광학 융합 단층 촬영(OCT; Optical Coherence Tomography) 영상들을 분류하기 위한 장치에 있어서,OCT 영상들의 데이터 세트들을 획득하는 이미지 획득부;전이 학습(transfer learning)을 사용하여 훈련되고, 상기 데이터 세트들의 특성에 따라 미리 수정된 적어도 하나의 수정된 딥 러닝 모델들을 포함하는 딥 러닝 모델부;훈련된 딥 러닝 모델들로부터 특징들(features)을 추출하여 특징 벡터들을 생성하는 특징 벡터 추출부; ACO (Ant Colony Optimization) 알고리즘을 사용하여 상기 특징 벡터들을 최적화하는 특징 벡터 최적화부;상기 최적화된 특징 벡터들로부터 적어도 하나의 특징들을 선택하는 특징 선택부; 및적어도 하나의 기계 학습 알고리즘에 선택된 상기 적어도 하나의 특징들을 전달하고, 전달된 상기 적어도 하나의 특징들을 상기 적어도 하나의 기계 학습 알고리즘에 적용함으로써 상기 OCT 영상들의 데이터 세트들을 분류하는 이미지 분류부를 포함하는, OCT 영상들을 분류하기 위한 장치.

제 1 항에 있어서, 상기 수정된 딥 러닝 모델들은 수정된 ResNet-50, 수정된 Inception-V3, 및 수정된 DenseNet-201 중 적어도 하나를 포함하고, 상기 수정된 ResNet-50, 상기 수정된 Inception-V3, 및 상기 수정된DenseNet-201은 사전 훈련된 가중치를 가지며, 완전 연결된 (FC, fully connected) 레이어의 관점에서 이전 레이어를 연결하는 새로운 레이어를 추가하여 사전 훈련되는, OCT 영상들을 분류하기 위한 장치.

제 2 항에 있어서,상기 수정된 ResNet-50은 객체 클래스를 지원했던 마지막 FC 레이어를 제거함으로써 수정되고, 상기 수정된 Inception-V3은 컨볼루션, 최대 풀링, 평균 풀링 및 새로운 FC 레이어로 구성되고, 평균 풀링 레이어에서 추출된 특징을 사용하여 모델을 훈련하며, 상기 수정된 DenseNet-201은, 객체 클래스에 대해 훈련을 받은 후 수정되며, FC 레이어는 소정의 클래스로만 구성된 새로운 FC 레이어로 대체되는, OCT 영상들을 분류하기 위한 장치.

제 1 항에 있어서,상기 ACO 알고리즘을 사용하여 상기 특징 벡터들을 최적화하는 것은, 하기 [수식 1]에 따라 초기 개미 수를 계산하고,하기 [수식 2] 에 따라 개미가 픽셀 (e,f)에서 픽셀 (g,h)로 이동할 확률 Pij 을 계산하고.하기 [수식 3]에 따라 전환 규칙을 계산하고.하기 [수식 4]에 따라 개미는 특징의 위치를 업데이트하기 위해 현재 좌표(i,j)에서 새 좌표로 재배치함으로써, 페로몬을 업데이트하여 페로몬 흔적을 계산하고,하기 [수식 5]에 따라 새 페로몬 값이 결정되며, 하기 [수식 1] 내지 [수식 5]를 수십 내지 수백 회 반복함으로써 최적화된 특징 벡터들이 결정되는. OCT 영상들을 분류하기 위한 장치. [수식 1] 여기서 입력 특징 벡터는 V로, 특징 벡터의 너비는 d로, 전체 벡터에 배치된 랜덤 개미의 수는 Kn으로 나타낸다. 하나의 개미는 특징 벡터의 각 특징으로 표현된다.[수식 2] 여기서 모든 특징의 위치는 ef ∈ Ω으로 표시되고, 페로몬의 수는 Pef로, vef는 가시성을 나타내며, vef의 값은 다음 함수로 정의된다.[수식 3] [수식 4]여기서 변수 μ(0 003c# μ 003c# 1)는 페로몬 손실 비율을 나타낸다. [수식 5]여기서 변수 θ(0003c#θ003c#1)는 페로몬 손실 정도를 나타낸다.

제 1 항에 있어서,상기 특징 선택부에서 선택되는 상기 적어도 하나의 특징들은 회수율, 정밀도, 및 정확도에 기초하여 결정되는, OCT 영상들을 분류하기 위한 장치.

제 1 항에 있어서,상기 이미지 분류부는 복수의 분류기를 사용하되, 가장 높은 정확도 값을 산출하는 분류기를 가장 적합한 분류기로서 선택하는, OCT 영상들을 분류하기 위한 장치.

제 1 항에 있어서,상기 적어도 하나의 기계 학습 알고리즘은 KNN(K-Nearest Neighbors) 및 SVM(Support Vector Machines) 중 적어도 하나인, OCT 영상들을 분류하기 위한 장치.

제 1 항에 있어서,상기 OCT 영상들을 분류하기 위한 장치는,상기 분류된 OCT 데이터 세트들로부터 망막 질환을 검출하는 검출부를 더 포함하는, OCT 영상들을 분류하기 위한 장치.

컴퓨팅 시스템에 의해서 수행되는, 광학 융합 단층 촬영(OCT, Optical Coherence Tomography) 영상들을 분류하는 방법에 있어서,OCT 영상들의 데이터 세트들을 획득하는 단계;상기 데이터 세트들의 특성에 따라 적어도 하나의 수정된 딥 러닝 모델들이 전이 학습(transfer learning)을 사용하여 훈련되는 단계;훈련된 딥 러닝 모델들로부터 특징들(features)을 추출하여 특징 벡터들을 생성하는 단계; ACO (Ant Colony Optimization) 알고리즘을 사용하여 상기 특징 벡터들을 최적화하는 단계;상기 최적화된 특징 벡터들로부터 적어도 하나의 특징들을 선택하는 단계;적어도 하나의 기계 학습 알고리즘에 선택된 상기 적어도 하나의 특징들을 전달하는 단계; 및 전달된 상기 적어도 하나의 특징들을 상기 적어도 하나의 기계 학습 알고리즘에 적용함으로써 상기 OCT 영상들의 데이터 세트들을 분류하는 단계를 포함하는, OCT 영상들을 분류하는 방법.

제 9 항에 있어서, 상기 수정된 딥 러닝 모델들은 수정된 ResNet-50, 수정된 Inception-V3, 및 수정된 DenseNet-201 중 적어도 하나를 포함하고, 상기 수정된 ResNet-50, 상기 수정된 Inception-V3, 및 상기 수정된DenseNet-201은 사전 훈련된 가중치를 가지며, 완전 연결된 (FC; fully connected) 레이어의 관점에서 이전 레이어를 연결하는 새로운 레이어를 추가하여 사전 훈련되는, OCT 영상들을 분류하는 방법.

제 10 항에 있어서,상기 수정된 ResNet-50는 객체 클래스를 지원했던 마지막 FC 레이어를 제거함으로써 수정되며, 상기 수정된 Inception-V3은 컨볼루션, 최대 풀링, 평균 풀링 및 새로운 FC 레이어로 구성되고, 평균 풀링 레이어에서 추출된 특징을 사용하여 모델을 훈련하며, 그리고상기 수정된 DenseNet-201은, 객체 클래스에 대해 훈련을 받은 후 수정되며, FC 레이어는 소정의 클래스로만 구성된 새로운 FC 레이어로 대체되는, OCT 영상들을 분류하는 방법.

제 9 항에 있어서,상기 ACO 알고리즘을 사용하여 상기 특징 벡터들을 최적화하는 단계는, 하기 [수식 1]에 따라 초기 개미 수를 계산하는 단계;하기 [수식 2] 에 따라 개미가 픽셀 (e,f)에서 픽셀 (g,h)로 이동할 확률 Pij 을 계산하는 단계;하기 [수식 3]에 따라 전환 규칙을 계산하는 단계;하기 [수식 4]에 따라 개미는 특징의 위치를 업데이트하기 위해 현재 좌표(i,j)에서 새 좌표로 재배치함으로써, 페로몬을 업데이트하여 페로몬 흔적을 계산하는 단계; 및하기 [수식 5]에 따라 새 페로몬 값이 결정되는 단계를 포함하며,하기 [수식 1] 내지 [수식 5]에 따른 계산 단계를 수십 내지 수백 회 반복함으로써 최적화된 특징 벡터들이 결정되는, OCT 영상들을 분류하는 방법. [수식 1] 여기서 입력 특징 벡터는 V로, 특징 벡터의 너비는 d로, 전체 벡터에 배치된 랜덤 개미의 수는 Kn으로 나타낸다. 하나의 개미는 특징 벡터의 각 특징으로 표현된다.[수식 2] 여기서 모든 특징의 위치는 ef ∈ Ω으로 표시되고, 페로몬의 수는 Pef로, vef는 가시성을 나타내며, vef의 값은 다음 함수로 정의된다.[수식 3] [수식 4] 여기서 변수 μ(0 003c# μ 003c# 1)는 페로몬 손실 비율을 나타낸다. [수식 5]여기서 변수 θ(0003c#θ003c#1)는 페로몬 손실 정도를 나타낸다.

제 9 항에 있어서,상기 적어도 하나의 특징들을 선택하는 단계에서 선택되는 상기 적어도 하나의 특징들은 회수율, 정밀도, 및 정확도에 기초하여 결정되는, OCT 영상들을 분류하는 방법.

제 9 항에 있어서,상기 OCT 데이터 세트들을 분류하는 단계는 복수의 분류기를 사용하되, 가장 높은 정확도 값을 산출하는 분류기를 가장 적합한 분류기로서 선택하는, OCT 영상들을 분류하는 방법.

제 9 항에 있어서,상기 적어도 하나의 기계 학습 알고리즘은 KNN(K-Nearest Neighbors) 및 SVM(Support Vector Machines) 중 적어도 하나인, OCT 영상들을 분류하는 방법.

제 9 항에 있어서,상기 OCT 영상들을 분류하는 방법은,상기 분류된 OCT 데이터 세트들로부터 망막 질환을 검출하는 단계를 더 포함하는, OCT 영상들을 분류하는 방법.

컴퓨팅 시스템에 의해 실행될 때, 청구항 제 9 항 내지 제 16 항 중 어느 한 항에 기재된 방법을 실행하는 명령들을 저장한 컴퓨터 판독가능 저장매체.