| 1 |
1
에너지 기반 분포 이탈 감지를 이용하여 의료 이미지 관련 데이터들을 FCN (Fully Convolutional Network, 완전 합성곱 신경망)에 입력하여 의료 이미지 분할을 학습시키는 방법으로서,상기 의료 이미지 관련 데이터들 중 초기 양성(positive) 데이터를 상기 FCN에 입력하는 단계,상기 FCN에서 출력된 상기 초기 양성 데이터의 특징 맵을 초기 에너지 함수로 변환하는 단계,상기 초기 에너지 함수를 랑주뱅 함수(Langevin Dynamics)에 입력해 음성(negative) 데이터를 출력하는 단계,상기 음성 데이터와 상기 의료 이미지 관련 데이터들 중 양성 데이터를 상기 FCN에 입력하는 단계,상기 FCN에서 상기 음성 데이터의 특징 맵과 상기 양성 데이터의 특징 맵을 출력하는 단계,상기 음성 데이터의 특징 맵과 상기 양성 데이터의 특징 맵을 각각 음성 에너지 함수 및 양성 에너지 함수로 변환하는 단계,상기 음성 에너지 함수 및 상기 양성 에너지 함수로부터 손실 함수를 출력하는 단계, 및상기 양성 데이터의 특징 맵으로부터 분할 예측 맵을 출력하여 의료 이미지 분할을 학습하는 단계를 포함하는 의료 이미지 분할 학습 방법
|
| 2 |
2
제1항에서,상기 음성 데이터를 출력하는 단계에서, 상기 랑주뱅 함수는 하기의 수학식을 만족하는 의료 이미지 분할 학습 방법
|
| 3 |
3
제1항에서,상기 음성 데이터의 특징 맵과 상기 양성 데이터의 특징 맵을 출력하는 단계에서, 상기 각 특징 맵은 하기의 수학식을 만족하는 확률 분포를 합성한 데이터로서 출력하는 의료 이미지 분할 학습 방법
|
| 4 |
4
제1항에서,상기 음성 데이터의 특징 맵과 상기 양성 데이터의 특징 맵을 각각 음성 에너지 함수 및 양성 에너지 함수로 변환하는 단계에서,상기 각 특징 맵은 Fθ(x)로 출력되고,상기 각 에너지 함수는 하기의 수학식을 만족하는 의료 이미지 분할 학습 방법
|
| 5 |
5
제1항에 있어서,상기 손실 함수를 출력하는 단계에서, 상기 손실 함수는 에너지 기반 생성 모델(Energy Based generative Model, EBM) 손실 함수를 포함하고, 상기 음성 에너지 함수와 상기 양성 에너지 함수를 변수로 하여 하기의 수학식을 만족하는 상기 에너지 기반 생성 모델 손실 함수를 산출하는 에너지 기반 분포 이탈 감지 방법
|
| 6 |
6
제5항에서,상기 양성 데이터로부터 그라운드 트루스 레이블을 제공하는 단계를 더 포함하고,상기 손실 함수를 출력하는 단계에서, 상기 손실 함수는 분할 손실 함수를 더 포함하고상기 그라운드 트루스 레이블과 상기 양성 데이터의 특징 맵을 비교하여 상기 분할 손실 함수를 생성하는 의료 이미지 분할 학습 방법
|
| 7 |
7
제6항에서,상기 손실 함수는 하기의 수학식을 만족하는 의료 이미지 분할 학습 방법
|
| 8 |
8
제1항에서,상기 의료 이미지 분할을 학습하는 단계에서, 상기 손실 함수의 손실값이 기설정치 이상인 경우, 상기 분할 예측 맵을 재분할하고, 상기 손실 함수의 손실값이 기설정치 미만인 경우 상기 분할 예측 맵의 분할을 유지하는 의료 이미지 분할 학습 방법
|
| 9 |
9
제1항에 따른 의료 이미지 분할 학습 방법에 의해 학습된 FCDD (Fully Convolutional Data Description)을 제공하는 단계,의료 이미지 데이터를 상기 FCFF에 입력하는 단계,상기 의료 이미지 데이터의 특징 맵을 출력하는 단계,상기 특징 맵을 에너지 함수로 변환하는 단계,상기 에너지 함수로부터 분포 외 점수를 출력하는 단계, 및상기 에너지 함수로부터 분할 예측 맵을 출력하는 단계를 포함하는 의료 이미지 분할 방법
|
| 10 |
10
제9항에서,상기 특징 맵을 에너지 함수로 변환하는 단계는 상기 특징 맵을 하기의 수학식을 만족하는 상기 에너지 함수로 변환하는 의료 이미지 분할 방법
|
| 11 |
11
제9항에서,상기 특징 맵을 출력하는 단계에서, 상기 특징 맵은 상기 의료 이미지 데이터의 분할 신뢰도와 합성 이미지로 출력되고, 상기 합성 이미지 내에서 상기 분할 신뢰도가 기설정된 수치 이상인 부분을 분할하여 상기 분할 예측 맵을 출력하는 단계를 수행하는 의료 이미지 분할 방법
|
| 12 |
12
제9항에서,상기 분포 외 점수를 출력하는 단계는 하기의 수학식을 만족하는 의료 이미지 분할 방법
|
| 13 |
13
의료 이미지 관련 데이터들 중 양성 데이터들을 제공하는 학습용 데이터 수집부,상기 양성 데이터들을 제공받아 그라운드 트루스 레이블로 가공하는 학습용 데이터 전처리부,상기 양성 데이터들을 양성 데이터의 특징 맵으로 출력하는 모델 학습부, 및 상기 양성 데이터의 특징 맵을 양성 에너지 함수로 변환하고, 상기 양성 데이터의 특징 맵으로부터 분할 예측 맵을 출력하여 상기 모델 학습부에 의료 이미지 분할을 학습시키는 학습용 데이터 후처리부를 포함하고,상기 모델 학습부는 상기 양성 데이터들 중 초기 양성 데이터를 초기 양성 데이터의 특징 맵으로 출력하고, 상기 학습용 데이터 후처리부는 상기 초기 양성 데이터의 특징 맵을 초기 에너지 함수로 변환하며, 상기 초기 에너지 함수는 상기 학습용 데이터 전처리부에 입력되어 음성 데이터로 출력되며,상기 음성 데이터는 상기 모델 학습부에 입력되어 음성 데이터 특징 맵으로 출력되고 상기 학습용 데이터 후처리부에 전송되는 의료 이미지 분할 학습 시스템
|
| 14 |
14
제13항에서,상기 학습용 데이터 후처리부는 하기의 수학식을 만족하는 랑주뱅 함수를 더 포함하고, 상기 초기 에너지 함수는 상기 랑주뱅 함수에 입력되어 상기 음성 데이터로 출력되는 의료 이미지 분할 학습 시스템
|
| 15 |
15
제13항에서,상기 학습용 데이터 후처리부는 상기 분할 예측 맵과 함께 손실 함수를 출력하고, 상기 손실 함수는 에너지 기반 생성 모델(Energy Based generative Model, EBM) 손실 함수를 포함하고, 상기 음성 에너지 함수와 상기 양성 에너지 함수를 변수로 하여 하기의 수학식을 만족하는 상기 에너지 기반 생성 모델 손실 함수를 산출하는 의료 이미지 분할 학습 시스템
|
| 16 |
16
제15항에서,상기 손실 함수는 분할 손실 함수를 더 포함하고, 상기 그라운드 트루스 레이블과 상기 양성 데이터의 특징 맵을 비교하여 상기 분할 손실 함수를 생성하며,상기 손실 함수는 하기의 수학식을 만족하는 의료 이미지 분할 학습 시스템
|
| 17 |
17
제15항에서,상기 학습용 데이터 후처리부는 상기 손실 함수의 손실값이 기설정치 이상인 경우, 상기 분할 예측 맵을 재분할하고, 상기 손실 함수의 손실값이 기설정치 미만인 경우 상기 분할 예측 맵의 분할을 유지하는 의료 이미지 분할 학습 시스템
|
| 18 |
18
제1항에 따른 의료 이미지 분할 학습 방법에 의해 학습되고, 의료 이미지 데이터를 제공받아 데이터 특징 맵을 출력하는 FCDD 모델부,상기 FCDD 모델부에 상기 의료 이미지 데이터를 제공하는 데이터 입력부, 및상기 FCDD 모델부로부터 상기 데이터 특징 맵을 제공받아 에너지 함수로 변환하며, 상기 에너지 함수로부터 분포 외 점수를 출력해 상기 의료 이미지 데이터의 분할 결과를 판단하는 데이터 처리부를 포함하는 의료 이미지 분할 시스템
|
| 19 |
19
제18항에서,상기 데이터 처리부는 상기 의료 이미지 데이터의 분할 결과를 하기의 수학식에 의해 판단하는 의료 이미지 분할 시스템
|
| 20 |
20
제18항에서,상기 데이터 처리부는 분할 예측 맵을 출력하는 의료 이미지 분할 시스템
|
