KR102034827B1 - 훈련된 심층 신경망 모델의 재현 성능을 개선하는 방법 및 이를 이용한 장치 - Google Patents

Abstract

본 개시서는 일군의 학습 데이터들을 이용하여 훈련된 심층 신경망 모델이 그 일군과 상이한 품질 패턴을 지닌 대상 데이터에 대하여도 우수한 재현 성능을 보일 수 있도록 그 재현 성능을 개선하는 방법 및 이를 이용한 장치에 관한 것이다. 본 개시서에 따른 방법에 의하면, 컴퓨팅 장치가, 상기 대상 데이터를 획득하고, 상기 학습 데이터들 중에서 선별된 참조 데이터들을 포함하는 학습 데이터 대표군으로부터 상기 대상 데이터와 가장 유사도가 높은 적어도 하나의 후보 데이터를 인출(retrieve)하며, 상기 후보 데이터에 적합화(adaptation)되도록 상기 대상 데이터에 대한 적응적 패턴 변환을 수행하고, 상기 적응적 패턴 변환의 결과인 변환 데이터를 상기 심층 신경망 모델에 전달하도록 지원함으로써 상기 심층 신경망 모델로부터 출력값이 획득된다.

Description

훈련된 심층 신경망 모델의 재현 성능을 개선하는 방법 및 이를 이용한 장치{METHOD FOR IMPROVING REPRODUCIBILITY OF TRAINED DEEP NEURAL NETWORK MODEL AND APPARATUS USING THE SAME}

본 개시서는 일군의 학습 데이터들을 이용하여 훈련된 심층 신경망 모델이 그 일군과 상이한 품질 패턴을 지닌 대상 데이터에 대하여도 우수한 재현 성능을 보일 수 있도록 그 재현 성능을 개선하는 방법 및 이를 이용한 장치에 관한 것이다. 본 개시서에 따른 방법에 의하면, 컴퓨팅 장치가, 상기 대상 데이터를 획득하고, 상기 학습 데이터들 중에서 선별된 참조 데이터들을 포함하는 학습 데이터 대표군으로부터 상기 대상 데이터와 가장 유사도가 높은 적어도 하나의 후보 데이터를 인출(또는 검색; retrieve)하며, 상기 후보 데이터에 적합화(adaptation)되도록 상기 대상 데이터에 대한 적응적 패턴 변환을 수행하고, 상기 적응적 패턴 변환의 결과인 변환 데이터를 상기 심층 신경망 모델에 전달하도록 지원함으로써 상기 심층 신경망 모델로부터 출력값이 획득된다.

대부분의 의료 영상(X선 영상, CT, MRI 영상, 안저 영상, 병리 영상 등)이 가지는 다양한 품질 패턴들{제조사, 의료 전문가들의 영상 선호도 차이, 인종간 차이 및 피검체의 상태(예컨대, 비만 여부, 수술 여부), 촬영 환경 등에 따라 상이하게 나타나는 양상을 지칭함}에 따라, 기 훈련된 동일 심층 신경망 모델의 성능의 격차가 큰데, 이는 해결하여야 할 불안정성이라 할 수 있다.

도 1의 예시를 참조하면, 먼저 학습 데이터(110a)를 이용하여 어떤 심층 신경망 모델(120)이 상기 학습 데이터(110a)에 대하여 올바른 결과(130a)를 내도록 훈련되면, 그 학습 데이터와 상이한 품질 패턴을 가지는 입력 데이터(110b)에 대하여는 심층 신경망 모델(120)이 틀린 결과(130b)를 내는 경우가 그런 불안정성을 보여준다. 입력 데이터(110b)가 학습 데이터들(110a)과 특징상 상이한 분포를 가지는 경우도 이와 같이 상이한 품질 패턴을 가지는 것이라 할 수 있다.

구체적으로, 매우 다양하게 나타나는 의료 영상들의 품질 패턴 모두에 대한 심층 신경망 모델은 거의 불가능하다고 할 수 있으며, 이는 하나의 품질 패턴을 가지는 일군의 학습 데이터에 대하여 훈련된 심층 신경망 모델이 상이한 품질 패턴을 가지는 데이터에 대하여는 그 분류 성능이 낮아지게 되는 원인이 된다. 상이한 품질 패턴을 가지는 기관별, 국가별 데이터를 일일이 맞추는 작업은 매우 비효율적이며 비용이 많이 드는 작업이다. 사실상 모든 영상의 품질 패턴을 알 수 없기 때문에 늘 데이터 품질에 대한 불확정성(uncertainty)이 존재할 수밖에 없다.

이러한 한계를 극복하기 위하여, 본 발명자는, 심층 신경망 모델의 의료 영상이 가지는 다양한 패턴들 간 성능 격차를 제거함으로써 상이한 패턴의 데이터에 대하여도 재현 성능을 개선할 수 있는 기술적 방안을 제시하고자 한다.

본 개시서는 다양한 품질 패턴의 입력 데이터에 대하여 심층 신경망 모델이 안정적인 성능을 낼 수 있게 하는 방법 및 이를 이용한 장치를 제공하는 것을 목적으로 한다.

특히, 본 개시서는 기관에 따라 상이한 품질 패턴을 가지는 개별 데이터에 대하여 번거로운 맞춤 작업을 제거할 수 있는 방법을 제공함으로써 심층 신경망 모델을 이용한 업무 효율을 증진하는 것을 목적으로 한다.

상기한 바와 같은 본 발명의 목적을 달성하고, 후술하는 본 발명의 특징적인 효과를 실현하기 위한 본 발명의 특징적인 구성은 하기와 같다.

본 발명의 일 태양(aspect)에 따르면, 일군의 학습 데이터들을 이용하여 훈련된 심층 신경망 모델의 상기 일군과 상이한 품질 패턴(qualitative pattern)을 지닌 대상 데이터에 대한 출력값의 재현 성능을 개선하는 방법이 제공되는바, 그 방법은, (a) 상기 대상 데이터가 획득된 상태에서, 상기 컴퓨팅 장치가, 상기 학습 데이터들 중에서 선별된 참조 데이터들을 포함하는 학습 데이터 대표군으로부터 상기 대상 데이터와 가장 유사도가 높은 적어도 하나의 후보 데이터를 인출(retrieve)하거나 상기 컴퓨팅 장치에 연동되는 타 장치로 하여금 상기 후보 데이터를 인출하도록 지원하는 단계; (b) 상기 컴퓨팅 장치가, 상기 후보 데이터에 적합화(adaptation)되도록 상기 대상 데이터에 대한 적응적 패턴 변환을 수행하거나 상기 타 장치로 하여금 상기 적응적 패턴 변환을 수행하도록 지원하는 단계; 및 (c) 상기 컴퓨팅 장치가, 상기 적응적 패턴 변환의 결과인 변환 데이터를 상기 심층 신경망 모델에 전달하거나 상기 타 장치로 하여금 상기 심층 신경망 모델에 전달하도록 지원함으로써 상기 심층 신경망 모델로부터 출력값이 획득되는 단계를 포함한다.

본 발명의 다른 태양에 따르면, 본 발명에 따른 방법을 수행하도록 구현된 명령어(instructions)를 포함하는, 기계 판독 가능한 비일시적 기록 매체에 저장된, 컴퓨터 프로그램도 제공된다.

본 발명의 또 다른 태양에 따르면, 일군의 학습 데이터들을 이용하여 훈련된 심층 신경망 모델의 상기 일군과 상이한 품질 패턴을 지닌 대상 데이터에 대한 출력값의 재현 성능을 개선하는 컴퓨팅 장치가 제공되는바, 그 장치는, 상기 대상 데이터를 획득하는 통신부; 및 프로세서를 포함하고, 상기 프로세서는, (i) 상기 학습 데이터들 중에서 선별된 참조 데이터들을 포함하는 학습 데이터 대표군으로부터 상기 대상 데이터와 가장 유사도가 높은 적어도 하나의 후보 데이터를 인출(retrieve)하거나 상기 통신부를 통하여 연동되는 타 장치로 하여금 상기 후보 데이터를 인출하도록 지원하는 참조 데이터 기반 후보 데이터 생성 모듈을 구현하는 프로세스, 상기 후보 데이터에 적합화(adaptation)되도록 상기 대상 데이터에 대한 적응적 패턴 변환을 수행하거나 상기 타 장치로 하여금 상기 적응적 패턴 변환을 수행하도록 지원하는 적응적 패턴 변환 모듈을 구현하는 프로세스, 및 상기 적응적 패턴 변환의 결과인 변환 데이터를 상기 심층 신경망 모델에 전달하거나 상기 타 장치로 하여금 상기 심층 신경망 모델에 전달하도록 지원함으로써 상기 심층 신경망 모델로부터 출력값을 획득하는 프로세스를 수행한다.

본 개시서의 방법 및 장치에 의하면 다양한 품질 패턴의 입력 데이터에 대하여 출력값을 내는 심층 신경망 모델의 재현 성능을 개선할 수 있는 효과가 있다.

본 개시서의 실시 예의 설명에 이용되기 위하여 첨부된 아래 도면들은 본 발명의 실시 예들 중 단지 일부일 뿐이며, 본 발명이 속한 기술분야에서 통상의 지식을 가진 사람(이하 "통상의 기술자"라 함)에게 있어서는 발명에 이르는 노력 없이 이 도면들에 기초하여 다른 도면들이 얻어질 수 있다.
도 1은 심층 신경망 모델의 훈련에 이용된 학습 데이터와 상이한 품질 패턴을 가지는 입력 데이터에 대하여 심층 신경망 모델의 성능이 저하되는 종래 기술의 문제점을 개념적으로 나타낸 도면이다.
도 2은 본 개시서의 일 실시 예에 따라 기 훈련된 심층 신경망 모델의 상이한 품질 패턴을 지닌 대상 데이터에 대한 출력값의 재현 성능을 개선 방법(이하 "심층 신경망 모델 재현 성능 개선 방법"이라 함)을 수행하는 컴퓨팅 장치의 예시적 구성을 개략적으로 도시한 개념도이다.
도 3은 본 개시서의 심층 신경망 모델 재현 성능 개선 방법을 수행하는 컴퓨팅 장치의 하드웨어 또는 소프트웨어 구성요소를 도시한 예시적 블록도이고, 도 4는 본 개시서의 심층 신경망 모델 재현 성능 개선 방법에 따라 데이터가 입력, 처리되어 결과가 출력되는 과정을 개략적으로 도시한 모식도이다.
도 5은 본 개시서의 심층 신경망 모델 재현 성능 개선 방법을 예시적으로 나타낸 흐름도이다.

후술하는 본 발명에 대한 상세한 설명은, 본 발명의 목적들, 기술적 해법들 및 장점들을 분명하게 하기 위하여 본 발명이 실시될 수 있는 특정 실시 예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시 예는 통상의 기술자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다.

본 발명의 상세한 설명 및 청구항들에 걸쳐 이용된 "영상" 또는 "영상 데이터"라는 용어는 이산적 영상 요소들(예컨대, 2차원 영상에 있어서는 픽셀)로 구성된 다차원 데이터를 지칭하며, 달리 말하자면, (예컨대, 비디오 화면에 표시된) 눈으로 볼 수 있는 대상 또는 (예컨대, CT, MRI 검출기 등의 픽셀 출력에 대응되는 파일과 같은) 그 대상의 디지털 표현물을 지칭하는 용어이다. 예를 들어 "이미지" 또는 "영상"은 X선 촬영, 전산화 단층 촬영(CT; computed tomography), 자기 공명 영상(MRI; magnetic resonance imaging), 초음파 또는 본 발명의 기술분야에서 공지된 임의의 다른 의료 영상 시스템의 의하여 수집된 피검체(subject)의 의료 영상일 수 있다. 영상이 반드시 의료적 맥락에서 제공되어야 하는 것은 아니고 비의료적 맥락에서 제공될 수도 있는바, 예를 들어 보안 검색용 X선 촬영 등이 있을 수 있다.

통상의 기술자는 본 발명의 다양한 실시 예에서 이용되는 영상 형식들이 CT, PET(positron emission tomography), PET-CT, SPECT, SPECT-CT, MR-PET, 3D 초음파 영상 등의 2차원, 3차원 영상을 포함하나 이와 같이 예시적으로 열거된 형식에 한정되지 않는다는 점을 이해할 수 있을 것이다.

또한, 본 개시서에서는 설명의 편의를 위하여 제시된 도면에서 "학습 데이터" 및 "대상 데이터"가 영상 데이터인 것으로 예시되어 있으나, "학습 데이터" 및 "대상 데이터"가 반드시 영상 데이터인 경우에 한정되지는 않는다. 마찬가지로 "영상 데이터"가 의료 영상에 관한 것으로 예시되어 있으나, "영상 데이터"가 반드시 의료 영상 데이터인 경우에 한정되지 않음도 물론이다.

본 발명의 상세한 설명 및 청구항들에 걸쳐 'DICOM(Digital Imaging and Communications in Medicine; 의료용 디지털 영상 및 통신)' 표준은 의료용 기기에서 디지털 영상 표현과 통신에 이용되는 여러 가지 표준을 총칭하는 용어인바, DICOM 표준은 미국 방사선 의학회(ACR)와 미국 전기 공업회(NEMA)에서 구성한 연합 위원회에서 발표한다.

또한, 본 발명의 상세한 설명 및 청구항들에 걸쳐 '의료 영상 저장 전송 시스템(PACS; Picture Archiving and Communication System)'은 DICOM 표준에 맞게 저장, 가공, 전송하는 시스템을 지칭하는 용어이며, X선, CT, MRI와 같은 디지털 의료 영상 장비를 이용하여 획득된 의료 영상은 DICOM 형식으로 저장되고 네트워크를 통하여 병원 내외의 단말로 전송이 가능하며, 이에는 판독 결과 및 진료 기록이 추가될 수 있다.

그리고 본 발명의 상세한 설명 및 청구항들에 걸쳐 '학습' 혹은 '러닝'은 절차에 따른 컴퓨팅(computing)을 통하여 기계 학습(machine learning)을 수행함을 일컫는 용어인바, 인간의 교육 활동과 같은 정신적 작용을 지칭하도록 의도된 것이 아니며, 훈련(training)은 기계 학습에 관하여 일반적으로 받아들여지는 의미로 쓰인 것이다. 예를 들어, '딥 러닝', '심층 학습'은 심층 인공신경망을 이용한 기계 학습을 의미한다.

또한, 본 발명의 상세한 설명 및 청구항들에 걸쳐, '포함하다'라는 단어 및 그 변형은 다른 기술적 특징들, 부가물들, 구성요소들 또는 단계들을 제외하는 것으로 의도된 것이 아니다. 또한, '하나' 또는 '한'은 하나 이상의 의미로 쓰인 것이며, '또 다른'은 적어도 두 번째 이상으로 한정된다.

통상의 기술자에게 본 발명의 다른 목적들, 장점들 및 특성들이 일부는 본 설명서로부터, 그리고 일부는 본 발명의 실시로부터 드러날 것이다. 아래의 예시 및 도면은 실례로서 제공되며, 본 발명을 한정하는 것으로 의도된 것이 아니다. 따라서, 특정 구조나 기능에 관하여 본 명세서에 개시된 상세 사항들은 한정하는 의미로 해석되어서는 아니되고, 단지 통상의 기술자가 실질적으로 적합한 임의의 상세 구조들로써 본 발명을 다양하게 실시하도록 지침을 제공하는 대표적인 기초 자료로 해석되어야 할 것이다.

더욱이 본 발명은 본 명세서에 표시된 실시 예들의 모든 가능한 조합들을 망라한다. 본 발명의 다양한 실시 예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시 예에 관련하여 본 발명의 사상 및 범위를 벗어나지 않으면서 다른 실시 예로 구현될 수 있다. 또한, 각각의 개시된 실시 예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 사상 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.

본 명세서에서 달리 표시되거나 분명히 문맥에 모순되지 않는 한, 단수로 지칭된 항목은, 그 문맥에서 달리 요구되지 않는 한, 복수의 것을 아우른다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.

이하, 통상의 기술자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 바람직한 실시 예들에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.

도 2은 본 개시서의 일 실시 예에 따른 심층 신경망 모델 재현 성능 개선 방법을 수행하는 컴퓨팅 장치의 예시적 구성을 개략적으로 도시한 개념도이다.

도 2을 참조하면, 본 발명의 일 실시 예에 따른 컴퓨팅 장치(200)는, 통신부(210) 및 프로세서(220)를 포함하며, 상기 통신부(210)를 통하여 외부 컴퓨팅 장치(미도시)와 직간접적으로 통신할 수 있다.

구체적으로, 상기 컴퓨팅 장치(200)는, 전형적인 컴퓨터 하드웨어(예컨대, 컴퓨터 프로세서, 메모리, 스토리지, 입력 장치 및 출력 장치, 기타 기존의 컴퓨팅 장치의 구성요소들을 포함할 수 있는 장치; 라우터, 스위치 등과 같은 전자 통신 장치; 네트워크 부착 스토리지(NAS; network-attached storage) 및 스토리지 영역 네트워크(SAN; storage area network)와 같은 전자 정보 스토리지 시스템)와 컴퓨터 소프트웨어(즉, 컴퓨팅 장치로 하여금 특정의 방식으로 기능하게 하는 명령어들)의 조합을 이용하여 원하는 시스템 성능을 달성하는 것일 수 있다.

이와 같은 컴퓨팅 장치의 통신부(210)는 연동되는 타 컴퓨팅 장치와 요청과 응답을 송수신할 수 있는바, 일 예시로서 그러한 요청과 응답은 동일한 TCP(transmission control protocol) 세션(session)에 의하여 이루어질 수 있지만, 이에 한정되지는 않는바, 예컨대 UDP(user datagram protocol) 데이터그램(datagram)으로서 송수신될 수도 있을 것이다. 덧붙여, 넓은 의미에서 상기 통신부(210)는 명령어 또는 지시 등을 전달받기 위한 키보드, 마우스, 기타 외부 입력장치, 프린터, 디스플레이, 기타 외부 출력장치를 포함할 수 있다.

또한, 컴퓨팅 장치의 프로세서(220)는 MPU(micro processing unit), CPU(central processing unit), GPU(graphics processing unit), NPU(neural processing unit) 또는 TPU(tensor processing unit), 캐시 메모리(cache memory), 데이터 버스(data bus) 등의 하드웨어 구성을 포함할 수 있다. 또한, 운영체제, 특정 목적을 수행하는 애플리케이션의 소프트웨어 구성을 더 포함할 수도 있다.

도 3는 본 개시서의 심층 신경망 모델 재현 성능 개선 방법을 수행하는 컴퓨팅 장치의 하드웨어 또는 소프트웨어 구성요소를 도시한 예시적 블록도이고, 도 4는 본 개시서의 심층 신경망 모델 재현 성능 개선 방법에 따라 데이터가 입력, 처리되어 결과가 출력되는 과정을 개략적으로 도시한 모식도이다.

도 3 및 도 4를 참조하여 본 개시서에 따른 방법 및 장치의 구성을 간략히 개관하면, 컴퓨팅 장치(200)는 그 구성요소로서 데이터 획득 모듈(310)을 포함할 수 있다. 이 데이터 획득 모듈(310)은 본 개시서에 따른 방법이 적용되는 입력 데이터, 즉 대상 데이터(110b)를 획득하도록 구성되는바, 도 3에 도시된 개별 모듈들은, 예컨대, 컴퓨팅 장치(200)에 포함된 통신부(210)나 프로세서(220), 또는 상기 통신부(210) 및 프로세서(220)의 연동에 의하여 구현될 수 있음은 통상의 기술자가 이해할 수 있을 것이다.

대상 데이터(110b)는, 예를 들어, 통신부(210)를 통하여 연동되는 촬영 기기 또는 의료 영상 저장 전송 시스템(PACS)과 같은 외부 영상 저장 시스템으로부터 획득되는 영상 데이터일 수 있으나 이에 한정되지는 않는다. 대상 데이터(110b)는 촬영 기기에 의하여 촬영된 영상이 DICOM 표준에 따라 PACS에 전송된 후 컴퓨팅 장치(200)의 데이터 획득 모듈(310)에 의하여 획득된 것일 수 있다.

다음으로, 그 획득된 대상 데이터(110b)는 참조 데이터 기반 후보 데이터 생성 모듈(320)에 전달될 수 있는데, 이 모듈(320)은 심층 신경망 모듈(340)의 훈련에 이용된 일군의 학습 데이터들(110a) 중에서 선별된 참조 데이터들을 포함하는 학습 데이터 대표군으로부터 대상 데이터와 가장 유사도가 높은 적어도 하나의 후보 데이터(110a')를 인출(검색; retrieve)하는 기능을 수행하는바, 학습 데이터 대표군의 선별 및 유사도 기반 데이터 인출에 관하여는 상세히 후술하기로 한다.

