WO2023101203A1 - X 레이 영상을 이용한 병소 체적 정보 추정 방법 및 분석장치 - Google Patents
X 레이 영상을 이용한 병소 체적 정보 추정 방법 및 분석장치 Download PDFInfo
- Publication number
- WO2023101203A1 WO2023101203A1 PCT/KR2022/015555 KR2022015555W WO2023101203A1 WO 2023101203 A1 WO2023101203 A1 WO 2023101203A1 KR 2022015555 W KR2022015555 W KR 2022015555W WO 2023101203 A1 WO2023101203 A1 WO 2023101203A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- lesion
- ray image
- area
- volume information
- detection probability
- Prior art date
Links
- 230000003902 lesion Effects 0.000 title claims abstract description 116
- 238000004458 analytical method Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 claims abstract description 49
- 238000010801 machine learning Methods 0.000 claims abstract description 25
- 238000004195 computer-aided diagnosis Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000002591 computed tomography Methods 0.000 description 20
- 230000002685 pulmonary effect Effects 0.000 description 17
- 238000011976 chest X-ray Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 10
- 238000012417 linear regression Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 210000000115 thoracic cavity Anatomy 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 239000013078 crystal Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 210000000038 chest Anatomy 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 206010061818 Disease progression Diseases 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000012885 constant function Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10116—X-ray image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Definitions
- a technique described below relates to a technique for calculating information on a 3D volume of a specific lesion using a 2D X-ray image.
- An X-ray image is a basic medical image for examination of various diseases.
- a medical staff may check a patient's pulmonary nodule using a chest X-ray. When a lesion such as a pulmonary nodule is found, the medical staff monitors the size of the lesion through periodic X-ray imaging.
- a medical staff checks the size of a crystal by sight or by using a ruler to determine the size of a lesion in an X-ray image. Furthermore, the medical staff may check the area by drawing the outer edge of the crystal using computer aided diagnosis (CAD).
- CAD computer aided diagnosis
- a lesion is an object in a 3D space, it is difficult to accurately observe a change in size only with a 2D X-ray image.
- X-ray images are inferior in sharpness to CT (computer tomography), and thus, there is a limitation in that it is difficult to accurately determine the periphery of the nodule shadow.
- the technology described below provides a method for estimating volume information of lesions based on X-ray images based on the research results that the lesion detection probability identified as a learning model in 2D X-ray images and the area of lesions have a constant correlation with the volume of lesions. want to do
- the method for estimating lesion volume information using an X-ray image includes the step of receiving a 2D X-ray image of a patient by an analysis device, and determining the detection probability of a specific lesion by the analysis device by inputting the X-ray image to a machine learning model. and estimating, by the analysis device, 3D volume information of the lesion based on the area of the lesion detected in the X-ray image and the detection probability.
- An analysis device that estimates lesion volume information using an X-ray image is an input device that receives a patient's 2D X-ray image, and a machine learning model pretrained to classify the possibility of a specific lesion based on the patient's X-ray image.
- the technology described below enables an accurate diagnosis of a patient by calculating volume information of a lesion based on a 2D X-ray image. Based on the diagnostic results, medical staff can determine appropriate treatment guidelines for the patient's condition.
- 1 is an example of a system for estimating lesion volume information using an X-ray image.
- Figure 2 is a result showing the correlation between area, volume and detection probability for thoracic pulmonary nodules.
- FIG. 3 is a result of fitting (fttting) the area and detection probability to the volume on a CT image for a thoracic pulmonary nodule.
- 5 is another example of a result of fitting an area and a detection probability to a volume on a CT image.
- 6 is an example of a process of estimating lesion volume information using an X-ray image.
- FIG. 7 is an example of an analysis device for estimating lesion volume information using an X-ray image.
- first, second, A, B, etc. may be used to describe various elements, but the elements are not limited by the above terms, and are merely used to distinguish one element from another. used only as For example, without departing from the scope of the technology described below, a first element may be referred to as a second element, and similarly, the second element may be referred to as a first element.
- the terms and/or include any combination of a plurality of related recited items or any of a plurality of related recited items.
- each component to be described below may be combined into one component, or one component may be divided into two or more for each more subdivided function.
- each component to be described below may additionally perform some or all of the functions of other components in addition to its main function, and some of the main functions of each component may be performed by other components. Of course, it may be dedicated and performed by .
- each process constituting the method may occur in a different order from the specified order unless a specific order is clearly described in context. That is, each process may occur in the same order as specified, may be performed substantially simultaneously, or may be performed in the reverse order.
- a technique to be described below is a technique of estimating information on the size of a lesion of a subject using a medical image.
- Medical images may be various, such as X-ray images, ultrasound images, CT (Computer Tomography) images, MRI (Magnetic Resonance Imaging) images, and the like.
- CT Computer Tomography
- MRI Magnetic Resonance Imaging
- the technique described below estimates the size of a lesion using a 2D medical image.
- the following medical image may be any one of various medical images in a 2D format. For example, it may be an X-ray image or a 2D composite image extracted from a 3D medical image. However, for convenience of explanation, description will be made focusing on X-ray images.
- X-ray images may be images of various body parts according to the type of disease.
- the lesion corresponds to a lesion whose shade increases with disease progression.
- the target lesion will be described focusing on the pulmonary nodule. That is, the following X-ray image corresponds to a chest X-ray image.
- a machine learning model that receives an X-ray image and outputs a probability of occurrence of a specific lesion for lesion detection probability.
- a machine learning model can be one of many types, including decision trees, random forests, K-nearest neighbors (KNNs), Naive Bayes, support vector machines (SVMs), and artificial neural networks (ANNs).
- KNNs K-nearest neighbors
- SVMs support vector machines
- ANNs artificial neural networks
- the analysis device estimates volumetric information of a lesion from an X-ray image.
- the analysis device may be implemented with various devices capable of processing data.
- the analysis device may be implemented as a PC, a server on a network, a smart device, a chipset in which a dedicated program is embedded, and the like.
- the volume information may be a lesion volume in 3D space or information having a certain correlation (proportional relationship) with the lesion volume. That is, the following volume information may be the volume of the lesion itself or may be information (value) capable of quantifying the size of the lesion even if it is not an exact volume.
- 1 is an example of a system 100 for estimating lesion volume information using an X-ray image. 1 illustrates an example in which the analysis device is a computer terminal 130 and a server 140 .
- the X-ray equipment 110 generates a chest X-ray image of a subject.
- a chest X-ray image of a subject may be stored in an Electronic Medical Record (EMR) 120.
- EMR Electronic Medical Record
- the user A may use the computer terminal 130 to calculate the volume information of the lesion using an X-ray image of the subject's chest.
- the computer terminal 130 receives an X-ray image of the chest of the subject.
- the computer terminal 130 may receive a chest X-ray image from the X-ray equipment 110 or the EMR 120 through a wired or wireless network.
