| 1 |
1
이종 도메인간의 변환을 수행하는 GAN(Generative Adversarial Network)의 학습 방법으로,제1 도메인의 트레이닝 이미지와 제2 도메인의 트레이닝 이미지로 구성되는 적어도 하나의 언페어드(unpaired) 트레이닝 데이터 셋을 이용하여 제1 GAN 및 제2 GAN의 학습을 수행하는 단계;상기 학습된 제1 GAN를 이용하여, 상기 제1 도메인의 제1 이미지를 상기 제2 도메인의 이미지로 변환하는 단계;상기 학습된 제2 GAN를 이용하여, 상기 변환된 상기 제2 도메인의 이미지를 제1 도메인의 제2 이미지로 재변환하는 단계; 및상기 제1 도메인의 제1 이미지, 상기 변환된 제2 도메인의 이미지, 상기 재변환된 제1 도메인의 제2 이미지 중 적어도 하나의 세그멘테이션을 수행하는 단계;를 포함하되,상기 제1 GAN 및 상기 제2 GAN의 학습을 수행하는 단계는, 상기 수행된 세그멘테이션 결과에 기초한 손실 함수에 따라 제어되는 것인, 방법
|
| 2 |
2
제1항에 있어서,상기 세그멘테이션을 수행하는 단계는, 상기 제1 도메인의 제1 이미지 및 상기 변환된 제2 도메인의 이미지의 세그멘테이션을 수행하는 것이고, 상기 손실 함수는, 상기 제1 도메인의 이미지의 세그멘테이션 결과와 상기 제2 도메인의 세그멘테이션 결과의 비교결과인 제1 비교 결과를 고려하는 함수인 것인, 방법
|
| 3 |
3
제2항에 있어서,상기 제1 GAN 및 상기 제2 GAN의 학습을 수행하는 단계는, 상기 제1 도메인의 제1 이미지의 세그멘테이션 결과와 상기 변환된 제2 도메인의 이미지의 세그멘테이션 결과의 차이가 증가하도록 상기 제1 GAN 및 상기 제2 GAN의 학습을 제어하는 것인, 방법
|
| 4 |
4
제3항에 있어서,상기 제1 GAN 및 상기 제2 GAN의 학습을 수행하는 단계는, 상기 제1 GAN 및 상기 제2 GAN 중 적어도 하나의 손실 함수를 추가적으로 고려하여 상기 제1 GAN 및 상기 제2 GAN의 학습을 제어하는 것인, 방법
|
| 5 |
5
제1항에 있어서, 상기 세그멘테이션을 수행하는 단계는, 상기 제1 도메인의 제1 이미지 및 상기 재변환된 제1 도메인의 제2 이미지의 세그멘테이션을 수행하는 것이고, 상기 손실 함수는, 상기 제1 도메인의 제1 이미지의 세그멘테이션 결과와 상기 재변환된 상기 제1 도메인의 제2 이미지의 세그멘테이션 결과의 비교 결과인 제2 비교결과를 고려하는 함수인 것인 방법
|
| 6 |
6
제5항에 있어서,상기 제1 GAN 및 상기 제2 GAN의 학습을 수행하는 단계는, 상기 제1 도메인의 이미지의 세그멘테이션 결과와 상기 재변환된 상기 제1 도메인의 제2 이미지의 세그멘테이션 결과의 차이가 감소하도록 상기 제1 GAN 및 상기 제2 GAN의 학습을 제어하는 것인, 방법
|
| 7 |
7
제6항에 있어서,상기 제1 GAN 및 상기 제2 GAN의 학습을 수행하는 단계는, 상기 제1 GAN 및 상기 제2 GAN 중 적어도 하나의 손실 함수를 추가적으로 고려하여 상기 제1 GAN 및 상기 제2 GAN의 학습을 제어하는 것인, 방법
|
| 8 |
8
제1항에 있어서,상기 제1 GAN 및 상기 제2 GAN의 학습을 수행하는 단계는, 상기 제1 도메인의 제1 이미지와 상기 재변환된 상기 제1 도메인의 상기 제2 이미지간의 비교결과에 기초한 손실 함수는 적용되지 않도록 상기 제1 GAN 및 상기 제2 GAN의 학습을 제어하는 것인, 방법
|
| 9 |
9
제1항에 있어서,상기 세그멘테이션을 수행하는 단계는,상기 제1 도메인 및 상기 제2 도메인에 적응된 세그먼테이션 네트워크를 이용하여 수행되는 것인, 방법
|
| 10 |
10
제1항에 있어서,상기 세그멘테이션을 수행하는 단계는, 상기 제1 도메인의 제1 이미지, 상기 변환된 제2 도메인의 이미지 및 상기 재변환된 제1 도메인의 제2 이미지의 세그멘테이션을 수행하는 것이고, 상기 손실 함수는, 상기 제1 도메인의 이미지의 세그멘테이션 결과와 상기 제2 도메인의 세그멘테이션 결과의 비교결과인 제1 비교 결과, 및 상기 제1 도메인의 제1 이미지의 세그멘테이션 결과와 상기 재변환된 상기 제1 도메인의 제2 이미지의 세그멘테이션 결과의 비교 결과인 제2 비교결과를 모두 고려하는 함수인 것인 방법
|
| 11 |
11
제10항에 있어서,상기 제1 GAN 및 상기 제2 GAN의 학습을 수행하는 단계는, 상기 제1 도메인의 제1 이미지의 세그멘테이션 결과와 상기 제2 도메인의 이미지의 세그멘테이션 결과의 차이가 증가하고, 상기 제1 도메인의 이미지의 세그멘테이션 결과와 상기 재변환된 상기 제1 도메인의 제2 이미지의 세그멘테이션 결과의 차이가 감소하도록 상기 제1 GAN 및 상기 제2 GAN의 학습을 제어하는 것인, 방법
|
| 12 |
12
제11항에 있어서,상기 제1 GAN 및 상기 제2 GAN의 학습을 수행하는 단계는, 상기 제1 GAN 및 상기 제2 GAN의 손실 함수를 추가적으로 고려하여 상기 제1 GAN 및 상기 제2 GAN의 학습을 제어하는 것인, 방법
|
| 13 |
13
제1항에 있어서,상기 제1 GAN 및 상기 제2 GAN은, CycleGAN인 것인 방법
|
| 14 |
14
제1항에 있어서,상기 제1 GAN 및 상기 제2 GAN은 각각 생성기 및 판별기를 포함하고,상기 제1 GAN 및 상기 제2 GAN은 동일한 것인 방법
|
| 15 |
15
이종 도메인간의 변환을 수행하는 GAN의 학습을 제어하는 디바이스로,메모리; 및제1 도메인의 트레이닝 이미지와 제2 도메인의 트레이닝 이미지로 구성되는 언페어드(unpaired) 트레이닝 데이터 셋을 이용하여 GAN의 학습을 수행하고, 학습된 GAN를 이용하여, 제1 도메인의 제1 이미지를 제2 도메인의 이미지로 변환하고, 상기 제1 도메인의 이미지, 상기 제2 도메인의 이미지 중 적어도 하나의 세그멘테이션을 수행하는 프로세서;를 포함하되, 상기 프로세서는, 상기 수행된 세그멘테이션 결과에 기초한 손실 함수에 따라 상기 GAN의 학습을 제어하는 것인, 디바이스
|
