Loading the company…
Loading the company…
㈜웨이센
English name as filed with DART, Korea’s corporate disclosure system · Correct the English name ›
Last updated 2026-10-09 · Korean page ›
Verification level — how far we have checked
L0 · Public records — NPS workforce · filed financials · patents — public data
A company based in Seoul, founded in 2019. Industry: Software & IT Services. Revenue for 2025 was ₩2.0bn. It has 59 employees enrolled in the National Pension Service (as of Aug 2026). It is externally audited; the latest audit opinion is “Unqualified”.
Loading…
Latest filing 2025-12-29 · latest registration 2026-09-29 · newest first
본 발명에 따른 임상 인공지능의 수명 주기 관리를 위한 통합 관리 시스템은, EHR(Electronic Health Record), FHIR(Fast Healthcare Interoperability Resources) 및 CDS(Clinical Decision Support) Hooks를 포함하여 구성되며, EHR 내 특정 활동이 CDS Hooks를 트리거하면, FHIR 표준에 따라 필요한 환자 데이터를 조회하고 표준화하여 후속 계층으로 전달하는 임상 통합 계층; 컨테이너화 기술과 오케스트레이션 도구를 사용하여 개별 AI 모델들을 확장 하고 독립적인 마이크로서비스로 호스팅하여, 시스템의 모듈성과 확장성을 확실하게 하는 AI 서비스 및 오케스트레이션 계층; 시스템의 모든 상호작용과 상태 변화를 기록하는 중앙 데이터 뱅크; 및 특정 임무를 수행하는 복수의 에이전트로 구성되며, 임상 통합 계층과 AI 서비스 및 오케스트레이션 계층을 연결하고 통제하며, 중앙 데이터 뱅크에 데이터를 기록 및 중앙 데이터 뱅크로부터 데이터를 조회하는 상태 기반 다중 에이전트 거버넌스 그래프 기반 엔진;을 포함한다.
본 발명은 대장내시경 검사부위 지시 시스템 및 방법에 관한 것이다. 본 발명에 따른 대장내시경 검사부위 지시 방법은, 모델 로딩/조건 설정부가 대장내시경 영상 분석 모델을 로딩하고, 분석 모델의 분석 조건을 설정하는 단계; 제어부가 분석 화면을 초기화하고 정상 대장의 그림을 표시하는 단계; 영상 전처리부가 영상 수신부를 통해 수신한 대장내시경 영상을 후속되는 영상 분석을 원활하게 수행할 수 있도록 전처리하는 단계; 영상 분석부가 전처리된 대장내시경 영상을 AI 기반의 영상 분석 모델을 이용하여 분석하는 단계; 영상 분석부가 분석된 결과를 바탕으로 대장내시경 영상에서 검사부위, 게실 부위 및 병변 부위 중 적어도 하나를 검출하여 지시하는 단계; 및 제어부가 영상 분석부에 의해 분석된 분석 결과를 제공하는 단계를 포함 포함한다. 이와 같은 본 발명에 의하면, 게실(憩室)과 같은 상황을 검사자에게 알리거나 정상 대장과 다르게 검사 화면에 지시(표시)함으로써, 검사자가 천공과 같은 합병증에 주의하면서 검사를 진행할 수 있고, 프로브 이동 경로 설정에 도움을 줄 수 있으며, 검사자가 보다 면밀한 대장내시경 검사를 수행할 수 있다.
본 발명은 위내시경 검사부위 지시 시스템 및 방법에 관한 것이다. 본 발명에 따른 위내시경 검사부위 지시 방법은, 모델 로딩/조건 설정부가 위내시경 영상 분석 모델을 로딩하고, 분석 모델의 분석 조건을 설정하는 단계; 제어부가 분석 화면을 초기화하고 정상 위의 그림을 표시하는 단계; 영상 전처리부가 영상 수신부를 통해 수신한 위내시경 영상을 후속되는 영상 분석을 원활하게 수행할 수 있도록 전처리하는 단계; 영상 분석부가 전처리된 위내시경 영상을 AI 기반의 영상 분석 모델을 이용하여 분석하는 단계; 영상 분석부가 분석된 결과를 바탕으로 위내시경 영상에서 검사부위, 탈장 부위 및 병변 부위 중 적어도 하나를 검출하여 지시하는 단계; 및 제어부가 영상 분석부에 의해 분석된 분석 결과를 제공하는 단계를 포함 포함한다. 이와 같은 본 발명에 의하면, 정상 위와 탈장 위를 구분하여 화면에 지시함으로써, 자세한 위 검사부위 지시가 가능하고, 검사자에게 탈장을 알려줌으로써 보다 면밀한 위내시경 검사를 수행할 수 있다.
내시경 검사시 의료진의 판독 소견을 자동으로 기록하는 검사 기록지 생성장치, 이를 포함하는 내시경 검사 기록 시스템 및 그 방법이 개시된다. 이를 위하여 의료진의 내시경 검사 판독 소견에 대응되는 음성 데이터 및 제1 텍스트 데이터 중 적어도 하나 이상의 데이터를 표준화 데이터로 변환한 후 관찰 소견, 관찰 부위, 병변 위치, 병변 유형 및 조치 중 적어도 하나 이상의 항목으로 정형화하여 환자용 판독 기록지를 생성하는 검사 기록지 생성장치, 환자용 판독 기록지가 저장되는 전자 의무기록 저장서버, 및 전자 의무기록 저장서버에 저장된 환자용 판독 기록지를 읽어와서 의료진 명령에 따라 수정하는 적어도 하나 이상의 의료진 단말장치를 포함하는 내시경 검사 기록 시스템을 제공한다. 본 발명에 의하면, 문서 작업으로 인한 의료진의 부담을 덜고 진료의 질을 향상시킬 수 있다.
본 발명은 영상 및 음성 인식을 이용한 내시경 영상 분석 시스템에 관한 것이다. 본 발명에 따른 영상 및 음성 인식을 이용한 내시경 영상 분석 시스템은, 내시경 분석 모델 및 음성 키워드 인식 모델을 로딩하고, 분석 모델의 분석 조건을 설정하는 모델 로딩/조건 설정부; 내시경 영상 프레임을 수신하는 영상 수신부; 수신한 내시경 영상을 후속되는 영상 분석 및 활성화 영역 추출을 원활하게 수행할 수 있도록 전처리하는 영상 전처리부; 전처리된 내시경 영상을 AI 기반의 영상 분석 모델 및 AI 기반의 음성 키워드 인식 모델을 이용하여 분석하는 영상 분석부; 분석된 결과를 바탕으로 내시경 영상에서 활성화 영역(AM)을 추출하는 활성화 영역 추출부; 및 영상 분석 모델이 검출하는 분석 대상과 검사자가 발성하는 분석 대상과 관련된 음성 명령어(키워드)를 연결하여 분석 결과를 화면과 결과 리포트로 제공하되, 검사자의 음성 여부를 판단하여 영상 분석 모델에 의한 내시경 영상 분석 결과에서 병변이 아닌 것을 잘못 찾은 FP(False Positive)를 결과 표시에서 제외하는 제어부를 포함한다.
본 발명은 영상 및 음성 인식을 이용한 내시경 영상 분석 시스템에 관한 것이다. 본 발명에 따른 영상 및 음성 인식을 이용한 내시경 영상 분석 시스템은, 내시경 분석 모델 및 음성 키워드 인식 모델을 로딩하고, 분석 모델의 분석 조건을 설정하는 모델 로딩/조건 설정부; 내시경 영상 프레임을 수신하는 영상 수신부; 수신한 내시경 영상을 후속되는 영상 분석 및 활성화 영역 추출을 원활하게 수행할 수 있도록 전처리하는 영상 전처리부; 전처리된 내시경 영상을 AI 기반의 영상 분석 모델 및 AI 기반의 음성 키워드 인식 모델을 이용하여 분석하는 영상 분석부; 분석된 결과를 바탕으로 내시경 영상에서 활성화 영역(AM)을 추출하는 활성화 영역 추출부; 및 영상 분석 모델이 검출하는 분석 대상과 검사자가 발성하는 분석 대상과 관련된 음성 명령어(키워드)를 연결하여 분석 결과를 화면과 결과 리포트로 제공하되, 검사자의 음성 키워드를 인식하여 영상 분석 모델에 의한 내시경 영상 분석 결과에서 병변을 검출하지 못한 FN(False Negative)을 검사 결과에 포함시키는제어부를 포함한다.
본 발명은 복수개의 인공지능 기반의 초음파 영상 분석 모델을 사용하여 누구라도 쉽고 빠르고 정확한 초음파 영상 분석을 수행할 수 있는 장치 및 방법을 제공하는 것이 목적이다. 이를 위해서, 초음파 영상을 수신하는 초음파 영상 수신부;와 초음파 영상 분류모델 중 사용하고자 하는 분류모델을 선택하고, 해당 모델의 설정값을 세팅하는 분류모델 세팅부;와 수신한 초음파 영상 프레임 중에서 분석하고자 하는 초음파 영상 프레임을 하나 이상 선택하는 영상 프레임 선택부;와 선택된 초음파 영상 프레임을 선택된 분류모델을 통해 분석하는 분류모델부;와 하나 이상의 분류모델을 통해 상기 검사부위를 분석한 결과 공통적인 분류가 있는지를 판단하는 공통 분류 판단부;와 선택된 하나 이상의 초음파 영상 프레임에서 공통적인 분류를 생성한 각각의 모델로부터 상기 검사부위의 AM(Activation Map)을 추출하고 이를 통해 CAM(Common Activation Map)을 생성하는 CAM 생성부; 및 생성한 상기 CAM을 포함하는 분석 결과 영상을 생성하여 표시하는 분석 결과 영상 표시부;을 포함하는 초음파 영상 분석 장치를 제공한다.
본 발명은 복수개의 인공지능 기반의 초음파 영상 분석 모델을 사용하여 중분류를 수행하고 중분류 수행 결과를 세부 분류하여 쉽고 빠르고 정확하게 초음파 영상을 세부적으로 분석할 수 있는 장치 및 방법을 제공하는 것이 목적이다. 이를 위해서, 초음파 영상을 수신하는 초음파 영상 수신부;와 초음파 영상 분류모델 중 사용하고자 하는 분류모델을 선택하고, 해당 모델의 설정값을 세팅하는 분류모델 세팅부;와 수신한 초음파 영상 프레임 중에서 분석하고자 하는 초음파 영상 프레임을 하나 이상 선택하는 영상 프레임 선택부;와 상기 초음파 영상 프레임을 선택된 하나 이상의 분류모델을 통해 분석하여 공통으로 분류되는 검사부위의 AM(Activation Map)을 추출하고 이를 통해 CAM(Common Activation Map)을 생성하는 중분류 수행부;와 상기 중분류 결과가 병변 또는 인공물인 경우에 상기 병변 및 상기 인공물의 종류를 세부적으로 분류하는 세부 분류 수행부; 및 병변 또는 인공물의 세부 분류에 따른, 세부 분류 확률 및 세부 분류 종류를 포함하는 세부 분류 결과를 생성하여 표시하는 분석 결과 영상 표시부;를 포함하는 초음파 영상 세부 분류 분석 장치가 제공된다.
본 개시는 인공지능 모델을 기반으로 조기위암에서 절제 전 림프절 전이 위험도를 예측하기 위한 진단 보조 장치 및 방법에 관한 것이다. 본 개시에 따른 조기 위암에서 림프절 전이 여부를 예측하기 위한 진단 보조 장치는 환자의 위 내시경 영상 및 상기 환자의 의무기록 데이터를 입력받도록 이루어지는 통신부 및 상기 위 내시경 영상 및 상기 의무기록 데이터를 입력 데이터로 하여 림프절 전이 가능성을 예측하는 인공지능 모델을 포함하는 프로세서를 포함하고, 상기 프로세서는 상기 림프절 전이 예측 결과를 기반으로 위암 치료 방법과 관련된 처방 데이터를 생성하는 것을 특징으로 할 수 있다.
본 발명에 따른 내시경 영상 분석 결과 시각화 및 대표 영상 선별 방법은, 복수개의 분석 모델을 로딩하고, 분석 모델의 분석 조건을 설정하는 단계; 영상 분석이 요구되는 상황이면 영상 프레임을 읽어와서 복수개의 분석 모델로 영상을 분석하는 단계; 영상 분석 결과가 설정된 분석 조건을 만족하는지 판별하는 단계; 분석 조건을 만족하면, 복수개의 분석 모델의 활성화 영역(AM)을 추출하고, 추출된 활성화 영역을 바탕으로 공통 활성화 영역(CAM)을 생성하는 단계; 이전의 영상 프레임에서 분석 대상이 검출되었으면, 이전 영상 프레임과 현재 영상 프레임에서 추출된 공통 활성화 영역(CAM)에 가중치를 적용하여 인접 프레임 공통 활성화 영역(ACAM)을 생성하는 단계; 생성된 인접 프레임 공통 활성화 영역(ACAM)에서 최대 활성화값을 추출하는 단계; 추출된 최대 활성화값이 임계값 이상이면 활성화 영역의 폐곡선을 추출하여 해당 분석 영상에 폐곡선을 그리는 단계; 대표 영상 선별 여부를 판별하여, 대표 영상 선별이면 저장된 ACAM과 이전/현재 프레임의 유사도를 계산하여 후보로 저장하는 단계; 및 대표 영상의 화면 표시 여부를 판별하여, 대표 영상 화면 표시이면 화면에 나타낼 대표 영상을 선별하여 화면에 대표 영상을 표시하고, 분석 결과를 그래프로 그리는 단계를 포함한다.
본 발명에 따른 적응적 내시경 영상 분석 및 시각화 방법은, 복수개의 분석 모델을 로딩하고, 분석 모델의 분석 조건을 설정하는 단계; 영상 분석이 요구되는 상황이면 영상 프레임을 읽어와서 복수개의 분석 모델로 영상을 분석하는 단계; 영상 분석 결과가 설정된 분석 조건을 만족하는지 판별하는 단계; 분석 조건을 만족하면, 복수개의 분석 모델의 활성화 영역(AM)을 추출하고, 추출된 활성화 영역을 바탕으로 공통 활성화 영역(CAM)을 생성하는 단계; 이전의 영상 프레임에서 분석 대상이 검출되었으면, 이전 영상 프레임과 현재 영상 프레임에서 추출된 공통 활성화 영역(CAM)에 가중치를 적용하여 인접 프레임 공통 활성화 영역(ACAM)을 생성하는 단계; 생성된 인접 프레임 공통 활성화 영역(ACAM)에서 최대 활성화값을 추출하는 단계; 추출된 최대 활성화값이 임계값 이상이면 활성화 영역의 폐곡선을 추출하여 해당 분석 영상에 폐곡선을 그리는 단계; 대표 영상 선별 여부를 판별하여, 대표 영상 선별이면 저장된 ACAM과 이전/현재 프레임의 유사도를 계산하여 후보로 저장하는 단계; 대표 영상 화면 표시이면 화면에 나타낼 대표 영상을 선별하여 화면에 대표 영상을 표시하고, 분석 결과를 그래프로 그리는 단계; 및 모델 로딩/조건 설정부가 분석 조건 변경 여부를 판별하여 분석 조건 변경 상황이면 분석 조건을 재설정하는...(이하생략)
의료영상에서 조작된 부위를 판별하기 위한 의료영상 분석장치 및 방법이 개시된다. 이를 위하여 사용자 명령이 입력되는 입력부, 사용자 명령에 의해 선택된 모드에 따라 의료영상에서 조작된 병변으로 의심되는 부위의 테두리를 드로잉한 예측 마스크를 생성하고, 의료영상의 진위여부를 판별하는 판별모델에 예측 마스크를 입력하여 의료영상의 조작 부위를 판별하는 제어부, 의료영상에 대한 분석과정이 표시되는 디스플레이부 및 제어부의 판별결과가 저장되는 저장부를 포함하는 의료영상 분석장치를 제공한다. 본 발명에 의하면, 의료영상에서 임의적 조작된 부위를 판별할 수 있다.
인공지능 모델의 학습을 위한 의료영상 생성장치 및 방법이 개시된다. 이를 위하여 원본 의료영상이 저장된 저장부, 인공지능 모델 학습에 필요한 영상을 생성하는 생성모델을 통해 원본 의료영상으로부터 분석 대상이 포함된 목적 의료영상을 생성하고, 분석 대상에 대해 양성/음성 여부를 예측하는 예측모델에서 목적 의료영상을 분석한 분석결과에 따라 목적 의료영상을 학습 데이터로 추가할지 여부를 결정하는 제어부; 및 원본 의료영상, 목적 의료영상, 목적 의료영상의 생성현황 및 목적 의료영상을 분석하는 분석 과정이 표시되는 디스플레이부를 포함하는 의료영상 생성장치를 제공한다. 본 발명에 의하면, 목적에 맞는 다양한 의료영상 데이터를 인공지능 학습 데이터로 구축할 수 있다.
인공지능 기술이 적용된 의료영상 생성장치를 포함하는 의료영상 진단 교육 시스템 및 그 방법이 개시된다. 이를 위하여 원본 의료영상에 소정 병변에 대응되는 분석 대상이 포함된 목적 의료영상을 생성하는 의료영상 생성장치 및 의료영상 생성장치로부터 목적 의료영상을 수신한 후 사용자 명령에 따라 목적 의료영상에 대한 예측결과를 표시하는 적어도 하나 이상의 교육용 단말장치를 포함하며, 의료영상 생성장치는 목적 의료영상이 적어도 하나 이상의 교육용 단말장치로 전송되는 진행 현황을 표시하는 의료영상 진단 교육 시스템을 제공한다. 본 발명에 의하면, 목적에 맞는 의료영상을 이용한 교육을 통해 임상 숙련도를 향상시킬 수 있다.
본 발명은 내시경 영상 분석 결과의 시각화 시스템 및 방법에 관한 것이다. 본 발명의 제1 실시에 따른 내시경 영상 분석 결과의 시각화 방법은, 모델 로딩/조건 설정부가 복수개의 분석 모델을 로딩하고, 분석 모델의 분석 조건을 설정하는 단계; 영상 분석부가 영상 분석이 요구되는 상황인지 판별하여, 영상 분석이 요구되는 상황이면 영상 프레임을 읽어와서 복수개의 분석 모델로 영상을 분석하는 단계; 활성화 영역 추출/생성부가 영상 분석 결과가 설정된 분석 조건을 만족하는지 판별하여 분석 조건을 만족하면, 복수개의 분석 모델의 활성화 영역(AM)을 추출하고, 그를 바탕으로 공통 활성화 영역(CAM)을 생성하고, 이전의 영상 프레임에서 분석 대상이 검출되었는지를 판별하여, 검출되었으면, 이전 영상 프레임과 현재 영상 프레임에서 추출된 공통 활성화 영역(CAM)에 가중치를 적용하여 인접 프레임 공통 활성화 영역(ACAM)을 생성하는 단계; 활성화값 추출부가 인접 프레임 공통 활성화 영역(ACAM)에서 최대 활성화값을 추출하는 단계; 및 폐곡선 추출부가 최대 활성화값이 검출 확정 임계값 이상인지를 판별하고, 임계값 이상이면 활성화 영역의 폐곡선을 추출하여 해당 분석 영상에 폐곡선을 그리는 단계를 포함한다.
본 발명은 디지털 표현형을 이용한 공황장애 인지행동 치료를 위한 훈련 시스템 및 방법에 관한 것이다. 본 발명에 따른 디지털 표현형을 이용한 공황장애 인지행동 치료를 위한 훈련 방법은, 데이터 수집부가 공황장애 환자의 위치 정보, 주변 밝기, 주변 소음, 행동의 센서 데이터와, 심박수 데이터를 수집하는 단계; 군집화부가 수집된 데이터를 자주 머무는 주요 클러스터로 군집화하는 단계; POI 정보 획득부가 군집화된 클러스터에 대해 POI 정보를 획득하는 단계; 클러스터 유형 표기부가 획득된 POI 정보를 이용하여 해당 클러스터의 클러스터 유형을 표기하는 단계; 타임 테이블 생성부가 공황장애 환자에 대하여 자가진단 설문을 통해 공황이나 예기불안을 겪은 내용을 기록하여 타임 테이블을 생성하는 단계; 인터페이스 제공부가 타임 테이블의 데이터를 클러스터 단위로 묶어 공황 또는 예기불안의 정도를 입력할 수 있도록 하는 인터페이스를 제공하는 단계; 클러스터 정렬/시각화부가 클러스터 단위의 하루 타임 테이블을 주 단위, 월 단위로 집계하고, 해당 클러스터에서의 특징 및 공황 점수, 예기불안 점수에 따른 주요 클러스터를 정렬 및 그래프로 시각화하는 단계; 및 훈련 수행부가 공황 및 예기불안을 심하게 느끼는 순서로 번호를 매겨 지도에 표기하여, 환자가 지도에 표기된 번호에 대응하는 장소를 찾아 훈련을 수행하도록 하는 ...(이하생략)
본 발명은 폐음 데이터를 이용한 천명 위험 클래스 예측 시스템 및 방법에 관한 것이다. 본 발명에 따른 폐음 데이터를 이용한 천명 위험 클래스 예측 방법은, 폐음 수집부가 웨어러블 폐음 패치를 통해 환자의 폐음을 실시간으로 수집하는 단계; 특징 맵 추출부가 수집된 폐음을 특정 시간 간격으로 샘플링한 후, 특징 추출 모델을 통해 폐음 샘플들에서 천명 특징 맵들을 추출하는 단계; 특징 맵 분류부가 추출된 특징 맵들을 특징 분류 모델을 통해 특징에 따라 다수의 분류층으로 분류하는 단계; 특징 맵 클러스터부가 분류된 특징 맵들을 수집하고, 수집된 특징 맵들을 클러스터링 모델을 이용하여 군집화하며, 군집화된 클러스터 조합들을 시계열 순서에 맞게 배치하는 단계; 클러스터/벡터 변환부가 클러스터 조합들을 시간 순서에 맞게 벡터로 변환하는 단계; 및 천명 위험 클래스 예측부가 변환된 클러스터 조합 벡터와 예측 구간의 천명 클래스를 하나의 입력 세트로 사용하여 천명 클래스 예측 모델을 학습시키고, 학습된 천명 클래스 예측 모델을 이용하여 천명 위험 클래스를 예측하는 단계를 포함한다.
디지털 표현형을 이용하여 설문지를 선별하는 설문장치 및 설문지 선별방법이 개시된다. 이를 위하여 본 발명은 네트워크를 통해 연결된 적어도 하나 이상의 디지털 장치로부터 전송되는 디지털 표현형 데이터를 수집하는 데이터 수집부, 디지털 표현형 데이터로부터 디지털 표현형 특징을 추출하는 특징 추출부, 디지털 표현형 특징을 입력받아서 정신질환 단계를 예측하는 예측모델을 통해 적어도 하나 이상의 디지털 장치를 사용하는 사용자의 정신질환 단계를 예측하는 질환단계 예측부 및 예측된 정신질환 단계와 예측되기 이전 정신질환 단계의 비교결과에 따라 적어도 하나 이상의 디지털 장치를 사용하는 사용자를 대상으로 하는 정기 설문에 포함될 설문지를 선별하는 설문지 선별부를 포함하는 설문장치를 제공한다. 본 발명에 의하면, 불필요한 설문의 반복을 줄임으로써 환자의 피로도를 감수 시킬 수 있다.
본 발명은 기침음의 임상적 특성을 가지는 국소 위상에 대한 신경망 모델의 학습 방법 및 장치에 관한 것이다. 본 발명에 따른 기침음의 임상적 특성을 가지는 국소 위상에 대한 신경망 모델의 학습 방법은, 이미지 입력부가 환자로부터 수집된 기침음 데이터에 대한 특정 고정길이의 프레임 스펙트로그램을 입력받는 단계; 기계학습 네트워크부가 프레임 스펙트로그램의 이미지 데이터를 처리하고, 시간순으로 샘플링되는 프레임의 현재 프레임과 이전 프레임과의 상관성을 학습하며, 학습 결과를 바탕으로 최종적으로 해당 기침음의 클래스를 분류하는 단계; 분류 손실 연산부가 상기 클래스 분류의 예측값과 정답값 간의 오차에 대한 손실함수를 이용하여 분류 손실을 연산하는 단계; 위상 손실 연산부가 네트워크의 분류 활성화 지도에 대한 x축, y축 히스토그램 값과 프레임 스펙트로그램의 국소 위상에 대한 x축, y축 히스토그램 값의 오차에 대한 손실함수를 이용하여 위상 손실을 연산하는 단계; 및 통합 손실 연산 및 역전파부가 분류 손실 연산부에 의해 연산된 분류 손실과, 위상 손실 연산부에 의해 연산된 위상 손실을 합산하여 최종 통합 손실을 구한 후, 기계학습 네트워크부로 역전파하는 단계를 포함한다.
경구면역요법을 이용한 식품알레르기 치료서비스 제공방법, 이를 구현하기 위한 기록매체에 저장된 컴퓨터 프로그램 및 시스템이 개시된다. 이를 위하여 환자 단말기에 입력된 환자정보가 환자 단말기와 네트워크를 통해 연결된 의료진 단말기로 전송되는 단계, 의료진 단말기에 수신된 환자정보를 기반으로 경구면역요법 가이드정보가 생성되는 단계, 경구면역요법 가이드정보가 환자 단말기로 전송되어 표시되는 단계, 환자 단말기에 단백질 섭취 후의 증상에 대한 증상정보가 입력되면 증상정보가 의료진 단말기로 전송되는 단계, 의료진 단말기에서 증상정보를 분석하여 이상반응 등급이 판별되는 단계 및 이상반응 등급에 따라 경구면역요법 가이드정보가 수정되어 환자 단말기로 전송되어 표시되는 단계를 포함하는 식품알레르기 치료서비스 제공방법을 제공한다. 본 발명에 의하면, 앱을 활용하여 가정에서 안전하고 효과적으로 경구면역요법을 진행할 수 있다.
본 발명은 내시경 영상 분석 AI 모델을 이용한 소화관 내시경 영상 분석 장치 및 방법에 관한 것이다. 본 발명에 따른 내시경 영상 분석 AI 모델을 이용한 소화관 내시경 영상 분석 방법은, AI 예측 모델을 로딩 및 내시경 영상 분석과 관련된 변수를 초기화한 후, 외부의 의료영상장치로부터 제공된 소화관의 내시경 영상 프레임을 읽어 들인다. 읽어 들인 내시경 영상 프레임에 대해 타겟 및 논-타겟을 각각 예측하고, 타겟과 논-타겟이 각각 검출되었으면, 타겟 예측 모델 및 논-타겟 예측 모델의 활성화 영역을 각각 추출 및 추출된 타겟 예측 모델 및 논-타겟 예측 모델의 각 활성화 영역을 각각 이진화한다. 타겟 검출 프레임 수와 논-타겟 검출 프레임 수를 각각 누적하고, 누적된 타겟 검출 프레임 수( )가 타겟 검출 프레임 수 임계값( ) 이상이고, 누적된 논-타겟 검출 프레임 수( )가 논-타겟 검출 프레임 수 임계값( ) 이상이 아니면, 내시경 영상에 타겟의 외곽선을 드로잉한다. 논-타겟 필터링인 경우, 타겟 및 논-타겟 CC(connected component)를 추출하여 논-타겟과 겹치는 타겟 CC를 삭제하고, 내시경 영상에 논-타겟과 겹치지 않는 타겟의 외곽선을 드로잉한다.
본 발명은 내시경 영상 분석 AI 모델을 이용한 소화관 내시경 영상 분석 장치 및 방법에 관한 것이다. 본 발명에 따른 내시경 영상 분석 AI 모델을 이용한 소화관 내시경 영상 분석 방법은, 입력 영상에서 타겟과 논-타겟이 각각 검출되었으면, 타겟 예측 모델 및 논-타겟 예측 모델의 활성화 영역을 각각 추출하고, 추출된 각 활성화 영역을 각각 이진화한다. 또한, 타겟 검출 프레임 수와 논-타겟 검출 프레임 수를 각각 누적하고, 누적된 타겟 검출 프레임 수에 대해 적응적 타겟 프레임 수( ) 적용 여부를 판별한다. 적응적 타겟 프레임 수( )가 적용되었으면, 타겟 검출 프레임 수 임계값( )을 구하고, 누적된 타겟 검출 프레임 수( )가 타겟 검출 프레임 수 임계값( ) 이상인지와, 누적된 논-타겟 검출 프레임 수( )가 논-타겟 검출 프레임 수 임계값( ) 이상인지를 판별한다. 타겟 검출 프레임 수( )가 타겟 검출 프레임 수 임계값( ) 이상이고, 누적된 논-타겟 검출 프레임 수( )가 논-타겟 검출 프레임 수 임계값( ) 이상이 아니면, 내시경 영상에 타겟의 외곽선을 드로잉한다.
본 발명은 동영상 데이터를 이용한 의료 인공지능 모델 학습 방법에 관한 것이다. 본 발명에 따른 동영상 데이터를 이용한 의료 인공지능 모델 학습 방법은, 의료 인공지능 모델이 동영상 데이터로서 인체 내부의 임의의 장기에 대한 연속된 비디오 프레임과, 키 프레임의 대상 영역 마스크를 입력받는 단계; 입력받은 연속된 비디오 프레임을 컨볼루션 레이어들로 정렬하고, 정렬된 컨볼루션 레이어들에서 각 프레임별 컨볼루션 레이어의 결과물을 출력하는 단계; 출력된 각 프레임별 컨볼루션 레이어의 결과물들을 입력된 시간 순서에 따라 3차원 방향으로 적층하여 3차원 동영상의 특징 지도 데이터를 생성하는 단계; 생성된 3차원 동영상의 특징 지도 데이터를 시퀀스 네트워크에 적용하여 시계열 정보로 처리하는 단계; 처리된 시계열 정보를 바탕으로 클래스별 최종 유사 확률을 구하고, 구해진 최종 확률과 비디오의 정답 클래스를 토대로 분류 손실(L C )을 측정하는 단계; 상기 출력된 각 프레임별 컨볼루션 레이어의 결과물들로부터 프레임별 활성화 지도를 추출하고, 추출된 활성화 지도의 활성화 영역과 키 프레임의 대상 영역 마스크의 정답 영역 간의 위치 유사도(L MF )를 측정하는 단계; 및 g) 상기 측정된 분류 손실(L C )과 측정된 위치 유사도(L MF )를 합산하여 학습 손실을 측정하는 단계를 포함한다.
본 발명은 스마트폰으로 수집한 음향데이터 기반의 호흡기 질환 중증도 분류 방법에 관한 것이다. 본 발명의 제1 실시예에 따른 스마트폰으로 수집한 음향데이터 기반의 호흡기 질환 중증도 분류 방법은, a) 스마트폰이 환자로부터 기침 음향 데이터 및 호흡 음향 데이터를 각각 수집하는 단계; b) 스마트폰에 의해 수집된 음향 데이터를 컴퓨터 시스템에 탑재된 분석 프로그램이 신호 파형 표시 윈도우를 통해 일정 길이로 샘플링하는 단계; c) 일정 길이로 샘플링된 음향 데이터를 컴퓨터 시스템의 1차원 비가공(raw) 데이터 모델이 1차원의 비가공 데이터로 입력받아 1차원 CNN을 이용하여 음향 데이터의 특징을 학습하는 단계; d) 음향 데이터의 특징 학습 완료 후, 컴퓨터 시스템과 연계된 RNN 계열 네트워크가 상기 학습을 바탕으로 윈도우 내의 시계열 데이터를 학습하는 단계; e) 단계 c)의 음향 데이터의 특징 학습과 단계 d)의 윈도우 내의 시계열 데이터 학습 내용을 입력으로, RNN 계열 네트워크가 현재의 윈도우와 이전의 n개의 윈도우 내의 시계열 데이터를 함께 학습하는 단계; 및 f) 컴퓨터 시스템의 출력 레이어가 단계 c)〜e)의 과정을 통해 학습된 파라미터를 이용하는 전이학습을 통해 환자의 기침음 및 호흡음 전체 윈도우에 대한 호흡기 질환 중증도 값으로 분류하는 단계를 포함한다.
본 발명은 스마트폰으로 수집한 음향데이터의 기침, 호흡 구간 검출 및 이상구간 분류 방법에 관한 것이다. 본 발명의 제1 실시예에 따른 스마트폰으로 수집한 음향데이터의 기침, 호흡 구간 검출 및 이상구간 분류 방법은, a) 스마트폰에 의해 환자로부터 기침 음향 데이터 및 호흡 음향 데이터를 각각 수집하는 단계; b) 스마트폰에 의해 수집된 음향 데이터를 컴퓨터 시스템에 탑재된 분석 프로그램(분석 모델)에 의해 신호 파형 표시 윈도우를 통해 일정 길이로 샘플링하는 단계; c) 일정 길이로 샘플링된 음향 데이터를 1차원 비가공(raw) 데이터 모델이 1차원의 비가공(raw) 데이터로 입력받아 1차원 CNN을 이용하여 음향 데이터의 특징을 학습하는 단계; d) 음향 데이터의 특징 학습 완료 후, RNN 계열 네트워크가 상기 학습을 바탕으로 윈도우 내의 시계열 데이터를 학습하는 단계; e) 상기 단계 c)의 음향 데이터의 특징 학습과 상기 단계 d)의 윈도우 내의 시계열 데이터 학습 내용을 입력으로, RNN 계열 네트워크가 현재의 윈도우와 이전의 n개의 윈도우 내의 시계열 데이터를 함께 학습하는 단계; 및 f) 출력 레이어가 상기 단계 e)의 학습 결과를 바탕으로 최종 윈도우에 대한 유효 구간 분류와 이상 구간 분류를 동시에 출력하는 단계를 포함한다.
디지털 표현형 특징을 이용한 사회 불안장애 분석방법 및 장치가 개시된다. 이를 위하여 데이터 수집부가 피험자들이 사용하는 복수의 디지털 장치로부터 피험자 데이터를 수집하는 단계, 특징 추출부가 피험자 데이터로부터 사회 불안장애 환자의 행동 패턴을 나타내는 적어도 하나 이상의 제1디지털 표현형 특징을 추출하는 단계, 특징 변환부가 적어도 하나 이상의 제1디지털 표현형 특징을 규범적 모델링에 의해 정상군과 사회 불안장애 환자군 간의 차이를 나타내는 적어도 하나 이상의 제2디지털 표현형 특징으로 변환하는 단계, 특징 선택부가 적어도 하나 이상의 제2디지털 표현형 특징 중에서 가중치가 높은 제2디지털 표현형 특징을 선택하는 단계 및 군집 형성부가 선택된 제2디지털 표현형 특징을 적용하여 피험자 군집을 형성하는 단계를 포함하는 사회 불안장애 분석방법을 제공한다. 본 발명에 의하면, 사회 불안장애를 분석하여 증상 변화를 예측할 수 있고 정확한 진단을 내려서 치료받게 할 수 있다.
디지털 표현형 특징을 이용한 사회 불안장애 분석방법 및 장치이 개시된다. 이를 위하여 피험자들이 사용하는 복수의 디지털 장치로부터 피험자 데이터가 수집되는 단계, 피험자 데이터로부터 사회 불안장애 환자의 행동 패턴을 나타내는 적어도 하나 이상의 디지털 표현형 특징이 추출되는 단계, 피험자들이 정상군에 속하는지 사회 불안장애 환자군에 속하는지 분류하는 진단그룹 분류모델 생성에 이용되는 적어도 하나 이상의 디지털 표현형 특징의 분류 기여도가 산출되는 단계, 적어도 하나 이상의 디지털 표현형 특징 중에서 분류 기여도에 따라 군집 형성에 사용될 디지털 표현형 특징이 선택되는 단계 및 선택된 디지털 표현형 특징이 적용되어 피험자 군집이 형성되는 단계를 포함하는 사회 불안장애 분석방법을 제공한다. 본 발명에 의하면, 사회 불안장애를 분석하여 증상 변화를 예측할 수 있고 정확한 진단을 내려서 치료받게 할 수 있다.
본 발명은 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 방법 및 시스템에 관한 것이다. 본 발명의 일 실시예에 따른 흉부 CT 영상을 이용한 늑골 골절과 혈흉 예측 방법은, 각 단계가 컴퓨터 시스템에 의해 수행되며, 단일 늑골 골절의 경우에 흉부 CT 영상을 이용하여 늑골 골절과 혈흉 발생 가능성을 예측하는 방법으로서, 늑골 영역 분할에 대해 사전에 학습된 늑골 영역 분할 AI 모델이 흉부 CT 영상을 입력받아 흉부 CT 영상으로부터 늑골 영역을 추출하는 단계와; 늑골 골절에 대해 사전에 학습된 골절 분류 AI 모델이 상기 늑골 영역 분할 AI 모델에 의해 추출된 늑골 영역을 입력받아 늑골 골절 여부를 판별하는 단계와; 늑골 골절로 판별된 경우, 골절 분류 AI 모델이 늑골 골절이 검출된 슬라이스들 중에서 키(key) 슬라이스를 설정하고, 설정된 키(key) 슬라이스의 골절 부위와 주변의 영역을 3D 패치로 구성하는 단계와; 혈흉 발생 예측 모델이 골절 분류 AI 모델에 의해 구성된 3D 패치를 분석하여 패치 단위의 혈흉 발생 가능성을 표시하는 단계; 및 혈흉 발생 예측 모델이 모든 3D 패치에 대한 분석 처리가 완료되었는지를 판별하고, 모든 3D 패치에 대한 분석 처리가 완료되었으면 3D 패치의 분석을 종료하는 단계를 포함한다.
본 발명은 정지영상 데이터로부터 동영상 데이터를 생성하기 위한 의료 인공지능 모델의 학습 방법에 관한 것이다. 본 발명에 따른 정지영상 데이터로부터 동영상 데이터를 생성하기 위한 의료 인공지능 모델의 학습 방법은, 의료 인공지능 모델이 사전에 준비된 학습용 동영상 데이터 세트 중 임의의 시간 t 번째 프레임 이미지( ) 및 t 번째 마스크( )를 입력받는 단계; t 번째 프레임 이미지( ) 및 t 번째 마스크( )를 바탕으로 다음 프레임 생성 모델에 의해 시간 t+1 번째 프레임 이미지( ) 및 t+1 번째 마스크( )를 추론하여 생성하는 단계; 생성된 t+1 번째 추론 프레임 이미지( )와 t+1 번째 프레임 이미지( ) 간의 이미지 손실( )을 측정하는 단계; t+1 번째 추론 마스크( )와 추론된 t 번째 마스크( ) 간의 제1 마스크 손실( )을 측정하는 단계; t+1 번째 추론 마스크( )와 키 프레임 마스크( ) 간의 제2 마스크 손실( )을 측정하는 단계; 및 측정된 이미지 손실( )과, 제1 마스크 손실( ) 및 제2 마스크 손실( )을 합산하여 학습 손실을 측정하는 단계를 포함한다.
만성질환 환자용 건강 관리 장치 및 방법이 개시된다. 일 양상에 따른 만성질환 환자용 건강 관리 장치는, 사용자의 하나 이상의 생활습관 데이터 및 하나 이상의 신체변화 데이터를 획득하는 데이터 획득부; 상기 획득된 하나 이상의 생활습관 데이터 및 상기 획득된 하나 이상의 신체변화 데이터를 기반으로 각 생활습관과 각 신체변화 사이의 상관관계를 분석하고, 상기 각 생활습관과 상기 각 신체변화 사이의 상관관계를 기반으로 단방향 그래프를 생성하는 그래프 생성부; 상기 생성된 단방향 그래프에서 일정 수준 이상의 상관관계를 가지는 생활습관과 신체변화를 포함하는 서브 그래프를 추출하는 서브 그래프 추출부; 및 상기 추출된 서브 그래프를 기반으로 생활습관의 변화를 유도하기 위한 피드백을 생성하는 피드백 생성부; 를 포함한다.
본 발명은 동영상 데이터를 이용한 의료 인공지능 모델 학습 방법에 관한 것이다. 본 발명에 따른 동영상 데이터를 이용한 의료 인공지능 모델 학습 방법은, 의료 인공지능 모델이 동영상 데이터로서 인체 내부의 임의의 장기에 대한 연속된 비디오 프레임과, 키 프레임의 대상 영역 마스크를 입력받는 단계; 입력받은 연속된 비디오 프레임을 컨볼루션 레이어들로 정렬하고, 정렬된 컨볼루션 레이어들에서 각 프레임별 컨볼루션 레이어의 결과물을 출력하는 단계; 출력된 각 프레임별 컨볼루션 레이어의 결과물들을 합쳐서 3차원 동영상의 특징 지도 데이터를 생성하는 단계; 생성된 3차원 동영상의 특징 지도 데이터를 시퀀스 네트워크에 적용하여 시계열 정보로 처리하는 단계; 처리된 시계열 정보를 바탕으로 클래스별 최종 유사 확률을 구하고, 구해진 최종 확률과 비디오의 정답 클래스를 토대로 분류 손실(L C )을 측정하는 단계; 상기 출력된 각 프레임별 컨볼루션 레이어의 결과물들로부터 프레임별 활성화 지도를 추출하고, 추출된 활성화 지도의 활성화 영역과 키 프레임의 대상 영역 마스크의 정답 영역 간의 위치 유사도(L MF )를 측정하는 단계; 및 g) 상기 측정된 분류 손실(L C )과 측정된 위치 유사도(L MF )를 합산하여 학습 손실을 측정하는 단계를 포함한다.
본 발명은 시계열 기침음, 호흡음, 낭독음, 발성음 측정을 통한 호흡기 질환 예후 예측 시스템 및 방법에 관한 것이다. 본 발명에 따른 시계열 기침음, 호흡음, 낭독음, 발성음 측정을 통한 호흡기 질환 예후 예측 방법은, 음성 측정부에 의해 사용자로부터 기침음, 호흡음, 낭독음 및 발성음을 주기적으로 측정하는 단계; 데이터 수집부가 측정된 데이터에 대하여 호흡기 질환 중증도 점수를 평가한 학습용 데이터를 수집하는 단계; 모델 학습부가 수집된 학습용 데이터를 바탕으로 임의의 K 시간의 시계열 측정 데이터를 호흡기 질환 예후 예측모델의 입력값으로 하고, M 시간 후의 호흡기 질환 중증도 평가점수를 출력값으로 하는 호흡기 질환 예후 예측모델을 학습시키는 단계; 및 호흡기 질환 예후 예측부가 학습된 호흡기 질환 예후 예측모델에 K 시간의 시계열 측정 데이터를 입력하고, M 시간 후에 호흡기 질환 예후 예측모델이 출력하는 호흡기 질환 예후 예측값을 바탕으로 호흡기 질환 예후를 예측하는 단계를 포함한다.
본 발명은 스마트폰으로 수집한 기침음, 호흡음, 성음 측정 데이터를 이용한 호흡기 질환 예측 방법에 관한 것이다. 본 발명에 따른 스마트폰으로 수집한 기침음, 호흡음, 성음 측정 데이터를 이용한 호흡기 질환 예측 방법은, 스마트폰을 이용하여 사용자로부터 기침음, 호흡음, 성음의 음향 데이터를 수집하는 단계; 수집된 음향 데이터를 1차로 이벤트 구간과 무음 구간으로 라벨링하고, 1차로 라벨링된 이벤트 구간에 대하여 2차로 복수의 단계의 비정상 호흡음 정도를 라벨링하는 단계; 1차로 라벨링된 이벤트 구간과 무음 구간을 이용하여 음향데이터 이벤트 구간 분류 모델을 생성하는 단계; 음향데이터 이벤트 구간 분류 모델이 입력된 음향데이터로부터 이벤트 구간과 무음 구간을 분류하는 단계; 분류된 이벤트 구간의 후미에 무음 데이터(무음 구간)를 붙여서 하나의 음향데이터로 만들고, 붙여진 음향데이터에 대해 구간 샘플링하는 단계; 기침음, 호흡음, 성음의 음향 데이터로부터 추출된 샘플링 데이터를 이용한 기계학습을 통해 비정상 호흡음 분류 모델을 생성하는 단계; 및 수집된 모든 기침음, 호흡음, 성음의 음향 데이터를 비정상 호흡음 분류 모델로 중첩구간 점수를 산출하고, 산출된 중첩구간 점수에 대응하여 호흡기 질환 건강지수 신호등 형태로 결과를 표시하는 단계를 포함한다.
본 발명은 스마트폰을 이용한 기침음, 호흡음 및 성음 데이터 수집 방법에 관한 것이다. 본 발명에 따른 스마트폰을 이용한 기침음, 호흡음 및 성음 데이터 수집 방법은, 스마트폰이 카메라를 이용하여 입을 벌려서 낼 수 있는 모음이 포함되는 임의의 한 글자의 발성 입모양으로 입의 위치를 유도하는 단계; 사용자의 입모양이 상기 유도하는 입모양에 위치하면, 스마트폰이 녹음 기능을 작동시켜 자동으로 녹음을 시작하는 단계; 자동으로 녹음 시작 후, 스마트폰이 사용자에 의해 기침 또는 호흡을 한 번 하도록 하는 문구 및/또는 음성을 출력, 또는 예시 성음을 들려준 후 따라하도록 유도하는 단계; 사용자가 기침 또는 호흡을 한 번 하면, 스마트폰이 기침음 또는 호흡음의 음향 데이터를 수집, 또는 사용자의 예시 성음 발성에 따른 성음 음향 데이터를 수집하는 단계; 기침음, 호흡음의 수집을 N회 반복하여 N회의 기침음 또는 호흡음의 음향 데이터가 수집되거나, 기설정된 스펙을 만족하는 성음 음향 데이터가 수집되면, 스마트폰이 기침음, 호흡음, 성음 음향 데이터의 수집을 자동으로 종료하는 단계; 스마트폰이 수집된 기침음, 호흡음 및 성음 음향 데이터를 서버로 전송하고, 서버가 기침음, 호흡음 및 성음 음향 데이터를 분석 및 결과를 스마트폰으로 전송하여 스마트폰의 화면에 사용자의 기침음, 호흡음 및 성음의 건강신호등을 표시...(이하생략)
본 발명은 복부 CT 영상 분석을 이용한 활동성 출혈 검출 시스템 및 방법에 관한 것이다. 본 발명에 따른 복부 CT 영상 분석을 이용한 활동성 출혈 검출 방법은, 영상 입력부가 외부로부터 복부 CT 영상을 입력받는 단계; 영상 정렬부가 입력받은 CT 영상에서 조영제 주입 전, 후의 영상을 정렬하는 단계; 영상 분할부가 척추 구간 분할 모델을 이용하여 척추 부분을 복수의 구간으로 분할 및 분할된 척추의 복수의 구간과 대응하여 소화기관 분할 모델을 이용하여 소화기관을 복수의 구간으로 각각 분할하는 단계; 출혈 검출부가 복수의 구간으로 분할된 소화기관의 출혈을 검사하고, 출혈 검사에 따라 출혈이 검출되었는지를 판별하는 단계; 출혈이 검출되었으면, 출혈 형상 구성부가 출혈 형상을 구성하는 단계; 출혈이 검출되었으면, 출혈 검출부가 출혈이 복수 개소에서 검출되었는지를 판별하는 단계; 출혈이 복수 개소에서 검출되었으면, 응급처치 순위 지정부가 출혈 응급처치 우선 순위를 지정하는 단계; 출혈 위치/형상 표시부가 복수 개소에서 검출된 출혈의 위치 및 형상을 시각화하여 화면상에 표시하는 단계; 및 제어부가 CT 영상의 분석 종료 여부를 판별하여, 종료이면 분석 프로세스를 종료하는 단계를 포함한다.
본 발명은 인공지능을 이용한 CT 스캔의 품질 향상 시스템 및 방법에 관한 것이다. 본 발명에 따른 인공지능을 이용한 CT 스캔의 품질 향상 방법은, 소정 두께 및 간격의 CT 스캔을 입력받아 CT 스캔의 각 CT 슬라이스 별로 두께 감소 AI 모델을 적용하는 단계와; 두께 감소 AI 모델의 적용에 의해 두께가 감소된 CT 스캔을 획득하는 단계와; 획득된 두께가 감소된 CT 스캔에 간격 보간 AI 모델을 적용하여 간격이 보간된 CT 스캔을 획득하는 단계와; 두께가 감소되고, 간격이 보간된 CT 슬라이스를 재정렬하는 단계; 및 재정렬된 CT 슬라이스를 바탕으로 최종적으로 품질이 개선된 소정 두께 및 간격의 CT 스캔을 획득하는 단계를 포함한다. 이와 같은 본 발명에 의하면, 인공지능 기술을 이용하여 저해상도의 CT 스캔을 입력받아 두께 감소 및 간격 보간을 행함으로써, 저해상도의 CT 스캔을 고해상도의 품질로 개선할 수 있다.
본 발명은 흉부 엑스-레이 영상에서 폐 영역 분할 시스템 및 방법에 관한 것이다. 본 발명에 따른 흉부 엑스-레이 영상에서 폐 영역 분할 방법은, 영상 입력부가 외부로부터 흉부 엑스-레이 영상을 입력받는 단계와; 영상 생성부가 흉부 엑스-레이 영상을 바탕으로 지역적 균일화(CLAHE) 영상과 전역적 균일화(HEQ) 영상을 생성하는 단계와; 영상 구성부가 상기 CLAHE 영상 및 HEQ 영상과 상기 흉부 엑스-레이 영상의 3채널 영상을 구성하는 단계와; 폐 영역 분할 제1 모델이 흉부 엑스-레이 영상(1채널)을 제공받아 폐 영역 분할 영상을 생성하는 단계와; 폐 영역 분할 제2 모델이 흉부 엑스-레이 영상, CLAHE 영상 및 HEQ 영상(3채널)을 제공받아 폐 영역 분할 영상을 생성하는 단계와; 영상 통합부가 폐 영역 분할 제1 및 제2 모델에 의해 각각 생성된 폐 영역 분할 영상을 각각 제공받아 하나의 영상으로 통합하여 공통 폐 영역 분할 영상을 생성하는 단계와; 외곽선 추적부가 상기 공통 폐 영역 분할 영상을 입력받아 폐 영역의 외곽선을 추적하는 단계; 및 제어부가 외곽선 추적부의 추적 결과를 바탕으로 폐와 배경의 경계가 모호한 부분을 구별하여 확인할 수 있도록 시각화하는 단계를 포함한다.
본 발명은 3차원 멀티채널 데이터를 이용한 질환 발병 예측 시스템 및 방법에 관한 것이다. 본 발명에 따른 3차원 멀티채널 데이터를 이용한 질환 발병 예측 방법은, 2차원 데이터 변환부에 의해 미리 준비된 시계열의 데이터를 M×N 매트릭스 형태의 2차원 데이터로 변환하는 단계와; 3차원 멀티채널 데이터 생성부가 변환된 2차원 데이터의 각각의 데이터에 대하여 n개의 채널로 구성하여 3차원 멀티채널 데이터를 생성하는 단계와; 데이터 학습부가 생성된 3차원 멀티채널 데이터를 CNN 알고리즘을 이용하여 질환 발병 예측 모델에 학습시키는 단계와; 질환 발병 예측부에 의해 외부로부터 입력되는 시계열 데이터를 상기 학습된 질환 발병 예측 모델을 이용하여 분석하여 멀티-클래스로 분류하고, 분류된 각 클래스를 질환 발병의 여부 또는 심각도의 단계로 구성하여 질환 발병을 예측하는 단계를 포함한다. 이와 같은 본 발명에 의하면, CNN을 이용한 질환 발병 예측 모델을 도입하여 시계열 성향의 데이터를 L×M×N 매트릭스 형태의 3차원 멀티채널 데이터로 변환하고, 시간 길이를 2차원 행렬 이미지로 표현함에 따라 모든 시간을 동시에 계산할 수 있게 되어 질환 발병 예측 모델의 학습 시간을 대폭 단축할 수 있다.
본 발명은 초음파 기관지 내시경 분석 방법 및 장치에 관한 것으로, 초음파가 결합된 내시경 프로브를 기관지에 삽입하여 검사하고, 채취 바늘을 이용하여 상기 기관지의 조직을 채취하는 초음파 기관지 내시경 검사 장치로부터 복수의 영상 프레임을 포함하는 검사 영상을 수신하는 단계, 복수의 영상 프레임 각각에 대해 검사 영상을 내시경 영상 및 초음파 영상으로 분리하는 단계, 미리 학습된 제1 신경망 모델을 이용하여 내시경 영상으로부터 림프절의 위치를 판단하는 단계, 미리 학습된 제2 신경망 모델을 이용하여 초음파 영상으로부터 림프절의 번호, 좌우 방향, 전이 여부 및 조직 채취 여부 중 적어도 어느 하나를 판단하는 단계, 및 판단 결과를 화면 상에 표시하고, 기록하는 단계를 포함한다.
본 발명은 자연어 구조 정보를 이용한 임상정보 검색 시스템 및 방법에 관한 것이다. 본 발명에 따른 자연어 구조 정보를 이용한 임상정보 검색 시스템은, 입력받은 자연어 데이터를 규칙 패턴에 의해 사전 처리한 후, 자연어 데이터를 최소 단위의 어절로 분리하여 형태소적인 품사를 태깅하며, 단어 또는 어구에 대하여 특정 의미 유형으로 라벨링한 후, 의미 유형이 라벨링된 개체들 사이의 형태소적 관계를 추출하며, 추출된 서로 다른 두 개체의 각각의 임베딩 벡터값과 두 개체 간의 관계 정보를 하나로 묶어 묶음 개체 정보를 산출하는 자연어 처리장치와; 자연어 처리장치에 의해 만들어진 묶음 개체의 벡터 정보를 저장하는 검색 데이터베이스(DB); 및 묶음 개체화된 임상시험 데이터를 기반으로 구축되며, 임상시험 정보를 저장하는 임상시험 데이터베이스(DB)를 포함한다. 이와 같은 본 발명에 의하면, 자연어 정보에서 개체와 개체 간의 관계 정보만을 이용하여 검색에 활용함으로써 문장에서 다양한 개체 묶음의 순서 등과 같은 문장의 구조적 차이를 해소할 수 있고, 워드 임베딩 모델을 이용하여 묶음 개체에 대한 벡터 값을 계산함으로써 어휘의 다양성을 해소할 수 있다.
본 발명은 복수 의미 유형 단어의 단일 의미 유형 단어로의 라벨링 방법에 관한 것이다. 본 발명에 따른 복수 의미 유형 단어의 단일 의미 유형 단어로의 라벨링 방법은, UMLS의 Metathesaurus DB를 이용하여 사전 기반으로 의미 유형을 가지는 단어 또는 어구 중 복수의 의미 유형을 가지는 단어 또는 어구를 탐색하여 추출하는 단계와; 추출된 복수의 의미 유형을 가지는 단어 또는 어구 리스트 중 라벨링하고자 하는 단어 또는 어구를 선택하는 단계와; 선택된 해당 단어 또는 어구를 포함하는 문장을 의학 임상/문헌 자연어 DB로부터 추출하는 단계와; 추출된 문장을 워드 임베딩 모델을 이용하여 문장 단위의 벡터값으로 변환하는 단계와; 변환된 복수의 의미 유형을 가지는 단어 또는 어구를 포함하는 복수의 문장 벡터 데이터를 기계학습 기반 클러스터링 알고리즘을 이용하여 N개의 클러스터로 분류하는 단계; 및 분류된 N개의 클러스터의 각 클러스터 별로 문장 중 가장 중심이 되는 문장을 선택하고, 선택된 문장에 포함되어 있는 단어 또는 어구에 대하여 복수의 의미 유형 중 하나의 의미 유형을 선택하여, 단어 또는 어구를 라벨링하는 단계를 포함한다.
실시예에 따라 병변을 검출하기 위한 영상 수신 장치는, 의료영상장치로부터 복수의 병변 영역을 포함하는 영상 프레임을 수신하는 통신부, 상기 영상 프레임에 대한 전처리를 수행하여 상기 복수의 병변 영역 각각에 대응하는 전처리 이미지들을 획득하고, 상기 전처리 이미지들 각각에 대해 상기 병변을 검출하기 위해 구현된 복수의 신경망 모델을 이용한 연산을 수행하여 결과값들을 출력하며, 상기 결과값들에 대한 후처리를 수행하는 제어부 및 상기 후처리 수행 결과들을 상기 영상 프레임 상에 오버랩하여 출력하기 위한 디스플레이부를 포함할 수 있다.
실시예에 따른 영상 수신 장치는, 소화기관을 촬영하는 의료 영상 장치로부터 영상 프레임을 수신하는 통신부, 상기 영상 프레임에 대한 신경망 모델을 이용한 연산을 수행하여 결과값들을 출력하기 위한 제어부 및 상기 영상 프레임 상에 상기 결과값들로부터 생성된 이미지 가공 정보를 출력하기 위한 디스플레이부를 포함하고, 상기 결과값들은 상기 소화기관의 전벽에 위치하는 병변과 관련된 제1 결과값들이거나 또는 상기 소화기관의 후벽에 위치하는 병변과 관련된 제2 결과값들이고, 상기 제어부는 상기 전벽의 이미지 및 상기 후벽의 이미지와 함께, 상기 제1 결과값들로부터 생성되는 제1 이미지 가공 정보에 대응하는 제1 인디케이터 또는 상기 제2 결과값들로부터 생성되는 제2 이미지 가공 정보에 대응하는 제2 인디케이터를 생성하고, 상기 디스플레이부는 상기 전벽의 이미지 상에 상기 제1 인디케이터를 표시하거나, 상기 후벽의 이미지 상에 상기 제2 인디케이터를 표시할 수 있다.
실시예에 따른 영상 수신 장치는 소화기관을 촬영하는 의료 영상 장치로부터 영상 프레임을 수신하는 통신부, 상기 영상 프레임에 대한 신경망 모델을 이용한 연산을 수행하여 결과값들을 출력하기 위한 제어부 및 상기 영상 프레임 상에 상기 결과값들로부터 생성된 이미지 가공 정보가 오버랩된 제1 결과 및 상기 영상 프레임에 대한 사용자 이벤트 신호로 획득되는 제2 결과 중 적어도 하나를 출력하는 디스플레이부를 포함할 수 있다.
실시예에 따른 영상 프레임으로 구성된 영상 분석을 통한 사용자 이벤트 검출 방법은, 의료 영상 장치로부터 현재 영상 프레임을 수신하는 단계, 상기 현재 영상 프레임과 이전 영상 프레임의 차이값을 산출하는 단계, 상기 차이값이 소정의 제1 임계치를 초과하였는지 여부에 따라 상기 의료 영상 장치에 상기 현재 영상 프레임에 대한 캡쳐를 수행하기 위한 제1 사용자 이벤트 신호가 입력되었는지 여부를 판단하는 단계 및 상기 제1 사용자 이벤트 신호가 입력된 것으로 판단한 경우, 상기 현재 영상 프레임에 대한 캡쳐를 수행하는 단계를 포함할 수 있다.
실시예에 따른 영상 수신 장치의 인공지능 기반의 영상 처리 방법은 (a) 영상 프레임에 대한 신경망 모델을 이용한 연산 속도를 소정의 연산 속도로 설정하는 단계, (b) 의료 영상 장치로부터 상기 영상 프레임을 수신하는 단계, (c) 상기 영상 프레임에 대해 상기 신경망 모델을 이용한 연산을 수행하는 단계, (d) 상기 영상 프레임에 대한 상기 연산이 수행된 현재 연산 속도를 산출하는 단계 및 (e) 상기 현재 연산 속도와 상기 소정의 연산 속도를 비교하여 상기 영상 프레임에 대한 연산의 지연 여부를 결정하는 단계를 포함할 수 있다.
본 발명은 AI 예측 모델을 이용한 2개의 예측 결과의 학습 데이터 추가 방법에 관한 것이다. 본 발명에 따른 AI 예측 모델을 이용한 2개의 예측 결과의 학습 데이터 추가 방법은, 컴퓨터 시스템에 의해 임의의 객체의 실제 촬영 영상 데이터를 입력받는 단계와; 한 개의 AI 예측 모델에 의해 상기 입력받은 영상 데이터를 추론 (inference)하여 입력받은 영상 데이터에 대한 2개의 결과를 예측하는 단계와; 한 개의 AI 예측 모델에 의한 2개의 예측 결과가 서로 동일한지를 판별하는 단계와; 한 개의 AI 예측 모델의 2개의 예측 결과가 서로 동일하면, 한 개의 AI 예측 모델의 2개의 예측 결과를 X, Y 좌표값으로 각각 변환하여 누적 저장하는 단계와; X, Y 좌표값으로 각각 변환된 한 개의 AI 예측 모델의 2개의 예측 결과에 대한 분석 여부를 판별하는 단계와; 예측 결과에 대한 분석이 필요한 경우, 한 개의 AI 예측 모델의 2개의 예측 결과에 대하여 분석하는 단계; 및 분석 결과를 바탕으로 학습에 포함할 데이터를 선별하고, 선별된 데이터를 학습 데이터로 추가하는 단계를 포함한다.
본 발명은 AI 예측 모델을 이용한 2개의 예측 결과의 시각화 방법에 관한 것이다. 본 발명에 따른 AI 예측 모델을 이용한 2개의 예측 결과의 시각화 방법은, 컴퓨터 시스템에 의해 임의의 객체의 실제 촬영 영상 데이터를 입력받는 단계와; 한 개의 AI 예측 모델에 의해 상기 입력받은 영상 데이터를 추론하여 입력받은 영상 데이터에 대한 2개의 결과를 각각 예측하는 단계와; 한 개의 AI 예측 모델에 의한 2개의 예측 결과가 서로 동일한지를 판별하는 단계와; 한 개의 AI 예측 모델의 2개의 예측 결과가 서로 동일하지 않으면, 한 개의 AI 예측 모델의 2개의 예측 결과를 좌표로 각각 변환하여 누적 저장하는 단계와; 한 개의 AI 예측 모델의 2개의 예측 결과가 서로 동일하면, 한 개의 AI 예측 모델의 2개의 예측 결과를 좌표로 각각 변환하여 화면에 표시 및 누적 저장하는 단계와; 한 개의 AI 예측 모델의 2개의 예측 결과가 서로 동일한 경우, 예측 결과에 대한 분석 여부를 판별하는 단계와; 예측 결과에 대한 분석이 필요한 경우, 예측 결과에 대하여 분석하고, 분석 결과를 화면(평면)에 표시하여 시각화 하는 단계를 포함한다.
본 발명은 AI 예측 모델을 이용한 예측 결과의 학습 데이터 추가 방법에 관한 것이다. 본 발명에 따른 AI 예측 모델을 이용한 예측 결과의 학습 데이터 추가 방법은, 임의의 객체의 실제 촬영 영상에서 제1 대립이 되는 속성을 갖는 영상을 2차원 평면상의 특정 지점을 기준으로 대면하도록 2차원 평면상에 배치하는 단계와; 임의의 객체의 영상에서 제2 대립이 되는 속성을 갖는 영상을 제1 대립의 속성을 갖는 영상과 특정 지점을 기준으로 직교하도록 2차원 평면상에 배치하는 단계와; 2차원 평면상에 각각 배치된 제1, 제2 속성의 영상 데이터를 컴퓨터 시스템에 의해 입력받는 단계와; 컴퓨터 시스템에 의해 입력받은 제1, 제2 속성의 영상 데이터에 대하여 제1, 제2 AI 예측 모델에 의해 각각 결과를 예측하는 단계와; 제1, 제2 AI 예측 모델에 의해 각각 예측된 결과를 X, Y 좌표값으로 변환하여 누적 저장하는 단계; 및 누적 저장된 예측 결과를 분석하여 학습에 포함할 데이터를 선별하고, 선별된 데이터를 학습 데이터로 추가하는 단계를 포함한다.
본 발명은 AI 예측 모델을 이용한 예측 결과의 시각화 방법에 관한 것이다. 본 발명에 따른 AI 예측 모델을 이용한 예측 결과의 시각화 방법은, 임의의 객체의 실제 촬영 영상에서 제1 대립이 되는 속성 A, B를 갖는 영상을 2차원 평면상의 특정 지점을 기준으로 상기 속성 A, B가 서로 대면하도록 2차원 평면상에 배치하는 단계와; 임의의 객체의 영상에서 제2 대립이 되는 속성을 갖는 영상을 제1 대립의 속성을 갖는 영상과 특정 지점을 기준으로 직교하도록 2차원 평면상에 배치하는 단계와; 2차원 평면상에서 동일 대상(target)이 검출되면, AI 예측 모델을 이용하여 점(point)의 형태 또는 다른 형태로 예측 결과를 2차원 평면상에 표시를 시작하고, 동일 대상이 사라지면 예측 결과를 저장하고 평면을 초기화(reset)하는 단계; 및 발견된 각 대상 또는 동일 대상에 대한 AI 예측 모델에 의한 예측 결과값을 최종적으로 2차원 평면의 화면에 표시하여 시각화하는 단계를 포함한다. 이와 같은 본 발명에 의하면, 실시간 예측 결과를 분석하기 편리하게 나타내어 사용할 수 있고, 평면상에 누적 분포와 평균값, 프레임 수 등의 여러 결과를 한꺼번에 나타낼 수 있는 장점이 있다.
KIPO KIPRIS · checked 2026-10-15 · newest filings first · right: registration date (filing date if not yet registered) · 50 of 76 · titles and abstracts are in Korean as filed · click a row for details ▾
For now we hold public records only (National Pension Service · DART filings · patents · registers · press). When the company files material in our IR Room, it moves to L1. We do not score or rate companies — we only state how far we have checked.
| KRW bn | 2024 | 2025 |
|---|---|---|
| Revenue | 1.6 | 2.0 |
| Operating expenses | 5.6 | 6.9 |
| Operating income (loss) | (4.0) | (4.9) |
| Non-operating income | 0.3 | 1.7 |
| Other gains | 0.0 | 0.0 |
| Finance income | 0.3 | 1.7 |
| Non-operating expenses | (1.2) | (2.7) |
| Other losses | (0.0) | (0.1) |
| Finance costs | (1.2) | (2.6) |
| Profit (loss) before tax | (4.9) | (5.9) |
| Net income (loss) | (4.9) | (5.9) |
Revenue ₩2bn, up 25.7% YoY.
Operating margin -240.7% (prior -245.5%).
Net income ₩-5.9bn.
Need more than is shown here? Ask for more information — full review report · valuation · executive teaser · IM · competitor analysis · due diligence. Tell us what you need and we will reply by email with scope, cost and timing.
Is this your company?
If anything here is wrong, tell us — we check it against the original and correct it. You do not need to join. If you would like your financials verified and this page completed, that is a separate process.
Headlines and links to public articles only · not checked by us (original ↗) · articles are in Korean — English headlines are our translation; where none is shown, “Read in English ›” opens a machine translation · “Broker view” is a forecast, not reported results · checked 2026-11-08