HBB와 OBB 기반 모발 객체 검출 라벨링 기법 비교분석 (Comparative Analysis of Hair Object Detection Labeling Techniques Based on HBB and OBB)

서지정보

· 발행기관 : 한국정보통신학회
· 수록지 정보 : 한국정보통신학회논문지 / 28권 / 3호 / 310 ~ 318페이지
· 저자명 : 김현규, 배수목, 김명수, 김상욱, 정성문

초록

모발이식 시 채취하고자 하는 영역의 모발의 수, 방향 등을 파악하는 것은 수술 성공여부에 큰 영향을 미친다. 현재, 이를 위해 의료진이 모발의 유형을 직접 판독하여 밀도를 추정하는 높은 작업 강도가 요구되고 있다. 이를 해결하기 위해 딥러닝 기반의 객체 검출모델을 활용하여 모발 자동 검출과 모발 수 분석이 가능해진다면, 임상에서의 작업 효율성은 크게 증가될 수 있다. 본 연구에서는, 기존 직사각형 형태의 바운딩박스(Horizontal Bounding Box: HBB)와 방향성을 고려한 바운딩박스(Oriented Bounding Box:OBB)의 2가지 서로 다른 라벨링 방법을 활용하여 모발검출에 대한 결과를 비교 분석하였다. 또한, IOU (Intersection Over Union) 임계값을 사용한 mAP(mean Average Precision)와 MAE(Mean Absolute Error)를 통해 라벨링 방법에 따른 모델 간의 성능 평가를 진행하였다. 최고 성능 기준, 모발 검출 결과는 HBB의 경우, mAP: 0.468, MAE: 2.89, OBB의 경우, mAP: 0.478, MAE: 3.30와 같은 성능을 확인하였다. 본 논문을 통해 모발 검출 시 HBB와 OBB 방법의 장단점을 파악하고 2가지 라벨링 방법에 대한 활용방안을 제안함으로써 실제 임상 현장 업무 자동화의 효율성을 높이는 역할을 할 수 있을 것으로 기대된다.

영어초록

Assessing hair count and direction in the transplant area is crucial for surgery success. Currently, this requires intensive manual work by medical staff. Utilizing a deep learning object detection model for automatic hair detection and counting could greatly enhance clinical efficiency. In this study, we analyzed hair detection effectiveness by comparing two labeling techniques: the conventional Horizontal Bounding Box (HBB) and the direction-sensitive Oriented Bounding Box (OBB). We assessed the performance of models based on these methods using metrics such as mean Average Precision (mAP) with an Intersection Over Union (IOU) threshold, and Mean Absolute Error (MAE), to determine the most efficient approach for hair detection. Results showed HBB achieved an mAP of 0.468 and MAE of 2.89, while OBB recorded an mAP of 0.478 and MAE of 3.30. This paper explores the pros and cons of HBB and OBB for hair detection, proposing their use to improve automation efficiency in clinical settings.

참고자료

· 없음