KR102635589B1 - 인도시아닌 그린 혈관조영술에서의 맥락막 혈관 과투과 검출 장치, 방법 및 프로그램 - Google Patents
인도시아닌 그린 혈관조영술에서의 맥락막 혈관 과투과 검출 장치, 방법 및 프로그램 Download PDFInfo
- Publication number
- KR102635589B1 KR102635589B1 KR1020230037314A KR20230037314A KR102635589B1 KR 102635589 B1 KR102635589 B1 KR 102635589B1 KR 1020230037314 A KR1020230037314 A KR 1020230037314A KR 20230037314 A KR20230037314 A KR 20230037314A KR 102635589 B1 KR102635589 B1 KR 102635589B1
- Authority
- KR
- South Korea
- Prior art keywords
- image
- area
- information
- choroidal
- choroidal vascular
- Prior art date
Links
- 230000002792 vascular Effects 0.000 title claims abstract description 73
- MOFVSTNWEDAEEK-UHFFFAOYSA-M indocyanine green Chemical compound [Na+].[O-]S(=O)(=O)CCCCN1C2=CC=C3C=CC=CC3=C2C(C)(C)C1=CC=CC=CC=CC1=[N+](CCCCS([O-])(=O)=O)C2=CC=C(C=CC=C3)C3=C2C1(C)C MOFVSTNWEDAEEK-UHFFFAOYSA-M 0.000 title claims abstract description 11
- 229960004657 indocyanine green Drugs 0.000 title claims abstract description 11
- 238000002583 angiography Methods 0.000 title claims abstract description 8
- 238000000034 method Methods 0.000 title claims description 34
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 34
- 230000015654 memory Effects 0.000 claims abstract description 30
- 238000001514 detection method Methods 0.000 claims description 48
- 210000001525 retina Anatomy 0.000 claims description 7
- 239000002872 contrast media Substances 0.000 claims description 5
- 210000001210 retinal vessel Anatomy 0.000 claims description 5
- 210000003733 optic disk Anatomy 0.000 claims description 3
- 210000003462 vein Anatomy 0.000 claims description 3
- 210000003161 choroid Anatomy 0.000 claims description 2
- 238000002347 injection Methods 0.000 claims 2
- 239000007924 injection Substances 0.000 claims 2
- 238000004891 communication Methods 0.000 description 38
- 238000013473 artificial intelligence Methods 0.000 description 37
- 238000013528 artificial neural network Methods 0.000 description 36
- 238000010586 diagram Methods 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 8
- 230000000306 recurrent effect Effects 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 208000003569 Central serous chorioretinopathy Diseases 0.000 description 3
- 208000033379 Chorioretinopathy Diseases 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 3
- 208000001445 Uveomeningoencephalitic Syndrome Diseases 0.000 description 3
- 208000034705 Vogt-Koyanagi-Harada syndrome Diseases 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 208000024519 eye neoplasm Diseases 0.000 description 3
- 208000027866 inflammatory disease Diseases 0.000 description 3
- 230000002757 inflammatory effect Effects 0.000 description 3
- 208000002780 macular degeneration Diseases 0.000 description 3
- 208000038015 macular disease Diseases 0.000 description 3
- 201000008106 ocular cancer Diseases 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 208000002177 Cataract Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 201000000306 sarcoidosis Diseases 0.000 description 2
- 210000000225 synapse Anatomy 0.000 description 2
- 101100009348 Mus musculus Depp1 gene Proteins 0.000 description 1
- 101100009350 Rattus norvegicus Depp gene Proteins 0.000 description 1
- 208000017442 Retinal disease Diseases 0.000 description 1
- 206010039491 Sarcoma Diseases 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000002775 capsule Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000007849 functional defect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 210000004692 intercellular junction Anatomy 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000010454 slate Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000008728 vascular permeability Effects 0.000 description 1
- 210000005166 vasculature Anatomy 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
- A61B3/12—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for looking at the eye fundus, e.g. ophthalmoscopes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/0016—Operational features thereof
- A61B3/0025—Operational features thereof characterised by electronic signal processing, e.g. eye models
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Primary Health Care (AREA)
- Surgery (AREA)
- Epidemiology (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Ophthalmology & Optometry (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
본 개시는 맥락막 혈관 과투과 검출 장치에 관한 것으로, 서로 다른 시점에서 촬영된 ICGA(indocyanine green angiography) 이미지인 제1 이미지 및 제2 이미지를 저장하는 메모리 및 상기 제1 이미지 및 상기 제2 이미지 각각에 기설정된 이미지 처리를 수행하고, 이미지 처리된 상기 제1 이미지 및 상기 제2 이미지 간의 차감 정보를 생성하고, 상기 차감 정보를 기초로 맥락막 혈관 과투과 정보를 생성하는 프로세서를 포함할 수 있다.
Description
본 개시는 맥락막 혈관 과투과 검출 장치, 방법 및 프로그램에 관한 것이다. 보다 상세하게는, 본 개시는 인도시아닌 그린 혈관조영술에서의 맥락막 혈관 과투과 검출 장치, 방법 및 프로그램에 관한 것이다.
인도시아닌 그린 혈관조영술(indocyanine green angiography, ICGA)은 망막 질환 진단에 사용되는 주요 혈관 조영술 중 하나이다. ICGA는 황반변성, 중심성장액망막병증 등의 황반 질환뿐만 아니라 사르코이드증, 보그트-코야나기-하라다 신드롬, 안종양 등의 광범위한 안염증성 및 종양 질환의 진단 및 경과 관찰에 이용된다.
ICGA에서 관찰되는 질병 관련 주요 변화 중 하나는 맥락막 혈관 과투과(choroidal vascular hyperpermeability, CVH)이다. CVH는 맥락막 모세혈관의 수송(transportation) 구조 및 세포 접합부에서 누출되는 것으로 보이는 증상으로, 맥락막 혈관 구조의 기능적 결함을 반영한다.
본 개시에 개시된 실시예는 인도시아닌 그린 혈관조영술에서의 맥락막 혈관 과투과 검출 장치, 방법 및 프로그램을 제공하는데 그 목적이 있다.
본 개시가 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 기술적 과제를 달성하기 위한 본 개시에 따른 맥락막 혈관 과투과 검출 장치는, 서로 다른 시점에서 촬영된 ICGA(indocyanine green angiography) 이미지인 제1 이미지 및 제2 이미지를 저장하는 메모리 및 상기 제1 이미지 및 상기 제2 이미지 각각에 기설정된 이미지 처리를 수행하고, 이미지 처리된 상기 제1 이미지 및 상기 제2 이미지 간의 차감 정보를 생성하고, 상기 차감 정보를 기초로 맥락막 혈관 과투과 정보를 생성하는 프로세서를 포함할 수 있다.
또한, 본 개시에 따른 맥락막 혈관 과투과 검출 방법은 서로 다른 시점에서 촬영된 ICGA 이미지인 제1 이미지 및 제2 이미지를 획득하는 단계, 상기 제1 이미지에 대하여 제1 이미지 처리 동작을 수행하는 단계, 상기 제2 이미지에 대하여 제2 이미지 처리 동작을 수행하는 단계, 상기 제2 이미지 처리 동작이 수행된 상기 제2 이미지에 대하여, 상기 제1 이미지 처리 동작이 수행된 제1 이미지를 이용하여 픽셀 단위로 grey scale을 차감하여 차감 정보를 생성하는 단계 및 상기 차감 정보를 기초로 맥락막 혈관 과투과 정보를 생성하는 단계를 포함할 수 있다.
이 외에도, 본 개시를 구현하기 위한 방법을 실행하기 위한 프로그램이 저장된 컴퓨터 판독 가능한 기록 매체가 더 제공될 수 있다.
본 개시의 전술한 과제 해결 수단에 의하면, 초광곽 안저영상을 이용하여 촬영된 ICGA 이미지를 기초로 맥락막 혈관 과투과를 자동으로 검출함으로써, 황반변성, 중심성장액망막병증 등의 황반질환 뿐만 아니라 사르코이드증, 보그트-코야나기-하라다 신드롬, 안종양 등의 광범위한 안염증성 및 종양 질환들에서 진단, 병기 및 예후 예측 등을 보다 쉽고 정확하게 수행하는 효과를 제공한다.
본 개시의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 개시의 실시예에 따른 맥락막 혈관 과투과 검출 장치의 블록도를 나타내는 도면이다.
도 2는 본 개시의 실시예에 따른 맥락막 혈관 과투과 검출 방법을 나타내는 흐름도이다.
도 3은 본 개시의 실시예에 따른 서로 다른 시점에서 촬영된 ICGA 이미지들을 획득하는 방법을 나타내는 흐름도이다.
도 4는 도 3에 따른 제1 이미지 및 제2 이미지를 획득하는 동작을 설명하는 도면이다.
도 5는 본 개시의 실시예에 따른 제1 이미지 및 제2 이미지에 대한 이미지 처리를 수행하는 방법을 나타내는 흐름도이다.
도 6은 도 5에 따른 제1 이미지 및 제2 이미지에 대한 이미지 처리 동작을 설명하는 도면이다.
도 7은 본 개시의 실시예에 따른 차감 정보를 생성하는 방법을 나타내는 흐름도이다.
도 8은 도 7에 따른 차감 정보의 생성 동작을 설명하는 도면이다.
도 9는 본 개시의 실시예에 따른 맥락막 혈관 과투과 정보를 생성하는 방법을 나타내는 흐름도이다.
도 10은 도 9에 따른 차감 정보를 기초로 복수의 영역을 생성하는 동작을 설명하는 도면이다.
도 2는 본 개시의 실시예에 따른 맥락막 혈관 과투과 검출 방법을 나타내는 흐름도이다.
도 3은 본 개시의 실시예에 따른 서로 다른 시점에서 촬영된 ICGA 이미지들을 획득하는 방법을 나타내는 흐름도이다.
도 4는 도 3에 따른 제1 이미지 및 제2 이미지를 획득하는 동작을 설명하는 도면이다.
도 5는 본 개시의 실시예에 따른 제1 이미지 및 제2 이미지에 대한 이미지 처리를 수행하는 방법을 나타내는 흐름도이다.
도 6은 도 5에 따른 제1 이미지 및 제2 이미지에 대한 이미지 처리 동작을 설명하는 도면이다.
도 7은 본 개시의 실시예에 따른 차감 정보를 생성하는 방법을 나타내는 흐름도이다.
도 8은 도 7에 따른 차감 정보의 생성 동작을 설명하는 도면이다.
도 9는 본 개시의 실시예에 따른 맥락막 혈관 과투과 정보를 생성하는 방법을 나타내는 흐름도이다.
도 10은 도 9에 따른 차감 정보를 기초로 복수의 영역을 생성하는 동작을 설명하는 도면이다.
본 개시 전체에 걸쳐 동일 참조 부호는 동일 구성요소를 지칭한다. 본 개시가 실시예들의 모든 요소들을 설명하는 것은 아니며, 본 개시가 속하는 기술분야에서 일반적인 내용 또는 실시예들 간에 중복되는 내용은 생략한다. 명세서에서 사용되는 '부, 모듈, 부재, 블록'이라는 용어는 소프트웨어 또는 하드웨어로 구현될 수 있으며, 실시예들에 따라 복수의 '부, 모듈, 부재, 블록'이 하나의 구성요소로 구현되거나, 하나의 '부, 모듈, 부재, 블록'이 복수의 구성요소들을 포함하는 것도 가능하다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 직접적으로 연결되어 있는 경우뿐 아니라, 간접적으로 연결되어 있는 경우를 포함하고, 간접적인 연결은 무선 통신망을 통해 연결되는 것을 포함한다.
또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
명세서 전체에서, 어떤 부재가 다른 부재 "상에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.
제 1, 제 2 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위해 사용되는 것으로, 구성요소가 전술된 용어들에 의해 제한되는 것은 아니다.
단수의 표현은 문맥상 명백하게 예외가 있지 않는 한, 복수의 표현을 포함한다.
각 단계들에 있어 식별부호는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 실시될 수 있다.
이하 첨부된 도면들을 참고하여 본 개시의 작용 원리 및 실시예들에 대해 설명한다.
본 명세서에서 '본 개시에 따른 장치'는 연산처리를 수행하여 사용자에게 결과를 제공할 수 있는 다양한 장치들이 모두 포함된다. 예를 들어, 본 개시에 따른 장치는, 컴퓨터, 서버 장치 및 휴대용 단말기를 모두 포함하거나, 또는 어느 하나의 형태가 될 수 있다.
여기에서, 상기 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop), 태블릿 PC, 슬레이트 PC 등을 포함할 수 있다.
상기 서버 장치는 외부 장치와 통신을 수행하여 정보를 처리하는 서버로써, 애플리케이션 서버, 컴퓨팅 서버, 데이터베이스 서버, 파일 서버, 게임 서버, 메일 서버, 프록시 서버 및 웹 서버 등을 포함할 수 있다.
상기 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), WiBro(Wireless Broadband Internet) 단말, 스마트 폰(Smart Phone) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치와 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트 렌즈, 또는 머리 착용형 장치(head-mounted-device(HMD) 등과 같은 웨어러블 장치를 포함할 수 있다.
본 개시에 따른 인공지능과 관련된 기능은 프로세서와 메모리를 통해 동작된다. 프로세서는 하나 또는 복수의 프로세서로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서는 CPU, AP, DSP(Digital Signal Processor) 등과 같은 범용 프로세서, GPU, VPU(Vision Processing Unit)와 같은 그래픽 전용 프로세서 또는 NPU와 같은 인공지능 전용 프로세서일 수 있다. 하나 또는 복수의 프로세서는, 메모리에 저장된 기 정의된 동작 규칙 또는 인공지능 모델에 따라, 입력 데이터를 처리하도록 제어한다. 또는, 하나 또는 복수의 프로세서가 인공지능 전용 프로세서인 경우, 인공지능 전용 프로세서는, 특정 인공지능 모델의 처리에 특화된 하드웨어 구조로 설계될 수 있다.
기 정의된 동작 규칙 또는 인공지능 모델은 학습을 통해 만들어진 것을 특징으로 한다. 여기서, 학습을 통해 만들어진다는 것은, 기본 인공지능 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공지능이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버 및/또는 시스템을 통해 이루어 질 수도 있다. 학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도 형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)이 있으나, 전술한 예에 한정되지 않는다.
인공지능 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어들 각각은 복수의 가중치들 (weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경 망 연산을 수행한다. 복수의 신경망 레이어들이 갖고 있는 복수의 가중치들은 인공지능 모델의 학습 결과에 의해 최적화될 수 있다. 예를 들어, 학습 과정 동안 인공지능 모델에서 획득한 로스(loss) 값 또는 코스트(cost) 값이 감소 또는 최소화되도록 복수의 가중치들이 갱신될 수 있다. 인공 신경망은 심층 신경망(DNN:Deep Neural Network)를 포함할 수 있으며, 예를 들어, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 또는 심층 Q-네트워크 (Deep Q-Networks) 등이 있으나, 전술한 예에 한정되지 않는다.
본 개시의 예시적인 실시예에 따르면, 프로세서는 인공지능을 구현할 수 있다. 인공지능이란 사람의 신경세포(biological neuron)를 모사하여 기계가 학습하도록 하는 인공신경망(Artificial Neural Network) 기반의 기계 학습법을 의미한다. 인공지능의 방법론에는 학습 방식에 따라 훈련데이터로서 입력데이터와 출력데이터가 같이 제공됨으로써 문제(입력데이터)의 해답(출력데이터)이 정해져 있는 지도학습(supervised learning), 및 출력데이터 없이 입력데이터만 제공되어 문제(입력데이터)의 해답(출력데이터)이 정해지지 않는 비지도학습(unsupervised learning), 및 현재의 상태(State)에서 어떤 행동(Action)을 취할 때마다 외부 환경에서 보상(Reward)이 주어지는데, 이러한 보상을 최대화하는 방향으로 학습을 진행하는 강화학습(reinforcement learning)으로 구분될 수 있다. 또한, 인공지능의 방법론은 학습 모델의 구조인 아키텍처에 따라 구분될 수도 있는데, 널리 이용되는 딥러닝 기술의 아키텍처는, 합성곱신경망(CNN; Convolutional Neural Network), 순환신경망(RNN; Recurrent Neural Network), 트랜스포머(Transformer), 생성적 대립 신경망(GAN; generative adversarial networks) 등으로 구분될 수 있다.
본 장치와 시스템은 인공지능 모델을 포함할 수 있다. 인공지능 모델은 하나의 인공지능 모델일 수 있고, 복수의 인공지능 모델로 구현될 수도 있다. 인공지능 모델은 뉴럴 네트워크(또는 인공 신경망)로 구성될 수 있으며, 기계학습과 인지과학에서 생물학의 신경을 모방한 통계학적 학습 알고리즘을 포함할 수 있다. 뉴럴 네트워크는 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 뉴럴 네트워크의 뉴런은 가중치 또는 바이어스의 조합을 포함할 수 있다. 뉴럴 네트워크는 하나 이상의 뉴런 또는 노드로 구성된 하나 이상의 레이어(layer)를 포함할 수 있다. 예시적으로, 장치는 input layer, hidden layer, output layer를 포함할 수 있다. 장치를 구성하는 뉴럴 네트워크는 뉴런의 가중치를 학습을 통해 변화시킴으로써 임의의 입력(input)으로부터 예측하고자 하는 결과(output)를 추론할 수 있다.
프로세서는 뉴럴 네트워크를 생성하거나, 뉴럴 네트워크를 훈련(train, 또는 학습(learn)하거나, 수신되는 입력 데이터를 기초로 연산을 수행하고, 수행 결과를 기초로 정보 신호(information signal)를 생성하거나, 뉴럴 네트워크를 재훈련(retrain)할 수 있다. 뉴럴 네트워크의 모델들은 GoogleNet, AlexNet, VGG Network 등과 같은 CNN(Convolution Neural Network), R-CNN(Region with Convolution Neural Network), RPN(Region Proposal Network), RNN(Recurrent Neural Network), S-DNN(Stacking-based deep Neural Network), S-SDNN(State-Space Dynamic Neural Network), Deconvolution Network, DBN(Deep Belief Network), RBM(Restrcted Boltzman Machine), Fully Convolutional Network, LSTM(Long Short-Term Memory) Network, Classification Network 등 다양한 종류의 모델들을 포함할 수 있으나 이에 제한되지는 않는다. 프로세서는 뉴럴 네트워크의 모델들에 따른 연산을 수행하기 위한 하나 이상의 프로세서를 포함할 수 있다. 예를 들어 뉴럴 네트워크는 심층 뉴럴 네트워크 (Deep Neural Network)를 포함할 수 있다.
뉴럴 네트워크는 CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), 퍼셉트론(perceptron), 다층 퍼셉트론(multilayer perceptron), FF(Feed Forward), RBF(Radial Basis Network), DFF(Deep Feed Forward), LSTM(Long Short Term Memory), GRU(Gated Recurrent Unit), AE(Auto Encoder), VAE(Variational Auto Encoder), DAE(Denoising Auto Encoder), SAE(Sparse Auto Encoder), MC(Markov Chain), HN(Hopfield Network), BM(Boltzmann Machine), RBM(Restricted Boltzmann Machine), DBN(Depp Belief Network), DCN(Deep Convolutional Network), DN(Deconvolutional Network), DCIGN(Deep Convolutional Inverse Graphics Network), GAN(Generative Adversarial Network), LSM(Liquid State Machine), ELM(Extreme Learning Machine), ESN(Echo State Network), DRN(Deep Residual Network), DNC(Differentiable Neural Computer), NTM(Neural Turning Machine), CN(Capsule Network), KN(Kohonen Network) 및 AN(Attention Network)를 포함할 수 있으나 이에 한정되는 것이 아닌 임의의 뉴럴 네트워크를 포함할 수 있음은 통상의 기술자가 이해할 것이다.
본 개시의 예시적인 실시예에 따르면, 프로세서는 GoogleNet, AlexNet, VGG Network 등과 같은 CNN(Convolution Neural Network), R-CNN(Region with Convolution Neural Network), RPN(Region Proposal Network), RNN(Recurrent Neural Network), S-DNN(Stacking-based deep Neural Network), S-SDNN(State-Space Dynamic Neural Network), Deconvolution Network, DBN(Deep Belief Network), RBM(Restrcted Boltzman Machine), Fully Convolutional Network, LSTM(Long Short-Term Memory) Network, Classification Network, Generative Modeling, eXplainable AI, Continual AI, Representation Learning, AI for Material Design, 자연어 처리를 위한 BERT, SP-BERT, MRC/QA, Text Analysis, Dialog System, GPT-3, GPT-4, 비전 처리를 위한 Visual Analytics, Visual Understanding, Video Synthesis, ResNet 데이터 지능을 위한 Anomaly Detection, Prediction, Time-Series Forecasting, Optimization, Recommendation, Data Creation 등 다양한 인공지능 구조 및 알고리즘을 이용할 수 있으며, 이에 제한되지 않는다. 이하, 첨부된 도면을 참조하여 본 개시의 실시예를 상세하게 설명한다.
도 1은 본 개시의 실시예에 따른 맥락막 혈관 과투과 검출 장치의 블록도를 나타내는 도면이다. 도 1을 참조하면, 맥락막 혈관 과투과 검출 장치(100)는 프로세서(110), 통신부(120), 메모리(130) 및 입출력부(140)를 포함할 수 있다. 도 1에 도시된 구성요소들은 본 개시에 따른 맥락막 혈관 과투과 검출 장치(100)를 구현하는데 있어서 필수적인 것은 아니어서, 본 명세서 상에서 설명되는 맥락막 혈관 과투과 검출 장치(100)는 위에서 열거된 구성요소들 보다 많거나, 또는 적은 구성요소들을 가질 수 있다.
프로세서(110)는 본 장치(100) 내의 구성요소들의 동작을 제어하기 위한 알고리즘 또는 알고리즘을 재현한 프로그램에 대한 데이터를 저장하는 메모리(130), 및 메모리(130)에 저장된 데이터를 이용하여 전술한 동작을 수행하는 적어도 하나의 프로세서(110)로 구현될 수 있다. 이때, 메모리(130)와 프로세서(110)는 각각 별개의 칩으로 구현될 수 있다. 또는, 메모리(130)와 프로세서(110)는 단일 칩으로 구현될 수도 있다.
또한, 프로세서(110)는 이하의 도면에서 설명되는 본 개시에 따른 다양한 실시 예들을 본 장치(100) 상에서 구현하기 위하여, 위에서 살펴본 구성요소들을 중 어느 하나 또는 복수를 조합하여 제어할 수 있다.
본 개시의 실시예에 따르면, 프로세서(110)는 맥락막 혈관 과투과 검출 동작을 수행할 수 있다. 프로세서(110)의 맥락막 혈관 과투과 검출 동작에 대한 상세한 설명은 도 2 내지 도 10에서 후술한다.
통신부(120)는 외부 장치와 통신을 가능하게 하는 하나 이상의 구성 요소를 포함할 수 있으며, 예를 들어, 유선통신 모듈, 무선통신 모듈 및 근거리 통신 모듈 중 적어도 하나를 포함할 수 있다.
유선 통신 모듈은, 지역 통신(Local Area Network; LAN) 모듈, 광역 통신(Wide Area Network; WAN) 모듈 또는 부가가치 통신(Value Added Network; VAN) 모듈 등 다양한 유선 통신 모듈뿐만 아니라, USB(Universal Serial Bus), HDMI(High Definition Multimedia Interface), DVI(Digital Visual Interface), RS-232(recommended standard232), 전력선 통신, 또는 POTS(plain old telephone service) 등 다양한 케이블 통신 모듈을 포함할 수 있다.
무선 통신 모듈은 와이파이(Wifi) 모듈, 와이브로(Wireless broadband) 모듈 외에도, GSM(global System for Mobile Communication), CDMA(Code Division Multiple Access), WCDMA(Wideband Code Division Multiple Access), UMTS(universal mobile telecommunications system), TDMA(Time Division Multiple Access), LTE(Long Term Evolution), 4G, 5G, 6G 등 다양한 무선 통신 방식을 지원하는 무선 통신 모듈을 포함할 수 있다.
무선 통신 모듈은 신호를 송신하는 안테나 및 송신기(Transmitter)를 포함하는 무선 통신 인터페이스를 포함할 수 있다. 또한, 무선 통신 모듈은 제어부의 제어에 따라 무선 통신 인터페이스를 통해 제어부로부터 출력된 디지털 제어 신호를 아날로그 형태의 무선 신호로 변조하는 신호 변환 모듈을 더 포함할 수 있다.
무선 통신 모듈은 신호를 수신하는 안테나 및 수신기(Receiver)를 포함하는 무선 통신 인터페이스를 포함할 수 있다. 또한, 무선 통신 모듈은 무선 통신 인터페이스를 통하여 수신한 아날로그 형태의 무선 신호를 디지털 제어 신호로 복조하기 위한 신호 변환 모듈을 더 포함할 수 있다.
근거리 통신 모듈은 근거리 통신(Short range communication)을 위한 것으로서, 블루투스(Bluetooth™RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), UWB(Ultra Wideband), ZigBee, NFC(Near Field Communication), Wi-Fi(Wireless-Fidelity), Wi-Fi Direct, Wireless USB(Wireless Universal Serial Bus) 기술 중 적어도 하나를 이용하여, 근거리 통신을 지원할 수 있다.
본 개시의 실시예에 따르면, 통신부(120)는 외부 서버/장치로부터 촬영 대상의 ICGA 이미지들을 수신할 수 있다. 이때, ICGA 이미지들은 초광각 안저영상을 이용하여 촬영된 이미지들이다. 이에 따라, ICGA 이미지들은 촬영 대상의 시신경 유두부분, 망막 혈관, 맥락막, 망막 및 망막 주변까지 포함할 수 있다. 또한, 통신부(120)는 맥락막 혈관 과투과 검출 장치(100) 내에서 수행되는 프로세스를 통해 산출된 맥락막 혈관 과투과 정보를 외부 서버/장치로 송신할 수 있다.
메모리(130)는 본 장치(100)의 다양한 기능을 지원하는 데이터와, 프로세서(110)의 동작을 위한 프로그램을 저장할 수 있고, 입/출력되는 데이터들(예를 들어, 음악 파일, 정지영상, 동영상 등)을 저장할 수 있고, 본 장치(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 본 장치(100)의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 무선 통신을 통해 외부 서버로부터 다운로드 될 수 있다.
이러한, 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), SSD 타입(Solid State Disk type), SDD 타입(Silicon Disk Drive type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(random access memory; RAM), SRAM(static random access memory), 롬(read-only memory; ROM), EEPROM(electrically erasable programmable read-only memory), PROM(programmable read-only memory), 자기 메모리, 자기 디스크 및 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 또한, 메모리(130)는 본 장치(100)와는 분리되어 있으나, 유선 또는 무선으로 연결된 데이터베이스가 될 수도 있다.
본 개시의 실시예에 따르면, 메모리(130)는 맥락막 혈관 과투과 검출 장치(100)의 맥락막 혈관 과투과 검출 방법을 실행하기 위한 각종 명령어, 알고리즘 및 인공지능 모델을 저장할 수 있다. 또한, 메모리(130)는 촬영 대상의 ICGA 이미지들을 저장할 수 있다. 또한, 메모리(130)는 맥락막 혈관 과투과 검출 방법을 통해 획득한 맥락막 혈관 과투과 정보를 저장할 수 있다.
입출력부(140)는 입력부, 출력부, 인터페이스부 등을 포함할 수 있다.
입력부는 촬영 대상의 정보를 입력받을 수도 있고, 본 장치(100)의 제어를 위한 각종 제어 신호가 입력될 수도 있다. 따라서, 입력부는 외부의 제어 신호를 입력받을 수 있는 입력수단(예: 마우스, 키보드 등)이 적용될 수도 있고, 통신수단이 적용될 수도 있다.
출력부는 본 장치(100)에서 산출, 검증, 생성된 데이터, 정보를 영상, 음성의 형태로 출력할 수 있는 수단이 적용될 수 있다.
입력부는 영상 정보(또는 신호), 오디오 정보(또는 신호), 데이터, 또는 사용자로부터 입력되는 정보의 입력을 위한 것으로서, 적어도 하나의 카메라, 적어도 하나의 마이크로폰 및 사용자 입력부 중 적어도 하나를 포함할 수 있다. 입력부에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어명령으로 처리될 수 있다.
사용자 입력부는 사용자로부터 정보를 입력받기 위한 것으로서, 사용자 입력부를 통해 정보가 입력되면, 프로세서(110)는 입력된 정보에 대응되도록 본 장치(100)의 동작을 제어할 수 있다. 이러한, 사용자 입력부는 하드웨어식 물리 키(예를 들어, 본 장치(100)의 전면, 후면 및 측면 중 적어도 하나에 위치하는 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 소프트웨어식 터치 키를 포함할 수 있다. 일 예로서, 터치 키는, 소프트웨어적인 처리를 통해 터치스크린 타입의 디스플레이부 상에 표시되는 가상 키(virtual key), 소프트 키(soft key) 또는 비주얼 키(visual key)로 이루어지거나, 상기 터치스크린 이외의 부분에 배치되는 터치 키(touch key)로 이루어질 수 있다. 한편, 상기 가상키 또는 비주얼 키는, 다양한 형태를 가지면서 터치스크린 상에 표시되는 것이 가능하며, 예를 들어, 그래픽(graphic), 텍스트(text), 아이콘(icon), 비디오(video) 또는 이들의 조합으로 이루어질 수 있다.
출력부는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시키기 위한 것으로, 디스플레이부, 음향 출력부, 햅틱 모듈(Haptic Module) 및 광 출력부 중 적어도 하나를 포함할 수 있다. 디스플레이부는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, 본 장치(100)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부로써 기능함과 동시에, 본 장치(100)와 사용자 간에 출력 인터페이스를 제공할 수 있다.
디스플레이부는 본 장치(100)에서 처리되는 정보를 표시(출력)한다. 예를 들어, 디스플레이부는 본 장치(100)에서 구동되는 응용 프로그램(일 예로, 어플리케이션)의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.
음향 출력부는 통신부를 통해 수신되거나 또는 메모리(130)에 저장된 오디오 데이터를 출력하거나, 본 장치(100)에서 수행되는 기능과 관련된 음향 신호를 출력할 수 있다. 이러한 음향 출력부에는 리시버(receiver), 스피커(speaker), 버저(buzzer) 등이 포함될 수 있다.
인터페이스부는 본 장치(100)에 연결되는 다양한 종류의 외부 기기와의 통로 역할을 수행한다. 이러한 인터페이스부는 유/무선 헤드셋 포트(port), 외부 충전기 포트(port), 유/무선 데이터 포트(port), 메모리 카드(memory card) 포트, 식별 모듈(SIM)이 구비된 장치를 연결하는 포트(port), 오디오 I/O(Input/Output) 포트(port), 비디오 I/O(Input/Output) 포트(port), 이어폰 포트(port) 중 적어도 하나를 포함할 수 있다. 본 장치(100)에서는, 상기 인터페이스부에 연결된 외부 기기와 관련된 적절한 제어를 수행할 수 있다.
한편, 도 1에 도시된 구성 요소들의 성능에 대응하여 적어도 하나의 구성요소가 추가되거나 삭제될 수 있다. 또한, 구성 요소들의 상호 위치는 시스템의 성능 또는 구조에 대응하여 변경될 수 있다는 것은 당해 기술 분야에서 통상의 지식을 가진 자에게 용이하게 이해될 것이다.
도 2는 본 개시의 실시예에 따른 맥락막 혈관 과투과 검출 방법을 나타내는 흐름도이다. 도 2를 참조하면, 맥락막 혈관 과투과 검출 장치(100)는 서로 다른 시점에서 촬영된 ICGA 이미지인 제1 이미지 및 제2 이미지를 획득할 수 있다(S110). 구체적으로, 프로세서(110)는 통신부(120)를 통해 외부 서버/장치로부터 서로 다른 시점에서 촬영된 ICGA 이미지인 제1 이미지 및 제2 이미지를 획득할 수 있다. 이때, ICGA 이미지는 초광각 안저영상을 이용하여 촬영된 이미지이다. 일 실시예에서, 제1 이미지의 촬영 시점은 제2 이미지의 촬영 시점보다 앞선 것일 수 있다.
그리고 맥락막 혈관 과투과 검출 장치(100)는 제1 이미지 및 제2 이미지 각각에 기설정된 이미지 처리를 수행할 수 있다(S120). 구체적으로, 프로세서(110)는 수신한 제1 이미지에 대하여 제1 이미지 처리 동작을 수행하고, 수신한 제2 이미지에 대하여 제2 이미지 처리 동작을 수행할 수 있다. 일 실시예에서, 제1 이미지 처리 동작과 제2 이미지 처리 동작은 후행 동작의 전처리 동작에 해당하며, 서로 상이한 동작이다.
그리고 맥락막 혈관 과투과 검출 장치(100)는 이미지 처리된 제1 이미지 및 제2 이미지 간의 차감 정보를 생성할 수 있다(S130). 구체적으로, 프로세서(110)는 이미지 처리된 제2 이미지에 대하여 이미지 처리된 제1 이미지를 픽셀 단위로 픽셀 값을 차감함으로써 차감 정보를 생성할 수 있다. 일 실시예에서, 프로세서(110)는 이미지 처리된 제2 이미지의 각 픽셀에 대하여 이미지 처리된 제1 이미지의 대응하는 픽셀을 확인하고, 대응하는 픽셀들 간의 픽셀 값들을 차감함으로써 차감 정보를 생성할 수 있다.
그리고 맥락막 혈관 과투과 검출 장치(100)는 차감 정보를 기초로 맥락막 혈관 과투과 정보를 생성할 수 있다(S140). 구체적으로, 프로세서(110)는 차감 정보를 기초로 픽셀별 차감 값이 큰 영역을 확인하고, 확인한 영역을 맥락막 혈관 과투과 영역으로 판단할 수 있다. 그리고 프로세서(110)는 맥락막 혈관 과투과 영역에 대한 픽셀 정보 및 밝기 정보를 포함하는 맥락막 혈관 과투과 정보를 생성할 수 있다. 일 실시예에서, 프로세서(110)는 통신부(120)를 통해 맥락막 혈관 과투과 정보를 외부 서버/장치로 송신되거나, 입출력부(140)의 디스플레이부 등을 통해 맥락막 혈관 과투과 영역을 표시할 수 있다.
이와 같이, 본 개시에 따른 맥락막 혈관 과투과 검출 장치(100)는 초광곽 안저영상을 이용하여 촬영된 ICGA 이미지를 기초로 맥락막 혈관 과투과를 자동으로 검출함으로써, 황반변성, 중심성장액망막병증 등의 황반질환 뿐만 아니라 사르코이드증, 보그트-코야나기-하라다 신드롬, 안종양 등의 광범위한 안염증성 및 종양 질환들에서 진단, 병기 및 예후 예측 등을 보다 쉽고 정확하게 수행할 수 있다.
도 3은 본 개시의 실시예에 따른 서로 다른 시점에서 촬영된 ICGA 이미지들을 획득하는 방법을 나타내는 흐름도이다. 도 3은 도 2의 S110 단계의 구체적인 예시를 나타내는 흐름도이다. 도 4는 도 3에 따른 제1 이미지 및 제2 이미지를 획득하는 동작을 설명하는 도면이다.
도 3을 참조하면, 맥락막 혈관 과투과 검출 장치(100)는 서로 다른 시점에서 촬영된 ICGA 이미지를 복수 개 획득할 수 있다(S210). 구체적으로, 프로세서(110)는 촬영 대상에 인도시아닌 그린 조영제(ICG dye)를 주입한 후, 연속적으로 촬영된 복수의 ICGA 이미지를 획득할 수 있다. 일 실시예에서, 상기 복수의 ICGA 이미지들은 통신부(120)를 통해 외부 서버/장치로부터 수신될 수 있고, 메모리(130)에 저장될 수 있다. 그리고 프로세서(110)는 통신부(120) 또는 메모리(130)를 통해 상기 복수의 ICGA 이미지들을 획득할 수 있다.
그리고 맥락막 혈관 과투과 검출 장치(100)는 제1 시구간 내 촬영된 ICGA 이미지들 중에서 제1 이미지를 획득할 수 있다(S220). 구체적으로, 프로세서(110)는 상기 복수의 ICGA 이미지들 중에서 초기 시구간에 해당하는 제1 시구간 내 촬영된 ICGA 이미지들을 중에서 제1 이미지를 획득할 수 있다. 여기서, 제1 시구간은 촬영 시작 후 40초 내지 1분 사이를 의미할 수 있다. 제1 시구간에서 촬영된 ICGA 이미지들은 주입된 조영제가 혈관 상에 도달하나, 맥락막 혈관 과투과 영역에는 도달하지 않은 시간대에 촬영된 이미지들이다. 즉, 제1 시구간에서 촬영된 ICGA 이미지들은 맥락막 혈관 과투과 영역을 확인하기 어려운 이미지들이다. 한편, 본 개시는 이에 한하지 않으며, 제1 시구간은 후술하는 제2 시구간보다 앞선 시구간이면 족하다.
일 실시예에서, 프로세서(110)는 제1 시구간 내 촬영된 ICGA 이미지들 중에서 제1 이미지를 입출력부(140)를 통해 사용자로부터 선택받을 수 있다. 예를 들어, 프로세서(110)는 입출력부(140)를 통해 제1 시구간 내 촬영된 ICGA 이미지들을 사용자에게 표시한 후, 입출력부(140)를 통해 사용자로부터 표시된 이미지들 중 제1 이미지를 선택받을 수 있다. 또 다른 실시예에서, 프로세서(110)는 인공지능 모델을 이용하여 제1 시구간 내 촬영된 ICGA 이미지들 중에서 제1 이미지를 선택할 수 있다. 예를 들어, 프로세서(110)는 복수의 ICGA 이미지들 중에서 혈관이 가장 뚜렷하게 나타난 이미지를 선택하도록 훈련된 인공지능 모델을 이용하여 제1 이미지를 선택할 수 있다.
그리고 맥락막 혈관 과투과 검출 장치(100)는 제2 시구간 내 촬영된 ICGA 이미지들 중에서 제2 이미지를 획득할 수 있다(S230). 구체적으로, 프로세서(110)는 상기 복수의 ICGA 이미지들 중에서 후기 시구간에 해당하는 제2 시구간 내 촬영된 ICGA 이미지들을 중에서 제2 이미지를 획득할 수 있다. 여기서, 제2 시구간은 촬영 시작 후 10분 내지 13분 사이를 의미할 수 있다. 제2 시구간에서 촬영된 ICGA 이미지들은 주입된 조영제가 혈관뿐만 아니라 맥락막 혈관 과투과 영역에도 도달한 시간대에 촬영된 이미지들이다. 즉, 제2 시구간에서 촬영된 ICGA 이미지들은 맥락막 혈관 과투과 영역을 확인할 수 있는 이미지들이다. 한편, 본 개시는 이에 한하지 않으며, 제2 시구간은 전술한 제1 시구간보다 뒤의 시구간이면 족하다.
일 실시예에서, 프로세서(110)는 제2 시구간 내 촬영된 ICGA 이미지들 중에서 제2 이미지를 입출력부(140)를 통해 사용자로부터 선택받을 수 있다. 예를 들어, 프로세서(110)는 입출력부(140)를 통해 제2 시구간 내 촬영된 ICGA 이미지들을 사용자에게 표시한 후, 입출력부(140)를 통해 사용자로부터 표시된 이미지들 중 제2 이미지를 선택받을 수 있다. 또 다른 실시예에서, 프로세서(110)는 인공지능 모델을 이용하여 제2 시구간 내 촬영된 ICGA 이미지들 중에서 제2 이미지를 선택할 수 있다. 예를 들어, 프로세서(110)는 복수의 ICGA 이미지들 중에서 혈관이 가장 뚜렷하게 나타난 이미지를 선택하거나, 상기 제1 이미지와 유사도가 높은 이미지를 선택하도록 훈련된 인공지능 모델을 이용하여 제2 이미지를 선택할 수 있다.
도 4를 참조하면, 프로세서(110)는 연속적으로 촬영된 제1 내지 제n ICGA 이미지들(IMG 1, IMG 2, IMG3, IMG 4, …, IMG k, IMG k+1, …., IMG n-2, IMG n-1, IMG n)을 획득할 수 있다. 여기서, ICGA 이미지들은 40초 내지 60초(즉, 1분)에 해당하는 제1 시구간에 촬영된 이미지들로 구성된 제1 그룹(IMG 2, IMG3, IMG 4)과, 600초 내지 780초(즉, 10분 내지 13분)에 해당하는 제2 시구간에 촬영된 이미지들로 구성된 제2 그룹(IMG n-2, IMG n-1)을 포함할 수 있다. 그리고 프로세서(110)는 제1 그룹으로부터 제1 이미지(A)를 선택하고, 제2 그룹으로부터 제2 이미지(B)를 선택할 수 있다.
도 5는 본 개시의 실시예에 따른 제1 이미지 및 제2 이미지에 대한 이미지 처리를 수행하는 방법을 나타내는 흐름도이다. 도 5는 도 2의 S120 단계의 구체적인 예시를 나타내는 흐름도이다. 도 6은 도 5에 따른 제1 이미지 및 제2 이미지에 대한 이미지 처리 동작을 설명하는 도면이다.
도 5를 참조하면, 맥락막 혈관 과투과 검출 장치(100)는 제1 이미지에 대하여 대비 조정을 수행할 수 있다(S310). 구체적으로, 프로세서(110)는 제1 이미지에 대하여 대비를 강화하여 혈관이 보다 뚜렷하게 나타나도록 이미지 처리를 수행할 수 있다.
그리고 맥락막 혈관 과투과 검출 장치(100)는 제2 이미지에 대하여 밝기 조정을 수행할 수 있다(S320). 구체적으로, 프로세서(110)는 제2 이미지의 평균 밝기를 산출하고, 산출한 평균 밝기의 값에 따라 밝기를 낮추거나 높임으로써 이미지 처리를 수행할 수 있다. 예를 들어, 프로세서(110)는 제2 이미지의 평균 밝기가 기준 값보다 높으면 제2 이미지의 밝기를 낮추고, 제2 이미지의 평균 밝기가 기준 값보다 낮으면 제2 이미지의 밝기를 높일 수 있다. 상기 동작은 촬영 대상의 눈에 백내장이 없으면 밝기가 높게 나오고, 촬영 대상의 눈에 백내장이 있으면 밝기가 낮게 나온다는 점에 착안하여 수행된다. 일 실시예에서, 기준값은 기설정된 값일 수 있고, 실시예에 따라 제1 이미지의 밝기 값을 기초로 변경될 수도 있다.
일 실시예에서, 프로세서(110)는 인공지능 모델을 이용하여 제1 이미지에 대한 이미지 처리 및 제2 이미지에 대한 이미지 처리를 수행할 수 있다. 예를 들어, 프로세서(110)는 제1 이미지에 대한 대비 조정을 수행하도록 훈련된 제1 인공지능 모델, 제2 이미지에 대한 밝기 조정을 수행하도록 훈련된 제2 인공지능 모델을 이용하여 이미지 처리를 수행할 수 있다. 또는, 프로세서(110)는 제1 이미지 및 제2 이미지를 모두 입력 받고, 제1 이미지에 대해서 대비 조정을 수행하고, 제2 이미지에 대해서 밝기 조정을 수행하도록 훈련된 단일 인공지능 모델을 이용하여 이미지 처리를 수행할 수도 있다.
도 6을 참조하면, 프로세서(110)는 도 4에서 선택된 제1 이미지(A)에 대하여 대비 조정을 수행하여, 혈관이 뚜렷하게 표시되도록 이미지 처리된 제1 이미지(C)를 획득할 수 있다. 또한, 프로세서(110)는 도 4에서 선택된 제2 이미지(B)에 대하여 밝기 조정을 수행하여, 밝기가 증가되도록 이미지 처리된 제2 이미지(D)를 획득할 수 있다.
한편, 도 5에서는 각각의 과정을 순차적으로 실행하는 것으로 개재하고 있으나 이는 예시적으로 설명한 것에 불과하고, 이 분야의 기술자라면 본 발명의 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 도 5에 기재된 순서를 변경하여 실행하거나 또는 하나 이상의 과정을 병렬적으로 실행하거나 다른 과정을 추가하는 것으로 다양하게 수정 및 변형하여 적용 가능할 것이다.
도 7은 본 개시의 실시예에 따른 차감 정보를 생성하는 방법을 나타내는 흐름도이다. 도 7은 도 2의 S130 단계의 구체적인 예시를 나타내는 흐름도이다. 도 8은 도 7에 따른 차감 정보의 생성 동작을 설명하는 도면이다.
도 7을 참조하면, 맥락막 혈관 과투과 검출 장치(100)는 제1 이미지 및 제2 이미지 중 적어도 하나를 크롭(crop)할 수 있다(S410). 구체적으로, 프로세서(110)는 제1 이미지 및 제2 이미지 중 촬영 영역이 더 좁은 이미지를 기준으로 나머지 이미지를 크롭(crop)할 수 있다. 예를 들어, 프로세서(110)는 제1 이미지의 촬영 영역이 제2 이미지의 촬영 영역보다 좁은 경우, 제1 이미지의 촬영 영역에 대응하지 않는 제2 이미지의 촬영 영역을 크롭할 수 있다. 프로세서(110)는 크롭 동작을 통해 제1 이미지와 제2 이미지의 촬영 영역을 매칭시킬 수 있다.
일 실시예에서, 프로세서(110)는 입출력부(140)를 통해 제1 이미지와 제2 이미지를 사용자에게 표시하고, 사용자로부터 제1 이미지와 제2 이미지 중 크롭할 영역을 선택받아 크롭 동작을 수행할 수 있다. 또 다른 실시예에서, 프로세서(110)는 인공지능 모델을 이용하여 제1 이미지 및 제2 이미지 중 적어도 하나를 크롭할 수 있다. 예를 들어, 프로세서(110)는 2개의 이미지 중 촬영 영역이 좁은 이미지를 확인한 후, 촬영 영역이 더 넓은 이미지를 크롭하도록 훈련된 인공지능 모델을 이용하여 크롭 동작을 수행할 수 있다.
그리고 맥락막 혈관 과투과 검출 장치(100)는 제1 이미지 및 제2 이미지 간의 grey scale 정보를 차감하여 차감 정보를 생성할 수 있다(S420). 구체적으로, 프로세서(110)는 제1 이미지 및 제2 이미지(적어도 하나는 크롭됨)의 픽셀 단위로 grey scale을 차감함으로써 차감 정보를 생성할 수 있다. 이때, 프로세서(110)는 제2 이미지의 grey scale에서 제1 이미지의 grey scale을 차감할 수 있다. 제2 이미지는 혈관 및 맥락막 혈관 과투과 영역에 대한 정보를 포함하고, 제1 이미지는 혈관에 대한 정보를 포함하므로, 제2 이미지로부터 제1 이미지의 grey scale을 차감함으로써, 차감 정보는 맥락막 혈관 과투과 영역에 대한 정보를 주로 포함할 수 있다.
일 실시예에서, 프로세서(110)는 인공지능 모델을 이용하여 제1 이미지 및 제2 이미지를 이용하여 차감 정보를 생성할 수 있다. 예를 들어, 프로세서(110)는 제2 이미지로부터 제1 이미지의 grey scale을 차감하도록 훈련된 인공지능 모델을 이용하여 차감 정보를 생성할 수 있다.
도 8을 참조하면, 프로세서(110)는 도 6에서 획득한 제2 이미지(D)의 grey scale에 제1 이미지(C)의 grey scale을 픽셀별로 차감함으로써 차감 정보(E)를 생성할 수 있다. 차감 정보(E)에서 혈관 부분은 주로 검정색으로 표시될 수 있다.
한편, 도 7에서는 맥락막 혈관 과투과 검출 장치(100)가 제1 이미지 및 제2 이미지에 대한 이미지 처리 동작을 수행한 후, 크롭 동작을 수행하는 것으로 개재하고 있으나 이는 예시적으로 설명한 것에 불과하고, 맥락막 혈관 과투과 검출 장치(100)는 제1 이미지 및 제2 이미지에 대한 크롭 동작을 수행한 후, 제1 이미지 및 제2 이미지에 대한 이미지 처리 동작을 수행하도록 구현될 수 있다
또한, 도 7에서는 맥락막 혈관 과투과 검출 장치(100)가 크롭 동작을 수행하는 것으로 개재하고 있으나 이는 예시적으로 설명한 것에 불과하고, 맥락막 혈관 과투과 검출 장치(100)는 크롭 동작의 수행 없이 차감 정보를 생성하도록 구현될 수 있다..
도 9는 본 개시의 실시예에 따른 맥락막 혈관 과투과 정보를 생성하는 방법을 나타내는 흐름도이다. 도 9는 도 2의 S140 단계의 구체적인 예시를 나타내는 흐름도이다. 도 10은 도 9에 따른 차감 정보를 기초로 복수의 영역을 생성하는 동작을 설명하는 도면이다.
도 9를 참조하면, 맥락막 혈관 과투과 검출 장치(100)는 차감 정보를 기초로 복수의 영역을 설정할 수 있다(S510). 구체적으로, 프로세서(110)는 차감 정보를 기초로 시신경유두부분 및 retinal vessel major arcade까지의 망막으로 정의되는 제1 영역, 제1 영역 외부의 각 사분면의 vortex vein ampullae를 연결하는 선 내부 영역으로 정의되는 제2 영역 및 상기 제2 영역 외부의 경사 가능한 나머지 영역으로 정의되는 제3 영역을 설정할 수 있다. 도 10을 참조하면, 프로세서(110)는 도 8에서 획득한 차감 정보(E)에서 제1 영역(PP), 제2 영역(MP) 및 제3 영역(FP)을 설정할 수 있다.
일 실시예에서, 프로세서(110)는 복수의 영역 정보를 입출력부(140)를 통해 사용자로부터 획득할 수 있다. 예를 들어, 프로세서(110)는 차감 정보를 입출력부(140)를 통해 사용자에게 표시하고, 입출력부(140)를 통해 사용자로부터 제1 영역, 제2 영역 및 제3 영역 각각의 경계에 대한 정보를 수신할 수 있다. 그리고 프로세서(110)는 수신한 정보를 바탕으로 차감 정보에 제1 영역, 제2 영역 및 제3 영역을 설정할 수 있다. 또 다른 실시예에서, 프로세서(110)는 인공지능 모델을 이용하여 차감 정보에 제1 영역, 제2 영역 및 제3 영역을 설정할 수 있다. 예를 들어, 프로세서(110)는 ICGA 이미지에 대하여, 제1 영역, 제2 영역 및 제3 영역을 설정하도록 훈련된 인공지능 모델을 이용하여 복수의 영역을 설정할 수 있다.
그리고 맥락막 혈관 과투과 검출 장치(100)는 복수의 영역 각각에 대하여 맥락막 혈관 과투과 여부를 판단할 수 있다(S520). 구체적으로, 프로세서(110)는 제1 영역, 제2 영역 및 제3 영역 각각에 대하여 맥락막 혈관 과투과 여부를 판단할 수 있다. 일 실시예에서, 프로세서(110)는 제1 영역, 제2 영역 및 제3 영역에 각각에 대하여 차감 값이 큰 영역을 확인함으로써 맥락막 혈관 과투과 여부를 판단할 수 있다. 예를 들어, 프로세서(110)는 차감 값들이 기준값을 초과하는 영역, 또는 차감 값들의 평균이 기준값을 초과하는 영역 등을 맥락막 혈관 과투과 영역으로 판단할 수 있다.
일 실시예에서, 프로세서(110)는 제1 영역, 제2 영역 및 제3 영역에 대하여 서로 다른 가중치를 부과하고, 맥락막 혈관 과투과 여부를 판단할 수 있다. 구체적으로, 프로세서(110)는 제1 영역, 제2 영역 및 제3 영역 순으로 높은 가중치를 설정하고, 설정된 가중치를 반영하여 맥락막 혈관 과투과 여부를 판단할 수 있다. 즉, 상대적으로 가운데 영역인 제1 영역에 높은 중요도를 설정하여 맥락막 혈관 과투과 여부를 판단할 수 있다. 예를 들어, 프로세서(110)는 각 영역의 차감 값에 가중치를 반영하여 맥락막 혈관 과투과 여부를 판단하거나, 제1 영역부터 제2 영역 및 제3 영역 순으로 맥락막 혈관 과투과 여부를 판단하는 방식으로 맥락막 혈관 과투과 여부를 판단할 수 있다.
그리고 맥락막 혈관 과투과 검출 장치(100)는 판단 결과를 기초로 맥락막 혈관 과투과 정보를 생성할 수 있다(S530). 구체적으로, 프로세서(110)는 제1 영역, 제2 영역 및 제3 영역 각각에 대하여 맥락막 혈관 과투과 영역에 대한 픽셀 정보 및 밝기 정보를 포함하는 맥락막 혈관 과투과 정보를 생성할 수 있다. 예를 들어, 프로세서(110)는 맥락막 혈관 과투과 영역의 위치를 나타내는 픽셀(pixel) 정보와, 해당 위치의 차감 값, 즉, 밝기(intensity) 정보를 포함하는 맥락막 혈관 과투과 정보를 생성할 수 있다. 일 실시예에서, 프로세서(110)는 맥락막 혈관 과투과 영역에 대하여 (pixel)*(intensity)로 정량화하여 맥락막 혈관 과투과 정보를 생성할 수 있다.
한편, 도 9에서는 맥락막 혈관 과투과 검출 장치(100)가 제1 영역, 제2 영역 및 제 3 영역을 설정하는 것으로 개재하고 있으나 이는 예시적으로 설명한 것에 불과하고, 맥락막 혈관 과투과 검출 장치(100)는 2개 이하의 영역 또는 4개 이상의 영역을 설정하도록 구현될 수 있다.
한편, 개시된 실시예들은 컴퓨터에 의해 실행 가능한 명령어를 저장하는 기록매체의 형태로 구현될 수 있다. 명령어는 프로그램 코드의 형태로 저장될 수 있으며, 프로세서에 의해 실행되었을 때, 프로그램 모듈을 생성하여 개시된 실시예들의 동작을 수행할 수 있다. 기록매체는 컴퓨터로 읽을 수 있는 기록매체로 구현될 수 있다.
컴퓨터가 읽을 수 있는 기록매체로는 컴퓨터에 의하여 해독될 수 있는 명령어가 저장된 모든 종류의 기록 매체를 포함한다. 예를 들어, ROM(Read Only Memory), RAM(Random Access Memory), 자기 테이프, 자기 디스크, 플래쉬 메모리, 광 데이터 저장장치 등이 있을 수 있다.
이상에서와 같이 첨부된 도면을 참조하여 개시된 실시예들을 설명하였다. 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자는 본 개시의 기술적 사상이나 필수적인 특징을 변경하지 않고도, 개시된 실시예들과 다른 형태로 본 개시가 실시될 수 있음을 이해할 것이다. 개시된 실시예들은 예시적인 것이며, 한정적으로 해석되어서는 안 된다.
100: 맥락막 혈관 과투과 검출 장치
110: 프로세서
120: 통신부
130: 메모리
140: 입출력부
110: 프로세서
120: 통신부
130: 메모리
140: 입출력부
Claims (20)
- 서로 다른 시점에서 촬영된 ICGA(indocyanine green angiography) 이미지인 제1 이미지 및 제2 이미지를 저장하는 메모리; 및
상기 제1 이미지 및 상기 제2 이미지 각각에 기설정된 이미지 처리를 수행하고, 이미지 처리된 상기 제1 이미지 및 상기 제2 이미지 간의 차감 정보를 생성하고, 상기 차감 정보를 기초로 맥락막 혈관 과투과 정보를 생성하는 프로세서;를 포함하고,
상기 프로세서는,
상기 차감 정보를 기초로 차감 값이 기준값 이상인 영역을 확인하고, 상기 확인한 영역을 맥락막 혈관 과투과 영역으로 판단하고, 상기 맥락막 혈관 과투과 영역에 대한 위치 정보 및 밝기 정보를 포함하는 상기 맥락막 혈관 과투과 정보를 생성하는 것을 특징으로 하는 맥락막 혈관 과투과 검출 장치. - 제1항에 있어서,
상기 제1 이미지의 촬영 시점은,
상기 제2 이미지의 촬영 시점보다 앞선 것을 특징으로 하는 맥락막 혈관 과투과 검출 장치. - 제1항에 있어서,
상기 ICGA 이미지는,
초광각 안저영상을 이용하여 촬영된 이미지로, 시신경 유두부분, 망막 혈관, 맥락막, 망막 및 망막 주변을 포함하는 것을 특징으로 하는 맥락막 혈관 과투과 검출 장치. - 제1항에 있어서,
상기 메모리는,
제1 시구간에 촬영된 ICGA 이미지들 및 상기 제1 시구간 보다 뒤인 제2 시구간에 촬영된 ICGA 이미지들을 저장하고,
상기 프로세서는,
상기 제1 시구간에 촬영된 ICGA 이미지들 중에서 상기 제1 이미지를 선택하고,
상기 제2 시구간에 촬영된 ICGA 이미지들 중에서 상기 제2 이미지를 선택하는 것을 특징으로 하는 맥락막 혈관 과투과 검출 장치. - 제4항에 있어서,
상기 제1 시구간은 인도시아닌 그린 조영제의 주입 후 40초 내지 1분 이내의 시구간이고,
상기 제2 시구간은 인도시아닌 그린 조영제의 주입 후 10분 내지 13분 이내의 시구간인 것을 특징으로 하는 맥락막 혈관 과투과 검출 장치. - 제1항에 있어서,
상기 프로세서는,
상기 제1 이미지에 대하여, 대비 조정을 수행하고,
상기 제2 이미지에 대하여, 밝기 조정을 수행하는 것을 특징으로 하는 맥락막 혈관 과투과 검출 장치. - 제1항에 있어서,
상기 프로세서는,
이미지 처리된 상기 제1 이미지 및 상기 제2 이미지 중 적어도 하나를 크롭(crop)하여, 상기 제1 이미지 및 상기 제2 이미지의 촬영 영역을 매칭시키는 것을 특징으로 하는 맥락막 혈관 과투과 검출 장치 - 제1항에 있어서,
상기 프로세서는,
이미지 처리된 상기 제1 이미지 및 상기 제2 이미지 간의 grey scale 정보를 차감하여 상기 차감 정보를 생성하는 것을 특징으로 하는 맥락막 혈관 과투과 검출 장치. - 삭제
- 제1항에 있어서,
상기 프로세서는,
상기 차감 정보에 대하여 복수의 영역을 설정하고, 상기 복수의 영역 각각에 대하여 맥락막 혈관 과투과 여부를 판단하고, 판단 결과를 기초로 상기 맥락막 혈관 과투과 정보를 생성하는 것을 특징으로 하는 맥락막 혈관 과투과 검출 장치. - 제10항에 있어서,
상기 복수의 영역은,
시신경유두부분 및 retinal vessel major arcade까지의 망막으로 정의되는 제1 영역, 제1 영역 외부의 각 사분면의 vortex vein ampullae를 연결하는 선 내부 영역으로 정의되는 제2 영역 및 상기 제2 영역 외부의 경사 가능한 나머지 영역으로 정의되는 제3 영역을 포함하는 것을 특징으로 하는 맥락막 혈관 과투과 검출 장치. - 맥락막 혈관 과투과 검출 장치에 의해 수행되는 방법으로,
서로 다른 시점에서 촬영된 ICGA(indocyanine green angiography) 이미지인 제1 이미지 및 제2 이미지를 획득하는 단계;
상기 제1 이미지에 대하여 제1 이미지 처리 동작을 수행하는 단계;
상기 제2 이미지에 대하여 제2 이미지 처리 동작을 수행하는 단계;
상기 제2 이미지 처리 동작이 수행된 상기 제2 이미지에 대하여, 상기 제1 이미지 처리 동작이 수행된 제1 이미지를 이용하여 픽셀 단위로 grey scale을 차감하여 차감 정보를 생성하는 단계; 및
상기 차감 정보를 기초로 맥락막 혈관 과투과 정보를 생성하는 단계;를 포함하고,
상기 맥락막 혈관 과투과 정보를 생성하는 단계는,
상기 차감 정보를 기초로 차감 값이 기준값 이상인 영역을 확인하고, 상기 확인한 영역을 맥락막 혈관 과투과 영역으로 판단하고, 상기 맥락막 혈관 과투과 영역에 대한 위치 정보 및 밝기 정보를 포함하는 상기 맥락막 혈관 과투과 정보를 생성하는 것을 특징으로 하는 맥락막 혈관 과투과 검출 방법. - 제12항에 있어서,
상기 제1 이미지의 촬영 시점은, 제1 시구간에 포함되고,
상기 제2 이미지의 촬영 시점은, 상기 제1 시구간 보다 이후인 제2 시구간에 포함되는 것을 특징으로 하는 맥락막 혈관 과투과 검출 방법. - 제12항에 있어서,
상기 제1 이미지 및 상기 제2 이미지 중 촬영 영역이 더 좁은 이미지를 기준으로 나머지 이미지를 크롭(crop)하는 단계;를 더 포함하는 맥락막 혈관 과투과 검출 방법. - 제12항에 있어서,
상기 제1 이미지 처리 동작은, 대비 조정 동작이고,
상기 제2 이미지 처리 동작은, 밝기 조정 동작인 것을 특징으로 하는 맥락막 혈관 과투과 검출 방법. - 삭제
- 제12항에 있어서,
상기 맥락막 혈관 과투과 정보를 생성하는 단계는,
상기 차감 정보에 대하여 복수의 영역을 설정하는 단계;
상기 복수의 영역 각각에 대하여, 상기 차감 정보를 기초로 차감 값이 기준값 이상인 영역을 확인함으로써 상기 맥락막 혈관 과투과 여부를 판단하는 단계; 및
상기 판단 결과를 기초로 상기 맥락막 혈관 과투과 정보를 생성하는 단계;를 포함하는 것을 특징으로 하는 맥락막 혈관 과투과 검출 방법. - 제17항에 있어서,
상기 복수의 영역을 설정하는 단계는,
시신경유두부분 및 retinal vessel major arcade까지의 망막으로 정의되는 제1 영역, 제1 영역 외부의 각 사분면의 vortex vein ampullae를 연결하는 선 내부 영역으로 정의되는 제2 영역 및 상기 제2 영역 외부의 경사 가능한 나머지 영역으로 정의되는 제3 영역을 설정하는 것을 특징으로 하는 맥락막 혈관 과투과 검출 방법. - 제18항에 있어서,
상기 맥락막 혈관 과투과 여부를 판단하는 단계는,
제1 영역, 제2 영역 및 제3 영역 순으로 높은 가중치를 반영하여 상기 맥락막 혈관 과투과 여부를 판단하는 것을 특징으로 하는 맥락막 혈관 과투과 검출 방법. - 하드웨어인 컴퓨터와 결합되어, 제12항 내지 제15항, 제17항, 제18항 및 제19항 중 어느 한 항의 방법을 실행시키기 위한 프로그램이 저장된 컴퓨터 판독 가능한 기록매체.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230037314A KR102635589B1 (ko) | 2023-03-22 | 2023-03-22 | 인도시아닌 그린 혈관조영술에서의 맥락막 혈관 과투과 검출 장치, 방법 및 프로그램 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230037314A KR102635589B1 (ko) | 2023-03-22 | 2023-03-22 | 인도시아닌 그린 혈관조영술에서의 맥락막 혈관 과투과 검출 장치, 방법 및 프로그램 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102635589B1 true KR102635589B1 (ko) | 2024-02-07 |
Family
ID=89873043
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230037314A KR102635589B1 (ko) | 2023-03-22 | 2023-03-22 | 인도시아닌 그린 혈관조영술에서의 맥락막 혈관 과투과 검출 장치, 방법 및 프로그램 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102635589B1 (ko) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS6278295U (ko) | 1985-10-31 | 1987-05-19 | ||
| WO2019240157A1 (ja) * | 2018-06-12 | 2019-12-19 | 国立大学法人筑波大学 | 眼球運動測定装置、眼球運動測定方法及び眼球運動測定プログラム |
| KR20210115196A (ko) * | 2020-03-12 | 2021-09-27 | 삼성에스디에스 주식회사 | 영상 기반의 안질환 진단 장치 및 방법 |
| KR20230029559A (ko) * | 2021-08-24 | 2023-03-03 | 울산과학기술원 | 녹내장 검사를 위한 색 안저 이미지에서 딥러닝 기반 망막 신경 섬유층 두께 결정 방법 및 장치 |
-
2023
- 2023-03-22 KR KR1020230037314A patent/KR102635589B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS6278295U (ko) | 1985-10-31 | 1987-05-19 | ||
| WO2019240157A1 (ja) * | 2018-06-12 | 2019-12-19 | 国立大学法人筑波大学 | 眼球運動測定装置、眼球運動測定方法及び眼球運動測定プログラム |
| KR20210115196A (ko) * | 2020-03-12 | 2021-09-27 | 삼성에스디에스 주식회사 | 영상 기반의 안질환 진단 장치 및 방법 |
| KR20230029559A (ko) * | 2021-08-24 | 2023-03-03 | 울산과학기술원 | 녹내장 검사를 위한 색 안저 이미지에서 딥러닝 기반 망막 신경 섬유층 두께 결정 방법 및 장치 |
Non-Patent Citations (1)
| Title |
|---|
| 비특허1 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7165207B2 (ja) | 機械学習ベースの診断分類器 | |
| US11398223B2 (en) | Electronic device for modulating user voice using artificial intelligence model and control method thereof | |
| JP2019528113A (ja) | 機械学習モデルを使用した眼底画像の処理 | |
| US20180197094A1 (en) | Apparatus and method for processing content | |
| US20220067519A1 (en) | Neural network synthesis architecture using encoder-decoder models | |
| US11823385B2 (en) | Processing fundus images using machine learning models to generate blood-related predictions | |
| KR102374780B1 (ko) | 정신적 장애의 개선을 위한 게임 기반의 디지털 치료 솔루션 제공방법, 서버 및 컴퓨터프로그램 | |
| US20210027172A1 (en) | Learning method of ai model and electronic apparatus | |
| US20190365314A1 (en) | Ocular fundus image processing device and non-transitory computer-readable medium storing computer-readable instructions | |
| CN113191999A (zh) | 支持读取眼底图像的方法以及装置、包含该装置的*** | |
| KR102635589B1 (ko) | 인도시아닌 그린 혈관조영술에서의 맥락막 혈관 과투과 검출 장치, 방법 및 프로그램 | |
| KR102591769B1 (ko) | 언어 모델을 기반으로 질의 응답 네트워크를 활용한 인적성 검사의 문제 생성 방법 및 서버 | |
| KR20240067783A (ko) | 인공지능 기반의 성분 분석 및 의학적 근거를 활용하여 식품의 의학적 효능을 산출하는 장치, 방법 및 프로그램 | |
| KR102530616B1 (ko) | 의과학 및 성분학 기반의 정신 상태 분석 장치, 방법 및 프로그램 | |
| Desika Vinayaki et al. | ESLO: Enhanced sea lion optimization based bi‐directional CNN‐RNN for accurate detection of diabetic retinopathy | |
| KR102455264B1 (ko) | 치매를 식별하는 기법 | |
| KR20240006058A (ko) | 메타 학습으로 생성된 모델로 개인화된 생물학적 상태를 예측하기 위한 시스템, 방법 및 디바이스 | |
| EP3815599A1 (en) | Ophthalmic image processing device, oct device, ophthalmic image processing program, and method of building mathematical model | |
| JP6866954B2 (ja) | 眼科画像処理プログラム、およびｏｃｔ装置 | |
| KR20220071011A (ko) | 전자 장치 및 그 제어 방법 | |
| KR102610505B1 (ko) | 인공지능 기반의 농산물 외부 결함 측정 장치, 방법및 프로그램 | |
| KR102669617B1 (ko) | 실시간 자동 비디오 프로토콜 변환 장치 및 방법 | |
| KR102610506B1 (ko) | 인공지능 기반의 농산물 결함 식별 장치, 방법 및 프로그램 | |
| KR20240102520A (ko) | 인공지능 기반의 농산물 선별 장치, 방법 및 프로그램 | |
| KR102606193B1 (ko) | 카메라 기반의 원격 건강진단 및 이를 이용한 개인 건강 관리 서비스 제공방법, 장치 및 컴퓨터프로그램 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |