KR102250694B1

KR102250694B1 - 안구 영상 내 혈관 분할을 이용한 자동 질환 판단 장치 및 그 방법

Info

Publication number: KR102250694B1
Application number: KR1020190107602A
Authority: KR
Inventors: 이수찬; 노경진; 박상준
Original assignee: 서울대학교병원; 국민대학교산학협력단
Priority date: 2019-08-30
Filing date: 2019-08-30
Publication date: 2021-05-11
Also published as: WO2021040258A1; KR20210026597A

Abstract

본 발명은 안구 영상을 이용한 자동 질환 판단 장치 및 그 방법에 대한 것으로서, 보다 상세하게는 안구 영상 내 혈관 분할을 이용하여 자동으로 질환을 판단하는 장치 및 방법에 대한 것이다. 본 발명의 일 측면에 따른 자동 질환 판단 장치는, 프로세서; 및 프로세서에 전기적으로 연결되고, 합성곱 신경망이 저장된 메모리를 포함하고, 메모리는, 미리 설정된 방법에 따라 제1 안구영상에 대한 제1 혈관분할영상 및 제2 안구영상에 대한 제2 혈관분할영상을 생성하고, 제1 혈관분할영상을 이용하여 제1 혈관그래프를 생성하고, 제2 혈관분할영상을 이용하여 제2 혈관그래프를 생성하며, 제1 혈관그래프 및 제2 혈관그래프를 비교하여 합성곱 신경망을 통해 질환 유무를 판단하는 인스트럭션들을 포함할 수 있다. 본 발명에 따르면, 안저 영상과 형광안저혈관조영 영상을 정합하여 안저 영상 내 망막 혈관의 정밀한 영역을 자동 추출할 수 있으므로 정확한 안구 혈관 분석이 가능하다.

Description

안구 영상 내 혈관 분할을 이용한 자동 질환 판단 장치 및 그 방법{METHOD AND DEVICE FOR PREDICTING DISEASE USING SEGMENTATING VESSEL IN EYE IMAGE}

본 발명은 안구 영상을 이용한 자동 질환 판단 장치 및 그 방법에 대한 것으로서, 보다 상세하게는 안구 영상 내 혈관 분할을 이용하여 자동으로 질환을 판단하는 장치 및 방법에 대한 것이다.

안저 영상은 안과에서 진단 또는 기록을 목적으로 가장 많이 사용되는 안과 사진 중 하나이다. 안저 영상은 진료시 관찰되는 피검자의 안저와 비교적 유사하여 직관적이므로, 안과 질환 검사에 사용되고 있다. 한편, 임상의들은 이러한 안저 영상을 기초로 혈관 특성을 정량적으로 분석하고, 이를 기반으로 질환을 진단하는 체계를 개발하고자 하지만, 아직까지 정밀한 혈관 영역 추출 기술은 정확도에 한계가 있다.

한편 최근에는 딥 러닝을 이용하여 다양한 의료영상을 처리하여 필요한 정보를 획득하는 방법에 대한 개발이 활발하게 진행되고 있다. 딥 러닝은 여러 비선형 변환기법의 조합을 통해 높은 수준의 추상화(abstractions, 다량의 데이터나 복잡한 자료들 속에서 핵심적인 내용 또는 기능을 요약하는 작업)를 시도하는 기계학습 알고리즘의 집합으로 정의된다. 딥 러닝은 큰 틀에서 사람의 사고방식을 컴퓨터에게 가르치는 기계학습의 한 분야로 볼 수 있다.

Russakovsky O, Deng J, Su H, et al. ImageNet Large Scale Visual Recognition Challenge. Int J Comput Vis. 2015.

본 발명은 안구 혈관을 분석한 결과를 이용하여 질병을 자동으로 판단할 수 있는 장치 및 방법을 제공하고자 한다.

본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있으며, 본 발명의 일 실시예에 의해 보다 분명하게 알게 될 것이다. 또한, 본 발명의 목적 및 장점들은 특허청구범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.

본 발명의 일 측면에 따르면, 프로세서; 및 상기 프로세서에 전기적으로 연결되고, 합성곱 신경망이 저장된 메모리;를 포함하고, 상기 메모리는, 미리 설정된 방법에 따라 제1 안구영상에 대한 제1 혈관분할영상 및 제2 안구영상에 대한 제2 혈관분할영상을 생성하고, 상기 제1 혈관분할영상을 이용하여 제1 혈관그래프를 생성하고, 상기 제2 혈관분할영상을 이용하여 제2 혈관그래프를 생성하며, 상기 제1 혈관그래프 및 상기 제2 혈관그래프를 비교하여 상기 합성곱 신경망을 통해 질환 유무를 판단하는 인스트럭션들을 포함하되, 상기 제1 안구영상은 상기 제2 안구영상보다 먼저 생성된 영상인, 자동 질환 판단 장치가 개시된다.

실시예에 따라, 상기 메모리는, 상기 제1 혈관분할영상 또는 상기 제2 혈관분할영상에서 동맥 중심선을 추출하고, 상기 동맥 중심선을 이용하여 동맥 분기점을 추출하며, 상기 동맥 분기점을 미리 설정된 방법에 따라 연결하여 상기 제1 혈관그래프 또는 상기 제2 혈관그래프를 생성하는 인스트럭션들을 더 포함할 수 있다.

실시예에 따라, 상기 메모리는, 상기 제1 혈관분할영상 또는 상기 제2 혈관분할영상에서 정맥 중심선을 추출하고, 상기 정맥 중심선을 이용하여 정맥 분기점을 추출하며, 상기 정맥 분기점을 미리 설정된 방법에 따라 연결하여 상기 제1 혈관그래프 또는 상기 제2 혈관그래프를 생성하는 인스트럭션들을 더 포함할 수 있다.

실시예에 따라, 상기 메모리는, 상기 동맥 분기점을 연결하는 동맥의 굵기 및 길이를 반영하여 상기 제1 혈관그래프 또는 상기 제2 혈관그래프를 생성하고, 상기 정맥 분기점을 연결하는 정맥의 굵기 및 길이를 반영하여 상기 제1 혈관그래프 또는 상기 제2 혈관그래프를 생성하는 인스트럭션들을 더 포함할 수 있다.

실시예에 따라, 상기 메모리는, 상기 제1 혈관그래프와 상기 제2 혈관그래프를 정합하여 상이한 부분을 관측하고, 상기 상이한 부분을 이용하여 미리 학습된 상기 합성곱 신경망을 이용하여 상기 질환 유무를 판단하는 인스트럭션들을 더 포함하되, 상기 합성곱 신경망은 질병의 종류와 시간 변화에 따른 혈관그래프 변화의 상관 관계를 통해 미리 학습된 것임을 특징으로 할 수 있다.

본 발명의 다른 실시예에 따르면, 자동 질환 판단 장치에서 수행되는 자동 질환 판단 방법에 있어서, 미리 설정된 방법에 따라 제1 안구영상에 대한 제1 혈관분할영상 및 제2 안구영상에 대한 제2 혈관분할영상을 생성하는 단계; 상기 제1 혈관분할영상을 이용하여 제1 혈관그래프를 생성하고, 상기 제2 혈관분할영상을 이용하여 제2 혈관그래프를 생성하는 단계; 및 상기 제1 혈관그래프 및 상기 제2 혈관그래프를 비교하여 질환 유무를 판단하는 단계;를 포함하되, 상기 제1 안구영상은 상기 제2 안구영상보다 먼저 생성된 영상인, 자동 질환 판단 방법이 개시된다.

실시예에 따라, 상기 제1 혈관그래프를 생성하는 단계는, 상기 제1 혈관분할영상 또는 상기 제2 혈관분할영상에서 동맥 중심선을 추출하는 단계; 상기 동맥 중심선을 이용하여 동맥 분기점을 추출하는 단계; 및 상기 동맥 분기점을 미리 설정된 방법에 따라 연결하여 상기 제1 혈관그래프 또는 상기 제2 혈관그래프를 생성하는 단계;를 포함할 수 있다.

실시예에 따라, 상기 제2 혈관그래프를 생성하는 단계는, 상기 제1 혈관분할영상 또는 상기 제2 혈관분할영상에서 정맥 중심선을 추출하는 단계; 상기 정맥 중심선을 이용하여 정맥 분기점을 추출하는 단계; 및 상기 정맥 분기점을 미리 설정된 방법에 따라 연결하여 상기 제1 혈관그래프 또는 상기 제2 혈관그래프를 생성하는 단계;를 더 포함할 수 있다.

실시예에 따라, 상기 제1 혈관그래프 및 상기 제2 혈관그래프를 생성하는 단계는, 상기 동맥 분기점을 연결하는 동맥의 굵기 및 길이를 반영하여 상기 제1 혈관그래프 또는 상기 제2 혈관그래프를 생성하는 단계; 및 상기 정맥 분기점을 연결하는 정맥의 굵기 및 길이를 반영하여 상기 제1 혈관그래프 또는 상기 제2 혈관그래프를 생성하는 단계;를 더 포함할 수 있다.

