1 |
1
엑스선의 투과 및 흡수력으로 몸 안의 조직과 장기들의 구조를 출력한 영상으로, 뼈와 연조직을 포함하는 영상인, 일반 방사선 영상이 입력되는, 입력부;일반 방사선 영상과 물질 분리 방사선 영상과의 관계에 대한 콘볼루션 인공신경망(convolutional neural networks, CNN)을 이용하여, 입력부에서 입력된 일반 방사선 영상에 따른 물질 분리 방사선 영상을 출력하는 연산처리부;연산처리부에서 출력된 물질 분리 방사선 영상을 디스플레이하는, 출력부;를 포함하여 이루어진 것을 특징으로 하는
|
2 |
2
제1항에 있어서,연산처리부에서 출력된 물질 분리 방사선 영상은,입력부에서 입력된 일반 방사선 영상에서 뼈만을 나타내는 뼈만의 방사선 영상이거나, 또는 입력부에서 입력된 일반 방사선 영상에서 연조직만을 나타내는 연조직만의 방사선 영상인 것을 특징으로 하는
|
3 |
3
제1항에 있어서,일반 방사선 영상과, 상기 일반 방사선 영상에서 이중 에너지(Dual-energy, DE) 방사선 영상화 기술에 의해 검출된 물질 분리 방사선 영상이, 쌍으로 이루어진, 훈련 데이터를 저장하고 있는 서버;를 더 포함하는 것을 특징으로 하는
|
4 |
4
제2항에 있어서, 연조직만의 방사선 영상은, 입력부에서 입력된 일반 방사선 영상에서, 뼈만의 방사선 영상을 차감한 영상인 것을 특징으로 하는 흉부 물질 분리 영상 획득 시스템
|
5 |
5
제3항에 있어서,콘볼루션 인공신경망은, 연산처리부가, 서버의 훈련 데이터를 이용하여 트래닝(훈련)시킨 인공신경망인 것을 특징으로 하는
|
6 |
6
제5항에 있어서,연산처리부는 서버에 저장된 훈련 데이터의 데이터 확장을 행하여, 데이터 확장된 데이터를 서버의 훈련 데이터에 추가하되, 데이터 확장은, 서버에 저장된 훈련 데이터의 일반 방사선 영상에서, 표준편차가, 0
|
7 |
7
제5항에 있어서,콘볼루션 인공신경망의 모델은 의미론적 분할(Semantic Segmentation, 시맨틱 분할)을 위해 사용된 전층 콘볼루션 신경망(fully convolution network, FCN)을 기반으로 하며, 상기 모델은 엔코딩 파트 및 디코딩 파트를 구비하는 것을 특징으로 하는
|
8 |
8
제7항에 있어서,엔코딩 파트는, 제1 다운 샘플링층, 제2 다운 샘플링층, 제3 다운 샘플링층으로 이루어지며,제1 다운 샘플링층, 제2 다운 샘플링층, 제3 다운 샘플링층은, 1차 콘볼루션 층, 1차 배치 정규화층, 1차 활성화층, 2차 콘볼루션층
|
9 |
9
제8항에 있어서,제1 다운 샘플링층의 1차 콘볼루션층은, 입력부에 입력된 환자의 흉부를 촬영한 일반 방사선 영상에서, 커널사이즈(Kernel size)가 3x3이고, 스트라이드(stride)는 1x1로 하여, 콘볼루션을 행하는 층이며, 제2 다운 샘플링층의 1차 콘볼루션층은, 제1 다운 샘플링층의 결과의 특성에서, 커널사이즈(Kernel size)가 3x3이고, 스트라이드(stride)는 1x1로 하여, 콘볼루션을 행하는 층이며, 제3 다운 샘플링층의 1차 콘볼루션층은, 제2 다운 샘플링 층의 결과의 특성에서, 커널사이즈(Kernel size)가 3x3이고, 스트라이드(stride)는 1x1로 하여, 콘볼루션을 행하는 것을 특징으로 하는
|
10 |
10
제9항에 있어서,제1 다운 샘플링층, 제2 다운 샘플링층, 제3 다운 샘플링층에서,1차 배치 정규화층은 1차 콘볼루션층의 결과의 특성(Feature)을 배치 정규화를 행하는 층이며,1차 활성화층은 1차 배치 정규화층의 결과의 특성에서 ReLU(램프함수)를 구하는 층이며,2차 콘볼루션층은 1차 활성화층의 결과의 특성에서, 커널사이즈가 3x3이고, 스트라이드는 1x1로 하여, 콘볼루션을 행하는 층이며, 2차 배치 정규화층은 2차 콘볼루션 단계의 결과의 특성을 배치 정규화를 행하는 층이며,2차 배치 정규화층은, 상기 1차 콘볼루션층에서 잔여 건너뛰기(residual shortcut connection)을 행함에 의해 얻어진 1차 콘볼루션층의 결과의 특성과, 2차 배치 정규화층의 결과의 특성을 합산한 결과의 특성을, 배치 정규화를 행하는 층이며, 2차 활성화층은, 3차 배치 정규화층의 결과의 특성에서 ReLU를 구하는 충이며,3차 콘볼루션층, 2차 활성화층의 결과의 특성에서, 커널사이즈가 3x3이고, 스트라이드는 2x2로 하여, 콘볼루션을 행하는 층이며, 4차 배치 정규화층은 3차 콘볼루션 단계의 결과의 특성을 배치 정규화를 행하는 층이며,3차 활성화층은, 4차 배치 정규화층의 결과의 특성에서 ReLU를 구하여 출력하는 층인 것을 특징으로 하는, 흉부 물질 분리 영상 획득 시스템
|
11 |
11
제8항에 있어서,디코딩 파트는, 제1 업 샘플링층, 제2 업 샘플링층, 제3 업 샘플링층으로 이루어지며,제1 업 샘플링층, 제2 업 샘플링층, 제3 업 샘플링층는, 디콘볼루션 층, 1차 배치 정규화층, 1차 활성화층, 1차 콘볼루션층
|
12 |
12
제11항에 있어서,제3 업 샘플링층은, 4차 콘볼루션 층을 더 포함하는 것을 특징으로 하는, 흉부 물질 분리 영상 획득 시스템
|
13 |
13
제12항에 있어서,제1 업 샘플링층의 디콘볼루션층은, 제3 다운 샘플링층에서 출력된 결과의 특성에서, 커널사이즈가 3x3이고, 스트라이드는 2x2로 하여, 디콘볼루션을 행하는 층이며,제2 업 샘플링층의 디콘볼루션층은, 제1 업 샘플링층에서 출력된 결과의 특성과, 제2 다운 샘플링층의 2차 활성화층의 결과의 특성을, 합산한 결과의 특성을, 커널사이즈가 3x3이고, 스트라이드는 2x2로 하여, 디콘볼루션을 행하는 층이며, 제3 업 샘플링층의 디콘볼루션층은, 제2 업 샘플링층에서 출력된 결과의 특성과, 제1 다운 샘플링층의 2차 활성화층의 결과의 특성을, 합산한 결과의 특성을, 커널사이즈가 3x3이고, 스트라이드는 2x2로 하여, 디 콘볼루션을 행하는 층인 것을 특징으로 하는, 흉부 물질 분리 영상 획득 시스템
|
14 |
14
제13항에 있어서,제1 업 샘플링층, 제2 업 샘플링층, 제3 업 샘플링층에서,1차 배치 정규화층은, 디콘볼루션층의 결과의 특성을 배치 정규화를 행하는 층이며,1차 활성화층은, 1차 배치 정규화층의 결과의 특성에서 ReLU를 구하는 층이며,1차 콘볼루션층은 1차 활성화층의 결과의 특성에서, 커널사이즈가 3x3이고, 스트라이드는 1x1로 하여, 콘볼루션을 행하는 층이며, 2차 배치 정규화층는 1차 콘볼루션층의 결과의 특성을 배치 정규화를 행하는 층이며,2차 활성화층은, 2차 배치 정규화층의 결과의 특성에서 ReLU를 구하는 층이며, 2차 콘볼루션층은, 2차 활성화층의 결과의 특성에서, 커널사이즈가 3x3이고, 스트라이드는 1x1로 하여, 콘볼루션을 행하는 층이며, 3차 배치 정규화층은, 2차 콘볼루션 단계의 결과의 특성을 배치 정규화를 행하는 층이며,4차 배치 정규화층은, 1차 콘볼루션층의 결과의 특성와, 3차 배치 정규화층의 결과의 특성을, 합산한 결과의 특성을, 배치 정규화를 행하는 층이며,3차 활성화층은, 4차 배치 정규화층의 결과의 특성에서 ReLU를 구하고 출력하는 층인 것을 특징으로 하는, 흉부 물질 분리 영상 획득 시스템
|
15 |
15
제14항에 있어서,제3 업 샘플링층에서, 4차 콘볼루션 층은 3차 활성화층의 결과의 특성에서, 커널사이즈가 1x1이고, 스트라이드는 1x1로 하여, 콘볼루션을 행하는 층인 것을 특징으로 하는, 흉부 물질 분리 영상 획득 시스템
|
16 |
16
제15항에 있어서, 제3 업 샘플링층의 4차 콘볼루션 층의 결과 특성이, 입력부에 입력된 일반 방사선 영상에 대한 물질 분리 방사선 영상인 것을 특징으로 하는, 흉부 물질 분리 영상 획득 시스템
|
17 |
17
제16항에 있어서,콘볼루션 인공신경망의 훈련(학습)인, 종단 간 매핑 기능의 훈련 시에, 콘볼루션 필터 및 바이어스를 포함하는 네트워크 파라미터 θ = {W1, b1, W2, b2 …}의 최적화를 필요하며,예측영상(F)과, 실제의 물질분리 영상(Y)에 대한, 평균 절대 오차(Mean Absolute Error)(MAE)와 평균 이승 오차(Mean Square Error)(MSE)를 손실 함수로 적용하여 최적화 결과를 평가하되,평균 절대 오차(MAE)와 평균 이승 오차(MSE)는 (단, N은 총 일반 방사선 촬영 영상(chest radiography)의 개수를 말하고, Yi는 i번째 물질분리영상이고, F(Xi;θ)는 i번째 일반 흉부 방사선 촬영 영상(chest radiography)에서 학습된 파라미터 θ를 적용해 예측된 영상을 말함)에 의해 구하여지는 것을 특징으로 하는, 흉부 물질 분리 영상 획득 시스템
|
18 |
18
입력부로부터 엑스선의 투과 및 흡수력으로 몸 안의 조직과 장기들의 구조를 출력한 영상인 일반 방사선 영상을 연산처리부가 수신하는 입력단계; 연산처리부는, 일반 방사선 영상과 물질 분리 방사선 영상과의 관계에 대한 콘볼루션 인공신경망(convolutional neural networks, CNN)을 이용하여, 종단 간 매핑하여, 입력단계에서 수신된 일반 방사선 영상에 따른 물질 분리 방사선 영상을 출력하는 연산처리단계;연산처리단계에서 출력된 물질 분리 방사선 영상을 출력부로 출력하는, 출력단계;를 포함하여 이루어진 것을 특징으로 하는
|
19 |
19
제18항에 있어서,연산처리부에서 출력된 물질 분리 방사선 영상은,입력부에서 입력된 일반 방사선 영상에서 뼈만을 나타내는 뼈만의 방사선 영상이거나, 또는 입력부에서 입력된 일반 방사선 영상에서 연조직만을 나타내는 연조직만의 방사선 영상인 것을 특징으로 하는
|
20 |
20
제19항에 있어서,일반 방사선 영상과, 상기 일반 방사선 영상에서 이중 에너지(Dual-energy, DE) 방사선 영상화 기술에 의해 검출된 물질 분리 방사선 영상이, 쌍으로 이루어진, 훈련 데이터를 서버에 저장하고 있으며,콘볼루션 인공신경망은, 연산처리부가, 서버의 훈련 데이터를 이용하여 트래닝(훈련)시킨 인공신경망인 것을 특징으로 하는
|
21 |
21
제20항에 있어서,콘볼루션 인공신경망은 엔코딩 파트 및 디코딩 파트를 구비하며, 엔코딩 파트는, 제1 다운 샘플링층, 제2 다운 샘플링층, 제3 다운 샘플링층으로 이루어지며,디코딩 파트는, 제1 업 샘플링층, 제2 업 샘플링층, 제3 업 샘플링층으로 이루어진 것을 특징으로 하는
|
22 |
22
제21항에 있어서, 인공신경망에서,제1 다운 샘플링층, 제2 다운 샘플링층 및 제3 다운 샘플링층은, 1차 콘볼루션 층, 1차 배치 정규화층, 1차 활성화층, 2차 콘볼루션층
|
23 |
23
제22항에 있어서, 엔코딩 파트의 제1 다운 샘플링층, 제2 다운 샘플링층 및 제3 다운 샘플링층에서,1차 배치 정규화층은 1차 콘볼루션층의 결과의 특성(Feature)을 배치 정규화를 행하는 층이며,1차 활성화층은 1차 배치 정규화층의 결과의 특성에서 ReLU(램프함수)를 구하는 층이며,2차 콘볼루션층은 1차 활성화층의 결과의 특성에서, 커널사이즈가 3x3이고, 스트라이드는 1x1로 하여, 콘볼루션을 행하는 층이며, 2차 배치 정규화층은 2차 콘볼루션 단계의 결과의 특성을 배치 정규화를 행하는 층이며,2차 배치 정규화층은, 상기 1차 콘볼루션층에서 잔여 건너뛰기(residual shortcut connection)을 행함에 의해 얻어진 1차 콘볼루션층의 결과의 특성과, 2차 배치 정규화층의 결과의 특성을 합산한 결과의 특성을, 배치 정규화를 행하는 층이며, 2차 활성화층은, 3차 배치 정규화층의 결과의 특성에서 ReLU를 구하는 충이며,3차 콘볼루션층, 2차 활성화층의 결과의 특성에서, 커널사이즈가 3x3이고, 스트라이드는 2x2로 하여, 콘볼루션을 행하는 층이며, 4차 배치 정규화층은 3차 콘볼루션 단계의 결과의 특성을 배치 정규화를 행하는 층이며,3차 활성화층은, 4차 배치 정규화층의 결과의 특성에서 ReLU를 구하여 출력하는 층인 것을 특징으로 하는, 흉부 물질 분리 영상 획득 방법
|
24 |
24
제23항에 있어서,디코딩 파트의 제1 업 샘플링층, 제2 업 샘플링층 및 제3 업 샘플링층은, 디콘볼루션 층, 1차 배치 정규화층, 1차 활성화층, 1차 콘볼루션층
|
25 |
25
제24항에 있어서,제1 업 샘플링층의 디콘볼루션층은, 제3 다운 샘플링층에서 출력된 결과의 특성에서, 커널사이즈가 3x3이고, 스트라이드는 2x2로 하여, 디콘볼루션을 행하는 층이며,제2 업 샘플링층의 디콘볼루션층은, 제1 업 샘플링층에서 출력된 결과의 특성과, 제2 다운 샘플링층의 2차 활성화층의 결과의 특성을, 합산한 결과의 특성을, 커널사이즈가 3x3이고, 스트라이드는 2x2로 하여, 디콘볼루션을 행하는 층이며, 제3 업 샘플링층의 디콘볼루션층은, 제2 업 샘플링층에서 출력된 결과의 특성과, 제1 다운 샘플링층의 2차 활성화층의 결과의 특성을, 합산한 결과의 특성을, 커널사이즈가 3x3이고, 스트라이드는 2x2로 하여, 디 콘볼루션을 행하는 층인 것을 특징으로 하는, 흉부 물질 분리 영상 획득 방법
|
26 |
26
제25항에 있어서,디코딩 파트의 제1 업 샘플링층, 제2 업 샘플링층 및 제3 업 샘플링층에서,1차 배치 정규화층은, 디콘볼루션층의 결과의 특성을 배치 정규화를 행하는 층이며,1차 활성화층은, 1차 배치 정규화층의 결과의 특성에서 ReLU를 구하는 층이며,1차 콘볼루션층은 1차 활성화층의 결과의 특성에서, 커널사이즈가 3x3이고, 스트라이드는 1x1로 하여, 콘볼루션을 행하는 층이며, 2차 배치 정규화층는 1차 콘볼루션층의 결과의 특성을 배치 정규화를 행하는 층이며,2차 활성화층은, 2차 배치 정규화층의 결과의 특성에서 ReLU를 구하는 층이며, 2차 콘볼루션층은, 2차 활성화층의 결과의 특성에서, 커널사이즈가 3x3이고, 스트라이드는 1x1로 하여, 콘볼루션을 행하는 층이며, 3차 배치 정규화층은, 2차 콘볼루션 단계의 결과의 특성을 배치 정규화를 행하는 층이며,4차 배치 정규화층은, 1차 콘볼루션층의 결과의 특성와, 3차 배치 정규화층의 결과의 특성을, 합산한 결과의 특성을, 배치 정규화를 행하는 층이며,3차 활성화층은, 4차 배치 정규화층의 결과의 특성에서 ReLU를 구하고 출력하는 층인 것을 특징으로 하는, 흉부 물질 분리 영상 획득 방법
|
27 |
27
제25항에 있어서,제3 업 샘플링층에서, 4차 콘볼루션 층은 3차 활성화층의 결과의 특성에서, 커널사이즈가 1x1이고, 스트라이드는 1x1로 하여, 콘볼루션을 행하는 층인 것을 특징으로 하는, 흉부 물질 분리 영상 획득 방법
|
28 |
28
제18항 내지 제27항 중 어느 한 항의 흉부 물질 분리 영상 획득 방법을 실행하는 컴퓨터 프로그램이 기록된 기록매체
|