1 |
1
캡슐 내시경에 의해 취득된 의료영상으로부터 소장 영역을 구분하는 신경망 기반 의료 영상 처리 장치에 있어서,상기 의료영상에 대한 장기 구분을 수행하는 장기 구분 알고리즘이 탑재되는 메모리; 및상기 의료영상을 상기 장기 구분 알고리즘에 적용하여 상기 소장 영역이 구분되도록 하는 프로세서를 포함하고,상기 장기 구분 알고리즘은상기 의료영상에 포함되는 장기를 위, 소장 및 대장으로 구분하여 상기 소장 영역이 구분되도록 하는 합성곱 신경망 알고리즘과,상기 합성곱 신경망 알고리즘에 연계되어 상기 합성곱 신경망 알고리즘에서 오분류되는 이미지를 감소시키는 시간적 필터링 알고리즘을 포함하고,상기 합성곱 신경망 알고리즘은 2D 이미지로 학습되는 ResNet 모델을 포함하고,상기 시간적 필터링 알고리즘은 사비츠키-골레이 필터(Savitzky-golay filter) 및 메디안 필터(Median filter)로 구성된 하이브리드 시간 필터를 포함하며,상기 시간적 필터링 알고리즘의 적용에서는 이진 분류를 수행하고,상기 이진 분류에서는상기 합성곱 신경망 알고리즘에 의해 획득된 소장 클래스를 상기 사비츠키-골레이 필터 및 메디안 필터에 적용하고상기 사비츠키-골레이 필터 및 메디안 필터의 결과를 더하여 나눈 다음에 1보다 큰 값을 1에 매핑하고, 0보다 작은 값은 0에 매핑하여 상기 소장의 프레임과, 상기 위 및 대장의 프레임을 구분하는 것을 특징으로 하는 신경망 기반 의료 영상 처리 장치
|
2 |
2
삭제
|
3 |
3
제1 항에 있어서,상기 합성곱 신경망 알고리즘의 학습에서는복수 개의 상기 2D 이미지를 판독하여 상기 위, 소장 및 대장으로 3-클래스 라벨링을 수행하고,상기 라벨링된 복수 개의 2D 이미지로 학습 세트를 생성하고 상기 학습 세트를 기반으로 상기 합성곱 신경망 알고리즘을 훈련하여 상기 합성곱 신경망 알고리즘이 상기 소장 영역을 예측하도록 하는 것을 특징으로 하는 신경망 기반 의료 영상 처리 장치
|
4 |
4
제3 항에 있어서,상기 합성곱 신경망 알고리즘의 학습에서는상기 라벨링 이후에 상기 라벨링된 복수 개의 2D 이미지를 랜덤 셀렉션하여 상기 학습 세트, 검증 세트 및 테스트 세트로 분류하고,상기 각각의 세트에는 정상 데이터와 비정상 데이터가 함께 포함되도록 분류되는 것을 특징으로 하는 신경망 기반 의료 영상 처리 장치
|
5 |
5
제4 항에 있어서,상기 합성곱 신경망 알고리즘의 학습에서는 상기 장기 간의 불균형이 조정되도록 상기 위, 소장 및 대장의 2D 이미지 비율을 1:2:1로 조정하는 것을 특징으로 하는 신경망 기반 의료 영상 처리 장치
|
6 |
6
제5 항에 있어서,상기 2D 이미지의 비율 조정에서는정상 및 비정상 위 이미지를 수평 및 수직 플립을 적용하여 확대하고,정상 및 비정상 소장 이미지와, 정상 및 비정상 대장 이미지를 설정된 비율로 다운 샘플링하는 것을 특징으로 하는 신경망 기반 의료 영상 처리 장치
|
7 |
7
제6 항에 있어서,상기 다운 샘플링에서는 정상 소장 및 정상 대장 이미지를 각각 2/3 및 1/3의 비율로 다운 샘플링하고,비정상 소장 및 비정상 대장 이미지를 각각 3/4 및 3/7의 비율로 다운샘플링하는 것을 특징으로 하는 신경망 기반 의료 영상 처리 장치
|
8 |
8
제4 항에 있어서,상기 합성곱 신경망 알고리즘의 학습에서는상기 합성곱 신경망 알고리즘의 훈련 이후에 상기 검증 세트를 기반으로 상기 합성곱 신경망 알고리즘을 검증하는 것을 특징으로 하는 신경망 기반 의료 영상 처리 장치
|
9 |
9
제4 항에 있어서,상기 합성곱 신경망 알고리즘의 학습 이후에상기 테스트 세트를 기반으로 상기 합성곱 신경망 알고리즘 및 상기 시간적 필터링 알고리즘을 테스트하는 것을 특징으로 하는 신경망 기반 의료 영상 처리 장치
|
10 |
10
삭제
|
11 |
11
삭제
|
12 |
12
제1 항에 있어서,상기 장기 구분 알고리즘은상기 의료영상으로부터 장기가 변화하는 프레임을 예측하여 상기 소장 영역을 구분하는 것을 특징으로 하는 신경망 기반 의료 영상 처리 장치
|
13 |
13
제1 항에 있어서,상기 장기 구분 알고리즘은상기 합성곱 신경망 알고리즘에 의해 취득된 상기 소장 클래스를 상기 시간적 필터링 알고리즘에 적용하여 시간적으로 필터링된 확률을 임계값으로 지정하고,상기 임계값을 기반으로 상기 소장의 프레임과, 상기 위 및 대장의 프레임을 구분하는 것을 특징으로 하는 신경망 기반 의료 영상 처리 장치
|
14 |
14
제13 항에 있어서,상기 임계값은0
|
15 |
15
제1 항에 있어서,상기 시간적 필터링 알고리즘은상기 합성곱 신경망 알고리즘에 의해 인접 프레임에서 도출된 장기 확률을 이용하여 프레임의 클래스 확률을 보정하는 것을 특징으로 하는 신경망 기반 의료 영상 처리 장치
|
16 |
16
캡슐 내시경에 의해 취득된 의료영상으로부터 소장 영역을 구분하는 신경망 기반 의료 영상 처리 방법에 있어서,상기 의료영상을 장기 구분 알고리즘에 입력하는 단계; 및상기 장기 구분 알고리즘이 상기 의료영상으로부터 상기 소장 영역을 구분하는 단계를 포함하고,상기 장기 구분 알고리즘은 상기 의료영상에 포함되는 장기를 위, 소장 및 대장으로 구분하여 상기 소장 영역이 구분되도록 하는 합성곱 신경망 알고리즘과,상기 합성곱 신경망 알고리즘에 연계되어 상기 합성곱 신경망 알고리즘에서 오분류되는 이미지를 감소시키는 시간적 필터링 알고리즘을 포함하고,상기 합성곱 신경망 알고리즘은 2D 이미지로 학습되는 ResNet 모델을 포함하고,상기 시간적 필터링 알고리즘은 사비츠키-골레이 필터(Savitzky-golay filter) 및 메디안 필터(Median filter)로 구성된 하이브리드 시간 필터를 포함하며,상기 시간적 필터링 알고리즘의 적용에서는 이진 분류를 수행하고,상기 이진 분류에서는상기 합성곱 신경망 알고리즘에 의해 획득된 소장 클래스를 상기 사비츠키-골레이 필터 및 메디안 필터에 적용하고상기 사비츠키-골레이 필터 및 메디안 필터의 결과를 더하여 나눈 다음에 1보다 큰 값을 1에 매핑하고, 0보다 작은 값은 0에 매핑하여 상기 소장의 프레임과, 상기 위 및 대장의 프레임을 구분하는 것을 특징으로 하는 의료 영상 처리 방법
|