KR102342334B1 - 개선된 황달 진단 방법 및 그 시스템 - Google Patents

Abstract

본 발명의 일 실시 예는, 복수의 사용자들의 기준부위와 안구를 함게 촬영한 컬러안구이미지가 포함된 이미지그룹을 수신하고 전처리(pre-processing)하는 이미지전처리부; 상기 전처리된 컬러안구이미지로부터 적어도 두 가지 이상의 색상모델을 통해 색공간값을 추출하는 입력값추출부; 상기 추출된 색공간값을 분류네트워크모델에 입력하여, 상기 컬러안구이미지를 기설정된 임계값을 초과하는 제1그룹 및 상기 제1그룹에 포함되지 않는 제2그룹 중 하나로 분류하는 그룹분류부; 상기 제2그룹에 포함된 컬러안구이미지들의 색공간값을 회귀네트워크모델에 입력하여 컬러안구이미지별로 빌리루빈값을 추정하는 회귀연산부; 및 상기 추정된 빌리루빈값을 기초로 상기 제2그룹의 컬러안구이미지별로 대응되는 황달환자를 진단하는 황달진단부를 포함하는 개선된 황달 자가진단 시스템을 개시한다.

Description

개선된 황달 진단 방법 및 그 시스템 {Improved method for diagnosing jaundice and system thereof}

본 발명은 개선된 황달 자가진단 방법 및 그 시스템에 관한 것으로서, 보다 구체적으로는, 사용자의 컬러이미지를 분석하여 복수의 색공간값을 획득하고, 획득된 색공간값을 기초로 딥러닝을 수행하여 사용자의 황달을 진단할 수 있는 방법 및 그 시스템에 관한 것이다.

황달(jaundice)은 간 기능이 저하된 환자에게서 육안으로 관찰될 수 있는 질환으로서, 안면의 색이나 안구의 공막이 노랗게 변하는 특성을 이용하여 환자의 안구이미지를 기초로 황달을 진단하는 장치가 알려져 있다.

기존에 알려져 있는 황달 진단 장치는 패치를 통하여 주변의 광원에 따른 색감의 변화를 보정하고, 보정된 사진에서 특징값을 얻어 황달임상수치인 빌리루빈 수치와 맵핑하는 방식으로 동작한다. 기존의 장치는 1차적으로 획득된 이미지를 보정(전처리)하여 2차적인 이미지를 획득하는 과정에 초점을 맞추고 있었으므로, 획득된 이미지로부터 황달을 진단하는 정확도는 높지 않은 편이었다.

일 예로서, 환자의 공막 영역 이미지의 S채널의 평균(mean)을 구하고, 평균에 20을 곱해서 T-빌리루빈 수치의 근사값을 매칭시킨 결과로서, 황달을 진단하는 방법이 있으나, 위와 같이, 단일 특정값을 사용한 1대1 맵핑 방식은 빌리루빈 수치 범위에 따라 오차범위가 다르고 환자 개인별 차이를 충분하게 반영하지 못하여 나이, 성별, 개인 질병 이력 등 환자에 따라 결과 값이 크게 차이가 나고, 환자별 안구의 크기 및 외부로 노출되는 공막 영역의 넓이가 상이한 점, 안구의 혈관 등의 문제로 인하여 신경망(neural network)이 불필요한 정보까지 학습하여 빌리루빈 추정 결과값의 정확도가 하락하는 문제점이 있다.

대한민국 등록특허 제10-1998595호 (2019.07.11 공고)

본 발명이 해결하고자 하는 기술적 과제는, 기존에 알려진 방식의 장치보다 더 높은 정확도를 갖는 황달 진단 방법 및 장치를 제공하는 데에 있다.

본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

상기 기술적 과제를 해결하기 위한 본 발명의 일 실시 예에 따른 시스템은, 복수의 사용자들의 기준부위와 안구를 함게 촬영한 컬러안구이미지가 포함된 이미지그룹을 수신하고 전처리(pre-processing)하는 이미지전처리부; 기 전처리된 컬러안구이미지로부터 적어도 두 가지 이상의 색상모델을 통해 색공간값을 추출하는 입력값추출부; 상기 추출된 색공간값을 분류네트워크모델에 입력하여, 상기 컬러안구이미지를 기설정된 임계값을 초과하는 제1그룹 및 상기 제1그룹에 포함되지 않는 제2그룹 중 하나로 분류하는 그룹분류부; 상기 제2그룹에 포함된 컬러안구이미지들의 색공간값을 회귀네트워크모델에 입력하여 컬러안구이미지별로 빌리루빈값을 추정하는 회귀연산부; 및 상기 추정된 빌리루빈값을 기초로 상기 제2그룹의 컬러안구이미지별로 대응되는 황달환자를 진단하는 황달진단부를 포함한다.

본 발명에 따르면, 복수의 사용자들의 안구 이미지들을 분석하여, 황달환자를 정확하게 가려낼 수 있게 된다.

도 1은 본 발명에 따른 황달 진단 시스템의 일 예를 블록도로 나타낸 것이다.
도 2는 그룹분류부가 학습을 반복하면서 손실함수의 크기가 작아지는 경향을 도식적으로 나타내고 있다.
도 3은 그룹분류부의 분류정확도를 도식적으로 나타낸 도면이다.
도 4는 회귀네트워크모델에서 MSE의 변화를 도식적으로 나타낸 도면이다.
도 5는 RGB 색상모델을 설명하기 위한 도면이다.
도 6은 HSV 색상모델을 설명하기 위한 도면이다.
도 7은 본 발명에 따른 황달 진단 방법의 일 예를 흐름도로 나타낸 것이다.

실시 예들에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.

명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "…부", "…모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.

아래에서는 첨부한 도면을 참고하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.

이하에서는 도면을 참조하여 본 발명의 실시 예들을 상세히 설명한다.

도 1은 본 발명에 따른 황달 진단 시스템의 일 예를 블록도로 나타낸 것이다.

도 1을 참조하면, 본 발명에 따른 황달 진단 시스템(10)은 이미지전처리부(110), 입력값추출부(130), 그룹분류부(150), 회귀연산부(170) 및 황달진단부(190)를 포함하는 것을 알 수 있다.

이미지전처리부(110)는 안구이미지를 수신하고 황달을 진단하기 위한 이미지로 전처리(pre-processing)하는 기능을 수행한다. 이미지전처리부(110)는 카메라와 같은 촬영장비로부터 유선 또는 무선 통신을 통해서 컬러로 된 안구이미지를 수신한다. 이때 수신되는 안구이미지는 복수의 사용자들의 기준부위와 안구를 함께 촬영한 컬러로 된 안구이미지일 수 있으며, 이하에서는, 복수의 사용자들의 안구이미지를 이미지그룹으로 통칭하기로 한다.

기준부위는 사용자의 안구와 구별되는 다른 부위를 의미하고, 안구를 제외한 사용자의 안면, 사용자의 손목 등의 신체 부위가 될 수 있다. 기준부위는 사용자의 안구의 색상을 보정하기 위한 기준이 되는 부위로서, 사용자의 신체부위가 될 수도 있으나, 흰색 종이나 복수의 색상으로 구성된 표식일 수도 있다. 일 예로서, 기준부위는 흰색과 적어도 하나 이상의 흰색과 다른 색상을 갖는 복수의 영역으로 구성된 패치(patch)일 수도 있다. 기준부위가 안구와 함께 촬영되어야 하는 것은 사용자의 안구가 촬영되는 장소에 따라서 조명 환경이 달라지므로, 그에 따른 색상 왜곡이 발생될 수 있기 때문이다.

도 1에 도시되어 있지 않지만, 본 발명에 따른 시스템(10)은 사용자의 기준부위 및 안구가 함께 촬영되면, 촬영된 안구이미지를 이미지전처리부(110)에 송신하는 카메라(미도시)를 더 포함할 수 있다.

선택적 일 실시 예로서, 이미지전처리부(110)는 컬러안구이미지의 전체 화소의 휘도 값에 대한 누적확률밀도함수인 휘도분포함수를 산출하고, 산출된 휘도분포함수를 기초로 컬러안구이미지를 전처리할 수 있다. 본 선택적 일 실시 예는, 최초에 수신된 컬러안구이미지의 색상 왜곡을 최소화하기 위한 실시 예로서,

입력값추출부(130)는 전처리된 컬러안구이미지로부터 적어도 두 가지 이상의 색상모델을 통해 색공간값을 추출한다. 일 예로서, 입력값추출부(130)는 전처리된 컬러안구이미지로부터 RGB 색공간값 및 HSV 색공간값을 추출할 수도 있다.

도 5는 RGB 색상모델을 설명하기 위한 도면이다.

입력값추출부(130)가 추출하는 RGB 색공간값은, RGB 색상모델에서 추출되는 수치를 의미한다. RGB 색상모델은 색을 Red, Green, Blue의 3가지 성분의 조합으로 생각하는 것이다. RGB 색상모델에서 검은색은 R=G=B=0, 흰색은 R=G=B=255, 빨강색은 R=255, G=B=0, 노란색은 R=G=255, B=0로 표현된다. R, G, B의 색상값이 모두 같은 경우는 무채색인 회색(Gray)이 된다. R, G, B 각각은 0 내지 255 사이의 값을 가질 수 있기 때문에 RGB 색상 모델을 사용하면, 총 256의 세 제곱인 16,777,216가지의 색공간값 조합이 생성될 수 있다.

도 6은 HSV 색상모델을 설명하기 위한 도면이다.

입력값추출부(130)가 추출하는 HSV 색공간값은, HSV 색상모델에서 추출되는 수치를 의미한다. HSV 색상모델은 Hue(색조), Saturation(채도), Value(명도)의 3가지 성분으로 색을 표현한다. Hue는 색조를, Saturation은 그 색의 선명도를, Value는 밝기(intensity)를 각각 나타낸다. H, S, V 각각은 0 내지 255 사이의 값으로 표현된다. H값은 색의 종류를 나타내기 때문에 크기는 의미가 없으며 단순한 인덱스(index)를 나타낸다. S값은 0이면 무채색(gray색), 255면 가장 선명한(순수한) 색임을 나타낸다. V값은 작을수록 어둡고 클수록 밝은 색임을 나타낸다. HSV 색상 모델은 도 6과 같은 원뿔(conic) 형태 외에도 원기둥(cylindric) 형태가 있으며, 본 발명에서는 두 가지 모델 중 어느 하나가 적용될 수 있다.

입력값추출부(130)는 전처리된 컬러안구이미지로부터 RGB 및 HSV 색상모델의 색공간값을 추출할 수 있으며, 추출된 색공간값은 그대로 후술하는 분류네트워크모델 또는 회귀네트워크모델에 입력값으로서 사용될 수 있다. 실시 예에 따라서, 각 모델에 입력되는 입력값은 경험적 또는 실험적으로 검증된 가중치가 적용되는 방식으로 2차적으로 가공될 수도 있다. 예를 들어, RGB 모델의 색공간값에 1보다 작은 가중치인 α, HSV의 색공간값에 1보다 큰 가중치인 β가 각각 적용될 수도 있다.

선택적 일 실시 예로서, 입력값추출부(130)는 RGB, HSV 색상모델 외에 YCBCr모델을 이용할 수도 있으며, 이 경우, 조합가능한 색상모델의 조합의 수는 총 네 가지가 되며, 전술한 것과 같이 각 색상모델의 색공간값에 서로 다른 가중치가 적용될 수도 있다.

그룹분류부(150)는 입력값추출부(130)에 의해 추출된 색공간값을 분류네트워크(classification network)모델에 입력하여, 이미지그룹에 포함된 컬러안구이미지들을 기설정된 임계값을 초과하는 제1그룹 및 제1그룹에 포함되지 않는 제2그룹 중 하나로 분류하는 기능을 수행한다. 분류네트워크모델은 딥러닝 네트워크 연산을 수행하는 모델로서 논리적 또는 물리적으로 그룹분류부(150) 내부에 구현될 수 있으며, 그룹 분류 기능을 적절하게 수행하기 위한 내부적으로 손실함수(loss function)을 구비하고 있다.

도 2는 그룹분류부가 학습을 반복하면서 손실함수의 크기가 작아지는 경향을 도식적으로 나타내고 있다.

보다 구체적으로, 도 2는 979명의 사용자에 대한 컬러안구이미지를 기초로 본 발명을 적용하여 그룹분류부(150)의 동작 결과를 도식적으로 나타내는 것으로서, 도 2를 참조하면, 학습횟수가 늘어날수록 손실(loss)값은 일정한 값에 수렴하는 것을 알 수 있다. 979명의 사용자에 대해서 본 발명이 적용되면, 그룹분류부(150)는 내부에 설정된 분류네트워크모델 및 손실함수에 따라서 979명 중 일부를 기설정된 임계값을 초과하는 제1그룹으로 분류할 수 있게 되고, 제1그룹으로 분류된 사용자는 황달환자로 진단된다.

도 3은 그룹분류부의 분류정확도를 도식적으로 나타낸 도면이다.

도 3을 참조하면, 분류네트워크모델이 학습을 250회 이상 한 이후부터는 분류정확도가 약 85%에 수렴하는 것을 알 수 있다. 여기서, 분류정확도는 그룹분류부(150)에 의해 제1그룹으로 분류된 사용자가 실제로 황달환자였을 확률을 나타내는 것으로서, 그룹분류부(150)가 100명의 사용자를 제1그룹에 포함시켰다면, 그 중 85명은 실제로 황달환자였다는 것을 의미한다.

분류네트워크모델이 제1그룹 및 제2그룹을 분류하는 기준인 임계값은 일정한 초기값으로 설정되어 있는 상태에서, 학습이 반복되면서 계속 조정된다. 본 발명에서 제1그룹을 제2그룹과 분류하는 '기설정된 임계값'은 조정이 반복된 이후에 최종적으로 그룹을 분할하는 임계값을 의미하고, 입력되는 데이터인 색공간값들에 따라서 달라질 수 있다는 것은 이 분야의 통상의 지식을 가진 자에게 자명할 것이다.

이하에서는, 도 1을 이어서 설명하기로 한다.

회귀연산부(170)는 제2그룹에 포함된 사용자들의 컬러안구이미지들의 색공간값을 회귀네트워크(Regression network)모델에 입력하여 컬러안구이미지별로 빌리루빈값(bilirubin value)을 추정하는 연산을 수행한다.

본 발명에서 회귀연산부(170)는 제2그룹에 포함된 사용자들의 컬러안구이미지들의 색공간값을 회귀네트워크모델의 입력데이터로 하여 모델을 학습시키며, 내부적으로 설정된 손실함수가 최소화되는 방향으로 학습을 반복한다.

수학식 1은 회귀연산부(170)의 회귀네트워크모델에 정의되는 손실함수의 일 예를 나타낸 것이다. 수학식 1은 Mean Absolute Error(Mean Square Error)를 수학식으로 나타낸 것으로서, 편차의 총합을 전체데이터의 개수로 나눈 것을 의미하고, 회귀연산부(170)는 모델학습과정에서 수학식 1과 같은 손실함수를 사용할 수 있다.

도 4는 회귀네트워크모델에서 MSE의 변화를 도식적으로 나타낸 도면이다.

도 4를 참조하면, 학습이 반복될수록 MSE(MAE)는 0.08이라는 값에 수렴하는 것을 알 수 있으며, 0.08은 본 발명에서 두 가지 이상의 색상모델의 색공간값을 모델의 입력값으로 이용하고, 분류네트워크모델을 통해 제1그룹을 제외한 구성의 특성에 따라 발현되는 값으로서, 기존 방식에 따라 산출된 MSE값 5.82에 비해서 현저하게 낮은 값이다.

황달진단부(190)는 회귀연산부(170)가 제2그룹의 컬러안구이미지별로 추정한 빌리루빈값을 기초로 제2그룹의 컬러안구이미지별로 대응되는 황달환자를 진단한다. 또한, 황달진단부(190)는 제2그룹에서 포함된 사용자들 중에서 황달환자가 파악되면, 제1그룹에 속한 황달환자와 합치는 방식으로 전체 황달환자의 비율을 산출할 수도 있다.

기존의 황달 진단 방법		본 발명
		Classification		Regression
MAE(MSE)	5.82	Accuracy	85%	MAE(MSE)	0.08

표 1은 본 발명에 따른 방법과 기존의 황달 진단 방법을 비교하기 위한 표를 나타내고 있다.

표 1을 참조하면, 본 발명은 기존 황달 진단 방법과 달리, 1차적으로 분류네트워크모델을 통해서 기설정된 임계값을 초과하는 제1그룹을 분류해내고, 남은 제2그룹만을 가지고 회귀네트워크모델을 적용함으로써, 회귀네트워크모델이 학습하는 과정에서 불필요한 정보까지 학습하여 빌리루빈 추정 결과값의 정확도가 낮아지는 경우를 최소화할 수 있다.

또한, 전술한 본 발명의 빌리루빈 추정 결과값의 높은 정확도가 확보될 수 있는 다른 이유로서, 두 가지 이상의 색상모델의 색공간값을 취해서 딥러닝 네트워크(분류네트워크모델 및 회귀네트워크모델)의 입력값으로 사용함에 따라서, 사용자 개개인의 특성에 영향을 받는 것을 최소화하고 일정 이상의 정확도를 확보한 채로 황달환자를 진단해낼 수 있게 된다.

도 7은 본 발명에 따른 황달 진단 방법의 일 예를 흐름도로 나타낸 것이다.

도 7에 따른 방법은 도 1에 따른 시스템에 의해 구현될 수 있으므로, 이하에서는, 도 1을 참조하여 설명하기로 하고, 도 1에서 설명한 것과 중복되는 설명을 생략하기로 한다.

먼저, 이미지전처리부(110)는 복수의 사용자의 컬러안구이미지를 수신하고, 전처리한다(S710).

입력값추출부(130)는 전처리된 이미지로부터 두 가지 이상의 색상모델을 통해 색공간값을 추출한다(S720).

그룹분류부(150)는 추출된 값을 분류네트워크모델에 입력하여 그룹을 분류한다(S730). 그룹분류부(150)는 기설정된 임계값을 초과하는지 여부를 판단하고(S740), 복수의 사용자 중 일부를 제1그룹으로 분류하고, 제1그룹에 포함되지 않은 사용자들을 제2그룹으로 분류한다(S760). 제1그룹으로 분류된 사용자들은 황달진단부(190)에 의해서 황달환자로 진단된다(S750).

회귀연산부(170)는 제2그룹에 포함된 컬러안구이미지들의 색공간값을 기초로 하여 회귀연산을 수행한다(S770).

황달진단부(190)는 단계 S770에서 회귀연산의 결과로서 추정된 빌리루빈값을 기초로 하여, 제2그룹에서 황달환자를 진단한다(S780).

본 발명은 사용자의 안구이미지에서 두 가지 이상의 색상모델의 색공간값을 추출하여 딥러닝을 수행한다. 본 발명은, 딥러닝을 수행하는 과정에서 모데이터인 컬러안구이미지에서 노이즈(noise)로 작용될 수 있는 정보를 배제하기 위해서, 분류네트워크모델에 따른 분류를 실행하여 명백한 황달환자를 1차적으로 배제시키고, 2차적으로 회귀네트워크모델에 따른 학습과정으로 빌리루빈값을 추정하여, 나머지 황달환자를 진단함으로써, 종래에 알려진 황달진단 방법보다 더 높은 정확도를 보인다.

이상 설명된 본 발명에 따른 실시 예는 컴퓨터상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다.

한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.

본 발명에서 설명하는 특정 실행들은 일 실시 예들로서, 어떠한 방법으로도 본 발명의 범위를 한정하는 것은 아니다. 명세서의 간결함을 위하여, 종래 전자적인 구성들, 제어 시스템들, 소프트웨어, 상기 시스템들의 다른 기능적인 측면들의 기재는 생략될 수 있다. 또한, 도면에 도시된 구성 요소들 간의 선들의 연결 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것으로서, 실제 장치에서는 대체 가능하거나 추가의 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들로서 나타내어질 수 있다. 또한, “필수적인”, “중요하게” 등과 같이 구체적인 언급이 없다면 본 발명의 적용을 위하여 반드시 필요한 구성 요소가 아닐 수 있다.

본 발명의 명세서(특히 특허청구범위에서)에서 “상기”의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 본 발명에서 범위(range)를 기재한 경우 상기 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 상기 범위를 구성하는 각 개별적인 값을 기재한 것과 같다. 마지막으로, 본 발명에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시 상기 단계들의 기재 순서에 따라 본 발명이 한정되는 것은 아니다. 본 발명에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 발명을 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 발명의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.

Claims (5)

1. 복수의 사용자들의 기준부위와 안구를 함께 촬영한 컬러안구이미지가 포함된 이미지그룹을 수신하고 전처리(pre-processing)하는 이미지전처리부;
   상기 전처리된 컬러안구이미지로부터 적어도 두 가지 이상의 색상모델을 통해 색공간값을 추출하는 입력값추출부;
   상기 추출된 색공간값을 분류네트워크모델에 입력하여, 상기 컬러안구이미지를 기설정된 임계값을 초과하는 제1그룹 및 상기 제1그룹에 포함되지 않는 제2그룹 중 하나로 분류하는 그룹분류부;
   상기 제2그룹에 포함된 컬러안구이미지들의 색공간값을 회귀네트워크모델에 입력하여 컬러안구이미지별로 빌리루빈값을 추정하는 회귀연산부; 및
   상기 추정된 빌리루빈값을 기초로 상기 제2그룹의 컬러안구이미지별로 대응되는 황달환자를 진단하는 황달진단부를 포함하고,
   상기 입력값추출부는,
   상기 전처리된 컬러안구이미지로부터 RGB 색공간값 및 HSV 색공간값을 추출하고,
   상기 회귀연산부는,
   상기 제2그룹에 포함된 컬러안구이미지들의 색공간값 중 RGB 색공간값에는 1보다 더 작은 가중치를 적용하고, HSV 색공간값에는 1보다 더 큰 가중치를 적용하여 상기 가중치가 각각 적용된 색공간값들을 상기 회귀네트워크모델에 입력하는, 개선된 황달 자가진단 시스템.
2. 삭제
3. 제1항에 있어서,
   상기 황달진단부는,
   상기 제1그룹에 포함된 컬러안구이미지에 대응되는 사용자들을 황달환자로 진단하는 것을 특징으로 하는 개선된 황달 자가진단 시스템.
4. 제1항에 있어서,
   상기 이미지전처리부는,
   상기 이미지그룹에 포함된 컬러안구이미지들의 색상왜곡을 보정하는 것을 특징으로 하는 개선된 황달 자가진단 시스템.
5. 제1항에 있어서,
   상기 이미지전처리부는,
   상기 컬러안구이미지의 전체 화소의 휘도 값에 대한 누적확률밀도함수인 휘도분포함수를 산출하고, 상기 산출된 휘도분포함수를 기초로 상기 컬러안구이미지를 전처리하는 것을 특징으로 하는 개선된 황달 자가진단 시스템.

Images