WO2022045652A1 - 안질환 시야 손상 예후 예측 시스템 및 방법과 이를 위한 컴퓨터 프로그램 - Google Patents

안질환 시야 손상 예후 예측 시스템 및 방법과 이를 위한 컴퓨터 프로그램 Download PDF

Info

Publication number
WO2022045652A1
WO2022045652A1 PCT/KR2021/010683 KR2021010683W WO2022045652A1 WO 2022045652 A1 WO2022045652 A1 WO 2022045652A1 KR 2021010683 W KR2021010683 W KR 2021010683W WO 2022045652 A1 WO2022045652 A1 WO 2022045652A1
Authority
WO
WIPO (PCT)
Prior art keywords
visual field
optic nerve
cross
sectional image
machine learning
Prior art date
Legal status (The legal status 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 status listed.)
Ceased
Application number
PCT/KR2021/010683
Other languages
English (en)
French (fr)
Inventor
한종철
현승협
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Samsung Life Public Welfare Foundation
Original Assignee
Samsung Life Public Welfare Foundation
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 Samsung Life Public Welfare Foundation filed Critical Samsung Life Public Welfare Foundation
Publication of WO2022045652A1 publication Critical patent/WO2022045652A1/ko
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • A61B3/102—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for optical coherence tomography [OCT]
    • 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
    • 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
    • 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
    • A61B3/1005—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for measuring distances inside the eye, e.g. thickness of the cornea
    • 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
    • A61B3/16—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for measuring intraocular pressure, e.g. tonometers
    • 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
    • A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
    • A61B5/021—Measuring pressure in heart or blood vessels
    • 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 OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • 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
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30041—Eye; Retina; Ophthalmic

Definitions

  • Embodiments relate to a system and method for predicting the prognosis of visual field impairment in an ophthalmic disease, and a computer program therefor. More specifically, the embodiments provide a technique for determining the diagnosis risk or progression possibility of an eye disease such as glaucoma through machine learning-based analysis using the optic nerve structure, optic nerve shape, visual field test result, clinical information, etc. it is about
  • OCT optical coherence tomography
  • an automated method for pathological deformation of an eye structure that is difficult to determine with the naked eye using an enhanced depth imaging (EDI) type optical coherence tomography (OCT) image It is possible to provide a system and method for predicting the prognosis of visual field impairment in eye diseases and a computer program for the same, which can be quantitatively measured as a result of this, and the disease can be diagnosed at an early stage or the course of the disease can be predicted.
  • EDI enhanced depth imaging
  • OCT optical coherence tomography
  • a system for predicting visual field impairment for eye disease comprising: a first input unit configured to receive a cross-sectional image of an eye by optical coherence tomography (OCT); It includes a machine learning analysis model generated using a preset learning image, and extracts information related to the optic nerve structure of the eyeball from the cross-sectional image using the machine learning analysis model to obtain the analysis result of the cross-sectional image a machine learning unit configured to generate; and an output unit configured to provide an analysis result of the cross-sectional image obtained by the machine learning unit.
  • OCT optical coherence tomography
  • the information related to the structure of the optic nerve may include at least one of an Externally Oblique Border Tissue (EOBT) length of an optic nerve, an optic tilt angle, and an optic canal obliqueness.
  • EOBT Externally Oblique Border Tissue
  • the machine learning unit is configured to further extract information related to the shape of the optic nerve of the eye from the cross-sectional image, and to generate the analysis result by further using the information related to the shape of the optic nerve.
  • the information related to the optic nerve morphology includes Bruch's Membrane Opening (BMO) Minimum Rim Width (MRW), Prelaminar thickness, and Fissure. and at least one of Lamina Cribrosa Curvature.
  • the system for predicting eye disease visual field impairment prognosis further includes a second input unit configured to receive additional risk factor information associated with the cross-sectional image.
  • the machine learning unit is configured to generate the analysis result by further using the additional risk factor information associated with the cross-sectional image.
  • the additional risk factor information is an ophthalmic disease visual field impairment prognosis prediction system including intraocular pressure, axial length, corneal thickness, and blood pressure.
  • the output unit includes a visualization unit configured to convert and output the analysis result into visualization information indicating stress for each location within the optic nerve and structures around the optic nerve.
  • the method for predicting the prognosis of eye disease visual field impairment comprises the steps of storing a machine learning analysis model generated by using information related to the optic nerve structure of a preset learning image as input data in an eye disease visual field impairment prognosis prediction system ; Receiving, by the system for predicting the prognosis of eye disease visual field damage, a cross-sectional image of the eye by optical coherence tomography; extracting, by the ophthalmic disease visual field impairment prognosis prediction system, information related to the optic nerve structure from the cross-sectional image by processing the cross-sectional image using the machine learning analysis model, and generating an analysis result of the cross-sectional image; and providing the analysis result by the ophthalmic disease visual field impairment prognosis prediction system.
  • the generating of the analysis result comprises: the eye disease visual field impairment prognosis prediction system processes the cross-sectional image using the machine learning analysis model to obtain information related to the shape of the optic nerve of the eye from the cross-sectional image. It further comprises the step of extracting.
  • the method for predicting the prognosis of eye disease visual field impairment further includes, before providing the analysis result, the system for predicting eye disease visual field impairment prognosis, receiving additional risk factor information associated with the cross-sectional image .
  • the analysis result may be generated by further inputting the additional risk factor information associated with the cross-sectional image into the machine learning analysis model.
  • the method for predicting the prognosis of eye disease visual field impairment further comprises the step of converting, by the eye disease visual field impairment prognosis prediction system, the analysis result into visualization information indicating stress for each position in the optic nerve and structures around the optic nerve and outputting the result do.
  • the computer program is combined with hardware to execute the method for predicting the prognosis of eye disease visual field impairment according to the above-described embodiments, and may be stored in a computer-readable recording medium.
  • EDI Enhanced Depth Imaging
  • OCT Optical Coherence Tomography
  • EDI-OCT data which is currently not fully utilized due to the burden of analysis time and cost, can be clinically available, and this By deriving the diagnostic risk and/or the possibility of progression of an ophthalmic disease such as glaucoma, there is an advantage in diagnosing the disease at an early stage and predicting the course of the disease.
  • FIG. 1 is a schematic block diagram of a system for predicting vision impairment prognosis for eye diseases according to an embodiment.
  • FIG. 2 is a flowchart illustrating each step of the method for predicting the prognosis of visual field impairment in an eye disease according to an embodiment.
  • FIG. 3 is an exemplary view illustrating an eye structure detected from an optical coherence tomography (OCT) image of an Enhanced Depth Imaging (EDI) method by the method for predicting the prognosis of visual field impairment in an eye disease according to an embodiment; It is an image.
  • OCT optical coherence tomography
  • EDI Enhanced Depth Imaging
  • 4A to 4F are exemplary images illustrating obtaining information related to an optic nerve structure from an EDI-OCT image by the method for predicting the prognosis of visual field impairment in an eye disease according to an embodiment.
  • 5A to 5C are exemplary images illustrating obtaining information related to an optic nerve type from an EDI-OCT image by the method for predicting the prognosis of visual field impairment in an eye disease according to an embodiment.
  • FIG. 6 is an image illustrating an exemplary user interface that provides a visualized result of an analysis result obtained by the method for predicting the prognosis of visual field impairment in an eye disease according to an embodiment.
  • FIG. 1 is a schematic block diagram of a system for predicting vision impairment prognosis for eye diseases according to an embodiment.
  • the ocular disease visual field impairment prognosis prediction system 3 includes a first input unit 31 for receiving the cross-sectional image 100 of the eyeball, information from the cross-sectional image based on a machine learning analysis model. and a machine learning unit 34 with information configured to extract and generate an analysis result, and an output unit 35 configured to provide the analysis result to a user.
  • the system 3 for predicting the prognosis of eye disease visual field impairment may further include a second input unit 32 for receiving the information 200 on additional risk factors in addition to the cross-sectional image.
  • each unit and its sub-units included in the prognosis prediction system for eye disease visual field impairment 3 may collectively refer to a device for exchanging data in a specific format and content in an electronic communication method and software related thereto.
  • terms such as “unit”, “module”, “server”, “system”, “platform”, “device” or “terminal” are intended to refer to a combination of hardware and software driven by the hardware.
  • the hardware herein may be a data processing device including a CPU or other processor.
  • software driven by hardware may refer to a running process, an object, an executable file, a thread of execution, a program, and the like.
  • each part constituting the ophthalmic disease visual field impairment prognosis prediction system 3 in the present specification is not necessarily intended to refer to physically distinct separate components. That is, although each part of the ocular disease visual field impairment prognosis prediction system 3 in FIG. 1 is shown as a separate block that is distinguished from each other, it functionally separates the ocular disease visual field impairment prognosis prediction system 3 by the operation executed thereby. did it According to an embodiment, some or all of the above-described units may be integrated in the same single device, or one or more units may be implemented as separate devices physically separated from other units. For example, each part of the ophthalmic disease visual field impairment prognosis prediction system 3 may be components communicatively connected to each other in a distributed computing environment.
  • the ocular disease visual field impairment prognosis prediction system 3 may operate with communication with the user device 4 of a user (eg, a doctor, an image analyst, a patient, etc.) using the ocular disease visual field impairment prognosis prediction system 3 .
  • the eye disease visual field impairment prognosis prediction system 3 is implemented in the form of a server accessible through a wired and/or wireless network in the user device 4, and the user can use a mobile communication terminal such as a smartphone, Any computing such as a set-top box or network server for personal computer, notebook computer, personal digital assistant (PDA), tablet computer, IPTV (Internet Protocol Television), etc.
  • the user device 4, which is a device, may be used to predict the prognosis system 3 for ocular disease visual field impairment.
  • the system 3 for predicting the prognosis of eye disease visual field impairment may be implemented in the form of a user device rather than a server, and in this case, the user device 4 shown in FIG. 1 is omitted.
  • the number of user devices 4 shown in FIG. 1 is merely exemplary, and a user using the ocular disease visual field impairment prognosis prediction system 3 or devices operating in association with the ocular disease visual field impairment prognosis prediction system 3 . It will be readily understood by those skilled in the art that the number is not limited.
  • the first input unit 31 is a part for receiving the cross-sectional image 100 of the eyeball, and the first input unit 31 is an external device such as the user device 4 or a cross-sectional image 100 from a server (not shown). can receive
  • the cross-sectional image 100 is obtained by photographing the eyeball of a patient, etc., which is the subject of analysis, using Optical Coherence Tomography (OCT).
  • OCT Optical Coherence Tomography
  • the cross-sectional image 100 may be obtained by optical coherence tomography in an Enhanced Depth Imaging (EDI) method, which is also referred to as EDI-OCT image or EDI-OCT image in the following specification .
  • EDI Enhanced Depth Imaging
  • the first input unit 31 receives learning images for machine learning-based learning from an external device or server (not shown) prior to receiving the cross-sectional image 100 as an analysis target, so that the machine learning unit 34 to be described later ) may allow the machine learning analysis model 340 to be generated.
  • the machine learning unit 34 may generate a machine learning analysis model 340 through learning using training images, or may receive and store the machine learning analysis model 340 from an external server or device (not shown). For example, the machine learning unit 34 generates a machine learning analysis model 340 through deep learning-based learning using the EDI-OCT image in which the eye structures of interest are labeled as a learning image. can
  • the machine learning unit 34 may generate an analysis result of the cross-sectional image 100 by applying the machine learning analysis model 340 to the new cross-sectional image 100 to be analyzed.
  • the machine learning unit 34 may include an image processing unit 341 for recognizing a retinal structure of interest, etc. from the cross-sectional image 100 .
  • the information extracted from the cross-sectional image 100 is the Externally Oblique Border Tissue (EOBT) length of the retina, the optic tilt angle, and/or the optic canal obliqueness. It may be information related to the optic nerve structure. Also, in one embodiment, information extracted from the cross-sectional image 100 includes Bruch's Membrane Opening (BMO), Minimum Rim Width (MRW), and prelaminar thickness and/or may further include information related to the shape of the optic nerve, such as Lamina Cribrosa Curvature.
  • EOBT Externally Oblique Border Tissue
  • the system 3 for predicting eye disease visual field impairment prognosis may generate an analysis result by further using the additional risk factor information 200 received through the second input unit 32 .
  • the additional risk factor information 200 refers to other information that is a factor related to eye disease in addition to the information on the eye structure obtained from the EDI-OCT image, and includes, for example, intraocular pressure, axial length, corneal thickness, blood pressure, and the like.
  • the axial length value refers to the axial length-related values measured by other methods separately from the EOBT length obtained from the EDI-OCT image.
  • the blood pressure may be used as the additional risk factor information 200 , which is a value of the blood pressure fluctuation during the day.
  • it is preferable that the above-described intraocular pressure, axial length, corneal thickness, and blood pressure are simultaneously used as the additional risk factor information 200 .
  • the output unit 35 provides information related to the optic nerve structure and/or information related to the optic nerve shape extracted based on machine learning from the cross-sectional image 100 to be analyzed as an analysis result of the eye corresponding to the cross-sectional image 100 .
  • the output unit 35 outputs the analysis result to a display means such as a display device (not shown) provided in the ophthalmic disease visual field impairment prognosis prediction system 3, or is connected to the ocular disease visual field impairment prognosis prediction system 3 It may perform a function of transmitting so that the user device 4 can see it.
  • the output unit 35 may further include a visualization unit 350 for providing the analysis result for the cross-sectional image 100 in a visualized form.
  • the visualization unit 350 converts the analysis result of the cross-sectional image 100 into visualization information indicating the stress for each location in the optic nerve and the structures around the optic nerve located within a predetermined distance therefrom, so that the user It can be provided so that the progress and location can be easily identified.
  • FIG. 2 is a flowchart illustrating each step of the method for predicting the prognosis of visual field impairment in an eye disease according to an embodiment.
  • the method for predicting the prognosis of ocular disease visual field impairment according to the present embodiment may be performed using the system for predicting the prognosis of ocular disease visual field impairment according to the embodiments described above with reference to FIG. 1 .
  • a method for predicting the prognosis of eye disease visual field impairment according to the present embodiment will be described with reference to FIGS. 1 and 2 .
  • the first input unit 31 of the ocular disease visual field damage prognosis prediction system 3 collects cross-sectional images of the optic nerve tissue for learning. It can be done (S1).
  • the cross-sectional images collected at this time refer to images in which the presence or progression of an eye disease such as glaucoma is input in advance, or/or the positions of eye structures related to an eye disease are previously labeled. In this way, labeled images are also referred to as training images.
  • the machine learning unit 34 of the ophthalmic disease visual field impairment prognosis prediction system 3 first processes the training image by the image processing unit 341 to obtain tension from the image. Information that can indicate changes in the optic nerve tissue in the eye due to (stress) can be extracted (S2). Next, the machine learning unit 34 may learn a change in the optic nerve tissue in the eye according to the presence or progression of a disease by using the extracted information (S3).
  • the machine learning unit 34 may perform an analysis on a new cross-sectional image based on the machine learning analysis model 340 built through learning (S4).
  • the analysis of the new cross-sectional image refers to the segmentation of the cross-sectional image using the learned machine learning analysis model 340 to extract information such as numerical values and angles related to eye structures of interest from the cross-sectional image. can mean that
  • the analysis of the new cross-sectional image may mean determining the diagnostic risk or progression possibility of an eye disease such as glaucoma based on the learned machine learning analysis model 340 .
  • the analysis result to which the machine learning analysis model 340 is applied may include a diagnosis risk or progression possibility of an eye disease expressed in the form of a probability value.
  • the ocular disease targeted by the embodiments is not limited to glaucoma, and the ocular structure-related information extracted from the cross-sectional image may also be different from that described herein depending on the type of ocular disease targeted for prognosis prediction. The point will be readily understood by those skilled in the art.
  • FIG. 3 is an exemplary image illustrating an eye structure detected from an EDI-OCT image by the method for predicting the prognosis of visual field impairment in an eye disease according to an embodiment.
  • the system for predicting eye disease visual field damage prognosis performs learning using a learning image in which positions of retinal structures of interest related to glaucoma are labeled, and one or more from EDI-OCT image, which is a new cross-sectional image, through the learning result Position information of retinal structures of interest may be acquired.
  • the image shown in FIG. 3 represents retinal structures of interest extracted from the EDI-OCT image, wherein the structure 101 indicated by star-shaped dots represents the border tissue of the retina, and the structure 102 indicated by rhombus dots. ) indicates Bruch's membrane, the structure 103 indicated by circular dots indicates the outline of the Retinal Nerve Fiber Layer (RNFL), and the structure 104 indicated by triangular dots indicates the inner boundary of the map plate ( lamina cribrosa anterior border).
  • the machine learning unit of the eye disease visual field impairment prognosis prediction system classifies each pixel in the image into a preset class in order to detect each of the above-described structures 101-104 from the EDI-OCT image
  • a segmentation algorithm for The segmentation process may be performed based on a machine learning analysis model generated using a training image in which positions of retinal structures of interest are previously labeled.
  • a deep learning-based learning method for example, U-net
  • U-net a deep learning-based learning method
  • features for machine learning can be generated while gradually reducing the size of a patch, which is an image unit recognition area, and learning can be performed in units of patches.
  • an upsampling process of increasing the size of the patch is required.
  • by copying the high-resolution features obtained in the process of decreasing the size of the patch to the patch of the corresponding layer in the upsampling process It can enable connections and accurate classification between natural image regions.
  • the machine learning unit of the eye disease visual field damage prognosis prediction system specifies retinal structures of interest from the segmented image through deep learning-based learning such as U-net, and extracts information related to the optic nerve structure of the eye using the retinal structures of interest. can do.
  • 4A to 4F are exemplary images illustrating obtaining information related to an optic nerve structure from an EDI-OCT image by the method for predicting the prognosis of visual field impairment in an eye disease according to an embodiment.
  • FIGS. 4A, 4C and 4E show EDI-OCT images of an eye with an axial length of 25.54 mm
  • FIGS. 4B, 4D, and 4F show EDI-OCT images of an eye with an axial length of 23.83.
  • the structure 111 shown in FIGS. 4C and 4D represents an Externally Oblique Border Tissue (EOBT) of the retina, which is the same as the border tissue 101 described above with reference to FIG. 3 .
  • the line 112 shown in FIGS. 4E and 4F indicates the opening area formed in the Bruch's film 102 described above with reference to FIG. 3, that is, the Bruch's Membrane Opening (BMO).
  • BMO Bruch's Membrane Opening
  • the line 113 shown in FIGS. 4E and 4F is an imaginary line connecting from one end of the BMO to the lower boundary of the EOBT located at the other end.
  • the axial length-related structures 111-114 as shown in FIGS. 4A to 4F may be detected.
  • the EOBT length, optic tilt angle, and/or optic canal obliqueness can be extracted from each of the structures 111-114 shown in FIGS. 4A to 4F , optic nerve structure-related information.
  • the EOBT length means the length of the structure 111
  • the optic nerve inclination angle means the angle O 1 between the line 112 and the line 113 shown in FIGS. 4e and 4f
  • the optic nerve tube inclination is It means the angle (O 2 ) between the structure 111 corresponding to the EOBT and the imaginary line 114 extending vertically downward from the upper end point of the EOBT.
  • the EOBT length, optic nerve inclination angle, and optic nerve tube inclination are parts that can confirm the stress applied to the optic nerve periphery due to eye disease.
  • the system for predicting eye disease visual field damage prognosis enables a user such as a doctor to easily diagnose an eye disease by extracting information related to the structure of the optic nerve periphery from an EDI-OCT image through machine learning-based segmentation, and , or/or the extracted information may be used to generate an analysis result related to the presence or progression of an eye disease.
  • the machine learning unit of the eye disease visual field impairment prognosis prediction system uses a plurality of images when the retinal structure of interest is obscured by other blood vessels or tissues in the cross-sectional image in the segmentation process for determining the retinal structure of interest.
  • the process of removing the occluded portion and reconstructing the retinal structure of interest may be performed.
  • a plurality of segmented images are used as input images, and when there is a pixel that is obscured in a specific image, learning is carried out using pixels in the same region of an adjacent image in which the corresponding region is not covered.
  • a method of reconstructing a part that is covered by an interpolation method using the learning result may be used, but is not limited thereto.
  • the machine learning unit of the system for predicting the prognosis of visual field impairment for eye diseases may further extract information related to the optic nerve shape of the eye in addition to the information related to the above-described optic nerve structure from the EDI-OCT image.
  • 5A to 5C are exemplary images illustrating obtaining information related to an optic nerve type from an EDI-OCT image by the method for predicting the prognosis of visual field impairment in an eye disease according to an embodiment.
  • the machine learning unit of the eye disease visual field impairment prognosis prediction system calculates the reduction in the thickness of the RNFL in the form of Bruch's Membrane Opening (BMO) Minimum Rim Width (MRW) EDI -Can be measured from OCT images.
  • BMO Bruch's Membrane Opening
  • MMW Minimum Rim Width
  • the BMO-MRW is defined as the horizontal distance T 1 between the contact point of the Bruck's membrane 102 and the boundary tissue 101 and the RNFL outline 103 in the EDI-OCT image.
  • the interval defined in this way has a limitation in that it is an indirect thickness in the diagonal direction rather than the actual thickness of the nerve fiber.
  • the BMO-MRW is the minimum length between the contact point of the Bruck's membrane 102 and the boundary tissue 101 and the RNFL outline 103, that is, the Brook's membrane 102 and the boundary tissue ( 101) may be defined as a length T 2 of a line segment having the shortest length among line segments connecting each point of the RNFL outline 103 at the contact point.
  • the machine learning unit of the system for predicting the prognosis of visual field damage for eye diseases may extract the thickness of neural tissue in front of the map plate as information related to the shape of the optic nerve.
  • the thickness of the neural tissue in front of the map plate is the area from the middle point of the inner border 104 of the map plate to the point between one end of the inner border 104 of the map plate located in the retina border tissue 101 direction ( 120), it may be defined as the average value of the distances between the map plate inner boundary 104 and the RNFL outline 102.
  • the distance between the map inner boundary 104 and the RNFL outline 102 may refer to a length in the vertical direction on the cross-section.
  • the machine learning unit of the system for predicting the prognosis of visual field damage for eye diseases may extract the map plate surface curvature as information related to the optic nerve shape.
  • the surface curvature of the mapping plate is the length (L) from the imaginary line connecting both ends of the mapping plate inner boundary 104 to the point at which the mapping plate inner boundary 104 retreats to the innermost point (ie, the deepest point). 1 ) and the minimum length (L 2 ) between both endpoints of the inner boundary 104 of the map plate may be defined using a ratio. That is, the value of the surface curvature of the mapping plate may be L 1 /L 2 .
  • the information related to the optic nerve morphology described above with reference to FIGS. 5A to 5C is an EDI-OCT image showing that the thickness of the nerve fibers decreases, the nerve tissue in the front part of the filamentous plate decreases, and the surface of the filamentary plate is curved as the glaucoma progresses. for quantitative detection from By using the EDI-OCT image segmented through machine learning to extract more information on the shape of the optic nerve, more accurate analysis results can be derived.
  • the output unit 35 of the system 3 for predicting the prognosis of visual field impairment for an eye disease may provide the user with information extracted about retinal structures of interest for predicting the prognosis of an eye disease as an analysis result. (S5).
  • the analysis result is displayed in the ocular disease visual field impairment prognosis prediction system 3 itself, or in a form that can be read by the user device 4 connected to the ocular disease visual field impairment prognosis prediction system 3 . It may be provided to the user device 4 from the prognosis prediction system 3 .
  • the ocular disease visual field impairment prognosis prediction system 3 may process the analysis result into visualized data by the visualization unit 350 .
  • FIG. 6 is an image illustrating an exemplary user interface (UI) that provides the analysis result obtained by the method for predicting the prognosis of visual field impairment in an eye disease according to an embodiment as a visualized result.
  • UI user interface
  • information selected by the user using the UI element 41 among information extracted from the EDI-OCT image through machine learning may be displayed on the screen as an analysis result.
  • the user can select the type of information to be output as an analysis result and a display form through the UI elements 44 and 45, and analysis having a form such as a graph and a polar map according to the result selected by the user Results may be displayed in screen areas 42 and 43 .
  • the graph or the polar map is for converting and displaying the stress according to the position in the eye structure into visualization information.
  • the angles of 0 degrees, 90 degrees and -90 degrees in the graph area 42 indicate the position of the eyeball, and the length of the EOBT in the eyeball and its extension angle are the graph area 42 ) can be displayed.
  • the length of the EOBT may be displayed for each position in the polar map area 43 . Indices such as EOBT length, optic nerve inclination angle, and optic nerve tube inclination tend to increase as the axial length increases. Therefore, the position where the value of the index such as the EOBT length is maximized is estimated as the position where the stress is greatest, and through this, it is possible to determine whether or not an eye disease has occurred or the possibility of progression.
  • the second input unit 32 of the system 3 for predicting the prognosis of eye disease visual field impairment is clinically obtained from the patient in addition to information related to the retinal structures of interest described above. Information on other additional risk factors, for example, intraocular pressure, axial length, corneal thickness, blood pressure, etc. may be further collected (S6).
  • the machine learning unit 34 of the eye disease visual field impairment prognosis prediction system 3 may determine the disease risk of the target patient by further applying the above-described additional risk factors to the machine learning analysis model 340 ( S7).
  • IOP is a factor highly correlated with the occurrence and progression of glaucoma, and it can be seen that the higher the intraocular pressure, the higher the risk or progression of glaucoma.
  • the axial length value is actual axial length data, such as the length of the eye measured by other methods, apart from the information extracted through the EDI-OCT image. there is.
  • corneal thickness is an index associated with glaucoma, and it can be seen that the thinner the corneal thickness, the higher the risk or progression of glaucoma.
  • blood pressure is also an indicator related to the progression of glaucoma, and it can be seen that the risk of glaucoma or the degree of progression is higher as the blood pressure decreases or the blood pressure fluctuation during the day increases.
  • the machine learning unit 34 performs learning using the optic nerve structure-related information and/or optic nerve shape-related information extracted from the EDI-OCT image as a feature value, in which case the cross-sectional image is provided.
  • the precision of the analysis model can be further improved by using patient-related intraocular pressure, axial length, corneal thickness, blood pressure or blood pressure fluctuation range as additional features. In this case, as additional risk factors, it is preferable that the aforementioned information on intraocular pressure, axial length, corneal thickness, blood pressure or blood pressure fluctuation range are used together.
  • the operation of the method for predicting the prognosis of eye disease visual field impairment according to the embodiments described above may be implemented at least partially as a computer program and recorded in a computer-readable recording medium.
  • a computer-readable recording medium in which a program for implementing the operation according to the method according to the embodiments is recorded includes all types of recording devices in which computer-readable data is stored. Examples of computer-readable recording media include ROM, RAM, CD-ROM, magnetic tape, floppy disk, and optical data storage device.
  • the computer-readable recording medium may be distributed in a network-connected computer system, and the computer-readable code may be stored and executed in a distributed manner.
  • functional programs, codes, and code segments for implementing the present embodiment may be easily understood by those skilled in the art to which the present embodiment belongs.
  • Embodiments relate to a system and method for predicting the prognosis of visual field impairment in an ophthalmic disease, and a computer program therefor. More specifically, the embodiments provide a technique for determining the diagnosis risk or progression possibility of an eye disease such as glaucoma through machine learning-based analysis using the optic nerve structure, optic nerve shape, visual field test result, clinical information, etc. it is about

