회사 자료를 불러오는 중…
회사 자료를 불러오는 중…
검증 단계 — 어디까지 확인했나
L0 · 국민연금 인력 · 공시 재무 · 특허 — 공공자료
서울특별시에 있는 2014년 설립 회사입니다. 응용 소프트웨어 개발 및 공급업을 합니다. 2025년 매출은 1.8억입니다. 2026년 8월 기준 국민연금 가입자는 25명입니다. 외부감사를 받는 회사이고, 가장 최근 감사의견은 「적정」입니다.
읽어오는 중입니다…
최근 출원 2022-07-05 · 최근 등록 2024-01-25 · 최신 출원순
본 발명은 심장의 심실과 심방을 감싸고 있는 벽의 단면의 센터 라인을 추출하는 방법에 관한 것이다. 본 발명에 따른 심장 벽의 중심선 추출 방법은, (a) 3차원 심장 의료 영상 이미지 데이타를 심실 또는 심방을 포함하는 이미지 데이타로 학습된 제1 신경망 모델에 입력하여 세그멘테이션된 제1 영역 데이타를 얻는 단계와, (b) 3차원 심장 의료 영상 이미지 데이타를 심실과 심실벽 또는 심방과 심방벽을 포함하는 이미지 데이타로 학습된 제2 신경망 모델에 입력하여 세그멘테이션된 제2 영역 데이타를 얻는 단계와, (c) 상기 제1 영역 데이타와 상기 제2 영역 데이타에서 차를 구하는 부울연산을 수행하여 제1 벽 영역 데이타를 구하는 단계와, (d) 상기 제1 벽 영역 데이타에 스켈톤(skeleton) 연산을 수행하는 단계를 포함한다.
본 발명은 기계 학습을 이용하여 2차원 X-선 혈관 조영술 이미지로부터 3차원 혈관 모델을 생성하는 방법에 관한 것이다. 본 발명에 따른 컴퓨터를 이용하여 환자의 2차원 X-선 혈관 조영술 이미지로부터 3차원 혈관 모델을 생성하는 방법은, 서로 다른 각도에서 촬영된 한 쌍의 2차원 X-선 혈관 조영술 이미지를 입력받는 단계와, 기계 학습된 프로그램을 이용하여 상기 서로 다른 각도에서 촬영된 한 쌍의 2차원 X-선 혈관 조영술 이미지로부터 각각의 이미지에 대하여 주요 혈관의 입구와 출구가 표시된 한 쌍의 이미지를 생성하는 단계를 포함한다. 또한, 상기 한 쌍의 주요 혈관의 입구와 출구가 표시된 이미지를 처리하면 입구로부터 출구까지의 주요 혈관 영역을 자동으로 세그멘테이션 할 수 있다. 또한, 상기 한 쌍의 세그멘테이션된 주요 혈관 영역의 각각의 중심선을 구하고, 상기 한 쌍의 세그멘테이션된 주요 혈관 영역의 중심선에 대하여 대응점을 구하고, 각각의 대응점에서의 혈관 영역의 직경을 구하고, 백 프로젝션 알고리즘을 이용하여 상기 한 쌍의 세그멘테이션된 주요 혈관 영역의 중심선의 대응점에 대한 3차원 공간상의 좌표와 3차원 공간 상의 직경을 구할 수 있다.
본 발명은 의료 영상 데이터로부터 혈관들을 자동으로 영역화하는 방법 및 시스템에 관한 것이다. 보다 상세하게는 기계 학습과 영상처리 알고리즘을 이용하여 의료 영상의 혈관들을 자동으로 영역화 하는 방법 및 시스템에 관한 것이다. 본 발명에 따른 3 차원 의료 영상으로 혈관을 자동으로 영역화하는 방법은, 컴퓨터를 이용하여 환자의 3차원 의료영상 데이터를 3차원 형상 혈관 데이터를 영역화하는 방법으로, 환자의 3 차원 의료영상 데이터를 입력받는 단계와, 인공지능 신경망을 이용하여 입력받은 환자의 3차원 의료 영상 데이터를 처리하여 1차 3차원 형상의 혈관 데이터를 생성하는 단계와, 상기 1차 3차원 형상의 혈관 데이터를 영상 처리하여 2차 3차원 형상의 혈관 데이터를 생성하는 단계를 포함하고, 상기 2차 3차원 형상의 혈관 데이터를 생성하는 단계는 1차 3차원 형상의 혈관 데이터를 시드로 사용하여 2차 3차원 형상의 혈관 데이터를 생성한다. 본 발명에 따른 방법은 작업자의 개입 없이 완전 자동으로, 동시에 신속하고 정확하게 3차원 형상의 혈관 데이터를 생성할 수 있다.
본 발명은 환자에게 약물투여나 스트레스를 가하지 않고 기립경사검사 결과를 예측하기 위한 컴퓨터 시뮬레이션 방법에 관한 것이다. 본 발명에 따른 환자 맞춤형 실혈관계 시뮬레이션 모델은 심혈관계 혈류역학에 대한 집중 파라메타 모델(Lumped parameter model)과 혈압의 자율조절계를 모사하는 압력반사 모델(Baroreflex system model)을 사용한다. 이때 기존 환자데이터를 사용하여, 파라미터를 정립해두고, 이를 새로운 환자의 기립경사검사 시뮬레이션에 적용한다.
본 발명은 대상자 고유의 혈관에 대한 혈류 시뮬레이션 방법 및 장치에 관한 것이다. 보다 상세하게는 대상자 고유의 3차원 혈관 모델에 대하여 CFD 모델과 LPM 모델을 연계하여 혈류 시뮬레이션을 수행하는 새로운 방법 및 장치에 관한 것이다. 본 발명에 따른 시뮬레이션 방법은, CFD 모델과 LPM 모델을 연계하여 혈류 시뮬레이션을 수행할 때, 설정된 초기 및 경계 조건으로 CFD 모델에 대한 혈류 시뮬레이션을 수행하고, 혈류 시뮬레이션에 의한 CFD 모델의 각 출구별 혈류량(Qi)과 총 유출 혈류량(Qtot_cfd)을 계산하고, 상기 CFD 모델의 각 출구별 혈류량과 총 유출 혈류량을 이용하여 상기 LPM 모델의 미세혈관반 파라메타를 갱신하고, 상기 갱신된 LPM 모델을 이용하여 상기 CFD 모델의 출구 경계조건을 갱신하고, CFD 모델에 대한 혈류 시뮬레이션의 수렴 조건이 만족 될 때까지 반복적으로 시뮬레이션을 수행하여, 3차원 혈관 모델에 대한 혈류 정보를 계산한다.
본 발명은 혈관 세스멘테이션 방법에 관한 것이다. 보다 상세하게는 복수의 2차원 혈관 단층 영상을 딥런닝 방법에 의해 처리하여 혈관 영역을 세그멘테이션 하는 방법에 관한 것이다. 본 발명에 따른 혈관 영역 세그멘테이션 방법이 제공된다. 본 발명에 따른 세그멘테이션 방법은, 복수의 2차원 단층 영상을 입력받는 단계와, 입력받은 복수의 2차원 단층 영상을 전처리하여 혈관이 위치하는 영역을 표시하여 학습 이미지 데이타를 생성하는 단계와, 생성된 학습 이미지 데이타로 학습하여 혈관 특징 이미지 예측 모델을 생성하는 단계와, 복수의 2차원 단층 이미지를 상기 생성된 혈관 특징 이미지 예측 모델에 입력하여 혈관 특징 표시 복수의 2차원 단층 이미지를 출력 받는 단계를 포함한다.
본 발명은 의료 영상 데이터로부터 혈관들을 자동으로 영역화하는 방법 및 시스템에 관한 것이다. 보다 상세하게는 기계 학습과 영상처리 알고리즘을 이용하여 의료 영상의 혈관들을 자동으로 영역화 하는 방법 및 시스템에 관한 것이다. 본 발명에 따른 3 차원 의료 영상으로 혈관을 자동으로 영역화하는 방법은, 컴퓨터를 이용하여 환자의 3차원 의료영상 데이터를 3차원 형상 혈관 데이터를 영역화하는 방법으로, 환자의 3 차원 의료영상 데이터를 입력받는 단계와, 인공지능 신경망을 이용하여 입력받은 환자의 3차원 의료 영상 데이터를 처리하여 1차 3차원 형상의 혈관 데이터를 생성하는 단계와, 상기 1차 3차원 형상의 혈관 데이터를 영상 처리하여 2차 3차원 형상의 혈관 데이터를 생성하는 단계를 포함하고, 상기 2차 3차원 형상의 혈관 데이터를 생성하는 단계는 1차 3차원 형상의 혈관 데이터를 시드로 사용하여 2차 3차원 형상의 혈관 데이터를 생성한다. 본 발명에 따른 방법은 작업자의 개입 없이 완전 자동으로, 동시에 신속하고 정확하게 3차원 형상의 혈관 데이터를 생성할 수 있다.
본 발명은 스텐트 시술이 필요한 관상동맥 환자에 대한 최적의 스텐트를 선정하는 방법에 관한 것이다. 보다 상세하게는 가상 스텐트에 대한 시뮬레이션을 수행하여 스텐트 시술시 재협착의 가능성을 평가하는 방법에 관한 것이다. 본 발명에 따른 환자 맞춤형 최적 스텐트 선정 방법은 환자의 심장 CT 이미지 데이타를 입력받는 단계와, 상기 입력받은 심장 CT 이미지 데이타를 처리하여 관상동맥 3차원 모델을 생성하는 단계와, 상기 생성된 관상동맥 3차원 모델에서 협착 부분를 선택하는 단계와, 협착 부분에 가상의 스텐트를 삽입하는 단계와, 가상의 스텐트가 삽입된 상태에서 혈류 유동 시뮬레이션을 수행하는 단계와, 혈류 유동 시뮬레이션 결과를 이용하여 가상 스텐트에서의 재 협착 발생 가능성을 평가하는 단계를 포함한다. 특히, 상기 가상 스텐트의 재협착 발생 가능성을 평가하는 단계는, 스텐트 삽입 부위의 혈류 분획 예비력 값과 벽면 전단 응력을 연산하는 단계와, 상기 가상 협착 위치에 대하여, 협착도, 혈류 분획 예비력, 및 벽면 전단 응력 값 사이의 상관 계수를 구하는 단계와, 상기 상관계수가 정해진 값 이상일 경우 재 협착이 발생할 가능성이 높은 것을 판단하는 단계를 포함한다.
본 발명은 스텐트 시술이 필요한 관상동맥 환자에 대한 최적의 스텐트를 선정하는 방법에 관한 것이다. 보다 상세하게는 가상 스텐트에 대한 시뮬레이션을 수행하여 스텐트 시술시 재협착의 가능성을 평가하는 방법에 관한 것이다. 본 발명에 따른 환자 맞춤형 최적 스텐트 선정 방법은 환자의 심장 CT 이미지 데이타를 입력받는 단계와, 상기 입력받은 심장 CT 이미지 데이타를 처리하여 관상동맥 3차원 모델을 생성하는 단계와, 상기 생성된 관상동맥 3차원 모델에서 협착 부분를 선택하는 단계와, 협착 부분에 가상의 스텐트를 삽입하는 단계와, 가상의 스텐트가 삽입된 상태에서 혈류 유동 시뮬레이션을 수행하는 단계와, 혈류 유동 시뮬레이션 결과를 이용하여 가상 스텐트에서의 재 협착 발생 가능성을 평가하는 단계를 포함한다. 특히, 상기 가상 스텐트의 재협착 발생 가능성을 평가하는 단계는, 스텐트 삽입 부위의 혈류 분획 예비력 값과 벽면 전단 응력을 연산하는 단계와, 상기 가상 협착 위치에 대하여, 협착도, 혈류 분획 예비력, 및 벽면 전단 응력 값 사이의 상관 계수를 구하는 단계와, 상기 상관계수가 정해진 값 이상일 경우 재 협착이 발생할 가능성이 높은 것을 판단하는 단계를 포함한다.
본 발명은 의료 영상을 처리하여 혈관의 3차원 형상을 생성하는 방법에 관한 것이다. 보다 상세하게는 복수의 2차원 단층 영상을 처리하여 혈관의 3차원 형상을 생성하는 방법에 관한 것이다. 본 발명에 따른 혈관의 3차원 모델 생성 방법은 컴퓨터 시스템을 이용하여 혈관의 3차원 모델을 생성하는 방법이다. 본 발명에 따른 방법은 복수의 2차원 단층 영상을 입력받는 단계와, 입력받은 복수의 2차원 단층 영상을 전처리하여 관상동맥이 위치하는 영역을 표시하여 학습 이미지 데이타를 생성하는 단계와, 생성된 학습 이미지 데이타로 학습하여 관상동맥 특징 이미지 예측 모델을 생성하는 단계와, 복수의 2차원 단층 이미지를 상기 생성된 관상동맥 특징 이미지 예측 모델에 입력하여 관상동맥 특징 표시 복수의 2차원 단층 이미지를 출력 받는 단계를 포함하고, 상기 출력된 관상동맥 특징 표시 복수의 2차원 단층이미지를 이용하여 관상동맥 3차원 형상을 생성하는 단계를 포함한다. 상기 관상동맥 특징 이미지 예측모델을 학습하는 단계는 FCN(Fully Convolutional Network) 알고리즘 또는 지도학습(Supervised Learning) 알고리즘을 사용한다.
본 발명은 의료 영상을 처리하여 혈관의 3차원 형상을 생성하는 방법에 관한 것이다. 보다 상세하게는 복수의 2차원 단층 영상을 처리하여 혈관의 3차원 형상을 생성하는 방법에 관한 것이다. 본 발명에 따른 혈관의 3차원 모델 생성 방법은 컴퓨터 시스템을 이용하여 혈관의 3차원 모델을 생성하는 방법이다. 본 발명에 따른 방법은 복수의 2차원 단층 영상을 입력받는 단계와, 입력받은 복수의 2차원 단층 영상을 전처리하여 관상동맥이 위치하는 영역을 표시하여 학습 이미지 데이타를 생성하는 단계와, 생성된 학습 이미지 데이타로 학습하여 관상동맥 특징 이미지 예측 모델을 생성하는 단계와, 복수의 2차원 단층 이미지를 상기 생성된 관상동맥 특징 이미지 예측 모델에 입력하여 관상동맥 특징 표시 복수의 2차원 단층 이미지를 출력 받는 단계를 포함하고, 상기 출력된 관상동맥 특징 표시 복수의 2차원 단층이미지를 이용하여 관상동맥 3차원 형상을 생성하는 단계를 포함한다. 상기 관상동맥 특징 이미지 예측모델을 학습하는 단계는 FCN(Fully Convolutional Network) 알고리즘 또는 지도학습(Supervised Learning) 알고리즘을 사용한다.
본 발명은 가상 협착 시뮬레이션을 이용한 관상 동맥의 협착 위험 위치를 예측하는 방법 및 장치에 관한 것이다. 본 발명에 따른 관상 동맥의 협착 위험 위치 예측 방법은, 심장 촬영 영상으로 관상 동맥의 3차원 형상 데이터를 생성하는 단계와, 상기 생성된 관상동맥의 3차원 형상 데이터에 가상 협착 데이터를 부가하기 위한 위치들을 선정하는 가상 협착 위치 선정 단계와, 상기 선정된 가상 협착 위치 각각에 대하여 정해진 협착도들을 갖는 가상 협착 데이터를 부가하여 가상 협착 관상 동맥 3차원 형상 데이터들을 생성하는 단계와, 상기 가상 협착 관상 동맥 3차원 형상 데이터들에 혈류의 경계 조건을 부여하고, 관상 동맥 3차원 형상들 각각의 내부에 대한 혈류 상태량(압력과 혈류 속도)을 구하는 유체 동력학 수치 해석 시뮬레이션 단계와, 상기 가상 협착 위치들 각각에 대하여, 상기 유체 동력학 수치 해석 시뮬레이션에 의해서 구한 혈류 상태량을 가지고, 협착도 변경에 따른 혈류 분획 예비력(FFRct)과 벽면 전단 응력(WSS)의 대표 값을 연산하는 단계와, 상기 가상 협착 위치들 각각에 대하여, 협착도, 혈류 분획 예비력, 및 벽면 전단 응력의 대표 값 사이의 상관 계수를 구하는 단계와, 상기 가상 협착 위치들에 각각에 대한 상관 계수를 비교하고, 가상 협착 위치들 사이의 상대적인 협착 위험 정도를 표시하는 ...(이하생략)
특허청 KIPRIS · 2026-10-15 조회 · 최신 출원순 · 오른쪽은 등록일(등록 전은 출원일) · 전체 12건 중 12건 · 줄을 누르면 자세한 내용이 펼쳐집니다 ▾
지금은 공공자료(국민연금 · 전자공시 · 특허 · 명부 · 보도)만 있습니다. 회사가 IR Room에 자료를 내면 L1로 올라갑니다. 저희는 회사에 점수나 등급을 매기지 않습니다 — 어디까지 확인했는지만 적습니다.
| 단위 억원 | 2024 | 2025 |
|---|---|---|
| 영업수익(매출액) | 0.4 | 1.8 |
| 영업비용 | 29.4 | 40.5 |
| 영업이익(손실) | (28.9) | (38.7) |
| 영업외수익 | 2.6 | 8.0 |
| 기타이익 | 0.1 | 0.3 |
| 금융수익 | 2.5 | 7.7 |
| 영업외비용 | 23.0 | 62.0 |
| 기타손실 | 0.1 | 14.1 |
| 금융원가 | 23.0 | 47.9 |
| 법인세비용차감전순이익(손실) | (49.4) | (92.7) |
| 당기순이익(손실) | (49.4) | (92.7) |
매출은 1.8억으로 전년 대비 317.5% 증가한 것으로 나타났다.
영업이익률은 -2178.8%로 전년 -6802.2%에서 상승했다.
당기순이익은 -92.7억으로 나타났다.
여기 실린 것보다 깊은 자료가 필요하십니까. 추가 정보 요청 — 종합 검토보고서 · 가치평가 · Executive Teaser · IM · 경쟁사 분석 · 실사 의뢰. 고르시면 산출비용과 걸리는 기간을 메일로 안내드립니다.