| 1 |
1
객체가 촬영된 하나 이상의 영상을 획득하는 획득부; 및복수의 영상을 통해 심층 학습(Deep learning)되는 분할 모델을 이용하여 상기 하나 이상의 영상에 대한 분할(Segmentation)을 수행하는 분할 수행부를 포함하되,상기 분할 모델은, 깊이 별 분리 컨볼루션(DSC; Depth-wise Separable Convolution) 기반의 제1 타입 모듈 및 전역 컨텍스트 네트워크(GCNet; Global Context Network) 기반의 제2 타입 모듈을 포함하는 U-Net 기반 모델인, 영상 분할 장치
|
| 2 |
2
청구항 1항에 있어서,상기 하나 이상의 영상은,뇌 단층을 촬영한 자기공명영상(MRI; Magnetic Resonance Imaging)을 포함하는, 영상 분할 장치
|
| 3 |
3
청구항 2항에 있어서,상기 분할 수행부는,상기 뇌 단층을 복수의 구획으로 분할하되, 상기 복수의 구획 중 기 설정된 조건을 충족하는 하나 이상의 구획을 뇌졸중 병변으로 판단하는, 영상 분할 장치
|
| 4 |
4
청구항 1항에 있어서,상기 분할 모델은,상기 분할 모델 내 복수의 컨볼루션 레이어 블록 중 적어도 일부가 상기 제1 타입 모듈로 대체된 U-Net 기반 모델인, 영상 분할 장치
|
| 5 |
5
청구항 1항에 있어서,상기 분할 모델은,상기 제2 타입 모듈이 상기 분할 모델 내 다운 샘플링(Down Sampling)이 진행되는 인코더 및 업 샘플링(Up Sampling)이 진행되는 디코더 사이에 배치된 U-Net 기반 모델인, 영상 분할 장치
|
| 6 |
6
청구항 1항에 있어서,상기 제1 타입 모듈은,특징 맵의 특징 정보를 추출하는 복수의 깊이 별 컨볼루션 레이어 블록(Depth-wise Convolution Layer Block) 및 특징 맵의 채널 수를 조절하는 복수의 포인트 별 컨볼루션 레이어 블록(Point-wise Convolution Layer Block)을 포함하는, 영상 분할 장치
|
| 7 |
7
청구항 6항에 있어서,상기 제1 타입 모듈은,입력되는 특징 맵에 상기 깊이 별 컨볼루션 레이어 블록과 상기 포인트 별 컨볼루션 레이어 블록을 반복적으로 적용하여 특징 정보 추출용 맵을 산출하고,상기 입력되는 특징 맵에 상기 포인트 별 컨볼루션 레이어 블록만을 적용하여 채널 수 조절용 맵을 산출하고,상기 특징 정보 추출용 맵과 상기 채널 수 조절용 맵을 합하여 출력하는, 영상 분할 장치
|
| 8 |
8
청구항 1항에 있어서,상기 제2 타입 모듈은,특징 맵의 특징 정보를 추출하는 제1 컨볼루션 레이어 블록, 제2 컨볼루션 레이어 블록 및 상기 전역 컨텍스트 네트워크 기반의 전역 컨텍스트 블록(GCBlock; Global Context Block)을 포함하는, 영상 분할 장치
|
| 9 |
9
청구항 8항에 있어서,상기 제2 타입 모듈은,입력되는 특징 맵에 상기 제1 컨볼루션 레이어 블록, 상기 제2 컨볼루션 레이어 블록 및 상기 전역 컨텍스트 블록을 적용하여 전역 특징 맵을 산출하고,상기 입력되는 특징 맵과 상기 전역 특징 맵을 합하여 출력하는, 영상 분할 장치
|
| 10 |
10
객체가 촬영된 하나 이상의 영상을 획득하는 단계;복수의 영상을 통해 심층 학습(Deep learning)되는 분할 모델을 이용하여 상기 하나 이상의 영상에 대한 분할(Segmentation)을 수행하는 단계를 포함하되,상기 분할 모델은, 깊이 별 분리 컨볼루션(DSC; Depth-wise Separable Convolution) 기반의 제1 타입 모듈 및 전역 컨텍스트 네트워크(GCNet; Global Context Network) 기반의 제2 타입 모듈을 포함하는 U-Net 기반 모델인, 영상 분할 방법
|
| 11 |
11
청구항 10항에 있어서,상기 하나 이상의 영상은,뇌 단층을 촬영한 자기공명영상(MRI; Magnetic Resonance Imaging)을 포함하는, 영상 분할 방법
|
| 12 |
12
청구항 11항에 있어서,상기 분할을 수행하는 단계는,상기 뇌 단층을 복수의 구획으로 분할하되, 상기 복수의 구획 중 기 설정된 조건을 충족하는 하나 이상의 구획을 뇌졸중 병변으로 판단하는, 영상 분할 방법
|
| 13 |
13
청구항 10항에 있어서,상기 분할 모델은,상기 분할 모델 내 복수의 컨볼루션 레이어 블록 중 적어도 일부가 상기 제1 타입 모듈로 대체된 U-Net 기반 모델인, 영상 분할 방법
|
| 14 |
14
청구항 10항에 있어서,상기 분할 모델은,상기 제2 타입 모듈이 상기 분할 모델 내 다운 샘플링(Down Sampling)이 진행되는 인코더 및 업 샘플링(Up Sampling)이 진행되는 디코더 사이에 배치된 U-Net 기반 모델인, 영상 분할 방법
|
| 15 |
15
청구항 10항에 있어서,상기 제1 타입 모듈은,특징 맵의 특징 정보를 추출하는 복수의 깊이 별 컨볼루션 레이어 블록(Depth-wise Convolution Layer Block) 및 특징 맵의 채널 수를 조절하는 복수의 포인트 별 컨볼루션 레이어 블록(Point-wise Convolution Layer Block)을 포함하는, 영상 분할 방법
|
| 16 |
16
청구항 15항에 있어서,상기 제1 타입 모듈은,입력되는 특징 맵에 상기 깊이 별 컨볼루션 레이어 블록과 상기 포인트 별 컨볼루션 레이어 블록을 반복적으로 적용하여 특징 정보 추출용 맵을 산출하고,상기 입력되는 특징 맵에 상기 포인트 별 컨볼루션 레이어 블록만을 적용하여 채널 수 조절용 맵을 산출하고,상기 특징 정보 추출용 맵과 상기 채널 수 조절용 맵을 합하여 출력하는, 영상 분할 방법
|
| 17 |
17
청구항 10항에 있어서,상기 제2 타입 모듈은,특징 맵의 특징 정보를 추출하는 제1 컨볼루션 레이어 블록, 제2 컨볼루션 레이어 블록 및 상기 전역 컨텍스트 네트워크 기반의 전역 컨텍스트 블록(GCBlock; Global Context Block)을 포함하는, 영상 분할 방법
|
| 18 |
18
청구항 17항에 있어서,상기 제2 타입 모듈은,입력되는 특징 맵에 상기 제1 컨볼루션 레이어 블록, 상기 제2 컨볼루션 레이어 블록 및 상기 전역 컨텍스트 블록을 적용하여 전역 특징 맵을 산출하고,상기 입력되는 특징 맵과 상기 전역 특징 맵을 합하여 출력하는, 영상 분할 방법
|
