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.
문제 정의
- 그러나 이러한 디지털 설진기는 고가의 장비에 의존하여 의료비의 부담으로 일반인이 손쉽게 사용할 수 없는 실정이다. 본 논문에 서는 고가의 디지털 설진 장비 없이 시간과 장소에 구애 받지 않으며, 누구나 손쉽게 사용할 수 잇는 효과적인 설태 검출 방법을 제시하고자 한다. 제 2장에서는 기존에 연구된 설진 판별 방법들을 기술하고, 제 3장에서는 제안하는 시스템을 기술한다.
- 본 논문에서는 고가의 디지털 설진 장비와 특별한 장치 없이 누구나 손쉽게 사용할 수 있는 디지털 시스템의 첫 단계로 미각 영역별 균열 유무를 판별하는 설진 시스템을 제안하였다. 훈련 DB는 한방병원에서 수집한 사진 261장을 바탕으로 Haar-like feature, Adaboost 학습을 행하였다.
제안 방법
- 분할된 미각 영역을 Gray 영상으로 변환한다. Gray 영상은 가장 어두운 값은 0으로, 가장 밝은 값을 255로 표현하여 균열 부분의 명암 차이를 이용하여 이진화 하고 이진화된 영상에 Connected Component Labeling을 통하여 균열 유무를 판별하였다.
- 미각 영역은 상대적 위치를 설정하여 분할하였다. 균열 유무 판별은 미각 영역을 Gray 영상으로 변환하여 평균밝기를 산출 한 후, 산출된 평균밝기를 이용하여 이진화 하였다. 이진화 영상을 통하여 Connected Component Labeling 실시하여 균열 유무를 판별 하였다.
- 평균값을 이용하여 1차임계값 h180과 2차임계값 h2 130을 도출하였다. 도출된 임계값을 이용하여 이진화 하였을 때, 그림 7과 같이 명확한 혀윤곽을 검출 하였다. 그림 7의 (a)은 HSV 컬러 모델 영상이고, (b)는 임계값을 이용한 이진화 결과 이다.
- 제안하는 알고리즘의 성능 평가를 위해 알고리즘의 균열 유무 판별 결과와 한의사에 의한 균열 유무 판별 결과를 비교하여 오차를 측정하였다. 따라서 성능 평가 지표는 본 알고리즘의 균열 유무 판별 정확도로 평가하였다. 그림 12는 실험 DB 영상을 통해 알고리즘의 미각 영역별 균열 유무를 판별한 결과로서 (a)는 Gray 영상이고, (b)는 각각의 미각 영역별 평균 밝기를 산출하여 이진화한 영상이다.
- 미각 영역은 신체의 오장과 연관되어 쓴맛은 콩팥, 신맛은 간과 폐, 짠맛은 위, 단맛은 심장을 진단 할 수있는 지표가 된다. 미각 영역별 균열 유무를 판별하기 위하여 혀 검출 결과를 이용하고 상대적 위치를 설정하여 미각 영역별 분할하였다. 그림 9는 미각 영역별 분할한 결과이다.
- 미각 영역별 분할된 영상을 이용하여 균열 유무를 판별한다. 분할된 미각 영역을 Gray 영상으로 변환한다.
- 실험 DB는 40장의 혀영상으로 구성되었으며, 균열유무를 판별하기 위해 균열이 없는 영상 25장, 균열이 있는 영상 15장으로 구성하여 실험에 이용하였다. 본 알고리즘에서 쓴맛, 혀 가장 안쪽의 균열 유무 판별 오류는 스마트 기기의 조명장치를 이용하여 그림자 영역을 최소화 하였다.
- 산출된 평균값을 바탕으로 임계값 80, 130을 이용하여 정확하게 혀 영역을 분리하였다. 분리된 혀 영역은 상대적인 좌표값을 이용하여 미각 영역별로 분할하였고, 분리된 미각 영역별 평균 밝기를 산출하여 이진화 하였다. 이진화 영상에서 Connected Component Labeling을 통하여 균열 유무를 판별하였다.
- 훈련 DB를 통하여 입력영상에서 혀 후보 영역을 검출하고, 후보영역의 정확한 혀 분리를 위해 HSV 컬러 모델의 Hue 성분을 이용하여 평균값 105를 산출하였다. 산출된 평균값을 바탕으로 임계값 80, 130을 이용하여 정확하게 혀 영역을 분리하였다. 분리된 혀 영역은 상대적인 좌표값을 이용하여 미각 영역별로 분할하였고, 분리된 미각 영역별 평균 밝기를 산출하여 이진화 하였다.
- 이러한 혀 영역 분리를 마친후 , 설진을 검출 하기위해 설질을 분석하는 방법과 설태를 분석하는 방법으로 구분 할 수 있다. 설질을 분석하는 방법으로는 RGB 컬러영상을 HSV 컬러영상으로 변환하여 색상, 채도, 명암으로 분할하고 컬러 분포를 이용하여 설태 종류를 구분하는 방법을 제안하였다. 설태를 분석하는 방법으로는 기하정보를 기반으로 컨벡스헐과 인페인팅 방법을 통하여 치흔과 균열을 구분하는 방법을 제시하였다.
