제11 항에 있어서,상기 예측 모델은, 각 영상 데이터에 대한 상기 전역 특징을 추출하기 위한 제1 특징 추출기(Feature Extractor) 및 각 영상 데이터에 대한 상기 패치 특징을 추출하기 위한 n개의 제2 특징 추출기를 포함하고,상기 n은, 각 영상 데이터를 패치 단위로 분할한 개수인, 전역 및 지역 특징 정보를 활용한 뇌 연령 예측 방법.

전역 및 지역 특징 정보를 활용하여 뇌 연령을 예측하기 위한 적어도 하나의 프로세스를 저장하고 있는 메모리; 및상기 프로세스에 따른 동작을 수행하는 프로세서를 포함하고,상기 프로세서는,예측 대상자의 뇌에 대한 복수의 영상 데이터를 인공지능 기반의 예측 모델에 입력하고, 상기 예측 모델을 통해 상기 예측 대상자의 뇌 연령 예측 정보를 생성하되,상기 예측 모델은, GPTB(Global-Patch Transformer Block)을 이용하여 상기 복수의 영상 데이터 각각으로부터 전역 특징 및 패치 특징을 추출하고, 상기 추출된 전역 특징 및 상기 추출된 패치 특징 각각을 통합하고, 상기 통합된 전역 특징과 상기 통합된 패치 특징을 결합하고, 상기 결합된 특징과 함께 상기 예측 대상자의 성별 정보를 이용하여 상기 예측 대상자의 뇌 연령을 예측하는,전역 및 지역 특징 정보를 활용한 뇌 연령 예측 장치.

제1 항에 있어서,상기 복수의 영상 데이터 중 어느 하나는 T1w(T1-weighted) MRI 데이터이고, 상기 복수의 영상 데이터 중 다른 두 개는 상기 T1w MRI 데이터로부터 추출된 회백질 및 백질 정보를 기반으로 생성된 회백질 영상 데이터 및 백질 영상 데이터인,전역 및 지역 특징 정보를 활용한 뇌 연령 예측 장치.

제1 항에 있어서,상기 예측 모델은, 상기 복수의 영상 데이터 각각을 전역 경로와 패치 경로로 나누어 병렬로 처리하고, 상기 전역 경로를 통해 각 영상 데이터에 대한 구조적 특성을 반영하고, 상기 패치 경로를 통해 각 영상 데이터 내 패치 단위 영역의 세부적인 패턴을 반영하는,전역 및 지역 특징 정보를 활용한 뇌 연령 예측 장치.

제1 항에 있어서,상기 예측 모델은, 각 영상 데이터에 대한 상기 전역 특징을 추출하기 위한 제1 특징 추출기(Feature Extractor) 및 각 영상 데이터에 대한 상기 패치 특징을 추출하기 위한 n개의 제2 특징 추출기를 포함하고,상기 n은, 각 영상 데이터를 패치 단위로 분할한 개수인, 전역 및 지역 특징 정보를 활용한 뇌 연령 예측 장치.

제4 항에 있어서,상기 제1 특징 추출기 및 상기 제2 특징 추출기는, 복수의 특징 블록(Feature Block)으로 구성되고, 각 특징 블록은, Down Sample Layer, 3D Convolution Layer(555), 3D Convolution Layer(111)을 포함하는,전역 및 지역 특징 정보를 활용한 뇌 연령 예측 장치.

제4 항에 있어서,상기 예측 모델은, 각 영상 데이터에 대해 상기 n개의 패치 별로 어텐션 블록(Attention Block) 및 Feed-Forward Layer로 구성된 트랜스포머(Transformer)를 포함하고,상기 트랜스포머는, 상기 n개의 패치 중 특정 패치의 초기 패치 특징과 상기 전역 특징을 상기 어텐션 블록에 입력하여 상기 초기 패치 특징과 상기 전역 특징 간 연관성을 반영한 특징을 출력하고, 상기 출력된 특징을 상기 Feed-Forward Layer에 입력하여 비선형적으로 변환한 값으로 출력하고, 상기 출력된 값을 상기 초기 패치 특징과 더하여 상기 특정 패치에 대한 최종 패치 특징을 출력하는,전역 및 지역 특징 정보를 활용한 뇌 연령 예측 장치.

제6 항에 있어서,상기 예측 모델은,상기 n개의 패치 별로 출력된 상기 n개의 최종 패치 특징을 모두 통합하여 모든 패치의 세부적 정보와 상호작용을 포함하는 상기 패치 특징으로 생성하는,전역 및 지역 특징 정보를 활용한 뇌 연령 예측 장치.

제7 항에 있어서,상기 예측 모델은,상기 n개의 최종 패치 특징을 모두 통합할 때, 상기 패치 별 중요도에 따라 다르게 부여된 가중치를 적용하여 통합하는,전역 및 지역 특징 정보를 활용한 뇌 연령 예측 장치.

제8 항에 있어서,상기 예측 모델은,상기 n개의 패치 별로 상기 전역 특징과 상기 초기 패치 특징 간의 어텐션을 계산하여 각 패치가 전체 이미지에서 차지하는 중요도를 평가하는,전역 및 지역 특징 정보를 활용한 뇌 연령 예측 장치.

제1 항에 있어서,상기 예측 모델은,평균 제곱 오차(MSE)와 Spearman 서열 상관 계수(SRCC)를 결합한 Combined Loss를 사용하여 학습되고, 검증 시에는 평균 절대 오차(MAE)와 피어슨 상관 계수(PCC)를 사용하여 성능 평가되는,전역 및 지역 특징 정보를 활용한 뇌 연령 예측 장치.

장치에 의해 수행되는 방법에 있어서,예측 대상자의 뇌에 대한 복수의 영상 데이터를 인공지능 기반의 예측 모델에 입력하는 단계; 및상기 예측 모델을 통해 상기 예측 대상자의 뇌 연령 예측 정보를 생성하는 단계를 포함하되,상기 예측 모델은, GPTB(Global-Patch Transformer Block)을 이용하여 상기 복수의 영상 데이터 각각으로부터 전역 특징 및 패치 특징을 추출하고, 상기 추출된 전역 특징 및 상기 추출된 패치 특징 각각을 통합하고, 상기 통합된 전역 특징과 상기 통합된 패치 특징을 결합하고, 상기 결합된 특징과 함께 상기 예측 대상자의 성별 정보를 이용하여 상기 예측 대상자의 뇌 연령을 예측하는,전역 및 지역 특징 정보를 활용한 뇌 연령 예측 방법.

제11 항에 있어서,상기 복수의 영상 데이터 중 어느 하나는 T1w(T1-weighted) MRI 데이터이고, 상기 복수의 영상 데이터 중 다른 두 개는 상기 T1w MRI 데이터로부터 추출된 회백질 및 백질 정보를 기반으로 생성된 회백질 영상 데이터 및 백질 영상 데이터인,전역 및 지역 특징 정보를 활용한 뇌 연령 예측 방법.

제11 항에 있어서,상기 예측 모델은, 상기 복수의 영상 데이터 각각을 전역 경로와 패치 경로로 나누어 병렬로 처리하고, 상기 전역 경로를 통해 각 영상 데이터에 대한 구조적 특성을 반영하고, 상기 패치 경로를 통해 각 영상 데이터 내 패치 단위 영역의 세부적인 패턴을 반영하는,전역 및 지역 특징 정보를 활용한 뇌 연령 예측 방법.

제14 항에 있어서,상기 제1 특징 추출기 및 상기 제2 특징 추출기는, 복수의 특징 블록(Feature Block)으로 구성되고, 각 특징 블록은, Down Sample Layer, 3D Convolution Layer(555), 3D Convolution Layer(111)을 포함하는,전역 및 지역 특징 정보를 활용한 뇌 연령 예측 방법.

제14 항에 있어서,상기 예측 모델은, 각 영상 데이터에 대해 상기 n개의 패치 별로 어텐션 블록(Attention Block) 및 Feed-Forward Layer로 구성된 트랜스포머(Transformer)를 포함하고,상기 트랜스포머는, 상기 n개의 패치 중 특정 패치의 초기 패치 특징과 상기 전역 특징을 상기 어텐션 블록에 입력하여 상기 초기 패치 특징과 상기 전역 특징 간 연관성을 반영한 특징을 출력하고, 상기 출력된 특징을 상기 Feed-Forward Layer에 입력하여 비선형적으로 변환한 값으로 출력하고, 상기 출력된 값을 상기 초기 패치 특징과 더하여 상기 특정 패치에 대한 최종 패치 특징을 출력하는,전역 및 지역 특징 정보를 활용한 뇌 연령 예측 방법.

제16 항에 있어서,상기 예측 모델은,상기 n개의 패치 별로 출력된 상기 n개의 최종 패치 특징을 모두 통합하여 모든 패치의 세부적 정보와 상호작용을 포함하는 상기 패치 특징으로 생성하는,전역 및 지역 특징 정보를 활용한 뇌 연령 예측 방법.

제17 항에 있어서,상기 예측 모델은,상기 n개의 최종 패치 특징을 모두 통합할 때, 상기 패치 별 중요도에 따라 다르게 부여된 가중치를 적용하여 통합하는,전역 및 지역 특징 정보를 활용한 뇌 연령 예측 방법.

제18 항에 있어서,상기 예측 모델은,상기 n개의 패치 별로 상기 전역 특징과 상기 초기 패치 특징 간의 어텐션을 계산하여 각 패치가 전체 이미지에서 차지하는 중요도를 평가하는,전역 및 지역 특징 정보를 활용한 뇌 연령 예측 방법.

제11 항에 있어서,상기 예측 모델은,평균 제곱 오차(MSE)와 Spearman 서열 상관 계수(SRCC)를 결합한 Combined Loss를 사용하여 학습되고, 검증 시에는 평균 절대 오차(MAE)와 피어슨 상관 계수(PCC)를 사용하여 성능 평가되는,전역 및 지역 특징 정보를 활용한 뇌 연령 예측 방법.