KR20190088375A

KR20190088375A - 수술영상데이터 학습시스템

Info

Publication number: KR20190088375A
Application number: KR1020180055105A
Authority: KR
Inventors: 이종혁; 김호승
Original assignee: (주)휴톰
Priority date: 2017-12-28
Filing date: 2018-05-14
Publication date: 2019-07-26
Also published as: KR20190080702A; WO2019132169A1; KR20190080703A; KR102298412B1; KR101880246B1

Abstract

수술 가이드 정보를 제공하는 하나 이상의 모델을 학습시키는 서버 및 상기 서버에서 학습된 적어도 하나의 모델을 저장 하고, 상기 저장된 모델을 이용하여 수술 중에 획득되는 수술 영상을 인식하고, 인식된 수술 영상에 대응하는 수술 가이드 정보를 제공하는 클라이언트를 포함하고, 상기 클라이언트는, 상기 수술 중에 획득된 수술 영상으로부터 획득되는 제1 학습용 데이터를 상기 서버에 전송하고, 상기 서버로부터 상기 저장된 모델을 업데이트하기위한 정보를 수신하고, 상기 수신된 정보에 기초하여 상기 저장된 모델을 업데이트하는, 수술영상데이터 학습시스템이 개시된다.

Description

수술영상데이터 학습시스템 {SURGICAL IMAGE DATA LEARNING SYSTEM}

본 발명은 수술영상데이터 학습시스템에 관한 것이다.

수술과정에서, 의사의 수술을 보조하기 위한 정보를 제공할 수 있는 기술들의 개발이 요구되고 있다. 수술을 보조하기 위한 정보를 제공하기 위해서는, 수술행위를 인식할 수 있어야 한다.

따라서, 컴퓨터가 수술영상으로부터 수술행위를 인식할 수 있는 기술의 개발이 요구된다.

또한, 최근에는 의료영상의 분석에 딥 러닝이 널리 이용되고 있다. 딥 러닝은 여러 비선형 변환기법의 조합을 통해 높은 수준의 추상화(abstractions, 다량의 데이터나 복잡한 자료들 속에서 핵심적인 내용 또는 기능을 요약하는 작업)를 시도하는 기계학습 알고리즘의 집합으로 정의된다. 딥 러닝은 큰 틀에서 사람의 사고방식을 컴퓨터에게 가르치는 기계학습의 한 분야로 볼 수 있다.

본 발명이 해결하고자 하는 과제는 수술영상데이터 학습시스템을 제공하는 것이다.

본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

상술한 과제를 해결하기 위한 본 발명의 일 면에 따른 수술영상데이터 학습시스템은, 수술 가이드 정보를 제공하는 하나 이상의 모델을 학습시키는 서버 및 상기 서버에서 학습된 적어도 하나의 모델을 저장하고, 상기 저장된 모델을 이용하여 수술 중에 획득되는 수술 영상을 인식하고, 인식된 수술 영상에 대응하는 수술 가이드 정보를 제공하는 클라이언트를 포함하고, 상기 클라이언트는, 상기 수술 중에 획득된 수술 영상으로부터 획득되는 제1 학습용 데이터를 상기 서버에 전송하고, 상기 서버로부터 상기 저장된 모델을 업데이트하기위한 정보를 수신하고, 상기 수신된 정보에 기초하여 상기 저장된 모델을 업데이트한다.

또한, 상기 하나 이상의 모델은, 수술 영상을 분할(segmentation)하여 인식하는 제1 모델 및 최적화된 수술방법을 산출하는 제2 모델을 포함하고, 상기 제1 학습용 데이터는 상기 제1 모델 및 상기 제2 모델 중 적어도 하나를 학습시키는 데 이용되고, 상기 클라이언트에 저장되는 적어도 하나의 모델은 상기 제1 모델을 포함할 수 있다.

또한, 상기 클라이언트는, 상기 수술 중에 획득된 수술 영상을 하나 이상의 수술단계로 분할(segmentation)하고, 상기 분할된 하나 이상의 수술단계를 인식하고, 상기 인식 결과를 상기 제1 학습용 데이터로서 상기 서버에 전송할 수 있다.

또한, 상기 클라이언트는, 상기 분할된 하나 이상의 수술단계 각각에 대하여 기 설정된 코드를 부여하고, 상기 분할된 하나 이상의 수술단계 각각에 대하여 부여된 상기 기 설정된 코드를 상기 서버에 전송할 수 있다.

또한, 상기 클라이언트는, 상기 클라이언트에 저장된 모델과 상기 서버에 저장된 모델을 비교하고, 상기 서버에 저장된 모델이 상기 클라이언트에 저장된 모델보다 업데이트된 모델인 경우, 상기 서버로부터 상기 클라이언트에 저장된 모델을 업데이트하기위한 정보를 수신하고, 상기 수신된 정보에 기초하여 상기 클라이언트에 저장된 모델을 업데이트할 수 있다.

또한, 상기 서버는, 하나 이상의 수술 영상 및 상기 하나 이상의 수술 영상을 분할하는 정보를 획득하고, 상기 획득된 정보를 이용하여 제2 학습용 데이터를 생성할 수 있다.

또한, 상기 서버는, 학습조건을 입력받고, 상기 제2 학습용 데이터로부터 상기 입력된 학습조건에 대응하는 데이터셋을 추출하고, 상기 추출된 데이터셋을 이용하여 상기 적어도 하나의 모델에 대한 학습을 수행할 수 있다.

또한, 상기 서버는, 상기 입력된 학습조건에 대응하는 테스트용 데이터셋을 생성하고, 상기 생성된 테스트용 데이터셋을 이용하여 상기 적어도 하나의 모델에 대한 학습 테스트를 수행하고, 상기 학습 테스트 수행결과에 따른 피드백을 제공할 수 있다.

