| 1 |
1
의료 영상에서 딥러닝에 기반한 복부 장기 자동분할 방법에 있어서,복부 장기가 포함된 2차원 의료 영상의 복수의 축상(Axial) 이미지, 복수의 관상(Coronal) 이미지 및 복수의 시상(Sagittal) 이미지를 2차원 딥 뉴럴 네트워크에 입력하는 단계;상기 2차원 딥 뉴럴 네트워크를 통해 관심 영역(region of interest)의 복수의 레이블(Label) 데이터 및 복수의 예측맵(Prediction map)을 생성하되, 상기 복수의 예측맵은 상기 복수의 축상(Axial) 이미지에 대응하는 복수의 예측맵, 상기 복수의 관상(Coronal) 이미지에 대응하는 복수의 예측맵 및 상기 복수의 시상(Sagittal) 이미지에 대응하는 복수의 예측맵을 포함하는, 생성 단계;상기 생성된 복수의 예측맵을 각각 가중 융합(weighted fusion)함으로써 상기 관심 영역의 사전형상모델을 생성하는 단계;복부 장기가 포함된 3차원 의료 영상과 상기 사전형상모델을 3차원 딥 뉴럴 네트워크에 입력하는 단계; 및상기 3차원 딥 뉴럴 네트워크를 통해 상기 관심 영역의 분할 결과를 획득하는 단계;를 포함하고,상기 관심 영역의 분할 결과 획득 단계는,상기 사전형상모델에서 상기 관심 영역과 다른 밝기를 가지는 경계 부분을 크롭하는 단계; 및상기 경계 부분이 크롭된 상기 사전형상모델을 상기 3차원 딥 뉴럴 네트워크에 입력하여 상기 관심 영역의 분할 결과를 획득하는 단계;를 포함하는 것을 특징으로 하는 딥러닝에 기반한 의료 영상에서 복부 장기 자동분할 방법
|
| 2 |
2
제1 항에 있어서, 상기 관심 영역은 상기 복부 장기 중 어느 하나의 장기가 배치된 영역인 것을 특징으로 하는 딥러닝에 기반한 의료 영상에서 복부 장기 자동분할 방법
|
| 3 |
3
제1 항에 있어서,상기 관심 영역의 분할 결과 획득 단계는,상기 사전형상모델에서 상기 관심 영역을 제외한 나머지 영역의 적어도 일부를 크롭(crop)하는 단계;상기 3차원 의료 영상에서 상기 관심 영역을 제외한 나머지 영역의 적어도 일부를 크롭(crop)하는 단계; 및상기 크롭된 사전형상모델과 상기 크롭된 3차원 의료 영상을 상기 3차원 딥 뉴럴 네트워크에 입력하여, 상기 3차원 딥 뉴럴 네트워크를 통해 상기 관심 영역의 분할 결과를 획득하는 단계;를 더 포함하는 것을 특징으로 하는 딥러닝에 기반한 의료 영상에서 복부 장기 자동분할 방법
|
| 4 |
4
제1 항에 있어서,상기 사전형상모델은, 상기 관심 영역의 3차원 공간적 형상 정보를 확률맵(probability map) 형태로 포함하는 것을 특징으로 하는 딥러닝에 기반한 의료 영상에서 복부 장기 자동분할 방법
|
| 5 |
5
제1 항에 있어서, 상기 사전형상모델은, 상기 복수의 축상 이미지에 대응하는 복수의 예측맵, 상기 복수의 관상 이미지에 대응하는 복수의 예측맵 및 상기 복수의 시상 이미지에 대응하는 복수의 예측맵의 가중 평균에 의하여 연산되고,상기 사전형상모델은, 하기 수학식 1에 의하여 연산되고,[수학식 1]y는 사전형상모델이고, n은 복수의 축상(Axial) 이미지, 복수의 관상(Coronal) 이미지 및 복수의 시상(Sagittal) 이미지 각각의 개수이고, yi는 복수의 예측맵의 복부 장기가 관심 영역일 확률이고, wi는 하기 수학식 2에 의해 결정되는 가중치인 것을 특징으로 하는 딥러닝에 기반한 의료 영상에서 복부 장기 자동분할 방법
|
| 6 |
6
하드웨어인 컴퓨터와 결합되어, 딥러닝에 기반한 의료 영상에서 복부 장기 자동분할 방법을 실행시키기 위하여 컴퓨터 판독가능 기록매체에 저장된 컴퓨터 프로그램에 있어서,상기 컴퓨터 프로그램은,복부 장기가 포함된 2차원 의료 영상의 복수의 축상(Axial) 이미지, 복수의 관상(Coronal) 이미지 및 복수의 시상(Sagittal) 이미지를 2차원 딥 뉴럴 네트워크에 입력하는 단계;상기 2차원 딥 뉴럴 네트워크를 통해 관심 영역(region of interest)의 복수의 레이블(Label) 데이터 및 복수의 예측맵(Prediction map)을 생성하되, 상기 복수의 예측맵은 상기 복수의 축상(Axial) 이미지에 대응하는 복수의 예측맵, 상기 복수의 관상(Coronal) 이미지에 대응하는 복수의 예측맵 및 상기 복수의 시상(Sagittal) 이미지에 대응하는 복수의 예측맵을 포함하는, 생성 단계;상기 생성된 복수의 예측맵을 각각 가중 융합(weighted fusion)함으로써 상기 관심 영역의 사전형상모델을 생성하는 단계;복부 장기가 포함된 3차원 의료 영상과 상기 사전형상모델을 3차원 딥 뉴럴 네트워크에 입력하는 단계; 및상기 3차원 딥 뉴럴 네트워크를 통해 상기 관심 영역의 분할 결과를 획득하는 단계;를 포함하고,상기 관심 영역의 분할 결과 획득 단계는,상기 사전형상모델에서 상기 관심 영역과 다른 밝기를 가지는 경계 부분을 크롭하는 단계; 및상기 경계 부분이 크롭된 상기 사전형상모델을 상기 3차원 딥 뉴럴 네트워크에 입력하여 상기 관심 영역의 분할 결과를 획득하는 단계;를 포함하는 것을 특징으로 하는 컴퓨터 프로그램
|
| 7 |
7
제6 항에 있어서, 상기 관심 영역은, 상기 복부 장기 중 어느 하나의 장기가 배치된 영역인 것을 특징으로 하는 컴퓨터 프로그램
|
| 8 |
8
제6 항에 있어서,상기 관심 영역의 분할 결과 획득 단계는,상기 사전형상모델에서 상기 관심 영역을 제외한 나머지 영역의 적어도 일부를 크롭(crop)하는 단계;상기 3차원 의료 영상에서 상기 관심 영역을 제외한 나머지 영역의 적어도 일부를 크롭(crop)하는 단계; 및상기 크롭된 사전형상모델과 상기 크롭된 3차원 의료 영상을 상기 3차원 딥 뉴럴 네트워크에 입력하여, 상기 3차원 딥 뉴럴 네트워크를 통해 상기 관심 영역의 분할 결과를 획득하는 단계;를 더 포함하는 것을 특징으로 하는 컴퓨터 프로그램
|
| 9 |
9
제6 항에 있어서,상기 사전형상모델은, 상기 관심 영역의 3차원 공간적 형상 정보를 확률맵(probability map) 형태로 포함하는 것을 특징으로 하는 컴퓨터 프로그램
|
| 10 |
10
제6 항에 있어서, 상기 사전형상모델은, 상기 복수의 축상 이미지에 대응하는 복수의 예측맵, 상기 복수의 관상 이미지에 대응하는 복수의 예측맵 및 상기 복수의 시상 이미지에 대응하는 복수의 예측맵의 가중 평균에 의하여 연산되고,상기 사전형상모델은, 하기 수학식 1에 의하여 연산되고,[수학식 1]y는 사전형상모델이고, n은 복수의 축상(Axial) 이미지, 복수의 관상(Coronal) 이미지 및 복수의 시상(Sagittal) 이미지 각각의 개수이고, yi는 복수의 예측맵의 복부 장기가 관심 영역일 확률이고, wi는 하기 수학식 2에 의해 결정되는 가중치인 것을 특징으로 하는 컴퓨터 프로그램
|
