WO2023249372A1 - 딥러닝 모델의 학습을 위한 의료 데이터의 처리 방법, 프로그램 및 장치 - Google Patents

딥러닝 모델의 학습을 위한 의료 데이터의 처리 방법, 프로그램 및 장치 Download PDF

Info

Publication number
WO2023249372A1
WO2023249372A1 PCT/KR2023/008528 KR2023008528W WO2023249372A1 WO 2023249372 A1 WO2023249372 A1 WO 2023249372A1 KR 2023008528 W KR2023008528 W KR 2023008528W WO 2023249372 A1 WO2023249372 A1 WO 2023249372A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
preliminary
space
label
generate
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/KR2023/008528
Other languages
English (en)
French (fr)
Inventor
김현수
양준영
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 US18/721,804 priority Critical patent/US20250086942A1/en
Priority to EP23827486.4A priority patent/EP4506953A4/en
Publication of WO2023249372A1 publication Critical patent/WO2023249372A1/ko
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/88—Image or video recognition using optical means, e.g. reference filters, holographic masks, frequency domain filters or spatial domain filters
    • G06V10/89—Image or video recognition using optical means, e.g. reference filters, holographic masks, frequency domain filters or spatial domain filters using frequency domain filters, e.g. Fourier masks implemented on spatial light modulators
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • 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
    • 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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/561—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by reduction of the scanning time, i.e. fast acquiring systems, e.g. using echo-planar pulse sequences
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/561—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by reduction of the scanning time, i.e. fast acquiring systems, e.g. using echo-planar pulse sequences
    • G01R33/5611—Parallel magnetic resonance imaging, e.g. sensitivity encoding [SENSE], simultaneous acquisition of spatial harmonics [SMASH], unaliasing by Fourier encoding of the overlaps using the temporal dimension [UNFOLD], k-t-broad-use linear acquisition speed-up technique [k-t-BLAST], k-t-SENSE
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/10—Recognition assisted with metadata

Definitions

  • the content of the present disclosure relates to data processing technology, and specifically relates to a method of processing medical data to generate training data for a deep learning model.
  • Magnetic resonance imaging (MRI) devices are equipment that requires considerable imaging time. Therefore, in the medical industry, accelerated imaging technology to shorten the imaging time of magnetic resonance imaging is very important and continues to develop.
  • the premise of accelerated imaging of magnetic resonance imaging is that data is acquired in the signal domain, so-called k-space, rather than the image domain that humans see.
  • an accelerated magnetic resonance image 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.
  • technology has recently been developed based on artificial intelligence to restore low-quality, accelerated MRI images to a high-quality, non-accelerated state.
  • effective learning of the artificial intelligence model In order to restore high quality accelerated magnetic resonance images based on artificial intelligence, effective learning of the artificial intelligence model must be a prerequisite.
  • there are realistically difficult aspects of securing data for learning artificial intelligence models For example, in order to effectively learn an artificial intelligence model, not only high-quality input data but also high-quality label data corresponding to it must be secured.
  • This disclosure was developed in response to the above-described background technology, and takes into account the characteristics of raw medical data to secure high-quality data required for learning a deep learning model to restore low-quality medical data to high quality.
  • the purpose is to provide a method for doing so.
  • a method of processing medical data for learning a deep learning model performed by a computing device, includes: separating the K-space data into a plurality of different data, taking into account the characteristics of metadata of the K-space data; And it may include combining a plurality of different data separated from the K-space data to generate input data and label data for learning a deep learning model.
  • the metadata may include at least one of a number of excitations (NEX), an acceleration factor, a parallel imaging technique applied to the K-space data, or a resolution.
  • the step of generating input data and label data for learning a deep learning model by combining a plurality of different data separated from the K-space data includes combining the plurality of data to generate the input data generating first preliminary data for generating and second preliminary data for generating the label data; and converting the first preliminary data and the second preliminary data into an image domain to generate the input data and the label data.
  • combining the plurality of data to generate first preliminary data for generating the input data and second preliminary data for generating the label data may include adjusting a noise ratio between the plurality of data. It may include generating the first preliminary data and the second preliminary data through linear combination.
  • the noise of the second preliminary data may include dependent noise that is correlated with the noise of the first preliminary data and independent noise that is not correlated with the noise of the first preliminary data.
  • each of the dependent noise and the independent noise in the noise of the second preliminary data may be determined by a coefficient used for linear combination between the plurality of data.
  • converting the first preliminary data and the second preliminary data to an image domain to generate the input data and the label data may include performing a Fourier transform on the first preliminary data and the second preliminary data. It may include generating the input data and the label data based on (Fourier transform).
  • converting the first preliminary data and the second preliminary data into an image domain to generate the input data and the label data may include converting the first preliminary data and the second preliminary data to a neural network model. It may include generating the input data and the label data by inputting the data.
  • the step of combining a plurality of different data separated from the K-space data to generate input data and label data for learning a deep learning model includes adjusting the resolution of the first preliminary data. may further include.
  • adjusting the resolution of the first preliminary data may include a readout resolution of the first preliminary data such that the resolution of the first preliminary data has a value less than or equal to the resolution of the second preliminary data.
  • it may include adjusting at least one of the phase resolutions.
  • a computer program stored in a computer-readable storage medium When the computer program is executed on one or more processors, it performs operations to process medical data for learning a deep learning model.
  • the operations include: separating the K-space data into a plurality of different data in consideration of the characteristics of metadata of the K-space data; And it may include an operation of combining a plurality of different data separated from the K-space data to generate input data and label data for learning a deep learning model.
  • the device includes a processor including at least one core; a memory containing program codes executable on the processor; And it may include a network unit for acquiring k-space data and meta data of the k-space data.
  • the processor separates the K-space data into a plurality of different data, considering the characteristics of the metadata of the K-space data, and combines the plurality of different data separated from the K-space data. , input data and label data for learning deep learning models can be created.
  • the present disclosure can provide a method of securing high-quality data required for learning a deep learning model to restore low-quality medical data to high quality.
  • FIG. 1 is a block diagram of a computing device according to an embodiment of the present disclosure.
  • Figure 2 is a flowchart showing a method of processing medical data according to an embodiment of the present disclosure.
  • Figure 3 is a conceptual diagram showing a medical data processing process according to an embodiment of the present disclosure.
  • FIG. 4 is a conceptual diagram illustrating a process of dividing data considering the characteristics of metadata according to an embodiment of the present disclosure.
  • FIG. 5 is a flowchart illustrating a process for dividing data considering the characteristics of metadata according to an embodiment of the present disclosure.
  • Figure 6 is a flowchart showing a method of processing medical data according to an embodiment of the present disclosure.
  • Figure 7 is a conceptual diagram showing a medical data processing process according to an embodiment of the present disclosure.
  • Figure 8 is a flowchart showing a method of generating input data and label data by combining a plurality of data 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 the 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.
  • Data used in this disclosure may include “image.”
  • image used in this disclosure may refer to multidimensional data composed of discrete image elements.
  • image can be understood as a term referring to a digital representation of an object that can be seen by the human eye.
  • image may refer to multidimensional data consisting of elements corresponding to pixels in a two-dimensional image.
  • Image may refer to multidimensional data consisting of elements corresponding to voxels in a three-dimensional image.
  • 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.
  • K-space used in the present disclosure can be understood as an array of numbers representing the spatial frequency of a magnetic resonance image.
  • K-space can be understood as a frequency space corresponding to a three-dimensional space corresponding to magnetic resonance space coordinates.
  • Frier transform used in this disclosure can be understood as a computational medium that allows explaining the relationship between the time domain and the frequency domain.
  • “Fourier transform” used in the present disclosure can be understood as a broad concept representing a computational process for mutual transformation between the time domain and the frequency domain. Therefore, the "Fourier transform” used in this disclosure is a concept that encompasses both the Fourier transform in the narrow sense, which decomposes a signal in the time domain into the frequency domain, and the inverse Fourier transform, which transforms the signal in the frequency domain into the time domain. It can be understood as
  • 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 in which a plurality of servers and clients interact to 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 training data for a deep learning model to restore low-quality medical data to high quality.
  • the processor 110 may use metadata associated with medical data to generate input data and label data for learning a deep learning model.
  • the processor 110 may consider the characteristics of metadata of medical data and generate input data and label data for learning a deep learning model from medical data.
  • the medical data may include accelerated imaging or accelerated simulation (simulation) magnetic resonance signals or images.
  • the deep learning model may include a neural network model that restores accelerated imaging or accelerated simulated magnetic resonance images to normal imaging conditions.
  • the deep learning model may include a neural network model that generates output to reduce noise or improve resolution of accelerated imaging or accelerated simulated magnetic resonance images.
  • the neural network model may include U-NET, which is based on a convolutional neural network. Since the above-described type of neural network is only an example, it can be configured in a variety of ways that can be understood by those skilled in the computer vision field.
  • accelerated imaging can be understood as an imaging technique that shortens imaging time by reducing the number of excitations (NEX) for magnetic resonance signals compared to general imaging.
  • the number of excitations can be understood as the number of repetitions when repeatedly acquiring lines of a magnetic resonance signal in the K-space domain. Therefore, as the number of excitations increases, the capturing time of the magnetic resonance image may increase proportionally. That is, when the number of excitations is reduced when taking a magnetic resonance image, accelerated imaging with a shortened magnetic resonance image taking time can be implemented.
  • accelerated imaging can be understood as an imaging technique that obtains an image with relatively low resolution by obtaining a narrower range of signals in the phase encoding direction in the K-space domain.
  • accelerated imaging of the present disclosure can be understood as a imaging technique that reduces phase resolution compared to general imaging.
  • Phase resolution can be understood as the number of lines sampled in the phase encoding direction in the K-space domain divided by a preset reference value. Therefore, as the phase resolution increases, the capturing time of the magnetic resonance image may increase proportionally. That is, when the phase resolution is reduced when capturing a magnetic resonance image, accelerated imaging with a shortened magnetic resonance image capturing time can be implemented.
  • 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 K-space 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.
  • accelerated imaging can be understood as an imaging technique that generates a magnetic resonance image by acquiring a sub-sampled magnetic resonance signal.
  • subsampling can be understood as an operation of sampling a magnetic resonance signal at a sampling rate lower than the Nyquist sampling rate.
  • the medical data of the present disclosure may be images obtained by sampling magnetic resonance signals at a sampling rate lower than the Nyquist sampling rate.
  • Accelerated simulation of the present disclosure can be understood as a computational technique for under sampling K-space data generated through regular or accelerated imaging.
  • undersampling can be understood as a method of processing magnetic resonance signals at a lower sampling rate based on the K-space data to be processed.
  • accelerated simulation may include computational techniques to generate subsampled K-space data based on fully sampled K-space data.
  • accelerated simulations may include computational techniques to sample magnetic resonance signals using subsampled K-space data at a lower sampling rate.
  • the accelerated simulation technique described above may be applied as is. Acceleration simulation may be performed by the processor 110 of the present disclosure, or may be performed through a separate external system.
  • the processor 110 may separate the K-space data into a plurality of different data based on the metadata of the K-space data.
  • the processor 110 may analyze the metadata of the K-space data and divide the K-space data into a plurality of different data based on the encoding line of the K-space data.
  • the processor 110 may consider the characteristics of metadata of K-space data and generate a plurality of different data differentiated based on encoding lines from K-space data.
  • the K-space data may correspond to a magnetic resonance signal or image of the K-space domain that has been accelerated or simulated.
  • the processor 110 may determine what characteristics the metadata of K-space data has. Additionally, the processor 110 may select an appropriate division technique based on the above-described determination result to generate a plurality of different data from the K-space data. In other words, the processor 110 may identify a partitioning technique for separating the K-space data into a plurality of different data according to the characteristics of the metadata of the K-space data. Additionally, the processor 110 may generate a plurality of different data from K-space data using the previously identified segmentation technique. For example, the processor 110 may select a partitioning technique that matches the characteristics of the metadata of the K-space data that is currently being processed from among partitioning techniques previously classified according to the characteristics of the metadata.
  • the metadata may include at least one of the number of excitations, acceleration index, parallel imaging technique applied to the K-space data, or resolution.
  • the processor 110 may use a segmentation technique that matches the characteristics of the metadata of the K-space data currently being processed to generate a plurality of different data distinguished based on the encoding line from the K-space data.
  • the processor 110 can consider what acceleration characteristics the K-space data has and route an appropriate partitioning technique that matches the characteristics of the K-space data. Through this routing and data processing, the processor 110 can prepare basic data for generating input data and label data optimized for learning a deep learning model from K-space data.
  • the processor 110 may generate training data for a deep learning model based on a plurality of different data generated from K-space data.
  • the processor 110 may combine a plurality of different data separated from the K-space data to generate input data and label data for learning a deep learning model.
  • the processor 110 may combine a plurality of different data to generate preliminary data to prepare input data for learning a deep learning model.
  • the processor 110 may combine a plurality of different pieces of data to generate preliminary data for preparing label data.
  • the processor 110 performs an operation to generate preliminary data for the input data and preliminary data for the label data in consideration of the combination ratio between the plurality of data. Can be performed individually.
  • the processor 110 may generate input data and label data for learning a deep learning model based on each preliminary data.
  • the processor 110 can generate input data for learning a deep learning model and high-quality label data corresponding to the input data from single K-space data, considering the inherent characteristics of the K-space data. Through this data processing process, the processor 110 can effectively build learning data for a deep learning model for restoring accelerated imaging or accelerated simulated magnetic resonance images.
  • 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 , may include at least one type of storage medium among a magnetic disk and an optical disk.
  • 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 manage data necessary for the processor 110 to perform operations, a combination of data, and program code executable on the processor 110 by structuring and organizing them.
  • the memory 120 may store medical data received through the network unit 130, which will be described later.
  • the memory 120 is a program code that operates to process medical data to generate training data for a neural network model, and a program code that operates the processor 110 to generate image data based on feature interpretation (or inference) of the neural network model. And K-space data, image data, etc. generated as the program code is executed can be stored.
  • 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. For example, the network unit 130 may receive medical data through communication with a medical image storage and transmission system, a cloud server that performs tasks such as standardization of medical data, or a computing device. The network unit 130 may transmit learning data generated through calculations of the processor 110, image data corresponding to the output of the neural network model, etc. through communication with the above-described system, server, or computing device.
  • Figure 2 is a flowchart showing a method of processing medical data according to an embodiment of the present disclosure.
  • the computing device 100 may acquire K-space data and metadata of the K-space data (S100).
  • “acquisition” can be understood to refer not only to receiving data through a wireless communication network with an external terminal, device, or system, but also to generating or receiving data in an on-device form.
  • the computing device 100 may receive K-space data and metadata of the K-space data through cloud communication with a medical image storage and transmission system or a magnetic resonance imaging device.
  • the computing device 100 may be mounted on a magnetic resonance imaging device and directly obtain K-space data and metadata of the K-space data.
  • the metadata of the K-space data may be metadata related to accelerated shooting of the K-space data.
  • Metadata of K-space data may include at least one of the number of excitations, acceleration exponent, parallel imaging technique applied to K-space data, or resolution.
  • the computing device 100 may separate the K-space data into a plurality of different data based on the encoding line of the K-space data, considering the characteristics of the metadata acquired through step S100 (S200).
  • the computing device 100 may analyze numerical values representing characteristics of metadata and generate a plurality of data that are distinguished from each other based on encoding lines from K-space data. For example, the computing device 100 may use a segmentation technique appropriate to apply to the K-space data acquired through step S100, based on at least one numerical value of the number of excitations, acceleration exponent, parallel imaging technique, or resolution. can be identified.
  • identification can be understood as a task of matching an appropriate segmentation technique among pre-classified segmentation techniques according to a combination of at least one numerical value among the number of excitations, acceleration exponent, parallel imaging technique, or resolution.
  • the computing device 100 may use the identified segmentation technique to generate a plurality of data that are distinguished from each other based on encoding lines from K-space data.
  • the plurality of data can be understood as basic data used to generate input data and label data for learning a deep learning model.
  • Figure 3 is a conceptual diagram showing a medical data processing process according to an embodiment of the present disclosure.
  • Figure 4 is a conceptual diagram showing a process of dividing data considering the characteristics of metadata according to an embodiment of the present disclosure.
  • the processor 110 of the computing device 100 based on K-space data 210 and metadata 220 of the K-space data 210, A plurality of data 300 can be generated to be used to prepare training data for a deep learning model for restoration of medical data.
  • the processor 110 may identify a partitioning technique for separating the K-space data 210 into a plurality of different data 300 based on the characteristics of the metadata 220.
  • the characteristics of the metadata 220 may be parameters related to accelerated imaging of the K-space data 210, or attribute values indicating an accelerated imaging technique or restoration technique.
  • the processor 110 may use the identified segmentation technique to generate a plurality of data 300 in which noise is independent from the K-space data 210 based on the encoding line.
  • the encoding line can be understood as a set of frequency encoding or phase encoding that forms the dimension of K-space data.
  • the processor 110 may determine a combination of numerical values representing characteristics of the metadata 220.
  • the processor 110 may determine a partitioning technique matching the combination as a partitioning technique used to generate a plurality of data 300 in which noise is independent of each other.
  • the processor 110 may select a segmentation technique that matches the combination of numerical values among pre-classified segmentation techniques based on a combination of numerical values representing characteristics of the metadata 200. That is, the processor 110 can individually consider how the K-space data was captured and appropriately use a segmentation technique appropriate for the K-space data. In other words, the processor 110 can determine a segmentation technique suitable for the K-space data by considering the characteristics of metadata for the K-space data that can be used as a clinical standard. This data processing process ensures that no matter what K-space data is secured, high-quality data with noise independent of each other can be secured through techniques optimized for the K-space data itself.
  • the segmentation technique may include a first segmentation technique 10 that generates a plurality of data with mutually independent noise from K-space data, based on the order of accelerated shooting according to the number of excitations. You can. Additionally, the division technique may include a second division technique 20 that generates a plurality of data with independent noise from K-space data based on the interval of the phase encoding line. For example, the first division technique 10 determines whether it is the first or second captured data according to the number of excitations, and divides the K-space data according to the shooting order to generate a plurality of data. Techniques may be included.
  • the second division technique 20 distinguishes the phase encoding lines of the K-space data by setting the spacing of the phase encoding lines to 2, and generates a plurality of data whose noise is mutually independent from the K-space data based on the differentiated phase encoding lines. It may include a segmentation technique that generates . That is, the second division technique 20 may include a technique of determining whether the phase encoding line is odd or even and dividing the K-space data according to this pattern to generate a plurality of data. In addition to the above-described example where the spacing of the phase encoding lines is 2, the second division technique 20 may also include a case where the phase encoding spacing is 2 or more.
  • the second division technique 20 distinguishes the phase encoding lines of K-space data by setting the spacing of the phase encoding lines to n (n is a natural number greater than 2), and divides the phase encoding lines into K-space based on the differentiated phase encoding lines. It may include a segmentation technique that generates a plurality of data with mutually independent noise from data.
  • the first division technique 10 and the second division technique 20 described above may be classified in advance by matching individual combinations of numerical values representing characteristics of metadata. Accordingly, the processor 110 uses at least one of the pre-classified first segmentation technique 10 or the second segmentation technique 20 based on a combination of numerical values representing the characteristics of the meta data 220 to reduce noise. It can be determined by the partitioning technique used to generate a plurality of mutually independent data 300. Specifically, referring to FIG. 4, when the combination of numerical values representing the characteristics of the metadata 220 is [number of excitations A, acceleration index B], the processor 110 uses the first segmentation technique 10, or the second segmentation technique 10.
  • the first partition technique 10 matching [number of excitations A, acceleration index B] is used to partition the K-space data 210. It can be decided by a partitioning technique to do this.
  • the 2-1 division technique 21 included in the second division technique 20 may correspond to a division technique in which the interval between phase encoding lines is 2.
  • the 2-2 division technique 22 included in the second division technique 20 may correspond to a division technique in which the spacing of phase encoding lines is 3.
  • segmentation technique may be additionally defined in a range understandable to those skilled in the art based on the contents of the present disclosure in addition to the above-described example.
  • the processor 110 may generate a plurality of data 300 in which noise is mutually independent from the K-space data 210 based on the encoding line, using at least one of the pre-classified segmentation techniques. For example, referring to FIG. 4, according to a combination of numerical values representing characteristics of the meta data 220, the processor 110 uses the first partitioning technique 10 to divide the K-space data 210 into 2 First divided data 310 and second divided data 320 can be generated by dividing the data into pieces. At this time, the signal strength of the first divided data 310 and the second divided data 320 corresponds to each other, but at least one of the noise intensity or distribution may be different and have an independent relationship.
  • the processor 110 generates a plurality of data 300 in which at least one of the intensity or distribution of noise is independent from the K-space data 210 through a partitioning technique matching the characteristics of the metadata 220. By doing so, it is possible to efficiently construct a high-quality data set that serves as the basis for generating input data and label data, which will be described later.
  • FIG. 5 is a flowchart illustrating a process for dividing data considering the characteristics of metadata according to an embodiment of the present disclosure. Detailed content matching the description of FIGS. 3 and 4 for each step in FIG. 5 will be omitted.
  • the processor 110 of the computing device 100 may determine a combination of numerical values representing characteristics of metadata (S210). Additionally, the processor 110 may identify a segmentation technique that matches the combination among the previously classified segmentation techniques (S220). For example, as shown in FIG. 5 , the first segmentation technique 10 and the second segmentation technique 20 may be classified in advance according to combinations of numerical values representing characteristics of metadata. At this time, if the combination of characteristic values of the metadata to be processed is [number of excitations A1, acceleration index B1], the processor 110 uses the first partitioning technique 10 matching [number of excitations A1, acceleration index B1] or At least one of the second segmentation techniques 20 may be determined as the segmentation technique to be applied to the processing target.
  • the processor 110 may determine the partitioning technique identified in step S220 as the partitioning technique to be used to separate the plurality of data from the K-space data (S230). Then, the processor 110 may use the determined segmentation technique to generate a plurality of data in which noise is independent of each other (S240).
  • Figure 6 is a flowchart showing a method of processing medical data according to an embodiment of the present disclosure.
  • the computing device 100 may separate the K-space data into a plurality of different data in consideration of the characteristics of the metadata of the K-space data (S310 ). Since the specific content related to step S310 matches the step S120 of FIG. 2 described above, detailed description will be omitted.
  • the computing device 100 may generate input data and label data for learning a deep learning model by combining a plurality of different data separated from the K-space data (S320).
  • the plurality of different data can be understood as a plurality of data in which at least one of the intensity or distribution of noise is independent.
  • the computing device 100 may combine a plurality of different data to prepare preliminary data to be used to generate input data and label data for learning a deep learning model.
  • the computing device 100 may convert preliminary data into an image domain and generate input data and label data to be used for learning a deep learning model. That is, the computing device 100 prepares preliminary data for generating input data and label data for learning a deep learning model using the basic data prepared through step S310, and input data and label data through domain conversion of the preliminary data. Label data can be created.
  • Figure 7 is a conceptual diagram showing a medical data processing process according to an embodiment of the present disclosure.
  • the processor 110 of the computing device 100 combines a plurality of data 300 with mutually independent noise to generate input data 510.
  • Second preliminary data 420 for generating first preliminary data 410 and label data 520 may be generated.
  • the processor 110 may include first preliminary data 410 for generating input data 510 and second preliminary data 410 for generating label data 520 through linear combination that adjusts the noise ratio between a plurality of data.
  • Preliminary data 420 may be generated respectively. Specifically, it is assumed that through the processing process as shown in the example of FIG. 4, two pieces of data with the same signal intensity but independent noise intensity and distribution are generated.
  • the processor 110 may generate first preliminary data 410 by linearly combining the two data by applying a linear combination coefficient of 1 to one of the two data and a linear combination coefficient of 0 to the other one. That is, the first preliminary data 410 may correspond to data to which a linear combination coefficient of 1 has been applied.
  • the processor 110 linearly combines the two data by applying a linear combination coefficient of 1/3 to the data corresponding to the first preliminary data 410 and a linear combination coefficient of 2/3 to the remaining one to form the second preliminary data.
  • Data 420 may be generated. That is, the second preliminary data 420 may be generated as data including noise with noise reduced to 1/3 compared to the first preliminary data 410.
  • the processor 110 individually performs the purpose of generating input data 510 or label data 520 based on a plurality of data 300 in which noise is independent of each other. It is possible to generate preliminary data 410 and 420 in which the noise ratio is adjusted in various ways according to the linear combination coefficient.
  • the noise of the second preliminary data 420 has a dependent noise that has a correlation with the noise of the first preliminary data 410 and has no correlation with the noise of the first preliminary data 410. It may contain independent noise. Specifically, the dependent noise may correspond to noise obtained by applying a linear combination coefficient of 1/3 to the noise of data corresponding to the first preliminary data 410 among the plurality of data. Additionally, the independent noise may correspond to noise obtained by applying a linear combination coefficient of 2/3 to the noise of the remaining data that does not correspond to the first preliminary data 410.
  • the ratio of linear combination coefficients in the preceding examples is only an example, and the ratio of linear combination coefficients can be adjusted in various ways to suit the purpose of generating input data and label data.
  • the processor 110 may convert the first preliminary data 410 and the second preliminary data 420 into an image domain to generate input data 510 and label data 520, respectively.
  • the processor 110 may generate the input data 510 and the label data 520 based on Fourier transform of the first preliminary data 410 and the second preliminary data 420.
  • the processor 110 inputs the first preliminary data 410 and the second preliminary data 420 into a neural network model that converts the K-space domain into an image domain, creating input data 510 and label data 520, respectively.
  • You can also create The data processing process described in Figure 7 uses data with mutually independent noise to generate high-quality data needed for each purpose, such as input or label for learning a deep learning model, as quickly and accurately as desired.
  • Figure 8 is a flowchart showing a method of generating input data and label data by combining a plurality of data according to an embodiment of the present disclosure. Detailed content that matches the description of FIG. 7 for each step of FIG. 8 will be omitted.
  • the computing device 100 may apply a parallel imaging technique to a plurality of different data with mutually independent noise (S410).
  • Parallel imaging technique can be understood as an image processing technique to restore missing information in accelerated magnetic resonance images.
  • the computing device 100 may restore a plurality of data by reconstructing autocalibrating signal (ACS) lines of a plurality of different data.
  • the computing device 100 may restore a plurality of data by reconstructing magnetic resonance signal lines that constitute a plurality of different data.
  • the computing device 100 may restore a plurality of data using a sensitivity map based on sensitivity information for each channel of the coil to obtain K-space data.
  • various parallel imaging techniques can be applied within a range understandable to those skilled in the art based on the contents of the present disclosure. If the plurality of data is data restored through a parallel imaging technique, step S410 may not be performed.
  • the processor 110 may generate preliminary data for generating training data for a deep learning model that restores the quality of medical data by linearly combining a plurality of data with mutually independent noise (S420). At this time, the plurality of data can be understood as data restored through a parallel imaging technique.
  • the processor 110 may adjust the resolution of preliminary data to create input data to be used for learning a deep learning model (S430). For example, the processor 110 may perform one of the basic resolution or phase resolution of the first preliminary data so that the resolution of the first preliminary data related to the input data has a value less than or equal to the resolution of the second preliminary data related to the label data. At least one can be adjusted.
  • the basic resolution is the number of pixels in the readout direction and can be understood as the relative size of data existing in the frequency encoding direction.
  • phase resolution is the number of pixels in the phase encoding direction and can be understood as the relative size of data existing in the phase encoding direction.
  • the range in which the resolution is adjusted may be determined according to a value preset by the user. Therefore, the resolution of the input data to be used for learning a deep learning model can be adjusted in various ways within a lower range than the resolution of the label data.
  • the processor 110 may generate input data and label data by converting the domain of the preliminary data whose resolution has been adjusted through step S430 (S440). Additionally, the processor 110 can use the input data and label data as learning data for a deep learning model to restore the quality of medical data.

Landscapes

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

Abstract

본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 딥러닝 모델의 학습을 위한 의료 데이터의 처리 방법, 프로그램 및 장치가 개시된다. 상기 방법은, 케이-스페이스 데이터의 메타 데이터의 특성을 고려하여, 상기 케이-스페이스 데이터를 서로 다른 복수의 데이터로 분리하는 단계; 및 상기 케이-스페이스 데이터로부터 분리된 서로 다른 복수의 데이터를 조합하여, 딥러닝 모델의 학습을 위한 입력 데이터 및 라벨 데이터를 생성하는 단계를 포함할 수 있다.

Description

딥러닝 모델의 학습을 위한 의료 데이터의 처리 방법, 프로그램 및 장치
본 개시의 내용은 데이터 처리 기술에 관한 것으로, 구체적으로 딥러닝 모델의 학습 데이터를 생성하기 위해서 의료 데이터를 처리하는 방법에 관한 것이다.
자기 공명 영상(MRI: magnetic resonance imaging) 장치는 촬영 시간이 상당히 요구되는 장비이다. 따라서, 의료 업계에서 자기 공명 영상의 촬영 시간을 단축시키기 위한 가속화 촬영 기술은 매우 중요한 부분을 차지하고 있고, 계속된 발전을 해오고 있다. 자기 공명 영상의 가속화 촬영은, 자기 공명 영상이 사람이 보는 이미지 도메인(domain)이 아닌 신호 도메인, 이른바 케이-스페이스(k-space)라는 도메인에서 데이터가 획득이 된다는 것이 전제가 된다.
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. 그러나, 인공지능 모델의 학습을 위한 데이터를 확보하는 것부터 현실적으로 어려운 측면이 존재한다. 예를 들어, 인공지능 모델의 효과적인 학습을 위해서는 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, 현재 업계에서는 인공지능 모델을 구축하기 위해 가장 기본적으로 필요로 하는 학습 데이터를 확보하는 것이 요구되는 실정이다.
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 원시(raw) 의료 데이터의 특성을 고려하여, 저품질의 의료 데이터를 고품질로 복원하기 위한 딥러닝 모델의 학습에 필요로 하는 양질의 데이터를 확보하는 방법을 제공하는 것을 목적으로 한다.
다만, 본 개시에서 해결하고자 하는 과제는 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재를 근거로 명확하게 이해될 수 있을 것이다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 딥러닝 모델의 학습을 위한 의료 데이터의 처리 방법이 개시된다. 상기 방법은, 케이-스페이스 데이터의 메타 데이터의 특성을 고려하여, 상기 케이-스페이스 데이터를 서로 다른 복수의 데이터로 분리하는 단계; 및 상기 케이-스페이스 데이터로부터 분리된 서로 다른 복수의 데이터를 조합하여, 딥러닝 모델의 학습을 위한 입력 데이터 및 라벨 데이터를 생성하는 단계를 포함할 수 있다.
대안적으로, 상기 메타 데이터는, 여기 횟수(NEX), 가속화 지수(acceleration factor), 상기 케이-스페이스 데이터에 적용된 병렬 영상 기법, 또는 레졸루션(resolution) 중 적어도 하나를 포함할 수 있다.
대안적으로, 상기 케이-스페이스 데이터로부터 분리된 서로 다른 복수의 데이터를 조합하여, 딥러닝 모델의 학습을 위한 입력 데이터 및 라벨 데이터를 생성하는 단계는, 상기 복수의 데이터를 결합하여, 상기 입력 데이터를 생성하기 위한 제 1 예비 데이터 및 상기 라벨 데이터를 생성하기 위한 제 2 예비 데이터를 생성하는 단계; 및 상기 제 1 예비 데이터 및 상기 제 2 예비 데이터를 이미지 도메인으로 변환하여, 상기 입력 데이터 및 상기 라벨 데이터를 생성하는 단계를 포함할 수 있다.
대안적으로, 상기 복수의 데이터를 결합하여, 상기 입력 데이터를 생성하기 위한 제 1 예비 데이터 및 상기 라벨 데이터를 생성하기 위한 제 2 예비 데이터를 생성하는 단계는, 상기 복수의 데이터 간의 노이즈 비율을 조정하는 선형 결합을 통해, 상기 제 1 예비 데이터 및 상기 제 2 예비 데이터를 생성하는 단계를 포함할 수 있다.
대안적으로, 상기 제 2 예비 데이터의 노이즈는, 상기 제 1 예비 데이터의 노이즈와 상관 관계를 갖는 종속 노이즈 및 상기 제 1 예비 데이터의 노이즈와 상관 관계를 갖지 않는 독립 노이즈를 포함할 수 있다.
대안적으로, 상기 제 2 예비 데이터의 노이즈에서 상기 종속 노이즈와 상기 독립 노이즈 각각은, 상기 복수의 데이터 간의 선형 결합을 위해 사용되는 계수에 의해 결정될 수 있다.
대안적으로, 상기 제 1 예비 데이터 및 상기 제 2 예비 데이터를 이미지 도메인으로 변환하여, 상기 입력 데이터 및 상기 라벨 데이터를 생성하는 단계는, 상기 제 1 예비 데이터 및 상기 제 2 예비 데이터에 대한 푸리에 변환(fourier transform)을 기초로, 상기 입력 데이터 및 상기 라벨 데이터를 생성하는 단계를 포함할 수 있다.
대안적으로, 상기 제 1 예비 데이터 및 상기 제 2 예비 데이터를 이미지 도메인으로 변환하여, 상기 입력 데이터 및 상기 라벨 데이터를 생성하는 단계는, 상기 제 1 예비 데이터 및 상기 제 2 예비 데이터를 신경망 모델에 입력하여, 상기 입력 데이터 및 상기 라벨 데이터를 생성하는 단계를 포함할 수 있다.
대안적으로, 상기 케이-스페이스 데이터로부터 분리된 서로 다른 복수의 데이터를 조합하여, 딥러닝 모델의 학습을 위한 입력 데이터 및 라벨 데이터를 생성하는 단계는, 상기 제 1 예비 데이터의 레졸루션을 조정하는 단계를 더 포함할 수 있다.
대안적으로, 상기 제 1 예비 데이터의 레졸루션을 조정하는 단계는, 상기 제 1 예비 데이터의 레졸루션이 상기 제 2 예비 데이터의 레졸루션 이하의 값을 갖도록, 상기 제 1 예비 데이터의 리드아웃(readout) 레졸루션 혹은 위상 레졸루션 중 적어도 하나를 조정하는 단계를 포함할 수 있다.
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, 딥러닝 모델의 학습을 위해 의료 데이터를 처리하는 동작들을 수행하도록 한다. 이때, 상기 동작들은, 케이-스페이스 데이터의 메타 데이터의 특성을 고려하여, 상기 케이-스페이스 데이터를 서로 다른 복수의 데이터로 분리하는 동작; 및 상기 케이-스페이스 데이터로부터 분리된 서로 다른 복수의 데이터를 조합하여, 딥러닝 모델의 학습을 위한 입력 데이터 및 라벨 데이터를 생성하는 동작을 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 하기 위한 컴퓨팅 장치가 개시된다. 상기 장치는, 적어도 하나의 코어(core)를 포함하는 프로세서; 상기 프로세서에서 실행 가능한 프로그램 코드(code)들을 포함하는 메모리(memory); 및 케이-스페이스(k-space) 데이터 및 상기 케이-스페이스 데이터의 메타(meta) 데이터를 획득하기 위한 네트워크부(network unit)를 포함할 수 있다. 이때, 상기 프로세서는, 케이-스페이스 데이터의 메타 데이터의 특성을 고려하여, 상기 케이-스페이스 데이터를 서로 다른 복수의 데이터로 분리하고, 상기 케이-스페이스 데이터로부터 분리된 서로 다른 복수의 데이터를 조합하여, 딥러닝 모델의 학습을 위한 입력 데이터 및 라벨 데이터를 생성할 수 있다.
본 개시는 원시(raw) 의료 데이터의 특성을 고려하여, 저품질의 의료 데이터를 고품질로 복원하기 위한 딥러닝 모델의 학습에 필요로 하는 양질의 데이터를 확보하는 방법을 제공할 수 있다.
도 1은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따른 의료 데이터의 처리 방법을 나타낸 순서도이다.
도 3 은 본 개시의 일 실시예에 따른 의료 데이터의 처리 과정을 나타낸 개념도이다.
도 4는 본 개시의 일 실시예에 따라 메타 데이터의 특성을 고려하여 데이터를 분할하는 과정을 나타낸 개념도이다.
도 5는 본 개시의 일 실시예에 따라 메타 데이터의 특성을 고려하여 데이터를 분할하는 과정을 나타낸 순서도이다.
도 6은 본 개시의 일 실시예에 따른 의료 데이터의 처리 방법을 나타낸 순서도이다.
도 7은 본 개시의 일 실시예에 따른 의료 데이터의 처리 과정을 나타낸 개념도이다.
도 8은 본 개시의 일 실시예에 따라 복수의 데이터를 결합하여 입력 데이터 및 라벨 데이터를 생성하는 방법을 나타낸 순서도이다.
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 제 1 구성요소 혹은 제 2 구성요소로 구별될 수 있다. 다만, 본 개시의 기술적 사상 내에서 실질적으로 동일하나 설명의 편의를 위해 구분되어야 하는 구성요소들도 제 1 구성요소 혹은 제 2 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 "데이터"는 "영상"을 포함할 수 있다. 본 개시에서 사용되는 "영상" 이라는 용어는 이산적 이미지 요소들로 구성된 다차원 데이터를 지칭할 수 있다. 다시 말해, "영상"은 사람의 눈으로 볼 수 있는 대상의 디지털 표현물을 지칭하는 용어로 이해될 수 있다. 예를 들어, "영상" 은 2차원 이미지에서 픽셀에 해당하는 요소들로 구성된 다차원 데이터를 지칭할 수 있다. "영상"은 3차원 이미지에서 복셀에 해당하는 요소들로 구성된 다차원 데이터를 지칭할 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 "케이-스페이스(k-space)" 라는 용어는 자기 공명 영상의 공간 주파수를 나타내는 숫자의 배열로 이해될 수 있다. 다시 말해서, "케이-스페이스" 는 자기 공명 공간 좌표에 해당하는 3차원 공간에 대응되는 주파수 공간으로 이해될 수 있다.
본 개시에서 사용되는 "푸리에 변환(fourier transform)" 이라는 용어는 시간 영역과 주파수 영역의 연관성을 설명할 수 있게 하는 연산 매개체로 이해될 수 있다. 다시 말해, 본 개시에서 사용되는 "푸리에 변환" 은 시간 영역과 주파수 영역의 상호 변환을 위한 연산 과정을 나타내는 광의의 개념으로 이해될 수 있다. 따라서, 본 개시에서 사용되는 "푸리에 변환" 은 시간 영역의 신호를 주파수 영역으로 분해하는 협의의 푸리에 변환 및 주파수 영역의 신호를 시간 영역으로 변환하는 역 푸리에 변환(inverse fourier transform)을 모두 포괄하는 개념으로 이해될 수 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 블록 구성도이다.
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 처리하는 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.
프로세서(110)는 저품질의 의료 데이터를 고품질로 복원하기 위한 딥러닝 모델의 학습 데이터를 생성할 수 있다. 프로세서(110)는 의료 데이터와 연관된 메타 데이터를 사용하여, 딥러닝 모델의 학습을 위한 입력 데이터 및 라벨 데이터를 생성할 수 있다. 프로세서(110)는 의료 데이터의 메타 데이터의 특성을 고려하여, 의료 데이터로부터 딥러닝 모델의 학습을 위한 입력 데이터 및 라벨 데이터를 생성할 수 있다. 이때, 의료 데이터는 가속화 촬영 혹은 가속화 시뮬레이션(simulation) 된 자기 공명 신호 혹은 영상을 포함할 수 있다. 그리고, 딥러닝 모델은 가속화 촬영 혹은 가속화 시뮬레이션된 자기 공명 영상을 일반 촬영 상태로 복원하는 신경망 모델을 포함할 수 있다. 다시 말해서, 딥러닝 모델은 가속화 촬영 혹은 가속화 시뮬레이션된 자기 공명 영상의 노이즈를 줄이거나 레졸루션을 향상시키는 출력을 생성하는 신경망 모델을 포함할 수 있다. 예를 들어, 신경망 모델은 컨볼루셔널(convolutional) 신경망을 기반으로 하는 유-넷(U-NET) 등을 포함할 수 있다. 상술한 신경망의 종류는 하나의 예시일 뿐이므로, 컴퓨터 비전(vision) 분야의 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
한편, 본 개시에서 가속화 촬영은 일반적인 촬영 대비 자기 공명 신호에 대한 여기 횟수(NEX: number of excitations)를 감소시켜 촬영 시간을 단축시키는 촬영 기법으로 이해될 수 있다. 여기 횟수는 케이-스페이스 도메인에서 자기 공명 신호의 라인들을 반복 획득할 때의 반복된 횟수로 이해될 수 있다. 따라서, 여기 횟수가 증가함에 따라 자기 공명 영상의 촬영 시간이 비례하여 증가할 수 있다. 즉, 자기 공명 영상의 촬영 시에 여기 횟수를 감소시키는 경우, 자기 공명 영상의 촬영 시간이 단축된 가속화 촬영이 구현될 수 있다.
본 개시에서 가속화 촬영은 케이-스페이스 도메인에서 위상 인코딩(phase encoding) 방향으로 더 좁은 범위의 신호를 얻음으로써, 해상도가 상대적으로 낮은 영상을 획득하는 촬영 기법으로 이해될 수 있다. 다시 말해, 본 개시의 가속화 촬영은 일반적인 촬영 대비 위상 레졸루션(resolution)을 감소시킨 촬영 기법으로 이해될 수 있다. 위상 레졸루션은 케이-스페이스 도메인에서 위상 인코딩 방향으로 샘플링 된 라인의 개수를 미리 설정된 기준 값으로 나눈 값으로 이해될 수 있다. 따라서, 위상 레졸루션이 증가함에 따라, 자기 공명 영상의 촬영 시간이 비례하여 증가할 수 있다. 즉, 자기 공명 영상의 촬영 시에 위상 레졸루션을 감소시키는 경우, 자기 공명 영상의 촬영 시간이 단축된 가속화 촬영이 구현될 수 있다.
본 개시에서 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-스페이스에서 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.
본 개시에서 가속화 촬영은 서브 샘플링(sub sampling) 된 자기 공명 신호를 획득하여 자기 공명 영상을 생성하는 촬영 기법으로 이해될 수 있다. 이때, 서브 샘플링은 나이키스트 샘플링 레이트(nyquist sampling rate)보다 낮은 샘플링 레이트로 자기 공명 신호를 샘플링 하는 작업으로 이해될 수 있다. 따라서, 본 개시의 의료 데이터는 나이키스트 샘플링 레이트보다 낮은 샘플링 레이트로 자기 공명 신호를 샘플링 하여 획득된 영상일 수 있다.
본 개시의 가속화 시뮬레이션은 일반 촬영 혹은 가속화 촬영을 통해 생성된 케이-스페이스 데이터를 언더 샘플링(under sampling)하는 연산 기법으로 이해될 수 있다. 이때, 언더 샘플링은 처리 대상인 케이-스페이스 데이터를 기준으로 더 낮은 샘플링 레이트로 자기 공명 신호를 처리하는 방식으로 이해될 수 있다. 예를 들어, 가속화 시뮬레이션은 풀 샘플링 된 케이-스페이스 데이터를 기초로 서브 샘플링 된 케이-스페이스 데이터를 생성하는 연산 기법을 포함할 수 있다. 또한, 가속화 시뮬레이션은 서브 샘플링 된 케이-스페이스 데이터를 더 낮은 샘플링 레이트로 자기 공명 신호를 샘플링 하는 연산 기법을 포함할 수 있다. 이와 같은 예시 이외에 가속화 시뮬레이션은 상술한 가속화 촬영 기법이 그대로 적용될 수도 있다. 가속화 시뮬레이션은 본 개시의 프로세서(110)에 의해 수행될 수도 있고, 별도의 외부 시스템을 통해 수행될 수도 있다.
다만, 상술한 가속화 촬영 혹은 가속화 시뮬레이션의 설명은 하나의 예시일 뿐이므로, 가속화 촬영의 개념은 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 정의될 수 있다.
프로세서(110)는 케이-스페이스 데이터의 메타 데이터를 기초로, 케이-스페이스 데이터를 서로 다른 복수의 데이터로 분리할 수 있다. 프로세서(110)는 케이-스페이스 데이터의 메타 데이터를 분석하여, 케이-스페이스 데이터의 인코딩 라인을 기준으로 케이-스페이스 데이터를 서로 다른 복수의 데이터로 분할할 수 있다. 프로세서(110)는 케이-스페이스 데이터의 메타 데이터의 특성을 고려하여, 케이-스페이스 데이터로부터 인코딩 라인을 기준으로 구별되는 서로 다른 복수의 데이터를 생성할 수 있다. 이때, 케이-스페이스 데이터는 가속화 촬영 혹은 가속화 시뮬레이션된 케이-스페이스 도메인의 자기 공명 신호 혹은 영상에 대응될 수 있다.
프로세서(110)는 케이-스페이스 데이터의 메타 데이터가 어떠한 특성을 갖는지를 판단할 수 있다. 그리고, 프로세서(110)는 전술한 판단 결과를 기초로 적절한 분할 기법을 선택하여 케이-스페이스 데이터로부터 서로 다른 복수의 데이터를 생성할 수 있다. 다시 말해서, 프로세서(110)는 케이-스페이스 데이터의 메타 데이터의 특성에 따라, 케이-스페이스 데이터를 서로 다른 복수의 데이터로 분리하기 위한 분할 기법을 식별할 수 있다. 그리고, 프로세서(110)는 앞서 식별된 분할 기법을 사용하여 케이-스페이스 데이터로부터 서로 다른 복수의 데이터를 생성할 수 있다. 예를 들어, 프로세서(110)는 메타 데이터의 특성에 따라 기 분류된 분할 기법들 중에서 현재 처리 대상인 케이-스페이스 데이터의 메타 데이터의 특성에 매칭되는 분할 기법을 선택할 수 있다. 이때, 메타 데이터는 여기 횟수, 가속화 지수, 상기 케이-스페이스 데이터에 적용된 병렬 영상 기법, 또는 레졸루션 중 적어도 하나를 포함할 수 있다. 프로세서(110)는 현재 처리 대상인 케이-스페이스 데이터의 메타 데이터의 특성에 매칭되는 분할 기법을 사용하여, 케이-스페이스 데이터로부터 인코딩 라인을 기준으로 구별되는 서로 다른 복수의 데이터를 생성할 수 있다.
즉, 프로세서(110)는 케이-스페이스 데이터가 어떠한 가속화 특성을 갖는지를 고려하여, 케이-스페이스 데이터의 특성에 맞는 적절한 분할 기법을 라우팅(routing) 할 수 있다. 프로세서(110)는 이러한 라우팅 및 데이터 처리를 통해, 케이-스페이스 데이터로부터 딥러닝 모델의 학습에 최적화 된 입력 데이터 및 라벨 데이터를 생성하기 위한 기초 데이터를 마련할 수 있다.
프로세서(110)는 케이-스페이스 데이터로부터 생성된 서로 다른 복수의 데이터를 기초로, 딥러닝 모델의 학습 데이터를 생성할 수 있다. 프로세서(110)는 케이-스페이스 데이터로부터 분리된 서로 다른 복수의 데이터를 조합하여, 딥러닝 모델의 학습을 위한 입력 데이터 및 라벨 데이터를 생성할 수 있다. 예를 들어, 프로세서(110)는 서로 다른 복수의 데이터를 결합하여, 딥러닝 모델의 학습을 위한 입력 데이터를 마련하기 위한 예비 데이터를 생성할 수 있다. 또한, 프로세서(110)는 서로 다른 복수의 데이터를 결합하여, 라벨 데이터를 마련하기 위한 예비 데이터를 생성할 수 있다. 이때, 라벨 데이터가 입력 데이터와 노이즈 혹은 레졸루션의 차이가 발생하도록, 프로세서(110)는 복수의 데이터 간 결합 비율을 고려하여, 입력 데이터를 위한 예비 데이터와 라벨 데이터를 위한 예비 데이터를 생성하는 연산을 개별적으로 수행할 수 있다. 프로세서(110)는 각 예비 데이터를 기초로, 딥러닝 모델의 학습을 위한 입력 데이터 및 라벨 데이터를 생성할 수 있다.
즉, 프로세서(110)는 케이-스페이스 데이터의 자체적인 특성을 고려하여, 단일 케이-스페이스 데이터로부터 딥러닝 모델의 학습을 위한 입력 데이터 및 입력 데이터와 대응되는 고품질의 라벨 데이터를 생성할 수 있다. 이러한 데이터 처리 과정을 통해, 프로세서(110)는 가속화 촬영 혹은 가속화 시뮬레이션된 자기 공명 영상을 복원하기 위한 딥러닝 모델의 학습 데이터를 효과적으로 구축할 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, 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 조직화 하여 관리할 수 있다. 예를 들어, 메모리(120)는 후술할 네트워크부(130)를 통해 수신된 의료 데이터를 저장할 수 있다. 메모리(120)는 신경망 모델의 학습 데이터를 생성하기 위해 의료 데이터를 처리하도록 동작시키는 프로그램 코드, 프로세서(110)가 신경망 모델의 특징 해석(혹은 추론)을 기초로 이미지 데이터를 생성하도록 동작시키는 프로그램 코드 및 프로그램 코드가 실행됨에 따라 생성된 케이-스페이스 데이터, 이미지 데이터 등을 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 데이터의 표준화 등의 작업을 수행하는 클라우드 서버, 혹은 컴퓨팅 장치 등과의 통신을 통해, 의료 데이터를 수신할 수 있다. 네트워크부(130)는 전술한 시스템, 서버, 혹은 컴퓨팅 장치 등과의 통신을 통해, 프로세서(110)의 연산을 통해 생성된 학습 데이터, 신경망 모델의 출력에 대응되는 이미지 데이터 등을 송신할 수 있다.
도 2는 본 개시의 일 실시예에 따른 의료 데이터의 처리 방법을 나타낸 순서도이다.
도 2를 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 케이-스페이스 데이터 및 케이-스페이스 데이터의 메타 데이터를 획득할 수 있다(S100). 여기서, "획득"은 외부 단말, 장치 혹은 시스템과의 무선 통신 네트워크를 통해 데이터를 수신하는 것 뿐만 아니라, 온-디바이스(on-device) 형태로 데이터를 생성 혹은 수신하는 것을 지칭하는 것으로 이해될 수 있다. 예를 들어, 컴퓨팅 장치(100)는 의료 영상 저장 전송 시스템 혹은 자기 공명 영상 장치와의 클라우드 통신을 통해 케이-스페이스 데이터 및 케이-스페이스 데이터의 메타 데이터를 수신할 수 있다. 컴퓨팅 장치(100)는 자기 공명 영상 장치에 탑재되어 케이-스페이스 데이터 및 케이-스페이스 데이터의 메타 데이터를 직접 획득할 수도 있다. 이때, 케이-스페이스 데이터의 메타 데이터는 케이-스페이스 데이터의 가속화 촬영과 연관된 메타 데이터일 수 있다. 케이-스페이스 데이터의 메타 데이터는 여기 횟수, 가속화 지수, 케이-스페이스 데이터에 적용된 병렬 영상 기법, 또는 레졸루션 중 적어도 하나를 포함할 수 있다.
컴퓨팅 장치(100)는 S100 단계를 통해 획득한 메타 데이터의 특성을 고려하여, 케이-스페이스 데이터의 인코딩 라인을 기준으로 케이-스페이스 데이터를 서로 다른 복수의 데이터로 분리할 수 있다(S200). 컴퓨팅 장치(100)는 메타 데이터의 특성을 나타내는 수치 값들을 분석하여, 케이-스페이스 데이터로부터 인코딩 라인을 기준으로 상호 구별되는 복수의 데이터를 생성할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 여기 횟수, 가속화 지수, 병렬 영상 기법, 또는 레졸루션 중 적어도 하나의 수치 값을 기초로, S100 단계를 통해 획득된 케이-스페이스 데이터에 적용하기에 적절한 분할 기법을 식별할 수 있다. 이때, 식별은 여기 횟수, 가속화 지수, 병렬 영상 기법, 또는 레졸루션 중 적어도 하나의 수치 값의 조합에 맞추어 기 분류된 분할 기법들 중에서 적절한 분할 기법을 매칭하는 작업으로 이해될 수 있다. 컴퓨팅 장치(100)는 식별된 분할 기법을 사용하여, 케이-스페이스 데이터로부터 인코딩 라인을 기준으로 상호 구별되는 복수의 데이터를 생성할 수 있다. 여기서, 복수의 데이터는 딥러닝 모델의 학습을 위한 입력 데이터와 라벨 데이터를 생성하는데 사용되는 기초 데이터로 이해될 수 있다.
도 3 은 본 개시의 일 실시예에 따른 의료 데이터의 처리 과정을 나타낸 개념도이다. 그리고, 도 4는 본 개시의 일 실시예에 따라 메타 데이터의 특성을 고려하여 데이터를 분할하는 과정을 나타낸 개념도이다.
도 3을 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)의 프로세서(110)는 케이-스페이스 데이터(210) 및 케이-스페이스 데이터(210)의 메타 데이터(220)를 기초로, 의료 데이터의 복원을 위한 딥러닝 모델의 학습 데이터를 마련하는데 사용될 복수의 데이터(300)를 생성할 수 있다. 프로세서(110)는 메타 데이터(220)의 특성을 기초로, 케이-스페이스 데이터(210)를 서로 다른 복수의 데이터(300)로 분리하기 위한 분할 기법을 식별할 수 있다. 이때, 메타 데이터(220)의 특성은 케이-스페이스 데이터(210)의 가속화 촬영과 연관된 파라미터(parameter), 또는 가속화 촬영 기법 혹은 복원 기법을 나타내는 속성 값 등일 수 있다. 프로세서(110)는 식별된 분할 기법을 사용하여, 인코딩 라인을 기준으로 케이-스페이스 데이터(210)로부터 노이즈가 상호 독립적인 복수의 데이터(300)를 생성할 수 있다. 이때, 인코딩 라인은 케이-스페이스 데이터의 차원을 이루는 주파수 인코딩 혹은 위상 인코딩의 집합으로 이해될 수 있다.
예를 들어, 프로세서(110)는 메타 데이터(220)의 특성을 나타내는 수치 값들의 조합을 판단할 수 있다. 프로세서(110)는 조합에 매칭되는 분할 기법을, 노이즈가 상호 독립적인 복수의 데이터(300)를 생성하기 위해 사용되는 분할 기법으로 결정할 수 있다. 프로세서(110)는 메타 데이터(200)의 특성을 나타내는 수치 값들의 조합을 기초로, 기 분류된 분할 기법들 중 수치 값들의 조합에 매칭되는 분할 기법을 선택할 수 있다. 즉, 프로세서(110)는 케이-스페이스 데이터가 어떠한 방식으로 촬영되었는지를 개별적으로 고려하여, 해당 케이-스페이스 데이터에 알맞은 분할 기법을 적절히 사용할 수 있다. 다시 말해서, 프로세서(110)는 임상 표준으로 사용 가능한 케이-스페이스 데이터에 대한 메타 데이터의 특성을 고려하여, 해당 케이-스페이스 데이터에 적합한 분할 기법을 판단할 수 있다. 이러한 데이터 처리 과정은 어떠한 케이-스페이스 데이터가 확보되더라도, 케이-스페이스 데이터 자체에 최적화 된 기법을 통해 노이즈가 상호 독립적인 양질의 데이터를 확보할 수 있도록 한다.
본 개시의 일 실시예에 따르면, 분할 기법은 여기 횟수에 따른 가속화 촬영의 순서를 기준으로, 케이-스페이스 데이터로부터 노이즈가 상호 독립적인 복수의 데이터를 생성하는 제 1 분할 기법(10)을 포함할 수 있다. 또한, 분할 기법은 위상 인코딩 라인의 간격을 기준으로, 케이-스페이스 데이터로부터 노이즈가 상호 독립적인 복수의 데이터를 생성하는 제 2 분할 기법(20)을 포함할 수 있다. 예를 들어, 제 1 분할 기법(10)은 여기 횟수에 따라 첫번째 촬영된 데이터인지 혹은 두번째 촬영된 데이터인지 등을 판단하고, 이러한 촬영 순서에 따라 케이-스페이스 데이터를 분할하여 복수의 데이터를 생성하는 기법을 포함할 수 있다. 제 2 분할 기법(20)은 위상 인코딩 라인의 간격을 2로 하여 케이-스페이스 데이터의 위상 인코딩 라인들을 구별하고, 구별된 위상 인코딩 라인들을 기초로 케이-스페이스 데이터로부터 노이즈가 상호 독립적인 복수의 데이터를 생성하는 분할 기법을 포함할 수 있다. 즉, 제 2 분할 기법(20)은 위상 인코딩 라인이 홀수번째인지 혹은 짝수번째인지를 판단하고, 이러한 패턴에 따라 케이-스페이스 데이터를 분할하여 복수의 데이터를 생성하는 기법을 포함할 수 있다. 위상 인코딩 라인의 간격이 2인 상술한 예시 이외에도, 제 2 분할 기법(20)은 위상 인코딩 간격이 2 이상인 케이스(case)도 포함할 수 있다. 다시 말해서, 제 2 분할 기법(20)은 위상 인코딩 라인의 간격을 n(n은 2 이상인 자연수)으로 하여 케이-스페이스 데이터의 위상 인코딩 라인들을 구별하고, 구별된 위상 인코딩 라인들을 기초로 케이-스페이스 데이터로부터 노이즈가 상호 독립적인 복수의 데이터를 생성하는 분할 기법을 포함할 수 있다.
상술한 제 1 분할 기법(10), 및 제 2 분할 기법(20)은 메타 데이터의 특성을 나타내는 수치 값의 개별 조합에 매칭되어 미리 분류된 상태일 수 있다. 따라서, 프로세서(110)는 메타 데이터(220)의 특성을 나타내는 수치 값들의 조합을 기초로, 기 분류된 제 1 분할 기법(10), 또는 제 2 분할 기법(20) 중 적어도 하나를, 노이즈가 상호 독립적인 복수의 데이터(300)를 생성하기 위해 사용되는 분할 기법으로 결정할 수 있다. 구체적으로, 도 4를 참조하면, 메타 데이터(220)의 특성을 나타내는 수치 값들의 조합이 [여기 횟수 A, 가속화 지수 B]인 경우, 프로세서(110)는 제 1 분할 기법(10), 또는 제 2 분할 기법(20)에 포함된 분할 기법들(21, 22) 중 어느 하나 중에서 [여기 횟수 A, 가속화 지수 B]에 매칭되는 제 1 분할 기법(10)을 케이-스페이스 데이터(210)를 분할하기 위한 분할 기법으로 결정할 수 있다. 이때, 제 2 분할 기법(20)에 포함된 제 2-1 분할 기법(21)은 위상 인코딩 라인의 간격을 2로 하는 분할 기법에 대응될 수 있다. 제 2 분할 기법(20)에 포함된 제 2-2 분할 기법(22)은 위상 인코딩 라인의 간격을 3으로 하는 분할 기법에 대응될 수 있다.
한편, 상술한 분할 기법의 종류는 하나의 예시일 뿐이므로, 분할 기법은 상술한 예시 외에도 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 추가적으로 정의될 수 있다.
프로세서(110)는 기 분류된 분할 기법들 중 적어도 하나를 사용하여, 인코딩 라인을 기준으로 케이-스페이스 데이터(210)로부터 노이즈가 상호 독립적인 복수의 데이터(300)를 생성할 수 있다. 예를 들어, 도 4를 참조하면, 메타 데이터(220)의 특성을 나타내는 수치 값들의 조합에 따라, 프로세서(110)는 제 1 분할 기법(10)을 사용하여 케이-스페이스 데이터(210)를 2개로 분리하여 제 1 분할 데이터(310) 및 제 2 분할 데이터(320)를 생성할 수 있다. 이때, 제 1 분할 데이터(310)와 제 2 분할 데이터(320)는 신호 세기는 대응되지만, 노이즈 세기 혹은 분포 중 적어도 하나는 서로 다른 독립적인 관계일 수 있다. 이와 같이 제 1 분할 데이터(310)와 제 2 분할 데이터(320)의 노이즈가 서로 독립적인 관계를 갖게 되면, 제 1 분할 데이터(310)와 제 2 분할 데이터(320)를 조합하여 의료 데이터를 복원하기 위해 노이즈를 개선하는 딥러닝 모델의 학습에 적절한 입력 데이터와 라벨 데이터를 효과적으로 만들 수 있다. 즉, 프로세서(110)는 메타 데이터(220)의 특성에 매칭되는 분할 기법을 통해, 케이-스페이스 데이터(210)로부터 노이즈의 세기 혹은 분포 중 적어도 하나가 상호 독립적인 복수의 데이터(300)를 생성함으로써, 후술할 입력 데이터 및 라벨 데이터의 생성에 기초가 되는 양질의 데이터 세트를 효율적으로 구축할 수 있다.
도 5는 본 개시의 일 실시예에 따라 메타 데이터의 특성을 고려하여 데이터를 분할하는 과정을 나타낸 순서도이다. 도 5의 각 단계 별로 도 3 및 도 4에 대한 설명과 매칭되는 구체적인 내용은 생략하도록 한다.
도 5를 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)의 프로세서(110)는 메타 데이터의 특성을 나타내는 수치 값들의 조합을 판단할 수 있다(S210). 그리고, 프로세서(110)는 기 분류된 분할 기법들 중에서 조합에 매칭되는 분할 기법을 식별할 수 있다(S220). 예를 들어, 도 5와 같이 메타 데이터의 특성을 나타내는 수치 값들의 조합에 따라 제 1 분할 기법(10), 및 제 2 분할 기법(20)은 사전에 분류된 상태일 수 있다. 이때, 처리 대상의 메타 데이터의 특성 값의 조합이 [여기 횟수 A1, 가속화 지수 B1]인 경우, 프로세서(110)는 [여기 횟수 A1, 가속화 지수 B1]에 매칭되는 제 1 분할 기법(10) 혹은 제 2 분할 기법(20) 중 적어도 하나를, 처리 대상에 적용될 분할 기법으로 판단할 수 있다.
프로세서(110)는 S220 단계를 통해 식별된 분할 기법을 케이-스페이스 데이터로부터 복수의 데이터를 분리하기 위해 사용될 분할 기법으로 결정할 수 있다(S230). 그리고, 프로세서(110)는 결정된 분할 기법을 사용하여, 노이즈가 상호 독립적인 복수의 데이터를 생성할 수 있다(S240).
도 6은 본 개시의 일 실시예에 따른 의료 데이터의 처리 방법을 나타낸 순서도이다.
도 6을 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 케이-스페이스 데이터의 메타 데이터의 특성을 고려하여, 케이-스페이스 데이터를 서로 다른 복수의 데이터로 분리할 수 있다(S310). S310 단계와 관련된 구체적인 내용은 상술한 도 2의 S120 단계와 매칭되므로, 구체적인 설명은 생략하도록 한다.
컴퓨팅 장치(100)는 케이-스페이스 데이터로부터 분리된 서로 다른 복수의 데이터를 조합하여, 딥러닝 모델의 학습을 위한 입력 데이터 및 라벨 데이터를 생성할 수 있다(S320). 이때, 서로 다른 복수의 데이터는 노이즈의 세기 혹은 분포 중 적어도 하나가 독립적인 관계인 복수의 데이터로 이해될 수 있다. 컴퓨팅 장치(100)는 서로 다른 복수의 데이터를 결합하여, 딥러닝 모델의 학습을 위한 입력 데이터 및 라벨 데이터를 생성하기 위해 사용될 예비 데이터를 각각 마련할 수 있다. 컴퓨팅 장치(100)는 예비 데이터를 이미지 도메인으로 변환하여, 딥러닝 모델의 학습에 사용될 입력 데이터 및 라벨 데이터를 생성할 수 있다. 즉, 컴퓨팅 장치(100)는 S310 단계를 통해 마련된 기초 데이터를 사용하여 딥러닝 모델의 학습을 위한 입력 데이터 및 라벨 데이터를 생성하기 위한 예비 데이터를 마련하고, 예비 데이터의 도메인 변환을 통해 입력 데이터 및 라벨 데이터를 생성할 수 있다.
도 7은 본 개시의 일 실시예에 따른 의료 데이터의 처리 과정을 나타낸 개념도이다.
도 7을 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)의 프로세서(110)는 노이즈가 상호 독립적인 복수의 데이터(300)를 결합하여, 입력 데이터(510)를 생성하기 위한 제 1 예비 데이터(410) 및 라벨 데이터(520)를 생성하기 위한 제 2 예비 데이터(420)를 생성할 수 있다. 예를 들어, 프로세서(110)는 복수의 데이터 간의 노이즈 비율을 조정하는 선형 결합을 통해 입력 데이터(510)를 생성하기 위한 제 1 예비 데이터(410) 및 라벨 데이터(520)를 생성하기 위한 제 2 예비 데이터(420)를 각각 생성할 수 있다. 구체적으로, 도 4의 예시와 같은 처리 과정을 통해, 신호의 세기는 동일하되, 노이즈의 세기 및 분포는 독립적인 2개의 데이터가 생성되었다고 가정한다. 프로세서(110)는 2개의 데이터 중 하나에 선형 결합 계수 1, 나머지 하나에 선형 결합 계수 0을 적용하여 2개의 데이터를 선형 결합하여 제 1 예비 데이터(410)를 생성할 수 있다. 즉, 제 1 예비 데이터(410)는 선형 결합 계수 1이 적용된 데이터에 대응될 수 있다. 프로세서(110)는 2개의 데이터 중 제 1 예비 데이터(410)에 대응되는 데이터에 선형 결합 계수 1/3, 나머지 하나에 선형 결합 계수 2/3을 적용하여 2개의 데이터를 선형 결합하여 제 2 예비 데이터(420)를 생성할 수 있다. 즉, 제 2 예비 데이터(420)는 제 1 예비 데이터(410) 대비 노이즈가 1/3로 감소된 노이즈를 포함하는 데이터로 생성될 수 있다. 전술한 예시와 같은 선형 결합을 통해, 프로세서(110)는 노이즈가 상호 독립적인 복수의 데이터(300)를 기초로, 입력 데이터(510)의 생성 혹은 라벨 데이터(520)의 생성이라는 목적에 개별적으로 맞추어 선형 결합 계수에 따라 노이즈 비율이 다양하게 조정된 예비 데이터(410, 420)를 생성할 수 있다.
한편, 상술한 예시에 따르면, 제 2 예비 데이터(420)의 노이즈는, 제 1 예비 데이터(410)의 노이즈와 상관 관계를 갖는 종속 노이즈 및 제 1 예비 데이터(410)의 노이즈와 상관 관계를 갖지 않는 독립 노이즈를 포함할 수 있다. 구체적으로, 종속 노이즈는 복수의 데이터 중 제 1 예비 데이터(410)에 대응되는 데이터의 노이즈에 선형 결합 계수 1/3이 적용된 노이즈에 대응될 수 있다. 또한, 독립 노이즈는 제 1 예비 데이터(410)에 대응되지 않는 나머지 데이터의 노이즈에 선형 결합 계수 2/3이 적용된 노이즈에 대응될 수 있다. 앞선 예시들의 선형 결합 계수의 비율은 하나의 예시일 뿐이며, 선형 결합 계수의 비율은 입력 데이터 및 라벨 데이터의 생성 목적에 맞추어 다양하게 조정될 수 있다.
프로세서(110)는 제 1 예비 데이터(410) 및 제 2 예비 데이터(420)를 이미지 도메인으로 변환하여, 입력 데이터(510) 및 라벨 데이터(520)를 각각 생성할 수 있다. 예를 들어, 프로세서(110)는 제 1 예비 데이터(410) 및 제 2 예비 데이터(420)에 대한 푸리에 변환을 기초로, 입력 데이터(510) 및 라벨 데이터(520)를 생성할 수 있다. 프로세서(110)는 제 1 예비 데이터(410) 및 제 2 예비 데이터(420)를 케이-스페이스 도메인을 이미지 도메인으로 변환하는 신경망 모델에 입력하여, 입력 데이터(510) 및 라벨 데이터(520)를 각각 생성할 수도 있다. 도 7을 통해 설명한 데이터 처리 과정은 노이즈가 상호 독립적인 데이터를 활용하여 딥러닝 모델의 학습을 위한 입력 혹은 라벨이라는 각 목적에 맞추어 필요한 고품질의 데이터를 원하는 만큼 빠르고 정확하게 생성할 수 있도록 한다.
도 8은 본 개시의 일 실시예에 따라 복수의 데이터를 결합하여 입력 데이터 및 라벨 데이터를 생성하는 방법을 나타낸 순서도이다. 도 8의 각 단계 별로 도 7에 대한 설명과 매칭되는 구체적인 내용은 생략하도록 한다.
도 8을 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 노이즈가 상호 독립적인 서로 다른 복수의 데이터에 병렬 영상 기법을 적용할 수 있다(S410). 병렬 영상 기법은 가속화 촬영된 자기 공명 영상의 누락된 정보를 복원하기 위한 영상 처리 기법으로 이해될 수 있다. 예를 들어, 컴퓨팅 장치(100)는 서로 다른 복수의 데이터의 자동 보정 신호(ACS: autocalibrating signal) 라인을 재구성 하여 복수의 데이터를 복원할 수 있다. 컴퓨팅 장치(100)는 서로 다른 복수의 데이터를 구성하는 자기 공명 신호 라인을 재구성 하여 복수의 데이터를 복원할 수도 있다. 또한, 컴퓨팅 장치(100)는 케이-스페이스 데이터를 획득하기 위한 코일의 각 채널 별 민감도(sensitivity) 정보에 기반한 민감도 지도(sensitivity map)을 이용하여 복수의 데이터를 복원할 수도 있다. 상술한 예시 이외에도 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양한 병렬 영상 기법이 적용될 수 있다. 만약 복수의 데이터가 병렬 영상 기법을 통해 복원된 데이터인 경우, S410 단계는 수행되지 않을 수도 있다.
프로세서(110)는 노이즈가 상호 독립적인 복수의 데이터를 선형 결합하여 의료 데이터의 품질을 복원하는 딥러닝 모델의 학습 데이터를 생성하기 위한 예비 데이터를 생성할 수 있다(S420). 이때, 복수의 데이터는 병렬 영상 기법을 통해 복원된 데이터로 이해될 수 있다.
프로세서(110)는 딥러닝 모델의 학습에 사용될 입력 데이터를 만들기 위한 예비 데이터의 레졸루션을 조정할 수 있다(S430). 예를 들어, 프로세서(110)는 입력 데이터와 관계된 제 1 예비 데이터의 레졸루션이 라벨 데이터와 관계된 제 2 예비 데이터의 레졸루션 이하의 값을 갖도록, 제 1 예비 데이터의 베이직(basic) 레졸루션 혹은 위상 레졸루션 중 적어도 하나를 조정할 수 있다. 여기서, 베이직 레졸루션은 판독(readout) 방향의 픽셀 수로서, 주파수 인코딩 방향에 존재하는 데이터의 상대적 크기로 이해될 수 있다. 또한, 위상 레졸루션은 위상 인코딩 방향의 픽셀 수로서, 위상 인코딩 방향에 존재하는 데이터의 상대적 크기로 이해될 수 있다. 레졸루션이 조정되는 범위는 사용자에 의해 기 설정된 값에 따라 결정될 수 있다. 따라서, 딥러닝 모델의 학습에 사용될 입력 데이터의 레졸루션은 라벨 데이터의 레졸루션 보다 낮은 범위에서 다양하게 조정될 수 있다.
프로세서(110)는 S430 단계를 거쳐 레졸루션이 조정된 예비 데이터의 도메인을 변환하여 입력 데이터 및 라벨 데이터를 생성할 수 있다(S440). 그리고, 프로세서(110)는 입력 데이터 및 라벨 데이터를 의료 데이터의 품질을 복원하기 위한 딥러닝 모델의 학습 데이터로 사용할 수 있다.
앞서 설명된 본 개시의 다양한 실시예는 추가 실시예와 결합될 수 있고, 상술한 상세한 설명에 비추어 당업자가 이해 가능한 범주에서 변경될 수 있다. 본 개시의 실시예들은 모든 면에서 예시적인 것이며, 한정적이 아닌 것으로 이해되어야 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성요소들도 결합된 형태로 실시될 수 있다. 따라서, 본 개시의 특허청구범위의 의미, 범위 및 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 개시의 범위에 포함되는 것으로 해석되어야 한다.

Claims (12)

  1. 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는, 딥러닝 모델의 학습을 위한 의료 데이터의 처리 방법으로서,
    케이-스페이스 데이터의 메타 데이터의 특성을 고려하여, 상기 케이-스페이스 데이터를 서로 다른 복수의 데이터로 분리하는 단계; 및
    상기 케이-스페이스 데이터로부터 분리된 서로 다른 복수의 데이터를 조합하여, 딥러닝 모델의 학습을 위한 입력 데이터 및 라벨 데이터를 생성하는 단계;
    를 포함하는,
    방법.
  2. 제 1 항에 있어서,
    상기 메타 데이터는,
    여기 횟수(NEX), 가속화 지수(acceleration factor), 상기 케이-스페이스 데이터에 적용된 병렬 영상 기법, 또는 레졸루션(resolution) 중 적어도 하나를 포함하는,
    방법.
  3. 제 1 항에 있어서,
    상기 케이-스페이스 데이터로부터 분리된 서로 다른 복수의 데이터를 조합하여, 딥러닝 모델의 학습을 위한 입력 데이터 및 라벨 데이터를 생성하는 단계는,
    상기 복수의 데이터를 결합하여, 상기 입력 데이터를 생성하기 위한 제 1 예비 데이터 및 상기 라벨 데이터를 생성하기 위한 제 2 예비 데이터를 생성하는 단계; 및
    상기 제 1 예비 데이터 및 상기 제 2 예비 데이터를 이미지 도메인으로 변환하여, 상기 입력 데이터 및 상기 라벨 데이터를 생성하는 단계;
    를 포함하는,
    방법.
  4. 제 3 항에 있어서,
    상기 복수의 데이터를 결합하여, 상기 입력 데이터를 생성하기 위한 제 1 예비 데이터 및 상기 라벨 데이터를 생성하기 위한 제 2 예비 데이터를 생성하는 단계는,
    상기 복수의 데이터 간의 노이즈 비율을 조정하는 선형 결합을 통해, 상기 제 1 예비 데이터 및 상기 제 2 예비 데이터를 생성하는 단계;
    를 포함하는,
    방법.
  5. 제 4 항에 있어서,
    상기 제 2 예비 데이터의 노이즈는,
    상기 제 1 예비 데이터의 노이즈와 상관 관계를 갖는 종속 노이즈 및 상기 제 1 예비 데이터의 노이즈와 상관 관계를 갖지 않는 독립 노이즈를 포함하는,
    방법.
  6. 제 5 항에 있어서,
    상기 제 2 예비 데이터의 노이즈에서 상기 종속 노이즈와 상기 독립 노이즈 각각은,
    상기 복수의 데이터 간의 선형 결합을 위해 사용되는 계수에 의해 결정되는,
    방법.
  7. 제 3 항에 있어서,
    상기 제 1 예비 데이터 및 상기 제 2 예비 데이터를 이미지 도메인으로 변환하여, 상기 입력 데이터 및 상기 라벨 데이터를 생성하는 단계는,
    상기 제 1 예비 데이터 및 상기 제 2 예비 데이터에 대한 푸리에 변환(fourier transform)을 기초로, 상기 입력 데이터 및 상기 라벨 데이터를 생성하는 단계;
    를 포함하는,
    방법.
  8. 제 3 항에 있어서,
    상기 제 1 예비 데이터 및 상기 제 2 예비 데이터를 이미지 도메인으로 변환하여, 상기 입력 데이터 및 상기 라벨 데이터를 생성하는 단계는,
    상기 제 1 예비 데이터 및 상기 제 2 예비 데이터를 신경망 모델에 입력하여, 상기 입력 데이터 및 상기 라벨 데이터를 생성하는 단계;
    를 포함하는,
    방법.
  9. 제 3 항에 있어서,
    상기 케이-스페이스 데이터로부터 분리된 서로 다른 복수의 데이터를 조합하여, 딥러닝 모델의 학습을 위한 입력 데이터 및 라벨 데이터를 생성하는 단계는,
    상기 제 1 예비 데이터의 레졸루션을 조정하는 단계;
    를 더 포함하는,
    방법.
  10. 제 9 항에 있어서,
    상기 제 1 예비 데이터의 레졸루션을 조정하는 단계는,
    상기 제 1 예비 데이터의 레졸루션이 상기 제 2 예비 데이터의 레졸루션 이하의 값을 갖도록, 상기 제 1 예비 데이터의 베이직(basic) 레졸루션 혹은 위상 레졸루션 중 적어도 하나를 조정하는 단계;
    를 포함하는,
    방법.
  11. 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램(program)으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서(processor)에서 실행되는 경우, 딥러닝 모델의 학습을 위해 의료 데이터를 처리하는 동작들을 수행하도록 하며,
    상기 동작들은,
    케이-스페이스 데이터의 메타 데이터의 특성을 고려하여, 상기 케이-스페이스 데이터를 서로 다른 복수의 데이터로 분리하는 동작; 및
    상기 케이-스페이스 데이터로부터 분리된 서로 다른 복수의 데이터를 조합하여, 딥러닝 모델의 학습을 위한 입력 데이터 및 라벨 데이터를 생성하는 동작;
    을 포함하는,
    컴퓨터 프로그램.
  12. 딥러닝 모델의 학습을 위해 의료 데이터를 처리하는 컴퓨팅 장치로서,
    적어도 하나의 코어(core)를 포함하는 프로세서(processor);
    상기 프로세서에서 실행 가능한 프로그램 코드(code)들을 포함하는 메모리(memory); 및
    케이-스페이스(k-space) 데이터 및 상기 케이-스페이스 데이터의 메타(meta) 데이터를 획득하기 위한 네트워크부(network unit);
    를 포함하고,
    상기 프로세서는,
    케이-스페이스 데이터의 메타 데이터의 특성을 고려하여, 상기 케이-스페이스 데이터를 서로 다른 복수의 데이터로 분리하고,
    상기 케이-스페이스 데이터로부터 분리된 서로 다른 복수의 데이터를 조합하여, 딥러닝 모델의 학습을 위한 입력 데이터 및 라벨 데이터를 생성하는,
    장치.
PCT/KR2023/008528 2022-06-22 2023-06-20 딥러닝 모델의 학습을 위한 의료 데이터의 처리 방법, 프로그램 및 장치 Ceased WO2023249372A1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US18/721,804 US20250086942A1 (en) 2022-06-22 2023-06-20 Method, program, and device for processing medical data for training of deep learning model
EP23827486.4A EP4506953A4 (en) 2022-06-22 2023-06-20 METHOD, PROGRAM, AND DEVICE FOR PROCESSING MEDICAL DATA FOR TRAINING A DEEP LEARNING MODEL

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2022-0076366 2022-06-22
KR1020220076366A KR102546620B1 (ko) 2022-06-22 2022-06-22 딥러닝 모델의 학습을 위한 의료 데이터의 처리 방법, 프로그램 및 장치

Publications (1)

Publication Number Publication Date
WO2023249372A1 true WO2023249372A1 (ko) 2023-12-28

Family

ID=86988945

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/008528 Ceased WO2023249372A1 (ko) 2022-06-22 2023-06-20 딥러닝 모델의 학습을 위한 의료 데이터의 처리 방법, 프로그램 및 장치

Country Status (4)

Country Link
US (1) US20250086942A1 (ko)
EP (1) EP4506953A4 (ko)
KR (2) KR102546620B1 (ko)
WO (1) WO2023249372A1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102859458B1 (ko) * 2024-10-28 2025-09-19 주식회사 에어스메디컬 딥 러닝에 모델에 기반한 자기 공명 영상을 획득하는 장치 및 그 제어 방법
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

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102199494B1 (ko) * 2019-07-15 2021-01-06 주식회사 딥노이드 의료 영상 관리 장치 및 방법
KR20220082302A (ko) * 2020-12-10 2022-06-17 주식회사 에어스 메디컬 리스케일링과 인공신경망을 적용한 자기 공명 영상 처리 장치 및 그 방법

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10573031B2 (en) * 2017-12-06 2020-02-25 Siemens Healthcare Gmbh Magnetic resonance image reconstruction with deep reinforcement learning
US11125844B2 (en) * 2018-07-06 2021-09-21 The Board Of Trustees Of The Leland Stanford Junior University Deep learning based methods to accelerate multi-spectral imaging
CN109658471B (zh) * 2018-12-20 2023-07-25 上海联影医疗科技股份有限公司 一种医学图像重建方法和系统
KR102328214B1 (ko) 2021-05-17 2021-11-19 (주)제이엘케이 의료 데이터의 전처리를 통한 의료 데이터베이스 구축 시스템 및 동작 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102199494B1 (ko) * 2019-07-15 2021-01-06 주식회사 딥노이드 의료 영상 관리 장치 및 방법
KR20220082302A (ko) * 2020-12-10 2022-06-17 주식회사 에어스 메디컬 리스케일링과 인공신경망을 적용한 자기 공명 영상 처리 장치 및 그 방법

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
OH CHANGHEUN, KIM DONGCHAN, CHUNG JUN‐YOUNG, HAN YEJI, PARK HYUNWOOK: "A k‐space‐to‐image reconstruction network for MRI using recurrent neural network", MEDICAL PHYSICS., AIP, MELVILLE, NY., US, vol. 48, no. 1, 1 January 2021 (2021-01-01), US , pages 193 - 203, XP093118690, ISSN: 0094-2405, DOI: 10.1002/mp.14566 *
RAMANARAYANAN SRIPRABHA, MURUGESAN BALAMURALI, KEERTHI RAM, SIVAPRAKASAM MOHANASANKAR: "MAC-ReconNet: A Multiple Acquisition Context based Convolutional Neural Network for MR Image Reconstruction using Dynamic Weight Prediction", ARXIV (CORNELL UNIVERSITY), CORNELL UNIVERSITY LIBRARY, ARXIV.ORG, ITHACA, 9 November 2021 (2021-11-09), Ithaca, XP093118680, [retrieved on 20240112], DOI: 10.48550/arxiv.2111.05055 *
See also references of EP4506953A4 *
ZALAN FABIAN, HECKEL REINHARD, SOLTANOLKOTABI MAHDI: "Data augmentation for deep learning based accelerated MRI reconstruction with limited data", ICONFERENCE, ASSOCIATION FOR COMPUTING MACHINERY NEW YORK, NY, UNITED STATES, vol. 139, 28 June 2021 (2021-06-28), pages 3057 - 3067, XP093118686, ISSN: 2331-8422 *

Also Published As

Publication number Publication date
US20250086942A1 (en) 2025-03-13
KR20230175117A (ko) 2023-12-29
EP4506953A4 (en) 2025-08-27
EP4506953A1 (en) 2025-02-12
KR102546620B1 (ko) 2023-06-22

Similar Documents

Publication Publication Date Title
CN111178542B (zh) 基于机器学习建模的系统和方法
CN110766769B (zh) 一种磁共振图像重建方法、装置、设备和介质
CN109410253B (zh) 用于生成信息的方法、装置、电子设备和计算机可读介质
WO2023249372A1 (ko) 딥러닝 모델의 학습을 위한 의료 데이터의 처리 방법, 프로그램 및 장치
WO2024039043A1 (ko) 학습 데이터 생성 방법, 컴퓨터 프로그램 및 장치
US20230135995A1 (en) Multi-slice mri data processing using deep learning techniques
WO2023229384A1 (ko) 학습 데이터 생성 방법, 컴퓨터 프로그램 및 장치
CN110738235A (zh) 肺结核判定方法、装置、计算机设备及存储介质
WO2020060196A1 (ko) 3차원 영상 재구성 장치 및 그 방법
CN113610911A (zh) 深度预测模型的训练方法及装置、介质和电子设备
WO2021137454A1 (ko) 인공지능 기반의 사용자 의료정보 분석 방법 및 시스템
KR102683611B1 (ko) Mri 이미지의 노이즈 제거를 위한 후처리 장치의 학습방법 및 이를 위한 컴퓨팅 장치
WO2023249402A1 (ko) 딥러닝 모델의 학습을 위한 의료 데이터의 처리 방법, 프로그램 및 장치
Yu et al. Universal generative modeling in dual domains for dynamic MRI
CN116309901B (zh) 伪影去除方法、装置、电子设备及存储介质
WO2023048437A1 (ko) 의료 데이터를 기반으로 하는 딥러닝 모델의 학습 및 추론 방법, 프로그램 및 장치
WO2023177151A1 (ko) 3차원 의료 데이터의 처리 방법, 프로그램 및 장치
WO2024053828A1 (ko) 인공 신경망 기반 해상도 향상 방법, 프로그램 및 장치
WO2022092670A1 (ko) 뇌 피질 영역의 두께를 분석하는 방법
WO2020230972A1 (ko) 훈련된 심층 신경망 모델의 재현 성능을 개선하는 방법 및 이를 이용한 장치
WO2024010248A1 (ko) 딥러닝 기반 의료 데이터의 품질 개선 방법, 프로그램 및 장치
CN114723933B (zh) 区域信息生成方法、装置、电子设备和计算机可读介质
WO2024014821A1 (ko) 심전도 기반 신경망 모델의 학습 방법, 프로그램 및 장치
WO2023249411A1 (ko) 데이터 처리 방법, 컴퓨터 프로그램 및 장치
CN111737575B (zh) 内容分发方法、装置、可读介质及电子设备

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: 23827486

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 18721804

Country of ref document: US

WWE Wipo information: entry into national phase

Ref document number: 2023827486

Country of ref document: EP

ENP Entry into the national phase

Ref document number: 2023827486

Country of ref document: EP

Effective date: 20241108

NENP Non-entry into the national phase

Ref country code: DE

WWP Wipo information: published in national office

Ref document number: 18721804

Country of ref document: US