特許 7575138 医療映像を利用した人体成分分析方法及びその装置

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-10-21

(45)【発行日】2024-10-29

(54)【発明の名称】医療映像を利用した人体成分分析方法及びその装置

(51)【国際特許分類】

   A61B 6/03 20060101AFI20241022BHJP

【ＦＩ】

A61B6/03 560J

A61B6/03 560T

【請求項の数】 16

(21)【出願番号】P 2023543368

(86)(22)【出願日】2021-05-06

(65)【公表番号】

(43)【公表日】2024-01-31

(86)【国際出願番号】 KR2021005668

(87)【国際公開番号】W WO2022158654

(87)【国際公開日】2022-07-28

【審査請求日】2023-07-18

(31)【優先権主張番号】10-2021-0008102

(32)【優先日】2021-01-20

(33)【優先権主張国・地域又は機関】KR

(73)【特許権者】

【識別番号】523272546

【氏名又は名称】メディカルアイピー・カンパニー・リミテッド

(74)【代理人】

【識別番号】100108453

【弁理士】

【氏名又は名称】村山 靖彦

(74)【代理人】

【識別番号】100110364

【弁理士】

【氏名又は名称】実広 信哉

(74)【代理人】

【識別番号】100133400

【弁理士】

【氏名又は名称】阿部 達彦

(72)【発明者】

【氏名】サン・ジュン・パク

(72)【発明者】

【氏名】ヒュク・ヒ・イ

(72)【発明者】

【氏名】スン・ホ・ユン

【審査官】佐藤 賢斗

(56)【参考文献】

【文献】韓国公開特許第１０－２０２０－０１０８６８６（ＫＲ，Ａ）

【文献】中国特許出願公開第１０９５９８７２８（ＣＮ，Ａ）

【文献】特開２０２０－１１９５１０（ＪＰ，Ａ）

【文献】特開２０２１－０００４４２（ＪＰ，Ａ）

【文献】特開２０２０－０９３０８３（ＪＰ，Ａ）

【文献】特開２００９－０９５６４４（ＪＰ，Ａ）

【文献】特開２０１７－２０２０１７（ＪＰ，Ａ）

【文献】米国特許第０９５８９３７４（ＵＳ，Ｂ１）

【文献】韓国公開特許第１０－２０２０－００２１７３３（ＫＲ，Ａ）

【文献】中国特許出願公開第１１１４６２０５５（ＣＮ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ａ６１Ｂ ６／００ － ６／５８

Ａ６１Ｂ ５／０５５

Ｇ０６Ｔ ７／００ － ７／９０

(57)【特許請求の範囲】

【請求項1】

学習用医療映像において、皮膚、骨、内臓臓器、血管、筋肉や脂肪のうち少なくとも１以上の人体組織領域をラベリングした学習データを利用し、第１人工知能モデルを学習させる段階と、
検査対象医療映像の入力を受ける段階と、
前記第１人工知能モデルを利用し、前記検査対象医療映像から人体組織を区分する段階と、
脊椎を基準に特定位置をラベリングした学習データを利用して学習させた第２人工知能モデルに、前記第１人工知能モデルを介して区分した前記検査対象医療映像の骨領域を入力し、特定位置を把握する段階と、
前記検査対象医療映像の人体組織の面積、体積または重さに基づいて把握された人体成分情報を出力する段階と、を含むことを特徴とする医療映像を利用した人体成分分析方法。

【請求項2】

前記人体組織を区分する段階は、前記第１人工知能モデルによって区分された第１人体組織を少なくとも１以上の人工知能モデルが順次連結されたカスケードモデルに入力し、第２人体組織に細分化する段階を含み、
前記人体成分情報を出力する段階は、前記第１人体組織及び前記第２人体組織のうち少なくとも一つに係わる人体成分情報を把握する段階を含むことを特徴とする請求項１に記載の医療映像を利用した人体成分分析方法。

【請求項3】

前記カスケードモデルは、順次連結された少なくとも２以上の人工知能モデルを含むことを特徴とする請求項２に記載の医療映像を利用した人体成分分析方法。

【請求項4】

前記学習用医療映像または前記検査対象医療映像は、人体の全体または一定領域を撮影したＣＴ（computed tomography）映像であることを特徴とする請求項１に記載の医療映像を利用した人体成分分析方法。

【請求項5】

前記出力する段階は、
人体の横断面に係わる人体成分情報を横断面位置別に表示して出力する段階を含むことを特徴とする請求項１に記載の医療映像を利用した人体成分分析方法。

【請求項6】

前記第１人工知能モデルを学習させる段階は、皮膚、骨、内臓臓器、血管、筋肉や脂肪のうち少なくとも１以上の領域をラベリングした学習データを利用し、前記第１人工知能モデルを学習させる段階を含むことを特徴とする請求項１に記載の医療映像を利用した人体成分分析方法。

【請求項7】

前記第１人工知能モデルを介して学習用医療映像から抽出した骨領域に特定位置をラベリングし、前記第２人工知能モデルの学習データを生成する段階をさらに含むことを特徴とする請求項１に記載の医療映像を利用した人体成分分析方法。

【請求項8】

学習用医療映像において、皮膚、骨、内臓臓器、血管、筋肉や脂肪のうち少なくとも１以上の人体組織領域をラベリングした学習データを利用し、第１人工知能モデルを学習させる段階と、
検査対象医療映像の入力を受ける段階と、
前記第１人工知能モデルを利用し、前記検査対象医療映像から人体組織を区分する段階と、
前記検査対象医療映像の人体組織の面積、体積または重さに基づいて把握された人体成分情報を出力する段階と、を含み、
脊椎を基準に一定領域をラベリングした学習データを利用して学習させた第３人工知能モデルに、前記第１人工知能モデルを介して区分した前記検査対象医療映像の骨領域を入力し、一定領域を把握する段階をさらに含むことを特徴とする医療映像を利用した人体成分分析方法。

【請求項9】

前記第１人工知能モデルを介して学習用医療映像から抽出した骨領域に一定領域をラベリングし、前記第３人工知能モデルの学習データを生成する段階をさらに含むことを特徴とする請求項８に記載の医療映像を利用した人体成分分析方法。

【請求項10】

前記一定領域は、脊椎を基準に定義された腹部領域であることを特徴とする請求項８に記載の医療映像を利用した人体成分分析方法。

【請求項11】

医療画像から、皮膚、骨、内臓臓器、血管、筋肉や脂肪のうち少なくとも１以上の人体組織領域をラベリングした学習データを利用して学習された第１人工知能モデルと、
検査対象医療映像を前記第１人工知能モデルに入力し、筋肉や脂肪または骨の人体組織を区分する第１分類部と、
区分された人体組織に基づいて人体成分情報を把握して出力する人体成分把握部と、
脊椎に基づいて特定の位置をラベリングした学習データを利用して学習された第２人工知能モデルと、
前記第１人工知能モデルによって区分された前記検査対象医療映像の骨領域を前記第２人工知能モデルに入力し、特定位置を把握する第２分類部と、を含み、
前記人体成分把握部は、前記第２分類部によって把握された特定位置に係わる人体成分情報を把握することを特徴とする人体成分分析装置。

【請求項12】

少なくとも１以上の人工知能モデルを順次連結したカスケードモデルをさらに含み、
前記第１分類部は、前記第１人工知能モデルによって区分された第１人体組織を前記カスケードモデルに入力し、前記第１人体組織を少なくとも１以上の細部化された第２人体組織に区分し、
前記人体成分把握部は、前記第１人体組織及び前記第２人体組織のうち少なくとも一つに係わる人体成分情報を把握することを特徴とする請求項１１に記載の人体成分分析装置。

【請求項13】

医療映像において、皮膚、骨、内臓臓器、血管、筋肉や脂肪のうち少なくとも１以上の人体組織領域をラベリングし、前記第１人工知能モデルの学習データを生成する第１学習データ生成部と、
前記第１人工知能モデルを利用して区分した骨領域に特定位置をラベリングし、前記第２人工知能モデルの学習データを生成する第２学習データ生成部と、をさらに含むことを特徴とする請求項１１に記載の人体成分分析装置。

【請求項14】

医療画像から、皮膚、骨、内臓臓器、血管、筋肉や脂肪のうち少なくとも１以上の人体組織領域をラベリングした学習データを利用して学習された第１人工知能モデルと、
検査対象医療映像を前記第１人工知能モデルに入力し、筋肉や脂肪または骨の人体組織を区分する第１分類部と、
区分された人体組織に基づいて人体成分情報を把握して出力する人体成分把握部と、を含み、
脊椎を基準に一定領域をラベリングした学習データを利用して学習された第３人工知能モデルと、
前記検査対象医療映像の骨領域を前記第３人工知能モデルに入力し、一定領域を把握する第３分類部と、をさらに含み、
前記人体成分把握部は、前記第３分類部によって把握された一定領域に係わる人体成分情報を把握することを特徴とする人体成分分析装置。

【請求項15】

医療映像において、皮膚、骨、内臓臓器、血管、筋肉や脂肪のうち少なくとも１以上の人体組織領域をラベリングし、前記第１人工知能モデルのための学習データを生成する第１学習データ生成部と、
前記第１人工知能モデルを利用して区分した骨領域に一定領域をラベリングし、前記第３人工知能モデルの学習データを生成する第３学習データ生成部と、をさらに含むことを特徴とする請求項１４に記載の人体成分分析装置。

【請求項16】

請求項１に記載の方法を実行するためのコンピュータプログラムを記録したコンピュータで読み取り可能な記録媒体。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、人体成分分析に係り、さらに詳細には、医療映像を利用し、人体成分を分析する方法及びその装置に関する。

【背景技術】

【0002】

一般的に、人体成分分析は、生体インピーダンスを測定し、体脂肪及び筋肉量などを算出する方法によってなされる。生体インピーダンス測定方法は、被測定者の身体に電極を連結し、微細な電流を流して抵抗値を測定し、筋肉量と脂肪量を推定する方法である。しかしながら、生体インピーダンス方法は、測定中、被測定者の動きや、筋肉の緊張程度によって測定精度が異なり、また皮膚面積、個別内臓臓器や骨などの成分を測定するという問題点が存在する。

【0003】

本発明は、ソウル特別市ソウル産業振興院２０２０年人工知能技術事業化支援事業（ＣＹ２００５３）「ＣＴ映像基盤代謝症候群、骨多孔症、筋減少症の機会検診人工知能検証及びその事業化」を介して開発された技術である。

【発明の概要】

【発明が解決しようとする課題】

【0004】

本発明がなそうとする技術的課題は、医療映像を利用し、正確な人体成分を測定することができる方法及びその装置を提供するところにある。

【課題を解決するための手段】

【0005】

前述の技術的課題を達成するための本発明の実施形態による医療画像を利用した人体成分分析方法の一例は、学習医療画像から、皮膚、骨、内臓臓器、血管、筋肉または脂肪のうち少なくとも１以上の人体組織領域をラベリングした学習データを利用し、第１人工知能モデルを学習させる段階と、検査対象医療映像を入力される段階と、前記第１人工知能モデルを利用し、前記検査対象医療映像から人体組織を区分する段階と、前記検査対象医療映像の人体組織の面積、体積または重さに基づいて把握された人体成分情報を出力する段階と、を含む。

【0006】

前記技術的課題を達成するための本発明の実施形態による人体成分分析装置の一例は、医療映像において、皮膚、骨、内臓臓器、血管、筋肉や脂肪のうち少なくとも１以上の人体組織領域をラベリングした学習データを利用して学習された第１人工知能モデルと、検査対象医療映像を前記第１人工知能モデルに入力し、人体組織を区分する第１分類部と、前記第１分類部によって区分された人体組織に基づいて人体成分情報を把握して出力する人体成分把握部と、を含む。

【発明の効果】

【0007】

本発明の実施形態によれば、医療映像を分析し、人体の全体または一部に係わる人体成分を正確に把握することができる。該医療映像から人体成分を把握するので、被測定者の過去の医療映像が存在すれば、過去の人体成分も把握することができる。また、一定期間累積された医療映像を利用し、一定期間の間の人体成分変化を把握することができる。

【図面の簡単な説明】

【0008】

【図1】本発明の実施形態による人体成分分析装置の一例を図示した図である。

【図2】本発明の実施形態による人体成分分析方法の一例を示したフローチャートである。

【図3】本発明の実施形態による第１人工知能モデルの一例を図示した図である。

【図4】本発明の実施形態による第１人工知能モデルの一例を図示した図である。

【図5】本発明の実施形態による、人体の一部に係わる人体成分を把握する方法の一例を図示した図である。

【図6】本発明の実施形態による第２人工知能モデルのための学習データの一例を図示した図である。

【図7】本発明の実施形態による第３人工知能モデルのための学習データの一例を示した図である。

【図8】本発明の実施形態による人工知能モデルのための学習データの生成方法の一例を図示した図である。

【図9】本発明の実施形態による生体情報の一例を図示した図である。

【図10】本発明の実施形態による人体成分分析装置の第１実施形態の構成を図示した図である。

【図11】本発明の実施形態による人体成分分析装置の第２実施形態の構成を図示した図である。

【図12】本発明の実施形態による人体成分分析装置の第３実施形態の構成を図示した図である。

【図13】本発明の実施形態による人体成分分析装置の第４実施形態の構成を図示した図である。

【図14】本発明の実施形態による人体組織分割方法の一例を図示した図面である。

【発明を実施するための形態】

【0009】

以下において、添付図面を参照し、本発明の実施形態による医療映像を利用した人体成分分析方法及びその装置について詳細に説明する。

【0010】

図１は、本発明の実施形態による人体成分分析装置の一例を図示した図面である。

【0011】

図１を参照すれば、人体成分分析装置１００は、医療映像１１０の入力を受ければ、そこから人体成分を分析して出力する。人体成分分析装置１００は、プロセッサ、メモリ、入出力装置などを含む多様な種類のコンピューティング装置によっても具現されたり、クラウドシステムなどによっても具現されたりする。他の例として、人体成分分析装置１００は、ＣＴ（computed tomography）機器のような医療装備の一部としても具現される。それ以外にも、人体成分分析装置１００は、本実施形態の方法が具現されたソフトウェアを含む各種保存装置（例えば、ＵＳＢメモリなど）によっても具現されるというように多様な形態でありうる。

【0012】

医療映像１１０は、人体の断面を撮影した三次元医療映像である。該三次元医療映像の一例として、ＣＴ映像、ＭＲＩ（magnetic resonance imaging）映像などが存在する。それら以外にも、医療映像１１０は、人体の断面を撮影した多様な形態の映像でありうる。以下においては、人工知能モデルの学習に使用される医療映像を、学習用医療映像と命名し、人体成分把握のために使用される医療映像を、検査対象医療映像と命名する。

【0013】

人体成分情報１２０は、人体組織の面積、重さ、体積、または人体の脂肪量、筋肉量、骨格筋量、内臓脂肪量、特定臓器の体積、皮膚面積のような各種人体組織に係わる情報を意味する。人体成分分析装置１００は、人体成分情報１２０を、文字やグラフのような多様な形態で出力することができ、その一例が図９に示されている。

【0014】

図２は、本発明の実施形態による人体成分分析方法の一例を示したフローチャートである。

【0015】

図２を参照すれば、人体成分分析装置１００は、医療映像において、皮膚、骨、内臓臓器、血管、筋肉や脂肪のうち少なくとも１以上の人体組織を区分する第１人工知能モデルを学習させる（Ｓ２００）。該第１人工知能モデルの一例が、図３及び図４に示されている。

【0016】

人体成分分析装置１００は、学習完了された第１人工知能モデルに、検査対象医療映像を入力し、脂肪や筋肉などの人体組織を区分する（Ｓ２１０）。例えば、該検査対象医療映像は、人体の全体領域または一部領域に係わる複数のＣＴ映像によって構成され、人体成分分析装置１００は、複数のＣＴ映像を第１人工知能モデルに入力し、それぞれのＣＴ映像において、皮膚、内臓臓器、脂肪や筋肉のような人体組織を区分した結果を得ることができる。

【0017】

人体成分分析装置１００は、第１人工知能モデルを利用し、検査対象医療映像から区分された人体組織の面積、体積または重さなどを把握したり、それを利用し、人体成分情報を把握したりする（Ｓ２３０）。例えば、該検査対象医療映像が人体の横断面に係わる複数のＣＴ画像によって構成されている場合、人体成分分析装置１００は、それぞれのＣＴ画像から得られた内臓臓器、脂肪または筋肉のような人体組織の面積と、各ＣＴ画像の間隔とを利用し、体積を求めることができ、該体積と、それぞれの人体組織の密度（すなわち、特定内臓臓器、脂肪または筋肉などの密度）とを利用し、重量を求めたり、明るさ値を利用し、品質を明らかにしたりすることができる。

【0018】

図３及び図４は、本発明の実施形態による第１人工知能モデルの一例を図示した図面である。

【0019】

図３及び図４を共に参照すれば、第１人工知能モデル３００は、ディープラーニングまたはマシンラーニングのような学習過程を介して生成されるモデルである。第１人工知能モデル３００は、ＣＮＮ（convolutional neural network）、DenseNet、U-net、GoogLeNet、敵対的生成ネットワーク（Generative adversarial network）のような多様なアーキテクチャによっても具現される。例えば、人工知能モデル２００がＣＮＮによて具現される場合、人工知能モデル３００は、学習データ４００を利用し、人工神経網の連結加重値を調整する学習過程を遂行する。

【0020】

第１人工知能モデル３００は、皮膚、骨、内臓臓器、血管、筋肉や脂肪のうち少なくとも１以上の人体組織領域をラベリングした学習データ４００を利用して学習させることができる。例えば、医療映像において、脂肪領域を区分する第１人工知能モデルを生成しようとする場合、学習用医療映像に脂肪領域をラベリングした学習データ４００を利用し、第１人工知能モデル３００を学習させることができる。他の例として、皮膚、脂肪と共に、筋肉や骨または神経のような複数の人体組織を同時に区分する第１人工知能モデル３００を生成しようとする場合には、該学習用医療映像に、区分しようとするそれぞれの人体組織をラベリングした学習データ４００を利用し、第１人工知能モデルを学習させることができる。

【0021】

学習完了された第１人工知能モデル３００は、検査対象医療映像３１０の入力を受ければ、検査対象医療映像３１０から各人体組織を区分した結果３２０を出力する。他の実施形態として、検査対象医療映像３１０から人体組織を区分した結果は、第１人工知能モデルの追加学習のための学習データとしても活用される。

【0022】

図５は、本発明の実施形態により、人体の特定部位に係わる人体成分を把握する方法の一例を図示した図面である。

【0023】

図５を参照すれば、人体成分分析装置１００は、第１人工知能モデル５００と共に、第２人工知能モデル５１０または第３人工知能モデル５２０を含むものでもある。例えば、人体成分分析装置１００は、第１人工知能モデル５００と第２人工知能モデル５１０とを含むか（図１１）、第１人工知能モデル５００と第３人工知能モデル５２０とを含むか（図１２）、あるいは第１人工知能モデル５００、第２人工知能モデル５１０、及び第３人工知能モデル５３０のいずれも含むように実装することができる。ただし、本実施形態は、説明の便宜のために、第１人工知能モデル５００、第２人工知能モデル５１０及び第３人工知能モデル５３０をいずれも含む場合について説明する。

【0024】

第１人工知能モデル５００は、人体組織を区分するモデルである一方、第２人工知能モデル５１０及び第３人工知能モデル５２０は、人体の特定位置を把握するモデルでもある。すなわち、第１人工知能モデル５００は、人体組織の分割（segmentation）モデルであり、第２人工知能モデル５１０及び第３人工知能モデル５２０は、解剖学的位置把握（anatomic localization）モデルでもある。

【0025】

第２人工知能モデル５１０は、脊椎を基準に特定位置をラベリングして生成された学習データを利用して学習されたモデルである。例えば、図６のように、脊椎の矢状面を基準に、脊椎の特定位置６１０（例えば、Ｌ３位置）をラベリングした学習データを利用し、第２人工知能モデル５１０を学習させることができる。その場合、学習完了された第２人工知能モデル５１０は、脊椎に係わる情報（例えば、脊椎映像、または脊椎領域に係わるボクセルデータなど）を入力されれば、Ｌ３位置５５０を予測して出力する。

【0026】

第３人工知能モデル５２０は、脊椎を基準に一定領域をラベリングして生成した学習データを利用して学習されたモデルである。例えば、図７のように、脊椎の冠状面を基準に、脊椎の区間領域７１０（例えば、腰区間領域）をラベリングした学習データを利用し、第３人工知能モデルを学習させることができる。その場合、学習完了された第３人工知能モデル５２０は、骨に係わる情報（例えば、骨映像、または骨領域に係わるボクセルデータなど）を入力されれば、肋骨と骨盤骨との間の腰区間領域５６０を予測して出力する。

【0027】

人体成分分析装置１００は、第２人工知能モデル５１０または第３人工知能モデルに入力する骨領域（例えば、脊椎領域）に係わる情報を、第１人工知能モデル５００を利用して生成する。例えば、人体成分分析装置１００は、皮膚、内臓臓器、脂肪や筋肉のような人体組織と共に、骨領域も併せて区分することができるように学習された第１人工知能モデル５００を利用し、検査対象医療映像５３０からの脊椎を含む骨領域５４０を区分することができる。

【0028】

例えば、人体成分分析装置１００は、検査対象医療映像５３０で区分された骨領域５４０のボクセル値を「１」に設定し、検査対象医療映像５３０の残り領域のボクセル値を「０」に設定した骨領域に係わる情報を生成した後、第２人工知能モデル５１０または第３人工知能モデル５２０に入力し、検査対象医療映像５３０の特定位置または特定領域を把握することができる。ここで、ボクセル値「１」とボクセル値「０」は、骨領域と残り領域とを区分するための値に過ぎないものであるが、それに限定されるものではない。検査対象医療映像５３０において、骨領域と残り領域とを区分するために、ボクセル値は、多様な形態にも設定される。他の実施形態として、人体成分分析装置１００は、検査対象医療映像５３０の骨領域のボクセル値は、そのまま維持し、検査対象医療映像の残り領域のボクセル値を「０」に設定した骨領域情報を生成することができる。

【0029】

人体成分分析装置１００は、第２人工知能モデル５１０または第３人工知能モデル５３０を介して把握された検査対象医療映像の一定位置または一定領域に基づき、人体の一定位置または一定領域の人体成分を把握して出力することができる。例えば、検査対象医療映像５３０が、人体の全体、または腹部領域に係わる複数のＣＴ映像によって構成されている場合、人体成分分析装置１００は、第２人工知能モデル５１０または第３人工知能モデル５２０を介し、検査対象医療映像を構成する複数のＣＴ映像のうち、一定位置に該当するＣＴ映像、または一定領域に該当する複数のＣＴ映像を把握することができる。人体成分分析装置１００は、一定位置または一定領域に該当する複数のＣＴ映像で区分された人体組織を基に、人体成分を把握することができる。例えば、一定位置５５０は、脊椎を基準に定義されたへそ位置（例えば、脊椎のＬ３位置）であり、一定領域５６０は、脊椎を基準に定義された腹部領域（例えば、肋骨と骨盤骨との間）でもある。

【0030】

図６は、本発明の実施形態による第２人工知能モデルのための学習データの一例を図示した図面である。

【0031】

図６を参照すれば、第２人工知能モデルは、解剖学的位置を把握するモデルであるので、第２人工知能モデルのための学習データは、脊椎を基準に一定位置（例えば、Ｌ３）６１０をラベリングして生成されうる。例えば、人体成分分析装置１００は、脊椎を含む映像６００を画面に表示し、ユーザから特定位置６１０を入力され、学習データを生成することができる。

【0032】

本実施形態は、脊椎の矢状面を表示した学習データを図示しているが、該学習データは、必ずしも矢状面の脊椎映像である必要はなく、骨領域を基準に特定位置をラベリングした学習データであればよい。例えば、図７のように、冠状面を基準に一定位置をラベリングした学習データが利用されうる。また、本実施形態は、理解の一助とするために、脊椎全体の映像を含む学習データの例を図示しているが、該学習データは、骨領域全体ではなく、骨領域の一部領域の映像を基準に特定位置をラベリングして生成することができる。他の実施形態として、第２人工知能モデルの学習データは、第１人工知能モデルの人体組織の区分結果を利用して生成されうる。それについては、図８でさらに説明する。

【0033】

図７は、本発明の実施形態による第３人工知能モデルのための学習データの一例を図示した図面である。

【0034】

図７を参照すれば、第３人工知能モデルは、解剖学的位置を把握するモデルであるので、第２人工知能モデルのための学習データは、骨領域を基準に一定領域（例えば、肋骨と骨盤骨との間の領域など）をラベリングして生成されうる。例えば、人体成分分析装置１００は、画面に脊椎映像７００を表示し、ユーザから一定領域７１０を選択され、学習データを生成することができる。

【0035】

本実施形態は、骨領域の冠状面を表示した学習データを図示しているが、それに限定されるものではない。例えば、図６のような矢状面の骨領域映像を基準に一定領域をラベリングして学習データを生成することができる。また、該学習データは、骨領域の全体映像ではなく、骨領域の一部映像につき、一定領域をラベリングして生成することができる。他の実施形態として、第３人工知能モデルの学習データは、第１人工知能モデルの人体組織の区分結果を利用しても生成される。それについては、図８でさらに説明する。

【0036】

図８は、本発明の実施形態による人工知能モデルのための学習データの生成方法の一例を図示した図面である。

【0037】

図８を参照すれば、第１人工知能モデル８２０の学習のための第１学習データ８１０は、学習用医療映像において、皮膚、内蔵臓器、脂肪や筋肉、骨のような人体組織領域をラベリングして（８００）生成することができる。例えば、ユーザが直接学習用医療映像において、皮膚、内臓臓器、脂肪や筋肉のような人体組織領域を区分してラベリングすることができる。または、骨、内臓臓器、脂肪や筋肉のような人体組織を区分する従来の多様な分割アルゴリズムを利用し、医療映像において各人体組織を区分し、区分された人体組織に、脂肪や筋肉などの情報をラベリングし、第１学習データを自動生成することができる。

【0038】

第２人工知能モデルの学習のための第２学習データ８５０と、第３人工知能モデルの学習のための第３学習データ８７０は、第１人工知能モデル８２０を利用して生成されうる。例えば、第１人工知能モデル８２０は、医療映像において、脊椎を含む骨領域８３０を区分するモデルでもある。その場合、人体成分分析装置１００は、第１人工知能モデル８２０を介し、学習医療映像から区分された骨（すなわち、脊椎）領域を画面に表示し、ユーザから、一定位置（例えば、Ｌ３位置）８４０または一定領域（例えば、肋骨と骨盤骨との間の腰領域）８６０を入力され、第２学習データ８５０または第３学習データ８７０を生成することができる。

【0039】

図９は、本発明の実施形態による生体情報の一例を図示した図面である。

【0040】

図９を参照すれば、人体成分分析装置１００は、第１人工知能モデルを介して区分されたそれぞれの人体組織に基づき、皮膚面積、内臓臓器面積、骨格筋面積、内臓脂肪面積のような人体成分情報を把握し、それを数字またはグラフのような多様な形態で表示することができる。

【0041】

人体成分分析装置１００は、人体の横断面を撮影した各医療映像において、脂肪や筋肉のような人体組織を区分するので、人体の横断面を基準に人体成分情報を把握し、横断面位置別に表示することができる（９００）。他の実施形態として、人体成分分析装置は、イメージファイル、または「マイクロソフト社」のエクセルファイル形態で、人体成分情報を出力することができる。

【0042】

図１０は、本発明の実施形態による人体成分分析装置の第１実施形態の構成を図示した図面である。

【0043】

図１０を参照すれば、人体成分分析装置１００は、第１人工知能モデル１０００、第１分類部１０１０、人体成分把握部１０２０、第１学習データ生成部１０３０及び第１学習部１０４０を含む。人体成分分析装置１００が、学習完了された第１人工知能モデル１０００を利用する場合、第１学習データ生成部１０３０及び第１学習部１０４０は、省略されうる。

【0044】

第１人工知能モデル１０００は、検査対象医療映像の入力を受ければ、皮膚、内臓臓器、骨、脂肪や筋肉のような人体組織を区分するモデルである。第１人工知能モデル１０００の一例が、図３及び図４に示されている。

【0045】

第１分類部１０１０は、学習完了された第１人工知能モデル１０００に、検査対象医療映像を入力し、皮膚、内臓臓器、骨、脂肪や筋肉などのうち少なくとも１以上の人体組織を区分する。例えば、検査対象医療映像が、人体の横断面を撮影した複数のＣＴ映像によって構成されている場合、第１分類部１０１０は、検査対象医療映像を構成するそれぞれのＣＴ映像を第１人工知能モデル１０００に入力し、それぞれのＣＴ映像から、脂肪や筋肉のような各人体組織の区分結果を獲得することができる。

【0046】

人体成分把握部１０２０は、第１分類部１０１０によって把握された検査対象医療映像の人体組織区分結果から、皮膚、内臓臓器、骨、脂肪や筋肉などの面積、体積、または重さ、質などを含む人体成分情報を把握して出力する。

【0047】

第１学習データ生成部１０３０は、学習用医療映像において、皮膚、内臓臓器、骨、脂肪や筋肉などの人体組織領域をラベリングした第１学習データを生成する。例えば、第１学習データ生成部１０３０は、学習用医療映像を画面に表示し、ユーザから、各人体組織の領域を入力され、学習データを生成することができる。または、第１学習データ生成部１０３０は、それぞれの人体組織に係わる領域を区分する従来の多様な領域分割アルゴリズムを適用し、学習用医療映像で各領域を自動区分してラベリングし、第１学習データを生成することができる。

【0048】

第１学習部１０４０は、第１学習データを利用し、第１人工知能モデル１０００を学習させる。

【0049】

図１１は、本発明の実施形態による人体成分分析装置の第２実施形態の構成を図示した図面である。

【0050】

図１１を参照すれば、人体成分分析装置１００は、第１人工知能モデル１１００、第１分類部１１１０、第２人工知能モデル１１２０、第２分類部１１３０、人体成分把握部１１４０、第２学習データ生成部１１５０及び第２学習部１１６０を含む。人体成分分析装置１００が、学習完了された第２人工知能モデル１１２０を利用する場合、第２学習データ生成部１１５０及び第２学習部１１６０は、省略されうる。他の実施形態として、人体成分分析装置１００は、図１０で説明した第１学習データ生成部１０３０及び第１学習部１０４０をさらに含むものでもある。

【0051】

第１人工知能モデル１１００及び第１分類部１１１０は、図１０で説明した構成と同一であるので、それに係わる説明は、省略する。

【0052】

第２人工知能モデル１１２０は、骨領域情報が入力されれば、骨領域の特定位置を把握して出力するモデルである。第２人工知能モデル１１２０の一例が、図５及び図６に示されている。

【0053】

第２分類部１１３０は、第２人工知能モデル１１２０に骨領域情報を入力し、一定位置を把握する。例えば、第２分類部１１３０は、脊椎のＬ３位置を出力する第２人工知能モデルに脊椎情報を入力し、Ｌ３位置を把握することができる。第２人工知能モデル１１２０に入力される脊椎情報は、第１分類部１１１０が、第１人工知能モデル１１００を利用して区分した検査対象医療映像の骨領域に係わる情報（例えば、脊椎を含む骨映像、または骨領域のボクセル情報）である。例えば、第１人工知能モデル１１００は、検査対象医療映像から、脂肪や筋肉などの人体組織だけではなく、骨領域も共に区分するモデルであり、第２分類部１１３０は、第１分類部１１１０が出力した骨領域の情報を第２人工知能モデル１１２０に入力し、検査対象医療映像の一定位置を把握することができる。

【0054】

人体成分把握部１１４０は、第２分類部１１２０を介して把握された一定位置に該当する検査対象医療映像と、第１分類部１１１０を介して把握された検査対象医療映像との人体組織領域情報に基づき、人体の一定位置に該当する人体成分情報を把握して出力することができる。

【0055】

第２学習データ生成部１１５０は、第２人工知能モデル１１２０のための第２学習データを生成する。該第２学習データは、脊椎全体の映像、または脊椎一部の映像に特定位置をラベリングして生成することができる。例えば、第２学習データ生成部１１５０は、第１人工知能モデル１１００を介し、学習用医療映像から区分された骨領域を利用して生成することができる。第１人工知能モデル１１００を利用した第２人工知能モデル１１２０の第２学習データ生成方法の一例が図８に示されている。

【0056】

第２学習部１１６０は、第２学習データを利用し、第２人工知能モデル１１２０を学習させる。

【0057】

図１２は、本発明の実施形態による人体成分分析装置の第３実施形態の構成を図示した図面である。

【0058】

図１２を参照すれば、人体成分分析装置１００は、第１人工知能モデル１２００、第１分類部１２１０、第３人工知能モデル１２２０、第３分類部１２３０、人体成分把握部１２４０、第３学習データ生成部１２５０及び第３学習部１２６０を含む。人体成分分析装置１００が学習完了された第３人工知能モデル１２２０を利用する場合、第３学習データ生成部１２５０及び第３学習部１２６０は、省略されうる。他の実施形態として、人体成分分析装置１００は、図１０で説明した第１学習データ生成部１０３０及び第１学習部１０４０をさらに含むものでもある。

【0059】

第１人工知能モデル１２００及び第１分類部１２１０は、図１０で説明した構成と同一であるので、それに係わる説明は、省略する。

【0060】

第３人工知能モデル１２２０は、脊椎情報が入力されれば、脊椎の一定領域を把握して出力するモデルである。第３人工知能モデル１２２０の一例が、図５及び図７に示されている。

【0061】

第３分類部１２３０は、第３人工知能モデル１２２０に脊椎情報を入力し、一定領域を把握する。例えば、第３分類部１２３０は、脊椎のＬ３を基準に、上下一定（すなわち、腹部領域）領域を出力する第３人工知能モデルに脊椎情報を入力し、検査対象医療映像の腹部領域を把握することができる。第３人工知能モデル１２２０に入力される脊椎情報は、第１分類部１２１０によって区分された脊椎領域に係わる情報である。例えば、第１人工知能モデル１２００は、検査対象医療映像から、脂肪や筋肉のような人体組織だけではなく、骨領域も共に区分するモデルであり、第３分類部１２３０は、第１分類部１２１０が出力した骨領域の情報を第３人工知能モデル１２２０に入力し、検査対象医療映像の一定領域を把握することができる。

【0062】

人体成分把握部１２４０は、第３分類部１２３０を介して把握した一定領域に該当する検査対象医療映像と、第１分類部１２１０を介して把握した検査対象医療映像との人体組織領域情報に基づいて、人体の一定領域に該当する人体成分情報を把握することができる。

【0063】

第３学習データ生成部１２５０は、第３人工知能モデル１２２０のための第３学習データを生成する。該第３学習データは、脊椎全体の映像、または脊椎一部の映像に、一定領域をラベリングして生成されうる。例えば、第３学習データ生成部１２５０は、第１人工知能モデル１２００を介し、学習用医療映像から区分された骨領域を利用して生成することができる。第１人工知能モデル１２００を利用した第３学習データの生成方法の一例が、図８に示されている。

【0064】

第３学習部１２６０は、第３学習データを利用し、第３人工知能モデル１２２０を学習させる。

【0065】

図１３は、本発明の実施形態による人体成分分析装置の第４実施形態の構成を図示した図面である。

【0066】

図１３を参照すれば、人体成分分析装置１００は、第１人工知能モデル１３００、第１分類部１３１０、第２人工知能モデル１３２０、第２分類部１３３０、第３人工知能モデル１３４０、第３分類部１３５０及び人体成分把握部１３６０を含む。他の実施形態として、人体成分分析装置１００は、それぞれの人工知能モデル１３００，１３２０，１３４０を学習させる学習部をさらに含むものでもある。

【0067】

第１人工知能モデル１３００及び第１分類部１３１０は、図１０に示されている通りであり、第２人工知能モデル１３２０及び第２分類部１３３０は、図１１に示されている通りである。そして、第３人工知能モデル１３４０及び第３分類部１３５０は、図１２に示されている通りである。

【0068】

人体成分把握部１３６０は、第１分類部１３１０を介して把握した検査対象医療映像のそれぞれの人体組織領域情報、第２分類部１３３０を介して把握した検査対象医療映像の一定位置情報、及び第３分類部１３５０を介して把握した検査対象医療映像の一定領域情報に基づき、人体の一定位置または一定領域に係わる人体成分情報を把握することができる。

【0069】

図１４は、本発明の実施形態による人体組織分割方法の一例を図示した図面である。

【0070】

図１４を参照すれば、人体成分分析装置１００は、第１人工知能モデル１４００とカスケードモデル１４１０とを含む。第１人工知能モデル１４００は、図３で説明した第１人工知能モデル３００と同一でもある。カスケードモデル１４１０は、少なくとも１以上の人工知能モデル１４２０，１４２２が順次連結された構造を有する。第２人工知能モデル１４２０の出力値は、第３人工知能モデルの入力値となり、そのような方法により、第Ｎ－１人工知能モデルの出力値は、第Ｎ人工知能モデル１４２２の入力値となる。カスケードモデル１４１０に順次接続された人工知能モデル１４２０，１４２２の個数は、実施形態により、多様にも変形される。ここで、カスケードモデル１４１０は、１つの人工知能モデル１４２０によっても構成されるということは、言うまでもない。

【0071】

図５などで説明した第２人工知能モデル５１０と第３人工知能モデル５２０は、人体の解剖学的位置を把握するモデルであるが、本実施形態のカスケードモデル１４１０の順次連結された複数の人工知能モデル１４２０，１４２２は、第１人工知能モデルが区分した人体組織を細部分割するモデルである。すなわち、第１人工知能モデル１４００は、医療映像から、皮膚、骨、内臓臓器、血管、筋肉や脂肪のうち少なくとも１以上の人体組織領域を分割するモデルであり、カスケードモデル１４１０は、第１人工知能モデル１４００によって区分された人体組織を細部化させるモデルである。

【0072】

一実施形態として、第１人工知能モデル１４００は、医療映像から筋肉を区分するモデルであり、カスケードモデル１４１０は、第１人工知能モデル１４００が区分した筋肉を、足の筋肉や、胴体の筋肉などに細分化させるモデルでもある。カスケードモデル１４１０に存在する人工知能モデル１４２０，１４２２の個数により、細部化段階は、異なりうる。例えば、該カスケードモデルが、２つの人工知能モデルによって構成されている場合、第２人工知能モデル１４２０は、筋肉を、胴体、足、腕などに区分するモデルであり、第３人工知能モデルは、足の筋肉を、さらにふくらはぎと太ももとに細分化させるモデルでもある。

【0073】

他の実施形態として、第１人工知能モデル１４００は、医療映像から、各種内臓臓器を区分するモデルであり、カスケードモデル１４１０は、区分された内臓臓器を細分化させるモデルでもある。例えば、第１人工知能モデル１４００が、医療映像から肺組織を区分すれば、カスケードモデル１４１０の第２人工知能モデル１４２２は、肺組織を、右肺と左肺とに区分し、第３人工知能モデルは、右肺を、上葉、下葉、中葉に区分することができる。

【0074】

さらに他の実施形態として、第１人工知能モデル１４００は、医療映像から骨領域を区分するモデルであり、カスケードモデル１４１０の第２人工知能モデル１４２２は、骨領域から脊椎骨領域を区分するモデルであり、第３人工知能モデルは、脊椎骨を、頚椎、胸椎、腰椎に分離するモデルでもある。

【0075】

図１０ないし図１３の第１人工知能モデル１０００，１１００，１２００，１３００は、本実施形態の第１人工知能モデル１４００とカスケードモデル１４１０とに代替されうる。その場合、図１０ないし図１３の第１分類部１０１０，１１１０，１２１０，１３１０は、第１人工知能モデル１４００を利用し、検査対象医療映像から第１人体組織を区分し、カスケードモデル１４１０のそれぞれの人工知能モデル１４２０，１４２２を利用し、第１人体組織を細分化させた第２人体組織ないし第Ｎ人体組織を得ることができる。人体成分把握部１０２０，１１４０，１２４０，１３６０は、第１人体組織ないし第Ｎ人体組織のうち少なくとも１以上の人体組織を利用し、人体成分を把握することができる。例えば、筋肉を把握するモデルである場合、人体成分把握部１０２０，１１４０，１２４０，１３６０は、第１人工知能モデルを介して得た第１人体組織領域を利用し、人体全体筋肉量を把握し、第２人工知能モデルを介して得た第２人体組織領域を利用し、腕や足などの筋肉量を把握し、第３人工知能モデルで得た第３人体組織領域を利用し、ふくらはぎと太ももとの筋肉量をそれぞれ把握することができる。

【0076】

他の実施形態として、第１人工知能モデルは、複数のカスケードモデルと連結され、それぞれのカスケードモデルの第２人工知能モデルは、複数の第３人工知能モデルと連結され、ツリー形態の構造にもなる。例えば、第１人工知能モデルが、骨、脂肪、筋肉をそれぞれ区分するモデルであれば、骨、脂肪、筋肉などをそれぞれ細分化させる第１カスケードモデル、第２カスケードモデル及び第３カスケードモデルが存在しうる。該第１カスケードモデルが骨を区分するモデルであり、該第１カスケードモデルの第２人工知能モデルは、骨を脊椎骨と肋骨とに区分するモデルであれば、該第１カスケードモデルの第２人工知能モデルは、脊椎骨を細分化させる第３－１人工知能モデルと、肋骨を細分化させる第３－２人工知能モデルとに連結されうる。そのように細分化させる人体組織の個数と、細部化段階とにより、ツリー形態の多様な形態の人工知能モデルの連結関係が生成されうる。

【0077】

本発明は、また、コンピュータで読み取り可能な記録媒体に、コンピュータで読み取り可能なコードでもっても具現される。該コンピュータで読み取り可能な記録媒体は、コンピュータシステムによって読み取り可能なデータが保存されるあらゆる種類の記録装置を含む。該コンピュータで読み取り可能な記録媒体の例としては、ＲＯＭ（read-only memory）、ＲＡＭ（random access memory）、ＣＤ－ＲＯＭ（compact disc read only memory）、磁気テープ、フロッピーディスク、光データ保存装置などがある。また、該コンピュータで読み取り可能な記録媒体は、ネットワークに連結されたコンピュータシステムに分散され、分散方式でもって、コンピュータで読み取り可能なコードが保存されて実行されうる。

【0078】

以上、本発明について、その望ましい実施形態を中心に説明した。本発明が属する技術分野において通常の知識を有する者であるならば、本発明が、本発明の本質的な特性から逸脱しない範囲で変形された形態にも具現されるということを理解することができるであろう。従って、開示された実施形態は、限定的な観点ではなく、説明的な観点から考慮されなければならない。本発明の範囲は、前述の説明ではなく、特許請求の範囲に示されており、それと同等の範囲内にある全ての違いは、本発明に含まれたものであると解釈されなければならない。

【符号の説明】

【0079】

１００ 人体成分分析装置
１１０ 医療映像
１２０ 人体成分情報

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】