KR102369999B1 - Ai 기반 원추각막 진단 방법 - Google Patents

Abstract

본 개시의 일 실시예에 따라, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우 인공 신경망을 이용하여 원추각막 진단을 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 적어도 하나 이상의 어노말리(anomaly) 여부가 라벨링된 각막 검사 데이터를 획득하는 동작; 상기 어노말리(anomaly) 여부가 라벨링된 각막 검사 데이터를 이용하여 적어도 하나의 인공 신경망을 포함하는 원추각막 진단 모델을 학습하는 동작; 및 상기 학습된 원추각막 진단 모델을 이용하여 신규 각막 검사 데이터에 대한 진단 정보를 생성하는 동작을 포함할 수 있다.

Description

AI 기반 원추각막 진단 방법{METHOD FOR DIAGNOSIS OF KERATOCONUS BASED ON ARTIFICIAL INTELLINGENCE}

본 개시는 인공 신경망에 관한 것으로 보다 구체적으로 인공 신경망을 통한 진단 방법에 관한 것이다.

원추각막(KERATOCONUS)이란 각막이 점차 얇아지면서 뾰족해지고 결국 뒤틀리게 되어 시력에 지장을 주는 질환이다. 원추각막 진단을 위해 실시되는 세극등검사, 검영법 등의 일반적인 안과검사로 상당한 정도 진행된 원추각막은 발견이 가능하나, 초기 원추각막은 발견이 불가능한 경우가 많다. 따라서 초기 원추각막의 진단을 위한 각막형태 및 특성 분석이 요구된다.

대한민국 공개특허공보 KR10-2014-0018748에서는 “의료 영상에서 병변의 분석 장치 및 방법”이 개시되고 있다.

본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 인공 신경망을 이용하여 안구 질환을 진단하기 위한 방법을 제공하기 위함이다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우 인공 신경망을 이용하여 원추각막 진단을 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 적어도 하나 이상의 어노말리(anomaly) 여부가 라벨링된 각막 검사 데이터를 획득하는 동작; 상기 어노말리(anomaly) 여부가 라벨링된 각막 검사 데이터를 이용하여 적어도 하나의 인공 신경망을 포함하는 원추각막 진단 모델을 학습하는 동작; 및 상기 학습된 원추각막 진단 모델을 이용하여 신규 각막 검사 데이터에 대한 진단 정보를 생성하는 동작을 포함할 수 있다.

원추각막 진단을 위한 이하의 동작들을 수행하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 각막 검사 데이터는, 각막 지형 정보, 검사 수치 정보, 인적 정보, 시간 정보 중 적어도 하나를 포함할 수 있다.

원추각막 진단을 위한 이하의 동작들을 수행하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 각막 지형 정보는, 각막 곡률 정보, 각막 두께 정보, 각막 높이 정보 중 적어도 하나를 포함할 수 있다.

원추각막 진단을 위한 이하의 동작들을 수행하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 원추각막 진단 모델은, 검출 모델을 포함하며 상기 검출 모델은 각막 지형 정보에 기초한 이미지 정보에 적어도 부분적으로 기초하여 원추각막 질환 유무를 검출하도록 학습될 수 있다.

원추각막 진단을 위한 이하의 동작들을 수행하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 각막 지형 정보에 기초한 이미지 정보는 사전 결정된 크기로 사이즈가 재조정(resize)되어 상기 검출 모델에 입력될 수 있다.

원추각막 진단을 위한 이하의 동작들을 수행하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 검출 모델은, 복수의 컨벌루셔널(Convolutional) 레이어와 복수의 풀링(Pooling) 레이어가 적어도 두 번 이상 번갈아 나타나는 레이어 구조를 포함할 수 있다.

원추각막 진단을 위한 이하의 동작들을 수행하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 원추각막 진단 모델은, 예측 모델을 포함하며 상기 예측 모델은 인적 정보 및 시간 정보에 적어도 부분적으로 기초하여 원추각막 진행 위험을 예측하도록 학습될 수 있다.

원추각막 진단을 위한 이하의 동작들을 수행하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 예측 모델은, 각막 지형 정보 및 검사 수치 정보 중 적어도 하나에 추가적으로 기초하여 원추각막 진행 위험을 예측하도록 학습될 수 있다.

원추각막 진단을 위한 이하의 동작들을 수행하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 예측 모델은, 적어도 하나 이상의 분류 모델을 포함하고, 상기 분류 모델은 결정 트리로 구성되며, 그리고, 상기 적어도 하나 이상의 분류 모델은, 제 1 분류 모델의 분류 결과에서 발생한 오분류 학습 데이터에 대한 데이터 가중치를 조정하고 상기 가중치가 조정된 학습 데이터를 기초로 제 2 분류 모델의 분류 기준을 결정할 수 있다.

원추각막 진단을 위한 이하의 동작들을 수행하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 예측 모델은, 적어도 하나 이상의 분류 모델을 포함하고, 상기 분류 모델에 각 모델에 따른 분류 결과에 대한 모델 가중치를 곱하여 합산된 최종 분류 모델을 포함할 수 있다.

원추각막 진단을 위한 이하의 동작들을 수행하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 원추각막 진단 모델은 복수의 서브 진단 모델을 포함하고, 인적 정보 및 시간 정보에 기초하여 분류된 각막 검사 데이터를 이용하여 상기 복수의 서브 진단 모델에 포함된 특정 그룹(group)에 대한 개별 서브 진단 모델을 학습하는 동작;을 더 포함할 수 있다.

원추각막 진단을 위한 이하의 동작들을 수행하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 진단 정보는, 상기 신규 각막 검사 데이터에 대해 상기 원추각막 진단 모델에 포함된 검출 모델을 이용하여 생성되는 원추각막 질환 유무 검출에 대한 정보 및 상기 신규 각막 검사 데이터에 대해 상기 원추각막 진단 모델에 포함된 예측 모델을 이용하여 생성되는 원추각막 진행 위험 예측에 대한 정보 중 적어도 하나를 포함할 수 있다.

