| 1 |
1
딥러닝을 이용한 갑상선 암의 림프절 전이 진단 방법에 있어서,방사성요오드 평면 영상으로부터 다차원 마스크 이미지가 생성되는 전처리 단계;상기 전처리된 방사성요오드 평면 영상에서 각 픽셀 별 잔여 조직(Remnant tissue) 또는 림프절 전이(Lymph Node metastasis)의 가능도(likelihood)가 계산되는 단계;상기 전처리된 방사성요오드 평면 영상 및 계산된 가능도에 대하여 신경망(Neural Network) 학습 모델이 적용되어 학습이 수행되는 단계; 및상기 신경망 학습의 결과에 기초하여 갑상선 암의 림프절 전이 여부가 진단되는 단계;가 포함되는 갑상선 암의 림프절 전이 진단 방법
|
| 2 |
2
제 1 항에 있어서, 상기 다차원 마스크 이미지가 생성되는 전처리 단계는 상기 방사성요오드 평면 영상으로부터 추적자 섭취부위 영역이 검출되는 단계;상기 검출된 추적자 섭취부위 영역에 대하여 가우시안 필터링이 수행되는 단계; 및상기 가우시안 필터링 결과에 기초하여 픽셀 특징이 복수개의 레벨로 표현된 다차원 마스크 이미지가 생성되는 단계;가 포함되는 갑상선 암의 림프절 전이 진단 방법
|
| 3 |
3
제 2 항에 있어서, 상기 갑상선 암의 림프절 전이 여부가 진단되는 단계에서는 상기 추적자 섭취부위 영역 별 잔여 조직 및 림프절 전이 중 어느 하나로 판단된 결과에 따라 갑상선 암의 림프절 전이 여부가 진단되는 갑상선 암의 림프절 전이 진단 방법
|
| 4 |
4
제 3 항에 있어서, 상기 갑상선 암의 림프절 전이 여부가 진단되는 단계에서 잘못 판단된 영역을 제거하기 위한 픽셀 단위의 필터링이 수행되는 후처리 단계;가 더 포함되는 갑상선 암의 림프절 전이 진단 방법
|
| 5 |
5
제 1 항에 있어서, 상기 가능도(likelihood)가 계산되는 단계에서의 상기 가능도는 상기 전처리된 방사성요오드 평면 영상의 모든 픽셀의 GT(Ground Truth) 값에 대하여 정규화가 수행됨으로써 계산되는 갑상선 암의 림프절 전이 진단 방법
|
| 6 |
6
딥러닝을 이용한 갑상선 암의 림프절 전이 진단 시스템에 있어서, 방사성요오드 평면 영상으로부터 다차원 마스크 이미지가 생성되는 전처리부;상기 전처리된 방사성요오드 평면 영상에서 각 픽셀 별 잔여 조직(Remnant tissue) 또는 림프절 전이(Lymph Node metastasis)의 가능도(likelihood)가 계산되는 가능도결정부;상기 전처리된 방사성요오드 평면 영상 및 계산된 가능도에 대하여 신경망(Neural Network) 학습 모델이 적용되어 학습이 수행되는 신경망학습부; 및상기 신경망학습부의 학습 결과에 기초하여 갑상선 암의 림프절 전이 여부가 진단되는 진단예측부;가 포함되는 갑상선 암의 림프절 전이 진단 시스템
|
| 7 |
7
제 6 항에 있어서, 상기 전처리부에서는 방사성요오드 평면 영상으로부터 추적자 섭취부위 영역이 검출되고, 상기 검출된 추적자 섭취부위 영역에 대하여 가우시안 필터링이 수행되며, 상기 가우시안 필터링 결과에 기초하여 픽셀 특징이 복수개의 레벨로 표현된 다차원 마스크 이미지가 생성되는 갑상선 암의 림프절 전이 진단 시스템
|
| 8 |
8
제 7 항에 있어서, 상기 진단예측부에서는 상기 추적자 섭취부위 영역 별 잔여 조직 및 림프절 전이 중 어느 하나로 판단된 결과에 따라 갑상선 암의 림프절 전이 여부가 진단되는 갑상선 암의 림프절 전이 진단 시스템
|
| 9 |
9
제 8 항에 있어서, 상기 진단예측부에서 잘못 판단된 영역을 제거하기 위한 픽셀 단위의 필터링이 수행되는 후처리부;가 더 포함되는 갑상선 암의 림프절 전이 진단 시스템
|
| 10 |
10
제 6 항에 있어서, 상기 가능도결정부에서는 상기 전처리된 방사성요오드 평면 영상의 모든 픽셀의 GT(Ground Truth) 값에 대하여 정규화가 수행됨으로써 상기 가능도가 계산되는 갑상선 암의 림프절 전이 진단 시스템
|
| 11 |
11
제 1 항 내지 제 5 항 중 어느 한 항의 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체
|
