• Proceedings of the Korea Information Processing Society Conference
• /
• 2017.11a
• /
• pp.749-752
• /
• 2017

캡슐내시경 검사는 일반내시경으로는 관찰하기 힘든 소장 기관을 관찰할 수 있어 최근 환자들 사이에서 수요가 늘고 있는 검사 방법 중 하나이다. 이와 같은 캡슐내시경으로부터 병변에 대한 의료 정보가 획득될 수 있는데, 최근에는 캡슐내시경 영상의 학습을 통해 이를 자동으로 획득하려는 시도들이 이루어지고 있다. 예를 들면, 캡슐의 위치를 추적하기 위해 위장관의 개략적인 위치(위, 소장 등)를 파악하거나, 캡슐내시경 영상으로부터 관찰될 수 있는 병변(폴립 등)을 검출하기 위해 영상의 학습이 수행되고 있는 상황이다. 그러나 캡슐내시경의 방대한 영상 프레임 중에서 병변에 대한 영상은 극히 일부분이기 때문에, 기존 학습 영상의 클래스(레이블)는 다양한 병변에 대한 정의나 영상에서 확인될 수 있는 구체적인 속성이 고려되지 않는다. 따라서 본 논문에서는 캡슐내시경 관련 표준(MST, CEST)에서 정의하고 있는 주요 병변 정보에 대한 색상 유사도 분석을 통해, 출력층에서 활용될 수 있는 클래스 레이블링 기법을 제안한다. 제안하는 기법은 유사한 특성을 보이는 영상의 구분을 통해 세부적인 클래스 레이블링을 수행하여 체계적인 학습 모델의 설계를 가능케한다.

• KIPS Transactions on Software and Data Engineering
• /
• v.6 no.10
• /
• pp.493-498
• /
• 2017

Capsule endoscopy is specialized for the observation of small intestine that is difficult to access by general endoscopy. The diagnostic procedure through capsule endoscopy consists of three stages: examination of indicant, endoscopy, and diagnosis. At this time, key information needed for diagnosis includes indicant, lesions, and suspected disease information. In this paper, these information are defined as semantic features and the extracting process is defined as semantic-based analysis. It is performed in whole capsule endoscopy. First, several symptoms of patient are checked before capsule endoscopy to get some information on suspected disease. Next, capsule endoscopy is performed by checking the suspected diseases. Finally, diagnosis is concluded by using supporting information. At this time, some association are used to conclude diagnosis. For example, there are the disease association between the symptom and the disease to identify the expected disease, and the anatomical association between the location of the lesion and supporting information. However, existing knowledge models such as MST and CEST only lists the simple term related to endoscopy and cannot consider such semantic associations. Therefore, in this paper, we propose association-based knowledge model for supporting diagnosis of capsule endoscopy. The proposed model is divided into two; a disease model and anatomical model of small intestine, interesting area(organs) of capsule endoscopy. It can effectively support diagnosis by providing key information for capsule endoscopy.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2017.04a
• /
• pp.900-903
• /
• 2017

캡슐내시경은 일반적인 내시경의 접근이 어려운 소장을 관찰하는 데 특화되어 있다. 보통 캡슐내시경 영상을 판독하기 위해 의사는 해부학적 지식과 병리학적 지식과 같은 도메인 지식을 활용하여 영상에 내재된 정보를 획득한다. 이와 같은 내재된 정보는 도메인 지식을 활용하여 분석될 수 있는 의미적 정보라고 할 수 있다. 본 논문에서는 의미적 정보를 추출하는 과정을 의미 기반 분석이라 정의하고, 의미 기반 분석 과정에서 요구되는 도메인 지식 모델링 기법을 제안하고자 한다. 캡슐내시경의 의미 기반 분석 과정은 크게 이미지 특징 추출, 해부학적 분석, 병리학적 분석으로 구성되며, 이와 같은 분석 과정에 활용될 수 있는 해부학 모델과 병리학 모델을 제안한다. 제안하는 모델은 캡슐내시경 영상의 주요 대상 기관인 소장에 특화된 모델로 효과적인 영상 판독을 보조할 수 있음을 보인다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2019.05a
• /
• pp.375-378
• /
• 2019

최근 딥러닝과 머신러닝 기법이 소프트웨어의 성능 향상에 도움이 되는 것이 입증됨에 따라, 의료 영상 진단 보조 소프트웨어를 개발하기 위한 시도가 활발해 지고 있다. 그 중 캡슐내시경은 소장 소화기관을 관찰할 수 있는 초소형 의료기기로, 기존의 내시경 검사와 다르게 이물감이 느껴지지 않고 의료보험 적용으로 최근 들어 널리 이용되고 있다. 일반적으로 캡슐 내시경은 8 시간 동안 소화기간을 촬영하며, 한 번의 검사 결과로 생성된 동영상 데이터 셋은 수 만장의 이미지를 포함하기 때문에, 방대한 양의 이미지들을 효율적으로 관리하기 위한 체계가 필요하다. 특히, 방대한 양의 캡슐내시경 이미지를 학습하는 경우, 수 만장의 이미지 속에서 유의미한 특징(촬영정보, 의사소견, 환자정보, 병변의 위치 및 크기 등)을 추출해내야 하므로 학습 데이터 레이블링을 위한 정보를 정확히 추출해야 하는 작업이 요구된다. 따라서 본 논문에서는 캡슐내시경 영상을 학습할 때, 학습 데이터 레이블 정보를 체계적으로 구축할 수 있게 하는 레이블 정보 추출 기법을 제안하고자 한다. 제안하는 기법은 병원에서 14년간 수집된 총 340명의 캡슐내시경 데이터(약 1,700 만장의 이미지)를 토대로 영상데이터를 구조적으로 분석하여 유의미한 정보를 추출하고 노이즈 데이터를 제거한 뒤, 빅데이터 저장소에 적재할 수 있음을 보였다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2018.10a
• /
• pp.669-672
• /
• 2018

캡술내시경은 식도부터 항문까지 소화기관 전체를 한번에 촬영할 수 있는 의료기기로, 한번의 검사에 평균 8~12 시간 정도의 길이와 5만장 이상의 프레임으로 구성된 영상을 생성한다. 그러나 생성된 영상에 대한 분석은 수작업으로 진행되고 있어, 캡술내시경 영상 분석 자동화에 대한 기술적인 수요가 높아지고 있는 추세이다. 이를 위해, 캡슐내시경 영상 분석에 대한 많은 연구가 진행되고 있는데, 본 연구에서는 그 중에서도 폴립 영상에 대한 검출 자동화 연구에 주목하였다. 폴립이란 위장관 내에서 발견될 수 있는 융기성 병변으로, 많은 연구에서 기계학습 혹은 딥러닝 방식을 적용하여 이를 검출하기 위한 연구를 수행하였다. 그러나 캡슐내시경 영상의 특성상, 병번이 있는 영상이 굉장히 적기 때문에 일반적인 딥러닝 방식의 적용으로 좋은 성능을 내기 어렵다. 따라서 본 논문에서는 폴립 검출 컨볼루션 신경망 설계를 위한 멀티 스케일에 대한 원형 검출기법을 결합하여 폴립이 의심되는 영역을 추출해주는 특징 추출 기법으로, 수집한 데이터 150장에 대한 실험한 결과 약 82%의 성능을 보였다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2019.10a
• /
• pp.1019-1022
• /
• 2019

최근의 영상 처리 분야는 딥러닝 기법들의 성능이 입증됨에 따라 다양한 분야에서 이와 같은 기법들을 활용해 영상에 대한 분류, 분석, 검출 등을 수행하려는 시도가 활발하다. 그중에서도 의료 진단 보조 역할을 할 수 있는 의료 영상 분석 소프트웨어에 대한 기대가 증가하고 있는데, 본 연구에서는 캡슐내시경 영상에 주목하였다. 캡슐내시경은 주로 소장 촬영을 목표로 하며 식도부터 대장까지 약 8~10시간 동안 촬영된다. 이로 인해 CT, MR, X-ray와 같은 다른 의료 영상과 다르게 하나의 데이터 셋이 10~15만 장의 이미지를 갖는다. 일반적으로 캡슐내시경 영상을 판독하는 순서는 위장관 교차점(Z-Line, 유문판, 회맹판)을 기준으로 위장관 랜드마크(식도, 위, 소장, 대장)를 구분한 뒤, 각 랜드마크 별로 병변 정보를 찾아내는 방식이다. 그러나 워낙 방대한 영상 데이터를 가지기 때문에 의사 혹은 의료 전문가가 영상을 판독하는데 많은 시간과 노력이 소모되고 있다. 본 논문의 목적은 캡슐내시경 영상의 판독에서 모든 환자에 대해 공통으로 수행되고, 판독하는 데 많은 시간을 차지하는 위장관 랜드마크를 찾는 것에 있다. 이를 위해, 위장관 랜드마크를 식별할 수 있는 CNN 학습 모델을 설계하였으며, 더욱 효과적인 학습을 위해 전처리 과정으로 학습에 방해가 되는 학습 노이즈 영상들을 제거하고 위장관 랜드마크 별 특징 분석을 진행하였다. 총 8명의 환자 데이터를 가지고 학습된 모델에 대해 평가 및 검증을 진행하였는데, 무작위로 환자 데이터를 샘플링하여 학습한 모델을 평가한 결과, 평균 정확도가 95% 가 확인되었으며 개별 환자별로 교차 검증 방식을 진행한 결과 평균 정확도 67% 가 확인되었다.

• Journal of Yeungnam Medical Science
• /
• v.23 no.1
• /
• pp.45-51
• /
• 2006

Background: This study was conducted to evaluate the usefulness of capsule endoscopy (CE) for the diagnosis of small bowel diseases. Materials and Methods: We reviewed the medical records of 66 patients (mean age: 52.1 years, male/female: 39/27), who underwent CE at Yeungnam University Hospital from August 2003 to March 2006. Results: Suspicious gastrointestinal (GI) bleeding presenting as anemia or history of gross bleeding was the most common reason to perform CE (71.2%). Other indications included GI symptoms (21.2%) such as abdominal pain/discomfort, nausea, diarrhea, and others (7.6%). In studies performed for GI bleeding (n=47), ulcer/erosion was the most common finding (n=22, 46.8%) followed by tumor (n=5, 10.6%), angiodysplasia (n=3, 6.4%), polyp (n=3, 6.4%), active bleeding (n=1, 2.1 %), ulcer with stenosis (n=1, 2.1%), and normal findings (n=12, 25.5%). Of these, a bleeding focus was detected in 32 cases (68.1%) undergoing CE studies. Among 14 patients with GI symptoms, only two patients had typical findings related with symptoms. Surgical resection was performed in five cases with tumor. Of these, four were diagnosed as gastrointestinal stromal tumor and the other one was a lymphangioma. There were no complications associated with the CE procedure. Conclusion: Capsule endoscopy is a safe, noninvasive diagnostic tool for small bowel diseases and may be useful for the diagnosis of small bowel hemorrhage including obscure bleeding. However, further studies are needed to confirm its utility for abdominal symptoms other than hemorrhage because of the low diagnostic yield.

• Journal of Intelligence and Information Systems
• /
• v.15 no.2
• /
• pp.33-48
• /
• 2009

Capsule endoscopy is one of the most remarkable inventions in last ten years. Causing less pain for patients, diagnosis for entire digestive system has been considered as a most convenience method over a normal endoscope. However, it is known that the diagnosis process typically requires very long inspection time for clinical experts because of considerably many duplicate images of same areas in human digestive system due to uncontrollable movement of a capsule endoscope. In this paper, we propose a method for clinical diagnosticians to get highly valuable information from capsule-endoscopy video. Our software system consists of three global maps, such as movement map, characteristic map, and brightness map, in temporal domain for entire sequence of the input video. The movement map can be used for effectively removing duplicated adjacent images. The characteristic and brightness maps provide frame content analyses that can be quickly used for segmenting regions or locating some features(such as blood) in the stream. Our experiments show the results of four patients having different health conditions. The result maps clearly capture the movements and characteristics from the image frames. Our method may help the diagnosticians quickly search the locations of lesion, bleeding, or some other interesting areas.

• KIPS Transactions on Software and Data Engineering
• /
• v.9 no.3
• /
• pp.101-108
• /
• 2020

Since the performance of deep learning techniques has recently been proven in the field of image processing, there are many attempts to perform classification, analysis, and detection of images using such techniques in various fields. Among them, the expectation of medical image analysis software, which can serve as a medical diagnostic assistant, is increasing. In this study, we are attention to the capsule endoscope image, which has a large data set and takes a long time to judge. The purpose of this paper is to distinguish the gastrointestinal landmarks and to estimate the gastrointestinal transition location that are common to all patients in the judging of capsule endoscopy and take a lot of time. To do this, we designed CNN-based Classifier that can identify gastrointestinal landmarks, and used it to estimate the gastrointestinal transition location by filtering the results. Then, we estimate gastrointestinal transition location about seven of eight patients entered the suspected gastrointestinal transition area. In the case of change from the stomach to the small intestine(pylorus), and change from the small intestine to the large intestine(ileocecal valve), we can check all eight patients were found to be in the suspected gastrointestinal transition area. we can found suspected gastrointestinal transition area in the range of 100 frames, and if the reader plays images at 10 frames per second, the gastrointestinal transition could be found in 10 seconds.

• Pediatric Gastroenterology, Hepatology & Nutrition
• /
• v.13 no.1
• /
• pp.1-6
• /
• 2010

The small bowel is the most difficult intestinal segment to examine. Radiologic tests are mostly insensitive and double-balloon enteroscopy is unsuitable for the younger child. Capsule endoscopy is a novel wireless method of investigation of the small bowel. The primary indications for capsule endoscopy include evaluation of obscure gastrointestinal bleeding, small bowel Crohn's disease, and polyposis syndromes. Capsule endoscopy offers an accurate and effective means of investigating the small bowel in children. Capsule retention is a potential complication of capsule endoscopy. This review provides the indications, safety, and limitations of wireless capsule endoscopy in children.