| 1 |
1
타겟 랜드 마크(Landmark)를 추출하고자 하는 이미지 데이터를 일정 간격에 따라 샘플링 하여 각 픽셀 위치를 중심으로 하는 이미지 배치들(image batches)을 생성하는 단계;상기 타겟 랜드 마크에 대한 학습 모델에 상기 생성된 이미지 배치들을 입력하여 상기 이미지 데이터로부터 상기 타겟 랜드 마크에 대응하는 픽셀 위치를 추출하는 단계를 포함하는 데이터 처리 방법
|
| 2 |
2
제1항에 있어서,상기 추출하는 단계는,상기 학습 모델을 통해 상기 입력된 이미지 배치들의 소프트 맥스 값에 대한 평균 및 불확실성을 생성하는 단계; 및상기 생성된 평균 및 불확실성을 이용하여 상기 이미지 데이터로부터 상기 타겟 랜드 마크에 대응하는 픽셀 위치를 식별하는 단계를 포함하는 데이터 처리 방법
|
| 3 |
3
제2항에 있어서,상기 식별하는 단계는,상기 입력된 이미지 배치들의 소프트 맥스 값에 대한 평균 및 불확실성을 이용하여 상기 입력된 이미지 배치들의 각 픽셀 위치에 대한 가중치를 계산하는 단계; 및상기 계산된 이미지 배치들 내의 각 픽셀 위치에 대한 가중치를 적용하여 상기 타겟 랜드 마크가 될 가능성이 가장 높은 픽셀 위치를 결정하는 단계를 포함하는 데이터 처리 방법
|
| 4 |
4
랜드 마크(Landmark)를 추출하고자 하는 이미지 데이터를 일정 간격에 따라 샘플링 하는 단계;타겟 랜드 마크에 대해 학습된 제1 학습 모델에 상기 샘플링된 이미지 데이터의 각 픽셀 위치를 중심으로 하는 제1 이미지 배치들(image batches)을 입력하여 상기 제1 이미지 배치들의 중심 픽셀 위치와 상기 타겟 랜드 마크의 픽셀 위치 사이의 유사성을 결정하는 단계;상기 결정된 유사성에 기초하여 상기 타겟 랜드 마크의 관심 영역을 설정하는 단계; 및상기 타겟 랜드 마크에 대해 학습된 제2 학습 모델에 상기 설정된 관심 영역에 대한 이미지 데이터의 각 픽셀 위치를 중심으로 하는 제2 이미지 배치들을 입력하여 상기 설정된 관심 영역에 대한 이미지 데이터로부터 상기 타겟 랜드 마크에 대응하는 최종 픽셀 위치를 추출하는 단계를 포함하는 데이터 처리 방법
|
| 5 |
5
제4항에 있어서,상기 결정하는 단계는,상기 제1 이미지 배치들의 중심 픽셀 위치와 상기 타겟 랜드 마크의 픽셀 위치 사이가 유사하다고 판단된 경우, 상기 제1 학습 모델로부터 1 값이 출력되고,상기 제1 이미지 배치들의 중심 픽셀 위치와 상기 타겟 랜드 마크의 픽셀 위치 사이가 유사하지 않다고 판단된 경우, 상기 제1 학습 모델로부터 0 값이 출력되는 데이터 처리 방법
|
| 6 |
6
제4항에 있어서,상기 설정하는 단계는,상기 제1 이미지 배치들 중 상기 중심 픽셀 위치와 상기 타겟 랜드 마크의 픽셀 위치 사이가 유사하다고 판단된 제1 이미지 배치들을 식별하는 단계; 및상기 식별된 제1 이미지 배치들의 중심 픽셀 위치들에 대한 평균 위치를 상기 타겟 랜드 마크의 관심 영역에 대한 중심점으로 결정하는 단계를 포함하는 데이터 처리 방법
|
| 7 |
7
제6항에 있어서,상기 설정하는 단계는,상기 결정된 관심 영역에 대한 중심점을 기준으로 미리 설정된 기준 직경에 따라 임의 형태의 관심 영역을 설정하는 데이터 처리 방법
|
| 8 |
8
제4항에 있어서,상기 추출하는 단계는,상기 제2 학습 모델을 통해 상기 입력된 제2 이미지 배치들의 소프트 맥스 값에 대한 평균 및 불확실성을 생성하는 단계; 및상기 생성된 평균 및 불확실성을 이용하여 상기 설정된 관심 영역에 대한 이미지 데이터로부터 상기 타겟 랜드 마크에 대응하는 최종 픽셀 위치를 식별하는 단계를 포함하는 데이터 처리 방법
|
| 9 |
9
제8항에 있어서,상기 식별하는 단계는,상기 입력된 제2 이미지 배치들의 소프트 맥스 값에 대한 평균 및 불확실성을 이용하여 상기 관심 영역 내의 각 픽셀 위치에 대한 가중치를 계산하는 단계; 및상기 계산된 관심 영역 내의 각 픽셀 위치에 대한 가중치를 적용하여 상기 타겟 랜드 마크가 될 가능성이 가장 높은 최종 픽셀 위치를 결정하는 단계를 포함하는 데이터 처리 방법
|
| 10 |
10
환자의 타겟 데이터를 서로 다른 모달리티(Modality)를 가지는 상기 타겟 데이터의 특징 정보 및 상기 환자의 속성 정보를 융합 분석하여 복수의 패턴들 중 어느 하나의 패턴으로 분류하는 단계;상기 타겟 데이터의 패턴 분류를 수행하는 학습 모델에 적용하기 위하여 상기 복수의 패턴들에 대응하는 환자의 타겟 데이터들 중 미리 설정된 기준에 따라 일부의 타겟 데이터들을 추출함으로써 훈련 데이터 셋을 결정하는 단계;상기 훈련 데이터 셋에 포함된 상기 타겟 데이터들의 패턴 간 비율을 일치시키는 단계;상기 패턴 간 비율이 일치된 상기 훈련 데이터 셋 내의 타겟 데이터들을 이용하여 상기 학습 모델을 학습하는 단계; 및설명 가능한 인공지능(eXplainable AI, XAI) 기법을 이용하여 상기 학습된 학습 모델의 질(Quality)을 평가하는 단계를 포함하는 데이터 처리 방법
|
| 11 |
11
제10항에 있어서,상기 결정하는 단계는,상기 복수의 패턴들 각각에 포함된 상기 환자의 타겟 데이터들 중 패턴 별로 동일한 개수의 타겟 데이터들을 추출하여 상기 학습 모델의 검증을 위한 유효성 검증 셋을 생성하는 단계; 및상기 복수의 패턴들 각각에 포함된 상기 환자의 타겟 데이터들 중 상기 유효성 검증 셋에 포함된 타겟 데이터들을 제외한 타겟 데이터들을 훈련 데이터 셋으로 결정하는 단계를 포함하는 데이터 처리 방법
|
| 12 |
12
제11항에 있어서,상기 생성하는 단계는,상기 복수의 패턴들 중 가장 적은 개수의 타겟 데이터들을 포함하는 패턴에 기초하여 상기 유효성 검증 셋을 생성하는 데이터 처리 방법
|
| 13 |
13
제10항에 있어서,상기 일치시키는 단계는,상기 타겟 데이터들에서 발견되는 분산을 고려하여 데이터 확장(Data Augmentation), 오버샘플링(Oversampling), 언더샘플링(Undersampling) 및 SMOTE(synthetic minority oversampling technique) 중 적어도 하나를 수행하는 데이터 처리 방법
|
| 14 |
14
제13항에 있어서,상기 일치시키는 단계는,상기 타겟 데이터가 이미지 데이터인 경우, 상기 이미지 데이터를 복수의 영역들로 분할하고, 분할된 영역들 각각에 대한 이미지 히스토그램의 강도를 고르게 분산시키는 히스토그램 등화(histogram equalization) 방법을 이용하는 데이터 처리 방법
|
| 15 |
15
제10항에 있어서,상기 학습 모델의 부하 감소와 모델 단순화를 위하여 상기 환자의 타겟 데이터에 대한 다운 샘플링을 수행하는 단계를 더 포함하고,상기 분류하는 단계는,상기 다운 샘플링이 수행된 환자의 타겟 데이터에 상기 환자의 속성 데이터를 이용함으로써 상기 타겟 데이터의 패턴을 분류하는 데이터 처리 방법
|
