Primary lung cancer reading support software
Primary lung cancer reading support software using CT and PET
Seller Name
VisualTerminology Phone number
+82-504-3179-6649 
file_downloadDownload Product Catalog
The product catalog downloads a notification to the relevant seller
(display information: business name, department, name, position)
(display information: business name, department, name, position)
Product Overview
Product Name
Primary lung cancer reading support software
Product Description
CT 와 PET 영상을 이용하여, 원발성폐암을 판독지원하는 소프트웨어 입니다.
본 제품은 폐 양전자 방출 단층촬영 영상을 학습하여 만들어진 deep learning 기법을 활용하여 개발된 제품으로 dicom 파일 형식의 폐 양전자 방출 단층촬영 영상을 입력하면 원발성 폐암 유무를 의료인에게 제공합니다.
본 제품은
1. 폐영역 검출
2. 폐의 혈관 부분 제외
3. Classification
4. Segmemtation
총 4개의 인공지능으로 구성되어 있으며, 알고리즘은 컨볼류션 신경망(CNN)으로 구성되며 컨볼루션 신경망은 특히 이미지 처리에 탁월한 성능을 보이는 인공신경망 구조로 알려져 있고 본 제품은 CNN을 이용하여 이미지의 특징을 추출하고, 이를 기반으로 패턴을 학습하여 분류하거나 객체를 검출한다. CNN은 컨볼루션 레이어와 풀링 레이어가 번갈아가며 쌓인 구조를 가지며, 마지막에는 완전 연결층(Fully Connected Layer)를 사용하여 최종 분류 결과를 출력합니다. 본 제품 의료영상 Deep Learning 모델은 초기에 랜덤한 가중치로 시작해서 입력 데이터와 의료진이 미리 작성해둔 데이터를 사용하여 학습하였습니다.
본 제품에서 원발성 폐암의 양성, 악성을 구분하는 알고리즘은 의료영상 분석에서 우수한 성능을 보여주고 있는 RES-NET을 이용하여 구성하였으며 기존의 딥 러닝 네트워크에서는 층이 깊어질수록 성능이 향상되는 경향이 있지만, 깊은 네트워크를 학습시키는 것은 기울기소실(vanishing gradient) 등의 문제가 있어 “residual block”이라는 특별한 구조를 도입하여 각 레이어의 출력을 이전 레이어 출력에 대한 잔차(residual)로 정의하고 실제로 학습할 것은 이 잔차이므로 새로 학습할 파라미터를 최소화하는 방식으로 네트워크를 학습할 수 있게 만들어 네트워크가 더 쉽게 학습되고 더 깊은 네트워크를 효과적으로 구성할 수 있게 되는 특징을 보이고 있습니다.
본 제품에서는 RES-NET으로 악성으로 분류된 영상에 대해서 원발성 악성 종양으로 의심되는 되는 부위를 검출하게 되는데 이를 위해서 의료영상 분석 및 화면 분할에 특화된 딥 러닝 아키 텍처로서 U-Net을 사용하였으며, U-Net은 이름 그대로 U자 모양의 네트워크 구조를 가지고 있는데, 인코더와 디코더로 구성되어 있으며 인코더는 입력 이미지를 점점 추상적인 특징으로 크기를 압축하여 표현하는 역할을 수행하고 디코더는 압축된 특징을 다시 원본 크기로 복원하여 종양 위치 및 모양 검출을 위한 segmentation map을 생성합니다. U-Net은 이러한 구조와 skip connection으로 인해 작은 데이터셋에서도 효과적으로 학습을 할 수 있으며 의료 영상 분할 문제에 적용되어 많은 성과를 거두고 있습니다.
본 제품은 폐 양전자 방출 단층촬영 영상을 학습하여 만들어진 deep learning 기법을 활용하여 개발된 제품으로 dicom 파일 형식의 폐 양전자 방출 단층촬영 영상을 입력하면 원발성 폐암 유무를 의료인에게 제공합니다.
본 제품은
1. 폐영역 검출
2. 폐의 혈관 부분 제외
3. Classification
4. Segmemtation
총 4개의 인공지능으로 구성되어 있으며, 알고리즘은 컨볼류션 신경망(CNN)으로 구성되며 컨볼루션 신경망은 특히 이미지 처리에 탁월한 성능을 보이는 인공신경망 구조로 알려져 있고 본 제품은 CNN을 이용하여 이미지의 특징을 추출하고, 이를 기반으로 패턴을 학습하여 분류하거나 객체를 검출한다. CNN은 컨볼루션 레이어와 풀링 레이어가 번갈아가며 쌓인 구조를 가지며, 마지막에는 완전 연결층(Fully Connected Layer)를 사용하여 최종 분류 결과를 출력합니다. 본 제품 의료영상 Deep Learning 모델은 초기에 랜덤한 가중치로 시작해서 입력 데이터와 의료진이 미리 작성해둔 데이터를 사용하여 학습하였습니다.
본 제품에서 원발성 폐암의 양성, 악성을 구분하는 알고리즘은 의료영상 분석에서 우수한 성능을 보여주고 있는 RES-NET을 이용하여 구성하였으며 기존의 딥 러닝 네트워크에서는 층이 깊어질수록 성능이 향상되는 경향이 있지만, 깊은 네트워크를 학습시키는 것은 기울기소실(vanishing gradient) 등의 문제가 있어 “residual block”이라는 특별한 구조를 도입하여 각 레이어의 출력을 이전 레이어 출력에 대한 잔차(residual)로 정의하고 실제로 학습할 것은 이 잔차이므로 새로 학습할 파라미터를 최소화하는 방식으로 네트워크를 학습할 수 있게 만들어 네트워크가 더 쉽게 학습되고 더 깊은 네트워크를 효과적으로 구성할 수 있게 되는 특징을 보이고 있습니다.
본 제품에서는 RES-NET으로 악성으로 분류된 영상에 대해서 원발성 악성 종양으로 의심되는 되는 부위를 검출하게 되는데 이를 위해서 의료영상 분석 및 화면 분할에 특화된 딥 러닝 아키 텍처로서 U-Net을 사용하였으며, U-Net은 이름 그대로 U자 모양의 네트워크 구조를 가지고 있는데, 인코더와 디코더로 구성되어 있으며 인코더는 입력 이미지를 점점 추상적인 특징으로 크기를 압축하여 표현하는 역할을 수행하고 디코더는 압축된 특징을 다시 원본 크기로 복원하여 종양 위치 및 모양 검출을 위한 segmentation map을 생성합니다. U-Net은 이러한 구조와 skip connection으로 인해 작은 데이터셋에서도 효과적으로 학습을 할 수 있으며 의료 영상 분할 문제에 적용되어 많은 성과를 거두고 있습니다.
Recommended to members interested in this product
