| 1 |
1
3차원 영상 데이터에 볼륨 렌더링을 수행하여 3차원 볼륨 렌더링 모델 데이터를 생성하는 단계,상기 3차원 볼륨 렌더링 모델 데이터를 구성하는 2차원 뷰 영상에서 심층 강화학습 에이전트를 이용하여 기준점에 대응하는 2차원 좌표값을 구하고, 상기 2차원 좌표값을 기초로 구해지는 상기 3차원 영상 데이터의 1차원 프로파일을 기초로 상기 기준점에 대응하는 나머지 1차원 좌표값을 구하는 단일-스테이지 DRL 적용 단계 - 상기 1차원 프로파일은 상기 2차원 뷰 영상에 수직이면서 상기 2차원 좌표값에 대응하는 점을 지나는 축에서의 3차원 영상 데이터 값으로 이루어짐 -, 및상기 3차원 볼륨 렌더링 모델 데이터를 구성하는 2차원 뷰 영상에서 심층 강화학습 에이전트를 이용하여 기준점에 대응하는 2차원 좌표값을 구하고, 상기 구해진 2차원 좌표값을 기초로 정해지는 2차원 뷰 영상에서 심층 강화학습 에이전트를 이용하여 기준점에 대응하는 2차원 좌표값을 구하는 것을 반복하여 기준점을 검출하는 멀티-스테이지 DRL 적용 단계를 포함하고,기준점 특성에 따라 상기 단일-스테이지 DRL 적용 및 상기 멀티-스테이지 DRL 적용 중 하나를 선택적으로 적용하는 3차원 기준점 검출 방법
|
| 2 |
2
제 1 항에서,상기 심층 강화학습 에이전트는 3차원 볼륨 렌더링 모델 데이터를 구성하는 2차원 뷰 영상에서 기준점에 대응하는 특징점을 검출하도록 심층 강화학습 알고리즘으로 훈련된 3차원 기준점 검출 방법
|
| 3 |
3
제 2 항에서,상기 단일-스테이지 DRL 적용 단계는,상기 3차원 볼륨 렌더링 모델 데이터를 구성하는 2차원 뷰 영상에서 심층 강화학습 에이전트를 통해 상기 기준점에 대응하는 2차원 좌표값을 구하는 단계, 및상기 나머지 1차원 좌표값에 대응하는 상기 3차원 영상 데이터의 1차원 프로파일에서 1차 도함수 값을 이용하여 검출되는 경계점으로 상기 나머지 1개의 좌표값을 구하는 단계를 포함하는 3차원 기준점 검출 방법
|
| 4 |
4
제 2 항에서,상기 단일-스테이지 DRL 적용 단계는,상기 3차원 볼륨 렌더링 모델 데이터를 구성하는 2차원 뷰 영상에서 심층 강화학습 에이전트를 통해 상기 기준점에 대응하는 2차원 좌표값을 구하는 단계, 및상기 나머지 1차원 좌표값에 대응하는 상기 3차원 영상 데이터의 1차원 프로파일을 아래 수학식을 이용하여 변환하는 단계, 그리고상기 변환된 프로파일에 비선형 확산방정식을 적용하여 잡음이 감소한 프로파일에 1차 도함수를 취한 후 최대 기울기가 있는 위치를 상기 나머지 1차원 좌표값으로 구하는 단계를 포함하고, 여기서 x는 상기 3차원 영상 데이터 값, L은 상기 3차원 영상 데이터 값 범위의 중심, W는 스케일 값인 3차원 기준점 검출 방법
|
| 5 |
5
제 2 항에서,상기 멀티-스테이지 DRL 적용 단계는,상기 3차원 볼륨 렌더링 모델 데이터를 구성하는 2차원 투영 뷰 영상에서 제1 심층 강화학습 에이전트를 이용하여 상기 기준점에 대응하는 제1 2차원 좌표값을 구하는 단계; 그리고상기 3차원 볼륨 렌더링 모델 데이터를 구성하는 제1 절단 뷰 영상에서 제2 심층 강화학습 에이전트를 이용하여 상기 기준점에 대응하는 제2 2차원 좌표값을 구하는 단계 - 상기 제1 절단 뷰 영상은 상기 제1 2차원 좌표값에 의해 정해지는 평면에 대응함 - ;를 포함하는 3차원 기준점 검출 방법
|
| 6 |
6
제 5 항에서,상기 제1 2차원 좌표값 중에서 상기 제2 2차원 좌표값에 포함되지 않은 좌표값과 상기 제2 2차원 좌표값으로 상기 기준점에 대응하는 3차원 좌표값을 구하는 3차원 기준점 검출 방법
|
