서 골밀도 추정을 위한 주요 특징(feature)을 추출하는 과정을 CNN에 의해서 수행할 수 있다. As shown in FIG. 6, a learning process and a bone density estimation value generation process for generating a bone density estimation value approximating a bone density test value by the deep learning algorithm can be performed by CNN. Deep learning algorithms can be performed by CNN to extract key features for bone density estimation in CT images.
도 7은 본 발명의 일 실시 예에 따른 딥 러닝 알고리즘의 일부 동작을 설명하기 위한 흐름도이다. 7 is a flowchart illustrating a part of the operation of the deep learning algorithm according to an embodiment of the present invention.
딥 러닝 알고리즘은 학습용 CT 영상을 획득할 수 있다(S710). S710 과정은 S510 과정과 동일할 수 있다. 즉, 학습용 CT 영상과 대응하는 골밀도 검사 값을 획득할 수 있다. The deep learning algorithm can acquire a learning CT image (S710). The process of step S710 may be the same as that of step S510. That is, it is possible to obtain the bone density test value corresponding to the learning CT image.
다음으로, 딥 러닝 알고리즘은 학습용 CT 영상을 변조시켜 변조 영상을 생성할 수 있다(S720). 본 발명의 일 실시 예에 따른 변조 영상은 학습용 CT 영상을 인위적으로 변경 또는 변조시킨 영상을 의미할 수 있다. 변조 영상을 생성하는 방법으로는 학습용 CT 영상의 크기나 각도를 변경시키거나 노이즈를 삽입할 수 있다. 딥 러닝 알고리즘은 다수의 학습용 CT 영상에 대하여 다양한 방법으로 변조 영상을 생성해낼 수 있다.Next, the deep learning algorithm can generate a modulated image by modulating the CT image for learning (S720). The modulated image according to an exemplary embodiment of the present invention may be an image obtained by artificially modifying or modulating a CT image for learning. As a method of generating a modulated image, it is possible to change the size or angle of the CT image for learning or insert noise. Deep learning algorithms can generate modulated images for various learning CT images in various ways.
다음으로, 딥 러닝 알고리즘은 변조 영상을 이용하여 학습을 수행할 수 있다(S730). S730 과정의 학습을 수행하는 방법은 앞서 설명한 학습 수행 방법과 동일할 수 있다. Next, the deep learning algorithm can perform learning using the modulated image (S730). The method of performing the learning in step S730 may be the same as the learning method described above.
변조 영상을 이용할 경우, 딥 러닝 알고리즘이 CT 영상에서 골밀도 추정을 위한 주요 특징을 추출할 때, 학습용 CT 영상의 원본만을 이용하여 특징을 추출할 때보다 훨씬 다양한 특징을 추출할 수 있는 효과가 있다. 따라서, 보다 정확한 골밀도 추정 값을 생성할 수 있는 효과가 있다. When using the modulated image, the depth learning algorithm extracts the key features for bone density estimation from the CT image, and extracts far more various features than when extracting features using only the original CT image of learning. Therefore, it is possible to generate a more accurate bone density estimation value.
도 8은 본 발명의 일 실시 예에 따른 골밀도 추정 장치의 구성을 간략히 도시한 블록도이다. 8 is a block diagram briefly showing a configuration of a bone mineral density estimating apparatus according to an embodiment of the present invention.
본 발명의 일 실시 예에 따른 골밀도 추정 장치(10)는 입력부(11) 및 프로세서(12)를 포함할 수 있다. The apparatus 10 for estimating a bone mineral density according to an embodiment of the present invention may include an input unit 11 and a processor 12.
입력부(11)는 CT 영상을 획득할 수 있다. The input unit 11 can acquire a CT image.
프로세서(12)는 CT 영상의 대상 환자에 대한 골밀도 추정 값을 딥 러닝 알고리즘에 기반하여 생성할 수 있다. The processor 12 may generate a bone density estimate for the subject of the CT image based on a deep learning algorithm.
또한, 프로세서(12)는 골밀도 추정 값과 환자의 인종, 성별, 몸무게 및 연령 중 적어도 하나에 기반하여 골다공증의 위험도를 산출할 수 있다. The processor 12 may also calculate the risk of osteoporosis based on the bone mineral density estimate and at least one of the patient's race, gender, weight, and age.
또한, 프로세서(12)는 골밀도 추정 값과 환자의 인종, 성별, 몸무게 및 연령 중 적어도 하나에 기반하여 골다공증의 위험도를 산출하고, 골밀도 추정 값 또는 골다공증의 위험도를 이용하여 보고 데이터를 생성할 수 있다. The processor 12 may also calculate the risk of osteoporosis based on the bone mineral density estimate and at least one of the patient's race, gender, weight, and age, and generate the report data using the bone density estimate or the risk of osteoporosis .
프로세서(12)는 보고 데이터를 PACS(Picture Archiving and Communication System), EMR(Electronic Medical Record) 및 웹조회 시스템 중 적어도 하나로 전송하는 통신부를 더 포함할 수 있다. The processor 12 may further include a communication unit for transmitting the report data to at least one of a Picture Archiving and Communication System (PACS), an Electronic Medical Record (EMR), and a Web inquiry system.
