1 |
1
피부 병변을 촬영한 영상에서 화소들의 밝기값들의 히스토그램을 산출하고, 상기 히스토그램을 통계분석하여 화소 특징을 추출하는 단계;상기 영상의 화소값들을 상기 화소값들 간의 인접성을 나타내는 회색도 동시발생 행렬(GLCM; Gray-Level Co-occurrence Matrix)로 변환하는 단계;상기 회색도 동시발생 행렬의 화소값들을 기반으로 GLCM 특징을 추출하는 단계;상기 영상의 화소값들을 상기 화소값들의 연속길이를 나타내는 회색도 연속길이 행렬(GLRLM; Gray Level RunLength Matrix)로 변환하는 단계;상기 회색도 연속길이 행렬의 화소값들을 기반으로 GLRLM 특징을 추출하는 단계; 및상기 화소 특징, 상기 GLCM 특징 및 상기 GLRLM 특징을 기계학습 모델에 적용하여 피부 질환을 분류하는 단계를 포함하는 피부 질환 자동 분류 방법
|
2 |
2
제1항에 있어서,상기 화소 특징은 상기 영상의 화소값들의 평균, 표준편차, 스큐(skew), 커토시스(kurtosis), 엔트로피(entropy) 및 제곱평균제곱근(root mean square)을 포함하는 피부 질환 자동 분류 방법
|
3 |
3
제1항에 있어서,상기 GLCM 특징은 상기 회색도 동시발생 행렬의 화소값들의 자가상관관계(auto-correlation), 대조도(contrast), 상관관계(correlation), 비유사도(dissimilarity), 에너지(energy) 및 동질성(homogeneity)을 포함하는 피부 질환 자동 분류 방법
|
4 |
4
제1항에 있어서,상기 GLRLM 특징은 상기 회색도 연속길이 행렬의 화소값들을 기반으로 추출되는 SRE(Short Run Emphasis), LRE(Long Run Emphasis), GLNU(Gray Level Non-Uniformity), RP(Run Percentage), RLNU(Run Length Non-Uniformity) 및 HGLRE(High Gray Level Run Emphasis)를 포함하는 피부 질환 자동 분류 방법
|
5 |
5
제1항에 있어서,상기 기계학습 모델은 서포트 벡터 머신(SVM; Support Vector Machine) 모델을 포함하는 피부 질환 자동 분류 방법
|
6 |
6
제1항에 있어서,피부경(dermoscopy)을 이용하여 상기 피부 병변을 촬영하여 피부경 영상을 획득하는 단계;상기 피부경 영상을 이진 영상으로 변환하고, 상기 이진 영상에서 상기 피부 병변보다 작은 크기의 객체를 검출하는 단계;상기 피부 병변과 상기 객체의 크기 차이를 기반으로 모발 및 피부각질을 포함하는 잡음을 제거하는 단계; 및상기 피부경 영상에서 정상 피부의 화소값을 0으로 변환하여 피부 병변 만을 포함하는 관심 영역을 추출하는 단계를 더 포함하는 피부 질환 자동 분류 방법
|
7 |
7
제1항에 있어서,흑색종 영상들 및 모반증 영상들을 포함하는 학습 영상 데이터를 기반으로 상기 화소 특징, 상기 GLCM 특징 및 상기 GLRLM 특징을 학습하여 상기 기계학습 모델을 생성하는 단계를 더 포함하고,상기 피부 질환을 분류하는 단계는 학습된 상기 기계학습 모델을 기반으로 상기 피부 병변을 흑색종과 모반증 중 어느 하나로 분류하는 단계를 포함하는 피부 질환 자동 분류 방법
|
8 |
8
제1항 내지 제7항 중 어느 한 항의 피부 질환 자동 분류 방법을 실행하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체
|
9 |
9
적어도 하나의 프로세서를 포함하는 피부 질환 자동 분류 장치에 있어서,상기 적어도 하나의 프로세서는,피부 병변을 촬영한 영상에서 화소들의 밝기값들의 히스토그램을 산출하고, 상기 히스토그램을 통계분석하여 화소 특징을 추출하고;상기 영상의 화소값들을 상기 화소값들 간의 인접성을 나타내는 회색도 동시발생 행렬(GLCM; Gray-Level Co-occurrence Matrix)로 변환하고;상기 회색도 동시발생 행렬의 화소값들을 기반으로 GLCM 특징을 추출하고;상기 영상의 화소값들을 상기 화소값들의 연속길이를 나타내는 회색도 연속길이 행렬(GLRLM; Gray Level RunLength Matrix)로 변환하고;상기 회색도 연속길이 행렬의 화소값들을 기반으로 GLRLM 특징을 추출하고; 그리고상기 화소 특징, 상기 GLCM 특징 및 상기 GLRLM 특징을 기계학습 모델에 적용하여 피부 질환을 분류하도록 구성되는 피부 질환 자동 분류 장치
|
10 |
10
제9항에 있어서,상기 화소 특징은 상기 영상의 화소값들의 평균, 표준편차, 스큐(skew), 커토시스(kurtosis), 엔트로피(entropy) 및 제곱평균제곱근(root mean square)을 포함하는 피부 질환 자동 분류 장치
|
11 |
11
제9항에 있어서,상기 GLCM 특징은 상기 회색도 동시발생 행렬의 화소값들의 자가상관관계(auto-correlation), 대조도(contrast), 상관관계(correlation), 비유사도(dissimilarity), 에너지(energy) 및 동질성(homogeneity)을 포함하는 피부 질환 자동 분류 장치
|
12 |
12
제9항 내지 제11항 중 어느 한 항에 있어서,상기 GLRLM 특징은 상기 회색도 연속길이 행렬의 화소값들을 기반으로 추출되는 SRE(Short Run Emphasis), LRE(Long Run Emphasis), GLNU(Gray Level Non-Uniformity), RP(Run Percentage), RLNU(Run Length Non-Uniformity) 및 HGLRE(High Gray Level Run Emphasis)를 포함하는 피부 질환 자동 분류 장치
|
13 |
13
제9항 내지 제11항 중 어느 한 항에 있어서,상기 기계학습 모델은 서포트 벡터 머신(SVM; Support Vector Machine) 모델을 포함하는 피부 질환 자동 분류 장치
|
14 |
14
제9항 내지 제11항 중 어느 한 항에 있어서,상기 적어도 하나의 프로세서는,피부경(dermoscopy)에 의해 상기 피부 병변을 촬영한 피부경 영상을 이진 영상으로 변환하고;상기 이진 영상에서 상기 피부 병변보다 작은 크기의 객체를 검출하고;상기 피부 병변과 상기 객체의 크기 차이를 기반으로 모발 및 피부각질을 포함하는 잡음을 제거하고; 그리고상기 피부경 영상에서 정상 피부의 화소값을 0으로 변환하여 피부 병변 만을 포함하는 관심 영역을 추출하도록 구성되는 피부 질환 자동 분류 장치
|
15 |
15
제9항 내지 제11항 중 어느 한 항에 있어서,상기 적어도 하나의 프로세서는,흑색종 영상들 및 모반증 영상들을 포함하는 학습 영상 데이터를 이용하여 상기 화소 특징, 상기 GLCM 특징 및 상기 GLRLM 특징을 학습하여 상기 기계학습 모델을 생성하고; 그리고상기 학습 영상 데이터를 이용하여 학습된 상기 기계학습 모델을 기반으로 상기 피부 병변을 흑색종과 모반증 중 어느 하나로 분류하도록 구성되는 피부 질환 자동 분류 장치
|