📱 4장 촬영 + 키 입력 → 🤖 ROI 검출/세그멘테이션 → 📏 흉곽팽창 추정

줄자 없이,
스마트폰으로 흉곽팽창을 측정하는 새로운 방식

Chest Expansion Measuring은 물리치료 재활—특히 심폐/호흡 물리치료에서 기본적으로 사용하는 평가입니다. 본 서비스는 전신 사진 4장(정면/측면 × 흡기/호기)과 실제 키를 기반으로, 딥러닝 기반 ROI 검출과 세그멘테이션/형상 분석을 통해 흉곽팽창 값을 직관적으로 산출하는 흐름을 목표로 합니다.

Clinic Workflow Respiratory PT Standardized Measurement Progress Tracking
데모/협업 문의 측정 과정 보기 기술 접근 보기

* 현재는 컨셉/개발 단계 기준 소개 페이지입니다. 실제 정확도/검증 결과는 향후 연구·임상 평가에 따라 달라집니다.

측정 파이프라인

Pipeline - 4단계

1

촬영 & 입력

User Step

피검사자는 전신 사진을 총 4장 촬영하고, 실제 키(신장)를 입력합니다.

  • Front view: 최대 흡기 1장, 최대 호기 1장
  • Side view: 최대 흡기 1장, 최대 호기 1장
  • 실제 키 값 입력 (픽셀 → 실측 환산용)
Input = { front_inhale.jpg, front_exhale.jpg, side_inhale.jpg, side_exhale.jpg, height_cm }
2

ROI 자동 검출 (딥러닝)

Model Step

사전 학습된 Detection 모델이 chest expansion 측정 부위(ROI)를 자동으로 찾아냅니다.

  • 모델 후보: YOLO 또는 MobileNet SSD
  • 학습 데이터: LabelImg로 ROI 라벨링한 커스텀 데이터셋
  • 출력: ROI bounding box(부위 위치/범위)
ROI = Detector(image) → bbox(x,y,w,h)
3

사람 영역 추출 & 폭/포인트 계산

Vision Step

ROI 내부에서 세그멘테이션 마스크를 통해 “사람 영역”을 추출하고, 경계/기울기 변화가 큰 지점 또는 가장 긴 폭에 해당하는 픽셀 값을 뽑아냅니다.

  • 예: MediaPipe Selfie Segmentation 등 활용
  • ROI 내 인체 마스크 → 윤곽/폭/특징점 계산
  • 정면/측면의 흡기·호기 변화를 비교
mask = Segmentation(ROI_crop) w_px = max_width(mask) / keypoints = edge_change_points(mask)
4

스케일 환산 & 흉곽팽창 산출

Estimation

“키 ROI”와 실제 키 값을 이용해 픽셀 길이를 실측 길이로 환산하고, 전후폭/좌우폭을 기반으로 타원 둘레로 근사하여 chest expansion 값을 계산합니다.

  • 픽셀 → cm 환산(스케일 캘리브레이션)
  • 정면(좌우폭) + 측면(전후폭) 기반 추정
  • 흡기/호기 차이 → Expansion 산출
cm_per_px = height_cm / height_px a = (front_width_px * cm_per_px)/2 b = (side_depth_px * cm_per_px)/2 C ≈ ellipse_circumference(a,b) Expansion = C_inhale - C_exhale

핵심 가치

줄자 방식의 한계를 “워크플로우”로 해결

🧭

측정 표준화

촬영 가이드(거리/자세/각도) + ROI 자동 검출로 측정자/환경 편차를 줄이는 방향으로 설계합니다.

🗂️

자동 기록·추적

세션별 결과를 저장하고, 재활 경과를 그래프/리포트로 확인할 수 있게 확장 가능합니다.

⚡

스마트폰 기반 접근성

별도 장비 없이 스마트폰 촬영만으로 측정 가능하게 하여, 클리닉뿐 아니라 원격 모니터링에도 응용할 수 있습니다.

기술 상세(한눈에 보기)

개발 방향을 이해시키기 위한 설명

1) 왜 “4장(정면/측면 × 흡기/호기)”인가요?

흉곽팽창은 호흡에 따른 흉곽의 변화량을 보기 때문에 흡기/호기 상태가 필요합니다. 또한 정면은 좌우폭, 측면은 전후폭 정보를 제공하므로 둘을 결합하면 3D 부피를 직접 재구성하지 않고도 타원 근사 기반 추정이 가능합니다.

2) ROI Detection은 어떻게 만들 계획인가요?

LabelImg로 chest expansion 측정 부위를 라벨링한 데이터를 만들고, YOLO 또는 MobileNet SSD 같은 경량 Detection 모델에 학습시키는 방식입니다. 목표는 “새로운 사진이 들어와도 자동으로 ROI를 안정적으로 잡는 것”입니다.

3) 세그멘테이션 후 어떤 값을 추출하나요?

ROI 내 사람 영역 마스크에서 윤곽(경계)과 폭 변화를 분석합니다. 예를 들어 가장 긴 폭(최대 폭) 픽셀, 경계 기울기 변화가 큰 지점(특징점) 등을 후보로 삼아 흡기/호기 간 차이를 계산하는 방식으로 확장할 수 있습니다.

4) “키”는 왜 필요하나요?

사진 기반 분석은 픽셀 단위이므로 실측(cm)로 환산해야 합니다. 전신 사진에서 추정한 키 픽셀(또는 키 ROI)과 실제 키를 매칭해 cm/px 스케일을 만들고, 이를 ROI 내 길이 측정에 적용합니다.

5) 개인정보/보안은 어떻게 설명할 수 있나요?

온디바이스 처리(가능 범위), 서버 저장 최소화, 익명화/접근 통제 등을 옵션으로 설계할 수 있습니다. 소개 단계에서는 “데이터가 어디에서 처리되는지”와 “얼마나 저장되는지”를 명확히 쓰는 것이 신뢰에 도움이 됩니다.

6) 의료 현장 적용 시 어떤 검증이 필요할까요?

줄자(기준)와의 비교, 반복 측정 신뢰도, 촬영 환경 변화(거리/조명/복장/체형)에 대한 민감도, 편향(특정 체형/성별/연령) 점검 등이 필요합니다. 본 페이지는 제품/연구 방향 소개이며, 실제 사용을 위해서는 단계적 검증 설계가 권장됩니다.

데모/도입/공동연구 문의

아래 폼은 예시입니다. 실제 서비스에서는 이메일 전송/CRM/구글폼 연동으로 교체하세요.

📌 함께 정하면 좋은 항목
  • 타겟: 호흡재활/심폐재활/일반 PT 등
  • 사용 환경: 클리닉(진료실) vs 원격(자가 측정)
  • 촬영 가이드: 거리/자세/복장 조건
  • 검증 계획: 기준 비교, 반복성, 샘플 구성