Landscapes

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

Abstract

안질환 시야 손상 예후 예측 시스템은, 빛간섭단층촬영(Optical Coherence Tomography; OCT)에 의한 안구의 단면 이미지를 수신하도록 구성된 제1 입력부; 미리 설정된 학습 이미지를 이용하여 생성된 머신러닝(machine learning) 분석 모델을 포함하며, 상기 머신러닝 분석 모델을 이용하여 상기 단면 이미지로부터 안구의 시신경 구조에 관련된 정보를 추출함으로써 상기 단면 이미지의 분석 결과를 생성하도록 구성된 머신러닝부; 및 상기 머신러닝부에 의해 얻어진 상기 단면 이미지의 분석 결과를 제공하도록 구성된 출력부를 포함할 수 있다. 이때 시신경 구조에 관련된 정보는, 망막의 외부 경사 경계 조직(Externally Oblique Border Tissue; EOBT) 길이, 시신경 경사각(optic tilt angle), 및 시신경관 경사(optic canal obliqueness) 중 하나 이상을 포함할 수 있다. 상기 시스템을 이용하면, 시신경 형태, 시야 검사 결과 및 임상 정보 등을 입력 데이터로 이용한 머신러닝 기반의 분석을 통해 녹내장과 같은 안질환의 진단 위험도나 진행 가능성 등을 정량적으로 분석할 수 있다.

Description

안질환 시야 손상 예후 예측 시스템 및 방법과 이를 위한 컴퓨터 프로그램
실시예들은 안질환 시야 손상 예후 예측 시스템 및 방법과 이를 위한 컴퓨터 프로그램에 관한 것이다. 보다 상세하게는, 실시예들은 시신경 구조, 시신경 형태, 시야 검사 결과, 임상 정보 등을 이용한 머신러닝(machine learning) 기반의 분석을 통해 녹내장과 같은 안질환의 진단 위험도나 진행 가능성 등을 판별하는 기술에 대한 것이다.
빛간섭단층촬영(Optical Coherence Tomography; OCT)은 망막 질환 및 녹내장 등의 진단을 위해 사용되는 기술이다. 망막 박리, 연령 관련 황반변성, 당뇨병성 황반부종 등이 있을 경우 환자의 망막 구조에 변화가 생기게 되고, 또한 녹내장 환자의 경우 시신경 유두의 함몰, 황반부 및 황반 주변부의 신경절 세포의 파괴 등이 나타난다. OCT는 초음파의 원리와 유사하나 음파 대신 빛을 투과시켜 조직 내에서 반사되는 빛의 시간 차이를 광학적 간섭계로 측정함으로써 단층 영상을 얻어내는 기술로, 이를 이용하면 황반부와 황반 주변부의 망막 및 시신경 유두, 신경섬유층 등의 횡단면 분석에 의한 망막과 맥락막 질환의 평가 및 녹내장의 조기 진단이 가능하다.
최근에는 스펙트럼 영역을 이용한 깊이증강이미징(Enhanced depth imaging; EDI) 방식의 OCT를 통해, 기존의 OCT로 관찰이 어려웠던 안구 구조물의 변화를 비침습적으로 측정할 수 있게 되었다.
그런데, EDI-OCT 영상은 해석하는데 많은 시간이 소요되므로, 정확한 판독을 위해서는 영상의학과 의사가 따로 시간을 들여 영상을 해석하여야 한다. 그러나 이는 많은 시간과 비용이 소요되는 일이기 때문에 임상적으로 적용하기 어렵고, 그 결과 현재는 임상적으로 안과 이미지는 안과 의사가 직접 육안으로 판독하고 있는 실정이다.
본 발명의 일 측면에 따르면, 깊이증강이미징(Enhanced depth imaging; EDI) 방식의 빛간섭단층촬영(Optical Coherence Tomography; OCT) 영상을 이용하여 육안으로 판단하기 어려운 안구 구조물의 병적인 변형을 자동화된 방법으로 정량적으로 측정하고, 이를 통해 초기에 병을 진단하거나 병의 경과를 예측할 수 있는 안질환 시야 손상 예후 예측 시스템 및 방법과 이를 위한 컴퓨터 프로그램을 제공할 수 있다.
본 발명의 일 측면에 따른 안질환 시야 손상 예후 예측 시스템은, 빛간섭단층촬영(Optical Coherence Tomography; OCT)에 의한 안구의 단면 이미지를 수신하도록 구성된 제1 입력부; 미리 설정된 학습 이미지를 이용하여 생성된 머신러닝(machine learning) 분석 모델을 포함하며, 상기 머신러닝 분석 모델을 이용하여 상기 단면 이미지로부터 안구의 시신경 구조에 관련된 정보를 추출함으로써 상기 단면 이미지의 분석 결과를 생성하도록 구성된 머신러닝부; 및 상기 머신러닝부에 의해 얻어진 상기 단면 이미지의 분석 결과를 제공하도록 구성된 출력부를 포함한다.
일 실시예에서, 상기 시신경 구조에 관련된 정보는, 시신경의 외부 경사 경계 조직(Externally Oblique Border Tissue; EOBT) 길이, 시신경 경사각(optic tilt angle), 및 시신경관 경사(optic canal obliqueness) 중 하나 이상을 포함한다.
일 실시예에서, 상기 머신러닝부는, 상기 단면 이미지로부터 안구의 시신경 형태에 관련된 정보를 더 추출하고, 상기 시신경 형태에 관련된 정보를 더 이용하여 상기 분석 결과를 생성하도록 구성된다.
일 실시예에서, 상기 시신경 형태에 관련된 정보는, 브루크막 개방부(Bruch's Membrane Opening; BMO) 최소 시신경 유두테 너비(Minimum Rim Width; MRW), 사상판 앞 신경조직 두께(Prelaminar thickness), 및 사상판 표면 곡률(Lamina Cribrosa Curvature) 중 하나 이상을 포함한다.
일 실시예에 따른 안질환 시야 손상 예후 예측 시스템은, 상기 단면 이미지와 연관된 추가 위험 요인 정보를 수신하도록 구성된 제2 입력부를 더 포함한다. 이때, 상기 머신러닝부는, 상기 단면 이미지와 연관된 상기 추가 위험 요인 정보를 더 이용하여 상기 분석 결과를 생성하도록 구성된다.
일 실시예에서, 상기 추가 위험 요인 정보는, 안압, 안축장 수치, 각막 두께, 및 혈압을 포함하는 안질환 시야 손상 예후 예측 시스템.
일 실시예에서, 상기 출력부는, 상기 분석 결과를 시신경 및 시신경 주위 구조물 내의 위치별 스트레스(stress)를 나타내는 시각화 정보로 변환하여 출력하도록 구성된 시각화부를 포함한다.
본 발명의 일 측면에 따른 안질환 시야 손상 예후 예측 방법은, 미리 설정된 학습 이미지의 시신경 구조에 관련된 정보를 입력 데이터로 이용하여 생성된 머신러닝 분석 모델을 안질환 시야 손상 예후 예측 시스템에 저장하는 단계; 상기 안질환 시야 손상 예후 예측 시스템이, 빛간섭단층촬영에 의한 안구의 단면 이미지를 수신하는 단계; 상기 안질환 시야 손상 예후 예측 시스템이, 상기 머신러닝 분석 모델을 이용하여 상기 단면 이미지를 처리함으로써 상기 단면 이미지로부터 상기 시신경 구조에 관련된 정보를 추출하고, 상기 단면 이미지의 분석 결과를 생성하는 단계; 및 상기 안질환 시야 손상 예후 예측 시스템이 상기 분석 결과를 제공하는 단계를 포함한다.
일 실시예에서, 상기 분석 결과를 생성하는 단계는, 상기 안질환 시야 손상 예후 예측 시스템이, 상기 머신러닝 분석 모델을 이용하여 상기 단면 이미지를 처리함으로써 상기 단면 이미지로부터 안구의 시신경 형태에 관련된 정보를 추출하는 단계를 더 포함한다.
일 실시예에 따른 안질환 시야 손상 예후 예측 방법은, 상기 분석 결과를 제공하는 단계 전에, 상기 안질환 시야 손상 예후 예측 시스템이, 상기 단면 이미지와 연관된 추가 위험 요인 정보를 수신하는 단계를 더 포함한다. 이때, 상기 분석 결과는 상기 단면 이미지와 연관된 상기 추가 위험 요인 정보를 상기 머신러닝 분석 모델에 더 입력함으로써 생성될 수 있다.
일 실시예에 따른 안질환 시야 손상 예후 예측 방법은, 상기 안질환 시야 손상 예후 예측 시스템이, 상기 분석 결과를 시신경 및 시신경 주위 구조물 내의 위치별 스트레스를 나타내는 시각화 정보로 변환하여 출력하는 단계를 더 포함한다.
본 발명의 일 측면에 컴퓨터 프로그램은, 하드웨어와 결합되어 전술한 실시예들에 따른 안질환 시야 손상 예후 예측 방법을 실행하기 위한 것으로서 컴퓨터로 판독 가능한 기록매체에 저장될 수 있다.
본 발명의 일 측면에 따른 안질환 시야 손상 예후 예측 시스템 및 방법에 의하면, 깊이증강이미징(Enhanced Depth Imaging; EDI) 방식의 빛간섭단층촬영(Optical Coherence Tomography; OCT) 영상을 이용한 머신러닝(machine learning)을 통하여, 육안으로는 판단하기 어려운 안구 구조물의 병적인 변형을 자동화된 방법으로 정량적으로 측정할 수 있는 이점이 있다.
본 발명의 일 측면에 따른 안질환 시야 손상 예후 예측 시스템 및 방법을 이용함으로써, 분석 시간과 비용의 부담으로 인해 현재 충분히 활용되고 있지 못한 EDI-OCT 자료를 임상적으로 이용 가능하게 할 수 있으며, 이를 이용하여 녹내장 등 안과 질환의 진단 위험도 및/또는 진행 가능성을 도출함으로써, 초기에 병을 진단하고 병의 경과를 예측할 수 있는 이점이 있다.
도 1은 일 실시예에 따른 안질환 시야 손상 예후 예측 시스템의 개략적인 블록도이다.
도 2는 일 실시예에 따른 안질환 시야 손상 예후 예측 방법의 각 단계를 나타내는 순서도이다.
도 3은 일 실시예에 따른 안질환 시야 손상 예후 예측 방법에 의하여 깊이증강이미징(Enhanced Depth Imaging; EDI) 방식의 빛간섭단층촬영(Optical Coherence Tomography; OCT) 영상으로부터 검출된 안구 구조물을 나타내는 예시적인 이미지이다.
도 4a 내지 4f는 일 실시예에 따른 안질환 시야 손상 예후 예측 방법에 의하여 EDI-OCT 영상으로부터 시신경 구조에 관련된 정보를 얻는 것을 나타내는 예시적인 이미지이다.
도 5a 내지 5c는 일 실시예에 따른 안질환 시야 손상 예후 예측 방법에 의하여 EDI-OCT 영상으로부터 시신경 형태에 관련된 정보를 얻는 것을 나타내는 예시적인 이미지이다.
도 6은 일 실시예에 따른 안질환 시야 손상 예후 예측 방법에 의하여 얻어진 분석 결과를 시각화된 결과물로 제공하는 예시적인 사용자 인터페이스를 나타내는 이미지이다.
이하에서, 도면을 참조하여 본 발명의 실시예들에 대하여 상세히 살펴본다.
도 1은 일 실시예에 따른 안질환 시야 손상 예후 예측 시스템의 개략적인 블록도이다.
도 1을 참조하면, 안질환 시야 손상 예후 예측 시스템(3)은 안구의 단면 이미지(100)를 수신하기 위한 제1 입력부(31), 머신러닝(machine learning) 분석 모델에 기반하여 단면 이미지로부터 정보를 추출하고 분석 결과를 생성하도록 구성된 정보를 머신러닝부(34), 및 분석 결과를 사용자에게 제공하도록 구성된 출력부(35)를 포함한다. 일 실시예에서, 안질환 시야 손상 예후 예측 시스템(3)은 단면 이미지 외에 추가적인 위험 요인에 대한 정보(200)를 수신하기 위한 제2 입력부(32)를 더 포함할 수 있다.
본 명세서에 기재된 장치들은 전적으로 하드웨어이거나, 또는 부분적으로 하드웨어이고 부분적으로 소프트웨어인 측면을 가질 수 있다. 예컨대, 안질환 시야 손상 예후 예측 시스템(3)에 포함된 각 부(unit) 및 이들의 하위 부는, 특정 형식 및 내용의 데이터를 전자통신 방식으로 주고받기 위한 장치 및 이에 관련된 소프트웨어를 통칭할 수 있다. 본 명세서에서 "부", "모듈", "서버", "시스템", "플랫폼", "장치" 또는 "단말" 등의 용어는 하드웨어 및 해당 하드웨어에 의해 구동되는 소프트웨어의 조합을 지칭하는 것으로 의도된다. 예를 들어, 여기서 하드웨어는 CPU 또는 다른 프로세서(processor)를 포함하는 데이터 처리 기기일 수 있다. 또한, 하드웨어에 의해 구동되는 소프트웨어는 실행중인 프로세스, 객체(object), 실행파일(executable), 실행 스레드(thread of execution), 프로그램(program) 등을 지칭할 수 있다.
또한, 본 명세서에서 안질환 시야 손상 예후 예측 시스템(3)을 구성하는 각각의 부는 반드시 물리적으로 구분되는 별개의 구성요소를 지칭하는 것으로 의도되지 않는다. 즉, 도 1에서 안질환 시야 손상 예후 예측 시스템(3)의 각 부는 서로 구분되는 별개의 블록으로 도시되었으나, 이는 안질환 시야 손상 예후 예측 시스템(3)을 이에 의해 실행되는 동작에 의해 기능적으로 구분한 것이다. 실시예에 따라서는 전술한 각 부 중 일부 또는 전부가 동일한 하나의 장치 내에 집적화될 수 있으며, 또는 하나 이상의 부가 다른 부와 물리적으로 구분되는 별개의 장치로 구현될 수도 있다. 예컨대, 안질환 시야 손상 예후 예측 시스템(3)의 각 부는 분산 컴퓨팅 환경 하에서 서로 통신 가능하게 연결된 컴포넌트들일 수도 있다.
또한, 안질환 시야 손상 예후 예측 시스템(3)은 안질환 시야 손상 예후 예측 시스템(3)을 이용하는 사용자(예컨대, 의사, 영상 분석가, 환자 등)의 사용자 장치(4)와의 통신을 수반하여 동작할 수 있다. 예를 들어, 안질환 시야 손상 예후 예측 시스템(3)은 사용자 장치(4)에서 유선 및/또는 무선 네트워크를 통하여 접속 가능한 서버의 형태로 구현되며, 사용자는 스마트폰(smartphone) 등 이동 통신 단말기, 개인용 컴퓨터(personal computer), 노트북(notebook) 컴퓨터, PDA(personal digital assistant), 태블릿(tablet) 컴퓨터, IPTV(Internet Protocol Television) 등을 위한 셋톱박스(set-top box) 또는 네트워크 서버 등 임의의 컴퓨팅 장치인 사용자 장치(4)를 이용하여 안질환 시야 손상 예후 예측 시스템(3)을 이용할 수 있다.
그러나, 이는 예시적인 것으로서, 다른 실시예에서는 안질환 시야 손상 예후 예측 시스템(3) 자체가 서버가 아닌 사용자 장치의 형태로 구현될 수 있으며, 이 경우 도 1에 도시된 사용자 장치(4)는 생략될 수 있다. 또한, 도 1에 도시된 사용자 장치(4)의 개수는 단지 예시적인 것으로서, 안질환 시야 손상 예후 예측 시스템(3)을 이용하는 사용자 또는 안질환 시야 손상 예후 예측 시스템(3)과 연관되어 동작하는 장치의 수를 한정하는 것이 아니라는 점이 통상의 기술자에게 용이하게 이해될 것이다.
제1 입력부(31)는 안구의 단면 이미지(100)를 수신하기 위한 부분으로서, 제1 입력부(31)는 사용자 장치(4)와 같은 외부의 장치 또는 서버(미도시)로부터 단면 이미지(100)를 수신할 수 있다. 이때 단면 이미지(100)는 분석의 대상이 되는 환자 등의 안구를 빛간섭단층촬영(Optical Coherence Tomography; OCT)을 이용하여 촬영함으로써 얻어진 것이다. 예컨대, 단면 이미지(100)는 깊이증강이미징(Enhanced Depth Imaging; EDI) 방식의 빛간섭단층촬영에 의해 얻어진 것일 수 있으며, 이하의 본 명세서에서 이는 EDI-OCT 영상 또는 EDI-OCT 이미지로도 지칭된다.
또한, 제1 입력부(31)는 분석 대상인 단면 이미지(100)의 수신에 앞서 머신러닝 기반의 학습을 위한 학습 이미지들을 외부의 장치 또는 서버(미도시)로부터 수신함으로서, 후술하는 머신러닝부(34)에 의해 머신러닝 분석 모델(340)이 생성될 수 있게 할 수도 있다.
머신러닝부(34)는 학습 이미지들을 이용한 학습을 통하여 머신러닝 분석 모델(340)을 생성하거나, 또는 외부의 서버 또는 장치(미도시)로부터 머신러닝 분석 모델(340)을 수신하여 저장할 수 있다. 예를 들어, 머신러닝부(34)는 관심 안구 구조물들이 라벨링(labeling)된 EDI-OCT 영상을 학습 이미지로 이용한 딥 러닝(deep learning) 기반의 학습을 통하여 머신러닝 분석 모델(340)을 생성할 수 있다.
또한, 머신러닝부(34)는 머신러닝 분석 모델(340)을 분석 대상이 되는 새로운 단면 이미지(100)에 적용하여, 단면 이미지(100)의 분석 결과를 생성할 수 있다. 이를 위하여, 일 실시예에서 머신러닝부(34)는 단면 이미지(100)로부터 관심 망막 구조물 등을 인식하기 위한 이미지 처리부(341)를 포함할 수 있다.
일 실시예에서, 단면 이미지(100)로부터 추출되는 정보는 망막의 외부 경사 경계 조직(Externally Oblique Border Tissue; EOBT) 길이, 시신경 경사각(optic tilt angle), 및/또는 시신경관 경사(optic canal obliqueness) 등 시신경 구조에 관련된 정보일 수 있다. 또한 일 실시예에서, 단면 이미지(100)로부터 추출되는 정보는 브루크막 개방부(Bruch's Membrane Opening; BMO) 최소 시신경 유두테 너비(Minimum Rim Width; MRW), 사상판 앞 신경조직 두께(Prelaminar thickness) 및/또는 사상판 표면 곡률(Lamina Cribrosa Curvature) 등 시신경 형태에 관련된 정보를 더 포함할 수도 있다.
일 실시예에서, 안질환 시야 손상 예후 예측 시스템(3)은 제2 입력부(32)를 통해 수신되는 추가 위험 요인 정보(200)를 더 이용하여 분석 결과를 생성할 수도 있다. 추가 위험 요인 정보(200)란 EDI-OCT 영상으로부터 얻어지는 안구 구조물의 정보 외에 안질환의 연관 인자인 다른 정보들을 지칭하는 것으로서, 예컨대, 안압, 안축장 수치, 각막 두께, 혈압 등이 있다. 이때, 안축장 수치란 EDI-OCT 영상으로부터 얻어지는 EOBT 길이 등과 별도로 다른 방법으로 측정된 안축장 관련 수치들을 의미한다. 또한, 혈압은 하루 중 혈압 변동폭 수치가 추가 위험 요인 정보(200)로 이용될 수 있다. 나아가, 추가 위험 요인 정보(200)로는 전술한 안압, 안축장 수치, 각막 두께 및 혈압이 동시에 이용되는 것이 바람직하다.
출력부(35)는 분석 대상인 단면 이미지(100)로부터 머신러닝에 기반하여 추출된 시신경 구조에 관련된 정보 및/또는 시신경 형태에 관련된 정보들을 단면 이미지(100)에 상응하는 안구의 분석 결과로서 제공할 수 있다. 출력부(35)는 이러한 분석 결과를 안질환 시야 손상 예후 예측 시스템(3)에 구비된 디스플레이 장치(미도시) 등 표시 수단에 출력하거나, 또는 안질환 시야 손상 예후 예측 시스템(3)에 접속한 사용자 장치(4)에서 볼 수 있도록 전송하는 기능을 수행할 수 있다.
일 실시예에서, 출력부(35)는 단면 이미지(100)에 대한 분석 결과를 시각화된 형태로 제공하기 위한 시각화부(350)를 더 포함할 수도 있다. 예를 들어, 시각화부(350)는 단면 이미지(100)의 분석 결과를 시신경 및 이로부터 일정 거리 내에 위치하는 시신경 주위 구조물 내의 위치별 스트레스(stress)를 나타내는 시각화 정보로 변환하여 사용자가 안질환의 진행 정도 및 위치를 식별하기 용이하도록 제공할 수 있다.
도 2는 일 실시예에 따른 안질환 시야 손상 예후 예측 방법의 각 단계를 나타내는 순서도이다. 본 실시예에 따른 안질환 시야 손상 예후 예측 방법은, 도 1을 참조하여 전술한 실시예들에 따른 안질환 시야 손상 예후 예측 시스템을 이용하여 수행될 수 있다. 이하에서는, 설명의 편의를 위하여 도 1 및 도 2를 참조하여 본 실시예에 따른 안질환 시야 손상 예후 예측 방법에 대하여 설명한다.
먼저, 녹내장과 같은 안질환의 유무 또는 진행 정도에 따른 안구의 변화를 학습하기 위하여, 안질환 시야 손상 예후 예측 시스템(3)의 제1 입력부(31)는 학습을 위한 시신경 조직의 단면 이미지들을 수집할 수 있다(S1). 이때 수집되는 단면 이미지들은 녹내장과 같은 안질환의 유무 또는 진행 정도가 미리 입력되어 있거나, 또는/또한 안질환과 관련된 안구 구조물들의 위치가 사전에 라벨링(labeling)되어 있는 이미지를 의미하는 것으로, 본 명세서에서 이와 같이 라벨링된 이미지들은 학습 이미지로도 지칭된다.
안질환 시야 손상 예후 예측 시스템(3)의 머신러닝부(34)는, 학습 이미지로부터 머신러닝 분석 모델(340)을 구축하기 위하여, 먼저 이미지 처리부(341)에 의해 학습 이미지를 처리하여 이미지로부터 장력(stress)에 의한 안구 내 시신경 조직 등의 변화를 나타낼 수 있는 정보들을 추출할 수 있다(S2). 다음으로, 머신러닝부(34)는 추출된 정보를 이용하여 질병의 유무나 진행 정도에 따른 안구 내 시신경 조직의 변화를 학습할 수 있다(S3).
다음으로, 머신러닝부(34)는 학습을 통해 구축된 머신러닝 분석 모델(340)을 기반으로 새로운 단면 이미지에 대한 분석을 수행할 수 있다(S4). 일 실시예에서, 새로운 단면 이미지에 대한 분석이란 학습된 머신러닝 분석 모델(340)을 이용하여 단면 이미지를 세그멘테이션(segmentation)함으로써 단면 이미지로부터 관심 대상인 안구 구조물들에 관련된 수치, 각도 등 정보를 추출하는 것을 의미할 수 있다.
또한 일 실시예에서, 새로운 단면 이미지에 대한 분석이란 학습된 머신러닝 분석 모델(340)을 기반으로 녹내장과 같은 안질환의 진단 위험도나 진행 가능성을 결정하는 것을 의미할 수도 있다. 예를 들어, 머신러닝 분석 모델(340)을 적용한 분석 결과는 확률값의 형태로 표현되는 안질환의 진단 위험도나 진행 가능성을 포함할 수도 있다.
이하의 본 명세서에서는, 안질환 중 녹내장을 예후 예측의 대상으로 하여 녹내장의 발생에 따른 관심 망막 구조물들의 변화를 머신러닝에 기반하여 학습하는 실시예들에 대해 설명한다. 그러나, 실시예들이 대상으로 하는 안질환이 녹내장에 한정되는 것은 아니며, 또한 단면 이미지로부터 추출되는 안구 구조물 관련 정보 역시 예후 예측의 대상이 되는 안질환의 종류에 따라 본 명세서에 기재된 것과 상이할 수 있다는 점이 통상의 기술자에게 용이하게 이해될 것이다.
도 3은 일 실시예에 따른 안질환 시야 손상 예후 예측 방법에 의하여 EDI-OCT 영상으로부터 검출된 안구 구조물을 나타내는 예시적인 이미지이다.
일 실시예에 따른 안질환 시야 손상 예후 예측 시스템은, 녹내장과 관련된 관심 망막 구조물들의 위치가 라벨링된 학습 이미지를 이용하여 학습을 진행하고, 학습 결과를 통하여 새로운 단면 이미지인 EDI-OCT 영상으로부터 하나 이상의 관심 망막 구조물들의 위치 정보를 획득할 수 있다. 도 3에 도시된 이미지는 EDI-OCT 영상으로부터 추출된 관심 망막 구조물들을 나타내는 것으로서, 별 형상의 점들로 표시된 구조물(101)은 망막의 경계 조직(border tissue)을 나타내며, 마름모 점들로 표시된 구조물(102)은 브루크막(Bruch's membrane)을 나타내고, 원형 점들로 표시된 구조물(103)은 망막신경섬유층(Retinal Nerve Fiber Layer; RNFL)의 외곽선을 나타내며, 삼각형 점들로 표시된 구조물(104)은 사상판 내측 경계(lamina cribrosa anterior border)를 나타낸다.
실시예들에 따른 안질환 시야 손상 예후 예측 시스템의 머신러닝부는, EDI-OCT 영상으로부터 전술한 각 구조물(101-104)을 검출하기 위하여, 이미지 내의 각 픽셀들을 기설정된 클래스(class)로 분류하기 위한 세그멘테이션 알고리즘을 적용할 수 있다. 세그멘테이션(segmentation) 과정은, 관심 망막 구조물들의 위치가 사전에 라벨링된 학습 이미지를 이용하여 생성된 머신러닝 분석 모델을 기반으로 이루어질 수 있다.
일 실시예에서, 세그멘테이션 과정에는 딥러닝(deep learning) 기반의 학습 방법으로, 예컨대, U-net이 이용될 수도 있다. U-net을 이용하여 세그멘테이션을 수행할 경우, 이미지를 단위 인식 영역인 패치(patch)의 크기를 점진적으로 줄여 나가면서 머신러닝을 위한 특징(feature)들을 생성하고 패치 단위로 학습을 수행할 수 있다. 이후 세그멘테이션된 이미지를 얻기 위해서는 패치의 크기를 늘려가는 업샘플링(upsampling) 과정이 필요한데, 이때 패치의 크기를 줄여가는 과정에서 얻어지는 고해상도의 특징들을 업샘플링 과정에서의 대응되는 레이어의 패치에 복사함으로써, 자연스러운 이미지 영역 간의 연결 및 정확한 분류가 가능하도록 할 수 있다.
U-net 알고리즘에 대해서는 통상의 기술자에게 잘 알려져 있으므로, 발명의 요지를 명확하게 하기 위하여 본 명세서에서 이에 대한 자세한 설명은 생략한다.
안질환 시야 손상 예후 예측 시스템의 머신러닝부는, U-net과 같은 딥러닝 기반의 학습을 통해 세그멘테이션된 이미지로부터 관심 망막 구조물들을 특정하고, 관심 망막 구조물들을 이용하여 안구의 시신경 구조에 관련된 정보를 추출할 수 있다.
도 4a 내지 4f는 일 실시예에 따른 안질환 시야 손상 예후 예측 방법에 의하여 EDI-OCT 영상으로부터 시신경 구조에 관련된 정보를 얻는 것을 나타내는 예시적인 이미지이다.
도 4a, 도 4c 및 도 4e는 안축장의 길이가 25.54 mm인 안구의 EDI-OCT 영상을 나타내며, 도 4b, 도 4d 및 도 4f는 안축장의 길이가 23.83인 안구의 EDI-OCT 영상을 나타낸다. 도 4c 및 도 4d에 도시된 구조물(111)은 망막의 외부 경사 경계 조직(Externally Oblique Border Tissue; EOBT)을 나타내며, 이는 도 3을 참조하여 전술한 경계 조직(101)과 동일한 것이다. 한편, 도 4e 및 도 4f에 도시된 선(112)은 도 3을 참조하여 전술한 부르크막(102)에 형성된 개구 영역, 즉, 브루크막 개방부(Bruch's Membrane Opening; BMO)를 나타내는 것으로서, 그 한쪽 끝은 부르크막에 위치하고 다른 쪽 끝은 EOBT(111)에 위치한다. 또한, 도 4e 및 도 4f에 도시된 선(113)은 BMO의 한쪽 끝으로부터 다른 쪽 끝에 위치한 EOBT의 하부 경계까지를 연결하는 가상의 선이다.
즉, 도 3을 참조하여 전술한 각 구조물(101-104)의 일부 또는 전부를 이용하여, 도 4a 내지 4f에 도시된 것과 같은 안축장 관련 구조물(111-114)을 검출할 수 있다. 다음으로, 도 4a 내지 4f에 도시된 각 구조물(111-114)로부터 EOBT 길이, 시신경 경사각(optic tilt angle), 및/또는 시신경관 경사(optic canal obliqueness)를 시신경 구조 관련 정보를 추출할 수 있다. 이때, EOBT 길이는 구조물(111)의 길이를 의미하며, 시신경 경사각은 도 4e 및 도 4f에 도시된 선(112)과 선(113) 사이의 각도(O1)를 의미하고, 시신경관 경사는 EOBT에 해당하는 구조물(111)과, EOBT의 상부 끝점으로부터 연직 하방으로 연장되는 가상의 선(114) 사이의 각도(O2)를 의미한다.
EOBT 길이, 시신경 경사각 및 시신경관 경사는 안질환으로 인해 시신경 주변부에 가해지는 스트레스를 확인할 수 있는 부분으로서, 이러한 부분에 가해진 스트레스의 방향은 녹내장의 진행 방향 및 녹내장에 의한 시야의 손상 패턴과 일치하는 것으로 볼 수 있다. 실시예들에 따른 안질환 시야 손상 예후 예측 시스템은, 머신러닝 기반의 세그멘테이션을 통하여 EDI-OCT 영상으로부터 시신경 주변부의 구조에 관련된 정보를 추출함으로써, 의사 등 사용자가 안질환을 쉽게 진단할 수 있게 하고, 또는/또한 추출된 정보를 이용하여 안질환의 유무나 진행 정도에 관련된 분석 결과를 생성할 수 있다.
도 4a 내지 4f에서는 우안의 EDI-OCT 영상을 이용하여 안축장 관련 정보를 추출한 이미지를 예시적으로 도시하였으나, 동일한 방법이 좌안의 EDI-OCT 영상에도 적용될 수 있다는 것이 통상의 기술자에게 용이하게 이해될 것이다. 예를 들어, 어느 일 방향(예컨대, 우안)의 학습 이미지를 이용한 분석 모델만이 구축되어 있으나 반대 방향(예컨대, 좌안)의 대상 단면 이미지에 대한 분석이 필요할 경우, 대상 단면 이미지를 좌우 반전한 이미지를 생성하고 이에 분석 모델을 적용함으로써 눈의 방향에 관계 없이 분석 결과를 도출할 수 있다. 또는, 학습 이미지를 좌우 반전시켜 양 방향의 학습 이미지에 대한 학습이 모두 이루어지도록 함으로써, 안구의 방향에 관계 없이 분석 모델의 적용이 가능하도록 할 수도 있다.
일 실시예에서, 안질환 시야 손상 예후 예측 시스템의 머신러닝부는, 관심 망막 구조물을 판별하기 위한 세그멘테이션 과정에 있어서 단면 이미지에서 관심 망막 구조물이 다른 혈관이나 조직 등에 의하여 가려져 있을 경우, 복수의 이미지를 이용하여 가려진 부분을 제거하고 관심 망막 구조물을 재건하는 과정을 수행할 수도 있다. 관심 망막 구조물을 재건하는 과정에는, 세그멘테이션된 이미지의 복수 개를 입력 이미지로 이용하여, 특정 이미지에서 가려진 픽셀이 있을 경우 해당 영역이 가려지지 않은 인접 이미지의 동일 영역의 픽셀을 이용하여 학습을 실시하고, 학습 결과를 이용하여 보간(interpolation) 등의 방식으로 가려진 부분을 재건하는 방법이 이용될 수 있으나, 이에 한정되는 것은 아니다.
또한 일 실시예에서, 안질환 시야 손상 예후 예측 시스템의 머신러닝부는, 전술한 시신경 구조에 관련된 정보 외에 안구의 시신경 형태에 관련된 정보를 EDI-OCT 영상으로부터 더 추출할 수도 있다.
도 5a 내지 5c는 일 실시예에 따른 안질환 시야 손상 예후 예측 방법에 의하여 EDI-OCT 영상으로부터 시신경 형태에 관련된 정보를 얻는 것을 나타내는 예시적인 이미지이다.
먼저 도 5a를 참조하면, 녹내장이 발생한 눈의 경우 녹내장의 진행에 따라 망막신경섬유층(RNFL)의 두께가 감소하게 된다. 이때, 본 실시예에서 안질환 시야 손상 예후 예측 시스템의 머신러닝부는, RNFL의 두께 감소를 브루크막 개방부(Bruch's Membrane Opening; BMO) 최소 시신경 유두테 너비(Minimum Rim Width; MRW)의 형태로 EDI-OCT 영상으로부터 측정할 수 있다.
일 실시예에서, BMO-MRW는 EDI-OCT 영상에서 브루크막(102) 및 경계 조직(101)의 접점과 RNFL 외곽선(103) 사이의 수평 방향의 간격(T1)으로 정의된다. 그러나, 이와 같이 정의되는 간격은 신경 섬유의 실제 두께라기 보다는 대각선 방향의 간접적인 두께라는 한계를 갖는다. 이러한 한계를 극복하기 위하여, 다른 실시예에서 BMO-MRW는 브루크막(102) 및 경계 조직(101)의 접점과 RNFL 외곽선(103) 사이의 최소 길이, 즉, 브루크막(102) 및 경계 조직(101)의 접점에서 RNFL 외곽선(103)의 각 점을 연결한 선분들 중 가장 길이가 짧은 선분의 길이(T2)로 정의될 수 있다.
또한, 도 5b를 참조하면, 안질환 시야 손상 예후 예측 시스템의 머신러닝부는 시신경 형태에 관련된 정보로서 사상판 앞 신경조직 두께를 추출할 수도 있다. 사상판 앞 신경조직 두께는, 사상판 내측 경계(104)의 가운데 지점으로부터 출발하여 망막 경계 조직(101) 방향에 위치하는 사상판 내측 경계(104)의 한쪽 끝 사이의 지점에 이르기까지의 영역(120)에 있어서, 사상판 내측 경계(104)와 RNFL 외곽선(102) 사이의 거리들의 평균값으로 정의될 수 있다. 이때, 사상판 내측 경계(104)와 RNFL 외곽선(102) 사이의 거리는 단면 상에서 연직 방향으로의 길이를 지칭할 수 있다.
나아가, 도 5c를 참조하면, 안질환 시야 손상 예후 예측 시스템의 머신러닝부는 시신경 형태에 관련된 정보로서 사상판 표면 곡률을 추출할 수도 있다. 이때 사상판 표면 곡률은, 사상판 내측 경계(104)의 양 끝을 연결한 가상의 선으로부터 사상판 내측 경계(104)가 가장 안쪽으로 후퇴한 지점(즉, 가장 깊은 지점)까지의 길이(L1)와, 사상판 내측 경계(104)의 양 끝점 사이의 최소 길이(L2)의 비율을 이용하여 정의될 수 있다. 즉, 사상판 표면 곡률의 값은 L1/L2일 수 있다.
이상에서 도 5a 내지 5c를 참조하여 설명한 시신경 형태에 관련된 정보는, 녹내장의 진행에 따라 신경 섬유의 두께가 감소하며 사상판 앞 부분의 신경 조직이 감소하고 사상판의 표면이 휘어지는 것을 EDI-OCT 영상으로부터 정량적으로 검출하기 위한 것이다. 머신러닝을 통해 세그멘테이션된 EDI-OCT 영상을 이용하여 이와 같은 시신경 형태에 대한 정보를 더 추출함으로써, 더 정확한 분석 결과를 도출할 수 있다.
다시 도 2를 참조하면, 안질환 시야 손상 예후 예측 시스템(3)의 출력부(35)는 안질환의 예후 예측을 위한 관심 망막 구조물들에 대해 추출된 정보를 분석 결과로서 사용자에게 제공할 수 있다(S5). 예를 들어, 분석 결과는 안질환 시야 손상 예후 예측 시스템(3) 자체에 표시되거나, 또는 안질환 시야 손상 예후 예측 시스템(3)에 접속한 사용자 장치(4)에서 열람 가능한 형태로 안질환 시야 손상 예후 예측 시스템(3)으로부터 사용자 장치(4)에 제공될 수도 있다. 나아가, 안질환 시야 손상 예후 예측 시스템(3)은 시각화부(350)에 의하여 분석 결과를 시각화된 데이터로 가공할 수도 있다.
도 6은 일 실시예에 따른 안질환 시야 손상 예후 예측 방법에 의하여 얻어진 분석 결과를 시각화된 결과물로 제공하는 예시적인 사용자 인터페이스(User Interface; UI)를 나타내는 이미지이다.
도 6을 참조하면, 머신러닝을 통해 EDI-OCT 영상으로부터 추출된 정보들 중 UI 요소(41)를 사용하여 사용자가 선택한 정보가 분석 결과로서 화면에 표시될 수 있다. 이때, 사용자는 UI 요소(44, 45)를 통하여 분석 결과로 출력할 정보의 종류와 그 표시 형태를 선택할 수 있으며, 사용자가 선택한 결과에 따라 그래프 및 폴라 맵(polar map) 등의 형태를 가진 분석 결과가 화면 영역(42, 43)에 표시될 수 있다. 이때 그래프 또는 폴라 맵은, 안구 구조물 내의 위치에 따른 스트레스를 시각화 정보로 변환하여 표시하기 위한 것이다.
분석 결과로 EOBT 길이가 표시되는 것을 예로 들면, 그래프 영역(42)에서 0도, 90도 및 -90도의 각도 표시는 안구의 위치를 나타내며, 안구 내의 EOBT의 길이와 이의 연장 각도가 그래프 영역(42)에 표시될 수 있다. 또한, 폴라 맵 영역(43)에는 EOBT의 길이가 각 위치별로 표시될 수 있다. EOBT 길이, 시신경 경사각, 시신경관 경사 등의 지표는 안축장이 증가할수록 함께 증가하는 경향을 가지며, 안축장이 증가하여 스트레스가 높아진 영역에서 녹내장이 쉽게 발생한다. 따라서, EOBT 길이 등의 지표의 값이 최대가 되는 위치를 스트레스가 가장 큰 위치로 추정하고, 이를 통하여 안질환의 발생 여부나 진행 가능성을 판별할 수 있다.
다시 도 1 및 도 2를 참조하면, 일 실시예에서, 안질환 시야 손상 예후 예측 시스템(3)의 제2 입력부(32)는 전술한 관심 망막 구조물들에 관련된 정보 외에 해당 환자로부터 임상적으로 얻어진 다른 추가적인 위험 요인, 예컨대, 안압, 안축장 수치, 각막 두께, 혈압 등에 대한 정보를 더 수집할 수 있다(S6). 본 실시예에서, 안질환 시야 손상 예후 예측 시스템(3)의 머신러닝부(34)는 전술한 추가적인 위험 요인들을 머신러닝 분석 모델(340)에 더 적용함으로써 대상 환자의 질병 위험도를 결정할 수도 있다(S7).
안압은 녹내장의 발생 및 진행과 연관성이 높은 인자로서, 안압이 높을수록 녹내장의 발생 위험도 또는 진행 정도가 높은 것으로 볼 수 있다. 또한, 안축장 수치는 EDI-OCT 영상을 통해 추출되는 정보와 별개로, 다른 방법으로 측정된 안구의 길이 등 실제 안축장 데이터로서 안구의 스트레스 정도나 스트레스 부위를 판별할 수 있는 임의의 데이터를 지칭할 수 있다. 또한, 각막 두께는 녹내장과 연관된 지표로서, 각막 두께가 얇을수록 녹내장 발생 위험도 또는 진행 정도가 높은 것으로 볼 수 있다. 나아가, 혈압 또한 녹내장 진행에 연관된 지표로서, 저혈압일수록 또는 하루 중 혈압 변동폭이 클수록 녹내장 발생 위험도 또는 진행 정도가 높은 것으로 볼 수 있다.
본 실시예에서, 머신러닝부(34)는 EDI-OCT 영상으로부터 추출된 시신경 구조 관련 정보 및/또는 시신경 형태 관련 정보를 특징(feature) 값으로 이용한 학습을 수행하되, 이때 해당 단면 이미지를 제공한 환자에 관련된 안압, 안축장 수치, 각막 두께, 혈압 또는 혈압 변동폭 등을 추가적인 특징으로 이용함으로써 분석 모델의 정밀도를 더 높일 수 있다. 이때 추가적인 위험 요인으로는, 전술한 안압, 안축장 수치, 각막 두께, 혈압 또는 혈압 변동폭의 정보들이 함께 이용되는 것이 바람직하다.
이상에서 설명한 실시예들에 따른 안질환 시야 손상 예후 예측 방법에 의한 동작은 적어도 부분적으로 컴퓨터 프로그램으로 구현되고 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다. 실시예들에 따른 방법에 의한 동작을 구현하기 위한 프로그램이 기록되고 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수도 있다. 또한, 본 실시예를 구현하기 위한 기능적인 프로그램, 코드 및 코드 세그먼트(segment)들은 본 실시예가 속하는 기술 분야의 통상의 기술자에 의해 용이하게 이해될 수 있을 것이다.
이상에서 살펴본 본 발명은 도면에 도시된 실시예들을 참고로 하여 설명하였으나 이는 예시적인 것에 불과하며 당해 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 실시예의 변형이 가능하다는 점을 이해할 것이다. 그러나, 이와 같은 변형은 본 발명의 기술적 보호범위 내에 있다고 보아야 한다.
실시예들은 안질환 시야 손상 예후 예측 시스템 및 방법과 이를 위한 컴퓨터 프로그램에 관한 것이다. 보다 상세하게는, 실시예들은 시신경 구조, 시신경 형태, 시야 검사 결과, 임상 정보 등을 이용한 머신러닝(machine learning) 기반의 분석을 통해 녹내장과 같은 안질환의 진단 위험도나 진행 가능성 등을 판별하는 기술에 대한 것이다.

Claims (15)

  1. 빛간섭단층촬영에 의한 안구의 단면 이미지를 수신하도록 구성된 제1 입력부;
    미리 설정된 학습 이미지를 이용하여 생성된 머신러닝 분석 모델을 포함하며, 상기 머신러닝 분석 모델을 이용하여 상기 단면 이미지로부터 안구의 시신경 구조에 관련된 정보를 추출함으로써 상기 단면 이미지의 분석 결과를 생성하도록 구성된 머신러닝부; 및
    상기 머신러닝부에 의해 얻어진 상기 단면 이미지의 분석 결과를 제공하도록 구성된 출력부를 포함하는 안질환 시야 손상 예후 예측 시스템.
  2. 제1항에 있어서,
    상기 시신경 구조에 관련된 정보는, 망막의 외부 경사 경계 조직 길이, 시신경 경사각, 및 시신경관 경사 중 하나 이상을 포함하는 안질환 시야 손상 예후 예측 시스템.
  3. 제1항에 있어서,
    상기 머신러닝부는, 상기 단면 이미지로부터 안구의 시신경 형태에 관련된 정보를 더 추출하고, 상기 시신경 형태에 관련된 정보를 더 이용하여 상기 분석 결과를 생성하도록 구성된 안질환 시야 손상 예후 예측 시스템.
  4. 제3항에 있어서,
    상기 시신경 형태에 관련된 정보는, 브루크막 개방부 최소 시신경 유두테 너비, 사상판 앞 신경조직 두께, 및 사상판 표면 곡률 중 하나 이상을 포함하는 안질환 시야 손상 예후 예측 시스템.
  5. 제1항에 있어서,
    상기 단면 이미지와 연관된 추가 위험 요인 정보를 수신하도록 구성된 제2 입력부를 더 포함하며,
    상기 머신러닝부는, 상기 단면 이미지와 연관된 상기 추가 위험 요인 정보를 더 이용하여 상기 분석 결과를 생성하도록 구성된 안질환 시야 손상 예후 예측 시스템.
  6. 제5항에 있어서,
    상기 추가 위험 요인 정보는, 안압, 안축장 수치, 각막 두께, 및 혈압을 포함하는 안질환 시야 손상 예후 예측 시스템.
  7. 제1항에 있어서,
    상기 출력부는, 상기 분석 결과를 시신경 및 시신경 주위 구조물 내의 위치별 스트레스를 나타내는 시각화 정보로 변환하여 출력하도록 구성된 시각화부를 포함하는 안질환 시야 손상 예후 예측 시스템.
  8. 미리 설정된 학습 이미지의 시신경 구조에 관련된 정보를 입력 데이터로 이용하여 생성된 머신러닝 분석 모델을 안질환 시야 손상 예후 예측 시스템에 저장하는 단계;
    상기 안질환 시야 손상 예후 예측 시스템이, 빛간섭단층촬영에 의한 안구의 단면 이미지를 수신하는 단계;
    상기 안질환 시야 손상 예후 예측 시스템이, 상기 머신러닝 분석 모델을 이용하여 상기 단면 이미지를 처리함으로써 상기 단면 이미지로부터 상기 시신경 구조에 관련된 정보를 추출하고, 상기 단면 이미지의 분석 결과를 생성하는 단계; 및
    상기 안질환 시야 손상 예후 예측 시스템이 상기 분석 결과를 제공하는 단계를 포함하는 안질환 시야 손상 예후 예측 방법.
  9. 제8항에 있어서,
    상기 시신경 구조에 관련된 정보는, 망막의 외부 경사 경계 조직 길이, 시신경 경사각, 및 시신경관 경사 중 하나 이상을 포함하는 안질환 시야 손상 예후 예측 방법.
  10. 제8항에 있어서,
    상기 분석 결과를 생성하는 단계는, 상기 안질환 시야 손상 예후 예측 시스템이, 상기 머신러닝 분석 모델을 이용하여 상기 단면 이미지를 처리함으로써 상기 단면 이미지로부터 안구의 시신경 형태에 관련된 정보를 추출하는 단계를 더 포함하는 안질환 시야 손상 예후 예측 방법.
  11. 제10항에 있어서,
    상기 시신경 형태에 관련된 정보는, 브루크막 개방부 최소 시신경 유두테 너비, 사상판 앞 신경조직 두께, 및 사상판 표면 곡률 중 하나 이상을 포함하는 안질환 시야 손상 예후 예측 방법.
  12. 제8항에 있어서,
    상기 분석 결과를 제공하는 단계 전에, 상기 안질환 시야 손상 예후 예측 시스템이, 상기 단면 이미지와 연관된 추가 위험 요인 정보를 수신하는 단계를 더 포함하며,
    상기 분석 결과는 상기 단면 이미지와 연관된 상기 추가 위험 요인 정보를 상기 머신러닝 분석 모델에 더 입력함으로써 생성되는 안질환 시야 손상 예후 예측 방법.
  13. 제12항에 있어서,
    상기 추가 위험 요인 정보는, 안압, 안축장 수치, 각막 두께, 및 혈압을 포함하는 안질환 시야 손상 예후 예측 방법.
  14. 제8항에 있어서,
    상기 안질환 시야 손상 예후 예측 시스템이, 상기 분석 결과를 시신경 및 시신경 주위 구조물 내의 위치별 스트레스를 나타내는 시각화 정보로 변환하여 출력하는 단계를 더 포함하는 안질환 시야 손상 예후 예측 방법.
  15. 하드웨어와 결합되어 청구항 제8항 내지 제14항 중 어느 한 항에 따른 안질환 시야 손상 예후 예측 방법을 실행하도록 컴퓨터로 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
PCT/KR2021/010683 2020-08-25 2021-08-11 안질환 시야 손상 예후 예측 시스템 및 방법과 이를 위한 컴퓨터 프로그램 Ceased WO2022045652A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2020-0106679 2020-08-25
KR1020200106679A KR102596340B1 (ko) 2020-08-25 2020-08-25 안질환 시야 손상 예후 예측 시스템 및 방법과 이를 위한 컴퓨터 프로그램

Publications (1)

Publication Number Publication Date
WO2022045652A1 true WO2022045652A1 (ko) 2022-03-03

Family

ID=80355388

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2021/010683 Ceased WO2022045652A1 (ko) 2020-08-25 2021-08-11 안질환 시야 손상 예후 예측 시스템 및 방법과 이를 위한 컴퓨터 프로그램

Country Status (2)

Country Link
KR (1) KR102596340B1 (ko)
WO (1) WO2022045652A1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023195554A1 (ko) * 2022-04-06 2023-10-12 경상국립대학교병원 녹내장 위험도 진단 장치 및 방법
KR102551808B1 (ko) * 2022-10-12 2023-07-05 주식회사 에이비스 근시퇴행 예측 의료기기 장치 및 방법
WO2024144260A1 (ko) * 2022-12-27 2024-07-04 주식회사 유스바이오글로벌 Oct 영상 기반 만성 안질환 모니터링 방법, 이를 위한 장치 및 안질환 예후를 판단하고 안질환 예후 판단을 위한 요인을 결정하는 장치
KR20260020541A (ko) 2024-08-05 2026-02-12 주식회사 딥노이드 멀티모달 모델을 이용한 미래 시야검사 예측 장치 및 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170357879A1 (en) * 2017-08-01 2017-12-14 Retina-Ai Llc Systems and methods using weighted-ensemble supervised-learning for automatic detection of ophthalmic disease from images
JP2019005319A (ja) * 2017-06-27 2019-01-17 株式会社トプコン 眼科情報処理システム、眼科情報処理方法、プログラム、及び記録媒体
KR20190022216A (ko) * 2017-08-25 2019-03-06 주식회사 메디웨일 안구영상 분석방법
US20190110753A1 (en) * 2017-10-13 2019-04-18 Ai Technologies Inc. Deep learning-based diagnosis and referral of ophthalmic diseases and disorders
KR20200072127A (ko) * 2018-12-12 2020-06-22 사회복지법인 삼성생명공익재단 인공지능을 이용한 안질환 진단 방법 및 시스템

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TR201902542T4 (tr) 2010-04-13 2019-03-21 M Lab Gmbh Glokom i̇çi̇n tani yöntemleri̇

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019005319A (ja) * 2017-06-27 2019-01-17 株式会社トプコン 眼科情報処理システム、眼科情報処理方法、プログラム、及び記録媒体
US20170357879A1 (en) * 2017-08-01 2017-12-14 Retina-Ai Llc Systems and methods using weighted-ensemble supervised-learning for automatic detection of ophthalmic disease from images
KR20190022216A (ko) * 2017-08-25 2019-03-06 주식회사 메디웨일 안구영상 분석방법
US20190110753A1 (en) * 2017-10-13 2019-04-18 Ai Technologies Inc. Deep learning-based diagnosis and referral of ophthalmic diseases and disorders
KR20200072127A (ko) * 2018-12-12 2020-06-22 사회복지법인 삼성생명공익재단 인공지능을 이용한 안질환 진단 방법 및 시스템

Also Published As

Publication number Publication date
KR102596340B1 (ko) 2023-11-02
KR20220027305A (ko) 2022-03-08

Similar Documents

Publication Publication Date Title
WO2022045652A1 (ko) 안질환 시야 손상 예후 예측 시스템 및 방법과 이를 위한 컴퓨터 프로그램
Trucco et al. Validating retinal fundus image analysis algorithms: issues and a proposal
EP2465062B1 (en) Glaucoma combinatorial analysis
Zhang et al. A survey on computer aided diagnosis for ocular diseases
KR101373935B1 (ko) 안과 장치, 안과 장치의 제어 방법 및 컴퓨터 판독가능 저장 매체
Niemeijer et al. Automated detection and differentiation of drusen, exudates, and cotton-wool spots in digital color fundus photographs for diabetic retinopathy diagnosis
CN113962311A (zh) 知识数据和人工智能驱动的眼科多病种识别系统
Mrad et al. A fast and accurate method for glaucoma screening from smartphone-captured fundus images
JP7270686B2 (ja) 画像処理システムおよび画像処理方法
WO2019231102A1 (ko) 피검체의 안저 영상을 분류하는 방법 및 이를 이용한 장치
JP7665310B2 (ja) 医用画像処理装置、医用画像処理システム、医用画像処理方法及びプログラム
CN118052819B (zh) 一种预测甲状腺相关眼病的方法、装置及系统
Phu et al. Remote grading of the anterior chamber angle using goniophotographs and optical coherence tomography: implications for telemedicine or virtual clinics
WO2021159643A1 (zh) 基于眼部oct图像的视杯和视盘定位点检测方法及装置
TW202424993A (zh) 視網膜自動分層模型之建立方法、視網膜分層量化系統、眼部照護裝置、視網膜分層厚度及視網膜分層面積的檢測方法及神經退化性疾病評估和預測方法
CN118279299B (zh) 采用非可见光闪光灯拍摄视网膜图像的方法
JP2010158279A (ja) 眼底画像解析システム、及び眼底画像解析プログラム
JP2006263127A (ja) 眼底画像診断支援システム、及び眼底画像診断支援プログラム
Giancardo Automated fundus images analysis techniques to screen retinal diseases in diabetic patients
WO2024089642A1 (en) System and method for detecting glaucoma
JP2008073280A (ja) 眼底画像処理装置
CN111291706A (zh) 一种视网膜图像视盘定位方法
CN119251229B (zh) 基于数字孪生与视神经成像融合的眼底图像评价方法
JP2020028786A (ja) 情報処理装置、情報処理方法およびプログラム
WO2024251135A1 (en) Method and system for estimation of three-dimensional structures using two-dimensional images

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21861949

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21861949

Country of ref document: EP

Kind code of ref document: A1