| 1 |
1
사용자의 인체 조직을 촬영한 의료 영상 데이터로부터 용도 별 코어 타일 이미지를 추출하고, 각각의 코어 타일 이미지로부터 패치 이미지를 추출하여 미리 설정된 사이즈로 조절하는 전처리부;사이즈가 조절된 상기 패치 이미지를 용도 별로 미리 설정된 복수의 학습 모델에 각각 입력하여 특징 벡터를 추출하고, 상기 특징 벡터에 기초하여 생성된 최종 특징 벡터로부터 분류 알고리즘을 이용하여 상기 사용자의 재발 확률을 예측하는 예측부; 및상기 패치 이미지에 대응하는 히트 맵(heat map)을 생성하여 상기 예측의 기준이 된 특정 부분을 시각화하는 시각화부를 포함하는 것을 특징으로 하는 폐 선암 진단 장치
|
| 2 |
2
제 1 항에 있어서,상기 코어 타일 이미지는,상기 용도가 구조 패턴(structural patterns) 용도인 경우에 제 1 배율로 추출된 제 1 코어 타일 이미지와 상기 용도가 종양 세포 패턴(tumor cell patterns) 용도인 경우에 제 2 배율로 추출된 제 2 코어 타일 이미지를 포함하는 것을 특징으로 하는 폐 선암 진단 장치
|
| 3 |
3
제 2 항에 있어서,상기 전처리부는,상기 제 1 코어 타일 이미지로부터 종양의 구조가 나타나도록 임의의 픽셀 크기로 적어도 하나 이상의 1차 패치 이미지를 추출하고, 상기 1차 패치 이미지의 픽셀 크기를 축소하여 특정 픽셀 크기의 상기 패치 이미지를 추출하는 것을 특징으로 하는 폐 선암 진단 장치
|
| 4 |
4
제 2 항에 있어서,상기 전처리부는,상기 제 2 코어 타일 이미지로부터 개별 종양의 세포가 나타나도록 특정 픽셀 크기로 하나 이상의 상기 패치 이미지를 추출하는 것을 특징으로 하는 폐 선암 진단 장치
|
| 5 |
5
제 1 항에 있어서,상기 학습 모델은,동일한 컨볼루션 신경망(Convolutional Neural Network, CNN) 구조이며, 사전 학습된(pre-trained) 모델을 이용하여 전이 학습(Transfer learning)하는 방식으로 생성된 것으로 입력되는 용도 별 패치 이미지에 기초하여 사전 학습된 모델의 가중치(Weight)를 각각 다르게 미세 조정하여 생성되는 것을 특징으로 하는 폐 선암 진단 장치
|
| 6 |
6
제 2 항에 있어서,상기 예측부는,상기 제 1 코어 타일 이미지로부터 추출된 패치 이미지가 입력되는 구조 패턴 용 학습 모델과 상기 제 2 코어 타일 이미지로부터 추출된 패치 이미지가 입력되는 종양 세포 패턴 용 학습 모델을 구분하여 상기 학습 모델을 설정하는 것을 특징으로 하는 폐 선암 진단 장치
|
| 7 |
7
제 1 항에 있어서,상기 예측부는,상기 패치 이미지로부터 추출된 상기 특징 벡터를 요소 별로 평균화하여 용도 별 평균 특징 벡터를 생성하고, 상기 평균 특징 벡터를 순서대로 결합하여 상기 최종 특징 벡터를 생성하는 것을 특징으로 하는 폐 선암 진단 장치
|
| 8 |
8
제 1 항에 있어서,상기 시각화부는,Grad-CAM(gradient-weighted class activation map)을 이용하여 상기 학습 모델 별로 생성된 특징 맵과 가중치의 기울기(gradient)를 기초로 상기 히트 맵을 생성하는 것을 특징으로 하는 폐 선암 진단 장치
|
| 9 |
9
제 8 항에 있어서,상기 시각화부는,상기 학습 모델이 구조 패턴 용 학습 모델인 경우에는 종양 세포의 비정형 핵으로 판단되는 부분을 표시하여 출력하고, 상기 학습 모델이 종양 세포 패턴 용 학습 모델인 경우에는 폐포 공간의 원반형 종양 세포 또는 종양 괴사로 판단되는 부분을 표시하여 출력하는 것을 특징으로 하는 폐 선암 진단 장치
|
| 10 |
10
사용자의 인체 조직을 촬영한 의료 영상 데이터로부터 용도 별 코어 타일 이미지를 추출하고, 각각의 코어 타일 이미지로부터 패치 이미지를 추출하여 미리 설정된 사이즈로 조절하는 전처리 단계;사이즈가 조절된 상기 패치 이미지를 용도 별로 미리 설정된 복수의 학습 모델에 각각 입력하여 특징 벡터를 추출하고, 상기 특징 벡터에 기초하여 생성된 최종 특징 벡터로부터 분류 알고리즘을 이용하여 상기 사용자의 재발 확률을 예측하는 예측 단계; 및상기 패치 이미지에 대응하는 히트 맵(heat map)을 생성하여 상기 예측의 기준이 된 특정 부분을 시각화하는 시각화 단계를 포함하는 것을 특징으로 하는 폐 선암 진단 방법
|
| 11 |
11
제 10 항에 있어서,상기 코어 타일 이미지는,상기 용도가 구조 패턴(structural patterns) 용도인 경우에 제 1 배율로 추출된 제 1 코어 타일 이미지와 상기 용도가 종양 세포 패턴(tumor cell patterns) 용도인 경우에 제 2 배율로 추출된 제 2 코어 타일 이미지를 포함하는 것을 특징으로 하는 폐 선암 진단 방법
|
| 12 |
12
제 11 항에 있어서,상기 전처리 단계는,상기 제 1 코어 타일 이미지로부터 종양의 구조가 나타나도록 임의의 픽셀 크기로 적어도 하나 이상의 1차 패치 이미지를 추출하고, 상기 1차 패치 이미지의 픽셀 크기를 축소하여 특정 픽셀 크기의 상기 패치 이미지를 추출하는 것을 특징으로 하는 폐 선암 진단 방법
|
| 13 |
13
제 11 항에 있어서,상기 전처리 단계는,상기 제 2 코어 타일 이미지로부터 개별 종양의 세포가 나타나도록 특정 픽셀 크기로 하나 이상의 상기 패치 이미지를 추출하는 것을 특징으로 하는 폐 선암 진단 방법
|
| 14 |
14
제 10 항에 있어서,상기 학습 모델은,동일한 컨볼루션 신경망(Convolutional Neural Network, CNN) 구조이며, 사전 학습된(pre-trained) 모델을 이용하여 전이 학습(Transfer learning)하는 방식으로 생성된 것으로 입력되는 용도 별 패치 이미지에 기초하여 사전 학습된 모델의 가중치(Weight)를 각각 다르게 미세 조정하여 생성되는 것을 특징으로 하는 폐 선암 진단 방법
|
| 15 |
15
제 11 항에 있어서,상기 예측 단계는,상기 제 1 코어 타일 이미지로부터 추출된 패치 이미지가 입력되는 구조 패턴 용 학습 모델과 상기 제 2 코어 타일 이미지로부터 추출된 패치 이미지가 입력되는 종양 세포 패턴 용 학습 모델을 구분하여 상기 학습 모델을 설정하는 것을 특징으로 하는 폐 선암 진단 방법
|
| 16 |
16
제 10 항에 있어서,상기 예측 단계는,상기 패치 이미지로부터 추출된 상기 특징 벡터를 요소 별로 평균화하여 용도 별 평균 특징 벡터를 생성하고, 상기 평균 특징 벡터를 순서대로 결합하여 상기 최종 특징 벡터를 생성하는 것을 특징으로 하는 폐 선암 진단 방법
|
| 17 |
17
제 10 항에 있어서,상기 시각화 단계는,Grad-CAM(gradient-weighted class activation map)을 이용하여 상기 학습 모델 별로 생성된 특징 맵과 가중치의 기울기를 기초로 상기 히트 맵(heat map)을 생성하는 것을 특징으로 하는 폐 선암 진단 방법
|
| 18 |
18
제 17 항에 있어서,상기 시각화 단계는,상기 학습 모델이 구조 패턴 용 학습 모델인 경우에는 종양 세포의 비정형 핵으로 판단되는 부분을 표시하여 출력하고, 상기 학습 모델이 종양 세포 패턴 용 학습 모델인 경우에는 폐포 공간의 원반형 종양 세포 또는 종양 괴사로 판단되는 부분을 표시하여 출력하는 것을 특징으로 하는 폐 선암 진단 방법
|
