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
- 본 논문에서는 Deep Learning을 이용하여 학습된 데이터를 토대로 충치를 진단하는 시스템을 구현했다. 이를 통해 바쁜 현대인들이 가정에서도 충치를 판단 할 수 있다.
- 본 논문에서는 집에서 사용자의 치아 상태를 카메라로 확인하고 충치, 아말감, 골드 크라운을 판단해주는 플랫폼을 제안한다. 치아의 종류를 판단하는 기술은 딥러닝을 이용하였다.
제안 방법
- 구글 검색 엔진에서 크롤링 툴을 활용하여 관련 이미지를 수집한다. 충치 850개, 아말감 430개, 골드크라운 450개를 수집.
- 방대한 양의 자료를 이용하여 학습 모델을 생성할 때, 효율을 위해 GPU가 탑재된 Nvidia jetson TX2 보드를 이용한다. 또한 출력을 위한 모니터, 분류해야 할 영상을 촬영하는 Logitech 1280x720 해상도의 카메라로 구성하였다.
- C와 CUDA로 구현된 neural network framework환경에서 치아 상태의 인식과 치아 위치를 같이 고려하여 판단하기 위해 YOLO[1]를 활용해 학습모델을 구축한다. 신속한 검증을 위해 GPU환경에서 학습 모델 실험을 진행한다. YOLO의 Architecture는 24 Convolutional layers & 2Fully Connected layers이며 GoogLeNet 모델을 기반으로 한다.
- 카메라로 입력 받은 영상을 Deep Learning 기술을 적용한다. 실시간 이미지에 Deep Learning 기술을 적용하여 각 치아의 상태를 판단하고 사용자에게 정보를 알려준다. 치아의 상태는 충치, 골드크라운, 아말감 3가지 클래스로 나누었다.
- 5까지의 과정을 검토하고 반복한다. 이때 인식률, 오검출률, 실시간성을 중점으로 결과를 관찰하였고, 실시간 영상, 영상 파일, 사진 파일을 입력할 수 있다.
- 학습 모델에 충치 클래스당 500개의 이미지를 학습시킨다. 인식 정확도를 높이기 위해 학습 데이터, 평가 데이터의 개수와 구축된 학습모델을 수정을 하며 최적의 학습모델을 찾는 과정을 진행한다.
- 치과 등 충치에 관련된 이미지를 직접 소장하고 있는 곳에 협조를 구하고 학술자료, 잡지, 사진과 같은 매체를 통해 전달받았다. 충치 150개, 아말감 70개, 골드크라운 50개를 수집.
- 실시간 이미지에 Deep Learning 기술을 적용하여 각 치아의 상태를 판단하고 사용자에게 정보를 알려준다. 치아의 상태는 충치, 골드크라운, 아말감 3가지 클래스로 나누었다.
- 충치 진단 시스템의 구성도는 그림 1 과 같다. 카메라를 통하여 실시간으로 영상 정보를 받아와 Nvidia Tx2 보드를 이용하여 각 치아의 상태를 분석한다. 현재 모니터를 이용하여 실시간으로 사용자의 치아 상태를 확인 할 수 있다.
대상 데이터
- 방대한 양의 자료를 이용하여 학습 모델을 생성할 때, 효율을 위해 GPU가 탑재된 Nvidia jetson TX2 보드를 이용한다. 또한 출력을 위한 모니터, 분류해야 할 영상을 촬영하는 Logitech 1280x720 해상도의 카메라로 구성하였다.
- 충치 1,000개, 아말감 500개, 골드크라운 500개의 이미지로 학습시킨 학습모델의 성능 평가를 진행했다. 이 중 각 이미지 파일의 75%는 학습 데이터로 사용했으며 25%는 성능 검증에 사용하였다. 물론, 3개의 클래스가 함께 구성된 이미지가 다수 존재한다.
- 전체 1,500개의 데이터를 학습시킨 결과 약 30 시간이 소요되었다. 충치 1,000개, 아말감 500개, 골드크라운 500개의 이미지로 학습시킨 학습모델의 성능 평가를 진행했다. 이 중 각 이미지 파일의 75%는 학습 데이터로 사용했으며 25%는 성능 검증에 사용하였다.
- 치과 등 충치에 관련된 이미지를 직접 소장하고 있는 곳에 협조를 구하고 학술자료, 잡지, 사진과 같은 매체를 통해 전달받았다. 충치 150개, 아말감 70개, 골드크라운 50개를 수집.
- 구글 검색 엔진에서 크롤링 툴을 활용하여 관련 이미지를 수집한다. 충치 850개, 아말감 430개, 골드크라운 450개를 수집.
- 학습 모델에 충치 클래스당 500개의 이미지를 학습시킨다. 인식 정확도를 높이기 위해 학습 데이터, 평가 데이터의 개수와 구축된 학습모델을 수정을 하며 최적의 학습모델을 찾는 과정을 진행한다.
이론/모형
- C와 CUDA로 구현된 neural network framework환경에서 치아 상태의 인식과 치아 위치를 같이 고려하여 판단하기 위해 YOLO[1]를 활용해 학습모델을 구축한다. 신속한 검증을 위해 GPU환경에서 학습 모델 실험을 진행한다.
- 본 논문에서는 집에서 사용자의 치아 상태를 카메라로 확인하고 충치, 아말감, 골드 크라운을 판단해주는 플랫폼을 제안한다. 치아의 종류를 판단하는 기술은 딥러닝을 이용하였다. 딥러닝은 공식이나 논리적 법칙으로 접근하기 어려운 경우에 학습 데이터를 이용해 모델을 구하는 기술이다.
- 그림 2는 Nvidia Tx2 보드에서의 내부 구성이다. 카메라로 입력 받은 영상을 Deep Learning 기술을 적용한다. 실시간 이미지에 Deep Learning 기술을 적용하여 각 치아의 상태를 판단하고 사용자에게 정보를 알려준다.
성능/효과
- 물론, 3개의 클래스가 함께 구성된 이미지가 다수 존재한다. 간단하게 성능 검증 이미지로 학습 모델을 성능 평가를 진행한 결과 충치 250개의 이미지 중 204개, 아말감 100개의 이미지 중 76개, 골드크라운 100개의 이미지 중 71개를 정확하게 인식할 수 있었다. 따라서 충치 81%, 아말감 76%, 골드크라운 71%의 인식률이라고 판단할 수 있다.
- 간단하게 성능 검증 이미지로 학습 모델을 성능 평가를 진행한 결과 충치 250개의 이미지 중 204개, 아말감 100개의 이미지 중 76개, 골드크라운 100개의 이미지 중 71개를 정확하게 인식할 수 있었다. 따라서 충치 81%, 아말감 76%, 골드크라운 71%의 인식률이라고 판단할 수 있다.
- 04 LTS 환경에서 Frame rate가 약 15fps로 작동한다. 전체 1,500개의 데이터를 학습시킨 결과 약 30 시간이 소요되었다. 충치 1,000개, 아말감 500개, 골드크라운 500개의 이미지로 학습시킨 학습모델의 성능 평가를 진행했다.
후속연구
- 혈압측정기, 신장계와 같이 공공장소에 설치함으로써 사용자 스스로 치아의 상태를 확인할 수 있을 것으로 예상된다. 추후에는 클래스의 구조를 더 세분화하여 더 정확한 정보를 제공할 것이다. 또 한 더 많은 데이터를 학습시켜더 정확한 인식률을 제공 할 것이다.
- 혈압측정기, 신장계와 같이 공공장소에 설치함으로써 사용자 스스로 치아의 상태를 확인할 수 있을 것으로 예상된다. 추후에는 클래스의 구조를 더 세분화하여 더 정확한 정보를 제공할 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.