선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
가설 설정
- 우리는 분류의 오류 확률을 최소화하기 위하여 식 (3)과 같이 값의 분포가 Gaussian 분푸를 이루도록 하는 설태의 분포를 가정하고, 서로 다른 설태 사이에 분산이 다르다는 가정 하에 일반적인 공분산 행렬의 형태로 분포 모델과 분산을 식 (3)과 (4)와같이 표현한다. n{{= after }} 공분산 행렬의 차원을 의미하고, 여기서는 2이다.
제안 방법
- (removal of black points in dark points) 또한 점들 중에 이웃의 검은 점의 개수가 하나 또는 두 개일 경우는 선으로 이어지는 경우가 아니므로 이 점들을 잡음으로 보고 제거한다. (removal of black points in dark points) 조한 이 선의 연결성을 검토하는 부분에서는 선이 처음으로 돌아오는지를 검토하여 처음으로 돌아오지 않으면 폐곡선(closed curve)이 아니므로 영역을 이루지 못하는 경우로 보고 이 곡선의 점들을 버리도록 한다. (removal of open curves).
- 디지털 설진 시스템은 기계적으로는 표준화된 광원의 조명과 디지털 카메라틀 이용하여 혀 영상을 회득하고, 소프트웨어적으로는 색상보정(色相補正)을 통해 보다 정확한 영상을 얻을 수 있게 디자인 하였다. 11) 상술(詳述)하자면 이 시스템은 접안부(接眼 部)에 고정이 되었을 때 효과적으로 암실을 형성할 수 있도록 인체 공화적으로 설계되었고, 광원을 표준화하기 위해 태양광과 가까운 색온도(5500 K) 특성을 가진 스트로브 (strobe) 조명을 사용하였다.
- 3의 마지막 단계에서 보듯이' 황태, 백태, 설질에 대해 3개의 판별식을 얻을 수 있다. 3개의 판별식을 이용하여 각 설태가 같은 분포를 가지는 곳에서 각 영역 사이의 경계면을 구하고 이를 이용하여 (h, s) 입력에 대해 설태의 종류를 출력하는 분류 테이블 (classification table)을 구한다. 이러한 분류 테이블은 한번만 구해 놓으면 되므로, 계산 시간에 크게 구애 받지 않아도 된다.
- 같은 설태로 진단된 영상을 입력하고, 표시된 검은 선을 추적(black curve d안하여 선 내부를 설태 영역으로 추출(coating-region sepgtion)한다. 이런 과정을 자동으로 수행하는데, 검은 선을 추적하는 방법은 Fig.
- 결과의 유효성을 검증하기 위하여, 컬러 테이블을 구할 때 쓰이지 않은 10개의 백태 영상, 4개의 황태 영상, 21개의 무태 및 무분류 영상을 이용하여 각 태토 분류된 결과 영상을 백태, 황태, 무태 및 두분류로 구분히.어 각 영역 중 다수를 차지하는 영역을 찾아냈을 때 다수의 영역과 한의사 전문의의 분류한 결과와의 일치도는 83%이었다.
- 결론적으로 이 연구에서는 설진을 자동화하기 위한 하나의 주요 방법을 제시하였는데, 표준화된 광원을 가진 디지털 설진 시스템을 통해 획득한 혀 영상을 기존의 영역 분할 방법으로 분할하고, 그 분할 영역을 입력하여 설태 구분 및 설태 영역 분할을 수행하였다. 이는 두 과정으로 구성되는데 분류 컬러 테이블을 구하는 과정과 분류 컬러 테이블을 이용하여 설태를 구분하는 과정으로 이루어진다.
- 다수의 피험자를 모집하여 디지털 설진 시스템을 통해 혀영상을 수집하였으며, 한의 전문의가 분류, 표시한 설태 영역을 자동으로 분할하고, 각 설태 영역의 고차원적인 통계적 특성을 분석하고 설태의 컬러 특성을 추출한 후, 그에 따른 분튜 컬러 테이블을 구하는 디지털 설진에 최적화된 설태 영역 분할 알고리즘을 설명한다.
- 1(a)는 디지털 설진 시스템의 구성의 예를 보여주고 있다. 디지털 설진 시스템은 기계적으로는 표준화된 광원의 조명과 디지털 카메라틀 이용하여 혀 영상을 회득하고, 소프트웨어적으로는 색상보정(色相補正)을 통해 보다 정확한 영상을 얻을 수 있게 디자인 하였다. 11) 상술(詳述)하자면 이 시스템은 접안부(接眼 部)에 고정이 되었을 때 효과적으로 암실을 형성할 수 있도록 인체 공화적으로 설계되었고, 광원을 표준화하기 위해 태양광과 가까운 색온도(5500 K) 특성을 가진 스트로브 (strobe) 조명을 사용하였다.
- 수집된 전체 714장의 안면 영상 중에서 잘못된 3장의 영상을 제외한 7T1 장의 안면 영상을 이용하였고, 한의학 전문의에 의해 설태의 형태에 따라 무태, 백태' 황태, 백태와 황태의 혼합태, 무분류의 5개의 범주로 분류하였다. 여기서 백태에 해당하지만 박태인 것은 무분류 영상으로 분류하였다(Table 3).
- 4GHz, 2GB RAM, MS Windows XP 2002 OS 위에서 Visual C++로 최적화된 환경에서 구현이 되었다. 여기서 컬러 테이블을 구하는 것은 한번만 구하면 되므로 시간 소요에 구애 받지 않기 때문에 성능을 중심으로 구하였다.
- 위의 취득된 데이터 중에서 백태로 진단되고 설태가 표시된 42개의 영상과 황태로 진단되고 설태가 표시된 6개의 영상, 무대로 진단된 3개의 영상에서 분할된 설태 영역의 HS의 컬러값의 정규화된 분포, D(h, s)를 설태 별로 각각 구하였다. 여기서 RGB 값은 각각 0에서 255의 값을 가지고, HSV에서 H는 0에서 359의 값을 가지며, SV는 0에서 255의 값을 가지도록 크기를 조정한다.
- 이 연구에서는 자동 설태 영역 분할과 설태 분류를 위한 방법을 도출하였는더〕, 설질보다 설태 분류 방법을 먼저 연구한 이유는 설태의 구분이 설질의 구분보다 쉽기 때문에 이 방법을 적용하였다. 그 결과로서 설태 영역 분할 방법은 일반적으로 설근부분에서 입술 아래와 목구멍 속의 그림자 때문에 어두운 부분에서 그려진 검은 선과 혼동이 되어 분할 오류가 발생할 수 있지만 제안된 black curve detection 알고리즘은 어두운 점들의 이웃과의 관계 및 분포를 비교하여 원하는 점을 찾아가므로 오류의 가능성을 제거하였고, 정확한 설태 영역 분할이 가능하도록 하였다.
- 이 연구예서는 앞에서 언급한 모든 장단점을 고려하여, 진단환경에 의한 영향을 최소화하기 위해 제한된 환경 속에서 디지털 카메라가 내장되어 있는 표준 환경의 디지털 설진 시스템을 이용하여 획득된 안면 영상의 혀 영역에서 효과적인 설태 분류 및 설태 영역 추출 알고리즘을 고차원의 통계함수를 이용하여 구하는데 중점을 두었다.
- 한의사 전문의가 밲태와 황태로 진단된 영상에 설태 영역을 Adobe사의 Photoshop CS 프로그램 12)을 이용하여 검은 색 펜으로 폐곡선을 이루도록 그려주었고, 무태는 전체 영역이 무태라는 의미이므로 혀의 전체 영역을 그려주었다(Fig. 2).
대상 데이터
- 앞에서 언급한 디지털 설진 시스템을 이용하어 혀 영역, 즉 설체 영역이 포함된 안면 영상을 수집하였다. 설진 시스템의 영상은 GUI를 이용하여 실시간(實時間)으로 볼 수 있으며, 영상 취득 시 Fig.
- 경로당, 속독학원. 연구원, 회사, 수련원, 병원 등의 다양한 곳에서 2005년과 2006년에 걸쳐 수집하였으며, 수집된 영상은 성별-나이별로, 위장계질환 유무.나이별로 Table 1과 Table 2토 각각 분류할 수 있었다
- 1(b)와 같이 혀 부분을 십자로 표시된 영상의 중심점에 위치시키도록 하여 혀를 중심으로 취득하였다. 취득된 혀 영상은 RGB의 24 bit BMP 영상으로 1284960의 해상도를 가진 고해상도 영상이다.
성능/효과
- 그 결과로서 설태 영역 분할 방법은 일반적으로 설근부분에서 입술 아래와 목구멍 속의 그림자 때문에 어두운 부분에서 그려진 검은 선과 혼동이 되어 분할 오류가 발생할 수 있지만 제안된 black curve detection 알고리즘은 어두운 점들의 이웃과의 관계 및 분포를 비교하여 원하는 점을 찾아가므로 오류의 가능성을 제거하였고, 정확한 설태 영역 분할이 가능하도록 하였다. 또한 Table 2에서 보듯이 설태 분할 영역들의 분포로부터 잡음을 제거한 후 각 태에 해당하는 평균값을 살펴보면, 황태는 H값이 상대적으로 크다는 것을 알 수 있고 S값의 관점에서 백태가 흰색의 포화도가 크다는 것을 알 수 있어서 우리가 처음에 했던 가정과 일치함을 알 수 있었다.
- 그 결과로서 설태 영역 분할 방법은 일반적으로 설근부분에서 입술 아래와 목구멍 속의 그림자 때문에 어두운 부분에서 그려진 검은 선과 혼동이 되어 분할 오류가 발생할 수 있지만 제안된 black curve detection 알고리즘은 어두운 점들의 이웃과의 관계 및 분포를 비교하여 원하는 점을 찾아가므로 오류의 가능성을 제거하였고, 정확한 설태 영역 분할이 가능하도록 하였다. 또한 Table 2에서 보듯이 설태 분할 영역들의 분포로부터 잡음을 제거한 후 각 태에 해당하는 평균값을 살펴보면, 황태는 H값이 상대적으로 크다는 것을 알 수 있고 S값의 관점에서 백태가 흰색의 포화도가 크다는 것을 알 수 있어서 우리가 처음에 했던 가정과 일치함을 알 수 있었다.
- 결과가 서로 유사함을 보였다. 설태 분류의 일치도는 평균적으로 83%로 높은 수치를 보였다. 이것은 설태 진단의 유효성이 있음을 보여주고 있다.
- 특히, 혼합태의 태가 서로 혼재하는 부분에서도 설태의 정확한 분류를 볼 수 있었다. 설태를 분할한 결과에서 불일치도가 나타나는 부분이 있는데 이 부분을 분석하면 혀의 굴곡 및 그림자, 빛의 반사로 인하여 설태의 색상이 변하는 곳에 이러한 현상이 발생하였고, 이 부분이 컬러 테이블을 구성하는데 포함되기 때문에 정확도가 떨어지는 것을 추론할 수 있었다. 우리가 가진 혀 영상 데이터 중에서 무분류 영상이 많고 설태 영상이 적지만, 설태 영상 내에 픽셀의 H, S 값들이 매우 다양한 범위를 가지므로 컬러 테이블을 구하는데 통계적인 의미를 가질 수 있을 것으로 보이며, 더 많은 데이터가모아지면 정확한 진단을 위한 컬러 테이블을 구할 수 있는 의미로 볼 수 있다.
- 및 두분류로 구분히.어 각 영역 중 다수를 차지하는 영역을 찾아냈을 때 다수의 영역과 한의사 전문의의 분류한 결과와의 일치도는 83%이었다. 무태 및 무분류틀 하나.
- 이렇게 구해진 컬러 테이블을 이용하여 설태를 분할한 테스트 영상의 결과를 보면 그 위치와 분포가 일치하여 제안된 알고리즘이 정확히 동작함을 알 수 있었다. 특히, 혼합태의 태가 서로 혼재하는 부분에서도 설태의 정확한 분류를 볼 수 있었다.
- 제안된 알고리즘의 결과 영상은 한의사 전문의가 진단 후설 태를 표시한 영상과 비교되었을 때, 설태 구분 및 설태 영여분할의 결과가 서로 유사함을 보였다. 설태 분류의 일치도는 평균적으로 83%로 높은 수치를 보였다.
후속연구
- 수준 측정까지 가능할 것이라 생각한다. 그 결과 정확한 진단이 가능한 자동 설진 진단 시스템에 더욱 다가갈 수 있을 것이라 생각하고, 어느 곳에서든지 건강 진단이 가능한 ubiquitous healthcare로의 확장도 가능할 것으로 예상한다.
- 앞으로 다양한 혀 영상 데이터의 수집 및 분석으로 인하여 건강 수준 측정까지 가능할 것이라 생각한다. 그 결과 정확한 진단이 가능한 자동 설진 진단 시스템에 더욱 다가갈 수 있을 것이라 생각하고, 어느 곳에서든지 건강 진단이 가능한 ubiquitous healthcare로의 확장도 가능할 것으로 예상한다.
- 이를 통해 설진에서 중요한 과제인 설태와 설질의 효과적인 영역 구분 방법 및 구분된 설태를 이용하여 백태, 황태의 분류뿐 아니라 회태나 흑태, 후태나 박태 등 다양한 설태의 분류 및 설질의 분류와 그에 관련된 연구까지 확장 응용할 수 있어, 객관적이고 정량적인 설진기의 개발에 기여할 수 있을 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.