KR102525371B1 - 진단 방법 및 장치 - Google Patents
진단 방법 및 장치 Download PDFInfo
- Publication number
- KR102525371B1 KR102525371B1 KR1020220126211A KR20220126211A KR102525371B1 KR 102525371 B1 KR102525371 B1 KR 102525371B1 KR 1020220126211 A KR1020220126211 A KR 1020220126211A KR 20220126211 A KR20220126211 A KR 20220126211A KR 102525371 B1 KR102525371 B1 KR 102525371B1
- Authority
- KR
- South Korea
- Prior art keywords
- diagnosis
- neural network
- artificial neural
- image
- user terminal
- Prior art date
Links
- 238000002405 diagnostic procedure Methods 0.000 title abstract 3
- 238000003745 diagnosis Methods 0.000 claims abstract description 141
- 238000013528 artificial neural network Methods 0.000 claims abstract description 111
- 210000000436 anus Anatomy 0.000 claims abstract description 20
- 201000010099 disease Diseases 0.000 claims abstract description 16
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims description 39
- 230000015654 memory Effects 0.000 claims description 18
- 238000004092 self-diagnosis Methods 0.000 claims description 18
- 230000005856 abnormality Effects 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000004891 communication Methods 0.000 description 30
- 238000012545 processing Methods 0.000 description 24
- 230000006870 function Effects 0.000 description 20
- 208000016583 Anus disease Diseases 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 210000003608 fece Anatomy 0.000 description 9
- 238000012549 training Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 208000032843 Hemorrhage Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 210000000887 face Anatomy 0.000 description 2
- 208000014617 hemorrhoid Diseases 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011017 operating method Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 210000002640 perineum Anatomy 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 206010010774 Constipation Diseases 0.000 description 1
- 206010011732 Cyst Diseases 0.000 description 1
- 208000002193 Pain Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000001994 activation Methods 0.000 description 1
- 208000034158 bleeding Diseases 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 208000031513 cyst Diseases 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000013872 defecation Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000001976 improved effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 210000000214 mouth Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B10/00—Other methods or instruments for diagnosis, e.g. instruments for taking a cell sample, for biopsy, for vaccination diagnosis; Sex determination; Ovulation-period determination; Throat striking implements
- A61B10/0038—Devices for taking faeces samples; Faecal examination devices
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0077—Devices for viewing the surface of the body, e.g. camera, magnifying lens
-
- 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
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
진단 방법 및 장치가 개시된다. 일 실시예에 따른 제1 진단 장치에 의해 수행되는, 질환 진단 방법은 원본 이미지를 획득하는 단계, 상기 원본 이미지를 제1 인공 신경망에 입력하여 항문에 대응하는 제1 대상을 인식하고, 상기 제1 대상에 대응하는 제1 영역을 크롭하여 크롭 이미지를 생성하는 단계, 상기 크롭 이미지를 제2 인공 신경망에 입력하여 상기 제1 대상에 대응하는 제1 진단 결과를 생성하는 단계, 상기 제1 진단 결과에 기초하여, 상기 진단 장치와 연결된 사용자 단말로 알림 신호 전송 여부를 결정하는 단계를 포함할 수 있다.
Description
아래 실시예들은 진단 방법에 관한 것으로, 보다 구체적으로는 인공 신경망을 이용한 항문 질환 진단 방법 및 장치에 관한 것이다.
항문 질환은 40대 입원비율 2위의 연간 64만명이 고통받는 대중적인 질환이다. 그러나 항문 질환은 초기증상시 자가진단이 어렵고, 병원 방문이 부끄러워 방치하는 경우가 많다.
한편, 인공 신경망(neural network)은 생물학적 뇌를 모델링한 컴퓨터 과학적 아키텍쳐(computational architecture)를 참조한다. 최근 인공 신경망 기술이 발전함에 따라, 다양한 종류의 전자 시스템에서 인공 신경망 장치를 사용하여 입력 데이터를 분석하고 유효한 정보를 추출하는 연구가 활발히 진행되고 있다.
제1 진단 장치에 의해 수행되는, 질환 진단 방법은, 원본 이미지를 획득하는 단계; 상기 원본 이미지를 제1 인공 신경망에 입력하여 항문에 대응하는 제1 대상을 인식하고, 상기 제1 대상에 대응하는 제1 영역을 크롭하여 크롭 이미지를 생성하는 단계; 상기 크롭 이미지를 제2 인공 신경망에 입력하여 상기 제1 대상에 대응하는 제1 진단 결과를 생성하는 단계; 및 상기 제1 진단 결과에 기초하여, 상기 진단 장치와 연결된 사용자 단말로 알림 신호 전송 여부를 결정하는 단계를 포함할 수 있다.
상기 알림 신호 전송 여부를 결정하는 단계는, 상기 항문 영역에 이상이 발생했다는 제1 진단 결과에 기초하여, 상기 사용자 단말로 상기 알림 신호를 전송하는 단계를 포함하고, 상기 사용자 단말로부터 상기 크롭 이미지 전송에 대한 승낙 메시지를 수신할 경우, 상기 사용자 단말로 상기 크롭 이미지를 전송하는 단계를 더 포함할 수 있다.
상기 크롭 이미지는, 상기 사용자 단말을 통해 생성된 자가 진단 정보와 함께 제2 진단 장치로 전송되고, 상기 제2 진단 장치는, 상기 자가 진단 정보 및 상기 크롭 이미지를 미리 학습된 제3 인공 신경망에 입력함으로써, 제2 진단 결과를 생성할 수 있다.
일 실시예에 따른 진단 방법은 상기 사용자 단말로부터 상기 제1 영역의 크기 조정 신호를 수신하는 단계를 더 포함하고, 상기 크롭 이미지를 생성하는 단계는 상기 크기 조정 신호에 기초하여 상기 제1 영역의 크기를 조정하는 단계; 및 상기 크기가 조정된 제1 영역을 크롭하여 상기 크롭 이미지를 생성하는 단계를 포함할 수 있다.
상기 크롭 이미지를 생성하는 단계는, 상기 원본 이미지를 제1 인공 신경망에 입력하여 미리 정해진 제2 대상을 인식하는 단계; 및 상기 제1 영역에 상기 제2 대상의 적어도 일부가 포함될 경우, 상기 제2 대상에 대응하는 제2 영역을 블러처리하는 단계를 더 포함할 수 있다.
일 실시예에 따른 진단 방법은, 대변 이미지를 획득하는 단계를 더 포함하고, 상기 제1 진단 결과를 생성하는 단계는, 상기 대변 이미지 및 상기 크롭 이미지를 상기 제2 인공 신경망에 입력하여 상기 제1 대상에 대응하는 제1 진단 결과를 생성할 수 있다.
일 실시예에 따른 진단 장치는, 하우징; 상기 하우징의 일단에 결합되는 회전체; 적어도 하나의 명령어를 저장하는 메모리; 및 상기 메모리에 저장된 명령어를 실행함으로써, 카메라를 통해 획득한 원본 이미지를 제1 인공 신경망에 입력하여 미리 정해진 제1 대상을 인식하고, 상기 제1 대상에 대응하는 제1 영역을 크롭하여 크롭 이미지를 생성하고, 상기 크롭 이미지를 제2 인공 신경망에 입력하여 상기 제1 대상에 대응하는 제1 진단 결과를 생성하고, 상기 진단 결과에 기초하여, 진단 장치와 연결된 사용자 단말로 알림 신호 전송 여부를 결정하는 프로세서를 포함할 수 있다.
도 1a는 인공 신경망을 이용한 딥러닝 연산 방법을 설명하기 위한 도면이다.
도 1b는 일 실시예에 따른 인공 신경망의 학습 및 추론 방법을 설명하기 위한 도면이다.
도 2a 내지 도 2b는 일 실시예에 따른 진단 장치의 예시를 도시한 도면이다.
도 3 내지 도 4b는 일 실시예에 따른 진단 시스템의 동작 방법을 설명하기 위한 도면이다.
도 5는 제2 인공 신경망 학습에 활용하는 정보의 일례를 도시하는 도면이다.
도 6은 일 실시예에 따른 진단 방법을 설명하기 위한 흐름도이다.
도 1b는 일 실시예에 따른 인공 신경망의 학습 및 추론 방법을 설명하기 위한 도면이다.
도 2a 내지 도 2b는 일 실시예에 따른 진단 장치의 예시를 도시한 도면이다.
도 3 내지 도 4b는 일 실시예에 따른 진단 시스템의 동작 방법을 설명하기 위한 도면이다.
도 5는 제2 인공 신경망 학습에 활용하는 정보의 일례를 도시하는 도면이다.
도 6은 일 실시예에 따른 진단 방법을 설명하기 위한 흐름도이다.
본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시예들에 대해서 특정한 구조적 또는 기능적 설명들은 단지 본 발명의 개념에 따른 실시예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시예들은 다양한 형태로 실시될 수 있으며 본 명세서에 설명된 실시예들에 한정되지 않는다.
본 발명의 개념에 따른 실시예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시예들을 도면에 예시하고 본 명세서에 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시예들을 특정한 개시형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만, 예를 들어 본 발명의 개념에 따른 권리 범위로부터 이탈되지 않은 채, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 “연결되어” 있다거나 “접속되어” 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 “직접 연결되어” 있다거나 “직접 접속되어” 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 표현들, 예를 들어 “~사이에”와 “바로~사이에” 또는 “~에 직접 이웃하는” 등도 마찬가지로 해석되어야 한다.
본 명세서에서 사용한 용어는 단지 특정한 실시예들을 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, “포함하다” 또는 “가지다” 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
본 명세서에서의 모듈(module)은 본 명세서에서 설명되는 각 명칭에 따른 기능과 동작을 수행할 수 있는 하드웨어를 의미할 수도 있고, 특정 기능과 동작을 수행할 수 있는 컴퓨터 프로그램 코드를 의미할 수도 있고, 또는 특정 기능과 동작을 수행시킬 수 있는 컴퓨터 프로그램 코드가 탑재된 전자적 기록 매체, 예를 들어 프로세서 또는 마이크로 프로세서를 의미할 수 있다.
다시 말해, 모듈이란 본 발명의 기술적 사상을 수행하기 위한 하드웨어 및/또는 상기 하드웨어를 구동하기 위한 소프트웨어의 기능적 및/또는 구조적 결합을 의미할 수 있다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 그러나, 특허출원의 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
도 1a는 인공 신경망을 이용한 딥러닝 연산 방법을 설명하기 위한 도면이다.
딥러닝(Deep Learning) 등을 포함하는 인공지능(AI) 알고리즘은 인공 신경망(Artificial Neural Network, ANN)에 입력 데이터를 입력시키고, 컨볼루션 등의 연산을 통해 출력 데이터를 학습하고, 학습된 인공 신경망을 이용하여 특징을 추출할 수 있다. 인공 신경망은 생물학적 뇌를 모델링한 컴퓨터 과학적 아키텍쳐(Computational Architecture)를 의미할 수 있다. 인공 신경망 내에서, 뇌의 뉴런들에 해당되는 노드들은 서로 연결되어 있고, 입력 데이터를 처리하기 위하여 집합적으로 동작한다.
다양한 종류의 뉴럴 네트워크들을 예로 들면, 컨볼루션 뉴럴 네트워크(Convolutional Neural Network, CNN), 회귀 뉴럴 네트워크(Recurrent Neural Network, RNN), 딥 빌리프 네트워크(Deep Belief Network, DBN), 제한된 볼츠만 기계(Restricted Boltzman Machine, RBM) 방식 등이 있으나, 이에 제한되지 않는다. 피드-포워드(feed-forward) 뉴럴 네트워크에서, 뉴럴 네트워크의 뉴런들은 다른 뉴런들과의 연결들(links)을 갖는다. 이와 같은 연결들은 뉴럴 네트워크를 통해, 한 방향으로, 예를 들어 순방향(forward direction)으로 확장될 수 있다.
도 1a는 입력 데이터를 입력 받아 출력 데이터를 출력하는 인공 신경망(예를 들어, 컨볼루션 뉴럴 네트워크(Convolution Neural Network, CNN))의 구조를 도시한다. 인공 신경망은 2개 이상의 레이어(layer)를 보유한 딥 뉴럴 네트워크(deep neural network)일 수 있다.
도 1b는 일 실시예에 따른 인공 신경망의 학습 및 추론 방법을 설명하기 위한 도면이다.
도 1b를 참조하면, 일 실시예에 따른 진단 시스템은 학습 장치(100) 및 진단 장치(150)를 포함할 수 있다. 일 실시예에 따른 학습 장치(100)는 뉴럴 네트워크를 생성하거나, 뉴럴 네트워크를 훈련(train)(또는 학습(learn))하거나, 뉴럴 네트워크를 재훈련(retrain)하는 기능들과 같은 다양한 프로세싱 기능들을 갖는 컴퓨팅 디바이스에 해당된다. 예를 들어, 학습 장치(100)는 PC(personal computer), 서버 디바이스, 모바일 디바이스 등의 다양한 종류의 디바이스들로 구현될 수 있다.
일 실시예에 따른 학습 장치(100)는 주어진 초기 뉴럴 네트워크를 반복적으로 훈련(학습)시킴으로써, 하나 이상의 훈련된 뉴럴 네트워크(110)를 생성할 수 있다. 하나 이상의 훈련된 뉴럴 네트워크(110)를 생성하는 것은 뉴럴 네트워크 파라미터를 결정하는 것을 의미할 수 있다. 여기서, 파라미터들은 예를 들어 뉴럴 네트워크의 입/출력 액티베이션들, 웨이트들, 바이어스들 등 뉴럴 네트워크에 입/출력되는 다양한 종류의 데이터를 포함할 수 있다. 뉴럴 네트워크의 반복적인 훈련이 진행됨에 따라, 뉴럴 네트워크의 파라미터들은 주어진 입력에 대해 보다 정확한 출력을 연산하기 위해 조정될(tuned) 수 있다.
일 실시예에 따른 학습 장치(100)는 훈련된 하나 이상의 뉴럴 네트워크(110)를 진단 장치(150)에 전달할 수 있다. 진단 장치(150)는 모바일 디바이스, 임베디드(embedded) 디바이스 등에 포함될 수 있다. 일 실시예에 따른 진단 장치(150)는 뉴럴 네트워크의 구동을 위한 전용 하드웨어로 프로세서, 메모리, 입출력(I/O) 인터페이스, 디스플레이, 통신 인터페이스, 또는 센서 중 적어도 하나를 포함하는 전자 장치일 수 있다.
일 실시예에 따른 진단 장치(150)는 태블릿 PC, 스마트폰, 개인용 컴퓨터(예를 들어, 노트북 컴퓨터 등), 인공지능 스피커, 스마트 TV, 이동 전화기, 내비게이션, 웹 패드, PDA, 워크스테이션 등과 같이 메모리 수단을 구비하고 마이크로 프로세서를 탑재하여 연산 능력을 갖춘 디지털 기기를 모두 포함하는 개념일 수 있다.
일 실시예에 따른 진단 장치(150)는 하나 이상의 훈련된 뉴럴 네트워크(110)를 그대로 구동하거나, 하나 이상의 훈련된 뉴럴 네트워크(110)가 가공(예를 들어, 양자화)된 뉴럴 네트워크(160)를 구동할 수 있다. 가공된 뉴럴 네트워크(160)를 구동하는 진단 장치(150)는, 학습 장치(100)와는 별도의 독립적인 디바이스에서 구현될 수 있다. 하지만, 이에 제한되지 않고, 진단 장치(150)는 학습 장치(100)와 동일한 디바이스 내에도 구현될 수 있다.
도 2a 내지 도 2c는 일 실시예에 따른 진단 장치의 예시를 도시한 도면이다.
도 1a 내지 도 1b를 참조하여 설명한 내용은 도 2에 동일하게 적용될 수 있고, 중복되는 내용은 생략될 수 있다. 예를 들어, 도 2의 진단 장치는 도 1b를 참조하여 전술한 진단 장치(150)일 수 있다.
도 2a를 참조하면, 일 실시예에 따른 진단 시스템은 비데에 설치되어 항문 영상을 획득하는 카메라(230), 카메라(230)로부터 항문 영상을 획득하고 이를 분석하는 제1 진단 장치(210), 제1 진단 장치(210)로부터 처리된 영상을 획득하고, 이를 분석하는 제2 진단 장치(220) 및 진단 결과 등을 수신하는 사용자 단말(240)를 포함할 수 있다.
다양한 실시 예에 따라, 제1 진단 장치(210)는 프로세서에 의한 연산이 가능한 임의의 장치를 포함할 수 있으며, 제2 진단 장치(220)는 퍼스널 컴퓨터, 서버 등을 포함할 수 있다. 전술한 제1 진단 장치(210) 및 제2 진단 장치(220)의 일례는 예시적인 것에 불과할 뿐, 연산 처리가 가능한 임의의 전자 장치로 제1 진단 장치(210) 및 제2 진단 장치(220)가 구현될 수 있다.
제1 진단 장치(210)는 카메라(230)로부터 수신한 영상에 대한 1차적인 연산을 수행하는 장치로, 제2 진단 장치(220)에 비해 적은 부하의 연산이 수행될 수 있다. 이에 따라, 제1 진단 장치(210)는 제2 진단 장치(220)에 비해 적은 연산 능력을 가지는 전자 장치로 구현될 수 있다.
다양한 실시 예에 따라, 제1 진단 장치(210)는 카메라(230)로부터 사용자의 항문 영상을 수신할 수 있으며, 이에 대한 비교적 적은 부하의 처리를 통해 항문 질환을 진단할 수 있으며, 보다 높은 부하의 처리가 필요한 상황이 발생하는 경우, 사용자 단말(240)을 통한 승인을 통해 제2 진단 장치(220)에 항문 영상이 전달되어, 이에 대한 분석이 이루어질 수 있다. 제1 진단 장치(210) 및 제2 진단 장치(220)를 통한 질환 분석의 세부적인 방식은 이하 첨부될 도면을 통해 보다 상세하게 설명된다.
도 2b를 참고하면, 제1 진단 장치(210)는 메모리(211), 통신 모듈(212) 및 프로세서(213)를 포함할 수 있다. 제2 진단 장치(220)는 메모리(221), 통신 모듈(222) 및 프로세서(223)를 포함할 수 있다.
다양한 실시 예에 따라, 메모리(211, 221)는, 진단 장치(210, 220)의 적어도 하나의 구성요소(예: 통신 모듈(212, 222) 또는 프로세서(213, 223))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(211, 221)는, 휘발성 메모리 또는 비휘발성 메모리를 포함할 수 있다.
통신 모듈(212, 222)은 진단 장치(210, 220)와 외부 전자 장치(예: 카메라(230) 또는 사용자 단말(240)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(212, 222)은 프로세서(213, 223)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(212, 222)은 무선 통신 모듈(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(예: 카메라(230), 사용자 단말(240))와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다.
프로세서(213, 223)는, 예를 들면, 소프트웨어(예: 프로그램)를 실행하여 프로세서(213, 223)에 연결된 진단 장치(210, 220)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(213, 223)는 다른 구성요소(예: 메모리(211, 221) 또는 통신 모듈(212, 222))로부터 수신된 명령 또는 데이터를 휘발성 메모리에 저장하고, 휘발성 메모리에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리에 저장할 수 있다. 일 실시예에 따르면, 프로세서(213, 223)는 메인 프로세서(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 진단 장치(210, 220)가 메인 프로세서 및 보조 프로세서를 포함하는 경우, 보조 프로세서는 메인 프로세서보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서는 메인 프로세서와 별개로, 또는 그 일부로서 구현될 수 있다.
도 2c를 참고하면, 제1 진단 장치(210)은 프로세서(213) 및 회전체(214)를 포함할 수 있다. 그러나 도시된 구성요소 모두가 필수구성요소인 것은 아니다. 도시된 구성요소보다 많은 구성요소에 의해 진단 장치가 구현될 수도 있고, 그보다 적은 구성요소에 의해서도 진단 장치는 구현될 수 있다. 예를 들어, 회전체(214) 주변에는 소정의 밝기를 제공하기 위한 조명이 추가로 배치될 수 있다. 주변부의 밝기가 소정의 임계치를 충족하는 경우, 조명이 켜져서 소정의 밝기를 제공할 수 있다. 사용자가 변기에 앉는 경우, 카메라 주변부의 밝기가 어두어져 촬영에 어려움이 발생되는 현상을 방지하기 위함이다.
아래에서 상세히 설명하겠으나, 일 실시예에 따른 프로세서(213)는 카메라(230)를 통해 획득한 원본 이미지를 제1 인공 신경망에 입력하여, 미리 정해진 대상을 인식하고, 해당 대상에 대응하는 영역을 크롭하여 크롭 이미지를 생성할 수 있다. 나아가, 일 실시예에 따른 프로세서는 크롭 이미지를 제2 인공 신경망에 입력하여, 해당 대상에 대응하는 진단 결과를 생성할 수 있다. 제1 인공 신경망 및 제2 인공 신경망은 도 1b를 참조하여 설명한 하나 이상의 훈련된 뉴럴 네트워크(110)일 수 있다. 앞서 설명된 바에선 실시간으로 획득한 이미지를 크롭하는 방식이 설명되었으나, 크롭된 영역에 대해서만 촬영이 이루어지는 방식으로도 본원이 구현될 수 있다.
일 실시예에 따른 프로세서(213)의 하우징의 일부 영역에 배치될 수 있고, 일 실시예에 따른 회전체(214)는 하우징의 일단에 결합될 수 있다. 일 실시예에 따른 카메라(230)는 회전체의 일부 영역에 배치될 수 있다. 일 실시예에 따른 회전체(214)는 상하좌우로 회전할 수 있고, 회전체(214)의 회전에 따라 회전체(214)에 배치된 카메라(230)의 촬영 범위가 변경될 수 있다. 또한, 실시예에 따라서, 대변을 실시간으로 촬영할 수 있는 대변 촬영용 카메라가 추가로 구비될 수도 있다. 나아가, 도 2a에는 도시되지 않았으나, 일 실시예에 따른 진단 장치는 센서부를 더 포함할 수 있다.
일 실시예에 따른 센서부는 지자기 센서(Magnetic sensor), 가속도 센서(Acceleration sensor), 온/습도 센서, 적외선 센서, 자이로스코프 센서, 위치 센서(예컨대, GPS), 기압 센서, 근접 센서, 및 RGB 센서(illuminance sensor) 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 각 센서들의 기능은 그 명칭으로부터 당업자가 직관적으로 추론할 수 있으므로, 구체적인 설명은 생략하기로 한다.
일 실시예에 따른 진단 장치(210, 220)는 항문 질환 진단 장치일 수 있다. 도 2c를 참조하면, 일 실시예에 따른 제1 진단 장치(210)는 비데 장치 또는 변기에 결합될 수 있다.
항문은 구강과 더불어 외부노출 부위로, 항문 질환 진단은 시진(눈으로 진찰)이 중요하다. 하지만 항문 질환 특성 상 프라이버시가 중요하고, 자가로 진찰하기도 어려운 부위이며, 병원 방문율도 낮다.
이에, 일 실시예에 따른 제1 진단 장치(210)는 촬영 시에만 카메라(230)가 노출되며, 카메라(230)를 통해 촬영된 이미지에 대하여 진단 장치의 제어부(213)에서 이미지 처리를 수행하고, 사용자의 허가시에만 해당 결과를 사용자 단말(240) 또는 제2 진단 장치(220)로 전송할 수 있다.
보다 구체적으로, 일 실시예에 따른 제1 진단 장치(210)는 촬영 시에만 카메라(230)가 노출될 수 있도록 회전체(214)를 제어할 수 있다. 예를 들어, 대기 모드일 경우 진단 장치는 카메라(230)가 아래를 향하도록 회전체(214)를 제어할 수 있고, 촬영 모드일 경우 진단 장치는 카메라(230)가 위를 향하도록 회전체(214)를 제어할 수 있다.
도 3 내지 도 4b는 일 실시예에 따른 진단 시스템의 동작 방법을 설명하기 위한 도면이다.
도 3의 동작은 도시된 순서 및 방식으로 수행될 수 있지만, 도시된 실시예의 사상 및 범위를 벗어나지 않으면서 일부 동작의 순서가 변경되거나 일부 동작이 생략될 수 있다. 도 3에 도시된 다수의 동작은 병렬로 또는 동시에 수행될 수 있다.
도 1a 내지 도 2b를 참조하여 설명한 내용은 도 3에 동일하게 적용될 수 있고, 중복되는 내용은 생략될 수 있다. 예를 들어, 도 3의 제1 진단 장치(210) 및 제2 진단 장치(220)는 도 1b를 참조하여 전술한 진단 장치(150), 도 2a 내지 도 2b를 참조하여 전술한 제1 진단 장치(210) 및 제2 진단 장치(220)일 수 있다.
도 3을 참조하면, 일 실시예에 따른 진단 시스템은 제1 진단 장치(210), 사용자 단말(240), 제2 진단 장치(220)를 주체로 포함할 수 있다. 아래에서, 설명의 편의를 위하여 진단 장치(210, 220)는 항문 질환 진단을 위한 진단 장치를 기준으로 설명한다. 다만, 진단 장치를 반드시 이로 한정하는 것은 아니고, 설계에 따라 용도가 달라질 수도 있다.
단계(310)에서, 일 실시예에 따른 제1 진단 장치(210)는 카메라(예: 도 2a 내지 도 2b의 카메라(230)를 통해 원본 이미지를 획득할 수 있다. 예를 들어, 사용자가 제1 진단 장치(210)의 촬영 버튼을 누르면, 제1 진단 장치(210)의 카메라는 촬영을 수행할 수 있다. 일 실시예에 따른 원본 이미지는 진단 대상 부위(예를 들어, 항문) 뿐만 아니라 민감 부위, 노이즈 등이 함께 포함될 수 있다. 실시예에 따라, 촬영 버튼은 사용자 단말(240)에 구현된 어플리케이션을 통해 입력될 수도 있다.
다른 실시예에 따르면, 제1 진단 장치(210)는 사용자가 대변을 보는 전체 프로세스 중 i) 대변을 보기 전 초기 상태의 제1 이미지, ii) 항문이 최대로 확장된 시점의 제2 이미지 및 iii) 대변이 모두 배출되는 시점의 제3 이미지를 획득할 수도 있다. 이를 통해 제1 진단 장치(210)는 보다 다각적인 측면에서 항문 영상을 획득함으로써, 단편적인 항문 이미지를 통해 진단을 수행하는 방식에 비해 진단의 정확도를 향상시킬 수 있는 수단을 제공할 수 있다.
단계(320)에서, 일 실시예에 따른 제1 진단 장치(210)는 원본 이미지를 제1 인공 신경망에 입력하여 미리 정해진 제1 대상(예를 들어, 항문)을 인식하고, 제1 대상에 대응하는 제1 영역을 크롭하여 크롭 이미지를 생성할 수 있다. 프라이버시 보호를 위해 일 실시예에 따른 제1 진단 장치(210)는 원본 이미지에서 제1 대상에 대응하는 제1 영역만 크롭하고, 나머지 영역은 삭제할 수 있다. 다른 실시예에 따르면, 제1 인공 신경망은 앞서 언급된 제1 이미지 내지 제3 이미지 각각에 대한 제1 크롭 이미지 내지 제3 크롭 이미지를 생성할 수 있다.
일 실시예에 따른 제1 인공 신경망의 학습은 도 1b를 참조하여 전술한 학습 장치(100)에 의해 수행될 수 있다. 일 실시예에 따른 제1 인공 신경망은 원본 이미지에서 제1 대상(항문)을 인식할 수 있도록 학습될 수 있다. 인공 신경망 학습의 목적은 손실 함수를 최소화하는 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 인공 신경망의 학습 과정에서 최적의 파라미터를 결정하기 위한 지표로 이용될 수 있다. 일 실시예에 따른 손실 함수는 정답 제1 대상과 제1 인공 신경망에서 인식한 제1 대상의 차이로 정의할 수 있고, 생성 모델 학습 장치(200)는 손실 함수를 최소화하는 파라미터를 결정할 수 있다.
일 실시예에 따르면, 제1 인공 신경망은 성별에 따라 별도로 학습이 이루어질 수 있으며, 제1 진단 장치(210)는 제1 인공 신경망에 기초하여 성별에 따라 크롭 이미지를 구별된 데이터베이스에 저장할 수 있다. 구별된 데이터베이스를 통해 크롭 이미지에 대한 검수를 대응되는 성별의 검수자만이 접근할 수 있도록 시스템이 제어될 수 있다.
다만, 일 실시예에 따른 민감 데이터에 기초하여 학습되는 제1 인공 신경망의 특성 상, 학습 데이터 확보가 어려울 수 있다. 이에, 일 실시예에 따른 학습 장치(100)는 데이터 변조(augmentation)를 통해 학습 데이터 수를 늘릴 수 있다. 예를 들어, 학습 장치(100)는 확보된 학습 데이터에 대하여 리사이즈(resize), 스캐일(scale), 플립(flip), 로테이트(rotate) 및 노이즈 추가 중 적어도 하나를 수행하여, 학습 데이터 수를 늘릴 수 있다. 또는, 일 실시예에 따른 학습 장치(100)는 생성 모델(예를 들어, GAN)을 이용하여 학습 데이터를 생성할 수도 있다. 일 실시예에 따른 생성 모델은 생성자(generator)와 구분자(discriminator)를 이용하여 학습 데이터 쌍(pair) 없이 원하는 출력 데이터를 생성할 수 있다.
이 외에도, 사람이 직접 해당부위 그림을 그리거나, 착시를 일으킬 수 있는 유사 신체기관의 사진, 신체기관 모형물의 사진, 사진을 일러스트로 변형한 데이터 등을 학습 데이터로 사용할 수도 있다. 일러스트로 변형된 학습 데이터에 기초하여 제1 인공 신경망을 학습한 경우, 추론 시에도 원본 이미지를 일러스트로 변형 후 제1 인송 신경망 모델에 입력할 수 있다.
일 실시예에 따른 제1 진단 장치(210)는 크롭 이미지에 민감 부위가 포함될 경우, 민감 부위에 대한 이미지 처리를 추가로 수행할 수 있다. 예를 들어, 일 실시예에 따른 제1 진단 장치(210)는 원본 이미지를 제1 인공 신경망에 입력하여 미리 정해진 제2 대상(예를 들어, 민감 부위)을 인식할 수 있다. 일 실시예에 따른 제1 진단 장치(210)는 제1 영역에 제2 대상의 적어도 일부가 포함되었는지 판단할 수 있고, 포함된 경우 제2 대상에 대응하는 제2 영역을 블러 처리할 수 있다.
사용자의 특성에 따라, 사용자는 제1 영역의 크기를 조정할 수 있다. 예를 들어 회음부가 넓은 남성은 5cm(폭) x 5cm(높이), 회음부가 좁은 여성은 3cm(폭) x 2cm(높이) 이미지 등을 선택할 수 있다. 일 실시예에 따른 제1 진단 장치(210)는 사용자 단말로(240)부터 제1 영역의 크기 조정 신호를 수신할 수 있고, 크기 조정 신호에 기초하여 제1 영역의 크기를 조정할 수 있다.
일 실시예에 따르면, 제1 인공 신경망은 예시적으로 Faster R-CNN 방법이 활용되어 YOLO에 비해 약간의 레이턴시가 있더라도 보다 정확도 높은 제1 영역 검출이 가능할 수 있다.
단계(330)에서, 일 실시예에 따른 제1 진단 장치(210)는 크롭 이미지를 제2 인공 신경망에 입력하여 제1 대상에 대응하는 제1 진단 결과를 생성할 수 있다. 일 실시예에 따른 제2 인공 신경망의 학습은 도 1b를 참조하여 전술한 학습 장치(100)에 의해 수행될 수 있다. 제1 진단 결과는 질환들 각각의 확률에 대한 정보를 포함할 수 있다. 다른 실시예에 따르면, 제2 인공 신경망은 앞서 언급된 단계적으로 도출된 제1 이미지 내지 제3 이미지로부터 도출된 제1 크롭 이미지 내지 제3 크롭 이미지에 기초하여 질환들 각각의 확률에 대한 정보를 도출하도록 학습될 수 있다.
추가적인 실시예에 따르면, 제2 인공 신경망은 앞선 크롭 이미지와 더불어, 대변 촬영용 카메라를 통해 촬영된 대변 이미지를 입력으로 하여 제1 진단 결과(예를 들어, 각 질환의 발생 확률)를 도출하도록 학습될 수도 있다. 이 경우, 제2 인공 신경망은 대변의 각 영역과 접촉하는 항문 영역의 매칭 관계에 대한 추가 정보를 입력으로 하여 항문 질환을 예측하도록 학습될 수 있다. 예를 들어, 도 5를 참고하면, 제2 인공 신경망은 항문 이미지(510)에 표현된 각 영역의 위치 정보와, 각각의 항문 영역과 접촉하는 대변 이미지(520)의 영역의 위치 정보가 상보 매핑된 매칭 정보를 추가적인 입력으로 하여 항문 질환을 예측하도록 학습될 수 있다.
단계(340)에서, 제1 진단 장치(210)는 제1 대상에 이상이 발생했다는 진단 결과에 기초하여 제1 진단 장치(210)와 연결된 사용자 단말(240)로 알림 신호를 전송할 수 있다. 일 실시예에 따른 사용자 단말(240)은 통신망을 통해 제1 진단 장치(210)와 연결될 수 있다.
일 실시예에 따른 사용자 단말(240)은 사용자로부터 소정 명령을 수신하여 이에 해당하는 동작을 구동하는 기기로서, 오디오 출력 기능, 유무선 통신 기능 또는 이와는 다른 기능을 포함하는 디지털 기기일 수 있다. 일 실시예에 따르면, 사용자 단말(240)은 태블릿 PC, 스마트폰, 개인용 컴퓨터(예를 들어, 노트북 컴퓨터 등), 스마트 TV, 이동 전화기, 내비게이션, 웹 패드, PDA, 워크스테이션 등과 같이 메모리 수단을 구비하고 마이크로 프로세서를 탑재하여 연산 능력을 갖춘 디지털 기기를 모두 포함하는 개념일 수 있다.
일 실시예에 따른 사용자 단말(240)은 제2 진단 장치(220)와 관련된 진단 어플리케이션의 설치 및 실행이 가능한 모든 사용자 장치를 의미할 수 있다. 이때, 사용자 단말(240)은 진단 어플리케이션의 제어 하에 서비스 화면의 구성, 데이터 입력, 데이터 송수신, 데이터 저장 등 서비스 전반의 동작을 수행할 수 있다. 진단 어플리케이션은 PC 환경은 물론 모바일 환경에서 사용 가능하도록 구현되며, 독립적으로 동작하는 프로그램 형태로 구현되거나 혹은 특정 어플리케이션의 인-앱(in-app) 형태로 구성되어 상기 특정 어플리케이션 상에서 동작이 가능하도록 구현될 수 있다.
단계(350)에서, 일 실시예에 따른 사용자 단말(240)은 크롭 이미지 전송 승낙 메시지를 제1 진단 장치(210)로 전송할 수 있다. 일 실시예에 따른 사용자 단말(240)을 통해 알림 신호를 수신한 사용자는 크롭 이미지 전송에 대한 승낙 여부를 결정할 수 있다. 사용자가 크롭 이미지 전송에 대해 승낙할 경우에만, 제1 진단 장치(210)는 크롭 이미지를 사용자 단말(240)로 전송할 수 있다.
도 4a를 참조하면, 도면(410)은 일 실시예에 따른 진단 어플리케이션을 통하여 수신한 알림 신호의 예시이다. 제1 진단 장치(210)가 항문 이상를 감지할 경우, 사용자 단말(240)로 알림 신호를 전송할 수 있고, 사용자는 사용자 단말(240)의 진단 어플리케이션을 통해 크롭 이미지 전송에 대한 승낙 여부를 선택할 수 있다. 사용자가 'Yes'를 선택할 경우, 사용자 단말(240)은 제1 진단 장치(210)로부터 크롭 이미지를 수신하여 미리 정해진 인터페이스를 통해 사용자에게 크롭 이미지를 제공할 수 있다. 반면에, 사용자가 'No'를 선택할 경우, 제1 진단 장치(210)는 크롭 이미지를 사용자 단말(240)로 전송하지 않을 수 있다.
일 실시예에 따르면, 크롭 이미지 전송을 승낙하는 동작은 앞서 설명된 항문 이상 발생에 따른 알림 신호가 제공되는 경우 이외에 별도의 이상이 없는 경우에도 진행이 될 수 있으며, 승낙이 이루어지는 경우, 사용자 단말(240)에 크롭 이미지가 제공될 수 있다. 이를 통해 사용자는 크롭 프로세스가 적절히 수행되었는 지 여부를 확인할 수 있고, 사용자는 전달된 크롭 이미지의 크롭 프로세스가 잘못 수행된 경우, 사용자는 원본 이미지를 통해 직접 크롭 프로세스를 수행할 수 있으며, 직접 크롭 프로세스를 수행한 결과에 기초하여 이후의 프로세스가 진행될 수 있다.
일 실시예에 따른 크롭 이미지를 수신한 사용자는, 진단 어플리케이션을 통해 자가 진단을 수행할 수 있다. 도면(420)은 이미지 형태로 제공되는 자가 진단의 예시를 도시한 것으로, 사용자는 변비 여부, 통증 여부, 출혈 여부 등 미리 정해진 질문에 대하여 응답할 수 있다.
앞서 설명된 자가 진단은 도 4b에 도시된 방식으로 이루어질 수도 있다. 예를 들어, 자가 진단은 문진(430)에 도시된 바와 같이, 증상에 따라 질환에 대한 진단을 수행하는 흐름도 방식 또는 문진(440)과 같이 항목들 리스트 중 해당되는 항목의 개수를 정하는 방식으로 이루어질 수 있다.
다시 도 3을 참조하면, 단계(360)에서, 일 실시예에 따른 사용자 단말(240)은 크롭 이미지와 자가 진단 정보를 제2 진단 장치(220)로 전송할 수 있다. 다만, 도 3에서는 사용자 단말(240)에서 크롭 이미지 및 자가 진단 정보를 제2 진단 장치(240)로 전송하는 것으로 도시하였으나, 실시예에 따라서는 제1 진단 장치(210)에서 크롭 이미지 및 자가 진단 정보를 제2 진단 장치(220)로 전송할 수도 있다.
일 실시예에 따른 제2 진단 장치(220)는 제3 인공 신경망을 포함할 수 있고, 크롭 이미지 및 자가 진단 정보를 제3 인공 신경망에 입력하여 제2 진단 결과를 생성할 수 있다. 일 실시예에 따른 제3 인공 신경망은 제2 인공 신경망 보다 더 정밀한 진단 결과를 생성할 수 있도록 학습될 수 있다. 이를 위해, 제3 인공 신경망은 제2 인공 신경망에 비해 더 깊은 레이어들로 구성될 수 있고, 제3 인공 신경망은 크롭 이미지 뿐만 아니라 자가 진단 정보 및 사용자 정보(예를 들어, 나이, 성별 등)를 더 활용하여 진단 결과를 생성할 수 있다. 제3 인공 신경망은 앞선 입력들을 토대로 각각의 항문 질환의 발생 확률을 출력하도록 학습될 수 있다.
또 다른 실시예에 따르면, 제2 진단 장치(220)는 크롭 이미지를 입력으로 하여 질환의 발생 확률을 예측하도록 학습된 제4-1 인공 신경망의 진단 결과와, 자가 진단 정보를 입력으로 하여 질환의 발생 확률을 예측하도록 학습된 제4-2 진단 결과의 가중 합에 기초하여 최종적인 제3 진단 결과를 생성하는 방향으로 구현될 수도 있다. 제4-1 인공 신경망은 제2 인공 신경망 보다 더 정밀한 진단 결과를 생성할 수 있도록 학습될 수 있다.
단계(370)에서, 일 실시예에 따른 제2 진단 장치(220)는 앞선 제3 인공 신경망을 통해 도출되는 제2 진단 결과 또는 제4-1 인공 신경망 및 제4-2 인공 신경망을 활용하여 도출되는 제3 진단 결과를 사용자 단말(240)로 전송할 수 있다.
일 실시예에 따른 사용자 단말(240)은 사용자에게 '의사에게 문의하기 '기능을 제공할 수 있다. 단계(380)에서, 사용자가 '의사에게 문의하기 '기능을 사용할 경우, 사용자 단말(240)은 제2 진단 장치(220)로 의사 문의 요청을 전달할 수 있고, 단계(390)에서, 제2 진단 장치(220)는 사용자 단말(240)로 의사 답변(예를 들어, 내원 추천)을 제공할 수 있다.
