본 논문은 컴퓨터단층촬영 영상에서의 자동화된 결절성 폐암의 추출 및 체적계산을 수행하였다. 배경으로부터의 흉부 분리 및 흉부로부터 폐영역으로의 분리를 위해 명암값 임계치 방법이 사용되었고, 폐 경계선 주위에 위치하는 폐암을 폐영역으로 포함시키기 위해 스캔닝-볼(Scanning-Ball) 알고리즘을 사용하였다. 폐영역으로부터 높은 명암값을 가진 부분만을 추출하는데, 이는 폐암, 혈관 또는 부분볼륨중의 하나이다. 추출된 폐암 후보자중에서 폐암을 구별하기 위해 크기, 솔리드(Solid) 형태, 평균값, 표준편차, 픽셀의 빈돗수와 명암값과의 상관계수가 사용되었으며, 식별된 폐암의 체적 및 원형율을 계산하였으며, 이를 내림차순으로 분류하였다. 19개 케이스, 총 621개 영상에 적용한 결과, 95%의 폐암추출 민감도를 가진다.
본 논문은 컴퓨터단층촬영 영상에서의 자동화된 결절성 폐암의 추출 및 체적계산을 수행하였다. 배경으로부터의 흉부 분리 및 흉부로부터 폐영역으로의 분리를 위해 명암값 임계치 방법이 사용되었고, 폐 경계선 주위에 위치하는 폐암을 폐영역으로 포함시키기 위해 스캔닝-볼(Scanning-Ball) 알고리즘을 사용하였다. 폐영역으로부터 높은 명암값을 가진 부분만을 추출하는데, 이는 폐암, 혈관 또는 부분볼륨중의 하나이다. 추출된 폐암 후보자중에서 폐암을 구별하기 위해 크기, 솔리드(Solid) 형태, 평균값, 표준편차, 픽셀의 빈돗수와 명암값과의 상관계수가 사용되었으며, 식별된 폐암의 체적 및 원형율을 계산하였으며, 이를 내림차순으로 분류하였다. 19개 케이스, 총 621개 영상에 적용한 결과, 95%의 폐암추출 민감도를 가진다.
This paper describes automated methods for the detection of lung nodules and their volume calculation on CT scans. Gray-level threshold methods were used to segment the thorax from the background and then the lung parenchymes from the thoracic wall and mediastinum. A scanning-ball algorithm was appl...
This paper describes automated methods for the detection of lung nodules and their volume calculation on CT scans. Gray-level threshold methods were used to segment the thorax from the background and then the lung parenchymes from the thoracic wall and mediastinum. A scanning-ball algorithm was applied to more accurately delineate the lung boundaries, thereby incorporating peripheral nodules contiguous to pleural surface within the segmented lung parenchymes. The lesions which have the high gray value were extracted from the segmented lung parenchymes. The selected lesions include nodules, blood vessels and partial volume effects. The discriminating features such as size, solid-shape, average, standard deviation and correlation coefficient of selected lesions were used to distinguish true nodules from pseudo-lesions. Volume and circularity calculation were performed for each identified nodules. The identified nodules were sorted in descending order of the volume. These method were applied to 621 image slices of 19 cases. The sensitivity was 95% and there was no false-positive result.
This paper describes automated methods for the detection of lung nodules and their volume calculation on CT scans. Gray-level threshold methods were used to segment the thorax from the background and then the lung parenchymes from the thoracic wall and mediastinum. A scanning-ball algorithm was applied to more accurately delineate the lung boundaries, thereby incorporating peripheral nodules contiguous to pleural surface within the segmented lung parenchymes. The lesions which have the high gray value were extracted from the segmented lung parenchymes. The selected lesions include nodules, blood vessels and partial volume effects. The discriminating features such as size, solid-shape, average, standard deviation and correlation coefficient of selected lesions were used to distinguish true nodules from pseudo-lesions. Volume and circularity calculation were performed for each identified nodules. The identified nodules were sorted in descending order of the volume. These method were applied to 621 image slices of 19 cases. The sensitivity was 95% and there was no false-positive result.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
가설 설정
1단계 구별을 위한 특징자로 1) 중앙밀도/평균밀도 2) 기울기 밀도의 최대치 3) 공간 주파수 계수 4) 반경 5) 중앙으로부터 거리등이 .사용되며, 2단계 구별을 위한 특징자로는 1) 경계선의 선명도 2) 요면 갯수 3) 가장 큰 요면의 면적 4) 공간 주파수 계수 5) 반경 6) 중앙으로부터의 거 리둥이 사용된다. HP 2114B 컴퓨터를 사용하였고, 포트란(Fortran) 으로 작성되었으며, 직경 2-4 cm의 비교적 큰 폐암 검출성능은 좋은편 이지만, 직경 2cm 이하 크기의 폐암 검출성능은 좋지 않은 편이다.
제안 방법
폐암 구별욜 위한 특징자로는 1) 크기 2) 밀집도(hollow/蹌lid) 3) 평균 4) 표준편차 5) 상관계수둥올 사용하였다. 2차원에서 추출된 폐암을 3차원 상에서 각기 다른 폐암으로 식별하였고, 각각의 체적, 위치 확인율 위한 좌표 맟 원형율을 계산하였고, 체적이 큰 순서대로 분류하였다 19개 케이스, 621장 영상에 젹용하여 95% 빈감도에 false-positive^ 존재하지 않는 결과의 성눙올 가진다.
2차원에서 한 장의 영상에 하나이상의 폐암이 존재할 경우에 연속되는 영상, 즉, 3차원에서 폐암의 위치정보 변화를 이용하여 하나 이상의 폐암으로 식별하였다.
폐 경계선을 확장하였다. 36개의 명암값 임계치 방법을 사용, 3차원 형태로 영상을 구성하였고, 이를 폐의 조직으로 그룹화하여, 이중에서 노듈 후보자를 선출, 분류하는 방법 올 사용하였다. 노듈 검춤올 위한 특징자로는 1) 체적 2) 구형체 3) 반경 4) 최대 원형체 5) 쵬대 밀집도 6) 최대편심율 7) 명암값 폄균 8) 명암값 표준 편차 9) 명암값 임계치 값둥을 사용하였다 17개 케이스, 493장 영상에 적용하여, 70% 민감도에 영상당 평균 3개의 false-positive 결과의 성능올 가진다.
3차원 정보를 가지는 나선형 CT 영상을 사용하였으며, 명암값 임계치 방법을 이용한 폐 경계선 분리, 폐 경계선의 오목, 볼록한 두 접점올 연결하는 방법으로, 폐 경계선을 확장하였고, 폐암과 理관등의 후보지멱올 선출하였다. 폐암 검룰을 위한 특칭자로는 1) 면적 2) 두께 3) 원형 여부 4) 명암값 5) 분산 6) 위치둥욜 사용하였다.
3차원 정보를 가지는 나선형 CT 영상을 사용하였으며, 흉부 경계선 분리, 폐 경계선 분리, ml血欧膈11을 이용하여 폐 경계선을 확장하였다. 36개의 명암값 임계치 방법을 사용, 3차원 형태로 영상을 구성하였고, 이를 폐의 조직으로 그룹화하여, 이중에서 노듈 후보자를 선출, 분류하는 방법 올 사용하였다.
CT 영상처리를■ 위해 DICOM 파일올 dicom2 유틸리티 [3] 를 사-舍하여 raw 영상 포맷으로 중간 변환하고, DICOM 유틸리티⑷ 중의 하나인 raw2pgm을 사용하여 16 비트 PGM 파일 포맷으로 최종 변환하였다. DICOM 파일들은 일반적으로 긴 파일 이름을 가지는데, 프로그램에서 용이하게 처리 할 수 있도록 작은 파일 이름으로 변환하였으며, 변환된 PGM 파일은 512*512 크기의 영상 파일로, 하나의 픽셀을 표현하는데 16비트를 사용하며, 이로 인해 하나의 영상 파일의 크기는 약 512K 바이트 정도가 된다.
CT, MRI 둥올 통해 얻어지는 영상을 처리하는 의료 영상 처리기술은 치료나 中술을 위한 계획이나 방법 둥을 결정하는데 매우 중요한 역할을 하는데, 본 논문에서는 폐암 추출 및 체적계산올 위해 훕부 CT 영상의 천 처리 과정, 폐 분리 과정, 폐암 추출 과정, 폐암 식별, 체적계산 및 폐암 분류 작업등을 수행하였으며, 이와 같은 결과들은 환자 외 진료나 치료 둥의 의료업무에 도움이 될 것으로 판단된다. 19개 케이스, 621장 영상에 적용하여 95% 민감도메 false-p。어tiv企는 존재하지 않는 결과의 성능을 보여주었다.
본 논문에서는 명암값 임계치 방법을 사용하며 흅무 쳥계선 분리, 폐 경계선 분리 및 스캔-볼을 이용하여 폐 경계선을 확장하였다. 분리된 폐 영역을 입력오로 하여, 혈관 부분볼륨 및 폐암등의 후보자를 선啻하였다.
또한횔:영된 폐 영상에서 방사선과 의사틀에 의해 폐암으로 진단되지 못하는 확률이 30%에 이르는 현실을 고려하여 볼 때 컴퓨터지원진단계통(CAD) 개발의 의미는 크다고 봄수 있다. 본 논문에서는 흉부 CT 영상을 사용하여 전처리과정, 폐 분리, 폐암 추출, 폐암식별, 체적계산 및 폐암분류작업욜 수행하였다(그림 1). 사용된 CT 영상은 GE사의 Hispeed Advantage 스캐너를 사용하여 촬영된 영상으로 19개 케이스, 621장으로 구성되어 있으며, 정상 및 비정상, 즉, 폐암올 가지고 있는 영상이다.
우 폐외 안과 밖을 구분하였다, 본래 영상에서 경계선 안쪽이 채워진 부분만을 좌. 우폐 부분으로 인식하여 폐 분리를 수행하였으며, 폐 부분만 분리된 영상올 폐암 분리를 위한 입력 영상오로 사용하였다(그림 7).
이차원의 CT 영상을 사용하여, 흉부 경계선 분리, 폐경계선 분리, 4개의 명암값 임계치 방법을 사용하여 노듈후보자 선촐 및 인접하는 영상과의 비교둥을 거쳐 노듈을찾아내고, 이룔 3차원으로 표시헤준다. 노듈 검출올 위한 특징 자로는 1) 면적 2) 원형여부 3) 거리등을 사용하였다.
구한다. 이후 선텍되는 클러스터의 상관계수 값과 부분볼륨 및 폐암의 표본 평균값과의 거리차이를 구하여 치-이가 작은 쪽으로 분류한 후 표본의 평균값을 다시 계산하여, 다음 클러스터의 분류에 사용한다. 폐암2로 선택된 클러스터의령계선 영상과 본래 영상올 합성하여, 폐암 분리 및 경계선의 정확도를 확인하였고(그림 9)(二림 10), 체적계산 및 폐암 분류를 위해 페암 클러스터만을 추출하였다.
(그림 6) . 추적된 폐 경계선의 정확도룔 확인하기 뮈해 본래 영상과 추적된 경계선과의 영상을 합성하여 사용하였으며, 좌, 우 폐의 안과 밖을 인식하는 채우기 과정의 오차를 줄이기 위해 추적된 경계선의 두께를 조정하였다.
펴], 폐암 분리 등올 수행한 기존의 작업들에서 적용한 방법, 폐암 분류 특징자 및 폐암검출 성능 퉁을 비교, 분석하여 본 논문에서 수행한 작업과의 상대적인 비교 지표로 사용하였으며, 성능 향상을 위한 주후 작업등을 파악할 수 있었다.
폐암 추출 및 체적계산을 위해 흉부 CT 영상의 전 처리 과정, 폐 분리 과정, 폐암 추출 과정, 폐암 식별, 체적계산 및 폐암 분류 작업등을 수행하였다. 19캐 케이스 (Case), 621장 영상에 져용한 결과는 표 1과 같다.
이후 선텍되는 클러스터의 상관계수 값과 부분볼륨 및 폐암의 표본 평균값과의 거리차이를 구하여 치-이가 작은 쪽으로 분류한 후 표본의 평균값을 다시 계산하여, 다음 클러스터의 분류에 사용한다. 폐암2로 선택된 클러스터의령계선 영상과 본래 영상올 합성하여, 폐암 분리 및 경계선의 정확도를 확인하였고(그림 9)(二림 10), 체적계산 및 폐암 분류를 위해 페암 클러스터만을 추출하였다.
하나, 또는 하나이상의 폐암이 존재할 경우 식별된 폐암의 체적 및 위치 확인을 위한 좌표를 각각 구하여 폐암 분류를 위한 자료로 사용하였다. 또힌" 실제 측정된 둘레와 면적을 이용하여 예측된 툴레의 비율로 폐암의 원형율을계산하였는데, 1의 값이 완전 원 형태이다.
대상 데이터
확장하였다. 분리된 폐 영역을 입력오로 하여, 혈관 부분볼륨 및 폐암등의 후보자를 선啻하였다. 폐암 구별욜 위한 특징자로는 1) 크기 2) 밀집도(hollow/蹌lid) 3) 평균 4) 표준편차 5) 상관계수둥올 사용하였다.
본 논문에서는 흉부 CT 영상을 사용하여 전처리과정, 폐 분리, 폐암 추출, 폐암식별, 체적계산 및 폐암분류작업욜 수행하였다(그림 1). 사용된 CT 영상은 GE사의 Hispeed Advantage 스캐너를 사용하여 촬영된 영상으로 19개 케이스, 621장으로 구성되어 있으며, 정상 및 비정상, 즉, 폐암올 가지고 있는 영상이다. 각각의 영상은 512 * 512 크기로서 픽셀의 크기는 한 바이트, 즉, 256개의 명암값을 가진다.
방사선과 의사에 의해 확인된 4L개의 폐암 중 2개외 false-negative(실제 폐암이지만 폐암으로 추출되지 않음)를 가지는 95%의 민감도(실제 폐암과 추출된 폐암의 백분율)로 폐암을 검출하였으며, false-positive(실제 폐암은 아닌데 폐암으로 추출됨) 폐암은 검출되지 않았다. 사용된 플랫폼은 Intel Celeron 266 MHz 프로세서이고, 리눅스 운영체제에 GNU C를 사용하였으며, 실행 시간은 각각의 영싱.에 대해 약 30초 정도로 수행된다.
폐암 후보자 선출을 뤼해 폐부분만 분리된 영상을 입력, 로 하여, 명암값이 110 이상에서 120 이하인 값을 가지는 픽셀들만음 남기고 나머지는 영상에서 제거한다. 이중에서 5*5 픽셀 크기 이상의 클러스터(Cluster) 만을 폐암의 후보자로 선출하는데, 폐암 후보자로는 혈관, 부분볼륨 및 폐암으로 구성된다. 일반적으로 X, Y 픽셀 크기가 0.
이론/모형
방법을 사용하여 폐외 경계선을 찾는다. 폐의 영역에 존재하는 원 형태를 찾기 위해 Hough 변환방법을 사용하고, 경계선 정제룔 위해 동적 프로그램을 사용한디..
성능/효과
5mm가 되며, 최대 직경에 대한 제한은 없다. 19개 케이스, 621장 영상에서 선출된 후보자들외 각 픽셀 돌에 대한 표준편차를 구하여 분석하여 본 결과 표준편차 값이 25 보다 작은 클러스터들은 폐 내부에 존재하는 혈관들임을 알 수 있었고, 25 이상인 클러스터들은 부분볼룜 및 폐암인 것으로 분석되었다. 부분볼륨과 폐암과의 구븰음 위해서는, 19개 케이스, 621장 영상에서 선택된 클러스터의 히스토21램을 이용하여 각 픽셀들의 빈돗수와 명암값과의 상관계수를 구하고 분석하여 본 결과, 부분볼륨의 상관계수는 절대값이 1에 가까운 정상관 및 역상 관의 특징을 가지며, 폐암의 상관계수는 0에 가까운 원형상관관계룔 가지는 것으로 분석되었는데, 위와 같은 특징자 들올 이용하여 폐암을 추출 및 분리하였다.
폐암 검룰을 위한 특칭자로는 1) 면적 2) 두께 3) 원형 여부 4) 명암값 5) 분산 6) 위치둥욜 사용하였다. 450개 케이스, 15, 750장 영상올 사용하였으며, 6개의 그룹으로 분류적웅한 결과, 1-111(100%), rv(90%)7 V(76%), VKS7%) 성능욜 가지며, 클러스터 I 믄 케이스당 2.4 false positive, 믈러스터 II 는 케이스당 7.2 false-positive 결과의 성능을 가친다.
36개의 명암값 임계치 방법을 사용, 3차원 형태로 영상을 구성하였고, 이를 폐의 조직으로 그룹화하여, 이중에서 노듈 후보자를 선출, 분류하는 방법 올 사용하였다. 노듈 검춤올 위한 특징자로는 1) 체적 2) 구형체 3) 반경 4) 최대 원형체 5) 쵬대 밀집도 6) 최대편심율 7) 명암값 폄균 8) 명암값 표준 편차 9) 명암값 임계치 값둥을 사용하였다 17개 케이스, 493장 영상에 적용하여, 70% 민감도에 영상당 평균 3개의 false-positive 결과의 성능올 가진다.
노듈 검출올 위한 특징 자로는 1) 면적 2) 원형여부 3) 거리등을 사용하였다. VAX 11/750 컴퓨터를 사용하였고, 8개 케이스, 191장 영상에 적용하여 94%의 민감도, 케이스당 평균 L25 false positive 결과의 성능을 가진다.
하나 이상의 폐암이 존재할 경우, 각각의 체적 및 하나의 폐암을 구성하는 영상 갯수를 보여주고 있으며, 체적이 큰 순서대로 나열하였다. 방사선과 의사에 의해 확인된 4L개의 폐암 중 2개외 false-negative(실제 폐암이지만 폐암으로 추출되지 않음)를 가지는 95%의 민감도(실제 폐암과 추출된 폐암의 백분율)로 폐암을 검출하였으며, false-positive(실제 폐암은 아닌데 폐암으로 추출됨) 폐암은 검출되지 않았다. 사용된 플랫폼은 Intel Celeron 266 MHz 프로세서이고, 리눅스 운영체제에 GNU C를 사용하였으며, 실행 시간은 각각의 영싱.
방사선과 의사에 의해 확인된 폐암의 명암값을 분석하여 본 결과, 폐암 명암값의 분포가 110 에서 120 인 것을 판단할 수 있다. 폐암 후보자 선출을 뤼해 폐부분만 분리된 영상을 입력, 로 하여, 명암값이 110 이상에서 120 이하인 값을 가지는 픽셀들만음 남기고 나머지는 영상에서 제거한다.
19개 케이스, 621장 영상에서 선출된 후보자들외 각 픽셀 돌에 대한 표준편차를 구하여 분석하여 본 결과 표준편차 값이 25 보다 작은 클러스터들은 폐 내부에 존재하는 혈관들임을 알 수 있었고, 25 이상인 클러스터들은 부분볼룜 및 폐암인 것으로 분석되었다. 부분볼륨과 폐암과의 구븰음 위해서는, 19개 케이스, 621장 영상에서 선택된 클러스터의 히스토21램을 이용하여 각 픽셀들의 빈돗수와 명암값과의 상관계수를 구하고 분석하여 본 결과, 부분볼륨의 상관계수는 절대값이 1에 가까운 정상관 및 역상 관의 특징을 가지며, 폐암의 상관계수는 0에 가까운 원형상관관계룔 가지는 것으로 분석되었는데, 위와 같은 특징자 들올 이용하여 폐암을 추출 및 분리하였다.
후속연구
19개 케이스, 621장 영상에 적용하여 95% 민감도메 false-p。어tiv企는 존재하지 않는 결과의 성능을 보여주었다. 차후 민감도를 높이는 방법으로는, 폐암이 존재하는 영상과 인접하는 영상의 동일한 위치를 후보지역으로 처리하는 방법과, 폐암부분을 폐의 영역으로 완전하게 포함되도록 갈비뼈의 좌표를 B-Spline, 王는 이의 변형인 catmull-rom 沖】ine을 이융하여 연결하는 방법을 사용한다면, 민감도 향상이 기대될 것으로 생착된다,
참고문헌 (11)
Jayaram K. Udupa and Gabor T. Hennen, '3d Imaging in Medicine,' pp.3-5, CRC Press, 1991
John Bradley, 'XV : Interactive Image Display for the X Window System,' pp.2-65, version 3,10a, 1994
Information Processing Engineering Dept., 'DICOM2 Installation and Usage Manual,' UTC, France
NEMA Draft Standards, 'Digital Imaging and communications in Medicine(DICOM),' Part 1-14
Scott E. Umbaugh, 'Computer Vision and Image Processing,' pp.197-215, Prentice-Hall, Inc, 1998
Dana H. Ballard and Christopher M. Brown, 'Computer Vision,' pp.181-184, Prentice-Hall, Inc, 1982
J.R.Parker, 'Algorithms for Image Processing and Computer Vision,' pp.69-108, John-Wiley & Sons, Inc, 1997
Dana H. Ballard and Jack Sklansky, 'A LadderStructured Decision Tree for Recognizing Tumors in Chest Radiographs,' IEEE Transactions on Computer, Vol. c-25, No.5, pp.503-513, 1976
Giger ML, Bae KT, MacMahon H, 'Computerized Detection of Pulmonary Nodules in Computed Tomography Images,' Investigate Radiology, Volume 29, Number 4, pp.459-465, 1994
Okumura T, Miwa T, Kako i. et al, 'Computer aided diagnosis system for lung cancer based on helical CT images,' Proceedings of Medical Imaging by SPIE, Volume 3034, pp.975-984, 1997
Armato SG III, Giger ML, Moran CJ, MacMahon H, Blackburn JT, Doi K, 'Computerized Detection of Pulmonary Nodules on CT Scans,' RadioGraphic, Volume 19, pp.1303-1311, 1999
※ AI-Helper는 부적절한 답변을 할 수 있습니다.