기설정된 제1 시간 동안 뇌를 단층 촬영함에 따라 획득된 잡음 성분을 포함하는 PET 손실 이미지를 수집하는 손실 이미지 수집부;상기 제1 시간보다 긴 제2 시간 동안 뇌를 단층 촬영함에 따라 획득되되, 상기 PET 손실 이미지에 대응되어 단층 촬영된 PET 원본 이미지를 수집하는 원본 이미지 수집부;상기 PET 손실 이미지의 상기 잡음 성분을 제거하여 복수 개의 유사 PET 이미지들을 생성하는 제네레이터부;상기 PET 손실 이미지와 상기 PET 원본 이미지 사이의 평균 제곱 오차에 기초하여 픽셀 단위 손실값을 산출하는 픽셀 단위 손실 산출부;상기 제네레이터부에서 생성된 상기 복수 개의 유사 PET 이미지들과 상기 PET 원본 이미지를 비교하여 상기 유사 PET 이미지가 상기 PET 원본 이미지에 대응되는 실제 이미지 분류에 속하는지 또는 상기 PET 원본 이미지에 대응되지 않는 거짓 이미지 분류에 속하는지를 판별하는 디스크리미네이터부; 및상기 디스크리미네이터부에서 상기 실제 이미지 분류에 속하는 것으로 판별된 유사 PET 이미지에 기초한 복원 이미지를 생성하여 출력하는 복원 이미지 출력부;를 포함하고,상기 손실 이미지 수집부는,상기 제1 시간 동안 뇌를 F-18 플로르베타벤 양전자 방출 단층 촬영함에 따라 상기 PET 손실 이미지를 수집하는 것이며,상기 원본 이미지 수집부는,상기 제2 시간 동안 뇌를 상기 F-18 플로르베타벤 양전자 방출 단층 촬영함에 따라 상기 PET 원본 이미지를 수집하는 것이고,상기 제네레이터부는,상기 PET 손실 이미지를 이용하여 상기 PET 손실 이미지의 픽셀값들 중 적어도 하나의 픽셀값을 상기 픽셀 단위 손실값 이하의 오차값을 가산하거나 감산하여 수정함에 따른 복수 개의 유사 PET 이미지들을 생성하는 것인 딥러닝을 이용한 짧은 시간 촬영한 뇌 단층 촬영 이미지 복원 장치.

삭제

삭제

제1항에 있어서,상기 디스크리미네이터부에서 상기 거짓 이미지 분류에 속하는 것으로 판별된 유사 PET 이미지와 상기 PET 원본 이미지 사이의 오차값을 산출하는 오차값 산출부; 및상기 디스크리미네이터부에서 상기 거짓 이미지 분류에 속하는 것으로 판별된 복수 개의 유사 PET 이미지들 각각의 상기 오차값을 비교하여, 상기 오차값이 기설정된 임계값 이하의 유사 PET 이미지를 제거하고 상기 임계값을 초과하는 유사 PET 이미지들에 따른 복수 개의 거짓 PET 이미지 세트들을 기설정된 생성적 적대 신경망 모델에 기초하여 생성하는 거짓 이미지 세트 생성부;를 더 포함하는 것인 딥러닝을 이용한 짧은 시간 촬영한 뇌 단층 촬영 이미지 복원 장치.

제4항에 있어서,상기 제네레이터부는,상기 거짓 이미지 세트 생성부에서 생성된 상기 거짓 PET 이미지 세트를 이용하여 상기 PET 손실 이미지의 픽셀값들 중 적어도 하나의 픽셀값을 평균 제곱 오차에 기초한 픽셀 단위 손실값 이하의 오차값을 가산하거나 감산하여 수정함에 따른 복수 개의 유사 PET 이미지들을 생성하는 것인 딥러닝을 이용한 짧은 시간 촬영한 뇌 단층 촬영 이미지 복원 장치.

제1항에 있어서,상기 디스크리미네이터부는,상기 PET 원본 이미지를 입력받아 기설정된 필터 커널 사이즈를 가지는 제1 콘볼루션 레이어를 이용하여 상기 PET 원본 이미지의 특징맵을 추출하는 콘볼루션 레이어부; 상기 특징맵에 속하는 픽셀값의 평균이 0인 값, 분산이 1인 값이 되도록 하여 상기 특징맵에 속하는 픽셀값들의 분포를 배치 정규화하는 배치 정규화부;상기 배치 정규화된 상기 특징맵을 기설정된 기울기를 가지는 활성화 함수를 이용하여 활성화된 특징맵을 생성하는 활성화부; 및상기 활성화된 특징맵에 상기 제1 콘볼루션 레이어보다 상대적으로 작은 필터 커널 사이즈를 가지는 제2 콘볼루션 레이어를 이용하여 입력받은 상기 PET 원본 이미지의 크기와 일치하도록 조정하여 선형화된 PET 원본 이미지를 생성하는 선형화부;를 포함하는 것인 딥러닝을 이용한 짧은 시간 촬영한 뇌 단층 촬영 이미지 복원 장치.

