KR102594562B1 - 치아 탐지 방법 및 장치 - Google Patents

Abstract

본 개시의 일 실시예에 따라 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 치아 탐지 방법이 개시된다. 상기 방법은: 입력 이미지를 수신하는 단계; 제 1 뉴럴 네트워크 모델에 기초하여 상기 입력 이미지에 대한 제 1 출력을 산출하는 단계; 복수 개의 서브 모델을 포함하는 제 2 뉴럴 네트워크 모델에 기초하여 상기 입력 이미지에 대한 제 2 출력을 산출하는 단계; 상기 제 2 뉴럴 네트워크 모델에 포함되고 각각 서로 다른 타겟 유형에 대응되는 복수 개의 서브 모델을 통해 산출된 적어도 하나의 치아에 대한 상기 제 2 출력에 기초하여, 상기 제 1 출력을 조정하는 단계; 및 상기 조정의 결과에 따라 최종 출력을 산출하는 단계를 포함할 수 있다.

Description

치아 탐지 방법 및 장치 {METHOD AND APPARATUS FOR DETECTING TEETH}

본 발명은 치아를 탐지하기 위한 방법에 관련한 것으로서, 보다 구체적으로 신경망을 이용하여 치아를 탐지하기 위한 방법에 관한 것이다.

딥 러닝(Deep Learning) 기술의 발전에 따라 딥 러닝 기술을 통해 이미지 속에서 목표하는 타겟 객체를 탐지하고 인식하는 것이 가능하게 되었다. 이에 따라, 이미지 속에서 특정 대상의 얼굴을 탐지하고 인식하거나 의료 영상에서 특정 종류의 병변을 탐지해내는 연구가 활발하게 이루어지고 있다.

지도 학습(supervised learning)되는 딥 러닝 뉴럴 네트워크의 경우, 그 학습 데이터의 질과 양에 따라 뉴럴 네트워크의 성능이 결정된다. 다만, 양질의 학습 데이터를 통해 충분히 학습되지 않은 어려운(hard) 케이스의 데이터가 새롭게 입력될 경우 모델의 성능이 저하될 수 있다.

따라서, 당 업계에서는 목표하는 특정 case에 대한 탐지 정확성을 증가시키고자 하는 수요가 지속적으로 존재하였다. 이처럼, 의료(특히, 치과) 분야 내에서 이미지에서의 특정한 객체(object)에 대한 탐지 정확성을 높이는 기술에 대한 수요가 증가하고 있다.

한국 등록특허 KR10-2200999는 "치아 이미지에 기초한 치주 질환 예후 평가 장치 및 방법"을 개시한다.

본 개시는 전술한 배경기술에 대응하여 안출 된 것으로, 신경망을 이용하여 치아 탐지 방법을 제공하는 것을 목적으로 한다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 치아 탐지 방법이 개시된다. 상기 방법은: 입력 이미지를 수신하는 단계; 제 1 뉴럴 네트워크 모델에 기초하여 상기 입력 이미지에 대한 제 1 출력을 산출하는 단계; 복수 개의 서브 모델을 포함하는 제 2 뉴럴 네트워크 모델에 기초하여 상기 입력 이미지에 대한 제 2 출력을 산출하는 단계; 상기 제 2 뉴럴 네트워크 모델에 포함되고 각각 서로 다른 타겟 유형에 대응되는 복수 개의 서브 모델을 통해 산출된 적어도 하나의 치아에 대한 상기 제 2 출력에 기초하여, 상기 제 1 출력을 조정하는 단계; 및 상기 조정의 결과에 따라 최종 출력을 산출하는 단계를 포함할 수 있다.

대안적인 실시예에서, 상기 제 1 출력을 조정하는 단계는, 상기 제 2 출력 및 상기 제 2 출력을 산출하기 위해 사용된 서브 모델 정보에 기반하여 수행될 수 있다.

대안적인 실시예에서, 상기 제 1 출력을 조정하는 단계는, 상기 제 1 출력에 포함된 신뢰 점수 중 제 1 서브 모델의 타겟 유형으로 결정된 치아의 신뢰 점수를 증가시키는 단계; 및 상기 제 1 출력에 포함된 신뢰 점수 중 제 2 서브 모델의 타겟 유형으로 결정된 치아의 신뢰 점수를 감소시키는 단계를 포함할 수 있다.

대안적인 실시예에서, 상기 제 1 출력을 조정하는 단계는, 상기 제 2 출력에 포함된 신뢰 점수들 중 임계 점수보다 큰 값을 갖는 신뢰 점수에 대응되는 치아 번호를 산출하는 단계; 및 상기 제 1 출력 내에서 상기 치아 번호에 대응되는 치아의 신뢰 점수를 변경하는 단계를 포함할 수 있다.

대안적인 실시예에서, 상기 입력 이미지는, 파노라마 방사선(panoramic radiography) 이미지인 것을 특징으로 할 수 있다.

대안적인 실시예에서, 상기 제 1 출력은, 위치 정보, 치아 번호 및 신뢰 점수를 포함하는 적어도 하나의 치아 정보를 포함할 수 있다.

대안적인 실시예에서 상기 제 2 출력은, 상기 복수 개의 서브 모델 각각에 대응되는 적어도 하나의 치아 정보를 포함하되, 하나의 서브 모델에 대응되는 적어도 하나의 치아 정보는 상기 하나의 서브 모델이 타겟하는 타겟 유형에 해당하는 치아의 치아 번호 및 신뢰 점수를 포함할 수 있다.

대안적인 실시예에서, 상기 제 1 출력을 조정하는 단계는, 상기 제 1 출력에 포함된 적어도 하나의 치아에 대한 위치 정보와 상기 제 2 출력에 포함된 적어도 하나의 치아에 대한 위치 정보 사이에서 계산되는 IoU(Intersection over Union) 값과 임계 IoU 값을 비교하는 연산에 기초하여 수행될 수 있다.

대안적인 실시예에서, 상기 제 1 출력을 조정하는 단계는, 상기 임계 IoU 값 이상의 IoU 값을 가지는 것으로 계산된 치아 쌍(pair) - 상기 치아 쌍은 제 1 치아 및 제 2 치아를 포함하되, 상기 제 1 치아는 상기 제 1 출력에 포함되고 상기 제 2 치아는 상기 제 2 출력에 포함됨 - 에 있어서, 상기 제 1 치아에 대한 치아 번호와 상기 제 2 치아에 대한 치아 번호의 동일 여부를 판단하는 단계를 더 포함할 수 있다.

대안적인 실시예에서, 컴퓨팅 장치에 의해 수행되는 치아 탐지 방법은 최종 출력을 포함하는 사용자 인터페이스 정보를 사용자 단말로 전송하는 단계를 더 포함할 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 치아 탐지를 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 입력 이미지를 수신하는 동작; 제 1 뉴럴 네트워크 모델에 기초하여 상기 입력 이미지에 대한 제 1 출력을 산출하는 동작; 복수 개의 서브 모델을 포함하는 제 2 뉴럴 네트워크 모델에 기초하여 상기 입력 이미지에 대한 제 2 출력을 산출하는 동작; 상기 제 2 뉴럴 네트워크 모델에 포함되고 각각 서로 다른 타겟 유형에 대응되는 복수 개의 서브 모델을 통해 산출된 적어도 하나의 치아에 대한 상기 제 2 출력에 기초하여, 상기 제 1 출력을 조정하는 동작; 및 상기 조정의 결과에 따라 최종 출력을 산출하는 동작을 포함할 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따른 치아 탐지 장치가 개시된다. 상기 장치는 하나 이상의 프로세서; 및 하나 이상의 메모리; 및 네트워크부를 포함하고, 그리고 상기 하나 이상의 프로세서는, 입력 이미지를 수신하고,제 1 뉴럴 네트워크 모델에 기초하여 상기 입력 이미지에 대한 제 1 출력을 산출하고, 복수 개의 서브 모델을 포함하는 제 2 뉴럴 네트워크 모델에 기초하여 상기 입력 이미지에 대한 제 2 출력을 산출하고, 상기 제 2 뉴럴 네트워크 모델에 포함되고 각각 서로 다른 타겟 유형에 대응되는 복수 개의 서브 모델을 통해 산출된 적어도 하나의 치아에 대한 상기 제 2 출력에 기초하여, 상기 제 1 출력을 조정하고, 그리고 상기 조정의 결과에 따라 최종 출력을 산출할 수 있다.