원추각막 진단을 위한 이하의 동작들을 수행하는 컴퓨터 프로그램 동작들의 대안적인 실시예에서, 상기 신규 각막 검사 데이터가 어노말리 데이터로 판단된 경우, 어노말리 판단의 근거가 된 부분을 히트맵(heatmap)으로 표시하는 동작;을 더 포함할 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 인공 신경망을 이용한 원추각막 진단 방법이 개시된다. 원추각막 진단 방법은: 적어도 하나 이상의 어노말리(anomaly) 여부가 라벨링된 각막 검사 데이터를 획득하는 단계; 상기 어노말리(anomaly) 여부가 라벨링된 각막 검사 데이터를 이용하여 적어도 하나의 인공 신경망을 포함하는 원추각막 진단 모델을 학습하는 단계; 및 상기 원추각막 진단 모델을 이용하여 신규 각막 검사 데이터에 대한 진단 정보를 생성하는 단계;를 포함할 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 인공 신경망을 이용한 원추각막 진단 장치가 개시된다. 상기 원추각막 진단 장치는 하나 이상의 프로세서; 및 딥러닝 기반 네트워크 함수를 저장하는 메모리;를 포함하며, 그리고 상기 하나 이상의 프로세서는 적어도 하나 이상의 어노말리(anomaly) 여부가 라벨링된 각막 검사 데이터를 획득하고, 상기 어노말리(anomaly) 여부가 라벨링된 각막 검사 데이터를 이용하여 적어도 하나의 인공 신경망을 포함하는 원추각막 진단 모델을 학습하고, 그리고 상기 원추각막 진단 모델을 이용하여 신규 각막 검사 데이터에 대한 진단 정보를 생성할 수 있다.

본 개시는 인공 신경망을 이용하여 안구 질환을 진단하기 위한 방법을 제공할 수 있다.

도 1은 본 개시의 일 실시예에 따른 안구 질환 진단을 위한 동작을 수행하는 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따라 인공 신경망을 이용한 안구 질환 진단 모델의 기반이 되는 네트워크 함수를 나타낸 개략도이다.
도 3은 각막 검사 데이터를 컴퓨팅 장치에서 출력한 경우 출력화면을 나타낸 예시도이다.
도 4a, 4b, 4c는 각막 지형 정보에 포함된 정보들을 컴퓨팅 장치에서 출력한 경우 출력화면을 나타낸 예시도이다.
도 5는 본 개시의 일 실시예에 따라 인공 신경망을 이용한 안구 질환 진단 모델의 모듈을 예시적으로 구성한 블록 구성도이다.
도 6은 두 개의 분류 모델의 분류 기준과 학습 데이터를 좌표평면에 도시한 예시도이다.
도 7은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.

본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

한국 특허 출원 번호 10-2019-0044645호에 기재된 내용은 전체가 본 명세서에 참조로서 통합된다.

*

도 1은 본 개시의 일 실시예에 따른 안구 질환 진단을 위한 동작을 수행하는 컴퓨팅 장치의 블록 구성도이다.

도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.

컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.

프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(back-propagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다.

본 개시의 일 실시예에 따르면, 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따른 네트워크부(150)는 공중전화 교환망(PSTN: Public Switched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.

또한, 본 명세서에서 제시되는 네트워크부(150)는 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SC-FDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다.

본 개시에서 네트워크부(150)는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(PAN: Personal Area Network), 근거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 상기 네트워크는 공지의 월드와이드웹(WWW: World Wide Web)일 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다.

본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.

본 개시의 일 실시예에 따라 프로세서(110)는 안구 질환의 진단을 위해, 적어도 하나 이상의 어노말리(anomaly) 여부가 라벨링된 각막 검사 데이터를 획득할 수 있다. 예를 들어, 안구 질환은 원추각막증과 같은 안구의 이상을 포함할 수 있으나 본 개시는 이에 제한되지 않는다. 상기 각막 검사 데이터는 원추각막 진단모델에 포함된 검출 모델 또는 예측 모델의 학습에 사용되는 데이터 일 수 있다. 상기 각막 검사 데이터에 라벨링된 라벨은 원추각막군(KC, Keratoconus), 원추각막의증군(KS, Keratoconus Suspect), 정상군(NC, Normal Cornea) 등을 포함할 수 있다. 본 개시의 일 실시예에 따라, 각막 검사 데이터는 하나 이상의 검사장비를 통해 환자를 검사한 결과 데이터를 포함할 수 있다. 환자 검사 장비는 예를 들어, 굴절 검사 장비 ARK(AutoRefractor & Keratometer), 안압 검사 장비 IOP(intraocular pressure), 굴절 검사 장비 MR(Manifest Refraction), 각막 지형도를 출력하는 펜타캠(Pentacam) 등과 같은 장비일 수 있으나 본 개시는 이에 제한되지 않는다. 전술한 학습 데이터는 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

각막 검사 데이터는 안구를 검사하기 위한 검사 장비에서 측정되는 모든 항목을 포함할 수 있으며 예를 들어, 각막 지형 정보, 검사 수치 정보, 인적 정보, 시간 정보 중 적어도 하나를 포함할 수 있으며, 본 개시는 이에 제한되지 않는다.

각막 지형 정보는 각막 곡률 정보, 각막 두께 정보, 각막 높이 정보 중 적어도 하나를 포함할 수 있다. 상기 각막 곡률 정보는 각막에 대한 단위 면적의 곡률값을 포함할 수 있다. 상기 각막 두께 정보는 각막 이미지 상에서 사전 결정된 기준 거리마다 각막의 두께값을 포함할 수 있다. 이때 사전 결정된 기준 거리는 실제 거리 또는 하나의 픽셀 간격일 수 있다. 상기 각막 높이 정보는, 구의 중심으로부터 구의 표면과 각막의 각 지점간 거리 차이의 총합이 최소가 되는 최적구로부터 각 각막의 높이값을 포함할 수 있다. 상기 각막 높이 정보는 각막 앞면에서 측정된 높이 정보 및 각막 뒷면에서 측정된 높이 정보를 포함할 수 있다.

각막 지형 정보는 각막 곡률 정보, 각막 두께 정보, 각막 높이 정보에 기초한 이미지 정보를 포함할 수 있다. 각막 지형 정보에 기초한 이미지 정보는 각막을 촬영한 이미지에서 각 픽셀마다 RGB값을 가지고 있을 수 있다. 구체적으로, 각막 지형 정보에 기초한 이미지 정보는 각막 곡률 정보, 각막 두께 정보, 각막 높이 정보 등을 시각적으로 표현하기 위해 각각의 정보에 대해 상대적인 값의 차이에 따라 RGB값을 부여할 수 있다. 또한, 상기 각막 지형 정보에 포함된 각막 곡률 정보에는 서로 다른 곡률값을 갖는 픽셀에 대해 서로 다른 RGB값을 가질 수 있다. 상기 각막 지형 정보에 포함된 각막 두께 정보에서도 서로 다른 두께값을 갖는 픽셀을 구분하기 위해 구별되는 RGB값을 가질 수 있다. 마찬가지로 상기 각막 지형 정보에 포함된 각막 높이 정보에서 각막의 상이한 위치에 존재하는 픽셀별 높이값을 구분하기 위해 각 픽셀마다 상이한 RGB값을 가질 수 있다. 전술한 바와 같이 RGB값을 가지는 상기 각막 지형 정보는, 곡률 정보, 두께 정보, 높이 정보 각각에 대해 데이터가 시각화 되어 컴퓨팅 장치에 의해 표현될 수 있다.

각막 검사 데이터에 포함된 검사 수치 정보는 각막 지형 정보를 포함할 수 있다. 상기 검사 수치 정보는 각막 지형 정보 외에 추가적인 정보를 더 포함할 수 있다. 상기 추가적인 정보란 각막 지형 정보에 대한 통계값, 환자의 고유값 등을 포함할 수 있다. 상기 각막 지형 정보에 대한 통계값이란 각막 곡률, 각막 두께, 각막 높이 각각의 데이터에 대한 데이터 평균, 최대값, 최소값 등을 의미할 수 있다. 상기 환자의 고유값은 안구의 부피, 안구의 크기, 동공의 중심, 각막 내에서 동공의 위치 등을 의미할 수 있다. 전술한 추가적인 정보에 관한 예시는 일 예시에 불과하여 본 개시를 제한하지 않는다.

프로세서(110)는 상기 각막 검사 데이터에 포함된 검사 수치 정보를 실시간으로 응용 프로그램의 연산 결과로 제공받거나, 상기 메모리(130)의 데이터베이스로부터 제공받을 수 있다. 또는 프로세서(110)는 각막 검사 데이터에 포함된 검사 수치 정보를 네트워크부(150)를 통해 외부의 상이한 장치로부터 수신할 수 있다. 다만, 개인정보 유출 또는 보안 문제로 인해 상기 검사 수치 정보 자체에 대한 접근이 불가능할 경우, 프로세서(110)는 컴퓨팅 장치의 각막 검사 데이터 결과화면에서 광학적 문자 인식 기술을 통해 검사 수치 정보를 추출할 수도 있다.

각막 검사 데이터에 포함된 인적 정보는 환자의 나이, 성별, 시력, 주민등록번호, 과거 병력 유무 등을 포함할 수 있다. 상기 각막 검사 데이터에 포함된 시간 정보는 각막 검사 데이터가 측정된 시각에 관한 정보를 포함할 수 있다.

본 개시의 일 실시예에 따라 프로세서(110)는 어노말리(anomaly) 여부가 라벨링된 적어도 하나의 각막 검사 데이터를 이용하여 원추각막 진단 모델을 학습할 수 있다. 상기 원추각막 진단 모델은 검출 모델을 포함할 수 있다. 프로세서(110)는 상기 원추각막 진단 모델에 포함된 검출 모델이 각막 지형 정보에 기초한 이미지 정보에 적어도 부분적으로 기초하여 원추각막 질환 유무를 검출하도록 학습시킬 수 있다. 상기 질환 유무 검출 결과는 원추각막군, 원추각막의증군, 정상군 등을 포함하는 라벨로 표현될 수 있다.

상기 검출 모델은 컨벌루셔널 레이어(Convolutional Layer), 풀링 레이어(Pooling Layer) 및 완전 연결 레이어(Fully Connected Layer) 중 적어도 하나를 포함하는 모델 구조를 가질 수 있다. 구체적으로 상기 검출 모델은 복수의 컨벌루셔널 레이어와 복수의 풀링 레이어가 적어도 두 번 이상 번갈아 나타나는 레이어 구조를 포함할 수 있다. 상기 풀링 레이어는 최대값 풀링(Max-Pooling) 또는 평균값 풀링(Mean-Pooling)을 수행하기 위한 레이어 일 수 있다. 전술한 바와 같이 복수의 컨벌루셔널 레이어를 적층함으로써 상기 검출 모델은 주어진 이미지로부터 질환 유무를 검출해내기 위한 특징들을 더욱 다양하게 포섭할 수 있고, 복수의 풀링 레이어를 적층함으로써 중요한 정보를 가지고 있는 픽셀만 남긴 채 데이터 크기를 축소시킴으로써 연산 속도가 빨라지고 파라미터 수가 감소되어 메모리 자원을 절약할 수 있다.

본 개시의 일 실시예에 따라 상기 검출 모델에 입력되는 상기 각막 지형 정보에 기초한 이미지 정보는 사전 결정된 크기로 사이즈가 재조정(resize)되어 상기 검출 모델에 입력될 수 있다. 이때 상기 사전 결정된 크기는 가로가 224 픽셀, 세로가 224 픽셀로 결정될 수 있으나 본 개시는 이에 제한되지 않는다. 상기 검출 모델은 VGG 네트워크, Fast CNN 네트워크, Faster CNN 네트워크, ResNet 네트워크 등의 구조를 사용할 수 있다. 전술한 검출 모델의 구조는 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라 상기 원추각막 진단 모델은 예측 모델을 포함할 수 있다. 프로세서(110)는 상기 예측 모델이 인적 정보 및 시간 정보에 적어도 부분적으로 기초하여 원추각막 진행 위험을 예측하도록 학습시킬 수 있다.

원추각막 진단 모델에 포함된 예측 모델은 시간 정보에 기초하여 입력된 각막 검사 데이터를 시간 순서에 따라 분류한 뒤, 시간순서에 따른 각막 검사 데이터 시퀀스(sequence)를 입력 받아 상기 데이터 시퀀스에 대한 예측 확률값을 학습할 수 있다. 상기 예측 모델은 시간에 따라 정렬된 각막 검사 데이터 시퀀스에 대해 바로 다음 시점의 각막 검사 데이터의 값을 라벨링한 학습 데이터를 통해 학습될 수 있다. 상기 예측 모델은 일정 크기의 각막 검사 데이터 시퀀스를 입력 받은 후 다음 시점의 각막 검사 데이터 결과를 예측하고, 이를 참값과 비교하는 방법으로 학습될 수 있다. 상기 원추각막 진행 위험의 예측 결과는 원추각막군, 원추각막의증군, 정상군 각각에 대한 라벨 및 각 라벨에 대한 확률값을 포함할 수 있다. 또는 상기 원추각막 진행 위험의 예측 결과는 가장 높은 확률값을 갖는 진단 결과 라벨을 나타낼 수 있다.

본 개시의 일 실시예에 따라 프로세서(110)는 상기 예측 모델이 인적 정보 및 시간 정보에 더하여 각막 지형 정보 및 검사 수치 정보 중 적어도 하나에 추가적으로 기초하여 원추각막 진행 위험을 예측하도록 학습할 수 있다.

프로세서(110)는 시간 정보에 기초하여 시간 순서에 따른 검사 수치 정보를 이용하여 원추각막 진단 모델에 포함된 예측 모델이 원추각막 진행 위험을 예측하도록 학습될 수 있다. 상기 원추각막 진행 위험 예측은 경향성 분석에 기반할 수 있다. 상기 경향성 분석은 회귀(regression) 분석에 의해 이루어질 수 있다. 상기 예측 모델은 주어진 각막 검사 데이터 내에서 검사 수치 정보의 분포를 가장 잘 설명할 수 있는 회귀 모델을 찾도록 학습될 수 있다. 예를 들어, 프로세서(110)는 상기 검사 수치 정보에 포함된 정보 중 각막 두께 정보 및 각막 높이 정보를 추출하여 상기 예측 모델에 입력함으로써 예측 모델이 시간에 따른 각막 두께 및 각막 높이의 변화를 분석하여 원추각막 진행 위험을 예측하도록 예측 모델을 학습할 수 있다. 원추각막이 진행되면 안구는 특정 방향으로 돌출되는 형태 변형이 일어날 수 있는데 이렇게 되면 안구는 점점 원형에서 타원형으로 형태 변형이 일어나게 된다. 따라서 이와 같은 경우, 프로세서(110)는 상기 검사 수치 정보에서 안구의 가로 길이, 세로 길이, 안구의 깊이에 대한 정보를 추출하여 시간에 따른 변화를 분석하여 원추각막 진행 위험을 예측할 수 있다. 전술한 검사 수치 정보를 통한 예측 모델 학습방법은 예시에 불과하며, 본 개시를 제한하지 않는다.

원추각막 진단 모델에 포함된 예측 모델은 주어진 각막 검사 데이터 시퀀스에 대해 원추각막 진행 위험을 예측하도록 학습될 수 있다. 상기 예측 모델은 여러 개의 입력 데이터에 대해 하나의 예측 결과값을 도출하는 Many-To-One의 구조로 이루어질 수 있다. 상기 시퀀스의 크기는 사전 결정된 크기에 따라 결정될 수 있다. 예를 들어, 예측 모델은 N 개의 각막 검사 데이터로 이루어진 시퀀스마다 원추각막 진행 위험을 도출하도록 학습될 수 있고 여기서 상기 N은 사용자에 의해 선택되거나 데이터의 종류 및 양에 따라 가장 높은 성능을 나타내는 N을 찾도록 별도로 학습될 수 있다. 상기 예측 모델은 적어도 하나 이상의 RNN(Recurrent Neural Network) 구조의 네트워크 함수를 포함할 수 있다. 상기 예측 모델은 적어도 하나 이상의 LSTM(Long Short Term Memory) 구조의 네트워크 함수를 포함할 수도 있다.

프로세서(110)는 각막 검사 데이터에 포함된 시간 정보와 각막 지형 정보에 기초하여, 상기 예측 모델이 원추각막 진행 위험을 예측하도록 학습할 수 있다. 프로세서(110)는 상기 시간 정보에 포함된 시간의 순서에 따라 각막 지형 정보의 변화를 감지하여 원추각막 진행 위험을 예측할 수 있다. 프로세서(110)는 각막 지형 정보의 변화를 실제 측정값의 차이에서 도출할 수 있다. 또한 각막 지형 정보에 기초한 이미지 정보를 분석하여 진행 위험을 예측할 수 있다. 예를 들어, 프로세서(110)는 인적 정보, 진행도 등에 기초하여 동일한 환자 또는 동일 그룹으로 분류될 수 있는 환자군의 각막 검사 데이터를 분류해낸 뒤, 각막 검사 데이터에 포함된 각막 지형 정보를 시간 순으로 정렬한다. 그 후 각막 지형 정보에 기초한 이미지 정보의 시간에 따른 변화를 추적하며 다음 검사 시점의 검사 이미지 정보를 예측하도록 학습될 수 있다. 상기 예측 모델은 이미지로부터 특징맵(feature map)을 추출하여 특징맵을 시간 순서에 따라 RNN 또는 LSTM 네트워크 구조에 입력함으로써 원추각막 진행 위험의 예측 결과를 도출할 수 있다. 상기 특징맵 추출은 CNN에 의해 이루어질 수 있다. 전술한 예측 모델의 구조에 관한 예시는 일 예시일 뿐, 본 개시를 제한하지 않는다.

본 개시에 따른 일 실시예에 있어서 상기 예측 모델은 적어도 하나 이상의 분류 모델을 포함할 수 있다. 상기 분류 모델은 결정 트리로 구성될 수 있다. 그리고 상기 적어도 하나 이상의 분류 모델은, 제 1 분류 모델의 분류 결과에서 발생한 오분류 학습 데이터에 대한 데이터 가중치를 조정하고 상기 가중치가 조정된 학습 데이터를 기초로 제 2 분류 모델의 분류 기준을 결정할 수 있다. 나아가 상기 예측 모델은 적어도 하나 이상의 분류 모델을 포함하고, 상기 분류 모델에 각 모델에 따른 분류 결과에 대한 모델 가중치를 곱하여 합산된 최종 분류 모델을 포함할 수 있다. 상기 분류 모델을 구성하는 결정 트리는, 하나 이상의 노드(Node)를 포함하는 결정 트리(decision tree) 형태의 구조일 수 있다. 결정 트리의 학습 방법에 관해서는 본 명세서에 참조로서 통합되는 한국 특허 출원 10-2019-0044645호에서 구체적으로 논의된다. 상기 오분류 학습 데이터는 입력 데이터에 대한 상기 분류 모델의 분류(Classification) 결과가 잘못 분류된 데이터일 수 있다. 상기 분류 모델을 구성하는 결정 트리에 포함된 노드의 분기 기준은 잔차 제곱합(RSS: Residual Sum of square), 지니 계수(Gini Index) 및 엔트로피(Entropy) 등의 기준을 포함한다. 상기 결정 트리에 포함된 내부 노드는 분류를 위한 기준을 포함하며, 프로세서(110)는 상기 기준에 따라 입력 데이터를 분류하는 연산을 수행할 수 있다.

이하에서는 예측 모델에 포함된 적어도 하나 이상의 분류 모델이 분류 기준을 결정하는 방법에 대해 설명한다. 프로세서(110)는 입력 데이터에 대해 제 1 분류 모델이 도출한 최종 분류 결과에서 오분류된 학습 데이터들을 재분류하기 위해 상기 오분류 학습 데이터에 대한 데이터 가중치를 증가할 수 있다. 여기서 데이터 가중치를 증가한다는 것은 분류 모델이 해당 데이터를 다른 데이터보다 더 중점적으로 분류하도록 유도하는 것을 의미할 수 있다. 그 후 프로세서(110)는 상기 제 1 분류 모델이 잘못 분류한 학습 데이터에 대해 데이터 가중치가 증가된 학습 데이터를 제 2 분류 모델에 입력하여 제 2 분류 모델이 이러한 학습 데이터를 분류하는 기준을 탐색하도록 한다. 구체적으로, 제 1 분류 모델이 100개의 입력 데이터 중 80개의 입력 데이터에 대해 정확한 예측값을 도출하고, 20개의 입력 데이터에 대해 부정확한 예측값을 도출한 경우, 상기 부정확한 예측값이 도출된 20개의 오분류 학습 데이터에 대해 다른 데이터보다 높은 데이터 가중치를 부여한 뒤 다시 제 2 분류 모델에 입력할 수 있다. 상기 제 2 분류 모델은 상기 제 1 분류 모델이 오분류한 20개의 학습 데이터를 정확하게 분류하기 위해 새로운 분류 기준을 설정할 수 있다. 상기 정확도 여부를 나누는 기준은 사전 결정된 오차 범위 이내 여부에 의해 결정될 수 있다. 상기 제 2 분류 모델의 분류 결과, 100개의 입력 데이터 중 20개의 입력 데이터가 오분류된 경우, 다시 오분류 학습 데이터들을 재분류하기 위해 제 3 분류 모델을 도입할 수 있다. 상기 제 1 분류 모델이 오분류한 데이터와 상기 제 2 분류 모델이 오분류한 데이터는 서로 다른 데이터일 수 있다. 전술한 제 1 내지 3 분류 모델은 최종적으로 정확도가 높은 분류 결과를 도출하기 위해 각 분류 모델의 결과에 모델 가중치를 곱한 뒤 합산하여 최종 예측 모델을 생성할 수 있다. 즉, 프로세서(110)는 적어도 하나 이상의 분류 모델에 포함된 개별 분류 모델을 학습하기 위해 학습 데이터의 데이터 가중치를 조정하여 학습한 뒤, 최종적으로 하나의 분류 모델을 형성하기 위해 적어도 하나 이상의 분류 모델 각각에 모델 가중치를 곱하여 합산한다. 전술한 입력 데이터의 수와 구체적인 학습 방법은 예시일 분이며 본 개시는 이에 제한되지 않는다. 프로세서(110)는 각 모델에 따른 최적의 모델 가중치를 도출하기 위해 GBM(Gradient Boosting) 또는 XGBoost(eXtreme Gradient Boosting) 방법을 사용할 수 있다. 상기 XGBoost 방법의 모델 가중치 최적화 방법은 복수의 분류 모델을 구성하는 결정 트리의 앙상블(Ensemble)을 위해 CART(Classification And Regression Trees) 모델에 기초할 수 있다. 상기 분류 모델의 최적화를 위한 XGBoost 방법은 관련 논문 “Tianqi Chen, Carlos Guestrin, XGBoost: A Scalable Tree Boosting System, 2016”에서 구체적으로 개시된다. 전술한 예시에 있어서 분류 모델의 개수는 일 예시에 불과하며 조합할 수 있는 분류 모델의 개수에는 제한이 없다. 프로세서(110)는 과적합(overfitting)을 방지하기 위해 사전 결정된 정확도, 합산되는 분류 모델의 개수, 분류 모델에 포함된 결정 트리의 깊이 등의 기준에 따라 분류 모델 탐색을 중지할 수 있다. 전술한 바와 같이 프로세서(110)는 제 N 번째 분류 모델(N=1,2,3…)에서 발생한 오분류 학습 데이터에 대해 높은 데이터 가중치를 부여한 뒤 제 N+1 번째 분류 모델을 학습시킴으로써 오분류된 데이터에 대해서 정확도가 향상된 분류 기준을 갖는 분류 모델을 찾을 수 있다. 나아가 프로세서(110)는 이러한 서로 다른 복수의 분류 모델들이 결합된 최종 분류 모델이 전체 학습 데이터에 대한 향상된 분류 성능을 가질 수 있도록 각 모델에 따른 모델 가중치를 학습함으로써 전체 데이터에 대한 분류 정확도 역시 증가될 수 있다.

본 개시의 일 실시예에 따른 상기 원추각막 진단 모델은 복수의 서브 진단 모델을 포함할 수 있다. 프로세서(110)는 인적 정보 및 시간 정보에 기초하여 분류된 각막 검사 데이터를 이용하여 상기 복수의 서브 진단 모델에 포함된 특정 그룹(group)에 대한 개별 서브 진단 모델을 학습할 수 있다. 예를 들어, 상기 인적 정보에 기초한 데이터 그룹화는 성별 및 나이에 따라 분류될 수 있다. 구체적으로 “10대 남자, 10대 여자, 20대 남자, 20대 여자… ”의 형태로 각막 검사 데이터를 분류한 뒤 각 그룹에 대해 시간 경과에 따라 원추각막 진단 모델을 학습할 수 있다. 서브 진단 모델은 각각 사전 결정된 환자 군에 특화된 진단 모델일 수 있다. 예를 들어, 서브 진단 모델은 남/녀 로 구분되어, 각각 남성의 데이터로 학습된 제 1 서브 진단 모델, 여성의 데이터로 학습된 제 2 서브 진단 모델 등으로 구성될 수 있다. 즉, 프로세서(110)는 특정한 환자 그룹 별로 특화된 서브 진단 모델을 이용하여 진단의 정확도를 높일 수 있다. 프로세서(110)는 각막 검사 데이터에 매칭된 인적 정보에 기초하여, 복수의 서브 모델 중 해당 각막 검사 데이터를 처리할 서브 모델을 결정할 수도 있다. 상기 원추각막 진단 모델을 학습하는 것에는 원추각막 질환 유무를 검출하는 검출 모델 및 원추각막 진행 위험을 예측하는 예측 모델을 각각 학습하는 것이 포함될 수 있다. 본 개시의 일 실시예에 따라 프로세서(110)는 인적 정보에 따른 분류를 수행하고, 각 그룹에 해당하는 서브 진단 모델을 학습함으로써, 환자의 나이에 따른 노화 정도 및 성별에 따른 차이를 고려하여 원추각막에 관한 진단 정보를 생성할 수 있으므로, 예측 모델의 예측 성능 및 검출 모델의 검출 성능을 더 향상시킬 수 있는 효과가 있다. 다시 말해, 특정 기준에 의해 환자 집단을 그룹화할 수 있게 되면, 각 서브 진단 모델은 해당 환자 집단이 공유하는 일반적인 특성을 토대로, 해당 환자 집단에 특유한 진단 특성을 학습할 수 있게 된다. 즉, 프로세서(110)는 해당 환자 집단의 고유한 진단 기준 또는 예측 기준에 컴퓨팅 자원을 집중하여 서브 진단 모델을 학습할 수 있고, 따라서 각 서브 진단 모델의 예측 성능 및 검출 성능은 증가하게 된다. 또한, 본 개시에 따르면 원추각막 질환으로 판정되는 각막 이미지의 모양은 나이, 성별 등의 인적 정보와 무관하더라도, 향후 원추각막 발생 위험은 나이, 성별 등의 인적 정보에 포함된 요소에 의해 크게 다른 양상을 보일 수 있다. 따라서 원추각막 진단 모델에 포함된 검출 모델과 예측 모델을 구분하여 학습함으로써 전술한 바와 같은 차이를 세분화하여 학습할 수 있으므로 진단 모델의 성능이 향상된다. 상기 인적 정보에 기초한 분류 방법은 시력을 기준으로 한 분류, 과거 병력 유무를 기준으로 한 분류 등을 포함할 수 있다. 전술한 분류 방법은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따라 프로세서(110)는 상기 원추각막 진단 모델을 이용하여 신규 각막 검사 데이터에 대한 진단 정보를 생성할 수 있다. 여기서 진단 정보는 상기 신규 각막 검사 데이터에 대해 상기 원추각막 진단 모델에 포함된 검출 모델을 이용하여 생성되는 원추각막 질환 유무 검출에 대한 정보 및 상기 신규 각막 검사 데이터에 대해 상기 원추각막 진단 모델에 포함된 예측 모델을 이용하여 생성되는 원추각막 진행 위험 예측에 대한 정보 중 적어도 하나를 포함할 수 있다. 전술한 바와 같이 본 개시에 따르면 신규 각막 검사 데이터를 학습된 원추각막 진단 모델에 입력하여 검출 모델을 통한 현재 질환 유무 검출 및 예측 모델을 통한 미래 진행 위험 예측이 가능하므로, 검사 장비를 통해 각막 검사 데이터를 획득하는 즉시 원추각막 질환의 유무를 빠르게 확인할 수 있고, 원추각막 질환이 없다고 결과가 나오더라도 진행 위험이 높은 경우에는 주의하여 경과를 살펴볼 수 있는 장점이 있다.

프로세서(110)는 상기 신규 각막 검사 데이터가 어노말리 데이터로 판단된 경우, 어노말리 판단의 근거가 된 부분을 히트맵(heatmap)으로 표시하는 동작을 포함할 수 있다. 따라서 원추각막 질환 존재 판단 및 검출의 근거가 된 부분을 각막내에서 표시할 수 있어 그 위치를 용이하게 알 수 있는 장점이 있다.

도 2는 본 개시의 일 실시예에 따라 인공 신경망을 이용한 안구 질환 진단 모델의 기반이 되는 네트워크 함수를 나타낸 개략도이다.

본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.

신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

신경망은 하나 이상의 노드들을 포함하여 구성될 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들이 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다. 본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에서 네트워크 함수는 오토 인코더를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 이 경우, 도 2의 예시에서는 차원 감소 레이어와 차원 복원 레이어가 대칭되는 것으로 도시되어 있으나, 본 개시는 이에 제한되지 않으며, 차원 감소 레이어와 차원 복원 레이어의 노드는 대칭일 수도 있고 아닐 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 남은 센서들의 수와 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.

뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 및 반교사학습(semi supervised learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 출력의 오류를 최소화하기 위한 것이다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 생략하는 드롭아웃(dropout) 등의 방법이 적용될 수 있다.

도 3은 각막 검사 데이터를 컴퓨팅 장치에서 출력한 경우 출력화면을 나타낸 예시도이다.

각막 검사 데이터의 컴퓨팅 장치 상 출력화면(200)에서 각막 검사 데이터에 포함된 각막 지형 정보는 픽셀당 RGB 값을 갖는 각막 지형 정보에 기초한 이미지 정보로 출력될 수 있다. 각막 지형 정보에 포함된 각막 곡률 정보에 대한 이미지(210), 각막 두께 정보에 대한 이미지(220), 각막 높이 정보에 대한 이미지(230)는 각각 출력화면(200)에서 세분화되어 별도로 출력될 수 있다. 본 개시에 따르면 픽셀당 RGB 값을 갖는 각막 지형 정보에 기초한 이미지 정보는 네트워크 함수의 학습에 사용될 수 있을 뿐만 아니라, 사용자에게 시작 정보를 효과적으로 전달할 수 있는 추가적 효과를 가진다. 각막 검사 데이터에 포함된 검사 수치 정보(240)는 출력화면(200)에서 흰색 창으로 출력될 수 있다. 상기 검사 수치 정보(240)는 전체 정보를 출력하는 것 외에 필요하거나 혹은 중요한 지표가 되는 정보만 임의로 출력될 수 있다. 인적 정보(미도시) 및 시간 정보(미도시)도 사용자의 선택에 따라 출력화면(200)에 표시될 수 있다. 전술한 도 3에 기재된 출력 화면의 구성 등에 대한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

도 4a, 4b, 4c는 각막 지형 정보에 포함된 정보들을 컴퓨팅 장치에서 출력한 경우 출력화면을 나타낸 예시도이다. 구체적으로, 각막 곡률 정보에 대한 이미지(210), 각막 두께 정보에 대한 이미지(220), 각막 높이 정보에 대한 이미지(230)가 컴퓨팅 장치를 통해 출력된 결과를 자세히 나타내는 예시도이다. 도 4a에서 각막 곡률 정보는 각막 이미지의 중심 좌표와 동일 중심을 갖는 복수의 기준원(212)에 기반하여 각막 내부 각 지점의 곡률값(211)을 포함할 수 있다. 나아가 각막 곡률 정보는 각 픽셀별로 곡률값에 따른 상이한 RGB값(213)을 포함할 수 있다. 도 4b에서 각막 두께 정보는 각막 내부 각 지점의 두께값(221)을 포함할 수 있다. 또한 각막 두께 정보는 각 픽셀별로 두께값에 따른 상이한 RGB값(223)을 포함할 수 있다. 도 4c를 참조해보면, 각막 높이 정보는 각막 내부의 각 지점마다 두께값(231)을 포함할 수 있다. 또한 각 픽셀별로 높이값에 따른 상이한 RGB값(233)을 포함할 수 있다.

