[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

KR102408405B1 - 경동맥 초음파 진단 시스템 - Google Patents

경동맥 초음파 진단 시스템 Download PDF

Info

Publication number
KR102408405B1
KR102408405B1 KR1020200033975A KR20200033975A KR102408405B1 KR 102408405 B1 KR102408405 B1 KR 102408405B1 KR 1020200033975 A KR1020200033975 A KR 1020200033975A KR 20200033975 A KR20200033975 A KR 20200033975A KR 102408405 B1 KR102408405 B1 KR 102408405B1
Authority
KR
South Korea
Prior art keywords
carotid artery
carotid
image
ultrasound
diagnosis
Prior art date
Legal status (The legal status 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 status listed.)
Active
Application number
KR1020200033975A
Other languages
English (en)
Other versions
KR20210118285A (ko
Inventor
정재훈
Original Assignee
주식회사 아이도트
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 아이도트 filed Critical 주식회사 아이도트
Priority to KR1020200033975A priority Critical patent/KR102408405B1/ko
Priority to PCT/KR2020/012613 priority patent/WO2021187700A2/ko
Priority to US17/912,577 priority patent/US20230143229A1/en
Publication of KR20210118285A publication Critical patent/KR20210118285A/ko
Application granted granted Critical
Publication of KR102408405B1 publication Critical patent/KR102408405B1/ko
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Clinical applications
    • A61B8/0891—Clinical applications for diagnosis of blood vessels
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/46—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient
    • A61B8/461—Displaying means of special interest
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/46—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient
    • A61B8/467—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient characterised by special input means
    • A61B8/469—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient characterised by special input means for selection of a region of interest
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5269—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving detection or reduction of artifacts
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G06N3/0427—
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • 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
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • G06T2207/10132—Ultrasound 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • General Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Quality & Reliability (AREA)
  • Vascular Medicine (AREA)
  • Databases & Information Systems (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

본 발명은 경동맥 진단 방법에 관한 것으로, 특히 하나 이상의 인공 신경망을 이용하여 경동맥의 이상징후를 진단하는 방법에 관한 것으로, 경동맥 초음파 영상 이미지를 판독할 수 있는 컴퓨터 시스템에서 실행 가능한 경동맥 초음파 진단 방법은 입력 혹은 전송 혹은 저장부에서 액세스된 경동맥 초음파 영상 이미지에서 사전 학습된 인공 신경망을 이용해 경동맥 혈관 이미지를 추출하는 단계와, 사전 학습된 인공 신경망을 이용해 상기 추출된 경동맥 혈관 이미지에 대해 경동맥 정상여부를 진단하여 그 진단결과를 표시 출력하는 단계를 포함함을 특징으로 한다.

Description

경동맥 초음파 진단 시스템{SYSTEM FOR DIAGNOSING THE CAROTID ARTERY}
본 발명은 경동맥 진단 시스템에 관한 것으로, 특히 인공 신경망을 이용하여 경동맥의 이상징후를 진단하는 시스템에 관한 것이다.
경동맥(Carotid artery) 또는 목동맥은 목을 지나서 안면과 두개골 안으로 들어가는 동맥으로서 크게 외경동맥과 내경동맥으로 나눠지며, 외경동맥은 주로 두개골 밖에 있는 피부나 근육에 혈액을 공급하고 내경동맥은 두개골 내의 뇌나 신경조직에 혈액을 공급한다.
외경동맥은 좁아지거나 막히더라도 다른 혈관을 통해서 비교적 풍부하게 혈액이 공급되므로 특별히 문제가 발생하지 않는다. 하지만 내경동맥은 좁아지거나 막히면 뇌에 혈액공급이 감소할 수 있으며, 내경동맥 벽에 침착되어 있는(쌓여서 들러붙어 있는) 지방 조직들이 떨어져 나와 뇌혈관의 말단 부위로 흘러가 혈관을 막을 수도 있다. 이처럼 내경동맥을 포함한 경동맥이 좁아지는 경우를 경동맥 협착증이라고 지칭하며, 이는 혈류를 감소시키거나 혈관을 막게 되어 허혈성 뇌졸중의 원인이 된다. 따라서 경동맥 협착증이 있는 경우 뇌졸중의 예방과 치료를 위해 치료 대상이 된다.
경동맥 협착증을 진단 및 검사하는 비침습적인 방법에는 경동맥 초음파, 뇌 컴퓨터단층촬영(CT), 그리고 뇌 자기공명영상(MRI)이 있고, 침습적인 방법에는 뇌혈관 조영술이 있다.
이러한 진단 및 검사 방법 중 경동맥 초음파는 뇌혈관 질환의 조기 진단을 위해 활용되는데, 경동맥 내 플라크 유무, 혈액의 흐름, 혈관 두께 등을 관찰하는 간단한 검사로서, 검사시간이 짧고 비용이 저렴하다는 장점이 있다. 하지만 검사자가 충분한 기술과 지식을 습득해야 수행이 가능하다는 단점이 있으며, 동일한 초음파 영상에 대해서도 검사자별로 판독 능력에 차이를 보일 수 있으며, 초음파 영상에서 미세하게 표시되는 징후에 대해서는 숙련된 검사자라 하더라도 판독 능력이 떨어져 오진 확률이 높다는 단점이 있다.
이에 정기 건강검진 단계에서 누구나 편리하게 사용할 수 있고, 검사자별 판독 능력에 좌우되지 않으면서도, 초음파 영상에서 미세하게 나타나는 징후까지 정확하게 검출하여 경동맥의 이상징후를 예측 진단할 수 있는 새로운 방식의 경동맥 진단 시스템이 필요하다.
대한민국 등록특허공보 제10-1059824호 대한민국 등록특허공보 제10-2009840호
이에 본 발명은 상술한 필요성에 따라 창안된 발명으로서, 본 발명의 주요 목적은 검사자에 상관 없이 균일하고도 정확하게 경동맥의 이상징후를 자동 진단할 수 있는 인공 신경망을 활용한 경동맥 초음파 진단 시스템을 제공함에 있으며,
더 나아가 본 발명의 또 다른 목적은 부유(浮遊) 혈전으로 발전할 가능성이 있는 혈관 플라크를 검색해 뇌졸중의 발생 가능성을 사전 통보해 줄 수 있는 인공 신경망을 활용한 경동맥 초음파 진단 시스템을 제공함에 있다.
또한 본 발명의 다른 목적은 경동맥의 비정상 여부를 자동 진단하되, 비정상적인 경동맥에 대해서 그 경동맥의 위험도를 다단계로 차별화하여 표시할 수 있는 인공 신경망을 활용한 경동맥 초음파 진단 시스템을 제공함에 있으며,
더 나아가 본 발명은 하나 이상의 인공 신경망을 활용하여 경동맥의 이상여부를 정확하게 자동 진단하거나, 원격지에서 전송되어 온 경동맥 초음파 영상 이미지에 대하여 경동맥 이상여부를 정확하게 자동 진단하여 통보해 줄 수 있는 인공 신경망을 활용한 경동맥 초음파 진단 시스템을 제공함에 있다.
전술한 목적을 달성하기 위한 본 발명의 실시예에 따른 경동맥 초음파 진단 방법은 경동맥 초음파 영상 이미지를 판독할 수 있는 컴퓨터 시스템에서 실행 가능한 방법으로서,
입력 혹은 전송 혹은 저장부에서 액세스된 경동맥 초음파 영상 이미지에서 사전 학습된 인공 신경망을 이용해 경동맥 혈관 이미지를 추출하는 제1단계와;
사전 학습된 인공 신경망을 이용해 상기 추출된 경동맥 혈관 이미지에 대해 경동맥 정상여부를 진단하여 그 진단결과를 표시 출력하는 제2단계;를 포함함을 특징으로 한다.
더 나아가 변형 가능한 실시예로서 상술한 경동맥 초음파 진단 방법은,
상기 진단결과가 비정상일 경우 사전 학습된 인공 신경망을 이용해 상기 추출된 경동맥 혈관 이미지에 대해 경동맥 위험도를 더 진단하고 진단된 위험도를 진단결과로서 표시 출력하는 제3단계;를 더 포함함을 또 다른 특징으로 한다.
경우에 따라서는 상기 제3단계에서 상기 추출된 경동맥 혈관 이미지 내에 병변 영역을 함께 표시 출력함을 특징으로 한다.
또한 본 발명의 실시예에 따른 경동맥 초음파 진단 방법은 상기 제3단계 직전에 상기 추출된 경동맥 혈관 이미지 내에서 경동맥 혈관을 확장 처리하는 단계;를 더 포함할 수도 있으며,
상기 제2단계 이전에 상기 추출된 경동맥 혈관 이미지를 히트맵 처리하는 단계;를 더 포함할 수도 있다.
상술한 각각의 경동맥 초음파 진단 방법에 있어서, 상기 제1단계에서는 하나 이상의 경동맥 초음파 영상 이미지에서 전문의에 의해 ROI로 설정된 영역을 크롭핑하여 노이즈 제거한 경동맥 혈관 이미지를 학습 데이터로 설정해 학습한 제1인공 신경망을 이용함을 특징으로 하며,
상기 제2단계에서는 전문의에 의해 정상 혹은 비정상 마킹된 하나 이상의 경동맥 혈관 이미지를 학습 데이터로 설정해 학습한 제2인공 신경망을 이용함을 특징으로 하며,
상기 제3단계에서는 하나 이상의 경동맥 혈관 이미지에서 전문의에 의해 설정된 병변 영역 및 그 병변 영역에 대해 설정된 경동맥 위험도를 학습 데이터로 설정해 학습한 제3인공 신경망을 이용함을 특징으로 한다.
본 발명의 또 다른 실시예에 따른 경동맥 초음파 진단 방법 역시 경동맥 초음파 영상 이미지를 판독할 수 있는 컴퓨터 시스템에서 실행 가능한 방법으로서,
입력 혹은 전송 혹은 저장부에서 액세스된 경동맥 초음파 영상 이미지에서 사전 학습된 인공 신경망을 이용해 경동맥 정상여부를 진단하는 단계와;
상기 진단결과가 비정상일 경우 상기 인공 신경망을 이용해 경동맥 위험도를 더 진단하는 단계와;
상기 진단된 경동맥 정상여부 혹은 경동맥 위험도 중 하나를 진단결과로서 표시 출력하는 단계;를 포함함을 특징으로 한다.
이러한 경동맥 초음파 진단 방법에 있어서도 상기 경동맥 위험도와 함께 병변 영역을 함께 표시 출력할 수 있으며,
상기 진단결과가 비정상일 경우 경동맥 초음파 영상 이미지에서 추출 가능한 경동맥 혈관을 확장 처리하여 상기 경동맥 위험도를 진단함을 특징으로 하며,
상기 경동맥 정상여부를 진단하기 전에 상기 초음파 영상 이미지를 히트맵 처리하는 단계를 더 포함할 수도 있다.
상술한 기술적 과제 해결 수단에 따르면, 본 발명의 실시예에 따른 경동맥 초음파 진단 시스템은 경동맥 초음파 영상 이미지에 대해 하나 이상의 인공 신경망을 이용해 경동맥의 이상여부를 자동 진단해 줌은 물론, 경동맥의 위험도와 병변 영역까지 함께 표시해 주기 때문에, 검사자(판독자)별 판독 능력에 좌우되지 않음은 물론 초음파 영상에서 미세하게 표시되는 징후까지 정확하게 검출할 수 있는 효과를 제공한다.
더 나아가 본 발명은 독립된 초음파 진단기기의 제어부에서 실행 가능한 방법으로 구현할 수 있음은 물론, 원격 진료 서버로 구현할 수 있기 때문에 원격 진료 서비스를 제공할 수 있는 이점이 있으며, 검사자의 육안으로 식별 불가능한 분리 가능성이 높은 혈전을 사전에 검출하여 표시해 줄 수 있기 때문에, 혈전의 부유 가능성이 있는 검진자, 경동맥 협착증이 있는 검진자 등은 필요한 조치를 사전에 받을 수 있어 뇌졸중 위험을 사전에 예방할 수 있다.
도 1은 본 발명의 일 실시예에 따른 방법을 실행할 수 있는 경동맥 초음파 진단 시스템을 포함하는 의료진단 기기의 블럭 구성 예시도.
도 2는 도 1 중 본 발명의 또 다른 실시예에 따른 경동맥 초음파 진단 시스템의 구성 예시도.
도 3은 도 1 중 경동맥 추출부의 학습과정을 설명하기 위한 도면.
도 4는 도 1 중 경동맥 진단부의 학습과정을 설명하기 위한 도면.
도 5는 도 2 중 경동맥 진단부의 학습과정을 설명하기 위한 도면.
도 6은 본 발명의 실시예에 따른 경동맥 초음파 진단 시스템의 진단과정을 설명하기 위한 도면.
도 7 내지 도 13은 본 발명의 실시예에 따른 경동맥 초음파 진단 시스템(200)의 동작을 부연 설명하기 위한 도면.
후술하는 본 발명에 대한 상세한 설명은, 본 발명의 목적들, 기술적 해법들 및 장점들을 분명하게 하기 위하여 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 통상의 기술자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다.
그리고 본 발명의 상세한 설명 및 청구항들에 걸쳐 '학습'은 절차에 따라 딥 러닝을 수행함을 일컫는 용어인바, 인간의 교육 활동과 같은 정신적 작용을 지칭하도록 의도된 것이 아님을 통상의 기술자는 이해할 수 있을 것이다. 또한 본 발명의 상세한 설명 및 청구항들에 걸쳐, '포함하다'라는 단어 및 그 변형은 다른 기술적 특징들, 부가물들, 구성요소들 또는 단계들을 제외하는 것으로 의도된 것이 아니다. 통상의 기술자에게 본 발명의 다른 목적들, 장점들 및 특성들이 일부는 본 설명서로부터, 그리고 일부는 본 발명의 실시로부터 드러날 것이다. 아래의 예시 및 도면은 실례로서 제공되며, 본 발명을 한정하는 것으로 의도된 것이 아니다. 더욱이 본 발명은 본 명세서에 표시된 실시예들의 모든 가능한 조합들을 망라한다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 구조 및 특성은 일 실시예에 관련하여 본 발명의 사상 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 사상 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.
본 명세서에서 달리 표시되거나 분명히 문맥에 모순되지 않는 한, 단수로 지칭된 항목은, 그 문맥에서 달리 요구되지 않는 한, 복수의 것을 아우른다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
참고적으로 하기에서 언급되는 인공 신경망은 인공 신경망을 다층으로 쌓은 CNN(convolutional neural network; 합성 신경망) 모델일 수 있다. 이는 깊은 구조의 네트워크라는 의미로 딥 뉴럴 네트워크(deep neural network)라 표현할 수 있다. 이러한 딥 뉴럴 네트워크에서는 다량의 데이터를 학습시킴으로써 각각의 이미지의 특징을 자동으로 학습하고, 이를 통하여 목적 함수의 에러(error)를 최소화시키는 방법으로 네트워크를 학습시켜 나아가는 형태이다. 이러한 CNN 모델은 이미 공지된 것이므로 이에 대한 상세 설명은 생략하기로 한다.
도 1은 본 발명의 일 실시예에 따른 방법을 구현할 수 있는 경동맥 초음파 진단 시스템(200)을 포함하는 의료진단 기기의 블럭 구성도를 예시한 것이며, 도 2는 도 1 중 본 발명의 또 다른 실시예에 따른 경동맥 초음파 진단 시스템(200)의 구성도를 예시한 것이다.
도 1에서는 본 발명의 실시예에 따른 경동맥 초음파 진단 방법이 경동맥 초음파 진단 시스템(200)으로 구현된 의료진단 기기, 예를 들면 초음파 의료진단 기기를 도시하였으나, 입력 혹은 전송받은 혹은 메모리에서 독출된 초음파 영상 이미지를 판독하여 진단할 수 있는 컴퓨터 시스템의 제어부에서 실행 가능한 방법으로 구현될 수도 있으며, 원격 진단을 위해 통신망을 통해 다수의 의료기관 컴퓨터 시스템과 연결될 수 있는 원격 진단 서버에서 실행 가능한 방법으로도 구현되어 경동맥의 이상여부를 진단할 수 있다.
도 1을 참조하면, 경동맥 초음파 영상 이미지 획득부(100)는 진단하고자 하는 경동맥 초음파 영상 이미지를 획득하기 위한 구성이다. 경동맥 초음파 진단 시스템(200)이 의료진단 기기의 일부일 경우 상기 초음파 영상 이미지 획득부(100)는 경동맥을 포함하는 검진부위에 초음파 신호를 송신하고 그 검진부위로부터 반사되는 초음파 에코신호를 수신하는 초음파 프로브와, 상기 초음파 프로브로부터 제공되는 초음파 에코신호를 신호처리하여 상기 경동맥 초음파 영상 이미지로 변환하는 초음파 영상 이미지 생성부로 구현될 수 있다.
경동맥 초음파 진단 시스템(200)이 전문의 등이 사용하는 진단용 컴퓨터 시스템 혹은 의료기관의 컴퓨터 시스템이라면, 상기 초음파 영상 이미지 획득부(100)는 상기 초음파 프로브와 상기 초음파 영상 이미지 생성부를 포함하는 주변 초음파 기기와 데이터 인터페이스할 수 있는 인터페이스부일 수 있고, 이동형 저장장치와 데이터 송수신할 수 있는 인터페이스부일 수 있다.
만약 경동맥 초음파 진단 방법을 구현하기 위한 경동맥 초음파 진단 시스템(200)을 원격 진단 서버에 구축한 경우라면 상기 초음파 영상 이미지 획득부(100)는 통신망을 통해 원격지의 의료기관 컴퓨터 시스템으로부터 경동맥 초음파 영상 이미지를 수신하기 위한 수신부일 수 있다.
다시 도 1을 참조하면, 경동맥 초음파 진단 시스템(200)은,
경동맥 초음파 영상 이미지 획득부(100)에서 생성 혹은 전송 혹은 독출된 경동맥 초음파 영상 이미지에서 사전 학습된 제1인공 신경망을 이용해 경동맥 혈관 이미지를 추출하는 경동맥 추출부(210)와,
사전 학습된 제2인공 신경망을 이용해 상기 경동맥 혈관 이미지에 대해 경동맥 정상여부(정상 및 비정상)를 진단하여 그 진단결과를 표시부(280)에 출력하는 경동맥 진단부(220)를 포함한다.
제1인공 신경망을 포함하는 경동맥 추출부(210)는 하나 이상의 경동맥 초음파 영상 이미지에서 전문의에 의해 ROI(관심 영역)로 설정된 영역을 크롭핑하여 노이즈 제거한 경동맥 혈관 이미지를 학습 데이터로 설정해 제1인공 신경망을 학습시킨다.
제2인공 신경망을 포함하는 경동맥 진단부(220)는 전문의에 의해 정상 혹은 비정상 마킹된 하나 이상의 경동맥 혈관 이미지를 학습 데이터로 설정해 상기 제2인공 신경망을 학습시킨다.
변형 가능한 실시예로서, 상기 경동맥 진단부(220)는 도 2에 도시한 바와 같이 상기 제2인공 신경망 외에 제3인공 신경망을 더 포함할 수 있다. 이러한 경우 경동맥 진단부(220)는 제2인공 신경망에 의해 진단한 결과가 비정상일 경우 사전 학습된 제3인공 신경망을 이용해 상기 경동맥 혈관 이미지에 대해 경동맥 위험도를 진단하고 진단된 위험도를 진단결과로서 표시부(280)에 출력할 수도 있다.
상기 '경동맥 위험도'란 '비정상 고위험군', '비정상 저위험군'과 같이 위험도를 단계별로 등급화하여 위험도를 표시한 것을 말한다. 하기 설명에서는 두 단계로 등급화하였지만 이는 하나의 예시일 뿐 2단계 이상으로 세분화할 수 있을 것이다.
제2 및 제3인공 신경망을 포함하는 경동맥 진단부(220)는 하나 이상의 경동맥 혈관 이미지에서 전문의에 의해 설정된 병변 영역 및 그 병변 영역에 대해 설정된 경동맥 위험도를 학습 데이터로 설정해 상기 제3인공 신경망을 학습시킨다.
도 2에 도시한 경동맥 진단부(220)는 경동맥 위험도 뿐만 아니라 상기 경동맥 혈관 이미지 내에 병변 영역(예를 들면 플라크의 위치)을 진단결과로서 함께 표시 출력해 줄 수도 있다.
더 나아가 도 2에 도시한 경동맥 진단부(220)는 상기 제3인공 신경망을 이용해 상기 경동맥 혈관 이미지를 진단하기 전에 경동맥 혈관 이미지 내에서 경동맥 혈관을 도 9에서와 같이 확장 처리할 수도 있다.
한편 도 1 및 도 2에 도시한 경동맥 초음파 진단 시스템(200)은 경동맥 추출부(210)에서 추출된 경동맥 혈관 이미지를 가시성을 높이는 한편 진단 성능을 높이기 위해 히트맵 처리해 경동맥 진단부(220)로 전달하는 히트맵 처리부(215)를 더 포함할 수도 있다. 히트맵 처리부(215)는 경동맥 진단부(220)내에 포함되는 것으로 구현할 수도 있다. 즉, 본 발명의 실시예에 따른 경동맥 진단 방법은 그레이스케일의 경동맥 초음파 영상 이미지를 이용해 경동맥의 이상여부를 진단할 수도 있고, 그레이스케일의 경동맥 초음파 영상 이미지를 히트맵 처리해 혹은 경동맥 초음파 영상 이미지에서 추출된 경동맥 혈관 이미지를 히트맵 처리해 경동맥의 이상여부를 진단할 수도 있다.
도시하지 않았지만 또 다른 변형 가능한 실시예로서 경동맥 초음파 진단 시스템(200)은 경동맥 초음파 영상 이미지에서 사전 학습된 제1인공 신경망을 이용해 경동맥 혈관 이미지를 추출하는 경동맥 추출부(210)와,
사전 학습된 제2인공 신경망을 이용해 상기 경동맥 혈관 이미지에 대해 경동맥 위험도를 진단하고 진단된 위험도를 진단결과로서 출력하는 경동맥 진단부(220)를 포함할 수도 있다. 이러한 실시예에서 제2인공 신경망은 도 2에 도시한 제3인공 신경망에 해당한다.
즉, 본 발명의 경동맥 초음파 진단 시스템(200)은 제1인공 신경망, 제2인공 신경망, 제3인공 신경망들을 상호 조합하여 다양한 형태의 경동맥 초음파 진단 시스템(200)을 구축할 수 있으며, 이와 같이 다양하게 구축 가능한 시스템에 히트맵 처리부(215)를 더 포함시켜 가시성 및 진단 성능을 높일 수 있으며, 경동맥 이상여부의 진단 전에 경동맥 혈관 이미지 내에서 경동맥 혈관을 확장 처리할 수도 있다. 물론 하나의 인공 신경망을 이용해 경동맥 추출과 경동맥의 이상여부를 진단할 수도 있으며, 하나의 인공 신경망을 이용해 경동맥 추출 없이 바로 경동맥의 이상여부를 진단할 수도 있다. 참고적으로 실험치에 따르면 그레이스케일 이미지에 비해 히트맵 이미지를 이용했을 경우 민감도가 전반적으로 향상된 것으로 나타났다.
도 1에서 미설명한 저장부(240)는 경동맥 초음파 진단 시스템(200)이 의료기기의 전반적인 동작을 제어하기 위해 필요한 제어 프로그램 데이터가 저장됨은 물론, 전문의에 의해 설정된 학습 데이터와 각 학습 데이터 관련 설정 혹은 마킹 정보들이 저장되는 DB를 포함한다.
표시부(280)는 전문의가 경동맥 초음파 진단 시스템(200)의 환경, 동작 모드 등을 설정하기 위한 인터페이스 화면이 표시됨은 물론, 각 동작모드(학습모드, 진단모드를 포함하는 개념임)에서 표시되어야 할 이미지들 및 진단결과를 표시해 주는 역할을 수행하며, 입력부(260)는 전문의 등이 시스템 동작을 위해 필요한 명령, ROI 설정 등을 입력하기 위한 데이터 입력수단을 표시한 것이다.
이하 상술한 구성과 다양한 인공 신경망 조합을 가질 수 있는 경동맥 초음파 진단 시스템(200)의 경동맥 진단 방법을 첨부 도면을 참조하여 보다 상세히 설명하되, 하기에서는 장방향 경동맥 초음파 영상 이미지를 분석하여 경동맥의 이상여부를 진단하는 것에 대해 설명하기로 한다.
도 3은 도 1 중 경동맥 추출부(210)의 학습과정을 설명하기 위한 도면을 도시한 것이며, 도 7 내지 도 13은 본 발명의 실시예에 따른 경동맥 초음파 진단 시스템(200)의 동작을 부연 설명하기 위한 도면을 도시한 것이다.
도 3을 참조하면, 우선 도 7의 (a)에 도시한 바와 같은 경동맥 초음파 영상 이미지가 경동맥 초음파 진단 시스템(200)으로 입력(S10단계)된다. 입력된 이미지는 표시부(280)에 표시된다. 전문의는 표시된 경동맥 초음파 영상 이미지에서 경동맥 혈관에 해당하는 영역을 ROI로 설정(S20단계)해 학습모드를 실행시킨다.
학습모드에서 경동맥 추출부(210)는 경동맥 초음파 영상 이미지에서 전문의에 의해 ROI로 설정된 영역을 도 7의 (b)와 같이 크롭핑(S30단계)한다. 이어 경동맥 추출부(210)는 크롭핑된 경동맥 혈관 이미지에 대해 필터를 통해 잔상과 같은 노이즈를 제거(S40단계)한다. 이로써 도 7의 (c)와 같이 노이즈 제거된 경동맥 혈관 이미지가 얻어지면 이를 학습 데이터로 설정해 제1인공 신경망을 학습시킨다(S50단계).
이와 같은 방식으로 다수의 경동맥 초음파 영상 이미지에서 경동맥 혈관을 추출해 제1인공 신경망을 학습시키면, 추후 진단모드에서 입력되는 경동맥 초음파 영상 이미지에서 경동맥 혈관 이미지만을 추출할 수 있다.
도 4는 도 1 중 경동맥 진단부(220)의 학습과정을 설명하기 위한 도면을 도시한 것이다.
우선 경동맥 추출부(210)의 제1인공 신경망 학습에 이용된 경동맥 혈관 이미지는 경동맥 진단부(220)로 입력 혹은 전달(S110단계)된다. 만약 히트맵 처리부(215)가 구비된 경동맥 초음파 진단 시스템(200)이라면 경동맥 추출부(210)에서 얻어진 그레이스케일의 경동맥 혈관 이미지를 도 8에서와 같이 우선적으로 히트맵 처리(S120단계)한다. 히트맵 처리된 경동맥 혈관 이미지는 표시부(280)에 표시된다.
이에 전문의는 히트맵 처리된 경동맥 혈관 이미지를 판독해 단순히 정상, 비정상 여부를 나타내는 진단정보를 마킹(S130단계)한다. 진단정보의 마킹은 표시부(280)에 표시되는 유저 인터페이스 화면에 마킹한다. 이러한 유저 인터페이스 화면은 히트맵 처리된 경동맥 혈관 이미지가 표시되는 영역, 진단정보 마킹 영역, 장방향 및 횡방향 경동맥 혈관 설정영역, 피검사자 정보 표시 영역 등을 포함할 수 있다. 이러한 유저 인터페이스 화면은 경동맥 초음파 진단 시스템(200)을 구성하는 화면표시 제어부(도시하지 않았음)에 의해 표시 제어되며, 화면을 구성하는 영역 또한 다양한 정보를 표시할 수 있도록 구획될 수 있다.
히트맵 처리된 경동맥 혈관 이미지에 대해 진단정보를 마킹한 후 전문의가 학습명령을 내리면 경동맥 진단부(220)는 진단정보가 마킹된 경동맥 혈관 이미지를 학습 데이터로 설정해 제2인공 신경망을 학습시킨다(S140단계).
이와 같은 방식으로 히트맵 처리되어 진단정보가 마킹된 다수의 경동맥 혈관 이미지로 제2인공 신경망을 학습시키면, 추후 진단모드에서 입력되는 히트맵 처리된 경동맥 혈관 이미지에 대해 정상 혹은 비정상 여부를 자동 진단할 수 있다.
도 5는 제3인공 신경망을 더 포함하는 경동맥 진단부(220)의 학습과정을 설명하기 위한 도면을 도시한 것이다.
우선 경동맥 진단부(220)의 제2인공 신경망 학습에 이용된 경동맥 혈관 이미지중 비정상으로 진단된 이미지가 입력(S210단계)되면 이 역시 표시부(280)의 유저 인터페이스 화면에 표시된다. 표시된 경동맥 혈관 이미지는 히트맵 처리된 이미지이다.
전문의는 히트맵 처리된 비정상 경동맥 혈관 이미지를 판독해 플라크가 과도하게 위치하는 병변 영역, 혈전이 과도하게 혈관 내에 분포해 있는 병변 영역, 혈전의 분리 가능성이 높아 보이는 병변 영역, 경동맥 협착증이 보이는 병변 영역 등을 박스로 설정하고 설정된 각 병변 영역에 대한 경동맥 위험도, 예를 들면 비정상 고위험군 경동맥, 비정상 저위험군 경동맥을 함께 설정(S220)해 준다.
이어 전문의가 병변 영역과 경동맥 위험도가 설정된 경동맥 혈관 이미지에 대해 학습명령을 내리면 경동맥 진단부(220)는 병변 영역 및 경동맥 위험도가 설정된 경동맥 혈관 이미지를 학습 데이터로 설정해 제3인공 신경망을 학습시킨다(S230단계).
이와 같은 방식으로 제3인공 신경망을 학습시키면, 추후 진단모드에서 비정상 경동맥으로 1차 진단된 경동맥 혈관 이미지에 대해 병변 영역은 물론 경동맥 위험도 정보까지 자동 진단할 수 있다.
이하 상술한 바와 같은 학습과정을 통해 학습 데이터를 학습한 인공 신경망들을 이용해 경동맥의 이상여부를 자동 진단하는 과정을 부연 설명하기로 한다.
도 6은 본 발명의 실시예에 따른 경동맥 초음파 진단 시스템(200)의 진단과정을 설명하기 위한 도면을 도시한 것이다.
진단모드에서 우선 경동맥 초음파 영상 이미지는 경동맥 초음파 영상 이미지 획득부(100)를 통해 입력(S310단계) 가능하다. 입력된 경동맥 초음파 영상 이미지는 도 7의 (a)와 같다고 가정할 수 있으며 이는 경동맥 추출부(210)로 입력된다.
경동맥 추출부(210)는 경동맥 초음파 영상 이미지에서 사전 학습된 제1인공 신경망을 이용해 도 7의 (b)와 같은 경동맥 혈관 이미지를 추출(S320단계)하고, 추출된 경동맥 혈관 이미지에 대해 노이즈 제거 처리(S330단계)함으로써 도 7의 (c)와 같은 경동맥 혈관 이미지가 생성된다.
이어 노이즈 제거된 경동맥 혈관 이미지는 경동맥 진단부(220)로 전달되는데 히트맵 처리부(215)가 구비된 시스템이라면 그 히트맵 처리부(215)에 의해 히트맵 처리(S340단계)됨으로써, 도 8과 같이 히트맵 처리된 경동맥 혈관 이미지가 경동맥 진단부(220)로 전달된다.
경동맥 진단부(220)는 사전 학습된 제2인공 신경망을 이용해 상기 히트맵 처리된 경동맥 혈관 이미지에 대해 경동맥 정상여부를 진단(S350단계)한다. 진단결과 정상으로 진단(S360단계)되면 표시부(280)에 그 진단결과를 정상으로 표시(S370단계)하고 일련의 진단과정을 종료한다.
진단결과가 비정상일 경우 경동맥 진단부(220)가 제3인공 신경망을 포함하고 있지 않은 경우라면 단순히 진단결과를 비정상으로 표시하는데 반해, 경동맥 진단부(220)가 제3인공 신경망을 포함하고 있다면, 경동맥 진단부(220)는 제3인공 신경망을 이용해 경동맥 혈관 이미지를 진단하기 전에 도 9와 같이 상기 경동맥 혈관 이미지 내에서 경동맥 혈관을 확장 처리한다. 이와 같은 경동맥 혈관의 확장은 선택 가능한 하나의 옵션이다.
경동맥 혈관을 확장 처리한 경동맥 진단부(220)는 이후 사전 학습된 제3인공 신경망을 이용해 상기 경동맥 혈관 이미지에 대해 경동맥 위험도를 진단(S380단계)한다. 진단결과 경동맥 위험도가 고위험군 경동맥이라면(S390단계) S410단계로 진행하여 도 10과 같이 비정상 고위험군(FH) 경동맥과 병변 영역(바운딩 박스)을 표시한다. 만약 저위험군 경동맥이라면 S400단계로 진행하여 도 11과 같이 비정상 저위험군(FL) 경동맥과 병변 영역(바운딩 박스)을 표시한 후 일련의 진단과정을 종료한다.
참고적으로 도 10은 본 발명의 실시예에 따른 경동맥 초음파 진단 시스템(200)에 의해 진단 표시되는 고위험군 경동맥 혈관 이미지이며, 도 12는 전문의가 병변 영역(보다 구체적으로는 플라크의 위치)을 마킹한 이미지이다. 이들을 비교해 보면 자동 진단된 고위험군(FH) 경동맥의 병변 위치와 전문의가 마킹한 병변 영역이 일치한다는 것을 알 수 있다. 이것은 곧 본 발명의 실시예에 따른 경동맥 초음파 진단 시스템(200)의 진단 정확도가 높다는 것을 암시한다.
이상에서 설명한 바와 같이 본 발명의 실시예에 따른 경동맥 초음파 진단 시스템(200)의 경동맥 초음파 진단 방법은 경동맥 초음파 영상 이미지 획득부(100)를 통해 입력 혹은 전송 혹은 메모리에서 독출된 경동맥 초음파 영상 이미지에 대해 하나 이상의 인공 신경망을 통해 경동맥의 이상여부를 자동 진단해 줌은 물론, 경동맥의 위험도와 병변 영역까지 함께 표시해 주기 때문에, 검사자(판독자)별 판독 능력에 좌우되지 않음은 물론 초음파 영상에서 미세하게 표시되는 징후까지 정확하게 검출할 수 있는 효과를 제공할 수 있는 유용한 발명이다.
더 나아가 본 발명은 독립된 초음파 진단기기로 구현할 수 있음은 물론, 원격 진료 서버로 구현할 수 있기 때문에 원격 진료 서비스를 제공할 수 있는 이점이 있으며, 검사자의 육안으로 식별 불가능한 분리 가능성이 높은 혈전을 사전에 검출하여 표시해 줄 수 있기 때문에, 혈전의 부유 가능성이 있는 검진자, 경동맥 협착증이 있는 검진자등은 필요한 조치를 사전에 받아 뇌졸중 위험을 사전에 예방할 수 있다.
상술한 본 발명의 실시예에서는 장방형의 경동맥 초음파 영상 이미지를 학습하여 경동맥의 이상여부를 자동 진단하는 것으로 설명하였으나, 도 13에 도시한 바와 같은 횡방향의 경동맥 초음파 영상 이미지를 학습하여 경동맥의 이상여부를 자동 진단할 수도 있으며, 장방향과 횡방향 모두의 경동맥 초음파 영상 이미지를 학습해 경동맥의 이상여부를 자동 진단할 수도 있을 것이다. 경우에 따라서는 장방향과 횡방향 모두의 경동맥 초음파 영상 이미지에 대해 경동맥의 이상여부를 자동 진단한 결과 자동 진단 결과가 불일치하면, 정상 혹은 비정상 진단된 어느 하나의 이미지에 대해 새롭게 학습된 인공 신경망을 통해 정상 혹은 비정상 여부를 최종 진단할 수도 있다.
더 나아가 본 발명은 학습 데이터를 증강시키기 위해서 전문의에 의해 마킹된 병변 영역을 중심으로 하는 바운딩 박스의 크기를 다단계로 랜덤하게 가변시키면서 각각 가변된 바운딩 박스를 크롭핑하는 방식으로 학습 데이터를 증강시킬 수도 있다.
이와 같이 고정된 크기로 크롭핑하지 않고 다양한 크기로 크롭핑을 수행하게 되면 다양한 크기와 비율을 가진 병변들을 수용할 수 있기 때문에 그 만큼 양질의 학습 데이터를 확보할 수 있음은 물론, 결과적으로 인공 신경망의 성능을 향상시킬 수 있는 효과를 얻을 수 있다.
위 실시예의 설명에 기초하여 해당 기술분야의 통상의 기술자는, 본 발명이 소프트웨어 및 하드웨어의 결합을 통하여 달성되거나 하드웨어만으로 달성될 수 있다는 점을 명확하게 이해할 수 있다. 본 발명의 기술적 해법의 대상물 또는 선행 기술들에 기여하는 부분들은 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 기계 판독 가능한 기록 매체에 기록될 수 있다. 상기 기계 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 기계 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야의 통상의 기술자에게 공지되어 사용 가능한 것일 수도 있다.
프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다. 상기 하드웨어 장치는 도 1과 같이 프로그램 명령어를 저장하기 위한 ROM/RAM 등과 같은 메모리(저장부)와 결합되고, 상기 메모리에 저장된 명령어들을 실행하도록 구성되는 CPU나 GPU와 같은 프로세서를 포함할 수 있으며, 외부 장치와 신호를 주고 받을 수 있는 통신부를 포함할 수 있다. 덧붙여, 상기 하드웨어 장치는 개발자들에 의하여 작성된 명령어들을 전달받기 위한 키보드, 마우스, 기타 외부 입력장치를 포함할 수 있다.
이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명이 상기 실시예들에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 사람이라면 이러한 기재로부터 다양한 수정 및 변형을 꾀할 수 있다. 따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등하게 또는 등가적으로 변형된 모든 것들은 본 발명의 사상의 범주에 속한다고 할 것이다.

Claims (12)

  1. 경동맥 초음파 영상 이미지를 획득하기 위한 경동맥 초음파 영상 이미지 획득부와;
    획득된 경동맥 초음파 영상 이미지에서 사전 학습된 제1인공 신경망을 이용해 경동맥 혈관 이미지를 추출하는 경동맥 추출부와;
    상기 추출된 경동맥 혈관 이미지를 히트맵 처리하기 위한 히트맵 처리부와;
    사전 학습된 제2인공 신경망을 이용해 상기 히트맵 처리된 경동맥 혈관 이미지에 대해 경동맥 위험도를 진단하고 그 진단결과를 표시부에 출력하는 경동맥 진단부;를 포함하되,
    학습모드에서 상기 경동맥 추출부는 상기 경동맥 초음파 영상 이미지에서 전문의에 의해 ROI로 설정된 영역을 크롭핑하고, 크롭핑된 경동맥 혈관 이미지에 대해 필터를 통해 노이즈 제거한 후 그 노이즈 제거된 경동맥 혈관 이미지들을 학습 데이터로 설정해 상기 제1인공 신경망을 학습시키고,
    학습모드에서 상기 경동맥 진단부는 상기 히트맵 처리된 비정상 경동맥 혈관 이미지에서 전문의에 의해 마킹된 병변 영역과 경동맥 위험도를 학습 데이터로 설정하되, 상기 병변 영역을 중심으로 하는 바운딩 박스의 크기를 다단계로 가변시키면서 그 가변된 각각의 바운딩 박스를 크롭핑하는 방식으로 학습 데이터를 증강시켜 상기 제2인공 신경망을 학습시킴을 특징으로 하는 경동맥 초음파 진단 시스템.
  2. 청구항 1에 있어서, 상기 경동맥 진단부는,
    상기 경동맥 위험도를 진단하기 전에 상기 히트맵 처리된 경동맥 혈관 이미지 내에서 경동맥 혈관을 확장 처리함을 특징으로 하는 경동맥 초음파 진단 시스템.
  3. 청구항 1에 있어서, 상기 경동맥 초음파 영상 이미지 획득부는,
    초음파 프로브와, 상기 초음파 프로브로부터 제공되는 초음파 에코신호를 신호처리하여 상기 경동맥 초음파 영상 이미지로 변환하는 초음파 영상 이미지 생성부를 포함함을 특징으로 하는 경동맥 초음파 진단 시스템.
  4. 경동맥 초음파 영상 이미지를 획득하기 위한 경동맥 초음파 영상 이미지 획득부와;
    획득된 경동맥 초음파 영상 이미지에서 사전 학습된 제1인공 신경망을 이용해 경동맥 혈관 이미지를 추출하는 경동맥 추출부와;
    상기 추출된 경동맥 혈관 이미지를 히트맵 처리하기 위한 히트맵 처리부와;
    사전 학습된 제2인공 신경망을 이용해 상기 히트맵 처리된 경동맥 혈관 이미지에 대해 경동맥 정상여부를 1차 진단하고, 1차 진단결과 비정상일 경우 사전 학습된 제3인공 신경망을 이용해 히트맵 처리된 비정상 경동맥 혈관 이미지에 대해 경동맥 위험도를 2차 진단하여 상기 1차 진단결과 혹은 2차 진단결과를 표시부에 출력하는 경동맥 진단부;를 포함하되,
    학습모드에서 상기 경동맥 추출부는 상기 경동맥 초음파 영상 이미지에서 전문의에 의해 ROI로 설정된 영역을 크롭핑하고, 크롭핑된 경동맥 혈관 이미지에 대해 필터를 통해 노이즈 제거한 후 그 노이즈 제거된 경동맥 혈관 이미지들을 학습 데이터로 설정해 상기 제1인공 신경망을 학습시키고,
    학습모드에서 상기 경동맥 진단부는 상기 히트맵 처리된 비정상 경동맥 혈관 이미지에서 전문의에 의해 마킹된 병변 영역과 경동맥 위험도를 학습 데이터로 설정하되, 상기 병변 영역을 중심으로 하는 바운딩 박스의 크기를 다단계로 가변시키면서 그 가변된 각각의 바운딩 박스를 크롭핑하는 방식으로 학습 데이터를 증강시켜 상기 제3인공 신경망을 학습시킴을 특징으로 하는 경동맥 초음파 진단 시스템.
  5. 청구항 4에 있어서, 상기 경동맥 진단부는,
    상기 경동맥 위험도를 진단하기 전에 상기 히트맵 처리된 경동맥 혈관 이미지 내에서 경동맥 혈관을 확장 처리함을 특징으로 하는 경동맥 초음파 진단 시스템.
  6. 청구항 4에 있어서, 상기 경동맥 초음파 영상 이미지 획득부는,
    초음파 프로브와, 상기 초음파 프로브로부터 제공되는 초음파 에코신호를 신호처리하여 상기 경동맥 초음파 영상 이미지로 변환하는 초음파 영상 이미지 생성부를 포함함을 특징으로 하는 경동맥 초음파 진단 시스템.
  7. 삭제
  8. 삭제
  9. 삭제
  10. 삭제
  11. 삭제
  12. 삭제
KR1020200033975A 2020-03-19 2020-03-19 경동맥 초음파 진단 시스템 Active KR102408405B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020200033975A KR102408405B1 (ko) 2020-03-19 2020-03-19 경동맥 초음파 진단 시스템
PCT/KR2020/012613 WO2021187700A2 (ko) 2020-03-19 2020-09-18 경동맥 초음파 진단 방법
US17/912,577 US20230143229A1 (en) 2020-03-19 2020-09-18 Method for diagnostic ultrasound of carotid artery

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200033975A KR102408405B1 (ko) 2020-03-19 2020-03-19 경동맥 초음파 진단 시스템

Publications (2)

Publication Number Publication Date
KR20210118285A KR20210118285A (ko) 2021-09-30
KR102408405B1 true KR102408405B1 (ko) 2022-06-15

Family

ID=77772205

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200033975A Active KR102408405B1 (ko) 2020-03-19 2020-03-19 경동맥 초음파 진단 시스템

Country Status (3)

Country Link
US (1) US20230143229A1 (ko)
KR (1) KR102408405B1 (ko)
WO (1) WO2021187700A2 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12144682B2 (en) 2022-07-19 2024-11-19 EchoNous, Inc. Automation-assisted venous congestion assessment in point of care ultrasound
CN117058131B (zh) * 2023-10-11 2024-03-19 深圳市鹰瞳智能技术有限公司 基于高分辨率热成像进行脸部动脉可视化定位的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101880678B1 (ko) * 2016-10-12 2018-07-20 (주)헬스허브 기계학습을 통한 의료영상 판독 및 진단 통합 시스템
KR101974786B1 (ko) 2018-08-17 2019-05-31 (주)제이엘케이인스펙션 뇌동맥류 병변의 특성을 이용한 중증도 및 예후 예측 방법 및 시스템
JP2019148473A (ja) 2018-02-27 2019-09-05 シスメックス株式会社 画像解析方法、画像解析装置、プログラム、学習済み深層学習アルゴリズムの製造方法および学習済み深層学習アルゴリズム
JP2019530488A (ja) 2016-08-01 2019-10-24 １２ シグマ テクノロジーズ 深層畳み込みニューラルネットワークを使用した医用画像のためのコンピュータ支援による診断システム

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101059824B1 (ko) 2010-09-09 2011-08-29 한국표준과학연구원 초음파 영상을 이용한 경동맥 혈관의 내막두께와 중막두께의 비율 측정방법
KR20190060606A (ko) * 2017-11-24 2019-06-03 삼성전자주식회사 의료 영상 진단 장치 및 방법
KR102212499B1 (ko) * 2018-01-03 2021-02-04 주식회사 메디웨일 Ivus 영상 분석방법
KR102009840B1 (ko) 2018-03-19 2019-08-12 한림대학교 산학협력단 인공신경망(ann)을 이용하여 지속적 혈류역학적 이상(phd)를 예측하는 방법 및 장치
KR102205612B1 (ko) * 2018-04-13 2021-01-21 주식회사 셀바스에이아이 암 영역의 예측 방법 및 이를 이용한 암 영역의 예측 디바이스

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019530488A (ja) 2016-08-01 2019-10-24 １２ シグマ テクノロジーズ 深層畳み込みニューラルネットワークを使用した医用画像のためのコンピュータ支援による診断システム
KR101880678B1 (ko) * 2016-10-12 2018-07-20 (주)헬스허브 기계학습을 통한 의료영상 판독 및 진단 통합 시스템
JP2019148473A (ja) 2018-02-27 2019-09-05 シスメックス株式会社 画像解析方法、画像解析装置、プログラム、学習済み深層学習アルゴリズムの製造方法および学習済み深層学習アルゴリズム
KR101974786B1 (ko) 2018-08-17 2019-05-31 (주)제이엘케이인스펙션 뇌동맥류 병변의 특성을 이용한 중증도 및 예후 예측 방법 및 시스템

Also Published As

Publication number Publication date
US20230143229A1 (en) 2023-05-11
WO2021187700A2 (ko) 2021-09-23
KR20210118285A (ko) 2021-09-30

Similar Documents

Publication Publication Date Title
JP6859445B2 (ja) 脳卒中の診断及び予後予測方法システム及びその作動方法
RU2481056C2 (ru) Устройство обработки изображений, способ обработки изображений, устройство захвата томограммы, программа и носитель для записи программы
EP2965263B1 (en) Multimodal segmentation in intravascular images
JP5944917B2 (ja) 身体内腔分岐を検出及び表示するためのコンピュータ可読媒体及び同コンピュータ可読媒体を含むシステム
US20230363741A1 (en) Ultrasound diagnostic system
KR102360615B1 (ko) 내시경 영상에 대한 복수의 의료 영상 판독 알고리듬들을 이용하는 의료 영상 판독 지원 장치 및 방법
KR102408405B1 (ko) 경동맥 초음파 진단 시스템
JP7696356B2 (ja) 情報処理装置、情報処理方法及びプログラム
JP7695262B2 (ja) 情報処理装置、情報処理方法、プログラム及びモデル生成方法
EP4129197B1 (en) Computer program and information processing device
JP2006149654A (ja) 眼底の病変についての診断の支援
CN113710166A (zh) 一种颈动脉超声诊断系统
KR102132564B1 (ko) 진단 장치 및 진단 방법
JP2021520250A (ja) 体液の流れを検出するシステムおよび方法
US11024416B2 (en) Tomographic image processing device, ophthalmic device comprising the same and non-transitory computer-readable recording medium storing computer-readable instructions for tomographic image processing device
EP2821015A1 (en) Ultrasound system and method of providing reference image corresponding to ultrasound image
KR20190141934A (ko) Oct 의료 영상 기반 인공지능 컴퓨터 보조 진단 시스템 및 그 방법
US9754368B2 (en) Region extraction apparatus, method, and program
US20060100518A1 (en) Automated diastolic function analysis with ultrasound
KR20200011530A (ko) 안구영상을 이용한 심뇌혈관 질환 예측방법
JP2025052747A (ja) 情報処理方法、プログラム及び情報処理装置
US12114834B2 (en) Method of detecting colon polyps through artificial intelligence-based blood vessel learning and device thereof
US20240415392A1 (en) System and Method for Early Identification of Difficult Venous Access of a Patient
US20160066891A1 (en) Image representation set
Lipor et al. Eye biometry prediction from ultrasound images using convolutional neural networks

Legal Events

Date Code Title Description
PA0109 Patent application

Patent event code: PA01091R01D

Comment text: Patent Application

Patent event date: 20200319

PA0201 Request for examination
E902 Notification of reason for refusal
PE0902 Notice of grounds for rejection

Comment text: Notification of reason for refusal

Patent event date: 20210909

Patent event code: PE09021S01D

PG1501 Laying open of application
E90F Notification of reason for final refusal
PE0902 Notice of grounds for rejection

Comment text: Final Notice of Reason for Refusal

Patent event date: 20220322

Patent event code: PE09021S02D

E701 Decision to grant or registration of patent right
PE0701 Decision of registration

Patent event code: PE07011S01D

Comment text: Decision to Grant Registration

Patent event date: 20220513

GRNT Written decision to grant
PR0701 Registration of establishment

Comment text: Registration of Establishment

Patent event date: 20220608

Patent event code: PR07011E01D

PR1002 Payment of registration fee

Payment date: 20220609

End annual number: 3

Start annual number: 1

PG1601 Publication of registration