적어도 하나의 프로세서에 의하여, 다수로부터 안저영상과 시력 측정 데이터가 각각 획득되는 데이터 획득단계;상기 적어도 하나의 프로세서에 의하여, 개인별 안저영상과 시력 측정 데이터가 커플링(Coupling)된 후 상기 시력 측정 데이터가 기준이 되어 다수 개의 클래스로 분류되는 데이터 분류단계;상기 적어도 하나의 프로세서에 의하여, 상기 다수 개의 클래스 내 안저영상이 클래스별로 전처리 되는 데이터 전처리단계; 및상기 적어도 하나의 프로세서에 의하여, 전처리된 상기 다수 개의 클래스 내 안저영상이 데이터셋이 되어 딥러닝 모델이 학습되는 학습단계;를 포함하고,상기 데이터 분류단계는,상기 시력 측정 데이터가 0.0 내지 0.05인 경우 클래스 1, 상기 시력 측정 데이터가 0.1, 0.15 및 0.2인 경우 클래스 2, 상기 시력 측정 데이터가 0.3 내지 0.7인 경우 클래스 3 및 상기 시력 측정 데이터가 0.8 내지 1인 경우 클래스 4로 커플링된 개인별 안저영상과 시력 측정 데이터가 분류되고,상기 클래스 1과 상기 클래스 2가 클래스 A로 분류되고,상기 클래스 3과 상기 클래스 4가 클래스 B로 분류되고,상기 딥러닝 모델은,클래스별 안저영상에서 망막, 시신경 유두, 중심와 및 황반을 기준으로 특징을 추출하고, 상기 클래스 A와 상기 클래스 B를 분류하도록 학습되는 제1 합성곱 신경망 모델(CNN1);상기 클래스 A를 상기 클래스 1과 상기 클래스 2로 분류하도록 학습되는 서포트 벡터 머신(SVM); 및상기 클래스 B를 상기 클래스 3과 상기 클래스 4로 분류하도록 학습되는 제2 합성곱 신경망 모델(CNN2);를 포함하는 것을 특징으로 하는 딥러닝 모델 학습 방법.

제1 항에 있어서,상기 데이터 전처리단계는,상기 다수 개의 클래스 중에서 상기 안저영상의 개수가 기 설정된 기준수치 이하인 클래스가 전처리 대상 클래스로 선정되는 클래스 선정단계;상기 전처리 대상 클래스에 포함된 안저영상의 일부 또는 전체가 기 설정된 설정각도로 회전되는 안저영상 회전단계; 및상기 안저영상 회전단계로부터 회전된 안저영상의 일부 또는 전체가 다수 개의 필터 중 적어도 하나가 이용되어 필터링 되는 안저영상 필터링단계;를 포함함으로써, 상기 다수 개의 클래스 간의 데이터 불균형을 해소할 수 있는 것을 특징으로 하는 딥러닝 모델 학습 방법.

삭제

적어도 하나의 프로세서에 의하여, 다수로부터 안저영상과 시력 측정 데이터가 각각 획득되는 데이터 획득단계;상기 적어도 하나의 프로세서에 의하여, 개인별 안저영상과 시력 측정 데이터가 커플링(Coupling)된 후 상기 시력 측정 데이터가 기준이 되어 다수 개의 클래스로 분류되는 데이터 분류단계;상기 적어도 하나의 프로세서에 의하여, 상기 다수 개의 클래스 내 안저영상이 클래스별로 전처리 되는 데이터 전처리단계;상기 적어도 하나의 프로세서에 의하여, 전처리된 상기 다수 개의 클래스 내 안저영상이 데이터셋이 되어 딥러닝 모델이 학습되는 학습단계;상기 적어도 하나의 프로세서에 의하여, 시력을 측정하고자 하는 피검사자의 안저영상이 획득되는 안저영상 획득단계; 및상기 적어도 하나의 프로세서에 의하여, 상기 학습단계로부터 학습된 딥러닝 모델 내 피검사자의 안저영상이 입력됨으로써, 피검사자의 시력 측정 데이터가 출력되는 시력 측정 데이터 출력단계;를 포함하고,상기 데이터 분류단계는,상기 시력 측정 데이터가 0.0 내지 0.05인 경우 클래스 1, 상기 시력 측정 데이터가 0.1, 0.15 및 0.2인 경우 클래스 2, 상기 시력 측정 데이터가 0.3 내지 0.7인 경우 클래스 3 및 상기 시력 측정 데이터가 0.8 내지 1인 경우 클래스 4로 커플링된 개인별 안저영상과 시력 측정 데이터가 분류되고,상기 클래스 1과 상기 클래스 2가 클래스 A로 분류되고,상기 클래스 3과 상기 클래스 4가 클래스 B로 분류되고,상기 딥러닝 모델은,클래스별 안저영상에서 망막, 시신경 유두, 중심와 및 황반을 기준으로 특징을 추출하고, 상기 클래스 A와 상기 클래스 B를 분류하도록 학습되는 제1 합성곱 신경망 모델(CNN1);상기 클래스 A를 상기 클래스 1과 상기 클래스 2로 분류하도록 학습되는 서포트 벡터 머신(SVM); 및상기 클래스 B를 상기 클래스 3과 상기 클래스 4로 분류하도록 학습되는 제2 합성곱 신경망 모델(CNN2);를 포함하고,상기 시력 측정 데이터 출력단계는,피검사자의 안저영상이 상기 클래스 1 내지 클래스 4중에서 하나의 클래스로 분류되고, 분류된 클래스에 해당하는 시력 측정 데이터가 결과로 출력되는 것을 특징으로 하는 딥러닝 모델을 이용한 시력 측정 방법.

제4항에 있어서,상기 데이터 전처리단계는,상기 다수 개의 클래스 중에서 상기 안저영상의 개수가 기 설정된 기준수치 이하인 클래스가 전처리 대상 클래스로 선정되는 클래스 선정단계;상기 전처리 대상 클래스에 포함된 안저영상의 일부 또는 전체가 기 설정된 설정각도로 회전되는 안저영상 회전단계; 및상기 안저영상 회전단계로부터 회전된 안저영상의 일부 또는 전체가 다수 개의 필터 중 적어도 하나가 이용되어 필터링 되는 안저영상 필터링단계;를 포함함으로써, 상기 다수 개의 클래스 간의 데이터 불균형을 해소할 수 있는 것을 특징으로 하는 딥러닝 모델을 이용한 시력 측정 방법.

삭제

제1항 내지 제2항 중 어느 한 항의 딥러닝 모델 학습 방법을 수행하는 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.

제4항 내지 제5항 중 어느 한 항의 딥러닝 모델을 이용한 시력 측정 방법을 수행하는 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.