| 1 |
1
대상체의 갑상선을 촬영한 CT 영상을 획득하는 단계;상기 CT 영상으로부터 병변을 추출하여 크롭(crop) 이미지를 생성하는 단계;상기 크롭 이미지를 증강(augmentation)시키는 단계;컨볼루션 신경망(convolutional neural network, CNN)을 이용하여 상기 증강된 이미지를 학습하여 학습정보를 생성하는 단계; 및상기 학습정보에 기초하여 갑상선 암의 림프절 전이 여부를 진단하는 단계;를 포함하는 딥러닝 기반의 갑상선 암의 림프절 전이 진단 방법
|
| 2 |
2
제 1 항에 있어서,상기 CT 영상은 갑상선 절제술이 수행되기 전 환자에게서 획득되는 것인, 딥러닝 기반의 갑상선 암의 림프절 전이 진단 방법
|
| 3 |
3
제 1 항에 있어서,상기 크롭 이미지를 생성하는 단계는 Segmentation 알고리즘 또는 Object Detection 알고리즘을 이용하여 상기 CT 영상으로부터 경부 림프절의 병변 영역을 추천하는 단계; 및상기 추천된 병변 영역의 위치 정보를 고려하여 마스킹을 수행하고, 마스킹이 완료된 이미지에 대하여 크롭을 수행하는 단계;를 포함하는 것인, 딥러닝 기반의 갑상선 암의 림프절 전이 진단 방법
|
| 4 |
4
제 1 항에 있어서,상기 이미지를 증강시키는 단계는 잘라내기(crop), 회전(rotate), 뒤집기(flip), 크기 수정(rescale), 확대(zooming), 제로 필링(zero filling), 롤링(rolling), 색 이탈(color jittering), 노이즈 추가(Noise Addition), 콘트라스트 조정, 밝기 조정(감마 변환), smoothing(평균화 필터), 스케일링, 반전(좌우 / 상하), 이동(수평 / 수직), 부분 마스크(Cut out 및 Random Erasing), 트리밍 (Random Crop), 변형, 변색, 배경 교체, 가우스 변환(Gaussian transformation), 전단(shear), 아핀(affine) 및 이들의 조합들로 이루어진 군으로부터 선택되는 것을 수행하는 것인, 딥러닝 기반의 갑상선 암의 림프절 전이 진단 방법
|
| 5 |
5
제 1 항에 있어서,상기 방법은 히트맵을 생성하는 단계; 및상기 히트맵을 이용하여 갑상선 암의 림프절 전이 여부가 진단되는 단계에서 잘못 판단된 영역을 제거하는 후처리 단계;를 추가 포함하는 것인, 딥러닝 기반의갑상선 암의 림프절 전이 진단 방법
|
| 6 |
6
대상체의 갑상선을 촬영한 CT 영상을 획득하는 획득부;상기 CT 영상으로부터 병변을 추출하여 크롭(crop) 이미지를 생성하는 전처리부;상기 크롭 이미지를 증강(augmentation)시키는 증강부;컨볼루션 신경망(convolutional neural network, CNN)을 이용하여 상기 증강된 이미지를 학습하여 학습정보를 생성하는 학습부; 및상기 학습정보에 기초하여 갑상선 암의 림프절 전이 여부를 진단하는 진단 예측부;를 포함하는 딥러닝 기반의 갑상선 암의 림프절 전이 진단 시스템
|
| 7 |
7
제 6 항에 있어서,상기 획득부는 갑상선 절제술이 수행되기 전 환자에게서 상기 CT 영상을 획득하는 것인, 딥러닝 기반의 갑상선 암의 림프절 전이 진단 시스템
|
| 8 |
8
제 6 항에 있어서,상기 전처리부는 Segmentation 알고리즘 또는 Object Detection 알고리즘을 이용하여 상기 CT 영상으로부터 경부 림프절의 병변 영역을 추출하고, 상기 추출된 병변 영역에 대하여 이미지 크롭을 수행하여 상기 크롭 이미지를 생성하는 것인, 딥러닝 기반의 갑상선 암의 림프절 전이 진단 시스템
|
| 9 |
9
제 6 항에 있어서,상기 증강부는 잘라내기(crop), 회전(rotate), 뒤집기(flip), 크기 수정(rescale), 확대(zooming), 제로 필링(zero filling), 롤링(rolling), 색 이탈(color jittering), 노이즈 추가(Noise Addition), 콘트라스트 조정, 밝기 조정(감마 변환), smoothing(평균화 필터), 스케일링, 반전(좌우 / 상하), 이동(수평 / 수직), 부분 마스크(Cut out 및 Random Erasing), 트리밍 (Random Crop), 변형, 변색, 배경 교체, 가우스 변환(Gaussian transformation), 전단(shear), 아핀(affine) 및 이들의 조합들로 이루어진 군으로부터 선택되는 것을 수행하여 상기 이미지를 증강시키는 것인, 딥러닝 기반의 갑상선 암의 림프절 전이 진단 시스템
|
| 10 |
10
제 6 항에 있어서,히트맵을 생성하는 생성부; 및상기 히트맵을 수신하여 상기 갑상선 암의 림프절 전이 여부가 진단되는 단계에서 잘못 판단된 영역을 제거하는 후처리부;를 추가 포함하는 것인, 딥러닝 기반의 갑상선 암의 림프절 전이 진단 시스템
|
| 11 |
11
제 1 항 내지 제 5 항 중 어느 한 항에 따른 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체
|
| 12 |
12
학습할 대상체의 갑상선을 촬영한 CT 영상 데이터 세트를 획득하여, 상기 CT 영상 데이터 세트로부터 병변을 추출하여 크롭(crop) 이미지 데이터 세트를 생성하고, 상기 크롭 이미지 데이터 세트를 증강(augmentation)시켜 컨볼루션 신경망(convolutional neural network, CNN)을 이용하여 상기 증강된 이미지 데이터 세트를 학습하여 학습정보를 생성하고, 상기 학습정보에 기초하여 갑상선 암의 림프절 전이 여부를 진단하며, 상기 진단 정보 데이터 세트를 수신하여 저장 처리하기 위한 딥러닝 기반의 자동 학습부;사용자로부터 갑상선 암의 림프절 전이 여부를 진단하기 위한 CT 영상을 수신하여 상기 수신된 CT 영상으로부터 병변을 추출하여 크롭 이미지를 생성하고, 상기 크롭 이미지를 컨볼루션 신경망을 이용하여 학습하여 학습정보를 생성하고, 상기 학습정보에 기초하여 갑상선 암의 림프절 전이 여부를 진단하며, 상기 진단 결과값을 해당 사용자 단말기로 전송하기 위한 딥러닝 기반의 갑상선 암의 림프절 전이 진단용 API 엔진; 및상기 API 엔진으로부터 상기 진단 결과값을 획득하여 실시간으로 갑상선 암의 림프절 전이 진단 결과를 화면에 출력시키는 사용자 단말기;를 포함하는 딥러닝 기반의 갑상선 암의 림프절 전이 진단 플랫폼시스템
|
