KR20190082149A - 녹내장 발생 예측 방법 - Google Patents

Abstract

녹내장 발생 예측 방법에 개시된다. 본 발명의 일 실시예에 따른 녹내장 발생 예측 방법은, 안저 사진에서 시신경이 위치한 관심 영역(ROI : Region Of Interest)을 판단하고 크롭핑(Cropping)하는 방법을 학습하는 단계, 녹내장 진행 단계에 따라 촬영된 복수의 시신경 이미지를 수신하여 각 단계에서 나타나는 특징점들을 학습하는 단계, 테스트 이미지로 예측한 결과값과, 실제 테스트 이미지의 녹내장 진행 상황 판단 결과를 비교하여 두 값이 상이하면, 실제 판단 결과값을 재학습하는 단계, 사용자의 안저 사신을 수신하는 단계 및 학습 결과 및 상기 사용자의 안저 사진을 기초로 녹내장 발생 확률을 계산하는 단계를 포함한다.

Description

녹내장 발생 예측 방법{METHOD FOR PREDICTING GLAUCOMA}

본 발명은 녹내장 발생 예측 방법에 관한 것으로, 보다 상세하게는 사용자의 단말 장치로 촬영한 안저 사진을 이용하여 녹내장 발생 가능성을 예측할 수 있는 방법에 관한 것이다.

녹내장은 안압의 상승으로 인해 시신경이 눌리거나 혈액 공급에 장애가 생겨 시신경의 기능에 이상을 초래하는 질환이다. 시신경은 눈으로 받아들인 빛을 뇌로 전달하여 '보게 하는' 신경이므로 여기에 장애가 생기면 시야 결손이 나타나고 말기에는 시력을 상실하게 된다.

이러한 녹내장은 말기에 이르기까지 별다른 증상이 나타나지 않으므로 정기적인 안압검사 및 안저검사(Funduscopy)를 통해 녹내장을 조기에 발견하여 치료하는 것이 매우 중요하다.

그러나, 상기와 같은 검사를 위해서는 환자가 병원에 주기적으로 내방해야 하므로 불편함이 따른다는 문제점이 있었다. 또한, 안압이 높거나 해당 질병에 대한 가족력이 있는 녹내장 발생 고위험군 환자의 경우 녹내장 진행속도에 따른 치료시점을 판단하기 어렵다는 문제점이 있었다.

따라서, 사용자의 편의를 도모하면서 녹내장 발생 가능성을 조기에 발견하여 적절한 치료 시점을 결정할 수 있는 녹내장 진단 방법에 대한 필요성이 대두되었다.

본 발명은 상술한 문제점을 해결하기 위해 안출된 것으로, 본 발명의 목적은 사용자의 시신경 이미지 데이터를 이용한 딥러닝 분석으로 녹내장 진행 확률을 예측할 수 있는 녹내장 예측 방법을 제공하는데 있다.

본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속한 기술분야의 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

상술한 목적을 달성하기 위한 녹내장 발생 예측 방법은, 안저 사진에서 시신경이 위치한 관심 영역(ROI : Region Of Interest)을 판단하고 크롭핑(Cropping)하는 방법을 학습하는 단계, 녹내장 진행 단계에 따라 촬영된 복수의 시신경 이미지를 수신하여 각 단계에서 나타나는 특징점들을 학습하는 단계, 테스트 이미지로 예측한 결과값과, 실제 테스트 이미지의 녹내장 진행 상황 판단 결과를 비교하여 두 값이 상이하면, 실제 판단 결과값을 재학습하는 단계, 사용자의 안저 사신을 수신하는 단계 및 학습 결과 및 상기 사용자의 안저 사진을 기초로 녹내장 발생 확률을 계산하는 단계를 포함한다.

본 발명의 일 실시예에 따르면, 상기 크롭핑하는 방법을 학습하는 단계는, 상기 안저 사진의 해상도 및 사이즈를 리사이징하여 표준화하는 단계를 포함할 수 있다.

본 발명의 일 실시예에 따르면, 상기 녹내장 발생 확률을 계산하는 단계는, 상기 표준화된 안저 사진을 행렬로 변환하여 안저 사진 행렬을 생성하는 단계 ,상기 안저 사진 행렬에서 특정점 추출 필터에 동일한 크기 만큼의 영역에 상기 특징점 추출 필터를 곱하여 결과값 행렬을 산출하는 단계 및 상기 결과값 행렬에 활성화 함수를 적용하여, 상기 표준화된 안저 사진에 녹내장 특징점이 포함되어 있는지 여부를 판단하는 단계를 포함할 수 있다.

본 발명의 일 실시예에 따르면, 상기 표준화된 안저 사진을 행렬로 변환하여 안저 사진 행렬을 생성하는 단계는, 상기 안저 사진 형렬 주의에 임의의 데이터를 부가하는 단계를 포함할 수 있다.

상술한 녹내장 발생 예측 방법에 따르면, 사용자의 녹내장 진행 상황을 판단할 수 있을 뿐만 아니라 녹내장 진행속도에 따른 치료 시점을 예측할 수 있게 된다는 효과를 달성할 수 있다.

도 1은 본 발명의 일 실시예에 따라 사용자의 시신경 이미지를 취득하고 이를 이용하여 녹내장 발생 가능성을 예측하는 방법을 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따라 복수의 안저 사진을 학습하는 과정을 설명하기 위한 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 녹내장 발생 예측 방법을 설명하기 위한 흐름도이다.
도 4는 본 발명의 일 실시예에 따라 표준화된 안저 사진에서 녹내장 특징점을 추출하기 위해 특징점 추출 필터를 적용하는 과정을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따라 최초 안저 사진 행렬에 임의의 데이터를 더 부가하는 과정을 설명하기 위한 도면이다.
도 6은 본 발명의 또 다른 실시예에 따른 녹내장 발생 예측 방법을 설명하기 위한 흐름도이다.
도 7은 본 발명의 일 실시예에 따라 단말 장치를 통해 사용자에게 결과값을 제공하는 과정을 설명하기 위한 도면이다.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명한다. 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 게시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 게시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.

또한, 본 명세서에서 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함될 수 있다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.

도 1은 본 발명의 일 실시예에 따라 사용자의 시신경 이미지를 취득하고 이를 이용하여 녹내장 발생 가능성을 예측하는 방법을 설명하기 위한 도면이다.

사용자 단말 장치에는 사용자로부터 취득한 사용자의 시신경 이미지를 이용하여 녹내장 발생 가능성을 예측할 수 있는 애플리케이션이 설치되어 있을 수 있다.

단말 장치에 설치된 애플리케이션은 정상 안저 이미지 데이터 및 녹내장이 발생된 안저 이미지 데이터들을 딥러닝 분석하여 사용자의 녹내장 발생 가능성을 예측할 수 있는 예측 모델을 포함할 수 있다.

애플리케이션에 포함된 예측 모델은 사용자의 안저 사진을 입력 데이터로 하여 사용자의 녹내장 발생 확률을 계산할 수 있다.

또는 상기 예측 모델이 관리 서버에 설치된 상태에서 애플리케이션이 사용자로부터 획득한 안저 사진을 관리 서버에 전송하고, 관리 서버에서 사용자 안저 사진을 통해 녹내장 발생 확률을 계산한 후, 그 결과를 단말 장치에 전송하는 형태로 구현할 수도 있다.

이때, 사용자의 안저 사진은 단말 장치에 구비된 촬영부를 통해 획득될 수 있다. 예를 들어, 단말 장치가 스마트폰인 경우, 스마트 폰에 안저촬영용 카메라 모듈을 장착한 뒤 사용자가 자신의 안저 사진을 직접 촬영하도록 할 수 있다.

이하에서는, 녹내장 발생 예측 모델이 복수의 안저 사진을 학습한 후, 사용자의 녹내장 발생 가능성을 예측하는 방법에 대해 상세하게 설명하도록 한다.

도 2는 본 발명의 일 실시예에 따라 복수의 안저 사진을 학습하는 과정을 설명하기 위한 흐름도이다.

본 발명의 일 실시예에 따른 녹내장 발생 예측 방법은 제1단계로 안저 사진에서 시신경이 위치한 관심 영역(ROI : Region Of Interest)을 판단하고 크롭핑(Cropping)하는 방법을 학습한다(S210).

이를 위해, 녹내장 발생 예측 방법은 시신경 영역에 대한 복수의 이미지들을 수신하여, 각 이미지에서의 특징점을 추출한다. 본 발명의 일 실시예에 따라 시신경 영역의 특징점을 추출하기 위해 합성곱 신경망(CNN : Convolutional Neural Networks)가 사용될 수 있다.

다만, 시신경 영역의 특징점을 추출하기 위해 사용되는 알고리즘은 이에 한정되지 않으며 다른 범용적인 알고리즘이 사용될 수도 있다.

한편, 안저 사진들을 학습하기에 앞서 학습할 영상 데이터들에 대해 표준화 작업을 수행할 수 있다. 표준화 작업이란 특징점을 추출할 이미지들의 해상도 및 크기를 일정하게 리사이징하는 것을 의미한다. 학습할 복수의 안저 사진들의 해상도나 크기가 서로 상이할 경우, 학습에 영향을 미칠 수 있으므로 학습할 이미지에서 특징점을 추출하기에 앞서 각 이미지들에 대해 표준화 작업을 수행하는 것이다.

시신경 영역에 대한 학습이 완료되면, 사용자의 녹내장 진행 상황이 어떤 단계인지 구분할 수 있는 방법을 학습한다(S220).

이를 위해, 녹내장 발생 예측 방법은 녹내장 진행 상황별로 촬영된 복수의 시신경 이미지를 수신하여, 각 이미지에서의 특징점을 추출한다.

예를 들어, 녹내장 초기 단계에서 촬영된 복수의 시신경 이미지를 수신하여 녹내장 초기 단계에서 나타나는 특징점들에 대해 학습한다. 마찬가지로, 녹내장 중기 단계에서 촬영된 복수의 시신경 이미지, 녹내장 고위험군에 속하는 복수의 시신경 이미지, 정상 상태의 시신경 이미지를 수신하여 각 단계에서 나타나는 특징점들에 대해 학습한다.

이때, 각 단계별로 촬영된 시신경 이미지에서 특징점을 추출하기 위해 상술할 합성곱 신경망(CNN : Convolutional Neural Networks)을 이용할 수 있으나, 특징점 추출을 위한 알고리즘은 이에 한정되지 않는다.

녹내장 진행 상황을 구분할 수 있는 방법에 대한 학습이 완료되면, 강화 학습을 통해 예측 알고리즘의 정확도를 높인다(S230). S220 단계까지의 학습이 완료되면 예측 알고리즘에 테스트 이미지를 입력하여 알고리즘의 정확도를 판단한다.

테스트 이미지에 대한 예측 알고리즘의 예측한 결과값과, 실제 테스트 이미지의 녹내장 진행 상황 판단 결과를 비교하여 두 값이 상이하면, 실제 판단 결과값을 예측 알고리즘에 반영한다.

상술한 과정을 통해 학습한 예측 알고리즘을 이용하면, 사용자의 녹내장 진행 상황을 판단할 수 있을 뿐만 아니라 녹내장 진행속도에 따른 치료 시점을 예측할 수 있게 된다는 효과를 달성할 수 있다.

도 3은 본 발명의 일 실시예에 따른 녹내장 발생 예측 방법을 설명하기 위한 흐름도이다.

이하에서는 설명의 편의를 위하여 각 단계를 수행하는 주체를 생략하여 설명하도록 한다. 다만, 본 발명의 일 실시예에 따른 녹내장 발생 예측 방법의 각 단계는 단말 장치에 설치된 애플리케이션을 통해 수행될 수 있다.

