KR20230006306A - 이미지 처리 방법 - Google Patents
이미지 처리 방법 Download PDFInfo
- Publication number
- KR20230006306A KR20230006306A KR1020210087349A KR20210087349A KR20230006306A KR 20230006306 A KR20230006306 A KR 20230006306A KR 1020210087349 A KR1020210087349 A KR 1020210087349A KR 20210087349 A KR20210087349 A KR 20210087349A KR 20230006306 A KR20230006306 A KR 20230006306A
- Authority
- KR
- South Korea
- Prior art keywords
- image
- neural network
- information
- oral cavity
- generating
- Prior art date
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 9
- 238000003062 neural network model Methods 0.000 claims abstract description 151
- 210000000214 mouth Anatomy 0.000 claims abstract description 120
- 238000012545 processing Methods 0.000 claims abstract description 97
- 238000000034 method Methods 0.000 claims abstract description 77
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 73
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 73
- 239000002131 composite material Substances 0.000 claims abstract description 69
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 65
- 238000004088 simulation Methods 0.000 claims abstract description 55
- 238000013135 deep learning Methods 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims description 127
- 230000008569 process Effects 0.000 claims description 54
- 238000000605 extraction Methods 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 37
- 238000003860 storage Methods 0.000 claims description 24
- 239000007943 implant Substances 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 4
- 238000011282 treatment Methods 0.000 abstract description 26
- 238000004321 preservation Methods 0.000 abstract description 5
- 238000013136 deep learning model Methods 0.000 description 28
- 238000010586 diagram Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 13
- 230000000873 masking effect Effects 0.000 description 12
- 238000012549 training Methods 0.000 description 12
- 230000003287 optical effect Effects 0.000 description 9
- 238000002513 implantation Methods 0.000 description 7
- 230000011218 segmentation Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 239000000203 mixture Substances 0.000 description 5
- 241000282326 Felis catus Species 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000036961 partial effect Effects 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 238000011328 necessary treatment Methods 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- 238000002054 transplantation Methods 0.000 description 2
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 1
- 235000009499 Vanilla fragrans Nutrition 0.000 description 1
- 244000263375 Vanilla tahitensis Species 0.000 description 1
- 235000012036 Vanilla tahitensis Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013498 data listing Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 210000003298 dental enamel Anatomy 0.000 description 1
- 210000004268 dentin Anatomy 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000001493 electron microscopy Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000000415 inactivating effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30036—Dental; Teeth
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 딥러닝 기반 이미지 처리 방법이 개시된다. 상기 방법은, 구강 이미지를 제 1 뉴럴 네트워크 모델에 입력하여, 상기 구강 이미지에 대한 기하학적 정보(geometric information)를 생성하는 단계, 사용자로부터 입력된 합성 메타데이터(synthesis metadata)를 이용하여, 상기 구강 이미지로부터 제 1 합성 이미지를 생성하는 단계, 상기 합성 메타데이터에 기반한 이미지 처리 알고리즘을 상기 기하학적 정보에 적용함으로써, 가공된 기하학적 정보를 생성하는 단계 및 상기 제 1 합성 이미지 및 상기 가공된 기하학적 정보를 제 2 뉴럴 네트워크 모델에 입력하여, 상기 구강 이미지에 대한 시뮬레이션 결과를 나타내는 제 2 합성 이미지를 생성하는 단계를 포함할 수 있다.
Description
본 발명은 이미지 처리 방법에 관한 것으로, 보다 구체적으로 인공지능 기술에 기반하여 구강 이미지에 대한 시뮬레이션 결과를 나타내는 기술에 관한 것이다.
최근 치과 분야의 정보화는 환자자료와 진단영상의 취득과 관리 등을 포함하는 통합 정보화시스템의 형태로 급속히 발전되었다. 이러한 시스템이 성공하기 위해서는 의사가 정확하게 질환을 진단하고 치료하도록 양질의 정보를 제공하여, 환자들에게 필요한 치료를 효과적으로 결정할 수 있는 기능이 확보될 필요가 있다.
필요한 치료의 설명을 위해 환자들에게 양질의 정보를 제공하는데 있어 치료 전, 과정, 후를 나타낼 수 있는 시뮬레이션 모델이 이용될 수 있다. 임플란트의 경우, 종래의 시뮬레이션 기술에 따르면, 임플란트 식립 위치, 각도, 픽스처(fixture)의 직경 및 각도를 사용자가 수동으로 설정한 후 시뮬레이션을 진행해야 하는 부담이 존재하는 바 구동 방법이 복잡하고, 시간이 크게 소모되는 문제가 존재한다.
최근 딥 러닝 기술은 컴퓨터 비전 및 영상처리 분야의 비약적인 발전을 선도하며 핵심 기술로 자리 잡고 있다. 이에, 환자에게 필요한 치료를 제공하기 위해서는 딥 러닝 기술을 이용하여 보다 간단하고, 신속하게 치료후의 상태나 치료과정의 모습을 보여줄 수 있는 시뮬레이션 기술이 요구되는 실정이다.
미국 등록특허 제10-912633호(2021.02.09.)는 치아 이식을 위한 시뮬레이션에 관하여 개시한다.
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 딥러닝을 기반으로 치아에 대한 정보의 보존 및 가공을 통해 환자에게 필요한 치료를 간단하고 신속하게 시뮬레이션 하는 것을 목적으로 한다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 구강 이미지 처리 방법이 개시된다. 상기 방법은, 구강 이미지를 제 1 뉴럴 네트워크 모델에 입력하여, 상기 구강 이미지에 대한 기하학적 정보(geometric information)를 생성하는 단계; 사용자로부터 입력된 합성 메타데이터(synthesis metadata)를 이용하여, 상기 구강 이미지로부터 제 1 합성 이미지를 생성하는 단계; 상기 합성 메타데이터에 기반한 이미지 처리 알고리즘을 상기 기하학적 정보에 적용함으로써, 가공된 기하학적 정보를 생성하는 단계; 및 상기 제 1 합성 이미지 및 상기 가공된 기하학적 정보를 제 2 뉴럴 네트워크 모델에 입력하여, 상기 구강 이미지에 대한 시뮬레이션 결과를 나타내는 제 2 합성 이미지를 생성하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 구강 이미지에 대한 기하학적 정보를 생성하는 단계는, 상기 구강 이미지에 포함된 치아의 윤곽선 및 잇몸의 윤곽선을 검출하는 단계; 및 상기 검출된 치아의 윤곽선 및 잇몸의 윤곽선을 포함하는, 상기 구강 이미지에 대한 기하학적 정보를 생성하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 제 1 합성 이미지를 생성하는 단계는, 상기 구강 이미지와 상기 합성 메타데이터 간의 이미지 곱셈 연산을 수행하는 단계; 및 상기 이미지 곱셈 연산에 기초하여, 상기 구강 이미지에 대한 제 1 합성 이미지를 생성하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 합성 메타 데이터는, 상기 구강 이미지에서의 합성 위치 및 합성 종류를 포함하며, 그리고 상기 합성 메타데이터에 기반한 이미지 처리 알고리즘은 상기 합성 메타데이터에 기초하여 상기 기하학적 정보 중에서 보존 대상 정보를 결정하고, 그리고 상기 합성 메타데이터에 기초하여 상기 기하학적 정보 중에서 보존 대상 정보 이외의 정보를 변경하는 방법을 포함할 수 있다.
대안적 실시예에서, 상기 합성 종류가 치아 발치를 포함하는 경우 상기 이미지 처리 알고리즘은 상기 검출된 잇몸의 윤곽선에 대한 기하학적 정보를 보존하는 단계; 및 상기 검출된 치아의 윤곽선에 대한 기하학적 정보 중 발치하고자 하는 치아의 윤곽선에 대한 기하학적 정보를 제거하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 합성 종류가 치아 이식(implant)을 포함하는 경우 상기 이미지 처리 알고리즘은 상기 검출된 치아의 윤곽선 및 잇몸의 윤곽선에 대한 기하학적 정보를 보존하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 합성 종류가 인공 치관(dental crown)을 포함하는 경우 상기 이미지 처리 알고리즘은 상기 검출된 잇몸의 윤곽선에 대한 기하학적 정보를 보존하는 단계; 및 상기 검출된 치아의 윤곽선에 대한 기하학적 정보 중 인공 치관하고자 하는 치아의 윤곽선에 대한 기하학적 정보를 제거하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 합성 메타데이터에 기반한 이미지 처리 알고리즘을 상기 기하학적 정보에 적용함으로써, 상기 가공된 기하학적 정보를 생성하는 단계는 상기 합성 메타 데이터로부터 합성 종류 정보 및 합성 위치 정보를 결정하는 단계; 상기 결정된 합성 위치 정보에 대응하는 치아 정보를 결정하는 단계; 및 상기 결정된 치아 정보 및 상기 합성 종류 정보를 기초로, 상기 가공된 기하학적 정보를 생성하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 결정된 합성 종류 정보는, 치아 발치, 치아 이식(implant), 인공 치관(dental crown) 중 적어도 하나를 포함할 수 있다.
대안적 실시예에서, 상기 구강 이미지에 대한 시뮬레이션 결과를 나타내는 제 2 합성 이미지를 생성하는 단계는 상기 제 1 합성 이미지, 상기 가공된 기하학적 정보 및 상기 합성 메타데이터를 제 2 뉴럴 네트워크 모델에 입력하여, 상기 제 2 합성 이미지를 생성하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 제 2 뉴럴 네트워크 모델은 추론(inference) 과정에서 사용되는 입력 데이터와 상이한 종류의 입력 데이터를 사용하여 사전 학습된 방법을 포함할 수 있다.
대안적 실시예에서, 상기 제 2 뉴럴 네트워크 모델의 학습 과정에서는 상기 제 1 합성 이미지 및 상기 기하학적 정보가 입력 데이터로서 사용되며, 그리고 상기 제 2 뉴럴 네트워크 모델의 추론 과정에서는, 상기 제 1 합성 이미지 및 상기 가공된 기하학적 정보가 입력 데이터로서 사용되는 방법을 포함할 수 있다.
대안적 실시예에서, 상기 제 2 뉴럴 네트워크 모델은 상기 구강 이미지를 상기 제 1 뉴럴 네트워크 모델에 입력하여 상기 구강 이미지에 대한 기하학적 정보를 생성하는 단계; 사용자로부터 입력된 합성 메타데이터를 이용하여, 상기 구강 이미지로부터 제 1 합성 이미지를 생성하는 단계; 상기 기하학적 정보 및 상기 제 1 합성 이미지를 상기 제 2 뉴럴 네트워크 모델에 입력하여, 상기 제 2 합성 이미지를 생성하는 단계; 및 상기 구강 이미지와 상기 제 2 합성 이미지 사이의 손실 함수(loss function)의 값에 기초하여 상기 제 2 뉴럴 네트워크 모델을 업데이트하는 단계를 포함하는 학습 과정에 의해 사전 학습되는 방법을 포함할 수 있다.
대안적 실시예에서, 상기 제 2 뉴럴 네트워크 모델은 복수의 서브 뉴럴 네트워크 모델들을 포함하며, 상기 합성 메타데이터는 복수의 합성 종류들 중 적어도 하나의 합성 종류를 나타내는 합성 종류 정보를 포함하며, 그리고 상기 복수의 서브 뉴럴 네트워크 모델들 각각은 상기 합성 메타데이터에 포함된 단일의 합성 종류 정보에 대응하여 독립적으로 학습되는 방법을 포함할 수 있다.
대안적 실시예에서, 상기 합성 메타데이터에 포함된 합성 종류 정보를 결정하는 단계; 및 상기 결정된 합성 종류 정보에 기초하여, 상기 제 2 뉴럴 네트워크 모델에 포함된 복수의 서브 뉴럴 네트워크 모델들 중에서, 상기 제 2 합성 이미지를 생성하기 위한 서브 뉴럴 네트워크 모델을 결정하는 단계를 더 포함하며, 상기 제 2 합성 이미지를 생성하는 단계는 상기 결정된 서브 뉴럴 네트워크 모델에 상기 제 1 합성 이미지 및 상기 가공된 기하학적 정보를 입력하여, 상기 제 2 합성 이미지를 생성하는 단계를 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 또다른 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 구강 이미지 처리 방법이 개시된다. 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 구강 이미지 처리 방법으로서, 구강 이미지를 제 1 뉴럴 네트워크 모델에 입력하여, 상기 구강 이미지에 대한 기하학적 정보(geometric information)를 생성하는 단계; 사용자로부터 입력된 합성 메타데이터에 기반한 이미지 처리 알고리즘을 상기 기하학적 정보에 적용함으로써, 가공된 기하학적 정보를 생성하는 단계; 상기 합성 메타데이터에 기초하여, 복수의 서브 뉴럴 네트워크 모델들을 포함하는 제 2 뉴럴 네트워크 모델 중 추론(inference)동작을 수행할 서브 뉴럴 네트워크 모델을 결정하는 단계; 및 ㅊ상기 결정된 서브 뉴럴 네트워크 모델을 이용하여, 상기 구강 이미지에 대한 시뮬레이션 결과를 나타내는 합성 이미지를 생성하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 복수의 서브 뉴럴 네트워크 모델들 각각은 단일의 합성 종류 정보 각각에 대응되어 독립적으로 사전학습되며, 그리고 상기 복수의 서브 뉴럴 네트워크 모델들을 포함하는 제 2 뉴럴 네트워크 모델 중 추론(inference)동작을 수행할 서브 뉴럴 네트워크 모델을 결정하는 단계는 상기 합성 메타데이터에 포함된 합성 종류 정보를 결정하는 단계; 및 상기 결정된 합성 종류 정보에 기초하여, 상기 제 2 뉴럴 네트워크 모델에 포함된 상기 복수의 서브 뉴럴 네트워크 모델들 중에서, 상기 합성 이미지를 생성하기 위한 서브 뉴럴 네트워크 모델을 결정하는 단계를 더 포함할 수 있다.
대안적 실시예에서, 상기 제 2 뉴럴 네트워크 모델의 학습 과정에서는 상기 제 1 합성 이미지 및 상기 기하학적 정보가 입력 데이터로서 사용되며, 그리고 상기 제 2 뉴럴 네트워크 모델의 추론 과정에서는, 상기 제 1 합성 이미지 및 상기 가공된 기하학적 정보가 입력 데이터로서 사용되는 방법을 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, 구강 이미지를 처리하는 동작들을 수행하도록 하며, 상기 동작들은: 구강 이미지를 제 1 뉴럴 네트워크 모델에 입력하여, 상기 구강 이미지에 대한 기하학적 정보(geometric information)를 생성하는 동작; 사용자로부터 입력된 합성 메타데이터(synthesis metadata)를 이용하여, 상기 구강 이미지로부터 제 1 합성 이미지를 생성하는 동작; 상기 합성 메타데이터에 기반한 이미지 처리 알고리즘을 상기 기하학적 정보에 적용함으로써, 가공된 기하학적 정보를 생성하는 동작; 및 상기 제 1 합성 이미지 및 상기 가공된 기하학적 정보를 제 2 뉴럴 네트워크 모델에 입력하여, 상기 구강 이미지에 대한 시뮬레이션 결과를 나타내는 제 2 합성 이미지를 생성하는 동작을 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 구강 이미지 처리를 수행하는 컴퓨팅 장치가 개시된다. 상기 장치는, 적어도 하나의 코어를 포함하는 프로세서; 상기 프로세서에서 실행 가능한 프로그램 코드들을 포함하는 메모리; 및 이미지를 수신하는 네트워크부를 포함하고, 상기 프로세서는 구강 이미지를 제 1 뉴럴 네트워크 모델에 입력하여, 상기 구강 이미지에 대한 기하학적 정보(geometric information)를 생성하고, 사용자로부터 입력된 합성 메타데이터(synthesis metadata)를 이용하여, 상기 구강 이미지로부터 제 1 합성 이미지를 생성하고, 상기 합성 메타데이터에 기반한 이미지 처리 알고리즘을 상기 기하학적 정보에 적용함으로써, 가공된 기하학적 정보를 생성하고, 그리고 상기 제 1 합성 이미지 및 상기 가공된 기하학적 정보를 제 2 뉴럴 네트워크 모델에 입력하여, 상기 구강 이미지에 대한 시뮬레이션 결과를 나타내는 제 2 합성 이미지를 생성할 수 있다.
본 개시의 일 실시예에 따라, 뉴럴 네트워크의 연산과 관련된 데이터를 저장하는 데이터 구조가 저장된 컴퓨터 판독가능한 기록 매체가 개시된다. 상기 데이터는 이하의 동작을 통해 획득되며, 상기 동작은 구강 이미지를 제 1 뉴럴 네트워크 모델에 입력하여, 상기 구강 이미지에 대한 기하학적 정보(geometric information)를 생성하는 동작; 사용자로부터 입력된 합성 메타데이터(synthesis metadata)를 이용하여, 상기 구강 이미지로부터 제 1 합성 이미지를 생성하는 동작; 상기 합성 메타데이터에 기반한 이미지 처리 알고리즘을 상기 기하학적 정보에 적용함으로써, 가공된 기하학적 정보를 생성하는 동작; 및 상기 제 1 합성 이미지 및 상기 가공된 기하학적 정보를 제 2 뉴럴 네트워크 모델에 입력하여, 상기 구강 이미지에 대한 시뮬레이션 결과를 나타내는 제 2 합성 이미지를 생성하는 동작을 포함할 수 있다.
본 개시의 일 실시예에 따른 방법을 통해, 딥 러닝을 기반으로 치아에 대한 정보의 보존 및 가공을 함으로써 환자에게 필요한 치료를 간단하고 신속하게 시뮬레이션 할 수 있다.
도 1은 본 개시의 일 실시예에 따른 구강 이미지 처리를 위한 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따라 네트워크 함수를 나타낸 개략도이다.
도 3은 본 개시의 일 실시예에 따른 딥러닝 모델의 구강 이미지 처리를 나타낸 블록 구성도이다.
도 4는 본 개시의 일 실시예에 따른 치아 발치 시뮬레이션 과정을 나타낸 도면이다.
도 5는 본 개시의 일 실시예에 따른 치아 발치 시뮬레이션 과정 중 기하학적 정보 가공 과정을 나타낸 도면이다.
도 6은 본 개시의 일 실시예에 따른 구강 이미지 처리를 위해서 딥러닝 모델의 학습 과정을 나타낸 도면이다.
도 7은 본 개시의 일 실시예에 따른 딥러닝 모델의 구강 이미지 처리를 나타낸 순서도이다.
도 8은 본 개시의 일 실시예에 따른 구강 이미지 처리를 위해서 딥러닝 모델의 학습 과정을 나타낸 순서도이다.
도 9는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 복수의 딥러닝 모델들을 이용하여 구강 이미지를 처리하는 과정을 나타낸 순서도이다.
도 10은 본 개시의 일 실시예에 따른 컴퓨팅 환경의 개략도이다.
도 2는 본 개시의 일 실시예에 따라 네트워크 함수를 나타낸 개략도이다.
도 3은 본 개시의 일 실시예에 따른 딥러닝 모델의 구강 이미지 처리를 나타낸 블록 구성도이다.
도 4는 본 개시의 일 실시예에 따른 치아 발치 시뮬레이션 과정을 나타낸 도면이다.
도 5는 본 개시의 일 실시예에 따른 치아 발치 시뮬레이션 과정 중 기하학적 정보 가공 과정을 나타낸 도면이다.
도 6은 본 개시의 일 실시예에 따른 구강 이미지 처리를 위해서 딥러닝 모델의 학습 과정을 나타낸 도면이다.
도 7은 본 개시의 일 실시예에 따른 딥러닝 모델의 구강 이미지 처리를 나타낸 순서도이다.
도 8은 본 개시의 일 실시예에 따른 구강 이미지 처리를 위해서 딥러닝 모델의 학습 과정을 나타낸 순서도이다.
도 9는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 복수의 딥러닝 모델들을 이용하여 구강 이미지를 처리하는 과정을 나타낸 순서도이다.
도 10은 본 개시의 일 실시예에 따른 컴퓨팅 환경의 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 개시에서 네트워크 함수, 인공 신경망, 뉴럴 네트워크(neural network), 뉴럴 네트워크 모델 및 딥러닝 모델은 상호 교환 가능하게 사용될 수 있다.
본 개시의 상세한 설명 및 청구항들에 걸쳐 표현된 "제 N(N은 자연수)"이라는 용어는 발명의 구성요소들을 기능적 혹은 구조적 관점에서 상호 구별하기 위해 사용되는 표현으로 이해될 수 있다. "제 N"이라는 용어는 소정의 기준에 따라 구성요소들을 구별하여 표현하기 위해 사용되는 용어로 이해될 수 있다. 예를 들어, 본 개시에서 동일한 신경망 구조에 기반하나 입출력 데이터 등의 차이로 서로 다른 기능을 수행하는 두 모델은 제 1 모델과 제 2 모델과 같이 제 N 구성이라는 표현을 통해 구별될 수 있다. 또한, 동일한 기능을 수행하나 서로 다른 신경망 구조에 기반하는 두 모델도 제 1 모델과 제 2 모델과 같이 제 N 구성이라는 표현을 통해 구별될 수 있다. 다만, 이는 하나의 예시일 뿐이며, 여러 관점에서 다양한 기준에 따라 구성요소들을 구별하기 위해 "제 N"이라는 용어가 사용될 수 있다.
본 발명의 상세한 설명에 걸쳐 사용되는 "영상", "영상 데이터", 또는 "이미지"라는 용어는 상호 교환 가능하게 사용될 수 있으며, 이산적 영상 요소들(예컨대, 2차원 영상에 있어서는 픽셀, 3차원 영상에 있어서는 복셀)로 구성된 다차원 데이터를 지칭한다. 예를 들어 "영상"은 X선 영상, (콘-빔형; con-beam) 전산화 단층 촬영(computed tomography), MRI(magnetic resonance imaging), 초음파 또는 본 발명의 기술분야에서 공지된 임의의 다른 의료 영상 시스템에 의하여 수집된 피사체, 즉 피검체(subject)의 의료 영상일 수 있다. 또한 영상은 비의료적 맥락에서 제공될 수도 있는바, 예를 들어 원격 감지 시스템(remote sensing system), 전자현미경(electron microscopy) 등등이 있을 수 있다.
본 발명의 상세한 설명에 걸쳐, 서로 상호 교환 가능하게 사용되는"이미지" 또는"영상"은 (예컨대, 비디오 화면에 표시된) 눈으로 볼 수 있는 영상 또는 (예컨대, X-ray, CT, MRI 검출기 등의 픽셀 출력에 대응되는 파일과 같은) 영상의 디지털 표현물을 지칭하는 용어이다.
도 1은 본 개시의 일 실시예에 따른 구강 이미지 처리를 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, 프로세서(110)는 구강 이미지를 제 1 뉴럴 네트워크 모델에 입력하여 구강 이미지에 대한 기하학적 정보(geometric information)를 생성할 수 있다. 구강 이미지는 인간을 포함한 동물의 구강 구조를 표현하는 '의료 영상'일 수 있다. 예를 들면, 구강 이미지는 환자의 치료 전 치아를 촬영한 CT 영상 또는 X선 파노라마 영상일 수 있다. 이러한 예시에서, 구강 이미지는 환자의 치아와 관련된 이미지 및 잇몸과 관련된 이미지를 포함할 수 있다. 구강 이미지를 입력 받는 제 1 뉴럴 네트워크 모델은 객체 검출을 수행하는 딥러닝 모델일 수 있다. 제 1 뉴럴 네트워크 모델은 '객체 감지'(object detection) 특성과 '의미론적 구분'(semantic segmentation)특성을 함께 지니는 딥러닝 모델일 수 있다. 이를 통해 구강 이미지로부터 치아에 대한 기하학적 정보를 획득할 수 있다. 일례로, 제 1 뉴럴 네트워크 모델은 세그멘테이션 모델을 포함할 수 있다.
치아에 대한 기하학적 정보는 치아 구조를 표현하는 임의의 형태의 정보일 수 있다. 즉, 기하학적 정보는 치아의 구조로부터 딥러닝 모델을 통해 추출된 특징으로 이해할 수 있다. 본 개시의 일 실시예에서, 기하학적 정보는 치아가 포함된 구강과 관련된 치수, 모양, 또는 상대적 위치 중 적어도 하나에 관한 정보를 포함할 수 있으며, 점, 선, 면, 도형 또는 공간 중 적어도 하나에 대한 정보로 표시될 수 있다. 일례로, 기하학적 정보는 치아의 윤곽선 및 잇몸의 윤곽선을 포함할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 사용자로부터 입력된 합성 메타데이터(synthesis metadata)를 이용하여 구강 이미지로부터 제 1 합성 이미지를 생성할 수 있다. 합성 메타데이터는 합성 이미지를 생성하는데 필요한 부가 정보를 의미할 수 있다. 합성 메타데이터는 치아의 합성 위치 및 합성 종류를 나타내는 데이터로서, 사용자가 치료의 목적에 맞게 합성 위치 및/또는 종류를 지정할 수 있다. 이를 위해 사용자로부터 입력된 합성 메타데이터는 후술할 제 2 뉴럴 네트워크 모델을 학습하는데 이용될 수 있다. 예를 들어, 사용자로부터 입력된 합성 메타데이터는 마스크(mask)의 형태로 표현될 수 있으며, 마스크는 박스(box)의 형태로 합성 위치를 나타낼 수 있다. 이러한 예시에서, 합성 메타데이터는 사용자 입력 마스크를 포함할 수 있다.
또한, 합성 메타데이터는 합성될 치아의 위치뿐만 아니라 합성 종류에 대한 정보를 포함할 수 있는데, 합성 종류는 예를 들어, 치아 발치, 임플란트, 또는 덴탈 크라운을 포함할 수 있다. 이러한 예시에서, 합성 종류가 발치로 결정되는 경우, 발치와 관련된 합성 이미지가 생성될 수 있다.
본 개시내용에서의 제 1 합성 이미지는 구강 이미지와 사용자로부터 입력된 합성 메타 데이터 간의 연산을 합성된 마스킹 이미지일 수 있다. 마스킹 이미지는 제 1 합성 이미지의 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 합성 메타데이터에 기반한 이미지 처리 알고리즘을 기하학적 정보에 적용함으로써 가공된 기하학적 정보를 생성할 수 있다. 이미지 처리 알고리즘은 기하학적 정보(예컨대, 기하학적 이미지)에 대한 추가, 변경, 수정 또는 삭제 등을 포함하는 임의의 이미지 처리 알고리즘을 의미할 수 있다. 본 개시 내용에서의 이미지 처리 알고리즘은 생성된 기하학적 정보 중 보존이 필요한 정보를 선별하고 가공하는 프로세스일 수 있다. 예를 들어, 이미지 처리 알고리즘은 합성 메타데이터에 기반하여 동작 가능하며, 이러한 이미지 처리 알고리즘은 합성 메타데이터에 기초하여 기하학적 정보 중에서 보존 대상 정보를 결정하고, 그리고 합성 메타데이터에 기초하여 상기 기하학적 정보 중에서 보존 대상 정보 이외의 정보를 변경할 수 있다. 추가 예시로, 이미지 처리 알고리즘은 합성 메타데이터에 포함된 합성 종류에 종속적으로 동작될 수 있다.
이처럼 본 개시내용에서의 이미지 처리 알고리즘을 이용함으로써 치료의 목적에 맞게 합성 위치 및 합성 종류를 고려하여 생성된 기하학적 정보를 보존하거나 제거할 수 있다. 구강 이미지에 대한 기하학적 정보로부터 데이터의 선별 및 가공 과정을 거침으로써 종래의 기술과 같이 의료 시뮬레이션을 위해 복잡한 작업을 할 필요가 없어지는 바, 비용과 시간적인 측면에서 경제성을 확보할 수 있다는 장점이 있다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 제 1 합성 이미지 및 가공된 기하학적 정보를 제 2 뉴럴 네트워크 모델에 입력하여 제 2 합성 이미지를 생성할 수 있다. 제 2 뉴럴 네트워크 모델은 인페인팅(inpainting)을 위한 임의의 딥러닝 모델일 수 있다. 따라서 제 2 뉴럴 네트워크 모델을 통해 생성된 제 2 합성 이미지는 합성 목적에 부합하는 시뮬레이션 결과를 도출할 수 있다. 예를 들어, 제 2 합성 이미지는 치아 발치, 치아 이식(implant), 덴탈 크라운(dental crown)의 시뮬레이션 결과를 보여주는 이미지일 수 있다. 따라서 프로세서(110)에 의해 수행된 제 2 합성 이미지 생성을 기초로 환자들을 치료 후의 모습을 확인할 수 있으며, 본인에게 필요한 치료에 대해 인식하고, 치료를 진행할 수 있다. 상술한 합성 또는 치료 목적은 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다.
본 개시의 일 실시예에 따르면, 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따른 네트워크부(150)는 임의의 형태의 공지된 유무선 통신 시스템을 사용할 수 있다.
네트워크부(150)는 구강 구조가 표현된 의료 영상을 의료 영상 저장 전송 시스템 혹은 의료 영상 촬영 시스템으로부터 수신할 수 있다. 예를 들어, 구강 구조가 표현된 의료 영상은 치아 및 잇몸을 촬영한 의료 영상으로서, 신경망 모델의 학습용 데이터 또는 추론용 데이터일 수 있다. 이때, 구강 구조가 표현된 의료 영상은 X-ray 영상, CT 영상 등과 같이 촬영을 통해 획득된 구강 구조와 관련된 영상을 모두 포함할 수 있다.
또한, 네트워크부(150)는 프로세서(110)에 의해 처리된 정보, 사용자 인터페이스 등을 타 단말과의 통신을 통해 송수신할 수 있다. 예를 들어, 네트워크부(150)는 프로세서(110)에 의해 생성된 사용자 인터페이스를 클라이언트(e.g. 사용자 단말)로 제공할 수 있다. 또한, 네트워크부(150)는 클라이언트로 인가된 사용자의 외부 입력을 수신하여 프로세서(110)로 전달할 수 있다. 이때, 프로세서(110)는 네트워크부(150)로부터 전달받은 사용자의 외부 입력을 기초로 사용자 인터페이스를 통해 제공되는 정보의 출력, 수정, 변경, 추가 등의 동작을 처리할 수 있다.
한편, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 클라이언트와 통신을 통해 정보를 송수신하는 컴퓨팅 시스템으로서 서버를 포함할 수 있다. 이때, 클라이언트는 서버에 엑세스(access)할 수 있는 임의의 형태의 단말일 수 있다. 예를 들어, 서버인 컴퓨팅 장치(100)는 의료 영상 촬영 시스템으로부터 의료 영상들을 수신하여 영상에 포함된 구강 구조를 검출하고 검출 결과를 서버 혹은 사용자 단말로 제공할 수 있다.
추가적인 실시예에서, 컴퓨팅 장치(100)는 임의의 서버에서 생성된 데이터 리소스를 전달받아 추가적인 정보 처리를 수행하는 임의의 형태의 단말을 포함할 수도 있다.
도 2는 본 개시의 일 실시예에 따라 네트워크 함수를 나타낸 개략도이다.
본 개시의 일 실시예에 따른 딥러닝 모델은 객체를 검출하기 위한 신경망을 포함할 수 있다. 본 명세서에 걸쳐, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 상호 교환 가능한 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.
본 명세서에 걸쳐, 가중치 및 파라미터는 상호 교환 가능한 의미로 사용될 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 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, 비교사 학습(unsupervised learning), 반교사 학습(semi supervised learning), 또는 강화 학습 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, 레귤러라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.
도 3은 본 개시의 일 실시예에 따른 딥러닝 모델의 구강 이미지 처리를 나타낸 블록 구성도이다.
도 3을 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)의 프로세서(110)는 딥러닝 모델을 이용하여 이미지(30) 내에 존재하는 구강 구조를 분석함으로써 치료 목적에 맞는 결과를 보여주는 시뮬레이션을 할 수 있다. 이 때, 딥러닝 모델은 이미지(30)로부터 기하학적 정보 추출을 위한 제 1 뉴럴 네트워크 모델(310), 이미지(30)와 합성 메타데이터(32)를 이용하여 제 1 합성 이미지(33)을 생성하는 알고리즘(320), 제 1 뉴럴 네트워크 모델(310)로부터 추출된 기하학적 정보(31) 및 합성 메타 데이터(32)를 기초로 가공된 기하학적 정보(34)를 생성하는 이미지 처리 알고리즘(330), 및 제 1 합성 이미지(33)와 가공된 기하학적 정보(34)를 기초로 시뮬레이션 결과인 제 2 합성 이미지(35)를 생성하기 위한 제 2 뉴럴 네트워크 모델(340)을 포함할 수 있다. 즉, 프로세서(110)는 전술한 뉴럴 네트워크 모델 또는 알고리즘(310, 320, 330, 340)을 포함하는 딥러닝 모델에 이미지(30) 및 합성 메타 데이터(32)를 입력하여 시뮬레이션 결과 이미지인 제 2 합성 이미지(35)를 생성할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 이미지(30)를 제 1 뉴럴 네트워크 모델(310)에 입력하여 이미지에 대한 기하학적 정보(31)를 생성할 수 있다. 이미지(30)는 구강 이미지를 포함할 수 있다. 구강 이미지는 인간을 포함한 동물의 구강 구조를 표현하는 '의료 영상'일 수 있다. 예를 들면, 구강 이미지는 환자의 치료 전 치아를 촬영한 CT 영상 또는 X선 파노라마 영상일 수 있다. 이러한 예시에서, 구강 이미지는 환자의 치아와 관련된 이미지 및 잇몸과 관련된 이미지를 포함할 수 있다. 이미지(30)를 입력 받는 제 1 뉴럴 네트워크 모델(310)은 객체 검출을 수행하는 딥러닝 모델일 수 있다. 제 1 뉴럴 네트워크 모델(310)은 '객체 감지'(object detection) 특성 및 '의미론적 분할'(semantic segmentation)특성을 포함하는 영상 분할(instance segmentation)의 특성을 지닌 딥러닝 모델일 수 있다. 예를 들어, 제 1 뉴럴 네트워크 모델(310)은 Faster R-CNN의 RPN에 분할(segmentation)을 수행하는 작은 FCN(fully-convolutional neural network)인 mask branch를 결합한 Mask R-CNN으로서 bounding box내에서 분할을 수행할 수 있다. Mask R-CNN은 제 1 뉴럴 네트워크 모델(310)의 예시일 뿐, 본 개시는 이에 제한되지 않는다.
컴퓨터 비전에서 분할은 디지털 영상을 여러 개의 픽셀 집합으로 나누는 과정을 말하는 것으로, 영상 분할의 결과는 영상으로부터 추출된 윤곽의 집합일 수 있다. 예를 들어, 제 1 뉴럴 네트워크 모델(310)은 영상 분할을 통해 치아 및 잇몸의 윤곽선을 검출할 수 있다. 영상 분할을 통해 이미지(30)를 기초로 치아 각각에 대해 기하학적 정보(31)를 획득할 수 있다. 치아에 대한 기하학적 정보는 치아 구조를 표현하는 임의의 형태의 정보일 수 있다. 기하학적 정보는 치아의 구조로부터 딥러닝 모델을 통해 추출된 특징으로 이해할 수 있다. 본 개시의 일 실시예에서, 기하학적 정보는 치아가 포함된 구강과 관련된 치수, 모양, 또는 상대적 위치 중 적어도 하나에 관한 정보를 포함할 수 있으며, 점, 선, 면, 도형 또는 공간 중 적어도 하나에 대한 정보로 표시될 수 있다. 예를 들어 치아 구조는 치아의 수, 치아의 크기 및 면적, 치아의 윤곽선, 잇몸의 윤곽선, 법랑질, 상아질, 백악질 등을 나타낼 수 있으며, 기하학적 정보(31)는 딥러닝 모델을 통해 치아의 구조로부터 추출된 특징으로 이해할 수 있다. 전술한 치아 구조는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 사용자로부터 입력된 합성 메타데이터 (32)를 이용하여 이미지(30)로부터 제 1 합성 이미지(33)를 생성할 수 있다. 합성 메타데이터(32)는 합성 이미지를 생성하는데 필요한 부가 정보를 의미할 수 있다. 합성 메타데이터(32)는 치아의 합성 위치 및/또는 합성 종류를 나타내는 데이터로서, 사용자가 치료의 목적에 맞게 합성 위치 및 종류를 지정할 수 있다. 일 실시예에서, 합성 위치는 사용자가 입력한 합성 메타데이터(예컨대, 마스크)에 대응되는 위치 정보에 따라 결정될 수 있다. 예를 들어, 합성 위치는 치아 FDI numbering system에 기초하여 설정될 수 있다. 이 경우, 합성 위치는 사용자가 입력한 합성 메타데이터(예컨대, 마스크)에 대응되는 위치 정보에 상응하는 치아 FDI numbering system에 따라 결정될 수 있다. 본 개시는 사람마다 다른 치아의 크기 및 위치에 대한 한계를 극복할 수 있어, 별도로 이미지(30)의 배향을 조절하는 등의 전처리를 수행하지 않고서도 정확한 이미지 합성이 가능하다는 장점이 있다. 또한, 사용자로부터 입력된 합성 메타데이터(32)는 마스크(mask)의 형태로 나타낼 수 있다. 마스크는 치아의 크기에 맞는 박스 형태로 합성 위치를 나타낼 수 있다. 이를 위해 사용자가 입력하기 위한 합성 메타 데이터(32)는 치아의 합성 종류 및 모든 합성 위치에 대해 사전 학습된 마스크를 포함할 수 있다. 제 1 합성 이미지(33)는 이미지(30)와 사용자로부터 입력된 합성 메타 데이터(32) 간의 연산 알고리즘(320)을 통해 생성될 수 있다. 예를 들어, 제 1 합성 이미지는 이미지(30)와 사용자로부터 입력된 합성 메타 데이터(32) 간의 이미지 곱셈 연산을 통해 합성된 마스킹 이미지일 수 있다. 이미지 곱셈 연산을 통해 합성된 마스킹 이미지는 제 1 합성 이미지(33)의 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 합성 메타데이터(32)에 기반한 이미지 처리 알고리즘(330)을 기하학적 정보(31)에 적용함으로써 가공된 기하학적 정보(34)를 생성할 수 있다. 이미지 처리 알고리즘(330)은 합성 메타 데이터(32)로부터 합성 종류 정보 및 합성 위치 정보를 결정하는 단계, 결정된 합성 위치 정보에 대응하는 치아 정보를 결정하는 단계, 및 결정된 치아 정보와 합성 종류를 기초로 가공된 기하학적 정보(34)를 생성하는 단계를 포함할 수 있다.
이미지 처리 알고리즘은 기하학적 정보(예컨대, 기하학적 이미지)에 대한 추가, 변경, 수정 또는 삭제 등을 포함하는 임의의 이미지 처리 알고리즘을 의미할 수 있다. 본 개시내용에서의 이미지 처리 알고리즘(330)은 생성된 기하학적 정보 중 보존이 필요한 정보를 선별하고 가공하는 프로세스일 수 있다. 이미지 처리 알고리즘(330)은 합성 메타 데이터(32)에 기반하여 동작 가능하며, 이미지 처리 알고리즘(330)은 합성 메타 데이터(32)에 기초하여 기하학적 정보(31) 중에서 보존 대상 정보를 결정하고, 기하학적 정보(31) 중에서 보존 대상 정보 이외의 정보를 변경할 수 있다. 예를 들어, 이미지 처리 알고리즘(330)을 이용함으로써 치료의 목적에 맞게 합성 위치 및 합성 종류를 고려하여 생성된 기하학적 정보를 보존하거나 제거할 수 있다. 일 실시예로 합성 종류가 치아 발치인 경우에는, 발치할 때 잇몸 라인은 변화가 없고, 발치 되는 치아 이외의 형태에도 변함이 없으므로 잇몸의 윤곽선에 대한 정보를 보존하고, 치아의 윤곽선에 대한 정보 중 발치하고자 하는 치아의 윤곽선에 대한 정보를 제거할 수 있다. 일 실시예로 합성 종류가 치아 이식(implant)인 경우에는, 이미 발치가 되어 있어 잇몸 라인 및 양 옆 치아 형태만 보존이 되면 되므로 잇몸의 윤곽선에 대한 정보 및 치아의 윤곽선에 대한 정보를 보존할 수 있다. 일 실시예로 합성 종류가 인공 치관(dental crown)인 경우에는, 잇몸라인과 양 옆 치아 형태가 보존되어야 하지만, 기존 치아의 형태는 변할 수 있으므로 잇몸의 윤곽선에 대한 정보를 보존하고, 치아의 윤곽선에 대한 정보 중 인공 치관하고자 하는 치아의 윤곽선에 대한 정보를 제거할 수 있다. 이와 같은 과정들은 마스크를 이용하여 인페인팅을 수행하는 경우에 효과적이다. 즉, 마스크를 이용할 경우 보존되어야 할 정보들의 손실로 인해 뉴럴 네트워크를 통과하면서 정보들이 변한 채로 합성되는 경우가 발생한다. 이 때 합성된 이미지는 부자연스럽게 합성된 것으로 환자에게 치료에 대한 정보를 제공하는 과정에서 정확한 시뮬레이션을 제공할 수 없게 될 수 있다. 본 개시내용은 상술한 이미지 처리 알고리즘(330)을 통해 정보를 가공하는 과정은 필요한 정보들을 보존할 수 있게 함으로써 양질의 시뮬레이션이 가능케 한다. 따라서 본 개시내용의 일 실시예에 따른 이미지 처리 방법은 치료 후 결과에 대한 환자의 이해도 및 집중도를 상승시킬 수 있다.
본 개시의 일 실시예에 따르면, 이미지(30)에 대한 기하학적 정보(31)로부터 데이터의 선별 및 가공 과정을 거침으로써 종래의 기술과 같이 의료 시뮬레이션을 위해 복잡한 작업을 할 필요가 없어지는 바, 비용과 시간적인 측면에서 경제성을 확보할 수 있다는 장점이 있다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 제 1 합성 이미지(33) 및 가공된 기하학적 정보(34)를 제 2 뉴럴 네트워크 모델(340)에 입력하여 제 2 합성 이미지(35)를 생성할 수 있다. 또한, 프로세서(110)는 제 1 합성 이미지(33), 가공된 기하학적 정보(34) 및 합성 메타 데이터(32)를 제 2 뉴럴 네트워크 모델(340)에 입력하여 제 2 합성 이미지(35)를 생성할 수 있다. 제 2 뉴럴 네트워크 모델(340)은 인페인팅(inpainting)을 위한 임의의 형태의 딥러닝 모델일 수 있다. 예를 들어, 제 2 뉴럴 네트워크 모델(340)은 GAN(Generative Adversarial Neural Network)일 수 있다. GAN은 생성자 및 구별자로 구성되어 이미지 데이터로부터 추출한 특징들을 이용해 실제와 유사한 이미지를 생성해내는 것이 목표인 것으로, 가공된 기하학적 정보를 바탕으로 치료 목적에 맞는 시뮬레이션 결과를 도출해낼 수 있다. GAN은 제 2 뉴럴 네트워크 모델의 예시일 뿐, 본 개시는 이에 제한되지 않는다. 제 2 뉴럴 네트워크 모델(340) 로부터 생성된 제 2 합성 이미지(35)는 합성 목적에 부합하는 시뮬레이션 결과를 나타낼 수 있다. 예를 들어, 제 2 합성 이미지(35)는 치아 발치, 임플란트, 덴탈 크라운의 결과를 보여주는 이미지일 수 있다. 따라서 프로세서(110)에 의해 생성된 제 2 합성 이미지(35)를 통해 환자들을 치료한 이후의 시뮬레이션 결과 이미지가 제공될 수 있으며, 환자에게 필요한 치료에 대한 구체적인 정보를 공유하는 방식으로 치료가 진행될 수 있다. 상술한 합성 또는 치료 목적은 예시일 뿐, 본 개시는 이에 제한되지 않는다.
도 4는 본 개시의 일 실시예에 따른 치아 발치 시뮬레이션 과정을 나타낸 도면이다.
도 4를 참조하면, 프로세서(110)는 치아 발치 시뮬레이션을 위해 구강 이미지(401)로부터 기하학적 정보(402)를 추출할 수 있다. 프로세서(110)는 구강 이미지(401) 및 발치하고자 하는 치아의 위치 정보를 포함하는 사용자 입력 마스크(403)를 기초로 마스킹 이미지(404)를 생성할 수 있다. 일 실시예에서, 사용자 입력 마스크(403)는 상술한 합성 메타데이터의 범위 내에 포함될 수 있으며, 마스킹 이미지(404)는 상술한 제 1 합성 이미지의 범위 내에 포함될 수 있다. 이하에서는 설명의 편의를 위해 사용자 입력 마스크(403)와 마스킹 이미지(404)라는 표현을 사용하여 본 개시내용에 대해 설명하기로 한다.
프로세서(110)는 추출된 기하학적 정보(402) 및 사용자 입력 마스크(403)를 기초로 이미지 처리 알고리즘(410)을 통해 가공된 기하학적 정보(405)를 생성할 수 있다. 프로세서(110)는 제 1 합성 이미지(404)와 가공된 기하학적 정보(405)를 제 2 뉴럴 네트워크 모델(420)에 입력하여 시뮬레이션 결과 이미지(406)(예컨대, 발치 시뮬레이션 결과 이미지)를 생성할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(110)가 제 1 뉴럴 네트워크에 입력하는 이미지는 구강 이미지(401)로서 눈으로 볼 수 있는 영상 또는 CT, MRI 검출기 등의 픽셀 출력에 대응되는 파일과 같은 영상의 디지털 표현물을 지칭하는 것으로 이해될 수 있다. 구강 이미지(401)로부터 추출되는 기하학적 정보(402)는 이미지 처리 알고리즘(410)의 입력 데이터일 수 있다. 이미지 처리 알고리즘(410)에 사용되는 기하학적 정보(402)는 구강 구조를 표현하는 임의의 형태의 정보일 수 있다. 기하학적 정보는 구강의 구조로부터 딥러닝 모델을 통해 추출된 특징으로 이해할 수 있다. 본 개시의 일 실시예에서, 기하학적 정보는 치아가 포함된 구강과 관련된 치수, 모양, 또는 상대적 위치 중 적어도 하나에 관한 정보를 포함할 수 있으며, 점, 선, 면, 도형 또는 공간 중 적어도 하나에 대한 정보로 표시될 수 있다. 일례로, 기하학적 정보는 치아의 윤곽선, 잇몸의 윤곽선, 교정을 한 경우 교정을 위한 구조물을 포함할 수 있다. 이 경우, 기하학적 정보(402)는 치아의 윤곽선에 대해 instance segmentation map으로, 잇몸의 윤곽선에 대해서는 contour map으로 표현될 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 발치 시뮬레이션을 위해 구강 이미지(401) 및 사용자 입력 마스크(403)를 기초로 마스킹 이미지(404)를 생성할 수 있다. 상술한 합성 메타 데이터에 대응되는 사용자 입력 마스크(403)는 발치 정보 및 발치할 위치에 대한 정보를 포함할 수 있다. 이 때, 사전 학습된 마스크는 치아의 크기에 맞는 박스 형태일 수 있다. 발치 위치는 사용자 입력 마스크(403)에 대응되는 위치 정보에 상응하는 치아 FDI numbering system에 의해 결정될 수 있다. 상술한 제 1 합성 이미지에 대응되는 마스킹 이미지(404)는 구강 이미지(401)와 사용자 입력 마스크(403)을 기초로 이미지 곱셈 연산을 통해서 합성될 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 발치 시뮬레이션을 위해 기하학적 정보(402) 및 사용자 입력 마스크(403)를 필요 정보를 보존하기 위한 이미지 처리 알고리즘(410)에 입력하여 가공된 기하학적 정보(405)를 생성할 수 있다. 이미지 처리 알고리즘(410)과 관련된 구체적인 내용은 도 5에서 후술한다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 마스킹 이미지(404) 및 가공된 기하학적 정보(405)를 제 2 뉴럴 네트워크 모델(420)에 입력하여 발치 시뮬레이션 결과 이미지(406)을 생성할 수 있다. 제 2 뉴럴 네트워크 모델은 인페인팅에 관한 딥러닝 모델일 수 있다. 상기 인페인팅에 관한 딥러닝 모델은 GAN 모델, 부분 합성곱(partial convolution)을 이용한 모델, vanilla convolutional auto encoder 모델을 포함할 수 있다. 일 실시예로, 상술한 모델들은 누락된 픽셀 추정을 위해 픽셀 주변(neighborhood)에서 정규화된 가중치 합(normalized weighted sum of pixels)을 가져올 수 있고, 이를 통해 주변은 매개변수화(parameterized)되어 경계가 인페인팅될 수 있다. 또한 일 실시예로, 연속성 제약(continuity constraint) 및 주변 픽셀의 경사(gradient)를 이용하여 인페인팅을 할 수 있다. 상술한 모델들에 관한 내용은 예시일 뿐, 본 개시는 이에 제한되지 않는다. 가공된 기하학적 정보(405)는 시뮬레이션에 필요한 정보들을 보존하기 때문에, 마스킹 이미지(404)와 함께 제 2 뉴럴 네트워크 모델(420)에 입력될 경우 자연스러운 발치 시뮬레이션 결과 이미지(406)가 생성될 수 있다.
도 5는 본 개시의 일 실시예에 따른 치아 발치 시뮬레이션 과정 중 기하학적 정보 가공 과정을 나타낸 도면이다.
도 5를 참조하면, 프로세서(110)는 발치 시뮬레이션을 위해 기하학적 정보(502,503) 및 사용자 입력 마스크(504)를 기초로 이미지 처리 알고리즘을 통해 가공된 기하학적 정보(505,506)을 생성할 수 있다. 이미지 처리 알고리즘은 기하학적 정보(예컨대, 기하학적 이미지)에 대한 추가, 변경, 수정 또는 삭제 등을 포함하는 임의의 이미지 처리 알고리즘을 의미할 수 있다. 이미지 처리 알고리즘은 사용자 입력 마스크에 포함된 합성 종류에 종속적으로 동작될 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 이미지 처리 알고리즘을 통해 발치 목적 및 발치 위치에 대한 정보를 포함하는 사용자 입력 마스크(504)에 기초하여 기하학적 정보(502,503) 중에서 발치를 위해 보존 대상이 되는 정보를 결정하고, 보존 대상 정보 이외의 정보를 변경할 수 있다. 예를 들어, 발치를 위해 보존 대상이 되는 정보는 발치할 치아의 양 옆 치아에 대한 정보 및 잇몸 라인에 대한 정보일 수 있다. 그리고, 보존 대상 정보 이외의 정보는 발치할 치아에 대한 정보로서 이미지 처리 알고리즘을 통해 제거될 수 있다. 즉, 발치를 위해 가공된 기하학적 정보(505,506)는 구강 이미지(501)를 기초로 추출한 기하학적 정보(502,503)로부터 사용자 입력 마스크(504)에 포함된 치아의 위치 정보를 제거한 것일 수 있다. 상술한 프로세스를 가지는 이미지 처리 알고리즘을 통해 필요 정보를 보존할 수 있는 바, 마스킹을 이용한 인페인팅 모델의 근본적인 한계를 극복할 수 있다는 점에서 그 의의가 있다.
본 개시의 일 실시예에 따르면, 프로세서(110)은 발치를 위해 구강 이미지(501), 기하학적 정보(502,503), 사용자 입력 마스크(504)의 오버래핑(overlapping)에 기초하여 제 2 뉴럴 네트워크에 입력하기 위한 이미지인 제 3 이미지(513)를 생성할 수 있다. 프로세서(110)는 구강 이미지(501) 및 구강 이미지로부터 추출된 기하학적 정보(502,503)를 오버래핑한 제 1 이미지(511)를 생성할 수 있다. 프로세서(110)는 구강 이미지(501) 및 사용자 입력 마스크(504)를 오버래핑한 제 2 이미지(512)를 생성할 수 있다. 제 3 이미지(513)는 제 1 이미지로부터 제 2 이미지(512)의 마스크에 포함된 치아 정보에 대응하는 치아 정보를 제거함으로써 생성될 수 있다. 즉, 프로세서(110)는 구강 이미지로부터 추출된 기하학적 정보(502,503)에 대해 합성 종류와 위치 정보를 포함하는 사용자 입력 마스크(504)를 참고하여 가공된 기하학적 정보를 생성할 수 있다. 이를 통해 종래 기술에서 불가능했던 치아 발치 시뮬레이션이 가능하고, 합성 종류 및 위치 지정 후 전 과정이 수초 내로 이루어지기 때문에, 신속하게 시뮬레이션 결과가 도출될 수 있다.
도 6은 본 개시의 일 실시예에 따른 구강 이미지 처리를 위해서 딥러닝 모델의 학습 과정을 나타낸 도면이다.
도 6을 참조하면, 프로세서(110)는 제 2 뉴럴 네트워크 모델(610)을 사전 학습시킬 수 있다. 프로세서(110)는 사전학습을 위해 구강 이미지(601)로부터 추출된 기하학적 정보(602) 및 사용자로부터 입력된 합성 메타데이터(603)와 구강 이미지로부터 생성된 제 1 합성 이미지(604)를 제 2 뉴럴 네트워크 모델(610)에 입력하여 제 2 합성 이미지(605)를 생성할 수 있다. 프로세서(110)는 생성된 제 2 합성 이미지(605)와 구강 이미지(601) 사이의 손실함수의 값(620)에 기초하여 제 2 뉴럴 네트워크 모델(610)을 업데이트하도록 사전 학습시킬 수 있다.
본 개시의 일 실시예에 따르면, 제 2 뉴럴 네트워크 모델(610)은 추론(inference) 과정에서 사용되는 입력 데이터와 상이한 종류의 입력 데이터를 사용하여 사전 학습될 수 있다. 제 2 뉴럴 네트워크 모델(610)의 추론 과정에서는 제 1 합성 이미지(604) 및 가공된 기하학적 정보가 입력데이터로 사용되지만, 제 2 뉴럴 네트워크 모델(610)의 학습 과정에서는 제 1 합성 이미지(604) 및 기하학적 정보(602)가 입력 데이터로 사용될 수 있다. 본 개시내용에 있어 모든 치아에 대해 합성 메타 데이터(603)를 기초로 제 1 합성 이미지(604)를 생성함으로써 모든 치아의 위치 정보는 치료 목적에 따라 사전 학습될 수 있다. 예를 들어, 발치, 임플란트, 인조 치관에 대해서 모든 치아의 위치 정보는 사전 학습될 수 있다. 상기 치료 목적은 사전 학습의 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 구강 이미지(601)와 생성된 제 2 합성 이미지(605) 사이의 손실함수의 값(620)을 최소화 시키는 방향으로 제 2 뉴럴 네트워크 모델(610)을 사전 학습시킬 수 있다. 프로세서(110)는 제 1 합성 이미지(604), 기하학적 정보(602) 및 합성 메타 데이터(603)을 제 2 뉴럴 네트워크 모델(610)에 입력하여 제 2 합성 이미지(605)를 생성할 수 있다. 프로세서(110)는 구강 이미지(110) 및 생성된 제 2 합성 이미지(605) 사이의 손실함수(620)를 계산하여 역전파를 통해 제 2 뉴럴 네트워크 모델(610)의 가중치들을 업데이트 할 수 있다. 손실함수는 이미지 전체에 대한 L1 loss, MSE loss, perceptual loss, GAN loss가 이용될 수 있으며, 제 2 뉴럴 네트워크 모델(610)은 손실함수가 최소화되는 방향으로 학습될 수 있다. 상술한 손실함수는 예시일 뿐, 본 개시는 이에 제한되지 않는다. 프로세서(110)는 이미지의 전체 영역 또는 일부 영역에 대해 손실함수를 계산할 수 있다. 예를 들어, 이미지의 일부 영역인 마스킹된 부분에 대해서만 손실함수가 계산될 수 있다. 또한 프로세서(110)는 이미지의 전체 영역 및 일부 영역에 대해 복합적으로 손실함수를 계산할 수 있다.
본 개시의 일 실시예에 따르면, 제 2 뉴럴 네트워크 모델(610)은 복수의 서브 뉴럴 네트워크 모델들을 포함할 수 있다. 상기 복수의 서브 뉴럴 네트워크 모델들은 각각 치료 목적에 맞게 사전 학습될 수 있으며, 병렬적으로 제 2 뉴럴 네트워크 모델(610)을 구성할 수 있다. 예를 들어, 제 2 뉴럴 네트워크 모델은 치아 발치를 위한 서브 뉴럴 네트워크 모델, 치아 이식을 위한 서브 뉴럴 네트워크 모델, 및 인공 치관을 위한 서브 뉴럴 네트워크 모델을 포함할 수 있다. 프로세서(110)는 합성 메타 데이터(603)에 포함된 단일의 합성 종류 정보에 대응하여 복수의 서브 뉴럴 네트워크 모델들을 각각 독립적으로 학습시킬 수 있다. 또한 프로세서(110)는 복수의 서브 뉴럴 네트워크 모델들의 상호작용에 기초하여 서브 뉴럴 네트워크 모델 각각을 학습시킬 수 있다. 본 개시의 상호작용은 복수의 서브 뉴럴 네트워크 모델들의 출력 결과물을 활용하는 것을 의미할 수 있다. 예를 들어, 치아 이식을 위한 서브 뉴럴 네트워크 모델을 학습하는 과정에서 치아 이식을 위한 자리는 치아의 발치가 선행될 필요가 있다. 이 때 치아 발치를 위한 서브 뉴럴 네트워크 모델의 출력 이미지를 치아 이식을 위한 서브 뉴럴 네트워크 모델의 입력 이미지로 하면 학습의 효율을 높일 수 있다. 즉, 한 서브 뉴럴 네트워크 모델의 출력 이미지를 다른 서브 뉴럴 네트워크 모델에 입력 이미지로 사용함으로써 복수의 서브 뉴럴 네트워크 사이의 유기적인 관계를 구축하고, 양질의 학습이 가능하다.
도 7은 본 개시의 일 실시예에 따른 딥러닝 모델의 구강 이미지 처리를 나타낸 순서도이다.
도 7을 참조하면, S710 단계에서, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 구강 이미지를 제 1 뉴럴 네트워크 모델에 입력하여 구강 이미지에 대한 기하학적 정보를 생성할 수 있다.
S720 단계에서, 컴퓨팅 장치(100)는 사용자로부터 입력된 합성 메타 데이터를 이요하여, 구강 이미지로부터 제 1 합성 이미지를 생성할 수 있다.
S730 단계에서, 컴퓨팅 장치(100)는 합성 메타 데이터에 기반한 이미지 처리 알고리즘을 기하학적 정보에 적용함으로써, 가공된 기하학적 정보를 생성할 수 있다.
S740 단계에서, 컴퓨팅 장치(100)는 제 1 합성 이미지 및 가공된 기하학적 정보를 제 2 뉴럴 네트워크 모델에 입력하여, 구강 이미지에 대한 시뮬레이션 결과를 나타내는 제 2 합성 이미지를 생성할 수 있다.
본 개시의 일 실시예로, 컴퓨팅 장치(100)는 구강 이미지로부터 추출된 기하학적 정보 및 합성 메타 데이터를 기초로 이미지 처리 알고리즘을 통해 가공된 기하학적 정보를 생성할 수 있다. 기하학적 정보는 딥러닝 모델을 이용하여 추출된 정보로서 이해될 수 있다. 본 개시내용에서 기하학적 정보는 2차원 또는 3차원 공간에서 표현될 수 있는 구강 구조에 관한 정보로 표시될 수 있다. 일례로 기하학적 정보는 잇몸과 관련된 이미지 및 치아와 관련된 이미지를 포함할 수 있다. 합성 메타 데이터는 합성 이미지를 생성하는데 필요한 부가 정보를 의미할 수 있다. 본 개시 내용에서 사용자로부터 입력된 합성 메타 데이터는 합성 종류(예컨대, 발치, 임플란트, 덴탈 크라운) 및 합성 위치에 대응하는 정보를 가지고 있다. 본 개시에서 가공된 기하학적 정보는 합성 메타 데이터에 기반하여 동작하는 이미지 처리 알고리즘을 통해 생성될 수 있다. 이미지 처리 알고리즘은 합성 메타 데이터에 포함된 합성 종류에 종속적으로 동작될 수 있다. 예를 들어, 발치라는 합성 목적 및 발치 위치에 대응하는 치아 정보가 결정되고, 이에 기반하여 동작하는 이미지 알고리즘을 통해 발치를 위해 가공된 기하학적 정보가 생성될 수 있다. 컴퓨팅 장치(100)은 가공된 기하학적 정보를 기초로 간단하고 신속하게 치료의 목적에 맞는 시뮬레이션을 할 수 있다.
도 8은 본 개시의 일 실시예에 따른 구강 이미지 처리를 위해서 딥러닝 모델의 학습 과정을 나타낸 순서도이다.
도 8을 참조하면, S810단계에서, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 구강 이미지를 제 1 뉴럴 네트워크 모델에 입력하여 구강 이미지에 대한 기하학적 정보를 생성할 수 있다.
S820단계에 있어, 컴퓨팅 장치(100)는 사용자로부터 입력된 합성 메타 데이터를 이용하여, 구강 이미지로부터 제 1 합성 이미지를 생성할 수 있다.
S830단계에 있어, 컴퓨팅 장치(100)는 기하학적 정보 및 제 1 합성 이미지를 제 2 뉴럴 네트워크 모델에 입력하여, 제 2 합성 이미지를 생성할 수 있다.
S840단계에 있어, 컴퓨팅 장치(100)는 구강 이미지와 제 2 합성 이미지 사이의 손실함수의 값에 기초하여 제 2 뉴럴 네트워크 모델을 업데이트할 수 있다.
본 개시의 일 실시예로, 컴퓨티 장치(100)는 제 2 합성 이미지를 생성하는데 있어 기하학적 정보, 제 1 합성 이미지 및 합성 메타 데이터를 제 2 뉴럴 네트워크 모델에 입력할 수 있다. 세 가지 데이터의 입력을 통해 다양한 손실함수의 설정이 가능해지므로 학습의 효율이 증가할 수 있다.
도 9는 본 개시의 일 실시예에 따른 컴퓨팅 장치의 복수의 딥러닝 모델들을 이용하여 구강 이미지를 처리하는 과정을 나타낸 순서도이다.
도 9를 참조하면, S910단계에서, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 구강 이미지를 제 1 뉴럴 네트워크 모델에 입력하여 구강 이미지에 대한 기하학적 정보를 생성할 수 있다.
S920단계에 있어, 컴퓨팅 장치(100)는 사용자로부터 입력된 합성 메타데이터에 기반한 이미지 처리 알고리즘을 기하학적 정보에 적용함으로써, 가공된 기하학적 정보를 생성할 수 있다.
S930단계에 있어, 컴퓨팅 장치(100)는 합성 메타 데이터에 기초하여, 복수의 서브 뉴럴 네트워크 모델들을 포함하는 제 2 뉴럴 네트워크 모델 중 추론 동작을 수행할 서브 뉴럴 네트워크 모델을 결정할 수 있다.
S940단계에 있어, 컴퓨팅 장치(100)는 결정된 서브 뉴럴 네트워크 모델을 이용하여, 구강 이미지에 대한 시뮬레이션 결과를 나타내는 합성 이미지를 생성할 수 있다.
본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 상술한 사전 학습된 복수의 서브 뉴럴 네트워크 모델들 중 합성 메타 데이터를 기초로 추론 동작을 수행할 서브 뉴럴 네트워크 모델을 결정하여 시뮬레이션 결과를 나타내는 합성 이미지를 생성할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 합성 메타 데이터의 합성 종류에 따라 복수의 서브 뉴럴 네트워크 모델들 중 치아 발치, 치아 이식, 또는 인공 치관을 위한 서브 뉴럴 네트워크 모델을 결정하여 시뮬레이션 결과를 나타내는 합성 이미지를 생성할 수 있다.
본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 복수의 서브 뉴럴 네트워크 모델들의 상호작용에 기초하여 구강 이미지에 대한 시뮬레이션 결과를 나타내는 합성 이미지를 생성할 수 있다. 본 개시의 상호작용은 복수의 서브 뉴럴 네트워크 모델들의 출력 결과물을 활용하는 것을 의미할 수 있다. 예를 들어, 치아 이식을 위한 시뮬레이션을 수행하기 위해 컴퓨팅 장치(100)는 치아 발치를 위한 서브 뉴럴 네트워크 모델의 출력 이미지를 치아 이식을 위한 서브 뉴럴 네트워크 모델의 입력 이미지로 이용할 수 있다. 치아 이식을 위해 치아 발치가 선행되어야 하는 바, 치아 발치 시뮬레이션 결과를 활용하여 치아 이식 시뮬레이션을 수행할 수 있다. 상술한 서브 뉴럴 네트워크 모델의 동작 과정은 예시일 뿐 본 개시는 이에 제한되지 않는다.
따라서 본 개시의 일 실시예에 따른 추론 과정에 있어서 상술한 복수의 서브 뉴럴 네트워크 모델들을 치료 목적에 맞게 유기적으로 활용함으로써 시뮬레이션에 소요되는 시간을 줄일 수 있다는 장점이 있다.
도 10은 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.
한편, 본 개시의 일 실시예에 따라 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다.
데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자 정의 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 영구 저장 장치)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 장치는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.
데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.
비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 이하에서는 신경망으로 통일하여 기술한다. 데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실함수 등을 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 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.
데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 가중치를 포함할 수 있다. 본 명세서에서 가중치, 매개 변수, 파라미터는 동일한 의미로 사용될 수 있다. 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 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 노드에서 출력되는 데이터 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
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 (20)
- 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 구강 이미지 처리 방법으로서,
구강 이미지를 제 1 뉴럴 네트워크 모델에 입력하여, 상기 구강 이미지에 대한 기하학적 정보(geometric information)를 생성하는 단계;
사용자로부터 입력된 합성 메타데이터(synthesis metadata)를 이용하여, 상기 구강 이미지로부터 제 1 합성 이미지를 생성하는 단계;
상기 합성 메타데이터에 기반한 이미지 처리 알고리즘을 상기 기하학적 정보에 적용함으로써, 가공된 기하학적 정보를 생성하는 단계; 및
상기 제 1 합성 이미지 및 상기 가공된 기하학적 정보를 제 2 뉴럴 네트워크 모델에 입력하여, 상기 구강 이미지에 대한 시뮬레이션 결과를 나타내는 제 2 합성 이미지를 생성하는 단계;
를 포함하는,
방법.
- 제 1 항에 있어서,
상기 구강 이미지에 대한 기하학적 정보를 생성하는 단계는,
상기 구강 이미지에 포함된 치아의 윤곽선 및 잇몸의 윤곽선을 검출하는 단계; 및
상기 검출된 치아의 윤곽선 및 잇몸의 윤곽선을 포함하는, 상기 구강 이미지에 대한 기하학적 정보를 생성하는 단계;
를 포함하는,
방법.
- 제 1 항에 있어서,
상기 제 1 합성 이미지를 생성하는 단계는,
상기 구강 이미지와 상기 합성 메타데이터 간의 이미지 곱셈 연산을 수행하는 단계; 및
상기 이미지 곱셈 연산에 기초하여, 상기 구강 이미지에 대한 제 1 합성 이미지를 생성하는 단계;
를 포함하는,
방법.
- 제 2 항에 있어서,
상기 합성 메타 데이터는, 상기 구강 이미지에서의 합성 위치 및 합성 종류를 포함하며, 그리고
상기 합성 메타데이터에 기반한 이미지 처리 알고리즘은,
상기 합성 메타데이터에 기초하여 상기 기하학적 정보 중에서 보존 대상 정보를 결정하고, 그리고 상기 합성 메타데이터에 기초하여 상기 기하학적 정보 중에서 보존 대상 정보 이외의 정보를 변경하는,
방법.
- 제 4 항에 있어서,
상기 합성 종류가 치아 발치를 포함하는 경우 상기 이미지 처리 알고리즘은,
상기 검출된 잇몸의 윤곽선에 대한 기하학적 정보를 보존하고, 그리고
상기 검출된 치아의 윤곽선에 대한 기하학적 정보 중 발치하고자 하는 치아의 윤곽선에 대한 기하학적 정보를 제거하는,
방법.
- 제 4 항에 있어서,
상기 합성 종류가 치아 이식(implant)을 포함하는 경우 상기 이미지 처리 알고리즘은,
상기 검출된 치아의 윤곽선 및 잇몸의 윤곽선에 대한 기하학적 정보를 보존하는,
방법.
- 제 4 항에 있어서,
상기 합성 종류가 인공 치관(dental crown)을 포함하는 경우 상기 이미지 처리 알고리즘은,
상기 검출된 잇몸의 윤곽선에 대한 기하학적 정보를 보존하고, 그리고
상기 검출된 치아의 윤곽선에 대한 기하학적 정보 중 인공 치관하고자 하는 치아의 윤곽선에 대한 기하학적 정보를 제거하는,
방법.
- 제 1 항에 있어서,
상기 합성 메타데이터에 기반한 이미지 처리 알고리즘을 상기 기하학적 정보에 적용함으로써, 상기 가공된 기하학적 정보를 생성하는 단계는,
상기 합성 메타 데이터로부터 합성 종류 정보 및 합성 위치 정보를 결정하는 단계;
상기 결정된 합성 위치 정보에 대응하는 치아 정보를 결정하는 단계; 및
상기 결정된 치아 정보 및 상기 합성 종류 정보를 기초로, 상기 가공된 기하학적 정보를 생성하는 단계;
를 포함하는,
방법.
- 제 7 항에 있어서,
상기 결정된 합성 종류 정보는, 치아 발치, 치아 이식(implant), 인공 치관(dental crown) 중 적어도 하나를 포함하는,
방법.
- 제 1 항에 있어서,
상기 구강 이미지에 대한 시뮬레이션 결과를 나타내는 제 2 합성 이미지를 생성하는 단계는,
상기 제 1 합성 이미지, 상기 가공된 기하학적 정보 및 상기 합성 메타데이터를 제 2 뉴럴 네트워크 모델에 입력하여, 상기 제 2 합성 이미지를 생성하는 단계를 포함하는,
방법.
- 제 1 항에 있어서,
상기 제 2 뉴럴 네트워크 모델은, 추론(inference) 과정에서 사용되는 입력 데이터와 상이한 종류의 입력 데이터를 사용하여 사전 학습된,
방법.
- 제 11 항에 있어서,
상기 제 2 뉴럴 네트워크 모델의 학습 과정에서는, 상기 제 1 합성 이미지 및 상기 기하학적 정보가 입력 데이터로서 사용되며, 그리고
상기 제 2 뉴럴 네트워크 모델의 추론 과정에서는, 상기 제 1 합성 이미지 및 상기 가공된 기하학적 정보가 입력 데이터로서 사용되는,
방법.
- 제 1 항에 있어서,
상기 제 2 뉴럴 네트워크 모델은,
상기 구강 이미지를 상기 제 1 뉴럴 네트워크 모델에 입력하여 상기 구강 이미지에 대한 기하학적 정보를 생성하는 단계;
사용자로부터 입력된 합성 메타데이터를 이용하여, 상기 구강 이미지로부터 제 1 합성 이미지를 생성하는 단계;
상기 기하학적 정보 및 상기 제 1 합성 이미지를 상기 제 2 뉴럴 네트워크 모델에 입력하여, 상기 제 2 합성 이미지를 생성하는 단계; 및
상기 구강 이미지와 상기 제 2 합성 이미지 사이의 손실 함수(loss function)의 값에 기초하여 상기 제 2 뉴럴 네트워크 모델을 업데이트하는 단계;
를 포함하는 학습 과정에 의해 사전 학습되는,
방법.
- 제 1 항에 있어서,
상기 제 2 뉴럴 네트워크 모델은 복수의 서브 뉴럴 네트워크 모델들을 포함하며,
상기 합성 메타데이터는 복수의 합성 종류들 중 적어도 하나의 합성 종류를 나타내는 합성 종류 정보를 포함하며, 그리고
상기 복수의 서브 뉴럴 네트워크 모델들 각각은 상기 합성 메타데이터에 포함된 단일의 합성 종류 정보에 대응하여 독립적으로 학습되는,
방법.
- 제 14 항에 있어서,
상기 합성 메타데이터에 포함된 합성 종류 정보를 결정하는 단계; 및
상기 결정된 합성 종류 정보에 기초하여, 상기 제 2 뉴럴 네트워크 모델에 포함된 복수의 서브 뉴럴 네트워크 모델들 중에서, 상기 제 2 합성 이미지를 생성하기 위한 서브 뉴럴 네트워크 모델을 결정하는 단계;
를 더 포함하며,
상기 제 2 합성 이미지를 생성하는 단계는,
상기 결정된 서브 뉴럴 네트워크 모델에 상기 제 1 합성 이미지 및 상기 가공된 기하학적 정보를 입력하여, 상기 제 2 합성 이미지를 생성하는 단계;
를 포함하는,
방법.
- 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 구강 이미지 처리 방법으로서,
구강 이미지를 제 1 뉴럴 네트워크 모델에 입력하여, 상기 구강 이미지에 대한 기하학적 정보(geometric information)를 생성하는 단계;
사용자로부터 입력된 합성 메타데이터에 기반한 이미지 처리 알고리즘을 상기 기하학적 정보에 적용함으로써, 가공된 기하학적 정보를 생성하는 단계;
상기 합성 메타데이터에 기초하여, 복수의 서브 뉴럴 네트워크 모델들을 포함하는 제 2 뉴럴 네트워크 모델 중 추론(inference)동작을 수행할 서브 뉴럴 네트워크 모델을 결정하는 단계; 및
상기 결정된 서브 뉴럴 네트워크 모델을 이용하여, 상기 구강 이미지에 대한 시뮬레이션 결과를 나타내는 합성 이미지를 생성하는 단계;
를 포함하는,
방법.
- 제 16 항에 있어서,
상기 복수의 서브 뉴럴 네트워크 모델들 각각은 단일의 합성 종류 정보 각각에 대응되어 독립적으로 사전학습되며, 그리고
상기 복수의 서브 뉴럴 네트워크 모델들을 포함하는 제 2 뉴럴 네트워크 모델 중 추론(inference)동작을 수행할 서브 뉴럴 네트워크 모델을 결정하는 단계는,
상기 합성 메타데이터에 포함된 합성 종류 정보를 결정하는 단계; 및
상기 결정된 합성 종류 정보에 기초하여, 상기 제 2 뉴럴 네트워크 모델에 포함된 상기 복수의 서브 뉴럴 네트워크 모델들 중에서, 상기 합성 이미지를 생성하기 위한 서브 뉴럴 네트워크 모델을 결정하는 단계;
를 더 포함하는,
방법.
- 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 구강 이미지를 처리하는 동작들을 수행하도록 하며, 상기 동작들은:
구강 이미지를 제 1 뉴럴 네트워크 모델에 입력하여, 상기 구강 이미지에 대한 기하학적 정보(geometric information)를 생성하는 동작;
사용자로부터 입력된 합성 메타데이터(synthesis metadata)를 이용하여, 상기 구강 이미지로부터 제 1 합성 이미지를 생성하는 동작;
상기 합성 메타데이터에 기반한 이미지 처리 알고리즘을 상기 기하학적 정보에 적용함으로써, 가공된 기하학적 정보를 생성하는 동작; 및
상기 제 1 합성 이미지 및 상기 가공된 기하학적 정보를 제 2 뉴럴 네트워크 모델에 입력하여, 상기 구강 이미지에 대한 시뮬레이션 결과를 나타내는 제 2 합성 이미지를 생성하는 동작;
을 포함하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 딥러닝을 기반으로 구강 이미지 처리를 수행하는 컴퓨팅 장치로서,
적어도 하나의 코어를 포함하는 프로세서;
상기 프로세서에서 실행 가능한 프로그램 코드들을 포함하는 메모리; 및
이미지를 수신하는 네트워크부;
를 포함하고,
상기 프로세서는,
구강 이미지를 제 1 뉴럴 네트워크 모델에 입력하여, 상기 구강 이미지에 대한 기하학적 정보(geometric information)를 생성하고,
사용자로부터 입력된 합성 메타데이터(synthesis metadata)를 이용하여, 상기 구강 이미지로부터 제 1 합성 이미지를 생성하고,
상기 합성 메타데이터에 기반한 이미지 처리 알고리즘을 상기 기하학적 정보에 적용함으로써, 가공된 기하학적 정보를 생성하고, 그리고
상기 제 1 합성 이미지 및 상기 가공된 기하학적 정보를 제 2 뉴럴 네트워크 모델에 입력하여, 상기 구강 이미지에 대한 시뮬레이션 결과를 나타내는 제 2 합성 이미지를 생성하는,
장치.
- 구강 이미지 처리를 위한 뉴럴 네트워크의 연산과 관련된 데이터를 저장하는 데이터 구조가 저장된 컴퓨터 판독가능한 기록 매체로서, 상기 데이터는 이하의 동작을 통해 획득되며, 상기 동작은,
구강 이미지를 제 1 뉴럴 네트워크 모델에 입력하여, 상기 구강 이미지에 대한 기하학적 정보(geometric information)를 생성하는 동작;
사용자로부터 입력된 합성 메타데이터(synthesis metadata)를 이용하여, 상기 구강 이미지로부터 제 1 합성 이미지를 생성하는 동작;
상기 합성 메타데이터에 기반한 이미지 처리 알고리즘을 상기 기하학적 정보에 적용함으로써, 가공된 기하학적 정보를 생성하는 동작; 및
상기 제 1 합성 이미지 및 상기 가공된 기하학적 정보를 제 2 뉴럴 네트워크 모델에 입력하여, 상기 구강 이미지에 대한 시뮬레이션 결과를 나타내는 제 2 합성 이미지를 생성하는 동작;
을 포함하는,
데이터 구조가 저장된 컴퓨터 판독가능한 기록 매체.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210087349A KR102521777B1 (ko) | 2021-07-02 | 2021-07-02 | 이미지 처리 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210087349A KR102521777B1 (ko) | 2021-07-02 | 2021-07-02 | 이미지 처리 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230006306A true KR20230006306A (ko) | 2023-01-10 |
| KR102521777B1 KR102521777B1 (ko) | 2023-04-14 |
Family
ID=84893556
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210087349A KR102521777B1 (ko) | 2021-07-02 | 2021-07-02 | 이미지 처리 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102521777B1 (ko) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101839789B1 (ko) * | 2017-08-01 | 2018-03-19 | 주식회사 뷰노 | 치과 영상의 판독 데이터 생성 시스템 |
| KR20200108851A (ko) * | 2017-12-22 | 2020-09-21 | 프로메이톤 홀딩 비.브이. | 심층 학습 방법을 이용한 자동화된 3d 치근 형상 예측 시스템 및 방법 |
| KR102200999B1 (ko) * | 2019-10-30 | 2021-01-11 | 주식회사 메디누보 | 치아 이미지에 기초한 치주 질환 예후 평가 장치 및 방법 |
| KR20210068707A (ko) * | 2019-12-02 | 2021-06-10 | 주식회사 수아랩 | 신경망을 학습시키는 방법 |
-
2021
- 2021-07-02 KR KR1020210087349A patent/KR102521777B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101839789B1 (ko) * | 2017-08-01 | 2018-03-19 | 주식회사 뷰노 | 치과 영상의 판독 데이터 생성 시스템 |
| KR20200108851A (ko) * | 2017-12-22 | 2020-09-21 | 프로메이톤 홀딩 비.브이. | 심층 학습 방법을 이용한 자동화된 3d 치근 형상 예측 시스템 및 방법 |
| KR102200999B1 (ko) * | 2019-10-30 | 2021-01-11 | 주식회사 메디누보 | 치아 이미지에 기초한 치주 질환 예후 평가 장치 및 방법 |
| KR20210068707A (ko) * | 2019-12-02 | 2021-06-10 | 주식회사 수아랩 | 신경망을 학습시키는 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102521777B1 (ko) | 2023-04-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102460257B1 (ko) | 진단 결과를 제공하기 위한 방법 및 장치 | |
| KR102534453B1 (ko) | 의료 영상 기반의 질환 예측 방법 | |
| KR102450409B1 (ko) | 의료 영상 기반의 세그먼테이션 방법 | |
| KR102179090B1 (ko) | 신경망을 이용한 의료 진단 방법 | |
| US20240062515A1 (en) | Method for classification using deep learning model | |
| KR102362678B1 (ko) | 생체신호 분석 방법 | |
| KR102264285B1 (ko) | 수질 관리를 위한 조류 정량화 방법 | |
| US20240005531A1 (en) | Method For Change Detection | |
| KR20220074442A (ko) | 질병을 판정하기 위한 정보를 제공하는 방법 | |
| KR102521777B1 (ko) | 이미지 처리 방법 | |
| US11373274B1 (en) | Method for super resolution imaging based on deep learning | |
| US20240144474A1 (en) | Medical-image-based lesion analysis method | |
| US20220172370A1 (en) | Method for detecting white matter lesions based on medical image | |
| KR102554181B1 (ko) | 골 영상으로부터 골 연령을 판독하는 방법 | |
| KR102454742B1 (ko) | 뇌 피질 영역의 두께를 분석하는 방법 | |
| KR20220057405A (ko) | 수질 관리를 위한 조류 정량화 방법 | |
| KR102653257B1 (ko) | 의료 영상을 기반으로 하는 관심 대상의 상태 판독 방법 | |
| KR20230152266A (ko) | 2d 이미지를 기반으로 3d 모델을 생성하는 방법 | |
| KR102606619B1 (ko) | 피드백 정보를 이용한 수술 후 외상 회복률 예측 방법 | |
| KR102622660B1 (ko) | 의료 영상에 대한 연속 절편 검출 방법 | |
| KR20230160995A (ko) | 3차원 볼륨 영상으로부터 랜드마크를 검출하기 위한 방법 및 장치 | |
| KR102579684B1 (ko) | 신경망 학습모델을 이용한 디지털 휴먼 모델링 방법 | |
| KR102307671B1 (ko) | 얼굴 인증을 수행하기 위한 방법 | |
| KR102546175B1 (ko) | 얼굴 변환을 수행하는 신경망 모델을 학습시키기 위한 방법 | |
| KR20230138686A (ko) | 척추 정렬 상태를 예측하는 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| N231 | Notification of change of applicant | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |