요약 | 본 발명은 원본 의료 이미지의 각 영역들에 대응한 특징적 컨실링 프로세스들을 혼합하여 원본 의료 이미지를 컨실링 처리하여 변조 의료 이미지를 생성함으로써 사람에게서는 변조 의료 이미지가 원본 의료 이미지와는 다른 것으로 인식되며 러닝 네트워크에서 변조 의료 이미지가 원본 의료 이미지로 인식될 수 있도록 하는 것이다. |
---|---|
Int. CL | G16H 30/40 (2018.01.01) G16H 50/70 (2018.01.01) G06T 3/40 (2006.01.01) G06T 7/11 (2017.01.01) |
CPC | G16H 30/40(2013.01) G16H 30/20(2013.01) G16H 50/70(2013.01) G06T 3/4038(2013.01) G06T 7/11(2013.01) G06T 2207/20081(2013.01) G06T 2210/41(2013.01) |
출원번호/일자 | 1020200161778 (2020.11.26) |
출원인 | 주식회사 딥핑소스, 재단법인 아산사회복지재단, 울산대학교 산학협력단 |
등록번호/일자 | |
공개번호/일자 | 10-2022-0073582 (2022.06.03) 문서열기 |
공고번호/일자 | |
국제출원번호/일자 | |
국제공개번호/일자 | |
우선권정보 | |
법적상태 | 공개 |
심사진행상태 | 수리 |
심판사항 | |
구분 | 국내출원/신규 |
원출원번호/일자 | |
관련 출원번호 | |
심사청구여부/일자 | Y (2020.11.26) |
심사청구항수 | 30 |
번호 | 이름 | 국적 | 주소 |
---|---|---|---|
1 | 주식회사 딥핑소스 | 대한민국 | 서울특별시 강남구 |
2 | 재단법인 아산사회복지재단 | 대한민국 | 서울특별시 송파구 |
3 | 울산대학교 산학협력단 | 대한민국 | 울산광역시 남구 |
번호 | 이름 | 국적 | 주소 |
---|---|---|---|
1 | 양동현 | 서울특별시 송파구 | |
2 | 이현나 | 경기도 하남시 신장 | |
3 | 구본헌 | 서울특별시 관악구 | |
4 | 김진영 | 서울특별시 용산구 |
번호 | 이름 | 국적 | 주소 |
---|---|---|---|
1 | 특허법인 수 | 대한민국 | 서울특별시 강남구 강남대로**길 **, *층(역삼동, 케이앤와이빌딩) |
번호 | 이름 | 국적 | 주소 |
---|---|---|---|
최종권리자 정보가 없습니다 |
번호 | 서류명 | 접수/발송일자 | 처리상태 | 접수/발송번호 |
---|---|---|---|---|
1 | [특허출원]특허출원서 [Patent Application] Patent Application |
2020.11.26 | 수리 (Accepted) | 1-1-2020-1279639-25 |
2 | 보정요구서 Request for Amendment |
2020.12.04 | 발송처리완료 (Completion of Transmission) | 1-5-2020-0183028-35 |
3 | [출원서 등 보정]보정서 [Amendment to Patent Application, etc.] Amendment |
2020.12.29 | 수리 (Accepted) | 1-1-2020-1430215-35 |
4 | 특허고객번호 정보변경(경정)신고서·정정신고서 |
2021.06.02 | 수리 (Accepted) | 4-1-2021-5151542-25 |
5 | 특허고객번호 정보변경(경정)신고서·정정신고서 |
2021.07.07 | 수리 (Accepted) | 4-1-2021-5185955-19 |
6 | 선행기술조사의뢰서 Request for Prior Art Search |
2021.08.17 | 수리 (Accepted) | 9-1-9999-9999999-89 |
7 | 특허고객번호 정보변경(경정)신고서·정정신고서 |
2022.01.10 | 수리 (Accepted) | 4-1-2022-5006881-65 |
8 | 특허고객번호 정보변경(경정)신고서·정정신고서 |
2022.01.13 | 수리 (Accepted) | 4-1-2022-5010528-13 |
9 | 특허고객번호 정보변경(경정)신고서·정정신고서 |
2022.01.13 | 수리 (Accepted) | 4-1-2022-5010543-98 |
10 | 특허고객번호 정보변경(경정)신고서·정정신고서 |
2022.01.25 | 수리 (Accepted) | 4-1-2022-5019824-77 |
11 | 특허고객번호 정보변경(경정)신고서·정정신고서 |
2022.04.25 | 수리 (Accepted) | 4-1-2022-5097268-08 |
12 | 특허고객번호 정보변경(경정)신고서·정정신고서 |
2022.04.25 | 수리 (Accepted) | 4-1-2022-5097214-43 |
번호 | 청구항 |
---|---|
1 |
1 원본 의료 이미지의 영역별로 서로 다른 컨실링 프로세스가 수행되도록 하여 원본 의료 이미지를 컨실링 처리하는 변조 네트워크를 학습하는 방법에 있어서,(a) 학습 장치가, 학습용 의료 이미지를 변조 네트워크에 입력하여 상기 변조 네트워크로 하여금 상기 학습용 의료 이미지의 학습용 제1 영역과 학습용 제2 영역 각각에 대응되는 제1 컨실링 프로세스와 제2 컨실링 프로세스 각각을 상기 학습용 제1 영역과 상기 학습용 제2 영역에 수행하도록 하여 상기 학습용 의료 이미지에 대응되는 학습용 변조 의료 이미지를 생성하도록 하는 단계,(b) 상기 학습 장치가, (i) 상기 학습용 의료 이미지의 전체 영역에 상기 제1 컨실링 프로세스를 진행한 제1 참조 의료 이미지를 진짜로 판단하도록 하는 제1 판별기와 상기 학습용 의료 이미지의 전체 영역에 상기 제2 컨실링 프로세스를 진행한 제2 참조 의료 이미지를 진짜로 판단하도록 하는 제2 판별기 각각에 상기 학습용 변조 의료 이미지를 입력하여, 상기 제1 판별기와 상기 제2 판별기로 하여금, 상기 학습용 변조 의료 이미지가 진짜인지 가짜인지를 판단한 제1 변조 의료 이미지 스코어 내지 제2 변조 의료 이미지 스코어를 출력하도록 하는 프로세스, 및 (ii) 상기 학습용 변조 의료 이미지를 이미지 식별 네트워크에 입력하여, 상기 이미지 식별 네트워크로 하여금, 상기 학습용 변조 의료 이미지를 러닝 연산하여 상기 학습용 변조 의료 이미지에 대응되는 학습용 의료 특징 정보를 출력하도록 하는 프로세스를 수행하는 단계; 및(c) 상기 학습 장치가, 상기 제1 변조 의료 이미지 스코어와 상기 제2 변조 의료 이미지 스코어를 참조하여 생성한 제1_1 판별 로스와 제2_1 판별 로스를 가중 합산한 합산 로스를 최대화하며, 상기 이미지 식별 네트워크의 상기 학습용 의료 특징 정보 또는 상기 학습용 의료 특징 정보를 이용하여 생성한 태스크 특정 출력과, 상기 학습용 의료 이미지에 대응되는 그라운드 트루스를 참조하여 생성한 정확도 로스를 최소화하도록 상기 변조 네트워크를 학습시키는 단계;를 포함하는 방법 |
2 |
2 제1항에 있어서,(d) 상기 학습 장치가, 상기 제1 판별기와 상기 제2 판별기 각각이 상기 제1 변조 의료 이미지 스코어와 상기 제2 변조 의료 이미지 스코어를 참조하여 생성한 상기 제1_1 판별 로스와 상기 제2_1 판별 로스를 각각 최소화하며, 상기 제1 판별기와 상기 제2 판별기에 각각 입력된 상기 제1 참조 의료 이미지와 상기 제2 참조 의료 이미지 각각에 대응되는 제1 참조 의료 이미지 스코어와 제2 참조 의료 이미지 스코어를 참조하여 생성한 제1_2 판별 로스와 제2_2 판별 로스를 각각 최대화하도록 상기 제1 판별기와 상기 제2 판별기 각각을 학습시키는 단계;를 더 포함하는 것을 특징으로 하는 방법 |
3 |
3 제2항에 있어서,(e) 상기 학습 장치가, 상기 정확도 로스를 최소화하도록 상기 이미지 식별 네트워크를 학습시키는 단계;를 더 포함하는 것을 특징으로 하는 방법 |
4 |
4 제1항에 있어서, 상기 학습 장치가, 상기 이미지 식별 네트워크로 하여금 상기 학습용 의료 이미지를 인식하도록 학습시킨 상태인 것을 특징으로 하는 방법 |
5 |
5 제1항에 있어서,상기 학습 장치는, 상기 합산 로스를 이용하여 상기 변조 네트워크의 학습을 진행할 때, (i) 상기 학습용 제1 영역에 대해서는, 상기 학습용 제1 영역에 대응되는 상기 제1_1 판별 로스에 상기 학습용 제2 영역에 대응되는 상기 제2_1 판별 로스보다 높은 가중치를 적용하여 학습을 진행하고, (ii) 상기 학습용 제2 영역에 대해서는, 상기 학습용 제2 영역에 대응되는 상기 제2_1 판별 로스에 상기 학습용 제1 영역에 대응되는 상기 제1_1 판별 로스보다 높은 가중치를 적용하여 학습을 진행하는 것을 특징으로 하는 방법 |
6 |
6 제1항에 있어서,상기 학습 장치는, 상기 변조 네트워크로 하여금, 상기 제1 컨실링 프로세스를 통해 컨실링 정도에 따른 상대적으로 낮은 노이즈 밀도를 가지도록 상기 학습용 제1 영역을 컨실링 처리하도록 하며, 상기 제2 컨실링 프로세스를 통해 컨실링 정도에 따른 상대적으로 높은 노이즈 밀도를 가지도록 상기 학습용 제2 영역을 컨실링 처리하도록 하는 것을 특징으로 하는 방법 |
7 |
7 제6항에 있어서,상기 학습 장치는, 상기 학습용 의료 이미지의 영역들 중, 의료 상태 판별에 이용되는 의료 정보를 포함하는 영역을 상기 학습용 제1 영역으로 설정하며, 상기 학습용 의료 이미지에서 상기 학습용 제1 영역을 제외한 영역을 상기 학습용 제2 영역으로 설정하는 것을 특징으로 하는 방법 |
8 |
8 제1항에 있어서,상기 학습 장치는, 상기 학습용 의료 이미지에서의 학습용 제1 영역과 학습용 제2 영역을 설정한 학습용 라벨링 정보로부터 상기 학습용 의료 이미지의 상기 학습용 제1 영역 정보와 상기 학습용 제2 영역 정보를 획득하여 상기 변조 네트워크로 입력하는 것을 특징으로 하는 방법 |
9 |
9 제1항에 있어서,상기 학습 장치는, 상기 학습용 의료 이미지를 상기 변조 네트워크로 입력하여 상기 변조 네트워크로 하여금, 인코더를 통해 상기 학습용 의료 이미지를 적어도 한번 컨볼루션 연산하여 학습용 피처맵을 생성하도록 하며, 디코더를 통해 상기 학습용 피처맵을 적어도 한번 디컨볼루션 연산하여 상기 학습용 변조 의료 이미지를 출력하도록 하는 것을 특징으로 하는 방법 |
10 |
10 원본 의료 이미지의 영역별로 서로 다른 컨실링 프로세스가 수행되도록 하여 원본 의료 이미지를 컨실링 처리하는 변조 네트워크를 테스트하는 방법에 있어서,(a) 학습 장치에 의해, (i) 학습용 의료 이미지를 변조 네트워크에 입력하여 상기 변조 네트워크로 하여금 상기 학습용 의료 이미지의 학습용 제1 영역과 학습용 제2 영역 각각에 대응되는 학습용 제1 컨실링 프로세스와 학습용 제2 컨실링 프로세스 각각을 상기 학습용 제1 영역과 상기 학습용 제2 영역에 수행하도록 하여 상기 학습용 의료 이미지에 대응되는 학습용 변조 의료 이미지를 생성하도록 하고, (ii) (ii-1) 상기 학습용 의료 이미지의 전체 영역에 상기 학습용 제1 컨실링 프로세스를 진행한 제1 참조 의료 이미지를 진짜로 판단하도록 하는 제1 판별기와 상기 학습용 의료 이미지의 전체 영역에 상기 학습용 제2 컨실링 프로세스를 진행한 제2 참조 의료 이미지를 진짜로 판단하도록 하는 제2 판별기 각각에 상기 학습용 변조 의료 이미지를 입력하여, 상기 제1 판별기와 상기 제2 판별기로 하여금, 상기 학습용 변조 의료 이미지가 진짜인지 가짜인지를 판단한 제1 변조 의료 이미지 스코어 내지 제2 변조 의료 이미지 스코어를 출력하도록 하는 프로세스, 및 (ii-2) 상기 학습용 변조 의료 이미지를 이미지 식별 네트워크에 입력하여, 상기 이미지 식별 네트워크로 하여금, 상기 학습용 변조 의료 이미지를 러닝 연산하여 상기 학습용 변조 의료 이미지에 대응되는 학습용 의료 특징 정보를 출력하도록 하는 프로세스를 수행하며, (iii) 상기 제1 변조 의료 이미지 스코어와 상기 제2 변조 의료 이미지 스코어를 참조하여 생성한 제1_1 판별 로스와 제2_1 판별 로스를 가중 합산한 합산 로스를 최대화하며, 상기 이미지 식별 네트워크의 상기 학습용 의료 특징 정보 또는 상기 학습용 의료 특징 정보를 이용하여 생성한 태스크 특정 출력과, 상기 학습용 의료 이미지에 대응되는 그라운드 트루스를 참조하여 생성한 정확도 로스를 최소화하도록 상기 변조 네트워크를 학습시킨 상태에서, 테스트 장치가, 테스트용 의료 이미지를 획득하는 단계; 및 (b) 상기 테스트 장치가, 테스트용 의료 이미지를 상기 변조 네트워크에 입력하여 상기 변조 네트워크로 하여금 상기 테스트용 의료 이미지의 테스트용 제1 영역과 테스트용 제2 영역 각각에 대응되는 테스트용 제1 컨실링 프로세스와 테스트용 제2 컨실링 프로세스 각각을 상기 테스트용 제1 영역과 상기 테스트용 제2 영역에 수행하도록 하여 상기 테스트용 의료 이미지에 대응되는 테스트용 변조 의료 이미지를 생성하도록 하는 단계;를 포함하는 방법 |
11 |
11 제10항에 있어서,상기 (a) 단계에서,상기 제1 판별기와 상기 제2 판별기는 각각, 상기 학습 장치에 의해, 상기 제1_1 판별 로스와 상기 제2_1 판별 로스를 각각 최소화하며, 상기 제1 판별기와 상기 제2 판별기에 각각 입력된 상기 제1 참조 의료 이미지와 상기 제2 참조 의료 이미지 각각에 대응되는 제1 참조 의료 이미지 스코어와 제2 참조 의료 이미지 스코어를 참조하여 생성한 제1_2 판별 로스와 제2_2 판별 로스를 각각 최대화하도록 학습된 상태인 것을 특징으로 하는 방법 |
12 |
12 제11항에 있어서,상기 이미지 식별 네트워크는, 상기 학습 장치에 의해, 상기 정확도 로스를 최소화하도록 학습되거나, 상기 학습용 의료 이미지를 인식하도록 학습된 상태인 것을 특징으로 하는 방법 |
13 |
13 제10항에 있어서,상기 테스트 장치는, 상기 변조 네트워크로 하여금, 상기 테스트용 제1 컨실링 프로세스를 통해 컨실링 정도에 따른 상대적으로 낮은 노이즈 밀도를 가지도록 상기 테스트용 제1 영역을 컨실링 처리하도록 하며, 상기 테스트용 제2 컨실링 프로세스를 통해 컨실링 정도에 따른 상대적으로 높은 노이즈 밀도를 가지도록 상기 테스트용 제2 영역을 컨실링 처리하도록 하는 것을 특징으로 하는 방법 |
14 |
14 제13항에 있어서,상기 테스트 장치는, 상기 테스트용 의료 이미지의 영역들 중, 의료 상태 판별에 이용되는 의료 정보를 포함하는 영역을 상기 테스트용 제1 영역으로 설정하며, 상기 테스트용 의료 이미지에서 상기 테스트용 제1 영역을 제외한 영역을 상기 테스트용 제2 영역으로 설정하는 것을 특징으로 하는 방법 |
15 |
15 제10항에 있어서,상기 테스트 장치는, 상기 테스트용 의료 이미지에서의 테스트용 제1 영역과 테스트용 제2 영역을 설정한 테스트용 라벨링 정보로부터 상기 테스트용 의료 이미지의 상기 테스트용 제1 영역 정보와 상기 테스트용 제2 영역 정보를 획득하여 상기 변조 네트워크에 입력하는 것을 특징으로 하는 방법 |
16 |
16 원본 의료 이미지의 영역별로 서로 다른 컨실링 프로세스가 수행되도록 하여 원본 의료 이미지를 컨실링 처리하는 변조 네트워크를 학습하는 학습 장치에 있어서,인스트럭션들을 저장하는 적어도 하나의 메모리; 및상기 인스트럭션들을 실행하기 위해 구성된 적어도 하나의 프로세서;를 포함하되, 상기 프로세서가, (I) 학습용 의료 이미지를 변조 네트워크에 입력하여 상기 변조 네트워크로 하여금 상기 학습용 의료 이미지의 학습용 제1 영역과 학습용 제2 영역 각각에 대응되는 제1 컨실링 프로세스와 제2 컨실링 프로세스 각각을 상기 학습용 제1 영역과 상기 학습용 제2 영역에 수행하도록 하여 상기 학습용 의료 이미지에 대응되는 학습용 변조 의료 이미지를 생성하도록 하는 프로세스, (II) (i) 상기 학습용 의료 이미지의 전체 영역에 상기 제1 컨실링 프로세스를 진행한 제1 참조 의료 이미지를 진짜로 판단하도록 하는 제1 판별기와 상기 학습용 의료 이미지의 전체 영역에 상기 제2 컨실링 프로세스를 진행한 제2 참조 의료 이미지를 진짜로 판단하도록 하는 제2 판별기 각각에 상기 학습용 변조 의료 이미지를 입력하여, 상기 제1 판별기와 상기 제2 판별기로 하여금, 상기 학습용 변조 의료 이미지가 진짜인지 가짜인지를 판단한 제1 변조 의료 이미지 스코어 내지 제2 변조 의료 이미지 스코어를 출력하도록 하는 서브 프로세스, 및 (ii) 상기 학습용 변조 의료 이미지를 이미지 식별 네트워크에 입력하여, 상기 이미지 식별 네트워크로 하여금, 상기 학습용 변조 의료 이미지를 러닝 연산하여 상기 학습용 변조 의료 이미지에 대응되는 학습용 의료 특징 정보를 출력하도록 하는 서브 프로세스를 수행하는 프로세스; 및 (III) 상기 제1 변조 의료 이미지 스코어와 상기 제2 변조 의료 이미지 스코어를 참조하여 생성한 제1_1 판별 로스와 제2_1 판별 로스를 가중 합산한 합산 로스를 최대화하며, 상기 이미지 식별 네트워크의 상기 학습용 의료 특징 정보 또는 상기 학습용 의료 특징 정보를 이용하여 생성한 태스크 특정 출력과, 상기 학습용 의료 이미지에 대응되는 그라운드 트루스를 참조하여 생성한 정확도 로스를 최소화하도록 상기 변조 네트워크를 학습시키는 프로세스; 를 수행하는 학습 장치 |
17 |
17 제16항에 있어서,(IV) 상기 프로세서가, 상기 제1 판별기와 상기 제2 판별기 각각이 상기 제1 변조 의료 이미지 스코어와 상기 제2 변조 의료 이미지 스코어를 참조하여 생성한 상기 제1_1 판별 로스와 상기 제2_1 판별 로스를 각각 최소화하며, 상기 제1 판별기와 상기 제2 판별기에 각각 입력된 상기 제1 참조 의료 이미지와 상기 제2 참조 의료 이미지 각각에 대응되는 제1 참조 의료 이미지 스코어와 제2 참조 의료 이미지 스코어를 참조하여 생성한 제1_2 판별 로스와 제2_2 판별 로스를 각각 최대화하도록 상기 제1 판별기와 상기 제2 판별기 각각을 학습시키는 프로세스;를 더 포함하는 것을 특징으로 하는 학습 장치 |
18 |
18 제17항에 있어서,(V) 상기 프로세서가, 상기 정확도 로스를 최소화하도록 상기 이미지 식별 네트워크를 학습시키는 프로세스;를 더 포함하는 것을 특징으로 하는 학습 장치 |
19 |
19 제16항에 있어서,상기 프로세서가, 상기 이미지 식별 네트워크로 하여금 상기 학습용 의료 이미지를 인식하도록 학습시킨 상태인 것을 특징으로 하는 학습 장치 |
20 |
20 제16항에 있어서,상기 프로세서는, 상기 합산 로스를 이용하여 상기 변조 네트워크의 학습을 진행할 때, (i) 상기 학습용 제1 영역에 대해서는, 상기 학습용 제1 영역에 대응되는 상기 제1_1 판별 로스에 상기 학습용 제2 영역에 대응되는 상기 제2_1 판별 로스보다 높은 가중치를 적용하여 학습을 진행하고, (ii) 상기 학습용 제2 영역에 대해서는, 상기 학습용 제2 영역에 대응되는 상기 제2_1 판별 로스에 상기 학습용 제1 영역에 대응되는 상기 제1_1 판별 로스보다 높은 가중치를 적용하여 학습을 진행하는 것을 특징으로 하는 학습 장치 |
21 |
21 제16항에 있어서,상기 프로세서는, 상기 변조 네트워크로 하여금, 상기 제1 컨실링 프로세스를 통해 컨실링 정도에 따른 상대적으로 낮은 노이즈 밀도를 가지도록 상기 학습용 제1 영역을 컨실링 처리하도록 하며, 상기 제2 컨실링 프로세스를 통해 컨실링 정도에 따른 상대적으로 높은 노이즈 밀도를 가지도록 상기 학습용 제2 영역을 컨실링 처리하도록 하는 것을 특징으로 하는 학습 장치 |
22 |
22 제21항에 있어서,상기 프로세서는, 상기 학습용 의료 이미지의 영역들 중, 의료 상태 판별에 이용되는 의료 정보를 포함하는 영역을 상기 학습용 제1 영역으로 설정하며, 상기 학습용 의료 이미지에서 상기 학습용 제1 영역을 제외한 영역을 상기 학습용 제2 영역으로 설정하는 것을 특징으로 하는 학습 장치 |
23 |
23 제16항에 있어서,상기 프로세서는, 상기 학습용 의료 이미지에서의 학습용 제1 영역과 학습용 제2 영역을 설정한 학습용 라벨링 정보로부터 상기 학습용 의료 이미지의 상기 학습용 제1 영역 정보와 상기 학습용 제2 영역 정보를 획득하여 상기 변조 네트워크로 입력하는 것을 특징으로 하는 학습 장치 |
24 |
24 제16항에 있어서,상기 프로세서는, 상기 학습용 의료 이미지를 상기 변조 네트워크로 입력하여 상기 변조 네트워크로 하여금, 인코더를 통해 상기 학습용 의료 이미지를 적어도 한번 컨볼루션 연산하여 학습용 피처맵을 생성하도록 하며, 디코더를 통해 상기 학습용 피처맵을 적어도 한번 디컨볼루션 연산하여 상기 학습용 변조 의료 이미지를 출력하도록 하는 것을 특징으로 하는 학습 장치 |
25 |
25 원본 의료 이미지의 영역별로 서로 다른 컨실링 프로세스가 수행되도록 하여 원본 의료 이미지를 컨실링 처리하는 변조 네트워크를 테스트하는 테스트 장치에 있어서,인스트럭션들을 저장하는 적어도 하나의 메모리; 및상기 인스트럭션들을 실행하기 위해 구성된 적어도 하나의 프로세서;를 포함하되, 상기 프로세서가, (I) 학습 장치에 의해, (i) 학습용 의료 이미지를 변조 네트워크에 입력하여 상기 변조 네트워크로 하여금 상기 학습용 의료 이미지의 학습용 제1 영역과 학습용 제2 영역 각각에 대응되는 학습용 제1 컨실링 프로세스와 학습용 제2 컨실링 프로세스 각각을 상기 학습용 제1 영역과 상기 학습용 제2 영역에 수행하도록 하여 상기 학습용 의료 이미지에 대응되는 학습용 변조 의료 이미지를 생성하도록 하고, (ii) (ii-1) 상기 학습용 의료 이미지의 전체 영역에 상기 학습용 제1 컨실링 프로세스를 진행한 제1 참조 의료 이미지를 진짜로 판단하도록 하는 제1 판별기와 상기 학습용 의료 이미지의 전체 영역에 상기 학습용 제2 컨실링 프로세스를 진행한 제2 참조 의료 이미지를 진짜로 판단하도록 하는 제2 판별기 각각에 상기 학습용 변조 의료 이미지를 입력하여, 상기 제1 판별기와 상기 제2 판별기로 하여금, 상기 학습용 변조 의료 이미지가 진짜인지 가짜인지를 판단한 제1 변조 의료 이미지 스코어 내지 제2 변조 의료 이미지 스코어를 출력하도록 하는 프로세스, 및 (ii-2) 상기 학습용 변조 의료 이미지를 이미지 식별 네트워크에 입력하여, 상기 이미지 식별 네트워크로 하여금, 상기 학습용 변조 의료 이미지를 러닝 연산하여 상기 학습용 변조 의료 이미지에 대응되는 학습용 의료 특징 정보를 출력하도록 하는 프로세스를 수행하며, (iii) 상기 제1 변조 의료 이미지 스코어와 상기 제2 변조 의료 이미지 스코어를 참조하여 생성한 제1_1 판별 로스와 제2_1 판별 로스를 가중 합산한 합산 로스를 최대화하며, 상기 이미지 식별 네트워크의 상기 학습용 의료 특징 정보 또는 상기 학습용 의료 특징 정보를 이용하여 생성한 태스크 특정 출력과, 상기 학습용 의료 이미지에 대응되는 그라운드 트루스를 참조하여 생성한 정확도 로스를 최소화하도록 상기 변조 네트워크를 학습시킨 상태에서, 테스트용 의료 이미지를 획득하는 프로세스; 및 (II) 테스트용 의료 이미지를 상기 변조 네트워크에 입력하여 상기 변조 네트워크로 하여금 상기 테스트용 의료 이미지의 테스트용 제1 영역과 테스트용 제2 영역 각각에 대응되는 테스트용 제1 컨실링 프로세스와 테스트용 제2 컨실링 프로세스 각각을 상기 테스트용 제1 영역과 상기 테스트용 제2 영역에 수행하도록 하여 상기 테스트용 의료 이미지에 대응되는 테스트용 변조 의료 이미지를 생성하도록 하는 프로세스; 를 수행하는 테스트 장치 |
26 |
26 제25항에 있어서,상기 (I) 프로세스에서,상기 제1 판별기와 상기 제2 판별기는 각각, 상기 학습 장치에 의해, 상기 제1_1 판별 로스와 상기 제2_1 판별 로스를 각각 최소화하며, 상기 제1 판별기와 상기 제2 판별기에 각각 입력된 상기 제1 참조 의료 이미지와 상기 제2 참조 의료 이미지 각각에 대응되는 제1 참조 의료 이미지 스코어와 제2 참조 의료 이미지 스코어를 참조하여 생성한 제1_2 판별 로스와 제2_2 판별 로스를 각각 최대화하도록 학습된 상태인 것을 특징으로 하는 테스트 장치 |
27 |
27 제26항에 있어서,상기 이미지 식별 네트워크는, 상기 학습 장치에 의해, 상기 정확도 로스를 최소화하도록 학습되거나, 상기 학습용 의료 이미지를 인식하도록 학습된 상태인 것을 특징으로 하는 테스트 장치 |
28 |
28 제25항에 있어서,상기 프로세서는, 상기 변조 네트워크로 하여금, 상기 테스트용 제1 컨실링 프로세스를 통해 컨실링 정도에 따른 상대적으로 낮은 노이즈 밀도를 가지도록 상기 테스트용 제1 영역을 컨실링 처리하도록 하며, 상기 테스트용 제2 컨실링 프로세스를 통해 컨실링 정도에 따른 상대적으로 높은 노이즈 밀도를 가지도록 상기 테스트용 제2 영역을 컨실링 처리하도록 하는 것을 특징으로 하는 테스트 장치 |
29 |
29 제28항에 있어서,상기 프로세서는, 상기 테스트용 의료 이미지의 영역들 중, 의료 상태 판별에 이용되는 의료 정보를 포함하는 영역을 상기 테스트용 제1 영역으로 설정하며, 상기 테스트용 의료 이미지에서 상기 테스트용 제1 영역을 제외한 영역을 상기 테스트용 제2 영역으로 설정하는 것을 특징으로 하는 테스트 장치 |
30 |
30 제25항에 있어서,상기 프로세서는, 상기 테스트용 의료 이미지에서의 테스트용 제1 영역과 테스트용 제2 영역을 설정한 테스트용 라벨링 정보로부터 상기 테스트용 의료 이미지의 상기 테스트용 제1 영역 정보와 상기 테스트용 제2 영역 정보를 획득하여 상기 변조 네트워크에 입력하는 것을 특징으로 하는 테스트 장치 |
지정국 정보가 없습니다 |
---|
패밀리정보가 없습니다 |
---|
순번 | 연구부처 | 주관기관 | 연구사업 | 연구과제 |
---|---|---|---|---|
1 | 보건복지부 | 서울아산병원 | 의료데이터보호ㆍ활용기술개발(R&D) | 의료영상 난독화 기술을 위한 임상 데이터 구축 및 검증 |
2 | 보건복지부 | 주식회사 딥핑소스 | 의료데이터보호ㆍ활용기술개발(R&D) | 학습기반 의료영상 난독화 기술 개발 |
등록사항 정보가 없습니다 |
---|
번호 | 서류명 | 접수/발송일자 | 처리상태 | 접수/발송번호 |
---|---|---|---|---|
1 | [특허출원]특허출원서 | 2020.11.26 | 수리 (Accepted) | 1-1-2020-1279639-25 |
2 | 보정요구서 | 2020.12.04 | 발송처리완료 (Completion of Transmission) | 1-5-2020-0183028-35 |
3 | [출원서 등 보정]보정서 | 2020.12.29 | 수리 (Accepted) | 1-1-2020-1430215-35 |
4 | 특허고객번호 정보변경(경정)신고서·정정신고서 | 2021.06.02 | 수리 (Accepted) | 4-1-2021-5151542-25 |
5 | 특허고객번호 정보변경(경정)신고서·정정신고서 | 2021.07.07 | 수리 (Accepted) | 4-1-2021-5185955-19 |
6 | 선행기술조사의뢰서 | 2021.08.17 | 수리 (Accepted) | 9-1-9999-9999999-89 |
7 | 특허고객번호 정보변경(경정)신고서·정정신고서 | 2022.01.10 | 수리 (Accepted) | 4-1-2022-5006881-65 |
8 | 특허고객번호 정보변경(경정)신고서·정정신고서 | 2022.01.13 | 수리 (Accepted) | 4-1-2022-5010528-13 |
9 | 특허고객번호 정보변경(경정)신고서·정정신고서 | 2022.01.13 | 수리 (Accepted) | 4-1-2022-5010543-98 |
10 | 특허고객번호 정보변경(경정)신고서·정정신고서 | 2022.01.25 | 수리 (Accepted) | 4-1-2022-5019824-77 |
11 | 특허고객번호 정보변경(경정)신고서·정정신고서 | 2022.04.25 | 수리 (Accepted) | 4-1-2022-5097268-08 |
12 | 특허고객번호 정보변경(경정)신고서·정정신고서 | 2022.04.25 | 수리 (Accepted) | 4-1-2022-5097214-43 |
기술정보가 없습니다 |
---|
과제고유번호 | 1465030570 |
---|---|
세부과제번호 | HI19C1023010020 |
연구과제명 | 의료영상 난독화 기술을 위한 임상 데이터 구축 및 검증 |
성과구분 | 출원 |
부처명 | 보건복지부 |
연구관리전문기관명 | 서울아산병원 |
연구주관기관명 | 한국보건산업진흥원 |
성과제출연도 | 2020 |
연구기간 | 201907~202112 |
기여율 | 0.5 |
연구개발단계명 | 개발연구 |
6T분류명 | IT(정보기술) |
과제고유번호 | 1465030589 |
---|---|
세부과제번호 | HI19C1023020020 |
연구과제명 | 학습기반 의료영상 난독화 기술 개발 |
성과구분 | 출원 |
부처명 | 보건복지부 |
연구관리전문기관명 | 주식회사 딥핑소스 |
연구주관기관명 | 한국보건산업진흥원 |
성과제출연도 | 2020 |
연구기간 | 201907~202112 |
기여율 | 0.5 |
연구개발단계명 | 응용연구 |
6T분류명 | CT(문화기술) |
[1020200161778] | 원본 의료 이미지의 영역별로 서로 다른 컨실링 프로세스가 수행되도록 하여 원본 의료 이미지를 컨실링 처리하는 변조 네트워크를 학습하는 방법 및 테스트하는 방법, 그리고 이를 이용한 학습 장치 및 테스트 장치 | 새창보기 |
---|
[KST2018010784][울산대학교] | 차량의 위치 파악을 위한 안내표지판 내의 거리 정보를 습득하는 시스템 및 방법 | 새창보기 |
---|---|---|
[KST2020014480][울산대학교] | 얼굴 영역 이미지 분석 장치 및 방법 | 새창보기 |
[KST2021002763][울산대학교] | 초음파 영상 기반의 기계 학습을 통한 취약성 죽상반 진단 시스템 및 이의 진단 방법 | 새창보기 |
[KST2021002765][울산대학교] | 빅데이터 기반 휘발성 영역 내 학습 방법, 프로그램 및 시스템 | 새창보기 |
[KST2021002767][울산대학교] | 의료 영상 비식별화를 위한 신체 부위 위치 특정 방법, 프로그램 및 컴퓨팅 장치 | 새창보기 |
[KST2019004910][울산대학교] | 보형물 제작용의 3D 모델 생성 방법 및 그 장치 | 새창보기 |
[KST2019019441][울산대학교] | 영상 처리 장치 및 방법 | 새창보기 |
[KST2021002756][울산대학교] | 인코더를 이용한 이미지의 특이 영역 분석 방법 및 장치 | 새창보기 |
[KST2021008651][울산대학교] | 의료영상 처리 장치와 그 학습 방법 | 새창보기 |
[KST2020002986][울산대학교] | 의료 영상 비식별화 시스템, 방법 및 컴퓨터 판독 가능한 기록매체 | 새창보기 |
[KST2020002999][울산대학교] | 빅데이터를 이용한 간암 예후 예측과 치료 방침 결정 시스템 및 방법 | 새창보기 |
[KST2021002755][울산대학교] | 이미지의 특이 영역 분석 방법 및 장치 | 새창보기 |
[KST2021002762][울산대학교] | 관상동맥 혈관조영술 기반의 기계 학습을 통한 허혈 병변 정보 제공 장치, 정보 제공 방법 및 이의 기록매체 | 새창보기 |
[KST2021002774][울산대학교] | 인공 신경망을 이용하여 관심 부피 영역을 추출하는 방법 및 상기 방법을 수행하는 관심 부피 영역 추출 장치 | 새창보기 |
[KST2022010131][울산대학교] | 초음파 영상 기반의 딥 러닝을 통한 관상동맥 스텐트 예측 방법, 장치 및 기록매체 | 새창보기 |
[KST2021006419][울산대학교] | 병리 영상 분석 시스템 및 방법 | 새창보기 |
[KST2021002761][울산대학교] | 초음파 영상 기반의 기계 학습을 통한 관상동맥 병변 진단 시스템 및 이의 진단 방법 | 새창보기 |
[KST2022010130][울산대학교] | 초음파 영상 기반의 딥 러닝을 통한 관상동맥 경화반 조직 분석 방법, 장치 및 기록매체 | 새창보기 |
[KST2020008840][울산대학교] | 심근 이미지 분석 방법 및 장치 | 새창보기 |
[KST2020008854][울산대학교] | 설비 결함 검출 장치 및 방법 | 새창보기 |
[KST2019009274][울산대학교] | 임플란트 식립영역 선정 장치 및 방법 | 새창보기 |
[KST2021008646][울산대학교] | 의료용 인공 신경망 기반 대표 영상을 제공하는 의료 영상 판독 지원 장치 및 방법 | 새창보기 |
[KST2022010121][울산대학교] | 3차원 영상 기반 유체 시뮬레이션 방법, 장치 및 프로그램 | 새창보기 |
[KST2022010150][울산대학교] | 전자의무기록에서의 다변량 결측값 대체 방법 | 새창보기 |
[KST2021003110][울산대학교] | 수술 영상 제공 시스템 및 그 방법 | 새창보기 |
[KST2019019070][울산대학교] | 근감소증 분석지원을 위한 인공 신경망 기반의 인체 형태 분석법을 채용하는 영상 처리 장치 및 이를 이용한 영상 처리 방법 | 새창보기 |
[KST2021009720][울산대학교] | 의료 영상 데이터의 익명화 방법 및 프로그램 | 새창보기 |
[KST2021009722][울산대학교] | 의료용 인공 신경망 기반 대표 영상을 제공하는 의료 영상 판독 지원 장치 및 방법 | 새창보기 |
[KST2021008647][울산대학교] | 해부학적 랜드마크의 추정장치 및 이의 추정방법 | 새창보기 |
[KST2022010156][울산대학교] | 인공지능을 이용한 CT 스캔의 품질 향상 시스템 및 방법 | 새창보기 |
심판사항 정보가 없습니다 |
---|