- the computer terminal 130 may be a device physically connected to the X-ray equipment 110 .
- the computer terminal 130 receives the 2D area of the lesion determined based on the subject's chest X-ray image. Alternatively, the computer terminal 130 may determine the 2D area of the lesion using a chest X-ray image of the subject.
- the computer terminal 130 calculates a detection probability of a lesion by inputting the chest X-ray image to a pre-learned machine learning model.
- the machine learning model is a model that calculates the probability of occurrence of a specific lesion (pulmonary nodule) in an X-ray image.
- the machine learning model must be trained in a supervised learning method in advance. If a pulmonary nodule is a target lesion, the machine learning model corresponds to a model that calculates a classification result (probability) as to whether or not a pulmonary nodule exists in the X-ray image when an X-ray image is input.
- the machine learning model can be pre-learned specifically for a specific lesion.
- the computer terminal 130 may estimate the volume information of the lesion using the lesion area in the X-ray image and the detection probability described above. User A can check the analysis result.
- the server 140 may receive an X-ray image of the subject's chest from the X-ray equipment 110 or the EMR 120 .
- the server 140 may receive the 2D area of the lesion determined based on the subject's chest X-ray image. In this case, the server 140 may receive information on the area of the lesion from the terminal used by the medical staff. Alternatively, the server 140 may determine the 2D area of the lesion using a chest X-ray image of the subject.
- the server 140 calculates a detection probability of a lesion by inputting the chest X-ray image to a pre-learned machine learning model.
- the machine learning model is a model that calculates the probability of occurrence of a specific lesion (pulmonary nodule) in an X-ray image.
- the server 140 may estimate the volume information of the lesion using the lesion area in the X-ray image and the detection probability described above.
- the server 140 may transmit the analysis result to the terminal of user A. User A can check the analysis result.
- the computer terminal 130 and/or the server 140 may store the analysis result in the EMR 120.
- the researcher used X-ray images to determine volume information, and used detection probability information calculated by a machine learning model (AI model) in X-ray images.
- AI model machine learning model
- the researcher collected image information acquired at regular time intervals for patients with pulmonary nodules.
- the researcher utilized the image information of a total of 315 patients at the affiliated medical institution. In this process, all patient information and image identification information were anonymized to protect personal information.
- 72 subjects with changes in the size of pulmonary nodules over a certain period of time and who had both X-ray and CT images were selected and studied. The results derived from the research process and the results of regression analysis are described below.
- Figure 2 is a result showing the correlation between area, volume and detection probability for thoracic pulmonary nodules.
- Figure 2 shows the results of linear regression and non-linear regression (quadratic).
- Some figures also show Root Mean Square Error (RMSE) values for each regression analysis.
- the researcher determined the area of the nodule in the X-ray image using a CAD program.
- 2(A) is a result showing the correlation between the area of the nodule on the X-ray image and the volume on the CT. Referring to FIG. 2(A), it can be seen that the area and the volume are somewhat correlated with a correlation coefficient of 0.58, and the difference between the linear regression and the nonlinear regression is not large.
- 2(B) is a result showing the correlation between the average detection probability (Prob.Mean) of a nodule in an X-ray image and the volume on a CT image.
- the detection probability is a probability value that a pre-learned machine learning model receives and outputs an X-ray image.
- the researcher calculated the average value of the detection probability. That is, the detection probability was calculated several times for the same X-ray image and the average value was used as the detection probability.
- the correlation coefficient between the detection probability and the volume on the CT showed a low correlation of 0.22.
- 2(C) is a result showing the correlation between the area of the nodule and the average detection probability of the nodule in the X-ray image.
- the correlation coefficient between the area of the nodule and the average detection probability of the nodule was 0.73, showing a high correlation.
- the nodule area and average detection probability of crystals showed high linearity.
- 3 shows the result of fitting the area and detection probability to the volume on CT for the thoracic pulmonary nodule.
- 3 shows the result of fitting the nodule area and detection probability to a 2D plane using linear regression with respect to the CT image volume.
- 3(A), 3(B) and 3(C) show the same result at different angles.
- the CT volume is relatively large, and points raised above the plane are observed (circled area in Fig. 2(C)).
- the area and detection probability of the nodule are generally located on a plane with respect to the volume of the CT image. Therefore, it can be seen that the “nodule area and detection probability of the X-ray image” has a certain correlation with the volume on the CT image.
- FIG. 4 is a result showing the correlation between the area and the volume of the thoracic pulmonary nodule. 4 corresponds to the result of linear fitting to the CT volume with only the area.
- FIG. 4 is an example in which a model-based non-linear regression result (order 1.5) is added for the correlation between area and volume for the thoracic pulmonary nodule shown in FIG. 2(A).
- model-based nonlinear regression the model establishes the relationship between volume and area as "CT volume ⁇ ⁇ * area 0.5 + ⁇ * area + ⁇ * area 1.5 + ⁇ ".
- linear regression and nonlinear regression have similar RMSEs of 9445.95 and 9449.88, respectively, but model-based nonlinear regression has RMSE of 9395.73, which is slightly lower than linear regression or nonlinear regression.
- FIG. 5 is another example of a result of fitting an area and a detection probability to a volume on a CT image. Unlike FIG. 4 , FIG. 4 is a result of 2D fitting the area of the nodule and the probability of detecting the nodule to the volume of the CT image. 5(A) is a result of 2D fitting through linear regression, FIG. 5(B) is a result of 2D fitting through nonlinear regression, and FIG. 5(C) is a result of 2D fitting through model-based nonlinear regression.
- the RMSE was 9445.95, but looking at FIG. 5(A), the RMSE improved to 8781.24.
- the RMSE was 9449.88, but the result improved to 8351.0 in FIG. 5(B).
- the RMSE was 9395.73, but in FIG. 5(A), the RMSE was improved to 7975.55.
- the volume on the CT image is matched when the detection probability is used together with the lesion area, rather than when only the lesion area of the X-ray image is used. That is, information on the crystal volume can be more accurately estimated by using information such as the area of the nodule and the probability of detecting the nodule.
- FIG. 6 is an example of a process 200 for estimating lesion volume information using an X-ray image.
- the analysis device receives an X-ray image of the patient captured by the X-ray equipment (210). It is assumed that the X-ray image includes a certain lesion area.
- the analysis device determines the lesion area based on the input X-ray image (220).
- the lesion area may be a value calculated by displaying the lesion area by a medical staff using CAD.
- the analysis device may input or receive the lesion area calculated through the CAD program.
- the analysis device may directly calculate the lesion area using an X-ray image.
- the analysis device may classify the lesion area using an image processing technique and calculate the area of the corresponding area.
- the analysis device may input an X-ray image into a previously learned segmentation model to classify the lesion area and calculate the area of the segmented area.
- the segmentation model may be implemented with U-net, fully convolutional networks (FCN), and the like.
- the analysis device classifies the lesion by inputting the patient's X-ray image to the machine learning model (230).
- 6 illustrates an artificial neural network such as CNN as a machine learning model.
- An artificial neural network model trained in advance to classify a specific lesion in an X-ray image calculates a probability value (detection probability) that a lesion exists in the corresponding image when an X-ray image is input.
- the analysis device may determine volume information of the lesion using the lesion area and detection probability (240). For example, the analysis device may calculate the volume information by multiplying the detection probability by the lesion area. Alternatively, the analysis device may calculate the volume information using a constant function having the lesion area and the detection probability as variables.
- the analysis device 300 corresponds to the above-described analysis devices (130 and 140 in FIG. 1).
- the analysis device 300 may be physically implemented in various forms.
- the analysis device 300 may have a form of a computer device such as a PC, a network server, and a chipset dedicated to data processing.
- the analysis device 300 may include a storage device 310, a memory 320, an arithmetic device 330, an interface device 340, a communication device 350, and an output device 360.
- the storage device 310 may store an X-ray image of the patient.
- an analysis target is a 2D medical image of a patient. Accordingly, the analysis target may be an image of another type other than an X-ray image.
- the storage device 310 may store a machine learning model trained for lesion detection.
- the storage device 310 may store a program for constantly pre-processing the X-ray image.
- the storage device 310 may store a CAD program for calculating the size of a lesion in an X-ray image and a segmentation model for classifying a lesion area in an X-ray image.
- the storage device 310 may store lesion volume information as an analysis result.
- the memory 320 includes data and information generated during the preprocessing of the X-ray image by the analysis device 300, the process of determining the area of the lesion, the process of determining the detection probability of the lesion, and the process of calculating the volume information of the lesion. can be saved.
- the interface device 340 is a device that receives certain commands and data from the outside.
- the interface device 340 may receive an X-ray image of the patient from a physically connected input device or external storage device.
- the interface device 340 may receive an input of the lesion area of the X-ray image from an external device.
- the interface device 340 may transmit the analysis result to an external object.
- the communication device 350 refers to a component that receives and transmits certain information through a wired or wireless network.
- the communication device 350 may receive an X-ray image of the patient from an external object.
- the communication device 350 may receive the lesion area of the X-ray image from an external object.
- the communication device 350 may transmit the analysis result to an external object such as a user terminal.
- the interface device 340 and the communication device 350 are configured to send and receive certain data from a user or other physical object, they can also be collectively referred to as input/output devices. If the function of receiving an X-ray image is limited, the interface device 340 and the communication device 350 may be referred to as input devices.
- the output device 360 is a device that outputs certain information.
- the output device 360 may output interfaces and analysis results necessary for data processing.
- the arithmetic device 330 may receive an X-ray image and estimate lesion volume information using a machine learning model or program stored in the storage device 310 .
- the arithmetic device 330 may pre-process the received X-ray image at a constant level. For example, the arithmetic device 330 may perform tasks such as noise removal and brightness control of an X-ray image.
- the arithmetic device 330 may calculate the lesion area from the X-ray image using a CAD program. During this process, the interface device 340 may receive a command to select a lesion area from the user.
- the arithmetic device 330 may classify the lesion area by inputting the X-ray image to the segmentation model. The arithmetic device 330 may calculate the area of the divided lesion area.
- the arithmetic device 330 may calculate a lesion detection probability by inputting the X-ray image to a pre-learned machine learning model.
- the arithmetic device 330 may estimate the volume information using the lesion area and detection probability.
- the calculator 330 may calculate the volume information by multiplying the lesion area and the detection probability.
- the calculation device 330 may calculate the volume information through a mathematical calculation process having the lesion area and detection probability as variables.
- the arithmetic device 330 may be a device such as a processor, an AP, or a chip in which a program is embedded that processes data and performs certain arithmetic operations.
- the method for estimating lesion volume information as described above may be implemented as a program (or application) including an executable algorithm that may be executed on a computer.
- the program may be stored and provided in a temporary or non-transitory computer readable medium.
- a non-transitory readable medium is not a medium that stores data for a short moment, such as a register, cache, or memory, but a medium that stores data semi-permanently and can be read by a device.
- the various applications or programs described above are CD, DVD, hard disk, Blu-ray disk, USB, memory card, ROM (read-only memory), PROM (programmable read only memory), EPROM (Erasable PROM, EPROM)
- ROM read-only memory
- PROM programmable read only memory
- EPROM Erasable PROM, EPROM
- it may be stored and provided in a non-transitory readable medium such as EEPROM (Electrically EPROM) or flash memory.
- Temporary readable media include static RAM (SRAM), dynamic RAM (DRAM), synchronous DRAM (SDRAM), double data rate SDRAM (DDR SDRAM), and enhanced SDRAM (Enhanced SDRAM). SDRAM, ESDRAM), Synchronous DRAM (Synclink DRAM, SLDRAM) and Direct Rambus RAM (DRRAM).
- SRAM static RAM
- DRAM dynamic RAM
- SDRAM synchronous DRAM
- DDR SDRAM double data rate SDRAM
- Enhanced SDRAM Enhanced SDRAM
- SDRAM ESDRAM
- Synchronous DRAM Synchronous DRAM
- SLDRAM Direct Rambus RAM
- DRRAM Direct Rambus RAM
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
X 레이 영상을 이용한 병소 체적 추정 방법은 분석장치가 환자의 2D X 레이 영상을 입력받는 단계, 상기 분석장치가 상기 X 레이 영상을 기계학습모델에 입력하여 특정 병소에 대한 검출 확률을 결정하는 단계 및 상기 분석장치가 상기 X 레이 영상에서 검출되는 상기 병소의 면적 및 상기 검출 확률을 기준으로 상기 병소의 3D 체적을 추정하는 단계를 포함한다.
Description
이하 설명하는 기술은 2차원 X 레이 영상을 이용하여 특정 병소의 3차원 체적에 대한 정보를 산출하는 기법에 관한 것이다.
X 레이 영상은 다양한 질병 검사를 위한 기본적인 의료 영상이다. 예컨대, 의료진은 흉부 X 레이를 이용하여 환자의 폐결절을 확인할 수 있다. 폐결절과 같은 병소가 발견되면, 의료진은 주기적인 X 레이 영상 촬영을 통해 병소의 크기를 모니터링하게 된다.
일반적으로 의료진은 X 레이 영상에서 병소의 크기를 목측 또는 자를 이용하여 결정의 크기를 확인한다. 나아가, 의료진은 CAD (computer aided diagnosis)를 이용하여 결정의 외연을 그리는 방식으로 면적을 확인할 수도 있다. 그러나, 병소는 3D 공간의 객체이기에 2D인 X 레이 영상만으로 정확한 크기의 변화를 관측하기 어렵다. 나아가, X 레이 영상은 CT(computer tomography)보다 선예도가 떨어져 결절 음영의 외연을 정확하게 결정하기 어려운 한계점도 있다.
