KR102354980B1 - 전안부 질환 진단 시스템 및 이를 이용한 진단 방법 - Google Patents

전안부 질환 진단 시스템 및 이를 이용한 진단 방법 Download PDF

Info

Publication number
KR102354980B1
KR102354980B1 KR1020180066936A KR20180066936A KR102354980B1 KR 102354980 B1 KR102354980 B1 KR 102354980B1 KR 1020180066936 A KR1020180066936 A KR 1020180066936A KR 20180066936 A KR20180066936 A KR 20180066936A KR 102354980 B1 KR102354980 B1 KR 102354980B1
Authority
KR
South Korea
Prior art keywords
anterior segment
disease
information
image
segment image
Prior art date
Application number
KR1020180066936A
Other languages
English (en)
Other versions
KR20190140301A (ko
KR102354980B9 (ko
Inventor
임동희
Original Assignee
사회복지법인 삼성생명공익재단
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 사회복지법인 삼성생명공익재단 filed Critical 사회복지법인 삼성생명공익재단
Priority to KR1020180066936A priority Critical patent/KR102354980B1/ko
Priority to PCT/KR2019/095022 priority patent/WO2019240567A1/ko
Priority to US17/251,478 priority patent/US11974808B2/en
Publication of KR20190140301A publication Critical patent/KR20190140301A/ko
Application granted granted Critical
Publication of KR102354980B1 publication Critical patent/KR102354980B1/ko
Publication of KR102354980B9 publication Critical patent/KR102354980B9/ko

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
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • A61B3/117—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for examining the anterior chamber or the anterior chamber angle, e.g. gonioscopes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/0016—Operational features thereof
    • A61B3/0025—Operational features thereof characterised by electronic signal processing, e.g. eye models
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • A61B3/14—Arrangements specially adapted for eye photography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • 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
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30041—Eye; Retina; Ophthalmic
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion

Abstract

본 발명의 일 실시 예에 따른 전안부 질환 진단 시스템은 피검사자에 대한 전안부 영상이 획득되는 영상획득부, 획득된 전안부 영상의 특징정보가 머신러닝(machine-learning) 모델에 기초하여 추출되는 특징추출부, 추출된 특징정보에 따라 피검사자의 전안부의 질환 발생 유무 및 질환 클래스가 분류되는 질환분석부가 포함될 수 있다.

Description

전안부 질환 진단 시스템 및 이를 이용한 진단 방법{THE SYSTEM FOR DIAGNOSIS OF ANTERIOR EYE DISEASES AND METHOD FOR DIAGNOSIS BY THE SYSTEM}
본 발명은 전안부 질환 진단 시스템 및 이를 이용한 진단 방법에 관한 것으로, 더욱 상세하게는 피검사자의 전안부 영상을 획득하고, 머신러닝 모델을 이용하여 전안부 영상의 특징정보를 추출하며, 추출된 특징에 기초하여 전안부 질환을 진단하기 위한 전안부 질환 진단 시스템에 관한 것이다.
전안부 질환은 의사가 직접 세극등현미경을 이용하여 전안부 이미지를 관찰함으로써 진단이 이루어지고 있다. 다만, 안과 전문의들이 세극등현미경을 활용하더라도 전안부 이미지의 판독이 어려운 경우가 많아서 전안부 질환을 정확히 진단하기 어려운 문제점이 있었다.
최근에 인공지능 기술을 이용한 알고리즘들이 다양하게 개발되어 왔으며, 특히 머신러닝(machine learning) 알고리즘을 통한 영상데이터를 처리하는 기술들이 개발되고 있다. 이러한 기술들을 통해 영상분석의 정확성이 향상되고 있다.
다만, 전안부 질환 진단을 위하여 전안부 영상이 입력되어 머신러닝 모델을 통해 전안부 질환을 명확히 판단하기 위한 보조시스템의 개발은 이루어지지 않고 있는 바, 영상 판독의 정확성을 높여 환자들에게 올바른 치료방법을 제시하기 위한 전안부 질환의 진단 보조시스템의 개발이 필요한 실정이다.
1. 대한민국 공개특허공보 제10-1992-7000577호 (공개일자 : 1992.08.10)
본 발명은 상기한 바와 같은 문제점을 해결하기 위하여 안출된 것으로서, 본 발명은 머신러닝을 통해서 전안부 영상이 분석됨으로써 진단의 정확성을 높여 전안부 질환 진단의 편의가 이루어지도록 하는 것이다.
본 발명에서 이루고자 하는 기술적 목적들은 이상에서 언급한 사항들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 이하 설명할 본 발명의 실시 예들로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 고려될 수 있다.
본 발명의 일 실시 예로써, 전안부 질환 진단 시스템이 제공될 수 있다.
본 발명의 일 실시 예에 따른 전안부 질환 진단 시스템은 피검사자에 대한 전안부 영상이 획득되는 영상획득부, 획득된 전안부 영상의 특징정보가 머신러닝(machine-learning) 모델에 기초하여 추출되는 특징추출부, 추출된 특징정보에 따라 피검사자의 전안부의 질환 발생 유무 및 질환 클래스가 분류되는 질환분석부가 포함될 수 있다.
본 발명의 일 실시 예에 따른 전안부 질환 진단 시스템은 피검사자 및 피검사자 이외의 타 피검사자 각각에 대하여 미리 획득된 전안부 영상이 저장되어 있는 저장부를 더 포함하고, 피검사자에 대한 전안부 영상은 진단을 위하여 실시간으로 획득되거나, 저장부에 미리 저장되어 있는 전안부 영상이 로드되어 획득될 수 있다.
본 발명의 일 실시 예에 따른 전안부 질환 진단 시스템은 질환분석부에서 분류된 질환 발생 유무 및 질환 클래스에 대한 의료정보가 출력되는 출력부가 더 포함될 수 있다.
본 발명의 일 실시 예에 따른 전안부 질환 진단 시스템의 특징정보에는 병변의 색 정보, 병변의 위치정보, 병변의 깊이정보, 각막 주변부의 혈관정보, 결막의 표면정보, 공막의 표면정보 중 적어도 하나가 포함될 수 있다.
본 발명의 일 실시 예에 따른 전안부 질환 진단 시스템에서 특징추출부의 머신러닝 모델에는 DCGAN(Deep Convolutional Generative Adversarial Nets)이 포함되며, 출력부에서는 전안부 영상 및 머신러닝 모델에 기초하여 추출된 병변에 대한 이미지정보가 함께 출력될 수 있다.
본 발명의 일 실시 예에 따른 전안부 질환 진단 시스템의 의료정보에는 전안부의 현재 상태정보, 전안부의 향후 상태 예측정보, 질환 클래스에 대한 치료정보 중 적어도 하나가 포함될 수 있다.
본 발명의 일 실시 예에 따른 전안부 질환 진단 시스템을 이용한 진단 방법이 제공될 수 있다.
본 발명의 일 실시 예에 따른 전안부 질환 진단 시스템을 이용한 진단 방법은 피검사자에 대한 전안부 영상이 획득되는 단계, 획득된 전안부 영상의 특징정보가 머신러닝 모델에 기초하여 추출되는 단계 및 추출된 특징정보에 따라 피검사자의 전안부의 질환 발생 유무 및 질환 클래스가 분류되는 단계가 포함될 수 있다.
본 발명의 일 실시 예에 따른 전안부 질환 진단 시스템을 이용한 진단 방법에 있어서, 피검사자에 대한 전안부 영상은 진단을 위하여 실시간으로 획득되거나, 전안부 질환 진단 시스템의 저장부에 미리 저장되어 있는 전안부 영상이 로드되어 획득될 수 있다.
본 발명의 일 실시 예에 따른 전안부 질환 진단 시스템을 이용한 진단 방법은 추출된 특징정보에 따라 피검사자의 전안부의 질환 발생 유무 및 질환 클래스가 분류되는 단계 이후에 분류된 질환 클래스에 대한 의료정보가 전안부 질환 진단 시스템의 출력부를 통하여 출력되는 단계가 더 포함될 수 있다.
