Keratitis is an eye disease with a high risk of vision loss if not treated properly. The incidence of keratitis continues to increase as increased use of contact lens and the population aging. Infectious keratitis such as bacterial and fungal keratitis and non-infectious keratitis are difficult to diagnose because they do not show clinically complete distinction. If keratitis patients do not receive the right treatment at the right time, they suffer from decreased vision and complications. However, standardized diagnostic methods for keratitis do not exist and depend entirely on the experience of an ophthalmologist. Therefore, in this paper, we propose a keratitis diagnosis prediction system to assist the doctor's diagnosis that outputs the diagnosis prediction result and the suspected lesion area by inputting the anterior segment image. The proposed network contains Lesion Guidance Module (LGM) for the network to learn knowledge pointing suspicious lesions which can be ground of ophthalmologists’ diagnosis and to robust from elements which can be a cause of misdiagnosis such as reflected light in anterior segment image. It also utilizes a novel module, slit lamp Mask Adjusting Module (MAM), and loss functions for learning various types of images efficiently to overcome the data shortage problem. Experimental result demonstrated that the proposed network improves keratitis diagnosis accuracy and predicts more accurate lesion areas.
각막염은 제대로 치료가 시행되지 않을 경우 시력상실의 위험이 높은 안질환으로, 콘택트렌즈 사용이 증가하고 노령 인구가 증가하면서 각막염의 발병율은 지속적으로 증가하고 있다. 세균, 곰팡이 등의 감염성 각막염과 비감염성 각막염은 서로 완벽히 구분되는 양상을 보이지 않기 때문에 진단이 어렵고 적기에 올바른 치료를 받지 못한 경우 환자의 시력저하와 합병증을 초래한다. 그러나 각막염 진단은 표준화된 방법이 존재하지 않고, 전적으로 안과의사의 경험에 의존한다. 따라서 본 논문에서는 의사의 진단을 보조할 수 있도록 전안부 영상을 입력으로 하여 진단 예측 결과와 병변 의심 영역을 출력하는 각막염 진단 예측 시스템을 제안한다. 전안부 영상에서 실제 안과의사가 진단을 내릴 때 근거가 될 수 있는 병변을 찾는 기술을 학습시키고 반사광 등 병변과 유사하여 오진을 일으키는 원인에 강인한 네트워크를 만들기 위한 병변 지도 모듈과 전안부 영상 학습 데이터 부족 문제를 해결하기 위해 다종의 영상을 효율적으로 학습할 수 있도록 하는 세극등 마스크 조정 모듈, 이를 학습시키는 데 이용되는 손실함수를 새롭게 도입하였다. 실험 결과는 제안된 방법을 사용한 시스템이 향상된 각막염 진단 정확도를 보이고 보다 정확한 병변 영역을 예측해 낸다는 것을 입증한다.
