Loading the company…
Loading the company…
㈜에어스메디컬
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 2018. Industry: Software & IT Services. Revenue for 2025 was ₩10.7bn. It has 112 employees enrolled in the National Pension Service (as of Aug 2026). It is externally audited; the latest audit opinion is “Unqualified”.
Loading…
Latest filing 2025-09-09 · latest registration 2026-04-13 · newest first
본 개시는 딥 러닝에 기반한 자기 공명 영상을 획득하는 장치 및 그 제어 방법을 제공한다. 본 개시의 일 실시 예에 따른 제어 방법은 자기 공명 신호를 획득하는 단계, 상기 자기 공명 신호와 대응하는 자기 공명 영상의 품질과 관련하여 설정된 복수의 요소 중 적어도 하나를 상기 자기 공명 신호에 적용하여, 상기 자기 공명 영상에 대응하는 학습 영상을 획득하는 단계, 상기 자기 공명 영상을 라벨 데이터로, 상기 획득된 학습 영상을 상기 라벨 데이터와 매칭하는 입력 데이터로 포함하는 학습 데이터 셋을 획득하는 단계 및 상기 학습 데이터 셋과 상기 학습 영상에 대응하는 컨텍스트 데이터를 기초로, 신경망 모델을 학습 시키는 단계를 포함하고, 상기 학습 영상을 획득하는 단계는, K-Space 영역에서 상기 복수의 요소 중 적어도 하나를 적용하여 상기 자기 공명 신호를 왜곡시키고, 상기 왜곡된 자기 공명 신호에 기초하여 상기 학습 영상을 획득하는 단계를 포함할 수 있다.
본 개시는 딥 러닝에 기반한 자기 공명 영상을 획득하는 장치 및 그 제어 방법을 제공한다. 본 개시의 일 실시 예에 따른 제어 방법은 자기 공명 신호를 획득하는 단계, 상기 자기 공명 신호와 대응하는 자기 공명 영상의 품질과 관련하여 설정된 복수의 요소 중 적어도 하나를 상기 자기 공명 신호에 적용하여, 상기 자기 공명 영상에 대응하는 학습 영상을 획득하는 단계, 상기 자기 공명 영상을 라벨 데이터로, 상기 획득된 학습 영상을 상기 라벨 데이터와 매칭하는 입력 데이터로 포함하는 학습 데이터 셋을 획득하는 단계 및 상기 학습 데이터 셋과 상기 학습 영상에 대응하는 컨텍스트 데이터를 기초로, 신경망 모델을 학습 시키는 단계를 포함하고, 상기 학습 영상을 획득하는 단계는, K-Space 영역에서 상기 복수의 요소 중 적어도 하나를 적용하여 상기 자기 공명 신호를 왜곡시키고, 상기 왜곡된 자기 공명 신호에 기초하여 상기 학습 영상을 획득하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따른 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는, 인공 신경망 모델을 이용하여 자기 공명 영상을 획득하는 프로그램의 제어 방법에 있어서, 수학적 모델을 이용하여 출력 자기 공명 영상을 획득하는 프로그램의 제어 방법과 대비하여, 인공 신경망 모델을 이용하여 출력 자기 공명 영상 획득을 위해 입력되는 입력 자기 공명 영상 또는 입력 자기 공명 영상 신호에 적용된 팻 팩터(PAT factor)가 더 높게 설정되도록 하는 단계; 및 상기 인공 신경망 모델을 통해 상기 입력 자기 공명 영상 또는 상기 입력 자기 공명 신호를 복원하여 출력 자기 공명 영상을 획득하는 단계를 포함하는, 방법을 제공하고자 한다.
본 개시는 딥 러닝 모델에 기반한 뇌 MR 영상을 분석하는 방법, 장치 및 컴퓨터 프로그램을 제공한다. 본 개시의 일 실시 예에 따른 방법은 복수의 뇌 MR 영상을 포함하는 학습 데이터에 기반하여 신경망 모델을 학습 시키는 단계, 상기 학습이 완료되면, 상기 학습된 신경망 모델에 대상체로부터 획득된 뇌 MR 영상을 입력하여, 상기 대상체의 뇌에 포함된 복수의 영역을 식별하고, 상기 복수의 영역의 부피를 식별하는 단계 및 상기 대상체의 뇌에 포함된 각각의 영역의 부피에 관한 수치 정보를 제공하는 단계를 포함하고, 상기 학습 시키는 단계는 상기 학습 데이터에 포함된 상기 복수의 뇌 MR 영상에 스캔 조건에 기초하여 설정된 CDF 매핑 함수를 각각 적용하여, 각각의 뇌 MR 영상에 대응하는 증강 MR 영상을 획득하는 단계와 상기 증강 MR 영상을 포함하는 학습 데이터에 기초하여 상기 신경망 모델을 학습 시키는 단계를 포함한다.
본 개시는, 초음파로 혈관을 탐색하고 탐색된 정확한 혈관 위치에 바늘이 삽입되도록 구동시키는 침습 장치에 관한 것으로서, 본 발명의 일 실시예에 따른 침습 장치는, 제1 구동부에 의해 동작하며 상하 방향으로 이동하도록 동작하는 초음파 프로브 모듈; 제2 구동부에 의해 동작하며 상기 초음파 프로브 모듈이 환자의 피부에 접촉된 상태에서 침습영역에 바늘이 삽입되도록 침습 동작을 수행하는 침습 모듈; 및 상기 바늘이 상기 피부에 삽입될 때 상기 환자의 피부가 움직이지 않도록 상기 피부를 침습 영역의 반대방향으로 당겨주는 당김 동작을 수행하는 피부당김 모듈;을 포함하고, 상기 피부당김 모듈의 상기 당김 동작은, 상기 제1 구동부가 상기 초음파 프로브 모듈을 하강시키는 제어에 연동될 수 있다.
본 개시는 딥 러닝에 기반한 자기 공명 영상을 획득하는 장치 및 그 제어 방법을 제공한다. 본 개시의 일 실시 예에 따른 제어 방법은 자기 공명 신호를 획득하는 단계, 상기 자기 공명 신호와 대응하는 자기 공명 영상의 품질과 관련하여 설정된 복수의 요소 중 적어도 하나를 상기 자기 공명 신호에 적용하여, 상기 자기 공명 영상에 대응하는 학습 영상을 획득하는 단계, 상기 자기 공명 영상을 라벨 데이터로, 상기 획득된 학습 영상을 상기 라벨 데이터와 매칭하는 입력 데이터로 포함하는 학습 데이터 셋을 획득하는 단계 및 상기 학습 데이터 셋과 상기 학습 영상에 대응하는 컨텍스트 데이터를 기초로, 신경망 모델을 학습 시키는 단계를 포함하고, 상기 학습 영상을 획득하는 단계는, K-Space 영역에서 상기 복수의 요소 중 적어도 하나를 적용하여 상기 자기 공명 신호를 왜곡시키고, 상기 왜곡된 자기 공명 신호에 기초하여 상기 학습 영상을 획득하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따른 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 혈관 검출 방법은, 이미지 획득 장치로부터 n (n은 자연수)번째 프레임의 의료 이미지를 수집하는 단계 및 학습된 제1 모델 및 학습된 제2 모델을 이용하여 상기 의료 이미지로부터 제1 혈관 영역을 검출하고, 상기 제1 모델을 이용하여 상기 의료 이미지로부터 제2 혈관 영역을 검출하는 단계를 포함하고, 상기 수집하는 단계 내지 상기 검출하는 단계는 미리 설정된 시간동안 반복되는 것을 특징으로 한다.
본 개시의 일 실시예에 따른 인공 신경망 기반 해상도 향상 방법, 프로그램 및 장치가 개시된다. 상기 방법은, 복수의 획득 행렬 크기를 갖는 복수의 학습 데이터를 획득하는 단계; 및 상기 복수의 학습 데이터를 기초로, 상기 복수의 학습 데이터에 포함된 라벨(label)들 중 획득 행렬 크기가 최대값인 제 1 라벨의 획득 행렬 크기 이상인 이미지 크기를 갖는 데이터를 출력하는 신경망 모델을 학습시키는 단계를 포함할 수 있다.
본 개시는 안전한 자동 채혈을 위한 침습 제어 방법 및 장치를 공개한다. 이 방법은 장치에 의해 수행되는 방법에 있어서, (a) 영상 획득부를 통해 획득된 적외선 영상으로부터 목표 혈관을 탐색하여, 상기 영상 획득부의 현재 위치에 대한 상기 목표 혈관의 상대적 좌표를 도출하는 단계; (b) 상기 도출된 상대적 좌표에 기초해 상기 목표 혈관의 제1 좌표 및 혈관 주행 방향과 정렬하기 위한 바늘 삽입 각도를 계산하여, 초음파 프로브를 상기 목표 혈관이 위치한 지점 상부의 피부 표면 상에 접촉시키는 단계; 및 (c) 상기 초음파 프로브를 통해 측정한 결과로부터 상기 목표 혈관의 혈관 내 소정의 지점 좌표를 획득하고, 바늘의 최대 침습 길이 오차를 고려하여 바늘의 최대 삽입 각도를 계산한 후, 상기 계산된 바늘의 최대 삽입 각도에 기초하여 상기 혈관 내 소정의 지점으로 바늘의 끝단이 침습되게 하는 단계; 를 포함하는 것을 특징으로 한다.
본 개시는 안전한 자동 채혈을 위한 침습 제어 방법 및 장치를 공개한다. 이 방법은 장치에 의해 수행되는 방법에 있어서, (a) 영상 획득부를 통해 획득된 적외선 영상으로부터 목표 혈관을 탐색하여, 상기 영상 획득부의 현재 위치에 대한 상기 목표 혈관의 상대적 좌표를 도출하는 단계; (b) 상기 도출된 상대적 좌표에 기초해 상기 목표 혈관의 제1 좌표 및 혈관 주행 방향과 정렬하기 위한 바늘 삽입 각도를 계산하여, 초음파 프로브를 상기 목표 혈관이 위치한 지점 상부의 피부 표면 상에 접촉시키는 단계; 및 (c) 상기 초음파 프로브를 통해 측정한 결과로부터 상기 목표 혈관의 혈관 내 소정의 지점 좌표를 획득하고, 바늘의 최대 침습 길이 오차를 고려하여 바늘의 최대 삽입 각도를 계산한 후, 상기 계산된 바늘의 최대 삽입 각도에 기초하여 상기 혈관 내 소정의 지점으로 바늘의 끝단이 침습되게 하는 단계; 를 포함하는 것을 특징으로 한다.
본 개시의 일 실시예에 따른 컴퓨팅 장치에 의해 수행되는 초음파 프로브와 신체 부위 사이의 접촉 판단 방법은, 상기 초음파 프로브를 통해 복수의 기준 이미지를 획득하는 단계, 상기 복수의 기준 이미지를 기초로, 상기 초음파 프로브와 상기 신체 부위 사이의 접촉 여부에 대한 대한 접촉 판단 기준 및 접촉 압력에 대한 유효 압력 범위를 생성하는 단계, 상기 초음파 프로브를 통해 후보 이미지를 획득하는 단계, 상기 후보 이미지가 상기 접촉 판단 기준 및 상기 유효 압력 범위를 만족하는지 판단하는 단계 및 만족하는 경우 상기 후보 이미지를, 상기 초음파 프로브와 상기 신체 부위 사이의 접촉 압력이 적정 상태에서 획득된 유효 이미지로 결정하는 단계를 포함하는 것을 특징으로 한다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 딥러닝 기반 의료 데이터의 품질 개선 방법, 프로그램 및 장치가 개시된다. 상기 방법은, 신경망 모델의 학습을 위한 입력 데이터의 노이즈와 상관 관계를 갖는 라벨 데이터의 노이즈 비율, 또는 상기 입력 데이터와 상기 라벨 데이터의 레졸루션 중 적어도 하나를 획득하는 단계; 및 상기 입력 데이터, 상기 라벨 데이터, 및 상기 노이즈 비율, 상기 입력 데이터의 레졸루션, 또는 상기 라벨 데이터의 레졸루션 중 적어도 하나를 기초로, 상기 신경망 모델을 학습시키는 단계를 포함할 수 있다.
본 개시는, 침습기구 가이드 장치에 관한 것으로서, 본 개시의 일 실시예는 타겟 위치를 향해 초음파 빔을 조사하는 프로브(Probe)와 결합되며, 상기 프로브의 위치를 고정하는 제1 어댑터부; 상기 침습기구와 결합되며, 상기 침습기구와 함께 이동되는 제2 어댑터부; 상기 제2 어댑터부와 연결되며, 상기 제2 어댑터부가 상기 침습기구의 길이방향을 따라 이동되도록 안내하는 가이드부; 및 제2 어댑터부의 이동 경로상에 배치되어 상기 제2 어댑터부의 이동 가능 거리를 제한하는 스토퍼를 포함하는 제한부를 포함하고, 상기 제한부는 상기 제2 어댑터부의 이동 가능 거리가 변경되도록 제어될 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 딥러닝 모델의 학습을 위한 의료 데이터의 처리 방법, 프로그램 및 장치가 개시된다. 상기 방법은, 케이-스페이스 데이터의 메타 데이터의 특성을 고려하여, 상기 케이-스페이스 데이터를 서로 다른 복수의 데이터로 분리하는 단계; 및 상기 케이-스페이스 데이터로부터 분리된 서로 다른 복수의 데이터를 조합하여, 딥러닝 모델의 학습을 위한 입력 데이터 및 라벨 데이터를 생성하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 딥러닝 기반 의료 데이터의 품질 개선 방법, 프로그램 및 장치가 개시된다. 상기 방법은, 신경망 모델의 학습을 위한 입력 데이터의 노이즈와 상관 관계를 갖는 라벨 데이터의 노이즈 비율, 또는 상기 입력 데이터와 상기 라벨 데이터의 레졸루션 중 적어도 하나를 획득하는 단계; 및 상기 입력 데이터, 상기 라벨 데이터, 및 상기 노이즈 비율, 상기 입력 데이터의 레졸루션, 또는 상기 라벨 데이터의 레졸루션 중 적어도 하나를 기초로, 상기 신경망 모델을 학습시키는 단계를 포함할 수 있다.
본 발명의 일 실시예에 따른 자기 공명 영상 처리에 의해 수행되는 자기 공명 영상 처리 방법은 저품질의 학습 이미지, 상기 학습 이미지가 획득될 때 적용된 적어도 하나의 스캔 파라미터를 포함하는 제1 파라미터 그룹, 고품질의 라벨 이미지 및 상기 라벨 이미지가 획득될 때 적용된 적어도 하나의 스캔 파라미터를 포함하는 제2 파라미터 그룹을 획득하는 단계 및 상기 학습 이미지, 상기 제1 파라미터 그룹, 상기 라벨 이미지 및 상기 제2 파라미터 그룹을 이용하여 인공 신경망 모델을 학습시키는 단계를 포함하고, 상기 인공 신경망 모델은 저품질의 이미지를 기초로 고품질의 이미지를 출력하도록 학습되고, 상기 제1 파라미터 그룹 및 상기 제2 파라미터 그룹은, 상기 학습 이미지 및 상기 라벨 이미지와 데이터 차원이 서로 다른 것을 특징으로 한다.
본 발명은 의료용 AI를 위한 조건 제어 입력 생성 장치 및 방법을 공개한다. 이 장치는 환자의 생체 센싱 데이터를 획득하는 데이터 획득부; 상기 생체 센싱 데이터를 이용하여 의료용 AI를 위한 입력 데이터 생성 프로세싱을 수행하고, 상기 프로세싱의 수행 결과에 의해 생성된 입력 데이터가 기 설정된 기준치를 만족하는지 여부를 판단하는 데이터 처리부; 상기 기준치에 만족되지 않는 경우, 향후 상기 프로세싱에 의해 생성될 입력 데이터가 상기 기준치에 만족되도록 상기 프로세싱의 입력 데이터 생성 조건을 변경하기 위한 조건 변경용 제어신호를 생성하는 조건 제어 컨트롤러; 및 상기 조건 변경용 제어신호에 상응하게 상기 환자의 생체 센싱 조건을 변경하는 조건 제어부; 를 포함하는 것을 특징으로 한다. 아울러, 본 발명은 아래와 같은 과제정보에 따라 수행된 것이다. 1. 지원기관 : 가톨릭대학교 2. 지원사업 : 2022년 성의장학 학술연구사업 3. 과제번호 : 52022B000100018 4. 연구과제명 : 신경계 중환자실 환자들의 개인 맞춤형 영양 지원 요법 인공지능 알고리즘의 개발
본 발명은 초음파 진단 시스템 및 그의 힘 측정 방법에 관한 것으로서, 프로브 모듈을 포함하는 초음파 진단 시스템에 있어서, 초음파 프로브가 환부에 가하는 힘을 측정한 힘 데이터를 제공하는 힘 센서; 상기 초음파 프로브의 높이 방향과 연직 방향이 이루는 각도를 측정한 각도 데이터를 제공하는 자세 측정 센서; 및 상기 초음파 프로브의 말단에 구비되어 환부와 접촉하는 젤 패드;를 포함하는 프로브 모듈; 및 상기 프로브 모듈을 통해 획득된 환부에 대한 초음파 이미지, 상기 힘 데이터 및 상기 각도 데이터를 이용하여 상기 초음파 프로브가 환부에 가하는 제1 접촉 힘을 연산하고, 상기 제1 접촉 힘을 기초로 상기 초음파 프로브가 환부 중 관찰하고자 하는 타겟 부위에 가하는 제2 접촉 힘을 연산하는 제어부;를 포함하는 시스템일 수 있다.
본 개시의 일 실시예에 따른 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 의료 시스템 제어 방법은, 설정된 제어 조건에 따라 동작하는 의료 시스템으로부터 멀티모달(multi-modal) 데이터를 획득하는 단계, 제1 인공지능 모델을 이용하여 상기 멀티모달 데이터를 기초로 상기 의료 시스템의 상기 제어 조건을 변경하기 위한 조건 변경 데이터를 생성하는 단계 및 상기 조건 변경 데이터를 기초로 상기 의료 시스템을 제어하는 단계를 포함하는 것을 특징으로 한다.
본 개시의 일 실시예에 따른 침습 장치는, 길이방향으로 연장된 제1가이드부; 상기 제1가이드부를 따라 가이드 이동되는 제1이동모듈; 상기 길이방향으로 연장된 제2가이드부; 및 상기 제2가이드부를 따라 가이드 이동되는 제2이동모듈을 포함하고, 상기 제1이동모듈은 상기 제2이동모듈보다 전방에 배치되며, 상기 제1이동모듈과 상기 제2이동모듈은 상기 길이방향을 따라 각각 가이드 이동되는, 침습 장치를 제공하고자 한다.
본 개시의 일 실시예에 따른 진동 특성을 이용한 침습 장치 및 방법이 개시된다. 상기 장치는, 침습을 위한 제 1 의료 도구를 촬영하는 카메라; 상기 제 1 의료 도구에 전달되는 진동을 생성하는 제 1 진동 모듈; 및 상기 카메라에 의해 촬영된 제 1 의료 도구에 대한 이미지를 기초로, 상기 제 1 의료 도구에 전달되는 진동의 주파수를 결정하는 제어부를 포함할 수 있다.
본 개시의 일 실시예에 따른 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 혈관 검출 방법은, 이미지 획득 장치로부터 n (n은 자연수)번째 프레임의 의료 이미지를 수집하는 단계 및 학습된 제1 모델 및 학습된 제2 모델을 이용하여 상기 의료 이미지로부터 제1 혈관 영역을 검출하고, 상기 제1 모델을 이용하여 상기 의료 이미지로부터 제2 혈관 영역을 검출하는 단계를 포함하고, 상기 수집하는 단계 내지 상기 검출하는 단계는 미리 설정된 시간동안 반복되는 것을 특징으로 한다.
본 개시의 일 실시예에 따른 컴퓨팅 장치에 의해 수행되는 초음파 프로브와 신체 부위 사이의 접촉 판단 방법은, 상기 초음파 프로브를 통해 복수의 기준 이미지를 획득하는 단계, 상기 복수의 기준 이미지를 기초로, 상기 초음파 프로브와 상기 신체 부위 사이의 접촉 여부에 대한 대한 접촉 판단 기준 및 접촉 압력에 대한 유효 압력 범위를 생성하는 단계, 상기 초음파 프로브를 통해 후보 이미지를 획득하는 단계, 상기 후보 이미지가 상기 접촉 판단 기준 및 상기 유효 압력 범위를 만족하는지 판단하는 단계 및 만족하는 경우 상기 후보 이미지를, 상기 초음파 프로브와 상기 신체 부위 사이의 접촉 압력이 적정 상태에서 획득된 유효 이미지로 결정하는 단계를 포함하는 것을 특징으로 한다.
본 개시의 일 실시예에 따른 채혈 후보를 탐색하기 위한 방법, 프로그램 및 장치가 개시된다. 상기 방법은, 사전 학습된 딥러닝 모델을 사용하여, 의료 영상에 존재하는 혈관을 검출하는 단계; 및 의료용 로봇의 작업 영역(workspace)을 기준으로, 상기 검출된 혈관의 적어도 일부를 포함하는 바운딩 박스(bounding box)를 탐색하여, 채혈 후보를 결정하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따른 신체 부위를 압박하기 위한 장치가 개시된다. 상기 장치는, 신체 부위의 둘레를 따라 접촉되는 탄성 부재를 포함하는 압박부; 액추에이터(actuator)와 결합되어 회전 운동을 수행하는 제 1 동력 전달 모듈을 포함하는 동력 전달부; 및 상기 동력 전달부의 일측 단부에 구비되어 상기 탄성 부재에 탈부착이 가능한 연결부를 포함할 수 있다. 이때, 상기 압박부는, 나선형으로 설계된 상기 제 1 동력 전달 모듈에 의해, 상기 신체 부위의 압박 과정에서 상기 신체 부위의 둘레가 변화하더라도 상기 신체 부위의 둘레를 따라 일정한 압력을 가할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 라벨 생성 방법이 개시된다. 상기 방법은, 신경망 모델을 사용하여, 의료 영상에 존재하는 병변을 탐지하는 단계; 및 상기 신경망 모델에 포함된 소정의 레이어(layer)의 출력을 기초로, 상기 의료 영상 내 병변 영역을 나타내는 라벨(label)을 생성하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따른 의료 영상 기반의 객체 추적 방법, 프로그램 및 장치가 개시된다. 상기 방법은, 제 1 신경망 모델을 사용하여, 의료 영상에 포함된 제 1 영상 프레임(frame) 및 상기 제 1 영상 프레임과 상이한 제 2 영상 프레임을 기초로, 상기 제 1 영상 프레임과 상기 제 2 영상 프레임을 정합하는 단계; 및 상기 정합 결과 및 상기 제 1 영상 프레임에 존재하는 객체에 대한 제 1 마스크 맵(mask map)을 기초로, 상기 제 2 영상 프레임에 존재하는 객체에 대한 제 2 마스크 맵을 생성하는 단계를 포함할 수 있다.
나비 니들 어댑터 장치는, 상기 나비 니들이 투입되어 안착되는 제2 클램프; 및 홀드 모드에서 상기 제2 클램프로부터 상기 나비 니들이 이탈되는 것을 방지하는 제1 클램프를 포함하고, 상기 제2 클램프는 릴리즈 모드에서 상기 제2 클램프의 일측방으로 상기 나비 니들이 이탈되도록 가이드하는 이탈 가이드부를 포함하는, 나비 니들 어댑터 장치를 제공할 수 있다.
본 개시의 일 실시예에 따른 인공 신경망 기반 해상도 향상 방법, 프로그램 및 장치가 개시된다. 상기 방법은, 복수의 획득 행렬 크기를 갖는 복수의 학습 데이터를 획득하는 단계; 및 상기 복수의 학습 데이터를 기초로, 상기 복수의 학습 데이터에 포함된 라벨(label)들 중 획득 행렬 크기가 최대값인 제 1 라벨의 획득 행렬 크기 이상인 이미지 크기를 갖는 데이터를 출력하는 신경망 모델을 학습시키는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따른 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 방법은, 적어도 하나의 입력 이미지의 신호 세기 및 노이즈 특성을 분석하는 단계, 상기 적어도 하나의 입력 이미지 중 신호 세기 및 노이즈 특성이 대응되는 이미지 페어(pair)가 존재하는지 판단하는 단계 및 미리 설정된 노이즈 감소 목표를 기초로 판단 결과에 따라 학습 이미지 및 라벨 이미지를 생성하는 단계를 포함하는 것을 특징으로 한다.
본 개시의 일 실시예에 따른 의료용 로봇의 제어를 모니터링 하기 위한 방법, 프로그램 및 장치가 개시된다. 상기 방법은, 카메라를 통해 획득된 이미지를 기초로, 의료용 로봇에 포함된 둘 이상의 파츠(parts) 간 상대적 위치를 나타내는 제 1 위치 데이터를 생성하는 단계; 상기 파츠 각각을 목표 위치로 이동시키기 위한 제어 데이터를 기초로, 상기 파츠 간 상대적 위치를 나타내는 제 2 위치 데이터를 생성하는 단계; 상기 제 1 위치 데이터와 상기 제 2 위치 데이터 간의 오차를 연산하는 단계; 및 상기 오차를 기초로, 상기 파츠 각각이 상기 목표 위치로 움직인 결과를 모니터링 하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 딥러닝 모델의 학습을 위한 의료 데이터의 처리 방법, 프로그램 및 장치가 개시된다. 상기 방법은, 케이-스페이스(k-space) 데이터 및 상기 케이-스페이스 데이터의 메타(meta) 데이터를 획득하는 단계; 및 상기 메타 데이터의 특성을 고려하여, 상기 케이-스페이스 데이터의 인코딩(encoding) 라인을 기준으로 상기 케이-스페이스 데이터를 서로 다른 복수의 데이터로 분리하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 딥러닝 모델의 학습을 위한 의료 데이터의 처리 방법, 프로그램 및 장치가 개시된다. 상기 방법은, 케이-스페이스 데이터의 메타 데이터의 특성을 고려하여, 상기 케이-스페이스 데이터를 서로 다른 복수의 데이터로 분리하는 단계; 및 상기 케이-스페이스 데이터로부터 분리된 서로 다른 복수의 데이터를 조합하여, 딥러닝 모델의 학습을 위한 입력 데이터 및 라벨 데이터를 생성하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따른 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 데이터 처리 방법은, 복수의 코일들로부터 수신된 신호를 기초로 생성된 복수의 코일 이미지들을 복수의 그룹들로 그룹핑하는 단계 및 상기 복수의 그룹들 각각에 대하여, 각 그룹에 포함된 코일 이미지들을 컴바인하여 그룹 이미지를 생성하는 단계를 포함하고, 복수의 그룹 이미지들 각각은 서로 노이즈 독립 관계인 것을 특징으로 한다.
본 개시의 일 실시예에 따른 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 학습 데이터 생성 방법은, 입력 이미지의 노이즈와 대응되는 랜덤 노이즈를 생성하는 단계, 상기 랜덤 노이즈를 기초로, 제1 노이즈 및 제2 노이즈를 생성하는 단계 및 상기 입력 이미지 및 상기 제1 노이즈를 기초로 제1 이미지를 생성하고, 상기 입력 이미지 및 상기 제2 노이즈를 기초로 제2 이미지를 생성하는 단계를 포함하고, 상기 제1 이미지와 상기 제2 이미지는 서로 노이즈 독립 관계인 것을 특징으로 한다.
본 개시는 안전한 자동 채혈을 위한 침습 제어 방법 및 장치를 공개한다. 이 방법은 장치에 의해 수행되는 방법에 있어서, (a) 영상 획득부를 통해 획득된 적외선 영상으로부터 목표 혈관을 탐색하여, 상기 영상 획득부의 현재 위치에 대한 상기 목표 혈관의 상대적 좌표를 도출하는 단계; (b) 상기 도출된 상대적 좌표에 기초해 상기 목표 혈관의 제1 좌표 및 혈관 주행 방향과 정렬하기 위한 바늘 삽입 각도를 계산하여, 초음파 프로브를 상기 목표 혈관이 위치한 지점 상부의 피부 표면 상에 접촉시키는 단계; 및 (c) 상기 초음파 프로브를 통해 측정한 결과로부터 상기 목표 혈관의 혈관 내 소정의 지점 좌표를 획득하고, 바늘의 최대 침습 길이 오차를 고려하여 바늘의 최대 삽입 각도를 계산한 후, 상기 계산된 바늘의 최대 삽입 각도에 기초하여 상기 혈관 내 소정의 지점으로 바늘의 끝단이 침습되게 하는 단계; 를 포함하는 것을 특징으로 한다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 3차원 의료 데이터의 처리 방법, 프로그램 및 장치가 개시된다. 상기 방법은, 가속화 촬영 혹은 가속화 시뮬레이션(simulation)을 통해 생성된 3차원의 제 1 케이-스페이스(k-space) 데이터를 복원하여, 3차원의 제 2 케이-스페이스 데이터를 생성하는 단계; 및 상기 제 2 케이-스페이스 데이터의 제 1 채널(channel)에 대한 연산을 기초로, 상기 제 1 채널에서 이미지 도메인(domain)의 특성을 갖는 3차원의 제 3 케이-스페이스 데이터를 생성하는 단계를 포함할 수 있다.
본 발명은 신체 타겟 부위에 거치되는 거치대; 및 상기 거치대에 거치된 상기 신체 타겟 부위를 압박 또는 압박 해제하는 압박부를 포함하는, 정맥 천자 보조를 위한 신체 압박 장치에 관한 것이다.
본 발명은 신체의 채혈 대상 부위의 혈관 영상을 획득하기 위한 영상 획득부; 상기 신체의 채혈 대상 부위에 침습되기 위한 니들이 고정 또는 고정 해제되는 니들 어댑터; 상기 영상 획득부를 개별 이동시키는 영상 획득부 개별 이동 모듈과, 상기 니들 어댑터를 개별 이동시키는 니들 어댑터 개별 이동 모듈과, 상기 영상 획득부와 상기 니들 어댑터를 함께 이동시키는 통합 이동 모듈을 포함하는 이동 유닛; 및 상기 영상 획득부가 상기 신체의 채혈 대상 부위로 이동되도록 상기 이동 유닛의 구동을 제어하고, 상기 영상 획득부에서 획득된 혈관 영상에 의거하여 상기 니들이 상기 신체의 채혈 대상 부위의 혈관에 침습되도록 상기 이동 유닛의 구동을 제어하는 제어부를 포함하는, 채혈 장치에 관한 것이다.
본 개시의 일 실시예에 따른 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 방법은, 제1 영상, 상기 제1 영상에 대한 개선 요소 및 개선 요소에 대한 목표값을 수신하는 단계, 학습된 인공지능 모델을 이용하여 상기 목표값을 기초로 상기 제1 영상을 개선하여 제2 영상을 생성하는 단계 및 수학적 모델을 이용하여 상기 목표값을 기초로 상기 제2 영상을 개선하여 제3 영상을 출력하는 단계를 포함하는 것을 특징으로 한다.
본 발명은 채혈하고자 하는 생체의 타겟 부위를 둘러싸며 탈부착되는 패드 본체; 상기 패드 본체에 마련되어, 상기 타겟 부위의 채혈을 위한 니들이 인출입되는 드레싱부; 및 상기 패드 본체에 마련되어, 초음파 프로브로부터 상기 타겟 부위로 왕복 투과하는 초음파를 전달하는 초음파 매질부를 포함하는, 채혈 패치에 관한 것이다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 라벨 생성 방법이 개시된다. 상기 방법은, 신경망 모델을 사용하여, 의료 영상에 존재하는 병변을 탐지하는 단계; 및 상기 신경망 모델에 포함된 소정의 레이어(layer)의 출력을 기초로, 상기 의료 영상 내 병변 영역을 나타내는 라벨(label)을 생성하는 단계를 포함할 수 있다.
본 발명은 목적 타겟 이탈 위험을 최소화하는 신체의 목적 타겟 결정 방법, 최종 목적 타겟의 중심 좌표 산출 방법, 이를 이용한 자동 채혈 장치 및 컴퓨터 판독 가능한 기록 매체에 저장된 프로그램을 공개한다. 목적 타겟 이탈 위험을 최소화하는 신체의 목적 타겟 결정 방법은 기계 학습을 이용하여 전자 연산 장치가 신체의 목적 타겟을 결정하는 방법에 있어서, 초음파 프로브가, 피검자의 신체의 영상 데이터를 획득하는 제1 단계; 상기 제1 단계에서 획득한 상기 영상 데이터를 컨볼루션 신경망 학습을 통해 분석하여 목적 타겟과 회피 타겟의 위치를 특정하는 제2 단계; 및 상기 제2 단계에서 특정된 목적 타겟과 회피 타겟의 특정 정보를 참조하여 최종 목적 타겟의 위치를 결정하는 제3 단계; 를 포함하며, 상기 제3 단계는, 목적 타겟의 크기 기반 제1 정보, 목적 타겟의 깊이 기반 제2 정보 및 목적 타겟과 피부 표면 사이의 특정 영역에 회피 타겟 존재 여부에 대한 제3 정보에 기초하여 최종 목적 타겟으로 판단하는 단계인 것을 특징으로 한다.
본 발명은 신체의 목적 타겟 위치 결정 방법을 공개한다. 이 방법은 기계 학습을 이용하여 전자 연산 장치가 신체의 목적 타겟을 결정하는 방법에 있어서, 초음파 프로브가, 피검자의 신체의 영상 데이터를 획득하는 제1 단계; 및 상기 제1 단계에서 획득한 상기 영상 데이터를 기계 학습을 통해 분석하여 목적 타겟과 회피 타겟의 위치를 특정하는 제2 단계를 포함하고, 상기 기계 학습은, 목적 타겟 또는 회피 타겟의 특징 정보를 획득하고 저장하는 것이며, 상기 특징 정보는, 목적 타겟 및 회피 타겟의 에코 발생성의 세기와, 에코 발생 성분의 분포 패턴과, 목적 타겟 또는 회피 타겟의 크기 변화 정보와, 목적 타겟 및 회피 타겟의 상대적 위치와, 피검자의 신체 정보 및 상기 초음파 프로브가 신체에 접촉했을 때의 크기 변화 정보 중 적어도 하나인 것을 특징으로 한다. 본 발명에 의할 경우, 신체의 목적 타겟의 위치를 정확하게 결정할 수 있으므로 예를 들어 채혈 또는 정맥 주사를 위한 주사침 침습 위치를 정확하게 결정하고 해당 위치에 주사침을 꽂을 수 있어서 채혈 또는 정맥 주사의 완전 자동화가 가능해진다.
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 병변 탐지 방법이 개시된다. 상기 방법은, 신경망 모델에 포함된 제 1 신경망을 사용하여, 의료 영상의 특징을 잠재 공간(latent space)으로 임베딩(embedding) 하는 단계; 상기 신경망 모델에 포함된 제 2 신경망을 사용하여, 상기 잠재 공간에 임베딩 된 특징을 기초로 복원 영상을 생성하는 단계; 및 상기 의료 영상과 상기 복원 영상을 기초로, 상기 의료 영상에 존재하는 병변 영역을 추정하는 단계를 포함할 수 있다.
본 발명의 실시예에 따른 자기 공명 영상 처리 방법에 있어서, 제1 시퀀스로 촬영된 복수개의 제1 자기 공명 영상을 인풋으로 하고, 상기 제1 시퀀스와 서로 다른 적어도 어느 하나의 제2 시퀀스로 촬영된 제2 자기 공명 영상을 라벨로 하여 학습된 제1 인공 신경망 모델에, 상기 제1 시퀀스로 촬영된 자기 공명 영상을 입력하는 단계; 및 상기 제1 인공 신경망 모델로부터 상기 제2 시퀀스로 촬영된 자기 공명 영상이 출력되는 단계를 포함하는, 자기 공명 영상 처리 방법을 제공하고자 한다.
본 발명은 니들부를 지지하는 니들 지지부와 상기 니들 지지부를 사이에 두고 대향 배치되는 한 쌍의 날개를 포함하는 나비 니들을 고정 또는 고정 해제하는 나비 니들 어댑터 장치에 있어서, 어댑터 본체; 상기 어댑터 본체에 상호 접근 또는 상호 이격 가능하게 마련되고, 상호 접근하여 상기 나비 니들을 고정하거나, 상호 이격하여 상기 나비 니들의 고정을 해제하는 한 쌍의 클램프; 및 한 쌍의 상기 클램프가 상호 접근 또는 상호 이격 되도록 구동시키는 구동부를 포함하고, 한 쌍의 상기 클램프 중 어느 하나에는 상기 나비 니들의 한 쌍의 상기 날개 중 어느 하나의 날개가 안착되는 날개 안착부가 형성되는, 나비 니들 어댑터 장치에 관한 것이다.
본 발명의 일 실시예에 따른 3D 마스크 자동 생성 기법이 적용된 자기 공명 영상 처리 방법에 있어서, 자기 공명 혈관 영상 및 상기 자기 공명 혈관 영상으로부터 획득되는 초기 최대 강도 투영 영상 중 적어도 하나를 인풋으로 하고, 학습용 마스크를 라벨로 하여 학습된 제2 인공 신경망 모델에, 제1 자기 공명 혈관 영상 및 상기 제1 자기 공명 혈관영상으로부터 획득되는 초기 최대 강도 투영 영상 중 적어도 하나를 입력하는 단계; 및 상기 제2 인공 신경망 모델로부터 제1 마스크를 출력하는 단계를 포함하는, 자기 공명 영상 처리 방법을 제공하고자 한다.
본 발명의 일 실시예에 따른, 노이즈 투 노이즈(Noise to Noise) 기법이 적용된 자기 공명 영상 처리 방법에 있어서, 대상체를 적어도 1회 이상 스캔하여 이미지를 획득하는 단계; 및 상기 대상체를 2회 이상 스캔하여 이미지를 획득한 경우, 상기 이미지 중 어느 하나를 제1 인공 신경망 모델에 인풋으로 입력하고, 상기 이미지 중 다른 하나를 상기 제1 인공 신경망 모델에 라벨로 입력하여, 상기 제1 인공 신경망 모델을 학습시키는 단계를 포함하는, 자기 공명 영상 처리 방법을 제공하고자 한다.
본 발명의 일 실시예에 따른 컴바인이 적용되는 자기 공명 영상 처리 장치를 통해 수행되는 컴바인이 적용되는 자기 공명 영상 처리 방법에 있어서, 자기 공명 영상을 적어도 하나 이상의 블록(Block)으로 분할하는 단계; 및 각각 블록에 대응되는 감도벡터(Sensitivity Vector)를 산출하는 단계를 포함하고, 상기 산출된 감도벡터를 대응되는 블록에 적용하고, 상기 감도벡터가 적용된 블록들을 컴바인(Combine)하는 경우, 상기 컴바인을 통해 형성되는 이미지는 상기 블록들의 경계에서 서로 불연속적으로 표시되는, 컴바인이 적용되는 자기 공명 영상 처리 방법을 제공하고자 한다.
KIPO KIPRIS · checked 2026-10-15 · newest filings first · right: registration date (filing date if not yet registered) · 50 of 65 · titles in Korean as filed, with our English translation below · abstracts in Korean · 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 | 4.1 | 10.7 |
| Cost of sales | 0.7 | 0.7 |
| Gross profit (loss) | 3.4 | 10.0 |
| Selling, general and administrative expenses | 17.7 | 17.4 |
| Operating income (loss) | (14.3) | (7.4) |
| Non-operating income | 0.5 | 0.5 |
| Other gains | 0.0 | 0.0 |
| Finance income | 0.4 | 0.3 |
| Other | 0.1 | 0.2 |
| Non-operating expenses | 0.3 | 0.4 |
| Other losses | 0.0 | 0.1 |
| Finance costs | 0.3 | 0.2 |
| Other | 0.0 | 0.1 |
| Profit (loss) before tax | (14.0) | (7.3) |
| Net income (loss) | (14.0) | (7.3) |
Revenue ₩10.7bn, up 159.0% YoY.
Operating margin -69.4% (prior -347.3%).
Net income ₩-7.3bn.
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 2026-11-07