KR102343796B1 - 안구영상을 이용한 심혈관계 질환 예측방법 - Google Patents

안구영상을 이용한 심혈관계 질환 예측방법 Download PDF

Info

Publication number
KR102343796B1
KR102343796B1 KR1020200008919A KR20200008919A KR102343796B1 KR 102343796 B1 KR102343796 B1 KR 102343796B1 KR 1020200008919 A KR1020200008919 A KR 1020200008919A KR 20200008919 A KR20200008919 A KR 20200008919A KR 102343796 B1 KR102343796 B1 KR 102343796B1
Authority
KR
South Korea
Prior art keywords
cardiovascular disease
subject
determination result
image
diagnostic
Prior art date
Application number
KR1020200008919A
Other languages
English (en)
Other versions
KR20200011530A (ko
Inventor
최태근
Original Assignee
주식회사 메디웨일
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
Priority claimed from KR1020170175865A external-priority patent/KR102071774B1/ko
Application filed by 주식회사 메디웨일 filed Critical 주식회사 메디웨일
Priority to KR1020200008919A priority Critical patent/KR102343796B1/ko
Publication of KR20200011530A publication Critical patent/KR20200011530A/ko
Priority to KR1020210184935A priority patent/KR102426065B1/ko
Application granted granted Critical
Publication of KR102343796B1 publication Critical patent/KR102343796B1/ko
Priority to KR1020220091148A priority patent/KR20220106947A/ko
Priority to KR1020230133389A priority patent/KR20230144517A/ko

Links

Images

Classifications

    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/021—Measuring pressure in heart or blood vessels
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0891—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of blood vessels

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Vascular Medicine (AREA)
  • Cardiology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Pulmonology (AREA)
  • Theoretical Computer Science (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Evolutionary Computation (AREA)
  • Optics & Photonics (AREA)
  • Ophthalmology & Optometry (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

컴퓨터가 대상체의 안구영상을 획득하는 단계 및 상기 안구영상과 심뇌혈관 질환 판단을 위한 하나 이상의 마커 간의 상관관계에 기초하여 상기 대상체의 심뇌혈관 질환여부를 예측하는 단계를 포함하는, 안구영상을 이용한 심뇌혈관 질환 예측방법이 개시된다.

Description

안구영상을 이용한 심혈관계 질환 예측방법 {METHOD FOR PREDICTING CARDIOVASCULAR DISEASE USING EYE IMAGE}
본 발명은 안구영상을 이용한 심뇌혈관 질환 예측방법에 관한 것이다.
OCT(Optical Coherence Tomography) 영상은 광 간섭 단층 촬영이라고도 하며, 빛을 사용하여 광학 산란 매체 (예: 생물 조직) 내에서 마이크로 미터 해상도의 3 차원 이미지를 캡처하는 의료 영상 기술이다.
이는 일반적으로 근적외선을 사용하는 저 간섭 성질을 이용한 간섭계를 기반으로 한다. 비교적 긴 파장 빛을 사용하면 산란 매질 내로 침투할 수 있다. 또 다른 광학 기술인 공 촛점 현미경 (confocal microscopy)은 일반적으로 샘플에 덜 깊숙이 침투하지만 해상도는 더 높다.
광원 (고휘도 다이오드, 매우 짧은 펄스 레이저 및 장기간 연속 레이저가 사용됨)의 특성에 따라 광학 간섭 단층 촬영은 서브 마이크로 미터 분해능 (~ 100 nm 파장 범위에서 방출되는 매우 넓은 스펙트럼 소스를 가짐)을 가진다.
최근에는 딥 러닝을 이용하여 다양한 의료영상을 처리하여 필요한 정보를 획득하는 방법에 대한 개발이 활발하게 진행되고 있다.
딥 러닝은 여러 비선형 변환기법의 조합을 통해 높은 수준의 추상화(abstractions, 다량의 데이터나 복잡한 자료들 속에서 핵심적인 내용 또는 기능을 요약하는 작업)를 시도하는 기계학습 알고리즘의 집합으로 정의된다. 딥 러닝은 큰 틀에서 사람의 사고방식을 컴퓨터에게 가르치는 기계학습의 한 분야로 볼 수 있다.
1. 미국 특허출원공개공보 US2004-0064057(2004.04.01)
본 발명이 해결하고자 하는 과제는 안구영상을 이용한 심뇌혈관 질환 예측방법을 제공하는 것이다.
본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 과제를 해결하기 위한 본 발명의 일 면에 따른 안구영상을 이용한 심뇌혈관 질환 예측방법은, 컴퓨터가 대상체의 안구영상을 획득하는 단계 및 상기 안구영상과 심뇌혈관 질환 판단을 위한 하나 이상의 마커 간의 상관관계에 기초하여 상기 대상체의 심뇌혈관 질환여부를 예측하는 단계를 포함한다.
또한, 상기 하나 이상의 마커는, 심뇌혈관 질환여부를 판단하기 위하여 이용되는 하나 이상의 검사방법에 따른 검사결과로부터 도출되는 값인 것을 특징으로 할 수 있다.
또한, 상기 하나 이상의 검사방법은, 심장 및 관상동맥에 대한 CT 촬영, 초음파 검사 및 혈압 검사 중 적어도 하나를 포함할 수 있다.
또한, 상기 도출되는 값은, 혈관 내 칼슘지수, 혈관의 두께, 중심혈압(Central Blood Pressure) 및 동맥경화도(PWV) 중 적어도 하나를 포함할 수 있다.
또한, 상기 심뇌혈관 질환여부를 예측하는 단계는, 상기 하나 이상의 마커 값이 라벨링된 안구영상을 이용하여 학습된 모델을 이용하여, 상기 획득된 안구영상에 대응하는 하나 이상의 마커 값을 예측하는 단계를 포함할 수 있다.
또한, 상기 심뇌혈관 질환여부를 예측하는 단계는, 상기 예측된 하나 이상의 마커 값을 이용하여 상기 대상체의 심뇌혈관 질환여부를 예측하는 단계를 포함할 수 있다.
또한, 상기 심뇌혈관 질환여부를 예측하는 단계는, 상기 하나 이상의 마커 값이 라벨링된 안구영상을 이용하여 학습된 모델을 이용하여, 상기 획득된 안구영상에 대응하는 상기 대상체의 심뇌혈관 질환여부를 예측하는 단계를 포함할 수 있다.
또한, 상기 학습된 모델을 이용하여 안구영상과 상관관계를 갖는 새로운 마커를 추출하는 단계 및 상기 추출된 새로운 마커 값이 라벨링된 안구영상을 이용하여 상기 모델을 다시 학습시키는 단계를 더 포함할 수 있다.
또한, 상기 다시 학습된 모델을 이용하여, 상기 획득된 안구영상에 대응하는 상기 대상체의 심뇌혈관 질환여부를 예측하는 단계를 더 포함할 수 있다.
상술한 과제를 해결하기 위한 본 발명의 일 면에 따른 컴퓨터프로그램은, 하드웨어인 컴퓨터와 결합되어 안구영상을 이용한 심뇌혈관 질환 예측방법을 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장된다.
본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
개시된 실시 예에 따르면, OCT 영상을 포함하는 안구영상을 이용하여 대상체의 심뇌혈관 질환 보유여부를 용이하게 도출해낼 수 있는 효과가 있다.
또한, 하나 이상의 마커를 활용하여 대상체의 심뇌혈관 질환 보유여부를 판단함으로써, 더 정확하고 다각적인 검토가 가능해지는 효과가 있다.
본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 일 실시 예에 따른 안구영상 분석시스템을 간략하게 도시한 개념도이다.
도 2는 일 실시 예에 따른 안구영상을 이용한 심뇌혈관 질환 예측방법을 도시한 흐름도이다.
도 3은 안구영상을 이용하여 대상체의 심뇌혈관 질환을 예측하는 일 예를 도시한 도면이다.
도 4는 하나 이상의 마커를 이용하여 안구영상으로부터 대상체의 심뇌혈관 질환여부를 판단하는 방법의 일 예를 도시한 도면이다.
도 5는 일 실시 예에 따라 새로운 마커를 추출하는 방법을 도시한 도면이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
명세서에서 사용되는 "부" 또는 “모듈”이라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, "부" 또는 “모듈”은 어떤 역할들을 수행한다. 그렇지만 "부" 또는 “모듈”은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부" 또는 “모듈”은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부" 또는 “모듈”은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 "부" 또는 “모듈”들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부" 또는 “모듈”들로 결합되거나 추가적인 구성요소들과 "부" 또는 “모듈”들로 더 분리될 수 있다.
공간적으로 상대적인 용어인 "아래(below)", "아래(beneath)", "하부(lower)", "위(above)", "상부(upper)" 등은 도면에 도시되어 있는 바와 같이 하나의 구성요소와 다른 구성요소들과의 상관관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용시 또는 동작시 구성요소들의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들어, 도면에 도시되어 있는 구성요소를 뒤집을 경우, 다른 구성요소의 "아래(below)"또는 "아래(beneath)"로 기술된 구성요소는 다른 구성요소의 "위(above)"에 놓여질 수 있다. 따라서, 예시적인 용어인 "아래"는 아래와 위의 방향을 모두 포함할 수 있다. 구성요소는 다른 방향으로도 배향될 수 있으며, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.
본 명세서에서 "영상"은 이산적인 영상 요소들(예를 들어, 2차원 영상에 있어서의 픽셀들 및 3차원 영상에 있어서의 복셀들)로 구성된 다차원(multi-dimensional) 데이터를 의미할 수 있다.
본 명세서에서 "대상체(object)"는 사람 또는 동물, 또는 사람 또는 동물의 일부 또는 전부일수 있다. 예를 들어, 대상체는 간, 심장, 자궁, 뇌, 유방, 복부 등의 장기, 및 혈관 중 적어도 하나를 포함할 수 있다.
본 명세서에서 "사용자"는 의료 전문가로서 의사, 간호사, 임상 병리사, 의료 영상 전문가 등이 될 수 있으며, 의료 장치를 수리하는 기술자가 될 수 있으나, 이에 한정되지 않는다.
도 1은 일 실시 예에 따른 안구영상 분석시스템을 간략하게 도시한 개념도이다.
도 1을 참조하면, 안구영상 촬영장치(10), 사용자 클라이언트(20) 및 서버(100)를 포함한다.
일 실시 예에서, 안구영상 촬영장치(10)는 대상체의 안구 영상을 촬영할 수 있는 모든 형태의 장치를 포함한다.
예를 들어, 안구영상 촬영장치(10)는 대상체의 안저(Fundus)를 촬영하는 안저영상 촬영장치일 수 있다. 안저영상 촬영장치는 대상체의 동공을 통하여 안구 내의 유리체, 망막, 맥락막, 시신경유두 등을 촬영한다.
또한, 안구영상 촬영장치(10)는 대상체의 안구의 망막 부근을 단층별로 촬영하는 OCT 장치일 수 있다. OCT 장치는 대상체의 망막신경섬유층, 시신경유두 및 황반부 등에 대한 정보를 획득할 수 있다.
일 실시 예에서, 사용자 클라이언트(20)는 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치의 사용자 클라이언트를 의미하고, 서버(100)는 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치를 의미한다.
일 실시 예에서, 안구영상 촬영장치(10)와 사용자 클라이언트(20)는 하나의 장치에 내장되어 있을 수도 있고, 안구영상 촬영장치(10)가 사용자 클라이언트(20)와 물리적 또는 전기적으로 연결되어 이용될 수도 있다.
사용자 클라이언트(20)는 안구영상 촬영장치(10)로부터 대상체의 안구영상을 획득한다.
사용자 클라이언트(20)는 획득된 안구영상을 서버(100)에 전송한다.
서버(100)는 사용자 클라이언트(20)로부터 획득된 안구영상을 분석하고, 분석 결과를 사용자 클라이언트(20)에 전송한다.
일 실시 예에서, 사용자 클라이언트(20)와 서버(100)가 분리되지 않고, 사용자 클라이언트(20)가 획득된 안구영상을 분석하고, 분석 결과를 사용자에게 제공할 수도 있다.
대상체의 안구 내부를 보여주는 안저사진을 분석하는 작업은 난이도가 높아서, 일반적으로 안과 전문의가 그 분석을 수행하고 있다. 개시된 실시 예에 따르면, 안과 전문의가 상주하지 않는 의료기관에서도 안저영상 촬영장치가 구비되는 경우 사용자 클라이언트(20) 또는 서버(100)의 분석에 의해 대상체의 질병 보유여부를 판단할 수 있다.
일 실시 예에서, 사용자 클라이언트(20) 또는 서버(100)의 판단결과는 일반의 또는 전문의의 판단을 보조하는 데 이용될 수도 있다.
일 실시 예에서, 사용자 클라이언트(20) 또는 서버(100)는 판단결과 대상체가 질병을 보유하지 않은 것으로 판단되는 경우 판단결과를 사용자에게 제공하고, 대상체가 질병을 보유한 것으로 판단되는 경우 대상체의 안구영상을 재검토 대상으로 분류할 수 있다.
재검토 대상으로 분류된 안구영상은 최초 판단시와 동일하거나 상이한 알고리즘을 이용하여 질병 보유여부가 판단되고, 나아가 보유한 질병의 종류 또한 판단될 수 있다. 일 실시 예에서, 재검토 대상으로 분류된 안구영상은 전문의의 판독을 통해 질병 보유여부 및 보유한 질병의 종류가 결정되고, 판독 결과가 사용자 클라이언트(20) 또는 서버(100)를 통해 사용자에게 제공될 수도 있다.
개시된 실시 예에 따르면, 당뇨병 환자와 같이 자주 안저 검사를 받아야 하는 환자가 매번 전문의를 만나지 않아도, 쉽게 자주 안저검사를 받을 수 있어 환자와 의사의 편의가 향상되는 효과가 있다.
개시된 실시 예에서, 대상체의 안구영상을 획득하는 데 조영술(Angiography)이 활용될 수 있다.
조영술은 특히 대상체의 혈관을 구체적으로 관찰하기 위하여 이용되는 방법으로, 대상체에 조영제를 투여하는 방식으로 이루어진다.
예를 들어, 형광안저조영술(Fluorescein Fundus Angiography, FA)는 형광색소인 플루오레세인을 대상체에 투여하여 대상체의 안저영상을 촬영하는 방법이다. 이 경우, 대상체의 안구 내 혈관의 혈류변화와, 대상체의 망막혈관의 손상정도 등에 대한 정보를 획득할 수 있다.
다른 예로, OCT(Optical Computed Tomography) 조영술(Angiography)을 이용하면, 눈 혈관의 움직임을 관찰하고, 대상체의 안구 내 혈관의 혈류변화와, 대상체의 망막혈관의 손상정도 등에 대한 정보를 획득할 수 있다. 이에 더하여, OCT 조영술은 혈관의 단층별 변화를 촬영할 수 있어, 미세한 혈류변화와 국소적 혈관의 손상정도를 파악할 수 있는 장점이 있다.
또한, OCT 조영술은 조영제를 사용할 필요가 없는 완전한 비침습적 방법으로서 조영제의 부작용을 우려하지 않아도 되는 장점이 있다.
개시된 실시 예에서, 서버(100)는 라벨링된 안구 영상들을 이용하여 미리 학습된 모델을 저장한다. 서버(100)는 대상체의 안저 영상을 모델에 입력하여 대상체의 질병 보유여부를 판단한다.
예를 들어, 서버(100)는 대상체의 안저 영상을 이용하여 대상체의 안저의 정상 또는 비정상 여부를 판단한다. 즉, 서버(100)는 대상체의 안저 영상을 이용하여 대상체의 안구질환 보유여부를 판단한다.
다른 예로, 서버(100)는 조영술을 이용하여 촬영된 대상체의 안구 영상을 이용하여 대상체의 심장 또는 신장질환 보유여부를 판단한다.
서버(100)는 상술한 방법들로 촬영된 다양한 형태의 안구 영상을 이용하여, 대상체의 다양한 질환 보유여부를 판단할 수 있다.
이하에서는, 개시된 실시 예에 따른 바람직한 실시 예로서, OCT 촬영장치를 이용하여 획득된 대상체의 안구 OCT 영상을 이용하여, 대상체의 심뇌혈관 질환 보유여부를 판단하는 방법에 대하여 설명한다. 하지만, 개시된 실시 예에 따른 심뇌혈관 질환 예측방법은 안구 OCT를 이용하는 방법에 제한되지 않고, 모든 종류의 안구영상을 이용하는 것을 포괄하는 것으로 이해된다. 또한, 개시된 실시 예에 따른 심뇌혈관 질환 예측방법은, 모든 종류의 망막 및 안구검사를 통하여 획득된 정보를 이용하여 대상체의 심뇌혈관 질환을 예측하는 데에도 적용될 수 있다.
도 2는 일 실시 예에 따른 안구영상을 이용한 심뇌혈관 질환 예측방법을 도시한 흐름도이다.
도 2는 개시된 실시 예에 따른 대상체의 안구영상을 분석하는 방법을 수행하기 위하여 도 1에 도시된 사용자 클라이언트(20) 또는 서버(100)가 수행하는 각 단계들을 시계열적으로 도시한 것이다.
이하에서는, 설명의 편의를 위하여 각 단계들을 서버(100)가 수행하는 것으로 설명한다. 하지만, 도 2에 도시된 각 단계들의 전부 또는 적어도 일부는 사용자 클라이언트(20) 또는 서버(100) 각각에서 모두 수행될 수 있다.
단계 S210에서, 서버(100)는 대상체의 안구에 대한 OCT(Optical Coherence Tomography) 영상을 획득한다.
OCT 영상은 주로 대상체의 망막 부분을 촬영한 영상이며, 망막의 두께, 손상정도, 혈관의 상태 등에 기초하여 심뇌혈관 질환여부를 판단하는 지표로서 활용될 수 있다.
단계 S220에서, 서버(100)는 단계 S210에서 획득된 대상체의 안구 OCT 영상에 기초하여 대상체의 심뇌혈관 질환여부를 예측한다.
도 3을 참조하면, 안구영상을 이용하여 대상체의 심뇌혈관 질환을 예측하는 일 예가 도시되어 있다.
일 실시 예에서, 서버(100)는 OCT 영상(300)과 심뇌혈관 질환 간의 상관관계를 도출함으로써, OCT 영상(300)으로부터 대상체의 심뇌혈관 질환 보유여부를 판단할 수 있는 모델을 획득할 수 있다.
일 실시 예에서, 모델은 심뇌혈관 질환 보유여부가 라벨링된 OCT 영상들을 학습 데이터로 이용하여 학습된 모델일 수 있다.
일 실시 예에서, 모델을 학습시키는 데에는 딥 러닝이 사용될 수 있다.
딥 러닝은 여러 비선형 변환기법의 조합을 통해 높은 수준의 추상화(abstractions, 다량의 데이터나 복잡한 자료들 속에서 핵심적인 내용 또는 기능을 요약하는 작업)를 시도하는 기계학습 알고리즘의 집합으로 정의된다. 딥 러닝은 큰 틀에서 사람의 사고방식을 컴퓨터에게 가르치는 기계학습의 한 분야로 볼 수 있다.
어떠한 데이터가 있을 때 이를 컴퓨터가 알아 들을 수 있는 형태(예를 들어 영상의 경우는 픽셀정보를 열벡터로 표현하는 등)로 표현(representation)하고 이를 학습에 적용하기 위해 많은 연구(어떻게 하면 더 좋은 표현기법을 만들고 또 어떻게 이것들을 학습할 모델을 만들지에 대한)가 진행되고 있다. 이러한 노력의 결과로 다양한 딥 러닝 기법들이 개발되었다. 딥 러닝 기법들로는 심층 신경망(Deep Neural Networks, DNN), 합성곱 신경망(Convolutional deep Neural Networks, CNN), 순환 신경망(Reccurent Neural Network, RNN) 및 심층 신뢰 신경망(Deep Belief Networks, DBN)을 예로 들 수 있다.
심층 신경망(Deep Neural Networks, DNN)은 입력 계층(input layer)과 출력 계층(output layer) 사이에 복수개의 은닉 계층(hidden layer)들로 이뤄진 인공신경망(Artificial Neural Network, ANN)이다.
상술한 알고리즘 또는 학습방법은 예시로서 서술된 것이며, 개시된 실시 예에 따른 제1 모델은 어떠한 학습방법에 의하여서도 학습될 수 있다. 예를 들어, 개시된 실시 예에 따른 제1 모델은 입력 데이터와 출력 데이터가 학습 데이터로서 제공되는 지도 학습(supervised learning), 별도의 라벨링된 데이터가 제공되지 않는 비지도 학습(unsupervised learning), 학습 결과에 대한 피드백이 제공되는 강화학습(reinforcement learning) 등에 의하여 학습될 수 있으나, 이에 제한되지 않는다.
개시된 실시 예에서, 모델은 라벨링된 데이터와 CNN을 이용하여 학습될 수 있으나, 모델의 학습방법은 이에 제한되지 않는다.
즉, OCT 영상(300)에 나타나는 특징과 심뇌혈관 질환의 발생여부 간의 상관관계를 반영하는 모델을 딥 러닝으로 학습시키고, 학습된 모델을 이용하여 대상체의 안구 OCT 영상만으로도 심뇌혈관 질환 보유여부를 판단할 수 있다.
나아가, 개시된 실시 예에 따르면 OCT 영상(300)을 대상체의 심뇌혈관 질환여부와 직접적으로 연계시키는 것 외에도, 다양한 방법을 통해 직간접적, 또는 우회적으로 대상체의 OCT 영상(300)으로부터 대상체의 심뇌혈관 질환여부를 판단할 수 있다.
후술할 다양한 방법들을 통해 대상체의 심뇌혈관 질환여부를 판단함으로써, 판단결과에 대한 교차검사를 수행하거나, 복수의 판단결과들을 종합함으로써 더욱 정확하게 대상체의 심뇌혈관 질환 보유여부를 판단할 수 있다.
대상체의 심뇌혈관 질환 보유여부를 판단하기 위하여 이용되는 검사방법은 다양하다. OCT 영상을 이용하는 방법보다 더욱 직접적인 방법들로서, 대상체의 심뇌혈관 질환 보유여부를 판단하는 데 이용되는 다양한 마커들이 존재한다.
도 3을 참조하면, 대상체의 심뇌혈관 질환 보유여부를 판단하는 데 이용되는 제1 마커(410), 제2 마커(420) 및 제3 마커(430)가 도시되어 있다. 제1 마커(410) 내지 제3 마커(430)는 예시를 위하여 도시된 것이고, 대상체의 심뇌혈관 질환 보유여부를 판단하기 위하여 이용될 수 있는 마커의 종류나 수는 이에 제한되지 않는다.
예를 들어, 대상체의 심뇌혈관 질환 보유여부를 판단하는 데 이용되는 직접적인 마커로서, 관상동맥 CT 촬영 등을 통해 판단할 수 있는 대상체의 관상동맥 석회화 지수, 즉 대상체의 관상동맥 내의 칼슘 포함정도를 나타내는 지수가 활용될 수 있다.
또한, 대상체의 심뇌혈관 질환 보유여부를 판단하는 데 이용되는 직접적인 마커로서, 초음파 촬영 등을 이용하여 확인할 수 있는 대상체의 경동맥 두께나, 기타 다른 혈관(동맥 또는 정맥)의 두께가 활용될 수 있다.
또한, 대상체의 심뇌혈관 질환 보유여부를 판단하는 데 이용되는 직접적인 마커로서, 대상체의 중심혈압(Central Blood Pressure)이 이용될 수 있다. 중심혈압은 말초혈압보다 더 직접적인 심뇌혈관질환의 지표가 될 수 있다.
또한, 대상체의 심뇌혈관 질환 보유여부를 판단하는 데 이용되는 직접적인 마커로서, 동맥경화도(PWV)가 활용될 수 있다.
또한, 대상체의 심뇌혈관 질환 보유여부를 판단하는 데 이용되는 직접적인 마커로서, 24시간 ABPM(Ambulatory Blood Pressure Monitoring) 결과가 활용될 수 있다. 24시간 ABPM은 활동혈압검사라고도 하며, 24시간동안 휴대형 자동혈압계로 활동 중의 혈압을 연속해서 측정하는 검사를 의미한다.
상술한, 대상체의 심뇌혈관 질환 보유여부를 판단하는 데 이용되는 직접적인 마커들은 OCT 촬영에 비해 복잡하거나, 시간이 오래 걸리거나, 비용이 많이 드는 검사들이다.
반면 OCT 촬영의 경우 OCT 장비만 있으면 전문의가 상주하지 않아도 간단히 촬영이 가능하며, 촬영된 영상이 서버를 통하여 판단되고, 대상체의 심뇌혈관 질환 보유여부를 판단한 뒤, 판단 결과에 따라 선택적으로 전문의에 의한 진료를 수행하도록 할 수 있으므로 접근성이 좋다.
심뇌혈관 질환에 노출되기 쉬운 노약자의 경우, 병원 접근성이 낮은 지역에 살고 있더라도 지역 의원이나 보건소 등에 OCT 장비만 구비되어 있으면, 개시된 실시 예에 따라 정기적으로 심뇌혈관 질환여부를 용이하게 검사받도록 할 수 있는 실익이 있다.
나아가, 개시된 실시 예에서는 OCT 영상과 상술한 마커들 간의 상관관계를 판단하고, 그 상관관계에 기초하여 대상체의 심뇌혈관 질환여부를 예측할 수 있다.
도 4를 참조하면, 하나 이상의 마커를 이용하여 안구영상으로부터 대상체의 심뇌혈관 질환여부를 판단하는 방법의 일 예가 도시되어 있다.
일 실시 예에서, 서버(100)는 OCT 영상(300)에 적어도 하나의 마커 값을 라벨링한 학습 데이터를 이용하여, OCT 영상과 적어도 하나의 마커 간의 상관관계를 나타내는 모델을 학습시킬 수 있다.
예를 들어, 제1 마커(410)가 대상체의 관상동맥 석회화 지수(또는 칼슘 지수)라고 할 때, 서버(100)는 대상체의 관상동맥 석회화 지수가 라벨링된 OCT 영상들을 이용하여 모델을 학습시킬 수 있다.
서버(100)는 학습된 모델에 대상체의 OCT 영상(300)을 입력하여, OCT 영상으로부터 대상체의 관상동맥 석회화 지수를 추정할 수 있다.
마찬가지로, 서버(100)는 하나 이상의 마커들(예를 들어, 제1 마커(410) 내지 제3 마커(430)) 각각에 대하여 학습된 모델을 생성하거나, 복수의 마커들에 대하여 학습된 하나 이상의 모델을 생성할 수 있다.
서버(100)는 도 3에서 설명한 바와 같이 OCT 영상으로부터 직접적으로 대상체의 심뇌혈관 질환 보유여부를 판단하는 모델을 이용하여 대상체의 심뇌혈관 질환 보유여부를 판단할 수 있다.
또한 서버(100)는 도 4에서 설명한 바와 같이 대상체의 심뇌혈관 질환 보유여부를 판단하는 데 이용되는 하나 이상의 마커에 대하여 학습된 모델을 이용하여 대상체의 OCT 영상으로부터 하나 이상의 마커 값을 추정하고, 추정된 마커 값에 기초하여 대상체의 심뇌혈관 질환 보유여부를 판단할 수 있다.
또한, 서버(100)는 하나 이상의 마커 값에 기초하여 대상체의 심뇌혈관 질환 보유여부를 판단할 수 있는 모델을 생성할 수 있다. 하나 이상의 마커 값에 기초하여 대상체의 심뇌혈관 질환 보유여부를 판단할 수 있는 모델은 딥 러닝에 의하여 학습된 모델일 수도 있고, 단순히 소정의 기준에 따라 마커 값으로부터 대상체의 심뇌혈관 보유여부 또는 위험도를 판단할 수 있는 알고리즘으로 구성된 모델일 수도 있다.
일 실시 예에서, 서버(100)는 대상체의 OCT 영상(300)으로부터 하나 이상의 마커 값을 추정할 수 있는 모델과, 하나 이상의 마커 값으로부터 대상체의 심뇌혈관 질환 보유여부 또는 위험도를 판단할 수 있는 모델을 이용하여 자동으로 대상체의 OCT 영상(300)으로부터 대상체의 심뇌혈관 질환 보유여부 또는 위험도를 판단할 수 있다.
일 실시 예에서, 서버(100)는 도 3에 도시된 방법에 따른 대상체의 심뇌혈관 질환 보유여부 판단방법과, 도 4에 도시된 방법에 따른, 하나 이상의 마커를 이용하여 대상체의 심뇌혈관 질환 보유여부를 판단하는 방법을 함께 이용하여 대상체의 심뇌혈관 질환 보유여부를 판단할 수 있다.
일 예로, 서버(100)는 도 3에 도시된 방법과 도 4에 도시된 방법을 각각 이용하여 대상체의 심뇌혈관 질환 보유여부를 판단하고, 각각의 판단결과를 비교할 수 있다. 서버(100)는 비교 결과가 일치하지 않으면 재검토를 수행하거나, 사용자에게 검토를 요청할 수 있다.
다른 예로, 서버(100)는 두 판단방법 중 하나라도 심뇌혈관 질환을 보유하거나 보유 위험성이 있는 것으로 판단되는 경우 정밀검사 대상으로 분류하고, 정밀검사를 요청할 수 있다.
또한, 서버(100)는 두 판단방법 모두에 의해 심뇌혈관 질환 보유 또는 보유 위험성이 확인되어야 실제로 질환 보유 또는 질환 보유 위험성이 있는 것으로 판단할 수도 있다.
또한, 서버(100)는 두 판단방법을 모두 고려하여, 대상체의 심뇌혈관 질환 보유 확률을 종합적으로 산출할 수도 있다.
즉, 서버(100)는 대상체의 OCT 영상(300)으로부터 대상체의 심뇌혈관 질환여부를 판단할 수 있는 하나 이상의 마커를 추정하거나, 각각의 마커와의 상관관계에 기초하여 대상체의 심뇌혈관 질환 보유가능성(또는 위험성)을 판단할 수 있다.
도 5는 일 실시 예에 따라 새로운 마커를 추출하는 방법을 도시한 도면이다.
일 실시 예에서, 서버(100)는 도 4에서 학습된 모델을 이용하여 OCT 영상과 상관관계를 갖는 새로운 마커를 추출할 수 있다.
예를 들어, 서버(100)는 도 4에서 학습된, OCT 영상과 하나 이상의 마커 간의 상관관계를 나타내는 학습된 모델을 이용하여, 새로운 제4 마커(440)가 대상체의 OCT 영상(300)과 소정의 상관관계를 갖는지 여부를 판단할 수 있다.
예를 들어, 도 4에서 학습된 모델에 제4 마커가 라벨링된 OCT 영상들을 학습 데이터로 추가하는 경우, 제4 마커를 소정의 확률 이상 추정할 수 있는 모델이 학습되는지 여부에 따라 새로운 제4 마커(440)가 대상체의 OCT 영상(300)과 소정의 상관관계를 갖는지 여부를 판단할 수 있다.
다른 예로, 도 4에서 학습된 모델에 제4 마커가 라벨링된 OCT 영상들을 학습 데이터로 추가하는 경우, 추가된 학습 데이터에 의하여 학습된 모델이 OCT 영상으로부터 대상체의 심뇌혈관 질환 보유여부를 소정의 확률 이상 추정해내는지 여부에 따라 새로운 제4 마커(440)가 대상체의 OCT 영상(300)과 소정의 상관관계를 갖는지 여부를 판단할 수 있다.
또 다른 예로, 학습되지 않은 모델에 제4 마커가 라벨링된 OCT 영상들을 학습 데이터로 이용하여 학습을 수행하는 경우, 대상체의 OCT 영상으로부터 제4 마커를 소정의 확률 이상 추정할 수 있는 모델이 학습되는지 여부에 따라 새로운 제4 마커(440)가 대상체의 OCT 영상(300)과 소정의 상관관계를 갖는지 여부를 판단할 수 있다.
새로운 마커를 추출하는 방법은 이에 제한되지 않으며, 서버(100)는 새로운 제4 마커(440)가 추출되는 경우, 제4 마커가 라벨링된 OCT 영상을 이용하여 기존의 모델을 다시 학습시키거나, 새로운 모델을 학습시킴으로써 대상체의 OCT 영상으로부터 제4 마커 또는 대상체의 심뇌혈관 질환 보유여부 및 위험성을 추정할 수 있는 모델을 획득할 수 있다.
서버(100)는 새롭게 획득된 모델 또는 새롭게 학습된 모델을 이용하여, 대상체의 OCT 영상(300)으로부터 대상체의 심뇌혈관 질환 보유여부 및 위험성을 판단할 수 있다.
또한, 서버(100)는 심뇌혈관 질환 외에도 상술한 방법에 따라 OCT 영상(300)과 상관관계가 있는 다양한 마커들을 획득하여, 안구 OCT 영상(300)만으로도 대상체의 다양한 신체정보를 획득할 수 있는 모델을 획득할 수 있다. 이에 따라, 개시된 실시 예에 따른 방법으로 대상체의 안구 OCT 촬영으로 다양한 종류의 다른 검사방법을 대체하거나 보조할 수 있는 모델을 획득할 수 있다.
본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.
이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.
10: 안구영상 촬영장치
20: 사용자 클라이언트
100: 서버

Claims (12)

  1. 진단 보조 장치에 있어서,
    대상체의 안구 영상을 획득하기 위한 안구 영상 획득부;
    상기 대상체의 심혈관계 질환 보유 여부 또는 보유 위험도 중 적어도 하나를 판단하기 위한 제1 검사 방법을 통해 도출된 제1 판단 결과를 획득하기 위한 검사 결과 획득부; 및
    상기 제1 판단 결과에 기초한 상기 심혈관계 질환의 예측 정도가 소정 수치 이상인 경우, 획득된 상기 안구 영상을 기초로 상기 심혈관계 질환에 대한 제2 판단 결과를 도출하되, 상기 제2 판단 결과를 기초로 상기 심혈관계 질환에 대한 판단을 보조하는 제1 판단 보조 결과를 출력하는 출력부;
    를 포함하고,
    상기 제2 판단 결과는 상기 안구 영상과 제1 모델을 기초로 획득되고,
    상기 제1 모델은 상기 심혈관계 질환을 기초로 학습되는,
    진단 보조 장치.
  2. 제1항에 있어서,
    상기 제1 모델은 심층 신경망(DNN), 합성곱 신경망(CNN), 순환 신경망(RNN) 또는 심층 신뢰 신경망(DBN) 중 적어도 하나를 포함하는,
    진단 보조 장치.
  3. 제1항에 있어서,
    상기 제1 검사 방법은 CT 촬영, 초음파 검사, 혈압 검사 중 적어도 어느 하나를 포함하는,
    진단 보조 장치.
  4. 제1항에 있어서,
    상기 제1 판단 결과 또는 상기 제2 판단 결과는 심장 또는 관상 동맥에 대한 혈관 내 칼슘 지수, 혈관 내 두께, 중심 혈압 또는 동맥 경화도 중 적어도 어느 하나를 포함하는,
    진단 보조 장치.
  5. 제4항에 있어서,
    상기 제1 판단 결과는 중심 혈압을 포함하고,
    상기 제2 판단 결과는 상기 심장 또는 관상 동맥에 대한 혈관 내 칼슘 지수를 포함하는,
    진단 보조 장치
  6. 제1항에 있어서,
    상기 안구 영상의 적어도 일부 영역은 망막의 두께, 망막 손상 정도 또는 혈관의 상태 중 적어도 어느 하나를 포함하는,
    진단 보조 장치.
  7. 제1항에 있어서,
    상기 제1 판단 보조 결과는 상기 대상체의 심혈관계 질환 보유 위험도인,
    진단 보조 장치.
  8. 제1항에 있어서,
    상기 제1 판단 보조 결과는 상기 대상체의 심혈관계 질환 보유 여부인,
    진단 보조 장치.
  9. 진단 보조 장치에 의해 수행되는 진단 보조 방법에 있어서,
    대상체의 안구 영상을 획득하는 단계;
    상기 대상체의 심혈관계 질환 보유 여부 또는 보유 위험도 중 적어도 하나를 판단하기 위한 제1 검사 방법을 통해 도출된 제1 판단 결과를 획득하는 단계; 및
    상기 제1 판단 결과에 기초한 상기 심혈관계 질환의 예측 정도가 소정 수치 이상인 경우,
    획득된 상기 안구 영상을 기초로 상기 심혈관계 질환에 대한 제2 판단 결과를 도출하되, 상기 제2 판단 결과를 기초로 상기 심혈관계 질환에 대한 판단을 보조하는 제1 판단 보조 결과를 출력하는 단계;
    를 포함하고,
    상기 제2 판단 결과는 상기 안구 영상과 제1 모델을 기초로 획득되고,
    상기 제1 모델은 상기 심혈관계 질환을 기초로 학습되는,
    진단 보조 장치에 의해 수행되는 진단 보조 방법.
  10. 제9항의 방법을 수행하기 위한 프로그램이 기록된 기록매체.
  11. 삭제
  12. 삭제
KR1020200008919A 2017-12-20 2020-01-22 안구영상을 이용한 심혈관계 질환 예측방법 KR102343796B1 (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020200008919A KR102343796B1 (ko) 2017-12-20 2020-01-22 안구영상을 이용한 심혈관계 질환 예측방법
KR1020210184935A KR102426065B1 (ko) 2020-01-22 2021-12-22 안구영상을 이용한 심혈관계 질환 예측방법
KR1020220091148A KR20220106947A (ko) 2020-01-22 2022-07-22 안구영상을 이용한 심혈관계 질환 예측방법
KR1020230133389A KR20230144517A (ko) 2020-01-22 2023-10-06 안구영상을 이용한 심혈관계 질환 예측방법

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020170175865A KR102071774B1 (ko) 2017-12-20 2017-12-20 안구영상을 이용한 심뇌혈관 질환 예측방법
KR1020200008919A KR102343796B1 (ko) 2017-12-20 2020-01-22 안구영상을 이용한 심혈관계 질환 예측방법

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020170175865A Division KR102071774B1 (ko) 2017-12-20 2017-12-20 안구영상을 이용한 심뇌혈관 질환 예측방법

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020210184935A Division KR102426065B1 (ko) 2020-01-22 2021-12-22 안구영상을 이용한 심혈관계 질환 예측방법

Publications (2)

Publication Number Publication Date
KR20200011530A KR20200011530A (ko) 2020-02-03
KR102343796B1 true KR102343796B1 (ko) 2021-12-28

Family

ID=79177897

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200008919A KR102343796B1 (ko) 2017-12-20 2020-01-22 안구영상을 이용한 심혈관계 질환 예측방법

Country Status (1)

Country Link
KR (1) KR102343796B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102613633B1 (ko) * 2021-07-09 2023-12-14 블록체인랩스 주식회사 진단 키트의 검사 결과를 판독하는 ai 모델 학습 장치 및 그 동작 방법
WO2023214848A1 (ko) * 2022-05-04 2023-11-09 연세대학교 산학협력단 망막영상을 통한 고혈압 진단 기술

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040064057A1 (en) 2002-07-31 2004-04-01 Massachusetts Institute Of Technology Measuring circulating blood volume through retinal vasculometry

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
R.Hannah Roseline 외 1명, Retinal Based Disease Prediction using Deep Neural networks and SVM Classification Techniques, International Journal of Engineering Trends and Technology, Vol.49 No.7(2017.07)*
Ryan Poplin 외 7명, Predicting Cardiovascular Risk Factors from Retinal Fundus Photographs using Deep Learning(2017.09.01.)*

Also Published As

Publication number Publication date
KR20200011530A (ko) 2020-02-03

Similar Documents

Publication Publication Date Title
KR101977645B1 (ko) 안구영상 분석방법
KR101848321B1 (ko) 피검체에 대한 안저 영상의 판독을 지원하는 방법 및 이를 이용한 장치
KR102071774B1 (ko) 안구영상을 이용한 심뇌혈관 질환 예측방법
WO2021039339A1 (ja) 情報処理装置、情報処理方法、情報処理システム及びプログラム
US20210304363A1 (en) Image processing apparatus, image processing method and computer-readable medium
JP7413147B2 (ja) 画像処理装置、画像処理方法、及びプログラム
CN112601487A (zh) 医学图像处理装置、医学图像处理方法和程序
JP2021039748A (ja) 情報処理装置、情報処理方法、情報処理システム及びプログラム
WO2020036182A1 (ja) 医用画像処理装置、医用画像処理方法及びプログラム
CN113646805A (zh) 眼科和全身性疾病的基于图像的检测
KR101848322B1 (ko) 피검체에 대한 안저 영상의 소견 및 진단 정보의 생성을 위하여 판독을 지원하는 방법 및 이를 이용한 장치
JP7478216B2 (ja) 眼科装置、眼科装置の制御方法、及びプログラム
KR102343796B1 (ko) 안구영상을 이용한 심혈관계 질환 예측방법
JP7332463B2 (ja) 制御装置、光干渉断層撮影装置、光干渉断層撮影装置の制御方法、及びプログラム
JP2022155690A (ja) 画像処理装置、画像処理方法、及びプログラム
JP7196908B2 (ja) 眼科画像処理装置および眼科画像処理プログラム
JP2020163100A (ja) 画像処理装置および画像処理方法
JP7194136B2 (ja) 眼科装置、眼科装置の制御方法、及びプログラム
WO2021106967A1 (ja) 眼底画像処理装置および眼底画像処理プログラム
KR102426065B1 (ko) 안구영상을 이용한 심혈관계 질환 예측방법
JP2020058615A (ja) 画像処理装置、学習済モデル、画像処理方法およびプログラム
JP7344847B2 (ja) 画像処理装置、画像処理方法、及びプログラム
WO2024057942A1 (ja) 眼底画像処理装置および眼底画像処理プログラム
US20230334678A1 (en) Ophthalmic image registration using interpretable artificial intelligence based on deep learning
JP7468163B2 (ja) 眼科画像処理プログラムおよび眼科画像処理装置

Legal Events

Date Code Title Description
A107 Divisional application of patent
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant