KR20230175117A - 딥러닝 모델의 학습을 위한 의료 데이터의 처리 방법, 프로그램 및 장치 - Google Patents
딥러닝 모델의 학습을 위한 의료 데이터의 처리 방법, 프로그램 및 장치 Download PDFInfo
- Publication number
- KR20230175117A KR20230175117A KR1020230077273A KR20230077273A KR20230175117A KR 20230175117 A KR20230175117 A KR 20230175117A KR 1020230077273 A KR1020230077273 A KR 1020230077273A KR 20230077273 A KR20230077273 A KR 20230077273A KR 20230175117 A KR20230175117 A KR 20230175117A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- space
- processor
- present disclosure
- technique
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 111
- 238000013136 deep learning model Methods 0.000 title claims abstract description 39
- 238000012545 processing Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 title description 8
- 238000003384 imaging method Methods 0.000 description 39
- 230000011218 segmentation Effects 0.000 description 29
- 230000008569 process Effects 0.000 description 22
- 238000004891 communication Methods 0.000 description 18
- 230000001133 acceleration Effects 0.000 description 16
- 230000005284 excitation Effects 0.000 description 15
- 238000000638 solvent extraction Methods 0.000 description 14
- 230000000875 corresponding effect Effects 0.000 description 10
- 238000005070 sampling Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000003062 neural network model Methods 0.000 description 8
- 238000004088 simulation Methods 0.000 description 8
- 238000002595 magnetic resonance imaging Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005192 partition Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Epidemiology (AREA)
- High Energy & Nuclear Physics (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Image Processing (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 딥러닝 모델의 학습을 위한 의료 데이터의 처리 방법, 프로그램 및 장치가 개시된다. 상기 방법은, 케이-스페이스 데이터의 메타 데이터의 특성을 고려하여, 상기 케이-스페이스 데이터를 서로 다른 복수의 데이터로 분리하는 단계; 및 상기 케이-스페이스 데이터로부터 분리된 서로 다른 복수의 데이터를 조합하여, 딥러닝 모델의 학습을 위한 입력 데이터 및 라벨 데이터를 생성하는 단계를 포함할 수 있다.
Description
본 개시의 내용은 데이터 처리 기술에 관한 것으로, 구체적으로 딥러닝 모델의 학습 데이터를 생성하기 위해서 의료 데이터를 처리하는 방법에 관한 것이다.
자기 공명 영상(MRI: magnetic resonance imaging) 장치는 촬영 시간이 상당히 요구되는 장비이다. 따라서, 의료 업계에서 자기 공명 영상의 촬영 시간을 단축시키기 위한 가속화 촬영 기술은 매우 중요한 부분을 차지하고 있고, 계속된 발전을 해오고 있다. 자기 공명 영상의 가속화 촬영은, 자기 공명 영상이 사람이 보는 이미지 도메인(domain)이 아닌 신호 도메인, 이른바 케이-스페이스(k-space)라는 도메인에서 데이터가 획득이 된다는 것이 전제가 된다.
가속화 촬영된 자기 공명 영상이 의료 현장에서 사용되기 위해서는, 촬영 대상에 대한 모든 정보를 포함하되, 정보의 해석에 영향을 미치는 노이즈가 최소화된 상태여야 한다. 이러한 필요성에 따라 최근 들어 인공지능을 기반으로 가속화 촬영된 저품질의 자기 공명 영상을 가속화 촬영되지 않은 고품질의 상태로 복원하는 기술 개발이 이루어지고 있다. 인공지능을 기반으로 가속화 촬영된 자기 공명 영상을 고품질로 복원하기 위해서는, 인공지능 모델을 효과적으로 학습시키는 것이 전제가 되어야 한다. 그러나, 인공지능 모델의 학습을 위한 데이터를 확보하는 것부터 현실적으로 어려운 측면이 존재한다. 예를 들어, 인공지능 모델의 효과적인 학습을 위해서는 양질의 입력 데이터 뿐만 아니라 그에 대응되는 고품질의 라벨 데이터도 확보되어야 한다. 그런데, 가속화 촬영된 자기 공명 영상을 입력 데이터로 일정 수준 확보하더라도, 그에 대응되는 고품질의 복원 영상이 현실적으로 거의 존재하지 않는 문제가 있다. 따라서, 현재 업계에서는 인공지능 모델을 구축하기 위해 가장 기본적으로 필요로 하는 학습 데이터를 확보하는 것이 요구되는 실정이다.
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 원시(raw) 의료 데이터의 특성을 고려하여, 저품질의 의료 데이터를 고품질로 복원하기 위한 딥러닝 모델의 학습에 필요로 하는 양질의 데이터를 확보하는 방법을 제공하는 것을 목적으로 한다.
다만, 본 개시에서 해결하고자 하는 과제는 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재를 근거로 명확하게 이해될 수 있을 것이다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 딥러닝 모델의 학습을 위한 의료 데이터의 처리 방법이 개시된다. 상기 방법은, 케이-스페이스 데이터의 메타 데이터의 특성을 고려하여, 상기 케이-스페이스 데이터를 서로 다른 복수의 데이터로 분리하는 단계; 및 상기 케이-스페이스 데이터로부터 분리된 서로 다른 복수의 데이터를 조합하여, 딥러닝 모델의 학습을 위한 입력 데이터 및 라벨 데이터를 생성하는 단계를 포함할 수 있다.
대안적으로, 상기 메타 데이터는, 여기 횟수(NEX), 가속화 지수(acceleration factor), 상기 케이-스페이스 데이터에 적용된 병렬 영상 기법, 또는 레졸루션(resolution) 중 적어도 하나를 포함할 수 있다.
대안적으로, 상기 케이-스페이스 데이터로부터 분리된 서로 다른 복수의 데이터를 조합하여, 딥러닝 모델의 학습을 위한 입력 데이터 및 라벨 데이터를 생성하는 단계는, 상기 복수의 데이터를 결합하여, 상기 입력 데이터를 생성하기 위한 제 1 예비 데이터 및 상기 라벨 데이터를 생성하기 위한 제 2 예비 데이터를 생성하는 단계; 및 상기 제 1 예비 데이터 및 상기 제 2 예비 데이터를 이미지 도메인으로 변환하여, 상기 입력 데이터 및 상기 라벨 데이터를 생성하는 단계를 포함할 수 있다.
대안적으로, 상기 복수의 데이터를 결합하여, 상기 입력 데이터를 생성하기 위한 제 1 예비 데이터 및 상기 라벨 데이터를 생성하기 위한 제 2 예비 데이터를 생성하는 단계는, 상기 복수의 데이터 간의 노이즈 비율을 조정하는 선형 결합을 통해, 상기 제 1 예비 데이터 및 상기 제 2 예비 데이터를 생성하는 단계를 포함할 수 있다.
대안적으로, 상기 제 2 예비 데이터의 노이즈는, 상기 제 1 예비 데이터의 노이즈와 상관 관계를 갖는 종속 노이즈 및 상기 제 1 예비 데이터의 노이즈와 상관 관계를 갖지 않는 독립 노이즈를 포함할 수 있다.
대안적으로, 상기 제 2 예비 데이터의 노이즈에서 상기 종속 노이즈와 상기 독립 노이즈 각각은, 상기 복수의 데이터 간의 선형 결합을 위해 사용되는 계수에 의해 결정될 수 있다.
대안적으로, 상기 제 1 예비 데이터 및 상기 제 2 예비 데이터를 이미지 도메인으로 변환하여, 상기 입력 데이터 및 상기 라벨 데이터를 생성하는 단계는, 상기 제 1 예비 데이터 및 상기 제 2 예비 데이터에 대한 푸리에 변환(fourier transform)을 기초로, 상기 입력 데이터 및 상기 라벨 데이터를 생성하는 단계를 포함할 수 있다.
대안적으로, 상기 제 1 예비 데이터 및 상기 제 2 예비 데이터를 이미지 도메인으로 변환하여, 상기 입력 데이터 및 상기 라벨 데이터를 생성하는 단계는, 상기 제 1 예비 데이터 및 상기 제 2 예비 데이터를 신경망 모델에 입력하여, 상기 입력 데이터 및 상기 라벨 데이터를 생성하는 단계를 포함할 수 있다.
대안적으로, 상기 케이-스페이스 데이터로부터 분리된 서로 다른 복수의 데이터를 조합하여, 딥러닝 모델의 학습을 위한 입력 데이터 및 라벨 데이터를 생성하는 단계는, 상기 제 1 예비 데이터의 레졸루션을 조정하는 단계를 더 포함할 수 있다.
대안적으로, 상기 제 1 예비 데이터의 레졸루션을 조정하는 단계는, 상기 제 1 예비 데이터의 레졸루션이 상기 제 2 예비 데이터의 레졸루션 이하의 값을 갖도록, 상기 제 1 예비 데이터의 리드아웃(readout) 레졸루션 혹은 위상 레졸루션 중 적어도 하나를 조정하는 단계를 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램(program)이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서(processor)에서 실행되는 경우, 딥러닝 모델의 학습을 위해 의료 데이터를 처리하는 동작들을 수행하도록 한다. 이때, 상기 동작들은, 케이-스페이스 데이터의 메타 데이터의 특성을 고려하여, 상기 케이-스페이스 데이터를 서로 다른 복수의 데이터로 분리하는 동작; 및 상기 케이-스페이스 데이터로부터 분리된 서로 다른 복수의 데이터를 조합하여, 딥러닝 모델의 학습을 위한 입력 데이터 및 라벨 데이터를 생성하는 동작을 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 하기 위한 컴퓨팅 장치가 개시된다. 상기 장치는, 적어도 하나의 코어(core)를 포함하는 프로세서; 상기 프로세서에서 실행 가능한 프로그램 코드(code)들을 포함하는 메모리(memory); 및 케이-스페이스(k-space) 데이터 및 상기 케이-스페이스 데이터의 메타(meta) 데이터를 획득하기 위한 네트워크부(network unit)를 포함할 수 있다. 이때, 상기 프로세서는, 케이-스페이스 데이터의 메타 데이터의 특성을 고려하여, 상기 케이-스페이스 데이터를 서로 다른 복수의 데이터로 분리하고, 상기 케이-스페이스 데이터로부터 분리된 서로 다른 복수의 데이터를 조합하여, 딥러닝 모델의 학습을 위한 입력 데이터 및 라벨 데이터를 생성할 수 있다.
본 개시는 원시(raw) 의료 데이터의 특성을 고려하여, 저품질의 의료 데이터를 고품질로 복원하기 위한 딥러닝 모델의 학습에 필요로 하는 양질의 데이터를 확보하는 방법을 제공할 수 있다.
도 1은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따른 의료 데이터의 처리 방법을 나타낸 순서도이다.
도 3 은 본 개시의 일 실시예에 따른 의료 데이터의 처리 과정을 나타낸 개념도이다.
도 4는 본 개시의 일 실시예에 따라 메타 데이터의 특성을 고려하여 데이터를 분할하는 과정을 나타낸 개념도이다.
도 5는 본 개시의 일 실시예에 따라 메타 데이터의 특성을 고려하여 데이터를 분할하는 과정을 나타낸 순서도이다.
도 6은 본 개시의 일 실시예에 따른 의료 데이터의 처리 방법을 나타낸 순서도이다.
도 7은 본 개시의 일 실시예에 따른 의료 데이터의 처리 과정을 나타낸 개념도이다.
도 8은 본 개시의 일 실시예에 따라 복수의 데이터를 결합하여 입력 데이터 및 라벨 데이터를 생성하는 방법을 나타낸 순서도이다.
도 2는 본 개시의 일 실시예에 따른 의료 데이터의 처리 방법을 나타낸 순서도이다.
도 3 은 본 개시의 일 실시예에 따른 의료 데이터의 처리 과정을 나타낸 개념도이다.
도 4는 본 개시의 일 실시예에 따라 메타 데이터의 특성을 고려하여 데이터를 분할하는 과정을 나타낸 개념도이다.
도 5는 본 개시의 일 실시예에 따라 메타 데이터의 특성을 고려하여 데이터를 분할하는 과정을 나타낸 순서도이다.
도 6은 본 개시의 일 실시예에 따른 의료 데이터의 처리 방법을 나타낸 순서도이다.
도 7은 본 개시의 일 실시예에 따른 의료 데이터의 처리 과정을 나타낸 개념도이다.
도 8은 본 개시의 일 실시예에 따라 복수의 데이터를 결합하여 입력 데이터 및 라벨 데이터를 생성하는 방법을 나타낸 순서도이다.
아래에서는 첨부한 도면을 참조하여 본 개시의 기술 분야에서 통상의 지식을 가진 자(이하, 당업자)가 용이하게 실시할 수 있도록 본 개시의 실시예가 상세히 설명된다. 본 개시에서 제시된 실시예들은 당업자가 본 개시의 내용을 이용하거나 또는 실시할 수 있도록 제공된다. 따라서, 본 개시의 실시예들에 대한 다양한 변형들은 당업자에게 명백할 것이다. 즉, 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며, 이하의 실시예에 한정되지 않는다.
본 개시의 명세서 전체에 걸쳐 동일하거나 유사한 도면 부호는 동일하거나 유사한 구성요소를 지칭한다. 또한, 본 개시를 명확하게 설명하기 위해서, 도면에서 본 개시에 대한 설명과 관계없는 부분의 도면 부호는 생략될 수 있다.
본 개시에서 사용되는 "또는" 이라는 용어는 배타적 "또는" 이 아니라 내포적 "또는" 을 의미하는 것으로 의도된다. 즉, 본 개시에서 달리 특정되지 않거나 문맥상 그 의미가 명확하지 않은 경우, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 이해되어야 한다. 예를 들어, 본 개시에서 달리 특정되지 않거나 문맥상 그 의미가 명확하지 않은 경우, "X는 A 또는 B를 이용한다" 는 X가 A를 이용하거나, X가 B를 이용하거나, 혹은 X가 A 및 B 모두를 이용하는 경우 중 어느 하나로 해석될 수 있다.
본 개시에서 사용되는 "및/또는" 이라는 용어는 열거된 관련 개념들 중 하나 이상의 개념의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
본 개시에서 사용되는 "포함한다" 및/또는 "포함하는" 이라는 용어는, 특정 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는" 이라는 용어는, 하나 이상의 다른 특징, 다른 구성요소 및/또는 이들에 대한 조합의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다.
본 개시에서 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 단수는 일반적으로 "하나 또는 그 이상" 을 포함할 수 있는 것으로 해석되어야 한다.
본 개시에서 사용되는 "제 N(N은 자연수)" 이라는 용어는 본 개시의 구성요소들을 기능적 관점, 구조적 관점, 혹은 설명의 편의 등 소정의 기준에 따라 상호 구별하기 위해 사용되는 표현으로 이해될 수 있다. 예를 들어, 본 개시에서 서로 다른 기능적 역할을 수행하는 구성요소들은 제 1 구성요소 혹은 제 2 구성요소로 구별될 수 있다. 다만, 본 개시의 기술적 사상 내에서 실질적으로 동일하나 설명의 편의를 위해 구분되어야 하는 구성요소들도 제 1 구성요소 혹은 제 2 구성요소로 구별될 수도 있다.
한편, 본 개시에서 사용되는 용어 "모듈(module)", 또는 "부(unit)" 는 컴퓨터 관련 엔티티(entity), 펌웨어(firmware), 소프트웨어(software) 혹은 그 일부, 하드웨어(hardware) 혹은 그 일부, 소프트웨어와 하드웨어의 조합 등과 같이 컴퓨팅 자원을 처리하는 독립적인 기능 단위를 지칭하는 용어로 이해될 수 있다. 이때, "모듈", 또는 "부"는 단일 요소로 구성된 단위일 수도 있고, 복수의 요소들의 조합 혹은 집합으로 표현되는 단위일 수도 있다. 예를 들어, 협의의 개념으로서 "모듈", 또는 "부"는 컴퓨팅 장치의 하드웨어 요소 또는 그 집합, 소프트웨어의 특정 기능을 수행하는 응용 프로그램, 소프트웨어 실행을 통해 구현되는 처리 과정(procedure), 또는 프로그램 실행을 위한 명령어 집합 등을 지칭할 수 있다. 또한, 광의의 개념으로서 "모듈", 또는 "부"는 시스템을 구성하는 컴퓨팅 장치 그 자체, 또는 컴퓨팅 장치에서 실행되는 애플리케이션 등을 지칭할 수 있다. 다만, 상술한 개념은 하나의 예시일 뿐이므로, "모듈", 또는 "부"의 개념은 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 정의될 수 있다.
본 개시에서 사용되는 "모델(model)" 이라는 용어는 특정 문제를 해결하기 위해 수학적 개념과 언어를 사용하여 구현되는 시스템, 특정 문제를 해결하기 위한 소프트웨어 단위의 집합, 혹은 특정 문제를 해결하기 위한 처리 과정에 관한 추상화 모형으로 이해될 수 있다. 예를 들어, 신경망(neural network) "모델" 은 학습을 통해 문제 해결 능력을 갖는 신경망으로 구현되는 시스템 전반을 지칭할 수 있다. 이때, 신경망은 노드(node) 혹은 뉴런(neuron)을 연결하는 파라미터(parameter)를 학습을 통해 최적화하여 문제 해결 능력을 가질 수 있다. 신경망 "모델" 은 단일 신경망을 포함할 수도 있고, 복수의 신경망들이 조합된 신경망 집합을 포함할 수도 있다.
본 개시에서 사용되는 "데이터"는 "영상"을 포함할 수 있다. 본 개시에서 사용되는 "영상" 이라는 용어는 이산적 이미지 요소들로 구성된 다차원 데이터를 지칭할 수 있다. 다시 말해, "영상"은 사람의 눈으로 볼 수 있는 대상의 디지털 표현물을 지칭하는 용어로 이해될 수 있다. 예를 들어, "영상" 은 2차원 이미지에서 픽셀에 해당하는 요소들로 구성된 다차원 데이터를 지칭할 수 있다. "영상"은 3차원 이미지에서 복셀에 해당하는 요소들로 구성된 다차원 데이터를 지칭할 수 있다.
본 개시에서 사용되는 "의료 영상 저장 전송 시스템(PACS: picture archiving and communication system)" 이라는 용어는 의료용 디지털 영상 및 통신(DICOM: digital imaging and communications in medicine) 표준에 맞게 의료 영상을 저장, 가공, 및 전송하는 시스템을 지칭할 수 있다. 예를 들어, "의료 영상 저장 전송 시스템" 은 디지털 의료 영상 촬영 장비와 연동되어 자기 공명 영상(MRI: magnetic resonance imaging), 컴퓨터 단층 촬영(CT: computed tomography) 영상 등과 같은 의료 영상을 의료용 디지털 영상 및 통신 표준에 맞춰 저장할 수 있다. "의료 영상 저장 전송 시스템" 은 통신 네트워크를 통해 병원 내외의 단말로 의료 영상을 전송할 수 있다. 이때, 의료 영상에는 판독 결과 및 진료 기록 등과 같은 메타(meta) 정보가 추가될 수 있다.
본 개시에서 사용되는 "케이-스페이스(k-space)" 라는 용어는 자기 공명 영상의 공간 주파수를 나타내는 숫자의 배열로 이해될 수 있다. 다시 말해서, "케이-스페이스" 는 자기 공명 공간 좌표에 해당하는 3차원 공간에 대응되는 주파수 공간으로 이해될 수 있다.
본 개시에서 사용되는 "푸리에 변환(fourier transform)" 이라는 용어는 시간 영역과 주파수 영역의 연관성을 설명할 수 있게 하는 연산 매개체로 이해될 수 있다. 다시 말해, 본 개시에서 사용되는 "푸리에 변환" 은 시간 영역과 주파수 영역의 상호 변환을 위한 연산 과정을 나타내는 광의의 개념으로 이해될 수 있다. 따라서, 본 개시에서 사용되는 "푸리에 변환" 은 시간 영역의 신호를 주파수 영역으로 분해하는 협의의 푸리에 변환 및 주파수 영역의 신호를 시간 영역으로 변환하는 역 푸리에 변환(inverse fourier transform)을 모두 포괄하는 개념으로 이해될 수 있다.
전술한 용어의 설명은 본 개시의 이해를 돕기 위한 것이다. 따라서, 전술한 용어를 본 개시의 내용을 한정하는 사항으로 명시적으로 기재하지 않은 경우, 본 개시의 내용을 기술적 사상을 한정하는 의미로 사용하는 것이 아님을 주의해야 한다.
도 1은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.
본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 데이터의 종합적인 처리 및 연산을 수행하는 하드웨어 장치 혹은 하드웨어 장치의 일부일 수도 있고, 통신 네트워크로 연결되는 소프트웨어 기반의 컴퓨팅 환경일 수도 있다. 예를 들어, 컴퓨팅 장치(100)는 집약적 데이터 처리 기능을 수행하고 자원을 공유하는 주체인 서버일 수도 있고, 서버와의 상호 작용을 통해 자원을 공유하는 클라이언트(client)일 수도 있다. 또한, 컴퓨팅 장치(100)는 복수의 서버들 및 클라이언트들이 상호 작용하여 데이터를 종합적으로 처리하는 클라우드 시스템(cloud system)일 수도 있다. 상술한 기재는 컴퓨팅 장치(100)의 종류와 관련된 하나의 예시일 뿐이므로, 컴퓨팅 장치(100)의 종류는 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
도 1을 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 프로세서(processor)(110), 메모리(memory)(120), 및 네트워크부(network unit)(130)를 포함할 수 있다. 다만, 도 1은 하나의 예시일 뿐이므로, 컴퓨팅 장치(100)는 컴퓨팅 환경을 구현하기 위한 다른 구성들을 포함할 수 있다. 또한, 상기 개시된 구성들 중 일부만이 컴퓨팅 장치(100)에 포함될 수도 있다.
본 개시의 일 실시예에 따른 프로세서(110)는 컴퓨팅 연산을 수행하기 위한 하드웨어 및/또는 소프트웨어를 포함하는 구성 단위로 이해될 수 있다. 예를 들어, 프로세서(110)는 컴퓨터 프로그램을 판독하여 기계 학습을 위한 데이터 처리를 수행할 수 있다. 프로세서(110)는 기계 학습을 위한 입력 데이터의 처리, 기계 학습을 위한 특징 추출, 역전파(backpropagation)에 기반한 오차 계산 등과 같은 연산 과정을 처리할 수 있다. 이와 같은 데이터 처리를 수행하기 위한 프로세서(110)는 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치(GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit), 주문형 반도체(ASIC: application specific integrated circuit), 혹은 필드 프로그래머블 게이트 어레이(FPGA: field programmable gate array) 등을 포함할 수 있다. 상술한 프로세서(110)의 종류는 하나의 예시일 뿐이므로, 프로세서(110)의 종류는 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
프로세서(110)는 저품질의 의료 데이터를 고품질로 복원하기 위한 딥러닝 모델의 학습 데이터를 생성할 수 있다. 프로세서(110)는 의료 데이터와 연관된 메타 데이터를 사용하여, 딥러닝 모델의 학습을 위한 입력 데이터 및 라벨 데이터를 생성할 수 있다. 프로세서(110)는 의료 데이터의 메타 데이터의 특성을 고려하여, 의료 데이터로부터 딥러닝 모델의 학습을 위한 입력 데이터 및 라벨 데이터를 생성할 수 있다. 이때, 의료 데이터는 가속화 촬영 혹은 가속화 시뮬레이션(simulation) 된 자기 공명 신호 혹은 영상을 포함할 수 있다. 그리고, 딥러닝 모델은 가속화 촬영 혹은 가속화 시뮬레이션된 자기 공명 영상을 일반 촬영 상태로 복원하는 신경망 모델을 포함할 수 있다. 다시 말해서, 딥러닝 모델은 가속화 촬영 혹은 가속화 시뮬레이션된 자기 공명 영상의 노이즈를 줄이거나 레졸루션을 향상시키는 출력을 생성하는 신경망 모델을 포함할 수 있다. 예를 들어, 신경망 모델은 컨볼루셔널(convolutional) 신경망을 기반으로 하는 유-넷(U-NET) 등을 포함할 수 있다. 상술한 신경망의 종류는 하나의 예시일 뿐이므로, 컴퓨터 비전(vision) 분야의 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
한편, 본 개시에서 가속화 촬영은 일반적인 촬영 대비 자기 공명 신호에 대한 여기 횟수(NEX: number of excitations)를 감소시켜 촬영 시간을 단축시키는 촬영 기법으로 이해될 수 있다. 여기 횟수는 케이-스페이스 도메인에서 자기 공명 신호의 라인들을 반복 획득할 때의 반복된 횟수로 이해될 수 있다. 따라서, 여기 횟수가 증가함에 따라 자기 공명 영상의 촬영 시간이 비례하여 증가할 수 있다. 즉, 자기 공명 영상의 촬영 시에 여기 횟수를 감소시키는 경우, 자기 공명 영상의 촬영 시간이 단축된 가속화 촬영이 구현될 수 있다.
본 개시에서 가속화 촬영은 케이-스페이스 도메인에서 위상 인코딩(phase encoding) 방향으로 더 좁은 범위의 신호를 얻음으로써, 해상도가 상대적으로 낮은 영상을 획득하는 촬영 기법으로 이해될 수 있다. 다시 말해, 본 개시의 가속화 촬영은 일반적인 촬영 대비 위상 레졸루션(resolution)을 감소시킨 촬영 기법으로 이해될 수 있다. 위상 레졸루션은 케이-스페이스 도메인에서 위상 인코딩 방향으로 샘플링 된 라인의 개수를 미리 설정된 기준 값으로 나눈 값으로 이해될 수 있다. 따라서, 위상 레졸루션이 증가함에 따라, 자기 공명 영상의 촬영 시간이 비례하여 증가할 수 있다. 즉, 자기 공명 영상의 촬영 시에 위상 레졸루션을 감소시키는 경우, 자기 공명 영상의 촬영 시간이 단축된 가속화 촬영이 구현될 수 있다.
본 개시에서 가속화 촬영은 일반적인 촬영에 비해 가속화 지수(acceleration factor)를 높여 촬영 시간을 단축시키는 촬영 기법으로 이해될 수 있다. 가속화 지수는 병렬 영상 기법에서 사용되는 용어로서, 케이-스페이스에서 풀 샘플링(full sampling)된 신호 라인의 개수를 촬영을 통해 샘플링 된 신호 라인의 개수로 나눈 값으로 이해될 수 있다. 예를 들어, 가속화 지수가 2 라는 것은, 위상 인코딩 방향으로 자기 공명 신호를 샘플링 하여 라인을 획득할 때, 풀 샘플링 된 신호 라인의 개수 대비 절반의 신호 라인의 개수를 획득하는 것으로 이해될 수 있다. 따라서, 가속화 지수가 증가함에 따라, 자기 공명 영상의 촬영 시간이 비례하여 감소할 수 있다. 즉, 자기 공명 영상의 촬영 시에 가속화 지수를 증가시키는 경우, 자기 공명 영상의 촬영 시간이 단축된 가속화 촬영이 구현될 수 있다.
본 개시에서 가속화 촬영은 서브 샘플링(sub sampling) 된 자기 공명 신호를 획득하여 자기 공명 영상을 생성하는 촬영 기법으로 이해될 수 있다. 이때, 서브 샘플링은 나이키스트 샘플링 레이트(nyquist sampling rate)보다 낮은 샘플링 레이트로 자기 공명 신호를 샘플링 하는 작업으로 이해될 수 있다. 따라서, 본 개시의 의료 데이터는 나이키스트 샘플링 레이트보다 낮은 샘플링 레이트로 자기 공명 신호를 샘플링 하여 획득된 영상일 수 있다.
본 개시의 가속화 시뮬레이션은 일반 촬영 혹은 가속화 촬영을 통해 생성된 케이-스페이스 데이터를 언더 샘플링(under sampling)하는 연산 기법으로 이해될 수 있다. 이때, 언더 샘플링은 처리 대상인 케이-스페이스 데이터를 기준으로 더 낮은 샘플링 레이트로 자기 공명 신호를 처리하는 방식으로 이해될 수 있다. 예를 들어, 가속화 시뮬레이션은 풀 샘플링 된 케이-스페이스 데이터를 기초로 서브 샘플링 된 케이-스페이스 데이터를 생성하는 연산 기법을 포함할 수 있다. 또한, 가속화 시뮬레이션은 서브 샘플링 된 케이-스페이스 데이터를 더 낮은 샘플링 레이트로 자기 공명 신호를 샘플링 하는 연산 기법을 포함할 수 있다. 이와 같은 예시 이외에 가속화 시뮬레이션은 상술한 가속화 촬영 기법이 그대로 적용될 수도 있다. 가속화 시뮬레이션은 본 개시의 프로세서(110)에 의해 수행될 수도 있고, 별도의 외부 시스템을 통해 수행될 수도 있다.
다만, 상술한 가속화 촬영 혹은 가속화 시뮬레이션의 설명은 하나의 예시일 뿐이므로, 가속화 촬영의 개념은 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 정의될 수 있다.
프로세서(110)는 케이-스페이스 데이터의 메타 데이터를 기초로, 케이-스페이스 데이터를 서로 다른 복수의 데이터로 분리할 수 있다. 프로세서(110)는 케이-스페이스 데이터의 메타 데이터를 분석하여, 케이-스페이스 데이터의 인코딩 라인을 기준으로 케이-스페이스 데이터를 서로 다른 복수의 데이터로 분할할 수 있다. 프로세서(110)는 케이-스페이스 데이터의 메타 데이터의 특성을 고려하여, 케이-스페이스 데이터로부터 인코딩 라인을 기준으로 구별되는 서로 다른 복수의 데이터를 생성할 수 있다. 이때, 케이-스페이스 데이터는 가속화 촬영 혹은 가속화 시뮬레이션된 케이-스페이스 도메인의 자기 공명 신호 혹은 영상에 대응될 수 있다.
프로세서(110)는 케이-스페이스 데이터의 메타 데이터가 어떠한 특성을 갖는지를 판단할 수 있다. 그리고, 프로세서(110)는 전술한 판단 결과를 기초로 적절한 분할 기법을 선택하여 케이-스페이스 데이터로부터 서로 다른 복수의 데이터를 생성할 수 있다. 다시 말해서, 프로세서(110)는 케이-스페이스 데이터의 메타 데이터의 특성에 따라, 케이-스페이스 데이터를 서로 다른 복수의 데이터로 분리하기 위한 분할 기법을 식별할 수 있다. 그리고, 프로세서(110)는 앞서 식별된 분할 기법을 사용하여 케이-스페이스 데이터로부터 서로 다른 복수의 데이터를 생성할 수 있다. 예를 들어, 프로세서(110)는 메타 데이터의 특성에 따라 기 분류된 분할 기법들 중에서 현재 처리 대상인 케이-스페이스 데이터의 메타 데이터의 특성에 매칭되는 분할 기법을 선택할 수 있다. 이때, 메타 데이터는 여기 횟수, 가속화 지수, 상기 케이-스페이스 데이터에 적용된 병렬 영상 기법, 또는 레졸루션 중 적어도 하나를 포함할 수 있다. 프로세서(110)는 현재 처리 대상인 케이-스페이스 데이터의 메타 데이터의 특성에 매칭되는 분할 기법을 사용하여, 케이-스페이스 데이터로부터 인코딩 라인을 기준으로 구별되는 서로 다른 복수의 데이터를 생성할 수 있다.
즉, 프로세서(110)는 케이-스페이스 데이터가 어떠한 가속화 특성을 갖는지를 고려하여, 케이-스페이스 데이터의 특성에 맞는 적절한 분할 기법을 라우팅(routing) 할 수 있다. 프로세서(110)는 이러한 라우팅 및 데이터 처리를 통해, 케이-스페이스 데이터로부터 딥러닝 모델의 학습에 최적화 된 입력 데이터 및 라벨 데이터를 생성하기 위한 기초 데이터를 마련할 수 있다.
프로세서(110)는 케이-스페이스 데이터로부터 생성된 서로 다른 복수의 데이터를 기초로, 딥러닝 모델의 학습 데이터를 생성할 수 있다. 프로세서(110)는 케이-스페이스 데이터로부터 분리된 서로 다른 복수의 데이터를 조합하여, 딥러닝 모델의 학습을 위한 입력 데이터 및 라벨 데이터를 생성할 수 있다. 예를 들어, 프로세서(110)는 서로 다른 복수의 데이터를 결합하여, 딥러닝 모델의 학습을 위한 입력 데이터를 마련하기 위한 예비 데이터를 생성할 수 있다. 또한, 프로세서(110)는 서로 다른 복수의 데이터를 결합하여, 라벨 데이터를 마련하기 위한 예비 데이터를 생성할 수 있다. 이때, 라벨 데이터가 입력 데이터와 노이즈 혹은 레졸루션의 차이가 발생하도록, 프로세서(110)는 복수의 데이터 간 결합 비율을 고려하여, 입력 데이터를 위한 예비 데이터와 라벨 데이터를 위한 예비 데이터를 생성하는 연산을 개별적으로 수행할 수 있다. 프로세서(110)는 각 예비 데이터를 기초로, 딥러닝 모델의 학습을 위한 입력 데이터 및 라벨 데이터를 생성할 수 있다.
즉, 프로세서(110)는 케이-스페이스 데이터의 자체적인 특성을 고려하여, 단일 케이-스페이스 데이터로부터 딥러닝 모델의 학습을 위한 입력 데이터 및 입력 데이터와 대응되는 고품질의 라벨 데이터를 생성할 수 있다. 이러한 데이터 처리 과정을 통해, 프로세서(110)는 가속화 촬영 혹은 가속화 시뮬레이션된 자기 공명 영상을 복원하기 위한 딥러닝 모델의 학습 데이터를 효과적으로 구축할 수 있다.
본 개시의 일 실시예에 따른 메모리(120)는 컴퓨팅 장치(100)에서 처리되는 데이터를 저장하고 관리하기 위한 하드웨어 및/또는 소프트웨어를 포함하는 구성 단위로 이해될 수 있다. 즉, 메모리(120)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 데이터 및 네트워크부(130)가 수신한 임의의 형태의 데이터를 저장할 수 있다. 예를 들어, 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, 램(RAM: random access memory), 에스램(SRAM: static random access memory), 롬(ROM: read-only memory), 이이피롬(EEPROM: electrically erasable programmable read-only memory), 피롬(PROM: programmable read-only memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 또한, 메모리(120)는 데이터를 소정의 체제로 통제하여 관리하는 데이터베이스(database) 시스템을 포함할 수도 있다. 상술한 메모리(120)의 종류는 하나의 예시일 뿐이므로, 메모리(120)의 종류는 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
메모리(120)는 프로세서(110)가 연산을 수행하는데 필요한 데이터, 데이터의 조합, 및 프로세서(110)에서 실행 가능한 프로그램 코드(code) 등을 구조화 및 조직화 하여 관리할 수 있다. 예를 들어, 메모리(120)는 후술할 네트워크부(130)를 통해 수신된 의료 데이터를 저장할 수 있다. 메모리(120)는 신경망 모델의 학습 데이터를 생성하기 위해 의료 데이터를 처리하도록 동작시키는 프로그램 코드, 프로세서(110)가 신경망 모델의 특징 해석(혹은 추론)을 기초로 이미지 데이터를 생성하도록 동작시키는 프로그램 코드 및 프로그램 코드가 실행됨에 따라 생성된 케이-스페이스 데이터, 이미지 데이터 등을 저장할 수 있다.
본 개시의 일 실시예에 따른 네트워크부(130)는 임의의 형태의 공지된 유무선 통신 시스템을 통해 데이터를 송수신하는 구성 단위로 이해될 수 있다. 예를 들어, 네트워크부(130)는 근거리 통신망(LAN: local area network), 광대역 부호 분할 다중 접속(WCDMA: wideband code division multiple access), 엘티이(LTE: long term evolution), 와이브로(WiBro: wireless broadband internet), 5세대 이동통신(5G), 초광역대 무선통신(ultra wide-band), 지그비(ZigBee), 무선주파수(RF: radio frequency) 통신, 무선랜(wireless LAN), 와이파이(wireless fidelity), 근거리 무선통신(NFC: near field communication), 또는 블루투스(Bluetooth) 등과 같은 유무선 통신 시스템을 사용하여 데이터 송수신을 수행할 수 있다. 상술한 통신 시스템들은 하나의 예시일 뿐이므로, 네트워크부(130)의 데이터 송수신을 위한 유무선 통신 시스템은 상술한 예시 이외에 다양하게 적용될 수 있다.
네트워크부(130)는 임의의 시스템 혹은 임의의 클라이언트 등과의 유무선 통신을 통해, 프로세서(110)가 연산을 수행하는데 필요한 데이터를 수신할 수 있다. 또한, 네트워크부(130)는 임의의 시스템 혹은 임의의 클라이언트 등과의 유무선 통신을 통해, 프로세서(110)의 연산을 통해 생성된 데이터를 송신할 수 있다. 예를 들어, 네트워크부(130)는 의료 영상 저장 전송 시스템, 의료 데이터의 표준화 등의 작업을 수행하는 클라우드 서버, 혹은 컴퓨팅 장치 등과의 통신을 통해, 의료 데이터를 수신할 수 있다. 네트워크부(130)는 전술한 시스템, 서버, 혹은 컴퓨팅 장치 등과의 통신을 통해, 프로세서(110)의 연산을 통해 생성된 학습 데이터, 신경망 모델의 출력에 대응되는 이미지 데이터 등을 송신할 수 있다.
도 2는 본 개시의 일 실시예에 따른 의료 데이터의 처리 방법을 나타낸 순서도이다.
도 2를 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 케이-스페이스 데이터 및 케이-스페이스 데이터의 메타 데이터를 획득할 수 있다(S100). 여기서, "획득"은 외부 단말, 장치 혹은 시스템과의 무선 통신 네트워크를 통해 데이터를 수신하는 것 뿐만 아니라, 온-디바이스(on-device) 형태로 데이터를 생성 혹은 수신하는 것을 지칭하는 것으로 이해될 수 있다. 예를 들어, 컴퓨팅 장치(100)는 의료 영상 저장 전송 시스템 혹은 자기 공명 영상 장치와의 클라우드 통신을 통해 케이-스페이스 데이터 및 케이-스페이스 데이터의 메타 데이터를 수신할 수 있다. 컴퓨팅 장치(100)는 자기 공명 영상 장치에 탑재되어 케이-스페이스 데이터 및 케이-스페이스 데이터의 메타 데이터를 직접 획득할 수도 있다. 이때, 케이-스페이스 데이터의 메타 데이터는 케이-스페이스 데이터의 가속화 촬영과 연관된 메타 데이터일 수 있다. 케이-스페이스 데이터의 메타 데이터는 여기 횟수, 가속화 지수, 케이-스페이스 데이터에 적용된 병렬 영상 기법, 또는 레졸루션 중 적어도 하나를 포함할 수 있다.
컴퓨팅 장치(100)는 S100 단계를 통해 획득한 메타 데이터의 특성을 고려하여, 케이-스페이스 데이터의 인코딩 라인을 기준으로 케이-스페이스 데이터를 서로 다른 복수의 데이터로 분리할 수 있다(S200). 컴퓨팅 장치(100)는 메타 데이터의 특성을 나타내는 수치 값들을 분석하여, 케이-스페이스 데이터로부터 인코딩 라인을 기준으로 상호 구별되는 복수의 데이터를 생성할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 여기 횟수, 가속화 지수, 병렬 영상 기법, 또는 레졸루션 중 적어도 하나의 수치 값을 기초로, S100 단계를 통해 획득된 케이-스페이스 데이터에 적용하기에 적절한 분할 기법을 식별할 수 있다. 이때, 식별은 여기 횟수, 가속화 지수, 병렬 영상 기법, 또는 레졸루션 중 적어도 하나의 수치 값의 조합에 맞추어 기 분류된 분할 기법들 중에서 적절한 분할 기법을 매칭하는 작업으로 이해될 수 있다. 컴퓨팅 장치(100)는 식별된 분할 기법을 사용하여, 케이-스페이스 데이터로부터 인코딩 라인을 기준으로 상호 구별되는 복수의 데이터를 생성할 수 있다. 여기서, 복수의 데이터는 딥러닝 모델의 학습을 위한 입력 데이터와 라벨 데이터를 생성하는데 사용되는 기초 데이터로 이해될 수 있다.
도 3 은 본 개시의 일 실시예에 따른 의료 데이터의 처리 과정을 나타낸 개념도이다. 그리고, 도 4는 본 개시의 일 실시예에 따라 메타 데이터의 특성을 고려하여 데이터를 분할하는 과정을 나타낸 개념도이다.
도 3을 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)의 프로세서(110)는 케이-스페이스 데이터(210) 및 케이-스페이스 데이터(210)의 메타 데이터(220)를 기초로, 의료 데이터의 복원을 위한 딥러닝 모델의 학습 데이터를 마련하는데 사용될 복수의 데이터(300)를 생성할 수 있다. 프로세서(110)는 메타 데이터(220)의 특성을 기초로, 케이-스페이스 데이터(210)를 서로 다른 복수의 데이터(300)로 분리하기 위한 분할 기법을 식별할 수 있다. 이때, 메타 데이터(220)의 특성은 케이-스페이스 데이터(210)의 가속화 촬영과 연관된 파라미터(parameter), 또는 가속화 촬영 기법 혹은 복원 기법을 나타내는 속성 값 등일 수 있다. 프로세서(110)는 식별된 분할 기법을 사용하여, 인코딩 라인을 기준으로 케이-스페이스 데이터(210)로부터 노이즈가 상호 독립적인 복수의 데이터(300)를 생성할 수 있다. 이때, 인코딩 라인은 케이-스페이스 데이터의 차원을 이루는 주파수 인코딩 혹은 위상 인코딩의 집합으로 이해될 수 있다.
예를 들어, 프로세서(110)는 메타 데이터(220)의 특성을 나타내는 수치 값들의 조합을 판단할 수 있다. 프로세서(110)는 조합에 매칭되는 분할 기법을, 노이즈가 상호 독립적인 복수의 데이터(300)를 생성하기 위해 사용되는 분할 기법으로 결정할 수 있다. 프로세서(110)는 메타 데이터(200)의 특성을 나타내는 수치 값들의 조합을 기초로, 기 분류된 분할 기법들 중 수치 값들의 조합에 매칭되는 분할 기법을 선택할 수 있다. 즉, 프로세서(110)는 케이-스페이스 데이터가 어떠한 방식으로 촬영되었는지를 개별적으로 고려하여, 해당 케이-스페이스 데이터에 알맞은 분할 기법을 적절히 사용할 수 있다. 다시 말해서, 프로세서(110)는 임상 표준으로 사용 가능한 케이-스페이스 데이터에 대한 메타 데이터의 특성을 고려하여, 해당 케이-스페이스 데이터에 적합한 분할 기법을 판단할 수 있다. 이러한 데이터 처리 과정은 어떠한 케이-스페이스 데이터가 확보되더라도, 케이-스페이스 데이터 자체에 최적화 된 기법을 통해 노이즈가 상호 독립적인 양질의 데이터를 확보할 수 있도록 한다.
본 개시의 일 실시예에 따르면, 분할 기법은 여기 횟수에 따른 가속화 촬영의 순서를 기준으로, 케이-스페이스 데이터로부터 노이즈가 상호 독립적인 복수의 데이터를 생성하는 제 1 분할 기법(10)을 포함할 수 있다. 또한, 분할 기법은 위상 인코딩 라인의 간격을 기준으로, 케이-스페이스 데이터로부터 노이즈가 상호 독립적인 복수의 데이터를 생성하는 제 2 분할 기법(20)을 포함할 수 있다. 예를 들어, 제 1 분할 기법(10)은 여기 횟수에 따라 첫번째 촬영된 데이터인지 혹은 두번째 촬영된 데이터인지 등을 판단하고, 이러한 촬영 순서에 따라 케이-스페이스 데이터를 분할하여 복수의 데이터를 생성하는 기법을 포함할 수 있다. 제 2 분할 기법(20)은 위상 인코딩 라인의 간격을 2로 하여 케이-스페이스 데이터의 위상 인코딩 라인들을 구별하고, 구별된 위상 인코딩 라인들을 기초로 케이-스페이스 데이터로부터 노이즈가 상호 독립적인 복수의 데이터를 생성하는 분할 기법을 포함할 수 있다. 즉, 제 2 분할 기법(20)은 위상 인코딩 라인이 홀수번째인지 혹은 짝수번째인지를 판단하고, 이러한 패턴에 따라 케이-스페이스 데이터를 분할하여 복수의 데이터를 생성하는 기법을 포함할 수 있다. 위상 인코딩 라인의 간격이 2인 상술한 예시 이외에도, 제 2 분할 기법(20)은 위상 인코딩 간격이 2 이상인 케이스(case)도 포함할 수 있다. 다시 말해서, 제 2 분할 기법(20)은 위상 인코딩 라인의 간격을 n(n은 2 이상인 자연수)으로 하여 케이-스페이스 데이터의 위상 인코딩 라인들을 구별하고, 구별된 위상 인코딩 라인들을 기초로 케이-스페이스 데이터로부터 노이즈가 상호 독립적인 복수의 데이터를 생성하는 분할 기법을 포함할 수 있다.
상술한 제 1 분할 기법(10), 및 제 2 분할 기법(20)은 메타 데이터의 특성을 나타내는 수치 값의 개별 조합에 매칭되어 미리 분류된 상태일 수 있다. 따라서, 프로세서(110)는 메타 데이터(220)의 특성을 나타내는 수치 값들의 조합을 기초로, 기 분류된 제 1 분할 기법(10), 또는 제 2 분할 기법(20) 중 적어도 하나를, 노이즈가 상호 독립적인 복수의 데이터(300)를 생성하기 위해 사용되는 분할 기법으로 결정할 수 있다. 구체적으로, 도 4를 참조하면, 메타 데이터(220)의 특성을 나타내는 수치 값들의 조합이 [여기 횟수 A, 가속화 지수 B]인 경우, 프로세서(110)는 제 1 분할 기법(10), 또는 제 2 분할 기법(20)에 포함된 분할 기법들(21, 22) 중 어느 하나 중에서 [여기 횟수 A, 가속화 지수 B]에 매칭되는 제 1 분할 기법(10)을 케이-스페이스 데이터(210)를 분할하기 위한 분할 기법으로 결정할 수 있다. 이때, 제 2 분할 기법(20)에 포함된 제 2-1 분할 기법(21)은 위상 인코딩 라인의 간격을 2로 하는 분할 기법에 대응될 수 있다. 제 2 분할 기법(20)에 포함된 제 2-2 분할 기법(22)은 위상 인코딩 라인의 간격을 3으로 하는 분할 기법에 대응될 수 있다.
한편, 상술한 분할 기법의 종류는 하나의 예시일 뿐이므로, 분할 기법은 상술한 예시 외에도 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 추가적으로 정의될 수 있다.
프로세서(110)는 기 분류된 분할 기법들 중 적어도 하나를 사용하여, 인코딩 라인을 기준으로 케이-스페이스 데이터(210)로부터 노이즈가 상호 독립적인 복수의 데이터(300)를 생성할 수 있다. 예를 들어, 도 4를 참조하면, 메타 데이터(220)의 특성을 나타내는 수치 값들의 조합에 따라, 프로세서(110)는 제 1 분할 기법(10)을 사용하여 케이-스페이스 데이터(210)를 2개로 분리하여 제 1 분할 데이터(310) 및 제 2 분할 데이터(320)를 생성할 수 있다. 이때, 제 1 분할 데이터(310)와 제 2 분할 데이터(320)는 신호 세기는 대응되지만, 노이즈 세기 혹은 분포 중 적어도 하나는 서로 다른 독립적인 관계일 수 있다. 이와 같이 제 1 분할 데이터(310)와 제 2 분할 데이터(320)의 노이즈가 서로 독립적인 관계를 갖게 되면, 제 1 분할 데이터(310)와 제 2 분할 데이터(320)를 조합하여 의료 데이터를 복원하기 위해 노이즈를 개선하는 딥러닝 모델의 학습에 적절한 입력 데이터와 라벨 데이터를 효과적으로 만들 수 있다. 즉, 프로세서(110)는 메타 데이터(220)의 특성에 매칭되는 분할 기법을 통해, 케이-스페이스 데이터(210)로부터 노이즈의 세기 혹은 분포 중 적어도 하나가 상호 독립적인 복수의 데이터(300)를 생성함으로써, 후술할 입력 데이터 및 라벨 데이터의 생성에 기초가 되는 양질의 데이터 세트를 효율적으로 구축할 수 있다.
도 5는 본 개시의 일 실시예에 따라 메타 데이터의 특성을 고려하여 데이터를 분할하는 과정을 나타낸 순서도이다. 도 5의 각 단계 별로 도 3 및 도 4에 대한 설명과 매칭되는 구체적인 내용은 생략하도록 한다.
도 5를 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)의 프로세서(110)는 메타 데이터의 특성을 나타내는 수치 값들의 조합을 판단할 수 있다(S210). 그리고, 프로세서(110)는 기 분류된 분할 기법들 중에서 조합에 매칭되는 분할 기법을 식별할 수 있다(S220). 예를 들어, 도 5와 같이 메타 데이터의 특성을 나타내는 수치 값들의 조합에 따라 제 1 분할 기법(10), 및 제 2 분할 기법(20)은 사전에 분류된 상태일 수 있다. 이때, 처리 대상의 메타 데이터의 특성 값의 조합이 [여기 횟수 A1, 가속화 지수 B1]인 경우, 프로세서(110)는 [여기 횟수 A1, 가속화 지수 B1]에 매칭되는 제 1 분할 기법(10) 혹은 제 2 분할 기법(20) 중 적어도 하나를, 처리 대상에 적용될 분할 기법으로 판단할 수 있다.
프로세서(110)는 S220 단계를 통해 식별된 분할 기법을 케이-스페이스 데이터로부터 복수의 데이터를 분리하기 위해 사용될 분할 기법으로 결정할 수 있다(S230). 그리고, 프로세서(110)는 결정된 분할 기법을 사용하여, 노이즈가 상호 독립적인 복수의 데이터를 생성할 수 있다(S240).
도 6은 본 개시의 일 실시예에 따른 의료 데이터의 처리 방법을 나타낸 순서도이다.
도 6을 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 케이-스페이스 데이터의 메타 데이터의 특성을 고려하여, 케이-스페이스 데이터를 서로 다른 복수의 데이터로 분리할 수 있다(S310). S310 단계와 관련된 구체적인 내용은 상술한 도 2의 S120 단계와 매칭되므로, 구체적인 설명은 생략하도록 한다.
컴퓨팅 장치(100)는 케이-스페이스 데이터로부터 분리된 서로 다른 복수의 데이터를 조합하여, 딥러닝 모델의 학습을 위한 입력 데이터 및 라벨 데이터를 생성할 수 있다(S320). 이때, 서로 다른 복수의 데이터는 노이즈의 세기 혹은 분포 중 적어도 하나가 독립적인 관계인 복수의 데이터로 이해될 수 있다. 컴퓨팅 장치(100)는 서로 다른 복수의 데이터를 결합하여, 딥러닝 모델의 학습을 위한 입력 데이터 및 라벨 데이터를 생성하기 위해 사용될 예비 데이터를 각각 마련할 수 있다. 컴퓨팅 장치(100)는 예비 데이터를 이미지 도메인으로 변환하여, 딥러닝 모델의 학습에 사용될 입력 데이터 및 라벨 데이터를 생성할 수 있다. 즉, 컴퓨팅 장치(100)는 S310 단계를 통해 마련된 기초 데이터를 사용하여 딥러닝 모델의 학습을 위한 입력 데이터 및 라벨 데이터를 생성하기 위한 예비 데이터를 마련하고, 예비 데이터의 도메인 변환을 통해 입력 데이터 및 라벨 데이터를 생성할 수 있다.
도 7은 본 개시의 일 실시예에 따른 의료 데이터의 처리 과정을 나타낸 개념도이다.
도 7을 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)의 프로세서(110)는 노이즈가 상호 독립적인 복수의 데이터(300)를 결합하여, 입력 데이터(510)를 생성하기 위한 제 1 예비 데이터(410) 및 라벨 데이터(520)를 생성하기 위한 제 2 예비 데이터(420)를 생성할 수 있다. 예를 들어, 프로세서(110)는 복수의 데이터 간의 노이즈 비율을 조정하는 선형 결합을 통해 입력 데이터(510)를 생성하기 위한 제 1 예비 데이터(410) 및 라벨 데이터(520)를 생성하기 위한 제 2 예비 데이터(420)를 각각 생성할 수 있다. 구체적으로, 도 4의 예시와 같은 처리 과정을 통해, 신호의 세기는 동일하되, 노이즈의 세기 및 분포는 독립적인 2개의 데이터가 생성되었다고 가정한다. 프로세서(110)는 2개의 데이터 중 하나에 선형 결합 계수 1, 나머지 하나에 선형 결합 계수 0을 적용하여 2개의 데이터를 선형 결합하여 제 1 예비 데이터(410)를 생성할 수 있다. 즉, 제 1 예비 데이터(410)는 선형 결합 계수 1이 적용된 데이터에 대응될 수 있다. 프로세서(110)는 2개의 데이터 중 제 1 예비 데이터(410)에 대응되는 데이터에 선형 결합 계수 1/3, 나머지 하나에 선형 결합 계수 2/3을 적용하여 2개의 데이터를 선형 결합하여 제 2 예비 데이터(420)를 생성할 수 있다. 즉, 제 2 예비 데이터(420)는 제 1 예비 데이터(410) 대비 노이즈가 1/3로 감소된 노이즈를 포함하는 데이터로 생성될 수 있다. 전술한 예시와 같은 선형 결합을 통해, 프로세서(110)는 노이즈가 상호 독립적인 복수의 데이터(300)를 기초로, 입력 데이터(510)의 생성 혹은 라벨 데이터(520)의 생성이라는 목적에 개별적으로 맞추어 선형 결합 계수에 따라 노이즈 비율이 다양하게 조정된 예비 데이터(410, 420)를 생성할 수 있다.
한편, 상술한 예시에 따르면, 제 2 예비 데이터(420)의 노이즈는, 제 1 예비 데이터(410)의 노이즈와 상관 관계를 갖는 종속 노이즈 및 제 1 예비 데이터(410)의 노이즈와 상관 관계를 갖지 않는 독립 노이즈를 포함할 수 있다. 구체적으로, 종속 노이즈는 복수의 데이터 중 제 1 예비 데이터(410)에 대응되는 데이터의 노이즈에 선형 결합 계수 1/3이 적용된 노이즈에 대응될 수 있다. 또한, 독립 노이즈는 제 1 예비 데이터(410)에 대응되지 않는 나머지 데이터의 노이즈에 선형 결합 계수 2/3이 적용된 노이즈에 대응될 수 있다. 앞선 예시들의 선형 결합 계수의 비율은 하나의 예시일 뿐이며, 선형 결합 계수의 비율은 입력 데이터 및 라벨 데이터의 생성 목적에 맞추어 다양하게 조정될 수 있다.
프로세서(110)는 제 1 예비 데이터(410) 및 제 2 예비 데이터(420)를 이미지 도메인으로 변환하여, 입력 데이터(510) 및 라벨 데이터(520)를 각각 생성할 수 있다. 예를 들어, 프로세서(110)는 제 1 예비 데이터(410) 및 제 2 예비 데이터(420)에 대한 푸리에 변환을 기초로, 입력 데이터(510) 및 라벨 데이터(520)를 생성할 수 있다. 프로세서(110)는 제 1 예비 데이터(410) 및 제 2 예비 데이터(420)를 케이-스페이스 도메인을 이미지 도메인으로 변환하는 신경망 모델에 입력하여, 입력 데이터(510) 및 라벨 데이터(520)를 각각 생성할 수도 있다. 도 7을 통해 설명한 데이터 처리 과정은 노이즈가 상호 독립적인 데이터를 활용하여 딥러닝 모델의 학습을 위한 입력 혹은 라벨이라는 각 목적에 맞추어 필요한 고품질의 데이터를 원하는 만큼 빠르고 정확하게 생성할 수 있도록 한다.
도 8은 본 개시의 일 실시예에 따라 복수의 데이터를 결합하여 입력 데이터 및 라벨 데이터를 생성하는 방법을 나타낸 순서도이다. 도 8의 각 단계 별로 도 7에 대한 설명과 매칭되는 구체적인 내용은 생략하도록 한다.
도 8을 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 노이즈가 상호 독립적인 서로 다른 복수의 데이터에 병렬 영상 기법을 적용할 수 있다(S410). 병렬 영상 기법은 가속화 촬영된 자기 공명 영상의 누락된 정보를 복원하기 위한 영상 처리 기법으로 이해될 수 있다. 예를 들어, 컴퓨팅 장치(100)는 서로 다른 복수의 데이터의 자동 보정 신호(ACS: autocalibrating signal) 라인을 재구성 하여 복수의 데이터를 복원할 수 있다. 컴퓨팅 장치(100)는 서로 다른 복수의 데이터를 구성하는 자기 공명 신호 라인을 재구성 하여 복수의 데이터를 복원할 수도 있다. 또한, 컴퓨팅 장치(100)는 케이-스페이스 데이터를 획득하기 위한 코일의 각 채널 별 민감도(sensitivity) 정보에 기반한 민감도 지도(sensitivity map)을 이용하여 복수의 데이터를 복원할 수도 있다. 상술한 예시 이외에도 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양한 병렬 영상 기법이 적용될 수 있다. 만약 복수의 데이터가 병렬 영상 기법을 통해 복원된 데이터인 경우, S410 단계는 수행되지 않을 수도 있다.
프로세서(110)는 노이즈가 상호 독립적인 복수의 데이터를 선형 결합하여 의료 데이터의 품질을 복원하는 딥러닝 모델의 학습 데이터를 생성하기 위한 예비 데이터를 생성할 수 있다(S420). 이때, 복수의 데이터는 병렬 영상 기법을 통해 복원된 데이터로 이해될 수 있다.
프로세서(110)는 딥러닝 모델의 학습에 사용될 입력 데이터를 만들기 위한 예비 데이터의 레졸루션을 조정할 수 있다(S430). 예를 들어, 프로세서(110)는 입력 데이터와 관계된 제 1 예비 데이터의 레졸루션이 라벨 데이터와 관계된 제 2 예비 데이터의 레졸루션 이하의 값을 갖도록, 제 1 예비 데이터의 베이직(basic) 레졸루션 혹은 위상 레졸루션 중 적어도 하나를 조정할 수 있다. 여기서, 베이직 레졸루션은 판독(readout) 방향의 픽셀 수로서, 주파수 인코딩 방향에 존재하는 데이터의 상대적 크기로 이해될 수 있다. 또한, 위상 레졸루션은 위상 인코딩 방향의 픽셀 수로서, 위상 인코딩 방향에 존재하는 데이터의 상대적 크기로 이해될 수 있다. 레졸루션이 조정되는 범위는 사용자에 의해 기 설정된 값에 따라 결정될 수 있다. 따라서, 딥러닝 모델의 학습에 사용될 입력 데이터의 레졸루션은 라벨 데이터의 레졸루션 보다 낮은 범위에서 다양하게 조정될 수 있다.
프로세서(110)는 S430 단계를 거쳐 레졸루션이 조정된 예비 데이터의 도메인을 변환하여 입력 데이터 및 라벨 데이터를 생성할 수 있다(S440). 그리고, 프로세서(110)는 입력 데이터 및 라벨 데이터를 의료 데이터의 품질을 복원하기 위한 딥러닝 모델의 학습 데이터로 사용할 수 있다.
앞서 설명된 본 개시의 다양한 실시예는 추가 실시예와 결합될 수 있고, 상술한 상세한 설명에 비추어 당업자가 이해 가능한 범주에서 변경될 수 있다. 본 개시의 실시예들은 모든 면에서 예시적인 것이며, 한정적이 아닌 것으로 이해되어야 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성요소들도 결합된 형태로 실시될 수 있다. 따라서, 본 개시의 특허청구범위의 의미, 범위 및 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 개시의 범위에 포함되는 것으로 해석되어야 한다.
Claims (1)
- 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는, 딥러닝 모델의 학습을 위한 의료 데이터의 처리 방법으로서,
케이-스페이스 데이터의 메타 데이터의 특성을 고려하여, 상기 케이-스페이스 데이터를 서로 다른 복수의 데이터로 분리하는 단계; 및
상기 케이-스페이스 데이터로부터 분리된 서로 다른 복수의 데이터를 조합하여, 딥러닝 모델의 학습을 위한 입력 데이터 및 라벨 데이터를 생성하는 단계;
를 포함하는,
방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230077273A KR20230175117A (ko) | 2022-06-22 | 2023-06-16 | 딥러닝 모델의 학습을 위한 의료 데이터의 처리 방법, 프로그램 및 장치 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220076366A KR102546620B1 (ko) | 2022-06-22 | 2022-06-22 | 딥러닝 모델의 학습을 위한 의료 데이터의 처리 방법, 프로그램 및 장치 |
| KR1020230077273A KR20230175117A (ko) | 2022-06-22 | 2023-06-16 | 딥러닝 모델의 학습을 위한 의료 데이터의 처리 방법, 프로그램 및 장치 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220076366A Division KR102546620B1 (ko) | 2022-06-22 | 2022-06-22 | 딥러닝 모델의 학습을 위한 의료 데이터의 처리 방법, 프로그램 및 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230175117A true KR20230175117A (ko) | 2023-12-29 |
Family
ID=86988945
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220076366A KR102546620B1 (ko) | 2022-06-22 | 2022-06-22 | 딥러닝 모델의 학습을 위한 의료 데이터의 처리 방법, 프로그램 및 장치 |
| KR1020230077273A KR20230175117A (ko) | 2022-06-22 | 2023-06-16 | 딥러닝 모델의 학습을 위한 의료 데이터의 처리 방법, 프로그램 및 장치 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220076366A KR102546620B1 (ko) | 2022-06-22 | 2022-06-22 | 딥러닝 모델의 학습을 위한 의료 데이터의 처리 방법, 프로그램 및 장치 |
Country Status (2)
| Country | Link |
|---|---|
| KR (2) | KR102546620B1 (ko) |
| WO (1) | WO2023249372A1 (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102328214B1 (ko) | 2021-05-17 | 2021-11-19 | (주)제이엘케이 | 의료 데이터의 전처리를 통한 의료 데이터베이스 구축 시스템 및 동작 방법 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102199494B1 (ko) * | 2019-07-15 | 2021-01-06 | 주식회사 딥노이드 | 의료 영상 관리 장치 및 방법 |
| KR102584166B1 (ko) * | 2020-12-10 | 2023-10-05 | 주식회사 에어스메디컬 | 리스케일링과 인공신경망을 적용한 자기 공명 영상 처리 장치 및 그 방법 |
-
2022
- 2022-06-22 KR KR1020220076366A patent/KR102546620B1/ko active IP Right Grant
-
2023
- 2023-06-16 KR KR1020230077273A patent/KR20230175117A/ko unknown
- 2023-06-20 WO PCT/KR2023/008528 patent/WO2023249372A1/ko unknown
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102328214B1 (ko) | 2021-05-17 | 2021-11-19 | (주)제이엘케이 | 의료 데이터의 전처리를 통한 의료 데이터베이스 구축 시스템 및 동작 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102546620B1 (ko) | 2023-06-22 |
| WO2023249372A1 (ko) | 2023-12-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111178542B (zh) | 基于机器学习建模的系统和方法 | |
| CN109633502B (zh) | 磁共振快速参数成像方法及装置 | |
| CN109658468B (zh) | 磁共振参数成像方法、装置、设备及存储介质 | |
| KR102428725B1 (ko) | 영상 개선 방법 및 이를 수행하는 컴퓨터 프로그램 | |
| US11978146B2 (en) | Apparatus and method for reconstructing three-dimensional image | |
| CN113256529A (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
| CN108921801B (zh) | 用于生成图像的方法和装置 | |
| US20210118200A1 (en) | Systems and methods for training machine learning algorithms for inverse problems without fully sampled reference data | |
| CN113920213A (zh) | 基于长距离注意力模型重建的多层磁共振成像方法及装置 | |
| KR102526487B1 (ko) | 딥러닝 모델의 학습을 위한 의료 데이터의 처리 방법, 프로그램 및 장치 | |
| WO2023177151A1 (ko) | 3차원 의료 데이터의 처리 방법, 프로그램 및 장치 | |
| KR102533000B1 (ko) | 학습 데이터 생성 방법, 컴퓨터 프로그램 및 장치 | |
| CN111105471B (zh) | 用于生成与成像有关的采样掩码的方法和装置 | |
| KR102513218B1 (ko) | 학습 데이터 생성 방법, 컴퓨터 프로그램 및 장치 | |
| CN115115723A (zh) | 图像重建模型生成及图像重建方法、装置、设备和介质 | |
| US11941732B2 (en) | Multi-slice MRI data processing using deep learning techniques | |
| CN116778016A (zh) | 一种mri图像重建方法、系统及介质 | |
| KR102546620B1 (ko) | 딥러닝 모델의 학습을 위한 의료 데이터의 처리 방법, 프로그램 및 장치 | |
| KR102472550B1 (ko) | 병변 탐지 방법, 프로그램 및 장치 | |
| US20220292673A1 (en) | On-Site training of a machine-learning algorithm for generating synthetic imaging data | |
| CN114708353B (zh) | 图像重建方法、装置、电子设备与存储介质 | |
| KR20240006428A (ko) | 딥러닝 기반 의료 데이터의 품질 개선 방법, 프로그램 및 장치 | |
| KR102628166B1 (ko) | 인공 신경망 기반 해상도 향상 방법, 프로그램 및 장치 | |
| CN114494484A (zh) | 数据识别模型的训练方法、数据识别方法、装置及设备 | |
| KR20220010824A (ko) | 일반적인 역문제에 적용 가능한 비지도 학습 방법 및 그 장치 |