Loading the company…
Loading the company…
㈜메디픽셀
English name as filed with DART, Korea’s corporate disclosure system · Correct the English name ›
Last updated 2026-10-11 · 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 2017. Industry: Software & IT Services. Revenue for 2025 was ₩147.6m. It has 55 employees enrolled in the National Pension Service (as of Aug 2026). It is externally audited; the latest audit opinion is “Unqualified”.
Loading…
Latest filing 2026-04-22 · latest registration 2026-07-28 · newest first
적어도 하나의 프로세서에 의해 수행되는, 혈관의 압력 차이 값을 보정하는 방법에 있어서, 촬영 장치를 이용하여 피검사체의 혈관을 촬영한 적어도 하나의 영상 및 적어도 하나의 영상에 대한 촬영 장치의 촬영 정보를 획득하는 단계, 촬영 정보에 기초하여, 적어도 하나의 영상에 포함된 혈관의 중력 방향의 높이 정보를 획득하는 단계, 높이 정보에 기초하여, 혈관의 제1 지점과 제2 지점 간 높이의 차이 값을 산출하는 단계, 높이의 차이 값에 기초하여, 혈관의 제1 지점과 제2 지점 간 중력에 의한 압력의 차이 값을 산출하는 단계, 및 중력에 의한 압력의 차이 값에 기초하여, 혈관의 제1 지점과 제2 지점 간 압력의 차이 값을 보정하는 단계를 포함하는, 혈관의 압력 차이 값을 보정하는 방법이 개시된다.
일 실시 예에 따른, 의료 이미지 처리 장치는, 영상 획득부, 메모리, 및 프로세서를 포함할 수 있다. 구체적으로, 프로세서는 의료 이미지 처리 장치로 하여금: 의료 이미지로부터 제1 분지 및 제1 분지로부터 갈라지는 복수의 제2 분지들을 포함하는 대상 혈관의 컨투어를 추출하고, 복수의 제2 분지들 중 대상 분지의 컨투어 및 다른 분지의 컨투어가 연결된 제1 기준 지점(reference point)을 결정하며, 대상 분지의 컨투어를 제1 기준 지점으로부터 다른 분지 및 제1 분지 사이의 경계인 제2 기준 지점까지 연장함으로써 제1 후보 컨투어를 생성하고, 제1 기준 지점으로부터, 제2 기준 지점과 다른 지점까지 대상 분지의 컨투어를 연장함으로써 하나 이상의 제2 후보 컨투어를 생성하며, 제1 후보 컨투어 및 하나 이상의 제2 후보 컨투어에 기초하여, 제1 분지 및 대상 분지를 따르는 경로에 대응하는 대상 컨투어를 결정하고, 대상 컨투어에 기초하여, 경로의 혈관 직경 및 혈관 형상을 포함하는 혈관 정보를 제공하게 할 수 있다.
일 실시예 따른 관심 영역 결정 방법은 3차원 공간에서 제1 포인트들을 포함하는 혈관 데이터를 획득하는 단계; 상기 3차원 공간에서 입체 형상들을 생성하는 단계; 상기 제1 포인트들에 기초하여 상기 입체 형상들 중 후보 형상들을 결정하는 단계; 상기 후보 형상들에 기초하여 상기 제1 포인트들 중 제2 포인트들을 결정하는 단계; 상기 제2 포인트들 각각의 신뢰도 점수를 계산하는 단계; 및 상기 신뢰도 점수에 기초하여 관심 영역을 결정하는 단계를 포함한다.
의료 이미지에서 혈관의 다중 분지 지점을 정확히 검출하는 기술을 개시한다. 일 실시 예에 따른 전자 장치는 의료 이미지를 획득한 후 대상 혈관을 추출하고 대상 혈관에 포함된 분지 지점을 기준으로 대상 혈관을 제1 혈관 구간과 제2 혈관 구간으로 분류할 수 있다. 전자 장치는 제2 혈관 구간 내의 복수 분지 지점 사이의 길이를 미리 산출된 임계 길이와 비교하여 대상 구간을 잠재적인 다중 분지 구간으로 결정할 수 있다. 전자 장치는 잠재적인 다중 분지 구간의 양 끝 지점과 분지 지점에서 대상 혈관에 교차하는 직선들을 각각 생성할 수 있다. 전자 장치는 분지 지점에서 생성된 직선과, 잠재적인 다중 분지 구간의 양 끝 지점에서 생성된 직선들 사이의 교점의 위치에 기초하여 잠재적인 다중 분지 구간이 대상 다중 분지 구간인지 판별할 수 있다.
일 실시예에 따른 아티팩트 추출 방법은 의료 이미지로부터 복셀 데이터를 생성하는 단계; 상기 복셀 데이터를 분할하여 복수의 서브 복셀을 생성하는 단계; 상기 복수의 서브 복셀을 조합한 복수의 서브 복셀 어레이를 생성하는 단계; 상기 복수의 서브 복셀 어레이 각각의 제1 임계치를 결정하는 단계; 상기 결정된 제1 임계치들에 기초하여 상기 복셀 데이터에서 아티팩트를 추출하기 위한 제2 임계치를 결정하는 단계를 포함한다.
일 실시예 따른 특징점 결정 방법은 상이한 촬영정보로 촬영된 제1 이미지 및 제2 이미지를 획득하는 단계; 상기 상이한 촬영정보에 기초하여 상기 제1 이미지에서 제1 센터라인을 결정하는 단계; 상기 상이한 촬영정보에 기초하여 상기 제2 이미지에서 제2 센터라인을 결정하는 단계; 상기 제1 이미지의 제1 에피폴라 라인 및 상기 제1 센터라인에 기초하여 제1 신호를 생성하는 단계; 상기 제2 이미지의 제2 에피폴라 라인 및 상기 제2 센터라인에 기초하여 제2 신호를 생성하는 단계; 및 상기 제1 신호 및 상기 제2 신호에 기초하여 매칭되는 적어도 하나의 포인트를 결정하는 단계를 포함한다.
일 실시예 따른 CIP 결정 방법은 상이한 위치에서 대상체를 촬영한 제1 이미지 및 제2 이미지를 획득하는 단계; 상기 제1 이미지 및 상기 제2 이미지 각각에서 상기 대상체의 미리 설정된 지점에 대응하는 특징점을 결정하는 단계; 상기 제1 이미지 및 상기 제2 이미지 각각의 특징점과, 상기 상이한 위치의 등심면까지의 수직 거리에 기초하여 보정 계수를 결정하는 단계; 및 상기 보정 계수에 기초하여 상기 제1 이미지 및 상기 제2 이미지 각각에서 수직 거리가 동일한 CIP를 결정하는 단계를 포함한다.
일 실시예에 따른 학습 방법은 제1 시점에 획득된 3차원 혈관 영상을 사용하여 인공신경망 모듈에 강화 학습을 수행하는 단계; 상기 3차원 혈관 영상 및 상기 제1 시점에 후속하는 제2 시점에 획득된 2차원 혈관 영상을 상기 인공신경망 모듈에 입력하는 단계; 및 상기 인공신경망 모듈이 상기 3차원 혈관 영상을 변환하는 단계를 포함하고, 상기 강화 학습은, 상기 인공신경망 모듈이 에이전트로서 관찰 및 보상에 기초하여 동작을 출력하도록 구성되고, 상기 3차원 혈관 영상으로부터 생성된 복수의 2차원 학습 영상이 관찰이고, 상기 인공신경망 모듈이 출력하는 3차원 변환 영상이 동작이고, 상기 3차원 변환 영상에 대응하는 2차원 변환 영상과, 상기 복수의 2차원 학습 영상 중 타겟 학습 영상 간의 차이에 기초하여 결정되는 데이터가 보상으로서 구성되는 것이다.
일 실시예 따른 3차원 데이터를 생성하는 방법은 의료 이미지들을 획득하는 단계; 상기 의료 이미지들에 기초하여 3차원 데이터를 생성하는 단계; 사용자 입력에 기초하여 상기 3차원 데이터 상에서 사용자 포인트를 생성하는 단계; 및 상기 3차원 데이터를 회전시킴으로써 상기 사용자 포인트를 검증하는 단계를 포함한다.
일 실시예에 따른 프레임 결정 방법은 복수의 영상 프레임을 획득하는 단계; 상기 복수의 영상 프레임 중 하나를 참조 프레임으로서 결정하는 단계; 상기 참조 프레임에서 혈관 포인트들을 결정하는 단계; 상기 복수의 영상 프레임 각각에 대해, 상기 혈관 포인트들의 좌표 데이터를 결정하는 단계; 및 상기 좌표 데이터의 시계열적 변화에 기초하여 특정 심장 주기에 대응하는 특징 프레임을 결정하는 단계를 포함한다.
일 실시예에 따른 예측 모델 학습 방법은 혈관 이미지에 기초하여 복수의 혈관 모델을 생성하는 단계 - 복수의 혈관 모델 각각은 복수의 노드를 포함함 -; 상기 혈관 이미지 및 인공신경망에 기초하여 상기 복수의 혈관 모델에 적용하는 복수의 계수를 결정하는 단계; 상기 복수의 혈관 모델 및 상기 복수의 계수에 기초하여 상기 복수의 노드 중 일 노드에서의 압력 손실값을 계산하는 단계; 상기 노드에서의 실제 손실값을 획득하는 단계; 및 상기 압력 손실값 및 상기 실제 손실값에 기초하여 상기 인공신경망을 학습시키는 단계를 포함한다.
적어도 하나의 프로세서에 의해 수행되는, 의료 영상의 라벨링 방법에 있어서, 복수의 프레임 이미지를 포함하는 의료 영상을 획득하는 단계, 복수의 프레임 이미지 중 제1 프레임 이미지에 대한 레이블 데이터를 획득하는 단계, 제1 프레임 이미지 및 제1 프레임 이미지에 대한 레이블 데이터를 이용하여 제1 모델을 학습시키는 단계, 학습된 제1 모델에 기초하여, 복수의 프레임 이미지 중 제1 프레임 이미지와 프레임 순서 상 미리 결정된 순서 범위 내에 있는 적어도 하나의 제2 프레임 이미지에 대한 예측을 수행하는 단계 및 적어도 하나의 제2 프레임 이미지에 대한 예측의 결과에 기초하여, 적어도 하나의 제2 프레임 이미지에 대한 예측을 통해 획득한 데이터를 적어도 하나의 제2 프레임 이미지에 대한 레이블 데이터로 설정하는 단계를 포함하는, 의료 영상의 라벨링 방법이 개시된다.
일 실시예에 따른 데이터 처리 방법은, 복수의 복셀 및 상기 복수의 복셀의 스페이싱 값들을 포함하는 데이터를 획득하는 단계; 상기 스페이싱 값들에 기초하여 상기 복수의 복셀 중 제1 복셀들을 선택하는 단계; 및 상기 제1 복셀들에 기초하여 3차원 메시를 생성하는 단계를 포함한다.
일 실시예에 따른 코일 형상을 생성하는 방법은 동맥류 영역을 포함하는 3차원 데이터를 획득하는 단계; 제1 카메라를 사용하여 제1 위치에서 혈관 내 코일을 촬영한 제1 이미지를 획득하는 단계; 제2 카메라를 사용하여 제2 위치에서 상기 코일을 촬영한 제2 이미지를 획득하는 단계; 상기 제1 카메라를 사용하여 제3 위치에서 상기 코일을 촬영한 제3 이미지를 획득하는 단계; 상기 제2 카메라를 사용하여 제4 위치에서 상기 코일을 촬영한 제4 이미지를 획득하는 단계; 및 상기 3차원 데이터, 상기 제1 이미지, 상기 제2 이미지, 상기 제3 이미지, 및 상기 제4 이미지에 기초하여 3차원 코일 형상을 결정하는 단계를 포함한다.
적어도 하나의 프로세서에 의해 수행되는, 의료 영상에서 최적 프레임 이미지를 선택하는 방법에 있어서, 혈관이 촬영된 제1 의료 영상을 획득하는 단계 및 제1 기계학습 모델을 이용하여, 제1 의료 영상에 포함된 복수의 제1 프레임 이미지 중 적어도 하나의 제1 프레임 이미지를 선택하는 단계를 포함하고, 제1 기계학습 모델은, 제2 의료 영상에 포함된 복수의 제2 프레임 이미지 각각에서 특징을 추출하고, 복수의 제2 프레임 이미지 각각에서 추출된 특징 및 복수의 제2 프레임 이미지 각각의 선호도 점수에 기초하여, 복수의 제2 프레임 이미지 각각의 컨피던스 값을 제공하도록 학습되는, 의료 영상에서 최적 프레임 이미지를 선택하는 방법이 개시된다.
적어도 하나의 프로세서에 의해 수행되는, 혈관의 압력 차이 값을 보정하는 방법에 있어서, 촬영 장치를 이용하여 피검사체의 혈관을 촬영한 적어도 하나의 영상 및 적어도 하나의 영상에 대한 촬영 장치의 촬영 정보를 획득하는 단계, 촬영 정보에 기초하여, 적어도 하나의 영상에 포함된 혈관의 중력 방향의 높이 정보를 획득하는 단계, 높이 정보에 기초하여, 혈관의 제1 지점과 제2 지점 간 높이의 차이 값을 산출하는 단계, 높이의 차이 값에 기초하여, 혈관의 제1 지점과 제2 지점 간 중력에 의한 압력의 차이 값을 산출하는 단계, 및 중력에 의한 압력의 차이 값에 기초하여, 혈관의 제1 지점과 제2 지점 간 압력의 차이 값을 보정하는 단계를 포함하는, 혈관의 압력 차이 값을 보정하는 방법이 개시된다.
적어도 하나의 프로세서에 의해 수행되는, 혈관 이미지를 이용한 혈관별 혈류량의 비율 산출 방법에 있어서, 적어도 하나의 혈관 이미지를 획득하는 단계, 적어도 하나의 혈관 이미지에서 복수의 혈관을 분류하는 단계, 적어도 하나의 혈관 이미지에서 복수의 혈관 각각의 기하학적 정보를 추출하는 단계, 및 복수의 혈관 각각의 기하학적 정보로서 추출된 값에 기초하여, 혈관별 혈류량의 비율을 산출하는 단계를 포함하는, 혈관 이미지를 이용한 혈관별 혈류량의 비율 산출 방법이 개시된다.
일 실시예에 따른 동맥류 영역 생성 방법은 혈관 메시를 생성하는 단계; 적어도 하나의 입력점을 획득하는 단계; 상기 적어도 하나의 입력점에 기초하여 분리면을 생성하는 단계; 및 상기 분리면에 기초하여 동맥류 영역을 생성하는 단계를 포함한다.
일 실시예에 따른 동맥류 영역 생성 방법은 혈관 메시를 생성하는 단계; 상기 혈관 메시에 기초하여 중심선을 생성하는 단계; 상기 중심선에 기초하여 모혈관 메시를 생성하는 단계; 및 상기 모혈관 메시에 기초하여 분리면을 생성하여 동맥류 영역을 획득하는 단계를 포함한다.
적어도 하나의 프로세서에 의해 수행되는, 혈관 이미지의 3차원 재구성을 위한 오차 보정 방법에 있어서, 촬영 장치를 이용하여 혈관을 촬영한 복수의 이미지에서 복수의 제1 특징점을 추출하는 단계, 복수의 제1 특징점에 기초하여, 혈관의 3차원 재구성을 위한 촬영 장치의 파라미터를 보정하는 단계, 보정된 촬영 장치의 파라미터에 기초하여, 혈관의 3차원 형상을 획득하는 단계, 복수의 이미지 중 촬영 장치의 제1 방향에서 촬영된 제1 이미지에서 혈관에 포함되는 제1 라인을 식별하는 단계, 복수의 이미지 중 촬영 장치의 제2 방향에서 촬영된 제2 이미지에서 혈관에 포함되고 제1 라인에 대응되는 제2 라인을 식별하는 단계, 제2 라인에 기초하여, 제1 이미지에서 에피폴라 라인을 식별하는 단계, 제1 라인 및 에피폴라 라인에 기초하여, 복수의 제2 특징점을 추출하는 단계, 및 복수의 제1 특징점 및 복수의 제2 특징점에 기초하여, 촬영 장치의 파라미터를 재보정하는 단계를 포함하는, 혈관 이미지의 3차원 재구성을 위한 오차 보정 방법이 개시된다.
일 실시예 따른 동맥류 영역 생성 방법은 입력 이미지를 획득하는 단계; 상기 입력 이미지에 기초하여 혈관 메시를 생성하는 단계; 상기 혈관 메시에 기초하여 복수의 노드(node)를 포함하는 혈관 네트워크를 생성하는 단계; 및 상기 혈관 네트워크에 이미지 처리를 수행하여 동맥류 영역을 생성하는 단계를 포함한다.
일 실시예에 따른 혈관 압력 보정 방법은 환자의 대상 혈관의 미리 결정된 기준점 및 상기 대상 혈관에 포함된 다른 지점 간의 중력방향에 대한 상대적 위치차를 포함하는 혈관 이미지를 획득하는 단계; 상기 획득된 혈관 이미지의 보정 계수(Calibration factor)를 이용하여 상기 중력방향에 대한 상대적 위치차를 높이 차이로 환산하는 단계; 및 상기 다른 지점에 대하여 미리 측정된 압력 값에 상기 높이 차이에 대응하는 정수압(hydrostatic pressure)을 보정함으로써, 상기 다른 지점에 대한 보정된 압력 값을 획득하는 단계를 포함할 수 있다.
적어도 하나의 프로세서에 의해 수행되는, 3차원의 혈관 형상 데이터를 생성하는 방법이 개시된다. 이 방법은, 혈관을 포함하는 복수의 이미지를 획득하는 단계, 복수의 이미지 중 제1 이미지 및 제2 이미지를 포함하는 제1 세트의 이미지를 이용하여 3차원의 제1 혈관 형상 데이터를 생성하는 단계, 복수의 이미지 중 제3 이미지 및 제4 이미지를 포함하는 제2 세트의 이미지를 이용하여 3차원의 제2 혈관 형상 데이터를 생성하는 단계, 제1 세트의 이미지 중 적어도 하나 및 제2 세트의 이미지 중 적어도 하나를 기초로 공통 지점을 나타내는 제1 좌표 값을 식별하는 단계, 식별된 제1 좌표 값을 기초로, 공통 지점에 대응하는, 제1 혈관 형상 데이터에서의 제2 좌표 값을 식별하는 단계, 식별된 제1 좌표 값을 기초로, 공통 지점에 대응하는, 제2 혈관 형상 데이터에서의 제3 좌표 값을 식별하는 단계 및 적어도 제2 좌표 값 및 제3 좌표 값을 기초로, 적어도 제1 혈관 형상 데이터 및 제2 혈관 형상 데이터를 병합하여 3차원의 제3 혈관 형상 데이터를 획득하는 단계를 포함할 수 있다.
적어도 하나의 프로세서에 의해 수행되는, 혈관 영상에서 최적 프레임을 선택하는 방법에 있어서, 혈관 영상에서 복수의 프레임들을 획득하는 단계, 복수의 프레임들 각각에서 제1 혈관 영역을 검출하는 단계, 복수의 프레임들 각각에서 검출된 제1 혈관 영역 내 조영제의 강도를 나타내는 값에 기초하여, 복수의 프레임들 중 최적 프레임을 선택하는 단계를 포함하는, 혈관 영상에서 최적 프레임을 선택하는 방법이 개시된다.
전자 장치는 복수의 위치들에서 대상 혈관을 촬영한 제1 혈관 영상(blood vessel video) 및 제2 혈관 영상을 획득하는 영상 획득부, 상기 제1 혈관 영상 및 상기 제2 혈관 영상 각각에 대하여, 해당 혈관 영상에 포함된 복수의 프레임 이미지들 중에서, 각 프레임 이미지에서 나타난 상기 대상 혈관의 분석 가능성에 대한 점수를 이용하여 해당 혈관 영상의 기준 프레임 이미지를 선택하고, 각 기준 프레임 이미지의 심장 주기에 연관된 정보에 기초하여, 상기 제1 혈관 영상의 기준 프레임 이미지 및 상기 제2 혈관 영상의 기준 프레임 이미지 간의 대응 관계(correspondence relationship)를 결정하는 프로세서를 포함할 수 있다.
적어도 하나의 프로세서에 의해 수행되는, 의료 영상의 대표 프레임 이미지 생성 방법에 있어서, 혈관이 촬영된 의료 영상을 획득하는 단계, 의료 영상에 포함된 복수의 프레임 이미지 각각에 대한 스코어를 산출하는 단계, 및 복수의 프레임 이미지 각각에 대한 스코어에 기초하여, 복수의 프레임 이미지로부터 의료 영상의 대표 프레임 이미지를 생성하는 단계를 포함하는, 의료 영상의 대표 프레임 이미지 생성 방법이 개시된다.
적어도 하나의 프로세서에 의해 수행되는, 혈관 분류 방법에 있어서, 피검사체의 심혈관이 촬영된 영상 및 피검사체에 대한 영상 획득 장치의 각도 정보를 획득하는 단계, 및 각도 정보에 기초하여, 영상에 포함된 적어도 하나의 심혈관의 종류를 식별하는 단계를 포함하는, 혈관 분류 방법이 개시된다.
일 실시예에 따른 전자 장치는, 대상 혈관 영상을 이미지 검출 모델에 입력하는 것에 기초하여 대상 혈관 영상을 구성하는 복수의 프레임 이미지들에 대하여 프레임 이미지에 포함되는 조영제의 양에 비례하는 신뢰도 값(confidence value)을 산출하고, 복수의 프레임 이미지들의 신뢰도 값에 기초하여 복수의 프레임 이미지들 중 후보 프레임 이미지를 선택하며, 선택된 후보 프레임 이미지에 대하여 혈관 검출을 수행하는 것에 기초하여 선택된 후보 프레임 이미지 중 대표 프레임 이미지를 선택하는 프로세서를 포함할 수 있다.
본 개시는 적어도 하나의 프로세서에 의해서 수행되는 대응 포인트 매칭 방법을 제공한다. 이 방법은 제1 학습용 패치 이미지 및 제1 학습용 패치 이미지와 연관된 제2 학습용 패치 이미지를 획득하는 단계 및 획득된 제1 학습용 패치 이미지와 제2 학습용 패치 이미지에 기초하여, 제1 학습용 패치 이미지와 연관된 제1 특징 포인트와 제2 학습용 패치 이미지와 연관된 제2 특징 포인트가 대응되도록 기계학습 모델을 학습시키는 단계를 포함하고, 기계학습 모델은, 제1 학습용 패치 이미지 또는 제2 학습용 패치 이미지 중 적어도 하나와 연관된 제1 범위와 상이한 제2 범위를 특징 포인트가 이동될 수 있는 허용 범위로 결정하고, 결정된 제2 범위 내에서 제1 특징 포인트 또는 제2 특징 포인트 중 적어도 하나를 타깃 포인트로 이동시키도록 학습될 수 있다.
일 실시예에 따른 전자 장치는, C암 이미징 장치에 기초하여 복수의 촬영 위치들의 의료 영상들을 획득하는 영상 획득부; 및 상기 의료 영상들 중 기준 영상과 서브 영상의 혈관 영역들의 중심선들을 따른 지점들에 대응하는 3차원 후보 지점들의 트리 구조 데이터를 생성하고, 상기 트리 구조 데이터에 기초하여 3차원 경로를 결정하며, 상기 3차원 경로 상의 지점들 별 3차원 직경을 결정하고, 상기 결정된 3차원 직경에 기초하여 상기 3차원 경로에 대응하는 3차원 혈관 형상을 복원하는 프로세서를 포함할 수 있다.
일 실시예에 따른 전자 장치는, 대상 혈관에 관한 복수의 2차원 혈관 영상들로부터 복수의 프레임 이미지들을 획득하고, 획득된 복수의 프레임 이미지들의 호흡 신호의 위상(phase)을 동기화하며, 동기화된 복수의 프레임 이미지들을 사용하여 대상 혈관에 관한 3차원 혈관 구조를 생성하는 프로세서를 포함할 수 있다.
일 실시예에 따른 전자 장치는, 열린 원호 형상을 갖는 C-암(C-arm), C-암에 연결되어 테이블 상에 위치하는 대상 혈관에 방사선을 조사하는 방사선 소스, 및 대상 혈관을 포함하는 혈관 이미지를 획득하고, 대상 혈관에 포함된 혈관 지점으로부터 방사선 소스까지의 대상 거리를 산출하며, 산출된 대상 거리에 기초하여 혈관 지점에 대응하는 보정 계수를 산출하고, 산출된 보정 계수를 이용하여 혈관 지점에서의 물리적 거리를 산출하는 프로세서를 포함할 수 있다.
본 개시는 적어도 하나의 프로세서에 의해서 수행되는 혈관 영역 추출 방법을 제공한다. 이 방법은, 혈관이 촬영된 의료 영상으로부터 분석 대상 영상을 획득하는 단계, 획득된 분석 대상 영상에서 복수의 의사 포인트(pseudo point)를 결정하는 단계, 결정된 복수의 의사 포인트와 분석 대상 영상을 기계학습 모델에 적용하여, 마스킹 처리된 복수의 오브젝트를 포함하는 의사(pseudo) 이미지 마스크를 획득하는 단계, 마스킹 처리된 복수의 오브젝트에 기초하여, 혈관 영역과 연관된 긍정 포인트 또는 비혈관 영역과 연관된 부정 포인트 중 적어도 하나를 분석 대상 영상에서 결정하는 단계 및 분석 대상 영상 및 결정된 긍정 포인트 또는 부정 포인트 중 적어도 하나를 기계학습 모델에 적용하여, 의료 영상에 포함된 혈관 영역을 추출하는 단계를 포함할 수 있다.
일 실시예에 따른 혈관 영상을 처리하는 전자 장치는, 등선량 중심점을 향하여 열린 원호 형상을 갖는 C-암, C-암에 연결되어 테이블 상에 위치하는 대상 혈관에 방사선을 조사하는 방사선 소스, 및 등선량 중심점으로부터 테이블까지의 제1 수직 거리 및 대상 혈관으로부터 테이블까지의 제2 수직 거리에 기초하여, 방사선 소스로부터 대상 혈관까지의 대상 거리를 산출하고, 방사선을 이용하여 촬영된 혈관 영상으로부터 산출된 대상 거리를 이용하여 대상 혈관에 대한 물리적 거리를 산출하는 프로세서를 포함할 수 있다.
본 개시는 혈류 속도 보정 방법에 관한 것이다. 혈류 속도 보정 방법은, 조영제가 투입된 측정 대상자의 타겟 혈관이 촬영된 복수의 조영 이미지를 수신하는 단계, 측정 대상자의 심전도 데이터를 수신하는 단계, 복수의 조영 이미지를 이용하여 타겟 혈관의 혈류 속도를 산출하는 단계 및 심전도 데이터 및 타겟 혈관의 표준 혈류 속도 데이터에 기초하여 산출된 혈류 속도를 보정하는 단계를 포함한다.
본 개시는 적어도 하나의 프로세서에 의해 수행되는 의료 영상에 기초한 혈류 속도 산출 방법이 제공된다. 이 방법은 조영제가 투입된 혈관을 촬영한 의료 영상에서 제1 지점과 제2 지점을 선택하는 사용자 입력을 수신하는 단계, 의료 영상에 포함된 복수의 프레임 이미지로부터 복수의 혈관 영역을 추출하는 단계, 추출된 복수의 혈관 영역에서 제1 지점과 연관된 복수의 제1 영역과 제2 지점과 연관된 복수의 제2 영역을 결정하는 단계, 복수의 제1 영역의 각각에 대한 픽셀 강도 변화에 기초하여, 복수의 프레임 이미지 중 제1 지점에 조영제가 도달한 제1 프레임 이미지를 결정하는 단계, 복수의 제2 영역의 각각에 대한 픽셀 강도 변화에 기초하여, 복수의 프레임 이미지 중 제2 지점에 조영제가 도달한 제2 프레임 이미지를 결정하는 단계 및 제1 프레임 이미지와 제2 프레임 이미지의 시간 간격 및 제1 지점과 제2 지점의 거리에 기초하여, 제1 지점에서부터 제2 지점까지의 혈류 속도를 산출하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따르면, 컴퓨팅 장치의 적어도 하나의 프로세서에 의해 수행되는, CIP(Common Image Point) 자동 매칭 방법이 제공된다. 이 방법은, 심혈관을 촬영한 복수의 이미지를 수신하는 단계, 복수의 이미지의 각각과 연관된 센터 라인에 대한 정보를 획득하는 단계, 센터 라인에 대한 정보를 기초로, 복수의 이미지 각각에 대응하는 복수의 피처 벡터를 생성하는 단계, 복수의 피처 벡터를 기초로, 수신된 복수의 이미지의 각각에서 하나 이상의 포인트를 서로 연관시키는 단계를 포함하고, 복수의 이미지의 각각은 서로 상이한 이미지이다.
본 개시는 컴퓨팅 장치의 적어도 하나의 프로세서에 의해 수행되는, CIP 자동 매칭 방법이 제공된다. 이 방법은, 특정 심혈관을 촬영한 제1 이미지 및 제2 이미지를 수신하는 단계, 상기 제1 이미지와 연관된 제1 세트의 특징 후보 포인트를 추출하는 단계, 제1 세트의 특징 후보 포인트와 연관된 제1 세트의 시각 기술자(visual descriptor)를 획득하는 단계 및 제1 세트의 특징 후보 포인트 및 제1 세트의 시각 기술자를 기초로 제1 세트의 임베딩 벡터를 생성하는 단계를 포함하고, 제1 이미지 및 제2 이미지는 상이한 이미지이다.
본 개시의 일 실시예에 따르면, 컴퓨팅 장치의 적어도 하나의 프로세서에 의해 수행되는, CIP(Common Image Point) 매칭 쌍을 결정하는 방법이 제공된다. 이 방법은, 심혈관을 촬영한 복수의 대상 이미지를 수신하는 단계 및 CIP 매칭을 위한 디퓨전 모델(diffusion model)을 이용하여, 수신된 복수의 대상 이미지의 각각에서 하나 이상의 특징점 포인트를 CIP 매칭 쌍으로서 추출하는 단계를 포함하고, 디퓨전 모델은, 복수의 특징점 후보군 및 복수의 특징점 포인트에 대한 라벨링 데이터를 포함하는 학습 데이터를 이용하여 학습된다.
일 실시예에 따른 혈관 추정 장치는, 적어도 일부가 폐색된(occluded) 혈관(blood vessel)에 대한 복수의 영상 패치들(image patches)을 포함하는 의료 영상(medical image)으로부터, 상기 복수의 영상 패치들에 대한 복수의 쿼리 벡터들(query vectors)을 획득하고, 상기 복수의 영상 패치들로부터 샘플링된 영상 패치들의 키 벡터들(key vectors) 및 밸류 벡터들(value vectors)을 획득하며, 상기 복수의 영상 패치들 각각에 대하여, 해당 영상 패치에 대응하는 쿼리 벡터, 키 벡터, 및 밸류 벡터에 기초하여 해당 영상 패치에 대한 어텐션 임베딩(attention embedding)을 산출하고, 상기 의료 영상 및 상기 산출된 어텐션 임베딩에 혈관 추정 모델을 적용함으로써, 상기 의료 영상으로부터 상기 혈관 중 폐색된 부분 혈관으로 추정되는 폐색 영역(occlusion area)을 포함하는 혈관 영역(blood vessel area)을 검출하는 프로세서를 포함할 수 있다.
일 실시 예에 따른 시술도구 제어 장치는, 시술도구에 접촉한 상태에서 롤링함으로써 상기 시술도구를 이송시키는 롤러를 각각 포함하는 한 쌍의 롤러 모듈; 상기 한 쌍의 롤러 모듈의 하단에 배치되고 상기 롤러의 롤링축을 이동시킴으로써 상기 시술도구를 회전시키는 한 쌍의 축이동 모듈; 및 상기 한 쌍의 롤러 모듈이 상기 시술도구를 파지하도록 상기 한 쌍의 축이동 모듈을 이동시키는 베이스 모듈을 포함하고, 상기 한 쌍의 롤러 모듈에 각각 포함된 두 개의 상기 롤러를 제1 롤러 및 제2 롤러라고 할 때, 상기 한 쌍의 롤러 모듈 및 상기 한 쌍의 축이동 모듈의 구동에 따라서, 상기 제1 롤러 및 상기 제2 롤러의 롤링 속도, 롤링 방향 및 롤링축이 달라지고, 그에 따라서 상기 시술도구가 이송, 회전, 또는 회전 이송될 수 있다.
컴퓨팅 장치의 적어도 하나의 프로세서에 의해 수행되는, 심혈관 조영 영상을 이용한 신택스 스코어 산출 방법이 제공된다. 이 방법은, 심혈관에 대한 조영 영상을 획득하는 단계, 심혈관에 대한 조영 영상과 연관된 심혈관 세그먼트 맵을 제공하는 단계, 획득된 심혈관에 대한 조영 영상에 포함된 하나 이상의 프레임 중 하나의 프레임을 선택하여 심혈관 세그먼트 맵에 포함된 심혈관 세그먼트와 연관시키는 사용자 입력에 응답하여, 선택된 하나의 프레임을 심혈관 세그먼트과 연관시키는 단계, 선택된 하나의 프레임을 이용하여 연관된 심혈관 세그먼트에서의 병변에 대한 분석 결과를 생성하는 단계 및 분석 결과를 기초로 심혈관의 적어도 일부에 대한 신택스 스코어를 산출하는 단계를 포함한다.
일 실시예에 따른 프로세서에 의해 수행되는 3차원 혈관 구조를 생성하는 방법은, 대상 혈관에 관한 복수의 2차원 혈관 영상들을 획득하는 단계, 복수의 2차원 혈관 영상들 각각의 정합 가능 여부의 판단에 기초하여, 둘 이상의 2차원 혈관 영상들을 선택하는 단계, 선택된 둘 이상의 2차원 혈관 영상들로부터 복수의 정합 후보 프레임들을 결정하는 단계, 결정된 복수의 정합 후보 프레임들로 구성된 조합을 평가하는 단계, 평가 결과에 기초하여 선택된 조합을 구성하는 정합 후보 프레임들을 정합 대상 프레임들로 결정하는 단계, 및 결정된 정합 대상 프레임들에 기초하여 대상 혈관에 관한 3차원 혈관 구조를 생성하는 단계를 포함할 수 있다.
본 개시는 컴퓨팅 장치의 적어도 하나의 프로세서에 의해 수행되는, 심혈관 이미지의 3차원 재구성을 위한 CIP 자동 검출 방법이 제공된다. 이 방법은, 심혈관이 촬영된 복수의 조영 영상의 각각에 대하여, 심혈관의 적어도 일부를 식별하는 데이터를 획득하는 단계, 획득된 데이터를 분지부 검출 모델에 입력하여, 복수의 조영 영상의 각각 내의 심혈관에서의 분지부 후보 포인트를 추출하는 단계 및 복수의 조영 영상의 각각에 대응하는 분지부 후보 포인트를 서로 매칭시키는 단계를 포함한다.
본 개시는 컴퓨팅 장치의 적어도 하나의 프로세서에 의해 수행되는, 심혈관 병변 탐지를 위한 심혈관 조영 영상 처리 방법이 제공된다. 이 방법은, 심혈관 조영 영상을 수신하는 단계, 심혈관 조영 영상에 포함된 적어도 일부 혈관에 대응되는 제1 이미지 마스크를 획득하는, 심혈관 조영 영상에 포함된 적어도 일부 혈관의 중심선에 대응되는 센터라인 이미지 마스크를 획득하는 단계, 심혈관 조영 영상으로부터 제1 이미지 패치를 추출하는 단계, 센터라인 이미지 마스크로부터 제2 이미지 패치를 추출하는 단계, 제1 이미지 패치 및 제2 이미지 패치를 기초로 지역적 리파인먼트 처리를 수행하여 리파인드된 제3 이미지 패치를 생성하는 단계, 및 리파인드된 제3 이미지 패치 및 제1 이미지 마스크를 기초로 리파인드된 제2 이미지 마스크를 생성하는 단계를 포함한다.
본 개시는 정보 처리 시스템의 적어도 하나의 프로세서에 의해 수행되는 의료 영상의 프레임 이미지별 강도의 분포를 이용한 최적 프레임 선택 방법에 관한 것이다. 의료 영상의 프레임 이미지별 강도의 분포를 이용한 최적 프레임 선택 방법은, 조영제가 투여된 상태에서 혈관이 촬영된 의료 영상을 수신하는 단계 - 의료 영상은 복수의 프레임 이미지를 포함함 -, 의료 영상의 복수의 프레임 이미지의 각각에 대한 강도(intensity)를 산출하는 단계, 복수의 프레임 이미지에 대응하는 복수의 강도의 분포를 기초로 복수의 연속적인 프레임 이미지에 대응하는 프레임 구간을 결정하는 단계 및 프레임 구간에 대응하는 복수의 연속적인 프레임 이미지 중에서, 하나의 프레임 이미지를 선택하는 단계를 포함한다.
프로세서에 의해 수행되는 혈관 영상으로부터 혈관 영상을 처리하는 방법에 있어서, 상기 혈관 영상으로부터 대상 혈관을 추출하는 단계, 상기 대상 혈관의 추출 결과에서 상기 대상 혈관과 관련된 혈관 구조 데이터, 상기 대상 혈관의 곡률 정보, 상기 대상 혈관의 직경 정보, 및 상기 대상 혈관의 밝기 정보 중 적어도 하나에 기초하여 오류 부위(error portion)를 식별(identify)하는 단계, 및 상기 대상 혈관에서 오류 부위가 식별되는 경우에 응답하여, 상기 식별된 오류 부위를 수정하는 단계를 포함할 수 있다.
본 개시는 적어도 하나의 프로세서에 의해 수행되는, 강화학습 기반의 시술 도구의 네비게이션을 자동 제어하는 방법에 관한 것이다. 이 방법은, 하나 이상의 혈관이 촬영된 이미지를 획득하는 단계, 에이전트를 이용하여, 획득된 이미지로부터 시술 도구의 평행이동 또는 회전 중 적어도 하나를 포함한 액션에 대한 제어 명령을 결정하는 단계 및 제어 명령을 시술 도구를 제어하도록 구성된 로봇에 제공하는 단계를 포함한다.
일 실시예에 따른 전자 장치는 의료 영상으로부터 혈관에 관한 제1 추세선을 획득하고, 상기 제1 추세선에 기초하여 상기 혈관 중 병변 후보를 결정하며, 상기 병변 후보의 주변에서 선택된 기준점에 기초하여 제2 추세선을 획득하고, 상기 획득된 제2 추세선에 기초하여 상기 병변 후보 중 병변 부위를 결정할 수 있다.
프로세서에 의해 수행되는 혈관 영상으로부터 주요 혈관 영역을 추출하는 방법에 있어서, 상기 혈관 영상으로부터 전체 혈관 영역(entire vessel region)을 추출하는 단계, 주요 혈관 영역을 추출하는 기계 학습 모델에 기초하여 상기 혈관 영상으로부터 주요 혈관 영역(major vessel region)을 추출하는 단계, 및 상기 전체 혈관 영역에 기초하여 혈관이 분리된 부분을 연결함으로써 상기 주요 혈관 영역을 보정하는 단계를 포함할 수 있다.
KIPO KIPRIS · checked 2026-10-15 · newest filings first · right: registration date (filing date if not yet registered) · 50 of 72 · 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 | 0.2 | 0.1 |
| Operating expenses | 8.2 | 7.0 |
| Selling, general and administrative expenses | 7.3 | 6.3 |
| Operating income (loss) | 8.0 | 6.9 |
| Non-operating income | 0.7 | 0.2 |
| Other gains | 0.3 | 0.0 |
| Finance income | 0.5 | 0.2 |
| Other | 0.0 | — |
| Non-operating expenses | 0.0 | 0.1 |
| Other losses | 0.0 | 0.0 |
| Finance costs | — | 0.1 |
| Other | 0.0 | — |
| Profit (loss) before tax | 7.3 | 6.8 |
| Net income (loss) | 7.3 | 6.8 |
Revenue ₩0.1bn, down 40.7% YoY.
Operating margin 4664.1% (prior 3206.2%).
Net income ₩6.8bn.
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.