의료 영상 분석용 인공지능 모델 학습 시 과적합 방지 방법 및 학습 데이터 일반화 방법 - 뷰노 특허 분석

최근 들어, 입력 패턴을 특정 그룹으로 분류하는 문제를 해결하는 방안으로 인간이 지니고 있는 효율적인 패턴 인식 방법을 실제 컴퓨터에 적용시키려는 연구가 활발히 진행되고 있다.

이러한 연구 중 하나로 인간의 생물학적 신경 세포의 특성을 수학적 표현에 의해 모델링한 인공신경망(artificial neural network)에 대한 연구가 있다.

입력 패턴을 특정 그룹으로 분류하는 문제를 해결하기 위해, 인공신경망은 인간이 가지고 있는 학습이라는 능력을 모방한 알고리즘을 이용한다. 이 알고리즘을 통하여 인공신경망은 입력 패턴과 출력 패턴들 사이의 사상(mapping)을 생성해낼 수 있는데, 이를 인공신경망이 학습 능력이 있다고 표현한다.

또한, 인공신경망은 학습된 결과에 기초하여 학습에 이용되지 않았던 입력 패턴에 대하여 비교적 올바른 출력을 생성할 수 있는 일반화 능력을 가지고 있다. 이러한 인공신경망은 비교적 많은 레이어들을 포함하는데 많은 레이어들을 포함하는 큰 구조의 인공신경망을 학습시키기 위해서는 많은 양의 학습 데이터가 요구되고, 특정 학습 데이터에 과적합(overfitting)되지 않을 필요가 있다.

본 포스팅은 특정 학습 데이터에 과적합이 되지 않도록 데이터 일반화(data generalization)를 수행하는 방법과 관련된 특허를 하나 설명하고자 한다. 뷰노의 특허이다. 

이미지를 클릭하면 등록특허공보 전문을 확인할 수 있습니다.

일반적으로 MRI나 X-ray를 촬영하게 되면 실제 원본 데이터들은 사람이 예측할 수 없을 정도의 세밀한 데이터 값들을 가진다. 따라서 전체 데이터 값들 중 일부만 사용해서 뉴럴 네트워크가 식별하기 위한 이미지로 사용하게 된다. 

본 특허 내용에 따르면, 전체 데이터 중에서 랜덤하게 일부 데이터만 뽑아서 추출된 데이터들로 재구성된 영상을 이용하여 뉴럴 네트워크를 학습시킨다. 

구체적으로 원본 데이터 내에서 어떤 데이터를 학습 데이터로 이용할지 결정할 때 데이터 추출 범위를 어떻게 설정할지에 대한 윈도우의 중심 값과 너비 값을 변경시키면서 학습 데이터를 결정하게 된다. 

정해진 특정 영역의 데이터만 뽑아내게 되면 뉴럴 네트워크가 해당 범위의 데이터에 대해서만 학습을 하게 되어 문제가 생길 수 있어 데이터를 뽑는 과정을 더 랜덤하게 만들어서 데이터 일반화를 수행하겠다는 것이 본 발명의 핵심 내용이다. 즉, 본 발명의 핵심 내용은 윈도우의 중심 값과 너비 값을 랜덤하게 변경시켜서 학습 데이터를 결정하겠다는 것이다. 

본 특허 내용과 같이 윈도우 값을 변경하면서 학습 데이터를 획득하는 경우, 학습 데이터가 일반화될 수 있어 학습 효율이 향상된다.