의료 영상 분석의 정확도를 높여라 - CNN 기반 의료 영상 분석 및 루닛 특허 분석(2)

지난 포스팅에 이어 의료 영상 분석과 관련된 루닛 특허를 설명하고자 한다. 지금 설명할 특허 내용도 어제와 마찬가지로 세포가 포함된 영상을 분석하여 유사분열 세포의 개수와 위치를 확인하는 CNN 모델과 관련된 특허이다.

다만, 지난 포스팅에서 설명한 특허는 정확도 향상을 위해 CNN 모델을 학습시키는 방법과 관련된 특허였다면, 오늘 설명할 특허는 CNN 모델을 이용해서 유사분열 세포의 개수와 위치를 어떻게 확인할 수 있는지 구체적으로 기술한 특허이다.

이미지를 클릭하면 등록특허공보 전문을 확인할 수 있다.

먼저, 제1 컨벌루션 레이어(convolution layer)에 세포가 촬영된 이미지를 입력하여 특성 맵을 추출하게 된다. 

그다음, 제2 컨벌루션 레이어에 특성 맵을 입력하여 제1 클래스 액티베이션 맵(class activation map)을 획득한다. 여기서, 제1 클래스 액티베이션 맵은 유사 분열 세포의 특징을 나타내는 맵이다.

제1 클래스 액티베이션 맵이 출력되면, 제1 클래스 액티베이션 맵을 글로벌 풀링(맥스 풀링이나 평균 풀링 등)을 수행하는 출력 레이어에 입력해 주게 된다. 이 경우, 제1 클래스 액티베이션 맵의 전역적 특징을 잘 나타내는 제2 클래스 액티베이션 맵이 생성된다.

제2 클래스 액티베이션 맵이 생성된 경우, 제2 클래스 액티베이션 맵의 사이즈를 확대시켜 준다. 제1 컨벌루션 레이어 및 제2 컨벌루션 레이어를 통과한 경우, 출력되는 데이터는 최초 입력 데이터 보다 사이즈가 작다. 제1 컨볼루션 레이어 및 제2 컨볼루션 레이어를 통과하면 차원이 축소되는데, 차원이 축소된 제2 클래스 액티베이션 맵을 그대로 이용해서 최초 입력 데이터 내에서 어느 위치에 유사 분열 세포가 존재하는지 찾기 어렵다. 따라서, 출력된 제2 클래스 액티베이션 맵의 사이즈를 최초 입력된 이미지의 사이즈와 동일한 사이즈를 갖도록 확대를 시켜준다. 이렇게 확대된 클래스 액티베이션 맵은 제3 클래스 액티베이션 맵이라고 지칭하겠다.

제3 클래스 액티베이션 맵이 생성된 경우, 제3 클래스 액티베이션 맵에서 기 설정된 임곗값 이상이거나 피크 값을 갖는 영역을 찾는다. 해당 영역은 그림에서 짙은 색으로 표현된 부분이다. 제3 클래스 액티베이션 맵에서 기 설정된 임곗값 이상이거나 피크값을 갖는 영역에 대응하는 최초 입력 이미지 내에서의 영역은 유사 분열 세포가 위치하는 영역이라고 생각하면 된다. 따라서, 해당 영역의 위치와 해당 영역이 몇 개 있는지 확인하여 최초 입력된 이미지 내에서 유사 분열 세포의 위치가 어디인지와 유사 분열 세포가 얼마나 있는지 확인할 수 있다.  

오늘 설명한 특허 내용은 CNN 모델의 일반적인 내용일 수 있다. 하지만, CNN 모델을 유사 분열 세포 검출 시 어떻게 활용하는지를 구체화해 놓았기 때문에 본 특허가 등록된 것으로 판단된다.