본 개시는 신경망을 이용하여 치아를 효과적으로 탐지하는 방법을 제공할 수 있다.

도 1은 본 개시의 일 실시예에 따른 치아를 탐지하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따라 네트워크 함수를 나타낸 개략도이다.
도 3 및 도 4는 본 개시의 일 실시예에 따라 프로세서가 치아 탐지를 수행하는 과정에서 생성하는 출력을 도시한 예시도이다.
도 5는 본 개시의 일 실시예에 따라 프로세서가 수행하는 치아 탐지 방법의 각 단계를 예시적으로 나타낸 순서도이다.
도 6은 본 개시의 다른 일 실시예에 따라 프로세서가 수행하는 치아 탐지 방법의 각 단계를 예시적으로 나타낸 순서도이다.
도 7은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

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

본 명세서에서 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 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 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 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

그리고, “A 또는 B 중 적어도 하나”이라는 용어는, “A만을 포함하는 경우”, “B 만을 포함하는 경우”, “A와 B의 구성으로 조합된 경우”를 의미하는 것으로 해석되어야 한다.

당업자들은 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 안된다.

제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 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 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

본 발명의 상세한 설명 및 청구항들에 걸쳐 이용된 "이미지" 또는 "영상"이라는 용어는 이산적 영상 요소들(예컨대, 2차원 영상에 있어서는 픽셀)로 구성된 다차원 데이터를 지칭하며, 달리 말하자면, (예컨대, 비디오 화면에 표시된) 눈으로 볼 수 있는 대상 또는 (예컨대, CT, MRI 검출기 등의 픽셀 출력에 대응되는 파일과 같은) 그 대상의 디지털 표현물을 지칭하는 용어이다.

본 개시에 있어서 "이미지" 또는 "영상"은, X-ray 영상, 전산화 단층 촬영(CT; computed tomography), 자기 공명 영상(MRI; magnetic resonance imaging), 안저 영상, 초음파 또는 본 발명의 기술분야에서 공지된 임의의 다른 의료 영상 시스템의 의하여 수집된 피검체(subject)의 의료 영상을 의미할 수 있다. 영상이 반드시 의료적 맥락에서 제공되어야 하는 것은 아니고 비의료적 맥락에서 제공될 수도 있는 바, 예를 들어 보안 검색용 X선 촬영 등이 있을 수도 있다.

본 개시에 있어서 "이미지" 또는 "영상"은, 파노라마 방사선(panoramic radiography) 이미지일 수 있다. 파노라마 방사선 이미지는 얼굴의 상악(위턱)과 하악(아래턱) 및 그 주변 부분을 임의의 방법으로 스캔한 결과 생성된 이미지일 수 있다. 파노라마 방사선 이미지는 치과용 X-ray 촬영 시스템에 의해 생성될 수 있다.

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 용어인 바, DICOM 표준은 미국 방사선 의학회(ACR)와 미국 전기 공업회(NEMA)에서 구성한 연합 위원회에서 발표한다.

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.

도 1은 본 개시의 일 실시예에 따른 치아를 탐지하기 위한 컴퓨팅 장치의 블록 구성도이다.

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 신경망의 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 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 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 개시에서 네트워크부(150)는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 다양한 통신 시스템들을 사용할 수 있다.

본 개시에 따른 컴퓨팅 장치(100)는 입력 이미지를 수신할 수 있다. 컴퓨팅 장치(100)는 네트워크부(150)를 통해 외부 서버로부터 입력 이미지를 전송받음으로써 입력 이미지를 수신할 수 있다. 프로세서(110)는 컴퓨팅 장치(100)에 포함된 입력부(미도시)를 통해 입력 이미지를 획득할 수도 있다. 컴퓨팅 장치(100)가 수신하는 입력 이미지는 일례로 치아 영상일 수 있다. 컴퓨팅 장치(100)가 수신하는 입력 이미지는 치아 관련 파노라마 방사선(panoramic radiography) 이미지일 수 있다.

본 개시에 따른 프로세서(110)는 제 1 뉴럴 네트워크 모델에 기초하여 입력 이미지에 대한 제 1 출력을 산출할 수 있다. 프로세서(110)는 학습된 제 1 뉴럴 네트워크 모델에 입력 이미지를 입력한 후, 제 1 뉴럴 네트워크 모델에 포함된 적어도 하나의 파라미터를 이용하여 제 1 출력을 산출할 수 있다. 제 1 뉴럴 네트워크 모델의 학습 방법에 관하여는 구체적으로 후술한다.

본 개시에 따른 제 1 뉴럴 네트워크 모델이 산출하는 제 1 출력은 위치 정보, 치아 번호 및 신뢰 점수를 포함하는 적어도 하나의 치아 정보를 포함할 수 있다.

본 개시에 있어서 치아 정보에 포함된 위치 정보는 입력 이미지 내에서 치아의 위치에 관한 수치 정보를 포함할 수 있다. 예를 들어, 치아의 위치에 관한 수치 정보는 입력 이미지 내에서 해당 치아의 윤곽을 포함하는 바운딩 박스에 관한 수치 정보일 수 있다. 바운딩 박스에 관한 수치 정보는 바운딩 박스의 네 꼭지 점의 좌표로 표현될 수 있다. 바운딩 박스에 관한 수치 정보는 바운딩 박스의 중점과 바운딩 박스의 가로, 세로 길이로 표현될 수도 있다. 다른 예를 들어, 치아의 위치에 관한 수치 정보는 입력 이미지 내에서 해당 치아가 갖는 픽셀들의 정보일 수 있다. 여기서 해당 치아가 갖는 픽셀들의 정보는 세그멘테이션(segmentation) 작업의 수행 결과 획득될 수 있다.

본 개시에 있어서 치아 정보에 포함된 치아 번호는 사전 결정된 치아 번호 표기법에 기초하여 치아를 식별하기 위한 고유 번호일 수 있다. 사전 결정된 치아 번호 표기법에는, 예를 들어, FDI 표기법, Palmer 표기법, Universal 표기법 등이 포함될 수 있다. 예를 들어, 본인을 기준으로 상악 우측에 존재하는 첫번째 앞니는 '11', 상악 좌측 가장 안쪽 어금니는 '28' 등과 같이 각각의 치아에는 사전 결정된 치아 번호가 존재할 수 있다. 치아 정보에 포함된 치아 번호는 입력 이미지에 포함된 적어도 하나의 치아 각각의 고유 번호가 무엇인지 뉴럴 네트워크 모델에 의해 산출 및 결정된 번호일 수 있다. 뉴럴 네트워크 모델이 산출하는 치아 번호는 상기 예시적인 사전 결정된 표기법 중 하나를 그대로 따르는 숫자일 수도 있고, 또는 각각의 사전 결정된 표기법과 일대일(one-to-one) 매칭되는 숫자일 수도 있다.

본 개시에 있어서 치아 정보에 포함된 신뢰 점수는 뉴럴 네트워크 모델의 산출 결과에 대한 확신 값(confidence score)을 나타낼 수 있다. 뉴럴 네트워크 모델이 산출하는 신뢰 점수의 값이 클수록 뉴럴 네트워크 모델이 산출한 결과의 신뢰도는 크다고 판단될 수 있다. 반대로, 신뢰 점수가 낮을수록 그 결과의 신뢰도는 낮을 수 있다. 본 개시에 있어서 제 1 뉴럴 네트워크 모델이 산출하는 각 치아에 대한 신뢰 점수는 해당 치아의 검출 정확도를 의미할 수 있다.

본 개시에 따른 프로세서(110)는 제 2 뉴럴 네트워크 모델에 기초하여 입력 이미지에 대한 제 2 출력을 산출할 수 있다. 프로세서(110)는 학습된 제 2 뉴럴 네트워크 모델에 입력 이미지를 입력한 후, 제 2 뉴럴 네트워크 모델에 포함된 적어도 하나의 파라미터를 이용하여 제 2 출력을 산출할 수 있다. 제 2 뉴럴 네트워크 모델의 학습 방법에 관하여는 제 1 뉴럴 네트워크 모델의 학습 방법과 함께 구체적으로 후술한다.

본 개시에 따른 제 2 뉴럴 네트워크 모델이 산출하는 제 2 출력은 복수 개의 서브 모델에 기초하여 생성될 수 있다. 제 2 출력은 복수 개의 서브 모델 각각에 대응되는 적어도 하나의 치아 정보를 포함할 수 있다. 각각의 서브 모델에 대응되는 치아 정보는, 각 서브 모델이 타겟하는 타겟 유형에 해당하는 치아의 치아 번호 및 신뢰 점수를 포함할 수 있다. 본 개시에 있어서 타겟 유형에 해당하는 치아는 제 2 뉴럴 네트워크 모델이 탐지하고자 하는 사전 결정된 특정 타입의 치아를 의미할 수 있다. 제 2 뉴럴 네트워크 모델이 탐지해내고자 하는 타겟 유형에는, 예를 들어, 매복치(impacted teeth), 잔존 치근(Root Rest), 치아 상실(missing teeth), 임플란트 등이 포함될 수 있다. 본 개시에 있어서 제 2 뉴럴 네트워크 모델이 산출하는 각 치아에 대한 신뢰 점수는 해당 치아의 타겟 유형 해당 여부에 관한 정확도를 의미할 수 있다. 본 개시에 따른 제 2 뉴럴 네트워크 모델이 산출하는 제 2 출력은 적어도 하나의 타겟 유형 치아에 대한 위치 정보를 추가로 포함할 수도 있다. 제 2 출력에 포함된 치아 번호 및 위치 정보는 제 1 뉴럴 네트워크 모델의 출력에 포함된 치아 번호 및 위치 정보와 동일 또는 유사하게 이해될 수 있으며 이는 전술하였으므로 중복 설명은 생략한다.

본 개시내용에 있어서, "제 1", "제 2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하여 명세서 전체적으로 일관성을 유지하기 위해 사용되는 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 필요에 따라 “제 1 뉴럴 네트워크 모델” 또는 “제 1 출력”는 각각 “제 2 뉴럴 네트워크 모델” 또는 “제 2 출력”로 명명될 수 있고, 유사하게 그 반대로 명명될 수도 있다. 또한 본 개시에 따른 몇몇 실시예들에 있어서, 설명을 위해 둘 이상의 뉴럴 네트워크 모델을 서로 구별할 필요가 없는 경우, “제 1 뉴럴 네트워크 모델” 및 “제 2 뉴럴 네트워크 모델”은 공통적으로 “뉴럴 네트워크 모델”로 지칭될 수 있다.

도 2는 본 개시의 일 실시예에 따라 네트워크 함수를 나타낸 개략도이다.

본 개시내용에 있어서, "제 1 뉴럴 네트워크 모델", "제 2 뉴럴 네트워크 모델" 등의 용어는, 입력 데이터에 대하여 뉴럴 네트워크에 포함된 노드들 중 적어도 일부에 의해 연산이 이뤄지고 상기 연산의 결과에 기초하여 출력 데이터를 생성하는 뉴럴 네트워크 기반 모델을 지칭하기 위해 사용될 수 있다.

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

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

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

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

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

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

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

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

본 개시의 일 실시예에서 네트워크 함수는 오토 인코더(autoencoder)를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 차원과 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.

뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 반교사학습(semi supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.

뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 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 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 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 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.

본 개시에 따른 프로세서(110)는 학습 이미지 및 학습 이미지에 대응되는(i.e. 라벨링된) 정답 데이터(GT, ground truth)로 구성되는 학습 데이터를 적어도 하나 포함하는 학습 데이터 셋(set)에 기초하여 제 1 뉴럴 네트워크 모델 또는 제 2 뉴럴 네트워크 모델을 학습시킬 수 있다.

본 개시에 있어서, 제 1 뉴럴 네트워크 모델은 입력 이미지에 포함된 객체의 검출(detection)을 위해 사용되는 모델로서 학습될 수 있다. 여기서 검출 대상이 되는 객체는 입력 이미지 내에 존재하는 각각의 치아일 수 있다. 뉴럴 네트워크에 기반한 객체의 "검출" 또는 "디텍션" 작업은, 뉴럴 네트워크를 이용하여 객체의 존재 여부 뿐만 아니라 객체의 위치를 결정하는 작업일 수 있다. 프로세서(110)는 제 1 뉴럴 네트워크 모델을 이용하여 각각의 치아의 위치를 결정할 수 있다. 본 개시의 일 실시예에 따라 프로세서(110)가 제 1 뉴럴 네트워크 모델을 학습시키기 위해 사용하는 학습 데이터 셋에 있어서, 각각의 학습 이미지에 라벨링된 정답 데이터는 학습 이미지에 포함된 적어도 하나의 치아에 대한 위치 정보, 치아 번호가 포함될 수 있다. 이러한 학습 데이터 셋에 기초하여 학습된 제 1 뉴럴 네트워크 모델은, 입력 이미지를 입력 받아 각각의 치아에 대한 위치 정보, 치아 번호 및 신뢰 점수를 출력할 수 있다. 본 개시에 따른 제 1 뉴럴 네트워크 모델은 입력 이미지에 대한 출력으로써 와 같이 표기될 수 있는 제 1 출력을 산출할 수 있다. 는 제 1 뉴럴 네트워크 모델이 산출하는 i번째 치아의 위치 정보를 나타낸다. 는 제 1 뉴럴 네트워크 모델에 의해 산출된 치아 번호를 나타낸다. 는 제 1 뉴럴 네트워크 모델이 산출하는 번째 치아에 관한 신뢰 점수를 나타낸다.

본 개시에 있어서, 제 2 뉴럴 네트워크 모델은 입력 이미지의 분류(classification)를 위해 사용되는 모델로서 학습될 수 있다. 뉴럴 네트워크에 기반한 "분류" 작업은, 사전 결정된 적어도 하나의 분류 기준이 존재할 때 뉴럴 네트워크에 기초하여 입력 이미지를 해당되는 특정 분류 기준으로 매칭하기 위한 작업일 수 있다. 가령 제 1 뉴럴 네트워크 모델과 제 2 뉴럴 네트워크 모델 각각이 수행하는 작업의 종류가 '검출' 및 '분류'로 서로 다를 경우, 프로세서(110)는 제 1 뉴럴 네트워크 모델을 학습시키기 위한 학습 데이터 셋과 적어도 일부 상이한 학습 데이터 셋에 기초하여 타겟 유형의 치아를 탐지하기 위한 제 2 뉴럴 네트워크 모델을 학습시킬 수 있다.

본 개시의 일 실시예에 있어서 프로세서(110)에 의해 제 2 뉴럴 네트워크 모델이 수행하는 분류 작업은 멀티클래스(multi class) 분류일 수 있다. 분류될 수 있는 클래스의 수가 N개 존재하는 경우, 제 2 뉴럴 네트워크 모델은 입력 이미지를 N개의 분류 클래스 중 어느 하나의 클래스로 매칭되도록 분류할 수 있다. 본 개시에 따른 멀티 클래스 분류의 일례로, 입력 이미지를 분류하기 위한 복수의 클래스들은 타겟 유형에 해당하는 치아가 서로 다른 치아에 발생된 경우들로 구성될 수 있다.

본 개시에 따른 멀티클래스 분류에 관한 일 실시예에 있어서, 학습 데이터 셋에는 하나의 타겟 유형이 서로 다른 위치의 치아에 존재하는 학습 이미지들이 포함될 수 있다. 예를 들어, 타겟 유형이 잔존치근이라고 가정하자. 이때 입력 이미지를 멀티클래스로 분류하기 위한 학습 데이터 셋에는 잔존치근이 '21'번 치아에 존재하는 학습 이미지, 잔존치근이 '22'번 치아에 존재하는 학습 이미지, 잔존치근이 '23'번 치아에 존재하는 학습 이미지 등이 서로 다른 클래스로 구별되어 포함될 수 있다. 그리고, 이러한 학습 데이터 셋에 대응되는 정답 데이터(i.e. 타겟 유형이 'x'번 치아에 존재하는 학습 이미지에 대응되는 정답 데이터)는 사전 결정된 크기를 갖는 벡터에 있어서 x번째 인덱스의 값이 '1'이고 나머지 인덱스의 값은 '0'일 수 있다.

본 개시에 따른 멀티클래스 분류에 관한 다른 일 실시예에 있어서, 학습 데이터 셋에는 둘 이상의 타겟 유형이 서로 다른 위치의 치아에 존재하는 학습 이미지들이 포함될 수 있다. 구체적으로, 타겟 유형에 '매복치', '잔존치근', '임플란트' 등이 포함된다고 가정하자. 이 때 학습 데이터 셋에는, 예를 들어, '18번 치아가 매복치이고 23번 치아가 잔존치근'인 학습 이미지, '18번 치아가 매복치이고 23번, 24번 치아가 잔존치근'인 학습 이미지, '23번, 24번 치아는 잔존치근이고 34번 치아는 임플란트'인 학습 이미지 등이 포함될 수 있다. 이 때 학습 데이터 셋에 대응되는 정답 데이터는 사전 결정된 크기를 갖는 벡터이면서 각각의 치아 번호 인덱스에 해당하는 타겟 유형의 값을 가질 수 있다. 일례로, '18번 치아가 매복치이고 23번 치아가 잔존치근'인 학습 이미지에 대응되는 정답 데이터는 18번째 원소의 값이 '1'이고, 23번째 원소의 값이 '2'이며, 나머지 원소 값은 '0'인 벡터일 수 있다. 다른 일례로, '23번, 24번 치아가 잔존치근이고 34번 치아는 임플란트'인 학습 이미지에 대응되는 정답 데이터는 23번째 원소 및 24번째 원소의 값이 '2'이고, 34번째 원소의 값이 '3'이며, 나머지 원소 값은 '0'인 벡터일 수 있다. 전술한 학습 데이터 셋에 관한 구체적인 기재는 이해를 돕기 위한 설명에 불과하며 본 개시를 제한하지 않는다.

상술한 바와 같은 학습 데이터 셋에 기초하여 학습된 제 2 뉴럴 네트워크 모델은 입력 이미지를 입력 받아 각각의 치아 번호에 대한 분류 점수를 나타내는 출력값을 산출할 수 있다. 예를 들어 출력값은 벡터 형태로 산출될 수 있다. 본 개시에 따른 제 2 뉴럴 네트워크 모델은 입력 이미지에 대한 출력으로써 와 같이 표기될 수 있는 제 2 출력을 산출할 수 있다. 는 제 2 뉴럴 네트워크 모델에 의해 산출된 치아 번호를 나타낸다. 는 제 2 뉴럴 네트워크 모델이 산출하는 번째 치아에 관한 신뢰 점수를 나타낸다. 제 2 뉴럴 네트워크 모델이 산출하는 각각의 번째 치아에 대한 신뢰 점수는 해당 치아의 타겟 유형 해당 여부에 관한 점수를 의미할 수 있다.

본 개시의 일 실시예에 따른 제 2 뉴럴 네트워크 모델은, 서로 다른 타겟 유형의 치아를 탐지하기 위한 둘 이상의 서브 모델들을 포함할 수 있다. 서브 모델이란 뉴럴 네트워크 모델에 포함되는 하위 모델로서, 하나 이상의 서브 모델들의 집합으로 뉴럴 네트워크 모델이 구성될 수 있다. 둘 이상의 서브 모델들은 각각 하나의 타겟 유형에 대응될 수 있다. 본 개시에 따른 서브 모델은 인공 신경망을 이용하여 타겟 유형에 해당하는 치아를 검출하기 위해, 전술한 뉴럴 네트워크 모델과 동일 또는 유사한 구조를 가질 수 있다. 예를 들어, 둘 이상의 서브 모델들은 각각 매복치, 잔존 치근, 임플란트, 사랑니, 상실 치아 등의 유형들에 있어서 각각 서로 다른 유형에 대응될 수 있다. 예를 들어, 서브 모델들 각각은, 뉴럴 네트워크 모델에 대응되는 상위 개념의 객체(예컨대, 치아)의 범위 내에 포함되는 하위 개념의 객체들(예컨대, 매복치, 잔존 치근 등)을 탐지할 수 있다.

본 개시에 따른 제 2 뉴럴 네트워크 모델은 제 1 타겟 유형에 해당하는 치아를 탐지하기 위한 제 1 서브 모델 및 제 2 타겟 유형에 해당하는 치아를 탐지하기 위한 제 2 서브 모델을 포함할 수 있다. 구체적인 일 실시예에서, 제 2 뉴럴 네트워크 모델에 포함된 제 1 서브 모델은 매복치에 해당하는 치아를 탐지하기 위한 모델이고, 제 2 뉴럴 네트워크 모델에 포함된 제 2 서브 모델은 잔존 치근에 해당하는 치아를 탐지하기 위한 모델일 수 있다. 제 1 서브 모델 및 제 2 서브 모델은 각각 입력 이미지를 입력 받아 독립적으로 결과를 출력할 수 있다. 본 개시에 있어서, 제 1 서브 모델의 출력은 와 같이 표기될 수 있다. 본 개시에 있어서 "제 2 뉴럴 네트워크 모델에 포함된 제 1 서브 모델의 출력"은 간략히 "제 2-1 출력"으로 호칭될 수 있다. 은 제 1 서브 모델에 의해 산출된 치아 번호를 나타낸다. 은 매복치를 탐지하기 위한 제 1 서브 모델이 산출하는 번째 치아에 관한 매복치 관련 신뢰 점수를 나타낸다. 마찬가지로, 제 2 서브 모델의 출력은 와 같이 표기될 수 있으며, "제 2-2 출력"으로 호칭될 수 있다. 은 제 2 서브 모델에 의해 산출된 치아 번호를 나타낸다. 은 잔존 치근을 탐지하기 위한 제 2 서브 모델이 산출하는 번째 치아에 관한 잔존 치근 관련 신뢰 점수를 나타낸다.

본 개시에 따른 제 2 뉴럴 네트워크 모델은 각각 서로 다른 타겟 유형 치아에 기초하여 학습되는 둘 이상의 서브 모델을 포함함으로써, 둘 이상의 타겟 유형에 대한 탐지 정확도를 향상시킬 수 있다. 이하 타겟 유형에 대한 탐지 정확도를 향상시키기 위하여 제 1 출력 및 제 2 출력에 기초하여 최종 출력을 산출하는 과정을 서술한다.

본 개시에 따른 프로세서(110)는 타겟 유형에 해당하는 적어도 하나의 치아에 대한 정보를 포함하는 제 2 출력에 기초하여 제 1 출력을 조정하는 연산을 통해 최종 출력을 산출할 수 있다. 프로세서(110)는 제 2 뉴럴 네트워크 모델에 포함되고 각각 서로 다른 타겟 치아 유형에 대응되는 복수 개의 서브 모델을 통해 산출된 적어도 하나의 치아에 대한 제 2 출력에 기초하여 제 1 출력을 조정하고, 최종 출력을 산출할 수 있다.

본 개시에 따른 프로세서(110)는 복수 개의 서브 모델을 포함하는 제 2 뉴럴 네트워크 모델에 의해 산출되는 제 2 출력 및 제 2 출력을 산출하기 위해 사용된 서브 모델 정보에 기반하여 제 1 출력을 조정할 수 있다. 본 개시에 있어서 '서브 모델 정보'에는 제 2 출력을 산출하는 과정에 관여한 서브 모델의 수, 서브 모델의 종류 및 각각의 서브 모델에 대응되는 변경 파라미터 등이 포함될 수 있다.

예를 들어, 제 2 뉴럴 네트워크 모델이 제 1 서브 모델 및 제 2 서브 모델을 포함하는 경우, 제 2 출력은 제 1 서브 모델 및 제 2 서브 모델이 입력 이미지에 대하여 각각 생성한 출력을 포함할 수 있다. 제 1 서브 모델이 생성하는 출력은 입력 이미지에 포함된 각각의 치아에 대한 치아 번호 및 신뢰 점수를 포함할 수 있다. 제 1 서브 모델이 산출하는 신뢰 점수는 각각의 치아가 제 1 타겟 유형에 해당하는지 여부를 결정하기 위해 부여되는 신뢰 점수일 수 있다. 제 2 서브 모델이 생성하는 출력은 입력 이미지에 포함된 각각의 치아에 대한 치아 번호 및 신뢰 점수를 포함할 수 있다. 제 2 서브 모델이 산출하는 신뢰 점수는 각각의 치아가 제 2 타겟 유형에 해당하는지 여부를 결정하기 위해 부여되는 신뢰 점수일 수 있다. 프로세서(110)는 제 2 출력 및 제 2 출력을 산출하기 위해 사용된 서브 모델 정보를 이용하여 제 1 출력을 조정할 수 있다. 예컨대 제 2 출력에 포함된 23번 치아에 대한 신뢰 점수가 제 1 서브 모델에 의해 산출되었고, 제 2 출력에 포함된 25번 치아에 대한 신뢰 점수가 제 2 서브 모델에 의해 산출된 경우, 프로세서(110)는 제 1 출력에 포함된 두 치아(23번 및 25번)에 대한 신뢰 점수를 서로 다르게 조정할 수 있다. 본 개시에 따른 프로세서(110)는 제 2 출력 뿐만 아니라 제 2 출력을 산출하기 위해 사용된 서브 모델 정보를 고려하여 제 1 출력을 조정함으로써, 서로 다른 유형의 치아를 타겟하는 복수의 서브 모델 각각의 점수 조정 기여도를 개별적으로 설정할 수 있게 된다. 이는 탐지 대상인지 여부 및 탐지 대상에서도 탐지 우선순위가 높은지 여부 등을 고려하여 복수의 서브 모델간 점수 조정에 차등을 줄 수 있게 되어 보다 정교한 미세 조정을 가능하게 하는 효과를 갖는다.

프로세서(110)는 제 2 출력에 따라 입력 이미지에 포함된 적어도 하나의 치아가 타겟 유형 치아에 해당하는 것으로 결정된 경우, 입력 이미지에 대한 제 1 출력에 포함된 해당 치아의 대한 신뢰 점수를 증가 또는 감소시킴으로써 최종 출력을 산출할 수 있다. 프로세서(110)는 최종 출력에서, 신뢰 점수가 특정 값 이하인 치아 정보를 제거하거나 신뢰 점수가 특정 값 이상인 치아 정보만을 선택할 수 있다.

본 개시에 따른 프로세서(110)는 각각의 뉴럴 네트워크 모델이 산출하는 출력에 포함된 치아 번호에 기초하여 제 1 출력과 제 2 출력을 관련 지을 수 있다. 프로세서(110)는 입력 이미지에 대한 제 2 출력에 포함된 신뢰 점수들 중 임계 점수보다 큰 값을 갖는 신뢰 점수에 대응되는 치아 번호를 산출할 수 있다. 여기서 임계 점수는 타겟 유형 치아마다 개별적으로 설정될 수 있으며, 신뢰 점수의 최소값과 최대값 사이의 임의의 값으로 사전 설정될 수 있다. 예를 들어, 임계 점수는 0.7, 0.8 등으로 사전 설정될 수 있다.

본 개시에 따른 프로세서(110)는 제 1 출력에 포함된 적어도 하나의 치아 번호 중에서, 제 2 출력의 신뢰 점수와 임계 점수의 비교 결과에 따라 산출된 치아 번호와 대응되는 치아 번호의 신뢰 점수를 변경할 수 있다. 본 개시에 따른 신뢰 점수 변경 방법은 제 1 출력에 포함된 신뢰 점수에 임의의 상수값에 기초한 사칙연산을 적용함으로써 수행될 수 있다.

본 개시에 따른 프로세서(110)는 신뢰 점수를 변경하기 위해 사전 설정된 변경 파라미터에 기초할 수도 있다. 변경 파라미터는 임의의 실수값을 갖는다. 변경 파라미터는 제 2 뉴럴 네트워크 모델 또는 제 2 뉴럴 네트워크 모델에 포함된 각각의 서브 모델에 각각 대응되어 존재할 수 있다.

예를 들어, 제 2 뉴럴 네트워크 모델이 매복치를 검출하기 위한 제 1 서브 모델을 포함하는 경우, 상기 제 1 서브 모델에 대응되는 변경 파라미터는 10으로 설정될 수 있다. 이때, 입력 이미지를 입력 받아 제 1 뉴럴 네트워크 모델이 산출한 출력에 포함된 12번 치아의 신뢰 점수가 0.2이고 또한 제 1 서브 모델에 의해 입력 이미지에 대하여 산출된 출력 중 12번 치아의 점수가 임계 점수를 초과하였다고 가정하자. 이 때, 프로세서(110)는 제 1 뉴럴 네트워크 모델이 12번 치아에 대하여 갖는 신뢰 점수 0.2에 변경 파라미터인 10을 곱하여 최종적으로 12번 치아에 대한 신뢰 점수를 2로 조정할 수 있다.

다른 예를 들어, 제 2 뉴럴 네트워크 모델이 잔존 치근을 검출하기 위한 제 2 서브 모델을 포함하는 경우, 상기 제 2 서브 모델에 대응되는 변경 파라미터는 0.1로 설정될 수 있다. 이때, 입력 이미지를 입력 받아 제 1 뉴럴 네트워크 모델이 산출한 출력에 포함된 23번 치아의 신뢰 점수가 1이고 또한 제 2 서브 모델에 의해 입력 이미지에 대하여 산출된 출력 중 23번 치아의 점수가 임계 점수를 초과하였다고 가정하자. 이 때, 프로세서(110)는 제 1 뉴럴 네트워크 모델이 23번 치아에 대하여 갖는 신뢰 점수 1에 변경 파라미터인 0.1을 곱하여 최종적으로 23번 치아에 대한 신뢰 점수를 0.1로 조정할 수 있다.

본 개시에 따른 프로세서(110)는 제 2 뉴럴 네트워크 모델의 출력 또는 제 2 뉴럴 네트워크 모델에 포함된 서브 모델들 각각의 출력에 기초하여 제 1 출력에 포함된 각각의 치아에 대한 신뢰 점수를 변경함으로써 최종 출력을 산출할 수 있다.

본 개시에 따른 최종 출력 산출의 제 1 실시예에 있어서, 입력 이미지에 대한 제 1 출력 중 11번 치아의 점수가 0.1이고 매복치를 타겟 유형으로 하는 제 2 서브 모델에 의해 입력 이미지에 대하여 산출된 출력 중 11번 치아의 점수가 임계 점수를 초과하였다고 가정하자. 이 때 프로세서(110)는 제 1 출력에 포함된 11번 치아에 대한 신뢰 점수가 0.1보다 큰 값인 1이 되도록 변경할 수 있다.

본 개시에 따른 최종 출력 산출의 제 2 실시예에 있어서, 입력 이미지에 대한 제 1 출력 중 25번 치아의 점수가 0.8이고 잔존 치근을 타겟 유형으로 하는 제 2 서브 모델에 의해 입력 이미지에 대하여 산출된 출력 중 25번 치아의 점수가 임계 점수를 초과하였다고 가정하자. 이 때 프로세서(110)는 제 1 출력에 포함된 25번 치아에 대한 신뢰 점수를 0.8보다 작은 값인 0.1이 되도록 변경할 수 있다.

본 개시의 일 실시예에 있어서 프로세서(110)는 복수의 서브 모델을 포함하는 제 2 뉴럴 네트워크 모델을 이용하여 최종 출력을 산출할 수도 있다. 프로세서(110)는 '제 2-1 출력의 신뢰 점수와 임계 점수의 비교 결과' 및 '제 2-2 출력의 신뢰 점수와 임계 점수의 비교 결과' 모두에 기초하여 제 1 출력에 포함되고 대응되는 치아 번호의 신뢰 점수를 변경할 수 있다.

본 개시에 따른 최종 출력 산출의 제 3 실시예에 있어서, 제 1 서브 모델이 산출하는 제 2-1 출력은 매복치에 관한 출력이고 제 2 서브 모델이 산출하는 제 2-2 출력은 잔존 치근에 관한 출력일 수 있다. 이 때 입력 이미지에 대한 제 1 출력 중 33번 치아의 신뢰 점수는 0.5이고 44번 치아의 신뢰 점수는 0.3일 수 있다. 그리고 제 2-1 출력 중 33번 치아의 점수가 임계 점수를 초과하고, 제 2-2 출력 중 44번 치아의 점수가 임계 점수를 초과하였다고 가정하자. 이 경우, 프로세서(110)는 제 1 출력에 포함된 33번 치아에 대한 신뢰 점수를 0.5보다 큰 0.99으로 변경하고, 44번 치아에 대한 신뢰 점수를 0.3보다 작은 0.01로 변경할 수 있다.

전술한 최종 출력 산출 방법에 관한 제 1 실시예 내지 제 3 실시예의 구체적인 기재는 본 개시의 설명을 위한 몇몇 실시예들에 불과할 뿐 본 개시를 제한하지 않는다.

일반적으로 지도 학습에 기초하는 뉴럴 네트워크 모델은 지도 학습을 위한 학습 데이터의 구성 또는 수량에 따라 그 성능이 결정된다. 따라서 특정 case에 해당하는 학습 데이터의 수가 적을 경우 해당 case에는 모델이 최적화(fitting)되기 어려울 수 있다. 반면 제 1 뉴럴 네트워크 모델 및 제 2 뉴럴 네트워크 모델에 기초하여 최종 출력을 산출하는 본 개시에 따를 경우, 1차적으로 산출된 제 1 뉴럴 네트워크 모델의 출력을, 목표하는 타겟 유형에 대한 추가적인 정보를 포함하는 제 2 뉴럴 네트워크 모델에 기초하여 보완할 수 있기 때문에 하나의 모델에 기초하여 치아를 탐지하는 방법보다 높은 성능을 내는 장점을 갖는다.

본 개시에 따른 프로세서(110)는 최종 출력을 산출할 때, 신뢰 점수 조정의 대상이 되는 치아를 결정할 수 있다.

전술한 바와 같이 제 1 뉴럴 네트워크 모델이 검출 작업을 수행하고, 제 2 뉴럴 네트워크 모델이 분류 작업을 수행하는 경우, 프로세서(110)는 신뢰 점수 조정의 대상이 되는 치아를 치아 번호에 기초하여 결정할 수 있다. 즉, 전술된 바와 같이 본 개시에 따른 프로세서(110)는 제 1 뉴럴 네트워크 모델이 산출하는 출력과 제 2 뉴럴 네트워크 모델이 산출하는 출력 각각에 포함된 치아 번호에 기초하여 제 1 출력과 제 2 출력을 관련 지을 수 있다.

본 개시에 따른 프로세서(110)는 치아의 위치 정보에 기초하여 신뢰 점수 조정의 대상이 되는 치아를 결정할 수 있다. 치아의 위치 정보에 기초하여 신뢰 점수를 조정하는 실시예에 있어서 본 개시에 따른 제 2 뉴럴 네트워크 모델은 검출 작업을 수행하도록 학습될 수 있다. 즉 제 2 뉴럴 네트워크 모델은, 제 1 뉴럴 네트워크 모델과 유사하게, 입력 이미지를 입력 받아 치아 번호 및 신뢰 점수 뿐만 아니라 위치 정보를 포함하는 적어도 하나의 치아 정보를 출력할 수 있다. 프로세서(110)는 제 1 출력에 포함된 적어도 하나의 치아에 대한 위치 정보와 제 2 출력에 포함된 적어도 하나의 치아에 대한 위치 정보에 기초하여 IoU(Intersection over Union) 값을 계산할 수 있다.

IoU 값은 각 출력에 포함된 바운딩 박스의 좌표 평면 상 위치 또는 바운딩 박스의 면적에 기초하여 계산될 수 있다. IoU 값은 (제 1 출력에 포함된 일 치아의 위치 정보와 제 2 출력에 포함된 일 치아의 위치 정보의 교집합 영역의 면적)/( 제 1 출력에 포함된 일 치아의 위치 정보와 제 2 출력에 포함된 일 치아의 위치 정보의 합집합 영역의 면적)으로 계산될 수 있다. IoU 값은 제 1 출력에 포함된 위치 정보와 제 2 출력에 포함된 위치 정보의 면적이 비슷하고 겹치는 부분이 많을 수록 큰 값을 가질 수 있다.

프로세서(110)는 입력 이미지에 대한 제 1 출력에 포함된 모든 치아의 위치 정보와 입력 이미지에 대한 제 2 출력에 포함된 모든 치아의 위치 정보를 각각 일대일 매칭하여 IoU 값을 계산할 수 있다. 예를 들어, 제 1 출력에 포함된 치아 정보의 수가 N이고, 제 2 출력에 포함된 치아 정보의 수가 M인 경우, 프로세서(110)는 최대 N x M 개의 IoU 값을 계산할 수 있다. 제 1 뉴럴 네트워크 모델과 제 2 뉴럴 네트워크 모델은 각각 독립적으로 학습된 뉴럴 네트워크 모델인 바, 동일한 입력 이미지를 입력 받더라도 서로 다른 수의 치아 정보를 산출할 수도 있다.

프로세서(110)는 (n, m)으로 표현되는 치아 쌍(pair)에 대해 계산된 IoU 값과 임계 IoU 값을 비교하여, 신뢰 점수 조정의 대상이 되는 치아를 결정할 수 있다. 여기서 (n, m) 치아 쌍은 제 1 출력에 포함된 n번 치아 및 제 2 출력에 포함된 m번 치아로 구성된 쌍(pair)을 나타낸다. 임계 IoU 값은 IoU 값의 최대값과 최소값 사이에서 적절한 값으로 사전 설정될 수 있다. 임계 IoU 값은 예를 들어 0.5, 0.7 등으로 설정될 수 있다.

본 개시에 따른 프로세서(110)는 IoU 임계값 이상의 IoU 값을 가지는 것으로 계산된 (n, m) 치아 쌍(pair)에 있어서, n과 m의 동일 여부를 판단하여 신뢰 점수 조정의 대상이 되는 치아를 결정할 수 있다. 일례로, n과 m이 서로 동일한 경우(n=m, 즉 치아 번호 상동), 제 1 출력에 포함된 n번 치아를 신뢰 점수 조정의 대상이 되는 치아로 결정하고, n번 치아의 신뢰 점수를 제 2 뉴럴 네트워크 모델의 출력에 따라 조정할 수 있다. 조정의 구체적 방법에 대하여는 전술한 바 이하 생략한다. 다른 일례로, n과 m이 서로 상이한 경우, 제 2 출력에 포함된 특정 치아의 신뢰 점수가 임계 점수를 초과하였다고 하더라도 해당 내용은 최종 출력을 산출하는데 반영하지 않을 수 있다.

위와 같이 서로 다른 두 모델이 출력하는 치아의 위치 정보에 기초하여 신뢰 점수 조정의 대상이 되는 치아를 결정할 경우, 프로세서(110)는 제 1 뉴럴 네트워크 모델의 신뢰 점수를 보완하기 전에 제 2 뉴럴 네트워크 모델을 이용하여 한 번 더 검출(detection) 작업을 수행하므로, 제 1 뉴럴 네트워크 모델의 검출 정확성을 검증하는 한 편, 점수 보정의 작업을 보다 보수적으로 수행할 수 있는 효과를 갖는다. 이하 도 3 및 도 4를 참조하여 본 개시에 따른 실시예의 효과를 추가적으로 설명한다.

도 3 및 도 4는 본 개시의 일 실시예에 따라 프로세서(110)가 치아 탐지를 수행하는 과정에서 생성하는 출력을 도시한 예시도이다. 도 3 및 도 4에 표시된 바운딩 박스는 본 개시에 따른 치아 탐지 과정에서 생성되는 바운딩 박스에 관한 예시적인 표현으로 본 개시는 이에 제한되지 않으며, 본 개시의 바운딩 박스는 그 선의 종류, 색깔, 박스 크기, 형태 등을 제한없이 포함한다.

도 3의 참조번호 310은 제 1 뉴럴 네트워크 모델의 출력을 나타낸다. 도 3의 참조번호 330은 프로세서(110)가 매복치를 타겟 유형으로 하는 제 2 서브 모델의 출력을 반영하여 제 1 출력(310)를 조정한 결과 산출된 최종 출력을 나타낸다. 제 1 출력(310)에서는 위 음성(false negative)으로서 제대로 탐지되지 않은 매복치가 최종 출력(330)에서는 제대로 매복치에 관한 치아 정보(331)로서 산출되었음을 확인할 수 있다.

도 4의 참조번호 410은 제 1 뉴럴 네트워크 모델의 출력을 나타낸다. 참조번호 430은 프로세서(110)가 잔존 치근을 타겟 유형으로 하는 제 2 서브 모델의 출력을 반영하여 제 1 출력(410)를 조정한 결과 산출된 최종 출력을 나타낸다. 제 1 출력(410)에서는 위 양성(false positive)으로서 잘못 탐지된 잔존 치근 관련 치아 정보(411)가 최종 출력(430)에서는 제대로 보정되었음을 확인할 수 있다. 종래의 치아 탐지 기술의 경우, 치아의 개수가 적은 상태인 경우, 잔존 치근이 존재하는 경우, 그리고 매복치가 존재하는 경우에 있어서, 출력의 정확성을 담보할 수 없었다. 본 개시의 실시예들에 따른 출력 조정 알고리즘은 탐지되어야 하는 치아와 탐지되지 않아야 하는 치아 또는 병변을 명확하게 구별할 수 있기 때문에, 종래 치아 탐지 기술에 비해 차별화된 효과를 가질 수 있다.

본 개시에 따른 프로세서(110)는 산출된 최종 출력을 포함하는 사용자 인터페이스(UI, user interface) 정보를 사용자 단말로 전송할 수 있다. 본 개시내용에 있어서 "사용자 단말"은 컴퓨팅 장치(100)와는 상호 독립된 외부 장치 또는 외부 단말일 수 있다. 사용자 단말(미도시)은 프로세서, 메모리, 네트워크부 및 출력부를 포함할 수 있다. 사용자 단말에 포함된 프로세서, 메모리 및 네트워크부는 전술한 컴퓨팅 장치(100)의 프로세서, 메모리 및 네트워크와 동일 또는 유사한 역할을 수행하거나 동일 또는 유사하게 구성될 수 있다. 사용자 단말은 컴퓨팅 장치(100)에 의해 산출된 최종 출력을 포함하는 사용자 인터페이스 정보를 수신할 수 있다. 사용자 단말은 출력부를 통해 수신된 사용자 인터페이스 정보를 출력부를 표시할 수 있다. 사용자 단말에 포함된 출력부는 사용자 인터페이스 정보를 출력할 수 있다. 사용자 인터페이스 정보를 출력하기 위한 사용자 단말의 출력부는, 예를 들어, 액정 디스플레이(liquid crystal display, LCD), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display, TFT LCD), 유기 발광 다이오드(organic light-emitting diode, OLED), 플렉시블 디스플레이(flexible display), 3차원 디스플레이(3D display) 중 적어도 하나를 포함할 수 있다. 출력부를 통해 표시되는 사용자 인터페이스 정보는, 예를 들어, 도 3 및 도 4에 도시된 예시도와 유사하게 표시될 수 있다.

도 5는 본 개시의 일 실시예에 따라 프로세서가 수행하는 치아 탐지 방법의 각 단계를 예시적으로 나타낸 순서도이다. 본 개시의 프로세서(110)는 입력 이미지를 수신(S510)할 수 있다. 프로세서(110)가 수신하는 입력 이미지는 치과용 파노라마 방사선(panoramic radiography) 이미지일 수 있다. 프로세서(110)는 제 1 뉴럴 네트워크 모델에 기초하여 입력 이미지에 대한 제 1 출력을 산출(S530)할 수 있다. 제 1 출력은 입력 이미지에 포함된 치아에 관한 적어도 하나의 치아 정보를 포함할 수 있다. 제 1 출력에 포함된 치아 정보는 각 치아의 위치 정보, 치아 번호 및 신뢰 점수를 포함할 수 있다. 프로세서(110)는 복수 개의 서브 모델을 포함하는 제 2 뉴럴 네트워크 모델에 기초하여 입력 이미지에 대한 제 2 출력을 산출(S550)할 수 있다. 제 2 뉴럴 네트워크 모델은 타겟 유형의 치아를 탐지하기 위해 제 1 뉴럴 네트워크 모델과는 별도로 학습된 모델일 수 있다. 제 2 뉴럴 네트워크 모델은 객체 분류를 수행하기 위해 학습될 수 있다. 객체 분류를 수행하기 위한 제 2 뉴럴 네트워크 모델은 입력 이미지에 대해 치아 번호 및 각각의 치아 번호에 대한 신뢰 점수를 출력할 수 있다. 제 2 뉴럴 네트워크 모델이 출력하는 각각의 치아 번호에 대한 신뢰 점수는 해당 치아가 타겟 유형에 해당하는지를 나타내는 척도(metric)로 이해될 수 있다. 프로세서(110)는 각각 서로 다른 타겟 치아 유형에 대응되는 복수 개의 서브 모델을 통해 산출된 적어도 하나의 치아에 대한 제 2 출력 및 상기 제 2 출력을 산출하기 위해 사용된 서브 모델 정보에 기초하여, 제 1 출력을 조정(S570)할 수 있다. 프로세서(110)는 각 출력에 포함된 치아 번호에 기초하여 제 1 뉴럴 네트워크 모델의 출력과 제 2 뉴럴 네트워크 모델의 출력을 연관 지을 수 있다. 프로세서(110)는 제 2 출력 뿐만 아니라 제 2 출력을 산출하기 위해 사용된 서브 모델 정보를 고려하여, 복수 개의 서브 모델로부터 획득된 출력 각각에 서로 차등을 두어 제 1 출력을 조정할 수 있다. 프로세서(110)는 제 1 출력에 포함된 치아 번호들 중 제 2 출력을 통해 타겟 유형에 해당하는 것으로 판단된 치아의 치아 번호와 대응되는 치아 번호의 신뢰 점수를 증가 또는 감소시킬 수 있다. 프로세서(110)는 제 2 출력에 포함된 제 1 서브 모델의 출력에 기초하여, 제 1 출력에 포함된 적어도 하나의 치아의 신뢰 점수를 증가시키고, 제 2 출력에 포함된 제 2 서브 모델의 출력에 기초하여, 제 1 출력에 포함된 적어도 하나의 치아의 신뢰 점수를 감소시킬 수 있다. 프로세서(110)는 단계 S570을 수행한 결과에 따라 최종 출력을 산출(S590)할 수 있다.

도 6은 본 개시의 다른 일 실시예에 따라 프로세서가 수행하는 치아 탐지 방법의 각 단계를 예시적으로 나타낸 순서도이다. 본 개시의 프로세서(110)는 입력 이미지를 수신(S610)할 수 있다. 프로세서(110)는 제 1 뉴럴 네트워크 모델에 기초하여 입력 이미지에 대한 제 1 출력을 산출(S620)할 수 있다. 프로세서(110)는 제 2 뉴럴 네트워크 모델에 기초하여 입력 이미지에 대한 제 2 출력을 산출(S630)할 수 있다. 도 6의 단계 S610 내지 단계 S630은, 도 5의 단계 S510 내지 S550과 서로 대응되며 동일 또는 유사한 프로세스로 수행될 수 있다. 이후, 프로세서(110)는 각 출력에 포함된 위치 정보에 기초하여 점수 조정의 대상이 되는 치아를 결정 수 있다. 프로세서(110)는 제 1 출력에 포함된 적어도 하나의 치아에 대한 위치 정보와 제 2 출력에 포함된 적어도 하나의 치아에 대한 위치 정보 사이에서 계산되는 IoU 값과 임계 IoU 값을 비교(S640)할 수 있다. 비교 결과에 따라 프로세서(110)는 임계 IoU 값 이상의 IoU 값을 갖는 하나 이상의 치아 쌍(pair)을 선택할 수 있다. 프로세서(110)는 임계 IoU 값 이상의 IoU 값을 가지는 것으로 계산된 치아 쌍에 있어서, 치아 쌍에 포함된 제 1 치아의 치아 번호와 제 2 치아의 치아 번호가 동일한지 여부를 판단(S650)할 수 있다. 만약 치아 쌍에 포함된 두 치아의 치아 번호가 일치하는 경우, 프로세서(110)는 제 2 출력에 기초하여 제 1 출력에 포함된 신뢰 점수를 조정할 수 있다. 만약 반대로 치아 쌍의 두 치아 번호가 서로 다른 경우, 프로세서(110)는 제 2 출력에 포함된 신뢰 점수가 임계 점수 이상의 값이더라도 제 1 출력을 조정하지 않을 수 있다. 프로세서(110)는 단계 S640 내지 단계 S650에 기초하여 제 1 출력을 조정하고 최종 출력을 산출(S660)하여 컴퓨팅 장치에 포함된 출력부(미도시)를 통해 출력할 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, 당업자라면 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, 당업자라면 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 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 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 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 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, 당업자라면 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 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

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

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

컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 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 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 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 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 치아 탐지 방법으로서,
   입력 이미지를 수신하는 단계;
   제 1 뉴럴 네트워크 모델에 기초하여 상기 입력 이미지에 대한 제 1 출력을 산출하는 단계;
   복수 개의 서브 모델을 포함하는 제 2 뉴럴 네트워크 모델에 기초하여 상기 입력 이미지에 대한 제 2 출력을 산출하는 단계;
   각각 서로 다른 타겟 유형에 대응되는 상기 복수 개의 서브 모델을 통해 산출된 적어도 하나의 치아에 대한 상기 제 2 출력에 기초하여, 상기 제 1 출력을 조정하는 단계; 및
   상기 조정의 결과에 따라 최종 출력을 산출하는 단계;
   를 포함하고,
   상기 제 1 출력을 조정하는 단계는,
   상기 제 1 출력에 포함된 적어도 하나의 치아에 대한 위치 정보와 상기 제 2 출력에 포함된 적어도 하나의 치아에 대한 위치 정보 사이에서 계산되는 IoU(Intersection over Union) 값과 임계 IoU 값을 비교하는 연산에 기초하여 수행되는,
   치아 탐지 방법
   
2. 제 1 항에 있어서,
   상기 제 1 출력을 조정하는 단계는,
   상기 제 2 출력 및 상기 제 2 출력을 산출하기 위해 사용된 서브 모델 정보에 기반하여 수행되는,
   치아 탐지 방법.
   
3. 제 1 항에 있어서,
   상기 제 1 출력을 조정하는 단계는,
   상기 제 1 출력에 포함된 신뢰 점수 중 제 1 서브 모델의 타겟 유형으로 결정된 치아의 신뢰 점수를 증가시키는 단계; 및
   상기 제 1 출력에 포함된 신뢰 점수 중 제 2 서브 모델의 타겟 유형으로 결정된 치아의 신뢰 점수를 감소시키는 단계;
   를 포함하는,
   치아 탐지 방법.
   
4. 제 1 항에 있어서,
   상기 제 1 출력을 조정하는 단계는,
   상기 제 2 출력에 포함된 신뢰 점수들 중 임계 점수보다 큰 값을 갖는 신뢰 점수에 대응되는 치아 번호를 산출하는 단계; 및
   상기 제 1 출력 내에서 상기 치아 번호에 대응되는 치아의 신뢰 점수를 변경하는 단계;
   를 포함하는,
   치아 탐지 방법.
   
5. 제 1 항에 있어서,
   상기 입력 이미지는,
   파노라마 방사선(panoramic radiography) 이미지인 것을 특징으로 하는,
   치아 탐지 방법.
   
6. 제 1 항에 있어서,
   상기 제 1 출력은,
   위치 정보, 치아 번호 및 신뢰 점수를 포함하는 적어도 하나의 치아 정보를 포함하는,
   치아 탐지 방법.
   
7. 제 1 항에 있어서,
   상기 제 2 출력은,
   상기 복수 개의 서브 모델 각각에 대응되는 적어도 하나의 치아 정보를 포함하되,
   하나의 서브 모델에 대응되는 적어도 하나의 치아 정보는 상기 하나의 서브 모델이 타겟하는 타겟 유형에 해당하는 치아의 치아 번호 및 신뢰 점수를 포함하는,
   치아 탐지 방법.
   
8. 삭제
9. 제 1 항에 있어서,
   상기 제 1 출력을 조정하는 단계는,
   상기 임계 IoU 값 이상의 IoU 값을 가지는 것으로 계산된 치아 쌍(pair) - 상기 치아 쌍은 제 1 치아 및 제 2 치아를 포함하되, 상기 제 1 치아는 상기 제 1 출력에 포함되고 상기 제 2 치아는 상기 제 2 출력에 포함됨 - 에 있어서, 상기 제 1 치아에 대한 치아 번호와 상기 제 2 치아에 대한 치아 번호의 동일 여부를 판단하는 단계;
   를 더 포함하는,
   치아 탐지 방법.
   
10. 제 1 항에 있어서,
    상기 최종 출력을 포함하는 사용자 인터페이스 정보를 사용자 단말로 전송하는 단계;
    를 더 포함하는,
    치아 탐지 방법.
    
11. 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 치아 탐지를 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은:
    입력 이미지를 수신하는 동작;
    제 1 뉴럴 네트워크 모델에 기초하여 상기 입력 이미지에 대한 제 1 출력을 산출하는 동작;
    복수 개의 서브 모델을 포함하는 제 2 뉴럴 네트워크 모델에 기초하여 상기 입력 이미지에 대한 제 2 출력을 산출하는 동작;
    상기 제 2 뉴럴 네트워크 모델에 포함되고 각각 서로 다른 타겟 유형에 대응되는 복수 개의 서브 모델을 통해 산출된 적어도 하나의 치아에 대한 상기 제 2 출력에 기초하여, 상기 제 1 출력을 조정하는 동작; 및
    상기 조정의 결과에 따라 최종 출력을 산출하는 동작;
    을 포함하고,
    상기 제 1 출력을 조정하는 동작은,
    상기 제 1 출력에 포함된 적어도 하나의 치아에 대한 위치 정보와 상기 제 2 출력에 포함된 적어도 하나의 치아에 대한 위치 정보 사이에서 계산되는 IoU(Intersection over Union) 값과 임계 IoU 값을 비교하는 연산에 기초하여 수행되는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    
12. 치아 탐지 장치로서,
    하나 이상의 프로세서;
    하나 이상의 메모리; 및
    네트워크부;
    를 포함하며, 그리고
    상기 하나 이상의 프로세서는,
    입력 이미지를 수신하고,
    제 1 뉴럴 네트워크 모델에 기초하여 상기 입력 이미지에 대한 제 1 출력을 산출하고,
    복수 개의 서브 모델을 포함하는 제 2 뉴럴 네트워크 모델에 기초하여 상기 입력 이미지에 대한 제 2 출력을 산출하고,
    상기 제 2 뉴럴 네트워크 모델에 포함되고 각각 서로 다른 타겟 유형에 대응되는 복수 개의 서브 모델을 통해 산출된 적어도 하나의 치아에 대한 상기 제 2 출력에 기초하여, 상기 제 1 출력을 조정하고, 그리고
    상기 조정의 결과에 따라 최종 출력을 산출하고,
    상기 프로세서는
    상기 제 1 출력에 포함된 적어도 하나의 치아에 대한 위치 정보와 상기 제 2 출력에 포함된 적어도 하나의 치아에 대한 위치 정보 사이에서 계산되는 IoU(Intersection over Union) 값과 임계 IoU 값을 비교하는 연산에 기초하여 수행되어,
    상기 제 1 출력을 조정하도록 구성되는,
    치아 탐지 장치.

Images