KR102338913B1 - 혈관내 광단층 영상에서의 생분해성 스텐트를 포함하는 딥러닝 기반 영상 분할 방법 - Google Patents

Abstract

본 개시의 몇몇 실시예에 따라, 영상 분할 장치가 개시된다. 상기 영상 분할 장치는 적어도 하나의 기 설정된 객체를 분할하도록 학습된 분할 모델(segmentation model)을 저장하는 저장부; 및 상기 분할 모델에 입력 데이터를 입력하여 상기 입력 데이터에서 적어도 하나의 기 설정된 객체를 분할하는 적어도 하나의 프로세서; 를 포함하고, 상기 분할 모델은, 상기 입력 데이터의 차원을 감소시키는 적어도 하나의 차원 감소 블록을 포함하는 인코더; 상기 적어도 하나의 차원 감소 블록에서 출력되는 데이터를 이용하여 상기 인코더에서 출력되는 출력 데이터의 차원을 증가시키는 적어도 하나의 차원 증가 블록을 포함하는 디코더; 및 상기 출력 데이터를 입력 받아 상기 출력 데이터에 특정 객체가 포함되어 있는지 여부를 인식하는 보조 분류 모델을 포함할 수 있다.

Description

혈관내 광단층 영상에서의 생분해성 스텐트를 포함하는 딥러닝 기반 영상 분할 방법{DEEP LEARNING BASED IMAGE SEGMENTATION METHOD INCLUDING BIODEGRADABLE STENT IN INTRAVASCULAR OPTICAL TOMOGRAPHY IMAGE}

본 개시에는 혈관내 광단층 영상에 딥러닝을 이용한 영상 분할법인 semantic segmentation 기법을 적용하는 것으로서, 구체적으로 생분해성 스텐트가 삽입된 혈관 영상에서 자동으로 조직 영역 및 스텐트 스트럿을 분할하는 방법에 관한 것이다.

폐색성 동맥경화 환자의 치료를 위해 혈관내 이미징 기술을 이용하여 폐색된 부위를 확인하고 스텐트 삽입술을 시행할 수 있다. 기존에 널리 이용되고 있는 금속 재질의 스텐트는 생체 외래 물질로 시술 후에도 남아 있으며 또한 혈전증의 위험이 높다는 단점이 존재한다. 이에 시술 후 시간이 지남에 따라 서서히 녹는 생분해성 스텐트(Bioresorbable stent)가 대안으로 제시되어 혈관 기능의 자연스러운 회복을 도모할 수 있었다. 혈관내 광단층 영상(IV-OCT)의 뛰어난 분해능은 혈관 내벽의 미세구조와 스텐트의 영상화를 가능하게 할 수 있다. 기존에는 시술 후 스텐트 시술에 대한 정량 평가를 위해 IV-OCT 영상에서 혈관 조직 및 스텐트를 수작업으로 추출하여 스텐트 부착 정도 및 시술 후 신생내막의 증식 정도를 정량적으로 파악해 왔다. 하지만 이는 많은 시간이 소요되며 노동 강도가 매우 높은 작업일 수 있다. 이를 해결하기 위해 고속으로 혈관 조직 및 스텐트를 정확하게 자동 추출하는 방법이 개발될 필요가 있으며, 이를 바탕으로 자동적·정량적으로 스텐트 시술 후의 평가가 이루어질 수 있도록 해야 한다.

본 개시는 전술한 배경기술에 대응하여 안출된 것으로, Aurios 제품의 생분해성 스텐트 세그멘테이션 소프트웨어(BIODEGRADABLE STENT(BRS) SEGMENTATION SOFTWARE)를 제공하고자 한다.

본 개시의 기술적 과제들은 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

전술한 바와 같은 과제를 해결하기 위한 본 개시의 일 실시예에 따른 영상 분할 장치가 개시된다. 상기 영상 분할 장치는, 적어도 하나의 기 설정된 객체를 분할하도록 학습된 분할 모델(segmentation model)을 저장하는 저장부; 및 상기 분할 모델에 입력 데이터를 입력하여 상기 입력 데이터에서 적어도 하나의 기 설정된 객체를 분할하는 적어도 하나의 프로세서; 를 포함하고, 상기 분할 모델은, 상기 입력 데이터의 차원을 감소시키는 적어도 하나의 차원 감소 블록을 포함하는 인코더; 상기 적어도 하나의 차원 감소 블록에서 출력되는 데이터를 이용하여 상기 인코더에서 출력되는 출력 데이터의 차원을 증가시키는 적어도 하나의 차원 증가 블록을 포함하는 디코더; 및 상기 출력 데이터를 입력 받아 상기 출력 데이터에 특정 객체가 포함되어 있는지 여부를 인식하는 보조 분류 모델; 을 포함하고, 상기 적어도 하나의 기 설정된 객체는, 생분해성 스텐트(stent)의 스트럿(strut) 및 조직(tissue) 중 적어도 하나를 포함하고, 상기 입력 데이터는, 혈관내 광단층 영상(Optical Coherence Tomography, OCT) 영상일 수 있다.

또한, 상기 프로세서는, 상기 분할 모델을 학습시킬 때, 상기 보조 분류 모델을 통해 학습용 영상들에 상기 특정 객체가 포함되어 있는지 여부가 인식될 수 있도록 상기 인코더 및 상기 보조 분류 모델에 포함된 가중치 값들을 최적화하는 것과 연동하여 상기 디코더의 최종 특징 값 맵에 상기 학습용 영상들에 포함된 상기 적어도 하나의 기 설정된 객체 각각이 표현되도록 상기 분할 모델에 포함된 가중치 값들을 최적화할 수 있다.

또한, 상기 학습용 영상들은, 상기 적어도 하나의 기 설정된 객체 각각이 라벨링된 영상을 랜덤 크롭한 패치를 적어도 하나 이상 포함할 수 있다.

또한, 상기 학습용 영상들은: 제 1 두께를 갖는 스트럿으로 구성된 제 1 생분해성 스텐트를 포함하는 복수의 제 1 학습용 영상; 및 상기 제 1 두께와 다른 제 2 두께를 갖는 스트럿으로 구성된 제 2 생분해성 스트럿을 포함하는 복수의 제 2 학습용 영상; 을 포함할 수 있다.

또한, 상기 디코더의 최종 출력 단은, 상기 적어도 하나의 기 설정된 객체 각각과 관련된 영역 분할을 위한 경계가 개선되도록 최종 분류 연산에 입력되는 최종 특징 맵을 조정하는 경계 개선 모듈; 을 더 포함할 수 있다.

또한, 상기 최종 분류 연산은, 적어도 하나의 컨벌루션 레이어 및 소프트맥스 활성 함수를 통한 연산을 포함할 수 있다.

또한, 상기 경계 개선 모듈은, 잔차 블록(residual block) 구조를 가질 수 있다.

또한, 상기 적어도 하나의 차원 감소 블록 및 상기 적어도 하나의 차원 증가 블록은, 서로 다른 확장 비율(dilation rate)을 갖는 복수의 컨벌루션 레이어가 병렬적으로 배치되고 잔차 연결(residual connection)이 포함된 멀티 스케일 확장 잔차 블록(multi-scale dilated residual block)을 포함할 수 있다.

또한, 상기 적어도 하나의 차원 감소 블록 중 최종층에 배치되는 차원 감소 블록은, 과적합을 방지하기 위한 드랍아웃 레이어(dropout layer)를 포함할 수 있다.

또한, 상기 프로세서는, 상기 분할 모델에 상기 입력 데이터를 입력하여 출력된 최종 데이터 및 상기 입력 데이터를 이용하여 3차원 렌더링을 수행할 수 있다.

본 개시에서 얻을 수 있는 기술적 해결 수단은 이상에서 언급한 해결 수단들로 제한되지 않으며, 언급하지 않은 또 다른 해결 수단들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 발명에서 제시하는 IV-OCT 영상에서 혈관 조직 및 생분해성 스텐트 스트럿을 검출하는 방법은 생분해성 스텐트 시술 후 예후 관찰에 유용하게 사용될 수 있다. 또한 본 방법을 이용하여 생분해성 스텐트 삽입술 결과를 3차원 렌더링(스텐트 위치, 신생내막 생성 정도 등 포함)하는데 사용될 수 있으며 이를 바탕으로 생분해성 스텐트의 유효성/안전성 검증하는 임상 연구에 활용될 수 있을 것으로 보이며 또한 이를 바탕으로 최적의 생분해성 스텐트 디자인을 도출하는 데에도 활용될 수 있다.

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

다양한 양상들이 이제 도면들을 참조로 기재되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 양상들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 양상(들)이 이러한 특정 세부사항들 없이 실시될 수 있음은 명백할 것이다. 다른 예시들에서, 공지의 구조들 및 장치들이 하나 이상의 양상들의 기재를 용이하게 하기 위해 블록도 형태로 도시된다.
도 1은 본 개시의 몇몇 실시예에 따른 영상 분할 장치의 일례를 설명하기 위한 블록 구성도이다.
도 2는 본 개시의 몇몇 실시예에 따른 분할 모델의 일례를 설명하기 위한 도면이다.
도 3은 본 개시의 몇몇 실시예에 따른 멀티 스케일 확장 잔차 블록의 일례를 설명하기 위한 도면이다.
도 4는 본 개시의 몇몇 실시예에 따른 학습용 영상의 일례를 설명하기 위한 도면이다.
도 5는 본 개시의 몇몇 실시예에 따른 학습된 분할 모델의 성능 평가에 대해 설명하기 위한 도면이다.
도 6은 본 개시의 몇몇 실시예에 따른 영상 분할 장치가 수행한 3차원 렌더링 결과의 일례를 설명하기 위한 도면이다.
도 7은 본 개시의 몇몇 실시예에 따른 영상 분할 장치가 수행한 3차원 렌더링 결과의 다른 일례를 설명하기 위한 도면이다.
도 8은 본 개시내용의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 일반적인 개략도를 도시한다.

다양한 실시예들 및/또는 양상들이 이제 도면들을 참조하여 개시된다. 하기 설명에서는 설명을 목적으로, 하나 이상의 양상들의 전반적 이해를 돕기 위해 다수의 구체적인 세부사항들이 개시된다. 그러나, 이러한 양상(들)은 이러한 구체적인 세부사항들 없이도 실행될 수 있다는 점 또한 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 감지될 수 있을 것이다. 이후의 기재 및 첨부된 도면들은 하나 이상의 양상들의 특정한 예시적인 양상들을 상세하게 기술한다. 하지만, 이러한 양상들은 예시적인 것이고 다양한 양상들의 원리들에서의 다양한 방법들 중 일부가 이용될 수 있으며, 기술되는 설명들은 그러한 양상들 및 그들의 균등물들을 모두 포함하고자 하는 의도이다. 구체적으로, 본 명세서에서 사용되는 "실시예", "예", "양상", "예시" 등은 기술되는 임의의 양상 또는 설계가 다른 양상 또는 설계들보다 양호하다거나, 이점이 있는 것으로 해석되지 않을 수도 있다.

이하, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략한다. 또한, 본 명세서에 개시된 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않는다.

비록 제 1, 제 2 등이 다양한 소자나 구성요소들을 서술하기 위해서 사용되나, 이들 소자나 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 소자나 구성요소를 다른 소자나 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제 1 소자나 구성요소는 본 발명의 기술적 사상 내에서 제 2 소자나 구성요소 일 수도 있음은 물론이다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하지만, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

더불어, 본 명세서에서 사용되는 용어 "정보" 및 "데이터"는 종종 서로 상호교환 가능하도록 사용될 수 있다.

어떤 구성 요소가 다른 구성 요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성 요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성 요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성 요소가 다른 구성 요소에 "직접 연결되어" 있다거나 "직접 접속되어"있다고 언급된 때에는, 중간에 다른 구성 요소가 존재하지 않는 것으로 이해되어야 할 것이다.

이하의 설명에서 사용되는 구성 요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.

본 개시의 목적 및 효과, 그리고 그것들을 달성하기 위한 기술적 구성들은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 본 개시를 설명하는데 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 개시의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 개시에서의 기능을 고려하여 정의된 용어들로써 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다.

그러나 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있다. 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 개시의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 개시는 청구항의 범주에 의해 정의될 뿐이다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.

본 개시에서, 영상 분할 장치는 학습된 분할 모델(segmentation model)을 이용하여, 입력 데이터에서 적어도 하나의 기 설정된 객체를 분할할 수 있다. 일례로, 영상 분할 장치는 학습된 분할 모델을 이용하여 혈관내 광단층 영상(Optical Coherence Tomography, OCT)에서 생분해성 스텐트(stent)의 스트럿(strut)을 분할할 수 있다. 여기서, 스트럿은 스텐트의 원주 방향으로 따라 배치되고, 복수의 셀을 형성하는 부재일 수 있다.

구체적으로, 생분해성 스텐트는 혈관, 식도, 담관 등 관상 구조의 신체 기관에 삽입되어 관상 구조 내부 내용물의 흐름을 원할하게 하는 의료기기 일 수 있다. 그리고, 생분해성 스텐트는 시술 후 시간이 지남에 따라 체내에서 서서히 녹는 재질로 형성될 수 있다. 이때, 종래의 금속 스텐트는 광원을 반사하는 재질임에 따라, 광단층 촬영 영상에서 도드라지게 표시될 수 있었다. 그러나, 생분해성 스텐트의 경우 광원이 투과되는 재질로 형성됨에 따라, 사용자가 명확하게 알아보기 어려울 수 있다.

좀 더 구체적으로, 혈관내 광단층 영상 기술에서 사용되는 광원은 1240nm 내지 1350nm의 대역폭을 가질 수 있다. 이러한 광원 하에서, 금속 스텐트는 그림자 등이 표현되어 도드라지게 나타날 수 있다. 반면, 생분해성 스텐트의 경우, 조영제(혈관 내부)와 혈관벽의 중간 음영을 띠면서, 벽돌과 같은 직사각형 형상일 수 있다. 그리고, 높이(스트럿의 두께)는 80~160 micron을 갖고, 길이(스트럿 폭)는 100~300 micron 가질 수 있다. 또한, 생분해성 스텐트는 금속 스텐트와는 다르게 그림자 등이 표현되지 않을 수 있다. 환언하자면, 생분해성 스텐트의 스트럿은 광단층 촬영 영상에서 사용자가 명확하게 알아보기 어려울 수 있다. 따라서, 본 개시에서의 영상 분할 장치는 분할 모델을 이용하여 혈관내 광단층 영상에서 생분해성 스텐트를 분할할 수 있다. 이하, 도 1 내지 도 7을 통해 본 개시에 따른 영상 분할 장치에 대해 설명한다.

도 1은 본 개시의 몇몇 실시예에 따른 영상 분할 장치의 일례를 설명하기 위한 블록 구성도이다.

도 1을 참조하면, 영상 분할 장치(1000)는 저장부(100) 및 프로세서(200)를 포함할 수 있다. 다만, 상술한 구성 요소들은 영상 분할 장치(1000)를 구현하는데 있어서 필수적인 것은 아니어서, 영상 분할 장치(1000)는 위에서 열거된 구성요소들 보다 많거나, 또는 적은 구성요소들을 가질 수 있다.

영상 분할 장치(1000)는 사용자가 소유하고 있는 PC(personal computer), 노트북(note book), 모바일 단말기(mobile terminal), 스마트 폰(smart phone), 태블릿 PC(tablet pc) 등을 포함할 수 있으며, 유/무선 네트워크에 접속할 수 있는 모든 종류의 단말을 포함할 수 있다. 다만, 이에 한정되는 것은 아니고, 영상 분할 장치(1000)는 마이크로프로세서, 메인프레임 컴퓨터, 디지털 프로세서, 휴대용 디바이스 또는 디바이스 제어기 등과 같은 임의의 타입의 서버일 수도 있다.

본 개시에서, 영상 분할 장치(1000)는 학습된 분할 모델(segmentation model)에 입력 데이터를 입력하여, 입력 데이터에서 적어도 하나의 기 설정된 객체를 분할할 수 있다. 여기서, 분할 모델은 입력 데이터의 차원을 감소시키는 인코더 및 인코더에서 출력되는 출력 데이터의 차원을 증가시키는 디코더를 포함하는 모델일 수 있다. 일례로, 분할 모델은 인코더와 디코더가 대칭 형태를 이루는 유네트워크(U-Network)를 변형한 구조를 가질 수 있다. 다만, 이에 한정되는 것은 아니다. 이하, 본 개시에 따른 분할 모델에 대해선 도 2 내지 도 3을 통해 설명한다.

한편, 적어도 하나의 기 설정된 객체는 생분해성 스텐트(stent)의 스트럿(strut) 및 조직(tissue) 중 적어도 하나를 포함할 수 있다. 여기서, 스트럿은 스텐트의 원주 방향으로 따라 배치되고, 복수의 셀을 형성하는 부재일 수 있다. 그리고, 조직은 피부 조직일 수 있다. 다만 이에 한정되는 것은 아니다.

한편, 저장부(100)는 메모리 및/또는 영구저장매체를 포함할 수 있다. 메모리는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.

본 개시에서, 저장부(100)는 적어도 하나의 기 설정된 객체를 분할하도록 학습된 분할 모델을 저장할 수 있다. 다만, 이에 한정되는 것은 아니다.

한편, 프로세서(200)는 통상적으로 영상 분할 장치(1000)의 전반적인 동작을 처리할 수 있다. 프로세서(200)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 저장부(100)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.

한편, 프로세서(200)는 하나 이상의 코어로 구성될 수 있으며, 영상 분할 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(200)는 저장부(100)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(200)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(200)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(200)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 영상 분할 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 영상 분할 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

본 개시에서, 프로세서(200)는 저장부(100)에 저장된 분할 모델에 입력 데이터를 입력하여 입력 데이터에서 적어도 하나의 기 설정된 객체를 분할할 수 있다. 다만 이에 한정되는 것은 아니다.

한편, 본 명세서 전반에서 연산 모델, 신경망, 네트워크 함수 및 신경망(neural network)은 상호 교환 가능한 의미로 사용될 수 있다. 즉, 본 개시에서 연산 모델, (인공)신경망, 네트워크 함수 및 신경망은 상호 교환 가능하게 사용될 수 있다. 이하에서는 설명의 편의를 위해 신경망으로 통일하여 기술한다.

신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.

신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.

본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.

심층 신경망(DNN: deep neural network)은 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 심층 신경망을 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 심층 신경망은 컨볼루션 신경망(CNN: convolutional neural network), 리커런트 신경망(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있다. 전술한 심층 신경망의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

신경망은 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 반교사학습(semi supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 신경망의 학습은 신경망이 특정한 동작을 수행하기 위한 지식을 신경망에 적용하는 과정일 수 있다.

신경망은 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 신경망의 학습에서 반복적으로 학습 데이터를 신경망에 입력시키고 학습 데이터에 대한 신경망의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 신경망의 에러를 신경망의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 신경망의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 신경망에 입력되고, 신경망의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 신경망 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 신경망에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 신경망의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 신경망의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 신경망의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 신경망의 학습 초기에는 높은 학습률을 사용하여 신경망이 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

신경망의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 신경망을 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 신경망이 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드랍아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.

한편, 본 개시의 몇몇 실시예에 따르면, 분할 모델은 인코더와 디코더가 대칭 형태를 이루는 유네트워크를 변형한 구조를 가질 수 있다. 이하, 도 2 내지 도 4를 통해 본 개시에 따른 분할 모델에 대해 설명한다.

도 2는 본 개시의 몇몇 실시예에 따른 분할 모델의 일례를 설명하기 위한 도면이다. 도 3은 본 개시의 몇몇 실시예에 따른 멀티 스케일 확장 잔차 블록의 일례를 설명하기 위한 도면이다. 도 4는 본 개시의 몇몇 실시예에 따른 학습용 영상의 일례를 설명하기 위한 도면이다.

도 2를 참조하면, 분할 모델(300)은 인코더(310), 디코더(320) 및 보조 분류 모델(330)을 포함할 수 있다. 다만 이에 한정되는 것은 아니다.

인코더(310)는 입력 데이터의 차원을 감소시키는 적어도 하나의 차원 감소 블록을 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.

일례로, 적어도 하나의 차원 감소 블록 중 입력 데이터가 최초로 입력되는 제 1 차원 감소 블록(311)은 적어도 하나의 컨볼루션 레이어를 포함할 수 있다. 그리고, 제 1 차원 감소 블록(311)은 적어도 하나의 컨볼루션 레이어를 통해 입력 데이터의 차원을 감소시킬 수 있다.

좀 더 구체적으로, 제 1 차원 감소 블록(311)은 입력 데이터를 차원을 가진 행렬로 나타내어 처리할 수 있다. 예를 들어, 입력 데이터가 RGB(red-green-blue)로 인코딩된 이미지 데이터인 경우, R, G, B 색상별로 각각 2차원(예를 들어, 2 차원 이미지인경우) 행렬로 나타내 질 수 있다. 즉, 입력 데이터의 각 픽셀의 색상 값이 행렬의 성분이 될 수 있으며 행렬의 크기는 이미지의 크기와 같을 수 있다. 따라서 입력 데이터는 3개의 2차원 행렬로(3차원의 데이터 어레이)로 나타내질 수 있다. 이 경우, 제 1 차원 감소 블록(311)은 적어도 하나의 컨볼루션 레이어를 통해 컨볼루션 필터를 이동해가며 컨볼루션 필터와 이미지의 각 위치에서의 행렬 성분끼리 곱하는 것으로 컨볼루션 과정(컨볼루션 레이어의 입출력)을 수행할 수 있다. 컨볼루션 필터는 n*n 형태의 행렬로 구성될 수 있으며, 일반적으로 이미지의 전체 픽셀의 수보다 작은 고정된 형태의 필터로 구성될 수 있다. 즉, m*m 이미지를 컨볼루션 레이어(예를 들어, 컨볼루션 필터의 사이즈가 n*n인 컨볼루션 레이어)에 입력시키는 경우, 이미지의 각 픽셀을 포함하는 n*n 픽셀을 나타내는 행렬이 컨볼루션 필터와 성분곱(즉, 행렬의 각 성분끼리의 곱) 될 수 있다. 컨볼루션 필터와의 곱에 의하여 이미지에서 컨볼루션 필터와 매칭되는 성분이 추출될 수 있다. 예를 들어, 이미지에서 상하 직선 성분을 추출하기 위한 3*3 컨볼루션 필터는 [[0,1,0], [0,1,0], [0,1,0]] 와 같이 구성될 수 있으며, 이러한 컨볼루션 필터가 입력 이미지에 적용되면 이미지에서 컨볼루션 필터와 매칭되는 상하 직선 성분이 추출되어 출력될 수 있다. 컨볼루션 레이어는 이미지를 나타낸 각각의 채널에 대한 각각의 행렬(즉, R, G, B 코딩 이미지의 경우, R, G, B 색상)에 컨볼루션 필터를 적용할 수 있다. 컨볼루션 레이어는 입력 이미지에 컨볼루션 필터를 적용하여 입력 이미지에서 컨볼루션 필터와 매칭되는 피쳐를 추출할 수 있다. 컨볼루션 필터의 필터 값(즉, 행렬의 각 성분의 값)은 분할 모델의 학습 과정에서 역전파(back propagation)에 의하여 업데이트 될 수 있다.

한편, 본 개시에서 제 1 차원 감소 블록(311)에 포함된 적어도 하나의 컨볼루션 레이어 각각에 도시된 숫자는 각각 필터의 사이즈, 확장 비율 및 채널 수에 대한 예시적인 일례일 수 있다.

예를 들어, 제 1 차원 감소 블록(311)에 포함된 적어도 하나의 컨볼루션 레이어 각각은 7*7 컨볼루션 필터를 이용할 수 있다. 그리고, 제 1 차원 감소 블록(311)에 포함된 적어도 하나의 컨볼루션 레이어 각각의 확장 비율(dilation rate)은 1일 수 있다. 여기서, 확장 비율은 커널 사이의 간격을 의미할 수 있다. 그리고, 제 1 차원 감소 블록(311)에 포함된 적어도 하나의 컨볼루션 레이어 각각에 도시된 k64는 예시적인 채널의 수일 수 있다. 다만, 이에 한정되는 것은 아니다.

한편, 제 1 차원 감소 블록(311)에서 출력되는 데이터가 입력되는 제 2 차원 감소 블록(312)은 애버리지 풀링 레이어(average pooling layer) 및 멀티 스케일 확장 잔차 블록(Multi-Scale Dilated Residual block)을 포함할 수 있다.

애버리지 풀링 레이어는 제 1 차원 감소 블록(311)에서 출력되는 데이터를 단순화하여 메모리 사용량과 연산량을 줄이기 위한 레이어일 수 있다. 예를 들어, 2*2 에버리지 풀링 필터를 가지는 풀링 레이어에 제 1 차원 감소 블록(311)의 출력을 입력시키는 경우, 이미지의 각 픽셀에서 2*2 패치마다 각 패치에 포함되는 평균값을 출력하여 이미지를 압축할 수 있다. 전술한 풀링은 패치에서 최소값을 출력하거나, 패치의 최대값을 출력하는 방식일 수도 있으며 임의의 풀링 방식이 본 개시에 포함될 수 있다.

한편, 멀티 스케일 확장 잔차 블록은 서로 다른 확장 비율(dilation rate)을 갖는 복수의 컨벌루션 레이어, 배치 정규화(batch normalization) 레이어 및 렐루(rectified linear unit)(ReLU) 레이어가 병렬적으로 배치되어 있는 블록일 수 있다.

예를 들어, 도 3을 참조하면, 멀티 스케일 확장 잔차 블록은 제 1 내지 제 5 잔차(residual) 블록(3121, 3122, 3123, 3124, 3125), 스킵 블록(3126) 및 렐루 레이어(3127)를 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.

제 1 내지 제 4 잔차 블록(3121, 3122, 3123, 3124) 각각은 입력 데이터에 대한 컨볼루션을 수행할 수 있다. 이때, 제 1 내지 제 4 잔차 블록(3121, 3122, 3123, 3124) 각각은 서로 다른 확장 비율을 가질 수 있다.

구체적으로, 제 1 잔차 블록(3121)은 커널 사이의 간격이 1인 적어도 하나의 컨벌루션 레이어를 포함할 수 있다. 그리고, 제 2 잔차 블록(3122)은 커널 사이의 간격이 2인 적어도 하나의 컨벌루션 레이어를 포함할 수 있다. 그리고, 제 3 잔차 블록(3123)은 커널 사이의 간격이 4인 적어도 하나의 컨벌루션 레이어를 포함할 수 있다. 또한, 제 4 잔차 블록(3124)은 커널 사이의 간격이 8인 적어도 하나의 컨벌루션 레이어를 포함할 수 있다. 이 경우, 하나의 단계(예를 들어, 제 2 차원 감소 블록(312)이 입력 데이터의 차원을 감소시켜 출력하는 단계)에 있어서 보다 다양한 수용 영역에 대한 정보가 이용될 수 있다. 다만, 이에 한정되는 것은 아니다.

한편, 제 1 잔차 블록(3121)을 좀 더 살펴보면, 제 1 잔차 블록(3121)은 적어도 하나의 배치 정규화(batch normalization) 레이어 및 렐루(rectified linear unit)(ReLU) 레이어를 포함할 수 있다. 그리고, 제 1 잔차 블록(3121)은 배치 정규화 활성 함수 및 정류 선형 활성 함수를 통한 연산을 수행할 수 있다. 또한, 제 2 내지 제 4 잔차 블록(3122, 3123, 3124) 각각도 적어도 하나의 배치 정규화 레이어 및 정류 선형 단위를 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.

한편, 본 개시에서 제 1 내지 제 4 잔차 블록(3121, 3122, 3123, 3124) 각각은 확장 비율은 상이하되, 필터의 사이즈 및 채널의 수는 동일할 수 있다. 다만, 이에 한정되는 것은 아니다.

한편, 제 5 잔차 블록(3125)은 1*1 컨볼루션 필터를 갖는 컨볼루션 레이어 및 배치 정규화 레이어를 포함할 수 있다. 만약 제 1 내지 제 4 잔차 블록(3121, 3122, 3123, 3124)에서 출력된 각각의 출력 데이터가 렐루 레이어(3127)에 입력되는 경우, 연산에 수행되는 파라미터가 과도하게 많을 수 있다. 따라서, 제 5 잔차 블록(3125)은 1*1 컨볼루션 필터를 갖는 컨볼루션 레이어 및 배치 정규화 레이어를 이용하여, 파라미터의 수를 감소 또는 최적화시킬 수 있다. 다만, 이에 한정되는 것은 아니다.

한편, 스킵 블록(3126)은 1*1 컨볼루션 필터를 갖는 컨볼루션 레이어 및 배치 정규화 레이어를 포함할 수 있다. 그리고, 스킵 블록(3126)은 멀티 스케일 확장 잔차 블록에 입력되는 입력 데이터에 1*1 필터링 및 배치 정규화를 수행한 데이터를 제 5 잔차 블록(3125)에서 출력되는 데이터에 연결할 수 있다. 이 경우, 분할 모델의 학습 과정에 있어서 멀티 스케일 확장 잔차 블록은 입력 데이터와 제 5 잔차 블록(3125)에서 출력되는 데이터의 차이점에 기초하여 학습을 수행할 수 있다. 다만, 이에 한정되는 것은 아니다.

한편, 렐루 레이어(3127)는 멀티 스케일 확장 잔차 블록의 최종단에 배치되어, 출력값이 비선형이 되도록 활성화하는 역할을 수행할 수 있다. 구체적으로, 적어도 하나의 컨벌루션 레이어에서 계산된 값들은 모두 선형 연산이기 때문에 컨벌루션 레이어만으로는 비선형 함수의 출력을 학습할 수 없다. 따라서, 멀티 스케일 확장 잔차 블록은 렐루 레이어(3127)를 통해 출력되는 데이터에 비-선형성을 더해줄 수 있다. 다만, 이에 한정되는 것은 아니다.

다시 도 2를 참조하면, 적어도 하나의 차원 감소 블록은 제 2 차원 감소 블록(312)에서 출력되는 데이터가 입력되는 제 3 차원 감소 블록(313) 및 제 3 차원 감소 블록(313)에서 출력되는 데이터가 입력되는 제 4 차원 감소 블록(314)을 더 포함할 수 있다. 그리고, 제 3 차원 감소 블록(313) 및 제 4 차원 감소 블록(314)은 제 2 차원 감소 블록(312)과 동일한 구조를 가질 수 있다. 다만, 이에 한정되는 것은 아니다.

한편, 적어도 하나의 차원 감소 블록 중 인코더(310)의 최종층에 배치되는 병목 블록(315)은 제 2 차원 감소 블록(312)과 동일한 구조를 가지되, 과적합을 방지하기 위한 드랍아웃 레이어(dropout layer)를 더 포함할 수 있다. 여기서, 드랍아웃 레이어는, 학습의 과정에서 네트워크의 노드 일부를 생략함으로써 과적합을 방지할 수 있는 레이어일 수 있다.

한편, 본 개시의 몇몇 실시예에 따르면, 드랍아웃 레이어는 2차원 구조의 입력 데이터에 대한 과적합을 방지하기 위한 2D(dimension) 드랍아웃 레이어일 수 있다. 다만, 이에 한정되는 것은 아니다.

한편, 디코더(320)는 적어도 하나의 차원 감소 블록에서 출력되는 데이터를 이용하여 인코더(310)에서 출력되는 출력 데이터의 차원을 증가시키는 적어도 하나의 차원 증가 블록을 포함할 수 있다.

일례로, 적어도 하나의 차원 증가 블록 중 인코더(310)에서 출력된 출력 데이터가 최초로 입력되는 제 1 차원 증가 블록(321)은 업샘플링 레이어(upsampling layer), 접합 레이어(concatenation layer) 및 멀티 스케일 확장 잔차 블록을 포함할 수 있다. 그리고, 적어도 하나의 차원 증가 블록 중 인코더(310)에서 출력된 출력 데이터는 업샘플링 레이어에 입력될 수 있다. 이 경우, 제 1 차원 증가 블록(321)은 업샘플링을 수행한 후 컨볼루션을 수행하는 전치 컨볼루션 또는 보간법(bilinear) 등을 통해 병목 블록(315)으로부터 출력된 출력 이미지의 차원을 증가시킬 수 있다. 이때, 적어도 하나의 차원 감소 블록에서 감소된 차원을 제 1 차원 증가 블록(321)에서 증가시키는 과정에서 픽셀의 위치 정보 등이 유실될 수 있다. 이를 방지 위해, 접합 레이어는 차원 증가를 위한 정보(예를 들어, 픽셀의 위치정보, 고레벨 피쳐 등)를 전달받을 수 있다. 일례로, 제 1 차원 증가 블록(321)의 접합 레이어는 제 4 차원 감소 블록(314)으로부터 차원 증가를 위한 정보를 전달받을 수 있다. 이로써, 제 1 차원 증가 블록(321)은 데이터의 차원을 감소시켰다가 차원을 증가시키는 과정에서 유실될 수 있는 픽셀의 위치 정보를 복원할 수 있다.

한편, 적어도 하나의 차원 증가 블록은 제 1 차원 증가 블록(321)에서 출력되는 데이터가 입력되는 제 2 차원 증가 블록(322) 및 제 2 차원 증가 블록(322)에서 출력되는 데이터가 입력되는 제 3 차원 증가 블록(323)을 포함할 수 있다. 그리고, 제 2 차원 증가 블록(322) 및 제 3 차원 증가 블록(323)은 제 1 차원 증가 블록(321)과 동일한 구조를 가질 수 있다. 다만, 이에 한정되는 것은 아니다.

한편, 제 2 차원 증가 블록(322)의 접합 레이어는 제 3 차원 감소 블록(313)으로부터 차원 증가를 위한 정보를 전달받을 수 있다. 그리고, 제 3 차원 증가 블록(323)의 접합 레이어는 제 2 차원 감소 블록(312)으로부터 차원 증가를 위한 정보를 전달받을 수 있다. 다만, 이에 한정되는 것은 아니다.

한편, 적어도 하나의 차원 증가 블록 중 디코더(320)의 최종층에 배치되는 최종 출력 단(324)은 업샘플링 레이어, 접합 레이어, 적어도 하나의 컨볼루션 레이어, 경계 개선(Boundary Refine) 모듈, 디컨볼루션 레이어 및 소프트맥스(Softmax) 레이어 중 적어도 하나를 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.

한편, 최종 출력 단(324)은 입력 데이터에 포함된 적어도 하나의 기 설정된 객체 각각과 관련된 영역 분할을 위한 최종 분류 연산을 수행할 수 있다. 여기서, 최종 분류 연산은 적어도 하나의 컨벌루션 레이어 및 소프트맥스 활성 함수를 통한 연산을 포함할 수 있다. 이때, 최종 분류 연산을 위한 적어도 하나의 컨벌루션 레이어는 1*1 컨볼루션 필터를 이용하는 레이어일 수 있다. 또한, 소프트맥스 활성 함수는 소프트맥스 레이어에 의해 수행될 수 있는 함수로서, 적어도 하나의 기 설정된 객체를 분할하기 위한 함수일 수 있다. 다만, 이에 한정되는 것은 아니다.

한편, 최종 출력 단(324)의 접합 레이어는 제 1 차원 감소 블록(311)으로부터 차원 증가를 위한 정보를 전달받을 수 있다.

한편, 본 개시에서 경계 개선 모듈은 적어도 하나의 기 설정된 객체 각각과 관련된 영역 분할을 위한 경계가 개선되도록 최종 분류 연산에 입력되는 최종 특징 맵을 조정할 수 있다.

구체적으로, 경계 개선 모듈은 3*3 컨볼루션 필터를 가지는 적어도 하나의 컨볼루션 레이어 및 1*1 컨볼루션 필터를 가지는 적어도 컨볼루션 레이어의 사이에 위치할 수 있다. 그리고, 경계 개선 모듈은 입력 데이터의 각 픽셀에 대한 최종 분류 연산이 일어나는 1*1 컨볼루션 레이어를 거치기 전에, 적어도 하나의 기 설정된 객체에 대한 경계를 개선하는 최종 조정 작업을 수행할 수 있다. 다만, 이에 한정되는 것은 아니다.

한편, 본 개시의 몇몇 실시예에 따르면 경계 개선 모듈은 잔차 블록 구조를 가질 수 있다.

구체적으로, 경계 개선 모듈은 적어도 하나의 컨볼루션 레이어 및 렐루 레이어를 포함하는 스킵 블록을 갖는 구조일 수 있다. 이 경우, 분할 모델의 학습 과정에 있어서, 경계 개선 모듈은 입력 데이터와 경계 개선을 수행하여 출력되는 데이터의 차이점에 기초하여 학습을 수행할 수 있다. 다만, 이에 한정되는 것은 아니다.

한편, 보조 분류 모델(330)은 인코더(310)에서 출력되는 출력 데이터를 입력 받아 출력 데이터에 특정 객체가 포함되어 있는지 여부를 인식할 수 있다. 여기서, 특정 개체는 스트럿일 수 있다. 다만, 이에 한정되는 것은 아니다.

한편, 보조 분류 모델(330)은 컨볼루션 레이어, 글로벌 애버리지 풀링(Global Avg Pool) 레이어, 풀리 커넥티드(Fully Connected) 레이어 및 시그모이드(Sigmoid) 레이어를 포함할 수 있다. 글로벌 애버리지 풀링 레이어는 입력된 데이터에 대하여 각 채널별 피쳐맵의 단일 평균값을 추출하여 대표성을 부여하기 위한 레이어일 수 있다. 그리고, 풀리 커넥티드 레이어는 하나의 레이어에 있는 모든 뉴런과 이웃한 레이어에 있는 모든 뉴런이 연결되는 레이어일 수 있다. 또한, 시그모이드 레이어는 비선형 값을 구하기 위한 함수일 수 있다. 보조 분류 모델(330)은 이들 활성화 함수를 통해, 학습 과정에서 입력 데이터에 특정 객체가 포함되었는지 여부를 인식할 수 있다. 다만, 이에 한정되는 것은 아니다.

한편, 본 개시의 몇몇 실시예에 따르면, 영상 분할 장치(1000)의 프로세서(200)는 분할 모델(300)을 학습시킬 때, 보조 분류 모델(330)을 통해 학습용 영상들에 특정 객체가 포함되어 있는지 여부를 인식할 수 있도록, 인코더(310) 및 보조 분류 모델(330)에 포함된 가중치 값들을 최적화할 수 있다. 여기서, 특정 개체는 생분해성 스텐트의 스트럿 및 조직 중 적어도 하나를 포함할 수 있다. 이때, 프로세서(200)는 상기 동작과 연동하여, 디코더(320)의 최종 특징 값 맵에 학습용 영상들에 포함된 적어도 하나의 기 설정된 객체 각각이 표현되도록 분할 모델(300)에 포함된 가중치 값들을 최적화할 수 있다.

구체적으로, 프로세서(200)는 분할 모델(300)에 포함된 적어도 하나의 레이어 각각의 손실 함수(Loss Function)를 최소화하는 방향으로 역전파시켜, 가중치 값들을 최적화할 수 있다. 여기서, 손실 함수는 실제값(Ground truth)과 예측값(prediction)의 차이를 수치화해주는 함수일 수 있다.

이하에서는 영상 분할 장치(1000)의 프로세서(200)가 손실함수가 최적화될 수 있도록 본 개시에 따른 분할 모델(300)을 학습시킨 방법의 일례를 설명한다.

본 개시에서는 총 40 개체에서 획득된 학습용 영상에서 30장씩 랜덤으로 IV-OCT(Intravascular-Optical Coherence Tomography) 영상(직교 좌표계로 구성된 영상)을 추출하여 1,200장의 데이터셋을 확보하였다. 이때, 다양한 두께의 스텐트에 대해서도 영상 분할이 이루어질 수 있도록 학습용 영상들은 복수의 제 1 학습용 영상 및 복수의 제 2 학습용 영상을 포함하였다.

제 1 학습용 영상은 제 1 두께를 갖는 스트럿으로 구성된 제 1 생분해성 스텐트를 포함하는 복수의 영상일 수 있다. 일례로, 총 40 개체 중 20 개체의 데이터는 스트럿 두께 157 um의 제 1 스텐트가 삽입된 결과일 수 있다.

한편, 제 2 학습용 영상은 제 1 두께와 다른 제 2 두께를 갖는 스트럿으로 구성된 제 2 생분해성 스트럿을 포함하는 복수의 영상일 수 있다. 일례로, 총 40 개체 중 나머지 20 개체의 데이터는 스트럿 두께 100 um의 제 2 스텐트가 삽입된 결과일 수 있다. 이를 통해 다양한 두께의 스텐트에 대해서도 영상 분할이 이루어질 수 있도록 데이터셋을 구성하였다. 상기 데이터셋에서 조직 영역 및 스트럿 영역의 수작업 분할 결과를 얻었으며, 개체 단위로 훈련(70% = 28 개체), 검증 (10% = 4 개체), 시험 (20% = 8 개체) 세트를 구성하였다.

한편, 본 개시에서 분할 모델의 학습은 GPU 메모리 한계의 이유와 과적합 방지를 위해 랜덤 크롭(random crop) 패치 기반으로 진행될 수 있다.

구체적으로, 총 40 개체에서 획득된 학습용 영상들은 적어도 하나의 기 설정된 객체 각각이 라벨링된 영상을 랜덤 크롭한 패치를 적어도 하나 이상 포함할 수 있다.

예를 들어, 도 4의 (a)를 참조하면, 학습용 영상은 적어도 하나의 기 설정된 객체(410)를 포함할 수 있다. 그리고, 도 4의 (b)를 참조하면, 학습용 영상에 포함된 적어도 하나의 기 설정된 객체(410)는 라벨링 되어 있을 수 있다. 다만, 이에 한정되는 것은 아니다.

한편, 본 개시의 몇몇 실시예에 따르면, 보조 분류 모델(330)은 랜덤 크롭한 패치에 특정 객체가 포함되었는지 여부가 인식될 수 있도록 학습될 수 있다.

구체적으로, 영상 분할 장치(1000)의 프로세서(200)는 분할 모델(300)을 학습시킬 때, 보조 분류 모델(330)을 통해 학습용 영상들에 특정 객체가 포함되어 있는지 여부가 인식될 수 있도록 인코더(310) 및 보조 분류 모델(330)에 포함된 가중치 값들을 최적화할 수 있다. 그리고, 프로세서(200)는 이와 연동하여 디코더(320)의 최종 특징 값 맵에 학습용 영상들에 포함된 적어도 하나의 기 설정된 객체 각각이 표현되도록 분할 모델(300)에 포함된 가중치 값들을 최적화할 수 있다. 이에 따라, 본 개시에 따른 분할 모델(300)은 인코더(310) 및 디코더(320)의 스트럿 분할을 위한 특징값이 보다 최적화되는 방향으로 학습될 수 있다.

한편, 분할 모델(300)에 포함된 적어도 하나의 레이어의 가중치는 손실 함수 L을 최소화하는 방향으로 역전파되어 최적화될 수 있다. 여기서, 가중치는 적어도 하나의 컨볼루션 레이어 각각의 커널 값, 적어도 하나의 배치 정규화 레이어 각각에서의 크기(scale) 또는 적어도 하나의 배치 정규화 레이어 각각에서의 오프셋 등일 수 있다. 다만, 이에 한정되는 것은 아니다.

한편, 본 개시에서는 ADAM(Adaptive Moment Estimation) 최적화 알고리즘이 사용되었으며 학습률은

부터 시작하여 20 epoch 동안 성능 향상이 없을 경우에 학습률을 1/10 만큼 감소시켜 학습을 진행하도록 하였다. 또한, 학습률이

에 도달하게 되면 학습을 종료하도록 하였다.

한편, 본 개시에서 손실 함수 L은 하기의 수학식으로 계산될 수 있다.

여기서,

는 가중치일 수 있다. 그리고,

는 세 개의 채널에 대해 획득된 가중 평균 cross entropy 항일 수 있다. 그리고,

은 스트럿 영역을 분할하는 데에 있어 sparsity를 고려해주기 위한 L1 거리 항일 수 있다. 그리고,

는 보조 분류 모델(330)의 이진 분류 결과에 대한 cross entropy 항일 수 있다. 그리고,

는 분할 모델(300)의 모든 가중치의 Frobenius norm을 의미하며, 학습의 과적합을 방지하기 위한 L2 정규화에 관한 항일 수 있다. 각 항은 가중치

에 의해 가중 합산되어 최적화를 위한 전체 손실 함수로서 구성될 수 있다.

한편, 본 개시에서 가중 평균 cross entropy 항

는 하기의 수학식으로 계산될 수 있다.

여기서, g(x)는 실제값(Ground truth)일 수 있다. 그리고, p(x)는 디코더(320)의 최종층에 배치된 최종 출력 단(324)에 포함된 소프트맥스 레이어의 확률 산출물일 수 있다. 그리고, w(x)는 벡터 x에 대한 가중치일 수 있다.

한편, 본 개시에서,

은 하기의 수학식으로 계산될 수 있다.

가중 평균 cross entropy 항

는 조직 영역, 생분해성 스텐트 스트럿 영역, 배경 영역의 픽셀 개수 편차를 보정하기 위해 도입되었으며, 각각 1:2:10 의 비율로 설정되게 하였다. 한편, 스트럿 영역을 더욱 잘 잡기 위해 가중치 항을 크게 설정하는 것이나 dice coefficient와 같이 영역의 겹침 정도를 나타내는 항을 추가하는 것은 오히려 스트럿 영역의 과대분할을 유발하므로 본 수학식에서는 고려되지 않았다. 다만, 실시예에 따라, dice coefficient와 같이 영역의 겹침 정도를 나타내는 항을 추가하는 일례도 가능할 수 있다.

한편, 학습된 분할 모델(300)의 성능 평가는 분할 영역의 실제값과의 일치도를 파악하기 위해 조직 영역 및 스트럿 영역에 대해 각각에 대해 dice coefficient를 산출하여 수행하였다. 이하, 본 개시에 따른 학습된 분할 모델(300)의 성능 평가 결과에 대해 설명한다.

도 5는 본 개시의 몇몇 실시예에 따른 학습된 분할 모델의 성능 평가에 대해 설명하기 위한 도면이다.

도 5의 Input Image는 분할 모델(300)에 입력되는 입력 데이터(510)일 수 있다. 그리고, 입력 데이터(510)는 적어도 하나의 스트럿(511)을 포함할 수 있다. Ground Truth는 실제값(520)일 수 있다. 그리고, 실제값(520)은 입력 데이터(510)에 포함된 적어도 하나의 스트럿(511)에 대응하는 적어도 하나의 스트럿(521)을 나타낼 수 있다. 또한, Prediction은 예측값(530)일 수 있다. 즉, 예측값(530)은 분할 모델(300)에 의해 입력 데이터(510)에 대한 영상 분할이 수행된 결과 일 수 있다. 그리고, 예측값(530)은 입력 데이터(510)에 포함된 적어도 하나의 스트럿(511)에 대응하는 적어도 하나의 스트럿(531)을 분할하여 나타낼 수 있다. 다만, 이에 한정되는 것은 아니다.

본 개시에서, 학습된 분할 모델(300)의 성능 평가는 분할 영역의 실제값(520)과의 일치도를 파악하기 위해 조직 영역 및 스트럿 영역에 대해 각각에 대해 dice coefficient를 산출할 수 있었다. dice coefficient는 하기의 수학식으로 계산될 수 있다.

여기서,

는 소프트맥스 레이어의 확률 산출물(prediction) 이미지에서 특정 채널만 선택된 기 설정된 크기의 영상일 수 있다. 그리고,

는 실제값(520)에 있어서, 특정 채널만 선택된 기 설정된 크기의 영상일 수 있다.

또한 스트럿 검출 성능은 실제값(520)과의 비교를 통해 오탐(false positive)과 미탐(false negative)의 개수를 파악하여 정확도(precision: PR), 재현율(recall: RC), F-score를 계산할 수 있었다. 각 측정값은 하기의 수학식과 같이 정의될 수 있다.

여기서, PR은 정확도(precision) 일 수 있다. 그리고, RC는 재현율(recall) 일 수 있다. 그리고, TP는 정탐(true positive) 일 수 있다. 그리고, FP는 오탐(false positive) 일 수 있다. 그리고, FN은 미탐(false negative) 일 수 있다.

영상 분할 결과에 대한 정량 성능 평가 결과는 하기의 표 1과 같이 나타날 수 있었다.

		조직 영역 Dice Coefficient	스트럿 영역 Dice Coefficient	스트럿 검출 Precision	스트럿 검출 Recall	스트럿 검출 F-score
본 개시에 따른 분할 모델		0.932	0.852	91.2%	96.0%	93.5%
단순 U-Net 구조		0.878	0.785	86.9%	91.3%	89.0%
Residual U-Net 구조		0.915	0.812	89.8%	94.3%	91.9%
Multi-scale Dilated U-Net 구조		0.918	0.835	90.2%	95.0%	92.5%
경계 개선 모듈 추가		0.920	0.840	90.5%	95.2%	92.8%
보조 분류 모델 추가		0.925	0.842	90.6%	95.6%	93.0%
신생 내막 증식 정도	낮음	-	0.884	93.8%	97.6%	95.7%
	중간	-	0.849	91.5%	95.7%	93.5%
	높음	-	0.782	83.5%	87.4%	85.4%

표 1을 참조하면, 본 개시에 따른 분할 모델(300)을 이용하여 영상 분할을 수행한 결과 스트럿 검출에 대한 정확도는 91.2%로 나타날 수 있었다. 그리고, 스트럿 검출에 대한 재현율은 96%로 나타날 수 있었다. 또한, 스트럿 검출에 대한 F-score는 93.5%를 보였다. 이는 단순 U-net 구조, 잔차(Residual) U-Net 구조, 멀티 스케일 확장(Multi-scale Dilated) U-Net 구조보다 현격히 높은 수치일 수 있다. 또한, 단순히 멀티 스케일 확장(Multi-scale Dilated) U-Net 구조에 경계 개선 모듈을 추가하거나 또한 본 개시에 따른 보조 분류 모델(330)을 추가한 결과보다도 높은 결과를 보일 수 있었다.

또한, 조직 영역 및 스트럿 영역에 대한 dice coefficient도 0.932, 0.852로 나타나 수작업 결과와 굉장히 높은 수준의 일치도를 보이는 것을 확인할 수 있었다. 또한, 스트럿을 덮고 있는 신생 내막의 두께에 따른 성능 평가 또한 진행하였으며, 신생 내막 증식이 많은 경우에도 약 85% 이상의 성능을 보이는 것을 확인할 수 있었다.

한편, 본 개시의 몇몇 실시예에 따르면, 영상 분할 장치(1000)는 분할 모델(300)을 이용하여 출력된 최종 데이터 및 입력 데이터를 이용하여, 3차원 렌더링을 수행할 수 있다. 이하, 도 6 및 도 7을 통해 본 개시에 따른 프로세서(200)가 3차원 렌더링을 수행한 일례를 설명한다.

도 6은 본 개시의 몇몇 실시예에 따른 영상 분할 장치가 수행한 3차원 렌더링 결과의 일례를 설명하기 위한 도면이다.

본 개시의 몇몇 실시예에 따르면, 영상 분할 장치(1000)의 프로세서(200)는 분할 모델(300)을 이용하여 출력된 최종 데이터 및 입력 데이터를 이용하여, 신생내막 증식 2D 맵을 생성할 수 있다. 일례로, 도 6의 (a)는 스텐트가 삽입된 경우, 스텐트 및 신생내막의 증식 정도를 2D 맵으로 나타낸 결과일 수 있다.

한편, 영상 분할 장치(1000)의 프로세서(200)는 분할 모델(300)에 입력 데이터를 입력하여 출력된 최종 데이터 및 입력 데이터를 이용하여 생성한 3차원 렌더링을 수행할 수 있다. 일례로, 도 6의 (b)는 프로세서(200)가 최종 데이터 및 입력 데이터를 이용하여 재구성한 혈관의 3차원 화면일 수 있다.

한편, 도 6의 (c)를 참조하면, 영상 분할 장치(1000)의 프로세서(200)는 생분해성 스텐트 삽입 후 주차에 따른 신생 내막 증식에 대한 정도를 정량 측정 비교할 수 있도록 그래프를 생성할 수도 있다. 다만, 이에 한정되는 것은 아니다.

도 7은 본 개시의 몇몇 실시예에 따른 영상 분할 장치가 수행한 3차원 렌더링 결과의 다른 일례를 설명하기 위한 도면이다.

영상 분할 장치(1000)의 프로세서(200)는 분할 모델(300)에 입력 데이터를 입력하여 출력된 최종 데이터 및 입력 데이터를 이용하여 생성한 3차원 렌더링을 수행할 수 있다. 이 경우, 프로세서(200)는 영상 분할 장치(1000)의 디스플레이부를 통해 3차원 렌더링 결과를 사용자에게 제공할 수 있다.

일례로, 도 7은 프로세서(200)가 최종 데이터 및 입력 데이터를 이용하여 혈관 및 스텐트에 대해 3차원 렌더링을 수행한 후 사용자에게 제공하는 화면일 수 있다.

도 8은 본 개시내용의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 일반적인 개략도를 도시한다.

본 개시내용이 일반적으로 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어와 관련하여 전술되었지만, 당업자라면 본 개시내용 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로서 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 본 명세서에서의 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로시져, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.

본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체 로서, 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다.

컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.

컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.

시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)―이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음―, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 예를 들어, USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 저장 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 저장 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.

운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 서버 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 서버에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.

Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a,b,g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5 GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장 매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 용어 "기계-판독가능 매체"는 명령(들) 및/또는 데이터를 저장, 보유, 및/또는 전달할 수 있는 무선 채널 및 다양한 다른 매체를 포함하지만, 이들로 제한되는 것은 아니다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (10)

1. 적어도 하나의 기 설정된 객체를 분할하도록 학습용 영상들로 학습된 분할 모델(segmentation model)을 저장하는 저장부; 및
   상기 분할 모델에 입력 데이터를 입력하여 상기 입력 데이터에서 적어도 하나의 기 설정된 객체를 분할하는 적어도 하나의 프로세서;
   를 포함하고,
   상기 분할 모델은,
   상기 입력 데이터의 차원을 감소시키는 적어도 하나의 차원 감소 블록을 포함하는 인코더;
   상기 적어도 하나의 차원 감소 블록에서 출력되는 데이터를 이용하여 상기 인코더에서 출력되는 출력 데이터의 차원을 증가시키는 적어도 하나의 차원 증가 블록을 포함하는 디코더; 및
   상기 출력 데이터를 입력 받아 상기 출력 데이터에 특정 객체가 포함되어 있는지 여부를 인식하는 보조 분류 모델;
   을 포함하고,
   상기 적어도 하나의 기 설정된 객체는,
   생분해성 스텐트(stent)의 스트럿(strut) 및 조직(tissue) 중 적어도 하나를 포함하고,
   상기 입력 데이터는,
   혈관내 광단층 영상(Optical Coherence Tomography, OCT) 영상이고,
   상기 학습용 영상들은:
   제 1 두께를 갖는 스트럿으로 구성된 제 1 생분해성 스텐트를 포함하는 복수의 제 1 학습용 영상; 및
   상기 제 1 두께와 다른 제 2 두께를 갖는 스트럿으로 구성된 제 2 생분해성 스트럿을 포함하는 복수의 제 2 학습용 영상;
   을 포함하는,
   영상 분할 장치.
   
2. 제 1 항에 있어서,
   상기 프로세서는,
   상기 분할 모델을 학습시킬 때, 상기 보조 분류 모델을 통해 상기 학습용 영상들에 상기 특정 객체가 포함되어 있는지 여부가 인식될 수 있도록 상기 인코더 및 상기 보조 분류 모델에 포함된 가중치 값들을 최적화하는 것과 연동하여 상기 디코더의 최종 특징 값 맵에 상기 학습용 영상들에 포함된 상기 적어도 하나의 기 설정된 객체 각각이 표현되도록 상기 분할 모델에 포함된 가중치 값들을 최적화하는,
   영상 분할 장치.
   
3. 제 2 항에 있어서,
   상기 학습용 영상들은,
   상기 적어도 하나의 기 설정된 객체 각각이 라벨링된 영상을 랜덤 크롭한 패치를 적어도 하나 이상 포함하는,
   영상 분할 장치.
   
4. 삭제
5. 제 1 항에 있어서,
   상기 디코더의 최종 출력 단은,
   상기 적어도 하나의 기 설정된 객체 각각과 관련된 영역 분할을 위한 경계가 개선되도록 최종 분류 연산에 입력되는 최종 특징 맵을 조정하는 경계 개선 모듈;
   을 더 포함하는,
   영상 분할 장치.
   
6. 제 5 항에 있어서,
   상기 최종 분류 연산은,
   적어도 하나의 컨벌루션 레이어 및 소프트맥스 활성 함수를 통한 연산을 포함하는,
   영상 분할 장치.
   
7. 제 5 항에 있어서,
   상기 경계 개선 모듈은,
   잔차 블록(residual block) 구조를 갖는,
   영상 분할 장치.
   
8. 제 1 항에 있어서,
   상기 적어도 하나의 차원 감소 블록 및 상기 적어도 하나의 차원 증가 블록은,
   서로 다른 확장 비율(dilation rate)을 갖는 복수의 컨벌루션 레이어가 병렬적으로 배치되고 잔차 연결(residual connection)이 포함된 멀티 스케일 확장 잔차 블록(multi-scale dilated residual block)을 포함하는,
   영상 분할 장치.
   
9. 제 1 항에 있어서,
   상기 적어도 하나의 차원 감소 블록 중 최종층에 배치되는 차원 감소 블록은,
   과적합을 방지하기 위한 드랍아웃 레이어(dropout layer)를 포함하는,
   영상 분할 장치.
   
10. 제 1 항에 있어서,
    상기 프로세서는,
    상기 분할 모델에 상기 입력 데이터를 입력하여 출력된 최종 데이터 및 상기 입력 데이터를 이용하여 3차원 렌더링을 수행하는,
    영상 분할 장치.
    

Images