1 |
1
프로세서에 의하여 수행되는 방법에 있어서,트레이닝 입력 이미지에 기계 학습 모델의 인코더(encoder)를 적용함으로써 피처 맵(feature map)을 추출하는 단계;상기 피처 맵에 상기 기계 학습 모델의 범용 분류 모듈을 적용함으로써 상기 트레이닝 입력 이미지에 병변(lesion)이 나타날 제1 가능성 점수(possibility score)를 획득하는 단계;상기 피처 맵에 상기 기계 학습 모델의 범용 분할 모듈을 적용함으로써 상기 트레이닝 입력 이미지로부터 병변 영역을 추출하는 단계;상기 획득된 제1 가능성 점수 및 상기 추출된 병변 영역에 기초하여, 상기 범용 분류 모듈 및 상기 범용 분할 모듈의 출력들 간의 일관성(consistency)을 나타내는, 일관성 손실(consistency loss)을 가지는 목적함수 값을 계산하는 단계; 및상기 계산된 목적함수 값을 이용하여 상기 기계 학습 모델의 파라미터를 업데이트하는 단계를 포함하는 방법
|
2 |
2
제1항에 있어서,상기 목적함수 값을 계산하는 단계는,상기 범용 분류 모듈에 관한 분류 손실(classification loss) 및 상기 범용 분할 모듈에 관한 분할 손실(segmentation loss)을 더 가지는 상기 목적함수 값을 계산하는 단계를 포함하는,방법
|
3 |
3
제1항에 있어서,상기 목적함수 값을 계산하는 단계는,상기 추출된 병변 영역을 이용하여 상기 트레이닝 입력 이미지에 병변이 나타날 제2 가능성 점수를 획득하는 단계; 및상기 제1 가능성 점수 및 상기 제2 가능성 점수 간의 차이에 기초하여 상기 일관성 손실을 계산하는 단계를 포함하는,방법
|
4 |
4
제3항에 있어서,상기 제2 가능성 점수를 획득하는 단계는,상기 추출된 병변 영역에 평균 풀링 레이어(average pooling layer) 및 최대 풀링 레이어(max pooling layer) 중 적어도 하나를 적용함으로써 상기 제2 가능성 점수를 획득하는 단계를 포함하는,방법
|
5 |
5
제3항에 있어서,상기 일관성 손실을 계산하는 단계는,상기 제1 가능성 점수 및 상기 제2 가능성 점수의 차이의 제곱(square)을 계산하는 단계; 및배치(batch)에 포함된 이미지들 각각에 대하여 계산된 상기 제1 가능성 점수 및 상기 제2 가능성 점수의 차이의 제곱을 평균함으로써 상기 일관성 손실을 계산하는 단계를 포함하는,방법
|
6 |
6
제1항에 있어서,상기 피처 맵에 상기 기계 학습 모델의 복원 모듈을 적용함으로써 상기 피처 맵으로부터 복원 이미지(reconstruction image)를 획득하는 단계를 더 포함하고,상기 목적함수 값을 계산하는 단계는,상기 트레이닝 입력 이미지 및 상기 복원 이미지에 기초하여 상기 복원 모듈에 관한 복원 손실(reconstruction loss)을 계산하는 단계를 포함하는,방법
|
7 |
7
제6항에 있어서,상기 복원 손실을 계산하는 단계는,상기 트레이닝 입력 이미지의 픽셀 및 상기 트레이닝 입력 이미지의 상기 픽셀에 대응하는 상기 복원 이미지의 픽셀 간의 강도(intensity) 차이의 평균 절대 오차(mean absolute error) 값을 계산하는 단계를 포함하는,방법
|
8 |
8
제1항에 있어서,상기 기계 학습 모델의 상기 인코더 및 상기 인코더에 연결되는 환자 레벨(patient level)의 분류 모듈(classification module)을 포함하는 분류 모델을 생성하는 단계;트레이닝 데이터 세트의 대상 환자에 대한 CT 촬영에 기초하여 획득된 복수의 이미지들에 상기 분류 모델의 상기 인코더를 적용함으로써 복수의 피처 맵들을 획득하는 단계;상기 획득된 복수의 피처 맵들에 상기 환자 레벨의 분류 모듈을 적용함으로써 상기 복수의 이미지들 중 적어도 한 이미지에 병변이 나타날 가능성 점수를 획득하는 단계; 및상기 복수의 이미지들에 대한 가능성 점수 및 상기 트레이닝 데이터 세트에서 상기 복수의 이미지들에 대해 매핑된 참값 클래스를 이용하여 계산된 목적 함수 값에 기초하여 상기 분류 모델의 파라미터를 업데이트하는 단계를 포함하는 방법
|
9 |
9
제8항에 있어서,상기 복수의 피처 맵들을 획득하는 단계는,상기 복수의 이미지들 각각에 상기 분류 모델의 상기 인코더를 적용함으로써 피처 맵을 획득하는 것을 반복하는 단계를 포함하는,방법
|
10 |
10
제8항에 있어서,상기 분류 모델의 파라미터를 업데이트하는 단계는,트레이닝 반복들 중 적어도 일부 반복(iteration)에서 상기 분류 모델의 인코더의 파라미터를 고정한 채로 상기 환자 레벨의 분류 모듈의 파라미터를 업데이트하는 단계; 및상기 트레이닝 반복들 중 다른 반복에서 상기 분류 모델의 인코더의 파라미터의 고정을 해제하고, 상기 분류 모델의 인코더 및 상기 환자 레벨의 분류 모듈의 파라미터를 업데이트하는 단계를 포함하는,방법
|
11 |
11
제1항에 있어서,상기 기계 학습 모델의 상기 인코더 및 상기 인코더에 연결되는 디코더(decoder)와 환자 레벨(patient level)의 분할 모듈(segmentation module)을 포함하는 분할 모델을 생성하는 단계;트레이닝 데이터 세트의 대상 환자에 대한 CT 촬영에 기초하여 획득된 복수의 이미지들에 상기 인코더 및 상기 디코더를 적용함으로써 복수의 피처 맵들을 획득하는 단계;상기 획득된 복수의 피처 맵들에 상기 환자 레벨의 분할 모듈을 적용함으로써 상기 복수의 이미지들로부터 병변 영역을 추출하는 단계; 및상기 추출된 병변 영역 및 상기 트레이닝 데이터 세트에서 상기 복수의 이미지들에 매핑된 참값 병변 영역을 이용하여 계산된 목적 함수 값에 기초하여 상기 분할 모델의 파라미터를 업데이트하는 단계를 더 포함하는 방법
|
12 |
12
제11항에 있어서,상기 복수의 피처 맵들을 획득하는 단계는,상기 복수의 이미지들 각각에 상기 분할 모델의 상기 인코더 및 상기 디코더를 적용함으로써 피처 맵을 획득하는 것을 반복하는 단계를 포함하는,방법
|
13 |
13
제11항에 있어서,상기 분할 모델의 파라미터를 업데이트하는 단계는,트레이닝 반복들 중 적어도 일부 반복(iteration)에서 상기 분할 모델의 인코더의 파라미터를 고정한 채로 상기 환자 레벨의 분할 모듈의 파라미터를 업데이트하는 단계; 및상기 트레이닝 반복들 중 다른 반복에서 상기 분할 모델의 인코더의 파라미터의 고정을 해제하고, 상기 분할 모델의 인코더 및 상기 환자 레벨의 분할 모듈의 파라미터를 업데이트하는 단계를 포함하는,방법
|
14 |
14
하드웨어와 결합되어 제1항 내지 제13항 중 어느 하나의 항의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램
|
15 |
15
전자 장치에 있어서,트레이닝 입력 이미지에 기계 학습 모델의 인코더(encoder)를 적용함으로써 피처 맵(feature map)을 추출하고, 상기 피처 맵에 상기 기계 학습 모델의 범용 분류 모듈을 적용함으로써 상기 트레이닝 입력 이미지에 병변(lesion)이 나타날 제1 가능성 점수(possibility score)를 획득하며, 상기 피처 맵에 상기 기계 학습 모델의 범용 분할 모듈을 적용함으로써 상기 트레이닝 입력 이미지로부터 병변 영역을 추출하고, 상기 획득된 제1 가능성 점수 및 상기 추출된 병변 영역에 기초하여, 상기 범용 분류 모듈 및 상기 범용 분할 모듈의 출력들 간의 일관성(consistency)을 나타내는, 일관성 손실(consistency loss)을 가지는 목적함수 값을 계산하며, 상기 계산된 목적함수 값을 이용하여 상기 기계 학습 모델의 파라미터를 업데이트하는 프로세서를 포함하는 전자 장치
|
16 |
16
제15항에 있어서,상기 프로세서는,상기 기계 학습 모델의 상기 인코더 및 상기 인코더에 연결되는 환자 레벨(patient level)의 분류 모듈(classification module)을 포함하는 분류 모델을 생성하고,트레이닝 데이터 세트의 대상 환자에 대한 CT 촬영에 기초하여 획득된 복수의 이미지들에 상기 분류 모델의 상기 인코더를 적용함으로써 복수의 피처 맵들을 획득하며,상기 획득된 복수의 피처 맵들에 상기 환자 레벨의 분류 모듈을 적용함으로써 상기 복수의 이미지들 중 적어도 한 이미지에 병변이 나타날 가능성 점수를 획득하고,상기 복수의 이미지들에 대한 가능성 점수 및 상기 트레이닝 데이터 세트에서 상기 복수의 이미지들에 대해 매핑된 참값 클래스를 이용하여 계산된 목적 함수 값에 기초하여 상기 분류 모델의 파라미터를 업데이트하는, 전자 장치
|
17 |
17
제15항에 있어서,상기 프로세서는,상기 기계 학습 모델의 상기 인코더 및 상기 인코더에 연결되는 디코더(decoder)와 환자 레벨(patient level)의 분할 모듈(segmentation module)을 포함하는 분할 모델을 생성하고,트레이닝 데이터 세트의 대상 환자에 대한 CT 촬영에 기초하여 획득된 복수의 이미지들에 상기 인코더 및 상기 디코더를 적용함으로써 복수의 피처 맵들을 획득하며,상기 획득된 복수의 피처 맵들에 상기 환자 레벨의 분할 모듈을 적용함으로써 상기 복수의 이미지들로부터 병변 영역을 추출하고,상기 추출된 병변 영역 및 상기 트레이닝 데이터 세트에서 상기 복수의 이미지들에 매핑된 참값 병변 영역을 이용하여 계산된 목적 함수 값에 기초하여 상기 분할 모델의 파라미터를 업데이트하는,전자 장치
|