KR102243644B1

KR102243644B1 - 의료 영상 분획 딥러닝 모델 생성 장치 및 방법과, 그에 따라 생성된 의료 영상 분획 딥러닝 모델

Info

Publication number: KR102243644B1
Application number: KR1020180157455A
Authority: KR
Inventors: 이정우; 한승엽; 김영모; 하석현
Original assignee: 서울대학교 산학협력단; 호두에이아이랩 주식회사
Priority date: 2018-12-07
Filing date: 2018-12-07
Publication date: 2021-04-23
Also published as: KR20200075074A; US11321589B2; US20200184274A1

Abstract

본 발명은 의료 영상 분획 딥러닝 모델 생성 장치로, 주어진 한장의 의료 영상을 원래 의료 영상 분획 딥러닝 모델에 입력하여 획득한 분획 결과값을 통해 훈련 데이터 셋을 생성하는 훈련 데이터 생성/할당부와, 1차 학습용 훈련 데이터 셋들로부터 샘플링된 Good Task 데이터 및 Bad Task 데이터를 의료 영상 분획 딥 러닝 모델에 입력시켜 1차 학습 수행에 따른 출력 데이터를 이용하여 각각의 임시 가중치들을 획득한 후, 2차 학습용 훈련 데이터 셋들로부터 샘플링된 Good Task 데이터 및 Bad Task 데이터를 의료 영상 분획 딥 러닝 모델에 입력시켜 2차 학습 수행에 따른 출력 데이터를 이용하여 획득된 각각의 가중치들을 이용하여 획득한 그래디언트를 더하여 가중치를 업데이트하는 학습 제어부를 포함하되, 1차 학습 및 2차 학습은 반복된다.

Description

의료 영상 분획 딥러닝 모델 생성 장치 및 방법과, 그에 따라 생성된 의료 영상 분획 딥러닝 모델{Apparatus and Method for Generating Medical Image Segmentation Deep-Learning Model, Medical Image Segmentation Deep-Learning Model Generated Therefrom}

본 발명은 의료 영상 분류 기술에 관한 것으로, 특히 딥 러닝 기반으로 의료 영상을 분류하는 기술에 관한 것이다.

딥러닝 기술의 발전으로 자동 영상 분획 기술이 고도화되어 의료 영상 자동 분획 기술에도 적용할 수 있게 되었다. 의료영상 자동 분획 기술은 최근 MRI 및 의료 영상 기술이 발전하고 뇌종양과 같이 치료에 있어 조기진단이 질병 치료에 중요해지면서 의사들이 수많은 양의 의료영상을 판독해야 하는 부담을 크게 줄이는 데 도움을 줄 수 있다. 하지만 인공지능을 통한 의료 영상 분획의 경우 각 영상에 대한 종양, 부종, 괴사, 정상 병변에 대한 분획 정답 정보가 필요한데, 해당 질병에 대한 의료 영상 자체를 모으는 것도 힘들 뿐더러, 의사들을 통해 제작하는 데 상당한 비용과 시간이 소모된다.

그리고, 예컨대, 뇌종양의 경우, 원발암과 전이암 등 종류가 다양한데, 각 암들 마다 영상 속에서 나타나는 구조적인 모습이 다르기 때문에 한 종류의 암을 기준으로 학습된 인공신경망이 다른 종류의 암 의료 영상을 잘 분획하지 못한다. 뇌종양에 있어 원발암과 전이암의 경우 MR 영상 속에서 나타나는 패턴이 거의 같으나 각 암 특성에 의한 작은 차이가 존재하는 데 이 차이 대문에 자동 분획 인공신경망에서는 다르게 인식되어 원발암 기준으로 학습된 인공신경망이 전이암 영상 속 암을 잘 분획해내지 못한다.

