[go: up one dir, main page]

WO2017051943A1 - 영상 생성 방법 및 장치, 및 영상 분석 방법 - Google Patents

영상 생성 방법 및 장치, 및 영상 분석 방법 Download PDF

Info

Publication number
WO2017051943A1
WO2017051943A1 PCT/KR2015/010085 KR2015010085W WO2017051943A1 WO 2017051943 A1 WO2017051943 A1 WO 2017051943A1 KR 2015010085 W KR2015010085 W KR 2015010085W WO 2017051943 A1 WO2017051943 A1 WO 2017051943A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
noise
window
learning
reference image
Prior art date
Application number
PCT/KR2015/010085
Other languages
English (en)
French (fr)
Inventor
이예하
김현준
정규환
김상기
Original Assignee
주식회사 뷰노코리아
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 뷰노코리아 filed Critical 주식회사 뷰노코리아
Priority to US14/787,728 priority Critical patent/US20170256038A1/en
Priority to KR1020177036475A priority patent/KR101880035B1/ko
Priority to PCT/KR2015/010085 priority patent/WO2017051943A1/ko
Publication of WO2017051943A1 publication Critical patent/WO2017051943A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Definitions

  • the following description relates to an image generating method and apparatus, and an image analyzing method, and more specifically, to a method and apparatus for generating a training image used for neural network learning, and an input image using a neural network learned through the generated training image. It is about how to analyze.
  • Such an artificial neural network includes a relatively large number of layers. In order to learn a large-structured artificial neural network including many layers, a large amount of training data is required, and it is not necessary to overfit the specific training data.
  • An image generating method includes receiving a reference image; And adding a noise to at least one parameter of a window width and a window level for pixel values of the reference image to generate a learning image from the reference image.
  • the generating of the learning image may include adding the noise added parameter and the noise when there are remaining parameters in which the noise is not added among the window width and the window level. Based on the remaining parameters, a learning image may be generated from the reference image.
  • the window width and the window level may include preset values for an object to be analyzed by a neural network trained based on the training image.
  • the window width may indicate a range of pixel values to be included in the learning image among pixel values included in the reference image.
  • the window level may represent a center of a range of pixel values included in the training image.
  • the reference image may be a medical image photographing an object to be analyzed by a neural network trained based on the training image.
  • the generating of the training image may include generating a window width and a window level of the window width and the window level such that the window width and the window level deviate from a preset value for the object of the neural network trained based on the training image. It is possible to modify the value for at least one parameter.
  • the image generating method may further include adding noise to pixel values of the training image.
  • the noise added to the pixel value of the training image may be generated based on at least one of a characteristic of a device photographing the reference image and an object included in the reference image.
  • an image analysis method includes: receiving an input image; And analyzing the input image based on a neural network, wherein the neural network is trained based on a learning image extracted from a reference image, and the learning image includes a window width and a window for pixel values of the reference image. Noise is added to at least one parameter of the level to generate the reference image.
  • An image generating apparatus may include a memory in which an image generating method is stored; And a processor executing the image generating method, wherein the processor generates a learning image from the reference image by adding noise to at least one parameter of a window width and a window level for pixel values of the reference image.
  • a learning image to which natural noise is applied may be obtained, improving a learning effect of a neural network to be learned, and being robust to various changes. You can expect a robust neural network.
  • noise is added to at least one parameter of a window width and a window level used when extracting a training image from a reference image, thereby effectively modifying the training image used for neural network learning and increasing the amount of the training image. Can be increased.
  • FIG. 1 is a diagram illustrating a method of generating an image, according to an exemplary embodiment.
  • FIG. 2 is a diagram for describing a window width and a window level, according to an exemplary embodiment.
  • FIG. 3 is a diagram illustrating an example in which noise is added to a window width according to an embodiment.
  • FIG. 4 is a diagram illustrating an example in which noise is added to a window level according to an embodiment.
  • FIG. 5 is a diagram illustrating an example in which noise is added to a window width and a window level according to an embodiment.
  • FIG. 6 is a diagram illustrating a method of generating an image, according to another exemplary embodiment.
  • FIG. 7 is a diagram illustrating an image generating apparatus, according to an exemplary embodiment.
  • FIG. 8 is a diagram illustrating an image analysis method, according to an exemplary embodiment.
  • FIG. 1 is a diagram illustrating a method of generating an image, according to an exemplary embodiment.
  • the image generating method may be performed by a processor included in the image generating apparatus.
  • the image generating apparatus may be widely used in an area for generating training data (eg, a training image) for training a neural network for analyzing (eg, recognizing, classifying, detecting, etc.) an input image.
  • Neural networks are cognitive models implemented in software or hardware that mimic the computational power of biological systems using a large number of artificial neurons connected by connecting lines.
  • the neural network may include a plurality of layers.
  • the neural network may include an input layer, a hidden layer, and an output layer.
  • the input layer may receive an input for performing learning (eg, training data) and transmit the input to the hidden layer, and the output layer may generate an output of the neural network based on signals received from nodes of the hidden layer.
  • the hidden layer is located between the input layer and the output layer, and can change the training data transmitted through the input layer to a predictable value.
  • the neural network may include a plurality of hidden layers.
  • a neural network including a plurality of hidden layers is called a deep neural network, and learning a deep neural network is called deep learning.
  • the training image generated by the image generating apparatus may be input to a neural network to be trained.
  • the image generating apparatus may variously modify data input to the neural network by applying random noise to the training image.
  • the neural networks can be trained to have noise-resistant characteristics without overfitting the specific training images.
  • a process of generating a learning image by the image generating apparatus using random noise will be described later.
  • the image generating apparatus receives a reference image.
  • the image generating apparatus may receive a reference image from an external device through a built-in sensor or a network.
  • the reference image is a medical image of an object (eg, bones, organs, blood, etc.) to be analyzed by the neural network, and may be composed of, for example, pixels having a value of 12 bits. While the reference image includes a pixel value of 12 bits, a general display device may express an 8 bit pixel value, and thus the reference image is difficult to be displayed on the display device. Therefore, in order to visualize the medical image on the display device, it is necessary to convert the 12-bit reference image into an 8-bit image (or an image of 8 bits or less).
  • the image generating apparatus may convert the reference image into an image that can be visualized by limiting the range of pixel values of the reference image to be displayed on the display device and determining the center of the range of pixel values to be expressed.
  • the range of pixel values to be represented refers to a window width, and the center of the range of pixel values to be represented may mean a window level.
  • the image generating apparatus generates a learning image from the reference image by adding noise to at least one parameter of a window width and a window level for pixel values of the reference image.
  • Noise is added to at least one parameter of a window width and a window level for pixel values of the reference image.
  • the window width and the window level may refer to parameters used when the image generating apparatus generates the training image from the reference image.
  • the image generating apparatus may add noise to at least one parameter of the window width and the window level.
  • the image generating apparatus may add noise to both the window width and the window level, or may add noise to only one of the window width and the window level.
  • a more specific embodiment of adding noise to at least one parameter of the window width and the window level will be described later with reference to FIGS. 2 to 5.
  • the image generating apparatus may generate a learning image from the reference image based on the parameter to which the noise is added.
  • the parameter to which the noise is added may mean a window width and a window level.
  • the image generating apparatus may generate a training image from the reference image based on the parameter to which the noise is added and the remaining parameter to which the noise is not added. have.
  • the image generating apparatus may generate a learning image from the reference image based on the parameters and the remaining parameters.
  • the parameter may mean that noise of the window width and the window level is added
  • the remaining parameters may mean that noise of the window width and the window level is not added.
  • FIG. 2 is a diagram for describing a window width and a window level, according to an exemplary embodiment.
  • the reference image is a medical image of an object to be analyzed by the neural network.
  • the reference image is photographed through various techniques such as magnetic resonance imaging (MRI), computed tomography (CT), X-ray, and positron emission tomography (PET). It may include a video.
  • MRI magnetic resonance imaging
  • CT computed tomography
  • PET positron emission tomography
  • the reference image corresponds to a gray-scale image and may have a pixel value of 12 bits.
  • One pixel constituting the reference image may have a value of about 4000 steps, which is outside the range (eg, 8 bits) that the pixels of the general image can represent.
  • the reference image may include a hounsfield unit (HU) value.
  • HU may indicate the extent to which the X-ray is absorbed by the body according to the difference in density of the tissue through which the X-ray penetrates the body.
  • the HU can be obtained by setting the water to 0 HU, the bone to 1000 HU, the lowest absorbing air to -1000 HU, and calculating the relative linear attenuation coefficient based on the relative X-ray absorption of each tissue.
  • HU may also be referred to as CT Number.
  • A may represent -1000 HU, which is the lowest HU value that the reference image may have, and B may represent +3000 HU, which is the maximum HU value that the reference image may have.
  • the human eye cannot recognize all 12-bit pixel values included in the reference image. Therefore, the reference image needs to be converted into an 8-bit image that can be recognized by the human eye. To this end, it is possible to limit the range of the HU to be expressed in the reference image, and determine the center of the range of the HU to be expressed, wherein the range of the HU to be expressed represents the window width 210 and is intended to be expressed. The center of the range of HU is the window level 220.
  • the window width 210 and the window level 220 may be predetermined according to an object to be analyzed by the neural network. For example, when the object to be analyzed by the neural network is the soft tissue of the abdomen, the window width 210 may be determined as 350 to 400 HU, and the window level 220 may be determined as 50 HU. In addition, when the object to be analyzed by the neural network is a lung, the window width 210 may be determined as 1500 to 1600 HU, and the window level 220 may be determined as ⁇ 700 HU. In this case, the specific window width 210 and the window level 220 may be set to the HU value input by the user or to the HU value determined by receiving N points for the object to be analyzed from the user. .
  • the image generating apparatus may add noise to at least one parameter of the window width 210 and the window level 220, and generate a learning image from the reference image using the parameter to which the noise is added. have.
  • the image generating apparatus may generate various learning images for learning the neural network, and by being learned through various learning images, the neural network may have characteristics that are robust to noise without overfitting the specific learning image.
  • FIG. 3 is a diagram illustrating an example in which noise is added to a window width according to an embodiment.
  • noise-added window widths 310-1, 310-2, and 310-3 have various ranges, while the window level 320 without added noise may have a single value.
  • the first window width 310-1 shown in FIG. 3 may have a narrower range than the second window width 310-2 and the third window width 310-3.
  • the training image extracted through the first window width 310-1 and the window level 320 may be expressed more than the training image extracted using the second window width 310-2 or the third window width 310-3.
  • the range of possible pixel values may be narrow.
  • the training image extracted through the third window width 310-3 and the window level 320 is the training image extracted using the first window width 310-1 or the second window width 310-2.
  • the range of pixel values that can be more represented can be wide.
  • the training extracted through the second window width 310-2 is performed.
  • the image may more clearly represent bone than the learning image extracted by using the first window width 310-1 or the third window width 310-3.
  • the training image extracted through the first window width 310-1 may include only a part of the bone, not the whole portion.
  • the training image extracted through the third window width 310-3 may include other parts of the body including bones. It may also be included.
  • the image generating apparatus may generate a training image to which natural noise is applied by extracting the training image through various window widths 310-1, 310-2, and 310-3 to which noise is added.
  • FIG. 4 is a diagram illustrating an example in which noise is added to a window level according to an embodiment.
  • noise-added window levels 420-1, 420-2, and 420-3 have various values, while the window width 410 without the noise can have the same size range.
  • the first window level 420-1 illustrated in FIG. 4 may include a value larger than the second window level 420-2 and smaller than the third window level 420-3.
  • the second window level 420-2 may have a smaller value than the first window level 420-1
  • the third window level 420-3 may have a larger value than the first window level 420-1. have.
  • some common HU ranges are included in the learning image extracted from the reference image using the first window level 420-1 and the learning image extracted from the reference image using the second window level 420-2. As such, there may be a part expressed in common in the extracted learning images.
  • the training image extracted using the third window level 420-3 has a HU range in common with the training image extracted using the first window level 420-1 or the second window level 420-2. Since there is no, a part commonly expressed in the extracted learning images may not exist.
  • the image generating apparatus may generate a training image to which natural noise is applied by extracting the training image using various window levels 420-1, 420-2, and 420-3 to which noise is added.
  • FIG. 5 is a diagram illustrating an example in which noise is added to a window width and a window level according to an embodiment.
  • noise-added window widths 510-1, 510-2, and 510-3 have various ranges, and the noise-added window levels 520-1, 520-2, and 520-3 can have various values. have.
  • the window widths 510-1, 510-2, and 510-3 in which the noise of FIG. 5 is added may include the second window width 510-2, the first window width 510-1, and the third window width 510- 3) the window levels 520-1, 520-2, and 520-3 increase in order, and the second window width 510-2, the first window width 510-1, and the third window width It may have a value increasing in the order (510-3).
  • the training image extracted through the first window width 510-1 and the first window level 520-1, the second window width 510-2, and the second window level 520-2 are determined. Commonly expressed parts may not exist between the extracted learning images.
  • the training image is extracted through the first window width 510-1 and the first window level 520-1, and is extracted through the third window width 510-3 and the third window level 520-3. There may be a part expressed in common among the learning images.
  • the image generating apparatus extracts a training image through various window widths 510-1, 510-2, and 510-3 and window levels 520-1, 520-2, and 520-3 to which noise is added, thereby providing natural noise. Can generate a learning image applied.
  • An embodiment of adding noise to at least one parameter of the window width and the window level described with reference to FIGS. 3 to 5 may be variously changed according to a design.
  • FIG. 6 is a diagram illustrating a method of generating an image, according to another exemplary embodiment.
  • the image generating method according to an embodiment may be performed by a processor included in the image generating apparatus.
  • the image generating apparatus receives a reference image.
  • the reference image is a medical image of an object (eg, bone, organ, blood, etc.) to be analyzed by the neural network, and may be composed of, for example, pixels having a value of 12 bits.
  • the image generating apparatus generates a learning image from the reference image by adding noise to at least one parameter of a window width and a window level for pixel values of the reference image.
  • the window width and the window level may refer to parameters used by the image generating apparatus to generate a learning image from the reference image.
  • the image generating apparatus generates a training image from the reference image using the parameter to which the noise is added. For example, when noise is added to both the window width and the window level, the image generating apparatus may extract the training image from the reference image based on the parameter to which the noise is added.
  • the parameter to which the noise is added may mean a window width and a window level.
  • the image generating apparatus may extract the training image from the reference image based on the parameter to which the noise is added and the remaining parameter to which the noise is not added. have.
  • the image generating apparatus may generate a learning image from the reference image based on the parameters and the remaining parameters.
  • the image generating apparatus may add noise to pixel values of the training image.
  • the training image generated in operation 620 may be an image generated from a reference image using a parameter added with noise, and may be an image without noise added to the pixel value itself.
  • the image generating apparatus may add random noise to the pixel value of the training image generated in operation 620.
  • the image generating apparatus may generate a noise pattern based on the characteristics of the device photographing the reference image, and add the generated noise pattern to the pixel value of the training image. For example, the image generating apparatus may identify the device through the information of the device photographing the reference image, and generate a noise pattern based on the identified device.
  • the device that photographed the reference image refers to a medical device for photographing an object using various techniques such as MRI, CT, X-ray, PET, etc.
  • the characteristics of the device may include information about the manufacturer of the device. Can be.
  • the image generating apparatus may generate a noise pattern based on an object included in the reference image, and add the generated noise pattern to the pixel value of the training image. For example, the image generating apparatus may generate a noise pattern based on whether the object included in the reference image is bone, organ, blood, or tumor. In addition, the image generating apparatus may generate a noise pattern based on the shape of bone, organ, blood, or tumor.
  • the image generating apparatus may train the neural network based on the training image.
  • the learning image is an image extracted from the reference image using a parameter to which noise is added, and may include noise in pixel values.
  • FIG. 7 is a diagram illustrating an image generating apparatus, according to an exemplary embodiment.
  • the image generating apparatus 700 includes a memory 710 and a processor 720.
  • the image generating apparatus 700 may be widely used in an area for generating training data (eg, a learning image) for learning a neural network for analyzing (eg, recognizing, classifying, or detecting) an input image.
  • the image generating apparatus 700 may be mounted on various computing devices and / or systems, such as a smart phone, a tablet computer, a laptop computer, a desktop computer, a television, a wearable device, a security system, and a smart home system.
  • the memory 710 stores an image generating method.
  • the image generating method stored in the memory 710 relates to a method of generating a training image for learning a neural network, and may be executed by the processor 720.
  • the memory 710 may store a training image generated by the processor 720 or a neural network learned based on the generated training image.
  • the processor 720 executes an image generating method.
  • the processor 720 adds noise to at least one parameter of a window width and a window level for pixel values of the reference image.
  • the window width and the window level may refer to parameters used when the processor 720 generates the learning image from the reference image.
  • the processor 720 generates a training image from the reference image by using the parameter to which noise is added. For example, when noise is added to both the window width and the window level, the processor 720 may extract the training image from the reference image based on the parameter to which the noise is added. In this case, the parameter to which the noise is added may mean a window width and a window level.
  • the processor 720 may extract the training image from the reference image based on the parameter to which the noise is added and the remaining parameter to which the noise is not added. Can be. In other words, when there is a remaining parameter without adding noise among the window width and the window level, the processor 720 may generate a learning image from the reference image based on the parameter and the remaining parameter.
  • the processor 720 stores the training image extracted from the reference image in the memory 710 or stores the learned neural network based on the extracted training image in the memory 710. ) Can be stored.
  • the processor 720 may add noise to the pixel value of the training image based on at least one of a characteristic of a device photographing the reference image and an object included in the reference image. have.
  • the processor 720 may generate a noise pattern based on the characteristics of the device photographing the reference image, and add the generated noise pattern to the pixel value of the training image. For example, the processor 720 may identify the device through the information of the device capturing the reference image, and generate a noise pattern based on the identified device.
  • the processor 720 may generate a noise pattern based on an object included in the reference image, and add the generated noise pattern to the pixel value of the training image. For example, the processor 720 may generate a noise pattern based on whether an object included in the reference image is a bone, an organ, blood, or a tumor. In addition, the processor 720 may generate a noise pattern based on the shape of bone, organ, blood, or tumor.
  • the processor 720 may store the generated learning image in the memory 710.
  • the processor 720 may train the neural network based on the training image.
  • the learning image is an image extracted from the reference image using a parameter to which noise is added, and may include noise in pixel values.
  • the processor 720 may store the learned neural network in the memory 710. For example, the processor 720 may store the parameters for the learned neural network in the memory 710.
  • FIG. 8 is a diagram illustrating an image analysis method, according to an exemplary embodiment.
  • the image analysis method may be performed by a processor included in the image analysis apparatus.
  • the image analyzing apparatus receives an input image.
  • the input image may be a medical image including an object (eg, bone, organ, blood, etc.) to be analyzed.
  • the image analyzing apparatus may receive an input image from an external device through a built-in sensor or a network.
  • the image analyzing apparatus analyzes the input image based on the neural network.
  • the neural network is a previously learned neural network and may be trained based on a learning image extracted from a reference image.
  • the learning image may be generated from the reference image by adding noise to at least one parameter of a window width and a window level for pixel values of the reference image.
  • the image analyzing apparatus may classify the input image using a neural network. For example, the image analyzing apparatus may classify an input image including an object into a specific disease or check the progress of the disease based on a neural network. Alternatively, the image analyzing apparatus may detect a lesion included in the input image using a neural network. In this case, the neural network may be learned based on various medical images including a lesion.
  • the embodiments described above may be implemented as hardware components, software components, and / or combinations of hardware components and software components.
  • the devices, methods, and components described in the embodiments may include, for example, processors, controllers, arithmetic logic units (ALUs), digital signal processors, microcomputers, field programmable gates (FPGAs). It may be implemented using one or more general purpose or special purpose computers, such as an array, a programmable logic unit (PLU), a microprocessor, or any other device capable of executing and responding to instructions.
  • ALU arithmetic logic unit
  • FPGAs field programmable gates
  • PLU programmable logic unit
  • one processing device may be described as being used, but one of ordinary skill in the art will appreciate that the processing device includes a plurality of processing elements and / or a plurality of types of processing elements. It can be seen that it may include.
  • the processing device may include a plurality of processors or one processor and one controller.
  • other processing configurations are possible, such as parallel
  • the software may include a computer program, code, instructions, or a combination of one or more of the above, and configure the processing device to operate as desired, or process it independently or collectively. You can command the device.
  • the software may be distributed over networked computer systems so that they may be stored or executed in a distributed manner. Software and data may be stored on one or more computer readable recording media.
  • the method according to the embodiment may be embodied in the form of program instructions that can be executed by various computer means and recorded in a computer readable medium.
  • the computer readable medium may include program instructions, data files, data structures, etc. alone or in combination.
  • Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tape, optical media such as CD-ROMs, DVDs, and magnetic disks, such as floppy disks.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

영상 생성 방법 및 장치, 및 영상 분석 방법이 개시된다. 개시된 영상 생성 방법은 기준 영상을 수신하고, 기준 영상의 픽셀 값들에 대한 윈도우 폭 및 윈도우 레벨 중 적어도 하나의 파라미터에 노이즈를 추가하여 기준 영상으로부터 학습 영상을 생성한다.

Description

영상 생성 방법 및 장치, 및 영상 분석 방법
아래의 설명은 영상 생성 방법 및 장치, 및 영상 분석 방법에 관한 것으로, 보다 구체적으로는 신경망 학습에 이용되는 학습 영상을 생성하는 방법 및 장치, 생성된 학습 영상을 통해 학습된 신경망을 이용하여 입력 영상을 분석하는 방법에 관한 것이다.
최근 들어, 입력 패턴을 특정 그룹으로 분류하는 문제를 해결하는 방안으로써, 인간이 지니고 있는 효율적인 패턴 인식 방법을 실제 컴퓨터에 적용시키려는 연구가 활발히 진행되고 있다. 이러한 연구 중 하나로, 인간의 생물학적 신경 세포의 특성을 수학적 표현에 의해 모델링한 인공신경망(artificial neural network)에 대한 연구가 있다. 입력 패턴을 특정 그룹으로 분류하는 문제를 해결하기 위해, 인공신경망은 인간이 가지고 있는 학습이라는 능력을 모방한 알고리즘을 이용한다. 이 알고리즘을 통하여 인공신경망은 입력 패턴과 출력 패턴들 사이의 사상(mapping)을 생성해낼 수 있는데, 이를 인공신경망이 학습 능력이 있다고 표현한다. 또한, 인공신경망은 학습된 결과에 기초하여 학습에 이용되지 않았던 입력 패턴에 대하여 비교적 올바른 출력을 생성할 수 있는 일반화 능력을 가지고 있다.
이러한 인공신경망은 비교적 많은 레이어들을 포함하는데, 많은 레이어들을 포함하는 큰 구조의 인공신경망을 학습시키기 위해서는 많은 양의 학습 데이터가 요구되고, 특정 학습 데이터에 과적합(overfitting)에 되지 않을 필요가 있다.
일실시예에 따른 영상 생성 방법은 기준 영상을 수신하는 단계; 및 상기 기준 영상의 픽셀 값들에 대한 윈도우 폭 및 윈도우 레벨 중 적어도 하나의 파라미터에 노이즈를 추가하여 상기 기준 영상으로부터 학습 영상을 생성하는 단계를 포함한다.
일실시예에 따른 영상 생성 방법에서 상기 학습 영상을 생성하는 단계는, 상기 윈도우 폭 및 윈도우 레벨 중 상기 노이즈가 추가되지 않은 나머지 파라미터가 존재하는 경우, 상기 노이즈가 추가된 파라미터와 상기 노이즈가 추가되지 않은 나머지 파라미터에 기초하여 상기 기준 영상으로부터 학습 영상을 생성할 수 있다.
일실시예에 따른 영상 생성 방법에서 상기 윈도우 폭 및 상기 윈도우 레벨은, 상기 학습 영상에 기초하여 학습되는 신경망이 분석하고자 하는 오브젝트에 대해 미리 설정된 값을 포함할 수 있다.
일실시예에 따른 영상 생성 방법에서 상기 윈도우 폭은, 상기 기준 영상에 포함된 픽셀 값들 중에서 상기 학습 영상에 포함시키고자 하는 픽셀 값들의 범위를 나타낼 수 있다.
일실시예에 따른 영상 생성 방법에서 상기 윈도우 레벨은, 상기 학습 영상에 포함되는 픽셀 값들의 범위에 대한 중심을 나타낼 수 있다.
일실시예에 따른 영상 생성 방법에서 상기 기준 영상은, 상기 학습 영상에 기초하여 학습되는 신경망이 분석하고자 하는 오브젝트를 촬영한 의료 영상일 수 있다.
일실시예에 따른 영상 생성 방법에서 상기 학습 영상을 생성하는 단계는, 윈도우 폭 및 윈도우 레벨이 상기 학습 영상에 기초하여 학습되는 신경망의 오브젝트에 대해 미리 설정된 값에서 벗어나도록 상기 윈도우 폭 및 윈도우 레벨 중 적어도 하나의 파라미터에 대한 값을 변형시킬 수 있다.
일실시예에 따른 영상 생성 방법은 상기 학습 영상의 픽셀 값에 노이즈를 추가하는 단계를 더 포함할 수 있다.
일실시예에 따른 영상 생성 방법에서 상기 학습 영상의 픽셀 값에 추가된 노이즈는, 상기 기준 영상을 촬영한 기기의 특성 및 상기 기준 영상에 포함된 오브젝트 중 적어도 하나에 기반하여 생성될 수 있다.
일실시예에 따른 영상 분석 방법은 입력 영상을 수신하는 단계; 및 신경망에 기초하여 상기 입력 영상을 분석하는 단계를 포함하고, 상기 신경망은, 기준 영상으로부터 추출된 학습 영상에 기초하여 학습되고, 상기 학습 영상은, 상기 기준 영상의 픽셀 값들에 대한 윈도우 폭 및 윈도우 레벨 중 적어도 하나의 파라미터에 노이즈를 추가하여 상기 기준 영상으로부터 생성된다.
일실시예에 따른 영상 생성 장치는 영상 생성 방법이 저장된 메모리; 및 상기 영상 생성 방법을 실행하는 프로세서를 포함하고, 상기 프로세서는, 기준 영상의 픽셀 값들에 대한 윈도우 폭 및 윈도우 레벨 중 적어도 하나의 파라미터에 노이즈를 추가하여 상기 기준 영상으로부터 학습 영상을 생성한다.
일실시예에 따르면, 학습 영상을 기준 영상으로부터 추출할 때 이용되는 파라미터에 노이즈를 추가함으로써, 자연스러운 노이즈가 적용된 학습 영상을 얻을 수 있으며, 학습시키고자 하는 신경망의 학습 효과를 향상시키고 다양한 변화에 강인(robust)한 신경망을 기대할 수 있다.
일실시예에 따르면, 기준 영상으로부터 학습 영상을 추출할 때 이용되는 윈도우 폭 및 윈도우 레벨 중 적어도 하나의 파라미터에 노이즈를 추가함으로써, 신경망 학습에 이용되는 학습 영상을 효과적으로 변형하고 학습 영상의 양을 크게 증가시킬 수 있다.
도 1은 일실시예에 따라 영상 생성 방법을 나타낸 도면이다.
도 2는 일실시예에 따라 윈도우 폭 및 윈도우 레벨을 설명하기 위한 도면이다.
도 3은 일실시예에 따라 윈도우 폭에 노이즈가 추가된 예시를 나타낸 도면이다.
도 4는 일실시예에 따라 윈도우 레벨에 노이즈가 추가된 예시를 나타낸 도면이다.
도 5는 일실시예에 따라 윈도우 폭과 윈도우 레벨에 노이즈가 추가된 예시를 나타낸 도면이다.
도 6은 다른 일실시예에 따라 영상 생성 방법을 나타낸 도면이다.
도 7은 일실시예에 따른 영상 생성 장치를 나타낸 도면이다.
도 8은 일실시예에 따라 영상 분석 방법을 나타낸 도면이다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 아래의 특정한 구조적 내지 기능적 설명들은 단지 실시예들을 설명하기 위한 목적으로 예시된 것으로, 실시예의 범위가 본문에 설명된 내용에 한정되는 것으로 해석되어서는 안된다. 관련 기술 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 또한, 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타내며, 공지된 기능 및 구조는 생략하도록 한다.
도 1은 일실시예에 따라 영상 생성 방법을 나타낸 도면이다.
일실시예에 따른 영상 생성 방법은 영상 생성 장치에 구비된 프로세서에 의해 수행될 수 있다. 영상 생성 장치는 입력 영상을 분석(예컨대, 인식, 분류, 검출 등)하는 신경망을 학습시키기 위한 학습 데이터(예컨대, 학습 영상(training image))를 생성하는 영역 등에서 광범위하게 이용될 수 있다. 신경망은 연결선으로 연결된 많은 수의 인공 뉴런들을 이용하여 생물학적인 시스템의 계산 능력을 모방하는 소프트웨어나 하드웨어로 구현된 인식 모델이다.
신경망은 복수의 레이어들을 포함할 수 있다. 예를 들어, 신경망은 입력 레이어(input layer), 히든 레이어(hidden layer), 출력 레이어(output layer)을 포함할 수 있다. 입력 레이어는 학습을 수행하기 위한 입력(예컨대, 학습 데이터)을 수신하여 히든 레이어에 전달할 수 있고, 출력 레이어는 히든 레이어의 노드들로부터 수신한 신호에 기초하여 신경망의 출력을 생성할 수 있다. 히든 레이어는 입력 레이어와 출력 레이어 사이에 위치하고, 입력 레이어를 통해 전달된 학습 데이터를 예측하기 쉬운 값으로 변화시킬 수 있다.
신경망은 복수의 히든 레이어들을 포함할 수 있다. 복수의 히든 레이어들을 포함하는 신경망을 깊은 신경망(deep neural network)이라고 하고, 깊은 신경망을 학습시키는 것을 깊은 학습(deep learning)이라고 한다.
영상 생성 장치에서 생성된 학습 영상은 학습시키고자 하는 신경망에 입력될 수 있다. 이 때, 영상 생성 장치는 학습 영상에 랜덤 노이즈를 적용함으로써 신경망에 입력되는 데이터를 다양하게 변형할 수 있다. 위와 같이 데이터 변형을 통해 많은 양의 학습 영상을 생성하여 신경망을 학습시킴으로써, 신경망은 특정 학습 영상에 과적합되지 않으면서, 노이즈에 강인한 특성을 가질 수 있다. 이하, 영상 생성 장치가 랜덤 노이즈를 이용하여 학습 영상을 생성하는 과정에 대해 후술한다.
단계(110)에서, 영상 생성 장치는 기준 영상을 수신한다. 영상 생성 장치는 내장된 센서 또는 네트워크를 통해 외부에 위치하는 기기로부터 기준 영상을 수신할 수 있다.
기준 영상은 신경망이 분석하고자 하는 오브젝트(예컨대, 뼈, 장기, 혈액 등)를 촬영한 의료 영상(medical image)으로서, 예를 들어, 12비트의 값을 가지는 픽셀들로 구성될 수 있다. 기준 영상이 12비트의 픽셀 값을 포함하는 반면 일반적인 디스플레이 장치는 8비트 픽셀 값을 표현할 수 있으므로, 기준 영상은 디스플레이 장치에 표시되기 어렵다. 따라서, 의료 영상을 디스플레이 장치에서 가시화하기 위해서는 12비트의 기준 영상을 8비트의 영상(또는, 8비트 이하의 영상)으로 변환할 필요가 있다.
그래서, 영상 생성 장치는 디스플레이 장치에 표현하고자 하는 기준 영상의 픽셀 값의 범위를 제한하고 표현하고자 하는 픽셀 값의 범위에 대한 중심을 결정함으로써, 기준 영상을 가시화할 수 있는 영상으로 변환할 수 있다. 표현하고자 하는 픽셀 값의 범위는 윈도우 폭(window width)을 의미하고, 표현하고자 하는 픽셀 값의 범위에 대한 중심은 윈도우 레벨(window level)을 의미할 수 있다.
단계(120)에서, 영상 생성 장치는 기준 영상의 픽셀 값들에 대한 윈도우 폭 및 윈도우 레벨 중 적어도 하나의 파라미터에 노이즈를 추가하여 기준 영상으로부터 학습 영상을 생성한다.
기준 영상의 픽셀 값들에 대한 윈도우 폭 및 윈도우 레벨 중 적어도 하나의 파라미터에 노이즈를 추가한다. 이 때, 윈도우 폭과 윈도우 레벨은 영상 생성 장치가 기준 영상으로부터 학습 영상을 생성할 때 이용되는 파라미터를 의미할 수 있다.
영상 생성 장치는 윈도우 폭 및 윈도우 레벨 중 적어도 하나의 파라미터에 노이즈를 추가할 수 있다. 예를 들어, 영상 생성 장치는 윈도우 폭 및 윈도우 레벨 모두에 노이즈를 추가할 수도 있고, 또는, 윈도우 폭 및 윈도우 레벨 중 어느 하나에만 노이즈를 추가할 수도 있다. 윈도우 폭 및 윈도우 레벨 중 적어도 하나의 파라미터에 노이즈를 추가하는 보다 구체적인 실시예에 대해서는 도 2 내지 도 5을 통해 후술한다.
일례로, 윈도우 폭 및 윈도우 레벨 모두에 노이즈가 추가된 경우, 영상 생성 장치는 노이즈가 추가된 파라미터에 기초하여 기준 영상으로부터 학습 영상을 생성할 수 있다. 이 때, 노이즈가 추가된 파라미터는 윈도우 폭 및 윈도우 레벨을 의미할 수 있다.
다른 일례로, 윈도우 폭 및 윈도우 레벨 중 어느 하나의 파라미터에만 노이즈가 추가된 경우, 영상 생성 장치는 노이즈가 추가된 파라미터와 노이즈가 추가되지 않은 나머지 파라미터에 기초하여 기준 영상으로부터 학습 영상을 생성할 수 있다. 다시 말해, 윈도우 폭 및 윈도우 레벨 중 노이즈가 추가되지 않은 나머지 파라미터가 존재하는 경우, 영상 생성 장치는 파라미터와 나머지 파라미터에 기초하여 기준 영상으로부터 학습 영상을 생성할 수 있다. 이 때, 파라미터는 윈도우 폭 및 윈도우 레벨 중 노이즈가 추가된 것을 의미하고, 나머지 파라미터는 윈도우 폭 및 윈도우 레벨 중 노이즈가 추가되지 않은 것을 의미할 수 있다.
도 2는 일실시예에 따라 윈도우 폭 및 윈도우 레벨을 설명하기 위한 도면이다.
도 2를 참고하면, 기준 영상의 픽셀 값에 대한 윈도우 폭(210) 및 윈도우 레벨(220)이 도시된다. 기준 영상은 신경망이 분석하고자 하는 오브젝트를 촬영한 의료 영상으로서, 예를 들어, MRI(magnetic resonance imaging), CT(computed tomography), X-ray, PET(positron emission tomography) 등의 다양한 기법을 통해 촬영된 영상을 포함할 수 있다.
이러한 기준 영상은 일반적인 영상과 달리 회색조 영상(gray-scale image)에 해당하며 12비트의 픽셀 값을 가질 수 있다. 기준 영상을 구성하는 하나의 픽셀은 약 4000 단계의 값을 가질 수 있고, 이는 일반적인 영상의 픽셀이 표현할 수 있는 범위(예컨대, 8비트)를 벗어난다.
일실시예에 따른 기준 영상은 HU(Hounsfield Unit) 값을 포함할 수 있다. HU은 X-ray가 몸을 투과할 때 X-ray가 투과하는 조직의 밀도 차에 따라 몸에 흡수되는 정도를 나타낼 수 있다. HU은 물을 0 HU, 뼈를 1000 HU, 가장 흡수율이 낮은 공기를 -1000 HU로 정하고, 각 조직에 따른 상대적인 X-ray의 흡수에 기반한 선감약계수(relative linear attenuation coefficient)를 계산함으로써 얻어질 수 있다. HU은 CT Number로도 지칭될 수 있다.
도 2에 도시된 A는 기준 영상이 가질 수 있는 최저 HU 값인 -1000 HU을 나타내고, B는 기준 영상이 가질 수 있는 최대 HU 값인 +3000 HU를 나타낼 수 있다.
사람의 눈은 기준 영상에 포함된 12비트의 픽셀 값을 모두 인식할 수 없다. 따라서, 기준 영상은 사람의 눈이 인식할 수 있는 8비트의 영상으로 변환될 필요가 있다. 이를 위해, 기준 영상에서 표현하고자 하는 HU의 범위를 제한하고, 표현하고자 하는 HU의 범위에 대한 중심을 결정할 수 있는데, 이 때, 표현하고자 하는 HU의 범위가 윈도우 폭(210)을 나타내고, 표현하고자 하는 HU의 범위에 대한 중심이 윈도우 레벨(220)을 나타낸다.
윈도우 폭(210)과 윈도우 레벨(220)은 신경망이 분석하고자 하는 오브젝트에 따라 미리 결정될 수 있다. 예를 들어, 신경망이 분석하고자 하는 오브젝트가 복부의 연부조직인 경우, 윈도우 폭(210)은 350~400 HU으로 결정되고, 윈도우 레벨(220)은 50 HU으로 결정될 수 있다. 또한, 신경망이 분석하고자 하는 오브젝트가 폐인 경우, 윈도우 폭(210)은 1500~1600 HU으로 결정되고, 윈도우 레벨(220)은 -700 HU으로 결정될 수 있다. 이 때, 구체적인 윈도우 폭(210)과 윈도우 레벨(220)은 사용자에 의해 입력되는 HU 값으로 설정되거나 또는 분석하고자 하는 오브젝트에 대한 N개의 포인트를 사용자로부터 입력 받음으로써 결정된 HU 값으로 설정될 수 있다.
일실시예에 따른 영상 생성 장치는 윈도우 폭(210) 및 윈도우 레벨(220) 중 적어도 하나의 파라미터에 노이즈를 추가할 수 있고, 노이즈가 추가된 파라미터를 이용하여 기준 영상으로부터 학습 영상을 생성할 수 있다. 이를 통해, 영상 생성 장치는 신경망을 학습시키기 위한 다양한 학습 영상을 생성할 수 있고, 다양한 학습 영상을 통해 학습됨으로써 신경망은 특정 학습 영상에 과적합하지 않으면서 노이즈에 강인한 특성을 가질 수 있다.
도 3은 일실시예에 따라 윈도우 폭에 노이즈가 추가된 예시를 나타낸 도면이다.
도 3을 참고하면, 영상 생성 장치에 의해 노이즈가 윈도우 폭(310-1, 310-2, 310-3)에 추가된 실시예가 도시된다. 노이즈가 추가된 윈도우 폭(310-1, 310-2, 310-3)은 다양한 범위를 가지는 반면, 노이즈가 추가되지 않은 윈도우 레벨(320)은 하나의 값을 가질 수 있다.
도 3에 도시된 제1 윈도우 폭(310-1)은 제2 윈도우 폭(310-2)과 제3 윈도우 폭(310-3)보다 좁은 범위를 가질 수 있다. 제1 윈도우 폭(310-1)과 윈도우 레벨(320)을 통해 추출된 학습 영상은 제2 윈도우 폭(310-2) 또는 제3 윈도우 폭(310-3)을 이용하여 추출된 학습 영상보다 표현할 수 있는 픽셀 값의 범위가 좁을 수 있다. 반대로, 제3 윈도우 폭(310-3)과 윈도우 레벨(320)을 통해 추출된 학습 영상은 제1 윈도우 폭(310-1) 또는 제2 윈도우 폭(310-2)을 이용하여 추출된 학습 영상보다 표현할 수 있는 픽셀 값의 범위가 넓을 수 있다.
예를 들어, 학습되는 신경망이 분석하고자 하는 오브젝트가 뼈이고, 제2 윈도우 폭(310-2)에 가장 작은 크기의 노이즈가 추가된 경우, 제2 윈도우 폭(310-2)을 통해 추출된 학습 영상이 제1 윈도우 폭(310-1) 또는 제3 윈도우 폭(310-3)을 이용하여 추출된 학습 영상보다 뼈를 보다 명확히 나타낼 수 있다. 제1 윈도우 폭(310-1)을 통해 추출된 학습 영상에는 뼈의 전체가 아닌 일부만이 포함될 수 있고, 제3 윈도우 폭(310-3)을 통해 추출된 학습 영상에는 뼈를 비롯한 신체의 다른 부분도 포함될 수 있다.
영상 생성 장치는 노이즈가 추가된 다양한 윈도우 폭(310-1, 310-2, 310-3)을 통해 학습 영상을 추출함으로써, 자연스러운 노이즈가 적용된 학습 영상을 생성할 수 있다.
도 4는 일실시예에 따라 윈도우 레벨에 노이즈가 추가된 예시를 나타낸 도면이다.
도 4를 참고하면, 영상 생성 장치에 의해 노이즈가 윈도우 레벨(420-1, 420-2, 420-3)에 추가된 실시예가 도시된다. 노이즈가 추가된 윈도우 레벨(420-1, 420-2, 420-3)은 다양한 값을 가지는 반면, 노이즈가 추가되지 않은 윈도우 폭(410)은 동일한 크기의 범위를 가질 수 있다.
도 4에 도시된 제1 윈도우 레벨(420-1)은 제2 윈도우 레벨(420-2)보다 크고 제3 윈도우 레벨(420-3)보다 작은 값을 포함할 수 있다. 제2 윈도우 레벨(420-2)은 제1 윈도우 레벨(420-1)보다 작은 값을 가지며, 제3 윈도우 레벨(420-3)은 제1 윈도우 레벨(420-1)보다 큰 값을 가질 수 있다.
예를 들어, 제1 윈도우 레벨(420-1)을 이용하여 기준 영상으로부터 추출된 학습 영상과 제2 윈도우 레벨(420-2)을 이용하여 기준 영상으로부터 추출된 학습 영상에는 일부 공통되는 HU 범위가 존재하므로, 추출된 학습 영상들에는 공통적으로 표현되는 부분이 존재할 수 있다. 반면, 제3 윈도우 레벨(420-3)을 이용하여 추출된 학습 영상은 제1 윈도우 레벨(420-1) 또는 제2 윈도우 레벨(420-2)을 이용하여 추출된 학습 영상과 공통되는 HU 범위가 없으므로, 추출된 학습 영상들에도 공통적으로 표현되는 부분이 존재하지 않을 수 있다.
영상 생성 장치는 노이즈가 추가된 다양한 윈도우 레벨(420-1, 420-2, 420-3)을 이용하여 학습 영상을 추출함으로써, 자연스러운 노이즈가 적용된 학습 영상을 생성할 수 있다.
도 5는 일실시예에 따라 윈도우 폭과 윈도우 레벨에 노이즈가 추가된 예시를 나타낸 도면이다.
도 5를 참고하면, 영상 생성 장치에 의해 노이즈가 윈도우 폭(510-1, 510-2, 510-3)과 윈도우 레벨(520-1, 520-2, 520-3)에 추가된 실시예가 도시된다. 노이즈가 추가된 윈도우 폭(510-1, 510-2, 510-3)은 다양한 범위를 가지고, 노이즈가 추가된 윈도우 레벨(520-1, 520-2, 520-3)은 다양한 값을 가질 수 있다.
도 5의 노이즈가 추가된 윈도우 폭(510-1, 510-2, 510-3)은 제2 윈도우 폭(510-2), 제1 윈도우 폭(510-1), 제3 윈도우 폭(510-3) 순으로 증가하는 범위를 가지고, 윈도우 레벨(520-1, 520-2, 520-3)은 제2 윈도우 폭(510-2), 제1 윈도우 폭(510-1), 제3 윈도우 폭(510-3) 순으로 증가하는 값을 가질 수 있다.
예를 들어, 제1 윈도우 폭(510-1)과 제1 윈도우 레벨(520-1)을 통해 추출되는 학습 영상과 제2 윈도우 폭(510-2)과 제2 윈도우 레벨(520-2)을 통해 추출되는 학습 영상 간에는 공통적으로 표현되는 부분이 존재하지 않을 수 있다. 반면, 제1 윈도우 폭(510-1)과 제1 윈도우 레벨(520-1)을 통해 추출되는 학습 영상과 제3 윈도우 폭(510-3)과 제3 윈도우 레벨(520-3)을 통해 추출되는 학습 영상 간에는 공통적으로 표현되는 부분이 존재할 수 있다.
영상 생성 장치는 노이즈가 추가된 다양한 윈도우 폭(510-1, 510-2, 510-3)과 윈도우 레벨(520-1, 520-2, 520-3)을 통해 학습 영상을 추출함으로써, 자연스러운 노이즈가 적용된 학습 영상을 생성할 수 있다.
도 3 내지 도 5에서 설명한 윈도우 폭 및 윈도우 레벨 중 적어도 하나의 파라미터에 노이즈를 추가하는 실시예에 대해서는 설계에 따라 다양하게 변경될 수 있다.
도 6은 다른 일실시예에 따라 영상 생성 방법을 나타낸 도면이다.
일실시예에 따른 영상 생성 방법은 영상 생성 장치에 구비된 프로세서에 의해 수행될 수 있다.
단계(610)에서, 영상 생성 장치는 기준 영상을 수신한다. 기준 영상은 신경망이 분석하고자 하는 오브젝트(예컨대, 뼈, 장기, 혈액 등)를 촬영한 의료 영상으로서, 예를 들어, 12비트의 값을 가지는 픽셀들로 구성될 수 있다.
단계(620)에서, 영상 생성 장치는 기준 영상의 픽셀 값들에 대한 윈도우 폭 및 윈도우 레벨 중 적어도 하나의 파라미터에 노이즈를 추가하여 기준 영상으로부터 학습 영상을 생성한다. 이 때, 윈도우 폭과 윈도우 레벨은 영상 생성 장치가 기준 영상으로부터 학습 영상을 생성할 때 이용하는 파라미터를 의미할 수 있다.
영상 생성 장치는 노이즈가 추가된 파라미터를 이용하여 기준 영상으로부터 학습 영상을 생성한다. 일례로, 윈도우 폭 및 윈도우 레벨 모두에 노이즈가 추가된 경우, 영상 생성 장치는 노이즈가 추가된 파라미터에 기초하여 기준 영상으로부터 학습 영상을 추출할 수 있다. 이 때, 노이즈가 추가된 파라미터는 윈도우 폭 및 윈도우 레벨을 의미할 수 있다.
다른 일례로, 윈도우 폭 및 윈도우 레벨 중 어느 하나의 파라미터에만 노이즈가 추가된 경우, 영상 생성 장치는 노이즈가 추가된 파라미터와 노이즈가 추가되지 않은 나머지 파라미터에 기초하여 기준 영상으로부터 학습 영상을 추출할 수 있다. 다시 말해, 윈도우 폭 및 윈도우 레벨 중 노이즈가 추가되지 않은 나머지 파라미터가 존재하는 경우, 영상 생성 장치는 파라미터와 나머지 파라미터에 기초하여 기준 영상으로부터 학습 영상을 생성할 수 있다.
단계(630)에서, 영상 생성 장치는 학습 영상의 픽셀 값에 노이즈를 추가할 수 있다. 단계(620)에서 생성된 학습 영상은 노이즈가 추가된 파라미터를 이용하여 기준 영상으로부터 생성된 영상으로서, 픽셀 값 자체에는 노이즈가 추가되지 않은 영상일 수 있다. 영상 생성 장치는 단계(620)에서 생성된 학습 영상의 픽셀 값에 추가적으로 랜덤 노이즈를 추가할 수 있다.
영상 생성 장치는 기준 영상을 촬영한 기기의 특성에 기반하여 노이즈 패턴을 생성하고, 생성된 노이즈 패턴을 학습 영상의 픽셀 값에 추가할 수 있다. 예를 들어, 영상 생성 장치는 기준 영상을 촬영한 기기의 정보를 통해 기기를 식별하고, 식별된 기기에 기초하여 노이즈 패턴을 생성할 수 있다. 이 때, 기준 영상을 촬영한 기기는 MRI, CT, X-ray, PET 등의 다양한 기법을 이용하여 오브젝트를 촬영하는 의료 기기를 의미하고, 기기의 특성은 해당 기기의 제조사에 관한 정보를 포함할 수 있다.
또한, 영상 생성 장치는 기준 영상에 포함된 오브젝트에 기반하여 노이즈 패턴을 생성하고, 생성된 노이즈 패턴을 학습 영상의 픽셀 값에 추가할 수 있다. 예를 들어, 영상 생성 장치는 기준 영상에 포함된 오브젝트가 뼈, 장기, 혈액 또는 종양인지 여부에 기반하여 노이즈 패턴을 생성할 수 있다. 나아가, 영상 생성 장치는 뼈, 장기, 혈액 또는 종양의 모양에 기반하여 노이즈 패턴을 생성할 수도 있다.
단계(640)에서, 영상 생성 장치는 학습 영상에 기초하여 신경망을 학습시킬 수 있다. 이 때, 학습 영상은 노이즈가 추가된 파라미터를 이용하여 기준 영상으로부터 추출된 영상으로서 픽셀 값에도 노이즈를 포함할 수 있다.
도 7은 일실시예에 따른 영상 생성 장치를 나타낸 도면이다.
도 7을 참고하면, 영상 생성 장치(700)는 메모리(710) 및 프로세서(720)를 포함한다. 영상 생성 장치(700)는 입력 영상을 분석(예컨대, 인식, 분류 또는 검출)하는 신경망을 학습시키기 위한 학습 데이터(예컨대, 학습 영상)를 생성하는 영역 등에서 광범위하게 이용될 수 있다. 영상 생성 장치(700)는 스마트 폰, 테블릿 컴퓨터, 랩톱 컴퓨터, 데스크톱 컴퓨터, 텔레비전, 웨어러블 장치, 보안 시스템, 스마트 홈 시스템 등 다양한 컴퓨팅 장치 및/또는 시스템에 탑재될 수 있다.
메모리(710)는 영상 생성 방법을 저장한다. 메모리(710)에 저장된 영상 생성 방법은 신경망을 학습시키기 위한 학습 영상을 생성하는 방법에 관한 것으로, 프로세서(720)에 의해 실행될 수 있다. 또한, 메모리(710)는 프로세서(720)에서 생성된 학습 영상을 저장하거나, 생성된 학습 영상에 기반하여 학습된 신경망을 저장할 수도 있다.
프로세서(720)는 영상 생성 방법을 실행한다. 프로세서(720)는 기준 영상의 픽셀 값들에 대한 윈도우 폭 및 윈도우 레벨 중 적어도 하나의 파라미터에 노이즈를 추가한다. 이 때, 윈도우 폭과 윈도우 레벨은 프로세서(720)가 기준 영상으로부터 학습 영상을 생성할 때 이용되는 파라미터를 의미할 수 있다.
그리고, 프로세서(720)는 노이즈가 추가된 파라미터를 이용하여 기준 영상으로부터 학습 영상을 생성한다. 일례로, 윈도우 폭 및 윈도우 레벨 모두에 노이즈가 추가된 경우, 프로세서(720)는 노이즈가 추가된 파라미터에 기초하여 기준 영상으로부터 학습 영상을 추출할 수 있다. 이 때, 노이즈가 추가된 파라미터는 윈도우 폭 및 윈도우 레벨을 의미할 수 있다.
다른 일례로, 윈도우 폭 및 윈도우 레벨 중 어느 하나의 파라미터에만 노이즈가 추가된 경우, 프로세서(720)는 노이즈가 추가된 파라미터와 노이즈가 추가되지 않은 나머지 파라미터에 기초하여 기준 영상으로부터 학습 영상을 추출할 수 있다. 다시 말해, 윈도우 폭 및 윈도우 레벨 중 노이즈가 추가되지 않은 나머지 파라미터가 존재하는 경우, 프로세서(720)는 파라미터와 나머지 파라미터에 기초하여 기준 영상으로부터 학습 영상을 생성할 수 있다.
추가적으로 노이즈를 학습 영상의 픽셀 값에 추가하지 않는 경우, 프로세서(720)는 기준 영상으로부터 추출된 학습 영상을 메모리(710)에 저장하거나, 또는 추출된 학습 영상에 기반하여 학습된 신경망을 메모리(710)에 저장할 수 있다.
추가적으로 학습 영상의 픽셀 값에 노이즈를 추가할 경우, 프로세서(720)는 기준 영상을 촬영한 기기의 특성 및 기준 영상에 포함된 오브젝트 중 적어도 하나에 기반하여 학습 영상의 픽셀 값에 노이즈를 추가할 수 있다.
프로세서(720)는 기준 영상을 촬영한 기기의 특성에 기반하여 노이즈 패턴을 생성하고, 생성된 노이즈 패턴을 학습 영상의 픽셀 값에 추가할 수 있다. 예를 들어, 프로세서(720)는 기준 영상을 촬영한 기기의 정보를 통해 기기를 식별하고, 식별된 기기에 기초하여 노이즈 패턴을 생성할 수 있다.
또한, 프로세서(720)는 기준 영상에 포함된 오브젝트에 기반하여 노이즈 패턴을 생성하고, 생성된 노이즈 패턴을 학습 영상의 픽셀 값에 추가할 수 있다. 예를 들어, 프로세서(720)는 기준 영상에 포함된 오브젝트가 뼈, 장기, 혈액 또는 종양인지 여부에 기반하여 노이즈 패턴을 생성할 수 있다. 나아가, 프로세서(720)는 뼈, 장기, 혈액 또는 종양의 모양에 기반하여 노이즈 패턴을 생성할 수도 있다.
프로세서(720)는 생성된 학습 영상을 메모리(710)에 저장할 수 있다.
나아가, 프로세서(720)는 학습 영상에 기초하여 신경망을 학습시킬 수 있다. 이 때, 학습 영상은 노이즈가 추가된 파라미터를 이용하여 기준 영상으로부터 추출된 영상으로서 픽셀 값에도 노이즈를 포함할 수 있다.
프로세서(720)는 학습된 신경망을 메모리(710)에 저장할 수 있다. 예를 들어, 프로세서(720)는 학습된 신경망에 대한 파라미터들을 메모리(710)에 저장할 수 있다.
도 7에 도시된 영상 생성 장치(700)의 세부 구성들에는 도 1 내지 도 6를 통하여 전술한 사항들이 그대로 적용되므로, 보다 상세한 설명은 생략한다.
도 8은 일실시예에 따라 영상 분석 방법을 나타낸 도면이다.
일실시예에 따른 영상 분석 방법은 영상 분석 장치에 구비된 프로세서에 의해 수행될 수 있다.
단계(810)에서, 영상 분석 장치는 입력 영상을 수신한다. 입력 영상은 분석하고자 하는 오브젝트(예컨대, 뼈, 장기, 혈액 등)가 포함된 의료 영상일 수 있다. 영상 분석 장치는 내장된 센서 또는 네트워크를 통해 외부에 위치하는 기기로부터 입력 영상을 수신할 수 있다.
단계(820)에서, 영상 분석 장치는 신경망에 기초하여 입력 영상을 분석한다. 신경망은 기 학습된 신경망으로서, 기준 영상으로부터 추출된 학습 영상에 기초하여 학습될 수 있다.
학습 영상은 기준 영상의 픽셀 값들에 대한 윈도우 폭 및 윈도우 레벨 중 적어도 하나의 파라미터에 노이즈를 추가하여 기준 영상으로부터 생성될 수 있다.
영상 분석 장치는 신경망을 이용하여 입력 영상을 분류할 수 있다. 예를 들어, 영상 분석 장치는 오브젝트를 포함하는 입력 영상을 신경망에 기초하여 특정 질병으로 분류하거나 해당 질병의 진행 정도를 확인할 수 있다. 또는, 영상 분석 장치는 신경망을 이용하여 입력 영상에 포함된 병변을 검출할 수 있다. 이 때, 신경망은 병변을 포함하는 다양한 의료 영상에 기반하여 학습될 수 있다.
신경망을 학습시키는 학습 영상을 생성하는 과정에 관해서는 도 1 내지 도 7을 통하여 전술한 사항들이 적용되므로, 보다 상세한 설명은 생략한다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.
이상과 같이 비록 한정된 실시예와 도면을 통해 실시예들을 설명하였으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다. 그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (19)

  1. 기준 영상을 수신하는 단계; 및
    상기 기준 영상의 픽셀 값들에 대한 윈도우 폭 및 윈도우 레벨 중 적어도 하나의 파라미터에 노이즈를 추가하여 상기 기준 영상으로부터 학습 영상을 생성하는 단계
    를 포함하는 영상 생성 방법.
  2. 제1항에 있어서,
    상기 학습 영상을 생성하는 단계는,
    상기 윈도우 폭 및 윈도우 레벨 중 상기 노이즈가 추가되지 않은 나머지 파라미터가 존재하는 경우, 상기 노이즈가 추가된 파라미터와 상기 노이즈가 추가되지 않은 나머지 파라미터에 기초하여 상기 기준 영상으로부터 학습 영상을 생성하는, 영상 생성 방법.
  3. 제1항에 있어서,
    상기 윈도우 폭 및 상기 윈도우 레벨은,
    상기 학습 영상에 기초하여 학습되는 신경망이 분석하고자 하는 오브젝트에 대해 미리 설정된 값을 포함하는, 영상 생성 방법.
  4. 제1항에 있어서,
    상기 윈도우 폭은,
    상기 기준 영상에 포함된 픽셀 값들 중에서 상기 학습 영상에 포함시키고자 하는 픽셀 값들의 범위를 나타내는, 영상 생성 방법.
  5. 제1항에 있어서,
    상기 윈도우 레벨은,
    상기 학습 영상에 포함되는 픽셀 값들의 범위에 대한 중심을 나타내는, 영상 생성 방법.
  6. 제1항에 있어서,
    상기 기준 영상은,
    상기 학습 영상에 기초하여 학습되는 신경망이 분석하고자 하는 오브젝트를 촬영한 의료 영상인, 영상 생성 방법.
  7. 제1항에 있어서,
    상기 학습 영상을 생성하는 단계는,
    윈도우 폭 및 윈도우 레벨이 상기 학습 영상에 기초하여 학습되는 신경망의 오브젝트에 대해 미리 설정된 값에서 벗어나도록 상기 윈도우 폭 및 윈도우 레벨 중 적어도 하나의 파라미터에 대한 값을 변형시키는, 영상 생성 방법.
  8. 제1항에 있어서,
    상기 학습 영상의 픽셀 값에 노이즈를 추가하는 단계
    를 더 포함하는, 영상 생성 방법.
  9. 제8항에 있어서,
    상기 학습 영상의 픽셀 값에 추가된 노이즈는,
    상기 기준 영상을 촬영한 기기의 특성 및 상기 기준 영상에 포함된 오브젝트 중 적어도 하나에 기반하여 생성되는, 영상 생성 방법.
  10. 입력 영상을 수신하는 단계; 및
    신경망에 기초하여 상기 입력 영상을 분석하는 단계
    를 포함하고,
    상기 신경망은, 기준 영상으로부터 추출된 학습 영상에 기초하여 학습되고,
    상기 학습 영상은,
    상기 기준 영상의 픽셀 값들에 대한 윈도우 폭 및 윈도우 레벨 중 적어도 하나의 파라미터에 노이즈를 추가하여 상기 기준 영상으로부터 생성되는, 영상 분석 방법.
  11. 영상 생성 방법이 저장된 메모리; 및
    상기 영상 생성 방법을 실행하는 프로세서
    를 포함하고,
    상기 프로세서는,
    기준 영상의 픽셀 값들에 대한 윈도우 폭 및 윈도우 레벨 중 적어도 하나의 파라미터에 노이즈를 추가하여 상기 기준 영상으로부터 학습 영상을 생성하는 영상 생성 장치.
  12. 제11항에 있어서,
    상기 프로세서는,
    상기 윈도우 폭 및 윈도우 레벨 중 상기 노이즈가 추가되지 않은 나머지 파라미터가 존재하는 경우, 상기 노이즈가 추가된 파라미터와 상기 노이즈가 추가되지 않은 나머지 파라미터에 기초하여 상기 기준 영상으로부터 학습 영상을 생성하는, 영상 생성 장치.
  13. 제11항에 있어서,
    상기 윈도우 폭 및 상기 윈도우 레벨은,
    상기 학습 영상에 기초하여 학습되는 신경망이 분석하고자 하는 오브젝트에 대해 미리 설정된 값을 포함하는, 영상 생성 장치.
  14. 제11항에 있어서,
    상기 윈도우 폭은,
    상기 기준 영상에 포함된 픽셀 값들 중에서 상기 학습 영상에 포함시키고자 하는 픽셀 값들의 범위를 나타내는, 영상 생성 장치.
  15. 제11항에 있어서,
    상기 윈도우 레벨은,
    상기 학습 영상에 포함되는 픽셀 값들의 범위에 대한 중심을 나타내는, 영상 생성 장치.
  16. 제11항에 있어서,
    상기 기준 영상은,
    상기 학습 영상에 기초하여 학습되는 신경망이 분석하고자 하는 오브젝트를 촬영한 의료 영상인, 영상 생성 장치.
  17. 제11항에 있어서,
    상기 프로세서는,
    윈도우 폭 및 윈도우 레벨이 상기 학습 영상에 기초하여 학습되는 신경망의 오브젝트에 대해 미리 설정된 값에서 벗어나도록 상기 윈도우 폭 및 윈도우 레벨 중 적어도 하나의 파라미터에 대한 값을 변형시키는, 영상 생성 장치.
  18. 제11항에 있어서,
    상기 프로세서는,
    상기 학습 영상의 픽셀 값에 노이즈를 추가하는, 영상 생성 장치.
  19. 제18항에 있어서,
    상기 학습 영상의 픽셀 값에 추가된 노이즈는,
    상기 기준 영상을 촬영한 기기의 특성 및 상기 기준 영상에 포함된 오브젝트 중 적어도 하나에 기반하여 생성되는, 영상 생성 장치.
PCT/KR2015/010085 2015-09-24 2015-09-24 영상 생성 방법 및 장치, 및 영상 분석 방법 WO2017051943A1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US14/787,728 US20170256038A1 (en) 2015-09-24 2015-09-24 Image Generating Method and Apparatus, and Image Analyzing Method
KR1020177036475A KR101880035B1 (ko) 2015-09-24 2015-09-24 영상 생성 방법 및 장치, 및 영상 분석 방법
PCT/KR2015/010085 WO2017051943A1 (ko) 2015-09-24 2015-09-24 영상 생성 방법 및 장치, 및 영상 분석 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/KR2015/010085 WO2017051943A1 (ko) 2015-09-24 2015-09-24 영상 생성 방법 및 장치, 및 영상 분석 방법

Publications (1)

Publication Number Publication Date
WO2017051943A1 true WO2017051943A1 (ko) 2017-03-30

Family

ID=58386849

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2015/010085 WO2017051943A1 (ko) 2015-09-24 2015-09-24 영상 생성 방법 및 장치, 및 영상 분석 방법

Country Status (3)

Country Link
US (1) US20170256038A1 (ko)
KR (1) KR101880035B1 (ko)
WO (1) WO2017051943A1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108537794A (zh) * 2018-04-19 2018-09-14 上海联影医疗科技有限公司 医学图像数据处理方法、装置和计算机可读存储介质
CN110462689A (zh) * 2017-04-05 2019-11-15 通用电气公司 基于深度学习的断层摄影重建
US20220261670A1 (en) * 2017-12-18 2022-08-18 Aptiv Technologies Limited Methods of Processing and Generating Image Data in a Connectionist Network

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11517197B2 (en) 2017-10-06 2022-12-06 Canon Medical Systems Corporation Apparatus and method for medical image reconstruction using deep learning for computed tomography (CT) image noise and artifacts reduction
US10803984B2 (en) 2017-10-06 2020-10-13 Canon Medical Systems Corporation Medical image processing apparatus and medical image processing system
CN109782989B (zh) 2017-11-14 2021-08-03 腾讯科技（深圳）有限公司 安全验证方法及相关装置
US10891762B2 (en) * 2017-11-20 2021-01-12 ClariPI Inc. Apparatus and method for medical image denoising based on deep learning
KR102033743B1 (ko) * 2017-11-20 2019-11-08 주식회사 클라리파이 딥러닝 기반 ct 이미지 잡음 저감 장치 및 방법
US10825132B2 (en) * 2018-02-20 2020-11-03 Element Ai Inc. Training method for convolutional neural networks for use in artistic style transfers for video
US11341277B2 (en) * 2018-04-20 2022-05-24 Nec Corporation Method and system for securing machine learning models
US12248877B2 (en) * 2018-05-23 2025-03-11 Movidius Ltd. Hybrid neural network pruning
KR102211541B1 (ko) 2019-01-16 2021-02-02 연세대학교 산학협력단 학습 영상 유효성 검증 장치 및 방법
DE102020133963A1 (de) * 2020-03-10 2021-09-16 Samsung Electronics Co., Ltd. Systeme und Verfahren zur Abbildrauschunterdrückung unter Verwendung von tiefen gefalteten Netzwerken
KR102208690B1 (ko) * 2020-07-23 2021-01-28 주식회사 어반베이스 데이터 증강 기반 스타일 분석 모델 학습 장치 및 방법
KR102208685B1 (ko) * 2020-07-23 2021-01-28 주식회사 어반베이스 데이터 증강 기반 공간 분석 모델 학습 장치 및 방법
KR102208688B1 (ko) * 2020-07-23 2021-01-28 주식회사 어반베이스 데이터 증강 기반 사물 분석 모델 학습 장치 및 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7848555B2 (en) * 2005-01-04 2010-12-07 Carestream Health, Inc. Computer aided detection of microcalcification clusters
WO2013104938A2 (en) * 2012-01-11 2013-07-18 77 Elektronika Muszeripari Kft. Neural network and a method for teaching thereof
KR20140145801A (ko) * 2013-06-14 2014-12-24 전북대학교산학협력단 신경망을 이용한 영상의 화질 개선 시스템 및 방법
KR20150088157A (ko) * 2014-01-23 2015-07-31 삼성전자주식회사 행동 인식을 위한 특징 벡터 생성 방법, 히스토그램 생성 방법, 및 분류기 학습 방법
US20150238148A1 (en) * 2013-10-17 2015-08-27 Siemens Aktiengesellschaft Method and system for anatomical object detection using marginal space deep neural networks

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7130776B2 (en) * 2002-03-25 2006-10-31 Lockheed Martin Corporation Method and computer program product for producing a pattern recognition training set

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7848555B2 (en) * 2005-01-04 2010-12-07 Carestream Health, Inc. Computer aided detection of microcalcification clusters
WO2013104938A2 (en) * 2012-01-11 2013-07-18 77 Elektronika Muszeripari Kft. Neural network and a method for teaching thereof
KR20140145801A (ko) * 2013-06-14 2014-12-24 전북대학교산학협력단 신경망을 이용한 영상의 화질 개선 시스템 및 방법
US20150238148A1 (en) * 2013-10-17 2015-08-27 Siemens Aktiengesellschaft Method and system for anatomical object detection using marginal space deep neural networks
KR20150088157A (ko) * 2014-01-23 2015-07-31 삼성전자주식회사 행동 인식을 위한 특징 벡터 생성 방법, 히스토그램 생성 방법, 및 분류기 학습 방법

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110462689A (zh) * 2017-04-05 2019-11-15 通用电气公司 基于深度学习的断层摄影重建
KR20190133728A (ko) * 2017-04-05 2019-12-03 제너럴 일렉트릭 캄파니 딥러닝에 기초한 단층촬영 재구성
KR102257637B1 (ko) * 2017-04-05 2021-05-31 제너럴 일렉트릭 캄파니 딥러닝에 기초한 단층촬영 재구성
CN110462689B (zh) * 2017-04-05 2023-06-02 通用电气公司 基于深度学习的断层摄影重建
US20220261670A1 (en) * 2017-12-18 2022-08-18 Aptiv Technologies Limited Methods of Processing and Generating Image Data in a Connectionist Network
US12266191B2 (en) * 2017-12-18 2025-04-01 Aptiv Technologies AG Methods of processing and generating image data in a connectionist network
CN108537794A (zh) * 2018-04-19 2018-09-14 上海联影医疗科技有限公司 医学图像数据处理方法、装置和计算机可读存储介质
CN108537794B (zh) * 2018-04-19 2021-09-21 上海联影医疗科技股份有限公司 医学图像数据处理方法、装置和计算机可读存储介质

Also Published As

Publication number Publication date
US20170256038A1 (en) 2017-09-07
KR20180004824A (ko) 2018-01-12
KR101880035B1 (ko) 2018-07-19

Similar Documents

Publication Publication Date Title
WO2017051943A1 (ko) 영상 생성 방법 및 장치, 및 영상 분석 방법
Harrison et al. Progressive and multi-path holistically nested neural networks for pathological lung segmentation from CT images
US11151721B2 (en) System and method for automatic detection, localization, and semantic segmentation of anatomical objects
BR112020025391A2 (pt) Sistemas e métodos para processar vídeo em tempo real de um dispositivo de imagem médica e detectar objetos no vídeo
WO2021071288A1 (ko) 골절 진단모델의 학습 방법 및 장치
CN106777953A (zh) 医学影像数据的分析方法及系统
Poap et al. Chest radiographs segmentation by the use of nature-inspired algorithm for lung disease detection
WO2019172498A1 (ko) 종양의 악성도와 악성도 추론의 근거를 제공하는 컴퓨터 보조 진단 시스템 및 그 방법
WO2023229415A1 (ko) Ar 영상 제공 방법 및 ar 영상 제공 장치
WO2019143021A1 (ko) 영상의 열람을 지원하는 방법 및 이를 이용한 장치
WO2022145841A1 (ko) 병변 판독 방법 및 이를 위한 장치
WO2021034138A1 (ko) 치매 평가 방법 및 이를 이용한 장치
WO2017221412A1 (ja) 画像処理装置、学習装置、画像処理方法、識別基準の作成方法、学習方法およびプログラム
Chang et al. Medical image segmentation using a contextual-constraint-based Hopfield neural cube
WO2021054700A1 (ko) 치아 병변 정보 제공 방법 및 이를 이용한 장치
WO2021002669A1 (ko) 병변 통합 학습 모델을 구축하는 장치와 방법, 및 상기 병변 통합 학습 모델을 사용하여 병변을 진단하는 장치와 방법
WO2020139011A1 (ko) 뇌병변 정보 제공 장치 및 방법
WO2023027248A1 (ko) 데이터 생성 방법 및 이를 이용한 학습방법 및 장치
Alkhalisy et al. Students Behavior Detection Based on Improved YOLOv5 Algorithm Combining with CBAM Attention Mechanism.
Olsen Motion tracking of infants in risk of cerebral palsy
WO2019168280A1 (ko) 뉴럴 네트워크를 이용하여 캡슐 내시경 영상으로부터 병변 판독 방법 및 장치
Dwiyanto et al. Dealing with COVID-19 using deep learning for computer vision
WO2024117555A1 (ko) 이미지 데이터에 대한 분류 모델을 학습시키는 방법 및 이를 위한 장치
WO2023033392A1 (ko) 기계학습 방법 및 장치
WO2024106799A1 (ko) 늑골 골절에 대한 정보 제공 방법 및 이를 이용한 디바이스

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 14787728

Country of ref document: US

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 15904754

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 20177036475

Country of ref document: KR

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 06/08/2018)

122 Ep: pct application non-entry in european phase

Ref document number: 15904754

Country of ref document: EP

Kind code of ref document: A1