제6항에 있어서,상기 디스크리미네이터부는,상기 제네레이터부에서 생성한 상기 복수 개의 유사 PET 이미지들과 상기 선형화된 PET 원본 이미지를 비교하여 상기 유사 PET 이미지와 상기 선형화된 PET 원본 이미지 사이의 오차값이 기설정된 임계값 이하인지 여부를 판별하여 상기 유사 PET 이미지가 상기 선형화된 PET 원본 이미지에 대응되는지 여부를 판별하는 것인 딥러닝을 이용한 짧은 시간 촬영한 뇌 단층 촬영 이미지 복원 장치.

제1항에 있어서,상기 제네레이터부는,상기 PET 손실 이미지를 콘볼루션 연산함에 따라 필터링하여 상기 PET 손실 이미지의 특징을 추출하고, 상기 PET 손실 이미지의 픽셀 사이즈를 축소시키는 디컴포지션 함수를 이용하여 상기 PET 손실 이미지의 픽셀 사이즈보다 상대적으로 작은 픽셀 사이즈를 가지는 상기 PET 손실 이미지의 특징맵을 생성하는 인코더부; 및상기 PET 손실 이미지의 특징맵을 입력받아 상기 PET 손실 이미지의 특징맵을 콘볼루션 연산함에 따라 필터링하여 상기 PET 손실 이미지의 특징맵의 특징을 추출하고, 상기 PET 손실 이미지의 특징맵의 픽셀 사이즈를 확대시키는 리컴포지션 함수를 이용하여 상기 PET 손실 이미지의 픽셀 사이즈와 동일한 픽셀 사이즈를 가지는 유사 PET 이미지를 생성하는 디코더부;를 포함하는 것인 딥러닝을 이용한 짧은 시간 촬영한 뇌 단층 촬영 이미지 복원 장치.

제8항에 있어서,상기 인코더부는,상기 PET 손실 이미지를 입력받아 상기 PET 손실 이미지를 콘볼루션 연산함에 따라 필터링하여 상기 PET 손실 이미지의 특징을 추출하고, 상기 디컴포지션 함수를 이용하여 상기 PET 손실 이미지의 픽셀 사이즈보다 상대적으로 작은 픽셀 사이즈를 가지는 제1 특징맵을 생성하는 제1 인코더부;상기 제1 특징맵을 콘볼루션 연산함에 따라 필터링하여 상기 제1 특징맵의 특징을 추출하고, 상기 디컴포지션 함수를 이용하여 상기 제1 특징맵의 픽셀 사이즈보다 상대적으로 작은 픽셀 사이즈를 가지는 제2 특징맵을 생성하는 제2 인코더부; 및상기 제2 특징맵을 콘볼루션 연산함에 따라 필터링하여 상기 제2 특징맵의 특징을 추출하고, 상기 디컴포지션 함수를 이용하여 상기 제2 특징맵의 픽셀 사이즈보다 상대적으로 작은 픽셀 사이즈를 가지는 상기 PET 손실 이미지의 특징맵을 생성하는 제3 인코더부;를 포함하는 것인 딥러닝을 이용한 짧은 시간 촬영한 뇌 단층 촬영 이미지 복원 장치.

제8항에 있어서,상기 디코더부는,상기 PET 손실 이미지의 특징맵을 콘볼루션 연산함에 따라 필터링하여 상기 PET 손실 이미지의 특징맵의 특징을 추출하고, 상기 리컴포지션 함수를 이용하여 상기 PET 손실 이미지의 특징맵의 픽셀 사이즈보다 상대적으로 큰 픽셀 사이즈를 가지는 제1 유사 이미지를 생성하는 제1 디코더부;상기 제1 유사 이미지를 콘볼루션 연산함에 따라 필터링하여 상기 제1 유사 이미지의 특징을 추출하고, 상기 리컴포지션 함수를 이용하여 상기 제1 유사 이미지의 픽셀 사이즈보다 상대적으로 큰 픽셀 사이즈를 가지는 제2 유사 이미지를 생성하는 제2 디코더부; 및상기 제2 유사 이미지를 콘볼루션 연산함에 따라 필터링하여 상기 제2 유사 이미지의 특징을 추출하고, 상기 리컴포지션 함수를 이용하여 상기 인코더부에서 입력받은 상기 PET 손실 이미지의 픽셀 사이즈와 동일한 픽셀 사이즈를 가지는 유사 PET 이미지를 생성하는 제3 디코더부;를 포함하는 것인 딥러닝을 이용한 짧은 시간 촬영한 뇌 단층 촬영 이미지 복원 장치.

제9항에 있어서,상기 제1 인코더부는,상기 PET 손실 이미지를 입력받아 기설정된 필터 커널 사이즈를 가지는 제1 콘볼루션 레이어를 이용하여 상기 PET 손실 이미지의 특징을 추출하는 제1 콘볼루션 레이어부; 상기 PET 손실 이미지에 속하는 픽셀값의 평균이 0인 값, 분산이 1인 값이 되도록 하여 상기 PET 손실 이미지에 속하는 픽셀값들의 분포를 배치 정규화하는 제1 배치 정규화부;상기 배치 정규화된 상기 PET 손실 이미지를 기설정된 기울기를 가지는 활성화 함수를 이용하여 활성화된 PET 손실 이미지 생성하는 제1 활성화부; 및상기 활성화된 PET 손실 이미지에 상기 디컴포지션 함수를 이용하여 상기 PET 손실 이미지의 픽셀 사이즈보다 상대적으로 작은 픽셀 사이즈를 가지는 제1 특징맵을 생성하는 제1 디컴포지션부;를 포함하는 것인 딥러닝을 이용한 짧은 시간 촬영한 뇌 단층 촬영 이미지 복원 장치.

제11항에 있어서,상기 제2 인코더부는,상기 제1 특징맵를 입력받아 기설정된 필터 커널 사이즈를 가지는 제2 콘볼루션 레이어를 이용하여 상기 제1 특징맵의 특징을 추출하는 제2 콘볼루션 레이어부; 상기 제1 특징맵에 속하는 픽셀값의 평균이 0인 값, 분산이 1인 값이 되도록 하여 상기 제1 특징맵에 속하는 픽셀값들의 분포를 배치 정규화하는 제2 배치 정규화부;상기 배치 정규화된 상기 제1 특징맵을 기설정된 기울기를 가지는 활성화 함수를 이용하여 활성화된 제1 특징맵을 생성하는 제2 활성화부; 및상기 활성화된 제1 특징맵에 상기 디컴포지션 함수를 이용하여 상기 제1 특징맵의 픽셀 사이즈보다 상대적으로 작은 픽셀 사이즈를 가지는 제2 특징맵을 생성하는 제2 디컴포지션부;를 포함하는 것인 딥러닝을 이용한 짧은 시간 촬영한 뇌 단층 촬영 이미지 복원 장치.

제12항에 있어서,상기 제3 인코더부는,상기 제2 특징맵를 입력받아 기설정된 필터 커널 사이즈를 가지는 제3 콘볼루션 레이어를 이용하여 상기 제2 특징맵의 특징을 추출하는 제3 콘볼루션 레이어부; 상기 제2 특징맵에 속하는 픽셀값의 평균이 0인 값, 분산이 1인 값이 되도록 하여 상기 제2 특징맵에 속하는 픽셀값들의 분포를 배치 정규화하는 제3 배치 정규화부;상기 배치 정규화된 상기 제2 특징맵을 기설정된 기울기를 가지는 활성화 함수를 이용하여 활성화된 제2 특징맵을 생성하는 제3 활성화부; 및상기 활성화된 제2 특징맵에 상기 디컴포지션 함수를 이용하여 상기 제2 특징맵의 픽셀 사이즈보다 상대적으로 작은 픽셀 사이즈를 가지는 상기 PET 손실 이미지의 특징맵을 생성하는 제3 디컴포지션부;를 포함하는 것인 딥러닝을 이용한 짧은 시간 촬영한 뇌 단층 촬영 이미지 복원 장치.

제10항에 있어서,상기 제1 디코더부는,상기 PET 손실 이미지의 특징맵을 입력받아 기설정된 필터 커널 사이즈를 가지는 제1 콘볼루션 레이어를 이용하여 상기 PET 손실 이미지의 특징맵의 특징을 추출하는 제1 콘볼루션 레이어부; 상기 PET 손실 이미지의 특징맵에 속하는 픽셀값의 평균이 0인 값, 분산이 1인 값이 되도록 하여 상기 PET 손실 이미지의 특징맵에 속하는 픽셀값들의 분포를 배치 정규화하는 제1 배치 정규화부;상기 배치 정규화된 상기 PET 손실 이미지의 특징맵을 기설정된 기울기를 가지는 활성화 함수를 이용하여 활성화된 PET 손실 이미지의 특징맵을 생성하는 제1 활성화부; 및상기 활성화된 PET 손실 이미지의 특징맵에 상기 리컴포지션 함수를 이용하여 상기 PET 손실 이미지의 특징맵의 픽셀 사이즈보다 상대적으로 큰 픽셀 사이즈를 가지는 제1 유사 이미지를 생성하는 제1 리컴포지션부;를 포함하는 것인 딥러닝을 이용한 짧은 시간 촬영한 뇌 단층 촬영 이미지 복원 장치.

