KR102654796B1 - System for Differential Diagnosis of Dermatitis using Non-invasive Skin Biomarkers based on Visual Artificial Intelligence and Method Thereof - Google Patents
System for Differential Diagnosis of Dermatitis using Non-invasive Skin Biomarkers based on Visual Artificial Intelligence and Method Thereof Download PDFInfo
- Publication number
- KR102654796B1 KR102654796B1 KR1020210167111A KR20210167111A KR102654796B1 KR 102654796 B1 KR102654796 B1 KR 102654796B1 KR 1020210167111 A KR1020210167111 A KR 1020210167111A KR 20210167111 A KR20210167111 A KR 20210167111A KR 102654796 B1 KR102654796 B1 KR 102654796B1
- Authority
- KR
- South Korea
- Prior art keywords
- skin
- hertz
- artificial intelligence
- unit
- images
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 49
- 230000000007 visual effect Effects 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 35
- 201000004624 Dermatitis Diseases 0.000 title claims abstract description 18
- 239000000090 biomarker Substances 0.000 title claims abstract description 17
- 238000003748 differential diagnosis Methods 0.000 title 1
- 238000004458 analytical method Methods 0.000 claims abstract description 41
- 230000008569 process Effects 0.000 claims abstract description 20
- 230000003902 lesion Effects 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 201000010099 disease Diseases 0.000 claims abstract description 15
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 15
- 206010040882 skin lesion Diseases 0.000 claims abstract description 14
- 231100000444 skin lesion Toxicity 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 230000007547 defect Effects 0.000 claims abstract description 8
- 230000003595 spectral effect Effects 0.000 claims abstract description 7
- 238000012800 visualization Methods 0.000 claims abstract description 6
- 210000003491 skin Anatomy 0.000 claims description 79
- 210000001519 tissue Anatomy 0.000 claims description 38
- 208000017520 skin disease Diseases 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000013179 statistical model Methods 0.000 claims description 6
- 210000004207 dermis Anatomy 0.000 claims description 5
- 210000002615 epidermis Anatomy 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 3
- 210000004003 subcutaneous fat Anatomy 0.000 claims description 2
- 230000005856 abnormality Effects 0.000 claims 2
- 239000002537 cosmetic Substances 0.000 description 5
- 230000003796 beauty Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 206010033675 panniculitis Diseases 0.000 description 3
- 210000004304 subcutaneous tissue Anatomy 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
본 발명은 시각 인공지능 활용 비침습 피부 생체지표 추정 기반 피부염 판별 시스템에 관한 것으로, 피부에 대한 각 대역에 해당하는 영상을 독립적으로 촬영하여 수집하는 수집부; 수집된 영상에 대해 대역별로 구분하여 사전 설정된 필터에 따라 2차원 또는 3차원 영상으로 정규화하고 노이즈를 제거하여 전처리하는 전처리부; 상기 촬영된 영상에 대해 인공지능 연산과정에 의해 식별 가능한 패턴 형태로 관찰된 피부조직 형상을 인식하고 그 형상의 좌표를 저장하는 저장부; 상기 좌표를 깊이 정보에 따라 피부조직의 세분화된 영역에서 병변, 결함 및 특이점을 검출하고 성질이나 상태를 분석하는 분석부; 상기 분석부의 분석 결과를 기준으로 시각적 모델링을 통해 생성된 스펙트럼 영상을 결합하여 피부조직을 시각화하는 시각화부; 상기 분석부의 분석 결과를 기준으로 피부 병변을 질환별로 세부 분류하거나 피부 상태를 계량화 추정하여 기록하는 기록부; 및 상기 분석부의 분석 결과를 기준으로 피부 병변을 질환별로 세부 분류하거나 피부 상태를 계량화 추정하여 그 값을 평가하는 평가부;를 포함하는 것을 특징으로 한다.The present invention relates to a dermatitis determination system based on non-invasive skin biomarker estimation using visual artificial intelligence, which includes a collection unit that independently captures and collects images corresponding to each band of the skin; A preprocessing unit that divides the collected images into bands, normalizes them into two-dimensional or three-dimensional images according to preset filters, and preprocesses them by removing noise; A storage unit that recognizes the shape of skin tissue observed in the captured image in the form of an identifiable pattern through an artificial intelligence calculation process and stores the coordinates of the shape; an analysis unit that detects lesions, defects, and singular points in segmented areas of skin tissue and analyzes their properties or conditions based on the coordinates and depth information; a visualization unit that visualizes skin tissue by combining spectral images generated through visual modeling based on the analysis results of the analysis unit; A recording unit that classifies skin lesions by disease in detail based on the analysis results of the analysis unit or quantifies and estimates the skin condition and records it; and an evaluation unit that classifies skin lesions by disease in detail based on the analysis results of the analysis unit or quantifies and estimates the skin condition and evaluates the value.
Description
본 발명은 시각 인공지능 활용 비침습 피부 생체지표 추정 기반 피부염 판별 시스템 및 그 방법에 관한 것으로, 더욱 상세하게는 1011 ~ 1020 hertz 주파수 대역의 다중대역 영상 정보를 처리하는 시각 인공지능을 이용하여 다양한 종류의 피부 질환을 진단하고 미용 목적으로 피부 상태 분석을 해주는 시스템 및 그 방법에 관한 것이다. The present invention relates to a dermatitis determination system and method based on non-invasive skin biomarker estimation using visual artificial intelligence. More specifically, the present invention relates to a dermatitis determination system and method using visual artificial intelligence to process multi-band image information in the 10 11 to 10 20 hertz frequency band. It relates to a system and method for diagnosing various types of skin diseases and analyzing skin conditions for cosmetic purposes.
특정 목적에 따라 다양한 정보를 인식하고 해석할 수 있는 인공지능 기술이 각종 연구 및 산업 분야에서 활발하게 상용화되면서, 숙련된 전문 인력이 육안 관찰 정보 등에 기초하여 수행해오던 판별 프로세스의 일부 및 전부를 대체하는 사례가 등장하고 있다. 한편, 비파괴검사는 관찰 대상의 외관을 개방 또는 변형시키거나 내부 손상을 초래하지 않고도 내외부의 결함이나 특이점을 발견하거나 성질이나 상태 등을 파악할 수 있도록 사용되는 검사 방법으로 각종 산업 분야뿐만 아니라 의료 분야에서도 널리 사용되고 있으며, 다중대역 파장을 관찰 대상에 조사하여 반환되는 영상 정보를 분석하는 방법 등이 주로 활용되고 있다. As artificial intelligence technology, which can recognize and interpret various information according to specific purposes, is actively commercialized in various research and industrial fields, it is replacing part or all of the discrimination process that skilled professionals have been performing based on visual observation information, etc. Examples are emerging. On the other hand, non-destructive testing is an inspection method used to discover internal and external defects or peculiarities or to determine the nature or condition of the object under observation without opening or deforming the exterior or causing internal damage. It is used not only in various industrial fields but also in the medical field. It is widely used, and methods such as analyzing the image information returned by irradiating multi-band wavelengths to the observation object are mainly used.
의료 분야에서는 피부 질환의 진단에 있어 대개 전문의 등 의료진의 육안에 의한 관찰 또는 검체에 의존하는데, 전자는 오진의 위험, 후자는 침습적인 방법으로 환자에게 고통을 유발할 위험이 존재한다.In the medical field, the diagnosis of skin diseases usually relies on visual observation or samples by medical staff such as specialists, but the former carries the risk of misdiagnosis, and the latter carries the risk of causing pain to patients through invasive methods.
미용 분야에서는 피부 상태의 분석에 있어 업계에 종사하는 전문가 또는 일반인의 육안에 의한 관찰이나 제조사마다 비침습적 지표에 대한 설정 기준이 각기 다른 측정기기에 의존하는데, 이 분야에서는 객관화된 피부 임상에 따른 평가 체계가 부족한 실정이다.In the beauty field, analysis of skin condition relies on visual observation by experts or the general public in the industry or measurement devices with different standards for non-invasive indicators depending on the manufacturer. In this field, evaluation is based on objective skin clinical trials. There is a lack of system.
따라서, 피부 의료 및 미용 분야에서 비침습적인 방법을 활용하더라도 유관 질환의 진단이나 미용 목적의 분석을 공통의 시각 인공지능 모델을 활용하여 임상적으로 유효한 근거에 의해 객관적으로 평가할 수 있는 기초적인 체계를 마련할 필요성이 있다. Therefore, even if non-invasive methods are used in the field of skin medicine and beauty, a basic system that can objectively evaluate the diagnosis of related diseases or analysis for cosmetic purposes using a common visual artificial intelligence model based on clinically valid evidence is provided. There is a need to prepare.
상기와 같은 문제점을 해결하기 위한 본 발명의 목적은 피부 질환 진단 및 피부 상태에 대한 다중대역 영상 정보를 처리하는 시각 인공지능 기반 피부 내외부의 현상이나 변화 과정을 시점별로 추정하여 의료진 위주의 사용자가 이 정보를 토대로 피부 질환을 진단하거나 미용 전문가 등의 사용자가 미용 목적으로 피부 상태를 분석하는 시각 인공지능 활용 비침습 피부 생체지표 추정 기반 피부염 판별 시스템 및 그 방법을 제공하는 데 있다.The purpose of the present invention to solve the above problems is to estimate the phenomenon or change process inside and outside the skin at each point in time based on visual artificial intelligence that processes multi-band image information about skin disease diagnosis and skin conditions, so that medical staff-oriented users can use this information. The goal is to provide a dermatitis determination system and method based on non-invasive skin biomarker estimation using visual artificial intelligence that diagnoses skin diseases based on information or allows users, such as beauty experts, to analyze skin conditions for cosmetic purposes.
상기와 같은 목적을 달성하기 위한 본 발명의 시각 인공지능 활용 비침습 피부 생체지표 추정 기반 피부염 판별 시스템은 4×1014 ~ 8×1014 hertz 주파수 대역의 가시광선을 감지하는 카메라 모듈 및 1011 ~ 1013 hertz, 1013 ~ 4×1014 hertz, 1016 ~ 1020 hertz의 주파수 대역 중 어느 한 가지 이상을 감지하는 장치가 부착된 기기장치를 이용하여 피부에 대한 각 대역에 해당하는 영상을 독립적으로 촬영하여 각 대역에 해당하는 영상을 구분하여 수집하는 수집부; 수집된 영상에 대해 대역별로 구분하여 사전 설정된 필터에 따라 2차원 또는 3차원 영상으로 정규화하고 노이즈를 제거하여 전처리하는 전처리부; 상기 4×1014 ~ 8×1014 hertz 주파수 대역에서 촬영된 영상에 대해 인공지능 연산과정에 의해 식별 가능한 패턴 형태로 관찰된 피부조직 형상을 인식하고 그 형상의 좌표를 저장하는 저장부; 상기 좌표를 1011 ~ 1013 hertz, 1013 ~ 4×1014 hertz, 1016 ~ 1020 hertz의 주파수 대역에 대한 영상에 일치하여 깊이 정보에 따라 표피와 진피 그리고 피하지방 조직 등 피부조직의 세분화된 영역에서 병변, 결함 및 특이점을 검출하고 성질이나 상태를 분석하는 분석부; 상기 분석부의 분석 결과를 기준으로 인식된 형상의 주변부를 사전 설정된 통계적 모델과 결합하여 그 시각적 모델링을 통해 생성된 스펙트럼 영상을 결합하여 피부조직을 2차원 또는 3차원 영상으로 시각화하는 시각화부; 상기 분석부의 분석 결과를 기준으로 피부 병변을 질환별로 세부 분류하거나 피부 상태를 S개의 사전 설정된 기준에 따라 각 C개의 등급으로 계량화 추정하여 그 값을 시각 인공지능 모델의 학습을 위해 기록하는 기록부; 및 상기 분석부의 분석 결과를 기준으로 사전 학습되었거나 주기별로 지속적으로 학습되는 시각 인공지능 모델의 추론을 통해 피부 병변을 질환별로 세부 분류하거나 피부 상태를 S개의 사전 설정된 기준에 따라 각 C개의 등급으로 계량화 추정하여 그 값을 평가하는 평가부;를 포함하되, 상기 전처리부는 수집 영상을 대역별로 구분하여 해당 대역에 따라 사전 설정된 필터를 거쳐 4×1014 ~ 8×1014 hertz 주파수 대역 영상은 3채널의 2차원 또는 3차원 영상, 1011 ~ 1013 hertz 및 1013 ~ 4×1014 hertz 주파수 대역 영상은 1채널의 2차원 또는 3차원 영상, 1016 ~ 1020 hertz 주파수 대역 영상은 2채널의 2차원 또는 3차원 영상으로 정규화하여 그 영상에서 노이즈를 제거하고 피부층의 이상 병변 또는 특이 조직을 감지하기 위해 깊이에 따른 피부 조직 특성을 개별 고려하여 대비 및 밝기를 여러 단계로 조정하여 전처리하는 것을 특징으로 한다.To achieve the above objectives, the dermatitis determination system based on non-invasive skin biomarker estimation using visual artificial intelligence of the present invention includes a camera module that detects visible light in the 4×10 14 to 8×10 14 hertz frequency band and 10 11 to 10 hertz. Images corresponding to each band of the skin are independently captured using a device attached to a device that detects one or more of the frequency bands of 10 13 hertz, 10 13 ~ 4×10 14 hertz, and 10 16 ~ 10 20 hertz. a collection unit that separates and collects images corresponding to each band; A preprocessing unit that divides the collected images into bands, normalizes them into two-dimensional or three-dimensional images according to preset filters, and preprocesses them by removing noise; A storage unit that recognizes the shape of skin tissue observed in the form of a discernible pattern by an artificial intelligence calculation process for the image captured in the 4 × 10 14 to 8 × 10 14 hertz frequency band and stores the coordinates of the shape; The above coordinates are matched to images in the frequency bands of 10 11 ~ 10 13 hertz, 10 13 ~ 4 An analysis unit that detects lesions, defects, and outliers in the area and analyzes their properties or conditions; A visualization unit that visualizes skin tissue as a two-dimensional or three-dimensional image by combining the periphery of the shape recognized based on the analysis result of the analysis unit with a preset statistical model and combining the spectral image generated through visual modeling; A register for classifying skin lesions in detail by disease based on the analysis results of the analysis unit or quantifying and estimating skin conditions into C grades according to S preset standards and recording the values for learning of a visual artificial intelligence model; And based on the analysis results of the analysis unit, skin lesions are classified in detail by disease or skin conditions are quantified into C grades according to S preset standards through inference of a visual artificial intelligence model that is pre-trained or continuously learned in cycles. It includes an evaluation unit that estimates and evaluates the value; the preprocessor divides the collected images by band and passes a preset filter according to the band, and the 4 × 10 14 to 8 × 10 14 hertz frequency band image is divided into three channels. Two-dimensional or three-dimensional image, 10 11 ~ 10 13 hertz and 10 13 ~ 4×10 14 hertz frequency band image is 1 channel 2-dimensional or 3-dimensional image, 10 16 ~ 10 20 hertz frequency band image is 2 channel It is characterized by preprocessing by normalizing to a 3D or 3D image to remove noise from the image and adjusting the contrast and brightness in several stages by individually considering skin tissue characteristics according to depth to detect abnormal lesions or unique tissues in the skin layer. do.
상기 평가부는 표피와 진피 그리고 피하지방 조직 등 깊이에 따른 피부조직의 병변이나 특이점을 검출하거나 성질이나 상태를 인공지능 연산과정을 이용하여 추정하거나, 이 결과로서 피부 질환을 특정 분류하거나 S개의 사전 설정된 기준에 따라 각 C개의 등급으로 계량화하여 평가하는 것을 특징으로 한다The evaluation unit detects lesions or unique points in skin tissue depending on the depth, such as the epidermis, dermis, and subcutaneous fat tissue, or estimates the nature or condition using an artificial intelligence calculation process, or as a result of this, classifies skin diseases specifically or determines S number of preset It is characterized by quantifying and evaluating each C grade according to the standards.
또한, 본 발명의 시각 인공지능 활용 비침습 피부 생체지표 추정 기반 피부염 판별 방법은 4×1014 ~ 8×1014 hertz 주파수 대역의 가시광선을 감지하는 카메라 모듈 및 1011 ~ 1013 hertz, 1013 ~ 4×1014 hertz, 1016 ~ 1020 hertz의 주파수 대역중 어느 한 가지 이상을 감지하는 장치가 부착된 기기 장비를 이용하여 피부조직에 대한 각 대역에 해당하는 영상을 독립적으로 촬영하는 제1단계; 상기 제1단계의 각 대역에 해당하는 영상을 구분하여 수집하는 제2단계; 상기 제2단계의 수집된 영상에 대해 대역별로 구분하여 사전 설정된 필터에 따라 2차원 또는 3차원 영상으로 정규화하고 노이즈를 제거하여 전처리하는 제3단계; 상기 제3단계의 4×1014 ~ 8×1014 hertz 주파수 대역에서 촬영된 영상에 대해 인공지능 연산과정에 의해 식별 가능한 패턴 형태로 피부조직 형상을 인식하고 그 형상의 좌표를 저장하는 제4단계; 상기 제4단계의 좌표를 1011 ~ 1013 hertz, 1013 ~ 4×1014 hertz, 1016 ~ 1020 hertz의 주파수 대역에 대한 영상에 일치하여 깊이에 따른 피부조직에 대한 세분화된 영역의 병변, 결함 및 특이점을 검출하고 성질이나 상태를 분석하는 제5단계; 상기 제5단계의 분석 결과를 기준으로 피부 병변을 질환별로 세부 분류하거나 피부 상태를 S개의 사전 설정된 기준에 따라 각 C개의 등급으로 계량화 추정하여 그 값을 시각 인공지능 모델의 학습을 위해 기록하는 제6-1단계; 상기 제5단계의 분석 결과를 기준으로 인식된 형상의 주변부를 사전 설정된 통계적 모델과 결합하여 그 시각적 모델링을 통해 생성된 스펙트럼 영상을 결합하여 피부조직을 2차원 또는 3차원 영상으로 시각화하는 제6-2단계; 및 상기 제5단계의 분석 결과를 기준으로 사전 학습되었거나 주기별로 지속적으로 학습되는 시각 인공지능 모델의 추론을 통해 피부 병변을 질환별로 세부 분류하거나 피부 상태를 S개의 사전 설정된 기준에 따라 각 C개의 등급으로 계량화 추정하여 그 값을 평가하는 제6-3단계;를 포함하는 것을 특징으로 한다.In addition, the dermatitis determination method based on non-invasive skin biomarker estimation using visual artificial intelligence of the present invention includes a camera module that detects visible light in the 4×10 14 to 8×10 14 hertz frequency band and 10 11 to 10 13 hertz, 10 13 The first device independently captures images corresponding to each band of skin tissue using equipment attached to a device that detects one or more of the frequency bands of ~ 4×10 14 hertz, 10 16 ~ 10 20 hertz. step; A second step of collecting images corresponding to each band of the first step separately; A third step of preprocessing the images collected in the second step by dividing them by band, normalizing them into two-dimensional or three-dimensional images according to a preset filter, and removing noise; The fourth step of recognizing the shape of skin tissue in the form of a discernible pattern through an artificial intelligence calculation process for the image captured in the 4×10 14 to 8×10 14 hertz frequency band in the third step and storing the coordinates of the shape. ; The coordinates of the fourth step are matched to images in the frequency bands of 10 11 ~ 10 13 hertz, 10 13 ~ 4 × 10 14 hertz, and 10 16 ~ 10 20 hertz to create lesions in segmented areas of skin tissue according to depth. , the fifth step of detecting defects and outliers and analyzing their properties or states; Based on the analysis results of the fifth step, skin lesions are classified in detail by disease, or skin conditions are quantified and estimated into C grades according to S preset standards, and the values are recorded for learning of a visual artificial intelligence model. Step 6-1; A sixth step that visualizes skin tissue as a two-dimensional or three-dimensional image by combining the periphery of the shape recognized based on the analysis result of the fifth step with a preset statistical model and combining the spectral image generated through visual modeling. Step 2; And based on the analysis results of the fifth step, skin lesions are classified in detail by disease or skin conditions are classified into C grades according to S preset criteria through the inference of a visual artificial intelligence model that has been pre-trained or continuously learned in cycles. It is characterized in that it includes a 6-3 step of evaluating the value by quantifying and estimating.
상기 제3단계는 수집 영상을 대역별로 구분하여 해당 대역에 따라 사전 설정된 필터를 거쳐 4×1014 ~ 8×1014 hertz 주파수 대역 영상은 3채널의 2차원 또는 3차원 영상, 1011 ~ 1013 hertz 및 1013 ~ 4×1014 hertz 주파수 대역 영상은 1채널의 2차원 또는 3차원 영상, 1016 ~ 1020 hertz 주파수 대역 영상은 2채널의 2차원 또는 3차원 영상으로 정규화하여 그 영상에서 노이즈를 제거하고 피부층의 이상 병변 또는 특이 조직을 감지하기 위해 깊이에 따른 피부 조직 특성을 개별 고려하여 대비 및 밝기를 여러 단계로 조정하여 전처리하는 것을 특징으로 한다.In the third step, the collected images are divided by band and passed through a preset filter according to the band, and the 4×10 14 to 8×10 14 hertz frequency band image is a 3-channel 2-dimensional or 3-dimensional image, 10 11 to 10 13 Hertz and 10 13 ~ 4 In order to remove and detect abnormal lesions or unique tissues in the skin layer, it is characterized by pre-processing by adjusting the contrast and brightness in several stages by individually considering skin tissue characteristics according to depth.
상기와 같이, 본 발명에 따르면 피부에 대한 다중대역 영상 정보를 처리하는 시각 인공지능에 의해 피부 질환 진단 및 피부 상태 분석을 객관적이고 체계적으로 시행할 수 있도록 하여 그 결과를 의료 또는 미용 목적에 따라 활용될 수 있도록 할 수 있으며, 이는 향후 의료 산업에 있어서는 선진 진료 또는 비대면 원격 진료체계 발전에 기초가 되고, 미용 산업에 있어서는 개별 사용자에 대한 고도화된 분석 기술에 의한 정밀맞춤형 화장품, 식품, 의약품 처방을 가능하게 하는 등 첨단 혁신기술 도입을 통한 제반 산업 선도 등 산업적 효과 및 관련 기존 시장 변화를 주도하는 등 경제적 효과가 있다.As described above, according to the present invention, skin disease diagnosis and skin condition analysis can be performed objectively and systematically using visual artificial intelligence that processes multi-band image information about the skin, and the results can be used for medical or cosmetic purposes. In the future, in the medical industry, this will become the basis for the development of advanced treatment or non-face-to-face remote treatment systems, and in the beauty industry, precise customized cosmetics, food, and pharmaceutical prescriptions using advanced analysis technology for individual users. There are industrial effects, such as leading various industries through the introduction of cutting-edge innovative technologies, and economic effects, such as leading changes in related existing markets.
도 1은 본 발명에 따른 시각 인공지능 활용 비침습 피부 생체지표 추정 기반 피부염 판별 시스템의 구성도이다.
도 2는 본 발명에 따른 시각 인공지능 활용 비침습 피부 생체지표 추정 기반 피부염 판별 방법의 흐름도이다.Figure 1 is a diagram showing the configuration of a dermatitis determination system based on non-invasive skin biomarker estimation using visual artificial intelligence according to the present invention.
Figure 2 is a flowchart of a dermatitis determination method based on non-invasive skin biomarker estimation using visual artificial intelligence according to the present invention.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 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 실시예에 한정되지 않는다.Below, with reference to the attached drawings, embodiments of the present invention will be described in detail so that those skilled in the art can easily implement the present invention. However, the present invention may be implemented in many different forms and is not limited to the embodiments described herein.
그러면 본 발명에 따른 시각 인공지능 활용 비침습 피부 생체지표 추정 기반 피부염 판별 시스템 및 그 방법의 바람직한 실시예를 자세히 설명하기로 한다.Next, a preferred embodiment of the dermatitis determination system and method based on non-invasive skin biomarker estimation using visual artificial intelligence according to the present invention will be described in detail.
도 1은 본 발명에 따른 시각 인공지능 활용 비침습 피부 생체지표 추정 기반 피부염 판별 시스템의 구성도이다.Figure 1 is a diagram showing the configuration of a dermatitis determination system based on non-invasive skin biomarker estimation using visual artificial intelligence according to the present invention.
도 1을 참조하면, 본 발명에 따른 시각 인공지능 활용 비침습 피부 생체지표 추정 기반 피부염 판별 시스템은 수집부(100), 전처리부(200), 저장부(300), 분석부(400), 시각화부(500), 기록부(600) 및 평가부(700)를 포함하여 구성된다.Referring to Figure 1, the dermatitis determination system based on non-invasive skin biomarker estimation using visual artificial intelligence according to the present invention includes a collection unit 100, a preprocessing unit 200, a storage unit 300, an analysis unit 400, and visualization. It is comprised of a unit 500, a recording unit 600, and an evaluation unit 700.
상기 수집부(100)는 4×1014 ~ 8×1014 hertz 주파수 대역의 가시광선을 감지하는 카메라 모듈 및 1011 ~ 1013 hertz, 1013 ~ 4×1014 hertz, 1016 ~ 1020 hertz의 주파수 대역 중 어느 한 가지 이상을 감지하는 장치가 부착된 기기 장비를 이용하여 피부에 대한 각 대역에 해당하는 영상을 독립적으로 촬영하여 각 대역에 해당하는 영상을 구분하여 수집한다. 즉, 상기 수집부(100)는 대상 물체인 인체 피부의 단면 또는 다면을 대역에 따라 동일한 환경을 유지하며 독립적으로 촬영하여 각 대역에 해당하는 영상 정보를 구분하여 수집한다.The collection unit 100 includes a camera module that detects visible light in the 4×10 14 to 8×10 14 hertz frequency band and 10 11 to 10 13 hertz, 10 13 to 4×10 14 hertz, and 10 16 to 10 20 hertz. Images corresponding to each band of the skin are independently photographed using equipment attached to a device that detects one or more of the frequency bands, and the images corresponding to each band are collected separately. That is, the collection unit 100 independently photographs a cross-section or multi-facet of the target object, human skin, while maintaining the same environment according to the band, and separately collects image information corresponding to each band.
상기 전처리부(200)는 수집된 영상에 대해 대역별로 구분하여 사전 설정된 필터에 따라 2차원 또는 3차원 영상으로 정규화하고 노이즈를 제거하여 전처리한다. 즉, 상기 전처리부(200)는 수집 영상을 대역별로 구분하여 해당 대역에 따라 사전 설정된 필터를 거쳐 4×1014 ~ 8×1014 hertz 주파수 대역 영상은 3채널의 2차원 또는 3차원 영상, 1011 ~ 1013 hertz 및 1013 ~ 4×1014 hertz 주파수 대역 영상은 1채널의 2차원 또는 3차원 영상, 1016 ~ 1020 hertz 주파수 대역 영상은 2채널의 2차원 또는 3차원 영상으로 정규화하여 그 영상에서 노이즈를 제거하고 피부층의 이상 병변 또는 특이 조직을 감지하기 위해 깊이에 따른 피부 조직 특성을 개별 고려하여 대비(contrast) 및 밝기(brightness)를 여러 단계로 조정하여 전처리한다. The preprocessing unit 200 divides the collected images into bands, normalizes them into two-dimensional or three-dimensional images according to preset filters, and preprocesses them by removing noise. That is, the preprocessor 200 divides the collected images into bands and passes them through preset filters according to the bands. The 4×10 14 to 8×10 14 hertz frequency band images are 3-channel 2-dimensional or 3-dimensional images, 10 Images in the 11 to 10 13 hertz and 10 13 to 4 In order to remove noise from the image and detect abnormal lesions or unique tissues in the skin layer, the contrast and brightness are preprocessed by adjusting the contrast and brightness in several stages by individually considering skin tissue characteristics according to depth.
상기 저장부(300)는 4×1014 ~ 8×1014 hertz 주파수 대역에서 촬영된 영상에 대해 인공지능 연산과정에 의해 식별 가능한 패턴 형태로 관찰된 피부조직 형상을 인식하고 그 형상의 좌표를 저장한다. 즉, 상기 저장부(300)는 식별 가능한 패턴 형태로 관찰된 피부조직 형상을 인식하고 그 형상의 좌표의 좌표를 영상이 전송되는 연산장치 내부의 관계형 데이터베이스에 저장한다.The storage unit 300 recognizes the observed skin tissue shape in the form of a discernible pattern through an artificial intelligence calculation process for images captured in the 4×10 14 to 8×10 14 hertz frequency band and stores the coordinates of the shape. do. That is, the storage unit 300 recognizes the observed skin tissue shape in the form of an identifiable pattern and stores the coordinates of the shape in a relational database inside the computing device through which the image is transmitted.
여기서, 상기 인공지능 연산과정은 컨벌루셔널(convolutional) 연산이 수반되는 필터를 이용하거나 입력 시점별로 구분된 N개의 단위 정보를 한 개의 순차적인 입력 단위로 설정하여 이에 대해 비선형(non-linear) 함수에 의한 변환을 거치는 학습 구조를 수반하며 분류 또는 판별 태스크를 수행하여 식별 가능한 패턴을 추정할 수 있다. 본 발명에서 수집한 영상 정보는 기기 장비 내부의 어플리케이션 프로세서에서 처리하거나 네트워크를 통해 전송하여 원격 서버에서 처리할 수 있다.Here, the artificial intelligence calculation process uses a filter involving convolutional calculation or sets N unit information divided by input time point into one sequential input unit and uses a non-linear function for this. It involves a learning structure that undergoes transformation and can estimate identifiable patterns by performing classification or discrimination tasks. The image information collected in the present invention can be processed by an application processor inside the device or transmitted over a network and processed on a remote server.
상기 분석부(400)는 좌표를 1011 ~ 1013 hertz, 1013 ~ 4×1014 hertz, 1016 ~ 1020 hertz의 주파수 대역에 대한 영상에 일치하여 깊이 정보에 따라 피부조직의 세분화된 영역에서 병변, 결함 및 특이점을 검출하고 성질이나 상태를 분석한다. 즉, 상기 분석부(400)는 표피(epidermis)와 진피(dermis) 그리고 피하지방 조직(subcutaneous tissue) 등 깊이에 따른 피부조직의 병변이나 특이점을 검출하거나 성질이나 상태를 인공지능 연산과정을 이용하여 분석한다.The analysis unit 400 matches the coordinates to images in the frequency bands of 10 11 to 10 13 hertz, 10 13 to 4 × 10 14 hertz, and 10 16 to 10 20 hertz to determine segmented areas of skin tissue according to depth information. Detect lesions, defects, and outliers and analyze their properties or conditions. That is, the analysis unit 400 detects lesions or unique points of skin tissue depending on the depth, such as the epidermis, dermis, and subcutaneous tissue, or determines the nature or condition using an artificial intelligence calculation process. Analyze.
상기 시각화부(500)는 분석부(400)의 분석 결과를 기준으로 인식된 형상의 주변부를 사전 설정된 통계적 모델과 결합하여 그 시각적 모델링을 통해 생성된 스펙트럼 영상을 결합하여 피부조직을 2차원 또는 3차원 영상으로 시각화한다. The visualization unit 500 combines the periphery of the shape recognized based on the analysis result of the analysis unit 400 with a preset statistical model and combines the spectral image generated through the visual modeling to represent the skin tissue in two or three dimensions. Visualize it as a dimensional image.
상기 기록부(600)는 분석부(400)의 분석 결과를 기준으로 피부 병변을 질환별로 세부 분류하거나 피부 상태를 S개의 사전 설정된 기준에 따라 각 C개의 등급으로 계량화 추정하여 그 값을 시각 인공지능 모델의 학습을 위해 기록한다. The record unit 600 classifies skin lesions in detail by disease based on the analysis results of the analysis unit 400, or quantifies and estimates the skin condition into C grades according to S preset standards, and calculates the values into a visual artificial intelligence model. Record for learning.
상기 평가부(700)는 분석부(400)의 분석 결과를 기준으로 사전 학습되었거나 주기별로 지속적으로 학습되는 시각 인공지능 모델의 추론을 통해, 피부 병변을 질환별로 세부 분류하거나 피부 상태를 S개의 사전 설정된 기준에 따라 각 C개의 등급으로 계량화 추정하여 그 값을 평가한다. 즉, 상기 평가부(600)는 표피(epidermis)와 진피(dermis) 그리고 피하지방 조직(subcutaneous tissue) 등 깊이에 따른 피부조직의 병변이나 특이점을 검출하거나 성질이나 상태를 인공지능 연산과정을 이용하여 추정하거나, 이 결과로서 피부 질환을 특정 분류하거나 S개의 사전 설정된 기준에 따라 각 C개의 등급으로 계량화하여 평가한다.The evaluation unit 700 classifies skin lesions in detail by disease or determines skin conditions through the inference of a visual artificial intelligence model that has been pre-trained or continuously learned by cycle based on the analysis results of the analysis unit 400. According to the established standards, each C grade is quantified and estimated to evaluate its value. In other words, the evaluation unit 600 detects lesions or unique points of skin tissue depending on the depth, such as the epidermis, dermis, and subcutaneous tissue, or determines the properties or conditions using an artificial intelligence calculation process. It is estimated, or as a result of this, the skin disease is specifically classified or evaluated by quantifying it into C grades according to S preset standards.
도 2는 본 발명에 따른 시각 인공지능 활용 비침습 피부 생체지표 추정 기반 피부염 판별 방법의 흐름도이다.Figure 2 is a flowchart of a dermatitis determination method based on non-invasive skin biomarker estimation using visual artificial intelligence according to the present invention.
도 2를 참조하면, 본 발명에 따른 시각 인공지능 활용 비침습 피부 생체지표 추정 기반 피부염 판별 방법은 먼저, 4×1014 ~ 8×1014 hertz 주파수 대역의 가시광선을 감지하는 카메라 모듈 및 1011 ~ 1013 hertz, 1013 ~ 4×1014 hertz, 1016 ~ 1020 hertz의 주파수 대역 중 어느 한 가지 이상을 감지하는 장치가 부착된 기기 장비를 이용하여 피부조직에 대한 각 대역에 해당하는 영상을 독립적으로 촬영한다(S110). Referring to Figure 2, the dermatitis determination method based on non-invasive skin biomarker estimation using visual artificial intelligence according to the present invention first includes a camera module that detects visible light in the 4×10 14 to 8×10 14 hertz frequency band and 10 11 Images corresponding to each band of skin tissue using equipment attached to a device that detects one or more of the frequency bands of ~ 10 13 hertz, 10 13 ~ 4×10 14 hertz, and 10 16 ~ 10 20 hertz. Take pictures independently (S110).
즉, 4×1014 ~ 8×1014 hertz 주파수 대역의 가시광선을 감지하는 카메라 모듈 및 1011 ~ 1013 hertz, 1013 ~ 4×1014 hertz, 1016 ~ 1020 hertz의 주파수 대역 중 어느 한 가지 이상을 감지하는 장치가 부착된 기기 장비를 이용하여 대상 물체인 인체 피부의 단면 또는 다면을 대역에 따라 동일한 환경을 유지하며 독립적으로 촬영한다.That is, a camera module that detects visible light in the 4×10 14 to 8×10 14 hertz frequency band and any of the frequency bands of 10 11 to 10 13 hertz, 10 13 to 4×10 14 hertz, and 10 16 to 10 20 hertz. Using equipment equipped with one or more detection devices, cross-sections or multiple sides of the target object, human skin, are independently photographed while maintaining the same environment depending on the band.
상기 S110 단계의 각 대역에 해당하는 영상을 구분하여 수집한다(S120).Images corresponding to each band in step S110 are separately collected (S120).
상기 S120 단계의 수집된 영상에 대해 대역별로 구분하여 사전 설정된 필터에 따라 2차원 또는 3차원 영상으로 정규화하고 노이즈를 제거하여 전처리한다(S130). The images collected in step S120 are divided into bands, normalized into two-dimensional or three-dimensional images according to preset filters, and preprocessed by removing noise (S130).
즉, 상기 S120 단계에서 수집 영상을 대역별로 구분하여 해당 대역에 따라 사전 설정된 필터를 거쳐 4× 1014 ~ 8× 1014 hertz 주파수 대역 영상은 3채널의 2차원 또는 3차원 영상, 1011 ~ 1013 hertz 및 1013 ~ 4× 1014 hertz 주파수 대역 영상은 1채널의 2차원 또는 3차원 영상, 1016 ~ 1020 hertz 주파수 대역 영상은 2채널의 2차원 또는 3차원 영상으로 정규화하여 그 영상에서 노이즈를 제거하고 피부층의 이상 병변 또는 특이 조직을 감지하기 위해 깊이에 따른 피부 조직 특성을 개별 고려하여 대비(contrast) 및 밝기(brightness)를 여러 단계로 조정하여 전처리한다. That is, in step S120, the collected images are divided by band and passed through a preset filter according to the band, and the 4 × 10 14 to 8 × 10 14 hertz frequency band image is a 3-channel 2-dimensional or 3-dimensional image, 10 11 to 10 The 13 hertz and 10 13 ~ 4 In order to remove noise and detect abnormal lesions or unique tissues in the skin layer, the contrast and brightness are preprocessed by adjusting the contrast and brightness in several stages by individually considering skin tissue characteristics according to depth.
상기 S130 단계의 4×1014 ~ 8×1014 hertz 주파수 대역에서 촬영된 영상에 대해 인공지능 연산과정에 의해 식별 가능한 패턴 형태로 피부조직 형상을 인식하고 그 형상의 좌표를 저장한다(S140). 즉, 상기 S130 단계의 4×1014 ~ 8×1014 hertz 주파수 대역 영상에 대해 인공지능 연산과정에 의해 식별 가능한 패텬 형태로 피부조직 형상을 인식하고, 그 형상의 좌표를 영상이 전송되는 연산장치 내부의 관계형 데이터베이스에 저장한다. For the image captured in the 4×10 14 to 8×10 14 hertz frequency band in step S130, the shape of the skin tissue is recognized in the form of an identifiable pattern through an artificial intelligence calculation process, and the coordinates of the shape are stored (S140). In other words, the shape of the skin tissue is recognized in the form of an identifiable pattern by an artificial intelligence calculation process for the 4 × 10 14 to 8 × 10 14 hertz frequency band image in step S130, and the coordinates of the shape are transmitted to the processing device. Stored in an internal relational database.
여기서, 상기 인공지능 연산과정은 컨벌루셔널(convolutional) 연산이 수반되는 필터를 이용하거나 입력 시점별로 구분된 N개의 단위 정보를 한 개의 순차적인 입력 단위로 설정하여 이에 대해 비선형(non-linear) 함수에 의한 변환을 거치는 학습 구조를 수반하며 분류 또는 판별 태스크를 수행하여 식별 가능한 패턴을 추정할 수 있다. 본 발명에서 수집된 영상 정보는 기기 장비 내부의 어플리케이션 프로세서에서 처리하거나 네트워크를 통해 전송하여 원격 서버에서 처리할 수 있다.Here, the artificial intelligence calculation process uses a filter involving convolutional calculation or sets N unit information divided by input time point into one sequential input unit and uses a non-linear function for this. It involves a learning structure that undergoes transformation and can estimate identifiable patterns by performing classification or discrimination tasks. The image information collected in the present invention can be processed by an application processor inside the device or transmitted over a network and processed on a remote server.
상기 S140 단계의 좌표를 1011 ~ 1013 hertz, 1013 ~ 4×1014 hertz, 1016 ~ 1020 hertz의 주파수 대역에 대한 영상에 일치하여 깊이에 따른 피부조직에 대한 세분화된 영역의 병변, 결함 및 특이점을 검출하고 성질이나 상태를 분석한다(S150). 즉, 표피(epidermis)와 진피(dermis) 그리고 피하지방 조직(subcutaneous tissue) 등 깊이에 따른 피부조직의 병변이나 특이점을 검출하거나 성질이나 상태를 인공지능 연산과정을 이용하여 분석한다.The coordinates of step S140 are matched to images in the frequency bands of 10 11 to 10 13 hertz, 10 13 to 4 × 10 14 hertz, and 10 16 to 10 20 hertz to create lesions in segmented areas of skin tissue according to depth, Defects and outliers are detected and their properties or status are analyzed (S150). In other words, lesions or unique features of skin tissue depending on the depth, such as the epidermis, dermis, and subcutaneous tissue, are detected, or the properties or conditions are analyzed using an artificial intelligence calculation process.
상기 S150 단계에서 분석한 결과를 기준으로 인식된 형상의 주변부를 사전 설정된 통계적 모델과 결합하여 그 시각적 모델링을 통해 생성된 스펙트럼 영상을 결합하여 피부조직을 2차원 또는 3차원 영상으로 시각화한다(S160-1).Based on the results analyzed in step S150, the peripheral part of the recognized shape is combined with a preset statistical model, and the spectral image generated through visual modeling is combined to visualize the skin tissue as a two-dimensional or three-dimensional image (S160- One).
상기 S150 단계에서 분석한 결과를 기준으로 피부 병변을 질환별로 세부 분류하거나 피부 상태를 S개의 사전 설정된 기준에 따라 각 C개의 등급으로 계량화 추정하여 그 값을 시각 인공지능 모델의 학습을 위해 기록한다(S160-2). Based on the results analyzed in step S150, skin lesions are classified by disease, or the skin condition is quantified and estimated into C grades according to S preset standards, and the values are recorded for learning of the visual artificial intelligence model ( S160-2).
상기 S150 단계에서 분석한 결과를 기준으로 사전 학습되었거나 주기별로 지속적으로 학습되는 시각 인공지능 모델의 추론을 통해, 피부 병변을 질환별로 세부 분류하거나 피부 상태를 S개의 사전 설정된 기준에 따라 각 C개의 등급으로 계량화 추정하여 그 값을 평가한다(S160-2). Based on the results analyzed in step S150, through the inference of a visual artificial intelligence model that has been pre-trained or continuously learned in each cycle, skin lesions are classified in detail by disease or skin conditions are graded into C grades according to S preset criteria. Evaluate the value by quantifying and estimating (S160-2).
이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.Although the embodiments of the present invention have been described in detail above, the scope of the present invention is not limited thereto, and various modifications and improvements made by those skilled in the art using the basic concept of the present invention defined in the following claims are also possible. It falls within the scope of rights.
100: 수집부 200: 전처리부
300: 저장부 400: 분석부
500: 시각화부 600: 기록부
700: 평가부100: collection unit 200: preprocessing unit
300: storage unit 400: analysis unit
500: visualization unit 600: recording unit
700: Evaluation department
Claims (4)
수집된 영상에 대해 대역별로 구분하여 사전 설정된 필터에 따라 2차원 또는 3차원 영상으로 정규화하고 노이즈를 제거하여 전처리하는 전처리부;
상기 4×1014 ~ 8×1014 hertz 주파수 대역에서 촬영된 영상에 대해 인공지능 연산과정에 의해 식별 가능한 패턴 형태로 관찰된 피부조직 형상을 인식하고 그 형상의 좌표를 저장하는 저장부;
상기 좌표를 1011 ~ 1013 hertz, 1013 ~ 4×1014 hertz, 1016 ~ 1020 hertz의 주파수 대역에 대한 영상에 일치하여 깊이 정보에 따라 표피와 진피 그리고 피하지방 조직의 세분화된 영역에서 병변, 결함 및 특이점을 검출하고 성질이나 상태를 분석하는 분석부;
상기 분석부의 분석 결과를 기준으로 인식된 형상의 주변부를 사전 설정된 통계적 모델과 결합하여 그 시각적 모델링을 통해 생성된 스펙트럼 영상을 결합하여 피부조직을 2차원 또는 3차원 영상으로 시각화하는 시각화부;
상기 분석부의 분석 결과를 기준으로 피부 병변을 질환별로 세부 분류하거나 피부 상태를 S개의 사전 설정된 기준에 따라 각 C개의 등급으로 계량화 추정하여 그 값을 시각 인공지능 모델의 학습을 위해 기록하는 기록부; 및
상기 분석부의 분석 결과를 기준으로 사전 학습되었거나 주기별로 지속적으로 학습되는 시각 인공지능 모델의 추론을 통해, 피부 병변을 질환별로 세부 분류하거나 피부 상태를 S개의 사전 설정된 기준에 따라 각 C개의 등급으로 계량화 추정하여 그 값을 평가하는 평가부;를 포함하되,
상기 전처리부는 수집 영상을 대역별로 구분하여 해당 대역에 따라 사전 설정된 필터를 거쳐 4×1014 ~ 8×1014 hertz 주파수 대역 영상은 3채널의 2차원 또는 3차원 영상, 1011 ~ 1013 hertz 및 1013 ~ 4×1014 hertz 주파수 대역 영상은 1채널의 2차원 또는 3차원 영상, 1016 ~ 1020 hertz 주파수 대역 영상은 2채널의 2차원 또는 3차원 영상으로 정규화하여 그 영상에서 노이즈를 제거하고 피부층의 이상 병변 또는 특이 조직을 감지하기 위해 깊이에 따른 피부 조직 특성을 개별 고려하여 대비 및 밝기를 여러 단계로 조정하여 전처리하는 것을 특징으로 하는 시각 인공지능 활용 비침습 피부 생체지표 추정 기반 피부염 판별 시스템.A camera module that detects visible light in the 4×10 14 to 8×10 14 hertz frequency band and any one of the frequency bands 10 11 to 10 13 hertz, 10 13 to 4×10 14 hertz, and 10 16 to 10 20 hertz. A collection unit that independently captures images corresponding to each band of the skin using a device equipped with an abnormality detection device and collects the images corresponding to each band separately;
A preprocessing unit that divides the collected images into bands, normalizes them into two-dimensional or three-dimensional images according to preset filters, and preprocesses them by removing noise;
A storage unit that recognizes the shape of skin tissue observed in the form of a discernible pattern by an artificial intelligence calculation process for the image captured in the 4 × 10 14 to 8 × 10 14 hertz frequency band and stores the coordinates of the shape;
The above coordinates are matched to images in the frequency bands of 10 11 to 10 13 hertz, 10 13 to 4 An analysis unit that detects lesions, defects, and outliers and analyzes their properties or conditions;
A visualization unit that visualizes skin tissue as a two-dimensional or three-dimensional image by combining the periphery of the shape recognized based on the analysis result of the analysis unit with a preset statistical model and combining the spectral image generated through visual modeling;
A register for classifying skin lesions in detail by disease based on the analysis results of the analysis unit or quantifying and estimating skin conditions into C grades according to S preset standards and recording the values for learning of a visual artificial intelligence model; and
Based on the analysis results of the analysis unit, through the inference of a visual artificial intelligence model that is pre-trained or continuously learned in cycles, skin lesions are classified in detail by disease or skin conditions are quantified into C grades according to S preset standards. Includes an evaluation unit that estimates and evaluates the value,
The pre-processing unit divides the collected images into bands and goes through preset filters according to the bands. The 4×10 14 to 8×10 14 hertz frequency band images are 3-channel 2- or 3-dimensional images, 10 11 to 10 13 hertz, and The 10 13 ~ 4 Dermatitis determination based on non-invasive skin biomarker estimation using visual artificial intelligence, which is characterized by pre-processing by adjusting contrast and brightness in several stages by individually considering skin tissue characteristics according to depth to detect abnormal lesions or unique tissues in the skin layer. system.
상기 평가부는 표피와 진피 그리고 피하지방 조직 깊이에 따른 피부조직의 병변이나 특이점을 검출하거나 성질이나 상태를 인공지능 연산과정을 이용하여 추정하거나, 이 결과로서 피부 질환을 특정 분류하거나 S개의 사전 설정된 기준에 따라 각 C개의 등급으로 계량화하여 평가하는 것을 특징으로 하는 시각 인공지능 활용 비침습 피부 생체지표 추정 기반 피부염 판별 시스템.According to paragraph 1,
The evaluation unit detects lesions or unique points in skin tissue according to the depth of the epidermis, dermis, and subcutaneous fat tissue, estimates the nature or condition using an artificial intelligence calculation process, classifies skin diseases specifically as a result, or sets S preset criteria. A dermatitis determination system based on non-invasive skin biomarker estimation using visual artificial intelligence, which is characterized by quantifying and evaluating each C grade according to.
상기 제1단계의 각 대역에 해당하는 영상을 구분하여 수집하는 제2단계;
상기 제2단계의 수집된 영상에 대해 대역별로 구분하여 사전 설정된 필터에 따라 2차원 또는 3차원 영상으로 정규화하고 노이즈를 제거하여 전처리하는 제3단계;
상기 제3단계의 4× 1014 ~ 8×1014 hertz 주파수 대역에서 촬영된 영상에 대해 인공지능 연산과정에 의해 식별 가능한 패턴 형태로 피부조직 형상을 인식하고 그 형상의 좌표를 저장하는 제4단계;
상기 제4단계의 좌표를 1011 ~ 1013 hertz, 1013 ~ 4×1014 hertz, 1016 ~ 1020 hertz의 주파수 대역에 대한 영상에 일치하여 깊이에 따른 피부조직에 대한 세분화된 영역의 병변, 결함 및 특이점을 검출하고 성질이나 상태를 분석하는 제5단계;
상기 제5단계의 분석 결과를 기준으로 인식된 형상의 주변부를 사전 설정된 통계적 모델과 결합하여 그 시각적 모델링을 통해 생성된 스펙트럼 영상을 결합하여 피부조직을 2차원 또는 3차원 영상으로 시각화하는 제6-1단계;
상기 제5단계의 분석 결과를 기준으로 피부 병변을 질환별로 세부 분류하거나 피부 상태를 S개의 사전 설정된 기준에 따라 각 C개의 등급으로 계량화 추정하여 그 값을 시각 인공지능 모델의 학습을 위해 기록하는 제6-2단계; 및
상기 제5단계의 분석 결과를 기준으로 사전 학습되었거나 주기별로 지속적으로 학습되는 시각 인공지능 모델의 추론을 통해, 피부 병변을 질환별로 세부 분류하거나 피부 상태를 S개의 사전 설정된 기준에 따라 각 C개의 등급으로 계량화 추정하여 그 값을 평가하는 제6-3단계;를 포함하는 것을 특징으로 하는 시각 인공지능 활용 비침습 피부 생체지표 추정 기반 피부염 판별 방법.A camera module that detects visible light in the 4×10 14 to 8×10 14 hertz frequency band and any one of the frequency bands 10 11 to 10 13 hertz, 10 13 to 4×10 14 hertz, and 10 16 to 10 20 hertz. A first step of independently taking images corresponding to each band of skin tissue using equipment equipped with an abnormality detection device;
A second step of collecting images corresponding to each band of the first step separately;
A third step of preprocessing the images collected in the second step by dividing them into bands, normalizing them into two-dimensional or three-dimensional images according to preset filters, and removing noise;
The fourth step of recognizing the shape of skin tissue in the form of a discernible pattern through an artificial intelligence calculation process for the image captured in the 4 × 10 14 to 8 × 10 14 hertz frequency band of the third step and storing the coordinates of the shape. ;
The coordinates of the fourth step are matched to images in the frequency bands of 10 11 ~ 10 13 hertz, 10 13 ~ 4 × 10 14 hertz, and 10 16 ~ 10 20 hertz to create lesions in segmented areas of skin tissue according to depth. , the fifth step of detecting defects and outliers and analyzing their properties or states;
A sixth step for visualizing skin tissue as a two-dimensional or three-dimensional image by combining the periphery of the shape recognized based on the analysis result of the fifth step with a preset statistical model and combining the spectral image generated through visual modeling. Level 1;
Based on the analysis results of the fifth step, skin lesions are classified in detail by disease, or skin conditions are quantified and estimated into C grades according to S preset standards, and the values are recorded for learning of a visual artificial intelligence model. Step 6-2; and
Based on the analysis results of the fifth step, through the inference of a visual artificial intelligence model that has been pre-trained or continuously learned in cycles, skin lesions are classified in detail by disease or skin conditions are graded into C levels according to S preset criteria. A dermatitis determination method based on non-invasive skin biomarker estimation using visual artificial intelligence, comprising a step 6-3 of quantifying and estimating the value.
상기 제3단계는 수집 영상을 대역별로 구분하여 해당 대역에 따라 사전 설정된 필터를 거쳐 4×1014 ~ 8×1014 hertz 주파수 대역 영상은 3채널의 2차원 또는 3차원 영상, 1011 ~ 1013 hertz 및 1013 ~ 4×1014 hertz 주파수 대역 영상은 1채널의 2차원 또는 3차원 영상, 1016 ~ 1020 hertz 주파수 대역 영상은 2채널의 2차원 또는 3차원 영상으로 정규화하여 그 영상에서 노이즈를 제거하고 피부층의 이상 병변 또는 특이 조직을 감지하기 위해 깊이에 따른 피부 조직 특성을 개별 고려하여 대비 및 밝기를 여러 단계로 조정하여 전처리하는 것을 특징으로 하는 시각 인공지능 활용 비침습 피부 생체지표 추정 기반 피부염 판별 방법. According to paragraph 3,
In the third step, the collected images are divided by band and passed through a preset filter according to the band, and the 4×10 14 to 8×10 14 hertz frequency band image is a 3-channel 2-dimensional or 3-dimensional image, 10 11 to 10 13 Hertz and 10 13 ~ 4 Based on non-invasive skin biomarker estimation using visual artificial intelligence, which is characterized by preprocessing by adjusting contrast and brightness in several stages by individually considering skin tissue characteristics according to depth to detect abnormal lesions or unique tissues in the skin layer. How to identify dermatitis.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210167111A KR102654796B1 (en) | 2021-11-29 | 2021-11-29 | System for Differential Diagnosis of Dermatitis using Non-invasive Skin Biomarkers based on Visual Artificial Intelligence and Method Thereof |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210167111A KR102654796B1 (en) | 2021-11-29 | 2021-11-29 | System for Differential Diagnosis of Dermatitis using Non-invasive Skin Biomarkers based on Visual Artificial Intelligence and Method Thereof |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230079899A KR20230079899A (en) | 2023-06-07 |
| KR102654796B1 true KR102654796B1 (en) | 2024-04-11 |
Family
ID=86762099
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210167111A KR102654796B1 (en) | 2021-11-29 | 2021-11-29 | System for Differential Diagnosis of Dermatitis using Non-invasive Skin Biomarkers based on Visual Artificial Intelligence and Method Thereof |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102654796B1 (en) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102041906B1 (en) | 2019-03-06 | 2019-11-07 | 주식회사 에프앤디파트너스 | API engine for discrimination of facial skin disease based on artificial intelligence that discriminates skin disease by using image captured through facial skin photographing device |
| KR102162683B1 (en) | 2020-01-31 | 2020-10-07 | 주식회사 에프앤디파트너스 | Reading aid using atypical skin disease image data |
| WO2021083923A1 (en) | 2019-11-01 | 2021-05-06 | Koninklijke Philips N.V. | Evaluating skin |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102437294B1 (en) | 2015-10-14 | 2022-08-29 | 엘지이노텍 주식회사 | System of providing moblie service using skin condition inpector |
| KR102393661B1 (en) * | 2017-12-22 | 2022-05-02 | 한국전기연구원 | Endoscope system for multi image, image providing method of the system, and a recording medium having computer readable program for executing the method |
| EP3627444B1 (en) * | 2018-09-20 | 2024-06-26 | L'oreal | Method and system for determining a characteristic of a keratinous surface and method and system for treating said keratinous surface |
| KR20210086374A (en) * | 2019-12-30 | 2021-07-08 | 연세대학교 산학협력단 | Method of classifying skin disease based on artificial intelligence |
-
2021
- 2021-11-29 KR KR1020210167111A patent/KR102654796B1/en active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102041906B1 (en) | 2019-03-06 | 2019-11-07 | 주식회사 에프앤디파트너스 | API engine for discrimination of facial skin disease based on artificial intelligence that discriminates skin disease by using image captured through facial skin photographing device |
| WO2021083923A1 (en) | 2019-11-01 | 2021-05-06 | Koninklijke Philips N.V. | Evaluating skin |
| KR102162683B1 (en) | 2020-01-31 | 2020-10-07 | 주식회사 에프앤디파트너스 | Reading aid using atypical skin disease image data |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230079899A (en) | 2023-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fernandes et al. | A novel nonintrusive decision support approach for heart rate measurement | |
| Yildirim et al. | Automated detection of diabetic subject using pre-trained 2D-CNN models with frequency spectrum images extracted from heart rate signals | |
| JP4487535B2 (en) | Health measurement system and program | |
| Gupta et al. | PCA as an effective tool for the detection of R-peaks in an ECG signal processing | |
| Dimauro et al. | An intelligent non-invasive system for automated diagnosis of anemia exploiting a novel dataset | |
| Huang et al. | Classification of atrial fibrillation and normal sinus rhythm based on convolutional neural network | |
| Vocaturo et al. | On the usefulness of pre-processing step in melanoma detection using multiple instance learning | |
| Andreu-Cabedo et al. | Mirror mirror on the wall… An intelligent multisensory mirror for well-being self-assessment | |
| Ramachandran et al. | Computerized approach for cardiovascular risk level detection using photoplethysmography signals | |
| Safdar et al. | A majority voting based ensemble approach of deep learning classifiers for automated melanoma detection | |
| JP6471559B2 (en) | Diagnostic device, image processing method, image processing system, and program for the diagnostic device | |
| CN116186502B (en) | Multi-mode visual nerve function detection method and system thereof | |
| KR102654796B1 (en) | System for Differential Diagnosis of Dermatitis using Non-invasive Skin Biomarkers based on Visual Artificial Intelligence and Method Thereof | |
| TW202216050A (en) | Wound assessment method capable of identifying the severity level and area of a patient's wound by using a non-invasive spectral imaging method | |
| KR20220123165A (en) | System for the diagnosis of skin diseases and the analysis of skin states using multiband imagery information based on visual artificial intelligence and method thereof | |
| US11903742B2 (en) | Non-invasive non-contact system and method for measuring dyslipidemia condition using thermal imaging | |
| de Melo | A brief review on electrocardiogram analysis and classification techniques with machine learning approaches | |
| KR20240079359A (en) | System for determining dermatitis based on artificial intelligence and method thereof | |
| Cheng et al. | Learning-based vessel segmentation in mammographic images | |
| Aljalal et al. | Mild Cognitive Impairment Detection from EEG Signals Using Combination of EMD Decomposition and Machine Learning | |
| Rahmaniar et al. | Classification of Hypertension Levels Based on Photoplethysmography Signals Using Convolutional Neural Network (CNN) | |
| Tihak et al. | Classification of Atrial Fibrillation ECG Signals Using 2D CNN | |
| Veredas et al. | A hybrid learning approach to tissue recognition in wound images | |
| Kumar et al. | An Effective Neural Network Assisted Melanoma Disease Prediction based on Dermoscopy Images | |
| Borghi | Brief review on electrocardiogram analysis and classification techniques with machine learning approaches |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right |