녹내장 발생을 예측하기 위해 먼저, 사용자의 안저 사진을 수신한다(S310). 상술한 바와 같이 사용자의 안저 사진은 단말 장치에 구비된 촬상부에 안저 촬영용 모듈, 예를 들어, 집광 렌즈가 부착된 상태에서 촬영된 것일 수 있다.

안저 사진에는 시신경이 포함된 영역과 시신경이 아닌 다른 영역이 포함되어 있는바, 예측 알고리즘이 학습한 바에 따라 시신경이 위치한 관심 영역을 추출한 후 해당 영역을 크롭핑(Cropping)한다(S320).

안저 사진에서 시신경이 위치한 관심 영역이 추출되면 영상 데이터를 표준화한다(S330). 예측 알고리즘이 안저 사진을 학습할 때, 표준화된 이미지를 이용했으므로 녹내장 발생을 예측하는데 사용할 안저 사진도 해상도 및 사이즈를 표준화하여 이용하는 것이다.

이후, 표준화된 안저 사진을 예측 알고리즘에 입력하여 사용자의 녹내장 발생 확률을 계산한다(S340). 예측 알고리즘은 사전에 학습한 정보를 기초로 사용자의 안저 사진으로부터 특징점을 추출하여 녹내장이 발생활 확률을 계산하여 그 결과값을 사용자에게 제공한다.

표준화된 안저 사진을 예측 알고리즘에 입력하여 사용자의 녹내장 발생 확률을 계산하는 구체적인 방법은 도 4에서 상세하게 설명하도록 한다.

상술한 녹내장 발생 예측 방법에 따르면, 사용자가 병원에 내방하지 않더라도 자가 진단을 수행할 수 있으며 녹내장 진행 상황을 예측할 수 있게 된다는 효과를 달성할 수 있다.

한편, 상술한 실시예에서는 녹내장 발생 예측 방법이 사용자의 단말 장치에서 수행되는 것을 예로 들어 설명하였으나 관리 서버에서 수행되도록 구현할 수도 있다.

도 4는 본 발명의 일 실시예에 따라 표준화된 안저 사진에서 녹내장 특징점을 추출하기 위해 특징점 추출 필터를 적용하는 과정을 설명하기 위한 도면이다.

녹내장 발생 확률을 계산하기 위해 먼저 표준화된 안저 사진을 특징점 추출 필터에 적용한다. 여기에서, 특징점 추출 필터란 학습된 녹내장 안저 사진에 포함된 특성이 표준화된 안저 사진에 존재하는지를 검출하는 필터를 의미한다.

본 발명의 일 실시예에 따른 특징점 추출 필터는 소정의 값을 가지는 행렬로 표현될 수 있는바, 표준화된 안저 사진을 특징점 추출 필터에 적용하기 위해 표준화된 안저 사진도 행렬값으로 변환한다.

도 4에서 안저 사진 행렬(410)은 표준화된 안저 사진을 행렬로 변환한 값이고, 필터 행렬(420)은 특징점 추출 필터를 행렬로 변환한 값이다.

본 발명의 일 실시예에 따르면, 안저 사진 행렬(410)에서 특징점 추출 필터(420)와 동일한 크기 만큼의 영역에 필터 행렬(420)을 곱하여 결과값을 산출하고, 필터 행렬(420)이 곱해지는 위치를 한칸씩 순차적으로 이동해가며 다시 결과값을 산출할 수 있다.

예를 들어, 안저 사진 행렬(410)의 제1 영역(411)에 속한 행렬값들과 필터 행렬(420)을 곱한 값을 결과값 행렬(430)의 제1 값(431)으로 한다. 이후, 좌측으로 한칸 이동하여 제2 영역(412)에 속한 행렬값들과 필터 행렬(420)을 곱한 값을 결과값 행렬(430)의 제2 값(432)으로 한다.

이때, 필터 행렬(420)과 안저 사진 행렬(410)의 소정의 영역에 속한 행렬값을 곱한 결과값이 기 설정된 기준값을 초과하면 그 영역에 녹내장 특성이 있는 것으로 판단할 수 있다.

한편, 표준화된 안저 사진에서 녹내장 특징점을 찾아내기 위해 복수개의 필터가 적용될 수 있다. 녹내장 사진에서 나타나는 복수개의 특징점이 있을 수 있기 때문이다.

이때, 복수개의 필터가 적용될수록 결과값 행렬의 크기가 작아지는바 필터가 적용되기 전 안저 사진 행렬(410)의 데이터들이 유실되는 경우가 발생하게 된다.

도 4에서 도시된 바와 같이, 최초 안저 사진 행렬(410)은 5x5 이지만 한 차례 필터를 적용한 결과값 행렬(430)은 3x3이 되고 다른 특징점을 찾아내기 위해 또 다른 필터 행렬을 적용하면 그 결과값 행렬은 더 작은 값을 가지게 된다.

이에, 본 발명의 일 실시예에 따른 녹내장 발생 예측 방법은 필터가 적용됨에 따라 최초 안저 사진 행렬의 데이터가 유실되는 것을 방지하기 위해 최초 안저 사진 행렬(410)에 임의의 데이터를 더 부가할 수 있다.

도 5는 본 발명의 일 실시예에 따라 최초 안저 사진 행렬에 임의의 데이터를 더 부가하는 과정을 설명하기 위한 도면이다.

본 발명의 일 실시예에 따른 녹내장 발생 예측 방법은 표준화된 안저 사진에서 녹내장 특징점을 검출하기 위해 복수개의 필터가 순차적으로 적용될 때마다, 안저 사진 행렬(410)이 유실되는 것을 방지하기 위해 안저 사진 행렬(410) 주변에 임의의 데이터를 부가할 수 있다.

예를 들어, 도 5에 도시된 바와 같이 안저 사진 행렬(410)에 0의 값을 가지는 데이터를 부가하면 필터가 적용됨에 따라 데이터가 유실되어 결과값 행렬의 크기가 최초 안저 사진 행렬(410)의 크기보다 작아지는 것을 방지할 수 있다는 효과를 달성할 수 있다.

이때, 안저 사진 행렬(410)에 부가되는 임의의 데이터의 양은 안저 사진 행렬에 적용되는 특징점 필터의 수에 비례하여 증가될 수 있다.

상술한 과정을 거쳐 최종적인 결과값 행렬이 도출되면, 결과값 행렬에 포함된 데이터를 이용하여 표준화된 안저 사진에 녹내장 특징점이 있는지 판단한다.

이를 위해, 본 발명의 일 실시예에 따른 녹내장 발생 예측 방법은 결과값 행렬에 활성화 함수를 적용할 수 있다.

이때 적용되는 활성화 함수는 다음과 같은 수식으로 표시할 수 있다.

결과값 행렬을 상기와 같은 활성화 함수에 포함하면, 표준화된 안저 사진에 녹내장 특징점이 포함되어 있는지 혹은 포함되어 있지 않은지가 결과값으로 리턴된다.

상기와 같은 방법으로 표준화된 안저 사진에서 녹내장 특징점을 검출하면, 검출의 정확도를 높일 수 있다는 효과를 달성할 수 있다.

도 6은 본 발명의 또 다른 실시예에 따른 녹내장 발생 예측 방법을 설명하기 위한 흐름도이다.

단말 장치(100)에 구비된 촬상부를 통해 촬영된 사용자의 안저 사진(S610)을 수신한 단말 장치(100)는 이를 관리 서버(200)에 전송한다(S620).

관리 서버(200)는 단말 장치(100)로부터 수신한 사용자의 안저 사진을 이용하여 녹내장 발생 확률을 계산한다(S630). 이를 위해, 관리 서버(200)에는 사용자의 안저 사진을 기초로 녹내장 발생 가능성을 계산할 수 있는 예측 알고리즘이 애플리케이션, 프로그램 등의 형태로 저장되어 있을 수 있다.

상술한 예측 알고리즘을 계산된 결과값을 단말 장치에 전송하여, 사용자로 하여금 이를 확인할 수 있게 한다(S540).

단말 장치(100)에 비해 관리 서버(200)가 상대적으로 우수한 성능의 컴퓨팅 리소스를 구비하고 있는 것이 일반적이므로 도 6에서 설명한 방법으로 녹내장 발생 가능성을 계산하면 단말 장치(100)가 예측 알고리즘을 저장하고 예측 알고리즘을 구동해야 한다는 부담을 덜 수 있다는 효과를 달 수 있다.

도 7은 본 발명의 일 실시예에 따라 단말 장치를 통해 사용자에게 결과값을 제공하는 과정을 설명하기 위한 도면이다.

사용자가 단말 장치를 이용하여 안저 사진을 촬영하면, 도 3 내지 도 5에서 설명한 과정을 거쳐 사용자의 녹내장 발생 가능성을 계산한다. 이후, 계산 결과를 사용자에게 제공한다.

사용자에게 제공되는 정보는 현재 상태에서 녹내장으로 진행될 확률, 정상군에 해당할 확률 등이 표시될 수 있다. 이때, 녹내장으로 진행될 확률이 기 설정된 임계값을 초과하면 병원 내방이 필요하다는 정보가 함께 제공될 수 있다.

다만, 사용자에게 제공되는 정보는 이에 한정되지 않으며 녹내장 환자에게 필요한 다른 범용적인 정보가 제공될 수도 있다.

한편, 상술한 방법은 컴퓨터에서 실행될 수 있는 프로그램으로 작성 가능하고, 컴퓨터로 읽을 수 있는 기록매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 또한, 상술한 방법에서 사용된 데이터의 구조는 컴퓨터로 읽을 수 있는 기록매체에 여러 수단을 통하여 기록될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스크, 하드 디스크 등), 광학적 판독 매체(예를 들면, 시디롬, 디브이디 등)와 같은 저장매체를 포함한다.

본 실시예와 관련된 기술 분야에서 통상의 지식을 가진 자는 상기된 기재의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 방법들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.

Claims (4)

1. 안저 사진에서 시신경이 위치한 관심 영역(ROI : Region Of Interest)을 판단하고 크롭핑(Cropping)하는 방법을 학습하는 단계;
   녹내장 진행 단계에 따라 촬영된 복수의 시신경 이미지를 수신하여 각 단계에서 나타나는 특징점들을 학습하는 단계;
   테스트 이미지로 예측한 결과값과, 실제 테스트 이미지의 녹내장 진행 상황 판단 결과를 비교하여 두 값이 상이하면, 실제 판단 결과값을 재학습하는 단계;
   사용자의 안저 사신을 수신하는 단계; 및
   학습 결과 및 상기 사용자의 안저 사진을 기초로 녹내장 발생 확률을 계산하는 단계를 포함하는 녹내장 발생 예측 방법.
2. 제1항에 있어서,
   상기 크롭핑하는 방법을 학습하는 단계는,
   상기 안저 사진의 해상도 및 사이즈를 리사이징하여 표준화하는 단계를 포함하는 녹내장 발생 예측 방법.
3. 제2항에 있어서,
   상기 녹내장 발생 확률을 계산하는 단계는,
   상기 표준화된 안저 사진을 행렬로 변환하여 안저 사진 행렬을 생성하는 단계;
   상기 안저 사진 행렬에서 특정점 추출 필터에 동일한 크기 만큼의 영역에 상기 특징점 추출 필터를 곱하여 결과값 행렬을 산출하는 단계; 및
   상기 결과값 행렬에 활성화 함수를 적용하여, 상기 표준화된 안저 사진에 녹내장 특징점이 포함되어 있는지 여부를 판단하는 단계를 포함하는 녹내장 발생 예측 방법.
4. 제3항에 있어서,
   상기 표준화된 안저 사진을 행렬로 변환하여 안저 사진 행렬을 생성하는 단계는,
   상기 안저 사진 형렬 주의에 임의이 데이터를 부가하는 단계를 포함하는 녹내장 발생 예측 방법.

Images