KR102590872B1 - 환부의 회복 정보를 예측하기 위한 방법 - Google Patents

Abstract

본 개시는 적어도 하나의 컴퓨팅 장치에 의해 수행되는, 회복 정보를 예측하는 방법으로서, 신경망 모델에 환부 이미지를 입력하는 단계 및 상기 신경망 모델을 활용하여, 상기 환부 이미지를 기초로 회복 정보를 예측하는 단계를 포함할 수 있다. 이때, 상기 신경망 모델은, 복수의 환부 타입들과 관련된 복수의 과업들에 기초하여 학습된 모델에 대응될 수 있다.

Description

환부의 회복 정보를 예측하기 위한 방법{METHOD FOR PREDICTING RECOVERY INFORMATION FROM AFFECTED AREA}

본 개시는 환부(affected area)의 회복 정보를 예측하기 위한 방법에 관한 것으로서, 보다 상세하게는, 신경망 모델을 사용하여 환부의 회복 정보를 예측하는 방법에 관한 것이다.

의료 분야와 관련하여, 외상을 입었을 경우, 전문가에게 치료를 받아야할 수준인지 아닌지를 스스로 판단하거나, 수술 혹은 시술 이후 환부가 수술 경과일에 따라 정상적으로 회복되고 있는지 아닌지를 비전문가 스스로 판단하는 것은 전문적 지식의 부족으로 인하여 어려움이 따를 수 있다.

그러나, 전문가가 환자의 환부를 항상 모니터링 하는 것은 효율적이지 않으므로, 비전문가인 환자 스스로, 자신의 환부가 어떻게 회복되고 있는지에 대한 회복 정보를 획득할 방법이 필요하다.

종래에는, 의료 분야에서는 x선 촬영 영상, 컴퓨터단층촬영(computed tomography) 영상 및 자기공명영상(magnetic resonance imaging)을 포함하는 다양한 이미지를 기초로 신경망 모델을 사용하여 증상을 자동으로 분류하는 연구가 계속되고 있다.

그러나, 외상일 경우에, 비전문가가 쉽게 구할 수 있는 환부를 촬영한 이미지를 기초로, 비전문가 스스로 환부에 대한 치료 정보를 생성하는 것에 관한 연구가 부족한 실정이다.

따라서, 환부를 촬영한 이미지를 기초로 신경망 모델을 사용하여 환부에 대한 치료 정보를 예측할 방법에 대한 필요성이 대두되고 있다.

한편, 본 개시는 이상에서 살핀 기술적 배경에 적어도 기초하여 도출되었으나, 본 개시의 기술적 과제 또는 목적은, 이상에서 살핀 문제점 또는 단점을 해결하는 것에 한정되지는 않는다. 즉, 본 개시는, 이상에서 살핀 기술적 이슈(issue) 이외에도, 이하에서 설명할 내용과 관련된 다양한 기술적 이슈들을 커버(cover)할 수 있다.
한편, 한국등록특허 제10-0916747호 (2009.09.03)는 질환추정 및 치료효과 관리시스템 및 그 방법에 대해 개시하고 있다.

본 개시는, 복수의 환부 타입들과 관련된 복수의 과업(task)들을 기초로 학습된 신경망 모델을 사용하여, 환부의 회복 정보를 예측하는 것을 해결과제로 한다.

한편, 본 개시가 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 이하에서 설명할 내용으로부터 통상의 기술자에게 자명한 범위 내에서 다양한 기술적 과제가 포함될 수 있다.

전술한 과제를 해결하기 적어도 하나의 컴퓨팅 장치에 의해 수행되는 회복 정보를 예측하는 방법이 개시된다. 상기 방법은, 신경망 모델에 환부 이미지를 입력하는 단계 및 상기 신경망 모델을 활용하여, 상기 환부 이미지를 기초로 회복 정보를 예측하는 단계를 포함할 수 있다. 이때, 상기 신경망 모델은, 복수의 환부 타입들과 관련된 복수의 과업들에 기초하여 학습된 모델에 대응될 수 있다.

일 실시예에서, 상기 신경망 모델에 환부 이미지를 입력하는 단계는, 상기 신경망 모델을 기초로 환부 이미지에 시술 경과일 정보를 추가하여 입력하는 단계를 포함할 수 있다.

일 실시예에서, 상기 신경망 모델은, 상기 복수의 환부 타입들과 관련된 복수의 과업들 및 시술 경과일 정보에 기초하여 상기 복수의 과업들 각각에 부여된 복수의 시술 경과일 가중치들에 기초하여 학습된 모델에 대응될 수 있다.

일 실시예에서, 상기 복수의 환부 타입들은, 멍(bruise) 타입, 붓기(edema) 타입, 및 흉터(scar) 타입을 포함할 수 있다.

일 실시예에서, 상기 복수의 과업들은, 상기 멍(bruise) 타입과 관련된 회복 정보를 예측하는 제 1 과업; 상기 붓기(edema) 타입과 관련된 회복 정보를 예측하는 제 2 과업; 및 상기 흉터(scar) 타입과 관련된 회복 정보를 예측하는 제 3 과업을 포함할 수 있다.

일 실시예에서, 상기 신경망 모델은, 상기 멍(bruise) 타입과 관련된 회복 정보를 예측하기 위한 제 1 신경망 모델; 상기 붓기(edema) 타입과 관련된 회복 정보를 예측하기 위한 제 2 신경망 모델; 및 상기 흉터(scar) 타입과 관련된 회복 정보를 예측하기 위한 제 3 신경망 모델을 포함할 수 있다.

일 실시예에서, 상기 제 1 신경망 모델의 파라미터는, 상기 제 2 신경망 모델의 특징 값 및 상기 제 3 신경망 모델의 특징 값을 추가적인 제약(regularization)으로서 고려하여 학습되고, 상기 제 2 신경망 모델의 파라미터는, 상기 제 1 신경망 모델의 특징 값 및 상기 제 3 신경망 모델의 특징 값을 추가적인 제약으로서 고려하여 학습되고, 상기 제 3 신경망 모델의 파라미터는, 상기 제 1 신경망 모델의 특징 값 및 상기 제 2 신경망 모델의 특징 값을 추가적인 제약으로서 고려하여 학습할 수 있다.

일 실시예에서, 상기 제 1 신경망 모델의 파라미터, 상기 제 2 신경망 모델의 파라미터, 및 상기 제 3 신경망 모델의 파라미터의 학습을 위한 추가적인 제약들은, 시술 경과일 정보에 기초하여 결정될 수 있다.

일 실시예에서, 상기 제 1 신경망 모델의 파라미터는, 상기 제 1 신경망 모델의 특징 값에 대한 제 1-1 결합 가중치, 상기 제 2 신경망 모델의 특징 값에 대한 제 1-2 결합 가중치, 및 상기 제 3 신경망 모델의 특징 값에 대한 제 1-3 결합 가중치에 기초하여 학습되고, 상기 제 2 신경망 모델의 파라미터는, 상기 제 1 신경망 모델의 특징 값에 대한 제 2-1 결합 가중치, 상기 제 2 신경망 모델의 특징 값에 대한 제 2-2 결합 가중치, 및 상기 제 3 신경망 모델의 특징 값에 대한 제 2-3 결합 가중치에 기초하여 학습되고, 상기 제 3 신경망 모델의 파라미터는, 상기 제 1 신경망 모델의 특징 값에 대한 제 3-1 결합 가중치, 상기 제 2 신경망 모델의 특징 값에 대한 제 3-2 결합 가중치, 및 상기 제 3 신경망 모델의 특징 값에 대한 제 3-3 결합 가중치에 기초하여 학습될 수 있다.

