KR20210004695A - 인공지능 기반의 안구질병 진단장치 및 방법 - Google Patents

인공지능 기반의 안구질병 진단장치 및 방법 Download PDF

Info

Publication number
KR20210004695A
KR20210004695A KR1020190081503A KR20190081503A KR20210004695A KR 20210004695 A KR20210004695 A KR 20210004695A KR 1020190081503 A KR1020190081503 A KR 1020190081503A KR 20190081503 A KR20190081503 A KR 20190081503A KR 20210004695 A KR20210004695 A KR 20210004695A
Authority
KR
South Korea
Prior art keywords
attribute
fundus image
unit
learning
disease
Prior art date
Application number
KR1020190081503A
Other languages
English (en)
Other versions
KR102295426B1 (ko
Inventor
남윤영
이건수
장지호
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 KR1020190081503A priority Critical patent/KR102295426B1/ko
Priority to CN201910706093.2A priority patent/CN112168135A/zh
Publication of KR20210004695A publication Critical patent/KR20210004695A/ko
Application granted granted Critical
Publication of KR102295426B1 publication Critical patent/KR102295426B1/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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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
    • 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
    • A61B3/145—Arrangements specially adapted for eye photography by video means
    • 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
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Databases & Information Systems (AREA)
  • Ophthalmology & Optometry (AREA)
  • Multimedia (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

본 발명은 안구질병 진단장치 및 방법에 관한 것으로, 더욱 상세하게는 안저영상의 안구 구조물에 기반하여 복수의 안구질병을 진단하기 위한 복수의 속성을 추출하고 추출된 복수의 질병 및 질병을 판별하기 위한 복수의 속성을 인공지능에 기반하여 학습하여 각 질병의 속성별 분류기를 생성하고, 생성된 복수의 분류기에 의해 획득된 안저영상으로부터 안구의 질병을 진단하는 인공지능 기반의 안구질병 진단장치 및 방법에 관한 것이다.

Description

인공지능 기반의 안구질병 진단장치 및 방법{Artificial Intelligence based retinal disease diagnosis apparatus and method thereof}
본 발명은 안구질병 진단장치 및 방법에 관한 것으로, 더욱 상세하게는 안저영상의 안구 구조물에 기반하여 복수의 안구질병을 진단하기 위한 복수의 속성을 추출하고 추출된 복수의 질병 및 질병을 판별하기 위한 복수의 속성을 인공지능에 기반하여 학습하여 각 질병의 속성별 분류기를 생성하고, 생성된 복수의 분류기에 의해 획득된 안저영상으로부터 안구의 질병을 진단하는 인공지능 기반의 안구질병 진단장치 및 방법에 관한 것이다.
일반적으로, 눈은 크게 안구와 눈 부속기관으로 나뉜다. 안구는 외막, 중막, 내막 및 내용물을 포함하며, 눈 부속기관은 안와, 결막 등을 포함한다.
그리고 동공을 통해 안구의 안쪽을 들여다보았을 때 보이는 부분, 즉 망막, 망막혈관, 시신경유두, 맥락막(포도막을 구성하는 막)을 종합하여 안저(Fundus; eyeground)라 한다.
안저의 각 조직은 기능적, 해부학적으로 밀접한 관계에 있으며, 병적인 상태에 있어서도 서로 영향을 미치는 관계에 있다.
안저는 황반과 시신경유두를 포함한 후극부, 적도부, 주변부로 나뉜다.
이러한 안저에 발생되는 질환으로는 당뇨성 망막증(Diabetic Retinopathy), 녹내장(Glaucoma), 나이 관련 황반변성(Age-related Macular Degeneration) 등이 있을 수 있다.
이와 같이 안저에 발생되는 질환을 검사하기 위해서는 각각의 질병을 진단할 수 있는 전문 진단장치를 사용하여야 하므로 안과 병원에서는 고가의 전문 진단장치를 구매하여야 하므로 초기 비용이 많이 소요되는 문제점이 있었다.
또한, 이러한 안저질환을 검사하기 위한 장치는 상술한 바와 같이 고가의 장비들이므로 사용자가 직접 진단해 볼 수 없는 문제점이 있었다.
이러한 이유로 사용자는 안과 질환인지 여부에 상관없이 의심만 되면 안과 병원을 방문하여 고가의 비용을 들여 진단받아야 하므로 불필요하게 진단비용을 소요하게 되는 문제점이 있었다.
대한민국 등록특허 제10-1662775호(2016.09.28. 공고)
따라서 본 발명의 목적은 안저영상의 안구 구조물에 기반하여 복수의 안구질병을 진단하기 위한 복수의 속성을 추출하고 추출된 복수의 질병 및 질병을 판별하기 위한 복수의 속성을 인공지능에 기반하여 학습하여 각 질병의 속성별 분류기를 생성하고, 생성된 복수의 분류기에 의해 획득된 안저영상으로부터 안구의 질병을 진단하는 인공지능 기반의 안구질병 진단장치 및 방법을 제공함에 있다.
상기와 같은 목적을 달성하기 위한 본 발명에 따른 인공지능 기반의 안구질병 진단장치는: 안저영상을 획득하여 출력하는 안저영상 획득부; 안구질병별 속성별 학습데이터를 포함하는 속성별 분류 데이터 및 안구질병별 속성 통합 학습데이터를 저장하는 학습 DB 및 각 안구질병에 대한 속성별 속성 가중치를 정의하는 속성 가중치 DB를 포함하는 저장부; 및 상기 안저영상 획득부로부터 입력되는 안저영상을 이미지 전처리를 수행하여 안저영상의 크기조절 및 색 정규화를 수행한 후, 미리 학습된 상기 속성별 분류 데이터에 기반하여 동작하는 각 속성별 분류기에 의해 이미지 전처리된 안저영상으로부터 속성을 추출하고, 상기 이미지 전처리된 안저영상에 대해 학습을 수행하여 상기 속성별 분류기에 대한 속성별 학습 데이터를 갱신하고, 상기 추출된 속성 종류 및 수에 대응하는 질병을 예측하는 제어부를 포함하는 것을 특징으로 한다.
상기 제어부는, 상기 안저영상 획득부로부터 안저영상을 입력받아 출력하는 안저영상 획득 처리부; 상기 안저영상의 크기 조절 및 색 정규화를 수행하는 이미지 전처리를 수행하여 출력하는 안저영상 전처리부; 미리 학습된 각 속성별 분류기에 의해 이미지 전처리된 안저영상으로부터 속성을 추출하는 속성 추출부; 상기 이미지 전처리된 안저영상에 대해 학습을 수행하여 상기 속성별 분류기에 대한 속성별 학습 데이터를 갱신하는 학습부; 및 상기 추출된 속성의 종류 및 수에 대응하는 질병을 예측하는 예측부를 포함하는 것을 특징으로 한다.
상기 제어부는, 상기 추출된 속성들에 질병별 가중치를 적용하여 통합 예측값을 계산하는 통합 속성 결정부를 더 포함하되, 상기 예측부는, 상기 통합 예측값이 상기 속성을 모두 포함하는 질병에 대해 미리 설정된 기준값을 초과하는 경우 상기 안저영상에 대해 상기 질병이 있음을 예측하는 것을 특징으로 한다.
상기 안저영상 전처리부는, 안저영상 획득 처리부로부터 입력되는 안저영상의 크기를 조절하여 출력하는 안저영상 크기 조절부; 및 크기 조절된 상기 안저영상의 색을 정규화시키는 색 정규화부를 포함하는 것을 특징으로 한다.
상기 속성 추출부는, 상기 안저영상 전처리부에서 출력되는 안저영상의 안저로부터 안구 구조물을 검출하는 안구 구조물 검출부; 및 미리 학습된 속성별 분류기들에 의해 상기 안구 구조물 검출부에서 검출된 안구 구조물에 근거하여 상기 안저영상의 속성을 검출하는 속성 검출부를 포함하는 것을 특징으로 한다.
상기 속성 추출부는, 상기 추출된 속성을 상기 안저영상 전처리부에서 출력되는 안저영상에 마스킹하여 안저영상과 속성 사이의 토폴러지 정보를 생성하여 상기 통합 학습부로 출력하는 속성 전처리부를 더 포함하되, 상기 학습부는, 상기 이미지 전처리된 안저영상에 대해 학습을 수행하여 상기 속성별 분류기에 대한 속성별 학습 데이터를 갱신하는 분류 학습부; 및 상기 속성 전처리부에서 출력되는 속성이 마스킹된 안저영상에 대한 학습을 수행하는 통합 학습부를 포함하는 것을 특징으로 한다.
상기 색 정규화부는, 노이즈를 제거하고 상기 속성 추출부에서 추출하고자 하는 상기 속성을 추출할 수 있도록 하기 위해 상기 안저영상의 레드(Red), 그린(Green), 블루(Blue) 채널 중 그린 채널만을 활성화하고, 레드 채널 및 블루 채널을 제거하여 상기 안저영상의 색을 정규화하는 것을 특징으로 한다.
상기 속성은, 삼출물(Exudates), 출혈(Hemorrhages), 신혈관 생성(Neovascularization), 황반부종(Macular Edema), 시신경 원판(Optic Disk)이고, 상기 안구 질병은 당뇨성 망막 질병, 녹내장, 나이와 관련된 황반 퇴화인 것을 특징으로 한다.
상기와 같은 목적을 달성하기 위한 본 발명에 따른 인공지능 기반의 안구질환 진단 방법은: 제어부가 안저영상 획득 처리부를 통해 안저영상 획득부로부터 안저영상을 입력받아 출력하는 안저영상 획득 처리 과정; 상기 제어부가 안저영상 전처리부를 통해 상기 안저영상의 크기 조절 및 색 정규화를 수행하는 이미지 전처리를 수행하여 출력하는 안저영상 전처리 과정; 상기 제어부가 속성 추출부를 통해 미리 학습된 복수의 각 질병의 속성별 분류기에 의해 이미지 전처리된 안저영상으로부터 속성을 추출하는 속성 추출 과정; 상기 제어부가 학습부를 통해 상기 이미지 전처리된 안저영상에 대해 학습을 수행하여 상기 속성별 분류기에 대한 속성별 학습 데이터를 갱신하는 학습 과정; 및 상기 제어부가 예측부를 통해 상기 추출된 속성의 종류 및 수에 대응하는 질병을 예측하는 예측 과정을 포함하는 것을 특징으로 한다.
상기 방법은: 상기 제어부가 통합 속성 결정부를 통해 상기 추출된 속성들에 질병별 가중치를 적용하여 통합 예측값을 계산하는 통합 속성 결정 과정을 더 포함하되, 상기 예측 과정은, 상기 제어부가 예측부를 통해 상기 추출된 속성의 종류 및 수에 대응하는 질병을 예측하는 속성 기반 질병 예측 단계; 및 상기 통합 예측값이 상기 속성 기반 질병 예측 단계에서 예측된 질병에 대해 미리 설정된 기준값을 초과하는지의 여부를 판단하여 초과하는 경우 상기 안저영상에 대해 상기 질병이 있음을 예측하는 통합 질병 예측 단계를 포함하는 것을 특징으로 한다.
상기 안저영상 전처리 과정은, 상기 제어부가 안저영상 크기 조절부를 통해 안저영상 획득 처리부로부터 입력되는 안저영상의 크기를 조절하여 출력하는 안저영상 크기 조절 단계; 및 상기 제어부가 색 정규화부를 통해 크기 조절된 상기 안저영상의 색을 정규화시키는 색 정규화 단계를 포함하는 것을 특징으로 한다.
상기 속성 추출 과정은, 상기 제어부가 안구 구조물 검출부를 통해 상기 안저영상 전처리부에서 출력되는 안저영상의 안저로부터 안구 구조물을 검출하는 안구 구조물 검출 단계; 및 상기 제어부가 속성 검출부를 통해 상기 안구 구조물 검출부에서 검출된 안구 구조물에 근거하여 상기 안저영상의 속성을 검출하는 속성 검출 단계를 포함하는 것을 특징으로 한다.
상기 방법은: 상기 제어부가 속성 전처리부를 통해 상기 추출된 속성을 상기 안저영상 전처리부에서 출력되는 안저영상에 마스킹하여 안저영상과 속성 사이의 토폴러지 정보를 생성하여 상기 통합 학습부로 출력하는 속성 전처리 과정을 더 포함하되, 상기 학습 과정은, 상기 제어부가 분류 학습부를 통해 상기 이미지 전처리된 안저영상에 대해 학습을 수행하여 상기 속성별 분류기에 대한 속성별 학습 데이터를 갱신하는 분류 학습 단계; 및 상기 제어부가 상기 속성 전처리부에서 출력되는 속성이 마스킹된 안저영상에 대한 학습을 수행하는 통합 학습 단계를 포함하는 것을 특징으로 한다.
상기 색 정규화 과정은, 상기 제어부가 색 정규화부를 통해 노이즈를 제거하고 속성 추출부에서 추출하고자 하는 상기 속성을 추출할 수 있도록 상기 안저영상의 레드(Red), 그린(Green), 블루(Blue) 채널 중 그린 채널만을 활성화하고, 레드 채널 및 블루 채널을 제거하여 상기 안저영상의 색을 정규화하는 것을 특징으로 한다.
상기 속성은, 삼출물(Exudates), 출혈(Hemorrhages), 신혈관 생성(Neovascularization), 황반부종(Macular Edema), 시신경 원판(Optic Disk)이고, 상기 안구 질병은 당뇨성 망막 질병, 녹내장, 나이와 관련된 황반 퇴화인 것을 특징으로 한다.
본 발명은 안구 구조물에 기반하여 복수의 안구질병을 진단할 수 있는 복수의 속성을 추출하고 질병별 복수의 속성을 학습하여 분류기를 생성하고, 복수의 분류기를 이용하여 안구질병을 진단하므로 하나의 장치에서 복수의 안구질병을 진단할 수 있는 효과가 있다.
또한, 본 발명은 안저영상만 획득되면 안저영상 전처리, 인공지능 기반의 학습에 의한 정확한 속성을 추출하고, 추출된 복수 속성들의 통합에 의한 질병을 진단하므로 보다 쉽고 정확하게 질병을 진단할 수 있는 효과가 있다.
또한, 본 발명은 안저영상만 획득되면 안구질병을 진단할 수 있으므로 사용자가 병원을 찾기 전에 자신의 모바일 단말기를 통해 안구질병을 진단받아 볼 수 있으므로 불필요한 병원 방문에 의한 불필요한 의료비를 절약할 수 있는 효과가 있다.
도 1은 본 발명에 따른 인공지능 기반의 안구질병 진단장치의 구성을 나타낸 도면이다.
도 2는 본 발명의 일실시예에 따라 안구질병 진단장치에서 획득된 안저영상의 전처리 방법을 설명하기 위한 도면이다.
도 3은 본 발명의 일실시예에 따라 안구질병 진단장치에서의 속성 추출을 위한 안구 구성물을 설명하기 위한 도면이다.
도 4는 본 발명의 실시예에 따른 안저영상으로부터 속성을 분리 및 질병 분류 방법을 설명하기 위한 도면이다.
도 5는 본 발명에 따른 인공지능 기반의 안구질병 진단 방법을 나타낸 흐름도이다.
도 6은 본 발명에 따른 인공지능 기반의 안구질병 진단 방법 중 안저영상 전처리 방법을 나타낸 흐름도이다.
도 7은 본 발명에 따른 인공지능 기반의 안구질병 진단 방법 중 속성 추출 방법을 나타낸 흐름도이다.
이하 첨부된 도면을 참조하여 본 발명에 따른 인공지능 기반의 안구질병 진단장치의 구성 및 동작을 상세히 설명하고, 상기 장치에서의 안구질병 진단 방법을 설명한다.
도 1은 본 발명에 따른 인공지능 기반의 안구질병 진단장치의 구성을 나타낸 도면이고, 도 2는 본 발명의 일실시예에 따라 안구질병 진단장치에서 획득된 안저영상의 전처리 방법을 설명하기 위한 도면이고, 도 3은 본 발명의 일실시예에 따라 안구질병 진단장치에서의 속성 추출을 위한 안구 구성물을 설명하기 위한 도면이며, 도 4는 본 발명의 실시예에 따른 안저영상으로부터 속성을 분리 및 질병 분류 방법을 설명하기 위한 도면이다. 이하 도 1 내지 도 4를 참조하여 설명한다.
본 발명에 따른 인공지능 기반의 안구질병 진단장치는 저장부(110), 입력부(120), 출력부(130), 안저영상 획득부(140) 및 제어부(150)를 포함한다.
저장부(110)는 본 발명에 따른 안구질병 진단장치의 전반적인 동작을 제어하기 위한 제어프로그램을 저장하는 프로그램영역, 상기 제어프로그램 수행 중에 발생되는 데이터를 일시 저장하는 임시영역, 상기 제어프로그램 수행 중에 발생되는 데이터 및 제어프로그램 수행에 필요한 데이터를 반영구적으로 저장하는 데이터영역을 포함한다. 상기 데이터영역에는 학습 DB(111) 및 속성 가중치 DB(112)가 구성될 수 있을 것이다.
학습 DB(111)는 임의의 속성을 가지는 다수의 안저영상로부터 추출된 속성에 대해 학습된 속성별 학습데이터를 포함하는 다수의 속성별 분류 데이터 및 둘 이상의 속성을 가지는 질병을 가지는 안저영상을 기반으로 학습된 통합 학습 데이터를 저장한다. 상기 학습방법은 딥러닝, 서포트 벡터 머신(Support Vector Machine: SVM), KNN, DT 등이 적용될 수 있을 것이다.
속성 가중치 DB(112)는 안구 질병별 속성의 가중치를 정의한다. 즉, 안구 질병별로 동일 속성이라도 가중치가 달라질 수 있을 것이다.
입력부(120)는 안구 질환 진단 이벤트를 발생시키는 수단으로, 타이머에 의한 시간 계산 수단, 사용자로부터 안구질환 진단 명령을 직접 입력받는 키입력장치, 마우스, 터치패드 등과 같은 입력 수단, 원격지의 관리자 및 사용자로부터 유무선 데이터통신망(미도시)을 통해 수신하는 통신수단 등 중 어느 하나 이상을 포함하여 구성될 수 있을 것이다.
출력부(130)는 진단된 안구질환 진단 정보를 출력하는 수단으로, 정보를 텍스트, 그래픽 및 영상 중 어느 하나 이상으로 표시하는 디스플레이 수단, 유무선 데이터통신망에 무선 및 유선 중 어느 하나로 연결되어 원격지의 사용자 또는 관리자의 단말기로 전송하는 통신수단 등 중 어느 하나 이상을 포함하여 구성될 될 수 있을 것이다.
안저영상 획득부(140)는 본 발명에 따른 눈의 안저를 촬영한 안저영상을 획득하여 제어부로 출력하는 수단으로, 카메라, 컬러 스캐너 등이 될 수도 있고, 외부 시스템, 서버, 단말기 등의 장치들로부터 수신하기 위한 통신수단일 수도 있을 것이다.
제어부(150)는 안저영상 획득 처리부(160), 안저영상 전처리부(170), 속성 추출부(180), 통합 속성 결정부(190), 학습부(210) 및 예측부(220)를 포함하여 본 발명에 따른 안구질병 진단장치의 전반적인 동작을 제어한다.
안저영상 획득 처리부(160)는 상기 안저영상 획득부(140)로부터 안저영상을 수신하여 안저영상 전처리부(170)로 출력한다.
안저영상 전처리부(170)는 안저영상의 크기를 조절하여 출력하는 안저영상 크기 조절부(171) 및 상기 안저영상의 컬러, 즉 색을 정규화하여 출력하는 색 정규화부(172)를 포함한다.
안저영상 크기 조절부(171)는 입력부(120) 및 출력부(130)를 통해 사용자 또는 관리자로부터 설정정보를 수신하여 안저영상의 크기를 설정할 수 있으며, 상기 안저영상의 크기는 제어부(150)의 계산 능력에 따라 적절하게 설정되는 것이 바람직할 것이다. 즉, 안저영상의 크기 조절은 속성 추출과정에 걸리는 계산 복잡도를 줄이기 위한 것으로, 제어부(150)의 연산 속도에 따라 설정되는 것이 바람직할 것이다.
상기 색 정규화부(172)는 원 영상, 즉 안저영상 획득 처리부(160)에서 출력되는 안저영상에 존재하는 노이즈 정보를 걸러내기 위함이며, 추출하려는 속성에 따라 적합한 컬러 정보가 다르기 때문에, 각 속성 추출 과정에서 필요로 하는 정보를 남기고 불필요한 정보를 제외시켜 계산 효율을 높이기 위해 안저영상의 색을 정규화한다. 예를 들면, 색 정규화부(172)는 도 2의 302와 같이 정규화전의 안저영상(313)을 정규화하여 정규화된 안저영상(314)을 출력할 수도 있고, 혈관 추출 과정의 경우 색의 삼원색(레드(Red), 그린(Green), 블루(Blue) 중 그린채널 정보를 주로 사용하므로 레드 채널 및 블루 채널을 가지고 있을 필요가 없으므로 그린 채널만을 남기고 레드 채널 및 블루 채널을 제거하는 색 정규화를 수행하도록 구성될 수도 있을 것이다.
이외에도 안저영상 전처리부(170)는 도 2의 301에서 나타낸 바와 같이 안저영상(311)으로부터 색 대비를 강조하고 영상 안에 존재하는 외각선을 강조한 안저영상(312)을 출력하는 색 대비 강조 수단을 더 포함할 수도 있을 것이다.
속성 추출부(180)는 안구 구조물 검출부(181), 속성 검출부(182) 및 속성 전처리부(183)를 포함하여 상기 안저영상 전처리부(170)에서 전처리된 안저영상으로부터 속성을 추출하여 출력한다. 추출된 속성은 실시예에 따라 예측부(220)로 입력하거나 통합 속성 결정부(190) 및 예측부(220)로 출력된다.
구체적으로 설명하면, 안구 구조물 검출부(181)는 안저영상 전처리부(170)로부터 입력되는 전처리된 안저영상으로부터 도 3에서 나타낸 바와 같이 안구 구조물인 안와(401), 시각신경원반(402) 등을 검출한다. 도 3에서 안와(401)는 X로 나타내고, 시각신경원반(402)은 +로 나타내었다.
속성 검출부(182)는 이전에 미리 학습된 질병별 각 속성 데이터에 대한 속성별 분류 데이터에 기반하여 동작하여 상기 검출된 안구 구조물에 기반하여 해당 질병의 속성을 검출하는 질병 수 및 속성 수에 대응하는 분류기를 포함하며, 질병별 각 속성의 분류기에 의해 상기 검출된 안구 구조물에 기반하여 안저영상에 포함된 속성을 추출한다. 상기 속성은 삼출물(Exudates), 출혈(Hemorrhages), 신혈관 생성(Neovascularization), 황반부종(Macular Edema), 시신경 원판(Optic Disk) 등이 될 수 있을 것이다. 상기 속성은 당뇨성 망막 질병, 녹내장, 나이와 관련된 황반 퇴화 등의 안구 질병에 대한 것이고, 예측하고자 하는 안구 질병이 바뀌는 경우, 예측하고자 하는 안구 질병을 예측하기 위한 속성 또한 달라질 수 있을 것이다. 상술한 바와 같이 속성 검출부(182)는 질병 수 및 속성 수에 대응하는 분류기를 구비하는 것이 바람직할 것이다. 예를 들어, 검출하기 위한 질병의 수가 3개이고 속성이 5개이면 3*5=15개의 분류기를 구비하는 것이 바람직할 것이다.
속성 전처리부(183)는 상기 추출된 속성을 상기 안저영상 전처리부(170)에서 출력되는 안저영상(원 영상)에 마스킹하여 안저영상과 속성 사이의 토폴로지 정보를 생성하여 상기 통합 학습부(212)로 출력한다.
통합 속성 결정부(190)는 하기 수학식 1을 적용하여 속성 가중치 DB(112)에 저장된 질병별 속성 가중치를 참조하여 상기 추출된 속성들에 대한 질병별 속성 가중치를 적용하여 통합 예측값을 계산한다.
Figure pat00001
상기 예측값(Prediction)은 분류기의 결과에 가중치를 곱한 값의 총합을 기준으로 예측 결과를 도출하는 함수(f())에 의해 구해질 수 있다. 예를 들어 3개의 분류기가 있고, 각각의 분류기는 1 또는 0(1의 경우 질병, 0의 경우 정상)의 값을 갖고, 각각의 가중치를 동일하게 0.33이라고 가정한다면, 즉 2개의 분류기는 질병이라고 판정하고 1개의 분류기가 정상이라고 판정한다면 f()의 경과값인 예측값은 0.66이 될 수 있을 것이다. 즉 해당 질병이 있을 확률이 66%라고 예측할 수 있을 것이다.
이에 따라 상기 통합 속성 결정부(190)는 상기 확률이 미리 설정된 기준치를 초과하는 경우 해당 질병이 있는 것으로 예측하도록 구성될 수 있을 것이다. 예를 들어 상기 기준값은 60% 등이 될 수 있을 것이다.
학습부(210)는 상기 이미지 전처리된 안저영상에 대해 학습을 수행하여 상기 속성별 분류기에 대한 속성별 학습 데이터를 갱신하는 분류 학습부(211) 및 상기 속성 전처리부(180)에서 출력되는 속성이 마스킹된 안저영상에 대한 학습을 수행하는 통합 학습부(212)를 포함한다.
예측부(220)는 도 4 및 하기 표 1과 같이 상기 추출된 속성의 종류 및 수에 대응하는 질병을 예측한다.
당뇨성 망막 질병 녹내장 나이와 관련된 황반 퇴화
삼출물 o
출혈 o o o
신혈관 형성 o o o
황반부종 o o
시신경원판 o
또한, 예측부(220)는 상기 통합 속성 결정부를 통해 계산된 통합 예측값이 상기 속성을 모두 포함하는 질병에 대해 미리 설정된 기준값을 초과하는 경우 상기 안저영상에 대해 상기 질병이 있음을 예측한다. 즉, 예측부(220)는 도 4 및 표 1에 의해 해당 분류된 속성에 의해 질병을 판단하고, 상기 수학식 1에 의해 판단 질병의 예측값에 의해 질병의 발병 여부를 예측한다.
도 5는 본 발명에 따른 인공지능 기반의 안구질병 진단 방법을 나타낸 흐름도이다.
도 5를 참조하면, 제어부(150)는 입력부(120)를 통해 안구질환 진단 이벤트가 발생되는지를 검사한다(S111).
안구질환 진단 이벤트가 발생되면 제어부(150)는 안저영상 획득부(140)를 통해 안저영상이 획득되는지를 검사한다(S113).
안저영상이 획득되면 제어부(150)는 안저영상 전처리부(170)를 통해 안저영상 전처리를 수행한다(S115).
제어부(150)는 획득된 안저영상에 대해 전처리가 완료되면 이전에 미리 학습된 질병별 속성 분류기들을 통해 전처리된 안저영상으로부터 속성을 추출한다(S117).
속성이 추출되면 제어부(150)는 일실시예에 따라 수학식 1을 적용하여 학습 결과 통합 예측값(Prediction)을 계산한다(S119).
제어부(150)는 실시예에 따라 속성별 분류기에 의해 검출된 속성 및 통합 예측값에 의해 안구질병을 예측한다(S123). 즉, 제어부(150)는 속성별 분류기에 의해 검출된 속성에 의해 질병 종류를 판단하고, 통합 예측값에 의해 해당 질병일 확률을 판단한다.
제어부(150)는 상기 안구질병의 예측 후 또는 속성 추출 및 예측값 계산 시마다 속성별 분류기 학습 및 통합 학습을 수행하는 것이 바람직할 것이다(S121).
도 6은 본 발명에 따른 인공지능 기반의 안구질병 진단 방법 중 안저영상 전처리 방법을 나타낸 흐름도이다.
도 6을 참조하면, 제어부(150)는 안저영상 획득 처리부(160)를 통해 안저영상 획득부(140)로부터 안저영상이 획득되며 안저영상을 미리 설정된 크기(해상도)로 조절한다(S211).
크기가 조절되면 제어부(150)는 크기 조절된 안저영상에 포함된 색을 안구질병의 속성을 추출하기 적합한 색으로 변환시키는 영상 색 정규화를 수행한다(S215).
또한, 제어부(150)는 안저영상 크기 조절 후 도 2와 같이 색 대비 강조 및 외곽선 강화 처리를 더 수행할 수도 있을 것이다(S213).
도 7은 본 발명에 따른 인공지능 기반의 안구 질병 진단 방법 중 속성 추출 방법을 나타낸 흐름도이다.
도 7을 참조하면, 제어부(150)는 안저영상 전처리된 안저영상으로부터 안구 구조물을 검출한다(S311).
안구 구조물이 검출되면 제어부(150)는 안구 구조물을 기반으로 미리 학습된 속성 분류기들을 통해 속성을 추출한다(S313).
속성이 추출되면 제어부(150)는 추출된 속성을 전처리된 원 영상인 안저영상에 마스킹하는 속성 전처리를 수행한다(S315).
속성 전처리를 수행하는 이유는 원 영상에서부터 각 속성에 해당하는 부분을 추출하게 되는 데 이 추출 결과물은 원래의 영상에 따라서 각기 다른 형태를 갖게되므로 다른 형태를 갖는 영상을 곧바로 분류기에 넣을 수 없기 때문이다. 즉 분류기를 학습시키기 위해서는 추출된 속성 영상을 동일한 기준으로 재정의할 필요가 있다. 속성 전처리 단계는 이 부분을 수행하는 과정이다. 가령, 100*100의 크기를 갖고 있는 2개의 영상에서 속성을 추출했을 때, 하나는 10*10의 크기로 추출되었고, 다른 하나는 20*10의 크기로 추출되었다고 가정한다면, 이 둘을 서로 비교하기 위해서는 같은 크기로 맞춰줘야 할 필요가 다. 속성 전처리 과정에서는 이렇게 서로 다른 크기로 추출된 속성정보를 원 영상의 크기에 기반하여 서로 비교가 가능하도록 동일 크기로 맞춰주는 일종의 일반화(Normalization) 역할을 수행한다.
한편, 본 발명은 전술한 전형적인 바람직한 실시예에만 한정되는 것이 아니라 본 발명의 요지를 벗어나지 않는 범위 내에서 여러 가지로 개량, 변경, 대체 또는 부가하여 실시할 수 있는 것임은 당해 기술분야에서 통상의 지식을 가진 자라면 용이하게 이해할 수 있을 것이다. 이러한 개량, 변경, 대체 또는 부가에 의한 실시가 이하의 첨부된 특허청구범위의 범주에 속하는 것이라면 그 기술사상 역시 본 발명에 속하는 것으로 보아야 한다.
110: 저장부 111: 학습 DB
112: 속성 가중치 DB 120: 입력부
130: 출력부 140: 안저영상 획득부
150: 제어부 160: 안저영상 획득 처리부
170: 안저영상 전처리부 171: 안저영상 크기 조절부
172: 색 정규화부 180: 속성 추출부
181: 안구 구조물 검출부 182: 속성 검출부
183: 속성 전처리부 190: 통합 속성 결정부
210: 학습부 211: 분류 학습부
212: 통합 학습부 220: 예측부

Claims (15)

  1. 안저영상을 획득하여 출력하는 안저영상 획득부;
    안구질병별 속성별 학습데이터를 포함하는 속성별 분류 데이터 및 안구질병별 속성 통합 학습데이터를 저장하는 학습 DB 및 각 안구질병에 대한 속성별 속성 가중치를 정의하는 속성 가중치 DB를 포함하는 저장부; 및
    상기 안저영상 획득부로부터 입력되는 안저영상을 이미지 전처리를 수행하여 안저영상의 크기조절 및 색 정규화를 수행한 후, 미리 학습된 상기 속성별 분류 데이터에 기반하여 동작하는 각 속성별 분류기에 의해 이미지 전처리된 안저영상으로부터 속성을 추출하고, 상기 이미지 전처리된 안저영상에 대해 학습을 수행하여 상기 속성별 분류기에 대한 속성별 학습 데이터를 갱신하고, 상기 추출된 속성 종류 및 수에 대응하는 질병을 예측하는 제어부를 포함하는 것을 특징으로 하는 인공지능 기반의 안구질병 진단장치.
  2. 제1항에 있어서,
    상기 제어부는,
    상기 안저영상 획득부로부터 안저영상을 입력받아 출력하는 안저영상 획득 처리부;
    상기 안저영상의 크기 조절 및 색 정규화를 수행하는 이미지 전처리를 수행하여 출력하는 안저영상 전처리부;
    미리 학습된 각 속성별 분류기에 의해 이미지 전처리된 안저영상으로부터 속성을 추출하는 속성 추출부;
    상기 이미지 전처리된 안저영상에 대해 학습을 수행하여 상기 속성별 분류기에 대한 속성별 학습 데이터를 갱신하는 학습부; 및
    상기 추출된 속성의 종류 및 수에 대응하는 질병을 예측하는 예측부를 포함하는 것을 특징으로 하는 인공지능 기반의 안구질병 진단장치.
  3. 제2항에 있어서,
    상기 제어부는,
    상기 추출된 속성들에 질병별 가중치를 적용하여 통합 예측값을 계산하는 통합 속성 결정부를 더 포함하되,
    상기 예측부는,
    상기 통합 예측값이 상기 속성을 모두 포함하는 질병에 대해 미리 설정된 기준값을 초과하는 경우 상기 안저영상에 대해 상기 질병이 있음을 예측하는 것을 특징으로 하는 인공지능 기반의 안구질병 진단장치.
  4. 제2항에 있어서,
    상기 안저영상 전처리부는,
    안저영상 획득 처리부로부터 입력되는 안저영상의 크기를 조절하여 출력하는 안저영상 크기 조절부; 및
    크기 조절된 상기 안저영상의 색을 정규화시키는 색 정규화부를 포함하는 것을 특징으로 하는 인공지능 기반의 안구질병 진단장치.
  5. 제2항에 있어서,
    상기 속성 추출부는,
    상기 안저영상 전처리부에서 출력되는 안저영상의 안저로부터 안구 구조물을 검출하는 안구 구조물 검출부; 및
    미리 학습된 속성별 분류기들에 의해 상기 안구 구조물 검출부에서 검출된 안구 구조물에 근거하여 상기 안저영상의 속성을 검출하는 속성 검출부를 포함하는 것을 특징으로 하는 인공지능 기반의 안구질병 진단장치.
  6. 제5항에 있어서,
    상기 속성 추출부는,
    상기 추출된 속성을 상기 안저영상 전처리부에서 출력되는 안저영상에 마스킹하여 안저영상과 속성 사이의 토폴러지 정보를 생성하여 상기 통합 학습부로 출력하는 속성 전처리부를 더 포함하되,
    상기 학습부는,
    상기 이미지 전처리된 안저영상에 대해 학습을 수행하여 상기 속성별 분류기에 대한 속성별 학습 데이터를 갱신하는 분류 학습부; 및
    상기 속성 전처리부에서 출력되는 속성이 마스킹된 안저영상에 대한 학습을 수행하는 통합 학습부를 포함하는 것을 특징으로 하는 인공지능 기반의 안구질병 진단장치.
  7. 제4항에 있어서,
    상기 색 정규화부는,
    노이즈를 제거하고 상기 속성 추출부에서 추출하고자 하는 상기 속성을 추출할 수 있도록 하기 위해 상기 안저영상의 레드(Red), 그린(Green), 블루(Blue) 채널 중 그린 채널만을 활성화하고, 레드 채널 및 블루 채널을 제거하여 상기 안저영상의 색을 정규화하는 것을 특징으로 하는 인공지능 기반의 안구질병 진단장치.
  8. 제1항 내지 제7항 중 어느 한 항에 있어서,
    상기 속성은,
    삼출물(Exudates), 출혈(Hemorrhages), 신혈관 생성(Neovascularization), 황반부종(Macular Edema), 시신경 원판(Optic Disk)이고,
    상기 안구 질병은 당뇨성 망막 질병, 녹내장, 나이와 관련된 황반 퇴화인 것을 특징으로 하는 인공지능 기반의 안구질병 진단장치.
  9. 제어부가 안저영상 획득 처리부를 통해 안저영상 획득부로부터 안저영상을 입력받아 출력하는 안저영상 획득 처리 과정;
    상기 제어부가 안저영상 전처리부를 통해 상기 안저영상의 크기 조절 및 색 정규화를 수행하는 이미지 전처리를 수행하여 출력하는 안저영상 전처리 과정;
    상기 제어부가 속성 추출부를 통해 미리 학습된 복수의 각 질병의 속성별 분류기에 의해 이미지 전처리된 안저영상으로부터 속성을 추출하는 속성 추출 과정;
    상기 제어부가 학습부를 통해 상기 이미지 전처리된 안저영상에 대해 학습을 수행하여 상기 속성별 분류기에 대한 속성별 학습 데이터를 갱신하는 학습 과정; 및
    상기 제어부가 예측부를 통해 상기 추출된 속성의 종류 및 수에 대응하는 질병을 예측하는 예측 과정을 포함하는 것을 특징으로 하는 인공지능 기반의 안구질병 진단 방법.
  10. 제9항에 있어서,
    상기 제어부가 통합 속성 결정부를 통해 상기 추출된 속성들에 질병별 가중치를 적용하여 통합 예측값을 계산하는 통합 속성 결정 과정을 더 포함하되,
    상기 예측 과정은,
    상기 제어부가 예측부를 통해 상기 추출된 속성의 종류 및 수에 대응하는 질병을 예측하는 속성 기반 질병 예측 단계; 및
    상기 통합 예측값이 상기 속성 기반 질병 예측 단계에서 예측된 질병에 대해 미리 설정된 기준값을 초과하는지의 여부를 판단하여 초과하는 경우 상기 안저영상에 대해 상기 질병이 있음을 예측하는 통합 질병 예측 단계를 포함하는 것을 특징으로 하는 인공지능 기반의 안구질병 진단 방법.
  11. 제9항에 있어서,
    상기 안저영상 전처리 과정은,
    상기 제어부가 안저영상 크기 조절부를 통해 안저영상 획득 처리부로부터 입력되는 안저영상의 크기를 조절하여 출력하는 안저영상 크기 조절 단계; 및
    상기 제어부가 색 정규화부를 통해 크기 조절된 상기 안저영상의 색을 정규화시키는 색 정규화 단계를 포함하는 것을 특징으로 하는 인공지능 기반의 안구질병 진단 방법.
  12. 제9항에 있어서,
    상기 속성 추출 과정은,
    상기 제어부가 안구 구조물 검출부를 통해 상기 안저영상 전처리부에서 출력되는 안저영상의 안저로부터 안구 구조물을 검출하는 안구 구조물 검출 단계; 및
    상기 제어부가 속성 검출부를 통해 상기 안구 구조물 검출부에서 검출된 안구 구조물에 근거하여 상기 안저영상의 속성을 검출하는 속성 검출 단계를 포함하는 것을 특징으로 하는 인공지능 기반의 안구질병 진단 방법.
  13. 제12항에 있어서,
    상기 제어부가 속성 전처리부를 통해 상기 추출된 속성을 상기 안저영상 전처리부에서 출력되는 안저영상에 마스킹하여 안저영상과 속성 사이의 토폴러지 정보를 생성하여 상기 통합 학습부로 출력하는 속성 전처리 과정을 더 포함하되,
    상기 학습 과정은,
    상기 제어부가 분류 학습부를 통해 상기 이미지 전처리된 안저영상에 대해 학습을 수행하여 상기 속성별 분류기에 대한 속성별 학습 데이터를 갱신하는 분류 학습 단계; 및
    상기 제어부가 상기 속성 전처리부에서 출력되는 속성이 마스킹된 안저영상에 대한 학습을 수행하는 통합 학습 단계를 포함하는 것을 특징으로 하는 인공지능 기반의 안구질병 진단 방법.
  14. 제11항에 있어서,
    상기 색 정규화 과정은,
    상기 제어부가 색 정규화부를 통해 노이즈를 제거하고 속성 추출부에서 추출하고자 하는 상기 속성을 추출할 수 있도록 상기 안저영상의 레드(Red), 그린(Green), 블루(Blue) 채널 중 그린 채널만을 활성화하고, 레드 채널 및 블루 채널을 제거하여 상기 안저영상의 색을 정규화하는 것을 특징으로 하는 인공지능 기반의 안구질병 진단 방법.
  15. 제9항 내지 제14항 중 어느 한 항에 있어서,
    상기 속성은,
    삼출물(Exudates), 출혈(Hemorrhages), 신혈관 생성(Neovascularization), 황반부종(Macular Edema), 시신경 원판(Optic Disk)이고,
    상기 안구 질병은 당뇨성 망막 질병, 녹내장, 나이와 관련된 황반 퇴화인 것을 특징으로 하는 인공지능 기반의 안구질병 진단 방법.
KR1020190081503A 2019-07-05 2019-07-05 인공지능 기반의 안구질병 검출장치 및 방법 KR102295426B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190081503A KR102295426B1 (ko) 2019-07-05 2019-07-05 인공지능 기반의 안구질병 검출장치 및 방법
CN201910706093.2A CN112168135A (zh) 2019-07-05 2019-08-01 基于人工智能的眼球疾病诊断装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190081503A KR102295426B1 (ko) 2019-07-05 2019-07-05 인공지능 기반의 안구질병 검출장치 및 방법

Publications (2)

Publication Number Publication Date
KR20210004695A true KR20210004695A (ko) 2021-01-13
KR102295426B1 KR102295426B1 (ko) 2021-08-30

Family

ID=73919818

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190081503A KR102295426B1 (ko) 2019-07-05 2019-07-05 인공지능 기반의 안구질병 검출장치 및 방법

Country Status (2)

Country Link
KR (1) KR102295426B1 (ko)
CN (1) CN112168135A (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102477694B1 (ko) * 2022-06-29 2022-12-14 주식회사 타이로스코프 활동성 갑상선 눈병증 진료를 위한 내원 안내 방법 및 이를 수행하는 시스템
WO2023277622A1 (ko) * 2021-06-30 2023-01-05 주식회사 타이로스코프 활동성 갑상선 눈병증 진료를 위한 내원 안내 방법 및 이를 수행하는 시스템
US11663719B2 (en) 2021-06-30 2023-05-30 Thyroscope Inc. Method for hospital visit guidance for medical treatment for active thyroid eye disease, and system for performing same
US11717160B2 (en) 2021-06-30 2023-08-08 Thyroscope Inc. Method and photographing device for acquiring side image for ocular proptosis degree analysis, and recording medium therefor

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023128000A1 (ko) * 2021-12-29 2023-07-06 경상국립대학교병원 녹내장 진단 장치, 시스템 및 방법
KR102449091B1 (ko) 2022-01-17 2022-10-14 부산대학교 산학협력단 원형분석과 fcm 분석기법을 이용한 녹내장 분석 시스템 및 방법
WO2023182785A1 (ko) * 2022-03-21 2023-09-28 주식회사 타이로스코프 학습된 모델을 이용한 질병 진단 방법 및 이를 수행하는 시스템

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101662775B1 (ko) 2014-11-26 2016-10-05 박범철 안구건조증 진단 장치 및 이를 이용한 안구건조증 진단 방법
KR20180040287A (ko) * 2016-10-12 2018-04-20 (주)헬스허브 기계학습을 통한 의료영상 판독 및 진단 통합 시스템
KR20180099185A (ko) * 2017-02-28 2018-09-05 연세대학교 산학협력단 질병 예측 모델을 생성하는 방법, 서버 및 시스템
US20190110753A1 (en) * 2017-10-13 2019-04-18 Ai Technologies Inc. Deep learning-based diagnosis and referral of ophthalmic diseases and disorders
WO2019073962A1 (ja) * 2017-10-10 2019-04-18 国立大学法人 東京大学 画像処理装置及びプログラム

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108615051B (zh) * 2018-04-13 2020-09-15 博众精工科技股份有限公司 基于深度学习的糖尿病视网膜图像分类方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101662775B1 (ko) 2014-11-26 2016-10-05 박범철 안구건조증 진단 장치 및 이를 이용한 안구건조증 진단 방법
KR20180040287A (ko) * 2016-10-12 2018-04-20 (주)헬스허브 기계학습을 통한 의료영상 판독 및 진단 통합 시스템
KR20180099185A (ko) * 2017-02-28 2018-09-05 연세대학교 산학협력단 질병 예측 모델을 생성하는 방법, 서버 및 시스템
WO2019073962A1 (ja) * 2017-10-10 2019-04-18 国立大学法人 東京大学 画像処理装置及びプログラム
US20190110753A1 (en) * 2017-10-13 2019-04-18 Ai Technologies Inc. Deep learning-based diagnosis and referral of ophthalmic diseases and disorders

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
R. Arunkumar 외, "Multi-retinal disease classification by reduced deep learning", Neural Comput & Applie (2017) 28:329-334. *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023277622A1 (ko) * 2021-06-30 2023-01-05 주식회사 타이로스코프 활동성 갑상선 눈병증 진료를 위한 내원 안내 방법 및 이를 수행하는 시스템
US11663719B2 (en) 2021-06-30 2023-05-30 Thyroscope Inc. Method for hospital visit guidance for medical treatment for active thyroid eye disease, and system for performing same
US11717160B2 (en) 2021-06-30 2023-08-08 Thyroscope Inc. Method and photographing device for acquiring side image for ocular proptosis degree analysis, and recording medium therefor
US11741610B2 (en) 2021-06-30 2023-08-29 Thyroscope Inc. Method for hospital visit guidance for medical treatment for active thyroid eye disease, and system for performing same
US11748884B2 (en) 2021-06-30 2023-09-05 Thyroscope Inc. Method for hospital visit guidance for medical treatment for active thyroid eye disease, and system for performing same
KR102477694B1 (ko) * 2022-06-29 2022-12-14 주식회사 타이로스코프 활동성 갑상선 눈병증 진료를 위한 내원 안내 방법 및 이를 수행하는 시스템

Also Published As

Publication number Publication date
CN112168135A (zh) 2021-01-05
KR102295426B1 (ko) 2021-08-30

Similar Documents

Publication Publication Date Title
KR102295426B1 (ko) 인공지능 기반의 안구질병 검출장치 및 방법
Gardner et al. Automatic detection of diabetic retinopathy using an artificial neural network: a screening tool.
EP3373798B1 (en) Method and system for classifying optic nerve head
KR102354980B1 (ko) 전안부 질환 진단 시스템 및 이를 이용한 진단 방법
CN113646805A (zh) 眼科和全身性疾病的基于图像的检测
JP6745496B2 (ja) 糖尿病網膜症の病期判定支援システムおよび糖尿病網膜症の病期の判定を支援する方法
JP7270686B2 (ja) 画像処理システムおよび画像処理方法
Sundhar et al. Automatic screening of fundus images for detection of diabetic retinopathy
Hassan et al. Deep learning based automated extraction of intra-retinal layers for analyzing retinal abnormalities
Sigit et al. Classification of cataract slit-lamp image based on machine learning
Gandhi et al. Evaluation of deep learning networks for keratoconus detection using corneal topographic images
Pin et al. Retinal diseases classification based on hybrid ensemble deep learning and optical coherence tomography images
e Sousa et al. Automatic detection of laser marks in retinal digital fundus images
Akhade et al. Automatic optic disc detection in digital fundus images using image processing techniques
Gandhimathi et al. Detection of neovascularization in proliferative diabetic retinopathy fundus images.
Sarangpure CUP and DISC OPTIC Segmentation Using Optimized Superpixel Classification for Glaucoma Screening
Felgueiras et al. Mobile-based Risk Assessment of Diabetic Retinopathy using a Smartphone and Adapted Ophtalmoscope.
KR20220021171A (ko) 안저 이미지를 이용한 심층 신경망 기반 안구질환 진단 장치 및 방법
Raga A smartphone based application for early detection of diabetic retinopathy using normal eye extraction
Jolly et al. Eye Disease Detection using MobiNet
EP4226845A1 (en) Eye image quality analysis
CN116958055A (zh) 一种原发性闭角型青光眼预测方法、装置、设备及介质
Shahistha et al. A review on automatic glaucoma detection in retinal fundus images
Patel et al. Diabetic retinopathy detection systems: A review
Deshmukh Analysis of Diabetic Retinopathy by Automatic Detection of Exudates

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant