KR20230053787A - 소아 근시 진행 예측 모델의 구축 장치 및 예측 모델을 이용한 근시 진행 예측 장치, 방법 및 프로그램 - Google Patents

소아 근시 진행 예측 모델의 구축 장치 및 예측 모델을 이용한 근시 진행 예측 장치, 방법 및 프로그램 Download PDF

Info

Publication number
KR20230053787A
KR20230053787A KR1020210136812A KR20210136812A KR20230053787A KR 20230053787 A KR20230053787 A KR 20230053787A KR 1020210136812 A KR1020210136812 A KR 1020210136812A KR 20210136812 A KR20210136812 A KR 20210136812A KR 20230053787 A KR20230053787 A KR 20230053787A
Authority
KR
South Korea
Prior art keywords
pediatric
myopia
image
patient
progression
Prior art date
Application number
KR1020210136812A
Other languages
English (en)
Inventor
강동화
임현택
이병주
김용환
포스터 마야
Original Assignee
재단법인 아산사회복지재단
주식회사 뉴냅스
울산대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 재단법인 아산사회복지재단, 주식회사 뉴냅스, 울산대학교 산학협력단 filed Critical 재단법인 아산사회복지재단
Priority to KR1020210136812A priority Critical patent/KR20230053787A/ko
Publication of KR20230053787A publication Critical patent/KR20230053787A/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
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4842—Monitoring progression or stage of a disease
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/04—Babies, e.g. for SIDS detection

Landscapes

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

Abstract

본 발명은 소아 근시 환자의 근시 진행 예측 장치에 관한 것으로, 진단 대상 환자의 안저 영상을 RGB 중 적어도 하나의 색상에 대한 채널을 갖는 이미지로 전처리하고, 이를 예측 모델에 입력함으로써, 진단 대상 환자의 근시 진행 예측 정보를 생성할 수 있다.

