KR20210097678A - 원추 각막 진단 보조 시스템 및 이를 이용하는 방법 - Google Patents
원추 각막 진단 보조 시스템 및 이를 이용하는 방법 Download PDFInfo
- Publication number
- KR20210097678A KR20210097678A KR1020210101421A KR20210101421A KR20210097678A KR 20210097678 A KR20210097678 A KR 20210097678A KR 1020210101421 A KR1020210101421 A KR 1020210101421A KR 20210101421 A KR20210101421 A KR 20210101421A KR 20210097678 A KR20210097678 A KR 20210097678A
- Authority
- KR
- South Korea
- Prior art keywords
- keratoconus
- data
- cornea
- corneal
- subject
- Prior art date
Links
- 201000002287 Keratoconus Diseases 0.000 title claims abstract description 288
- 238000003745 diagnosis Methods 0.000 title claims abstract description 165
- 238000000034 method Methods 0.000 title claims abstract description 45
- 210000004087 cornea Anatomy 0.000 claims abstract description 180
- 238000012360 testing method Methods 0.000 claims abstract description 54
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 11
- 238000012876 topography Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 206010020649 Hyperkeratosis Diseases 0.000 claims description 12
- 208000001126 Keratosis Diseases 0.000 claims description 12
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 210000001508 eye Anatomy 0.000 description 28
- 238000010586 diagram Methods 0.000 description 26
- 238000004891 communication Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 17
- 208000021921 corneal disease Diseases 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 9
- 201000004573 corneal ectasia Diseases 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 230000004410 intraocular pressure Effects 0.000 description 7
- 238000012937 correction Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 230000004438 eyesight Effects 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 238000001356 surgical procedure Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012014 optical coherence tomography Methods 0.000 description 4
- 206010010356 Congenital anomaly Diseases 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000003325 tomography Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 210000005252 bulbus oculi Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 210000001747 pupil Anatomy 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 210000002159 anterior chamber Anatomy 0.000 description 1
- 201000009310 astigmatism Diseases 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 208000001491 myopia Diseases 0.000 description 1
- 230000004379 myopia Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002250 progressing effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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
- A61B3/14—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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- 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
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S128/00—Surgery
- Y10S128/92—Computer assisted medical diagnostics
- Y10S128/922—Computer assisted medical diagnostics including image analysis
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Radiology & Medical Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Ophthalmology & Optometry (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Computational Linguistics (AREA)
- Eye Examination Apparatus (AREA)
Abstract
원추 각막 진단 보조 시스템 및 이를 이용하는 방법이 개시된다. 일 실시예에 따른 컴퓨팅 장치에 의해 수행되는 인공 지능을 이용한 원추각막 진단 보조 장치는 피검자의 수치화된 검사 데이터에 기초한 각막 관련 이미지 데이터를 저장하는 메모리; 및 프로세서;를 포함하고, 상기 프로세서는, 상기 메모리로부터 상기 저장된 상기 피검자의 각막 관련 이미지 데이터를 획득하고, 상기 획득된 각막 관련 이미지 데이터를 진단 모델에 입력하여 상기 피검자의 안구에 원추각막 발생 여부를 검출하며, 상기 원추각막 발생 여부는 원추각막(KC), 의심 원추각막(KCS), 정상각막(NM) 중 어느 하나로 분류될 수 있다.
Description
아래의 실시예들은 원추 각막을 진단하는 보조 시스템 및 이를 이용하는 방법에 관한 것이다. 보다 구체적으로 인공 신경망을 이용하여 원추 각막 진단을 보조하는 시스템 및 이를 이용하는 방법에 관한 것이다.
원추 각막은 각막 기질이 점차 얇아지고 원추형의 각막 돌출이 일어나는 각막 질환이다. 원추 각막의 발병 초기에는 증상을 느끼지 못하지만, 점차 진행되면서 먼저 시작된 눈의 근시와 난시가 지속적으로 증가하게 된다.
종래 기술은 검사 장비 내에 원추각막을 진단하는 포뮬러가 탑재되어 있어, 검사 데이터 결과로부터 원추각막 여부를 판단할 수 있다. 하지만, 이는 원추각막 여부에 대한 판단의 위양성율이 높아, 원추각막이 아닌데 원추각막이라는 판단을 내리는 오진이 발생하는 문제점이 있다.
최근에는 원추각막과 관련하여 보다 정확한 진단을 하기 위해 다양한 연구와 장비들이 개발되고 있다.
일 과제는, 인공 신경망을 이용하여, 피검자의 각막의 원추각막 발생 여부에 관한 정보를 제공하는 것에 관한 것이다.
일 과제는, 각막 관련 이미지 데이터로부터 피검자의 각막의 원추각막 발생 여부에 관한 정보를 제공하는 것에 관한 것이다.
본 발명이 해결하고자 하는 과제가 상술한 과제로 제한되는 것은 아니며, 언급되지 아니한 과제들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
일 실시예에 따르면, 컴퓨팅 장치에 의해 수행되는 인공 지능을 이용한 원추각막 진단 보조 장치에 있어서, 피검자의 수치화된 검사 데이터를 기초한 각막 관련 이미지 데이터를 저장하는 메모리 및 프로세서를 포함하고, 상기 프로세서는 상기 메모리로부터 저장된 상기 피검자의 각막 관련 이미지 데이터를 획득하고, 상기 획득된 각막 관련 이미지 데이터를 진단 모델에 입력하여 상기 피검자의 안구에 원추각막 발생 여부를 검출하며, 상기 원추각막 발생 여부는 원추각막(KC), 의심 원추각막(KCS), 정상각막(NM) 중 어느 하나로 분류되는 원추각막 진단 보조 시스템을 제공할 수 있다.
본 발명의 과제의 해결 수단이 상술한 해결 수단들로 제한되는 것은 아니며, 언급되지 아니한 해결 수단들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
일 실시예에 의하면, 원추각막 진단 보조 시스템 및 프로세스를 통하여 원추각막의 정확한 진단율을 증가 시킬 수 있다.
일 실시예에 의하면, 원추 각막 진단 보조 시스템 및 프로세스를 통하여 원추각막의 정확한 진단으로 인해, 시력 교정술을 함으로써 발생 가능한 추후 각막 확장증 발병을 방지할 수 있다.
본 발명의 효과가 상술한 효과들로 제한되는 것은 아니며, 언급되지 아니한 효과들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.
도 1은 원추각막을 설명하기 위한 도면이다.
도 2는 일 실시예에 따른 원추각막 진단 보조 시스템을 도시한 도면이다.
도 3은 다른 일 실시예에 따른 원추각막 진단 보조 시스템을 도시한 도면이다.
도 4는 다른 일 실시예에 따른 원추각막 진단 보조 시스템을 도시한 도면이다.
도 5는 다른 일 실시예에 따른 원추각막 진단 보조 시스템을 도시한 도면이다.
도 6은 일 실시예에 따른 원추각막 진단 보조 프로세스에 관한 도면이다.
도 7은 일 실시예에 따른 진단 보조 모델을 도시한 도면이다.
도 8은 일 실시예에 따른 진단 보조 모델을 도시한 도면이다.
도 9는 일 실시예에 따른 진단 보조 장치를 도시한 도면이다.
도 10은 일 실시예에 따른 각막 관련 이미지 데이터를 도시한 도면이다.
도 11은 일 실시예에 따른 각막 관련 이미지 데이터를 도시한 도면이다.
도 12는 다른 실시예에 따른 각막 관련 이미지 데이터를 도시한 도면이다.
도 13은 다른 실시예에 따른 각막 관련 이미지 데이터를 도시한 도면이다.
도 14는 일 실시예에 따른 입력 데이터의 표준화에 관한 도면이다.
도 15는 일 실시예에 따른 입력 데이터의 표준화에 관한 도면이다.
도 16은 일 실시예에 따른 원추각막 진단 보조 단계의 순서도이다.
도 17은 일 실시예에 따른 원추각막 진단 보조 단계의 순서도이다.
도 18은 일 실시예에 따른 원추각막 진단 보조에 관한 도면이다.
도 19는 다른 실시예에 따른 원추각막 진단 보조에 관한 도면이다.
도 20은 또 다른 일 실시예에 따른 원추각막 진단 보조에 관한 도면이다.
도 2는 일 실시예에 따른 원추각막 진단 보조 시스템을 도시한 도면이다.
도 3은 다른 일 실시예에 따른 원추각막 진단 보조 시스템을 도시한 도면이다.
도 4는 다른 일 실시예에 따른 원추각막 진단 보조 시스템을 도시한 도면이다.
도 5는 다른 일 실시예에 따른 원추각막 진단 보조 시스템을 도시한 도면이다.
도 6은 일 실시예에 따른 원추각막 진단 보조 프로세스에 관한 도면이다.
도 7은 일 실시예에 따른 진단 보조 모델을 도시한 도면이다.
도 8은 일 실시예에 따른 진단 보조 모델을 도시한 도면이다.
도 9는 일 실시예에 따른 진단 보조 장치를 도시한 도면이다.
도 10은 일 실시예에 따른 각막 관련 이미지 데이터를 도시한 도면이다.
도 11은 일 실시예에 따른 각막 관련 이미지 데이터를 도시한 도면이다.
도 12는 다른 실시예에 따른 각막 관련 이미지 데이터를 도시한 도면이다.
도 13은 다른 실시예에 따른 각막 관련 이미지 데이터를 도시한 도면이다.
도 14는 일 실시예에 따른 입력 데이터의 표준화에 관한 도면이다.
도 15는 일 실시예에 따른 입력 데이터의 표준화에 관한 도면이다.
도 16은 일 실시예에 따른 원추각막 진단 보조 단계의 순서도이다.
도 17은 일 실시예에 따른 원추각막 진단 보조 단계의 순서도이다.
도 18은 일 실시예에 따른 원추각막 진단 보조에 관한 도면이다.
도 19는 다른 실시예에 따른 원추각막 진단 보조에 관한 도면이다.
도 20은 또 다른 일 실시예에 따른 원추각막 진단 보조에 관한 도면이다.
일 실시예에 따른 컴퓨팅 장치에 의해 수행되는 인공 지능을 이용한 원추각막 진단 보조 장치는 피검자의 수치화된 검사 데이터에 기초한 각막 관련 이미지 데이터를 저장하는 메모리; 및 프로세서;를 포함하고, 상기 프로세서는, 상기 메모리로부터 상기 저장된 상기 피검자의 각막 관련 이미지 데이터를 획득하고, 상기 획득된 각막 관련 이미지 데이터를 진단 모델에 입력하여 상기 피검자의 안구에 원추각막 발생 여부를 검출하며, 상기 원추각막 발생 여부는 원추각막(KC), 의심 원추각막(KCS), 정상각막(NM) 중 어느 하나로 분류될 수 있다.
상기 진단 모델은, 과거 원추각막 판정을 받은 자의 검사 데이터, 과거 의심 원추각막 판정을 받은 자의 검사 데이터 및 과거 정상 각막 판정을 받은 자의 검사 데이터 중 어느 하나 이상을 포함한 이미지 데이터를 기초로 학습될 수 있다.
상기 각막 관련 이미지 데이터는 제1 군 파라미터를 포함하고, 상기 수치화된 검사 데이터는 제2 군 파라미터를 포함하며, 상기 제1 군 파라미터는 상기 제2 군 파라미터를 기초로 생성되고, 상기 제1 군 파라미터는 상기 수치화된 검사 데이터를 측정하는 검사 장비에서 정의되지 않는 파라미터를 나타내며, 상기 피검자의 안구에 원추각막 발생 여부의 결과에 대한 정확도는, 상기 제1 군 파라미터를 포함하는 데이터가 상기 진단 모델에 입력된 경우가 상기 제2 군 파라미터를 포함하는 데이터가 상기 진단 모델에 입력된 경우보다 높을 수 있다.
상기 프로세서는, 상기 획득된 각막 관련 이미지 데이터와 함께 상기 수치화된 검사 데이터를 상기 진단 모델에 입력하여 상기 피검자의 안구에 원추각막 발생 여부를 검출할 수 있다.
일 실시예에 따른 컴퓨팅 장치에 의해 수행되는 인공 지능을 이용한 원추각막 진단 보조 장치는 피검자의 수치화된 검사 데이터에 기초한 각막 관련 이미지 데이터를 저장하는 메모리; 및 프로세서;를 포함하고, 상기 프로세서는, 상기 메모리로부터 상기 저장된 상기 피검자의 각막 관련 이미지 데이터를 획득하고, 상기 획득된 각막 관련 이미지 데이터로부터 획득한 제1 입력 데이터를 제1 진단 모델에 입력하여, 제1 출력값 - 상기 제1 출력값은 상기 피검자의 각막이 정상각막(NM) 및 원추각막(KC) 중 어느 하나임을 출력함 - 을 도출하고, 상기 제1 출력값이 정상각막(NM)인 경우, 상기 각막 관련 이미지 데이터를 제2 진단 모델에 입력하여, 제2 출력값 - 상기 제2 출력값은 상기 피검자의 각막이 정상각막(NM) 및 의심 원추각막(KCS) 중 어느 하나임을 출력함 - 을 도출하고, 상기 제1 출력값이 원추각막(KC)인 경우, 상기 각막 관련 이미지 데이터를 제3 진단 모델에 입력하여, 제3 출력값 - 상기 제3 출력값은 상기 피검자의 각막이 원추각막(KC) 및 각막확장증(CE) 중 어느 하나임을 출력함 - 을 도출할 수 있다.
상기 제1 진단 모델은 과거 정상각막 판정을 받은 자의 검사 데이터 및 과거 원추각막 판정을 받은 자의 검사 데이터를 기초로 학습되고, 상기 제2 진단 모델은 과거 정상각막 판정을 받은 자의 검사 데이터 및 과거 의심 원추각막 판정을 받은 자의 검사 데이터를 기초로 학습되고, 상기 제3 진단 모델은 과거 의심 원추각막 판정을 받은 자의 검사 데이터 및 과거 각막확장증 판정을 받은 자의 검사 데이터를 기초로 학습될 수 있다.
일 실시예에 따른 컴퓨팅 장치에 의해 수행되는 인공 지능을 이용한 원추각막 진단 보조 장치는 피검자의 수치화된 검사 데이터에 기초한 각막 관련 이미지 데이터를 저장하는 메모리; 및 프로세서;를 포함하고, 상기 프로세서는, 상기 메모리로부터 저장된 상기 피검자의 각막 관련 이미지 데이터를 획득하고, 상기 피검자의 각막 관련 이미지 데이터에 기초한 제1 입력 데이터 및 제2 입력 데이터를 제1 진단 모델에 입력하여, 상기 피검자의 안구에 원추각막 발생 여부를 나타내는 제1 출력값 및 추후 원추각막 진행 예상 확률을 나타내는 제2 출력값을 출력하며, 상기 제1 출력값은 상기 피검자의 각막이 원추각막(KC), 의심 원추각막(KCS), 정상각막(NM) 중 어느 하나임을 출력하고, 상기 제2 출력값은 상기 제1 출력값 각각에 대응되는 추후 원추각막 진행 예상 확률을 출력할 수 있다.
상기 제2 입력 데이터는 상기 피검자의 문진 데이터, 유전자 관련 정보 및 상기 수치화된 검사 데이터 중 적어도 하나를 포함할 수 있다.
상기 각막 관련 이미지 데이터 및 상기 제2 입력 데이터 중 적어도 하나를 제2 진단 모델에 입력하여, 상기 피검자의 원추각막 발생 여부 및 이에 대응되는 추후 원추각막 진행 예상 확률을 출력할 수 있다
상기 피검자의 수치화된 검사 데이터는 각막의 전면 및 후면의 곡률값, 각막의 두께 및 각막의 높낮이 중 적어도 하나를 포함할 수 있다.
상기 각막 관련 이미지 데이터는 상기 피검자의 수치화된 검사 데이터를 기초로 생성된 것으로, 각막 지형도, 각막 두께도 및 각막 고저도에 대한 정보 중 적어도 하나를 포함할 수 있다.
일 실시예에 따른 컴퓨팅 장치에 의해 수행되는 인공 지능을 이용한 원추각막 진단 보조 방법은 피검자의 각막 관련 데이터 - 상기 각막 관련 데이터는 피검자의 수치화된 검사 데이터 및 각막 관련 이미지 데이터 중 적어도 하나를 포함함 - 를 획득하는 단계; 및 상기 각막 관련 데이터를 진단 모델에 입력하여 상기 피검자의 안구에 원추각막이 발생되었는지 여부를 검출하는 단계;를 포함하고, 상기 원추각막이 발생되었는지 여부를 검출하는 단계는, 상기 피검자의 안구의 각막 관련 데이터를 기초로 원추각막(KC), 의심 원추각막(KCS), 정상 각막(NM) 중 어느 하나로 분류할 수 있다.
상기 각막 관련 데이터가 각막 관련 이미지 데이터를 포함하는 경우, 상기 진단 모델은 CNN 알고리즘에 기초할 수 있다.
본 발명의 상술한 목적, 특징들 및 장점은 첨부된 도면과 관련된 다음의 상세한 설명을 통해 보다 분명해질 것이다. 다만, 본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예들을 가질 수 있는 바, 이하에서는 특정 실시예들을 도면에 예시하고 이를 상세히 설명하고자 한다.
도면들에 있어서, 층 및 영역들의 두께는 명확성을 기하기 위하여 과장된 것이며, 또한, 구성요소(element) 또는 층이 다른 구성요소 또는 층의 "위(on)" 또는 "상(on)"으로 지칭되는 것은 다른 구성요소 또는 층의 바로 위뿐만 아니라 중간에 다른 층 또는 다른 구성요소를 개재한 경우를 모두 포함한다. 명세서 전체에 걸쳐서 동일한 참조번호들은 원칙적으로 동일한 구성요소들을 나타낸다. 또한, 각 실시예의 도면에 나타나는 동일한 사상의 범위 내의 기능이 동일한 구성요소는 동일한 참조부호를 사용하여 설명한다.
본 발명과 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 명세서의 설명 과정에서 이용되는 숫자(예를 들어, 제1, 제2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별 기호에 불과하다.
또한, 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.
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.
1
원추각막 진단 보조 시스템 및 진단 보조 프로세스
1.1
용어의 정의
이하에서는, 각막 관련 이미지에 기초하여 원추각막 발생 여부 또는 그 판단의 근거가 되는 이상 여부 등의 판단을 보조하기 위한 진단 보조 시스템 및 방법 등에 대하여 설명한다. 특히, 인공 지능을 이용하여 원추각막을 진단하기 위한 신경망 모델을 구축하고, 구축된 모델을 이용하여 원추각막 유무 또는 이상 소견의 검출을 보조하는 진단 보조 시스템 또는 방법에 대하여 설명한다.
(1) 원추각막(keratoconus, KC)
원추각막은 선천적 요소로 각막의 일부가 점점 얇아지면서 각막의 완만하고 둥근 모양을 유지하지 못하고 원뿔모양으로 점점 돌출되어 나오는 각막 질환이다. 선천적 원인 이외에도 후천적 원인으로 눈을 자주 비비는 습관, 렌즈의 착용, 보유 질환 등에 의해서도 발생할 수 있다. 또한, 원추각막은 정상 각막에 비하여, 각막 관련 이미지 데이터에서 양안의 비대칭, 급격한 각막 곡률, 얇은 각막의 두께 등이 나타날 수 있다.
도 1은 원추각막을 설명하기 위한 도면이다. 도 1의 (a)는 정상 각막, (b)는 원추각막을 도시한 도면이다. I는 홍채(Iris), L은 수정체(lens), Co는 각막(Corneal)을 의미한다. 도 1의 (a)에서, 정상 각막은 각막의 두께가 일정하고, 일정한 안압을 유지하여 버틸 수 있는 각막의 두께를 지니고 있을 수 있다. 도 1의 (b)에서, 원추 각막은 상대적으로 각막의 두께가 얇고, 안압 또는 다른 원인에 의해 각막이 원추형으로 돌출될 수 있다.
본 명세서에서는 대체적으로 선천적 요소에 의해 발생하는 각막 질환으로 원추각막을 설명하였으나, 이에 한정되는 것은 아니고, 후천적으로 발생하는 것도 포함될 수 있다.
(2) 의심 원추각막(keratoconus suspect, KCS)
원추각막은 아니나 원추각막 유발 인자를 보유하고 있어, 생활 습관, 유전적 요인 등에 의해 추후 원추각막으로 진행될 수 있는 단계를 포함하는 것으로, 본 명세서에서는 이를 의심 원추각막이라고 정의한다.
의심 원추각막은 정상 각막에 비하여, 각막 관련 이미지 데이터에서 양안 중 어느 하나의 안구만 비대칭, 급격한 각막 곡률, 얇은 각막의 두께 등이 나타날 수 있다. 또한, 양안의 각막 비대칭, 다소 완만한 각막 곡률, 얇아지는 각막의 두께 등이 나타날 수도 있다.
일 예로, 의심 원추각막은 양안을 기준으로 판단할 때, 양안 중 하나의 안구는 정상 각막, 다른 하나의 안구는 원추 각막인 경우일 수 있다. 또는 의심 원추각막은 하나의 안구를 기준으로 판단할 때, 하나의 안구가 원추 각막인 경우일 수 있다.
(3) 각막확장증(corneal ectasia, CE)
원추각막 발생원인이 명확하게 밝혀지진 않았으나, 레이저 시력 교정술 후 잔여 각막 두께를 충분히 남기지 않고 무리하게 수술을 진행할 경우 얇아진 각막이 눈의 압력을 이기지 못해 각막 확장이 되기도 하는데, 본 명세서에서는 이를 각막 확장증이라고 정의한다.
각막 확장증은 대개 원추각막 유발 인자를 보유한 의심 원추각막 상태에서, 레이저 시력 교정술 후 각막이 확장되어 발병되는 경우가 많다.
본 명세서에서 경우에 따라, 각막 확장증은 원추각막에 포함될 수 있다. 각막 확장증과 원추각막은 증상은 동일하나 발생 시점에 있어 차이가 있을 수 있다.
(4) 원추각막 진단 보조 모델
원추각막 진단 보조 모델은 인공 신경망을 이용하여 피검자의 각막의 원추각막 발생 여부 등을 진단 보조하는 알고리즘 및/또는 모델을 의미한다.
물론, 이하에서 설명하는 원추각막 진단 보조 모델은 인공 신경망 이외에도 다양한 알고리즘(예를 들어, 머신러닝 알고리즘)을 이용하여 피검자의 각막의 원추각막 발생 여부 등을 진단 보조하는 알고리즘 및/또는 모델을 의미할 수 있다. 예를들어, 원추각막 진단 보조 모델은 로지스틱 회귀(logistic regression), K-최근접 이웃 알고리즘(K-Nearest Neighbors), 서포트 벡터 머신(Support Vector Machine), 결정 트리(Decision Tree) 등 다양한 알고리즘을 이용하여 피검자의 각막의 원추각막 발생 여부들을 진단 보조할 수 있다.
또한, 이하에서 설명하는 원추각막 진단 보조 모델은 입력 데이터로 피검자의 각막 관련 데이터를 상기 모델을 통해 입력하면, 상기 입력 데이터에 대응되는 출력 데이터로 피검자의 각막의 원추각막 발생 여부(예를 들어, 원추각막, 의심 원추각막, 정상각막 등)에 대한 정보를 도출하도록 하는 모델이다.
여기서, 각막 관련 데이터는 피검자의 각막에 대한 정보를 나타낼 수 있는 데이터를 의미할 수 있다. 일 예로, 각막 관련 데이터는 피검자의 검사 데이터 및 각막 관련 이미지 데이터를 포함할 수 있다. 피검자의 검사 데이터는 다양한 검사 장비로부터 획득된, 피검자의 각막에 대한 정보를 출력할 수 있다. 일 예로, 피검자의 검사 데이터는 각막 촬영 미가공 데이터를 포함할 수 있다. 각막 촬영 미가공 데이터는 각막이 다양한 검사장비로부터 측정된 경우에 해당 검사장비로부터 출력된 데이터 자체로써, 가공되지 않은 데이터를 의미할 수 있다. 다른 일 예로, 피검자의 검사 데이터는 Pentacam, CASIA2, AL-Scan, OQAS와 같은 tomography, topography, optical coherence tomography (OCT), ultrasound biomicroscopy (UBM) 등 다양한 장비로부터 획득된 데이터를 포함할 수 있다. 이러한 피검자의 검사 데이터는 검사장비에서 출력된 로 데이터(raw data) 및 상기 로 데이터로부터 파생된 파생 데이터를 포함할 수 있다. 보다 구체적인 예로서, 피검자의 검사데이터가 Pentacam에서 출력된 데이터를 나타내는 경우, 피검자의 검사 데이터는 Pentacam의 u21 확장자 파일을 포함할 수 있다. 물론, 이에 한정된 것을 아니며, 피검자의 검사 데이터는 상기 장비 및 이와 유사한 장비를 통해 획득할 수 있는 정보 및 이로부터 유래한 정보를 포함할 수 있다.
또한, 각막 관련 이미지 데이터는 상기 피검자의 검사 데이터를 기초로 생성된 이미지 데이터를 나타낼 수 있다. 일 예로, 각막 관련 이미지 데이터는 다양한 검사장비에서는 출력되지 않으나, 상기 다양한 검사 장비에서 출력된 피검자의 검사 데이터가 가공되어 생성된 이미지 데이터를 나타낼 수 있다. 물론, 각막 관련 이미지 데이터는 다양한 검사장비에서 출력된 이미지 데이터를 포함 할 수도 있다. 각막 관련 이미지 데이터의 획득에 대해서는 아래에서 자세하게 설명한다.
이하에서는 원추각막 진단 보조 모델을 진단 보조 모델 및 원추각막 진단 보조 모델로 표현하도록 한다.
(5) 학습
학습은 학습 데이터 및 라벨링(labeling) 데이터 또는 라벨링 되지 않은 데이터를 기초로 원추각막 진단 보조 모델을 학습 시켜, 진단 보조 모델이 입력 데이터에 대하여 출력 데이터를 결정할 수 있도록 하는 과정을 말한다. 즉, 진단 보조 모델이 상기 데이터들에 대해 규칙을 형성하여 판단하는 것이다.
진단 보조 모델은 학습 데이터를 통해 학습될 수 있다. 진단 보조 모델을 학습시킨다는 의미는 모델이 가지고 있는 가중치(weight)를 조정하는 것을 의미한다.
학습 방법으로는 지도 학습(supervised learning), 비지도 학습(unsupervised learning), 강화 학습(reinforcement learning), 모방 학습(imitation learning) 등 다양한 방법이 존재한다.
1.2
원추각막 진단 보조 시스템
도 2는 원추각막 진단 보조 시스템(1)의 구성을 나타낸 도면이다. 일 실시예에서, 원추각막 진단 보조 시스템(1)은 학습 장치(100) 및 진단 보조 장치(200)를 포함할 수 있다.
학습 장치(100)는 진단 보조 모델을 학습 시킬 수 있다. 구체적으로, 학습 장치(100)는 학습 데이터를 기초로 진단 보조 모델을 학습 시킬 수 있다.
예를 들어, 학습 장치(100)는 각막 관련 데이터를 학습 데이터로 이용할 수 있다. 예를 들어, 학습 장치(100)는 피검자의 각막 관련 이미지 데이터를 학습 데이터로 이용할 수 있고, 각막 관련 이미지 데이터와 함께 피검자의 검사 데이터를 학습 데이터로 이용할 수도 있다. 또한, 경우에 따라, 학습 장치(100)는 피검자의 검사 데이터만을 학습 데이터로 이용할 수도 있다.
또한, 학습 장치(100)는 다양한 학습 방법으로 진단 보조 모델을 학습 시킬 수 있다. 예를 들어, 학습 장치(100)는 지도 학습, 비지도 학습, 강화 학습, 모방 학습 등의 방법으로 진단 보조 모델을 학습 시킬 수 있다. 학습 장치(100)는 학습 데이터에 대해 라벨링(labeling)된 데이터를 제공하여 진단 보조 모델을 학습 시킬 수 있다. 다만, 반드시 라벨링된 데이터를 이용하는 것은 아니고, 라벨링되지 않은 데이터를 이용할 수도 있다.
진단 보조 장치(200)는 학습 장치(100)로부터 학습된 진단 보조 모델을 전달 받아 이용할 수 있다. 구체적으로, 진단 보조 장치(200)는 학습된 진단 보조 모델을 이용하여 피검자의 안구의 원추각막 발생 여부의 진단을 보조할 수 있다. 구체적으로, 진단 보조 장치(200)는 피검자의 각막 관련 데이터 등의 입력 데이터를 입력 받으면, 상기 피검자의 안구의 원추각막 발생 여부에 대한 정보를 출력할 수 있다. 진단 보조 장치(200)의 출력을 통해, 사용자는 피검자의 안구가 원추각막(KC), 의심 원추각막(KCS), 정상 각막(NM), 각막 확장증(CE) 중 어느 하나에 해당됨을 알 수 있다.
학습 장치(100)에서 학습 데이터를 이용하여 학습된 진단 보조 모델은 진단 보조 장치(200)로 전달될 수 있다. 물론, 도 2 에서는 학습 장치(100)와 진단 보조 장치(200)가 분리된 것으로 도시 되었으나, 이에 한정되는 것은 아니고, 경우에 따라, 학습 장치(100) 및 진단 보조 장치(200)는 분리되어 구현될 수도 있고, 분리되지 않고 하나로 구현될 수도 있다. 일 예로, 진단 보조 장치는 학습 장치와 동일한 장치일 수도 있고, 별개의 장치일 수도 있다.
도 3은 학습 장치 및/또는 진단 보조 장치의 구성을 나타낸 도면이다. 도 3을 참조하면, 학습 장치 및/또는 진단 보조 장치는 메모리(301), 제어부(303) 및 통신부(305)를 포함할 수 있다.
학습 장치 및/또는 진단 보조 장치는 제어부(303)를 포함할 수 있다. 제어부(303)는 학습 장치 및/또는 진단 보조 장치의 동작을 제어할 수 있다. 제어부(303)는 메모리부(301)에 저장된 시스템 프로그램 및 다양한 프로세싱 프로그램을 판독할 수 있다.
제어부(303)는 CPU(Central Processing Unit), RAM(Random Access Memory), GPU(Graphic Processing Unit), 하나 이상의 마이크로 프로세서 및 기타 미리 정해진 논리에 따라 입력된 데이터를 처리할 수 있는 전자 부품 중 하나 이상을 포함할 수 있다.
학습 장치 및/또는 진단 보조 장치는 메모리부(301)를 포함할 수 있다. 메모리부(301)는 학습에 필요한 데이터 및 학습 모델을 저장할 수 있다. 또한, 메모리부(301)는 각막 관련 데이터, 즉, 피검자의 수치화된 검사 데이터 및 각막 관련 이미지 데이터 등을 저장할 수 있다.
메모리부(301)는 학습 데이터, 라벨링 데이터, 라벨링되지 않은 데이터, 입력 데이터, 출력 데이터 등을 저장할 수 있다.
메모리부(301)는 비휘발성 반도체 메모리, 하드 디스크, 플래시 메모리, RAM, ROM(Read Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory) 또는 그 외에 유형의(tangible) 비휘발성의 기록 매체 등으로 구현될 수 있다.
메모리부(301)는 각종 프로세싱 프로그램, 프로그램의 프로세싱을 수행하기 위한 파라미터 또는 이러한 프로세싱 결과 데이터 등을 저장할 수 있다.
학습 장치 및/또는 진단 보조 장치는 통신부(305)를 더 포함할 수 있다. 통신부(305)는 외부 장치와 통신을 수행할 수 있다. 통신부(305)는 유선 또는 무선 통신을 수행할 수 있다. 통신부(305)는 양방향 또는 단방향 통신을 수행할 수 있다.
학습 장치 및/또는 진단 보조 장치는 프로세서, 휘발성 메모리, 비휘발성 메모리, 대용량 저장 장치 및 통신 인터페이스를 포함할 수 있다. 프로세서는 학습 장치 및/또는 진단 보조 장치를 통하여, 진단 보조 모델의 학습을 수행할 수 있다.
도 4는 서버를 이용한 원추각막 진단 보조 시스템을 도식화한 도면이다. 도 4를 참조하면, 원추각막 진단 보조 시스템은 복수의 클라이언트 장치와 서버 장치를 포함할 수 있다. 이하에서, 복수의 클라이언트 장치 중 제1 클라이언트 장치(510)를 예시적으로 설명하나, 이는 제2 클라이언트 장치(520)에서도 동일하게 동작을 수행할 수 있다.
제1 클라이언트 장치(510)는 서버 장치(400)로 정보를 요청하고 이에 응답하여 전송된 원추각막 진단 보조에 대한 정보를 획득할 수 있고, 서버 장치(400)로 원추각막 진단 보조 정보를 요청할 수 있다.
제1 클라이언트 장치(510)는 원추각막 진단 보조에 필요한 데이터를 획득하고, 진단 보조 장치로부터 획득된 데이터를 전송할 수 있다.
제1 클라이언트 장치(510)는 스마트폰, 태블릿 PC 등의 휴대용 디바이스일 수 있다.
서버 장치(400)는 진단 보조 모델을 저장 및/또는 구동할 수 있다. 서버 장치(400)는 학습된 진단 보조 모델을 구성하는 가중치들을 저장할 수 있다. 서버 장치(400)는 원추각막 진단 보조에 이용되는 데이터를 수집 및/또는 저장할 수 있다.
서버 장치(400)는 진단 보조 모델을 이용한 진단 보조 프로세스의 결과를 제1 클라이언트 장치(510)로 출력할 수 있다. 서버 장치(400)는 제1 클라이언트 장치(510)로부터 피드백을 획득할 수 있다.
일 실시예에서, 제1 클라이언트 장치(510)는 서버 장치(400)로부터 진단 보조 모델을 획득하고, 획득한 진단 보조 모델을 구동할 수 있다. 이 경우, 제1 클라이언트 장치(510)는 입력 데이터를 서버 장치(400)에 제공하지 않고도, 진단 보조 모델을 구동하여 원추각막 진단 보조에 대한 정보를 획득할 수 있다.
서버 장치(400)는 제1 진단 보조 정보를 획득하는 제1 클라이언트 장치(510) 및/또는 제2 진단 보조 정보를 획득하는 제2 클라이언트 장치(520)와 통신할 수 있다.
도 5는 서버 장치(400)와 클라이언트 장치(500) 간 관계를 도식화한 도면이다. 도 5를 참조하면, 서버 장치(400)는 클라이언트 장치(500)와 통신부를 통해서 통신을 수행할 수 있다. 통신부는 유선 또는 무선 통신을 수행할 수 있다. 통신부는 양방향 또는 단방향 통신을 수행할 수 있다. 클라이언트 장치(500) 또한 서버 장치(400)와 통신부를 통해서 통신을 수행할 수 있다.
일 실시예에서, 클라이언트 장치(500)에서 피검자의 입력 데이터를 서버 장치로 전송하면, 서버 장치(400)에서 학습된 진단 보조 모델을 이용하여 피검자의 안구의 원추각막 진단 보조에 관한 정보를 전송 받을 수 있다.
일 실시예에서, 클라이언트 장치(500)의 제어부(503)가 메모리부(501)로부터 입력 데이터를 획득하고, 획득된 입력 데이터는 통신부(505)를 통해서 서버 장치(400)의 통신부(405)로 전송될 수 있다. 또한, 서버 장치(400)의 제어부(403)는 메모리부(401)에 저장된 진단 보조 모델에 입력 데이터를 입력하여 결과값을 획득하고, 획득된 결과값은 통신부(405)를 이용하여 클라이언트 장치(500)의 통신부(505)로 전송될 수 있다.
도 6은 원추각막 진단 보조 프로세스에 대한 도면이다. 도 6을 참조하면, 원추각막 진단 보조 프로세스는 크게 진단 보조 모델을 학습 시키는 학습 단계(S100) 및 학습된 진단 보조 모델을 이용하여 피검자의 각막의 원추각막 발생 여부에 대한 진단 보조를 수행하는 진단 보조 단계(S200)로 나누어 고려될 수 있다.
도 6을 참조하면, 학습 단계(S100)는 학습 데이터를 이용하여 진단 보조 모델을 학습 시키는 프로세스일 수 있다. 또한, 학습 단계(S100)는 학습 장치에 의하여 수행될 수 있다.
일 실시예에 따르면, 학습 단계(S100)는 학습 데이터를 획득하고, 획득된 데이터로부터 진단 보조 모델을 학습 시킬 수 있다. 즉 학습 단계(S100)는 진단 보조 모델을 생성하는 과정으로써, 진단 보조 모델의 생성에 따라, 진단 보조 모델을 구성하는 모델 파라미터를 획득할 수 있다. 일 예로, 모델 파라미터에는 진단 보조 모델을 학습 시키면서 조정된 가중치 등이 포함될 수 있다.
일 실시예에서, 학습 데이터는 과거 원추각막 판정을 받은 자의 각막 관련 데이터, 과거 의심 원추각막 판정을 받은자의 각막 관련 데이터 및 과거 정상각막 판정을 받은 자의 각막 관련 데이터를 포함할 수 있다. 예를 들어, 학습 데이터는 과거 원추각막 판정을 받은 자의 검사 데이터, 과거 의심 원추각막 판정을 받은자의 검사 데이터 및 과거 정상각막 판정을 받은 자의 검사 데이터 중 어느 하나 이상을 포함하는 이미지 데이터를 포함할 수 있다.
진단 보조 모델은 학습 데이터에 기초하여 원추각막 진단 보조 정보를 출력하는 모델일 수 있다. 진단 보조 모델은 원추각막 진단 보조 정보를 계산하는 복수의 학습 알고리즘(learning algorithm) 중 적어도 어느 하나가 선택될 수 있다. 예를 들어, 알고리즘은 로지스틱 회귀(logistic regression), K-최근접 이웃 알고리즘(K-Nearest Neighbors), 서포트 벡터 머신(Support Vector Machine), 결정 트리(Decision Tree) 등 일 수 있다.
진단 보조 모델은 예측되는 값을 계산하는 복수의 학습 알고리즘 중 다수의 학습 알고리즘을 사용할 수 있다. 예를 들어, 진단 보조 모델에 앙상블 기법(ensemble method)이 사용될 수 있으며, 학습 알고리즘들을 따로 쓰는 경우에 비해 더 일 실시예에서, 학습 단계(S100)는 임의의 가중치들이 부여된 모델을 이용하여 결과값(출력 데이터)을 획득하고, 획득된 결과값(출력 데이터)을 학습 데이터의 라벨링 데이터와 비교하고, 그 오차에 따라 역전파를 수행하여, 가중치들을 최적화함으로써 수행될 수 있다.
도시하지 않았지만, 학습 단계(S100)는 학습된 진단 보조 모델의 성능을 평가하는 평가 단계를 포함할 수 있다. 평가 단계에서, 진단 보조 모델은 평가 데이터 세트를 이용하여 평가될 수 있다. 진단 보조 모델의 평가는 상기 학습 단계에 의해 학습된 진단 보조 모델을 평가하고, 진단 보조 모델을 이용하여 새로운 데이터에 대한 예측을 하는 단계일 수 있다. 구체적으로, 평가 단계는 학습된 진단 보조 모델이 새로운 데이터에 대한 일반화(generalization)가 가능한 지 측정하는 단계일 수 있다.
또한, 도 6을 참조하면, 진단 보조 단계(S200)는 학습 단계에서 모델 파라미터를 획득하여 학습된 진단 보조 모델을 이용할 수 있다. 구체적으로, 진단 보조 단계(S200)는 피검자의 각막 관련 데이터 등의 입력 데이터를 획득한 후, 학습된 진단 보조 모델을 이용하여 피검자의 안구의 원추각막 발생 여부에 대한 정보를 획득할 수 있다. 또한, 진단 보조 단계(S200)는 진단 보조 장치에 의하여 수행될 수 있다.
일 실시예로, 진단 보조 단계(S200)에서, 입력 데이터는 피검자의 각막 관련 데이터, 즉, 피검자의 수치화된 검사 데이터 및/또는 수치화된 검사 데이터를 기초한 각막 관련 이미지 데이터 등을 포함할 수 있다. 결과값은 피검자의 안구의 원추각막 발생 여부에 대한 정보를 포함할 수 있다. 예를 들어, 원추각막(KC), 의심 원추각막(KCS), 정상 각막(NM) 등을 포함할 수 있다.
진단 보조 단계(S200)의 구체적인 실시예 및 진단 보조 프로세스는 도 16 및 도 17에서 보다 상세하게 설명한다.
도 7 및 도 8은 진단 보조 모델의 일 예를 도시한 도면이다. 도 7을 참조하면, 진단 보조 모델은 입력 데이터로부터 원추각막 발생 여부를 출력할 수 있다.
도 7의 (a) 및 (b)를 참조하면, 일 실시예에서, 진단 보조 모델은 분류기(classifier) 및/또는 회귀모델(regression)을 포함하여 구현될 수 있다.
일 실시예에서, 진단 보조 모델은 진단 보조 정보를 생성하는 분류기(classifier)의 형태로 구현될 수 있다. 분류기(classifier)는 이진 분류 또는 다중 분류를 수행할 수 있다. 예컨대, 진단 보조 모델은 입력 데이터를 원추각막 발생 여부의 진단 보조 정보에 대하여 정상 각막 또는 원추각막으로 분류하는 이진 분류 모델일 수 있다. 또는, 진단 보조 모델은 입력 데이터를 보다 구체적인 클래스로 분류하는 다중 분류 모델일 수 있다. 예를 들어, 피검자의 안구의 각막을 정상각막(NM), 원추각막(KC), 의심 원추 각막(KCS) 등으로 분류하는 다중 분류 모델일 수 있다.
일 실시예에서, 분류기는 결정 트리(decision tree), 서포트 벡터 머신(support vector machine), 랜덤 포레스트(random forest) 등 종류의 알고리즘을 이용할 수 있다. 이는 예시일 뿐, 이에 한정되지 않는다.
일 실시예에서, 진단 보조 모델은 진단 보조 정보를 생성하는 회귀 모델(regression)의 형태로 구현될 수 있다. 회귀 모델은 원추각막 여부를 확률 형태로 도출할 수 있다. 일 예로, 원추각막(KC) 5%, 의심 원추각막(KCS) 85%, 정상각막 10%과 같은 결과값이 도출될 수 있다. 회귀 모델은 선형 회귀(linear regression), 회귀 나무(regression tree), 서포트 벡터 회귀(support vector regression), 커넬 회귀(kernel regression) 등 종류의 알고리즘을 이용할 수 있다. 이는 예시일 뿐, 이에 한정되지 않는다.
일 실시예에서, 진단 보조 모델은 각막 관련 데이터에 기초하여 원추각막 발생 여부의 진단 보조 정보를 출력하는 진단 보조 모델을 나타낼 수 있다. 일 예로, 진단 보조 모델은 각막 관련 이미지 데이터에 기초하여 원추각막 발생 여부의 진단 보조 정보를 출력하는 진단 보조 모델을 나타낼 수 있다. 진단 보조 정보 획득을 위한 진단 보조 모델의 구조는 미리 정해진 형태를 가질 수 있다. 진단 보조 모델은 복수의 계층 또는 레이어를 포함할 수 있다.
진단 보조 모델은 합성곱 신경망(CNN; Convolutional Neural Network)을 포함할 수 있다. CNN 구조로서, AlexNet, LENET, NIN, VGGNet, ResNet, WideResnet, GoogleNet, FractaNet, DenseNet, FitNet, RitResNet, HighwayNet, MobileNet, DeeplySupervisedNet 중 적어도 하나가 이용될 수 있다. 진단 보조 모델은 복수의 CNN 구조를 이용하여 구현될 수 있다. 뿐만 아니라, 진단 보조 모델은 순환 신경망(RNN; Recurrent Neural Network)을 포함할 수 있다.
도 8을 참조하면, 진단 보조 모델은 컨볼루셔널 레이어 및 인공 신경망을 포함할 수 있다. 진단 보조 모델은 각막 관련 데이터, 특히, 각막 관련 이미지 데이터를 입력 데이터로 하여, 컨볼루셔널 레이어(convolutional layer) 및 인공 신경망을 거쳐 결과값으로 원추각막 발생 여부에 대한 정보를 출력할 수 있다.
일 실시예에서, 컨볼루셔널 레이어(convolutional layer)는 입력 데이터로부터 특징(feature)을 추출할 수 있다. 또한, 컨볼루셔널 레이어(convolutional layer)는 특징을 추출하는 필터와 특징을 추출하는 필터의 값을 비선형 값으로 바꾸어주는 activation 함수로 이루어질 수 있다. 상기 필터는 입력 데이터에 상기 특징이 포함되었는지 여부를 검출해주는 함수를 포함할 수 있다.
일 실시예에서, 입력 데이터의 이미지 데이터는 행렬로 변환된 후, 상기 필터를 곱함으로써, 필터는 입력 받은 데이터에서 상기 특징을 가지고 있으면 결과값이 큰 값이 나오고, 상기 특징을 가지고 있지 않으면 결과값이 0에 가까운 값이 나오게 되어, 입력 받은 데이터가 상기 특징을 가지고 있는지 여부를 알 수 있다.
일 실시예에서, 입력 받은 데이터에는 다수의 특징이 있기 때문에 하나의 필터가 아닌 다중 필터를 같이 적용할 수 있다. 컨볼루셔널 레이어에서 특징이 추출되었다면, 상기 추출된 특징값을 기존의 인공 신경망에 입력하여 분류할 수 있다. 즉, 인공 신경망을 통해 원추각막 발생 여부의 진단을 분류할 수 있다.
일 실시예에서, 진단 보조 모델은 복수의 VGGNet 블록을 포함하도록 구현될 수 있다. 보다 구체적인 예로, 진단 보조 모델은 3x3 크기의 64개의 필터를 가지는 CNN 레이어, BN(Batch Normalization) 레이어 및 ReLu 레이어가 순차적으로 결합된 제1 구조 및 3x3 크기의 128개의 필터를 가지는 CNN 레이어, ReLu 레이어 및 BN 레이어가 순차적으로 결합된 제2 블록이 결합되어 마련될 수 있다.
일 실시예에서, 진단 보조 모델은 각 CNN 블록에 이어서, 맥스 풀링 레이어를 포함하고, 종단에는 GAP(Global Average pooling) 레이어, FC(Fully Connected) 레이어 및 활성화 레이어(예컨대, 시그모이드, 소프트맥스 등)를 포함할 수 있다.
도 9는 진단 보조 장치의 구성을 나타낸 도면이다. 도 9를 참조하면, 진단 보조 장치(200)는 데이터 입력부(201), 데이터 생성부(203), 진단부(205)를 포함할 수 있다.
데이터 입력부(201)는 검사 장비로부터 피검자의 검사 데이터를 수치값으로 획득할 수 있다.
검사 장비는 각막 관련 데이터를 측정할 수 있는 복수의 검사 장비일 수 있다. 예를 들어, 각막 관련 데이터를 측정할 수 있는 복수의 검사는 각막 형태 검사(corneal topography), 각막 단층 검사(corneal tomography) 등을 포함할 수 있다.
피검자의 검사 데이터는 각막 두께, 각막의 높낮이, 각막 곡률 데이터 등을 포함할 수 있다. 피검자의 검사 데이터는 검사 장비로부터 수치화된 값으로 도출될 수 있다.
데이터 생성부(203)는 데이터 입력부(201)에 의해 획득된 각막 관련 수치 데이터를 이용하여 각막 관련 이미지 데이터를 생성할 수 있다.
일 실시예에서, 데이터 입력부(201)에 의해 복수의 각막 곡률값, 각막 두께, 각막 높낮이 등의 데이터를 획득할 수 있다.
각막 관련 수치 데이터는 각막 곡률값, 각막 두께, 각막 높낮이 등의 데이터를 포함할 수 있다.
각막 관련 이미지 데이터는 각막 지형도, 각막 두께도, 각막 고저도에 대한 정보 등을 포함할 수 있다. 각막 관련 이미지 데이터에 관한 설명은 도 10 내지 도 13에서 자세히 하도록 한다.
또한, 도 9에서는 데이터 입력부(201)와 데이터 생성부(203)가 분리되어 도시 되었으나, 이에 한정되지 않고, 데이터 생성부(203)는 데이터 입력부(201)에 포함될 수도 있다. 뿐만 아니라, 데이터 생성부(203)는 생략될 수도 있다. 일예로, 데이터 입력부(201)는 외부 검사 장비로부터 각막 관련 데이터를 전송 받을 수도 있다.
진단부(205)는 데이터 입력부(201) 또는 데이터 생성부(203)로부터 획득된 각막 관련 이미지 데이터를 입력 받아 피검자의 원추각막 발생 여부의 진단을 할 수 있다. 진단부(205)는 복수의 진단 보조 모델을 포함할 수 있다. 일 예로, 진단부(205)는 제1 진단 모델, 제2 진단 모델, 제3 진단 모델 및 제4 진단 모델 중 어느 하나 이상을 포함할 수 있다. 각 진단 모델에 관한 실시예는 도 19 내지 21에서 자세히 설명하도록 한다.
또한, 일 실시예에서, 진단부(205)는 각막 관련 데이터, 즉, 피검자의 수치화된 검사 데이터 및/또는 수치화된 검사 데이터를 기초로 생성된 각막 관련 이미지 데이터를 입력 받아, 피검자의 각막의 원추각막 발생 여부에 대한 정보를 도출할 수 있다. 일 실시예에서, 수치화된 검사 데이터보다 각막 관련 이미지 데이터가 원추각막 발생 여부에 대한 결과값의 정확도가 높을 수 있다. 상기 각막 관련 이미지 데이터는 제1 군 파라미터를 포함하고, 상기 수치화된 검사 데이터는 제2 군 파라미터를 포함할 수 있다. 상기 제1 군 파라미터는 상기 수치화된 검사 데이터를 측정하는 검사 장비에서 정의되지 않는 파라미터를 나타낼 수 있다. 즉, 피검자의 안구에 원추각막 발생 여부의 결과에 대한 정확도는 제1 군 파라미터를 포함하는 데이터가 진단 보조 모델에 입력된 경우가 제2 군 파라미터를 포함하는 데이터가 진단 보조 모델에 입력된 경우보다 높을 수 있다.
또한, 일 실시예에서, 진단부(205)는 피검자의 수치화된 검사 데이터 및/또는 수치화된 검사 데이터를 기초로 생성된 각막 관련 이미지 데이터를 이용하여 원추각막 및 정상 각막 중 어느 하나에 해당됨을 출력할 수 있다. 또는 진단부(205)는 피검자의 각막 관련 이미지 데이터로부터 원추각막, 의심 원추각막 및 정상 각막 중 어느 하나에 해당됨을 출력할 수 있다. 또는 진단부(205)는 피검자의 각막 관련 이미지 데이터로부터 원추각막, 의심 원추각막, 정상각막 및 각막 확장증 중 어느 하나에 해당됨을 출력할 수 있다. 이는 서로 다른 진단 보조 모델로부터 출력되는 출력값이 상이할 수 있다.
일 실시예에서, 진단부(205)는 피검자의 각막의 원추각막 발생 여부와 더불어 추후 발병 확률을 출력할 수 있다. 예를 들어, 진단부(205)는 피검자의 수치화된 검사 데이터 및/또는 수치화된 검사 데이터를 기초로 생성된 각막 관련 이미지 데이터를 이용하여 의심 원추각막을 출력함과 동시에, 추후 원추각막으로 진행될 확률 또는 추후 원추각막이 발병될 확률을 함께 출력할 수 있다. 이와 같이, 원추각막 발생 여부 및 추후 발병 확률에 대한 결과값을 보고, 사용자는 레이저 시력 교정술의 진행가부 등을 결정할 수 있다. 예를 들어, 피검자의 결과값이 원추각막 발병 확률 80%라면, 상기 피검자는 레이저 시력 교정술 진행 불가라는 결정을 할 수 있다. 이는 각막 확장증으로 확대될 수 있기 때문이다.
도 10 내지 도 13은 각막 관련 이미지 데이터의 일 실시예를 나타낸 도면이다. 각막 관련 이미지 데이터는 진단 보조 모델의 입력 데이터로 이용될 수 있다. 각막 관련 이미지 데이터는 피검자의 수치화된 검사 데이터를 기초로 생성될 수 있다. 이는 데이터 생성부(203)로부터 도 16의 단계 S2000에 의하여 생성될 수 있고, 또한 외부 장치로부터 획득될 수도 있다. 즉, 각막 관련 이미지 데이터는 진단 보조 장치(200)에 의하여 피검자의 수치화된 검사 데이터를 기초로 생성될 수 있거나, 외부 장치에 의하여 피검자의 수치화된 검사 데이터를 이용하여 생성될 수 있다.
도 10 및 도 11에서는, 각막 지형도로서, 각막 곡률에 대한 정보를 포함할 수 있다. 각막 지형도는 각막 곡률에 대한 정보(예를 들어, 각막전면곡률 이미지, 각막후면곡률 이미지)를 포함할 수 있다. 각막은 구면이 아닌 비구면으로, 각막의 곡률이 같은 점을 연결한 각막 지형도는 직관적으로 각막의 형태나 형상 등을 파악할 수 있다.
도 10은 원추 각막의 각막 지형도를 나타낸 도면이고, 도 11은 정상 각막의 각막 지형도를 나타낸 도면이다. 이는 일 실시예일뿐, 이에 국한된 각막 지형도만이 원추 각막 및/또는 정상 각막을 나타내는 것은 아니다.
일 실시예에서, 각막 지형은 영역별로 모양이 다를 수 있다. 정상 각막의 중심부는 방사 대칭이 있고, 주변부로 갈수록 편평해지는 각막 지형도를 포함할 수 있다. 원추 각막은 정상 각막에 비하여 대칭 구조가 없고, 중심부에서 주변부로 갈수록 경사가 가파르게 표현될 수 있다. 또한, 원추각막은 각막지형도의 국부적인 steepening이 있는 경우 원추각막을 의심할 수 있다.
일 실시예에서, 각막 지형을 통해 각막의 볼록한 정도가 파악될 수 있다. 각막 곡률이 큰 영역에서는 각막의 볼록한 정도가 크고, 각막 곡률이 작은 영역에서는 각막의 볼록한 정도가 작을 수 있다.
도 12는 각막의 두께를 나타낸 도면이다. 도 12를 참조하면, 정상 각막은 각막의 두께가 일정하여, 대칭적으로 표현될 수 있는 반면, 원추 각막은 각막의 두께가 일정하지 않고, 특정 위치에서 각막의 두께가 주변의 각막의 두께보다 얇아 비대칭적으로 표현될 수 있다.
도 13은 각막의 높낮이를 나타낸 도면이다. 도 13을 참조하면, 각막은 구면이 아니므로 각막의 높낮이가 다를 수 있다. 정상 각막은 각막의 높낮이의 변화의 폭이 크지 않을 수 있지만, 원추 각막의 경우에는 각막의 높낮이의 변화의 폭이 클 수 있다.
도 14 및 도 15는 입력 데이터의 표준화 과정을 나타내는 도면이다. 구체적으로 도 14 및 도 15는 각막 관련 수치 데이터 또는 이미지 데이터를 표준화하여 입력 데이터를 생성할 수 있다.
도 14를 참조하면, 일 실시예에서 이미지 데이터는 표준화되어 입력 데이터를 생성할 수 있다.
일 실시예에서, 각막 관련 이미지 데이터는 피검자의 수치화된 검사 데이터를 기초로 생성될 수 있다. 피검자의 각막 관련 수치화된 데이터는 복수의 데이터일 수 있다. 이러한 피검자의 각막 관련 수치화된 검사 데이터의 다양화로 인해 각막 관련 이미지 데이터 또한 다양할 수 있다. 다양한 각막 관련 이미지 데이터를 입력 데이터로 이용하기 위하여 표준화 또는 정규화가 필요할 수 있다. 이미지 데이터의 표준화(normalization)는 각막 관련 이미지 리사이징, 이미지 전처리 등이 포함될 수 있다.
일 실시예에서, 각막 관련 이미지 데이터의 크기가 조정될 수 있다. 즉 이미지들이 리사이징 될 수 있다. 이는 전술한 데이터 입력부(201) 또는 데이터 생성부(203)에 의하여 이미지 리사이징이 수행될 수 있다.
또한, 각막 관련 이미지의 크기 또는 종횡비가 조정될 수 있다. 획득된 복수의 각막 관련 이미지들은 일정한 크기를 가지도록 그 크기가 조정될 수 있다. 또는, 각막 관련 이미지들은 일정한 종횡비(aspect ratio)를 가지도록 그 크기가 조정될 수 있다. 일 예로, 각막 관련 이미지의 리사이징은 각막 관련 이미지에 이미지 변환 필터를 적용하여 수행될 수 있다.
획득된 개별 이미지들의 사이즈 또는 해상도가 과도하게 크거나 작은 경우에, 각막 관련 이미지의 사이즈 또는 해상도를 조정하여 적절한 사이즈 및 해상도로 변환할 수 있다. 또는 개별 이미지들의 사이즈 또는 해상도가 다양한 경우에, 리사이징을 통하여 사이즈 또는 해상도를 일치시킬 수 있다.
일 실시예에서, 각막 관련 이미지의 해상도가 조정될 수 있다. 예컨대, 각막 관련 이미지의 용량이 적정 범위를 초과하는 경우, 다운 샘플링(down sampling)을 통하여 각막 관련 이미지의 해상도를 감소시킬 수 있다. 또는 각막 관련 이미지의 용량이 적정 범위에 못 미치는 경우에, 업샘플링(upsampling) 또는 보간(interpolating)을 통하여 이미지의 해상도를 증가할 수 있다.
일 실시예에서, 각막 관련 이미지 데이터가 일부만 있는 경우, 이를 추정하거나 보간하여 각막 관련 이미지 데이터를 생성할 수 있다. 예를 들어, 10개의 각막 관련 이미지 데이터 중 피검자의 각막 관련 이미지 데이터가 3개만 있는 경우, 각막 관련 수치화된 검사 데이터 등을 이용하여 추정 및 보간을 통해 각막 관련 이미지 데이터를 생성할 수 있다.
일 실시예에서, 각막 관련 이미지의 표준화가 수행될 수 있다. 각막 관련 이미지를 입력된 그대로 학습에 이용할 경우, 불필요한 특성들에 대한 학습 결과 과적합 현상 등이 발생할 수 있고, 학습 효율 역시 저하될 수 있다. 또한, 각막 관련 이미지를 입력된 그대로 학습된 진단 보조 모델에 이용할 경우, 결과에 대한 정확도 감소 및 결과값에 대한 오류가 증가할 수 있다.
이를 방지하기 위하여, 각막 관련 이미지 데이터를 학습 및 학습된 모델 이용의 목적에 부합하도록 적절히 표준화하여 이용함으로써 학습 효율 향상, 결과에 대한 정확도 향상 및 결과값에 대한 오류를 감소 시킬 수 있다.
도 15를 참조하면, 일 실시예에서 피검자의 검사 데이터, 즉, 각막 관련 수치 데이터는 표준화될 수 있고, 표준화된 각막 관련 수치 데이터를 기초로 각막 관련 이미지 데이터가 생성될 수 있다.
각막 관련 수치 데이터의 표준화(normalization)는 규격화된 각막 관련 이미지 사이즈 생성을 위함일 수 있다. 규격화된 각막 관련 이미지 데이터는 진단 보조 모델에 입력하는 데 있어, 이를 이용하는 데 최대 효율을 나타낼 수 있는 사이즈 및 해상도의 기준값이 될 수 있다.
일 실시예에서, 각막 관련 수치 데이터의 크기의 조정을 통해 각막 관련 수치 데이터가 표준화될 수 있다. 예를 들어, 각막 관련 수치 데이터의 각 파라미터의 수치가 소정 범위내에 포함되도록 각막 관련 수치 데이터가 조정될 수 있다. 일 예로, 전술한 데이터 입력부(201) 또는 데이터 생성부(203)에 의하여 각막 관련 수치 데이터의 크기가 조정될 수 있다.
일 실시예에서, 각막 관련 수치 데이터 중 특정 파라미터를 기초로 각막 관련 이미지 데이터가 표준화 될 수 있다. 즉, 각막 관련 수치 데이터 중 특정 파라미터의 수치를 기초로 각막 관련 수치 데이터의 다른 파라미터의 수치가 조정될 수 있다. 일 예로, 특정 파라미터는 안압일 수 있다. 이 경우, 각막 관련 수치 데이터 중 안압의 수치를 기초로 각막 관련 수치 데이터의 다른 파라미터의 수치가 표준화될 수 있다. 이는, 경우에 따라, 각막 두께 등 각막 관련 수치 데이터의 다른 파라미터가 안압에 의해 상이하게 나타날 수 있기 때문이다. 따라서, 안압을 기초로 각막 관련 수치 데이터의 다른 파라미터의 수치가 조정됨에 따라, 안압의 영향을 받지 않는 각막 관련 수치 데이터가 생성될 수 있다. 이와 같이, 특정 파라미터의 수치를 기초로 다른 파라미터의 수치가 조정된 각막 관련 데이터를 기초로 규격화된 각막 관련 이미지 데이터가 생성될 수 있다.
이와 같이, 각막 관련 이미지 데이터를 학습 및 학습된 모델 이용의 목적에 부합하도록 적절히 표준화하여 이용함으로써 학습 효율 향상, 결과에 대한 정확도 향상 및 결과값에 대한 오류를 감소 시킬 수 있다.
또한, 도 14 및 도 15에 표시되지는 않았지만, 표준화된 각막 관련 수치 데이터를 각막 관련 이미지 데이터로 변경하지 않고, 표준화된 각막 관련 수치 데이터를 직접 입력 데이터로 이용하여 학습 및 진단에 이용할 수 있음은 물론이다.
1.3
원추각막 진단 보조 프로세스
도 16 및 도 17은 원추각막 진단 보조 단계의 순서도를 나타낸 도면이다. 도 16을 참조하면, 원추각막 진단 보조 단계는 검사 데이터(수치값)를 획득하는 단계(S1000), 획득된 검사 데이터(수치값)를 기초로 각막 관련 이미지 데이터를 생성하는 단계(S2000) 및 각막 관련 이미지 데이터를 진단 모델에 입력하여, 진단 결과 획득하는 단계(S3000)를 포함할 수 있다. 상기 원추각막 진단 보조 단계는 도 9에서 전술된 진단 보조 장치(200)에 의해 수행될 수 있다.
일 실시예에서, 검사 데이터 획득하는 단계(S1000)는 수치화된 검사 데이터를 획득할 수 있다. 검사 데이터 획득하는 단계(S1000)는 도 9에서 전술한 진단 보조 장치(200)에 의해 수행될 수 있다. 다만 이는 예시일 뿐, 이에 국한되지 않고 외부 장치로부터 검사 데이터를 획득하여 전송 받을 수도 있다.
수치화된 검사 데이터는 검사 장비로부터 획득된 결과값일 수 있다. 예를 들어, 수치화된 검사 데이터는 Pentacam, CASIA2, AL-Scan, OQAS와 같은 tomography, topography, optical coherence tomography (OCT), ultrasound biomicroscopy (UBM) 등 다양한 장비로부터 획득된 데이터를 포함할 수 있다. 물론, 이에 한정된 것을 아니며, 수치화된 검사 데이터는 상기 장비 및 이와 유사한 장비를 통해 획득할 수 있는 정보 및 이로부터 유래한 정보를 포함할 수 있다.
보다 구체적으로, 수치화된 검사 데이터는 안구의 물리적인 형상에 관한 정보를 포함할 수 있다. 일 예로, 수치화된 검사 데이터는 white-to-white(WTW) distance, angle-to-angle(ATA) distance, 전방 깊이(internal Anterior Chamber Depth, ACD), sulcus-to-sulcus(STS) distance, 동공크기 등을 포함할 수 있다.
또한, 수치화된 검사 데이터는 각막형상인자 등과 같은 각막의 형상에 관한 정보를 포함할 수 있다. 여기서, 각막형상인자는 각막의 물리적 형상을 나타내는 수치로, 각막 곡률값, 각막 두께, 각막 높낮이, index of surface variance (ISV), index of vertical asymmetry (IVA), keratoconus index (KI), central keratoconus index (CKI), minimum radius of curvature (Rmin), index of height asymmetry (IHA), index of height decentration (IHD), 중심부 각막 두께(central cornea thickness) 등을 포함할 수 있다.
일 실시예에서, 획득된 검사 데이터를 기초로 각막 관련 이미지 데이터를 생성하는 단계(S2000)는 도 9에서 전술한 데이터 생성부(203)에 의해 수행될 수 있다.
일 실시예에서, 각막 관련 이미지 데이터를 진단 모델에 입력하여 진단 결과를 획득하는 단계(S3000)는 도 9에서 전술한 진단부(205)에 의해 수행될 수 있다.
진단 보조 결과는 피검자의 각막의 원추각막 발생 여부에 대한 정보일 수 있다. 일 예로, 피검자의 각막 관련 이미지 데이터를 진단 모델에 입력하면, 원추각막, 의심 원추각막, 정상각막 및 각막 확장증 중 어느 하나의 결과값을 도출할 수 있다.
또한, 일 실시예에서, 단계 S3000에서, 진단 보조장치(200)는 각막관련 이미지 데이터와 함께, 수치화된 데이터를 진단모델에 입력하여 진단 결과를 획득할 수 있다. 예를 들어, 진단 보조장치(200)는 각막 관련 이미지 데이터와 함께 IHD, ISV와 같은 각막형성인자를 진단모델에 입력할 수 있고, 진단모델은 진단결과로서, 원추각막, 의심 원추각막, 정상각막 및 각막 확장증 중 어느 하나의 결과값을 도출할 수 있다. 경우에 따라, 각막 관련 이미지 데이터뿐 아니라 수치화된 데이터가 함께 진단모델에 입력됨으로써, 진단 결과의 정확도가 향상될 수 있다.
또한, 도 16 및 도 17에 표시되지는 않았지만, 진단 보조장치(200)는 각막관련 이미지 데이터 대신 수치화된 데이터만을 진단모델에 입력할 수 있고 진단모델은 진단결과로서, 원추각막, 의심 원추각막, 정상각막 및 각막 확장증 중 어느 하나의 결과값을 도출할 수도 있다.
도 17을 참조하면, 원추각막 진단 보조 단계는 수치화된 검사 데이터를 기초한 각막 관련 이미지 데이터를 획득하는 단계(S1100) 및 각막 관련 이미지 데이터를 진단 모델에 입력하여, 진단 결과를 획득하는 단계(S3000)를 포함할 수 있다. 상기 원추각막 진단 보조 단계는 도 9에서 전술된 진단 보조 장치(200)에 의해 수행될 수 있다.
일 실시예에서 피검자의 수치화된 검사 데이터를 기초한 각막 관련 이미지 데이터는 도 9에서 전술된 데이터 입력부(201) 또는 데이터 생성부(203)에 의해 획득될 수 있다. 이는 예시일 뿐, 외부 장치에 의해 획득되어 전송받을 수도 있다.
원추각막 진단 보조 단계는 도 16에 비하여, 수치화된 검사 데이터를 획득하는 단계(S1000)가 생략된 것일 수 있다.
진단 결과를 획득하는 단계(S3000)는 도 16과 중복되는 설명으로 생략한다.
2
실시예
도 18 내지 도 20은 원추각막 진단 보조의 일 실시예에 따른 도면이다.
도 18를 참조하면, 제1 진단 모델은 제1 입력 데이터를 입력받아 제1 출력값을 출력할 수 있다. 제1 진단 모델은 진단 보조 모델의 이진 분류 또는 다중 분류 형태일 수 있다.
일 실시예에서, 제1 진단 모델은 과거 진단 받은 피검자의 각막 관련 이미지 데이터를 기초로 학습될 수 있다. 제1 진단 모델의 학습 데이터는 과거 원추각막 판정을 받은 자의 각막 관련 데이터, 과거 의심 원추각막 판정을 받은자의 각막 관련 데이터 및 과거 정상각막 판정을 받은 자의 각막 관련 데이터를 포함할 수 있다. 예를 들어 학습 데이터는 과거 원추각막 판정을 받은 자의 각막 관련 이미지 데이터, 과거 의심 원추각막 판정을 받은 자의 각막 관련 이미지 데이터, 과거 정상 각막 판정을 받은 자의 각막 관련 이미지 데이터 및 과거 각막 확장증 판정을 받은 자의 각막 관련 이미지 데이터 중 어느 하나 이상의 데이터를 포함할 수 있다. 제1 진단 모델의 학습 단계는 도 6에서 설명한 학습 단계(S100)가 그대로 적용될 수 있다.
도 19를 참조하면, 제1 진단 모델은 제1 입력 데이터를 입력 받아 제1 출력값을 출력할 수 있다. 그리고, 상기 제1 출력값이 어떤 값을 갖는지에 따라, 제2 진단 모델 또는 제3 진단 모델이 구동될 수 있다. 여기서, 제1 출력값은 서로 다른 두 개의 결과값일 수 있다.
일 실시예에서, 제2 진단 모델 및 제3 진단 모델은 동시에 동작하지 않을 수 있다. 예를 들어, 제1 출력값이 어떤 값을 갖는지에 따라, 제2 진단 모델 또는 제3 진단 모델 중 어느 하나만이 동작될 수 있다.
일 실시예에서, 제1 진단 모델은 피검자의 각막 관련 데이터를 기초로 피검자의 안구의 각막을 정상 각막 또는 원추 각막으로 분류할 수 있다. 즉, 제1 출력값은 정상각막(NM) 또는 원추각막(KC)일 수 있다.
일 실시예에서, 제1 출력값이 정상각막(NM)인 경우, 제2 진단 모델이 동작할 수 있다. 이 경우, 제2 진단 모델에는 피검자의 각막 관련 데이터가 입력되고, 제2 진단 모델은 피검자의 각막 관련 데이터를 기초로, 제2 출력값으로써 상기 피검자의 각막이 정상각막(NM) 및 의심 원추각막(KCS) 중 어느 하나임을 출력할 수 있다. 즉, 제2 진단 모델은 피검자의 각막을 정상각막(NM) 또는 의심 원추각막(KCS)으로 분류할 수 있다.
일 실시예에서, 제1 출력값이 원추각막(KC)인 경우, 제3 진단 모델이 동작할 수 있다. 이 경우, 제2 진단 모델에는 피검자의 각막 관련 데이터가 입력되고, 제3 진단 모델은 피검자의 각막 관련 데이터를 기초로, 제3 출력 값으로써 상기 피검자의 각막이 원추각막(KC) 및 각막 확장증(CE) 중 어느 하나임을 출력할 수 있다. 즉, 제3 진단 모델은 피검자의 각막을 원추각막(KC) 또는 각막 확장증(CE)으로 분류할 수 있다.
또한, 제1 진단 모델은 피검자의 각막 관련 데이터를 입력하고 정상 각막 또는 원추 각막임을 출력하는 프로세스를 통해 학습될 수 있다. 제1 진단 모델의 학습 단계는 도 6에서 설명한 학습 단계(S100)가 그대로 적용될 수 있다.
제2 진단 모델은 정상 각막으로 분류된 각막 관련 데이터를 입력하고, 정상 각막 또는 의심 원추 각막을 출력하는 프로세스를 이용하여 학습될 수 있다. 즉, 제2 진단 모델은 제1 진단 모델보다 구체적인 피검자의 각막 상태를 분류할 수 있다. 제2 진단 모델의 학습 단계는 도 6에서 설명한 학습 단계(S100)가 그대로 적용될 수 있다.
제3 진단 모델은 원추 각막으로 분류된 각막 관련 이미지 데이터를 입력하고, 원추 각막 또는 각막 확장증을 출력하는 프로세스를 이용하여 학습될 수 있다. 즉, 제3 진단 모델은 제1 진단 모델보다 구체적인 피검자의 각막 상태를 분류할 수 있다. 제3 진단 모델의 학습 단계는 도 6에서 설명한 학습 단계(S100)가 그대로 적용될 수 있다.
도 20을 참조하면, 제1 진단 모델은 제1 입력 데이터를 입력 받아, 제1 출력값을 출력하고, 제4 진단 모델은 제1 진단 모델로부터 출력된 제1 출력값 및/또는 제1 입력 데이터와 함께 제2 입력 데이터를 입력 받아, 추후 발병 확률에 대한 결과값을 출력할 수 있다. 도 20의 진단 모델은 도 18 및 도 19에 설명된 진단 모델을 통해 출력되는 원추각막 발생 여부뿐만 아니라 추후 발병 예측 확률까지 제공하기 위함이다. 추후 발병 예측 확률을 제공함으로써, 피검자는 각막 또는 안구 관리에 주의를 기울일 수 있다.
일 실시예에서, 제1 진단 모델은 피검자의 안구의 각막을 원추각막, 의심 원추각막, 정상각막, 각막 확장증 중 적어도 하나로 분류할 수 있다. 즉, 제1 출력값은 원추각막, 의심 원추각막, 정상각막, 각막 확장증 중 어느 하나를 나타낼 수 있다.
일 실시예에서, 제4 진단 모델은 제1 진단 모델로부터 출력된 제1 출력값과 별개인 제2 입력 데이터를 입력 받아, 추후 발병 확률에 대한 결과값을 출력할 수 있다. 예를 들어, 제1 진단 모델은 제1 입력 데이터를 입력 받아, 제1 출력값으로 피검자가 정상 각막이라는 것을 나타내는 결과를 출력하고, 제4 진단 모델은 상기 제1 출력값 및/또는 피검자의 각막 관련 데이터와 함께 제2 입력 데이터를 입력받아 추후 원추각막이 발생될 확률을 출력할 수 있다.
일 실시예에서, 제2 입력 데이터는 피검자의 문진 데이터를 포함할 수 있다. 피검자의 문진 데이터는 피검자의 문진 정보, 예를 들어, 생활 습관(눈을 비비는 습관 유무, 하루 눈을 비비는 횟수 등) 관련 정보, 보유 질환(아토피, 피부 질환, 안구 질환 등) 관련 정보를 포함할 수 있다. 또한, 제2 입력 데이터는 피검자의 유전자 관련 정보 등을 포함할 수 있다. 또한, 제1 입력 데이터가 각막 관련 이미지 데이터인 경우, 제2 입력 데이터는 전술한 수치화된 검사 데이터일 수 있다. 구체적인 예로서, 제2 입력 데이터는 다양한 장비로부터 획득된 데이터를 포함할 수 있으며, 일예로, 제2 입력 데이터는 전술한 WTW distance, ATA distance, ACD, STS distance, 동공크기, 전술한 각막형상인자(각막 곡률값, 각막 두께, 각막 높낮이, ISV, IVA, KI, CKI, Rmin, IHA, IHD, 중심부 각막 두께 등) 등을 포함할 수도 있다. 또한, 제1 입력 데이터가 피검자의 수치화된 검사 데이터인 경우, 제2 입력 데이터는 각막 관련 이미지 데이터일 수도 있다.
도 20에는 제1 진단 모델과 제4 진단 모델을 분리하여 도시하였으나, 이에 한정되지 않고, 제4 진단 모델은 제1 진단 모델에 포함될 수 있다. 제1 입력 데이터 및 제2 입력 데이터를 제1 진단 모델에 입력하면, 제1 출력값과 이에 대응되는 추후 발병 확률을 출력할 수 있다.
Claims (14)
- 컴퓨팅 장치에 의해 수행되는 인공 지능을 이용한 원추각막 진단 보조 장치에 있어서,
피검자의 수치화된 검사 데이터에 기초한 각막 관련 이미지 데이터를 저장하는 메모리; 및
프로세서;를 포함하고,
상기 프로세서는,
상기 메모리로부터 상기 저장된 상기 피검자의 각막 관련 이미지 데이터를 획득하고,
상기 획득된 각막 관련 이미지 데이터를 진단 모델에 입력하여 상기 피검자의 안구에 원추각막 발생 여부를 검출하며,
상기 원추각막 발생 여부는 원추각막(KC), 의심 원추각막(KCS), 정상각막(NM) 중 어느 하나로 분류되는
원추각막 진단 보조 장치.
- 제1 항에 있어서,
상기 진단 모델은,
과거 원추각막 판정을 받은 자의 검사 데이터, 과거 의심 원추각막 판정을 받은 자의 검사 데이터 및 과거 정상 각막 판정을 받은 자의 검사 데이터 중 어느 하나 이상을 포함한 이미지 데이터를 기초로 학습되는
원추각막 진단 보조 장치.
- 제1 항에 있어서,
상기 각막 관련 이미지 데이터는 제1 군 파라미터를 포함하고,
상기 수치화된 검사 데이터는 제2 군 파라미터를 포함하며,
상기 제1 군 파라미터는 상기 제2 군 파라미터를 기초로 생성되고,
상기 제1 군 파라미터는 상기 수치화된 검사 데이터를 측정하는 검사 장비에서 정의되지 않는 파라미터를 나타내며,
상기 피검자의 안구에 원추각막 발생 여부의 결과에 대한 정확도는,
상기 제1 군 파라미터를 포함하는 데이터가 상기 진단 모델에 입력된 경우가 상기 제2 군 파라미터를 포함하는 데이터가 상기 진단 모델에 입력된 경우보다 높은
원추각막 진단 보조 장치.
- 제3항에 있어서,
상기 프로세서는,
상기 획득된 각막 관련 이미지 데이터와 함께 상기 수치화된 검사 데이터를 상기 진단 모델에 입력하여 상기 피검자의 안구에 원추각막 발생 여부를 검출하는,
원추각막 진단 보조 장치.
- 컴퓨팅 장치에 의해 수행되는 인공 지능을 이용한 원추각막 진단 보조 장치에 있어서,
피검자의 수치화된 검사 데이터에 기초한 각막 관련 이미지 데이터를 저장하는 메모리; 및
프로세서;를 포함하고,
상기 프로세서는,
상기 메모리로부터 상기 저장된 상기 피검자의 각막 관련 이미지 데이터를 획득하고,
상기 획득된 각막 관련 이미지 데이터로부터 획득한 제1 입력 데이터를 제1 진단 모델에 입력하여, 제1 출력값 - 상기 제1 출력값은 상기 피검자의 각막이 정상각막(NM) 및 원추각막(KC) 중 어느 하나임을 출력함 - 을 도출하고,
상기 제1 출력값이 정상각막(NM)인 경우, 상기 각막 관련 이미지 데이터를 제2 진단 모델에 입력하여, 제2 출력값 - 상기 제2 출력값은 상기 피검자의 각막이 정상각막(NM) 및 의심 원추각막(KCS) 중 어느 하나임을 출력함 - 을 도출하고,
상기 제1 출력값이 원추각막(KC)인 경우, 상기 각막 관련 이미지 데이터를 제3 진단 모델에 입력하여, 제3 출력값 - 상기 제3 출력값은 상기 피검자의 각막이 원추각막(KC) 및 각막확장증(CE) 중 어느 하나임을 출력함 - 을 도출하는
원추각막 진단 보조 장치.
- 제5 항에 있어서,
상기 제1 진단 모델은 과거 정상각막 판정을 받은 자의 검사 데이터 및 과거 원추각막 판정을 받은 자의 검사 데이터를 기초로 학습되고,
상기 제2 진단 모델은 과거 정상각막 판정을 받은 자의 검사 데이터 및 과거 의심 원추각막 판정을 받은 자의 검사 데이터를 기초로 학습되고,
상기 제3 진단 모델은 과거 의심 원추각막 판정을 받은 자의 검사 데이터 및 과거 각막확장증 판정을 받은 자의 검사 데이터를 기초로 학습되는
원추각막 진단 보조 장치.
- 컴퓨팅 장치에 의해 수행되는 인공 지능을 이용한 원추각막 진단 보조 장치에 있어서,
피검자의 수치화된 검사 데이터에 기초한 각막 관련 이미지 데이터를 저장하는 메모리; 및
프로세서;를 포함하고,
상기 프로세서는,
상기 메모리로부터 저장된 상기 피검자의 각막 관련 이미지 데이터를 획득하고,
상기 피검자의 각막 관련 이미지 데이터에 기초한 제1 입력 데이터 및 제2 입력 데이터를 제1 진단 모델에 입력하여, 상기 피검자의 안구에 원추각막 발생 여부를 나타내는 제1 출력값 및 추후 원추각막 진행 예상 확률을 나타내는 제2 출력값을 출력하며,
상기 제1 출력값은 상기 피검자의 각막이 원추각막(KC), 의심 원추각막(KCS), 정상각막(NM) 중 어느 하나임을 출력하고,
상기 제2 출력값은 상기 제1 출력값 각각에 대응되는 추후 원추각막 진행 예상 확률을 출력하는
원추각막 진단 보조 장치.
- 제7 항에 있어서,
상기 제2 입력 데이터는 상기 피검자의 문진 데이터, 유전자 관련 정보 및 상기 수치화된 검사 데이터 중 적어도 하나를 포함하는
원추각막 진단 보조 장치.
- 제7 항에 있어서,
상기 각막 관련 이미지 데이터 및 상기 제2 입력 데이터 중 적어도 하나를 제2 진단 모델에 입력하여, 상기 피검자의 원추각막 발생 여부 및 이에 대응되는 추후 원추각막 진행 예상 확률을 출력하는
원추각막 진단 보조 장치.
- 제7 항에 있어서,
상기 피검자의 수치화된 검사 데이터는 각막의 전면 및 후면의 곡률값, 각막의 두께 및 각막의 높낮이 중 적어도 하나를 포함하는
원추각막 진단 보조 장치.
- 제7 항에 있어서,
상기 각막 관련 이미지 데이터는 상기 피검자의 수치화된 검사 데이터를 기초로 생성된 것으로, 각막 지형도, 각막 두께도 및 각막 고저도에 대한 정보 중 적어도 하나를 포함하는
원추각막 진단 보조 장치.
- 컴퓨팅 장치에 의해 수행되는 인공 지능을 이용한 원추각막 진단 보조 방법에 있어서,
피검자의 각막 관련 데이터 - 상기 각막 관련 데이터는 피검자의 수치화된 검사 데이터 및 각막 관련 이미지 데이터 중 적어도 하나를 포함함 - 를 획득하는 단계; 및
상기 각막 관련 데이터를 진단 모델에 입력하여 상기 피검자의 안구에 원추각막이 발생되었는지 여부를 검출하는 단계;를 포함하고,
상기 원추각막이 발생되었는지 여부를 검출하는 단계는,
상기 피검자의 안구의 각막 관련 데이터를 기초로 원추각막(KC), 의심 원추각막(KCS), 정상 각막(NM) 중 어느 하나로 분류하는
원추각막 진단 보조 방법.
- 제12 항에 있어서,
상기 각막 관련 데이터가 각막 관련 이미지 데이터를 포함하는 경우, 상기 진단 모델은 CNN 알고리즘에 기초하는,
원추각막 진단 보조 방법.
- 제12 항 또는 제13 항의 방법을 수행하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210101421A KR102648322B1 (ko) | 2019-08-27 | 2021-08-02 | 원추 각막 진단 보조 시스템 및 이를 이용하는 방법 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190105462A KR102287259B1 (ko) | 2019-08-27 | 2019-08-27 | 원추 각막 진단 보조 시스템 및 이를 이용하는 방법 |
| KR1020210101421A KR102648322B1 (ko) | 2019-08-27 | 2021-08-02 | 원추 각막 진단 보조 시스템 및 이를 이용하는 방법 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190105462A Division KR102287259B1 (ko) | 2019-08-27 | 2019-08-27 | 원추 각막 진단 보조 시스템 및 이를 이용하는 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210097678A true KR20210097678A (ko) | 2021-08-09 |
| KR102648322B1 KR102648322B1 (ko) | 2024-03-15 |
Family
ID=74685583
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190105462A KR102287259B1 (ko) | 2019-08-27 | 2019-08-27 | 원추 각막 진단 보조 시스템 및 이를 이용하는 방법 |
| KR1020210101421A KR102648322B1 (ko) | 2019-08-27 | 2021-08-02 | 원추 각막 진단 보조 시스템 및 이를 이용하는 방법 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190105462A KR102287259B1 (ko) | 2019-08-27 | 2019-08-27 | 원추 각막 진단 보조 시스템 및 이를 이용하는 방법 |
Country Status (2)
| Country | Link |
|---|---|
| KR (2) | KR102287259B1 (ko) |
| WO (1) | WO2021040315A1 (ko) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115880283B (zh) * | 2023-01-19 | 2023-05-30 | 北京鹰瞳科技发展股份有限公司 | 用于检测角膜类型的装置、方法和计算机可读存储介质 |
| KR102641727B1 (ko) * | 2023-02-21 | 2024-02-28 | 주식회사 비쥬웍스 | 근시 퇴행 예측 전자장치 및 그것의 동작방법 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005288176A (ja) * | 2004-03-31 | 2005-10-20 | Nidek Co Ltd | 角膜形状解析システム |
| KR20140042531A (ko) * | 2012-09-28 | 2014-04-07 | 삼성전자주식회사 | 카테고리별 진단 모델을 이용한 병변 진단 장치 및 방법 |
| KR20170138400A (ko) * | 2015-02-16 | 2017-12-15 | 유니버시다데 데 산티아고 데 콤포스텔라 | 각막확장증의 진단 및 예후를 위한 바이오마커 |
| KR20180036229A (ko) * | 2016-09-30 | 2018-04-09 | 주식회사 셀바스에이아이 | 질병에 대한 발병 확률 예측 방법 및 장치 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE04759430T1 (de) * | 2003-04-11 | 2006-07-13 | Bausch & Lomb Incorporated | Verfahren, system und algorithmus im zusammenhang mit der behandlungsplanung zur sehkorrektur |
| US7798641B2 (en) * | 2008-09-05 | 2010-09-21 | Heidelberg Engineering Gmbh | Finite element model of a keratoconic cornea |
-
2019
- 2019-08-27 KR KR1020190105462A patent/KR102287259B1/ko active IP Right Grant
-
2020
- 2020-08-20 WO PCT/KR2020/011079 patent/WO2021040315A1/ko active Application Filing
-
2021
- 2021-08-02 KR KR1020210101421A patent/KR102648322B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005288176A (ja) * | 2004-03-31 | 2005-10-20 | Nidek Co Ltd | 角膜形状解析システム |
| KR20140042531A (ko) * | 2012-09-28 | 2014-04-07 | 삼성전자주식회사 | 카테고리별 진단 모델을 이용한 병변 진단 장치 및 방법 |
| KR20170138400A (ko) * | 2015-02-16 | 2017-12-15 | 유니버시다데 데 산티아고 데 콤포스텔라 | 각막확장증의 진단 및 예후를 위한 바이오마커 |
| KR20180036229A (ko) * | 2016-09-30 | 2018-04-09 | 주식회사 셀바스에이아이 | 질병에 대한 발병 확률 예측 방법 및 장치 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102648322B1 (ko) | 2024-03-15 |
| WO2021040315A1 (ko) | 2021-03-04 |
| KR102287259B1 (ko) | 2021-08-06 |
| KR20210025430A (ko) | 2021-03-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10580530B2 (en) | Diagnosis assistance system and control method thereof | |
| US11934933B2 (en) | Systems and methods using weighted-ensemble supervised-learning for automatic detection of ophthalmic disease from images | |
| KR102345026B1 (ko) | 클라우드 서버 및 클라우드 서버 기반의 진단 보조 시스템 | |
| US10818398B2 (en) | System and method for AI-based eye condition determinations | |
| JP2021531098A (ja) | Ａｉを利用した眼の状態判定のためのシステムおよび方法 | |
| Hervella et al. | End-to-end multi-task learning for simultaneous optic disc and cup segmentation and glaucoma classification in eye fundus images | |
| KR102648322B1 (ko) | 원추 각막 진단 보조 시스템 및 이를 이용하는 방법 | |
| KR20230104083A (ko) | 안구 이미지 기반의 진단 보조 이미지 제공 장치 | |
| KR102183847B1 (ko) | 안저 사진에서 녹내장 진단을 위해 cam에서 추출된 roi를 중간 입력자로 사용하는 2단계 랭킹 컨볼루셔널 뉴럴 네트워크 | |
| Zhang et al. | MRMR optimized classification for automatic glaucoma diagnosis | |
| Singh et al. | A novel hybridized feature selection strategy for the effective prediction of glaucoma in retinal fundus images | |
| Sengupta et al. | Ophthalmic diagnosis and deep learning–a survey | |
| Krishnamoorthy et al. | AO-HRCNN: archimedes optimization and hybrid region-based convolutional neural network for detection and classification of diabetic retinopathy | |
| Veena et al. | An Enhanced RNN-LSTM Model for Fundus Image Classification to Diagnose Glaucoma | |
| KR102369999B1 (ko) | Ai 기반 원추각막 진단 방법 | |
| CN112132782A (zh) | 一种基于深度神经网络对dme分型进行处理的方法和终端 | |
| Sharma et al. | Automated Diagnosis Model for Glaucoma Detection: A Deep Learning Feature Fusion and LS-SVM based Approach | |
| TWI855900B (zh) | 醫學圖像識別模型訓練方法、醫學圖像識別方法及設備 | |
| US20240185138A1 (en) | Systems and Methods Using Weighted-Ensemble Supervised-Learning for Automatic Detection of Ophthalmic Disease from Images | |
| Arif et al. | Fundus images classification for Diabetic Retinopathy using machine learning technique | |
| Tiosano et al. | Anomaly Detection and Biomarkers Localization in Retinal Images | |
| Tiosano et al. | Anomaly Detection and Biomarkers Localization in Retinal OCT Scans | |
| Ubochi et al. | Comparative Analysis of Vanilla CNN and Transfer Learning Models for Glaucoma Detection | |
| Salamah et al. | Severity Classification of Non-Proliferative Diabetic Retinopathy Using Support Vector Machine (SVM) | |
| Prasad et al. | Diabetics Mellitius Caused Vision Impairment Discernment Using ML |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A107 | Divisional application of patent | ||
| E902 | Notification of reason for refusal | ||
| E90F | Notification of reason for final refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |