KR20220147756A - 영상을 분석하는 방법 - Google Patents

Abstract

본 개시의 몇몇 실시예에 따라, 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 영상을 분석하는 방법이 개시된다. 상기 방법은: 학습용 영상에 포함된 슬라이스들 중에서 연속성을 갖는 기 설정된 개수의 슬라이스들을 순차적으로 그룹화하여 복수의 슬라이스 그룹을 추출하는 단계; 상기 복수의 슬라이스 그룹으로 구성된 학습 데이터 세트를 생성하는 단계; 및 상기 학습 데이터 세트를 이용하여 입력 영상을 분석하기 위한 신경망 모델을 학습시키는 단계;를 포함할 수 있다.

Description

영상을 분석하는 방법{Methods for analyzing images}

본 개시는 영상을 분석하는 방법에 관한 것으로, 구체적으로, 인공 신경망 모델을 이용하여 의료 영상을 분석하는 방법에 관한 것이다.

의료 영상은 인체의 여러 가지 장기들의 물리적인 상태를 이해할 수 있게 해주는 자료이다. 의료 영상에는 디지털 방사선 영상(X-ray), 컴 단층 촬영(CT) 또는 자기공명영상(MRI) 등이 있다.

이러한 인체의 장기가 촬영된 의료 영상을 분석하여, 병변을 판정하는 연구는 꾸준히 이어져 오고 있다. 추가적으로, 의료 영상에 포함된 신체 장기에 대한 효과적인 분석을 위해 신체 장기를 분석하여, 병변을 판정하는 연구 또한 활발히 진행중이다.

그러나, 종래의 방식들은 영상을 슬라이스(Slice)로 분할하고, 슬라이스 단위로 병변을 판정하거나, 전체 슬라이스를 종합적으로 분석하여 병변의 유무를 판정하여, 단순히 병변의 유무에 대한 판정 결과만 제공할 수 있다. 그 결과, 종래의 병변을 판정하는 방식은 실제 임상 현장에서의 활용도가 낮은 실정이다.

따라서, 임상 현장에서의 활용도를 높일 수 있도록 병변을 판정할 수 있는 정보와 함께, 시각적인 정보를 제공할 수 있는 방법에 대한 연구 및 개발의 필요성이 존재한다.

한국의 공개특허공보 제10-2018-0130379호는 자기 공명 영상 장치 및 자기 공명 영상 처리 방법에 관하여 개시한다.

본 개시는 전술한 배경기술에 대응하여 안출 된 것으로, 컴퓨팅 장치를 이용하여 병변을 판정할 수 있는 정보뿐만 아니라, 시각적인 정보를 제공할 수 있는 방법을 제공한다.

본 개시의 기술적 과제들은 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

전술한 바와 같은 과제를 해결하기 위한 본 개시의 몇몇 실시예에 따라, 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 영상을 분석하는 방법이 개시된다. 상기 방법은: 학습용 영상에 포함된 슬라이스들 중에서 연속성을 갖는 기 설정된 개수의 슬라이스들을 순차적으로 그룹화하여 복수의 슬라이스 그룹을 추출하는 단계; 상기 복수의 슬라이스 그룹으로 구성된 학습 데이터 세트를 생성하는 단계; 및 상기 학습 데이터 세트를 이용하여 입력 영상을 분석하기 위한 신경망 모델을 학습시키는 단계;를 포함할 수 있다.

또한, 상기 복수의 슬라이스 그룹 각각은, 다른 슬라이스 그룹에 포함된 슬라이스들 중 적어도 하나를 포함할 수 있다.

또한, 상기 신경망 모델은, 기 설정된 오브젝트와 관련된 복수의 클래스를 표현하는 적어도 하나의 값을 포함하는 특징 맵을 출력하는 제 1 신경망 모델; 및 상기 입력 영상이 상기 복수의 클래스 중 어느 클래스와 관련된 영상인지에 대한 클래스 정보를 출력하는 제 2 신경망 모델;을 포함할 수 있다.

또한, 상기 제 1 신경망 모델은, 상기 입력 영상의 차원을 감소시키는 적어도 하나의 차원 감소 블록을 포함하는 인코더; 상기 인코더에서 출력되는 데이터의 차원을 증가시키는 적어도 하나의 차원 증가 블록을 포함하는 디코더; 및 상기 디코더에서 차원을 증가시킬 때 활용되는 정보를 상기 인코더에서 상기 디코더로 전달하는 스킵 커넥션;을 포함할 수 있다.

또한, 상기 제 2 신경망 모델은, 서로 다른 크기를 갖는 복수의 필터를 이용하여 상기 입력 영상의 피처(feature)를 추출하는 인셉션(Inception) 레이어; 상기 피처를 입력 받는 경우, 장-단기 메모리를 이용하여 상기 피처를 분류하는 LSTM(Long Short Term Memory) 레이어; 및 상기 LSTM 레이어의 출력을 입력 받고, 상기 클래스 정보를 출력하는 DENSE 레이어;를 포함할 수 있다.

또한, 상기 방법은, 상기 신경망 모델에 상기 입력 영상을 입력하여 생성된 분석 결과를 사용자에게 제공하는 단계;를 더 포함하고, 상기 분석 결과는: 상기 제 1 신경망 모델에 상기 입력 영상을 입력하여 획득된 특징 맵에 기초하여 상기 복수의 클래스가 표현된 시각화 정보; 및 상기 제 2 신경망 모델에 상기 입력 영상을 입력하여 획득된 상기 클래스 정보;를 포함할 수 있다.

또한, 상기 클래스 정보는, 상기 복수의 클래스 각각과 관련된 값들 중 기 설정된 임계 값을 초과하는 클래스에 해당한다는 정보 및 상기 클래스에 해당하는 정도를 나타내는 정보 중 적어도 하나를 포함할 수 있다.

또한, 상기 슬라이스들은, 상기 학습용 영상에 포함된 복수의 슬라이스들 중에서 기 설정된 오브젝트가 포함된 슬라이스들일 수 있다.

또한, 상기 슬라이스들은, 기 설정된 제 1 알고리즘을 통해 콘트라스트(contrast)가 최적화되고, 기 설정된 제 2 알고리즘을 통해 노이즈가 제거된 슬라이스들일 수 있다.

전술한 바와 같은 과제를 해결하기 위한 본 개시의 몇몇 실시예에 따라, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 컴퓨팅 장치의 프로세서로 하여금 이하의 단계들을 수행하기 위한 명령들을 포함하며, 상기 단계들은: 학습용 영상에 포함된 슬라이스들 중에서 연속성을 갖는 기 설정된 개수의 슬라이스들을 순차적으로 그룹화하여 복수의 슬라이스 그룹을 추출하는 단계; 상기 복수의 슬라이스 그룹으로 구성된 학습 데이터 세트를 생성하는 단계; 및 상기 학습 데이터 세트를 이용하여 입력 영상을 분석하기 위한 신경망 모델을 학습시키는 단계;를 포함할 수 있다.

전술한 바와 같은 과제를 해결하기 위한 본 개시의 몇몇 실시예에 따라, 컴퓨팅 장치가 개시된다. 상기 장치는: 신경망 모델을 저장하는 메모리; 및 입력 영상을 분석하기 위해 상기 신경망 모델에 상기 입력 영상을 입력하는 프로세서;를 포함하고, 상기 프로세서는, 학습용 영상에 포함된 슬라이스들 중에서 연속성을 갖는 기 설정된 개수의 슬라이스들을 순차적으로 그룹화하여 복수의 슬라이스 그룹을 추출하고, 상기 복수의 슬라이스 그룹으로 구성된 학습 데이터 세트를 생성하고, 상기 학습 데이터 세트를 이용하여 상기 입력 영상을 분석하기 위한 상기 신경망 모델을 학습시킬 수 있다.

본 개시에서 얻을 수 있는 기술적 해결 수단은 이상에서 언급한 해결 수단들로 제한되지 않으며, 언급하지 않은 또 다른 해결 수단들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 개시는 컴퓨팅 장치가 병변을 판정할 수 있는 정보뿐만 아니라, 시각적인 정보를 제공하여 컴퓨팅 장치를 이용한 의료 영상 분석 방법의 활용도를 높일 수 있다.

본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

다양한 양상들이 이제 도면들을 참조로 기재되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 양상들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 양상(들)이 이러한 구체적인 세부사항들 없이 실시될 수 있음은 명백할 것이다.
도 1은 본 개시의 몇몇 실시예에 따른 영상을 분석하는 방법을 수행하는 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 몇몇 실시예에 따른 영상을 분석하는 방법의 일례를 설명하기 위한 흐름도이다.
도 3은 본 개시의 몇몇 실시예에 따른 복수 개의 슬라이스들의 일례를 설명하기 위한 도면이다.
도 4는 본 개시의 몇몇 실시예에 따른 신경망 모델의 일례를 설명하기 위한 도면이다.
도 5는 본 개시의 몇몇 실시예에 따른 제 1 신경망 모델의 일례를 설명하기 위한 도면이다.
도 6은 본 개시의 몇몇 실시예에 따른 제 2 신경망 모델의 일례를 설명하기 위한 도면이다.
도 7은 본 개시의 몇몇 실시예에 따른 입력 영상에 대한 분석 결과 화면의 일례를 설명하기 위한 도면이다.
도 8은 본 개시의 몇몇 실시예에 따른 영상을 분석하는 방법의 정확도를 설명하기 위한 도면이다.
도 9는 본 개시 내용의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.

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.

도 1은 본 개시의 몇몇 실시예에 따른 영상을 분석하는 방법을 수행하는 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) 및 메모리(120)를 포함할 수 있다. 다만, 상술한 구성 요소들은 컴퓨팅 장치(100)를 구현하는데 있어서 필수적인 것은 아니어서, 컴퓨팅 장치(100)는 위에서 열거된 구성요소들 보다 많거나, 또는 적은 구성요소들을 가질 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 몇몇 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 몇몇 실시예에 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 몇몇 실시예에 따르면, 프로세서(110)는 학습용 영상에 포함된 슬라이스들 중에서 연속성을 갖는 기 설정된 개수의 슬라이스들을 순차적으로 그룹화하여 복수의 슬라이스 그룹을 추출할 수 있다. 여기서, 학습용 영상은 복수의 슬라이스로 구성된 의료 영상일 수 있다. 예를 들어, 학습용 영상은 CT 영상 또는 MRI 영상 등을 포함할 수 있다.

한편, 학습용 영상은 기 설정된 오브젝트(예컨대, 담낭), 악성 병변(예컨대, 담낭의 악성 종양), 양성 병변(예컨대, 담낭의 양성 종양) 중 적어도 하나를 포함하는 영상일 수 있다. 이 경우, 기 설정된 오브젝트, 악성 병변 또는 양성 병변 중 적어도 하나가 학습용 영상에 라벨링되어 있을 수 있다. 다만, 이에 한정되는 것은 아니고, 학습용 영상은 기 설정된 오브젝트, 악성 병변 및 양성 병변을 포함하지 않는 영상일 수도 있다.

한편, 기 설정된 오브젝트, 악성 병변 및 양성 병변 각각을 포함하는 학습용 영상은 후술될 신경망 모델의 학습용 데이터 생성에 이용될 수 있다. 다만, 이에 한정되는 것은 아니다.

프로세서(110)는 복수의 슬라이스 그룹으로 구성된 학습 데이터 세트를 생성할 수 있다. 그리고, 프로세서(110)는 학습 데이터 세트를 이용하여 입력 영상(예컨대, 의료 영상)을 분석하기 위한 신경망 모델을 학습시킬 수 있다. 여기서, 입력 영상 각각은 복수 개의 슬라이스들로 구성된 슬라이스 그룹(묶음)일 수 있다. 즉, 복수 개의 슬라이스들이 하나의 학습 데이터 입력으로 신경망 모델에 입력될 수 있다.

한편, 프로세서(110)는 학습된 신경망 모델에 입력 영상을 입력하여 생성된 분석 결과를 사용자에게 제공할 수 있다. 여기서, 분석 결과는 제 1 신경망 모델에 입력 영상을 입력하여 획득된 특징 맵에 기초하여 복수의 클래스가 표현된 시각화 정보 및 제 2 신경망 모델에 입력 영상을 입력하여 획득된 클래스 정보 중 적어도 하나를 포함할 수 있다.

예를 들어, 프로세서(110)는 컴퓨팅 장치(100)의 디스플레이부(미도시)를 통해 분석 결과를 사용자에게 제공할 수 있다. 또한, 프로세서(110)는 컴퓨팅 장치(100)의 네크워크부(미도시)를 이용하여, 사용자 단말로 분석 결과를 전송할 수 있다.

따라서, 사용자는 임상 현장에서 컴퓨팅 장치(100)의 디스플레이부 또는, 사용자 단말을 이용하여 입력 영상의 분석 결과를 손쉽게 인식할 수 있다.

즉, 본 개시의 컴퓨팅 장치(100)는 학습된 신경망 모델로부터 획득된 분석 결과를 보기 쉽도록 사용자에게 제공하여, 임상 환경에서 입력 영상의 분석 결과에 대한 활용도를 높일 수 있다. 다만, 이에 한정되는 것은 아니다.

이하, 컴퓨팅 장치(100)의 프로세서(110)가 신경망 모델을 학습시키고, 학습된 신경망 모델로부터 획득된 분석 결과를 사용자에게 제공하는 방법에 대한 설명은 도 2 내지 도 7을 참조하여 후술한다.

한편, 본 명세서 전반에서 연산 모델, 신경망, 네트워크 함수 및 신경망(neural network)는 상호 교환 가능한 의미로 사용될 수 있다. 즉, 본 개시에서 연산 모델, (인공)신경망, 네트워크 함수 및 신경망은 상호 교환 가능하게 사용될 수 있다. 이하에서는 설명의 편의를 위해 신경망으로 통일하여 기술한다.

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.

심층 신경망(DNN: deep neural network)은 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 심층 신경망을 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. 심층 신경망은 컨볼루션 신경망(CNN: convolutional neural network), 리커런트 신경망(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 심층 신경망의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

신경망은 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 반교사학습(semi supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 신경망의 학습은 신경망이 특정한 동작을 수행하기 위한 지식을 신경망에 적용하는 과정일 수 있다.

신경망은 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 신경망의 학습에서 반복적으로 학습 데이터를 신경망에 입력시키고 학습 데이터에 대한 신경망의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 신경망의 에러를 신경망의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 신경망의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 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 신경망에 입력되고, 신경망의 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 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 신경망에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 신경망의 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 신경망의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 신경망의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 신경망의 학습 초기에는 높은 학습률을 사용하여 신경망이 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

신경망의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 신경망을 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 신경망이 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 개시의 몇몇 실시예에 따르면, 메모리(120)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부가 수신한 임의의 형태의 정보를 저장할 수 있다.

메모리(120)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(120)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리(120)기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 몇몇 실시예에 따르면, 메모리(120)는 신경망 모델을 저장하고 있을 수 있다.

예를 들어, 메모리(120)는 입력 영상(예컨대, 의료 영상)을 분석하기 위한 신경망 모델을 저장하고 있을 수 있다. 자세히 예를 들어, 메모리(120)는 입력 영상을 입력 받고, 특징 맵을 출력하는 제 1 신경망 모델 및 입력 영상을 입력 받고 클래스 정보를 출력하는 제 2 신경망 모델을 저장하고 있을 수 있다. 다만, 이에 한정되는 것은 아니다.

소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능과 같은 실시예들은 별도의 소프트웨어 모듈들로 구현될 수 있다. 상기 소프트웨어 모듈들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 작동을 수행할 수 있다. 적절한 프로그램 언어로 쓰여진 소프트웨어 어플리케이션으로 소프트웨어 코드가 구현될 수 있다. 상기 소프트웨어 코드는 컴퓨팅 장치(100)의 메모리(120)에 저장되고, 컴퓨팅 장치(100)의 프로세서(110)에 의해 실행될 수 있다.

본 개시의 몇몇 실시예에 따른 네트워크부는 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 명세서에서 제시되는 네트워크부는 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 네트워크부는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(LAN: Local Area Network), 개인 통신망(PAN: Personal Area Network), 광역 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 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.

본 개시의 몇몇 실시예에 따르면, 프로세서(110)는 컴퓨팅 장치(100)의 네크워크부를 이용하여, 사용자 단말로 입력 영상에 대한 분석 결과를 전송할 수 있다.

구체적으로, 네트워크부는 입력 영상에서 기 설정된 오브젝트(예컨대, 신체 장기)가 상이하게 표시된 영상이 사용자 단말에서 출력되도록 영상 정보를 사용자 단말로 전송할 수 있다. 또한, 네트워크부는 입력 영상에 병변이 존재하는지에 대한 정보 또는, 병변의 상태(예컨대, 양성 또는 악성)에 대한 정보가 표시된 영상이 사용자 단말에서 출력되도록 병변 여부에 대한 판정 결과 데이터를 사용자 단말로 전송할 수 있다. 다만, 이에 한정되는 것은 아니다.

본 개시의 몇몇 실시예에 따르면, 디스플레이부는 컴퓨팅 장치(100)에서 처리되는 정보를 표시(출력)할 수 있다. 예를 들어, 디스플레이부는 컴퓨팅 장치(100)에서 구동되는 응용 프로그램의 실행화면 정보 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보 그리고, 입력 영상에 대한 분석 결과 화면 정보를 표시할 수 있다.

본 개시의 몇몇 실시예에 따르면, 프로세서(110)는 컴퓨팅 장치(100)의 디스플레이부를 통해 분석 결과를 사용자에게 제공할 수 있다.

구체적으로, 프로세서(110)는 입력된 입력 영상을 제 1 신경망 모델 또는, 제 2 신경망 모델에 입력하여 획득된 결과 데이터와 관련된 화면을 출력하도록 디스플레이부를 제어할 수 있다.

예를 들어, 디스플레이부는 입력 영상에서 기 설정된 오브젝트(예컨대, 신체 장기 및 병변(종양))가 상이하게 표시된 영상을 출력할 수 있다. 또한, 디스플레이부는 입력 영상에 병변이 존재하는지에 대한 정보 또는, 병변의 상태(예컨대, 양성 또는 악성)에 대한 정보가 표시된 영상을 출력할 수 있다. 다만, 이에 한정되는 것은 아니다.

도 2는 본 개시의 몇몇 실시예에 따른 영상을 분석하는 방법의 일례를 설명하기 위한 흐름도이다. 도 3은 본 개시의 몇몇 실시예에 따른 복수 개의 슬라이스들의 일례를 설명하기 위한 도면이다. 도 4는 본 개시의 몇몇 실시예에 따른 신경망 모델의 일례를 설명하기 위한 도면이다.

도 2를 참조하면, 컴퓨팅 장치(100)의 프로세서(110)는 학습용 영상에 포함된 슬라이스들 중에서 연속성을 갖는 기 설정된 개수의 슬라이스들을 순차적으로 그룹화하여 복수의 슬라이스 그룹을 추출할 수 있다(S110). 여기서, 슬라이스들은 기 설정된 오브젝트가 포함된 슬라이스들일 수 있다.

구체적으로, 학습용 영상은 복수의 슬라이스로 구성된 의료 영상일 수 있다. 예를 들어, 학습용 영상은 CT 영상 또는 MRI 영상 등을 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.

한편, 학습용 영상에는 기 설정된 오브젝트가 포함된 슬라이스들과 기 설정된 오브젝트가 포함되지 않은 적어도 하나의 슬라이스가 포함되어 있을 수 있다. 이 경우, 기 설정된 오브젝트가 포함된 슬라이스들만 학습용 영상으로 이용될 수 있다. 여기서, 기 설정된 오브젝트는 병변을 판정하기 위한 대상 즉, 신체 장기 중 어느 하나(예를 들어, 담낭)일 수 있다. 다만, 이에 한정되는 것은 아니다.

좀더 구체적으로, 도 3을 참조하면, 프로세서(110)는 기 설정된 오브젝트가 포함된 슬라이스들 중에서 연속성을 갖는 기 설정된 개수의 슬라이스들을 순차적으로 그룹화하여, 복수의 슬라이스 그룹(g1, g2, g3 ... gn)을 추출할 수 있다.

도 3에 도시된 바와 같이, 복수의 슬라이스 그룹 각각은 순차적인 3개의 슬라이스로 구성될 수 있다. 순차적인 3개의 슬라이스로 구성된 그룹을 이용하여 학습 데이터 세트를 생성한 후 신경망 모델을 학습시키는 경우, 순차적인 5개 또는 7개 등의 슬라이스로 구성된 슬라이스 그룹을 이용하여 학습 데이터 세트를 생성한 후 신경망 모델을 학습시키는 것 보다 정확도가 높아질 수 있다. 따라서, 순차적인 3개의 슬라이스를 이용하여 복수의 슬라이스 그룹 각각을 추출한 후 이를 이용하여 학습 데이터 세트를 생성하는 것이 가장 효과적일 수 있다.

한편, 복수의 슬라이스 그룹 각각은 다른 슬라이스 그룹에 포함된 슬라이스들 중 적어도 하나를 포함할 수 있다.

예를 들어, 제 1 그룹(g1)은 첫 번째 슬라이스, 두 번째 슬라이스 및 세 번째 슬라이스로 구성될 수 있다. 그리고, 제 2 그룹(g2)은 두 번째 슬라이스, 세 번째 슬라이스 및 네 번째 슬라이스로 구성될 수 있다. 즉, 제 1 그룹(g1)과 제 2 그룹(g2) 각각은 동일한 슬라이스를 포함하도록 구성될 수 있다.

다른 예를 들어, 제 2 그룹(g2)은 제 1 그룹(g1)에 포함된 두 번째 슬라이스 및 세 번째 슬라이스를 포함하고, 네 번째 슬라이스를 더 포함할 수 있다. 또한, 제 3 그룹(g3)은 제 2 그룹(g2)에 포함된 세 번째 슬라이스 및 네 번째 슬라이스를 포함하고, 다섯 번째 슬라이스를 더 포함할 수 있다.

한편, 본 개시의 프로세서(110)는 중복되는 슬라이스를 포함하도록 복수의 슬라이스 그룹을 추출한 후 이를 이용하여 학습 데이터 세트를 생성한다. 그리고, 프로세서(110)는 생성된 학습 데이터 세트를 이용하여 신경망 모델을 학습시키는 경우 보다 많은 학습 데이터를 이용하여 학습하기 때문에, 신경망 모델 학습의 정확도를 높일 수 있다. 다만, 이에 한정되는 것은 아니다.

다시 도 2를 참조하면, 컴퓨팅 장치(100)의 프로세서(110)는 단계(S110)에서 복수의 슬라이스 그룹을 추출하기 전에, 학습용 영상에 포함된 슬라이스들에 대한 전처리를 수행할 수 있다.

구체적으로, 프로세서(110)는 기 설정된 제 1 알고리즘을 이용하여 슬라이스들의 콘트라스트(contrast)를 최적화할 수 있다. 또한, 프로세서(110)는 콘트라스트가 최적화된 슬라이스들을 대상으로 기 설정된 제 2 알고리즘을 이용하여 노이즈를 제거할 수 있다. 여기서, 제 1 알고리즘은 CLAHE(Contrast Limited Adaptive Histogram Equalization) 알고리즘일 수 있다. 그리고, 제 2 알고리즘은 가우시안 필터(Gaussian Filter) 알고리즘일 수 있다. 다만, 이에 한정되는 것은 아니다.

프로세서(110)는 상술한 바와 같이 학습용 영상에 포함된 슬라이스들에 대한 전처리를 수행하는 경우, 신경망 모델 학습의 정확도를 높일 수 있다. 또한, 프로세서(110)는 학습용 영상에 포함된 슬라이스들에 대한 전처리를 수행하는 경우, 신경망 모델의 학습 시간을 단축시킬 수 있다. 다만, 이에 한정되는 것은 아니다.

한편, 컴퓨팅 장치(100)의 프로세서(110)는 복수의 슬라이스 그룹을 추출한 경우, 복수의 슬라이스 그룹을 이용하여 학습 데이터 세트를 생성할 수 있다.

구체적으로, 프로세서(110)는 연속하는 기 설정된 개수의 슬라이스들을 하나의 묶음으로 그룹화하여 복수의 슬라이스 그룹을 만들고, 복수의 슬라이스 그룹으로 구성된 학습 데이터 세트를 생성할 수 있다. 즉, 하나의 슬라이스 그룹으로 묶인 기 설정된 개수의 슬라이스들을 전부 학습용 입력 데이터로 입력하여 신경망 모델의 학습을 1차적으로 수행하고, 또 다른 슬라이스 그룹으로 묶인 기 설정된 개수의 슬라이스들을 전부 학습용 입력 데이터로 입력하여 신경망 모델의 2차적 학습을 수행하는 방식으로 신경망 모델의 학습이 수행될 수 있다.

컴퓨팅 장치(100)의 프로세서(110)는 학습 데이터 세트를 이용하여 입력 영상을 분석하기 위한 신경망 모델을 학습시킬 수 있다(S130).

여기서, 학습 데이터 세트를 이용하여 학습되는 신경망 모델은 기 설정된 오브젝트와 관련된 복수의 클래스를 표현하는 적어도 하나의 값을 포함하는 특징 맵을 출력하는 제 1 신경망 모델일 수 있다. 또한, 학습 데이터 세트를 이용하여 학습되는 신경망 모델은 입력 영상이 복수의 클래스 중 어느 클래스와 관련된 영상인지에 대한 클래스 정보를 출력하는 제 2 신경망 모델일 수 있다.

구체적으로, 도 4를 참조하면, 제 1 신경망 모델(10) 및 제 2 신경망 모델(20)의 예시를 도시하였다.

도시된 바와 같이, 제 1 신경망 모델(10)은 인코더(11), 디코더(12) 및 스킵 커넥션(13)을 포함할 수 있다. 다만, 상술한 구성 요소들은 제 1 신경망 모델(10)을 구현하는데 있어서 필수적인 것은 아니어서, 제 1 신경망 모델(10)은 위에서 열거된 구성요소들 보다 많거나, 또는 적은 구성요소들을 가질 수 있다.

제 1 신경망 모델(10)의 인코더(11)는 입력 영상의 차원을 감소시킬 수 있다. 구체적으로, 인코더(11)는 입력 영상의 차원을 감소시키는 적어도 하나의 차원 감소 블록을 포함할 수 있다.

제 1 신경망 모델(10)의 디코더(12)는 인코더에서 출력되는 데이터의 차원을 증가시킬 수 있다. 구체적으로, 디코더(12)는 인코더에서 출력되는 데이터의 차원을 증가시키는 차원 증가 블록을 포함할 수 있다.

제 1 신경망 모델(10)의 스킵 커넥션(13)은 디코더(12)에서 차원을 증가시킬 때 활용되는 정보를 인코더(11)에서 디코더(12)로 전달할 수 있다.

상술한 제 1 신경망 모델(10)은 입력 영상을 입력 받는 경우, 기 설정된 오브젝트와 관련된 복수의 클래스를 표현하는 적어도 하나의 값을 포함하는 특징 맵을 출력할 수 있다. 예를 들어, 제 1 신경망 모델(10)은 U-net 모델과 유사하거나 동일한 구조를 가질 수 있다. 다만, 이에 한정되는 것은 아니다.

이하, 제 1 신경망 모델(10)에 대한 설명은 도 5를 참조하여 후술한다.

한편, 제 2 신경망 모델(20)은 인셉션 레이어(21), LSTM 레이어(22) 및 DENSE 레이어(23)를 포함할 수 있다. 다만, 상술한 구성 요소들은 제 2 신경망 모델(20)을 구현하는데 있어서 필수적인 것은 아니어서, 제 2 신경망 모델(20)은 위에서 열거된 구성요소들 보다 많거나, 또는 적은 구성요소들을 가질 수 있다.

제 2 신경망 모델(20)의 인셉션 레이어(21)는 서로 다른 크기를 갖는 복수의 필터를 이용하여 입력 영상의 피처(feature)를 추출할 수 있다.

구체적으로, 인셉션 레이어(21)는 피처 맵(Feature Map)을 이용하여 기울기 소실을 완화하고, 기존 모델보다 깊은 신경망으로 구축될 수 있다. 또한, 인셉션 레이어(21)는 기존 모델보다 적은 연산량이 요구될 수 있다. 이 경우, 인셉션 레이어(21)는 보다 많고 다양한 환자들의 케이스를 구별할 수 있는 영상 피처 추출이 가능할 수 있다. 또한, 인셉션 레이어(21)는 컨볼루션 레이어의 Local Receptive Field에 좀더 복잡한 레이어 층을 두도록 하여 비선형 특징을 학습할 수 있다.

예를 들어, 인셉션 레이어(21)는 GoogleNet(Inception V1, V2, V3) 모델과 유사하거나 동일한 구조를 가질 수 있다. 다만, 이에 한정되는 것은 아니다.

제 2 신경망 모델(20)의 LSTM 레이어(22)는 여러 개의 데이터가 순서대로 입력되었을 때 앞에서 입력 받은 데이터를 잠시 기억하는 순환 신경망(RNN: Recurrent Neural Network) 기반의 레이어일 수 있다. 또한, LSTM 레이어(22)는 기억된 데이터의 중요도를 판단하여 별도의 가중치를 부가하여 다음 데이터로 넘겨, 최적의 판단을 수행할 수 있다. 이러한 LSTM 레이어(22)는 피처를 입력 받는 경우, 장-단기 메모리를 이용하여 피처를 분류할 수 있다. 즉, LSTM 레이어(22)는 순환신경망에서 장기 의존성 문제(the problem of Long Term Dependencies)를 해결할 수 있다.

또한, LSTM 레이어(22)는 입력되는 데이터가 의료 영상과 같이 상관 계열(correlated series)일 때 높은 성능이 발휘될 수 있다. 예를 들어, CT 영상은 복부를 연속적으로 촬영하여 슬라이스(slice) 한 것이기 때문에, 각 CT slides 사이에 상관관계가 존재할 수 있다. 이 경우, LSTM 레이어(22)는 CT 영상을 분석할 때 높은 정확도를 가질 수 있다.

제 2 신경망 모델(20)의 DENSE 레이어(23)는 입력 뉴런 수에 관계없이 출력 뉴런 수를 설정할 수 있는 출력 레이어일 수 있다. 이러한 DENSE 레이어(23)는 LSTM 레이어의 출력을 입력 받고, 클래스 정보를 출력할 수 있다. 여기서, 클래스 정보는 입력 영상에 포함된 오브젝트의 병변이 악성 또는, 양성인지 여부에 대한 정보 또는, 정상(음성)인지 여부에 대한 정보를 포함할 수 있다. 즉, 기 설정된 오브젝트와 관련된 복수의 클래스는 악성, 양성 및 정상일 수 있다. 다만, 이에 한정되는 것은 아니다.

다시 도 2를 참조하면, 컴퓨팅 장치(100)의 프로세서(110)는 단계(S130)에서 신경망 모델을 학습시킨 경우, 학습된 신경망 모델에 입력 영상을 입력하여 생성된 분석 결과를 획득할 수 있다. 그리고, 프로세서(110)는 분석 결과를 사용자에게 제공할 수 있다(S140).

여기서, 분석 결과는 제 1 신경망 모델에 입력 영상을 입력하여 획득된 특징 맵에 기초하여 복수의 클래스가 표현된 시각화 정보를 포함할 수 있다.

예를 들어, 시각화 정보는 정상인 경우, 입력 영상 상에서 기 설정된 오브젝트가 상이하게 표시된 영상을 포함할 수 있다. 또한, 시각화 정보는 기 설정된 오브젝트에 병변이 존재하는 경우, 입력 영상 상에서 병변이 상이하게 표시된 영상을 포함할 수 있다. 여기서, 병변은 악성 또는 양성인지에 따라 상이하게 표시될 수 있다. 추가로, 시각화 정보는 기 설정된 오브젝트 중 일부분에만 병변이 존재하는 경우, 입력 영상 상에서 기 설정된 오브젝트와 병변이 존재하는 일부분 각각이 상이하게 표시된 영상을 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.

한편, 분석 결과는 제 2 신경망 모델에 입력 영상을 입력하여 획득된 클래스 정보를 포함할 수 있다. 구체적으로, 클래스 정보는 복수의 클래스 각각과 관련된 값들 중 기 설정된 임계 값을 초과하는 클래스에 해당한다는 정보 및 클래스에 해당하는 정도를 나타내는 정보 중 적어도 하나를 포함할 수 있다.

예를 들어, 클래스 정보는 입력 영상에 포함된 기 설정된 오브젝트가 정상인지 여부, 악성 병변이 존재하는지 여부 또는 양성 병변이 존재하는지 여부에 대한 정보를 포함할 수 있다. 또한, 클래스 정보는 입력 영상에 포함된 기 설정된 오브젝트가 정상일 확률, 악성 병변이 존재할 확률 또는 양성 병변이 존재할 확률에 대한 정보를 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.

이하, 제 2 신경망 모델(20)에 대한 설명은 도 6을 참조하여 후술한다.

상술한 바와 같이, 본 개시의 컴퓨팅 장치(100)는 입력 영상(구체적으로, 의료 영상)의 분석 결과에 대한 시각화 정보 및 클래스 정보 중 적어도 하나를 사용자에게 제공하여, 사용자의 신속한 진단을 야기하고, 진단의 편의성을 증대시킬 수 있다.

도 5는 본 개시의 몇몇 실시예에 따른 제 1 신경망 모델의 일례를 설명하기 위한 도면이다.

도 5를 참조하면, 제 1 신경망 모델(10)의 인코더(11)는 입력 데이터의 차원을 감소시킬 수 있는 심층 신경망 구조를 가지고, 디코더(12)는 입력 데이터의 차원을 증가시킬 수 있는 심층 신경망 구조를 가질 수 있다. 구체적으로, 제 1 신경망 모델(10)의 인코더(11)는 입력 데이터의 차원을 감소시키는 적어도 하나의 차원 감소 블록을 포함할 수 있다. 그리고, 디코더(12)는 적어도 하나의 차원 감소 블록에서 출력되는 데이터를 이용하여 인코더(11)에서 출력되는 출력 데이터의 차원을 증가시키는 적어도 하나의 차원 증가 블록을 포함할 수 있다.

한편, 도 5의 도시에서 각 레이어의 상단 부분의 숫자는 각 레이어의 예시적인 채널의 수(예를 들어, 32, 64, 128)일 수 있다. 또한, 각 레이어의 좌측면 부분의 숫자는 각 레이어에서 처리되는 영상의 예시적인 픽셀의 수(예를 들어, 512x512, 256x256, 128x128 등)일 수 있다. 그리고, 도 5에 도시된 제 1 신경망 모델(10)의 연산의 화살표 방향을 따라 가면 영상의 예시적인 픽셀의 수가 감소하였다가 증가하는 것에서 영상의 차원이 감소되었다가 다시 증가함을 확인할 수 있다.

구체적으로, 도 5에 도시된 제 1 화살표(14)는 영상에 컨벌루셔널 필터를 적용시키는 컨벌루셔널 동작을 의미할 수 있다. 예를 들어, 제 1 화살표(14)는 3*3 컨벌루셔널 필터를 영상에 적용하는 컨벌루셔널 동작일 수 있다. 제 2 화살표(15)는 차원 감소된 영상의 차원을 증가시키기 위해 필요한 정보를 인코더(11)의 차원 감소 블록에서 대응하는 디코더(12)의 차원 증가 블록으로 전송하는 동작을 의미할 수 있다. 즉, 제 2 화살표(15)는 스킵 커넥션(13)의 동작을 의미할 수 있다. 제 3 화살표(16)는 영상의 픽셀을 감소시키기 위한 풀링 동작을 의미할 수 있다. 예를 들어, 제 3 화살표(16)는 평균 값을 추출하는 애버리지 풀링(average pooling) 또는 최대 값을 추출하는 맥스 풀링(max pooling)일 수 있으나 본 개시는 이에 제한되지 않는다. 제 4 화살표(17)는 영상의 차원을 증가시키는 컨벌루셔널 동작을 의미할 수 있다. 예를 들어, 제 4 화살표(17)는 2*2 컨벌루셔널 필터를 이용한 컨벌루셔널 동작일 수 있다. 제 5 화살표(18)는 완전 연결 레이어에 출력을 전달하기 위한 컨벌루셔널 동작을 의미할 수 있다. 예를 들어, 제 5 화살표(18)는 1*1 컨벌루셔널 필터를 이용한 컨벌루셔널 동작일 수 있다. 디코더(12)의 차원 증가 블록(12-2, 12-3)에 포함된 빗금이 쳐진 직사각형은 영상의 차원 증가를 위한 정보를 인코더(11)의 차원 감소 블록(11-1, 11-2)의 대응하는 레이어로부터 전달받음을 의미할 수 있다.

상술한 제 1 신경망 모델(10)을 구성하는 인코더(11)는 이미지 데이터를 차원을 가진 행렬로 나타내어 처리할 수 있다. 예를 들어, RGB(red-green-blue)로 인코딩된 이미지 데이터의 경우, R, G, B 색상별로 각각 2차원(예를 들어, 2 차원 이미지인경우) 행렬로 나타내 질 수 있다. 즉, 이미지 데이터의 각 픽셀의 색상값이 행렬의 성분이 될 수 있으며 행렬의 크기는 이미지의 크기와 같을 수 있다. 따라서 이미지 데이터는 3개의 2차원 행렬로(3차원의 데이터 어레이)로 나타내질 수 있다.

인코더(11)는 적어도 하나의 차원 감소 블록에 포함된 컨벌루셔널 필터를 이동해가며 컨벌루셔널 필터와 이미지의 각 위치에서의 행렬 성분끼리 곱하는 것으로 컨벌루셔널 과정(컨벌루셔널 레이어의 입출력)을 수행할 수 있다. 컨벌루셔널 필터는 n*n 형태의 행렬로 구성될 수 있으며, 일반적으로 이미지의 전체 픽셀의 수보다 작은 고정된 형태의 필터로 구성될 수 있다. 즉, m*m 이미지를 컨벌루셔널 레이어(예를 들어, 컨벌루셔널 필터의 사이즈가 n*n인 컨벌루셔널 레이어)입력시키는 경우, 이미지의 각 픽셀을 포함하는 n*n 픽셀을 나타내는 행렬이 컨벌루셔널 필터와 성분곱(즉, 행렬의 각 성분끼리의 곱) 될 수 있다. 컨벌루셔널 필터와의 곱에 의하여 이미지에서 컨벌루셔널 필터와 매칭되는 성분이 추출될 수 있다. 예를 들어, 이미지에서 상하 직선 성분을 추출하기 위한 3*3 컨벌루셔널 필터는 [[0,1,0], [0,1,0], [0,1,0]] 와 같이 구성될 수 있으며, 이러한 컨벌루셔널 필터가 입력 이미지에 적용되면 이미지에서 컨벌루셔널 필터와 매칭되는 상하 직선 성분이 추출되어 출력될 수 있다. 컨벌루셔널 레이어는 이미지를 나타낸 각각의 채널에 대한 각각의 행렬(즉, R, G, B 코딩 이미지의 경우, R, G, B 색상)에 컨벌루셔널 필터를 적용할 수 있다. 컨벌루셔널 레이어는 입력 이미지에 컨벌루셔널 필터를 적용하여 입력 이미지에서 컨벌루셔널 필터와 매칭되는 피쳐를 추출할 수 있다. 컨벌루셔널 필터의 필터 값(즉, 행렬의 각 성분의 값)은 컨벌루셔널 뉴럴 네트워크의 학습 과정에서 역전파(back propagation)에 의하여 업데이트 될 수 있다.

한편, 본 개시의 몇몇 실시예에 따르면, 제 1 신경망 모델(10)은 이미지 세그먼테이션을 위하여 영상의 차원을 감소시키는 과정에서, 차원 증가를 위한 정보(예를 들어, 픽셀의 위치정보, 고레벨 피쳐 등)가 차원을 증가시키는 과정으로 전달될 수 있도록 하는 스킵 커넥션(13) 구조를 가질 수 있다. 즉, 제 1 신경망 모델(10)의 스킵 커넥션(13)은 차원 감소 블록(11-1, 11-2)의 각 레이어에서 차원 증가 블록(12-2, 12-3)에 대응되는 레이어로 피쳐의 위치 정보를 전달할 수 있다.

예를 들어, 제 1 신경망 모델(10)의 스킵 커넥션(13)은 인코더(11)에서 입력과 가장 가까운 제 1 레이어에서 디코더(12)의 출력과 가장 가까운 마지막 레이어로 정보를 전달할 수 있다. 전달되는 정보는 차원 증가 네트워크(530)에서 차원이 감소된 영상의 차원을 증가시키기 위해 필요한 정보(예를 들어, 피쳐, 피쳐의 위치정보, 각 피쳐가 추출된 픽셀의 위치정보, 원본 영상의 픽셀 위치 정보)를 포함할 수 있다.

이 경우, 영상의 차원을 감소시켰다가 차원을 증가시키는 과정에서 유실될 수 있는 픽셀의 위치 정보를 복원할 수 있다. 따라서, 픽셀의 위치 정보가 영상 차원을 증가시키는 과정에서 복구될 수 있으므로 제 1 신경망 모델(10)은 픽셀의 위치 정보가 필수적인 영상 세그먼테이션에 사용될 수 있다.

본 개시의 몇몇 실시예에 따르면, 제 1 신경망 모델(10)의 인코더(11)는 입력 영상(input)을 입력 받을 수 있다. 이 경우 인코더(11)는 차원 감소 블록을 이용해 입력 영상의 차원을 감소시킬 수 있다. 여기서, 입력 영상 각각은 복수 개의 슬라이스들로 구성된 슬라이스 그룹(묶음)일 수 있다. 즉, 복수 개의 슬라이스들이 하나의 입력으로 제 1 신경망 모델(10)에 입력될 수 있다.

구체적으로, 적어도 하나의 차원 감소 블록들 중 입력 데이터가 최초로 입력되는 제 1 차원 감소 블록(11-1)은 적어도 하나의 컨볼루션 레이어를 포함할 수 있다. 그리고, 제 1 차원 감소 블록(11-1)은 적어도 하나의 컨볼루션 레이어를 통해 입력 데이터의 차원을 감소시킬 수 있다. 여기서, 제 1 차원 감소 블록(11-1)에 포함된 적어도 하나의 컨볼루션 레이어 각각은 3*3 컨벌루셔널 필터를 이용할 수 있다. 다만, 이에 한정되는 것은 아니다.

한편, 제 1 차원 감소 블록(11-1)에서 출력되는 데이터가 입력되는 제 2 차원 감소 블록(11-2)은 평균 값을 추출하는 애버리지 풀링 레이어 또는 최대 값을 추출하는 맥스 풀링 레이어를 포함할 수 있다.

한편, 적어도 하나의 차원 감소 블록 중 최종층에 배치되는 제 3 차원 감소 블록(11-3)은 과적합을 방지하기 위한 드롭 아웃 레이어(dropout layer)를 더 포함할 수 있다. 여기서, 드롭 아웃 레이어는, 학습의 과정에서 네트워크의 노드 일부를 생략함으로써 과적합을 방지할 수 있는 레이어일 수 있다. 다만, 이에 한정되는 것은 아니다.

본 개시의 몇몇 실시예에 따르면, 드랍아웃 레이어는 2차원 구조의 입력 데이터에 대한 과적합을 방지하기 위한 2D(dimension) 드랍아웃 레이어 일 수 있다. 다만, 이에 한정되는 것은 아니다.

한편, 제 1 신경망 모델(10)의 디코더(12)는 적어도 하나의 차원 감소 블록에서 출력되는 데이터를 이용하여 인코더(11)에서 출력되는 출력 데이터의 차원을 증가시키는 적어도 하나의 차원 증가 블록을 포함할 수 있다.

구체적으로, 인코더(11)의 최종층에 배치되는 제 3 차원 감소 블록(11-3)에서 출력되는 출력 데이터는 적어도 하나의 차원 증가 블록 중 제 1 차원 증가 블록(12-1)에 입력될 수 있다. 이때, 제 1 차원 증가 블록(12-1)은 적어도 하나의 컨볼루션 레이어 및 적어도 하나의 디컨볼루션 레이어(또는, 업컨볼루션 레이어)를 포함할 수 있다. 그리고, 제 1 차원 증가 블록(12-1)은 적어도 하나의 컨볼루션 레이어 및 적어도 하나의 디컨볼루션 레이어를 통해 입력 데이터의 차원을 증가시킬 수 있다.

그리고, 적어도 하나의 차원 증가 블록 중 최종층에 배치되는 제 3 차원 증가 블록(12-3)에서 출력되는 출력 데이터는 제 1 신경망 모델(10)의 출력 데이터(output)일 수 있다. 그리고, 출력 데이터(output)는 입력 데이터(input)와 동일한 크기의 픽셀 수(예를 들어, 512x512)를 가질 수 있다.

상술한 바와 같이, 제 1 신경망 모델(10)은 입력 영상(input)이 입력되면, 차원 감소 및 증가를 통해 입력 영상(input)에 포함된 기 설정된 오브젝트를 인식한 결과 데이터를 출력할 수 있다.

구체적으로, 제 1 신경망 모델(10)은 기 설정된 오브젝트에 병변이 존재하는 경우, 입력 영상(input) 상에서 기 설정된 오브젝트와 병변이 상이하게 표시된 영상(output, 상단 이미지)을 출력할 수 있다. 여기서, 병변은 악성 또는 양성인지 여부에 따라 다르게 표시될 수 있다.

한편, 제 1 신경망 모델은 기 설정된 오브젝트에 병변이 존재하지 않는 경우, 입력 영상(input) 상에서 기 설정된 오브젝트가 상이하게 표시된 영상(output, 하단 이미지)을 출력할 수 있다.

좀더 구체적으로, 제 1 신경망 모델(10)은 입력 영상(input)이 입력되는 경우, 기 설정된 오브젝트, 양성 병변 및 악성 병변 각각의 위치 정보를 포함하는 특징 맵을 출력할 수 있다.

예를 들어, 제 1 신경망 모델(10)은 기 설정된 오브젝트의 위치에는 1, 양성 병변의 위치에는 2, 악성 병변의 위치에는 3이 표시되고, 나머지 위치(즉, 배경)에는 0이 표시되는 특징 맵을 출력할 수 있다.

한편, 컴퓨팅 장치(100)의 프로세서(110)는 입력 영상(input)과 특징 맵을 이용하여 도 5에 도시된 바와 같은 시각화된 정보를 생성하여 사용자에게 제공할 수 있다.

따라서, 컴퓨팅 장치(100)는 입력 영상(구체적으로, 의료 영상)의 분석 결과에 대한 시각화 정보를 사용자에게 제공하여, 사용자의 신속한 진단을 야기하고, 진단의 편의성을 증대시킬 수 있다.

이하, 사용자에게 제공되는 시각화 정보에 대한 예시는 도 7을 참조하여 후술한다.

도 6은 본 개시의 몇몇 실시예에 따른 제 2 신경망 모델의 일례를 설명하기 위한 도면이다.

도 6을 참조하면, 제 2 신경망 모델(20)의 인셉션 레이어(21)는 입력 영상(input)을 입력 받을 수 있다. 여기서, 입력 영상 각각은 복수 개의 슬라이스들로 구성된 슬라이스 그룹(묶음)일 수 있다. 즉, 복수 개의 슬라이스들이 하나의 입력으로 제 2 신경망 모델(20)에 입력될 수 있다.

여기서, 인셉션 레이어(21)는 예를 들어, inception V3 모델일 수 있다. 또한, 인셉션 레이어(21)는 2D(dimension) 이미지를 분석하기 위한 알고리즘으로 구성될 수 있다. 도 4의 설명에서 상술한 바와 같이, 인셉션 레이어(21)는 피처 맵(Feature Map)을 이용하여 기울기 소실을 완화하고, 기존 모델보다 깊은 신경망으로 구축될 수 있다. 또한, 인셉션 레이어(21)는 기존 모델보다 적은 연산량이 요구될 수 있다. 이 경우, 인셉션 레이어(21)는 보다 많고 다양한 환자들의 케이스를 구별할 수 있는 영상 피처 추출이 가능할 수 있다.

구체적으로, 인셉션 레이어(21)는 서로 다른 크기를 갖는 복수의 필터를 이용하여 입력 영상의 피처(feature)를 추출할 수 있다. 좀더 구체적으로, 인셉션 레이어(21)는 서로 다른 크기를 갖는 복수의 컨벌루션 레이어들을 이용하여 복수의 크기를 갖는 복수의 피처들을 추출할 수 있다. 다만, 이에 한정되는 것은 아니다.

상술한 인셉션 레이어(21)에 관한 구체적인 내용에 대한 설명은 본 출원에서 전체가 참조로 통합되는 논문 "Rethinking the Inception Architecture for Computer Vision"에서 구체적으로 논의된다.

한편, 인셉션 레이어(21)에서 출력되는 출력 데이터는 벡터화(vectorization)될 수 있다. 그리고, 벡터화된 출력 데이터는 시계열 데이터(time-series data)로 LSTM 레이어(22)에 입력될 수 있다.

제 2 신경망 모델(20)의 LSTM 레이어(22)는 복수의 신경망 모듈을 반복시키는 체인과 같은 형태를 가질 수 있다. 또한, LSTM 레이어(22)는 이전에 입력된 데이터의 중요도를 판단하여, 이전에 입력된 데이터에 가중치를 부가하는 게이트 레이어(gate layer)를 포함할 수 있다. 그리고, LSTM 레이어(22)는 이전에 입력된 데이터를 이용하여 입력 데이터의 클래스를 예측할 수 있다.

도 4의 설명에서 상술한 바와 같이, LSTM 레이어(22)는 순환신경망에서 장기 의존성 문제(the problem of Long Term Dependencies)를 해결할 수 있다. 또한, LSTM 레이어(22)는 입력되는 데이터가 의료 영상과 같이 상관 계열(correlated series)일 때 높은 성능이 발휘될 수 있다. 다만, 이에 한정되는 것은 아니다.

상술한 LSTM 레이어(21)에 관한 구체적인 내용에 대한 설명은 본 출원에서 전체가 참조로 통합되는 논문 "LONG SHORT-TERM MEMORY, Neural Computation 9(8):1735-1780, 1997"에서 구체적으로 논의된다.

한편, 제 2 신경망 모델(20)의 DENSE 레이어(23)는 입력 뉴런 수에 관계없이 출력 뉴런 수를 설정할 수 있는 출력 레이어일 수 있다. 이러한 DENSE 레이어(23)는 LSTM 레이어의 출력을 입력 받고, 클래스 정보를 출력할 수 있다.

상술한 바와 같이, 제 2 신경망 모델(20)은 입력 영상(input)이 입력되면, 인셉션 레이어(21), LSTM 레이어(22) 및 DENSE 레이어(23)를 거쳐, 입력 영상(input)이 복수의 클래스 중 어느 클래스와 관련된 영상인지에 대한 클래스 정보(output)를 출력할 수 있다.

여기서, 클래스 정보는 입력 영상에 포함된 기 설정된 오브젝트가 정상(normal)인지 여부에 대한 정보, 기 설정된 오브젝트의 병변이 악성인지 여부에 대한 정보(malignant) 또는, 기 설정된 오브젝트의 병변이 양성인지 여부에 대한 정보(benign)를 포함할 수 있다. 또한, 클래스 정보는 기 설정된 오브젝트가 정상일 확률, 악성 병변이 존재할 확률 또는 양성 병변이 존재할 확률에 대한 정보를 포함할 수 있다.

한편, 컴퓨팅 장치(100)의 프로세서(110)는 입력 영상(input)에 대한 클래스 정보(output)를 사용자에게 제공할 수 있다.

따라서, 컴퓨팅 장치(100)는 입력 영상(구체적으로, 의료 영상)에 포함된 기 설정된 오브젝트(구체적으로, 병변 판정 대상)에 병변이 존재하는지 여부와 같은 분석 결과에 대한 정보를 사용자에게 제공하여, 사용자의 신속한 진단을 야기하고, 진단의 편의성을 증대시킬 수 있다.

이하, 사용자에게 제공되는 클래스 정보에 대한 예시는 도 7을 참조하여 후술한다.

도 7은 본 개시의 몇몇 실시예에 따른 입력 영상에 대한 분석 결과 화면의 일례를 설명하기 위한 도면이다.

본 개시의 몇몇 실시예에 따르면, 컴퓨팅 장치(100)의 프로세서(110)는 학습된 신경망 모델에 입력 영상을 입력하여 생성된 분석 결과를 사용자에게 제공할 수 있다. 여기서, 분석 결과는 제 1 신경망 모델에 입력 영상을 입력하여 획득된 특징 맵에 기초하여 복수의 클래스가 표현된 시각화 정보 및 제 2 신경망 모델에 입력 영상을 입력하여 획득된 클래스 정보 중 적어도 하나를 포함할 수 있다.

예를 들어, 프로세서(110)는 컴퓨팅 장치(100)의 디스플레이부를 통해 분석 결과를 사용자에게 제공할 수 있다. 또한, 프로세서(110)는 컴퓨팅 장치(100)의 네크워크부를 이용하여, 사용자 단말로 분석 결과를 전송할 수 있다. 이 경우, 사용자는 사용자 단말의 디스플레이부를 통해 분석 결과 화면을 확인할 수 있다.

일례로, 도 7의 (a)를 참조하면, 분석 결과 화면(30)은 입력 영상에 병변이 존재하는 것으로 판단된 경우에 사용자에게 보여질 수 있는 화면이다.

구체적으로, 분석 결과 화면(30)은 입력 영상에 병변이 존재할 확률 또는, 입력 영상에 악성 병변이 존재할 확률에 대한 정보(31)를 포함할 수 있다. 예를 들어, 분석 결과 화면(30)은 "입력 영상에 포함된 기 설정된 오브젝트에 악성 병변이 존재할 확률이 88%"라는 정보를 포함할 수 있다.

또한, 분석 결과 화면(30)은 입력 영상에 병변 또는 기 설정된 오브젝트(예컨대, 신체 장기)가 상이하게 표시된 영상(32)을 포함할 수 있다. 예를 들어, 분석 결과 화면(30)은 입력 영상에 병변이 존재하는 경우, 입력 영상에서 병변(34)과 기 설정된 오브젝트(33)가 상이하게 표시된 영상을 포함할 수 있다.

다른 일례로, 도 7의 (b)를 참조하면, 분석 결과 화면(40)은 입력 영상에 병변이 존재할 확률 또는, 입력 영상에 악성 병변이 존재할 확률에 대한 정보(41)를 포함할 수 있다. 예를 들어, 분석 결과 화면(40)은 "입력 영상에 포함된 기 설정된 오브젝트가 정상일 확률이 91%"라는 정보를 포함할 수 있다.

또한, 분석 결과 화면(40)은 입력 영상에 병변 또는 기 설정된 오브젝트(예컨대, 신체 장기)가 상이하게 표시된 영상(42)을 포함할 수 있다. 예를 들어, 분석 결과 화면(40)은 입력 영상에 병변이 존재하지 않는 경우(즉, 정상인 경우), 입력 영상에서 기 설정된 오브젝트(43)만 상이하게 표시된 영상을 포함할 수 있다.

따라서, 사용자는 임상 현장에서 컴퓨팅 장치(100)의 디스플레이부 또는, 사용자 단말을 이용하여 입력 영상의 분석 결과를 손쉽게 인식할 수 있다.

도 8은 본 개시의 몇몇 실시예에 따른 영상을 분석하는 방법의 정확도를 설명하기 위한 도면이다.

도 8을 참조하면, 입력 영상이 복수의 클래스 중 어느 클래스와 관련된 영상인지에 대한 클래스 정보를 출력하는 다양한 신경망 모델들의 정확도를 산출하였다.

구체적으로, 그래프의 제 1 영역(71)을 참조하면, Vanilla CNN 모델에서 출력된 클래스 정보는 0.78의 정확도와 0.65의 매크로 평균 정확도를 갖는다. Inception 모델에서 출력된 클래스 정보는 0.87의 정확도와 0.83의 매크로 평균 정확도를 갖는다. ResNet 모델에서 출력된 클래스 정보는 0.69의 정확도와 0.57의 매크로 평균 정확도를 갖는다.

한편, 그래프의 제 2 영역(72)을 참조하면, 본 개시의 제 2 신경망 모델인 Inception과 LSTM이 결합된 모델에서는 0.95의 정확도와 0.93의 매크로 평균 정확도를 갖는다.

즉, 인셉션 레이어, LSTM 레이어 및 DENSE 레이어를 포함하는 본 개시의 제 2 신경망 모델은 클래스 정보에 대한 높은 정확도를 가질 수 있다.

따라서, 본 개시의 제 2 신경망 모델은 클래스 정보에 대한 신뢰성을 보장할 수 있다.

도 9는 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 (11)

1. 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 영상을 분석하는 방법에 있어서,
   학습용 영상에 포함된 슬라이스들 중에서 연속성을 갖는 기 설정된 개수의 슬라이스들을 순차적으로 그룹화하여 복수의 슬라이스 그룹을 추출하는 단계;
   상기 복수의 슬라이스 그룹으로 구성된 학습 데이터 세트를 생성하는 단계; 및
   상기 학습 데이터 세트를 이용하여 입력 영상을 분석하기 위한 신경망 모델을 학습시키는 단계;
   를 포함하는,
   영상을 분석하는 방법.
   
2. 제 1 항에 있어서,
   상기 복수의 슬라이스 그룹 각각은,
   다른 슬라이스 그룹에 포함된 슬라이스들 중 적어도 하나를 포함하는,
   영상을 분석하는 방법.
   
3. 제 1 항에 있어서,
   상기 신경망 모델은,
   기 설정된 오브젝트와 관련된 복수의 클래스를 표현하는 적어도 하나의 값을 포함하는 특징 맵을 출력하는 제 1 신경망 모델; 및
   상기 입력 영상이 상기 복수의 클래스 중 어느 클래스와 관련된 영상인지에 대한 클래스 정보를 출력하는 제 2 신경망 모델;
   을 포함하는,
   영상을 분석하는 방법.
   
4. 제 3 항에 있어서,
   상기 제 1 신경망 모델은,
   상기 입력 영상의 차원을 감소시키는 적어도 하나의 차원 감소 블록을 포함하는 인코더;
   상기 인코더에서 출력되는 데이터의 차원을 증가시키는 적어도 하나의 차원 증가 블록을 포함하는 디코더; 및
   상기 디코더에서 차원을 증가시킬 때 활용되는 정보를 상기 인코더에서 상기 디코더로 전달하는 스킵 커넥션;
   을 포함하는,
   영상을 분석하는 방법.
   
5. 제 3 항에 있어서,
   상기 제 2 신경망 모델은,
   서로 다른 크기를 갖는 복수의 필터를 이용하여 상기 입력 영상의 피처(feature)를 추출하는 인셉션(Inception) 레이어;
   상기 피처를 입력 받는 경우, 장-단기 메모리를 이용하여 상기 피처를 분류하는 LSTM(Long Short Term Memory) 레이어; 및
   상기 LSTM 레이어의 출력을 입력 받고, 상기 클래스 정보를 출력하는 DENSE 레이어;
   를 포함하는,
   영상을 분석하는 방법.
   
6. 제 3 항에 있어서,
   상기 신경망 모델에 상기 입력 영상을 입력하여 생성된 분석 결과를 사용자에게 제공하는 단계;
   를 더 포함하고,
   상기 분석 결과는:
   상기 제 1 신경망 모델에 상기 입력 영상을 입력하여 획득된 특징 맵에 기초하여 상기 복수의 클래스가 표현된 시각화 정보; 및
   상기 제 2 신경망 모델에 상기 입력 영상을 입력하여 획득된 상기 클래스 정보;
   를 포함하는,
   영상을 분석하는 방법.
   
7. 제 6 항에 있어서,
   상기 클래스 정보는,
   상기 복수의 클래스 각각과 관련된 값들 중 기 설정된 임계 값을 초과하는 클래스에 해당한다는 정보 및 상기 클래스에 해당하는 정도를 나타내는 정보 중 적어도 하나를 포함하는,
   영상을 분석하는 방법.
   
8. 제 1 항에 있어서,
   상기 슬라이스들은,
   상기 학습용 영상에 포함된 복수의 슬라이스들 중에서 기 설정된 오브젝트가 포함된 슬라이스들인,
   영상을 분석하는 방법.
   
9. 제 1 항에 있어서,
   상기 슬라이스들은,
   기 설정된 제 1 알고리즘을 통해 콘트라스트(contrast)가 최적화되고, 기 설정된 제 2 알고리즘을 통해 노이즈가 제거된 슬라이스들인,
   영상을 분석하는 방법.
   
10. 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서,
    상기 컴퓨터 프로그램은 컴퓨팅 장치의 프로세서로 하여금 이하의 단계들을 수행하기 위한 명령들을 포함하며, 상기 단계들은:
    학습용 영상에 포함된 슬라이스들 중에서 연속성을 갖는 기 설정된 개수의 슬라이스들을 순차적으로 그룹화하여 복수의 슬라이스 그룹을 추출하는 단계;
    상기 복수의 슬라이스 그룹으로 구성된 학습 데이터 세트를 생성하는 단계; 및
    상기 학습 데이터 세트를 이용하여 입력 영상을 분석하기 위한 신경망 모델을 학습시키는 단계;
    를 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    
11. 컴퓨팅 장치에 있어서,
    신경망 모델을 저장하는 메모리; 및
    입력 영상을 분석하기 위해 상기 신경망 모델에 상기 입력 영상을 입력하는 프로세서;
    를 포함하고,
    상기 프로세서는,
    학습용 영상에 포함된 슬라이스들 중에서 연속성을 갖는 기 설정된 개수의 슬라이스들을 순차적으로 그룹화하여 복수의 슬라이스 그룹을 추출하고,
    상기 복수의 슬라이스 그룹으로 구성된 학습 데이터 세트를 생성하고,
    상기 학습 데이터 세트를 이용하여 상기 입력 영상을 분석하기 위한 상기 신경망 모델을 학습시키는,
    컴퓨팅 장치.
    
    

Images