이 문제를 극복하기 위한 기존의 fine-tuning 방법으로 전이암 분획도 잘 하게 만들기 위해서는 원발암 데이터의 양 만큼 새롭게 전이암 영상 및 정답 정보가 필요하다. 따라서 처음부터 전이암 데이터를 만들어 새로 학습하는 거에 비해 이렇게 확장하는 방법이 데이터 측면에서 이득이 없다. 뇌 원발암의 경우 BRaTs DATASET이라는 150명 이상 환자에 대한 MRI 영상 및 정답 데이터셋이 존재하나 전이암의 경우 신뢰도있는 데이터셋이 존재하지 않는다. 따라서 기존의 인공신경망을 통한 자동 영상 분획 기술은 모든 질병에 대한 자동화 기술로 확장하는 것이 사실상 불가능하다고 알려져 있었다.

Finn C 등, "Model-agnostic meta-learning for fast adaptation of deep networks" ICML 2017, https://arxiv.org/abs/1703.03400, (2017.03.09.)

본 발명은 기존의 원발암 분획 인공신경망에서 전이암 분획 인공신경망으로 확장할 때 몇 개의 신뢰할 수 있는 데이터만 확보 가능하면 확장할 수 있는 의료 영상 분획 딥러닝 모델 생성 장치 및 방법과, 그에 따라 생성된 의료 영상 분획 딥러닝 모델을 제안한다.

또한, 본 발명은 현재 잘 분획해낼 수 있는 패턴에 대한 능력을 잃어버리지 않으면서 새로운 패턴에 대한 분획도 동시에 누적되게 잘 할 수 있도록 하는 의료 영상 분획 딥러닝 모델 생성 장치 및 방법과, 그에 따라 생성된 의료 영상 분획 딥러닝 모델을 제안한다.

본 발명은 의료 영상 분획 딥러닝 모델 생성 방법으로, 주어진 한장의 의료 영상을 원래 의료 영상 분획 딥러닝 모델에 입력하여 획득한 분획 결과값을 통해 훈련 데이터 셋을 생성하는 단계와, 1차 학습용 훈련 데이터 셋들로부터 Good Task 데이터 및 Bad Task 데이터를 샘플링하는 단계와, 샘플링된 Good Task 데이터 및 Bad Task 데이터를 의료 영상 분획 딥 러닝 모델에 입력시켜 1차 학습 수행에 따른 출력 데이터를 이용하여 각각의 임시 가중치들을 획득하는 단계와, 2차 학습용 훈련 데이터 셋들로부터 Good Task 데이터 및 Bad Task 데이터를 샘플링하는 단계와, 샘플링된 Good Task 데이터 및 Bad Task 데이터를 의료 영상 분획 딥 러닝 모델에 입력시켜 2차 학습 수행에 따른 출력 데이터를 이용하여 획득된 각각의 가중치들을 이용하여 획득한 그래디언트를 더하여 가중치를 업데이트하는 단계를 포함하되, 샘플링하는 단계에서 업데이트하는 단계는 순차적으로 반복된다.

본 발명에 따라 기존의 원발암 분획 인공신경망에서 전이암 분획 인공신경망으로 확장할 때 몇 개의 신뢰할 수 있는 데이터만 확보 가능하면 확장할 수 있다.

또한, 본 발명에 따라 원발암 분획 인공신경망을 전이암 분획도 같이 할 수 있는 인공신경망으로 확장하는데 한 환자의 영상 정보만 가지고 fine-tuning할 수 있다.

도 1은 본 발명의 일 실시 예에 따른 의료 영상 분획 딥러닝 모델 생성 장치의 블록 구성도이이다.
도 2는 정답 분획 이미지의 일 예를 도시한 도면이다.
도 3은 본 발명에 따른 Passive meta-tune method을 설명하기 위한 도면이다.
도 4는 본 발명에 따른 Active meta-tune method를 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시 예에 따른 의료 영상 분획 딥러닝 모델 생성 방법을 설명하기 위한 순서도이다.
도 6은 본 발명에 따른 분획 결과 성능을 비교하기 위한 예시도이다.

이하 첨부된 도면을 참조하여, 바람직한 실시 예에 따른 의료 영상 분획 딥러닝 모델 생성 장치 및 방법과, 그에 따라 생성된 의료 영상 분획 딥러닝 모델에 대해 상세히 설명하면 다음과 같다. 여기서, 동일한 구성에 대해서는 동일부호를 사용하며, 반복되는 설명, 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능 및 구성에 대한 상세한 설명은 생략한다. 발명의 실시형태는 당업계에서 평균적인 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위해서 제공되는 것이다. 따라서, 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.

첨부된 블록도의 각 블록과 흐름도의 각 단계의 조합들은 컴퓨터 프로그램인스트럭션들(실행 엔진)에 의해 수행될 수도 있으며, 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능들을 수행하는 수단을 생성하게 된다.

이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다.

그리고 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 블록도의 각 블록 및 흐름도의 각 단계에서 설명되는 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.

또한, 각 블록 또는 각 단계는 특정된 논리적 기능들을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있으며, 몇 가지 대체 실시 예들에서는 블록들 또는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하며, 또한 그 블록들 또는 단계들이 필요에 따라 해당하는 기능의 역순으로 수행되는 것도 가능하다.

이하, 첨부 도면을 참조하여 본 발명의 실시 예를 상세하게 설명한다. 그러나 다음에 예시하는 본 발명의 실시 예는 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 다음에 상술하는 실시 예에 한정되는 것은 아니다. 본 발명의 실시 예는 당업계에서 통상의 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위하여 제공된다.

본 발명에서는 메타 러닝과 액티브 러닝 기술을 기반으로 한 의료 영상 속 학습되지 않은 특성을 빠르고 정확하게 학습하여 새로운 영상 환경과, 관련 질병에 대한 분획 성능을 높일 수 있는 기술을 제안한다. 이하, 도면 및 그에 대한 설명에서는 의료 영상으로 뇌종양 MRI 영상을 예를 들어 설명하기로 한다. 그러나, 이는 본 발명의 이해를 돕기 위한 일 예일 뿐, 본 발명은 이에 한정되지 않는다. 즉, 의료 영상은 컴퓨터 방사선(CR:Computed Radiography) 영상, 컴퓨터 단층 촬영(CT: Computed Tomography) 영상, 초음파 영상 및 자기공명영상(MRI: Magnetic Resonance Image) 등을 포함하는 다양한 종류의 의료 영상 중 하나일 수 있다. 또한, 도시된 의료 영상에는 대상체(object)가 뇌로 도시되어 있지만, 이는 일 예일 뿐 본 발명은 이에 한정되지 않는다. 즉, 대상체(object)는 신체 또는 동물의 일부로, 예를 들어, 대상체는 간, 심장, 자궁, 뇌, 유방, 복부 등의 장기, 또는 혈액을 포함될 수 있다.

도 1은 본 발명의 일 실시 예에 따른 의료 영상 분획 딥러닝 모델 생성 장치의 블록 구성도이고, 도 2는 정답 분획 이미지의 일 예를 도시한 도면이다.

도 1을 참조하면, 의료 영상 분획 딥러닝 모델 생성 장치(이하 '장치'라 기재함)는 크게 의료 영상 분획 딥러닝 모델(10), 훈련 데이터 생성/할당부(20), DB(30) 및 학습 제어부(100)을 포함한다.

의료 영상 분획 딥러닝 모델(이하 '모델'로 기재함)(10)은 원발암을 분획하는 인공 신경망에서 전이암을 분획하는 인공 신경망으로 확장 대상이 되는 모델이다. 즉, 학습 제어부(100)에 의해 학습이 진행되지 이전에는 전이암을 잘 분획하지 못하는 원래 모델이 학습이 진행된 이후에는 전이암도 잘 분획할 수 있는 모델로 확장되는 것이다. 즉, 현재 잘 분획해낼 수 있는 패턴에 대한 능력을 잃어버리지 않으면서 새로운 패턴에 대한 분획도 동시에 잘 할 수 있도록 확장된다.

이러한 모델(10)에 분획 기술을 학습시킬 때 분획 대상 영상과 분획 결과 정답 영상이 필요하다. 이는 모델 확장을 위한 학습 이전 모델에 입력한 의료 영상에 대한 분획 결과 이미지와 정답 분획 이미지의 각 픽셀들 기준으로 결과에 대한 차이를 줄여주는 방식으로 학습이 진행되기 때문이다. 즉, 도 2에 도시된 바와 같이 주어진 각 픽셀마다 해당 픽셀은 부종, 암, 정상, 괴사에 대한 정답 레이블이 존재하고 이 레이블들을 모아 하나의 정답 분획 이미지로 만들어 놓은 것이다. 이미지 상에서는 레이블 마다 색깔이 다른데, 갈색은 종양, 노란색은 부종, 초록색은 괴사, 하늘색은 정상에 해당하는 픽셀들의 영역이다.

종래에는 Good Task와 Bad Task는 주어진 MRI 이미지 한 장에서 정답과 똑같이 예측한 부분은 Good Task로 마스크를 떠서 하나를 만들고, 정답과 다르게 예측한 픽셀들을 모아 Bad Task 마스크를 만들어 맞추어야 했던 정답을 각 픽셀에 할당하여 Bad Task를 생성한다.

즉, 훈련 데이터 생성/할당부(20)는 도 1에 도시된 바와 같이 주어진 한장의 MRI 이미지를 확장되기 이전의 모델(10)에 입력하여 분획 결과값을 획득한다. 그런 후, 정답과 동일한 예측 값을 가진 픽셀은 Good Task pixel로 할당하고, 오답을 예측한 픽셀은 Bad Task pixel로 할당한다. 그리고, 훈련 데이터 생성/할당부(20)는 Good Task에는 MRI 이미지와 Good Task pixel 정답 픽셀에 원래 정답을 채워넣어 새로운 Good Task용 정답 이미지를 생성한다. 이는 모델(10)이 잘하던 것은 다시 해도 다시 잘하게 만들기 위해서이다. 한편, 훈련 데이터 생성/할당부(20)는 Bad Task에서는 MRI 이미지와, Bad Task pixel들에 제대로 했어야 하는 결과인 원래 주어진 이미지에 대한 정답을 채워 Bad Task 정답 이미지를 생성한다. 이는 모델(10)이 못하던 것을 다음 번에는 잘하게 하기 위해서이다. 따라서, 주어진 MRI 이미지 한 장과 정답 쌍이 Good Task 이미지와 정답, Bad Task 이미지와 정답인 두 쌍의 훈련 데이터로 변경된다. 여기서, 주어진 MRI 이미지 한 장은 모두 동일한데, 이는 본 발명이 동일한 하나의 이미지에 대한 더 좋은 결과를 획득하는데 목적이 있기 때문이다. 또한, 훈련 데이터 생성/할당부(20)는 Good Task 훈련 데이터 및 Bad Task 훈련 데이터를 각각 1차 학습용 데이터 및 2차 학습용 데이터로 분배하여 DB(30)에 저장해둔다.

그러면, 학습 제어부(100)는 원 의료 영상 분획 딥 러닝 모델(10)을 확장하기 전에 마련하여 DB(30)에 저장해둔 훈련 데이터들로 의료 영상 분획 딥 러닝 모델(10)을 학습시키되, 액티브 러닝(Active learning)을 기반으로 하는 모델 모델 불구속 메타 러닝(model agnostic meta learning)을 적용하여 의료 영상 분획 딥 러닝 모델(10)을 fine-tuning 한다.

학습 제어부(100)는 상세하게는 1차 학습 처리부(110), 2차 학습 처리부(120)를 포함한다.

1차 학습 처리부(110)는 임시 학습 처리하는 것으로, DB(30)에 저장된 1차 학습용 데이터들로부터 샘플링된 훈련 데이터들을 의료 영상 분획 딥 러닝 모델(10)에 입력시킨 후, 출력 데이터를 이용하여 임시 가중치(

)를 획득한다. 이때, Good Task 처리부(110a) 및 Bad Task 처리부(110a)는 각각 Good Task 샘플링 데이터 및 Bad Task 샘플링 데이터를 이용하여 각각의 임시 가중치(

) 두 개를 획득한다.

그런 후, 2차 학습 처리부(120)는 DB(30)에 저장된 2차 학습용 데이터들로부터 샘플링된 훈련 데이터들을 임시 가중치(

)에 의해 업데이트된 의료 영상 분획 딥 러닝 모델(10)에 입력시킨 후, 출력 데이터를 이용하여 가중치(

)를 업데이트한다. 이때, Good Task 처리부(120a) 및 Bad Task 처리부(120a)는 각각 Good Task 샘플링 데이터 및 Bad Task 샘플링 데이터를 이용하여 획득된 각각의 가중치(

)들을 이용하여 획득한 그래디언트를 더하여 가중치(

)를 업데이트한다.

1차 학습 처리부(110) 및 2차 학습 처리부(120)는 마지막 순번의 훈련 데이터들이 다 학습될 때까지 동작을 반복한다. 예컨대, 10개의 훈련 데이터 (

, x는 훈련 대상 이미지를 의미하고, y는 정답을 의미함)가 주어졌을 때, 이를 Good Task 훈련 데이터와 Bad Task 훈련 데이터로 나누어 2배인 20개로 나눌 수 있다. 또한, 이 데이터를 각각 하나씩 1차 학습용 및 2차 학습용으로 10개씩 분배하면, 1차 학습 처리부(110) 및 2차 학습 처리부(120)는 각각 10회의 가중치 업데이트를 수행하게 되는 것이다.

이로써, 인공신경망이 이미 잘 분획하는 패턴과 아직 잘 분획하지 못하는 패턴을 나눈 다음 잘 분획하는 패턴과 잘 나누지 못하는 패턴 각각 하나씩을 샘플링하여 학습한 다음, 다시 각각에 대한 재 샘플링한 데이터를 이용하여 균형있게 학습하여 잘하는 부분도 잊어버리지 않고, 새로 학습하는 부분도 잘 할 수 있는 균형 학습 파라미터에 도달할 수 있다.

한편, 학습 제어부(100)는 샘플링 처리부(130)를 더 포함하는데, 이는 액티브(Active) 모듈(131) 및 액티브(Active) 모듈(131) 중 적어도 하나를 포함할 수 있다.

액티브(Active) 모듈(131)은 DB(30)로부터 훈련 데이터를 샘플링할 때, 샘플링 순서를 성능 기준 오름차순으로 한다. 이를 본 발명에서와 같이 (meta-learning)에 적용한 기법을 일명 "Active meta-tune method" 로 부를 수 있는데, 학습 제어부(100)가 이러한 "Active meta-tune method" 로 학습을 진행하게 되면, 학습 결과가 가장 나쁜 학습 샘플부터 메타 러닝(meta-learning)을 진행하여 균형 학습 파라미터에 빠르고 정확하게 수렴할 수 있다.

한편, 패시브(Passive) 모듈(132)은 DB(30)로부터 훈련 데이터를 샘플링할 때, 샘플링 순서를 임의 추출하게 된다. 이를 본 발명에서와 같이 메타 러닝(meta-learning)에 적용한 기법을 일명 "Passive meta-tune method"로 부를 수 있는데, 학습 제어부(100)가 이러한 "Passive meta-tune method" 로 학습을 진행하게 되면, 학습 결과 성능이 안정적이지 못할 수 있으나, 반복 횟수가 클수록 매우 양호한 성능을 보일 수 있다.

도 3은 본 발명에 따른 Passive meta-tune method을 설명하기 위한 도면이고, 도 4는 본 발명에 따른 Active meta-tune method를 설명하기 위한 도면이다.

도 3 및 도 4에서

는 학습 제어부(100)가 동작되기 이전에 모델(10)의 가중치 값으로 미리 훈련된 파라미터로, 미리 훈련된 Good Task의 최적 가중치

의 sub-optimal region에 존재한다. 목표 가중치

에 도달하기 위해서 각각 Passive meta-tune method 및 Active meta-tune method에 의해 훈련 데이터를 샘플링하게 된다.

도 3을 참조하면, 샘플링된 Good Task 및 Bad Task 각각에 대한 파라미터

및

는 각각의 가중치 공간에서의 원(circle)에 위치하게 되는데, 업데이트는 최적 파라미터

및

의 combination에 의존하므로, 일정한 방향으로 업데이트되지 않는다.

반면, 도 4를 참조하면, Good Task 및 Bad Task 각각에 대해 샘플링되는 최최 입력값이 가중치 공간 상에서 파라미터

,

를 중심으로

에서 가장 먼 파라미터

및

가 샘플링되므로, 업데이트 방향이

로 향하게 된다.

도 5는 본 발명의 일 실시 예에 따른 의료 영상 분획 딥러닝 모델 생성 방법을 설명하기 위한 순서도이다.

도 5을 참조하면, 장치의 훈련 데이터 생성/할당부(20)는 훈련 데이터를 생성 및 할당하여 의료 영상 분획 딥 러닝 모델(10)을 확장하기 위한 훈련 데이터를 마련한다(S210).

다음으로, 장치의 학습 제어부(100)는 원 의료 영상 분획 딥 러닝 모델(10)의 파라미터들을 초기화한다(S220).

그런 후, 학습 제어부(100)는 1차 학습용 데이터들로부터 "Active meta-tune method" 또는 "Passive meta-tune method"에 의해 샘플링된 훈련 데이터들을 의료 영상 분획 딥 러닝 모델(10)에 입력시킨 후, 출력 데이터를 이용하여 임시 가중치(

)를 획득한다(S230~S240). 이때, 각각 Good Task 샘플링 데이터 및 Bad Task 샘플링 데이터를 이용하여 각각의 임시 가중치(

) 두 개를 획득한다.

그런 후, 학습 제어부(100)는 2차 학습용 데이터들로부터 "Active meta-tune method" 또는 "Passive meta-tune method" 로 샘플링한다(S260). 학습 제어부(100)는 마지막 순번의 훈련 데이터들이 다 학습될 때까지 동작을 반복한다(S260~S270).

그런 후, 훈련 데이터들을 임시 가중치(

)를 업데이트한다(S280). 이때, 각각 Good Task 샘플링 데이터 및 Bad Task 샘플링 데이터를 이용하여 획득된 각각의 가중치(

)들을 이용하여 획득한 그래디언트를 더하여 가중치(

)를 업데이트한다.

도 6은 본 발명에 따른 분획 결과 성능을 비교하기 위한 예시도이다.

도 6을 참조하면, 기존 알고리즘의 경우 다른 질병으로 분획 인공신경망을 확장하는 기술이 현실성이 없는 기술이었지만 본 발명에 따라 한 환자에 대한 신뢰할 수 있는 데이터만 확보하면 뇌전이암 전체 분획으로 확대할 수 있는 기술이다. 따라서 의료영상 분획에 있어 fine-tuning 기술을 실질적으로 구현했다고 할 수 있다.

Claims

주어진 한장의 의료 영상을 원래 의료 영상 분획 딥러닝 모델에 입력하여 획득한 분획 결과값을 통해 훈련 데이터 셋을 생성하여 1차 학습용 훈련 데이터 셋 및 2차 학습용 훈련 데이터 셋으로 분배하여 저장하는 훈련 데이터 생성/할당부와,
1차 학습용 훈련 데이터 셋들로부터 샘플링된 Good Task 데이터 및 Bad Task 데이터를 의료 영상 분획 딥러닝 모델에 입력시켜 1차 학습 수행에 따른 출력 데이터를 이용하여 의료 영상 분획 딥 러닝 모델의 업데이트된 각각의 임시 가중치들을 획득한 후, 2차 학습용 훈련 데이터 셋들로부터 샘플링된 Good Task 데이터 및 Bad Task 데이터를 상기 획득한 임시 가중치에 의해 업데이트된 의료 영상 분획 딥 러닝 모델에 입력시켜 2차 학습 수행에 따른 출력 데이터를 이용하여 획득된 각각의 가중치들을 이용하여 획득한 그래디언트를 더하여 원래 의료 영상 분획 딥러닝 모델의 가중치를 업데이트하는 학습 제어부를 포함하되,
1차 학습 및 2차 학습은 반복되는 의료 영상 분획 딥러닝 모델 생성 장치.
제 1항에 있어서, 학습 제어부는
훈련 데이터 셋들로부터 임의의 순서로 샘플링하는 의료 영상 분획 딥러닝 모델 생성 장치.
제 1항에 있어서, 학습 제어부는
훈련 데이터 셋들로부터 성능 기준 오름차순으로 샘플링하는 의료 영상 분획 딥러닝 모델 생성 장치.
주어진 한장의 의료 영상을 원래 의료 영상 분획 딥러닝 모델에 입력하여 획득한 분획 결과값을 통해 훈련 데이터 셋을 생성하여 1차 학습용 훈련 데이터 셋 및 2차 학습용 훈련 데이터 셋으로 분배하여 저장하는 단계와,
1차 학습용 훈련 데이터 셋들로부터 Good Task 데이터 및 Bad Task 데이터를 1차 샘플링하는 단계와,
1차 학습용 훈련 데이터 셋들로부터 샘플링된 Good Task 데이터 및 Bad Task 데이터를 의료 영상 분획 딥 러닝 모델에 입력시켜 1차 학습 수행에 따른 출력 데이터를 이용하여 의료 영상 분획 딥 러닝 모델의 업데이트된 각각의 임시 가중치들을 획득하는 단계와,
2차 학습용 훈련 데이터 셋들로부터 Good Task 데이터 및 Bad Task 데이터를 2차 샘플링하는 단계와,
2차 학습용 훈련 데이터 셋들로부터 샘플링된 Good Task 데이터 및 Bad Task 데이터를 상기 획득한 임시 가중치에 의해 업데이트된 의료 영상 분획 딥 러닝 모델에 입력시켜 2차 학습 수행에 따른 출력 데이터를 이용하여 획득된 각각의 가중치들을 이용하여 획득한 그래디언트를 더하여 원래 의료 영상 분획 딥러닝 모델의 가중치를 업데이트하는 단계를 포함하되,
1차 샘플링하는 단계, 임시 가중치들을 획득하는 단계 및 2차 샘플링하는 단계는 순차적으로 반복되는 의료 영상 분획 딥러닝 모델 생성 방법.
제 4항에 있어서, 1차 샘플링하는 단계와 2차 샘플링하는 단계는
각각의 훈련 데이터 셋들로부터 임의의 순서로 샘플링하는 의료 영상 분획 딥러닝 모델 생성 방법.
제 4항에 있어서, 1차 샘플링하는 단계와 2차 샘플링하는 단계는
각각의 훈련 데이터 셋들로부터 성능 기준 오름차순으로 샘플링하는 의료 영상 분획 딥러닝 모델 생성 방법.
삭제