| 1 |
1
적어도 하나의 프로세서에 의해 동작하는 장치의 동작 방법으로서,임의 초음파 프로브를 통해 조직에서 수득된 RF 데이터를 입력받는 단계, 그리고프로브 도메인을 일반화하도록 훈련된 신경망을 이용하여, 상기 RF 데이터로부터, 정량적 초음파 이미지를 생성하는 단계를 포함하는, 동작 방법
|
| 2 |
2
제1항에서,상기 정량적 초음파 이미지를 생성하는 단계는 프로브 도메인 일반화를 메타 학습한 변형 함수를 이용하여, 상기 RF 데이터로부터 일반화된 정량 특징을 추출하고, 상기 일반화된 정량 특징을 복원하여 상기 정량적 초음파 이미지를 생성하는, 동작 방법
|
| 3 |
3
제2항에서,상기 변형 함수는 상기 임의 초음파 프로브의 프로브 조건을 일반화된 프로브 조건으로 공간 변환하는 변형 필드(deformation field)를 생성하는 함수인, 동작 방법
|
| 4 |
4
제3항에서,상기 정량적 초음파 이미지를 생성하는 단계는 상기 RF 데이터의 특징에, 상기 변형 함수에 의해 생성된 변형 필드를 적용하여, 상기 일반화된 프로브 조건으로 변형된 특징을 생성하는, 동작 방법
|
| 5 |
5
제2항에서,상기 RF 데이터로부터 B-모드 이미지를 생성하는 단계를 더 포함하고,상기 정량적 초음파 이미지를 생성하는 단계는 상기 RF 데이터와 상기 B-모드 이미지의 관계로부터 추론된 프로브 조건을 상기 변형 함수를 통해 일반화한 후, 상기 RF 데이터로부터 상기 일반화된 정량 특징을 추출하는, 동작 방법
|
| 6 |
6
제1항에서,’상기 정량적 초음파 이미지는 음속도(Speed of Sound, SoS), 감쇠 계수(Attenuation Coefficient, AC), 산란체 밀도(Effective Scatterer Concentration, ESC), 그리고 산란체 크기(Effective Scatterer Diameter, ESD) 중 적어도 하나의 변수에 대한 정량 정보를 포함하는, 동작 방법
|
| 7 |
7
제1항에서,상기 신경망은가상 프로브 조건들로 증강된 훈련 데이터를 이용하여, 입력 RF 데이터의 프로브 도메인을 일반화하도록 훈련된 인공지능 모델인, 동작 방법
|
| 8 |
8
적어도 하나의 프로세서에 의해 동작하는 장치의 동작 방법으로서,소스 훈련 데이터를, 가상 프로브 조건들에 관계된 가상 데이터로 증강하는 단계, 그리고데이터 증강된 훈련 데이터를 이용하여, 신경망이 입력 RF 데이터의 프로브 도메인을 일반화하여 정량적 초음파 이미지를 생성하도록, 상기 신경망을 훈련시키는 단계를 포함하는 동작 방법
|
| 9 |
9
제8항에서,상기 가상 데이터로 증강하는 단계는상기 소스 훈련 데이터에서, 프로브의 센서 수, 센서 간 간격, 그리고 센서 폭 중 적어도 하나를 변경해서 가상의 새로운 데이터를 생성하는, 동작 방법
|
| 10 |
10
제8항에서,상기 신경망을 훈련시키는 단계는상기 데이터 증강된 훈련 데이터를 이용한 메타 학습을 통해, 상기 입력 RF 데이터의 프로브 조건에 해당하는 변형 필드(deformation field)를 생성하는 상기 신경망 내 변형 함수를 훈련시키고,상기 변형 함수는 임의 초음파 프로브의 프로브 조건을 일반화된 프로브 조건으로 공간 변환하는 변형 필드를 생성하는 함수인, 동작 방법
|
| 11 |
11
제10항에서,상기 변형 함수는상기 입력 RF 데이터, 그리고 상기 입력 RF 데이터로부터 생성된 B-모드 이미지의 관계로부터, 상기 입력 RF 데이터의 프로브 조건을 일반화된 프로브 조건으로 공간 변환하는 상기 변형 필드를 생성하는 메타 학습을 수행하는, 동작 방법
|
| 12 |
12
제10항에서,상기 신경망을 훈련시키는 단계는상기 변형 함수의 메타 학습과 함께, 추론된 정량적 초음파 이미지의 손실을 줄이도록 상기 신경망을 훈련시키는, 동작 방법
|
| 13 |
13
제8항에서,상기 신경망은상기 입력 RF 데이터의 프로브 조건을 일반화하는 적응 모듈을 통해, 상기 입력 RF 데이터에서 프로브 도메인에 일반화된 정량 특징을 추출하는 인코더, 그리고상기 일반화된 정량 특징을 복원하여 정량적 초음파 이미지를 생성하는 디코더를 포함하는, 동작 방법
|
| 14 |
14
메모리, 그리고상기 메모리에 로드된 명령어들을 실행하는 프로세서를 포함하고,상기 프로세서는임의 초음파 프로브를 통해 조직에서 수득된 RF 데이터를 입력받고, 훈련된 신경망을 이용하여, 상기 RF 데이터의 프로브 도메인을 일반화하여 정량적 초음파 이미지를 생성하는, 이미징 장치
|
| 15 |
15
제14항에서,상기 프로세서는프로브 도메인 일반화를 메타 학습한 변형 함수를 이용하여, 상기 RF 데이터로부터 일반화된 정량 특징을 추출하고, 상기 일반화된 정량 특징을 복원하여 상기 정량적 초음파 이미지를 생성하는, 이미징 장치
|
| 16 |
16
제15항에서,상기 변형 함수는 상기 임의 초음파 프로브의 프로브 조건을 일반화된 프로브 조건으로 공간 변환하는 변형 필드(deformation field)를 생성하는 함수인, 이미징 장치
|
| 17 |
17
제17항에서,상기 프로세서는상기 RF 데이터의 특징에, 상기 변형 함수에 의해 생성된 변형 필드를 적용하여, 상기 일반화된 프로브 조건으로 변형된 특징을 생성하는, 이미징 장치
|
| 18 |
18
제15항에서, 상기 프로세서는상기 RF 데이터로부터 B-모드 이미지를 생성하고, 상기 RF 데이터와 상기 B-모드 이미지의 관계로부터 추론된 프로브 조건을 상기 변형 함수를 통해 일반화한 후, 상기 RF 데이터로부터 상기 일반화된 정량 특징을 추출하는, 이미징 장치
|
| 19 |
19
제14항에서,상기 정량적 초음파 이미지는 음속도(Speed of Sound, SoS), 감쇠 계수(Attenuation Coefficient, AC), 산란체 밀도(Effective Scatterer Concentration, ESC), 그리고 산란체 크기(Effective Scatterer Diameter, ESD) 중 적어도 하나의 변수에 대한 정량 정보를 포함하는, 이미징 장치
|
| 20 |
20
제14항에서,상기 신경망은상기 입력 RF 데이터의 프로브 조건을 일반화하는 적응 모듈을 통해, 상기 입력 RF 데이터에서 프로브 도메인에 일반화된 정량 특징을 추출하는 인코더, 그리고상기 일반화된 정량 특징을 복원하여 정량적 초음파 이미지를 생성하는 디코더를 포함하는, 이미징 장치
|
