KR20230034053A - 딥러닝 기반 분석 결과 예측 방법 및 장치 - Google Patents

딥러닝 기반 분석 결과 예측 방법 및 장치 Download PDF

Info

Publication number
KR20230034053A
KR20230034053A KR1020210117172A KR20210117172A KR20230034053A KR 20230034053 A KR20230034053 A KR 20230034053A KR 1020210117172 A KR1020210117172 A KR 1020210117172A KR 20210117172 A KR20210117172 A KR 20210117172A KR 20230034053 A KR20230034053 A KR 20230034053A
Authority
KR
South Korea
Prior art keywords
image
preset
analysis result
reaction
deep learning
Prior art date
Application number
KR1020210117172A
Other languages
English (en)
Inventor
이정훈
이기백
유용경
이승민
이학준
문지원
Original Assignee
광운대학교 산학협력단
가톨릭관동대학교산학협력단
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 광운대학교 산학협력단, 가톨릭관동대학교산학협력단 filed Critical 광운대학교 산학협력단
Priority to KR1020210117172A priority Critical patent/KR20230034053A/ko
Priority to CN202280067096.6A priority patent/CN118140275A/zh
Priority to PCT/KR2022/002020 priority patent/WO2023033270A1/ko
Publication of KR20230034053A publication Critical patent/KR20230034053A/ko
Priority to US18/595,267 priority patent/US20240203543A1/en

Links

Images

Classifications

    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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; CALCULATING OR 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
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Image Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명의 바람직한 실시예에 따른 딥러닝 기반 분석 결과 예측 방법 및 장치는, 딥러닝을 기반으로 측면 유동 분석(lateral flow assay, LFA) 등과 같은 면역 반응 분석 기반 키트, 항원-항체 기반 진단 키트 등의 분석 결과를 예측함으로써, 결과를 확인할 수 있는 시간을 단축할 수 있다.

