KR102071774B1 - Method for predicting cardio-cerebrovascular disease using eye image - Google Patents
Method for predicting cardio-cerebrovascular disease using eye image Download PDFInfo
- Publication number
- KR102071774B1 KR102071774B1 KR1020170175865A KR20170175865A KR102071774B1 KR 102071774 B1 KR102071774 B1 KR 102071774B1 KR 1020170175865 A KR1020170175865 A KR 1020170175865A KR 20170175865 A KR20170175865 A KR 20170175865A KR 102071774 B1 KR102071774 B1 KR 102071774B1
- Authority
- KR
- South Korea
- Prior art keywords
- marker
- model
- disease
- subject
- cardiovascular disease
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 208000026106 cerebrovascular disease Diseases 0.000 title description 7
- 208000024172 Cardiovascular disease Diseases 0.000 claims abstract description 72
- 239000003550 marker Substances 0.000 claims description 63
- 210000005252 bulbus oculi Anatomy 0.000 claims description 31
- 210000001508 eye Anatomy 0.000 claims description 29
- 201000010099 disease Diseases 0.000 claims description 19
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 19
- 230000036772 blood pressure Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 8
- 210000002216 heart Anatomy 0.000 claims description 6
- 238000010998 test method Methods 0.000 claims description 6
- 210000004351 coronary vessel Anatomy 0.000 claims description 5
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 claims description 4
- 229910052791 calcium Inorganic materials 0.000 claims description 4
- 239000011575 calcium Substances 0.000 claims description 4
- 238000002591 computed tomography Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000002604 ultrasonography Methods 0.000 claims description 2
- 201000001320 Atherosclerosis Diseases 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 claims 1
- 230000000747 cardiac effect Effects 0.000 abstract description 3
- 210000004556 brain Anatomy 0.000 abstract description 2
- 208000019553 vascular disease Diseases 0.000 abstract 1
- 238000012014 optical coherence tomography Methods 0.000 description 56
- 238000003384 imaging method Methods 0.000 description 12
- 238000013135 deep learning Methods 0.000 description 10
- 210000004204 blood vessel Anatomy 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000002526 effect on cardiovascular system Effects 0.000 description 6
- 230000014759 maintenance of location Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 210000001525 retina Anatomy 0.000 description 5
- 206010003211 Arteriosclerosis coronary artery Diseases 0.000 description 4
- 230000006378 damage Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000002583 angiography Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000017531 blood circulation Effects 0.000 description 3
- 239000002872 contrast media Substances 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000717 retained effect Effects 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- 208000011775 arteriosclerosis disease Diseases 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- GNBHRKFJIUUOQI-UHFFFAOYSA-N fluorescein Chemical compound O1C(=O)C2=CC=CC=C2C21C1=CC=C(O)C=C1OC1=CC(O)=CC=C21 GNBHRKFJIUUOQI-UHFFFAOYSA-N 0.000 description 2
- 210000001328 optic nerve Anatomy 0.000 description 2
- 210000001210 retinal vessel Anatomy 0.000 description 2
- 238000003325 tomography Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 206010025421 Macule Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 210000001715 carotid artery Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 210000003161 choroid Anatomy 0.000 description 1
- 238000004624 confocal microscopy Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 208000030533 eye disease Diseases 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 208000017169 kidney disease Diseases 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000004126 nerve fiber Anatomy 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 210000005259 peripheral blood Anatomy 0.000 description 1
- 239000011886 peripheral blood Substances 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002207 retinal effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
- 210000004291 uterus Anatomy 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0891—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of blood vessels
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Vascular Medicine (AREA)
- Radiology & Medical Imaging (AREA)
- Cardiology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Ophthalmology & Optometry (AREA)
- Pulmonology (AREA)
- Theoretical Computer Science (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
- Eye Examination Apparatus (AREA)
Abstract
컴퓨터가 대상체의 안구영상을 획득하는 단계 및 상기 안구영상과 심뇌혈관 질환 판단을 위한 하나 이상의 마커 간의 상관관계에 기초하여 상기 대상체의 심뇌혈관 질환여부를 예측하는 단계를 포함하는, 안구영상을 이용한 심뇌혈관 질환 예측방법이 개시된다.Computing the eye image of the subject and predicting the cardiovascular disease of the subject based on the correlation between the eye image and one or more markers for determining the cardiovascular disease, cardiac brain using the eye image A method for predicting vascular disease is disclosed.
Description
본 발명은 안구영상을 이용한 심뇌혈관 질환 예측방법에 관한 것이다. The present invention relates to a method for predicting cardiovascular disease using eye images.
OCT(Optical Coherence Tomography) 영상은 광 간섭 단층 촬영이라고도 하며, 빛을 사용하여 광학 산란 매체 (예: 생물 조직) 내에서 마이크로 미터 해상도의 3 차원 이미지를 캡처하는 의료 영상 기술이다.Optical Coherence Tomography (OCT) imaging, also known as optical coherence tomography, is a medical imaging technique that uses light to capture micrometer-resolution three-dimensional images in optical scattering media (such as biological tissue).
이는 일반적으로 근적외선을 사용하는 저 간섭 성질을 이용한 간섭계를 기반으로 한다. 비교적 긴 파장 빛을 사용하면 산란 매질 내로 침투할 수 있다. 또 다른 광학 기술인 공 촛점 현미경 (confocal microscopy)은 일반적으로 샘플에 덜 깊숙이 침투하지만 해상도는 더 높다.It is generally based on interferometers with low interference properties using near infrared. Using relatively long wavelength light can penetrate into the scattering medium. Another optical technique, confocal microscopy, generally penetrates deeper into the sample but with higher resolution.
광원 (고휘도 다이오드, 매우 짧은 펄스 레이저 및 장기간 연속 레이저가 사용됨)의 특성에 따라 광학 간섭 단층 촬영은 서브 마이크로 미터 분해능 (~ 100 nm 파장 범위에서 방출되는 매우 넓은 스펙트럼 소스를 가짐)을 가진다.Depending on the nature of the light source (high brightness diodes, very short pulse lasers and long term continuous lasers), optical coherence tomography has a submicrometer resolution (with a very broad spectral source emitted in the wavelength range of ~ 100 nm).
최근에는 딥 러닝을 이용하여 다양한 의료영상을 처리하여 필요한 정보를 획득하는 방법에 대한 개발이 활발하게 진행되고 있다. Recently, development of a method of acquiring necessary information by processing various medical images using deep learning has been actively conducted.
딥 러닝은 여러 비선형 변환기법의 조합을 통해 높은 수준의 추상화(abstractions, 다량의 데이터나 복잡한 자료들 속에서 핵심적인 내용 또는 기능을 요약하는 작업)를 시도하는 기계학습 알고리즘의 집합으로 정의된다. 딥 러닝은 큰 틀에서 사람의 사고방식을 컴퓨터에게 가르치는 기계학습의 한 분야로 볼 수 있다. Deep learning is defined as a set of machine learning algorithms that attempts to achieve high levels of abstraction (summarizing key content or functions in large amounts of data or complex data) through a combination of several nonlinear transformations. Deep learning can be seen as a field of machine learning that teaches computers how people think in a large framework.
본 발명이 해결하고자 하는 과제는 안구영상을 이용한 심뇌혈관 질환 예측방법을 제공하는 것이다.The problem to be solved by the present invention is to provide a cardiovascular disease prediction method using an eye image.
본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.Problems to be solved by the present invention are not limited to the above-mentioned problems, and other problems not mentioned will be clearly understood by those skilled in the art from the following description.
상술한 과제를 해결하기 위한 본 발명의 일 면에 따른 안구영상을 이용한 심뇌혈관 질환 예측방법은, 컴퓨터가 대상체의 안구영상을 획득하는 단계 및 상기 안구영상과 심뇌혈관 질환 판단을 위한 하나 이상의 마커 간의 상관관계에 기초하여 상기 대상체의 심뇌혈관 질환여부를 예측하는 단계를 포함한다.Cardiovascular disease prediction method using an eye image according to an aspect of the present invention for solving the above problems, the step of the computer acquiring the eye image of the subject and the one or more markers for determining the eye image and cardiovascular disease Predicting cardiovascular disease of the subject based on the correlation.
또한, 상기 하나 이상의 마커는, 심뇌혈관 질환여부를 판단하기 위하여 이용되는 하나 이상의 검사방법에 따른 검사결과로부터 도출되는 값인 것을 특징으로 할 수 있다.In addition, the at least one marker may be a value derived from a test result according to at least one test method used to determine whether a cardiovascular disease.
또한, 상기 하나 이상의 검사방법은, 심장 및 관상동맥에 대한 CT 촬영, 초음파 검사 및 혈압 검사 중 적어도 하나를 포함할 수 있다.In addition, the at least one test method may include at least one of a CT scan, an ultrasound test, and a blood pressure test of the heart and the coronary artery.
또한, 상기 도출되는 값은, 혈관 내 칼슘지수, 혈관의 두께, 중심혈압(Central Blood Pressure) 및 동맥경화도(PWV) 중 적어도 하나를 포함할 수 있다.In addition, the derived value may include at least one of intravascular calcium index, vessel thickness, central blood pressure, and arterial sclerosis (PWV).
또한, 상기 심뇌혈관 질환여부를 예측하는 단계는, 상기 하나 이상의 마커 값이 라벨링된 안구영상을 이용하여 학습된 모델을 이용하여, 상기 획득된 안구영상에 대응하는 하나 이상의 마커 값을 예측하는 단계를 포함할 수 있다.In addition, the predicting of the cardio- cerebrovascular disease may include predicting one or more marker values corresponding to the obtained eye images by using a model trained using the eye images labeled with one or more marker values. It may include.
또한, 상기 심뇌혈관 질환여부를 예측하는 단계는, 상기 예측된 하나 이상의 마커 값을 이용하여 상기 대상체의 심뇌혈관 질환여부를 예측하는 단계를 포함할 수 있다.In addition, predicting whether the cardio- cerebrovascular disease, may include predicting whether the cardiovascular disease of the subject using the predicted one or more marker values.
또한, 상기 심뇌혈관 질환여부를 예측하는 단계는, 상기 하나 이상의 마커 값이 라벨링된 안구영상을 이용하여 학습된 모델을 이용하여, 상기 획득된 안구영상에 대응하는 상기 대상체의 심뇌혈관 질환여부를 예측하는 단계를 포함할 수 있다.The predicting of the cardiovascular disease may include predicting the cardiovascular disease of the subject corresponding to the acquired eye image, using a model trained using the eye image labeled with one or more marker values. It may include the step.
또한, 상기 학습된 모델을 이용하여 안구영상과 상관관계를 갖는 새로운 마커를 추출하는 단계 및 상기 추출된 새로운 마커 값이 라벨링된 안구영상을 이용하여 상기 모델을 다시 학습시키는 단계를 더 포함할 수 있다.The method may further include extracting a new marker having a correlation with the eye image using the trained model, and retraining the model using the eye image labeled with the extracted new marker value. .
또한, 상기 다시 학습된 모델을 이용하여, 상기 획득된 안구영상에 대응하는 상기 대상체의 심뇌혈관 질환여부를 예측하는 단계를 더 포함할 수 있다.The method may further include predicting cardiovascular disease of the subject corresponding to the obtained eye image by using the retrained model.
상술한 과제를 해결하기 위한 본 발명의 일 면에 따른 컴퓨터프로그램은, 하드웨어인 컴퓨터와 결합되어 안구영상을 이용한 심뇌혈관 질환 예측방법을 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장된다.A computer program according to an aspect of the present invention for solving the above problems is stored in a computer-readable recording medium that can be combined with a computer, which is hardware, to perform a cardiovascular disease prediction method using an eye image.
본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.Other specific details of the invention are included in the detailed description and drawings.
개시된 실시 예에 따르면, OCT 영상을 포함하는 안구영상을 이용하여 대상체의 심뇌혈관 질환 보유여부를 용이하게 도출해낼 수 있는 효과가 있다.According to the disclosed embodiment, an ocular image including an OCT image may be used to easily derive cardiovascular disease retention of a subject.
또한, 하나 이상의 마커를 활용하여 대상체의 심뇌혈관 질환 보유여부를 판단함으로써, 더 정확하고 다각적인 검토가 가능해지는 효과가 있다.In addition, by determining whether the subject possesses cardiovascular disease by using one or more markers, there is an effect that enables more accurate and multifaceted examination.
본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.Effects of the present invention are not limited to the above-mentioned effects, and other effects not mentioned will be clearly understood by those skilled in the art from the following description.
도 1은 일 실시 예에 따른 안구영상 분석시스템을 간략하게 도시한 개념도이다.
도 2는 일 실시 예에 따른 안구영상을 이용한 심뇌혈관 질환 예측방법을 도시한 흐름도이다.
도 3은 안구영상을 이용하여 대상체의 심뇌혈관 질환을 예측하는 일 예를 도시한 도면이다.
도 4는 하나 이상의 마커를 이용하여 안구영상으로부터 대상체의 심뇌혈관 질환여부를 판단하는 방법의 일 예를 도시한 도면이다.
도 5는 일 실시 예에 따라 새로운 마커를 추출하는 방법을 도시한 도면이다.1 is a conceptual diagram schematically illustrating an eyeball image analyzing system according to an exemplary embodiment.
2 is a flowchart illustrating a method for predicting cardiovascular disease using eye images according to an embodiment.
3 is a diagram illustrating an example of predicting a cardiovascular disease of a subject by using an eyeball image.
4 is a diagram illustrating an example of a method of determining whether a subject has cardiovascular or cerebrovascular disease from an eyeball image using one or more markers.
5 is a diagram illustrating a method of extracting a new marker according to one embodiment.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. Advantages and features of the present invention, and methods for achieving them will be apparent with reference to the embodiments described below in detail in conjunction with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below but may be embodied in various different forms, only the present embodiments are intended to complete the disclosure of the present invention, and those skilled in the art It is provided to fully inform the skilled person of the scope of the invention, which is defined only by the scope of the claims.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.The terminology used herein is for the purpose of describing particular embodiments only and is not intended to be limiting of the invention. In this specification, the singular also includes the plural unless specifically stated otherwise in the phrase. As used herein, “comprises” and / or “comprising” does not exclude the presence or addition of one or more other components in addition to the mentioned components. Like reference numerals refer to like elements throughout, and "and / or" includes each and all combinations of one or more of the mentioned components. Although "first", "second", etc. are used to describe various components, these components are of course not limited by these terms. These terms are only used to distinguish one component from another. Therefore, of course, the first component mentioned below may be the second component within the technical spirit of the present invention.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.Unless otherwise defined, all terms used in the present specification (including technical and scientific terms) may be used in a sense that can be commonly understood by those skilled in the art. In addition, terms that are defined in a commonly used dictionary are not ideally or excessively interpreted unless they are specifically defined clearly.
명세서에서 사용되는 "부" 또는 “모듈”이라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, "부" 또는 “모듈”은 어떤 역할들을 수행한다. 그렇지만 "부" 또는 “모듈”은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부" 또는 “모듈”은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부" 또는 “모듈”은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 "부" 또는 “모듈”들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부" 또는 “모듈”들로 결합되거나 추가적인 구성요소들과 "부" 또는 “모듈”들로 더 분리될 수 있다.The term "part" or "module" as used herein refers to a hardware component such as software, FPGA or ASIC, and the "part" or "module" plays certain roles. However, "part" or "module" is not meant to be limited to software or hardware. The “unit” or “module” may be configured to be in an addressable storage medium or may be configured to play one or more processors. Thus, as an example, a "part" or "module" may include components such as software components, object-oriented software components, class components, and task components, processes, functions, properties, Procedures, subroutines, segments of program code, drivers, firmware, microcode, circuits, data, databases, data structures, tables, arrays, and variables. Functions provided within components and "parts" or "modules" may be combined into smaller numbers of components and "parts" or "modules" or into additional components and "parts" or "modules". Can be further separated.
공간적으로 상대적인 용어인 "아래(below)", "아래(beneath)", "하부(lower)", "위(above)", "상부(upper)" 등은 도면에 도시되어 있는 바와 같이 하나의 구성요소와 다른 구성요소들과의 상관관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용시 또는 동작시 구성요소들의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들어, 도면에 도시되어 있는 구성요소를 뒤집을 경우, 다른 구성요소의 "아래(below)"또는 "아래(beneath)"로 기술된 구성요소는 다른 구성요소의 "위(above)"에 놓여질 수 있다. 따라서, 예시적인 용어인 "아래"는 아래와 위의 방향을 모두 포함할 수 있다. 구성요소는 다른 방향으로도 배향될 수 있으며, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.The spatially relative terms " below ", " beneath ", " lower ", " above ", " upper " It can be used to easily describe a component and its correlation with other components. Spatially relative terms are to be understood as including terms in different directions of components in use or operation in addition to the directions shown in the figures. For example, when flipping a component shown in the drawing, a component described as "below" or "beneath" of another component may be placed "above" the other component. Can be. Thus, the exemplary term "below" can encompass both an orientation of above and below. Components may be oriented in other directions as well, so spatially relative terms may be interpreted according to orientation.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다. Hereinafter, with reference to the accompanying drawings will be described an embodiment of the present invention;
본 명세서에서 "영상"은 이산적인 영상 요소들(예를 들어, 2차원 영상에 있어서의 픽셀들 및 3차원 영상에 있어서의 복셀들)로 구성된 다차원(multi-dimensional) 데이터를 의미할 수 있다.As used herein, “image” may mean multi-dimensional data composed of discrete image elements (eg, pixels in a 2D image and voxels in a 3D image).
본 명세서에서 "대상체(object)"는 사람 또는 동물, 또는 사람 또는 동물의 일부 또는 전부일수 있다. 예를 들어, 대상체는 간, 심장, 자궁, 뇌, 유방, 복부 등의 장기, 및 혈관 중 적어도 하나를 포함할 수 있다.As used herein, an "object" may be a person or an animal, or part or all of a person or an animal. For example, the subject may include at least one of an organ, such as the liver, heart, uterus, brain, breast, abdomen, and blood vessels.
본 명세서에서 "사용자"는 의료 전문가로서 의사, 간호사, 임상 병리사, 의료 영상 전문가 등이 될 수 있으며, 의료 장치를 수리하는 기술자가 될 수 있으나, 이에 한정되지 않는다.In the present specification, the "user" may be a doctor, a nurse, a clinical pathologist, a medical imaging expert, or the like, and may be a technician who repairs a medical device, but is not limited thereto.
도 1은 일 실시 예에 따른 안구영상 분석시스템을 간략하게 도시한 개념도이다.1 is a conceptual diagram schematically illustrating an eyeball image analyzing system according to an exemplary embodiment.
도 1을 참조하면, 안구영상 촬영장치(10), 사용자 클라이언트(20) 및 서버(100)를 포함한다.Referring to FIG. 1, an
일 실시 예에서, 안구영상 촬영장치(10)는 대상체의 안구 영상을 촬영할 수 있는 모든 형태의 장치를 포함한다. In one embodiment, the eyeball
예를 들어, 안구영상 촬영장치(10)는 대상체의 안저(Fundus)를 촬영하는 안저영상 촬영장치일 수 있다. 안저영상 촬영장치는 대상체의 동공을 통하여 안구 내의 유리체, 망막, 맥락막, 시신경유두 등을 촬영한다.For example, the ocular
또한, 안구영상 촬영장치(10)는 대상체의 안구의 망막 부근을 단층별로 촬영하는 OCT 장치일 수 있다. OCT 장치는 대상체의 망막신경섬유층, 시신경유두 및 황반부 등에 대한 정보를 획득할 수 있다.In addition, the
일 실시 예에서, 사용자 클라이언트(20)는 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치의 사용자 클라이언트를 의미하고, 서버(100)는 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치를 의미한다.In one embodiment, the
일 실시 예에서, 안구영상 촬영장치(10)와 사용자 클라이언트(20)는 하나의 장치에 내장되어 있을 수도 있고, 안구영상 촬영장치(10)가 사용자 클라이언트(20)와 물리적 또는 전기적으로 연결되어 이용될 수도 있다.In one embodiment, the
사용자 클라이언트(20)는 안구영상 촬영장치(10)로부터 대상체의 안구영상을 획득한다.The
사용자 클라이언트(20)는 획득된 안구영상을 서버(100)에 전송한다.The
서버(100)는 사용자 클라이언트(20)로부터 획득된 안구영상을 분석하고, 분석 결과를 사용자 클라이언트(20)에 전송한다.The
일 실시 예에서, 사용자 클라이언트(20)와 서버(100)가 분리되지 않고, 사용자 클라이언트(20)가 획득된 안구영상을 분석하고, 분석 결과를 사용자에게 제공할 수도 있다.In an embodiment, the
대상체의 안구 내부를 보여주는 안저사진을 분석하는 작업은 난이도가 높아서, 일반적으로 안과 전문의가 그 분석을 수행하고 있다. 개시된 실시 예에 따르면, 안과 전문의가 상주하지 않는 의료기관에서도 안저영상 촬영장치가 구비되는 경우 사용자 클라이언트(20) 또는 서버(100)의 분석에 의해 대상체의 질병 보유여부를 판단할 수 있다.Analyzing the fundus photograph showing the inside of the eyeball of the subject is difficult, and the ophthalmologist generally performs the analysis. According to the disclosed embodiment, even if a medical institution in which an ophthalmologist does not reside, the fundus image photographing apparatus may be provided, it may be determined whether the subject has disease by analyzing the
일 실시 예에서, 사용자 클라이언트(20) 또는 서버(100)의 판단결과는 일반의 또는 전문의의 판단을 보조하는 데 이용될 수도 있다.In an embodiment, the determination result of the
일 실시 예에서, 사용자 클라이언트(20) 또는 서버(100)는 판단결과 대상체가 질병을 보유하지 않은 것으로 판단되는 경우 판단결과를 사용자에게 제공하고, 대상체가 질병을 보유한 것으로 판단되는 경우 대상체의 안구영상을 재검토 대상으로 분류할 수 있다.In an embodiment, the
재검토 대상으로 분류된 안구영상은 최초 판단시와 동일하거나 상이한 알고리즘을 이용하여 질병 보유여부가 판단되고, 나아가 보유한 질병의 종류 또한 판단될 수 있다. 일 실시 예에서, 재검토 대상으로 분류된 안구영상은 전문의의 판독을 통해 질병 보유여부 및 보유한 질병의 종류가 결정되고, 판독 결과가 사용자 클라이언트(20) 또는 서버(100)를 통해 사용자에게 제공될 수도 있다.Eye images classified as subjects to be reviewed may be determined by using the same or different algorithm as the initial determination, and furthermore, the types of the retained diseases may be determined. In an embodiment, the eye image classified as a subject to be reviewed may determine whether the disease is retained and the type of disease retained by a specialist, and the reading result may be provided to the user through the
개시된 실시 예에 따르면, 당뇨병 환자와 같이 자주 안저 검사를 받아야 하는 환자가 매번 전문의를 만나지 않아도, 쉽게 자주 안저검사를 받을 수 있어 환자와 의사의 편의가 향상되는 효과가 있다. According to the disclosed embodiment, even if a patient who needs to undergo frequent fundus examination, such as a diabetic patient, does not have to see a specialist every time, the patient can easily undergo fundus examination, thereby improving convenience of a patient and a doctor.
개시된 실시 예에서, 대상체의 안구영상을 획득하는 데 조영술(Angiography)이 활용될 수 있다.In the disclosed embodiment, angiography may be used to acquire an eye image of the subject.
조영술은 특히 대상체의 혈관을 구체적으로 관찰하기 위하여 이용되는 방법으로, 대상체에 조영제를 투여하는 방식으로 이루어진다.Imaging is a method used to specifically observe blood vessels in a subject, by administering a contrast agent to the subject.
예를 들어, 형광안저조영술(Fluorescein Fundus Angiography, FA)는 형광색소인 플루오레세인을 대상체에 투여하여 대상체의 안저영상을 촬영하는 방법이다. 이 경우, 대상체의 안구 내 혈관의 혈류변화와, 대상체의 망막혈관의 손상정도 등에 대한 정보를 획득할 수 있다.For example, Fluorescein Fundus Angiography (FA) is a method of taking a fundus image of a subject by administering a fluorescent pigment, fluorescein, to the subject. In this case, information about blood flow change of the blood vessels in the eyeball of the subject and the degree of damage of the retinal vessel of the subject may be obtained.
다른 예로, OCT(Optical Computed Tomography) 조영술(Angiography)을 이용하면, 눈 혈관의 움직임을 관찰하고, 대상체의 안구 내 혈관의 혈류변화와, 대상체의 망막혈관의 손상정도 등에 대한 정보를 획득할 수 있다. 이에 더하여, OCT 조영술은 혈관의 단층별 변화를 촬영할 수 있어, 미세한 혈류변화와 국소적 혈관의 손상정도를 파악할 수 있는 장점이 있다.As another example, using optical computed tomography (OCT) angiography, the movement of eye blood vessels can be observed, and information on blood flow changes in the blood vessels of the eyeball and the degree of damage of the subject's retinal blood vessels can be obtained. . In addition, OCT imaging can capture changes in blood vessels tomography, and thus, there is an advantage of detecting minute blood flow changes and local blood vessel damage.
또한, OCT 조영술은 조영제를 사용할 필요가 없는 완전한 비침습적 방법으로서 조영제의 부작용을 우려하지 않아도 되는 장점이 있다.In addition, OCT contrast is a complete non-invasive method that does not need to use the contrast agent has the advantage of not having to worry about the side effects of the contrast agent.
개시된 실시 예에서, 서버(100)는 라벨링된 안구 영상들을 이용하여 미리 학습된 모델을 저장한다. 서버(100)는 대상체의 안저 영상을 모델에 입력하여 대상체의 질병 보유여부를 판단한다.In the disclosed embodiment, the
예를 들어, 서버(100)는 대상체의 안저 영상을 이용하여 대상체의 안저의 정상 또는 비정상 여부를 판단한다. 즉, 서버(100)는 대상체의 안저 영상을 이용하여 대상체의 안구질환 보유여부를 판단한다.For example, the
다른 예로, 서버(100)는 조영술을 이용하여 촬영된 대상체의 안구 영상을 이용하여 대상체의 심장 또는 신장질환 보유여부를 판단한다. As another example, the
서버(100)는 상술한 방법들로 촬영된 다양한 형태의 안구 영상을 이용하여, 대상체의 다양한 질환 보유여부를 판단할 수 있다.The
이하에서는, 개시된 실시 예에 따른 바람직한 실시 예로서, OCT 촬영장치를 이용하여 획득된 대상체의 안구 OCT 영상을 이용하여, 대상체의 심뇌혈관 질환 보유여부를 판단하는 방법에 대하여 설명한다. 하지만, 개시된 실시 예에 따른 심뇌혈관 질환 예측방법은 안구 OCT를 이용하는 방법에 제한되지 않고, 모든 종류의 안구영상을 이용하는 것을 포괄하는 것으로 이해된다. 또한, 개시된 실시 예에 따른 심뇌혈관 질환 예측방법은, 모든 종류의 망막 및 안구검사를 통하여 획득된 정보를 이용하여 대상체의 심뇌혈관 질환을 예측하는 데에도 적용될 수 있다.Hereinafter, as a preferred embodiment according to the disclosed embodiment, a method of determining whether a subject possesses cardiovascular disease by using an OCT image of an object acquired using an OCT imaging apparatus will be described. However, the cardiovascular disease prediction method according to the disclosed embodiment is not limited to the method using the ocular OCT, it is understood to encompass the use of all kinds of eye images. In addition, the cardiovascular disease prediction method according to the disclosed embodiment can be applied to predict the cardiovascular disease of the subject using information obtained through all kinds of retina and eye examination.
도 2는 일 실시 예에 따른 안구영상을 이용한 심뇌혈관 질환 예측방법을 도시한 흐름도이다.2 is a flowchart illustrating a method for predicting cardiovascular disease using eye images according to an embodiment.
도 2는 개시된 실시 예에 따른 대상체의 안구영상을 분석하는 방법을 수행하기 위하여 도 1에 도시된 사용자 클라이언트(20) 또는 서버(100)가 수행하는 각 단계들을 시계열적으로 도시한 것이다. 2 is a time series illustrating each step performed by the
이하에서는, 설명의 편의를 위하여 각 단계들을 서버(100)가 수행하는 것으로 설명한다. 하지만, 도 2에 도시된 각 단계들의 전부 또는 적어도 일부는 사용자 클라이언트(20) 또는 서버(100) 각각에서 모두 수행될 수 있다.Hereinafter, for convenience of description, it will be described that the
단계 S210에서, 서버(100)는 대상체의 안구에 대한 OCT(Optical Coherence Tomography) 영상을 획득한다.In operation S210, the
OCT 영상은 주로 대상체의 망막 부분을 촬영한 영상이며, 망막의 두께, 손상정도, 혈관의 상태 등에 기초하여 심뇌혈관 질환여부를 판단하는 지표로서 활용될 수 있다.The OCT image is mainly an image of the retina of the subject, and may be used as an indicator for determining whether cardiac cerebrovascular disease is based on the thickness of the retina, the degree of injury, and the state of blood vessels.
단계 S220에서, 서버(100)는 단계 S210에서 획득된 대상체의 안구 OCT 영상에 기초하여 대상체의 심뇌혈관 질환여부를 예측한다. In operation S220, the
도 3을 참조하면, 안구영상을 이용하여 대상체의 심뇌혈관 질환을 예측하는 일 예가 도시되어 있다.Referring to FIG. 3, an example of predicting a cardiovascular disease of a subject using an eyeball image is illustrated.
일 실시 예에서, 서버(100)는 OCT 영상(300)과 심뇌혈관 질환 간의 상관관계를 도출함으로써, OCT 영상(300)으로부터 대상체의 심뇌혈관 질환 보유여부를 판단할 수 있는 모델을 획득할 수 있다.In an embodiment, the
일 실시 예에서, 모델은 심뇌혈관 질환 보유여부가 라벨링된 OCT 영상들을 학습 데이터로 이용하여 학습된 모델일 수 있다.In one embodiment, the model may be a model trained using OCT images labeled as having cardiovascular disease as training data.
일 실시 예에서, 모델을 학습시키는 데에는 딥 러닝이 사용될 수 있다. In one embodiment, deep learning may be used to train the model.
딥 러닝은 여러 비선형 변환기법의 조합을 통해 높은 수준의 추상화(abstractions, 다량의 데이터나 복잡한 자료들 속에서 핵심적인 내용 또는 기능을 요약하는 작업)를 시도하는 기계학습 알고리즘의 집합으로 정의된다. 딥 러닝은 큰 틀에서 사람의 사고방식을 컴퓨터에게 가르치는 기계학습의 한 분야로 볼 수 있다. Deep learning is defined as a set of machine learning algorithms that attempts to achieve high levels of abstraction (summarizing key content or functions in large amounts of data or complex data) through a combination of several nonlinear transformations. Deep learning can be seen as a field of machine learning that teaches computers how people think in a large framework.
어떠한 데이터가 있을 때 이를 컴퓨터가 알아 들을 수 있는 형태(예를 들어 영상의 경우는 픽셀정보를 열벡터로 표현하는 등)로 표현(representation)하고 이를 학습에 적용하기 위해 많은 연구(어떻게 하면 더 좋은 표현기법을 만들고 또 어떻게 이것들을 학습할 모델을 만들지에 대한)가 진행되고 있다. 이러한 노력의 결과로 다양한 딥 러닝 기법들이 개발되었다. 딥 러닝 기법들로는 심층 신경망(Deep Neural Networks, DNN), 합성곱 신경망(Convolutional deep Neural Networks, CNN), 순환 신경망(Reccurent Neural Network, RNN) 및 심층 신뢰 신경망(Deep Belief Networks, DBN)을 예로 들 수 있다. When there is any data, it is represented in a form that can be understood by a computer (for example, in the case of an image, the pixel information is represented by a column vector), and a lot of research is performed to apply it to learning. How to create expression techniques and how to build models to learn them). As a result of these efforts, various deep learning techniques have been developed. Deep learning techniques include Deep Neural Networks (DNN), Convolutional Deep Neural Networks (CNN), Reccurent Neural Networks (RNN), and Deep Belief Networks (DBN). have.
심층 신경망(Deep Neural Networks, DNN)은 입력 계층(input layer)과 출력 계층(output layer) 사이에 복수개의 은닉 계층(hidden layer)들로 이뤄진 인공신경망(Artificial Neural Network, ANN)이다.Deep Neural Networks (DNNs) are artificial neural networks (ANNs) made up of a plurality of hidden layers between an input layer and an output layer.
상술한 알고리즘 또는 학습방법은 예시로서 서술된 것이며, 개시된 실시 예에 따른 제1 모델은 어떠한 학습방법에 의하여서도 학습될 수 있다. 예를 들어, 개시된 실시 예에 따른 제1 모델은 입력 데이터와 출력 데이터가 학습 데이터로서 제공되는 지도 학습(supervised learning), 별도의 라벨링된 데이터가 제공되지 않는 비지도 학습(unsupervised learning), 학습 결과에 대한 피드백이 제공되는 강화학습(reinforcement learning) 등에 의하여 학습될 수 있으나, 이에 제한되지 않는다.The above-described algorithm or learning method is described as an example, and the first model according to the disclosed embodiment may be learned by any learning method. For example, the first model according to the disclosed embodiment includes supervised learning in which input data and output data are provided as learning data, unsupervised learning in which no separate labeled data is provided, and learning results. Feedback may be provided by reinforcement learning, for example, but is not limited thereto.
개시된 실시 예에서, 모델은 라벨링된 데이터와 CNN을 이용하여 학습될 수 있으나, 모델의 학습방법은 이에 제한되지 않는다.In the disclosed embodiment, the model may be trained using the labeled data and the CNN, but the method of learning the model is not limited thereto.
즉, OCT 영상(300)에 나타나는 특징과 심뇌혈관 질환의 발생여부 간의 상관관계를 반영하는 모델을 딥 러닝으로 학습시키고, 학습된 모델을 이용하여 대상체의 안구 OCT 영상만으로도 심뇌혈관 질환 보유여부를 판단할 수 있다.That is, a model that reflects the correlation between the characteristics of the
나아가, 개시된 실시 예에 따르면 OCT 영상(300)을 대상체의 심뇌혈관 질환여부와 직접적으로 연계시키는 것 외에도, 다양한 방법을 통해 직간접적, 또는 우회적으로 대상체의 OCT 영상(300)으로부터 대상체의 심뇌혈관 질환여부를 판단할 수 있다. Furthermore, according to the disclosed embodiment, in addition to directly linking the
후술할 다양한 방법들을 통해 대상체의 심뇌혈관 질환여부를 판단함으로써, 판단결과에 대한 교차검사를 수행하거나, 복수의 판단결과들을 종합함으로써 더욱 정확하게 대상체의 심뇌혈관 질환 보유여부를 판단할 수 있다.By determining whether the subject has cardiovascular disease through various methods to be described later, it is possible to determine whether the subject possesses cardiovascular disease by performing a cross-check on the determination result or by combining a plurality of determination results.
대상체의 심뇌혈관 질환 보유여부를 판단하기 위하여 이용되는 검사방법은 다양하다. OCT 영상을 이용하는 방법보다 더욱 직접적인 방법들로서, 대상체의 심뇌혈관 질환 보유여부를 판단하는 데 이용되는 다양한 마커들이 존재한다. There are a variety of test methods used to determine whether a subject has cardiovascular disease. As a more direct method than using the OCT image, there are various markers used to determine whether the subject has cardiovascular disease.
도 3을 참조하면, 대상체의 심뇌혈관 질환 보유여부를 판단하는 데 이용되는 제1 마커(410), 제2 마커(420) 및 제3 마커(430)가 도시되어 있다. 제1 마커(410) 내지 제3 마커(430)는 예시를 위하여 도시된 것이고, 대상체의 심뇌혈관 질환 보유여부를 판단하기 위하여 이용될 수 있는 마커의 종류나 수는 이에 제한되지 않는다.Referring to FIG. 3, a
예를 들어, 대상체의 심뇌혈관 질환 보유여부를 판단하는 데 이용되는 직접적인 마커로서, 관상동맥 CT 촬영 등을 통해 판단할 수 있는 대상체의 관상동맥 석회화 지수, 즉 대상체의 관상동맥 내의 칼슘 포함정도를 나타내는 지수가 활용될 수 있다.For example, as a direct marker used to determine whether a subject has cardiovascular disease, it indicates the coronary artery calcification index of the subject, which is determined by coronary CT, or the like, that is, the degree of calcium in the coronary artery of the subject. Indexes can be utilized.
또한, 대상체의 심뇌혈관 질환 보유여부를 판단하는 데 이용되는 직접적인 마커로서, 초음파 촬영 등을 이용하여 확인할 수 있는 대상체의 경동맥 두께나, 기타 다른 혈관(동맥 또는 정맥)의 두께가 활용될 수 있다.In addition, as a direct marker used to determine whether the subject possesses cardiovascular disease, the thickness of the carotid artery of the subject or other blood vessels (artery or vein), which can be confirmed by using ultrasound imaging, may be used.
또한, 대상체의 심뇌혈관 질환 보유여부를 판단하는 데 이용되는 직접적인 마커로서, 대상체의 중심혈압(Central Blood Pressure)이 이용될 수 있다. 중심혈압은 말초혈압보다 더 직접적인 심뇌혈관질환의 지표가 될 수 있다.In addition, as a direct marker used to determine whether the subject has cardiovascular disease, the central blood pressure of the subject may be used. Central blood pressure may be a more direct indicator of cardiovascular disease than peripheral blood pressure.
또한, 대상체의 심뇌혈관 질환 보유여부를 판단하는 데 이용되는 직접적인 마커로서, 동맥경화도(PWV)가 활용될 수 있다.In addition, arterial sclerosis (PWV) may be utilized as a direct marker used to determine whether the subject has cardiovascular disease.
또한, 대상체의 심뇌혈관 질환 보유여부를 판단하는 데 이용되는 직접적인 마커로서, 24시간 ABPM(Ambulatory Blood Pressure Monitoring) 결과가 활용될 수 있다. 24시간 ABPM은 활동혈압검사라고도 하며, 24시간동안 휴대형 자동혈압계로 활동 중의 혈압을 연속해서 측정하는 검사를 의미한다.In addition, the 24-hour ABPM (Ambulatory Blood Pressure Monitoring) result may be utilized as a direct marker used to determine whether the subject has cardiovascular disease. The 24-hour ABPM, also known as an active blood pressure test, refers to a test that continuously measures the blood pressure during activity with a portable automatic sphygmomanometer for 24 hours.
상술한, 대상체의 심뇌혈관 질환 보유여부를 판단하는 데 이용되는 직접적인 마커들은 OCT 촬영에 비해 복잡하거나, 시간이 오래 걸리거나, 비용이 많이 드는 검사들이다. The direct markers used to determine whether a subject has cardiovascular disease are complex, time consuming, or expensive tests compared to OCT imaging.
반면 OCT 촬영의 경우 OCT 장비만 있으면 전문의가 상주하지 않아도 간단히 촬영이 가능하며, 촬영된 영상이 서버를 통하여 판단되고, 대상체의 심뇌혈관 질환 보유여부를 판단한 뒤, 판단 결과에 따라 선택적으로 전문의에 의한 진료를 수행하도록 할 수 있으므로 접근성이 좋다. On the other hand, in the case of OCT photography, only the OCT equipment can be used to take pictures without the presence of a specialist, and the photographed images are judged through the server, and after determining whether the subject possesses cardiovascular disease, selectively by a specialist according to the judgment result. Good access because it allows you to carry out care.
심뇌혈관 질환에 노출되기 쉬운 노약자의 경우, 병원 접근성이 낮은 지역에 살고 있더라도 지역 의원이나 보건소 등에 OCT 장비만 구비되어 있으면, 개시된 실시 예에 따라 정기적으로 심뇌혈관 질환여부를 용이하게 검사받도록 할 수 있는 실익이 있다.In the case of the elderly who are susceptible to cardiovascular disease, even if they live in an area with low hospital access, if they have only OCT equipment in a local clinic or public health center, the cardiovascular disease can be easily checked regularly according to the disclosed embodiment. There is a profit.
나아가, 개시된 실시 예에서는 OCT 영상과 상술한 마커들 간의 상관관계를 판단하고, 그 상관관계에 기초하여 대상체의 심뇌혈관 질환여부를 예측할 수 있다. Furthermore, in the disclosed embodiment, the correlation between the OCT image and the markers described above may be determined, and the cardiovascular disease of the subject may be predicted based on the correlation.
도 4를 참조하면, 하나 이상의 마커를 이용하여 안구영상으로부터 대상체의 심뇌혈관 질환여부를 판단하는 방법의 일 예가 도시되어 있다.Referring to FIG. 4, an example of a method for determining whether a subject has cardiovascular disease from an eyeball image using one or more markers is illustrated.
일 실시 예에서, 서버(100)는 OCT 영상(300)에 적어도 하나의 마커 값을 라벨링한 학습 데이터를 이용하여, OCT 영상과 적어도 하나의 마커 간의 상관관계를 나타내는 모델을 학습시킬 수 있다.In an embodiment, the
예를 들어, 제1 마커(410)가 대상체의 관상동맥 석회화 지수(또는 칼슘 지수)라고 할 때, 서버(100)는 대상체의 관상동맥 석회화 지수가 라벨링된 OCT 영상들을 이용하여 모델을 학습시킬 수 있다.For example, when the
서버(100)는 학습된 모델에 대상체의 OCT 영상(300)을 입력하여, OCT 영상으로부터 대상체의 관상동맥 석회화 지수를 추정할 수 있다.The
마찬가지로, 서버(100)는 하나 이상의 마커들(예를 들어, 제1 마커(410) 내지 제3 마커(430)) 각각에 대하여 학습된 모델을 생성하거나, 복수의 마커들에 대하여 학습된 하나 이상의 모델을 생성할 수 있다.Similarly,
서버(100)는 도 3에서 설명한 바와 같이 OCT 영상으로부터 직접적으로 대상체의 심뇌혈관 질환 보유여부를 판단하는 모델을 이용하여 대상체의 심뇌혈관 질환 보유여부를 판단할 수 있다. As described with reference to FIG. 3, the
또한 서버(100)는 도 4에서 설명한 바와 같이 대상체의 심뇌혈관 질환 보유여부를 판단하는 데 이용되는 하나 이상의 마커에 대하여 학습된 모델을 이용하여 대상체의 OCT 영상으로부터 하나 이상의 마커 값을 추정하고, 추정된 마커 값에 기초하여 대상체의 심뇌혈관 질환 보유여부를 판단할 수 있다.In addition, as described in FIG. 4, the
또한, 서버(100)는 하나 이상의 마커 값에 기초하여 대상체의 심뇌혈관 질환 보유여부를 판단할 수 있는 모델을 생성할 수 있다. 하나 이상의 마커 값에 기초하여 대상체의 심뇌혈관 질환 보유여부를 판단할 수 있는 모델은 딥 러닝에 의하여 학습된 모델일 수도 있고, 단순히 소정의 기준에 따라 마커 값으로부터 대상체의 심뇌혈관 보유여부 또는 위험도를 판단할 수 있는 알고리즘으로 구성된 모델일 수도 있다.In addition, the
일 실시 예에서, 서버(100)는 대상체의 OCT 영상(300)으로부터 하나 이상의 마커 값을 추정할 수 있는 모델과, 하나 이상의 마커 값으로부터 대상체의 심뇌혈관 질환 보유여부 또는 위험도를 판단할 수 있는 모델을 이용하여 자동으로 대상체의 OCT 영상(300)으로부터 대상체의 심뇌혈관 질환 보유여부 또는 위험도를 판단할 수 있다. In one embodiment, the
일 실시 예에서, 서버(100)는 도 3에 도시된 방법에 따른 대상체의 심뇌혈관 질환 보유여부 판단방법과, 도 4에 도시된 방법에 따른, 하나 이상의 마커를 이용하여 대상체의 심뇌혈관 질환 보유여부를 판단하는 방법을 함께 이용하여 대상체의 심뇌혈관 질환 보유여부를 판단할 수 있다.In one embodiment, the
일 예로, 서버(100)는 도 3에 도시된 방법과 도 4에 도시된 방법을 각각 이용하여 대상체의 심뇌혈관 질환 보유여부를 판단하고, 각각의 판단결과를 비교할 수 있다. 서버(100)는 비교 결과가 일치하지 않으면 재검토를 수행하거나, 사용자에게 검토를 요청할 수 있다. For example, the
다른 예로, 서버(100)는 두 판단방법 중 하나라도 심뇌혈관 질환을 보유하거나 보유 위험성이 있는 것으로 판단되는 경우 정밀검사 대상으로 분류하고, 정밀검사를 요청할 수 있따.As another example, the
또한, 서버(100)는 두 판단방법 모두에 의해 심뇌혈관 질환 보유 또는 보유 위험성이 확인되어야 실제로 질환 보유 또는 질환 보유 위험성이 있는 것으로 판단할 수도 있다.In addition, the
또한, 서버(100)는 두 판단방법을 모두 고려하여, 대상체의 심뇌혈관 질환 보유 확률을 종합적으로 산출할 수도 있다.In addition, the
즉, 서버(100)는 대상체의 OCT 영상(300)으로부터 대상체의 심뇌혈관 질환여부를 판단할 수 있는 하나 이상의 마커를 추정하거나, 각각의 마커와의 상관관계에 기초하여 대상체의 심뇌혈관 질환 보유가능성(또는 위험성)을 판단할 수 있다. That is, the
도 5는 일 실시 예에 따라 새로운 마커를 추출하는 방법을 도시한 도면이다.5 is a diagram illustrating a method of extracting a new marker according to one embodiment.
일 실시 예에서, 서버(100)는 도 4에서 학습된 모델을 이용하여 OCT 영상과 상관관계를 갖는 새로운 마커를 추출할 수 있다.In an embodiment, the
예를 들어, 서버(100)는 도 4에서 학습된, OCT 영상과 하나 이상의 마커 간의 상관관계를 나타내는 학습된 모델을 이용하여, 새로운 제4 마커(440)가 대상체의 OCT 영상(300)과 소정의 상관관계를 갖는지 여부를 판단할 수 있다.For example, the
예를 들어, 도 4에서 학습된 모델에 제4 마커가 라벨링된 OCT 영상들을 학습 데이터로 추가하는 경우, 제4 마커를 소정의 확률 이상 추정할 수 있는 모델이 학습되는지 여부에 따라 새로운 제4 마커(440)가 대상체의 OCT 영상(300)과 소정의 상관관계를 갖는지 여부를 판단할 수 있다.For example, when adding OCT images labeled with a fourth marker to the model trained in FIG. 4 as training data, a new fourth marker according to whether a model capable of estimating the fourth marker more than a predetermined probability is trained. It may be determined whether 440 has a predetermined correlation with the
다른 예로, 도 4에서 학습된 모델에 제4 마커가 라벨링된 OCT 영상들을 학습 데이터로 추가하는 경우, 추가된 학습 데이터에 의하여 학습된 모델이 OCT 영상으로부터 대상체의 심뇌혈관 질환 보유여부를 소정의 확률 이상 추정해내는지 여부에 따라 새로운 제4 마커(440)가 대상체의 OCT 영상(300)과 소정의 상관관계를 갖는지 여부를 판단할 수 있다.As another example, when the OCT images labeled with the fourth marker are added to the model trained in FIG. 4 as the training data, the model trained by the added training data has a predetermined probability of having the cardiovascular disease of the subject from the OCT image. The new
또 다른 예로, 학습되지 않은 모델에 제4 마커가 라벨링된 OCT 영상들을 학습 데이터로 이용하여 학습을 수행하는 경우, 대상체의 OCT 영상으로부터 제4 마커를 소정의 확률 이상 추정할 수 있는 모델이 학습되는지 여부에 따라 새로운 제4 마커(440)가 대상체의 OCT 영상(300)과 소정의 상관관계를 갖는지 여부를 판단할 수 있다.As another example, when training is performed using OCT images labeled with a fourth marker on the untrained model as training data, is a model capable of estimating the fourth marker more than a predetermined probability from the OCT image of the object being trained? The new
새로운 마커를 추출하는 방법은 이에 제한되지 않으며, 서버(100)는 새로운 제4 마커(440)가 추출되는 경우, 제4 마커가 라벨링된 OCT 영상을 이용하여 기존의 모델을 다시 학습시키거나, 새로운 모델을 학습시킴으로써 대상체의 OCT 영상으로부터 제4 마커 또는 대상체의 심뇌혈관 질환 보유여부 및 위험성을 추정할 수 있는 모델을 획득할 수 있다.The method of extracting a new marker is not limited thereto, and when the new
서버(100)는 새롭게 획득된 모델 또는 새롭게 학습된 모델을 이용하여, 대상체의 OCT 영상(300)으로부터 대상체의 심뇌혈관 질환 보유여부 및 위험성을 판단할 수 있다.The
또한, 서버(100)는 심뇌혈관 질환 외에도 상술한 방법에 따라 OCT 영상(300)과 상관관계가 있는 다양한 마커들을 획득하여, 안구 OCT 영상(300)만으로도 대상체의 다양한 신체정보를 획득할 수 있는 모델을 획득할 수 있다. 이에 따라, 개시된 실시 예에 따른 방법으로 대상체의 안구 OCT 촬영으로 다양한 종류의 다른 검사방법을 대체하거나 보조할 수 있는 모델을 획득할 수 있다.In addition, the
본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.The steps of a method or algorithm described in connection with an embodiment of the present invention may be implemented directly in hardware, in a software module executed by hardware, or by a combination thereof. Software modules may include random access memory (RAM), read only memory (ROM), erasable programmable ROM (EPROM), electrically erasable programmable ROM (EEPROM), flash memory, hard disk, removable disk, CD-ROM, or It may reside in any form of computer readable recording medium well known in the art.
이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.In the above, embodiments of the present invention have been described with reference to the accompanying drawings, but those skilled in the art to which the present invention pertains may realize the present invention in other specific forms without changing the technical spirit or essential features thereof. I can understand that. Therefore, it should be understood that the embodiments described above are exemplary in all respects and not restrictive.
10: 안구영상 촬영장치
20: 사용자 클라이언트
100: 서버10: eyeball imaging device
20: user client
100: server
Claims (10)
상기 안구 영상으로부터 제1 마커에 대한 예측값들이 도출되되, 도출된 상기 제1 마커의 예측 값으로부터 제1 질환 여부를 예측한 제1 판단 결과를 획득하는 제1 모델-상기 제1 모델은 상기 제1 마커에 대한 예측값이 라벨링된 복수의 안구 영상 세트로 학습됨-을 포함하고,
상기 제1 모델에 제2 마커로 라벨링된 복수의 안구 영상 세트를 학습 데이터로 추가하여 제2 질환 여부를 예측하도록 다시 학습시킨 제2 모델이 획득되고,
상기 제1 마커는 심뇌혈관 질환 여부를 판단하기 위한 심장 또는 관상 동맥에 대한 검사 방법으로 획득된 정보 중 적어도 어느 하나인 정보이되, 상기 제1 마커와 상기 제2 마커는 상이한 정보인 것을 특징으로 하는,
진단 보조 장치. An acquisition unit for acquiring an eyeball image of the object by a computer; And
A first model for obtaining prediction values for a first marker from the eyeball image, and obtaining a first determination result of predicting a first disease from the derived prediction value of the first marker, wherein the first model is the first model. The predictive value for the marker is learned with a plurality of labeled set of eye images,
A second model is retrained to predict whether or not a second disease is obtained by adding, as training data, a plurality of eyeball image sets labeled with a second marker to the first model.
The first marker is information which is at least one of information obtained by a test method for a heart or a coronary artery for determining whether a cardiovascular disease is present, wherein the first marker and the second marker are different information. ,
Diagnostic aid.
상기 안구 영상은 상기 제2 모델을 통해 대상체의 제2 질환 여부를 예측한 제2 판단 결과를 획득되는 것을 특징으로 하는,
진단 보조 장치.According to claim 1,
The eyeball image may be obtained by a second determination result of predicting whether a second disease of the subject is obtained through the second model.
Diagnostic aid.
상기 제1 질환과 상기 제2 질환이 대응되는 경우, 상기 제1 판단 결과와 상기 제2 판단 결과를 비교하여 진단 보조 정보를 제공하는 것을 특징으로 하는,
진단 보조 장치. The method of claim 2,
When the first disease corresponds to the second disease, diagnostic assistant information is provided by comparing the first and second judgment results.
Diagnostic aid.
상기 제1 질환과 상기 제2 질환이 상이한 경우, 상기 제1 판단 결과 및 상기 제2 판단 결과를 진단 보조 정보로 제공하는 것을 특징으로 하는,
진단 보조 장치.The method of claim 2,
When the first disease and the second disease is different, the first judgment result and the second judgment result is provided as diagnostic assistance information,
Diagnostic aid.
상기 검사 방법은 CT 촬영, 초음파 검사, 혈압 검사 중 적어도 어느 하나를 포함하는 것을 특징으로 하는,
진단 보조 장치.According to claim 1,
The test method may include at least one of a CT scan, an ultrasound test, and a blood pressure test.
Diagnostic aid.
상기 제1 마커에 대한 예측값은 심장 또는 관상 동맥에 대한 혈관 내 칼슘 지수, 혈관 내 두께, 중심 혈압, 및 동맥 경화도 중 적어도 어느 하나를 포함하는 것을 특징으로 하는,
진단 보조 장치. According to claim 1,
The predictive value for the first marker may include at least one of intravascular calcium index, intravascular thickness, central blood pressure, and atherosclerosis for the heart or coronary artery.
Diagnostic aid.
상기 안구 영상으로부터 제1 마커에 대한 예측값들이 도출되되, 도출된 상기 제1 마커의 예측값으로부터 제1 질환 여부를 예측한 제1 판단 결과를 획득하는 제1 모델을 통해 진단하는 진단 단계-상기 제1 모델은 상기 제1 마커에 대한 예측값이 라벨링된 복수의 안구 영상 세트로 학습됨-를 포함하고,
상기 제1 모델에 제2 마커로 라벨링된 복수의 안구 영상 세트를 학습 데이터로 추가하여 제2 질환 여부를 예측하도록 다시 학습시킨 제2 모델이 획득되고,
상기 제1 마커는 심뇌혈관 질환 여부를 판단하기 위한 심장 또는 관상 동맥에 대한 검사 방법으로 획득된 정보 중 적어도 어느 하나인 정보이되, 상기 제1 마커와 상기 제2 마커는 상이한 정보인 것을 특징으로 하는,
진단 보조 방법.An acquiring step of acquiring an eyeball image of the object by a computer; And
Diagnosis of the first marker is derived from the eyeball image, the diagnostic step of diagnosing through a first model for obtaining a first determination result of predicting a first disease from the derived prediction value of the first marker-the first The model is trained with a plurality of sets of eye images labeled with prediction values for the first marker,
A second model is retrained to predict whether or not a second disease is obtained by adding, as training data, a plurality of eyeball image sets labeled with a second marker to the first model.
The first marker is information which is at least one of information obtained by a test method for a heart or a coronary artery for determining whether a cardiovascular disease is present, wherein the first marker and the second marker are different information. ,
Diagnostic assistant method.
Priority Applications (11)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020170175865A KR102071774B1 (en) | 2017-12-20 | 2017-12-20 | Method for predicting cardio-cerebrovascular disease using eye image |
SG11202005927VA SG11202005927VA (en) | 2017-12-20 | 2018-12-20 | Method and apparatus for assisting in diagnosis of cardiovascular disease |
EP18890528.5A EP3730040A4 (en) | 2017-12-20 | 2018-12-20 | Method and apparatus for assisting in diagnosis of cardiovascular disease |
PCT/KR2018/016388 WO2019125026A1 (en) | 2017-12-20 | 2018-12-20 | Method and apparatus for assisting in diagnosis of cardiovascular disease |
CN201880089339.XA CN111712186B (en) | 2017-12-20 | 2018-12-20 | Method and device for aiding in the diagnosis of cardiovascular disease |
CN202410706078.9A CN118675728A (en) | 2017-12-20 | 2018-12-20 | Method and device for aiding in the diagnosis of cardiovascular disease |
KR1020200008919A KR102343796B1 (en) | 2017-12-20 | 2020-01-22 | Method for predicting cardiovascular disease using eye image |
US16/807,686 US11164313B2 (en) | 2017-12-20 | 2020-03-03 | Method and device for assisting heart disease diagnosis |
US17/356,960 US11869184B2 (en) | 2017-12-20 | 2021-06-24 | Method and device for assisting heart disease diagnosis |
US17/489,177 US20220301709A1 (en) | 2017-12-20 | 2021-09-29 | Diagnosis assistance method and cardiovascular disease diagnosis assistance method |
US18/404,108 US20240144478A1 (en) | 2017-12-20 | 2024-01-04 | Method and device for assisting heart disease diagnosis |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020170175865A KR102071774B1 (en) | 2017-12-20 | 2017-12-20 | Method for predicting cardio-cerebrovascular disease using eye image |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200008919A Division KR102343796B1 (en) | 2017-12-20 | 2020-01-22 | Method for predicting cardiovascular disease using eye image |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20190074477A KR20190074477A (en) | 2019-06-28 |
KR102071774B1 true KR102071774B1 (en) | 2020-01-30 |
Family
ID=67066055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020170175865A KR102071774B1 (en) | 2017-12-20 | 2017-12-20 | Method for predicting cardio-cerebrovascular disease using eye image |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102071774B1 (en) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220001162A (en) * | 2020-06-29 | 2022-01-05 | 주식회사 메디웨일 | Diagnosis assistance method and apparatus |
US11969213B2 (en) | 2020-06-05 | 2024-04-30 | XAIMED Co., Ltd. | Method for supporting prediction of vascular disease using fundus image, apparatus therefor and system including the same |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210023569A (en) * | 2019-08-23 | 2021-03-04 | 삼성에스디에스 주식회사 | Apparatus and method for predicting cardiovascular risk factor |
KR102329313B1 (en) * | 2019-12-10 | 2021-11-19 | 사회복지법인 삼성생명공익재단 | Corneal lesion analysis system and method using image of anterior eye and computer-readable storage medium |
KR102427749B1 (en) * | 2019-12-30 | 2022-08-01 | (주)아이쿱 | Method and system for predicting cardiovascular disease risk |
KR20240109560A (en) | 2023-01-03 | 2024-07-11 | 연세대학교 산학협력단 | Server, method, and computer program for predicting incidence of moyamoya disease through learning of fundus image |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040064057A1 (en) | 2002-07-31 | 2004-04-01 | Massachusetts Institute Of Technology | Measuring circulating blood volume through retinal vasculometry |
US8896682B2 (en) | 2008-12-19 | 2014-11-25 | The Johns Hopkins University | System and method for automated detection of age related macular degeneration and other retinal abnormalities |
-
2017
- 2017-12-20 KR KR1020170175865A patent/KR102071774B1/en active IP Right Grant
Non-Patent Citations (2)
Title |
---|
R.Hannah Roseline 외 1명, Retinal Based Disease Prediction using Deep Neural networks and SVM Classification Techniques, International Journal of Engineering Trends and Technology, Vol.49 No.7(2017.07)* |
Ryan Poplin 외 7명, Predicting Cardiovascular Risk Factors from Retinal Fundus Photographs using Deep Learning(2017.09.01.)* |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11969213B2 (en) | 2020-06-05 | 2024-04-30 | XAIMED Co., Ltd. | Method for supporting prediction of vascular disease using fundus image, apparatus therefor and system including the same |
KR20220001162A (en) * | 2020-06-29 | 2022-01-05 | 주식회사 메디웨일 | Diagnosis assistance method and apparatus |
KR102435799B1 (en) | 2020-06-29 | 2022-08-25 | 주식회사 메디웨일 | Diagnosis assistance method and apparatus |
KR20220122573A (en) * | 2020-06-29 | 2022-09-02 | 주식회사 메디웨일 | Diagnosis assistance method and apparatus |
KR102596534B1 (en) | 2020-06-29 | 2023-11-01 | 주식회사 메디웨일 | Diagnosis assistance method and apparatus |
Also Published As
Publication number | Publication date |
---|---|
KR20190074477A (en) | 2019-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101977645B1 (en) | Eye image analysis method | |
KR102071774B1 (en) | Method for predicting cardio-cerebrovascular disease using eye image | |
KR101848321B1 (en) | Method for facilitating dignosis of subject based on fovea image thereof and apparatus using the same | |
US12094082B2 (en) | Image processing apparatus, image processing method and computer-readable medium | |
US20220175325A1 (en) | Information processing apparatus, information processing method, information processing system, and program | |
JP7413147B2 (en) | Image processing device, image processing method, and program | |
CN113646805A (en) | Image-based detection of ophthalmic and systemic diseases | |
US20170156582A1 (en) | Automated clinical evaluation of the eye | |
JP2021039748A (en) | Information processor, information processing method, information processing system, and program | |
KR101848322B1 (en) | Method for facilitating generation of finding and dignosis data of subject based on fovea image thereof and apparatus using the same | |
CN111785363A (en) | AI-guidance-based chronic disease auxiliary diagnosis system | |
Kumar et al. | Automated detection of eye related diseases using digital image processing | |
Nawaz et al. | Unravelling the complexity of Optical Coherence Tomography image segmentation using machine and deep learning techniques: A review | |
Kauppi | Eye fundus image analysis for automatic detection of diabetic retinopathy | |
JP7196908B2 (en) | Ophthalmic image processing device and ophthalmic image processing program | |
KR102343796B1 (en) | Method for predicting cardiovascular disease using eye image | |
JP7332463B2 (en) | Control device, optical coherence tomography device, control method for optical coherence tomography device, and program | |
KR20230144517A (en) | Method for predicting cardiovascular disease using eye image | |
CN111785354A (en) | Chronic disease auxiliary diagnosis oriented ophthalmic AI biological characteristic parameter extraction algorithm | |
JP2020058615A (en) | Image processing device, learned model, image processing method, and program | |
Leopold et al. | Deep learning for ophthalmology using optical coherence tomography | |
Aljazaeri et al. | Deep segmentation architecture with self attention for glaucoma detection | |
Turkan et al. | A Survey on Automated Diagnosis of Alzheimer's Disease Using Optical Coherence Tomography and Angiography | |
WO2024057942A1 (en) | Ocular fundus image processing device and ocular fundus image processing program | |
LU503428B1 (en) | Method, Device and System for Diagnosing Pulmonary Embolism Based on non-contrast chest CT Images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |