WO2020230972A1 - 훈련된 심층 신경망 모델의 재현 성능을 개선하는 방법 및 이를 이용한 장치 - Google Patents

훈련된 심층 신경망 모델의 재현 성능을 개선하는 방법 및 이를 이용한 장치 Download PDF

Info

Publication number
WO2020230972A1
WO2020230972A1 PCT/KR2019/017199 KR2019017199W WO2020230972A1 WO 2020230972 A1 WO2020230972 A1 WO 2020230972A1 KR 2019017199 W KR2019017199 W KR 2019017199W WO 2020230972 A1 WO2020230972 A1 WO 2020230972A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
neural network
network model
deep neural
target data
Prior art date
Application number
PCT/KR2019/017199
Other languages
English (en)
French (fr)
Inventor
배웅
배병욱
정민기
박범희
Original Assignee
주식회사 뷰노
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 뷰노 filed Critical 주식회사 뷰노
Priority to JP2021556444A priority Critical patent/JP7402248B2/ja
Priority to US17/598,289 priority patent/US20220180194A1/en
Priority to EP19928369.8A priority patent/EP3971790A4/en
Publication of WO2020230972A1 publication Critical patent/WO2020230972A1/ko

Links

Images

Classifications

    • 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
    • G06N3/096—Transfer learning
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Definitions

  • the present disclosure relates to a method for improving the reproducibility of a deep neural network model trained using a group of training data and an apparatus using the same so that it can exhibit excellent reproducibility even for target data having a quality pattern different from that of the group.
  • the computing device obtains the target data, and at least one candidate data having the highest similarity to the target data from a representative group of training data including reference data selected from among the training data Fetch (or search; retrieve), perform adaptive pattern transformation on the target data to adapt to the candidate data, and deliver transformation data resulting from the adaptive pattern transformation to the deep neural network model By supporting this, an output value is obtained from the deep neural network model.
  • a deep neural network model 120 is trained to produce a correct result 130a for the training data 110a using the training data 110a, a quality pattern different from that of the training data In the case of the deep neural network model 120 producing an incorrect result 130b for the input data 110b having a, such instability is shown. Even when the input data 110b has a different distribution in characteristic from the training data 110a, it can be said to have a different quality pattern.
  • a deep neural network model for all quality patterns of very diverse medical images is almost impossible. This is because a deep neural network model trained on a group of training data having one quality pattern has different quality patterns. For data, the classification performance is degraded. It is very inefficient and costly to match each institutional and country-specific data with different quality patterns. Since the quality pattern of virtually all images cannot be known, there is always an uncertainty about the quality of the data.
  • the present inventors propose a technical method capable of improving reproduction performance even for data of different patterns by removing a performance gap between various patterns of a medical image of a deep neural network model.
  • An object of the present disclosure is to provide a method for enabling a deep neural network model to perform stable performance with respect to input data of various quality patterns, and an apparatus using the same.
  • the present disclosure aims to improve work efficiency using a deep neural network model by providing a method capable of removing cumbersome custom work for individual data having different quality patterns according to institutions.
  • the characteristic configuration of the present invention for achieving the object of the present invention as described above and realizing the characteristic effects of the present invention described later is as follows.
  • a method for improving the reproducibility of output values for target data having a qualitative pattern different from the group of a deep neural network model trained using a group of training data includes: (a) in a state in which the target data is obtained, the computing device has at least the highest similarity to the target data from a representative group of training data including reference data selected from among the training data.
  • a computer program stored on a machine-readable non-transitory recording medium, comprising instructions embodied to perform a method according to the invention.
  • a computing device that improves the reproducibility of output values for target data having a quality pattern different from that of the group of a deep neural network model trained using a group of training data.
  • a processor wherein the processor (i) retrieves at least one candidate data having the highest similarity with the target data from a representative group of training data including reference data selected from among the training data, or
  • a process of implementing a reference data-based candidate data generation module that supports other devices interlocked with the communication unit to retrieve the candidate data, and performs adaptive pattern transformation on the target data to adapt to the candidate data.
  • the process of implementing an adaptive pattern transformation module that supports the other device to perform the adaptive pattern transformation, and transfers the transformed data resulting from the adaptive pattern transformation to the deep neural network model or causes the other device to perform the adaptive pattern transformation.
  • a process of obtaining an output value from the deep neural network model is performed.
  • FIG. 1 is a diagram conceptually illustrating a problem in the prior art that performance of a deep neural network model is degraded for input data having a quality pattern different from that of training data used for training a deep neural network model.
  • FIG. 2 illustrates a method for improving the reproducibility of output values for target data having different quality patterns of a deep neural network model previously trained according to an embodiment of the present disclosure (hereinafter referred to as "depth neural network model reproducing performance improvement method"). It is a conceptual diagram schematically showing an exemplary configuration of a computing device to perform.
  • FIG. 3 is an exemplary block diagram showing a hardware or software component of a computing device that performs the method for improving the reproducing performance of a deep neural network model of the present disclosure
  • FIG. 4 is a diagram illustrating a method for improving reproduction performance of a deep neural network model according to the present disclosure. It is a schematic diagram schematically showing a process in which data is input and processed and results are output.
  • FIG. 5 is a flowchart illustrating an exemplary method for improving reproduction performance of a deep neural network model according to the present disclosure.
  • image refers to multidimensional data composed of discrete image elements (e.g., pixels in a two-dimensional image), in other words, (for example, it is a term that refers to an object visible to the eye displayed on a video screen or a digital representation of the object (eg, a file corresponding to a pixel output such as a CT or MRI detector).
  • image or “image” means X-ray, computed tomography (CT), magnetic resonance imaging (MRI), ultrasound, or any other medical care known in the art. It may be a medical image of a subject collected by the imaging system. An image is not necessarily provided in a medical context, but may be provided in a non-medical context, such as X-ray imaging for security screening.
  • image formats used in various embodiments of the present invention are 2D and 3D images such as CT, positron emission tomography (PET), PET-CT, SPECT, SPECT-CT, MR-PET, and 3D ultrasound images. It will be appreciated that including but not limited to the types listed as exemplary.
  • learning data and target data are exemplified as image data, but are not limited to the case where “learning data” and “target data” are necessarily image data. Does not.
  • image data is illustrated as relating to a medical image, it is of course not limited to the case where “image data” is necessarily medical image data.
  • the'DICOM Digital Imaging and Communications in Medicine; Medical Digital Imaging and Communication
  • ACR American Radiological Society
  • NEMA American Electrical Industry Association
  • PES Picture Archiving and Communication System
  • DICOM Digital image storage and transmission system
  • X-ray, CT Medical images acquired using digital medical imaging equipment such as MRI are stored in DICOM format and can be transmitted to terminals inside and outside the hospital through a network, and reading results and medical records can be added to this.
  • 'learning' or'learning' is a term that refers to performing machine learning through computing according to a procedure. It is not intended to refer to, and training is used in the generally accepted sense of machine learning.
  • 'deep learning' and'deep learning' refer to machine learning using deep artificial neural networks.
  • FIG. 2 is a conceptual diagram schematically illustrating an exemplary configuration of a computing device that performs a method of improving reproducibility of a deep neural network model according to an embodiment of the present disclosure.
  • a computing device 200 includes a communication unit 210 and a processor 220, and is directly or indirectly connected to an external computing device (not shown) through the communication unit 210. Can communicate with enemies.
  • the computing device 200 is a device that may include components of typical computer hardware (eg, computer processor, memory, storage, input device and output device, and other conventional computing devices; routers, switches, etc.) Electronic communication devices; electronic information storage systems such as network-attached storage (NAS) and storage area networks (SANs) and computer software (i.e., allowing computing devices to function in a specific way) Instructions) to achieve the desired system performance.
  • typical computer hardware eg, computer processor, memory, storage, input device and output device, and other conventional computing devices; routers, switches, etc.
  • Electronic communication devices e.g, electronic communication devices
  • electronic information storage systems such as network-attached storage (NAS) and storage area networks (SANs)
  • computer software i.e., allowing computing devices to function in a specific way
  • the communication unit 210 of such a computing device can transmit and receive requests and responses to and from other computing devices to which it is linked.
  • requests and responses may be made by the same transmission control protocol (TCP) session.
  • TCP transmission control protocol
  • the present invention is not limited thereto, and may be transmitted/received as, for example, a user datagram protocol (UDP) datagram.
  • the communication unit 210 may include a keyboard, a mouse, other external input devices, printers, displays, and other external output devices for receiving commands or instructions.
  • the processor 220 of the computing device may include a micro processing unit (MPU), a central processing unit (CPU), a graphics processing unit (GPU), a neural processing unit (NPU) or a tensile processing unit (TPU), and a cache memory. ), data bus, and the like.
  • MPU micro processing unit
  • CPU central processing unit
  • GPU graphics processing unit
  • NPU neural processing unit
  • TPU tensile processing unit
  • cache memory a cache memory.
  • data bus and the like.
  • it may further include an operating system and a software configuration of an application that performs a specific purpose.
  • FIG. 3 is an exemplary block diagram showing hardware or software components of a computing device that performs the method of improving the reproducibility of a deep neural network model of the present disclosure
  • FIG. 4 is a method for improving reproduction performance of a deep neural network model according to the present disclosure. It is a schematic diagram schematically showing a process in which data is input and processed and results are output.
  • the computing device 200 may include a data acquisition module 310 as its component.
  • This data acquisition module 310 is configured to acquire input data to which the method according to the present disclosure is applied, that is, target data 110b.
  • the individual modules shown in FIG. 3 are, for example, in the computing device 200. It will be understood by those of ordinary skill in the art that the communication unit 210 or the processor 220 included may be implemented by interlocking the communication unit 210 and the processor 220.
  • the target data 110b may be, for example, image data obtained from an external image storage system such as a photographing device or a medical image storage and transmission system (PACS) interlocked through the communication unit 210, but is not limited thereto.
  • the target data 110b may be obtained by the data acquisition module 310 of the computing device 200 after an image captured by the imaging device is transmitted to the PACS according to the DICOM standard.
  • the acquired target data 110b may be transmitted to the reference data-based candidate data generation module 320, which is a set of training data used for training of the deep neural network module 340.
  • the reference data-based candidate data generation module 320 which is a set of training data used for training of the deep neural network module 340.
  • fetching searching; retrieving
  • the adaptive pattern conversion module 330 adapts the target data 110b so that the target data 110b fits the candidate data 110a'.
  • the adaptive pattern transformation is performed.
  • the adaptive pattern transformation refers to transforming the target data 110b so that the target data 110b has a quality pattern of the candidate data 110a'. An example of a configuration that can be used as a means of this adaptive pattern transformation will be described in detail later.
  • the transformed data 110b' which is a result of performing the adaptive pattern transformation on the target data 110b, is transmitted to the deep neural network model of the deep neural network module 340 to obtain an output value from the deep neural network module 340.
  • the output module 350 may provide information including the output value (eg, target data, candidate data, transform data, output value, and reliability of the output value) to an external entity. This information may be provided together with visualization information of a region that is a major factor in calculating the output value.
  • the external entity includes a user of the computing device 200 performing the method according to the present disclosure, an administrator, a natural person who has been the source of the target data (input data), a person in charge of managing the input data, etc. In addition to this, it should be understood that any subject that needs information of the output value derived from the target data is included.
  • the output module 350 may provide information including an output value to the external entity through a predetermined output device, for example, a user interface displayed on a display.
  • FIG. 3 Detailed functions and effects of each of the components schematically described with reference to FIGS. 3 and 4 will be described later in detail with reference to FIG. 5.
  • the components shown in FIG. 3 are illustrated as being realized in one computing device for convenience of description, it will be understood that the computing device 200 performing the method of the present invention may be configured as a plurality of devices interlocked with each other. .
  • FIG. 5 is a flowchart illustrating an exemplary method for improving reproduction performance of a deep neural network model according to the present disclosure.
  • target data 110b is obtained by a data acquisition module 310 implemented by the computing device 200 (S050).
  • the reference data-based candidate data generation module 320 implemented by the computing device 200 includes target data 110b from a representative group of learning data including reference data selected from the training data 110a.
  • the retrieval of at least one candidate data having the highest similarity may be performed by retrieving a plurality of candidate data higher than a predetermined first threshold.
  • step S100 Various means for performing the similarity determination in step S100 are known to those skilled in the art, for example, the similarity determination in thesis 1: "Adnan Qayyum, Syed Arabic Anwar, Arabic Awais and Arabic Majid. Medical image retrieval using deep convolutional neural network. Elsevier BV 2017; pp.1-13.”, but may be performed by the deep learning-based image retrieval (or search) method, but is not limited thereto.
  • the similarity determination may be based on the method disclosed in Article 2: "Yu-An Chung et al. Learning Deep Representations of Medical Images using Siamese CNNs with Application to Content-Based Image Retrieval". I will be able to.
  • a latent feature can be extracted from a deep neural network model trained using the training data.
  • the trained deep neural network model Latent features can also be extracted. Then, the similarity between the information of the potential feature can be compared (e.g., by comparing the distance equal to the L2 distance). Since the smaller the distance, the higher the similarity. Therefore, the values are sorted to obtain the training data most similar to the target data. Can be obtained. Of course, even the most dissimilar learning data can be obtained.
  • the reference data may be selected as data whose similarity is lower than a predetermined second threshold among the training data 110a based on a similarity metric for a feature (that is, When the distance between the positions occupied by each reference data in the feature space is long ⁇ .
  • the reference data may be selected as image data having a difference between each other in a histogram distribution higher than a predetermined second threshold value.
  • Such reference data serve to guide the adaptive pattern conversion to be described later to be accurately performed on the target data 110b, and are not limited to the above-described example, for example, images directly selected by a person. It can also be configured.
  • step S100 if the similarity between the target data 110b and the reference data for all the reference data is less than a predetermined first threshold, it is classified as impossible because there is no data to refer to the target data 110b. It can also be configured to be terminated.
  • the method for improving the reproducing performance of the deep neural network model according to the present disclosure is such that the adaptive pattern transformation module 330 implemented by the computing device 200 is adapted to the candidate data 110a'.
  • the step of performing adaptive pattern conversion on target data or supporting the other device to perform the adaptive pattern conversion (S200) is further included.
  • the target data 110b is The pattern may be adaptively transformed to have a quality pattern of (110a).
  • the style change refers to changing only the style while maintaining the main shape of the image when two image data are given.
  • This style conversion can be performed by extracting features using a pre-trained deep neural network and then optimizing the latent features to become similar.
  • local affine transforms to maintain the content detail of the original image data.
  • a loss term for (local affine transform) is additionally reflected.
  • One means of performing such a style change is known to a person skilled in the art under the name of a cycle-consistent adversarial network (CCAN).
  • CCAN cycle-consistent adversarial network
  • step S200 if there are a plurality of candidate data (e.g., if there are a plurality of reference data having a similarity reaching a predetermined first threshold), the quality pattern is converted into a latent space according to the deep neural network model.
  • a combination or average value of candidate data may be reflected.
  • the quality pattern of the candidate data may be based on a combination or average value of the candidate data in a latent space.
  • the latent space refers to a multidimensional space in which latent variables or latent features are expressed.
  • the method for improving the reproducing performance of the deep neural network model includes the computing device 200 converting the transformed data into the deep neural network module 340. It further includes a step (S300) of obtaining an output value from the deep neural network model by transferring it to the deep neural network model or by supporting the other device to transmit it to the deep neural network model.
  • the method for improving the performance of reproducing a deep neural network model includes the output module 350 implemented by the computing device 200 to transfer information including the output value to an external entity. It may further include a step (S400) of providing or supporting the other device to provide.
  • the present invention is an input data having a quality pattern different from that of the group of data in a deep neural network model trained by a group of data across all embodiments and modifications thereof. There is an effect that the performance can be maintained as it is without the cumbersome manual work of quality customization. It will be appreciated that the present invention can be applied to various types of data capable of feature extraction and similarity determination.
  • the hardware may include a general-purpose computer and/or a dedicated computing device, or a specific computing device or special features or components of a specific computing device.
  • the processes may be realized by one or more microprocessors, microcontrollers, embedded microcontrollers, programmable digital signal processors or other programmable devices, with internal and/or external memory.
  • the processes can be configured to process application specific integrated circuits (ASICs), programmable gate arrays, programmable array logic (PAL) or electronic signals.
  • ASICs application specific integrated circuits
  • PAL programmable array logic
  • the machine-readable recording medium may include program instructions, data files, data structures, etc. alone or in combination.
  • the program instructions recorded on the machine-readable recording medium may be specially designed and configured for the present invention, or may be known and usable to those skilled in the computer software field.
  • Examples of machine-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical recording media such as CD-ROM, DVD, Blu-ray, and magnetic-optical media such as floptical disks.
  • program instructions include a processor, a processor architecture, or a heterogeneous combination of different hardware and software combinations, as well as any one of the aforementioned devices, or storage and compilation or interpreting to be executed on a machine capable of executing any other program instructions.
  • a structured programming language such as C
  • an object-oriented programming language such as C++
  • a high-level or low-level programming language assembly, hardware description languages and database programming languages and technologies
  • machine code This includes not only bytecode but also high-level language code that can be executed by a computer using an interpreter or the like.
  • the method and combinations of methods may be implemented as executable code that performs each step.
  • the method may be implemented as systems that perform the steps, and the methods may be distributed in several ways across devices or all functions may be integrated into one dedicated, standalone device or other hardware.
  • the means for performing the steps associated with the processes described above may include any hardware and/or software described above. All such sequential combinations and combinations are intended to be within the scope of this disclosure.
  • the hardware device may be configured to operate as one or more software modules to perform processing according to the present disclosure, and vice versa.
  • the hardware device may include a processor such as MPU, CPU, GPU, TPU, which is coupled with a memory such as ROM/RAM for storing program instructions and configured to execute instructions stored in the memory, and may include an external device and a signal It may include a communication unit that can send and receive.
  • the hardware device may include a keyboard, a mouse, and other external input devices for receiving commands written by developers.
  • Such equivalently or equivalently modified ones will include, for example, a logically equivalent method capable of producing the same result as that of carrying out the method according to the present disclosure.
  • the scope should not be limited by the examples described above, but should be understood in the broadest possible sense by law.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

본 개시서는 일군의 학습 데이터들을 이용하여 훈련된 심층 신경망 모델이 그 일군과 상이한 품질 패턴을 지닌 대상 데이터에 대하여도 우수한 재현 성능을 보일 수 있도록 그 재현 성능을 개선하는 방법 및 이를 이용한 장치에 관한 것이다. 본 개시서에 따른 방법에 의하면, 컴퓨팅 장치가, 상기 대상 데이터를 획득하고, 상기 학습 데이터들 중에서 선별된 참조 데이터들을 포함하는 학습 데이터 대표군으로부터 상기 대상 데이터와 가장 유사도가 높은 적어도 하나의 후보 데이터를 인출(retrieve)하며, 상기 후보 데이터에 적합화(adaptation)되도록 상기 대상 데이터에 대한 적응적 패턴 변환을 수행하고, 상기 적응적 패턴 변환의 결과인 변환 데이터를 상기 심층 신경망 모델에 전달하도록 지원함으로써 상기 심층 신경망 모델로부터 출력값이 획득된다.

Description

훈련된 심층 신경망 모델의 재현 성능을 개선하는 방법 및 이를 이용한 장치
본 개시서는 일군의 학습 데이터들을 이용하여 훈련된 심층 신경망 모델이 그 일군과 상이한 품질 패턴을 지닌 대상 데이터에 대하여도 우수한 재현 성능을 보일 수 있도록 그 재현 성능을 개선하는 방법 및 이를 이용한 장치에 관한 것이다. 본 개시서에 따른 방법에 의하면, 컴퓨팅 장치가, 상기 대상 데이터를 획득하고, 상기 학습 데이터들 중에서 선별된 참조 데이터들을 포함하는 학습 데이터 대표군으로부터 상기 대상 데이터와 가장 유사도가 높은 적어도 하나의 후보 데이터를 인출(또는 검색; retrieve)하며, 상기 후보 데이터에 적합화(adaptation)되도록 상기 대상 데이터에 대한 적응적 패턴 변환을 수행하고, 상기 적응적 패턴 변환의 결과인 변환 데이터를 상기 심층 신경망 모델에 전달하도록 지원함으로써 상기 심층 신경망 모델로부터 출력값이 획득된다.
대부분의 의료 영상(X선 영상, CT, MRI 영상, 안저 영상, 병리 영상 등)이 가지는 다양한 품질 패턴들{제조사, 의료 전문가들의 영상 선호도 차이, 인종간 차이 및 피검체의 상태(예컨대, 비만 여부, 수술 여부), 촬영 환경 등에 따라 상이하게 나타나는 양상을 지칭함}에 따라, 기 훈련된 동일 심층 신경망 모델의 성능의 격차가 큰데, 이는 해결하여야 할 불안정성이라 할 수 있다.
도 1의 예시를 참조하면, 먼저 학습 데이터(110a)를 이용하여 어떤 심층 신경망 모델(120)이 상기 학습 데이터(110a)에 대하여 올바른 결과(130a)를 내도록 훈련되면, 그 학습 데이터와 상이한 품질 패턴을 가지는 입력 데이터(110b)에 대하여는 심층 신경망 모델(120)이 틀린 결과(130b)를 내는 경우가 그런 불안정성을 보여준다. 입력 데이터(110b)가 학습 데이터들(110a)과 특징상 상이한 분포를 가지는 경우도 이와 같이 상이한 품질 패턴을 가지는 것이라 할 수 있다.
구체적으로, 매우 다양하게 나타나는 의료 영상들의 품질 패턴 모두에 대한 심층 신경망 모델은 거의 불가능하다고 할 수 있으며, 이는 하나의 품질 패턴을 가지는 일군의 학습 데이터에 대하여 훈련된 심층 신경망 모델이 상이한 품질 패턴을 가지는 데이터에 대하여는 그 분류 성능이 낮아지게 되는 원인이 된다. 상이한 품질 패턴을 가지는 기관별, 국가별 데이터를 일일이 맞추는 작업은 매우 비효율적이며 비용이 많이 드는 작업이다. 사실상 모든 영상의 품질 패턴을 알 수 없기 때문에 늘 데이터 품질에 대한 불확정성(uncertainty)이 존재할 수밖에 없다.
이러한 한계를 극복하기 위하여, 본 발명자는, 심층 신경망 모델의 의료 영상이 가지는 다양한 패턴들 간 성능 격차를 제거함으로써 상이한 패턴의 데이터에 대하여도 재현 성능을 개선할 수 있는 기술적 방안을 제시하고자 한다.
본 개시서는 다양한 품질 패턴의 입력 데이터에 대하여 심층 신경망 모델이 안정적인 성능을 낼 수 있게 하는 방법 및 이를 이용한 장치를 제공하는 것을 목적으로 한다.
특히, 본 개시서는 기관에 따라 상이한 품질 패턴을 가지는 개별 데이터에 대하여 번거로운 맞춤 작업을 제거할 수 있는 방법을 제공함으로써 심층 신경망 모델을 이용한 업무 효율을 증진하는 것을 목적으로 한다.
상기한 바와 같은 본 발명의 목적을 달성하고, 후술하는 본 발명의 특징적인 효과를 실현하기 위한 본 발명의 특징적인 구성은 하기와 같다.
본 발명의 일 태양(aspect)에 따르면, 일군의 학습 데이터들을 이용하여 훈련된 심층 신경망 모델의 상기 일군과 상이한 품질 패턴(qualitative pattern)을 지닌 대상 데이터에 대한 출력값의 재현 성능을 개선하는 방법이 제공되는바, 그 방법은, (a) 상기 대상 데이터가 획득된 상태에서, 상기 컴퓨팅 장치가, 상기 학습 데이터들 중에서 선별된 참조 데이터들을 포함하는 학습 데이터 대표군으로부터 상기 대상 데이터와 가장 유사도가 높은 적어도 하나의 후보 데이터를 인출(retrieve)하거나 상기 컴퓨팅 장치에 연동되는 타 장치로 하여금 상기 후보 데이터를 인출하도록 지원하는 단계; (b) 상기 컴퓨팅 장치가, 상기 후보 데이터에 적합화(adaptation)되도록 상기 대상 데이터에 대한 적응적 패턴 변환을 수행하거나 상기 타 장치로 하여금 상기 적응적 패턴 변환을 수행하도록 지원하는 단계; 및 (c) 상기 컴퓨팅 장치가, 상기 적응적 패턴 변환의 결과인 변환 데이터를 상기 심층 신경망 모델에 전달하거나 상기 타 장치로 하여금 상기 심층 신경망 모델에 전달하도록 지원함으로써 상기 심층 신경망 모델로부터 출력값이 획득되는 단계를 포함한다.
본 발명의 다른 태양에 따르면, 본 발명에 따른 방법을 수행하도록 구현된 명령어(instructions)를 포함하는, 기계 판독 가능한 비일시적 기록 매체에 저장된, 컴퓨터 프로그램도 제공된다.
본 발명의 또 다른 태양에 따르면, 일군의 학습 데이터들을 이용하여 훈련된 심층 신경망 모델의 상기 일군과 상이한 품질 패턴을 지닌 대상 데이터에 대한 출력값의 재현 성능을 개선하는 컴퓨팅 장치가 제공되는바, 그 장치는, 상기 대상 데이터를 획득하는 통신부; 및 프로세서를 포함하고, 상기 프로세서는, (i) 상기 학습 데이터들 중에서 선별된 참조 데이터들을 포함하는 학습 데이터 대표군으로부터 상기 대상 데이터와 가장 유사도가 높은 적어도 하나의 후보 데이터를 인출(retrieve)하거나 상기 통신부를 통하여 연동되는 타 장치로 하여금 상기 후보 데이터를 인출하도록 지원하는 참조 데이터 기반 후보 데이터 생성 모듈을 구현하는 프로세스, 상기 후보 데이터에 적합화(adaptation)되도록 상기 대상 데이터에 대한 적응적 패턴 변환을 수행하거나 상기 타 장치로 하여금 상기 적응적 패턴 변환을 수행하도록 지원하는 적응적 패턴 변환 모듈을 구현하는 프로세스, 및 상기 적응적 패턴 변환의 결과인 변환 데이터를 상기 심층 신경망 모델에 전달하거나 상기 타 장치로 하여금 상기 심층 신경망 모델에 전달하도록 지원함으로써 상기 심층 신경망 모델로부터 출력값을 획득하는 프로세스를 수행한다.
본 개시서의 방법 및 장치에 의하면 다양한 품질 패턴의 입력 데이터에 대하여 출력값을 내는 심층 신경망 모델의 재현 성능을 개선할 수 있는 효과가 있다.
본 개시서의 실시 예의 설명에 이용되기 위하여 첨부된 아래 도면들은 본 발명의 실시 예들 중 단지 일부일 뿐이며, 본 발명이 속한 기술분야에서 통상의 지식을 가진 사람(이하 "통상의 기술자"라 함)에게 있어서는 발명에 이르는 노력 없이 이 도면들에 기초하여 다른 도면들이 얻어질 수 있다.
도 1은 심층 신경망 모델의 훈련에 이용된 학습 데이터와 상이한 품질 패턴을 가지는 입력 데이터에 대하여 심층 신경망 모델의 성능이 저하되는 종래 기술의 문제점을 개념적으로 나타낸 도면이다.
도 2은 본 개시서의 일 실시 예에 따라 기 훈련된 심층 신경망 모델의 상이한 품질 패턴을 지닌 대상 데이터에 대한 출력값의 재현 성능을 개선 방법(이하 "심층 신경망 모델 재현 성능 개선 방법"이라 함)을 수행하는 컴퓨팅 장치의 예시적 구성을 개략적으로 도시한 개념도이다.
도 3은 본 개시서의 심층 신경망 모델 재현 성능 개선 방법을 수행하는 컴퓨팅 장치의 하드웨어 또는 소프트웨어 구성요소를 도시한 예시적 블록도이고, 도 4는 본 개시서의 심층 신경망 모델 재현 성능 개선 방법에 따라 데이터가 입력, 처리되어 결과가 출력되는 과정을 개략적으로 도시한 모식도이다.
도 5은 본 개시서의 심층 신경망 모델 재현 성능 개선 방법을 예시적으로 나타낸 흐름도이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명의 목적들, 기술적 해법들 및 장점들을 분명하게 하기 위하여 본 발명이 실시될 수 있는 특정 실시 예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시 예는 통상의 기술자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다.
본 발명의 상세한 설명 및 청구항들에 걸쳐 이용된 "영상" 또는 "영상 데이터"라는 용어는 이산적 영상 요소들(예컨대, 2차원 영상에 있어서는 픽셀)로 구성된 다차원 데이터를 지칭하며, 달리 말하자면, (예컨대, 비디오 화면에 표시된) 눈으로 볼 수 있는 대상 또는 (예컨대, CT, MRI 검출기 등의 픽셀 출력에 대응되는 파일과 같은) 그 대상의 디지털 표현물을 지칭하는 용어이다. 예를 들어 "이미지" 또는 "영상"은 X선 촬영, 전산화 단층 촬영(CT; computed tomography), 자기 공명 영상(MRI; magnetic resonance imaging), 초음파 또는 본 발명의 기술분야에서 공지된 임의의 다른 의료 영상 시스템의 의하여 수집된 피검체(subject)의 의료 영상일 수 있다. 영상이 반드시 의료적 맥락에서 제공되어야 하는 것은 아니고 비의료적 맥락에서 제공될 수도 있는바, 예를 들어 보안 검색용 X선 촬영 등이 있을 수 있다.
통상의 기술자는 본 발명의 다양한 실시 예에서 이용되는 영상 형식들이 CT, PET(positron emission tomography), PET-CT, SPECT, SPECT-CT, MR-PET, 3D 초음파 영상 등의 2차원, 3차원 영상을 포함하나 이와 같이 예시적으로 열거된 형식에 한정되지 않는다는 점을 이해할 수 있을 것이다.
또한, 본 개시서에서는 설명의 편의를 위하여 제시된 도면에서 "학습 데이터" 및 "대상 데이터"가 영상 데이터인 것으로 예시되어 있으나, "학습 데이터" 및 "대상 데이터"가 반드시 영상 데이터인 경우에 한정되지는 않는다. 마찬가지로 "영상 데이터"가 의료 영상에 관한 것으로 예시되어 있으나, "영상 데이터"가 반드시 의료 영상 데이터인 경우에 한정되지 않음도 물론이다.
본 발명의 상세한 설명 및 청구항들에 걸쳐 'DICOM(Digital Imaging and Communications in Medicine; 의료용 디지털 영상 및 통신)' 표준은 의료용 기기에서 디지털 영상 표현과 통신에 이용되는 여러 가지 표준을 총칭하는 용어인바, DICOM 표준은 미국 방사선 의학회(ACR)와 미국 전기 공업회(NEMA)에서 구성한 연합 위원회에서 발표한다.
또한, 본 발명의 상세한 설명 및 청구항들에 걸쳐 '의료 영상 저장 전송 시스템(PACS; Picture Archiving and Communication System)'은 DICOM 표준에 맞게 저장, 가공, 전송하는 시스템을 지칭하는 용어이며, X선, CT, MRI와 같은 디지털 의료 영상 장비를 이용하여 획득된 의료 영상은 DICOM 형식으로 저장되고 네트워크를 통하여 병원 내외의 단말로 전송이 가능하며, 이에는 판독 결과 및 진료 기록이 추가될 수 있다.
그리고 본 발명의 상세한 설명 및 청구항들에 걸쳐 '학습' 혹은 '러닝'은 절차에 따른 컴퓨팅(computing)을 통하여 기계 학습(machine learning)을 수행함을 일컫는 용어인바, 인간의 교육 활동과 같은 정신적 작용을 지칭하도록 의도된 것이 아니며, 훈련(training)은 기계 학습에 관하여 일반적으로 받아들여지는 의미로 쓰인 것이다. 예를 들어, '딥 러닝', '심층 학습'은 심층 인공신경망을 이용한 기계 학습을 의미한다.
또한, 본 발명의 상세한 설명 및 청구항들에 걸쳐, '포함하다'라는 단어 및 그 변형은 다른 기술적 특징들, 부가물들, 구성요소들 또는 단계들을 제외하는 것으로 의도된 것이 아니다. 또한, '하나' 또는 '한'은 하나 이상의 의미로 쓰인 것이며, '또 다른'은 적어도 두 번째 이상으로 한정된다.
통상의 기술자에게 본 발명의 다른 목적들, 장점들 및 특성들이 일부는 본 설명서로부터, 그리고 일부는 본 발명의 실시로부터 드러날 것이다. 아래의 예시 및 도면은 실례로서 제공되며, 본 발명을 한정하는 것으로 의도된 것이 아니다. 따라서, 특정 구조나 기능에 관하여 본 명세서에 개시된 상세 사항들은 한정하는 의미로 해석되어서는 아니되고, 단지 통상의 기술자가 실질적으로 적합한 임의의 상세 구조들로써 본 발명을 다양하게 실시하도록 지침을 제공하는 대표적인 기초 자료로 해석되어야 할 것이다.
더욱이 본 발명은 본 명세서에 표시된 실시 예들의 모든 가능한 조합들을 망라한다. 본 발명의 다양한 실시 예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시 예에 관련하여 본 발명의 사상 및 범위를 벗어나지 않으면서 다른 실시 예로 구현될 수 있다. 또한, 각각의 개시된 실시 예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 사상 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.
본 명세서에서 달리 표시되거나 분명히 문맥에 모순되지 않는 한, 단수로 지칭된 항목은, 그 문맥에서 달리 요구되지 않는 한, 복수의 것을 아우른다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
이하, 통상의 기술자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 바람직한 실시 예들에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
도 2은 본 개시서의 일 실시 예에 따른 심층 신경망 모델 재현 성능 개선 방법을 수행하는 컴퓨팅 장치의 예시적 구성을 개략적으로 도시한 개념도이다.
도 2을 참조하면, 본 발명의 일 실시 예에 따른 컴퓨팅 장치(200)는, 통신부(210) 및 프로세서(220)를 포함하며, 상기 통신부(210)를 통하여 외부 컴퓨팅 장치(미도시)와 직간접적으로 통신할 수 있다.
구체적으로, 상기 컴퓨팅 장치(200)는, 전형적인 컴퓨터 하드웨어(예컨대, 컴퓨터 프로세서, 메모리, 스토리지, 입력 장치 및 출력 장치, 기타 기존의 컴퓨팅 장치의 구성요소들을 포함할 수 있는 장치; 라우터, 스위치 등과 같은 전자 통신 장치; 네트워크 부착 스토리지(NAS; network-attached storage) 및 스토리지 영역 네트워크(SAN; storage area network)와 같은 전자 정보 스토리지 시스템)와 컴퓨터 소프트웨어(즉, 컴퓨팅 장치로 하여금 특정의 방식으로 기능하게 하는 명령어들)의 조합을 이용하여 원하는 시스템 성능을 달성하는 것일 수 있다.
이와 같은 컴퓨팅 장치의 통신부(210)는 연동되는 타 컴퓨팅 장치와 요청과 응답을 송수신할 수 있는바, 일 예시로서 그러한 요청과 응답은 동일한 TCP(transmission control protocol) 세션(session)에 의하여 이루어질 수 있지만, 이에 한정되지는 않는바, 예컨대 UDP(user datagram protocol) 데이터그램(datagram)으로서 송수신될 수도 있을 것이다. 덧붙여, 넓은 의미에서 상기 통신부(210)는 명령어 또는 지시 등을 전달받기 위한 키보드, 마우스, 기타 외부 입력장치, 프린터, 디스플레이, 기타 외부 출력장치를 포함할 수 있다.
또한, 컴퓨팅 장치의 프로세서(220)는 MPU(micro processing unit), CPU(central processing unit), GPU(graphics processing unit), NPU(neural processing unit) 또는 TPU(tensor processing unit), 캐시 메모리(cache memory), 데이터 버스(data bus) 등의 하드웨어 구성을 포함할 수 있다. 또한, 운영체제, 특정 목적을 수행하는 애플리케이션의 소프트웨어 구성을 더 포함할 수도 있다.
도 3는 본 개시서의 심층 신경망 모델 재현 성능 개선 방법을 수행하는 컴퓨팅 장치의 하드웨어 또는 소프트웨어 구성요소를 도시한 예시적 블록도이고, 도 4는 본 개시서의 심층 신경망 모델 재현 성능 개선 방법에 따라 데이터가 입력, 처리되어 결과가 출력되는 과정을 개략적으로 도시한 모식도이다.
도 3 및 도 4를 참조하여 본 개시서에 따른 방법 및 장치의 구성을 간략히 개관하면, 컴퓨팅 장치(200)는 그 구성요소로서 데이터 획득 모듈(310)을 포함할 수 있다. 이 데이터 획득 모듈(310)은 본 개시서에 따른 방법이 적용되는 입력 데이터, 즉 대상 데이터(110b)를 획득하도록 구성되는바, 도 3에 도시된 개별 모듈들은, 예컨대, 컴퓨팅 장치(200)에 포함된 통신부(210)나 프로세서(220), 또는 상기 통신부(210) 및 프로세서(220)의 연동에 의하여 구현될 수 있음은 통상의 기술자가 이해할 수 있을 것이다.
대상 데이터(110b)는, 예를 들어, 통신부(210)를 통하여 연동되는 촬영 기기 또는 의료 영상 저장 전송 시스템(PACS)과 같은 외부 영상 저장 시스템으로부터 획득되는 영상 데이터일 수 있으나 이에 한정되지는 않는다. 대상 데이터(110b)는 촬영 기기에 의하여 촬영된 영상이 DICOM 표준에 따라 PACS에 전송된 후 컴퓨팅 장치(200)의 데이터 획득 모듈(310)에 의하여 획득된 것일 수 있다.
다음으로, 그 획득된 대상 데이터(110b)는 참조 데이터 기반 후보 데이터 생성 모듈(320)에 전달될 수 있는데, 이 모듈(320)은 심층 신경망 모듈(340)의 훈련에 이용된 일군의 학습 데이터들(110a) 중에서 선별된 참조 데이터들을 포함하는 학습 데이터 대표군으로부터 대상 데이터와 가장 유사도가 높은 적어도 하나의 후보 데이터(110a')를 인출(검색; retrieve)하는 기능을 수행하는바, 학습 데이터 대표군의 선별 및 유사도 기반 데이터 인출에 관하여는 상세히 후술하기로 한다.
대상 데이터(110b)와 유사한 후보 데이터(110a')를 이용하여, 적응적 패턴 변환 모듈(330)은 대상 데이터(110b)가 후보 데이터(110a’)에 적합화되도록 대상 데이터(110b)에 대한 적응적 패턴 변환을 수행하는데, 여기에서 적응적 패턴 변환은 후보 데이터(110a')가 가지는 품질 패턴을 대상 데이터(110b)가 지니도록 대상 데이터(110b)를 변환하는 것을 지칭한다. 이 적응적 패턴 변환의 수단으로 이용될 수 있는 구성의 예시는 상세히 후술하기로 한다.
대상 데이터(110b)에 적응적 패턴 변환이 수행된 결과인 변환 데이터(110b')는 심층 신경망 모듈(340)의 심층 신경망 모델에 전달됨으로써 심층 신경망 모듈(340)로부터 출력값이 획득된다.
출력 모듈(350)은 그 출력값을 포함하는 정보(예컨대, 대상 데이터, 후보 데이터, 변환 데이터, 출력값 및 그 출력값의 신뢰도 등등)를 외부 엔티티(external entity)에 제공할 수 있다. 이 정보는 출력값의 산출에 주요한 요인에 해당하는 부위의 시각화 정보와 함께 제공될 수도 있다. 여기에서 외부 엔티티라고 함은, 본 개시서에 따른 방법을 수행하는 컴퓨팅 장치(200)의 사용자, 관리자, 대상 데이터(입력 데이터)의 출처가 된 자연인, 그 입력 데이터를 관리하는 담당자 등을 포함하나, 이 이외에도 대상 데이터로부터 도출된 출력값의 정보를 필요로 하는 주체라면 어느 주체라도 포함되는 것으로 이해되어야 할 것이다. 외부 엔티티가 인간인 때에는 상기 출력 모듈(350)은 소정의 출력 장치, 예컨대 디스플레이에 표시된 사용자 인터페이스를 통하여 출력값을 포함하는 정보를 외부 엔티티에 제공할 수 있다.
도 3 및 도 4를 참조하여 개략적으로 설명된 각각의 구성요소들의 구체적인 기능 및 효과에 관하여는 도 5를 참조하여 상세히 후술하기로 한다. 도 3에 나타난 구성요소들은 설명의 편의상 하나의 컴퓨팅 장치에서 실현되는 것으로 예시되었으나, 본 발명의 방법을 수행하는 컴퓨팅 장치(200)는 복수개의 장치들이 서로 연동된 것으로 구성될 수도 있다는 점이 이해될 것이다.
도 5은 본 개시서의 심층 신경망 모델 재현 성능 개선 방법을 예시적으로 나타낸 흐름도이다.
도 5을 참조하면, 본 개시서에 따른 심층 신경망 모델 재현 성능 개선 방법은, 먼저, 대상 데이터(110b)가, 예컨대 컴퓨팅 장치(200)에 의하여 구현되는 데이터 획득 모듈(310)에 의하여 획득(S050)된 상태에서, 컴퓨팅 장치(200)에 의하여 구현되는 참조 데이터 기반 후보 데이터 생성 모듈(320)이 학습 데이터들(110a) 중에서 선별된 참조 데이터들을 포함하는 학습 데이터 대표군으로부터 대상 데이터(110b)와 가장 유사도가 높은 적어도 하나의 후보 데이터(110a')를 인출하거나 컴퓨팅 장치(200)의 통신부(210)를 통하여 연동되는 타 장치로 하여금 후보 데이터(110a')를 인출하도록 지원하는 단계(S100)를 포함한다. 여기에서 가장 유사도가 높은 적어도 하나의 후보 데이터를 인출하는 것은, 소정의 제1 문턱값보다 높은 복수의 후보 데이터를 인출하는 방식으로 수행될 수도 있다.
단계(S100)에서의 유사도 판정을 수행하기 위한 다양한 수단이 통상의 기술자에게 알려져 있는데, 예컨대, 유사도 판정은 논문 1: "Adnan Qayyum, Syed Muhammad Anwar, Muhammad Awais and Muhammad Majid. Medical image retrieval using deep convolutional neural network. Elsevier B.V. 2017; pp.1-13."에 개시된 심층 학습 기반의 영상 인출(혹은 검색) 방식에 의하여 수행될 수 있으나 이에 한정되지 않는다. 예를 들어, 유사도 판정이 논문 2: "Yu-An Chung et al. Learning Deep Representations of Medical Images using Siamese CNNs with Application to Content-Based Image Retrieval"에 개시된 방식에 의할 수도 있음을 통상의 기술자는 이해할 수 있을 것이다.
논문 1에 의하여 제안된 바에 의하면, 학습 데이터를 이용하여 훈련된 심층 신경망 모델로부터 잠재 특징(latent feature)이 추출될 수 있는바, 새로운 대상 데이터가 입력되면 그 훈련된 심층 신경망 모델로써 그 대상 데이터의 잠재 특징도 추출될 수 있다. 그러면 그 잠재 특징의 정보들 간에 유사도가 (예컨대, L2 거리와 같은 거리의 비교를 통하여) 비교될 수 있는바, 거리가 작을수록 유사도가 큰 것이므로 그 값들을 정렬하여 대상 데이터와 가장 유사한 학습 데이터를 획득할 수 있다. 물론 가장 비유사한 학습 데이터도 획득될 수 있다.
참고로, 가장 유사한 학습 데이터와 가장 비유사한 학습 데이터를 활용하여 심층 신경망 모델을 좀 더 강건(robust)하게 훈련하는 것도 가능한바, 논문 2에 제안된 바와 같다.
단계(S100)에서 참조 데이터들은 특징에 대한 유사도 기준(similarity metric)에 기초하여 학습 데이터(110a) 중에서 서로 간의 유사도가 소정의 제2 문턱값보다 낮은 데이터들로 선별된 것들일 수 있다{즉, 특징 공간(feature space)에서 각각의 참조 데이터들이 차지하는 위치 간의 거리가 먼 경우}.
다른 예시로서, 참조 데이터들은 영상 데이터의 경우 히스토그램 분포에 있어 서로 간에 차이가 소정의 제2 문턱값보다 높은 영상 데이터들로 선별될 것일 수 있다.
이와 같은 참조 데이터들은 후술하는 적응적 패턴 변환이 대상 데이터(110b)에 대하여 정확하게 이루어지도록 안내(guide)하는 역할을 하는 것인바, 전술한 예시에 한정되지 않으며, 예컨대 사람이 직접 선별한 영상들로 구성될 수도 있다.
그런데 단계(S100)는 모든 참조 데이터들에 대해 대상 데이터(110b)와 참조 데이터 간의 유사도가 소정의 제1 문턱값에 미달하면, 대상 데이터(110b)에 대해 참조할 데이터가 없어 판정이 불가능한 것으로 분류되어 종료하는 것으로 구성할 수도 있다.
다음으로, 본 개시서에 따른 심층 신경망 모델 재현 성능 개선 방법은, 컴퓨팅 장치(200)에 의하여 구현되는 적응적 패턴 변환 모듈(330)이, 후보 데이터(110a')에 적합화(adaptation)되도록 상기 대상 데이터에 대한 적응적 패턴 변환을 수행하거나 상기 타 장치로 하여금 상기 적응적 패턴 변환을 수행하도록 지원하는 단계(S200)를 더 포함한다.
구체적으로, 이 단계(S200)에서는, 후보 데이터(110a'), 즉, 대상 데이터(110b)와 유사한 품질 패턴을 가지는 학습 데이터와 대상 데이터(110b)를 이용하여 대상 데이터(110b)가 학습 데이터들(110a)이 가지는 품질 패턴을 가지도록 적응적으로 패턴이 변환될 수 있다.
이와 같은 적응적 패턴 변환을 수행하기 위한 다양한 수단이 통상의 기술자에게 알려져 있는바, 예컨대, 논문 3: "Luan et al. [2017] Fujun Luan, Sylvain Paris, Eli Shechtman, and Kavita Bala. Deep photo style transfer. In 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), volume abs/1703.07511. IEEE, July 2017. doi: 10.1109/cvpr.2017.740."에 개시된 바와 같은 심층 학습 기반의 스타일 전환(style transfer) 또는 논문 4: " Jun-Yan Zhu*, Taesung Park*, Phillip Isola, and Alexei A. Efros. "Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks", in IEEE International Conference on Computer Vision (ICCV), 2017."에 개시된 바와 같은 도메인 적합화(domain adaptation)에 의하여 적응적 패턴 변환이 수행될 수 있으나 이에 한정되지 않는다.
여기에서 스타일 전환은, 2개의 영상 데이터가 주어졌을 때, 영상의 주된 형태는 유지하면서, 스타일만 변형하는 것을 지칭한다. 이 스타일 전환은 미리 훈련된 심층 신경망을 활용하여 특징을 추출한 후에 잠재 특징들이 유사해지도록 최적화함으로써 수행될 수 있는데, 이 과정에서 원본 영상 데이터의 내용 디테일(content detail)이 유지될 수 있도록 국소 아핀 변환(local affine transform)을 위한 손실항(loss term)이 추가 반영된다. 이와 같은 스타일 전환을 수행하는 하나의 수단은 통상의 기술자에게 Cycle-CAN(cycle-consistent adversarial network)이라는 명칭으로 알려져 있다.
단계(S200)에서 후보 데이터가 복수이면(예컨대, 소정의 제1 문턱값에 달한 유사도를 가지는 참조 데이터가 복수인 경우), 품질 패턴의 변환시 상기 심층 신경망 모델에 따른 잠재 공간(latent space) 상에서 상기 후보 데이터의 조합 또는 평균값이 반영될 수 있는바, 달리 말하자면, 상기 후보 데이터의 품질 패턴은 잠재 공간 상에서 상기 후보 데이터의 조합 또는 평균값에 기초할 수 있다. 여기에서 잠재 공간이라 함은 잠재 변수 혹은 잠재 특징이 표현되는 다차원 공간을 지칭한다.
단계(S200)에서 적응적 패턴 변환의 결과인 변환 데이터가 생성되면, 본 개시서에 따른 심층 신경망 모델 재현 성능 개선 방법은, 컴퓨팅 장치(200)가, 상기 변환 데이터를 심층 신경망 모듈(340)의 심층 신경망 모델에 전달하거나 상기 타 장치로 하여금 심층 신경망 모델에 전달하도록 지원함으로써 그 심층 신경망 모델로부터 출력값이 획득되는 단계(S300)를 더 포함한다.
이 출력값이 유의미하게 이용될 수 있도록, 본 개시서에 따른 심층 신경망 모델 재현 성능 개선 방법은, 컴퓨팅 장치(200)에 의하여 구현되는 출력 모듈(350)이, 상기 출력값을 포함하는 정보를 외부 엔티티에 제공하거나 상기 타 장치로 하여금 제공하도록 지원하는 단계(S400)를 더 포함할 수 있다.
지금까지 도 2 내지 도 5를 참조하여 설명된 바와 같이 본 발명은 그 모든 실시 예 및 변형례에 걸쳐, 일군의 데이터에 의하여 훈련된 심층 신경망 모델이 그 일군의 데이터와 상이한 품질 패턴을 가지는 입력 데이터에 대하여 번거로운 품질 맞춤의 수작업 없이도 그 성능을 그대로 유지할 수 있는 효과가 있다. 본 발명이 특징 추출 및 유사도 판정이 가능한 다양한 형식의 데이터에 대하여 적용될 수 있다는 점이 이해될 것이다.
위 실시 예의 설명에 기초하여 해당 기술분야의 통상의 기술자는, 본 발명의 방법 및/또는 프로세스들, 그리고 그 단계들이 하드웨어, 소프트웨어 또는 특정 용례에 적합한 하드웨어 및 소프트웨어의 임의의 조합으로 실현될 수 있다는 점을 명확하게 이해할 수 있다. 상기 하드웨어는 범용 컴퓨터 및/또는 전용 컴퓨팅 장치 또는 특정 컴퓨팅 장치 또는 특정 컴퓨팅 장치의 특별한 모습 또는 구성요소를 포함할 수 있다. 상기 프로세스들은 내부 및/또는 외부 메모리를 가지는, 하나 이상의 마이크로프로세서, 마이크로컨트롤러, 임베디드 마이크로컨트롤러, 프로그래머블 디지털 신호 프로세서 또는 기타 프로그래머블 장치에 의하여 실현될 수 있다. 게다가, 혹은 대안으로서, 상기 프로세스들은 주문형 집적회로(application specific integrated circuit; ASIC), 프로그래머블 게이트 어레이(programmable gate array), 프로그래머블 어레이 로직(Programmable Array Logic; PAL) 또는 전자 신호들을 처리하기 위해 구성될 수 있는 임의의 다른 장치 또는 장치들의 조합으로 실시될 수 있다. 더욱이 본 발명의 기술적 해법의 대상물 또는 선행 기술들에 기여하는 부분들은 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 기계 판독 가능한 기록 매체에 기록될 수 있다. 상기 기계 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 기계 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야의 통상의 기술자에게 공지되어 사용 가능한 것일 수도 있다. 기계 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD, Blu-ray와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 전술한 장치들 중 어느 하나뿐만 아니라 프로세서, 프로세서 아키텍처 또는 상이한 하드웨어 및 소프트웨어의 조합들의 이종 조합, 또는 다른 어떤 프로그램 명령어들을 실행할 수 있는 기계 상에서 실행되기 위하여 저장 및 컴파일 또는 인터프리트될 수 있는, C와 같은 구조적 프로그래밍 언어, C++ 같은 객체지향적 프로그래밍 언어 또는 고급 또는 저급 프로그래밍 언어(어셈블리어, 하드웨어 기술 언어들 및 데이터베이스 프로그래밍 언어 및 기술들)를 사용하여 만들어질 수 있는바, 기계어 코드, 바이트코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 이에 포함된다.
따라서 본 개시서에 따른 일 태양에서는, 앞서 설명된 방법 및 그 조합들이 하나 이상의 컴퓨팅 장치들에 의하여 수행될 때, 그 방법 및 방법의 조합들이 각 단계들을 수행하는 실행 가능한 코드로서 실시될 수 있다. 다른 일 태양에서는, 상기 방법은 상기 단계들을 수행하는 시스템들로서 실시될 수 있고, 방법들은 장치들에 걸쳐 여러 가지 방법으로 분산되거나 모든 기능들이 하나의 전용, 독립형 장치 또는 다른 하드웨어에 통합될 수 있다. 또 다른 일 태양에서는, 위에서 설명한 프로세스들과 연관된 단계들을 수행하는 수단들은 앞서 설명한 임의의 하드웨어 및/또는 소프트웨어를 포함할 수 있다. 그러한 모든 순차 결합 및 조합들은 본 개시서의 범위 내에 속하도록 의도된 것이다.
예를 들어, 상기 하드웨어 장치는 본 개시서에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다. 상기 하드웨어 장치는, 프로그램 명령어를 저장하기 위한 ROM/RAM 등과 같은 메모리와 결합되고 상기 메모리에 저장된 명령어들을 실행하도록 구성되는 MPU, CPU, GPU, TPU와 같은 프로세서를 포함할 수 있으며, 외부 장치와 신호를 주고받을 수 있는 통신부를 포함할 수 있다. 덧붙여, 상기 하드웨어 장치는 개발자들에 의하여 작성된 명령어들을 전달받기 위한 키보드, 마우스, 기타 외부 입력장치를 포함할 수 있다.
이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항들과 한정된 실시 예 및 도면에 의해 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명이 상기 실시 예들에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 사람이라면 이러한 기재로부터 다양한 수정 및 변형을 꾀할 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등하게 또는 등가적으로 변형된 모든 것들은 본 발명의 사상의 범주에 속한다고 할 것이다.
그와 같이 균등하게 또는 등가적으로 변형된 것에는, 예컨대 본 개시서에 따른 방법을 실시한 것과 동일한 결과를 낼 수 있는, 논리적으로 동치(logically equivalent)인 방법이 포함될 것인바, 본 발명의 진의 및 범위는 전술한 예시들에 의하여 제한되어서는 아니되며, 법률에 의하여 허용 가능한 가장 넓은 의미로 이해되어야 한다.

Claims (7)

  1. 일군의 학습 데이터들을 이용하여 훈련된 심층 신경망 모델의 상기 일군과 상이한 품질 패턴(qualitative pattern)을 지닌 대상 데이터에 대한 출력값의 재현 성능을 개선하는 방법으로서,
    (a) 상기 대상 데이터가 획득된 상태에서, 상기 컴퓨팅 장치가, 상기 학습 데이터들 중에서 선별된 참조 데이터들을 포함하는 학습 데이터 대표군으로부터 상기 대상 데이터와 가장 유사도가 높은 적어도 하나의 후보 데이터를 인출(retrieve)하거나 상기 컴퓨팅 장치에 연동되는 타 장치로 하여금 상기 후보 데이터를 인출하도록 지원하는 단계;
    (b) 상기 컴퓨팅 장치가, 상기 후보 데이터에 적합화(adaptation)되도록 상기 대상 데이터에 대한 적응적 패턴 변환을 수행하거나 상기 타 장치로 하여금 상기 적응적 패턴 변환을 수행하도록 지원하는 단계; 및
    (c) 상기 컴퓨팅 장치가, 상기 적응적 패턴 변환의 결과인 변환 데이터를 상기 심층 신경망 모델에 전달하거나 상기 타 장치로 하여금 상기 심층 신경망 모델에 전달하도록 지원함으로써 상기 심층 신경망 모델로부터 출력값이 획득되는 단계
    를 포함하는 심층 신경망 모델 재현 성능 개선 방법.
  2. 제1항에 있어서,
    상기 참조 데이터들은 특징에 대한 유사도 기준(similarity metric)에 기초하여 상기 학습 데이터 중에서 서로 간의 유사도가 소정의 제2 문턱값보다 낮은 데이터들로 선별된 것을 특징으로 하는 심층 신경망 모델 재현 성능 개선 방법.
  3. 제1항에 있어서,
    상기 (a) 단계는,
    상기 모든 참조 데이터들에 대해 상기 유사도가 소정의 제1 문턱값에 미달하면 상기 대상 데이터가 판정 불가로 분류되어 종료되는 것을 특징으로 하는 심층 신경망 모델 재현 성능 개선 방법.
  4. 제1항에 있어서,
    상기 (b) 단계에서,
    인출된 상기 후보 데이터와 상기 대상 데이터를 이용하여 상기 후보 데이터의 품질 패턴을 가지도록 상기 대상 데이터의 패턴이 적응적으로 변환되는 것을 특징으로 하는 심층 신경망 모델 재현 성능 개선 방법.
  5. 제4항에 있어서,
    상기 인출된 후보 데이터가 복수이고,
    상기 (b) 단계에서,
    상기 후보 데이터의 품질 패턴은 상기 심층 신경망 모델에 따른 잠재 공간(latent space) 상에서 상기 후보 데이터의 조합 또는 평균값에 기초하는 것을 특징으로 하는 심층 신경망 모델 재현 성능 개선 방법.
  6. 컴퓨팅 장치로 하여금, 제1항 내지 제5항 중 어느 한 항의 방법을 수행하도록 구현된 명령어(instructions)를 포함하는, 기계 판독 가능한 비일시적 기록 매체에 저장된, 컴퓨터 프로그램.
  7. 일군의 학습 데이터들을 이용하여 훈련된 심층 신경망 모델의 상기 일군과 상이한 품질 패턴(qualitative pattern)을 지닌 대상 데이터에 대한 출력값의 재현 성능을 개선하는 컴퓨팅 장치로서,
    상기 대상 데이터를 획득하는 통신부; 및
    (i) 상기 학습 데이터들 중에서 선별된 참조 데이터들을 포함하는 학습 데이터 대표군으로부터 상기 대상 데이터와 가장 유사도가 높은 적어도 하나의 후보 데이터를 인출(retrieve)하거나 상기 통신부를 통하여 연동되는 타 장치로 하여금 상기 후보 데이터를 인출하도록 지원하는 참조 데이터 기반 후보 데이터 생성 모듈을 구현하는 프로세스, 상기 후보 데이터에 적합화(adaptation)되도록 상기 대상 데이터에 대한 적응적 패턴 변환을 수행하거나 상기 타 장치로 하여금 상기 적응적 패턴 변환을 수행하도록 지원하는 적응적 패턴 변환 모듈을 구현하는 프로세스, 및 상기 적응적 패턴 변환의 결과인 변환 데이터를 상기 심층 신경망 모델에 전달하거나 상기 타 장치로 하여금 상기 심층 신경망 모델에 전달하도록 지원함으로써 상기 심층 신경망 모델로부터 출력값을 획득하는 프로세스를 수행하는 프로세서
    를 포함하는 심층 신경망 모델 재현 성능 개선 장치.
PCT/KR2019/017199 2019-05-14 2019-12-06 훈련된 심층 신경망 모델의 재현 성능을 개선하는 방법 및 이를 이용한 장치 WO2020230972A1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2021556444A JP7402248B2 (ja) 2019-05-14 2019-12-06 深層神経網モデルの学習に用いられる学習データに基づいて対象データの品質パターンを変換する方法、装置およびプログラム
US17/598,289 US20220180194A1 (en) 2019-05-14 2019-12-06 Method for improving reproduction performance of trained deep neural network model and device using same
EP19928369.8A EP3971790A4 (en) 2019-05-14 2019-12-06 METHOD FOR IMPROVING THE REPRODUCTION PERFORMANCE OF A TRAINED DEEP NEURONAL NETWORK MODEL AND DEVICE USING THE SAME

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2019-0056141 2019-05-14
KR1020190056141A KR102034827B1 (ko) 2019-05-14 2019-05-14 훈련된 심층 신경망 모델의 재현 성능을 개선하는 방법 및 이를 이용한 장치

Publications (1)

Publication Number Publication Date
WO2020230972A1 true WO2020230972A1 (ko) 2020-11-19

Family

ID=68727968

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/017199 WO2020230972A1 (ko) 2019-05-14 2019-12-06 훈련된 심층 신경망 모델의 재현 성능을 개선하는 방법 및 이를 이용한 장치

Country Status (5)

Country Link
US (1) US20220180194A1 (ko)
EP (1) EP3971790A4 (ko)
JP (1) JP7402248B2 (ko)
KR (1) KR102034827B1 (ko)
WO (1) WO2020230972A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113420322B (zh) * 2021-05-24 2023-09-01 阿里巴巴新加坡控股有限公司 模型训练、脱敏方法、装置、电子设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6066086B2 (ja) * 2011-02-28 2017-01-25 日本電気株式会社 データ判別装置、方法及びプログラム
KR20180120240A (ko) * 2016-04-13 2018-11-05 구글 엘엘씨 광역 및 심층 기계 학습 모델들

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10318889B2 (en) * 2017-06-26 2019-06-11 Konica Minolta Laboratory U.S.A., Inc. Targeted data augmentation using neural style transfer
CN110914834B (zh) * 2017-08-01 2024-04-16 3M创新有限公司 用于图像变型和识别的神经风格迁移

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6066086B2 (ja) * 2011-02-28 2017-01-25 日本電気株式会社 データ判別装置、方法及びプログラム
KR20180120240A (ko) * 2016-04-13 2018-11-05 구글 엘엘씨 광역 및 심층 기계 학습 모델들

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
ADNAN QAYYUMSYED MUHAMMAD ANWARMUHAMMAD AWAISMUHAMMAD MAJID: "Thesis 1", 2017, ELSEVIER B.V., article "Medical image retrieval using deep convolutional neural network", pages: 1 - 13
CAO, BIN ET AL.: "Distance Metric Learning under Covariate Shift", PROCEEDINGS OF THE TWENTY-SECOND INTERNATIONAL JOINT CONFERENCE ON ARTIFICIAL INTELLIGENCE, 1 January 2011 (2011-01-01), pages 1204 - 1210, XP055760926 *
FUJUN LUANSYLVAIN PARISELI SHECHTMANKAVITA BALA ET AL.: "2017 IEEE Conference on Computer Vision and Pattern Recognition", July 2017, IEEE, article "Deep photo style transfer"
JUN-YAN ZHUTAESUNG PARKPHILLIP ISOLAALEXEI A. EFROS: "IEEE International Conference on Computer Vision", 2017, article "Unpaired Image-to-image Translation using Cycle-Consistent Adversarial Networks"
S. C. NAYAK , B. B. MISRA , H. S. BEHERA: "Impact of Data Normalization on Stock Index Forecasting", INTERNATIONAL JOURNAL OF COMPUTER INFORMATION SYSTEMS AND INDUSTRIAL MANAGEMENT APPLICATIONS, vol. 6, 2014, pages 257 - 269, XP055760932, ISSN: 2150-7988 *
See also references of EP3971790A4
WENYUAN DAI, XUE GUI-RONG, YANG QIANG, YU YONG: "Transferring Naive Bayes Classifiers for Text Classification", PROCEEDINGS OF THE TWENTY-SECOND AAAI CONFERENCE ON ARTIFICIAL INTELLIGENCE, 1 January 2007 (2007-01-01), pages 540 - 545, XP055760936 *
YUAN CHUNG ET AL.: "Thesis 2", article "Learning Deep Representations of Medical Images using Siamese CNNs with Application to Content-Based Image Retrieval"

Also Published As

Publication number Publication date
EP3971790A1 (en) 2022-03-23
KR102034827B1 (ko) 2019-11-18
EP3971790A4 (en) 2023-06-07
JP2022526126A (ja) 2022-05-23
US20220180194A1 (en) 2022-06-09
JP7402248B2 (ja) 2023-12-20

Similar Documents

Publication Publication Date Title
KR101898575B1 (ko) 진행성 병변에 대한 미래 상태를 예측하는 방법 및 이를 이용한 장치
US11900647B2 (en) Image classification method, apparatus, and device, storage medium, and medical electronic device
WO2019143177A1 (ko) 일련의 슬라이스 영상을 재구성하는 방법 및 이를 이용한 장치
KR102177568B1 (ko) 레이블 있는 데이터 및 레이블 없는 데이터를 병용하는 준지도 강화 학습 방법 및 이를 이용한 장치
US6675210B1 (en) Method, apparatus and recording medium for data transfer
KR102053527B1 (ko) 이미지 처리 방법
KR101995383B1 (ko) 의료 영상에 대한 특징 순위에 기반하여 뇌질환을 판정하는 방법 및 이를 이용한 장치
US9535928B2 (en) Combining information of different levels for content-based retrieval of digital pathology images
Sivakumar et al. A novel method to detect bleeding frame and region in wireless capsule endoscopy video
WO2021137454A1 (ko) 인공지능 기반의 사용자 의료정보 분석 방법 및 시스템
WO2019124836A1 (ko) 제1 의료 영상의 관심 영역을 제2 의료 영상 위에 맵핑하는 방법 및 이를 이용한 장치
WO2019143021A1 (ko) 영상의 열람을 지원하는 방법 및 이를 이용한 장치
WO2019143179A1 (ko) 동일 피사체에 대하여 시간 간격을 두고 촬영된 영상 간에 동일 관심구역을 자동으로 검출하는 방법 및 이를 이용한 장치
US11449210B2 (en) Method for providing an image base on a reconstructed image group and an apparatus using the same
KR101925603B1 (ko) 병리 영상의 판독을 보조하는 방법 및 이를 이용한 장치
KR20200131737A (ko) 의료 영상에서 병변의 시각화를 보조하는 방법 및 이를 이용한 장치
WO2020230972A1 (ko) 훈련된 심층 신경망 모델의 재현 성능을 개선하는 방법 및 이를 이용한 장치
WO2023249402A1 (ko) 딥러닝 모델의 학습을 위한 의료 데이터의 처리 방법, 프로그램 및 장치
KR101923962B1 (ko) 의료 영상의 열람을 지원하는 방법 및 이를 이용한 장치
KR102036052B1 (ko) 인공지능 기반으로 비규격화 피부 이미지의 의료 영상 적합성을 판별 및 변환하는 장치
KR102222816B1 (ko) 진행성 병변의 미래 영상을 생성하는 방법 및 이를 이용한 장치
KR20200131722A (ko) 훈련된 심층 신경망 모델의 재현 성능을 개선하는 방법 및 이를 이용한 장치
KR101948701B1 (ko) 피검체의 뇌 구조를 기술하는 잠재 변수에 기반하여 상기 피검체의 뇌질환을 판정하는 방법 및 이를 이용한 장치
CN115965785A (zh) 图像分割方法、装置、设备、程序产品及介质
WO2023027248A1 (ko) 데이터 생성 방법 및 이를 이용한 학습방법 및 장치

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19928369

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021556444

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2019928369

Country of ref document: EP

Effective date: 20211214