초록 ▼

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

본 논문에서는 안저 카메라를 이용하여 촬영한 안저 영상을 이용해 객체 탐지 딥러닝 방법인 Faster R-CNN 기법을 이용하여 당뇨병성 망막병증의 병리학적 특징을 픽셀 단위로 검출하여 머신러닝의 분류기인 ...

본 논문에서는 안저 카메라를 이용하여 촬영한 안저 영상을 이용해 객체 탐지 딥러닝 방법인 Faster R-CNN 기법을 이용하여 당뇨병성 망막병증의 병리학적 특징을 픽셀 단위로 검출하여 머신러닝의 분류기인 랜덤 포레스트 분류기를 이용하여 당뇨병성 망막병증을 빠르게 진단하는 알고리즘을 제안한다.
당뇨병성 망막병증은 당뇨병 환자의 대표적인 합병증으로 성공적인 치료 방법은 비증식성 망막병증의 조기 발견과 적절한 치료가 가장 중요하며, 안저 검사를 통하여 병리학적인 특징인 미세혈관, 망막 출혈, 경성 삼출물 등 모세혈관의 변화를 통하여 관찰할 수 있다.
하지만 당뇨병성 당뇨병 환자가 늘어나는 속도에 비해 안저 검사를 시행하는 전문가의 수는 턱없이 부족하다. 또한 안저 영상은 안저 촬영 장치에 따라 밝기, 명암, 색상에 따라 다를 수 있으며, 안과 전문의가 아닌 경우 오진의 가능성이 존재한다. 이러한 문제를 해결하기 위해 안저 촬영 장치에 구애받지 않고 빠르게 당뇨병성 망막 병증을 진단하는 알고리즘을 제안한다.

Abstract ▼ AI-Helper

Non-proliferative diabetic retinopathy is a representative complication of diabetic patients and is known to be a major cause of impaired vision and blindness. There has been ongoing research on automatic detection of diabetic retinopathy; however, there is also a growing need for research on an aut...

Non-proliferative diabetic retinopathy is a representative complication of diabetic patients and is known to be a major cause of impaired vision and blindness. There has been ongoing research on automatic detection of diabetic retinopathy; however, there is also a growing need for research on an automatic severity classification system. This study proposes an automatic detection system for pathological symptoms of diabetic retinopathy such as micro-aneurysm, retinal hemorrhage, and hard exudate by applying the Faster R-CNN technique. An automatic severity classification system based on the features of pathological symptoms of diabetic retinopathy was devised by training and testing a random forest classifier based on the data obtained through pre-processing, such as histogram smoothing of the detected features. The proposed system enables accurate judgment using objective data and indices while avoiding the subjective interpretation of testers and improving the efficiency of medical image analysis. An experiment of classifying 103 test fundus images with the proposed classification system showed 98% accuracy. The proposed automatic severity classification is expected to show a higher degree of accuracy if a greater amount of meaningful data can be collected in the future.