[go: up one dir, main page]

KR102682599B1 - 컴퓨터 단층촬영 이미지 분석장치 및 이를 이용한 분석방법 - Google Patents

컴퓨터 단층촬영 이미지 분석장치 및 이를 이용한 분석방법 Download PDF

Info

Publication number
KR102682599B1
KR102682599B1 KR1020210180172A KR20210180172A KR102682599B1 KR 102682599 B1 KR102682599 B1 KR 102682599B1 KR 1020210180172 A KR1020210180172 A KR 1020210180172A KR 20210180172 A KR20210180172 A KR 20210180172A KR 102682599 B1 KR102682599 B1 KR 102682599B1
Authority
KR
South Korea
Prior art keywords
value
calculation unit
computed tomography
lesion
tomography image
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
KR1020210180172A
Other languages
English (en)
Other versions
KR20230090946A (ko
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
Priority to KR1020210180172A priority Critical patent/KR102682599B1/ko
Priority to JP2024535773A priority patent/JP7754552B2/ja
Priority to US18/720,386 priority patent/US20250082291A1/en
Priority to PCT/KR2022/019795 priority patent/WO2023113358A1/ko
Publication of KR20230090946A publication Critical patent/KR20230090946A/ko
Application granted granted Critical
Publication of KR102682599B1 publication Critical patent/KR102682599B1/ko
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A61B6/02—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
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • 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 OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Optics & Photonics (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • Quality & Reliability (AREA)
  • Pulmonology (AREA)
  • Geometry (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (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{Apparatus for analyzing computed tomography image and Analyzing method using the same}
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.
대한민국 등록특허공보 제10-2035381호(공고일: 2019년 10월 22일)
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 112021145696110-pat00001
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 112021145696110-pat00002
[수학식 3]
Figure 112021145696110-pat00003
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 112021145696110-pat00004
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 112021145696110-pat00005
)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 112021145696110-pat00006
)이 1인 경우는 병변이 침습성이고, 예측값(
Figure 112021145696110-pat00007
)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 112021145696110-pat00008
[수학식 3]
Figure 112021145696110-pat00009
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 112021145696110-pat00010
)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 112021145696110-pat00011
[수학식 5]
Figure 112021145696110-pat00012
[수학식 6]
Figure 112021145696110-pat00013
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.
100: 초과비율 산출유닛 200: 예측값 산출유닛
300: 파라미터 연산유닛

Claims (14)

  1. 순수 간유리 음영결절에 대한 컴퓨터 단층촬영 이미지에서 병변의 부피와 하운스필드값의 분포를 나타내는 히스토그램을 바탕으로 하운스필드값에 대한 기준값 산출하는 파라미터 연산유닛;
    상기 히스토그램 상에서 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 112023141864812-pat00014

    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 112021145696110-pat00015

    [수학식 3]
    Figure 112021145696110-pat00016

    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 비침습성 확률값을 산출하여 상기 예측값 산출유닛으로 전송하는 것을 특징으로 하는 컴퓨터 단층촬영 이미지 분석장치.
  6. 제3항에 있어서,
    상기 파라미터 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 순수 간유리 음영결절에 대한 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 히스토그램 상에서 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 침습성 확률값과, 상기 병변이 비침습성인 경우에 해당하는 비침습성 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.
KR1020210180172A 2021-12-15 2021-12-15 컴퓨터 단층촬영 이미지 분석장치 및 이를 이용한 분석방법 Active KR102682599B1 (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020210180172A KR102682599B1 (ko) 2021-12-15 2021-12-15 컴퓨터 단층촬영 이미지 분석장치 및 이를 이용한 분석방법
JP2024535773A JP7754552B2 (ja) 2021-12-15 2022-12-07 コンピュータ断層撮映画像分析装置、及びこれを用いた分析方法
US18/720,386 US20250082291A1 (en) 2021-12-15 2022-12-07 Computed tomography image analysis device and analysis method using same
PCT/KR2022/019795 WO2023113358A1 (ko) 2021-12-15 2022-12-07 컴퓨터 단층촬영 이미지 분석장치 및 이를 이용한 분석방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210180172A KR102682599B1 (ko) 2021-12-15 2021-12-15 컴퓨터 단층촬영 이미지 분석장치 및 이를 이용한 분석방법

Publications (2)

Publication Number Publication Date
KR20230090946A KR20230090946A (ko) 2023-06-22
KR102682599B1 true KR102682599B1 (ko) 2024-07-08

Family

ID=86772864

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210180172A Active KR102682599B1 (ko) 2021-12-15 2021-12-15 컴퓨터 단층촬영 이미지 분석장치 및 이를 이용한 분석방법

Country Status (4)

Country Link
US (1) US20250082291A1 (ko)
JP (1) JP7754552B2 (ko)
KR (1) KR102682599B1 (ko)
WO (1) WO2023113358A1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101474162B1 (ko) * 2013-10-08 2014-12-17 서울여자대학교 산학협력단 흉부 컴퓨터 단층 영상의 간유리음영 결절 자동 분할 시스템 및 그 분할 방법
KR102035381B1 (ko) 2013-08-19 2019-10-22 프레쉬 메디컬 래버러토리즈, 인코퍼레이티드 악성 폐 종양 진단 장치

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5068788A (en) * 1988-11-29 1991-11-26 Columbia Scientific Inc. Quantitative computed tomography system
KR20100071595A (ko) * 2008-12-19 2010-06-29 임창우 뇌 단층촬영 영상의 병변부위 자동 검출방법
US20170103528A1 (en) * 2014-05-29 2017-04-13 Ohio State Innovation Foundation Volumetric texture score
KR101669793B1 (ko) * 2016-10-06 2016-11-09 사회복지법인 삼성생명공익재단 의료영상을 이용한 진단 보조 정보 제공 방법 및 그 시스템
CN110267596B (zh) 2016-10-31 2024-04-02 牛津大学创新有限公司 测定血管周水指数的方法
CN106943192A (zh) 2017-03-14 2017-07-14 上海交通大学医学院附属第九人民医院 肺癌细胞ki‑67表达指数的术前预测模型的建立方法
KR102045435B1 (ko) * 2017-12-27 2019-12-03 고려대학교 산학협력단 컴퓨터 단층촬영 영상 이미지의 밀도 분석을 통한 진단 장치, 방법 및 이를 기록한 기록매체
CN109288536B (zh) * 2018-09-30 2021-01-29 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、装置及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102035381B1 (ko) 2013-08-19 2019-10-22 프레쉬 메디컬 래버러토리즈, 인코퍼레이티드 악성 폐 종양 진단 장치
KR101474162B1 (ko) * 2013-10-08 2014-12-17 서울여자대학교 산학협력단 흉부 컴퓨터 단층 영상의 간유리음영 결절 자동 분할 시스템 및 그 분할 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
L. Han, 외. CT quantitative parameters to predict the invasiveness of lung pure ground-glass nodules (pGGNs). Clinical Radiology. vol.73. (2018). 2018.02.02. 공개*

Also Published As

Publication number Publication date
US20250082291A1 (en) 2025-03-13
JP2025500039A (ja) 2025-01-07
WO2023113358A1 (ko) 2023-06-22
JP7754552B2 (ja) 2025-10-15
KR20230090946A (ko) 2023-06-22

Similar Documents

Publication Publication Date Title
AU2019205766B2 (en) Systems and methods for rapid neural network-based image segmentation and radiopharmaceutical uptake determination
US12475993B2 (en) Apparatus and method for medical image reading assistant providing representative image based on medical use artificial neural network
CN111657858B (zh) 图像诊断装置、图像处理方法和存储介质
JP6063447B2 (ja) 細胞におけるバイオマーカーの発現のクラスターによる解析
Iacucci et al. Artificial intelligence and endo-histo-omics: new dimensions of precision endoscopy and histology in inflammatory bowel disease
US20210082566A1 (en) Systems and methods for brain hemorrhage classification in medical images using an artificial intelligence network
US20040059215A1 (en) Diagnostic support apparatus
CN112508884A (zh) 一种癌变区域综合检测装置及方法
CN111281425A (zh) 用于显示目标对象质量水平的超声成像系统和方法
Adams et al. Clinical impact and generalizability of a computer-assisted diagnostic tool to risk-stratify lung nodules with CT
Hammer et al. Limited utility of pulmonary nodule risk calculators for managing large nodules
CN111081352A (zh) 医学影像的显示方法、信息处理方法及存储介质
CN118787374A (zh) 基于患者常规ct检查数据的可解释骨质疏松预测方法及系统
JP2023541646A (ja) バイオマーカー推定方法
Marmor et al. Improving malignancy risk prediction of indeterminate pulmonary nodules with imaging features and biomarkers
Mou et al. Development and validation of a computed tomography-based radiomics nomogram for the preoperative prediction of central lymph node metastasis in papillary thyroid microcarcinoma
Lancaster et al. Histological proven AI performance in the UKLS CT lung cancer screening study: potential for workload reduction
KR102682599B1 (ko) 컴퓨터 단층촬영 이미지 분석장치 및 이를 이용한 분석방법
Madathil et al. A multimodal deep learning model for cervical pre-cancers and cancers prediction: Development and internal validation study
Stegeman et al. Cancer risk models and preselection for screening
Bessen et al. Does one size fit all? Cost utility analyses of alternative mammographic follow-up schedules, by risk of recurrence
Wang et al. Concordance-based Predictive Uncertainty (CPU)-Index: Proof-of-concept with application towards improved specificity of lung cancers on low dose screening CT
CN119181511A (zh) 基于深度学习的肺部肿瘤早期筛查方法和系统
Shao et al. Comparison of EfficientNet-B0 and Res2Net Models for Distinguishing Malignant and Benign Pulmonary Nodules
KR102393957B1 (ko) 전립선암 분석 장치 및 프로그램, 이의 동작 방법

Legal Events

Date Code Title Description
PA0109 Patent application

Patent event code: PA01091R01D

Comment text: Patent Application

Patent event date: 20211215

PA0201 Request for examination
PN2301 Change of applicant

Patent event date: 20221128

Comment text: Notification of Change of Applicant

Patent event code: PN23011R01D

PG1501 Laying open of application
E902 Notification of reason for refusal
PE0902 Notice of grounds for rejection

Comment text: Notification of reason for refusal

Patent event date: 20231017

Patent event code: PE09021S01D

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: 20240624

GRNT Written decision to grant
PR0701 Registration of establishment

Comment text: Registration of Establishment

Patent event date: 20240703

Patent event code: PR07011E01D

PR1002 Payment of registration fee

Payment date: 20240703

End annual number: 3

Start annual number: 1

PG1601 Publication of registration