일 실시예에 따른 제2 진단 장치(220)는 의사에게 제공하기 위한 제5 인공 신경망을 더 포함할 수 있다. 일 실시예에 따른 제5 인공 신경망은 의사의 진단 환경에 맞게 전문화된 인공 신경망일 수 있다. 일 실시예에 따른 제5 인공 신경망은 1)정상, 비정상 분석 기능, 2)치질, 낭종, 출혈 등 이상부위 디텍팅 기능, 3)색의 이상여부 및 전문가의 원활한 색 판독을 위한 필터링 기능, 4)동일환자의 과거 데이터와 비교하여 변화된 부분 탐지 등의 기능이 추가되며, 데이터는 최대한 환자의 익명성이 보장되고, 허가된 전문인력에 한해서만 접근될 수 있도록 할 수 있다.
다시 도 4a의 도면(420)을 참조하면, 사용자 단말(240)은 제2 진단 결과(치핵 1기 초기 추정됨)를 크롭 이미지와 함께 제공할 수 있다. 나아가, 사용자 단말(240)은 '의사에게 문의하기' 인터페이스를 제공할 수 있다.
일 실시예에 따른 진단 시스템은 제1 인공 신경망을 통해 민감 부위를 제거하고 환부만 관찰할 수 있고, 사용자의 허락 하에 이미지를 전송하기 때문에 프라이버시 보호에 유리할 수 있다. 나아가, 진단 어플리케이션을 통해 진단이 수행되기 때문에 전문가와 소통시에서도 익명성을 보장받을 수 있다.
도 6은 일 실시예에 따른 진단 방법을 설명하기 위한 흐름도이다.
도 6을 참조하면, 제1 진단 장치는 카메라를 통해 획득한 원본 이미지를 제1 인공 신경망에 입력하여 항문 영역에 대응하는 크롭 이미지를 생성할 수 있다(610).
제1 진단 장치는 크롭 이미지를 제2 인공 신경망에 입력하여 항문 질환에 대한 제1 진단 결과를 생성하고(620), 제1 진단 결과에 기초하여 항문에 질환이 발생된 것으로 결정된 경우, 사용자 단말에 알림을 제공하고, 사용자 단말로부터 승낙 메시지를 수신하는 경우, 크롭 이미지를 사용자 단말에서 생성된 자가 진단 결과와 함께 제2 진단 장치에 전송할 수 있다(630).
제2 진단 장치는 크롭 이미지와 자가 진단 결과를 제3 인공 신경망에 입력하여 항문 질환에 대한 제2 진단 결과를 생성하고(640), 진단 결과를 외부 엔티티에 제공할 수 있다(650). 제3 인공 신경망은, 제2 인공 신경망에 비해 보다 깊은 신경망으로 보다 높은 부하의 연산 처리가 필요하다. 이에 따라 제1 진단 장치는 제2 진단 장치에 비해 보다 경량화된 장치가 사용이 가능하여, 시스템 구현 비용 및 효율성 측면에서 개선된 효과를 제공할 수 있으며, 크롭 처리를 통해 프라이버시가 보호될 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
Claims (8)
- 변기의 일 영역에 배치되어 사용자의 항문 영상을 획득하는 제1 진단 장치에 의해 수행되는, 질환 진단 방법에 있어서,
원본 이미지를 획득하는 단계;
상기 원본 이미지를 제1 인공 신경망에 입력하여 항문에 대응하는 제1 대상을 인식하고, 상기 제1 대상에 대응하는 제1 영역을 크롭하여 크롭 이미지를 생성하는 단계;
상기 크롭 이미지를 제2 인공 신경망에 입력하여 상기 제1 대상에 대응하는 제1 진단 결과를 생성하는 단계; 및
상기 제1 진단 결과에 기초하여, 상기 진단 장치와 연결된 사용자 단말로 알림 신호 전송 여부를 결정하는 단계
를 포함하고,
상기 알림 신호 전송 여부를 결정하는 단계는,
상기 항문 영역에 이상이 발생했다는 제1 진단 결과에 기초하여, 상기 사용자 단말로 상기 알림 신호를 전송하는 단계
를 포함하고,
상기 사용자 단말로부터 상기 크롭 이미지 전송에 대한 승낙 메시지를 수신할 경우, 상기 사용자 단말로 상기 크롭 이미지를 전송하는 단계
를 더 포함하고,
상기 크롭 이미지는,
상기 사용자 단말을 통해 생성된 자가 진단 정보와 함께 제2 진단 장치로 전송되고,
상기 제2 진단 장치는,
상기 자가 진단 정보 및 상기 크롭 이미지를 미리 학습된 제3 인공 신경망에 입력함으로써, 제2 진단 결과를 생성하고,
상기 제1 진단 장치는 상기 제2 진단 장치에 비해 연산 능력이 작은 기기로 구현되고,
상기 제3 인공 신경망은 상기 제2 인공 신경망에 비해 보다 깊은 레이어들로구성되는, 질환 진단 방법.
- 삭제
- 삭제
- 제1항에 있어서,
상기 사용자 단말로부터 상기 제1 영역의 크기 조정 신호를 수신하는 단계
를 더 포함하고,
상기 크롭 이미지를 생성하는 단계는
상기 크기 조정 신호에 기초하여 상기 제1 영역의 크기를 조정하는 단계; 및
상기 크기가 조정된 제1 영역을 크롭하여 상기 크롭 이미지를 생성하는 단계
를 포함하는, 질환 진단 방법.
- 제1항에 있어서,
상기 크롭 이미지를 생성하는 단계는
상기 원본 이미지를 제1 인공 신경망에 입력하여 미리 정해진 제2 대상을 인식하는 단계; 및
상기 제1 영역에 상기 제2 대상의 적어도 일부가 포함될 경우, 상기 제2 대상에 대응하는 제2 영역을 블러처리하는 단계
를 더 포함하는, 질환 진단 방법.
- 제1항에 있어서,
대변 이미지를 획득하는 단계
를 더 포함하고,
상기 제1 진단 결과를 생성하는 단계는,
상기 대변 이미지 및 상기 크롭 이미지를 상기 제2 인공 신경망에 입력하여 상기 제1 대상에 대응하는 제1 진단 결과를 생성하는, 질환 진단 방법.
- 하우징;
상기 하우징의 일단에 결합되는 회전체;
적어도 하나의 명령어를 저장하는 메모리; 및
상기 메모리에 저장된 명령어를 실행함으로써,
카메라를 통해 획득한 원본 이미지를 제1 인공 신경망에 입력하여 미리 정해진 제1 대상을 인식하고, 상기 제1 대상에 대응하는 제1 영역을 크롭하여 크롭 이미지를 생성하고,
상기 크롭 이미지를 제2 인공 신경망에 입력하여 상기 제1 대상에 대응하는 제1 진단 결과를 생성하고,
상기 진단 결과에 기초하여, 제1 진단 장치와 연결된 사용자 단말로 알림 신호 전송 여부를 결정하는 프로세서를 포함하는 제1 진단 장치에 있어서,
상기 프로세서는,
상기 항문 영역에 이상이 발생했다는 제1 진단 결과에 기초하여, 상기 사용자 단말로 상기 알림 신호를 전송하고,
상기 사용자 단말로부터 상기 크롭 이미지 전송에 대한 승낙 메시지를 수신할 경우, 상기 사용자 단말로 상기 크롭 이미지를 전송하고,
상기 크롭 이미지는,
상기 사용자 단말을 통해 생성된 자가 진단 정보와 함께 제2 진단 장치로 전송되고,
상기 제2 진단 장치는,
상기 자가 진단 정보 및 상기 크롭 이미지를 미리 학습된 제3 인공 신경망에 입력함으로써, 제2 진단 결과를 생성하고,
상기 제1 진단 장치는 상기 제2 진단 장치에 비해 연상 능력이 작은 기기로 구현되고,
상기 제1 진단 장치는,
변기의 일 영역에 배치되어 사용자의 항문 영상을 획득하되,
상기 제2 진단 장치에 비해 연산 능력이 작은 기기로 구현되고,
상기 제3 인공 신경망은 상기 제2 인공 신경망에 비해 보다 깊은 레이어들로구성되는 제1 진단 장치.
- 제7항에 있어서,
상기 회전체로부터 소정 거리 이내에 배치되어 밝기를 조절하는 조명을 더 포함하는, 제1 진단 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220126211A KR102525371B1 (ko) | 2022-10-04 | 2022-10-04 | 진단 방법 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220126211A KR102525371B1 (ko) | 2022-10-04 | 2022-10-04 | 진단 방법 및 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102525371B1 true KR102525371B1 (ko) | 2023-04-25 |
Family
ID=86101734
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220126211A KR102525371B1 (ko) | 2022-10-04 | 2022-10-04 | 진단 방법 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102525371B1 (ko) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170049773A (ko) * | 2015-10-28 | 2017-05-11 | 호남대학교 산학협력단 | 클라우드 컴퓨팅 환경에서 무선통신 방식을 이용한 캡슐 내시경 시스템 및 캡슐 내시경의 데이터 관리 및 제공 방법과 이를 실행하기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체 |
| KR20210021663A (ko) * | 2019-08-19 | 2021-03-02 | 재단법인 아산사회복지재단 | 의료 영상 비식별화를 위한 신체 부위 위치 특정 방법, 프로그램 및 컴퓨팅 장치 |
| KR20220009572A (ko) * | 2020-07-16 | 2022-01-25 | 고려대학교 산학협력단 | 대변 영상 분석 시스템 및 방법 |
| KR20220072761A (ko) | 2020-11-25 | 2022-06-02 | 주식회사 아이도트 | 내시경 영상 병변 진단 시스템 |
| KR20220086128A (ko) * | 2020-12-16 | 2022-06-23 | 가천대학교 산학협력단 | 의료 영상 기반 질환 중증도 결정 장치 및 방법 |
-
2022
- 2022-10-04 KR KR1020220126211A patent/KR102525371B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170049773A (ko) * | 2015-10-28 | 2017-05-11 | 호남대학교 산학협력단 | 클라우드 컴퓨팅 환경에서 무선통신 방식을 이용한 캡슐 내시경 시스템 및 캡슐 내시경의 데이터 관리 및 제공 방법과 이를 실행하기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체 |
| KR20210021663A (ko) * | 2019-08-19 | 2021-03-02 | 재단법인 아산사회복지재단 | 의료 영상 비식별화를 위한 신체 부위 위치 특정 방법, 프로그램 및 컴퓨팅 장치 |
| KR20220009572A (ko) * | 2020-07-16 | 2022-01-25 | 고려대학교 산학협력단 | 대변 영상 분석 시스템 및 방법 |
| KR20220072761A (ko) | 2020-11-25 | 2022-06-02 | 주식회사 아이도트 | 내시경 영상 병변 진단 시스템 |
| KR20220086128A (ko) * | 2020-12-16 | 2022-06-23 | 가천대학교 산학협력단 | 의료 영상 기반 질환 중증도 결정 장치 및 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11270565B2 (en) | Electronic device and control method therefor | |
| KR20190115713A (ko) | 다기능 신경망을 활용한 혈관탐지 및 망막부종진단 장치 및 그 방법 | |
| KR102474246B1 (ko) | 복수 개의 전자 디바이스를 이용하여 신경망 모델을 처리하는 방법 및 시스템 | |
| US20220270756A1 (en) | Image diagnosis apparatus using deep learning model and method therefor | |
| KR102330858B1 (ko) | 배변 시트 대변 이미지를 활용한 반려 동물 대변 상태 분석 정보 제공 방법, 장치 및 시스템 | |
| KR102394758B1 (ko) | 데이터의 특징점을 취합하여 기계 학습하는 방법 및 장치 | |
| Malibari | An efficient IoT-Artificial intelligence-based disease prediction using lightweight CNN in healthcare system | |
| US20200372639A1 (en) | Method and system for identifying skin texture and skin lesion using artificial intelligence cloud-based platform | |
| KR102494373B1 (ko) | 기저귀 대변 이미지를 활용한 아기 건강 진단 솔루션 제공 방법, 장치 및 시스템 | |
| WO2022193973A1 (zh) | 图像处理方法、装置、电子设备、计算机可读存储介质及计算机程序产品 | |
| Abirami et al. | An efficient early detection of diabetic retinopathy using dwarf mongoose optimization based deep belief network | |
| CN111523593A (zh) | 用于分析医学影像的方法和装置 | |
| KR20200042874A (ko) | 개인화된 hrtf 생성 방법 | |
| CN113674856B (zh) | 基于人工智能的医学数据处理方法、装置、设备及介质 | |
| KR20180100780A (ko) | 퇴행성 질환의 조기 발견을 위한 언어능력진단 시스템, 방법 및 이를 제공하기 위한 컴퓨터 프로그램이 기록된 컴퓨터로 판독가능한 기록매체 | |
| KR20210097678A (ko) | 원추 각막 진단 보조 시스템 및 이를 이용하는 방법 | |
| KR102525371B1 (ko) | 진단 방법 및 장치 | |
| KR20200031884A (ko) | 병충해 감지 장치 및 방법 | |
| TWM586599U (zh) | 人工智慧雲端膚質與皮膚病灶辨識系統 | |
| KR102394759B1 (ko) | 데이터의 특징점을 취합하여 기계 학습하는 방법 및 장치 | |
| CN116959733A (zh) | 医疗数据的分析方法、装置、设备及存储介质 | |
| US20230298175A1 (en) | Machine learning model based method and analysis system for performing covid-19 testing according to eye image captured by smartphone | |
| US20240074708A1 (en) | Blood glucose prediction system and method using saliva-based artificial intelligence deep learning technique | |
| US11890105B1 (en) | Compute system with psoriasis diagnostic mechanism and method of operation thereof | |
| US20230178200A1 (en) | Direct medical treatment predictions using artificial intelligence |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |