| 1 |
1
두꺼운 맥락막 진단 장치에 의해 수행되는 두꺼운 맥락막 진단 방법에 있어서,상기 장치가 안구 망막의 광간섭 단층촬영 제1 영상 및 제2 영상을 획득하는 단계;상기 장치가 상기 광간섭 단층촬영 제1 영상 및 제2 영상에 대응하는 출력 값(ground truth)에 미리 분류한 정상 맥락막 영상 및 두꺼운 맥락막 영상을 매칭하여 학습데이터셋을 구축하는 단계;상기 장치가 상기 학습데이터셋을 기반으로 질환 판단 모델을 트레이닝하는 단계; 및상기 장치가 광간섭 단층촬영 제1 입력 영상 및 제2 입력 영상을 상기 질환 판단 모델에 입력하여, 상기 질환 판단 모델을 통해 상기 광간섭 단층촬영 제1 입력 영상 및 제2 입력 영상에 포함된 망막의 두꺼운 맥락막 질환 예측 값을 생성하는 단계;를 포함하고,상기 광간섭 단층촬영 제1 영상은 망막의 수직 단면 영상이고, 상기 광간섭 단층 촬영 제2 영상은 망막의 수평 단면 영상인 것을 특징으로 하는 딥러닝 기반 두꺼운 맥락막 질환 진단 방법
|
| 2 |
2
제1 항에 있어서, 상기 질환 판단 모델을 트레이닝하는 단계는,상기 장치가 상기 광간섭 단층촬영 제1 영상을 이용하여 망막의 두께를 기계학습하고, 상기 광간섭 단층촬영 제2 영상을 이용하여 망막의 모양을 기계학습하는 단계; 및상기 장치가 상기 망막의 두께 관련 기계학습 결과 및 상기 망막의 모양 관련 기계학습 결과에 기초하여 두꺼운 맥락막 질환 예측 값을 생성하는 단계;를 포함하는 것을 특징으로 하는 딥러닝 기반 두꺼운 맥락막 질환 진단 방법
|
| 3 |
3
제1 항에 있어서, 상기 장치가 상기 광간섭 단층촬영 제1 영상 및 제2 영상을 회전시키거나 플립(flip)시킴으로써 상기 학습데이터셋을 증강(augmentation)시키는 단계;를 더 포함하는 것을 특징으로 하는 딥러닝 기반 두꺼운 맥락막 질환 진단 방법
|
| 4 |
4
제1 항에 있어서, 상기 질환 판단 모델은 CNN(convolutioanal neural network) 또는 RNN(Recurrent Neural Network)인 것을 특징으로 하는 딥러닝 기반 두꺼운 맥락막 질환 진단 방법
|
| 5 |
5
두꺼운 맥락막 진단 장치에 의해 수행되는 두꺼운 맥락막 진단 방법에 있어서,상기 장치가 안구 망막의 광간섭 단층촬영 제1 입력 영상 및 제2 입력 영상을 획득하는 단계;상기 장치가 상기 광간섭 단층촬영 제1 입력 영상을 사전 기계학습한 제1 딥 뉴럴 네트워크에 입력하고 상기 광간섭 단층촬영 제2 입력 영상을 사전 기계학습한 제2 딥 뉴럴 네트워크에 입력하여, 상기 제1 딥 뉴럴 네트워크를 통해 망막 두께의 제1 특징 값을 생성하고 상기 제2 딥 뉴럴 네트워크를 통해 망막 모양의 제2 특징 값을 생성하는 단계;상기 장치가 상기 제1 특징 값과 상기 제2 특징 값을 사전 기계학습한 질환 분류 모델에 입력하여, 상기 질환 분류 모델을 통해 상기 광간섭 단층촬영 제1 입력 영상 및 제2 입력 영상에 포함된 망막의 두꺼운 맥락막 질환 예측 값을 생성하는 단계;를 포함하고,상기 광간섭 단층촬영 제1 영상은 망막의 수직 단면 영상이고, 상기 광간섭 단층 촬영 제2 영상은 망막의 수평 단면 영상인 것을 특징으로 하는 딥러닝 기반 두꺼운 맥락막 질환 진단 방법
|
| 6 |
6
제5 항에 있어서, 상기 광간섭 단층촬영 제1 입력 영상은 망막 두께 정보를 포함하는 것을 특징으로 하는 딥러닝 기반 두꺼운 맥락막 질환 진단 방법
|
| 7 |
7
제5 항에 있어서, 상기 광간섭 단층촬영 제2 입력 영상은 망막 모양 정보를 포함하는 것을 특징으로 하는 딥러닝 기반 두꺼운 맥락막 질환 진단 방법
|
| 8 |
8
제5 항에 있어서,상기 장치가 광간섭 단층촬영 제1 영상에 대응하는 출력 값(ground truth)에 미리 수집한 망막 두께 정보를 매칭하여 제1 학습데이터셋을 구축하고, 광간섭 단층촬영 제2 영상에 대응하는 출력 값(ground truth)에 미리 수집한 망막 모양 정보를 매칭하여 제2 학습데이터셋을 구축하는 단계;상기 장치가 상기 제1 학습데이터셋을 상기 제1 딥 뉴럴 네트워크에 입력하고 상기 제2 학습데이터셋을 상기 제2 딥 뉴럴 네트워크에 입력하여, 상기 제1 딥 뉴럴 네트워크를 통해 상기 제1 학습데이터셋의 제1 특징 값들을 생성하고 상기 제2 딥 뉴럴 네트워크를 통해 상기 제2 학습데이터셋의 제2 특징 값들을 생성하는 단계; 및상기 장치가 상기 제1 학습 데이터셋 및 상기 제2 학습데이터셋 생성 동작, 상기 제1 특징값들 생성 동작 및 상기 제2 특징값들 생성 동작을 반복 수행함으로써 상기 제1 딥 뉴럴 네트워크와 상기 제2 딥 뉴럴 네트워크를 병렬로 기계학습하는 단계;를 포함하는 것을 특징으로 하는 딥러닝 기반 두꺼운 맥락막 질환 진단 방법
|
| 9 |
9
제5 항에 있어서, 상기 장치가 상기 광간섭 단층촬영 제1 영상 및 제2 영상을 회전시키거나 플립(flip)시킴으로써 상기 제1 학습데이터셋 및 상기 제2 학습데이터셋을 증강(augmentation)시키는 단계;를 더 포함하는 것을 특징으로 하는 딥러닝 기반 두꺼운 맥락막 질환 진단 방법
|
| 10 |
10
제5 항에 있어서, 상기 제1 딥 뉴럴 네트워크, 상기 제2 딥 뉴럴 네트워크 및 상기 질환 판단 모델은 CNN(convolutioanal neural network) 또는 RNN(Recurrent Neural Network)인 것을 특징으로 하는 딥러닝 기반 두꺼운 맥락막 질환 진단 방법
|
| 11 |
11
제5 항에 있어서, 상기 질환 판단 모델은 상기 제1 특징 값과 상기 제2 특징 값을 입력 받아 망막의 두꺼운 맥락막 질환 예측 값을 생성하는 동작을 반복적으로 수행함으로써 기계학습이 수행되는 것을 특징으로 하는 딥러닝 기반 두꺼운 맥락막 질환 진단 방법
|
| 12 |
12
하드웨어인 컴퓨터와 결합되어, 제1항 내지 제11항 중 어느 한 항의 방법을 실행시키기 위하여 매체에 저장된, 딥러닝 기반 두꺼운 맥락막 질환 진단 프로그램
|
| 13 |
13
딥러닝에 기반하여 안구 망막의 두꺼운 맥락막 질환을 판단하는 장치에 있어서,안구 망막의 광간섭 단층촬영 제1 영상 및 제2 영상을 획득하는 데이터 획득부, 안구 망막의 두꺼운 맥락막 질환 판단 결과를 출력하는 딥러닝부 및 데이터베이스를 포함하고,상기 딥러닝부는,상기 광간섭 단층촬영 제1 영상 및 제2 영상에 대응하는 출력 값(ground truth)에 미리 분류한 정상 맥락막 영상 및 두꺼운 맥락막 영상을 매칭하여 학습데이터셋을 구축하고,상기 학습데이터셋을 기반으로 질환 판단 모델을 트레이닝하고,광간섭 단층촬영 제1 입력 영상 및 제2 입력 영상을 상기 질환 판단 모델에 입력하여, 상기 질환 판단 모델을 통해 상기 광간섭 단층촬영 제1 입력 영상 및 제2 입력 영상에 포함된 망막의 두꺼운 맥락막 질환 예측 값을 생성하고,상기 광간섭 단층촬영 제1 영상은 망막의 수직 단면 영상이고, 상기 광간섭 단층 촬영 제2 영상은 망막의 수평 단면 영상인 것을 특징으로 하는 딥러닝 기반 두꺼운 맥락막 질환 진단 장치
|
| 14 |
14
제13 항에 있어서, 상기 딥러닝부는,상기 광간섭 단층촬영 제1 영상을 이용하여 망막의 두께를 기계학습하고, 상기 광간섭 단층촬영 제2 영상을 이용하여 망막의 모양을 기계학습하고,상기 망막의 두께 관련 기계학습 결과 및 상기 망막의 모양 관련 기계학습 결과에 기초하여 두꺼운 맥락막 질환 예측 값을 생성하는 것을 특징으로 하는 딥러닝 기반 두꺼운 맥락막 질환 진단 장치
|
| 15 |
15
제13 항에 있어서, 상기 딥러닝부는 상기 광간섭 단층촬영 제1 영상 및 제2 영상을 회전시키거나 플립(flip)시킴으로써 상기 학습데이터셋을 증강(augmentation)시키는 것을 특징으로 하는 딥러닝 기반 두꺼운 맥락막 질환 진단 장치
|
| 16 |
16
제13 항에 있어서, 상기 질환 판단 모델은 CNN(convolutioanal neural network) 또는 RNN(Recurrent Neural Network)인 것을 특징으로 하는 딥러닝 기반 두꺼운 맥락막 질환 진단 장치
|
| 17 |
17
딥러닝에 기반하여 안구 망막의 두꺼운 맥락막 질환을 판단하는 장치에 있어서,안구 망막의 광간섭 단층촬영 제1 입력 영상 및 제2 입력 영상을 획득하는 데이터 획득부, 안구 망막의 두꺼운 맥락막 질환 판단 결과를 출력하는 딥러닝부 및 데이터베이스를 포함하고,상기 딥러닝부는,안구 망막의 광간섭 단층촬영 제1 입력 영상 및 제2 입력 영상을 획득하고,상기 광간섭 단층촬영 제1 입력 영상을 사전 기계학습한 제1 딥 뉴럴 네트워크에 입력하고 상기 광간섭 단층촬영 제2 입력 영상을 사전 기계학습한 제2 딥 뉴럴 네트워크에 입력하여, 상기 제1 딥 뉴럴 네트워크를 통해 망막 두께의 제1 특징 값을 생성하고 상기 제2 딥 뉴럴 네트워크를 통해 망막 모양의 제2 특징 값을 생성하고,상기 제1 특징 값과 상기 제2 특징 값을 사전 기계학습한 질환 분류 모델에 입력하여, 상기 질환 분류 모델을 통해 상기 광간섭 단층촬영 제1 입력 영상 및 제2 입력 영상에 포함된 망막의 두꺼운 맥락막 질환 예측 값을 생성하고,상기 광간섭 단층촬영 제1 영상은 망막의 수직 단면 영상이고, 상기 광간섭 단층 촬영 제2 영상은 망막의 수평 단면 영상인 것을 특징으로 하는 딥러닝 기반 두꺼운 맥락막 질환 진단 장치
|
| 18 |
18
제17 항에 있어서, 상기 광간섭 단층촬영 제1 입력 영상은 망막 두께 정보를 포함하는 것을 특징으로 하는 딥러닝 기반 두꺼운 맥락막 질환 진단 장치
|
| 19 |
19
제17 항에 있어서, 상기 광간섭 단층촬영 제2 입력 영상은 망막 모양 정보를 포함하는 것을 특징으로 하는 딥러닝 기반 두꺼운 맥락막 질환 진단 장치
|
| 20 |
20
제17 항에 있어서, 상기 딥러닝부는,광간섭 단층촬영 제1 영상에 대응하는 출력 값(ground truth)에 미리 수집한 망막 두께 정보를 매칭하여 제1 학습데이터셋을 구축하고, 광간섭 단층촬영 제2 영상에 대응하는 출력 값(ground truth)에 미리 수집한 망막 모양 정보를 매칭하여 제2 학습데이터셋을 구축하고,상기 제1 학습데이터셋을 상기 제1 딥 뉴럴 네트워크에 입력하고 상기 제2 학습데이터셋을 상기 제2 딥 뉴럴 네트워크에 입력하여, 상기 제1 딥 뉴럴 네트워크를 통해 상기 제1 학습데이터셋의 제1 특징 값들을 생성하고 상기 제2 딥 뉴럴 네트워크를 통해 상기 제2 학습데이터셋의 제2 특징 값들을 생성하고,상기 제1 학습 데이터셋 및 상기 제2 학습데이터셋 생성 동작, 상기 제1 특징값들 생성 동작 및 상기 제2 특징값들 생성 동작을 반복 수행함으로써 상기 제1 딥 뉴럴 네트워크와 상기 제2 딥 뉴럴 네트워크를 병렬로 기계학습하는 것을 특징으로 하는 딥러닝 기반 두꺼운 맥락막 질환 진단 장치
|
