1) 문제점
- 피부 외 배경 영역까지 포함되어 segmentation·중증도 예측 정확도가 낮음
- 촬영 거리·각도에 따라 환부 면적이 일정하지 않아 환부 면적 기준 중증도 계산이 왜곡됨
- 기존 Flask 서빙 구조가 느리고 확장성이 낮음

2) 프로젝트 목표
- 피부 중증도(Severity)를 정량적으로 산출하는 Vision 기반 진단 모델 개발
- 사용자 촬영 이미지 기준으로 실시간 피부 상태 진단 기능 적용
- 모바일 서비스에 적합한 경량·고속 서빙 구조 구축

3) 주안점
- 다양한 피부 톤·조명 환경에서도 안정적인 피부 영역 필터링
- 환부 면적 산출 시 정규화 로직 설계(비피부 면적 제거)
- ASGI 기반 FastAPI·BentoML을 활용해 응답 속도 개선

1) 포트폴리오 소개
모바일 헬스케어 서비스 “아토닥” 사용자(아토피·피부 질환 환자)를 위한
피부 중증도 분석 및 환부 자동 분할 AI 기능 개발 프로젝트.
사용자가 촬영한 피부 이미지를 바탕으로
일상 속에서 피부 상태 변화를 모니터링할 수 있도록 지원하는 AI 기반 진단 서비스.

2) 작업 범위 (내 역할 & 개발 환경)
- 아토피 환부 Lesion Segmentation 모델 개발 및 후처리 로직 구축
- 피부 중증도 분류 모델 개발 및 지표(Severity Score) 계산 로직 구성
- 비피부 영역 제거를 위한 피부 필터링 알고리즘(HSV·YCbCr) 설계
- Flask 기반 API를 FastAPI·BentoML 기반 서빙 구조로 리팩토링
- GCP + Docker 기반 배포 환경 구성

3) 주요 업무 (핵심 기능 중심)
- Skin Filtering(피부 영역 추출): 배경·옷·조명을 제거해 예측 정밀도 향상
- Lesion Segmentation 모델 개발: 해당 병변을 픽셀 단위로 분리
- 실시간 예측 API 구축: 앱에서 촬영 → 진단 결과 반환까지 전체 흐름 연결
- 서빙 고도화: Flask 구조를 BentoML로 전환 후 latency 개선

4) 주안점 (개발 시 가장 중요했던 부분)
- 다양한 촬영 환경(조명, 각도, 거리)에서 일관성과 재현성 확보
- 비피부 영역 포함 시 중증도 지수가 왜곡되는 문제 해결
- 모바일 서비스 환경에서 필요한 실시간 응답 속도 확보
- 의료 이미지 기반 서비스에 필요한 정확도·안정성·신뢰도 극대화