| 1 |
1
(a) 복수의 조영 증강된 다중검출 컴퓨터 단층 촬영(MDCT) 트레이닝 영상들에서 분리된 신장 종양 영역으로부터 히스토그램 특징들, 밝기값 백분율 특징들, 및 질감 특징들을 추출하는 단계;(b) 상기 추출된 특징들을 복수의 특징 선택 방법과 복수의 기계 학습 기반의 분류 방법의 조합에 적용하여 최상의 분류 성능을 나타내는 특징들 및 분류 방법을 각각 최적의 분류 특징들 및 최적의 기계 학습 분류 방법으로서 선택하는 단계;(c) 상기 선택된 분류 특징들을 상기 선택된 기계 학습 분류 방법에 적용하여 분류 모델을 획득하는 단계;(d) 조영 증강된 다중검출 컴퓨터 단층 촬영 테스트 영상에서 분리된 신장 종양 영역으로부터 상기 최적의 분류 특징들을 추출하는 단계; 및(e) 상기 추출된 최적의 분류 특징들을 상기 분류 모델에 적용하여 지방이 적은 혈관근지방종(fp-AML)과 투명세포 신세포암(ccRCC)을 구별하는 단계를 포함하는, 조영 증강된 다중검출 컴퓨터 단층 촬영 영상에서 정량적 특징 분류를 사용하여 지방이 적은 혈관근지방종과 투명세포 신세포암을 구별하기 위한 방법
|
| 2 |
2
청구항 1에 있어서,상기 단계 (b)에서 상기 최적의 분류 특징들을 선택하는 단계는,(b-1) 곡선 아래 면적(AUC: area-under curve) 분석, ReliefF 특징 선택 방법 및 주 성분 분석(PCA: principal component analysis)에 따라 각각 20개의 특징들을 선택하는 단계; 및(b-2) 상기 곡선 아래 면적(AUC: area-under curve) 분석에 의해 선택된 특징들과, 상기 ReliefF 특징 선택 방법에 의해 선택된 특징들 및 상기 주 성분 분석(PCA: principal component analysis)에 의해 선택된 특징들 중 공통적인 특징들을 상기 최적의 분류 특징들로서 선택하는 단계를 포함하는, 조영 증강된 다중검출 컴퓨터 단층 촬영 영상에서 정량적 특징 분류를 사용하여 지방이 적은 혈관근지방종과 투명세포 신세포암을 구별하기 위한 방법
|
| 3 |
3
청구항 2에 있어서,상기 최적의 분류 특징들은,최대 밝기값, 190과 210의 임계값을 넘는 포지티브 픽셀들의 백분율, 75%와 95%의 백분위 밝기값, 및 GLCM 합 엔트로피(sum entropy)와 GLRLM 롱-런 엠퍼시스(long-run emphasis)를 포함하는, 조영 증강된 다중검출 컴퓨터 단층 촬영 영상에서 정량적 특징 분류를 사용하여 지방이 적은 혈관근지방종과 투명세포 신세포암을 구별하기 위한 방법
|
| 4 |
4
청구항 1에 있어서,상기 최적의 기계 학습 기반의 분류 방법은,k-근접 이웃(kNN; k nearest neighbor) 분류 방법 또는 랜덤-포레스트(RF: random forest) 분류 방법을 포함하는, 조영 증강된 다중검출 컴퓨터 단층 촬영 영상에서 정량적 특징 분류를 사용하여 지방이 적은 혈관근지방종과 투명세포 신세포암을 구별하기 위한 방법
|
| 5 |
5
청구항 1에 있어서,상기 복수의 조영 증강된 다중검출 컴퓨터 단층 촬영(MDCT) 트레이닝 영상들은 지방이 적은 혈관근지방종(fp-AML)을 갖는 환자들로부터 획득된 트레이닝 영상들 및 투명세포 신세포암(ccRCC)을 갖는 환자들로부터 획득된 트레이닝 영상들을 포함하는, 조영 증강된 다중검출 컴퓨터 단층 촬영 영상에서 정량적 특징 분류를 사용하여 지방이 적은 혈관근지방종과 투명세포 신세포암을 구별하기 위한 방법
|
