| 1 |
1
디지털 유방 단층촬영합성(Digital Breast Tomosynthesis: 이하 DBT) 영상을 인가받아 기설정된 크기의 다수의 패치 영상으로 분할하는 패치 분할부; 미리 학습된 패턴 추정 방식에 따라 상기 다수의 패치 각각에서 번짐 현상을 제거하여 다수의 번짐 제거 패치 영상을 출력하는 디블러링부; 상기 다수의 번짐 제거 패치 영상을 결합하여 결합 DBT 영상을 생성하는 패치 결합부; 및 미리 학습된 패턴 추정 방식에 따라 상기 결합 DBT 영상에서 노이즈를 제거하여 재구성 DBT 영상을 출력하는 디노이징부; 를 포함하고, 상기 디블러링부는 입력되는 영상의 특징을 추정하는 다수의 컨볼루션 모듈; 및 상기 다수의 컨볼루션 모듈 사이에 배치되어 이전 컨볼루션 모듈에서 출력되는 영상과 상기 다수의 컨볼루션 모듈 중 이전 기설정된 개수의 컨볼루션 모듈로 인가되는 입력 영상을 가산하여 다음 컨볼루션 모듈로 전달하는 다수의 가산기; 를 포함하되,상기 다수의 가산기 각각은 상기 다수의 가산기 중 이전 기설정된 가산기의 출력을 숏컷 연결로 인가받아, 상기 다수의 컨볼루션 모듈 중 대응하는 컨볼루션 모듈의 출력과 가산하여 다음 컨볼루션 모듈의 입력으로 전달하는 디지털 유방 단층촬영합성 영상의 재구성 장치
|
| 2 |
2
제1 항에 있어서, 상기 다수의 컨볼루션 모듈 각각은 입력되는 영상을 기지정된 가중치를 갖는 가중치 필터와 컨볼루션 연산하여 출력하는 다수의 컨볼루션 레이어; 를 포함하는 디지털 유방 단층촬영합성 영상의 재구성 장치
|
| 3 |
3
제2 항에 있어서, 상기 다수의 컨볼루션 모듈 각각은 상기 다수의 컨볼루션 레이어 사이에 배치되어 상기 다수의 컨볼루션 레이어의 출력을 기설정된 함수로 필터링하는 다수의 활성화 함수; 를 더 포함하는 디지털 유방 단층촬영합성 영상의 재구성 장치
|
| 4 |
4
제3 항에 있어서, 상기 다수의 활성화 함수는 ReLU((Rectified Linear Unit) 함수로 구현되는 디지털 유방 단층촬영합성 영상의 재구성 장치
|
| 5 |
5
삭제
|
| 6 |
6
제1 항에 있어서, 상기 디노이징부는 입력되는 영상의 특징을 추정하는 다수의 부가 컨볼루션 모듈; 및 상기 다수의 부가 컨볼루션 모듈 사이에 배치되어 이전 부가 컨볼루션 모듈에서 출력되는 영상과 상기 다수의 부가 컨볼루션 모듈 중 이전 기설정된 개수의 부가 컨볼루션 모듈로 인가되는 입력 영상을 가산하여 다음 부가 컨볼루션 모듈로 전달하는 다수의 가산기; 를 포함하는 디지털 유방 단층촬영합성 영상의 재구성 장치
|
| 7 |
7
제1 항에 있어서, 상기 디노이징부는 기지정된 가중치를 갖는 가중치 필터와 컨볼루션 연산하여 출력하는 다수의 컨볼루션 레이어를 포함하는 컨볼루션 신경망으로 구현되는 디지털 유방 단층촬영합성 영상의 재구성 장치
|
| 8 |
8
디지털 유방 단층촬영합성(Digital Breast Tomosynthesis: 이하 DBT) 영상을 인가받아 기설정된 크기의 다수의 패치 영상으로 분할하는 단계; 미리 학습된 패턴 추정 방식에 따라 상기 다수의 패치 각각에서 번짐 현상을 제거하여 다수의 번짐 제거 패치 영상을 출력하는 단계; 상기 다수의 번짐 제거 패치 영상을 결합하여 결합 DBT 영상을 생성하는 단계; 및 미리 학습된 패턴 추정 방식에 따라 상기 결합 DBT 영상에서 노이즈를 제거하여 재구성 DBT 영상을 출력하는 단계; 를 포함하고, 상기 번짐 제거 패치 영상을 출력하는 단계는 각각 입력되는 입력 영상에 대해 다수의 컨볼루션 연산을 수행하여 특징을 추정하여 특징 영상을 출력하는 단계; 및 상기 특징 영상을 출력하는 단계에서 출력되는 특징 영상과 이전 특징 영상을 추정하기 위해 입력되는 다수의 입력 영상을 가산하여, 다음 특징 영상을 추정하기 위한 입력 영상으로서 전달하는 단계; 를 포함하되,상기 재구성 DBT 영상을 출력하는 단계는 각각 입력되는 입력 영상에 대해 다수의 컨볼루션 연산을 수행하여 특징을 추정하여 특징 영상을 출력하는 단계; 및 상기 특징 영상을 출력하는 단계에서 출력되는 특징 영상과 이전 특징 영상을 추정하기 위해 입력되는 다수의 입력 영상을 가산하여, 다음 특징 영상을 추정하기 위한 입력 영상으로서 전달하는 단계; 를 포함하는 디지털 유방 단층촬영합성 영상의 재구성 방법
|
| 9 |
9
제8 항에 있어서, 상기 특징 영상을 출력하는 단계는 상기 입력 영상을 기지정된 가중치를 갖는 가중치 필터와 컨볼루션 연산하여 출력하는 단계; 를 포함하는 디지털 유방 단층촬영합성 영상의 재구성 방법
|
| 10 |
10
제9 항에 있어서, 상기 특징 영상을 출력하는 단계는 상기 컨볼루션 연산되어 출력되는 특징 영상을 기설정된 활성화 함수로 필터링하여 출력하는 단계; 를 더 포함하는 디지털 유방 단층촬영합성 영상의 재구성 방법
|
| 11 |
11
제10 항에 있어서, 상기 활성화 함수는 ReLU((Rectified Linear Unit) 함수인 디지털 유방 단층촬영합성 영상의 재구성 방법
|
| 12 |
12
삭제
|
| 13 |
13
디지털 유방 단층촬영합성(Digital Breast Tomosynthesis: 이하 DBT) 영상을 인가받아 기설정된 크기의 다수의 패치 영상으로 분할하는 단계; 미리 학습된 패턴 추정 방식에 따라 상기 다수의 패치 각각에서 번짐 현상을 제거하여 다수의 번짐 제거 패치 영상을 출력하는 단계; 상기 다수의 번짐 제거 패치 영상을 결합하여 결합 DBT 영상을 생성하는 단계; 및 미리 학습된 패턴 추정 방식에 따라 상기 결합 DBT 영상에서 노이즈를 제거하여 재구성 DBT 영상을 출력하는 단계; 를 포함하고, 상기 번짐 제거 패치 영상을 출력하는 단계는 각각 입력되는 입력 영상에 대해 다수의 컨볼루션 연산을 수행하여 특징을 추정하여 특징 영상을 출력하는 단계; 및 상기 특징 영상을 출력하는 단계에서 출력되는 특징 영상과 이전 특징 영상을 추정하기 위해 입력되는 다수의 입력 영상을 가산하여, 다음 특징 영상을 추정하기 위한 입력 영상으로서 전달하는 단계; 를 포함하되,상기 재구성 DBT 영상을 출력하는 단계는 패턴 추정 방식이 학습된 컨볼루션 신경망(convolutional neural network: CNN) 기법을 이용하여, 상기 결합 DBT 영상을 인가받아 지정된 가중치를 갖는 가중치 필터와 컨볼루션 연산하여 출력하는 디지털 유방 단층촬영합성 영상의 재구성 방법
|
