[논문]안면근육마비 환자 사전진단 시스템 개발에 관한 연구

이선영

가설 설정

먼저, 1)수직거리는 왼쪽특징점의 y 좌표와 코의 중심의 y 좌표와의 거리값과 오른쪽 특징점의 y 좌표와 코의 중심의 y 좌표와의 거리값의 차이이다. 수직거리를 구하여 입의 비대칭 정도를 측정할 수 있다.
전 단계에서 추출된 코의 중심점과 입의 특징점을 이용하여 정상/환자를 classification 한다. 본 논문에서는 Classification 을 위한 기준을 1)각 특징점과 코의 중심과의 수직거리 2)기울기로 정하였다.(그림 4)

제안 방법

Haar 분류기를 이용하여 얼굴 및 코 영역을 검출한다. 얼굴을 찾지 못할 경우는 에러 처리를 통해 새로운 이미지 입력을 받고, 코 영역이 검출 되지 못한 경우는 전 단계에서 검출한 얼굴영역의 가운데 위치를 코의 중앙 위치로 한다.
입의 Feature 를 찾기 위해서는 먼저 Skin color 검출하여 Skin 영역을 제외시켜 주어야 한다. Skin color 검출을 위해 RGB 기반의 이미지를 HSV, HIS, YCbCr, LUT 등 다양한 컬러공간으로 변환하여 Skin color 를 검출한다. [4][5] 본 논문에서는 검출된 입 영역을 YCbCr, HSV 컬러기반으로 변형하여 Skin color 를 검출한다.
이러한 여러가지 원인들 중에서 급변하고 다변화되어 가는 현대 사회의 상황에 따라 불규칙한 생활과 과로 및 스트레스 등의 요인들이 많아지고 있으며, 그에 따라 안면신경마비로 이환 되어 내원하고 있는 환자가 증가하고 있는 추세이다.[2] 따라서 본 논문에서는 OpenCV library 를 이용하여 카메라로부터 입력 받은 이미지를 전처리 과정을 거쳐 얼굴과 코, 입 영역을 검출 한 뒤, 각 영역으로부터 코의 중심, 입 꼬리의 특징 점을 추출하여 안면신경마비 환자인지 아닌지 판단해 준다.
Skin color 검출을 위해 RGB 기반의 이미지를 HSV, HIS, YCbCr, LUT 등 다양한 컬러공간으로 변환하여 Skin color 를 검출한다. [4][5] 본 논문에서는 검출된 입 영역을 YCbCr, HSV 컬러기반으로 변형하여 Skin color 를 검출한다. 각 결과에 대해 외곽선을 그려주고, 외곽선 결과값을 X 축과 Y 축으로 각각 Labeling 을 해주어 입꼬리의 특징점을 추출해 준다.
[4][5] 본 논문에서는 검출된 입 영역을 YCbCr, HSV 컬러기반으로 변형하여 Skin color 를 검출한다. 각 결과에 대해 외곽선을 그려주고, 외곽선 결과값을 X 축과 Y 축으로 각각 Labeling 을 해주어 입꼬리의 특징점을 추출해 준다.
전처리 과정을 마친 이미지를 Haar 분류기 [3]를 이용하여 얼굴영역을 검출하고, 검출된 얼굴영역 내에서 입과 코의 영역을 검출한다. 각 영영에서 코의 중심, 입의 양 끝점을 추출하여 양 입 꼬리 간의 대칭 정도와 코의 중심과 각 점들간의 거리를 feature 로 하여 해당 사진이 안면신경마비 환자인지 아닌지 판단하여 준다.
이때, 두 그룹을 분류하는 threshold 는 초기값은 평균값으로 주고, 각 그룹에서 threshold 와 가장 가까운 값을 하나씩 찾아 두 값의 평균 값을 새로운 threshold 값으로 지정하며 threshold 값이 변하지 않으면 그 값을 환자와 정상인을 분류하는 threshold 값으로 정한다. 두 번째 실험은 양 쪽 입꼬리 간의 기울기를 구하여 환자와 정상인을 분류한다. 이때 threshold 값 결정방법은 앞의 방법과 동일하다.
본 논문에서는 크게 세가지 실험을 하였다. 먼저 수직거리(코의 중심과 각 특징점과의 거리 차의 값)를 classification 기준으로 하여 환자와 정상인을 분류하였다. 이때, 두 그룹을 분류하는 threshold 는 초기값은 평균값으로 주고, 각 그룹에서 threshold 와 가장 가까운 값을 하나씩 찾아 두 값의 평균 값을 새로운 threshold 값으로 지정하며 threshold 값이 변하지 않으면 그 값을 환자와 정상인을 분류하는 threshold 값으로 정한다.
(그림 5)는 정상인과 환자의 이미지를 처리한 데이터를 정규화 한 값이다. 본 논문에서는 데이터의 양이 많지 않아 leave out one cross validation 방법을 이용하여 각각의 classification 조건1)수직거리,2) 기울기에 대해 실험하였고, 마지막으로 두 조건을 합쳐 실험하였다.
실험을 위해 총 20 개의 안면신경마비환자 이미지와 20 개의 정상인의 이미지를 데이터로 사용하였으며, leave out one cross validation 방법을 이용하여 39 개의 training set, 1 개의 test set 으로 40 번의 실험을 하였다.
식(1)에서 CenterY 는 코의 중심의 Y 좌표이고, LY 와 RY 는 각각 왼쪽 특징점과 오른쪽 특징점의 y 좌표이다. 이미지마다 크기가 다르므로 특징점 간의 수직거리 차를 이미지 크기로 나누어 주었다.
전 단계에서 추출된 코의 중심점과 입의 특징점을 이용하여 정상/환자를 classification 한다. 본 논문에서는 Classification 을 위한 기준을 1)각 특징점과 코의 중심과의 수직거리 2)기울기로 정하였다.
먼저, 환자의 웃는 사진을 입력하면 칼라 이미지를 그레이 스케일 이미지로 변환하여 히스토그램 평활화를 해주는 전처리 과정을 거친다. 전처리 과정을 마친 이미지를 Haar 분류기 [3]를 이용하여 얼굴영역을 검출하고, 검출된 얼굴영역 내에서 입과 코의 영역을 검출한다. 각 영영에서 코의 중심, 입의 양 끝점을 추출하여 양 입 꼬리 간의 대칭 정도와 코의 중심과 각 점들간의 거리를 feature 로 하여 해당 사진이 안면신경마비 환자인지 아닌지 판단하여 준다.

