KR102443982B1 - 안과 질환 진단을 위한 딥러닝 기반의 안저 영상 분류 장치 및 방법 - Google Patents

안과 질환 진단을 위한 딥러닝 기반의 안저 영상 분류 장치 및 방법 Download PDF

Info

Publication number
KR102443982B1
KR102443982B1 KR1020200137370A KR20200137370A KR102443982B1 KR 102443982 B1 KR102443982 B1 KR 102443982B1 KR 1020200137370 A KR1020200137370 A KR 1020200137370A KR 20200137370 A KR20200137370 A KR 20200137370A KR 102443982 B1 KR102443982 B1 KR 102443982B1
Authority
KR
South Korea
Prior art keywords
retinal
fundus image
data
image data
image classification
Prior art date
Application number
KR1020200137370A
Other languages
English (en)
Other versions
KR20220053208A (ko
Inventor
남윤영
Original Assignee
순천향대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 순천향대학교 산학협력단 filed Critical 순천향대학교 산학협력단
Priority to KR1020200137370A priority Critical patent/KR102443982B1/ko
Priority to CN202180003036.3A priority patent/CN114667539A/zh
Priority to PCT/KR2021/013512 priority patent/WO2022085986A1/ko
Priority to JP2022580011A priority patent/JP2023533917A/ja
Publication of KR20220053208A publication Critical patent/KR20220053208A/ko
Application granted granted Critical
Publication of KR102443982B1 publication Critical patent/KR102443982B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • A61B3/12—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for looking at the eye fundus, e.g. ophthalmoscopes
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/0016—Operational features thereof
    • A61B3/0025—Operational features thereof characterised by electronic signal processing, e.g. eye models
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • A61B3/14—Arrangements specially adapted for eye photography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30041—Eye; Retina; Ophthalmic

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Ophthalmology & Optometry (AREA)
  • Epidemiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Evolutionary Computation (AREA)
  • Pathology (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Fuzzy Systems (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)

Abstract

본 발명은 안과 질환 진단을 위한 딥러닝 기반의 안저 영상 분류 장치 및 방법을 개시한다. 본 발명의 일 측면에 따른 안과 질환 진단을 위한 딥러닝 기반의 안저 영상 분류 장치는, 망막 안저 이미지 데이터를 전처리하여 모델 학습 전에 이미지 데이터를 정규화하는 데이터 전처리부; 및 상기 전처리된 망막 안저 이미지 데이터를 트레이닝하고 테스트하여 망막 이미지를 분류하되, 계층화된 10배 교차 검증을 사용하여 망막 이미지를 분류하는 망막 이미지 분류부;를 포함한다.

Description

안과 질환 진단을 위한 딥러닝 기반의 안저 영상 분류 장치 및 방법{Deep learning based fundus image classification device and method for diagnosis of ophthalmic diseases}
본 발명은 안과 질환 진단을 위한 딥러닝 기반의 안저 영상 분류 장치 및 방법에 관한 것으로, 더욱 상세하게는 망막의 안저 질환을 자동으로 분류하는 안과 질환 진단을 위한 딥러닝 기반의 안저 영상 분류 장치 및 방법에 관한 것이다.
당뇨병성 망막증(DR), 녹내장(GLC) 및 연령 관련 황반 변성(AMD)은 전 세계 시력 상실 및 실명의 주요 원인이다. 당뇨병에 의한 시력 손실은 당뇨병성 망막 병증, 일명 DR이라고 한다. 성인은 대부분 DR에 의해 시력 상실과 실명을 보인다. 2000 년에서 2030 년까지 전세계 당뇨병 인구 증가율은 2.8 %에서 4.4 % 사이로 추정된다. 2000 년에 당뇨병으로 고통받는 약 1 억 7,900 만 명 이상인 약 1 억 9,900 만 명에 해당한다. 제 1 형 당뇨병 환자와 제 2 형 당뇨병 환자의 60 % 이상이 향후 20 년의 당뇨병에서 DR을 받았다. 당뇨병 환자는 향후 15 년 동안 실명 약 2 %와 시력 상실을 약 10 %로 위협할 것이다. 환자 수는 점진적으로 증가 할뿐만 아니라 급격히 증가할 것으로 예상했다. 21 세기 초의 보고서에 따르면 당뇨병의 존재는 미국에서는 2 배, 인도, 인도네시아, 중국, 한국, 태국에서는 3 ~ 5 배 증가했다. 당뇨병성 망막증은 선진국뿐만 아니라 개발 도상국에서도 널리 퍼졌다. 시력 손실의 또 다른 주요 영향으로 판단되는 GLC는 시신경 머리에 손상을 주고 시력 손실을 유발하는 안구 내 차압의 영향이다. 2000년에 전 세계의 6천 6백 6십만 명이 원발성 녹내장을 앓았으며 그 중 670 만 명이 양측 실명을 겪었다. GLC는 2010 년까지 시력 손실 및 실명의 두 번째 주요 원인이 되었으며, 이로 인해 전 세계에서 약 6천 5백만 명의 GLC 환자 집단이 발생했다. GLC는 시신경 머리의 크기에 영향을 주어 시신경의 기원을 변경하거나 손상시켜 안저 사진 이미지에서 진단할 수 있다. 이 연구가 중점을 둔 시력 상실 및 실명의 세 번째 원인은 황반의 분해이며 개발된 카운티의 막대한 위협을 AMD라고 한다. DR과 GLC가 시력 손실 및 실명의 주요 원인인 반면, AMD는 전 세계의 전 세계 실명 인구의 8.7 %가 혼자서 고통을 겪고 있다는 많은 연구가 60년 이상된 노인들에게 미치는 영향으로 성장했다.
안과 질환을 진단하기 위해 전문가나 의사가 적용하는 다양한 기술이 있는데, 일반적으로 그 기술은 단면 이미지 캡처 및 안저 사진인 광학 일관성 단층 촬영(OCT)으로 알려져 있다. 한편, 당뇨 망막 병증, 녹내장, 또는 연령 관련 황반 변성과 같은 안과 질환을 진단하기 위한 임상 재활의 다양한 기술이 딥 러닝 알고리즘을 통해 이 의료 영역에서 강력하게 시작되었다.
하지만, 종래 기술에 따른 안과 질환의 진단을 위한 기술은 전문가나 의사가 해당 이미지를 육안으로 직접 확인하고 질환을 진단하므로 정확성이 저하되고, 시간이 오래 걸린다는 문제점이 있다.
한국공개특허 제2019-0136577호(2019.12.10 공개)
본 발명은 상기와 같은 문제점을 해결하기 위해 제안된 것으로서, 망막의 안저 질환인 녹내장, 당뇨병성 망막 병증 및 연령 관련 황반 변성 등과 같은 병증을 자동을 분류하여 안과 의사들의 초기 진단을 돕는 안과 질환 진단을 위한 딥러닝 기반의 안저 영상 분류 장치 및 방법을 제공하는데 그 목적이 있다.
본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있으며, 본 발명의 일 실시예에 의해 보다 분명하게 알게 될 것이다. 또한, 본 발명의 목적 및 장점들은 특허청구범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
상기와 같은 목적을 달성하기 위한 본 발명의 일 측면에 따른 안과 질환 진단을 위한 딥러닝 기반의 안저 영상 분류 장치는, 망막 안저 이미지 데이터를 전처리하여 모델 학습 전에 이미지 데이터를 정규화하는 데이터 전처리부; 및 상기 전처리된 망막 안저 이미지 데이터를 트레이닝하고 테스트하여 망막 이미지를 분류하되, 계층화된 10배 교차 검증을 사용하여 망막 이미지를 분류하는 망막 이미지 분류부;를 포함한다.
상기 데이터 전처리부는, 망막 안저 이미지 데이터를 관심 영역(ROI) 축소 기법을 이용하여 전처리하는 것을 특징으로 한다.
상기 데이터 전처리부는, 망막 안저 미지 데이터를 대비 제한 적응 히스트그램 등화(CLAHE) 기법을 이용하여 전처리하는 것을 특징으로 한다.
상기 망막 이미지 분류부는, 상기 전처리된 망막 안저 이미지 데이터를 미리 설정된 10배 교차 검증을 이용하여 분할하고, 교육 및 검증 데이터를 섞어 지식 베이스 저장소의 분류 규칙에 따라 테스트 이미지 데이터를 생성하는 트레이닝부; 및 상기 생성된 테스트 이미지 데이터를 테스트하여 자동으로 망막 이미지를 분류하여 사용자에게 제공하는 테스트부;를 포함하는 것을 특징으로 한다.
상기와 같은 목적을 달성하기 위한 본 발명의 다른 측면에 따른 안과 질환 진단을 위한 딥러닝 기반의 안저 영상 분류 장치에서의 안저 영상 분류 방법은, 망막 안저 이미지 데이터를 전처리하여 모델 학습 전에 이미지 데이터를 정규화하는 데이터 전처리 단계; 및 상기 전처리된 망막 안저 이미지 데이터를 트레이닝하고 테스트하여 망막 이미지를 분류하되, 계층화된 10배 교차 검증을 사용하여 망막 이미지를 분류하는 망막 이미지 분류 단계;를 포함한다.
상기 데이터 전처리 단계는, 망막 안저 이미지 데이터를 관심 영역(ROI) 축소 기법을 이용하여 전처리하는 단계를 포함하는 것을 특징으로 한다.
상기 데이터 전처리 단계는, 망막 안저 미지 데이터를 대비 제한 적응 히스트그램 등화(CLAHE) 기법을 이용하여 전처리하는 단계를 포함하는 것을 특징으로 한다.
상기 망막 이미지 분류 단계는, 상기 전처리된 망막 안저 이미지 데이터를 미리 설정된 10배 교차 검증을 이용하여 분할하고, 교육 및 검증 데이터를 섞어 지식 베이스 저장소의 분류 규칙에 따라 테스트 이미지 데이터를 생성하는 트레이닝 단계; 및 상기 생성된 테스트 이미지 데이터를 테스트하여 자동으로 망막 이미지를 분류하여 사용자에게 제공하는 테스트 단계;를 포함하는 것을 특징으로 한다.
본 발명의 일 측면에 따르면, 망막의 안저 질환인 녹내장, 당뇨병성 망막 병증 및 연령 관련 황반 변성 등과 같은 병증을 자동을 분류하여 안과 의사들의 초기 진단을 도울 수 있는 효과가 있다.
본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 명세서에 첨부되는 다음의 도면들은 본 발명의 바람직한 실시예를 예시하는 것이며, 발명을 실시하기 위한 구체적인 내용들과 함께 본 발명의 기술사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사항에만 한정되어 해석되어서는 아니 된다.
도 1은 본 발명의 일 실시예에 따른 안과 질환 진단을 위한 딥러닝 기반의 안저 영상 분류 장치의 개략적인 기능 블록도,
도 2는 본 발명의 일 실시예에 따른 안저 영상 분류 방법의 일 예,
도 3은 본 발명의 일 실시예에 따른 ROI 축소 및 ISOL-CLAHE 이미지의 일 예,
도 4는 본 발명의 일 실시예에 따른 열차 테스트 이미지 세트에서 데이터 확대 이미지의 일 예,
도 5 내지 도 9는 본 발명의 일 실시예에 따른 서로 다른 데이터베이스에서 수집한 안저 이미지의 일 예,
도 10은 본 발명의 일 실시예에 따른 안저 영상 분류 방법의 개략적인 흐름도이다.
상술한 목적, 특징 및 장점은 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해질 것이며, 그에 따라 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 또한, 본 발명을 설명함에 있어서 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 일 실시예를 상세히 설명하기로 한다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 “포함”한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 “…부” 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
도 1은 본 발명의 일 실시예에 따른 안과 질환 진단을 위한 딥러닝 기반의 안저 영상 분류 장치의 개략적인 기능 블록도, 도 2는 본 발명의 일 실시예에 따른 안저 영상 분류 방법의 일 예, 도 3은 본 발명의 일 실시예에 따른 ROI 축소 및 ISOL-CLAHE 이미지의 일 예, 도 4는 본 발명의 일 실시예에 따른 열차 테스트 이미지 세트에서 데이터 확대 이미지의 일 예, 도 5 내지 도 9는 본 발명의 일 실시예에 따른 서로 다른 데이터베이스에서 수집한 안저 이미지의 일 예이다.
도 1 내지 도 2를 참조하면, 본 발명의 일 실시예에 따른 안과 질환 진단을 위한 딥러닝 기반의 안저 영상 분류 장치는 데이터 전처리부(100) 및 망막 이미지 분류부(200)를 포함한다.
데이터 전처리부(100)는 망막 안저 이미지 데이터를 전처리하여 모델 학습 전에 이미지 데이터를 정규화한다. 데이터 전처리부(100)는, 망막 안저 이미지 데이터를 관심 영역(ROI) 축소 기법을 이용하여 전처리할 수 있다.
또한, 데이터 전처리부(100)는, 망막 안저 미지 데이터를 대비 제한 적응 히스트그램 등화(CLAHE) 기법을 이용하여 전처리할 수 있다.
망막 이미지 분류부(200)는 전처리된 망막 안저 이미지 데이터를 트레이닝하고 테스트하여 망막 이미지를 분류하되, 계층화된 10배 교차 검증을 사용하여 망막 이미지를 분류한다.
망막 이미지 분류부(200)는, 전처리된 망막 안저 이미지 데이터를 미리 설정된 10배 교차 검증을 이용하여 분할하고, 교육 및 검증 데이터를 섞어 지식 베이스 저장소의 분류 규칙에 따라 테스트 이미지 데이터를 생성하는 트레이닝부(210) 및 생성된 테스트 이미지 데이터를 테스트하여 자동으로 망막 이미지를 분류하여 사용자에게 제공하는 테스트부(220)를 포함할 수 있다.
도 2를 참조하여, 본 발명의 일 실시예에 따른 안저 영상 분류 방법을 보다 상세히 설명하면 다음과 같다.
가장 눈에 띄는 망막 안저 질환 3가지, 즉 녹내장, 연령 관련 황반 변성 및 당뇨병성 망막 병증의 자동 분류는 안과 의사들이 초기 안질환 진단에서 적은 비용으로 크게 도움을 준다. 도 2에 도시된 바와 같이, 본 실시예에 따른 안저 영상 분류는 데이터 전처리와 망막 이미지 분류의 두 단계로 구성될 수 있다. 이때, 망막 이미지 분류는 트레이닝 단계 와 테스트 단계로 세분화될 수 있다.
먼저, 전처리 단계에 대해 설명하기로 한다.
모델의 학습 전에 이미지 정규화에 대한 몇 가지 방법이 있다. 전처리에 대한 다양한 접근 방식이 있으나, 본 실시예에 따르면 그 중 하나의 방법으로 관심 영역(ROI) 축소가 있다. 관심 영역(ROI) 축소는 원본 안저 이미지에 적용되어 각각 25 및 13의 임계값 내에서 빨강 및 녹색 채널로 자동 진행된 데이터 세트의 전체 이미지를 표준화하는 반면, 파란색 채널은 보완 계층이다. 이 전처리 단계 후에 이미지의 크기가 384 x 384 픽셀로 조정되었다. 관심 영역 수축 좌표는 다음의 수학식 1과 같이 표현된다. 또한, 관심 영역(ROI) 축소와 관련한 이미지는 도 3의 왼쪽과 같다(중간은 안저 영상 이미지 원본, 오른쪽은 ISOL-CLAHE(ISO 휘도 평면 대비 제한된 적응 히스토그램 등화) 이미지).
[수학식 1]
Figure 112020111987812-pat00001
여기서, imax는 이미지 너비이고, jmax는 이미지 높이이다.
전처리에 대한 접근 방식 중 또 하나의 방법으로, 대비 제한 적응 히스토그램 등화(CLAHE)를 들 수 있다. 대비 제한 적응 히스토그램 등화(CLAHE)는 등 휘도 평면(iso-luminance plane) 내에서 망막 안저 이미지에 대한 응용 프로그램을 수정한다. 등 휘도 평면(iso-luminance plane)에서의 히스토그램 등화는 별도의 RGB 히스토그램 등화에 대한 이전의 연구들 중에서 선형 누적 분포 함수(CDF)로부터 가장 낮은 평균 절대 오차율을 극복한다. 4개의 부모 디렉토리(NR, GLC, AMD 및 DR)에서 찾은 원본 이미지 파일과 8개의 후속 디렉토리가 3-D CLAHE에 적용되었다. 안저 이미지를 CIELAB 색 공간으로 변환하여 밝기를 추출했다. 이 소스는 오픈 소스 북 라이브러리에서 제공한다. 클립 제한이 1.5이고 클레이 크기가 8 커널 크기인 CLAHE를 진행한 후 크기를 384 x 384로 조정했다.
다음으로, 망막 이미지 분류 단계에 대해 설명하기로 한다.
망막 이미지 분류 단계에서 전처리된 망막 안저 이미지 데이터를 트레이닝하고 테스트하여 망막 이미지를 분류하되, 계층화된 10배 교차 검증을 사용하여 망막 이미지를 분류할 수 있다. 이때, 데이터 준비의 편향을 방지하기 위해 몇 개의 데이터(교육 및 검증 데이터)를 섞을 수 있다.
한편, 데이터 확대라고하는 가짜 이미지 생성없이 교육 테스트 데이터 세트 크기를 확대하는 또 다른 기술이 있다. 180도 최대 회전 범위, 25% 밝기 범위, 20% 줌 범위 및 수평 플립과 같은 데이터 확대를 진행하여 전체 조합된 데이터 세트 실험을 위한 9400 이미지의 실험적인 기차 테스트 데이터 세트 크기를 생성할 수도 있다. 이때, 데이터 확대와 관련한 이미지는 도 4에 도시된 바와 같다((왼쪽) ISOL-CLAHE의 원본 이미지. (왼쪽 가운데) + 25 % 밝기와 시계 반대 방향으로 80도 회전 한 증강 이미지. (오른쪽 가운데) + 25 % 밝기, 20 % 축소, 수평 뒤집기 및 시계 반대 방향으로 40도 회전 된 증강 이미지. (오른쪽) -25 % 밝기, 20 % 확대, 수평 뒤집기 및 시계 반대 방향으로 80도 회전 된 증강 이미지).
한편, 본 실시예에 따른 안저 영상 분류 방법에 대한 검증을 위해 다음과 같이 실험을 실시하였다.
우선, 실험을 위해 다양한 안저 이미지를 수집할 수 있다. 안저 이미지는 도 5 내지 도 9에 도시된 바와 같은 망막 안저 이미지 데이터 세트를 각각의 서로 다른 데이터베이스로부터 수집하였다. 이때, 도 5는 녹내장 분석 및 연구를 위한 온라인 망막 안저 영상 데이터베이스로부터 수집한 이미지, 도 6은 당뇨병 망막증 분석 및 연구를 위한 온라인 망막 안저 영상 데이터베이스로부터 수집한 이미지, 도 7은 비 당뇨병 및 당뇨병 분석 및 연구를 위한 온라인 망막 안저 영상 데이터베이스로부터 수집한 이미지, 도 8은 자동 망막 이미지 분석을 위해 연령 관련 황반 변성 분석 및 연구를 위한 온라인 망막 안저 영상 데이터베이스로부터 수집한 이미지 그리고, 도 9는 망막의 구조 분석을 위한 이미지이다.
다음으로, 모델 아키텍처를 선정하고 설정할 수 있다. 본 실시예에서는 기본 모델로 ResNet-50, ResNet-101 및 ResNet-152, VGG-16 및 VGG-19 모델을 사용했다. 이때, ResNet은 잔류 네트워크를 의미하고, VGG는 비주얼 지오메트리 그룹 네트워크를 일컫는다. 잔류 네트워크(Residual Networks : ResNets)는 잔류 상태에 의해 호출되는 심층 신경망이다. 이러한 종류의 네트워크는 바로 가기 연결을 통해 불필요한 회선 레이어 블록을 뛰어 넘는다. ResNet-50, ResNet-101 및 ResNet-152는 각각 25,610,216, 44,654,504 및 60,344,232의 총 매개 변수 수를 가진 50, 101, 152개의 가중치 계층으로 구성된다. 이 모델의 원래 입력 형태는 224×224×3이며, 완전히 연결된 1000개의 소프트 맥스 출력이다. 본 연구에서는 입력 형태를 최적의 형태 384×384×3으로 수정한 반면, 4 클래스(등급) 완전 연결된 소프트 맥스 예측 확률의 출력도 수정했다. VGG-16과 VGG-19는 각각 1억 2900만 및 1억 4400만 개의 매개 변수를 가진 16개의 가중치 레이어와 19개의 가중치 레이어로 구성되었다. 잔류 네트워크와 유사하게 이 모델의 원래 입력 형태는 224×224×3이며, 완전히 연결된 1000개의 소프트 맥스 출력이다. 본 연구에서는 입력 형태를 최적의 형태 384×384×3으로 수정한 반면, 4 클래스(등급) 완전 연결된 소프트 맥스 예측 확률의 출력도 수정했다. 신경망 최적화 프로그램은 가장 정확한 가능한 형태를 극복하기 위해 가중치를 형성하고 퍼징하는데 중요한 역할을 하며, 손실 기능은 최적화 프로그램이 올바른 방향으로 이동하도록 안내한다. ADADELTA라고도 하는 적응형 그래디언트 확장 최적화 프로그램은 이전의 ADAGRAD 최적화 프로그램에서 학습 강건성과 학습 속도 변화를 방지한다. M.D.Zeiler은 테스트 경쟁자, Stochastic gradient descent(SGD) 및 모멘텀 옵티 마이저 중에서 가장 낮은 테스트 오류율을 보고했다. 0.001의 학습률 및 범주형 교차 엔트로피 손실 함수 내의 아다 델타가 사용된다. 과적합을 방지하기 위해 몇 가지 기술이 있다. 조기 중지는 네트워크를 통한 과적합을 방지하는 효율적인 기술이다. 본 실시 예에 따르면, 20 수(epoch)의 인내 내에서 최소 증분 0.001의 검증 손실에 대한 조기 중지 기능을 진행했다. 또한, 최적의 오버 피팅 방지를 위해 드롭 아웃률 0.05를 적용했다.
상술한 방법을 수행하기 위해 Tensorflow 및 Scikit-learn을 사용하여 제안된 아키텍처 심층 신경망을 학습 및 평가하고 듀얼 Intel Xeon Silver 4114 CPUs @2.2GHz, 12x16GB DIMM DDR4 Sync RAMs @2400MHz, 3x512GB Samsung 970 NVMe M.2 SSDs, and 3xGPUs-NVIDIA TITAN RTX 24GB GDDR6 @1770MHz-4608 CUDA cores의 시스템 구성을 사용하여 실행했다. 그 결과는 다음과 같다.
1. 완전 결합 데이터 세트(FD) 테스트 결과
다른 DNN 모델 아키텍처에서 4 클래스 눈 질환 분류 비교 프로세스 후 50층 깊이의 잔류 네트워크와 데이터 확대에 대한 흥미로운 성능 데이터를 얻었다. 위에서 언급했듯이 FD 테스트 세트에는 포도당이 아닌 이미지의 노이즈가 포함되어 있다. 신경망이 다른 신경망보다 성능이 뛰어나면 멀티 클래스 분류를 위한 훌륭한 분류기로 판단된다. 그렇지 않으면 멀티 클래스 감지 문제를 위해 노이즈 데이터에 과적합을 수행했다. ResNet-50을 통한 2335 원본 이미지의 크기는 각각 73.12%, 73.54%, 53.60%, 98.33% 및 74.58%의 비율로 평균 정확도, 감도, GLC의 정밀도, AMD의 정밀도 및 DR의 정밀도로 수행되었다. 데이터 보강 내에서 ResNet-50 모델은 CGGNets 및 그 후속 모델인 ResNet-101 및 ResNet-152 모델에 비해 최고의 정확도를 나타냈다. 데이터 보강 기능을 갖춘 ResNet-50은 각각 76.71%, 81.71%, 78.12%, 99.44% 및 72.53%의 정확도, 감도, GLC 정밀도, AMD 정밀도 및 DR 정밀도를 달성했다. 정밀 속도 내에서 데이터 세트에 대한 데이터 확대가 모델에 대한 데이터 일반화를 획득했다고 가정할 수 있다.
[표 1] 완전 결합 데이터 세트(FD)의 안저 이미지 분류 결과
Figure 112020111987812-pat00002
2. 경증 및 중증 DR 생략 데이터 세트(MMDR-OD) 테스트 결과
또 다른 테스트 결과는 데이터의 감소가 분류 성능을 개선하고 탐지 모델에 비해 높은 일반화 속도를 생성했음을 보여주었다. 평균 정확도, 리콜, GLC의 정밀도, AMD의 정밀도 및 DR의 정밀도는 각각 80.27%, 85.04%, 77.94%, 99.53% 및 81.48%이다. FD 데이터 세트에서 생략된 경증 및 중증 정도의 DR 이미지는 DNN에 대한 정보 일반화의 스트레스를 감소시켜 더 높은 성능을 생성했다.
[표 2] 원본, FOD 및 MMDR-OD 테스트의 안저 이미지 분류 결과.
Figure 112020111987812-pat00003
3. 경증, 중증도의 DR 및 비핵종 생략 데이터 세트(FOD) 테스트 결과
위에서 FD 데이터 세트 수집에서 언급했듯이, 우리는 네트워크를 통한 신경망 노이즈 주의 테스트의 실험을 위해 ORIGA-light 데이터베이스의 비글라 코마 이미지(노이즈)를 구성했다. 그 결과, MMDR-OD에서 비글라 코마 이미지를 생략한 후 ResNet-50은 각각 88.68%, 92.33%, 99.77%, 99.30% 및 81.81%의 속도로 평균 정확도, 감도, GLC의 정밀도, AMD의 정밀도 및 DR의 정밀도를 나타냈다.
[표 3] 원본, FD, MMDR-OD 및 FOD 테스트의 안저 이미지 분류 결과
Figure 112020111987812-pat00004
4. 데이터 일반화
또 다른 데이터 일반화가 유망한 결과 내에서 연구에 적용되었다. 타원형 마스킹이 FOD 데이터 집합의 모든 이미지에 적용된 것은 사전 처리된 것이다. 데이터 일반화 데이터 집합에서 얻은 평균 정확도, 민감도, GLC 정밀도, AMD 정밀도, DR 정밀도는 각각 87.68%, 90.93%, 100%, 95.48%, 88.96%이다. 그 결과 안저 영상의 일반적인 정보는 신경망에 의해 학습되었다. 표 7은 컴퓨터 보조 진단 시스템에 대한 딥러닝의 3-안질환 분류 성능의 최종 결과를 보여준다.
[표 4] 데이터 일반화 유무에 따른 안저 이미지 분류 결과(타원 마스킹)
Figure 112020111987812-pat00005
경증 및 증중도의 DR 및 비글라 코마 생략 데이터 세트의 시험 결과로부터 얻은 결과는 4-클래스 안질환 분류의 실험으로부터 94.37%의 피크 정확도를 수행했다. 교차 검증이 10배인 50층 잔여 신경망의 평균 정확도는 87.68+- 5.08%이다.
[표 5] 최종 생략 데이터 세트에서 데이터 일반화 후 개별 접기 정확도
Figure 112020111987812-pat00006
도 10은 본 발명의 일 실시예에 따른 안저 영상 분류 방법의 개략적인 흐름도이다.
도 10을 참조하면, 먼저 안저 영상 분류 장치는 망막 안저 이미지 데이터를 전처리하여 모델 학습 전에 이미지 데이터를 정규화한다(S1010). 이때, 안저 영상 분류 장치는 망막 안저 이미지 데이터를 관심 영역(ROI) 축소 기법을 이용하여 전처리하거나 또는 망막 안저 미지 데이터를 대비 제한 적응 히스트그램 등화(CLAHE) 기법을 이용하여 전처리를 수행할 수 있다.
다음으로 안저 영상 분류 장치는 전처리된 망막 안저 이미지 데이터를 트레이닝하고 테스트하여 망막 이미지를 분류하되, 계층화된 10배 교차 검증을 사용하여 망막 이미지를 분류한다(S1030). 한편, 안저 영상 분류 장치는 전처리된 망막 안저 이미지 데이터를 미리 설정된 10배 교차 검증을 이용하여 분할하고, 교육 및 검증 데이터를 섞어 지식 베이스 저장소의 분류 규칙에 따라 테스트 이미지 데이터를 생성하고, 생성된 테스트 이미지 데이터를 테스트하여 자동으로 망막 이미지를 분류하여 사용자에게 제공할 수 있다.
본 발명의 실시예에 따른 방법들은 애플리케이션으로 구현되거나 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는, 본 발명을 위한 특별히 설계되고 구성된 것들이거니와 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media) 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
본 명세서는 많은 특징을 포함하는 반면, 그러한 특징은 본 발명의 범위 또는 특허청구범위를 제한하는 것으로 해석되어서는 아니 된다. 또한, 본 명세서의 개별적인 실시예에서 설명된 특징들은 단일 실시예에서 결합되어 구현될 수 있다. 반대로, 본 명세서의 단일 실시예에서 설명된 다양한 특징들은 개별적으로 다양한 실시예에서 구현되거나, 적절히 결합되어 구현될 수 있다.
도면에서 동작들이 특정한 순서로 설명되었으나, 그러한 동작들이 도시된 바와 같은 특정한 순서로 수행되는 것으로 또는 일련의 연속된 순서, 또는 원하는 결과를 얻기 위해 모든 설명된 동작이 수행되는 것으로 이해되어서는 안 된다. 특정 환경에서 멀티태스킹 및 병렬 프로세싱이 유리할 수 있다. 아울러, 상술한 실시예에서 다양한 시스템 구성요소의 구분은 모든 실시예에서 그러한 구분을 요구하지 않는 것으로 이해되어야 한다. 상술한 앱 구성요소 및 시스템은 일반적으로 단일 소프트웨어 제품 또는 멀티플 소프트웨어 제품에 패키지로 구현될 수 있다.
이상에서 설명한 본 발명은, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 있어 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 여러 가지 치환, 변형 및 변경이 가능하므로 전술한 실시예 및 첨부된 도면에 의해 한정되는 것은 아니다.
100 : 데이터 전처리부
200 : 망막 이미지 분류부
210 : 트레이닝부
220 : 테스트부

Claims (8)

  1. 망막 안저 이미지 데이터를 전처리하여 모델 학습 전에 이미지 데이터를 정규화하는 데이터 전처리부; 및
    상기 전처리된 망막 안저 이미지 데이터를 트레이닝하고 테스트하여 망막 이미지를 당뇨병성 망막증, 녹내장 및 연령 관련 황반 변성 중 하나로 자동 분류하되, 계층화된 10배 교차 검증을 사용하여 망막 이미지를 분류하는 망막 이미지 분류부;를 포함하고,
    상기 망막 이미지 분류부는,
    상기 전처리된 망막 안저 이미지 데이터를 미리 설정된 10배 교차 검증을 이용하여 분할하고, 교육 및 검증 데이터를 섞어 지식 베이스 저장소의 분류 규칙에 따라 테스트 이미지 데이터를 생성하는 트레이닝부; 및
    상기 생성된 테스트 이미지 데이터를 테스트하여 자동으로 망막 이미지를 분류하여 사용자에게 제공하는 테스트부;를 포함하는 것을 특징으로 하는 안과 질환 진단을 위한 딥러닝 기반의 안저 영상 분류 장치.
  2. 제 1 항에 있어서,
    상기 데이터 전처리부는,
    망막 안저 이미지 데이터를 관심 영역(ROI) 축소 기법을 이용하여 전처리하는 것을 특징으로 하는 안과 질환 진단을 위한 딥러닝 기반의 안저 영상 분류 장치.
  3. 제 1 항에 있어서,
    상기 데이터 전처리부는,
    망막 안저 이미지 데이터를 대비 제한 적응 히스트그램 등화(CLAHE) 기법을 이용하여 전처리하는 것을 특징으로 하는 안과 질환 진단을 위한 딥러닝 기반의 안저 영상 분류 장치.
  4. 삭제
  5. 안과 질환 진단을 위한 딥러닝 기반의 안저 영상 분류 장치에서의 안저 영상 분류 방법에 있어서,
    망막 안저 이미지 데이터를 전처리하여 모델 학습 전에 이미지 데이터를 정규화하는 데이터 전처리 단계; 및
    상기 전처리된 망막 안저 이미지 데이터를 트레이닝하고 테스트하여 망막 이미지를 당뇨병성 망막증, 녹내장 및 연령 관련 황반 변성 중 하나로 자동 분류하되, 계층화된 10배 교차 검증을 사용하여 망막 이미지를 분류하는 망막 이미지 분류 단계;를 포함하고,
    상기 망막 이미지 분류 단계는,
    상기 전처리된 망막 안저 이미지 데이터를 미리 설정된 10배 교차 검증을 이용하여 분할하고, 교육 및 검증 데이터를 섞어 지식 베이스 저장소의 분류 규칙에 따라 테스트 이미지 데이터를 생성하는 트레이닝 단계; 및
    상기 생성된 테스트 이미지 데이터를 테스트하여 자동으로 망막 이미지를 분류하여 사용자에게 제공하는 테스트 단계;를 포함하는 것을 특징으로 하는 안저 영상 분류 방법.
  6. 제 5 항에 있어서,
    상기 데이터 전처리 단계는,
    망막 안저 이미지 데이터를 관심 영역(ROI) 축소 기법을 이용하여 전처리하는 단계를 포함하는 것을 특징으로 하는 안저 영상 분류 방법.
  7. 제 5 항에 있어서,
    상기 데이터 전처리 단계는,
    망막 안저 이미지 데이터를 대비 제한 적응 히스트그램 등화(CLAHE) 기법을 이용하여 전처리하는 단계를 포함하는 것을 특징으로 하는 안저 영상 분류 방법.
  8. 삭제
KR1020200137370A 2020-10-22 2020-10-22 안과 질환 진단을 위한 딥러닝 기반의 안저 영상 분류 장치 및 방법 KR102443982B1 (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020200137370A KR102443982B1 (ko) 2020-10-22 2020-10-22 안과 질환 진단을 위한 딥러닝 기반의 안저 영상 분류 장치 및 방법
CN202180003036.3A CN114667539A (zh) 2020-10-22 2021-10-01 用于诊断眼疾的基于深度学习的眼底影像分类装置及方法
PCT/KR2021/013512 WO2022085986A1 (ko) 2020-10-22 2021-10-01 안과 질환 진단을 위한 딥러닝 기반의 안저 영상 분류 장치 및 방법
JP2022580011A JP2023533917A (ja) 2020-10-22 2021-10-01 眼科疾患診断のためのディープラーニングベースの眼底画像分類装置および方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200137370A KR102443982B1 (ko) 2020-10-22 2020-10-22 안과 질환 진단을 위한 딥러닝 기반의 안저 영상 분류 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20220053208A KR20220053208A (ko) 2022-04-29
KR102443982B1 true KR102443982B1 (ko) 2022-09-16

Family

ID=81290726

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200137370A KR102443982B1 (ko) 2020-10-22 2020-10-22 안과 질환 진단을 위한 딥러닝 기반의 안저 영상 분류 장치 및 방법

Country Status (4)

Country Link
JP (1) JP2023533917A (ko)
KR (1) KR102443982B1 (ko)
CN (1) CN114667539A (ko)
WO (1) WO2022085986A1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240043488A (ko) * 2022-09-27 2024-04-03 사회복지법인 삼성생명공익재단 멀티모달 딥 러닝 모델을 이용한 녹내장 환자의 미래 시야 예측 방법
KR102564437B1 (ko) * 2022-10-12 2023-08-10 주식회사 지오비전 딥러닝 모델을 이용한 안면골 골절 검출 시스템

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102150647B1 (ko) * 2020-04-16 2020-09-02 주식회사 딥노이드 의료영상 판독을 위한 인공지능 기반의 클라우드 플랫폼 시스템

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101857624B1 (ko) * 2017-08-21 2018-05-14 동국대학교 산학협력단 임상 정보를 반영한 의료 진단 방법 및 이를 이용하는 장치
KR101848321B1 (ko) * 2017-10-27 2018-04-20 주식회사 뷰노 피검체에 대한 안저 영상의 판독을 지원하는 방법 및 이를 이용한 장치
KR102220109B1 (ko) 2018-05-31 2021-02-25 주식회사 뷰노 심층 신경망을 이용하여 영상을 분류하는 방법 및 이를 이용한 장치
KR102212500B1 (ko) * 2018-07-06 2021-02-04 주식회사 메디웨일 안저 이미지 관리 장치 및 안저 이미지의 품질 판단 방법
KR102329468B1 (ko) * 2018-12-12 2021-11-24 사회복지법인 삼성생명공익재단 인공지능을 이용한 안질환 진단 방법 및 시스템

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102150647B1 (ko) * 2020-04-16 2020-09-02 주식회사 딥노이드 의료영상 판독을 위한 인공지능 기반의 클라우드 플랫폼 시스템

Also Published As

Publication number Publication date
CN114667539A (zh) 2022-06-24
WO2022085986A1 (ko) 2022-04-28
JP2023533917A (ja) 2023-08-07
KR20220053208A (ko) 2022-04-29

Similar Documents

Publication Publication Date Title
Chakrabarty A deep learning method for the detection of diabetic retinopathy
Luo et al. Ophthalmic disease detection via deep learning with a novel mixture loss function
KR102443982B1 (ko) 안과 질환 진단을 위한 딥러닝 기반의 안저 영상 분류 장치 및 방법
Chea et al. Classification of Fundus Images Based on Deep Learning for Detecting Eye Diseases.
Paul et al. Octx: Ensembled deep learning model to detect retinal disorders
Firke et al. Convolutional neural network for diabetic retinopathy detection
Yadav et al. Computer‐aided diagnosis of cataract severity using retinal fundus images and deep learning
Hassan et al. Exploiting the transferability of deep learning systems across multi-modal retinal scans for extracting retinopathy lesions
Liu et al. Semi-supervised automatic layer and fluid region segmentation of retinal optical coherence tomography images using adversarial learning
Giancardo Automated fundus images analysis techniques to screen retinal diseases in diabetic patients
Shenkut et al. Fundus GAN-GAN-based fundus image synthesis for training retinal image classifiers
Prasher et al. Automated eye disease classification using mobilenetv3 and efficientnetb0 models using transfer learning
Pin et al. Comparative Study of Transfer Learning Models for Retinal Disease Diagnosis from Fundus Images.
Belharar et al. DeepRetino: Ophthalmic disease classification from retinal images using deep learning
Chakravarthy et al. An approach towards automatic detection of toxoplasmosis using fundus images
Abdulraheem et al. Continuous eye disease severity evaluation system using siamese neural networks
KR102406538B1 (ko) 안저 이미지를 이용한 심층 신경망 기반 안구질환 진단 장치 및 방법
Renukadevi et al. Categorization of diabetic retinopathy using deep learning techniques
Yazhini et al. An integrated fusion based feature extraction and classification model for diabetic retinopathy diagnosis
Latha et al. Diagnosis of diabetic retinopathy and glaucoma from retinal images using deep convolution neural network
C Gandhi et al. Glaucoma Eyes Disease Identification: Using Vgg16 Model throughDeep Neural Network
Subhedar et al. A Review on Recent Work On OCT Image Classification for Disease Detection
Venneti et al. Amdnet: Age-related macular degeneration diagnosis through retinal fundus images using lightweight convolutional neural network
Venugopal et al. An Automated glaucoma image classification model using perceptual hash-based convolutional neural network
Khan et al. Spatial Correlation Module for Classification of Multi-Label Ocular Diseases Using Color Fundus Images.

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant