KR102391817B1 - 딥 러닝 시스템 - Google Patents

딥 러닝 시스템 Download PDF

Info

Publication number
KR102391817B1
KR102391817B1 KR1020190018615A KR20190018615A KR102391817B1 KR 102391817 B1 KR102391817 B1 KR 102391817B1 KR 1020190018615 A KR1020190018615 A KR 1020190018615A KR 20190018615 A KR20190018615 A KR 20190018615A KR 102391817 B1 KR102391817 B1 KR 102391817B1
Authority
KR
South Korea
Prior art keywords
learning
neural network
network model
artificial neural
data
Prior art date
Application number
KR1020190018615A
Other languages
English (en)
Other versions
KR20200100388A (ko
Inventor
정재훈
Original Assignee
주식회사 아이도트
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 아이도트 filed Critical 주식회사 아이도트
Priority to KR1020190018615A priority Critical patent/KR102391817B1/ko
Priority to CN201910404061.7A priority patent/CN111582434B/zh
Priority to PCT/KR2019/010480 priority patent/WO2020171321A1/ko
Publication of KR20200100388A publication Critical patent/KR20200100388A/ko
Application granted granted Critical
Publication of KR102391817B1 publication Critical patent/KR102391817B1/ko

Links

Images

Classifications

    • G06N3/0454—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Image Analysis (AREA)

Abstract

본 발명은 딥 러닝 기반의 학습 시스템에 관한 것으로, 제1인공 신경망 모델을 학습시키는 외부의 딥 러닝 시스템과 통신망을 통해 접속 가능한 시스템으로서,
원천 학습 데이터를 전달받아 저장하는 데이터 분류 저장모듈과; 상기 원천 학습 데이터를 이용하여 시스템 내의 제2인공 신경망 모델을 학습시키는 학습 모듈과; 학습결과로 수정된 상기 제2인공 신경망 모델의 파라미터 정보들과 학습관련정보를 포함하는 튜닝정보를 상기 외부의 딥 러닝 시스템으로 전송하여 상기 제1인공 신경망 모델의 튜닝을 요청하는 튜닝정보 전송모듈과; 상기 외부의 딥 러닝 시스템으로부터 전송된 튜닝정보에 따라 상기 제2인공 신경망 모델의 파라미터 정보를 갱신하는 튜닝모듈;을 포함함을 특징으로 한다.

Description

딥 러닝 시스템{DEEP LEARNING SYSTEM}
본 발명은 인공 지능 학습 시스템에 관한 것으로, 특히 딥 러닝 기반의 학습 시스템에 관한 것이다.
기계 학습 시스템으로써 최근 각광을 받고 있는 딥 러닝(deep learning) 알고리즘 역시 인공 신경망의 한 종류로서 전통적인 신경망에 비해 훨씬 더 많은 은닉 계층(hidden layer)을 가진다.
일반적으로 인공 신경망은 도 1에 도시한 바와 같이 입력을 받는 입력 레이어(input layer), 실제 학습을 하는 은닉 레이어, 연산의 결과를 반환하는 출력 레이어(output layer)와 같이 총 3개의 레이어로 구성된다. 이러한 구조의 인공 신경망에서 각각의 노드는 뉴런을 의미하며, 각 노드는 데이터가 입력되면 가중 합을 구한 후 활성 함수(activation function)를 거쳐 다음 노드로 연산 결과값을 넘긴다. 이때 weight는 학습을 통해 각 노드마다 그 값을 갖게 된다. 각 노드(뉴런)의 입력으로는 앞 노드(뉴런)의 결과값들에 가중되어서 입력되고 이에 바이어스를 더해 그 합을 연산하는 방식이다.
일반적인 딥 러닝 과정은 입력 레이어부터 다수의 은닉 레이어를 거쳐 출력 레이어까지 특징값(deep learning parameter)과 목적함수를 계산해 나가는 포워드 프로퍼게이션(forward propagation)과정과, 오류를 반영하여 출력 레이어로부터 은닉 레이어를 거쳐 입력 레이어까지 가중치를 수정하는 백 프로퍼게이션(back propagation)과정을 반복하는 방식으로 수행된다. 이러한 딥 러닝 과정에서 수정되는 가중치는 오류가 최소화될 때까지 반복 갱신되며 모든 컴퓨터가 가중치와 특징값들을 공유하게 된다.
즉, 딥 러닝 알고리즘에서는 학습 데이터를 이용한 학습과정이 수행되고 나면 최적화된 파라미터를 가지는 인공 신경망 모델이 생성되기 때문에 학습 데이터의 수가 많을수록 보다 정확한 예측이 가능한 인공 신경망 모델이 형성되므로 딥 러닝의 학습 과정에서는 많은 수의 학습 데이터가 필요하다.
그러나 딥 러닝 알고리즘을 이용해 자궁경부암과 같은 질병의 발병 여부를 판단하는 영상 의료진단기기에서는 개인정보나 의료정보의 외부 공개 제한으로 인해 학습 데이터를 확보하는데 한계가 있기 때문에 보다 정확한 예측이 가능한 인공 신경망 모델을 형성하기 어렵다. 특히 희귀 질병의 경우 환자의 수가 적고 국내 및 국외의 의료기관 사이에 학습 데이터에 대한 공유가 어려우며 학습 데이터 누적에 오랜 시간이 소요되기 때문에 이를 효과적으로 해결하기 위한 새로운 방안이 모색될 필요가 있다.
더 나아가 영상 의료진단기기에 있어서 보다 정확한 진단을 위해 선행되어야 할 것은 원천 학습 데이터를 확보하는 것 외에 학습에 사용될 학습 데이터를 정확하게 분류 정리하여 학습을 진행해야 한다는 점이다. 즉, 학습 데이터의 분류 정리가 정확하고도 명확하게 이루어지지 않는다면 특정 질병의 발병 여부에 관한 분석 정확도가 떨어질 수밖에 없다. 따라서 특정 질병의 발병 여부를 판정하는 기기들에서는 학습에 사용될 학습 데이터를 공유하는 것과 같은 별도 방안과 병행하여 학습 데이터 분류기준 역시 공유할 필요가 있다.
대한민국 공개특허공보 제10-2017-0083419호
이에 본 발명은 상술한 필요성에 따라 창안된 발명으로서, 본 발명의 주요 목적은 소량의 원천 데이터를 학습할 수밖에 없는 환경의 인공 신경망 모델을 대량의 원천 데이터를 학습한 인공 신경망 모델과 같이 정확한 예측이 가능한 모델로 형성시킬 수 있는 딥 러닝 시스템을 제공함에 있으며,
더 나아가 본 발명의 또 다른 목적은 타 인공 신경망 모델에서 학습한 결과를 획득하여 자신의 인공 신경망 모델에 반영하는 방식으로 학습 시간 단축 및 학습 데이터 부족환경을 극복할 수 있는 딥 러닝 시스템을 제공함에 있다.
또한 본 발명의 다른 목적은 서로 다른 운영주체가 운영하는 인공 신경망 모델 간에 원천 학습 데이터의 공유 없이도 원천 학습 데이터를 공유한 것과 같은 학습 결과를 얻을 수 있는 딥 러닝 시스템을 제공함에 있다.
또한 본 발명의 다른 목적은 타 인공 신경망 모델에서 학습한 결과를 획득하여 자신의 인공 신경망 모델에 반영하되, 학습 데이터 분류기준 역시 공유하여 특정 질병의 발병 여부를 정확하게 판정할 수 있는 딥 러닝 시스템을 제공함에 있다.
전술한 목적을 달성하기 위한 본 발명의 실시예에 따른 딥 러닝 시스템은 제1인공 신경망 모델을 학습시키는 외부의 딥 러닝 시스템과 통신망을 통해 접속 가능한 딥 러닝 시스템으로서,
원천 학습 데이터를 전달받아 저장하는 데이터 분류 저장모듈과;
상기 원천 학습 데이터를 이용하여 시스템 내의 제2인공 신경망 모델을 학습시키는 학습 모듈과;
학습결과로 수정된 상기 제2인공 신경망 모델의 파라미터 정보들과 학습관련정보를 포함하는 튜닝정보를 상기 외부의 딥 러닝 시스템으로 전송하여 상기 제1인공 신경망 모델의 튜닝을 요청하는 튜닝정보 전송모듈과;
상기 외부의 딥 러닝 시스템으로부터 전송된 튜닝정보에 따라 상기 제2인공 신경망 모델의 파라미터 정보를 갱신하는 튜닝모듈;을 포함함을 특징으로 한다.
상술한 구성의 딥 러닝 시스템은 상기 학습모듈과 튜닝모듈의 반복 동작에 의해 최적화된 상기 제1인공 신경망 모델에 기초하여 특정 질병에 대한 발병 유무를 진단하는 진단모듈을 더 포함함을 또 다른 특징으로 한다.
상술한 딥 러닝 시스템들에 있어서, 상기 데이터 분류 저장모듈은,
외부장치로부터 상기 원천 학습 데이터로서 피검진 대상에 대한 영상 데이터를 수신받아 저장하는 데이터 수신부와, 저장된 상기 피검진 대상에 대한 영상 데이터를 복수의 다단계 분류기준에 따라 분류 저장하는 데이터 분류부를 포함하되,
상기 데이터 분류부는 컬러를 분류기준으로 하는 1단계 분류기준과, 피검진 대상 크기를 분류기준으로 하는 2단계 분류기준과, 컬러와 형태의 조합을 분류기준으로 하는 3단계 분류기준 중 적어도 두 개 이상의 분류기준을 이용해 상기 피검진 대상에 대한 영상 데이터를 분류 저장함을 특징으로 하며,
상기 튜닝정보 전송모듈은 상기 제1인공 신경망 모델의 학습 초기상태를 동기화하기 위해 필요한 하이퍼 파라미터를 상기 튜닝정보로서 우선 전송함을 특징으로 한다.
경우에 따라서는 상기 튜닝정보 전송모듈에 의해 전송된 혹은 상기 외부의 딥 러닝 시스템으로부터 전송된 튜닝정보에 포함된 파라미터 정보는 인공 신경망 모델을 구성하되 학습결과로 수정된 각 레이어의 가중치값들과 바이어스값을 포함함을 또 다른 특징으로 하며,
상기 학습관련정보는 학습해야 할 상기 원천 학습 데이터 중 학습한 원천 학습 데이터의 수를 포함함을 특징으로 한다.
또한 상기 데이터 분류부는 상기 분류기준별로 분류 저장되는 원천 학습 데이터의 수적 밸런스를 조정하기 위해 추가 원천 학습 데이터를 더 생성할 수도 있다.
상술한 기술적 과제 해결 수단에 따르면, 본 발명은 일측의 딥 러닝 시스템에서 학습하여 얻어진 인공 신경망 모델의 파라미터를 상대측 딥 러닝 시스템으로 전송하여 상대측 인공 신경망 모델의 파라미터를 갱신해 주기 때문에, 원천 학습 데이터의 공유 없이도 마치 동일한 학습 데이터를 학습한 것과 같은 효과를 얻을 수 있다. 따라서 본 발명은 개인정보나 의료정보의 노출로 인한 문제를 사전에 극복할 수 있는 장점이 있으며, 개인정보나 의료정보의 공유 제한으로 인해 인공 신경망 모델을 최적화하는데 소요되는 시간을 단축시킬 수 있는 장점이 있다.
또한 본 발명은 외부 시스템의 학습결과 얻어진 파라미터를 이용해 자신의 인공 신경망 모델의 부분 최적화가 이루어지기 때문에 원천 학습 데이터의 복구 혹은 유추가 사실상 불가능해 정보 노출로 인한 피해를 최소화할 수 있는 이점이 있다.
특히 본 발명은 원천 학습 데이터의 공유 없이도 마치 동일한 학습 데이터를 학습한 것과 같은 효과를 얻을 수 있기 때문에, 소량의 원천 데이터를 학습할 수밖에 없는 환경의 인공 신경망 모델이라 하더라도 마치 대량의 원천 학습 데이터를 학습한 인공 신경망 모델로 변형시킬 수 있는 장점이 있다.
또 다른 실시예에 따른 본 발명은 학습에 사용될 학습 데이터를 사전에 정확하게 분류 정리하여 분류 기준별로 학습을 진행하되, 학습 결과 수정된 파라미터들을 공유하는 것 외에 학습 데이터 분류 기준 역시 서로 다른 딥 러닝 시스템과 공유하기 때문에, 특정 질병에 대한 발병 유무를 정확하게 진단할 수 있는 진단기준 역시 공유할 수 있는 장점이 있다.
도 1은 일반적인 인공 신경망 구성 예시도.
도 2는 본 발명의 실시예에 따른 딥 러닝 시스템간의 연결상태 예시도.
도 3은 본 발명의 실시예에 따른 딥 러닝 시스템의 구성 예시도.
도 4는 본 발명의 실시예 따른 딥 러닝 과정을 부연 설명하기 위한 도면.
도 5는 본 발명의 또 다른 실시예에 따른 피검진 대상 영상 데이터의 다단계 분류 흐름 예시도.
도 6은 본 발명의 또 다른 실시예에 따른 피검진 대상 영상 데이터의 다단계 분류기준을 보다 상세히 설명하기 위한 도면.
이하 본 발명의 바람직한 실시예를 첨부 도면을 참조하여 상세히 설명하기로 한다. 본 발명을 설명함에 있어 관련된 공지 기능 혹은 구성이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그에 대한 상세한 설명은 생략하기로 한다.
참고적으로 하기에서 명명된 '모듈'은 본 발명의 기술적 사상을 구현하기 위한 하드웨어와 그 하드웨어를 구동하기 위해 필요한 소프트웨어의 기능적, 구조적 결합을 의미하는 것으로 정의하기로 한다. 즉, '모듈'은 소정의 코드와 소정의 코드가 수행되기 위한 하드에어 리소스의 논리적인 단위를 의미할 수 있으며, 반드시 물리적으로 연결된 코드를 의미하거나, 한 종류의 하드웨어를 의미하는 것이 아님은 당업자에게 있어 자명하다 할 것이다.
이하 첨부 도면을 참조하여 본 발명의 실시예에 따른 딥 러닝 시스템에 대해 설명하면,
우선 도 2는 본 발명의 실시예에 따른 딥 러닝 시스템(100,200,300)간의 연결상태를 예시한 것이다.
도 2에 도시한 바와 같이 본 발명의 실시예에 따른 딥 러닝 시스템(100,200,300) 각각은 통신망을 통해 필요한 정보를 상호 송수신한다. 각각의 딥 러닝 시스템(100,200,300)은 내부에 인공 신경망 모델을 포함하고 있으며, 이러한 인공 신경망 모델은 동일한 신경망 모델인 것으로 가정하기로 한다.
각각의 딥 러닝 시스템(100,200,300)은 관리자에 의해 지정된 딥 러닝 시스템과 정보를 송수신하면서 상대측에서 학습하여 얻어진 파리미터들로 자신의 파라미터들을 갱신해 가면서 내부 인공 신경망 모델을 최적화해 간다.
이하 도 2에 도시한 딥 러닝 시스템(100,200,300)의 구성을 도 3을 참조하여 설명하기로 한다.
도 3은 본 발명의 실시예에 따른 딥 러닝 시스템(100)의 구성도를 예시한 것으로, 일 예로 합성곱 신경망(CNN)에 기반하는 인공 신경망 모델(150)을 포함하는 딥 러닝 시스템(100)은,
원천 학습 데이터를 전달받아 저장소에 저장하는 데이터 분류 저장모듈(110)과,
상기 원천 학습 데이터를 이용하여 시스템 내의 인공 신경망 모델(150)을 학습시키는 학습 모듈(120)과,
학습결과로 수정된 인공 신경망 모델(150)의 파라미터 정보들과 학습관련정보를 포함하는 튜닝정보를 외부의 딥 러닝 시스템(200 혹은 300)으로 전송하여 그 시스템내 인공 신경망 모델의 튜닝을 요청하는 튜닝정보 전송모듈(130)과,
상기 외부의 딥 러닝 시스템(200 혹은 300)으로부터 전송된 튜닝정보에 따라 인공 신경망 모델(150)의 파라미터 정보를 갱신하는 튜닝모듈(140)을 포함한다.
구현 방식에 따라 상기 구성들 외에 본 발명의 실시예에 따른 딥 러닝 시스템(100)은 상기 학습모듈(120)과 튜닝모듈(140)의 반복 동작에 의해 최적화된 인공 신경망 모델(150)에 기초하여 특정 질병에 대한 발명 유무를 진단하는 진단모듈(160)을 더 포함할 수도 있다.
상기 원천 학습 데이터는 딥 러닝 시스템(100)과 연결 가능한 영상 촬영장치는 물론 원천 학습 데이터가 저장되는 별도의 스토리지 디바이스, 별도의 데이터 제공 서버를 통해 전달되는 데이터이다. 본 발명의 실시예에 따른 립 러닝 학습 시스템(100)이 영상 의료진단기기의 일부로 사용될 경우 상기 원천 학습 데이터는 특정 질병을 진단하기 위해 촬영된 '피검진 대상에 대한 영상 데이터'일 것이다.
한편 튜닝정보 전송모듈(130)은 상기 외부의 딥 러닝 시스템(200 혹은 300)을 구성하는 인공 신경망 모델의 학습 초기상태를 동기화하기 위해 필요한 하이퍼 파라미터(hyper parameter)를 상기 튜닝정보로서 우선 전송한 후에, 학습결과로 수정된 각 레이어의 가중치값(W1, W2, W3,..)들과 바이어스값을 튜닝정보로서 전송한다. 이러한 튜닝정보 전송모듈(130)은 딥 러닝 시스템(100)의 동작을 전반적으로 제어하기 위한 제어 모듈로서 타 시스템과의 연동 및 인증을 위한 제어를 수행할 수 있다.
상술한 학습관련정보는 자신이 학습해야 할 원천 학습 데이터 중 학습한 원천 학습 데이터의 수일 수 있으며, 학습한 데이터의 비율일 수도 있으며, 학습한 원천 학습 데이터의 수와 학습 횟수일 수도 있다. 중요한 것은 하나의 딥 러닝 시스템(100)에서 학습한 것과 동일한 방법으로 상대측 딥 러닝 시스템(200 혹은 300)의 인공 신경망 모델도 학습해야 한다는 것이다.
본 발명의 또 다른 실시예에 따른 딥 러닝 시스템(100,200,300)은 상술한 구성 중 데이터 분류 저장모듈(110)을 변형하여 새롭게 구현할 수도 있다. 즉, 상기 데이터 분류 저장모듈(110)은 외부장치로부터 원천 학습 데이터로서 피검진 대상에 대한 영상 데이터를 수신받아 저장소에 저장하는 데이터 수신부와, 저장된 상기 피검진 대상에 대한 영상 데이터를 복수의 다단계 분류기준에 따라 분류 저장하는 데이터 분류부를 포함할 수 있다.
이러한 경우 상기 데이터 분류부는 컬러를 분류기준으로 하는 1단계 분류기준과, 피검진 대상 크기를 분류기준으로 하는 2단계 분류기준과, 컬러와 형태의 조합을 분류기준으로 하는 3단계 분류기준 중 적어도 두 개 이상의 분류기준을 이용해 상기 피검진 대상에 대한 영상 데이터를 분류 저장할 수 있다.
상기 데이터 분류부의 1단계 분류기준은 아세트산 반응 영상, 루골용액반응 영상, 그린필터 영상, 일반 영상 중 어느 하나 이상을 각각 식별하기 위한 컬러값을 분류기준 값으로 포함한다.
이와 같이 데이터 분류 저장모듈(110)이 데이터 분류기준에 따라 분류 가능한 시스템이라면, 튜닝정보 전송모듈(130)은 상기 1단계 분류기준, 상기 2단계 분류기준, 상기 3단계 분류기준 중 적어도 2개 이상의 분류기준을 상기 튜닝정보에 포함시켜 외부의 딥 러닝 시스템(200 혹은 300)으로 전송하는 것이 상호 연동 가능한 시스템을 동기화하는데 있어 바람직하다.
이하 상술한 구성들을 포함하는 딥 러닝 시스템(100,200,300)의 동작을 부연 설명하되, 하기에서는 딥 러닝 시스템 1(100)과 딥 러닝 시스템 2(200)가 상호 연동하여 인공 신경망 모델을 최적화하는 과정을 설명하기로 한다. 설명의 편의상 딥 러닝 시스템 1(100)에 포함된 인공 신경망 모델을 제2인공 신경망 모델로, 딥 러닝 시스템2(200)에 포함된 인공 신경망 모델을 제1인공 신경망 모델로 명명하기로 한다.
도 4는 본 발명의 실시예 따른 딥 러닝 학습 과정을 부연 설명하기 위한 도면을 도시한 것이다.
도 4에서는 딥 러닝 시스템 2(200)가 딥 러닝 시스템 1(100)에 비하여 원천 학습 데이터의 수가 상대적으로 적은 것으로 가정하고, 이들의 운영주체 또한 상이하다고 가정한다. 또한 딥 러닝 시스템 1(100)과 딥 러닝 시스템 2(200) 각각에는 자신이 학습해야 할 원천 학습 데이터가 저장부에 저장되어 있는 것으로 가정하기로 한다.
이러한 가정하에 시스템 관리자는 딥 러닝 시스템 1(100)에 접속하여 연동시키고자 하는 딥 러닝 시스템을 설정(S10단계)한다. 설정 방법으로는 딥 러닝 시스템 2(200)의 접속정보와 인증정보 입력으로 설정할 수 있다.
이러한 설정에 의해 딥 러닝 시스템 1(100)의 제어모듈로서 동작 가능한 튜닝정보 전송모듈(130)은 관리자 명령에 따라 딥 러닝 시스템 2(200)에 접속하여 시스템 상호 인증 절차(S20단계)를 수행할 수 있다.
시스템 상호 인증이 정상적으로 완료되면 딥 러닝 시스템 1,2(100,200)는 필요한 정보를 송수신할 수 있는 상태가 된다. 이에 튜닝정보 전송모듈(130)은 딥 러닝 시스템 2(200)의 제2인공 신경망 모델이 학습하기 위한 초기상태를 동기화하기 위해 하이퍼 파라미터를 튜닝정보로 설정하여 딥 러닝 시스템 2(200)로 우선 전송(S30단계)한다. 튜닝정보로서 하이퍼 파라미터를 수신한 딥 러닝 시스템 2(200)의 튜닝 모듈은 제1인공 신경망 모델의 관련 파라미터를 갱신하여 제2인공 신경망 모델과 동기화한다.
이와 같이 두 딥 러닝 시스템이 하이퍼 파라미터의 송수신에 의해 학습 초기상태가 동기화되면, 딥 러닝 시스템 1(100)의 학습 모듈(120)은 저장소에 저장된 원천 학습 데이터를 이용하여 시스템 내의 제2인공 신경망 모델(150)을 학습(S40단계)시킨다. 이러한 학습단계에서 제2인공 신경망 모델(150)을 구성하는 각 레이어의 가중치값들(W1,W2,W3,..)은 수정된다.
학습 모듈(120)에 의해 원천 학습 데이터 중 사전 정의된 수량의 학습이 이루어지면, 튜닝정보 전송모듈(130)은 학습결과로 수정된 제2인공 신경망 모델의 파라미터 정보들(가중치값들과 바이어스값들)과 학습관련정보(원천 학습 데이터 중 학습한 데이터 수)를 포함하는 튜닝정보를 딥 러닝 시스템 2(200)로 전송(S50단계)하여 제1인공 신경망 모델의 튜닝을 요청한다.
이에 딥 러닝 시스템 2(200)를 구성하는 튜닝 모듈은 외부의 딥 러닝 시스템 1(100)로부터 전송된 튜닝정보에 따라 시스템 내의 제1인공 신경망 모델의 파라미터 정보, 즉 가중치값을 갱신(S60단계)한다. 이와 같이 딥 러닝 시스템 1(100)에서 한 번 학습에 의해 수정된 가중치값들로 외부의 딥 러닝 시스템 2(200)를 구성하는 제1인공 신경망 모델의 가중치값들을 갱신함으로써, 딥 러닝 시스템 2(200) 역시 딥 러닝 시스템 1(100)의 원천 학습 데이터를 학습한 효과를 얻을 수 있다.
한편 외부에서 전송된 튜닝정보를 이용해 제1인공 신경망 모델의 파라미터를 갱신한 이후 딥 러닝 시스템 2(200)의 학습 모듈 역시 자신의 원천 학습 데이터를 학습(S70단계)하되, 딥 러닝 시스템 1(100)로부터 전송된 학습관련정보에 따라 학습한다.
상기 학습관련정보에 기초하여 학습이 완료되면 제1인공 신경망 모델의 파라미터 역시 수정된다. 이에 딥 러닝 시스템 2(200)를 구성하는 튜닝정보 전송모듈(130) 역시 수정된 가중치값들과 바이어스값들을 포함하는 튜닝정보를 딥 러닝 시스템 1(100)로 전송(S80단계)함으로써, 딥 러닝 시스템 1(100)을 구성하는 튜닝 모듈(140) 역시 전송받은 튜닝정보에 기초하여 제2인공 신경망 모델(150)의 파라미터 정보를 갱신(S90단계)한다. 이로써 딥 러닝 시스템 1(100) 역시 딥 러닝 시스템 2(200)의 원천 데이터를 학습한 효과를 얻을 수 있다.
한편 딥 러닝 시스템 1(100)과 2(200)는 상술한 튜닝 과정을 일정 성능을 얻을 때까지, 즉 인공 신경망 모델이 최적화(S100단계)될 때까지 반복하면서 제1인공 신경망 혹은 제2인공 신경망 모델을 최적화한다.
상술한 바와 같이 자신의 원천 학습 데이터를 학습하여 얻어진 파라미터를 상대측 딥 러닝 시스템으로 전송하여 인공 신경망 모델의 파라미터를 갱신해 가면 원천 학습 데이터의 공유 없이도 마치 동일한 학습 데이터를 학습한 것과 같은 효과를 얻을 수 있기 때문에, 개인정보나 의료정보의 노출로 인한 문제를 사전에 극복할 수 있는 장점이 있으며, 개인정보나 의료정보의 공유 제한으로 인해 인공 신경망 모델을 최적화하는데 소요되는 시간을 단축시킬 수 있는 장점이 있다.
또한 본 발명은 외부 시스템의 학습결과 얻어진 파라미터를 이용해 자신의 인공 신경망 모델의 부분 최적화가 이루어지기 때문에 원천 학습 데이터의 복구 혹은 유추가 사실상 불가능해 정보 노출로 인한 피해를 최소화할 수 있는 이점이 있다.
특히 상술한 본 발명은 원천 학습 데이터의 공유 없이도 마치 동일한 학습 데이터를 학습한 것과 같은 효과를 얻을 수 있기 때문에, 소량의 원천 데이터를 학습할 수밖에 없는 환경의 인공 신경망 모델이라 하더라도 마치 대량의 원천 학습 데이터를 학습한 인공 신경망 모델로 변형시킬 수 있는 장점이 있다.
이상의 실시예에서는 두 딥 러닝 시스템(100,200)이 상호 연동하여 원천 학습 데이터의 공유 없이도 인공 신경망 모델을 최적화하는 과정을 설명하였다.
이하에서는 두 딥 러닝 시스템(100,200)이 상호 연동하여 인공 신경망 모델을 최적화하되, 특정 질병의 발병 여부에 관한 분석 정확도를 높이기 위해 학습에 사용될 학습 데이터를 정확하게 분류 정리하여 학습을 진행해 인공 신경망 모델을 최적화하는 또 다른 실시예에 따른 딥 러닝 시스템에 관하여 설명하기로 한다. 이러한 딥 러닝 시스템은 도 3에 도시된 데이터 분류 저장모듈(110)을 데이터 수신부와 데이터 분류부로 세분화함으로써 구현 가능하다. 하기 실시예에서는 자궁경부암에 대한 발병 여부를 정밀 진단하기 위해 필요한 데이터 분류 기준을 예로 들어 설명하기로 한다.
우선 데이터 수신부는 영상 촬영장치와 같은 외부장치로부터 원천 학습 데이터에 해당하는 피검진 대상에 대한 영상 데이터를 수신받아 저장하는 역할을 수행하며, 데이터 분류부는 상기 피검진 대상에 대한 영상 데이터를 복수의 다단계 분류기준에 따라 분류 저장하는 역할을 수행한다. 이러한 경우 데이터 분류부는 컬러를 분류기준으로 하는 1단계 분류기준과, 피검진 대상 크기를 분류기준으로 하는 2단계 분류기준과, 컬러와 형태의 조합을 분류기준으로 하는 3단계 분류기준, 노출과 초점을 분류기준으로 하는 4단계 분류기준 중 적어도 두 개 이상의 분류기준을 이용해 분류할 수 있다.
경우에 따라 상기 데이터 분류부는 컬러를 분류기준으로 하는 1단계 분류기준에 따라 피검진 대상에 대한 영상 데이터를 1차 분류하고, 상기 1차 분류된 피검진 대상에 대한 영상 데이터 내에서 피검진 대상, 예를 들면 자궁경부의 크기를 분류기준으로 하는 2단계 분류기준에 따라 2차 분류하고, 상기 2차 분류된 피검진 대상에 대한 영상 데이터 내의 컬러와 형태의 조합을 분류기준으로 하는 3단계 분류기준에 따라 상기 피검진 대상에 대한 영상 데이터를 3차 분류하는 방식으로 영상 데이터를 분류할 수 있다.
상기 1단계 분류기준은 아세트산 반응 영상, 루골용액반응 영상, 그린필터 영상, 일반 영상 중 어느 하나 이상을 각각 식별하기 위한 컬러값을 분류기준 값으로 포함할 수 있으며,
상기 3단계 분류기준은 피검진 대상의 영상 데이터 내에서 적어도 혈액, 점액, 루프, 질확대경, 치료흔적, 수술도구 중 어느 하나 이상을 식별하기 위한 컬러값과 형태의 조합을 분류기준 값으로 포함할 수 있다.
예를 들어 혈액은 주로 자궁경부 중앙에서 아래로 흐르는 붉은색의 형태로 나타나며, 점액은 주로 자궁경부 중앙에서 아래로 흐르는 엷은 노란색의 형태로 나타나며, 루프는 자궁경부의 중앙에 주로 위치하며 일반적으로 부메랑 형태의 철사가 명확히 나타난다. 질 확대경 및 기타 수술도구는 핑크색의 자궁경부와는 다른 색상(은색, 푸른색,..)으로 나타나기에 각 이물질들의 컬러와 형태의 조합 특성을 이용하면 상기 예시한 바와 같이 자궁경부에 영향을 주는 이물질들을 분류할 수 있다.
한편, 데이터 분류부는 상술한 세 가지의 분류기준에 따라 분류되지 않는, 즉 병변이 식별되지 않는 영상을 노출과 초점 분류기준에 따라 별도 분류할 수 있다. 예를 들어 노출이 부족/과다할 경우 히스토그램이 한 쪽에 극단적으로 치우치기 때문에 이를 이용해 분류할 수 있고, 초점이 맞지 않는 경우 에지(edge:경계선) 검출이 되지 않거나 색의 대비가 모호하게 나타나므로 이러한 특성을 이용해 분류(4차 분류)할 수 있다. 상술한 1차 내지 4차 분류과정에서도 딥러닝 기법을 이용하여 각각의 분류를 진행할 수 있다.
추가적으로 상기 데이터 분류부는 분류기준별로 분류 저장되는 원천 학습 데이터, 즉 피검진 대상에 대한 영상 데이터의 수적 밸런스를 조정하기 위해 추가 원천 학습 데이터(피검진 대상에 대한 영상 데이터)를 더 생성할 수 있다. 이는 특정 형태의 자궁경부(암) 영상 데이터에서 대해서만 과도한 학습이 진행되거나, 반대로 특정 형태(혹은 종류)의 영상에 대해서 정상적인 학습이 진행되지 않는 현상이 발생하지 않도록 하기 위함이다.
이하 도 5 및 도 6을 참조하여 피검진 대상에 대한 영상 데이터로서 자궁경부에 대한 영상 데이터를 분류하여 인공 신경망 모델을 최적화하는 과정을 도 5와 도 6을 참조하여 보다 상세히 설명하기로 한다.
우선 도 5는 본 발명의 또 다른 실시예에 따른 피검진 대상 영상 데이터의 다단계 분류 흐름을 예시한 것이며, 도 6은 피검진 대상 영상 데이터의 다단계 분류기준을 보다 상세히 설명하기 위한 도면을 도시한 것이다.
도 5를 참조하면, 우선 데이터 분류 저장모듈(110)을 구성하는 데이터 수신부는 영상 촬영장치와 같은 외부장치로부터 자궁경부에 대한 영상 데이터를 수신받아 저장소에 저장(S200단계)한다.
데이터 분류부는 자궁경부에 대한 하나 혹은 복수의 미분류 영상 데이터를 복수의 다단계 분류기준에 따라 분류하여 저장(S210단계)한다.
예를 들어 컬러를 분류기준으로 하는 1단계 분류기준에 따라 자궁경부에 대한 미분류 영상 데이터를 우선적으로 1차 분류한다.
1차 분류를 위해 데이터 분류부는 아세트산 반응 영상, 루골용액반응 영상, 그린필터 영상, 일반 영상 각각 식별하기 위한 컬러값을 분류기준 값으로 포함함으로서, 위 4가지의 영상을 분류할 수 있다.
구체적으로, 아세트산 반응 영상은 흰색의 얼룩이 자궁경부에 나타나기 때문에 핑크색의 자궁경부 및 질과 구분이 가능하다. 루골용액 반응 영상은 갈색 또는 진한 주황색 컬러가 나타나며, 그린필터 영상은 영상 전반에 걸쳐 그린이 강하게 나타나기 때문에 이러한 각 영상의 특징을 나타내는 컬러값을 분류기준 값으로 활용해 자궁경부에 대한 미분류 촬영 영상 데이터를 분류할 수 있다.
1차 분류가 완료되면 데이터 분류부는 상기 1차 분류된 영상 데이터 내의 자궁경부 크기를 분류기준으로 하는 2단계 분류기준에 따라 2차 분류한다.
자궁경부는 500원 주화 크기의 원형으로 보통 영상 내에서 중앙 부분에 위치한다. 따라서 영상 내의 자궁경부 크기(150%, 100%, 80% 등)를 기준으로 자궁경부만 확대한 영상, 자궁경부 전체가 나온 영상, 자궁경부가 영상의 80% 정도만 나온 영상, 자궁경부가 영상의 50% 정도만 나온 영상, 자궁경부+확대경+이외부분 포함된 영상과 같이 2차 분류할 수 있다.
이후 데이터 분류부는 상기 2차 분류된 자궁경부 영상 데이터 내의 컬러와 형태의 조합을 분류기준으로 하는 3단계 분류기준에 따라 자궁경부에 영향을 주는 이물질들을 3차 분류한다.
앞서 언급한 바와 같이 혈액은 주로 자궁경부 중앙에서 아래로 흐르는 붉은색의 형태로 나타나며, 점액은 주로 자궁경부 중앙에서 아래로 흐르는 엷은 노란색의 형태로 나타나며, 루프는 자궁경부의 중앙에 주로 위치하며 일반적으로 부메랑 형태의 철사가 명확히 나타난다. 질 확대경 및 기타 수술도구는 핑크색의 자궁경부와는 다른 색상(은색, 푸른색,..)으로 나타나기에 각 이물질들의 컬러와 형태의 조합 특성을 이용하면 상기 예시한 바와 같이 자궁경부에 영향을 주는 이물질들을 분류할 수 있다.
경우에 따라서 데이터 분류부는 3차 분류된 영상들에 대해 노출과 초점을 기준으로 4차 분류할 수도 있다.
이상에서 설명한 바와 같이 다단계 분류기준에 따라 분류된 분류기준별 영상 데이터는 저장소에 저장된다.
미분류 영상 데이터의 분류가 완료되면 이후 도 4에 도시한 바와 같은 과정을 통해 딥 러닝 시스템 1(100)과 딥 러닝 시스템 2(200) 각각은 자신의 인공 신경망 모델을 최적화한다. 이러한 경우 하나의 딥 러닝 시스템에서 채용한 영상 데이터의 다단계 분류기준을 동일하게 적용시키기 위해서 튜닝정보 전송모듈(130)은 상기 1단계 분류기준, 상기 2단계 분류기준, 상기 3단계 분류기준 중 적어도 2개 이상의 분류기준을 튜닝정보에 포함시켜 상대측 딥 러닝 시스템으로 전송하는 것이 바람직하다.
도 5에서 미설명된 S220단계는 분류 기준에 따라 분류 저장된 영상 데이터에 대해 학습을 실행하는 것을 나타낸 것으로 도 4의 S40단계에서 수행되는 것을 나타낸 것이다.
이상에서와 같이 학습에 사용될 학습 데이터를 사전에 정확하게 분류 정리하여 분류 기준별로 학습을 진행하되, 학습 결과 수정된 파라미터들을 공유하는 것 외에 학습 데이터 분류 기준 역시 서로 다른 딥 러닝 시스템이 공유한다면, 소량의 원천 데이터를 학습할 수밖에 없는 환경의 인공 신경망 모델이라 하더라도 마치 대량의 원천 학습 데이터를 학습한 인공 신경망 모델로 변형될 수 있을 뿐만 아니라, 다양한 분류기준에 따라 만들어진 학습 데이터를 학습하여 구축된 인공 신경망 모델은 기존 시스템들에 비해 보다 정확하게 특정 질병에 대한 발병 유무를 진단할 수 있게 되는 것이다.
이상 본 발명은 도면에 도시된 실시예들을 참고로 설명하였으나 이는 예시적인 것에 불과하며, 당해 기술분야에서 통상의 지식을 가진자라면 이로부터 다양한 변형 및 균등한 타실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호범위는 첨부된 특허청구범위에 의해서만 정해져야 할 것이다.

Claims (10)

  1. 연결 가능한 영상 촬영장치 혹은 데이터 제공 서버로부터 원천 학습 데이터로 수신되는 피검진 대상에 대한 영상 데이터를 복수의 다단계 분류기준에 따라 분류 저장하는 데이터 분류부를 포함하는 데이터 분류 저장모듈과; 상기 분류 저장된 원천 학습 데이터를 이용하여 시스템 내의 제2인공 신경망 모델을 학습시키는 학습 모듈과; 학습결과로 수정된 상기 제2인공 신경망 모델의 파라미터 정보들과 학습관련정보를 포함하는 튜닝정보를 상기 제2인공 신경망 모델과 동일한 신경망 모델인 제1인공 신경망 모델을 포함하는 외부의 딥 러닝 시스템으로 전송하여 상기 제1인공 신경망 모델의 튜닝을 요청하는 튜닝정보 전송모듈과; 상기 튜닝정보를 이용해 상기 제1인공 신경망 모델의 파라미터를 갱신한 상기 외부의 딥 러닝 시스템으로부터 상대측 튜닝정보를 전송받아 시스템 내의 제2인공 신경망 모델의 파라미터 정보를 갱신하는 튜닝모듈과; 상기 학습모듈과 튜닝모듈의 반복 동작에 의해 최적화된 상기 제2인공 신경망 모델에 기초하여 특정 질병에 대한 발병 유무를 진단하는 진단모듈;을 더 포함하되, 상기 데이터 분류부는,
    컬러를 분류기준으로 하는 1단계 분류기준에 따라 피검진 대상에 대한 영상 데이터를 1차 분류하고, 상기 1차 분류된 피검진 대상에 대한 영상 데이터 내에서 피검진 대상의 크기를 분류기준으로 하는 2단계 분류기준에 따라 2차 분류하고, 상기 2차 분류된 피검진 대상에 대한 영상 데이터 내의 컬러와 형태의 조합을 분류기준으로 하는 3단계 분류기준에 따라 3차 분류하되, 상기 분류기준별로 분류 저장되는 피검진 대상에 대한 영상 데이터의 수적 밸런스를 조정하기 위해 추가적으로 피검진 대상에 대한 영상 데이터를 더 생성함을 특징으로 하는 딥 러닝 시스템.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 청구항 1에 있어서, 상기 튜닝정보 전송모듈은,
    상기 제1인공 신경망 모델의 학습 초기상태를 동기화하기 위해 필요한 하이퍼 파라미터를 상기 튜닝정보로서 우선 전송함을 특징으로 하는 딥 러닝 시스템.
  6. 청구항 1에 있어서, 상기 튜닝정보 전송모듈에 의해 전송된 튜닝정보와 상기 외부의 딥 러닝 시스템으로부터 전송된 상대측 튜닝정보에 포함된 파라미터 정보는,
    인공 신경망 모델을 구성하되 학습결과로 수정된 각 레이어의 가중치값들과 바이어스값을 포함함을 특징으로 하는 딥 러닝 시스템.
  7. 청구항 1에 있어서, 상기 학습관련정보는 학습해야 할 상기 원천 학습 데이터 중에서 학습한 데이터의 수를 포함함을 특징으로 하는 딥 러닝 시스템.
  8. 삭제
  9. 삭제
  10. 청구항 1에 있어서, 상기 튜닝정보 전송모듈은,
    상기 1단계 분류기준, 상기 2단계 분류기준, 상기 3단계 분류기준을 상기 튜닝정보에 포함시켜 상기 외부의 딥 러닝 시스템으로 전송함을 특징으로 하는 딥 러닝 시스템.
KR1020190018615A 2019-02-18 2019-02-18 딥 러닝 시스템 KR102391817B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020190018615A KR102391817B1 (ko) 2019-02-18 2019-02-18 딥 러닝 시스템
CN201910404061.7A CN111582434B (zh) 2019-02-18 2019-05-15 深度学习系统
PCT/KR2019/010480 WO2020171321A1 (ko) 2019-02-18 2019-08-19 딥 러닝 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190018615A KR102391817B1 (ko) 2019-02-18 2019-02-18 딥 러닝 시스템

Publications (2)

Publication Number Publication Date
KR20200100388A KR20200100388A (ko) 2020-08-26
KR102391817B1 true KR102391817B1 (ko) 2022-04-29

Family

ID=72110758

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190018615A KR102391817B1 (ko) 2019-02-18 2019-02-18 딥 러닝 시스템

Country Status (3)

Country Link
KR (1) KR102391817B1 (ko)
CN (1) CN111582434B (ko)
WO (1) WO2020171321A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113204614B (zh) * 2021-04-29 2023-10-17 北京百度网讯科技有限公司 模型训练方法、优化训练数据集的方法及其装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001026026A2 (en) * 1999-10-04 2001-04-12 University Of Florida Local diagnostic and remote learning neural networks for medical diagnosis
US20170185895A1 (en) * 2015-01-26 2017-06-29 Huawei Technologies Co., Ltd. System and Method for Training Parameter Set in Neural Network
US20180157939A1 (en) * 2016-12-05 2018-06-07 Avigilon Corporation System and method for appearance search

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060224533A1 (en) * 2005-03-14 2006-10-05 Thaler Stephen L Neural network development and data analysis tool
WO2017043680A1 (ko) * 2015-09-11 2017-03-16 주식회사 루닛 의료 데이터의 개인 정보 보호를 위한 인공 신경망의 분산 학습 시스템 및 방법
KR20170083419A (ko) 2016-01-08 2017-07-18 마우키스튜디오 주식회사 레이블링되지 않은 다수의 학습 데이터를 이용하여 딥 러닝의 모델을 트레이닝하는 방법 및 이를 수행하는 딥 러닝 시스템
US11182676B2 (en) * 2017-08-04 2021-11-23 International Business Machines Corporation Cooperative neural network deep reinforcement learning with partial input assistance
KR101841222B1 (ko) * 2017-08-11 2018-03-22 주식회사 뷰노 피검체의 치명적 증상의 발생을 조기에 예측하기 위한 예측 결과를 생성하는 방법 및 이를 이용한 장치
CN108182427B (zh) * 2018-01-30 2021-12-14 电子科技大学 一种基于深度学习模型和迁移学习的人脸识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001026026A2 (en) * 1999-10-04 2001-04-12 University Of Florida Local diagnostic and remote learning neural networks for medical diagnosis
US20170185895A1 (en) * 2015-01-26 2017-06-29 Huawei Technologies Co., Ltd. System and Method for Training Parameter Set in Neural Network
US20180157939A1 (en) * 2016-12-05 2018-06-07 Avigilon Corporation System and method for appearance search

Also Published As

Publication number Publication date
KR20200100388A (ko) 2020-08-26
CN111582434A (zh) 2020-08-25
CN111582434B (zh) 2023-10-17
WO2020171321A1 (ko) 2020-08-27

Similar Documents

Publication Publication Date Title
Chakrabarty A deep learning method for the detection of diabetic retinopathy
KR20230110233A (ko) 클라우드 서버 및 클라우드 서버 기반의 진단 보조시스템
US20190114771A1 (en) Method and apparatus for acquiring information
TW202112299A (zh) 圖像處理方法、電子設備和電腦可讀儲存介質
JP2021536057A (ja) 医療画像に対する病変の検出及び位置決め方法、装置、デバイス、及び記憶媒体
US10755410B2 (en) Method and apparatus for acquiring information
WO2021179630A1 (zh) 一种并发症风险预测系统、方法、装置、设备及介质
KR102436359B1 (ko) 의료 정보를 생성하는 방법
KR102041402B1 (ko) 자궁경부 학습 데이터 생성 시스템과 자궁경부 학습 데이터 분류방법
WO2005050556A2 (en) Support vector regression for censored data
US20230351204A1 (en) Selecting a training dataset with which to train a model
KR102316557B1 (ko) 자궁경부암 자동 진단 시스템
Subrahmanyeswara Rao Accurate leukocoria predictor based on deep VGG‐net CNN technique
US11893659B2 (en) Domain adaption
KR102391817B1 (ko) 딥 러닝 시스템
Mabrouk et al. Medical image classification using transfer learning and chaos game optimization on the internet of medical things
Liu et al. A self-adaptive deep learning method for automated eye laterality detection based on color fundus photography
Wang et al. Automated detection of diabetic retinopathy lesions on ultrawidefield pseudocolour images
Gong et al. Application of deep learning for diagnosing, classifying, and treating age-related macular degeneration
JP7346600B2 (ja) 子宮頸がん自動診断システム
Lo et al. Data Homogeneity Effect in Deep Learning‐Based Prediction of Type 1 Diabetic Retinopathy
KR102462975B1 (ko) 인공지능 기반의 자궁경부암 검진 서비스 시스템
JP2022076278A (ja) モデル学習方法、モデル学習システム、サーバ装置、及びコンピュータプログラム
KR102036052B1 (ko) 인공지능 기반으로 비규격화 피부 이미지의 의료 영상 적합성을 판별 및 변환하는 장치
CN106202847B (zh) 一种就诊预测方法

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant