여드름은 가장 흔한 피부질환 중 하나입니다. 대부분의 사람들이 한 번씩 경험해 봤을 정도로 흔한 질환이지만, 그 질환이 환자 개인에게 미치는 영향이 작다고 할 수는 없습니다. 여드름은 외모적인 부분에서 눈에 띄는 변화를 불러오고, 몇몇 여드름은 흉터로 남아 얼굴에 회복 불가능한 자국을 남기기도 하기 때문입니다. 또한, 외모상의 변화로 인한 자신감 하락, 스트레스 등의 심리적 악영향을 끼치기도 합니다.
여드름을 효과적으로 치료하기 위해서는, 정확하고 적시적인 진단이 중요합니다. 하지만, 매번 여드름이 날 때마다 시간을 내 피부과를 방문하는 것은 매우 번거로운 일입니다. 길고 지루한 대기시간도 무척 힘들고요.
그런데 만약 집에서 스마트폰을 통해 여드름 진단이 가능하다면 어떻게 될까요? 평소에 피부과를 갈 만한 시간적 여유가 없었던 사람도, 또는 집에서 멀리 떨어져 있어 피부과를 방문하기 어려웠을 시골 지역의 사람들도 간편하게 피부 상태를 추적할 수 있게 될 것입니다. 그러한 자동화된 진단은 피부과 진단 데이터를 학습한 인공 지능을 통해서 구현할 수 있을 것입니다.
여드름을 진단하는 AI
여드름은 크게 6가지의 종류로 구분됩니다.
- whitehead : 피지가 모공을 막아 흰색의 혹을 형성한 것
- blackhead : whitehead가 개방되어 검게 변한 것
- papule : 직경 1cm이하의 부어오른 여드름 (헤드가 보이지 않음)
- pustule : 고름이 차오른 여드름
- nodule : 막힌 모공이 감염되어 피부 깊은 곳에서 딱딱하고 빨갛게 부어오른 혹
- cystic : 크기가 크고 고통스러운 붉은색 또는 흰색의 혹. nodule과 다르게 고름이 차 있음
각각의 종류 별로 치료의 방향이 달라지기 때문에, 우리의 인공 지능은 스마트폰의 이미지를 입력받아 여드름의 위치를 찾은 후, 그 종류를 분류해야 합니다.
인공 지능의 분야 중, 그러한 업무를 수행하는 분야는 object detection입니다. 그 중 Faster RCNN은 영역 제시부터 분류까지, 일련의 과정을 통째로 학습하고 추론하는 end-to-end 모델로서 높은 성능을 보이고 있습니다. 따라서 우리는 이 모델을 훈련시켜 여드름을 찾아내고 진단하는 AI를 만들 수 있을 것입니다.
선행 연구와 한계점
사실, 해당 역할을 수행하는 AI 모델은 이미 존재합니다.
(Acnedet, 2022, Quan Thanh Huynh et al.) 에서는 Faster RCNN을 이용해 여드름의 위치를 파악하고 4가지의 분류 (blackheads/whiteheads, papules/pustules, nodules/cysts, acne scars)를 진행합니다. 또한, 4단계로 이뤄진 심각도를 investigator's global assessment 를 기준으로 산출합니다.
제가 만들 모델은 많은 측면(데이터셋의 양, 피부과 전문지식의 부재 등) 에서 해당 모델의 수준에 도달하진 못하겠지만, 이번 프로젝트를 통해 dataset 생성부터 trainning, test까지 일련의 object detection model 개발 프로세스를 경험해 보려고 합니다. 또한, 적은 양의 데이터로 최대한의 성능을 끌어낼 수 있는 다양한 학습 방법론들을 연습해 보려고 합니다.
'projects' 카테고리의 다른 글
| Faster R-CNN을 이용한 여드름 탐지 - Training (2) | 2023.10.18 |
|---|---|
| Faster R-CNN을 이용한 여드름 탐지 - 데이터 전처리 (2) | 2023.09.30 |
| Roboflow를 이용한 data annotation (0) | 2023.09.13 |
| Keypoint detection - 사람의 위치와 자세를 추정한다 (0) | 2023.07.08 |
| 천릿길도 한 걸음부터 (0) | 2023.07.05 |