일 실시예에서, 상기 제 1-1 결합 가중치, 상기 제 1-2 결합 가중치, 상기 제 1-3 결합 가중치, 상기 제 2-1 결합 가중치, 상기 제 2-2 결합 가중치, 상기 제 2-3 결합 가중치, 상기 제 3-1 결합 가중치, 상기 제 3-2 결합 가중치, 및 상기 제 3-3 결합 가중치는 시술 경과일 정보에 기초하여 결정될 수 있다.

또한, 전술한 과제를 해결하기 위한 장치로서, 적어도 하나의 프로세서 및 메모리를 포함하고, 상기 프로세서는, 신경망 모델에 환부 이미지를 입력하고; 그리고 상기 신경망 모델을 활용하여, 상기 환부 이미지를 기초로 회복 정보를 예측하도록 구성되고, 상기 신경망 모델은, 복수의 환부 타입들과 관련된 복수의 과업(task)들에 기초하여 학습된 모델에 대응될 수 있다.

전술한 과제를 해결하기 위한 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 프로그램은 적어도 하나의 프로세서로 하여금 회복 정보를 예측하기 위한 동작들을 수행하게 하고, 상기 동작들은: 신경망 모델에 환부 이미지를 입력하는 동작; 및 상기 신경망 모델을 활용하여, 상기 환부 이미지를 기초로 회복 정보를 예측하는 동작을 포함하고, 상기 신경망 모델은, 복수의 환부 타입들과 관련된 복수의 과업(task)들에 기초하여 학습된 모델에 대응될 수 있다.

본 개시는 신경망 모델을 사용하여 환부에 대한 회복 정보를 예측할 수 있으며, 이를 통해, 전문가 혹은 비전문가인 환자 스스로 환부에 대한 상태를 파악하게 할 수 있다.

또한, 본 개시는, 복수의 환부 타입들과 관련된 복수의 과업(task)들을 기초로 학습된 신경망 모델을 사용하여, 환부의 회복 정보를 더욱 정확하게 예측할 수 있다. 예를 들어, 본 개시는, 복수의 환부 타입들(예컨대, 멍(bruise) 타입, 흉터(scar) 타입 및 붓기(edema) 타입)의 상관 관계를 반영하도록 학습된 신경망 모델을 사용하여, 환부의 회복 정보를 더욱 정확하게 예측할 수 있다.

한편, 본 개시의 효과는 이상에서 언급한 효과들로 제한되지 않으며, 이하에서 설명할 내용으로부터 통상의 기술자에게 자명한 범위 내에서 다양한 효과들이 포함될 수 있다.

도 1은 본 개시의 일 실시예에 따른 동작들을 수행하는 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따른, 신경망 모델을 나타낸 개략도이다.
도 3a는 환부 발생 경과일에 따라, 발생될 수 있는 증상을 나타낸 표이다.
도 3b는 본 개시의 일 실시예에 따라, 예측될 수 있는 회복 정보의 예시를 나타낸 개략도이다.
도 4는 본 개시의 일 실시예에 따른, 신경망 모델을 사용하여 환부의 회복 정보 예측하는 방법을 나타낸 순서도이다.
도 5는 본 개시의 일 실시예에 따라, 사용되는 신경망 모델을 학습시키는 방법을 나타낸 개략도이다.
도 6은 본 개시의 일 실시예에 따른, 신경망 모델을 사용하여 환부의 회복 정보 예측하는 방법을 나타낸 개략도이다.
도 7은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 개시에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.

본 개시에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

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

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

그리고, "A 또는 B 중 적어도 하나"라는 용어는, "A만을 포함하는 경우", B 만을 포함하는 경우", "A와 B의 구성으로 조합된 경우"를 각각 의미하는 것으로 해석되어야 한다.

통상의 기술자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안 된다.

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

도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.

컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.

프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망 모델의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망 모델의 파라미터 업데이트 등의 신경망 모델의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 신경망 모델의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 신경망 모델의 학습, 신경망 모델을 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 신경망 모델의 학습, 신경망 모델을 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다.

본 개시의 일 실시예에 따르면, 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따른 네트워크부(150)는 공중전화 교환망(PSTN: Public Switched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.

또한, 본 개시에서 제시되는 네트워크부(150)는 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SC-FDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다.

본 개시에서 네트워크부(150)는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(PAN: Personal Area Network), 근거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 상기 네트워크는 공지의 월드와이드웹(WWW: World Wide Web)일 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다. 본 개시에서 설명된 기술들은 위에서 언급된 다른 네트워크들 에서도 사용될 수 있다.

도 2는 본 개시의 일 실시예에 따라 신경망을 나타낸 개략도이다.

본 개시에 걸쳐, 신경망 및 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 노드(node)라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.

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

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

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

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

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

신경망을 포함하는 신경망 모델은 지도 학습(supervised learning), 비지도 학습(unsupervised learning), 반지도 학습(semi-supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 신경망 모델의 학습은 신경망 모델이 특정한 동작을 수행하기 위한 지식을 신경망 모델에 적용하는 과정일 수 있다.

신경망 모델은 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 신경망 모델의 학습에서 반복적으로 학습 데이터를 신경망 모델에 입력시키고 학습 데이터에 대한 신경망 모델의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 신경망 모델의 에러를 신경망 모델의 출력 층에서부터 입력 층 방향으로 역전파(backpropagation)하여 신경망 모델의 각 노드의 파라미터를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링 되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터일 수 있다. 라벨링된 학습 데이터가 신경망 모델에 입력되고, 신경망 모델의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 신경망 모델 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 신경망 모델에서 역방향(즉, 출력 층에서 입력 층 방향)으로 역전파 되며, 역전파에 따라 신경망 모델의 각 층의 각 노드들의 연결 파라미터가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 파라미터는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 신경망 모델의 계산과 에러의 역전파는 에포크(epoch)를 구성할 수 있다. 학습률은 신경망 모델의 에포크의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 신경망 모델의 학습 초기에는 높은 학습률을 사용하여 신경망 모델이 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

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

신경망 모델은, 컨벌루셔널 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다.

컨벌루셔널 뉴럴 네트워크는 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptron)의 한 종류이다. 이때, 컨벌루셔널 뉴럴 네트워크는, 복수의 계층들이 결합된 딥 뉴럴 네트워크의 일종으로서, 입력 계층(input layer), 복수개의 은닉 계층들(hidden layer) 및 출력 계층(output layer)로 구성될 수 있다.

이때, 상기 입력 계층은 입력 이미지(2차원 데이터)를 입력 받고, 상기 히든 레이어는, 상기 입력 이미지의 특징 값을 포함하는 특징 맵 또는 활성화 맵을 출력하고, 상기 출력 계층은 활성화 맵 또는 특징 맵에 포함된 특징 값들을 기초로 분류 작업(segmentation) 및 객체 인식(classification)을 비롯한 다양한 과업(task)을 수행할 수 있다.

더욱 구체적으로 상기 복수개의 히든 레이어들은, 컨벌루셔널 계층(convolutional layer), 풀링 계층(pooling layer)을 포함할 수 있다.

이때, 상기 컨볼루셔널 계층은 입력 받은 이미지(즉, 각각의 픽셀을 원소로 하는 2차원 행렬)가 단수의 채널을 가지는 이미지일 경우(예컨대, 흑백 이미지) 상기 이미지보다 행과 열의 크기가 작거나 같고 파라미터를 원소로 포함하는 마스크(mask, window, 또는 filter)로 연산하여 학습 가능한 파라미터를 기초로 상기 입력 받은 이미지의 특징을 부각하는 특징 맵(또는 활성화 맵)을 생성할 수 있다. 예컨대, 임의의 컨볼루셔널 계층에 입력된 이미지가 3*3 행렬인 I(input)= {[1, 2, 0], [0, 0, 1], [1, 0, 5]} 이고, 마스크가 2*2 행렬인 M(mask)= {[1, 0], [0, 1]}이라고 할 때, 상기 입력된 이미지와 마스크를 곱한 {[1, 3], [0, 5]}를 기초로 활성화 함수를 적용한 값이 특징 맵(또는 활성화 맵)이 포함하는 특징 값이 될 수 있다.

한편, 상기 컨볼루셔널 계층은 입력 받은 이미지가 복수의 채널을 가지는 이미지일 경우(예컨대, Red, Green, 및 Blue 각각에 대응되는 채널을 가지는 컬러 이미지) 각각의 채널마다 상기 이미지보다 행과 열의 크기가 작거나 같은 마스크로 연산하여 학습 가능한 파라미터를 기초로 상기 입력 받은 이미지의 특징을 부각하는 특징 값(또는 활성화 맵)을 생성하고, 이를 합산하여 통합된 하나의 특징 값을 생성할 수 있다. 예컨대, 상기 컨볼루셔널 계층에 입력된 RGB 채널을 포함하는 이미지가 3*3 행렬이고, RGB 채널 각각이 I_R= {[1, 2, 0], [0, 0, 1], [1, 0, 5]}, I_G= {[1, 2, 3], [3, 1, 0], [0, 1, 0]}, I_B= {[1, 2, 3], [2, 1, 0], [3, 0, 1]}이라고 가정하고, 각각의 채널에 대응되는 마스크가 2*2 행렬이고, RGB 채널 각각이 M_R= {[1, 0], [0, 1]}, M_B= {[1, 1], [1, 0]}, M_G= {[0, 0], [0, 1]}이라고 할 때, 특징 맵(또는 활성화 맵)에 포함된 특징 값은 I_R*M_R+ I_G*M_G+ I_B*M_B인 {[8, 9], [4, 8]를 기초로 활성화 함수를 적용한 값에 대응될 수 있다.

또한 상기 풀링 계층은 일반적으로 컨볼루셔널 계층의 출력인 특징 값을 입력 받아 특징 값을 다운 샘플링(down sampling)하기 위한 것으로, 상기 컨볼루션 계층과 차이점으로 입력된 특징 값을 복수개의 영역으로 나누어 각 영역마다 최댓값을 추출하는 방법(max pooling) 혹은 평균값을 추출하는 방법(averaging pooling)을 사용할 수 있고, 컨볼루셔널 계층과의 가장 큰 차이점으로, 학습 가능한 파라미터를 사용하지 않고, 각각의 채널을 합산하는 것과 같이 복수의 채널을 통합하는 과정을 사용하지 않고, 활성화 함수를 사용하지 않는다. 예컨대, 풀링 계층에 I= {[1, 2, 0], [0, 0, 1], [1, 0, 5]}가 입력됐을 때, 2*2 영역을 기초로 Max pooling 하면 {[2, 2], [1, 5]}인 출력 값이 생성될 수 있다.

일반적으로, 컨볼루셔널 뉴럴 네트워크의 은닉 계층은 하나 또는 여러개의 컨벌루셔널 계층과 이와 결합된 풀링 계층을 비롯한 여러 종류의 인공 신경망 계층들로 구성되어 사용될 수 있으나, 이에 한정되지 않고 자유롭게 구성될 수 있다.

한편, 컨볼루셔널 뉴럴 네트워크의 출력 계층은 은닉 계층에서 최종 출력된 특징 값을 기초로 출력 계층에 포함된 풀리-커넥티드 계층(fully-connected layer) 및 활성화 함수를 사용하여 최종 출력값을 생성할 수 있다. 이때, 상기 풀리-커넥티드 계층이 포함하고 있는 노드의 개수에 따라 분류하고자 하는 클래스의 종류가 결정될 수 있다.

요컨대, 이미지를 기초로 클래스 예측을 수행하는 컨볼루셔널 뉴럴 네트워크는, 입력 계층 → 은닉 계층 → 출력 계층으로 구성될 수 있고, 상기 은닉 계층은 컨볼루셔널 계층+활성화 함수, 풀링 계층의 반복 조합으로 구성되고, 그리고 출력 계층은 풀리-커넥티드 계층+활성화 함수로 구성될 수 있다. 그러나 이는 이해를 위한 예시일 뿐 다양한 파생형이 사용될 수 있다.본 개시의 일 실시예에 따라 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다.

데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자 정의 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 영구 저장 장치)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 장치는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.

데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.

비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터들이 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점들 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.

데이터 구조는 신경망 모델을 포함할 수 있다. 그리고 신경망 모델을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망 모델을 포함한 데이터 구조는 신경망 모델에 의한 처리를 위하여 전처리된 데이터, 신경망 모델에 입력되는 데이터, 신경망 모델의 파라미터, 신경망 모델의 하이퍼 파라미터, 신경망 모델로부터 획득한 데이터, 신경망 모델의 각 노드 또는 층과 연관된 활성 함수, 신경망 모델의 학습을 위한 손실 함수 등을 포함할 수 있다. 신경망 모델을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망 모델을 포함한 데이터 구조는 신경망 모델에 의한 처리를 위하여 전처리된 데이터, 신경망 모델에 입력되는 데이터, 신경망 모델의 파라미터, 신경망 모델의 하이퍼 파라미터, 신경망 모델로부터 획득한 데이터, 신경망 모델의 각 노드 또는 층과 연관된 활성 함수, 신경망 모델의 학습을 위한 손실 함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망 모델을 포함한 데이터 구조는 신경망 모델의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망 모델의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 신경망 모델은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망 모델은 적어도 하나 이상의 노드들을 포함하여 구성된다.

데이터 구조는 신경망 모델에 입력되는 데이터를 포함할 수 있다. 신경망 모델에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망 모델에 입력되는 데이터는 신경망 모델 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망 모델에 입력되는 입력 데이터를 포함할 수 있다. 신경망 모델에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망 모델에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

데이터 구조는 신경망 모델의 파라미터를 포함할 수 있다. 그리고 신경망 모델의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망 모델은 복수개의 파라미터들을 포함할 수 있다. 파라미터는 가변적일 수 있으며, 신경망 모델이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 파라미터에 기초하여 출력 노드에서 출력되는 데이터 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

제한이 아닌 예로서, 파라미터는 신경망 모델 학습 과정에서 가변되는 파라미터 및/또는 신경망 모델 학습이 완료된 파라미터를 포함할 수 있다. 신경망 모델 학습 과정에서 가변되는 파라미터는 에포크가 시작되는 시점의 파라미터 및/또는 에포크 동안 가변되는 파라미터를 포함할 수 있다. 신경망 모델 학습이 완료된 파라미터는 에포크가 완료된 파라미터를 포함할 수 있다. 따라서 신경망 모델의 파라미터를 포함한 데이터 구조는 신경망 모델 학습 과정에서 가변되는 파라미터 및/또는 신경망 모델 학습이 완료된 파라미터를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 파라미터 및/또는 각 파라미터의 조합은 신경망 모델의 파라미터를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

신경망 모델의 파라미터를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화 하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망 모델의 파라미터를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망 모델의 파라미터를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망 모델의 파라미터를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

데이터 구조는 신경망 모델의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망 모델의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 에포크(epoch) 반복 횟수, 파라미터 초기화(Weight initialization)(예를 들어, 파라미터 초기화 대상이 되는 파라미터 값의 범위 설정), Hidden Unit 개수(예를 들어, 은닉층(hidden layer)의 개수, 은닉층의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예들을 설명하기에 앞서, 본 개시 전반에 걸쳐 사용되는 용어들이 설명된다.

본 개시의 전반에 사용되는 '환부(affected area)'는 부상, 수술 혹은 시술 등으로 인해 피부에 드러나는 적어도 하나의 증상을 포함하는 부위로 이해될 수 있다. 일반적으로, 환부는 멍, 붓기 및 흉터를 증상으로 동반할 수 있고, 회복이 완료되어 아무런 증상을 포함하지 않는 환부는 완치된 것으로 판단되어 더 이상 환부로 분류되지 않는다.

환부가 발생하였을 때, 발생 기간의 흐름에 따라 일반적으로 발생할 수 있는 증상들이 있을 수 있다. 즉, 도 3a를 참조하면, 회복 정보는, 상기 일반적으로 발생할 수 있는 증상들에 기초하여 예측될 수 있다. 이때, 본 개시의 전반에 사용되는 '회복 정보'는 환부에 대표적으로 나타나는 증상인 멍, 붓기, 및 흉터를 기초로 예측된 현재 회복 단계 및 완치까지 남은 회복 기간이 포함될 수 있다. 또한, 상기 '회복 정보'는, 멍, 붓기, 흉터 등의 환부의 타입별로 각각 생성된 '환부의 타입 별 회복 정보'을 포함하거나, 멍, 붓기, 흉터 등의 환부의 타입들을 종합적으로 분석하여 생성된 '종합 회복 정보'를 포함할 수 있다. 또한, 상기 회복 단계는, 상처 치유 기전 데이터베이스에 기초할 수 있고, 상기 데이터베이스는, '상처 치유 기전과 연관된 메디컬 레퍼런스'(즉, 종래의 연구) 및, '사용자 데이터 기반 증상 별 변화 단계' 등을 기초로 생성된 상처 치유 기전 데이터를 포함할 수 있다.

예컨대, 도 3b를 참조하면, 상기 상처 치유 기전 데이터베이스는 증상에 대한 타입(예컨대, 멍, 붓기 및 흉터), 상처 치유 경과일(예컨대, 0일, 1~2일, 3~4일, 5일, 6~7일, 8~9일, 10~11일, 및 12~13일, 14일 이상 등), 증상과 대응되는 이미지, 증상에 대한 설명 등을 포함할 수 있다. 추가적인 예를 들자면, 상처 치유 기전 데이터베이스는 {B0, 멍, 0일, 관련 이미지, "수술 부위 주변 피부가 붉고 새빨간 멍이 있음"}, {E3, 붓기, 16~23일, 관련 이미지, "하루 종일 식별되는 잔 붓기가 있음"},{S4, 흉터, 56~183일, 관련 이미지, "살짝 튀어나온 연한 분홍빛 흉터가 있음"} 등과 같이 분류 코드로 분류되는 데이터의 조합을 포함할 수 있다. 일 실시예로, 회복 정보를 예측하는 것은 환부와 관련된 적어도 하나의 분류 코드를 예측하는 것으로 구현될 수도 있다.

그러나, 이는 예시일 뿐, 상기 상처 치유 기전 데이터베이스가 포함하는 데이터는 이에 한정되지 않고 사용자의 필요에 따라 다양한 방식으로 구성되거나 사용될 수 있다.

본 개시는 거시적인 관점에서, "신경망 모델을 기초로 회복 정보를 예측하는 방법에 관한 설명"과 "신경망 모델을 학습하는 방법에 관한 설명"으로 구분될 수 있다. 먼저, 도 4를 참조하여, "신경망 모델을 기초로 회복 정보를 예측하는 방법"에 관한 개괄적인 프로세스가 설명된다.

도 4를 참조하면, 프로세서(110)는 회복 정보를 예측하기 위해 "신경망 모델에 환부 이미지를 입력하는 단계"(S400), 및 "상기 신경망 모델을 활용하여, 상기 환부 이미지를 기초로 회복 정보를 예측하는 단계"(S401)을 수행할 수 있다.

이때, "상기 신경망 모델에 환부 이미지를 입력하는 단계"(S400)와 관련하여, 프로세서(110)는 신경망 모델에 환부 이미지만을 입력하는 것뿐만 아니라, 대안적으로 환부 이미지에 시술 경과일 정보를 추가하여 입력하는 단계를 수행할 수 있다. 상기 신경망 모델을 기초로, 상기 환부 이미지에 더불어 시술 경과일 정보를 사용할 경우, , 환부 이미지만 사용하여 회복 정보를 예측하는 것과 비교하여 예측 정확도가 더 높을 수 있다.

한편, 본 개시의 S400 내지 S401 단계에서 사용되는 상기 신경망 모델은, 복수의 환부 타입들(예컨대, 멍, 흉터, 붓기)과 관련된 복수의 과업(task)들에 기초하여 선행 학습된 모델에 대응될 수 있다. 즉, 신경망 모델은, 상기 복수의 과업들을 활용하는 멀티-태스크(multi-task) 학습 방식으로 미리 학습된 모델에 대응될 수 있다.

추가로, 상기 신경망 모델은, 환부 이미지 뿐만 아니라, 시술 경과일 정보까지 입력으로 활용하여 학습된 모델에 대응될 수 있다. 이러한 경우, 시술 경과일에 따른 상처 치유 기전, 시술 경과일에 따른 복수의 환부 타입들(예컨대, 멍, 흉터, 붓기) 사이의 상관 관계의 변화 등이 학습에 반영될 수 있으므로, 상기 신경망 모델의 예측의 정확성이 더욱 향상될 수 있다.

도 5는 본 개시의 일 실시예에 따라, 사용되는 신경망 모델을 학습시키는 방법을 나타낸 개략도이다.

앞서, 본 개시의 일 실시예에 따른 신경망 모델은, 상기 복수의 과업들을 활용하는 멀티-태스크 학습 방식으로 학습된 신경망 모델에 대응될 수 있다고 언급하였다. 도 5를 참조하면, 상기 신경망 모델은, 환부 이미지(500) 및 시술 경과일(510)을 사용하여 생성된 손실값(530)을 기초로 학습된 신경망 모델(520)에 대응될 수 있다. 이때, 상기 신경망 모델(520)은 단일 모델에 한정되지 않고, 복수의 신경망 모델을 포함할 수 있다. 예를 들어, 상기 신경망 모델(520)은 각각 환부 타입과 관련된 서로 상이한 과업을 수행하는 제 1 내지 제 3 신경망 모델(520)을 포함할 수 있다. 여기서, 상기 환부 타입들은, 멍(bruise) 타입, 붓기(edema) 타입, 및 흉터(scar) 타입을 포함할 수 있다. 또한, 상기 제 1 신경망 모델은 상기 멍타입과 관련된 회복 정보를 예측하는 제 1 과업에 대응되고, 상기 제 2 신경망 모델은 상기 붓기 타입과 관련된 회복 정보를 예측하는 제 2 과업에 대응되고, 상기 제 3 신경망 모델은 상기 흉터 타입과 관련된 회복 정보를 예측하는 제 3 과업에 대응될 수 있다.

이때, 상기 제 1 신경망 모델, 제 2 신경망 모델 및 제 3 신경망 모델은, 상기 제 1 과업, 제 2 과업, 및 제 3 과업의 수행과 관련하여, 서로의 학습에 추가적인 제약(regularization)을 가할 수 있다. 예를 들어, ① 상기 제 1 신경망 모델의 파라미터는, 기본적으로 상기 제 1 과업에 기초하여 학습되지만, 상기 제 2 과업과 관련된 상기 제 2 신경망 모델의 특징 값 및 상기 제 3 과업과 관련된 상기 제 3 신경망 모델의 특징 값을 추가적인 제약으로서 고려하면서 학습될 수 있다. ② 또한, 상기 제 2 신경망 모델의 파라미터는, 기본적으로 상기 제 2 과업에 기초하여 학습되지만, 상기 제 1 과업과 관련된 상기 제 1 신경망 모델의 특징 값 및 상기 제 3 과업과 관련된 상기 제 3 신경망 모델의 특징 값을 추가적인 제약으로서 고려하면서 학습될 수 있다. ③ 또한, 상기 제 3 신경망 모델의 파라미터는, 기본적으로 상기 제 3 과업에 기초하여 학습되지만, 상기 제 1 과업과 관련된 상기 제 1 신경망 모델의 특징 값 및 상기 제 2 과업과 관련된 상기 제 2 신경망 모델의 특징 값을 추가적인 제약으로서 고려하면서 학습될 수 있다.

일 실시예에서, 상기 제 1 신경망 모델, 제 2 신경망 모델 및 제 3 신경망 모델은, 각각 컨벌루셔널 계층, 풀링 계층 등을 포함하는 CNN의 형태로 구현될 수 있다. 이러한 경우, 상기 제 1 신경망 모델의 특징 값은, 상기 제 1 신경망 모델의 각각의 계층이 출력하는 활성화 맵(activation map) 또는 특징 맵(feature map)에 포함된 특징 값일 수 있다. 또한, 상기 제 2 신경망 모델의 특징 값은, 상기 제 2 신경망 모델의 각각의 계층이 출력하는 활성화 맵 또는 특징 맵에 포함된 특징 값일 수 있다. 또한, 상기 제 3 신경망 모델의 특징 값은, 상기 제 3 신경망 모델의 각각의 계층이 출력하는 활성화 맵 또는 특징 맵에 포함된 특징 값일 수 있다.

또한, 상기 제 1 신경망 모델의 파라미터, 상기 제 2 신경망 모델의 파라미터, 및 상기 제 3 신경망 모델의 파라미터의 학습을 위한 상기 추가적인 제약들은, 시술 경과일 정보에 기초하여 동적으로 결정될 수 있다. 다시 말해, 시술 경과일이 N(N은 자연수)인 경우의 추가 제약들과 시술 경과일이 K(N은 K과 상이한 자연수)인 추가 제약들은 서로 상이하게 구성될 수 있다. 예를 들어, ① 상기 제 2 과업과 관련된 상기 제 2 신경망 모델의 특징 값 및 상기 제 3 과업과 관련된 상기 제 3 신경망 모델의 특징 값을 기초로, 상기 제 1 신경망 모델에 가해지는 추가적인 제약은, 시술 경과일 정보에 따라 변경될 수 있다. ② 또한, 상기 제 1 과업과 관련된 상기 제 1 신경망 모델의 특징 값 및 상기 제 3 과업과 관련된 상기 제 3 신경망 모델의 특징 값을 기초로, 상기 제 2 신경망 모델에 가해지는 추가적인 제약은, 시술 경과일 정보에 따라 변경될 수 있다. ③ 또한, 상기 제 1 과업과 관련된 상기 제 1 신경망 모델의 특징 값 및 상기 제 2 과업과 관련된 상기 제 2 신경망 모델의 특징 값을 기초로, 상기 제 3 신경망 모델에 가해지는 추가적인 제약은, 시술 경과일 정보에 따라 변경될 수 있다.

또한, 상기 제 1 신경망 모델, 상기 제 2 신경망 모델, 및 상기 제 3 신경망 모델 상호간에 가해지는 추가 제약들은, "상기 복수의 신경망 모델들의 이전 계층의 출력들이 서로 상이한 방식으로 가중합 된 후에, 상기 복수의 신경망 모델들 각각의 다음 계층의 입력으로 활용"되는 형태로 구현될 수 있다. 또한, 이러한 경우, 상기 가중합에 활용되는 가중치들이 시술 경과일 정보에 따라 변경될 수 있다. ① 예를 들어, 상기 제 1 신경망 모델의 이전 계층(예컨대, J 계층)의 출력은, 상기 제 2 신경망 모델의 이전 계층(예컨대, J 계층)의 출력 및 상기 제 3 신경망 모델의 이전 계층(예컨대, J 계층)의 출력과 제 1 방식으로 가중합된 뒤에, 상기 제 1 신경망 모델의 다음 계층(예컨대, J+1 계층)으로 입력될 수 있으며, 이러한 모델들 사이의 상관 관계에 기초하여 상기 제 1 신경망 모델의 상기 제 1 과업과 관련된 제 1 예측 값이 생성될 수 있다. 또한, 이러한 방식(추가적인 제약이 반영된 방식)으로 생성된 상기 제 1 예측 값은, 정답(ground truth)과 비교될 수 있으며, 이를 통해, 상기 제 1 신경망 모델의 파라미터를 학습시키기 위한 제 1 손실값이 생성될 수 있다. 한편, 상기 제 1 방식의 가중합에 활용되는 가중치들은 시술 경과일 정보에 따라 변경될 수 있다. ② 다음으로, 상기 제 2 신경망 모델의 이전 계층(예컨대, J 계층)의 출력은, 상기 제 1 신경망 모델의 이전 계층(예컨대, J 계층)의 출력 및 상기 제 3 신경망 모델의 이전 계층(예컨대, J 계층)의 출력과 제 2 방식으로 가중합된 뒤에, 상기 제 2 신경망 모델의 다음 계층(예컨대, J+1 계층)으로 입력될 수 있으며, 이러한 모델들 사이의 상관 관계에 기초하여 상기 제 2 신경망 모델의 상기 제 2 과업과 관련된 제 2 예측 값이 생성될 수 있다. 또한, 이러한 방식(추가적인 제약이 반영된 방식)으로 생성된 상기 제 2 예측 값은, 정답과 비교될 수 있으며, 이를 통해, 상기 제 2 신경망 모델의 파라미터를 학습시키기 위한 제 2 손실값이 생성될 수 있다. 한편, 상기 제 2 방식의 가중합에 활용되는 가중치들은, 시술 경과일 정보에 따라 변경될 수 있으며, 상기 제 1 방식의 가중합에 활용되는 가중치들과 상이하게 구성될 수 있다. ③ 다음으로, 상기 제 3 신경망 모델의 이전 계층(예컨대, J 계층)의 출력은, 상기 제 1 신경망 모델의 이전 계층(예컨대, J 계층)의 출력 및 상기 제 2 신경망 모델의 이전 계층(예컨대, J 계층)의 출력과 제 3 방식으로 가중합된 뒤에, 상기 제 3 신경망 모델의 다음 계층(예컨대, J+1 계층)으로 입력될 수 있으며, 이러한 모델들 사이의 상관 관계에 기초하여 상기 제 3 신경망 모델의 상기 제 3 과업과 관련된 제 3 예측 값이 생성될 수 있다. 또한, 이러한 방식(추가적인 제약이 반영된 방식)으로 생성된 상기 제 3 예측 값은, 정답과 비교될 수 있으며, 이를 통해, 상기 제 3 신경망 모델의 파라미터를 학습시키기 위한 제 3 손실값이 생성될 수 있다. 한편, 상기 제 3 방식의 가중합에 활용되는 가중치들은, 시술 경과일 정보에 따라 변경될 수 있으며, 상기 제 1 방식의 가중합에 활용되는 가중치들 및 상기 제 2 방식의 가중합에 활용되는 가중치들과 상이하게 구성될 수 있다.

일 실시예에서, 상기 제 1 신경망 모델, 제 2 신경망 모델 및 제 3 신경망 모델 각각이 CNN의 형태로 구현되는 경우, 상기 제 1 신경망 모델, 제 2 신경망 모델 및 제 3 신경망 모델에 포함된 각 계층의 출력은 활성화 맵(activation map) 또는 특징 맵(feature map)에 포함하는 형태로 구현될 수 있다. 또한, 상기 활성화 맵 또는 특징 맵은 특징 값들을 포함할 수 있다. 이러한 경우, ① 상기 제 1 신경망 모델의 이전 계층(예컨대, J 계층)의 특징 값(예컨대, 특징 맵에 포함된 값)은, 상기 제 2 신경망 모델의 이전 계층(예컨대, J 계층)의 특징 값 및 상기 제 3 신경망 모델의 이전 계층(예컨대, J 계층)의 특징 값과 제 1 방식으로 가중합된 뒤에, 상기 제 1 신경망 모델의 다음 계층(예컨대, J+1 계층)으로 입력될 수 있다. 예를 들어, 상기 제 1 신경 모델의 다음 계층의 입력은, 상기 제 1 신경망 모델의 이전 계층의 특징 값에 대한 제 1-1 결합 가중치, 상기 제 2 신경망 모델의 이전 계층의 특징 값에 대한 제 1-2 결합 가중치, 및 상기 제 3 신경망 모델의 이전 계층의 특징 값에 대한 제 1-3 가중치를 활용하는 가중합에 의해 생성될 수 있다. 또한, 이러한 과정에 기초하여 생성된, 상기 제 1 신경망 모델의 상기 제 1 과업과 관련된 상기 제 1 예측 값은, 정답과 비교될 수 있으며, 이를 통해, 상기 제 1 신경망 모델의 파라미터를 학습시키기 위한 제 1 손실값이 생성될 수 있다. 한편, 상기 제 1-1 결합 가중치, 상기 제 1-2 결합 가중치, 및 상기 제 1-3 가중치는 시술 경과일 정보에 따라 변경될 수 있다. ② 다음으로, 상기 제 2 신경망 모델의 이전 계층(예컨대, J 계층)의 특징 값(예컨대, 특징 맵에 포함된 값)은, 상기 제 1 신경망 모델의 이전 계층(예컨대, J 계층)의 특징 값 및 상기 제 3 신경망 모델의 이전 계층(예컨대, J 계층)의 특징 값과 제 2 방식으로 가중합된 뒤에, 상기 제 2 신경망 모델의 다음 계층(예컨대, J+1 계층)으로 입력될 수 있다. 예를 들어, 상기 제 2 신경 모델의 다음 계층의 입력은, 상기 제 1 신경망 모델의 이전 계층의 특징 값에 대한 제 2-1 결합 가중치, 상기 제 2 신경망 모델의 이전 계층의 특징 값에 대한 제 2-2 결합 가중치, 및 상기 제 3 신경망 모델의 이전 계층의 특징 값에 대한 제 2-3 가중치를 활용하는 가중합에 의해 생성될 수 있다. 또한, 이러한 과정에 기초하여 생성된, 상기 제 2 신경망 모델의 상기 제 2 과업과 관련된 상기 제 2 예측 값은, 정답과 비교될 수 있으며, 이를 통해, 상기 제 2 신경망 모델의 파라미터를 학습시키기 위한 제 2 손실값이 생성될 수 있다. 한편, 상기 제 2-1 결합 가중치, 상기 제 2-2 결합 가중치, 및 상기 제 2-3 가중치는 시술 경과일 정보에 따라 변경될 수 있다. 또한, 상기 제 2-1 결합 가중치, 상기 제 2-2 결합 가중치, 및 상기 제 2-3 가중치는, 상기 제 1-1 결합 가중치, 상기 제 1-2 결합 가중치, 및 상기 제 1-3 가중치와 상이한 값으로 구현될 수 있다. ③ 다음으로, 상기 제 3 신경망 모델의 이전 계층(예컨대, J 계층)의 특징 값(예컨대, 특징 맵에 포함된 값)은, 상기 제 1 신경망 모델의 이전 계층(예컨대, J 계층)의 특징 값 및 상기 제 2 신경망 모델의 이전 계층(예컨대, J 계층)의 특징 값과 제 3 방식으로 가중합된 뒤에, 상기 제 3 신경망 모델의 다음 계층(예컨대, J+1 계층)으로 입력될 수 있다. 예를 들어, 상기 제 3 신경 모델의 다음 계층의 입력은, 상기 제 1 신경망 모델의 이전 계층의 특징 값에 대한 제 3-1 결합 가중치, 상기 제 2 신경망 모델의 이전 계층의 특징 값에 대한 제 3-2 결합 가중치, 및 상기 제 3 신경망 모델의 이전 계층의 특징 값에 대한 제 3-3 가중치를 활용하는 가중합에 의해 생성될 수 있다. 또한, 이러한 과정에 기초하여 생성된, 상기 제 3 신경망 모델의 상기 제 3 과업과 관련된 상기 제 3 예측 값은, 정답과 비교될 수 있으며, 이를 통해, 상기 제 3 신경망 모델의 파라미터를 학습시키기 위한 제 3 손실값이 생성될 수 있다. 한편, 상기 제 3-1 결합 가중치, 상기 제 3-2 결합 가중치, 및 상기 제 3-3 가중치는 시술 경과일 정보에 따라 변경될 수 있다. 또한, 상기 제 3-1 결합 가중치, 상기 제 3-2 결합 가중치, 및 상기 제 3-3 가중치는, 상기 제 1-1 결합 가중치, 상기 제 1-2 결합 가중치, 및 상기 제 1-3 가중치와 상이한 값으로 구현될 수 있고, 추가로 상기 제 2-1 결합 가중치, 상기 제 2-2 결합 가중치, 및 상기 제 2-3 가중치와 상이한 값으로 구현될 수 있다.

수학식 1은 앞서 설명한 상기 복수의 과업들을 활용하는 멀티-태스크(multi-task) 학습 방법에 대한 일 실시예를 나타낸 것이다.

상기 수학식 1을 참조하면, B, E 및 S는 각각 멍(bruise), 붓기(edema) 및 흉터(scar)에 관련된 환부 타입을 의미할 수 있다. 이때, 상기 각각은 '추가 제약이 고려되지 않은'의 신경망 모델들의 각 계층의 출력(예컨대, 각 계층의 특징 맵에 포함된 특징 값)일 수 있다. 예를 들어, 는 멍(bruise)과 관련된 제 1 신경망 모델의 임의의 계층(예컨대, J 계층)의 특징 값을 포함할 수 있고, 는 붓기(edema)와 관련된 제 2 신경망 모델의 임의의 계층(예컨대, J 계층)의 특징 값을 포함할 수 있고, 는 흉터(scar)와 관련된 제 3 신경망 모델의 임의의 계층(예컨대, J 계층)의 특징 값을 포함할 수 있다. 또한, 각각은, '추가 제약을 기초'로 상기 을 결합하여 생성된 변형된 특징 값들일 수 있으며, 상기 대신에 상기 신경망 모델들의 다음 계층(예컨대, J+1 계층)으로 입력될 수 있다. 일 실시예에서, 각각은, 상기 을 서로 다른 방식으로 가중합하여 생성된 변형된 특징 값들일 수 있다. 이 경우, 각각은, 에 기초하여 가중합 될 수 있다. 또한, (이때, 상기 i와 j에는 상기 B, E, 및 S가 포함될 수 있다.)는, i 환부 타입의 변형된 특징 값()을 생성하기 위한 가중합 연산 과정에서 j 환부 타입의 특징 값()에 부여되는 가중치를 의미할 수 있다.

일 실시예로, 상기 수학식 1을 참조하였을 때, 상기 제 1 신경망 모델의 변형된 특징 값인 는, 상기 제 1 신경망 모델의 특징 값()에 대한 제 1-1 결합 가중치(), 상기 제 2 신경망 모델의 특징 값에 대한 제 1-2 결합 가중치(), 및 상기 제 3 신경망 모델의 특징 값에 대한 제 1-3 결합 가중치()에 기초하는 가중합으로 연산 될 수 있다.

(즉, )

또한, 상기 제 2 신경망 모델의 변형된 특징 값인 는, 상기 제 2 신경망 모델의 특징 값()에 대한 제 2-1 결합 가중치(), 상기 제 2 신경망 모델의 특징 값에 대한 제 2-2 결합 가중치(), 및 상기 제 3 신경망 모델의 특징 값에 대한 제 2-3 결합 가중치()에 기초하는 가중합으로 연산 될 수 있다.

(즉, )

또한, 상기 제 3 신경망 모델의 변형된 특징 값인 는, 상기 제 3 신경망 모델의 특징 값()에 대한 제 3-1 결합 가중치(), 상기 제 2 신경망 모델의 특징 값에 대한 제 3-2 결합 가중치(), 및 상기 제 3 신경망 모델의 특징 값에 대한 제 3-3 결합 가중치()에 기초하는 가중합으로 연산될 수 있다.

(즉, )

한편, 제 1-1 결합 가중치(), 상기 제 1-2 결합 가중치(), 상기 제 1-3 결합 가중치(), 상기 제 2-1 결합 가중치(), 상기 제 2-2 결합 가중치(), 상기 제 2-3 결합 가중치(), 상기 제 3-1 결합 가중치(), 상기 제 3-2 결합 가중치(), 및 상기 제 3-3 결합 가중치()는, 위에서 언급했듯이, 시술 경과일 정보에 기초하여 동적으로 구성될 수도 있다. 예를 들어, 입력된 시술 경과일 정보가 5일인 경우, 5일에 매핑되어 있는 "5일차 멍-붓기-흉터 사이의 상관 관계 정보"에 기초하여 상기 가중치들 각각이 동적으로 연산될 수 있다. 또한, 입력된 시술 경과일 정보가 10일인 경우에는, 10일에 매핑되어 있는 "10일차 멍-붓기-흉터 사이의 상관 관계 정보"에 기초하여 상기 가중치들 각각이 동적으로 연산될 수 있다. 일 실시예에서, 상기 멍-붓기-흉터 사이의 상관 관계 정보는, 멍, 붓기, 또는 흉터 중 적어도 둘 이상 사이의 상관 관계를 정량적으로 표현하는, 정규화된 수치, 비율 등을 포함할 수 있다. 한편, 다른 실시예에서는, "시술 경과일 정보에 따른 상기 가중치들 각각의 동적 변화 정보"가 테이블 또는 표의 형태로 정리될 수 있으며, 상기 가중치들은 이러한 테이블 또는 표에 기초하여 동적으로 구성될 수도 있다.

도 6은 본 개시의 일 실시예에 따라, 신경망 모델을 사용하여 환부의 회복 정보 예측하는 방법을 나타낸 개략도이다.

도 6을 참조하여, 프로세서(110)가 수행하는, ⓐ "환부 이미지만을 사용하여 회복 정보를 예측하는 일 실시예"와 ⓑ "환부 이미지 및 시술 경과일을 사용하여 회복 정보를 예측하는 일 실시예"가 개시된다. 실시예-ⓐ 내지 실시예-ⓑ를 설명하기에 앞서 본 개시의 개괄적인 일 실시예로, 프로세서(110)는 신경망 모델에 환부 이미지를 입력(S400)하고, 상기 신경망 모델을 활용하여 상기 환부 이미지를 기초로 회복 정보를 예측(S410)할 수 있다고 언급한 바 있다.

실시예-ⓐ의 경우, 프로세서(110)가 환부 이미지(600)를 신경망 모델(620)에 입력하는 단계(S400), 및 프로세서(110)가 상기 신경망 모델(620)을 활용하여 상기 환부 이미지(600)를 기초로 회복정보를 예측하는 단계(S410)를 포함할 수 있다. 이때, 상기 신경망 모델은, 위에서 검토한 상기 제 1 신경망 모델, 상기 제 2 신경망 모델, 및 상기 제 3 신경망 모델을 포함할 수 있고, 이러한 신경망 모델들은, 위에서 검토했듯이, 복수의 환부 타입들과 관련된 복수의 과업들에 기초하여 학습된 모델들일 수 있다. 또한, 상기 제 1 신경망 모델, 상기 제 2 신경망 모델, 및 상기 제 3 신경망 모델은, 위에서 검토했듯이, 상기 모델들에 포함된 계층들의 특징 값들을 가중합하는 것에 기초하여, 각 모델에 포함된 계층들의 특징 값들을 변형할 수 있으며, 이러한 변형된 특징 값들에 기초하여 예측을 수행할 수 있다. 또한, 상기 제 1 신경망 모델, 상기 제 2 신경망 모델, 및 상기 제 3 신경망 모델은, 각각 제 1 회복 정보, 제 2 회복 정보 및 제 3 회복 정보를 생성할 수 있다. 여기서 상기 제 1 회복 정보는 멍(bruise) 타입의 환부와 관련된 회복 정보를 포함할 수 있고, 상기 제 2 회복 정보는 붓기(edema) 타입의 환부와 관련된 회복 정보를 포함할 수 있고, 상기 제 3 회복 정보를 흉터(scar) 타입의 환부와 관련된 회복 정보를 포함할 수 있다. 추가로, 상기 신경망 모델은, 상기 제 1 회복 정보 내지 제 3 회복 정보를 앙상블(ensemble)하여 종합 회복 정보를 생성할 수도 있다.

이어서, 실시예-ⓑ의 경우, 프로세서(110)가 환부 이미지(600)와 시술 경과일(610)을 신경망 모델(620)에 입력하고(S400), 프로세서(110)가 상기 신경망 모델(620)을 활용하여 상기 환부 이미지(600)에 대한 회복정보(630)를 예측(S410)하되, 상기 입력된 시술 경과일(610)을 참조하여 정확도를 높일 수 있다. 상기 시술 경과일(610)은 앞서 언급하였듯, 상처 치유 기전 정보에 기초할 수 있다. 또한, 상기 기술 경과일(610)은, 위에서 검토하였듯이, 상기 제 1 신경망 모델, 상기 제 2 신경망 모델, 및 상기 제 3 신경망 모델의 특징 값들을 가중합하기 위한 가중치들을 동적으로 구성하기 위해 활용될 수도 있으며, 이러한 동작을 통해 회복 정보에 대한 예측의 정확성을 더욱 향상시킬 수 있다.

도 7은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 통상의 기술자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.

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

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

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

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

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

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

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

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

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

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

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

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

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

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

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

본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.

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

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.

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

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

Claims (12)

1. 적어도 하나의 컴퓨팅 장치에 의해 수행되는, 회복 정보를 예측하는 방법으로서,
   신경망 모델에 환부 이미지를 입력하는 단계; 및
   상기 신경망 모델을 활용하여, 상기 환부 이미지를 기초로 회복 정보를 예측하는 단계
   를 포함하고,
   상기 신경망 모델은,
   제 1 신경망 모델, 제 2 신경망 모델, 및 제 3 신경망 모델을 포함하고,
   복수의 환부 타입들과 관련된 복수의 과업(task)들에 기초하여 학습된 모델에 대응되고,
   상기 제 1 신경망 모델의 파라미터는, 상기 제 2 신경망 모델의 특징 값 및 상기 제 3 신경망 모델의 특징 값을 추가적인 제약(regularization)으로서 고려하여 학습되고,
   상기 제 2 신경망 모델의 파라미터는, 상기 제 1 신경망 모델의 특징 값 및 상기 제 3 신경망 모델의 특징 값을 추가적인 제약으로서 고려하여 학습되고,
   상기 제 3 신경망 모델의 파라미터는, 상기 제 1 신경망 모델의 특징 값 및 상기 제 2 신경망 모델의 특징 값을 추가적인 제약으로서 고려하여 학습되는,
   방법.
   
2. 제 1 항에 있어서,
   상기 신경망 모델에 환부 이미지를 입력하는 단계는,
   상기 신경망 모델을 기초로 환부 이미지에 시술 경과일 정보를 추가하여 입력하는 단계를 포함하는,
   방법.
   
3. 제 1 항에 있어서,
   상기 신경망 모델은,
   상기 복수의 환부 타입들과 관련된 복수의 과업들; 및
   시술 경과일 정보에 기초하여 상기 복수의 과업들 각각에 부여된 복수의 결합 가중치들;
   에 기초하여 학습된 모델에 대응되는,
   방법.
   
4. 제 1 항에 있어서,
   상기 복수의 환부 타입들은, 멍(bruise) 타입, 붓기(edema) 타입, 및 흉터(scar) 타입을 포함하는,
   방법.
   
5. 제 4 항에 있어서,
   상기 복수의 과업들은,
   상기 멍(bruise) 타입과 관련된 회복 정보를 예측하는 제 1 과업;
   상기 붓기(edema) 타입과 관련된 회복 정보를 예측하는 제 2 과업; 및
   상기 흉터(scar) 타입과 관련된 회복 정보를 예측하는 제 3 과업
   을 포함하는,
   방법.
   
6. 제 5 항에 있어서,
   상기 제 1 신경망 모델은,
   상기 멍 타입과 관련된 회복 정보를 예측하기 위한 제 1 신경망 모델을 포함하고,
   상기 제 2 신경망 모델은,
   상기 붓기 타입과 관련된 회복 정보를 예측하기 위한 제 2 신경망 모델을 포함하고,
   상기 제 3 신경망 모델은,
   상기 흉터 타입과 관련된 회복 정보를 예측하기 위한 제 3 신경망 모델을 포함하는,
   방법.
   
7. 삭제
8. 제 1 항에 있어서,
   상기 제 1 신경망 모델의 파라미터, 상기 제 2 신경망 모델의 파라미터, 및 상기 제 3 신경망 모델의 파라미터의 학습을 위한 추가적인 제약들은, 시술 경과일 정보에 기초하여 결정되는,
   방법.
   
9. 제 6 항에 있어서,
   상기 제 1 신경망 모델의 파라미터는, 상기 제 1 신경망 모델의 특징 값에 대한 제 1-1 결합 가중치, 상기 제 2 신경망 모델의 특징 값에 대한 제 1-2 결합 가중치, 및 상기 제 3 신경망 모델의 특징 값에 대한 제 1-3 결합 가중치에 기초하여 학습되고,
   상기 제 2 신경망 모델의 파라미터는, 상기 제 1 신경망 모델의 특징 값에 대한 제 2-1 결합 가중치, 상기 제 2 신경망 모델의 특징 값에 대한 제 2-2 결합 가중치, 및 상기 제 3 신경망 모델의 특징 값에 대한 제 2-3 결합 가중치에 기초하여 학습되고,
   상기 제 3 신경망 모델의 파라미터는, 상기 제 1 신경망 모델의 특징 값에 대한 제 3-1 결합 가중치, 상기 제 2 신경망 모델의 특징 값에 대한 제 3-2 결합 가중치, 및 상기 제 3 신경망 모델의 특징 값에 대한 제 3-3 결합 가중치에 기초하여 학습되는,
   방법.
   
10. 제 9 항에 있어서,
    상기 제 1-1 결합 가중치, 상기 제 1-2 결합 가중치, 상기 제 1-3 결합 가중치, 상기 제 2-1 결합 가중치, 상기 제 2-2 결합 가중치, 상기 제 2-3 결합 가중치, 상기 제 3-1 결합 가중치, 상기 제 3-2 결합 가중치, 및 상기 제 3-3 결합 가중치는 시술 경과일 정보에 기초하여 결정되는,
    방법.
    
11. 장치로서,
    적어도 하나의 프로세서; 및
    메모리;
    를 포함하고,
    상기 적어도 하나의 프로세서는,
    신경망 모델에 환부 이미지를 입력하고; 그리고
    상기 신경망 모델을 활용하여, 상기 환부 이미지를 기초로 회복 정보를 예측하도록 구성되고,
    상기 신경망 모델은,
    제 1 신경망 모델, 제 2 신경망 모델 및 제 3 신경망 모델을 포함하고,
    복수의 환부 타입들과 관련된 복수의 과업(task)들에 기초하여 학습된 모델에 대응되고,
    상기 제 1 신경망 모델의 파라미터는, 상기 제 2 신경망 모델의 특징 값 및 상기 제 3 신경망 모델의 특징 값을 추가적인 제약(regularization)으로서 고려하여 학습되고,
    상기 제 2 신경망 모델의 파라미터는, 상기 제 1 신경망 모델의 특징 값 및 상기 제 3 신경망 모델의 특징 값을 추가적인 제약으로서 고려하여 학습되고,
    상기 제 3 신경망 모델의 파라미터는, 상기 제 1 신경망 모델의 특징 값 및 상기 제 2 신경망 모델의 특징 값을 추가적인 제약으로서 고려하여 학습되는,
    장치.
    
12. 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 프로그램은 적어도 하나의 프로세서로 하여금 회복 정보를 예측하기 위한 동작들을 수행하게 하고, 상기 동작들은:
    신경망 모델에 환부 이미지를 입력하는 동작; 및
    상기 신경망 모델을 활용하여, 상기 환부 이미지를 기초로 회복 정보를 예측하는 동작
    를 포함하고,
    상기 신경망 모델은,
    제 1 신경망 모델, 제 2 신경망 모델 및 제 3 신경망 모델을 포함하고,
    복수의 환부 타입들과 관련된 복수의 과업(task)들에 기초하여 학습된 모델에 대응되고,
    상기 제 1 신경망 모델의 파라미터는, 상기 제 2 신경망 모델의 특징 값 및 상기 제 3 신경망 모델의 특징 값을 추가적인 제약(regularization)으로서 고려하여 학습되고,
    상기 제 2 신경망 모델의 파라미터는, 상기 제 1 신경망 모델의 특징 값 및 상기 제 3 신경망 모델의 특징 값을 추가적인 제약으로서 고려하여 학습되고,
    상기 제 3 신경망 모델의 파라미터는, 상기 제 1 신경망 모델의 특징 값 및 상기 제 2 신경망 모델의 특징 값을 추가적인 제약으로서 고려하여 학습되는,
    컴퓨터 판독가능한 저장 매체에 저장된 컴퓨터 프로그램.
    

Images