제14항에 있어서,상기 제2 디코더부는,상기 제1 유사 이미지를 입력받아 기설정된 필터 커널 사이즈를 가지는 제2 콘볼루션 레이어를 이용하여 상기 제1 유사 이미지의 특징을 추출하는 제2 콘볼루션 레이어부; 상기 제1 유사 이미지에 속하는 픽셀값의 평균이 0인 값, 분산이 1인 값이 되도록 하여 상기 제1 유사 이미지에 속하는 픽셀값들의 분포를 배치 정규화하는 제2 배치 정규화부;상기 배치 정규화된 상기 제1 유사 이미지를 기설정된 기울기를 가지는 활성화 함수를 이용하여 활성화된 제1 유사 이미지를 생성하는 제2 활성화부; 및상기 활성화된 제1 유사 이미지에 상기 리컴포지션 함수를 이용하여 상기 제1 유사 이미지의 픽셀 사이즈보다 상대적으로 큰 픽셀 사이즈를 가지는 제2 유사 이미지를 생성하는 제2 리컴포지션부;를 포함하는 것인 딥러닝을 이용한 짧은 시간 촬영한 뇌 단층 촬영 이미지 복원 장치.

제15항에 있어서,상기 제3 디코더부는,상기 제2 유사 이미지를 입력받아 기설정된 필터 커널 사이즈를 가지는 제3 콘볼루션 레이어를 이용하여 상기 제2 유사 이미지의 특징을 추출하는 제3 콘볼루션 레이어부; 상기 제2 유사 이미지에 속하는 픽셀값의 평균이 0인 값, 분산이 1인 값이 되도록 하여 상기 제2 유사 이미지에 속하는 픽셀값들의 분포를 배치 정규화하는 제3 배치 정규화부;상기 배치 정규화된 상기 제2 유사 이미지를 기설정된 기울기를 가지는 활성화 함수를 이용하여 활성화된 제2 유사 이미지를 생성하는 제3 활성화부; 및상기 활성화된 제2 유사 이미지에 상기 리컴포지션 함수를 이용하여 상기 PET 손실 이미지의 픽셀 사이즈와 동일한 픽셀 사이즈를 가지는 상기 유사 PET 이미지를 생성하는 제3 리컴포지션부;를 포함하는 것인 딥러닝을 이용한 짧은 시간 촬영한 뇌 단층 촬영 이미지 복원 장치.

제11항에 있어서,상기 제1 디컴포지션부는,상기 제1 특징맵의 픽셀값들 중 적어도 두 개의 픽셀값 간의 차이에 기초하여 하나의 픽셀값을 산출하는 제1 고주파 추출부; 및상기 제1 특징맵의 픽셀값들 중 적어도 두 개의 픽셀값 간의 평균에 기초하여 하나의 픽셀값을 산출하는 제1 저주파 추출부;를 포함하는 것인 딥러닝을 이용한 짧은 시간 촬영한 뇌 단층 촬영 이미지 복원 장치.

제12항에 있어서,상기 제2 디컴포지션부는,상기 제2 특징맵의 픽셀값들 중 적어도 두 개의 픽셀값 간의 차이에 기초하여 하나의 픽셀값을 산출하는 제2 고주파 추출부; 및상기 제2 특징맵의 픽셀값들 중 적어도 두 개의 픽셀값 간의 평균에 기초하여 하나의 픽셀값을 산출하는 제2 저주파 추출부;를 포함하는 것인 딥러닝을 이용한 짧은 시간 촬영한 뇌 단층 촬영 이미지 복원 장치.

제13항에 있어서,상기 제3 디컴포지션부는,상기 PET 손실 이미지의 특징맵의 픽셀값들 중 적어도 두 개의 픽셀값 간의 차이에 기초하여 하나의 픽셀값을 산출하는 제3 고주파 추출부; 및상기 PET 손실 이미지의 특징맵의 픽셀값들 중 적어도 두 개의 픽셀값 간의 평균에 기초하여 하나의 픽셀값을 산출하는 제3 저주파 추출부;를 포함하는 것인 딥러닝을 이용한 짧은 시간 촬영한 뇌 단층 촬영 이미지 복원 장치.