한의학에서 혀의 상태는 인체의 건강 상태를 진단하는 중요한 지표로 활용된다. 이러한 혀의 상태를 진단하는 설진은 편리할 뿐 아니라 비침습적이므로, 한의학에서 널리 활용되고 있다. 그러나 설진은 객관화와 표준화라는 관점에서 문제가 있으며, 한의사의 의사결정에 도움을 줄 수 있는 도구도 부족한 실정이다. 본 논문은 이러한 문제점을 해결하기 위해, 설진 유효 분석을 위한 혀의 기하정보를 자동으로 계산하는 방법을 제안한다. 제안된 방법은 개선된 스네이크(Snake) 방법을 통해 혀를 검출하고 컨벡스 헐(Convex Hull)과 인페인팅 방법을 이용하여 객관적인 기하 정보를 추출하였다. 제안 알고리즘의 성능평가로 치흔의 경우 7.2%, 균열의 경우 8.5%의 영역 차이 비율로 안정적인 결과가 도출되었다.
한의학에서 혀의 상태는 인체의 건강 상태를 진단하는 중요한 지표로 활용된다. 이러한 혀의 상태를 진단하는 설진은 편리할 뿐 아니라 비침습적이므로, 한의학에서 널리 활용되고 있다. 그러나 설진은 객관화와 표준화라는 관점에서 문제가 있으며, 한의사의 의사결정에 도움을 줄 수 있는 도구도 부족한 실정이다. 본 논문은 이러한 문제점을 해결하기 위해, 설진 유효 분석을 위한 혀의 기하정보를 자동으로 계산하는 방법을 제안한다. 제안된 방법은 개선된 스네이크(Snake) 방법을 통해 혀를 검출하고 컨벡스 헐(Convex Hull)과 인페인팅 방법을 이용하여 객관적인 기하 정보를 추출하였다. 제안 알고리즘의 성능평가로 치흔의 경우 7.2%, 균열의 경우 8.5%의 영역 차이 비율로 안정적인 결과가 도출되었다.
In Oriental medicine, the status of a tongue is the important indicator to diagnose the condition of internal organs in a body. A tongue diagnosis is not only convenient but also non-invasive, and therefore widely used in Oriental medicine. But tongue diagnosis has some problems that should be objec...
In Oriental medicine, the status of a tongue is the important indicator to diagnose the condition of internal organs in a body. A tongue diagnosis is not only convenient but also non-invasive, and therefore widely used in Oriental medicine. But tongue diagnosis has some problems that should be objective and standardized, it also exhaust the diagnosis tool that can help for oriental medicine doctor's decision-making. In this paper, to solve the this problem we propose a method that calculates the tongue geometry information for effective tongue diagnosis analysis. Our method is to extract the tongue region for using improved snake algorithm, and calculates the geometry information by using convex hull and In-painting. In experiment, our method has stable performance as 7.2% by tooth plate and 8.5% by crack in region difference ratio.
In Oriental medicine, the status of a tongue is the important indicator to diagnose the condition of internal organs in a body. A tongue diagnosis is not only convenient but also non-invasive, and therefore widely used in Oriental medicine. But tongue diagnosis has some problems that should be objective and standardized, it also exhaust the diagnosis tool that can help for oriental medicine doctor's decision-making. In this paper, to solve the this problem we propose a method that calculates the tongue geometry information for effective tongue diagnosis analysis. Our method is to extract the tongue region for using improved snake algorithm, and calculates the geometry information by using convex hull and In-painting. In experiment, our method has stable performance as 7.2% by tooth plate and 8.5% by crack in region difference ratio.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
먼저 전처리 과정에선 2단계인 영역 분할 단계의 기준 정보가 되는 초기 혀 영역을 검출하고자 한다. 우선 효율적인 연산 처리를 위해 입력 영상을 640X480의 해상도로 부 표본화(Sub-sampling)한다.
AHE(Adaptive Histogram Equalization)[9] 방법에 한계값(Clip limit)으로 히스토그램을 제한하는 개념을 추가한 방법으로, 한계값은 각각의 서브블록에서 히스토그램이 어느 한 영역의 명암도에 집중되었을 경우 그 양을 제한하여 변환 함수를 통한 영상의 과도한 밝기 변화가 생기는 것을 막는다. 본 논문에선 명암 대비 효과는 주되 과도한 대비로 인한 정보 손실을 줄이고자 CLAHE 방법을 사용하여, 혀 검출에 있어 적합한 명암 대비 개선작업을 수행하고자 하였다. 다음 [그림 4]는 일반적인 평활화 방법과 본 논문에서 사용한 CLAHE 방법과의 결과 차이를 나타낸다.
본 논문은 혀의 기하학적 정보를 자동으로 추출하여, 전문의가 환자의 설진 진단을 하는데 있어 보조적인 수단이 되고자 한다. 우선 혀의 기하정보 추출을 위해 안면 영상을 획득하고, 안면 영상에서 그리디 스네이크(Greedy Snake) 방법을 응용하여 혀 영역을 검출한다.
본 연구에서는 설진의 유효 분석을 위해 혀의 기하정보를 자동으로 추출하는 방법을 제안하였다. 그리디 스네이크 방법을 응용하여 혀 영역을 검출하고자 하였고, 검출된 혀 영역을 기반으로 컨벡스 헐과 인페인팅 방법을 통해 치흔과 균열 정보를 객관적으로 산출하였다.
향후 연구로 이러한 1단계 혀 영역 검출 정확도가 기하정보 추출 전체에 영향을 미치게 되는 만큼, 해당 부분의 정확도를 높이는 연구를 추가적으로 수행할 예정이다. 이러한 연구를 통해 우리는 더욱 정확하고 보다 효율적인 설진 보조 시스템을 구성해가고자 한다.
개선된 스네이크 방법은 곡률 정보 기반의 그리디 스네이크 방법을 적용하였고, 치흔은 컨벡스헐 결과와의 차 영상, 균열은 인페인팅 결과와의 차 영상을 통해 측정되어 진다. 이렇게 본 논문은 혀의 기하정보 측정을 위해 치흔과 균열 정보를 이용하였고, 이러한 과정을 통해 도출된 결과가 한의 전문의의 설진 진단에 있어 객관적인 지표로 활용되고자 하였다.
본 논문의 실험을 위해 혀를 포함한 다수의 안면 영상을 획득하였고, 해당 영상들을 5년 이상의 경력을 가진 한의 전문의에 의해 치흔 영상과 균열 영상으로 분류하였다. 제안 방법에 대한 성능평가로 전문의의 수작업에 의한 기준 영상과 비교 분석하여 정량적인 수치로 정확도를 평가하고자 하였다. 이를 위해 기준 영상과 제안 방법의 영역 차이 비율을 계산하였으며, 이는 다음 식 (15)에 의해 처리되어 진다.
기하정보 측정의 첫 번째로 치흔의 측정은 컨벡스 헐 (Convex Hull)[13] 영상과의 차를 이용한 방법을 사용하였다. 치흔 영상의 혀 검출결과 경계선은 오목한 특성을 가지고 있어, 이러한 오목한 정도를 측정하기 위해 최소 볼록 다각형인 컨벡스 헐을 생성하여 치흔의 정도를 측정하고자 하였다. 다음 [그림 10]은 치흔 영역의 검출과정을 나타낸다
제안 방법
Input은 검출된 혀 영역으로 붉은 계통에 대비되는 B 채널 공간을 나타내고, 객체를 부각시키는 Tophat 결과를 합연산, 배경을 부각시키는 Bottomhat 결과를 차연 산하여 대비 개선을 수행하였다. 대비 개선 시 사용된 Mask는 5X5 크기를 사용하였다.
인페인팅의 Mask는 Tophat 연산을 통해 후보 균열 영역을 검출하고, 검출된 Mask 영역을 기반으로 영상 인페인팅을 수행하여 손상된 Mask 영역(Ω)을 원 영상에 가깝게 복원하였다. Mask의 지정은 손상되지 않은 영역의 픽셀값은 0으로 설정하였으며, 손상된 내부의 색상을 유추하기 위해서 분석할 주변 영역의 반지름 크기를 지정하였다. 이에 사용되는 반지름의 크기가 너무 클 경우, 부정확한 정보로 색상이 맵핑되기 때문에 3 pixel 크기의 반지름을 사용하였다.
이후 검출된 혀 영역을 기반으로 컨벡스 헐(Convex Hull)을 통해 치흔(齒痕)을 계산하고, 인페인팅(In-Painting) 방법을 이용하여 균열(龜裂)을 측정하였다. 개선된 스네이크 방법은 곡률 정보 기반의 그리디 스네이크 방법을 적용하였고, 치흔은 컨벡스헐 결과와의 차 영상, 균열은 인페인팅 결과와의 차 영상을 통해 측정되어 진다. 이렇게 본 논문은 혀의 기하정보 측정을 위해 치흔과 균열 정보를 이용하였고, 이러한 과정을 통해 도출된 결과가 한의 전문의의 설진 진단에 있어 객관적인 지표로 활용되고자 하였다.
그리고 조명에 강한 컬러 영상을 생성하기 위하여 RGB 컬러 정규화를 수행한다. 이는 RGB 컬러 공간에서 처리되어지는 것으로, 다음 식 (1)에 의해 계산된다.
본 연구에서는 설진의 유효 분석을 위해 혀의 기하정보를 자동으로 추출하는 방법을 제안하였다. 그리디 스네이크 방법을 응용하여 혀 영역을 검출하고자 하였고, 검출된 혀 영역을 기반으로 컨벡스 헐과 인페인팅 방법을 통해 치흔과 균열 정보를 객관적으로 산출하였다. 이러한 객관적인 결과의 성능 평가를 위해 총 20장의 안면 영상 획득을 통해 치흔 15장, 균열 5장의 실험 평가를 수행하였다.
끝으로 검출된 치흔 후보 영역의 오목한 정도를 측정 하기 위해 컨벡스 헐 경계선과의 수직 방향으로의 최대 유클리디안 거리(Euclidean distance)를 계산한다. 거리에 대한 임계값으로 1.
본 논문에서는 3×3 Mask를 이용하여 스무딩 작업을 하였다.
오늘날 디지털 영상처리에서 영상 인페인팅은 오래된 영상이나 손상된 영상을 컴퓨터 기반에서 원래 모습으로 복원하거나, 지정된 영역을 제거하는 기술을 말한다. 본 논문은 검출된 혀 영역을 기반으로 인페인팅의 적용 전, 후 영상의 차를 비교하여 혀 내부의 균열 영역을 검출하고자 영상 인페인팅 방법을 사용하였다. 다음 [그림 13]은 균열 영역의 검출 과정을 나타낸다.
본 논문의 스네이크 포인트 설정은 초기 혀 영역 경계선의 곡률(Curvature)[12]을 계산하여 설정하였으며, 해당 곡률의 임계값은 평균 곡률값을 기준으로 임계값 보다 큰 곡률값을 갖는 지점을 스네이크 포인트로 할당 하였다. 다음 [그림 7]는 곡률의 계산과정을 나타내었다
본 논문의 실험을 위해 혀를 포함한 다수의 안면 영상을 획득하였고, 해당 영상들을 5년 이상의 경력을 가진 한의 전문의에 의해 치흔 영상과 균열 영상으로 분류하였다. 제안 방법에 대한 성능평가로 전문의의 수작업에 의한 기준 영상과 비교 분석하여 정량적인 수치로 정확도를 평가하고자 하였다.
영상의 대비 개선 작업 후, 영상의 잡음제거 및 윤곽선 부각을 위해 가우시안 필터를 사용하였다. 필터의 스무딩 정도는 가우시안 곡선의 폭을 나타내는 표준편차 값에 따라서 달라진다.
우선 균열 영역 검출에 있어 검출된 혀 내부 영역의 대비 개선 작업을 위해 모폴로지컬(Morphological) 개선 방법을 수행하였다. 이는 다음 식 (9)에 의해 처리된다.
본 논문은 혀의 기하학적 정보를 자동으로 추출하여, 전문의가 환자의 설진 진단을 하는데 있어 보조적인 수단이 되고자 한다. 우선 혀의 기하정보 추출을 위해 안면 영상을 획득하고, 안면 영상에서 그리디 스네이크(Greedy Snake) 방법을 응용하여 혀 영역을 검출한다. 이후 검출된 혀 영역을 기반으로 컨벡스 헐(Convex Hull)을 통해 치흔(齒痕)을 계산하고, 인페인팅(In-Painting) 방법을 이용하여 균열(龜裂)을 측정하였다.
우선순위가 가장 높은 패치에 대해서 가장 유사한 패치의 화소 정보를 복사한 후 복사된 대상 영역 정보를 갱신한다. 대상 영역이 채워질 때까지 모든 단계를 반복적으로 수행하여 Mask영역 내부를 복원하게 된다.
대상 영역이 채워질 때까지 모든 단계를 반복적으로 수행하여 Mask영역 내부를 복원하게 된다. 이 후, 인페인팅 결과 영상과 적용 전 영상과의 차 연산을 통해 균열 영역을 검출하였다. 앞서 언급한 균열 검출의 전체 과정은 다음 [그림 14]에 결과 영상들을 나타내었다.
혀의 상태를 정량적으로 평가하기 위한 첫 번째 방법으로 명확한 설진 영상의 획득이 우선시 된다. 이를 위해 하드웨어적으로 표준화된 조명과 디지털 카메라로 구성된 설진 장비를 통해 암실 상태에서의 환자의 안면 영상을 촬영하였다. 안면 촬영 시 환자의 혀 위치는 촬영 영상의 중심에 위치하도록 하였다.
해당 그리디 스네이크 방법 적용 시, 평평한 혀의 경우 경계면의 음영이 잘 나타나지 않게 되는데 이를 대처하기 위해 R성분 영상에서의 컬러차이를 통한 추가적인 정보를 사용한다. 이어서 검출 후 전처리 단계와 마찬가지로 미디언 필터를 이용하여 돌출 화소 잡음을 제거한다. 다음 [그림 9]는 이러한 과정을 거친 혀의 영역 검출 결과를 나타낸다
본 실험을 위해 총 20장의 안면 영상을 획득하였으며, 해당 안면 영상에 한의 전문의에 의해 Adobe Photoshop CS를 통해 기준선을 생성하여 제안 결과와 위 식 (15)를 통해 평가하였다. 이에 대한 영역 차이 비율의 평균 결과를 본 논문은 제안 방법의 타당성 검증을 위해, 기존의 다른 영역 분할 방식인 그래프 컷(Graph Cut)[3]과 그랩 컷(GrabCut)[4]과의 성능 비교를 수행하였다.이에 대한 결과는 다음 [표 1]과 같이 나타내었다
이진화 작업 후, 혀가 영상의 중심에 위치하고 있는 점을 이용하여 영상 중심에 걸쳐 있는 하나의 영역을 레이블링(labeling) 작업을 통해 검출하였다. 해당 검출 작업은 영상 중심 영역 근처에 균열과 같은 잡음이 있을 수 있기 때문에, [그림 6]의 (a)와 같은 십자 모양의 일정 영역으로 기준점을 정하고 해당 기준점을 시작으로 하여 연결성 정보를 파악하여 초기 혀 영역을 검출 하였다.
또한 초기 영역 설정의 문제점 역시 기존 방법들과의 큰 차이라고 볼 수 있다. 이처럼 제안 방법은 초기 영역 설정의 부분, 그리고 스네이크 포인트의 할당과 경계선 수렴시 사용되는 정보와 같이 기존 방법들과의 차별성을 두어 처리하고자 하였다.
우선 혀의 기하정보 추출을 위해 안면 영상을 획득하고, 안면 영상에서 그리디 스네이크(Greedy Snake) 방법을 응용하여 혀 영역을 검출한다. 이후 검출된 혀 영역을 기반으로 컨벡스 헐(Convex Hull)을 통해 치흔(齒痕)을 계산하고, 인페인팅(In-Painting) 방법을 이용하여 균열(龜裂)을 측정하였다. 개선된 스네이크 방법은 곡률 정보 기반의 그리디 스네이크 방법을 적용하였고, 치흔은 컨벡스헐 결과와의 차 영상, 균열은 인페인팅 결과와의 차 영상을 통해 측정되어 진다.
대비 개선 시 사용된 Mask는 5X5 크기를 사용하였다. 이후 인페인팅 방법을 통해 균열 영역 검출을 위해, 인페인팅 Mask를 계산한다. 인페인팅의 Mask는 Tophat 연산을 통해 후보 균열 영역을 검출하고, 검출된 Mask 영역을 기반으로 영상 인페인팅을 수행하여 손상된 Mask 영역(Ω)을 원 영상에 가깝게 복원하였다.
이는 Graham's scan 방법을 통하여 객체의 최 외곽선 부분을 검출하여 이를 연결해 최종 컨벡스 헐 영상을 생성한다. 이후 컨벡스 헐 영상과 생성하기 전 영상인 이진 검출결과 영상과의 차 연산을 통해 오목한 영역을 검출한다. 해당 오목한 영역을 치흔 후보 영역으로 간주하고, 모폴로지 연산을 통해 잡음을 제거하고 기울기 계산을 통해 치흔이 아닌 영역을 제거해 나간다.
인페인팅의 Mask는 Tophat 연산을 통해 후보 균열 영역을 검출하고, 검출된 Mask 영역을 기반으로 영상 인페인팅을 수행하여 손상된 Mask 영역(Ω)을 원 영상에 가깝게 복원하였다.
획득된 설진 영상을 기반으로 기하정보 추출을 위해 크게 3단계로 처리되어 진다. 첫번째로 입력 영상의 개선으로 초기 혀 영역을 검출하는 전처리 단계, 두 번째로 설진 유효 영역을 검출을 위한 영역 분할 단계, 세 번째로 검출된 혀 영역을 기반으로 치흔과 균열을 계산하는 기하정보 추출 단계로 처리되어 진다. 이는 [그림 2]의 전체 알고리즘 흐름도에 나타난다
치흔의 경우 혀의 오목한 부분의 경계선 검출 범위를 정확도 평가의 기준으로 판단하여, 검출된 경계선의 바운딩 박스(Bounding Box)를 생성해 해당 영역 차이를 비교하였다. 균열의 경우 일반적으로 검출된 영역의 차이를 계산하였다.
이진화 작업 후, 혀가 영상의 중심에 위치하고 있는 점을 이용하여 영상 중심에 걸쳐 있는 하나의 영역을 레이블링(labeling) 작업을 통해 검출하였다. 해당 검출 작업은 영상 중심 영역 근처에 균열과 같은 잡음이 있을 수 있기 때문에, [그림 6]의 (a)와 같은 십자 모양의 일정 영역으로 기준점을 정하고 해당 기준점을 시작으로 하여 연결성 정보를 파악하여 초기 혀 영역을 검출 하였다. 이는 [그림 6]에서 나타나며 레이블링에 사용한 연결성은 8 연결성 정보를 사용하였다.
이후 컨벡스 헐 영상과 생성하기 전 영상인 이진 검출결과 영상과의 차 연산을 통해 오목한 영역을 검출한다. 해당 오목한 영역을 치흔 후보 영역으로 간주하고, 모폴로지 연산을 통해 잡음을 제거하고 기울기 계산을 통해 치흔이 아닌 영역을 제거해 나간다. 일반적인 치흔의 경우 혀의 좌,우, 하단 부분에 위치해 있기 때문에 객체 상단 부분에 검출된 후보 영역을 제거하기 위해 후보영역의 위치 정보와 기울기 계산을 통해 (-)0.
획득된 설진 영상을 기반으로 기하정보 추출을 위해 크게 3단계로 처리되어 진다. 첫번째로 입력 영상의 개선으로 초기 혀 영역을 검출하는 전처리 단계, 두 번째로 설진 유효 영역을 검출을 위한 영역 분할 단계, 세 번째로 검출된 혀 영역을 기반으로 치흔과 균열을 계산하는 기하정보 추출 단계로 처리되어 진다.
대상 데이터
Input은 검출된 혀 영역으로 붉은 계통에 대비되는 B 채널 공간을 나타내고, 객체를 부각시키는 Tophat 결과를 합연산, 배경을 부각시키는 Bottomhat 결과를 차연 산하여 대비 개선을 수행하였다. 대비 개선 시 사용된 Mask는 5X5 크기를 사용하였다. 이후 인페인팅 방법을 통해 균열 영역 검출을 위해, 인페인팅 Mask를 계산한다.
위 식 (15)에서 Rdiff는 영역 차이 비율을 나타내며, Rcriteria는 기준 영상의 영역, Rproposed는 제안 방법의 영역 결과를 나타낸다. 본 실험을 위해 총 20장의 안면 영상을 획득하였으며, 해당 안면 영상에 한의 전문의에 의해 Adobe Photoshop CS를 통해 기준선을 생성하여 제안 결과와 위 식 (15)를 통해 평가하였다. 이에 대한 영역 차이 비율의 평균 결과를 본 논문은 제안 방법의 타당성 검증을 위해, 기존의 다른 영역 분할 방식인 그래프 컷(Graph Cut)[3]과 그랩 컷(GrabCut)[4]과의 성능 비교를 수행하였다.
그리디 스네이크 방법을 응용하여 혀 영역을 검출하고자 하였고, 검출된 혀 영역을 기반으로 컨벡스 헐과 인페인팅 방법을 통해 치흔과 균열 정보를 객관적으로 산출하였다. 이러한 객관적인 결과의 성능 평가를 위해 총 20장의 안면 영상 획득을 통해 치흔 15장, 균열 5장의 실험 평가를 수행하였다. 치흔의 경우 평균 7.
이론/모형
기하정보 측정의 두 번째인 균열의 측정은 영상 인페인팅(In-painting)[14] 방법을 사용하여 측정하였다. 오늘날 디지털 영상처리에서 영상 인페인팅은 오래된 영상이나 손상된 영상을 컴퓨터 기반에서 원래 모습으로 복원하거나, 지정된 영역을 제거하는 기술을 말한다.
기하정보 측정의 첫 번째로 치흔의 측정은 컨벡스 헐 (Convex Hull)[13] 영상과의 차를 이용한 방법을 사용하였다. 치흔 영상의 혀 검출결과 경계선은 오목한 특성을 가지고 있어, 이러한 오목한 정도를 측정하기 위해 최소 볼록 다각형인 컨벡스 헐을 생성하여 치흔의 정도를 측정하고자 하였다.
본 논문은 이러한 문제점을 해결하기 위해 각 스네이크 포인트마다 가중치를 두어 안정적이고 빠르게 반복 작업을 수행하는 그리디 스네이크 방법을 활용하였다.
본 알고리즘에 사용된 인페인팅(In-painting) 방법은 모든 화소 q∈Φ를 중심으로 하는 패치 #에 대해서 식 (13)과 같은 전체탐색(exhaustive search)을 수행한다.
영상의 대비 개선 작업 후, Otsu[10]의 임계값 결정 방법을 통하여 이진 영상을 생성한다. Otsu의 임계값 결정 방법은 빈도수 히스토그램에 기반한 대표적 임계값 결정 방법으로, 일반적으로 입력 영상의 히스토그램 분포가 두 개의 군집으로 되어 있을 때 각 군집간의 분산을 최대화 시키는 그레이 레벨 임계값을 이용하여 이진 영상으로 변환한다.
이후, 정규화된 컬러공간을 YCbCr 공간으로 변환하여 Y채널만 추출하여 명암 대비 개선 작업에 사용한다. 이는 CLAHE(Contrast Limited Adaptive Histogram Equalization)[8]을 사용하여 대비 개선작업을 수행하였다. 이러한 CLAHE 방법은 윈도우와 레벨 적응 과정 없이 원 이미지에서 가장 적절한 색상의 이미지를 얻을 수 있는 알고리즘으로 사용자 간섭 없이도 이미지를 자동적으로 개선하여 보여주는 것이 특징이다.
성능/효과
기존 방법들과의 비교 실험 결과, 그래프 컷과 그랩 컷의 경우 입술이나 치아와 만나는 지점에서 지역적 최소값 오류에 빠져 부정확한 결과가 도출되었다. 또한 초기 영역 설정의 문제점 역시 기존 방법들과의 큰 차이라고 볼 수 있다.
이러한 객관적인 결과의 성능 평가를 위해 총 20장의 안면 영상 획득을 통해 치흔 15장, 균열 5장의 실험 평가를 수행하였다. 치흔의 경우 평균 7.2%, 균열의 경우 8.5%의 영역 차이 비율을 도출하였으며, 이러한 일련의 방법은 초기 혀 영역 결정 문제와 그림자 영역을 에너지가 다른 영역으로 인식하는 등의 문제로 인해 일부 부정확한 결과가 도출되었다. 향후 연구로 이러한 1단계 혀 영역 검출 정확도가 기하정보 추출 전체에 영향을 미치게 되는 만큼, 해당 부분의 정확도를 높이는 연구를 추가적으로 수행할 예정이다.
후속연구
5%의 영역 차이 비율을 도출하였으며, 이러한 일련의 방법은 초기 혀 영역 결정 문제와 그림자 영역을 에너지가 다른 영역으로 인식하는 등의 문제로 인해 일부 부정확한 결과가 도출되었다. 향후 연구로 이러한 1단계 혀 영역 검출 정확도가 기하정보 추출 전체에 영향을 미치게 되는 만큼, 해당 부분의 정확도를 높이는 연구를 추가적으로 수행할 예정이다. 이러한 연구를 통해 우리는 더욱 정확하고 보다 효율적인 설진 보조 시스템을 구성해가고자 한다.
질의응답
핵심어
질문
논문에서 추출한 답변
한의학에서의 주요 진찰법 네 가지는?
한의학에서의 주요 진찰법은 크게 망(望), 문(聞), 문 (問), 절(切)의 네가지가 있다. 이중 망진에서 특히 중요한 것 중 하나는 설진(舌診)으로 설질(舌質)과 설태(舌苔)의 변화를 관찰하여 질병을 진찰하는 방법이다.
획득된 설진 영상을 기반으로 기하정보 추출을 위한 3단계 처리단계는 무엇인가?
획득된 설진 영상을 기반으로 기하정보 추출을 위해 크게 3단계로 처리되어 진다. 첫번째로 입력 영상의 개선으로 초기 혀 영역을 검출하는 전처리 단계, 두 번째로 설진 유효 영역을 검출을 위한 영역 분할 단계, 세번째로 검출된 혀 영역을 기반으로 치흔과 균열을 계산 하는 기하정보 추출 단계로 처리되어 진다. 이는 [그림 2]의 전체 알고리즘 흐름도에 나타난다
설진이란 무엇인가?
한의학에서의 주요 진찰법은 크게 망(望), 문(聞), 문 (問), 절(切)의 네가지가 있다. 이중 망진에서 특히 중요한 것 중 하나는 설진(舌診)으로 설질(舌質)과 설태(舌苔)의 변화를 관찰하여 질병을 진찰하는 방법이다. 한의학에서 혀는 인체의 생리적, 임상적인 상태를 반영하는 기관으로 사람의 건강 상태를 진단하는 중요한 지표로 사용되고 있다[1].
참고문헌 (14)
C. C. Chiu, "A novel approach based on computerized image analysis for traditional Chinese medical diagnosis of the tongue," Computer Methods and Programs in Biomedicine, Vol.61, pp.77-89, 2000.
W. Li, C. Zhou, and Z. Zhang, "The segmentation of the body of tongue based on the improved snake algorithm in traditional Chinese medicine," in Proc. the 5th world congress on intelligent control and automation, pp.15-19, 2004.
R. Zabih and V. Kolmogorov, "Spatially coherent clustering using graph cuts," in Proc. Computer Vision and Pattern Recognition, Vol.2, pp.437-444, 2004.
C. Rother, V. Kolmogorov, and A. Blake, "GrabCut: interactive foreground extraction using iterated graph cuts," ACM Trans. Graphics, Vol.23, No.3, pp.309-314, 2004.
Eddie Y.-K. NG, Y. Chen, Segmentation of Breast Thermogram: "Improved Boundary Detection with Modified snake Algorithm," Journal of Mechanics in Medicine and Biology, Vol.6, No.2, pp.123-136, 2006.
S. M. Pizer, R. E. Johnston, J. P. Ericksen, B. C. Yankaskas, and K. E. Muller, "Contrast-limited adaptive histogram equalization: speed and effectiveness," Visualization in Biomedical Computing, pp.337-345, 1990.
P. S. Heckbert, Graphics Gems IV, Academic Press Professional Inc., pp.474-485, 1994.
N. Otsu, "A Thresholding Selection Method from Gray-scale Histogram," In IEEE Transactions on System, Man, and Cybernetics, Vol.9, No.1, pp.62-66, 1979.
D. Williams and M. Shah, "A fast algorithm for active contours and curvature estimation, Computer Vision, Graphics," and Image Processing: Image Understanding, Vol.55, pp.14-25, 1992.
T. M. Murphy, M. Math, Leif H. Finkel, "Curvature Covariation as a Factor in Perceptual Salience," International IEEE EMBS CNECI, pp.16-19, 2003.
Longin Jan Latecki and Rolf Lakamper, "Convexity Rule for Shape Decomposition Based on Discrete Contour Evolution," Computer Vision and Image Understanding, Vol.73, No.3, pp.441-454, 1999.
M. Elad a, J.-L. Starck b, P. Querreb, and D. L. Donoho, "Simultaneous cartoon and texture image inpainting using morphological component analysis (MCA)," Appl. Comput. Harmon. Anal, Vol.19, pp.340-358, 2005.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.