[논문]HoG 기술자를 이용한 중이염 자동 판별 방법

정나라; 송재욱; 최호형; 강현수

doi:10.6109/jkiice.2016.20.3.621

HoG 기술자를 이용한 중이염 자동 판별 방법
Middle Ear Disease Automatic Decision Scheme using HoG Descriptor 원문보기

한국정보통신학회논문지 = Journal of the Korea Institute of Information and Communication Engineering, v.20 no.3, 2016년, pp.621 - 629

정나라 (Graduate School of Electrical Engineering and Computer Science, Chungbuk University) , 송재욱 (Graduate School of Electrical Engineering and Computer Science, Chungbuk University) , 최호형 (Graduate School of Electrical Engineering and Computer Science, Chungbuk University) , 강현수 (Graduate School of Electrical Engineering and Computer Science, Chungbuk University)

초록
AI-Helper

본 논문은 소아 및 성인의 중이염을 자동 판별할 수 있는 알고리즘을 제안한다. 제안 방법은 중이염 영상과 정상 영상 데이터베이스에서 HoG(histogram of oriented gradient) 기술자를 사용하여 특징을 추출한 다음 SVM(support vector machine) 분류기를 통하여 추출된 특징들을 학습시킨다. 여기서 SVM 입력 벡터의 추출을 위하여 입력영상은 영상크기를 사전에 정의된 일정크기의 영상으로 변환되고 변환된 영상을 16개의 블록과 4개의 셀로 분할하며 9개의 빈을 가진 HoG를 사용한다. 결과적으로 입력 영상에서 576개의 특징을 추출하고 이를 SVM의 학습과 분류에 사용된다. 입력 영상이 학습된 특징들의 모델을 기반으로 SVM 분류기를 통하여 중이염 여부가 판별된다. 실험 결과 제안한 방법은 정확도 90% 이상의 판별 성능을 나타내었다.

Abstract ▼ AI-Helper

This paper presents a decision method of middle ear disease which is developed in children and adults. In the proposed method, features are extracted from the middle ear disease images and normal images using HoG (histogram of oriented gradient) descriptor and the extracted features are learned by SVM (support vector machine) classifier. To obtain an input vector into SVM, an input image is resized to a predefined size and then the resized image is partitioned into 16 blocks each of which is partitioned into 4 sub-blocks (namely cell). Finally, the feature vector with 576 components is given by using HoG with 9 bins and it is used as SVM learning and classification. Input images are classified by SVM classifier based on the model of learning features. Experimental results show that the proposed method yields the precision of over 90% in decision.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

This work was conducted as a part of the research projects of “Development of a smartphone interworking health earphone for child-care” financially supported by the Ministry of Science, ICT and Future Planning Innopolis Foundation of Korea.
본 논문에서는 HoG 기술자와 SVM 분류기를 이용하여 소아와 성인의 중이염을 가정에서 쉽게 판별해주는 알고리즘을 제안하였다. 중이염 영상과 정상 영상간의 히스토그램 분석을 통하여 HoG 특징 벡터의 차이점을 찾아내어 분류가 가능함을 입증하였다.
본 논문에서는 HoG기술자와 SVM 분류기를 사용하여 중이염을 자동 판별하는 알고리즘을 제안한다. 그림 3은 중이염 자동 판별 블록 다이어그램을 나타낸다.
본 논문에서는 소아 및 성인의 중이염을 자동으로 판단하는 알고리즘을 제안한다. 중이염 환자의 귓속 내부는 그림 1 중이염 영상과 그림 2 정상 영상에서 보이는 것처럼 염증으로 인하여 그림1과 같이 중이염 환장의 경우 정상인의 귓속보다 핏줄이 붉게 도드라지고, 고름으로 인해 울퉁불퉁한 표면을 갖고 있기 때문에 윤곽선의 분포가 정상인의 귓속보다 많은 것이 특징이다.

