KR102119056B1 - 생성적 적대 신경망 기반의 의료영상 학습 방법 및 장치 - Google Patents

Abstract

본 발명에 따르면, GAN 기반의 의료영상 학습 장치가 제공될 수 있다. 상기 GAN 기반의 의료영상 학습 장치는 제1의료영상, 라벨링 데이터, 및 필터링된 의료영상을 포함하는 학습 데이터 셋을 관리하는 학습 데이터 셋 관리부, 및 제2의료영상을 생성하는 제너레이터(Generator)의 학습을 관리하는 제너레이터 학습부와, 상기 제1의료영상, 라벨링 데이터, 및 상기 제너레이터를 통해 생성된 제2영상으로부터 필터링된 의료영상을 사용하여, 상기 라벨링 데이터를 구성하는 디스크리미네이터(Discriminator)의 학습을 관리하는 디스크리미네이터 학습부를 구비하는 병변 학습부를 포함하고, 상기 학습 데이터 셋 관리부는, 상기 제2의료영상을 필터링하여 선택적으로 상기 필터링된 의료영상으로서 제공하는 제2의료영상 필터링부를 구비할 수 있다.

Description

생성적 적대 신경망 기반의 의료영상 학습 방법 및 장치{METHOD FOR LEARNING MEDICAL IMAGE BASED ON GENERATIVE ADVERSARIAL NETWORK AND APPARATUS FOR THE SAME}

본 개시는 딥러닝 모델 학습 기술에 관한 것이며, 보다 구체적으로는 비지도 학습을 통해 병변에 대한 학습을 수행하는 방법과 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.

그러나, 학습된 모델이 정확한 정확한 결과를 도출하기 위해서는, 대용량의 데이터 학습이 요구된다.

특히, 인공지능 기술을 의료분야에 적용하기 위해서는, 전문가에 의해 확인된 대량의 데이터(즉, 라벨링 데이터)가 필수적으로 요구되나, 시간 및 비용적인 문제로 인하여 전문가에 의해 확인된 대량의 데이터를 구축하기가 용이하지 않은 문제가 있다.

본 개시의 기술적 과제는 소수의 라벨링 데이터를 사용하여 고성능의 학습모델을 구축할 수 있는 GAN(Generative Adversarial Network) 기반의 의료영상 학습 방법 및 장치를 제공하는 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, GAN 기반의 의료영상 학습 장치가 제공될 수 있다. 상기 장치는, 의료영상 학습모델을 학습하는 장치에 있어서, 제1의료영상, 라벨링 데이터, 및 필터링된 의료영상을 포함하는 학습 데이터 셋을 관리하는 학습 데이터 셋 관리부, 제2의료영상을 생성하는 제너레이터(Generator)의 학습을 관리하는 제너레이터 학습부와, 상기 제1의료영상, 라벨링 데이터, 및 상기 제너레이터를 통해 생성된 제2영상으로부터 필터링된 의료영상을 사용하여, 상기 라벨링 데이터를 구성하는 디스크리미네이터(Discriminator)의 학습을 관리하는 디스크리미네이터 학습부를 구비하는 병변 학습부를 포함하고, 상기 학습 데이터 셋 관리부는, 상기 제2의료영상을 필터링하여 선택적으로 상기 필터링된 의료영상으로서 제공하는 제2의료영상 필터링부를 구비할 수 있다.

본 개시의 다른 양상에 따르면, GAN 기반의 의료영상 학습 방법이 제공될 수 있다. 상기 방법은, 병변 검출을 위한 학습모델을 학습하는 방법에 있어서, 제1의료영상, 라벨링 데이터, 및 필터링된 의료영상을 포함하는 학습 데이터 셋을 관리 및 저장하는 과정과, 제2의료영상을 생성하는 제너레이터(Generator)와, 상기 제1의료영상, 라벨링 데이터, 및 상기 제너레이터를 통해 생성된 제2영상으로부터 필터링된 의료영상을 사용하여, 상기 라벨링 데이터를 구성하는 디스크리미네이터(Discriminator)를 포함하는 병변학습 모델의 학습을 수행하는 과정을 포함하고, 상기 병변학습 모델의 학습을 수행하는 과정은, 상기 제너레이터에서 생성된 제2의료영상을 검출 및 제공하는 과정을 포함하고, 상기 학습 데이터 셋을 관리 및 저장하는 과정은, 상기 제2의료영상을 필터링하여 선택적으로 상기 필터링된 의료영상으로서 저장 및 관리하는 과정을 구비할 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, 소수의 라벨링 데이터를 사용하여 고성능의 학습모델을 구축할 수 있는 GAN 기반의 의료영상 학습 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 실시예에 따른 GAN 기반의 의료영상 학습 장치의 구성을 나타내는 블록도이다.
도 2a 및 도 2b는 본 개시의 일 실시예에 따른 GAN 기반의 의료영상 학습 장치에 의해 병변 학습모델을 학습하는 동작을 설명하는 도면이다.
도 3은 본 개시의 일 실시예에 따른 GAN 기반의 의료영상 학습 장치에 의해 오류영상을 복원하는 동작을 설명하는 도면이다.
도 4a 및 도 4b는 본 개시의 일 실시예에 따른 GAN 기반의 의료영상 학습 장치에서 사용되는 정상적인 상태의 의료영상 및 비정상 상태의 의료 영상을 예시하는 도면이다.
도 5는 본 개시의 일 실시예에 따른 GAN 기반의 의료영상 학습 방법의 순서를 도시하는 흐름도이다.
도 6은 본 개시의 일 실시예에 따른 GAN 기반의 의료영상 학습 방법 및 장치를 실행하는 컴퓨팅 시스템을 예시하는 블록도이다.

이하에서는 첨부한 도면을 참고로 하여 본 개시의 실시예에 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 실시예에 한정되지 않는다.

본 개시의 실시예를 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 실시예에서의 제1 구성요소는 다른 실시예에서 제2 구성요소라고 칭할 수도 있고, 마찬가지로 일 실시예에서의 제2 구성요소를 다른 실시예에서 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 실시예도 본 개시의 범위에 포함된다.

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

이하, 첨부한 도면을 참조하여 본 개시의 실시예들에 대해서 설명한다.

도 1은 본 개시의 일 실시예에 따른 GAN 기반의 의료영상 학습 장치의 구성을 나타내는 블록도이다.

도 1을 참조하면, GAN 기반의 의료영상 학습 장치는 병변 학습부(10) 및 학습 데이터 셋 관리부(15)를 포함할 수 있다.

병변 학습부(10)는 병변 학습모델(110)에 대한 학습을 처리하는 구성부로서, 학습 데이터 셋 관리부(15)에서 제공하는 학습 데이터 셋을 사용하여 병변 학습모델(110)에 대한 학습을 처리한다.

특히, 병변 학습모델(110)은 GAN 기반의 준 지도학습을 통해 구축된 학습 모델일 수 있으며, 제너레이터(Generator)와 디스크리미네이터(Discriminator)의 조합으로 구성될 수 있다. 이에 대응하여, 병변 학습부(10)는 제너레이터의 학습을 관리하는 제너레이터 학습부(11)와 디스크리미네이터의 학습을 관리하는 디스크리미네이터 학습부(12)를 포함할 수 있다.

제너레이터 학습부(11)는 제너레이터가 의료영상을 생성할 수 있도록 학습을 수행할 수 있다. 그리고, 디스크리미네이터 학습부(12)는 제너레이터에 의해 생성된 의료영상(이하, '제2의료영상' 이라 함)과, 학습 데이터 셋 관리부(15)에서 제공하는 의료영상(이하, '제1의료영상' 이라함) 및 라벨링 데이터를 입력받고, 입력받은 영상 중에서 라벨링 데이터를 결정할 수 있도록 학습될 수 있다.

나아가, 병변 학습모델(110)은 병변영역 검출 학습모델(111) 및 병변진단 학습모델(113)을 포함할 수 있다. 병변영역 검출 학습모델(111)은 의료영상을 입력받고, 의료영상에서 병변이 발생되는 영역을 검출하여 출력하는 학습모델일 수 있다. 그리고, 병변진단 학습모델(113)은 병변영역 검출 학습모델(111)에서 제공되는 병변이 발생되는 영역을 입력받고, 질환의 종류, 질환의 중증도 등을 결정하여 출력하는 학습모델일 수 있다.

전술한, 병변 학습모델(110)의 구조에 기초하여, 제너레이터 학습부(11)는 병변영역 검출 학습모델(111)에 구비된 제너레이터가 제2의료영상을 생성할 수 있도록 학습을 수행할 수 있으며, 디스크리미네이터 학습부(12)는 디스크리미네이터가 제1의료영상, 제2의료영상, 및 라벨링 데이터를 입력받고, 라벨링 데이터를 식별할 수 있도록 학습을 수행할 수 있다. 이때, 라벨링 데이터는 제1의료영상에서 병변이 발생되는 영역을 검출한 영상일 수 있다.

또한, 제너레이터 학습부(11)는 병변진단 학습모델(113)에 구비된 제너레이터가 병변이 발생되는 영역의 영상을 생성할 수 있도록 학습을 수행할 수 있으며, 디스크리미네이터 학습부(12)는 디스크리미네이터가 병변이 발생되는 영역의 영상(예, 제너레이터가 제공하는 병변이 발생되는 영역의 영상, 학습 데이터 셋에서 제공되는 병변이 발생되는 영역의 영상 등)과, 및 라벨링 데이터를 입력받고, 라벨링 데이터를 식별할 수 있도록 학습을 수행할 수 있다. 이때, 라벨링 데이터는 병변이 발생되는 영역의 영상을 기반으로 질환의 종류, 질환의 중증도 등을 검출한 영상일 수 있다.

나아가, 제너레이터 학습부(11)는 제너레이터가 제공하는 병변이 발생되는 영역의 영상을 제1 및 제2의료영상의 크기 및 해상도에 맞춰 리사이즈한 후, 리사이징된 영상을 디스크리미네이터에 제공하여 학습을 처리할 수 있다.

전술한 실시예에서, 병변 학습모델(110)의 학습을 수행하면서, 제너레이터는 소정의 영상을 구성하여, 디스크리미네이터의 학습에 사용하는 것을 예시하였다. 그러나, 제너레이터가 생성한 영상을 모두 디스크리미네이터에서 사용할 경우, 제너레이터의 성능 수준에 의해 디스크리미네이터의 성능에 영향을 미치게 되는 문제가 발생될 수 있다. 따라서, 본 개시의 일 실시예에 따른 병변 학습 장치는, 제너레이터가 생성한 영상을 선별적으로 디스크리미네이터의 학습에 사용할 수 있도록 구성하는 것이 바람직하다. 이를 위해, 제너레이터 학습부(11)는 제너레이터가 생성한 제2의료영상을 모두 디스크리미네이터로 전달하지 않고, 학습 데이터 셋 관리부(15)로 전달한 후, 학습 데이터 셋 관리부(15)가 제2의료영상을 선별하여 디스크리미네이터에 제공하도록 구성될 수 있다.

구체적으로, 제너레이터 학습부(11)는 병변 학습모델(110)의 학습과정에서 생성된 제2의료영상을 학습 데이터 셋 관리부(15)에 제공한다. 이에 대응하여, 학습 데이터 셋 관리부(15)는 제2의료영상을 선별하는 제2의료영상 필터링부(16)를 포함할 수 있다.

바람직하게, 학습 데이터 셋 관리부(15)는 제2의료영상의 히스토그램을 확인하는 히스토그램 확인부(16)를 포함할 수 있는데, 히스토그램 확인부(16)는 제너레이터 학습부(11)가 제공하는 제2의료영상에 대한 히스토그램을 확인하여 제2의료영상 필터링부(16)에 제공할 수 있다. 또한, 히스토그램 확인부(16)는 학습 데이터 셋(150)에 포함된 제1의료영상(151)에 대한 히스토그램을 확인하고, 그 결과를 제2의료영상 필터링부(16)에 제공할 수 있다.

전술한 바에 기초하여, 제2의료영상 필터링부(16)는 제1의료영상(151)에 대한 히스토그램과, 제2의료영상에 대한 히스토그램을 비교하여, 제1의료영상에 대응되는 영상만을 필터링할 수 있다. 예를 들어, 제2의료영상 필터링부(16)는 제1의료영상(151)에 대한 히스토그램을 사용하여 적어도 하나의 기준 히스토그램 정보를 구성하고, 적어도 하나의 기준 히스토그램 정보와 제2의료영상에 대한 히스토그램을 비교하여, 적어도 하나의 기준 히스토그램 정보를 초과하는 제2의료영상을 필터링된 영상으로 결정할 수 있다. 이후, 제2의료영상 필터링부(16)는 결정된 영상, 즉 필터링된 영상을 제공할 수 있으며, 학습 데이터 셋 관리부(15)는 이를 필터링된 영상(153)으로서 학습 데이터 셋(150)에 저장할 수 있다.

전술한 구조에 기초하여, 학습 데이터 셋(150)에는, 제1의료영상(151), 라벨링 데이터(152), 및 필터링된 영상(153)이 수록될 수 있으며, 디스크리미네이터 학습부(12)는 학습 데이터 셋(150)에 포함된 제1의료영상(151), 라벨링 데이터(152), 및 필터링된 영상(153) 등을 사용하여 병변 학습모델(110)의 디스크리미네이터 학습을 수행할 수 있다.

한편, 제1의료영상을 수집하는 과정, 예컨대, 의료영상의 촬영, 전송, 저장 등의 과정에서 데이터 소실로 인하여 제1의료영상에 오류가 발생될 수 있다. 제1의료영상은 학습에 사용되는 중요한 데이터이므로, 오류가 발생될 경우, 병변 학습모델(110)의 학습이 정확하게 수행되지 않는 문제가 발생될 수 있다. 이를 고려하여, 학습 데이터 셋 관리부(15)는 제1의료영상의 영상의 오류여부를 확인 및 관리하는 오류영상 관리부(18)를 더 포함할 수 있다.

오류영상 관리부(18)는 제1의료영상에 오류가 존재하는지 여부를 확인하는 오류영상 확인부(18a) 및 오류영상을 복원하는 오류영상 복원부(18b)를 포함할 수 있다.

오류영상 확인부(18a)는 제1의료영상을 분석하여 오류여부를 확인한다. 예컨대, 오류영상 확인부(18a)는 제1의료영상(151)에 대한 히스토그램을 확인하고, 미리 정해진 기준과 비교하여 제1의료영상(151)에 대한 오류 여부를 결정할 수 있다.

오류영상 복원부(18b)는 제2의료영상을 오류가 발생된 제1의료영상(151)을 대체하는 영상으로 복원할 수 있다. 예를 들어, 오류영상 복원부(18b)는 제2의료영상의 히스토그램을 오류가 발생된 제1의료영상(151)의 히스토그램과 비교하여, 유사성이 높은 제2의료영상을 검출할 수 있다. 오류영상 복원부(18b)는 이와 같이 검출된 제2의료영상을 오류가 발생된 제1의료영상(151)으로 복원할 수 있다.

한편, 라벨링 데이터가 현저하게 적을 경우, 병변 학습모델(110)의 학습이 제대로 이루어지지 않을 수 있으므로, 일정 수 이상의 라벨링 데이터가 필요하다. 이를 위해, 학습 데이터 셋 관리부(15)는 학습 데이터 셋(150)에 포함된 라벨링 데이터의 수를 확인하고, 미리 정해진 수 또는 비율보다 적게 포함되어 있을 경우, 라벨링 데이터를 구성 및 저장할 수 있다. 예컨대, 학습 데이터 셋 관리부(15)는 제1의료영상(151)에 대응되는 라벨링 데이터(152)을 학습하는 학습모델(미 도시)을 구비할 수 있다. 여기서, 상기 학습모델(미 도시)은 지도 학습 기반으로 구성될 수 있다. 그리고, 학습 데이터 셋 관리부(15)는 제1의료영상(151)을 상기 학습모델(미 도시)에 입력하여, 라벨링 데이터를 생성할 수 있는데, 이와 같은 방식으로 생성된 라벨링 데이터는 정확도가 상대적으로 떨어질 수 있다. 이를 고려하여, 학습 데이터 셋 관리부(15)는 학습모델(미 도시)이 출력하는 라벨링 데이터의 확률값을 확인하고, 상대적으로 높은 확률값을 구비하는 라벨링 데이터를 선별하여, 학습 데이터 셋(150)의 라벨링 데이터(152)로서 저장할 수 있다.

도 2a 및 도 2b는 본 개시의 일 실시예에 따른 GAN 기반의 의료영상 학습 장치에 의해 병변 학습모델을 학습하는 동작을 설명하는 도면이다.

우선, 도 2a는 GAN 기반의 의료영상 학습 장치에 의해 병변영역 검출 학습모델(111)을 학습하는 동작을 나타낸다.