대상 데이터(110b)와 유사한 후보 데이터(110a')를 이용하여, 적응적 패턴 변환 모듈(330)은 대상 데이터(110b)가 후보 데이터(110a’)에 적합화되도록 대상 데이터(110b)에 대한 적응적 패턴 변환을 수행하는데, 여기에서 적응적 패턴 변환은 후보 데이터(110a')가 가지는 품질 패턴을 대상 데이터(110b)가 지니도록 대상 데이터(110b)를 변환하는 것을 지칭한다. 이 적응적 패턴 변환의 수단으로 이용될 수 있는 구성의 예시는 상세히 후술하기로 한다.

대상 데이터(110b)에 적응적 패턴 변환이 수행된 결과인 변환 데이터(110b')는 심층 신경망 모듈(340)의 심층 신경망 모델에 전달됨으로써 심층 신경망 모듈(340)로부터 출력값이 획득된다.

출력 모듈(350)은 그 출력값을 포함하는 정보(예컨대, 대상 데이터, 후보 데이터, 변환 데이터, 출력값 및 그 출력값의 신뢰도 등등)를 외부 엔티티(external entity)에 제공할 수 있다. 이 정보는 출력값의 산출에 주요한 요인에 해당하는 부위의 시각화 정보와 함께 제공될 수도 있다. 여기에서 외부 엔티티라고 함은, 본 개시서에 따른 방법을 수행하는 컴퓨팅 장치(200)의 사용자, 관리자, 대상 데이터(입력 데이터)의 출처가 된 자연인, 그 입력 데이터를 관리하는 담당자 등을 포함하나, 이 이외에도 대상 데이터로부터 도출된 출력값의 정보를 필요로 하는 주체라면 어느 주체라도 포함되는 것으로 이해되어야 할 것이다. 외부 엔티티가 인간인 때에는 상기 출력 모듈(350)은 소정의 출력 장치, 예컨대 디스플레이에 표시된 사용자 인터페이스를 통하여 출력값을 포함하는 정보를 외부 엔티티에 제공할 수 있다.

도 3 및 도 4를 참조하여 개략적으로 설명된 각각의 구성요소들의 구체적인 기능 및 효과에 관하여는 도 5를 참조하여 상세히 후술하기로 한다. 도 3에 나타난 구성요소들은 설명의 편의상 하나의 컴퓨팅 장치에서 실현되는 것으로 예시되었으나, 본 발명의 방법을 수행하는 컴퓨팅 장치(200)는 복수개의 장치들이 서로 연동된 것으로 구성될 수도 있다는 점이 이해될 것이다.

도 5은 본 개시서의 심층 신경망 모델 재현 성능 개선 방법을 예시적으로 나타낸 흐름도이다.

도 5을 참조하면, 본 개시서에 따른 심층 신경망 모델 재현 성능 개선 방법은, 먼저, 대상 데이터(110b)가, 예컨대 컴퓨팅 장치(200)에 의하여 구현되는 데이터 획득 모듈(310)에 의하여 획득(S050)된 상태에서, 컴퓨팅 장치(200)에 의하여 구현되는 참조 데이터 기반 후보 데이터 생성 모듈(320)이 학습 데이터들(110a) 중에서 선별된 참조 데이터들을 포함하는 학습 데이터 대표군으로부터 대상 데이터(110b)와 가장 유사도가 높은 적어도 하나의 후보 데이터(110a')를 인출하거나 컴퓨팅 장치(200)의 통신부(210)를 통하여 연동되는 타 장치로 하여금 후보 데이터(110a')를 인출하도록 지원하는 단계(S100)를 포함한다. 여기에서 가장 유사도가 높은 적어도 하나의 후보 데이터를 인출하는 것은, 소정의 제1 문턱값보다 높은 복수의 후보 데이터를 인출하는 방식으로 수행될 수도 있다.

단계(S100)에서의 유사도 판정을 수행하기 위한 다양한 수단이 통상의 기술자에게 알려져 있는데, 예컨대, 유사도 판정은 논문 1: "Adnan Qayyum, Syed Muhammad Anwar, Muhammad Awais and Muhammad Majid. Medical image retrieval using deep convolutional neural network. Elsevier B.V. 2017; pp.1-13."에 개시된 심층 학습 기반의 영상 인출(혹은 검색) 방식에 의하여 수행될 수 있으나 이에 한정되지 않는다. 예를 들어, 유사도 판정이 논문 2: "Yu-An Chung et al. Learning Deep Representations of Medical Images using Siamese CNNs with Application to Content-Based Image Retrieval"에 개시된 방식에 의할 수도 있음을 통상의 기술자는 이해할 수 있을 것이다.

논문 1에 의하여 제안된 바에 의하면, 학습 데이터를 이용하여 훈련된 심층 신경망 모델로부터 잠재 특징(latent feature)이 추출될 수 있는바, 새로운 대상 데이터가 입력되면 그 훈련된 심층 신경망 모델로써 그 대상 데이터의 잠재 특징도 추출될 수 있다. 그러면 그 잠재 특징의 정보들 간에 유사도가 (예컨대, L2 거리와 같은 거리의 비교를 통하여) 비교될 수 있는바, 거리가 작을수록 유사도가 큰 것이므로 그 값들을 정렬하여 대상 데이터와 가장 유사한 학습 데이터를 획득할 수 있다. 물론 가장 비유사한 학습 데이터도 획득될 수 있다.

참고로, 가장 유사한 학습 데이터와 가장 비유사한 학습 데이터를 활용하여 심층 신경망 모델을 좀 더 강건(robust)하게 훈련하는 것도 가능한바, 논문 2에 제안된 바와 같다.

단계(S100)에서 참조 데이터들은 특징에 대한 유사도 기준(similarity metric)에 기초하여 학습 데이터(110a) 중에서 서로 간의 유사도가 소정의 제2 문턱값보다 낮은 데이터들로 선별된 것들일 수 있다{즉, 특징 공간(feature space)에서 각각의 참조 데이터들이 차지하는 위치 간의 거리가 먼 경우}.

다른 예시로서, 참조 데이터들은 영상 데이터의 경우 히스토그램 분포에 있어 서로 간에 차이가 소정의 제2 문턱값보다 높은 영상 데이터들로 선별될 것일 수 있다.

이와 같은 참조 데이터들은 후술하는 적응적 패턴 변환이 대상 데이터(110b)에 대하여 정확하게 이루어지도록 안내(guide)하는 역할을 하는 것인바, 전술한 예시에 한정되지 않으며, 예컨대 사람이 직접 선별한 영상들로 구성될 수도 있다.

그런데 단계(S100)는 모든 참조 데이터들에 대해 대상 데이터(110b)와 참조 데이터 간의 유사도가 소정의 제1 문턱값에 미달하면, 대상 데이터(110b)에 대해 참조할 데이터가 없어 판정이 불가능한 것으로 분류되어 종료하는 것으로 구성할 수도 있다.

다음으로, 본 개시서에 따른 심층 신경망 모델 재현 성능 개선 방법은, 컴퓨팅 장치(200)에 의하여 구현되는 적응적 패턴 변환 모듈(330)이, 후보 데이터(110a')에 적합화(adaptation)되도록 상기 대상 데이터에 대한 적응적 패턴 변환을 수행하거나 상기 타 장치로 하여금 상기 적응적 패턴 변환을 수행하도록 지원하는 단계(S200)를 더 포함한다.

구체적으로, 이 단계(S200)에서는, 후보 데이터(110a'), 즉, 대상 데이터(110b)와 유사한 품질 패턴을 가지는 학습 데이터와 대상 데이터(110b)를 이용하여 대상 데이터(110b)가 학습 데이터들(110a)이 가지는 품질 패턴을 가지도록 적응적으로 패턴이 변환될 수 있다.

이와 같은 적응적 패턴 변환을 수행하기 위한 다양한 수단이 통상의 기술자에게 알려져 있는바, 예컨대, 논문 3: "Luan et al. [2017] Fujun Luan, Sylvain Paris, Eli Shechtman, and Kavita Bala. Deep photo style transfer. In 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), volume abs/1703.07511. IEEE, July 2017. doi: 10.1109/cvpr.2017.740."에 개시된 바와 같은 심층 학습 기반의 스타일 전환(style transfer) 또는 논문 4: " Jun-Yan Zhu*, Taesung Park*, Phillip Isola, and Alexei A. Efros. "Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks", in IEEE International Conference on Computer Vision (ICCV), 2017."에 개시된 바와 같은 도메인 적합화(domain adaptation)에 의하여 적응적 패턴 변환이 수행될 수 있으나 이에 한정되지 않는다.

여기에서 스타일 전환은, 2개의 영상 데이터가 주어졌을 때, 영상의 주된 형태는 유지하면서, 스타일만 변형하는 것을 지칭한다. 이 스타일 전환은 미리 훈련된 심층 신경망을 활용하여 특징을 추출한 후에 잠재 특징들이 유사해지도록 최적화함으로써 수행될 수 있는데, 이 과정에서 원본 영상 데이터의 내용 디테일(content detail)이 유지될 수 있도록 국소 아핀 변환(local affine transform)을 위한 손실항(loss term)이 추가 반영된다. 이와 같은 스타일 전환을 수행하는 하나의 수단은 통상의 기술자에게 Cycle-CAN(cycle-consistent adversarial network)이라는 명칭으로 알려져 있다.

단계(S200)에서 후보 데이터가 복수이면(예컨대, 소정의 제1 문턱값에 달한 유사도를 가지는 참조 데이터가 복수인 경우), 품질 패턴의 변환시 상기 심층 신경망 모델에 따른 잠재 공간(latent space) 상에서 상기 후보 데이터의 조합 또는 평균값이 반영될 수 있는바, 달리 말하자면, 상기 후보 데이터의 품질 패턴은 잠재 공간 상에서 상기 후보 데이터의 조합 또는 평균값에 기초할 수 있다. 여기에서 잠재 공간이라 함은 잠재 변수 혹은 잠재 특징이 표현되는 다차원 공간을 지칭한다.

단계(S200)에서 적응적 패턴 변환의 결과인 변환 데이터가 생성되면, 본 개시서에 따른 심층 신경망 모델 재현 성능 개선 방법은, 컴퓨팅 장치(200)가, 상기 변환 데이터를 심층 신경망 모듈(340)의 심층 신경망 모델에 전달하거나 상기 타 장치로 하여금 심층 신경망 모델에 전달하도록 지원함으로써 그 심층 신경망 모델로부터 출력값이 획득되는 단계(S300)를 더 포함한다.

이 출력값이 유의미하게 이용될 수 있도록, 본 개시서에 따른 심층 신경망 모델 재현 성능 개선 방법은, 컴퓨팅 장치(200)에 의하여 구현되는 출력 모듈(350)이, 상기 출력값을 포함하는 정보를 외부 엔티티에 제공하거나 상기 타 장치로 하여금 제공하도록 지원하는 단계(S400)를 더 포함할 수 있다.

지금까지 도 2 내지 도 5를 참조하여 설명된 바와 같이 본 발명은 그 모든 실시 예 및 변형례에 걸쳐, 일군의 데이터에 의하여 훈련된 심층 신경망 모델이 그 일군의 데이터와 상이한 품질 패턴을 가지는 입력 데이터에 대하여 번거로운 품질 맞춤의 수작업 없이도 그 성능을 그대로 유지할 수 있는 효과가 있다. 본 발명이 특징 추출 및 유사도 판정이 가능한 다양한 형식의 데이터에 대하여 적용될 수 있다는 점이 이해될 것이다.

위 실시 예의 설명에 기초하여 해당 기술분야의 통상의 기술자는, 본 발명의 방법 및/또는 프로세스들, 그리고 그 단계들이 하드웨어, 소프트웨어 또는 특정 용례에 적합한 하드웨어 및 소프트웨어의 임의의 조합으로 실현될 수 있다는 점을 명확하게 이해할 수 있다. 상기 하드웨어는 범용 컴퓨터 및/또는 전용 컴퓨팅 장치 또는 특정 컴퓨팅 장치 또는 특정 컴퓨팅 장치의 특별한 모습 또는 구성요소를 포함할 수 있다. 상기 프로세스들은 내부 및/또는 외부 메모리를 가지는, 하나 이상의 마이크로프로세서, 마이크로컨트롤러, 임베디드 마이크로컨트롤러, 프로그래머블 디지털 신호 프로세서 또는 기타 프로그래머블 장치에 의하여 실현될 수 있다. 게다가, 혹은 대안으로서, 상기 프로세스들은 주문형 집적회로(application specific integrated circuit; ASIC), 프로그래머블 게이트 어레이(programmable gate array), 프로그래머블 어레이 로직(Programmable Array Logic; PAL) 또는 전자 신호들을 처리하기 위해 구성될 수 있는 임의의 다른 장치 또는 장치들의 조합으로 실시될 수 있다. 더욱이 본 발명의 기술적 해법의 대상물 또는 선행 기술들에 기여하는 부분들은 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 기계 판독 가능한 기록 매체에 기록될 수 있다. 상기 기계 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 기계 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야의 통상의 기술자에게 공지되어 사용 가능한 것일 수도 있다. 기계 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD, Blu-ray와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 전술한 장치들 중 어느 하나뿐만 아니라 프로세서, 프로세서 아키텍처 또는 상이한 하드웨어 및 소프트웨어의 조합들의 이종 조합, 또는 다른 어떤 프로그램 명령어들을 실행할 수 있는 기계 상에서 실행되기 위하여 저장 및 컴파일 또는 인터프리트될 수 있는, C와 같은 구조적 프로그래밍 언어, C++ 같은 객체지향적 프로그래밍 언어 또는 고급 또는 저급 프로그래밍 언어(어셈블리어, 하드웨어 기술 언어들 및 데이터베이스 프로그래밍 언어 및 기술들)를 사용하여 만들어질 수 있는바, 기계어 코드, 바이트코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 이에 포함된다.

따라서 본 개시서에 따른 일 태양에서는, 앞서 설명된 방법 및 그 조합들이 하나 이상의 컴퓨팅 장치들에 의하여 수행될 때, 그 방법 및 방법의 조합들이 각 단계들을 수행하는 실행 가능한 코드로서 실시될 수 있다. 다른 일 태양에서는, 상기 방법은 상기 단계들을 수행하는 시스템들로서 실시될 수 있고, 방법들은 장치들에 걸쳐 여러 가지 방법으로 분산되거나 모든 기능들이 하나의 전용, 독립형 장치 또는 다른 하드웨어에 통합될 수 있다. 또 다른 일 태양에서는, 위에서 설명한 프로세스들과 연관된 단계들을 수행하는 수단들은 앞서 설명한 임의의 하드웨어 및/또는 소프트웨어를 포함할 수 있다. 그러한 모든 순차 결합 및 조합들은 본 개시서의 범위 내에 속하도록 의도된 것이다.

예를 들어, 상기 하드웨어 장치는 본 개시서에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다. 상기 하드웨어 장치는, 프로그램 명령어를 저장하기 위한 ROM/RAM 등과 같은 메모리와 결합되고 상기 메모리에 저장된 명령어들을 실행하도록 구성되는 MPU, CPU, GPU, TPU와 같은 프로세서를 포함할 수 있으며, 외부 장치와 신호를 주고받을 수 있는 통신부를 포함할 수 있다. 덧붙여, 상기 하드웨어 장치는 개발자들에 의하여 작성된 명령어들을 전달받기 위한 키보드, 마우스, 기타 외부 입력장치를 포함할 수 있다.

이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항들과 한정된 실시 예 및 도면에 의해 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명이 상기 실시 예들에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 사람이라면 이러한 기재로부터 다양한 수정 및 변형을 꾀할 수 있다.

따라서, 본 발명의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등하게 또는 등가적으로 변형된 모든 것들은 본 발명의 사상의 범주에 속한다고 할 것이다.

그와 같이 균등하게 또는 등가적으로 변형된 것에는, 예컨대 본 개시서에 따른 방법을 실시한 것과 동일한 결과를 낼 수 있는, 논리적으로 동치(logically equivalent)인 방법이 포함될 것인바, 본 발명의 진의 및 범위는 전술한 예시들에 의하여 제한되어서는 아니되며, 법률에 의하여 허용 가능한 가장 넓은 의미로 이해되어야 한다.

Claims (7)

1. 일군의 학습 데이터들을 이용하여 훈련된 심층 신경망 모델의 상기 일군과 상이한 품질 패턴(qualitative pattern)을 지닌 대상 데이터에 대한 출력값의 재현 성능을 개선하는 방법으로서,
   (a) 상기 대상 데이터가 획득된 상태에서, 컴퓨팅 장치가, 상기 학습 데이터들 중에서 선별된 참조 데이터들을 포함하는 학습 데이터 대표군으로부터 상기 대상 데이터와 가장 유사도가 높은 적어도 하나의 후보 데이터를 인출(retrieve)하거나 상기 컴퓨팅 장치에 연동되는 타 장치로 하여금 상기 후보 데이터를 인출하도록 지원하는 단계;
   (b) 상기 컴퓨팅 장치가, 상기 후보 데이터에 적합화(adaptation)되도록 상기 대상 데이터에 대한 적응적 패턴 변환을 수행하거나 상기 타 장치로 하여금 상기 적응적 패턴 변환을 수행하도록 지원하는 단계; 및
   (c) 상기 컴퓨팅 장치가, 상기 적응적 패턴 변환의 결과인 변환 데이터를 상기 심층 신경망 모델에 전달하거나 상기 타 장치로 하여금 상기 심층 신경망 모델에 전달하도록 지원함으로써 상기 심층 신경망 모델로부터 출력값이 획득되는 단계
   를 포함하는 심층 신경망 모델 재현 성능 개선 방법.
   
2. 제1항에 있어서,
   상기 참조 데이터들은 특징에 대한 유사도 기준(similarity metric)에 기초하여 상기 학습 데이터 중에서 서로 간의 유사도가 소정의 제2 문턱값보다 낮은 데이터들로 선별된 것을 특징으로 하는 심층 신경망 모델 재현 성능 개선 방법.
   
3. 제1항에 있어서,
   상기 (a) 단계는,
   상기 모든 참조 데이터들에 대해 상기 유사도가 소정의 제1 문턱값에 미달하면 상기 대상 데이터가 판정 불가로 분류되어 종료되는 것을 특징으로 하는 심층 신경망 모델 재현 성능 개선 방법.
   
4. 제1항에 있어서,
   상기 (b) 단계에서,
   인출된 상기 후보 데이터와 상기 대상 데이터를 이용하여 상기 후보 데이터의 품질 패턴을 가지도록 상기 대상 데이터의 패턴이 적응적으로 변환되는 것을 특징으로 하는 심층 신경망 모델 재현 성능 개선 방법.
   
5. 제4항에 있어서,
   상기 인출된 후보 데이터가 복수이고,
   상기 (b) 단계에서,
   상기 후보 데이터의 품질 패턴은 상기 심층 신경망 모델에 따른 잠재 공간(latent space) 상에서 상기 후보 데이터의 조합 또는 평균값에 기초하는 것을 특징으로 하는 심층 신경망 모델 재현 성능 개선 방법.
   
6. 컴퓨팅 장치로 하여금, 제1항 내지 제5항 중 어느 한 항의 방법을 수행하도록 구현된 명령어(instructions)를 포함하는, 기계 판독 가능한 비일시적 기록 매체에 저장된, 컴퓨터 프로그램.
   
7. 일군의 학습 데이터들을 이용하여 훈련된 심층 신경망 모델의 상기 일군과 상이한 품질 패턴(qualitative pattern)을 지닌 대상 데이터에 대한 출력값의 재현 성능을 개선하는 컴퓨팅 장치로서,
   상기 대상 데이터를 획득하는 통신부; 및
   (i) 상기 학습 데이터들 중에서 선별된 참조 데이터들을 포함하는 학습 데이터 대표군으로부터 상기 대상 데이터와 가장 유사도가 높은 적어도 하나의 후보 데이터를 인출(retrieve)하거나 상기 통신부를 통하여 연동되는 타 장치로 하여금 상기 후보 데이터를 인출하도록 지원하는 참조 데이터 기반 후보 데이터 생성 모듈을 구현하는 프로세스, 상기 후보 데이터에 적합화(adaptation)되도록 상기 대상 데이터에 대한 적응적 패턴 변환을 수행하거나 상기 타 장치로 하여금 상기 적응적 패턴 변환을 수행하도록 지원하는 적응적 패턴 변환 모듈을 구현하는 프로세스, 및 상기 적응적 패턴 변환의 결과인 변환 데이터를 상기 심층 신경망 모델에 전달하거나 상기 타 장치로 하여금 상기 심층 신경망 모델에 전달하도록 지원함으로써 상기 심층 신경망 모델로부터 출력값을 획득하는 프로세스를 수행하는 프로세서
   를 포함하는 심층 신경망 모델 재현 성능 개선 장치.
   

Images