본문 바로가기

딥러닝을 이용한 치아진단 시스템

  • 김도건
  • 인천대학교
  • 작품구분일반형
  • 공개여부공개
  • 카테고리전자, 의료, 생활
  • 등록일2017-06-08
  • 팀원(공동개발자)최우영, 박승규
  • 출품 경진대회송도산업단지캠퍼스 캡스톤디자인 성과전시회

상세설명

1. 수행배경

    바쁜 시대를 살아가는 현대인들에게 건강한 치아관리를 위한 솔루션입니다일반인들은 자신의 치아 상태에 대해서 관심 있게 보지 않는 경우가 대부분입니다대부분의 경우 자신의 치아에 통증이 생겨야 비로소 치과를 방문하게 됩니다이때는 충치가 이미 진행이 많이 된 상태일 경우가 높습니다많은 비용과 많은 시간을 소모되며치아를 발치하는 경우까지 이어 질 수 있습니다또 한 어린 아이들에게 치과는 상당히 무섭게 느껴 질 수 있습니다아이들에게 친근하고 쉽게 호기심 유발 가능한 치아 교육도 가능 할 것으로 예상됩니다이러한 이유로 집에서 사용자의 치아 상태를 카메라로 확인하고 충치를 판단해주는 플랫폼을 개발할게 되었습니다


    2. 수행기간

     

    추진일정 ( 1 )학기

     2

     3

     4

     5

     6

    아이디어 회의

     

     

     

     

     

    재료 주문 및 재료 숙지

     

     

     

     

     

    하드웨어 및 소프트웨어 구성

     

     

     

     

     

    의견 종합 및 HW/SW 연동

     

     

     

     

     

    시작품 제작 및 테스트

     

     

     

     

     

    결과보고서 작성 및 제출

     

     

     

     

     

    교내 전시회 및 경진대회 참가

     

     

     

     

     


    2.1 하드웨어 구성

    2.1.1 GPU

    방대한 양의 자료를 이용하여 학습 모델을 생성할 때효율을 위해 GPU가 탑재된 Nvidia jetson TX2 보드를 이용합니다.

    2.1.2 카메라

    분류해야할 영상을 촬영하는 카메라를 GPU에 연결합니다.

    2.1.3 모니터

    분류 결과를 출력할 모니터를 GPU 역할을 할 보드에 HDMI를 통해 연결합니다.

     

    2.2 데이터 수집

     

    2.2.1 인터넷 이용

    여러 검색 엔진에서 관련 이미지를 검색하여 그 결과를 저장합니다.

    2.2.2 직접 수집

    치과 등 충치에 관련된 이미지를 직접 소장하고 있을 만한 곳에 협조를 구하고 잡지나 사진과 같은 매체를 통해 전달받습니다.

     

    2.3 데이터 학습 실험

     

    2.3.1 코드 작성

    C와 CUDA로 구현된 neural network framework를 이용하여학습 모델 실험을 진행합니다.

    2.3.2 학습 모델 생성 실험

    2.3.1에서 작성한 코드를 GPU에 옮겨 학습모델을 생성합니다충치 이미지에 비해 구하기 쉬운 자동차 이미지들을 통해 영상 속 자동차 분류기를 먼저 생성해봅니다.

    2.3.3 학습 모델 생성 실험 결과 관찰

    2.3.2에서 생성된 학습 모델에 자동차를 담고 있는 영상을 입력 보았을 때그 자동차를 분류하는지분류한다면 어느 정도의 정확도를 가지는지자동차의 찍힌 각도형태 등에 분류 결과가 구애받는지, 2.3.2에서 학습시킨 이미지의 양은 적당했는지를 관찰합니다결과가 만족스럽지 못하다면, 2.3.1부터 지금까지의 과정을 검토합니다.

     

    2.4 충치 데이터 학습

     

    2.4.1 코드 작성

    2.3.1에서 활용한 neural network framework를 활용하여 충치진단에 알맞은 인공신경망으로 수정합니다이 때단순히 건치와 충치를 분류하는 모델이 아닌충치 중에서도 진행 정도에 따라 분류할 수 있도록 세부적인 기준을 설정합니다.

    2.4.1 충치 이미지 학습

    2.3에서 만족할 만한 결과를 내준 학습 모델에 충치 이미지를 학습시킵니다적어도 2.3.2에서 이용한 자동차 이미지의 수만큼 충치 이미지도 준비합니다.

     

    2.4.2 학습 결과 관찰

    건치와 충치를 구분하는지그렇다면 2.4.1에서 생성한 기준들에 맞게 분류되는지 관찰합니다결과가 만족스럽지 않다면, 2.4.1에서 지금까지의 과정을 검토하고 반복합니다이때 인식률오검출률실시간성을 중점으로 결과를 관찰하였습니다.



    3. 개발작품 설명

    기술적 내용

     

     구강을 촬영한 사진으로 충치 부분을 구별하여 사용자에게 인식시켜줄 알고리즘으로 딥러닝을 활용합니다딥러닝은 여러 비선형 변환기법의 조합을 통해 높은 수준의 추상화를 시도하는 기계 학습 알고리즘의 집합입니다어떠한 데이터가 있을 때 이를 컴퓨터가 알아들을 수 있는 형태로 표현 하고 이를 기계에 학습시켜 특정한 패턴을 인식하는데 탁월한 성능을 가집니다따라서 해당사진으로 충치를 구별할 수 있을 것입니다.

     

     실시간으로 촬영한 영상에 딥러닝 알고리즘을 적용하여 충치를 판단하는 하드웨어의 중추로 nvidia jetson tx2 보드를 사용합니다이 보드에는 일반 CPU 뿐만 아니라 GPU도 탑재되어 있기때문에 딥러닝과 같은 심층 알고리즘이 동작하기에 무리 없는 환경을 제공할 수 있습니다또한리눅스 환경에서 영상처리 라이브러리인 OpenCV, GPU를 사용할 수 있는 CUDA를 쉽게 활용할 수 있습니다.

      

     사용자의 구강을 관찰할 카메라입니다사용자가 사용했을 때 간편하고 조작하기 쉬워야 하므로 부피와 무게 모두 작은 소형을 선택하고해당 영상을 알고리즘이 동작할 오드로이드, NVIDIA Board로 보내야 하기 때문에 유선으로든 블루투스와 같은 무선으로든 활용할 하드웨어와 통신이 가능한 기종을 선택합니다.

     

    수행방법

     

     하드웨어의 틀을 우선적으로 구성하고자 Nvidia jetson tx2 보드와 카메라그리고 출력 장치를 연결합니다작품의 모양구성 등을 사용자의 편의성를 고려하여 설계할 것이고 필요하다면 참여 기업의 멘토님에게 자문을 구합니다하드웨어 구성의 틀이 갖춰지면 소프트웨어 작업도 동시에 진행할 것입니다. Nvidia jetson tx2 보드가 제공하는 환경에서 충분히 동작할 수 있을 만큼의 동작 시간과 사용하는 메모리 공간 면에서 효율적인 알고리즘을 개발할 것입니다충치 부분을 검출해내는 알고리즘을 개발할 때담당 교수님의 전공이 영상 처리이기 때문에 부족한 부분은 교수님의 자문을 기대할 수 있습니다하드웨어의 진행 방법과 마찬가지로 기업 멘토님과의 토론을 통해 더 나은 방향을 설정하여 개발을 진행할 것입니다.


    4. 활용방안

       집에서 간단하게 사진을 찍어 치아의 상태를 확인 할 수 있습니다대부분의 사람들은 주기적으로 치과를 방문하는 경우가 드뭅니다집에서 간단하게 사진 촬영을 하여 충치를 판단 해주고 이를 연결된 치과에게 데이터를 전송해준다치아의 상태를 미리 알고 더 빠른 치료로 치아를 보호할 수 있으며 비용도 절감됩니다또한 어린 아이들은 치과에 대해 일반적으로 두려움을 가지고 있습니다따라서 아이들의 흥미를 유발하여 두려움 없이 치아 상태를 판단할 수 있을 것입니다.

       집에서 TV, 모니터에 연결하여 실시간으로 자신의 치아의 상태를 확인 할 수 있으며어린 아이들에게는 무서움과 두려움 보다는 흥미를 유발하여 치아 상태를 알려줄 수 있습니다무엇보다 손쉽게 주기적으로 충치를 확인 하고 치아의 상태를 확인 할 수 있다는 점이 사용자들에게 많은 이점을 제공합니다또한 치과와의 데이터 통신을 통하여 담당의사의 주기적인 피드백을 받을 수 있습니다바쁜 현대인이 가정에서도 충치 판단을 할 수 있어 다가올 4차 산업혁명 시대의 의료 플랫폼으로 적절하다고 생각합니다.

      소개 영상

      소개 슬라이드

      정보가 없습니다.

      기타자료

      댓글