Description

딥러닝 기반 분석 결과 예측 방법 및 장치{Method and apparatus for predicting result based on deep learning}
본 발명은 딥러닝 기반 분석 결과 예측 방법 및 장치에 관한 것으로서, 더욱 상세하게는 딥러닝을 기반으로 분석 결과를 예측하는, 방법 및 장치에 관한 것이다.
검체로부터 샘플을 채취하고, 채취한 샘플을 이용하여 측면 유동 분석(lateral flow assay, LFA) 반응을 통한 진단 검사는 그 시간(10분 ~ 30분)이 오래 걸린다. 측면 유동 분석은 샘플의 농도와 반응 시간에 따라 다른 양상을 보이며, 측면 유동 분석(lateral flow assay, LFA) 반응을 통한 진단 검사는 대략 15분 정도의 시간이 지나 반응이 충분히 이루어져야 그 판단이 가능하다. 하지만, 심근경색 등의 특정 질병의 경우 10분 안에 결과를 요구하는 경우가 빈번하며, 최근 들어 병원 및 환자의 입장에서 5분 이내에 빠른 진단을 하고자 하는 니즈가 크게 증대되고 있다.
본 발명이 이루고자 하는 목적은, 딥러닝을 기반으로 측면 유동 분석(lateral flow assay, LFA) 등과 같은 면역 반응 분석 기반 키트, 항원-항체 기반 진단 키트 등의 분석 결과를 예측하는, 딥러닝 기반 분석 결과 예측 방법 및 장치를 제공하는 데 있다.
본 발명의 명시되지 않은 또 다른 목적들은 하기의 상세한 설명 및 그 효과로부터 용이하게 추론할 수 있는 범위 내에서 추가적으로 고려될 수 있다.
상기의 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 딥러닝 기반 분석 결과 예측 방법은, 검체로부터 획득된 샘플 및 광학 기반 키트의 상호 반응에 대한 미리 설정된 초기 기간의 반응 이미지를 획득하는 단계; 및 미리 학습되어 구축된 분석 결과 예측 모델을 이용하여, 상기 미리 설정된 초기 기간에 대한 상기 반응 이미지를 기반으로 미리 설정된 결과 시간에 대한 농도를 예측하는 단계;를 포함한다.
여기서, 상기 반응 이미지 획득 단계는, 상기 미리 설정된 초기 기간 동안 미리 설정된 시간 단위로 복수개의 상기 반응 이미지를 획득하는 것으로 이루어질 수 있다.
여기서, 상기 분석 결과 예측 모델은, 합성곱 신경망(convolution neural network, CNN), 장단기 메모리(long short-term memory, LSTM) 및 적대적 생성 신경망(generative adversarial network, GAN)을 포함하며, 입력되는 반응 이미지를 기반으로 미리 설정된 결과 시간에 대응되는 예측 이미지를 생성하고, 생성한 상기 예측 이미지를 출력하는 이미지 생성기; 및 상기 합성곱 신경망(CNN)을 포함하며, 상기 이미지 생성기를 통해 생성된 상기 예측 이미지를 기반으로 미리 설정된 결과 시간에 대한 예측 농도를 출력하는 회귀 모델;을 포함하며, 상기 회귀 모델은, 학습 데이터의 반응 이미지를 기반으로 획득한 미리 설정된 결과 시간에 대한 예측 농도와 상기 학습 데이터의 미리 설정된 결과 시간에 대한 실제 농도의 차이가 최소화되도록 상기 학습 데이터를 이용하여 학습될 수 있다.
여기서, 상기 이미지 생성기는, 입력되는 반응 이미지에서 상기 합성곱 신경망(CNN)을 이용하여 특징 벡터를 획득하고, 획득한 상기 특징 벡터를 기반으로 상기 장단기 메모리(LSTM)를 이용하여 잠재 벡터(latent vector)를 획득하며, 획득한 상기 잠재 벡터를 출력하는 인코더(encoder); 및 상기 인코더를 통해 획득된 상기 잠재 벡터를 기반으로 상기 적대적 생성 신경망(GAN)을 이용하여 상기 예측 이미지를 생성하고, 생성한 상기 예측 이미지를 출력하는 디코더(decoder);를 포함할 수 있다.
여기서, 상기 디코더는, 상기 잠재 벡터를 기반으로 상기 예측 이미지를 생성하고, 생성한 상기 예측 이미지를 출력하는 생성기(generator); 및 상기 생성기를 통해 생성된 상기 예측 이미지와 상기 학습 데이터의 미리 설정된 결과 시간에 대응되는 실제 이미지를 비교하고, 비교 결과를 출력하는 판별기(discriminator);를 포함하며, 상기 잠재 벡터를 기반으로 획득한 상기 예측 이미지가 상기 실제 이미지인 것으로 판별되도록 상기 학습 데이터를 이용하여 학습될 수 있다.
여기서, 상기 반응 이미지 획득 단계는, 상기 광학 기반 키트가 테스트-라인(test-line) 및 컨트롤-라인(control-line)을 포함하는 경우, 상기 테스트-라인에 대응되는 영역의 상기 반응 이미지를 획득하는 것으로 이루어질 수 있다.
여기서, 상기 반응 이미지 획득 단계는, 상기 광학 기반 키트가 복수개의 상기 테스트-라인을 포함하는 경우, 복수개의 상기 테스트-라인 중 미리 설정된 하나 이상의 상기 테스트-라인에 대응되는 영역의 상기 반응 이미지를 획득하는 것으로 이루어질 수 있다.
여기서, 상기 반응 이미지 획득 단계는, 복수개의 상기 테스트-라인 중 미리 설정된 하나 이상의 상기 테스트-라인에 대응되는 영역을 전부 포함하는 상기 반응 이미지를 획득하거나, 복수개의 상기 테스트-라인 중 미리 설정된 하나 이상의 상기 테스트-라인에 대응되는 영역을 상기 테스트-라인별로 구분되도록 상기 테스트-라인별 상기 반응 이미지를 획득하는 것으로 이루어질 수 있다.
상기의 기술적 과제를 달성하기 위한 본 발명의 바람직한 실시예에 따른 컴퓨터 프로그램은 컴퓨터 판독 가능한 저장 매체에 저장되어 상기한 딥러닝 기반 분석 결과 예측 방법 중 어느 하나를 컴퓨터에서 실행시킨다.
상기의 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 딥러닝 기반 분석 결과 예측 장치는, 딥러닝을 기반으로 분석 결과를 예측하는 딥러닝 기반 분석 결과 예측 장치로서, 분석 결과를 예측하기 위한 하나 이상의 프로그램을 저장하는 메모리; 및 상기 메모리에 저장된 상기 하나 이상의 프로그램에 따라 분석 결과를 예측하기 위한 동작을 수행하는 하나 이상의 프로세서;를 포함하고, 상기 프로세서는, 미리 학습되어 구축된 분석 결과 예측 모델을 이용하여, 검체로부터 획득된 샘플 및 광학 기반 키트의 상호 반응에 대한 미리 설정된 초기 기간의 반응 이미지를 기반으로 미리 설정된 결과 시간에 대한 농도를 예측한다.
여기서, 상기 프로세서는, 상기 미리 설정된 초기 기간 동안 미리 설정된 시간 단위로 복수개의 상기 반응 이미지를 획득할 수 있다.
여기서, 상기 분석 결과 예측 모델은, 합성곱 신경망(convolution neural network, CNN), 장단기 메모리(long short-term memory, LSTM) 및 적대적 생성 신경망(generative adversarial network, GAN)을 포함하며, 입력되는 반응 이미지를 기반으로 미리 설정된 결과 시간에 대응되는 예측 이미지를 생성하고, 생성한 상기 예측 이미지를 출력하는 이미지 생성기; 및 상기 합성곱 신경망(CNN)을 포함하며, 상기 이미지 생성기를 통해 생성된 상기 예측 이미지를 기반으로 미리 설정된 결과 시간에 대한 예측 농도를 출력하는 회귀 모델;을 포함하며, 상기 회귀 모델은, 학습 데이터의 반응 이미지를 기반으로 획득한 미리 설정된 결과 시간에 대한 예측 농도와 상기 학습 데이터의 미리 설정된 결과 시간에 대한 실제 농도의 차이가 최소화되도록 상기 학습 데이터를 이용하여 학습될 수 있다.
여기서, 상기 이미지 생성기는, 입력되는 반응 이미지에서 상기 합성곱 신경망(CNN)을 이용하여 특징 벡터를 획득하고, 획득한 상기 특징 벡터를 기반으로 상기 장단기 메모리(LSTM)를 이용하여 잠재 벡터(latent vector)를 획득하며, 획득한 상기 잠재 벡터를 출력하는 인코더(encoder); 및 상기 인코더를 통해 획득된 상기 잠재 벡터를 기반으로 상기 적대적 생성 신경망(GAN)을 이용하여 상기 예측 이미지를 생성하고, 생성한 상기 예측 이미지를 출력하는 디코더(decoder);를 포함할 수 있다.
본 발명의 바람직한 실시예에 따른 딥러닝 기반 분석 결과 예측 방법 및 장치에 의하면, 딥러닝을 기반으로 측면 유동 분석(lateral flow assay, LFA) 등과 같은 면역 반응 분석 기반 키트, 항원-항체 기반 진단 키트 등의 분석 결과를 예측함으로써, 결과를 확인할 수 있는 시간을 단축할 수 있다.
본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 바람직한 실시예에 따른 딥러닝 기반 분석 결과 예측 장치를 설명하기 위한 블록도이다.
도 2는 본 발명의 바람직한 실시예에 따른 분석 결과를 예측하는 과정을 설명하기 위한 도면이다.
도 3은 본 발명의 바람직한 실시예에 따른 반응 이미지를 기반으로 시간에 따른 색 강도의 변화를 예측하는 과정을 설명하기 위한 도면이다.
도 4는 본 발명의 바람직한 실시예에 따른 초기 기간에 대한 반응 이미지를 기반으로 결과 시간에 대한 농도를 예측하는 과정을 설명하기 위한 도면이다.
도 5는 본 발명의 바람직한 실시예에 따른 딥러닝 기반 분석 결과 예측 방법을 설명하기 흐름도이다.
도 6은 본 발명의 바람직한 실시예에 따른 분석 결과 예측 모델의 구조를 설명하기 위한 도면이다.
도 7은 도 6에 도시한 분석 결과 예측 모델의 일례를 설명하기 위한 도면이다.
도 8은 본 발명의 바람직한 실시예에 따른 분석 결과 예측 모델의 학습 과정에 이용되는 학습 데이터를 설명하기 위한 도면이다.
도 9는 도 8에 도시한 학습 데이터의 구성을 설명하기 위한 도면이다.
도 10은 도 9에 도시한 반응 이미지의 일례를 설명하기 위한 도면이다.
도 11은 본 발명의 바람직한 실시예에 따른 반응 이미지의 전처리 과정의 일례를 설명하기 위한 도면이다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세히 설명한다. 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 게시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 게시가 완전하도록 하고, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
본 명세서에서 "제1", "제2" 등의 용어는 하나의 구성 요소를 다른 구성 요소로부터 구별하기 위한 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 예컨대, 제1 구성 요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소도 제1 구성 요소로 명명될 수 있다.
본 명세서에서 각 단계들에 있어 식별부호(예컨대, a, b, c 등)는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 단계들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.
본 명세서에서, "가진다", "가질 수 있다", "포함한다" 또는 "포함할 수 있다" 등의 표현은 해당 특징(예컨대, 수치, 기능, 동작, 또는 부품 등의 구성 요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.
이하에서 첨부한 도면을 참조하여 본 발명에 따른 딥러닝 기반 분석 결과 예측 방법 및 장치의 바람직한 실시예에 대해 상세하게 설명한다.
먼저, 도 1 내지 도 4를 참조하여 본 발명의 바람직한 실시예에 따른 딥러닝 기반 분석 결과 예측 장치에 대하여 설명한다.
도 1은 본 발명의 바람직한 실시예에 따른 딥러닝 기반 분석 결과 예측 장치를 설명하기 위한 블록도이고, 도 2는 본 발명의 바람직한 실시예에 따른 분석 결과를 예측하는 과정을 설명하기 위한 도면이며, 도 3은 본 발명의 바람직한 실시예에 따른 반응 이미지를 기반으로 시간에 따른 색 강도의 변화를 예측하는 과정을 설명하기 위한 도면이고, 도 4는 본 발명의 바람직한 실시예에 따른 초기 기간에 대한 반응 이미지를 기반으로 결과 시간에 대한 농도를 예측하는 과정을 설명하기 위한 도면이다.
도 1을 참조하면, 본 발명의 바람직한 실시예에 따른 딥러닝 기반 분석 결과 예측 장치(이하 '분석 결과 예측 장치'라 한다)(100)는 딥러닝을 기반으로 측면 유동 분석(lateral flow assay, LFA) 등과 같은 면역 반응 분석 기반 키트, 항원-항체 기반 진단 키트 등의 분석 결과를 예측한다.
한편, 본 발명에 따른 딥러닝을 기반으로 분석 결과를 예측하는 동작은 색 강도(color intensity)를 기반으로 결과를 도출하는 측면 유동 분석뿐만 아니라, 형광 강도(fluorescence intensity)를 기반으로 결과를 도출하는 다른 분석에도 적용될 수 있다. 다만, 본 발명의 설명의 편의를 위해 본 발명이 측면 유동 분석 결과를 예측하는 것으로 가정하고 이하 설명한다.
이를 위해, 분석 결과 예측 장치(100)는 하나 이상의 프로세서(110), 컴퓨터 판독 가능한 저장 매체(130) 및 통신 버스(150)를 포함할 수 있다.
프로세서(110)는 분석 결과 예측 장치(100)가 동작하도록 제어할 수 있다. 예컨대, 프로세서(110)는 컴퓨터 판독 가능한 저장 매체(130)에 저장된 하나 이상의 프로그램(131)을 실행할 수 있다. 하나 이상의 프로그램(131)은 하나 이상의 컴퓨터 실행 가능 명령어를 포함할 수 있으며, 컴퓨터 실행 가능 명령어는 프로세서(110)에 의해 실행되는 경우 분석 결과 예측 장치(100)로 하여금 분석(예컨대, 측면 유동 분석 등)의 결과를 예측하기 위한 동작을 수행하도록 구성될 수 있다.
컴퓨터 판독 가능한 저장 매체(130)는 분석(예컨대, 측면 유동 분석 등)의 결과를 예측하기 위한 컴퓨터 실행 가능 명령어 내지 프로그램 코드, 프로그램 데이터 및/또는 다른 적합한 형태의 정보를 저장하도록 구성된다. 컴퓨터 판독 가능한 저장 매체(130)에 저장된 프로그램(131)은 프로세서(110)에 의해 실행 가능한 명령어의 집합을 포함한다. 일 실시예에서, 컴퓨터 판독 가능한 저장 매체(130)는 메모리(랜덤 액세스 메모리와 같은 휘발성 메모리, 비휘발성 메모리, 또는 이들의 적절한 조합), 하나 이상의 자기 디스크 저장 디바이스들, 광학 디스크 저장 디바이스들, 플래시 메모리 디바이스들, 그 밖에 분석 결과 예측 장치(100)에 의해 액세스되고 원하는 정보를 저장할 수 있는 다른 형태의 저장 매체, 또는 이들의 적합한 조합일 수 있다.
통신 버스(150)는 프로세서(110), 컴퓨터 판독 가능한 저장 매체(130)를 포함하여 분석 결과 예측 장치(100)의 다른 다양한 컴포넌트들을 상호 연결한다.
분석 결과 예측 장치(100)는 또한 하나 이상의 입출력 장치를 위한 인터페이스를 제공하는 하나 이상의 입출력 인터페이스(170) 및 하나 이상의 통신 인터페이스(190)를 포함할 수 있다. 입출력 인터페이스(170) 및 통신 인터페이스(190)는 통신 버스(150)에 연결된다. 입출력 장치(도시하지 않음)는 입출력 인터페이스(170)를 통해 분석 결과 예측 장치(100)의 다른 컴포넌트들에 연결될 수 있다.
도 2를 참조하면, 분석 결과 예측 장치(100)의 프로세서(110)는 미리 학습되어 구축된 분석 결과 예측 모델을 이용하여, 검체로부터 획득된 샘플 및 광학 기반 키트(예컨대, 측면 유동 분석 키트 등과 같은 면역 반응 분석 기반 키트, LSPR, SPR, 형광 기반(fluorescence based) 에세이 등과 같은 항원-항체 기반 진단 키트 등)의 상호 반응에 대한 미리 설정된 초기 기간의 반응 이미지를 기반으로 미리 설정된 결과 시간에 대한 농도를 예측한다.
여기서, 미리 설정된 초기 기간 및 미리 설정된 결과 시간은 광학 기반 키트의 종류나 유형 등에 따라 달라질 수 있으며, 특히 미리 설정된 결과 시간은 샘플에 대한 최종 결과를 확인할 수 있은 시간을 말한다. 예컨대, 미리 설정된 결과 시간은 "15분"으로 설정될 수 있으며, 미리 설정된 초기 기간은 "0분 ~ 5분"으로 설정될 수 있다.
이때, 프로세서(110)는 미리 설정된 초기 기간 동안 미리 설정된 시간 단위로 복수개의 반응 이미지를 획득할 수 있다. 예컨대, 미리 설정된 초기 기간이 "0분 ~ 5분"이고, 미리 설정된 시간 단위가 "10초"인 경우, 프로세서(110)는 "6 x 5 = 30개"의 반응 이미지를 획득할 수 있다.
그리고, 분석 결과 예측 모델은 합성곱 신경망(convolution neural network, CNN), 장단기 메모리(long short-term memory, LSTM) 및 적대적 생성 신경망(generative adversarial network, GAN)을 포함하며, 자세한 내용은 아래에서 설명한다.
즉, 도 3에 도시된 바와 같이, 1개의 테스트-라인(test-line)과 1개의 컨트롤-라인(control-line)을 포함하는 광학 기반 키트 및 샘플의 특정 시점의 상호 반응에 대한 반응 이미지를 통해 시간에 따른 색 강도(color intensity)의 변화를 예측할 수 있다. 이에 따라, 도 4에 도시된 바와 같이, 미리 설정된 초기 기간에 대한 반응 이미지를 통해 미리 설정된 결과 시간(예컨대, 15분)에 대한 농도를 예측할 수 있다.
그러면, 도 5를 참조하여 본 발명의 바람직한 실시예에 따른 딥러닝 기반 분석 결과 예측 방법에 대하여 설명한다.
도 5는 본 발명의 바람직한 실시예에 따른 딥러닝 기반 분석 결과 예측 방법을 설명하기 흐름도이다.
도 5를 참조하면, 분석 결과 예측 장치(100)의 프로세서(110)는 검체로부터 획득된 샘플 및 광학 기반 키트의 상호 반응에 대한 미리 설정된 초기 기간의 반응 이미지를 획득한다(S110).
이때, 프로세서(110)는 미리 설정된 초기 기간 동안 미리 설정된 시간 단위로 복수개의 반응 이미지를 획득할 수 있다.
그리고, 프로세서(110)는 반응 이미지를 분석 결과 예측 모델에 입력하기 전에 반응 이미지의 전처리 과정을 수행할 수 있다.
즉, 광학 기반 키트가 테스트-라인 및 컨트롤-라인을 포함하는 경우, 프로세서(110)는 테스트-라인에 대응되는 영역의 반응 이미지를 획득할 수 있다. 여기서, 영역의 크기는 "200 x 412 size" 등과 같이 미리 설정될 수 있다.
한편, 광학 기반 키트가 복수개의 테스트-라인을 포함하는 경우, 프로세서(110)는 복수개의 테스트-라인 중 미리 설정된 하나 이상의 테스트-라인에 대응되는 영역의 반응 이미지를 획득할 수 있다.
이때, 프로세서(100)는 복수개의 테스트-라인 중 미리 설정된 하나 이상의 테스트-라인에 대응되는 영역을 전부 포함하는 반응 이미지를 획득하거나, 복수개의 테스트-라인 중 미리 설정된 하나 이상의 테스트-라인에 대응되는 영역을 테스트-라인별로 구분되도록 테스트-라인별 반응 이미지를 획득할 수 있다.
이후, 프로세서(110)는 미리 학습되어 구축된 분석 결과 예측 모델을 이용하여, 미리 설정된 초기 기간에 대한 반응 이미지를 기반으로 미리 설정된 결과 시간에 대한 농도를 예측한다(S130).
그러면, 도 6 및 도 7을 참조하여 본 발명의 바람직한 실시예에 따른 분석 결과 예측 모델의 구조에 대하여 설명한다.
도 6은 본 발명의 바람직한 실시예에 따른 분석 결과 예측 모델의 구조를 설명하기 위한 도면이고, 도 7은 도 6에 도시한 분석 결과 예측 모델의 일례를 설명하기 위한 도면이다.
도 6을 참조하면, 본 발명에 따른 분석 결과 예측 모델은 이미지 생성기(image generator) 및 회귀 모델(regression model)을 포함할 수 있다.
이미지 생성기는 합성곱 신경망(CNN), 장단기 메모리(LSTM) 및 적대적 생성 신경망(GAN)을 포함하며, 입력되는 복수개의 반응 이미지를 기반으로 미리 설정된 결과 시간에 대응되는 예측 이미지를 생성하고, 생성한 예측 이미지를 출력할 수 있다.
이를 위해, 이미지 생성기는 인코더(encoder) 및 디코더(decoder)를 포함할 수 있다.
인코더는 입력되는 복수개의 반응 이미지 각각에서 합성곱 신경망(CNN)을 이용하여 특징 벡터를 획득하고, 획득한 복수개의 특징 벡터를 기반으로 장단기 메모리(LSTM)를 이용하여 잠재 벡터(latent vector)를 획득하며, 획득한 잠재 벡터를 출력할 수 있다. 즉, 인코더는 복수개의 특징 벡터로부터 농도, 색 강도(color intensity)의 변화량 및 시간과의 관계를 연산하여 잠재 벡터를 생성할 수 있다.
디코더는 인코더를 통해 획득된 잠재 벡터를 기반으로 적대적 생성 신경망(GAN)을 이용하여 예측 이미지를 생성하고, 생성한 예측 이미지를 출력할 수 있다.
즉, 디코더는 잠재 벡터를 기반으로 예측 이미지를 생성하고, 생성한 예측 이미지를 출력하는 생성기(generator) 및 생성기를 통해 생성된 예측 이미지와 학습 데이터의 미리 설정된 결과 시간에 대응되는 실제 이미지를 비교하고, 비교 결과를 출력하는 판별기(discriminator)를 포함할 수 있다.
이때, 디코더는 잠재 벡터를 기반으로 획득한 예측 이미지가 실제 이미지인 것으로 판별되도록 학습 데이터를 이용하여 학습될 수 있다.
회귀 모델은 합성곱 신경망(CNN)을 포함하며, 이미지 생성기를 통해 생성된 예측 이미지를 기반으로 미리 설정된 결과 시간에 대한 예측 농도를 출력할 수 있다. 즉, 회귀 모델은 예측 이미지의 특징 벡터를 획득하고, 획득한 특징 벡터를 2개의 선형 레이어(linear layer)를 거쳐 예측 농도를 획득할 수 있다.
이때, 회귀 모델은 학습 데이터의 반응 이미지를 기반으로 획득한 미리 설정된 결과 시간에 대한 예측 농도와 학습 데이터의 미리 설정된 결과 시간에 대한 실제 농도의 차이가 최소화되도록 학습 데이터를 이용하여 학습될 수 있다.
한편, 판별기는 분석 결과 예측 모델의 학습 과정에 필요한 모듈로서, 판별기는 학습이 완료된 이후에 분석 결과 예측 모델에서 제거될 수 있다.
또한, 이미지 생성기가 합성곱 신경망(CNN)과 장단기 메모리(LSTM)로 이루어지는 인코더(encoder) 및 적대적 생성 신경망(GAN)으로 이루어지는 디코더(decoder)를 포함하는 것으로 설명하였으나, 본 발명은 이에 한정되지 않고, 실시예에 따라, 이미지 생성기는 디코더를 포함하지 않고, 이미지 생성기의 인코더를 통해 획득한 잠재 벡터를 회귀 모델에 제공하고, 회귀 모델은 잠재 벡터를 이용하여 학습을 수행할 수도 있다.
예컨대, 도 7에 도시된 바와 같이, 초기 기간(10초 ~ 200초) 동안 10초 단위로 획득된 복수개의 반응 이미지(도 7의 이미지 1 ~ 이미지 k)가 분석 결과 예측 모델에 입력되면, 분석 결과 예측 모델은 복수개의 반응 이미지(도 7의 이미지 1 ~ 이미지 k) 각각에서 합성곱 신경망(CNN)인 "ResNet-18"을 이용하여 특징 벡터(도 7의 Feature Vector_1 ~ Feature Vector_k)를 획득할 수 있다. 그런 다음, 분석 결과 예측 모델은 획득한 복수개의 특징 벡터(도 7의 Feature Vector_1 ~ Feature Vector_k) 각각을 대응되는 장단기 메모리(LSTM)에 입력할 수 있다.
이후, 분석 결과 예측 모델은 장단기 메모리(LSTM)로부터 출력되는 잠재 벡터를 적대적 생성 신경망(GAN)인 "SRGAN"의 생성기에 입력할 수 있다. 그러면, 분석 결과 예측 모델은 잠재 벡터를 기반으로 결과 시간(15분)에 대응되는 예측 이미지를 생성할 수 있다. 그런 다음, 분석 결과 예측 모델은 생성한 예측 이미지를 합성곱 신경망(CNN)인 "ResNet"과 "SRGAN"의 판별기에 입력할 수 있다. 여기서, 판별기는 예측 이미지와 결과 시간(15분)에 대응되는 실제 이미지를 비교하고, 비교 결과를 생성기에 제공할 수 있다.
그러면, 분석 결과 예측 모델은 예측 이미지를 기반으로 결과 시간(15분)에 대한 예측 농도를 출력할 수 있다.
여기서, 분석 결과 예측 모델은 2개의 손실(loss)을 최소화도록 학습 데이터를 이용하여 학습될 수 있다. 첫 번째 손실(도 7의 Loss #1)은 잠재 벡터를 기반으로 획득한 예측 이미지가 실제 이미지인 것으로 판별되도록 하는 것이다. 두 번째 손실(도 7의 Loss #2)은 결과 시간(15분)에 대한 예측 농도와 결과 시간(15분)에 대한 실제 농도의 차이가 최소화되도록 하는 것이다.
그러면, 도 8 내지 도 11을 참조하여 본 발명의 바람직한 실시예에 따른 분석 결과 예측 모델의 학습 과정에 이용되는 학습 데이터에 대하여 설명한다.
도 8은 본 발명의 바람직한 실시예에 따른 분석 결과 예측 모델의 학습 과정에 이용되는 학습 데이터를 설명하기 위한 도면이고, 도 9는 도 8에 도시한 학습 데이터의 구성을 설명하기 위한 도면이며, 도 10은 도 9에 도시한 반응 이미지의 일례를 설명하기 위한 도면이고, 도 11은 본 발명의 바람직한 실시예에 따른 반응 이미지의 전처리 과정의 일례를 설명하기 위한 도면이다.
본 발명에 따른 분석 결과 예측 모델의 학습 과정에 이용되는 학습 데이터는 도 8에 도시된 바와 같이, 다수개로 이루어질 수 있다.
즉, 각각의 학습 데이터는 도 9에 도시된 바와 같이, 시간에 따른 모든 반응 이미지(도 9의 반응 이미지 1 ~ 반응 이미지 n)와 시간에 따른 모든 실제 농도(도 9의 실제 농도 1 ~ 실제 농도 n)를 포함할 수 있다. 여기서, 도 9에 도시된 "반응 이미지 1 ~ 반응 이미지 k"는 초기 기간의 반응 이미지를 나타낸다. 예컨대, 반응 이미지는 도 10에 도시된 바와 같이, 반응 시작 시간(0분)에서 결과 시간(15분)까지 10초 단위로 획득될 수 있다.
이때, 시간에 따른 모든 반응 이미지(도 9의 반응 이미지 1 ~ 반응 이미지 n)와 시간에 따른 모든 실제 농도(도 9의 실제 농도 1 ~ 실제 농도 n) 중에서 일부는 훈련 데이터로 이용하여, 나머지는 테스트 데이터와 검증 데이터로 이용할 수 있다. 예컨대, 홀수 번째 반응 이미지와 실제 농도는 훈련 데이터로 하여 분석 결과 예측 모델을 학습하는데 이용할 수 있다. 그리고, 짝수 번째 반응 이미지와 실제 농도는 테스트 데이터와 검증 데이터로 하여 분석 결과 예측 모델의 테스트와 검증을 하는데 이용할 수 있다.
그리고, 반응 이미지를 분석 결과 예측 모델에 입력하기 전에 반응 이미지의 전처리 과정을 수행할 수 있다. 예컨대, 도 11에 도시된 바와 같이, 전체 이미지에서 테스트-라인에 대응되는 영역의 반응 이미지를 획득할 수 있다.
그러면, 본 발명의 바람직한 실시예에 따른 딥러닝 기반 분석 결과 예측 장치(100)의 구현 일례에 대하여 설명한다.
먼저, 검체로부터 획득된 샘플 및 광학 기반 키트(예컨대, 측면 유동 분석 키트 등)의 상호 반응에 대한 초기 기간(예컨대, "0분 ~ 5분" 등)의 반응 이미지를 촬영 디바이스(도시하지 않음)를 통해 획득한다. 이때, 카메라는 미리 설정된 시간 단위(예컨대, "10초" 등)로 촬영하여 복수개의 반응 이미지를 획득할 수 있다. 물론, 카메라는 초기 기간 동안 동영상을 촬영하고, 촬영한 동영상에서 미리 설정된 시간 단위로 이미지 프레임을 추출하여 복수개의 반응 이미지를 획득할 수도 있다.
그런 다음, 카메라는 무선/유선 통신을 통해 직접 또는 외부의 서버를 거쳐서 본 발명에 따른 분석 결과 예측 장치(100)로 반응 이미지를 제공한다. 물론, 본 발명에 따른 분석 결과 예측 장치(100)가 촬영 모듈을 포함하는 경우에는 반응 이미지를 직접 획득할 수도 있다.
그러면, 본 발명에 따른 분석 결과 예측 장치(100)는 기 저장되어 있는 분석 결과 예측 모델을 이용하여 초기 기간의 반응 이미지를 기반으로 결과 시간(예컨대, "15분" 등)에 대한 농도를 예측하고, 그 결과를 출력할 수 있다. 물론, 본 발명에 따른 분석 결과 예측 장치(100)는 분석 결과 예측 모델이 저장되어 있는 외부의 서버로 무선/유선 통신을 통해 초기 기간의 반응 이미지를 제공하고, 결과 시간에 대한 예측 농도를 외부의 서버로부터 제공받아 그 결과를 출력할 수도 있다.
본 실시예들에 따른 동작은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능한 저장 매체에 기록될 수 있다. 컴퓨터 판독 가능한 저장 매체는 실행을 위해 프로세서에 명령어를 제공하는데 참여한 임의의 매체를 나타낸다. 컴퓨터 판독 가능한 저장 매체는 프로그램 명령, 데이터 파일, 데이터 구조 또는 이들의 조합을 포함할 수 있다. 예컨대, 자기 매체, 광기록 매체, 메모리 등이 있을 수 있다. 컴퓨터 프로그램은 네트워크로 연결된 컴퓨터 시스템 상에 분산되어 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수도 있다. 본 실시예를 구현하기 위한 기능적인(Functional) 프로그램, 코드, 및 코드 세그먼트들은 본 실시예가 속하는 기술 분야의 프로그래머들에 의해 용이하게 추론될 수 있을 것이다.
본 실시예들은 본 실시예의 기술 사상을 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100 : 분석 결과 예측 장치,
110 : 프로세서,
130 : 컴퓨터 판독 가능한 저장 매체,
131 : 프로그램,
150 : 통신 버스,
170 : 입출력 인터페이스,
190 : 통신 인터페이스

Claims (13)

  1. 검체로부터 획득된 샘플 및 광학 기반 키트의 상호 반응에 대한 미리 설정된 초기 기간의 반응 이미지를 획득하는 단계; 및
    미리 학습되어 구축된 분석 결과 예측 모델을 이용하여, 상기 미리 설정된 초기 기간에 대한 상기 반응 이미지를 기반으로 미리 설정된 결과 시간에 대한 농도를 예측하는 단계;
    를 포함하는 딥러닝 기반 분석 결과 예측 방법.
  2. 제1항에서,
    상기 반응 이미지 획득 단계는,
    상기 미리 설정된 초기 기간 동안 미리 설정된 시간 단위로 복수개의 상기 반응 이미지를 획득하는 것으로 이루어지는,
    딥러닝 기반 분석 결과 예측 방법.
  3. 제2항에서,
    상기 분석 결과 예측 모델은,
    합성곱 신경망(convolution neural network, CNN), 장단기 메모리(long short-term memory, LSTM) 및 적대적 생성 신경망(generative adversarial network, GAN)을 포함하며, 입력되는 반응 이미지를 기반으로 미리 설정된 결과 시간에 대응되는 예측 이미지를 생성하고, 생성한 상기 예측 이미지를 출력하는 이미지 생성기; 및
    상기 합성곱 신경망(CNN)을 포함하며, 상기 이미지 생성기를 통해 생성된 상기 예측 이미지를 기반으로 미리 설정된 결과 시간에 대한 예측 농도를 출력하는 회귀 모델;
    을 포함하며,
    상기 회귀 모델은,
    학습 데이터의 반응 이미지를 기반으로 획득한 미리 설정된 결과 시간에 대한 예측 농도와 상기 학습 데이터의 미리 설정된 결과 시간에 대한 실제 농도의 차이가 최소화되도록 상기 학습 데이터를 이용하여 학습되는,
    딥러닝 기반 분석 결과 예측 방법.
  4. 제3항에서,
    상기 이미지 생성기는,
    입력되는 반응 이미지에서 상기 합성곱 신경망(CNN)을 이용하여 특징 벡터를 획득하고, 획득한 상기 특징 벡터를 기반으로 상기 장단기 메모리(LSTM)를 이용하여 잠재 벡터(latent vector)를 획득하며, 획득한 상기 잠재 벡터를 출력하는 인코더(encoder); 및
    상기 인코더를 통해 획득된 상기 잠재 벡터를 기반으로 상기 적대적 생성 신경망(GAN)을 이용하여 상기 예측 이미지를 생성하고, 생성한 상기 예측 이미지를 출력하는 디코더(decoder);
    를 포함하는 딥러닝 기반 분석 결과 예측 방법.
  5. 제4항에서,
    상기 디코더는,
    상기 잠재 벡터를 기반으로 상기 예측 이미지를 생성하고, 생성한 상기 예측 이미지를 출력하는 생성기(generator); 및
    상기 생성기를 통해 생성된 상기 예측 이미지와 상기 학습 데이터의 미리 설정된 결과 시간에 대응되는 실제 이미지를 비교하고, 비교 결과를 출력하는 판별기(discriminator);
    를 포함하며,
    상기 잠재 벡터를 기반으로 획득한 상기 예측 이미지가 상기 실제 이미지인 것으로 판별되도록 상기 학습 데이터를 이용하여 학습되는,
    딥러닝 기반 분석 결과 예측 방법.
  6. 제1항에서,
    상기 반응 이미지 획득 단계는,
    상기 광학 기반 키트가 테스트-라인(test-line) 및 컨트롤-라인(control-line)을 포함하는 경우, 상기 테스트-라인에 대응되는 영역의 상기 반응 이미지를 획득하는 것으로 이루어지는,
    딥러닝 기반 분석 결과 예측 방법.
  7. 제6항에서,
    상기 반응 이미지 획득 단계는,
    상기 광학 기반 키트가 복수개의 상기 테스트-라인을 포함하는 경우, 복수개의 상기 테스트-라인 중 미리 설정된 하나 이상의 상기 테스트-라인에 대응되는 영역의 상기 반응 이미지를 획득하는 것으로 이루어지는,
    딥러닝 기반 분석 결과 예측 방법.
  8. 제7항에서,
    상기 반응 이미지 획득 단계는,
    복수개의 상기 테스트-라인 중 미리 설정된 하나 이상의 상기 테스트-라인에 대응되는 영역을 전부 포함하는 상기 반응 이미지를 획득하거나,
    복수개의 상기 테스트-라인 중 미리 설정된 하나 이상의 상기 테스트-라인에 대응되는 영역을 상기 테스트-라인별로 구분되도록 상기 테스트-라인별 상기 반응 이미지를 획득하는 것으로 이루어지는,
    딥러닝 기반 분석 결과 예측 방법.
  9. 제1항 내지 제8항 중 어느 한 항에 기재된 딥러닝 기반 분석 결과 예측 방법을 컴퓨터에서 실행시키기 위하여 컴퓨터 판독 가능한 저장 매체에 저장된 컴퓨터 프로그램.
  10. 딥러닝을 기반으로 분석 결과를 예측하는 딥러닝 기반 분석 결과 예측 장치로서,
    분석 결과를 예측하기 위한 하나 이상의 프로그램을 저장하는 메모리; 및
    상기 메모리에 저장된 상기 하나 이상의 프로그램에 따라 분석 결과를 예측하기 위한 동작을 수행하는 하나 이상의 프로세서;
    를 포함하고,
    상기 프로세서는,
    미리 학습되어 구축된 분석 결과 예측 모델을 이용하여, 검체로부터 획득된 샘플 및 광학 기반 키트의 상호 반응에 대한 미리 설정된 초기 기간의 반응 이미지를 기반으로 미리 설정된 결과 시간에 대한 농도를 예측하는,
    딥러닝 기반 분석 결과 예측 장치.
  11. 제10항에서,
    상기 프로세서는,
    상기 미리 설정된 초기 기간 동안 미리 설정된 시간 단위로 복수개의 상기 반응 이미지를 획득하는,
    딥러닝 기반 분석 결과 예측 장치.
  12. 제11항에서,
    상기 분석 결과 예측 모델은,
    합성곱 신경망(convolution neural network, CNN), 장단기 메모리(long short-term memory, LSTM) 및 적대적 생성 신경망(generative adversarial network, GAN)을 포함하며, 입력되는 반응 이미지를 기반으로 미리 설정된 결과 시간에 대응되는 예측 이미지를 생성하고, 생성한 상기 예측 이미지를 출력하는 이미지 생성기; 및
    상기 합성곱 신경망(CNN)을 포함하며, 상기 이미지 생성기를 통해 생성된 상기 예측 이미지를 기반으로 미리 설정된 결과 시간에 대한 예측 농도를 출력하는 회귀 모델;
    을 포함하며,
    상기 회귀 모델은,
    학습 데이터의 반응 이미지를 기반으로 획득한 미리 설정된 결과 시간에 대한 예측 농도와 상기 학습 데이터의 미리 설정된 결과 시간에 대한 실제 농도의 차이가 최소화되도록 상기 학습 데이터를 이용하여 학습되는,
    딥러닝 기반 분석 결과 예측 장치.
  13. 제12항에서,
    상기 이미지 생성기는,
    입력되는 반응 이미지에서 상기 합성곱 신경망(CNN)을 이용하여 특징 벡터를 획득하고, 획득한 상기 특징 벡터를 기반으로 상기 장단기 메모리(LSTM)를 이용하여 잠재 벡터(latent vector)를 획득하며, 획득한 상기 잠재 벡터를 출력하는 인코더(encoder); 및
    상기 인코더를 통해 획득된 상기 잠재 벡터를 기반으로 상기 적대적 생성 신경망(GAN)을 이용하여 상기 예측 이미지를 생성하고, 생성한 상기 예측 이미지를 출력하는 디코더(decoder);
    를 포함하는 딥러닝 기반 분석 결과 예측 장치.
KR1020210117172A 2021-09-02 2021-09-02 딥러닝 기반 분석 결과 예측 방법 및 장치 KR20230034053A (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020210117172A KR20230034053A (ko) 2021-09-02 2021-09-02 딥러닝 기반 분석 결과 예측 방법 및 장치
CN202280067096.6A CN118140275A (zh) 2021-09-02 2022-02-10 基于深度学习的分析结果预测方法及装置
PCT/KR2022/002020 WO2023033270A1 (ko) 2021-09-02 2022-02-10 딥러닝 기반 분석 결과 예측 방법 및 장치
US18/595,267 US20240203543A1 (en) 2021-09-02 2024-03-04 Deep learning-based method and device for predicting analysis results

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210117172A KR20230034053A (ko) 2021-09-02 2021-09-02 딥러닝 기반 분석 결과 예측 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20230034053A true KR20230034053A (ko) 2023-03-09

Family

ID=85411419

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210117172A KR20230034053A (ko) 2021-09-02 2021-09-02 딥러닝 기반 분석 결과 예측 방법 및 장치

Country Status (4)

Country Link
US (1) US20240203543A1 (ko)
KR (1) KR20230034053A (ko)
CN (1) CN118140275A (ko)
WO (1) WO2023033270A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116883325B (zh) * 2023-06-21 2024-04-30 杭州医策科技有限公司 一种免疫荧光图像分析方法和装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160274104A1 (en) * 2013-08-13 2016-09-22 Anitest Oy Test method for determinging biomarkers
EP3612963B1 (en) * 2017-04-18 2021-05-12 Yeditepe Universitesi Biochemical analyser based on a machine learning algorithm using test strips and a smartdevice
KR102203336B1 (ko) * 2018-10-01 2021-01-15 한국과학기술원 생성모델을 이용한 실험 최적화 및 실험 가설 생성 시스템 및 방법
FI20186112A1 (en) * 2018-12-19 2020-06-20 Actim Oy SYSTEM AND METHOD FOR ANALYZING THE RESULT OF THE CARE SITE TEST

Also Published As

Publication number Publication date
CN118140275A (zh) 2024-06-04
US20240203543A1 (en) 2024-06-20
WO2023033270A1 (ko) 2023-03-09

Similar Documents

Publication Publication Date Title
US11915134B2 (en) Processing cell images using neural networks
KR20190066076A (ko) 시간차 모델을 위한 비지도 학습 기법
WO2021056914A1 (zh) 一种目标检测模型的自动建模方法及装置
US10311404B1 (en) Software product development defect and issue prediction and diagnosis
US11960386B2 (en) Automated continuous validation for regulatory compliance of a computer system (CS) comprising a dynamic component
KR20230034053A (ko) 딥러닝 기반 분석 결과 예측 방법 및 장치
TWI570554B (zh) 軟體測試裝置、軟體測試方法及其電腦程式產品
CN113570689A (zh) 人像卡通化方法、装置、介质和计算设备
US20210150358A1 (en) System and method for controlling confidential information
JP6815743B2 (ja) 画像処理装置及びその方法、プログラム
Ambardekar et al. Ground truth verification tool (GTVT) for video surveillance systems
KR20200144296A (ko) 딥러닝 모델의 병렬 트레이닝 방법 및 장치
KR20200090061A (ko) 인공신경망 모델의 검증 방법 및 장치
US20220192562A1 (en) Artificial intelligence intention and behavior feedback method, apparatus and system
CN110705714A (zh) 深度学***台以及计算机设备
US20220206773A1 (en) Systems and methods for building and deploying machine learning applications
CN117242389A (zh) 显微镜中模拟模型的评估方法
KR20190143527A (ko) 머신 러닝을 통한 영상 인식을 위한 장치 및 방법
US20190370675A1 (en) Methods, systems and apparatus to improve deep learning resource efficiency
US20210350124A1 (en) Methods and systems for the automated quality assurance of annotated images
Upadhyay et al. Artificial intelligence application to D and D—20492
KR102678174B1 (ko) 컨볼루션 장단기 메모리를 이용한 사용자 행동 인식 및 분류 방법, 이를 수행하는 장치 및 컴퓨터 프로그램
CN110956129A (zh) 用于生成人脸特征向量的方法、装置、设备和介质
Bariko et al. Efficient implementation of Background Subtraction GMM method on Digital Signal Processor
KR20230112767A (ko) 인공지능 기반의 차량 구독 관리 서비스 제공 방법, 장치 및 프로그램

Legal Events

Date Code Title Description
E902 Notification of reason for refusal