RnDcircle

번호	청구항
1	3개의 전결합층과 5개의 컨볼루션층과 1개의 디컨볼루션층 순서를 갖는 레이어 구조 및 하이퍼파라미터를 설정함으로 입력된 사이노그램을 복원영상으로 재구성하는 딥 러닝 모델을 생성하되, 첫 번째와 두 번째 컨볼루션층은 3×3 커널을 세 번째부터 다섯 번째 컨볼루션층은 5×5 커널을 디컨볼루션층은 7×7 커널을 각각 사용하며, 상기 전결합층과 컨볼루션층은 활성화함수(activation function)로서 각각 Hyperbolic tangent(tahn)과 rectified linear unit(ReLU)를 사용하고, 최적화함수(optimizer)로 adaptive moment estimation(ADAM)을 사용하며, 학습률(learning rate)은 10-4로 설정되는 학습모델생성부(110);고화질의 원본 CT 영상으로 구성된 제1데이터세트를 활용하여 사이노그램으로 변환된 제2데이터세트를 생성하는 학습데이터생성부(120);상기 제1데이터세트를 구성하는 원본 CT 영상 및 대응하는 제2데이터세트의 사이노그램을 생성된 딥 러닝 모델에 입력하고, 입력된 원본 CT 영상과 딥 러닝 모델의 출력영상의 차이가 최소화되도록 아래의 [수학식 1]의 손실함수를 통해 딥러닝 모델을 훈련시키는 학습부(130);딥 러닝 모델을 구성하는 각 레이어의 가중치 값을 최적화하는 최적화부(140); 로 이루어지는 것을 특징으로 하는 컴퓨터 단층촬영상 재구성 시스템.[수학식 1](G는 ground-truth 영상, I는 딥러닝 모델의 출력 영상, n은 훈련데이터의 개수)
2	삭제
3	삭제
4	삭제

3개의 전결합층과 5개의 컨볼루션층과 1개의 디컨볼루션층 순서를 갖는 레이어 구조 및 하이퍼파라미터를 설정함으로 입력된 사이노그램을 복원영상으로 재구성하는 딥 러닝 모델을 생성하되, 첫 번째와 두 번째 컨볼루션층은 3×3 커널을 세 번째부터 다섯 번째 컨볼루션층은 5×5 커널을 디컨볼루션층은 7×7 커널을 각각 사용하며, 상기 전결합층과 컨볼루션층은 활성화함수(activation function)로서 각각 Hyperbolic tangent(tahn)과 rectified linear unit(ReLU)를 사용하고, 최적화함수(optimizer)로 adaptive moment estimation(ADAM)을 사용하며, 학습률(learning rate)은 10-4로 설정되는 학습모델생성부(110);고화질의 원본 CT 영상으로 구성된 제1데이터세트를 활용하여 사이노그램으로 변환된 제2데이터세트를 생성하는 학습데이터생성부(120);상기 제1데이터세트를 구성하는 원본 CT 영상 및 대응하는 제2데이터세트의 사이노그램을 생성된 딥 러닝 모델에 입력하고, 입력된 원본 CT 영상과 딥 러닝 모델의 출력영상의 차이가 최소화되도록 아래의 [수학식 1]의 손실함수를 통해 딥러닝 모델을 훈련시키는 학습부(130);딥 러닝 모델을 구성하는 각 레이어의 가중치 값을 최적화하는 최적화부(140); 로 이루어지는 것을 특징으로 하는 컴퓨터 단층촬영상 재구성 시스템.[수학식 1](G는 ground-truth 영상, I는 딥러닝 모델의 출력 영상, n은 훈련데이터의 개수)