WO2023113358A1 - 컴퓨터 단층촬영 이미지 분석장치 및 이를 이용한 분석방법 - Google Patents

컴퓨터 단층촬영 이미지 분석장치 및 이를 이용한 분석방법 Download PDF

Info

Publication number
WO2023113358A1
WO2023113358A1 PCT/KR2022/019795 KR2022019795W WO2023113358A1 WO 2023113358 A1 WO2023113358 A1 WO 2023113358A1 KR 2022019795 W KR2022019795 W KR 2022019795W WO 2023113358 A1 WO2023113358 A1 WO 2023113358A1
Authority
WO
WIPO (PCT)
Prior art keywords
value
calculation unit
invasive
lesion
computed tomography
Prior art date
Application number
PCT/KR2022/019795
Other languages
English (en)
French (fr)
Inventor
강민웅
오지은
Original Assignee
주식회사 메디튤립
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 메디튤립 filed Critical 주식회사 메디튤립
Publication of WO2023113358A1 publication Critical patent/WO2023113358A1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/12—Arrangements for detecting or locating foreign bodies
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion

Definitions

  • the present invention relates to a computerized tomography image analysis device and an analysis method using the same, and more specifically, to a computed tomography image, based on the ratio of the area in which the Hounsfield value exceeds a reference value out of the total volume of the lesion, the invasiveness of the lesion It relates to a computerized tomography image analysis device capable of simply and accurately predicting whether or not the
  • CT computed tomography
  • GGO ground-glass opacity
  • Ground-glass shade nodule refers to ground-glass shade that appears in the shape of a round nodule. Depending on whether solid components exist inside, mixed ground-glass shade nodules (Part-Solid Ground-Glass Nodule) containing solid components and pure ground-glass nodules It can be classified as a Pure Ground-Glass Nodule (pGGN).
  • Part-Solid Ground-Glass Nodule Part-Solid Ground-Glass Nodule
  • pGGN Pure Ground-Glass Nodule
  • Pure liver-glass shaded nodules can be classified into non-invasive adenocarcinoma and invasive adenocarcinoma, and the treatment method may vary depending on whether or not it is invasive.
  • the Hounsfield (HU) value corresponding to the brightness value of the computed tomography image of the lesion is relatively uniform. features appear. As a result, it is difficult to predict whether a lesion is invasive using only a simple Hounsfield (HU) value for a computed tomography image.
  • the size, volume, and shape of ground-glass shaded nodules are known as major computed tomography image characteristics, but when the size of the lesion is small, the correlation between these characteristics of the computed tomography image and the invasiveness of the lesion appears to be low. being confirmed In addition, it has been confirmed that the average, variance, and maximum values of the Hounsfield values of the lesion have a low correlation with the invasiveness of the lesion when the size of the ground glass shaded nodule is small.
  • An object to be solved by the present invention is a computed tomography image analysis device capable of simply and accurately predicting the invasiveness of a lesion based on the ratio of the area in which the Hounsfield value exceeds the reference value out of the total volume of the lesion in a computed tomography image. And to provide an analysis method using the same.
  • the present invention is a parameter calculation unit for calculating a reference value for the Hounsfield value based on a histogram representing the distribution of the volume of the lesion and the Hounsfield value in a computed tomography image; an excess ratio calculation unit calculating an excess ratio corresponding to a ratio of an area in which a Hounsfield value exceeds the reference value among the total volume of lesions in the computed tomography image; and a predictive value calculation unit that calculates a predictive value on whether or not the lesion is invasive based on whether or not the excess ratio exceeds a cutoff value on a reference ROC curve for the reference value. to provide.
  • the excess ratio calculation unit may calculate the excess ratio using Equation 1 below.
  • V H means the volume of the area in which the Hounsfield value is greater than the reference value
  • V L means the volume of the area in the lesion where the Hounsfield value is smaller than the reference value
  • the parameter calculation unit may calculate a cutoff value candidate having a maximum Youden function with respect to cutoff value candidates on the reference ROC curve as the cutoff value.
  • the parameter calculation unit selects a plurality of reference value candidates related to the reference value on the histogram, calculates each excess ratio candidate value using [Equation 1] for each of the plurality of reference value candidates, After generating a candidate ROC curve for each candidate excess ratio, a reference value candidate for which the area under the curve for the candidate ROC curve is the maximum among the candidate ROC curves is selected as the reference value. can be selected as
  • the predicted value calculation unit may calculate the accuracy of the predicted value using Equations 2 and 3 below.
  • P I is invasive accuracy
  • P nI non-invasive accuracy
  • the parameter calculation unit calculates a modeling graph modeled on the basis of the actual invasiveness of the lesion and the empirical joint probability distribution of the actual excess ratio, and if the lesion is invasive with respect to the excess ratio on the modeling graph
  • the corresponding invasiveness probability value and the non-invasiveness probability value corresponding to the case where the lesion is non-invasive may be calculated and transmitted to the prediction value calculation unit.
  • the parameter operation unit may update the reference value and the cutting value based on the new computed tomography image.
  • the parameter calculation unit newly updates the modeling graph based on the pathological actual value of the invasiveness of the lesion identified from the previous computed tomography image, and the invasiveness probability value and the non-invasiveness probability value based on the newly updated modeling graph. Probability values can be updated.
  • the present invention is a computed tomography image analysis method for analyzing a computed tomography image using the above-described computed tomography image analysis device, wherein the parameter calculation unit determines the volume of the lesion and the a reference value calculation step of calculating the reference value based on a histogram representing a distribution of Hounsfield values; an excess rate calculating step in which the excess rate calculation unit calculates an excess rate corresponding to a ratio of an area in which a Hounsfield value exceeds the reference value in the total volume of the lesion; and a predicted value calculation step of calculating, by the predicted value calculation unit, a predicted value regarding whether or not the lesion is invasive based on whether or not the excess ratio exceeds a cutoff value on a reference ROC curve for the reference value.
  • a method for analyzing a photographed image is provided.
  • the computed tomography image analysis method may further include a cut-off value calculation step in which the parameter calculation unit calculates the cut-off value.
  • the parameter calculation unit may select a cut-off value candidate having a maximum Youden function as the cut-off value with respect to cut-off value candidates on the reference ROC curve.
  • the reference value calculation step may include: a histogram calculation step in which the parameter calculation unit displays the distribution of the volume of the lesion and the Hounsfield value as a histogram; a reference value candidate selection step in which the parameter calculation unit selects a plurality of reference value candidates related to the reference value on the histogram; calculating, by the parameter calculation unit, each excess ratio candidate value using [Equation 1] for each of the plurality of reference value candidates; a curve generating step in which the parameter calculation unit generates a candidate ROC curve for each of the excess ratio candidate values; and a reference value selecting step in which the parameter calculation unit selects, as the reference value, a reference value candidate having a maximum area under the curve for the candidate ROC curve among the respective excess ratio candidate values.
  • the parameter calculation unit calculates a modeling graph modeled on the basis of the actual invasiveness of the lesion and the empirical joint probability distribution of the actual excess rate, and for the excess rate on the modeling graph
  • the method may further include a probability value calculation step of calculating the invasiveness probability value corresponding to a case in which the lesion is invasive and a non-invasive probability value corresponding to a case in which the lesion is noninvasive.
  • the computed tomography image analysis method may further include an accuracy calculation step in which the prediction value calculation unit calculates the accuracy of the prediction value based on the invasive probability value and the non-invasive probability value transmitted from the parameter calculation unit.
  • the computed tomography image analysis method may further include a learning step in which the parameter calculation unit newly updates the reference value and the cutting value based on a new computed tomography image input from the outside.
  • the parameter calculation unit newly updates the modeling graph based on the pathological actual value of the invasiveness of the lesion identified from the previous computed tomography image, and based on the newly updated modeling graph, the invasiveness probability value and the The non-invasive probability value may be newly updated.
  • the computed tomography image analysis device and analysis method using the same calculates an excess ratio corresponding to the ratio of an area in which a Hounsfield value exceeds a reference value out of the total volume of a lesion in a computed tomography image, and the excess ratio It has the advantage of being able to simply and accurately predict whether or not the lesion is invasive based on whether it exceeds the cut-off value on the reference ROC curve for the reference value.
  • the computerized tomography image analysis device and analysis method using the same is a computerized tomography newly inputted through a learning process using updated invasiveness probability values and non-invasive probability values based on pathological actual values for the invasiveness of lesions. It has the advantage of further improving the accuracy of whether or not the photographed image is invasive.
  • FIG. 1 is a block diagram showing the structure of a computed tomography image analysis apparatus according to the present invention.
  • FIG. 2 is a diagram showing a histogram of Hounsfield values of pure ground glass shaded nodules.
  • FIG. 3 is a diagram showing an example of an ROC curve with sensitivity and specificity as axes according to the excess ratio.
  • FIG. 5 is a diagram showing values of a Youden function having sensitivity and specificity for possible cutoff values in an ROC curve as variables.
  • FIG. 6 is a diagram showing a graph modeling an empirical joint probability distribution between the presence or absence of invasiveness of a lesion and an excess rate.
  • the present invention can be used for predicting the invasiveness of a lesion, which is a pathological result, using features extracted from preoperative computed tomography images.
  • the lesions referred to in the present invention include pure ground-glass shading nodules, and an image of the pure ground-vitreous shading nodule can be obtained from a three-dimensional computed tomography image of the chest.
  • FIGS. 1 to 6 a computed tomography image analysis apparatus and an analysis method using the same according to an embodiment of the present invention will be described.
  • the computed tomography image analysis apparatus may include an excess ratio calculation unit 100 , a predicted value calculation unit 200 and a parameter calculation unit 300 .
  • the parameter calculation unit 300 calculates a reference value ( ⁇ HU ) for the Hounsfield value based on a histogram representing the distribution of the volume of the lesion and the Hounsfield value in the computed tomography image.
  • a process for the parameter calculation unit 300 to calculate the reference value ⁇ HU is as follows.
  • the parameter calculation unit 300 receives a file in the form of DICOM (Digital Imaging and Communication in Medicine) for the lesion from the outside, as shown in FIG. 2, the volume of the lesion and the computed tomography (CT) image of the lesion The distribution of house field values is acquired in the form of a histogram. That is, the parameter calculation unit 300 represents the distribution of the volume of the lesion and the Hounsfield value as a histogram.
  • DICOM Digital Imaging and Communication in Medicine
  • DICOM means a standard used when expressing digital image data in medical devices or communicating using digital image data. 2 shows a case where the reference value ( ⁇ HU ) is -300HU on the histogram.
  • the parameter calculation unit 300 selects a plurality of reference value candidates related to the reference value ( ⁇ HU ) on the histogram.
  • reference value candidates in this embodiment may be selected within the range of Hounsfield values appearing on the histogram, that is, between -1000 HU and 100 HU.
  • reference value candidates may be selected within a range in which high Hounsfield values within the lesion are averagely distributed.
  • the parameter calculation unit 300 may select reference value candidates based on a distribution range of previous reference values selected from previously stored computed tomography images. In this embodiment, based on FIG. 2, the reference value candidates are selected between -500 HU and 100 HU, but the interval between the reference candidate values is set to 50.
  • the parameter calculation unit 300 calculates each excess ratio candidate value using [Equation 1] for each reference value candidate.
  • the parameter calculation unit 300 generates a candidate ROC curve for each excess ratio candidate value.
  • FIG. 3 is a diagram showing an example of a candidate ROC curve with axes of sensitivity and specificity (1-Specificity) for a candidate excess ratio when a lesion is classified into invasive and non-invasive. Referring to FIG. 3 , it can be seen that the candidate ROC curve is in the upper region of the reference line.
  • the parameter calculation unit 300 selects a reference value candidate having a maximum Area Under ROC Curve (AUC) for the candidate ROC curve among the excess ratio candidate values as a reference value.
  • AUC Area Under ROC Curve
  • FIG. 4 is an example of a graph comparing area under the curve (AUC) for candidate ROC curves for excess ratio candidate values. Referring to FIG. 4 , in this embodiment, -300 HU, which has the maximum area under the curve (AUC), is selected as a reference value.
  • the excess ratio calculation unit 100 calculates the region in which the Hounsfield value of the total volume of the lesion in the computed tomography image for the input lesion exceeds the reference value ( ⁇ HU ) calculated by the parameter calculation unit 300
  • the excess ratio ( ⁇ ) corresponding to the ratio of can be calculated.
  • Equation 1 The excess ratio ( ⁇ ) can be calculated by Equation 1 below.
  • ⁇ means the excess ratio
  • V H means the volume of a region in which the Hounsfield value of the lesion is greater than the reference value ( ⁇ HU )
  • V L is the Hounsfield value of the lesion greater than the reference value ( ⁇ HU ). refers to the volume of a small area.
  • V H and V L are obtained from a graph showing the distribution of the volume and Hausfield value of the lesion in the form of a histogram.
  • V H corresponds to the lower area of the graph in a region where the Hounsfield value is greater than the reference value ( ⁇ HU )
  • V L is the Hounsfield It corresponds to the lower area of the graph in the area where the value is smaller than the reference value ( ⁇ HU ).
  • the excess ratio calculation unit 100 receives the reference value ⁇ HU from the parameter calculation unit 300 and calculates the excess ratio ⁇ according to [Equation 1].
  • the predicted value calculation unit 200 calculates the predicted value ( ⁇ ) based on whether the excess ratio ( ⁇ ) exceeds the cutoff value ( ⁇ ⁇ ) on the reference ROC (Receiver Operating Characteristic) curve for the reference value ( ⁇ HU ). ) can be calculated.
  • the predictive value calculation unit 200 outputs the predicted value as 1 when the excess ratio ( ⁇ ) is greater than or equal to the cutoff value ( ⁇ ⁇ ), and outputs the predicted value as 0 when the excess ratio ( ⁇ ) is smaller than the cutoff value ( ⁇ ⁇ ). can do.
  • the predicted value ( ) is 1, the lesion is invasive, and the predicted value ( ) is 0, it means that the lesion is non-invasive.
  • the prediction value calculation unit 200 receives the cutoff value ⁇ ⁇ from the parameter calculation unit 300 .
  • the process of the parameter calculation unit 300 calculating the cutoff value ⁇ ⁇ is as follows.
  • the parameter calculation unit 300 calculates Youden function values for all cutoff value candidates on the reference ROC curve for the selected reference value. Since the Youden function value is a value calculated through a Youden's index, a detailed description thereof will be omitted.
  • the parameter calculation unit 300 selects a cutoff value candidate maximizing a Youden function value as the cutoff value ⁇ ⁇ . Referring to FIG. 5 , 5.41% is selected as the cutoff value in this embodiment.
  • the predicted value calculation unit 200 may calculate the accuracy of the predicted value corresponding to the difference between the excess ratio ⁇ and the cutoff value ⁇ ⁇ .
  • the accuracy of the predicted value is the invasive accuracy (P I ) when the excess rate ( ⁇ ) is greater than or equal to the cutoff value ( ⁇ ⁇ ), and the non-invasive accuracy (P I ) when the excess rate ( ⁇ ) is smaller than the cutoff value ( ⁇ ⁇ ).
  • P I the invasive accuracy
  • P I the non-invasive accuracy
  • the invasive accuracy (P I ) is calculated by [Equation 2]
  • the non-invasive accuracy (P nI ) is calculated by [Equation 3].
  • it means the non-invasive probability value corresponding to the case where the lesion is non-invasive.
  • the invasive accuracy (P I ) and the non-invasive accuracy (P nI ) have values ranging from 0 to 100, and the predicted value ( ), the quantitative value for the accuracy is expressed as a percentile.
  • the invasiveness accuracy (P I ) approaches 100 as the excess rate ( ⁇ ) has a larger value than the cutoff value ( ⁇ ⁇ ), that is, as the difference between the excess rate ( ⁇ ) and the cutoff value ( ⁇ ⁇ ) increases, the invasiveness accuracy (PI ) approaches 100.
  • P I will increase.
  • the non-invasive accuracy (P nI ) approaches 100 as the excess ratio ( ⁇ ) has a value smaller than the cutoff value ( ⁇ ⁇ ), that is, as the difference between the excess ratio ( ⁇ ) and the cutoff value ( ⁇ ⁇ ) increases. As a result, the non-invasive accuracy (P nI ) increases.
  • a process of calculating the invasiveness probability value and the non-invasiveness probability value by the parameter calculation unit 300 will be described as follows.
  • the parameter calculation unit 300 calculates a modeling graph modeled on the basis of the actual invasiveness of the lesion and the empirical joint probability distribution of the actual excess rate.
  • the modeling graph is a graph obtained through curve fitting based on actual values for the presence or absence of invasiveness of lesions obtained from actual pathological results and values of the excess ratio at this time.
  • N t is the number of collected pure ground glass shaded nodules, that is, the number of lesions
  • N I and N nI are the numbers classified into invasive adenocarcinoma and non-invasive adenocarcinoma among the collected lesions, respectively.
  • G1 is a curve showing the joint probability distribution according to the excess rate when the lesion is invasive
  • G0 is a curve showing the joint probability distribution according to the excess rate when the lesion is non-invasive.
  • the invasiveness accuracy (P I ) is output as a value close to 100, and the excess ratio ( ⁇ ) is close to the cutoff value ( ⁇ ⁇ ).
  • the invasiveness accuracy (P I ) may be output as a value of about 50. In this way, the accuracy of the predicted value is output as a percentile, thereby increasing the reliability of the predicted value for the invasiveness of the lesion.
  • the parameter calculation unit 300 may update the reference value and the cutoff value based on the new computed tomography image.
  • the parameter calculation unit 300 transmits a newly updated reference value to the excess ratio calculation unit 100 in which a new computed tomography image is input and simultaneously transmits a newly updated cutoff value to the predicted value calculation unit 200.
  • the parameter calculation unit 300 may newly update a modeling graph based on actual pathological values for the invasiveness of the lesion confirmed in the previous step.
  • the G1 curve and the G0 curve of FIG. 6 may be newly set by adding a pathological result for whether or not a new lesion is invasive.
  • the parameter calculation unit 300 may newly update the invasive probability value and the non-invasive probability value based on the newly updated modeling graph and transmit them to the predicted value calculation unit 200 .
  • the parameter calculation unit 300 performs a reference value calculation step of calculating a reference value based on a histogram representing the distribution of the volume of the lesion and the Hounsfield value in the computed tomography image.
  • the parameter calculation unit 300 calculates a reference value ( ⁇ HU ) for calculating the excess ratio ⁇ , and calculates the excess ratio using the calculated reference value Send to unit 100.
  • the parameter calculation unit 300 first performs a histogram calculation step in which the distribution of the volume of the lesion and the Hounsfield value is represented by a histogram.
  • the parameter calculation unit 300 performs a reference value candidate selection step of selecting a plurality of reference value candidates related to the reference value on the histogram.
  • the parameter calculation unit 300 calculates each excess ratio candidate value using Equation 1 for each of the plurality of reference value candidates.
  • the parameter calculation unit 300 performs a curve generating step of generating a candidate ROC curve for each of the excess ratio candidate values.
  • the parameter calculation unit 300 performs a reference value selection step of selecting, as the reference value, a reference value candidate having a maximum area under the curve for the candidate ROC curve among the respective excess ratio candidate values.
  • the parameter calculation unit 300 calculates a cutoff value ( ⁇ ⁇ ) based on a reference ROC curve for the reference value ( ⁇ HU ), and transmits the calculated cutoff value to the predicted value calculation unit 200 do. That is, a cut-off value calculation step in which cut-off values are calculated by the parameter calculation unit 300 is performed.
  • a cut-off value candidate having a maximum Youden function with respect to cut-off value candidates on the reference ROC curve is selected as a cut-off value.
  • the excess ratio calculation unit 100 calculates the Hounsfield value of the total volume of the lesion in the computed tomography image of the lesion using [Equation 1] to exceed the reference value.
  • the excess ratio ( ⁇ ) corresponding to the ratio of the area is calculated.
  • the prediction value calculation unit 200 calculates a prediction value regarding whether or not the lesion is invasive based on whether the excess ratio ( ⁇ ) exceeds the cutoff value ( ⁇ ⁇ ) on the reference ROC curve for the reference value. Perform the predictive value calculation step.
  • the present invention is based on the distribution of Hounsfield values obtained through image analysis of three-dimensional chest computed tomography images of lung liver-glass-shading nodules with small solid components, to determine whether or not the liver-glass-shading nodules are invasive. It has the advantage of being simple and accurately predictable.
  • the parameter calculation unit 300 performs a probability value calculation step of calculating an invasive probability value used to calculate the accuracy of the predicted value and a non-invasive probability value.
  • the parameter calculation unit 300 first performs a graph calculation step of calculating a modeling graph modeled on the basis of the actual invasiveness of the lesion and the empirical joint probability distribution of the actual excess rate.
  • the parameter calculation unit 300 performs a probability value calculation step of calculating an invasiveness probability value when the lesion is invasive and a non-invasive probability value when the lesion is noninvasive with respect to the excess ratio on the modeling graph.
  • the parameter calculation unit 300 transmits the invasive probability value and the non-invasive probability value to the predicted value calculation unit 200 .
  • the prediction value calculation unit 200 uses [Equation 2] and [Equation 3], but calculates the accuracy of the prediction value based on the invasive probability value and the non-invasive probability value transmitted from the parameter calculation unit 300. do the steps
  • the accuracy of the predicted value may include invasive accuracy when the excess ratio is greater than or equal to the cutoff value, and non-invasive accuracy when the excess ratio is smaller than the cutoff value.
  • the present invention is not limited thereto, and the predictive value calculation step and the accuracy calculation step may be performed simultaneously.
  • the computed tomography image analysis method may further include a learning step in which the parameter calculation unit 300 newly updates the reference value and the cutoff value based on a new computed tomography image input from the outside.
  • the parameter calculation unit newly updates the modeling graph based on the pathological actual value of the invasiveness of the lesion identified from the previous computed tomography image, and based on the newly updated modeling graph, the invasiveness probability value and the The non-invasive probability value may be newly updated.
  • the invasiveness of the newly input computed tomography image was determined through a learning process using the updated invasive probability value and non-invasive probability value. accuracy can be further improved.
  • CT computed tomography
  • GGO ground-glass opacity
  • a computerized tomography image analysis device and an analysis method using the same according to the present invention can simply and accurately predict whether a lesion is invasive based on the ratio of the area in which the Hounsfield value exceeds the reference value out of the total volume of the lesion in a computed tomography image. Therefore, it can be widely used in industry.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Optics & Photonics (AREA)
  • Animal Behavior & Ethology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physiology (AREA)
  • Pulmonology (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

본 발명은 컴퓨터 단층촬영 이미지에서 병변의 전체부피 중 하운스필드값이 기준값을 초과하는 영역의 비율을 바탕으로 병변의 침습성 여부를 간단하면서도 정확하게 예측할 수 있는 컴퓨터 단층촬영 이미지 분석장치 및 이를 이용한 분석방법에 관한 것이다. 이를 위해, 본 발명은 컴퓨터 단층촬영 이미지에서 병변의 부피와 하운스필드값의 분포를 나타내는 히스토그램을 바탕으로 하운스필드값에 대한 기준값 산출하는 파라미터 연산유닛; 상기 컴퓨터 단층촬영 이미지에서 병변의 전체부피 중 하운스필드값이 상기 기준값을 초과하는 영역의 비율에 해당하는 초과비율을 산출하는 초과비율 산출유닛; 및 상기 초과비율이 상기 기준값에 대한 기준 알오씨(ROC) 곡선상의 절단값을 초과하는지 여부를 바탕으로 상기 병변의 침습성 여부에 관한 예측값을 산출하는 예측값 산출유닛을 포함하는 컴퓨터 단층촬영 이미지 분석장치 및 이를 이용한 분석방법을 제공한다.

Description

컴퓨터 단층촬영 이미지 분석장치 및 이를 이용한 분석방법
본 발명은 컴퓨터 단층촬영 이미지 분석장치 및 이를 이용한 분석방법에 관한 것으로서, 보다 구체적으로는 컴퓨터 단층촬영 이미지에서 병변의 전체부피 중 하운스필드값이 기준값을 초과하는 영역의 비율을 바탕으로 병변의 침습성 여부를 간단하면서도 정확하게 예측할 수 있는 컴퓨터 단층촬영 이미지 분석장치 및 이를 이용한 분석방법에 관한 것이다.
최근 폐암의 조기 발견을 위한 컴퓨터 단층촬영(CT: Computed Tomography) 검사의 사용이 보편화 됨에 따라, 간유리음영(GGO: Ground-Glass Opacity)의 형태로 나타나는 병변들이 흉부 단층촬영 등의 영상의학적 검사를 통해 발견되는 비율이 지속적으로 증가하고 있다.
간유리음영결절은 둥근 결절 모양으로 나타나는 간유리음영을 의미하며, 내부에 고형성분이 존재하는지 여부에 따라 고형성분을 포함하는 혼합 간유리음영결절(Part-Solid Ground-Glass Nodule)과 순수 간유리음영결절(Pure Ground-Glass Nodule, pGGN)로 구분될 수 있다.
순수 간유리음영결절은 비침습성 선암종 (Non Invasive Adenocarcinoma)과 침습성 선암종 (Invasive Adenocarcinoma)으로 구분될 수 있으며, 침습성 여부에 따라 치료방식이 달라질 수 있다.
순수 간유리음영결절은 폐 및 종격동을 관찰하기 위한 영상 윈도우 설정에서 고체 성분이 보이지 않기 때문에, 병변에 대한 컴퓨터 단층촬영 이미지의 밝기값에 상응하는 하운스필드(Hounsfield, HU) 값이 비교적 균일한 특징을 보이게 된다. 결과적으로, 컴퓨터 단층촬영 이미지에 대한 단순한 하운스필드(HU: Hounsfield) 값만으로는 병변의 침습성 여부를 예측하기는 어려운 문제가 있다.
최근 간유리음영결절의 크기, 부피, 형태 등이 주요한 컴퓨터 단층촬영 이미지의 특징으로 알려져 있으나, 병변의 크기가 작은 경우에는 이러한 컴퓨터 단층촬영 이미지의 특징들과 병변의 침습성 사이의 상관관계가 낮은 것으로 확인되고 있다. 뿐만 아니라, 간유리음영결절의 크기가 작은 경우에는 병변의 하운스필드값들의 평균, 분산 및 최대값들도 병변의 침습성과 연관성이 낮은 것으로 확인되고 있다.
선행기술문헌으로는 대한민국 등록특허공보 제10-2035381호(공고일: 2019년 10월 22일)가 있다.
본 발명의 해결하고자 하는 과제는 컴퓨터 단층촬영 이미지에서 병변의 전체부피 중 하운스필드값이 기준값을 초과하는 영역의 비율을 바탕으로 병변의 침습성 여부를 간단하면서도 정확하게 예측할 수 있는 컴퓨터 단층촬영 이미지 분석장치 및 이를 이용한 분석방법을 제공하는 것이다.
본 발명이 해결하고자 하는 과제는 이상에서 언급한 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상술한 과제를 해결하기 위하여, 본 발명은 컴퓨터 단층촬영 이미지에서 병변의 부피와 하운스필드값의 분포를 나타내는 히스토그램을 바탕으로 하운스필드값에 대한 기준값 산출하는 파라미터 연산유닛; 상기 컴퓨터 단층촬영 이미지에서 병변의 전체부피 중 하운스필드값이 상기 기준값을 초과하는 영역의 비율에 해당하는 초과비율을 산출하는 초과비율 산출유닛; 및 상기 초과비율이 상기 기준값에 대한 기준 알오씨(ROC) 곡선상의 절단값을 초과하는지 여부를 바탕으로 상기 병변의 침습성 여부에 관한 예측값을 산출하는 예측값 산출유닛을 포함하는 컴퓨터 단층촬영 이미지 분석장치를 제공한다.
상기 초과비율 산출유닛은 하기의 수학식 1을 사용하여 상기 초과비율을 산출할 수 있다.
[수학식 1]
Figure PCTKR2022019795-appb-img-000001
γ은 초과비율을 의미하고, VH는 병변 중 하운스필드값이 기준값보다 큰 영역의 부피를 의미하고, VL은 병변 중 하운스필드값이 기준값보다 작은 영역의 부피를 의미한다.
상기 파라미터 연산유닛은 상기 기준 알오씨(ROC) 곡선상의 절단값 후보들에 대하여 유든(Youden) 함수가 최대인 절단값 후보를 상기 절단값으로 산출할 수 있다.
또한, 상기 파라미터 연산유닛은 상기 히스토그램상에서 상기 기준값과 관련된 복수 개의 기준값 후보들을 선정하고, 상기 복수 개의 기준값 후보들 각각에 대하여 상기 [수학식 1]을 사용하여 각각의 초과비율 후보값을 산출하며, 상기 각각의 초과비율 후보값에 대한 후보 알오씨(ROC) 곡선을 생성한 후, 상기 각각의 초과비율 후보값 중 상기 후보 알오씨(ROC) 곡선에 대한 곡선 아래면적이 최대가 되는 기준값 후보를 상기 기준값으로 선정할 수 있다.
상기 예측값 산출유닛은 하기의 수학식 2 및 수학식 3을 사용하여 상기 예측값의 정확도를 산출할 수 있다.
[수학식 2]
Figure PCTKR2022019795-appb-img-000002
[수학식 3]
Figure PCTKR2022019795-appb-img-000003
PI는 침습성 정확도, PnI는 비침습성 정확도를 의미하고, Pr[Hi = 1,γ] 는 초과비율(γ)에 대하여 병변이 침습성인 경우에 해당하는 침습성 확률값을 의미하고, Pr[Hi = 0,γ]는 초과비율(γ)에 대하여 병변이 비침습성인 경우에 해당하는 비침습성 확률값을 의미한다.
또한, 상기 파라미터 연산유닛은 상기 병변에 대한 실제 침습성 유무와 실제 초과비율의 경험적 결합확률분포를 바탕으로 모델링한 모델링 그래프를 산출하고, 상기 모델링 그래프 상에서 상기 초과비율에 대하여 상기 병변이 침습성인 경우에 해당하는 상기 침습성 확률값과, 상기 병변이 비침습성인 경우에 해당하는 비칩습성 확률값을 산출하여 상기 예측값 산출유닛으로 전송할 수 있다.
또한, 상기 파리미터 연산유닛은 외부로부터 새로운 컴퓨터 단층촬영 이미지를 입력받으면, 새로운 컴퓨터 단층촬영 이미지를 바탕으로 상기 기준값과 상기 절단값을 갱신할 수 있다.
또한, 상기 파라미터 연산유닛은 이전 컴퓨터 단층촬영 이미지로부터 확인된 병변의 침습성에 대한 병리학적 실제값을 바탕으로 상기 모델링 그래프를 새롭게 갱신하고, 새롭게 갱신된 모델링 그래프를 바탕으로 상기 침습성 확률값과 상기 비침습성 확률값을 새롭게 갱신할 수 있다.
본 발명의 다른 실시 형태에 따르면, 본 발명은 상술한 컴퓨터 단층촬영 이미지 분석장치를 이용하여 컴퓨터 단층촬영 이미지를 분석하는 컴퓨터 단층촬영 이미지 분석방법에 있어서, 상기 파라미터 연산유닛이 상기 병변의 부피와 상기 하운스필드값의 분포를 나타내는 히스토그램을 바탕으로 상기 기준값 산출하는 기준값 산출단계; 상기 초과비율 산출유닛이 상기 병변의 전체부피 중 하운스필드값이 상기 기준값을 초과하는 영역의 비율에 해당하는 초과비율을 산출하는 초과비율 산출단계; 및 상기 예측값 산출유닛이 상기 초과비율이 상기 기준값에 대한 기준 알오씨(ROC) 곡선상의 절단값을 초과하는지 여부를 바탕으로 상기 병변의 침습성 여부에 관한 예측값을 산출하는 예측값 산출단계를 포함하는 컴퓨터 단층촬영 이미지 분석방법을 제공한다.
상기 컴퓨터 단층촬영 이미지 분석방법은 상기 파라미터 연산유닛이 상기 절단값을 산출하는 절단값 산출단계를 더 포함할 수 있다.
상기 절단값 산출단계에서는 상기 파라미터 연산유닛이 상기 기준 알오씨(ROC) 곡선상의 절단값 후보들에 대하여 유든(Youden) 함수가 최대인 절단값 후보를 상기 절단값으로 선정할 수 있다.
상기 기준값 산출단계는 상기 파라미터 연산유닛이 상기 병변의 부피와 상기 하운스필드값의 분포를 히스토그램으로 나타내는 히스토그램 산출단계; 상기 파라미터 연산유닛이 상기 히스토그램상에서 상기 기준값과 관련된 복수 개의 기준값 후보들을 선정하는 기준값 후보 선정단계; 상기 파라미터 연산유닛이 상기 복수 개의 기준값 후보들 각각에 대하여 상기 [수학식 1]을 사용하여 각각의 초과비율 후보값을 산출하는 단계; 상기 파라미터 연산유닛이 상기 각각의 초과비율 후보값에 대한 후보 알오씨(ROC) 곡선을 생성하는 곡선 생성단계; 및 상기 파라미터 연산유닛이 상기 각각의 초과비율 후보값 중 상기 후보 알오씨(ROC) 곡선에 대한 곡선 아래면적이 최대가 되는 기준값 후보를 상기 기준값으로 선정하는 기준값 선정단계를 포함할 수 있다.
또한, 컴퓨터 단층촬영 이미지 분석방법은 상기 파라미터 연산유닛이 상기 병변에 대한 실제 침습성 유무와 실제 초과비율의 경험적 결합확률분포를 바탕으로 모델링한 모델링 그래프를 산출하고, 상기 모델링 그래프 상에서 상기 초과비율에 대하여 상기 병변이 침습성인 경우에 해당하는 상기 침습성 확률값과, 상기 병변이 비침습성인 경우에 해당하는 비칩습성 확률값을 산출하는 확률값 산출단계를 더 포함할 수 있다.
또한, 컴퓨터 단층촬영 이미지 분석방법은 상기 예측값 산출유닛이 상기 파라미터 연산유닛으로부터 전달받은 상기 침습성 확률값과 비침습성 확률값을 바탕으로 상기 예측값의 정확도를 산출하는 정확도 산출단계를 더 포함할 수 있다.
또한, 컴퓨터 단층촬영 이미지 분석방법은 상기 파라미터 연산유닛이 외부에서 입력되는 새로운 컴퓨터 단층촬영 이미지를 바탕으로 상기 기준값과 상기 절단값을 새롭게 갱신하는 학습단계를 더 포함할 수 있다.
상기 학습단계에서는 상기 파라미터 연산유닛이 이전 컴퓨터 단층촬영 이미지로부터 확인된 병변의 침습성에 대한 병리학적 실제값을 바탕으로 상기 모델링 그래프를 새롭게 갱신하고, 새롭게 갱신된 모델링 그래프를 바탕으로 상기 침습성 확률값과 상기 비침습성 확률값을 새롭게 갱신할 수 있다.
본 발명에 따른 컴퓨터 단층촬영 이미지 분석장치 및 이를 이용한 분석방법은 컴퓨터 단층촬영 이미지에서 병변의 전체부피 중 하운스필드값이 기준값을 초과하는 영역의 비율에 해당하는 초과비율을 산출하고, 상기 초과비율이 상기 기준값에 대한 기준 알오씨(ROC) 곡선상의 절단값을 초과하는지 여부를 바탕으로 병변에 대한 침습성 여부를 간단하면서도 정확하게 예측할 수 있는 장점을 가진다.
또한, 본 발명에 따른 컴퓨터 단층촬영 이미지 분석장치 및 이를 이용한 분석방법은 병변의 침습성에 대한 병리학적 실제값을 바탕으로 갱신된 침습성 확률값과 비침습성 확률값을 사용하는 학습과정을 통하여 새롭게 입력되는 컴퓨터 단층촬영 이미지에 대한 침습성 여부에 대한 정확성을 보다 향상시킬 수 있는 장점을 가진다.
본 발명의 효과는 상기한 효과로 한정되는 것은 아니며, 본 발명의 상세한 설명 또는 청구범위에 기재된 발명의 구성으로부터 추론 가능한 모든 효과를 포함하는 것으로 이해되어야 한다.
도 1은 본 발명에 따른 컴퓨터 단층촬영 이미지 분석장치의 구조를 나타낸 블록도이다.
도 2는 순수 간유리음영결절의 하운스필드값에 대한 히스토그램을 나타낸 도면이다.
도 3은 초과비율에 따른 민감도와 특이도를 축으로 하는 알오씨(ROC) 곡선의 예를 나타낸 도면이다.
도 4는 기준값 후보들에 대한 알오씨(ROC) 곡선의 아래면적을 비교한 그래프이다.
도 5는 알오씨(ROC)곡선에서 가능한 절단값에 대한 민감도와 특이도를 변수로 하는 유든(Youden) 함수의 값을 나타낸 도면이다.
도 6은 병변의 침습성 유무와 초과비율과의 경험적 결합확률분포를 모델링한 그래프를 나타낸 도면이다.
이하, 상술한 해결하고자 하는 과제가 구체적으로 실현될 수 있는 본 발명의 바람직한 실시 예들이 첨부된 도면을 참조하여 설명된다. 본 실시 예들을 설명함에 있어서, 동일 구성에 대해서는 동일 명칭 및 동일 부호가 사용되며 이에 따른 부가적인 설명은 하기에서 생략된다.
명세서 전체에서, 어떤 부분이 다른 부분과 “연결(접속, 접촉, 결합)”되어 있다고 할 때, 이는 “직접적으로 연결”되어 있는 경우뿐 아니라, 그 중간에 다른 부재를 사이에 두고 “간접적으로 연결”되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 “포함”한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 구비할 수 있다는 것을 의미한다.
본 명세서에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, “포함하다”또는 “가지다”등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 발명은 수술 전 컴퓨터 단층촬영 이미지로부터 추출되는 특징을 이용하여 병리학적 결과인 병변의 침습성 여부를 예측하기 위한 용도로 사용될 수 있다. 본 발명에서 언급되는 병변은 순수 간유리음영결절을 포함하며, 순수 간유리음영결절에 대한 이미지는 3차원 흉부에 대한 컴퓨터 단층촬영 이미지로부터 얻어질 수 있다.
도 1 내지 도 6을 참조하여, 본 발명의 일 실시예에 따른 컴퓨터 단층촬영 이미지 분석장치 및 이를 이용한 분석방법을 설명하면 다음과 같다.
본 실시예에 따른 컴퓨터 단층촬영 이미지 분석장치는 초과비율 산출유닛(100), 예측값 산출유닛(200) 및 파라미터 연산유닛(300)을 포함할 수 있다.
파라미터 연산유닛(300)은 컴퓨터 단층촬영 이미지에서 병변의 부피와 하운스필드값의 분포를 나타내는 히스토그램을 바탕으로 하운스필드값에 대한 기준값(θHU) 산출하게 된다.
파라미터 연산유닛(300)이 기준값(θHU)을 산출하는 과정을 설명하면 다음과 같다.
먼저, 파라미터 연산유닛(300)은 외부로부터 병변에 대한 DICOM(Digital Imaging and Communication in Medicine) 형태의 파일을 전송받으면, 도 2에 도시된 바와 같이 병변에 대한 부피와 컴퓨터 단층촬영(CT) 이미지의 하우스필드값의 분포를 히스토그램(Histogram)의 형태로 획득하게 된다. 즉, 파라미터 연산유닛(300)은 병변의 부피와 하운스필드값의 분포를 히스토그램으로 나타내게 된다.
여기서, DICOM은 의료용 기기에서 디지털 영상자료를 표현하거나 디지털 영상자료를 이용하여 통신할 때 사용되는 표준을 의미한다. 도 2는 히스토그램상에서 기준값(θHU)이 -300HU인 경우를 나타낸다.
다음으로, 파라미터 연산유닛(300)은 히스토그램상에서 기준값(θHU)과 관련된 복수 개의 기준값 후보들을 선정한다. 도 2를 참조하면, 본 실시예에서 기준값 후보들은 히스토그램상에서 나타나는 하운스필드값의 범위 즉, -1000 HU ~ 100 HU 사이에서 선정될 수 있다.
바람직하게는, 기준값 후보들은 병변 내 높은 하운스필드값이 평균적으로 분포하는 범위내에서 선정될 수 있다. 예를 들면, 파라미터 연산유닛(300)은 미리 저장되어 있는 이전 컴퓨터 단층촬영 이미지들에서 선정되었던 이전 기준값들이 분포하는 범위를 기준으로 상기 기준값 후보들을 선정할 수 있다. 본 실시예에서는 도 2를 기준으로 기준값 후보들은 -500 HU ~ 100 HU 사이에서 선정되되, 기준 후보값들의 간격은 50으로 설정되었다.
다음으로, 파라미터 연산유닛(300)은 각각의 기준값 후보들에 대하여 [수학식 1]을 사용하여 각각의 초과비율 후보값을 산출한다.
다음으로, 파라미터 연산유닛(300)은 각각의 초과비율 후보값에 대한 후보 알오씨(ROC) 곡선을 생성한다.
도 3은 병변을 침습성과 비침습성으로 구분하였을 때 초과비율 후보값에 대한 민감도(Sensitivity)와 특이도(1-Specificity)를 축으로 하는 후보 알오씨(ROC)곡선의 일예를 나타낸 도면이다. 도 3을 참조하면, 후보 알오씨(ROC)곡선은 기준선의 상부영역에 있음을 알 수 있다.
다음으로, 파라미터 연산유닛(300)은 초과비율 후보값들 중 후보 알오씨(ROC) 곡선에 대한 곡선 아래면적(AUC: Area Under ROC Curve)이 최대가 되는 기준값 후보를 기준값으로 선정한다.
도 4는 초과비율 후보값들에 대한 후보 알오씨(ROC) 곡선에 대한 곡선 아래면적(AUC)을 비교한 그래프의 일예이다. 도 4를 참조하면, 본 실시예에서 곡선 아래면적(AUC)이 최대인 -300 HU이 기준값으로 선정된다.
한편, 초과비율 산출유닛(100)은 입력되는 병변에 대한 컴퓨터 단층촬영 이미지에서 병변의 전체부피 중 하운스필드값이 상기 파라미터 연산유닛(300)에 의하여 산출된 기준값(θHU)을 초과하는 영역의 비율에 해당하는 초과비율(γ)을 산출할 수 있다.
상기 초과비율(γ)은 하기의 수학식 1에 의하여 산출될 수 있다.
[수학식 1]
Figure PCTKR2022019795-appb-img-000004
여기서, γ은 초과비율을 의미하고, VH는 병변 중 하운스필드값이 기준값(θHU)보다 큰 영역의 부피를 의미하고, VL은 병변 중 하운스필드값이 기준값(θHU)보다 작은 영역의 부피를 의미한다.
그리고 VH 및 VL은 병변에 대한 부피와 하우스필드값의 분포를 히스토그램(Histogram)의 형태로 나타낸 그래프로부터 얻어진다. 예를 들면, 도 2에 도시된 히스토그램에서 기준값(θHU)을 기준으로 VH는 하운스필드값이 기준값(θHU)보다 큰 영역에서의 그래프 하부면적에 해당되고, VL는 하운스필드값이 기준값(θHU)보다 작은 영역에서의 그래프 하부면적에 해당된다.
초과비율 산출유닛(100)은 기준값(θHU)을 파라미터 연산유닛(300)으로부터 전달받고, [수학식 1]에 따라 초과비율(γ)을 산출하게 된다.
한편, 예측값 산출유닛(200)은 초과비율(γ)이 기준값(θHU)에 대한 기준 알오씨(ROC: Receiver Operating Characteristic) 곡선 상의 절단값(θγ)을 초과하는지 여부를 바탕으로 예측값(
Figure PCTKR2022019795-appb-img-000005
)을 산출할 수 있다.
예측값 산출유닛(200)은 초과비율(γ)이 절단값(θγ)보다 크거나 같으면 예측값을 1로 출력하고, 초과비율(γ)이 절단값(θγ)보다 작으면 예측값을 0으로 출력할 수 있다.
여기서, 예측값(
Figure PCTKR2022019795-appb-img-000006
)이 1인 경우는 병변이 침습성이고, 예측값(
Figure PCTKR2022019795-appb-img-000007
)이 0인 경우는 병변이 비침습성인 것을 의미한다.
예측값 산출유닛(200)은 절단값(θγ)을 파라미터 연산유닛(300)으로부터 전달받게 된다.
파라미터 연산유닛(300)이 절단값(θγ)을 산출하는 과정을 설명하면 다음과 같다.
파라미터 연산유닛(300)은 선정된 기준값에 대한 기준 알오씨(ROC) 곡선상의 모든 절단값 후보들에 대하여 유든(Youden) 함수값을 산출한다. 유든(Youden) 함수값은 유든 인덱스(Youden's Index)를 통하여 산출되는 값이므로 이에 대한 상세한 설명은 생략한다.
파라미터 연산유닛(300)은 유든(Youden) 함수값을 최대로 하는 절단값 후보를 절단값(θγ)으로 선정한다. 도 5를 참조하면, 본 실시예에서 절단값으로는 5.41%가 선정된다.
한편, 예측값 산출유닛(200)은 초과비율(γ)과 절단값(θγ)의 차이값과 대응되는 예측값의 정확도를 산출할 수 있다.
예측값의 정확도는 초과비율(γ)이 절단값(θγ)보다 크거나 같은 경우의 침습성 정확도(PI)와, 초과비율(γ)이 절단값(θγ)보다 작은 경우의 비침습성 정확도(PnI)를 포함한다.
침습성 정확도(PI)는 [수학식 2]에 의하여 계산되고, 비침습성 정확도(PnI)는 [수학식 3]에 의하여 계산된다.
[수학식 2]
Figure PCTKR2022019795-appb-img-000008
[수학식 3]
Figure PCTKR2022019795-appb-img-000009
여기서, Pr[Hi = 1,γ]는 초과비율(γ)에 대하여 병변이 침습성인 경우에 해당하는 침습성 확률값을 의미하고,Pr[Hi = 0,γ]는 초과비율(γ)에 대하여 병변이 비침습성인 경우에 해당하는 비침습성 확률값을 의미한다.
침습성 정확도(PI)와 비침습성 정확도(PnI)는 0~100 범위의 값을 가지며, 예측값(
Figure PCTKR2022019795-appb-img-000010
)의 정확도에 대한 정량적 수치를 백분위로 나타내게 된다.
침습성 정확도(PI)는 초과비율(γ)이 절단값(θγ)보다 큰 값을 가질수록, 즉 초과비율(γ)과 절단값(θγ)의 차이가 커질수록 100에 가까워짐으로 침습성 정확도(PI)는 증가하게 된다. 또한, 비침습성 정확도(PnI)는 초과비율(γ)이 절단값(θγ)보다 작은 값을 가질수록, 즉 초과비율(γ)과 절단값(θγ)의 차이가 커질수록 100에 가까워짐으로 비침습성 정확도(PnI)는 증하가게 된다.
예측값 산출유닛(200)은 침습성 확률값(Pr[Hi = 1,γ])과 비침습성 확률값(Pr[Hi = 0,γ])을 파라미터 연산유닛(300)으로부터 전달받게 된다.
파라미터 연산유닛(300)이 침습성 확률값과 비침습성 확률값을 산출하는 과정을 설명하면 다음과 같다.
침습성 확률값(Pr[Hi = 1,γ]) 및 비침습성 확률값(Pr[Hi = 0,γ])은 병변에 대한 실제 침습성 유무와 실제 초과비율의 경험적 결합확률분포를 바탕으로 모델링한 모델링 그래프로부터 얻어질 수 있다.
먼저, 파라미터 연산유닛(300)은 병변에 대한 실제 침습성 유무와 실제 초과비율의 경험적 결합확률분포를 바탕으로 모델링한 모델링 그래프를 산출한다.
도 6에 도시된 바와 같이, 모델링 그래프는 실제 병리학적 결과로 부터 얻은 병변의 침습성 유무에 대한 실제값과, 이때의 초과비율의 값들을 바탕으로 곡선맞춤(Curve fitting)을 통하여 얻어진 그래프이다.
경험적 결합확률분포는 다음의 [수학식 4], [수학식 5] 및 [수학식 6]을 만족한다.
[수학식 4]
Figure PCTKR2022019795-appb-img-000011
[수학식 5]
Figure PCTKR2022019795-appb-img-000012
[수학식 6]
Figure PCTKR2022019795-appb-img-000013
여기서, Nt는 수집한 순수 간유리음영결절 즉, 병변의 개수이고, NI와 NnI는 각각 수집된 병변 중 침습성 선암종과 비침습성 선암종으로 분류된 개수이다.
도 6에서 G1은 병변이 침습성인 경우의 초과비율에 따른 결합확률분포를 나타낸 곡선이고, G0는 병변이 비침습성인 경우의 초과비율에 따른 결합확률분포를 나타낸 곡선이다.
다음으로, 파라미터 연산유닛(300)은 모델링 그래프 상에서 초과비율(γ)에 대하여 병변이 침습성인 경우의 침습성 확률값(Pr[Hi = 1,γ] )과, 병변이 비침습성인 경우의 비칩습성 확률값(Pr[Hi = 0,γ] )을 산출한다.
도 6에 도시된 바와 같이, 초과비율(γ)의 값이 α인 경우에 침습성 확률값(Pr[Hi = 1,γ])은 G1 그래프 중에서 α에 대응되는 값이고, 비침습성 확률값(Pr[Hi = 0,γ])은 G0 그래프 중에서 α에 대응되는 값으로 산출된다. 여기서, 침습성 확률값(Pr[Hi = 1,γ]) 및 비침습성 확률값(Pr[Hi = 0,γ]) 각각은 0~1 사이의 값을 가질 수 있다.
파라미터 연산유닛(300)은 산출된 침습성 확률값(Pr[Hi = 1,γ])과, 비칩습성 확률값(Pr[Hi = 0,γ])을 예측값 산출유닛(200)으로 전송하게 된다.
결과적으로, 초과비율(γ)의 값이 절단값(θγ)보다 큰 경우에는 침습성 정확도(PI)는 100에 가까운 값으로 출력되고, 초과비율(γ)이 절단값(θγ)의 근처에 있는 경우에는 침습성 정확도(PI)는 대략 50 정도의 값으로 출력될 수 있다. 이 처럼 예측값에 대한 정확도가 백분위로 출력됨으로써 병변의 침습성에 대한 예측값의 신뢰도가 증가하게 된다.
한편, 파라미터 연산유닛(300)은 외부로부터 새로운 컴퓨터 단층촬영 이미지를 입력받으면, 새로운 컴퓨터 단층촬영 이미지를 바탕으로 상기 기준값과 상기 절단값을 갱신할 수 있다.
파라미터 연산유닛(300)은 새로운 컴퓨터 단층촬영 이미지가 입력된 초과비율 산출유닛(100)으로 새롭게 갱신된 기준값을 전송함과 동시에 새롭게 갱신된 절단값을 예측값 산출유닛(200)으로 전송한다.
또한, 파라미터 연산유닛(300)은 이전 단계에서 확인된 병변의 침습성에 대한 병리학적 실제값을 바탕으로 하는 모델링 그래프를 새롭게 갱신할 수 있다. 예를 들면, 도 6의 G1 곡선 및 G0 곡선은 새로운 병변의 침습성 유무에 대한 병리학적 결과가 추가됨으로 인하여 새롭게 설정될 수 있다.
파라미터 연산유닛(300)은 새롭게 갱신된 모델링 그래프를 바탕으로 침습성 확률값과 비침습성 확률값을 새롭게 갱신하여 예측값 산출유닛(200)으로 전송할 수 있다.
상술한 컴퓨터 단층촬영 이미지 분석장치를 이용하여 컴퓨터 단층촬영 이미지를 분석하는 과정을 설명하면 다음과 같다.
먼저, 상기 파라미터 연산유닛(300)이 컴퓨터 단층촬영 이미지에서 병변의 부피와 하운스필드값의 분포를 나타내는 히스토그램을 바탕으로 기준값 산출하는 기준값 산출단계를 수행한다.
병변에 대한 컴퓨터 단층촬영 이미지가 파라미터 연산유닛(300)으로 입력되면, 파라미터 연산유닛(300)은 초과비율(γ)을 산출하기 위한 기준값(θHU)을 산출하고, 산출된 기준값을 초과비율 산출유닛(100)으로 전송한다.
상기 기준값 산출단계에서는 파라미터 연산유닛(300)이 병변의 부피와 하운스필드값의 분포를 히스토그램으로 나타내는 히스토그램 산출단계를 먼저 수행한다.
다음으로, 파라미터 연산유닛(300)은 상기 히스토그램상에서 상기 기준값과 관련된 복수 개의 기준값 후보들을 선정하는 기준값 후보 선정단계를 수행한다.
다음으로, 파라미터 연산유닛(300)은 상기 복수 개의 기준값 후보들 각각에 대하여 상기 [수학식 1]을 사용하여 각각의 초과비율 후보값을 산출한다.
다음으로, 파라미터 연산유닛(300)은 상기 각각의 초과비율 후보값에 대한 후보 알오씨(ROC) 곡선을 생성하는 곡선 생성단계를 수행한다.
다음으로, 파라미터 연산유닛(300)은 상기 각각의 초과비율 후보값 중 상기 후보 알오씨(ROC) 곡선에 대한 곡선 아래면적이 최대가 되는 기준값 후보를 상기 기준값으로 선정하는 기준값 선정단계를 수행한다.
또한, 파라미터 연산유닛(300)은 상기 기준값(θHU)에 대한 기준 알오씨(ROC) 곡선을 바탕으로 절단값(θγ)을 산출하고, 산출된 절단값을 예측값 산출유닛(200)으로 전송한다. 즉, 파라미터 연산유닛(300)에 의하여 절단값이 산출되는 절단값 산출단계가 수행된다
상기 절단값 산출단계에서는 상기 기준 알오씨(ROC) 곡선상의 절단값 후보들에 대하여 유든(Youden) 함수가 최대인 절단값 후보가 절단값으로 선정된다.
기준값과 절단값에 대한 산출과정이 완료되면, 초과비율 산출유닛(100)은 [수학식 1]을 사용하여 병변에 대한 컴퓨터 단층촬영 이미지에서 병변의 전체부피 중 하운스필드값이 기준값을 초과하는 영역의 비율에 해당하는 초과비율(γ)을 산출하게 된다.
다음으로, 예측값 산출유닛(200)은 초과비율(γ)이 기준값에 대한 기준 알오씨(ROC) 곡선상의 절단값(θγ)을 초과하는지 여부를 바탕으로 병변의 침습성 여부에 관한 예측값을 산출하는 예측값 산출단계를 수행한다.
결과적으로, 본 발명은 고형성분이 작은 폐 간유리음영결절에 대한 3차원 흉부 컴퓨터 단층촬영 이미지에 대한 영상분석을 통하여 얻을 수 있는 하운스필드값의 분포도를 바탕으로 간유리음영결절의 침습성 여부를 간단하면서도 정확하게 예측할 수 있는 장점을 가진다.
다음으로, 파라미터 연산유닛(300)은 예측값의 정확도를 산출하는데 사용되는 침습성 확률값과, 비칩습성 확률값을 산출하는 확률값 산출단계를 수행한다.
상기 확률값 산출단계에서는 파라미터 연산유닛(300)이 병변에 대한 실제 침습성 유무와 실제 초과비율의 경험적 결합확률분포를 바탕으로 모델링한 모델링 그래프를 산출하는 그래프 산출단계를 먼저 수행한다.
다음으로, 파라미터 연산유닛(300)은 모델링 그래프 상에서 초과비율에 대하여 병변이 침습성인 경우의 침습성 확률값과, 병변이 비침습성인 경우의 비칩습성 확률값을 산출하는 확률값 산출단계를 수행한다.
다음으로, 파라미터 연산유닛(300)은 침습성 확률값과 비침습성 확률값을 예측값 산출유닛(200)으로 전송한다.
그러면, 예측값 산출유닛(200)은 [수학식 2] 및 [수학식 3]을 사용하되, 파라미터 연산유닛(300)으로부터 전달받은 침습성 확률값과 비침습성 확률값을 바탕으로 예측값의 정확도를 산출하는 정확도 산출단계를 수행한다.
상기 예측값의 정확도는 초과비율이 절단값보다 크거가 같은 경우의 침습성 정확도, 초과비율이 절단값보다 작은 경우의 비침습성 정확도를 포함할 수 있다.
물론, 본 발명은 이에 한정되지 않고, 예측값 산출단계와 정확도 산출단계는 동시에 이루어질 수도 있다.
한편, 컴퓨터 단층촬영 이미지 분석방법은 상기 파라미터 연산유닛(300)이 외부에서 입력되는 새로운 컴퓨터 단층촬영 이미지를 바탕으로 상기 기준값과 상기 절단값을 새롭게 갱신하는 학습단계를 더 포함할 수 있다.
상기 학습단계에서는 상기 파라미터 연산유닛이 이전 컴퓨터 단층촬영 이미지로부터 확인된 병변의 침습성에 대한 병리학적 실제값을 바탕으로 상기 모델링 그래프를 새롭게 갱신하고, 새롭게 갱신된 모델링 그래프를 바탕으로 상기 침습성 확률값과 상기 비침습성 확률값을 새롭게 갱신할 수 있다.
결과적으로, 이전 컴퓨터 단층촬영 이미지로부터 확인된 병변의 침습성에 대한 병리학적 실제값을 바탕으로 갱신된 침습성 확률값과 비침습성 확률값을 사용하는 학습과정을 통하여 새롭게 입력되는 컴퓨터 단층촬영 이미지에 대한 침습성 여부에 대한 정확성이 보다 향상될 수 있다.
이상 설명한 바와 같이, 본 발명은 상술한 특정한 바람직한 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형의 실시가 가능하고 이러한 변형은 본 발명의 범위에 속한다.
<부호의 설명>
100: 초과비율 산출유닛 200: 예측값 산출유닛
300: 파라미터 연산유닛
최근 폐암의 조기 발견을 위한 컴퓨터 단층촬영(CT: Computed Tomography) 검사의 사용이 보편화 됨에 따라, 간유리음영(GGO: Ground-Glass Opacity)의 형태로 나타나는 병변들이 흉부 단층촬영 등의 영상의학적 검사를 통해 발견되는 비율이 지속적으로 증가하고 있다.
본 발명에 따른 컴퓨터 단층촬영 이미지 분석장치 및 이를 이용한 분석방법은 컴퓨터 단층촬영 이미지에서 병변의 전체부피 중 하운스필드값이 기준값을 초과하는 영역의 비율을 바탕으로 병변의 침습성 여부를 간단하면서도 정확하게 예측할 수 있으므로 산업상 널리 이용될 수 있다.

Claims (14)

  1. 컴퓨터 단층촬영 이미지에서 병변의 부피와 하운스필드값의 분포를 나타내는 히스토그램을 바탕으로 하운스필드값에 대한 기준값 산출하는 파라미터 연산유닛;
    상기 컴퓨터 단층촬영 이미지에서 병변의 전체부피 중 하운스필드값이 상기 기준값을 초과하는 영역의 비율에 해당하는 초과비율을 산출하는 초과비율 산출유닛; 및
    상기 초과비율이 상기 기준값에 대한 기준 알오씨(ROC) 곡선상의 절단값을 초과하는지 여부를 바탕으로 상기 병변의 침습성 여부에 관한 예측값을 산출하는 예측값 산출유닛을 포함하되,
    상기 초과비율 산출유닛은 하기의 수학식 1을 사용하여 상기 초과비율을 산출하는 것을 특징으로 하는 컴퓨터 단층촬영 이미지 분석장치.
    [수학식 1]
    Figure PCTKR2022019795-appb-img-000014
    γ은 초과비율을 의미하고, VH는 병변 중 하운스필드값이 기준값보다 큰 영역의 부피를 의미하고, VL은 병변 중 하운스필드값이 기준값보다 작은 영역의 부피를 의미한다.
  2. 제1항에 있어서,
    상기 파라미터 연산유닛은 상기 기준 알오씨(ROC) 곡선상의 절단값 후보들에 대하여 유든(Youden) 함수가 최대인 절단값 후보를 상기 절단값으로 산출하는 것을 특징으로 하는 컴퓨터 단층촬영 이미지 분석장치.
  3. 제2항에 있어서,
    상기 파라미터 연산유닛은 상기 히스토그램상에서 상기 기준값과 관련된 복수 개의 기준값 후보들을 선정하고,
    상기 복수 개의 기준값 후보들 각각에 대하여 상기 [수학식 1]을 사용하여 각각의 초과비율 후보값을 산출하며,
    상기 각각의 초과비율 후보값에 대한 후보 알오씨(ROC) 곡선을 생성한 후, 상기 각각의 초과비율 후보값 중 상기 후보 알오씨(ROC) 곡선에 대한 곡선 아래면적이 최대가 되는 기준값 후보를 상기 기준값으로 선정하는 것을 특징으로 하는 컴퓨터 단층촬영 이미지 분석장치.
  4. 제1항에 있어서,
    상기 예측값 산출유닛은 하기의 수학식 2 및 수학식 3을 사용하여 상기 예측값의 정확도를 산출하는 것을 특징으로 하는 컴퓨터 단층촬영 이미지 분석장치.
    [수학식 2]
    Figure PCTKR2022019795-appb-img-000015
    [수학식 3]
    Figure PCTKR2022019795-appb-img-000016
    PI는 침습성 정확도, PnI는 비침습성 정확도를 의미하고, Pr[Hi = 1,γ]는 초과비율(γ)에 대하여 병변이 침습성인 경우에 해당하는 침습성 확률값을 의미하고, Pr[Hi = 0,γ]는 초과비율(γ)에 대하여 병변이 비침습성인 경우에 해당하는 비침습성 확률값을 의미한다.
  5. 제4항에 있어서,
    상기 파라미터 연산유닛은 상기 병변에 대한 실제 침습성 유무와 실제 초과비율의 경험적 결합확률분포를 바탕으로 모델링한 모델링 그래프를 산출하고,
    상기 모델링 그래프 상에서 상기 초과비율에 대하여 상기 병변이 침습성인 경우에 해당하는 상기 침습성 확률값과, 상기 병변이 비침습성인 경우에 해당하는 비칩습성 확률값을 산출하여 상기 예측값 산출유닛으로 전송하는 것을 특징으로 하는 컴퓨터 단층촬영 이미지 분석장치.
  6. 제3항에 있어서,
    상기 파리미터 연산유닛은 외부로부터 새로운 컴퓨터 단층촬영 이미지를 입력받으면, 새로운 컴퓨터 단층촬영 이미지를 바탕으로 상기 기준값과 상기 절단값을 갱신하는 것을 특징으로 하는 컴퓨터 단층촬영 이미지 분석장치.
  7. 제5항에 있어서,
    상기 파라미터 연산유닛은 이전 컴퓨터 단층촬영 이미지로부터 확인된 병변의 침습성에 대한 병리학적 실제값을 바탕으로 상기 모델링 그래프를 새롭게 갱신하고,
    새롭게 갱신된 모델링 그래프를 바탕으로 상기 침습성 확률값과 상기 비침습성 확률값을 새롭게 갱신하는 것을 특징으로 하는 컴퓨터 단층촬영 이미지 분석장치.
  8. 제1항에 따른 컴퓨터 단층촬영 이미지 분석장치를 이용하여 컴퓨터 단층촬영 이미지를 분석하는 컴퓨터 단층촬영 이미지 분석방법에 있어서,
    상기 파라미터 연산유닛이 상기 병변의 부피와 상기 하운스필드값의 분포를 나타내는 히스토그램을 바탕으로 상기 기준값 산출하는 기준값 산출단계;
    상기 초과비율 산출유닛이 상기 병변의 전체부피 중 하운스필드값이 상기 기준값을 초과하는 영역의 비율에 해당하는 초과비율을 산출하는 초과비율 산출단계; 및
    상기 예측값 산출유닛이 상기 초과비율이 상기 기준값에 대한 기준 알오씨(ROC) 곡선상의 절단값을 초과하는지 여부를 바탕으로 상기 병변의 침습성 여부에 관한 예측값을 산출하는 예측값 산출단계를 포함하는 컴퓨터 단층촬영 이미지 분석방법.
  9. 제8항에 있어서,
    상기 파라미터 연산유닛이 상기 절단값을 산출하는 절단값 산출단계를 더 포함하고,
    상기 절단값 산출단계에서는 상기 파라미터 연산유닛이 상기 기준 알오씨(ROC) 곡선상의 절단값 후보들에 대하여 유든(Youden) 함수가 최대인 절단값 후보를 상기 절단값으로 선정하는 것을 특징으로 하는 컴퓨터 단층촬영 이미지 분석방법.
  10. 제8항에 있어서,
    상기 기준값 산출단계는,
    상기 파라미터 연산유닛이 상기 병변의 부피와 상기 하운스필드값의 분포를 히스토그램으로 나타내는 히스토그램 산출단계;
    상기 파라미터 연산유닛이 상기 히스토그램상에서 상기 기준값과 관련된 복수 개의 기준값 후보들을 선정하는 기준값 후보 선정단계;
    상기 파라미터 연산유닛이 상기 복수 개의 기준값 후보들 각각에 대하여 상기 [수학식 1]을 사용하여 각각의 초과비율 후보값을 산출하는 단계;
    상기 파라미터 연산유닛이 상기 각각의 초과비율 후보값에 대한 후보 알오씨(ROC) 곡선을 생성하는 곡선 생성단계; 및
    상기 파라미터 연산유닛이 상기 각각의 초과비율 후보값 중 상기 후보 알오씨(ROC) 곡선에 대한 곡선 아래면적이 최대가 되는 기준값 후보를 상기 기준값으로 선정하는 기준값 선정단계를 포함하는 것을 특징으로 하는 컴퓨터 단층촬영 이미지 분석방법.
  11. 제8항에 있어서,
    상기 파라미터 연산유닛이 상기 병변에 대한 실제 침습성 유무와 실제 초과비율의 경험적 결합확률분포를 바탕으로 모델링한 모델링 그래프를 산출하고,
    상기 모델링 그래프 상에서 상기 초과비율에 대하여 상기 병변이 침습성인 경우에 해당하는 상기 침습성 확률값과, 상기 병변이 비침습성인 경우에 해당하는 비칩습성 확률값을 산출하는 확률값 산출단계를 더 포함하는 것을 특징으로 하는 컴퓨터 단층촬영 이미지 분석방법.
  12. 제11항에 있어서,
    상기 예측값 산출유닛이 상기 파라미터 연산유닛으로부터 전달받은 상기 침습성 확률값과 비침습성 확률값을 바탕으로 상기 예측값의 정확도를 산출하는 정확도 산출단계를 더 포함하는 것을 특징으로 하는 컴퓨터 단층촬영 이미지 분석방법.
  13. 제11항에 있어서,
    상기 파라미터 연산유닛이 외부에서 입력되는 새로운 컴퓨터 단층촬영 이미지를 바탕으로 상기 기준값과 상기 절단값을 새롭게 갱신하는 학습단계를 더 포함하는 것을 특징으로 하는 컴퓨터 단층촬영 이미지 분석방법.
  14. 제13항에 있어서,
    상기 학습단계에서는 상기 파라미터 연산유닛이 이전 컴퓨터 단층촬영 이미지로부터 확인된 병변의 침습성에 대한 병리학적 실제값을 바탕으로 상기 모델링 그래프를 새롭게 갱신하고, 새롭게 갱신된 모델링 그래프를 바탕으로 상기 침습성 확률값과 상기 비침습성 확률값을 새롭게 갱신하는 것을 특징으로 하는 컴퓨터 단층촬영 이미지 분석방법.
PCT/KR2022/019795 2021-12-15 2022-12-07 컴퓨터 단층촬영 이미지 분석장치 및 이를 이용한 분석방법 WO2023113358A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020210180172A KR20230090946A (ko) 2021-12-15 2021-12-15 컴퓨터 단층촬영 이미지 분석장치 및 이를 이용한 분석방법
KR10-2021-0180172 2021-12-15

Publications (1)

Publication Number Publication Date
WO2023113358A1 true WO2023113358A1 (ko) 2023-06-22

Family

ID=86772864

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/019795 WO2023113358A1 (ko) 2021-12-15 2022-12-07 컴퓨터 단층촬영 이미지 분석장치 및 이를 이용한 분석방법

Country Status (2)

Country Link
KR (1) KR20230090946A (ko)
WO (1) WO2023113358A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100071595A (ko) * 2008-12-19 2010-06-29 임창우 뇌 단층촬영 영상의 병변부위 자동 검출방법
WO2015183934A1 (en) * 2014-05-29 2015-12-03 Ohio State Innovation Foundation Volumetric texture score
KR20160120707A (ko) * 2016-10-06 2016-10-18 사회복지법인 삼성생명공익재단 의료영상을 이용한 진단 보조 정보 제공 방법 및 그 시스템
CN109288536A (zh) * 2018-09-30 2019-02-01 数坤（北京）网络科技有限公司 获取冠脉钙化区域分类的方法、装置及***
KR102045435B1 (ko) * 2017-12-27 2019-12-03 고려대학교 산학협력단 컴퓨터 단층촬영 영상 이미지의 밀도 분석을 통한 진단 장치, 방법 및 이를 기록한 기록매체

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10117596B2 (en) 2013-08-19 2018-11-06 Prolung, Inc. Method for diagnosing a malignant lung tumor

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100071595A (ko) * 2008-12-19 2010-06-29 임창우 뇌 단층촬영 영상의 병변부위 자동 검출방법
WO2015183934A1 (en) * 2014-05-29 2015-12-03 Ohio State Innovation Foundation Volumetric texture score
KR20160120707A (ko) * 2016-10-06 2016-10-18 사회복지법인 삼성생명공익재단 의료영상을 이용한 진단 보조 정보 제공 방법 및 그 시스템
KR102045435B1 (ko) * 2017-12-27 2019-12-03 고려대학교 산학협력단 컴퓨터 단층촬영 영상 이미지의 밀도 분석을 통한 진단 장치, 방법 및 이를 기록한 기록매체
CN109288536A (zh) * 2018-09-30 2019-02-01 数坤（北京）网络科技有限公司 获取冠脉钙化区域分类的方法、装置及***

Also Published As

Publication number Publication date
KR20230090946A (ko) 2023-06-22

Similar Documents

Publication Publication Date Title
EP1452129B1 (en) Diagnosis support apparatus
WO2019103440A1 (ko) 피검체의 의료 영상의 판독을 지원하는 방법 및 이를 이용한 장치
WO2017051945A1 (ko) 질환 모델 기반의 의료 정보 서비스 제공 방법 및 장치
WO2021049729A1 (ko) 인공지능 모델을 이용한 폐암 발병 가능성 예측 방법 및 분석 장치
WO2019054638A1 (ko) 영상 분석 방법, 장치 및 컴퓨터 프로그램
WO2021025458A1 (ko) 멀티미디어 정보를 이용한 휴대용 체외진단키트 해석장치
WO2021230417A1 (ko) 이기종 촬영장치들의 촬영 이미지들을 표준화하여 저장 및 관리하는 영상 이미지 표준화 장치
WO2023113358A1 (ko) 컴퓨터 단층촬영 이미지 분석장치 및 이를 이용한 분석방법
WO2021010777A1 (ko) 관절염 심각도 정밀 분석 장치 및 방법
WO2016190607A1 (ko) 수술 지원 영상을 제공하는 스마트 글라스 시스템 및 스마트 글라스를 이용한 수술 지원 영상 제공 방법
WO2019045144A1 (ko) 의료용 항법 장치를 위한 의료 영상 처리 장치 및 의료 영상 처리 방법
WO2016085236A1 (ko) 갑상선암 자동 판별 방법 및 시스템
WO2023017901A1 (ko) 유방암 위험도 평가 시스템 및 방법
WO2014157796A1 (ko) 진단 보조용 내시경 시스템 및 그 제어 방법
WO2021054700A1 (ko) 치아 병변 정보 제공 방법 및 이를 이용한 장치
WO2024014789A1 (ko) 차트축감지방법 및 장치
WO2023136695A1 (ko) 환자의 가상 폐 모델을 생성하는 장치 및 방법
WO2023234730A1 (ko) 패치 레벨 중증도 판단 방법, 슬라이드 레벨 중증도 판단 방법 및 이를 수행하는 컴퓨팅 시스템
WO2022034955A1 (ko) 영상 처리를 기반으로 하는 각막궤양 검출 장치 및 그 방법
WO2019164273A1 (ko) 수술영상을 기초로 수술시간을 예측하는 방법 및 장치
WO2015072744A1 (ko) 거리 측정 모듈을 포함하는 내시경 장치, 이를 이용한 병변 크기 측정 시스템 및 방법
WO2022211244A1 (ko) 단일 이차원 영상 기반의 정량적 보행 분석 장치 및 방법
WO2022149658A1 (ko) 뉴럴 네트워크의 출력 해석 방법 및 이를 위한 시스템
WO2022114357A1 (ko) 영상 병변 진단 시스템
WO2020212962A2 (ko) 발의 유형 평가 방법 및 이를 이용한 발의 유형 평가용 디바이스

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: 22907827

Country of ref document: EP

Kind code of ref document: A1