Search

KR-20260062027-A - APPARTUS FOR ACQUIRING MAGNETIC RESONACE IMAGES BASE ON DEEP LEARNING MODEL AND MEHOD FOR CONTROLLING THEROF

KR20260062027AKR 20260062027 AKR20260062027 AKR 20260062027AKR-20260062027-A

Abstract

본 개시는 딥 러닝에 기반한 자기 공명 영상을 획득하는 장치 및 그 제어 방법을 제공한다. 본 개시의 일 실시 예에 따른 제어 방법은 자기 공명 신호를 획득하는 단계, 상기 자기 공명 신호와 대응하는 자기 공명 영상의 품질과 관련하여 설정된 복수의 요소 중 적어도 하나를 상기 자기 공명 신호에 적용하여, 상기 자기 공명 영상에 대응하는 학습 영상을 획득하는 단계, 상기 자기 공명 영상을 라벨 데이터로, 상기 획득된 학습 영상을 상기 라벨 데이터와 매칭하는 입력 데이터로 포함하는 학습 데이터 셋을 획득하는 단계 및 상기 학습 데이터 셋과 상기 학습 영상에 대응하는 컨텍스트 데이터를 기초로, 신경망 모델을 학습 시키는 단계를 포함하고, 상기 학습 영상을 획득하는 단계는, K-Space 영역에서 상기 복수의 요소 중 적어도 하나를 적용하여 상기 자기 공명 신호를 왜곡시키고, 상기 왜곡된 자기 공명 신호에 기초하여 상기 학습 영상을 획득하는 단계를 포함할 수 있다.

Inventors

  • 정근우

Assignees

  • 주식회사 에어스 메디컬

Dates

Publication Date
20260506
Application Date
20250909

Claims (15)

  1. 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는, 딥 러닝에 기반한 자기 공명 영상을 획득하는 방법에 있어서, 자기 공명 영상의 품질과 관련하여 주파수 영역에서 설정된 복수의 요소 중 적어도 하나의 요소를 상기 자기 공명 영상에 대응하는 자기 공명 신호에 적용하여, 상기 자기 공명 영상에 대응하는 학습 영상을 획득하는 단계; 상기 자기 공명 영상을 라벨 데이터로, 상기 획득된 학습 영상 및 상기 획득된 학습 영상에 대응하는 컨텍스트 데이터를 상기 라벨 데이터와 매칭하는 입력 데이터로 포함하는 학습 데이터 셋을 획득하는 단계; 및 상기 학습 데이터 셋과 상기 학습 영상에 대응하는 컨텍스트 데이터를 기초로, 신경망 모델을 학습시키는 단계;를 포함하고, 상기 학습 영상을 획득하는 단계는, 상기 복수의 요소 중 적어도 하나의 요소를 적용하여 상기 자기 공명 신호를 왜곡시키고, 상기 왜곡된 자기 공명 신호에 기초하여 상기 학습 영상을 획득하는 단계;를 포함하고, 상기 신경망 모델은, 상기 신경망 모델을 구성하는 복수의 레이어의 중간 레이어와 연결되어, 상기 컨텍스트 데이터가 입력되면 상기 컨텍스트 데이터의 특징 정보를 추출하는 경로(Pathway)를 포함하고, 상기 컨텍스트 데이터는, 상기 자기 공명 신호에 적용된 상기 적어도 하나의 요소의 유형 및 상기 적어도 하나의 요소에 설정된 파라미터에 기초하여 결정되는, 방법.
  2. 제1항에 있어서, 상기 자기 공명 신호를 왜곡시키는 단계는, 상기 자기 공명 신호에 적용되는 상기 적어도 하나의 요소의 유형 또는 개수 중 적어도 하나를 변경하여, 상기 자기 공명 신호를 반복하여 왜곡시켜 복수의 왜곡된 자기 공명 신호를 획득하는 단계를 포함하고, 상기 학습 영상을 획득하는 단계는, 상기 복수의 왜곡된 자기 공명 신호에 기초하여, 상기 자기 공명 영상에 대응하는 복수의 학습 영상을 획득하는 단계;를 포함하고, 상기 복수의 학습 영상은, 상기 복수의 왜곡된 자기 공명 신호에 각각 적용된 적어도 하나의 요소의 유형 또는 개수에 따라 서로 다른 품질은 갖는 것을 특징으로 하는, 방법.
  3. 제2항에 있어서, 상기 복수의 요소는, 가우시안 노이즈(Gaussian Noise)의 가산, 균일 패턴 언더 샘플링(Uniform Pattern Under Sampling), 랜덤 패턴 언더 샘플링(Random Pattern Under Sampling), Kmax 언더 샘플링(Kmax Under Sampling), 타원형 언더 샘플링(Elliptical Under Sampling) 및 부분 푸리에 언더 샘플링(Partial Fourier Under Sampling) 중 적어도 두개를 포함하는, 방법.
  4. 제3항에 있어서, 상기 복수의 학습 영상이 기 설정된 개수 미만이면, 상기 Kmax 언더 샘플링의 최대 주파수 범위를 조절하여 상기 자기 공명 신호를 추가 왜곡시키고, 상기 추가 왜곡된 자기 공명 신호에 기초하여 상기 학습 영상을 추가로 획득하는 단계; 를 포함하는, 방법.
  5. 제3항에 있어서, 상기 복수의 학습 영상이 기 설정된 개수 미만이면, 상기 균일 패턴 언더 샘플링, 상기 랜덤 패턴 언더 샘플링, 상기 Kmax 언더 샘플링, 상기 타원형 언더 샘플링 및 부분 푸리에 언더 샘플링 중 적어도 하나의 샘플링 배수를 조정하여, 상기 자기 공명 신호를 추가 왜곡시키고, 상기 추가 왜곡된 자기 공명 신호에 기초하여 상기 학습 영상을 추가로 획득하는 단계; 를 포함하는, 방법.
  6. 제3항에 있어서, 상기 복수의 학습 영상이 기 설정된 개수 미만이면, 상기 가우시안 노이즈의 세기를 조정하고, 상기 조정된 가우시안 노이즈를 가산하여 상기 자기 공명 신호를 추가 왜곡시키고, 상기 추가 왜곡된 자기 공명 신호에 기초하여 상기 학습 영상을 추가로 획득하는 단계; 를 포함하는, 방법.
  7. 제1항에 있어서, 상기 자기 공명 신호와 상기 왜곡된 자기 공명 신호 간의 노이즈를 비교하여, 노이즈 변화량을 식별하고, 상기 식별된 노이즈 변화량을 상기 학습 영상에 대응하는 컨텍스트 데이터로 식별하는 단계; 를 포함하는, 방법.
  8. 제1항에 있어서, 상기 학습 데이터 셋을 획득하는 단계는, 상기 자기 공명 영상이 3차원 데이터인 경우, 상기 학습 영상에 포함된 복수의 이미지 슬라이스 중 제1 슬라이스를 제1 입력 데이터로 설정하는 단계; 상기 학습 영상에 포함된 복수의 이미지 슬라이스 중 상기 제1 슬라이스와 인접한 적어도 하나의 슬라이스를 제2 입력 데이터로 설정하는 단계; 상기 자기 공명 영상에 포함된 복수의 이미지 슬라이스 중 상기 제1 슬라이스에 대응하는 제3 슬라이스를 라벨 데이터로 설정하는 단계; 및 상기 제1 입력 데이터, 상기 제2 입력 데이터 및 상기 라벨 데이터를 학습 데이터 셋으로 설정하는 단계; 를 포함하는, 방법.
  9. 제1항에 있어서, 상기 학습 데이터 셋에 대하여 상기 자기 공명 영상과 상기 학습 영상의 크기, 방향, 픽셀 간격 및 픽셀 값의 스케일 조정 중 적어도 하나를 포함하는 표준화를 수행하는 단계; 를 포함하는, 방법.
  10. 제2항에 있어서, 상기 자기 공명 신호에 적용되는 요소의 유형 또는 적용되는 요소의 개수 중 적어도 하나에 따라, 상기 자기 공명 영상에 대한 복수의 복원 시나리오를 설정하고, 상기 복수의 학습 영상을 상기 설정된 복수의 시나리오 별로 분류하여, 각각의 시나리오에 대응하는 서브 학습 데이터 셋을 획득하는 단계; 를 포함하는, 방법.
  11. 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는, 딥 러닝에 기반한 자기 공명 영상을 획득하는 방법에 있어서, 가속 촬영 방식에 기초하여 자기 공명 영상을 획득하는 단계; 상기 가속 촬영 방식을 위해 설정된 스캔 매개 변수에 기초하여 상기 자기 공명 영상에 대응하는 컨텍스트 데이터를 식별하는 단계; 및 상기 획득된 자기 공명 영상과 상기 컨텍스트 데이터를 기 학습된 신경망 모델에 입력하여, 상기 획득된 자기 공명 영상을 품질을 복원하는 단계;를 포함하고, 상기 신경망 모델은, 상기 신경망 모델을 구성하는 복수의 레이어의 중간 레이어와 연결되어, 상기 컨텍스트 데이터가 입력되면 상기 컨텍스트 데이터의 특징 정보를 추출하는 경로(Pathway)를 포함하고, 자기 공명 영상의 품질과 관련하여 주파수 영역에서 설정된 복수의 요소 중 적어도 하나의 요소를 자기 공명 신호에 적용하여 획득된 왜곡된 자기 공명 영상을 포함하는 학습 데이터 셋에 기초하여 학습되고, 상기 학습 데이터 셋은, 상기 자기 공명 영상에 적용된 상기 적어도 하나의 요소의 유형 및 상기 적어도 하나의 요소에 설정된 파라미터에 기초하여 결정된 컨텍스트 데이터를 상기 왜곡된 자기 공명 영상과 매칭하여 포함하는, 방법.
  12. 제11항에 있어서, 상기 복수의 요소는, 균일 패턴 언더 샘플링(Uniform Pattern Under Sampling), 랜덤 패턴 언더 샘플링(Random Pattern Under Sampling), Kmax 언더 샘플링(Kmax Under Sampling), 타원형 언더 샘플링(Elliptical Under Sampling) 및 부분 푸리에 언더 샘플링(Partial Fourier Under Sampling) 중 적어도 하나를 포함하는, 방법.
  13. 제11항에 있어서, 상기 자기 공명 영상 대비 상기 복원된 자기 공명 영상의 노이즈 감소 값을 입력 받고, 상기 노이즈 감소 값을 상기 컨텍스트 데이터로 식별하는 단계; 및 상기 식별된 컨텍스트 데이터를 상기 경로에 입력하는 단계; 를 포함하는, 방법.
  14. 딥 러닝에 기반하여 자기 공명 영상을 획득하는 컴퓨팅 장치에 있어서, 신경망 모델을 저장하는 메모리; 및 자기 공명 영상의 품질과 관련하여 주파수 영역에서 설정된 복수의 요소 중 적어도 하나의 요소를 상기 자기 공명 영상에 대응하는 자기 공명 신호에 적용하여, 상기 자기 공명 영상에 대응하는 학습 영상을 획득하고, 상기 자기 공명 영상을 라벨 데이터로, 상기 획득된 학습 영상 및 상기 획득된 학습 영상에 대응하는 컨텍스트 데이터를 상기 라벨 데이터와 매칭하는 입력 데이터로 포함하는 학습 데이터 셋을 획득하고, 상기 학습 데이터 셋과 상기 학습 영상에 대응하는 컨텍스트 데이터를 기초로,신경망 모델을 학습시키는 적어도 하나의 프로세서;를 포함하고, 상기 신경망 모델을 구성하는 복수의 레이어의 중간 레이어와 연결되어, 상기 컨텍스트 데이터가 입력되면 상기 컨텍스트 데이터의 특징 정보를 추출하는 경로(Pathway)를 포함하고, 상기 적어도 하나의 프로세서는, 상기 자기 공명 신호에 적용된 상기 적어도 하나의 요소의 유형 및 상기 적어도 하나의 요소에 설정된 파라미터에 기초하여 상기 학습 영상에 대응하는 컨텍스트 데이터를 결정하는, 컴퓨팅 장치.
  15. 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램(Program)으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서(Processor)에서 실행되는 경우, 딥 러닝에 기반한 자기 공명 영상을 획득하는 동작을 수행하도록 하며, 상기 동작은, 자기 공명 영상의 품질과 관련하여 주파수 영역에서 설정된 복수의 요소 중 적어도 하나의 요소를 상기 자기 공명 영상에 대응하는 자기 공명 신호에 적용하여, 상기 자기 공명 영상에 대응하는 학습 영상을 획득하는 동작; 상기 자기 공명 영상을 라벨 데이터로, 상기 획득된 학습 영상 및 상기 획득된 학습 영상에 대응하는 컨텍스트 데이터를 상기 라벨 데이터와 매칭하는 입력 데이터로 포함하는 학습 데이터 셋을 획득하는 동작; 및 상기 학습 데이터 셋과 상기 학습 영상에 대응하는 컨텍스트 데이터를 기초로, 신경망 모델을 학습시키는 동작;을 포함하고, 상기 학습 영상을 획득하는 동작은, 상기 복수의 요소 중 적어도 하나의 요소를 적용하여 상기 자기 공명 신호를 왜곡시키고, 상기 왜곡된 자기 공명 신호에 기초하여 상기 학습 영상을 획득하는 동작;을 포함하고, 상기 신경망 모델은, 상기 신경망 모델을 구성하는 복수의 레이어의 중간 레이어와 연결되어, 상기 컨텍스트 데이터가 입력되면 상기 컨텍스트 데이터의 특징 정보를 추출하는 경로(Pathway)를 포함하고, 상기 컨텍스트 데이터는, 상기 자기 공명 신호에 적용된 상기 적어도 하나의 요소의 유형 및 상기 적어도 하나의 요소에 설정된 파라미터에 기초하여 결정되는, 컴퓨터 프로그램.

Description

딥 러닝에 모델에 기반한 자기 공명 영상을 획득하는 장치 및 그 제어 방법{APPARTUS FOR ACQUIRING MAGNETIC RESONACE IMAGES BASE ON DEEP LEARNING MODEL AND MEHOD FOR CONTROLLING THEROF} 본 개시는 의료 분야의 딥 러닝 기술에 관한 것으로, 보다 구체적으로 딥 러닝 모델에 기반하여 자기 공명 영상의 품질을 복원하는 장치 및 그 제어 방법에 관한 것이다. 환자의 신체 내부를 관찰하고 진단하기 위하여, 환자의 내부 신체 정보를 획득하는 방안으로, X선 촬영 장치, 초음파 진단 장치, 컴퓨터 단층 촬영 장치 및 자기 공명 영상(Magnetic Resonance Imaging, MRI) 촬영 장치 등이 활용되고 있다. 이 중 자기 공명 영상은 환자를 방사선에 노출시키지 않고, 조영제의 투약 없이도 촬영이 가능하며, 특히 높은 해상도와 우수한 연 조직 대비가 가능하다는 점에서 다른 촬영 기술에 비하여 그 유용성이 주목받고 있는 실정이다. 자기 공명 영상 기술의 경우, 자기 공명 영상을 획득하는 데에는 오랜 시간이 소요되는 문제점이 있다. 이에 따라, 해당 기술 분야에서는 자기 공명 영상의 촬영 시간을 단축하는 방안으로 가속화 촬영 기술에 대한 연구가 활발히 이루어졌다. 다만, 가속화 촬영 기술을 통해 획득된 자기 공명 영상의 경우, 해상도가 낮거나 노이즈가 포함되어 정확한 분석이 어렵다는 문제를 갖는다. 특히, 자기 공명 영상에 환자의 내부 신체 정보가 누락되는 상황이 발생하기도 한다. 결국, 자기 공명 영상 촬영의 가속화를 달성함과 동시에 고품질의 자기 공명 영상 획득이라는 두 가지 문제를 해결하는 것은 해당 기술 분야에서의 오랜 숙제와 같았다. 그리고 이에 대한 해답으로 인공 지능 기술이 제안되었다. 구체적으로, 가속화 촬영 기술을 통해 획득된 자기 공명 영상의 품질을 인공 지능 모델을 이용하여 복원시키는 방안이 이에 해당한다. 이를 위해서는, 인공지능 모델을 효과적으로 학습시키는 것이 필요한데, 특히 양질의 입력 데이터 뿐만 아니라 그에 대응되는 고 품질의 라벨 데이터로 구성된 학습 데이터 셋이 확보되어야 한다. 다만, 기존의 입력 데이터의 경우 가속화 촬영 과정에서 수행되는 균일 언더 샘플링(Uniform Under Sampling)(또는 랜덤 언더 샘플링(Random Under Sampling)의 케이스 만을 포함하였으며, 이는 인공지능 모델의 성능 한계로 이어졌다. 즉, 가속화 촬영 과정에서의 자기 공명 영상의 해상도 저하 및 노이즈는 다양한 원인으로 발생될 수 있는데, 이를 포함하는 학습 데이터 셋을 생성하는 적절한 방안이 제시되지 못하는 실정이다. 도 1은 본 개시의 일 실시 예에 따른 딥 러닝 모델에 기반한 자기 공명 영상을 획득하는 컴퓨팅 장치의 예시도이다. 도 2는 본 개시의 일 실시 예에 따른 딥 러닝 모델에 기반한 자기 공명 영상을 획득하는 컴퓨팅 장치의 블록도이다. 도 3은 본 개시의 일 실시 예에 따른 딥 러닝 모델에 기반한 자기 공명 영상을 획득하는 컴퓨팅 장치를 제어하는 방법의 순서도이다. 도 4a 및 4b는 본 개시의 일 실시 예에 따른 K-Space 영역에서 자기 공명 신호에 적용되는 복수의 요소를 설명하기 위한 도면이다. 도 5는 본 개시의 일 실시 예에 따른 자기 공명 영상에 대응하는 복수의 학습 영상을 획득하는 것을 나타낸 예시도이다. 도 6은 본 개시의 일 실시 예에 따른 신경망 모델의 구조를 개략적으로 나타낸 예시도이다. 도 7은 본 개시의 일 실시 예에 따른 3차원의 자기 공명 영상을 획득하도록 신경망 모델을 학습시키는 방법을 나타낸 예시도이다. 도 8은 본 개시의 다른 실시 예에 따른 딥 러닝 모델에 기반한 자기 공명 영상을 획득하는 컴퓨팅 장치의 세부적인 블록도이다. 아래에서는 첨부한 도면을 참조하여 본 개시의 기술 분야에서 통상의 지식을 가진 자(이하, 당업자)가 용이하게 실시할 수 있도록 본 개시의 실시 예가 상세히 설명된다. 본 개시에서 제시된 실시 예들은 당업자가 본 개시의 내용을 이용하거나 또는 실시할 수 있도록 제공된다. 따라서, 본 개시의 실시 예들에 대한 다양한 변형들은 당업자에게 명백할 것이다. 즉, 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며, 이하의 실시 예에 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 "제N(N은 자연수)" 이라는 용어는 본 개시의 구성요소들을 기능적 관점, 구조적 관점, 혹은 설명의 편의 등 소정의 기준에 따라 상호 구별하기 위해 사용되는 표현으로 이해될 수 있다. 예를 들어, 본 개시에서 서로 다른 기능적 역할을 수행하는 구성요소들은 제1 구성요소 혹은 제2 구성요소로 구별될 수 있다. 다만, 본 개시의 기술적 사상 내에서 실질적으로 동일하나 설명의 편의를 위해 구분되어야 하는 구성요소들도 제1 구성요소 혹은 제2 구성요소로 구별될 수도 있다. 본 개시에서 사용되는 "획득" 이라는 용어는, 외부 장치 혹은 시스템과의 유무선 통신 네트워크를 통해 데이터를 수신하는 것 뿐만 아니라, 온-디바이스(on-device) 형태로 데이터를 생성하는 것을 의미하는 것으로 이해될 수 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, 신호 등을 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 "영상" 이라는 용어는 이산적인 이미지 요소들(예를 들어, 2차원 이미지에 있어서의 픽셀 들 및 3차원 이미지에 있어서의 복셀들)로 구성된 다차원(multi-dimensional) 데이터를 의미할 수 있다. 예를 들어, 영상은 자기 공명 영상 촬영 장치, 컴퓨터 단층 촬영(CT) 장치, 초음파 촬영 장치, 또는 엑스레이 촬영 장치 등의 의료 영상 장치에 의해 획득된 의료 영상을 포함할 수 있으나 이에 제한되는 것은 아니다. 본 개시에서 사용되는 "의료 이미지"라는 용어는 의료 지식을 포괄하는 모든 형태의 이미지를 통칭하는 개념으로 가시광선 카메라, IR 카메라, 초음파, X-ray, CT, MRI, PET 등 다양한 모달리티(modality)를 통해 획득한 이미지를 포함할 수 있다. 본 개시에