• Proceedings of the Korea Information Processing Society Conference
• /
• 2022.11a
• /
• pp.322-325
• /
• 2022

삼킴 장애 환자는 뇌졸중, 치매, 외상성 뇌손상, 파킨슨병, 암이 주요 원인으로 급속히 증가하고 있다. 특히 고령화 사회가 되면서 더욱 삼킴 장애 환자는 늘어날 것으로 전망하고 있다. 고령 환자의 삼킴 이상의 진단을 위해 가장 많이 사용하고 있는 검사법으로는 비디오 조영 삼킴 검사(VFSS)이다. VFSS는 진단에 있어서 숙련된 전문의가 필요하기 때문에 대학병원 급에서 주로 시행하며, 고령 환자에게는 분석 결과를 상담받을 때까지 오랜 시간을 소요해야하는 문제점들이 있다. 본 논문에서는 삼킴 장애 진단을 위한 의료영상 관리 및 라벨링 시스템에 대해서 기술한다. 이를 구현하기 위해 서버에서 대용량 멀티프레임 영상을 성능 저하 없이 핸들링 하고 라벨링 데이터 생성을 위한 라벨링 툴을 구현하였다. 차후 라벨링 데이터를 생성하고 학습을 통하여 삼킴 장애 진단을 위한 인공지능 모델을 개발하고자 한다.

• KIPS Transactions on Computer and Communication Systems
• /
• v.11 no.6
• /
• pp.185-192
• /
• 2022

Multimodal medical image fusion (MMIF) fuses two images containing different structural details generated in two different modes into a comprehensive image with saturated information, which can help doctors improve the accuracy of observation and treatment of patients' diseases. Therefore, a method based on double-layer decomposer and fine structure preservation model is proposed. Firstly, a double-layer decomposer is applied to decompose the source images into the energy layers and structure layers, which can preserve details well. Secondly, The structure layer is processed by combining the structure tensor operator (STO) and max-abs. As for the energy layers, a fine structure preservation model is proposed to guide the fusion, further improving the image quality. Finally, the fused image can be achieved by performing an addition operation between the two sub-fused images formed through the fusion rules. Experiments manifest that our method has excellent performance compared with several typical fusion methods.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2023.11a
• /
• pp.904-905
• /
• 2023

본 논문에서는 의료 영상 생성을 위한 Med-StyleGAN2를 제안한다. 생성적 적대 신경망은 이미지 생성에는 효과적이지만, 의료 영상 생성에는 한계점을 가지고 있다. 따라서 본 연구에서는 의료 영상 생성에 특화된 StyleGAN 기반 학습 모델을 제안한다. 이는 다양한 의료 영상 어플리케이션에 활용할 수 있으며, 생성된 의료 영상에 대한 정량적, 정성적 평가를 수행함으로써 의료 영상 생성 분야의 발전 가능성에 대해 연구한다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2021.05a
• /
• pp.454-456
• /
• 2021

본 논문은 웹의 발달로 인하여 의료 서비스들이 기존의 Client-Server 방식의 제품에서 Web 방식의 제품으로 변경되고 있는 현대 흐름에서 인공지능 어플리케이션 또한 Web 으로 서비스 하기 위한 방법과 구현된 요로결석 AI 어플리케이션에 대해 기술한다. 이를 구현하기 위해 Python 기반의 Flask 라는 마이크로 웹 프레임워크를 사용하여 DICOM 핸들링, Pre-Processing, Mask 를 생성하고 Predict 결과를 Model Serving 을 통하여 Urinary Stone Segmentation Model 이 서비스되는 인공지능 웹 어플리케이션 동작 방식과 수행 결과를 보인다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2021.11a
• /
• pp.903-906
• /
• 2021

인공지능 기술 발전으로, 의료영상 분야에서도 딥러닝 기반 질병 진단 연구가 활발히 진행되고 있다. 딥러닝 모델 개발 시, 학습 데이터 품질은 모델의 성능과 신뢰성에 매우 큰 영향을 미친다. 그러나 의료 분야의 경우 도메인 지식에 대한 진입 장벽이 높아 개발자가 학습에 사용되는 의료영상 데이터의 품질을 평가하기 어렵다. 이로 인해, 많은 의료영상 분야에서는 각 분야의 특성(질병의 종류, 관찰 아나토미 등)에 따른 영상 품질 평가 방법을 제시해왔다. 그러나 기존의 방법은 특정 질병에 초점이 맞춰져, 일반화된 품질 평가 기준을 제시하고 있지 않다. 따라서 본 논문에서는 대부분의 흉부 질환을 진단하기 위한 흉부 X선 영상의 품질을 평가할 수 있는 기준을 제안한다. 우선, 흉부 X선 영상을 대상으로 관찰된 영역인 심장, 횡격막, 견갑골, 폐 등을 분할하여, 3D 히스토그램을 기반으로 각 영역별 통계적인 정밀 품질 평가 기준을 제안한다. 본 연구에서는 JSRT, Chest 14의 오픈 데이터셋을 활용하여 적용 실험을 수행하였으며, 민감도는 97.6%, 특이도는 92.8%의 우수한 성능을 확인하였다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2023.05a
• /
• pp.8-10
• /
• 2023

삼킴장애는 음식물이 입에서 식도로 가지않고 걸리거나 기도(Trachea)로 흡입되는 문제를 갖는 상태이다. 특히 노인이나 신경계 질환을 앓는 환자의 경우 기도로 흡입된 음식덩이가 폐렴을 일으키고 결국에는 사망으로 이어지기에 적절한 치료와 관리가 요구된다. 보통 영상으로 판단할 수 있는 삼킴단계는 구강준비단계(Oral Preparatory Phase), 구강단계(Oral Phase), 인두단계(Pharyngeal Phase), 식도단계(Esophageal Phase) 4가지로 분류하고 삼킴장애는 침습(Penetration)과 흡인(Aspiration)으로 크게 2가지로 분류한다. 본 논문에서는 이러한 6가지 클래스를 가지는 삼킴장애 환자 비디오 파일을 라벨링하기 위한 웹 애플리케이션을 제안한다. 이를 구현하기 위해서 대용량 멀티프레임 이미지를 수신해서 분리하여 저장하도록 개발하였다. 또한 음식덩이를 정교하게 분할할 수 있도록 GrabCut 알고리즘을 적용하여 라벨링할 수 있도록 하였다. 차후 라벨러와 전문의 간의 협업이 가능하도록 라벨링 데이터의 상태를 관리할 수 있도록 개발하고자 한다.

• Journal of the Korea Convergence Society
• /
• v.9 no.11
• /
• pp.137-143
• /
• 2018

DICOM images of patellofemoral bones were converted into a stereolithography file, and a Unigraphics CAD program was used to create a CAD modeling in which there exists point, line and facet information. The modeling extraction of joint facets was performed by linking two adjacent points into lines in the stereolithography file by using the Unigraphics rapid spacing function and then linking the lines into facets to complete the entire modeling. This modeling extraction was performed based on the anatomical knowledge of joint facet directions. As a result, a personalized space modeling and solid modeling were produced for the joint facets of patellofemoral bones. This was followed by a CAM control computing operation of solid modeling on graphite materials and 5-axis machining of patellofemoral bones. That is the description of a method for a personalized implant modeling by using DICOM images of patellofemoral bones.

• Proceedings of the Korea Institute of Convergence Signal Processing
• /
• 2003.06a
• /
• pp.1-5
• /
• 2003

의료영상의 분할은 의료영상을 컴퓨터 진단 및 가시화에 필요한 같은 성질을 가진 여러 조직으로 나누어주는 방법이다. 즉 입력되어진 영상을 처리하여 유사한 화소들의 집합인 영역들로 화소들을 구분하는 작업이며 영상분할의 결과는 영상인식의 정확성에 큰 영향을 미친다. MRI(Magnetic Resonance Imaging)으로부터 정상적인 세포조직 또는 뇌종양과 같은 비정상적인 세포조직의 가시화와 분석을 위해서는 대상 세포조직의 적절한 분류를 필요로 한다. 하지만 기존의 영역 검출 방법으로는 잡음이 섞여 있는 영상에서 여러 가지의 처리과정(주로 잡음 제거)이 필수적이고 그런 과정으로 인해 정확한 영역 검출이 힘들게 된다. 이에 잡음이 있더라도 이를 제거하기 위한 처리가 필요 없이 영역기반으로 필요한 파라미터의 추정을 통한 MRF(Markov Random Field)를 이용하여 보다 효율적이고 정확하게 MRI에서 질환 영역을 검출할 수 있다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2020.11a
• /
• pp.1064-1065
• /
• 2020

본 연구는 한국인 뇌MRI영상을 이용하여 대뇌 영역별 분석 프로토콜과 정량 평가방법을 개발하여 정상인을 대상으로 뇌용적량을 정량 분석하고자 한다. 뇌MRI영상 분석 프로토콜을 최적화하기 위해 먼저 뇌용적 변화에 있어 평가방법을 선정하고, VBM 후처리과정은 MRI영상 신호불균질성 교정, 조직세분화 방법, 대뇌 표준영상 제작, 신호 편평화(smoothing) 과정을 단계별로 최적화하였다. 이 정량분석 프로토콜은 정상인과 뇌질환 환자의 뇌용적 비교뿐만 아니라 환자 약물 치료 전·후에 나타나는 용적 변화를 정량적으로 평가하는 연구에 활용할 수 있을 것으로 기대한다.

• KIPS Transactions on Computer and Communication Systems
• /
• v.11 no.7
• /
• pp.233-240
• /
• 2022

Most of the recent AI researches has focused on developing AI models. However, recently, artificial intelligence research has gradually changed from model-centric to data-centric, and the importance of learning data is getting a lot of attention based on this trend. However, it takes a lot of time and effort because the preparation of learning data takes up a significant part of the entire process, and the generation of labeling data also differs depending on the purpose of development. Therefore, it is need to develop a tool with various labeling functions to solve the existing unmetneeds. In this paper, we describe a labeling system for creating precise and fast labeling data of medical images. To implement this, a semi-automatic method using Back Projection, Grabcut techniques and an automatic method predicted through a machine learning model were implemented. We not only showed the advantage of running time for the generation of labeling data of the proposed system, but also showed superiority through comparative evaluation of accuracy. In addition, by analyzing the image data set of about 1,000 patients, meaningful diagnostic indexes were presented for men and women in the diagnosis of sarcopenia.