본문 바로가기
KERD
논문KCI 등재

U-네트의 수용 영역 다양화를 이용한 혀 영역 분할

Tongue Segmentation Using the Receptive Field Diversification of U-net

정성태|이옥걸
한국컴퓨터정보학회 (The Korean Society Of Computer And Information)|2021.09|한국컴퓨터정보학회논문지 (Journal of The Korea Society of Computer and Information)|제26권 제9호|pp. 37-47|DOI https://doi.org/10.9708/jksci.2021.26.09.037

0

조회

0

다운로드

1

인용

0

참고문헌

키워드

딥러닝Deep Learning분할SegmentationU-netTongue혀수용 영역Receptive FieldU-네트
주제분류컴퓨터학

초록

본 논문에서는 U-네트에서 수용 영역을 다양화하여 기존의 모델보다 정확도가 개선된 새로운혀 영역 분할을 위한 딥러닝 모델을 제안한다. 수용 영역 다양화를 위하여 병렬 컨볼루션, 팽창된컨볼루션, 상수 채널 증가 등의 방법을 사용하였다. 제안된 딥러닝 모델에 대하여, 학습 영상과테스트 영상이 유사한 TestSet1과 그렇지 않은 TestSet2의 두 가지 테스트 데이터에 대해 혀 영역검출 실험을 진행하였다. 수용 영역이 다양화됨에 따라 혀 영역 분할 성능이 향상되는 것을 실험결과에서 확인할 수 있었다. 제안한 방법의 mIoU 값은 TestSet1의 경우 98.14%, TestSet2의 경우91.90%로 U-net, DeepTongue, TongueNet 등 기존 모델의 결과보다 높았다.

Abstract

In this paper, we propose a new deep learning model for tongue segmentation with improved accuracy compared to the existing model by diversifying the receptive field in the U-net. Methods such as parallel convolution, dilated convolution, and constant channel increase were used to diversify the receptive field. For the proposed deep learning model, a tongue region segmentation experiment was performed on two test datasets. The training image and the test image are similar in TestSet1 and they are not in TestSet2. Experimental results show that segmentation performance improved as the receptive field was diversified. The mIoU value of the proposed method was 98.14% for TestSet1 and 91.90% for TestSet2 which was higher than the result of existing models such as U-net, DeepTongue, and TongueNet.

참고문헌 (27)

  1. Marzia Hoque Tania, "Advances in automated tongue diagnosis techniques", Integrative Medicine Research, 8(1), pp.42~56 (2019), 한국한의학연구원[DOI]
  2. M. H. Subandia, "Prototyping digital tongue diagnosis system on roborealm and raspberry-pi", ZULFAQAR Journal of Defence Science, Engineering & Technology, 2(1), pp.24~33 (2019)
  3. Z. Li, "Tongue image segmentation via thresholding and clustering", International Congress on Image and Signal Processing, BioMedical Engineering and Informatics (CISP-BMEI), pp.1~5 (2017)
  4. Jifeng Ning, "Automatic tongue image segmentation based on gradient vector flow and region merging", Neural Computing and Applications, 21(8), pp.1819~1826 (2012), Springer Science and Business Media LLC[DOI]
  5. J. Guo, "Adaptive active contour model based automatic tongue image segmentation", International Congress on Image and Signal Processing, Biomedical Engineering and Informatics, pp.1386~1390 (2016)
  6. Saparudin, "Tongue Segmentation Using Active Contour Model", International Conference on Electrical Engineering, Computer Science and Informatics, pp.1~5 (2016)
  7. Weixia Liu, "Tongue Image Segmentation via Thresholding and Gray Projection", KSII Transactions on Internet and Information Systems, 13(2), pp.945~961 (2019), 한국인터넷정보학회[DOI]
  8. P. Qu, "Automatic tongue image segmentation for traditional chinese medicine using deep neural network", Intelligent Computing Theories and Application, pp.247~259 (2017)[DOI]
  9. B. Lin, "Deeptongue: tongue segmentation via resnet", IEEE International Conference on Acoustics, Speech and Signal Processing, pp.1035~1039 (2018)
  10. Changen Zhou, "Tonguenet: Accurate Localization and Segmentation for Tongue Images Using Deep Neural Networks", IEEE Access, 7, pp.148779~148789 (2019), Institute of Electrical and Electronics Engineers (IEEE)[DOI]
  11. O. Ronneberger, "U-net: Convolutional Networks for Biomedical Image Segmentation", International Conference on Medical image computing and computer-assisted intervention, pp.234~241 (2015)
  12. F. Yu, "Multi-scale context aggregation by dilated convolutions", International Conference on Learning Representations (2016)
  13. A. Paszke, "ENet: A Deep Neural Network Architecture for Real-Time Semantic Segmentation", arXiv preprint arXiv:1606.02147, ~ (2016)
  14. Evan Shelhamer, "Fully Convolutional Networks for Semantic Segmentation", IEEE Transactions on Pattern Analysis and Machine Intelligence, 39(4), pp.640~651 (2017), Institute of Electrical and Electronics Engineers (IEEE)[DOI]
  15. A. Chaurasia, "LinkNet: Exploiting encoder representations for efficient semantic segmentation", IEEE Visual Communications and Image Processing, pp.1~4 (2017)[DOI]
  16. K. He, "Deep residual learning for image recognition", IEEE conference on computer vision and pattern recognition, pp.770~778 (2016)
  17. W. Liu, "Parsenet : Looking wider to see better", arXiv preprint arXiv:1506.04579v2, ~ (2015)
  18. H. Zhao, "Pyramid scene parsing network", IEEE Conference on Computer Vision and Pattern Recognition, pp.2881~2890 (2017)
  19. C. Peng, "Large kernel matters–improve semantic segmentation by global convolutional network", IEEE conference on computer vision and pattern recognition, pp.4353~4361 (2017)
  20. Eduardo Romera, "ERFNet: Efficient Residual Factorized ConvNet for Real-Time Semantic Segmentation", IEEE Transactions on Intelligent Transportation Systems, 19(1), pp.263~272 (2018), Institute of Electrical and Electronics Engineers (IEEE)[DOI]
  21. W. Xiang, "ThunderNet : A Turbo Unified Network for Real-Time Semantic Segmentation", IEEE Winter Conference on Applications of Computer Vision, pp.1789~1796 (2019)
  22. Mark Everingham, "The Pascal Visual Object Classes (VOC) Challenge", International Journal of Computer Vision, 88(2), pp.303~338 (2010), Springer Science and Business Media LLC[DOI]
  23. T. Y. Lin, "Microsoft COCO : Common objects in context", European conference on computer vision, pp.740~755 (2014)
  24. M. Cordts, "The cityscapes dataset for semantic urban scene understanding", IEEE Conference on Computer Vision and Pattern Recognition, pp.3213~3223 (2016)
  25. 진홍, "Enhancement of Tongue Segmentation by Using Data Augmentation", 한국정보전자통신기술학회 논문지, 13(5), pp.313~322 (2020), 한국정보전자통신기술학회
  26. Dan Shi, "An annotated dataset of tongue images supporting geriatric disease diagnosis", Data in Brief, 32, pp.106153~ (2020), Elsevier BV[DOI]
  27. G. H. Kim, "The development trends of tongue diagnosis system", The Magazine of the IEIE, 43(12), pp.35~43 (2016)

관련 논문AI추천

설진 영상의 혀 영역 자동 분할을 위한 U-Net 기반 딥러닝 알고리즘김민솔, 남동현, 서진우한의병리학회 · 동의생리병리학회지2024 · 제38권 제6호콘볼루션 신경망 (CNN)과 다양한 이미지 증강기법을 이용한 혀 영역 분할배광호, 안일구, 이시우대한의용생체공학회 · 의공학회지2021 · 제42권 제5호Residual Multi-Dilated Recurrent Convolutional U-Net을 이용한 전자동 심장 분할 모델 분석이명숙, 임상헌한국정보처리학회 · 정보처리학회논문지. 컴퓨터 및 통신시스템2020 · 제9권 제2호자동화된 2차원 복부 CT 영상에서 딥러닝 기법을 이용한 근육 분할 기법계희원, 김경원, 박태용, 송현주, 이정진, 정희렬, 조다솜한국차세대컴퓨팅학회 · 한국차세대컴퓨팅학회 논문지2022 · 제18권 제5호설진 다중 병증 분류를 위한 딥러닝 모델의 성능 비교방연석, 이우범한국융합신호처리학회 · 융합신호처리학회 논문지2025 · 제26권 제6호짝지어진 데이터셋을 이용한 분할-정복 U-net 기반 고화질 초음파 영상 복원안치영, 유민하대한의용생체공학회 · 의공학회지2024 · 제45권 제3호

이 간행물의 다른 논문 (21건)

GPU 프로그램의 수행 중에 원자성위배를 자율적으로 수리하는 도구이건표, 이성진, 전용기pp. 1-12관계속성 기반의 개념분석 및 개념계층구조 가시화 기법 개발과 공공오픈 데이터집합에 대한 적용황석형pp. 13-25인공신경망으로 제어되는 포식자-피식자 개체군의공진화를 통한 안정성 시뮬레이션이태우, 심윤식, 김수균pp. 27-35기울어진 차량 번호판 탐지를 위해 객체 세그먼테이션을 이용한 개선된 2-단계 차량 번호판 탐지 기법이상원, 김유성, 최범석pp. 49-55항공기 1차조종면 제어를 위한 딥러닝 기반 음성인식 비행 제어장치의 구현박명철, 허화라, 김태선pp. 57-64
원문 보기