KR20210124024A - 인공지능을 이용한 안저 영상 데이터의 품질 점수 산출 방법, 장치 및 컴퓨터프로그램 - Google Patents

인공지능을 이용한 안저 영상 데이터의 품질 점수 산출 방법, 장치 및 컴퓨터프로그램 Download PDF

Info

Publication number
KR20210124024A
KR20210124024A KR1020210022888A KR20210022888A KR20210124024A KR 20210124024 A KR20210124024 A KR 20210124024A KR 1020210022888 A KR1020210022888 A KR 1020210022888A KR 20210022888 A KR20210022888 A KR 20210022888A KR 20210124024 A KR20210124024 A KR 20210124024A
Authority
KR
South Korea
Prior art keywords
image data
fundus image
calculating
grade
quality score
Prior art date
Application number
KR1020210022888A
Other languages
English (en)
Inventor
최용준
도신호
임다운
이현규
Original Assignee
두에이아이(주)
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 두에이아이(주) filed Critical 두에이아이(주)
Priority to KR1020210022888A priority Critical patent/KR20210124024A/ko
Publication of KR20210124024A publication Critical patent/KR20210124024A/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
    • A61B3/0016—Operational features thereof
    • A61B3/0025—Operational features thereof characterised by electronic signal processing, e.g. eye models
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • A61B3/12—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for looking at the eye fundus, e.g. ophthalmoscopes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • A61B3/14—Arrangements specially adapted for eye photography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7221—Determining signal validity, reliability or quality
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • G—PHYSICS
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Signal Processing (AREA)
  • Ophthalmology & Optometry (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Radiology & Medical Imaging (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

인공지능을 이용한 안저 영상 데이터의 품질 점수 산출 방법, 장치 및 컴퓨티프로그램이 제공된다. 본 발명의 다양한 실시예에 따른 안저 영상 데이터의 품질 점수 산출 방법은, 컴퓨팅 장치에 의해 수행되는 방법에 있어서, 안저 영상 데이터를 수집하는 단계, 상기 안저 영상 데이터로부터 하나 이상의 특징값을 추출하는 단계, 상기 추출된 하나 이상의 특징값을 이용하여 상기 안저 영상 데이터가 기 설정된 복수의 품질 등급 각각에 속할 확률을 산출하는 단계 및 상기 산출된 복수의 품질 등급 각각에 속할 확률을 이용하여 상기 안저 영상 데이터에 대한 품질 점수를 산출하는 단계를 포함한다.

Description

인공지능을 이용한 안저 영상 데이터의 품질 점수 산출 방법, 장치 및 컴퓨터프로그램{METHOD, APPARATUS AND COMPUTER PROGRAM FOR CALCULATING QUALITY SCORE OF FUNDUS IMAGE DATA USING ARTIFICIAL INTELLIGENCE}
본 발명의 다양한 실시예는 인공지능을 이용한 안저(fundus) 영상 데이터의 품질 점수 산출 방법, 장치 및 컴퓨터 프로그램에 관한 것이다.
주요 안과 질환들의 발병 연령이 조금씩 빨라지고 있는 데다 고혈압, 당뇨병과 같은 만성질환으로 눈 건강에 적신호가 켜진 사람들이 증가하고 있다. 그러나, 국가검진을 포함한 주요 내시경검사와 달리 안과에서는 어떤 검사를 받아야 눈 건강을 지킬 수 있는지 모르는 경우가 많다.
실제로 전국 25세 이상 성인 남녀 1000명을 대상으로 한 눈 건강 인식조사에 따르면 대상자의 76.5%는 눈 건강에 관심이 있고 63.5%가 정기검진이 필요하다는 것을 알고 있었지만 정작 안과 정기검진을 받는 사람은 11.3%에 그쳤다.
대한안과학회에 따르면 눈 건강을 지키는 첫걸음은 ‘안저검사’다. 이는 3대 실명원인질환으로 꼽히는 황반변성, 당뇨망막병증, 녹내장을 조기발견할 수 있는 길이기 때문이다. 이에 대한안과학회는 10월 10일을 눈의 날로 정하고 ‘안저검사, 눈 건강의 시작입니다’를 주제로 안저검사도 국가검진에 포함시키려는 노력을 지속하고 있다.
안저검사(또는 안저촬영검사)란 안저 카메라로 동공을 통해 망막 중심부(예: 안구 속의 뒷부분과 눈바닥 부위)를 촬영하여 망막혈관이나 시신경의 색깔, 두께 등을 확인함으로써 안저 관련 질환 진단 및 조기 발견을 위해 수행되는 검사이다.
일반적으로, 안저 검사에서 획득되는 안저 영상 데이터는 촬영 카메라의 종류와 촬영 환경에 따라 품질의 편차가 크다. 특히, 스마트폰 기반 포터블 장비의 영상에서는 품질이 낮은 영상 데이터가 획득되기 쉽다.
한편, 품질이 낮은 영상 데이터는 의사나 CAD(Computer-Aided Diagnosis) 시스템 및 인공지능에 의한 분석 판독 시 부정적인 영향을 줄 수 있기 때문에 판독이 어려운 영상 데이터를 선정(예: 안저 영상 데이터를 스코어링(scoring)하여 품질이 낮은 안저 영상 데이터를 선정)하고, 선정된 안저 영상 데이터를 사전에 스크리닝(screening)하는 과정이 필요하다.
한국공개특허 제10-2019-0087272호(2019.07.24)
본 발명이 해결하고자 하는 과제는 품질이 낮은 안저 영상 데이터를 선정하고, 선정된 안저 영상 데이터를 사전에 스크리닝하기 위하여 안저 영상 데이터의 품질 점수를 산출하는 인공지능을 이용한 안저 영상 데이터의 품질 점수 산출 방법, 장치 및 컴퓨터 프로그램을 제공하는 것이다.
본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 과제를 해결하기 위한 본 발명의 일 실시예에 따른 안저 영상 데이터의 품질 점수 산출 방법은, 컴퓨팅 장치에 의해 수행되는 방법에 있어서, 안저 영상 데이터를 수집하는 단계, 상기 안저 영상 데이터로부터 하나 이상의 특징값을 추출하는 단계, 상기 추출된 하나 이상의 특징값을 이용하여 상기 안저 영상 데이터가 기 설정된 복수의 품질 등급 각각에 속할 확률을 산출하는 단계 및 상기 산출된 복수의 품질 등급 각각에 속할 확률을 이용하여 상기 안저 영상 데이터에 대한 품질 점수를 산출하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 복수의 품질 등급은, 제1 등급, 상기 제1 등급보다 낮은 제2 등급 및 상기 제2 등급보다 낮은 제3 등급을 포함하며, 상기 품질 점수를 산출하는 단계는, 하기의 수학식 1을 이용하여 상기 안저 영상 데이터에 대한 품질 점수를 산출하는 단계를 포함할 수 있다.
[수학식 1]
Figure pat00001
여기서, prob(G1)은 상기 안저 영상 데이터가 상기 제1 등급에 속할 확률, prob(G2)는 상기 안저 영상 데이터가 상기 제2 등급에 속할 확률, prob(G3)는 상기 안저 영상 데이터가 상기 제3 등급에 속할 확률, C1, C2 및 C3는 기 설정된 상수값일 수 있다.
다양한 실시예에서, 상기 하나 이상의 특징값은, 상기 안저 영상 데이터가 비정상 등급에 속할 확률, 상기 안저 영상 데이터의 품질 맵(Quality Map), 선명도(Brightness), 초점값(Focus), 조도 히스토그램(Illumination histogram) 및 원마도(Roundness) 중 적어도 하나를 포함하며, 상기 복수의 품질 등급 각각에 속할 확률을 산출하는 단계는, 복수의 안저 영상 데이터를 학습 데이터로써 기 학습한 인공지능 모델을 이용하여 상기 하나 이상의 특징값으로부터 상기 안저 영상 데이터가 상기 복수의 품질 등급 각각에 속할 확률을 산출하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 하나 이상의 특징값을 추출하는 단계는, 상기 제1 등급 및 상기 제2 등급을 정상 등급으로 분류하고 상기 제3 등급을 비정상 등급으로 분류하는 제1 이진 분류 모델을 이용하여 상기 안저 영상 데이터가 상기 비정상 등급에 속할 확률인 제1 비정상 등급 확률을 산출하고, 상기 안저 영상 데이터 내에서 비정상으로 판단된 영역을 시각화한 제1 품질 맵을 추출하는 단계 및 상기 제1 등급을 정상 등급으로 분류하고 상기 제2 등급 및 상기 제3 등급을 비정상 등급으로 분류하는 제2 이진 분류 모델을 이용하여 상기 안저 영상 데이터가 상기 비정상 등급에 속할 확률인 제2 비정상 등급 확률을 산출하고, 상기 안저 영상 데이터 내에서 비정상으로 판단된 영역을 시각화한 제2 품질 맵을 추출하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 하나 이상의 특징값을 추출하는 단계는, 상기 안저 영상 데이터로부터 안저의 유두(Disc)에 대응되는 영역을 검출하고, 상기 검출된 안저의 유두에 대응되는 영역의 장축 길이 및 단축 길이를 추출하며, 상기 추출된 장축의 길이와 상기 추출된 단축의 길이의 비율을 이용하여 상기 안저의 원마도를 산출하는 단계를 포함할 수 있다.
다양한 실시예에서, 상기 선명도는 제1 선명도 및 제2 선명도를 포함하며, 상기 하나 이상의 특징값을 추출하는 단계는, 하기의 수학식 2를 이용하여 상기 안저 영상 데이터에 대한 상기 제1 선명도를 산출하고, 하기의 수학식 3을 이용하여 상기 안저 영상 데이터에 대한 상기 제2 선명도를 산출하는 단계를 포함할 수 있다.
[수학식 2]
Figure pat00002
여기서, X는 상기 안저 영상 데이터 값, std(X)는
Figure pat00003
, grayscale(X)는
Figure pat00004
으로 상기 안저 영상 데이터의 그레이 스케일 값, XR는 상기 안저 영상 데이터의 R채널 값, XG는 상기 안저 영상 데이터의 G채널 값, XB는 상기 안저 영상 데이터의 B채널 값 및 mean(X)는
Figure pat00005
일 수 있다.
[수학식 3]
Figure pat00006
다양한 실시예에서, 상기 하나 이상의 특징값을 추출하는 단계는, 하기의 수학식 4를 이용하여 상기 안저 영상 데이터에 대한 초점값을 산출하는 단계를 포함할 수 있다.
[수학식 4]
Figure pat00007
여기서, X는 상기 안저 영상 데이터 값, std(X)는
Figure pat00008
, grayscale(X)는
Figure pat00009
으로 상기 안저 영상 데이터의 그레이 스케일 값, XR는 상기 안저 영상 데이터의 R채널 값, XG는 상기 안저 영상 데이터의 G채널 값, XB는 상기 안저 영상 데이터의 B채널 값, kernelx는
Figure pat00010
으로 x방향의 3x3 커널, kernely는
Figure pat00011
으로 y방향의 3x3 커널일 수 있다.
다양한 실시예에서, 상기 하나 이상의 특징값을 추출하는 단계는, 상기 안저 영상 데이터를 전처리 하는 단계, 상기 전처리된 안저 영상 데이터로부터 기 설정된 크기를 가지는 하나 이상의 패치(Patch)를 추출하는 단계, 하기의 수학식 5를 이용하여 상기 하나 이상의 패치 각각에 대한 대표값을 산출하는 단계, 상기 산출된 대표값을 이용하여 조도 맵을 생성하는 단계 및 상기 조도 맵을 이용하여 상기 조도 히스토그램을 생성하는 단계를 포함할 수 있다.
[수학식 5]
Figure pat00012
여기서, P는 상기 하나 이상의 패치 값, PR은 상기 하나 이상의 패치의 R채널 값, P-G는 상기 하나 이상의 패치의 G채널 값, PB는 상기 하나 이상의 채널의 B채널 값 및 mean(x)는
Figure pat00013
일 수 있다.
상술한 과제를 해결하기 위한 본 발명의 다른 실시예에 따른 안저 영상 데이터의 품질 점수 산출 장치는, 하나 이상의 인스트럭션을 저장하는 메모리 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고, 상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 본 발명의 일 실시예에 따른 안저 영상 데이터의 품질 점수 산출 방법을 수행할 수 있다.
상술한 과제를 해결하기 위한 본 발명의 또 다른 실시예에 따른 컴퓨터프로그램은, 하드웨어인 컴퓨터와 결합되어, 본 발명의 일 실시예에 따른 안저 영상 데이터의 품질 점수 산출 방법을 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장될 수 있다.
본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
본 발명의 다양한 실시예에 따르면, 안저 영상 데이터로부터 하나 이상의 특징값을 추출하고, 추출한 하나 이상의 특징값을 이용하여 안저 영상 데이터가 기 설정된 복수의 품질 등급 각각에 속할 확률을 산출하며, 산출된 확률에 기초하여 안저 영상 데이터에 대한 품질 점수를 산출함으로써, 안저 영상 데이터를 품질을 보다 정확하게 판단할 수 있다는 이점이 있다.
본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 인공지능을 이용한 안저 영상 데이터의 품질 점수 산출 시스템을 도시한 도면이다.
도 2는 본 발명의 다른 실시예에 따른 안저 영상 데이터의 품질 점수 산출 장치(100)를 도시한 도면이다.
도 3은 본 발명의 또 다른 실시예에 따른 안저 영상 데이터의 품질 점수 산출 방법의 순서도이다.
도 4는 다양한 실시예에서, 안저 영상 데이터의 품질 점수 산출 장치가 생성한 품질 맵을 예시적으로 도시한 도면이다.
도 5는 다양한 실시예에서, 안저 영상 데이터의 품질 점수 산출 장치가 안저 영상 데이터로부터 안저의 유두(Disc)를 검출한 결과를 예시적으로 도시한 도면이다.
도 6은 다양한 실시예에서, 안저 영상 데이터의 품질 점수 산출 장치가 수행하는 조도 히스토그램 생성 방법의 순서도이다.
도 7 및 8은 다양한 실시예에서, 제1 이진 분류 모델 및 제2 이진 분류 모델의 학습 데이터로써 이용되는 안저 영상 데이터 셋을 예시적으로 도시한 표이다.
도 9는 다양한 실시예에서, 시맨틱 분할 모델의 학습 데이터 샘플을 예시적으로 도시한 도면이다.
도 10은 다양한 실시예에서, 특징별 정상 및 비정상 데이터 샘플을 예시적으로 도시한 도면이다.
도 11은 다양한 실시예에서, 안저 영상 데이터의 품질 점수 산출 장치가 생성한 조도 맵을 예시적으로 도시한 도면이다.
도 12는 다양한 실시예에서, 안저 영상 데이터의 품질 점수 산출 장치가 생성한 조도 히스토그램을 예시적으로 도시한 도면이다.
도 13은 다양한 실시예에서, 품질 점수에 따른 안저 영상 데이터를 예시적으로 도시한 도면이다.
도 14는 본 발명의 또 다른 실시예에 따른 영상 데이터 필터링을 위한 품질 점수 임계값 산출 방법의 순서도이다.
도 15는 다양한 실시예에서, Q분위에 따른 연결요소 레이블링 결과의 예시를 도시한 도면이다.
도 16은 본 발명의 또 다른 실시예에 따른 안저 영상 데이터의 품질 점수 산출 장치의 하드웨어 구성도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
명세서에서 사용되는 "부" 또는 “모듈”이라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, "부" 또는 “모듈”은 어떤 역할들을 수행한다. 그렇지만 "부" 또는 “모듈”은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부" 또는 “모듈”은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부" 또는 “모듈”은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 "부" 또는 “모듈”들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부" 또는 “모듈”들로 결합되거나 추가적인 구성요소들과 "부" 또는 “모듈”들로 더 분리될 수 있다.
공간적으로 상대적인 용어인 "아래(below)", "아래(beneath)", "하부(lower)", "위(above)", "상부(upper)" 등은 도면에 도시되어 있는 바와 같이 하나의 구성요소와 다른 구성요소들과의 상관관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용시 또는 동작시 구성요소들의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들어, 도면에 도시되어 있는 구성요소를 뒤집을 경우, 다른 구성요소의 "아래(below)"또는 "아래(beneath)"로 기술된 구성요소는 다른 구성요소의 "위(above)"에 놓여질 수 있다. 따라서, 예시적인 용어인 "아래"는 아래와 위의 방향을 모두 포함할 수 있다. 구성요소는 다른 방향으로도 배향될 수 있으며, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.
본 명세서에서, 컴퓨터는 적어도 하나의 프로세서를 포함하는 모든 종류의 하드웨어 장치를 의미하는 것이고, 실시 예에 따라 해당 하드웨어 장치에서 동작하는 소프트웨어적 구성도 포괄하는 의미로서 이해될 수 있다. 예를 들어, 컴퓨터는 스마트폰, 태블릿 PC, 데스크톱, 노트북 및 각 장치에서 구동되는 사용자 클라이언트 및 애플리케이션을 모두 포함하는 의미로서 이해될 수 있으며, 또한 이에 제한되는 것은 아니다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.
본 명세서에서 설명되는 각 단계들은 컴퓨터에 의하여 수행되는 것으로 설명되나, 각 단계의 주체는 이에 제한되는 것은 아니며, 실시 예에 따라 각 단계들의 적어도 일부가 서로 다른 장치에서 수행될 수도 있다.
또한, 본 명세서에서는 사용자의 안저를 촬영함으로써 생성되는 안저 영상 데이터를 분석하여 안저 영상 데이터에 대한 품질 점수를 산출하는 것을 기준으로 설명하고 있으나, 이에 한정되지 않고, 다양한 대상을 촬영함으로써 생성되는 영상 데이터를 분석하여 영상 데이터에 대한 품질 점수를 산출하는 어떠한 분야든지 적용이 가능하다.
도 1은 본 발명의 일 실시예에 따른 인공지능을 이용한 안저 영상 데이터의 품질 점수 산출 시스템을 도시한 도면이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 인공지능을 이용한 안저 영상 데이터의 품질 점수 산출 시스템은 안저 영상 데이터의 품질 점수 산출 장치(100), 사용자 단말(200) 및 외부 서버(300)를 포함할 수 있다.
여기서, 도 1에 도시된 인공지능을 이용한 안저 영상 데이터의 품질 점수 산출 시스템은 일 실시예에 따른 것이고, 그 구성 요소가 도 1에 도시된 실시예에 한정되는 것은 아니며, 필요에 따라 부가, 변경 또는 삭제될 수 있다.
일 실시예에서, 안저 영상 데이터의 품질 점수 산출 장치(100)(이하, "컴퓨팅 장치(100)")는 외부(예: 안저 카메라 모듈, 사용자 단말(200) 및 외부 서버(300))로부터 안저 영상 데이터를 수집할 수 있고, 수집한 안저 영상 데이터를 분석하여 안저 영상 데이터에 대한 품질 점수를 산출할 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 인공지능 모델을 이용하여 안저 영상 데이터로부터 하나 이상의 특징값을 추출할 수 있고, 추출한 하나 이상의 특징값을 이용하여 안저 영상 데이터가 기 설정된 복수의 품질 등급 각각에 속할 확률을 산출할 수 있으며, 산출된 복수의 품질 등급 각각에 속할 확률을 이용하여 안저 영상 데이터에 대한 품질 점수를 산출할 수 있다. 그러나, 이에 한정되지 않는다.
다양한 실시예에서, 컴퓨팅 장치(100)는 영상 데이터를 분석하여 영상 데이터를 필터링 하기 위한 품질 점수 임계값을 결정할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 복수의 영상 데이터 각각에 대한 품질 점수를 이용하여 복수의 영상 데이터를 복수의 품질 등급으로 분류하고, 각 등급에 포함된 영상 데이터에 대한 질병 분류 성능을 판단하여 복수의 품질 등급을 2개의 그룹으로 클러스터링할 수 있으며, 클러스터링 된 2개의 그룹 간의 품질 점수 경계값을 이용하여 영상 데이터의 품질 점수 임계값을 산출할 수 있다. 그러나, 이에 한정되지 않는다.
다양한 실시예에서, 컴퓨팅 장치(100)는 안저 영상 데이터의 품질 점수에 기초하여 안저 영상 데이터를 필터링할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 안저 영상 데이터의 품질 점수가 기 설정된 기준 점수(예: 품질 점수 임계값) 미만인 경우, 해당 안저 영상 데이터를 필터링하여 진단 판독 대상에서 제외시킬 수 있다. 그러나, 이에 한정되지 않는다.
다양한 실시예에서, 컴퓨팅 장치(100)는 안저 영상 데이터의 품질 점수에 기초하여 안저 영상 데이터를 재촬영할 것을 안내할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 안저 영상 데이터의 품질 점수가 기 설정된 기준 점수(예: 품질 점수 임계값) 미만인 경우, 안저 영상 데이터를 업로드한 사용자의 사용자 단말(200)로 안저 영상을 재촬영하여 업로드할 것을 안내하는 안내 메시지를 출력할 수 있다. 그러나, 이에 한정되지 않는다. 여기서, 컴퓨팅 장치(100)는 사용자 단말(200)로부터 기 설정된 시간 내에 안저 영상 데이터가 재업로드되지 않거나 재업로드가 불가능함을 알리는 사용자 입력을 얻는 경우, 해당 안저 영상 데이터를 필터링하여 진단 판독 대상에서 제외시킬 수 있다. 그러나, 이에 한정되지 않는다.
다양한 실시예에서, 컴퓨팅 장치(100)는 안저 영상 데이터의 품질 점수가 기 설정된 기준 점수(예: 품질 점수 임계값) 이상인 경우, 해당 안저 영상 데이터를 분석하여 안저 관련 질환을 진단 및 예측하는 진단 판독을 수행할 수 있고, 진단 판독의 수행 결과를 사용자 단말(200)로 제공할 수 있다. 예를 들어, 컴퓨팅 장치(100)은 기 학습된 인공지능 모델을 이용하여 안저 영상 데이터를 분석함으로써, 안저 관련 질환이 있는지 여부를 진단하고, 진단 결과를 진단 결과 보고서 형태로 작성하여 사용자 단말(200)로 제공할 수 있다. 그러나, 이에 한정되지 않는다.
일 실시예에서, 사용자 단말(200)은 네트워크(400)를 통해 컴퓨팅 장치(100)와 연결될 수 있으며, 컴퓨팅 장치(100)로 안저 영상 데이터를 제공하거나, 컴퓨팅 장치(100)로부터 각종 데이터(예: 안저 영상 데이터의 분석을 통한 진단 결과 보고서 등)을 제공받을 수 있다.
다양한 실시예에서, 사용자 단말(200)은 사용자 단말(200)의 적어도 일부분에 디스플레이를 구비하는 스마트폰, 태블릿 PC, 노트북 및 데스크탑을 포함할 수 있으며, 디스플레이를 통해 컴퓨팅 장치(100)로부터 제공되는 사용자 인터페이스(User interface, UI)(예: 안저 영상 데이터 업로드 UI, 진단 결과 보고서 제공 UI 등)를 출력할 수 있다.
다양한 실시예에서, 사용자 단말(200)은 내부에 별도에 영상 데이터를 생성하는 카메라 모듈을 별도로 구비하거나, 외부의 카메라 장치와 연결되어 외부의 카메라 장치로부터 생성되는 영상 데이터를 제공받을 수 있다. 그러나, 이에 한정되지 않는다.
일 실시예에서, 외부 서버(300)는 네트워크(400)를 통해 컴퓨팅 장치(100)와 연결될 수 있으며, 컴퓨팅 장치(100)가 안저 영상 데이터의 품질 점수를 산출하는 과정을 수행하기 위해 필요한 각종 데이터(예: 안저 영상 데이터 등)를 제공하거나 컴퓨팅 장치(100)로부터 생성된 각종 데이터(예: 안저 영상 데이터의 품질 점수 산출 결과 등)를 제공받아 저장할 수 있다. 예를 들어, 외부 서버(300)는 복수의 환자 각각에 대한 안저 영상 데이터를 저장하는 병원 서버일 수 있다. 그러나, 이에 한정되지 않는다. 이하, 도 2 및 3을 참조하며, 컴퓨팅 장치(100)가 수행하는 안저 영상 데이터의 품질 점수 산출 방법을 설명하도록 한다.
도 2는 본 발명의 다른 실시예에 따른 안저 영상 데이터의 품질 점수 산출 장치(100)를 도시한 도면이며, 도 3은 본 발명의 또 다른 실시예에 따른 안저 영상 데이터의 품질 점수 산출 방법의 순서도이다.
도 2 및 3을 참조하면, S110 단계에서, 컴퓨팅 장치(100)는 외부로부터 안저 영상 데이터를 수집할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 안저 카메라 모듈(미도시)로부터 사용자의 안저를 촬영함으로써 생성된 안저 영상 데이터(예: 이미지 데이터 및 동영상 데이터)를 실시간으로 제공받을 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 사용자 단말(200) 또는 외부 서버(300)와 연결되어 사용자 단말(200) 또는 외부 서버(300)에 기 저장된 복수의 안저 영상 데이터 중 적어도 하나의 안저 영상 데이터를 제공받을 수 있다. 그러나, 이에 한정되지 않는다.
S120 단계에서, 컴퓨팅 장치(100)는 S110 단계에서 수집한 안저 영상 데이터를 분석하여 안저 영상 데이터로부터 하나 이상의 특징값을 추출할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 특징 추출 모듈(110)을 이용하여 S110 단계에서 수집한 안저 영상 데이터를 분석함으로써, 하나 이상의 특징값을 추출할 수 있다.
여기서, 특징 추출 모듈(110)은 복수의 안저 영상 데이터를 학습 데이터로써 기 학습한 인공지능 모델을 이용하여 안저 영상 데이터가 비정상 등급에 속할 확률, 안저 영상 데이터의 품질 맵(Quality Map), 선명도(Brightness), 초점값(Focus), 조도 히스토그램(Illumination histogram) 및 원마도(Roundness) 중 적어도 하나를 포함하는 특징값을 추출하는 모듈일 수 있다. 그러나, 이에 한정되지 않고, 안저 영상 데이터에 대한 품질 점수를 산출하기 위해 필요한 어떠한 특징값이든 적용이 가능하다.
다양한 실시예에서, 컴퓨팅 장치(100)는 특징 추출 모듈(110)에 의해 동작되며, 서로 다른 기준에 따라 안저 영상 데이터를 이진 분류(예: 정상 등급 및 비정상 등급)하는 2개의 이진 분류 모델(예: 제1 이진 분류 모델(111) 및 제2 이진 분류 모델(112))을 이용하여 안저 영상 데이터에 대한 비정상 등급 확률을 산출할 수 있다.
또한, 컴퓨팅 장치(100)는 2개의 이진 분류 모델을 이용하여 안저 영상 데이터의 비정상 영역을 시각화한 품질 맵을 생성할 수 있다.
여기서, 이진 분류 모델은 기 설정된 복수의 품질 등급(예: 제1 등급(예: good 등급), 제1 등급보다 낮은 제2 등급(예: usable 등급) 및 제2 등급보다 낮은 제3 등급(예: reject 등급))에 따라 분류된 복수의 안저 영상 데이터(예: 도 7 및 8)를 학습 데이터로써 기 학습한 인공지능 모델일 수 있다. 예를 들어, 이진 분류 모델은 안저 영상 데이터 셋(예: 도 7)을 이용할 수 있으며, 안저 영상 데이터 셋에 포함된 복수의 안저 영상 데이터 중 학습 데이터 셋을 나눠 90%(11288개)를 학습 데이터로써 이용하고, 나머지 10%(1255개)를 이진 분류 모델을 검증하기 위한 검증 데이터로써 이용할 수 있다. 또한, 이진 분류 모델의 타입(제1 이진 분류 모델(111)과 제2 이진 분류 모델(112))에 따라 데이터 구성이 다른 점을 고려하여 각 이진 라벨별 데이터 수가 동일하도록 샘플링(예: 도 8)할 수 있다. 그러나, 이에 한정되지 않는다.
다양한 실시예에서, 컴퓨팅 장치(100)는 제1 등급 및 제2 등급을 정상 등급으로 분류하고 제3 등급을 비정상 등급으로 분류하는 제1 이진 분류 모델(111)을 이용하여 안저 영상 데이터가 비정상 등급(예: 제3 등급)에 속할 확률인 제1 비정상 등급 확률을 산출할 수 있다.
또한, 컴퓨팅 장치(100)는 제1 이진 분류 모델(111)을 이용하여 안저 영상 데이터 내에 포함된 비정상 패치(Patch)를 시각화한 제1 품질 맵(예: 도 4)을 생성할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 안저 영상 데이터 내에 포함된 비정상 패치를 적색으로 시각화하고 정상 패치를 청색으로 시각화하는 제1 품질 맵을 생성할 수 있다. 그러나, 이에 한정되지 않는다.
다양한 실시예에서, 컴퓨팅 장치(100)는 제1 등급을 정상 등급으로 분류하고 제2 등급 및 제3 등급을 비정상 등급으로 분류하는 제2 이진 분류 모델(112)을 이용하여 안저 영상 데이터가 비정상 등급(예: 제2 등급 또는 제3 등급)에 속할 확률인 제2 비정상 등급 확률을 산출할 수 있다.
또한, 컴퓨팅 장치(100)는 제2 이진 분류 모델(112)을 이용하여 안저 영상 데이터 내에 포함된 비정상 패치를 시각화한 제2 품질 맵(예: 도 4)을 생성할 수 있다. 그러나, 이에 한정되지 않는다.
다양한 실시예에서, 컴퓨팅 장치(100)는 시맨틱 분할 모델(113)을 이용하여 안저 영상 데이터 내에 포함된 안저의 유두(Disc)(예: 안저의 바깥 테두리 부분)에 대한 원마도를 산출할 수 있다.
여기서, 시맨틱 분할 모델(113)은 안저와 관련된 다양한 오픈 데이터(예: 도 9)를 학습 데이터로써 기 학습한 인공지능 모델일 수 있다. 예를 들어, 시맨틱 분할 모델(113)은 iChallenge-AMD 데이터 400개, PALM Challenge 데이터 187개 및 REFUGE Challenge 데이터 800개를 학습 데이터로써 이용할 수 있으며, 800개의 REFUGE Challenge 데이터 중 일부(약 80개)를 시맨틱 분할 모델(113)을 검증하기 위한 검증 데이터로써 이용할 수 있다. 그러나, 이에 한정되지 않는다.
다양한 실시예에서, 컴퓨팅 장치(100)는 시맨틱 분할 모델(113)을 이용하여 안저 영상 데이터 내에 포함된 안저의 유두에 대응되는 영역(예: 도 5)을 검출할 수 있고, 타원 정합법(ellipse fitting)을 이용하여 검출된 안저의 유두에 대응되는 영역의 장축 길이(Minor_axis(Disc))와 단축 길이(Major_axis(Disc))를 추출할 수 있으며, 추출된 장축 길이와 단축 길이의 비율(예: Minor_axis(Disc)/Major_axis(Disc))을 이용하여 안저의 원마도를 산출할 수 있다.
이때, 컴퓨팅 장치(100)는 안저의 유두에 대한 장축 길이가 0인 경우, 원마도를 0으로 산출할 수 있다. 그러나, 이에 한정되지 않는다.
다양한 실시예에서, 컴퓨팅 장치(100)는 특징 추출 모델(114)를 이용하여 안저 영상 데이터의 선명도를 산출할 수 있다.
여기서, 특징 추출 모델(114)은 기 설정된 복수의 품질 등급에 따라 분류된 복수의 안저 영상 데이터(예: 도 7)로부터 각각의 특징(예: 선명도, 초점값 및 조도 히스토그램 등)별 샘플을 추출하고, 추출된 샘플을 피쳐 엔지니어링(Feature Engineering)한 데이터(예: 도 10)를 학습 데이터로써 기 학습한 인공지능 모델일 수 있다. 그러나, 이에 한정되지 않는다.
다양한 실시예에서, 특징 추출 모델(114)은 본 발명의 다양한 실시예에 따른 안저 영상 데이터의 품질 점수 산출 장치를 이용하여 안저 영상 데이터에 대한 품질 점수를 산출하는 관리자에 의해 직접 작성된(hand crafted) 모델일 수 있다. 예를 들어, 특징 추출 모델(114)은 실험을 통해 도출된 결과에 따라 설정된 모델일 수 있다. 그러나, 이에 한정되지 않는다.
다양한 실시예에서, 컴퓨팅 장치(100)는 전체적으로 너무 밝거나 너무 어두워서 안저의 정확한 식별이 어려운 안저 영상 데이터를 검출하기 위하여 특징 추출 모델(114)을 이용함으로써, 안저 영상 데이터의 선명도(예: 제1 선명도 및 제2 선명도)를 산출할 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 하기의 수학식 2을 이용하여 제1 선명도를 산출할 수 있고, 수학식 3을 이용하여 제2 선명도를 산출할 수 있다. 그러나, 이에 한정되지 않는다.
Figure pat00014
Figure pat00015
여기서, X는 안저 영상 데이터 값, std(X)는
Figure pat00016
, grayscale(X)는
Figure pat00017
으로 안저 영상 데이터의 그레이 스케일 값, XR는 안저 영상 데이터의 R채널 값, XG는 안저 영상 데이터의 G채널 값, XB는 안저 영상 데이터의 B채널 값 및 mean(X)는
Figure pat00018
일 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 특징 추출 모델(114)를 이용하여 안저 영상 데이터의 초점값을 산출할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 초점이 흐려져 작은 출혈을 식별하기 어려운 안저 영상 데이터를 검출하기 위하여 특징 추출 모델(114)을 이용함으로써, 안저 영상 데이터의 초점값을 산출할 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 하기의 수학식 4를 이용하여 안저 영상 데이터에 대한 초점값을 산출할 수 있다. 그러나, 이에 한정되지 않는다.
Figure pat00019
여기서, X는 안저 영상 데이터 값, std(X)는
Figure pat00020
, grayscale(X)는
Figure pat00021
으로 안저 영상 데이터의 그레이 스케일 값, XR는 안저 영상 데이터의 R채널 값, XG는 안저 영상 데이터의 G채널 값, XB는 안저 영상 데이터의 B채널 값, , kernelx는
Figure pat00022
으로 x방향의 3x3 커널(예: kernelx=
Figure pat00023
), kernely는
Figure pat00024
으로 y방향의 3x3 커널(예: kernely=
Figure pat00025
)일 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 특징 추출 모델(114)을 이용하여 안저 영상 데이터의 조도 히스토그램을 생성할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 밝기가 고르지 않은 안저 영상 데이터를 검출하기 위하여 특징 추출 모델(114)을 이용함으로써, 안저 영상 데이터의 조도 히스토그램을 생성할 수 있다. 이하, 도 6을 참조하여 설명하도록 한다.
도 6은 다양한 실시예에서, 안저 영상 데이터의 품질 점수 산출 장치가 수행하는 조도 히스토그램 생성 방법의 순서도이다.
도 6을 참조하면, S210 단계에서, 컴퓨팅 장치(100)는 안저 영상 데이터를 전처리할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 안저 영상 데이터를 기 설정된 크기(예: 256 x 256)로 크기를 변환(Resize)할 수 있다. 그러나, 이에 한정되지 않는다.
S220 단계에서, 컴퓨팅 장치(100)는 S210 단계를 거쳐 기 설정된 크기로 크기가 변환된 안저 영상 데이터로부터 하나 이상의 패치를 추출할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 기 설정된 조건(예: 윈도우 사이즈(Window size) 32, 스트라이드(Stride) 16)에 따라 전처리된 안저 영상 데이터를 이동하면서 하나 이상의 패치를 추출할 수 있다. 그러나, 이에 한정되지 않는다.
S230 단계에서, 컴퓨팅 장치(100)는 S220 단계를 거쳐 추출된 하나 이상의 패치 각각에 대하여 대표값을 산출할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 하기의 수학식 5를 이용하여 하나 이상의 패치 각각에 대한 대표값을 산출할 수 있다. 그러나, 이에 한정되지 않는다.
Figure pat00026
여기서, P는 하나 이상의 패치 값, PR은 하나 이상의 패치의 R채널 값, P-G는 하나 이상의 패치의 G채널 값, PB는 하나 이상의 채널의 B채널 값 및 mean(x)는
Figure pat00027
일 수 있다.
S240 단계에서, 컴퓨팅 장치(100)는 S230 단계를 거쳐 산출된 하나 이상의 패치 각각의 대표값을 이용하여 조도 맵(예: 도 11)을 생성할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 하나 이상의 패치 각각의 대표값을 이용하여 기 설정된 크기(예: 15x15)의 행렬 형태의 조도 맵을 생성할 수 있다. 그러나, 이에 한정되지 않는다.
S250 단계에서, 컴퓨팅 장치(100)는 S240 단계에서 생성한 조도 맵을 이용하여 조도 히스토그램을 생성할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 총 18개의 저장소(bin) 중 17개의 저장소(예: 1 내지 17번 저장소)에는 0 내지 80 범위의 픽셀값에 대하여 계산하고, 마지막 저장소(예: 18번 저장소)에는 80 내지 255 범위의 픽셀값을 계산함으로써 조도 히스토그램(예: 도 12)을 생성할 수 있다. 그러나, 이에 한정되지 않는다.
다양한 실시예에서, 컴퓨팅 장치(100)는 S250 단계에서 생성한 조도 히스토그램을 이용하여 조도 특징값을 산출할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 정상 영역의 조도 히스토그램(예: 도 12(A))과 비정상 영역의 조도 히스토그램(예: 도 12(B)) 간의 차이를 이용하여 조도 특징값을 산출할 수 있다. 그러나, 이에 한정되지 않는다.
다시 도 2 및 3을 참조하면, S130 단계에서, 컴퓨팅 장치(100)는 S120 단계에서 추출한 하나 이상의 특징값을 이용하여 안저 영상 데이터가 기 설정된 복수의 품질 등급 각각에 속할 확률을 산출할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 품질 분류 모듈(120)을 이용하여 S120 단계에서 추출한 하나 이상의 특징값(예: 제1 비정상 등급 확률, 제1 품질 맵, 제2 비정상 등급 확률, 제2 품질 맵, 원마도, 제1 선명도, 제2 선명도, 초점값, 조도 히스토그램 및 조도 특징값)을 분석함으로써, 안저 영상 데이터가 제1 등급에 속할 확률(prob(G1)), 안저 영상 데이터가 제2 등급에 속할 확률(prob(G2)) 및 안저 영상 데이터가 제3 등급에 속할 확률(prob(G3))을 산출할 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 품질 분류 모듈(120)에 의해 동작되는 분류 모델(예: Classification model)을 이용하여 안저 영상 데이터가 기 설정된 복수의 품질 등급 각각에 속할 확률을 산출할 수 있다.
여기서, 분류 모델은 특징 추출 모듈(110)로부터 추출된 하나 이상의 특징값을 학습 데이터로 사용하여 기 학습된 인공지능 모델일 수 있다. 예를 들어, 분류 모델은 안저 영상 데이터 셋(예: 도 7)의 학습 데이터 셋과 검증 데이터 셋으로부터 하나 이상의 특징값을 추출하고, 추출된 하나 이상의 특징값을 학습 데이터로 이용할 수 있다. 이때, 학습 데이터 셋으로부터 추출된 하나 이상의 특징값 중 90%를 학습에 이용하고 나머지 10%를 분류 모델의 검증에 이용할 수 있다. 그러나, 이에 한정되지 않는다.
이후, 컴퓨팅 장치(100)는 새로운 안저 영상 데이터가 획득되는 경우, 해당 안저 영상 데이터에 대한 품질을 평가하기 위해 해당 안저 영상 데이터로부터 상술한 하나 이상의 특징값을 추출하고, 이를 기 학습된 인공지능 모델에 입력함으로써 해당 안저 영상 데이터가 기 설정된 복수의 품질 등급 각각에 속할 확률을 산출할 수 있다.
S140 단계에서, 컴퓨팅 장치(100)는 S130 단계에서 산출된 안저 영상 데이터가 기 설정된 복수의 품질 등급 각각에 속할 확률을 이용하여 안저 영상 데이터에 대한 품질 점수를 산출할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 품질 점수 산출 모듈(130)을 이용하여 안저 영상 데이터에 대한 품질 점수를 산출할 수 있다(예: 도 13).
다양한 실시예에서, 컴퓨팅 장치(100)는 하기의 수학식 1을 이용하여 안저 영상 데이터에 대한 품질 점수를 산출할 수 있다.
Figure pat00028
여기서, prob(G1)은 안저 영상 데이터가 제1 등급에 속할 확률, prob(G2)는 안저 영상 데이터가 제2 등급에 속할 확률, prob(G3)는 안저 영상 데이터가 제3 등급에 속할 확률, C1, C2 및 C3는 기 설정된 상수값(예: C1은 2, C2는 1 및 C3는 0)일 수 있다.
본 발명의 다양한 실시예에 따르면, 상기의 안저 영상 데이터의 품질 점수 산출 방법에 따라 산출된 품질 점수를 이용하여 안저 영상 데이터를 분류함으로써, 종래의 안저 영상 데이터의 품질 분류 모델 대비 높은 분류 성능을 가진다는 이점이 있다.
보다 구체적으로, 안저 영상 데이터 셋(예: 도 7)의 검증용 데이터 셋을 토대로 안저 영상 데이터를 분류하여 본 발명의 일 실시예에 따른 안저 영상 데이터의 품질 점수 산출 장치(100)의 분류 성능을 측정한 결과 아래의 표 1에서와 같이 종래의 안저 영상 데이터 품질 분류 모델 대비 2.31% 높은 분류 성능을 보였다.
이를 토대로, 본 발명의 일 실시예에 따른 안저 영상 데이터의 품질 점수 산출 장치(100)가 산출한 안저 영상 데이터의 품질 점수가 타당함을 입증할 수 있다.
Figure pat00029
다양한 실시예에서, 컴퓨팅 장치(100)는 영상 데이터를 분석하여 영상 데이터를 필터링 하기 위한 품질 점수 임계값을 결정할 수 있다. 이하, 도 14를 참조하여 설명하도록 한다.
도 14는 본 발명의 또 다른 실시예에 따른 영상 데이터 필터링을 위한 품질 점수 임계값 산출 방법의 순서도이다.
도 14를 참조하면, S301 단계에서, 컴퓨팅 장치(100)는 외부로부터 영상 데이터를 수집할 수 있고, S302 단계에서 수집한 영상 데이터를 분석하여 영상 데이터에 대한 품질 점수를 산출할 수 있다(예: 도 3의 S110 단계 내지 S140 단계).
S304 단계에서, 컴퓨팅 장치(100)는 S302 단계에서 산출된 복수의 영상 데이터 각각의 품질 점수에 기초하여 복수의 영상 데이터를 Q분위로 영상 데이터를 그룹핑할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 품질 점수에 기초하여 복수의 영상 데이터를 정렬(예: 오름차순으로 정렬)하고, 정렬된 복수의 영상 데이터를 동일한 규모(예: 동일한 개수의 영상 데이터를 가지도록)를 가지는 Q개의 그룹으로 그룹화할 수 있다. 그러나, 이에 한정되지 않는다.
S305 단계에서, 컴퓨팅 장치(100)는 S303 단계에서 추출한 질병 분류 결과를 이용하여 S304 단계를 거쳐 그룹화된 Q개의 그룹 각각에 대한 질병 분류 성능을 평가할 수 있다.
예를 들어, 컴퓨팅 장치(100)는 복수의 품질 등급 각각에 포함된 하나 이상의 영상 데이터를 분석하여 복수의 품질 등급 각각의 정밀도(Precision)(예: 질병이 있는 것으로 판단된 영상 데이터 중 실제 질병이 있는 환자에 대응되는 영상 데이터의 비율) 및 재현율(Recall)(예: 실제 질병이 있는 환자에 대응되는 영상 데이터 중 진단 모델을 통해 질병이 있는 것으로 판단된 영상 데이터의 비율)을 산출할 수 있다.
이후, 컴퓨팅 장치(100)는 정밀도와 재현율을 이용하여 하나 이상의 영상 데이터에 대한 질병 분류 성능을 가리키는 F1 점수(f1 score)를 산출할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 정밀도와 재현율의 조화평균(예: 2*(정밀도*재현율)/(정밀도+재현율))을 산출함으로써, f1 점수를 산출할 수 있다. 그러나, 이에 한정되지 않고, FPR(False Positive Rate)(예: 실제 질병이 없는 환자에 대응되는 영상 데이터 중 진단 모듈을 통해 질병이 있는 것으로 판단된 영상 데이터의 비율), ROC(Receiver Operating Characteristic) curve(예: FPR과 재현율 간의 변화를 나타내는 그래프) 및 AUC(Area Under Curve)(예: ROC curve의 면적값) 등 다양한 지표를 이용하여 질병 분류 성능을 판단할 수 있다.
S306 단계에서, 컴퓨팅 장치(100)는 S305 단계에서 산출된 Q개의 그룹별 질병 분류 성능 평가 결과에 기초하여 Q개의 그룹을 2개의 그룹으로 클러스터링할 수 있다.
예를 들어, 컴퓨팅 장치(100)는 F1 점수와 기준 F1 점수를 비교하여 질병 분류 성능이 좋은 하나 이상의 품질 등급을 포함하는 제1 그룹(예: F1 점수가 기준 F1 점수 이상인 그룹, 제1 등급 및 제2 등급)과 질병 분류 성능이 나쁜 하나 이상의 품질 등급을 포함하는 제2 그룹(예: F1 점수가 기준 F1 점수 미만인 그룹, 제3 등급)으로 클러스터링할 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 K-평균 클러스터링이나 가우시안 혼합모델(Gaussian Mixture Model, GMM)과 같은 머신러닝 알고리즘을 이용하여 별도의 기준 F1 점수를 설정하지 않고 Q개의 그룹을 2개의 그룹으로 클러스터링할 수 있다. 그러나, 이에 한정되지 않는다.
S307 단계에서, 컴퓨팅 장치(100)는 클러스터링된 2개의 그룹(예: 제1 그룹 및 제2 그룹)에 포함된 하나 이상의 영상 데이터에 대하여 연결요소 레이블링(Connected Component Labeling, CCL)을 수행할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 복수의 품질 등급을 2개의 그룹으로 클러스터링된 결과를 입력값으로 하여 연결요소 레이블링을 수행할 수 있다.
S308 단계에서, 컴퓨팅 장치(100)는 클러스터링된 2개의 그룹(예: 제1 그룹 및 제2 그룹)에 대한 연결요소 레이블링 결과로 생성된 연결요소 레이블의 개수를 판단할 수 있다.
S309 단계에서, 컴퓨팅 장치(100)는 S307 단계를 통해 수행한 연결요소 레이블링의 결과로 생성된 연결요소 레이블의 개수가 2개가 아닌 것으로 판단되는 경우(예: 도 15의 (b)), 연결요소 레이블의 개수가 2개가 아닌 연결요소 레이블링 결과를 품질 점수 임계값 추출 대상에서 제외시킬 수 있다.
S310 단계에서, 컴퓨팅 장치(100)는 S307 단계를 통해 수행한 연결요소 레이블링의 결과로 생성된 연결요소 레이블의 개수가 2개인 것으로 판단되는 경우(예: 도 15의 (a)), 연결요소 레이블의 개수가 2개인 연결요소 레이블링 결과를 품질 점수 임계값 추출 대상으로 설정할 수 있다.
S311 단계에서, 컴퓨팅 장치(100)는 Q분위가 기 설정된 분위 최대값(QMAX) 미만인지 여부를 판단할 수 있다. 이때, 컴퓨팅 장치(100)는 Q분위가 기 설정된 분위 최대값(QMAX) 미만인 것으로 판단되는 경우, S304 단계 내지 S310 단계를 순차적으로 재수행할 수 있다. 이때, 컴퓨팅 장치(100)는 Q 분위를 변화시키며 S304 단계 내지 S310 단계를 반복적으로 재수행할 수 있다(예: 도 15).
S312 단계에서, 컴퓨팅 장치(100)는 S311 단계를 통해 Q분위가 기 설정된 분위 최대값(QMAX) 이상인 것으로 판단되는 경우, S309 단계에서 품질 점수 임계값 추출 대상으로 설정된 연결요소 레이블링 결과(예: 복수의 연결요소 레이블링 결과 중 2개의 연결요소 레이블이 추출된 연결요소 레이블링 결과)를 이용하여 품질 점수 임계값을 산출할 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 2개의 연결요소 레이블이 추출된 경우에서의 클러스터링된 2개의 그룹 간(예: 제1 그룹 및 제2 그룹)의 품질 점수 경계값을 추출하고, 추출한 품질 점수 경계값의 평균을 산출하며, 산출된 품질 점수 경계값의 평균을 영상 데이터의 품질 점수 임계값으로 결정할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 연결요소 레이블의 개수가 2개인 것으로 판단된 회차(예: 연결요소 레이블링을 반복 수행한 회차)가 12, 16, 18, 19, 22, 24, 30 및 36회차인 경우, 12, 16, 18, 19, 22, 24, 30 및 36회차에서의 제1 그룹 및 제2 그룹 간의 품질 점수 경계값들의 평균을 산출하고, 산출된 12, 16, 18, 19, 22, 24, 30 및 36회차에서의 품질 점수 경계값의 평균을 영상 데이터의 품질 점수 임계값으로 결정할 수 있다. 그러나, 이에 한정되지 않는다.
전술한 안저 영상 데이터의 품질 점수 산출 방법은 도면에 도시된 순서도를 참조하여 설명하였다. 간단한 설명을 위해 안저 영상 데이터의 품질 점수 산출 방법은 일련의 블록들로 도시하여 설명하였으나, 본 발명은 상기 블록들의 순서에 한정되지 않고, 몇몇 블록들은 본 명세서에 도시되고 시술된 것과 상이한 순서로 수행되거나 또는 동시에 수행될 수 있다. 또한, 본 명세서 및 도면에 기재되지 않은 새로운 블록이 추가되거나, 일부 블록이 삭제 또는 변경된 상태로 수행될 수 있다. 이하, 도 16을 참조하여, 본 발명의 또 다른 실시예에 따른 안저 영상 데이터의 품질 점수 산출 장치(100)의 하드웨어 구성에 대해 설명하도록 한다.
도 16은 본 발명의 또 다른 실시예에 따른 안저 영상 데이터의 품질 점수 산출 장치의 하드웨어 구성도이다.
도 16을 참조하면, 본 발명의 또 다른 실시예에 따른 안저 영상 데이터의 품질 점수 산출 장치(500)(이하, "컴퓨팅 장치(500)")는 프로세서(510) 및 메모리(520)를 포함할 수 있다. 다양한 실시예에서, 컴퓨팅 장치(500)는 네트워크 인터페이스(또는 통신 인터페이스)(미도시), 스토리지(미도시), 버스(bus)(미도시)를 더 포함할 수 있다.
일 실시예에서, 프로세서(510)는 컴퓨팅 장치(500)의 각 구성의 전반적인 동작을 제어할 수 있다. 프로세서(510)는 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), 또는 본 발명의 기술 분야에 잘 알려진 임의의 형태의 프로세서를 포함하여 구성될 수 있다.
다양한 실시예에서, 프로세서(510)는 본 발명의 실시예들에 따른 방법을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있다. 다양한 실시예에서, 프로세서(510)는 하나 이상의 코어(core, 미도시) 및 그래픽 처리부(미도시) 및/또는 다른 구성 요소와 신호를 송수신하는 연결 통로(예: 버스(bus) 등)를 포함할 수 있다.
다양한 실시예에서, 프로세서(510)는 프로세서(510) 내부에서 처리되는 신호(또는, 데이터)를 일시적 및/또는 영구적으로 저장하는 램(RAM: Random Access Memory, 미도시) 및 롬(ROM: Read-Only Memory, 미도시)을 더 포함할 수 있다. 또한, 프로세서(510)는 그래픽 처리부, 램 및 롬 중 적어도 하나를 포함하는 시스템온칩(SoC: system on chip) 형태로 구현될 수 있다.
일 실시예에서, 프로세서(510)는 메모리(520)에 저장된 하나 이상의 인스트럭션(instruction)을 실행함으로써, 도 2 내지 13과 관련하여 설명된 방법(예: 안저 영상 데이터의 품질 점수 산출 방법)을 수행할 수 있다.
예를 들어, 프로세서(510)는 메모리(520)에 저장된 하나 이상의 인스트럭션을 실행함으로써, 안저 영상 데이터를 수집하는 단계, 안저 영상 데이터로부터 하나 이상의 특징값을 추출하는 단계, 추출된 하나 이상의 특징값을 이용하여 안저 영상 데이터가 기 설정된 복수의 품질 등급 각각에 속할 확률을 산출하는 단계 및 산출된 복수의 품질 등급 각각에 속할 확률을 이용하여 안저 영상 데이터에 대한 품질 점수를 산출하는 단계를 포함하는 안저 영상 데이터의 품질 점수 산출 방법을 수행할 수 있다. 그러나, 이에 한정되지 않는다.
또한, 프로세서(510)는 메모리(520)에 저장된 하나 이상의 인스트럭션을 실행함으로써, 복수의 영상 데이터 각각에 대한 품질 점수를 산출하는 단계, 산출된 품질 점수에 기초하여 복수의 영상 데이터를 복수의 품질 등급으로 분류하는 단계, 복수의 품질 등급 각각에 포함된 하나 이상의 영상 데이터에 대한 질병 분류 성능을 판단하고, 판단된 질병 분류 성능에 따라 복수의 품질 등급을 2개의 그룹으로 클러스터링 하는 단계 및 클러스터링된 2개의 그룹 간의 품질 점수 경계값을 이용하여 영상 데이터의 품질 점수 임계값을 산출하는 단계를 포함하는 영상 데이터 필터링을 위한 품질 점수 임계값 산출 방법을 수행할 수 있다.
일 실시예에서, 메모리(520)는 각종 데이터, 명령 및/또는 정보를 저장할 수 있다. 메모리(520)에는 프로세서(510)의 처리 및 제어를 위한 프로그램들(하나 이상의 인스트럭션들)을 저장할 수 있다. 메모리(520)에 저장된 프로그램들은 기능에 따라 복수 개의 모듈들로 구분될 수 있다.
다양한 실시예에서, 본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수 있다.
본 발명의 구성 요소들은 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 애플리케이션)으로 구현되어 매체에 저장될 수 있다. 본 발명의 구성 요소들은 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있으며, 이와 유사하게, 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다.
이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.
100 : 안저 영상 데이터의 품질 점수 산출 장치
110 : 특징 추출 모듈
120 : 품질 분류 모듈
130 : 품질 점수 산출 모듈
200 : 사용자 단말
300 : 외부 서버
400 : 네트워크

Claims (10)

  1. 컴퓨팅 장치에 의해 수행되는 방법에 있어서,
    안저 영상 데이터를 수집하는 단계;
    상기 안저 영상 데이터로부터 하나 이상의 특징값을 추출하는 단계;
    상기 추출된 하나 이상의 특징값을 이용하여 상기 안저 영상 데이터가 기 설정된 복수의 품질 등급 각각에 속할 확률을 산출하는 단계; 및
    상기 산출된 복수의 품질 등급 각각에 속할 확률을 이용하여 상기 안저 영상 데이터에 대한 품질 점수를 산출하는 단계를 포함하는,
    안저 영상 데이터의 품질 점수 산출 방법.
  2. 제1항에 있어서,
    상기 복수의 품질 등급은,
    제1 등급, 상기 제1 등급보다 낮은 제2 등급 및 상기 제2 등급보다 낮은 제3 등급을 포함하며,
    상기 품질 점수를 산출하는 단계는,
    하기의 수학식 1을 이용하여 상기 안저 영상 데이터에 대한 품질 점수를 산출하는 단계를 포함하는,
    안저 영상 데이터의 품질 점수 산출 방법.
    [수학식 1]
    Figure pat00030

    여기서, prob(G1)은 상기 안저 영상 데이터가 상기 제1 등급에 속할 확률, prob(G2)는 상기 안저 영상 데이터가 상기 제2 등급에 속할 확률, prob(G3)는 상기 안저 영상 데이터가 상기 제3 등급에 속할 확률, C1, C2 및 C3는 기 설정된 상수값
  3. 제2항에 있어서,
    상기 하나 이상의 특징값은,
    상기 안저 영상 데이터가 비정상 등급에 속할 확률, 상기 안저 영상 데이터의 품질 맵(Quality Map), 선명도(Brightness), 초점값(Focus), 조도(Illumination) 히스토그램 및 원마도(Roundness) 중 적어도 하나를 포함하며,
    상기 복수의 품질 등급 각각에 속할 확률을 산출하는 단계는,
    복수의 안저 영상 데이터를 학습 데이터로써 기 학습한 인공지능 모델을 이용하여 상기 하나 이상의 특징값으로부터 상기 안저 영상 데이터가 상기 복수의 품질 등급 각각에 속할 확률을 산출하는 단계를 포함하는,
    안저 영상 데이터의 품질 점수 산출 방법.
  4. 제3항에 있어서,
    상기 하나 이상의 특징값을 추출하는 단계는,
    상기 제1 등급 및 상기 제2 등급을 정상 등급으로 분류하고 상기 제3 등급을 비정상 등급으로 분류하는 제1 이진 분류 모델을 이용하여 상기 안저 영상 데이터가 상기 비정상 등급에 속할 확률인 제1 비정상 등급 확률을 산출하고, 상기 안저 영상 데이터 내에서 비정상으로 판단된 영역을 시각화한 제1 품질 맵을 추출하는 단계; 및
    상기 제1 등급을 정상 등급으로 분류하고 상기 제2 등급 및 상기 제3 등급을 비정상 등급으로 분류하는 제2 이진 분류 모델을 이용하여 상기 안저 영상 데이터가 상기 비정상 등급에 속할 확률인 제2 비정상 등급 확률을 산출하고, 상기 안저 영상 데이터 내에서 비정상으로 판단된 영역을 시각화한 제2 품질 맵을 추출하는 단계를 포함하는,
    안저 영상 데이터의 품질 점수 산출 방법.
  5. 제3항에 있어서,
    상기 하나 이상의 특징값을 추출하는 단계는,
    상기 안저 영상 데이터로부터 안저의 유두(Disc)에 대응되는 영역을 검출하고, 상기 검출된 안저의 유두에 대응되는 영역의 장축 길이 및 단축 길이를 추출하며, 상기 추출된 장축의 길이와 상기 추출된 단축의 길이의 비율을 이용하여 상기 안저의 원마도를 산출하는 단계를 포함하는,
    안저 영상 데이터의 품질 점수 산출 방법.
  6. 제3항에 있어서,
    상기 선명도는 제1 선명도 및 제2 선명도를 포함하며,
    상기 하나 이상의 특징값을 추출하는 단계는,
    하기의 수학식 2를 이용하여 상기 안저 영상 데이터에 대한 상기 제1 선명도를 산출하고, 하기의 수학식 3을 이용하여 상기 안저 영상 데이터에 대한 상기 제2 선명도를 산출하는 단계를 포함하는,
    안저 영상 데이터의 품질 점수 산출 방법.
    [수학식 2]
    Figure pat00031

    여기서, X는 상기 안저 영상 데이터 값, std(X)는
    Figure pat00032
    , grayscale(X)는
    Figure pat00033
    으로 상기 안저 영상 데이터의 그레이 스케일 값, XR는 상기 안저 영상 데이터의 R채널 값, XG는 상기 안저 영상 데이터의 G채널 값, XB는 상기 안저 영상 데이터의 B채널 값 및 mean(X)는
    Figure pat00034

    [수학식 3]
    Figure pat00035
  7. 제3항에 있어서,
    상기 하나 이상의 특징값을 추출하는 단계는,
    하기의 수학식 4를 이용하여 상기 안저 영상 데이터에 대한 초점값을 산출하는 단계를 포함하는,
    안저 영상 데이터의 품질 점수 산출 방법.
    [수학식 4]
    Figure pat00036

    여기서, X는 상기 안저 영상 데이터 값, std(X)는
    Figure pat00037
    , grayscale(X)는
    Figure pat00038
    으로 상기 안저 영상 데이터의 그레이 스케일 값, XR는 상기 안저 영상 데이터의 R채널 값, XG는 상기 안저 영상 데이터의 G채널 값, XB는 상기 안저 영상 데이터의 B채널 값, kernelx는
    Figure pat00039
    으로 x방향의 3x3 커널, kernely는
    Figure pat00040
    으로 y방향의 3x3 커널
  8. 제3항에 있어서,
    상기 하나 이상의 특징값을 추출하는 단계는,
    상기 안저 영상 데이터를 전처리 하는 단계;
    상기 전처리된 안저 영상 데이터로부터 기 설정된 크기를 가지는 하나 이상의 패치(Patch)를 추출하는 단계;
    하기의 수학식 5를 이용하여 상기 하나 이상의 패치 각각에 대한 대표값을 산출하는 단계;
    상기 산출된 대표값을 이용하여 조도 맵을 생성하는 단계; 및
    상기 조도 맵을 이용하여 상기 조도 히스토그램을 생성하는 단계를 포함하는,
    안저 영상 데이터의 품질 점수 산출 방법.
    [수학식 5]
    Figure pat00041

    여기서, P는 상기 하나 이상의 패치 값, PR은 상기 하나 이상의 패치의 R채널 값, P-G는 상기 하나 이상의 패치의 G채널 값, PB는 상기 하나 이상의 채널의 B채널 값 및 mean(x)는
    Figure pat00042
  9. 하나 이상의 인스트럭션을 저장하는 메모리; 및
    상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고,
    상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
    제1 항의 방법을 수행하는, 장치.
  10. 하드웨어인 컴퓨터와 결합되어, 제1 항의 방법을 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장된 컴퓨터프로그램.
KR1020210022888A 2020-04-06 2021-02-19 인공지능을 이용한 안저 영상 데이터의 품질 점수 산출 방법, 장치 및 컴퓨터프로그램 KR20210124024A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210022888A KR20210124024A (ko) 2020-04-06 2021-02-19 인공지능을 이용한 안저 영상 데이터의 품질 점수 산출 방법, 장치 및 컴퓨터프로그램

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020200041672A KR102220573B1 (ko) 2020-04-06 2020-04-06 인공지능을 이용한 안저 영상 데이터의 품질 점수 산출 방법, 장치 및 컴퓨터프로그램
KR1020210022888A KR20210124024A (ko) 2020-04-06 2021-02-19 인공지능을 이용한 안저 영상 데이터의 품질 점수 산출 방법, 장치 및 컴퓨터프로그램

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020200041672A Division KR102220573B1 (ko) 2020-04-06 2020-04-06 인공지능을 이용한 안저 영상 데이터의 품질 점수 산출 방법, 장치 및 컴퓨터프로그램

Publications (1)

Publication Number Publication Date
KR20210124024A true KR20210124024A (ko) 2021-10-14

Family

ID=74731257

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020200041672A KR102220573B1 (ko) 2020-04-06 2020-04-06 인공지능을 이용한 안저 영상 데이터의 품질 점수 산출 방법, 장치 및 컴퓨터프로그램
KR1020210022888A KR20210124024A (ko) 2020-04-06 2021-02-19 인공지능을 이용한 안저 영상 데이터의 품질 점수 산출 방법, 장치 및 컴퓨터프로그램

Family Applications Before (1)

Application Number Title Priority Date Filing Date
KR1020200041672A KR102220573B1 (ko) 2020-04-06 2020-04-06 인공지능을 이용한 안저 영상 데이터의 품질 점수 산출 방법, 장치 및 컴퓨터프로그램

Country Status (1)

Country Link
KR (2) KR102220573B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102449091B1 (ko) 2022-01-17 2022-10-14 부산대학교 산학협력단 원형분석과 fcm 분석기법을 이용한 녹내장 분석 시스템 및 방법
KR102606790B1 (ko) * 2023-03-07 2023-11-29 주식회사 바스젠바이오 의료용 이미지 데이터 퀄리티 스크리닝 시스템 및 그 방법
KR102651589B1 (ko) * 2023-07-20 2024-03-27 주식회사 크레스콤 영상 및 비영상 데이터를 이용한 질병 예후 통합 예측 방법, 장치 및 컴퓨터 프로그램

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190087272A (ko) 2018-01-16 2019-07-24 한국전자통신연구원 안저영상을 이용한 녹내장 진단 방법 및 이를 위한 장치

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9905008B2 (en) * 2013-10-10 2018-02-27 University Of Rochester Automated fundus image field detection and quality assessment
KR20200005404A (ko) * 2018-07-06 2020-01-15 연세대학교 산학협력단 진단 보조 시스템
KR101998401B1 (ko) * 2018-04-18 2019-07-09 네오컨버전스 주식회사 영상 품질등급 결정방법 및 장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190087272A (ko) 2018-01-16 2019-07-24 한국전자통신연구원 안저영상을 이용한 녹내장 진단 방법 및 이를 위한 장치

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102449091B1 (ko) 2022-01-17 2022-10-14 부산대학교 산학협력단 원형분석과 fcm 분석기법을 이용한 녹내장 분석 시스템 및 방법
KR102606790B1 (ko) * 2023-03-07 2023-11-29 주식회사 바스젠바이오 의료용 이미지 데이터 퀄리티 스크리닝 시스템 및 그 방법
KR102651589B1 (ko) * 2023-07-20 2024-03-27 주식회사 크레스콤 영상 및 비영상 데이터를 이용한 질병 예후 통합 예측 방법, 장치 및 컴퓨터 프로그램

Also Published As

Publication number Publication date
KR102220573B1 (ko) 2021-02-25

Similar Documents

Publication Publication Date Title
US11213197B2 (en) Artificial neural network and system for identifying lesion in retinal fundus image
US20220076420A1 (en) Retinopathy recognition system
KR20210124024A (ko) 인공지능을 이용한 안저 영상 데이터의 품질 점수 산출 방법, 장치 및 컴퓨터프로그램
Bilal et al. Diabetic retinopathy detection and classification using mixed models for a disease grading database
CN110327013B (zh) 眼底图像检测方法、装置及设备和存储介质
Niemeijer et al. Information fusion for diabetic retinopathy CAD in digital color fundus photographs
Kauppi et al. The diaretdb1 diabetic retinopathy database and evaluation protocol.
Kälviäinen et al. DIARETDB1 diabetic retinopathy database and evaluation protocol
KR20200005409A (ko) 안저 이미지 관리 장치 및 안저 이미지의 적합성 판단 방법
Prasad et al. Multiple eye disease detection using Deep Neural Network
WO2018095994A1 (en) Method and system for classifying optic nerve head
CN109961848B (zh) 黄斑图像分类方法和设备
KR102313143B1 (ko) 딥러닝에 기반한 당뇨망막병증 검출 및 증증도 분류장치 및 그 방법
CN105069803A (zh) 一种基于彩色图像的糖尿病病变体微血管瘤的分类装置
Li et al. Vessel recognition of retinal fundus images based on fully convolutional network
CN115578783A (zh) 基于眼部图像进行眼部疾病识别的装置、方法及相关产品
Dias et al. Evaluation of retinal image gradability by image features classification
Bali et al. Analysis of deep learning techniques for prediction of eye diseases: A systematic review
Mankar et al. Automatic detection of diabetic retinopathy using morphological operation and machine learning
Zhou et al. Computer aided diagnosis for diabetic retinopathy based on fundus image
KR102220574B1 (ko) 영상 데이터 필터링을 위한 품질 점수 임계값 산출 방법, 장치 및 컴퓨터프로그램
US20230037424A1 (en) A system and method for classifying images of retina of eyes of subjects
Samah et al. Classification of pathological signs for diabetic retinopathy diagnosis using image enhancement technique and convolution neural network
Sharma et al. A system for grading diabetic maculopathy severity level
Pathan et al. Automated detection of pathological and non-pathological myopia using retinal features and dynamic ensemble of classifiers