AI ultrasound diagnosis machine

Artificial intelligence (AI)-based high-resolution ultrasound diagnosis machine

CR-3001C 초음파영상진단기 디자인

CTU-3000 Ultrasound imaging is the latestArtificial Intelligence (AI) AlgorithmsThe latest development equipment that overcomes the technical limitations of existing equipment with differentiated technology

알고리즘 성능검증 동영상

원시 B-mode영상

1차 알고리즘 적용

2차 알고리즘 적용

3차 알고리즘 적용

혈류속도장 측정을 위한 DL-SRU 영상기법 알고리즘

Deep-ULM과 컨볼루션 신경망을 적용한 Deep-Learning 기반 초고해상도 초음파 영상획득 알고리즘으로 신경망 네트워크로 합성추적 이미지를 조영제(CA) 없이도 초음파 영상에서 적혈구(RBC)의 위치를 파악하고 혈관 영상을 고해상도로 재구성하는 인공지능(AI)이 탑재된 초음파 영상 알고리즘

합성Data로 훈련시킨 영상 알고리즘 공간분해능

혈관분기 모델 영상을 평균강도 이미지로 측정후 표준 ULM과 DL-SRU 신경망 학습후 여러가지 분기모델을 고해상도로 1픽셀 범위내의 우수한 공간 분해능 검증.
추적자 농도가 증가하면 표준 ULM은 정확도가 감소되지만 DL-SRU는 높은 정확도 유지
초음파 영상 획득시간은 표준 ULM은 24ms소요, DL-SRU는 10ms 이내 획득
RBC위치는 표준 ULM은 정확한 위치를 찾지 못하나 DL-SRU은 1픽셀 반경내에서 추적 가능.

2-Frame PTV 알고리즘 적용한 측정

RBC는 낮은 프레임속도, 높은 농도 및 장기 움직임과 같은 까다로운 생체 조건하에서 합성된 RBC영상을 이용하여 훈련함으로써 신경망에 의해 추적
다양한 혈구모양, 추적자 밀도, 산란강도 및 SNR을 사용하여 다양한 합성데이터 세트를 통합하여 훈련시켜 네트워크의 견고성 개선.
합성영상에서 추적자의 농도는 PTV알고리즘이 DL-SRU에 적절하게 적용될 수 있도록 하여 정확한 RBC의 유동정보 획득

혈류, 혈관 벽 거동측정을 위한 DL-BDC 알고리즘

동맥에서 혈류역학과 혈관 벽 상호작용을 정확하게 분석하기 위해 초음파 영상에서 새로운 Deep-learning 경계감지 및 보상 DL-BDC 기술

벽 부근 영역의 벽, 혈류속도의 벡터합성으로 측정 정확도 획기적으로 향상

타 인공지능 알고리즘과 분할성능 비교

DeepLab, FCN, Segnet 인공지능 알고리즘 성능과 , 개발하는 USUNet의 성능, 혈관 모사모델 및 동물혈관 실험에서 혈관 내부와 혈관 벽의 분할 성능 등을 실험으로 검증
MATLAB 및 Python으로 시뮬레이션 검증
타 인공지능 알고리즘을 USUNet훈련에 사용된 것과 동일한 훈련 Data SET와 하이퍼파라미터를 이용하여 운련
DSC를 계산하여 인공 신경망의 분할 성능을 평가
DSC에 의해 평가된 USUNet의 분할성능은 다른 Deep_learning 기반 분할 알고리즘에 비해 매우 우수.

=> USUNet은 조직모방 팬텀 및 생체 내 영상에서 최산의 분할성능 달성으로 입증

자체내강과 혈관 벽으로 분할 후 연속 세그먼트 영상이 혈류흐름 및 속도계산
근벽영역에서 측정된 속도벡터는 해당하는 벽 속도벡터 요소에서 빼서 유동 역학에 대한이동 벽의 영향보상
보정된 흐름정보를 사용하여 벽 전던응력(WSS), 혈관 벽 탄성력 및 진동 전단지수를 정확하게 계산하여 다른 혈류역학적 매개변수 파악
다중 클래스 분할의 경우 DL-BDC는 400개의 초음파 이미지 처리
제안된 USUNet를 사용하여 혈관 벽과 내강의 분할에 필요한 처리시간은 3ms 미만으로 가능
보정된 흐름 및 벽면 역학에 대한 DL-BDC의 총 처리시간은 이미지 쌍당 약 11.2sec 이내로 가능.

CDI와 SIV를 적용한 하이브리드방식(AH)을 결합한 알고리즘

CDI(Color Doppler Image)기법은 음파의 조사각도를 충분히 확보해야 정확도가 높아짐. 이에 따라 의도치 않게 혈관주위 조직을 압박하여 실제 혈관정보를 왜곡할 수 있음. 또한 측정하는 사람에 따라 측정값이 달라지는 문제점이 있으며 공간해상도가 상대적으로 낮고 유동방향 분석에 한계점 발생.
SIV(Speckel Image Velocimetry) 기법은 CDI보다 시간 분해능이 낮아 측정 가능한 최대 혈류속도가 상대적으로 낮은 편이며 초음파 영상장치의 하드웨어 기능향상을 통해서 성능개선 가능의 한계
CDI와 SIV를 적응형 하이브리드(Adaptic Hybrid, AH)방식으로 결합한 초음파 영상 알고리즘을 적용하면 별도의 하드웨어 추가 없이 측정 정확도응 크게 향상
CDI기법의 높은 시간분해능 장점과 SIV기법의 우수한 공간분해능 장점을 결합하여 혈류측정의 정확도 획기적 향상

노화 및 DM군에서 대조군 보다 내피층이 얇아지고 혈관벽이 두꺼워짐

노화 및 DM 그룹에서 혈관 염증 영상

경동맥 조직 분석

적응형하이브리드 방식 시퀀스

컬러 도플러(Color Doppler Image)

높은 시간 해상도
펄스 반복 빈도(Pulse Repettition Frequency)에 기인한 Aliasing발생
단일 측정 방향, 초음파 입사각도에 따라 변하는 측정 정확도

스페클 영상 속도기법(Speckel Image Velocimety)

적용하면 CDI보다 높은 공간해상도, 위상변위에 기인한 Aliasing발생을 중림.

동일 위치에서 획득한 B-MODE 영상과 컬러 도플러 영상에 SIV기법을 적용하여 속도장 획득
기준점을 기반으로 CDI 측정 벡터에서 오차를 판별하고 SIV 측정결과로 대처
AH방식을 두번 적용하여 최종 속도장 결과 돌출

낮은 유속 또는 큰 속도 변화로 나타나는 CDI기법의 측정 오차를 SIV 기법으로 정확하게 보정하여 측정 검증

Apply the 1st Algorithm

Secondary Algorithm Application

3rd order algorithm applied

연구개발 체계 및 참여기관

This product was developed through industry-academia-research joint research with Core Teams, Pohang University of Science and Technology/Fluid Engineering Center, and Konyang University Hospital.

유사제품 성능 비교/ 제품 경쟁력

Products are compared based on information provided on the Internet, and there may be differences with the current equipment characteristics of each company.