| 1 |
1
육안식별 지방이 포함되지 않는 혈관근지방종(AMWwvf: AML without visible fat) 및 투명세포 신세포암(ccRCC: clear cell Renal Cell Carcinoma) 각각을 포함하는 신장 종양(SRM: Small Renal Masses)에 대한 트레이닝 컴퓨터 단층 촬영 영상들에서 핸드-크라프트 특징들(HCF: Hand-Crafted Features)을 추출하고, 신장 종양(SRM: Small Renal Masses)에 대한 테스트 컴퓨터 단층 촬영 영상에서 핸드-크라프트 특징들(HCF: Hand-Crafted Features)을 추출하기 위한 핸드-크라프트 특징 추출부;상기 트레이닝 컴퓨터 단층 촬영 영상들에서 질감 이미지 패치들(TIP: Texture Image Patches)을 생성한 후 사전 훈련된 신경망 모델을 사용하여 심층 특징들(DF: Deep Features)을 추출하고, 상기 테스트 컴퓨터 단층 촬영 영상에서 질감 이미지 패치들(TIP: Texture Image Patches)을 생성한 후 사전 훈련된 신경망 모델을 사용하여 심층 특징들(DF: Deep Features)을 추출하기 위한 심층 특징 추출부; 및상기 트레이닝 컴퓨터 단층 촬영 영상들에서 추출된 핸드-크라프트 특징들과 심층 특징들을 연결하여 분류 모델을 생성하며, 상기 테스트 컴퓨터 단층 촬영 영상에서 추출된 핸드-크라프트 특징들과 심층 특징들을 연결하고 상기 분류 모델에 기반하여 상기 테스트 컴퓨터 단층 촬영 영상의 신장 종양(SRM)을 육안식별 지방이 포함되지 않는 혈관근지방종 또는 투명세포 신세포암으로 분류하기 위한 분류부를 포함하는, 컴퓨터 단층 촬영 영상에서 딥러닝 특징과 형상 특징을 이용한 혈관근지방종과 투명세포 신세포암 분류 장치
|
| 2 |
2
청구항 1에 있어서,상기 핸드-크라프트 특징 추출부는,입력되는 컴퓨터 단층 촬영 영상에서 SRM 영상 영역을 분할하기 위한 SRM 영역 분할부; 및상기 SRM 영역 분할부에 의해 분할된 SRM 영상 영역에서 질감 및 형상에 대한 핸드-크래프트 특징들을 추출하기 위한 질감 및 형상 특징 추출기를 포함하는, 컴퓨터 단층 촬영 영상에서 딥러닝 특징과 형상 특징을 이용한 혈관근지방종과 투명세포 신세포암 분류 장치
|
| 3 |
3
청구항 2에 있어서,상기 질감에 대한 핸드-크라프트 특징들은 히스토그램과 종양 내부의 밝기값과 관련한 질감 행렬을 포함하는 64차원 질감 특징들을 포함하고, 상기 형상에 대한 핸드-크라프트 특징들은 곡률을 포함하는 7차원 형상 특징들을 포함하는, 컴퓨터 단층 촬영 영상에서 딥러닝 특징과 형상 특징을 이용한 혈관근지방종과 투명세포 신세포암 분류 장치
|
| 4 |
4
청구항 3에 있어서,상기 형상에 대한 핸드-크라프트 특징들 중 하나는,상기 육안식별 지방이 포함되지 않는 혈관근지방종(AMWwvf: AML without visible fat)과 신장의 접촉면이 쐐기 형상인 특징을 포함하는, 컴퓨터 단층 촬영 영상에서 딥러닝 특징과 형상 특징을 이용한 혈관근지방종과 투명세포 신세포암 분류 장치
|
| 5 |
5
청구항 1에 있어서,상기 심층 특징 추출부는,원본 이미지 패치 영상으로부터 신장 종양(SRM) 윤곽선 내부의 임의의 SRM 영역을 추출하는 동작, 상기 추출된 SRM 영역을 소정 크기의 빈 정사각형 패치의 임의의 위치에 배치하는 동작, 및 상기 SRM 영역 추출 동작 및 상기 배치 동작을 반복적으로 수행하여 이미지 영역 간의 일부 중복을 허용하여 빈 패치의 나머지 배경을 채우는 동작을 수행하여 상기 질감 이미지 패치들(TIP: Texture Image Patches)을 생성하는 질감 이미지 패치 생성부; 및사전 훈련된 신경망 모델을 사용하여 심층 특징들(DF: Deep Features)을 추출하기 위한 심층 특징 추출기를 포함하는, 컴퓨터 단층 촬영 영상에서 딥러닝 특징과 형상 특징을 이용한 혈관근지방종과 투명세포 신세포암 분류 장치
|
| 6 |
6
청구항 5에 있어서,상기 질감 이미지 패치들(TIP: Texture Image Patches)의 수를 증가시키기 위하여, 상기 추출된 SRM 영역을 다양한 각도로 회전시켜 상기 빈 정사각형 패치의 임의의 위치에 배치하는, 컴퓨터 단층 촬영 영상에서 딥러닝 특징과 형상 특징을 이용한 혈관근지방종과 투명세포 신세포암 분류 장치
|
| 7 |
7
청구항 6에 있어서,상기 심층 특징들(DF: Deep Features)은 복수의 자연 이미지에 기반하여 사전 훈련된 신경망 모델을 사용하여 추출되는, 컴퓨터 단층 촬영 영상에서 딥러닝 특징과 형상 특징을 이용한 혈관근지방종과 투명세포 신세포암 분류 장치
|
| 8 |
8
청구항 1에 있어서,상이한 환자들의 컴퓨터 단층 촬영 영상들 간의 밝기값 변화를 줄이기 위하여, 상기 컴퓨터 단층 촬영 영상 각각에 대해 밝기값 정규화를 수행하는 밝기값 정규화부를 더 포함하는, 컴퓨터 단층 촬영 영상에서 딥러닝 특징과 형상 특징을 이용한 혈관근지방종과 투명세포 신세포암 분류 장치
|
| 9 |
9
청구항 1에 있어서,상기 트레이닝 컴퓨터 단층 촬영 영상들 및 상기 테스트 컴퓨터 단층 촬영 영상들은 조영 증강된 컴퓨터 단층 촬영 영상인, 컴퓨터 단층 촬영 영상에서 딥러닝 특징과 형상 특징을 이용한 혈관근지방종과 투명세포 신세포암 분류 장치
|
| 10 |
10
컴퓨터 단층 촬영 영상에서 딥러닝 특징과 형상 특징을 이용한 혈관근지방종과 투명세포 신세포암 분류 장치에서 수행되는, 컴퓨터 단층 촬영 영상에서 딥러닝 특징과 형상 특징을 이용한 혈관근지방종과 투명세포 신세포암 분류 방법으로서,(a) 육안식별 지방이 포함되지 않는 혈관근지방종(AMWwvf: AML without visible fat) 및 투명세포 신세포암(ccRCC: clear cell Renal Cell Carcinoma) 각각을 포함하는 신장 종양(SRM: Small Renal Masses)에 대한 트레이닝 컴퓨터 단층 촬영 영상들에서 핸드-크라프트 특징들(HCF: Hand-Crafted Features)을 추출하는 단계;(b) 상기 트레이닝 컴퓨터 단층 촬영 영상들에서 질감 이미지 패치들(TIP: Texture Image Patches)을 생성한 후 사전 훈련된 신경망 모델을 사용하여 심층 특징들(DF: Deep Features)을 추출하는 단계;(c) 상기 트레이닝 컴퓨터 단층 촬영 영상들에서 추출된 핸드-크라프트 특징들과 심층 특징들을 연결하여 분류 모델을 생성하는 단계;(d) 신장 종양(SRM: Small Renal Masses)에 대한 테스트 컴퓨터 단층 촬영 영상에서 핸드-크라프트 특징들(HCF: Hand-Crafted Features)을 추출하는 단계;(e) 상기 테스트 컴퓨터 단층 촬영 영상에서 질감 이미지 패치들(TIP: Texture Image Patches)을 생성한 후 사전 훈련된 신경망 모델을 사용하여 심층 특징들(DF: Deep Features)을 추출하는 단계; 및(f) 상기 테스트 컴퓨터 단층 촬영 영상에서 추출된 핸드-크라프트 특징들과 심층 특징들을 연결하고 상기 분류 모델에 기반하여 상기 테스트 컴퓨터 단층 촬영 영상의 신장 종양(SRM)을 육안식별 지방이 포함되지 않는 혈관근지방종 또는 투명세포 신세포암으로 분류하는 단계를 포함하는, 컴퓨터 단층 촬영 영상에서 딥러닝 특징과 형상 특징을 이용한 혈관근지방종과 투명세포 신세포암 분류 방법
|
| 11 |
11
청구항 10에 있어서,상기 단계 (a) 및 단계 (d)에서 상기 핸드-크라프트 특징들은,입력되는 컴퓨터 단층 촬영 영상에서 SRM 영상 영역을 분할하는 단계; 및상기 분할된 SRM 영상 영역에서 질감 및 형상에 대한 핸드-크래프트 특징들을 추출하는 단계에 의해 추출되는, 컴퓨터 단층 촬영 영상에서 딥러닝 특징과 형상 특징을 이용한 혈관근지방종과 투명세포 신세포암 분류 방법
|
| 12 |
12
청구항 11에 있어서,상기 질감에 대한 핸드-크라프트 특징들은 히스토그램과 종양 내부의 밝기값과 관련한 질감 행렬을 포함하는 64차원 질감 특징들을 포함하고, 상기 형상에 대한 핸드-크라프트 특징들은 곡률을 포함하는 7차원 형상 특징들을 포함하는, 컴퓨터 단층 촬영 영상에서 딥러닝 특징과 형상 특징을 이용한 혈관근지방종과 투명세포 신세포암 분류 방법
|
| 13 |
13
청구항 12에 있어서,상기 형상에 대한 핸드-크라프트 특징들 중 하나는,상기 육안식별 지방이 포함되지 않는 혈관근지방종(AMWwvf: AML without visible fat)과 신장의 접촉면이 쐐기 형상인 특징을 포함하는, 컴퓨터 단층 촬영 영상에서 딥러닝 특징과 형상 특징을 이용한 혈관근지방종과 투명세포 신세포암 분류 방법
|
| 14 |
14
청구항 10에 있어서,상기 단계 (b) 및 단계 (e)에서 상기 심층 특징들은,원본 이미지 패치 영상으로부터 신장 종양(SRM) 윤곽선 내부의 임의의 SRM 영역을 추출하는 단계, 상기 추출된 SRM 영역을 소정 크기의 빈 정사각형 패치의 임의의 위치에 배치하는 단계, 및 상기 SRM 영역 추출 단계 및 상기 배치 단계를 반복적으로 수행하여 이미지 영역 간의 일부 중복을 허용하여 빈 패치의 나머지 배경을 채우는 단계를 수행하여 상기 질감 이미지 패치들(TIP: Texture Image Patches)을 생성하는 단계; 및사전 훈련된 신경망 모델을 사용하여 심층 특징들(DF: Deep Features)을 추출하는 단계에 의해 추출되는, 컴퓨터 단층 촬영 영상에서 딥러닝 특징과 형상 특징을 이용한 혈관근지방종과 투명세포 신세포암 분류 방법
|
| 15 |
15
청구항 14에 있어서,상기 질감 이미지 패치들(TIP: Texture Image Patches)의 수를 증가시키기 위하여, 상기 추출된 SRM 영역을 다양한 각도로 회전시켜 상기 빈 정사각형 패치의 임의의 위치에 배치하는, 컴퓨터 단층 촬영 영상에서 딥러닝 특징과 형상 특징을 이용한 혈관근지방종과 투명세포 신세포암 분류 방법
|
| 16 |
16
청구항 15에 있어서,상기 심층 특징들(DF: Deep Features)은 복수의 자연 이미지에 기반하여 사전 훈련된 신경망 모델을 사용하여 추출되는, 컴퓨터 단층 촬영 영상에서 딥러닝 특징과 형상 특징을 이용한 혈관근지방종과 투명세포 신세포암 분류 방법
|
| 17 |
17
청구항 10에 있어서,상기 단계 (a) 이전에,상이한 환자들의 컴퓨터 단층 촬영 영상들 간의 밝기값 변화를 줄이기 위하여, 상기 컴퓨터 단층 촬영 영상 각각에 대해 밝기값 정규화를 수행하는 단계를 더 포함하는, 컴퓨터 단층 촬영 영상에서 딥러닝 특징과 형상 특징을 이용한 혈관근지방종과 투명세포 신세포암 분류 방법
|
| 18 |
18
청구항 10에 있어서,상기 트레이닝 컴퓨터 단층 촬영 영상들 및 상기 테스트 컴퓨터 단층 촬영 영상들은 조영 증강된 컴퓨터 단층 촬영 영상인, 컴퓨터 단층 촬영 영상에서 딥러닝 특징과 형상 특징을 이용한 혈관근지방종과 투명세포 신세포암 분류 방법
|
