WO2023229384A1 - 학습 데이터 생성 방법, 컴퓨터 프로그램 및 장치 - Google Patents

학습 데이터 생성 방법, 컴퓨터 프로그램 및 장치 Download PDF

Info

Publication number
WO2023229384A1
WO2023229384A1 PCT/KR2023/007108 KR2023007108W WO2023229384A1 WO 2023229384 A1 WO2023229384 A1 WO 2023229384A1 KR 2023007108 W KR2023007108 W KR 2023007108W WO 2023229384 A1 WO2023229384 A1 WO 2023229384A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
noise
generating
learning
input
Prior art date
Legal status (The legal status 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 status listed.)
Ceased
Application number
PCT/KR2023/007108
Other languages
English (en)
French (fr)
Inventor
정근우
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Airs Medical Inc
Original Assignee
Airs Medical Inc
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 Airs Medical Inc filed Critical Airs Medical Inc
Priority to EP23812158.6A priority Critical patent/EP4503049A4/en
Priority to US18/721,768 priority patent/US20250061546A1/en
Publication of WO2023229384A1 publication Critical patent/WO2023229384A1/ko
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing

Definitions

  • the present disclosure relates to a method, computer program, and device for generating learning data, and specifically relates to a method, computer program, and device for generating learning data using medical images.
  • a medical imaging device is a device that obtains a patient's body information and provides images.
  • Medical imaging devices include X-ray imaging devices, ultrasound diagnostic devices, computed tomography devices, and magnetic resonance imaging (MRI) imaging devices.
  • MRI magnetic resonance imaging
  • Magnetic resonance imaging devices are equipment that requires considerable imaging time. Therefore, accelerated imaging technology to shorten the imaging time of magnetic resonance imaging is very important in the medical industry. In order for an accelerated magnetic resonance image to be used in the medical field, it must contain all information about the subject being imaged, while minimizing noise that affects the interpretation of the information. In response to this need, technology has recently been developed based on artificial intelligence to restore low-quality, accelerated MRI images to a high-quality, non-accelerated state.
  • the present disclosure is intended to solve the problems of the prior art described above, and relates to a learning data generation method, computer program, and device for generating a learning image and a label image using only one input image .
  • a method of generating learning data performed by a computing device includes generating random noise corresponding to noise of an input image, generating first noise and second noise based on the random noise, and generating first noise based on the input image and the first noise. Generating an image and generating a second image based on the input image and the second noise, wherein the first image and the second image have a noise-independent relationship with each other .
  • generating the first noise and the second noise may include generating the first noise by applying a first coefficient to the random noise, and generating a second noise that is dependent on the first coefficient to the random noise. and generating the second noise by applying a coefficient.
  • the first image is generated by applying the first noise to the input image
  • the second image is generated by applying the second noise to the input image
  • the second image further includes generating a learning image and a label image that are input to an artificial neural network model that outputs a high-quality medical image based on a low-quality medical image. It is characterized by
  • generating the learning image and the label image may include determining weights corresponding to each of the first image and the second image based on a noise reduction target set in the artificial neural network model, and and generating the learning image and the label image by combining the first image and the second image based on a weight.
  • the step of determining the weight determines the weight corresponding to each of the first image and the second image such that the sum of the weight of the first image and the weight of the second image is 1.
  • the input image, the first image and the second image are each k-space data.
  • generating k-space training data and k-space label data by combining the first image and the second image, and performing Fourier transform on the k-space training data and the k-space label data, respectively.
  • the method further includes generating learning images and label images that are input to an artificial neural network model that outputs high-quality medical images based on low-quality medical images.
  • the step of generating the random noise may include calculating the noise size based on a standard deviation of pixel values that are a certain distance away from the center of the input image and generating the random noise corresponding to the noise size. It includes steps to:
  • the random noise includes noise that follows a complex Gaussian distribution.
  • the input image, the first image and the second image are each magnetic resonance images.
  • generating the random noise may include distinguishing a background of the input image, calculating the noise size based on a standard deviation of pixel values of the background, and the random noise corresponding to the noise size. It includes the step of generating.
  • the random noise includes noise following a Rician Distribution or Noncentral chi distribution.
  • a learning data generating device is disclosed according to an embodiment of the present disclosure for realizing the above-described problem.
  • the device generates a memory for storing an input image and random noise corresponding to the noise of the input image, and generates first noise and second noise based on the random noise, and generates the input image and the first noise. and a processor that generates a first image based on and generates a second image based on the input image and the second noise, wherein the first image and the second image are noise independent of each other. .
  • the processor generates the first noise and the second noise by applying a first coefficient and a second coefficient to the random noise, respectively, and applies the first noise and the second noise to the input image.
  • the first image and the second image are generated by applying each image, and the first coefficient and the second coefficient are dependent on each other.
  • the processor generates a training image and a label image for learning the artificial neural network model by combining the first image and the second image based on a noise reduction goal set in the artificial neural network model, and
  • the artificial neural network model is characterized by being learned to output high-quality medical images based on low-quality medical images.
  • a computer program stored in a computer-readable storage medium When the computer program is executed on one or more processors, it performs the following operations. At this time, the operations include generating random noise corresponding to the noise of the input image, generating first noise and second noise based on the random noise, and generating random noise based on the input image and the first noise. Generating a first image and generating a second image based on the input image and the second noise, wherein the first image and the second image are independent of noise.
  • the present disclosure can generate a learning image and a label image using one input image, and can train an artificial neural network even without a high-quality label image.
  • the present disclosure can generate learning images and label images based on the noise reduction goal of the artificial neural network model, so that the noise reduction goal of the artificial neural network model can be adjusted quantitatively and in detail. there is.
  • FIG. 1 is a block diagram of a computing device according to an embodiment of the present disclosure.
  • Figure 2 is a block diagram of an artificial neural network model learning system according to an embodiment of the present disclosure.
  • Figure 3 is a flowchart showing a method of operating a learning data generating device according to an embodiment of the present disclosure.
  • Figure 4 is a flowchart showing a method of operating a learning data generating device according to an embodiment of the present disclosure.
  • Figure 5 is a flowchart showing a method of operating an artificial neural network model according to an embodiment of the present disclosure.
  • Figure 6 is a block diagram of an artificial neural network model learning system according to an embodiment of the present disclosure.
  • the term “or” is intended to mean an inclusive “or” and not an exclusive “or.” That is, unless otherwise specified in the present disclosure or the meaning is not clear from the context, “X uses A or B” should be understood to mean one of natural implicit substitutions. For example, unless otherwise specified in the present disclosure or the meaning is not clear from context, “X uses A or B” means that It can be interpreted as one of the cases where all B is used.
  • N is a natural number
  • N is a natural number
  • components performing different functional roles may be distinguished as first components or second components.
  • components that are substantially the same within the technical spirit of the present disclosure but must be distinguished for convenience of explanation may also be distinguished as first components or second components.
  • module refers to a computer-related entity, firmware, software or part thereof, hardware or part thereof.
  • the “module” or “unit” can be understood as a term referring to an independent functional unit that processes computing resources, such as a combination of software and hardware.
  • the “module” or “unit” may be a unit composed of a single element, or may be a unit expressed as a combination or set of multiple elements.
  • a “module” or “part” in the narrow sense is a hardware element or set of components of a computing device, an application program that performs a specific function of software, a process implemented through the execution of software, or a program. It can refer to a set of instructions for execution, etc.
  • module or “unit” may refer to the computing device itself constituting the system, or an application running on the computing device.
  • module or “unit” may be defined in various ways within a range understandable to those skilled in the art based on the contents of the present disclosure.
  • model refers to a system implemented using mathematical concepts and language to solve a specific problem, a set of software units to solve a specific problem, or a process to solve a specific problem. It can be understood as an abstract model of a process.
  • a neural network “model” may refer to an overall system implemented as a neural network that has problem-solving capabilities through learning. At this time, the neural network can have problem-solving capabilities by optimizing parameters connecting nodes or neurons through learning.
  • a neural network “model” may include a single neural network or a neural network set in which multiple neural networks are combined.
  • image refers to multi-dimensional data consisting of discrete image elements (e.g., pixels in a two-dimensional image and voxels in a three-dimensional image). can do.
  • the image may include, but is not limited to, a medical image acquired by a medical imaging device such as a magnetic resonance imaging device, a computed tomography (CT) device, an ultrasonic imaging device, or an X-ray imaging device.
  • a medical imaging device such as a magnetic resonance imaging device, a computed tomography (CT) device, an ultrasonic imaging device, or an X-ray imaging device.
  • medical image used in this disclosure is a concept that collectively refers to all forms of images encompassing medical knowledge and includes various modalities such as visible light cameras, IR cameras, ultrasound, X-ray, CT, MRI, and PET. It may include images acquired through .
  • the term “medical image archiving and communication system” refers to the storage, processing, and processing of medical images in accordance with the DICOM (digital imaging and communications in medicine) standard. It can refer to a transmitting system.
  • the “medical image storage and transmission system” is linked with digital medical imaging equipment to produce medical images such as magnetic resonance imaging (MRI) and computed tomography (CT) images, and other digital medical images. It can be saved according to communication standards.
  • the “medical image storage and transmission system” can transmit medical images to terminals inside and outside the hospital through a communication network. At this time, meta information such as reading results and medical records may be added to the medical image.
  • object used in the present disclosure refers to a subject of photography and may include a person, an animal, or a part thereof.
  • the object may include a part of the body (organ, etc.) or a phantom.
  • a phantom refers to a substance with a volume very close to the density and effective atomic number of a living organism, and may include a spherical phantom with properties similar to the body.
  • the Magnetic Resonance Image (MRI) system expresses the strength of the Magnetic Resonance (MR) signal in contrast to the RF (Radio Frequency) signal generated in a magnetic field of a certain strength, providing information on the tomographic area of the object. It is a system for acquiring images.
  • MR Magnetic Resonance
  • RF Radio Frequency
  • the MRI system causes the main magnet to form a static magnetic field and aligns the magnetic dipole moment direction of a specific atomic nucleus of an object located in the static magnetic field in the direction of the static magnetic field.
  • the gradient magnetic field coil can apply a gradient signal to a static field to form a gradient magnetic field and induce different resonance frequencies for each part of the object.
  • the RF coil can irradiate magnetic resonance signals according to the resonance frequency of the area for which images are desired to be acquired. Additionally, as a gradient magnetic field is formed, the RF coil can receive magnetic resonance signals of different resonance frequencies radiated from various parts of the object.
  • the MRI system acquires images by applying image restoration techniques to the magnetic resonance signals received through these steps. Additionally, the MRI system may perform serial or parallel signal processing on a plurality of magnetic resonance signals received by a multi-channel RF coil to reconstruct the plurality of magnetic resonance signals into image data.
  • FIG. 1 is a block diagram of a computing device according to an embodiment of the present disclosure.
  • the computing device 100 may be a hardware device or part of a hardware device that performs comprehensive processing and calculation of data, or may be a software-based computing environment connected to a communication network.
  • the computing device 100 may be a server that performs intensive data processing functions and shares resources, or it may be a client that shares resources through interaction with the server.
  • the computing device 100 may be a cloud system that allows a plurality of servers and clients to interact and comprehensively process data. Since the above description is only an example related to the type of computing device 100, the type of computing device 100 may be configured in various ways within a range understandable to those skilled in the art based on the contents of the present disclosure.
  • a computing device 100 may include a processor 110, a memory 120, and a network unit 130. there is. However, since FIG. 1 is only an example, the computing device 100 may include other components for implementing a computing environment. Additionally, only some of the configurations disclosed above may be included in computing device 100.
  • the processor 110 may be understood as a structural unit including hardware and/or software for performing computing operations.
  • the processor 110 may read a computer program and perform data processing for machine learning.
  • the processor 110 may process computational processes such as processing input data for machine learning, extracting features for machine learning, and calculating errors based on backpropagation.
  • the processor 110 for performing such data processing includes a central processing unit (CPU), a general purpose graphics processing unit (GPGPU), a tensor processing unit (TPU), and a custom processing unit (TPU). It may include a semiconductor (ASIC: application specific integrated circuit), or a field programmable gate array (FPGA: field programmable gate array). Since the type of processor 110 described above is only an example, the type of processor 110 may be configured in various ways within a range understandable to those skilled in the art based on the contents of the present disclosure.
  • the processor 110 may generate learning data input to an artificial neural network model.
  • the artificial neural network model is trained with training data and can output low-quality images as high-quality images.
  • an artificial neural network model can create high-quality images by removing noise from low-quality input images.
  • An artificial neural network model may include at least one neural network.
  • Neural networks may include network models such as Deep Neural Network (DNN), Recurrent Neural Network (RNN), Bidirectional Recurrent Deep Neural Network (BRDNN), Multilayer Perceptron (MLP), and Convolutional Neural Network (CNN). It is not limited to this.
  • DNN Deep Neural Network
  • RNN Recurrent Neural Network
  • BPDNN Bidirectional Recurrent Deep Neural Network
  • MLP Multilayer Perceptron
  • CNN Convolutional Neural Network
  • the image may be a medical image, for example a magnetic resonance image.
  • the magnetic resonance image may have been acquired through accelerated imaging.
  • Accelerated shooting can be understood as a shooting technique that shortens shooting time by increasing the acceleration factor compared to regular shooting.
  • the acceleration index is a term used in parallel imaging techniques, and can be understood as the number of signal lines fully sampled in the k-space region divided by the number of signal lines sampled through imaging.
  • the processor 110 may generate learning data based on one input image.
  • the input image may be a medical image, magnetic resonance image, or k-space data.
  • Training data may include a training image and a label image corresponding to the training image. Label images may be of higher quality than training images.
  • the learning image and the label image may be independent of noise.
  • the learning image and the label image may have a noise-independent relationship by a preset value, and may have a noise-dependent relationship by a preset value.
  • the artificial neural network model learned with the training image and label image can be trained to remove noise by a preset value.
  • the processor 110 may generate two images that are noise-independent from each other using one input image and generate learning data using the two images. Therefore, an artificial neural network can be trained without high-quality labeled images. Additionally, the noise reduction goal of the artificial neural network model can be adjusted in detail by setting the degree of noise independence or noise dependence of the two images.
  • the processor 110 may train an artificial neural network model using a training image and a label image generated based on one input image.
  • the processor 110 may learn an artificial neural network model to improve image quality.
  • the image may be, for example, a magnetic resonance image, or may have been acquired by accelerated imaging.
  • Accelerated shooting can be understood as a shooting technique that shortens shooting time by increasing the acceleration factor compared to regular shooting.
  • the acceleration index is a term used in parallel imaging techniques, and can be understood as the number of signal lines fully sampled in the K-space region divided by the number of signal lines sampled through imaging.
  • an acceleration index of 2 can be understood as acquiring half the number of signal lines compared to the number of fully sampled signal lines when acquiring a line by sampling a magnetic resonance signal in the phase encoding direction. Therefore, as the acceleration index increases, the capturing time of the magnetic resonance image may decrease proportionally. That is, if the acceleration index is increased when taking a magnetic resonance image, accelerated imaging with a shortened magnetic resonance image taking time can be implemented.
  • the processor 110 may create a user interface that provides an environment for interaction with a user of the computing device 100 or a user of an arbitrary client.
  • the processor 110 may create a user interface for receiving an input image and a noise reduction goal of an artificial neural network model.
  • the processor 110 may create a user interface that allows functions such as output, modification, change, or addition of data to be implemented based on an external input signal applied from the user. Since the role of the user interface described above is only an example, the role of the user interface may be defined in various ways within a range understandable to those skilled in the art based on the contents of the present disclosure.
  • the memory 120 may be understood as a structural unit including hardware and/or software for storing and managing data processed in the computing device 100. That is, the memory 120 can store any type of data generated or determined by the processor 110 and any type of data received by the network unit 130.
  • the memory 120 may be a flash memory type, hard disk type, multimedia card micro type, card type memory, or random access memory (RAM). ), SRAM (static random access memory), ROM (read-only memory), EEPROM (electrically erasable programmable read-only memory), PROM (programmable read-only memory), magnetic memory , a magnetic disk, or an optical disk may include at least one type of storage medium.
  • the memory 120 may include a database system that controls and manages data in a predetermined system. Since the type of memory 120 described above is only an example, the type of memory 120 may be configured in various ways within a range understandable to those skilled in the art based on the contents of the present disclosure.
  • the memory 120 can structure, organize, and manage data necessary for the processor 110 to perform operations, combinations of data, and program codes executable on the processor 110.
  • the memory 120 may store an input image received through the network unit 130, which will be described later. Additionally, the memory 120 may store learning images and label images generated from input images by the processor 110. Additionally, the memory 120 may store program code that operates the processor 110 to generate learning data.
  • the network unit 130 may be understood as a structural unit that transmits and receives data through any type of known wired or wireless communication system.
  • the network unit 130 is a local area network (LAN), wideband code division multiple access (WCDMA), long term evolution (LTE), and WiBro (wireless).
  • broadband internet 5th generation mobile communication (5G), ultra wide-band wireless communication, ZigBee, radio frequency (RF) communication, wireless LAN, wireless fidelity ), data transmission and reception can be performed using a wired or wireless communication system such as near field communication (NFC), or Bluetooth. Since the above-described communication systems are only examples, the wired and wireless communication systems for data transmission and reception of the network unit 130 may be applied in various ways other than the above-described examples.
  • the network unit 130 may receive data necessary for the processor 110 to perform calculations through wired or wireless communication with any system or client. Additionally, the network unit 130 may transmit data generated through the calculation of the processor 110 through wired or wireless communication with any system or any client.
  • the network unit 130 can receive medical images through communication with a medical image storage and transmission system, a cloud server that performs tasks such as improving the resolution of medical images and standardization, or the computing device 100. there is.
  • the network unit 130 may transmit the generated learning image and label image through communication with the above-described system, server, or computing device 100.
  • the network unit 130 may provide the user interface created by the processor 110 to any system or client through wired or wireless communication with any system or client.
  • the network unit 130 provides a user interface for visualizing data processed by the processor 110 through communication with a medical image storage and transmission system or a computing device 100 including a display. It can be provided to a system or device.
  • the network unit 130 may receive an external input signal applied from a user through a user interface from the above-described system or device and transmit it to the processor 110.
  • the processor 110 may operate to implement functions such as output, modification, change, or addition of data based on the external input signal transmitted from the network unit 130.
  • a system or device provided with a user interface may operate on its own to implement functions such as output, modification, change, or addition of data according to an external input signal applied from the user. there is.
  • Figure 2 is a block diagram of an artificial neural network model learning system according to an embodiment of the present disclosure.
  • the artificial neural network model learning system 1 includes a learning data generating device 10 and an artificial neural network model 500.
  • the learning data generating device 10 receives one input image 200 and generates learning data including a learning image 410 and a label image 420.
  • the artificial neural network model 500 is trained to output high-quality images from low-quality images using learning data.
  • the learning data generating device 10 can measure the noise size of the input image 200.
  • the noise size may mean the standard deviation of pixel values included in the input image 200.
  • the background of the input image 200 is segmented, and this refers to the standard deviation of pixel values of the segmented background.
  • the learning data generating device 10 may generate random noise having the same size as the measured noise size. Random noise may mean noise that follows a complex Gaussian distribution, Rician distribution, or noncentral chi distribution. Additionally, the random noise may be an image that has the same size as the input image. At this time, noise for each pixel of random noise, which is in the form of an image, can be generated independently.
  • the noise size can be set for each pixel of the input image 200. Additionally, it can be set to be proportional to the structure factor (g-factor) value.
  • the learning data generating device 10 generates first noise by multiplying random noise by a first coefficient, and generates second noise by multiplying random noise by a second coefficient. At this time, when one of the first coefficient and the second coefficient is determined, the other value can be determined.
  • the learning data generating device 10 generates a first image 310 based on the input image 200 and the first noise, and generates a second image 320 based on the input image 200 and the second noise. do. For example, the learning data generating device 10 generates a first image 310 by adding first noise to the input image 200, and creates a second image 320 by adding second noise to the input image 200. ) is created.
  • the first coefficient and the second coefficient are determined so that the first image and the second image have a noise-independent relationship with each other. That is, the first coefficient and the second coefficient are determined so that the noise of the input image 200 plus the first noise and the noise of the input image 200 plus the second noise have a noise-independent relationship.
  • the learning data generating device 10 generates a learning image 410 and a label image 420 by combining the first image 310 and the second image 320. Combining methods may vary. For example, the learning data generating device 10 may output the first image 310 and the second image 320, respectively, based on the noise reduction goal set in the artificial neural network model 500. Determine the corresponding weight. For example, the weight means a coefficient of a linear combination of the first image 310 and the second image 320.
  • the learning image 410 and the label image 420 may be generated according to Equation 1, for example.
  • Equation 1 T refers to the learning image 410, L refers to the label image 420, X refers to the first image 310, and Y refers to the second image 320.
  • a means training the artificial neural network model 500 to achieve a noise reduction goal, for example, to reduce noise by a times or to increase the signal-to-noise ratio (SNR) by a times.
  • SNR signal-to-noise ratio
  • the signal sizes of the learning image 410 and the label image 420 are the same, and the label image 420 includes noise that is dependent on the learning image 410 by 1/a. Since the artificial neural network model 500 does not learn independent noise, it is learned to increase the SNR by a times. For example, if a is infinite, the training image 410 is the first image 310 and the label image 420 is the second image 320. At this time, since the first image 310 and the second image 320 are noise-independent, the artificial neural network model 500 is trained to increase the SNR infinitely. Meanwhile, Equation 1 is an example, and the method of generating the learning image 410 and the label image 420 by combining the first image 310 and the second image 320 is not limited thereto.
  • the learning data generating device 10 may provide learning data including the generated learning image 410 and label image 420 to the artificial neural network model 500.
  • the configuration shown in FIG. 1 is an example, and the learning data generating device 10 and the artificial neural network model 500 may be included in different systems, where the learning data generating device 10 and the artificial neural network model ( 500) can transmit and receive learning data through the network.
  • Figure 3 is a flowchart showing a method of operating a learning data generating device according to an embodiment of the present disclosure.
  • the learning data generating device may be an embodiment of the learning data generating device 10 of FIG. 1 or the learning data generating device 11 of FIG. 6.
  • the learning data generating device generates random noise corresponding to the noise of the input image (S110). Specifically, random noise having the same size as the noise size of the input image is generated.
  • the learning data generating device calculates the noise size based on the standard deviation of pixel values that are a certain distance away from the center of the input image. Then, it generates noise that has the calculated size and follows a complex Gaussian distribution.
  • the learning data generating device segments the background of the input image and calculates the noise size based on the standard deviation of pixel values of the background. Then, noise is generated that follows the Rician Distribution or Noncentral Chi distribution with the calculated size.
  • the learning data generating device generates first noise and second noise based on random noise (S120).
  • the first noise is generated by applying the first coefficient to random noise
  • the second noise is generated by applying the second coefficient to random noise
  • the second coefficient is based on a preset value and the first coefficient. It is decided.
  • the first coefficient and the second coefficient are determined so that the noise of the input image plus the first noise and the noise of the input image plus the second noise have a noise-independent relationship with each other. That is, the first coefficient and the second coefficient are dependent on each other.
  • the learning data generating device generates first noise by multiplying random noise by a first coefficient, and generates second noise by multiplying random noise by a second coefficient.
  • the learning data generating device generates a first image based on the input image and the first noise (S130) and generates a second image based on the input image and the second noise (S140).
  • the order of steps S130 and S140 is not limited thereto and may be performed simultaneously.
  • the first image is created by adding first noise to the input image
  • the second image is created by adding second noise to the input image.
  • the first image and the second image are noise independent of each other.
  • the learning data generating device generates a learning image and a label image that are input to the artificial neural network model based on the first image and the second image (S150).
  • preprocessing of the first image and the second image may be performed. For example, an operation of converting the domains of the first image and the second image may be performed.
  • step S150 is not necessarily performed and can be omitted.
  • Figure 4 is a flowchart showing a method of operating a learning data generating device according to an embodiment of the present disclosure.
  • the learning data generating device may be an embodiment of the learning data generating device 10 of FIG. 1 or the learning data generating device 11 of FIG. 6.
  • the learning data generating device can set a noise reduction goal for the artificial neural network model (S210).
  • the learning data generating device determines weights corresponding to the first image and the second image based on the noise reduction goal (S220). For example, the learning data generating device may ensure that the sum of the weight of the first image and the weight of the second image is 1.
  • the learning data generating device generates a learning image and a label image by combining the first image and the second image based on the weight (S230).
  • Figure 5 is a flowchart showing a method of operating an artificial neural network model according to an embodiment of the present disclosure.
  • the artificial neural network model may be an example of the artificial neural network model 500 of FIG. 1 or FIG. 6 .
  • the artificial neural network model receives learning images and label images each generated based on medical images (S310).
  • the learning image and the label image are generated by combining the first image and the second image generated based on the medical image, and the first image and the second image are noise independent of each other.
  • the first image is generated based on the medical image and first noise
  • the second image is generated based on the medical image and second noise.
  • the first noise and the second noise are generated based on random noise of the same size as the noise size of the medical image.
  • the artificial neural network model is trained to output high-quality medical images based on low-quality medical images using learning images and label images (S320).
  • Figure 6 is a block diagram of an artificial neural network model learning system according to an embodiment of the present disclosure.
  • the artificial neural network model learning system 2 is similar to the artificial neural network model learning system 1 of FIG. 2, so common points are omitted.
  • the learning image 410 and the label image 420 may be magnetic resonance images in the image domain.
  • the input image 600 may be an image in the k-space domain, that is, k-space data.
  • the learning data generating device 11 measures the noise size of the input image 600.
  • the noise size refers to the standard deviation of pixel values that are a certain distance away from the center of the input image 600.
  • the learning data generating device 11 may generate random noise having the same size as the measured noise size. Random noise may mean noise that follows a complex Gaussian distribution.
  • the learning data generating device 11 generates first noise by multiplying random noise by a first coefficient, and generates second noise by multiplying random noise by a second coefficient.
  • the learning data generating device 11 generates a first image 710 based on the input image 600 and the first noise, and generates a second image 720 based on the input image 600 and the second noise. do.
  • the first image 710 and the second image 720 are independent of noise.
  • the learning data generating device 11 generates k-space learning data 810 and k-space label data 820 based on the first image 710 and the second image 720. Since this is similar to the method described above in Equation 1 of FIG. 2 and FIG. 4, the following description will be omitted.
  • the learning data generation device 11 performs Fourier transformation on the k-space learning data 810 and the k-space label data 820, respectively, to generate a learning image 410 and a label image 420, and generates an artificial neural network model ( 500).

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)

Abstract

본 개시의 일 실시예에 따른 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 학습 데이터 생성 방법은, 입력 이미지의 노이즈와 대응되는 랜덤 노이즈를 생성하는 단계, 상기 랜덤 노이즈를 기초로, 제1 노이즈 및 제2 노이즈를 생성하는 단계 및 상기 입력 이미지 및 상기 제1 노이즈를 기초로 제1 이미지를 생성하고, 상기 입력 이미지 및 상기 제2 노이즈를 기초로 제2 이미지를 생성하는 단계를 포함하고, 상기 제1 이미지와 상기 제2 이미지는 서로 노이즈 독립 관계인 것을 특징으로 한다.

Description

학습 데이터 생성 방법, 컴퓨터 프로그램 및 장치
본 개시는 학습 데이터 생성 방법, 컴퓨터 프로그램 및 장치에 관한 것으로서, 구체적으로 의료 이미지를 이용한 학습 데이터 생성 방법, 컴퓨터 프로그램 및 장치에 관한 것이다.
일반적으로 의료용 영상 장치는 환자의 신체 정보를 획득하여 영상을 제공하는 장치이다. 의료용 영상 장치는 X선 촬영 장치, 초음파 진단 장치, 컴퓨터 단층 촬영 장치, 자기 공명 영상(Magnetic Resonance Imaging, MRI) 촬영 장치 등이 있다.
자기 공명 영상 장치는 촬영 시간이 상당히 요구되는 장비이다. 따라서, 의료 업계에서 자기 공명 영상의 촬영 시간을 단축시키기 위한 가속화 촬영 기술은 매우 중요한 부분을 차지하고 있다. 가속화 촬영된 자기 공명 영상이 의료 현장에서 사용되기 위해서는, 촬영 대상에 대한 모든 정보를 포함하되, 정보의 해석에 영향을 미치는 노이즈가 최소화된 상태여야 한다. 이러한 필요성에 따라 최근 들어 인공지능을 기반으로 가속화 촬영된 저품질의 자기 공명 영상을 가속화 촬영되지 않은 고품질의 상태로 복원하는 기술 개발이 이루어지고 있다.
인공지능을 기반으로 가속화 촬영된 자기 공명 영상을 고품질로 복원하기 위해서는, 인공지능 모델을 효과적으로 학습시키는 것이 전제가 되어야 한다. 이를 위해 양질의 입력 데이터 뿐만 아니라 그에 대응되는 고품질의 라벨 데이터도 확보되어야 한다. 그런데, 가속화 촬영된 자기 공명 영상을 입력 데이터로 일정 수준 확보하더라도, 그에 대응되는 고품질의 복원 영상이 현실적으로 거의 존재하지 않는 문제가 있다. 따라서, 인공지능 모델을 구축하기 위해 기본적으로 요구되는 학습 데이터를 확보하는 것이 필요하다.
본 개시는 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 하나의 입력 이미지만을 이용하여 학습 이미지 및 라벨 이미지를 생성하는, 학습 데이터 생성 방법, 컴퓨터 프로그램 및 장치에 관한 것이다.
다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 학습 데이터 생성 방법이 개시된다. 상기 방법은, 입력 이미지의 노이즈와 대응되는 랜덤 노이즈를 생성하는 단계, 상기 랜덤 노이즈를 기초로, 제1 노이즈 및 제2 노이즈를 생성하는 단계 및 상기 입력 이미지 및 상기 제1 노이즈를 기초로 제1 이미지를 생성하고, 상기 입력 이미지 및 상기 제2 노이즈를 기초로 제2 이미지를 생성하는 단계를 포함하고, 상기 제1 이미지와 상기 제2 이미지는 서로 노이즈 독립 관계인 것을 특징으로 한다.
대안적으로, 상기 제1 노이즈 및 상기 제2 노이즈를 생성하는 단계는, 상기 랜덤 노이즈에 제1 계수를 적용하여 상기 제1 노이즈를 생성하고, 상기 랜덤 노이즈에 상기 제1 계수와 종속 관계인 제2 계수를 적용하여 상기 제2 노이즈를 생성하는 단계를 포함한다.
대안적으로, 상기 제1 이미지는 상기 입력 이미지에 상기 제1 노이즈를 적용하여 생성된 것이고, 상기 제2 이미지는 상기 입력 이미지에 상기 제2 노이즈를 적용하여 생성된 것이다.
대안적으로, 상기 제1 이미지 및 상기 제2 이미지를 기초로, 저품질의 의료 이미지를 기초로 고품질의 의료 이미지를 출력하는 인공 신경망 모델에 입력되는 학습 이미지 및 라벨 이미지를 생성하는 단계를 더 포함하는 것을 특징으로 한다.
대안적으로, 상기 학습 이미지 및 상기 라벨 이미지를 생성하는 단계는, 상기 인공 신경망 모델에 설정된 노이즈 감소 목표를 기초로, 상기 제1 이미지 및 상기 제2 이미지에 각각 대응되는 가중치를 결정하는 단계 및 상기 가중치를 기초로 상기 제1 이미지 및 상기 제2 이미지를 조합하여 상기 학습 이미지 및 상기 라벨 이미지를 생성하는 단계를 포함한다.
대안적으로, 상기 가중치를 결정하는 단계는, 상기 제1 이미지의 가중치와 상기 제2 이미지의 가중치의 합이 1이 되도록 상기 제1 이미지 및 상기 제2 이미지에 각각 대응되는 가중치를 결정한다.
대안적으로, 상기 입력 이미지, 상기 제1 이미지 및 상기 제2 이미지는 각각 k-스페이스 데이터이다.
대안적으로, 상기 제1 이미지 및 상기 제2 이미지를 조합하여 k-스페이스 학습 데이터 및 k-스페이스 라벨 데이터를 생성하는 단계 및 상기 k-스페이스 학습 데이터 및 상기 k-스페이스 라벨 데이터를 각각 푸리에 변환하여 저품질의 의료 이미지를 기초로 고품질의 의료 이미지를 출력하는 인공 신경망 모델에 입력되는 학습 이미지 및 라벨 이미지를 생성하는 단계를 더 포함하는 것을 특징으로 한다.
대안적으로, 상기 랜덤 노이즈를 생성하는 단계는, 상기 입력 이미지의 중심으로부터 일정 거리만큼 떨어진 픽셀값들의 표준 편차를 기초로 상기 노이즈 크기를 계산하는 단계 및 상기 노이즈 크기에 대응되는 상기 랜덤 노이즈를 생성하는 단계를 포함한다.
대안적으로, 상기 랜덤 노이즈는 복소 가우시안 분포를 따르는 노이즈를 포함한다.
대안적으로, 상기 입력 이미지, 상기 제1 이미지 및 상기 제2 이미지는 각각 자기 공명 영상이다.
대안적으로, 상기 랜덤 노이즈를 생성하는 단계는, 상기 입력 이미지의 배경을 구분하고, 상기 배경의 픽셀값들의 표준 편차를 기초로 상기 노이즈 크기를 계산하는 단계 및 상기 노이즈 크기에 대응되는 상기 랜덤 노이즈를 생성하는 단계를 포함한다.
대안적으로, 상기 랜덤 노이즈는 라이시안 분포(Rician Distribution) 또는 비중심 카이 분포(Noncentral chi distribution)를 따르는 노이즈를 포함한다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 학습 데이터 생성 장치가 개시된다. 상기 장치는 입력 이미지를 저장하는 메모리 및 상기 입력 이미지의 노이즈와 대응되는 랜덤 노이즈를 생성하고, 상기 랜덤 노이즈를 기초로, 제1 노이즈 및 제2 노이즈를 생성하고, 상기 입력 이미지 및 상기 제1 노이즈를 기초로 제1 이미지를 생성하고, 상기 입력 이미지 및 상기 제2 노이즈를 기초로 제2 이미지를 생성하는 프로세서를 포함하고, 상기 제1 이미지와 상기 제2 이미지는 서로 노이즈 독립 관계인 것을 특징으로 한다.
대안적으로, 상기 프로세서는, 상기 랜덤 노이즈에 제1 계수 및 제2 계수를 각각 적용하여 상기 제1 노이즈 및 상기 제2 노이즈를 생성하고, 상기 입력 이미지에 상기 제1 노이즈 및 상기 제2 노이즈를 각각 적용하여 상기 제1 이미지 및 상기 제2 이미지를 생성하고, 상기 제1 계수와 상기 제2 계수는 서로 종속 관계인 것을 특징으로 한다.
대안적으로, 상기 프로세서는, 인공 신경망 모델에 설정된 노이즈 감소 목표를 기초로, 상기 제1 이미지 및 상기 제2 이미지를 조합하여 상기 인공 신경망 모델을 학습하기 위한 학습 이미지 및 라벨 이미지를 생성하고, 상기 인공 신경망 모델은, 저품질의 의료 이미지를 기초로 고품질의 의료 이미지를 출력하도록 학습된 것을 특징으로 한다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램(program)이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서(processor)에서 실행되는 경우, 하기 위한 동작들을 수행하도록 한다. 이때, 상기 동작들은, 입력 이미지의 노이즈와 대응되는 랜덤 노이즈를 생성하는 동작, 상기 랜덤 노이즈를 기초로, 제1 노이즈 및 제2 노이즈를 생성하는 동작 및 상기 입력 이미지 및 상기 제1 노이즈를 기초로 제1 이미지를 생성하고, 상기 입력 이미지 및 상기 제2 노이즈를 기초로 제2 이미지를 생성하는 동작을 포함하고, 상기 제1 이미지와 상기 제2 이미지는 서로 노이즈 독립 관계인 것을 특징으로 한다.
전술한 본 개시의 과제 해결 수단에 의하면, 본 개시는 하나의 입력 이미지를 이용하여 학습 이미지와 라벨 이미지를 생성할 수 있는바, 고품질의 라벨 이미지 없이도 인공 신경망을 학습시킬 수 있다.
또한 전술한 본 개시의 과제 해결 수단에 의하면, 본 개시는 인공 신경망 모델의 노이즈 감소 목표에 기초하여 학습 이미지와 라벨 이미지를 생성할 수 있으므로, 인공 신경망 모델의 노이즈 감소 목표를 정량적, 세부적으로 조절할 수 있다.
도 1은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록도이다.
도 2는 본 개시의 일 실시예에 따른 인공 신경망 모델 학습 시스템의 블록도이다.
도 3은 본 개시의 일 실시예에 따른 학습 데이터 생성 장치의 동작 방법을 나타내는 흐름도이다.
도 4는 본 개시의 일 실시예에 따른 학습 데이터 생성 장치의 동작 방법을 나타내는 흐름도이다.
도 5는 본 개시의 일 실시예에 따른 인공 신경망 모델의 동작 방법을 나타내는 흐름도이다.
도 6은 본 개시의 일 실시예에 따른 인공 신경망 모델 학습 시스템의 블록도이다.
아래에서는 첨부한 도면을 참조하여 본 개시의 기술 분야에서 통상의 지식을 가진 자(이하, 당업자)가 용이하게 실시할 수 있도록 본 개시의 실시예가 상세히 설명된다. 본 개시에서 제시된 실시예들은 당업자가 본 개시의 내용을 이용하거나 또는 실시할 수 있도록 제공된다. 따라서, 본 개시의 실시예들에 대한 다양한 변형들은 당업자에게 명백할 것이다. 즉, 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며, 이하의 실시예에 한정되지 않는다.
본 개시의 명세서 전체에 걸쳐 동일하거나 유사한 도면 부호는 동일하거나 유사한 구성요소를 지칭한다. 또한, 본 개시를 명확하게 설명하기 위해서, 도면에서 본 개시에 대한 설명과 관계없는 부분의 도면 부호는 생략될 수 있다.
본 개시에서 사용되는 "또는" 이라는 용어는 배타적 "또는" 이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 본 개시에서 달리 특정되지 않거나 문맥상 그 의미가 명확하지 않은 경우, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 이해되어야 한다. 예를 들어, 본 개시에서 달리 특정되지 않거나 문맥상 그 의미가 명확하지 않은 경우, "X는 A 또는 B를 이용한다"는 X가 A를 이용하거나, X가 B를 이용하거나, 혹은 X가 A 및 B 모두를 이용하는 경우 중 어느 하나로 해석될 수 있다.
본 개시에서 사용되는 "및/또는" 이라는 용어는 열거된 관련 개념들 중 하나 이상의 개념의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
본 개시에서 사용되는 "포함한다" 및/또는 "포함하는" 이라는 용어는, 특정 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는" 이라는 용어는, 하나 이상의 다른 특징, 다른 구성요소 및/또는 이들에 대한 조합의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다.
본 개시에서 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 단수는 일반적으로 "하나 또는 그 이상"을 포함할 수 있는 것으로 해석되어야 한다.
본 개시에서 사용되는 "제 N(N은 자연수)" 이라는 용어는 본 개시의 구성요소들을 기능적 관점, 구조적 관점, 혹은 설명의 편의 등 소정의 기준에 따라 상호 구별하기 위해 사용되는 표현으로 이해될 수 있다. 예를 들어, 본 개시에서 서로 다른 기능적 역할을 수행하는 구성요소들은 제1 구성요소 혹은 제2 구성요소로 구별될 수 있다. 다만, 본 개시의 기술적 사상 내에서 실질적으로 동일하나 설명의 편의를 위해 구분되어야 하는 구성요소들도 제1 구성요소 혹은 제2 구성요소로 구별될 수도 있다.
한편, 본 개시에서 사용되는 용어 "모듈(module)", 또는 "부(unit)"는 컴퓨터 관련 엔티티(entity), 펌웨어(firmware), 소프트웨어(software) 혹은 그 일부, 하드웨어(hardware) 혹은 그 일부, 소프트웨어와 하드웨어의 조합 등과 같이 컴퓨팅 자원을 처리하는 독립적인 기능 단위를 지칭하는 용어로 이해될 수 있다. 이때, "모듈", 또는 "부"는 단일 요소로 구성된 단위일 수도 있고, 복수의 요소들의 조합 혹은 집합으로 표현되는 단위일 수도 있다. 예를 들어, 협의의 개념으로서 "모듈", 또는 "부"는 컴퓨팅 장치의 하드웨어 요소 또는 그 집합, 소프트웨어의 특정 기능을 수행하는 응용 프로그램, 소프트웨어 실행을 통해 구현되는 처리 과정(procedure), 또는 프로그램 실행을 위한 명령어 집합 등을 지칭할 수 있다. 또한, 광의의 개념으로서 "모듈", 또는 "부"는 시스템을 구성하는 컴퓨팅 장치 그 자체, 또는 컴퓨팅 장치에서 실행되는 애플리케이션 등을 지칭할 수 있다. 다만, 상술한 개념은 하나의 예시일 뿐이므로, "모듈", 또는 "부"의 개념은 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 정의될 수 있다.
본 개시에서 사용되는 "모델(model)" 이라는 용어는 특정 문제를 해결하기 위해 수학적 개념과 언어를 사용하여 구현되는 시스템, 특정 문제를 해결하기 위한 소프트웨어 단위의 집합, 혹은 특정 문제를 해결하기 위한 처리 과정에 관한 추상화 모형으로 이해될 수 있다. 예를 들어, 신경망(neural network) "모델" 은 학습을 통해 문제 해결 능력을 갖는 신경망으로 구현되는 시스템 전반을 지칭할 수 있다. 이때, 신경망은 노드(node) 혹은 뉴런(neuron)을 연결하는 파라미터(parameter)를 학습을 통해 최적화하여 문제 해결 능력을 가질 수 있다. 신경망 "모델" 은 단일 신경망을 포함할 수도 있고, 복수의 신경망들이 조합된 신경망 집합을 포함할 수도 있다.
본 개시에서 사용되는 "영상" 이라는 용어는 이산적인 이미지 요소들(예를 들어, 2차원 이미지에 있어서의 픽셀들 및 3차원 이미지에 있어서의 복셀들)로 구성된 다차원(multi-dimensional) 데이터를 의미할 수 있다. 예를 들어, 영상은 자기 공명 영상 촬영 장치, 컴퓨터 단층 촬영(CT) 장치, 초음파 촬영 장치, 또는 엑스레이 촬영 장치 등의 의료 영상 장치에 의해 획득된 의료 영상을 포함할 수 있으나 이에 제한되는 것은 아니다.
본 개시에서 사용되는 "의료 이미지"라는 용어는 의료 지식을 포괄하는 모든 형태의 이미지를 통칭하는 개념으로 가시광선 카메라, IR 카메라, 초음파, X-ray, CT, MRI, PET 등 다양한 모달리티(modality)를 통해 획득한 이미지를 포함할 수 있다.
본 개시에서 사용되는 "의료 영상 저장 전송 시스템(PACS: picture archiving and communication system)" 이라는 용어는 의료용 디지털 영상 및 통신(DICOM: digital imaging and communications in medicine) 표준에 맞게 의료 영상을 저장, 가공, 및 전송하는 시스템을 지칭할 수 있다. 예를 들어, "의료 영상 저장 전송 시스템" 은 디지털 의료 영상 촬영 장비와 연동되어 자기 공명 영상(MRI: magnetic resonance imaging), 컴퓨터 단층 촬영(CT: computed tomography) 영상 등과 같은 의료 영상을 의료용 디지털 영상 및 통신 표준에 맞춰 저장할 수 있다. "의료 영상 저장 전송 시스템" 은 통신 네트워크를 통해 병원 내외의 단말로 의료 영상을 전송할 수 있다. 이때, 의료 영상에는 판독 결과 및 진료 기록 등과 같은 메타(meta) 정보가 추가될 수 있다.
본 개시에서 사용되는 "대상체(object)"라는 용어는 촬영의 대상이 되는 것으로서, 사람, 동물, 또는 그 일부를 포함할 수 있다. 예를 들어, 대상체는 신체의 일부(장기 또는 기관 등; organ) 또는 팬텀(phantom) 등을 포함할 수 있다. 팬텀은 생물의 밀도와 실효 원자 번호에 아주 근사한 부피를 갖는 물질을 의미하는 것으로, 신체와 유사한 성질을 갖는 구형(sphere)의 팬텀을 포함할 수 있다.
자기 공명 영상(Magnetic Resonance Image, MRI) 시스템은 특정 세기의 자기장에서 발생하는 RF(Radio Frequency) 신호에 대한 자기 공명(Magnetic Resonance, MR) 신호의 세기를 명암 대비로 표현하여 대상체의 단층 부위에 대한 이미지를 획득하는 시스템이다.
MRI 시스템은 주자석이 정자장(static magnetic field)을 형성하도록 하고, 정자장 속에 위치한 대상체의 특정 원자핵의 자기 쌍극자 모멘트 방향을 정자장 방향으로 정렬시킨다. 경사자장 코일은 정자장에 경사 신호를 인가하여, 경사자장을 형성시켜, 대상체의 부위 별로 공명 주파수를 다르게 유도할 수 있다. RF 코일은 영상 획득을 원하는 부위의 공명 주파수에 맞추어 자기 공명 신호를 조사할 수 있다. 또한, RF 코일은 경사자장이 형성됨에 따라, 대상체의 여러 부위로부터 방사되는 서로 다른 공명 주파수의 자기 공명 신호들을 수신할 수 있다. MRI 시스템은 이러한 단계를 통해 수신된 자기 공명 신호들에 영상 복원 기법을 적용하여 영상을 획득한다. 또한, MRI 시스템은 다채널 RF 코일에 의해 수신되는 복수의 자기 공명 신호에 대하여 직렬적 또는 병렬적 신호 처리를 수행하여 복수의 자기 공명 신호를 영상 데이터로 재구성할 수도 있다.
전술한 용어의 설명은 본 개시의 이해를 돕기 위한 것이다. 따라서, 전술한 용어를 본 개시의 내용을 한정하는 사항으로 명시적으로 기재하지 않은 경우, 본 개시의 내용을 기술적 사상을 한정하는 의미로 사용하는 것이 아님을 주의해야 한다.
도 1은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록도이다.
본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 데이터의 종합적인 처리 및 연산을 수행하는 하드웨어 장치 혹은 하드웨어 장치의 일부일 수도 있고, 통신 네트워크로 연결되는 소프트웨어 기반의 컴퓨팅 환경일 수도 있다. 예를 들어, 컴퓨팅 장치(100)는 집약적 데이터 처리 기능을 수행하고 자원을 공유하는 주체인 서버일 수도 있고, 서버와의 상호 작용을 통해 자원을 공유하는 클라이언트(client)일 수도 있다. 또한, 컴퓨팅 장치(100)는 복수의 서버들 및 클라이언트들이 상호 작용하여 데이터를 종합적으로 처리할 수 있도록 하는 클라우드 시스템(cloud system)일 수도 있다. 상술한 기재는 컴퓨팅 장치(100)의 종류와 관련된 하나의 예시일 뿐이므로, 컴퓨팅 장치(100)의 종류는 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
도 1을 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 프로세서(processor)(110), 메모리(memory)(120), 및 네트워크부(network unit)(130)를 포함할 수 있다. 다만, 도 1은 하나의 예시일 뿐이므로, 컴퓨팅 장치(100)는 컴퓨팅 환경을 구현하기 위한 다른 구성들을 포함할 수 있다. 또한, 상기 개시된 구성들 중 일부만이 컴퓨팅 장치(100)에 포함될 수도 있다.
본 개시의 일 실시예에 따른 프로세서(110)는 컴퓨팅 연산을 수행하기 위한 하드웨어 및/또는 소프트웨어를 포함하는 구성 단위로 이해될 수 있다. 예를 들어, 프로세서(110)는 컴퓨터 프로그램을 판독하여 기계 학습을 위한 데이터 처리를 수행할 수 있다. 프로세서(110)는 기계 학습을 위한 입력 데이터의 처리, 기계 학습을 위한 특징 추출, 역전파(backpropagation)에 기반한 오차 계산 등과 같은 연산 과정을 처리할 수 있다. 이와 같은 데이터 처리를 수행하기 위한 프로세서(110)는 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치(GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit), 주문형 반도체(ASIC: application specific integrated circuit), 혹은 필드 프로그래머블 게이트 어레이(FPGA: field programmable gate array) 등을 포함할 수 있다. 상술한 프로세서(110)의 종류는 하나의 예시일 뿐이므로, 프로세서(110)의 종류는 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 인공 신경망 모델에 입력되는 학습 데이터를 생성할 수 있다. 인공 신경망 모델은 학습 데이터로 학습되어, 저품질의 이미지를 고품질의 이미지로 출력할 수 있다. 예를 들어 인공 신경망 모델은 입력되는 저품질의 이미지에서 노이즈를 제거함으로써 고품질의 이미지를 생성할 수 있다.
인공 신경망 모델은 적어도 하나의 뉴럴 네트워크를 포함할 수 있다. 뉴럴 네트워크는 DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network), MLP(Multilayer Perceptron), CNN(Convolutional Neural Network)과 같은 방식의 네트워크 모델들을 포함할 수 있으나, 이에 한정되지 않는다.
이미지는 의료 이미지일 수 있으며, 예를 들어 자기 공명 영상일 수 있다. 이때 자기 공명 영상은 가속화 촬영으로 획득된 것일 수 있다. 가속화 촬영은 일반적인 촬영에 비해 가속화 지수(acceleration factor)를 높여 촬영 시간을 단축시키는 촬영 기법으로 이해될 수 있다. 가속화 지수는 병렬 영상 기법에서 사용되는 용어로서, k-스페이스 영역에서 풀 샘플링(full sampling)된 신호 라인의 개수를 촬영을 통해 샘플링 된 신호 라인의 개수로 나눈 값으로 이해될 수 있다.
프로세서(110)는 하나의 입력 이미지를 기초로 학습 데이터를 생성할 수 있다. 입력 이미지는 의료 이미지일 수 있고, 자기 공명 영상 또는 k-스페이스 데이터일 수 있다. 학습 데이터는 학습 이미지 및 학습 이미지에 대응되는 라벨 이미지를 포함할 수 있다. 라벨 이미지는 학습 이미지에 비해 고품질일 수 있다. 또는 학습 이미지와 라벨 이미지는 서로 노이즈 독립 관계일 수 있다. 구체적으로 학습 이미지와 라벨 이미지는 미리 설정된 수치만큼 노이즈 독립 관계이고, 미리 설정된 수치만큼 노이즈 종속 관계일 수 있다. 이 경우 학습 이미지와 라벨 이미지로 학습된 인공 신경망 모델은, 미리 설정된 수치만큼 노이즈를 제거하도록 학습될 수 있다.
본 개시의 실시예에 따르면 프로세서(110)는 하나의 입력 이미지를 이용하여 서로 노이즈 독립 관계인 두 장의 이미지를 생성하고, 두 장의 이미지를 이용하여 학습 데이터를 생성할 수 있다. 따라서 고품질의 라벨 이미지 없이도 인공 신경망을 학습시킬 수 있다. 또한 두 장의 이미지의 노이즈 독립 정도 또는 노이즈 종속 정도를 설정함으로써 인공 신경망 모델의 노이즈 감소 목표를 세부적으로 조절할 수 있다.
본 개시의 실시예에 따르면 프로세서(110)는 하나의 입력 이미지를 기초로 생성된 학습 이미지 및 라벨 이미지를 이용하여 인공 신경망 모델을 학습시킬 수 있다.
본 개시의 실시예에 따르면, 프로세서(110)는 영상의 품질을 개선하도록 인공 신경망 모델을 학습시킬 수 있다. 영상은 예를 들어 자기 공명 영상일 수 있으며, 가속화 촬영으로 획득된 것일 수 있다. 가속화 촬영은 일반적인 촬영에 비해 가속화 지수(acceleration factor)를 높여 촬영 시간을 단축시키는 촬영 기법으로 이해될 수 있다. 가속화 지수는 병렬 영상 기법에서 사용되는 용어로서, 케이-스페이스 영역에서 풀 샘플링(full sampling)된 신호 라인의 개수를 촬영을 통해 샘플링 된 신호 라인의 개수로 나눈 값으로 이해될 수 있다. 예를 들어, 가속화 지수가 2 라는 것은, 위상 인코딩 방향으로 자기 공명 신호를 샘플링 하여 라인을 획득할 때, 풀 샘플링 된 신호 라인의 개수 대비 절반의 신호 라인의 개수를 획득하는 것으로 이해될 수 있다. 따라서, 가속화 지수가 증가함에 따라, 자기 공명 영상의 촬영 시간이 비례하여 감소할 수 있다. 즉, 자기 공명 영상의 촬영 시에 가속화 지수를 증가시키는 경우, 자기 공명 영상의 촬영 시간이 단축된 가속화 촬영이 구현될 수 있다.
필요에 따라, 프로세서(110)는 컴퓨팅 장치(100)의 사용자 혹은 임의의 클라이언트의 사용자와의 상호 작용을 위한 환경을 제공하는 사용자 인터페이스(user interface)를 생성할 수 있다. 예를 들어, 프로세서(110)는 입력 이미지 및 인공 신경망 모델의 노이즈 감소 목표를 입력받기 위한 사용자 인터페이스를 생성할 수 있다.
프로세서(110)는 사용자로부터 인가되는 외부 입력 신호를 기초로 데이터의 출력, 수정, 변경, 혹은 추가 등의 기능이 구현되도록 하는 사용자 인터페이스를 생성할 수 있다. 상술한 사용자 인터페이스의 역할은 하나의 예시일 뿐이므로, 사용자 인터페이스의 역할은 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 정의될 수 있다.
본 개시의 일 실시예에 따른 메모리(120)는 컴퓨팅 장치(100)에서 처리되는 데이터를 저장하고 관리하기 위한 하드웨어 및/또는 소프트웨어를 포함하는 구성 단위로 이해될 수 있다. 즉, 메모리(120)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 데이터 및 네트워크부(130)가 수신한 임의의 형태의 데이터를 저장할 수 있다. 예를 들어, 메모리(120)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리, 램(RAM: random access memory), 에스램(SRAM: static random access memory), 롬(ROM: read-only memory), 이이피롬(EEPROM: electrically erasable programmable read-only memory), 피롬(PROM: programmable read-only memory), 자기 메모리, 자기 디스크, 또는 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 또한, 메모리(120)는 데이터를 소정의 체제로 통제하여 관리하는 데이터베이스(database) 시스템을 포함할 수도 있다. 상술한 메모리(120)의 종류는 하나의 예시일 뿐이므로, 메모리(120)의 종류는 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
메모리(120)는 프로세서(110)가 연산을 수행하는데 필요한 데이터, 데이터의 조합, 및 프로세서(110)에서 실행 가능한 프로그램 코드(code) 등을 구조화 및 조직화하여 관리할 수 있다. 예를 들어, 메모리(120)는 후술할 네트워크부(130)를 통해 수신된 입력 이미지를 저장할 수 있다. 또한 메모리(120)는 프로세서(110)에 의해 입력 이미지로부터 생성된 학습 이미지 및 라벨 이미지를 저장할 수 있다. 또한 메모리(120)는 프로세서(110)가 학습 데이터를 생성하도록 동작시키는 프로그램 코드를 저장할 수 있다.
본 개시의 일 실시예에 따른 네트워크부(130)는 임의의 형태의 공지된 유무선 통신 시스템을 통해 데이터를 송수신하는 구성 단위로 이해될 수 있다. 예를 들어, 네트워크부(130)는 근거리 통신망(LAN: local area network), 광대역 부호 분할 다중 접속(WCDMA: wideband code division multiple access), 엘티이(LTE: long term evolution), 와이브로(WiBro: wireless broadband internet), 5세대 이동통신(5G), 초광역대 무선통신(ultra wide-band), 지그비(ZigBee), 무선주파수(RF: radio frequency) 통신, 무선랜(wireless LAN), 와이파이(wireless fidelity), 근거리 무선통신(NFC: near field communication), 또는 블루투스(Bluetooth) 등과 같은 유무선 통신 시스템을 사용하여 데이터 송수신을 수행할 수 있다. 상술한 통신 시스템들은 하나의 예시일 뿐이므로, 네트워크부(130)의 데이터 송수신을 위한 유무선 통신 시스템은 상술한 예시 이외에 다양하게 적용될 수 있다.
네트워크부(130)는 임의의 시스템 혹은 임의의 클라이언트 등과의 유무선 통신을 통해, 프로세서(110)가 연산을 수행하는데 필요한 데이터를 수신할 수 있다. 또한, 네트워크부(130)는 임의의 시스템 혹은 임의의 클라이언트 등과의 유무선 통신을 통해, 프로세서(110)의 연산을 통해 생성된 데이터를 송신할 수 있다. 예를 들어, 네트워크부(130)는 의료 영상 저장 전송 시스템, 의료 영상의 해상도 개선, 표준화 등의 작업을 수행하는 클라우드 서버, 혹은 컴퓨팅 장치(100) 등과의 통신을 통해, 의료 영상을 수신할 수 있다. 네트워크부(130)는 전술한 시스템, 서버, 혹은 컴퓨팅 장치(100) 등과의 통신을 통해, 생성된 학습 이미지 및 라벨 이미지를 송신할 수 있다.
필요에 따라, 네트워크부(130)는 임의의 시스템 혹은 임의의 클라이언트와의 유무선 통신을 통해, 프로세서(110)에 의해 생성된 사용자 인터페이스를 임의의 시스템 혹은 임의의 클라이언트에 제공할 수 있다. 예를 들어, 네트워크부(130)는 의료 영상 저장 전송 시스템 혹은 디스플레이(display)를 포함하는 컴퓨팅 장치(100)와의 통신을 통해, 프로세서(110)에 의해 처리된 데이터들을 시각화 하는 사용자 인터페이스를 전술한 시스템 혹은 장치에 제공할 수 있다. 네트워크부(130)는 사용자 인터페이스를 통해 사용자로부터 인가되는 외부 입력 신호를 전술한 시스템 혹은 장치로부터 수신하여 프로세서(110)로 전달할 수 있다. 이때, 프로세서(110)는 네트워크부(130)로부터 전달된 외부 입력 신호를 기초로 데이터의 출력, 수정, 변경, 혹은 추가 등의 기능이 구현되도록 동작할 수 있다. 한편, 네트워크부(130)를 통한 통신 없이도, 사용자 인터페이스를 제공받은 시스템 혹은 장치는 자체적으로 사용자로부터 인가되는 외부 입력 신호에 따라 데이터의 출력, 수정, 변경 혹은 추가 등의 기능이 구현되도록 동작할 수도 있다.
도 2는 본 개시의 일 실시예에 따른 인공 신경망 모델 학습 시스템의 블록도이다.
도 2를 참조하면, 인공 신경망 모델 학습 시스템(1)은 학습 데이터 생성 장치(10) 및 인공 신경망 모델(500)을 포함한다. 학습 데이터 생성 장치(10)는 하나의 입력 이미지(200)를 입력받고 학습 이미지(410) 및 라벨 이미지(420)를 포함하는 학습 데이터를 생성한다. 인공 신경망 모델(500)은 학습 데이터를 이용하여 저품질의 이미지로 고품질의 이미지를 출력하도록 학습된다.
학습 데이터 생성 장치(10)는 입력 이미지(200)의 노이즈 크기를 측정할 수 있다. 노이즈 크기는 입력 이미지(200)에 포함된 픽셀값의 표준 편차를 의미할 수 있다. 예를 들어 입력 이미지(200)가 자기 공명 영상인 경우 입력 이미지(200)의 배경을 세그멘테이션하고, 세그멘테이션 된 배경의 픽셀값들의 표준 편차를 의미한다.
학습 데이터 생성 장치(10)는 측정된 노이즈 크기와 동일한 크기를 갖는 랜덤 노이즈를 생성할 수 있다. 랜덤 노이즈는 복소 가우시안 분포, 라이시안 분포(Rician Distribution) 또는 비중심 카이 분포(Noncentral chi distribution)를 따르는 노이즈를 의미할 수 있다. 또한 랜덤 노이즈는 입력 이미지와 동일한 크기를 가지는 이미지일 수 있다. 이때 이미지 형태인 랜덤 노이즈의 픽셀별 노이즈는 독립적으로 생성될 수 있다.
한편 노이즈 크기는 입력 이미지(200)의 각 픽셀에 대해 설정될 수 있다. 추가로 구조 인자(g-factor) 값에 비례하도록 설정될 수 있다.
학습 데이터 생성 장치(10)는 랜덤 노이즈에 제1 계수를 곱하여 제1 노이즈를 생성하고, 랜덤 노이즈에 제2 계수를 곱하여 제2 노이즈를 생성한다. 이때 제1 계수와 제2 계수 중 어느 한 값이 결정되면, 나머지 한 값은 결정될 수 있다.
학습 데이터 생성 장치(10)는 입력 이미지(200) 및 제1 노이즈를 기초로 제1 이미지(310)를 생성하고, 입력 이미지(200) 및 제2 노이즈를 기초로 제2 이미지(320)를 생성한다. 예를 들어, 학습 데이터 생성 장치(10)는 입력 이미지(200)에 제1 노이즈를 더하여 제1 이미지(310)를 생성하고, 상기 입력 이미지(200)에 제2 노이즈를 더하여 제2 이미지(320)를 생성한다.
이때, 제1 계수 및 제2 계수는 제1 이미지와 제2 이미지가 서로 노이즈 독립 관계가 되도록 결정된다. 즉 입력 이미지(200)의 노이즈와 제1 노이즈를 더한 것과 입력 이미지(200)의 노이즈와 제2 노이즈를 더한 것이 서로 노이즈 독립 관계가 되도록 제1 계수 및 제2 계수가 결정된다.
학습 데이터 생성 장치(10)는 제1 이미지(310) 및 제2 이미지(320)를 조합하여 학습 이미지(410) 및 라벨 이미지(420)를 생성한다. 조합하는 방법은 다양할 수 있으며 예를 들어, 학습 데이터 생성 장치(10)는 인공 신경망 모델(500)에 설정된 노이즈 감소 목표를 기초로, 제1 이미지(310) 및 제2 이미지(320)에 각각 대응되는 가중치를 결정한다. 예를 들어, 가중치는 제1 이미지(310)와 제2 이미지(320)의 선형 결합의 계수를 의미한다. 학습 이미지(410) 및 라벨 이미지(420)는 예를 들어 수학식 1에 따라 생성될 수 있다.
Figure PCTKR2023007108-appb-img-000001
Figure PCTKR2023007108-appb-img-000002
수학식 1에서, T는 학습 이미지(410), L는 라벨 이미지(420), X는 제1 이미지(310), Y는 제2 이미지(320)를 의미한다. a는 노이즈 감소 목표, 예를 들어 노이즈를 a배 감소시키도록 또는 잡음 대 신호비(SNR)을 a배 증가시키도록 인공 신경망 모델(500)을 학습시키는 것을 의미한다.
이때 학습 이미지(410)와 라벨 이미지(420)의 신호 크기는 동일하고, 라벨 이미지(420)는 학습 이미지(410)와 종속 관계인 노이즈를 1/a만큼 포함한다. 인공 신경망 모델(500)은 독립 관계인 노이즈를 학습하지 않으므로, SNR을 a배 증가시키도록 학습된다. 예를 들어 a가 무한대라면, 학습 이미지(410)는 제1 이미지(310)이고 라벨 이미지(420)는 제2 이미지(320)이다. 이때 제1 이미지(310)와 제2 이미지(320)는 서로 노이즈 독립 관계이므로, 인공 신경망 모델(500)은 SNR을 무한배 증가시키도록 학습된다. 한편 수학식 1은 예시적인 것이며, 제1 이미지(310) 및 제2 이미지(320)를 조합하여 학습 이미지(410) 및 라벨 이미지(420)를 생성하는 방법은 이에 제한되지 않는다.
학습 데이터 생성 장치(10)는 생성된 학습 이미지(410) 및 라벨 이미지(420)를 포함하는 학습 데이터를 인공 신경망 모델(500)로 제공할 수 있다.
한편 도 1에 도시된 구성은 예시적인 것이며, 학습 데이터 생성 장치(10)와 인공 신경망 모델(500)은 서로 다른 시스템에 포함되어 있을 수 있으며, 이때 학습 데이터 생성 장치(10)와 인공 신경망 모델(500)은 네트워크를 통해 학습 데이터를 송수신할 수 있다.
도 3은 본 개시의 일 실시예에 따른 학습 데이터 생성 장치의 동작 방법을 나타내는 흐름도이다.
도 3을 참조하면, 학습 데이터 생성 장치는 도 1의 학습 데이터 생성 장치(10) 또는 도 6의 학습 데이터 생성 장치(11)의 한 실시예일 수 있다.
학습 데이터 생성 장치는 입력 이미지의 노이즈와 대응되는 랜덤 노이즈를 생성한다(S110). 구체적으로, 입력 이미지의 노이즈 크기와 동일한 크기를 갖는 랜덤 노이즈를 생성한다.
입력 이미지가 k-스페이스 데이터인 경우, 학습 데이터 생성 장치는 입력 이미지의 중심으로부터 일정 거리만큼 떨어진 픽셀값들의 표준 편차를 기초로 노이즈 크기를 계산한다. 그리고 계산된 크기를 갖고 복소 가우시안 분포를 따르는 노이즈를 생성한다.
입력 이미지가 자기 공명 영상인 경우, 학습 데이터 생성 장치는 입력 이미지의 배경을 세그멘테이션하고, 배경의 픽셀값들의 표준 편차를 기초로 노이즈 크기를 계산한다. 그리고 계산된 크기를 갖고 라이시안 분포(Rician Distribution) 또는 비중심 카이 분포(Noncentral chi distribution)를 따르는 노이즈를 생성한다.
학습 데이터 생성 장치는 랜덤 노이즈를 기초로 제1 노이즈 및 제2 노이즈를 생성한다(S120). 이때, 제1 노이즈는 랜덤 노이즈에 제1 계수를 적용하여 생성된 것이고, 제2 노이즈는 랜덤 노이즈에 제2 계수를 적용하여 생성된 것이고, 제2 계수는 미리 설정된 값 및 제1계수를 기초로 결정된다.
입력 이미지의 노이즈와 제1 노이즈를 더한 것과 입력 이미지의 노이즈와 제2 노이즈를 더한 것이 서로 노이즈 독립 관계가 되도록 제1 계수 및 제2 계수가 결정된다. 즉 제1 계수 및 제2 계수는 서로 종속 관계이다. 예를 들어 학습 데이터 생성 장치는 랜덤 노이즈에 제1 계수를 곱하여 제1 노이즈를 생성하고, 랜덤 노이즈에 제2 계수를 곱하여 제2 노이즈를 생성한다.
학습 데이터 생성 장치는 입력 이미지 및 제1 노이즈를 기초로 제1 이미지를 생성하고(S130), 입력 이미지 및 제2 노이즈를 기초로 제2 이미지를 생성한다(S140). S130 및 S140 단계의 순서는 이에 제한되지 않으며, 동시에 수행될 수 있다. 이때, 제1 이미지는 입력 이미지에 제1 노이즈를 더하여 생성된 것이고, 제2 이미지는 입력 이미지에 제2 노이즈를 더하여 생성된다. 제1 이미지와 제2 이미지는 서로 노이즈 독립 관계이다.
학습 데이터 생성 장치는 제1 이미지 및 제2 이미지를 기초로 인공 신경망 모델에 입력되는 학습 이미지 및 라벨 이미지를 생성한다(S150). 이때 제1 이미지 및 제2 이미지의 전처리 동작이 수행될 수 있다. 예를 들어 제1 이미지 및 제2 이미지의 도메인을 변환하는 동작 등이 수행될 수 있다. 한편 S150 단계는 필수적으로 수행되는 것이 아니며, 생략될 수 있다.
도 4는 본 개시의 일 실시예에 따른 학습 데이터 생성 장치의 동작 방법을 나타내는 흐름도이다.
도 4를 참조하면, 학습 데이터 생성 장치는 도 1의 학습 데이터 생성 장치(10) 또는 도 6의 학습 데이터 생성 장치(11)의 한 실시예일 수 있다.
학습 데이터 생성 장치는 인공 신경망 모델의 노이즈 감소 목표를 설정할 수 있다(S210).
학습 데이터 생성 장치는 노이즈 감소 목표를 기초로 제1 이미지 및 제2 이미지에 각각 대응되는 가중치를 결정한다(S220). 예를 들어 학습 데이터 생성 장치는 제1 이미지의 가중치와 제2 이미지의 가중치의 합이 1이 되도록 할 수 있다.
학습 데이터 생성 장치는 가중치를 기초로 제1 이미지 및 제2 이미지를 조합하여 학습 이미지 및 라벨 이미지를 생성한다(S230).
도 5는 본 개시의 일 실시예에 따른 인공 신경망 모델의 동작 방법을 나타내는 흐름도이다.
도 5를 참조하면, 인공 신경망 모델은 도 1 또는 도 6의 인공 신경망 모델(500)의 한 실시예일 수 있다.
인공 신경망 모델은 인공 신경망 모델은 의료 이미지를 기초로 각각 생성된 학습 이미지 및 라벨 이미지를 수신한다(S310). 이때 학습 이미지 및 라벨 이미지는 의료 이미지를 기초로 생성된 제1 이미지 및 제2 이미지를 조합하여 생성되고, 제1 이미지 및 제2 이미지는 서로 노이즈 독립 관계이다. 제1 이미지는 의료 이미지 및 제1 노이즈를 기초로 생성되고, 제2 이미지는 상기 의료 이미지 및 제2 노이즈를 기초로 생성된다. 제1 노이즈와 제2 노이즈는 의료 이미지의 노이즈 크기와 동일한 크기의 랜덤 노이즈를 기초로 생성된 것이다.
인공 신경망 모델은 학습 이미지 및 라벨 이미지를 이용하여 저품질의 의료 이미지를 기초로 고품질의 의료 이미지를 출력하도록 학습된다(S320).
도 6은 본 개시의 일 실시예에 따른 인공 신경망 모델 학습 시스템의 블록도이다.
도 6을 참조하면, 인공 신경망 모델 학습 시스템(2)은 도 2의 인공 신경망 모델 학습 시스템(1)과 유사하므로 공통점은 생략한다. 학습 이미지(410) 및 라벨 이미지(420)는 이미지 도메인 상의 자기 공명 영상일 수 있다. 입력 이미지(600)는 k-스페이스 도메인의 이미지, 즉 k-스페이스 데이터일 수 있다.
학습 데이터 생성 장치(11)는 입력 이미지(600)의 노이즈 크기를 측정한다. 노이즈 크기는 입력 이미지(600)의 중심으로부터 일정 거리만큼 떨어진 픽셀값들의 표준 편차를 의미한다. 학습 데이터 생성 장치(11)는 측정된 노이즈 크기와 동일한 크기를 갖는 랜덤 노이즈를 생성할 수 있다. 랜덤 노이즈는 복소 가우시안 분포를 따르는 노이즈를 의미할 수 있다.
학습 데이터 생성 장치(11)는 랜덤 노이즈에 제1 계수를 곱하여 제1 노이즈를 생성하고, 랜덤 노이즈에 제2 계수를 곱하여 제2 노이즈를 생성한다. 학습 데이터 생성 장치(11)는 입력 이미지(600) 및 제1 노이즈를 기초로 제1 이미지(710)를 생성하고, 입력 이미지(600) 및 제2 노이즈를 기초로 제2 이미지(720)를 생성한다. 제1 이미지(710) 및 제2 이미지(720)는 서로 노이즈 독립 관계이다.
학습 데이터 생성 장치(11)는 제1 이미지(710) 및 제2 이미지(720)를 기초로 k-스페이스 학습 데이터(810) 및 k-스페이스 라벨 데이터(820)를 생성한다. 이는 도 2의 수학식 1 및 도 4에서 전술한 방법과 유사하므로 이하 설명을 생략한다. 학습 데이터 생성 장치(11)는 k-스페이스 학습 데이터(810) 및 k-스페이스 라벨 데이터(820)를 각각 푸리에 변환하여 학습 이미지(410) 및 라벨 이미지(420)를 생성하고, 이를 인공 신경망 모델(500)로 제공할 수 있다.
전술한 본 개시의 설명은 예시를 위한 것이며, 본 개시가 속하는 기술분야의 통상의 지식을 가진 자는 본 개시의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 개시의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 개시의 범위에 포함되는 것으로 해석되어야 한다.

Claims (17)

  1. 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는, 학습 데이터 생성 방법으로서,
    입력 이미지의 노이즈와 대응되는 랜덤 노이즈를 생성하는 단계;
    상기 랜덤 노이즈를 기초로, 제1 노이즈 및 제2 노이즈를 생성하는 단계; 및
    상기 입력 이미지 및 상기 제1 노이즈를 기초로 제1 이미지를 생성하고, 상기 입력 이미지 및 상기 제2 노이즈를 기초로 제2 이미지를 생성하는 단계;
    를 포함하고,
    상기 제1 이미지와 상기 제2 이미지는 서로 노이즈 독립 관계인 것을 특징으로 하는 방법.
  2. 제1항에 있어서,
    상기 제1 노이즈 및 상기 제2 노이즈를 생성하는 단계는,
    상기 랜덤 노이즈에 제1 계수를 적용하여 상기 제1 노이즈를 생성하고, 상기 랜덤 노이즈에 상기 제1 계수와 종속 관계인 제2 계수를 적용하여 상기 제2 노이즈를 생성하는 단계;
    를 포함하는 방법.
  3. 제1항에 있어서,
    상기 제1 이미지는
    상기 입력 이미지에 상기 제1 노이즈를 적용하여 생성된 것이고,
    상기 제2 이미지는
    상기 입력 이미지에 상기 제2 노이즈를 적용하여 생성된 것인 방법.
  4. 제1항에 있어서,
    상기 제1 이미지 및 상기 제2 이미지를 기초로, 저품질의 의료 이미지를 기초로 고품질의 의료 이미지를 출력하는 인공 신경망 모델에 입력되는 학습 이미지 및 라벨 이미지를 생성하는 단계;
    를 더 포함하는 것을 특징으로 하는 방법.
  5. 제4항에 있어서,
    상기 학습 이미지 및 상기 라벨 이미지를 생성하는 단계는,
    상기 인공 신경망 모델에 설정된 노이즈 감소 목표를 기초로, 상기 제1 이미지 및 상기 제2 이미지에 각각 대응되는 가중치를 결정하는 단계; 및
    상기 가중치를 기초로 상기 제1 이미지 및 상기 제2 이미지를 조합하여 상기 학습 이미지 및 상기 라벨 이미지를 생성하는 단계;
    를 포함하는 방법.
  6. 제5항에 있어서,
    상기 가중치를 결정하는 단계는,
    상기 제1 이미지의 가중치와 상기 제2 이미지의 가중치의 합이 1이 되도록 상기 제1 이미지 및 상기 제2 이미지에 각각 대응되는 가중치를 결정하는 방법.
  7. 제1항에 있어서,
    상기 입력 이미지, 상기 제1 이미지 및 상기 제2 이미지는 각각 k-스페이스 데이터인 방법.
  8. 제7항에 있어서,
    상기 제1 이미지 및 상기 제2 이미지를 조합하여 k-스페이스 학습 데이터 및 k-스페이스 라벨 데이터를 생성하는 단계; 및
    상기 k-스페이스 학습 데이터 및 상기 k-스페이스 라벨 데이터를 각각 푸리에 변환하여 저품질의 의료 이미지를 기초로 고품질의 의료 이미지를 출력하는 인공 신경망 모델에 입력되는 학습 이미지 및 라벨 이미지를 생성하는 단계;
    를 더 포함하는 것을 특징으로 하는 방법.
  9. 제7항에 있어서,
    상기 랜덤 노이즈를 생성하는 단계는,
    상기 입력 이미지의 중심으로부터 일정 거리만큼 떨어진 픽셀값들의 표준 편차를 기초로 상기 노이즈 크기를 계산하는 단계; 및
    상기 노이즈 크기에 대응되는 상기 랜덤 노이즈를 생성하는 단계;
    를 포함하는 방법.
  10. 제7항에 있어서,
    상기 랜덤 노이즈는 복소 가우시안 분포를 따르는 노이즈를 포함하는 방법.
  11. 제1항에 있어서,
    상기 입력 이미지, 상기 제1 이미지 및 상기 제2 이미지는 각각 자기 공명 영상인 방법.
  12. 제11항에 있어서,
    상기 랜덤 노이즈를 생성하는 단계는,
    상기 입력 이미지의 배경을 구분하고, 상기 배경의 픽셀값들의 표준 편차를 기초로 상기 노이즈 크기를 계산하는 단계; 및
    상기 노이즈 크기에 대응되는 상기 랜덤 노이즈를 생성하는 단계;
    를 포함하는 방법.
  13. 제11항에 있어서,
    상기 랜덤 노이즈는 라이시안 분포(Rician Distribution) 또는 비중심 카이 분포(Noncentral chi distribution)를 따르는 노이즈를 포함하는 방법.
  14. 학습 데이터 생성 장치로서,
    입력 이미지를 저장하는 메모리; 및
    상기 입력 이미지의 노이즈와 대응되는 랜덤 노이즈를 생성하고, 상기 랜덤 노이즈를 기초로, 제1 노이즈 및 제2 노이즈를 생성하고, 상기 입력 이미지 및 상기 제1 노이즈를 기초로 제1 이미지를 생성하고, 상기 입력 이미지 및 상기 제2 노이즈를 기초로 제2 이미지를 생성하는 프로세서;
    를 포함하고,
    상기 제1 이미지와 상기 제2 이미지는 서로 노이즈 독립 관계인 것을 특징으로 하는 장치.
  15. 제14항에 있어서,
    상기 프로세서는,
    상기 랜덤 노이즈에 제1 계수 및 제2 계수를 각각 적용하여 상기 제1 노이즈 및 상기 제2 노이즈를 생성하고, 상기 입력 이미지에 상기 제1 노이즈 및 상기 제2 노이즈를 각각 적용하여 상기 제1 이미지 및 상기 제2 이미지를 생성하고,
    상기 제1 계수와 상기 제2 계수는 서로 종속 관계인 것을 특징으로 하는 장치.
  16. 제14항에 있어서,
    상기 프로세서는,
    인공 신경망 모델에 설정된 노이즈 감소 목표를 기초로, 상기 제1 이미지 및 상기 제2 이미지를 조합하여 상기 인공 신경망 모델을 학습하기 위한 학습 이미지 및 라벨 이미지를 생성하고,
    상기 인공 신경망 모델은,
    저품질의 의료 이미지를 기초로 고품질의 의료 이미지를 출력하도록 학습된 것을 특징으로 하는 장치.
  17. 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램(program)으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서(processor)에서 실행되는 경우, 하기 위한 동작들을 수행하도록 하며,
    상기 동작들은,
    입력 이미지의 노이즈와 대응되는 랜덤 노이즈를 생성하는 동작;
    상기 랜덤 노이즈를 기초로, 제1 노이즈 및 제2 노이즈를 생성하는 동작; 및
    상기 입력 이미지 및 상기 제1 노이즈를 기초로 제1 이미지를 생성하고, 상기 입력 이미지 및 상기 제2 노이즈를 기초로 제2 이미지를 생성하는 동작을 포함하고,
    상기 제1 이미지와 상기 제2 이미지는 서로 노이즈 독립 관계인 것을 특징으로 하는 컴퓨터 프로그램.
PCT/KR2023/007108 2022-05-25 2023-05-24 학습 데이터 생성 방법, 컴퓨터 프로그램 및 장치 Ceased WO2023229384A1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
EP23812158.6A EP4503049A4 (en) 2022-05-25 2023-05-24 METHOD FOR GENERING TRAINING DATA, COMPUTER PROGRAM AND DEVICE
US18/721,768 US20250061546A1 (en) 2022-05-25 2023-05-24 Training data generation method, computer program and device

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020220064298A KR102513218B1 (ko) 2022-05-25 2022-05-25 학습 데이터 생성 방법, 컴퓨터 프로그램 및 장치
KR10-2022-0064298 2022-05-25

Publications (1)

Publication Number Publication Date
WO2023229384A1 true WO2023229384A1 (ko) 2023-11-30

Family

ID=86101679

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/007108 Ceased WO2023229384A1 (ko) 2022-05-25 2023-05-24 학습 데이터 생성 방법, 컴퓨터 프로그램 및 장치

Country Status (4)

Country Link
US (1) US20250061546A1 (ko)
EP (1) EP4503049A4 (ko)
KR (1) KR102513218B1 (ko)
WO (1) WO2023229384A1 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102513218B1 (ko) * 2022-05-25 2023-04-25 주식회사 에어스 메디컬 학습 데이터 생성 방법, 컴퓨터 프로그램 및 장치
US12584985B1 (en) * 2024-10-28 2026-03-24 Airs Medical Inc. Apparatus for obtaining magnetic resonance images base on deep learning model and method of controlling the same
CN120707431A (zh) * 2025-08-29 2025-09-26 烟台大学 一种HumanNeRF图像降噪方法、系统和设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102513218B1 (ko) * 2022-05-25 2023-04-25 주식회사 에어스 메디컬 학습 데이터 생성 방법, 컴퓨터 프로그램 및 장치

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10803555B2 (en) * 2017-08-31 2020-10-13 Shanghai United Imaging Healthcare Co., Ltd. System and method for determining a trained neural network model for scattering correction
US10592779B2 (en) * 2017-12-21 2020-03-17 International Business Machines Corporation Generative adversarial network medical image generation for training of a classifier
US10430708B1 (en) * 2018-08-17 2019-10-01 Aivitae LLC System and method for noise-based training of a prediction model
KR102097741B1 (ko) 2019-07-25 2020-04-06 주식회사 딥노이드 인공지능 학습용 의료 영상 데이터 정제 시스템 및 그 구동방법
CN111340699B (zh) * 2020-02-17 2022-02-18 西北大学 基于非局部先验和稀疏表示的磁共振图像去噪方法及装置
US11408954B2 (en) * 2020-03-24 2022-08-09 GE Precision Healthcare LLC Systems and methods of reducing noise and artifacts in magnetic resonance imaging
US12228629B2 (en) * 2020-10-07 2025-02-18 Hyperfine Operations, Inc. Deep learning methods for noise suppression in medical imaging
US12530745B2 (en) * 2021-07-26 2026-01-20 GE Precision Healthcare LLC Systems and methods to reduce unstructured and structured noise in image data
US12118720B2 (en) * 2021-12-17 2024-10-15 GE Precision Healthcare LLC Systems and methods of magnetic resonance image processing using neural networks having reduced dimensionality
US12287385B2 (en) * 2022-04-22 2025-04-29 GE Precision Healthcare LLC Systems and methods of noise reduction in magnetic resonance images
KR102533000B1 (ko) * 2022-08-18 2023-05-16 주식회사 에어스메디컬 학습 데이터 생성 방법, 컴퓨터 프로그램 및 장치
US20240296527A1 (en) * 2023-03-02 2024-09-05 GE Precision Healthcare LLC Reducing noise in ct images using synthetic data
US20240378726A1 (en) * 2023-05-12 2024-11-14 GE Precision Healthcare LLC Deep learning based medical imaging system and method
KR20250042426A (ko) * 2023-09-20 2025-03-27 삼성전자주식회사 뉴럴 디퓨전 기반의 영상 처리 방법 및 장치
US20250217938A1 (en) * 2023-12-29 2025-07-03 Google Llc Weighting Functions and Adaptive Noise Schedule for Training Noise-Based Machine-Learned Models
US12584985B1 (en) * 2024-10-28 2026-03-24 Airs Medical Inc. Apparatus for obtaining magnetic resonance images base on deep learning model and method of controlling the same

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102513218B1 (ko) * 2022-05-25 2023-04-25 주식회사 에어스 메디컬 학습 데이터 생성 방법, 컴퓨터 프로그램 및 장치

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
DESAI ARJUN D, OZTURKLER BATU M, SANDINO CHRISTOPHER M, BOUTIN ROBERT, WILLIS MARC, VASANAWALA SHREYAS, HARGREAVES BRIAN A, RÉ CHR: "Noise2Recon: Enabling Joint MRI Reconstruction and Denoising with Semi-Supervised and Self-Supervised Learning", ARXIV (CORNELL UNIVERSITY), CORNELL UNIVERSITY LIBRARY, ARXIV.ORG, ITHACA, 7 October 2022 (2022-10-07), Ithaca, XP093111651, [retrieved on 20231213], DOI: 10.48550/arxiv.2110.00075 *
See also references of EP4503049A4 *
SONG HWANJUN, KIM MINSEOK, PARK DONGMIN, SHIN YOOJU, LEE JAE-GIL: "Learning From Noisy Labels With Deep Neural Networks: A Survey", IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS, IEEE, USA, vol. 34, no. 11, 1 November 2023 (2023-11-01), USA, pages 8135 - 8153, XP093111654, ISSN: 2162-237X, DOI: 10.1109/TNNLS.2022.3152527 *
TIAN QIYUAN; LI ZIYU; FAN QIUYUN; POLIMENI JONATHAN R.; BILGIC BERKIN; SALAT DAVID H.; HUANG SUSIE Y.: "SDnDTI: Self-supervised deep learning-based denoising for diffusion tensor MRI", NEUROIMAGE, ELSEVIER, AMSTERDAM, NL, vol. 253, 1 March 2022 (2022-03-01), AMSTERDAM, NL , XP087022574, ISSN: 1053-8119, DOI: 10.1016/j.neuroimage.2022.119033 *
VARADARAJAN DIVYA; HALDAR JUSTIN P.: "A Majorize-Minimize Framework for Rician and Non-Central Chi MR Images", IEEE TRANSACTIONS ON MEDICAL IMAGING, IEEE, USA, vol. 34, no. 10, 1 October 2015 (2015-10-01), USA, pages 2191 - 2202, XP011670407, ISSN: 0278-0062, DOI: 10.1109/TMI.2015.2427157 *

Also Published As

Publication number Publication date
EP4503049A1 (en) 2025-02-05
US20250061546A1 (en) 2025-02-20
EP4503049A4 (en) 2026-03-11
KR102513218B1 (ko) 2023-04-25

Similar Documents

Publication Publication Date Title
WO2023229384A1 (ko) 학습 데이터 생성 방법, 컴퓨터 프로그램 및 장치
KR102622283B1 (ko) 맥스웰 병렬 이미징
WO2024039043A1 (ko) 학습 데이터 생성 방법, 컴퓨터 프로그램 및 장치
BR112021015798A2 (pt) Determinação do parâmetro de modelo com o uso de um modelo preditivo
KR102428725B1 (ko) 영상 개선 방법 및 이를 수행하는 컴퓨터 프로그램
Chen et al. Estimating tissue microstructure with undersampled diffusion data via graph convolutional neural networks
WO2019124836A1 (ko) 제1 의료 영상의 관심 영역을 제2 의료 영상 위에 맵핑하는 방법 및 이를 이용한 장치
WO2022216073A1 (ko) 슬라이스 레졸루션 향상이 적용된 자기 공명 영상 처리 장치 및 그 방법
WO2023249372A1 (ko) 딥러닝 모델의 학습을 위한 의료 데이터의 처리 방법, 프로그램 및 장치
CN112397195B (zh) 用于生成体格检查模型的方法、装置、电子设备和介质
WO2023128074A1 (ko) 스캔 파라미터를 이용하는 자기 공명 영상 처리 방법 및 장치
US11630177B2 (en) Coil mixing error matrix and deep learning for prospective motion assessment
KR102442591B1 (ko) 라벨 생성 방법, 프로그램 및 장치
WO2023249402A1 (ko) 딥러닝 모델의 학습을 위한 의료 데이터의 처리 방법, 프로그램 및 장치
WO2023177151A1 (ko) 3차원 의료 데이터의 처리 방법, 프로그램 및 장치
WO2023249411A1 (ko) 데이터 처리 방법, 컴퓨터 프로그램 및 장치
CN114972118B (zh) 检查图像的降噪方法、装置、可读介质和电子设备
CN118629635A (zh) 深静脉血栓溶栓疗效预测系统及方法
WO2024053828A1 (ko) 인공 신경망 기반 해상도 향상 방법, 프로그램 및 장치
CN111599447B (zh) 一种数据处理方法、装置、电子设备及存储介质
WO2024080488A1 (ko) 혈관 검출 방법 및 이를 수행하는 컴퓨터 프로그램
WO2024010248A1 (ko) 딥러닝 기반 의료 데이터의 품질 개선 방법, 프로그램 및 장치
De et al. QROP: Quantum Learning‐Based Identification of Retinopathy of Prematurity
KR102859458B1 (ko) 딥 러닝에 모델에 기반한 자기 공명 영상을 획득하는 장치 및 그 제어 방법
WO2024080489A1 (ko) 의료 이미지를 기반으로 하는 접촉 판단 방법 및 이를 수행하는 컴퓨터 프로그램

Legal Events

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

Ref document number: 23812158

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 18721768

Country of ref document: US

WWE Wipo information: entry into national phase

Ref document number: 23812158.6

Country of ref document: EP

Ref document number: 2023812158

Country of ref document: EP

ENP Entry into the national phase

Ref document number: 2023812158

Country of ref document: EP

Effective date: 20241028

NENP Non-entry into the national phase

Ref country code: DE