우선, 디스크리미네이터(21)는 병변영역에 대한 학습을 선행적으로 수행하여, 병변영역에 대한 특성을 학습한다. 디스크리미네이터(21)가 병변영역에 대한 학습을 선행적으로 수행한 상태에서, 제너레이터(22)는 제2의료영상(202)을 생성할 수 있다. 이렇게 생성된 제2의료영상(202)은 학습 데이터 셋 관리부(23)에 제공될 수 있으며, 학습 데이터 셋 관리부(23)는 제2의료영상(202)의 히스토그램을 확인하고, 이를 기반으로 제2의료영상(202)에 대한 필터링을 수행할 수 있다. 그리고, 학습 데이터 셋 관리부(23)는 필터링된 제2의료영상(203)을 학습 데이터 셋에 저장 및 관리할 수 있다. 이 후, 학습 데이터 셋 관리부(23)는 제1의료영상(201), 제2의료영상(203), 및 제1라벨링 데이터(205)를 디스크리미네이터(21)에 제공할 수 있으며, 디스크리미네이터(21)는 제공된 데이터(201, 203, 205) 중, 제1라벨링 데이터(205)를 분류하도록 학습될 수 있다. 이때, 제1라벨링 데이터(205)는 의료영상으로부터 병변영역을 추출한 데이터일 수 있다.

이와 같이, 병변영역 검출 학습모델(111)은 디스크리미네이터(21) 및 제너레이터(22)를 통해 GAN 기반의 비지도 학습모델을 구축할 수 있으며, 의료영상의 입력시 이에 대응되는 병변 영역을 검출하여 출력할 수 있다.

나아가, 병변 학습부(10)는 병변영역 검출 학습모델(111)의 학습 시, 제1라벨링 데이터(205), 즉, 의료영상으로부터 병변영역을 추출한 데이터를 병변진단 학습모델(113)에 제공하여, 병변영역 검출 학습모델(111)과 병변진단 학습모델(113)의 학습을 연동시키도록 구성할 수 있다.

한편, 도 2b를 참조하면, 디스크리미네이터(21)는 질환 종류, 질환 중증도 등에 대한 학습을 선행적으로 수행하여, 질환 종류, 질환 중증도 등에 대한 특성을 학습한다. 디스크리미네이터(21)가 질환 종류, 질환 중증도 등에 대한 학습을 선행적으로 수행한 상태에서, 제너레이터(22)는 제4의료영상(212)을 생성할 수 있다. 이때, 제너레이터(22)가 생성하는 제4의료영상(212)은 병변 영역이 추출된 영상일 수 있다.

전술한 동작을 통해 생성된 제4의료영상(212)은 학습 데이터 셋 관리부(23)에 제공될 수 있으며, 학습 데이터 셋 관리부(23)는 제4의료영상(212)의 히스토그램을 확인하고, 이를 기반으로 제4의료영상(212)에 대한 필터링을 수행할 수 있다. 그리고, 학습 데이터 셋 관리부(23)는 필터링된 제4의료영상(213)을 학습 데이터 셋에 저장 및 관리할 수 있다. 이 후, 학습 데이터 셋 관리부(23)는 제3의료영상(211), 제4의료영상(213), 및 제2라벨링 데이터(215)를 디스크리미네이터(21)에 제공할 수 있으며, 디스크리미네이터(21)는 제공된 데이터(211, 213, 215) 중, 제2라벨링 데이터(215)를 분류하도록 학습될 수 있다. 이때, 제2라벨링 데이터(215)는 병변영역의 영상으로부터 질환 종류, 질환 중증도 등을 추출한 데이터일 수 있다.

나아가, 병변영역 검출 학습모델(111)과 병변진단 학습모델(113)의 학습을 연동시키기 위하여, 제3의료영상(211)을 대신하여, 병변영역 검출 학습모델(111)에서 제공되는 병변영역(217)이 병변진단 학습모델(113)의 입력으로 사용될 수 있다.

이와 같이, 병변진단 학습모델(113)은 디스크리미네이터(21) 및 제너레이터(22)를 통해 GAN 기반의 비지도 학습모델을 구축할 수 있으며, 병변영역의 영상의 입력시 이에 대응되는 질환 종류, 질환 중증도 등을 검출하여 출력할 수 있다.

도 3은 본 개시의 일 실시예에 따른 GAN 기반의 의료영상 학습 장치에 의해 오류영상을 복원하는 동작을 설명하는 도면이다.

학습 데이터 셋 관리부(15)는 학습 데이터 셋의 구성시, 제1의료영상(151)의 오류여부를 확인하기 위하여, 오류영상 확인부(18a)에 제1의료영상(151)의 오류 확인을 요청할 수 있다. 이에 대응하여, 오류영상 확인부(18a)는 제1의료영상(151)의 히스토그램 정보를 확인하고(301), 확인된 히스토그램 정보를 기반으로 제1의료영상(151)의 오류 여부를 확인할 수 있다(302).

도 4a에 예시되는 바와 같이, 정상적인 상태의 의료영상(410)은 히스토그램이 고르게 분포될 수 있으나, 의료 영상의 생성, 저장, 또는 전송 과정에서 오류가 발생될 경우, 일부 영역에 대한 영상정보가 소실될 수 있다. 이에 따라, 소실된 정보를 사용하여 의료영상(420)을 구성할 경우, 소실된 정보가 영상정보로 복원되지 못하므로, 해당 영역(425)은 비 정상적인 영역으로 구성될 수 있다. 이와 같이, 비 정상적인 영역(425)을 포함하여 의료영상이 구성될 경우, 비 정상적인 영역(425)을 포함하는 의료영상(420)의 히스토그램은 색상이 고루 분포되지 않고, 특정 색상에 대한 분포가 집중될 수 있다.

전술한 바를 고려하여, 오류영상 확인부(18a)는 제1의료영상(151)의 히스토그램 정보를 확인하고, 해당 히스토그램 정보가 특정 색상에 집중되는 분포를 나타낼 경우, 즉, 특정 색상의 히스토그램이 미리 정해진 임계값을 초과할 경우, 해당 의료영상은 오류가 존재하는 것으로 결정할 수 있다.

오류영상 복원부(18b)는 병변 학습부(10)의 학습 과정에서 생성되는 제2의료영상을 오류가 존재하는 제1의료영상으로 대체하도록 구성될 수 있다. 구체적으로, 제1의료영상과 제2의료영상의 히스토그램의 유사도를 산출하고(303), 산출된 유사도가 미리 정해진 임계값을 초과할 경우, 해당 제2의료영상을 제1의료영상으로 대체할 복원영상으로 결정할 수 있다(304).

다른 예로서, 오류영상 복원부(18b)는 제1의료영상의 미리 정해진 라인 영역 단위로 수평 방향 및 수직 방향의 히스토그램을 산출하고, 특정 색상의 히스토그램이 미리 정해진 임계값을 초과하는 라인 영역을 검출할 수 있다. 이에 기초하여, 오류영상 복원부(18b)는 수평 방향 및 수직 방향에 대한 오류영역을 검출할고, 오류 영역과 비 오류 영역을 구분할 수 있다. 이후, 오류영상 복원부(18b)는 비 오류 영역을 기준으로 제1의료영상과 제2의료영상에 대한 히스토그램을 확인하여, 히스토그램의 유사도를 산출하고, 산출된 유사도가 미리 정해진 임계값을 초과하는 제2의료영상을 추출한 후, 이를 제1의료영상으로 대체할 수도 있다.

비록, 본 개시의 실시예에서, 제1 및 제2의료영상을 사용하여 오류영상의 확인 및 복원영상의 결정 동작을 예시하였으나, 본 개시가 이를 한정하는 것은 아니며, 다양하게 변경 또는 적용될 수 있다. 예컨대, 오류영상의 확인 및 복원영상의 결정 동작은 제3 및 제4의료영상에 적용될 수도 있다.

도 5는 본 개시의 일 실시예에 따른 GAN 기반의 의료영상 학습 방법의 순서를 도시하는 흐름도이다.

GAN 기반의 의료영상 학습 방법은 전술한 GAN 기반의 의료영상 학습 장치에 의해 수행될 수 있다.

우선, S510 단계에서, 의료영상 학습 장치는 학습 데이터 셋을 구성 및 저장할 수 있다. 학습 데이터 셋은 병변 학습모델의 학습을 위한 데이터 셋으로서, 의료영상, 및 라벨링 데이터를 포함할 수 있다.

나아가, 병변 학습모델은 병변영역 검출 학습모델 및 병변진단 학습모델을 포함할 수 있는데, 병변영역 검출 학습모델은 의료영상을 입력받고, 의료영상에서 병변이 발생되는 영역을 검출하여 출력하는 학습모델일 수 있다. 그리고, 병변진단 학습모델은 병변영역 검출 학습모델에서 제공되는 병변이 발생되는 영역을 입력받고, 질환의 종류, 질환의 중증도 등을 결정하여 출력하는 학습모델일 수 있다. 이에 기초하여, 의료영상 및 라벨링 데이터는 병변영역 검출 학습모델 및 병변진단 학습모델에 각각 제공되는 데이터가 구분되도록 구성될 수 있다.

예를 들어, 병변영역 검출 학습모델에 제공되는 제1의료영상은 환자의 신체를 촬영한 의료영상일 수 있으며, 제1라벨링 데이터는 제1의료영상에서 병변이 발생되는 영역을 검출한 영상일 수 있다. 또한, 병변진단 학습모델에 제공되는 의료영상은 병변이 발생되는 영역의 영상을 제1의료영상의 크기 및 해상도에 맞춰 리사이즈한 영상(이하, 제3의료영상이라 함)일 수 있으며, 제2라벨링 데이터는 병변이 발생되는 영역의 영상을 기반으로 질환의 종류, 질환의 중증도 등을 검출한 영상일 수 있다.

한편, 제1의료영상을 수집하는 과정, 예컨대, 의료영상의 촬영, 전송, 저장 등의 과정에서 데이터 소실로 인하여 제1의료영상(또는 제3의료영상)에 오류가 발생될 수 있다. 제1의료영상은 학습에 사용되는 중요한 데이터이므로, 오류가 발생될 경우, 병변 학습모델의 학습이 정확하게 수행되지 않는 문제가 발생될 수 있다. 이를 고려하여, 의료영상 학습 장치는 제1의료영상(또는 제3의료영상)의 오류여부를 확인 및 관리할 수 있다. 구체적으로, 의료영상 학습 장치는 제1의료영상(또는 제3의료영상)을 분석하여 오류여부를 확인한다. 예컨대, 의료영상 학습 장치는 제1의료영상(또는 제3의료영상)에 대한 히스토그램을 확인하고, 미리 정해진 기준과 비교하여 제1의료영상(또는 제3의료영상)에 대한 오류 여부를 결정할 수 있다.

의료영상 학습 장치는 제2의료영상을 오류가 발생된 제1의료영상(또는 제3의료영상)을 대체하는 영상으로 복원할 수 있다. 예를 들어, 오류영상 의료영상 학습 장치는 제2의료영상(또는 제4의료영상)의 히스토그램을 오류가 발생된 제1의료영상(또는 제3의료영상)의 히스토그램과 비교하여, 유사성이 높은 제2의료영상(또는 제4의료영상)을 검출할 수 있다. 의료영상 학습 장치는 이와 같이 검출된 제2의료영상(또는 제4의료영상)을 오류가 발생된 제1의료영상(또는 제3의료영상)으로 복원할 수 있다.

한편, 라벨링 데이터가 현저하게 적을 경우, 병변 학습모델의 학습이 제대로 이루어지지 않을 수 있으므로, 일정 수 이상의 라벨링 데이터가 필요하다. 이를 위해, 의료영상 학습 장치는 학습 데이터 셋에 포함된 라벨링 데이터의 수를 확인하고, 미리 정해진 수 또는 비율보다 적게 포함되어 있을 경우, 라벨링 데이터를 구성 및 저장할 수 있다. 예컨대, 의료영상 학습 장치는 제1의료영상에 대응되는 라벨링 데이터를 학습하는 학습모델(미 도시)을 구비할 수 있다. 여기서, 상기 학습모델(미 도시)은 지도 학습 기반으로 구성될 수 있다. 그리고, 의료영상 학습 장치는 제1의료영상을 상기 학습모델(미 도시)에 입력하여, 라벨링 데이터를 생성할 수 있는데, 이와 같은 방식으로 생성된 라벨링 데이터는 정확도가 상대적으로 떨어질 수 있다. 이를 고려하여, 의료영상 학습 장치는 학습모델(미 도시)이 출력하는 라벨링 데이터의 확률값을 확인하고, 상대적으로 높은 확률값을 구비하는 라벨링 데이터를 선별하여, 학습 데이터 셋의 라벨링 데이터로서 저장할 수 있다.

S520 단계에서, 의료영상 학습 장치는 학습 데이터 셋을 사용하여 병변 학습모델에 대한 학습을 처리한다.

특히, 병변 학습모델은 GAN 기반의 준 지도학습을 통해 구축된 학습 모델일 수 있으며, 제너레이터(Generator)와 디스크리미네이터(Discriminator)의 조합으로 구성될 수 있다. 이에 대응하여, 의료영상 학습 장치는 제너레이터와 디스크리미네이터의 학습을 각각 수행할 수 있다. 예를 들어, 의료영상 학습 장치는 제너레이터가 의료영상을 생성할 수 있도록 학습을 수행할 수 있다. 그리고, 의료영상 학습 장치는 디스크리미네이터의 학습을 수행할 수 있다. 구체적으로, 의료영상 학습 장치는 제너레이터에 의해 생성된 의료영상과, 학습 데이터 셋의 의료영상, 및 라벨링 데이터를 입력받고, 입력받은 영상 중에서 라벨링 데이터를 결정할 수 있도록 학습될 수 있다.

나아가, 전술한 병변 학습모델의 구조에 기초하여, S521 단계에서, 의료영상 학습 장치는 병변영역 검출 학습모델에 구비된 제너레이터가 제2의료영상을 생성할 수 있도록 학습을 수행할 수 있으며, S522 단계에서, 디스크리미네이터가 제1의료영상, 제2의료영상, 및 제1라벨링 데이터를 입력받고, 제1라벨링 데이터를 식별할 수 있도록 학습을 수행할 수 있다. 이때, 제1라벨링 데이터는 제1의료영상에서 병변이 발생되는 영역을 검출한 영상일 수 있다.

또한, S523 단계에서, 의료영상 학습 장치는 병변진단 학습모델에 구비된 제너레이터가 병변이 발생되는 영역의 영상(이하, '제4의료영상'이라 함)을 생성할 수 있도록 학습을 수행할 수 있으며, S524 단계에서, 디스크리미네이터가 제4의료영상, 학습 데이터 셋에서 제공되는 병변이 발생되는 영역의 영상(즉, 제3의료영상), 및 제2라벨링 데이터를 입력받고, 제2라벨링 데이터를 식별할 수 있도록 학습을 수행할 수 있다. 이때, 제2라벨링 데이터는 병변이 발생되는 영역의 영상을 기반으로 질환의 종류, 질환의 중증도 등을 검출한 영상일 수 있다.

나아가, 의료영상 학습 장치는 제너레이터가 제공하는 병변이 발생되는 영역의 영상을 제1 및 제2의료영상의 크기 및 해상도에 맞춰 리사이즈한 후, 리사이징된 영상을 디스크리미네이터에 제공하여 학습을 처리할 수 있다.

전술한 실시예에서, 병변 학습모델의 학습을 수행하면서, 제너레이터는 소정의 영상을 구성하여, 디스크리미네이터의 학습에 사용하는 것을 예시하였다. 그러나, 제너레이터가 생성한 영상을 모두 디스크리미네이터에서 사용할 경우, 제너레이터의 성능 수준에 의해 디스크리미네이터의 성능에 영향을 미치게 되는 문제가 발생될 수 있다. 따라서, 본 개시의 일 실시예에 따른 의료영상 학습 장치는, 제너레이터가 생성한 영상을 선별적으로 디스크리미네이터의 학습에 사용할 수 있도록 구성하는 것이 바람직하다. 이를 위해, 의료영상 학습 장치는 제너레이터가 생성한 제2의료영상(또는 제4의료영상)을 모두 디스크리미네이터로 전달하지 않고, 제2의료영상(또는 제4의료영상)을 선별적으로 디스크리미네이터에 제공하도록 구성될 수 있다.

구체적으로, S530 단계에서, 의료영상 학습 장치는 S520 단계에서 생성된 의료영상을 필터링할 수 있다. 구체적으로, 병변영역 검출 학습모델의 학습과정에서 생성된 제2의료영상을 확인하고, 제2의료영상을 선별하는 동작을 수행할 수 있다. 바람직하게, 의료영상 학습 장치는 제1의료영상에 대한 히스토그램 및 제2의료영상의 히스토그램을 확인하고, 이들을 비교하여, 제1의료영상에 대응되는 영상만을 필터링할 수 있다. 예를 들어, 의료영상 학습 장치는 제1의료영상에 대한 히스토그램을 사용하여 적어도 하나의 기준 히스토그램 정보를 구성하고, 적어도 하나의 기준 히스토그램 정보와 제2의료영상에 대한 히스토그램을 비교하여, 적어도 하나의 기준 히스토그램 정보를 초과하는 제2의료영상을 필터링된 영상으로 결정할 수 있다. 마찬가지로, 의료영상 학습 장치는 병변진단 학습모델의 학습과정에서 생성된 제4의료영상을 확인하고, 제4의료영상을 선별하는 동작을 수행할 수 있다. 바람직하게, 의료영상 학습 장치는 제3의료영상에 대한 히스토그램 및 제4의료영상의 히스토그램을 확인하고, 이들을 비교하여, 제3의료영상에 대응되는 영상만을 필터링할 수 있다. 예를 들어, 의료영상 학습 장치는 제3의료영상에 대한 히스토그램을 사용하여 적어도 하나의 기준 히스토그램 정보를 구성하고, 적어도 하나의 기준 히스토그램 정보와 제4의료영상에 대한 히스토그램을 비교하여, 적어도 하나의 기준 히스토그램 정보를 초과하는 제4의료영상을 필터링된 영상으로 결정할 수 있다.

이후, 의료영상 학습 장치는 결정된 영상, 즉 필터링된 영상을 학습 데이터로서 구성하여 제공할 수 있다(S540). 이에 대응하여, 의료영상 학습 장치는 S510 단계를 진행하여 필터링된 영상을 학습 데이터 셋에 저장할 수 있다.

전술한 구조에 기초하여, 학습 데이터 셋에는, 제1의료영상, 제3의료영상, 제1라벨링 데이터, 제2라벨링 데이터, 필터링된 제2의료영상, 필터링된 제4의료영상 등이 수록될 수 있으며, 의료영상 학습 장치는 학습 데이터 셋에 포함된 데이터를 사용하여 병변 학습모델의 디스크리미네이터 학습을 수행할 수 있다.

도 6은 본 개시의 일 실시예에 따른 GAN 기반의 의료영상 학습 방법 및 장치를 실행하는 컴퓨팅 시스템을 예시하는 블록도이다.

도 6을 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 실시예는 모든 가능한 조합을 나열한 것이 아니고 본 개시의 대표적인 양상을 설명하기 위한 것이며, 다양한 실시예에서 설명하는 사항들은 독립적으로 적용되거나 또는 둘 이상의 조합으로 적용될 수도 있다.

또한, 본 개시의 다양한 실시예는 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 실시예의 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 (16)

1. 의료영상 학습모델을 학습하는 장치에 있어서,
   제1의료영상, 라벨링 데이터, 및 필터링된 의료영상을 포함하는 학습 데이터 셋을 관리하는 학습 데이터 셋 관리부,
   제2의료영상을 생성하는 제너레이터(Generator)의 학습을 관리하는 제너레이터 학습부와, 상기 제1의료영상, 라벨링 데이터, 및 상기 제너레이터를 통해 생성된 제2영상으로부터 필터링된 의료영상을 사용하여, 상기 라벨링 데이터를 구성하는 디스크리미네이터(Discriminator)의 학습을 관리하는 디스크리미네이터 학습부를 구비하는 병변 학습부를 포함하고,
   상기 학습 데이터 셋 관리부는,
   오류가 존재하는 상기 제1의료영상에 대한 제1히스토그램 정보와, 상기 제2의료영상에 대한 제2히스토그램 정보를 확인하고, 상기 제1 및 제2히스토그램 정보의 유사도를 확인하고, 상기 유사도가 상대적으로 높은 적어도 하나의 상기 제2의료영상을 검출하고, 상기 제1의료영상을 검출된 상기 제2의료영상으로 대체함으로써, 상기 오류가 존재하는 제1의료영상을 복원하는 오류영상 복원부를 포함하는 것을 특징으로 하는 GAN 기반의 의료영상 학습 장치.
2. 제1항에 있어서
   상기 학습 데이터 셋 관리부는,
   상기 제1 및 제2의료영상에 대한 히스토그램 정보를 확인하는 히스토그램 확인부를 더 포함하는 것을 특징으로 하는 GAN 기반의 의료영상 학습 장치.
3. 제2항에 있어서,
   상기 학습 데이터 셋 관리부는,
   상기 제1 및 제2의료영상에 대한 히스토그램 정보를 기반으로, 상기 제2의료영상 중, 상기 필터링된 의료영상을 결정하는 제2의료영상 필터링부를 포함하는 것을 특징으로 하는 GAN 기반의 의료영상 학습 장치.
4. 제3항에 있어서,
   상기 제2의료영상 필터링부는,
   상기 제1의료영상에 대한 히스토그램 정보를 사용하여, 기준 히스토그램 정보를 구성하고,
   상기 제2의료영상에 대한 히스토그램 정보를 상기 기준 히스토그램 정보와 비교하여, 상기 제2의료영상에서 상기 필터링된 의료영상을 결정하는 것을 특징으로 하는 GAN 기반의 의료영상 학습 장치.
5. 제2항에 있어서,
   상기 학습 데이터 셋 관리부는,
   상기 제1의료영상의 오류를 확인하는 오류영상 확인부를 더 포함하는 것을 특징으로 하는 GAN 기반의 의료영상 학습 장치.
6. 삭제
7. 제1항에 있어서,
   상기 학습 데이터 셋 관리부는,
   상기 제1의료영상 및 상기 제1의료영상에 대응되는 라벨링 데이터를 사용하는 지도학습 기반의 학습모델을 구성하고,
   상기 지도학습 기반의 학습모델을 사용하여 상기 제1의료영상에 대응되는 라벨링 데이터를 생성하고,
   미리 정해진 임계값 이상의 확률값(Probility Score)을 구비하는 상기 생성된 라벨링 데이터를 상기 제1의료영상으로서 설정하여 저장하는 것을 특징으로 하는 GAN 기반의 의료영상 학습 장치.
8. 의료영상 학습모델을 학습하는 방법에 있어서,
   제1의료영상, 라벨링 데이터, 및 필터링된 의료영상을 포함하는 학습 데이터 셋을 관리 및 저장하는 과정과,
   제2의료영상을 생성하는 제너레이터(Generator)와, 상기 제1의료영상, 라벨링 데이터, 및 상기 제너레이터를 통해 생성된 제2영상으로부터 필터링된 의료영상을 사용하여, 상기 라벨링 데이터를 구성하는 디스크리미네이터(Discriminator)를 포함하는 병변학습 모델의 학습을 수행하는 과정을 포함하고,
   상기 병변학습 모델의 학습을 수행하는 과정은,
   상기 제너레이터에서 생성된 제2의료영상을 검출 및 제공하는 과정을 포함하고,
   상기 학습 데이터 셋을 관리 및 저장하는 과정은,
   오류가 존재하는 상기 제1의료영상에 대한 제1히스토그램 정보와, 상기 제2의료영상에 대한 제2히스토그램 정보를 확인하는 과정과,
   상기 제1 및 제2히스토그램 정보의 유사도를 확인하고, 상기 유사도가 상대적으로 높은 적어도 하나의 상기 제2의료영상을 검출하고, 상기 제1의료영상을 검출된 상기 제2의료영상으로 대체함으로써, 상기 오류가 존재하는 제1의료영상을 복원하는 것을 특징으로 하는 GAN 기반의 의료영상 학습 방법.
9. 제8항에 있어서
   상기 학습 데이터 셋을 관리 및 저장하는 과정은,
   상기 제1 및 제2의료영상에 대한 히스토그램 정보를 확인하는 과정을 포함하는 것을 특징으로 하는 GAN 기반의 의료영상 학습 방법.
10. 제9항에 있어서,
    상기 학습 데이터 셋을 관리 및 저장하는 과정은,
    상기 제1 및 제2의료영상에 대한 히스토그램 정보를 기반으로, 상기 제2의료영상을 필터링하여 선택적으로 상기 필터링된 의료영상으로서 저장 및 관리하는 과정 과정을 포함하는 것을 특징으로 하는 GAN 기반의 의료영상 학습 방법.
11. 제9항에 있어서,
    상기 학습 데이터 셋을 관리 및 저장하는 과정은,
    상기 제1의료영상에 대한 히스토그램 정보를 사용하여, 기준 히스토그램 정보를 구성하는 과정과,
    상기 제2의료영상에 대한 히스토그램 정보를 상기 기준 히스토그램 정보와 비교하여, 상기 제2의료영상에서 상기 필터링된 의료영상을 결정하는 과정을 포함하는 것을 특징으로 하는 GAN 기반의 의료영상 학습 방법.
12. 제9항에 있어서,
    상기 학습 데이터 셋을 관리 및 저장하는 과정은,
    상기 제1의료영상의 오류를 확인하는 과정을 더 포함하는 것을 특징으로 하는 GAN 기반의 의료영상 학습 방법.
13. 삭제
14. 제8항에 있어서,
    상기 학습 데이터 셋을 관리 및 저장하는 과정은,
    상기 제1의료영상 및 상기 제1의료영상에 대응되는 라벨링 데이터를 사용하는 지도학습 기반의 학습모델을 구성하는 과정과,
    상기 지도학습 기반의 학습모델을 사용하여 상기 제1의료영상에 대응되는 라벨링 데이터를 생성하는 과정과,
    미리 정해진 임계값 이상의 확률값(Probility Score)을 구비하는 상기 생성된 라벨링 데이터를 상기 제1의료영상으로서 설정하여 저장하는 과정을 포함하는 것을 특징으로 하는 GAN 기반의 의료영상 학습 방법.
15. 의료영상 학습모델을 학습하는 장치에 있어서,
    제1의료영상, 라벨링 데이터, 및 필터링된 의료영상을 포함하는 학습 데이터 셋을 관리하는 학습 데이터 셋 관리부,
    제2의료영상을 생성하는 제너레이터(Generator)의 학습을 관리하는 제너레이터 학습부와, 상기 제1의료영상, 라벨링 데이터, 및 상기 제너레이터를 통해 생성된 제2영상으로부터 필터링된 의료영상을 사용하여, 상기 라벨링 데이터를 구성하는 디스크리미네이터(Discriminator)의 학습을 관리하는 디스크리미네이터 학습부를 구비하는 병변 학습부를 포함하고,
    상기 학습 데이터 셋 관리부는,
    상기 제1의료영상에 대한 히스토그램 정보를 사용하여, 기준 히스토그램 정보를 구성하고,
    상기 제2의료영상에 대한 히스토그램 정보를 상기 기준 히스토그램 정보와 비교하여, 상기 제2의료영상에서 상기 필터링된 의료영상을 결정 및 제공하는 제2의료영상 필터링부를 포함하는 것을 특징으로 하는 GAN 기반의 의료영상 학습 장치.
    
16. 의료영상 학습모델을 학습하는 방법에 있어서,
    제1의료영상, 라벨링 데이터, 및 필터링된 의료영상을 포함하는 학습 데이터 셋을 관리 및 저장하는 과정과,
    제2의료영상을 생성하는 제너레이터(Generator)와, 상기 제1의료영상, 라벨링 데이터, 및 상기 제너레이터를 통해 생성된 제2영상으로부터 필터링된 의료영상을 사용하여, 상기 라벨링 데이터를 구성하는 디스크리미네이터(Discriminator)를 포함하는 병변학습 모델의 학습을 수행하는 과정을 포함하고,
    상기 병변학습 모델의 학습을 수행하는 과정은,
    상기 제너레이터에서 생성된 제2의료영상을 검출 및 제공하는 과정을 포함하고,
    상기 학습 데이터 셋을 관리 및 저장하는 과정은,
    상기 제1의료영상에 대한 히스토그램 정보를 사용하여, 기준 히스토그램 정보를 구성하는 과정과,
    상기 제2의료영상에 대한 히스토그램 정보를 상기 기준 히스토그램 정보와 비교하여, 상기 제2의료영상에서 상기 필터링된 의료영상을 결정하는 과정을 포함하는 것을 특징으로 하는 GAN 기반의 의료영상 학습 방법.

Images