[논문]딥러닝을 이용한 WTCI 설태량 평가를 위한 유효성 검증

이우범

초록
AI-Helper

한방 설진에서 WTCI(Winkel Tongue Coating Index) 설태 평가는 환자의 설태량 측정을 위한 중요한 객관적인 지표 중의 하나이다. 그러나 이전의 WTCI 설태 평가는 혀영상으로부터 설태 부분을 추출하여 전체 혀 영역에서 추출된 설태 영역의 비율을 정량적으로 측정하는 방법이 대부분으로 혀영상의 촬영 조건이나 설태 인식 성능에 의해서 비객관적 측정의 문제점이 있었다. 따라서 본 논문에서는 빅데이터를 기반으로 하는 인공지능의 딥러닝 방법을 적용하여 설태량을 분류하여 평가하는 딥러닝 기반의 WTCI 평가 방법을 제안하고 검증한다. 설태 평가 방법에 있어서 딥러닝의 유효성 검증을 위해서는 CNN을 학습 모델로 사용하여 소태, 박태, 후태의 3가지 유형의 설태량을 분류한다. 설태 샘플 영상을 학습 및 검증 데이터로 구축하여 CNN 기반의 딥러닝 모델로 학습한 결과 96.7%의 설태량 분류 정확성을 보였다.

Abstract ▼ AI-Helper

A WTCI is an important criteria for evaluating an mount of patient's tongue coating in tongue diagnosis. However, Previous WTCI tongue coating evaluation methods is a most of quantitatively measuring ration of the extracted tongue coating region and tongue body region, which has a non-objective meas...

A WTCI is an important criteria for evaluating an mount of patient's tongue coating in tongue diagnosis. However, Previous WTCI tongue coating evaluation methods is a most of quantitatively measuring ration of the extracted tongue coating region and tongue body region, which has a non-objective measurement problem occurring by exposure conditions of tongue image or the recognition performance of tongue coating. Therefore, a WTCI based on deep learning is proposed for classifying an amount of tonger coating in this paper. This is applying the AI deep learning method using big data. to WTCI for evaluating an amount of tonger coating. In order to verify the effectiveness performance of the deep learning in tongue coating evaluating method, we classify the 3 types class(no coating, some coating, intense coating) of an amount of tongue coating by using CNN model. As a results by testing a building the tongue coating sample images for learning and verification of CNN model, proposed method is showed 96.7% with respect to the accuracy of classifying an amount of tongue coating.

주제어

AI 본문요약
AI-Helper

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

문제 정의

그러나 이 방법은 혀영상으로부터 혀몸체(tonge body) 영역과 설태 영역의 추출 성능이 중요한 요소로 작용하기 떄문에 한의사의 조작을 요구하는 반수동적 방법으로 사용되었다. 따라서 본 논문에서는 한의사의 개입을 최소한으로 하면서 고전적 WTCI 설태 평가에 부합하는 딥러닝 기반의 설태량 유 형 인식 방법을 제안한다.
본 논문에서는 한방 설진에서 설태량 측정을 위한 WTCI 설태 평가에 CNN기반의 딥러닝 모델을 적용하 기 위한 유효성 검증을 수행하였다. WTCI 설태량 평가는 혀영역을 소태, 박태, 후태의 비교적 적은 유형으로 분류하여 적용 가능하기 때문에 빅데이터를 기반으로 하는 영상인식 방법의 적용이 가능하다.

제안 방법

따라서 본 논문에서는 한방 설진에서 환자의 질병 진단이나 건강 상태를 판별하기 위하여 중요한 지표로 사용되고 있는 설태량 측정을 위하여 딥러닝 기술을 적용하고자 한다. 특히 설태량 측정을 위하여 사용되는 WTCI(Winkel Tongue Coating Index) 방법은 혀영상으로부터 추출되는 설태의 영역에 의해서 측정되는 영상 처리 기반의 방법이 대부분으로 혀영상 측정 시의 조명, 촬영 각도, 혀 영역 추출 성능 등의 외부적인 요인에 의해서 객관성이 떨어지는 문제점이 발생한다.
특히 설태량 측정을 위하여 사용되는 WTCI(Winkel Tongue Coating Index) 방법은 혀영상으로부터 추출되는 설태의 영역에 의해서 측정되는 영상 처리 기반의 방법이 대부분으로 혀영상 측정 시의 조명, 촬영 각도, 혀 영역 추출 성능 등의 외부적인 요인에 의해서 객관성이 떨어지는 문제점이 발생한다. 본 논문에서 이러한 비객관적 요소의 제거를 위하여 CNN 구조의 딥러닝 방법을 적용하여 설태를 소태, 박태, 후태의 3가지 유형으로 학습시키고 학습된 네트워크를 이용한 설태량 분류 인식률을 평가함으로써 WTCI 설태량 평가 방법에 딥러닝 적용의 유효성을 검증한다.
본 논문에서는 실태량 유형 인식을 위하여 비교적 적은 훈련 데이터셋을 사용하기 때문에 학습과 테스트 검증에 사용하는 훈련 샘플은 각 설태 유형에 따라서 랜덤하게 선택하고 학습률, 모멘텀, 다양한 학습 인수를 설정하여 유효성 검증을 실험하였다. 그림 4 (a)와 (b)는 총 50 epcho 를 갖는 학습 과정에서 발생하는 정확성과 손실 함수의 변화량의 예로서 총 200회의 학습이 진행될수록 정확도는 1로 , 손실 함수는 0으로 수 렴됨을 나타낸다.

대상 데이터

설태 유형 학습을 위한 훈련 데이터 셋은 혀 전체 영상으로부터 64x64 화소 크기의 샘플을 그림 3과 같이 소태, 박태, 후태의 세 가지 유형으로 생성한다 그림에서 (a)는 소태 샘플로서 전체 샘플 영역에서 1/3 이하 정도의 설태 영역을 포함하며, (b)는 박태 샘플 영상으로 1/3 2/3 정도의 설태 영역, 그리고 (c) ∼ 는 후태로서 전체 영역의 2/3 이상의 설태 영역을 포함하는 샘플을 의미한다. 설태량 유형 인식을 위하여 CNN 학습 및 검증에 사용된 전체 데이터셋은 총 150개로 설태 유형별로 각각 50개씩 구성하였다. 구축된 데이터 셋으로부터 학습과 테스트를 위하여 전체 150개의 데이터셋을 랜덤하게 섞은 후에 임의로 8:2의 비율 정도로 구분하여 120개는 학습 용도로 사용하였고 30장은 유형 인식 성능 테스트를 위한 검증 샘플로 사용하였다.

이론/모형

설진을 위한 설태량 평가를 위해서 본 논문에서 사용하는 설태 평가 방법인 WTCI Winkel 는 등이 제안한 방법으로 그림 1과 같이 혀의 설첨부에서 설근부까지 나타나도록 촬영한 혀 전체 영상으로부터 종으로 2등분, 횡으로 3등분하여 총 6구역으로 설태량을 평가한다. 각 구역은 설태 정도에 따라서 설태가 없는 소태의 경우(0점), 설태가 약간 있는 박태의 경우(1점), 점 설태가 많은 후태의 경우(2점)로 점수를 부여하고 A부터 F까지의 각 구역에 부여된 점수를 합산하여 0∼12 까지 의 측도를 계산하는 방법이다[9].

성능/효과

WTCI 설태량 평가는 혀영역을 소태, 박태, 후태의 비교적 적은 유형으로 분류하여 적용 가능하기 때문에 빅데이터를 기반으로 하는 영상인식 방법의 적용이 가능하다. CNN 모델을 세 가지 유형의 설태량 평가를 위해서 적용한 결과 비교적 적은 훈련 데이터에도 불구하고 높은 인식률을 나타냈으며, 이것은 화소 비율 기반의 기존의 방법에 비해서 실제 혀영상에서 획득 가능한 샘플 영상의 학 습을 기반으로 하기 때문에 설태를 포함하는 혀영상의 가변성에 매우 강하다고 할 수 있다. 그러나 실제 제안한 CNN 모델을 활용하기 위해서는 실제 혀 전체 영 상에 대한 구획된 6영역의 통합 인식에 의한 WTCI 평가 모델로의 확장과 샘플 데이터의 확보, 유효성 검증 을 위한 평가 모델에 관한 연구가 요구된다.
오분류 인식된 1장의 경우도 실제 사용된 샘플의 색상이 박태의 색상과 유사성이 크며 육안으로도 박태로 판단 될 가능성이 큰 것으로 평가되었다. 따라서 실험 결과 소태, 박태, 후태 3가지 유형의 설태량 추론을 위한 CNN의 적용은 실험적으로 그 유효성을 보였다.
이 중 박태와 후태의 경우 100%의 정답률을 보였고, 설태량이 전체 면적의 1/3 정도인 소태 경우 11장 중 1 장을 제외하고는 정확한 설태량 부류를 나타냈다. 오분류 인식된 1장의 경우도 실제 사용된 샘플의 색상이 박태의 색상과 유사성이 크며 육안으로도 박태로 판단 될 가능성이 큰 것으로 평가되었다. 따라서 실험 결과 소태, 박태, 후태 3가지 유형의 설태량 추론을 위한 CNN의 적용은 실험적으로 그 유효성을 보였다.

후속연구

CNN 모델을 세 가지 유형의 설태량 평가를 위해서 적용한 결과 비교적 적은 훈련 데이터에도 불구하고 높은 인식률을 나타냈으며, 이것은 화소 비율 기반의 기존의 방법에 비해서 실제 혀영상에서 획득 가능한 샘플 영상의 학 습을 기반으로 하기 때문에 설태를 포함하는 혀영상의 가변성에 매우 강하다고 할 수 있다. 그러나 실제 제안한 CNN 모델을 활용하기 위해서는 실제 혀 전체 영 상에 대한 구획된 6영역의 통합 인식에 의한 WTCI 평가 모델로의 확장과 샘플 데이터의 확보, 유효성 검증 을 위한 평가 모델에 관한 연구가 요구된다.
향후 기존의 WTCI 설태 평가 시스템과의 시스템 수준에서의 딥러닝 인식 모델과의 연동 문제와 딥러닝 모델의 확률적 결과 값의 활용 등의 문제에 관한 연구가 수행된다면 설진에서 설태량 평가를 위한 또 하나의 정량적 평가 방안으로 큰 활용을 기대할 수 있다.

참고문헌 (11)

Y. LeCun, L. Bottou, Y. Bengio, and P. Haffner, "Gradient-based learning applied to document recognition", Proceedings of the IEEE, 86(11):2278- 2324, 1998.

상세보기
A. Krizhevsky, I. Sutskever, and G. Hinton, "Imagenet classification with deep convolutional neural networks.", advances in neural information processing systems, pp.1097-1105. 2012.
M. D. Zeiler and R. Fergus, "Visualizing and understanding convolutional neural networks", European conference on computer vision. Springer, Cham, pp.818-833, 2014
K. Simonyan and A. Zisserman, "Very deep convolutional networks for large-scale image recognition", In ICLR, 2015.
Christian Szegedy, et al., "Going Deeper With Convolutions", The IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp.1-9, 2015.
Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun, "Deep Residual Learning for Image Recognition", The IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp.770-778 , 2016.
W. B. Lee, "WTCI Tongue Coating Evaluation by analyzing a Ultraviolet Rays Tongue Image Channel", Journal of The Institute of Signal Processing and Systems, vol. 16(3), pp.96-101, 2015.
W. B. Lee, "Implementation of Computerized Assistant Diagnosis Software for Tongue Diagnosis in the Oriental Medicinel", Journal of The Institute of Electronics and Information Engineers, vol. 51(6), pp.175-182, 2014.

원문보기 상세보기
E. G. Winkel, et al., "Clinical effects of a new mouthrinse containing chlorhexidine, cetylpyridinium chloride and zinc-lactate on oral halitosis", Journal of Clinical Periodontology, vol.30(4), pp.300-306, 2003.

상세보기
Deep Learning Made Easy with Deep Cognition, www.kdnuggets.com, 2018.
Deep Learning Studio Solutions(Exxact), www.exxactcorp.com, 2018.

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

딥러닝을 이용한 WTCI 설태량 평가를 위한 유효성 검증
An Effectiveness Verification for Evaluating the Amount of WTCI Tongue Coating Using Deep Learning 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

참고문헌 (11)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

딥러닝을 이용한 WTCI 설태량 평가를 위한 유효성 검증 An Effectiveness Verification for Evaluating the Amount of WTCI Tongue Coating Using Deep Learning 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

참고문헌 (11)

이 논문을 인용한 문헌

저자의 다른 논문 :

이우범 (27)

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

딥러닝을 이용한 WTCI 설태량 평가를 위한 유효성 검증
An Effectiveness Verification for Evaluating the Amount of WTCI Tongue Coating Using Deep Learning 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper