KR20190080736A

KR20190080736A - 수술영상 분할방법 및 장치

Info

Publication number: KR20190080736A
Application number: KR1020180152679A
Authority: KR
Inventors: 이종혁
Original assignee: (주)휴톰
Priority date: 2017-12-28
Filing date: 2018-11-30
Publication date: 2019-07-08
Also published as: KR101926123B1; WO2019132614A1

Abstract

컴퓨터가 수술영상을 획득하는 단계, 상기 수술영상의 하나 이상의 프레임 각각에 포함된 하나 이상의 객체를 인식하는 단계, 상기 수술영상을 촬영하는 촬영장치 및 상기 인식된 하나 이상의 객체 각각의 위치 및 움직임을 판단하는 단계 및 상기 판단 결과에 기초하여, 상기 수술영상을 기 설정된 제1 분류단위의 동작을 인식할 수 있는 하나 이상의 제1 분류단위 그룹으로 분할(segmentation)하는 단계를 포함하는, 수술영상 분할방법이 개시된다.

Description

수술영상 분할방법 및 장치 {DEVICE AND METHOD FOR SEGMENTING SURGICAL IMAGE}

본 발명은 수술영상 분할방법 및 장치에 관한 것이다.

수술과정에서, 의사의 수술을 보조하기 위한 정보를 제공할 수 있는 기술들의 개발이 요구되고 있다. 수술을 보조하기 위한 정보를 제공하기 위해서는, 수술행위를 인식할 수 있어야 한다.

따라서, 컴퓨터가 수술영상으로부터 수술행위를 인식할 수 있는 기술의 개발이 요구된다.

또한, 최근에는 의료영상의 분석에 딥 러닝이 널리 이용되고 있다. 딥 러닝은 여러 비선형 변환기법의 조합을 통해 높은 수준의 추상화(abstractions, 다량의 데이터나 복잡한 자료들 속에서 핵심적인 내용 또는 기능을 요약하는 작업)를 시도하는 기계학습 알고리즘의 집합으로 정의된다. 딥 러닝은 큰 틀에서 사람의 사고방식을 컴퓨터에게 가르치는 기계학습의 한 분야로 볼 수 있다.

본 발명이 해결하고자 하는 과제는 수술영상 분할방법 및 장치를 제공하는 것이다.

본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

상술한 과제를 해결하기 위한 본 발명의 일 면에 따른 수술영상 분할방법은, 컴퓨터가 수술영상을 획득하는 단계, 상기 수술영상의 하나 이상의 프레임 각각에 포함된 하나 이상의 객체를 인식하는 단계, 상기 수술영상을 촬영하는 촬영장치 및 상기 인식된 하나 이상의 객체 각각의 위치 및 움직임을 판단하는 단계 및 상기 판단 결과에 기초하여, 상기 수술영상을 기 설정된 제1 분류단위의 동작을 인식할 수 있는 하나 이상의 제1 분류단위 그룹으로 분할(segmentation)하는 단계를 포함한다.

또한, 상기 제1 분류단위 그룹으로 분할하는 단계는, 상기 촬영장치 및 상기 하나 이상의 객체 각각의 위치 및 움직임에 대한 판단 결과에 기초하여, 상기 촬영장치 및 상기 하나 이상의 객체 각각의 위치 및 움직임을 기 설정된 제2 분류단위의 동작으로 인식 할 수 있는 하나 이상의 제2 분류단위 그룹으로 상기 수술영상을 분할하는 단계를 포함할 수 있다.

또한, 상기 제2 분류단위 그룹으로 분할하는 단계는, 상기 촬영장치 및 상기 하나 이상의 객체 각각에 대하여 인식된 하나 이상의 제2 분류단위 동작에 기초하여 기 설정된 제3 분류단위의 동작을 인식 할 수 있는 하나 이상의 제3 분류단위 그룹으로 상기 수술영상을 분할하되, 상기 제3 분류단위 그룹은 하나 이상의 상기 제2 분류단위 그룹을 포함하는, 단계를 포함할 수 있다.

또한, 상기 수술영상으로부터 상기 제1 분류단위의 동작을 인식 하는 단계; 를 더 포함하고, 상기 제1 분류단위의 동작을 인식하는 단계는, 상기 수술영상에 포함된 신체부위와 상기 하나 이상의 객체 사이의 위치관계 및 상기 하나 이상의 객체의 움직임에 기초하여 상기 제1 분류단위의 동작을 인식하는 단계를 포함할 수 있다.

또한, 상기 제1 분류단위의 동작을 인식하는 단계는, 상기 신체부위에 대응하는 모델링 정보를 획득하는 단계, 상기 모델링 정보 및 가상의 상기 하나 이상의 객체를 포함하는 수술 시뮬레이션을 수행 하되, 상기 시뮬레이션에서 상기 하나 이상의 가상의 객체는 상기 하나 이상의 객체의 움직임에 따라 움직이는, 단계 및 상기 시뮬레이션 결과를 이용하여 상기 제1 분류단위의 동작을 인식하는 단계를 포함할 수 있다.

또한, 상기 제1 분류단위 그룹으로 분할하는 단계는, 하나 이상의 상기 제1 분류단위 그룹 각각에 대하여 인식된 하나 이상의 제1 분류단위의 동작에 기초하여 기 설정된 제4 분류단위의 동작을 인식 할 수 있는 하나 이상의 제4 분류단위 그룹으로 상기 수술영상을 분할하되, 상기 제4 분류단위 그룹은 하나 이상의 상기 제1 분류단위 그룹을 포함하는, 단계를 포함할 수 있다.

또한, 상기 분류된 하나 이상의 제1 분류단위 그룹 각각에 대응하는 하나 이상의 상기 제1 분류단위의 동작을 인식하는 단계 및 상기 하나 이상의 제1 분류단위의 동작에 기초하여 상기 분류된 하나 이상의 제4 분류단위 그룹 각각에 대응하는 하나 이상의 상기 제4 분류단위의 동작을 인식 하는 단계를 더 포함할 수 있다.

또한, 상기 제1 분류단위는 기 설정된 하나 이상의 동작에 대한 정보를 포함하고, 상기 기 설정된 하나 이상의 동작 각각에는 상기 기 설정된 하나 이상의 동작 각각을 식별할 수 있는 코드가 부여될 수 있다.

또한, 상기 수술영상에서 발생하는 이벤트를 인식 하는 단계 및 상기 인식된 이벤트를 포함하는 하나 이상의 이벤트 그룹으로 상기 수술영상을 분할하는 단계를 더 포함할 수 있다.

상술한 과제를 해결하기 위한 본 발명의 일 면에 따라 수술영상을 분할하는 장치는, 하나 이상의 인스트럭션을 저장하는 메모리 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고, 상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 수술영상을 획득하고, 상기 수술영상의 하나 이상의 프레임 각각에 포함된 하나 이상의 객체를 인식하고, 상기 수술영상을 촬영하는 촬영장치 및 상기 인식된 하나 이상의 객체 각각의 위치 및 움직임을 판단하고, 상기 판단 결과에 기초하여, 상기 수술영상을 기 설정된 제1 분류단위의 동작을 인식할 수 있는 하나 이상의 제1 분류단위 그룹으로 분할한다.

상술한 과제를 해결하기 위하여 하드웨어인 컴퓨터와 결합되어, 개시된 실시 예에 따른 수술영상 분할방법을 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장된 컴퓨터프로그램이 제공된다.

본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.

개시된 실시 예에 따르면, 단계적인 분할을 통해 수술영상을 분할 및 인식함으로써 더 정확하게 수술영상에 포함되는 동작들을 분할하여 인식할 수 있으며, 수술의 종류나 환자의 신체상태가 상이한 경우에도 범용적으로 이용될 수 있는 수술영상 분할 및 인식방법을 제공할 수 있는 효과가 있다.

본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

도 1은 개시된 실시 예에 따른 로봇수술 시스템을 도시한 도면이다.
도 2는 일 실시 예에 따라 수술영상을 분할하는 방법을 도시한 흐름도이다.
도 3은 일 실시 예에 따라 수술영상을 공간적으로 분할하는 방법을 도시한 흐름도이다.
도 4는 수술영상의 일 예를 도시한 도면이다.
도 5는 일 실시 예에 따라 수술영상을 시간적으로 분할하는 방법을 도시한 흐름도이다.
도 6은 수술영상을 분할하여 단계적으로 인식하는 일 예를 도시한 흐름도이다.
도 7은 수술동작을 단계적으로 인식하는 방법의 일 예를 도시한 도면이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.

본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.

명세서에서 사용되는 "부" 또는 “모듈”이라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, "부" 또는 “모듈”은 어떤 역할들을 수행한다. 그렇지만 "부" 또는 “모듈”은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부" 또는 “모듈”은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부" 또는 “모듈”은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 "부" 또는 “모듈”들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부" 또는 “모듈”들로 결합되거나 추가적인 구성요소들과 "부" 또는 “모듈”들로 더 분리될 수 있다.

공간적으로 상대적인 용어인 "아래(below)", "아래(beneath)", "하부(lower)", "위(above)", "상부(upper)" 등은 도면에 도시되어 있는 바와 같이 하나의 구성요소와 다른 구성요소들과의 상관관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용시 또는 동작시 구성요소들의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들어, 도면에 도시되어 있는 구성요소를 뒤집을 경우, 다른 구성요소의 "아래(below)"또는 "아래(beneath)"로 기술된 구성요소는 다른 구성요소의 "위(above)"에 놓여질 수 있다. 따라서, 예시적인 용어인 "아래"는 아래와 위의 방향을 모두 포함할 수 있다. 구성요소는 다른 방향으로도 배향될 수 있으며, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.

이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.

본 명세서에서 "영상"은 이산적인 영상 요소들(예를 들어, 2차원 영상에 있어서의 픽셀들 및 3D 영상에 있어서의 복셀들)로 구성된 다차원(multi-dimensional) 데이터를 의미할 수 있다. 예를 들어, 영상은 CT 촬영 장치에 의해 획득된 대상체의 의료 영상 등을 포함할 수 있다.

본 명세서에서 "대상체(object)"는 사람 또는 동물, 또는 사람 또는 동물의 일부 또는 전부일수 있다. 예를 들어, 대상체는 간, 심장, 자궁, 뇌, 유방, 복부 등의 장기, 및 혈관 중 적어도 하나를 포함할 수 있다.

본 명세서에서 "사용자"는 의료 전문가로서 의사, 간호사, 임상 병리사, 의료 영상 전문가 등이 될 수 있으며, 의료 장치를 수리하는 기술자가 될 수 있으나, 이에 한정되지 않는다.

본 명세서에서 “의료영상데이터”는 의료영상 촬영장비로 촬영되는 의료영상으로서, 대상체의 신체를 3차원 모델로 구현 가능한 모든 의료영상을 포함한다. “의료영상데이터”는 컴퓨터 단층촬영(Computed Tomography; CT)영상, 자기공명영상(Magnetic Resonance Imaging; MRI), 양전자 단층촬영(Positron Emission Tomography; PET) 영상 등을 포함할 수 있다.

본 명세서에서 “가상신체모델”은 의료영상데이터를 기반으로 실제 환자의 신체에 부합하게 생성된 모델을 의미한다. “가상신체모델”은 의료영상데이터를 그대로 3차원으로 모델링하여 생성한 것일 수도 있고, 모델링 후에 실제 수술 시와 같게 보정한 것일 수도 있다.

본 명세서에서 “세부수술동작”은 특정한 기준에 따라 분할된 수술동작의 최소단위를 의미한다.

본 명세서에서 “컴퓨터” 및 “장치” 는 연산처리를 수행하여 사용자에게 결과를 제공할 수 있는 다양한 장치들이 모두 포함된다. 예를 들어, 컴퓨터는 데스크 탑 PC, 노트북(Note Book) 뿐만 아니라 스마트폰(Smart phone), 태블릿 PC, 셀룰러폰(Cellular phone), 피씨에스폰(PCS phone; Personal Communication Service phone), 동기식/비동기식 IMT-2000(International Mobile Telecommunication-2000)의 이동 단말기, 팜 PC(Palm Personal Computer), 개인용 디지털 보조기(PDA; Personal Digital Assistant) 등도 해당될 수 있다. 또한, 헤드마운트 디스플레이(Head Mounted Display; HMD) 장치가 컴퓨팅 기능을 포함하는 경우, HMD장치가 컴퓨터가 될 수 있다. 또한, 컴퓨터는 클라이언트로부터 요청을 수신하여 정보처리를 수행하는 서버가 해당될 수 있다.

도 1은 개시된 실시 예에 따른 로봇수술 시스템을 도시한 도면이다.

도 1을 참조하면, 개시된 실시 예에 따라 로봇수술을 수행할 수 있는 시스템을 간략하게 도식화한 도면이 도시되어 있다.

도 1에 따르면, 로봇수술 시스템은 의료영상 촬영장비(10), 서버(20) 및 수술실에 구비된 제어부(30), 디스플레이(32) 및 수술로봇(34)을 포함한다. 실시 예에 따라서, 의료영상 촬영장비(10)는 개시된 실시 예에 따른 로봇수술 시스템에서 생략될 수 있다.

일 실시 예에서, 수술로봇(34)은 촬영장치(36) 및 수술도구(38)를 포함한다.

일 실시 예에서, 로봇수술은 사용자가 제어부(30)를 이용하여 수술용 로봇(34)을 제어함으로써 수행된다. 일 실시 예에서, 로봇수술은 사용자의 제어 없이 제어부(30)에 의하여 자동으로 수행될 수도 있다.

서버(20)는 적어도 하나의 프로세서와 통신부를 포함하는 컴퓨팅 장치이다.

제어부(30)는 적어도 하나의 프로세서와 통신부를 포함하는 컴퓨팅 장치를 포함한다. 일 실시 예에서, 제어부(30)는 수술용 로봇(34)을 제어하기 위한 하드웨어 및 소프트웨어 인터페이스를 포함한다.

촬영장치(36)는 적어도 하나의 이미지 센서를 포함한다. 즉, 촬영장치(36)는 적어도 하나의 카메라 장치를 포함하여, 대상체의 신체부위, 즉 수술부위를 촬영하는 데 이용된다. 일 실시 예에서, 촬영장치(36)는 수술로봇(34)의 수술 암(arm)과 결합된 적어도 하나의 카메라를 포함한다.

일 실시 예에서, 촬영장치(36)에서 촬영된 영상은 디스플레이(340)에 표시된다.

일 실시 예에서, 수술로봇(34)은 수술부위의 절단, 클리핑, 고정, 잡기 동작 등을 수행할 수 있는 하나 이상의 수술도구(38)를 포함한다. 수술도구(38)는 수술로봇(34)의 수술 암과 결합되어 이용된다.

제어부(30)는 서버(20)로부터 수술에 필요한 정보를 수신하거나, 수술에 필요한 정보를 생성하여 사용자에게 제공한다. 예를 들어, 제어부(30)는 생성 또는 수신된, 수술에 필요한 정보를 디스플레이(32)에 표시한다.

예를 들어, 사용자는 디스플레이(32)를 보면서 제어부(30)를 조작하여 수술로봇(34)의 움직임을 제어함으로써 로봇수술을 수행한다.

서버(20)는 의료영상 촬영장비(10)로부터 사전에 촬영된 대상체(환자)의 의료영상데이터를 이용하여 로봇수술에 필요한 정보를 생성하고, 생성된 정보를 제어부(30)에 제공한다.

제어부(30)는 서버(20)로부터 수신된 정보를 디스플레이(32)에 표시함으로써 사용자에게 제공하거나, 서버(20)로부터 수신된 정보를 이용하여 수술로봇(34)을 제어한다.

일 실시 예에서, 의료영상 촬영장비(10)에서 사용될 수 있는 수단은 제한되지 않으며, 예를 들어 CT, X-Ray, PET, MRI 등 다른 다양한 의료영상 획득수단이 사용될 수 있다.

개시된 실시 예에서, 촬영장치(36)에서 획득되는 수술영상은 제어부(30)로 전달된다.

일 실시 예에서, 제어부(30)는 수술 중에 획득되는 수술영상을 실시간으로 분할(segmentation)할 수 있다.

일 실시 예에서, 제어부(30)는 수술 중 또는 수술이 완료된 후 수술영상을 서버(20)에 전송한다.

서버(20)는 수술영상을 분할하여 분석할 수 있다.

이하에서는, 도면을 참조하여 서버(20) 또는 제어부(30)가 수술영상을 분할 및 분석하는 방법에 대하여 구체적으로 설명한다. 본 명세서에서 개시되는 실시 예에 따른 수술영상 분할방법의 일부 또는 전부가 각각 서버(20) 또는 제어부(30)에서 수행될 수 있다.

이하에서는, 설명의 편의를 위해 “컴퓨터”가 본 명세서에서 개시되는 실시 예에 따른 수술영상 분할방법을 수행하는 것으로 설명한다. “컴퓨터”는 서버(20)와 제어부(30)를 모두 의미할 수 있다.

일 실시 예에서, 수술 영상은 다양한 기준으로 분할될 수 있다. 일 예로, 수술 영상은 영상에 포함된 객체의 종류를 기초로 하여 분할될 수 있다. 객체의 종류를 기초로 하는 분할방법은 컴퓨터가 각 객체를 인식하는 단계를 필요로 한다.

수술 영상에서 인식되는 객체는 크게 인체, 외부에서 유입된 객체 및 자체적으로 생성된 객체를 포함한다. 인체는 수술에 선행되는 의료영상 촬영(예를 들어, CT)에 의하여 촬영되는 신체부위와 촬영되지 않는 신체부위를 포함한다.

예를 들어, 의료영상 촬영에 의하여 촬영되는 신체부위는 장기, 혈관, 뼈, 힘줄 등을 포함하며, 이러한 신체부위는 의료영상에 기초하여 생성되는 3D 모델링 영상에 기초하여 인식될 수 있다.

구체적으로, 각 신체부위의 위치와 크기, 모양 등이 의료영상에 기초한 3D 분석방법에 의하여 사전에 인지된다. 컴퓨터는 실시간으로 수술영상에 대응하는 신체부위의 위치를 파악할 수 있는 알고리즘을 정의하고, 이에 기초하여 별도의 이미지 인식을 수행하지 않아도 수술영상에 포함되는 각 신체부위의 위치, 크기 및 모양 등에 대한 정보를 획득할 수 있다.또한, 의료영상 촬영에 의하여 촬영되지 않는 신체부위는 오멘텀(omentum) 등을 포함하며, 이는 의료영상에 의하여 촬영되지 않으므로 수술중에 실시간으로 인식하는 것이 필요하다. 예를 들어, 컴퓨터는 이미지 인식방법을 통하여 오멘텀의 위치 및 크기를 판단하고, 오멘텀 내부에 혈관이 있는 경우 혈관의 위치 또한 예측할 수 있다.

외부에서 유입된 객체는, 예를 들어 수술도구, 거즈, 클립 등을 포함한다. 이는 기 설정된 형태적 특징을 가지므로, 컴퓨터가 수술중에 이미지 분석을 통하여 실시간으로 인식할 수 있다.

내부에서 생성되는 객체는, 예를 들어 신체부위에서 발생하는 출혈 등을 포함한다. 이는 컴퓨터가 수술중에 이미지 분석을 통하여 실시간으로 인식할 수 있다.

신체부위에 포함된 장기나 오멘텀의 움직임, 그리고 객체가 내부에서 생성되는 원인은 모두 외부에서 유입된 객체의 움직임에 기인한다.

따라서, 수술 영상은 각 객체를 인식하는 것에 더하여, 각 객체의 움직임에 기초하여 분할될 수 있다. 일 실시 예에서, 수술 영상은 외부에서 유입된 객체의 움직임, 즉 액션에 기초하여 분할될 수 있다.

컴퓨터는 수술영상에서 인식된 각 객체의 종류를 판단하고, 각 객체의 종류에 따라 사전에 정의된 특정한 동작, 일련의 동작, 동작에 따라 발생하는 상황이나 결과 등에 기초하여, 각 객체의 움직임, 즉 액션을 인식할 수 있다.

컴퓨터는 각 액션의 종류를 인식하고, 나아가 각 액션의 원인 또한 인식할 수 있다. 컴퓨터는 인식되는 액션에 기초하여 수술영상을 분할할 수 있고, 단계적 분할을 통해 각각의 세부수술동작부터 전체 수술의 종류까지 인식할 수 있다.

나아가, 컴퓨터는 액션에 대한 판단으로부터 수술영상에 대응하는, 기 정의된 수술의 종류를 판단한다. 수술의 종류를 판단하는 경우, 전체 수술 프로세스에 대한 정보를 획득할 수 있다. 동일한 종류의 수술에 대하여 복수 개의 수술 프로세스가 존재하는 경우, 의사의 선택에 따라서, 또는 특정 시점까지 인식된 액션들에 기초하여 하나의 수술 프로세스를 선택할 수 있다.

컴퓨터는 획득된 수술 프로세스에 기초하여 수술단계를 인식 및 예측할 수 있다. 예를 들어, 일련의 수술 프로세스 중 특정 단계가 인식되는 경우, 이에 후속되는 단계들을 예측하거나 가능한 단계들의 후보를 추려낼 수 있다. 따라서, 오멘텀 등에 의하여 발생하는 수술영상 인식의 오류율을 크게 낮출 수 있다. 또한, 수술영상이 예측가능한 수술단계로부터 소정의 오차범위 이상 크게 벗어나는 경우, 수술오류(surgical error)상황이 발생한 것으로 인식할 수도 있다.

또한, 컴퓨터는 각각의 액션에 대한 인식에 기반하여, 각각의 액션에 대한 판단을 할 수 있다. 예를 들어, 컴퓨터는 각각의 액션에 대한 필요성(necessity)과 효율성(effectiveness)을 인식할 수 있다.

구체적으로, 컴퓨터는 각각의 액션이 필요한 것이었는지, 또는 불필요한 것이었는지에 대한 판단을 할 수 있다. 또한, 컴퓨터는 각각의 액션이 필요한 것이었던 경우에도, 각 액션이 효율적으로 수행되었는지에 대한 판단을 할 수 있다. 이는 수술성적 리포트를 제공하고, 수술과정에서 불필요한 동작을 배제하고, 비효율적인 동작을 효율화하는 데 이용된다.

상술한 바와 같이, 수술영상은 크게 신체부위(장기 및 오멘텀), 외부에서 유입된 객체, 내부에서 생성되는 객체, 액션, 수술의 종류, 각 액션의 필요성과 효율성을 포함하는 구성요소들로 분할될 수 있다. 즉, 컴퓨터는 수술영상을 전체로서 인식하는 대신, 수술영상의 가능한 한 모든 요소를 포함하되, 상호간 중복을 최소화하는 구성요소 단위로 수술영상을 분할하고, 분할된 구성요소 단위에 기초하여 수술영상을 인식함으로써, 더 구체적이고 더 용이하게 수술영상을 인식할 수 있다.

본 명세서에서는, 이하에서 컴퓨터가 상술한 구성요소들 중 특히 액션에 기초하여 수술영상을 분할하고, 수술동작을 단계적으로 인식하는 방법을 구체적으로 설명한다.

도 2는 일 실시 예에 따라 수술영상을 분할하는 방법을 도시한 흐름도이다.

단계 S110에서, 컴퓨터는 수술영상을 획득한다.

일 실시 예에서, 수술영상은 도 1에 도시된 촬영장치(36)로부터 획득된다. 수술영상은 하나 이상의 프레임을 포함한다.

일 실시 예에서, 수술영상은 대상체의 신체부위 일부, 즉 수술부위를 포함한다. 일 실시 예에서, 수술영상은 하나 이상의 객체를 포함한다. 일 실시 예에서, 수술영상에 포함되는 하나 이상의 객체는 하나 이상의 수술도구(38)를 포함한다. 또한, 수술영상에 포함되는 하나 이상의 객체는 거즈나 클립 등 수술에 이용되는 도구 및 소모품을 포함할 수 있다.

단계 S120에서, 컴퓨터는 단계 S110에서 획득된 수술영상의 하나 이상의 프레임 각각에 포함된 하나 이상의 객체를 인식한다.

일 실시 예에서, 컴퓨터는 수술로봇(34)으로부터 촬영장치(36) 및 하나 이상의 수술도구(38)의 위치에 대한 정보를 획득하고, 획득된 정보에 기초하여 수술영상에 포함된 하나 이상의 객체의 위치를 판단 및 인식할 수 있다. 또한, 컴퓨터는 수술로봇(34)으로부터 획득된 정보에 기초하여 하나 이상의 객체의 종류를 판단할 수 있다.

일 실시 예에서, 컴퓨터는 수술영상에 대한 이미지 분석을 수행하여, 하나 이상의 객체를 인식할 수 있다. 또한, 컴퓨터는 수술영상에 대한 이미지 분석을 수행하여, 인식된 하나 이상의 객체의 종류를 판단할 수 있다.

일 실시 예에서, 컴퓨터는 하나 이상의 객체의 위치 및 종류가 라벨링된 수술영상에 기초하여 학습을 수행할 수 있다. 학습방법의 종류는 제한되지 않으며, 지도학습, 비지도학습 및 강화학습 등 다양한 기계학습(machine learning) 방법이 사용될 수 있다. 컴퓨터는 학습 결과에 기초하여 이미지 분석을 수행, 하나 이상의 객체의 위치 및 종류를 판단할 수 있다.

일 실시 예에서, 컴퓨터는 수술영상에 대한 이미지 분석 결과 및 수술로봇(34)으로부터 획득되는 정보를 함께 이용하여 하나 이상의 객체의 위치 및 종류를 판단할 수 있다.

단계 S130에서, 컴퓨터는 단계 S120에서 인식된 하나 이상의 객체 각각의 위치 및 움직임을 판단한다. 또한, 컴퓨터는 수술영상을 촬영하는 촬영장치(36)의 위치 및 움직임을 판단한다.

본 명세서에서, “위치 및 움직임을 판단” 한다는 것은 위치 및 움직임의 변화가 없는 상태를 인식하는 것을 포함하는 개념으로 이해된다. 따라서, 컴퓨터가 촬영장치 또는 객체의 위치 및 움직임 중 하나만을 판단하거나 인식하는 경우에도, 이에 따라 나머지 하나(즉, 움직임 또는 위치) 또한 유추가능하게 판단되는 것으로 이해될 수 있다.

일 실시 예에서, 컴퓨터는 촬영장치(36)의 위치 및 움직임을 판단함으로써, 대상체의 어느 부위가 촬영되고 있는지 판단할 수 있다.

일 실시 예에서, 컴퓨터는 의료영상 촬영장비(10)로부터 촬영된 대상체의 수술부위 영상에 기초하여 대상체의 수술부위를 포함하는 가상신체모델을 생성할 수 있다. 예를 들어, 가상신체모델은 대상체의 수술부위를 포함하는 3D 모델링 영상을 생성할 수 있다.

컴퓨터는 가상신체모델을 실제 대상체와 정합하고, 카메라의 위치를 가상신체모델 정보에 반영하여 카메라와 가상신체모델 사이의 위치관계를 판단할 수 있다.

컴퓨터는 카메라의 위치 및 움직임을 판단하여, 카메라가 사용자의 신체부위 중 어느 부분을 촬영하고 있는지에 대한 정보를 가상신체모델에 기반하여 판단할 수 있다.

컴퓨터는 수술로봇(34)으로부터 획득되는 정보에 기초하여 하나 이상의 객체(예를 들어, 수술도구(38))의 위치 및 움직임을 판단할 수 있다. 또한, 컴퓨터는 하나 이상의 객체의 위치 및 움직임을 가상신체모델 정보에 반영하여 하나 이상의 객체와 가상신체모델 사이의 위치관계를 판단할 수 있다.

다른 실시 예에서, 컴퓨터는 촬영장치(36)가 촬영하고 있는 수술영상에 대한 이미지 분석을 수행함으로써, 수술영상에 포함된 신체부위에 대한 정보, 즉 촬영장치(36)가 촬영하고 있는 신체부위의 위치 및 모양을 판단할 수 있다.

마찬가지로, 컴퓨터는 이미지 분석 방법을 이용하여 하나 이상의 객체의 위치 및 움직임을 판단할 수 있다.

일 실시 예에서, 촬영장치(36) 및 하나 이상의 객체의 위치는 2차원 또는 3차원 좌표로 표현될 수 있다.

또한, 촬영장치(36) 및 하나 이상의 객체의 움직임은 2차원 또는 3차원 좌표상의 움직임의 방향, 거리, 속도 등으로 표현될 수 있다.

단계 S140에서, 컴퓨터는 단계 S130의 판단 결과에 기초하여, 촬영장치(36)로부터 획득되는 수술영상을 기 설정된 제1 분류단위의 동작을 인식할 수 있는 하나 이상의 제1 분류단위 그룹으로 분할(segmentation)한다. 일 실시 예에서, 각각의 그룹은 하나 이상의 프레임을 포함할 수 있다.

일 실시 예에서, 제1 분류단위는 공간적으로 분할되는 개념일 수도 있고, 시간적으로 분할되는 개념일 수도 있다. 각각의 분할 개념에 대해서는 이하에서 도면과 함께 구체적으로 설명한다.

개시된 실시 예에서, 수술동작은 여러 단계의 계층(hierarchy)를 갖도록 단계적으로 분할될 수 있다. 예를 들어, 수술동작은 대분류, 중분류, 소분류 등으로 분할될 수 있고, 수술의 종류, 각 수술의 종류에 따른 분할동작(Segment), 세부분할동작(Subsegment) 및 구성요소(component)의 순으로 단계적으로 분할될 수 있으나, 이에 제한되지 않는다.

일 실시 예에서, 컴퓨터는 수술영상을 가장 작은 분류단위로 분할하고, 이에 기초하여 단계적으로 더 큰 분류단위로 수술영상을 분할한다.

일 실시 예에서, 컴퓨터는 수술영상을 분할하는 것 자체가 목적일 수도 있고, 분할되는 부분 각각에 기초하여 수술동작을 분할하여 인식하는 것이 목적일 수도 있다. 개시된 실시 예에 따르면, 컴퓨터는 수술동작을 분할하여 인식하며, 인식 결과만을 저장할 수도 있고, 분할하여 인식된 수술동작 각각에 대응하는 분할된 수술영상을 저장할 수도 있다. 또한, 컴퓨터는 수술동작을 분할하여 인식한 결과를 저장하며, 각각의 분할된 수술동작에 대응하는 영상의 구간을 지시하는 정보를 함께 저장할 수도 있다.

기 설정된 제1 분류단위의 동작은 사전에 정의된 수술동작들을 포함하며, 각각의 동작에 대하여 기 설정된 명칭 및 각각의 동작을 식별할 수 있도록 부여된 기 설정된 코드를 포함한다.

일 실시 예에서, 컴퓨터는 단계 S130에서 촬영장치(36) 및 하나 이상의 객체의 종류, 위치 및 움직임에 대한 정보를 획득한다. 컴퓨터는 획득된 정보에 기초하여 수술영상에 포함된 기 설정된 제1 분류단위의 동작을 인식한다.

예를 들어, 제1 분류단위의 동작은 자르기, 잡기, 이동 등을 포함할 수 있다.

일 실시 예에서, 컴퓨터는 각 분류단위의 동작이 각 동작의 명칭 또는 코드로 라벨링된 수술영상을 이용하여 학습될 수 있다. 컴퓨터가 학습에 이용하는 방법은 제한되지 않으며, 상술한 바와 같은 기계학습 방법에 의하여 학습될 수 있다.

일 실시 예에서, 컴퓨터는 수술영상 자체를 입력으로 하여, 각 수술영상에 대응하는 수술동작을 출력하도록 학습될 수 있다.

다른 실시 예에서, 컴퓨터는 수술영상으로부터 단계 S130에 따라 판단되는 촬영장비(36) 및 하나 이상의 객체의 위치 및 움직임을 판단한 결과를 입력으로 하고, 이에 대응하는 수술동작을 출력하도록 학습될 수도 있으나, 이에 제한되는 것은 아니다.

이하에서는, 도면을 참조하여 수술영상을 공간적으로 분할 및 인식하는 방법에 대해서 구체적으로 설명한다.

도 3은 일 실시 예에 따라 수술영상을 공간적으로 분할하는 방법을 도시한 흐름도이다.

도 3에 도시된 방법 도 2에 도시된 단계 S140의 구체적인 일 실시 예로서 이해될 수 있다.

단계 S210에서, 컴퓨터는 수술영상에 포함되는 촬영장치 및 하나 이상의 객체 각각의 위치 및 움직임을 판단한다. 컴퓨터가 촬영장치 및 하나 이상의 객체 각각의 위치 및 움직임을 판단하는 방법으로는 도 2와 관련하여 설명된 방법이 이용될 수 있다.

단계 S220에서, 컴퓨터는 촬영장치(36) 및 하나 이상의 객체 각각의 위치 및 움직임에 대한 판단 결과에 기초하여, 상기 촬영장치(36) 및 하나 이상의 객체 각각의 동작을 기 설정된 제2 분류단위의 동작으로 인식할 수 있는 하나 이상의 제2 분류단위 그룹으로 수술영상을 분할할 수 있다.

즉, 제2 분류단위는 수술영상에 포함된 촬영장치(36) 및 하나 이상의 객체 각각의 동작을 정의하는 분류단위이다. 예를 들어, 제2 분류단위의 동작은 카메라의 이동, 회전, 방향전환, 수술도구의 잡기, 자르기, 이동, 클리핑 동작 등을 포함할 수 있다.

일 실시 예에서, 컴퓨터는 획득된 수술영상에서 하나 이상의 객체의 위치를 인식하고, 인식된 하나 이상의 객체가 포함된 부분만을 따로 분석함으로써 하나 이상의 객체 각각의 동작을 판단할 수 있다.

예를 들어, 컴퓨터는 각 수술도구에 대응하는 수술 암의 관절의 위치, 각 수술도구의 끝단의 좌표 등을 인식하고, 이를 트래킹함으로써 각각의 수술도구의 움직임을 인식할 수 있다.

따라서, 컴퓨터는 전체 수술영상을 프로세싱할 필요 없이, 하나 이상의 객체가 인식된 일부 영역만을 분할하고, 분할된 영역만을 프로세싱하여 하나 이상의 객체 각각의 동작을 개별적으로 판단할 수 있다.

도 4를 참조하면, 수술영상의 일 예가 도시되어 있다.

도 4를 참조하면, 수술영상(300)에 하나 이상의 객체가 포함되어 있다. 예를 들어, 하나 이상의 객체 각각은 하나 이상의 수술도구(310 및 320) 및 하나 이상의 클립(330)을 포함할 수 있다.

일 실시 예에서, 컴퓨터는 수술영상(300)의 각 프레임으로부터 수술도구(310 및 320)가 인식되는 위치의 일부 영역(302 및 304)을 분할하고, 분할된 일부 영역(302 및 304)의 영상만을 프로세싱하여 각 수술도구(310 및 320)의 동작을 판단할 수 있다.

컴퓨터는 프레임이 전환됨에 따라 수술도구(310 및 320)의 움직임이 인식되면, 이에 따라 수술도구(310 및 320)가 인식되는 영역(302 및 304) 또한 따라서 이동하고, 이동된 위치의 영역(302 및 304)에 기초하여 수술영상을 분할하고, 분할된 수술영상을 프로세싱하여 수술도구(310)의 동작을 인식할 수 있다.

일 실시 예에서, 수술영상(300)에는 하나 이상의 신체부위가 포함될 수 있다. 예를 들어, 수술영상(300)에는 혈관(340)과 장기(350, 예를 들어, 위장)가 포함될 수 있다.

일 실시 예에서, 컴퓨터는 수술영상(300)에 포함된 신체부위와 하나 이상의 객체 사이의 위치관계 및 상기 하나 이상의 객체의 움직임에 기초하여 하나 이상의 객체의 동작을 인식할 수 있다.

예를 들어, 컴퓨터는 수술도구(310)가 혈관(340)쪽으로 이동하여, 클립(330)으로 클리핑된 부위의 혈관을 자르는 동작을 수행하는 것을 인식할 수 있다.

컴퓨터는 이미지 프로세싱을 통해 수술영상(300)에서 수술도구(310)와 혈관(340) 사이의 위치관계를 판단할 수 있다. 또한, 컴퓨터는 이미지 프로세싱을 통해 수술영상(300)에서 수술도구(310)가 혈관(340)을 자르는 동작을 인식하고, 혈관(340)이 잘린 결과를 인식함으로써 수술도구(310)가 혈관(340)을 자르는 동작을 수행했음을 판단할 수 있다.

일 실시 예에서, 컴퓨터는 가상신체모델을 이용하여 각 수술도구(310 및 320)의 동작을 판단할 수 있다.

예를 들어, 컴퓨터는 가상신체모델 및 가상의 객체를 이용하여 수술 시뮬레이션을 수행할 수 있다. 수술 시뮬레이션은 실제 수술상황 또는 수술영상과 동일하게 가상신체모델을 이용하여 수행될 수 있다.

예를 들어, 수술 시뮬레이션 상에서 하나 이상의 가상의 객체는 실제 수술영상에 포함된 하나 이상의 객체의 움직임에 따라 움직이거나, 실제 수술영상에 포함된 하나 이상의 객체의 동작을 따라한다.

컴퓨터는 수술영상에 포함된 하나 이상의 객체의 움직임을 인식 또는 판단하거나, 인식 또는 판단한 정보를 전달받고, 이에 기초하여 가상의 객체를 움직일 수 있다.

또한, 컴퓨터는 수술영상(300)에 포함된 하나 이상의 객체의 동작을 판단하거나, 객체의 동작을 판단한 정보(예를 들어, 제2 분류단위의 동작에 대응하는 명칭 또는 코드)를 전달받고, 이에 기초하여 가상의 객체의 동작을 결정할 수 있다.

컴퓨터는 하나 이상의 가상의 객체의 움직임 또는 동작에 따른 가상신체모델과의 상관관계를 판단하고, 이로부터 수술영상(300)에 포함된 하나 이상의 객체의 동작을 판단할 수 있다.

예를 들어, 컴퓨터는 수술도구(310)가 자르기 동작을 수행한 것을 인식하였을 때, 가상신체모델 시뮬레이션을 통하여 수술도구(310)가 혈관(340)이 클리핑된 위치에서 자르기 동작을 수행하였음을 판단하고, 이로부터 수술도구(310)가 혈관(340)의 클리핑된 위치를 자르는 동작을 수행하였음을 인식할 수 있다.

단계 S230에서, 컴퓨터는 단계 S220에서 분할된 제2 분류단위 그룹에 기초하여 인식된 제2 분류단위의 동작에 기초하여, 기 설정된 제3 분류단위의 동작을 인식 할 수 있는 하나 이상의 제3 분류단위 그룹으로 수술영상을 분할한다. 제3 분류단위 그룹은 하나 이상의 제2 분류단위 그룹을 포함한다.

즉, 제3 분류단위 그룹은 촬영장치의 동작 및 수술영상에 포함된 하나 이상의 객체의 동작을 포함하는, 전체 시스템의 동작을 인식하기 위한 분류단위이다.

예를 들어, 제3 분류단위 그룹은 동일한 프레임에 포함된 하나 이상의 객체의 동작을 포괄하는 동작이 무엇을 의미하는가를 인식하고, 수술영상을 분할하기 위한 분류단위일 수 있다.

예를 들어, 제2 분류단위에 기초하여 수술영상을 분할 및 인식하는 경우, 각각의 수술도구의 동작은 인식할 수 있으나 해당 동작의 원인이나, 해당 동작의 목표를 알기 어려울 수 있다.

제3 분류단위는 하나 이상의 객체로부터 인식된 제2 분류단위의 동작 및 각 동작이 발생한 위치를 함께 이용하여, 수술영상에 대응하는 수술동작을 판단한다. 예를 들어, 수술도구(320)가 특정 부위를 잡고 들어올리는 동작을 수행하고, 수술도구(310)가 이를 절단하는 동작을 수행할 수 있다. 이를 개별적으로 판단하면 그 원인이나 목적을 알기 어렵지만, 이를 함께 이용하여 판단하면 수술동작 전체의 원인이나 목적을 판단할 수 있다.

따라서, 제3 분류단위 그룹은 하나 이상의 제2 분류단위 그룹을 포함한다.

일 실시 예에서, 컴퓨터는 하나 이상의 제2 분류단위의 동작으로부터 제3 분류단위의 동작을 인식할 수 있도록 학습될 수 있다. 학습 데이터는 각 분류단위별로 일일이 라벨링되어 있을 수도 있고, 수술영상에 기초하여 수술영상의 일부 영역 또는 일부 구간에 대해서만 라벨링되어 있을 수도 있다. 이 경우, 컴퓨터는 수술영상을 분석하여 필요한 학습데이터를 생성할 수 있다.

도 5는 일 실시 예에 따라 수술영상을 시간적으로 분할하는 방법을 도시한 흐름도이다.

단계 S410에서, 컴퓨터는 제1 분류단위의 동작을 인식한다.

일 실시 예에서, 제1 분류단위는 수술영상을 시간적으로 분할하는 방법의 한 단위를 의미할 수 있다. 예를 들어, 제1 분류단위는 수술영상을 시간적으로 분할하는 방법의 최소단위를 의미할 수 있으나, 이에 제한되지 않는다.

일 실시 예에서, 제1 분류단위의 동작은 도 3과 관련하여 설명된 바와 마찬가지로 공간적 분할방법에 의하여 각각의 프레임 또는 하나 이상의 프레임에 포함된 하나 이상의 객체의 동작에 기반하여 인식된 수술동작을 포함할 수 있다.

예를 들어, 제1 분류단위는 시간적 분할의 단위를 의미하고, 시간적으로 분할된 수술영상은 공간적으로 다시 분할되어, 제2 분류단위 및 제3 분류단위를 통하여 분석될 수 있다.

다른 실시 예에서, 제1 분류단위의 동작은 도 3과 관련하여 설명된, 수술영상에 포함된 하나 이상의 객체의 제2 분류단위 동작 각각의 집합으로서 설명될 수도 있다.

일 실시 예에서, 제1 분류단위의 동작을 인식함에 있어서 하나 이상의 객체 각각의 위치 및 움직임뿐 아니라, 각각의 위치 및 움직임의 원인을 판단하는 단계가 더 포함될 수 있다.

컴퓨터는 하나 이상의 객체 각각의 위치 및 움직임에 더하여, 각각의 위치 및 움직임의 원인을 함께 이용하여 수술동작을 판단할 수 있다.

단계 S420에서, 컴퓨터는 단계 S410에서 인식된 하나 이상의 제1 분류단위 동작에 기초하여 기 설정된 제4 분류단위의 동작을 인식 할 수 있는 하나 이상의 제4 분류단위 그룹으로 수술영상을 분할한다. 제4 분류단위 그룹은 하나 이상의 제1 분류단위 그룹을 포함한다.

일 실시 예에서, 제4 분류단위는 수술영상을 시간적으로 분할하는 방법의 한 단위를 의미할 수 있다. 예를 들어, 제4 분류단위는 수술영상을 시간적 개념에 기초하여 단계적으로 분할하는 방법에 있어서 제1 분류단위와 연속된 상위 단위를 의미할 수 있으나, 이에 제한되지 않는다.

일 실시 예에서, 컴퓨터는 하나 이상의 제1 분류단위의 동작을 포함하는 제4 분류단위의 동작을 인식할 수 있다.

일 실시 예에서, 컴퓨터는 하나 이상의 제1 분류단위의 동작에 기초하여 제4 분류단위의 동작을 인식할 수 있도록 학습된다. 컴퓨터가 이용할 수 있는 학습방법은 제한되지 않으며, 상술한 기계학습 방법이 활용될 수 있다.

일 실시 예에서, 학습 데이터는 각 분류단위별로 일일이 라벨링되어 있을 수도 있고, 수술영상에 기초하여 수술영상의 일부 영역 또는 일부 구간에 대해서만 라벨링되어 있을 수도 있다. 이 경우, 컴퓨터는 수술영상을 분석하여 필요한 학습데이터를 생성할 수 있다.

예를 들어, 각 수술도구의 잡기, 이동, 자르기 등을 포함하는 일련의 동작이 소정의 순서로 수행되는 경우, 이는 수술의 특정 동작을 수행하는 것임을 알 수 있다. 예를 들어, 클리핑, 이동, 자르기 등의 세부동작이 연속적으로 수행되는 경우, 이는 혈관을 자르는 동작이라는 것을 판단할 수 있다. 다른 예로, 잡기, 들어올리기, 자르기, 걷어내기 등의 동작이 연속적으로 수행되는 경우, 이는 지방을 걷어내는 동작이라는 것을 판단할 수 있다.

이러한 원리로, 컴퓨터는 제1 분류단위의 동작이 소정의 순서로 수행되는 정보에 기초하여 제4 분류단위의 동작을 인식할 수 있도록 하는 학습을 수행할 수 있다.

컴퓨터는 학습 결과에 기초하여 수술영상을 제4 분류단위로 분할하고, 분할된 부분들에 대응하는 제4 분류단위의 수술동작을 인식할 수 있다.

도 6을 참조하면, 수술영상을 분할하여 단계적으로 인식하는 일 예가 도시되어 있다.

도 6을 참조하면, 컴퓨터는 단계 S510, S520, S530 및 S540에 따라 수술영상에 포함된 제1 분류단위, 제4 분류단위, 제5 분류단위 및 제6 분류단위의 동작을 차례로 인식할 수 있다.

일 실시 예에서, 제1 분류단위는 구성요소(component)단위이고, 제4 분류단위는 세부 분할동작(subsegment) 단위이고, 제5 분류단위는 분할동작(segment) 단위이고, 제6 분류단위는 수술(operation) 단위일 수 있다.

도 7을 참조하면, 수술동작을 단계적으로 인식하는 방법의 일 예가 도시되어 있다.

도 7을 참조하면, 수술동작을 제1 분류단위(610)로 분할하여 인식하고, 이로부터 제4 분류단위(620), 제5 분류단위(630) 및 제6 분류단위(640)로 각각 단계적으로 분할하여 인식하는 방법이 개념적으로 도시되어 있다.

일 실시 예에서, 도 7에 도시된 각각의 코드는 각각의 분류단위에 포함되는 동작들을 식별할 수 있는 코드를 의미할 수 있다.

제한되지 않는 예로서, 제1 분류단위의 동작은 잡기, 자르기, 이동하기 등을 포함하고, 제4 분류단위의 동작은 혈관절단, 지방제거 등을 포함하고, 제5 분류단위의 동작은 개복, 장기절제, 장기연결, 봉합 등을 포함하고, 제6 분류단위의 동작은 위암수술을 포함할 수 있다.

즉, 위암수술을 예로 들었을 때 위암수술의 각 동작은 크게 개복, 위절제, 장기연결 및 봉합을 포함할 수 있고, 각각의 동작은 더 구체적으로 혈관절단, 위의 각 부위 절단, 위의 각 부위와 다른 장기의 일부 부위의 연결 등을 포함할 수 있고, 각각의 동작은 더 구체적으로 혈관절단, 지방 등 장애물 제거 등으로 구체화될 수 있으며, 이는 더 세부적으로 단순한 이동, 잡기, 절단 등의 동작으로 더 구체화될 수 있다.

개시된 실시 예에 따르면 이러한 hierarchy를 역으로 이용하여, 수술동작을 최소 세부단위로 분할하여 인식하고, 분할하여 인식된 결과를 이용하여 단계적으로 상위 동작을 인식하도록 컴퓨터를 학습시킬 수 있다.

이러한 단계적 접근방법 없이 수술영상을 이미지 프로세싱하여 상위 단계에 해당하는 수술동작을 정확하게 인식하기는 상대적으로 어려울 수 있다. 수술부위는 환자마다, 질병마다 모양이 다르고, 또한 수술의 종류에 따라 수술동작의 양상은 모두 상이하기 때문이다.

개시된 실시 예에 따르면, 상대적으로 환자의 신체조건이나 수술의 종류 등에 의하여 영향을 덜 받는 세부 수술동작(예를 들어, 자르기, 잡기 등)을 인식하는 것에서부터 시작해, 기계학습을 통해 일련의 세부동작들이 의미하는 상위 수술동작을 인식하고, 단계적으로 더 큰 단위의 수술동작, 나아가 수술의 종류까지 인식할 수 있는 학습모델을 제공할 수 있다.

개시된 실시 예에 따른 학습모델을 이용하면, 환자의 신체상태나 수술의 종류와 상관없이 어디에나 적용가능한 수술동작 인식모델을 제공할 수 있으며, 필요한 경우 미세조정(fine tuning)을 이용하여 각 환자의 신체상태 또는 수술의 종류에 맞도록 특화된 수술동작 인식모델을 제공할 수도 있다.

일 실시 예에서, 컴퓨터는 수술영상에서 발생하는 이벤트를 인식할 수 있다. 예를 들어, 이벤트는 출혈 등 수술오류(surgical error)상황을 포함한다. 이벤트가 발생하는 경우, 컴퓨터는 수술영상에 대한 이미지 프로세싱을 통하여 이를 인식할 수 있다.

컴퓨터는 이벤트가 인식되는 경우, 수술영상을 인식된 이벤트를 포함하는 하나 이상의 이벤트 그룹으로 분할할 수 있다. 분할된 이벤트 그룹은 별도로 관리될 수도 있고, 개시된 실시 예에 따른 분류단위에 포함되거나, 독립적인 분류단위로서 수술동작의 분석에 활용될 수도 있다.

일 실시 예에서, 컴퓨터는 인식된 이벤트와, 이벤트가 인식된 시점 전후의 수술동작에 기초하여 이벤트의 발생원인을 판단할 수 있다.

예를 들어, 컴퓨터는 이벤트가 발생하는 경우, 이벤트가 발생한 시점 전후의 소정 분류단위의 동작들을 이벤트에 대한 정보와 함께 저장함으로써 이벤트의 발생원인을 분석하기 위한 학습 데이터를 생성할 수 있다.

컴퓨터는 생성된 학습 데이터를 이용하여 학습을 수행하고, 각 분류단위의 수술동작들과 이벤트 간의 상관관계를 학습할 수 있다.

컴퓨터는 학습 결과에 기초하여, 이벤트가 발생하는 경우 그 원인을 판단하고 사용자에게 피드백을 제공할 수 있다.

일 실시 예에서, 컴퓨터는 소정 분류단위의 동작에 기초하여 수술동작의 최적화를 위한 학습을 수행할 수 있다.

예를 들어, 컴퓨터는 환자의 신체상태 및 수술의 종류별로 각 분류단위의 동작을 수행하는 순서 및 방법에 있어 최적화된 순서 및 방법을 학습할 수 있다.

일 실시 예에서, 컴퓨터는 제1 분류단위의 동작에 기초하여 수술동작의 최적화를 위한 학습을 수행할 수 있다. 예를 들어, 컴퓨터는 하나 이상의 레퍼런스 수술정보를 획득할 수 있다. 컴퓨터는 하나 이상의 레퍼런스 수술정보에 포함되는 수술동작의 순서에 기초하여 학습을 수행하고, 학습 결과에 따라 수술별로 최적화된 수술동작의 순서를 판단할 수 있다.

제1 분류단위의 동작은 어느 수술에서든 공통적으로 적용되는 최소단위의 동작이므로, 제1 분류단위에 기초하여 학습을 수행하는 경우, 수술의 종류 및 환자의 신체상태와 무관하게 최적화된 수술동작의 순서를 판단할 수 있는 학습모델을 획득할 수 있다. 마찬가지로, 또한 학습된 모델에 대한 미세조정을 통하여 수술의 종류 및 환자의 신체상태에 따라 최적화된 학습모델을 획득하는 것도 가능하다.

도 8은 일 실시 예에 따른 장치(700)의 구성도이다.

프로세서(710)는 하나 이상의 코어(core, 미도시) 및 그래픽 처리부(미도시) 및/또는 다른 구성 요소와 신호를 송수신하는 연결 통로(예를 들어, 버스(bus) 등)를 포함할 수 있다.

일 실시예에 따른 프로세서(710)는 메모리(720)에 저장된 하나 이상의 인스트럭션을 실행함으로써, 도 1 내지 도 7과 관련하여 설명된 수술영상 분할방법을 수행한다.

예를 들어, 프로세서(710)는 메모리에 저장된 하나 이상의 인스트럭션을 실행함으로써 수술영상을 획득하고, 상기 수술영상의 하나 이상의 프레임 각각에 포함된 하나 이상의 객체를 인식하고, 상기 수술영상을 촬영하는 촬영장치 및 상기 인식된 하나 이상의 객체 각각의 위치 및 움직임을 판단하고, 상기 판단 결과에 기초하여, 상기 수술영상을 기 설정된 제1 분류단위의 동작을 인식할 수 있는 하나 이상의 제1 분류단위 그룹으로 분할한다.

한편, 프로세서(710)는 프로세서(710) 내부에서 처리되는 신호(또는, 데이터)를 일시적 및/또는 영구적으로 저장하는 램(RAM: Random Access Memory, 미도시) 및 롬(ROM: Read-Only Memory, 미도시)을 더 포함할 수 있다. 또한, 프로세서(710)는 그래픽 처리부, 램 및 롬 중 적어도 하나를 포함하는 시스템온칩(SoC: system on chip) 형태로 구현될 수 있다.

메모리(720)에는 프로세서(710)의 처리 및 제어를 위한 프로그램들(하나 이상의 인스트럭션들)을 저장할 수 있다. 메모리(720)에 저장된 프로그램들은 기능에 따라 복수 개의 모듈들로 구분될 수 있다.

이상에서 전술한 본 발명의 일 실시예에 따른 수술영상 분할방법은, 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 어플리케이션)으로 구현되어 매체에 저장될 수 있다.

상기 전술한 프로그램은, 상기 컴퓨터가 프로그램을 읽어 들여 프로그램으로 구현된 상기 방법들을 실행시키기 위하여, 상기 컴퓨터의 프로세서(CPU)가 상기 컴퓨터의 장치 인터페이스를 통해 읽힐 수 있는 C, C++, JAVA, 기계어 등의 컴퓨터 언어로 코드화된 코드(Code)를 포함할 수 있다. 이러한 코드는 상기 방법들을 실행하는 필요한 기능들을 정의한 함수 등과 관련된 기능적인 코드(Functional Code)를 포함할 수 있고, 상기 기능들을 상기 컴퓨터의 프로세서가 소정의 절차대로 실행시키는데 필요한 실행 절차 관련 제어 코드를 포함할 수 있다. 또한, 이러한 코드는 상기 기능들을 상기 컴퓨터의 프로세서가 실행시키는데 필요한 추가 정보나 미디어가 상기 컴퓨터의 내부 또는 외부 메모리의 어느 위치(주소 번지)에서 참조되어야 하는지에 대한 메모리 참조관련 코드를 더 포함할 수 있다. 또한, 상기 컴퓨터의 프로세서가 상기 기능들을 실행시키기 위하여 원격(Remote)에 있는 어떠한 다른 컴퓨터나 서버 등과 통신이 필요한 경우, 코드는 상기 컴퓨터의 통신 모듈을 이용하여 원격에 있는 어떠한 다른 컴퓨터나 서버 등과 어떻게 통신해야 하는지, 통신 시 어떠한 정보나 미디어를 송수신해야 하는지 등에 대한 통신 관련 코드를 더 포함할 수 있다.

상기 저장되는 매체는, 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상기 저장되는 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있지만, 이에 제한되지 않는다. 즉, 상기 프로그램은 상기 컴퓨터가 접속할 수 있는 다양한 서버 상의 다양한 기록매체 또는 사용자의 상기 컴퓨터상의 다양한 기록매체에 저장될 수 있다. 또한, 상기 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장될 수 있다.

본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.

이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.

10: 의료영상 촬영장비
20: 서버
30: 제어부
32: 디스플레이
34: 수술용 로봇
36: 영상촬영부
38: 수술도구

Claims

컴퓨터가 수술영상을 획득하는 단계;
상기 수술영상의 하나 이상의 프레임 각각에 포함된 하나 이상의 객체를 인식하는 단계;
상기 수술영상을 촬영하는 촬영장치 및 상기 인식된 하나 이상의 객체 각각의 위치 및 움직임을 판단하는 단계; 및
상기 판단 결과에 기초하여, 상기 수술영상을 기 설정된 제1 분류단위의 동작을 인식할 수 있는 하나 이상의 제1 분류단위 그룹으로 분할(segmentation)하는 단계; 를 포함하는, 수술영상 분할방법.
제1 항에 있어서,
상기 제1 분류단위 그룹으로 분할하는 단계는,
상기 촬영장치 및 상기 하나 이상의 객체 각각의 위치 및 움직임에 대한 판단 결과에 기초하여, 상기 촬영장치 및 상기 하나 이상의 객체 각각의 위치 및 움직임을 기 설정된 제2 분류단위의 동작으로 인식할 수 있는 하나 이상의 제2 분류단위 그룹으로 상기 수술영상을 분할하는 단계; 를 포함하는, 수술영상 분할방법.
제2 항에 있어서,
상기 제2 분류단위 그룹으로 분할하는 단계는,
상기 촬영장치 및 상기 하나 이상의 객체 각각에 대하여 인식된 하나 이상의 제2 분류단위 동작에 기초하여 기 설정된 제3 분류단위의 동작을 인식할 수 있는 하나 이상의 제3 분류단위 그룹으로 상기 수술영상을 분할하되, 상기 제3 분류단위 그룹은 하나 이상의 상기 제2 분류단위 그룹을 포함하는, 단계; 를 포함하는, 수술영상 분할방법.
제1 항에 있어서,
상기 수술영상으로부터 상기 제1 분류단위의 동작을 인식하는 단계; 를 더 포함하고,
상기 제1 분류단위의 동작을 인식하는 단계는,
상기 수술영상에 포함된 신체부위와 상기 하나 이상의 객체 사이의 위치관계 및 상기 하나 이상의 객체의 움직임에 기초하여 상기 제1 분류단위의 동작을 인식하는 단계; 를 포함하는, 수술영상 분할방법.
제4 항에 있어서,
상기 제1 분류단위의 동작을 인식하는 단계는,
상기 신체부위에 대응하는 모델링 정보를 획득하는 단계;
상기 모델링 정보 및 가상의 상기 하나 이상의 객체를 포함하는 수술 시뮬레이션을 수행하되, 상기 시뮬레이션에서 상기 하나 이상의 가상의 객체는 상기 하나 이상의 객체의 움직임에 따라 움직이는, 단계; 및
상기 시뮬레이션 결과를 이용하여 상기 제1 분류단위의 동작을 인식하는 단계; 를 포함하는, 수술영상 분할방법.
제1 항에 있어서,
상기 제1 분류단위 그룹으로 분할하는 단계는,
하나 이상의 상기 제1 분류단위 그룹 각각에 대하여 인식된 하나 이상의 제1 분류단위의 동작에 기초하여 기 설정된 제4 분류단위의 동작을 인식할 수 있는 하나 이상의 제4 분류단위 그룹으로 상기 수술영상을 분할하되, 상기 제4 분류단위 그룹은 하나 이상의 상기 제1 분류단위 그룹을 포함하는, 단계; 를 포함하는, 수술영상 분할방법.
제6 항에 있어서,
상기 분류된 하나 이상의 제1 분류단위 그룹 각각에 대응하는 하나 이상의 상기 제1 분류단위의 동작을 인식하는 단계; 및
상기 하나 이상의 제1 분류단위의 동작에 기초하여 상기 분류된 하나 이상의 제4 분류단위 그룹 각각에 대응하는 하나 이상의 상기 제4 분류단위의 동작을 인식하는 단계; 를 더 포함하는, 수술영상 분할방법.
제1 항에 있어서,
상기 제1 분류단위는 기 설정된 하나 이상의 동작에 대한 정보를 포함하고,
상기 기 설정된 하나 이상의 동작 각각에는 상기 기 설정된 하나 이상의 동작 각각을 식별할 수 있는 코드가 부여되는, 수술영상 분할방법.
제1 항에 있어서,
상기 수술영상에서 발생하는 이벤트를 인식하는 단계;
상기 인식된 이벤트를 포함하는 하나 이상의 이벤트 그룹으로 상기 수술영상을 분할하는 단계; 를 더 포함하는, 수술영상 분할방법.
하나 이상의 인스트럭션을 저장하는 메모리; 및
상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고,
상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
수술영상을 획득하고,
상기 수술영상의 하나 이상의 프레임 각각에 포함된 하나 이상의 객체를 인식하고,
상기 수술영상을 촬영하는 촬영장치 및 상기 인식된 하나 이상의 객체 각각의 위치 및 움직임을 판단하고,
상기 판단 결과에 기초하여, 상기 수술영상을 기 설정된 제1 분류단위의 동작을 인식할 수 있는 하나 이상의 제1 분류단위 그룹으로 분할하는, 수술영상을 분할하는 장치.
하드웨어인 컴퓨터와 결합되어, 제1 항의 방법을 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장된 컴퓨터프로그램.