또한, 상기 서버는, 하나 이상의 새로운 제2 학습용 데이터를 수신하고, 적어도 하나의 상기 새로운 제2 학습용 데이터를 포함하는 데이터셋을 생성하고, 상기 생성된 데이터셋을 이용하여 상기 적어도 하나의 모델에 대한 학습을 수행할 수 있다.

또한, 상기 서버는, 테스트용 데이터셋을 획득하고, 상기 테스트용 데이터셋을 이용하여 상기 생성된 데이터셋을 이용하여 학습된 상기 적어도 하나의 모델에 대한 학습 테스트를 수행하고, 상기 학습 테스트 수행결과에 따른 피드백을 제공할 수 있다.

또한, 상기 서버는, 상기 새로운 제2 학습용 데이터 및 소정의 기준에 따라 선정된 기존 제2 학습용 데이터를 포함하는 상기 데이터셋을 생성하고, 상기 생성된 데이터셋을 이용하여 상기 적어도 하나의 모델에 대한 학습을 수행할 수 있다.

상술한 과제를 해결하기 위한 본 발명의 일 면에 따른 수술영상데이터 학습방법은, 서버가 수술 가이드 정보를 제공하는 하나 이상의 모델을 학습시키는 단계, 클라이언트에 상기 학습된 적어도 하나의 모델에 대한 정보를 전송하는 단계, 상기 클라이언트가 수술 중에 획득한 수술 영상으로부터 획득되는 학습용 데이터를 상기 클라이언트로부터 수신하는 단계, 상기 학습된 하나 이상의 모델을 업데이트하는 단계 및 상기 클라이언트에 업데이트된 상기 적어도 하나의 모델에 대한 정보를 전송하는 단계를 포함한다.

상술한 과제를 해결하기 위한 본 발명의 일 면에 따른 서버는, 하나 이상의 인스트럭션을 저장하는 메모리 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고, 상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 수술 가이드 정보를 제공하는 하나 이상의 모델을 학습시키는 단계, 클라이언트에 상기 학습된 적어도 하나의 모델에 대한 정보를 전송하는 단계, 상기 클라이언트가 수술 중에 획득한 수술 영상으로부터 획득되는 학습용 데이터를 상기 클라이언트로부터 수신하는 단계, 상기 학습된 하나 이상의 모델을 업데이트하는 단계 및 상기 클라이언트에 업데이트된 상기 적어도 하나의 모델에 대한 정보를 전송하는 단계를 수행한다.

상술한 과제를 해결하기 위한 본 발명의 일 면에 따라 하드웨어인 컴퓨터와 결합되어, 개시된 실시 예에 따른 수술영상데이터 학습방법을 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장된 컴퓨터프로그램이 제공된다.

본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.

개시된 실시 예에 따르면, 서버 및 클라이언트 기반의 수술영상데이터 학습시스템을 제공함으로써, 수술 중에는 빠른 데이터 처리 및 수술가이드 정보 제공이 가능하게 하고, 수술이 수행되지 않을 때에는 서버와의 통신을 통해 학습데이터를 전송하고, 클라이언트에 저장된 모델을 업데이트할 수 있는 효과가 있다.

또한, 개시된 실시 예에 따르면 사람의 지시 없이도 자동으로 학습계획을 수립하고, 학습을 수행하는 스케줄러가 제공되어, 모델의 학습과 업데이트를 용이하게 할 수 있는 효과가 있다.

본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

도 1은 개시된 실시 예에 따라 로봇수술을 수행할 수 있는 시스템을 간략하게 도식화한 도면이다.
도 2는 일 실시 예에 따른 수술영상데이터 학습시스템을 도시한 도면이다.
도 3은 일 실시 예에 따른 수술영상데이터 학습시스템의 동작을 간략히 도시한 흐름도이다.
도 4는 일 실시 예에 따른 수술영상데이터 학습시스템의 동작을 도시한 흐름도이다.
도 5는 일 실시 예에 따라 학습을 스케줄링하는 방법을 개념적으로 도시한 구성도이다.
도 6은 일 실시 예에 따른 서버의 구성도이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.

본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.

명세서에서 사용되는 "부" 또는 “모듈”이라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, "부" 또는 “모듈”은 어떤 역할들을 수행한다. 그렇지만 "부" 또는 “모듈”은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부" 또는 “모듈”은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부" 또는 “모듈”은 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 및 변수들을 포함한다. 구성요소들과 "부" 또는 “모듈”들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부" 또는 “모듈”들로 결합되거나 추가적인 구성요소들과 "부" 또는 “모듈”들로 더 분리될 수 있다.

이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.

도 1을 참조하면, 개시된 실시 예에 따라 로봇수술을 수행할 수 있는 시스템을 간략하게 도식화한 도면이 도시되어 있다.

도 1에 따르면, 로봇수술 시스템은 의료영상 촬영장비(10), 서버(20) 및 수술실에 구비된 제어부(30), 디스플레이(32) 및 수술로봇(34)을 포함한다. 실시 예에 따라서, 의료영상 촬영장비(10)는 개시된 실시 예에 따른 로봇수술 시스템에서 생략될 수 있다.

일 실시 예에서, 수술로봇(34)은 촬영장치(36) 및 수술도구(38)를 포함한다.

일 실시 예에서, 로봇수술은 사용자가 제어부(30)를 이용하여 수술용 로봇(34)을 제어함으로써 수행된다. 일 실시 예에서, 로봇수술은 사용자의 제어 없이 제어부(30)에 의하여 자동으로 수행될 수도 있다.

서버(20)는 적어도 하나의 프로세서와 통신부를 포함하는 컴퓨팅 장치이다.

제어부(30)는 적어도 하나의 프로세서와 통신부를 포함하는 컴퓨팅 장치를 포함한다. 일 실시 예에서, 제어부(30)는 수술용 로봇(34)을 제어하기 위한 하드웨어 및 소프트웨어 인터페이스를 포함한다.

촬영장치(36)는 적어도 하나의 이미지 센서를 포함한다. 즉, 촬영장치(36)는 적어도 하나의 카메라 장치를 포함하여, 대상체의 신체부위, 즉 수술부위를 촬영하는 데 이용된다. 일 실시 예에서, 촬영장치(36)는 수술로봇(34)의 수술 암(arm)과 결합된 적어도 하나의 카메라를 포함한다.

일 실시 예에서, 촬영장치(36)에서 촬영된 영상은 디스플레이(340)에 표시된다.

일 실시 예에서, 수술로봇(34)은 수술부위의 절단, 클리핑, 고정, 잡기 동작 등을 수행할 수 있는 하나 이상의 수술도구(38)를 포함한다. 수술도구(38)는 수술로봇(34)의 수술 암과 결합되어 이용된다.

제어부(30)는 서버(20)로부터 수술에 필요한 정보를 수신하거나, 수술에 필요한 정보를 생성하여 사용자에게 제공한다. 예를 들어, 제어부(30)는 생성 또는 수신된, 수술에 필요한 정보를 디스플레이(32)에 표시한다.

예를 들어, 사용자는 디스플레이(32)를 보면서 제어부(30)를 조작하여 수술로봇(34)의 움직임을 제어함으로써 로봇수술을 수행한다.

서버(20)는 의료영상 촬영장비(10)로부터 사전에 촬영된 대상체(환자)의 의료영상데이터를 이용하여 로봇수술에 필요한 정보를 생성하고, 생성된 정보를 제어부(30)에 제공한다.

제어부(30)는 서버(20)로부터 수신된 정보를 디스플레이(32)에 표시함으로써 사용자에게 제공하거나, 서버(20)로부터 수신된 정보를 이용하여 수술로봇(34)을 제어한다.

일 실시 예에서, 의료영상 촬영장비(10)에서 사용될 수 있는 수단은 제한되지 않으며, 예를 들어 CT, X-Ray, PET, MRI 등 다른 다양한 의료영상 획득수단이 사용될 수 있다.

개시된 실시 예에서, 촬영장치(36)에서 획득되는 수술영상은 제어부(30)로 전달된다.

일 실시 예에서, 제어부(30)는 수술 중에 획득되는 수술영상을 실시간으로 분할(segmentation)할 수 있다.

일 실시 예에서, 제어부(30)는 수술 중 또는 수술이 완료된 후 수술영상을 서버(20)에 전송한다.

서버(20)는 수술영상을 분할하여 분석할 수 있다.

도 2는 일 실시 예에 따른 수술영상데이터 학습시스템을 도시한 도면이다.

도 2를 참조하면, 수술영상데이터 학습시스템은 클라이언트(100) 및 서버(200)를 포함한다.

일 실시 예에서, 클라이언트(100) 및 서버(200)는 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치이다.

일 실시 예에서, 클라이언트(100)는 수술실(수술현장)에 구비된 컴퓨팅 장치일 수 있다. 예를 들어, 클라이언트(100)는 도 1에 도시된 제어부(30)에 대응할 수 있다. 다른 예로, 클라이언트(100)는 제어부(30)와 별도의 컴퓨팅 장치로서 수술실에 구비되고, 제어부(30)와 연결될 수 있다. 본 명세서에서, 연결은 물리적 연결뿐 아니라 전자적인 연결 개념을 포함하며, 서로 통신가능한 상태에 놓이는 것 또한 연결의 개념으로 이해될 수 있다. 예를 들어, 클라이언트(100)는 제어부(30)와 유선 또는 무선으로 연결될 수 있고, 근거리 무선 통신이나 네트워크 통신을 이용하여 상호 통신가능한 상태가 될 수 있다.

일 실시 예에서, 클라이언트(100)는 수술실에서 수술상황을 판단하고, 이에 대응하는 수술 가이드 정보를 제공한다. 클라이언트(100)는 수술상황을 판단하고, 이에 대응하는 수술 가이드 정보를 제공하기 위하여 학습된 모델을 이용한다.

일 실시 예에서, 학습된 모델은 기계학습(머신러닝)을 이용하여 학습된 모델일 수 있다. 기계학습은 딥 러닝을 의미할 수 있으나, 이에 제한되지 않는다.

일 실시 예에서, 클라이언트(100)는 수술영상을 획득하고, 서버(200)는 획득된 수술영상을 이용하여 학습을 수행한다. 기계학습은 많은 리소스를 요하는 작업이므로, 클라이언트(100)에서는 수행되기 어려울 수 있다. 또한, 기계학습에는 많은 학습 데이터가 필요하므로, 클라이언트(100)에서 수집되는 정보만으로는 충분한 학습 데이터가 확보되기 어려울 수 있다.

따라서, 서버(200)는 서로 다른 출처로부터 수집되는 정보들을 이용하여 학습 데이터를 구성하고, 이에 기초하여 수술 상황을 판단하고, 수술 가이드 정보를 제공할 수 있는 모델을 학습시킨다.

클라이언트(100)는 수술상황을 실시간으로 판단하고, 필요한 수술 가이드 정보를 제공하여야 한다. 따라서, 서버(200)와의 통신에 필요한 시간을 절약하고, 통신 이상에 따른 오류를 방지하기 위하여, 서버(200)에서 학습된 모델에 대한 정보는 사전에 클라이언트(100)에 저장된다.

클라이언트(100)는 서버(200)로부터 획득되는 정보를 이용하여 서버(200)에서 학습된 모델을 복원하고, 이를 이용하여 실시간으로 수술 가이드 정보를 제공할 수 있다.

도 3은 일 실시 예에 따른 수술영상데이터 학습시스템의 동작을 간략히 도시한 흐름도이다.

도 2와 관련하여 설명된 클라이언트(100) 및 서버(200)는 도 3의 클라이언트(100) 및 서버(200)에 각각 대응한다.

단계 S210에서, 서버(200)는 수술 영상으로부터 획득되는 학습용 데이터를 이용하여 수술 가이드 정보를 제공하는 모델을 학습시킨다.

개시된 실시 예에서, 수술 가이드 정보를 제공하는 모델은, 수술 영상을 분할하여 인식하는 제1 모델과, 최적화된 수술방법을 산출하는 제2 모델을 포함한다.

일 실시 예에서, 학습용 데이터는 수술 영상 자체를 의미할 수도 있고, 수술 영상을 분석함으로써 획득되는 데이터를 의미할 수도 있다. 예를 들어, 학습용 데이터는 수술 영상을 기 설정된 동작 단위로 분할한 데이터를 포함할 수 있다. 또한, 학습용 데이터는 수술 영상을 라벨링한 데이터를 포함할 수 있다. 학습용 데이터의 종류는 이에 제한되지 않는다.

단계 S220에서, 서버(200)는 학습된 모델에 대한 정보를 클라이언트(100)에 전송한다. 예를 들어, 학습된 모델에 대한 정보는 학습된 신경망의 가중치에 대한 정보를 포함할 수 있다. 일 실시 예에서, 클라이언트(100)에 제공되는 정보는 수술 영상을 분할하여 인식하는, 상기 제1 모델에 대한 정보를 포함한다.

일 실시 예에서, 서버(200)는 클라이언트(100)를 이용하는 수술이 수행되지 않을 때, 즉 클라이언트(100)가 수술을 보조하고 있지 않을 때 학습된 모델에 대한 정보를 클라이언트(100)에 전송한다. 즉, 수술이 수행되는 중에는 클라이언트(100)에 기 저장된 정보에 기초하여 수술 가이드 정보가 제공되며, 수술이 수행되지 않을 때(예를 들어, 수술이 수행되기 전) 수술 준비단계로서 학습된 모델에 대한 정보가 미리 서버(200)로부터 클라이언트(100)로 전달될 수 있다.

도 4를 참조하면, 서버(200)는 의료영상 촬영장비(10)로부터 환자의 수술부위를 포함하는 의료영상을 획득한다. 서버(200)는 획득된 의료영상에 기초하여 환자의 수술부위에 대한 3D 모델링을 수행한다(단계 S222).

환자의 수술부위에 대한 3D 모델링 정보는 수술 중에 카메라의 각도에 따른 각 장기의 위치와 모양을 판단하고, 카메라로는 보이지 않는 신체부위에 대한 정보를 제공하는 데 이용된다.

서버(200)는 단계 S222에서 생성된 3D 모델링 정보를 클라이언트(100)에 전송한다(단계 S224). 클라이언트(100)는 서버(200)로부터 전송된 3D 모델링 정보를 저장한다.

클라이언트(100)는 서버(200)로부터 전송된 정보에 기초하여 학습된 모델을 획득 및 저장한다. 단계 S110에서, 클라이언트(100)는 수술 중에 클라이언트(100)에 저장된 모델을 이용하여 수술 중에 획득되는 수술 영상에 대응하는 수술 가이드 정보를 제공한다. 예를 들어, 클라이언트(100)는 저장된 모델을 이용하여 수술영상을 분할 및 인식함으로써 수술상황을 판단하고, 이에 기초하여 수술 가이드 정보를 제공할 수 있다.

일 실시 예에서, 서버(200)는 특정 환자에 대한 수술이 시작되기 전에 미리 클라이언트(100)에 해당 환자의 수술부위를 포함하는 3D 모델링 정보를 전송한다. 클라이언트(100)는 서버(200)로부터 전송된 3D 모델링 정보를 저장하고, 수술 중에는 클라이언트(100)에 저장된 3D 모델링 정보와, 학습된 모델에 대한 정보를 이용하여 수술 중에 획득되는 수술 영상에 대응하는 수술 가이드 정보를 제공한다.

예를 들어, 수술 가이드 정보는 현재 수술상황에 대응하는 최적의 수술방법을 포함할 수 있다. 또한, 수술 가이드 정보는 카메라로 확인되지 않는(예를 들어, 다른 장기에 가려져 보이지 않는) 환자의 신체부위에 대한 정보를 포함할 수 있다. 또한, 수술 가이드 정보는 혈관이나 신경 등 수술과정에서 손상되지 않아야 하는 신체부위의 위치에 대한 정보를 포함할 수 있다. 또한, 수술 가이드 정보는 수술 중에 발생하는 이벤트 또는 수술오류(surgicalerror) 상황을 인식하고, 인식된 상황에 대한 정보 또는 인식된 상황에 따른 알림을 제공하는 정보를 포함할 수 있다.

단계 S120에서, 클라이언트(100)는 수술이 종료된 후, 수술 중에 획득된 수술 영상으로부터 획득되는 학습용 데이터를 서버에 전송한다. 일 실시 예에서, 학습용 데이터는 수술 영상을 포함한다. 일 실시 예에서, 학습용 데이터는 수술 중에 획득되는 수술 영상을 하나 이상의 수술단계로 분할하고, 분할된 하나 이상의 수술단계를 인식한 정보를 포함한다.

일 실시 예에서, 클라이언트(100)는 수술 중에 획득된 수술 영상을 하나 이상의 수술단계로 분할(segmentation)한다. 클라이언트(100)는 학습된 모델을 이용하여 수술 영상을 하나 이상의 기 설정된 수술단계로 분할할 수 있다. 예를 들어, 기 설정된 수술단계는 장기의 위치 및 변화와, 수술도구의 위치 및 움직임에 기초하여 수술에 포함된 각 동작들을 소정의 기준에 따라 분할하고, 분할된 각각의 동작에 대하여 표준화된 명칭이 부여된 것일 수 있다.

일 실시 예에서, 분할된 각각의 동작에 대해서 기 설정된 코드가 부여되어 있을 수 있다. 클라이언트(100)는 분할된 하나 이상의 수술단계 각각에 대하여 기 설정된 코드를 부여한다.

일 실시 예에서, 클라이언트(100)는 수술영상 대신 분할된 하나 이상의 수술단계 각각에 대하여 부여된 기 설정된 코드를 서버(100)에 전송할 수 있다. 서버(100)는 수신된 코드에 기초하여 각 수술단계 및 전체적인 수술동작의 순서에 대한 정보를 획득할 수 있다. 이 경우, 수술영상을 서버(200)에 전송하는 것에 비하여 데이터 전송량이 크게 감소한다. 따라서, 필요한 경우 수술 중에도, 즉 클라이언트(100)가 수술 가이드 정보를 제공하는 중에도(단계 S110) 실시간으로 학습용 데이터를 서버(200)로 전송하는 것(단계 S120)이 가능하다.

단계 S230에서, 서버(200)는 클라이언트(100)로부터 수신된 정보에 기초하여 학습된 모델을 업데이트한다. 예를 들어, 서버(200)는 클라이언트(100)로부터 수신된 정보를 이용하여 모델을 다시 학습시키거나, 미세조정(fine tuning)할 수 있다. 일 실시 에에서, 서버(200)는 클라이언트(100)로부터 수신된 정보에 기초하여 최적화된 수술방법을 산출하는 제2 모델을 학습시킨다. 일 실시 예에서, 서버(200)는 클라이언트(100)로부터 수신된 정보에 기초하여 수술 영상을 분할하여 인식하는 제1 모델을 학습시킬 수 있다. 예를 들어, 서버(200)는 클라이언트(100)로부터 수신된 정보에 기초하여 수술 도구의 움직임을 인식하는 모델을 학습시킬 수 있다.

또한, 서버(200)는 외부로부터 획득되는 하나 이상의 수술 영상 및 하나 이상의 수술 영상을 분할하는 정보에 기초하여 수술 영상을 분할하여 인식하는 제1 모델을 학습시킬 수 있다.

단계 S240에서, 서버(200)는 단계 S230을 통하여 업데이트된 모델을 클라이언트(100)에 전송한다. 클라이언트(100)는 수술이 수행되지 않을 때 서버(200)로부터 업데이트된 모델에 대한 정보, 즉 클라이언트(100)에 저장된 모델을 업데이트하기 위한 정보를 수신하고, 수신된 정보에 기초하여 클라이언트(100)에 저장된, 학습된 모델을 업데이트한다.

도 4를 참조하면, 클라이언트(100)는 서버(200)에 모델의 업데이트 상태를 확인한다(단계 S130).

예를 들어, 클라이언트(100)는 클라이언트(100)에 저장된 학습된 모델과, 서버(200)에 저장된 학습된 모델을 비교하고, 서버(200)에 저장된, 학습된 모델이 클라이언트(100)에 저장된 학습된 모델보다 업데이트된 모델인 경우, 클라이언트(100)는 서버(200)로부터 학습된 모델을 업데이트하기위한 정보를 수신하고, 수신된 정보에 기초하여 클라이언트(100)에 저장된, 학습된 모델을 업데이트한다.

도 5는 일 실시 예에 따라 학습을 스케줄링하는 방법을 개념적으로 도시한 구성도이다.

일 실시 예에서, 스케줄러(300), 데이터베이스(320), 학습부(330), 테스트부(340) 및 모델(350)은 각각 서버(200)에서 하드웨어 또는 소프트웨어적으로 구현되는 모듈, 하나 이상의 인스트럭션의 집합, 메모리에 저장되는 데이터 또는 서버(200)에 의하여 수행되는 동작을 개념적으로 도시한 것이다.

일 실시 예에서, 학습정보 입력부(310)는 서버(200) 또는 서버(200)와 직간접적으로 통신할 수 있는 컴퓨팅 장치를 의미한다.

예를 들어, 학습정보 입력부(310)는 서버(200)가 획득한 수술 영상을 분할하는 정보를 입력할 수 있다. 예를 들어, 학습정보 입력부(310)는 의사가 수술 영상을 보고 직접 수술 영상을 기 설정된 동작 단위로 분할하는 정보를 입력하는 컴퓨팅 장치일 수 있다. 학습에 이용되는 수술 영상의 출처는 제한되지 않는다. 서버(200)는 애플리케이션 또는 웹페이지를 이용하여 학습정보 입력부(310)가 수술 영상을 분할하는 정보를 입력하기 용이한 다양한 사용자 인터페이스를 제공할 수 있다.

수술영상 및 수술영상을 분할하는 정보는 데이터베이스(320)에 저장된다.

스케줄러(300)는 서버(200)의 학습과정을 제어하는 역할을 수행한다. 기존에는 개발자가 직접 학습용 데이터셋을 세팅하고, 학습명령을 하여 모델을 학습시키는 것이 일반적이었다.

개시된 실시 예에 따르면, 스케줄러(300)는 자동으로 학습용 데이터셋을 생성하고, 학습을 수행하며, 학습 결과를 테스트함으로써 자동으로 모델을 학습시키는 역할을 수행한다.

일 실시 예에서, 스케줄러(300)는 학습 계획을 설정하고, 학습의 진행수준에 따라 다음 학습의 계획여부를 결정할 수 있다.

예를 들어, 스케줄러(300)는 소정의 학습용 데이터에 기초하여 학습을 수행하고, 학습 결과에 대한 테스트를 수행하여, 소정의 임계치(예를 들어, 80% 이상의 정확도) 이상의 학습이 완료되면, 학습을 종료하고 다음 학습을 계획할 수 있다. 예를 들어, 스케줄러(300)는 소정의 학습용 데이터에 대한 학습이 종료되면, 새롭게 획득되는 학습용 데이터에 기초하여 다음 학습을 계획 및 수행할 수 있다.

데이터베이스(320)에 소정의 학습용 데이터가 저장되면, 스케줄러(300)는 데이터베이스(320)에 저장된 학습용 데이터로부터 학습용 데이터셋을 추출한다. 스케줄러(300)는 학습부(330)에 추출된 학습용 데이터셋을 입력하여, 학습을 수행한다.

일 실시 예에서, 스케줄러(300)는 학습을 위한 소정의 학습조건을 입력받고, 데이터베이스(320)에 저장된 학습용 데이터로부터 입력된 학습조건에 대응하는 학습용 데이터셋을 추출하고, 추출된 데이터셋을 학습부(330)에 입력하여 학습을 수행한다.

예를 들어, 학습조건은 학습대상 성별, 연령대, 질병의 종류 등을 포함할 수 있으나, 이에 제한되지 않는다.

일 실시 예에서, 스케줄러(300)는 학습이 완료되면 테스트부(340)를 이용하여 학습된 모델을 테스트한다. 예를 들어, 스케줄러(300)는 소정의 테스트용 데이터셋을 생성하고, 생성된 테스트용 데이터셋을 이용하여 학습된 모델에 대한 학습 테스트를 수행한다. 스케줄러(300)는 학습 테스트 수행결과에 따른 피드백을 제공한다. 또한, 스케줄러(300)는 학습 결과에 따라 상술한 바와 같이 학습 종료여부 및 다음 학습의 계획여부를 결정한다.

예를 들어, 학습 테스트 결과 정확도가 소정의 기준값 이상이면 테스트를 통과한 것으로 하여, 학습된 모델(350)의 생성을 종료할 수 있다. 또한, 학습된 모델(350)에 대한 다음 학습을 계획 및 실행할 수 있다.

또한, 학습 테스트 결과 정확도가 소정의 기준값 이하이면 테스트를 통과하지 못한 것으로 하여, 학습부(330)를 통해 다시 학습을 수행하도록 하거나, 학습조건을 재설정할 수 있다.

다른 예로, 이미 학습된 모델에 새로운 데이터를 이용하여 추가 학습을 수행한 경우, 기존의 학습된 모델의 정확도와 새로운 데이터를 이용하여 추가 학습이 수행된 모델의 정확도를 비교할 수 있다. 추가 학습이 수행된 모델의 정확도가 더 높은 경우, 스케줄러(300)는 학습된 모델을 업데이트할 수 있다.

일 실시 예에서, 소정의 학습조건에 기초하여 학습이 수행된 경우, 테스트부(340)는 소정의 학습조건에 대응하는 테스트용 데이터셋을 생성하고, 생성된 테스트용 데이터셋을 이용하여 학습된 모델을 테스트한다.

일 실시 예에서, 스케줄러(300)는 서버(200)에 새로운 학습용 데이터가 수신되면, 새로운 학습용 데이터를 포함하는 학습용 데이터셋을 생성하고, 생성된 데이터셋을 학습부(330)에 입력하여 학습을 수행한다.

일 실시 예에서, 스케줄러(300)는 새로운 학습용 데이터가 수신될때마다 학습을 수행할 수도 있고, 학습용 데이터가 소정의 분량 이상 누적될때마다 학습용 데이터셋을 생성하여 학습을 수행할 수도 있으나, 이에 제한되는 것은 아니다.

일 실시 예에서, 테스트부(340)는 새로운 학습용 데이터를 이용하여 학습된 모델을 테스트하기 위한 테스트용 데이터셋을 생성하고, 학습된 모델을 테스트할 수 있다. 새로운 학습용 데이터를 이용하여 학습된 모델의 정확도가 기존 모델의 정확도보다 높으면, 스케줄러(300)는 학습된 모델을 업데이트할 수 있다.

일 실시 예에서, 스케줄러(300)는 새로운 학습용 데이터를 포함하는 학습용 데이터셋을 생성하여 학습을 수행하되, 기존에 학습된 결과를 잊어버리지 않도록 하기 위한 규칙에 기초하여 학습을 수행할 수 있다.

예를 들어, 학습부(330)가 심층 신경망을 이용하는 학습을 수행하는 경우, 새로운 학습용 데이터를 이용하여 학습을 수행할 때, 기존 학습용 데이터를 이용하여 학습을 수행할 때에 비하여 심층 신경망의 결정경계가 달라지지 않도록 한다.

또한, 새로운 학습용 데이터를 이용하여 학습된 모델을 이용하여 기존의 학습용 데이터로부터 추출되는 특징은, 기존의 학습된 모델을 이용하여 기존의 학습용 데이터로부터 추출되는 특징과 가깝도록 하여야 한다.

일 실시 예에서, 스케줄러(300)는 새로운 학습용 데이터와, 소정의 기준에 따라 선정된 기존의 학습용 데이터를 포함하는 학습용 데이터셋을 생성하고, 생성된 학습용 데이터셋을 이용하여 학습부(330)를 학습시킨다.

기존의 학습용 데이터를 선정할 때, 스케줄러(300)는 새로운 학습용 데이터셋에 의하여 학습된 모델이 기존에 학습된 정보를 잊지 않도록 할 수 있는 기존의 학습용 데이터를 선정한다.

일 실시 예에서, 클라이언트(100)는 학습된 모델(350)을 클라이언트(100)에 저장된 모델과 비교하고, 학습된 모델(350)이 클라이언트(100)에 저장된 모델보다 업데이트된 모델인 경우, 학습된 모델(350)에 대한 정보를 수신하여 클라이언트(100)에 저장된 모델을 업데이트한다.

도 6은 일 실시 예에 따른 서버(200)의 구성도이다.

프로세서(202)는 하나 이상의 코어(core, 미도시) 및 그래픽 처리부(미도시) 및/또는 다른 구성 요소와 신호를 송수신하는 연결 통로(예를 들어, 버스(bus) 등)를 포함할 수 있다.

일 실시예에 따른 프로세서(202)는 메모리(204)에 저장된 하나 이상의 인스트럭션을 실행함으로써, 도 1 내지 도 5와 관련하여 설명된 수술영상데이터 학습방법을 수행한다.

예를 들어, 프로세서(202)는 메모리에 저장된 하나 이상의 인스트럭션을 실행함으로써 수술 가이드 정보를 제공하는 하나 이상의 모델을 학습시키고, 클라이언트에 상기 학습된 적어도 하나의 모델에 대한 정보를 전송하고, 상기 클라이언트가 수술 중에 획득한 수술 영상으로부터 획득되는 학습용 데이터를 상기 클라이언트로부터 수신하고, 상기 학습된 하나 이상의 모델을 업데이트하고, 상기 클라이언트에 업데이트된 상기 적어도 하나의 모델에 대한 정보를 전송한다.

한편, 프로세서(202)는 프로세서(202) 내부에서 처리되는 신호(또는, 데이터)를 일시적 및/또는 영구적으로 저장하는 램(RAM: Random Access Memory, 미도시) 및 롬(ROM: Read-Only Memory, 미도시)을 더 포함할 수 있다. 또한, 프로세서(202)는 그래픽 처리부, 램 및 롬 중 적어도 하나를 포함하는 시스템온칩(SoC: system on chip) 형태로 구현될 수 있다.

메모리(204)에는 프로세서(202)의 처리 및 제어를 위한 프로그램들(하나 이상의 인스트럭션들)을 저장할 수 있다. 메모리(204)에 저장된 프로그램들은 기능에 따라 복수 개의 모듈들로 구분될 수 있다.

이상에서 전술한 본 발명의 일 실시예에 따른 수술영상 분할방법은, 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 어플리케이션)으로 구현되어 매체에 저장될 수 있다.

상기 전술한 프로그램은, 상기 컴퓨터가 프로그램을 읽어 들여 프로그램으로 구현된 상기 방법들을 실행시키기 위하여, 상기 컴퓨터의 프로세서(CPU)가 상기 컴퓨터의 장치 인터페이스를 통해 읽힐 수 있는 C, C++, JAVA, 기계어 등의 컴퓨터 언어로 코드화된 코드(Code)를 포함할 수 있다. 이러한 코드는 상기 방법들을 실행하는 필요한 기능들을 정의한 함수 등과 관련된 기능적인 코드(Functional Code)를 포함할 수 있고, 상기 기능들을 상기 컴퓨터의 프로세서가 소정의 절차대로 실행시키는데 필요한 실행 절차 관련 제어 코드를 포함할 수 있다. 또한, 이러한 코드는 상기 기능들을 상기 컴퓨터의 프로세서가 실행시키는데 필요한 추가 정보나 미디어가 상기 컴퓨터의 내부 또는 외부 메모리의 어느 위치(주소 번지)에서 참조되어야 하는지에 대한 메모리 참조관련 코드를 더 포함할 수 있다. 또한, 상기 컴퓨터의 프로세서가 상기 기능들을 실행시키기 위하여 원격(Remote)에 있는 어떠한 다른 컴퓨터나 서버 등과 통신이 필요한 경우, 코드는 상기 컴퓨터의 통신 모듈을 이용하여 원격에 있는 어떠한 다른 컴퓨터나 서버 등과 어떻게 통신해야 하는지, 통신 시 어떠한 정보나 미디어를 송수신해야 하는지 등에 대한 통신 관련 코드를 더 포함할 수 있다.

상기 저장되는 매체는, 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상기 저장되는 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있지만, 이에 제한되지 않는다. 즉, 상기 프로그램은 상기 컴퓨터가 접속할 수 있는 다양한 서버 상의 다양한 기록매체 또는 사용자의 상기 컴퓨터상의 다양한 기록매체에 저장될 수 있다. 또한, 상기 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장될 수 있다.

본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.

이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.

100 : 클라이언트
200 : 서버

Claims

수술 가이드 정보를 제공하는 하나 이상의 모델을 학습시키는 서버; 및
상기 서버에서 학습된 적어도 하나의 모델을 저장하고, 상기 저장된 모델을 이용하여 수술 중에 획득되는 수술 영상을 인식하고, 인식된 수술 영상에 대응하는 수술 가이드 정보를 제공하는 클라이언트; 를 포함하고,
상기 클라이언트는,
상기 수술 중에 획득된 수술 영상으로부터 획득되는 제1 학습용 데이터를 상기 서버에 전송하고, 상기 서버로부터 상기 저장된 모델을 업데이트하기위한 정보를 수신하고, 상기 수신된 정보에 기초하여 상기 저장된 모델을 업데이트하는, 수술영상데이터 학습시스템.
제1 항에 있어서,
상기 하나 이상의 모델은,
수술 영상을 분할(segmentation)하여 인식하는 제1 모델; 및
최적화된 수술방법을 산출하는 제2 모델; 을 포함하고,
상기 제1 학습용 데이터는 상기 제1 모델 및 상기 제2 모델 중 적어도 하나를 학습시키는 데 이용되고,
상기 클라이언트에 저장되는 적어도 하나의 모델은 상기 제1 모델을 포함하는, 수술영상데이터 학습시스템.
제1 항에 있어서,
상기 클라이언트는,
상기 수술 중에 획득된 수술 영상을 하나 이상의 수술단계로 분할(segmentation)하고,
상기 분할된 하나 이상의 수술단계를 인식하고,
상기 인식 결과를 상기 제1 학습용 데이터로서 상기 서버에 전송하는, 수술영상데이터 학습시스템.
제3 항에 있어서,
상기 클라이언트는,
상기 분할된 하나 이상의 수술단계 각각에 대하여 기 설정된 코드를 부여하고,
상기 분할된 하나 이상의 수술단계 각각에 대하여 부여된 상기 기 설정된 코드를 상기 서버에 전송하는, 수술영상데이터 학습시스템.
제1 항에 있어서,
상기 클라이언트는,
상기 클라이언트에 저장된 모델과 상기 서버에 저장된 모델을 비교하고, 상기 서버에 저장된 모델이 상기 클라이언트에 저장된 모델보다 업데이트된 모델인 경우, 상기 서버로부터 상기 클라이언트에 저장된 모델을 업데이트하기위한 정보를 수신하고, 상기 수신된 정보에 기초하여 상기 클라이언트에 저장된 모델을 업데이트하는, 수술영상데이터 학습시스템.
제1 항에 있어서,
상기 서버는,
하나 이상의 수술 영상 및 상기 하나 이상의 수술 영상을 분할하는 정보를 획득하고,
상기 획득된 정보를 이용하여 제2 학습용 데이터를 생성하는, 수술영상데이터 학습시스템.
제1 항에 있어서,
상기 서버는,
학습조건을 입력받고, 상기 제2 학습용 데이터로부터 상기 입력된 학습조건에 대응하는 데이터셋을 추출하고, 상기 추출된 데이터셋을 이용하여 상기 적어도 하나의 모델에 대한 학습을 수행하는, 수술영상데이터 학습시스템.
제7 항에 있어서,
상기 서버는,
상기 입력된 학습조건에 대응하는 테스트용 데이터셋을 생성하고, 상기 생성된 테스트용 데이터셋을 이용하여 상기 적어도 하나의 모델에 대한 학습 테스트를 수행하고, 상기 학습 테스트 수행결과에 따른 피드백을 제공하는, 수술영상데이터 학습시스템.
제1 항에 있어서,
상기 서버는,
하나 이상의 새로운 제2 학습용 데이터를 수신하고, 적어도 하나의 상기 새로운 제2 학습용 데이터를 포함하는 데이터셋을 생성하고, 상기 생성된 데이터셋을 이용하여 상기 적어도 하나의 모델에 대한 학습을 수행하는, 수술영상데이터 학습시스템.
제9 항에 있어서,
상기 서버는,
테스트용 데이터셋을 획득하고, 상기 테스트용 데이터셋을 이용하여 상기 생성된 데이터셋을 이용하여 학습된 상기 적어도 하나의 모델에 대한 학습 테스트를 수행하고, 상기 학습 테스트 수행결과에 따른 피드백을 제공하는, 수술영상데이터 학습시스템.
제9 항에 있어서,
상기 서버는,
상기 새로운 제2 학습용 데이터 및 소정의 기준에 따라 선정된 기존 제2 학습용 데이터를 포함하는 상기 데이터셋을 생성하고, 상기 생성된 데이터셋을 이용하여 상기 적어도 하나의 모델에 대한 학습을 수행하는, 수술영상데이터 학습시스템.
서버가 수술 가이드 정보를 제공하는 하나 이상의 모델을 학습시키는 단계;
클라이언트에 상기 학습된 적어도 하나의 모델에 대한 정보를 전송하는 단계;
상기 클라이언트가 수술 중에 획득한 수술 영상으로부터 획득되는 학습용 데이터를 상기 클라이언트로부터 수신하는 단계;
상기 학습된 하나 이상의 모델을 업데이트하는 단계; 및
상기 클라이언트에 업데이트된 상기 적어도 하나의 모델에 대한 정보를 전송하는 단계; 를 포함하는, 수술영상데이터 학습방법.
하나 이상의 인스트럭션을 저장하는 메모리; 및
상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고,
상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
수술 가이드 정보를 제공하는 하나 이상의 모델을 학습시키는 단계;
클라이언트에 상기 학습된 적어도 하나의 모델에 대한 정보를 전송하는 단계;
상기 클라이언트가 수술 중에 획득한 수술 영상으로부터 획득되는 학습용 데이터를 상기 클라이언트로부터 수신하는 단계;
상기 학습된 하나 이상의 모델을 업데이트하는 단계; 및
상기 클라이언트에 업데이트된 상기 적어도 하나의 모델에 대한 정보를 전송하는 단계; 를 수행하는, 서버.
하드웨어인 컴퓨터와 결합되어, 제12 항의 방법을 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장된 컴퓨터프로그램.