또한, 프로세서(12)는 CT 영상 중 골밀도 추정 값 생성에 이용되는 분석 대상 영상을 결정할 수 있다. 분석 대상 영상은 뼈 부분이 포함된 영상을 선택하는 기 설정된 수식 또는 상기 뼈 부분의 형태를 인식하는 알고리즘에 의해 결정될 수 있다. In addition, the processor 12 can determine an analysis target image to be used for generating a bone density estimation value in the CT image. The analysis target image may be determined by a predetermined formula for selecting an image including a bone part or an algorithm for recognizing the shape of the bone part.
본 발명의 일 실시 예에 따른 골밀도 추정 장치(10)는 통신부(미도시)를 더 포함할 수도 있다.The apparatus 10 for estimating a bone density according to an embodiment of the present invention may further include a communication unit (not shown).
통신부는 DICOM서버로부터 CT 영상을 수신할 수 있다. 또는 통신부는 CT 영상에 대한 요청 신호를 PACS로 전송하고, 요청 신호에 따른 CT 영상을 PACS로부터 수신할 수 있다. The communication unit can receive the CT image from the DICOM server. Alternatively, the communication unit may transmit a request signal for the CT image to the PACS, and may receive the CT image according to the request signal from the PACS.
도 9 내지 도 10은 본 발명의 일 실시 예에 따른 골밀도 추정 장치 및 방법에서 데이터 흐름의 예시를 도시한 참조도이다. 9 to 10 are reference views showing an example of a data flow in an apparatus and method for estimating a bone mineral density according to an embodiment of the present invention.
도 9 내지 도 10은 앞서 도 1에서 설명한 골밀도 추정 방법의 흐름 중 골밀도 추정 장치가 데이터를 다른 서버, 기기 또는 장치와 송수신하는 방법에 대한 예시를 나타낸 것이라 할 수 있다. 9 to 10 illustrate an example of a method of transmitting and receiving data to and from another server, device, or apparatus, in the flow of the method of estimating a bone density according to the first embodiment of the present invention.
도 9에 도시된 바와 같이 골밀도 추정 장치가 CT 영상을 CT 기기 또는 DICOM서버로부터 직접 수신할 수 있다. 이와 같은 경우, DICOM 서버는 PACS와 골밀도 추정 장치로 동시에 CT 영상을 전송할 수 있다. As shown in FIG. 9, the BMD estimation apparatus can directly receive a CT image from a CT apparatus or a DICOM server. In this case, the DICOM server can simultaneously transmit the CT image to the PACS and the bone density estimating device.
또한, 도 10에 도시된 바와 같이 골밀도 추정 장치가 PACS로부터 저장된 영상을 수신 및 조회한 것일 수도 있다. 이와 같은 경우, PACS는 DICOM 서버로부터 CT영상을 수신한 것일 수 있다. 이 때, 골밀도 추정 장치가 PACS로 CT 영상에 대한 요청 신호를 전송하는 경우에 PACS는 요청 신호에 따른 CT 영상을 골밀도 추정 장치로 전송하고, 따라서 골밀도 추정 장치가 CT 영상을 수신할 수 있다.In addition, as shown in FIG. 10, the BMD estimation apparatus may receive and view the stored image from the PACS. In such a case, the PACS may have received a CT image from the DICOM server. In this case, when the BMD estimating apparatus transmits a request signal for the CT image to the PACS, the PACS transmits the CT image according to the request signal to the BMD estimating apparatus, so that the BMD estimating apparatus can receive the CT image.
골밀도 추정 장치는 골밀도 관련 분석 결과를 PACS, EMR 또는 웹조회 시스템 중 적어도 하나로 전송할 수 있다. 이와 같은 경우, 분석 결과를 DICOM으로 생성할 수 있다. 도 9 및 도 10은 분석 결과를 DICOM으로 생성하여 PACS로 전송하는 경우를 나타낸 것이다. The BMD estimator may transmit the BMD analysis results to at least one of a PACS, an EMR, or a Web query system. In this case, the analysis result can be generated by DICOM. 9 and 10 illustrate the case where the analysis result is generated as DICOM and transmitted to the PACS.
앞선 실시 예에 대한 설명에서 참조된 도면 각각은 설명의 편의를 위해 도시된 일 실시 예에 불과하며, 각 화면에 표시된 정보들의 항목, 내용과 이미지들은 다양한 형태로 변형되어 표시될 수 있다.Each of the drawings referred to in the description of the foregoing embodiments is merely one embodiment for convenience of description, and items, contents and images of the information displayed on each screen can be modified and displayed in various forms.
본 발명은 도면에 도시된 일 실시 예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 등록청구범위의 기술적 사상에 의해 정해져야 할 것이다.While the present invention has been particularly shown and described with reference to exemplary embodiments thereof, it is to be understood that the invention is not limited to the disclosed embodiments, but, on the contrary, is intended to cover various modifications and equivalent arrangements included within the spirit and scope of the appended claims. Accordingly, the true scope of the present invention should be determined by the technical idea of the appended claims.

Claims (16)

  1. 골밀도 추정 장치가 CT(Computed tomography, 컴퓨터 단층촬영) 영상을 이용하여 골밀도를 추정하는 방법에 있어서, 상기 골밀도 추정 장치는 입력부 및 상기 입력부에 연동되는 프로세서를 포함하되, A method for estimating a bone density using a CT (Computed Tomography) image, the apparatus comprising an input unit and a processor coupled to the input unit,
    상기 방법은, The method comprises:
    상기 골밀도 추정 장치의 상기 입력부가, 상기 CT 영상을 획득하는 입력 단계; 및An input step of acquiring the CT image by the input unit of the bone mineral density estimating apparatus; And
    상기 골밀도 추정 장치의 상기 프로세서가, 상기 입력부에 의하여 획득된 상기 CT 영상의 대상 환자에 대한 골밀도 추정 값을 딥 러닝(deep learning) 알고리즘에 기반하여 생성하는 분석 단계를 포함하고,Wherein the processor of the apparatus for estimating bone density comprises an analyzing step of generating a bone density estimation value for a target patient of the CT image acquired by the input unit based on a deep learning algorithm,
    상기 프로세서에 의하여 실행되는 상기 딥 러닝 알고리즘은, The deep learning algorithm, executed by the processor,
    상기 골밀도의 추정을 위하여 최적화된 특징의 학습이 수행되는 다수의 합성층(convolution layer)를 포함하되, 학습용 CT 영상 및 상기 학습용 CT 영상에 대응하는 골밀도 검사 값을 이용하여 학습을 수행하는 것을 특징으로 하는 골밀도 추정 방법.And a plurality of synthesis layers in which learning of optimized features is performed for estimating the bone density, wherein learning is performed using a learning CT image and a bone density inspection value corresponding to the learning CT image, Gt;
  2. 제 1 항에 있어서, The method according to claim 1,
    상기 프로세서가, The processor comprising:
    상기 골밀도 추정 값과 상기 환자의 인종, 성별, 몸무게 및 연령 중 적어도 하나에 기반하여 골다공증의 위험도를 산출하는 단계를 더 포함하는 골밀도 추정 방법.Calculating the risk of osteoporosis based on the bone mineral density estimated value and at least one of race, gender, weight, and age of the patient.
  3. 제 1 항에 있어서, The method according to claim 1,
    상기 골밀도 추정 장치는, The bone mineral density estimating apparatus comprises:
    PACS(Picture Archiving and Communication System), EMR(Electronic Medical Record) 및 웹조회 시스템 중 적어도 하나와 연동되는 통신부를 더 포함하고, Further comprising a communication unit interlocked with at least one of a Picture Archiving and Communication System (PACS), an Electronic Medical Record (EMR), and a Web inquiry system,
    상기 프로세서가, 상기 골밀도 추정 값과 상기 환자의 인종, 성별, 몸무게 및 연령 중 적어도 하나에 기반하여 골다공증의 위험도를 산출하는 단계;The processor calculating a risk of osteoporosis based on the bone mineral density estimate and at least one of race, gender, weight, and age of the patient;
    상기 프로세서가, 상기 골밀도 추정 값 또는 상기 골다공증의 위험도를 이용하여 보고 데이터를 생성하는 단계; 및The processor generating report data using the bone density estimate or the risk of osteoporosis; And
    상기 통신부가, 상기 프로세서에 의하여 생성된 상기 보고 데이터를 상기 PACS, 상기 EMR 및 상기 웹조회 시스템 중 적어도 하나로 전송하는 단계The communication unit transmitting the report data generated by the processor to at least one of the PACS, the EMR and the Web inquiry system
    를 더 포함하는 골밀도 추정 방법.And estimating a bone density of the bone.
  4. 제 1 항에 있어서, The method according to claim 1,
    상기 분석 단계는, Wherein the analyzing step comprises:
    상기 프로세서가, 상기 CT 영상 중 골밀도 추정 값 생성에 이용되는 분석 대상 영상을 결정하는 단계를 포함하되, Wherein the processor is configured to determine an analysis target image to be used for generating a bone density estimation value in the CT image,
    상기 분석 대상 영상은 뼈 부분이 포함된 영상을 선택하는 기 설정된 수식 또는 상기 뼈 부분의 형태를 인식하는, 상기 프로세서에 의하여 실행되는 알고리즘에 의해 결정되는, 골밀도 추정 방법.Wherein the analysis target image is determined by an algorithm executed by the processor that recognizes a preset formula for selecting an image containing a bone portion or a shape of the bone portion.
  5. 제 1 항에 있어서, The method according to claim 1,
    상기 프로세서에 의하여 실행되는 상기 딥 러닝 알고리즘은,The deep learning algorithm, executed by the processor,
    상기 학습용 CT 영상 중 선택된 일부 영상과 상기 일부 영상에 대응하는 골밀도 검사 값의 상관관계를 분석하여 학습을 수행하고,Performing a learning by analyzing a correlation between a selected part of the CT images for learning and a bone density test value corresponding to the part of the image,
    상기 학습용 CT 영상 중 선택되지 않은 나머지 영상의 골밀도 추정 값을 생성하고, 상기 골밀도 추정 값과 상기 나머지 영상에 대응하는 골밀도 검사 값을 비교하여 상기 딥 러닝 알고리즘의 정확도를 판단하는 골밀도 추정 방법.Wherein the accuracy of the deep learning algorithm is determined by generating an estimated non-selected bone density value of the training CT image and comparing the bone density estimated value with a corresponding bone density test value.
  6. 제 1 항에 있어서,The method according to claim 1,
    상기 프로세서에 의하여 실행되는 상기 딥 러닝 알고리즘은 상기 학습용 CT 영상을 변조시켜 생성한 변조 영상을 이용하여 학습을 수행하는 골밀도 추정 방법.Wherein the deep learning algorithm executed by the processor performs learning using a modulated image generated by modulating the CT image for learning.
  7. 제 1 항에 있어서, The method according to claim 1,
    상기 골밀도 추정 장치는, The bone mineral density estimating apparatus comprises:
    DICOM서버와 연동되는 통신부를 더 포함하고, Further comprising a communication unit interlocked with the DICOM server,
    상기 입력 단계는,Wherein the input step comprises:
    상기 골밀도 추정 장치의 상기 통신부가, 성기 DICOM서버로부터 상기 CT 영상을 수신하는 단계를 더 포함하는 골밀도 추정 방법.And the communication unit of the BMD estimating apparatus further comprises receiving the CT image from the genital DICOM server.
  8. 제 1항에 있어서, The method according to claim 1,
    상기 골밀도 추정 장치는, PACS(Picture Archiving and Communication System)와 연동되는 통신부를 더 포함하고, The bone mineral density estimating apparatus further includes a communication unit interlocked with a Picture Archiving and Communication System (PACS)
    상기 입력 단계는,Wherein the input step comprises:
    상기 CT 영상이 DICOM서버로부터 상기 PACS에 전송된 상태에서, 상기 골밀도 추정 장치의 상기 통신부가, 상기 CT 영상에 대한 요청 신호를 상기 PACS로 전송하는 단계; 및Transmitting, by the communication unit of the BMD apparatus, a request signal for the CT image to the PACS in a state that the CT image is transmitted from the DICOM server to the PACS; And
    상기 골밀도 추정 장치의 상기 통신부가, 상기 요청 신호에 따른 상기 CT 영상을 상기 PACS로부터 수신하는 단계를 더 포함하는 골밀도 추정 방법.And the communication unit of the BMD estimating apparatus further comprises receiving the CT image according to the request signal from the PACS.
  9. CT(Computed tomography, 컴퓨터 단층촬영) 영상을 이용하여 골밀도를 추정하는 골밀도 추정 장치에 있어서, 1. A bone density estimation apparatus for estimating a bone density using a CT (Computed Tomography) image,
    상기 CT 영상을 획득하는 입력부; 및An input unit for acquiring the CT image; And
    상기 CT 영상의 대상 환자에 대한 골밀도 추정 값을 딥 러닝(deep learning) 알고리즘에 기반하여 생성하는 프로세서를 포함하고,And a processor for generating a bone density estimation value for a subject of the CT image based on a deep learning algorithm,
    상기 딥 러닝 알고리즘은, The deep learning algorithm includes:
    상기 골밀도의 추정을 위하여 최적화된 특징의 학습이 수행되는 다수의 합성층(convolution layer)를 포함하되, 학습용 CT 영상 및 상기 학습용 CT 영상에 대응하는 골밀도 검사 값을 이용하여 학습을 수행하는 골밀도 추정 장치.And a plurality of synthesis layers (convolution layers) in which learning of optimized features is performed for estimating the bone density, wherein the learning CT image and the learning CT image are used to perform learning using a bone density inspection value corresponding to the learning CT image and the learning CT image, .
  10. 제 9 항에 있어서, 10. The method of claim 9,
    상기 프로세서는 상기 골밀도 추정 값과 상기 환자의 인종, 성별, 몸무게 및 연령 중 적어도 하나에 기반하여 골다공증의 위험도를 산출하는 골밀도 추정 장치. Wherein the processor calculates the risk of osteoporosis based on the bone mineral density estimated value and at least one of race, gender, weight, and age of the patient.
  11. 제 9 항에 있어서, 10. The method of claim 9,
    상기 프로세서는, 상기 골밀도 추정 값과 상기 환자의 인종, 성별, 몸무게 및 연령 중 적어도 하나에 기반하여 골다공증의 위험도를 산출하고, 상기 골밀도 추정 값 또는 상기 골다공증의 위험도를 이용하여 보고 데이터를 생성하며, Wherein the processor calculates a risk of osteoporosis based on the bone mineral density estimated value and at least one of race, gender, weight, and age of the patient, generates report data using the bone density estimate or the risk of osteoporosis,
    상기 보고 데이터를 PACS(Picture Archiving and Communication System), EMR(Electronic Medical Record) 및 웹조회 시스템 중 적어도 하나로 전송하는 통신부를 더 포함하는 골밀도 추정 장치. And a communication unit for transmitting the report data to at least one of a Picture Archiving and Communication System (PACS), an Electronic Medical Record (EMR), and a Web inquiry system.
  12. 제 9 항에 있어서, 10. The method of claim 9,
    상기 프로세서는 상기 CT 영상 중 골밀도 추정 값 생성에 이용되는 분석 대상 영상을 결정하고,The processor determines an analysis object image used for generating a bone density estimation value in the CT image,
    상기 분석 대상 영상은 뼈 부분이 포함된 영상을 선택하는 기 설정된 수식 또는 상기 뼈 부분의 형태를 인식하는 알고리즘에 의해 결정되는 골밀도 추정 장치. Wherein the analysis object image is determined by a predetermined formula for selecting an image including a bone part or an algorithm for recognizing the shape of the bone part.
  13. 제 9 항에 있어서, 10. The method of claim 9,
    상기 딥 러닝 알고리즘은,The deep learning algorithm includes:
    상기 학습용 CT영상 중 선택된 일부 영상과 상기 일부 영상에 대응하는 골밀도 검사 값의 상관관계를 분석하여 학습을 수행하고,Performing a learning by analyzing a correlation between a selected part of the CT images for learning and a bone density test value corresponding to the part of the image,
    상기 학습용 CT영상 중 선택되지 않은 나머지 영상의 골밀도 추정 값을 생성하고, 상기 골밀도 추정 값과 상기 나머지 영상에 대응하는 골밀도 검사 값을 비교하여 상기 딥 러닝 알고리즘의 정확도를 판단하는 골밀도 추정 장치. Wherein the accuracy of the deep learning algorithm is determined by generating an estimated non-selected bone density value of the CT images for learning and comparing the estimated bone density value with a corresponding bone density test value.
  14. 제 9 항에 있어서, 10. The method of claim 9,
    상기 딥 러닝 알고리즘은 상기 학습용 CT 영상을 변조시켜 생성한 변조 영상을 이용하여 학습을 수행하는 골밀도 추정 장치.Wherein the deep learning algorithm performs learning using a modulated image generated by modulating the CT image for learning.
  15. 제 9 항에 있어서, 10. The method of claim 9,
    DICOM서버로부터 상기 CT 영상을 수신하는 통신부를 더 포함하는 골밀도 추정 장치.And a communication unit for receiving the CT image from the DICOM server.
  16. 제 9항에 있어서, 10. The method of claim 9,
    상기 CT 영상에 대한 요청 신호를 PACS로 전송하고, 상기 요청 신호에 따른 상기 CT 영상을 상기 PACS로부터 수신하는 통신부를 더 포함하는 골밀도 추정 장치. And a communication unit for transmitting a request signal for the CT image to the PACS and receiving the CT image according to the request signal from the PACS.
PCT/KR2017/012911 2017-11-15 2017-11-15 Bone mineral density estimation method and apparatus using same WO2019098399A1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/KR2017/012911 WO2019098399A1 (en) 2017-11-15 2017-11-15 Bone mineral density estimation method and apparatus using same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/KR2017/012911 WO2019098399A1 (en) 2017-11-15 2017-11-15 Bone mineral density estimation method and apparatus using same

Publications (1)

Publication Number Publication Date
WO2019098399A1 true WO2019098399A1 (en) 2019-05-23

Family

ID=66540236

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2017/012911 WO2019098399A1 (en) 2017-11-15 2017-11-15 Bone mineral density estimation method and apparatus using same

Country Status (1)

Country Link
WO (1) WO2019098399A1 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113869443A (en) * 2021-10-09 2021-12-31 新大陆数字技术股份有限公司 Jaw bone density classification method, system and medium based on deep learning
CN116458909A (en) * 2023-04-10 2023-07-21 清华大学 Method and device for measuring three-dimensional bone density distribution by using cone beam DR equipment

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5834990B2 (en) * 2012-02-17 2015-12-24 コニカミノルタ株式会社 Medical image processing apparatus and program
KR20170046105A (en) * 2015-09-24 2017-04-28 주식회사 뷰노코리아 Method and apparatus for aiding reading efficiency using eye tracking information in medical image reading processing
JP2017118985A (en) * 2015-12-28 2017-07-06 朝日レントゲン工業株式会社 Osteoporosis diagnosis support apparatus, osteoporosis diagnosis support program, and osteoporosis diagnosis support method
JP2017164412A (en) * 2016-03-18 2017-09-21 メディア株式会社 Osteoporosis diagnosis support apparatus
WO2017177182A1 (en) * 2016-04-07 2017-10-12 Icahn School Of Medicine At Mount Sinai Apparatus, method and system for providing customizable bone implants

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5834990B2 (en) * 2012-02-17 2015-12-24 コニカミノルタ株式会社 Medical image processing apparatus and program
KR20170046105A (en) * 2015-09-24 2017-04-28 주식회사 뷰노코리아 Method and apparatus for aiding reading efficiency using eye tracking information in medical image reading processing
JP2017118985A (en) * 2015-12-28 2017-07-06 朝日レントゲン工業株式会社 Osteoporosis diagnosis support apparatus, osteoporosis diagnosis support program, and osteoporosis diagnosis support method
JP2017164412A (en) * 2016-03-18 2017-09-21 メディア株式会社 Osteoporosis diagnosis support apparatus
WO2017177182A1 (en) * 2016-04-07 2017-10-12 Icahn School Of Medicine At Mount Sinai Apparatus, method and system for providing customizable bone implants

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113869443A (en) * 2021-10-09 2021-12-31 新大陆数字技术股份有限公司 Jaw bone density classification method, system and medium based on deep learning
CN116458909A (en) * 2023-04-10 2023-07-21 清华大学 Method and device for measuring three-dimensional bone density distribution by using cone beam DR equipment
CN116458909B (en) * 2023-04-10 2024-05-07 清华大学 Method and device for measuring three-dimensional bone density distribution by using cone beam DR equipment

Similar Documents

Publication Publication Date Title
KR101928984B1 (en) Method and apparatus of bone mineral density measurement
WO2017051944A1 (en) Method for increasing reading efficiency by using gaze information of user in medical image reading process and apparatus therefor
Cruz et al. Artificial intelligence on the identification of risk groups for osteoporosis, a general review
Devlin et al. Automated osteoporosis risk assessment by dentists: a new pathway to diagnosis
Donohue et al. Tracking hyoid bone displacement during swallowing without videofluoroscopy using machine learning of vibratory signals
US20160104283A1 (en) Image processing apparatus and storage medium
Horner et al. The mandibular cortex on radiographs as a tool for osteoporosis risk assessment: the OSTEODENT Project
US10949970B2 (en) Methods and apparatus for the application of machine learning to radiographic images of animals
Islam et al. Deep learning of facial depth maps for obstructive sleep apnea prediction
WO2015186963A1 (en) Biological brain age calculation device and calculation method therefor
Lawrence et al. The impact of decreased scapulothoracic upward rotation on subacromial proximities
WO2013105815A1 (en) Fetus modeling method and image processing apparatus therefor
Donohue et al. How closely do machine ratings of duration of UES opening during videofluoroscopy approximate clinician ratings using temporal kinematic analyses and the MBSImP?
WO2019098399A1 (en) Bone mineral density estimation method and apparatus using same
WO2021010777A1 (en) Apparatus and method for precise analysis of severity of arthritis
WO2019198981A1 (en) Method for analyzing health condition and providing information on basis of captured image, device therefor, and recording medium therefor
WO2020179950A1 (en) Deep learning-based method and device for prediction of progression of brain disease
KR20210054925A (en) System and Method for Extracting Region of Interest for Bone Mineral Density Calculation
WO2024071564A1 (en) Device and method for diagnosing age-related cognitive impairment on basis of three-dimensional gait signals
WO2017010612A1 (en) System and method for predicting pathological diagnosis on basis of medical image analysis
Graham Detecting low bone mineral density from dental radiographs: a mini-review
JP5315686B2 (en) Dynamic image diagnosis support system
KR20200085470A (en) Ai bone density reading device and method
JP2001128958A (en) Iris-iridology health diagnosis management system
CN114743664A (en) Gait analysis and determination learning-based spinal cervical spondylosis auxiliary diagnosis system

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: 17932012

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 17932012

Country of ref document: EP

Kind code of ref document: A1