1 |
1
제1 컨볼루션 연산 및 제1 다운샘플링 연산을 포함하는 제1 연산 유닛을 복수 개 포함하는 제1 행 구조를 통해 입력 의료 영상의 제1 클래시피케이션 결과를 생성하는 단계;제2 컨볼루션 연산 및 제2 다운샘플링 연산을 포함하는 제2 연산 유닛을 복수 개 포함하는 제2 행 구조를 통해 상기 입력 의료 영상의 제2 클래시피케이션 결과를 생성하는 단계; 및상기 제1 클래시피케이션 결과 및 상기 제2 클래시피케이션 결과를 기초로 최종 클래시피케이션 결과를 생성하는 단계를 포함하고,상기 제2 컨볼루션 연산의 입력 피쳐 맵은 상기 제1 다운샘플링 연산의 입력 피쳐 맵 및 상기 제1 다운샘플링 연산의 출력 피쳐 맵을 연산하여 생성되는 것을 특징으로 하는 인공 지능을 이용하여 의료 영상에서 병변을 판단하는 방법
|
2 |
2
제1항에 있어서, 상기 제2 컨볼루션 연산의 상기 입력 피쳐 맵은상기 제1 다운샘플링 연산의 상기 출력 피쳐 맵을 업샘플링한 업샘플 피쳐 맵과 상기 제1 다운샘플링 연산의 상기 입력 피쳐 맵을 차 연산하여 생성되는 것을 특징으로 하는 인공 지능을 이용하여 의료 영상에서 병변을 판단하는 방법
|
3 |
3
제2항에 있어서, 두 번째 제2 연산 유닛은 첫 번째 제2 연산 유닛의 출력 피쳐 맵과 상기 차 연산의 결과를 병합하는 콘캐터네이트 연산을 더 포함하는 것을 특징으로 하는 인공 지능을 이용하여 의료 영상에서 병변을 판단하는 방법
|
4 |
4
제1항에 있어서, 상기 제1 다운샘플링 연산은 풀링 연산인 것을 특징으로 하는 인공 지능을 이용하여 의료 영상에서 병변을 판단하는 방법
|
5 |
5
제1항에 있어서, 상기 제1 다운샘플링 연산은 1보다 큰 스트라이드를 갖는 다운샘플용 컨볼루션 연산인 것을 특징으로 하는 인공 지능을 이용하여 의료 영상에서 병변을 판단하는 방법
|
6 |
6
제5항에 있어서, 상기 제2 컨볼루션 연산의 상기 입력 피쳐 맵은상기 제1 다운샘플링 연산의 상기 출력 피쳐 맵을 업샘플링한 업샘플 피쳐 맵과 상기 제1 다운샘플링 연산의 상기 입력 피쳐 맵을 1의 스트라이드를 갖는 상기 다운샘플용 컨볼루션 연산에 통과시킨 컨볼루션 피쳐 맵을 차 연산하여 생성되는 것을 특징으로 하는 인공 지능을 이용하여 의료 영상에서 병변을 판단하는 방법
|
7 |
7
제1항에 있어서, 상기 제1 연산 유닛에 포함되는 상기 제1 컨볼루션 연산의 개수는 상기 제2 연산 유닛에 포함되는 상기 제2 컨볼루션 연산의 개수보다 많은 것을 특징으로 하는 인공 지능을 이용하여 의료 영상에서 병변을 판단하는 방법
|
8 |
8
제1항에 있어서, 상기 제1 행 구조의 출력부는 제1 풀리 커넥티드 레이어 및 상기 제1 행 구조의 결과 벡터를 확률로 변환하는 제1 소프트맥스 연산을 포함하는 것을 특징으로 하는 인공 지능을 이용하여 의료 영상에서 병변을 판단하는 방법
|
9 |
9
제8항에 있어서, 상기 제2 행 구조의 출력부는 제2 풀리 커넥티드 레이어 및 제2 소프트맥스 연산을 포함하는 것을 특징으로 하는 인공 지능을 이용하여 의료 영상에서 병변을 판단하는 방법
|
10 |
10
제9항에 있어서, 상기 최종 클래시피케이션 결과를 생성하는 단계는상기 제1 풀리 커넥티드 레이어의 입력 및 상기 제2 풀리 커넥티드 레이어의 입력을 수신하여 상기 제1 클래시피케이션 결과 및 상기 제2 클래시피케이션 결과를 조합하는 최종 풀리 커넥티드 레이어 및 최종 소프트맥스 연산을 이용하는 것을 특징으로 하는 인공 지능을 이용하여 의료 영상에서 병변을 판단하는 방법
|
11 |
11
제1항에 있어서, 상기 제1 클래시피케이션 결과에 제1 가중치를 반영하고, 상기 제2 클래시피케이션 결과에 제2 가중치를 반영하여 상기 최종 클래시피케이션 결과가 생성되는 것을 특징으로 하는 인공 지능을 이용하여 의료 영상에서 병변을 판단하는 방법
|
12 |
12
제11항에 있어서, 상기 제1 가중치는 상기 제2 가중치보다 큰 것을 특징으로 하는 인공 지능을 이용하여 의료 영상에서 병변을 판단하는 방법
|
13 |
13
제1항에 있어서, 제3 컨볼루션 연산 및 제3 다운샘플링 연산을 포함하는 제3 연산 유닛을 복수 개 포함하는 제3 행 구조를 통해 상기 입력 의료 영상의 제3 클래시피케이션 결과를 생성하는 단계를 더 포함하고, 상기 제3 컨볼루션 연산의 입력 피쳐 맵은 상기 제2 다운샘플링 연산의 입력 피쳐 맵 및 상기 제2 다운샘플링 연산의 출력 피쳐 맵을 연산하여 생성되는 것을 특징으로 하는 인공 지능을 이용하여 의료 영상에서 병변을 판단하는 방법
|
14 |
14
제13항에 있어서, 상기 제3 컨볼루션 연산의 상기 입력 피쳐 맵은상기 제2 다운샘플링 연산의 상기 출력 피쳐 맵을 업샘플링한 제2 업샘플 피쳐 맵과 상기 제2 다운샘플링 연산의 상기 입력 피쳐 맵을 차 연산하여 생성되는 것을 특징으로 하는 인공 지능을 이용하여 의료 영상에서 병변을 판단하는 방법
|
15 |
15
제13항에 있어서, 상기 제1 클래시피케이션 결과에 제1 가중치를 반영하고, 상기 제2 클래시피케이션 결과에 제2 가중치를 반영하며, 상기 제3 클래시피케이션 결과에 제3 가중치를 반영하여 상기 최종 클래시피케이션 결과가 생성되는 것을 특징으로 하는 인공 지능을 이용하여 의료 영상에서 병변을 판단하는 방법
|
16 |
16
제1항에 있어서, 상기 제1 컨볼루션 연산의 액티베이션 함수 및 상기 제2 컨볼루션 연산의 액티베이션 함수는 ReLU인 것을 특징으로 하는 인공 지능을 이용하여 의료 영상에서 병변을 판단하는 방법
|
17 |
17
제1 컨볼루션 연산 및 제1 풀링 연산을 포함하는 제1 연산 유닛을 복수 개 포함하고, 입력 영상을 수신하여 제1 클래시피케이션 결과를 출력하는 제1 행 구조; 및제2 컨볼루션 연산 및 제2 풀링 연산을 포함하는 제2 연산 유닛을 복수 개 포함하고, 제2 클래시피케이션 결과를 출력하는 제2 행 구조를 포함하는 신경망 모델을 포함하고, 상기 제2 컨볼루션 연산의 입력 피쳐 맵은 상기 제1 풀링 연산의 입력 피쳐 맵 및 상기 제1 풀링 연산의 출력 피쳐 맵을 연산하여 생성되는 것을 특징으로 하는 인공 지능 신경망 시스템
|
18 |
18
제1 컨볼루션 연산 및 1보다 큰 스트라이드를 갖는 제1 다운샘플용 컨볼루션 연산을 포함하는 제1 연산 유닛을 복수 개 포함하고, 입력 영상을 수신하여 제1 클래시피케이션 결과를 출력하는 제1 행 구조; 및제2 컨볼루션 연산 및 1보다 큰 스트라이드를 갖는 제2 다운샘플용 컨볼루션 연산을 포함하는 제2 연산 유닛을 복수 개 포함하고, 제2 클래시피케이션 결과를 출력하는 제2 행 구조를 포함하는 신경망 모델을 포함하고, 상기 제2 컨볼루션 연산의 입력 피쳐 맵은 상기 제1 다운샘플용 컨볼루션 연산의 입력 피쳐 맵 및 상기 제1 다운샘플용 컨볼루션 연산의 출력 피쳐 맵을 연산하여 생성되는 것을 특징으로 하는 인공 지능 신경망 시스템
|
19 |
19
제1항 내지 제16항 중 어느 한 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록 매체
|