KR102556646B1 - 의료 영상 생성 방법 및 장치 - Google Patents

Abstract

컴퓨팅 장치에 의해 수행되는 의료 영상 생성 방법이 개시된다.
일 실시예에 따른 의료 영상 생성 방법은 제1 후보 의료 영상 및 제2 후보 의료 영상 각각으로부터 제1 특징 벡터 및 제2 특징 벡터를 획득하는 단계, 상기 획득된 제1 특징 벡터와 상기 제2 특징 벡터를 합성하여 타깃 등급에 대응되는 제3 특징 벡터를 생성하되, 상기 타깃 등급은 상기 제1 후보 의료 영상에 대응되는 제1 등급과 상기 제2 후보 의료 영상에 대응되는 제2 등급 사이에 위치하는 단계, 및 상기 제3 특징 벡터에 기초하여 상기 타깃 등급에 대응되는 타깃 의료 영상을 생성하는 단계를 포함할 수 있다.

Description

의료 영상 생성 방법 및 장치{METHOD AND APPARATUS FOR GENERATING MEDICAL IMAGE}

본 발명은 의료 영상 생성 방법 및 장치에 관한 것이다.

입력 의료 영상의 특징 벡터를 추출하고, 이에 기반하여 특징 벡터에 대응하는 결과물(예를 들어, 질환의 악성도 등)을 산출하는 인공 신경망의 경우, 준비된 학습 데이터에 기반하여 학습될 수 있다. 이 경우, 일부 학습 데이터가 누락되는 연령에 대해서는 성능이 떨어질 가능성이 높다.

특히, 시계열적으로 연속된 의료 영상을 학습 데이터로 이용하는 경우, 대표 의료 영상에 존재하지 않는 구간, 즉 중간 단계에 해당하는 구간 (예를 들어, 당뇨성망막병증의 악성도에 따라 대표 영상으로 자연수 등급(1등급, 2등급 ?? 등)의 안저 영상만이 존재하는 경우, 1.2 등급, 2.3 등급 등)에 대해서는 학습 데이터가 누락되어 있기 때문에 인공 신경망의 판독 정확도가 감소할 수 있다.

본 발명은 미리 저장된 등급화된 의료 영상을 이용하여, 데이터베이스화되어있지 않은 등급에 대응되는 의료 영상을 생성함으로써, 의료 영상에 대한 판독을 보조할 수 있는 수단을 제공하고자 한다.

또한, 의료 영상으로부터 특징 벡터를 추출하는 판독 모델의 판독 정확성을 향상시킬 수 있는 판독 모델 학습 방법을 제공하고자 한다.

또한, 본 발명에 따른 영상 합성 방식은 각각의 의료 영상에 소정의 등급(예를 들어, 연령, 질환 진행 정도 등 임의의 수치화된 요소)이 부여된 임의의 의료 영상에 적용될 수 있다. 이를 통해 본 발명은 다양한 의료 영상 이용 분야에서 기 존재하는 의료 영상으로부터 존재하지 않는 등급에 해당하는 의료 영상을 생성하는 수단을 제공할 수 있다.

상기한 바와 같은 본 발명의 목적을 달성하고, 후술하는 본 발명의 특징적인 효과를 실현하기 위한 본 발명의 특징적인 구성은 하기와 같다.

일 실시예에 따른 의료 영상 생성 방법은 제1 후보 의료 영상 및 제2 후보 의료 영상 각각으로부터 제1 특징 벡터 및 제2 특징 벡터를 획득하는 단계; 상기 획득된 제1 특징 벡터와 상기 제2 특징 벡터를 합성하여 타깃 등급에 대응되는 제3 특징 벡터를 생성하되, 상기 타깃 등급은 상기 제1 후보 의료 영상에 대응되는 제1 등급과 상기 제2 후보 의료 영상에 대응되는 제2 등급 사이에 위치하는 단계; 및 상기 제3 특징 벡터에 기초하여 상기 타깃 등급에 대응되는 타깃 의료 영상을 생성하는 단계를 포함할 수 있다.

상기 제3 특징 벡터를 생성하는 단계에서 컴퓨팅 장치는 상기 제1 후보 의료 영상의 등급에 대응되는 제1 레이블과, 상기 제2 후보 의료 영상의 등급에 대응되는 제2 레이블의 가중 합에 기초하여 생성되는 제3 레이블이 상기 타깃 등급에 대응되도록 상기 제1 레이블에 대응되는 제1 가중치 및 상기 제2 레이블에 대응되는 제2 가중치를 결정하고, 상기 제1 가중치가 부여된 상기 제1 특징 벡터 및 상기 제2 가중치가 부여된 제2 특징 벡터의 합에 기초하여 상기 제3 특징 벡터를 생성할 수 있다.

상기 제3 특징 벡터를 생성하는 단계에서 상기 제1 등급 및 제2 등급 사이의 간격은 미리 설정된 소정의 간격보다 작거나 같도록 선택될 수 있다.

상기 타깃 의료 영상을 생성하는 단계에서 컴퓨팅 장치는 상기 제3 특징 벡터와 더불어, 상기 제1 후보 의료 영상 또는 상기 제2 후보 영상 중 어느 하나에 기초하여 상기 타깃 의료 영상을 생성할 수 있다.

상기 제1 특징 벡터 및 상기 제2 특징 벡터는, 미리 학습된 제1 판독 모델에 제1 후보 의료 영상 및 상기 제2 후보 의료 영상의 입력함으로써 추출되고, 상기 제1 판독 모델은, 대응되는 등급이 레이블링된 학습 의료 영상에 기초하여, 입력 의료 영상에 대한 특징 벡터를 추출하고, 추출한 특징 벡터에 기초하여 상기 입력 의료 영상에 대응되는 골 연령을 판독하도록 학습될 수 있다.

상기 제1 판독 모델은, 기 존재하는 둘 이상의 상기 학습 의료 영상이 합성된 합성 학습 의료 영상에 기초하여 추가적으로 학습되고, 상기 합성 학습 의료 영상은, 상기 학습 의료 영상에 존재하지 않는 등급에 대응될 수 있다.

상기 타깃 의료 영상은, 미리 학습된 제2 판독 모델에 상기 제3 특징 벡터를 입력하여 출력된 영상일 수 있다.

의료 영상을 생성하는 컴퓨팅 장치는 통신부; 및 프로세서를 포함하고, 상기 프로세서는, 입력된 타깃 등급에 대응되는 의료 영상을 생성하기 위해 획득된 제1 후보 의료 영상 및 제2 후보 의료 영상에 각각으로부터 획득한 제1 특징 벡터 및 제2 특징 벡터를 합성하여 상기 타깃 등급에 대응되는 제3 특징 벡터를 생성하고, 상기 제3 특징 벡터에 기초하여 상기 타깃 등급에 대응되는 타깃 의료 영상을 생성하고, 상기 타깃 등급은 상기 제1 후보 의료 영상에 대응되는 제1 등급과 상기 제2 후보 의료 영상에 대응되는 제2 등급 사이에 위치할 수 있다.

본 발명의 일 실시 예에 의하면, 데이터베이스화 되어 있지 않는 등급에 대응되는 의료 영상을 추가적으로 제공함으로써, 의료 영상에 대한 등급(질환의 악성도 등)에 대한 판독의 정확도를 향상시킬 수 있다.

또한, 가공된 학습 데이터를 이용하는 개선된 학습 방법에 기반하여, 의료 영상에서 특징 벡터를 추출하도록 학습되는 판독 모델의 성능을 향상시킬 수 있는 현저한 효과를 제공할 수 있다.

본 발명에 따르면 궁극적으로 의료진의 진단의 정확도를 향상시키고, 개별 등급에 대응하는 참조 의료 영상을 제공함으로써, 의료 현장에서의 워크플로(workflow)를 혁신할 수 있게 되는 잠재적 효과가 있다.

그리고 본 발명은, 종래에 병원에서 이용하고 있는 의료 영상이 그대로 활용될 수 있는 바, 본 발명의 방법이 특정 형식의 영상이나 플랫폼에 종속되지 않음은 물론이다.

본 발명의 실시 예의 설명에 이용되기 위하여 첨부된 아래 도면들은 본 발명의 실시 예들 중 단지 일부일 뿐이며, 본 발명이 속한 기술분야에서 통상의 지식을 가진 사람(이하 "통상의 기술자"라고 함)에게 있어서는 발명에 이르는 노력 없이 이 도면들에 기초하여 다른 도면들이 얻어질 수 있다.
도 1은 본 발명에 따른 의료 영상 생성 방법을 수행하는 컴퓨팅 장치의 예시적 구성을 개략적으로 도시한 개념도이다.
도 2은 본 발명에 따른 의료 영상 생성 방법을 수행하는 컴퓨팅 장치의 하드웨어 또는 소프트웨어 구성요소를 도시한 예시적 블록도이다.
도 3은 일 실시 예에 따른 의료 영상 생성 방법을 설명하기 위한 흐름도이다.
도 4는 본 발명에 따른 골 영상 생성 방법을 수행하는 컴퓨팅 장치의 하드웨어 또는 소프트웨어 구성요소를 도시한 예시적 블록도이다.
도 5은 일 실시 예에 따른 골 영상 생성 방법을 설명하기 위한 흐름도이다.
도 6은 일 실시 예에 따른 골 영상 생성 방법이 수행되는 일례를 도시하는 도면이다.
도 7는 연령에 따른 특징 벡터의 분포를 도시하는 도면이다.
도 8은 일 실시예에 따른 골 영상 생성 방법이 적용된 인터페이스의 일례를 도시하는 도면이다.

후술하는 본 발명에 대한 상세한 설명은, 본 발명의 목적들, 기술적 해법들 및 장점들을 분명하게 하기 위하여 본 발명이 실시될 수 있는 특정 실시 예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시 예는 통상의 기술자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다.

본 발명의 상세한 설명 및 청구항들에 걸쳐 이용된 "영상" 또는 "영상 데이터"라는 용어는 이산적 영상 요소들(예컨대, 2차원 영상에 있어서는 픽셀, 3차원 영상에 있어서는 복셀)로 구성된 다차원 데이터를 지칭한다. 예를 들어 "영상"은 X선 영상, (콘-빔형; cone-beam) 전산화 단층 촬영(computed tomography), MRI(magnetic resonance imaging), 초음파 또는 본 발명의 기술분야에서 공지된 임의의 다른 의료 영상 시스템의 의하여 수집된 피사체, 즉 피검체(subject)의 의료 영상일 수 있다. 또한 영상은 비의료적 맥락에서 제공될 수도 있는바, 예를 들어 원격 감지 시스템(remote sensing system), 전자현미경(electron microscopy) 등등이 있을 수 있다.

본 발명의 상세한 설명 및 청구항들에 걸쳐, '영상'은 (예컨대, 비디오 화면에 표시된) 눈으로 볼 수 있는 영상 또는 (예컨대, CT, MRI 검출기 등의 픽셀 출력에 대응되는 파일과 같은) 영상의 디지털 표현물을 지칭하는 용어이다.

본 발명의 상세한 설명 및 청구항들에 걸쳐 'DICOM(Digital Imaging and Communications in Medicine; 의료용 디지털 영상 및 통신)' 표준은 의료용 기기에서 디지털 영상 표현과 통신에 이용되는 여러 가지 표준을 총칭하는 용어인바, DICOM 표준은 미국 방사선 의학회(ACR)와 미국 전기 공업회(NEMA)에서 구성한 연합 위원회에서 발표한다.

또한, 본 발명의 상세한 설명 및 청구항들에 걸쳐 '의료영상 저장 전송 시스템(PACS; picture archiving and communication system)'은 DICOM 표준에 맞게 저장, 가공, 전송하는 시스템을 지칭하는 용어이며, X선, CT, MRI와 같은 디지털 의료영상 장비를 이용하여 획득된 의료영상 이미지는 DICOM 형식으로 저장되고 네트워크를 통하여 병원 내외의 단말로 전송이 가능하며, 이에는 판독 결과 및 진료 기록이 추가될 수 있다.

그리고 본 발명의 상세한 설명 및 청구항들에 걸쳐 '학습' 혹은 '러닝'은 절차에 따른 컴퓨팅(computing)을 통하여 기계 학습(machine learning)을 수행함을 일컫는 용어인바, 인간의 교육 활동과 같은 정신적 작용을 지칭하도록 의도된 것이 아님을 통상의 기술자는 이해할 수 있을 것이다.

그리고 본 발명의 상세한 설명 및 청구항들에 걸쳐, '포함하다'라는 단어 및 그 변형은 다른 기술적 특징들, 부가물들, 구성요소들 또는 단계들을 제외하는 것으로 의도된 것이 아니다. 또한, '하나' 또는 '한'은 하나 이상의 의미로 쓰인 것이며, '또 다른'은 적어도 두 번째 이상으로 한정된다.

통상의 기술자에게 본 발명의 다른 목적들, 장점들 및 특성들이 일부는 본 설명서로부터, 그리고 일부는 본 발명의 실시로부터 드러날 것이다. 아래의 예시 및 도면은 실례로서 제공되며, 본 발명을 한정하는 것으로 의도된 것이 아니다. 따라서, 특정 구조나 기능에 관하여 본 명세서에 개시된 상세 사항들은 한정하는 의미로 해석되어서는 아니되고, 단지 통상의 기술자가 실질적으로 적합한 임의의 상세 구조들로써 본 발명을 다양하게 실시하도록 지침을 제공하는 대표적인 기초 자료로 해석되어야 할 것이다.

더욱이 본 발명은 본 명세서에 표시된 실시 예들의 모든 가능한 조합들을 망라한다. 본 발명의 다양한 실시 예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시 예에 관련하여 본 발명의 사상 및 범위를 벗어나지 않으면서 다른 실시 예로 구현될 수 있다. 또한, 각각의 개시된 실시 예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 사상 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.

본 명세서에서 달리 표시되거나 분명히 문맥에 모순되지 않는 한, 단수로 지칭된 항목은, 그 문맥에서 달리 요구되지 않는 한, 복수의 것을 아우른다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.

이하, 통상의 기술자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 바람직한 실시 예들에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.

도 1은 본 발명에 따른 의료 영상 생성 방법을 수행하는 컴퓨팅 장치의 예시적 구성을 개략적으로 도시한 개념도이다.

도 1을 참조하면, 본 발명의 일 실시 예에 따른 컴퓨팅 장치(100)는, 통신부(110) 및 프로세서(120)를 포함하며, 상기 통신부(110)를 통하여 외부 컴퓨팅 장치(미도시)와 직간접적으로 통신할 수 있다.

구체적으로, 상기 컴퓨팅 장치(100)는, 전형적인 컴퓨터 하드웨어(예컨대, 컴퓨터 프로세서, 메모리, 스토리지, 입력 장치 및 출력 장치, 기타 기존의 컴퓨팅 장치의 구성요소들을 포함할 수 있는 장치; 라우터, 스위치 등과 같은 전자 통신 장치; 네트워크 부착 스토리지(NAS; network-attached storage) 및 스토리지 영역 네트워크(SAN; storage area network)와 같은 전자 정보 스토리지 시스템)와 컴퓨터 소프트웨어(즉, 컴퓨팅 장치로 하여금 특정의 방식으로 기능하게 하는 명령어들)의 조합을 이용하여 원하는 시스템 성능을 달성하는 것일 수 있다.

이와 같은 컴퓨팅 장치의 통신부(110)는 연동되는 타 컴퓨팅 장치와 요청과 응답을 송수신할 수 있는바, 일 예시로서 그러한 요청과 응답은 동일한 TCP(transmission control protocol) 세션(session)에 의하여 이루어질 수 있지만, 이에 한정되지는 않는바, 예컨대 UDP(user datagram protocol) 데이터그램(datagram)으로서 송수신될 수도 있을 것이다. 덧붙여, 넓은 의미에서 상기 통신부(110)는 명령어 또는 지시 등을 전달받기 위한 키보드, 마우스, 기타 외부 입력장치, 프린터, 디스플레이, 기타 외부 출력장치를 포함할 수 있다.

또한, 컴퓨팅 장치의 프로세서(120)는 MPU(micro processing unit), CPU(central processing unit), GPU(graphics processing unit) 또는 TPU(tensor processing unit), 캐시 메모리(cache memory), 데이터 버스(data bus) 등의 하드웨어 구성을 포함할 수 있다. 또한, 운영체제, 특정 목적을 수행하는 애플리케이션의 소프트웨어 구성을 더 포함할 수도 있다.

또한, 본원 발명은 임의의 기준에 따라 등급화가 진행된 의료 영상에 적용될 수 있다. 등급화가 진행된 의료 영상의 일례는 영상에 포함된 안구에 대한 당뇨성망막병증의 진행 정도가 등급화되어 레이블링된 안저 영상을 포함할 수 있으나, 본원 발명의 권리범위는 이에 한정되지 않고, 연령에 따른 등급화가 진행된 골 영상 등 임의의 조건에 따라 등급화되어 있는 의료 영상에 적용가능하다는 것은 통상의 기술자가 이해할 것이다.

본원 발명이 골 영상에 적용되는 실시예의 경우, 골 영상의 일례로 골 X선 영상을 대상으로 하고 있으나, 본원 발명의 권리범위는 이에 한정되지 않고, 일반적인 형태의 골 영상에 모두 적용이 가능하고, 대상이 되는 영상의 골 연령을 판독하는 과정에서 적용될 수 있다는 점은 통상의 기술자가 용이하게 이해할 것이다.

도 2는 본 발명에 따른 의료 영상 생성 방법을 수행하는 컴퓨팅 장치의 하드웨어 또는 소프트웨어 구성요소를 도시한 예시적 블록도이다.

도 2에 도시된 개별 모듈들은, 예컨대, 컴퓨팅 장치(100)에 포함된 통신부(110)나 프로세서(120), 또는 상기 통신부(110) 및 프로세서(120)의 연동에 의하여 구현될 수 있음은 통상의 기술자가 이해할 수 있을 것이다.

도 2를 참조하여 본 발명에 따른 방법 및 장치의 구성을 간략히 개관하면, 컴퓨팅 장치(100)는 그 구성요소로서 타깃 등급 정보 수신 모듈(210)을 포함할 수 있다. 타깃 등급 정보 수신 모듈(210)은 컴퓨팅 장치에 포함되는 입력 장치, 연동된 사용자 단말로부터 타깃 등급 정보를 수신할 수 있다. 본 명세서에서 언급되는 등급이란, 임의의 조건에 따라 의료 영상에 대해 수치화된 등급을 의미할 수 있다. 예를 들어, 안저 영상의 경우 당뇨성망막병증의 진행 정도에 따라 정상 상태에 대응되는 0 등급에서 진행 정도가 최대 수준인 4 등급으로 분류될 수 있다. 이외에도, 골 영상은 앞서 설명된 바와 같이 골 연령에 따라 등급이 분류될 수 있으며, 추가적으로, 골 영상에 존재하는 병변의 악성도에 따라 개별 골 영상의 등급이 결정될 수 있다. 이와 같이 본 명세서에서 언급되는 등급은 소정의 조건(예를 들어, 연령, 병변의 악성도, 소정 질환의 진행 정도 등)에 기초하여 개별 의료 영상에 대해 결정되는 수치화된 정보를 의미할 수 있음은 통상의 기술자가 이해할 것이다. 또한, 타깃 등급 정보는 기 존재하는 의료 영상을 통해 새롭게 생성하고자 하는 의료 영상의 등급에 대한 정보를 의미할 수 있다.

타깃 등급 정보 수신 모듈(210)을 통해 획득한 타깃 등급 정보에 기초하여, 특징 벡터 획득 모듈(220)은 타깃 등급 정보에 대응되는 의료 영상을 생성하기 위한 특징 벡터를 획득할 수 있다.

일 실시예에 따르면, 특징 벡터 획득 모듈(220)은 입력 의료 영상에서 특징 벡터를 추출하고, 이에 기반하여 의료 영상의 등급을 판독하도록 미리 학습된 제1 판독 모델을 포함할 수 있다. 제1 판독 모델은 예를 들어, DNN (Deep Neural Network), CNN (Convolutional Neural Network), DCNN (Deep Convolution Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), SSD (Single Shot Detector), YOLO (You Only Look Once) 등이 이용될 수 있음은 통상의 기술자가 이해할 것이다. 본 발명에서 사용될 수 있는 인공 신경망의 종류는 제시된 예시에 한정되지 않고, 레이블링된 학습 데이터에 기반하여 의료 영상에서 특징 벡터를 추출하고, 추출된 특징 벡터에 기초하여 의료 영상의 등급을 판독하도록 학습될 수 있는 임의의 인공 신경망을 포함할 수 있다는 점은 통상의 기술자가 이해할 수 있을 것이다.

일 실시예에 따르면, 특징 벡터 획득 모듈(220)에 포함된 제1 판독 모델은, 대응되는 등급이 레이블링된 학습 의료 영상에 기초하여, 입력 의료 영상에 대한 특징 벡터를 추출하고, 추출한 특징 벡터에 기초하여 입력 의료 영상에 대응되는 등급을 판독하도록 미리 학습될 수 있다.

또한, 제1 판독 모델은 기 존재하는 학습 의료 영상 사이의 합성에 기초하여 생성된 합성 학습 의료 영상에 기초하여 추가적인 학습이 진행될 수 있다. 예를 들어, 기 존재하는 학습 의료 영상에 당뇨성망막병증의 진행 정도가 1등급, 3등급에 대응되는 안저 영상이 포함된 경우, 제1 판독 모델은 기 존재하는 1등급, 3등급에 대응되는 안저 영상과 더불어, 1등급, 3등급에 대응되는 안저 영상의 합성에 기초하여 생성된 2등급에 대응되는 안저 영상에 기초하여 학습이 진행될 수 있다. 기 존재하는 학습 의료 영상을 이용한 합성 학습 의료 영상의 생성은 이하 설명되는 합성 모듈(230) 및 의료 영상 생성 및 전송 모듈(240)의 동작에 기초하여 수행될 수 있다. 또한, 합성 학습 의료 영상이 생성되는 방식은 예시된 바에 한정되지 않고, 기 존재하는 학습 의료 영상을 토대로 보다 다양한 등급의 합성 학습 의료 영상이 생성될 수 있다. 예를 들어, 1등급 및 3등급에 대응되는 학습 안저 영상을 통해, 1.6등급, 2.2등급, 2.5등급 등에 대응되는 합성 학습 안저 영상이 생성될 수 있다.

특징 벡터 획득 모듈(220)은 제1 판독 모델의 중간 레이어의 출력을 특징 벡터로 획득하는 동작을 통해 입력 의료 영상에 대한 특징 벡터를 획득할 수 있다.

특징 벡터 획득 모듈(220)은 타깃 등급에 상응하는 의료 영상을 생성하기 위한 제1 후보 의료 영상 및 제2 후보 의료 영상을 획득하고, 제1 판독 모델을 통해 제1 후보 의료 영상 및 제2 후보 의료 영상 각각에 대응되는 제1 특징 벡터 및 제2 특징 벡터를 추출할 수 있다. 예를 들어, 안저 영상에 대해 타깃 등급 정보가 당뇨성망막병증의 진행 정도인 2 등급으로 입력된 경우, 특징 벡터 획득 모듈(220)은 정상 상태에 해당하는 0 등급의 제1 후보 의료 영상(제1 후보 안저 영상)과 당뇨성망막병증이 일정 정도 진행된 3 등급의 제2 의료 영상(제2 후보 안저 영상)을 획득하고, 각각의 후보 의료 영상에 대응하는 제1 특징 벡터 및 제2 특징 벡터를 추출할 수 있다. 후보 안저 영상의 획득하는 방식은 제시된 예시적인 방식에 한정되는 것은 아니고, 1 등급의 제1 후보 안저 영상과 4 등급의 제2 후보 안저 영상이 2 등급인 타깃 등급에 대응되는 안저 영상을 생성하기 위하여 획득될 수 있음은 통상의 기술자가 이해할 것이다.

다른 실시예에 따르면, 특징 벡터 획득 모듈(220)은 데이터베이스화된 특징 벡터들 중, 타깃 등급 정보에 대응되는 제1 특징 벡터 및 제2 특징 벡터를 획득할 수 있다. 실시예에 따라서, 각각의 등급에 대응되는 특징 벡터가 데이터베이스화될 수 있고, 타깃 등급이 2 등급인 경우, 특징 벡터 획득 모듈(220)은 0 등급에 대응하는 특징 벡터 및 3 등급에 대응하는 특징 벡터를 데이터베이스에서 획득할 수 있다.

합성 모듈(230)은 특징 벡터 획득 모듈(220)을 통해 획득한 제1 특징 벡터 및 제2 특징 벡터를 합성하여, 타깃 등급 정보에 대응되는 제3 특징 벡터를 생성할 수 있다. 구체적으로, 합성 모듈(230)은 소정의 조건에 기초하여 제1 특징 벡터 및 제2 특징 벡터를 합성할지 여부를 우선적으로 결정할 수 있다. 예를 들어, 합성 모듈(230)은 수학식 1에 기초하여, 제1 특징 벡터 및 제2 특징 벡터를 합성할지 여부를 결정할 수 있다.

는 제1 특징 벡터에 대응되는 제1 레이블(등급), 는 제2 특징 벡터에 대응되는 제2 레이블(등급), 은 미리 설정된 임계값을 나타낼 수 있다.

은 합성 결과의 정확성을 위해 미리 설정되는 임계값일 수 있다. 구체적으로, 당뇨성망막병증 2등급에 대응되는 특징 벡터를 생성하기 위하여 당뇨성망막병증이 발생하지 않는 안저 영상에 해당하는 0등급에 대응되는 특징 벡터 및 당뇨성망막병증 4등급에 대응되는 특징 벡터를 사용하는 경우보다, 당뇨성망막병증 1등급에 대응되는 특징 벡터 및 당뇨성망막병증 3등급에 대응되는 특징 벡터를 이용하는 것이 보다 정확도가 높은 결과가 산출될 수 있다. 따라서, 합성 모듈(230)은 소정의 임계값에 따라 특징 벡터의 합성 여부를 결정할 수 있다.

다른 실시예에 따르면, 합성 모듈(230)은 특징 벡터의 레이블 사이의 간격이 임계값 이하인 경우, 소정의 확률에 따라 합성을 진행할 지 여부를 결정할 수 있다.

합성 모듈(230)은 수학식 1에 기초하여, 특징 벡터를 합성하기로 결정된 경우, 수학식 2 및 수학식 3에 기초하여 특징 벡터 및 특징 벡터에 대응하는 레이블의 합성을 진행할 수 있다.

, , 는 각각 제1 특징 벡터, 제2 특징 벡터 및 제3 특징 벡터이고, , , 는 각각 제1 특징 벡터에 대응되는 제1 레이블, 제2 특징 벡터에 대응되는 제2 레이블 및 제3 특징 벡터에 대응되는 제3 레이블을 의미하고, 는 합성 정도를 나타내는 임의의 변수일 수 있으며, 예를 들어, 는 beta 분포를 따르는 변수일 수 있다.

수학식 2 및 수학식 3에 기초하여 제3 특징 벡터 및 이에 대응하는 제3 레이블(등급)이 결정될 수 있다.

합성 모듈(230)이 합성을 진행하는 방식은 Linear interpolation 또는 Fully connected layer를 이용하는 방식을 포함하는 임의의 데이터 합성 방식을 포함할 수 있음은 통상의 기술자가 이해할 것이다.

의료 영상 생성 및 전송 모듈(240)은 합성 모듈(230)을 통해 생성한 제3 특징 벡터에 기초하여 타깃 등급에 상응하는 의료 영상을 생성할 수 있다. 구체적으로, 의료 영상 생성 및 전송 모듈(240)은 생성하고자 하는 목적 의료 영상에 대응되는 특징 정보를 입력으로, 위 특징 정보에 대응되는 목적 의료 영상을 생성하도록 미리 학습된 제2판독 모델을 이용하여 타깃 의료 영상을 생성할 수 있다. 예를 들어,제2 판독 모델은 Autoencoder, GAN(예를 들어, CycleGAN, BiBigGAN)과 같은 인공 신경망 모델을 포함할 수 있고, 이에 기초하여 타깃 등급에 상응하는 의료 영상이 생성될 수 있다. 의료 영상 생성 및 전송 모듈(240)은 제2 판독 모델에 제3 특징 벡터(예를 들어, 후보 의료 영상으로부터 획득한 특징 벡터의 합성에 기초하여 생성된 특징 벡터)를 입력하여 제3 특징 벡터에 대응되는 의료 영상(타깃 등급에 대응되는 의료 영상)을 생성할 수 있다.

추가적으로, 제2 판독 모델에 포함되는 인공 신경망은 생성하고자 하는 목적 의료 영상에 대응되는 특징 벡터와 더불어 초기 의료 영상을 입력으로하여 특징 벡터에 대응되는 목적 의료 영상을 생성하도록 미리 학습될 수 있다. 초기 의료 영상은 목적 의료 영상이 제공될 수 있으나, 이에 한정되는 것은 아니고, 임의의 의료 영상이 제공될 수 있다.

초기 의료 영상을 추가적인 입력으로하여 학습된 제2 판독 모델을 이용하여, 의료 영상 생성 및 전송 모듈(240)은 제3 특징 벡터 및, 제3 특징 벡터의 생성의 기초가 된 제1 후보 의료 영상 또는 제2 후보 의료 영상으로부터 제3 특징 벡터에 대응되는 타깃 의료 영상을 생성할 수 있다. 제3 특징 벡터와 더불어 초기 의료 영상을 입력으로 타깃 의료 영상을 생성하도록 학습된 제2 판독 모델은 특징 벡터만을 이용하는 경우보다 개선된 품질의 타깃 의료 영상을 생성할 수 있다.

통상의 기술자는 의료 영상 생성 및 전송 모듈(240)이 제시된 예시에 한정되지 않고, 후보 의료 영상으로부터 추출한 특징 벡터의 합성에 기초하여 타깃 의료 영상을 생성하는 임의의 방식을 통해 구현될 수 있음을 용이하게 이해할 수 있다.

의료 영상 생성 및 전송 모듈(240)은 생성된 의료 영상을 데이터베이스에 저장하거나, 외부 엔티티에 제공할 수 있다. 의료 영상이 외부 엔티티에 제공되는 때, 의료 영상 생성 및 전송 모듈(240)은 소정의 디스플레이 장치 등을 이용하거나, 구비된 통신부를 통해 외부 엔티티에 생성된 의료 영상을 제공할 수 있다. 여기에서 외부 엔티티의 의미는 상기 컴퓨팅 장치(100)의 사용자, 관리자, 담당 의료 전문가 등을 포함하나, 이 이외에도 상기 타깃 연령에 대한 골 영상을 필요로 하는 주체라면 어느 주체라도 포함되는 것으로 이해되어야 할 것이다. 예를 들어, 상기 외부 엔티티는 상기 골 영상을 활용하는 별도의 AI(artificial intelligence; 인공지능) 하드웨어 및/또는 소프트웨어 모듈을 포함하는 외부의 AI 장치일 수도 있다. 또한, 외부 엔티티에서의 '외부(external)'는 상기 골 영상을 이용하는 AI 하드웨어 및/또는 소프트웨어 모듈이 상기 컴퓨팅 장치(100)에 일체화되는 실시 예를 배제하도록 의도된 것이 아니라, 본 발명의 방법을 수행하는 하드웨어 및/또는 소프트웨어 모듈의 결과물인 골 영상이 타 방법의 입력 데이터로 활용될 수 있음을 시사하도록 이용된 것임을 밝혀둔다. 즉, 상기 외부 엔티티는 컴퓨팅 장치(100) 자체일 수도 있다.도 2에 나타난 구성요소들은 설명의 편의상 하나의 컴퓨팅 장치에서 실현되는 것으로 예시되었으나, 본 발명의 방법을 수행하는 컴퓨팅 장치(100)는 복수개가 서로 연동되도록 구성될 수도 있다는 점이 이해될 것이다.

도 3은 일 실시 예에 따른 의료 영상 생성 방법을 설명하기 위한 흐름도이다.

도 3을 참조하면, 컴퓨팅 장치는 단계(310)에서 타깃 등급 정보를 수신할 수 있다. 타깃 등급 정보는 새롭게 생성하고자 하는 의료 영상의 타깃 등급에 대한 정보에 해당하며 통신부를 통해 외부 엔티티로부터 수신하거나 구비된 입력 장치를 통해 입력받을 수 있음은 통상의 기술자가 이해할 것이다.

컴퓨팅 장치는 단계(320)에서 타깃 등급 정보에 대응되는 의료 영상을 생성하기 위한 제1 후보 의료 영상 및 제2 후보 의료 영상을 획득할 수 있다. 컴퓨팅 장치는 제1 후보 의료 영상에 대응되는 등급 및 제2 후보 의료 영상에 대응되는 등급 사이에 상기 타깃 등급이 포함되는 경우, 제1 후보 의료 영상의 등급 및 제2 후보 의료 영상의 등급 사이의 간격이 미리 설정된 소정의 간격보다 작은지 여부를 판단할 수 있다. 컴퓨팅 장치는 제1 후보 의료 영상의 등급 및 제2 후보 의료 영상의 등급 사이의 간격이 미리 설정된 소정의 간격보다 작거나 같은 경우, 이후 단계(330)를 수행할 수 있다. 컴퓨팅 장치는 제1 후보 의료 영상의 등급 및 제2 후보 의료 영상의 등급 사이의 간격이 미리 설정된 소정의 간격보다 큰 경우, 해당 간격이 미리 설정된 소정의 간격보다 작거나 같도록 제1 후보 의료 영상 및 제2 후보 의료 영상을 다시 획득하는 과정을 수행할 수 있다. 이는 타깃 등급에 대응되는 의료 영상을 생성하는 과정에서, 타깃 등급에 가까운 등급에 대응하는 의료 영상을 이용하여 산출 결과의 정확도를 향상시키기 위함이다.

컴퓨팅 장치는 단계(330)에서 미리 학습된 제1 판독 모델에 기초하여, 상기 제1 후보 의료 영상 및 제2 후보 의료 영상 각각에 대한 제1 특징 벡터 및 제2 특징 벡터를 획득할 수 있다. 제1 판독 모델은 앞서 설명한 바와 같이, 입력 의료 영상에서 특징 벡터를 추출하고, 이에 기초하여 입력 의료 영상의 등급을 판독하도록 학습된 인공 신경망 일 수 있다.

제1 판독 모델은 앞서 설명된 바와 같이 가공된 학습 의료 영상(기 존재하는 학습 영상에 기초한 학습과 더불어, 기존 학습 영상의 합성에 기초하여 생성된 합성 학습 영상을 포함)에 기초하여, 입력 의료 영상의 특징 벡터를 추출하고, 추출된 특징 벡터에 기초하여 입력 의료 영상의 등급을 산출하도록 추가적으로 학습된 것일 수 있다. 대응되는 등급이 레이블링된 의료 영상을 학습데이터로 이용하여, 제1 판독 모델이 의료 영상의 등급을 판독하도록 학습되는 방식은 통상의 기술자가 용이하게 이해할 수 있을 것이다. 본 발명에서 사용되는 제1 판독 모델은 판독의 정확도를 향상시키기 위하여 가공된 학습 의료 영상을 이용하여 학습될 수 있다. 구체적으로, 가공된 학습 의료 영상은, 기존의 학습 의료 영상과 더불어, 학습 의료 영상 내에서 획득한 제1 학습 의료 영상 및 제2 학습 의료 영상을 합성하여 생성되는 제3 학습 의료 영상을 더 포함할 수 있다. 제3 학습 의료 영상은 제1 학습 의료 영상에 대응되는 제1 등급 및 제2 학습 의료 영상에 대응되는 제2 등급 사이의 등급에 대응되는 제3 등급에 대응될 수 있다. 가공된 학습 데이터는 기존 학습 데이터에 비해 개별 등급에 대응되는 요소들을 빠짐없이 포함할 수 있다. 본원 발명은 가공된 학습 데이터를 이용하여 학습된 제1 판독 모델을 통해 보다 정확도 높은 판독 결과를 제공할 수 있다.

컴퓨팅 장치는 단계(340)에서 제1 특징 벡터 및 상기 제2 특징 벡터를 합성하여 상기 타깃 등급에 대응되는 제3 특징 벡터를 생성할 수 있다. 컴퓨팅 장치는 제1 특징 벡터 및 제2 특징 벡터를 보간(interpolation)함으로써, 제3 특징 벡터를 생성할 수 있으며, 제3 특징 벡터를 생성하는 방식은 앞서 설명된 수학식 1 내지 수학식 3에 설명된 바와 같다.

컴퓨팅 장치는 단계(350)에서 제3 특징 벡터에 기초하여, 상기 타깃 등급에 대응되는 타깃 의료 영상을 생성할 수 있다.

도 4는 본 발명에 따른 골 영상 생성 방법을 수행하는 컴퓨팅 장치의 하드웨어 또는 소프트웨어 구성요소를 도시한 예시적 블록도이다.

도 4에 도시된 개별 모듈들은, 예컨대, 컴퓨팅 장치(100)에 포함된 통신부(110)나 프로세서(120), 또는 상기 통신부(110) 및 프로세서(120)의 연동에 의하여 구현될 수 있음은 통상의 기술자가 이해할 수 있을 것이다.

도 4를 참조하여 본 발명에 따른 방법 및 장치의 구성을 간략히 개관하면, 컴퓨팅 장치(100)는 그 구성요소로서 타깃 골 연령 정보 수신 모듈(410)을 포함할 수 있다. 타깃 골 연령 정보 수신 모듈(410)은 컴퓨팅 장치에 포함되는 입력 장치, 연동된 사용자 단말로부터 목표 골 연령 정보를 수신할 수 있다.

타깃 골 연령 정보 수신 모듈(410)을 통해 획득한 타깃 골 연령 정보에 기초하여, 특징 벡터 획득 모듈(420)은 타깃 골 연령 정보에 대응되는 골 영상을 생성하기 위한 특징 벡터를 획득할 수 있다.

일 실시예에 따르면, 특징 벡터 획득 모듈(420)은 입력 골 영상에서 특징 벡터를 추출하고, 추출된 특징 벡터에 기반하여 골 연령을 판독하도록 미리 학습된 제1' 판독 모델을 포함할 수 있다. 제1' 판독 모델은 예를 들어, DNN (Deep Neural Network), CNN (Convolutional Neural Network), DCNN (Deep Convolution Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), SSD (Single Shot Detector), YOLO (You Only Look Once) 등이 이용될 수 있음은 통상의 기술자가 이해할 것이다. 본 발명에서 사용될 수 있는 인공 신경망의 종류는 제시된 예시에 한정되지 않고, 레이블링된 학습 데이터에 기반하여 골 영상에서 특징 벡터를 추출하고, 추출된 특징 벡터에 기초하여 골 연령을 판독하도록 학습될 수 있는 임의의 인공 신경망을 포함할 수 있다는 점은 통상의 기술자가 이해할 수 있을 것이다.

일 실시예에 따르면, 특징 벡터 획득 모듈(420)에 포함된 제1' 판독 모델은, 대응되는 연령이 레이블링된 학습 골 영상에 기초하여, 입력 골 영상에 대한 특징 벡터를 추출하고, 추출한 특징 벡터에 기초하여 입력 골 영상에 대응되는 골 연령을 판독하도록 미리 학습될 수 있다.

또한, 제1' 판독 모델은 기 존재하는 둘 이상의 학습 골 영상을 합성하여 생성된 합성 학습 골 영상에 기초하여 추가적인 학습이 진행될 수 있다. 예를 들어, 기 존재하는 학습 골 영상에 1세 , 3세에 대응되는 골 영상이 포함된 경우, 기 존재하는 1세, 3세에 대응되는 골 영상과 더불어, 1세, 3세에 대응되는 골 영상의 합성에 기초하여 생성된 2세에 대응되는 골 영상에 기초하여 제1' 판독 모델에 대한 학습이 진행될 수 있다. 기 존재하는 학습 골 영상에 기초하여 합성 학습 골 영상을 생성하는 방식은 이하 설명되는 합성 모듈(430) 및 골 영상 생성 및 전송 모듈(440)의 동작에 기초하여 수행될 수 있음은 통상의 기술자가 이해할 것이다. 또한, 합성 학습 골 영상이 생성되는 방식은 예시된 바에 한정되지 않고, 기 존재하는 학습 골 영상을 토대로 보다 다양한 연령의 합성 학습 골 영상이 생성될 수 있다. 예를 들어, 1세 및 3세에 대응되는 학습 골 영상을 통해, 1.6세, 2.2세, 2.5세 등에 대응되는 합성 학습 골 영상이 생성될 수 있으며, 이는 이하 설명되는 합성 모듈(430) 및 골 영상 생성 및 전송 모듈(440)의 동작 방식에 기초하여 수행될 수 있다.

특징 벡터 획득 모듈(420)은 제1' 판독 모델을 내의 중간 레이어의 출력을 특징 벡터로 획득하는 동작을 통해 입력 골 영상에 대한 특징 벡터를 획득할 수 있다.

특징 벡터 획득 모듈(420)은 타깃 골 연령에 상응하는 적어도 둘 이상의 후보 골 영상을 획득하고, 미리 학습된 제1' 판독 모델을 통해 골 영상에 대응되는 특징 벡터를 추출할 수 있다. 예를 들어, 타깃 골 연령이 4세인 경우, 특징 벡터 획득 모듈은 3세에 대응하는 제1 후보 골 영상 및 5세에 대응하는 제2 후보 골 영상을 획득하고, 각각의 영상에 대응하는 제1' 특징 벡터 및 제2' 특징 벡터를 추출할 수 있다.

다른 실시예에 따르면, 특징 벡터 획득 모듈(420)은 데이터베이스화된 특징 벡터들 중, 타깃 골 연령에 대응되는 제1' 특징 벡터 및 제2' 특징 벡터를 획득할 수 있다. 실시예에 따라서, 각각의 연령에 대응되는 특징 벡터가 데이터베이스화될 수 있고, 타깃 연령이 4세인 경우, 특징 벡터 획득 모듈(420)은 3세에 대응하는 특징 벡터 및 5세에 대응하는 특징 벡터를 데이터베이스에서 획득할 수 있다.

합성 모듈(430)은 특징 벡터 획득 모듈(420)을 통해 획득한 제1' 특징 벡터 및 제2' 특징 벡터를 합성하여, 타깃 연령에 대응되는 제3' 특징 벡터를 생성할 수 있다. 구체적으로, 합성 모듈(430)은 소정의 조건에 기초하여 제1' 특징 벡터 및 제2' 특징 벡터를 합성할지 여부를 우선적으로 결정할 수 있다. 예를 들어, 합성 모듈(430)은 수학식 4에 기초하여, 제1' 특징 벡터 및 제2' 특징 벡터를 합성할지 여부를 결정할 수 있다.

는 제1' 특징 벡터에 대응되는 제1' 레이블(나이), 는 제2' 특징 벡터에 대응되는 제2' 레이블(나이), 은 미리 설정된 임계값을 나타낼 수 있다.

은 합성 결과의 정확성을 위해 미리 설정되는 임계값일 수 있다. 구체적으로, 10세에 대응되는 특징 벡터를 생성하기 위하여 1세에 대응되는 특징 벡터 및 19세에 대응되는 특징 벡터를 사용하는 경우보다, 9세에 대응되는 특징 벡터 및 11세에 대응되는 특징 벡터를 이용하는 것이 보다 정확도가 높은 결과가 산출될 수 있다. 따라서, 합성 모듈(430)은 소정의 임계값에 따라 특징 벡터의 합성 여부를 결정할 수 있다.

다른 실시예에 따르면, 합성 모듈(430)은 특징 벡터의 레이블 사이의 간격이 임계값 이하인 경우, 소정의 확률에 따라 합성을 진행할 지 여부를 결정할 수 있다.

합성 모듈(430)은 수학식 4에 기초하여, 특징 벡터를 합성하기로 결정된 경우, 수학식 5 및 수학식 6에 기초하여 특징 벡터 및 특징 벡터에 대응하는 레이블의 합성을 진행할 수 있다.

, , 는 제1 후보 골 영상, 제2 후보 골 영상, 및 타깃 연령에 대응되는 골 영상 각각에 대응되는 제1' 특징 벡터, 제2' 특징 벡터, 제3' 특징 벡터이고, , , 는 각각 제1' 특징 벡터에 대응되는 제1' 레이블(나이), 제2' 특징 벡터에 대응되는 제2' 레이블(나이), 제3' 특징 벡터에 대응되는 제3' 레이블(나이)을 의미하고, 는 합성 정도를 나타내는 임의의 변수일 수 있으며, 예를 들어, 는 beta 분포를 따르는 변수일 수 있다.

수학식 5 및 수학식 6에 기초하여 제3' 특징 벡터 및 이에 대응하는 제3' 레이블(나이)가 결정될 수 있다.

합성 모듈(430)이 합성을 진행하는 방식은 Linear interpolation 또는 Fully connected layer를 이용하는 방식을 포함하는 임의의 데이터 합성 방식을 포함할 수 있음은 통상의 기술자가 이해할 것이다.

골 영상 생성 및 전송 모듈(440)은 합성 모듈(430)을 통해 생성한 제3' 특징 벡터에 기초하여 타깃 연령에 상응하는 골 영상을 생성할 수 있다. 보다 구체적으로, 골 영상 생성 및 전송 모듈(240)은 생성하고자 하는 목적 골 영상에 대응되는 특징 정보를 입력으로, 위 특징 정보에 대응되는 목적 골 영상을 생성하도록 미리 학습된 제2' 판독 모델을 이용하여 타깃 골 영상을 생성할 수 있다. 예를 들어, 제2' 판독 모델은 Autoencoder, GAN(Generative Adversarial Network)(예를 들어, CycleGAN, BiBigGAN)과 같은 인공 신경망 모델을 포함할 수 있고, 이에 기초하여 타깃 연령에 상응하는 골 영상이 생성될 수 있다. 골 영상 생성 및 전송 모듈(440)은 제2' 판독 모델에 제3' 특징 벡터(예를 들어 후보 골 영상으로부터 추출한 특징 벡터의 합성에 기초하여 생성된 특징 벡터)를 입력하여 제3' 특징 벡터에 대응되는 타깃 골 영상(타깃 연령에 대응되는 골 영상)을 생성할 수 있다.

추가적으로, 제2' 판독 모델에 포함되는 인공 신경망은 생성하고자 하는 목적 골 영상에 대응되는 특징 벡터와 더불어 초기 골 영상을 입력으로하여 특징 벡터에 대응되는 타깃 골 영상을 생성하도록 미리 학습될 수 있다. 초기 골 영상은 목적 골 영상으로 입력될 수 있으나, 이에 한정되는 것이 아니고 임의의 골 영상이 제공될 수 있다.

골 영상 생성 및 전송 모듈(440)은 제3' 특징 벡터 및, 제3' 특징 벡터의 생성의 기초가 된 제1 후보 골 영상 또는 제2 후보 골 영상을 제2' 판독 모델에 입력하여 제3' 특징 벡터에 대응되는 타깃 골 영상을 생성할 수 있다. 제3' 특징 벡터와 더불어 초기 골 영상을 입력으로 타깃 골 영상을 생성하도록 학습된 제2' 판독 모델은 특징 벡터만을 이용하는 경우보다 개선된 품질의 타깃 골 영상을 생성할 수 있음은 통상의 기술자가 이해할 것이다.

통상의 기술자는 골 영상 생성 및 전송 모듈(440)이 제시된 예시에 한정되지 않고, 특징 벡터에 기반하여 골 영상을 생성하는 임의의 방식을 통해 구현될 수 있음을 용이하게 이해할 수 있다.

골 영상 생성 및 전송 모듈(440)은 생성된 골 영상을 데이터베이스에 저장하거나, 외부 엔티티에 제공할 수 있다. 골 영상이 외부 엔티티에 제공되는 때, 골 영상 생성 및 전송 모듈(440)은 소정의 디스플레이 장치 등을 이용하거나, 구비된 통신부를 통해 외부 엔티티에 생성된 골 영상을 제공할 수 있다. 여기에서 외부 엔티티라고 함은, 상기 컴퓨팅 장치(100)의 사용자, 관리자, 담당 의료 전문가 등을 포함하나, 이 이외에도 상기 타깃 연령에 대한 골 영상을 필요로 하는 주체라면 어느 주체라도 포함되는 것으로 이해되어야 할 것이다. 예를 들어, 상기 외부 엔티티는 상기 골 영상을 활용하는 별도의 AI(artificial intelligence; 인공지능) 하드웨어 및/또는 소프트웨어 모듈을 포함하는 외부의 AI 장치일 수도 있다. 또한, 외부 엔티티에서의 '외부(external)'는 상기 골 영상을 이용하는 AI 하드웨어 및/또는 소프트웨어 모듈이 상기 컴퓨팅 장치(100)에 일체화되는 실시 예를 배제하도록 의도된 것이 아니라, 본 발명의 방법을 수행하는 하드웨어 및/또는 소프트웨어 모듈의 결과물인 골 영상이 타 방법의 입력 데이터로 활용될 수 있음을 시사하도록 이용된 것임을 밝혀둔다. 즉, 상기 외부 엔티티는 컴퓨팅 장치(100) 자체일 수도 있다.

도 4에 나타난 구성요소들은 설명의 편의상 하나의 컴퓨팅 장치에서 실현되는 것으로 예시되었으나, 본 발명의 방법을 수행하는 컴퓨팅 장치(100)는 복수개가 서로 연동되도록 구성될 수도 있다는 점이 이해될 것이다.

도 5은 일 실시 예에 따른 골 영상 생성 방법을 설명하기 위한 흐름도이다.

도 5을 참조하면, 컴퓨팅 장치는 단계(510)에서 통신부를 통해 타깃 골 연령을 입력을 받을 수 있다.

컴퓨팅 장치는 단계(520)에서 타깃 골 연령에 대응되는 골 영상을 생성하기 위한 제1 후보 골 영상 및 제2 후보 골 영상을 획득할 수 있다. 컴퓨팅 장치는 제1 후보 골 영상에 대응되는 골 연령 및 제2 후보 골 영상에 대응되는 골 연령 사이에 상기 타깃 골 연령이 포함되면, 제1 후보 골 영상의 골 연령 및 제2 후보 골 영상의 골 연령 사이의 간격이 미리 설정된 소정의 간격보다 작은지 여부를 판단할 수 있다. 컴퓨팅 장치는 제1 후보 골 영상의 골 연령 및 제2 후보 골 영상의 골 연령 사이의 간격이 미리 설정된 소정의 간격보다 작거나 같은 경우, 이후 단계(530)을 수행할 수 있다. 컴퓨팅 장치는 제1 후보 골 영상의 골 연령 및 제2 후보 골 영상의 골 연령 사이의 간격이 미리 설정된 소정의 간격보다 큰 경우, 해당 간격이 미리 설정된 소정의 간격보다 작거나 같도록 제1 후보 골 영상 및 제2 후보 골 영상 중 적어도 하나를 다시 획득하는 과정을 수행할 수 있다. 이는 앞서 설명한 바와 같이, 타깃 골 연령에 대응되는 영상을 생성하는 과정에서, 타깃 골 연령에 가까운 연령에 대응하는 골 영상을 이용하여 산출 결과를 정확도를 향상시키기 위함이다.

컴퓨팅 장치는 단계(530)에서 미리 학습된 제1' 판독 모델에 기초하여, 상기 제1 후보 골 영상 및 제2 후보 골 영상 각각에 대한 제1' 특징 벡터 및 제2' 특징 벡터를 추출할 수 있다. 미리 학습된 제1' 판독 모델은 앞서 설명한 바와 같이, 입력 골 영상에서 특징 벡터를 추출하고, 이에 기초하여 입력 골 영상의 연령을 판독하도록 학습된 인공 신경망일 수 있다.

제1' 판독 모델은 가공된 학습 골 영상에 기초하여, 입력 골 영상의 특징 벡터를 출력하도록 학습된 것일 수 있다. 대응되는 나이가 레이블링된 골 영상을 학습데이터로 이용하여, 제1' 판독 모델이 골 영상의 연령을 판독하도록 학습되는 방식은 통상의 기술자가 용이하게 이해할 수 있다. 본 발명에서 사용되는 제1' 판독 모델은 판독의 정확도를 향상시키기 위하여 가공된 학습 골 영상을 이용하여 학습될 수 있다. 구체적으로, 가공된 학습 골 영상은, 기 존재하는 학습 골 영상과 더불어, 학습 골 영상에서 획득한 제1 학습 골 영상 및 제2 학습 골 영상을 합성하여 생성되는 제3 학습 골 영상을 더 포함할 수 있다. 제3 학습 골 영상은 제1 학습 골 영상에 대응되는 제1 골 연령 및 제2 학습 골 영상에 대응되는 제2 골 연령 사이의 연령에 대응되는 제3 골 연령에 대응될 수 있다. 가공된 학습 골 영상은 기존 학습 데이터에 비해 개별 연령에 대응되는 요소들을 빠짐없이 포함할 수 있다. 본원 발명은 가공된 학습 골 영상을 이용하여 학습된 판독 모델을 통해 보다 정확도 높은 판독 결과를 제공할 수 있는 현저한 효과가 있다.

컴퓨팅 장치는 단계(540)에서 제1' 특징 벡터 및 상기 제2' 특징 벡터를 합성하여 상기 타깃 골 연령에 대응되는 제3' 특징 벡터를 생성할 수 있다. 컴퓨팅 장치는 제1 특징 벡터 및 제2 특징 벡터를 보간(interpolation)함으로써, 제3' 특징 벡터를 생성할 수 있으며, 제3' 특징 벡터를 생성하는 방식은 앞서 설명한 바와 같이, 제시된 예시에 한정되지 않는다.

컴퓨팅 장치는 단계(550)에서 제3' 특징 벡터에 기초하여, 상기 타깃 골 연령에 대응되는 타깃 골 영상을 생성할 수 있다.

도 6은 일 실시 예에 따른 골 영상 생성 방법이 수행되는 일례를 도시하는 도면이다.

영상을 통해 골 연령을 판독하는 시스템은, 개별 연령에 대응되는 참조 골 영상을 판독자에게 제공할 수 있고, 판독자는 참조 골 영상과의 비교를 통해 입력된 골 영상의 연령을 판독할 수 있다. 데이터베이스에 저장된 참조 골 영상 중 좌측과 같이 3세에 대응되는 참조 골 영상(610)이 부재한 경우, 판독자는 해당 연령대의 골 연령 판독이 어려울 수 있다. 뿐만 아니라, 발달 속도가 매우 빠른 유아의 경우, 수개월 만에도 골 발육의 차이가 클 수 있기 때문에, 1세에 대응하는 참조 골 영상 및 2세에 대응하는 참조 골 영상을 이용하더라도, 1세에서 2세 사이의 유아의 골 연령 예측은 매우 어려울 수 있다.

컴퓨팅 장치(620)는 누락된 3세의 참조 골 영상을 생성하기 위하여, 2세에 대응되는 제1 후보 골 영상(631) 및 제2 후보 골 영상(632)를 수신하고, 이에 기초하여, 3세에 대응하는 골 영상(640)을 생성할 수 있다.

컴퓨팅 장치(620)는 제시된 방식뿐만 아니라, 데이터베이스에 나이에 기초한 레이블링을 통해 미리 저장된 특징 벡터에 기반하여 타깃 연령에 대응하는 골 영상을 생성할 수도 있다. 이 경우, 타깃 연령에 대응하는 골 영상을 생성하는 과정에서, 컴퓨팅 장치(620)는 골 영상을 입력 받지 않고, 타깃 골 연령에 대한 정보만을 통해 골 영상을 생성할 수 있다.

도 7는 연령에 따른 특징 벡터의 분포를 도시하는 도면이다.

도 7를 참조하면, 그래프(710)는 남성의 골 영상에 대한 특징 벡터의 분포일 수 있고, 그래프(720)는 여성의 골 영상에 대한 특징 벡터의 분포일 수 있다. 그래프(710, 720)에 포함된 각 포인트(711, 721)는 개별 골 영상의 특징 벡터에 대응될 수 있고, 포인트(711, 721)의 색상은 대응되는 연령을 나타낼 수 있다. 그래프(710, 720)을 참조하면, 유사한 연령에 대응되는 포인트(711, 721)는 인접 영역에 분포하는 것을 확인할 수 있다. 이러한 분포를 고려할 때에, 인접 연령의 특징 벡터의 합성을 통해 산출된 특징 벡터는 타깃 연령의 특성을 드러낼 수 있음을 이해할 수 있다.

도 8은 일 실시예에 따른 골 영상 생성 방법이 적용된 인터페이스의 일례를 도시하는 도면이다.

도 8을 참조하면, 인터페이스(810)를 통해 현재 골 영상(820)과 비슷한 연령의 참조 골 영상(821, 822, 823)이 제공될 수 있다. 각각의 연령에 대응되는 참조 골 영상(821, 822, 823)은 데이터베이스에 미리 저장된 것일 수 있다. 판독자는 판독 과정에서, 10세와 11세 사이의 참조 골 영상이 요구되는 경우, 그래픽 오브젝트(830)에 대한 사용자 입력을 토대로 해당 연령에 대응되는 참조 골 영상에 대한 생성 요청을 진행할 수 있다. 그래픽 오브젝트(830)에 대한 사용자 입력이 이루어지는 경우, 타깃 연령을 입력하는 그래픽 오브젝트(840)이 화면 상에 디스플레이될 수 있다. 컴퓨팅 장치는 타깃 연령에 대응되는 참조 골 영상(850)를 생성하여, 화면 상에 디스플레이할 수 있다.

위 실시 예의 설명에 기초하여 해당 기술분야의 통상의 기술자는, 본 발명의 방법 및/또는 프로세스들, 그리고 그 단계들이 하드웨어, 소프트웨어 또는 특정 용례에 적합한 하드웨어 및 소프트웨어의 임의의 조합으로 실현될 수 있다는 점을 명확하게 이해할 수 있다. 상기 하드웨어는 범용 컴퓨터 및/또는 전용 컴퓨팅 장치 또는 특정 컴퓨팅 장치 또는 특정 컴퓨팅 장치의 특별한 모습 또는 구성요소를 포함할 수 있다. 상기 프로세스들은 내부 및/또는 외부 메모리를 가지는, 하나 이상의 마이크로프로세서, 마이크로컨트롤러, 임베디드 마이크로컨트롤러, 프로그래머블 디지털 신호 프로세서 또는 기타 프로그래머블 장치에 의하여 실현될 수 있다. 게다가, 혹은 대안으로서, 상기 프로세스들은 주문형 집적회로(application specific integrated circuit; ASIC), 프로그래머블 게이트 어레이(programmable gate array), 프로그래머블 어레이 로직(Programmable Array Logic; PAL) 또는 전자 신호들을 처리하기 위해 구성될 수 있는 임의의 다른 장치 또는 장치들의 조합으로 실시될 수 있다. 더욱이 본 발명의 기술적 해법의 대상물 또는 선행 기술들에 기여하는 부분들은 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 기계 판독 가능한 기록 매체에 기록될 수 있다. 상기 기계 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 기계 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야의 통상의 기술자에게 공지되어 사용 가능한 것일 수도 있다. 기계 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD, Blu-ray와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 전술한 장치들 중 어느 하나뿐만 아니라 프로세서, 프로세서 아키텍처 또는 상이한 하드웨어 및 소프트웨어의 조합들의 이종 조합, 또는 다른 어떤 프로그램 명령어들을 실행할 수 있는 기계 상에서 실행되기 위하여 저장 및 컴파일 또는 인터프리트될 수 있는, C와 같은 구조적 프로그래밍 언어, C++ 같은 객체지향적 프로그래밍 언어 또는 고급 또는 저급 프로그래밍 언어(어셈블리어, 하드웨어 기술 언어들 및 데이터베이스 프로그래밍 언어 및 기술들)를 사용하여 만들어질 수 있는바, 기계어 코드, 바이트코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 이에 포함된다.

따라서 본 발명에 따른 일 태양에서는, 앞서 설명된 방법 및 그 조합들이 하나 이상의 컴퓨팅 장치들에 의하여 수행될 때, 그 방법 및 방법의 조합들이 각 단계들을 수행하는 실행 가능한 코드로서 실시될 수 있다. 다른 일 태양에서는, 상기 방법은 상기 단계들을 수행하는 시스템들로서 실시될 수 있고, 방법들은 장치들에 걸쳐 여러 가지 방법으로 분산되거나 모든 기능들이 하나의 전용, 독립형 장치 또는 다른 하드웨어에 통합될 수 있다. 또 다른 일 태양에서는, 위에서 설명한 프로세스들과 연관된 단계들을 수행하는 수단들은 앞서 설명한 임의의 하드웨어 및/또는 소프트웨어를 포함할 수 있다. 그러한 모든 순차 결합 및 조합들은 본 개시서의 범위 내에 속하도록 의도된 것이다.

예를 들어, 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다. 상기 하드웨어 장치는, 프로그램 명령어를 저장하기 위한 ROM/RAM 등과 같은 메모리와 결합되고 상기 메모리에 저장된 명령어들을 실행하도록 구성되는 MPU, CPU, GPU, TPU와 같은 프로세서를 포함할 수 있으며, 외부 장치와 신호를 주고 받을 수 있는 통신부를 포함할 수 있다. 덧붙여, 상기 하드웨어 장치는 개발자들에 의하여 작성된 명령어들을 전달받기 위한 키보드, 마우스, 기타 외부 입력장치를 포함할 수 있다.

이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항들과 한정된 실시 예 및 도면에 의해 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명이 상기 실시 예들에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 사람이라면 이러한 기재로부터 다양한 수정 및 변형을 꾀할 수 있다.

따라서, 본 발명의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등하게 또는 등가적으로 변형된 모든 것들은 본 발명의 사상의 범주에 속한다고 할 것이다.

그와 같이 균등하게 또는 등가적으로 변형된 것에는, 예컨대 본 발명에 따른 방법을 실시한 것과 동일한 결과를 낼 수 있는, 논리적으로 동치(logically equivalent)인 방법이 포함될 것인바, 본 발명의 진의 및 범위는 전술한 예시들에 의하여 제한되어서는 아니되며, 법률에 의하여 허용 가능한 가장 넓은 의미로 이해되어야 한다.

Claims (9)

1. 컴퓨팅 장치가 타깃 등급에 대응하는 타깃 의료 영상을 생성하는 방법에 있어서,
   제1 후보 의료 영상으로부터 제1 특징 벡터 및 제2 후보 의료 영상으로부터 제2 특징 벡터를 획득하는 단계;
   상기 제1 후보 의료 영상에 대해 레이블링된 제1 등급과 상기 제2 후보 의료 영상에 대해 레이블링된 제2 등급 간의 차이가 미리 설정된 임계 미만인 것에 기초하여 상기 제1 등급과 상기 제2 등급 사이의 등급으로 입력된 상기 타깃 등급에 대응하도록 상기 제1 특징 벡터와 상기 제2 특징 벡터를 보간 (interpolation)하여 제3 특징 벡터를 생성하는 단계; 및
   상기 제3 특징 벡터에 기초하여 상기 타깃 등급에 대응되는 상기 타깃 의료 영상을 생성하는 단계를 포함하는, 의료 영상 생성 방법.
   
2. 제1항에 있어서,
   상기 제3 특징 벡터를 생성하는 단계는,
   상기 제1 등급에 대응되는 제1 레이블과, 상기 제2 등급에 대응되는 제2 레이블의 가중 합에 기초하여 생성되는 제3 레이블이 상기 타깃 등급에 대응되도록 상기 제1 레이블에 대응되는 제1 가중치 및 상기 제2 레이블에 대응되는 제2 가중치를 결정하고,
   상기 제1 가중치가 부여된 상기 제1 특징 벡터 및 상기 제2 가중치가 부여된 제2 특징 벡터의 합에 기초하여 상기 제1 특징 벡터와 상기 제2 특징 벡터를 보간한 상기 제3 특징 벡터를 생성하는, 의료 영상 생성 방법.
   
3. 삭제
4. 제1항에 있어서,
   상기 타깃 의료 영상을 생성하는 단계는,
   상기 제3 특징 벡터와 더불어, 상기 제1 후보 의료 영상 또는 상기 제2 후보 의료 영상 중 어느 하나에 기초하여 상기 타깃 의료 영상을 생성하는, 의료 영상 생성 방법.
   
5. 제1항에 있어서,
   상기 제1 특징 벡터 및 상기 제2 특징 벡터는,
   미리 학습된 제1 판독 모델에 제1 후보 의료 영상 및 상기 제2 후보 의료 영상의 입력함으로써 추출되고,
   상기 제1 판독 모델은,
   대응되는 등급이 레이블링된 학습 의료 영상에 기초하여, 입력된 후보 의료 영상에 대한 특징 벡터를 추출하고, 추출한 특징 벡터에 기초하여 상기 입력된 후보 의료 영상에 대응되는 영상 등급을 판독하도록 학습되는, 의료 영상 생성 방법.
   
6. 제5항에 있어서,
   상기 제1 판독 모델은,
   기 존재하는 둘 이상의 상기 학습 의료 영상이 합성된 합성 학습 의료 영상에 기초하여 추가적으로 학습되고,
   상기 합성 학습 의료 영상은,
   상기 학습 의료 영상에 존재하지 않는 등급에 대응되는, 의료 영상 생성 방법.
   
7. 제1항에 있어서,
   상기 타깃 의료 영상은,
   미리 학습된 제2 판독 모델에 상기 제3 특징 벡터를 입력하여 출력된 영상인, 의료 영상 생성 방법.
   
8. 컴퓨팅 장치로 하여금, 제1항의 방법을 수행하도록 구현된 명령어(instructions)를 포함하는, 기계 판독 가능한 비일시적 기록 매체에 저장된, 컴퓨터 프로그램.
   
9. 타깃 등급에 대응하는 타깃 의료 영상을 생성하는 컴퓨팅 장치에 있어서,
   통신부; 및
   상기 통신부를 제어하는 프로세서를 포함하고,
   상기 프로세서는,
   제1 후보 의료 영상으로부터 제1 특징 벡터 및 제2 후보 의료 영상으로부터 제2 특징 벡터를 획득하고, 상기 제1 후보 의료 영상에 대해 레이블링된 제1 등급과 상기 제2 후보 의료 영상에 대해 레이블링된 제2 등급 간의 차이가 미리 설정된 임계 미만인 것에 기초하여 상기 제1 등급과 상기 제2 등급 사이의 등급으로 입력된 상기 타깃 등급에 대응하도록 상기 제1 특징 벡터 및 상기 제2 특징 벡터를 보간 (interpolation)하여 제3 특징 벡터를 생성하고,
   상기 제3 특징 벡터에 기초하여 상기 타깃 등급에 대응되는 상기 타깃 의료 영상을 생성하는, 컴퓨팅 장치.