성능/효과

<표 1>를 보면 classification 의 기준을 하나로 하는 것보다 두 가지 방법을 합친 하이브리드 방법이 더 좋은 결과 도출하며, 하이브리드 방법을 통해 precision 0.89, recall 0.85, f-score 0.87 이라는 높은 결과를 얻었다.
본 논문에서 개발한 프로그램은 classification 기준이 복잡하지 않음에도 불구하고 precision 0.89 recall 0.85 라는 좋은 결과를 얻었다. 이는 feature extraction 영역을 확장시켜 세분화 한다면 더 좋은 결과를 얻을 수 있을 것이다.

후속연구

따라서 마비의 원인에 따라서 마비의 증상도 다양하고 치료 방법 또한 다양하다. 세분화된 feature extraction 을 통해 다양한 마비 증상들을 학습하여 classification 할 수 있다면, 원인에 따라 환자를 좀더 디테일하게 진단할 수 있을 것이다. 좀 더 나아가 모바일 진단프로그램은 환자가 자가 진단을 할 수 있게 해 준다.

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

[국내논문] 안면근육마비 환자 사전진단 시스템 개발에 관한 연구
A Study for Facial nerve palsy Patient Pre-Diagnosis System Development 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

가설 설정

제안 방법

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

[국내논문] 안면근육마비 환자 사전진단 시스템 개발에 관한 연구 A Study for Facial nerve palsy Patient Pre-Diagnosis System Development 원문보기

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

AI 본문요약 엑셀 다운로드 AI-Helper

가설 설정

제안 방법

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] 안면근육마비 환자 사전진단 시스템 개발에 관한 연구
A Study for Facial nerve palsy Patient Pre-Diagnosis System Development 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper