| 1 |
1
GAN(Generative Adversarial Network)을 활용한 디지털병리 염색 복원 장치(100)로서,실제 학습 데이터인 원본 데이터를 기반으로 비슷한 거짓 데이터를 생성하는 생성망(110); 및상기 생성망(110)으로부터 생성된 거짓 데이터와 실제 학습 데이터인 원본 데이터를 이용하여 학습하고, 입력으로 들어오는 데이터가 실제 학습 데이터인지 거짓 데이터인지를 판별하는 판별망(120)을 포함하는 것을 특징으로 하는, GAN을 활용한 디지털병리 염색 복원 장치
|
| 2 |
2
제1항에 있어서, 상기 생성망(110)은,실제 학습 데이터인 원본 데이터를 기반으로 비슷한 거짓 데이터를 생성하되, 실제 학습 데이터인 원본 데이터와 구별이 불가능할 정도로 비슷한 거짓 데이터를 생성하는 것을 특징으로 하는, GAN을 활용한 디지털병리 염색 복원 장치
|
| 3 |
3
제2항에 있어서, 상기 생성망(110)은,생산적 적대 신경망(Generative Adversarial Network, GAN) 알고리즘의 경쟁 네트워크로 구현되는 것을 특징으로 하는, GAN을 활용한 디지털병리 염색 복원 장치
|
| 4 |
4
제1항에 있어서, 상기 판별망(120)은,상기 생성망(110)을 사용하지 않고 정확한 데이터를 구별할 수 있는 능력을 올리기 위한 학습을 먼저 수행하는 것을 특징으로 하는, GAN을 활용한 디지털병리 염색 복원 장치
|
| 5 |
5
제4항에 있어서, 상기 판별망(120)은,생산적 적대 신경망(Generative Adversarial Network, GAN) 알고리즘의 경쟁 네트워크로 구현되는 것을 특징으로 하는, GAN을 활용한 디지털병리 염색 복원 장치
|
| 6 |
6
제1항 내지 제5항 중 어느 한 항에 있어서, 상기 디지털병리 염색 복원 장치(100)는,상기 생성망(110)과 판별망(120)의 두 개의 인공지능 네트워크를 경쟁적으로 학습시키는 것을 특징으로 하는, GAN을 활용한 디지털병리 염색 복원 장치
|
| 7 |
7
제6항에 있어서, 상기 디지털병리 염색 복원 장치(100)는,상기 생성망(110)의 경쟁 네트워크를 통해 거짓 데이터를 생성하고, 이를 상기 판별망(120)에서 판별하는 과정을 계속 반복하여 학습하는 것을 특징으로 하는, GAN을 활용한 디지털병리 염색 복원 장치
|
| 8 |
8
제7항에 있어서, 상기 디지털병리 염색 복원 장치(100)는,생산된 염색 데이터 중에 염색이 빠져서 사용할 수 없는 염색이 빠진 데이터를 염색 처리하여 복원할 수 있도록 생성망(110)의 거짓 데이터 생성과 판별망(120)의 판별 과정의 반복된 학습으로 원본 이미지와 염색 이미지를 트레이닝 하여 가짜 이미지를 도출하는 것을 특징으로 하는, GAN을 활용한 디지털병리 염색 복원 장치
|
| 9 |
9
GAN(Generative Adversarial Network)을 활용한 디지털병리 염색 복원 방법으로서,(1) 디지털병리 염색 복원 장치(100)의 판별망(120)이 입력되는 데이터를 정확히 구별할 수 있는 능력을 올리기 위한 학습을 수행하는 단계;(2) 디지털병리 염색 복원 장치(100)의 생성망(110)이 실제 학습 데이터인 원본 데이터를 기반으로 비슷한 거짓 데이터를 생성하는 단계; 및(3) 디지털병리 염색 복원 장치(100)의 판별망(120)이 입력으로 들어오는 데이터가 실제 학습 데이터인지 거짓 데이터인지를 판단하는 단계를 포함하는 것을 특징으로 하는, GAN을 활용한 디지털병리 염색 복원 방법
|
| 10 |
10
제9항에 있어서, 상기 단계 (2)에서의 생성망(110)은,실제 학습 데이터인 원본 데이터를 기반으로 비슷한 거짓 데이터를 생성하되, 실제 학습 데이터인 원본 데이터와 구별이 불가능할 정도로 비슷한 거짓 데이터를 생성하는 것을 특징으로 하는, GAN을 활용한 디지털병리 염색 복원 방법
|
| 11 |
11
제10항에 있어서, 상기 생성망(110)은,생산적 적대 신경망(Generative Adversarial Network, GAN) 알고리즘의 경쟁 네트워크로 구현되는 것을 특징으로 하는, GAN을 활용한 디지털병리 염색 복원 방법
|
| 12 |
12
제9항에 있어서, 상기 단계 (3)에서의 판별망(120)은,상기 생성망(110)으로부터 생성된 거짓 데이터와 실제 학습 데이터인 원본 데이터를 이용하여 학습하는 과정을 더 포함하는 것을 특징으로 하는, GAN을 활용한 디지털병리 염색 복원 장치
|
| 13 |
13
제12항에 있어서, 상기 판별망(120)은,생산적 적대 신경망(Generative Adversarial Network, GAN) 알고리즘의 경쟁 네트워크로 구현되는 것을 특징으로 하는, GAN을 활용한 디지털병리 염색 복원 방법
|
| 14 |
14
제9항 내지 제13항 중 어느 한 항에 있어서, 상기 디지털병리 염색 복원 장치(100)는,상기 생성망(110)과 판별망(120)의 두 개의 인공지능 네트워크를 경쟁적으로 학습시키는 것을 특징으로 하는, GAN을 활용한 디지털병리 염색 복원 방법
|
| 15 |
15
제14항에 있어서, 상기 디지털병리 염색 복원 장치(100)는,상기 생성망(110)의 경쟁 네트워크를 통해 거짓 데이터를 생성하고, 이를 상기 판별망(120)에서 판별하는 과정을 계속 반복하여 학습하는 것을 특징으로 하는, GAN을 활용한 디지털병리 염색 복원 방법
|
| 16 |
16
제15항에 있어서, 상기 디지털병리 염색 복원 장치(100)는,생산된 염색 데이터 중에 염색이 빠져서 사용할 수 없는 염색이 빠진 데이터를 염색 처리하여 복원할 수 있도록 생성망(110)의 거짓 데이터 생성과 판별망(120)의 판별 과정의 반복된 학습으로 원본 이미지와 염색 이미지를 트레이닝 하여 가짜 이미지를 도출하는 것을 특징으로 하는, GAN을 활용한 디지털병리 염색 복원 방법
|