Description

소아 근시 진행 예측 모델의 구축 장치 및 예측 모델을 이용한 근시 진행 예측 장치, 방법 및 프로그램 {Device, method, and program for predicting myopia progression in children using a device for predicting myopia progression and a predictive model}
본 발명은 소아 근시 진행 예측 모델의 구축 장치와 예측 모델을 이용한 근시 진행 예측 장치에 관한 것이다.
소아에서는 근시, 난시, 사시 등의 발병률이 높다. 이들을 대상으로 한 질병 치료 연구는 많지만 정상 시력 발달에 영향을 미치는 인자에 대한 연구는 아직 부족한 상태이다.
특히, 어린이들의 근시가 빠르게 진행되는 것을 고도 근시라고 하는데, 고도 근시가 진행되면 녹내장, 백내장 등과 같은 합병증이 발생할 확률이 높아지기 때문에 고도 근시가 발생되지 않도록 하는 것이 매우 중요하다.
하지만, 이러한 상황에도 불구하고 소아의 근시 진행 및 시력 발달에 영향을 미치는 인자들을 분석하여 소아의 향후 근시 진행 정도를 예측하고, 근시 진행 억제 치료를 필요로 하는 환자를 선별할 있는 기술이 현재로서는 공개되어 있지 않은 실정이다.
공개특허공보 제10-2021-0046444호, (2021.04.28)
상술한 바와 같은 문제점을 해결하기 위한 본 발명은 소아 근시 환자의 안저 영상을 RGB 중 적어도 하나의 색상에 대한 채널을 갖는 이미지로 전처리하고, 이를 임상 정보와 함께 학습시켜 소아 근시 진행 예측 모델을 구축하고자 한다.
또한, 본 발명은 진단 대상 환자의 안저 영상을 RGB 중 적어도 하나의 색상에 대한 채널을 갖는 이미지로 전처리하고, 이를 예측 모델에 입력하여 진단 대상 환자의 근시 진행 예측 정보를 생성하고자 한다.
또한, 본 발명은 진단 대상 환자에 대한 근시의 정도, 근시의 진행 속도 및 치료 방법을 함께 제공하고, 각 치료 방법을 이용했을 경우 기대되는 예후 정보를 생성하여 제공하고자 한다.
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 소아 근시 진행 예측 모델의 구축 장치는, 소아 근시 환자의 안저 영상 및 임상 정보 중 적어도 하나를 획득하는 통신부; 상기 획득된 안저 영상을 RGB 중 적어도 하나의 색상에 대한 채널을 갖는 이미지로 전처리하는 전처리 모듈; 및 상기 전처리된 이미지를 상기 소아 근시 환자의 임상 정보와 함께 학습 데이터로 입력하여 예측 모델을 학습시키는 프로세서를 포함한다.
또한, 상기 임상 정보는, 상기 소아 근시 환자의 나이, 상기 소아 근시 환자의 망막 검사 정보 및 상기 소아 근시 환자의 근시 증상에 대한 치료 정보 중 적어도 하나를 포함하고, 상기 치료 정보는, 치료 방법, 적어도 1회의 치료 시기 및 치료 횟수 중 적어도 하나에 대한 정보를 포함한다.
또한, 상기 프로세서는, 상기 안저 영상을 R 채널 이미지, G 채널 이미지, B 채널 이미지, RG 채널 이미지, RB 채널 이미지, GB 채널 이미지 및 RGB 채널 이미지 중 적어도 하나의 채널 이미지로 전처리하고, 상기 전처리된 채널 이미지 각각을 이용하여 RGB 색상 조합 각각에 대한 예측모델을 학습시키는 것을 특징으로 한다.
또한, 상기 프로세서는, 상기 전처리된 이미지 각각에서 소아 근시 진행과 관련된 적어도 하나의 영상학적 특징점을 인식하고, 상기 인식된 영상학적 특징점을 상기 임상 정보와 연관지어 상기 예측 모델을 학습시키는 것을 특징으로 한다.
또한, 상기 예측 모델은, 상기 전처리된 이미지 각각의 채널 색상과 망막 상의 병변 패턴 및 망막 상의 텍스쳐(Texture) 특징 중 적어도 하나를 기반으로, 상기 영상학적 특징점을 인식하는 것을 특징으로 한다.
또한, 상기 예측 모델은, 상기 전처리된 이미지 중에서 특정 채널의 이미지에 영상학적 특징점이 존재하는 경우, 이를 적어도 하나의 다른 채널의 이미지의 동일 위치의 영상학적 특징점과 비교하고, 상기 비교 결과에 대하여 학습하는 것을 특징으로 한다.
상술한 과제를 해결하기 위한 본 발명의 일 실시예에 따른 소아 근시 환자의 근시 진행 예측 장치는, 예측 모델을 이용하여 소아 근시 환자의 근시 진행을 예측하는 장치로, 통신부를 통해 진단 대상 환자의 안저 영상을 획득하고, 전처리 모듈을 통해 상기 안저 영상을 RGB 중 적어도 하나의 색상에 대한 채널을 갖는 이미지로 전처리하고, 상기 전처리된 이미지를 상기 예측 모델에 입력하여 상기 진단 대상 환자의 근시 진행 예측 정보를 생성하는 프로세서를 포함한다.
또한, 상기 근시 진행 예측 정보는, 근시의 정도, 근시 진행 속도 및 치료 정보 중 적어도 하나를 포함하고, 상기 예측 모델은, 상기 진단 대상 환자에 대하여 예측된 근시의 정도 및 근시 진행 속도를 기반으로, 상기 치료 정보를 도출하는 것을 특징으로 한다.
또한, 상기 치료 정보는, 적어도 하나의 치료 방법과 각 치료 방법에 대한 치료 시기 및 치료 횟수 중 적어도 하나를 포함한다.
또한, 상기 예측 모델은, 상기 진단 대상 환자가 상기 치료 정보에 포함된 각 치료 방법을 이용했을 때 기대되는 예후 정보를 생성한다.
또한, 상기 프로세서는, RGB 색상 조합 각각에 대하여 구축된 예측모델에 상기 전처리된 이미지를 입력하여, 각각의 RGB 색상 조합에 대한 근시 진행 예측 정보를 생성하고, 상기 생성된 근시 진행 예측 정보를 앙상블(ensemble) 처리하여 근시 진행 예측 정보를 생성하는 것을 특징으로 한다.
