선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 그러나 급성기와 아급성 사이의 구분이 잘 되지 않았으며, 초급성기에 비하여 급성기와 아급성기의 gray value는 변별도가 낮으므로 오차가 발생하였고, 뇌경색이 뇌척수액 근처에 발생할 경우의 오차로 인하여 T2와의 관계에서 정확도가 낮음을 알 수 있었다. 본 연구를 통하여 지금까지 전문의의 주관적인 판단으로 구분되던 뇌경색의 시기 구분에 활용될 수 있는 객관적으로 정량화된 자료를 제시할 수 있었다. 향후 뇌경색 시기 구분의 다양한 파라미터를 첨가한다면 뇌경색 진단 보조시스템의 개발에 적용 가능하리라 사 료된다.
- 본 연구에서는 세 가지 촬영기법으로 촬영된 뇌경색 환자의 MR 영상에 대해 뇌경색 시기별 각 영상간의 신호강도 차이를 이용하여 초급성, 급성, 아급성기를 정량적으로 판별할 수 있는 방법을 제안하였다. 그리고 제안된 방법의 타당성을 검증하기 위하여 부산대학교병원에 내원한 뇌경색 환자의 MR 영상을 획득하여 실험하였다.
제안 방법
- 초급성, 급성, 아급성에서의 뇌경색 영역은 표 1에서와 같이 EPI에서 가장 효율적으로 진단되는 성질을 이용하여 뇌경색 부위를 정합된 EPI의 히스토그램에서 gray value 110~140까지의 기울어진 정도가 가장 급한 값을 임계치로 설정하여 뇌 경색 부위만을 검출하였다. 검출된 부위를 T2, FLAIR와 비교하여 정량화 과정을 수행하였다. 본 연구에서 제안된 방법으로 각 시기별로 각 영상간의 gray value의 차이의 평균과 표준편차를 구한 결과 표 4와 같이 관측되었다.
- 정량화 된 자료와 수작업으로 구한 데이터들을 비교하였으며, 비교 . 검토한 자료들을 바탕으로 뇌경색 환자의 시기를 구분하였다.
- 그러나 해부학적인 정보가 잘 나타나지 않고 잡음이 많은 단점을 지니고 있다. 그러므로 EPI의 전체적인 형태를 검출함에 있어 잡음에 대한 민감도를 제거하기 위해 Laplacian of Gaussian (LoG)을 수행하여 에지를 검출하였다. 그리고 전체 영상의 히스토그램에서 극소점을 히스토그램의 1차 미분과 2차 미분을 이용하여 구한 후 이 값을 문턱치로 하여 2가지 방법에서 공통적으로 나타나는 지점을 찾아낸 후 EPI의 두뇌 영역을 이진화하여 위치정보를 그림 14와 같이 구하였다.
- 그리고 다중뷰/논리양식 (multiple view/modalities)를 이용한 작업규격 (task specification), 주 상화계획 (abstract plan), 세부작업계획 (specific plan) 과정을 그림 2와 같이 수행하여 각 객체 (object)의 위치적 형태구 조학적인 특징들을 이용하여 각 객체를 검출 한 후 이들을 영상 변환의 기준점으로 설정하였다. 그리고 EPI, FLAIR, T2 영상들의 크기, 중심점의 매칭 (matching) 등을 수행하여 영상 간의 대응점을 정확하게 산출하였다[4, 5, 6]. 이러한 일련의 과 정에 의해 변환된 영상을 서로 분석하여 뇌경색의 시기별 특 징을 기존의 수작업으로 얻은 시기별 데이터와 비교함으로써 수행 시간과 오차율을 줄이면서 정량화 과정을 수행하였다.
- 본 연구에서는 세 가지 촬영기법에 의해 획득된 동일한 환자의 같은 부위의 영상을 사용하여 각 영상간의 형태학적인 관계를 비교함으로써 뇌경색의 시기별 정량화 과정을 수행하였으며, 이러한 과정을 여러 환자에 적용하여 뇌경색의 시기별 특징을 관찰하였다. 그리고 관찰한 결과를 쉽게 파악할 수 있도록 각 시기별에 해당하는 색을 지정하여 컬러 영상으로 사 상 과정을 수행하였다. 이러한 연구를 수행하기 위하여 다음과 같은 일련의 과정을 수행하였다.
- 본 연구에서는 세 가지 촬영기법에 의해 획득된 동일한 환자의 같은 부위의 영상을 사용하여 각 영상간의 형태학적인 관계를 비교함으로써 뇌경색의 시기별 정량화 과정을 수행하였으며, 이러한 과정을 여러 환자에 적용하여 뇌경색의 시기별 특징을 관찰하였다. 그리고 관찰한 결과를 쉽게 파악할 수 있도록 각 시기별에 해당하는 색을 지정하여 컬러 영상으로 사상(mapping) 과정을 수행하였다.
- 뇌실의 위치는 두뇌의 내부 중 중심 근처이라는 그림 1의 지식기반 규칙을 바탕으로 검출 영역을 영상 전체의 영역에서 두뇌의 중심 근처로 초점을 이동 (focus relaxation)하여 뇌실을 추출하면 거짓-참 (false true, FT)를 줄이고 속도를 증가시킬 수 있다. 그리고 뇌실은 T2 영상에서 가장 잘 나타나므로 T2 영상에 문턱치을 적용하여 일차적으로 뇌실을 검출하였다. 그리고 다시 초점 이동하여 FLAIR와 T2 영상의 차이 영상과 T2 영상에 대해 공통적으로 문턱치와 영역 확장을 수행하여 공통적으로 나타나는 부분을 뇌실 영역으로 추출하여 위치 정보를 알아내었다.
- 그리고 뇌실은 T2 영상에서 가장 잘 나타나므로 T2 영상에 문턱치을 적용하여 일차적으로 뇌실을 검출하였다. 그리고 다시 초점 이동하여 FLAIR와 T2 영상의 차이 영상과 T2 영상에 대해 공통적으로 문턱치와 영역 확장을 수행하여 공통적으로 나타나는 부분을 뇌실 영역으로 추출하여 위치 정보를 알아내었다.
- 먼저 세 가지 촬영기법에 의해 획득된 MRI 영상들 간의 위치적인 관계 (spatial relation- ship)들과 객체들의 모양, 크기, 대조도 등의 형태학적인 특성들을 정의하여 그림 1과 같은 지식기반규칙 (knowledge based rules)을 설정하였다[3]. 그리고 다중뷰/논리양식 (multiple view/modalities)를 이용한 작업규격 (task specification), 주 상화계획 (abstract plan), 세부작업계획 (specific plan) 과정을 그림 2와 같이 수행하여 각 객체 (object)의 위치적 형태구 조학적인 특징들을 이용하여 각 객체를 검출 한 후 이들을 영상 변환의 기준점으로 설정하였다. 그리고 EPI, FLAIR, T2 영상들의 크기, 중심점의 매칭 (matching) 등을 수행하여 영상 간의 대응점을 정확하게 산출하였다[4, 5, 6].
- 그러나 본 연구에 사용된 영상은 단지 중심점과 크기가 다를 뿐 가로 세로의 길이의 비는 같으므로 affine transform을 수행하였으며, 수행 결과는 그림 16과 같다. 그리고 재샘플링은 속도와 정확도를 고려하여 bilinear interpolation을 사용하였다. Affine transform과 mesh- warping의 결과는 거의 차이가 발생하지 않았다.
- 그러므로 EPI의 전체적인 형태를 검출함에 있어 잡음에 대한 민감도를 제거하기 위해 Laplacian of Gaussian (LoG)을 수행하여 에지를 검출하였다. 그리고 전체 영상의 히스토그램에서 극소점을 히스토그램의 1차 미분과 2차 미분을 이용하여 구한 후 이 값을 문턱치로 하여 2가지 방법에서 공통적으로 나타나는 지점을 찾아낸 후 EPI의 두뇌 영역을 이진화하여 위치정보를 그림 14와 같이 구하였다.
- 즉, 뇌 부위의 MRI를 분석하기 이전에 뇌의 각 객체들 사이의 상관관계를 파악하여 각 객체의 추출이 용이하도록 객체 구성도를 그림 3과 같이 구성하였으며, 이를 이용하여 두뇌와 뇌실을 추출하도록 하였다. 그리고 추출한 영상어서 뇌경색 시기별 구분 및 정량화를 수행하였으며, 수행된 알고리즘의 순서도는 그림 4와 같다.
- 두개골 니에 존재하는 두뇌 영역을 검출하기 위하여 FLAIR 와 T2 영상에서 나타나는 특징들을 이용하였다. 두개골과 두뇌의 경계에는 뇌척수액이 존재하므로 두개골에서 두뇌 영역만을 분리하기 위해서는 뇌척수액을 이용하여 보다 정확하게 두뇌를 추출할 수 있다.
- 그러나 뇌경색의 진단에 가장 유용하게 활용되고 있는 EPI는 T2와 FLAIR에서 두개골을 제거한 두뇌 형태를 나타내므로 T2와 FLAIR 영상과는 크기 및 위치에 관한 정보가 서로 다르다. 따라서 EPI를 T2 및 FLAIR와 동일한 크기와 위치에 있도록 변환하고 이들 세 가지 영상의 상관관계를 비교. 검토하는 방법에 대한 연구가 필요하다.
- 이러한 연구를 수행하기 위하여 다음과 같은 일련의 과정을 수행하였다. 먼저 세 가지 촬영기법에 의해 획득된 MRI 영상들 간의 위치적인 관계 (spatial relation- ship)들과 객체들의 모양, 크기, 대조도 등의 형태학적인 특성들을 정의하여 그림 1과 같은 지식기반규칙 (knowledge based rules)을 설정하였다[3]. 그리고 다중뷰/논리양식 (multiple view/modalities)를 이용한 작업규격 (task specification), 주 상화계획 (abstract plan), 세부작업계획 (specific plan) 과정을 그림 2와 같이 수행하여 각 객체 (object)의 위치적 형태구 조학적인 특징들을 이용하여 각 객체를 검출 한 후 이들을 영상 변환의 기준점으로 설정하였다.
- 본 연구에서 제안한 방법으로 획득된 자료(표 4)를 바탕으로 초급성, 급성, 아급성 간의 임계치를 설정하여 뇌경색의 시기를 구분하였다. T2와 FLAIR 영상 사이에서는 영상의 차이가 시기별로 구분되지 않았다.
- 본 연구에서는 세 가지 촬영기법에 의해 획득된 동일한 환자의 같은 부위의 영상을 사용하여 각 영상간의 형태학적인 관계를 비교함으로써 뇌경색의 시기별 정량화 과정을 수행하였으며, 이러한 과정을 여러 환자에 적용하여 뇌경색의 시기별 특징을 관찰하였다. 그리고 관찰한 결과를 쉽게 파악할 수 있도록 각 시기별에 해당하는 색을 지정하여 컬러 영상으로 사상(mapping) 과정을 수행하였다.
- 본 연구에서는 초급성, 급성, 아급성 뇌경색 진단을 받은 환자 중 동일 시기, 동일 부위에 대한 FLAIR, T2, EPI 세 가지 기법으로 촬영된 영상들을 한 조로 선정하여 각 영상간의 상관관계에 대해 고찰하면 표 3 및 그림 6과 같다.
- 본 연구이서는 세 가지 촬영기법에 의해 획득된 MR 영상을, 깁력하고, 이미 수작업으로 산출된 자료와 지식기반 규칙을 바탕으로 영상처리와 패턴인식을 수행하여 뇌경색의 각 시기를 분류하였다. 본 연구에 적용한 객체중심 계층적 계획기법은 그림 3과 같다.
- 이들 기법 중 먼저 EPI와 T2 및 EPI와 FLAIR 간의 영상 정합을 위하여 각 영상의 위치정보를 이용하여 영상 워핑기법을 수행하였다. 압샘플링 (upsampling)의 결과로 픽셀보간 (pixel interpolation) 과정이 요구되므로 본 연구에서는 Fan-t's 재샘플링 (resampling) 알고리즘을 수행하여 T2와 FLAIR 과의 영상 정합을 수행하였으며, 수행 결과는 그림 15와 같다. 또 다른 방법으로 EPI와 T2 및 EPI와 FLAIR 간의 영상 정합을 위하여 affine transform을 사용하였다.
- T2와 FLAIR 영상에서 추출된 두뇌와 EPI를 상대 비교하기 위하여 영상 정합기법을 사용하였다. 영상의 정합에는 여러가지 알고리즘이 사용되고 있으나, 본 연구에서는 mesh-warping 알고리즘과 affine transform을 적용하여 EPI와 T2 및 EPI와 FLAIR 영상간의 영상 정합을 수행하였다.
- 이들 기법 중 먼저 EPI와 T2 및 EPI와 FLAIR 간의 영상 정합을 위하여 각 영상의 위치정보를 이용하여 영상 워핑기법을 수행하였다. 압샘플링 (upsampling)의 결과로 픽셀보간 (pixel interpolation) 과정이 요구되므로 본 연구에서는 Fan-t's 재샘플링 (resampling) 알고리즘을 수행하여 T2와 FLAIR 과의 영상 정합을 수행하였으며, 수행 결과는 그림 15와 같다.
- 그리고 EPI, FLAIR, T2 영상들의 크기, 중심점의 매칭 (matching) 등을 수행하여 영상 간의 대응점을 정확하게 산출하였다[4, 5, 6]. 이러한 일련의 과 정에 의해 변환된 영상을 서로 분석하여 뇌경색의 시기별 특 징을 기존의 수작업으로 얻은 시기별 데이터와 비교함으로써 수행 시간과 오차율을 줄이면서 정량화 과정을 수행하였다. 정량화 된 자료와 수작업으로 구한 데이터들을 비교하였으며, 비교 .
- 이러한 일련의 과 정에 의해 변환된 영상을 서로 분석하여 뇌경색의 시기별 특 징을 기존의 수작업으로 얻은 시기별 데이터와 비교함으로써 수행 시간과 오차율을 줄이면서 정량화 과정을 수행하였다. 정량화 된 자료와 수작업으로 구한 데이터들을 비교하였으며, 비교 . 검토한 자료들을 바탕으로 뇌경색 환자의 시기를 구분하였다.
- 일례로 뇌 영상의 정량화에 관한 연구가 다음과 같은 방법에 의해 진행되고 있다. 즉 뇌 영상의 정량적 표현을 위하여 뇌지도 (brain map)와 같은 기준영상을 설정한 후 기준영상의 형태구조와 비슷하게 타 영상을 변형하여 서로 간의 상관관계를 비교 . 검토하는 방법들이 주로 사용되고 있다.
- , Germany)를 이용하여 1997년 1월부터 1998년 5월까지 부산대학교병원에서 뇌경색 진단을 받은 환자를 실험 대상으로 하였다. 즉, FLAIR, T2, EPI를 모두 촬영한 초급성 12건, 급성 33건, 아급성 30건을 FTP (file transfer protocol)# 이용하여 PC에 해상도가 256 X 256, 8bit(256) gray level의 원시 데이터(raw data)로 전송하였다. 이들 영상을 PC에 저장한 후 Microsoft Visual C++ 5.
- 이러한 두 영역의 특징을 이용하여 두개골 내에 있는 두뇌를 추출하면 그림 10과 같다. 즉, 검출하고자 하는 두뇌는 그림 9와 같이 FLAIR와 T2 영상의 차이를 구하고 에지 검출과 영역확장 (region growing)을 수행한 후 에지 내부의 gray value를 2.55로 하여 두뇌 영역의 위치 정보를 그림 11과 같이 추출하였다. 그리고 이 영상을 이용하여 그림 12와 같은 두뇌 영상을 추출하였다.
- 본 연구에 적용한 객체중심 계층적 계획기법은 그림 3과 같다. 즉, 뇌 부위의 MRI를 분석하기 이전에 뇌의 각 객체들 사이의 상관관계를 파악하여 각 객체의 추출이 용이하도록 객체 구성도를 그림 3과 같이 구성하였으며, 이를 이용하여 두뇌와 뇌실을 추출하도록 하였다. 그리고 추출한 영상어서 뇌경색 시기별 구분 및 정량화를 수행하였으며, 수행된 알고리즘의 순서도는 그림 4와 같다.