도 5는 본 개시의 일 실시예에 따라 인공 신경망을 이용한 안구 질환 진단 모델의 모듈을 예시적으로 구성한 블록 구성도이다.

적어도 하나 이상의 어노말리(anomaly) 여부가 라벨링된 각막 검사 데이터(510)는 적어도 하나 이상의 인공 신경망을 포함하는 원추각막 진단 모델(520)에 입력된다. 상기 원추각막 진단 모델은 검출 모델(521) 및 예측 모델(523)로 이루어 질 수 있으며, 검출 모델(521)은 각막 검사 데이터에 포함된, 각막 지형 정보에 기초한 이미지 정보에 적어도 부분적으로 기초하여 인공 신경망 학습을 통해 원추각막 질환 유무를 검출하고 그 검출결과(531)를 도출할 수 있다. 또한 상기 예측 모델(523)은 각막 검사 데이터에 포함된 인적 정보 및 시간 정보에 적어도 부분적으로 기초하여 인공 신경망 학습을 통해 원추각막 진행 위험을 예측하고 그 예측결과(533)를 도출할 수 있다.

도 6은 두 개의 분류 모델의 분류 기준과 학습 데이터를 좌표평면에 도시한 예시도이다.

이하에서는 도 6 을 참조하여 적어도 하나 이상의 분류 모델을 포함하는 예측 모델이 원추각막 진행 위험을 예측하는 방법에 대해 설명한다. 프로세서(110)는 인적 정보에 포함된 환자의 나이, 성별, 시력, 과거 병력 유무 등에 기초하여 각 환자의 원추각막 진행 위험도를 분류할 수 있다. 프로세서(110)는 각막 지형 정보 또는 검사 수치 정보에 추가적으로 기초하여 각 환자의 원추각막 진행 위험도를 분류할 수 있다. 예를 들어, 도 6의 X축(630)은 환자의 나이를, Y축(610)은 각막 중심의 두께를 의미할 수 있다. 도 6의 제 1 영역(653)은 원추각막 진행 위험이 낮은 환자 집단을, 제 2 영역(651)은 원추각막 진행 위험이 높은 환자 집단을 의미할 수 있다. 여기서, 제 1 분류 모델은 환자의 나이를 기준으로 학습 데이터의 원추각막 진행 위험도를 분류할 수 있다. 즉, 상기 제 1 분류 모델의 분류 기준(631)은 원추각막 진행 위험에 대한 오분류 학습 데이터의 개수를 최소화하는 방향으로 결정될 수 있다. 다시 말해, 상기 제 1 분류 모델의 분류 기준(631)은 좌표평면 상에 도시된 학습 데이터를 나이를 기준으로 분류하였을 때 오분류된 데이터 영역의 넓이의 합이 최소가 되는 선으로써 프로세서(110)에 의해 반복 계산되어 도출될 수 있다. 그 후, 프로세서(110)는 상기 제 1 분류 모델의 오분류 학습 데이터에 데이터 가중치를 증가시켜 제 2 분류 모델의 분류 기준(611)을 결정할 수 있다. 도 6에서 제 2 분류 모델의 분류 기준(611)은 위와 같은 데이터 가중치에 기초하여 제 1 분류 모델에 의해 오분류된 데이터 영역이 잘 분류될 수 있도록 프로세서(110)에 의해 결정될 수 있다. 상기 제 1 분류 모델에 의해 오분류된 데이터 영역은 상기 제 2 영역(651)이 제 1 분류 모델의 분류 기준(631)에 의해 분할된 두 구역 중 왼쪽 부분 및 상기 제 1 영역(653)이 제 1 분류 모델의 분류 기준(631)에 의해 분할된 두 구역 중 오른쪽 부분을 합한 영역이다. 프로세서(110)는 최종적으로 제 1 분류 모델과 제 2 분류 모델의 각 분류 기준을 결정한 다음, 전체 학습 데이터에 대한 최적화된 모델 가중치를 연산하여 최종 분류 모델을 결정할 수 있다. 예를 들어, 제 1 분류 모델과 제 2 분류 모델의 각 모델 가중치가 각각 0.5로 결정되었다면, 최종 분류 모델이 부여한 최종 분류 점수는 0.5*(제 1 분류 모델의 결과값)+0.5*(제 2 분류 모델의 결과값)으로 표현될 수 있다. 도 6의 예시에 있어서 프로세서(110)가 제 1 분류 모델의 분류 기준(631) 왼쪽에 존재하는 데이터에 0, 오른쪽에 존재하는 데이터에 1의 점수를 부여하고 제 2 분류 모델의 분류 기준(611) 위쪽에 존재하는 데이터에 0, 아래쪽에 존재하는 데이터에 1의 점수를 부여한다고 가정할 때, 상기 최종 분류 점수는, 제 1 및 제 2 분류 모델의 분류 기준에 의해 분할된 구역 중 오른쪽 하단 영역(677)이 1점, 오른쪽 상단 영역(673) 및 왼쪽 하단 영역(675)이 0.5점, 왼쪽 상단 영역(671)이 0점으로 도출될 수 있다. 원추각막 진행 위험도를 해당 구역에 존재하는 원추각막 진행 고위험군의 비율이라고 보았을 때, 상기한 예시의 점수 배치는 좌표평면에 표현된 데이터를 두 개의 분류 기준을 이용하여 분류하기 위한 예시이다. 프로세서(110)의 연산 결과에 의한 상기 원추각막 진행 위험의 높고 낮음에 대한 판단은 예측 모델에 의해 도출된 최종 확률값에 대한 사전 결정된 확률값의 비교 결과일 수 있다. 또는 프로세서(110)는 상기 예측 모델이 최종 출력으로 이진 분류(Binary Classification) 또는 다중 분류(Multiclass Classification)의 결과값을 도출하도록 학습될 수 있다. 이상에서 도 6은 예시적으로 두 개의 분류 기준만으로 학습 데이터를 분할하는 방법을 개시한 것이며, 분류 모델 및 분류 기준의 개수에는 제한이 없으며, 본 개시는 이에 제한되지 않는다. 또한 전술한 원추각막 진행 위험도를 예측하기 위해 환자의 나이 또는 각막 중심의 두께 뿐만 아니라 각막 지형정보, 검사 수치 정보, 인적 정보 및 시간 정보에 포함된 모든 데이터가 그 분류 기준이 될 수 있다. 프로세서(110)는 상기한 바와 같이 다양한 분류 모델에 의해 오분류 학습 데이터를 분류하도록 분류 기준과 분류 모델의 개수를 결정하고, 최적화된 최종 분류 모델을 위해 각 모델 별로 모델 가중치를 딥러닝 기반으로 학습함으로써 최종 분류 모델을 포함하는 예측 모델의 성능을 향상시킬 수 있다.

도 7은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.

본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.

컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.

시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.

운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.

Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

삭제

Claims (15)

1. 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 인공 신경망을 이용하여 원추각막 진단을 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은:
   적어도 하나 이상의 어노말리(anomaly) 여부가 라벨링되고, 각막 지형 정보, 검사 수치 정보, 인적 정보, 또는 시간 정보 중 적어도 하나를 포함하는 각막 검사 데이터를 획득하는 동작;
   상기 어노말리(anomaly) 여부가 라벨링된 각막 검사 데이터를 이용하여 적어도 하나의 인공 신경망을 포함하는 원추각막 진단 모델을 학습하는 동작; 및
   상기 학습된 원추각막 진단 모델을 이용하여 신규 각막 검사 데이터에 대한 진단 정보를 생성하는 동작; 을 포함하고,
   상기 원추각막 진단 모델은,
   예측 모델을 포함하며, 상기 예측 모델은 상기 인적 정보 및 상기 시간 정보에 적어도 부분적으로 기초하여 원추각막 진행 위험을 예측하도록 학습되는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
2. 삭제
3. 제 1 항에 있어,
   상기 각막 지형 정보는,
   각막 곡률 정보, 각막 두께 정보, 각막 높이 정보 중 적어도 하나를 포함하는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
4. 제 1 항에 있어서,
   상기 원추각막 진단 모델은,
   검출 모델을 포함하며 상기 검출 모델은 각막 지형 정보에 기초한 이미지 정보에 적어도 부분적으로 기초하여 원추각막 질환 유무를 검출하도록 학습되는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
5. 제 4 항에 있어서,
   상기 각막 지형 정보에 기초한 이미지 정보는 사전 결정된 크기로 사이즈가 재조정(resize)되어 상기 검출 모델에 입력되는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
6. 제 4 항에 있어서,
   상기 검출 모델은,
   복수의 컨벌루셔널(Convolutional) 레이어와 복수의 풀링(Pooling) 레이어가 적어도 두 번 이상 번갈아 나타나는 레이어 구조를 포함하는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
7. 삭제
8. 제 1 항에 있어서,
   상기 예측 모델은,
   각막 지형 정보 및 검사 수치 정보 중 적어도 하나에 추가적으로 기초하여 원추각막 진행 위험을 예측하도록 학습되는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
9. 제 1 항에 있어서,
   상기 예측 모델은,
   적어도 하나 이상의 분류 모델을 포함하고, 상기 분류 모델은 결정 트리로 구성되며, 그리고,
   상기 적어도 하나 이상의 분류 모델은, 제 1 분류 모델의 분류 결과에서 발생한 오분류 학습 데이터에 대한 데이터 가중치를 조정하고 상기 가중치가 조정된 학습 데이터를 기초로 제 2 분류 모델의 분류 기준을 결정하는,
   컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
   
10. 제 1 항에 있어서,
    상기 예측 모델은,
    적어도 하나 이상의 분류 모델을 포함하고,
    상기 분류 모델에 각 모델에 따른 분류 결과에 대한 모델 가중치를 곱하여 합산된 최종 분류 모델을 포함하는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
    
11. 제 1 항에 있어서,
    상기 원추각막 진단 모델은 복수의 서브 진단 모델을 포함하고,
    인적 정보 및 시간 정보에 기초하여 분류된 각막 검사 데이터를 이용하여 상기 복수의 서브 진단 모델에 포함된 특정 그룹(group)에 대한 개별 서브 진단 모델을 학습하는 동작;
    을 더 포함하는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
    
12. 제 1 항에 있어서,
    상기 진단 정보는,
    상기 신규 각막 검사 데이터에 대해 상기 원추각막 진단 모델에 포함된 검출 모델을 이용하여 생성되는 원추각막 질환 유무 검출에 대한 정보 및
    상기 신규 각막 검사 데이터에 대해 상기 원추각막 진단 모델에 포함된 예측 모델을 이용하여 생성되는 원추각막 진행 위험 예측에 대한 정보
    중 적어도 하나를 포함하는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
    
13. 제 1 항에 있어서,
    상기 신규 각막 검사 데이터가 어노말리 데이터로 판단된 경우, 어노말리 판단의 근거가 된 부분을 히트맵(heatmap)으로 표시하는 동작;
    을 더 포함하는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
    
14. 인공 신경망을 이용한 원추각막 진단 방법으로서,
    적어도 하나 이상의 어노말리(anomaly) 여부가 라벨링되고, 각막 지형 정보, 검사 수치 정보, 인적 정보, 또는 시간 정보 중 적어도 하나를 포함하는 각막 검사 데이터를 획득하는 단계;
    상기 어노말리(anomaly) 여부가 라벨링된 각막 검사 데이터를 이용하여 적어도 하나의 인공 신경망을 포함하는 원추각막 진단 모델을 학습하는 단계; 및
    상기 원추각막 진단 모델을 이용하여 신규 각막 검사 데이터에 대한 진단 정보를 생성하는 단계;
    를 포함하고,
    상기 원추각막 진단 모델은,
    예측 모델을 포함하며, 상기 예측 모델은 상기 인적 정보 및 상기 시간 정보에 적어도 부분적으로 기초하여 원추각막 진행 위험을 예측하도록 학습되는,
    인공 신경망을 이용한 원추각막 진단 방법.
    
15. 인공 신경망을 이용한 원추각막 진단 장치에 있어서,
    상기 원추각막 진단 장치는,
    하나 이상의 프로세서; 및
    딥러닝 기반 네트워크 함수를 저장하는 메모리;
    를 포함하며, 그리고
    상기 하나 이상의 프로세서는
    적어도 하나 이상의 어노말리(anomaly) 여부가 라벨링되고, 각막 지형 정보, 검사 수치 정보, 인적 정보, 또는 시간 정보 중 적어도 하나를 포함하는 각막 검사 데이터를 획득하고,
    상기 어노말리(anomaly) 여부가 라벨링된 각막 검사 데이터를 이용하여 적어도 하나의 인공 신경망을 포함하는 원추각막 진단 모델을 학습하고, 그리고
    상기 원추각막 진단 모델을 이용하여 신규 각막 검사 데이터에 대한 진단 정보를 생성하되,
    상기 원추각막 진단 모델은,
    예측 모델을 포함하며, 상기 예측 모델은 상기 인적 정보 및 상기 시간 정보에 적어도 부분적으로 기초하여 원추각막 진행 위험을 예측하도록 학습되는,
    인공 신경망을 이용한 원추각막 진단 장치.
    

Images