제안 방법

다음 실험으로 HoG 특징 벡터가 회전에 영향을 받는지 알아보기 위하여 SVM 학습 데이터 모델을 생성할 때 데이터베이스 영상의 회전 각도를 다르게 하여 표 2와 같이 구성하였다. 회전 각도가 작아질수록 각 학습데이터 모델의 데이터 개수가 증가하는 것을 볼 수 있다.
또한 중이염과 정상 영상 데이터베이스 확보를 위하여 직접 검이경을 사용하여 측정한 데이터베이스와 인터넷 자료를 참고하였다. 또한 검이경으로 촬영 시 회전 각도를 고려하기 위해 각도에 따른 분류 방법을 제안한다.
추출된 특징 데이터를 가지고 SVM(support vector machine)을 사용하여 학습을 시키고, 학습된 모델을 통하여 분류기가 생성되면 분류기를 통하여 입력 영상이 중이염인지 정상인지 판별된다. 또한 중이염과 정상 영상 데이터베이스 확보를 위하여 직접 검이경을 사용하여 측정한 데이터베이스와 인터넷 자료를 참고하였다. 또한 검이경으로 촬영 시 회전 각도를 고려하기 위해 각도에 따른 분류 방법을 제안한다.
본 논문에서는 중이염영상과 정상영상의 독특한 윤곽정보를 판단 할 수 있는 기술자를 사용하는 것이 타당하다고 판단되어 HoG 기술자를 특징 추출 알고리즘으로 사용하였다.
본 논문에서 블록과 셀의 크기는 각각 8×8과 4×4로 정하였다. 셀 영역 내의 윤곽선 정보의 방향과 크기를 누적한 9개의 빈을 갖는 히스토그램을 생성하였다. 그림 6과 같이 각 셀마다 생성된 히스토그램을 블록 단위로 이어 HoG 특징 벡터를 생성한다.
SIFT는 크기와 회전 변화에 강인한 특징 추출 방법이다. 주어진 기준영상에 포함된 객체 이미지를 분석하여 크기 및 회전 변화에 강인한 특징점을 추출하고, 이를 서술자로 구성한다.
본 논문에서 사용한 특징 추출 알고리즘은 블록단위로 기하학적 정보를 유지하되, 각 블록 내부에서는 히스토그램을 사용함으로써 지역적 변화에 강인한 특성을 갖고 있는 HoG 기술자를 사용하는 것이 중이염 판별에 가장 우수한 성능을 보이며, 이러한 이유에서 제안된 방법에서 특징 추출에 사용되었다. 추출된 특징 데이터를 가지고 SVM(support vector machine)을 사용하여 학습을 시키고, 학습된 모델을 통하여 분류기가 생성되면 분류기를 통하여 입력 영상이 중이염인지 정상인지 판별된다. 또한 중이염과 정상 영상 데이터베이스 확보를 위하여 직접 검이경을 사용하여 측정한 데이터베이스와 인터넷 자료를 참고하였다.
그런 다음 HoG feature extraction 블록에서 HoG 특징을 추출한다. 추출된 특징으로 SVM Training 블록에서 SVM 학습을 한 다음에 SVM Classification 블록에서 분류기를 생성한다. SVM 분류기 생성 과정이 완료된 후 입력영상이 전처리 과정 블록을 거쳐 HoG 특징 벡터가 추출된다.

대상 데이터

본 논문에서는 중이염 촬영 장치를 이용하여 획득한 영상과 인터넷 상에서 획득한 중이염 영상 40개와 정상영상 30개를 바탕으로 SVM 학습데이터와 테스트 데이터를 생성하였다.
테스트 데이터는 회전각도 단위와 겹치지 않는 7°,17°, 27°, ⋯, 357°로 회전하여 총 2440개로 구성하였다.

이론/모형

표 1은 다양한 윤곽선 추출 마스크이다. 본 HoG추출 알고리즘에 사용된 윤곽선 추출 마스크는 ID-Centered 윤곽선 추출 마스크이다. 이는 다른 윤곽선 연산자들과 비교했을 때 그 성능이 중이염 판별에 우수함을 보이기 때문이다.

성능/효과

이러한 특징은 다른 정상 영상과 중이염 영상에도 동일한 것을 실험을 통해 확인할 수 있었다. 따라서 윤곽선 분포의 차이에 의해 정상 영상과 중이염 영상이 분류가 가능함을 확인 할 수 있다.
041%까지 인식하는 것을 볼 수 있었다. 또 빈의 개수에 대한 실험을 통하여 SVM 분류에 영향을 미치지 않고, 오히려 수행 시간이 증가하여 기존 빈의 개수를 적용하는 것이 중이염 자동 판별 시스템에 더 좋은 결과를 갖는 것을 알 수 있었다.
또한 다양한 회전각도에 대한 실험을 통하여 회전에 영향은 받지만 SVM 분류에는 영향을 미치지 않아 제대로 인식이 됨을 증명하였고, 회전각이 30°에서 최대 90.041%까지 인식하는 것을 볼 수 있었다.
그런데 그 차이 값이 1%이내이기 때문에 SVM 분류 결과는 빈의 개수가 거의 영향을 받지 않는다고 볼 수 있다. 반면에 빈의 개수가 커지고 HoG 특징 벡터의 길이가 3배 늘어남으로써 SVM 학습 시간과 분류 시간이 크게 증가하였다. 그러므로 원래의 9개의 빈으로 분류하는 것이 중이염 자동 판별 시스템 측면에서 더 좋은 결과를 보인다.
본 논문에서 사용한 특징 추출 알고리즘은 블록단위로 기하학적 정보를 유지하되, 각 블록 내부에서는 히스토그램을 사용함으로써 지역적 변화에 강인한 특성을 갖고 있는 HoG 기술자를 사용하는 것이 중이염 판별에 가장 우수한 성능을 보이며, 이러한 이유에서 제안된 방법에서 특징 추출에 사용되었다. 추출된 특징 데이터를 가지고 SVM(support vector machine)을 사용하여 학습을 시키고, 학습된 모델을 통하여 분류기가 생성되면 분류기를 통하여 입력 영상이 중이염인지 정상인지 판별된다.
10°, 20°, 40°의 경우도 거의 90%에 가까운 인식률을 보였다. 실험 결과 HoG 특징 벡터는 회전할 때 히스토그램은 변화가 있었지만 그림 9와 같이 한쪽으로 편중된 윤곽선의 분포특징은 회전이 되었어도 변하지 않는 것을 볼 수 있다. HoG 기술자에서 빈(bin) 값은 방향 특징 정보를 나타내는 것으로 빈의 개수가 9 라는 것은 40°단위로 총 9방향을 갖는 것을 의미한다.
실험 결과는 표 4와 같이 빈의 개수가 9일 때와 12이일 때 비교해 볼 때 빈의 개수가 12일 때 조금 더 높은 것을 볼 수 있다. 그런데 그 차이 값이 1%이내이기 때문에 SVM 분류 결과는 빈의 개수가 거의 영향을 받지 않는다고 볼 수 있다.
본 논문에서는 HoG 기술자와 SVM 분류기를 이용하여 소아와 성인의 중이염을 가정에서 쉽게 판별해주는 알고리즘을 제안하였다. 중이염 영상과 정상 영상간의 히스토그램 분석을 통하여 HoG 특징 벡터의 차이점을 찾아내어 분류가 가능함을 입증하였다. 또한 다양한 회전각도에 대한 실험을 통하여 회전에 영향은 받지만 SVM 분류에는 영향을 미치지 않아 제대로 인식이 됨을 증명하였고, 회전각이 30°에서 최대 90.
테스트 데이터는 회전각도 단위와 겹치지 않는 7°,17°, 27°, ⋯, 357°로 회전하여 총 2440개로 구성하였다. 회전각도에 따른 SVM 분류 결과는 표 3과 같이 SVM 학습 데이터 모델의 회전각도 단위가 작아질수록 분류 결과가 좋았다. 회전하지 않은 학습 데이터 모델 데이터의 경우 70.
회전각도에 따른 SVM 분류 결과는 표 3과 같이 SVM 학습 데이터 모델의 회전각도 단위가 작아질수록 분류 결과가 좋았다. 회전하지 않은 학습 데이터 모델 데이터의 경우 70.860%로 낮았지만 회전하여 학습 데이터 모델을 생성하였을 경우 회전각도의 단위가 작고, 학습 데이터 개수가 증가 할수록 SVM 인식결과가 높아졌다. 그 중에서도 30°단위로 회전하였을 경우 90.

후속연구

현실적으로 다수의 중이염 환자의 영상을 확보하는 것이 쉽지 않은 일이므로, 본 연구의 향후 과제로서는 더 많이 중이염과 정상 영상을 확보하여, 보다 많은 영상에 대해 중이염 자동 판별알고리즘을 적용하여 검증과 함께 성능 향상 연구를 수행하는 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	중이염은 언제 왜 발생하는가?	급성 중이염은 소아에서 가장 흔한 감염 병으로 환아 중 3세 이하의 약 30%가 매년 급성 중이염으로 병원을 방문하는 병이다[1]. 중이염은 보통 환절기에 꽃가루, 미세먼지, 황사로 인하여 감염되는 감기와 같은 호흡기 질환으로 발생하는 경우가 대부분이다. 특히 소아에게 쉽게 발병되는 이유는 귀 인두관이 성인보다 짧아 세균이나 바이러스가 중이강 내에 침투하기 쉽기 때문이다.
	중이염이 소아에게 쉽게 발병되는 이유는?	중이염은 보통 환절기에 꽃가루, 미세먼지, 황사로 인하여 감염되는 감기와 같은 호흡기 질환으로 발생하는 경우가 대부분이다. 특히 소아에게 쉽게 발병되는 이유는 귀 인두관이 성인보다 짧아 세균이나 바이러스가 중이강 내에 침투하기 쉽기 때문이다. 게다가 처음 감염되면 반복적으로 중이염에 걸릴 수 있고, 치료시기를 놓치면 청력손실의 위험성도 높아지게 된다.
	특징추출 알고리즘의 종류에는 무엇이 있는가?	중이염 환자의 귓속 내부는 그림 1 중이염 영상과 그림 2 정상 영상에서 보이는 것처럼 염증으로 인하여 그림1과 같이 중이염 환장의 경우 정상인의 귓속보다 핏줄이 붉게 도드라지고, 고름으로 인해 울퉁불퉁한 표면을 갖고 있기 때문에 윤곽선의 분포가 정상인의 귓속보다 많은 것이 특징이다. 특징추출 알고리즘에는 HoG(histogram of oriented gradient) [2-4], SIFT(scale invariant feature transform)[5, 6], LBP(local binary pattern)[7-9], Haar 연산자[10] 등이 있다.

참고문헌 (13)

J. Froom , L. Culpepper, et al., "Diagnosis and antibiotic treatment of acute otitis media : Report from International Primary Care Network," BMJ, vol. 300, no. 6724, pp. 582-586, March 1990.

상세보기
N. Dalal and B. Triggs, "Histograms of oriented gradients for human detection," IEEE Computer Society Conference on Computer Vision and Pattern Recognition, vol. 1, pp. 886-893, 2005.
Jiang, J., & Xiong, H. (2012, August). "Fast pedestrian detection based on hog-pca and gentle adaboost," International Conference on Computer Science & Service System (CSSS), pp. 1819-1822, 2012.
Triggs B. "Histograms of oriented gradients for human detection," IEEE Computer Society Conference on Computer Vision and Pattern Recognition, pp. 886-893, 2005.
D. G. Lowe, "Object recognition from localscale-invariant features," IEEE International Conference on Computer Vision, Kerkyra, Greece, pp. 1150-1157, 1999.
D. G. Lowe, "Distinctive image features from scaleinvariant keypoints," International Journal of Computer Vision, vol. 60, no. 2, pp. 91-110, Jan. 2004.

상세보기
T. Ojala, M. Pietikainen, D. Harwood, "A Comparative Study of Texture Measures with Classification Based on Feature Distributions," Pattern Recognition, vol. 29, no 1, pp. 51-59, Jan. 1996.

상세보기
C. Won, "A Study on Facial Expression Recognition using Boosted Local Binary Pattern," Journal of Korea Multimedia Society, vol. 16, no. 12, pp. 1357-1367, Dec. 2013.

원문보기 상세보기
C. Shan, S. Gong, and P.W. McOwan, "Facial Expression Recognition Based on Local Binary Patterns: A Comprehensive Study," Image and Vision Computing, vol. 27, no. 6, pp. 803-816, May 2009.

상세보기
P. Viola and M. J. Jones, "Rapid Object Detection using a Boosted Cascade of Simple Features," IEEE Computer Society Conference on Computer Vision and Pattern Recognition, vol.1, pp. 511-518, 2001
R. C. Gonzalez and R. E. Wood, Digital Image Processing, Addison Wesley, 2002
R. Debnath, N. Takahide and H. Takahashi, "A decision based one-against-one method for multi-class support vector machine," Pattern Analysis & Applications, vol. 7, no. 2, pp. 164-175, July 2004.

상세보기
Jeong-Hyun Park, Chan-sik Hwang, Keun-sung Bae, "Analysis of target classification performances of active sonar returns depending on parameter values of SVM kernel functions," The Korea Institute of Information and Communication Engineering, vol. 17, no. 5, pp. 1084-1088, May 2013.

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증