KR102021515B1 - 뇌혈관 질환 학습 장치, 뇌혈관 질환 검출 장치, 뇌혈관 질환 학습 방법 및 뇌혈관 질환 검출 방법 - Google Patents

Abstract

본 개시의 일 양상에 따른 뇌혈관 질환 학습 장치가 제공될 수 있다. 상기 뇌혈관 질환 학습 장치는 3D TOF MRA(3D Time-of-flight magnetic resonance angiography)를 입력받고, 복수의 이미지 프레임을 포함하는 MIP MRA(Maximum intensity projection magnetic resonance angiography)를 구성하는 MIP MRA 구성부와, CNN(Convolutional Neural Networks) 학습 방식에 기초한 공간 특성 학습모델을 구축하되, 상기 공간 특성 학습모델은 상기 복수의 이미지 프레임 각각에 대한 공간 특성을 학습하는 공간 특성 학습부와, 상기 공간 특성을 입력받고 RNN(Recurrent Neural Networks) 학습 방식에 기초한 프레임 특성 학습모델을 구축하되, 상기 프레임 특성 학습모델은 복수의 이미지 프레임 사이의 특성을 나타내는 프레임 특성을 학습하는 프레임 특성 학습부와, 상기 프레임 특성을 입력받고 상기 CNN 학습 방식에 기초한 병변 특성 학습모델을 구축하되, 상기 병변 특성 학습모델은 상기 복수의 이미지 프레임 각각에 대한 병변 특성을 학습하는 병변 특성 학습부를 포함할 수 있다.

Description

뇌혈관 질환 학습 장치, 뇌혈관 질환 검출 장치, 뇌혈관 질환 학습 방법 및 뇌혈관 질환 검출 방법{APPARATUS FOR LEARNING BRAIN DISEASE MODEL, APPARATUS FOR DETECTING BRAIN DISEASE USING THE BRAIN DISEASE MODEL, METHOD FOR LEARNING BRAIN DISEASE MODEL, AND METHOD FOR DETECTING BRAIN DISEASE USING THE BRAIN DISEASE MODEL}

본 개시는 딥러닝 모델 학습 기술에 관한 것이며, 보다 구체적으로는 영상 정보 분석을 기반으로 신체 영역을 촬영한 영상을 사용하여 뇌 혈관 질환을 학습/검출하는 방법 및 장치에 대한 것이다.

딥러닝(deep learning)은 매우 방대한 양의 데이터를 학습하여, 새로운 데이터가 입력될 경우 학습 결과를 바탕으로 확률적으로 가장 높은 답을 선택하는 것이다. 이러한, 딥러닝은 영상에 따라 적응적으로 동작할 수 있으며, 데이터에 기초하여 모델을 학습하는 과정에서 특성인자를 자동으로 찾아내기 때문에 최근 인공 지능 분야에서 이를 활용하려는 시도가 늘어나고 있는 추세이다.

한편, 영상 인식과 관련하여 딥러닝을 이용한 종래의 영상 분석 기술은 합성곱 신경망(Convolutional Neural Network, CNN)과 최대 풀링(max pooling)기법을 이용하여 영상의 각 영역마다 국소적인 특징을 추출하고 이를 바탕으로 영상을 인식한다. 그러나, 이러한 방법은 실제 영상의 내용은 상이하지만 국소적인 정보 형태가 유사한 영상에 대해서는 정확한 인식 결과를 제공하지 못하는 문제가 있다.

한편, 뇌혈관 질환의 진단, 예후 예측을 위해서는 방대한 영상자료와 환자의 임상정보를 모두 고려하여야 하므로, 그 진단을 위한 시간이 많이 소요될 뿐만 아니라 의료진의 숙련도에 따라서도 그 진단 결과에 편차가 클 수 있다.

특히, 뇌혈관 질환의 진단, 예후 예측을 확인하기 위하여, 일반적으로 2D 또는 3D 형태의 MRA(agnetic resonance angiography)가 많이 사용되고 있으나, 사용자(예, 의사 또는 영상 판독자)가 MRA를 분석하기 위하여 표시되는 영상의 프로젝션 위치를 변경하거나, 확대 또는 축소를 수행하는 등 많은 조작이 요구된다.

이와 같이, 사용자(예, 의사 또는 영상 판독자)의 조작을 기반으로 뇌혈관 질환의 진단이나 예후 예측이 이루어지므로, 진단에 많은 시간이 소요될 뿐만 아니라 의료진의 숙련도에 따라서도 그 진단 결과의 편차가 더욱 크게 나타날 수 있다.

본 개시의 기술적 과제는 사용자(예, 의사 또는 영상 판독자)의 조작을 최소화하고 뇌혈관 질환의 진단이나 예후 예측이 요구되는 영역 또는 뇌혈관 질환이 발생된 영역을 빠르고 정확하게 검출할 수 있는 방법 및 장치에 대한 것이다.

본 개시의 다른 기술적 과제는 빠르고 정확하게 뇌혈관 질환의 진단에 요구되는 영역 또는 뇌혈관 질환이 발생된 영역을 검출하는 학습 방법 및 장치에 대한 것이다.

본 개시의 또 다른 기술적 과제는 MRA를 사용하여 뇌혈관 질환의 진단에 요구되는 영역 또는 뇌혈관 질환이 발생된 영역을 정확하게 학습할 수 있는 방법 및 장치에 대한 것이다.

본 개시의 또 다른 기술적 과제는 MRA의 입력만으로 뇌혈관 질환의 진단에 요구되는 영역 또는 뇌혈관 질환이 발생된 영역을 정확하게 검출할 수 있는 방법 및 장치에 대한 것이다.

본 개시에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 개시의 일 양상에 따르면, 뇌혈관 질환 학습 장치가 제공될 수 있다. 상기 장치는 3D TOF MRA(3D Time-of-flight magnetic resonance angiography)를 입력받고, 복수의 이미지 프레임을 포함하는 MIP MRA(Maximum intensity projection magnetic resonance angiography)를 구성하는 MIP MRA 구성부와, CNN(Convolutional Neural Networks) 학습 방식에 기초한 공간 특성 학습모델을 구축하되, 상기 공간 특성 학습모델은 상기 복수의 이미지 프레임 각각에 대한 공간 특성을 학습하는 공간 특성 학습부와, 상기 공간 특성을 입력받고 RNN(Recurrent Neural Networks) 학습 방식에 기초한 프레임 특성 학습모델을 구축하되, 상기 프레임 특성 학습모델은 복수의 이미지 프레임 사이의 특성을 나타내는 프레임 특성을 학습하는 프레임 특성 학습부와, 상기 프레임 특성을 입력받고 상기 CNN 학습 방식에 기초한 병변 특성 학습모델을 구축하되, 상기 병변 특성 학습모델은 상기 복수의 이미지 프레임 각각에 대한 병변 특성을 학습하는 병변 특성 학습부를 포함할 수 있다.

본 개시의 다른 양상에 따르면, 뇌혈관 질환 검출 장치가 제공될 수 있다. 상기 장치는 3D TOF MRA(3D Time-of-flight magnetic resonance angiography)를 입력받고, 복수의 이미지 프레임을 포함하는 MIP MRA(Maximum intensity projection magnetic resonance angiography)를 구성하는 MIP MRA 구성부와, CNN(Convolutional Neural Networks) 학습 방식에 기초하여, 상기 복수의 이미지 프레임 각각에 대한 공간 특성의 학습을 통해 구축된 공간 특성 학습모델을 구비하고, 상기 공간 특성 학습모델을 통해 상기 복수의 이미지 프레임 각각에 대한 공간 특성을 검출하는 공간 특성 검출부와, RNN(Recurrent Neural Networks) 학습 방식에 기초하여, 상기 공간 특성에 대응되는 프레임 특성의 학습을 통해 구축된 프레임 특성 학습모델을 구비하고, 상기 프레임 특성 학습모델을 통해 상기 프레임 특성을 검출하는 프레임 특성 검출부와, 상기 CNN 학습 방식에 기초하여 상기 프레임 특성에 대응되는 병변 특성의 학습을 통해 구축된 병변 특성 학습모델을 구비하고, 상기 병변 특성 학습모델을 통해 상기 복수의 이미지 프레임 각각에 대한 병변 특성을 검출하는 병변 특성 검출부를 포함할 수 있다.

본 개시의 또 다른 양상에 따르면, 뇌혈관 질환 학습 방법이 제공될 수 있다. 상기 방법은 3D TOF MRA(3D Time-of-flight magnetic resonance angiography)를 입력받고, 복수의 이미지 프레임을 포함하는 MIP MRA(Maximum intensity projection magnetic resonance angiography)를 구성하는 과정과, CNN(Convolutional Neural Networks) 학습 방식에 기초한 공간 특성 학습모델을 구축하되, 상기 공간 특성 학습모델은 상기 복수의 이미지 프레임 각각에 대한 공간 특성을 학습하는 과정과, 상기 공간 특성을 입력받고 RNN(Recurrent Neural Networks) 학습 방식에 기초한 프레임 특성 학습모델을 구축하되, 상기 프레임 특성 학습모델은 복수의 이미지 프레임 사이의 특성을 나타내는 프레임 특성을 학습하는 과정과, 상기 프레임 특성을 입력받고 상기 CNN 학습 방식에 기초한 병변 특성 학습모델을 구축하되, 상기 병변 특성 학습모델은 상기 복수의 이미지 프레임 각각에 대한 병변 특성을 학습하는 과정을 포함할 수 있다.

본 개시의 또 다른 양상에 따르면, 뇌혈관 질환 검출 방법이 제공될 수 있다. 상기 방법은 3D TOF MRA(3D Time-of-flight magnetic resonance angiography)를 입력받고, 복수의 이미지 프레임을 포함하는 MIP MRA(Maximum intensity projection magnetic resonance angiography)를 구성하는 과정과,

공간 특성 학습모델을 통해 상기 복수의 이미지 프레임 각각에 대한 공간 특성을 검출하되, 상기 공간 특성 학습모델은 CNN(Convolutional Neural Networks) 학습 방식에 기초하여, 상기 복수의 이미지 프레임 각각에 대한 공간 특성의 학습을 통해 구축된 학습모델인 것을 특징으로 하는 과정과,

프레임 특성 학습모델을 통해 상기 프레임 특성을 검출하되, 상기 프레임 특성 학습모델은 RNN(Recurrent Neural Networks) 학습 방식에 기초하여, 상기 공간 특성에 대응되는 프레임 특성의 학습을 통해 구축된 학습모델인 것을 특징으로 하는 과정과,

병변 특성 학습모델을 통해 상기 복수의 이미지 프레임 각각에 대한 병변 특성을 검출하되, 상기 병변 특성 학습모델은, 상기 CNN 학습 방식에 기초하여 상기 프레임 특성에 대응되는 병변 특성의 학습을 통해 구축된 학습모델인 것을 특징으로 하는 과정을 포함할 수 있다.

본 개시에 대하여 위에서 간략하게 요약된 특징들은 후술하는 본 개시의 상세한 설명의 예시적인 양상일 뿐이며, 본 개시의 범위를 제한하는 것은 아니다.

본 개시에 따르면, 사용자(예, 의사 또는 영상 판독자)의 조작을 최소화하고 뇌혈관 질환의 진단이나 예후 예측이 요구되는 영역 또는 뇌혈관 질환이 발생된 영역을 빠르고 정확하게 검출할 수 있는 방법 및 장치가 제공될 수 있다.

또한, 본 개시에 따르면, 빠르고 정확하게 뇌혈관 질환의 진단에 요구되는 영역 또는 뇌혈관 질환이 발생된 영역을 학습하는 방법 및 장치가 제공될 수 있다.

또한, 본 개시에 따르면, MRA를 사용하여 뇌혈관 질환의 진단에 요구되는 영역 또는 뇌혈관 질환이 발생된 영역을 정확하게 학습할 수 있는 방법 및 장치가 제공될 수 있다.

또한, 본 개시에 따르면, MRA의 입력만으로 뇌혈관 질환의 진단에 요구되는 영역 또는 뇌혈관 질환이 발생된 영역을 정확하게 검출할 수 있는 방법 및 장치가 제공될 수 있다.

본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 개시의 일 실시 예에 따른 뇌혈관 질환 학습 장치의 구성을 나타내는 블록도이다.
도 2는 본 개시의 일 실시 예에 따른 뇌혈관 질환 학습 장치에 사용되는 3D TOF MRA와 MIP MRA를 예시하는 도면이다.
도 3은 본 개시의 일 실시 예에 따른 뇌혈관 질환 학습 장치에 구비되는 공간 특성 학습부의 세부 구성을 예시하는 도면이다.
도 4는 본 개시의 일 실시 예에 따른 뇌혈관 질환 학습 장치에 구비되는 공간 특성 학습모델의 구성을 나타내는 블록도이다.
도 5는 본 개시의 일 실시 예에 따른 영상의 맥락 정보를 생성하고 분석하는 과정을 나타내는 도면이다.
도 6은 다채널 특징맵을 생성하는 합성곱 신경망의 일 실시 예를 설명하기 위한 도면이다.
도 7은 풀링 기법의 일 실시 예를 설명하기 위한 도면이다.
도 8은 본 개시의 일 실시 예에 따른 뇌혈관 질환 학습 장치에 구비되는 프레임 특성 학습부의 세부 구성을 예시하는 도면이다.
도 9는 본 개시의 일 실시 예에 따른 뇌혈관 질환 검출 장치의 구성을 나타내는 블록도이다.
도 10은 본 개시의 일 실시 예에 따른 뇌혈관 질환 학습 방법의 순서를 도시하는 흐름도이다.
도 11은 본 개시의 일 실시 예에 따른 뇌혈관 질환 검출 방법의 순서를 도시하는 흐름도이다.
도 12는 본 개시의 일 실시예에 따른 뇌혈관 질환 학습 방법 및 뇌혈관 질환 검출 방법을 실행하는 컴퓨팅 시스템을 예시하는 블록도이다.

이하에서는 첨부한 도면을 참고로 하여 본 개시의 실시 예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나, 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.

본 개시의 실시 예를 설명함에 있어서 공지 구성 또는 기능에 대한 구체적인 설명이 본 개시의 요지를 흐릴 수 있다고 판단되는 경우에는 그에 대한 상세한 설명은 생략한다. 그리고, 도면에서 본 개시에 대한 설명과 관계없는 부분은 생략하였으며, 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

본 개시에 있어서, 어떤 구성요소가 다른 구성요소와 "연결", "결합" 또는 "접속"되어 있다고 할 때, 이는 직접적인 연결관계뿐만 아니라, 그 중간에 또 다른 구성요소가 존재하는 간접적인 연결관계도 포함할 수 있다. 또한 어떤 구성요소가 다른 구성요소를 "포함한다" 또는 "가진다"고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 배제하는 것이 아니라 또 다른 구성요소를 더 포함할 수 있는 것을 의미한다.

본 개시에 있어서, 제1, 제2 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용되며, 특별히 언급되지 않는 한 구성요소들간의 순서 또는 중요도 등을 한정하지 않는다. 따라서, 본 개시의 범위 내에서 일 실시 예에서의 제1 구성요소는 다른 실시 예에서 제2 구성요소라고 칭할 수도 있고, 마찬가지로 일 실시 예에서의 제2 구성요소를 다른 실시 예에서 제1 구성요소라고 칭할 수도 있다.

본 개시에 있어서, 서로 구별되는 구성요소들은 각각의 특징을 명확하게 설명하기 위함이며, 구성요소들이 반드시 분리되는 것을 의미하지는 않는다. 즉, 복수의 구성요소가 통합되어 하나의 하드웨어 또는 소프트웨어 단위로 이루어질 수도 있고, 하나의 구성요소가 분산되어 복수의 하드웨어 또는 소프트웨어 단위로 이루어질 수도 있다. 따라서, 별도로 언급하지 않더라도 이와 같이 통합된 또는 분산된 실시 예도 본 개시의 범위에 포함된다.

본 개시에 있어서, 다양한 실시 예에서 설명하는 구성요소들이 반드시 필수적인 구성요소들은 의미하는 것은 아니며, 일부는 선택적인 구성요소일 수 있다. 따라서, 일 실시 예에서 설명하는 구성요소들의 부분집합으로 구성되는 실시 예도 본 개시의 범위에 포함된다. 또한, 다양한 실시 예에서 설명하는 구성요소들에 추가적으로 다른 구성요소를 포함하는 실시 예도 본 개시의 범위에 포함된다.

이하, 첨부한 도면을 참조하여 본 개시의 실시 예들에 대해서 설명한다.

도 1은 본 개시의 일 실시 예에 따른 뇌혈관 질환 학습 장치의 구성을 나타내는 블록도이다.

도 1을 참조하면, 뇌혈관 질환 학습 장치(10)는 MIP MRA 구성부(11), 공간 특성 학습부(12), 프레임 특성 학습부(14), 및 병변 특성 학습부(16)를 포함할 수 있다.

MIP MRA 구성부(11)는 3D TOF MRA(3D Time-of-flight magnetic resonance angiography)를 입력받고, MIP MRA(Maximum intensity projection magnetic resonance angiography)를 구성할 수 있다. 여기서, 3D TOF MRA는 뇌영역에서 혈관이 존재하는 영역의 신호를 강하게 측정하여 획득한 3D 형태의 MRA일 수 있으며, MIP MRA는 3D TOF MRA를 다양한 방향에서 프로젝션(Projection)하여 획득한 이미지 프레임을 시계열적으로 조합하여 구성한 동영상 데이터일 수 있다.

예컨대, MIP MRA 구성부(11)는 미리 정해진 프로젝션 위치를 확인할 수 있으며, 확인된 프로젝션 위치에 대응되는 이미지 프레임을 획득할 수 있다. 그리고, MIP MRA 구성부(11)는 전술한 동작을 통해 획득된 복수의 이미지 프레임을 미리 정해진 시간 단위를 기준으로 시계열적으로 조합하여 동영상 데이터를 구성할 수 있다.

예를 들어, 도 2를 참조하면, 복수의 2D MRA 영상(200)을 적층하여 구성된 3D TOF MRA(210)을 중심으로 적어도 하나의 프로젝션 위치가 설정될 수 있는데, MIP MRA 구성부(11)는 제1프로젝션 위치(P1)에서 획득하여 제1이미지 프레임(F1)을 구성하고, 제2프로젝션 위치(P2)에서 획득하여 제2이미지 프레임(F2)을 구성할 수 있다. MIP MRA 구성부(11)는 이러한 동작을 반복적으로 수행하여 n개의 프로젝션 위치(Pn)에 대응되 n개의 이미지 프레임(Fn)을 획득할 수 있다. MIP MRA 구성부(11)는 n개의 이미지 프레임(Fn)을 미리 정해진 위치에 따라 정렬하고, 정렬된 복수의 이미지 프레임을 미리 정해진 시간 단위(10㎳)마다 배치 및 조합하여 동영상 데이터 형태의 MIP MRA를 구성할 수 있다.

나아가, MIP MRA는 이미지 프레임(F1, F2, ... Fn)에 대응되는 프로젝션 위치(P1, P2, ... Pn) 및 시간 또는 배열 순서에 대한 정보를 포함할 수 있다.

공간 특성 학습부(12)는 MIP MRA에 포함된 이미지 프레임(F1, F2, ... Fn) 각각에 대한 학습을 수행하여 공간 특성 학습모델(13)을 구축할 수 있으며, 바람직하게 CNN(Convolutional Neural Networks) 학습 방식에 기초하여 공간 특성 학습모델(13)을 구축할 수 있다.

공간 특성 학습부(12)의 공간 특성 학습모델(13)의 구축시 이미지 프레임(F1, F2, ... Fn)에 대응되는 프로젝션 위치(P1, P2, ... Pn) 및 시간 또는 배열 순서에 대한 정보를 고려할 수 있다. 예컨대, 공간 특성 학습모델(13)에는 MIP MRA에 포함된 이미지 프레임(F1, F2, ... Fn)의 수에 대응되는 CNN이 구비될 수 있으며, 공간 특성 학습부(12)는 제1이미지 프레임(F1)을 제1 CNN의 입력으로 전달하고, 제2이미지 프레임(F2)을 제2 CNN의 입력으로 전달하고, 제n이미지 프레임(Fn)을 제n CNN의 입력으로 전달하도록 구성할 수 있다.

이에 대응하여, 공간 특성 학습모델(13)에 구비되는 복수의 CNN은 복수의 이미지 프레임(F1, F2, ... Fn) 각각에 대응되는 복수의 공간 특성을 출력할 수 있으며, 공간 특성 학습부(12)는 전술한 복수의 공간 특성을 순차적으로 배열하여 시퀀셜한 데이터로 구성할 수 있다. 이때, 공간 특성 학습부(12)는 이미지 프레임(F1, F2, ... Fn)에 대응되는 프로젝션 위치(P1, P2, ... Pn) 및 시간 또는 배열 순서에 대한 정보를 고려하여 직렬화된(Sequential) 데이터를 구성할 수 있다.

한편, 프레임 특성 학습부(14)는 직렬화된 데이터로 구성된 복수의 공간 특성을 입력받고, 이미지 프레임 사이의 관계에 대한 특성(즉, 프레임 특성)을 검출하는 학습을 수행할 수 있다. 바람직하게, 프레임 특성 학습부(14)는 순환 신경망(RNN; Recurrent Neural Nerwork) 학습 방식에 기초하여 프레임 특성 학습모델(15)을 구축할 수 있다.

병변 특성 학습부(16)는 복수의 이미지 프레임(F1, F2, ... Fn) 각각에 대응되는 병변 정보를 학습할 수 있다. 이를 위해, 프레임 특성 학습부(14)는 시퀀셜한 데이터로 구성된 프레임 특성을 재구성하여 병렬화된(parallel) 데이터를 구성할 수 있다.

병변 특성 학습부(16)는 프레임 특성 학습부(14)로부터 제공되는 프레임 특성을 사용하여 병변 특성 학습모델(17)을 구축할 수 있다.

병변 특성 학습모델(17)은 CNN 학습 방식에 기초한 학습모델일 수 있으며, MIP MRA에 포함된 이미지 프레임(F1, F2, ... Fn)의 수에 대응되는 만큼의 CNN을 구비할 수 있다. 그리고, 병변 특성 학습부(16)는 제1이미지 프레임(F1)에 대응되는 제1프레임 특성을 제1 CNN의 입력으로 전달하고, 제2이미지 프레임(F2)에 대응되는 제1프레임 특성을 제2 CNN의 입력으로 전달하고, 제n이미지 프레임(Fn)에 대응되는 제n 프레임 특성을 제n CNN의 입력으로 전달하도록 구성할 수 있다.

나아가, 공간 특성 학습모델(13)에 구비되는 복수의 CNN은 정보 추출 Domain의 크기를 줄이는 풀링(Pooling) 구조를 구비할 수 있으며, 병변 특성 학습모델(17)에 구비되는 복수의 CNN은 특징 맵(feature map)의 Domain 크기를 늘리는 업샘플링(upsampling) 구조를 구비할 수 있다.

공간 특성 학습모델(13) 및 병변 특성 학습모델(17)에 구비되는 복수의 CNN은 각각 2번의 3Х3 합성곱을 구비하는 것이 바람직하다. 또한, 공간 특성 학습모델(13)은 2Х2 최대 풀링 연산(max-pooling operation) 구조를 구비하고, 병변 특성 학습모델(17)은 bilinear interpolation으로 길이와 너비를 2배로 증가시키는 구조를 구비할 수 있다.

비록, 본 개시의 일 실시예에서, 공간 특성 학습모델(13) 및 병변 특성 학습모델(17)에 구비되는 합성곱의 크기 및 개수, 공간 특성 학습모델(13)에 구비되는 풀링(Pooling) 구조와, 업샘플링(upsampling) 구조 등을 예시하였으나, 본 개시가 이를 한정하는 것은 아니며, 다양하게 변경될 수 있음은 물론이다.

도 3은 본 개시의 일 실시 예에 따른 뇌혈관 질환 학습 장치에 구비되는 공간 특성 학습부의 세부 구성을 예시하는 도면이다.

도 3을 참조하면, 공간 특성 학습부(30)는 복수의 CNN(31-1, 31-2, 31-n)을 구비하는 공간 특성 학습모델(31)을 포함할 수 있으며, 복수의 CNN의 수는 MIP MRA에 포함된 이미지 프레임(F1, F2, ... Fn)의 수에 대응되도록 설정될 수 있다.

공간 특성 학습부(30)는 MIP MRA에 포함된 이미지 프레임(F1, F2, ... Fn)을 각각복수의 CNN(31-1, 31-2, 31-n)의 입력에 제공할 수 있다.

이때, 공간 특성 학습부(30)는 이미지 프레임(F1, F2, ... Fn)에 대응되는 프로젝션 위치(P1, P2, ... Pn) 및 시간 또는 배열 순서에 대한 정보를 고려하여, 이미지 프레임(F1, F2, ... Fn)을 복수의 CNN(31-1, 31-2, 31-n)에 제공할 수 있다. 예컨대, 공간 특성 학습부(31)는 제1이미지 프레임(F1)을 제1 CNN(31-1)의 입력으로 전달하고, 제2이미지 프레임(F2)을 제2 CNN(31-2)의 입력으로 전달하고, 제n이미지 프레임(Fn)을 제n CNN(31-n)의 입력으로 전달하도록 구성할 수 있다.

또한, 공간 특성 학습부(30)는 직렬화 처리부(33)를 포함할 수 있으며, 직렬화 처리부(33) 복수의 CNN(31-1, 31-2, 31-n)을 통해 출력되는 복수의 공간 특성(310-1, 310-2, 310-n)을 직렬화 할 수 있다. 직렬화 처리부(33)는 프로젝션 위치(P1, P2, ... Pn) 및 시간 또는 배열 순서에 대한 정보를 고려하여, 복수의 공간 특성(310-1, 310-2, 310-n)을 직렬화하는 것이 바람직하다.

이하, 도 4 내지 도 7을 참조하여, 복수의 CNN(31-1, 31-2, 31-n)의 상세 구성을 설명한다.

도 4는 본 개시의 일 실시 예에 따른 뇌혈관 질환 학습 장치에 구비되는 공간 특성 학습모델의 구성을 나타내는 블록도이다.

도 4를 참조하면, 공간 특성 학습모델(40)은 특징 추출부(41), 맥락 생성부(42), 특징 및 맥락 분석부(43)를 포함할 수 있다. 다만, 이는 본 실시예를 설명하기 위해 필요한 일부 구성요소만을 도시한 것일 뿐, 공간 특성 학습모델(40)에 포함된 구성요소가 전술한 예에 한정되는 것은 아니다.

공간 특성 학습모델(40)은 분석 대상 영상의 특징을 추출하고, 추출된 특징에 기초하여 맥락 정보를 생성하고, 추출된 특징 및 생성된 맥락 정보에 기초하여 분석 대상 영상을 분석할 수 있다. 예컨대, 공간 특성 학습모델(40)은 추출된 특징 및 생성된 맥락 정보를 이용하여 영상을 분류하거나 관심 객체의 위치를 찾아낼 수 있다.

특징 추출부(41)는 입력 영상을 분석하여 영상의 특징을 추출할 수 있다. 예컨대, 상기 특징은 영상의 각 영역마다의 국소적인 특징일 수 있다. 일 실시 예에 따른 특징 추출부(41)는 일반적인 합성곱 신경망(Convolutional Neural Network, CNN) 기법 또는 풀링(pooling) 기법을 이용하여 입력 영상의 특징을 추출할 수 있다. 상기 풀링 기법은 맥스(max) 풀링 기법 및 평균(average) 풀링 기법 중 적어도 하나를 포함할 수 있다. 그러나, 본 개시에서 언급되는 풀링 기법은 맥스 풀링 기법 또는 평균 풀링 기법에 한정되지 않으며, 소정 크기의 영상 영역의 대표값을 획득하는 임의의 기법을 포함한다. 예컨대, 풀링 기법에 사용되는 대표값은 최대값 및 평균값 외에, 분산값, 표준 편차값, 중간값(mean value), 최빈값(most frequent value), 최소값, 가중 평균값 등 중 적어도 하나일 수 있다.

본 개시의 합성곱 신경망은 입력 데이터(영상)로부터 테두리, 선 색 등과 같은 "특징들(features)"을 추출하기 위해 이용될 수 있으며, 복수의 계층들(layers)을 포함할 수 있다. 각각의 계층은 입력 데이터를 수신하고, 해당 계층의 입력 데이터를 처리하여 출력 데이터를 생성할 수 있다. 합성곱 신경망은 입력된 영상 또는 입력된 특징맵(feature map)을 필터 커널들(filter kernels)과 컨볼루션하여 생성한 특징맵을 출력 데이터로서 출력할 수 있다. 합성곱 신경망의 초기 계층들은 입력으로부터 에지들 또는 그레디언트들과 같은 낮은 레벨의 특징들을 추출하도록 동작될 수 있다. 신경망의 다음 계층들은 눈, 코 등과 같은 점진적으로 더 복잡한 특징들을 추출할 수 있다. 합성곱 신경망의 구체적인 동작에 대해서는 도 5를 참고하여 후술한다.

합성곱 신경망은 컨볼루션 연산이 수행되는 합성곱 계층 외에도 풀링 연산이 수행되는 풀링 계층도 포함할 수 있다. 풀링 기법은 풀링 계층에서 데이터의 공간적 크기를 축소하는데 사용되는 기법이다. 구체적으로, 풀링 기법에는 해당 영역에서 최대값을 선택하는 맥스 풀링(max pooling) 기법과 해당 영역의 평균값을 선택하는 평균 풀링(average pooling) 기법이 있으며, 이미지 인식 분야에서는 일반적으로 맥스 풀링 기법이 사용된다. 풀링 기법에서는 일반적으로 풀링의 윈도우 크기와 간격(스트라이드, stride)을 같은 값으로 설정한다. 여기서, 스트라이드란 입력 데이터에 필터를 적용할 때 이동할 간격을 조절하는 것, 즉 필터가 이동할 간격을 의미하며, 스트라이드 또한 출력 데이터의 크기를 조절하기 위해 사용될 수 있다. 풀링 기법의 구체적인 동작에 대해서는 도 6을 참고하여 후술한다.

본 개시의 일 실시 예에 따른 특징 추출부(41)는 분석 대상 영상의 특징을 추출하기 위한 전처리(pre-processing)로서, 분석 대상 영상에 필터링을 적용할 수 있다. 상기 필터링은 고속 푸리에 변환(Fast Fourier Transform, FFT), 히스토그램 평활화(histogram equalization), 모션 아티팩트(motion artifact) 제거 또는 노이즈(noise) 제거 등일 수 있다. 그러나, 본 개시의 필터링은 상기 열거한 방법으로 제한되지 않으며, 영상의 품질을 개선할 수 있는 모든 형태의 필터링을 포함할 수 있다.

맥락 생성부(42)는 특징 추출부(41)로부터 추출된 입력 영상의 특징을 이용하여 입력 영상(분석 대상 영상)의 맥락 정보를 생성할 수 있다. 예컨대, 상기 맥락 정보는 분석 대상 영상의 전체 또는 일부 영역을 나타내는 대표값일 수 있다. 또한 상기 맥락 정보는 입력 영상의 전역적인 맥락 정보일 수 있다. 일 실시 예에 따른 맥락 생성부(42)는 합성곱 신경망 기법 또는 풀링 기법을 특징 추출부(41)로부터 추출된 특징에 적용하여 맥락 정보를 생성할 수 있다. 상기 풀링 기법은 예컨대, 평균 풀링(average pooling) 기법일 수 있다.

특징 및 맥락 분석부(43)는 특징 추출부(41)에서 추출된 특징 및 맥락 생성부(42)에서 생성된 맥락 정보에 기초하여 영상을 분석할 수 있다. 일 실시예에 따른 특징 및 맥락 분석부(43)는 특징 추출부(41)에서 추출된 영상의 각 영역마다의 국소적인 특징 및 맥락 생성부(42)에서 재구성된 전역적인 맥락을 결합(concatenate)하는 등의 방식으로 함께 사용하여, 입력 영상을 분류하거나 입력 영상에 포함된 관심 객체의 위치 등을 찾는데 이용할 수 있다. 입력 영상 내 특정 2차원 위치에서의 정보는 국소적인 특징 정보뿐만 아니라 전역적인 맥락 정보까지 포함하게 되므로, 특징 및 맥락 분석부(43)는 이들 정보를 이용함으로써, 실제 내용은 상이하지만 국소적인 특징 정보가 유사한 입력 영상들에 대해 보다 정확한 인식 또는 분류 등이 가능하게 된다.

전술한 바와 같이, 본 개시의 일 실시 예에 따른 발명은, 일반적인 합성곱 신경망 기법이 사용하는 국소적인 특징뿐만 아니라 전역적인 맥락 정보를 함께 사용함으로써, 보다 더 정확하고 효율적인 학습 및 영상 분석이 가능하게 된다. 이러한 관점에서 본 개시에 따른 발명을 '맥락 분석을 통한 심층 신경망'이라 할 수 있다.

도 5는 본 개시의 일 실시 예에 따른 영상의 맥락 정보를 생성하고 분석하는 과정을 나타내는 도면이다.

도 5를 참조하면, 특징 추출부(41)는 입력 영상(501)을 이용하여 입력 영상(501)으로부터 특징을 추출하고, 추출된 특징 정보를 포함하는 특징 영상(502)을 생성할 수 있다. 상기 추출된 특징은 입력 영상의 국소 영역에 대한 특징일 수 있다. 상기 입력 영상(501)은 영상 분석 장치의 입력 영상 또는 합성곱 신경망 모델 내의 각 계층에서의 특징맵을 포함할 수 있다. 또한 상기 특징 영상(502)은 입력 영상(501)에 대해 합성곱 신경망 기법 및/또는 풀링 기법을 적용하여 획득된 특징맵 및/또는 특징 벡터를 포함할 수 있다.

맥락 생성부(42)는 특징 추출부(41)에서 추출된 특징 영상(502)에 대해 합성곱 신경망 기법 및/또는 풀링 기법을 적용하여 맥락 정보를 생성할 수 있다. 예컨대, 맥락 생성부(42)는 풀링의 간격(stride)을 다양하게 조절함으로써 영상 전체, 4등분 영역, 9등분 영역 등의 다양한 크기(scale)의 맥락 정보를 생성할 수 있다. 도 4를 참조하면, 영상 전체 크기의 영상에 대한 맥락 정보를 포함하는 전체 맥락 정보 영상(511), 영상 전체를 4등분한 크기의 4등분 영상에 대한 맥락 정보를 포함하는 4등분 맥락 정보 영상(512) 및 영상 전체를 9등분한 크기의 9등분 영상에 대한 맥락 정보를 포함하는 9등분 맥락 정보 영상(513)이 획득될 수 있다.

특징 및 맥락 분석부(43)는 상기 특징 영상(502)과 상기 맥락 정보 영상(411, 412, 413)을 모두 이용하여 분석 대상 영상의 특정 영역에 대한 분석을 보다 정확히 수행할 수 있다.

본 개시의 일 실시 예에 따른 맥락 생성부(42)는 상기 분석 대상 영상 또는 상기 특징 영상(502)에 기초하여 맥락 정보(511, 512, 513)를 생성함으로써, 보다 정확히 객체를 식별하고 분류할 수 있다.

도 5를 참조하여 설명한 실시 예에서는 전체 영상에 대한 맥락 정보, 4등분 영상에 대한 맥락 정보, 9등분 영상에 대한 맥락 정보를 생성하고 활용하는 것에 대해 설명하였으나, 맥락 정보를 추출하는 영상의 크기는 이에 한정되지 않는다. 예컨대, 전술한 크기의 영상 이외의 크기를 갖는 영상에 대한 맥락 정보를 생성하고 활용할 수도 있다.

한편, 본 개시의 일 실시 예에 따른 합성곱 신경망 기법 및 풀링에 대해서는 도 6 및 도 7을 참조하여 후술한다.

도 6은 다채널 특징맵을 생성하는 합성곱 신경망의 일 실시 예를 설명하기 위한 도면이다.

합성곱 신경망 기반의 영상 처리는 다양한 분야에 활용될 수 있다. 예컨대, 영상의 객체 인식(object recognition)을 위한 영상 처리 장치, 영상 복원(image reconstruction)을 위한 영상 처리 장치, 시맨틱 세그먼테이션(semantic segmentation)을 위한 영상 처리 장치, 장면 인식(scene recognition)을 위한 영상 처리 장치 등에 이용될 수 있다.

입력 영상(610)은 합성곱 신경망(600)을 통해 처리됨으로써 특징맵 영상을 출력할 수 있다. 출력된 특징맵 영상은 전술한 다양한 분야에 활용될 수 있다.

합성곱 신경망(600)은 복수의 계층들(620, 630, 640)을 통해 처리될 수 있으며, 각 계층은 다채널 특징맵 영상들(625, 635)을 출력할 수 있다. 일 실시예에 따른 복수의 계층들(620, 630, 640)은 입력받은 데이터의 좌측 상단으로부터 우측 하단까지 일정한 크기의 필터를 적용하여 영상의 특징을 추출할 수 있다. 예를 들어, 복수의 계층들(620, 630, 640)은 입력 데이터의 좌측 상단 NХM 픽셀에 가중치를 곱해서 특징맵의 좌측 상단의 한 뉴런에 매핑시킨다. 이 경우, 곱해지는 가중치도 NХM가 될 것이다. 상기 NХM은 예컨대, 3Х3일 수 있으나, 이에 한정되지 않는다. 이후, 동일한 과정으로, 복수의 계층들(620, 630, 640)은 입력 데이터를 좌측에서 우측으로, 그리고 상단에서 하단으로 k 칸씩 스캔하면서 가중치를 곱하여 특징맵의 뉴런에 매핑한다. 상기 k 칸은 합성곱 수행시 필터를 이동시킬 간격(stride)을 의미하며, 출력 데이터의 크기를 조절하기 위해 적절히 설정될 수 있다. 예컨대, k는 1일 수 있다. 상기 NХM 가중치는 필터 또는 필터 커널이라고 한다. 즉, 복수의 계층들(620, 630, 640)에서 필터를 적용하는 과정은 필터 커널과의 컨볼루션 연산을 수행하는 과정이며, 그 결과 추출된 결과물을 "특징맵(feature map)" 또는 "특징맵 영상"이라고 한다. 또한, 컨볼루션 연산이 수행된 계층을 합성곱 계층이라 할 수 있다.

"다채널 특징맵(multiple-channel feature map)"의 용어는 복수의 채널에 대응하는 특징맵들의 세트를 의미하고, 예를 들어 복수의 영상 데이터일 수 있다. 다채널 특징맵들은 합성곱 신경망의 임의의 계층에서의 입력일 수 있고, 컨볼루션 연산 등의 특징맵 연산 결과에 따른 출력일 수 있다. 일 실시예에 따르면, 다채널 특징맵들(625, 635)은 합성곱 신경망의 "특징 추출 계층들" 또는 "컨볼루션 계층들"이라고도 불리는 복수의 계층들(620, 630, 640)에 의해 생성된다. 각각의 계층은 순차적으로 이전 계층에서 생성된 다채널 특징맵들을 수신하고, 출력으로서 그 다음의 다채널 특징맵들을 생성할 수 있다. 최종적으로 L(L은 정수)번째 계층(540)에서는 L-1번째 계층(미도시)에서 생성한 다채널 특징맵들을 수신하여 미도시의 다채널 특징맵들을 생성할 수 있다.

도 6을 참조하면, 채널 K1개를 가지는 특징맵들(625)은 입력 영상(610)에 대해 계층 1에서의 특징맵 연산(620)에 따른 출력이고, 또한 계층 2에서의 특징맵 연산(530)을 위한 입력이 된다. 또한, 채널 K2개를 가지는 특징맵들(635)은 입력 특징맵들(625)에 대해 계층 2에서의 특징맵 연산(530)에 따른 출력이고, 또한 계층 3에서의 특징맵 연산(미도시)을 위한 입력이 된다.

도 6을 참조하면, 첫 번째 계층(620)에서 생성된 다채널 특징맵들(625)은 K1(K1은 정수)개의 채널에 대응하는 특징맵들을 포함한다. 또한, 두 번째 계층(630)에서 생성된 다채널 특징맵들(635)은 K2(K2은 정수)개의 채널에 대응하는 특징맵들을 포함한다. 여기서, 채널의 개수를 나타내는 K1 및 K2는, 첫 번째 계층(620) 및 두 번째 계층(630)에서 각각 사용된 필터 커널의 개수와 대응될 수 있다. 즉, M(M은 1 이상 L-1 이하의 정수)번째 계층에서 생성된 다채널 특징맵들의 개수는 M번째 계층에서 사용된 필터 커널의 개수와 동일할 수 있다.

도 7은 풀링 기법의 일 실시 예를 설명하기 위한 도면이다.

도 7에 도시된 바와 같이, 풀링의 윈도우 사이즈는 2Х2, 스트라이드는 2이며, 맥스 풀링을 입력 영상(710)에 적용하여 출력 영상(790)을 생성할 수 있다.

도 7의 (a)에서, 입력 영상(710)의 좌측 상단에 2Х2 윈도우(710)를 적용하고, 윈도우(710) 영역 내의 값들 중 대표값(여기서는, 최대값 4)을 계산하여 출력 영상(790)의 대응 위치(720)에 입력한다.

이후, 도 6의 (b)에서, 스트라이드만큼, 즉, 2만큼 윈도우를 이동하고, 윈도우(730) 영역 내의 값들 중 최대값 3을 출력 영상(790)의 대응 위치(740)에 입력한다.

더 이상 우측으로 윈도우를 이동시킬 없는 경우, 다시 입력 영상의 좌측에서 스트라이드만큼 아래의 위치부터 상기 과정을 반복한다. 즉, 도 7의 (c)에 도시된 바와 같이, 윈도우(750) 영역 내의 값들 중 최대값 5를 출력 영상(790)의 대응 위치(760)에 입력한다.

이후, 도 7의 (d)에 도시된 바와 같이, 스트라이드만큼 윈도우를 이동하고, 윈도우(770) 영역 내의 값들 중 최대값 2를 출력 영상(790)의 대응 위치(780)에 입력한다.

상기 과정은 입력 영상(710)의 우측 하단 영역에 윈도우가 위치할 때까지 반복적으로 수행됨으로써, 입력 영상(710)에 풀링을 적용한 출력 영상(790)을 생성할 수 있다.

본 개시의 딥러닝 기반의 모델은 완전 합성곱 신경망(완전 컨볼루션 뉴럴 네트워크, fully convolutional neural network), 합성곱 신경망(컨볼루션 뉴럴 네트워크, convolutional neural network), 순환 신경망(회귀 뉴럴 네트워크, recurrent neural network), 제한 볼츠만 머신(restricted Boltzmann machine, RBM) 및 심층 신뢰 신경망(deep belief neural network, DBN) 중 적어도 하나를 포함할 수 있으나, 이에 한정되지 않는다. 또는, 딥러닝 이외의 머신 러닝 방법도 포함할 수 있다. 또는 딥러닝과 머신 러닝을 결합한 하이브리드 형태의 모델도 포함할 수 있다. 예컨대, 딥러닝 기반의 모델을 적용하여 영상의 특징을 추출하고, 상기 추출된 특징에 기초하여 영상을 분류하거나 인식할 때는 머신 러닝 기반의 모델을 적용할 수도 있다. 머신 러닝 기반의 모델은 서포트 벡터 머신(Support Vector Machine, SVM), 에이다부스트(AdaBoost) 등을 포함할 수 있으나, 이에 한정되지 않는다.

한편, 전술한 도 4 내지 도 7에서 공간 특성 학습모델에 사용되는 CNN 구조를 예시하였다. 병변 학습 모델 역시, 전술한 도 4 내지 도 7에서 전술한 CNN 구조를 구비할 수 있다.

다만, 공간 특성 학습모델은 공간 특성을 추출한 후 풀링 구조를 통해 공간 특성에 대한 압축을 처리할 수 있도록 구성되는데, 이에 대응하여 병변 학습 모델은 입력되는 특성에 대한 보간을 통해 업 샘플링을 처리한 후, 입력되는 정보에 대한 특성(예, 병변 특성)을 검출하는 구조를 구비하도록 구성될 수 있다.

도 8은 본 개시의 일 실시 예에 따른 뇌혈관 질환 학습 장치에 구비되는 프레임 특성 학습부의 세부 구성을 예시하는 도면이다.

도 8을 참조하면, 프레임 특성 학습부(80)는 RNN 방식에 기초한 프레임 특성 학습모델(81)을 포함할 수 있는데, 특성 학습모델(81)은 MIP MRA에 포함된 이미지 프레임(F1, F2, ... Fn)에 대응되는 공간 특성 정보를 순차적으로 입력받고, 공간 특성 정보 사이의 특징을 검출할 수 있다.

순환 신경망(RNN)은 현재의 데이터와 과거의 데이터를 동시에 고려하는 딥 러닝 기법으로서, 순환 신경망(RNN)은 인공 신경망을 구성하는 유닛 사이의 연결이 방향성 사이클(directed cycle)을 구성하는 신경망을 나타낸다. 나아가, 순환 신경망(RNN)을 구성할 수 있는 구조에는 다양한 방식이 사용될 수 있는데, 예컨대, 완전순환망(Fully Recurrent Network), 홉필드망(Hopfield Network), 엘만망(Elman Network), ESN(Echo state network), LSTM(Long short term memory network), 양방향(Bi-directional) RNN, CTRNN(Continuous-time RNN), 계층적 RNN, 2차 RNN 등이 대표적인 예이다. 또한, 순환 신경망(RNN)을 학습시키기 위한 방법으로서, 경사 하강법, Hessian Free Optimization, Global Optimization Method 등의 방식이 사용될 수 있다.

한편, 공간 특성 정보는 MIP MRA에 포함된 이미지 프레임(F1, F2, ... Fn)으로부터 추출된 정보이므로, 프레임 특성 학습부(80)는 MIP MRA에 포함된 이미지 프레임(F1, F2, ... Fn)의 시간적 정보를 확인하고, 확인된 시간적 정보에 기초하여, 공간 특성 정보에 대한 프레임 특성 학습을 처리할 수 있다.

프레임 특성 학습모델(81)은 MIP MRA에 포함된 이미지 프레임(F1, F2, ... Fn)의 공간 특성 정보에 대한 프레임 특성을 학습하므로, MIP MRA에 포함된 이미지 프레임(F1, F2, ... Fn)에 대응되는 프레임 특성(800-1, 800-2, 800-n)을 각각 출력할 수 있다.

나아가, 공간 특성 정보는 프레임 특성 학습모델(81)에 순차적으로 입력될 수 있으며, 프레임 특성 학습모델(81)은 프레임 특성(800-1, 800-2, 800-n)을 순차적으로 출력할 수 있다.

CNN 기반의 병변 특성 학습부는 MIP MRA에 포함된 이미지 프레임(F1, F2, ... Fn) 단위에 대한 병변 정보를 출력하도록 구성될 수 있으므로, 프레임 특성 학습부(80)는 순차적으로 출력되는 프레임 특성(800-1, 800-2, 800-n)을 특성 학습부에 전달하는 병렬화 처리부(83)를 더 포함할 수 있다.

도 9는 본 개시의 일 실시 예에 따른 뇌혈관 질환 검출 장치의 구성을 나타내는 블록도이다.

도 9를 참조하면, 뇌혈관 질환 검출 장치(90)는 MIP MRA 구성부(91), 공간 특성 검출부(92), 프레임 특성 검출부(94), 및 병변 특성 검출부(96)를 포함할 수 있다.

MIP MRA 구성부(91)는 3D TOF MRA(3D Time-of-flight magnetic resonance angiography)를 입력받고, MIP MRA(Maximum intensity projection magnetic resonance angiography)를 구성할 수 있다. 여기서, 3D TOF MRA는 뇌영역에서 혈관이 존재하는 영역의 신호를 강하게 측정하여 획득한 3D 형태의 MRA일 수 있으며, MIP MRA는 3D TOF MRA를 다양한 방향에서 프로젝션(Projection)하여 획득한 이미지 프레임을 시계열적으로 조합하여 구성한 동영상 데이터일 수 있다.

예컨대, MIP MRA 구성부(91)는 미리 정해진 프로젝션 위치를 확인할 수 있으며, 확인된 프로젝션 위치에 대응되는 이미지 프레임을 획득할 수 있다. 그리고, MIP MRA 구성부(91)는 전술한 동작을 통해 획득된 복수의 이미지 프레임을 미리 정해진 시간 단위를 기준으로 시계열적으로 조합하여 동영상 데이터를 구성할 수 있다.

예를 들어, 도 2를 참조하면, 복수의 2D MRA 영상(200)을 적층하여 구성된 3D TOF MRA(210)을 중심으로 적어도 하나의 프로젝션 위치가 설정될 수 있는데, MIP MRA 구성부(91)는 제1프로젝션 위치(P1)에서 획득하여 제1이미지 프레임(F1)을 구성하고, 제2프로젝션 위치(P2)에서 획득하여 제2이미지 프레임(F2)을 구성할 수 있다. MIP MRA 구성부(91)는 이러한 동작을 반복적으로 수행하여 n개의 프로젝션 위치(Pn)에 대응되 n개의 이미지 프레임(Fn)을 획득할 수 있다. MIP MRA 구성부(91)는 n개의 이미지 프레임(Fn)을 미리 정해진 위치에 따라 정렬하고, 정렬된 복수의 이미지 프레임을 미리 정해진 시간 단위(90㎳)마다 배치 및 조합하여 동영상 데이터 형태의 MIP MRA를 구성할 수 있다.

나아가, MIP MRA는 이미지 프레임(F1, F2, ... Fn)에 대응되는 프로젝션 위치(P1, P2, ... Pn) 및 시간 또는 배열 순서에 대한 정보를 포함할 수 있다.

공간 특성 처리부(92)는 MIP MRA에 포함된 이미지 프레임(F1, F2, ... Fn) 각각으로부터 공간 특성을 추출할 수 있다. 특히, 공간 특성 처리부(92)는 전술한 도 1의 공간 특성 학습모델(13)에 대응되는 공간 특성 학습모델(93)을 구비할 수 있으며, 공간 특성 학습모델(93)을 통해 MIP MRA에 포함된 이미지 프레임(F1, F2, ... Fn) 각각으로부터 공간 특성을 추출할 수 있다.

예컨대, 공간 특성 학습모델(93)에는 MIP MRA에 포함된 이미지 프레임(F1, F2, ... Fn)의 수에 대응되는 CNN이 구비될 수 있으며, 공간 특성 처리부(92)는 제1이미지 프레임(F1)을 제1 CNN의 입력으로 전달하고, 제2이미지 프레임(F2)을 제2 CNN의 입력으로 전달하고, 제n이미지 프레임(Fn)을 제n CNN의 입력으로 전달할 수 있다.

이에 대응하여, 공간 특성 학습모델(93)에 구비되는 복수의 CNN은 복수의 이미지 프레임(F1, F2, ... Fn) 각각에 대응되는 복수의 공간 특성을 출력할 수 있으며, 공간 특성 처리부(92)는 전술한 복수의 공간 특성을 순차적으로 배열하여 시퀀셜한 데이터로 구성할 수 있다. 이때, 공간 특성 처리부(92)는 이미지 프레임(F1, F2, ... Fn)에 대응되는 프로젝션 위치(P1, P2, ... Pn) 및 시간 또는 배열 순서에 대한 정보를 고려하여 직렬화된(Sequential) 데이터를 구성할 수 있다.

한편, 프레임 특성 처리부(94)는 직렬화된 데이터로 구성된 복수의 공간 특성을 입력받고, 이미지 프레임 사이의 관계에 대한 특성(즉, 프레임 특성)을 검출할 수 있다. 바람직하게, 프레임 특성 처리부(94)는 순환 신경망(RNN; Recurrent Neural Nerwork) 학습 방식에 기초한 프레임 특성 학습모델(95)을 사용하여 프레임 특성을 검출할 수 있다. 이때, 프레임 특성 학습모델(95)은 전술한 도 1의 프레임 특성 학습부(14)를 통해 구축된 프레임 특성 학습모델(15)일 수 있다.

한편, 병변 특성 처리부(96)는 복수의 이미지 프레임(F1, F2, ... Fn) 각각에 대응되는 병변 정보를 학습할 수 있다. 이를 위해, 프레임 특성 처리부(94)는 시퀀셜한 데이터로 구성된 프레임 특성을 재구성하여 병렬화된(parallel) 데이터를 구성할 수 있다.

병변 특성 처리부(96)는 프레임 특성 처리부(94)로부터 제공되는 프레임 특성으로부터 병변 특성을 추출할 수 있다. 특히, 병변 특성 처리부(96)는 전술한 도 1의 병변 특성 학습부(16)를 통해 구축된 병변 특성 학습모델(17)에 대응되는 병변 특성 학습모델(97)을 구비할 수 있다.

병변 특성 학습모델(97)은 CNN 학습 방식에 기초한 학습모델일 수 있으며, MIP MRA에 포함된 이미지 프레임(F1, F2, ... Fn)의 수에 대응되는 만큼의 CNN을 구비할 수 있다. 그리고, 병변 특성 처리부(96)는 제1이미지 프레임(F1)에 대응되는 제1프레임 특성을 제1 CNN의 입력으로 전달하고, 제2이미지 프레임(F2)에 대응되는 제1프레임 특성을 제2 CNN의 입력으로 전달하고, 제n이미지 프레임(Fn)에 대응되는 제n 프레임 특성을 제n CNN의 입력으로 전달하도록 구성할 수 있다.

나아가, 공간 특성 학습모델(93)에 구비되는 복수의 CNN은 정보 추출 Domain의 크기를 줄이는 풀링(Pooling) 구조를 구비할 수 있으며, 병변 특성 학습모델(97)에 구비되는 복수의 CNN은 특징 맵(feature map)의 Domain 크기를 늘리는 업샘플링(upsampling) 구조를 구비할 수 있다.

공간 특성 학습모델(93) 및 병변 특성 학습모델(97)에 구비되는 복수의 CNN은 각각 2번의 3Х3 합성곱을 구비하는 것이 바람직하다. 또한, 공간 특성 학습모델(93)은 2Х2 최대 풀링 연산(max-pooling operation) 구조를 구비하고, 병변 특성 학습모델(97)은 bilinear interpolation으로 길이와 너비를 2배로 증가시키는 구조를 구비할 수 있다.

비록, 본 개시의 일 실시예에서, 공간 특성 학습모델(93) 및 병변 특성 학습모델(97)에 구비되는 합성곱의 크기 및 개수, 공간 특성 학습모델(93)에 구비되는 풀링(Pooling) 구조와, 업샘플링(upsampling) 구조 등을 예시하였으나, 본 개시가 이를 한정하는 것은 아니며, 다양하게 변경될 수 있음은 물론이다.

나아가, 공간 특성 학습모델(93) 및 병변 특성 학습모델(97)의 세부적인 구조는 전술한 도 4 내지 도 7에 예시되는 공간 특성 학습모델 및 병변 특성 학습모델의 구조를 참조함다. 또한, 프레임 특성 학습모델(95)의 세부적인 구조는 전술한 도 8에 예시되는 프레임 특성 학습모델의 구조를 참조한다.

도 10은 본 개시의 일 실시 예에 따른 뇌혈관 질환 학습 방법의 순서를 도시하는 흐름도이다.

본 개시의 일 실시 예에 따른 뇌혈관 질환 학습 방법은 전술한 본 개시의 일 실시 예에 따른 뇌혈관 질환 학습 장치에 의해 수행될 수 있다.

도 10을 참조하면, 우선, 뇌혈관 질환 학습 장치는 3D TOF MRA(3D Time-of-flight magnetic resonance angiography)를 입력받고, MIP MRA(Maximum intensity projection magnetic resonance angiography)를 구성할 수 있다(S1001). 여기서, 3D TOF MRA는 뇌영역에서 혈관이 존재하는 영역의 신호를 강하게 측정하여 획득한 3D 형태의 MRA일 수 있으며, MIP MRA는 3D TOF MRA를 다양한 방향에서 프로젝션(Projection)하여 획득한 이미지 프레임을 시계열적으로 조합하여 구성한 동영상 데이터일 수 있다.

예컨대, 뇌혈관 질환 학습 장치는 미리 정해진 프로젝션 위치를 확인할 수 있으며, 확인된 프로젝션 위치에 대응되는 이미지 프레임을 획득할 수 있다. 그리고, 뇌혈관 질환 학습 장치는 전술한 동작을 통해 획득된 복수의 이미지 프레임을 미리 정해진 시간 단위를 기준으로 시계열적으로 조합하여 동영상 데이터를 구성할 수 있다.

예를 들어, 복수의 2D MRA 영상을 적층하여 구성된 3D TOF MRA을 중심으로 적어도 하나의 프로젝션 위치가 설정될 수 있는데, 뇌혈관 질환 학습 장치는 제1프로젝션 위치(P1)에서 획득하여 제1이미지 프레임(F1)을 구성하고, 제2프로젝션 위치(P2)에서 획득하여 제2이미지 프레임(F2)을 구성할 수 있다. 뇌혈관 질환 학습 장치는 이러한 동작을 반복적으로 수행하여 n개의 프로젝션 위치(Pn)에 대응되 n개의 이미지 프레임(Fn)을 획득할 수 있다. 뇌혈관 질환 학습 장치는 n개의 이미지 프레임(Fn)을 미리 정해진 위치에 따라 정렬하고, 정렬된 복수의 이미지 프레임을 미리 정해진 시간 단위(10㎳)마다 배치 및 조합하여 동영상 데이터 형태의 MIP MRA를 구성할 수 있다.

나아가, MIP MRA는 이미지 프레임(F1, F2, ... Fn)에 대응되는 프로젝션 위치(P1, P2, ... Pn) 및 시간 또는 배열 순서에 대한 정보를 포함할 수 있다.

뇌혈관 질환 학습 장치는 MIP MRA에 포함된 이미지 프레임(F1, F2, ... Fn) 각각에 대한 학습을 수행하여 공간 특성 학습모델을 구축할 수 있으며, 바람직하게 CNN(Convolutional Neural Networks) 학습 방식에 기초하여 공간 특성 학습모델을 구축할 수 있다(S1002).

공간 특성 학습모델의 구축시 이미지 프레임(F1, F2, ... Fn)에 대응되는 프로젝션 위치(P1, P2, ... Pn) 및 시간 또는 배열 순서에 대한 정보를 고려할 수 있다. 예컨대, 공간 특성 학습모델에는 MIP MRA에 포함된 이미지 프레임(F1, F2, ... Fn)의 수에 대응되는 CNN이 구비될 수 있으며, 뇌혈관 질환 학습 장치는 제1이미지 프레임(F1)을 제1 CNN의 입력으로 전달하고, 제2이미지 프레임(F2)을 제2 CNN의 입력으로 전달하고, 제n이미지 프레임(Fn)을 제n CNN의 입력으로 전달하도록 구성할 수 있다.

뇌혈관 질환 학습 장치는 이미지 프레임(F1, F2, ... Fn)에 대응되는 프로젝션 위치(P1, P2, ... Pn) 및 시간 또는 배열 순서에 대한 정보를 고려하여, 이미지 프레임(F1, F2, ... Fn)을 복수의 CNN에 제공할 수 있다. 예컨대, 뇌혈관 질환 학습 장치는 제1이미지 프레임(F1)을 제1 CNN의 입력으로 전달하고, 제2이미지 프레임(F2)을 제2 CNN의 입력으로 전달하고, 제n이미지 프레임(Fn)을 제n CNN의 입력으로 전달하도록 구성할 수 있다.

공간 특성 학습모델에 구비되는 CNN의 구체적인 구조 및 동작은 전술한 도 4 내지 도 7의 설명을 참조한다.

나아가, 공간 특성 학습모델에 구비되는 복수의 CNN은 각각 2번의 3Х3 합성곱을 구비하는 것이 바람직하다. 또한, 공간 특성 학습모델은 2Х2 최대 풀링 연산(max-pooling operation) 구조를 구비할 수 있다.

또한, 뇌혈관 질환 학습 장치는 복수의 CNN을 통해 출력되는 복수의 공간 특성을 직렬화할 수 있다(S1003). 뇌혈관 질환 학습 장치는 프로젝션 위치(P1, P2, ... Pn) 및 시간 또는 배열 순서에 대한 정보를 고려하여, 복수의 공간 특성을 직렬화하는 것이 바람직하다.

한편, 뇌혈관 질환 학습 장치는 직렬화된 데이터로 구성된 복수의 공간 특성을 입력받고, 이미지 프레임 사이의 관계에 대한 특성(즉, 프레임 특성)을 검출하는 학습을 수행할 수 있다(S1004). 바람직하게, 뇌혈관 질환 학습 장치는 순환 신경망(RNN; Recurrent Neural Nerwork) 학습 방식에 기초하여 프레임 특성 학습모델을 구축할 수 있다.

순환 신경망(RNN)은 현재의 데이터와 과거의 데이터를 동시에 고려하는 딥 러닝 기법으로서, 순환 신경망(RNN)은 인공 신경망을 구성하는 유닛 사이의 연결이 방향성 사이클(directed cycle)을 구성하는 신경망을 나타낸다. 나아가, 순환 신경망(RNN)을 구성할 수 있는 구조에는 다양한 방식이 사용될 수 있는데, 예컨대, 완전순환망(Fully Recurrent Network), 홉필드망(Hopfield Network), 엘만망(Elman Network), ESN(Echo state network), LSTM(Long short term memory network), 양방향(Bi-directional) RNN, CTRNN(Continuous-time RNN), 계층적 RNN, 2차 RNN 등이 대표적인 예이다. 또한, 순환 신경망(RNN)을 학습시키기 위한 방법으로서, 경사 하강법, Hessian Free Optimization, Global Optimization Method 등의 방식이 사용될 수 있다.

한편, 공간 특성 정보는 MIP MRA에 포함된 이미지 프레임(F1, F2, ... Fn)으로부터 추출된 정보이므로, 뇌혈관 질환 학습 장치는 MIP MRA에 포함된 이미지 프레임(F1, F2, ... Fn)의 시간적 정보를 확인하고, 확인된 시간적 정보에 기초하여, 공간 특성 정보에 대한 프레임 특성 학습을 처리할 수 있다.

뇌혈관 질환 학습 장치는 MIP MRA에 포함된 이미지 프레임(F1, F2, ... Fn)의 공간 특성 정보에 대한 프레임 특성을 학습하므로, MIP MRA에 포함된 이미지 프레임(F1, F2, ... Fn)에 대응되는 프레임 특성을 각각 출력할 수 있다.

나아가, 공간 특성 정보는 프레임 특성 학습모델에 순차적으로 제공될 수 있으며, 프레임 특성 학습모델은 프레임 특성을 순차적으로 출력할 수 있다.

한편, CNN 기반의 병변 특성 학습부는 MIP MRA에 포함된 이미지 프레임(F1, F2, ... Fn) 단위에 대한 병변 정보를 출력하도록 구성될 수 있으므로, 뇌혈관 질환 학습 장치는 순차적으로 출력되는 프레임 특성을 병변 특성 학습부에 전달하기 위해 병렬화를 수행하는 동작(S1005)을 더 처리할 수 있다.

다음으로, S1006 단계에서, 뇌혈관 질환 학습 장치는 복수의 이미지 프레임(F1, F2, ... Fn) 각각에 대응되는 병변 정보를 학습할 수 있다(S1006). 예컨대, 뇌혈관 질환 학습 장치는 프레임 특성을 사용하여 병변 특성 학습모델을 구축할 수 있다.

병변 특성 학습모델은 CNN 학습 방식에 기초한 학습모델일 수 있으며, MIP MRA에 포함된 이미지 프레임(F1, F2, ... Fn)의 수에 대응되는 만큼의 CNN을 구비할 수 있다. 그리고, 뇌혈관 질환 학습 장치는 제1이미지 프레임(F1)에 대응되는 제1프레임 특성을 제1 CNN의 입력으로 전달하고, 제2이미지 프레임(F2)에 대응되는 제1프레임 특성을 제2 CNN의 입력으로 전달하고, 제n이미지 프레임(Fn)에 대응되는 제n 프레임 특성을 제n CNN의 입력으로 전달하도록 구성할 수 있다.

나아가, 공간 특성 학습모델에 구비되는 복수의 CNN은 정보 추출 Domain의 크기를 줄이는 풀링(Pooling) 구조로 이루어지므로, 공간 특성 학습모델과 프레임 특성 학습모델을 통해 병변 특성 학습모델에 전달되는 정보는 풀링(Pooling) 구조에 기초하여 소정의 크기로 압축된 정보일 수 있다. 이에 기초하여, 병변 특성 학습모델은 입력된 정보의 보간을 통해, 그 Domain 크기를 늘리는 업샘플링(upsampling) 구조를 구비할 수 있다.

나아가, 병변 특성 학습모델에 구비되는 복수의 CNN은 각각 2번의 3Х3 합성곱을 구비할 수 있다.

뇌혈관 질환 학습 장치는 전술한 방법을 통해 3D TOF MRA(3D Time-of-flight magnetic resonance angiography)를 입력받고, 이에 대응되는 변병 정보를 출력하는 학습을 수행할 수 있다.

비록, 본 개시의 일 실시예에서, 공간 특성 학습모델 및 병변 특성 학습모델에 구비되는 합성곱의 크기 및 개수, 공간 특성 학습모델에 구비되는 풀링(Pooling) 구조와, 업샘플링(upsampling) 구조 등을 예시하였으나, 본 개시가 이를 한정하는 것은 아니며, 다양하게 변경될 수 있음은 물론이다.

도 11은 본 개시의 일 실시 예에 따른 뇌혈관 질환 검출 방법의 순서를 도시하는 흐름도이다.

본 개시의 일 실시 예에 따른 뇌혈관 질환 검출 방법은 전술한 본 개시의 일 실시 예에 따른 뇌혈관 질환 검출 장치에 의해 수행될 수 있다.

도 11을 참조하면, 우선, 뇌혈관 질환 검출 장치는 3D TOF MRA(3D Time-of-flight magnetic resonance angiography)를 입력받고, MIP MRA(Maximum intensity projection magnetic resonance angiography)를 구성할 수 있다(S1101). 여기서, 3D TOF MRA는 뇌영역에서 혈관이 존재하는 영역의 신호를 강하게 측정하여 획득한 3D 형태의 MRA일 수 있으며, MIP MRA는 3D TOF MRA를 다양한 방향에서 프로젝션(Projection)하여 획득한 이미지 프레임을 시계열적으로 조합하여 구성한 동영상 데이터일 수 있다.

예컨대, 뇌혈관 질환 검출 장치는 미리 정해진 프로젝션 위치를 확인할 수 있으며, 확인된 프로젝션 위치에 대응되는 이미지 프레임을 획득할 수 있다. 그리고, 뇌혈관 질환 검출 장치는 전술한 동작을 통해 획득된 복수의 이미지 프레임을 미리 정해진 시간 단위를 기준으로 시계열적으로 조합하여 동영상 데이터를 구성할 수 있다.

예를 들어, 복수의 2D MRA 영상을 적층하여 구성된 3D TOF MRA을 중심으로 적어도 하나의 프로젝션 위치가 설정될 수 있는데, 뇌혈관 질환 검출 장치는 제1프로젝션 위치(P1)에서 획득하여 제1이미지 프레임(F1)을 구성하고, 제2프로젝션 위치(P2)에서 획득하여 제2이미지 프레임(F2)을 구성할 수 있다. 뇌혈관 질환 검출 장치는 이러한 동작을 반복적으로 수행하여 n개의 프로젝션 위치(Pn)에 대응되 n개의 이미지 프레임(Fn)을 획득할 수 있다. 뇌혈관 질환 검출 장치는 n개의 이미지 프레임(Fn)을 미리 정해진 위치에 따라 정렬하고, 정렬된 복수의 이미지 프레임을 미리 정해진 시간 단위(10㎳)마다 배치 및 조합하여 동영상 데이터 형태의 MIP MRA를 구성할 수 있다.

나아가, MIP MRA는 이미지 프레임(F1, F2, ... Fn)에 대응되는 프로젝션 위치(P1, P2, ... Pn) 및 시간 또는 배열 순서에 대한 정보를 포함할 수 있다.

다음으로, 뇌혈관 질환 검출 장치는 MIP MRA에 포함된 이미지 프레임(F1, F2, ... Fn) 각각으로부터 공간 특성을 추출할 수 있다(S1102). 특히, 뇌혈관 질환 검출 장치는 전술한 뇌혈관 질환 학습 방법에 의해 구축된 공간 특성 학습모델을 구비할 수 있으며, 공간 특성 학습모델을 통해 MIP MRA에 포함된 이미지 프레임(F1, F2, ... Fn) 각각으로부터 공간 특성을 추출할 수 있다.

예컨대, 공간 특성 학습모델에는 MIP MRA에 포함된 이미지 프레임(F1, F2, ... Fn)의 수에 대응되는 CNN이 구비될 수 있으며, 뇌혈관 질환 검출 장치는 제1이미지 프레임(F1)을 제1 CNN의 입력으로 전달하고, 제2이미지 프레임(F2)을 제2 CNN의 입력으로 전달하고, 제n이미지 프레임(Fn)을 제n CNN의 입력으로 전달할 수 있다.

공간 특성 학습모델에 구비되는 CNN의 구체적인 구조 및 동작은 전술한 도 4 내지 도 7의 설명을 참조한다.

나아가, 공간 특성 학습모델에 구비되는 복수의 CNN은 각각 2번의 3Х3 합성곱을 구비하는 것이 바람직하다. 또한, 공간 특성 학습모델은 2Х2 최대 풀링 연산(max-pooling operation) 구조를 구비할 수 있다.

또한, 뇌혈관 질환 검출 장치는 복수의 CNN(31-1, 31-2, 31-n)을 통해 출력되는 복수의 공간 특성을 직렬화 할 수 있다(S1103). 뇌혈관 질환 검출 장치는 프로젝션 위치(P1, P2, ... Pn) 및 시간 또는 배열 순서에 대한 정보를 고려하여, 복수의 공간 특성을 직렬화하는 것이 바람직하다.

한편, 뇌혈관 질환 검출 장치는 직렬화된 데이터로 구성된 복수의 공간 특성을 입력받고, 이미지 프레임 사이의 관계에 대한 특성(즉, 프레임 특성)을 검출할 수 있다(S1104). 바람직하게, 뇌혈관 질환 검출 장치는 순환 신경망(RNN; Recurrent Neural Nerwork) 학습 방식에 기초한 프레임 특성 학습모델을 사용하여 프레임 특성을 검출할 수 있다. 이때, 프레임 특성 학습모델은 전술한 뇌혈관 질환 학습 방법을 통해 구축된 프레임 특성 학습모델일 수 있다.

나아가, 공간 특성 정보는 프레임 특성 학습모델에 순차적으로 제공될 수 있으며, 프레임 특성 학습모델은 프레임 특성을 순차적으로 출력할 수 있다.

한편, CNN 기반의 병변 특성 학습모델은 MIP MRA에 포함된 이미지 프레임(F1, F2, ... Fn) 단위에 대한 병변 정보를 출력하도록 구성될 수 있으므로, 뇌혈관 질환 검출 장치는 순차적으로 출력되는 프레임 특성을 병변 특성 학습부에 전달하기 위해 병렬화를 수행하는 동작(S1105)을 더 처리할 수 있다.

뇌혈관 질환 검출 장치는 프레임 특성으로부터 병변 특성을 추출할 수 있다(S1106). 특히, 뇌혈관 질환 검출 장치는 뇌혈관 질환 학습 방법을 통해 구축된 병변 특성 학습모델을 구비할 수 있다.

병변 특성 학습모델은 CNN 학습 방식에 기초한 학습모델일 수 있으며, MIP MRA에 포함된 이미지 프레임(F1, F2, ... Fn)의 수에 대응되는 만큼의 CNN을 구비할 수 있다. 그리고, 뇌혈관 질환 검출 장치는 제1이미지 프레임(F1)에 대응되는 제1프레임 특성을 제1 CNN의 입력으로 전달하고, 제2이미지 프레임(F2)에 대응되는 제1프레임 특성을 제2 CNN의 입력으로 전달하고, 제n이미지 프레임(Fn)에 대응되는 제n 프레임 특성을 제n CNN의 입력으로 전달하도록 구성할 수 있다.

나아가, 공간 특성 학습모델에 구비되는 복수의 CNN은 정보 추출 Domain의 크기를 줄이는 풀링(Pooling) 구조로 이루어지므로, 공간 특성 학습모델과 프레임 특성 학습모델을 통해 병변 특성 학습모델에 전달되는 정보는 풀링(Pooling) 구조에 기초하여 소정의 크기로 압축된 정보일 수 있다. 이에 기초하여, 병변 특성 학습모델은 입력된 정보의 보간을 통해, 그 Domain 크기를 늘리는 업샘플링(upsampling) 구조를 구비할 수 있다.

나아가, 병변 특성 학습모델에 구비되는 복수의 CNN은 각각 2번의 3Х3 합성곱을 구비할 수 있다.

뇌혈관 질환 검출 장치는 전술한 방법을 통해 3D TOF MRA(3D Time-of-flight magnetic resonance angiography)를 입력받고, 이에 대응되는 변병 정보를 검출 및 출력하는 동작을 수행할 수 있다.

비록, 본 개시의 일 실시예에서, 공간 특성 학습모델 및 병변 특성 학습모델에 구비되는 합성곱의 크기 및 개수, 공간 특성 학습모델에 구비되는 풀링(Pooling) 구조와, 업샘플링(upsampling) 구조 등을 예시하였으나, 본 개시가 이를 한정하는 것은 아니며, 다양하게 변경될 수 있음은 물론이다.

도 12는 본 개시의 일 실시예에 따른 뇌혈관 질환 학습 방법 및 뇌혈관 질환 검출 방법을 실행하는 컴퓨팅 시스템을 예시하는 블록도이다.

도 12를 참조하면, 컴퓨팅 시스템(1000)은 버스(1200)를 통해 연결되는 적어도 하나의 프로세서(1100), 메모리(1300), 사용자 인터페이스 입력 장치(1400), 사용자 인터페이스 출력 장치(1500), 스토리지(1600), 및 네트워크 인터페이스(1700)를 포함할 수 있다.

프로세서(1100)는 중앙 처리 장치(CPU) 또는 메모리(1300) 및/또는 스토리지(1600)에 저장된 명령어들에 대한 처리를 실행하는 반도체 장치일 수 있다. 메모리(1300) 및 스토리지(1600)는 다양한 종류의 휘발성 또는 불휘발성 저장 매체를 포함할 수 있다. 예를 들어, 메모리(1300)는 ROM(Read Only Memory) 및 RAM(Random Access Memory)을 포함할 수 있다.

따라서, 본 명세서에 개시된 실시예들과 관련하여 설명된 방법 또는 알고리즘의 단계는 프로세서(1100)에 의해 실행되는 하드웨어, 소프트웨어 모듈, 또는 그 2 개의 결합으로 직접 구현될 수 있다. 소프트웨어 모듈은 RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터, 하드 디스크, 착탈형 디스크, CD-ROM과 같은 저장 매체(즉, 메모리(1300) 및/또는 스토리지(1600))에 상주할 수도 있다. 예시적인 저장 매체는 프로세서(1100)에 커플링되며, 그 프로세서(1100)는 저장 매체로부터 정보를 판독할 수 있고 저장 매체에 정보를 기입할 수 있다. 다른 방법으로, 저장 매체는 프로세서(1100)와 일체형일 수도 있다. 프로세서 및 저장 매체는 주문형 집적회로(ASIC) 내에 상주할 수도 있다. ASIC는 사용자 단말기 내에 상주할 수도 있다. 다른 방법으로, 프로세서 및 저장 매체는 사용자 단말기 내에 개별 컴포넌트로서 상주할 수도 있다.

본 개시의 예시적인 방법들은 설명의 명확성을 위해서 동작의 시리즈로 표현되어 있지만, 이는 단계가 수행되는 순서를 제한하기 위한 것은 아니며, 필요한 경우에는 각각의 단계가 동시에 또는 상이한 순서로 수행될 수도 있다. 본 개시에 따른 방법을 구현하기 위해서, 예시하는 단계에 추가적으로 다른 단계를 포함하거나, 일부의 단계를 제외하고 나머지 단계를 포함하거나, 또는 일부의 단계를 제외하고 추가적인 다른 단계를 포함할 수도 있다.

본 개시의 다양한 실시 예는 모든 가능한 조합을 나열한 것이 아니고 본 개시의 대표적인 양상을 설명하기 위한 것이며, 다양한 실시 예에서 설명하는 사항들은 독립적으로 적용되거나 또는 둘 이상의 조합으로 적용될 수도 있다.

또한, 본 개시의 다양한 실시 예는 하드웨어, 펌웨어(firmware), 소프트웨어, 또는 그들의 결합 등에 의해 구현될 수 있다. 하드웨어에 의한 구현의 경우, 하나 또는 그 이상의 ASICs(Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), 범용 프로세서(general processor), 컨트롤러, 마이크로 컨트롤러, 마이크로 프로세서 등에 의해 구현될 수 있다.

본 개시의 범위는 다양한 실시 예의 방법에 따른 동작이 장치 또는 컴퓨터 상에서 실행되도록 하는 소프트웨어 또는 머신-실행가능한 명령들(예를 들어, 운영체제, 애플리케이션, 펌웨어(firmware), 프로그램 등), 및 이러한 소프트웨어 또는 명령 등이 저장되어 장치 또는 컴퓨터 상에서 실행 가능한 비-일시적 컴퓨터-판독가능 매체(non-transitory computer-readable medium)를 포함한다.

Claims (11)

1. 영상을 기반으로 학습모델을 구축하는 전자 장치에 있어서,
   3D TOF MRA(3D Time-of-flight magnetic resonance angiography)를 입력받고, 상기 3D TOF MRA를 서로 다른 방향에서 프로젝션하여 획득한 복수의 이미지 프레임을 미리 정해진 시간 단위마다 연속적으로 배열하여 MIP MRA(Maximum intensity projection magnetic resonance angiography)를 구성하는 MIP MRA 구성부와,
   CNN(Convolutional Neural Networks) 학습 방식에 기초한 공간 특성 학습모델을 구축하되, 상기 공간 특성 학습모델은 상기 MIP MRA에 포함된 상기 복수의 이미지 프레임 각각에 대한 공간 특성을 학습하고, 상기 공간 특성 학습모델을 통해 출력되는 상기 복수의 이미지 프레임 각각에 대한 공간 특성을 상기 미리 정해진 시간 단위에 맞춰 직렬화하여 출력하는 공간 특성 학습부와,
   상기 미리 정해진 시간 단위에 맞춰 직렬화되어 제공되는 상기 공간 특성을 입력받고 RNN(Recurrent Neural Networks) 학습 방식에 기초한 프레임 특성 학습모델을 구축하되, 상기 프레임 특성 학습모델은 미리 정해진 시간 단위마다 연속적으로 배열된 복수의 이미지 프레임 사이의 특성을 나타내는 프레임 특성을 학습하고, 상기 프레임 특성 학습모델을 통해 출력되는 상기 프레임 특성을 병렬화하여 출력하는 프레임 특성 학습부와,
   병렬화되어 제공되는 상기 프레임 특성을 입력받고 상기 CNN 학습 방식에 기초한 병변 특성 학습모델을 구축하되, 상기 병변 특성 학습모델은 상기 복수의 이미지 프레임 각각에 대한 병변 특성을 학습하는 병변 특성 학습부를 포함하는 것을 특징으로 하는 뇌혈관 질환 학습 장치.
2. 제1항에 있어서, 상기 공간 특성 학습모델은,
   상기 복수의 이미지 프레임을 각각 입력받고, 입력받은 이미지 프레임에 대한 공간 특성을 학습하는 복수의 CNN을 포함하는 것을 특징으로 하는 뇌혈관 질환 학습 장치.
3. 삭제
4. 삭제
5. 제1항에 있어서, 상기 공간 특성 학습모델은,
   미리 정해진 크기의 최대 풀링 연산(max-pooling operation) 구조를 구비하는 것을 특징으로 하는 뇌혈관 질환 학습 장치.
6. 제5항에 있어서, 상기 병변 특성 학습모델은,
   상기 미리 정해진 크기를 고려하여, 상기 프레임 특성의 특징 맵(feature map) 크기를 증가시키는 업샘플링(upsampling) 구조를 구비하는 것을 특징으로 하는 뇌혈관 질환 학습 장치.
   
7. 영상을 기반으로 병변을 검출하는 전자 장치에 있어서,
   3D TOF MRA(3D Time-of-flight magnetic resonance angiography)를 입력받고, 상기 3D TOF MRA를 서로 다른 방향에서 프로젝션하여 획득한 복수의 이미지 프레임을 미리 정해진 시간 단위마다 연속적으로 배열하여 MIP MRA(Maximum intensity projection magnetic resonance angiography)를 구성하는 MIP MRA 구성부와,
   CNN(Convolutional Neural Networks) 학습 방식에 기초하여, 상기 MIP MRA에 포함된 상기 복수의 이미지 프레임 각각에 대한 공간 특성의 학습을 통해 구축된 공간 특성 학습모델을 구비하고, 상기 공간 특성 학습모델에 상기 MIP MRA에 포함된 상기 복수의 이미지 프레임을 입력하고, 상기 복수의 이미지 프레임 각각에 대한 공간 특성을 검출하고, 상기 공간 특성 학습모델을 통해 출력되는 상기 복수의 이미지 프레임 각각에 대한 공간 특성을 상기 미리 정해진 시간 단위에 맞춰 직렬화하여 출력하는 공간 특성 검출부와,
   RNN(Recurrent Neural Networks) 학습 방식에 기초하여, 상기 미리 정해진 시간 단위에 맞춰 직렬화되어 제공되는 상기 공간 특성에 대응되는 프레임 특성의 학습을 통해 구축된 프레임 특성 학습모델을 구비하고, 상기 프레임 특성 학습모델에 상기 미리 정해진 시간 단위에 맞춰 직렬화되어 제공되는 상기 공간 특성을 입력하고, 미리 정해진 시간 단위마다 연속적으로 배열된 복수의 이미지 프레임 사이의 특성을 나타내는 상기 프레임 특성을 검출하고, 상기 프레임 특성 학습모델을 통해 출력되는 상기 프레임 특성을 병렬화하여 출력하는 프레임 특성 검출부와,
   상기 CNN 학습 방식에 기초하여 상기 프레임 특성에 대응되는 병변 특성의 학습을 통해 구축된 병변 특성 학습모델을 구비하고, 상기 병변 특성 학습모델을 통해 상기 복수의 이미지 프레임 각각에 대한 병변 특성을 검출하는 병변 특성 검출부를 포함하는 것을 특징으로 하는 뇌혈관 질환 검출 장치.
   
8. 삭제
9. 제7항에 있어서,
   상기 공간 특성 학습모델은,
   미리 정해진 크기의 최대 풀링 연산(max-pooling operation) 구조를 구비하고,
   상기 병변 특성 학습모델은,
   상기 미리 정해진 크기를 고려하여, 상기 프레임 특성의 특징 맵(feature map) 크기를 증가시키는 업샘플링(upsampling) 구조를 구비하는 것을 특징으로 하는 뇌혈관 질환 검출 장치.
10. 적어도 하나의 프로세서, 사용자 인터페이스 입력 장치, 사용자 인터페이스 출력 장치를 포함하는 전자장치가 영상을 기반으로 학습모델을 구축하는 방법에 있어서,
    상기 적어도 하나의 프로세서가 3D TOF MRA(3D Time-of-flight magnetic resonance angiography)를 입력받고, 상기 3D TOF MRA를 서로 다른 방향에서 프로젝션하여 획득한 복수의 이미지 프레임을 미리 정해진 시간 단위마다 연속적으로 배열하여 MIP MRA(Maximum intensity projection magnetic resonance angiography)를 구성하는 과정과,
    상기 적어도 하나의 프로세서가 CNN(Convolutional Neural Networks) 학습 방식에 기초한 공간 특성 학습모델을 구축하되, 상기 공간 특성 학습모델은 상기 MIP MRA에 포함된 상기 복수의 이미지 프레임 각각에 대한 공간 특성을 학습하는 과정과,
    상기 적어도 하나의 프로세서가 상기 공간 특성 학습모델을 통해 출력되는 상기 복수의 이미지 프레임 각각에 대한 공간 특성을 상기 미리 정해진 시간 단위에 맞춰 직렬화하여 출력하는 과정과,
    상기 적어도 하나의 프로세서가 상기 미리 정해진 시간 단위에 맞춰 직렬화되어 제공되는 상기 공간 특성을 입력받고 RNN(Recurrent Neural Networks) 학습 방식에 기초한 프레임 특성 학습모델을 구축하되, 상기 프레임 특성 학습모델은 미리 정해진 시간 단위마다 연속적으로 배열된 복수의 이미지 프레임 사이의 특성을 나타내는 프레임 특성을 학습하는 과정과,
    상기 적어도 하나의 프로세서가 상기 프레임 특성 학습모델을 통해 출력되는 상기 프레임 특성을 병렬화하여 출력하는 과정과,
    상기 적어도 하나의 프로세서가 상기 프레임 특성을 입력받고 상기 CNN 학습 방식에 기초한 병변 특성 학습모델을 구축하되, 상기 병변 특성 학습모델은 상기 복수의 이미지 프레임 각각에 대한 병변 특성을 학습하는 과정을 포함하는 것을 특징으로 하는 뇌혈관 질환 학습 방법.
11. 적어도 하나의 프로세서, 사용자 인터페이스 입력 장치, 사용자 인터페이스 출력 장치를 포함하는 전자장치가 영상을 기반으로 병변을 검출하는 방법에 있어서,
    상기 적어도 하나의 프로세서가 3D TOF MRA(3D Time-of-flight magnetic resonance angiography)를 입력받고, 상기 3D TOF MRA를 서로 다른 방향에서 프로젝션하여 획득한 복수의 이미지 프레임을 미리 정해진 시간 단위마다 연속적으로 배열하여 MIP MRA(Maximum intensity projection magnetic resonance angiography)를 구성하는 과정과,
    상기 적어도 하나의 프로세서가 공간 특성 학습모델에 상기 MIP MRA에 포함된 상기 복수의 이미지 프레임을 입력하고, 상기 MIP MRA에 포함된 상기 복수의 이미지 프레임 각각에 대한 공간 특성을 검출하되, 상기 공간 특성 학습모델은 CNN(Convolutional Neural Networks) 학습 방식에 기초하여, 상기 복수의 이미지 프레임 각각에 대한 공간 특성의 학습을 통해 구축된 학습모델인 것을 특징으로 하는 과정과,
    상기 적어도 하나의 프로세서가 상기 공간 특성 학습모델을 통해 출력되는 상기 복수의 이미지 프레임 각각에 대한 공간 특성을 상기 미리 정해진 시간 단위에 맞춰 직렬화하여 출력하는 과정과,
    상기 적어도 하나의 프로세서가 상기 미리 정해진 시간 단위에 맞춰 직렬화되어 제공되는 상기 공간 특성을 프레임 특성 학습모델에 입력하여, 직렬화되어 제공되는 상기 공간 특성에 대응되는 상기 프레임 특성을 검출하되, 상기 프레임 특성 학습모델은 RNN(Recurrent Neural Networks) 학습 방식에 기초하여, 상기 공간 특성에 대응되는 프레임 특성의 학습을 통해 구축된 학습모델인 것을 특징으로 하는 과정과,
    상기 적어도 하나의 프로세서가 상기 프레임 특성 학습모델을 통해 출력되는 상기 프레임 특성을 병렬화하여 출력하는 과정과,
    상기 적어도 하나의 프로세서가 병변 특성 학습모델을 통해 상기 복수의 이미지 프레임 각각에 대한 병변 특성을 검출하되, 상기 병변 특성 학습모델은, 상기 CNN 학습 방식에 기초하여 상기 프레임 특성에 대응되는 병변 특성의 학습을 통해 구축된 학습모델인 것을 특징으로 하는 과정을 포함하는 것을 특징으로 하는 뇌혈관 질환 검출 방법.

Images