실시예에 따라, 상기 질환 유무를 판단하는 단계는, 상기 제1 혈관그래프와 상기 제2 혈관그래프를 정합하여 상이한 부분을 관측하는 단계; 및 상기 상이한 부분을 이용하여 미리 학습된 합성곱 신경망을 이용하여 상기 질환 유무를 판단하는 단계;를 포함하되, 상기 합성곱 신경망은 질병의 종류와 시간 변화에 따른 혈관그래프 변화의 상관 관계를 통해 미리 학습된 것일 수 있다.

실시예에 따라, 상기 제1 혈관분할영상을 생성하는 단계는, 환자의 안저 영상(FP image)과 형광안저혈관조영 영상(FAG image)의 프레임들을 취득하는 단계; 형광안저혈관조영 영상(FAG image)의 각 프레임들을 특징점 정합 기법을 활용하여 강체 정합(rigid registration)하는 단계; 형광안저혈관조영 영상(FAG image)의 특성에 맞춰 딥러닝 기반으로 정합된 형광안저혈관조영영상(FAG image)의 혈관 추출을 수행하는 단계; 형광안저혈관조영 영상(FAG image) 프레임들의 혈관 추출 결과를 평균값으로 통합하는 단계; 안저 영상의 특성에 맞춰 딥러닝 기반으로 안저 영상의 혈관 추출을 수행하는 단계; 상기 추출된 혈관으로부터 형광안저혈관조영 영상(FAG image)과 안저 영상(FP image)의 정합을 수행하는 단계; 및 상기 정합된 결과를 기초로 혈관을 분할하는 단계;를 포함할 수 있다.

실시예에 따라, 상기 형광안저혈관조영 영상(FAG image)의 각 프레임들을 특징점 정합 기법을 활용하여 강체정합(rigid registration)하는 단계는, 특징점 검출, 특징점 기술자 추출, 특징점 정합 과정 중 RANSAC(RANdom Sample Consensus)를 사용하여 형광안저혈관조영 영상(FAG image)의 정합을 수행하는 단계;를 포함할 수 있다.

실시예에 따라, 상기 딥러닝은 학습된 컨볼루셔널 신경망(convolutional neural network : CNN)이고, 상기 형광안저혈관조영 영상(FAG image)의 특성에 맞춰 딥러닝 기반으로 정합된 형광안저혈관조영 영상(FAG image)의 혈관 추출을 수행하는 단계는, 형광안저혈관조영 영상(FAG image)에서의 혈관을 바탕으로 딥러닝 기반의 FAG Vessel Probability map(FAGVP)를 도출하는 단계;를 포함할 수 있다.

실시예에 따라, 상기 형광안저혈관조영 영상(FAG image) 프레임들의 혈관 추출 결과를 평균값으로 통합하는 단계는, FAGVP에서 B-Spline 모델로 표현되는 좌표격자의 free-form deformation 기법을 기반으로 하는 비강체 정합(non-rigid registration)을 수행하고 정합된 FAGVP의 Average FAG Vessel Probability map(A-FAGVP)의 평균값 및 동일한 pixel 위치별 최대값을 추출한 Maximum FAG Vessel Probability map(M-FAGVP)을 도출하는 단계;를 포함할 수 있다.

실시예에 따라, 상기 안저 영상의 특성에 맞춰 딥러닝 기반으로 안저 영상의 혈관 추출을 수행하는 단계는, 안저 영상(FP image)과 A-FAGVP 간의 정합을 위해 딥러닝 기반의 Fundus Photo Vessel Probability map(FPVP)을 도출하는 단계;를 포함할 수 있다.

실시예에 따라, 상기 추출된 혈관으로부터 형광안저혈관조영 영상(FAG image)과 안저 영상(FP image)의 정합을 수행하는 단계는, FPVP와 A-FAGVP에서 도출된 혈관으로부터 챔퍼 매칭(Chamfer Matching) 기법을 이용하여 안저 영상-형광안저혈관조영 영상(FP-FAG) 간 강체 정합(rigid registration)을 수행하는 단계; 및 B-Spline 모델로 표현되는 좌표격자의 free-form deformation 기법을 기반으로 하는 최종 안저 영상-형광안저혈관조영 영상(FP-FAG) 간 비강체 정합(non-rigid registration)을 수행하는 단계;를 포함할 수 있다.

실시예에 따라, 상기 정합된 결과를 기초로 혈관을 분할하는 단계는, A-FAGVP의 픽셀별 확률값을 기반으로 이중 역치(hysteresis thresholding) 기법을 적용하여 이진(binary) 혈관 분할 마스크(vessel segmentation mask)를 도출하는 단계; 도출된 혈관 분할 마스크에 연결된 요소 분석(connected component analysis) 기법을 적용하여 노이즈를 제거하는 단계; 및 정맥(vein)에 발생하는 틈새까지 보강된 정합된 A-FAGVP를 바탕으로 분할(segmentation)하는 단계;를 포함할 수 있다.

본 발명의 실시예들에 따른 질환 판단 장치 및 그 방법은 안저 영상과 형광안저혈관조영 영상을 정합하여 안저 영상 내 망막 혈관의 정밀한 영역을 자동 추출할 수 있으므로 정확한 안구 혈관 분석이 가능하다.

또한, 본 발명의 실시예들에 따른 질환 판단 장치 및 그 방법은 정확한 안구 혈관 분석을 기반으로 자동 질환 판단의 정확성을 높일 수 있다.

본 명세서에 첨부되는 다음의 도면들은 본 발명의 바람직한 실시예를 예시하는 것이며, 발명을 실시하기 위한 구체적인 내용들과 함께 본 발명의 기술사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사항에만 한정 해석될 수 없다.
도 1은 본 발명의 일 실시예에 따른 질환 판단 장치에 대한 블록 구성도이다.
도 2는 본 발명의 일 실시예에 따른 질환 판단 동작 및 방법에 대한 순서도이다.
도 3은 본 발명의 일 실시예에 따른 혈관추출모듈에 대한 논리적 구성도이다.
도 4는 본 발명의 일 실시예에 따른 SIFT 기법을 이용하여 정합한 결과에 대한 도면이다.
도 5는 본 발명의 일 실시예에 따른 형광안저혈관조영 영상(FAG image)에서의 FAG Vessel Probability map(FAGVP)을 도출한 결과에 대한 도면이다.
도 6은 본 발명의 일 실시예에 따른 강체 정합(rigid registration)으로 유사하게 정합된 두 영상이 B-Spline 기법을 통해 매우 정밀하게 정합(registration)된 결과에 대한 도면이다.
도 7은 본 발명의 일 실시예에 따른 정밀하게 분할된 혈관 영상의 결과에 대한 도면이다.
도 8은 본 발명의 일 실시예에 따른 안저 영상과 형광안저혈관조영 영상을 정합하는 방법에 대한 순서도이다.
도 9는 본 발명의 일 실시예에 따른 딥러닝을 이용한 FAG Vessel Probability map을 도시한 도면이다.
도 10은 본 발명의 일 실시예에 따른 강체 정합(왼쪽)과 비강체 정합(오른쪽)에 따른 결과를 도시한 도면이다.
도 11은 본 발명의 일 실시예에 따른 Average FAGVP map(왼쪽)과 Maximum FAGVP map(오른쪽)을 도시한 도면이다.
도 12는 본 발명의 일 실시예에 따른 FP 이미지(왼쪽)과 딥러닝을 이용하여 도출된 FAGVP map을 도시한 도면이다.
도 13은 본 발명의 일 실시예에 따른 챔퍼 매칭을 이용한 강체 정합에 따른 결과를 도시한 도면이다.
도 14는 본 발명의 일 실시예에 따른 B-Spline 기법을 이용한 비강체 정합에 따른 결과를 도시한 도면이다.
도 15는 본 발명의 일 실시예에 따른 혈관분할영상이 생성되는 동작에 대한 개략적인 흐름을 설명하기 위한 도면이다.
도 16은 본 발명의 일 실시예에 따라 혈관분할영상에서 동맥 분기점 및 정맥 분기점을 추출하는 동작을 설명하기 위한 도면이다.
도 17은 본 발명의 일 실시예에 따른 혈관그래프를 예시한 도면이다.
도 18은 본 발명의 일 실시예에 따라 제1 혈관그래프와 제n 혈관그래프의 비교를 예시한 도면이다.

본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

본 발명을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 명세서의 설명 과정에서 이용되는 숫자(예를 들어, 제1, 제2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.

또한, 명세서 전체에서, 일 구성요소가 다른 구성요소와 "연결된다" 거나 "접속된다" 등으로 언급된 때에는, 상기 일 구성요소가 상기 다른 구성요소와 직접 연결되거나 또는 직접 접속될 수도 있지만, 특별히 반대되는 기재가 존재하지 않는 이상, 중간에 또 다른 구성요소를 매개하여 연결되거나 또는 접속될 수도 있다고 이해되어야 할 것이다.

또한, 명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하나 이상의 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 조합으로 구현될 수 있음을 의미한다.

이하, 첨부된 도면들을 참조하여 본 발명의 실시예를 상세히 설명한다.

도 1은 본 발명의 일 실시예에 따른 질환 판단 장치에 대한 블록 구성도이다.

도 1을 참조하면, 본 발명의 일 실시예에 따른 질환 판단 장치(100)는 수신부(110), 프로세서(120) 및 메모리(130)를 포함할 수 있다.

수신부(110)는 외부 장치와 연결되어 각종 정보를 수신하는 구성일 수 있다. 특히 수신부(110)는 외주 장치로부터 안구 영상을 수신할 수 있다. 수신부(110)는 통신 모뎀, USB 포트 등을 포함할 수 있다. 예를 들어, 수신부(110)는 이동통신 단말기(미도시)와 유선 또는 무선으로 연결되어 이동통신 단말기(미도시)를 통해 안구 영상을 수신할 수 있다. 다른 예를 들어, 수신부(110)는 외부 메모리 장치(미도시)와 유선으로 연결되어, 외부 메모리 장치(미도시)에 저장되어 있는 안구 영상을 수신할 수 있다.

여기서 안구 영상은 임의의 환자의 안구에 상응하는 영상일 수 있다. 예를 들어, 안구 영상은 임의의 환자의 안구에 상응하는 안저 영상(FP image, Fundus Photography image)을 포함할 수 있다. 다른 예를 들어, 안구 영상은 임의의 환자의 안구에 상응하는 형광안저혈관조영 영상(FAG image, Fluorescein Angiography image) 등일 수 있다. 안구 영상은 임의의 환자의 안저 영상(FP image) 및 형광안저혈관조영 영상(FAG image)를 모두 포함하는 개념일 수도 있다.

수신부(110)는 수신된 안구 영상을 프로세서(120)로 출력할 수 있다.

프로세서(120)는 메모리(130)에 저장된 인스트럭션들을 이용하여 안구 정보를 분석할 수 있다. 즉 프로세서(120)는 메모리(130)에 저장된 인스트럭션들을 이용하여 입력된 안구 정보를 분석한 뒤, 당해 환자의 질환 유무를 판단할 수 있다. 이하, 프로세서(120)가 안구 정보를 분석하는 동작에 대해 구체적으로 설명한다.

도 2는 본 발명의 일 실시예에 따른 프로세서(120)의 질환 판단 동작 및 질환 판단 방법에 대한 개략적인 순서도이다.

도 2를 참조하면, 단계 S210에서, 프로세서(120)는 수신부(110)로부터 안구 영상을 수신할 수 있다. 프로세서(120)에 수신된 안구 영상은 제1 안구 영상과 제2 안구 영상을 포함할 수 있다. 제1 안구 영상은 제2 안구 영상보다 먼저 생성된 영상일 수 있다. 예를 들어, 제1 안구 영상은 2017년 08월에 생성된 안구 영상일 수 있고, 제2 안구 영상은 2019년 08월에 생성된 안구 영상일 수 있다. 또한 제1 안구 영상은 제1 안저 영상(FP image) 및 제1 형광안저혈관조영 영상(FAG image)을 포함할 수 있다. 또한 제2 안구 영상은 제2 안저 영상(FP image) 및 제2 형광안저혈관조영 영상(FAG image)을 포함할 수 있다.

단계 S220에서, 프로세서(120)는 혈관추출모듈(140)에 상응하는 인스트럭션들을 이용하여 안구 정보를 분석할 수 있다. 혈관추출모듈(140)은 안구 정보에서 혈관에 대한 정보만을 분할할 수 있도록 하는 인스트럭션들을 포함할 수 있다. 따라서 프로세서(120)는 혈관추출모듈(140)에 상응하는 인스트럭션들을 이용하여 제1 안구영상에 대한 제1 혈관분할영상을 생성할 수 있다. 마찬가지로 프로세서(120)는 혈관추출모듈(140)에 상응하는 인스트럭션들을 이용하여 제2 안구영상에 대한 제2 혈관분할영상을 생성할 수 있다. 여기서 제1 혈관분할영상은 제1 안구 영상을 이용하여 당해 환자 안구의 혈관에 대한 정보만 분할된 영상일 수 있고, 제2 혈관분할영상은 제2 안구 영상을 이용하여 당해 환자 안구의 혈관에 대한 정보만 분할된 영상일 수 있다.

이하 도 3을 참조하여 혈관추출모듈(140)에 상응하는 인스트럭션들을 이용한 프로세서(120)의 동작에 대해 구체적으로 설명한다.

도 3은 본 발명의 일 실시예에 따른 혈관추출모듈에 대한 논리적 구성도이다.

도 3을 참조하면, 혈관추출모듈(140)은 FAG 정합유닛(210), FAG 혈관추출유닛(220), 통합유닛(230), FP 혈관추출유닛(240), FAG -FP 정합유닛(250) 및 혈관분할유닛(260)과 같은 논리적 구성을 포함할 수 있다. 프로세서(120)가 제1 혈관분할영상을 생성하는 동작과 제2 혈관분할영상을 생성하는 동작은 동일할 수 있다. 따라서 이하에서는 프로세서(120)가 구분없이 혈관분할영상을 생성하는 것으로 통칭하여 설명한다.

먼저, 프로세서(120)는 환자의 안저 영상(FP image)과 형광안저혈관조영 영상(FAG image)의 프레임들을 취득한다. 이때, 안저 영상(FP image)은 안과에서 안구 질환의 검사를 위한 안저 촬영 장치를 통해 취득될 수 있으며, 형광안저혈관조영 영상(FAG image)은 정맥에 형광물질(Fluorescein)을 주입하고, 형광 물질이 망막순환계를 통해 순환하는 것을 광학적으로 촬영하여 혈관을 표시하는 장치를 통해 취득될 수 있다. 한편, 상술한 안저 영상 및/또는 형광안저혈관조영 영상은 시간의 흐름에 따라 다중 프레임으로 구성될 수 있다.

FAG 정합유닛(310)에는 시간의 흐름에 따라 다중 프레임으로 구성된 형광안저혈관조영 영상(FAG image)의 각 프레임들을 특징점 정합 기법을 활용하여 정합하도록 하는 인스트럭션들을 포함한다. 보다 구체적으로, FAG 정합유닛(310)은 SIFT(Scale Invariant Feature Transform) 기법을 이용하여 형광안저혈관조영 영상(FAG image)의 강체 정합(rigid registration)을 수행하도록 하는 인스트럭션들을 포함한다. FAG 정합유닛(310)은 특징점 검출, 특징점 기술자 추출, 특징점 정합 과정 중 RANSAC(RANdom Sample Consensus)를 사용하여 형광안저혈관조영 영상(FAG image)의 정합이 수행되도록 할 수 있다.

형광안저혈관조영 영상(FAG image)은 시간에 따른 혈관 및 배경의 변화가 존재할 수 있다. 따라서 본 발명에서는 영상의 변화를 최소화하면서 다양한 특징을 검출할 수 있도록 SIFT(Scale Invariant Feature Transform) 기법이 활용될 수 있다. SIFT(Scale Invariant Feature Transform) 기법을 이용하여 형광안저혈관조영 영상(FAG image) 내의 optic disc, fovea, local vessel structure 등 다양한 지역적인 특징이 검색될 수 있다. 이러한 특징들을 바탕으로 시각적인 변화를 최소화할 수 있도록, 프로세서(120)는 두 영상 내에서의 특징들을 매칭(matching)하고, 이를 바탕으로 RANSAC(RANDOM SAMPLE CONSENSUS)기법을 기반으로 하는 perspectivce transform 추정할 수 있다. 프로세서(120)는 추정된 perspective transform으로 두 영상 간의 강체 정합(rigid registration)을 수행할 수 있다. 프로세서(120)는 연속적으로 이어지는 영상을 앞서 정합(registration)이 수행된 영상을 기준으로 하여 SIFT기반의 정합 (registration)할 수 있다.

이러한 일련의 과정에 따른 결과는 도 4에 도시된 바와 같다. 이와 같은 과정을 통해 프로세서(120)는 모든 형광안저혈관조영 영상(FAG image)을 반복으로 정합(registration)할 수 있다. 프로세서(120)는 모든 형광안저혈관조영 영상(FAG image)에 대해 상기 동작을 수행한 후, 최종적으로 정합(registration)된 결과는 가장 첫번째의 영상을 기준으로 정합(registration)할 수 있다.

FAG 혈관 추출유닛(320)에는 형광안저혈관조영 영상(FAG image)의 특성에 맞춰 딥러닝 기반으로 정합된 형광안저혈관조영 영상(FAG image)의 혈관 추출을 수행하도록 하는 인스트럭션들을 포함할 수 있다. 이때, 딥러닝은 학습된 컨볼루셔널 신경망(convolutional neural network: CNN)일 수 있다. 보다 구체적으로, 프로세서(120)는 FAG 혈관 추출유닛(320)의 인스트럭션들을 이용하여 형광안저혈관조영 영상(FAG image)에서의 혈관을 바탕으로 딥러닝 기반 FAG Vessel Probability map(FAGVP)를 도출할 수 있다.

상술한 FAG 정합유닛(310)의 인스트럭션들을 통해 형광안저혈관조영 영상(FAG image)은 perspective transform으로부터 강제 정합(rigid registration)되지만, 여전히 형광안저혈관조영 영상(FAG image)에는 시간에 따른 변화, optic disc, background 등 오리지널 형광안저혈관조영 영상(FAG image)의 속성을 그대로 가지고 있으므로, 매우 밀접한 혈관 간의 정합을 위해서 정합에 방해가 되는 다른 속성들을 제거해야 할 필요가 있다.

따라서, 프로세서(120)는 FAG 혈관 추출유닛(320)에 포함된 정밀도가 높은 딥러닝(Deep Learning: DL) 기반의 혈관 영역화 기법 인스트럭션들을 적용하여 정합된 형광안저혈관조영 영상(FAG image)의 혈관 추출을 수행한다. 딥러닝 기반의 혈관 영역화 기법들은 공지된 기술로 다양하며, 혈관을 제외한 다른 속성들을 매우 높은 확률로 제거할 수 있다. 하지만, 종래의 기술 중 Retinal Vessel Segmentation 기법들의 Database(DRIVE, STARE, CHASE, HRF)들은 모두 안저 영상(FP image)에 대한 것이므로 형광안저혈관조영 영상(FAG image)과 다른 특징을 가지고 있다. 특히, 혈관의 특징이 매우 다르게 나타난다. 안저 영상(FP image)을 그레이스케일(grayscale)로 변환했을 때, 혈관의 주변보다 더욱 낮은 pixel value로 표현된다. 반면, 형광안저혈관조영 영상(FAG image)에서는 주변에 비해 더욱 높은 pixel value로 표현된다.

따라서, 이러한 상반된 특성이 형광안저혈관조영 영상(FAG image)에 반영될 수 있도록 기존의 안저 영상(FP image) 데이터베이스는 적절히 변환될 수 있다. 혈관을 기준으로 안저 영상(FP image)에서 그린 채널(green channel)의 pixel value가 인버스 트랜스폼(inverse transform)되면 형광안저혈관조영 영상(FAG image)과 유사한 특성이 포함되도록 변환될 수 있기 때문이다.

기반의 혈관 영역화 기법에 대한 딥러닝(Deep Learning: DL)은 변환된 안저 영상(FP image)을 바탕으로 동일한 Ground Truth(GT)에 대해 학습될 수 있고, 이를 통해 형광안저혈관조영 영상(FAG image)에서의 FAG Vessel Probability map(FAGVP)이 도출될 수 있다.

이때 도출된 결과는 도 5에 도시된 바와 같이 매우 정밀하게 혈관이 추정되는 것을 볼 수 있다. 도 5에서 좌측 상단은 Color Fundus Photo Image, 우측 상단은 Gray Fundus Photo Image, 좌측 하단은 Inverse Gray Fundus Photo, 우측 하단은 FAG Image이다.

프로세서(120)는 통합유닛(330)의 인스트럭션들을 이용하여 형광안저혈관조영 영상(FAG image) 프레임들의 혈관 추출 결과를 평균값으로 통합할 수 있다. 보다 구체적으로, 프로세서(120)는 통합유닛(330)의 인스트럭션들을 이용하여 FAGVP에서 B-Spline 기법을 기반으로 하는 비강체 정합(non-rigid registration)을 수행하고 정합된 FAGVP의 Average FAG Vessel Probability map(A-FAGVP)을 도출할 수 있다. 보다 자세하게, 프로세서(120)는 통합유닛(330)의 인스트럭션들을 이용하여 FAGVP에서 B-Spline 모델로 표현되는 좌표 격자의 free-form deformation 기법을 기반으로 하는 비강체 정합(non-rigid registration)을 수행하고 정합된 FAGVP의 Average FAG Vessel Probability map(A-FAGVP)의 평균값을 도출할 수 있다.

상술한 FAG 혈관 추출유닛(320)의 인스트럭션들을 이용한 SIFT 기반의 강체 정합(rigid registration)은 혈관이 아닌 주변 구조물 혹은 비강체(non-rigid)한 움직임으로 인해 정밀하게 정합되지 못한다. 따라서, 본 발명에서의 프로세서(120)는 다른 구조물들을 제거한 FAGVP로부터 혈관 간의 정밀도가 높은 비강체 정합(non-rigid registration)을 수행한다. 프로세서(120)는 이미 강체 정합(rigid registration)을 통해 상당히 유사하게 정합된 FAGVP로부터 반복적인 정합을 수행하여 정보를 계산하고, 이를 바탕으로 오차를 줄여나가는 B-Spline 정합(registration) 기법을 활용하여 비강체 정합(non-rigid registration)을 수행할 수 있다.

프로세서(120)는 FP 혈관 추출유닛(340)의 인스트럭션들을 이용하여 안저 영상의 특성에 맞춰 딥러닝 기반으로 안저 영상의 혈관 추출을 수행할 수 있다. 보다 구체적으로, 프로세서(120)는 FP 혈관 추출유닛(340)의 인스트럭션들을 이용하여 안저 영상(FP image)와 A-FAGVP 간의 정합을 위해 딥러닝 기반의 Fundus Photo Vessel Probability map(FPVP)을 도출할 수 있다. 통합유닛(330)의 인스트럭션들을 이용한 비강체 정합(non-rigid registration) 이후, 프로세서(120)는 시간에 따른 전체적인 혈관의 변화를 모두 포함하기 위해 시간축으로 동일한 pixel 위치의 평균을 계산하여 average FAG Vessel Probability map(A-FAGVP) 및 동일한 pixel 위치별 최대값을 추출한 Maximum FAG Vessel Probability map(M-FAGVP)을 도출할 수 있다. 시간축을 따라 pixel 별 평균값으로 계산된 A-FAGVP는 전체적인 시간에 따른 혈관의 변화를 반영할 뿐만 아니라, 발생할 수 있는 작은 노이즈(noise)를 효과적으로 억제할 수 있다.

형광안저혈관조영 영상(FAG image)과 안저 영상(FP image)의 정합 기법이 혈관을 기반으로 하는 정밀한 정합이기 때문에, FP 혈관 추출유닛(340)에도 딥러닝(DL) 프로그램이 포함되어 프로세서(120)가 FP 혈관 추출유닛(340)의 딥러닝(DL)을 이용하여 FPVP를 도출하는 것이 바람직하다.

한편, 안저 영상(FP image)으로부터의 혈관 분할(vessel segmentation) 기법은 사전에 공지된 많은 기법들이 있으며, 본 발명에서는 공지된 기법 중 하나인 Database인 DRIVE로부터 학습한 DL기법을 활용할 수 있다.

프로세서(120)는 FAG-FP 정합유닛(350)의 인스트럭션들을 이용하여 추출된 혈관으로부터 형광안저혈관조영 영상(FAG image)과 안저 영상(FP image)의 정합을 수행할 수 있다. 이와 같이 정합하는 이유는, 형광안저혈관조영 영상(FAG image)과 안저 영상(FP image)에서 혈관의 특징이 다르게 나타나기 때문이다. 프로세서(120)는 FAG-FP 정합유닛(350)의 딥러닝 기법을 이용하여 안저 영상(FP image)으로부터 도출된 FPVP를 바탕으로 형광안저혈관조영 영상(FAG image)과 안저 영상(FP image)의 정합을 수행할 수 있다.

프로세서(120)는 FAG-FP 정합유닛(350)의 인스트럭션들을 이용하여 형광안저혈관조영 영상(FAG image)과 안저 영상(FP image)의 정합을 크게 2가지의 과정을 거쳐 진행할 수 있다. 첫째, 프로세서(120)는 FPVP와 A-FAGVP에서 도출된 혈관으로부터 챔퍼 매칭(Chamfer Matching) 기법을 이용하여 안저 영상-형광안저혈관조영 영상(FP-FAG) 간 강체 정합(rigid registration)을 수행할 수 있고, 둘째, FAG-FP 정합유닛(350)는 B-Spline 모델로 표현되는 좌표격자의 free-form deformation 기법을 기반으로 하는 최종 안저 영상-형광안저혈관조영 영상(FP-FAG) 간 비강체 정합(non-rigid registration)을 수행할 수 있다.

보다 구체적으로, 프로세서(120)는 상술한 과정으로부터 도출된 A-FAGVP와 FPVP를 적정한 threshold값을 기준으로 이진화하고, 챔퍼 매칭(Chamfer Matching) 기법을 이용해 강체 정합(rigid registration)할 수 있다. 둘째, 프로세서(120)는 혈관 간의 정밀한 정합(registration)을 위해 B-Spline 모델로 표현되는 좌표격자의 free-form deformation 기법을 기반으로 비강체 정합(non-rigid registration)을 수행할 수 있다.

한편, 상술한 바에 따르면, FPVP를 기준으로 A-FAGVP가 정합(registration)될 수 있다. 본 발명에 있어서, 정합(registration)하기 위한 입력 소스(input source)는 모두 vessel probability map이기 때문에, 혈관에 대한 일부분의 정보를 가지고 있으므로, 상술한 SIFT 기법 대신 챔퍼 매칭(Chamfer Matching) 기법을 이용한다. SIFT 기법은 영상(image)으로부터 피쳐(feature)을 탐지하고 디스크립터(descriptor)를 생성한다. 이후, 피쳐 디스크립터(feature descriptor)로부터 매칭 포인트(matching point)를 찾고, 이를 기준으로 RANSAC(RANDOM SAMPLE CONSENSUS)을 활용한 perspective transform을 계산한다. 이러한 일련의 과정들은 매우 많은 연산량이 필요하며, 또한 복잡한 local feature가 많은 영상에서 효과적이다. 반면에 챔퍼 매칭(Chamfer Matching) 기법은 target and source binary image로부터 모든 pixel의 distance를 계산하고 이를 바탕으로 두 distance image 간의 유사도를 계산하는 것이다. 따라서, 챔퍼 매칭(Chamfer Matching) 기법은 SIFT 기법 대비 매우 적은 연산량과 시간이 소요되며, 혈관(vessel) 간의 정합(registration)에도 효과적이다. 한편, 본 실시예에 따른 챔퍼 매칭(Chamfer Matching) 기법은 translation을 계산하는 종래의 챔퍼 매칭(Chamfer Matching) 기법을 개선한 커스터마이즈(customize) 챔퍼 매칭(Chamfer Matching) 기법으로, 로테이션(rotation)까지 고려한다.

마지막으로, 프로세서(120)는 FAG-FP 정합유닛(350)의 인스트력션들을 이용하여 최종 안저 영상-형광안저혈관조영 영상(FP-FAG)의 정합을 위해 비강체 정합(non-rigid registration)을 할 수 있다. 상술한 바에 따르면, 프로세서(120)는 형광안저혈관조영 영상(FP-FAG)들 간에 B-Spline 모델로 표현되는 좌표격자의 free-form deformation 기법 기반으로 비강체 정합(non-rigid registration)을 수행한다. 프로세서(120)는 최종적으로 정밀한 안저 영상-형광안저혈관조영 영상(FP-FAG)의 정합을 위해, 비강체한 동작(non-rigid motion)까지 고려하여 B-Spline 모델로 표현되는 좌표격자의 free-form deformation 기법 기반의 비강체 정합(nonrigid registration)을 수행할 수 있다. 이미 강체 정합(rigid registration)으로 유사하게 정합된 두 영상은 B-Spline 모델로 표현되는 좌표격자의 free-form deformation 기법을 통해 도 6과 같은 매우 정밀한 정합(registration) 결과를 도출할 수 있다. 도 6에서, 좌측 상단은 안저 영상, 우측 상단은 안저 영상의 혈관 확률 맵, 좌측 하단은 안저 영상 혈관 확률 맵(흰색)과 형광안저혈관조영 영상의 혈관확률 맵(파란색) 간의 정합 이전 결과, 우측 하단은 안저 영상 혈관 확률 맵(흰색)과 형광안저혈관조영 영상의 혈관 확률 맵(파란색) 간의 정합 후 결과이다.

프로세서(120)는 혈관 분할유닛(360)의 인스트럭션들을 이용하여 정합된 결과를 기초로 혈관을 분할할 수 있다. 본 실시예에 따르면, GT(Ground Truth)로 활용할 수 있는 매우 정밀한 혈관 분할 마스크(vessel segmentation mask)를 정합된 A-FAGVP로부터 도출해야 하므로, 프로세서(120)는 혈관 분할유닛(360)의 인스트럭션들을 이용하여 A-FAGVP의 픽셀별 확률값을 기반으로 이중 역치(hysteresis thresholding) 기법을 적용하여 이진(binary) 혈관 분할 마스크(vessel segmentation mask)를 도출하고, 도출된 혈관 분할 마스크에 연결된 요소 분석(connected component analysis) 기법을 적용하여 노이즈를 제거할 수 있다.

먼저, 프로세서(120)는 형광안저혈관조영 영상(FAG image)에서 정맥(vein)에는 콘트라스트(contrast)가 늦게 차오르기 때문에 정맥(vein) 영역에서 발생하는 홀(hole)을 채워야 한다. 따라서, 혈관 분할유닛(360)는 정합된 A-FAGVP에서 정맥(vein) 내부의 홀(hole)을 탐지하고 상대적으로 낮은 pixel probability를 보강 할 수 있다. 이후, 프로세서(120)는 정합된 A-FAGVP에서 히스테리시스 임계값(hysteresis threshold) 개념을 적용해 얇은 혈관과 굵은 혈관을 따로 분할할 수 있다. 이후 프로세서(120)는 noise 제거를 위해 연결된 구성(connected components)으로부터 매우 작은 영역(region)을 제거한다.

한편, A-FAGVP에서 정맥(Vein)의 영역에서 주로 중심부에 틈새가 발생할 수 있다. 이는 콘트라스트(contrast)가 동맥(artery)을 지나 정맥(vein)까지 도달하기까지의 시간차 때문에 발생한다. 또한, 모세혈관으로부터 가까운 혈관벽에 먼저 콘트라스트(contrast)가 도달함에 따라 혈관 벽에 해당하는 average probability는 상당히 높게 나타날 수 있다. 반면에 정맥(vein)의 중심부는 거의 마지막쯤 짧은 영역에서 차오르기 때문에 average probability가 낮게 나타난다.

따라서, 프로세서(120)는 vessel segmentation mask 획득을 위해 정맥(vein)에서 발생하는 틈새를 채워야 한다. 보다 구체적으로 설명하면, 프로세서(120)는 먼저 틈새를 찾기 위해 A-FAGVP를 낮은 임계값으로 설정하여(t=0.3) 이진화(X)할 수 있다. 다음으로 프로세서(120)는 이진화된 영상으로부터 morphological closing 기법을 이용하여 틈새를 채울 수 있다. 마지막으로 프로세서(120)는 높은 임계값으로 설정하여(t=0.7) A-FAGVP를 이진화(Y)한 뒤 두 영상간의 차(X-Y)를 계산하고 음의 값은 버린다. 계산된 subtracted image는 정맥(vein)의 틈을 이진 영상으로 표현한 것이 된다. 이후, 프로세서(120)는 A-FAGVP 안에 해당하는 subtracted image영역의 probability를 보강 한다. 이때, 본 발명에서는 고정된 probability로(p=0.5) 보강될 수 있다.

다음으로, 프로세서(120)는 혈관 분할유닛(360)의 인스트럭션들을 이용하여 정맥(vein)에 발생하는 틈새까지 보강된 정합된 A-FAGVP를 바탕으로 분할(segmentation)을 할 수 있다. 이때 단순한 임계값으로부터의 진화가 아닌 히스테리시스(Hysteresis) 개념을 바탕으로 한 분할(segmentation)을 진행할 수 있다. 먼저, 프로세서(120)는 1차 임계값을 통해 굵은 혈관(vessel) 위주의 binary vessel mask를 획득한다. 다음으로 프로세서(120)는 얇은 혈관(vessel)을 검출 할 수 있도록 2차 임계값을 낮게 설정하여 2차 binary vessel mask를 도출한다. 이후, 프로세서(120)는 2차 binay vessel mask로부터 skeletonization 기법을 통해 vessel center line mask를 도출한다. pixel 굵기가 1에 가까운 말단의 얇은 vessel까지 표현된 vessel center line mask를 굵은 혈관이 도출된 1차 binary(FAG image)에서 정맥(vein)에는 콘트라스트(contrast)가 늦게 차오르기 때문에 프로세서(120)는 정맥(vein) 영역에서 발생하는 홀(hole)을 채워야 한다. 따라서, 프로세서(120)는 정합된 A-FAGVP에서 정맥(vein) 내부의 홀(hole)을 탐지하고 상대적으로 낮은 pixel probability를 보강 한다. 이후, 프로세서(120)는 정합된 A-FAGVP에서 히스테리시스 임계값(hysteresis threshold) 개념을 적용해 얇은 혈관과 굵은 혈관을 따로 분할한다. 이후 프로세서(120)는 noise 제거를 위해 연결된 구성(connected components)으로부터 매우 작은 영역(region)을 제거한다.

상술한 본 발명에 따르면, 도 7과 같이 정밀하게 분할된 혈관 영상의 결과를 얻을 수 있으며, 이러한 결과 영상을 통해 실명유발질환 및/또는 만선혈관질환의 조기진단 및 치료가 가능하다. 도 7의 A 및 B에서 좌측 상단은 전체 안저 영상, 우측 상단은 전체 안저 영상 혈관영역화 결과, 좌측 하단은 왼쪽부터 시신경 유두 중심(Optic disc center) 확대 안저 영상, 황반 중심(fovea center) 확대 안저 영상, 우측 하단은 왼쪽부터 시신경 유두 중심(Optic disc center) 확대 혈관영역화 결과, 황반 중심(fovea center) 확대 혈관영역화 결과이다.

도 8은 본 발명의 일 실시예에 따른 안저 영상과 형광안저혈관조영 영상을 정합하는 방법의 흐름도이다.

본 실시예에 따른 영상 정합 방법은 상술한 안구 영상을 이용한 자동 질환 판단 장치(100)에서 수행된다. 따라서 이하에서 설명되는 각 단계들을 수행하는 주체는 자동 질환 판단 장치(100)이므로 생략될 수 있다.

도 8을 참조하면, 먼저, 환자의 안저 영상(FP image)과 형광안저혈관조영 영상(FAG image)의 프레임들을 취득한다(S810). 이때, 안저 영상(FP image)은 안과에서 안구 질환의 검사를 위한 안저 촬영 장치를 통해 취득될 수 있으며, 형광안저혈관조영 영상(FAG image)은 정맥에 형광물질(Fluorescein)을 주입하고, 형광 물질이 망막순환계를 통해 순환하는 것을 광학적으로 촬영하여 혈관을 표시하는 장치를 통해 취득될 수 있다.

다음으로, 형광안저혈관조영 영상(FAG image)의 각 프레임들을 특징점 정합 기법을 활용하여 정합한다(S820). 보다 구체적으로, SIFT(Scale Invariant Feature Transform) 기법을 이용하여 형광안저혈관조영 영상(FAG image)의 강체 정합(rigid registration)을 수행한다. 형광안저혈관조영 영상(FAG image)은 시간에 따른 혈관 및 배경의 변화가 존재하므로, 본 발명에서는 영상의 변화를 최소화하면서 다양한 특징을 검출할 수 있도록 SIFT(Scale Invariant Feature Transform) 기법을 활용한다.

다음으로, 형광안저혈관조영 영상(FAG image)의 특성에 맞춰 딥러닝 기반으로 정합된 형광안저혈관조영 영상(FAG image)의 혈관 추출을 수행한다(S830). 이때, 딥러닝은 학습된 컨볼루셔널 신경망(convolutional neural network : CNN)일 수 있다.

다음으로, 형광안저혈관조영 영상(FAG image) 프레임들의 혈관 추출 결과를 평균값으로 통합한다(S840). 보다 구체적으로, FAGVP에서 B-Spline 모델로 표현되는 좌표격자의 free-form deformation 기법을 기반으로 하는 비강체 정합(non-rigid registration)을 수행하고 정합된 FAGVP의 Average FAG Vessel Probability map(A-FAGVP)을 도출한다.

다음으로, 안저 영상의 특성에 맞춰 딥러닝 기반으로 안저 영상의 혈관 추출을 수행한다(S850). 보다 구체적으로, 안저 영상(FP image)와 A-FAGVP 간의 정합을 위해 딥러닝 기반의 Fundus Photo Vessel Probability map(FPVP)을 도출한다.

다음으로, 추출된 혈관으로부터 형광안저혈관조영 영상(FAG image)과 안저 영상(FP image)의 정합을 수행한다(S860). 이와 같이 정합하는 이유는, 형광안저혈관조영 영상(FAG image)과 안저 영상(FP image)에서 혈관의 특징이 다르게 나타나기 때문이다. 본 실시예에 따르면, 딥러닝 기법을 이용하여 안저 영상(FP image)으로부터 도출된 FPVP를 바탕으로 형광안저혈관조영 영상(FAG image)과 안저 영상(FP image)의 정합을 수행한다.

다음으로, 정합된 결과를 기초로 혈관을 분할한다(S870). 보다 구체적으로, 혈관 분할 마스트 제너레이션(vessel segmentation mask generation) 기법을 이용하여 혈관 분할 마스크(vessel segmentation mask)를 정합된 A-FAGVP로부터 도출하고, 정맥(vein)에 발생하는 틈새까지 보강된 정합된 A-FAGVP를 바탕으로 분할(segmentation)한다.

한편, 본 출원인은 안저 영상과 형광안저혈관조영 영상의 정합을 이용한 자동 혈관분할에 따른 결과를 확인하기 위해 아래와 같은 실험을 실시하였다.

실험은 Intel(R) Core(TM) i7-6850K CPU @ 3.6GHz, 32G RAM, GeForce GTX 1080TI11G로 구성된 하드웨어와 Ubuntu 16.04 LTS OS, python 2.7 개발 환경에서 진행하였다. 실험에 사용된 Database는 한장의 FP image와 여러장의 FAG image로 구성이 하나의 set로 된 총 10개의 FP-FAG set이다. 또한 딥러닝 학습을 위해 공개된 DRIVE Database의 train과 test set 각각 20장의 FP image와 GT(ground truth)를 이용하였다. 먼저, FAG image간의 비강체 정합을 위해 SIFT기법을 활용한 형태 검출(feature detection)과 형태 매칭(feature matching), 그리고 RANSAC기법을 통해 perspective transform을 계산하여 정합하였다.

다음으로, 모든 FAG image의 Vessel Probability map을 도출하기 위해 딥러닝을 활용하였다. 이미 많은 연구가 되어있는 딥러닝 기반의 Vessel segmentation의 input image는 FP이다. 따라서 우리는 DRIVE Database의 FP image을 gray scale로 변환 후 inverse transform하여 FAG image과 유사한 특성을 보이도록 변형 하였다. 이후 inverted FP image을 입력으로하는 딥러닝 학습을 하였다. 학습에 사용된 network model은 최근 scale space 이론을 적용하여 가장 좋은 성능을 보여준 SSA-Vessel Segmentation을 기반으로 하였다. 학습 시 preprocessing으로 input image로부터의 mean을 빼고 standard deviation으로 나누었다. 이후 학습 network로부터의 test시 input image를 FAG image를 변경하여 결과를 도출한다. 도출된 결과는 도 9에 도시된 바와 같이 매우 정밀하게 얇은 혈관까지도 나타나는 것을 보여준다.

이후 학습된 딥러닝으로부터 도출 된 FAG Vessel Probability map을 이용해 더욱 정밀한 정합을 하기 위해 free form deformation 계열의 B-Spline 모델로 표현되는 좌표격자의 freeform deformation 기법을 통해 비강체 정합을 한다. 비강체 정합까지 도출된 FAG 정합 결과는 도 10에 도시된 바와 같이 매우 정밀한 결과를 볼 수 있다. 이렇게 비강체 정합까지 모두 완료된 FAGVP map을 이용하여 전체 시퀀스를 종합 할 수 있는 map을 도출해야 한다. 따라서 우리는 시간축에 따른 정보를 포함한 결과를 Average FAGVP map과 Maximum FAGVP map으로써 도출했다. 도 11과 같이 aggregated image는 매우 정교하고 정밀하게 혈관이 추정되는 것을 보여준다.

이제 FP image와 FAG image 간의 정합을 위해 마찬가지로 FP image의 Vessel Probability map을 딥러닝을 활용하여 도출한다. FAGVP map을 도출할 때와 마찬가지로 Database는 DRIVE를 사용하였으며, network model 또한 동일한 model을 사용하였다. 학습시 input은 DRIVE Database의 FP image를 그대로 사용하여 학습했으며, 전처리로 평균을 빼고 표준편타로 나누었다. 학습된 결과를 바탕으로 실험시에는 우리의 FP image를 input으로하여 도 12와 같은 결과를 도출했다.

정합의 마지막 과정인 FP-FAG 정합은 A-FAGVP map을 FPVP map에 정합 하는 것이다.

첫번째 단계는 FP-FAG 강체 정합이다. 이미 우리는 각각의 영상에 대한 Vessel Probability map을 도출하였다. 따라서 vessel probability map으로부터의 binary image를 생성하고, 이를 바탕으로 챔퍼 매칭(Chamfer matching)을 이용한 강체 정합을 하였다. 그러나 도 13과 같이 유사한 위치에 정합이 되지만, 약간씩 오차가 발생되는 것을 볼 수 있다.

따라서, 우리는 FAG 정합 과정과 마찬가지로 B-Spline 모델로 표현되는 좌표격자의 free-form deformation 기법을 이용한 비강체 정합을 수행한다. 비강체 정합의 결과는 도 14에 도시된 바와 같이, 이전 결과보다 매우 정교하고 정밀한 것을 볼 수 있다.

다시 도 2를 참조하면, 상술한 방법에 따라 프로세서(120)는 제1 안구영상에 대한 제1 혈관분할영상을 생성할 수 있고, 제2 안구영상에 대한 제2 혈관분할영상을 생성할 수 있다. 여기서 혈관분할영상은 안구 영상에서 환자의 안구에 상응하는 혈관들이 추출된 영상을 의미할 수 있다. 따라서 제1 혈관분할영상은 제1 안구 영상에서 혈관만 추출된 영상을 의미할 수 있고, 제2 혈관분할영상은 제2 안구 영상에서 혈관만 추출된 영상을 의미할 수 있다.

이후 프로세서(120)는 분석모듈(150)에 포함된 인스트럭션들을 이용하여 제1 혈관분할영상에서 동맥과 정맥을 분리하여 제1 동정맥분할영상을 생성할 수 있다. 또한 프로세서(120)는 분석모듈(150)에 포함된 인스트럭션들을 이용하여 제2 혈관분할영상에서 동맥과 정맥을 분리하여 제2 동정맥분리영상을 생성할 수 있다.

분석모듈(150)에는 합성곱 신경망(CNN, Convolution Neural Network)이 포함되어 있을 수 있다. 분석모듈(150)의 합성곱 신경망은 미리 설정된 라벨링된 정보를 기반으로 미리 학습되어 있을 수 있다. 따라서 프로세서(120)는 제1 혈관분할영상을 합성곱 신경망의 입력으로 이용하여 제1 동정맥분할영상을 생성할 수 있다. 마찬가지로 프로세서(120)는 제2 혈관분할영상을 합성곱 신경망의 입력으로 이용하여 제2 동정맥분할영상을 생성할 수 있다.

분석모듈(150)의 합성곱 신경망은 무수히 많은 라벨링된 혈관분할영상을 이용하여 미리 학습된 프로그램일 수 있다. 예를 들어, 분석모듈(150)의 합성곱 신경망은 A개의 동맥영상(즉, 혈관분할영상 중 동맥만 분할되어 표시된 영상)과 B개의 정맥영상(즉, 혈관분할영상 중 정맥만 분할되어 표시된 영상)을 통해 미리 학습된 프로그램일 수 있다(단, A 및 B는 복수의 자연수임). 따라서 분석모듈(150)의 합성곱 신경망은 제1 혈관분할영상 또는 제2 혈관분할영상이 입력되면 제1 동정맥분할영상 또는 제2 동정맥분할영상을 출력할 수 있다.

도 15에는 동맥이 적색으로 표시되고, 정맥이 청색으로 표시된 제1 동정맥분할영상(또는 제2 동정맥분할영상)이 예시된다.

단계 S230에서, 프로세서(120)는 제1 혈관분할영상(즉, 제1 동정맥분할영상)을 이용하여 제1 혈관그래프를 생성할 수 있고, 제2 혈관분할영상(즉, 제2 동정맥분할영상)을 이용하여 제2 혈관그래프를 생성할 수 있다.

이하, 도 16 및 도 17을 참조하여 프로세서(120)가 분석모듈(150)의 인스트럭션들을 이용하여 제1 혈관그래프 및 제2 혈관그래프를 생성하는 동작에 대해 설명한다. 제1 혈관그래프가 생성되는 동작과 제2 혈관그래프가 생성되는 동작은 동일, 유사할 수 있으므로 양자를 구분하여 설명하지 않고 혈관그래프가 생성되는 것으로 통칭하여 설명한다.

도 16은 본 발명의 일 실시예에 따라 혈관분할영상에서 동맥 분기점 및 정맥 분기점을 추출하는 동작을 설명하기 위한 도면이고, 도 17은 본 발명의 일 실시예에 따른 혈관그래프를 예시한 도면이다.

분석모듈(150)에는 상기 합성곱 신경망 외, 동정맥분할영상에서 동맥 중심선과 동맥분기점을, 정맥 중심선과 정맥분기점을 각각 추출할 수 있는 인스트럭션들이 저장될 수 있다.

따라서 프로세서(120)는 분석모듈(150)의 인스트럭션들을 이용하여 동맥중심선을 추출할 수 있다. 즉, 프로세서(120)는 동정맥분할영상에서 동맥 중심선만(즉, 동맥의 굵기를 무시한 선)을 추출할 수 있다. 또한 프로세서(120)는 동맥 중심선에서 분기되는 지점을 동맥 분기점으로 검출할 수 있다. 마찬가지로 즉, 프로세서(120)는 동정맥분할영상에서 정맥 중심선만(즉, 정맥의 굵기를 무시한 선)을 추출할 수 있다. 또한 프로세서(120)는 정맥 중심선에서 분기되는 지점을 정맥 분기점으로 검출할 수 있다.

프로세서(120)는 동정맥분할영상에서 시신경유두 부분을 검출할 수 있다(도 16의 녹색 원 중앙 부분). 프로세서(120)는 시신경유두 부분을 근원 시작점으로 정의하고, 검출된 동맥의 분기점을 꼭지점으로 정의하며, 각 꼭지점을 근원 시작점에서 분기되는 순서대로 배치한 후 연결하여 혈관그래프를 생성할 수 있다.

이때, 각 꼭지점을 연결하는 선의 굵기는 상응하는 혈관의 두께에 상응할 수 있다. 또한, 각 꼭지점을 연결하는 선의 길이는 상응하는 혈관의 길이에 상응할 수 있다. 즉, 제1 꼭지점과 제2 꼭지점을 연결하는 선의 굵기는 상응하는 혈관의 굵기에 상응할 수 있고, 당해 선의 길이는 당해 혈관의 길이에 상응할 수 있다.

도 17에는 제n 혈관그래프가 예시된다(단 n은 자연수임). 도 17을 참조하면, 제n 혈관그래프의 그래프 뿌리가 근원 시작점인 시신경유두에 상응할 수 있고, 그래픽 뿌리에서 좌측으로 분기되는 그래프가 동맥 그래프에 상응할 수 있으며, 그래픽 뿌리에서 우측으로 분기되는 그래프가 정맥 그래프에 상응할 수 있다. 따라서 프로세서(120)는 제n 혈관그래프를 통해 제n 안구 영상에서의 혈관 분포를 용이하게 인지할 수 있다.

다시 도 2를 참조하면, 단계 S240에서, 프로세서(120)는 판단모듈(160)의 인스트럭션들을 이용하여 제1 혈관그래프 및 제2 혈관그래프를 비교한 후, 비교 결과를 이용하여 "환자의 시간 흐름에 따른 안구혈관 변화"를 관측할 수 있다. 상술한 바와 같이 프로세서(120)는 혈관그래프를 통해 환자의 혈관 분포를 용이하게 인지할 수 있다. 또한, 판단모듈(160)에서는 제1 혈관그래프와 제2 혈관그래프를 비교하여 상이한 부분을 검출할 수 있도록 하는 인스트럭션들이 포함될 수 있다. 따라서 프로세서(120)는 판단모듈(160)의 인스트럭션들을 이용하여 제1 혈관그래프와 제2 혈관그래프의 차이점을 인지할 수 있다. 도 18의 예시라면, 프로세서(120)는 적색 원 부분이 상이함을 용이하게 인지할 수 있을 것이다.

혈관 그래프에 의하여 프로세서(120)는 간단한 연산으로 혈관의 시간적 변화를 인지할 수 있다. 혈관분할영상은 너무 복잡하기 때문에 상호 비교할 경우 엄청난 연산량이 요구될 것이지만, 혈관그래프는 간단한 선의 연결에 불과하므로, 프로세서(120)가 간단한 연산으로 제1 혈관분할영상과 제2 혈관분할영상을 비교 관측할 수 있는 것이다.

단계 S250에서, 프로세서(120)는 판단모듈(160)의 인스트럭션들을 이용하여 관측 결과에 따른 환자의 질환 유무를 판단할 수 있다.

판단모듈(160)에도 합성곱 신경망(CNN, Convolution Neural Network)이 포함되어 있을 수 있다. 판단모듈(160)의 합성곱 신경망도 질병의 종류와 시간 변화에 따른 혈관그래프 변화의 상관 관계를 통해 미리 라벨링된 정보를 기반으로 미리 학습되어 있을 수 있다. 따라서 프로세서(120)는 제1 혈관그래프와 제2 혈관그래프의 비교 결과를 판단모듈(160)의 합성곱 신경망 입력으로 이용하여 환자의 질병 유무를 판단할 수 있다.

판단모듈(160)의 합성곱 신경망은 무수히 많은 라벨링된 비교 결과를 이용하여 미리 학습된 프로그램일 수 있다. 예를 들어, 판단모듈(160)의 합성곱 신경망은 녹내장에 상응하는 C개의 혈관그래프 비교 결과, 백내장에 상응하는 D개의 혈관그래프 비교 결과를 이용하여 미리 학습된 프로그램일 수 있다(단, C 및 D는 복수의 자연수임). 따라서 판단모듈(160)의 합성곱 신경망은 제1 혈관그래프와 제2 혈관그래프의 비교 결과가 입력되면 그에 상응하는 질병 여부를 자동으로 판단할 수 있다.

상술한 본 발명의 실시예에 따른 자동 질환 판단 장치의 동작은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로서 구현되어 컴퓨터에 의해 자동 질환 판단 방법으로 구현되는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체로는 컴퓨터 시스템에 의하여 해독될 수 있는 데이터가 저장된 모든 종류의 기록 매체를 포함한다. 예를 들어, ROM(Read Only Memory), RAM(Random Access Memory), 자기 테이프, 자기 디스크, 플래쉬 메모리, 광 데이터 저장장치 등이 있을 수 있다. 또한, 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 통신망으로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 읽을 수 있는 코드로서 저장되고 실행될 수 있다.

이상에서는 본 발명의 실시예를 참조하여 설명하였지만, 해당 기술 분야에서 통상의 지식을 가진 자라면 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 쉽게 이해할 수 있을 것이다.

100: 자동 질환 판단 장치
110: 수신부
120: 프로세서
130: 메모리
140: 혈관추출모듈
150: 분석모듈
160: 판단모듈

Claims

삭제
프로세서; 및
상기 프로세서에 전기적으로 연결되고, 합성곱 신경망이 저장된 메모리;
를 포함하고,
상기 메모리는,
미리 설정된 방법에 따라 제1 안구영상에 대한 제1 혈관분할영상 및 제2 안구영상에 대한 제2 혈관분할영상을 생성하고, 상기 제1 혈관분할영상을 이용하여 제1 혈관그래프를 생성하고, 상기 제2 혈관분할영상을 이용하여 제2 혈관그래프를 생성하며, 상기 제1 혈관그래프 및 상기 제2 혈관그래프를 비교하여 상기 합성곱 신경망을 통해 질환 유무를 판단하는 인스트럭션들을 포함하되,
상기 제1 안구영상은 상기 제2 안구영상보다 먼저 생성된 영상이고,
상기 메모리는,
상기 제1 혈관분할영상 또는 상기 제2 혈관분할영상에서 동맥 중심선을 추출하고, 상기 동맥 중심선을 이용하여 동맥 분기점을 추출하며, 상기 동맥 분기점을 미리 설정된 방법에 따라 연결하여 상기 제1 혈관그래프 또는 상기 제2 혈관그래프를 생성하는 인스트럭션들을 더 포함하는, 자동 질환 판단 장치.
제2항에 있어서,
상기 메모리는,
상기 제1 혈관분할영상 또는 상기 제2 혈관분할영상에서 정맥 중심선을 추출하고, 상기 정맥 중심선을 이용하여 정맥 분기점을 추출하며, 상기 정맥 분기점을 미리 설정된 방법에 따라 연결하여 상기 제1 혈관그래프 또는 상기 제2 혈관그래프를 생성하는 인스트럭션들을 더 포함하는, 자동 질환 판단 장치.
제3항에 있어서,
상기 메모리는,
상기 동맥 분기점을 연결하는 동맥의 굵기 및 길이를 반영하여 상기 제1 혈관그래프 또는 상기 제2 혈관그래프를 생성하고, 상기 정맥 분기점을 연결하는 정맥의 굵기 및 길이를 반영하여 상기 제1 혈관그래프 또는 상기 제2 혈관그래프를 생성하는 인스트럭션들을 더 포함하는, 자동 질환 판단 장치.
제2항에 있어서,
상기 메모리는,
상기 제1 혈관그래프와 상기 제2 혈관그래프를 정합하여 상이한 부분을 관측하고, 상기 상이한 부분을 이용하여 미리 학습된 상기 합성곱 신경망을 이용하여 상기 질환 유무를 판단하는 인스트럭션들을 더 포함하되,
상기 합성곱 신경망은 질병의 종류와 시간 변화에 따른 혈관그래프 변화의 상관 관계를 통해 미리 학습된 것임을 특징으로 하는, 자동 질환 판단 장치.
삭제
자동 질환 판단 장치에서 수행되는 자동 질환 판단 방법에 있어서,
미리 설정된 방법에 따라 제1 안구영상에 대한 제1 혈관분할영상 및 제2 안구영상에 대한 제2 혈관분할영상을 생성하는 단계;
상기 제1 혈관분할영상을 이용하여 제1 혈관그래프를 생성하고, 상기 제2 혈관분할영상을 이용하여 제2 혈관그래프를 생성하는 단계; 및
상기 제1 혈관그래프 및 상기 제2 혈관그래프를 비교하여 질환 유무를 판단하는 단계;
를 포함하되,
상기 제1 안구영상은 상기 제2 안구영상보다 먼저 생성된 영상이고,
상기 제1 혈관그래프를 생성하는 단계는,
상기 제1 혈관분할영상 또는 상기 제2 혈관분할영상에서 동맥 중심선을 추출하는 단계;
상기 동맥 중심선을 이용하여 동맥 분기점을 추출하는 단계; 및
상기 동맥 분기점을 미리 설정된 방법에 따라 연결하여 상기 제1 혈관그래프 또는 상기 제2 혈관그래프를 생성하는 단계;
를 포함하는, 자동 질환 판단 방법.
제7항에 있어서,
상기 제2 혈관그래프를 생성하는 단계는,
상기 제1 혈관분할영상 또는 상기 제2 혈관분할영상에서 정맥 중심선을 추출하는 단계;
상기 정맥 중심선을 이용하여 정맥 분기점을 추출하는 단계; 및
상기 정맥 분기점을 미리 설정된 방법에 따라 연결하여 상기 제1 혈관그래프 또는 상기 제2 혈관그래프를 생성하는 단계;
를 더 포함하는, 자동 질환 판단 방법.
제8항에 있어서,
상기 제1 혈관그래프 및 상기 제2 혈관그래프를 생성하는 단계는,
상기 동맥 분기점을 연결하는 동맥의 굵기 및 길이를 반영하여 상기 제1 혈관그래프 또는 상기 제2 혈관그래프를 생성하는 단계; 및
상기 정맥 분기점을 연결하는 정맥의 굵기 및 길이를 반영하여 상기 제1 혈관그래프 또는 상기 제2 혈관그래프를 생성하는 단계;
를 더 포함하는, 자동 질환 판단 방법.
제7항에 있어서,
상기 질환 유무를 판단하는 단계는,
상기 제1 혈관그래프와 상기 제2 혈관그래프를 정합하여 상이한 부분을 관측하는 단계; 및
상기 상이한 부분을 이용하여 미리 학습된 합성곱 신경망을 이용하여 상기 질환 유무를 판단하는 단계;
를 포함하되,
상기 합성곱 신경망은 질병의 종류와 시간 변화에 따른 혈관그래프 변화의 상관 관계를 통해 미리 학습된 것임을 특징으로 하는, 자동 질환 판단 방법.
제7항에 있어서,
상기 제1 혈관분할영상을 생성하는 단계는,
환자의 안저 영상(FP image)과 형광안저혈관조영 영상(FAG image)의 프레임들을 취득하는 단계;
형광안저혈관조영 영상(FAG image)의 각 프레임들을 특징점 정합 기법을 활용하여 강체 정합(rigid registration)하는 단계;
형광안저혈관조영 영상(FAG image)의 특성에 맞춰 딥러닝 기반으로 정합된 형광안저혈관조영영상(FAG image)의 혈관 추출을 수행하는 단계;
형광안저혈관조영 영상(FAG image) 프레임들의 혈관 추출 결과를 평균값으로 통합하는 단계;
안저 영상의 특성에 맞춰 딥러닝 기반으로 안저 영상의 혈관 추출을 수행하는 단계;
상기 추출된 혈관으로부터 형광안저혈관조영 영상(FAG image)과 안저 영상(FP image)의 정합을 수행하는 단계; 및
상기 정합된 결과를 기초로 혈관을 분할하는 단계;
를 포함하는, 자동 질환 판단 방법.
제11항에 있어서,
상기 형광안저혈관조영 영상(FAG image)의 각 프레임들을 특징점 정합 기법을 활용하여 강체정합(rigid registration)하는 단계는,
특징점 검출, 특징점 기술자 추출, 특징점 정합 과정 중 RANSAC(RANdom Sample Consensus)를 사용하여 형광안저혈관조영 영상(FAG image)의 정합을 수행하는 단계;
를 포함하는 것을 특징으로 하는 자동 질환 판단 방법.
제11항에 있어서,
상기 딥러닝은 학습된 컨볼루셔널 신경망(convolutional neural network : CNN)이고,
상기 형광안저혈관조영 영상(FAG image)의 특성에 맞춰 딥러닝 기반으로 정합된 형광안저혈관조영 영상(FAG image)의 혈관 추출을 수행하는 단계는,
형광안저혈관조영 영상(FAG image)에서의 혈관을 바탕으로 딥러닝 기반의 FAG Vessel Probability map(FAGVP)를 도출하는 단계;
를 포함하는 것을 특징으로 하는 자동 질환 판단 방법.
제11항에 있어서,
상기 형광안저혈관조영 영상(FAG image) 프레임들의 혈관 추출 결과를 평균값으로 통합하는 단계는,
FAGVP에서 B-Spline 모델로 표현되는 좌표격자의 free-form deformation 기법을 기반으로 하는 비강체 정합(non-rigid registration)을 수행하고 정합된 FAGVP의 Average FAG Vessel Probability map(A-FAGVP)의 평균값 및 동일한 pixel 위치별 최대값을 추출한 Maximum FAG Vessel Probability map(M-FAGVP)을 도출하는 단계;
를 포함하는 것을 특징으로 하는 자동 질환 판단 방법.
제11항에 있어서,
상기 안저 영상의 특성에 맞춰 딥러닝 기반으로 안저 영상의 혈관 추출을 수행하는 단계는,
안저 영상(FP image)과 A-FAGVP 간의 정합을 위해 딥러닝 기반의 Fundus Photo Vessel Probability map(FPVP)을 도출하는 단계;
를 포함하는 것을 특징으로 하는 자동 질환 판단 방법.
제11항에 있어서,
상기 추출된 혈관으로부터 형광안저혈관조영 영상(FAG image)과 안저 영상(FP image)의 정합을 수행하는 단계는,
FPVP와 A-FAGVP에서 도출된 혈관으로부터 챔퍼 매칭(Chamfer Matching) 기법을 이용하여 안저 영상-형광안저혈관조영 영상(FP-FAG) 간 강체 정합(rigid registration)을 수행하는 단계; 및
B-Spline 모델로 표현되는 좌표격자의 free-form deformation 기법을 기반으로 하는 최종 안저 영상-형광안저혈관조영 영상(FP-FAG) 간 비강체 정합(non-rigid registration)을 수행하는 단계;
를 포함하는 것을 특징으로 하는 자동 질환 판단 방법.
제11항에 있어서,
상기 정합된 결과를 기초로 혈관을 분할하는 단계는,
A-FAGVP의 픽셀별 확률값을 기반으로 이중 역치(hysteresis thresholding) 기법을 적용하여 이진(binary) 혈관 분할 마스크(vessel segmentation mask)를 도출하는 단계;
도출된 혈관 분할 마스크에 연결된 요소 분석(connected component analysis) 기법을 적용하여 노이즈를 제거하는 단계; 및
정맥(vein)에 발생하는 틈새까지 보강된 정합된 A-FAGVP를 바탕으로 분할(segmentation)하는 단계;
를 포함하는 것을 특징으로 하는 자동 질환 판단 방법.