| 7 |
7
제 5 항에서,상기 멀티-스테이지 DRL 적용 단계는,상기 3차원 볼륨 렌더링 모델 데이터를 구성하는 제2 절단 뷰 영상에서 제3 심층 강화학습 에이전트를 이용하여 상기 기준점에 대응하는 제3 2차원 좌표값을 구하는 단계 - 상기 제2 절단 뷰 영상은 상기 제2 2차원 좌표값에 의해 정해지는 평면에 대응함 - ;를 더 포함하는 3차원 기준점 검출 방법
|
| 8 |
8
제 1 항에서,상기 3차원 영상 데이터는,CT(Computed Tomography), CBCT(Cone Beam Computed Tomography), MRI(Magnetic resonance imaging), PET(Positron Emission Tomography), 및 SPECT(Single-Photon Emission Computed Tomography) 중 어느 하나인 3차원 기준점 검출 방법
|
| 9 |
9
제 2 항에서,상기 기준점 특성은 미리 정해져 있는 3차원 기준점 검출 방법
|
| 10 |
10
제 2 항에서,상기 3차원 영상 데이터는,환자 두부(skull) 혹은 신체 타부위를 촬영하여 획득한 것인 3차원 기준점 검출 방법
|
| 11 |
11
3차원 영상 데이터에 볼륨 렌더링을 수행하여 3차원 볼륨 렌더링 모델 데이터를 생성하는 명령어 세트,상기 3차원 볼륨 렌더링 모델 데이터를 구성하는 2차원 뷰 영상에서 심층 강화학습 에이전트를 이용하여 기준점에 대응하는 2차원 좌표값을 구하고, 상기 2차원 좌표값을 기초로 구해지는 상기 3차원 영상 데이터의 1차원 프로파일을 기초로 상기 기준점에 대응하는 나머지 1차원 좌표값을 구하는 단일-스테이지 DRL 적용 단계를 수행하는 명령어 세트 - 상기 1차원 프로파일은 상기 2차원 뷰 영상에 수직이면서 상기 2차원 좌표값에 대응하는 점을 지나는 축에서의 3차원 영상 데이터 값으로 이루어짐 -, 및상기 3차원 볼륨 렌더링 모델 데이터를 구성하는 2차원 뷰 영상에서 심층 강화학습 에이전트를 이용하여 기준점에 대응하는 2차원 좌표값을 구하고, 상기 구해진 2차원 좌표값을 기초로 정해지는 2차원 뷰 영상에서 심층 강화학습 에이전트를 이용하여 기준점에 대응하는 2차원 좌표값을 구하는 것을 반복하여 기준점을 검출하는 멀티-스테이지 DRL 적용 단계를 수행하는 명령어 세트를 포함하고,기준점 특성에 따라 상기 단일-스테이지 DRL 적용 및 상기 멀티-스테이지 DRL 적용 중 하나를 선택적으로 적용하는 컴퓨터 판독 가능한 기록 매체
|
| 12 |
12
3차원 영상 데이터에 볼륨 렌더링을 수행하여 3차원 볼륨 렌더링 모델 데이터를 생성하는 3차원 볼륨 렌더링 모델 생성부,상기 3차원 볼륨 렌더링 모델 데이터를 구성하는 2차원 뷰 영상에서 심층 강화학습 에이전트를 이용하여 기준점에 대응하는 2차원 좌표값을 구하고, 상기 2차원 좌표값을 기초로 구해지는 상기 3차원 영상 데이터의 1차원 프로파일을 기초로 상기 기준점에 대응하는 나머지 1차원 좌표값을 구하는 단일-스테이지 DRL 적용부 - 스테이지 DRL 적용 단계 - 상기 1차원 프로파일은 상기 2차원 뷰 영상에 수직이면서 상기 2차원 좌표값에 대응하는 점을 지나는 축에서의 3차원 영상 데이터 값으로 이루어짐 -, 및상기 3차원 볼륨 렌더링 모델 데이터를 구성하는 2차원 뷰 영상에서 심층 강화학습 에이전트를 이용하여 기준점에 대응하는 2차원 좌표값을 구하고, 상기 구해진 2차원 좌표값을 기초로 정해지는 2차원 뷰 영상에서 심층 강화학습 에이전트를 이용하여 기준점에 대응하는 2차원 좌표값을 구하는 것을 반복하여 기준점을 검출하는 멀티-스테이지 DRL 적용부를 포함하고,기준점 특성에 따라 상기 단일-스테이지 DRL 적용 및 상기 멀티-스테이지 DRL 적용 중 하나를 선택적으로 적용하는 3차원 기준점 검출 장치
|
| 13 |
13
제 12 항에서,상기 심층 강화학습 에이전트는 3차원 볼륨 렌더링 모델 데이터를 구성하는 2차원 뷰 영상에서 기준점에 대응하는 특징점을 검출하도록 심층 강화학습 알고리즘으로 훈련된 3차원 기준점 검출 장치
|
| 14 |
14
제 13 항에서,상기 단일-스테이지 DRL 적용부는,상기 3차원 볼륨 렌더링 모델을 구성하는 2차원 뷰 영상에서 심층 강화학습 에이전트를 통해 상기 기준점에 대응하는 2차원 좌표값을 구하고, 상기 나머지 1차원 좌표값에 대응하는 상기 3차원 영상 데이터의 1차원 프로파일에서 1차 도함수 값을 이용하여 검출되는 경계점으로 상기 나머지 1개의 좌표값을 구하는 3차원 기준점 검출 장치
|
| 15 |
15
제 13 항에서,상기 단일-스테이지 DRL 적용부는,상기 3차원 볼륨 렌더링 모델 데이터를 구성하는 2차원 뷰 영상에서 심층 강화학습 에이전트를 통해 상기 기준점에 대응하는 2차원 좌표값을 구하고, 상기 나머지 1차원 좌표값에 대응하는 상기 3차원 영상 데이터의 1차원 프로파일을 아래 수학식을 이용하여 변환하며, 상기 변환된 프로파일에 비선형 확산방정식을 적용하여 잡음이 감소한 프로파일에 1차 도함수를 취한 후 최대 기울기가 있는 위치를 상기 나머지 1차원 좌표값으로 구하고, 여기서 x는 상기 3차원 영상 데이터 값, L은 상기 3차원 영상 데이터 값 범위의 중심, W는 스케일 값인 3차원 기준점 검출 장치
|
| 16 |
16
제 13 항에서,상기 멀티-스테이지 DRL 적용부는,상기 3차원 볼륨 렌더링 모델를 구성하는 2차원 투영 뷰 영상에서 제1 심층 강화학습 에이전트를 이용하여 상기 기준점에 대응하는 제1 2차원 좌표값을 구하고, 상기 3차원 볼륨 렌더링 모델를 구성하는 제1 절단 뷰 영상에서 제2 심층 강화학습 에이전트를 이용하여 상기 기준점에 대응하는 제2 2차원 좌표값을 구하며, 상기 제1 절단 뷰 영상은 상기 제1 2차원 좌표값에 의해 정해지는 평면에 대응하는 3차원 기준점 검출 장치
|
| 17 |
17
제 16 항에서,상기 제1 2차원 좌표값 중에서 상기 제2 2차원 좌표값에 포함되지 않은 좌표값과 상기 제2 2차원 좌표값으로 상기 기준점에 대응하는 3차원 좌표값을 구하는 3차원 기준점 검출 장치
|
| 18 |
18
제 16 항에서,상기 멀티-스테이지 DRL 적용부는,상기 3차원 볼륨 렌더링 모델 데이터를 구성하는 제2 절단 뷰 영상에서 제3 심층 강화학습 에이전트를 이용하여 상기 기준점에 대응하는 제3 2차원 좌표값을 구하고,상기 제2 절단 뷰 영상은 상기 제2 2차원 좌표값에 의해 정해지는 평면에 대응하는 3차원 기준점 검출 장치
|
| 19 |
19
제 12 항에서,상기 3차원 영상 데이터는,CT(Computed Tomography), CBCT(Cone Beam Computed Tomography), MRI(Magnetic resonance imaging), PET(Positron Emission Tomography), 및 SPECT(Single-Photon Emission Computed Tomography) 중 어느 하나인 3차원 기준점 검출 장치
|
| 20 |
20
제 13 항에서,상기 기준점 특성은 미리 정해져 있는 3차원 기준점 검출 장치
|
| 21 |
21
제 13 항에서,상기 3차원 영상 데이터는,환자 두부(skull) 혹은 신체 타부위를 촬영하여 획득한 것인 3차원 기준점 검출 장치
|
