회사 자료를 불러오는 중…
회사 자료를 불러오는 중…
검증 단계 — 어디까지 확인했나
L0 · 국민연금 인력 · 공시 재무 · 특허 — 공공자료
서울특별시에 있는 2016년 설립 회사입니다. 시스템 소프트웨어 개발 및 공급업을 합니다. 2025년 그룹 연결 매출은 21.7억입니다. 자회사까지 합친 숫자이며 이 법인 하나의 매출이 아닙니다. 2026년 8월 기준 국민연금 가입자는 44명입니다. 외부감사를 받는 회사이고, 가장 최근 감사의견은 「적정」입니다. 보도로 확인된 투자유치가 1건 있습니다.
읽어오는 중입니다…
최근 출원 2026-06-26 · 최근 등록 2026-06-26 · 최신 출원순
본 발명의 일 양태는 신경망 모델을 이용하고 안구 이미지에 기초하여 진단 보조 정보를 획득하는 진단 보조 장치에 있어서, 대상 안구 이미지를 획득하는 안구 이미지 획득부 및 진단 보조 정보를 획득하도록 학습된 신경망 모델을 이용하고, 대상 안구 이미지에 기초하여 진단 보조 정보를 획득하는 처리부를 포함하되, 신경망 모델은, 제1 진단 보조 신경망 모델 및 제2 진단 보조 정보를 획득하는 제2 진단 보조 신경망 모델을 포함하되, 제1 진단 보조 신경망 모델은 제1 특징 세트를 획득하는 제1 공통 부분 및 제1 진단 보조 정보를 획득하는 제1 개별 부분을 포함하고, 제2 진단 보조 신경망 모델은, 제1 특징 세트를 획득하는 제1 공통 부분 및 제2 진단 보조 정보를 획득하는 제2 개별 부분을 포함하는, 진단 보조 장치에 대한 것이다.
일 실시 예에 따르면, 피검체의 제1 안저 이미지 및 제1 정보-상기 제1 정보는 상기 피검체에 관하여 제1 클라이언트 장치로부터 획득된 정보를 포함함-가 획득되는 통신부; 상기 제1 안저 이미지의 효율적인 관리를 위해, 상기 제1 정보 및 제2 정보-상기 제2 정보는 상기 제1 안저 이미지로부터 획득된 정보임- 중 적어도 어느 하나를 기초로 상기 제1 안저 이미지를 분류하는 분류부; 및 상기 분류부의 분류 결과에 기초하여 상기 제1 안저 이미지에 대응되는 라벨을 제3 정보로 저장하는 데이터 저장부를 포함하는 것을 특징으로 하는, 서버가 제공될 수 있다.
신장 질환 진단 방법 및 장치가 개시된다. 일 실시예에 따른 진단 장치의 제어방법은 피검체의 망막 이미지를 획득하는 단계; 및 상기 망막 이미지를 기초로 머신러닝 모델을 이용하여 상기 대상체에 대한 신장 질환 진단 정보를 획득하는 단계를 포함하고, 상기 머신러닝 모델은 제1 모델 및 제2 모델을 포함하고, 상기 제1 모델은 신경망 모델이고, 상기 제2 모델은 회귀 기반의 머신러닝 모델일 수 있다.
심혈관 질환 진단 방법 및 이를 이용한 장치가 개시된다. 일 실시예에 따른 진단 장치의 제어방법은 피검체의 망막 이미지를 획득하는 단계; 및 상기 망막 이미지를 기초로 머신러닝 모델을 이용하여 상기 대상체에 대한 심혈관 질환 진단 정보를 획득하는 단계를 포함하고, 상기 머신러닝 모델은 제1 모델 및 제2 모델을 포함하고, 상기 제1 모델은 신경망 모델이고, 상기 제2 모델은 회귀 기반의 머신러닝 모델일 수 있다.
전신질환 위험도 기반 대상체 맞춤형 처방 지원 방법 및 장치가 개시된다. 일 실시예에 따른 대상체의 맞춤형 보조 정보를 제공하기 위한 장치는, 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 상기 대상체의 의료 데이터를 전신질환 관련 위험도 예측 모델에 입력하여 상기 의료 데이터를 처리하고, 상기 전신질환 관련 위험도 예측 모델로부터 상기 의료 데이터의 처리 결과로서 상기 대상체의 위험도 정보를 획득하고, 상기 위험도 정보를 기초로 상기 대상체에 대한 맞춤형 보조 정보를 제공하되, 상기 위험도 정보를 기초로 시간에 따른 전신 질환 위험도의 변화를 분석하기 위한 위험도 변화 패턴 분석 방식 또는 심혈관 질환에 대한 복수의 위험 인자 중 하나의 위험 인자로서의 상기 위험도 정보의 가중치를 산출하기 위한 위험 인자 가중치 산출 방식 중 적어도 하나를 이용하여 상기 맞춤형 보조 정보를 생성할 수 있다.
지식주입 기반 병원 맞춤형 의료 데이터 분석 및 예측 방법 및 장치가 개시된다. 일 실시예에 따른 지식 주입을 이용하여 대상체의 건강 위험을 예측하기 위한 장치는, 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 상기 대상체의 건강 위험을 예측하기 위한 건강 위험 예측 모델에 상기 대상체의 의료 데이터를 입력하여 상기 의료 데이터를 처리하고, 상기 건강 위험 예측 모델로부터 상기 의료 데이터의 처리 결과로서 상기 대상체의 건강 위험 예측 정보를 획득하되, 상기 건강 위험 예측 정보는 병원별 특성 데이터를 지식 주입 방식으로 반영하여 상기 건강 위험 예측 모델이 예측한 결과로서 도출되며, 상기 지식 주입 방식은 상기 병원별 특성 데이터는 상기 건강 위험 예측 모델에 통합적으로 반영하는 방식이거나, 또는 상기 건강 위험 예측 모델의 입력 조건을 설정하는 방식으로 구현될 수 있다.
본 발명은 심혈관 질병 진단 보조 방법에 있어서, 안저 이미지를 이용하여 대상 심혈관 질병의 진단을 보조하기 위한 방법에 있어서, 피검체의 대상 좌안 안저 이미지 및 대상 우안 안저 이미지를 획득하는 단계, 상기 안저 이미지에 기초하여 심혈관 질병 진단 보조 정보를 획득하는 심혈관 질병 진단 보조 신경망 모델을 이용하여, 상기 대상 좌안 안저 이미지에 따른 좌안 심혈관 질병 진단 보조 정보 및 상기 대상 우안 안저 이미지에 따른 우안 심혈관 질병 진단 보조 정보를 획득하는 단계 및 상기 좌안 심혈관 질병 진단 보조 정보 및 상기 우안 심혈관 질병 진단 보조 정보를 고려하여 생성된 양안 심혈관 질병 진단 보조 정보를 출력하는 단계를 포함하는 심혈관 질병의 진단 보조 방법에 관한 것이다.
본 발명의 일 실시예에 따른 전신 생물학적 나이를 예측하는 전자장치에 있어서, 메모리 및 전신 생물학적 나이를 예측하는 프로세서를 포함하고, 상기 프로세서는 피검자의 안구영상을 획득하고, 기 구축된 인공 신경망 모델을 활용하여 상기 안구영상을 처리하며, 상기 피검자의 전신 생물학적 나이에 대한 예측 결과를 생성할 수 있다.
의료 영상 간 호환성을 개선한 예측 장치 및 활용 방법이 제공된다. 일 실시예에 따른 대상체의 건강 위험을 예측하기 위하여 의료 영상 간 호환성을 개선한 예측 장치는, 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 상기 대상체의 건강 위험을 예측하기 위한 복수의 예측 건강 지표를 생성하는 제1 모델에 제1 조건에서 촬영된 제1 안저 영상을 입력하여 상기 제1 안저 영상을 처리하고, 상기 복수의 예측 건강 지표 중 적어도 하나를 기반으로 상기 대상체의 건강 위험을 분석하는 제2 모델을 이용하여 상기 대상체의 건강 위험을 분석하고, 상기 제1 모델은, 상기 제1 안저 영상에서 전반적인 특징을 추출하여 하나 이상의 작업을 위한 특징 벡터를 생성하는 공통 서브 모델; 및 상기 특징 벡터를 입력으로 수신하여 각 건강 지표별 예측 결과를 생성하는 하나 이상의 헤드 서브 모델; 을 포함하고, 제2 안저 영상과 복수의 건강 지표를 정답 라벨로 사용하여 학습되며, 상기 제2 안저 영상은 상기 제1 조건과 상이한 제2 조건에서 촬영되고, 상기 제2 모델은, 통계 기반 모델로서, 상기 복수의 예측 건강 지표를 고려하여 상기 대상체의 건강 위험을 분석하며, 통계 방식에 기반하여 상기 복수의 건강 지표별 예측 결과의 변동성을 안정화시킬 수 있다.
복수 건강 지표 통합 학습 기반 건강 위험 예측 장치 및 방법에 관한 것이다. 일 실시예에 따른 대상체의 건강 위험을 예측하기 위한, 복수 건강 지표 통합 학습 기반 건강 위험 예측 장치는, 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 상기 대상체의 건강 위험을 예측하기 위한 복수의 예측 건강 지표를 생성하는 제1 모델에 상기 대상체의 의료 영상을 입력하여 상기 의료 영상을 처리하고, 상기 복수의 예측 건강 지표 중 일부의 건강 지표를 선택적으로 추출하고, 상기 대상체의 건강 위험을 예측하는 제2 모델에 상기 선택적으로 추출된 건강 지표를 입력하여 상기 선택적으로 추출된 건강 지표를 처리함으로써 상기 대상체의 건강 위험을 분석하고, 상기 제1 모델은, 상기 의료 영상으로부터 전반적인 특징을 추출하여 하나 이상의 작업을 위한 특징 벡터(feature vector)를 생성하는 공통 서브 모델; 및 상기 특징 벡터를 입력으로 수신하여 각 건강 지표별 예측 결과를 생성하는 하나 이상의 헤드 서브 모델;을 포함하고, 상기 제1 모델은 의료 영상과 복수의 건강 지표를 정답 라벨로 사용하여 동시에 학습되며, 상기 복수의 건강 지표는 각각의 고유의 임상적 임계값(clinical thresholds)을 반영하여 분류된 라벨로 정의될 수 있다.
일 실시 예에 따르면, 안저 이미지에 기초하여 질병을 진단하는 진단 보조 이미지 제공 장치에 있어서, 입력된 안저 이미지에 대한 질병의 진단을 수행하는 신경망 모델 - 상기 신경망 모델은 복수의 안저 이미지 세트를 통해 상기 질병을 진단하도록 학습됨-; 상기 신경망 모델의 진단 수행에 영향을 미치는 영역이 용이하게 파악되도록, 상기 입력된 안저 이미지 및 상기 신경망 모델에서 얻어진 정보 중 적어도 어느 하나에 기초하여 CAM 이미지를 출력하는 CAM 모델; 및 상기 입력된 안저 이미지 및 상기 CAM 이미지 중 적어도 어느 하나에 대해 상기 질병의 특성에 기초하여 상기 진단 수행에 영향을 미치는 영역을 상기 질병의 특성 별로 강조하는 병변 강조 모델을 포함하고, 상기 병변 강조 모델을 통해 상기 질병의 발병 위치 및 발병 영역이 강조되는 진단 보조 이미지가 제공되는, 진단 보조 이미지 제공 장치가 제공될 수 있다.
일 실시예에 따른 심혈관계 질환 유형별 위험도 예측 진단 장치는, 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는 진단 모델을 이용하여 심혈관계 질환 유형별 위험도를 예측하고, 상기 진단 모델은, 입력받은 안저 사진을 분석하여 심혈관 위험도를 예측하는 제1 모델; 및 상기 제1 모델이 예측한 심혈관 위험도 점수와 질환 유형별 특이적 요인을 입력받아, 심혈관계 질환 유형별 위험도를 예측하는 제2 모델을 포함하며, 상기 적어도 하나의 프로세서는, 상기 제1 모델에 의해 예측된 심혈관 위험도와, 상기 제2 모델에 의해 예측된 심혈관계 질환 유형별 위험도를 토대로 진단 정보를 제공하는 것을 특징으로 할 수 있다.
신장 질환 진단 방법 및 장치가 개시된다. 일 실시예에 따른 진단 장치의 제어방법은 피검체의 망막 이미지를 획득하는 단계; 및 상기 망막 이미지를 기초로 머신러닝 모델을 이용하여 상기 대상체에 대한 신장 질환 진단 정보를 획득하는 단계를 포함하고, 상기 머신러닝 모델은 제1 모델 및 제2 모델을 포함하고, 상기 제1 모델은 신경망 모델이고, 상기 제2 모델은 회귀 기반의 머신러닝 모델일 수 있다.
심혈관 질환 진단 방법 및 이를 이용한 장치가 개시된다. 일 실시예에 따른 진단 장치의 제어방법은 피검체의 망막 이미지를 획득하는 단계; 및 상기 망막 이미지를 기초로 머신러닝 모델을 이용하여 상기 대상체에 대한 심혈관 질환 진단 정보를 획득하는 단계를 포함하고, 상기 머신러닝 모델은 제1 모델 및 제2 모델을 포함하고, 상기 제1 모델은 신경망 모델이고, 상기 제2 모델은 회귀 기반의 머신러닝 모델일 수 있다.
본 발명의 일 양태는 신경망 모델을 이용하고 안구 이미지에 기초하여 진단 보조 정보를 획득하는 진단 보조 장치에 있어서, 대상 안구 이미지를 획득하는 안구 이미지 획득부 및 진단 보조 정보를 획득하도록 학습된 신경망 모델을 이용하고, 대상 안구 이미지에 기초하여 진단 보조 정보를 획득하는 처리부를 포함하되, 신경망 모델은, 제1 진단 보조 신경망 모델 및 제2 진단 보조 정보를 획득하는 제2 진단 보조 신경망 모델을 포함하되, 제1 진단 보조 신경망 모델은 제1 특징 세트를 획득하는 제1 공통 부분 및 제1 진단 보조 정보를 획득하는 제1 개별 부분을 포함하고, 제2 진단 보조 신경망 모델은, 제1 특징 세트를 획득하는 제1 공통 부분 및 제2 진단 보조 정보를 획득하는 제2 개별 부분을 포함하는, 진단 보조 장치에 대한 것이다.
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.
일 실시 예에 따르면, 피검체의 제1 안저 이미지 및 제1 정보-상기 제1 정보는 상기 피검체에 관하여 제1 클라이언트 장치로부터 획득된 정보를 포함함-가 획득되는 통신부; 상기 제1 안저 이미지의 효율적인 관리를 위해, 상기 제1 정보 및 제2 정보-상기 제2 정보는 상기 제1 안저 이미지로부터 획득된 정보임- 중 적어도 어느 하나를 기초로 상기 제1 안저 이미지를 분류하는 분류부; 및 상기 분류부의 분류 결과에 기초하여 상기 제1 안저 이미지에 대응되는 라벨을 제3 정보로 저장하는 데이터 저장부를 포함하는 것을 특징으로 하는, 서버가 제공될 수 있다.
일 실시 예에 따르면, 안저 이미지에 기초하여 질병을 진단하는 진단 보조 이미지 제공 장치에 있어서, 입력된 안저 이미지에 대한 질병의 진단을 수행하는 신경망 모델 - 상기 신경망 모델은 복수의 안저 이미지 세트를 통해 상기 질병을 진단하도록 학습됨-; 상기 신경망 모델의 진단 수행에 영향을 미치는 영역이 용이하게 파악되도록, 상기 입력된 안저 이미지 및 상기 신경망 모델에서 얻어진 정보 중 적어도 어느 하나에 기초하여 CAM 이미지를 출력하는 CAM 모델; 및 상기 입력된 안저 이미지 및 상기 CAM 이미지 중 적어도 어느 하나에 대해 상기 질병의 특성에 기초하여 상기 진단 수행에 영향을 미치는 영역을 상기 질병의 특성 별로 강조하는 병변 강조 모델을 포함하고, 상기 병변 강조 모델을 통해 상기 질병의 발병 위치 및 발병 영역이 강조되는 진단 보조 이미지가 제공되는, 진단 보조 이미지 제공 장치가 제공될 수 있다.
본 발명의 일 양태는 신경망 모델을 이용하고 안구 이미지에 기초하여 진단 보조 정보를 획득하는 진단 보조 장치에 있어서, 대상 안구 이미지를 획득하는 안구 이미지 획득부 및 진단 보조 정보를 획득하도록 학습된 신경망 모델을 이용하고, 대상 안구 이미지에 기초하여 진단 보조 정보를 획득하는 처리부를 포함하되, 신경망 모델은, 제1 진단 보조 신경망 모델 및 제2 진단 보조 정보를 획득하는 제2 진단 보조 신경망 모델을 포함하되, 제1 진단 보조 신경망 모델은 제1 특징 세트를 획득하는 제1 공통 부분 및 제1 진단 보조 정보를 획득하는 제1 개별 부분을 포함하고, 제2 진단 보조 신경망 모델은, 제1 특징 세트를 획득하는 제1 공통 부분 및 제2 진단 보조 정보를 획득하는 제2 개별 부분을 포함하는, 진단 보조 장치에 대한 것이다.
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.
일 실시 예에 따르면, 피검체의 제1 안저 이미지 및 제1 정보-상기 제1 정보는 상기 피검체에 관하여 제1 클라이언트 장치로부터 획득된 정보를 포함함-가 획득되는 통신부; 상기 제1 안저 이미지의 효율적인 관리를 위해, 상기 제1 정보 및 제2 정보-상기 제2 정보는 상기 제1 안저 이미지로부터 획득된 정보임- 중 적어도 어느 하나를 기초로 상기 제1 안저 이미지를 분류하는 분류부; 및 상기 분류부의 분류 결과에 기초하여 상기 제1 안저 이미지에 대응되는 라벨을 제3 정보로 저장하는 데이터 저장부를 포함하는 것을 특징으로 하는, 서버가 제공될 수 있다.
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.
일 실시 예에 따르면, 안저 이미지에 기초하여 질병을 진단하는 진단 보조 이미지 제공 장치에 있어서, 입력된 안저 이미지에 대한 질병의 진단을 수행하는 신경망 모델 - 상기 신경망 모델은 복수의 안저 이미지 세트를 통해 상기 질병을 진단하도록 학습됨-; 상기 신경망 모델의 진단 수행에 영향을 미치는 영역이 용이하게 파악되도록, 상기 입력된 안저 이미지 및 상기 신경망 모델에서 얻어진 정보 중 적어도 어느 하나에 기초하여 CAM 이미지를 출력하는 CAM 모델; 및 상기 입력된 안저 이미지 및 상기 CAM 이미지 중 적어도 어느 하나에 대해 상기 질병의 특성에 기초하여 상기 진단 수행에 영향을 미치는 영역을 상기 질병의 특성 별로 강조하는 병변 강조 모델을 포함하고, 상기 병변 강조 모델을 통해 상기 질병의 발병 위치 및 발병 영역이 강조되는 진단 보조 이미지가 제공되는, 진단 보조 이미지 제공 장치가 제공될 수 있다.
본 발명의 일 양태는 신경망 모델을 이용하고 안구 이미지에 기초하여 진단 보조 정보를 획득하는 진단 보조 장치에 있어서, 대상 안구 이미지를 획득하는 안구 이미지 획득부 및 진단 보조 정보를 획득하도록 학습된 신경망 모델을 이용하고, 대상 안구 이미지에 기초하여 진단 보조 정보를 획득하는 처리부를 포함하되, 신경망 모델은, 제1 진단 보조 신경망 모델 및 제2 진단 보조 정보를 획득하는 제2 진단 보조 신경망 모델을 포함하되, 제1 진단 보조 신경망 모델은 제1 특징 세트를 획득하는 제1 공통 부분 및 제1 진단 보조 정보를 획득하는 제1 개별 부분을 포함하고, 제2 진단 보조 신경망 모델은, 제1 특징 세트를 획득하는 제1 공통 부분 및 제2 진단 보조 정보를 획득하는 제2 개별 부분을 포함하는, 진단 보조 장치에 대한 것이다.
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.
일 실시 예에 따르면, 안저 이미지에 기초하여 질병을 진단하는 진단 보조 이미지 제공 장치에 있어서, 입력된 안저 이미지에 대한 질병의 진단을 수행하는 신경망 모델 - 상기 신경망 모델은 복수의 안저 이미지 세트를 통해 상기 질병을 진단하도록 학습됨-; 상기 신경망 모델의 진단 수행에 영향을 미치는 영역이 용이하게 파악되도록, 상기 입력된 안저 이미지 및 상기 신경망 모델에서 얻어진 정보 중 적어도 어느 하나에 기초하여 CAM 이미지를 출력하는 CAM 모델; 및 상기 입력된 안저 이미지 및 상기 CAM 이미지 중 적어도 어느 하나에 대해 상기 질병의 특성에 기초하여 상기 진단 수행에 영향을 미치는 영역을 상기 질병의 특성 별로 강조하는 병변 강조 모델을 포함하고, 상기 병변 강조 모델을 통해 상기 질병의 발병 위치 및 발병 영역이 강조되는 진단 보조 이미지가 제공되는, 진단 보조 이미지 제공 장치가 제공될 수 있다.
일 실시 예에 따르면, 피검체의 제1 안저 이미지 및 제1 정보-상기 제1 정보는 상기 피검체에 관하여 제1 클라이언트 장치로부터 획득된 정보를 포함함-가 획득되는 통신부; 상기 제1 안저 이미지의 효율적인 관리를 위해, 상기 제1 정보 및 제2 정보-상기 제2 정보는 상기 제1 안저 이미지로부터 획득된 정보임- 중 적어도 어느 하나를 기초로 상기 제1 안저 이미지를 분류하는 분류부; 및 상기 분류부의 분류 결과에 기초하여 상기 제1 안저 이미지에 대응되는 라벨을 제3 정보로 저장하는 데이터 저장부를 포함하는 것을 특징으로 하는, 서버가 제공될 수 있다.
본 발명은 안저 이미지를 이용하여 대상 심혈관 질병의 진단을 보조하기 위한 방법에 있어서, 피검체의 안저를 촬상한 대상 안저 이미지를 획득하는 단계, 대상 안저 이미지에 기초하여, 상기 안저 이미지에 따른 상기 대상 심혈관 질병의 진단에 이용되는 진단 보조 정보를 획득하는 심혈관 질병 진단 보조 신경망 모델을 통하여, 상기 대상 안저 이미지에 따른 상기 피검체의 심혈관 질병 진단 보조 정보를 획득하는 단계 및 상기 피검체의 심혈관 질병 진단 보조 정보를 출력하는 단계를 포함하는 심혈관 질병의 진단 보조 방법에 관한 것이다.
본 발명은 안저 이미지를 이용하여 대상 심혈관 질병의 진단을 보조하기 위한 방법에 있어서, 피검체의 안저를 촬상한 대상 안저 이미지를 획득하는 단계, 대상 안저 이미지에 기초하여, 상기 안저 이미지에 기초하여 상기 대상 심혈관 질병의 진단에 이용되는 제1 타입 진단 보조 정보를 획득하도록 학습된 제1 신경망 모델을 통하여, 상기 대상 안저 이미지에 따른 상기 제1 타입 진단 보조 정보를 획득하는 단계, 상기 대상 안저 이미지에 기초하여, 상기 안저 이미지에 기초하여 상기 대상 심혈관 질병의 진단에 이용되는 제2 타입 진단 보조 정보를 획득하도록 학습된 제2 신경망 모델을 통하여, 상기 대상 안저 이미지에 따른 상기 제2 타입 진단 보조 정보를 획득하는 단계 및 상기 제1 타입 진단 보조 정보 및 상기 제2 타입 진단 보조 정보에 기초하여, 상기 피검체에 대한 상기 대상 심혈관 질병의 진단을 보조하기 위한 심혈관 질병 진단 보조 정보를 출력하는 단계를 포함하는 심혈관 질병의 진단 보조 방법에 관한 것이다.
본 발명은 심혈관 질병 진단 보조 방법에 있어서, 안저 이미지를 이용하여 대상 심혈관 질병의 진단을 보조하기 위한 방법에 있어서, 피검체의 대상 좌안 안저 이미지 및 대상 우안 안저 이미지를 획득하는 단계, 상기 안저 이미지에 기초하여 심혈관 질병 진단 보조 정보를 획득하는 심혈관 질병 진단 보조 신경망 모델을 이용하여, 상기 대상 좌안 안저 이미지에 따른 좌안 심혈관 질병 진단 보조 정보 및 상기 대상 우안 안저 이미지에 따른 우안 심혈관 질병 진단 보조 정보를 획득하는 단계 및 상기 좌안 심혈관 질병 진단 보조 정보 및 상기 우안 심혈관 질병 진단 보조 정보를 고려하여 생성된 양안 심혈관 질병 진단 보조 정보를 출력하는 단계를 포함하는 심혈관 질병의 진단 보조 방법에 관한 것이다.
본 발명은 안저 이미지에 기초하여 심혈관 질병에 대한 진단을 보조하는 진단 보조 시스템에 있어서, 피검체에 대한 진단 보조 정보 획득의 기초가 되는 대상 안저 이미지를 획득하는 안저 이미지 획득부, 상기 대상 안저 이미지에 대하여 제1 신경망 모델을 이용하여 상기 심혈관 질병의 진단에 이용되는 점수 정보 를 획득하는 제1 처리부, 상기 대상 안저 이미지에 대하여 제2 신경망 모델을 이용하여 상기 심혈관 질병의 진단에 이용되는 등급 정보를 획득하는 제2 처리부, 사용자에게 상기 점수 정보 및 상기 등급 정보를 제공하는 진단 정보 출력부를 포함하는 진단 보조 시스템에 관한 것이다.
본 발명은 안저 이미지에 기초하여 심혈관 질병에 대한 진단을 보조하는 진단 보조 시스템에 있어서, 피검체에 대한 진단 보조 정보 획득의 기초가 되는 대상 안저 이미지를 획득하는 안저 이미지 획득부, 상기 대상 안저 이미지에서 혈관이 강조된 제1 안저 이미지를 형성하는 전처리부, 상기 제1 안저 이미지에 대하여 신경망 모델을 이용하여 상기 피검체에 대한 진단 보조 점수와 관련된 결과를 획득하는 제1 처리부, 상기 결과에 기초하여, 상기 피검체에 대한 진단 정보를 결정하는 제2 처리부, 상기 제1 안저 이미지에 대한 상기 결과에 기초한 액티베이션 맵을 통해 제2 안저 이미지를 형성하고, 상기 대상 안저 이미지와 상기 제2 안저 이미지를 중첩하여 제3 안저 이미지를 형성하는 제3 처리부 및 사용자에게 상기 결정된 진단 정보와 함께 상기 제3 안저 이미지를 제공하는 진단 정보 출력부를 포함하는 진단 보조 시스템에 관한 것이다.
본 발명의 일 실시 예에 따르면, 안저 이미지에 기초하여 복수의 질병에 대한 진단 보조 정보를 제공하는 장치에 있어서, 진단 대상이 되는 피검체의 안저 이미지를 획득하는 데이터 획득부; 상기 안저 이미지에 대해 제1 진단 모델 - 상기 제1 진단 모델은 복수의 상기 안저 이미지를 기초로 제1 질병을 진단하도록 기계 학습됨- 을 통해 상기 제1 질병을 진단함에 따라 제1 특징 이미지를 형성하는 제1 처리부; 상기 제1 특징 이미지를 기초로 상기 제1 질병에 대한 제1 진단 결과 및 제1 진단 보조 이미지를 제공하는 제2 처리부; 사용자가 상기 제1 진단 결과에 영향을 미치는 영역을 파악할 수 있도록 상기 제1 진단 보조 이미지를 상기 제1 진단 결과와 함께 상기 진단 보조 정보로 출력하는 출력부를 포함하고, 상기 제1 진단 보조 이미지는 상기 제1 진단 결과에 영향을 미치는 영역이 상기 제1 질병과 상이한 제2 질병 - 상기 안저 이미지에 대한 상기 제2 질병의 진단은 상기 제1 진단 모델과 상이한 제2 진단 모델을 통해 제공됨 - 의 제2 진단 결과에 영향을 미치는 영역과는 구분되는, 진단 보조 장치가 제공될 수 있다.
본 발명은 안저 이미지에 기초하여 칼슘 스코어에 대한 진단을 보조하는 진단 보조 시스템에 있어서, 피검체에 대한 진단 보조 정보 획득의 기초가 되는 대상 안저 이미지를 획득하는 안저 이미지 획득부, 상기 대상 안저 이미지에서 혈관을 강조하는 제1 안저 이미지를 형성하는 전처리부, 상기 제1 안저 이미지에 대하여 신경망 모델 -상기 신경망 모델은 상기 제1 안저 이미지를 기초로 기계 학습됨- 을 이용하여 상기 피검체에 대한 칼슘 스코어와 관련된 결과를 획득하는 제1 처리부, 상기 결과에 기초하여, 상기 피검체에 대한 진단 정보를 결정하는 제2 처리부 및 사용자에게 상기 결정된 진단 정보를 제공하는 진단 정보 출력부; 를 포함하는 진단 보조 시스템에 관한 것이다.
본 발명은 안저 이미지의 품질을 판단하는 방법에 있어서, 안저 이미지의 대상 영역에 포함되는 적어도 하나의 픽셀의 픽셀값을 기준 픽셀값과 비교하여, 안저 이미지의 품질과 관련된 제1 픽셀을 검출하는 단계, 안저 이미지의 전체 픽셀 중 제1 픽셀이 차지하는 비율을 기준 비율과 비교하는 단계 및 안저 이미지의 전체 픽셀 중 제1 픽셀이 차지하는 비율을 기준 비율과 비교하여 획득된 비교 결과에 기초하여, 안저 이미지의 품질 정보를 획득하는 단계를 포함하는 안저 이미지의 품질 판단 방법에 관한 것이다.
본 발명은 안저 이미지의 품질을 판단하는 방법에 있어서, 안저 이미지의 대상 영역에 포함되는 적어도 하나의 픽셀의 픽셀 값을 기준 픽셀 값과 비교하여, 안저 이미지의 품질과 관련된 제1 픽셀을 검출하는 단계, 안저 이미지의 전체 픽셀 중 제1 픽셀이 차지하는 비율을 기준 비율과 비교하는 단계 및 안저 이미지의 전체 픽셀 중 제1 픽셀이 차지하는 비율을 기준 비율과 비교하여 획득된 비교 결과에 기초하여, 안저 이미지의 품질 정보를 획득하는 단계를 포함하는 안저 이미지의 품질 판단 방법에 관한 것이다.
본 발명은 안저 이미지에 기초하여 복수의 질병에 대한 진단을 보조하는 진단 보조 시스템에 있어서, 안저 이미지를 획득하는 안저 이미지 획득부, 안저 이미지에 대하여 제1 신경망 모델을 이용하여 피검체에 대한 제1 소견과 관련된 제1 결과를 획득하는 제1 처리부, 안저 이미지에 대하여 제2 신경망 모델 을 이용하여 피검체에 대한 제2 소견과 관련된 제2 결과를 획득하는 제2 처리부, 제1 결과 및 제2 결과에 기초하여, 피검체에 대한 진단 정보를 결정하는 제3 처리부 및 사용자에게 결정된 진단 정보를 제공하는 진단 정보 출력부 를 포함하는 진단 보조 시스템에 관한 것이다.
컴퓨터가 대상체의 IVUS(IntraVascular UltraSound) 영상을 획득하는 단계, 상기 IVUS 영상에 포함된 구성요소를 세그멘테이션(segmentation) 하는 단계 및 상기 IVUS 영상에 포함된 플라그의 구성성분 및 위험도를 판단하는 단계를 포함하는, IVUS 영상 분석방법이 개시된다.
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.
컴퓨터가 안구영상을 분석하는 방법에 있어서, 대상체의 안구의 적어도 일부를 촬영한 안구영상을 획득하는 단계 및 상기 획득된 안구영상을 학습된 제1 모델에 입력하여 상기 대상체의 안구, 순환계 및 내부 장기 중 적어도 하나의 질환여부를 판단하는 단계를 포함하는, 방법이 개시된다.
컴퓨터가 의료영상을 분석하는 방법에 있어서, 대상체의 심장을 촬영한 CT 영상을 획득하는 단계 및 상기 획득된 CT 영상을 학습된 제1 모델에 입력하여 상기 대상체의 관상동맥 내부에 대한 정보를 획득하는 단계를 포함하는, 방법이 개시된다.
특허청 KIPRIS · 2026-10-15 조회 · 최신 출원순 · 오른쪽은 등록일(등록 전은 출원일) · 전체 41건 중 41건 · 줄을 누르면 자세한 내용이 펼쳐집니다 ▾
지금은 공공자료(국민연금 · 전자공시 · 특허 · 명부 · 보도)만 있습니다. 회사가 IR Room에 자료를 내면 L1로 올라갑니다. 저희는 회사에 점수나 등급을 매기지 않습니다 — 어디까지 확인했는지만 적습니다.
| 단위 억원 | 2024 | 2025 |
|---|---|---|
| 영업수익(매출액) | 5.9 | 21.7 |
| 영업비용 | 66.9 | 113.5 |
| 영업이익(손실) | (61.0) | (91.8) |
| 영업외수익 | 2.3 | 2.8 |
| 기타이익 | 0.0 | 0.0 |
| 금융수익 | 2.3 | 2.7 |
| 영업외비용 | 17.5 | 3.2 |
| 기타손실 | 0.2 | 0.0 |
| 금융원가 | 17.2 | 3.2 |
| 법인세비용차감전순이익(손실) | (76.1) | (92.2) |
| 당기순이익(손실) | (76.1) | (92.2) |
매출은 21.7억으로 전년 대비 269.9% 증가한 것으로 나타났다.
영업이익률은 -423.4%로 전년 -1041.1%에서 상승했다.
당기순이익은 -92.2억으로 나타났다.
여기 실린 것보다 깊은 자료가 필요하십니까. 추가 정보 요청 — 종합 검토보고서 · 가치평가 · Executive Teaser · IM · 경쟁사 분석 · 실사 의뢰. 고르시면 산출비용과 걸리는 기간을 메일로 안내드립니다.
공개 기사의 제목 · 링크만 싣습니다 · 저희가 확인한 내용이 아닙니다(원문 ↗) · 「증권사 전망」은 확정 실적 아님 · 2026-11-08 확인