체압 분포 영상 초고해상도 보정을 이용한 욕창 예방을 위한 환자 자세 추정

Abstract

본 연구에서는 중증, 고령의 환자의 욕창 방지를 위해 욕창 부위를 예측 하는 시스템을 개발 하였다. 기존 체압 이미지를 활용한 욕창 부위를 예측에 있어 저해상도 센서는 간접 측정 및 해상도의 물리적인 한계점을 가지고 있다. 따라서 소프트웨어 적으로 저해상도 체압 이미지를 고해상도 체압 이미지로 복원하는 초고해상도 기법을 적용하였다. 이를 통해 병상의 환자의 현재 자세를 파악하고 욕창 발생 가능성이 높은 부위를 예측하고자 복원된 체압 분포 이미지에서 사용자의 자세 및 욕창 위험 부위를 검출하는 알고리즘을 개발하였다. 체압 분포 이미지의 고해상도 복원과 환자의 자세 예측을 위해 초고해상도 생성 적 적대 신경망네트워크(SRGAN)와 컨볼루션 신경망(CNN)을 구현하였다. 원본 체압 분포 이미지와 저해상도에서 SR기법에 의해 고해상도(4x)로 복원된 체압 분포 이미지의 유사성을 평가하기 위해서, 이미지 평가 기술(IQA)에서 사용하는 지표인 피크 신호 대 잡음비(PSNR)과 구조적 유사성(SSIM)을 사용하였다. 복원된 체압 이미지는 4가지의 자세(정자세, 오른쪽 누운 자세, 왼쪽 누운 자세, 그 외)로 분류되었다. 각 자세에서 욕창 발생 가능성이 높은 부위를 예측하기 위해 자세추정기술인 Openpose의 Body_25 Key Point구조에서 얼굴 손, 발 부분을 축약하여 정자세는 9 Key Points(머리, 등, 왼쪽 팔, 오른쪽 팔, 엉덩이, 왼쪽 골반, 왼쪽 발목, 오른쪽 골반, 오른쪽 발목), 오른쪽 누운 자세, 왼쪽 누운 자세는 7 Key Points(머리, 어깨, 팔꿈치, 손, 엉덩이, 무릎, 발목)으로 정의하였다. SRGAN을 이용한 고해상도 복원 결과는 정자세에서는 PSNR 37.17dB, SSIM 0.9622, 오른쪽 누운자세에서는 27.02dB, SSIM 0.9224, 왼쪽 누운자세에서는 31.44dB, SSIM 0.9470으로 SRCNN 대비 높은 결과를 보여주었다. 이미지를 육안 관찰로 정성적 비교해 보아도 SRGAN 결과가 상대적으로 보다 많은 고해상도세부사항을 보여주는 결과를 나타내었으며, 자세 검출 알고리즘은 약 98.37%의 분류 정확도를 나타내어, 실용적 기술 구현 가능성을 보였다.