1 |
1
프로세서를 포함한 컴퓨팅 장치에 의해 수행되는 뇌동맥류 예측 결과 제공 방법에 있어서, 대상자의 안저 사진을 획득하는 단계; 및상기 대상자의 안저 사진 데이터를 뇌동맥류 예측 모델에 적용하여 상기 대상자가 뇌동맥류를 가지고 있는지 여부를 결정하는 단계;를 포함하되,상기 뇌동맥류 예측 모델은 학습용 안저 사진을 포함하는 복수의 학습용 샘플을 이용하여 입력된 안저 사진을 뇌동맥류 그룹으로 분류하는 능력이 학습된 모델인 것을 특징으로 하는 뇌동맥류 예측 결과 제공 방법
|
2 |
2
제1항에 있어서, 상기 뇌동맥류 예측 모델은,안저 사진이 입력되는 입력 레이어; 복수의 컨볼루션 레이어 및 풀링 레이어를 포함하며, 상기 입력 레이어의 안저 사진에서 특징을 추출하는 특징 추출 레이어; 및복수의 노드를 포함한 완전 연결 레이어를 포함하며, 상기 특징에 기초하여 입력된 안저 사진을 뇌동맥류 그룹 또는 비질환 그룹으로 분류하는 분류 레이어를 포함하는 것을 특징으로 하는 뇌동맥류 예측 결과 제공 방법
|
3 |
3
제2항에 있어서, 상기 복수의 컨볼루션 레이어 중 적어도 하나는 입력 데이터가 복수의 경로로 진행한 뒤 다시 결합하도록 구성된 잔차 병목 블록(Residual Bottleneck Block)을 포함하는 것을 특징으로 하는 뇌동맥류 예측 결과 제공 방법
|
4 |
4
제3항에 있어서, 상기 잔차 병목 블록은 입력 데이터가 제1 경로 및 제2 경로를 통해 진행하고, 상기 제1 경로를 통해 진행한 데이터와 상기 제2 경로를 통해 진행한 데이터가 결합하도록 구성되며, 상기 제1 경로를 통해 진행하는 데이터는 컨볼루션 필터가 적용되도록 구성된 복수의 서브 컨볼루션 레이어를 통해 진행하는 것을 특징으로 하는 뇌동맥류 예측 결과 제공 방법
|
5 |
5
제4항에 있어서, 상기 복수의 서브 컨볼루션 레이어 중 적어도 하나는 다른 컨볼루션 필터에 비해 낮은 차원의 데이터를 출력하도록 구성된 것을 특징으로 하는 뇌동맥류 예측 결과 제공 방법
|
6 |
6
제5항에 있어서, 상기 잔차 병목 블록은,입력된 특징맵에 복수의 1×1 크기의 필터를 적용하여 제1 특징맵을 출력하는 제1 서브 컨볼루션 레이어, 제1 서브 컨볼루션 레이어에서 출력된 제1 특징맵에 복수의 3×3 크기의 필터를 적용하여 제2 특징맵을 출력하는 제2 서브 컨볼루션 레이어, 및 제2 서브 컨볼루션 레이어에서 출력된 제2 특징맵에 복수의 1×1 크기의 필터를 적용하여 제3 특징맵을 출력하는 제3 서브 컨볼루션 레이어를 포함하는 것을 특징으로 하는 뇌동맥류 예측 결과 제공 방법
|
7 |
7
제4항에 있어서, 상기 복수의 서브 컨볼루션 레이어 중 적어도 하나가 샘플링 데이터를 출력하도록 모델링된 경우, 상기 제2 경로를 통해 진행하는 입력 데이터는 상기 제1 경로의 샘플링 데이터에 대응하도록 샘플링 처리되는 것을 특징으로 하는 뇌동맥류 예측 결과 제공 방법
|
8 |
8
제3항에 있어서, 상기 잔차 병목 블록에서의 데이터 결합은 요소별(element-wise) 덧셈 처리에 의해 수행되는 것을 특징으로 하는 뇌동맥류 예측 결과 제공 방법
|
9 |
9
제2항에 있어서, 상기 특징 추출 레이어는 제1 컨볼루션 레이어를 포함하되,상기 제1 컨볼루션 레이어는 상기 입력 레이어에서 출력된 안저 이미지에 7×7 크기의 필터 64개를 이용하여 제1 특징맵을 출력하도록 구성되는 것을 특징으로 하는 뇌동맥류 예측 결과 제공 방법
|
10 |
10
제9항에 있어서, 상기 특징 추출 레이어는 상기 제1 특징맵을 맥스 풀링 처리하도록 구성된 맥스 풀링 레이어를 더 포함하는 것을 특징으로 하는 뇌동맥류 예측 결과 제공 방법
|
11 |
11
제9 항에 있어서, 상기 특징 추출 레이어는 제2 내지 제4 컨볼루션 레이어를 더 포함하되,상기 제2 컨볼루션 레이어 내지 제4 컨볼루션 레이어 중 적어도 하나는 상기 잔차 병목 블록을 포함하는 것을 특징으로 하는 뇌동맥류 예측 결과 제공 방법
|
12 |
12
제11항에 있어서, 상기 제2 컨볼루션 레이어 내지 제4 컨볼루션 레이어 중 적어도 하나에 포함된 잔차 병목 블록은 복수인 것을 특징으로 하는 뇌동맥류 예측 결과 제공 방법
|
13 |
13
제12항에 있어서, 상기 잔차 병목 블록이 복수인 경우, 하나 이상의 잔차 병목 블록은 입력 데이터를 샘플링하여 출력하도록 구성되는 것을 특징으로 하는 뇌동맥류 예측 결과 제공 방법
|
14 |
14
제1항에 있어서, 상기 뇌동맥류 예측 모델은,상기 뇌동맥류 예측 모델의 비용 함수를 최소화되는 방향으로 상기 뇌동맥류 예측 모델에 포함된 파라미터를 업데이트하여 학습되며, 상기 비용 함수(loss function)는 뇌동맥류 예측 모델에 안저 사진을 적용한 결과 값과 실제 값과의 차이를 나타내는 것을 특징으로 하는 뇌동맥류 예측 결과 제공 방법
|
15 |
15
제14항에 있어서, 상기 뇌동맥류 예측 모델은,단안 안저 사진을 포함한 학습용 샘플을 이용하여 학습된 것을 특징으로 하는 뇌동맥류 예측 결과 제공 방법
|
16 |
16
제15항에 있어서, 상기 대상자의 안저 사진을 획득하는 단계는, 상기 대상자의 양안 안저 사진을 획득한 경우, 단안 안저 사진이 상기 뇌동맥류 예측 모델에 적용되도록 상기 양안 안저 사진을 필터링하는 단계를 더 포함하는 것을 특징으로 하는 뇌동맥류 예측 결과 제공 방법
|
17 |
17
제14항에 있어서, 상기 뇌동맥류 예측 모델은,양안 안저 사진을 포함한 학습용 샘플을 이용하여 학습된 것을 특징으로 하는 뇌동맥류 예측 결과 제공 방법
|
18 |
18
제17항에 있어서, 상기 뇌동맥류 예측 모델은,제1 안저 사진이 입력되는 제1 입력 레이어;상기 제1 안저 사진의 특징을 추출하는 제1 특징 추출 레이어;제2 안저 사진이 입력되는 제2 입력 레이어; 상기 제2 안저 사진의 특징을 추출하는 제2 특징 추출 레이어; 상기 제1 특징 추출 레이어의 특징 값과 제2 특징 추출 레이어의 특징 값을 결합하도록 구성된 결합 레이어; 및상기 결합된 특징 값에 기초하여 양안 안저 사진을 뇌동맥류 그룹 또는 비질환 그릅으로 분류하는 분류 레이어를 포함하는 뇌동맥류 예측 결과 제공 방법
|
19 |
19
제18항에 있어서, 상기 결합 레이어는 벡터-결합(vector concatenation) 처리하도록 구성되는 것을 특징으로 하는 뇌동맥류 예측 결과 제공 방법
|
20 |
20
컴퓨팅 장치에 의해 판독가능하고, 상기 컴퓨팅 장치에 의해 동작 가능한 프로그램 명령어를 저장하는 컴퓨터 판독가능 기록매체로서, 상기 프로그램 명령어가 상기 컴퓨팅 장치의 프로세서에 의해 실행되는 경우 상기 프로세서가 제1항 내지 제19항 중 어느 하나의 항에 따른 뇌동맥류 예측 방법을 수행하게 하는 컴퓨터 판독가능 기록매체
|
21 |
21
안저 사진을 이용하여 뇌동맥류를 예측하는 뇌동맥류 예측 장치로서, 미리 학습된 뇌동맥류 예측 모델을 저장하는 저장부;대상자의 안저 사진을 획득하는 데이터 획득부; 및상기 대상자의 안저 사진 데이터를 상기 뇌동맥류 예측 모델에 적용하여 상기 대상자가 뇌동맥류를 가지고 있는지 여부를 결정하는 예측부를 포함하는 뇌동맥류 예측 장치
|
22 |
22
제21항에 있어서, 상기 뇌동맥류 예측 모델은, 단안 안저 사진이 입력되는 입력 레이어; 복수의 컨볼루션 레이어 및 풀링 레이어를 포함하며, 상기 입력 레이어의 안저 사진에서 특징을 추출하는 특징 추출 레이어; 및 복수의 노드를 포함한 완전 연결 레이어를 포함하며, 상기 특징에 기초하여 입력된 안저 사진을 뇌동맥류 그룹 또는 비질환 그룹으로 분류하는 분류 레이어를 포함하는 것을 특징으로 하는 뇌동맥류 예측 장치
|
23 |
23
제21항에 있어서, 상기 뇌동맥류 예측 모델은, 제1 안저 사진이 입력되는 제1 입력 레이어;상기 제1 안저 사진의 특징을 추출하는 제1 특징 추출 레이어;제2 안저 사진이 입력되는 제2 입력 레이어; 상기 제2 안저 사진의 특징을 추출하는 제2 특징 추출 레이어; 상기 제1 특징 추출 레이어의 특징 값과 제2 특징 추출 레이어의 특징 값을 결합하도록 구성된 결합 레이어; 및상기 결합된 특징 값에 기초하여 양안 안저 사진을 뇌동맥류 그룹 또는 비질환 그릅으로 분류하는 분류 레이어를 포함하는 것을 특징으로 하는 뇌동맥류 예측 장치
|