상술한 과제를 해결하기 위한 본 발명의 일 실시예에 따른 소아 근시 진행 예측 모델의 구축 방법은, 컴퓨터에 의해 수행되며, 소아 근시 환자의 안저 영상 및 임상 정보 중 적어도 하나를 획득하는 단계; 상기 안저 영상을 RGB 중 적어도 하나의 색상에 대한 채널을 갖는 이미지로 전처리하는 단계; 및 상기 전처리된 이미지를 상기 소아 근시 환자의 임상 정보와 함께 학습 데이터로 입력하여 예측 모델을 학습시키는 단계를 포함한다.
상술한 과제를 해결하기 위한 본 발명의 일 실시예에 따른 소아 근시 환자의 근시 진행 예측 방법은, 컴퓨터에 의해 수행되며, 예측 모델을 이용하여 소아 근시 환자의 근시 진행을 예측하는 방법으로, 진단 대상 환자의 안저 영상을 획득하는 단계; 상기 안저 영상을 RGB 중 적어도 하나의 색상에 대한 채널을 갖는 이미지로 전처리하는 단계; 및 상기 전처리된 이미지를 상기 예측 모델에 입력하여 상기 진단 대상 환자의 근시 진행 예측 정보를 생성하는 단계를 포함한다.
이 외에도, 본 발명을 구현하기 위한 다른 방법, 다른 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 컴퓨터 판독 가능한 기록 매체가 더 제공될 수 있다.
상기와 같은 본 발명에 따르면, 소아 근시 환자의 안저 영상을 RGB 중 적어도 하나의 색상에 대한 채널을 갖는 이미지로 전처리하고, 이를 임상 정보와 함께 학습시켜 소아 근시 진행 예측 모델을 구축할 수 있다.
또한, 본 발명에 따르면, 진단 대상 환자의 안저 영상을 RGB 중 적어도 하나의 색상에 대한 채널을 갖는 이미지로 전처리하고, 이를 예측 모델에 입력함으로써, 진단 대상 환자의 근시 진행 예측 정보를 생성할 수 있다.
또한, 본 발명에 따르면, 진단 대상 환자에 대한 근시의 정도, 근시의 진행 속도 및 치료 방법을 함께 제공하고, 각 치료 방법을 이용했을 경우 기대되는 예후 정보를 생성하여 제공함으로써, 진단 대상 환자가 꾸준하게 치료를 받도록 하는 효과가 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 실시예에 따른 소아 근시 진행 예측 모델의 구축 장치의 블록도이다.
도 2는 본 발명의 실시예에 따른 소아 근시 진행 예측 모델의 구축 방법의 흐름도이다.
도 3은 본 발명의 실시예에 따른 소아 근시 환자의 근시 진행 예측 장치의 블록도이다.
도 4는 본 발명의 실시예에 따른 소아 근시 환자의 근시 진행 예측 방법의 흐름도이다.
도 5는 안저 영상을 RGB 중 적어도 하나의 색상에 대한 채널을 갖는 이미지로 전처리하는 것을 예시한 도면이다.
도 6은 소아 근시 환자의 안저 영상을 학습 데이터로 이용하여 예측 모델을 구축하고, 이를 이용하여 최종 결과를 생성하는 것을 예시한 도면이다.
도 7은 소아 근시 환자에게 제공하는 치료 방법에 따라 예후를 예측하고, 치료 효과를 제공하는 것을 예시한 도면이다.
도 8 및 도 9는 예측 모델이 진단 대상 환자에 대하여 생성하는 치료 정보를 예시한 도면이다.
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.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.
도 1은 본 발명의 실시예에 따른 소아 근시 진행 예측 모델의 구축 장치(100)의 블록도이다.
도 2는 본 발명의 실시예에 따른 소아 근시 진행 예측 모델의 구축 방법의 흐름도이다.
도 1을 참조하면, 본 발명의 실시예에 따른 소아 근시 진행 예측 모델의 구축 장치(100)는 프로세서(110), 통신부(120), 메모리(130) 및 전처리 모듈(140)을 포함한다.
다만, 몇몇 실시예에서 소아 근시 진행 예측 모델의 구축 장치(100)는 도 1에 도시된 구성요소보다 더 적은 수의 구성요소나 더 많은 구성요소를 포함할 수도 있다.
예를 들어, 소아 근시 진행 예측 모델의 구축 장치(100)는 장치의 사용자/관리자로부터 각종 제어 신호를 입력받고, 결과를 출력하는 입출력부가 더 포함될 수 있다.
통신부(120)는 소아 근시 환자의 제1 안저 영상 및 임상 정보를 획득한다.
본 발명의 실시예에서 제1 안저 영상은 예측 모델을 학습하기 위한 안저 영상으로, 소아 근시로 진단된 환자의 안저 영상을 의미한다.
메모리(130)는 통신부(120)를 통해 획득된 소아 근시 환자의 제1 안저 영상 및 임상 정보를 저장한다.
이외에도, 메모리(130)는 소아 근시 진행 예측 모델 구축 방법을 실행하기 위한 각종 명령어, 알고리즘 등이 저장되어 있다.
전처리 모듈(140)은 제1 안저 영상에 대한 이미지 전처리를 수행한다.
프로세서(110)는 소아 근시 진행 예측 모델 구축 장치(100) 내 구성들을 제어한다.
본 발명의 실시예에 따른 소아 근시 진행 예측 모델의 구축 장치(100)는 컴퓨터, 서버 장치를 포함하거나, 이들 중 어느 하나의 형태로 구축될 수 있다.
아래에서는 도 2를 참조하여, 본 발명의 실시예에 따른 소아 근시 진행 예측 모델의 구축 장치(100) 및 방법에 대해서 상세하게 설명하도록 한다.
소아 근시 진행 예측 모델 구축 장치(100)가 통신부(120)를 통해 소아 근시 환자의 제1 안저 영상 및 임상 정보 중 적어도 하나를 획득한다. (S110)
이때, 임상 정보는 소아 근시 환자의 나이, 소아 근시 환자의 망막 검사 정보 및 해당 소아 근시 환자의 근시 증상에 대한 치료 정보 중 적어도 하나를 포함한다.
치료 정보는 치료 방법, 각 치료 방법에 대한 치료 시기 및 치료 횟수 중 적어도 하나에 대한 정보를 포함한다.
이때, 치료 정보는 서로 다른 복수의 치료 방법이 포함될 수도 있다.
그리고, 치료 정보는 해당 치료 방법이 소아 근시 환자에게 몇 회 제공되었는지에 관한 정보와 치료 시기에 대한 정보가 포함될 수 있다.
이때, 치료 시기는 각각의 치료의 시점을 의미하며, 주기적으로 사용된 치료인 경우에는 치료 주기를 의미할 수도 있다.
프로세서(110)가 전처리 모듈(140)을 이용하여 S110에서 획득된 제1 안저 영상을 RGB 중 적어도 하나의 색상에 대한 채널을 갖는 이미지로 전처리 한다. (S130)
프로세서(110)가 S130에서 전처리된 이미지를 소아 근시 환자의 임상 정보와 함께 입력하여 예측 모델을 학습시킨다. (S150)
도 5는 제1 안저 영상을 RGB 중 적어도 하나의 색상에 대한 채널을 갖는 이미지로 전처리하는 것을 예시한 도면이다.
도 5를 참조하면, 프로세서(110)는 제1 안저 영상을 R 채널 이미지, G 채널 이미지, B 채널 이미지, RG 채널 이미지, RB 채널 이미지, GB 채널 이미지 및 RGB 채널 이미지 중 적어도 하나의 채널 이미지로 전처리할 수 있다.
그리고, 프로세서(110)는 전처리된 채널 이미지 각각을 이용하여 RGB 색상 조합 각각에 대한 예측 모델을 학습시킬 수 있다.
이는, R 채널 이미지, G 채널 이미지, B 채널 이미지, RG 채널 이미지, RB 채널 이미지, GB 채널 이미지 및 RGB 채널 이미지 각각에 대하여 독립적인 예측 모델을 학습시킬 수 있다는 것을 의미한다.
본 발명자들은 각각의 서로 다른 채널 이미지 혹은 채널 조합의 이미지에 나타나는 영상학적 특징에서 질환의 특이성이 나타난다는 결과를 획득하였다.
따라서, 프로세서(110)는 전처리된 이미지 각각에서 소아 근시와 관련된 적어도 하나의 영상학적 특징점을 인식하고, 인식된 영상학적 특징점을 소아 근시 환자의 임상 정보와 연관지어 예측 모델을 학습시키게 된다.
도 6은 소아 근시 환자의 안저 영상을 학습 데이터로 이용하여 예측 모델을 구축하고, 이를 이용하여 최종 결과를 생성하는 것을 예시한 도면이다.
도 6을 참조하면, 프로세서(110)는 미리 훈련된 인공지능 모델, 머신에 전처리된 이미지 각각에서 인식된 소아 근시와 관련된 적어도 하나의 영상학적 특징점과 소아 근시 환자의 임상 정보와 연관되어 생성된 학습 데이터를 학습시킬 수 있다.
이와 같이 학습된 예측 모델은 전처리된 이미지 각각의 채널 색상과 망막 상의 패턴 및 망막 상의 텍스쳐(Texture) 특징 중 적어도 하나를 기반으로, 특정 소아 환자의 안저 영상이 입력되었을 때 영상학적 특징점을 인식할 수 있게 된다.
일 실시예로, 예측 모델은 전처리된 이미지 중에서 특정 채널의 이미지에 영상학적 특징점이 존재하는 경우, 이를 적어도 하나의 다른 채널의 전처리 이미지와 비교하고, 비교 결과에 대하여 학습하는 것을 특징으로 한다.
구체적으로, 예측 모델은 전처리된 이미지 중에서 특정 채널의 이미지에 영상학적 특징점이 존재하는 경우, 이를 적어도 하나의 다른 채널의 이미지의 동일 위치의 영상학적 특징점과 비교하고, 비교 결과에 대하여 학습한다.
이때, 다른 채널의 이미지의 동일 위치에는 영상학적 특징점이 존재할 수도 있고 없을 수도 있다.
만약, 특정 다른 채널의 이미지의 동일 위치에 유사점을 갖는 영상학적 특징점이 존재하는 경우, 예측 모델은 해당 채널의 이미지에는 유사한 영상학적 특징점이 존재하는 것을 학습할 수 있다.
다르게는, 동일 위치에 유사점을 갖는 영상학적 특징점이 존재하는 특정 다른 채널의 이미지가 존재하지 않는 경우, 예측 모델은 해당 영상학적 특징점은 해당 채널에서만 나타나는 영상학적 특징점으로 학습할 수 있다.
예측 모델은 이러한 학습을 통해서, 서로 다른 채널의 이미지를 분석하여 영상학적 특징점의 존재 여부를 판단하고, 이를 다른 채널들의 이미지와 비교하여 분석하기 때문에 예측 모델 별 분석 결과를 앙상블(Ensemble) 처리하여 최종 예측 결과를 생성할 수 있게 된다.
S150 이전에, 프로세서(110)는 제1 안저 영상의 전처리된 이미지와 각 전처리된 이미지의 영상학적 특징점, 해당 소아 근시 환자의 임상 정보를 기반으로 학습 데이터를 생성할 수 있다.
S110 내지 S150을 통해서 소아 근시 진행 예측 모델 구축 장치(100), 방법은 소아 근시 환자의 근시 진행을 예측할 수 있는 예측 모델을 구축하게 된다.
본 발명의 실시예에 따르면, 소아 근시 진행 예측 모델 구축 장치(100)는 예측 모델로 딥러닝(Deep Learning) CNN(Convolutional Neural Networks)을 이용할 수 있다.
도 3은 본 발명의 실시예에 따른 소아 근시 환자의 근시 진행 예측 장치(200)의 블록도이다.
도 4는 본 발명의 실시예에 따른 소아 근시 환자의 근시 진행 예측 방법의 흐름도이다.
도 3을 참조하면, 본 발명의 실시예에 따른 소아 근시 환자의 근시 진행 예측 장치(200)는 프로세서(210), 통신부(220), 메모리(230) 및 전처리 모듈(240)을 포함한다.
다만, 몇몇 실시예에서 소아 근시 환자의 근시 진행 예측 장치(200)는 도 1에 도시된 구성요소보다 더 적은 수의 구성요소나 더 많은 구성요소를 포함할 수도 있다.
예를 들어, 소아 근시 환자의 근시 진행 예측 장치(200)는 장치의 사용자/관리자로부터 각종 제어 신호를 입력받고, 결과를 출력하는 입출력부가 더 포함될 수 있다.
통신부(220)는 진단 대상 환자의 제2 안저 영상을 획득한다.
본 발명의 실시예에서 제2 안저 영상은 소아 근시를 진단하기 위한 진단 대상 환자의 안저 영상을 의미한다.
또한, 예측 모델은 소아 근시 환자의 제1 안저 영상을 기반으로 학습되었으므로, 진단 대상 환자 또한 소아 연령대의 환자를 의미한다.
메모리(230)는 통신부(220)를 통해 획득된 진단 대상 환자의 제2 안저 영상을 저장하며, 진단 대상 환자의 임상 정보가 획득되는 경우 임상 정보 또한 저장할 수 있다.
이외에도, 메모리(230)는 소아 근시 환자의 근시 진행 예측 방법을 실행하기 위한 각종 명령어, 알고리즘 등이 저장되어 있다.
전처리 모듈(240)은 제2 안저 영상에 대한 이미지 전처리를 수행한다.
프로세서(210)는 소아 근시 환자의 근시 진행 예측 장치(200) 내 구성들을 제어한다.
본 발명의 실시예에 따른 소아 근시 환자의 근시 진행 예측 장치(200)는 컴퓨터, 정보처리장치로 구성될 수 있으며, 바람직하게는 소아 근시 환자의 근시 진행 예측 서버로 구성될 수 있다.
소아 근시 환자의 근시 진행 예측 서버는 통신부(220)를 통해 클라이언트 장치로부터 안저 영상을 수신하고, 예측 모델을 이용하여 수신된 안저 영상을 분석함으로써 진단 대상 환자의 근시 진행 예측 정보를 생성할 수 있다.
하지만, 몇몇 실시예에서 소아 근시 환자의 근시 진행 예측 서버는 예측 모델을 클라이언트 장치로 제공하여 클라이언트 장치의 프로세서(210)가 진단 대상 환자의 근시 진행 예측 정보를 생성하도록 할 수도 있다.
이 경우, 소아 근시 환자의 근시 진행 예측 서버는 클라이언트 장치로부터 진단 대상 환자의 근시 진행 예측 정보를 포함하는 진단 결과 데이터를 수신할 수 있다.
일 실시예로, 소아 근시 환자의 근시 진행 예측 서버는 진단 대상 환자가 최초 진단 이후 적어도 1회의 다음 진단을 수행하는 경우 각각의 다음 진단에서 획득되는 임상 정보와 신규 예측 정보를 기반으로 예측 모델을 학습시킬 수 있다.
또한, 본 발명의 실시예에서 소아 근시 진행 예측 모델 구축 장치(100)와 소아 근시 환자의 근시 진행 예측 장치(200)를 각각 분리하여 설명하였지만, 이는 설명의 편의를 위한 것이고 2개의 장치는 하나로 구성될 수도 있다.
아래에서는 도 4를 참조하여, 본 발명의 실시예에 따른 소아 근시 환자의 근시 진행 예측 장치(200) 및 방법에 대해서 상세하게 설명하도록 한다.
근시 환자의 근시 진행 예측 장치(200)가 통신부(220)를 통해 진단 대상 환자의 제2 안저 영상을 획득한다. (S210)
일 실시예로, 근시 환자의 근시 진행 예측 장치(200)는 진단 대상 환자의 임상 정보를 함께 획득할 수 있다.
임상 정보는 진단 대상 환자의 나이, 진단 대상 환자의 망막 검사 정보, 진단 대상 환자의 근시 증상에 대한 치료 정보 및 이전에 생성된 적어도 하나의 근시 진행 예측 정보 중 적어도 하나를 포함한다.
해당 진단 대상 환자의 이전 진단 기록이 있는 경우, 프로세서(210)는 메모리(230)에서 진단 대상 환자의 임상 정보를 로딩할 수 있다.
또한, 프로세서(210)는 S250을 수행하여 생성된 근시 진행 예측 정보를 수행된 시점의 시간과 함께 메모리(230)에 기록할 수 있다.
예측 모델은 학습 과정에서 소아 근시 환자의 임상 정보를 함께 학습하였기 때문에, 이와 같이 진단 대상 환자의 임상 정보가 함께 입력되는 경우 더 높은 정확도로 근시 진행 예측 정보를 생성할 수 있다.
프로세서(210)가 전처리 모듈(240)을 이용하여 제2 안저 영상을 RGB 중 적어도 하나의 색상에 대한 채널을 갖는 이미지로 전처리한다. (S230)
프로세서(210)가 S230에서 전처리된 이미지를 예측 모델에 입력하여 진단 대상 환자의 근시 진행 예측 정보를 생성한다. (S250)
도 6은 소아 근시 환자의 안저 영상을 학습 데이터로 이용하여 예측 모델을 구축하고, 이를 이용하여 최종 결과를 생성하는 것을 예시한 도면이다.
도 6을 참조하면, 전처리 모듈(240)이 (R, R, R) 부터 (RGB, RGB, RGB)의 색상에 대한 채널을 갖는 이미지로 전처리하는 것이 예시되어 있다.
이와 같이, 전처리 모듈(240)은 적어도 하나의 색상에 대한 채널을 갖는 제1 채널이 복수 개의 조합으로 이뤄지는 제2 채널을 갖는 이미지로 최종 전처리할 수 있으며, 이러한 과정을 통해서 다수 개의 전처리 이미지를 획득할 수 있게 된다.
본 발명의 실시예에서 예측 모델은 RGB 색상 조합 각각에 대하여 구축되며, 이에 따라 복수/다수의 독립적인 예측 모델을 포함할 수 있다.
프로세서(210)는 RGB 색상 조합 각각에 대하여 구축된 예측 모델에 S230에서 전처리된 이미지를 입력하여, 각각의 RGB 색상 조합에 대한 근시 진행 예측 정보를 생성한다.
그리고, 프로세서(210)는 생성된 근시 진행 예측 정보를 앙상블(Ensemble) 처리하여 최종 근시 진행 예측 정보를 생성할 수 있다.
본 발명의 실시예에서 근시 진행 예측 정보는 근시의 정도, 근시 진행 속도 및 치료 방법 중 적어도 하나를 포함한다.
바람직하게는, 본 발명의 실시예에 따른 소아 근시 환자의 근시 진행 예측 장치(200)는 진단 대상 환자에 대한 근시의 정도 및 근시 진행 속도를 예측하는 것은 물론, 예측 결과를 기반으로 적절한 치료 방법을 도출하여 제공한다.
도 7은 소아 근시 환자에게 제공하는 치료 방법에 따라 예후를 예측하고, 치료 효과를 제공하는 것을 예시한 도면이다.
도 8 및 도 9는 예측 모델이 진단 대상 환자에 대하여 생성하는 치료 정보를 예시한 도면이다.
일 실시예로, 예측 모델은 진단 대상 환자에 대하여 예측된 근시의 정도 및 근시 진행 속도를 기반으로 치료 방법을 도출할 수 있다.
이때, 치료 정보는 적어도 하나의 치료 방법과 각 치료 방법에 대한 치료 시기 및 치료 횟수 중 적어도 하나를 포함한다.
또한, 예측 모델은 진단 대상 환자가 치료 정보에 포함된 각 치료 방법을 이용했을 때 기대되는 예후 정보를 생성할 수 있다.
일 실시예로, 치료 시기는 치료 주기를 포함할 수 있다.
도 8 및 도 9를 참조하면, 치료 방법은 아트로핀 치료, 환경 조절 및 각막굴절 교정렌즈 사용 등을 포함할 수 있으며, 예측 모델은 각 치료 방법의 효과에 대한 정보를 제공할 수 있다.
또한, 예측 모델은 진단 대상이 아무런 치료 행위를 하지 않았을 때 예후에 대한 정보를 제공하여 각 치료 방법에 대한 예후와 치료 효과를 구체적으로 제공함으로써, 진단 대상 환자가 성실하게 치료를 수행하도록 할 수 있다.
구체적으로, 도 8 및 도 9에서 None으로 기재된 부분을 확인하면, -2.0 diopter로 다른 치료 방법을 수행하였을 때보다 diopter가 많이 떨어진 것이 기재되어 있다.
근시는 다인자성 질환으로 Environmental Factor가 근시 진행에 작용하기 때문에 본 발명의 실시예에서 환경 조절이 치료 방법의 조건 중 하나로 포함되며, 구체적으로는 조도, 야외활동시간, 근거리 작업시간 등의 세부적인 요인들이 환경 조절에 포함될 수 있다.
도 7을 참조하면, 예측 모델은 진단 대상 환자가 어느 시점에 어떠한 치료를 받으면, 시간의 흐름에 따라 진단 대상 환자의 시력이 어떻게 변화할 것으로 기대되는지 예후에 대한 상세한 정보를 제공할 수 있다.
종래에는 소아 근시의 진행 및 시력 발달에 영향을 미치는 인자들을 분석하여 소아의 근시 진행 상태를 예측하고, 근시 진행을 억제하기 위한 치료 방향을 정확하게 제시할 수 없어서 임상의가 소아 근시 환자에 대한 치료 수행에 어려움을 겪었다.
하지만, 상술한 바와 같은 본 발명의 실시예에 따른 소아 근시 환자의 근시 진행 예측 방법, 장치(200)에 따르면, 소아 근시 환자의 시력 발달을 위해 어느 시점에 치료를 수행해야 하는지, 또한 어떠한 치료 방법으로 치료를 받아야 근시 진행을 최소화할 수 있는지 명확하게 설정할 수 있다.
따라서, 본 발명은 소아 근시 환자의 근시의 정도, 근시의 진행 속도를 예측하는 것은 물론, 각 환자에 따라 최적화된 치료 방법을 제안함으로써, 소아 근시 환자의 근시 진행을 최소화하고, 시력을 발달시킬 수 있게 될 것이다.
이상에서 전술한 본 발명의 일 실시예에 따른 방법은, 하드웨어인 서버와 결합되어 실행되기 위해 프로그램(또는 어플리케이션)으로 구현되어 매체에 저장될 수 있다.
상기 전술한 프로그램은, 상기 컴퓨터가 프로그램을 읽어 들여 프로그램으로 구현된 상기 방법들을 실행시키기 위하여, 상기 컴퓨터의 프로세서(CPU)가 상기 컴퓨터의 장치 인터페이스를 통해 읽힐 수 있는 C, C++, JAVA, 기계어 등의 컴퓨터 언어로 코드화된 코드(Code)를 포함할 수 있다. 이러한 코드는 상기 방법들을 실행하는 필요한 기능들을 정의한 함수 등과 관련된 기능적인 코드(Functional Code)를 포함할 수 있고, 상기 기능들을 상기 컴퓨터의 프로세서가 소정의 절차대로 실행시키는데 필요한 실행 절차 관련 제어 코드를 포함할 수 있다. 또한, 이러한 코드는 상기 기능들을 상기 컴퓨터의 프로세서가 실행시키는데 필요한 추가 정보나 미디어가 상기 컴퓨터의 내부 또는 외부 메모리의 어느 위치(주소 번지)에서 참조되어야 하는지에 대한 메모리 참조관련 코드를 더 포함할 수 있다. 또한, 상기 컴퓨터의 프로세서가 상기 기능들을 실행시키기 위하여 원격(Remote)에 있는 어떠한 다른 컴퓨터나 서버 등과 통신이 필요한 경우, 코드는 상기 컴퓨터의 통신 모듈을 이용하여 원격에 있는 어떠한 다른 컴퓨터나 서버 등과 어떻게 통신해야 하는지, 통신 시 어떠한 정보나 미디어를 송수신해야 하는지 등에 대한 통신 관련 코드를 더 포함할 수 있다.
상기 저장되는 매체는, 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상기 저장되는 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있지만, 이에 제한되지 않는다. 즉, 상기 프로그램은 상기 컴퓨터가 접속할 수 있는 다양한 서버 상의 다양한 기록매체 또는 사용자의 상기 컴퓨터상의 다양한 기록매체에 저장될 수 있다. 또한, 상기 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장될 수 있다.
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 수도 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: 소아 근시 진행 예측 모델 구축 장치
110: 프로세서
120: 통신부
130: 메모리
200: 소아 근시 환자의 근시 진행 예측 장치
210: 프로세서
220: 통신부
230: 메모리

Claims (14)

  1. 소아 근시 환자의 안저 영상 및 임상 정보 중 적어도 하나를 획득하는 통신부;
    상기 획득된 안저 영상을 RGB 중 적어도 하나의 색상에 대한 채널을 갖는 이미지로 전처리하는 전처리 모듈; 및
    상기 전처리된 이미지를 상기 소아 근시 환자의 임상 정보와 함께 학습 데이터로 입력하여 예측 모델을 학습시키는 프로세서를 포함하는,
    소아 근시 진행 예측 모델의 구축 장치.
  2. 제1항에 있어서,
    상기 임상 정보는, 상기 소아 근시 환자의 나이, 상기 소아 근시 환자의 망막 검사 정보 및 상기 소아 근시 환자의 근시 증상에 대한 치료 정보 중 적어도 하나를 포함하고,
    상기 치료 정보는, 치료 방법, 적어도 1회의 치료 시기 및 치료 횟수 중 적어도 하나에 대한 정보를 포함하는,
    소아 근시 진행 예측 모델의 구축 장치.
  3. 제1항에 있어서,
    상기 프로세서는,
    상기 안저 영상을 R 채널 이미지, G 채널 이미지, B 채널 이미지, RG 채널 이미지, RB 채널 이미지, GB 채널 이미지 및 RGB 채널 이미지 중 적어도 하나의 채널 이미지로 전처리하고,
    상기 전처리된 채널 이미지 각각을 이용하여 RGB 색상 조합 각각에 대한 예측모델을 학습시키는 것을 특징으로 하는,
    소아 근시 진행 예측 모델의 구축 장치.
  4. 제1항에 있어서,
    상기 프로세서는,
    상기 전처리된 이미지 각각에서 소아 근시와 관련된 적어도 하나의 영상학적 특징점을 인식하고, 상기 인식된 영상학적 특징점을 상기 임상 정보와 연관지어 상기 예측 모델을 학습시키는 것을 특징으로 하는,
    소아 근시 진행 예측 모델의 구축 장치.
  5. 제4항에 있어서,
    상기 예측 모델은,
    상기 전처리된 이미지 각각의 채널 색상과 망막 상의 병변 패턴 및 망막 상의 텍스쳐(Texture) 특징 중 적어도 하나를 기반으로, 상기 영상학적 특징점을 인식하는 것을 특징으로 하는,
    소아 근시 진행 예측 모델의 구축 장치.
  6. 제5항에 있어서,
    상기 예측 모델은,
    상기 전처리된 이미지 중에서 특정 채널의 이미지에 영상학적 특징점이 존재하는 경우, 이를 적어도 하나의 다른 채널의 이미지의 동일 위치의 영상학적 특징점과 비교하고, 상기 비교 결과에 대하여 학습하는 것을 특징으로 하는,
    소아 근시 진행 예측 모델의 구축 장치.
  7. 제1항의 예측 모델을 이용하여 소아 근시 환자의 근시 진행을 예측하는 장치로,
    통신부를 통해 진단 대상 환자의 안저 영상을 획득하고, 전처리 모듈을 통해 상기 안저 영상을 RGB 중 적어도 하나의 색상에 대한 채널을 갖는 이미지로 전처리하고, 상기 전처리된 이미지를 상기 예측 모델에 입력하여 상기 진단 대상 환자의 근시 진행 예측 정보를 생성하는 프로세서를 포함하는,
    소아 근시 환자의 근시 진행 예측 장치.
  8. 제7항에 있어서,
    상기 근시 진행 예측 정보는,
    근시의 정도, 근시 진행 속도 및 치료 정보 중 적어도 하나를 포함하고,
    상기 예측 모델은,
    상기 진단 대상 환자에 대하여 예측된 근시의 정도 및 근시 진행 속도를 기반으로, 상기 치료 정보를 도출하는 것을 특징으로 하는,
    소아 근시 환자의 근시 진행 예측 장치.
  9. 제8항에 있어서,
    상기 치료 정보는,
    적어도 하나의 치료 방법, 각 치료 방법에 대한 치료 시기 및 치료 횟수 중 적어도 하나를 포함하는,
    소아 근시 환자의 근시 진행 예측 장치.
  10. 제9항에 있어서,
    상기 예측 모델은,
    상기 진단 대상 환자가 상기 치료 정보에 포함된 각 치료 방법을 이용했을 때 기대되는 예후 정보를 생성하는,
    소아 근시 환자의 근시 진행 예측 장치.
  11. 제7항에 있어서,
    상기 프로세서는,
    RGB 색상 조합 각각에 대하여 구축된 예측모델에 상기 전처리된 이미지를 입력하여, 각각의 RGB 색상 조합에 대한 근시 진행 예측 정보를 생성하고,
    상기 생성된 근시 진행 예측 정보를 앙상블(ensemble) 처리하여 근시 진행 예측 정보를 생성하는 것을 특징으로 하는,
    소아 근시 환자의 근시 진행 예측 장치.
  12. 컴퓨터에 의해 수행되는 소아 근시 진행 예측 모델의 구축 방법으로,
    소아 근시 환자의 안저 영상 및 임상 정보 중 적어도 하나를 획득하는 단계;
    상기 안저 영상을 RGB 중 적어도 하나의 색상에 대한 채널을 갖는 이미지로 전처리하는 단계; 및
    상기 전처리된 이미지를 상기 소아 근시 환자의 임상 정보와 함께 학습 데이터로 입력하여 예측 모델을 학습시키는 단계를 포함하는,
    소아 근시 진행 예측 모델의 구축 방법.
  13. 컴퓨터에 의해 수행되며, 제12항의 예측 모델을 이용하여 소아 근시 환자의 근시 진행을 예측하는 방법으로,
    진단 대상 환자의 안저 영상을 획득하는 단계;
    상기 안저 영상을 RGB 중 적어도 하나의 색상에 대한 채널을 갖는 이미지로 전처리하는 단계; 및
    상기 전처리된 이미지를 상기 예측 모델에 입력하여 상기 진단 대상 환자의 근시 진행 예측 정보를 생성하는 단계를 포함하는,
    소아 근시 환자의 근시 진행 예측 방법.
  14. 하드웨어인 컴퓨터와 결합되어, 제12항 또는 제13항의 방법을 실행시키기 위한 프로그램이 저장된 컴퓨터 판독 가능한 기록매체.
KR1020210136812A 2021-10-14 2021-10-14 소아 근시 진행 예측 모델의 구축 장치 및 예측 모델을 이용한 근시 진행 예측 장치, 방법 및 프로그램 KR20230053787A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210136812A KR20230053787A (ko) 2021-10-14 2021-10-14 소아 근시 진행 예측 모델의 구축 장치 및 예측 모델을 이용한 근시 진행 예측 장치, 방법 및 프로그램

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210136812A KR20230053787A (ko) 2021-10-14 2021-10-14 소아 근시 진행 예측 모델의 구축 장치 및 예측 모델을 이용한 근시 진행 예측 장치, 방법 및 프로그램

Publications (1)

Publication Number Publication Date
KR20230053787A true KR20230053787A (ko) 2023-04-24

Family

ID=86141619

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210136812A KR20230053787A (ko) 2021-10-14 2021-10-14 소아 근시 진행 예측 모델의 구축 장치 및 예측 모델을 이용한 근시 진행 예측 장치, 방법 및 프로그램

Country Status (1)

Country Link
KR (1) KR20230053787A (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210046444A (ko) 2019-10-18 2021-04-28 주식회사 에스알파테라퓨틱스 근시 치료를 위한 디지털 장치 및 애플리케이션

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210046444A (ko) 2019-10-18 2021-04-28 주식회사 에스알파테라퓨틱스 근시 치료를 위한 디지털 장치 및 애플리케이션

Similar Documents

Publication Publication Date Title
Martins et al. Offline computer-aided diagnosis for Glaucoma detection using fundus images targeted at mobile devices
Prasad et al. Multiple eye disease detection using Deep Neural Network
CN112133441A (zh) 一种mh术后裂孔状态预测模型的建立方法和终端
WO2010129711A1 (en) Devices, systems, and methods for evaluating vision and diagnosing and compensating impairment of vision
Hernandez et al. Early detection of Alzheimer's using digital image processing through iridology, an alternative method
Puneet et al. Optical coherence tomography image based eye disease detection using deep convolutional neural network
US20220218198A1 (en) Method and system for measuring pupillary light reflex with a mobile phone
Hassan et al. Deep learning based automated extraction of intra-retinal layers for analyzing retinal abnormalities
Zeng et al. Automated detection of diabetic retinopathy using a binocular siamese-like convolutional network
Bali et al. Analysis of Deep Learning Techniques for Prediction of Eye Diseases: A Systematic Review
Kumar et al. Detection of glaucoma using image processing techniques: a critique
KR20200114837A (ko) 녹내장 진단용 피쳐 생성 방법 및 장치, 그것을 이용한 녹내장 진단 방법 및 장치
Mudaser et al. Diabetic retinopathy classification with pre-trained image enhancement model
Gholami et al. Self-Supervised Learning for Improved Optical Coherence Tomography Detection of Macular Telangiectasia Type 2
Shyamalee et al. Automated Tool Support for Glaucoma Identification with Explainability Using Fundus Images
Thanh et al. A Real-Time Classification Of Glaucoma from Retinal Fundus Images Using AI Technology
KR20230053787A (ko) 소아 근시 진행 예측 모델의 구축 장치 및 예측 모델을 이용한 근시 진행 예측 장치, 방법 및 프로그램
Pin et al. Retinal diseases classification based on hybrid ensemble deep learning and optical coherence tomography images
Hanđsková et al. Diabetic rethinopathy screening by bright lesions extraction from fundus images
Baba et al. Detection of diabetic retinopathy with retinal images using CNN
Yung-Hui et al. Clinically applicable deep learning for diagnosis of diabetic retinopathy
Nagamani et al. Deep learning network (DL-Net) based classification and segmentation of multi-class retinal diseases using OCT scans
KR20220102672A (ko) 딥러닝 기반 두꺼운 맥락막 질환 진단 방법, 장치 및 프로그램
Sabina et al. Convolutional Neural Network Analysis of Fundus for Glaucoma Diagnosis
Mazar Pasha et al. Diabetic Retinopathy Severity Categorization in Retinal Images Using Convolution Neural Network.

Legal Events

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