Processing

Please wait...

Settings

Settings

Goto Application

1. WO2020091516 - DEEP LEARNING ARCHITECTURE SYSTEM FOR AUTOMATIC MEDICAL IMAGE READING

Publication Number WO/2020/091516
Publication Date 07.05.2020
International Application No. PCT/KR2019/014732
International Filing Date 01.11.2019
IPC
G16H 50/20 2018.01
GPHYSICS
16INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
50ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
20for computer-aided diagnosis, e.g. based on medical expert systems
G06N 3/08 2006.01
GPHYSICS
06COMPUTING; CALCULATING OR COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
3Computer systems based on biological models
02using neural network models
08Learning methods
Applicants
  • 주식회사 에이아이인사이트 AIINSIGHT INC. [KR]/[KR]
Inventors
  • 박건형 PARK, Keun Heung
  • 권한조 KWON, Han jo
Agents
  • 김종석 KIM, Jong Seok
Priority Data
10-2018-013341502.11.2018KR
10-2019-013872201.11.2019KR
Publication Language Korean (KO)
Filing Language Korean (KO)
Designated States
Title
(EN) DEEP LEARNING ARCHITECTURE SYSTEM FOR AUTOMATIC MEDICAL IMAGE READING
(FR) SYSTÈME D'ARCHITECTURE D'APPRENTISSAGE PROFOND POUR LA LECTURE AUTOMATIQUE D'IMAGES MÉDICALES
(KO) 의료영상 자동판독을 위한 딥러닝 아키텍처 시스템
Abstract
(EN)
The present invention relates to a deep learning architecture system for automatic medical image reading, and more particularly, to a deep learning architecture system for automatic medical image reading, which minimizes data requirements for learning and can easily transform a deep learning architecture in a manner that is as close as possible to humans reading medical images. A deep learning architecture system for automatic medical image reading according to the present invention comprises: a trunk module (100) tying common parts together in a plurality of convolutional neural network (CNN) architectures with at least one set of feature extraction layers arranged in series consisting of a plurality of convolution layers that perform feature extraction of an image and one pooling layer that performs subsampling to reduce calculation; a branch module (200) for generating each architecture in the trunk module (100) and receiving an output of the trunk module (100) to identify a lesion in the image and diagnose a corresponding disease name; a section (110) which is an architecture in which any one branch module (200) of the plurality of branch modules (200) and the trunk module (100) are connected; and a root layer (120) for transferring an output of a specific layer of the trunk module (100) to the branch module (200) to connect the trunk module (100) and the branch module (200). The branch module (200) may be provided in plurality separately for each learned disease, and one branch module (200) and the trunk module (100) may be combined to form one section (110) for each disease, and in the case of using a new function, it is possible to perform a calculation using only the corresponding section (110) among the plurality of sections (110), thereby reducing the computational requirement and the storage requirement simultaneously.
(FR)
La présente invention concerne un système d'architecture d'apprentissage profond pour la lecture automatique d'images médicales, et plus particulièrement, un système d'architecture d'apprentissage profond pour la lecture automatique d'images médicales, qui réduit au minimum les exigences de données pour l'apprentissage et qui peut facilement transformer une architecture d'apprentissage profond de manière la plus proche possible d'images médicales lues par l'homme. Un système d'architecture d'apprentissage profond pour la lecture automatique d'images médicales selon la présente invention comprend : un module de tronc (100) attachant des parties communes ensemble en une pluralité d'architectures de réseau neuronal à convolution (CNN), au moins un ensemble de couches d'extraction de caractéristiques disposées en série étant constitué d'une pluralité de couches de convolution qui réalisent une extraction de caractéristiques d'une image et d'une couche de regroupement qui effectue un sous-échantillonnage pour réduire le calcul; un module de branche (200) pour générer chaque architecture dans le module de tronc (100) et recevoir une sortie du module de tronc (100) pour identifier une lésion dans l'image et diagnostiquer un nom de maladie correspondant; une section (110) qui est une architecture dans laquelle n'importe quel module de branche (200) de la pluralité de modules de branche (200) et le module de tronc (100) sont connectés; et une couche de racine (120) pour transférer une sortie d'une couche spécifique du module de tronc (100) au module de branche (200) pour connecter le module de tronc (100) et le module de branche (200). Plusieurs modules de branches (200) peuvent être fournis séparément pour chaque maladie apprise, et un module de branche (200) et le module de tronc (100) peuvent être combinés pour former une section (110) pour chaque maladie, et en cas d'utilisation d'une nouvelle fonction, il est possible de réaliser un calcul en faisant appel uniquement à la section (110) correspondante parmi la pluralité de sections (110), réduisant ainsi simultanément l'exigence de calcul et l'exigence de stockage.
(KO)
본 발명은 의료영상 자동판독을 위한 딥러닝 아키텍처 시스템에 관한 것으로, 더욱 상세하게는 학습을 위한 데이터 요구량을 최소화하고, 사람이 의료영상을 판독하는 것에 최대한 근접한 방식으로 딥러닝 아키텍처를 쉽게 변형할 수 있는 것을 특징으로 하는 의료영상 자동판독을 위한 딥러닝 아키텍처 시스템에 관한 기술이다. 본 발명에 따른 의료영상 자동판독을 위한 딥러닝 아키텍처 시스템은, 이미지의 특징 추출(feature extraction)을 수행하는 다수 개의 콘볼루션레이어와 연산량을 줄이기 위해 서브샘플링을 수행하는 한 개의 풀링레이어로 구성되는 특징추출레이어 세트가 적어도 한 개 이상 직렬로 배치한 다수개의 합성곱신경망(convolutional neural network, CNN) 아키텍처에서 공통 부분을 하나로 묶은 트렁크모듈(100); 상기 트렁크모듈(100)에서 각각의 아키텍처를 생성하여 상기 트렁크모듈(100)의 아웃풋을 전달받아 상기 이미지에 대한 병변을 식별하여 해당하는 병명을 진단하는 브랜치모듈(200); 다수개의 상기 브랜치모듈(200) 중 어느 하나의 브랜치모듈(200)과 상기 트렁크모듈(100)을 연결한 아키텍처인 섹션(110); 상기 트렁크모듈(100) 중 특정 레이어의 아웃풋을 상기 브랜치모듈(200)로 전달하여, 상기 트렁크모듈(100)과 상기 브랜치모듈(200)을 연결시키는 루트레이어(120);를 포함하고, 상기 브랜치모듈(200)은 학습된 질병마다 별도로 다수 개 구비될 수 있어, 한 개의 상기 브랜치모듈(200)과 상기 트렁크모듈(100)이 결합되어 각 질병마다 하나의 섹션(110)을 이룰 수 있고, 새로운 기능을 이용하는 경우에, 다수 개의 섹션(110) 중 해당하는 섹션(110)만을 사용하여 연산할 수 있도록 구성되어 연산요구량과 저장요구량을 동시에 감소시킬 수 있는 것을 특징으로 한다.
Latest bibliographic data on file with the International Bureau