KR102584545B1 - 3차원 공간에서 일관성 있는 의료 볼륨 데이터 생성 모델 학습 방법 및 장치 - Google Patents
3차원 공간에서 일관성 있는 의료 볼륨 데이터 생성 모델 학습 방법 및 장치 Download PDFInfo
- Publication number
- KR102584545B1 KR102584545B1 KR1020230029219A KR20230029219A KR102584545B1 KR 102584545 B1 KR102584545 B1 KR 102584545B1 KR 1020230029219 A KR1020230029219 A KR 1020230029219A KR 20230029219 A KR20230029219 A KR 20230029219A KR 102584545 B1 KR102584545 B1 KR 102584545B1
- Authority
- KR
- South Korea
- Prior art keywords
- volume data
- dimensional
- plane
- network
- slice images
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000015654 memory Effects 0.000 claims description 43
- 239000002131 composite material Substances 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 8
- 230000010365 information processing Effects 0.000 description 35
- 238000004891 communication Methods 0.000 description 27
- 238000010586 diagram Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 11
- 230000005291 magnetic effect Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 230000014509 gene expression Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000003491 array Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241000699670 Mus sp. Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/08—Volume rendering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/95—Pattern authentication; Markers therefor; Forgery detection
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Multimedia (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
본 개시는 적어도 하나의 프로세서에 의해 수행되는, 3차원 공간에서 일관성 있는 의료 볼륨 데이터 생성 모델 학습 방법에 관한 것이다. 3차원 공간에서 일관성 있는 의료 볼륨 데이터 생성 모델 학습 방법은 생성기 네트워크를 이용하여 합성 볼륨 데이터를 생성하는 단계, 실제 볼륨 데이터를 수신하는 단계, 합성 볼륨 데이터 및 실제 볼륨 데이터에 기초하여 복수의 2차원 영상을 생성하는 단계, 복수의 판별기 네트워크를 이용하여 생성된 복수의 2차원 영상 각각의 진위 여부를 판별하는 단계 및 복수의 판별기 네트워크의 판별 결과에 기초하여 생성기 네트워크를 업데이트하는 단계를 포함한다.
Description
본 개시는 3차원 공간에서 일관성 있는 의료 볼륨 데이터 생성 모델을 학습하는 방법 및 장치에 관한 것으로, 구체적으로, 복수의 판별기 네트워크를 가지는 의료 볼륨 데이터 생성 모델을 학습시키는 방법 및 시스템에 관한 것이다.
최근, 컴퓨터 비전, 자연어 처리 등을 포함한 여러 응용 분야에서 딥 러닝 기술은 상당한 성과를 내고 있으며, 비약적인 발전을 선도하는 핵심 기술로 자리잡고 있다. 이러한 딥 러닝 기술은 의학 분야에도 활용되고 있으며, 특히 의료 영상 분석에서 딥 러닝 기술을 활용한 여러가지 연구들이 진행되고 있다.
한편, 딥 러닝 기술을 효과적으로 활용하기 위해서는 다양한 케이스에 대한 많은 양의 학습 데이터를 필요로 한다. 그러나, 높은 비용, 개인 정보 보호, 데이터 라벨링 문제 등 여러가지 이유로 의료 영상 학습 데이터를 획득하기 어렵다는 문제가 있다.
이러한 문제를 극복하기 위하여 의료 영상 데이터를 AI 기술을 통해 생성함으로써 학습 데이터를 보충하는 기술들이 개발되고 있다. 그러나, 생성된 의료 영상 데이터를 3차원으로 재구성할 경우, 실제 데이터와 달리 3차원 공간에서 일관성이 유지되지 않으며 왜곡되는 현상이 발생한다는 문제가 있다.
본 개시는 상기와 같은 문제점을 해결하기 위한 복수의 판별기 네트워크를 가지는 의료 볼륨 데이터 생성 모델 학습 방법 및 장치(시스템)를 제공한다.
본 개시는 방법, 장치(시스템) 또는 판독 가능 저장 매체에 저장된 컴퓨터 프로그램을 포함한 다양한 방식으로 구현될 수 있다.
본 개시의 일 실시예에 따르면, 적어도 하나의 프로세서에 의해 수행되는, 3차원 공간에서 일관성 있는 의료 볼륨 데이터 생성 모델 학습 방법은, 생성기 네트워크(generator network)를 이용하여 합성 볼륨 데이터(synthetic volume data)를 생성하는 단계, 실제 볼륨 데이터(real volume data)를 수신하는 단계, 합성 볼륨 데이터 및 실제 볼륨 데이터에 기초하여 복수의 2차원 영상을 생성하는 단계, 복수의 판별기 네트워크(discriminator network)를 이용하여 생성된 복수의 2차원 영상 각각의 진위 여부를 판별하는 단계 및 복수의 판별기 네트워크의 판별 결과에 기초하여 생성기 네트워크를 업데이트하는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 복수의 2차원 영상을 생성하는 단계는, 합성 볼륨 데이터에 기초하여 복수의 2차원 합성 슬라이스 영상을 생성하는 단계 및 실제 볼륨 데이터에 기초하여 복수의 2차원 실제 슬라이스 영상을 생성하는 단계를 포함하고, 복수의 2차원 합성 슬라이스 영상과 복수의 2차원 실제 슬라이스 영상은 각 볼륨 데이터 내의 동일 위치에서의 생성된다.
본 개시의 일 실시예에 따르면, 복수의 2차원 영상을 생성하는 단계는, 합성 볼륨 데이터를 관상면(coronal plane)으로 투영(projection)한 제1 세트의 2차원 합성 슬라이스 영상을 생성하는 단계, 합성 볼륨 데이터를 시상면(sagittal plane)으로 투영한 제2 세트의 2차원 합성 슬라이스 영상을 생성하는 단계, 합성 볼륨 데이터를 횡단면(axial plane)으로 투영한 제3 세트의 2차원 합성 슬라이스 영상을 생성하는 단계, 실제 볼륨 데이터를 관상면으로 투영한 제1 세트의 2차원 실제 슬라이스 영상을 생성하는 단계, 실제 볼륨 데이터를 시상면으로 투영한 제2 세트의 2차원 실제 슬라이스 영상을 생성하는 단계 및 실제 볼륨 데이터를 횡단면으로 투영한 제3 세트의 2차원 실제 슬라이스 영상을 생성하는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 복수의 판별기 네트워크는 제1 판별기 네트워크, 제2 판별기 네트워크 및 제3 판별기 네트워크를 포함하고, 제1 판별기 네트워크는 관상면으로 투영(projection)한 2차원 영상들의 진위 여부를 판별하고, 제2 판별기 네트워크는 시상면으로 투영한 2차원 영상들의 진위 여부를 판별하고, 제3 판별기 네트워크는 횡단면으로 투영한 2차원 영상들의 진위 여부를 판별한다.
본 개시의 일 실시예에 따르면, 복수의 판별기 네트워크는 제1 판별기 네트워크 및 제2 판별기 네트워크를 포함하고, 제1 판별기 네트워크는 제1 면(plane)과 평행한 2차원 영상들의 진위 여부를 판별하고, 제2 판별기 네트워크는 제2 면과 평행한 2차원 영상들의 진위 여부를 판별하고, 제1 면과 제2 면은 서로 직교한다.
본 개시의 일 실시예에 따르면, 생성기 네트워크는, 단일 2차원 슬라이스 이미지를 생성하거나, 2차원 슬라이스 이미지 시퀀스를 생성하거나, 합성 볼륨 데이터를 생성하도록 구성되고, 생성기 네트워크가 단일 2차원 슬라이스 이미지를 생성하도록 구성되는 경우, 생성기 네트워크가 생성하는 2차원 슬라이스 이미지들을 병합함으로써 합성 볼륨 데이터를 생성한다.
본 개시의 일 실시예에 따르면, 업데이트된 생성기 네트워크에 기초하여 복수의 판별기 네트워크를 업데이트하는 단계를 더 포함한다.
본 개시의 일 실시예에 따른 방법을 컴퓨터에서 실행하기 위해 컴퓨터로 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 제공될 수 있다.
본 개시의 일 실시예에 따르면, 장치로서, 메모리 및 메모리와 연결되고, 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 적어도 하나의 프로그램은, 생성기 네트워크를 이용하여 합성 볼륨 데이터를 생성하고, 실제 볼륨 데이터를 수신하고, 합성 볼륨 데이터 및 실제 볼륨 데이터에 기초하여 복수의 2차원 영상을 생성하고, 복수의 판별기 네트워크를 이용하여 생성된 복수의 2차원 영상 각각의 진위 여부를 판별하고, 복수의 판별기 네트워크의 판별 결과에 기초하여 생성기 네트워크를 업데이트하기 위한 명령어들을 포함한다.
본 개시의 일 실시예에 따르면, 의료 볼륨 데이터 생성 시스템으로서, 합성 볼륨 데이터(synthetic volume data)를 생성하도록 구성된 생성기 네트워크(generator network), 실제 볼륨 데이터 및 합성 볼륨 데이터를 수신하고, 합성 볼륨 데이터 및 실제 볼륨 데이터에 기초하여 복수의 2차원 영상을 생성하도록 구성된 2차원 영상 생성부 및 복수의 2차원 영상 각각의 진위 여부를 판별하도록 구성된 복수의 판별기 네트워크(discriminator network)를 포함한다.
본 개시의 다양한 실시예에 따르면, 생성기 네트워크를 이용하여 생성한 합성 볼륨 데이터를 판별기 네트워크를 이용하여 판별하고, 판별 결과를 통해 생성기 네트워크를 업데이트 함으로써, 의료 영상 영역의 딥러닝 기술과 관련된 유용한 의료 볼륨 데이터를 생성하는 생성 모델을 획득할 수 있다.
본 개시의 다양한 실시예에 따르면, 합성 볼륨 데이터를 다양한 각도에서 투영한 복수의 2차원 영상을 생성하고, 복수의 판별기 네트워크에 의해 판별된 복수의 2차원 영상의 진위 판별 결과에 기초하여 생성기 네트워크를 업데이트함으로써, 왜곡되지 않고 일관성 있는 의료 볼륨 데이터를 생성하도록 생성 모델을 학습시킬 수 있다.
본 개시의 다양한 실시예에 따르면, 업데이트된 생성기 네트워크에 기초하여 복수의 판별기 네트워크를 업데이트함으로써, 생성된 복수의 2차원 영상에 대해 보다 정교한 판별 결과를 생성할 수 있다. 또한, 이러한 판별 결과에 기초하여 생성기 네트워크의 성능을 향상시킬 수 있다.
본 개시의 다양한 실시예에 따르면, 다시점(multi-viewpoint) 판별기 네트워크들을 사용함으로써 3차원 공간에서 일관성 있는 의료 볼륨 데이터를 생성할 수 있다.
본 개시의 다양한 실시예에 따르면, 합성 볼륨 데이터를 다양한 각도/시점에서 투영한 복수의 2차원 슬라이스 영상을 생성하고, 각 각도/시점에 대응하는 복수의 판별기 네트워크에 의해 판별된 복수의 2차원 슬라이스 영상의 진위 판별 결과에 기초하여 생성기 네트워크/판별기 네트워크를 업데이트함으로써, 왜곡되지 않고 일관성 있는 의료 볼륨 데이터를 생성하도록 생성 모델을 학습시킬 수 있다.
본 개시의 다양한 실시예에 따르면, 생성기 네트워크와 복수의 판별기 네트워크를 교차로 업데이트하는 과정을 반복함으로써, 의료 볼륨 데이터 생성 모델/시스템의 성능을 향상시킬 수 있다.
본 개시의 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않은 다른 효과들은 청구범위의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자("통상의 기술자"라 함)에게 명확하게 이해될 수 있을 것이다.
본 개시의 실시예들은, 이하 설명하는 첨부 도면들을 참조하여 설명될 것이며, 여기서 유사한 참조 번호는 유사한 요소들을 나타내지만, 이에 한정되지는 않는다.
도 1은 본 개시의 일 실시예에 따라 의료 볼륨 데이터 생성 모델을 학습시키는 방법에 대한 예시를 나타낸다.
도 2는 본 개시의 일 실시예에 따라 학습된 의료 볼륨 데이터 생성 모델 및/또는 생성된 의료 볼륨 데이터를 제공하기 위해, 정보 처리 시스템이 복수의 사용자 단말과 통신 가능하도록 연결된 구성을 나타내는 개요도이다.
도 3은 본 개시의 일 실시예에 따른 사용자 단말 및 정보 처리 시스템의 내부 구성을 나타내는 블록도이다.
도 4는 본 개시의 일 실시예에 따른 정보처리 시스템의 프로세서의 내부 구성을 나타내는 블록도이다.
도 5는 본 개시의 일 실시예에 따른 의료 볼륨 데이터와 관련된 해부학적 면(anatomical plane)에 대한 예시를 나타내는 도면이다.
도 6은 본 개시의 일 실시예에 따른 프로세서의 2차원 영상 생성부의 내부 구성을 나타내는 블록도이다.
도 7은 본 개시의 일 실시예에 따른 프로세서의 판별 결과 생성부의 내부 구성을 나타내는 블록도이다.
도 8은 본 개시의 일 실시예에 따라 합성 볼륨 데이터 및 실제 볼륨 데이터에 대한 판별 결과가 생성되는 예시를 나타내는 도면이다.
도 9는 본 개시의 일 실시예에 따라 의료 볼륨 데이터 생성 모델/시스템이 업데이트되는 예시를 나타내는 도면이다.
도 10은 본 개시의 일 실시예에 따른 의료 영상 생성 모델 학습 방법의 예시를 나타내는 흐름도이다.
도 1은 본 개시의 일 실시예에 따라 의료 볼륨 데이터 생성 모델을 학습시키는 방법에 대한 예시를 나타낸다.
도 2는 본 개시의 일 실시예에 따라 학습된 의료 볼륨 데이터 생성 모델 및/또는 생성된 의료 볼륨 데이터를 제공하기 위해, 정보 처리 시스템이 복수의 사용자 단말과 통신 가능하도록 연결된 구성을 나타내는 개요도이다.
도 3은 본 개시의 일 실시예에 따른 사용자 단말 및 정보 처리 시스템의 내부 구성을 나타내는 블록도이다.
도 4는 본 개시의 일 실시예에 따른 정보처리 시스템의 프로세서의 내부 구성을 나타내는 블록도이다.
도 5는 본 개시의 일 실시예에 따른 의료 볼륨 데이터와 관련된 해부학적 면(anatomical plane)에 대한 예시를 나타내는 도면이다.
도 6은 본 개시의 일 실시예에 따른 프로세서의 2차원 영상 생성부의 내부 구성을 나타내는 블록도이다.
도 7은 본 개시의 일 실시예에 따른 프로세서의 판별 결과 생성부의 내부 구성을 나타내는 블록도이다.
도 8은 본 개시의 일 실시예에 따라 합성 볼륨 데이터 및 실제 볼륨 데이터에 대한 판별 결과가 생성되는 예시를 나타내는 도면이다.
도 9는 본 개시의 일 실시예에 따라 의료 볼륨 데이터 생성 모델/시스템이 업데이트되는 예시를 나타내는 도면이다.
도 10은 본 개시의 일 실시예에 따른 의료 영상 생성 모델 학습 방법의 예시를 나타내는 흐름도이다.
이하, 본 개시의 실시를 위한 구체적인 내용을 첨부된 도면을 참조하여 상세히 설명한다. 다만, 이하의 설명에서는 본 개시의 요지를 불필요하게 흐릴 우려가 있는 경우, 널리 알려진 기능이나 구성에 관한 구체적 설명은 생략하기로 한다.
첨부된 도면에서, 동일하거나 대응하는 구성요소에는 동일한 참조부호가 부여되어 있다. 또한, 이하의 실시예들의 설명에 있어서, 동일하거나 대응되는 구성요소를 중복하여 기술하는 것이 생략될 수 있다. 그러나, 구성요소에 관한 기술이 생략되어도, 그러한 구성요소가 어떤 실시예에 포함되지 않는 것으로 의도되지는 않는다.
개시된 실시예의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 통상의 기술자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 개시된 실시예에 대해 구체적으로 설명하기로 한다. 본 명세서에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 관련 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서, 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
본 명세서에서의 단수의 표현은 문맥상 명백하게 단수인 것으로 특정하지 않는 한, 복수의 표현을 포함한다. 또한, 복수의 표현은 문맥상 명백하게 복수인 것으로 특정하지 않는 한, 단수의 표현을 포함한다. 명세서 전체에서 어떤 부분이 어떤 구성요소를 포함한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.
또한, 명세서에서 사용되는 '모듈' 또는 '부'라는 용어는 소프트웨어 또는 하드웨어 구성요소를 의미하며, '모듈' 또는 '부'는 어떤 역할들을 수행한다. 그렇지만, '모듈' 또는 '부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '모듈' 또는 '부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서, '모듈' 또는 '부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 또는 변수들 중 적어도 하나를 포함할 수 있다. 구성요소들과 '모듈' 또는 '부'들은 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '모듈' 또는 '부'들로 결합되거나 추가적인 구성요소들과 '모듈' 또는 '부'들로 더 분리될 수 있다.
본 개시의 일 실시예에 따르면, '모듈' 또는 '부'는 프로세서 및 메모리로 구현될 수 있다. '프로세서'는 범용 프로세서, 중앙 처리 장치(CPU), 마이크로프로세서, 디지털 신호 프로세서(DSP), 제어기, 마이크로제어기, 상태 머신 등을 포함하도록 넓게 해석되어야 한다. 몇몇 환경에서, '프로세서'는 주문형 반도체(ASIC), 프로그램가능 로직 디바이스(PLD), 필드 프로그램가능 게이트 어레이(FPGA) 등을 지칭할 수도 있다. '프로세서'는, 예를 들어, DSP와 마이크로프로세서의 조합, 복수의 마이크로프로세서들의 조합, DSP 코어와 결합한 하나 이상의 마이크로프로세서들의 조합, 또는 임의의 다른 그러한 구성들의 조합과 같은 처리 디바이스들의 조합을 지칭할 수도 있다. 또한, '메모리'는 전자 정보를 저장 가능한 임의의 전자 컴포넌트를 포함하도록 넓게 해석되어야 한다. '메모리'는 임의 액세스 메모리(RAM), 판독-전용 메모리(ROM), 비-휘발성 임의 액세스 메모리(NVRAM), 프로그램가능 판독-전용 메모리(PROM), 소거-프로그램가능 판독 전용 메모리(EPROM), 전기적으로 소거가능 PROM(EEPROM), 플래쉬 메모리, 자기 또는 광학 데이터 저장장치, 레지스터들 등과 같은 프로세서-판독가능 매체의 다양한 유형들을 지칭할 수도 있다. 프로세서가 메모리로부터 정보를 판독하고/하거나 메모리에 정보를 기록할 수 있다면 메모리는 프로세서와 전자 통신 상태에 있다고 불린다. 프로세서에 집적된 메모리는 프로세서와 전자 통신 상태에 있다.
본 개시에서, '시스템'은 서버 장치와 클라우드 장치 중 적어도 하나의 장치를 포함할 수 있으나, 이에 한정되는 것은 아니다. 예를 들어, 시스템은 하나 이상의 서버 장치로 구성될 수 있다. 다른 예로서, 시스템은 하나 이상의 클라우드 장치로 구성될 수 있다. 또 다른 예로서, 시스템은 서버 장치와 클라우드 장치가 함께 구성되어 동작될 수 있다.
본 개시에서, '의료 볼륨 데이터'는 의학 분야에서 활용되는 3차원 부피 데이터를 지칭할 수 있다. 예를 들어, 의료 볼륨 데이터는 사람의 신체 또는 장기에 대한 3차원 스캔 데이터(예: CT 영상, MRI 영상 등)를 포함할 수 있다.
도 1은 본 개시의 일 실시예에 따라 의료 볼륨 데이터 생성 모델(generative model)을 학습시키는 방법에 대한 예시를 나타낸다. 도 1에 도시된 바와 같이, 의료 볼륨 데이터 생성 모델/시스템은 생성기 네트워크(110), 2차원 영상 생성부(120) 및 판별 결과 생성부(130)를 포함할 수 있으며, 생성적 적대 신경망(Generative Adversarial Network; GAN) 모델 아키텍처가 사용될 수 있다. 예를 들어, VanillaGAN, BigGAN, StyleGAN 모델 아키텍처 등이 사용될 수 있다. 여기서, 가상의 데이터를 생성하는 생성기(Generator) 네트워크(110)는 가상의 데이터를 생성하고, 판별 결과 생성부(130)는 데이터의 진위 여부를 판별할 수 있다.
일 실시예에 따르면, 생성기 네트워크(110)는 합성 볼륨 데이터(112)를 생성하여 2차원 영상 생성부(120)에 전달할 수 있다. 합성 볼륨 데이터(112)는 2차원 슬라이스 이미지의 병합, 2차원 슬라이스 이미지 시퀀스 또는 3차원 볼륨 데이터일 수 있다. 이러한 합성 볼륨 데이터를 생성하기 위한 생성기 네트워크(110)는 단일 2차원 슬라이스 이미지를 생성하고 이를 병합하거나, 2차원 슬라이스 이미지 시퀀스를 생성하거나, 3차원 합성 볼륨 데이터를 생성하도록 구성될 수 있다.
일 실시예에 따르면, 2차원 영상 생성부(120)는 합성 볼륨 데이터(112)로부터 복수의 2차원 영상(124, 126)을 생성할 수 있다. 예를 들어, 2차원 영상 생성부(120)는 합성 볼륨 데이터(112)에 기초하여 복수의 2차원 합성 슬라이스 영상(124)을 생성하고, 실제 볼륨 데이터(122)에 기초하여 복수의 2차원 실제 슬라이스 영상(126)을 생성할 수 있다. 이 경우, 복수의 2차원 합성 슬라이스 영상(124) 및 복수의 2차원 실제 슬라이스 영상(126)은 각 볼륨 데이터 내의 동일 위치에서 생성될 수 있다. 이에 대해서는 도 5를 참조하여 후술한다.
일 실시예에 따르면, 판별 결과 생성부(130)는 생성된 복수의 2차원 영상(124, 126) 각각의 진위 여부를 판별할 수 있다. 이를 위해, 판별 결과 생성부(130)는 복수의 2차원 영상(124, 126)의 각각에 대한 진위 여부를 판별하는 복수의 판별기(Discriminator) 네트워크를 포함하도록 구성될 수 있다. 이에 대해서는 도 7 및 8을 참조하여 후술한다.
일 실시예에 따르면, 학습부(미도시)는 판별 결과 생성부(130)에 의해 생성된 판별 결과에 기초하여 생성기 네트워크(110)를 업데이트할 수 있다. 또한, 학습부(미도시)는 업데이트된 생성기 네트워크(110)에 기초하여 판별 결과 생성부(130)의 복수의 판별기 네트워크를 업데이트 할 수 있다. 이에 대해서는 도 9를 참조하여 후술한다.
상술한 구성을 통해, 의료 영상 영역에서 사용할 수 있는 3차원 공간에서 일관성 있는 의료 볼륨 데이터를 생성하는 생성 모델을 획득할 수 있다.
도 2는 본 개시의 일 실시예에 따라 학습된 의료 볼륨 데이터 생성 모델 및/또는 생성된 의료 볼륨 데이터를 제공하기 위해, 정보 처리 시스템(230)이 복수의 사용자 단말(210_1, 210_2, 210_3)과 통신 가능하도록 연결된 구성을 나타내는 개요도이다. 도시된 바와 같이, 복수의 사용자 단말(210_1, 210_2, 210_3)은 네트워크(220)를 통해 의료 볼륨 데이터 생성 모델 및/또는 의료 볼륨 데이터를 제공할 수 있는 정보 처리 시스템(230)과 연결될 수 있다. 여기서, 복수의 사용자 단말(210_1, 210_2, 210_3)은 의료 볼륨 데이터 생성 모델 및/또는 의료 볼륨 데이터를 제공받는 사용자의 단말을 포함할 수 있다.
일 실시예에서, 정보 처리 시스템(230)은 의료 볼륨 데이터 생성 모델 및/또는 의료 볼륨 데이터의 제공과 연관된 컴퓨터 실행 가능한 프로그램(예를 들어, 다운로드 가능한 애플리케이션) 및 데이터를 저장, 제공 및 실행할 수 있는 하나 이상의 서버 장치 및/또는 데이터베이스, 또는 클라우드 컴퓨팅 서비스 기반의 하나 이상의 분산 컴퓨팅 장치 및/또는 분산 데이터베이스를 포함할 수 있다.
정보 처리 시스템(230)에 의해 제공되는 의료 볼륨 데이터 생성 모델 및/또는 의료 볼륨 데이터는, 복수의 사용자 단말(210_1, 210_2, 210_3)의 각각에 의료 볼륨 데이터 생성 모델 및/또는 의료 볼륨 데이터 관련 애플리케이션 웹 브라우저 또는 웹 브라우저 확장 프로그램 등을 통해 사용자에게 제공될 수 있다. 예를 들어, 정보 처리 시스템(230)은 의료 볼륨 데이터 생성 모델 관련 애플리케이션 및/또는 의료 볼륨 데이터 관련 애플리케이션 등을 통해 사용자 단말(210_1, 210_2, 210_3)로부터 수신되는 의료 볼륨 데이터 생성 모델 제공 요청 및/또는 의료 볼륨 데이터 생성 요청에 대응하는 정보를 제공하거나 대응하는 처리를 수행할 수 있다.
복수의 사용자 단말(210_1, 210_2, 210_3)은 네트워크(220)를 통해 정보 처리 시스템(230)과 통신할 수 있다. 네트워크(220)는 복수의 사용자 단말(210_1, 210_2, 210_3)과 정보 처리 시스템(230) 사이의 통신이 가능하도록 구성될 수 있다. 네트워크(220)는 설치 환경에 따라, 예를 들어, 이더넷(Ethernet), 유선 홈 네트워크(Power Line Communication), 전화선 통신 장치 및 RS-serial 통신 등의 유선 네트워크, 이동통신망, WLAN(Wireless LAN), Wi-Fi, Bluetooth 및 ZigBee 등과 같은 무선 네트워크 또는 그 조합으로 구성될 수 있다. 통신 방식은 제한되지 않으며, 네트워크(220)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망, 위성망 등)을 활용하는 통신 방식뿐만 아니라 사용자 단말(210_1, 210_2, 210_3) 사이의 근거리 무선 통신 역시 포함될 수 있다.
도 2에서 휴대폰 단말(210_1), 태블릿 단말(210_2) 및 PC 단말 (210_3)이 사용자 단말의 예로서 도시되었으나, 이에 한정되지 않으며, 사용자 단말(210_1, 210_2, 210_3)은 유선 및/또는 무선 통신이 가능하고 의료 볼륨 데이터 생성 모델 및/또는 의료 볼륨 데이터 관련 애플리케이션 또는 웹 브라우저 등이 설치되어 실행될 수 있는 임의의 컴퓨팅 장치일 수 있다. 예를 들어, 사용자 단말은, AI 스피커, 스마트폰, 휴대폰, 내비게이션, 컴퓨터, 노트북, 디지털방송용 단말, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 태블릿 PC, 게임 콘솔(game console), 웨어러블 디바이스(wearable device), IoT(internet of things) 디바이스, VR(virtual reality) 디바이스, AR(augmented reality) 디바이스, 셋톱 박스 등을 포함할 수 있다. 또한, 도 2에는 3개의 사용자 단말(210_1, 210_2, 210_3)이 네트워크(220)를 통해 정보 처리 시스템(230)과 통신하는 것으로 도시되어 있으나, 이에 한정되지 않으며, 상이한 수의 사용자 단말이 네트워크(220)를 통해 정보 처리 시스템(230)과 통신하도록 구성될 수도 있다.
도 2에는 사용자 단말(210_1, 210_2, 210_3)이 정보 처리 시스템(230)으로부터 의료 볼륨 데이터 생성 모델 및/또는 의료 볼륨 데이터를 제공받는 것으로 도시되었으나, 이에 한정되지 않는다. 예를 들어, 정보 처리 시스템(230)과의 통신 없이, 사용자 단말(210_1, 210_2, 210_3)에 설치된 의료 볼륨 데이터 생성 모델 및/또는 의료 볼륨 데이터 관련 프로그램/애플리케이션을 통해 의료 볼륨 데이터 생성 모델 및/또는 의료 볼륨 데이터가 제공될 수 있다.
도 3은 본 개시의 일 실시예에 따른 사용자 단말(210) 및 정보 처리 시스템(230)의 내부 구성을 나타내는 블록도이다. 사용자 단말(210)은 애플리케이션, 웹 브라우저 등이 실행 가능하고 유/무선 통신이 가능한 임의의 컴퓨팅 장치를 지칭할 수 있으며, 예를 들어, 도 2의 휴대폰 단말(210_1), 태블릿 단말(210_2), PC 단말(210_3) 등을 포함할 수 있다. 도시된 바와 같이, 사용자 단말(210)은 메모리(312), 프로세서(314), 통신 모듈(316) 및 입출력 인터페이스(318)를 포함할 수 있다. 이와 유사하게, 정보 처리 시스템(230)은 메모리(332), 프로세서(334), 통신 모듈(336) 및 입출력 인터페이스(338)를 포함할 수 있다. 도 3에 도시된 바와 같이, 사용자 단말(210) 및 정보 처리 시스템(230)은 각각의 통신 모듈(316, 336)을 이용하여 네트워크(220)를 통해 정보 및/또는 데이터를 통신할 수 있도록 구성될 수 있다. 또한, 입출력 장치(320)는 입출력 인터페이스(318)를 통해 사용자 단말(210)에 정보 및/또는 데이터를 입력하거나 사용자 단말(210)로부터 생성된 정보 및/또는 데이터를 출력하도록 구성될 수 있다.
메모리(312, 332)는 비-일시적인 임의의 컴퓨터 판독 가능한 기록매체를 포함할 수 있다. 일 실시예에 따르면, 메모리(312, 332)는 ROM(read only memory), 디스크 드라이브, SSD(solid state drive), 플래시 메모리(flash memory) 등과 같은 비소멸성 대용량 저장 장치(permanent mass storage device)를 포함할 수 있다. 다른 예로서, ROM, SSD, 플래시 메모리, 디스크 드라이브 등과 같은 비소멸성 대용량 저장 장치는 메모리와는 구분되는 별도의 영구 저장 장치로서 사용자 단말(210) 또는 정보 처리 시스템(230)에 포함될 수 있다. 또한, 메모리(312, 332)에는 운영체제와 적어도 하나의 프로그램 코드가 저장될 수 있다.
이러한 소프트웨어 구성요소들은 메모리(312, 332)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독가능한 기록매체는 이러한 사용자 단말(210) 및 정보 처리 시스템(230)에 직접 연결가능한 기록 매체를 포함할 수 있는데, 예를 들어, 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 예로서, 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 모듈(316, 336)을 통해 메모리(312, 332)에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 애플리케이션의 설치 파일을 배포하는 파일 배포 시스템이 네트워크(220)를 통해 제공하는 파일들에 의해 설치되는 컴퓨터 프로그램에 기반하여 메모리(312, 332)에 로딩될 수 있다.
프로세서(314, 334)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(312, 332) 또는 통신 모듈(316, 336)에 의해 프로세서(314, 334)로 제공될 수 있다. 예를 들어, 프로세서(314, 334)는 메모리(312, 332)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.
통신 모듈(316, 336)은 네트워크(220)를 통해 사용자 단말(210)과 정보 처리 시스템(230)이 서로 통신하기 위한 구성 또는 기능을 제공할 수 있으며, 사용자 단말(210) 및/또는 정보 처리 시스템(230)이 다른 사용자 단말 또는 다른 시스템(일례로 별도의 클라우드 시스템 등)과 통신하기 위한 구성 또는 기능을 제공할 수 있다. 일례로, 사용자 단말(210)의 프로세서(314)가 메모리(312) 등과 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청 또는 데이터(예를 들어, 의료 볼륨 데이터 생성 모델 제공 요청, 의료 볼륨 데이터 생성 요청 등)는 통신 모듈(316)의 제어에 따라 네트워크(220)를 통해 정보 처리 시스템(230)으로 전달될 수 있다. 역으로, 정보 처리 시스템(230)의 프로세서(334)의 제어에 따라 제공되는 제어 신호나 명령이 통신 모듈(336)과 네트워크(220)를 거쳐 사용자 단말(210)의 통신 모듈(316)을 통해 사용자 단말(210)에 수신될 수 있다.
입출력 인터페이스(318)는 입출력 장치(320)와의 인터페이스를 위한 수단일 수 있다. 일 예로서, 입력 장치는 오디오 센서 및/또는 이미지 센서를 포함한 카메라, 키보드, 마이크로폰, 마우스 등의 장치를, 그리고 출력 장치는 디스플레이, 스피커, 햅틱 피드백 디바이스(haptic feedback device) 등과 같은 장치를 포함할 수 있다. 다른 예로, 입출력 인터페이스(318)는 터치스크린 등과 같이 입력과 출력을 수행하기 위한 구성 또는 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 사용자 단말(210)의 프로세서(314)가 메모리(312)에 로딩된 컴퓨터 프로그램의 명령을 처리함에 있어서 정보 처리 시스템(230)이나 다른 사용자 단말이 제공하는 정보 및/또는 데이터를 이용하여 구성되는 서비스 화면 등이 입출력 인터페이스(318)를 통해 디스플레이에 표시될 수 있다. 도 3에서는 입출력 장치(320)가 사용자 단말(210)에 포함되지 않도록 도시되어 있으나, 이에 한정되지 않으며, 사용자 단말(210)과 하나의 장치로 구성될 수 있다. 또한, 정보 처리 시스템(230)의 입출력 인터페이스(338)는 정보 처리 시스템(230)과 연결되거나 정보 처리 시스템(230)이 포함할 수 있는 입력 또는 출력을 위한 장치(미도시)와의 인터페이스를 위한 수단일 수 있다. 도 3에서는 입출력 인터페이스(318, 338)가 프로세서(314, 334)와 별도로 구성된 요소로서 도시되었으나, 이에 한정되지 않으며, 입출력 인터페이스(318, 338)가 프로세서(314, 334)에 포함되도록 구성될 수 있다.
사용자 단말(210) 및 정보 처리 시스템(230)은 도 3의 구성요소들보다 더 많은 구성요소들을 포함할 수 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 일 실시예에서, 사용자 단말(210)은 상술된 입출력 장치(320) 중 적어도 일부를 포함하도록 구현될 수 있다. 또한, 사용자 단말(210)은 트랜시버(transceiver), GPS(Global Positioning system) 모듈, 카메라, 각종 센서, 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수 있다. 예를 들어, 사용자 단말(210)이 스마트폰인 경우, 일반적으로 스마트폰이 포함하고 있는 구성요소를 포함할 수 있으며, 예를 들어, 가속도 센서, 자이로 센서, 마이크 모듈, 카메라 모듈, 각종 물리적인 버튼, 터치패널을 이용한 버튼, 입출력 포트, 진동을 위한 진동기 등의 다양한 구성요소들이 사용자 단말(210)에 더 포함되도록 구현될 수 있다.
의료 볼륨 데이터 생성 모델 관련 애플리케이션 및/또는 의료 볼륨 데이터 관련 애플리케이션 등을 위한 프로그램이 동작되는 동안에, 프로세서(314)는 입출력 인터페이스(318)와 연결된 터치 스크린, 키보드, 오디오 센서 및/또는 이미지 센서를 포함한 카메라, 마이크로폰 등의 입력 장치를 통해 입력되거나 선택된 텍스트, 이미지, 영상, 음성 및/또는 동작 등을 수신할 수 있으며, 수신된 텍스트, 이미지, 영상, 음성 및/또는 동작 등을 메모리(312)에 저장하거나 통신 모듈(316) 및 네트워크(220)를 통해 정보 처리 시스템(230)에 제공할 수 있다.
사용자 단말(210)의 프로세서(314)는 입출력 장치(320), 다른 사용자 단말, 정보 처리 시스템(230) 및/또는 복수의 외부 시스템으로부터 수신된 정보 및/또는 데이터를 관리, 처리 및/또는 저장하도록 구성될 수 있다. 프로세서(314)에 의해 처리된 정보 및/또는 데이터는 통신 모듈(316) 및 네트워크(220)를 통해 정보 처리 시스템(230)에 제공될 수 있다. 사용자 단말(210)의 프로세서(314)는 입출력 인터페이스(318)를 통해 입출력 장치(320)로 정보 및/또는 데이터를 전송하여, 출력할 수 있다. 예를 들면, 프로세서(314)는 수신한 정보 및/또는 데이터를 사용자 단말(210)의 화면에 디스플레이할 수 있다.
정보 처리 시스템(230)의 프로세서(334)는 복수의 사용자 단말(210) 및/또는 복수의 외부 시스템으로부터 수신된 정보 및/또는 데이터를 관리, 처리 및/또는 저장하도록 구성될 수 있다. 프로세서(334)에 의해 처리된 정보 및/또는 데이터는 통신 모듈(336) 및 네트워크(220)를 통해 사용자 단말(210)에 제공할 수 있다.
도 4는 본 개시의 일 실시예에 따른 정보 처리 시스템/사용자 단말의 프로세서(334)의 내부 구성을 나타내는 블록도이다. 도 4에 도시된 바와 같이, 프로세서(334)는 생성기 네트워크(110), 2차원 영상 생성부(120), 판별 결과 생성부(130) 및 학습부(410)를 포함할 수 있다. 도 4에서 프로세서(334) 각각의 구성 요소들은 기능적으로 구분되는 기능 요소들을 나타낸 것으로, 복수의 구성요소가 실제 물리적 환경에서 서로 통합되는 형태로 구현될 수 있다. 대안적으로, 프로세서(334) 각각의 구성 요소들은 실제 물리적 환경에서 서로 별도로 구현될 수 있다. 또한, 도 4에서 프로세서(334)의 내부 구성은 생성기 네트워크(110), 2차원 영상 생성부(120), 판별 결과 생성부(130) 및 학습부(410)로 나누어서 구현되었으나, 이에 한정되지 않으며, 일부 구성이 생략되거나 다른 구성이 추가될 수 있다.
일 실시예에 따르면, 생성기 네트워크(110)는 합성 볼륨 데이터를 생성하기 위하여 다양한 구조/모델이 활용될 수 있다. 예를 들어, 생성기 네트워크(110)는 단일 2차원 슬라이스 이미지 생성하도록 구성될 수 있다. 이 경우, 생성기 네트워크(110)는 생성한 2차원 슬라이스 이미지들을 병합함으로써 합성 볼륨 데이터를 생성할 수 있다. 다른 예로서, 생성기 네트워크(110)는 2차원 슬라이스 이미지 시퀀스를 생성하도록 구성될 수 있다. 이 경우, 생성기 네트워크(110)는 Bi-LSTM을 이용한 Sequential GAN을 활용할 수 있다. 또 다른 예로서, 생성기 네트워크(110)는 직접 3차원 합성 볼륨 데이터를 생성할 수 있다. 이 경우, 생성기 네트워크(110)는 3D GAN을 활용할 수 있다.
일 실시예에 따르면, 생성기 네트워크(110)는 합성 볼륨 데이터를 생성하기 위하여, 랜덤 노이즈를 수신할 수 있다. 예를 들어, 2차원 슬라이스 이미지 시퀀스를 생성하는 생성기 네트워크(110)는 합성 볼륨 데이터 전체에 대한 노이즈 및 이미지 시퀀스를 구성하는 각각의 2차원 슬라이스 이미지에 대한 노이즈를 수신할 수 있다.
일 실시예에 따르면, 2차원 영상 생성부(120)는 실제 볼륨 데이터 및 생성기 네트워크(110)가 생성한 합성 볼륨 데이터로부터 복수의 2차원 영상을 생성할 수 있다. 예를 들어, 2차원 영상 생성부(120)는 합성 볼륨 데이터에 기초하여 복수의 2차원 합성 슬라이스 영상을 생성할 수 있다. 또한, 2차원 영상 생성부(120)는 실제 볼륨 데이터에 기초하여 복수의 2차원 실제 슬라이스 영상을 생성할 수 있다. 이 경우, 복수의 2차원 합성 슬라이스 영상 및 복수의 2차원 실제 슬라이스 영상은 각 볼륨 데이터 내의 동일 위치에서 생성되는 영상일 수 있다. 구체적으로, 2차원 영상 생성부(120)는 합성 볼륨 데이터 및 실제 볼륨 데이터를 서로 직교하는 면(plane)들과 평행한 복수의 2차원 영상을 생성하도록 구성될 수 있다. 예를 들어, 2차원 영상 생성부(120)는 관상면(coronal plane) 영상 생성부, 시상면(sagittal plane) 영상 생성부 및 횡단면(axial plane) 영상 생성부를 포함할 수 있다. 이에 대한 세부적인 내용은 도 6을 참조하여 후술된다.
일 실시예에 따르면, 판별 결과 생성부(130)는 생성된 복수의 2차원 영상 각각의 진위 여부를 판별할 수 있다. 이를 위해, 판별 결과 생성부(130)는 복수의 판별기 네트워크를 포함하도록 구성될 수 있다. 예를 들어, 판별 결과 생성부(130)는 3가지 타입의 2차원 영상(예: 시상면 영상, 관상면 영상, 횡단면 영상) 각각의 진위 여부를 판별하는 제1 판별기 네트워크, 제2 판별기 네트워크 및 제3 판별기 네트워크를 포함할 수 있다. 다른 예로서, 판별 결과 생성부(130)는 2가지 타입의 2차원 영상(예: 제1 면 영상, 제2 면 영상) 각각의 진위 여부를 판별하는 제1 판별기 네트워크 및 제2 판별기 네트워크를 포함하도록 구성될 수 있다. 이에 대한 세부적인 내용은 도 7을 참조하여 후술된다.
일 실시예에 따르면, 학습부(410)는 판별 결과 생성부(130)에 의해 생성된 판별 결과에 기초하여 생성기 네트워크(110)를 업데이트할 수 있다. 예를 들어, 학습부(410)는 판별 결과 생성부(130)가 참(real)으로 판단하는 합성 볼륨 데이터를 생성하도록 생성기 네트워크(110)를 학습시킬 수 있다. 또한, 학습부(410)는 업데이트된 생성기 네트워크에 기초하여 판별 결과 생성부(130)의 복수의 판별기 네트워크를 업데이트 할 수 있다. 예를 들어, 학습부(410)는 업데이트된 생성기 네트워크로부터 생성된 합성 볼륨 데이터를 이용하여 판별 결과 생성부의 판별 결과를 생성하도록 할 수 있다. 그런 다음, 생성된 판별 결과를 정답 데이터를 비교하여 산출한 손실(loss)에 기초하여 판별 결과 생성부(130)의 복수의 판별기 네트워크를 업데이트할 수 있다.
도 5는 본 개시의 일 실시예에 따른 의료 볼륨 데이터와 관련된 해부학적 면(anatomical plane)에 대한 예시를 나타내는 도면이다. 일 실시예에 따르면, 해부학적 면은 인체의 구조를 설명하는 기준 표준으로서 관상면(510), 시상면(520) 및 횡단면(530)을 포함할 수 있다. 관상면(510), 시상면(520) 및 횡단면(530)은 서로 직교하는 면이다.
일 실시예에 따르면, 관상면(510)은 인체를 배쪽과 등쪽으로 나누는 가상의 해부학적 면을 지칭할 수 있다. 시상면(520) 인체를 좌측면과 우측면으로 나누는 가상의 해부학적 면을 지칭할 수 있으며, 시상면(520) 중에서 인체를 정중선을 통해 양측으로 반분되도록 나누는 면을 정중면(median plane) 또는 정중 시상면(mid-sagittal plane)으로 지칭할 수 있다. 횡단면(530)은 인체를 상부와 하부로 나누는 가상의 해부학적 면을 지칭할 수 있으며, 횡단면(530)은 관상면(510)과 시상면(520)과 수직하는 면을 지칭할 수 있다.
이러한 해부학적 면은 인체 구조의 위치와 방향을 설명하는데 사용되며, 서로 다른 해부학적 부위 사이의 관계를 이해하는데 중요한 역할을 한다. 또한, 2차원 영상 생성부가 의료 볼륨 데이터로부터 복수의 2차원 영상을 생성함에 있어 상술한 해부학적 면을 활용할 수 있다. 이에 대한 세부적인 내용은 도 6을 참조하여 후술된다.
도 6은 본 개시의 일 실시예에 따른 프로세서의 2차원 영상 생성부(120)의 내부 구성을 나타내는 블록도이다. 도 6에 도시된 바와 같이, 2차원 영상 생성부(120)는 볼륨 데이터 수신부(610), 관상면 영상 생성부(620), 시상면 영상 생성부(630) 및 횡단면 영상 생성부(640)를 포함할 수 있다. 도 6에서 2차원 영상 생성부(120) 각각의 구성 요소들은 기능적으로 구분되는 기능 요소들을 나타낸 것으로, 복수의 구성요소가 실제 물리적 환경에서 서로 통합되는 형태로 구현될 수 있다. 대안적으로, 2차원 영상 생성부(120) 각각의 구성 요소들은 실제 물리적 환경에서 서로 별도로 구현될 수 있다.
일 실시예에 따르면, 볼륨 데이터 수신부(610)는 2차원 영상 생성의 대상이 되는 의료 볼륨 데이터를 수신할 수 있다. 예를 들어, 볼륨 데이터 수신부(610)는 생성기 네트워크로부터 합성 볼륨 데이터를 수신할 수 있다. 다른 예로서, 볼륨 데이터 수신부(610)는 사용자 단말, 외부 시스템, 내부 데이터베이스 등으로부터 실제 볼륨 데이터를 수신할 수 있다.
일 실시예에 따르면, 관상면 영상 생성부(620)는 볼륨 데이터 수신부에 의해 수신된 볼륨 데이터를 관상면으로 투영한 2차원 영상을 생성할 수 있다. 예를 들어, 관상면 영상 생성부(620)는 합성 볼륨 데이터를 관상면으로 투영한 2차원 합성 슬라이스 영상들을 생성할 수 있다. 또한, 관상면 영상 생성부(620)는 실제 볼륨 데이터를 관상면으로 투영한 2차원 실제 슬라이스 영상들을 생성할 수 있다.
일 실시예에 따르면, 관상면 영상 생성부(620)는 볼륨 데이터 수신부에 의해 수신된 볼륨 데이터를 관상면으로 투영한 2차원 영상을 생성할 수 있다. 예를 들어, 관상면 영상 생성부(620)는 합성 볼륨 데이터를 관상면으로 투영한 제1 세트의 2차원 합성 슬라이스 영상을 생성할 수 있다. 또한, 관상면 영상 생성부(620)는 실제 볼륨 데이터를 관상면으로 투영한 제1 세트의 2차원 실제 슬라이스 영상을 생성할 수 있다. 관상면 영상 생성부(620)는 인체의 중심을 지나는 면뿐만 아니라 관상면과 평행한 면에 대하여 합성 볼륨 데이터 및 실제 볼륨 데이터를 투영하여 제1 세트의 2차원 합성 슬라이스 영상 및 제1 세트의 2차원 실제 슬라이스 영상을 생성할 수 있다. 또한, 생성된 제1 세트의 2차원 합성 슬라이스 영상과 제1 세트의 2차원 실제 슬라이스 영상은 각 볼륨 데이터 내의 동일 위치에서 생성될 수 있다.
일 실시예에 따르면, 시상면 영상 생성부(630)는 볼륨 데이터 수신부에 의해 수신된 볼륨 데이터를 관상면으로 투영한 2차원 영상을 생성할 수 있다. 예를 들어, 시상면 영상 생성부(630)는 합성 볼륨 데이터를 시상면으로 투영한 제2 세트의 2차원 합성 슬라이스 영상을 생성할 수 있다. 또한, 시상면 영상 생성부(630)는 실제 볼륨 데이터를 시상면으로 투영한 제2 세트의 2차원 실제 슬라이스 영상을 생성할 수 있다. 시상면 영상 생성부(630)는 인체의 중심을 지나는 면뿐만 아니라 시상면과 평행한 면에 대하여 합성 볼륨 데이터 및 실제 볼륨 데이터를 투영한 제2 세트의 2차원 합성 슬라이스 영상 및 제2 세트의 2차원 실제 슬라이스 영상을 생성할 수 있다. 또한, 생성된 제2 세트의 2차원 합성 슬라이스 영상과 제2 세트의 2차원 실제 슬라이스 영상은 각 볼륨 데이터 내의 동일 위치에서 생성될 수 있다.
일 실시예에 따르면, 횡단면 영상 생성부(640)는 볼륨 데이터 수신부에 의해 수신된 볼륨 데이터를 횡단면으로 투영한 2차원 영상을 생성할 수 있다. 예를 들어, 횡단면 영상 생성부(640)는 합성 볼륨 데이터를 횡단면으로 투영한 제3 세트의 2차원 합성 슬라이스 영상을 생성할 수 있다. 또한, 횡단면 영상 생성부(640)는 실제 볼륨 데이터를 횡단면으로 투영한 제3 세트의 2차원 실제 슬라이스 영상을 생성할 수 있다. 횡단면 영상 생성부(640)는 인체의 중심을 지나는 면뿐만 아니라 횡단면과 평행한 면에 대하여 합성 볼륨 데이터 및 실제 볼륨 데이터를 투영한 제3 세트의 2차원 합성 슬라이스 영상 및 제3 세트의 2차원 실제 슬라이스 영상을 생성할 수 있다. 또한, 생성된 제3 세트의 2차원 합성 슬라이스 영상과 제3 세트의 2차원 실제 슬라이스 영상은 각 볼륨 데이터 내의 동일 위치에서 생성될 수 있다.
도 6에서 2차원 영상 생성부(120)의 내부 구성은 볼륨 데이터 수신부(610), 관상면 영상 생성부(620), 시상면 영상 생성부(630) 및 횡단면 영상 생성부(640)로 나누어서 구현되었으나, 이에 한정되지 않으며, 일부 구성이 생략되거나 다른 구성이 추가될 수 있다. 예를 들어, 2차원 영상 생성부(120)는 관상면 영상 생성부(620)가 생략된 채 시상면 영상 생성부(630) 및 횡단면 영상 생성부(640)만으로 구성될 수 있다.
도 7은 본 개시의 일 실시예에 따른 프로세서의 판별 결과 생성부(130)의 내부 구성을 나타내는 블록도이다. 도 7에 도시된 바와 같이, 판별 결과 생성부(130)는 제1 판별기 네트워크(710), 제2 판별기 네트워크(720) 및 제3 판별기 네트워크(730)를 포함할 수 있다. 도 7에서 판별 결과 생성부(130) 각각의 구성 요소들은 기능적으로 구분되는 기능 요소들을 나타낸 것으로, 복수의 구성요소가 실제 물리적 환경에서 서로 통합되는 형태로 구현될 수 있다. 대안적으로, 판별 결과 생성부(130) 각각의 구성 요소들은 실제 물리적 환경에서 서로 별도로 구현될 수 있다.
일 실시예에 따르면, 판별 결과 생성부(130) 내부의 판별기 네트워크(710, 720, 730)는 2차원 영상의 진위 판정을 위한 이진 분류기(binary classifier)로 구성될 수 있다. 예를 들어, 판별기 네트워크(710, 720, 730)는 실제 볼륨 데이터로부터 생성된 2차원 실제 슬라이스 영상에 대한 판별 결과로서 실제 데이터(real, 1)로 출력하고, 합성 볼륨 데이터로부터 생성된 2차원 합성 슬라이스 영상에 대한 판별결과로서 합성 데이터(fake, 0)로 출력하도록 학습될 수 있다. 이후, 판별기 네트워크(710, 720, 730)는 수신된 2차원 영상에 대해 여러 개의 합성곱 계층(convolution layer)을 적용하여 피처(feature)를 추출하고, 이 피처에 대하여 완전 연결 계층(fully connected layer; fc layer) 또는 다층 퍼셉트론(multilayer perceptron; MLP)를 적용하여 수신된 2차원 영상이 어떤 레이블(예: 실제 데이터, 합성 데이터)에 해당하는지 판별 결과를 출력할 수 있다.
일 실시예에 따르면, 제1 판별기 네트워크(710)는 관상면으로 투영한 2차원 영상들의 진위 여부를 판별하도록 구성될 수 있다. 예를 들어, 제1 판별기 네트워크(710)는 2차원 영상 생성부의 관상면 영상 생성부로부터 생성된 2차원 합성 슬라이스 영상 및 2차원 실제 슬라이스 영상을 무작위로 수신하고 각각에 대한 진위 여부를 판정할 수 있다.
일 실시예에 따르면, 제2 판별기 네트워크(720)는 시상면으로 투영한 2차원 영상들의 진위 여부를 판별하도록 구성될 수 있다. 예를 들어, 제2 판별기 네트워크(720)는 2차원 영상 생성부의 시상면 영상 생성부로부터 생성된 2차원 합성 슬라이스 영상 및 2차원 실제 슬라이스 영상을 무작위로 수신하고 각각에 대한 진위 여부를 판정할 수 있다.
일 실시예에 따르면, 제3 판별기 네트워크(730)는 횡단면으로 투영한 2차원 영상들의 진위 여부를 판별하도록 구성될 수 있다. 예를 들어, 제3 판별기 네트워크(730)는 2차원 영상 생성부의 횡단면 영상 생성부로부터 생성된 2차원 합성 슬라이스 영상 및 2차원 실제 슬라이스 영상을 무작위로 수신하고 각각에 대한 진위 여부를 판정할 수 있다.
도 7에서 판별 결과 생성부(130)의 내부 구성은 제1 판별기 네트워크(710), 제2 판별기 네트워크(720) 및 제3 판별기 네트워크(730)로 나누어서 구현되었으나, 이에 한정되지 않으며, 일부 구성이 생략되거나 다른 구성이 추가될 수 있다. 예를 들어, 판별 결과 생성부(130)는 제1 판별기 네트워크(710), 제2 판별기 네트워크(720)만으로 구성될 수 있다. 이 경우, 제1 판별기 네트워크(710)는 제1 면과 평행한 2차원 영상들의 진위 여부를 판별하고, 제2 판별기 네트워크(720)는 제1 면과 직교하는 제2 면과 평행한 2차원 영상들의 진위 여부를 판별할 수 있다.
상술한 것과 같이, 다시점(multi-viewpoint) 판별기 네트워크들을 사용함으로써 3차원 공간에서 일관성 있는 의료 볼륨 데이터를 생성할 수 있다.
도 8은 본 개시의 일 실시예에 따라 합성 볼륨 데이터(112) 및 실제 볼륨 데이터(122)에 대한 판별 결과가 생성되는 예시를 나타내는 도면이다. 일 실시예에 따르면, 관상면 영상 생성부(620)는 합성 볼륨 데이터(112)를 수신하고, 수신한 합성 볼륨 데이터(112)를 관상면으로 투영한 제1 세트의 2차원 합성 슬라이스 영상(622)을 생성할 수 있다. 또한, 관상면 영상 생성부(620)는 실제 볼륨 데이터(122)를 수신하고, 수신한 실제 볼륨 데이터(122)를 관상면으로 투영한 제1 세트의 2차원 실제 슬라이스 영상(624)을 생성할 수 있다. 제1 판별기 네트워크(710)는 생성된 제1 세트의 2차원 슬라이스 영상(622, 624)에 포함된 영상을 무작위로 수신할 수 있으며, 수신된 영상 각각에 대하여 진위 여부를 판별 결과로서 생성할 수 있다. 생성된 판별 결과는 생성기 네트워크/판별기 네트워크를 업데이트하는데 활용될 수 있다.
일 실시예에 따르면, 시상면 영상 생성부(630)는 합성 볼륨 데이터(112)를 수신하고, 수신한 합성 볼륨 데이터(112)를 시상면으로 투영한 제2 세트의 2차원 합성 슬라이스 영상(632)을 생성할 수 있다. 또한, 시상면 영상 생성부(630)는 실제 볼륨 데이터(122)를 수신하고, 수신한 실제 볼륨 데이터(122)를 시상면으로 투영한 제2 세트의 2차원 실제 슬라이스 영상(634)을 생성할 수 있다. 제2 판별기 네트워크(720)는 생성된 제2 세트의 2차원 슬라이스 영상(632, 634)에 포함된 영상을 무작위로 수신할 수 있으며, 수신된 영상 각각에 대하여 진위 여부를 판별 결과로서 생성할 수 있다. 생성된 판별 결과는 생성기 네트워크/판별기 네트워크를 업데이트하는데 활용될 수 있다.
일 실시예에 따르면, 횡단면 영상 생성부(640)는 합성 볼륨 데이터(112)를 수신하고, 수신한 합성 볼륨 데이터(112)를 횡단면으로 투영한 제3 세트의 2차원 합성 슬라이스 영상(642)을 생성할 수 있다. 또한, 횡단면 영상 생성부(640)는 실제 볼륨 데이터(122)를 수신하고, 수신한 실제 볼륨 데이터(122)를 횡단면으로 투영한 제3 세트의 2차원 실제 슬라이스 영상(644)을 생성할 수 있다. 제3 판별기 네트워크(730)는 생성된 제3 세트의 2차원 슬라이스 영상(642, 644)에 포함된 영상을 무작위로 수신할 수 있으며, 수신된 영상 각각에 대하여 진위 여부를 판별 결과로서 생성할 수 있다. 생성된 판별 결과는 생성기 네트워크/판별기 네트워크를 업데이트하는데 활용될 수 있다.
상술한 구성과 같이 합성 볼륨 데이터를 다양한 각도/시점에서 투영한 복수의 2차원 슬라이스 영상을 생성하고, 각 각도/시점에 대응하는 복수의 판별기 네트워크에 의해 판별된 복수의 2차원 슬라이스 영상의 진위 판별 결과에 기초하여 생성기 네트워크/판별기 네트워크를 업데이트함으로써, 왜곡되지 않고 일관성 있는 의료 볼륨 데이터를 생성하도록 생성 모델을 학습시킬 수 있다.
도 9는 본 개시의 일 실시예에 따라 의료 볼륨 데이터 생성 모델/시스템이 업데이트되는 예시를 나타내는 도면이다. 일 실시예에 따르면, 의료 볼륨 데이터 생성 모델/시스템에 포함된 생성기 네트워크(110)와 판별 결과 생성부(130) 내에 포함된 복수의 판별기 네트워크가 교차로 업데이트될 수 있다. 예를 들어, 생성기 네트워크(110)의 파라미터를 고정시킨 상태에서 판별 결과 생성부(130)의 파라미터를 업데이트 한 후, 판별 결과 생성부(130)의 파라미터를 고정시킨 상태에서 생성기 네트워크(110)의 파라미터를 업데이트하는 작업을 반복할 수 있다.
일 실시예에서, 생성기 네트워크(110)는 판별 결과 생성부(130)에 의해 생성된 판별 결과에 기초하여 업데이트될 수 있다(910). 예를 들어, 판별 결과 생성부(130)의 판별 결과를 피드백 받아, 판별 결과 생성부의 판별기 네트워크가 실제 데이터로 판단하도록 하는 합성 볼륨 데이터를 생성하도록 생성기 네트워크(110)가 업데이트/학습될 수 있다.
일 실시예에 따르면, 판별 결과 생성부(130)의 복수의 판별기 네트워크는 업데이트된 생성기 네트워크에 기초하여 업데이트될 수 있다(920). 예를 들어, 업데이트된 생성기 네트워크를 이용하여 생성된 합성 볼륨 데이터에 대한 판별 결과가 생성될 수 있으며, 생성된 판별 결과를 정답 데이터와 비교함으로써 발생한 손실(loss)이 산출될 수 있다. 이후, 산출된 손실에 기초하여 판별 결과 생성부(130)의 판별기 네트워크는 정확한 판별 결과를 생성하도록 학습될 수 있다. 손실을 산출하기 위한 손실 함수로서 이진 크로스 엔트로피(binary cross entropy; BCE) 손실 함수, 소프트맥스(softmax) 손실 함수, 베르누이 분포(bernoulli distribution) 손실 함수 등이 이용될 수 있으며, 평균 제곱 오차(mean squared error; MSE)를 이용하여 0과 1사이의 값으로 회귀(regression)될 수 있다.
상술한 구성과 같이 생성기 네트워크와 복수의 판별기 네트워크를 교차로 업데이트하는 과정을 반복함으로써, 의료 볼륨 데이터 생성 모델/시스템의 성능을 향상시킬 수 있다.
도 10은 본 개시의 일 실시예에 따른 의료 영상 생성 모델 학습 방법(1000)의 예시를 나타내는 흐름도이다. 일 실시예에서, 방법(1000)은 사용자 단말 또는 정보 처리 시스템의 적어도 하나의 프로세서에 의해 수행될 수 있다. 대안적으로, 방법(1000)의 단계들을 사용자 단말의 적어도 하나의 프로세서와 정보 처리 시스템의 적어도 하나의 프로세서가 나누어 수행할 수 있다.
방법(1000)은 생성기 네트워크를 이용하여 합성 볼륨 데이터를 생성함으로써 개시될 수 있다(S1010). 일 실시예에서, 생성기 네트워크는 단일 2차원 슬라이스 이미지를 생성하거나, 2차원 슬라이스 이미지 시퀀스를 생성하거나, 합성 볼륨 데이터를 생성하도록 구성될 수 있고, 생성기 네트워크가 단일 2차원 슬라이스 이미지를 생성하도록 구성되는 경우, 생성기 네트워크가 생성하는 2차원 슬라이스 이미지들을 병합함으로써 합성 볼륨 데이터를 생성할 수 있다.
그런 다음, 프로세서는 실제 볼륨 데이터를 수신할 수 있다(S1020). 그런 다음, 프로세서는 합성 볼륨 데이터 및 실제 볼륨 데이터에 기초하여 복수의 2차원 영상을 생성할 수 있다(S1030). 일 실시예에서, 프로세서는 합성 볼륨 데이터에 기초하여 복수의 2차원 합성 슬라이스 영상을 생성하고, 실제 볼륨 데이터에 기초하여 복수의 2차원 실제 슬라이스 영상을 생성할 수 있다. 이 경우, 복수의 2차원 합성 슬라이스 영상과 복수의 2차원 실제 슬라이스 영상은 각 볼륨 데이터 내의 동일 위치에서의 생성될 수 있다.
다른 실시예에서, 프로세서는 합성 볼륨 데이터를 관상면으로 투영한 제1 세트의 2차원 합성 슬라이스 영상을 생성하고, 합성 볼륨 데이터를 시상면으로 투영한 제2 세트의 2차원 합성 슬라이스 영상을 생성하고, 합성 볼륨 데이터를 횡단면으로 투영한 제3 세트의 2차원 합성 슬라이스 영상을 생성할 수 있다. 또한, 프로세서는 실제 볼륨 데이터를 관상면으로 투영한 제1 세트의 2차원 실제 슬라이스 영상을 생성하고, 실제 볼륨 데이터를 시상면으로 투영한 제2 세트의 2차원 실제 슬라이스 영상을 생성하고, 실제 볼륨 데이터를 횡단면으로 투영한 제3 세트의 2차원 실제 슬라이스 영상을 생성할 수 있다.
그런 다음, 프로세서는 복수의 판별기 네트워크를 이용하여 생성된 복수의 2차원 영상 각각의 진위 여부를 판별할 수 있다(S1040). 일 실시예에서, 복수의 판별기 네트워크는 제1 판별기 네트워크, 제2 판별기 네트워크 및 제3 판별기 네트워크를 포함할 수 있다. 이 경우, 제1 판별기 네트워크는 관상면으로 투영한 2차원 영상들의 진위 여부를 판별하고, 제2 판별기 네트워크는 시상면으로 투영한 2차원 영상들의 진위 여부를 판별하고, 제3 판별기 네트워크는 횡단면으로 투영한 2차원 영상들의 진위 여부를 판별할 수 있다.
다른 실시예에서, 복수의 판별기 네트워크는 제1 판별기 네트워크 및 제2 판별기 네트워크를 포함할 수 있다. 이 경우, 제1 판별기 네트워크는 제1 면과 평행한 2차원 영상들의 진위 여부를 판별하고, 제2 판별기 네트워크는 제2 면과 평행한 2차원 영상들의 진위 여부를 판별할 수 있다. 또한, 제1 면과 제2 면은 서로 직교할 수 있다.
그런 다음, 프로세서는 복수의 판별기 네트워크의 판별 결과에 기초하여 생성기 네트워크를 업데이트할 수 있다(S1050). 마지막으로, 프로세서는 업데이트된 생성기 네트워크에 기초하여 복수의 판별기 네트워크를 업데이트 할 수 있다(S1060).
도 10에서 도시한 흐름도 및 상술한 설명은 일 예시일 뿐이며, 일부 실시예에서는 다르게 구현될 수 있다. 예를 들어, 일부 실시예에서는 각 단계의 순서가 바뀌거나, 일부 단계가 반복 수행되거나, 일부 단계가 생략되거나, 일부 단계가 추가될 수 있다.
상술한 방법은 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램으로 제공될 수 있다. 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록 수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD 와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.
본 개시의 방법, 동작 또는 기법들은 다양한 수단에 의해 구현될 수도 있다. 예를 들어, 이러한 기법들은 하드웨어, 펌웨어, 소프트웨어, 또는 이들의 조합으로 구현될 수도 있다. 본원의 개시와 연계하여 설명된 다양한 예시적인 논리적 블록들, 모듈들, 회로들, 및 알고리즘 단계들은 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양자의 조합들로 구현될 수도 있음을 통상의 기술자들은 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 대체를 명확하게 설명하기 위해, 다양한 예시적인 구성요소들, 블록들, 모듈들, 회로들, 및 단계들이 그들의 기능적 관점에서 일반적으로 위에서 설명되었다. 그러한 기능이 하드웨어로서 구현되는지 또는 소프트웨어로서 구현되는 지의 여부는, 특정 애플리케이션 및 전체 시스템에 부과되는 설계 요구사항들에 따라 달라진다. 통상의 기술자들은 각각의 특정 애플리케이션을 위해 다양한 방식들로 설명된 기능을 구현할 수도 있으나, 그러한 구현들은 본 개시의 범위로부터 벗어나게 하는 것으로 해석되어서는 안 된다.
하드웨어 구현에서, 기법들을 수행하는 데 이용되는 프로세싱 유닛들은, 하나 이상의 ASIC들, DSP들, 디지털 신호 프로세싱 디바이스들(digital signal processing devices; DSPD들), 프로그램가능 논리 디바이스들(programmable logic devices; PLD들), 필드 프로그램가능 게이트 어레이들(field programmable gate arrays; FPGA들), 프로세서들, 제어기들, 마이크로제어기들, 마이크로프로세서들, 전자 디바이스들, 본 개시에 설명된 기능들을 수행하도록 설계된 다른 전자 유닛들, 컴퓨터, 또는 이들의 조합 내에서 구현될 수도 있다.
따라서, 본 개시와 연계하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 및 회로들은 범용 프로세서, DSP, ASIC, FPGA나 다른 프로그램 가능 논리 디바이스, 이산 게이트나 트랜지스터 로직, 이산 하드웨어 컴포넌트들, 또는 본원에 설명된 기능들을 수행하도록 설계된 것들의 임의의 조합으로 구현되거나 수행될 수도 있다. 범용 프로세서는 마이크로프로세서일 수도 있지만, 대안으로, 프로세서는 임의의 종래의 프로세서, 제어기, 마이크로제어기, 또는 상태 머신일 수도 있다. 프로세서는 또한, 컴퓨팅 디바이스들의 조합, 예를 들면, DSP와 마이크로프로세서, 복수의 마이크로프로세서들, DSP 코어와 연계한 하나 이상의 마이크로프로세서들, 또는 임의의 다른 구성의 조합으로서 구현될 수도 있다.
펌웨어 및/또는 소프트웨어 구현에 있어서, 기법들은 랜덤 액세스 메모리(random access memory; RAM), 판독 전용 메모리(read-only memory; ROM), 비휘발성 RAM(non-volatile random access memory; NVRAM), PROM(programmable read-only memory), EPROM(erasable programmable read-only memory), EEPROM(electrically erasable PROM), 플래시 메모리, 컴팩트 디스크(compact disc; CD), 자기 또는 광학 데이터 스토리지 디바이스 등과 같은 컴퓨터 판독가능 매체 상에 저장된 명령들로서 구현될 수도 있다. 명령들은 하나 이상의 프로세서들에 의해 실행 가능할 수도 있고, 프로세서(들)로 하여금 본 개시에 설명된 기능의 특정 양태들을 수행하게 할 수도 있다.
소프트웨어로 구현되는 경우, 상기 기법들은 하나 이상의 명령들 또는 코드로서 컴퓨터 판독 가능한 매체 상에 저장되거나 또는 컴퓨터 판독 가능한 매체를 통해 전송될 수도 있다. 컴퓨터 판독가능 매체들은 한 장소에서 다른 장소로 컴퓨터 프로그램의 전송을 용이하게 하는 임의의 매체를 포함하여 컴퓨터 저장 매체들 및 통신 매체들 양자를 포함한다. 저장 매체들은 컴퓨터에 의해 액세스될 수 있는 임의의 이용 가능한 매체들일 수도 있다. 비제한적인 예로서, 이러한 컴퓨터 판독가능 매체는 RAM, ROM, EEPROM, CD-ROM 또는 다른 광학 디스크 스토리지, 자기 디스크 스토리지 또는 다른 자기 스토리지 디바이스들, 또는 소망의 프로그램 코드를 명령들 또는 데이터 구조들의 형태로 이송 또는 저장하기 위해 사용될 수 있으며 컴퓨터에 의해 액세스될 수 있는 임의의 다른 매체를 포함할 수 있다. 또한, 임의의 접속이 컴퓨터 판독가능 매체로 적절히 칭해진다.
예를 들어, 소프트웨어가 동축 케이블, 광섬유 케이블, 연선, 디지털 가입자 회선 (DSL), 또는 적외선, 무선, 및 마이크로파와 같은 무선 기술들을 사용하여 웹사이트, 서버, 또는 다른 원격 소스로부터 전송되면, 동축 케이블, 광섬유 케이블, 연선, 디지털 가입자 회선, 또는 적외선, 무선, 및 마이크로파와 같은 무선 기술들은 매체의 정의 내에 포함된다. 본원에서 사용된 디스크(disk) 와 디스크(disc)는, CD, 레이저 디스크, 광 디스크, DVD(digital versatile disc), 플로피디스크, 및 블루레이 디스크를 포함하며, 여기서 디스크들(disks)은 보통 자기적으로 데이터를 재생하고, 반면 디스크들(discs) 은 레이저를 이용하여 광학적으로 데이터를 재생한다. 위의 조합들도 컴퓨터 판독가능 매체들의 범위 내에 포함되어야 한다.
소프트웨어 모듈은, RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터들, 하드 디스크, 이동식 디스크, CD-ROM, 또는 공지된 임의의 다른 형태의 저장 매체 내에 상주할 수도 있다. 예시적인 저장 매체는, 프로세가 저장 매체로부터 정보를 판독하거나 저장 매체에 정보를 기록할 수 있도록, 프로세서에 연결될 수 있다. 대안으로, 저장 매체는 프로세서에 통합될 수도 있다. 프로세서와 저장 매체는 ASIC 내에 존재할 수도 있다. ASIC은 유저 단말 내에 존재할 수도 있다. 대안으로, 프로세서와 저장 매체는 유저 단말에서 개별 구성요소들로서 존재할 수도 있다.
이상 설명된 실시예들이 하나 이상의 독립형 컴퓨터 시스템에서 현재 개시된 주제의 양태들을 활용하는 것으로 기술되었으나, 본 개시는 이에 한정되지 않고, 네트워크나 분산 컴퓨팅 환경과 같은 임의의 컴퓨팅 환경과 연계하여 구현될 수도 있다. 또 나아가, 본 개시에서 주제의 양상들은 복수의 프로세싱 칩들이나 장치들에서 구현될 수도 있고, 스토리지는 복수의 장치들에 걸쳐 유사하게 영향을 받게 될 수도 있다. 이러한 장치들은 PC들, 네트워크 서버들, 및 휴대용 장치들을 포함할 수도 있다.
본 명세서에서는 본 개시가 일부 실시예들과 관련하여 설명되었지만, 본 개시의 발명이 속하는 기술분야의 통상의 기술자가 이해할 수 있는 본 개시의 범위를 벗어나지 않는 범위에서 다양한 변형 및 변경이 이루어질 수 있다. 또한, 그러한 변형 및 변경은 본 명세서에 첨부된 특허청구의 범위 내에 속하는 것으로 생각되어야 한다.
110: 생성기 네트워크
112: 합성 볼륨 데이터
120: 2차원 영상 생성부
122: 실제 볼륨 데이터
124: 2차원 합성 슬라이스 영상
126: 2차원 실제 슬라이스 영상
130: 판별 결과 생성부
112: 합성 볼륨 데이터
120: 2차원 영상 생성부
122: 실제 볼륨 데이터
124: 2차원 합성 슬라이스 영상
126: 2차원 실제 슬라이스 영상
130: 판별 결과 생성부
Claims (10)
- 적어도 하나의 프로세서에 의해 수행되는, 3차원 공간에서 일관성 있는 의료 볼륨 데이터 생성 모델 학습 방법에 있어서,
생성기 네트워크(generator network)를 이용하여 합성 볼륨 데이터(synthetic volume data)를 생성하는 단계;
실제 볼륨 데이터(real volume data)를 수신하는 단계;
상기 합성 볼륨 데이터 및 상기 실제 볼륨 데이터에 기초하여 복수의 2차원 영상을 생성하는 단계;
복수의 판별기 네트워크(discriminator network)를 이용하여 상기 생성된 복수의 2차원 영상 각각의 진위 여부를 판별하는 단계; 및
상기 복수의 판별기 네트워크의 판별 결과에 기초하여 상기 생성기 네트워크를 업데이트하는 단계
를 포함하고,
상기 복수의 2차원 영상을 생성하는 단계는,
상기 합성 볼륨 데이터를 제1 면(plane)으로 투영(projection)한 제1 세트의 2차원 합성 슬라이스 영상을 생성하는 단계;
상기 합성 볼륨 데이터를 제2 면으로 투영한 제2 세트의 2차원 합성 슬라이스 영상을 생성하는 단계;
상기 실제 볼륨 데이터를 상기 제1 면으로 투영한 제1 세트의 2차원 실제 슬라이스 영상을 생성하는 단계; 및
상기 실제 볼륨 데이터를 상기 제2 면으로 투영한 제2 세트의 2차원 실제 슬라이스 영상을 생성하는 단계
를 포함하고,
상기 복수의 판별기 네트워크는 제1 판별기 네트워크 및 제2 판별기 네트워크를 포함하고,
상기 제1 판별기 네트워크는 상기 제1 면과 평행한 상기 제1 세트의 2차원 합성 슬라이스 영상 및 상기 제1 세트의 2차원 실제 슬라이스 영상의 진위 여부를 판별하도록 구성되고,
상기 제2 판별기 네트워크는 상기 제2 면과 평행한 상기 제2 세트의 2차원 합성 슬라이스 영상 및 상기 제2 세트의 2차원 실제 슬라이스 영상의 진위 여부를 판별하도록 구성되고,
상기 제1 면과 상기 제2 면은 서로 직교하는, 의료 볼륨 데이터 생성 모델 학습 방법.
- 제1항에 있어서,
서로 대응하는 2차원 합성 슬라이스 영상과 2차원 실제 슬라이스 영상은 각 볼륨 데이터 내의 동일 위치에서의 생성되는, 의료 볼륨 데이터 생성 모델 학습 방법.
- 제1항에 있어서,
상기 복수의 2차원 영상을 생성하는 단계는,
상기 합성 볼륨 데이터를 제3 면으로 투영한 제3 세트의 2차원 합성 슬라이스 영상을 생성하는 단계; 및
상기 실제 볼륨 데이터를 상기 제3 면으로 투영한 제3 세트의 2차원 실제 슬라이스 영상을 생성하는 단계
를 더 포함하고,
상기 제3 면은 상기 제1 면 및 상기 제2 면과 서로 직교하는, 의료 볼륨 데이터 생성 모델 학습 방법.
- 제3항에 있어서,
상기 복수의 판별기 네트워크는 제3 판별기 네트워크를 더 포함하고,
상기 제3 판별기 네트워크는 상기 제3 면과 평행한 상기 제3 세트의 2차원 합성 슬라이스 영상 및 상기 제3 세트의 2차원 실제 슬라이스 영상의 진위 여부를 판별하도록 구성된, 의료 볼륨 데이터 생성 모델 학습 방법.
- 제3항에 있어서,
상기 제1 면은 관상면(coronal plane)이고,
상기 제2 면은 시상면(sagittal plane)이고,
상기 제3 면은 횡단면(axial plane)인,
의료 볼륨 데이터 생성 모델 학습 방법.
- 제1항에 있어서,
상기 생성기 네트워크는,
단일 2차원 슬라이스 이미지를 생성하거나,
2차원 슬라이스 이미지 시퀀스를 생성하거나,
합성 볼륨 데이터를 생성하도록 구성되고,
상기 생성기 네트워크가 단일 2차원 슬라이스 이미지를 생성하도록 구성되는 경우, 상기 생성기 네트워크가 생성하는 2차원 슬라이스 이미지들을 병합함으로써 상기 합성 볼륨 데이터를 생성하는, 의료 볼륨 데이터 생성 모델 학습 방법.
- 제1항에 있어서,
상기 업데이트된 생성기 네트워크에 기초하여 상기 복수의 판별기 네트워크를 업데이트하는 단계
를 더 포함하는, 의료 볼륨 데이터 생성 모델 학습 방법.
- 제1항 내지 제7항 중 어느 한 항에 따른 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램.
- 장치로서,
메모리; 및
상기 메모리와 연결되고, 상기 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서
를 포함하고,
상기 적어도 하나의 프로그램은,
생성기 네트워크를 이용하여 합성 볼륨 데이터를 생성하고,
실제 볼륨 데이터를 수신하고,
상기 합성 볼륨 데이터 및 상기 실제 볼륨 데이터에 기초하여 복수의 2차원 영상을 생성하고,
복수의 판별기 네트워크를 이용하여 상기 생성된 복수의 2차원 영상 각각의 진위 여부를 판별하고,
상기 복수의 판별기 네트워크의 판별 결과에 기초하여 상기 생성기 네트워크를 업데이트하기 위한 명령어들을 포함하고,
상기 복수의 2차원 영상을 생성하는 것은,
상기 합성 볼륨 데이터를 제1 면으로 투영한 제1 세트의 2차원 합성 슬라이스 영상을 생성하고,
상기 합성 볼륨 데이터를 제2 면으로 투영한 제2 세트의 2차원 합성 슬라이스 영상을 생성하고,
상기 실제 볼륨 데이터를 상기 제1 면으로 투영한 제1 세트의 2차원 실제 슬라이스 영상을 생성하고,
상기 실제 볼륨 데이터를 상기 제2 면으로 투영한 제2 세트의 2차원 실제 슬라이스 영상을 생성하는 것을 포함하고,
상기 복수의 판별기 네트워크는 제1 판별기 네트워크 및 제2 판별기 네트워크를 포함하고,
상기 제1 판별기 네트워크는 상기 제1 면과 평행한 상기 제1 세트의 2차원 합성 슬라이스 영상 및 상기 제1 세트의 2차원 실제 슬라이스 영상의 진위 여부를 판별하도록 구성되고,
상기 제2 판별기 네트워크는 상기 제2 면과 평행한 상기 제2 세트의 2차원 합성 슬라이스 영상 및 상기 제2 세트의 2차원 실제 슬라이스 영상의 진위 여부를 판별하도록 구성되고,
상기 제1 면과 상기 제2 면은 서로 직교하는, 장치.
- 의료 볼륨 데이터 생성 시스템으로서,
합성 볼륨 데이터를 생성하도록 구성된 생성기 네트워크;
실제 볼륨 데이터 및 상기 합성 볼륨 데이터를 수신하고, 상기 합성 볼륨 데이터 및 상기 실제 볼륨 데이터에 기초하여 복수의 2차원 영상을 생성하도록 구성된 2차원 영상 생성부; 및
상기 생성된 복수의 2차원 영상 각각의 진위 여부를 판별하도록 구성된 복수의 판별기 네트워크를 포함하고,
상기 2차원 영상 생성부는,
상기 합성 볼륨 데이터를 제1 면으로 투영한 제1 세트의 2차원 합성 슬라이스 영상을 생성하고,
상기 합성 볼륨 데이터를 제2 면으로 투영한 제2 세트의 2차원 합성 슬라이스 영상을 생성하고,
상기 실제 볼륨 데이터를 상기 제1 면으로 투영한 제1 세트의 2차원 실제 슬라이스 영상을 생성하고,
상기 실제 볼륨 데이터를 상기 제2 면으로 투영한 제2 세트의 2차원 실제 슬라이스 영상을 생성하도록 구성되고,
상기 복수의 판별기 네트워크는 제1 판별기 네트워크 및 제2 판별기 네트워크를 포함하고,
상기 제1 판별기 네트워크는 상기 제1 면과 평행한 상기 제1 세트의 2차원 합성 슬라이스 영상 및 상기 제1 세트의 2차원 실제 슬라이스 영상의 진위 여부를 판별하도록 구성되고,
상기 제2 판별기 네트워크는 상기 제2 면과 평행한 상기 제2 세트의 2차원 합성 슬라이스 영상 및 상기 제2 세트의 2차원 실제 슬라이스 영상의 진위 여부를 판별하도록 구성되고,
상기 제1 면과 상기 제2 면은 서로 직교하는, 의료 볼륨 데이터 생성 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230029219A KR102584545B1 (ko) | 2023-03-06 | 2023-03-06 | 3차원 공간에서 일관성 있는 의료 볼륨 데이터 생성 모델 학습 방법 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230029219A KR102584545B1 (ko) | 2023-03-06 | 2023-03-06 | 3차원 공간에서 일관성 있는 의료 볼륨 데이터 생성 모델 학습 방법 및 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102584545B1 true KR102584545B1 (ko) | 2023-10-04 |
Family
ID=88290111
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230029219A KR102584545B1 (ko) | 2023-03-06 | 2023-03-06 | 3차원 공간에서 일관성 있는 의료 볼륨 데이터 생성 모델 학습 방법 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102584545B1 (ko) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020043927A (ja) * | 2018-09-14 | 2020-03-26 | 富士フイルム株式会社 | 医用画像処理装置、方法およびプログラム |
| KR20200118050A (ko) * | 2018-01-10 | 2020-10-14 | 앵스티튜 드 흐쉑쉐 쉬르 레 캉세흐 드 라파헤이 디제스티프 - 이흐카드 | 3d 의료용 이미지의 해부학적 구조에 따른 구조화된 콘볼루션을 통한, 하나 또는 여러 신경망에 의한 3d 의료용 이미지의 자동 세그멘트화 프로세스 |
| KR20210135039A (ko) * | 2020-05-04 | 2021-11-12 | 재단법인대구경북과학기술원 | 조건부 생성 적대적 네트워크를 이용한 의료 영상의 예측을 위한 방법 및 장치 |
-
2023
- 2023-03-06 KR KR1020230029219A patent/KR102584545B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200118050A (ko) * | 2018-01-10 | 2020-10-14 | 앵스티튜 드 흐쉑쉐 쉬르 레 캉세흐 드 라파헤이 디제스티프 - 이흐카드 | 3d 의료용 이미지의 해부학적 구조에 따른 구조화된 콘볼루션을 통한, 하나 또는 여러 신경망에 의한 3d 의료용 이미지의 자동 세그멘트화 프로세스 |
| JP2020043927A (ja) * | 2018-09-14 | 2020-03-26 | 富士フイルム株式会社 | 医用画像処理装置、方法およびプログラム |
| KR20210135039A (ko) * | 2020-05-04 | 2021-11-12 | 재단법인대구경북과학기술원 | 조건부 생성 적대적 네트워크를 이용한 의료 영상의 예측을 위한 방법 및 장치 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9610496B2 (en) | Character model animation using stored recordings of player movement interface data | |
| CN105229703A (zh) | 用于使用感测的位置数据来生成三维模型的系统和方法 | |
| US11928856B2 (en) | Computer vision and speech algorithm design service | |
| US11842529B2 (en) | Spatial localization design service | |
| CN104885074A (zh) | 管理设计数据的云平台 | |
| US20230186562A1 (en) | Method and system for 3d modeling based on volume estimation | |
| CN112513713B (zh) | 用于地图构建的系统和方法 | |
| KR102584545B1 (ko) | 3차원 공간에서 일관성 있는 의료 볼륨 데이터 생성 모델 학습 방법 및 장치 | |
| KR102637774B1 (ko) | Xr 온라인 플랫폼을 위한 3d 모델링 자동화 방법 및 시스템 | |
| CN111739134B (zh) | 虚拟角色的模型处理方法、装置及可读存储介质 | |
| CN109816791B (zh) | 用于生成信息的方法和装置 | |
| US11003812B2 (en) | Experience driven development of mixed reality devices with immersive feedback | |
| KR102551914B1 (ko) | 인터랙티브 객체 뷰어 생성 방법 및 시스템 | |
| KR20120042467A (ko) | 물리 시뮬레이션 결과 재활용 방법 및 이를 이용한 게임 서비스 장치 | |
| Montano-Murillo et al. | OpenMPD: A low-level presentation engine for Multimodal Particle-based Displays | |
| WO2022218104A1 (zh) | 虚拟形象的碰撞处理方法、装置、电子设备和存储介质 | |
| JP2023544033A (ja) | デバイスにおけるメディア処理の方法、装置及びプログラム | |
| Kirar et al. | Review paper on the generation of computer graphics | |
| KR102636155B1 (ko) | 콘텐츠 코드를 이용한 이미지 생성 방법 및 시스템 | |
| KR102610133B1 (ko) | 합성 이미지 생성 방법 및 시스템 | |
| KR102533209B1 (ko) | 다이나믹 확장현실(xr) 콘텐츠 생성 방법 및 시스템 | |
| US20240135646A1 (en) | Method And System For Generating Virtual Environment To Verify Autonomous Driving Service | |
| US20240062497A1 (en) | Method and system for generating virtual content | |
| KR102646137B1 (ko) | 복수의 신체 부위와 연관된 의료 영상 생성 모델 학습 방법 및 장치 | |
| KR20240067675A (ko) | 3차원 빌딩 모델 및 도로 모델을 이용한 3차원 거리뷰 모델 생성 방법 및 시스템 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |