1 |
1
딥러닝 알고리즘 기반의 신경 지표 측정 방법에 있어서,뉴럴 네트워크에 기반한 분할 영상 검출 모델을 이용하여 초음파 영상으로부터 신경 다발을 포함하는 분할 영상을 획득하는 단계;상기 획득된 분할 영상에 기초하여 상기 신경 다발의 윤곽을 검출하는 단계;상기 신경 다발의 윤곽에 기초하여 상기 윤곽에 대응하는 타원을 결정하는 단계; 및상기 결정된 타원에 기초하여 상기 신경 다발에 대한 지표를 추정하고, 추정한 지표를 제공하는 단계를 포함하는,신경 지표 측정 방법
|
2 |
2
제1항에 있어서,상기 분할 영상 검출 모델은,부호기(encoder) 및 해석기(decoder)를 포함하고, 경사 하강법(Gradient Descent)을 통해 학습되는,신경 지표 측정 방법
|
3 |
3
제2항에 있어서,상기 부호기는,상기 초음파 영상에서 노이즈를 제거하고, 상기 노이즈가 제거된 초음파 영상을 압축하고, 상기 초음파 영상이 압축된 결과 값을 상기 해석기에 전달하고,상기 해석기는,상기 결과 값에 기초하여 압축된 정보를 해독함으로써 상기 초음파 영상을 획득하고, 상기 초음파 영상의 각 픽셀을 미리 정해진 분류(class) 중 하나로 지정함으로써 상기 분할 영상을 획득하는,신경 지표 측정 방법
|
4 |
4
제2항에 있어서,상기 부호기는,상기 부호기의 중간 값인 다수의 특성 맵(Feature map)을 상기 해석기의 특성 맵과 결합한 값을 상기 해석기에 입력하는 넘김-연결(skip-connection) 구조를 포함하고,신경 지표 측정 방법
|
5 |
5
제2항에 있어서,상기 부호기는,학습 가능한 필터를 거친 후, 다운 샘플링(down sampling)을 통해 특성 맵의 크기를 줄이는 단계를 반복하고,상기 해석기는,두 번의 학습 가능한 필터를 거친 후, 업 샘플링(up sampling)을 통해 특성 맵의 크기를 늘리는 단계를, 상기 부호기가 다운 샘플링을 수행하여 특성 맵의 크기를 줄이는 횟수만큼 반복하며,상기 학습 가능한 필터는,멀티 맥스 엑셉션(Multi-Max-Xception)이 사용되는,신경 지표 측정 방법
|
6 |
6
제1항에 있어서,상기 타원을 결정하는 단계는,상기 검출된 윤곽에 기초하여 상기 신경 다발의 넓이 및 상기 신경 다발의 둘레 길이를 측정하는 단계;상기 검출된 넓이 및 둘레에 기초하여 상기 신경 다발의 무게 중심점을 결정하는 단계;상기 무게 중심점에 기초하여 상기 신경 다발의 최대 내접원 및 최소 외접원을 획득하는 단계; 및상기 최대 내접원 및 상기 최소 외접원에 기초하여 상기 윤곽의 가장 근사한 타원을 결정하는 단계를 포함하는,신경 지표 측정 방법
|
7 |
7
제1항에 있어서,상기 지표를 추정하는 단계는,상기 타원의 장축에 대한 길이, 상기 타원의 단축에 대한 길이, 상기 장축에 대한 끝점의 좌표 값 및 상기 단축에 대한 끝점의 좌표 값을 산출하는 단계; 및상기 타원의 장축에 대한 길이, 상기 타원의 단축에 대한 길이, 상기 장축에 대한 끝점의 좌표 값 및 상기 단축에 대한 끝점의 좌표 값에 기초하여 상기 신경 다발의 지표를 추정하는 단계를 포함하는,신경 지표 측정 방법
|
8 |
8
제1항에 있어서,상기 지표는,상기 신경 다발의 단경, 상기 신경 다발의 장경, 상기 신경 다발의 둘레 및 상기 신경 다발의 단면적 중 적어도 하나를 포함하는,신경 지표 측정 방법
|
9 |
9
제1항 내지 제8항 중 어느 하나의 항의 방법을 실행시키기 위한 인스트럭션들을 저장하는 컴퓨터 판독 가능한 저장 매체
|
10 |
10
신경 지표 측정 장치에 있어서,초음파 영상을 입력받는 입력부;뉴럴 네트워크에 기반한 분할 영상 검출 모델을 이용하여 상기 초음파 영상으로부터 신경 다발을 포함하는 분할 영상을 획득하는 분할 영상 검출부;상기 획득된 분할 영상에 기초하여 상기 신경 다발의 윤곽을 검출하고, 상기 신경 다발의 윤곽에 기초하여 상기 윤곽에 대응하는 타원을 결정하고, 상기 결정된 타원에 기초하여 상기 신경 다발에 대한 지표를 추정하는 신경 지표 추정부; 및상기 추정한 지표를 제공하는 출력부를 포함하는,신경 지표 측정 장치
|
11 |
11
제10항에 있어서,상기 분할 영상 검출 모델은,부호기(encoder) 및 해석기(decoder)를 포함하고, 경사 하강법(Gradient Descent)을 통해 학습되는,신경 지표 측정 장치
|
12 |
12
제11항에 있어서,상기 부호기는,상기 초음파 영상에서 노이즈를 제거하고, 상기 노이즈가 제거된 초음파 영상을 압축하고, 상기 초음파 영상이 압축된 결과 값을 상기 해석기에 전달하고,상기 해석기는,상기 결과 값에 기초하여 압축된 정보를 해독함으로써 상기 초음파 영상을 획득하고, 상기 초음파 영상의 각 픽셀을 미리 정해진 분류(class) 중 하나로 지정함으로써 상기 분할 영상을 획득하는,신경 지표 측정 장치
|
13 |
13
제11항에 있어서,상기 부호기는,상기 부호기의 중간 값인 다수의 특성 맵(Feature map)을 상기 해석기의 특성 맵과 결합한 값을 상기 해석기에 입력하는 넘김-연결(skip-connection) 구조를 포함하는,신경 지표 측정 장치
|
14 |
14
제11항에 있어서,상기 부호기는,두 번의 학습 가능한 필터를 거친 후, 다운 샘플링(down sampling)을 통해 특성 맵의 크기를 줄이는 단계를 반복하고,상기 해석기는,두 번의 학습 가능한 필터를 거친 후, 업 샘플링(up sampling)을 통해 특성 맵의 크기를 늘리는 단계를, 상기 부호기가 다운 샘플링을 수행하여 특성 맵의 크기를 줄이는 횟수만큼 반복하는,신경 지표 측정 장치
|
15 |
15
제14항에 있어서,상기 학습 가능한 필터는,멀티 맥스 엑셉션(Multi-Max-Xception)이 사용되는,신경 지표 측정 장치
|
16 |
16
제10항에 있어서,상기 신경 지표 추정부는,상기 검출된 윤곽에 기초하여 상기 신경 다발의 넓이 및 상기 신경 다발의 둘레 길이를 측정하고, 상기 검출된 넓이 및 둘레에 기초하여 상기 신경 다발의 무게 중심점을 결정하고, 상기 무게 중심점에 기초하여 상기 신경 다발의 최대 내접원 및 최소 외접원을 획득하고, 상기 최대 내접원 및 상기 최소 외접원에 기초하여 상기 윤곽의 가장 근사한 타원을 결정하는,신경 지표 측정 장치
|
17 |
17
제10항에 있어서,상기 신경 지표 추정부는,상기 타원의 장축에 대한 길이, 상기 타원의 단축에 대한 길이, 상기 장축에 대한 끝점의 좌표 값 및 상기 단축에 대한 끝점의 좌표 값을 산출하고, 상기 타원의 장축에 대한 길이, 상기 타원의 단축에 대한 길이, 상기 장축에 대한 끝점의 좌표 값 및 상기 단축에 대한 끝점의 좌표 값에 기초하여 상기 신경 다발의 지표를 추정하는,신경 지표 측정 장치
|