- 설질을 분석하는 방법으로는 RGB 컬러영상을 HSV 컬러영상으로 변환하여 색상, 채도, 명암으로 분할하고 컬러 분포를 이용하여 설태 종류를 구분하는 방법을 제안하였다. 설태를 분석하는 방법으로는 기하정보를 기반으로 컨벡스헐과 인페인팅 방법을 통하여 치흔과 균열을 구분하는 방법을 제시하였다.
- 본 논문에서 수집한 훈련 DB는 한방병원에서 수집하였고, 총 261장으로 구성되어 혀의 크기와 설태 분포를 분석하는 육안 실험 과정을 참고하여 연구하였다. 위와 같이 혀 영상에 대한 학습을 수행하고 학습된 훈련 DB를 이용하여 그림 5와 같이 혀 후보 영역을 검출하였다.
- 그림 7의 (a)은 HSV 컬러 모델 영상이고, (b)는 임계값을 이용한 이진화 결과 이다. 이진화 결과를 이용하여 Connected Component Labeling을 수행 하였다. 잡음을 최소화 하기 위해 Connected Component Labeling의 기준은 픽셀 개수가 1000 픽셀 이상만 Labeling 하였다.
- 분리된 혀 영역은 상대적인 좌표값을 이용하여 미각 영역별로 분할하였고, 분리된 미각 영역별 평균 밝기를 산출하여 이진화 하였다. 이진화 영상에서 Connected Component Labeling을 통하여 균열 유무를 판별하였다. 이 훈련 DB는 본 논문에서 제안하는 알고리즘의 성능평가를 위한 기준이 된다.
- 균열 유무 판별은 미각 영역을 Gray 영상으로 변환하여 평균밝기를 산출 한 후, 산출된 평균밝기를 이용하여 이진화 하였다. 이진화 영상을 통하여 Connected Component Labeling 실시하여 균열 유무를 판별 하였다. 훈련 DB 테스트 중 혀의 가장 안쪽, 쓴 맛 영역에서 조도의 영향으로 인한 판별 오류를 확인하였다.
- 후보 영역은 주변의 피부를 포함하고 있어 미각별 영역 분류에 영향을 미친다. 정확한 혀 영역을 분리하기 위하여 그림 6과같이 RGB 컬러 영상을 HSV 컬러 영상으로 변환한 후 Hue 영상을 취하였다.
- 본 논문에서 제안하는 알고리즘은 실험을 통하여 미각 영역별 분할하고 균열 유무 판별하고 한의사의 판별 결과와 비교하여 정확성 91% 의 판별률을 얻었다. 제안하는 알고리즘은 빛의 밝기가 일정한, 조도의 영향이 없는 환경에서 실험하였다. 향후, 균열 유무 판별뿐만 아니라 혀 경계면의 좌우 탐색을 통한 치흔, 좌우 비대칭 특징의 형태 분석이 가능하도록 연구가 필요하다.
- 학습된 결과를 바탕으로 입력영상으로부터 혀 후보 영역을 검출하고, 검출된 혀 후보영역을 정확하게 혀 영역만 분리하기 위하여 261장의 훈련 DB에서 HSV 컬러모델의 Hue 성분 참조값을 산출하였다. 참조값을 바탕으로 이진화 임계값 80, 130을 도출하여 이진화 하였을 때, 명확한 혀 윤곽을 검출하였다. 검출된 혀 영역은 미각 영역으로 분할하였다.
- 훈련 DB는 한방병원에서 수집한 사진 261장을 바탕으로 Haar-like feature, Adaboost 학습을 행하였다. 학습된 결과를 바탕으로 입력영상으로부터 혀 후보 영역을 검출하고, 검출된 혀 후보영역을 정확하게 혀 영역만 분리하기 위하여 261장의 훈련 DB에서 HSV 컬러모델의 Hue 성분 참조값을 산출하였다. 참조값을 바탕으로 이진화 임계값 80, 130을 도출하여 이진화 하였을 때, 명확한 혀 윤곽을 검출하였다.
- 표 1은 그림 12와 같은 방법에 의한 알고리즘 판별과 한의사의 판별을 비교한 표이다. 한의사의 판별 결과와 알고리즘 판별 결과를 비교하여 본 논문의 판별 정확도를 평가하였다. 한의사의 판별 ‘Crack:균열’과알고리즘 판별 ‘균열’, 한의사의 판별 ‘Normal:정상’과알고리즘 판별 ‘정상’은 정확도를 나타낸다.
- 그림 9에서 (a)는 쓴맛 영역, (b)는 단맛영역, (c)는 짠맛 영역, (d)는 신막 영역이다. 혀 검출 영상의 상대적 너비와 높이를 이용하여 겹치는 현상을 방지하여 분할하였다.
- 이진화 영상을 통하여 Connected Component Labeling 실시하여 균열 유무를 판별 하였다. 훈련 DB 테스트 중 혀의 가장 안쪽, 쓴 맛 영역에서 조도의 영향으로 인한 판별 오류를 확인하였다. 본 논문에서 제안하는 알고리즘은 실험을 통하여 미각 영역별 분할하고 균열 유무 판별하고 한의사의 판별 결과와 비교하여 정확성 91% 의 판별률을 얻었다.
- 본 논문에서는 고가의 디지털 설진 장비와 특별한 장치 없이 누구나 손쉽게 사용할 수 있는 디지털 시스템의 첫 단계로 미각 영역별 균열 유무를 판별하는 설진 시스템을 제안하였다. 훈련 DB는 한방병원에서 수집한 사진 261장을 바탕으로 Haar-like feature, Adaboost 학습을 행하였다. 학습된 결과를 바탕으로 입력영상으로부터 혀 후보 영역을 검출하고, 검출된 혀 후보영역을 정확하게 혀 영역만 분리하기 위하여 261장의 훈련 DB에서 HSV 컬러모델의 Hue 성분 참조값을 산출하였다.
대상 데이터
- 본 논문에서 수집한 실험DB는 그림 11과 같이 대전대학교 재학생 40명을 대상으로 수집하고, 실험 DB의 영상은 스마트 기기를 사용하여 촬영하였다. 실험 DB는 40장의 혀영상으로 구성되었으며, 균열유무를 판별하기 위해 균열이 없는 영상 25장, 균열이 있는 영상 15장으로 구성하여 실험에 이용하였다.
- 본 논문에서 수집한 훈련 DB는 한방병원에서 수집하였고, 총 261장으로 구성되어 혀의 크기와 설태 분포를 분석하는 육안 실험 과정을 참고하여 연구하였다. 위와 같이 혀 영상에 대한 학습을 수행하고 학습된 훈련 DB를 이용하여 그림 5와 같이 혀 후보 영역을 검출하였다.
- 본 실험은 한방병원에서 촬영한 영상 261장을 바탕으로 학습하고, 훈련 DB를 구축하였다. 훈련 DB를 통하여 입력영상에서 혀 후보 영역을 검출하고, 후보영역의 정확한 혀 분리를 위해 HSV 컬러 모델의 Hue 성분을 이용하여 평균값 105를 산출하였다.
- 본 논문에서 수집한 실험DB는 그림 11과 같이 대전대학교 재학생 40명을 대상으로 수집하고, 실험 DB의 영상은 스마트 기기를 사용하여 촬영하였다. 실험 DB는 40장의 혀영상으로 구성되었으며, 균열유무를 판별하기 위해 균열이 없는 영상 25장, 균열이 있는 영상 15장으로 구성하여 실험에 이용하였다. 본 알고리즘에서 쓴맛, 혀 가장 안쪽의 균열 유무 판별 오류는 스마트 기기의 조명장치를 이용하여 그림자 영역을 최소화 하였다.
- 영역 특징 학습을 위해 사용한 혀 영상은 한방병원에서 수집한 사진 261장과 혀 영상이 아닌 임의의 사진1000장을 선정하여 학습을 수행하도록 하였다. 그림 2 는 학습에 사용된 혀 영상 이미지를 나타내었고, 그림 3은 혀 영상이 아닌 이미지에 대한 영상을 나타내었다.
데이터처리
- 제안하는 알고리즘의 성능 평가를 위해 알고리즘의 균열 유무 판별 결과와 한의사에 의한 균열 유무 판별 결과를 비교하여 오차를 측정하였다. 따라서 성능 평가 지표는 본 알고리즘의 균열 유무 판별 정확도로 평가하였다.
- 본 실험은 한방병원에서 촬영한 영상 261장을 바탕으로 학습하고, 훈련 DB를 구축하였다. 훈련 DB를 통하여 입력영상에서 혀 후보 영역을 검출하고, 후보영역의 정확한 혀 분리를 위해 HSV 컬러 모델의 Hue 성분을 이용하여 평균값 105를 산출하였다. 산출된 평균값을 바탕으로 임계값 80, 130을 이용하여 정확하게 혀 영역을 분리하였다.
성능/효과
- 훈련 DB 테스트 중 혀의 가장 안쪽, 쓴 맛 영역에서 조도의 영향으로 인한 판별 오류를 확인하였다. 본 논문에서 제안하는 알고리즘은 실험을 통하여 미각 영역별 분할하고 균열 유무 판별하고 한의사의 판별 결과와 비교하여 정확성 91% 의 판별률을 얻었다. 제안하는 알고리즘은 빛의 밝기가 일정한, 조도의 영향이 없는 환경에서 실험하였다.
후속연구
- 제안하는 알고리즘은 빛의 밝기가 일정한, 조도의 영향이 없는 환경에서 실험하였다. 향후, 균열 유무 판별뿐만 아니라 혀 경계면의 좌우 탐색을 통한 치흔, 좌우 비대칭 특징의 형태 분석이 가능하도록 연구가 필요하다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.