이하 설명하는 기술은 2D X 레이 영상에서 학습모델로 확인되는 병소 검출 확률과 병소의 면적이 병소의 체적과 일정한 상관 관계가 있다는 연구 결과를 바탕으로 X 레이 영상에 기반한 병소의 체적 정보 추정 기법을 제공하고자 한다.
X 레이 영상을 이용한 병소 체적 정보 추정 방법은 분석장치가 환자의 2D X 레이 영상을 입력받는 단계, 상기 분석장치가 상기 X 레이 영상을 기계학습모델에 입력하여 특정 병소에 대한 검출 확률을 결정하는 단계 및 상기 분석장치가 상기 X 레이 영상에서 검출되는 상기 병소의 면적 및 상기 검출 확률을 기준으로 상기 병소의 3D 체적 정보를 추정하는 단계를 포함한다.
X 레이 영상을 이용하여 병소 체적 정보를 추정하는 분석장치는 환자의 2D X 레이 영상을 입력받는 입력장치, 대상자의 X 레이 영상을 기준으로 특정 병소의 발생 가능성을 분류하도록 사전에 학습된 기계학습모델을 저장하는 저장장치 및 상기 환자의 X 레이 영상을 기계학습모델에 입력하여 상기 특정 병소에 대한 검출 확률을 결정하고, 상기 X 레이 영상에서 검출되는 상기 병소의 면적 및 상기 검출 확률을 기준으로 상기 병소의 3D 체적 정보를 추정하는 연산장치를 포함한다.
이하 설명하는 기술은 2D X 레이 영상을 기준으로 병소의 체적 정보를 산출하여 환자에 대한 정확한 진단을 가능하게 한다. 진단 결과에 기반하여 의료진은 환자 상태에 맞는 적절한 치료 지침을 결정할 수 있다.
도 1은 X 레이 영상을 이용한 병소 체적 정보 추정 시스템에 대한 예이다.
도 2는 흉부 폐결절 대상으로 면적, 체적 및 검출 확률 사이의 상관 관계를 나타내는 결과이다.
도 3은 흉부 폐결절 대상으로 면적과 검출 확률을 CT 상의 체적에 대하여 맞춤(fttting)한 결과이다.
도 4는 흉부 폐결절 대상으로 면적과 체적 사이의 상관 관계를 나타내는 결과이다.
도 5는 면적과 검출 확률을 CT 상의 체적에 대하여 맞춤한 결과의 다른 예이다.
도 6은 X 레이 영상을 이용한 병소 체적 정보 추정 과정에 대한 예이다.
도 7은 X 레이 영상을 이용하여 병소 체적 정보를 추정하는 분석장치에 대한 예이다.
이하 설명하는 기술은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나, 이는 이하 설명하는 기술을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 이하 설명하는 기술의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 해당 구성요소들은 상기 용어들에 의해 한정되지는 않으며, 단지 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 이하 설명하는 기술의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
본 명세서에서 사용되는 용어에서 단수의 표현은 문맥상 명백하게 다르게 해석되지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함한다" 등의 용어는 설명된 특징, 개수, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 의미하는 것이지, 하나 또는 그 이상의 다른 특징들이나 개수, 단계 동작 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 배제하지 않는 것으로 이해되어야 한다.
도면에 대한 상세한 설명을 하기에 앞서, 본 명세서에서의 구성부들에 대한 구분은 각 구성부가 담당하는 주기능 별로 구분한 것에 불과함을 명확히 하고자 한다. 즉, 이하에서 설명할 2개 이상의 구성부가 하나의 구성부로 합쳐지거나 또는 하나의 구성부가 보다 세분화된 기능별로 2개 이상으로 분화되어 구비될 수도 있다. 그리고 이하에서 설명할 구성부 각각은 자신이 담당하는 주기능 이외에도 다른 구성부가 담당하는 기능 중 일부 또는 전부의 기능을 추가적으로 수행할 수도 있으며, 구성부 각각이 담당하는 주기능 중 일부 기능이 다른 구성부에 의해 전담되어 수행될 수도 있음은 물론이다.
또, 방법 또는 동작 방법을 수행함에 있어서, 상기 방법을 이루는 각 과정들은 문맥상 명백하게 특정 순서를 기재하지 않은 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 과정들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.
이하 설명하는 기술은 의료 영상을 이용하여 대상자의 병소 크기에 대한 정보를 추정하는 기법이다. 의료 영상은 X 레이 영상, 초음파 영상, CT(Computer Tomography) 영상, MRI(Magnetic Resonance Imaging) 영상 등 다양할 수 있다. 다만, 이하 설명하는 기술은 2D 의료 영상을 이용하여 병소 크기를 추정한다. 따라서, 이하 의료 영상은 2D 포맷의 다양한 의료 영상 중 어느 하나일 수 있다. 예컨대, X 레이 영상, 3D 의료 영상으로부터 추출한 2D 합성 영상 등일 수 있다. 다만, 이하 설명의 편의를 위하여 X 레이 영상을 중심으로 설명한다.
X 레이 영상은 질환의 종류에 따라 다양한 신체 부위의 영상일 수 있다. 병소는 질환 진행에 따라 음영이 증가하는 병소에 해당한다. 이하 설명의 편의를 위하여 대상 병소를 폐결절을 중심으로 설명한다. 즉, 이하 X 레이 영상은 흉부 X 레이 영상에 해당한다.
이하 설명하는 기술은 병소 검출 확률을 위하여 X 레이 영상을 입력받아 특정 병소의 발생 확률을 출력하는 기계학습모델을 이용한다. 기계 학습 모델은 결정 트리, 랜덤 포레스트(random forest), KNN(K-nearest neighbor), 나이브 베이즈(Naive Bayes), SVM(support vector machine), ANN(artificial neural network) 등 다양한 유형 중 어느 하나일 수 있다.
이하 분석장치가 X 레이 영상에서 병소의 체적 정보를 추정한다고 설명한다. 분석 장치는 데이터 처리가 가능한 다양한 장치로 구현될 수 있다. 예컨대, 분석 장치는 PC, 네트워크상의 서버, 스마트 기기, 전용 프로그램이 임베딩된 칩셋 등으로 구현될 수 있다.
체적 정보는 3D 공간에서의 병소 체적(volume) 또는 병소 체적과 일정한 상관 관계(비례 관계)있는 정보일 수 있다. 즉, 이하 체적 정보는 병소의 체적 자체이거나, 정확한 체적은 아니어도 병소의 크기를 정량할 수 있는 정보(값)일 수 있다.
도 1은 X 레이 영상을 이용한 병소 체적 정보 추정 시스템(100)에 대한 예이다. 도 1에서 분석장치는 컴퓨터 단말(130) 및 서버(140)인 예를 도시하였다.
X-ray 장비(110)는 대상자에 대한 흉부 X 레이 영상을 생성한다. 대상자의 흉부 X 레이 영상은 EMR(Electronic Medical Record, 120)에 저장될 수 있다.
도 1에서 사용자(A)는 컴퓨터 단말(130)을 이용하여 대상자의 흉부 X 레이 영상을 이용하여 병소의 체적 정보를 산출할 수 있다. 컴퓨터 단말(130)은 대상자의 흉부 X 레이 영상을 입력받는다. 컴퓨터 단말(130)은 유선 또는 무선 네트워크를 통해 X-ray 장비(110) 또는 EMR(120)로부터 흉부 X 레이 영상을 입력받을 수 있다. 경우에 따라 컴퓨터 단말(130)은 X-ray 장비(110)와 물리적으로 연결된 장치일 수도 있다.
컴퓨터 단말(130)은 대상자의 흉부 X 레이 영상을 기준으로 결정되는 병소의 2D 면적을 입력받는다. 또는 컴퓨터 단말(130)은 대상자의 흉부 X 레이 영상을 이용하여 병소의 2D 면적을 결정할 수도 있다.
컴퓨터 단말(130)은 흉부 X 레이 영상을 사전에 학습된 기계학습모델에 입력하여 병소의 검출 확률을 산출한다. 기계학습모델은 X 레이 영상에서 특정 병소(폐결절)의 발생 확률을 산출하는 모델이다. 기계학습모델은 사전에 지도학습 방식으로 학습되어야 한다. 폐결절이 대상 병소라면, 기계학습모델은 X 레이 영상이 입력되면 해당 영상에서 폐결절이 존재하는지에 대한 분류 결과(확률)를 산출하는 모델에 해당한다. 기계학습모델은 특정 병소에 특이적으로 사전에 학습될 수 있다.
컴퓨터 단말(130)은 X 레이 영상에서의 병소 면적과 전술한 검출 확률을 이용하여 병소의 체적 정보를 추정할 수 있다. 사용자 A는 분석 결과를 확인할 수 있다.
서버(140)는 X-ray 장비(110) 또는 EMR(120)로부터 대상자의 흉부 X 레이 영상을 수신할 수 있다. 서버(140)는 대상자의 흉부 X 레이 영상을 기준으로 결정되는 병소의 2D 면적을 수신할 수 있다. 이 경우, 서버(140)는 의료진이 이용하는 단말로부터 병소의 면적 정보를 수신할 수 있다. 또는 서버(140)는 대상자의 흉부 X 레이 영상을 이용하여 병소의 2D 면적을 결정할 수도 있다.
서버(140)는 흉부 X 레이 영상을 사전에 학습된 기계학습모델에 입력하여 병소의 검출 확률을 산출한다. 기계학습모델은 X 레이 영상에서 특정 병소(폐결절)의 발생 확률을 산출하는 모델이다.
서버(140)는 X 레이 영상에서의 병소 면적과 전술한 검출 확률을 이용하여 병소의 체적 정보를 추정할 수 있다. 서버(140)는 분석 결과는 사용자 A의 단말에 전송할 수 있다. 사용자 A는 분석 결과를 확인할 수 있다.
컴퓨터 단말(130) 및/또는 서버(140)는 분석 결과를 EMR(120)에 저장할 수도 있다.
연구자는 X 레이 영상을 이용하여 체적 정보를 결정하는데, X 레이 영상에서 기계학습모델(AI 모델)이 산출하는 검출 확률 정보를 활용하였다. 연구자는 기계학습모델이 X 레이 영상에서 페결절을 검출하는 확률이 높다면 명확한 결정이고, 명확한 결절은 결국 밀도가 치밀하거나 체적이 큰 결절이라는 가설을 세우고, 이를 검증하였다.
연구자는 폐결절 환자를 대상으로 일정한 시간 간격으로 획득한 영상 정보를 수집하였다. 연구자는 소속 의료 기관에서 전체 315명의 환자에 대한 영상 정보를 활용하였다. 이 과정에서 개인 정보 보호를 위하여 모든 환자 정보와 영상 식별 정보를 익명화하여 사용하였다. 이중 일정한 시간 경과에 따라 폐결절의 크기 변동이 있고, X 레이 영상과 더불어 CT 영상까지 확보한 대상자 72명을 선별하여 연구하였다. 이하 연구 과정에서 도출된 결과 및 회귀분석 결과를 설명한다.
도 2는 흉부 폐결절 대상으로 면적, 체적 및 검출 확률 사이의 상관 관계를 나타내는 결과이다. 도 2는 선형 회귀(linear regression) 결과와 비선형 회귀(non-linear regression) 결과(2차)를 도시한다. 일부 도면은 각 회귀분석에 대한 RMSE(Root Mean Square Error)값도 표시하였다. 연구자는 CAD 프로그램을 이용하여 X 레이 영상에서 결절의 면적을 결정하였다.
도 2(A)는 X 레이 영상에서 결절의 면적(Area)과 CT 상의 체적(Volume)의 상관 관계를 나타낸 결과이다. 도 2(A)를 살펴보면, 면적과 체적은 상관 계수(corrcoef)가 0.58로 어느 정도 상관 관계를 갖고, 선형 회귀와 비선형 회귀의 차이가 크지 않다는 것을 알 수 있다.
도 2(B)는 X 레이 영상에서 결절의 평균 검출 확률(Prob.Mean)과 CT 상의 체적의 상관 관계를 나타낸 결과이다. 여기서 검출 확률은 사전에 학습한 기계학습모델이 X 레이 영상을 입력받아 출력하는 확률값이다. 연구자는 검출 확률의 평균값을 산출하였다. 즉, 동일한 X 레이 영상에 대하여 여러 번 검출 확률을 산출하여 이를 평균한 값을 검출 확률로 사용하였다. 도 2(B)에서 검출 확률과 CT 상의 체적의 상관 계수는 0.22로 낮은 상관성을 보였다.
도 2(C)는 X 레이 영상에서 결절의 면적과 결절의 평균 검출 확률의 상관 관계를 나타낸 결과이다. 도 2(C)를 살펴보면, 결절의 면적과 결절의 평균 검출 확률의 상관 계수는 0.73으로 높은 상관성을 보였다. 또한, 결절의 면적과 결정의 평균 검출 확률은 높은 선형성을 보였다.
도 3은 흉부 폐결절 대상으로 면적과 검출 확률을 CT 상의 체적에 대하여 맞춤한 결과이다. 도 3은 결절의 면적과 검출 확률을 CT 상의 체적에 대하여 선형 회귀를 이용하여 2D 평면에 맞춤한 결과이다. 도 3(A), 도 3(B) 및 도 3(C)는 동일한 결과를 서로 다른 각도로 나타낸 것이다. 2D 평면 방정식은 "14886.637214 + (29.288656) * (면적 - (57206.109259)) * 검출 확률 = 체적"으로 설정하였다. CT 체적이 비교적 커서 평면 위로 올라온 포인트들이 관찰된다(도 2(C)에서 원 영역). 그러나, 도 3을 살펴보면, 전체적으로 결절의 면적과 검출 확률이 CT 상의 체적에 대하여 평면상에 위치하는 것을 알 수 있다. 따라서, "X 레이 영상의 결절 면적과 검출 확률"이 CT 상의 체적과 일정한 연관성을 갖는다는 것을 알 수 있다.
도 4는 흉부 폐결절 대상으로 면적과 체적 사이의 상관 관계를 나타내는 결과이다. 도 4는 면적만을 갖고 CT 체적에 선형 맞춤한 결과에 해당한다. 도 4는 도 2(A)에 도시한 흉부 폐결절 대상으로 면적과 체적 사이의 상관 관계에 대하여 모델 기반 비선형 회귀(model-based non-linear regression) 결과(1.5차)를 추가한 예이다. 모델 기반 비선형 회귀에서 모델은 "CT 체적 ∝ α * 면적0.5 + β * 면적 + γ * 면적1.5 + δ"로 체적과 면적의 관계를 설정하였다. 도 4를 살펴보면, 선형 회귀와 비선형 회귀는 각각 RMSE가 9445.95 및 9449.88로 비슷하지만, 모델 기반 비선형 회귀는 RMSE가 9395.73으로 선형 회귀나 비선형 회귀보다는 조금 낮아졌다.
도 5는 면적과 검출 확률을 CT 상의 체적에 대하여 맞춤한 결과의 다른 예이다. 도 4는 도 4와 달리 결절의 면적과 더불어 결절의 검출 확률을 CT 상의 체적에 2D 맞춤한 결과이다. 도 5(A)는 선형 회귀를 통해 2D 맞춤한 결과이고, 도 5(B)는 비선형 회귀를 통해 2D 맞춤한 결과이고, 도 5(C)는 모델 기반 비선형 회귀를 통해 2D 맞춤한 결과이다.
도 4에서 선형 회귀를 맞춤한 결과 RMSE는 9445.95였는데, 도 5(A)를 살펴보면 RMSE가 8781.24로 결과가 향상되었다. 도 4에서 비선형 회귀를 맞춤한 결과 RMSE는 9449.88이었는데, 도 5(B)를 살펴보면 RMSE가 8351.0으로 결과가 향상되었다. 또한, 도 4에서 모델 기반 비선형 회귀를 맞춤한 결과 RMSE는 9395.73이었는데, 도 5(A)를 살펴보면 RMSE가 7975.55로 결과가 향상되었다.
도 4와 도 5를 참고하면, X 레이 영상의 병소 면적만을 사용하는 경우보다 병소 면적과 함께 검출 확률을 사용하는 경우 CT 상의 체적에 부합하는 것을 알 수 있다. 즉, 결절의 면적과 결절의 검출 확률이란 정보를 이용하면 결정의 체적에 관한 정보를 보다 정확하게 추정할 수 있다.
도 6은 X 레이 영상을 이용한 병소 체적 정보 추정 과정(200)에 대한 예이다.
먼저, 분석 장치는 X 레이 장비가 촬영한 환자의 X 레이 영상을 입력받는다(210). X 레이 영상은 일정한 병소 영역을 포함한다고 가정한다.
분석장치는 입력된 X 레이 영상을 기준으로 병소 면적을 결정한다(220). 병소 면적은 의료진이 CAD를 이용하여 병소 영역을 표시하여 산출된 값일 수 있다. 이 경우, 분석장치는 CAD 프로그램을 통해 산출된 병소 면적을 입력받거나 전달받을 수 있다.
나아가 분석장치는 X 레이 영상을 이용하여 직접 병소 면적을 산출할 수도 있다. 예컨대, 분석장치가 영상 처리 기법으로 병소 영역을 구분하고, 해당 영역의 면적을 산출할 수 있다. 또는, 분석장치가 사전에 학습된 세그멘테이션(segmentation) 모델에 X 레이 영상을 입력하여 병소 영역을 구분할 수 있고, 구분된 영역의 면적을 산출할 수 있다. 세그멘테테이션 모델은 U-net, FCN(fully convolutional networks) 등으로 구현될 수 있다.
분석장치는 기계학습모델에 환자의 X 레이 영상을 입력하여 병소를 분류한다(230). 도 6은 CNN과 같은 인공신경망을 기계학습모델로 예시하였다. X 레이 영상에서 특정 병소를 분류하도록 사전에 학습된 인공신경망 모델은 X 레이 영상이 입력되면 해당 영상에서 병소가 존재할 확률값(검출 확률)을 산출한다.
분석장치는 병소 면적과 검출 확률을 이용하여 병소의 체적 정보를 결정할 수 있다(240). 예컨대, 분석장치는 병소 면적에 검출 확률을 곱하여 체적 정보를 산출할 수 있다. 또는, 분석장치는 병소 명적과 검출 확률을 변수로 갖는 일정한 함수를 이용하여 체적 정보를 산출할 수도 있다.
도 7은 X 레이 영상을 이용하여 병소 체적 정보를 추정하는 분석장치(300)에 대한 예이다. 분석장치(300)는 전술한 분석장치(도 1의 130 및 140)에 해당한다. 분석장치(300)는 물리적으로 다양한 형태로 구현될 수 있다. 예컨대, 분석장치(300)는 PC와 같은 컴퓨터 장치, 네트워크의 서버, 데이터 처리 전용 칩셋 등의 형태를 가질 수 있다.
분석장치(300)는 저장장치(310), 메모리(320), 연산장치(330), 인터페이스 장치(340), 통신장치(350) 및 출력장치(360)를 포함할 수 있다.
저장장치(310)는 환자의 X 레이 영상을 저장할 수 있다. 전술한 바와 같이 분석 대상은 환자의 2D 의료 영상이다. 따라서, 분석 대상은 X 레이 영상이 아닌 다른 유형의 영상일 수도 있다.
저장장치(310)는 병소 검출을 위하여 학습된 기계학습모델을 저장할 수 있다.
저장장치(310)는 X 레이 영상을 일정하게 전처리하기 위한 프로그램을 저장할 수 있다.
저장장치(310)는 X 레이 영상에서 병소 크기를 산출하는 CAD 프로그램, X 레이 영상에서 병소 영역을 구분하는 세그멘테이션 모델을 저장할 수 있다.
저장장치(310)는 분석 결과인 병소 체적 정보를 저장할 수 있다.
메모리(320)는 분석장치(300)가 X 레이 영상을 전처리하는 과정, 병소 면적을 결정하는 과정, 병소의 검출 확률을 결정하는 과정 및 병소의 체적 정보를 산출하는 과정에서 생성되는 데이터 및 정보 등을 저장할 수 있다.
인터페이스 장치(340)는 외부로부터 일정한 명령 및 데이터를 입력받는 장치이다. 인터페이스 장치(340)는 물리적으로 연결된 입력 장치 또는 외부 저장장치로부터 환자의 X 레이 영상을 입력받을 수 있다. 인터페이스 장치(340)는 외부 장치로부터 X 레이 영상의 병소 면적을 입력받을 수 있다.
인터페이스 장치(340)는 분석 결과를 외부 객체에 전달할 수도 있다.
통신장치(350)는 유선 또는 무선 네트워크를 통해 일정한 정보를 수신하고 전송하는 구성을 의미한다. 통신장치(350)는 외부 객체로부터 환자의 X 레이 영상을 수신할 수 있다. 통신장치(350)는 외부 객체로부터 X 레이 영상의 병소 면적을 수신할 수도 있다. 또는 통신장치(350)는 분석 결과를 사용자 단말과 같은 외부 객체에 송신할 수도 있다.
인터페이스 장치(340) 및 통신장치(350)는 사용자 또는 다른 물리적 객체로부터 일정한 데이터를 주고받는 구성이므로, 포괄적으로 입출력장치라고도 명명할 수 있다. X 레이 영상을 입력받는 기능에 한정하면 인터페이스 장치(340) 및 통신장치(350)는 입력장치라고 할 수도 있다.
출력장치(360)는 일정한 정보를 출력하는 장치이다. 출력장치(360)는 데이터 처리 과정에 필요한 인터페이스, 분석 결과 등을 출력할 수 있다.
연산 장치(330)는 저장장치(310)에 저장된 기계학습모델 내지 프로그램을 이용하여 X 레이 영상을 입력받아 병소 체적 정보를 추정할 수 있다.
연산 장치(330)는 입력받은 X 레이 영상을 일정하게 전처리할 수 있다. 예컨대, 연산 장치(330)는 X 레이 영상의 노이즈 제거, 밝기 조절과 같은 작업을 할 수 있다.
연산 장치(330)는 CAD 프로그램을 이용하여 X 레이 영상에서 병소 면적을 산출할 수 있다. 이 과정에서 인터페이스 장치(340)는 사용자로부터 병소 영역을 선택하는 명령을 입력받을 수도 있다.
연산 장치(330)는 X 레이 영상을 세그멘테이션 모델에 입력하여 병소 영역을 구분할 수 있다. 연산 장치(330)는 구분된 병소 영역에 대한 면적을 산출할 수 있다.
연산 장치(330)는 X 레이 영상을 사전에 학습된 기계학습모델에 입력하여 병소 검출 확률을 산출할 수 있다.
연산 장치(330)는 병소 면적과 검출 확률을 이용하여 체적 정보를 추정할 수 있다. 예컨대, 연산 장치(330)는 병소 면적과 검출 확률을 곱하여 체적 정보를 산출할 수 있다. 또는 연산 장치(330)는 병소 면적과 검출 확률을 변수로 갖는 수학적 연산 처리 과정을 통하여 체적 정보를 산출할 수도 있다.
연산 장치(330)는 데이터를 처리하고, 일정한 연산을 처리하는 프로세서, AP, 프로그램이 임베디드된 칩과 같은 장치일 수 있다.
또한, 상술한 바와 같은 병소 체적 정보 추정 방법은 컴퓨터에서 실행될 수 있는 실행가능한 알고리즘을 포함하는 프로그램(또는 어플리케이션)으로 구현될 수 있다. 상기 프로그램은 일시적 또는 비일시적 판독 가능 매체(non-transitory computer readable medium)에 저장되어 제공될 수 있다.
비일시적 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상술한 다양한 어플리케이션 또는 프로그램들은 CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM (read-only memory), PROM (programmable read only memory), EPROM(Erasable PROM, EPROM) 또는 EEPROM(Electrically EPROM) 또는 플래시 메모리 등과 같은 비일시적 판독 가능 매체에 저장되어 제공될 수 있다.
일시적 판독 가능 매체는 스태틱 램(Static RAM,SRAM), 다이내믹 램(Dynamic RAM,DRAM), 싱크로너스 디램 (Synchronous DRAM,SDRAM), 2배속 SDRAM(Double Data Rate SDRAM,DDR SDRAM), 증강형 SDRAM(Enhanced SDRAM,ESDRAM), 동기화 DRAM(Synclink DRAM,SLDRAM) 및 직접 램버스 램(Direct Rambus RAM,DRRAM) 과 같은 다양한 RAM을 의미한다.
본 실시예 및 본 명세서에 첨부된 도면은 전술한 기술에 포함되는 기술적 사상의 일부를 명확하게 나타내고 있는 것에 불과하며, 전술한 기술의 명세서 및 도면에 포함된 기술적 사상의 범위 내에서 당업자가 용이하게 유추할 수 있는 변형 예와 구체적인 실시례는 모두 전술한 기술의 권리범위에 포함되는 것이 자명하다고 할 것이다.
Claims (8)
- 분석장치가 환자의 2D X 레이 영상을 입력받는 단계;상기 분석장치가 상기 X 레이 영상을 기계학습모델에 입력하여 특정 병소에 대한 검출 확률을 결정하는 단계; 및상기 분석장치가 상기 X 레이 영상에서 검출되는 상기 병소의 면적 및 상기 검출 확률을 기준으로 상기 병소의 3D 체적 정보를 추정하는 단계를 포함하는X 레이 영상을 이용한 병소 체적 정보 추정 방법.
- 제1항에 있어서,상기 병소의 면적은상기 X 레이 영상에 대한 CAD (computer aided diagnosis) 프로그램을 이용하여 결정되거나,상기 X 레이 영상을 입력받아 병소 영역을 분할하는 세그멘테이션 모델을 이용하여 결정되는 X 레이 영상을 이용한 병소 체적 정보 추정 방법.
- 제1항에 있어서,상기 분석장치는 상기 병소의 면적에 상기 검출 확률을 곱한 결과를 기준으로 상기 체적 정보를 추정하는 X 레이 영상을 이용한 병소 체적 정보 추정 방법.
- 제1항에 있어서,상기 기계학습모델은 환자의 X 레이 영상을 입력받아 상기 특정 병소의 발생 가능성을 분류하도록 사전에 학습된 모델인 X 레이 영상을 이용한 병소 체적 정보 추정 방법.
- 환자의 2D X 레이 영상을 입력받는 입력장치;대상자의 X 레이 영상을 기준으로 특정 병소의 발생 가능성을 분류하도록 사전에 학습된 기계학습모델을 저장하는 저장장치; 및상기 환자의 X 레이 영상을 기계학습모델에 입력하여 상기 특정 병소에 대한 검출 확률을 결정하고, 상기 X 레이 영상에서 검출되는 상기 병소의 면적 및 상기 검출 확률을 기준으로 상기 병소의 3D 체적 정보를 추정하는 연산장치를 포함하는X 레이 영상을 이용하여 병소 체적 정보를 추정하는 분석장치.
- 제5항에 있어서,상기 입력장치는 상기 환자의 X 레이 영상을 기준으로 결정된 상기 특정 병소의 면적을 더 입력받는 X 레이 영상을 이용하여 병소 체적 정보를 추정하는 분석장치.
- 제5항에 있어서,상기 저장장치는 CAD (computer aided diagnosis) 프로그램 또는 X 레이 영상을 입력받아 병소 영역을 분할하는 세그멘테이션 모델을 더 저장하고,상기 연산장치는 상기 CAD 프로그램 또는 상기 세그멘테이션 모델을 이용하여 상기 환자의 X 레이 영상을 분석하여 상기 병소의 면적을 결정하는 X 레이 영상을 이용하여 병소 체적 정보를 추정하는 분석장치.
- 제5항에 있어서,상기 연산장치는 상기 병소의 면적에 상기 검출 확률을 곱한 결과를 기준으로 상기 체적을 추정하는 X 레이 영상을 이용하여 병소 체적 정보를 추정하는 분석장치.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210168323A KR20230080825A (ko) | 2021-11-30 | 2021-11-30 | X 레이 영상을 이용한 병소 체적 정보 추정 방법 및 분석장치 |
KR10-2021-0168323 | 2021-11-30 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2023101203A1 true WO2023101203A1 (ko) | 2023-06-08 |
Family
ID=86612549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/KR2022/015555 WO2023101203A1 (ko) | 2021-11-30 | 2022-10-14 | X 레이 영상을 이용한 병소 체적 정보 추정 방법 및 분석장치 |
Country Status (2)
Country | Link |
---|---|
KR (1) | KR20230080825A (ko) |
WO (1) | WO2023101203A1 (ko) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160350919A1 (en) * | 2015-06-01 | 2016-12-01 | Virtual Radiologic Corporation | Medical evaluation machine learning workflows and processes |
KR101992057B1 (ko) * | 2018-08-17 | 2019-06-24 | (주)제이엘케이인스펙션 | 혈관 투영 영상을 이용한 뇌질환 진단 방법 및 시스템 |
KR20200092466A (ko) * | 2019-01-07 | 2020-08-04 | 재단법인대구경북과학기술원 | 의료 영상의 분석 모델을 학습시키는 학습 장치 및 그 학습 방법 |
KR20200117344A (ko) * | 2019-04-04 | 2020-10-14 | 한국과학기술원 | 병변 해석을 위한 상호작용이 가능한 cad 방법 및 그 시스템 |
KR102237198B1 (ko) * | 2020-06-05 | 2021-04-08 | 주식회사 딥노이드 | 인공지능 기반의 의료영상 판독 서비스 시스템 |
-
2021
- 2021-11-30 KR KR1020210168323A patent/KR20230080825A/ko unknown
-
2022
- 2022-10-14 WO PCT/KR2022/015555 patent/WO2023101203A1/ko unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160350919A1 (en) * | 2015-06-01 | 2016-12-01 | Virtual Radiologic Corporation | Medical evaluation machine learning workflows and processes |
KR101992057B1 (ko) * | 2018-08-17 | 2019-06-24 | (주)제이엘케이인스펙션 | 혈관 투영 영상을 이용한 뇌질환 진단 방법 및 시스템 |
KR20200092466A (ko) * | 2019-01-07 | 2020-08-04 | 재단법인대구경북과학기술원 | 의료 영상의 분석 모델을 학습시키는 학습 장치 및 그 학습 방법 |
KR20200117344A (ko) * | 2019-04-04 | 2020-10-14 | 한국과학기술원 | 병변 해석을 위한 상호작용이 가능한 cad 방법 및 그 시스템 |
KR102237198B1 (ko) * | 2020-06-05 | 2021-04-08 | 주식회사 딥노이드 | 인공지능 기반의 의료영상 판독 서비스 시스템 |
Also Published As
Publication number | Publication date |
---|---|
KR20230080825A (ko) | 2023-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jaeger et al. | Detecting drug-resistant tuberculosis in chest radiographs | |
WO2017022908A1 (ko) | 심층신경망을 이용한 골 연령 산출방법 및 프로그램 | |
WO2019103440A1 (ko) | 피검체의 의료 영상의 판독을 지원하는 방법 및 이를 이용한 장치 | |
WO2019143021A1 (ko) | 영상의 열람을 지원하는 방법 및 이를 이용한 장치 | |
US11663718B2 (en) | Method for discriminating suspicious lesion in medical image, method for interpreting medical image, and computing device implementing the methods | |
WO2020232374A1 (en) | Automated anatomic and regional location of disease features in colonoscopy videos | |
KR20200135171A (ko) | 의료 영상에서 악성의심 병변을 구별하는 방법, 이를 이용한 의료 영상 판독 방법 및 컴퓨팅 장치 | |
EP3467770B1 (en) | Method for analysing a medical imaging data set, system for analysing a medical imaging data set, computer program product and a computer-readable medium | |
Tahghighi et al. | Automatic classification of symmetry of hemithoraces in canine and feline radiographs | |
CN111462203B (zh) | Dr病灶演化分析装置和方法 | |
KR20220151170A (ko) | 훈련 데이터에서 누락된 주석을 해결하기 위한 클래스별 손실 함수 | |
WO2023101203A1 (ko) | X 레이 영상을 이용한 병소 체적 정보 추정 방법 및 분석장치 | |
WO2022204605A1 (en) | Interpretation of intraoperative sensor data using concept graph neural networks | |
US20200388395A1 (en) | Apparatus, method, and non-transitory computer-readable storage medium | |
CN112885435B (zh) | 图像目标区域的确定方法、装置和*** | |
KR102577161B1 (ko) | 엑스레이 이미지 내에서의 대상 병변의 크기 변화를 측정하는 방법 및 시스템 | |
WO2023113230A1 (ko) | 심층강화학습을 이용한 두부 계측 방사선 영상의 계측점 검출 방법 및 분석장치 | |
JP2021189960A (ja) | 画像診断方法、画像診断支援装置、及び計算機システム | |
WO2024123057A1 (ko) | 흉부 엑스레이 영상을 이용한 상완골의 골종양 시각화 방법 및 분석장치 | |
CN110689112A (zh) | 数据处理的方法及装置 | |
KR101726505B1 (ko) | 설 촬영 장치 및 설 영상의 프로세싱 방법 | |
KR102231698B1 (ko) | 정상 의료 영상을 필터링하는 방법, 이를 이용한 의료 영상 판독 방법 및 컴퓨팅 장치 | |
KR102650919B1 (ko) | 패치 단위 대조 학습 모델을 이용한 의료 영상 분석 방법 및 분석 장치 | |
WO2024117555A1 (ko) | 이미지 데이터에 대한 분류 모델을 학습시키는 방법 및 이를 위한 장치 | |
US11508065B2 (en) | Methods and systems for detecting acquisition errors in medical images |
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: 22901563 Country of ref document: EP Kind code of ref document: A1 |