한편, 본 발명의 일 실시 예로써, 전술한 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록매체가 제공될 수 있다.
이와 같은 본 발명에 의해서, 전안부 질환 진단의 정확성을 높여 올바른 치료방법이 제시될 수 있도록 하기 위한 진단 보조 시스템이 제공되도록 할 수 있다.
또한, 본 발명은 안과 전문의로 하여금 정확한 진단을 내리기 위한 보조시스템으로 사용될 수도 있지만, 환자 등 전문적 지식이 없는 사람들도 본 발명에 의해 진단 보조 정보를 획득하여 적합한 전안부 질환의 관리가 이루어지도록 할 수 있다.
본 발명의 실시 예들에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 이하의 본 발명의 실시 예들에 대한 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다. 즉, 본 발명을 실시함에 따른 의도하지 않은 효과들 역시 본 발명의 실시 예들로부터 당해 기술분야의 통상의 지식을 가진 자에 의해 도출될 수 있다.
도 1은 본 발명의 일 실시 예에 따른 전안부 질환 진단 시스템을 나타낸 블록도이다.
도 2은 본 발명의 일 실시 예에 따른 전안부 질환 진단 시스템의 특징추출부 및 질환분석부를 나타내는 예시도이다.
도 3는 본 발명의 일 실시 예에 따른 전안부 질환 진단 시스템을 이용한 진단 과정을 나타낸 예시도이다.
도 4는 본 발명의 일 실시 예에 따른 전안부 질환 진단 시스템의 출력부를 나타내는 예시도이다.
도 5 및 도 6은 본 발명의 일 실시 예에 따른 전안부 질환 진단 시스템을 이용한 진단 방법을 나타낸 순서도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시 예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명에 대해 구체적으로 설명하기로 한다.
본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 명세서 전체에서 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, "그 중간에 다른 소자를 사이에 두고" 연결되어 있는 경우도 포함한다.
이하 첨부된 도면을 참고하여 본 발명을 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시 예에 따른 전안부 질환 진단 시스템(10)을 나타낸 블록도이다. 도 1을 참조하면, 본 발명의 일 실시 예에 따른 전안부 질환 진단 시스템(10)은 피검사자에 대한 전안부 영상(20)이 획득되는 영상획득부(100), 획득된 전안부 영상(20)의 특징정보가 머신러닝(machine-learning) 모델에 기초하여 추출되는 특징추출부(200), 추출된 특징정보에 따라 피검사자의 전안부의 질환 발생 유무 및 질환 클래스가 분류되는 질환분석부(300)가 포함될 수 있다.
본 발명의 일 실시 예에 따른 머신러닝 모델은 딥 신경망(Deep Neural Network, DNN)이 포함될 수 있다. 딥 신경망은 깊은 구조의 신경망을 의미하는 것으로 다층의 네트워크로 이루어진 구조에서 많은 양의 데이터를 학습시킴으로써 신호의 특징, 신호 간의 관계를 자동으로 학습하고, 이를 통해 전안부 질환을 진단하기 위한 네트워크를 학습시키기 위한 형태일 수 있다. 특히, 전안부 영상(20) 내의 특징을 추출하기 위한 모델로써 컨볼루션 신경망(Convolution Neural Network, CNN)이 사용될 수 있다.
컨볼루션 신경망(CNN)은 도 2와 같이 구성되어 본 발명의 일 실시 예에 따른 전안부 질환 진단 시스템(10)의 특징추출부(200)에서 전안부 영상(20)의 특징이 추출되고, 질환분석부(300)에서는 상기에서 추출된 특징을 기초로 전안부 질환이 분석될 수 있다. 특징추출부(200)는 콘볼루션 레이어(Convolution Layer) 및 풀링 레이어(Pooling Layer)로 구성될 수 있고, 질환분석부(300)는 풀리 커넥티드 레이어(Fully Connected Layer)로 설계될 수 있다.
구체적으로, 특징추출부(200)에서 콘볼루션 레이어에서는 전안부 영상(20)의 각 영역에서 복수의 필터를 적용하여 특징 맵(Feature Map)이 형성될 수 있고, 풀링 레이어에서는 특징 맵의 리사이징(Re-sizing)이 이루어질 수 있다. 또한, 특징추출부(200)는 콘볼루션 레이어 및 풀링 레이어가 수 차례 반복되도록 형성될 수 있다. 또한, 질환분석부(300)의 풀리 커넥티드 레이어에는 다중 신경망(Multi-Layer Perceptron, MLP) 또는 서포트 벡터 머신(Support Vector Machine, SVM)과 같은 분류 모델이 포함되어 추출된 특징의 분류를 통한 예측이 이루어질 수 있다.
본 발명의 일 실시 예에 따른 질환분석부(300)에서 분석되는 전안부 질환은 전안부의 구조 및 질환의 종류에 따라 분류될 수 있다. 전안부의 구조를 살펴보면, 전안부에는 각막(Cornea), 결막(Conjunctiva), 공막(Sclera), 전안부 전방(Anterior Chamber), 수정체(Lens), 홍채(Iris) 및 섬모체(Ciliary body) 등이 포함될 수 있다. 또한, 전안부의 질환에는 세균, 바이러스, 곰팡이, 기타 감염(Infection)과 연관된 염증(inflammation)성 질환, 혹은 자가면역 등을 포함하는 비감염성 염증성 질환, 각막 변성(degeneration) 및 각막이상증(dystrophy), 원추각막(keratoconus) 등을 포함하는 비염증성 질환, 건성안(dry eye disease), 백내장(cataract), 각막미란(Corneal erosion), 각막침착(deposit), 각막부종(edema), 각막혼탁(Corneal Opacity) 등 전안부에 관련된 질환이 모두 포함될 수 있다. 즉, 전안부 질환의 종류는 전안부의 구조에 따른 감염성 혹은 비감염성 염증, 또는 비염증성, 외상, 노화 등으로 인한 전안부 질환으로 분류될 수 있다. 예를 들면, 전안부의 구조 중 결막에 질환이 발생된 경우 질환분석부에서는 예측되는 전안부 질환이 결막 감염, 결막 알러지 등 결막 질환들 중 하나로 분류될 수 있다.
또한, 본 발명의 일 실시 예에 따른 질환분석부(300)에서는 가장 높은 확률로 예상이 되는 전안부의 질환이 예측될 수 있고, 해당 전안부 질환의 진행 정도가 질환 클래스로 분류될 수 있다. 즉, 질환 클래스는 상기 질환분석부(300)에서 예측된 전안부의 질환에 대하여 해당 질환의 진행 정도 또는 중증도를 기준으로 분류되는 등급을 의미할 수 있다. 예를 들면, 질환 클래스는 고도, 중도, 경도로 나타내어지거나 소정의 숫자로 표현될 수 있는 등 질환의 진행 정도 또는 중증도를 나타낼 수 있는 다양한 방법으로 표현될 수 있다.
도 3은 본 발명의 일 실시 예에 따른 전안부 질환 진단 시스템(10)을 이용한 진단 과정을 나타낸 예시도이다.
본 발명의 일 실시 예에 따른 전안부 질환 진단 시스템(10)은 피검사자 및 피검사자 이외의 타 피검사자 각각에 대하여 미리 획득된 전안부 영상(20)이 저장되어 있는 저장부를 더 포함하고, 피검사자에 대한 전안부 영상(20)은 진단을 위하여 실시간으로 획득되거나, 저장부에 미리 저장되어 있는 전안부 영상(20)이 로드되어 획득될 수 있다.
즉, 전안부 영상(20)은 진료실, 병원 또는 사용자 디바이스를 통해서 실시간으로 촬영됨으로써 본 발명의 일 실시 예에 따른 영상획득부(100)에서 획득될 수 있다. 병원 또는 진료실에서는 세극등현미경(slitlamp microscope)로 촬영되어 실시간으로 전안부 영상(20)이 획득될 수 있을 것이나, 전안부 영상(20)을 촬영하기 위한 다른 장치들에 의해서도 전안부 영상(20)이 실시간으로 획득될 수 있다. 사용자 디바이스는 스마트폰, 태블릿, 디지털카메라 등 촬영 모듈이 포함되어 전안부 영상(20)이 촬영될 수 있는 장치이면 어떠한 장치도 포함될 수 있다.
또한, 피검사자에 대해 미리 획득된 전안부 영상(20)이 저장된 저장부에서 로드되어 영상획득부(100)에서 전안부 영상(20)이 획득될 수 있다. 뿐만 아니라, 타 피검사자에 대해 미리 획득된 전안부 영상(20)도 저장부에 저장되어 상기 머신러닝 모델의 학습을 위한 데이터로 사용될 수 있다.
더불어, 저장부에 피검사자에 대한 전안부 영상(20)이 경과에 따라 저장될 수 있고, 이에 따른 진단을 위한 러닝머신 모델의 설계도 이루어질 수 있다. 즉, 시간에 따른 전안부 영상(20)의 변화 패턴 또는 변화 양상이 저장부에 저장될 수 있고, 이러한 변화 패턴 또는 변화 양상이 러닝머신 모델에 의해 학습될 수 있다. 따라서, 영상의 변화 패턴 또는 변화 양상에 기초하여 시간의 흐름에 따른 전안부 질환을 예측하여 진단이 이루어질 수 있다. 도 4는 본 발명의 일 실시 예에 따른 전안부 질환 진단 시스템(10)의 출력부(400)를 나타낸 예시도이다. 도 4를 참조하면, 본 발명의 일 실시 예에 따른 전안부 질환 진단 시스템(10)은 질환분석부(300)에서 분류된 질환 발생 유무 및 질환 클래스에 대한 의료정보가 출력되는 출력부(400)가 더 포함될 수 있고, 상기 의료정보에는 전안부의 현재 상태정보, 전안부의 향후 상태 예측정보, 질환 클래스에 대한 치료정보 중 적어도 하나가 포함될 수 있다.
구체적으로, 도 4에서와 같이 전안부 영상(20) 프레임(410), 진단 및 치료방향 프레임(420) 및 진단분석 프레임(430)으로 구분되어 디스플레이될 수 있다.
전안부 영상 프레임(410)에서는 전안부 영상(20)이 다양한 방법으로 표시될 수 있다. 즉, 전안부의 정면에서 촬영된 전안부 영상(20)이 출력될 수 있고, 측면의 전안부 영상(20)도 함께 표시될 수 있다. 또한, 촬영된 전안부 영상(20)에 검출된 병변이 강조되어 동시에 디스플레이될 수 있고, 이는 병변의 위치를 의사 등의 사용자가 쉽게 확인할 수 있도록 하기 위한 표시일 수 있다.
진단 및 치료방향 프레임(420)에서는 진단 결과와 함께 치료 방향을 제시하는 것으로 도 4와 같이 문자로 표시되는 것은 물론 이미지로써 표현될 수도 있다. 진단 결과 및 치료 방향은 의사 등의 전문적인 지식을 가진 사용자뿐만 아니라 환자의 경우에도 쉽게 이해할 수 있는 수준으로 표현될 수 있다. 즉, 환자 등의 경우에도 본 발명의 일 실시 예에 따른 시스템을 이용하여 자가 치료를 통해 병원에 방문하여 진단을 받을지 아니면 기존의 치료방향을 유지할지 등 진단 및 치료 계획을 스스로 판단할 수 있다.
진단분석 프레임(430)에는 질환분석부(300)에서 분석된 결과가 전안부 질환에 따른 예측결과로 표시될 수 있다. 예측결과는 해당 전안부 질환이 발생될 확률로 표현될 수 있다. 또한, 상기 질환 클래스가 도 4와 같이 소정의 숫자로 진행 정도 항목으로 표시될 수 있다. 더불어, 도 4에서 진단분석 프레임(430)의 표에 제시된 감염성 염증, 비감염성 염증, 비염증성 등 6개의 항목 외에도 다른 전안부 상태 예측 카테고리가 포함될 수 있다. 즉, 전안부 상태 예측 카테고리에는 본 발명에 따른 전안부 질환 진단 결과로 분류되는 전안부 상태가 모두 포함될 수 있다.
다만, 전안부 질환 진단 시스템(10)의 출력부(400)는 도 4와 같은 형태로 제한되는 것이 아니다. 즉, 사용자(예를 들어 의사, 환자 등)에게 전안부 질환 진단 결과와 질환 클래스를 비롯한 각종 의료정보를 제공하기 위한 어떠한 형태로도 표시될 수 있다. 또한, 사용자에게 사운드 형태로도 상기의 의료정보들이 제공될 수 있다.
상기 의료정보에는 전안부의 현재 상태정보, 전안부의 향후 상태 예측정보, 질환 클래스에 대한 치료정보 중 적어도 하나가 포함될 수 있다. 전안부의 현재 상태정보는 전안부의 질환 종류 및 질환 클래스가 함께 포함된 정보일 수 있다. 또한, 전안부의 향후 상태 예측정보는 머신러닝 모델을 통해서 예측될 수 있으며, 이를 위한 머신러닝 모델은 RNN(Recurrent Neural Network), MLP(Multi-Layer Perceptron) 등이 포함될 수 있다. 향후 상태 예측정보에는 현재 전안부 상태에 따라 추후에 발생될 것으로 예측되는 질환의 종류 및 질환 진행 정도가 포함될 수 있고, 현재 상태에 따른 예상 거부반응도 포함될 수 있다. 질환 클래스에 대한 치료정보에는 분류된 전안부 질환 및 질환 클래스에 따른 치료정보가 포함될 수 있다.
예를 들면, 전안부의 현재 상태정보에는 눈꺼풀염으로 인한 각막 주변부의 각막염증이라는 전안부 질환으로 분류되어 포함될 수 있고, 향후 상태 예측정보에는 각막 주변부의 염증 정도의 질환 클래스가 3에서 4로 증가될 것으로 예측되는 판단정보가 포함될 수 있으며, 상기 치료정보에는 스테로이드 안약 치료 및 눈꺼풀 관리가 필요하다는 정보가 포함될 수 있다.
또한, 전안부의 현재 상태정보가 헤르페스 바이러스에 의한 주변부 각막의 각막염으로 판단된 경우 상기 치료정보에는 항바이러스 제제 복용 혹은 안연고 점안 투약정보가 포함될 수 있다.
다른 예로, 전안부의 현재 상태가 녹농균에 의한 세균각막염으로 판단된 경우 향후 상태 예측정보에는 각막천공의 위험이 존재할 수 있다는 정보가 포함될 수 있고, 이를 치료하기 위해 빠른 광범위 항생제 안약의 점안이 필요하다는 치료정보가 포함될 수 있다.
본 발명의 일 실시 예에 따른 전안부 질환 진단 시스템(10)은 전안부정보입력부가 더 포함될 수 있다. 전안부정보입력부는 현재 전안부 질환을 앓고 있는 환자의 전안부상태정보가 입력될 수 있다. 전안부상태정보에는 환자의 전안부 상태에 따른 불편감 정보가 포함될 수 있다. 본 발명의 질환분석부에서는 상기 입력된 전안부상태정보 및 질환분석부에서 분석된 전안부 질환 및 질환클래스를 기초로 하여, 본 발명에서 제시된 치료 방향에 따른 치료 결과 또는 치료 만족도가 예측될 수 있다.
예를 들면, 백내장 환자의 경우에 현재 환자의 백내장 정도에 따른 불편감 점수가 상기 전안부정보입력부에 입력될 수 있다. 질환분석부에서는 상기 백내장 환자의 전안부 영상을 토대로 질환클래스에 전안부의 백내장 정도가 분류될 수 있고, 백내장 수술 권고정보가 제시될 수 있다. 또한, 상기 불편감 점수, 백내장 정도, 백내장 수술 권고정보를 기초로 하여 백내장 수술 이후 시력 만족도 또는 수술 결과가 예측될 수 있다.
본 발명의 일 실시 예에 따른 전안부 질환 진단 시스템(10)의 특징정보에는 병변의 색 정보, 병변의 위치정보, 병변의 깊이정보, 각막 주변부의 혈관정보, 결막의 표면정보, 공막의 표면정보 중 적어도 하나가 포함될 수 있다.
즉, 전안부 질환 진단 시스템(10)의 질환분석부(300)에서는 특징추출부(200)에서 추출된 상기와 같은 특징정보들을 기초로 전안부 질환이 분류될 수 있다. 구체적으로, 병변의 색 정보에는 각막, 결막 또는 공막의 변색 정보가 포함될 수 있다. 예를 들어, 각막의 감염이 발생된 경우에는 병변의 색깔은 하얀색으로 검출될 수 있다. 또한, 감염된 각막의 염색 사진의 경우에는 병변 부위가 초록색으로 검출될 수 있는 등 병변의 색 정보를 통해서 전안부 질환의 분류가 이루어질 수 있다. 더불어, 각막 주변의 혈관의 양상에 따라 전안부 질환이 판단될 수 있으므로 각막 주변부의 혈관정보가 특징정보가 될 수 있다. 뿐만 아니라, 결막 또는 공막의 표면정보와 같이 표면의 평활도(smoothness) 등 표면의 거친 정도에 따라 전안부 질환이 분류될 수 있다. 더불어, 상기의 특징정보 각각에 의해서도 전안부 질환이 분류될 수 있지만, 상기의 특징정보들 중에서 적어도 두 개 이상의 특징정보들이 고려되어 전안부 질환이 분류될 수 있다.
본 발명의 일 실시 예에 따른 전안부 질환 진단 시스템(10)에서 특징추출부(200)의 머신러닝 모델에는 DCGAN(Deep Convolutional Generative Adversarial Nets)이 포함되며, 출력부(400)에서는 전안부 영상(20) 및 머신러닝 모델에 기초하여 추출된 병변에 대한 이미지정보가 함께 출력될 수 있다.
DCGAN은 구분모듈(Discriminating module) 및 생성모듈(Generating module)로 구성되는 것으로, 학습된 모델을 통해 새로운 전안부 영상(20)을 만들어내기 위한 딥러닝 알고리즘에 해당될 수 있다. 즉, 출력부(400)에서는 상기 DCGAN 모델을 이용하여 추출된 병변에 대한 이미지 정보가 전안부 영상(20)과 결합되어 출력될 수 있다. 상기 추출된 병변에 대한 이미지 정보에는 병변의 위치정보가 포함될 수 있다. 구체적으로, 병변의 위치 정보가 정확하게 판단하기 어려운 경우가 있을 수 있는 바, 이에 대한 판별 정확도를 높이기 위하여 전안부 영상(20)을 학습 데이터로 이용하여 전안부 영상(20)에 병변의 이미지를 포함시킴으로써 병변 위치가 정확하게 추출될 수 있다.
본 발명의 일 실시 예에 따른 전안부 질환 진단 시스템(10)을 이용한 진단 방법이 제공될 수 있다.
도 5는 본 발명의 일 실시 예에 따른 전안부 질환 진단 시스템(10)을 이용한 진단 방법이 나타난 순서도인데, 도 5를 참조하면 상기의 진단 방법은 피검사자에 대한 전안부 영상(20)이 획득되는 단계(S100), 획득된 전안부 영상(20)의 특징정보가 머신러닝 모델에 기초하여 추출되는 단계(S200) 및 추출된 특징정보에 따라 피검사자의 전안부의 질환 발생 유무 및 질환 클래스가 분류되는 단계(S300)가 포함될 수 있다.
본 발명의 일 실시 예에 따른 전안부 질환 진단 시스템(10)을 이용한 진단 방법에 있어서, 피검사자에 대한 전안부 영상(20)은 진단을 위하여 실시간으로 획득되거나, 전안부 질환 진단 시스템(10)의 저장부에 미리 저장되어 있는 전안부 영상(20)이 로드되어 획득될 수 있다.
도 6은 본 발명의 일 실시 예에 따른 전안부 질환 진단 시스템(10)을 이용한 진단 방법이 나타난 순서도이다. 도 6을 참조하면 상기 진단 방법은 추출된 특징정보에 따라 피검사자의 전안부의 질환 발생 유무 및 질환 클래스가 분류되는 단계(S300) 이후에 분류된 질환 클래스에 대한 의료정보가 전안부 질환 진단 시스템(10)의 출력부(400)를 통하여 출력되는 단계(S400)가 더 포함될 수 있다.
한편, 본 발명의 일 실시 예로써, 전술한 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록매체가 제공될 수 있다.
또한, 전술한 방법은 컴퓨터에서 실행될 수 있는 프로그램으로 작성 가능하고, 컴퓨터 판독 가능 매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 또한, 상술한 방법에서 사용된 데이터의 구조는 컴퓨터 판독 가능 매체에 여러 수단을 통하여 기록될 수 있다. 본 발명의 다양한 방법들을 수행하기 위한 실행 가능한 컴퓨터 프로그램이나 코드를 기록하는 기록 매체는, 반송파(carrier waves)나 신호들과 같이 일시적인 대상들은 포함하는 것으로 이해되지는 않아야 한다. 상기 컴퓨터 판독 가능 매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스크, 하드 디스크 등), 광학적 판독 매체(예를 들면, 시디롬, DVD 등)와 같은 저장 매체를 포함할 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
10 : 전안부 질환 진단 시스템 20 : 전안부 영상
100 : 영상획득부 200 : 특징추출부
300 : 질환분석부 400 : 출력부
410 : 전안부 영상 프레임 420 : 진단 및 치료방향 프레임
430 : 진단분석 프레임

Claims (10)

  1. 전안부 질환 진단 시스템에 있어서,
    피검사자에 대한 전안부 영상이 획득되는 영상획득부;
    상기 획득된 전안부 영상의 특징정보가 머신러닝(machine-learning) 모델에 기초하여 추출되며, 상기 전안부 영상의 각 영역에서 복수의 필터를 적용하여 특징 맵(Feature Map)을 형성하는 복수의 콘볼루션 레이어 및 상기 특징 맵을 리사이징(Re-sizing)하는 복수의 풀링 레이어가 반복되어 구성되는 특징추출부;
    상기 추출된 특징정보에 따라 상기 피검사자의 전안부의 질환 발생 유무 및 질환 클래스가 분류되고, 다중 신경망(Multi-Layer Perceptron, MLP) 또는 서포트 벡터 머신(Support Vector Machine, SVM)을 포함하는 풀리 커넥티드 레이어(Fully Connected Layer)로 구성되는 질환분석부; 및
    상기 질환분석부에서 분류된 상기 질환 발생 유무 및 질환 클래스에 대한 의료정보가 출력되는 출력부;를 포함하고,
    상기 특징추출부는 상기 머신러닝 모델에 기초하여 상기 전안부 영상의 변화 패턴 또는 변화 양상을 학습하며, 상기 질환분석부는 상기 전안부 영상의 변화 패턴 또는 변화 양상에 기초하여 시간의 흐름에 따른 전안부 질환을 예측하며,
    상기 출력부에서는 상기 전안부 영상 및 상기 머신러닝 모델에 기초하여 추출된 병변에 대한 이미지정보가 상기 전안부 영상과 결합되어 함께 출력되며,
    상기 머신러닝 모델에는 DCGAN(Deep Convolutional Generative Adversarial Nets)이 포함되는 것을 특징으로 하는 전안부 질환 진단 시스템.
  2. 제 1 항에 있어서,
    상기 피검사자 및 상기 피검사자 이외의 타 피검사자 각각에 대하여 미리 획득된 전안부 영상이 저장되어 있는 저장부를 더 포함하고,
    상기 피검사자에 대한 전안부 영상은 진단을 위하여 실시간으로 획득되거나, 상기 저장부에 미리 저장되어 있는 전안부 영상이 로드되어 획득되는 것인 전안부 질환 진단 시스템.
  3. 삭제
  4. 제 1 항에 있어서,
    상기 특징정보에는 병변의 색 정보, 병변의 위치정보, 병변의 깊이정보, 각막 주변부의 혈관정보, 결막의 표면정보, 공막의 표면정보 중 적어도 하나가 포함되는 것인 전안부 질환 진단 시스템.
  5. 삭제
  6. 제 1 항에 있어서,
    상기 의료정보에는 상기 전안부의 현재 상태정보, 상기 전안부의 향후 상태 예측정보, 상기 질환 클래스에 대한 치료정보 중 적어도 하나가 포함되는 것인 전안부 질환 진단 시스템.
  7. (a) 영상획득부에 의해 피검사자에 대한 전안부 영상이 획득되는 단계;
    (b) 특징추출부에 의해 상기 획득된 전안부 영상의 특징정보가 머신러닝 모델에 기초하여 추출되는 단계;
    (c) 질환분석부에 의해 상기 추출된 특징정보에 따라 상기 피검사자의 전안부의 질환 발생 유무 및 질환 클래스가 분류되는 단계; 및
    (d) 상기 특징추출부에 의해 상기 전안부 영상의 변화 패턴 또는 변화 양상이 상기 머신러닝 모델에 기초하여 학습되고, 상기 질환분석부에 의해 상기 전안부 영상의 변화 패턴 또는 변화 양상에 기초하여 시간의 흐름에 따른 전안부 질환이 예측되는 단계; 및
    (e) 상기 분류된 질환 클래스에 대한 의료정보가 상기 전안부 질환 진단 시스템의 출력부를 통하여 출력되는 단계;가 포함되고,
    상기 특징추출부는 상기 전안부 영상의 각 영역에서 복수의 필터를 적용하여 특징 맵(Feature Map)을 형성하는 복수의 콘볼루션 레이어 및 상기 특징 맵을 리사이징(Re-sizing)하는 복수의 풀링 레이어가 반복되어 구성되고,
    상기 질환분석부는 다중 신경망(Multi-Layer Perceptron, MLP) 또는 서포트 벡터 머신(Support Vector Machine, SVM)을 포함하는 풀리 커넥티드 레이어(Fully Connected Layer)로 구성되며,
    상기 출력부에서는 상기 전안부 영상 및 상기 머신러닝 모델에 기초하여 추출된 병변에 대한 이미지정보가 상기 전안부 영상과 결합되어 함께 출력되며,
    상기 머신러닝 모델에는 DCGAN(Deep Convolutional Generative Adversarial Nets)이 포함되는 것을 특징으로 하는 진단에 필요한 정보를 제공하기 위한 방법.
  8. 제 7 항에 있어서,
    상기 피검사자에 대한 전안부 영상은 진단을 위하여 실시간으로 획득되거나, 상기 전안부 질환 진단 시스템의 저장부에 미리 저장되어 있는 전안부 영상이 로드되어 획득되는 것인 진단에 필요한 정보를 제공하기 위한 방법.
  9. 삭제
  10. 제7 항 및 제 8 항 중 어느 한 항의 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록매체.
KR1020180066936A 2018-06-11 2018-06-11 전안부 질환 진단 시스템 및 이를 이용한 진단 방법 KR102354980B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020180066936A KR102354980B1 (ko) 2018-06-11 2018-06-11 전안부 질환 진단 시스템 및 이를 이용한 진단 방법
PCT/KR2019/095022 WO2019240567A1 (ko) 2018-06-11 2019-05-29 전안부 질환 진단 시스템 및 이를 이용한 진단 방법
US17/251,478 US11974808B2 (en) 2018-06-11 2019-05-29 Anterior eye disease diagnostic system and diagnostic method using same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180066936A KR102354980B1 (ko) 2018-06-11 2018-06-11 전안부 질환 진단 시스템 및 이를 이용한 진단 방법

Publications (3)

Publication Number Publication Date
KR20190140301A KR20190140301A (ko) 2019-12-19
KR102354980B1 true KR102354980B1 (ko) 2022-01-24
KR102354980B9 KR102354980B9 (ko) 2023-03-23

Family

ID=68842905

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180066936A KR102354980B1 (ko) 2018-06-11 2018-06-11 전안부 질환 진단 시스템 및 이를 이용한 진단 방법

Country Status (3)

Country Link
US (1) US11974808B2 (ko)
KR (1) KR102354980B1 (ko)
WO (1) WO2019240567A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240042866A (ko) 2022-09-26 2024-04-02 부산대학교 산학협력단 인공지능 기반의 척추측만증 정보 제공 방법

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102538506B1 (ko) * 2020-12-01 2023-05-30 경북대학교 산학협력단 신규한 피키아 쿠드리아브제비 n373 균주 및 이의 용도
WO2023085447A1 (ko) * 2021-11-09 2023-05-19 경상국립대학교병원 고안압 앞포도막염 환자의 예후 예측 방법
WO2023182785A1 (ko) * 2022-03-21 2023-09-28 주식회사 타이로스코프 학습된 모델을 이용한 질병 진단 방법 및 이를 수행하는 시스템
KR20240003866A (ko) 2022-07-04 2024-01-11 강태신 기계학습 기반 물체 탐지 방법을 이용한 이미지 재구성 및 이를 이용한 이미지 분류 방법
KR102551808B1 (ko) * 2022-10-12 2023-07-05 주식회사 에이비스 근시퇴행 예측 의료기기 장치 및 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006087614A (ja) * 2004-09-22 2006-04-06 Kenji Kashiwagi 眼科用検査装置
KR101848322B1 (ko) * 2017-10-27 2018-04-20 주식회사 뷰노 피검체에 대한 안저 영상의 소견 및 진단 정보의 생성을 위하여 판독을 지원하는 방법 및 이를 이용한 장치

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5466061B2 (ja) * 2010-03-26 2014-04-09 株式会社トプコン 眼科画像処理装置
JP5979904B2 (ja) * 2012-02-20 2016-08-31 キヤノン株式会社 画像処理装置、眼科撮影システム、及び画像処理方法
KR20140108417A (ko) * 2013-02-27 2014-09-11 김민준 영상정보를 이용한 건강 진단 시스템
US20140276025A1 (en) * 2013-03-14 2014-09-18 Carl Zeiss Meditec, Inc. Multimodal integration of ocular data acquisition and analysis
US10799186B2 (en) * 2016-02-12 2020-10-13 Newton Howard Detection of disease conditions and comorbidities
KR101789166B1 (ko) * 2016-12-28 2017-10-23 아주대학교 산학협력단 이미지 기반 황달 진단 방법 및 장치, 이미지 기반 황달 진단 보조 장치
BR112019022447A2 (pt) * 2017-04-27 2020-06-09 Bober Miroslaw sistema e método para análise de imagem funduscópica automatizada
US10389989B2 (en) * 2017-09-27 2019-08-20 University Of Miami Vision defect determination and enhancement using a prediction model
US11051693B2 (en) * 2017-12-27 2021-07-06 Eyenk, Inc. Systems and methods for automated end-to-end eye screening, monitoring and diagnosis

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006087614A (ja) * 2004-09-22 2006-04-06 Kenji Kashiwagi 眼科用検査装置
KR101848322B1 (ko) * 2017-10-27 2018-04-20 주식회사 뷰노 피검체에 대한 안저 영상의 소견 및 진단 정보의 생성을 위하여 판독을 지원하는 방법 및 이를 이용한 장치

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240042866A (ko) 2022-09-26 2024-04-02 부산대학교 산학협력단 인공지능 기반의 척추측만증 정보 제공 방법

Also Published As

Publication number Publication date
KR20190140301A (ko) 2019-12-19
KR102354980B9 (ko) 2023-03-23
US20210244272A1 (en) 2021-08-12
US11974808B2 (en) 2024-05-07
WO2019240567A1 (ko) 2019-12-19

Similar Documents

Publication Publication Date Title
KR102354980B1 (ko) 전안부 질환 진단 시스템 및 이를 이용한 진단 방법
WO2020200087A1 (en) Image-based detection of ophthalmic and systemic diseases
US10426332B2 (en) System and device for preliminary diagnosis of ocular diseases
KR102329313B1 (ko) 전안부 이미지를 이용한 각막 병변 분석 시스템 및 방법 그리고 컴퓨터로 판독 가능한 기록 매체
KR102295426B1 (ko) 인공지능 기반의 안구질병 검출장치 및 방법
JP7270686B2 (ja) 画像処理システムおよび画像処理方法
Kumar et al. Automated detection of eye related diseases using digital image processing
Subramanian et al. Classification of retinal oct images using deep learning
Bakır et al. Using transfer learning technique as a feature extraction phase for diagnosis of cataract disease in the eye
Zaki et al. Towards automated keratoconus screening approach using lateral segment photographed images
Sajeev et al. Classifying infective keratitis using a deep learning approach
CN116635889A (zh) 从外部眼睛前部图像检测疾病的机器学习
Mohammed et al. Googlenet cnn classifications for diabetics retinopathy
Pandey et al. The use of Image Processing for the Classification of Diabetic Retinopathy
Boyina et al. Classification of Uncertain ImageNet Retinal Diseases using ResNet Model
Krishna et al. Retinal vessel segmentation techniques
Raga A smartphone based application for early detection of diabetic retinopathy using normal eye extraction
Thamilselvan et al. An Elaborate Review of Diagnosing Glaucoma Disease Using Machine Learning and Deep Learning Techniques
Borgalli et al. Automated glaucoma detection techniques using fundus image
Sathananthavathi et al. Case studies of cognitive computing in healthcare systems: Disease prediction, genomics studies, medical image analysis, patient care, medical diagnostics, drug discovery
RU2672924C1 (ru) Способ определения стадии ретинопатии недоношенных
Abbood et al. Automatic classification of diabetic retinopathy through segmentation using cnn
Anbarasi et al. Ocular Disease Detection Using Convolutional Neural Networks
Suba et al. Survey on Machine Learning Techniques Used for Central Serous Retinopathy Detection
Ramlan et al. Cataract Detection using Pupil Patch Classification and Ruled-based System in Anterior Segment Photographed Images

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
E90F Notification of reason for final refusal
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant
G170 Re-publication after modification of scope of protection [patent]