KR102320254B1

KR102320254B1 - 각막 절개 파라미터 추천 방법 및 장치

Info

Publication number: KR102320254B1
Application number: KR1020190105463A
Authority: KR
Inventors: 김진국; 류익희
Original assignee: 주식회사 비쥬웍스
Priority date: 2019-08-27
Filing date: 2019-08-27
Publication date: 2021-11-02
Also published as: KR20210025431A

Abstract

본 발명은 각막 절개 파라미터 추천 방법에 관한 것으로, 본 발명의 일 양상에 따른 컴퓨팅 장치에 의해 수행되는 인공지능을 이용한 각막 절개 파라미터 추천 방법은, 피검자의 안구에 대응되는 각막 신경 이미지를 획득하는 단계; 적어도 상기 각막 신경 이미지를 포함하는 제1 입력데이터를 예측 모델에 입력하여 각막 절개 영역 및 각막 절개 깊이 중 적어도 하나를 포함하는 각막 절개 파라미터를 포함하는 출력데이터를 산출하는 단계 - 상기 각막 절개 깊이는 전층 절개 및 부분 절개 중 적어도 하나를 포함함 - ; 및 상기 출력데이터의 적어도 일부를 제공하는 단계;를 포함하되, 상기 예측 모델은, 각막 절개를 수행하는 안과 수술을 받은 복수의 피시술자의 상기 안과 수술의 종류, 상기 복수의 피시술자의 상기 안과 수술 전 각막 신경 이미지, 상기 복수의 피시술자의 상기 안과 수술 시 각막 절개 파라미터 및 상기 복수의 피시술자의 상기 안과 수술 후 각막 신경 이미지 중 적어도 하나에 기초하여 학습된다.

Description

각막 절개 파라미터 추천 방법 및 장치{METHOD AND DEVICE FOR RECOMMENDING CORNEAL INCISION PARAMETER}

각막 절개 파라미터 추천 방법 및 장치에 관한 것으로, 보다 상세하게는 인공지능을 이용하여 피검자 등에게 각막 절개 파라미터를 추천하는 방법 및 장치에 관한 것이다.

안과 수술 중에는 각막 절개가 동반된 수술이 있다. 예를 들어, 라식, 스마일, 렌즈 삽입술 등의 시력교정술 수행 시 각막 절개가 동반된다. 또는, 백내장 수술 시 수정체 제거 및 교체를 위해 각막 절개가 동반된다.

각막을 절개하는 경우 각막 신경의 손상이 발생하게 된다. 이러한 각막 신경의 손상으로 인해 안구건조증 등의 부작용이 발생할 수 있는 것으로 알려져 있다. 안구건조증이 발생하는 경우 눈의 피로감이 증가하고 주기적으로 인공눈물을 점안하게 되는 등 일상 생활에 불편함이 발생하는바 각막 신경의 손상을 감소시켜 부작용을 최소화해야 할 필요성이 존재한다.

1. 미국 특허출원공개공보 2018-0161098(2018.06.14)

일 과제는, 의사, 상담사 및 피검자 등의 판단을 보조하기 위하여 각막 절개 파라미터를 추천하는 것에 있다.

다른 일 과제는, 의사, 상담사 및 피검자 등의 판단을 보조하기 위하여 각막 신경 손상도를 예측하는 것에 있다.

또 다른 일 과제는, 의사, 상담사 및 피검자 등의 판단을 보조하기 위하여 각막 신경 회복 속도를 산출하는 것에 있다.

해결하고자 하는 과제가 상술한 과제로 제한되는 것은 아니며, 언급되지 아니한 과제들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

일 양상에 따르면 컴퓨팅 장치에 의해 수행되는 인공지능을 이용한 각막 절개 파라미터 추천 방법에 있어서, 피검자의 안구에 대응되는 각막 신경 이미지를 획득하는 단계; 적어도 상기 각막 신경 이미지를 포함하는 제1 입력데이터를 예측 모델에 입력하여 각막 절개 영역 및 각막 절개 깊이 중 적어도 하나를 포함하는 각막 절개 파라미터를 포함하는 출력데이터를 산출하는 단계 - 상기 각막 절개 깊이는 전층 절개 및 부분 절개 중 적어도 하나를 포함함 - ; 및 상기 출력데이터의 적어도 일부를 제공하는 단계;를 포함하되, 상기 예측 모델은, 각막 절개를 수행하는 안과 수술을 받은 복수의 피시술자의 상기 안과 수술의 종류, 상기 복수의 피시술자의 상기 안과 수술 전 각막 신경 이미지, 상기 복수의 피시술자의 상기 안과 수술 시 각막 절개 파라미터 및 상기 복수의 피시술자의 상기 안과 수술 후 각막 신경 이미지 중 적어도 하나에 기초하여 학습된 각막 절개 파라미터 추천 방법이 제공될 수 있다.

다른 양상에 따르면 컴퓨팅 장치에 의해 수행되는 인공지능을 이용한 각막 절개 파라미터 추천 방법에 있어서, 피검자의 안구에 대응되는 각막 신경 이미지를 획득하는 단계; 적어도 상기 각막 신경 이미지를 포함하는 입력데이터를 예측 모델에 입력하여 각막 절개 파라미터를 포함하는 출력데이터를 산출하는 단계 - 상기 각막 절개 파라미터는 각막 절개를 피해야 하는 각막 절개 위험 영역을 포함함 - ; 및 상기 출력데이터의 적어도 일부를 제공하는 단계;를 포함하되, 상기 예측 모델은, 각막 절개를 수행하는 안과 수술을 받은 복수의 피시술자의 상기 안과 수술의 종류, 상기 복수의 피시술자의 상기 안과 수술 전 각막 신경 이미지, 상기 복수의 피시술자의 상기 안과 수술 시 각막 절개 파라미터 및 상기 복수의 피시술자의 상기 안과 수술 후 각막 신경 이미지 중 적어도 하나에 기초하여 학습된 각막 절개 파라미터 추천 방법이 제공될 수 있다.

과제의 해결 수단이 상술한 해결 수단들로 제한되는 것은 아니며, 언급되지 아니한 해결 수단들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

일 실시예에 의하면, 각막 절개 파라미터를 추천하는 인공지능이 제공될 수 있다.

다른 일 실시예에 의하면, 각막 신경 손상도를 예측하는 인공지능이 제공될 수 있다.

또 다른 일 실시예에 의하면, 각막 신경 회복 속도를 산출하는 인공지능이 제공될 수 있다.

효과가 상술한 효과로 제한되는 것은 아니며, 언급되지 아니한 효과들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.

도 1은 일 실시예에 따른 각막 절개 파라미터 추천 시스템에 관한 도면이다.
도 2는 일 실시예에 따른 학습 장치/예측 장치를 설명하기 위한 도면이다.
도 3은 일 실시예에 따른 서버 장치 및 클라이언트 장치를 설명하기 위한 도면이다.
도 4는 일 실시예에 따른 서버 장치 및 클라이언트 장치의 구성에 관한 도면이다.
도 5는 일 실시예에 따른 각막 절개 관련 모델에 관한 도면이다.
도 6은 일 실시예에 따른 각막 절개 관련 모델의 학습 단계 및 예측 단계를 설명하기 위한 도면이다.
도 7은 일 실시예에 따른 이미지 형태의 각막 절개 파라미터의 예시들에 관한 도면이다.
도 8은 일 실시예에 따른 각막 절개 파라미터 추천 모델에 관한 도면이다.
도 9는 일 실시예에 따른 절개 가능 영역에 관한 도면이다.
도 10은 일 실시예에 따른 이미지 정합 모델에 관한 도면이다.
도 11 내지 도 13은 일 실시예에 따른 각막 절개 관련 모델의 조합의 구현예에 관한 도면이다.
도 14는 일 실시예에 따른 각막 절개 관련 모델의 병합의 구현예에 관한 도면이다.
도 15는 일 실시예에 따른 각막 절개 파라미터 추천 방법의 제1 실시예에 관한 도면이다.
도 16은 일 실시예에 따른 각막 절개 파라미터 추천 방법의 제2 실시예에 관한 도면이다.
도 17은 일 실시예에 따른 각막 절개 파라미터 추천 방법의 제3 실시예에 관한 도면이다.
도 18은 일 실시예에 따른 각막 절개 파라미터 추천 방법의 제4 실시예에 관한 도면이다.
도 19는 일 실시예에 따른 각막 절개 파라미터 추천 방법의 제5 실시예에 관한 도면이다.
도 20은 일 실시예에 따른 각막 절개 파라미터 추천 방법의 제6 실시예에 관한 도면이다.

본 명세서에 기재된 실시예는 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 본 발명의 사상을 명확히 설명하기 위한 것이므로, 본 발명이 본 명세서에 기재된 실시예에 의해 한정되는 것은 아니며, 본 발명의 범위는 본 발명의 사상을 벗어나지 아니하는 수정예 또는 변형예를 포함하는 것으로 해석되어야 한다.

본 명세서에서 사용되는 용어는 본 발명에서의 기능을 고려하여 가능한 현재 널리 사용되고 있는 일반적인 용어를 선택하였으나 이는 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자의 의도, 관례 또는 새로운 기술의 출현 등에 따라 달라질 수 있다. 다만, 이와 달리 특정한 용어를 임의의 의미로 정의하여 사용하는 경우에는 그 용어의 의미에 관하여 별도로 기재할 것이다. 따라서 본 명세서에서 사용되는 용어는 단순한 용어의 명칭이 아닌 그 용어가 가진 실질적인 의미와 본 명세서의 전반에 걸친 내용을 토대로 해석되어야 한다.

본 명세서에 첨부된 도면은 본 발명을 용이하게 설명하기 위한 것으로 도면에 도시된 형상은 본 발명의 이해를 돕기 위하여 필요에 따라 과장되어 표시된 것일 수 있으므로 본 발명이 도면에 의해 한정되는 것은 아니다.

본 명세서에서 본 발명에 관련된 공지의 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에 이에 관한 자세한 설명은 필요에 따라 생략하기로 한다. 또한, 본 명세서의 셜명 과정에서 이용되는 숫자(예를 들어, 제1, 제2 등)는 서로 다른 구성을 의미할 수도 있지만, 동일한 구성에 대응될 수도 있다.

이하에서는 각막 신경 이미지에 기초하여 각막 절개 파라미터를 추천하는 방법 및 장치에 대하여 설명한다. 특히, 인공지능을 이용하여 각막 절개 파라미터를 추천하는 모델을 생성하고, 생성된 모델을 이용하여 각막 절개 파라미터를 추천하는 방법 및 장치에 대하여 설명한다. 상기 모델은 각막 절개를 동반하는 안과 수술 시 사용 가능하다. 예를 들어, 라식, 라섹, 스마일, 렌즈 삽입술 등과 같은 시력교정술 및 백내장 수술 등 다양한 분야에 적용될 수 있을 것이다.

여기서, 상기 각막 절개 파라미터 추천 방법은, 적어도 산출된 각막 절개 파라미터를 포함하는 제2 입력데이터에 기초하여 각막 절개로 인한 각막 신경 손상도를 예측하는 단계;를 더 포함할 수 있다.

여기서, 상기 각막 신경 손상도는, 각막 신경 섬유의 길이, 각막 신경 섬유의 개수 및 각막 신경 섬유의 분지 횟수 중 적어도 하나에 기초하여 예측될 수 있다.

여기서, 상기 각막 절개 파라미터 추천 방법은, 적어도 상기 각막 신경 손상도를 포함하는 제3 입력데이터 기초하여 각막 신경의 회복 속도를 산출하는 단계;를 더 포함할 수 있다.

여기서, 상기 출력데이터를 산출하는 단계는, 각막 절개를 수행하는 시술자의 각막 절개 가능 범위를 고려하여 결정되는 절개 가능 영역에 기초하여 각막 절개 파라미터를 산출할 수 있다.

여기서, 상기 절개 가능 영역은, 상기 안구가 좌안 또는 우안인지 여부, 상기 안구의 난시축 및 상기 안구의 난시량 중 적어도 하나를 고려하여 결정될 수 있다.

여기서, 상기 각막 절개 영역은, 각막 절개 길이 및 각막 절개 위치 중 적어도 하나를 포함하고, 상기 각막 절개 깊이는, 전층 절개 및 부분 절개 중 적어도 하나를 포함할 수 있다.

여기서, 상기 입력데이터는, 상기 피검자의 검진데이터 - 상기 검진데이터는 문진데이터 및 안구특성데이터 중 적어도 하나를 포함함 - 를 더 포함할 수 있다.

여기서, 상기 각막 신경 이미지는, 각막 신경 측정 장비를 이용하여 획득한 복수의 각막 신경 국소 영역 이미지의 각막 표면 방향으로의 정합 및 각막 두께 방향으로의 정합 중 적어도 하나에 의해 생성될 수 있다.

여기서, 상기 각막 절개 파라미터는, 제1 각막 절개 파라미터 및 제2 각막 절개 파라미터를 포함할 수 있다.

여기서, 상기 출력데이터는, 상기 제1 각막 절개 파라미터 및 상기 제2 각막 절개 파라미터의 우선 순위를 제공하기 위하여 상기 제1 각막 절개 파라미터에 대응되는 제1 우선 순위 및 상기 제2 각막 절개 파라미터에 대응되는 제2 우선 순위를 포함할 수 있다.

여기서, 상기 각막 절개 파라미터 추천 방법은, 상기 제1 각막 절개 파라미터에 대응되는 제1 각막 신경 손상도 및 상기 제2 각막 절개 파라미터에 대응되는 제2 각막 신경 손상도를 예측하는 단계;를 더 포함할 수 있다.

여기서, 상기 각막 절개 파라미터 추천 방법은, 상기 제1 각막 절개 파라미터 및 상기 제2 각막 절개 파라미터의 우선 순위를 제공하기 위하여 상기 제1 각막 신경 손상도 및 상기 제2 각막 신경 손상도에 기초하여 상기 제1 각막 절개 파라미터에 대응되는 제1 우선 순위 및 상기 제2 각막 절개 파라미터에 대응되는 제2 우선 순위를 산출하는 단계; 또는 상기 제1 각막 신경 손상도 및 상기 제2 각막 신경 손상도에 기초하여 상기 제1 각막 절개 파라미터 및 상기 제2 각막 절개 파라미터 중 하나를 선택하는 단계;를 더 포함할 수 있다.

여기서, 상기 출력데이터를 산출하는 단계에서 산출된 각막 절개 파라미터는 수치적 형태이고, 상기 각막 절개 파라미터 추천 방법은, 수치적 형태로 산출된 각막 절개 파라미터에 기초하여 이미지 형태의 각막 절개 파라미터를 생성하는 단계를 더 포함할 수 있다.

여기서, 상기 이미지 형태의 각막 절개 파라미터는, 각막 신경 이미지 상에 각막 절개 영역 및 각막 절개 깊이 중 적어도 하나를 시각적으로 표현하는 것을 특징으로 할 수 있다.

일 실시예에 따른 각막 절개 파라미터 추천 시스템은 학습 장치 및 예측 장치를 포함할 수 있다. 여기서, 학습 장치 및 예측 장치는 적어도 하나의 제어부를 포함하는 컴퓨팅 장치일 수 있다. 상기 컴퓨팅 장치의 예로는 데스크탑, 랩탑, 태블릿 PC, 스마트폰이 있을 수 있으나 이에 제한되는 것은 아니다.

도 1은 일 실시예에 따른 각막 절개 파라미터 추천 시스템(10)에 관한 도면이다. 도 1을 참고하면, 학습 장치(100)는 학습데이터에 기초하여 각막 절개와 관련된 정보를 산출하는 모델(이하 "각막 절개 관련 모델"이라 함)을 학습 및/또는 생성할 수 있다. 여기서, 학습데이터는 숫자, 문자, 이미지 등 각막 절개 관련 모델을 학습 및/또는 생성하기 위해 필요한 데이터로 그 표현 방식에 제한이 있는 것은 아니다. 예를 들어, 학습데이터는 안과 수술 등으로 인해 각막이 절개된 피시술자의 각막 절개 전/후의 각막 신경 이미지를 포함할 수 있다.

예측 장치(300)는 학습 장치(100)를 통해 생성된 각막 절개 관련 모델 및 입력데이터에 기초하여 각막 절개와 관련된 정보인 예측결과를 산출할 수 있다. 여기서, 입력데이터는 숫자, 문자, 이미지 등 예측결과 산출의 기초가 되는 데이터로 그 표현 방식에 제한이 있는 것은 아니다.

학습데이터, 입력데이터, 예측결과 및 각막 절개 관련 모델의 구체적인 예시에 대해서는 후술하도록 한다.

도 1에는 학습 장치(100) 및 예측 장치(300)가 별개의 장치인 것처럼 도시되었으나, 학습 장치(100) 및 예측 장치(300)는 동일한 장치일 수 있다. 예를 들어, 동일한 장치 내에서 각막 절개 관련 모델을 학습/생성하고 상기 모델을 이용하여 예측결과를 산출할 수 있다. 또는, 학습 장치(100)의 적어도 일부 구성 및 예측 장치(300)의 적어도 일부 구성이 동일한 구성일 수 있다.

또한, 일 실시예에 따른 각막 절개 파라미터 추천 시스템은 복수의 학습 장치 및/또는 복수의 예측 장치를 포함할 수 있다.

도 2는 일 실시예에 따른 학습 장치/예측 장치를 설명하기 위한 도면이다. 도 2를 참고하면, 일 실시예에 따른 학습 장치/예측 장치는 메모리부(5000) 및 제어부(1000)를 포함할 수 있다.

일 실시예에 따른 학습 장치/예측 장치는 이의 동작을 제어하기 위한 제어부(1000)를 포함할 수 있다. 제어부(1000)는 CPU(Central Processing Unit), RAM(Random Access Memory), GPU(Graphic Processing Unit), 하나 이상의 마이크로 프로세서 및 기타 미리 정해진 논리에 따라 입력된 데이터를 처리할 수 있는 전자 부품 중 하나 이상을 포함할 수 있다.

제어부(1000)는 메모리부(5000)에 저장된 시스템 프로그램 및 다양한 프로세싱 프로그램을 판독할 수 있다. 예를 들어, 제어부(1000)는 후술하는 각막 절개 관련 모델의 학습 및 예측 단계의 수행을 위한 데이터 가공 프로세스 등을 RAM상에 전개하고, 전개된 프로그램에 따라 각종 처리를 수행할 수 있다. 일 예로, 제어부(1000)는 각막 절개 관련 모델의 학습을 수행할 수 있다. 다른 예로, 제어부(1000)는 각막 절개 관련 모델을 이용하여 예측결과를 생성할 수 있다.

일 실시예에 따른 학습 장치/예측 장치는 메모리부(5000)를 포함할 수 있다. 메모리부(5000)는 학습에 필요한 데이터, 학습 모델 및 학습된 각막 절개 관련 모델을 저장할 수 있다. 메모리부(5000)는 각막 절개 관련 모델의 파라미터, 변수 등을 저장할 수 있다.

메모리부(5000)는 비휘발성 반도체 메모리, 하드 디스크, 플래시 메모리, RAM, ROM(Read Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory) 또는 그 외에 유형의(tangible) 비휘발성의 기록 매체 등으로 구현될 수 있다.

메모리부(5000)는 각종 프로세싱 프로그램, 프로그램의 프로세싱을 수행하기 위한 파라미터 또는 이러한 프로세싱 결과 데이터 등을 저장할 수 있다. 예를 들어, 메모리부(5000)는 후술하는 각막 절개 관련 모델의 학습 및 예측 단계의 수행을 위한 데이터 가공 프로세스 프로그램, 진단 프로세스 프로그램, 각 프로그램의 수행을 위한 파라미터 및 이러한 프로그램의 수행에 따라 얻어진 데이터(예컨대, 가공된 데이터 또는 예측결과) 등을 저장할 수 있다.

일 실시예에 따른 학습 장치/예측 장치는 통신부(9000)를 더 포함할 수 있다. 통신부(9000)는 외부 장치와 통신을 수행할 수 있다. 예를 들어, 학습 장치의 통신부(9000)는 예측 장치의 통신부(9000)와 통신을 수행할 수 있다. 통신부(9000)는 유선 또는 무선 통신을 수행할 수 있다. 통신부(9000)는 양방향(bi-directional) 또는 단방향 통신을 수행할 수 있다.

도 2에서 도시하는 학습 장치/예측 장치는 예시에 불과하며 학습 장치/예측 장치의 구성이 이에 한정되지는 않는다.

일 실시예에 따른 각막 절개 파라미터 추천 시스템은 서버 장치 및 클라이언트 장치를 포함할 수 있다. 도 3은 일 실시예에 따른 서버 장치(500) 및 클라이언트 장치(700a, 700b)를 설명하기 위한 도면이다.

일 실시예에 따른 서버 장치(500)는 전술한 학습 장치/예측 장치에 대응될 수 있다. 일 실시예에 따른 서버 장치(500)는 각막 절개 관련 모델을 학습, 저장 및/또는 실행할 수 있다.

일 실시예에 따른 클라이언트 장치(700a, 700b)는 전술한 학습 장치/예측 장치에 대응될 수 있다. 일 실시예에 따른 클라이언트 장치(700a, 700b)는 각막 절개 관련 모델을 학습, 저장 및/또는 실행할 수 있다.

일 실시예에 따른 클라이언트 장치(700a, 700b)는 학습된 각막 절개 관련 모델을 서버 장치(500)로부터 획득할 수 있다. 예를 들어, 클라이언트 장치(700a, 700b)는 네트워크를 통해 서버 장치(500)로부터 각막 절개 관련 모델을 다운로드 받을 수 있다.

일 실시예에 따른 서버 장치(500)는 클라이언트 장치(700a, 700b)로부터 획득한 입력데이터에 기초하여 예측결과를 산출할 수 있다. 예컨대, 클라이언트 장치(700a, 700b)는 피검자의 각막 신경 이미지를 입력 받아 서버 장치(500)로 전송하고, 서버 장치(500)는 상기 피검자의 각막 신경 이미지를 바탕으로 각막 절개 관련 모델을 통해 예측결과를 산출할 수 있다. 일 실시예에 따른 서버 장치(500)는 복수의 클라이언트 장치(700a, 700b)로부터 입력데이터를 획득할 수 있다.

일 실시예에 따른 서버 장치(500)는 산출된 예측결과를 클라이언트 장치(700a, 700b)로 전달할 수 있다. 예컨대, 클라이언트 장치(700a, 700b)는 서버 장치(500)로부터 획득한 예측결과를 의사, 상담사 및 피검자 등에게 제공할 수 있다. 일 실시예에 따른 서버 장치(500)는 클라이언트 장치(700a, 700b)로부터 피드백을 획득할 수 있다. 일 실시예에 따른 서버 장치(500)는 복수의 클라이언트 장치(700a, 700b)로 예측결과를 전달할 수 있다.

일 실시예에 따른 클라이언트 장치(700a, 700b)는 서버 장치(500)로 예측결과를 요청할 수 있다.

일 실시예에 따른 클라이언트 장치(700a, 700b)는 입력 받은 데이터를 서버 장치(500)로 전달할 수 있다. 일 실시예에 따른 클라이언트 장치(700a, 700b)는 입력 받은 데이터의 적어도 일부를 변경하여 서버 장치(500)로 전달할 수 있다. 일 실시예에 따른 클라이언트 장치(700a, 700b)는 서버 장치(500)로부터 획득한 예측결과를 의사, 상담사 및 피검자 등에게 제공할 수 있다. 일 실시예에 따른 클라이언트 장치(700a, 700b)는 서버 장치(500)로부터 획득한 예측결과의 적어도 일부를 변경하여 의사, 상담사 및 피검자 등에게 제공할 수 있다.

도 3에는 1개의 서버 장치(500)와 2개의 클라이언트 장치(700a, 700b) 사이의 관계가 도시되었으나 이에 한정되는 것은 아니고 하나 이상의 서버 장치(500) 및 하나 이상의 클라이언트 장치(700a, 700b)에서 마찬가지로 적용될 수 있다.

도 4는 일 실시예에 따른 서버 장치(500) 및 클라이언트 장치(700)의 구성에 관한 도면이다. 도 4를 참고하면, 서버 장치(500) 및 클라이언트 장치(700)는 메모리부(5000a, 5000b), 제어부(1000a, 1000b) 및 통신부(9000a, 9000b)를 포함할 수 있다. 서버 장치(500) 및 클라이언트 장치(700)는 통신부(9000a, 9000b)를 통해 정보를 전달하고 획득할 수 있다. 일 예로, 클라이언트 장치(700)는 그 통신부(9000b)를 통해 서버 장치(500)의 통신부(9000a)로부터 학습된 각막 절개 관련 모델을 획득할 수 있다. 다른 예로, 클라이언트 장치(700)는 그 통신부(9000b)를 통해 입력데이터를 서버 장치(500)의 통신부(9000a)로 전달할 수 있고 서버 장치(500)는 그 통신부(9000a)를 통해 예측결과를 클라이언트 장치(700)의 통신부(9000b)로 전달할 수 있다.

전술한 바와 같이 각막 절개 관련 모델은 안과 수술 등으로 인한 각막 절개 시 및 그 전후에 고려될 수 있는 다양한 정보를 산출하는 모델이다.

도 5는 일 실시예에 따른 각막 절개 관련 모델(M)에 관한 도면이다. 도 5를 참고하면, 각막 절개 관련 모델(M)은 각막 절개 파라미터 추천 모델(M1), 각막 신경 손상도 예측 모델(M2), 신경 회복 속도 산출 모델(M3), 절개 위험 영역 예측 모델(M4) 및 이미지 정합 모델(M5)을 포함할 수 있다. 각 모델의 구체적인 설명은 후술하도록 한다.

각막 절개 관련 모델(M) 중 적어도 일부는 동일한 학습 장치에서 학습 및/또는 생성될 수 있다. 예를 들어, 각막 절개 파라미터 추천 모델(M1) 및 각막 신경 손상도 예측 모델(M2)은 동일한 학습 장치에서 학습 및/또는 생성될 수 있다. 또는, 각막 절개 관련 모델(M) 중 적어도 일부는 서로 다른 학습 장치에서 학습 및/또는 생성될 수 있다.

각막 절개 관련 모델(M) 중 적어도 일부는 동일한 예측 장치에서 실행될 수 있다. 예를 들어, 각막 절개 파라미터 추천 모델(M1) 및 각막 신경 손상도 예측 모델(M2)은 동일한 예측 장치에서 실행될 수 있다. 또는, 각막 절개 관련 모델(M) 중 적어도 일부는 서로 다른 예측 장치에서 실행될 수 있다.

일 실시예에 따른 각막 절개 관련 모델은 인공지능 모델/알고리즘으로 학습 및/또는 구현될 수 있고 그 학습 및/또는 구현 방법에 제한이 있는 것은 아니다. 예를 들어, 각막 절개 관련 모델은 분류(classification) 알고리즘, 회귀(regression) 알고리즘, 지도 학습(supervised learning), 비지도 학습(unsupervised learning), 강화 학습(reinforcement learning), 서포트 벡터 머신(support vector machine), 결정트리(decision tree), 랜덤 포레스트(random forest), LASSO, AdaBoost, XGBoost, 인공신경망(artificial neural network), 합성곱신경망(convolutional neural network, CNN), 생성대립신경망(generative adversarial network, GAN) 등과 같은 다양한 머신 러닝 모델/알고리즘 및 딥 러닝 모델/알고리즘을 통해 학습 및/또는 구현될 수 있다.

일 실시예에 따른 각막 절개 관련 모델은 학습 단계를 통해 학습 및/또는 생성될 수 있다. 학습 단계를 통해 학습 및/또는 생성된 각막 절개 관련 모델은 예측 단계를 통해 예측결과를 산출할 수 있다.

도 6은 일 실시예에 따른 각막 절개 관련 모델의 학습 단계(S10) 및 예측 단계(S30)를 설명하기 위한 도면이다. 도 6을 참고하면, 학습 단계(S10)는 학습데이터 획득 단계(S110) 및 모델 학습 단계(S150)를 포함할 수 있다.

학습데이터 획득 단계(S110)는 학습 장치가 각막 절개 관련 모델을 학습 및/또는 생성하기 위한 데이터인 학습데이터를 획득하는 단계일 수 있다.

모델 학습 단계(S150)는 각막 절개 관련 모델을 학습 및/또는 생성하는 단계일 수 있다. 모델 학습 단계(S150)에서 학습 장치는 학습데이터 획득 단계에서 획득한 학습데이터에 기초하여 상기 모델을 학습 및/또는 생성할 수 있다. 예를 들어, 각막 절개 관련 모델을 구성하는 모델 파라미터는 모델 학습 단계(S150)에서 변경될 수 있다. 상기 파라미터의 변화에 따라 상기 모델의 정확도는 향상될 수 있다.

각막 절개 관련 모델은 안과 수술 등을 통해 각막이 절개된 피시술자의 각막 절개 관련 정보에 기초하여 학습될 수 있다. 예를 들어, 상기 모델은 안과 수술을 받은 복수의 피시술자의 안과 수술의 종류, 상기 복수의 피시술자의 안과 수술 전 각막 신경 이미지, 상기 복수의 피시술자의 안과 수술 시 각막 절개 파라미터 및 상기 복수의 피시술자의 안과 수술 후 각막 신경 이미지 중 적어도 하나에 기초하여 학습될 수 있다.

도 6을 참고하면, 예측 단계(S30)는 입력데이터 획득 단계(S310) 및 모델 실행 단계(S350)를 포함할 수 있다.

입력데이터 획득 단계(S310)는 예측 장치가 각막 절개 관련 모델을 이용해 예측결과를 산출하는데 이용될 수 있는 데이터인 입력데이터를 획득하는 단계일 수 있다.

모델 실행 단계(S350)는 학습 단계(S10)에서 학습 및/또는 생성된 각막 절개 관련 모델 및 입력데이터에 기초하여 예측결과를 산출하는 단계일 수 있다. 예를 들어, 예측 장치는 입력데이터 및 학습 장치로부터 획득한 모델 파라미터에 기초하여 예측결과를 출력할 수 있다.

각막 절개 관련 모델의 입력데이터는 피검자에 대해 획득한 모든 정보를 포함할 수 있다. 또는, 상기 입력데이터는 피검자에 대해 획득한 정보 중 적어도 일부를 포함할 수 있다. 또한, 상기 입력데이터는 각막 절개 관련 모델에 따라 동일할 수도 있고 상이할 수 있다.

각막 절개 관련 모델의 예측결과는 학습데이터에 따라 달라질 수 있다. 또는, 각막 절개 관련 모델의 정확도는 학습데이터에 따라 달라질 수 있다.

학습데이터에 포함된 참값(true value)의 종류에 따라 예측결과가 달라질 수 있다. 예를 들어, 제1 학습데이터 및 제2 학습데이터가 서로 다른 병원에서 획득되거나 서로 다른 의사로부터 획득되거나 서로 다른 시기의 학습데이터인 경우 상기 제1 학습데이터에 기초하여 학습 및/또는 생성된 제1 모델 및 상기 제2 학습데이터에 기초하여 학습 및/또는 생성된 제2 모델은 서로 다를 수 있다. 그 결과 상기 제1 모델이 출력하는 제1 예측결과 및 상기 제2 모델이 출력하는 제2 예측결과는 서로 다를 수 있다. 또한, 상기 제1 모델 및 상기 제2 모델의 정확도는 서로 다를 수 있다.

다만, 학습데이터가 다르더라도 동일한 각막 절개 관련 모델이 학습 및/또는 생성될 수도 있다. 또는, 서로 다른 학습데이터로 학습 및/또는 생성된 각막 절개 관련 모델이더라도 동일한 예측결과를 산출할 수도 있다.

학습데이터, 입력데이터 및 예측결과(이하 "입출력데이터"라 함)는 각막 신경 이미지를 포함할 수 있다. 각막 신경 이미지는 각막 신경을 각막 신경 측정 장비를 이용하여 촬영한 이미지를 의미할 수 있다. 각막 신경 측정 장비의 예로는 NIDEK ConfoScan4, HEIDELBERG ENGINEERING HRT+RCM 등과 같은 공초점 현미경(confocal microscopy)이 있을 수 있으나 이에 한정되는 것은 아니다.

각막 신경 이미지가 나타내는 각막의 영역(이하 "커버 영역"이라 함)은 달라질 수 있다. 일 실시예에 따른 커버 영역은 각막의 전 영역일 수 있다. 또는, 일 실시예에 따른 커버 영역은 각막의 일부 영역일 수 있다. 예를 들어, 커버 영역은 각막 절개가 수행될 가능성이 존재하는 영역일 수 있다.

본 명세서에서는 설명의 편의를 위해 각막 신경 이미지가 2차원 이미지인 경우에 대해 서술하나 상기 이미지는 3차원 이미지일 수도 있는 등 그 차원에 제한이 없다.

입출력데이터는 각막 절개 파라미터를 포함할 수 있다. 각막 절개 파라미터는 각막 절개 시 고려할 수 있는 변수를 의미할 수 있다. 각막 절개 파라미터는 각막 절개 영역 및 각막 절개 깊이를 포함할 수 있다. 각막 절개 영역은 각막 표면 방향으로의 절개 길이 및 절개 위치 중 적어도 하나를 의미할 수 있다. 각막 절개 깊이는 각막 두께 방향으로의 절개량을 의미할 수 있다. 각막 두께 방향으로의 절개는 각막 전체를 절개하는 전층 절개 및 일부를 절개하는 부분 절개를 포함할 수 있다. 상기 전층 절개는 렌즈 삽입술, 백내장 수술 등에서 수행될 수 있다. 상기 부분 절개는 라식, 스마일 수술 등에서 수행될 수 있다.

도 7은 일 실시예에 따른 이미지 형태의 각막 절개 파라미터의 예시들에 관한 도면이다. 이하에서는 도 7을 참고하여 각막 절개 길이와 각막 절개 위치를 포함하는 각막 절개 영역 및 각막 절개 깊이를 설명한다.

각막 절개 파라미터는 각막 절개 길이를 포함할 수 있다. 도 7의 (a)는 일 실시예에 따른 각막 절개 길이가 다른 각막 절개 파라미터를 나타낸다. 이미지 형태의 각막 절개 파라미터는 각막 신경 이미지 상에 직선 또는 곡선 등 시각적으로 표현된 각막 절개 길이를 포함할 수 있다. 도 7의 (a)를 참고하면, 제1 각막 절개 파라미터(P1)는 제2 각막 절개 파라미터(P2)보다 각막 절개 길이가 길 수 있다.

각막 절개 파라미터는 각막 절개 위치를 포함할 수 있다. 이미지 형태의 각막 절개 파라미터는 각막 신경 이미지 상에 점, 선, 면 등 위치를 나타내는 방식이 시각적으로 표현된 각막 절개 위치를 포함할 수 있다.

각막 절개 위치는 각막 신경 이미지 상에서의 원주 방향으로의 위치를 포함할 수 있다. 도 7의 (b)는 일 실시예에 따른 각막 신경 이미지 상에서의 원주 방향으로의 위치가 다른 각막 절개 파라미터를 나타낸다. 제3 각막 절개 파라미터(P3) 및 제4 각막 절개 파라미터(P4)는 각막 절개 길이가 동일하지만 각막 신경 이미지 상에서의 원주 방향으로의 위치가 달라 그 절개 위치가 서로 다를 수 있다.

각막 절개 위치는 각막 신경 이미지 상에서의 반경 방향으로의 위치를 포함할 수 있다. 도 7의 (c)는 일 실시예에 따른 각막 신경 이미지 상에서의 반경 방향으로의 위치가 다른 각막 절개 파라미터를 나타낸다. 제5 각막 절개 파라미터(P5) 및 제6 각막 절개 파라미터(P6)는 각막 절개 길이가 동일하지만 각막 신경 이미지 상에서의 반경 방향으로의 위치가 달라 그 절개 위치가 서로 다를 수 있다.

각막 절개 파라미터는 각막 절개 깊이를 포함할 수 있다. 도 7의 (d)는 일 실시예에 따른 각막 절개 깊이가 다른 각막 절개 파라미터를 나타낸다. 제7 각막 절개 파라미터(P7)와 제8 각막 절개 파라미터(P8)의 각막 절개 깊이는 다를 수 있고 이를 표현하기 위하여 도 7의 (d)에서 서로 다른 색으로 각막 절개 파라미터를 나타내고 있지만 각막 절개 깊이를 표현하는 방법이 이에 한정되는 것은 아니다.

도 7은 각막 절개 파라미터가 각막 신경 이미지 상에 도시된 것으로 표현되었으나 각막 절개 파라미터의 표현 방법이 이에 한정되는 것은 아니다. 다른 표현 방법으로는 각막 절개 파라미터를 수치적으로 표현하는 것이 있을 수 있다. 일 실시예에 따른 각막 절개 길이는 2mm, 5mm 등과 같이 길이값으로 표현될 수 있다. 일 실시예에 따른 원주 방향으로의 위치는 각막 신경 이미지의 중심을 원점으로 하는 가상의 축을 기준으로 30°, 60°등과 같이 각도값으로 표현될 수 있다. 일 실시예에 따른 반경 방향으로의 위치는 각막 신경 이미지의 중심으로부터 5mm, 7mm 등과 같이 길이값으로 표현될 수 있다. 일 실시예에 따른 각막 절개 깊이는 1mm, 2mm 등과 같이 수치적으로 표현될 수 있다. 일 실시예에 따른 각막 절개 깊이는 전층 절개 및 부분 절개를 포함할 수 있다.

입출력데이터는 검진데이터를 포함할 수 있다. 검진데이터는 숫자, 문자, 이미지 등과 같이 다양하게 표현될 수 있고 그 표현 방식에 제한이 있는 것은 아니다. 또한, 이미지는 2차원, 3차원 이미지 등 그 차원에 제한이 없다.

검진데이터는 장비나 검사를 통하지 않고 질문 등을 하여 획득하는 정보인 문진데이터, 장비나 검사를 통하여 획득하는 안구에 관한 정보인 안구특성데이터 및 유전자 정보를 포함할 수 있다.

문진데이터는 피검자의 성별, 나이, 인종, 거주 지역 등의 생활 환경, 직업, 소득, 학력, 교육, 가족 규모와 같은 인구통계특성, 고혈압, 당뇨 등의 병력 및 가족력 등과 같은 변수를 포함할 수 있다.

안구특성데이터는 안구와 관련된 모든 종류의 정보를 포함할 수 있다. 예를 들어, 안구특성데이터는 시력, 안압 및/또는 망막 검사 결과 등과 같은 변수를 포함할 수 있다.

안구특성데이터는 안구의 물리적인 형상에 관한 정보를 포함할 수 있다. 일 예로, 안구특성데이터는 white-to-white(WTW) distance, angle-to-angle(ATA) distance, 전방 깊이(internal Anterior Chamber Depth, ACD), sulcus-to-sulcus(STS) distance, 동공크기 등과 같은 변수를 포함할 수 있다. 다른 예로, 안구특성데이터는 각막형상인자, 각막지형이미지 등과 같은 각막의 형상에 관한 정보를 포함할 수 있다. 여기서, 각막형상인자는 각막의 물리적 형상을 나타내는 수치로, index of surface variance (ISV), index of vertical asymmetry (IVA), keratoconus index (KI), central keratoconus index (CKI), minimum radius of curvature (Rmin), index of height asymmetry (IHA), index of height decentration (IHD), 중심부 각막 두께(central cornea thickness) 등과 같은 변수를 포함할 수 있다. 또한, 각막지형이미지는 각막 형상에 관한 이미지로, 각막지형도, 각막전면곡률 이미지, 각막후면곡률 이미지, 각막두께지도 등을 포함할 수 있다.

안구특성데이터는 Pentacam, CASIA2, AL-Scan, OQAS와 같은 tomography, topography, optical coherence tomography (OCT), ultrasound biomicroscopy (UBM) 장비 등을 통해 획득될 수 있으나 이에 한정되는 것은 아니다. 상기 장비 및 이와 유사한 장비를 통해 획득할 수 있는 정보 및 이로부터 유래한 정보는 안구특성데이터에 포함될 수 있다.

유전자 정보는 유전자 검사 등을 통해 획득될 수 있다. 유전자 정보는 피검자에게 안과 수술이 적합한지 여부를 판단하는데 이용될 수 있다. 또는, 유전자 정보는 안과 수술 후의 부작용을 예측하는데 이용될 수 있다. 예를 들어, 유전자 정보를 통해 각막이상증 발병 여부를 예측할 수 있다.

입출력데이터는 문진 및 검진 등을 통해서 획득/측정될 수 있는 측정값뿐만 아니라 각막 절개 관련 모델 등을 통해 산출될 수 있는 예측값을 포함할 수 있다. 예를 들어, 각막 신경 손상도는 안과 수술 전후에 검사 등을 통해 획득/측정한 피검자의 각막 신경 손상도 측정값뿐만 아니라 각막 신경 손상도 예측 모델을 통해 산출된 피검자의 안과 수술 후 각막 신경 손상도 예측값을 포함할 수 있다.

이하에서는 각막 절개 관련 모델의 개별적인 예시에 관해 설명한다.

각막 절개 파라미터 추천 모델은 피검자에게 대응되는 각막 절개 파라미터를 추천할 수 있다.

각막 절개 파라미터 추천 모델은 피검자의 각막 신경 손상을 고려하여 각막 절개 파라미터를 추천할 수 있다. 예를 들어, 상기 모델은 피검자의 각막 신경 손상을 감소시키기 위한 각막 절개 파라미터를 추천할 수 있다. 또는, 상기 모델은 피검자의 각막 신경 손상이 최소화되도록 각막 절개 파라미터를 추천할 수 있다.

각막 절개 파라미터 추천 모델은 피검자의 각막 신경 회복 속도를 고려하여 각막 절개 파라미터를 추천할 수 있다. 예를 들어, 상기 모델은 피검자의 각막 신경 회복 속도를 증가시키기 위한 각막 절개 파라미터를 추천할 수 있다. 또는, 상기 모델은 피검자의 각막 신경 회복 속도가 최대화되도록 각막 절개 파라미터를 추천할 수 있다.

각막 절개 파라미터 추천 모델은 피시술자의 안구의 난시량에 기초하여 각막 절개 파라미터를 산출할 수 있다. 일 실시예에 따른 각막 절개 길이는 난시량을 고려하여 결정될 수 있다. 예를 들어, 난시량이 증가함에 따라 각막 절개 길이가 길어질 수 있다.

각막 절개 파라미터 추천 모델은 각막 신경 이미지를 포함하는 입력데이터에 기초하여 각막 절개 파라미터를 추천할 수 있다. 예를 들어, 상기 모델은 각막 신경 이미지를 포함하는 입력데이터를 입력 받아 각막 절개 파라미터를 포함하는 출력데이터를 출력할 수 있다.

도 8은 일 실시예에 따른 각막 절개 파라미터 추천 모델(M1)에 관한 도면이다. 도 8을 참고하면, 각막 절개 파라미터 추천 모델(M1)은 각막 신경 이미지(I1)에 기초하여 각막 절개 파라미터를 포함하는 각막 신경 이미지(I2)를 출력할 수 있다. 전술한 바와 같이, 각막 절개 파라미터는 도 8처럼 이미지로 출력될 수 있으나 이 외에도 수치적으로 표현될 수 있는 등 다양한 방식으로 출력될 수 있다.

각막 절개 파라미터 추천 모델의 입력데이터는 피검자의 검진데이터를 포함할 수 있다. 각막 절개 파라미터는 피검자의 나이, 병력 및 생활 환경 등을 포함하는 검진데이터에 기초하여 산출될 수 있다.

각막 절개 파라미터 추천 모델은 각막 절개를 수행하는 안과 수술을 받은 피시술자의 안과 수술의 종류, 피시술자의 안과 수술 전 각막 신경 이미지, 피시술자의 안과 수술 시 각막 절개 파라미터 및 피시술자의 안과 수술 후 각막 신경 이미지 중 적어도 하나에 기초하여 학습될 수 있다.

상기 모델의 학습 방법의 일 예로, 상기 모델은 이미 안과 수술을 받은 피시술자의 안과 수술 전 실제 각막 신경 이미지를 포함하는 입력데이터를 입력 받아 각막 절개 파라미터를 예측하고, 상기 예측된 각막 절개 파라미터를 상기 피시술자의 수술 시 실제로 사용된 각막 절개 파라미터와 비교하여 상기 모델을 학습시킬 수 있다. 이 경우 학습된 모델은 예측 단계에서 피검자의 각막 신경 이미지를 포함하는 입력데이터를 입력 받아 각막 절개 파라미터를 예측할 수 있을 것이다.

상기 모델의 학습 방법의 다른 예로, 상기 모델은 이미 안과 수술을 받은 피시술자의 안과 수술 전 실제 각막 신경 이미지 및 수술 시 실제로 사용된 각막 절개 파라미터를 포함하는 입력데이터를 입력 받아 수술 후 각막 신경 이미지를 예측하고, 상기 예측된 각막 신경 이미지를 상기 피시술자의 수술 후 실제 각막 신경 이미지와 비교하여 상기 모델을 학습시킬 수 있다. 이 경우 학습된 모델은 예측 단계에서 피검자의 각막 신경 이미지 및 각막 절개 파라미터를 포함하는 입력데이터를 입력 받아 수술 후 각막 신경 이미지를 예측할 수 있을 것이다.

각막 절개 파라미터 추천 모델은 절개 가능 영역에 기초하여 각막 절개 파라미터를 산출할 수 있다.

절개 가능 영역은 각막 절개를 수행하는 시술자의 각막 절개 가능 범위를 고려하여 결정될 수 있다.

시술자의 각막 절개 가능 범위는 시술자의 각막 절개 시 피시술자에 대한 상대적인 위치에 기초하여 결정될 수 있다. 예를 들어, 시술자가 피시술자의 머리 위쪽에서 피시술자의 다리 방향을 보고 각막을 절개하는 경우의 각막 절개 가능 범위는 시술자가 피시술자의 오른쪽에서 왼쪽을 보고 각막을 절개하는 경우의 각막 절개 가능 범위와 다를 수 있다.

시술자의 각막 절개 가능 범위는 시술자의 각막 절개 시 사용하는 손에 기초하여 결정될 수 있다. 예를 들어, 시술자가 오른손으로 각막을 절개하는 경우의 각막 절개 가능 범위는 왼손으로 각막을 절개하는 경우의 각막 절개 가능 범위와 다를 수 있다.

절개 가능 영역은 피시술자의 안구가 좌안 또는 우안인지 여부를 고려하여 결정될 수 있다. 예를 들어, 피시술자의 좌안의 절개 가능 영역은 우안의 절개 가능 영역과 다를 수 있다.

절개 가능 영역은 피시술자의 안구의 난시축을 고려하여 결정될 수 있다. 예를 들어, 절개 가능 영역은 난시축과 수직인 방향의 영역 내에서 결정될 수 있다.

도 9는 일 실시예에 따른 절개 가능 영역에 관한 도면이다. 도 9를 참고하면, 일 실시예에 따른 절개 가능 영역은 각막 신경 이미지의 중심부로부터 연장되는 가상의 선 사이의 각도(A)로 표현될 수 있지만 이에 한정되는 것은 아니고 절개 가능 영역이라고 인식할 수 있는 다양한 방식으로 표현될 수 있다. 각막 절개 파라미터 추천 모델은 절개 가능 영역 내에서 각막 절개 파라미터(P9)를 산출할 수 있다.

각막 절개 파라미터 추천 모델은 복수의 각막 절개 파라미터를 포함하는 출력데이터를 출력할 수 있다. 출력데이터는 복수의 각막 절개 파라미터에 대응되는 우선 순위를 포함할 수 있다. 이하에서는 우선 순위가 높은 경우가 피시술자에게 유리한 각막 절개 파라미터로 보고 설명하나 이와 반대로도 설명 가능할 것이다. 또한, 피시술자에게 유리하다는 것은 각막 신경 손상이 적거나 회복 속도가 빠르다는 등 각막 절개로 인한 후유증이 적다는 것을 의미할 수 있다.

우선 순위는 각막 절개로 인한 후유증을 고려하여 산출될 수 있다. 일 실시예에 따른 우선 순위는 각막 신경 손상도를 고려하여 산출될 수 있다. 예를 들어, 제1 각막 절개 파라미터의 각막 신경 손상도가 제2 각막 절개 파라미터의 각막 신경 손상도보다 작은 경우, 제1 각막 절개 파라미터의 우선 순위는 제2 각막 절개 파라미터의 우선 순위보다 높을 수 있다. 일 실시예에 따른 우선 순위는 각막 신경 회복 속도를 고려하여 산출될 수 있다. 예를 들어, 제1 각막 절개 파라미터의 각막 신경 회복 속도가 제2 각막 절개 파라미터의 각막 신경 회복 속도보다 빠른 경우, 제1 각막 절개 파라미터의 우선 순위는 제2 각막 절개 파라미터의 우선 순위보다 높을 수 있다.

이상에서는 각막 절개 파라미터 추천 모델이 각막 절개가 수행되는 영역 등을 산출하는 것에 대해서 살펴보았다. 이와 다르게, 상기 모델은 각막 절개를 피해야 하는 영역(이하 "각막 절개 위험 영역"이라 함) 등을 산출할 수도 있다.

각막 절개 파라미터 추천 모델이 각막 절개 위험 영역을 출력하는 경우에도 각막 절개를 추천하는 영역을 출력하는 경우에 대한 내용이 적용될 수 있다. 예를 들어, 상기 모델은 각막 신경 손상도 및 각막 신경 회복 속도 중 적어도 하나를 고려하여 각막 절개 위험 영역을 산출할 수 있다.

각막 신경 손상도 예측 모델은 각막 절개 파라미터에 대응되는 각막 신경 손상도를 예측할 수 있다. 상기 모델은 각막 절개 파라미터를 포함하는 입력데이터에 기초하여 각막 절개로 인한 각막 신경 손상도를 예측할 수 있다.

각막 신경 손상도는 각막 신경 섬유의 길이에 기초하여 산출될 수 있다. 예를 들어, 각막 신경 섬유의 길이가 길수록 각막 신경 손상도는 감소할 수 있다.

각막 신경 손상도는 각막 신경 섬유의 개수에 기초하여 산출될 수 있다. 예를 들어, 각막 신경 섬유의 개수가 많을수록 각막 신경 손상도는 감소할 수 있다.

각막 신경 손상도는 각막 신경 섬유의 분지 횟수에 기초하여 산출될 수 있다. 예를 들어, 각막 신경 섬유의 분지 횟수가 많을수록 각막 신경 손상도는 감소할 수 있다.

각막 신경 손상도 예측 모델의 입력데이터는 피검자의 검진데이터를 포함할 수 있다. 각막 신경 손상도는 피검자의 나이, 병력 및 생활 환경 등을 포함하는 검진데이터에 기초하여 산출될 수 있다. 일 예로, 피검자의 나이가 많을수록 각막 신경 손상도가 증가할 수 있다. 다른 예로, 피검자에게 특정 병력이 존재하는 경우 각막 신경 손상도가 증가할 수 있다.

각막 신경 손상도 예측 모델은 복수의 각막 절개 파라미터에 대응되는 각막 신경 손상도를 예측할 수 있다. 예를 들어, 상기 모델은 제1 각막 절개 파라미터 및 제2 각막 절개 파라미터를 입력 받아 제1 각막 절개 파라미터에 대응되는 제1 각막 신경 손상도 및 제2 각막 절개 파라미터에 대응되는 제2 각막 신경 손상도를 산출할 수 있다. 전술한 바와 같이, 각막 신경 손상도에 기초하여 각막 절개 파라미터의 우선 순위가 결정될 수 있다.

신경 회복 속도 산출 모델은 각막 절개 파라미터에 대응되는 각막 신경의 회복 속도를 산출할 수 있다. 상기 모델은 각막 절개 파라미터 및 각막 신경 손상도 중 적어도 하나를 포함하는 입력데이터에 기초하여 각막 신경 회복 속도를 산출할 수 있다.

각막 신경 회복 속도는 각막 절개 파라미터에 기초하여 산출될 수 있다. 일 예로, 각막 절개 길이가 길수록 각막 신경 회복 속도는 감소할 수 있다. 다른 예로, 각막 절개 깊이가 깊을수록 각막 신경 회복 속도는 감소할 수 있다.

각막 신경 회복 속도는 각막 신경 손상도에 기초하여 산출될 수 있다. 예를 들어, 각막 신경 손상도가 증가할수록 각막 신경 회복 속도는 감소할 수 있다.

신경 회복 속도 산출 모델의 입력데이터는 피검자의 검진데이터를 포함할 수 있다. 각막 신경 회복 속도는 피검자의 나이, 병력 및 생활 환경 등을 포함하는 검진데이터에 기초하여 산출될 수 있다. 일 예로, 피검자의 나이가 많을수록 각막 신경 회복 속도는 감소할 수 있다. 다른 예로, 피검자에게 특정 병력이 존재하는 경우 각막 신경 회복 속도는 감소할 수 있다.

신경 회복 속도 산출 모델은 복수의 각막 절개 파라미터 및/또는 복수의 각막 신경 손상도에 대응되는 신경 회복 속도를 예측할 수 있다. 예를 들어, 상기 모델은 제1 각막 신경 손상도 및 제2 각막 신경 손상도를 입력 받아 제1 각막 신경 손상도에 대응되는 제1 신경 회복 속도 및 제2 각막 신경 손상도에 대응되는 제2 신경 회복 속도를 산출할 수 있다. 전술한 바와 같이, 각막 신경 회복 속도에 기초하여 각막 절개 파라미터의 우선 순위가 결정될 수 있다.

각막 신경 이미지는 각막 신경 측정 장비를 이용하여 생성될 수 있다. 예를 들어, 각막 신경 이미지는 공초점 현미경으로 측정된 각막 신경 이미지일 수 있다.

각막 신경 이미지를 생성하기 위한 측정 횟수는 커버 영역의 크기 및 측정 장비가 한 번의 측정을 통해 측정할 수 있는 각막의 영역(이하 "측정 영역"이라 함)의 크기에 따라 달라질 수 있다. 예를 들어, 측정 영역이 커버 영역보다 크거나 같은 경우 한 번의 측정으로 각막 신경 이미지를 생성할 수 있다. 반면, 측정 영역이 커버 영역보다 작은 경우에는 복수의 측정을 통해 상기 이미지를 생성할 수 있을 것이다.

측정 영역이 커버 영역보다 작거나 하는 등으로 인해 복수의 측정이 필요한 경우, 상기 복수의 측정으로부터 생성된 복수의 이미지(이하 "국소 영역 이미지"라고 함)의 정합을 통해 각막 신경 이미지를 생성할 수 있다. 이미지 정합 모델은 국소 영역 이미지의 정합을 통해 각막 신경 이미지를 생성할 수 있다.

도 10은 일 실시예에 따른 이미지 정합 모델(M5)에 관한 도면이다. 도 10을 참고하면, 이미지 정합 모델(M5)은 국소 영역 이미지(PI1, PI2, PI3, PI4)를 정합하여 각막 신경 이미지(FI)를 생성할 수 있다. 예를 들어, 이미지 정합 모델(M5)은 공초점 현미경으로 측정된 국소 영역 이미지(PI1, PI2, PI3, PI4)를 입력 받아 이를 정합하여 각막 신경 이미지(FI)를 생성할 수 있다.

도 10에는 각막 신경 이미지의 커버 영역이 각막의 전 영역인 것으로 도시되었으나 이에 한정되는 것은 아니다. 또한, 측정 영역의 크기는 예시적인 것으로 측정 장비에 따라 측정 영역의 크기는 달라질 수 있다.

국소 영역 이미지의 정합은 일반적인 이미지 정합 알고리즘을 통해 수행될 수 있다. 이미지 정합 알고리즘의 예로는 밝기값 기반 방법, 특징점 기반 방법 등이 있을 수 있다.

특징점 기반 정합 방법은 국소 영역 이미지로부터 특징점을 추출하는 단계 및 추출된 특징점을 매칭하여 국소 영역 이미지의 정합을 통해 각막 신경 이미지를 생성하는 단계를 포함할 수 있다.

특징점 기반 정합 방법의 예로는 Moravec 알고리즘, Harris 알고리즘, Shi and Tomasi 알고리즘, Wang and Brady 알고리즘, SUSAN 알고리즘, SIFT(Scale-Invariant Feature Transform) 알고리즘, SURF(Speeded-Up Robust Featurs) 알고리즘, FAST(Features from Accelerated Segment Test) 알고리즘, BRIEF(Binary Robust Independent Elementary Features) 알고리즘, ORB(Oriented FAST and Rotated BRIEF) 알고리즘, Trajkovic and Hedley 알고리즘, 곡률을 이용한 코너 검출 알고리즘 등이 있지만 이에 한정되는 것은 아니다.

각막 신경 이미지는 국소 영역 이미지의 각막 표면 방향으로의 정합 및 각막 두께 방향으로의 정합 중 적어도 하나에 의해 생성될 수 있다. 예를 들어, 각막 표면 방향으로의 정합만 수행되는 경우 2차원 각막 신경 이미지가 생성될 수 있다. 반면, 각막 두께 방향으로의 정합이 수행되는 경우 3차원 각막 신경 이미지가 생성될 수 있다.

각막 절개 관련 모델은 서로 조합될 수 있다. 상기 모델은 직렬적 연결 및 병렬적 연결 중 적어도 하나에 의해 조합될 수 있다.

각막 절개 관련 모델이 직렬적으로 연결되었다는 것은 적어도 하나의 각막 절개 관련 모델의 출력에 기초하여 적어도 다른 하나의 각막 절개 관련 모델의 출력이 산출되는 것을 포함할 수 있다.

각막 절개 관련 모델이 병렬적으로 연결되었다는 것은 각막 절개 관련 모델의 출력이 다른 각막 절개 관련 모델의 출력에 영향을 미치지 않는 것을 포함할 수 있다.

이하에서는 각막 절개 관련 모델의 조합에 대한 실시예에 대해 살펴본다.

도 11 내지 도 13은 일 실시예에 따른 각막 절개 관련 모델의 조합의 구현예에 관한 도면이다.

도 11을 참고하면, 각막 신경 손상도 예측 모델(M2)은 각막 절개 파라미터 추천 모델(M1)이 제1 입력데이터를 입력 받아 출력한 각막 절개 파라미터에 기초하여 각막 신경 손상도를 산출할 수 있다. 이 경우 각막 절개 파라미터 추천 모델(M1) 및 각막 신경 손상도 예측 모델(M2)의 조합에 의해 각막 절개 파라미터 및 각막 신경 손상도 중 적어도 하나가 산출될 수 있다.

각막 신경 손상도 예측 모델(M2)은 각막 절개 파라미터 외에 제2 입력데이터에 더 기초하여 각막 신경 손상도를 산출할 수 있다. 예를 들어, 전술한 바와 같이 상기 제2 입력데이터는 피검자의 검진데이터를 포함할 수 있다.

도 12를 참고하면, 신경 회복 속도 산출 모델(M3)은 각막 신경 손상도 예측 모델(M2)이 제1 입력데이터를 입력 받아 출력한 각막 신경 손상도에 기초하여 신경 회복 속도를 산출할 수 있다. 이 경우 각막 신경 손상도 예측 모델(M2) 및 신경 회복 속도 산출 모델(M3)의 조합에 의해 각막 신경 손상도 및 신경 회복 속도 중 적어도 하나가 산출될 수 있다.

신경 회복 속도 산출 모델(M3)은 각막 신경 손상도 외에 제2 입력데이터에 더 기초하여 신경 회복 속도를 산출할 수 있다. 예를 들어, 전술한 바와 같이 상기 제2 입력데이터는 피검자의 검진데이터를 포함할 수 있다.

도 13을 참고하면, 각막 절개 파라미터 추천 모델(M1)은 이미지 정합 모델(M5)이 제1 입력데이터를 입력 받아 출력한 각막 신경 이미지에 기초하여 각막 절개 파라미터를 산출할 수 있다. 여기서, 상기 제1 입력 데이터는 공초점 현미경으로 측정된 각막 신경 이미지를 포함할 수 있다. 이 경우 이미지 정합 모델(M5) 및 각막 절개 파라미터 추천 모델(M1)의 조합에 의해 각막 신경 이미지 및 각막 절개 파라미터 중 적어도 하나가 산출될 수 있다.

각막 절개 파라미터 추천 모델(M1)은 각막 신경 이미지 외에 제2 입력데이터에 더 기초하여 각막 절개 파라미터를 산출할 수 있다. 예를 들어, 전술한 바와 같이 상기 제2 입력데이터는 피검자의 검진데이터를 포함할 수 있다.

도 11 내지 도 13에는 2개의 모델을 조합하는 경우에 대해 설명하였으나 이에 한정되지 않고 3개 이상의 모델을 조합하는 것도 가능하다.

각막 절개 관련 모델은 서로 병합될 수 있다. 복수의 각막 절개 관련 모델은 하나의 모델로 병합되어 상기 복수의 개별 모델의 기능 중 적어도 일부를 수행할 수 있다.

도 14는 일 실시예에 따른 각막 절개 관련 모델의 병합의 구현예에 관한 도면이다. 도 14를 참고하면, 각막 절개 파라미터 추천 모델 및 각막 신경 손상도 예측 모델이 병합되어 하나의 병합 모델(M12)을 구성할 수 있다. 상기 병합 모델(M12)은 입력데이터에 기초하여 출력데이터를 산출할 수 있다. 여기서, 상기 출력데이터는 각막 절개 파라미터 및 각막 신경 손상도 중 적어도 하나에 대응되는 정보를 포함할 수 있다. 예를 들어, 상기 출력데이터는 각막 절개 파라미터 및 각막 신경 손상도 중 적어도 하나를 포함할 수 있다. 또는, 상기 출력데이터는 각막 절개 파라미터 및 각막 신경 손상도 중 적어도 하나로부터 산출된 정보를 포함할 수 있다.

도 14에는 2개의 모델을 병합하는 경우에 대해 설명하였으나 이에 한정되지 않고 3개 이상의 모델을 병합하는 것도 가능하다.

이하에서는 각막 절개 파라미터 추천 방법의 실시예에 대해 살펴본다.

각막 절개 파라미터 추천 방법은 하나 이상의 각막 절개 관련 모델을 이용하여 구현될 수 있다. 상기 방법이 복수의 각막 절개 관련 모델로 구현되는 경우, 적어도 하나의 각막 절개 관련 모델의 실행 여부는 적어도 다른 하나의 각막 절개 관련 모델의 예측결과에 의존할 수 있다. 예를 들어, 제2 각막 절개 관련 모델의 실행 여부는 제1 각막 절개 관련 모델의 예측결과에 의존할 수 있다.

후술하는 각막 절개 파라미터 추천 방법의 각 단계는 예측 장치에 의해 수행될 수 있다.

도 15는 일 실시예에 따른 각막 절개 파라미터 추천 방법의 제1 실시예에 관한 도면이다. 도 15를 참고하면, 일 실시예에 따른 각막 절개 파라미터 추천 방법은 각막 신경 이미지를 획득하는 단계(S1100), 각막 절개 파라미터를 포함하는 출력데이터를 산출하는 단계(S1500) 및 출력데이터의 적어도 일부를 제공하는 단계(S1900)를 포함할 수 있다.

각막 신경 이미지를 획득하는 단계(S1100)는 피검자의 안구에 대응되는 각막 신경 이미지를 획득하는 것을 포함할 수 있다.

각막 절개 파라미터를 포함하는 출력데이터를 산출하는 단계(S1500)는 적어도 각막 신경 이미지를 포함하는 입력데이터를 예측 모델에 입력하여 각막 절개 파라미터를 포함하는 출력데이터를 산출하는 것을 포함할 수 있다.

상기 각막 신경 이미지는 각막 신경 측정 장비를 이용하여 획득한 복수의 각막 신경 국소 영역 이미지의 각막 표면 방향으로의 정합 및 각막 두께 방향으로의 정합 중 적어도 하나에 의해 생성될 수 있다.

상기 입력데이터는 피검자의 검진데이터를 더 포함할 수 있다. 상기 검진데이터는 문진데이터 및 안구특성데이터 중 적어도 하나를 포함할 수 있다.

상기 예측 모델은 각막 절개 파라미터 추천 모델일 수 있다.

상기 각막 절개 파라미터는 각막 절개 영역 및 각막 절개 깊이 중 적어도 하나를 포함할 수 있다. 상기 각막 절개 영역은 각막 절개 길이 및 각막 절개 위치 중 적어도 하나를 포함할 수 있다. 상기 각막 절개 파라미터는 각막 절개를 피해야 하는 각막 절개 위험 영역을 포함할 수 있다.

상기 각막 절개 파라미터는 제1 각막 절개 파라미터 및 제2 각막 절개 파라미터를 포함할 수 있다. 이 경우 상기 출력데이터는 제1 각막 절개 파라미터 및 제2 각막 절개 파라미터의 우선 순위를 제공하기 위하여 제1 각막 절개 파라미터에 대응되는 제1 우선 순위 및 제2 각막 절개 파라미터에 대응되는 제2 우선 순위를 포함할 수 있다.

각막 절개 파라미터를 포함하는 출력데이터를 산출하는 단계(S1500)는 각막 절개를 수행하는 시술자의 각막 절개 가능 범위를 고려하여 결정되는 절개 가능 영역에 기초하여 각막 절개 파라미터를 산출하는 것을 포함할 수 있다. 상기 절개 가능 영역은 각막 절개가 수행되는 안구가 좌안 또는 우안인지 여부, 상기 안구의 난시축 및 상기 안구의 난시량 중 적어도 하나를 고려하여 결정될 수 있다.

도 16은 일 실시예에 따른 각막 절개 파라미터 추천 방법의 제2 실시예에 관한 도면이다. 도 16을 참고하면, 일 실시예에 따른 각막 절개 파라미터 추천 방법은 각막 신경 손상도를 예측하는 단계(S1600)를 포함할 수 있다.

각막 신경 손상도를 예측하는 단계(S1600)는 각막 절개 파라미터를 포함하는 입력데이터에 기초하여 각막 절개로 인한 각막 신경 손상도를 예측하는 것을 포함할 수 있다.

상기 각막 신경 손상도는 각막 신경 섬유의 길이, 각막 신경 섬유의 개수 및 각막 신경 섬유의 분지 횟수 중 적어도 하나에 기초하여 예측될 수 있다.

상기 각막 신경 손상도는 각막 신경 손상도 예측 모델에 의해 산출될 수 있다.

도 17은 일 실시예에 따른 각막 절개 파라미터 추천 방법의 제3 실시예에 관한 도면이다. 도 17을 참고하면, 일 실시예에 따른 각막 절개 파라미터 추천 방법은 각막 신경의 회복 속도를 산출하는 단계(S1700)를 포함할 수 있다.

각막 신경의 회복 속도를 산출하는 단계(S1700)는 각막 신경 손상도를 포함하는 입력데이터 기초하여 각막 신경의 회복 속도를 산출하는 것을 포함할 수 있다.

상기 회복 속도는 신경 회복 속도 산출 모델에 의해 산출될 수 있다.

도 18은 일 실시예에 따른 각막 절개 파라미터 추천 방법의 제4 실시예에 관한 도면이다. 도 18을 참고하면, 일 실시예에 따른 각막 절개 파라미터 추천 방법은 우선 순위를 산출하는 단계(S1810)를 포함할 수 있다.

우선 순위를 산출하는 단계(S1810)는 제1 각막 절개 파라미터 및 제2 각막 절개 파라미터의 우선 순위를 제공하기 위하여 제1 각막 신경 손상도 및 제2 각막 신경 손상도에 기초하여 제1 각막 절개 파라미터에 대응되는 제1 우선 순위 및 제2 각막 절개 파라미터에 대응되는 제2 우선 순위를 산출하는 것을 포함할 수 있다.

도 19는 일 실시예에 따른 각막 절개 파라미터 추천 방법의 제5 실시예에 관한 도면이다. 도 19를 참고하면, 일 실시예에 따른 각막 절개 파라미터 추천 방법은 각막 절개 파라미터를 선택하는 단계(S1850)를 포함할 수 있다.

각막 절개 파라미터를 선택하는 단계(S1850)는 제1 각막 신경 손상도 및 제2 각막 신경 손상도에 기초하여 제1 각막 절개 파라미터 및 제2 각막 절개 파라미터 중 하나를 선택하는 것을 포함할 수 있다.

도 20은 일 실시예에 따른 각막 절개 파라미터 추천 방법의 제6 실시예에 관한 도면이다. 도 20을 참고하면, 일 실시예에 따른 각막 절개 파라미터 추천 방법은 이미지 형태의 각막 절개 파라미터를 생성하는 단계(S1890)를 포함할 수 있다.

도 15를 참고하면, 각막 절개 파라미터를 포함하는 출력 데이터를 산출하는 단계(S1500)에서 산출된 각막 절개 파라미터는 수치적 형태일 수 있다. 각막 절개 파라미터 추천 방법은, 수치적 형태로 산출된 각막 절개 파라미터에 기초하여 이미지 형태의 각막 절개 파라미터를 생성하는 것을 포함할 수 있다.

상기 이미지 형태의 각막 절개 파라미터는 전술한 시각적으로 각막 절개 파라미터를 표현하는 방식으로 표현된 것일 수 있다. 예를 들어, 상기 이미지 형태의 각막 절개 파라미터는 각막 신경 이미지 상에 각막 절개 영역 및 각막 절개 깊이 중 적어도 하나를 시각적으로 표현하는 것을 포함할 수 있다.

전술한 각막 절개 파라미터 추천 방법 및 각막 절개 관련 모델의 조합 및/또는 병합은 예시에 불과하며 이 외에도 다양한 방식으로 각막 절개 파라미터 추천 방법을 구현하거나 각막 절개 관련 모델을 조합 및/또는 병합할 수 있다.

실시예에 따른 방법은 다양한 컴퓨팅 장치를 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media) 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨팅 장치에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

상기에서는 실시예를 기준으로 본 발명의 구성과 특징을 설명하였으나 본 발명은 이에 한정되지 않으며, 본 발명의 사상과 범위 내에서 다양하게 변경 또는 변형할 수 있음은 본 발명이 속하는 기술 분야의 당업자에게 명백한 것이며, 따라서 이와 같은 변경 또는 변형은 첨부된 특허청구범위에 속함을 밝혀둔다.

10: 각막 절개 파라미터 추천 시스템
100: 학습 장치
300: 예측 장치
500: 서버 장치
700: 클라이언트 장치
1000: 제어부
5000: 메모리부
9000: 통신부

Claims

컴퓨팅 장치에 의해 수행되는 인공지능을 이용한 각막 절개 파라미터 추천 방법에 있어서,
피검자의 안구에 대응되는 각막 신경 이미지를 획득하는 단계;
적어도 상기 각막 신경 이미지를 포함하는 제1 입력데이터를 예측 모델에 입력하여 각막 절개 영역 및 각막 절개 깊이 중 적어도 하나를 포함하는 각막 절개 파라미터를 포함하는 출력데이터를 산출하는 단계 - 상기 각막 절개 깊이는 전층 절개 및 부분 절개 중 적어도 하나를 포함함 - ; 및
상기 출력데이터의 적어도 일부를 제공하는 단계;를 포함하되,
상기 각막 절개 파라미터 중 적어도 일부를 기초로 각막 신경 손상도를 예측하고,
상기 각막 신경 손상도는 각막 신경 섬유의 길이, 각막 신경 섬유의 개수 및 각막 신경 섬유의 분지 횟수 중 적어도 하나에 기인하고,
상기 예측 모델은, 각막 절개를 수행하는 안과 수술을 받은 복수의 피시술자의 상기 안과 수술의 종류, 상기 복수의 피시술자의 상기 안과 수술 전 각막 신경 이미지, 상기 복수의 피시술자의 상기 안과 수술 시 각막 절개 파라미터 및 상기 복수의 피시술자의 상기 안과 수술 후 각막 신경 이미지 중 적어도 하나에 기초하여 학습된
각막 절개 파라미터 추천 방법.
삭제
삭제
제1 항에 있어서,
상기 각막 신경 손상도를 기초로 각막 신경의 회복 속도를 산출하는 단계;를 더 포함하는
각막 절개 파라미터 추천 방법.
제1 항에 있어서,
상기 출력데이터를 산출하는 단계는, 각막 절개를 수행하는 시술자의 각막 절개 가능 범위를 고려하여 결정되는 절개 가능 영역에 기초하여 각막 절개 파라미터를 산출하는
각막 절개 파라미터 추천 방법.
제5 항에 있어서,
상기 절개 가능 영역은, 상기 안구가 좌안 또는 우안인지 여부, 상기 안구의 난시축 및 상기 안구의 난시량 중 적어도 하나를 고려하여 결정되는
각막 절개 파라미터 추천 방법.
제1 항에 있어서,
상기 각막 절개 영역은, 각막 절개 길이 및 각막 절개 위치 중 적어도 하나를 포함하고,
상기 각막 절개 깊이는, 전층 절개 및 부분 절개 중 적어도 하나를 포함하는
각막 절개 파라미터 추천 방법.
제1 항에 있어서,
상기 입력데이터는, 상기 피검자의 검진데이터 - 상기 검진데이터는 문진데이터 및 안구특성데이터 중 적어도 하나를 포함함 - 를 더 포함하는
각막 절개 파라미터 추천 방법.
제1 항에 있어서,
상기 각막 신경 이미지는, 각막 신경 측정 장비를 이용하여 획득한 복수의 각막 신경 국소 영역 이미지의 각막 표면 방향으로의 정합 및 각막 두께 방향으로의 정합 중 적어도 하나에 의해 생성되는
각막 절개 파라미터 추천 방법.
제1 항에 있어서,
상기 각막 절개 파라미터는, 제1 각막 절개 파라미터 및 제2 각막 절개 파라미터를 포함하는
각막 절개 파라미터 추천 방법.
제10 항에 있어서,
상기 출력데이터는, 상기 제1 각막 절개 파라미터 및 상기 제2 각막 절개 파라미터의 우선 순위를 제공하기 위하여 상기 제1 각막 절개 파라미터에 대응되는 제1 우선 순위 및 상기 제2 각막 절개 파라미터에 대응되는 제2 우선 순위를 포함하는
각막 절개 파라미터 추천 방법.
제10 항에 있어서,
상기 제1 각막 절개 파라미터에 대응되는 제1 각막 신경 손상도 및 상기 제2 각막 절개 파라미터에 대응되는 제2 각막 신경 손상도를 예측하는 단계;를 더 포함하는
각막 절개 파라미터 추천 방법.
제12 항에 있어서,
상기 제1 각막 절개 파라미터 및 상기 제2 각막 절개 파라미터의 우선 순위를 제공하기 위하여 상기 제1 각막 신경 손상도 및 상기 제2 각막 신경 손상도에 기초하여 상기 제1 각막 절개 파라미터에 대응되는 제1 우선 순위 및 상기 제2 각막 절개 파라미터에 대응되는 제2 우선 순위를 산출하는 단계; 또는
상기 제1 각막 신경 손상도 및 상기 제2 각막 신경 손상도에 기초하여 상기 제1 각막 절개 파라미터 및 상기 제2 각막 절개 파라미터 중 하나를 선택하는 단계;를 더 포함하는
각막 절개 파라미터 추천 방법.
제1 항에 있어서,
상기 출력데이터를 산출하는 단계에서 산출된 각막 절개 파라미터는 수치적 형태이고,
상기 각막 절개 파라미터 추천 방법은, 수치적 형태로 산출된 각막 절개 파라미터에 기초하여 이미지 형태의 각막 절개 파라미터를 생성하는 단계를 더 포함하는
각막 절개 파라미터 추천 방법.
제14 항에 있어서,
상기 이미지 형태의 각막 절개 파라미터는, 각막 신경 이미지 상에 각막 절개 영역 및 각막 절개 깊이 중 적어도 하나를 시각적으로 표현하는 것을 특징으로 하는
각막 절개 파라미터 추천 방법.
컴퓨팅 장치에 의해 수행되는 인공지능을 이용한 각막 절개 파라미터 추천 방법에 있어서,
피검자의 안구에 대응되는 각막 신경 이미지를 획득하는 단계;
적어도 상기 각막 신경 이미지를 포함하는 입력데이터를 예측 모델에 입력하여 각막 절개 파라미터를 포함하는 출력데이터를 산출하는 단계 - 상기 각막 절개 파라미터는 각막 절개를 피해야 하는 각막 절개 위험 영역을 포함함 - ; 및
상기 출력데이터의 적어도 일부를 제공하는 단계;를 포함하되,
상기 각막 절개 파라미터 중 적어도 일부를 기초로 각막 신경 손상도를 예측하고,
상기 각막 신경 손상도는 각막 신경 섬유의 길이, 각막 신경 섬유의 개수 및 각막 신경 섬유의 분지 횟수 중 적어도 하나에 기인하고,
상기 예측 모델은, 각막 절개를 수행하는 안과 수술을 받은 복수의 피시술자의 상기 안과 수술의 종류, 상기 복수의 피시술자의 상기 안과 수술 전 각막 신경 이미지, 상기 복수의 피시술자의 상기 안과 수술 시 각막 절개 파라미터 및 상기 복수의 피시술자의 상기 안과 수술 후 각막 신경 이미지 중 적어도 하나에 기초하여 학습된
각막 절개 파라미터 추천 방법.
컴퓨팅 장치에 제1 항 및 제4 항 내지 제16 항 중 어느 하나의 항에 따른 방법을 실행시키기 위한 프로그램을 기록한 컴퓨팅 장치로 읽을 수 있는 기록매체.