WO2019143177A1 - 일련의 슬라이스 영상을 재구성하는 방법 및 이를 이용한 장치 - Google Patents

일련의 슬라이스 영상을 재구성하는 방법 및 이를 이용한 장치 Download PDF

Info

Publication number
WO2019143177A1
WO2019143177A1 PCT/KR2019/000758 KR2019000758W WO2019143177A1 WO 2019143177 A1 WO2019143177 A1 WO 2019143177A1 KR 2019000758 W KR2019000758 W KR 2019000758W WO 2019143177 A1 WO2019143177 A1 WO 2019143177A1
Authority
WO
WIPO (PCT)
Prior art keywords
slice
image
images
computing device
thickness
Prior art date
Application number
PCT/KR2019/000758
Other languages
English (en)
French (fr)
Inventor
정규환
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 US16/963,408 priority Critical patent/US11816833B2/en
Priority to JP2020514501A priority patent/JP6793994B2/ja
Publication of WO2019143177A1 publication Critical patent/WO2019143177A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20108—Interactive selection of 2D slice in a 3D data set
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/416—Exact reconstruction

Definitions

  • the present invention relates to a method of reconstructing an image and an apparatus using the same. Specifically, according to the method of the present invention, when a series of first slice images of a subject is input to a computing device, the computing device calculates, from the first slice image, a first slice image of a slice thickness of the first slice image, A second slice image having a second slice thickness different from the thickness of the second slice image, and providing the generated second slice image.
  • CT computed tomography
  • An individual slice image forming a CT image is obtained by projecting a volume of a predetermined thickness onto a plane.
  • the thickness of the individual slice image is referred to as the thickness of the CT image for convenience.
  • an image of 5 mm thickness is a combination of information of 5 mm thickness physically in one image, and the image is blurred, that is, the quality is low.
  • the thickness of the CT image is reconstructed differently according to the purpose and the environment at the time of the CT reading. Thinner the thickness, the higher the quality of the image, the more time it takes to read the image because the length of the CT image increases. Therefore, in an environment where read efficiency is important, such as health screening, it is typical to read the thickness of the CT image by 5 mm and read it using thinner images such as 1 mm for diagnosis of high risk patients.
  • the detection accuracy is higher when detecting a lesion on a 1mm image compared to detecting a lesion on a 5mm image in a system that assists reading such as used for diagnosis of high-risk patients.
  • a 5 mm image is available and a 1 mm image can not be acquired separately. If a 1 mm image can be synthesized from a 5 mm image in this situation, for example, By acquiring the diagnostic results and displaying them again on the original 5mm image, the efficiency of computer-assisted reading as well as the accuracy of the whole computer can be increased.
  • the present invention proposes a method of reconstructing slice images so as to obtain thin slice images from relatively thick slice images, and a device using the same.
  • Patent Document 1 US 6023494 B
  • Patent Document 2 US7660448 B
  • Non-Patent Document 1 Goodfellow, Ian J .; Pouget-Abadie, Jean; Mirza, Mehdi; Xu, Bing; Warde-Farley, David; Ozair, Sherjil; Courville, Aaron; Bengio, Yoshua (2014). "Generative Adversarial Networks"
  • Non-Patent Document 2 Chao Dong et al. Image Super-Resolution Using Deep Convolutional Networks, arXiv preprint arXiv: 1501.00092v3, 2015
  • the present invention aims at enabling relatively thicker slice images to be converted into thinner slice images.
  • the present invention aims at enhancing the quality of individual slice images by converting them into thinner slice images to facilitate reading.
  • the present invention aims at reconstructing thin slice images from thick slice images to help the physician to derive more accurate diagnosis results, and also to improve the analysis accuracy by the reading assistant system.
  • a method of reconstructing an image comprising the steps of: (a) when a series of first slice images for a subject is input, Generating a second slice image having a second slice thickness different from a first slice thickness that is a slice thickness of the first slice image or creating another device associated with the computing device; And (b) supporting the computing device to provide or provide the generated second slice image.
  • a computer program stored in a machine readable non-transitory medium, comprising instructions embodied to perform the image reconstruction method according to the present invention.
  • a computing device for reconstructing an image
  • the computing device including: a communication unit for receiving a series of first slice images of a subject; And generating a second slice image having a second slice thickness different from the first slice thickness, which is a slice thickness of the first slice image, from the first slice image when the series of first slice images is input, And a processor for supporting other devices to be interlocked, wherein the processor provides the second slice image or provides the other device with the generated slice image.
  • images with relatively thicker spatial information can be converted into thinner slice images, thereby improving the quality of slice images.
  • the present invention can be applied to a medical image used in a hospital, for example, a three-dimensionally acquired ultrasound image, an MRI image, and the like, and the method of the present invention is not dependent on a specific type of image or platform Of course not.
  • FIG. 1 is a conceptual diagram schematically illustrating an exemplary configuration of a computing device that performs a method of reconstructing a second slice image having a different slice thickness from a first slice image according to the present invention (hereinafter referred to as " image reconstruction method & to be.
  • FIG. 2 is an exemplary block diagram illustrating the hardware or software components of a computing device that performs the image reconstruction method in accordance with the present invention.
  • FIG. 3 is a conceptual view illustrating a method of reconstructing an image according to the present invention.
  • FIG. 4 is a flowchart illustrating an image reconstruction method according to an embodiment of the present invention.
  • image refers to multidimensional data composed of discrete image elements (e.g., pixels in a two-dimensional image and voxels in a three- Quot;
  • imaging may be computed by (cone-beam) computed tomography, magnetic resonance imaging (MRI), ultrasound, or any other medical imaging system known in the art I.e., a medical image of a subject.
  • the images may also be provided in a non-medical context, for example, a remote sensing system, an electron microscopy, and the like.
  • an 'image' refers to an image that is visible (eg, displayed on a video screen) or an image (eg, a file corresponding to a pixel output, such as a CT or MRI detector) It is a term referring to a digital representation.
  • cone-beam computed tomography (CBCT) image data is sometimes shown as an exemplary image modality in the drawings.
  • image formats used in various embodiments of the present invention may be used in various imaging formats such as X-ray imaging, MRI, CT, positron emission tomography (PET), PET-CT, SPECT, SPECT-CT, MR- But it is to be understood that the present invention is not limited to the three-dimensional image and the slice image derived therefrom.
  • DICOM Digital Imaging and Communications in Medicine
  • ACR American Radiation Medical Association
  • NEMA American Electrical Manufacturers Association
  • 'Picture Archiving and Communication System refers to a system for storing, processing and transmitting according to the DICOM standard throughout the detailed description and claims of the present invention, , And MRI can be stored in the DICOM format and transmitted to a terminal inside or outside the hospital through the network, and the result of reading and the medical record can be added to the terminal.
  • 'learning' or 'learning' refers to performing machine learning through computing according to a procedure, It will be understood by those of ordinary skill in the art that the present invention is not intended to be so-called.
  • FIG. 1 is a conceptual diagram schematically illustrating an exemplary configuration of a computing device for performing an image reconstruction method according to the present invention.
  • a computing device 100 includes a communication unit 110 and a processor 120.
  • the communication unit 110 communicates with an external computing device (not shown) Communication is possible.
  • the computing device 100 may be implemented as a computer-readable medium, such as conventional computer hardware (e.g., a computer processor, memory, storage, input and output devices, Electronic communication devices, electronic information storage systems such as network-attached storage (NAS) and storage area networks (SAN), and computer software (i.e., computing devices that enable a computing device to function in a particular manner) Commands) to achieve the desired system performance.
  • conventional computer hardware e.g., a computer processor, memory, storage, input and output devices, Electronic communication devices, electronic information storage systems such as network-attached storage (NAS) and storage area networks (SAN), and computer software (i.e., computing devices that enable a computing device to function in a particular manner) Commands) to achieve the desired system performance.
  • NAS network-attached storage
  • SAN storage area networks
  • the communication unit 110 of the computing device can send and receive requests and responses to and from other interworking computing devices.
  • requests and responses can be made by the same transmission control protocol (TCP) session
  • TCP transmission control protocol
  • UDP user datagram protocol
  • the communication unit 110 may include a keyboard, a mouse, an external input device, a printer, a display, and other external output devices for receiving commands or instructions.
  • the processor 120 of the computing device may also be a micro processing unit (MPU), a central processing unit (CPU), a graphics processing unit (GPU), or a tensor processing unit (TPU), a cache memory, a data bus ). ≪ / RTI > It may further include a software configuration of an operating system and an application that performs a specific purpose.
  • MPU micro processing unit
  • CPU central processing unit
  • GPU graphics processing unit
  • TPU tensor processing unit
  • FIG. 2 is an exemplary block diagram illustrating the hardware or software components of a computing device that performs the image reconstruction method in accordance with the present invention.
  • the computing device 100 may include an image acquisition module 210 as a component thereof.
  • the image acquisition module 210 is configured to obtain a three-dimensional image, i.e., a series of first slice images, to which the method according to the present invention is applied, wherein the individual modules shown in FIG. 2 include, for example, a computing device 100
  • the communication unit 110 and the processor 120 included in the communication unit 110 and the processor 120 may be interlocked with each other.
  • the slice image may be obtained from, for example, an external image storage system, such as a radiographic imaging apparatus or a medical image storage transmission system (PACS) linked through the communication unit 110, but is not limited thereto.
  • a slice image may be captured through a medical imaging device, transmitted to a PACS according to the DICOM standard, and then acquired by the image acquisition module 210 of the computing device 100.
  • PACS medical image storage transmission system
  • the acquired medical image may be transmitted to the image generation module 220, and the image generation module 220 is configured to generate a second slice image matching the feature extracted from the first slice image .
  • the image generation module 220 may be configured by a recent neural network such as a Fully Convolutional Neural Network or a Generic Adversarial Network (GAN), for example, Non-Patent Document 1: [Goodfellow, Ian J .; Pouget-Abadie, Jean; Mirza, Mehdi; Xu, Bing; Warde-Farley, David; Ozair, Sherjil; Courville, Aaron; Bengio, Yoshua (2014). "Generative Adversarial Networks".
  • the neural network constituting the image generation module 220 may be a generative hostile neural network including a generated neural network 222 and a classified neural network 224, as conceptually illustrated in FIG.
  • the technique used in the image generation module 220 is not limited to the GAN but various techniques can be used.
  • the image generation module 220 that has completed the learning or training may be composed only of the generated neural network 222 because the classified neural network 224 is for learning as described later.
  • the second slice image may be transmitted to the image storage and transmission module 230, which may store the information of the second slice image or may be stored in an external entity ).
  • the image storage and transmission module 230 may pass through a predetermined display device or the like, and the storage of the second slice image may be performed by another device linked to the computing device 100, for example, PACS .
  • FIG. 2 Although the components shown in FIG. 2 are illustrated as being realized in one computing device for convenience of explanation, it will be understood that a plurality of computing devices 100 performing the method of the present invention may be configured to be interlocked with each other.
  • FIG. 3 An embodiment of the image reconstruction method according to the present invention will now be described in more detail with reference to FIGS. 3 and 4.
  • FIG. 3 An embodiment of the image reconstruction method according to the present invention will now be described in more detail with reference to FIGS. 3 and 4.
  • FIG. 3 is a conceptual view illustrating an image reconstruction method according to the present invention
  • FIG. 4 is a flowchart illustrating an image reconstruction method according to an exemplary embodiment of the present invention.
  • an image reconstruction method includes: first, an image acquisition module 210 implemented by the computing device 100 generates a series of first slice images for a subject, that is, And a step S100 of receiving input from another device interlocked with the computing device 100.
  • a series of first slice images is obtained by superimposing an axial image of the chest CT axial image of chest CT 310).
  • the CT image of the chest is reconstructed as an example to assist in detecting pulmonary-related lesions such as nodules for convenience of explanation.
  • the present invention is not limited to this, Dimensional medical images can be applied.
  • an image reconstruction method is characterized in that the image generation module 220 implemented by the computing device 100 generates the first slice image and the second slice image based on the obtained thickness of the first slice image and the first slice image, And generating (S200) a second slice image (320) having a second slice thickness different from the first slice thickness or supporting the other device to generate the second slice image.
  • each of the series of first slice images may overlap at least a part of the first slice thickness area with another first slice image area adjacent thereto.
  • the number of the first slice images obtained is n (n? 1) and the thickness thereof is t
  • the number of second slice images to be generated from the first slice images may be m (m> n) If so, the second slice thickness T may be T? N * t / m.
  • the image generation module for generating the second slice images from the first slice images can generate the first slice images corresponding to the large first slice images and the corresponding first slice images And uses the learned image generation module 220 based on the second slice images.
  • the image generation module 220 extracts features of the input slice images (i.e., the first slice image) and regenerates the output slice images (i.e., the second slice image)
  • An example of this is the use of a fully articulated neural network that is a deep neural network configured to generate second slice images 320 from the first slice images 310.
  • the residual skip connection between the layers is 3x3x3 convolution , strided convolution, and transposed convolution can be established as illustrated in FIG.
  • GAN generative adversarial network
  • the GAN-related non-patent document 1 Goodfellow, Ian J .; Pouget-Abadie, Jean; Mirza, Mehdi; Xu, Bing; Warde-Farley, David; Ozair, Sherjil; Courville, Aaron; Bengio, Yoshua (2014).
  • the generated neural network 222 aims to classify the similar image into a real image by tricking the classified neural network 224 by generating an image similar to the actual, The goal is to classify data similar to images.
  • Step S200 may be performed by generating second slice images having characteristics similar to the input first slice images as another example using the GAN.
  • the generated neural network 222 may include a second slice thickness or a first slice thickness and a second slice thickness as parameters in order to generate a second slice image having various slice thicknesses from the input first slice images .
  • the image generation module 220 may include a production neural network 222 and a classification neural network 224 or may include a production neural network 222, of which the production neural network 222 may include And generate the read second slice image. If the second slice thickness or the first slice thickness and the second slice thickness are parameters, the generated neural network 222 generates a second slice image so as to have the feature of the second slice thickness from the inputted first slice image You can do it.
  • the image generation module 220 generates a plurality of training slice image pairs including the first training slice image of the first slice thickness and the second training slice image of the second slice thickness corresponding to the first training slice image, And may be learned in advance.
  • SR super resolution
  • This SR is disclosed in, for example, Chao Dong et al . Image Super-Resolution Using Deep Convolutional Networks, arXiv preprint arXiv: 1501.00092v3, 2015]. Since the SR technique described in this document also extracts the characteristics of the input image and regenerates the output image corresponding to the feature, a typical technician can perform step S200 by applying the SR technique You will understand.
  • a method of reconstructing an image according to the present invention includes supporting an image storage and transmission module 230 implemented by a computing device 100 to provide or provide the generated second slice image (S300).
  • the generated second slice image is stored through the storage and transmission module 230 and / or provided to an external entity via a predetermined display device, and / or the computing device 100 For example, a PACS.
  • the external entity includes a user of the computing device 100, a manager, a medical professional in charge of the subject, and the like.
  • a second slice image calculated from the first slice image is required
  • the external entity may be an external AI device that includes separate AI hardware and / or software modules utilizing the second slice image.
  • 'external' in an external entity may be used to exclude embodiments in which AI hardware and / or software modules that utilize at least one of the first slice image and the second slice image are integrated into the computing device 100
  • the present invention is not intended to suggest that the second slice image, which is the result of the hardware and / or software module performing the method of the present invention, can be used as input data of other methods. That is, the external entity may be the computing device 100 itself.
  • the second slice image generated in this manner can be utilized for facilitating the reading and diagnosis of a doctor in the future.
  • a second slice image corresponding to a lesion suspected to be a lesion actually detected in the first slice image is generated and shown, and the suspicious lesion
  • the first slice image is displayed for a low position, so that accuracy and speed of reading can be improved at the same time.
  • step S200 when the series of first slice images is inputted, the computing device 100 calculates the location and lesion suspicion of the lesion with respect to the series of first slice images, (S210) supporting the apparatus to calculate the second slice image, and supporting the generation or generation of the second slice image only for the first slice image satisfying a predetermined filtering condition depending on the position of the lesion and the lesion suspicion Step S220.
  • a predetermined filtering condition may be such that if the first slice image includes a point within a predetermined distance from the position of a lesion that has lesion confidence or suspicion above a predetermined threshold, The first slicing image may be a condition determined to satisfy the filtering condition.
  • This modification does not generate the second slice image of the suspicious lesion part, which saves computational resources and reduces the labor of reading and AI.
  • step S200 the computing device 100, in response to a user's manipulation, provides or provides a second slice image (e.g., And displaying the first slice image so as to be recognized by an external entity through a predetermined display device), and the first slice image that does not generate the second slice image is provided instead of the second slice image.
  • a second slice image e.g., And displaying the first slice image so as to be recognized by an external entity through a predetermined display device
  • the present invention is able to refer to slice images of thin thicknesses with improved quality over all of the above-described embodiments and modifications, thereby improving the accuracy in reading by a human or computer assisted system. This will enable physicians to diagnose more accurately, ultimately improving the quality of care and improving the workflow in the medical field as aided by AI.
  • the hardware may include special features or components of a general purpose computer and / or a dedicated computing device or a specific computing device or a particular computing device.
  • the processes may be realized by one or more microprocessors, microcontrollers, embedded microcontrollers, programmable digital signal processors or other programmable devices having internal and / or external memory. Additionally or alternatively, the processes can be configured to process application specific integrated circuits (ASICs), programmable gate arrays, programmable array logic (PAL) Or any other device or combination of devices.
  • ASICs application specific integrated circuits
  • PAL programmable array logic
  • the objects of the technical solution of the present invention, or portions contributing to the prior art may be implemented in the form of program instructions that can be executed through various computer components and recorded on a machine-readable recording medium.
  • the machine-readable recording medium may include program commands, data files, data structures, and the like, alone or in combination.
  • the program instructions recorded on the machine-readable recording medium may be those specially designed and constructed for the present invention or may be those known to those of ordinary skill in the computer software arts.
  • machine-readable recording medium examples include magnetic media such as hard disks, floppy disks and magnetic tape, optical recording media such as CD-ROM, DVD, Blu-ray, magneto-optical media such as floptical disks magneto-optical media, and hardware devices specifically configured to store and execute program instructions such as ROM, RAM, flash memory, and the like.
  • Examples of program instructions include, but are not limited to, any of the above devices, as well as a heterogeneous combination of processors, processor architectures or combinations of different hardware and software, Which may be constructed using a structured programming language such as C, an object-oriented programming language such as C ++ or an advanced or low-level programming language (assembly language, hardware description languages and database programming languages and techniques) This includes not only bytecode, but also high-level language code that can be executed by a computer using an interpreter or the like.
  • combinations of the methods and methods may be implemented as executable code that performs each of the steps.
  • the method may be implemented as systems for performing the steps, and the methods may be distributed in various ways throughout the devices, or all functions may be integrated into one dedicated, stand-alone device, or other hardware.
  • the means for performing the steps associated with the processes described above may include any of the hardware and / or software described above. All such sequential combinations and combinations are intended to be within the scope of this disclosure.
  • the hardware device may be configured to operate as one or more software modules to perform processing in accordance with the present invention, and vice versa.
  • the hardware device may include a processor, such as an MPU, CPU, GPU, TPU, coupled to a memory, such as ROM / RAM, for storing program instructions and configured to execute instructions stored in the memory, And a communication unit capable of receiving and sending data.
  • the hardware device may include a keyboard, a mouse, and other external input devices for receiving commands generated by the developers.
  • Such equally or equivalently modified means include, for example, a logically equivalent method which can produce the same result as the method according to the present invention, Should not be limited by the foregoing examples, but should be understood in the broadest sense permissible by law.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

본 발명은 영상을 재구성하는 방법 및 이를 이용한 장치에 관한 것이다. 구체적으로, 본 발명에 따른 방법에 의하면, 컴퓨팅 장치에 피사체에 대한 일련의 제1 슬라이스 영상이 입력되면, 상기 컴퓨팅 장치는, 상기 제1 슬라이스 영상으로부터 상기 제1 슬라이스 영상의 슬라이스 두께인 제1 슬라이스 두께와 상이한 제2 슬라이스 두께를 가지는 제2 슬라이스 영상을 생성하고, 생성된 상기 제2 슬라이스 영상을 제공한다.

Description

일련의 슬라이스 영상을 재구성하는 방법 및 이를 이용한 장치
본 발명은 영상을 재구성하는 방법 및 이를 이용한 장치에 관한 것이다. 구체적으로, 본 발명에 따른 방법에 의하면, 컴퓨팅 장치에 피사체에 대한 일련의 제1 슬라이스 영상이 입력되면, 상기 컴퓨팅 장치는, 상기 제1 슬라이스 영상으로부터 상기 제1 슬라이스 영상의 슬라이스 두께인 제1 슬라이스 두께와 상이한 제2 슬라이스 두께를 가지는 제2 슬라이스 영상을 생성하고, 생성된 상기 제2 슬라이스 영상을 제공한다.
현재, 병변을 분석함으로써 진단에 이용하기 위한 영상 검사로서 CT(컴퓨터 단층 촬영) 기술이 널리 이용되고 있다. CT 영상을 이루는 개별 슬라이스 영상은 소정 두께의 부피를 평면에 투영(projection)한 것인데, 그 개별 슬라이스 영상의 두께를 편의상 CT 영상의 두께라고 지칭한다. 예를 들어 5mm 두께의 영상은 물리적으로 5mm 두께 공간의 정보를 하나의 영상으로 합쳐 놓은 것으로서 영상이 흐릿하여, 즉 품질이 낮다.
CT 영상의 두께는 CT 판독시의 목적과 환경에 따라 상이하게 재구성되고, 두께가 얇을수록 영상의 품질이 높아 정교한 판독이 가능한 데 비하여 CT 영상의 장수가 많아져 판독에 오랜 시간이 소요된다. 따라서, 건강 검진과 같이 판독의 효율성이 중요한 환경에서는 CT 영상의 두께를 5mm로 하여 판독하고, 고위험 환자의 진단을 위하여는 1mm와 같이 두께가 얇은 영상을 이용하여 판독하는 것이 전형적이다.
이렇게 고위험 환자의 진단을 위하여 이용하는 것과 같이 판독을 보조하는 시스템에 있어서는 5mm 영상에서 병변을 검출하는 것에 비하여 1mm 영상에서 병변을 검출하는 것이 검출 정확도가 더 높다는 점이 알려져 있다. 그러나 경우에 따라서는 5mm 영상만이 가용하고 1mm 영상의 별도 획득이 불가능한 상황이 있는바, 이 상황에서 5mm 영상으로부터 1mm 영상을 합성할 수 있다면, 예컨대, 이를 기초로 판독 보조 시스템을 활용하여 그 판독, 진단 결과를 획득하고 이를 다시 원래의 5mm 영상에 표시해줌으로써, 전체적으로 컴퓨터 보조 판독의 정확도를 높이면서도 효율성도 아울러 높일 수 있을 것이다.
이 같이 본 발명에서는 상대적으로 더 두꺼운 슬라이스 영상들로부터 얇은 슬라이스 영상들을 획득할 수 있도록 슬라이스 영상들을 재구성할 수 있게 하는 방법 및 이를 이용한 장치를 제안하고자 한다.
[선행기술문헌]
(특허문헌 1) US6023494 B
(특허문헌 2) US7660448 B
(비특허문헌 1): Goodfellow, Ian J.; Pouget-Abadie, Jean; Mirza, Mehdi; Xu, Bing; Warde-Farley, David; Ozair, Sherjil; Courville, Aaron; Bengio, Yoshua (2014). "Generative Adversarial Networks"
(비특허문헌 2): Chao Dong etal. Image Super-Resolution Using Deep Convolutional Networks, arXiv preprint arXiv:1501.00092v3, 2015
본 발명은 상대적으로 더 두꺼운 슬라이스 영상들을 더 얇은 슬라이스 영상들로 변환할 수 있게 하는 것을 목적으로 한다.
구체적으로, 본 발명은 더 얇은 슬라이스 영상들로 변환함으로써 개별 슬라이스 영상의 품질을 높여 판독을 용이하게 하는 것을 목적으로 한다.
결국 본 발명은 두꺼운 슬라이스 영상들로부터 얇은 슬라이스 영상들을 재구성해내어 의사가 더 정확한 진단 결과를 도출할 수 있도록 보조할 뿐만 아니라 판독 보조 시스템에 의한 분석 정확도도 높이는 것을 목적으로 한다.
상기한 바와 같은 본 발명의 목적을 달성하고, 후술하는 본 발명의 특징적인 효과를 실현하기 위한 본 발명의 특징적인 구성은 하기와 같다.
본 발명의 일 태양(aspect)에 따르면, 영상을 재구성하는 방법이 제공되는바, 그 방법은, (a) 피사체에 대한 일련의 제1 슬라이스 영상이 입력되면, 컴퓨팅 장치가, 상기 제1 슬라이스 영상으로부터 상기 제1 슬라이스 영상의 슬라이스 두께인 제1 슬라이스 두께와 상이한 제2 슬라이스 두께를 가지는 제2 슬라이스 영상을 생성하거나 상기 컴퓨팅 장치에 연동되는 타 장치로 하여금 생성하도록 지원하는 단계; 및 (b) 상기 컴퓨팅 장치가, 생성된 상기 제2 슬라이스 영상을 제공하거나 제공하도록 지원하는 단계를 포함한다.
본 발명의 다른 태양에 따르면, 본 발명에 따른 영상 재구성 방법을 수행하도록 구현된 명령어(instructions)를 포함하는, 기계 판독 가능한 비일시적 기록 매체에 저장된, 컴퓨터 프로그램도 제공된다.
본 발명의 또 다른 태양에 따르면, 영상을 재구성하는 컴퓨팅 장치가 제공되는바, 그 컴퓨팅 장치는, 피사체에 대한 일련의 제1 슬라이스 영상을 입력받는 통신부; 및 상기 일련의 제1 슬라이스 영상이 입력되면, 상기 제1 슬라이스 영상으로부터 상기 제1 슬라이스 영상의 슬라이스 두께인 제1 슬라이스 두께와 상이한 제2 슬라이스 두께를 가지는 제2 슬라이스 영상을 생성하거나 상기 통신부를 통하여 연동되는 타 장치로 하여금 생성하도록 지원하는 프로세서를 포함하고, 상기 프로세서는, 생성된 상기 제2 슬라이스 영상을 제공하거나 상기 타 장치로 하여금 제공하도록 지원한다.
본 발명에 의하면, 상대적으로 더 두꺼운 공간 정보가 하나로 합쳐진 영상들을 더 얇은 슬라이스 영상들로 변환할 수 있어 슬라이스 영상들의 품질이 향상되는 효과가 있다.
또한, 본 발명에 의하면, 더 높은 품질의 슬라이스 영상들이 가용해짐에 따라 인간 또는 컴퓨터 판독 보조 시스템에 의한 판독 정보의 생성시의 정확도를 향상시킬 수 있는 장점이 있다.
그리고 본 발명의 일 실시 예에 의하면, 병변 의심도가 낮은 위치에서는 두꺼운 슬라이스 영상으로 판독의 속도를 높이고, 병변 의심도가 높은 위치에서 합성된 더 얇은 슬라이스 영상을 보여줌으로써 판독의 정확도를 높임으로써 인간에 의한 결과 판독이 더욱 더 신속 정확해지도록 할 수 있는 효과가 있다.
요컨대, 본 발명에 따르면 궁극적으로 의료진의 병변 진단에 소요되는 시간을 절약하고 판독의 속도와 품질을 높여 의료 현장에서의 워크플로(workflow)를 혁신할 수 있게 되는 잠재적 효과가 있다.
그리고 본 발명은, 종래에 병원에서 이용하고 있는 의료 영상, 예컨대 3차원적으로 획득된 초음파 영상, MRI 영상 등이 그대로 활용될 수 있는바, 본 발명의 방법이 특정 형식의 영상이나 플랫폼에 종속되지 않음은 물론이다.
본 발명의 실시 예의 설명에 이용되기 위하여 첨부된 아래 도면들은 본 발명의 실시 예들 중 단지 일부일 뿐이며, 본 발명이 속한 기술분야의 통상의 기술자에게 있어서는 발명적 작업이 이루어짐 없이 이 도면들에 기초하여 다른 도면들이 얻어질 수 있다.
도 1은 본 발명에 따라 제1 슬라이스 영상으로부터 상이한 슬라이스 두께를 가지는 제2 슬라이스 영상을 재구성하는 방법(이하 “영상 재구성 방법”이라 함)을 수행하는 컴퓨팅 장치의 예시적 구성을 개략적으로 도시한 개념도이다.
도 2는 본 발명에 따른 영상 재구성 방법을 수행하는 컴퓨팅 장치의 하드웨어 또는 소프트웨어 구성요소를 도시한 예시적 블록도이다.
도 3은 본 발명에 따른 영상 재구성 방법을 개념적으로 나타낸 도면이다.
도 4는 본 발명에 따른 영상 재구성 방법을 예시적으로 나타낸 흐름도이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명의 목적들, 기술적 해법들 및 장점들을 분명하게 하기 위하여 본 발명이 실시될 수 있는 특정 실시 예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시 예는 통상의 기술자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다.
본 발명의 상세한 설명 및 청구항들에 걸쳐 이용된 "영상" 또는 "영상 데이터"라는 용어는 이산적 영상 요소들(예컨대, 2차원 영상에 있어서는 픽셀, 3차원 영상에 있어서는 복셀)로 구성된 다차원 데이터를 지칭한다. 예를 들어 "영상"은 (콘-빔형; cone-beam) 전산화 단층 촬영(computed tomography), MRI(magnetic resonance imaging), 초음파 또는 본 발명의 기술분야에서 공지된 임의의 다른 의료 영상 시스템의 의하여 수집된 피사체, 즉 피검체(subject)의 의료 영상일 수 있다. 또한 영상은 비의료적 맥락에서 제공될 수도 있는바, 예를 들어 원격 감지 시스템(remote sensing system), 전자현미경(electron microscopy) 등등이 있을 수 있다.
본 발명의 상세한 설명 및 청구항들에 걸쳐, '영상'은 (예컨대, 비디오 화면에 표시된) 눈으로 볼 수 있는 영상 또는 (예컨대, CT, MRI 검출기 등의 픽셀 출력에 대응되는 파일과 같은) 영상의 디지털 표현물을 지칭하는 용어이다.
설명의 편의를 위하여 제시된 도면에서는 때때로 콘-빔형 CT(cone-beam computed tomography; CBCT) 영상 데이터가 예시적 영상 형식(modality)인 것으로 도시되었다. 그러나 통상의 기술자는 본 발명의 다양한 실시 예에서 이용되는 영상 형식들이 X선 영상, MRI, CT, PET(positron emission tomography), PET-CT, SPECT, SPECT-CT, MR-PET, 3D 초음파 영상 등등을 포함하나 3차원적 영상 및 이로부터 파생된 슬라이스 영상이기만 하면 예시적으로 열거된 형식에 한정되지 않는다는 점을 이해할 수 있을 것이다.
본 발명의 상세한 설명 및 청구항들에 걸쳐 ‘DICOM(Digital Imaging and Communications in Medicine; 의료용 디지털 영상 및 통신)’ 표준은 의료용 기기에서 디지털 영상 표현과 통신에 이용되는 여러 가지 표준을 총칭하는 용어인바, DICOM 표준은 미국 방사선 의학회(ACR)와 미국 전기 공업회(NEMA)에서 구성한 연합 위원회에서 발표한다.
또한, 본 발명의 상세한 설명 및 청구항들에 걸쳐 ‘의료영상 저장 전송 시스템(PACS; Picture Archiving and Communication System)’은 DICOM 표준에 맞게 저장, 가공, 전송하는 시스템을 지칭하는 용어이며, X선, CT, MRI와 같은 디지털 의료영상 장비를 이용하여 획득된 의료영상 이미지는 DICOM 형식으로 저장되고 네트워크를 통하여 병원 내외의 단말로 전송이 가능하며, 이에는 판독 결과 및 진료 기록이 추가될 수 있다.
그리고 본 발명의 상세한 설명 및 청구항들에 걸쳐 '학습' 혹은 '러닝'은 절차에 따른 컴퓨팅(computing)을 통하여 기계 학습(machine learning)을 수행함을 일컫는 용어인바, 인간의 교육 활동과 같은 정신적 작용을 지칭하도록 의도된 것이 아님을 통상의 기술자는 이해할 수 있을 것이다.
그리고 본 발명의 상세한 설명 및 청구항들에 걸쳐, '포함하다'라는 단어 및 그 변형은 다른 기술적 특징들, 부가물들, 구성요소들 또는 단계들을 제외하는 것으로 의도된 것이 아니다. 또한, ‘하나’ 또는 ‘한’은 하나 이상의 의미로 쓰인 것이며, ‘또 다른’은 적어도 두 번째 이상으로 한정된다.
통상의 기술자에게 본 발명의 다른 목적들, 장점들 및 특성들이 일부는 본 설명서로부터, 그리고 일부는 본 발명의 실시로부터 드러날 것이다. 아래의 예시 및 도면은 실례로서 제공되며, 본 발명을 한정하는 것으로 의도된 것이 아니다. 따라서, 특정 구조나 기능에 관하여 본 명세서에 개시된 상세 사항들은 한정하는 의미로 해석되어서는 아니되고, 단지 통상의 기술자가 실질적으로 적합한 임의의 상세 구조들로써 본 발명을 다양하게 실시하도록 지침을 제공하는 대표적인 기초 자료로 해석되어야 할 것이다.
더욱이 본 발명은 본 명세서에 표시된 실시 예들의 모든 가능한 조합들을 망라한다. 본 발명의 다양한 실시 예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시 예에 관련하여 본 발명의 사상 및 범위를 벗어나지 않으면서 다른 실시 예로 구현될 수 있다. 또한, 각각의 개시된 실시 예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 사상 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.
본 명세서에서 달리 표시되거나 분명히 문맥에 모순되지 않는 한, 단수로 지칭된 항목은, 그 문맥에서 달리 요구되지 않는 한, 복수의 것을 아우른다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
이하, 통상의 기술자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 바람직한 실시 예들에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
도 1은 본 발명에 따른 영상 재구성 방법을 수행하는 컴퓨팅 장치의 예시적 구성을 개략적으로 도시한 개념도이다.
도 1을 참조하면, 본 발명의 일 실시 예에 따른 컴퓨팅 장치(100)는, 통신부(110) 및 프로세서(120)를 포함하며, 상기 통신부(110)를 통하여 외부 컴퓨팅 장치(미도시)와 직간접적으로 통신할 수 있다.
구체적으로, 상기 컴퓨팅 장치(100)는, 전형적인 컴퓨터 하드웨어(예컨대, 컴퓨터 프로세서, 메모리, 스토리지, 입력 장치 및 출력 장치, 기타 기존의 컴퓨팅 장치의 구성요소들을 포함할 수 있는 장치; 라우터, 스위치 등과 같은 전자 통신 장치; 네트워크 부착 스토리지(NAS; network-attached storage) 및 스토리지 영역 네트워크(SAN; storage area network)와 같은 전자 정보 스토리지 시스템)와 컴퓨터 소프트웨어(즉, 컴퓨팅 장치로 하여금 특정의 방식으로 기능하게 하는 명령어들)의 조합을 이용하여 원하는 시스템 성능을 달성하는 것일 수 있다.
이와 같은 컴퓨팅 장치의 통신부(110)는 연동되는 타 컴퓨팅 장치와 요청과 응답을 송수신할 수 있는바, 일 예시로서 그러한 요청과 응답은 동일한 TCP(transmission control protocol) 세션(session)에 의하여 이루어질 수 있지만, 이에 한정되지는 않는바, 예컨대 UDP(user datagram protocol) 데이터그램(datagram)으로서 송수신될 수도 있을 것이다. 덧붙여, 넓은 의미에서 상기 통신부(110)는 명령어 또는 지시 등을 전달받기 위한 키보드, 마우스, 기타 외부 입력장치, 프린터, 디스플레이, 기타 외부 출력장치를 포함할 수 있다.
또한, 컴퓨팅 장치의 프로세서(120)는 MPU(micro processing unit), CPU(central processing unit), GPU(graphics processing unit) 또는 TPU(tensor processing unit), 캐시 메모리(cache memory), 데이터 버스(data bus) 등의 하드웨어 구성을 포함할 수 있다. 또한, 운영체제, 특정 목적을 수행하는 애플리케이션의 소프트웨어 구성을 더 포함할 수도 있다.
도 2는 본 발명에 따른 영상 재구성 방법을 수행하는 컴퓨팅 장치의 하드웨어 또는 소프트웨어 구성요소를 도시한 예시적 블록도이다.
도 2를 참조하여 본 발명에 따른 방법 및 장치의 구성을 간략히 개관하면, 컴퓨팅 장치(100)는 그 구성요소로서 영상 획득 모듈(210)을 포함할 수 있다. 이 영상 획득 모듈(210)은 본 발명에 따른 방법이 적용되는 3차원적 영상, 즉 일련의 제1 슬라이스 영상을 획득하도록 구성되는바, 도 2에 도시된 개별 모듈들은, 예컨대, 컴퓨팅 장치(100)에 포함된 통신부(110)나 프로세서(120), 또는 상기 통신부(110) 및 프로세서(120)의 연동에 의하여 구현될 수 있음은 통상의 기술자가 이해할 수 있을 것이다. 슬라이스 영상은 예를 들어 통신부(110)를 통하여 연동되는 영상 촬영 기기 또는 의료영상 저장 전송 시스템(PACS)과 같은 외부 영상 저장 시스템으로부터 획득되는 것일 수 있으나 이에 한정되지는 않는다. 예를 들어, 슬라이스 영상은 (의료) 영상 촬영 기기를 통하여 촬영되어 DICOM 표준에 따라 PACS에 전송된 후 컴퓨팅 장치(100)의 영상 획득 모듈(210)에 의하여 획득될 수 있다.
다음으로, 그 획득된 의료 영상은 영상 생성 모듈(220)에 전달될 수 있는데, 이 영상 생성 모듈(220)은 상기 제1 슬라이스 영상에서 추출된 특징에 부합하는 제2 슬라이스 영상을 생성하도록 구성된다. 예를 들어 영상 생성 모듈(220)은 완전 합성곱 신경망(Fully Convolutional Neural Network)이나 생성적 적대적 신경망(generative adversarial network; GAN)과 같은 근래의 신경망에 의하여 구성될 수 있는바, 예컨대 생성적 적대적 신경망의 구성은 비특허문헌 1: [Goodfellow, Ian J.; Pouget-Abadie, Jean; Mirza, Mehdi; Xu, Bing; Warde-Farley, David; Ozair, Sherjil; Courville, Aaron; Bengio, Yoshua (2014). "Generative Adversarial Networks"]에 개시된 바와 같다.
예를 들어 영상 생성 모듈(220)을 구성하는 신경망은 생성 신경망(222) 및 분류 신경망(224)을 포함하는 생성적 적대적 신경망일 수 있는바, 도 2에 개념적으로 예시된 바와 같다. 그러나 후술하는 바와 같이 영상 생성 모듈(220)에서 이용되는 기법이 GAN에 한정되지 않고 다양한 기법이 이용될 수 있음은 물론이다. 학습 혹은 훈련이 완료된 상기 영상 생성 모듈(220)은 생성 신경망(222)만으로 구성될 수도 있는바, 분류 신경망(224)은 후술하는 바와 같이 학습을 위한 것이기 때문이다.
제2 슬라이스 영상이 생성되면, 제2 슬라이스 영상은 영상 저장 및 전송 모듈(230)에 전달될 수 있고, 이 영상 저장 및 전송 모듈(230)은 제2 슬라이스 영상의 정보를 저장하거나 외부 엔티티(entity)에 제공할 수 있다. 외부 엔티티에 제공되는 때에는 상기 영상 저장 및 전송 모듈(230)은 소정의 디스플레이 장치 등을 통할 수도 있으며, 상기 제2 슬라이스 영상의 저장은 컴퓨팅 장치(100)에 연동되는 타 장치, 예컨대 PACS에 의하여 수행될 수도 있다.
도 2에 나타난 구성요소들은 설명의 편의상 하나의 컴퓨팅 장치에서 실현되는 것으로 예시되었으나, 본 발명의 방법을 수행하는 컴퓨팅 장치(100)는 복수개가 서로 연동되도록 구성될 수도 있다는 점이 이해될 것이다.
이제 본 발명에 따른 영상 재구성 방법의 일 실시 예를 도 3 및 4를 참조하여 더 구체적으로 설명하기로 한다.
도 3은 본 발명에 따른 영상 재구성 방법을 개념적으로 나타낸 도면이며, 도 4는 본 발명에 따른 영상 재구성 방법을 예시적으로 나타낸 흐름도이다.
도 3 및 도 4를 참조하면, 본 발명에 따른 영상 재구성 방법은, 먼저, 컴퓨팅 장치(100)에 의하여 구현되는 영상 획득 모듈(210)이, 피사체, 즉 피검체에 대한 일련의 제1 슬라이스 영상을 입력받거나 컴퓨팅 장치(100)에 연동되는 타 장치로 하여금 입력받도록 지원하는 단계(S100)를 포함하는데, 그러한 일련의 제1 슬라이스 영상은 도 3에 예시적으로 나타난 바와 같이 흉부 CT의 축면 영상(axial image of chest CT; 310)일 수 있다.
본 발명에서는 설명의 편의상 폐결절(nodule) 등의 폐 관련 병변을 검출하는 것을 보조하기 위한 용도로서 흉부 CT 영상을 재구성하는 것으로 예시되어 있으나, 이에 한정되지 않고 일반적으로 슬라이스 영상의 두께를 조절할 수 있는 3차원 의료 영상에는 모두 적용 가능하다는 점이 이해될 수 있을 것이다.
다음으로, 본 발명에 따른 영상 재구성 방법은, 상기 컴퓨팅 장치(100)에 의하여 구현되는 영상 생성 모듈(220)이, 획득된 상기 제1 슬라이스 영상 및 제1 슬라이스 영상의 두께에 기초하여, 상기 제1 슬라이스 두께와 상이한 제2 슬라이스 두께를 가지는 제2 슬라이스 영상(320)을 생성하거나 상기 타 장치로 하여금 생성하도록 지원하는 단계(S200)를 더 포함한다. 여기에서, 상기 일련의 제1 슬라이스 영상 각각은 상기 제1 슬라이스 두께의 영역 중 적어도 일부가 인접한 다른 제1 슬라이스 영상의 영역과 중첩될 수도 있다.
일 실시 예에서, 획득된 제1 슬라이스 영상들의 개수가 n개(n≥1)이고, 그 두께가 t라면, 이로부터 생성하여야 할 제2 슬라이스 영상은 m개(m>n)개일 수 있는데, 그렇다면, 제2 슬라이스 두께 T는 T≥n*t/m일 수 있다.
단순한 보간법, 예컨대 선형 보간에 의하여는 제1 슬라이스 영상으로부터 보다 더 나은 품질의 제2 슬라이스 영상을 생성하는 것이 불가능하다는 점을 통상의 기술자는 이해할 수 있을 것이다.
따라서 본 발명의 영상 재구성 방법에서는 제1 슬라이스 영상들로부터 제2 슬라이스 영상들을 생성하기 위한 영상 생성 모듈은 입력된 특정 제1 슬라이스 영상들만을 고려하지 않고, 대량의 제1 슬라이스 영상들과 이에 대응되는 제2 슬라이스 영상들에 기초하여 학습된 영상 생성 모듈(220)을 이용한다.
간략하게 설명하면, 영상 생성 모듈(220)은 입력 슬라이스 영상들(즉, 제1 슬라이스 영상)의 특징을 추출하고 그 특징에 부합하는 출력 슬라이스 영상들(즉, 제2 슬라이스 영상)을 재생성하는 구성인바, 그 일 예시는, 제1 슬라이스 영상들(310)로부터 제2 슬라이스 영상들(320)을 생성하도록 구성된 심층 신경망인 완전 합성곱 신경망을 이용하는 것인바, 이를 이루는 층들 간에 residual skip connection, 3x3x3 convolution, strided convolution, transposed convolution의 관계가 성립될 수 있다는 점은 도 3에 예시된 바와 같다.
이 같은 완전 합성곱 신경망뿐만 아니라 GAN(생성적-적대적 신경망; generative adversarial network)을 응용할 수도 있는데, GAN에 관한 논문인 비특허문헌 1: Goodfellow, Ian J.; Pouget-Abadie, Jean; Mirza, Mehdi; Xu, Bing; Warde-Farley, David; Ozair, Sherjil; Courville, Aaron; Bengio, Yoshua (2014). "Generative Adversarial Networks"에 따르면 생성 신경망(222)은 실제와 유사한 영상을 생성함으로써 분류 신경망(224)을 속여 그 유사한 영상을 실제 영상으로 분류하게 하는 것을 목표로 가지는 반면, 분류 신경망(224)은 실제 영상과 유사한 데이터를 서로 분류해내는 것을 목표로 가진다. 이 GAN에 의한 학습이 진행되는 과정에서 생성 신경망과 분류 신경망은 각각의 목표를 달성하기 위하여 네트워크 가중치를 갱신하는바, 충분한 학습 후에는 생성 신경망이 실제와 유사한 영상을 생성해내고, 분류 신경망에 의한 판별률이 이론적으로 0.5에 수렴되는 것이 밝혀져 있다. 이와 같은 GAN을 개량하여 하나의 영상에 대응되는 다양한 클래스(종류)의 영상을 생성할 수 있다. GAN을 이용하는 다른 일 예시로서 입력되는 제1 슬라이스 영상들과 유사한 특징을 가지는 제2 슬라이스 영상들을 생성함으로써 단계(S200)가 수행될 수 있다.
바람직하게는, 입력되는 제1 슬라이스 영상들로부터 다양한 슬라이스 두께의 제2 슬라이스 영상을 생성할 수 있도록 생성 신경망(222)에 제2 슬라이스 두께, 또는 제1 슬라이스 두께와 제2 슬라이스 두께 모두를 파라미터로 제공할 수도 있다.
구체적인 예시로서, 영상 생성 모듈(220)은 생성 신경망(222) 및 분류 신경망(224)을 포함하거나 생성 신경망(222)을 포함할 수 있고, 그 중 생성 신경망(222)은 제1 슬라이스 영상들로부터 판독된 제2 슬라이스 영상을 생성할 수 있다. 이때, 제2 슬라이스 두께, 또는 제1 슬라이스 두께 및 제2 슬라이스 두께를 파라미터로 받으면, 생성 신경망(222)은 입력된 제1 슬라이스 영상으로부터 제2 슬라이스 두께의 특징을 가지도록 제2 슬라이스 영상을 생성할 수 있을 것이다.
이러한 영상 생성 모듈(220)은 상기 제1 슬라이스 두께의 제1 훈련용 슬라이스 영상 및 이에 대응되는 상기 제2 슬라이스 두께의 제2 훈련용 슬라이스 영상을 포함하는 복수의 훈련용 슬라이스 영상 쌍을 훈련용 데이터로 하여 미리 학습된 것일 수 있다.
한편, 낮은 해상도의 영상을 높은 해상도의 영상으로 변환하는, 즉 해상도를 높이는 기법인 SR(superresolution; 초해상)이 가능하다는 점은 알려져 있는바, 이 SR은 예컨대 비특허문헌 2: [Chao Dong etal. Image Super-Resolution Using Deep Convolutional Networks, arXiv preprint arXiv:1501.00092v3, 2015]에 개시된 바와 같다. 이 문헌에서 설명된 SR의 기법 또한 입력 영상의 특징을 추출하고 그 특징에 부합하는 출력 영상을 재생성하는 것이므로, 통상의 기술자는 이 SR 기법의 적용에 의하여 단계(S200)가 수행될 수도 있다는 점을 이해할 수 있을 것이다.
다시, 도 4를 참조하면, 본 발명에 따른 영상 재구성 방법은, 컴퓨팅 장치(100)에 의하여 구현되는 영상 저장 및 전송 모듈(230)이 생성된 상기 제2 슬라이스 영상을 제공하거나 제공하도록 지원하는 단계(S300)를 더 포함한다.
이 단계(S300)에서는 생성된 제2 슬라이스 영상은 저장 및 전송 모듈(230)을 통하여 저장되거나, 그리고/또는 소정의 디스플레이 장치를 통하여 외부 엔티티(entity)에 제공되거나, 그리고/또는 컴퓨팅 장치(100)에 연동되는 타 장치, 예컨대 PACS에 제공될 수 있다.
여기에서 외부 엔티티라고 함은, 상기 컴퓨팅 장치(100)의 사용자, 관리자, 상기 피검체를 담당하는 담당 의료 전문가 등을 포함하나, 이 이외에도 상기 제1 슬라이스 영상으로부터 산출된 제2 슬라이스 영상을 필요로 하는 주체라면 어느 주체라도 포함되는 것으로 이해되어야 할 것이다. 예를 들어, 상기 외부 엔티티는 상기 제2 슬라이스 영상을 활용하는 별도의 AI 하드웨어 및/또는 소프트웨어 모듈을 포함하는 외부의 AI 장치일 수도 있다. 또한, 외부 엔티티에서의 ‘외부(external)’는 상기 제1 슬라이스 영상 및 제2 슬라이스 영상 중 적어도 하나를 이용하는 AI 하드웨어 및/또는 소프트웨어 모듈이 상기 컴퓨팅 장치(100)에 일체화되는 실시 예를 배제하도록 의도된 것이 아니라, 본 발명의 방법을 수행하는 하드웨어 및/또는 소프트웨어 모듈의 결과물인 제2 슬라이스 영상이 타 방법의 입력 데이터로 활용될 수 있음을 시사하도록 이용된 것임을 밝혀둔다. 즉, 상기 외부 엔티티는 컴퓨팅 장치(100) 자체일 수도 있다.
한편, 이와 같이 생성된 제2 슬라이스 영상은 향후 의사의 판독 및 진단을 용이하게 하는 데에 활용될 수 있을 것이다.
한편, 본 발명의 영상 재구성 방법의 일 변형례에서는 제1 슬라이스 영상에서 검출되는 병변이 실제 병변일 가능성인 병변 의심도가 높은 위치에 대해서만 이에 대응되는 제2 슬라이스 영상을 생성하여 보여주고 병변 의심도가 낮은 위치에 대해서는 제1 슬라이스 영상을 보여줌으로써 판독의 정확성과 신속성이 동시에 향상되도록 할 수 있을 것이다.
이 변형례에서는 상기 단계(S200)는, 상기 일련의 제1 슬라이스 영상이 입력되면, 컴퓨팅 장치(100)가, 상기 일련의 제1 슬라이싱 영상에 대하여 병변의 위치 및 병변 의심도를 산출하거나 상기 타 장치로 하여금 산출하도록 지원하는 단계(S210)와, 상기 병변의 위치에 및 병변 의심도에 따른 소정의 필터링 조건을 만족하는 제1 슬라이싱 영상에 대해서만, 상기 제2 슬라이싱 영상을 생성하거나 생성하도록 지원하는 단계(S220)를 포함할 수 있다. 예를 들어, 그러한 소정의 필터링 조건은, 제1 슬라이싱 영상이 미리 정해진 문턱값(threshold) 이상의 병변 의심도(lesion confidence or suspicion)를 가지는 병변의 위치로부터 미리 정해진 거리 내에 존재하는 점을 포함하면, 그 제1 슬라이싱 영상이 필터링 조건을 만족하는 것으로 정해진 조건일 수 있다.
이 변형례는 병변으로 의심되지 않는 부분의 제2 슬라이싱 영상을 생성하지 않음으로써 연산 자원을 절약하면서 판독의나 AI의 수고를 덜 수 있는 장점이 있다.
이 변형례와 함께 또는 단독으로 실시될 수 있는 다른 변형례에서는 상기 단계(S200)에서, 사용자의 조작에 응하여, 상기 컴퓨팅 장치(100)가, 제2 슬라이스 영상을 제공하거나 제공하도록 지원하되(예컨대, 소정의 디스플레이 장치를 통하여 외부 엔티티가 인지할 수 있도록 표시하는 등으로), 제2 슬라이스 영상을 생성하지 않은 제1 슬라이스 영상은 제2 슬라이스 영상 대신에 제공하는 것을 특징으로 할 수 있다.
이 변형례와 앞서 설명한 변형례가 조합되면, 병변 의심도가 높은 위치에서는 제2 슬라이스 영상을 제공함으로써 판독의 또는 컴퓨터 판독 보조 시스템의 판독 혹은 진단의 정확도를 높이거나, 혹은 컴퓨터 판독 보조 시스템에 의하여 도출된 결과 정보의 정확성을 판독의가 확인하는 데 편리하게 활용하되, 그렇지 않은 위치에서는 제1 슬라이스 영상을 제공함으로써 판독의 신속성이 향상되는 장점이 있다.
이와 같이 본 발명은 전술한 모든 실시 예 및 변형례에 걸쳐, 품질이 보다 향상된 얇은 두께의 슬라이스 영상을 참조할 수 있게 되어 인간 또는 컴퓨터 판독 보조 시스템에 의한 판독시의 정확도가 향상되는 효과가 있다. 이로 인하여 의사의 더 정확한 진단이 가능해지게 되는바, 궁극적으로 AI의 조력으로써 진료의 질을 높이고 의료 현장에서의 워크플로를 개선할 수 있을 것이다.
위 실시 예의 설명에 기초하여 해당 기술분야의 통상의 기술자는, 본 발명의 방법 및/또는 프로세스들, 그리고 그 단계들이 하드웨어, 소프트웨어 또는 특정 용례에 적합한 하드웨어 및 소프트웨어의 임의의 조합으로 실현될 수 있다는 점을 명확하게 이해할 수 있다. 상기 하드웨어는 범용 컴퓨터 및/또는 전용 컴퓨팅 장치 또는 특정 컴퓨팅 장치 또는 특정 컴퓨팅 장치의 특별한 모습 또는 구성요소를 포함할 수 있다. 상기 프로세스들은 내부 및/또는 외부 메모리를 가지는, 하나 이상의 마이크로프로세서, 마이크로컨트롤러, 임베디드 마이크로컨트롤러, 프로그래머블 디지털 신호 프로세서 또는 기타 프로그래머블 장치에 의하여 실현될 수 있다. 게다가, 혹은 대안으로서, 상기 프로세스들은 주문형 집적회로(application specific integrated circuit; ASIC), 프로그래머블 게이트 어레이(programmable gate array), 프로그래머블 어레이 로직(Programmable Array Logic; PAL) 또는 전자 신호들을 처리하기 위해 구성될 수 있는 임의의 다른 장치 또는 장치들의 조합으로 실시될 수 있다. 더욱이 본 발명의 기술적 해법의 대상물 또는 선행 기술들에 기여하는 부분들은 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 기계 판독 가능한 기록 매체에 기록될 수 있다. 상기 기계 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 기계 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야의 통상의 기술자에게 공지되어 사용 가능한 것일 수도 있다. 기계 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD, Blu-ray와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 전술한 장치들 중 어느 하나뿐만 아니라 프로세서, 프로세서 아키텍처 또는 상이한 하드웨어 및 소프트웨어의 조합들의 이종 조합, 또는 다른 어떤 프로그램 명령어들을 실행할 수 있는 기계 상에서 실행되기 위하여 저장 및 컴파일 또는 인터프리트될 수 있는, C와 같은 구조적 프로그래밍 언어, C++ 같은 객체지향적 프로그래밍 언어 또는 고급 또는 저급 프로그래밍 언어(어셈블리어, 하드웨어 기술 언어들 및 데이터베이스 프로그래밍 언어 및 기술들)를 사용하여 만들어질 수 있는바, 기계어 코드, 바이트코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 이에 포함된다.
따라서 본 발명에 따른 일 태양에서는, 앞서 설명된 방법 및 그 조합들이 하나 이상의 컴퓨팅 장치들에 의하여 수행될 때, 그 방법 및 방법의 조합들이 각 단계들을 수행하는 실행 가능한 코드로서 실시될 수 있다. 다른 일 태양에서는, 상기 방법은 상기 단계들을 수행하는 시스템들로서 실시될 수 있고, 방법들은 장치들에 걸쳐 여러 가지 방법으로 분산되거나 모든 기능들이 하나의 전용, 독립형 장치 또는 다른 하드웨어에 통합될 수 있다. 또 다른 일 태양에서는, 위에서 설명한 프로세스들과 연관된 단계들을 수행하는 수단들은 앞서 설명한 임의의 하드웨어 및/또는 소프트웨어를 포함할 수 있다. 그러한 모든 순차 결합 및 조합들은 본 개시서의 범위 내에 속하도록 의도된 것이다.
예를 들어, 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다. 상기 하드웨어 장치는, 프로그램 명령어를 저장하기 위한 ROM/RAM 등과 같은 메모리와 결합되고 상기 메모리에 저장된 명령어들을 실행하도록 구성되는 MPU, CPU, GPU, TPU와 같은 프로세서를 포함할 수 있으며, 외부 장치와 신호를 주고 받을 수 있는 통신부를 포함할 수 있다. 덧붙여, 상기 하드웨어 장치는 개발자들에 의하여 작성된 명령어들을 전달받기 위한 키보드, 마우스, 기타 외부 입력장치를 포함할 수 있다.
이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항들과 한정된 실시 예 및 도면에 의해 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명이 상기 실시 예들에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 사람이라면 이러한 기재로부터 다양한 수정 및 변형을 꾀할 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등하게 또는 등가적으로 변형된 모든 것들은 본 발명의 사상의 범주에 속한다고 할 것이다.
그와 같이 균등하게 또는 등가적으로 변형된 것에는, 예컨대 본 발명에 따른 방법을 실시한 것과 동일한 결과를 낼 수 있는, 논리적으로 동치(logically equivalent)인 방법이 포함될 것인바, 본 발명의 진의 및 범위는 전술한 예시들에 의하여 제한되어서는 아니되며, 법률에 의하여 허용 가능한 가장 넓은 의미로 이해되어야 한다.

Claims (13)

  1. 영상을 재구성하는 방법에 있어서,
    (a) 피사체에 대한 일련의 제1 슬라이스 영상이 입력되면, 컴퓨팅 장치가, 상기 제1 슬라이스 영상으로부터 상기 제1 슬라이스 영상의 슬라이스 두께인 제1 슬라이스 두께와 상이한 제2 슬라이스 두께를 가지는 제2 슬라이스 영상을 생성하거나 상기 컴퓨팅 장치에 연동되는 타 장치로 하여금 생성하도록 지원하는 단계; 및
    (b) 상기 컴퓨팅 장치가, 생성된 상기 제2 슬라이스 영상을 제공하거나 제공하도록 지원하는 단계
    를 포함하는 영상 재구성 방법.
  2. 제1항에 있어서,
    상기 (a) 단계는,
    n개(n≥1)의 제1 슬라이스 영상에 대하여, 상기 컴퓨팅 장치가, m개(m>n)개의 제2 슬라이스 영상을 생성하거나 생성하도록 지원하되,
    상기 제2 슬라이스 두께 T와 상기 제1 슬라이스 두께 t에 대하여 T≥n*t/m인 것을 특징으로 하는 영상 재구성 방법.
  3. 제1항에 있어서,
    상기 (a) 단계는,
    SR(superresolution)에 의하여 수행되는 것을 특징으로 하는 영상 재구성 방법.
  4. 제1항에 있어서,
    상기 (a) 단계는,
    심층 합성곱 신경망(deep convolutional neural network; CNN) 또는 생성적 적대적 신경망(GAN; generative adversarial network)을 이용한 영상 생성 모듈에 의하여 수행되는 것을 특징으로 하는 영상 재구성 방법.
  5. 제4항에 있어서,
    상기 영상 생성 모듈은, 상기 제1 슬라이스 두께의 제1 훈련용 슬라이스 영상 및 이에 대응되는 상기 제2 슬라이스 두께의 제2 훈련용 슬라이스 영상을 포함하는 복수의 훈련용 슬라이스 영상 쌍을 훈련용 데이터로 하여 미리 학습되는 것을 특징으로 하는 영상 재구성 방법.
  6. 제1항에 있어서,
    상기 (a) 단계는,
    (a1) 상기 일련의 제1 슬라이스 영상이 입력되면, 컴퓨팅 장치가, 상기 일련의 제1 슬라이스 영상에 대하여 병변의 위치 및 병변 의심도를 산출하거나 상기 타 장치로 하여금 산출하도록 지원하는 단계; 및
    (a2) 상기 컴퓨팅 장치가, 상기 병변의 위치 및 병변 의심도에 따른 소정의 필터링 조건을 만족하는 제1 슬라이스 영상에 대하여만, 상기 제2 슬라이스 영상을 생성하거나 생성하도록 지원하는 단계
    를 포함하는 영상 재구성 방법.
  7. 제1항에 있어서,
    상기 (b) 단계는,
    사용자의 조작에 응하여, 상기 컴퓨팅 장치가, 상기 제2 슬라이스 영상을 제공하거나 제공하도록 지원하되, 제2 슬라이스 영상이 생성되지 않은 제1 슬라이스 영상이 상기 제2 슬라이스 영상과 함께 제공되는 것을 특징으로 하는 영상 재구성 방법.
  8. 컴퓨팅 장치로 하여금, 제1항 내지 제7항 중 어느 한 항의 방법을 수행하도록 구현된 명령어(instructions)를 포함하는, 기계 판독 가능한 비일시적 기록 매체에 저장된, 컴퓨터 프로그램.
  9. 영상을 재구성하는 컴퓨팅 장치에 있어서,
    피사체에 대한 일련의 제1 슬라이스 영상을 입력받는 통신부; 및
    상기 일련의 제1 슬라이스 영상이 입력되면, 상기 제1 슬라이스 영상으로부터 상기 제1 슬라이스 영상의 슬라이스 두께인 제1 슬라이스 두께와 상이한 제2 슬라이스 두께를 가지는 제2 슬라이스 영상을 생성하거나 상기 통신부를 통하여 연동되는 타 장치로 하여금 생성하도록 지원하는 프로세서
    를 포함하되,
    상기 프로세서는,
    생성된 상기 제2 슬라이스 영상을 제공하거나 상기 타 장치로 하여금 제공하도록 지원하는 것을 특징으로 하는 영상 재구성 장치.
  10. 제9항에 있어서,
    상기 프로세서는,
    n개(n≥1)의 제1 슬라이스 영상에 대하여, m개(m>n)개의 제2 슬라이스 영상을 생성하거나 상기 타 장치로 하여금 생성하도록 지원하되,
    상기 제2 슬라이스 두께 T와 상기 제1 슬라이스 두께 t에 대하여 T≥n*t/m인 것을 특징으로 하는 영상 재구성 장치.
  11. 제9항에 있어서,
    상기 제2 슬라이스 영상의 생성은,
    SR(superresolution)에 의하여 수행되는 것을 특징으로 하는 영상 재구성 장치.
  12. 제9항에 있어서,
    상기 제2 슬라이스 영상의 생성은,
    심층 합성곱 신경망(deep convolutional neural network; CNN) 또는 생성적 적대적 신경망(GAN; generative adversarial network)을 이용한 상기 프로세서에 의하여 구현되는 영상 생성 모듈에 의하여 수행되는 것을 특징으로 하는 영상 재구성 장치.
  13. 제12항에 있어서,
    상기 영상 생성 모듈은, 상기 제1 슬라이스 두께의 제1 훈련용 슬라이스 영상 및 이에 대응되는 상기 제2 슬라이스 두께의 제2 훈련용 슬라이스 영상을 포함하는 복수의 훈련용 슬라이스 영상 쌍을 훈련용 데이터로 하여 미리 학습되는 것을 특징으로 하는 영상 재구성 장치.
PCT/KR2019/000758 2018-01-18 2019-01-18 일련의 슬라이스 영상을 재구성하는 방법 및 이를 이용한 장치 WO2019143177A1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US16/963,408 US11816833B2 (en) 2018-01-18 2019-01-18 Method for reconstructing series of slice images and apparatus using same
JP2020514501A JP6793994B2 (ja) 2018-01-18 2019-01-18 一連のスライス画像を再構成する方法およびこれを利用した装置

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020180006502A KR101894278B1 (ko) 2018-01-18 2018-01-18 일련의 슬라이스 영상을 재구성하는 방법 및 이를 이용한 장치
KR10-2018-0006502 2018-01-18

Publications (1)

Publication Number Publication Date
WO2019143177A1 true WO2019143177A1 (ko) 2019-07-25

Family

ID=63598241

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/000758 WO2019143177A1 (ko) 2018-01-18 2019-01-18 일련의 슬라이스 영상을 재구성하는 방법 및 이를 이용한 장치

Country Status (4)

Country Link
US (1) US11816833B2 (ko)
JP (1) JP6793994B2 (ko)
KR (1) KR101894278B1 (ko)
WO (1) WO2019143177A1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021030075A (ja) * 2019-08-13 2021-03-01 ビュノ インコーポレイテッドＶｕｎｏ， Ｉｎｃ． 再構成された画像群に基づく画像提供方法およびこれを利用した装置
JPWO2021060468A1 (ko) * 2019-09-25 2021-04-01
CN113284112A (zh) * 2021-05-27 2021-08-20 中国科学院国家空间科学中心 一种基于深度神经网络的熔滴图像轮廓提取方法及***

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101894278B1 (ko) 2018-01-18 2018-09-04 주식회사 뷰노 일련의 슬라이스 영상을 재구성하는 방법 및 이를 이용한 장치
WO2020060196A1 (ko) 2018-09-18 2020-03-26 서울대학교산학협력단 3차원 영상 재구성 장치 및 그 방법
US20220180490A1 (en) * 2019-03-06 2022-06-09 Electronics And Telecommunications Research Institute Image correction system and image correcting method thereof
KR102372200B1 (ko) 2019-04-16 2022-03-10 서울여자대학교 산학협력단 의료영상의 병변 정보 증강 패치에 하나 이상의 증강 방식을 적용한 학습데이터 기반의 병변 분류 방법 및 장치
KR102112706B1 (ko) * 2019-08-13 2020-05-19 주식회사 뷰노 결절 검출 방법 및 이를 이용한 장치
KR102275622B1 (ko) * 2019-08-13 2021-07-12 주식회사 뷰노 재구성된 영상군에 기초한 영상 제공 방법 및 이를 이용한 장치
US11830227B2 (en) 2020-05-12 2023-11-28 Lunit Inc. Learning apparatus and learning method for three-dimensional image

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000139897A (ja) * 1998-08-25 2000-05-23 General Electric Co <Ge> マルチスライス・イメ―ジング装置
KR20130088730A (ko) * 2012-12-05 2013-08-08 주식회사 인피니트헬스케어 의료영상 저장 전송 시스템의 정보 공유, 관리 장치 및 방법
KR20160088902A (ko) * 2013-11-20 2016-07-26 포비아, 인크. 3d 프린팅을 위한 다각형들의 볼륨 렌더링
KR20170058277A (ko) * 2015-11-09 2017-05-26 톰슨 라이센싱 잡음 있는 이미지들을 업스케일링하기 위한 방법, 및 잡음 있는 이미지들을 업스케일링하기 위한 장치

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2056528A1 (en) * 1990-12-21 1992-06-22 Kwok C. Tam Parallel processing method and apparatus for reconstructing a three-dimensional computerized tomography (ct) image of an object from cone beam projection data or from planar integrals
JPH0721349A (ja) * 1993-06-22 1995-01-24 Toshiba Corp 画像再構成方法
US6023494A (en) 1996-12-19 2000-02-08 General Electric Company Methods and apparatus for modifying slice thickness during a helical scan
EP1264281A4 (en) * 2000-02-25 2007-07-11 Univ New York State Res Found ARRANGEMENT AND METHOD FOR PROCESSING AND PLAYING A VOLUME
JP2004110438A (ja) * 2002-09-18 2004-04-08 Nec Corp 画像処理装置、画像処理方法及びプログラム
DE10249339A1 (de) 2002-10-22 2004-05-13 Bayer Ag Verfahren zur Racematspaltung von 3-Aminopentannitril
US7660448B2 (en) 2003-11-26 2010-02-09 Icad, Inc. Automated lesion characterization
WO2005106773A2 (en) * 2004-04-15 2005-11-10 Edda Technology, Inc. Spatial-temporal lesion detection, segmentation, and diagnostic information extraction system and method
US8046044B2 (en) * 2004-08-25 2011-10-25 Washington University Method and apparatus for acquiring overlapped medical image slices
JP4800129B2 (ja) * 2006-06-30 2011-10-26 富士フイルム株式会社 医用画像表示処理装置、及び、医用画像表示処理プログラム
WO2012018560A2 (en) * 2010-07-26 2012-02-09 Kjaya, Llc Adaptive visualization for direct physician use
KR101453711B1 (ko) * 2011-04-15 2014-10-22 이미지레콘, 엘엘씨 반복적 영상 재구성에서 픽손 맵을 결정하는 방법
US9542626B2 (en) * 2013-09-06 2017-01-10 Toyota Jidosha Kabushiki Kaisha Augmenting layer-based object detection with deep convolutional neural networks
KR101771362B1 (ko) 2016-07-13 2017-08-24 연세대학교 산학협력단 가스 감응형 나노 엑츄에이터 및 그 제조 방법
CN107330444A (zh) * 2017-05-27 2017-11-07 苏州科技大学 一种基于生成对抗网络的图像自动文本标注方法
KR101894278B1 (ko) 2018-01-18 2018-09-04 주식회사 뷰노 일련의 슬라이스 영상을 재구성하는 방법 및 이를 이용한 장치
WO2019178133A1 (en) * 2018-03-12 2019-09-19 Lvis Corporation Systems and methods for generating thin image slices from thick image slices
KR20200082660A (ko) 2018-12-31 2020-07-08 주식회사 메디픽셀 머신러닝 기반 병리 진단 방법 및 장치
KR102108418B1 (ko) 2019-08-13 2020-05-07 주식회사 뷰노 재구성된 영상군에 기초한 영상 제공 방법 및 이를 이용한 장치
KR102112706B1 (ko) 2019-08-13 2020-05-19 주식회사 뷰노 결절 검출 방법 및 이를 이용한 장치

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000139897A (ja) * 1998-08-25 2000-05-23 General Electric Co <Ge> マルチスライス・イメ―ジング装置
KR20130088730A (ko) * 2012-12-05 2013-08-08 주식회사 인피니트헬스케어 의료영상 저장 전송 시스템의 정보 공유, 관리 장치 및 방법
KR20160088902A (ko) * 2013-11-20 2016-07-26 포비아, 인크. 3d 프린팅을 위한 다각형들의 볼륨 렌더링
KR20170058277A (ko) * 2015-11-09 2017-05-26 톰슨 라이센싱 잡음 있는 이미지들을 업스케일링하기 위한 방법, 및 잡음 있는 이미지들을 업스케일링하기 위한 장치

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
LIU, MING-YU ET AL.: "Coupled Generative Adversarial Networks", ARXIV.ORG, 20 September 2016 (2016-09-20), XP055468441, Retrieved from the Internet <URL:https://arxiv.org/abs/1606.07536> *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021030075A (ja) * 2019-08-13 2021-03-01 ビュノ インコーポレイテッドＶｕｎｏ， Ｉｎｃ． 再構成された画像群に基づく画像提供方法およびこれを利用した装置
US11449210B2 (en) 2019-08-13 2022-09-20 Vuno, Inc. Method for providing an image base on a reconstructed image group and an apparatus using the same
JPWO2021060468A1 (ko) * 2019-09-25 2021-04-01
WO2021060468A1 (ja) * 2019-09-25 2021-04-01 富士フイルム株式会社 画像診断支援装置、画像診断支援装置の作動方法、及び画像診断支援装置の作動プログラム
JP7362754B2 (ja) 2019-09-25 2023-10-17 富士フイルム株式会社 画像診断支援装置、画像診断支援装置の作動方法、及び画像診断支援装置の作動プログラム
CN113284112A (zh) * 2021-05-27 2021-08-20 中国科学院国家空间科学中心 一种基于深度神经网络的熔滴图像轮廓提取方法及***
CN113284112B (zh) * 2021-05-27 2023-11-10 中国科学院国家空间科学中心 一种基于深度神经网络的熔滴图像轮廓提取方法及***

Also Published As

Publication number Publication date
KR101894278B1 (ko) 2018-09-04
US11816833B2 (en) 2023-11-14
JP2020529292A (ja) 2020-10-08
US20210374948A1 (en) 2021-12-02
JP6793994B2 (ja) 2020-12-02

Similar Documents

Publication Publication Date Title
WO2019143177A1 (ko) 일련의 슬라이스 영상을 재구성하는 방법 및 이를 이용한 장치
KR101898575B1 (ko) 진행성 병변에 대한 미래 상태를 예측하는 방법 및 이를 이용한 장치
KR101943011B1 (ko) 피검체의 의료 영상 판독을 지원하는 방법 및 이를 이용한 장치
KR101919866B1 (ko) 뼈 스캔 영상에서 암 전이 여부의 판정을 지원하는 방법 및 이를 이용한 장치
WO2019143021A1 (ko) 영상의 열람을 지원하는 방법 및 이를 이용한 장치
WO2019124836A1 (ko) 제1 의료 영상의 관심 영역을 제2 의료 영상 위에 맵핑하는 방법 및 이를 이용한 장치
US20050135707A1 (en) Method and apparatus for registration of lung image data
WO2019143179A1 (ko) 동일 피사체에 대하여 시간 간격을 두고 촬영된 영상 간에 동일 관심구역을 자동으로 검출하는 방법 및 이를 이용한 장치
WO2016125978A1 (en) Method and apparatus for displaying medical image
KR102149369B1 (ko) 의료 영상을 시각화하는 방법 및 이를 이용한 장치
CN111080583B (zh) 医学图像检测方法、计算机设备和可读存储介质
WO2021034138A1 (ko) 치매 평가 방법 및 이를 이용한 장치
US11449210B2 (en) Method for providing an image base on a reconstructed image group and an apparatus using the same
WO2021137454A1 (ko) 인공지능 기반의 사용자 의료정보 분석 방법 및 시스템
KR102290799B1 (ko) 치아 병변 정보 제공 방법 및 이를 이용한 장치
KR102186709B1 (ko) 치아 병변 정보 제공 방법 및 이를 이용한 장치
KR101923962B1 (ko) 의료 영상의 열람을 지원하는 방법 및 이를 이용한 장치
KR101948701B1 (ko) 피검체의 뇌 구조를 기술하는 잠재 변수에 기반하여 상기 피검체의 뇌질환을 판정하는 방법 및 이를 이용한 장치
KR20190088371A (ko) 진행성 병변의 미래 영상을 생성하는 방법 및 이를 이용한 장치
WO2023027248A1 (ko) 데이터 생성 방법 및 이를 이용한 학습방법 및 장치
KR102099350B1 (ko) 의료 영상에서 병변의 정량화를 보조하는 방법 및 이를 이용한 장치
JP7402248B2 (ja) 深層神経網モデルの学習に用いられる学習データに基づいて対象データの品質パターンを変換する方法、装置およびプログラム
KR102275622B1 (ko) 재구성된 영상군에 기초한 영상 제공 방법 및 이를 이용한 장치
WO2016080736A1 (ko) 의료영상을 이용한 진단 보조 정보 제공 방법 및 그 시스템
WO2023121003A1 (ko) 인공 신경망을 이용한 이미지 데이터에 대한 분류 방법 및 이를 위한 장치

Legal Events

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

Ref document number: 19741814

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2020514501

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19741814

Country of ref document: EP

Kind code of ref document: A1