- 초급성, 급성, 아급성에서의 뇌경색 영역은 표 1에서와 같이 EPI에서 가장 효율적으로 진단되는 성질을 이용하여 뇌경색 부위를 정합된 EPI의 히스토그램에서 gray value 110~140까지의 기울어진 정도가 가장 급한 값을 임계치로 설정하여 뇌 경색 부위만을 검출하였다. 검출된 부위를 T2, FLAIR와 비교하여 정량화 과정을 수행하였다.
대상 데이터
- 본 연구에서는. MRI (MAGNETON Vision 1.5T, Siemens Co., Germany)를 이용하여 1997년 1월부터 1998년 5월까지 부산대학교병원에서 뇌경색 진단을 받은 환자를 실험 대상으로 하였다. 즉, FLAIR, T2, EPI를 모두 촬영한 초급성 12건, 급성 33건, 아급성 30건을 FTP (file transfer protocol)# 이용하여 PC에 해상도가 256 X 256, 8bit(256) gray level의 원시 데이터(raw data)로 전송하였다.
- 본 연구에서는 세 가지 촬영기법으로 촬영된 뇌경색 환자의 MR 영상에 대해 뇌경색 시기별 각 영상간의 신호강도 차이를 이용하여 초급성, 급성, 아급성기를 정량적으로 판별할 수 있는 방법을 제안하였다. 그리고 제안된 방법의 타당성을 검증하기 위하여 부산대학교병원에 내원한 뇌경색 환자의 MR 영상을 획득하여 실험하였다. 제안된 방법으로 얻어진 데이터를 바탕으로 구분된 뇌경색 시기 판단의 결과를 전문의의 판단과 비교한 결과 만족할 만한 결과를 얻었다.
데이터처리
- 만약 정합 하려는 영상의 형태가 차이가 날 경우 가로 세로의 변화가 일어날 수 있어 효과적이라 할 수 있다. 그러나 본 연구에 사용된 영상은 단지 중심점과 크기가 다를 뿐 가로 세로의 길이의 비는 같으므로 affine transform을 수행하였으며, 수행 결과는 그림 16과 같다. 그리고 재샘플링은 속도와 정확도를 고려하여 bilinear interpolation을 사용하였다.
이론/모형
- T2와 FLAIR 영상에서 추출된 두뇌와 EPI를 상대 비교하기 위하여 영상 정합기법을 사용하였다. 영상의 정합에는 여러가지 알고리즘이 사용되고 있으나, 본 연구에서는 mesh-warping 알고리즘과 affine transform을 적용하여 EPI와 T2 및 EPI와 FLAIR 영상간의 영상 정합을 수행하였다.
- 압샘플링 (upsampling)의 결과로 픽셀보간 (pixel interpolation) 과정이 요구되므로 본 연구에서는 Fan-t's 재샘플링 (resampling) 알고리즘을 수행하여 T2와 FLAIR 과의 영상 정합을 수행하였으며, 수행 결과는 그림 15와 같다. 또 다른 방법으로 EPI와 T2 및 EPI와 FLAIR 간의 영상 정합을 위하여 affine transform을 사용하였다. Affine trans- form 이란 축소 확대, 회전, 이동과 그들의 조합을 포함한다.
성능/효과
- 실험 결과 FLAIR와 T2에서 관찰 하기 어려운 정확한 뇌경색 부위와 EPI에서 관찰하기 어려운 정확한 해부학적인 위치를 두 영상의 정합에 의해 각 영상의 단점을 보완하여 뇌경색의 형태구조학적인 특징을 쉽게 판별할 수 있었고, 이를 이용하여 뇌경색 부위의 정확한 검출과 단계별 시기도 구분할 수 있었다. 그러나 급성기와 아급성 사이의 구분이 잘 되지 않았으며, 초급성기에 비하여 급성기와 아급성기의 gray value는 변별도가 낮으므로 오차가 발생하였고, 뇌경색이 뇌척수액 근처에 발생할 경우의 오차로 인하여 T2와의 관계에서 정확도가 낮음을 알 수 있었다. 본 연구를 통하여 지금까지 전문의의 주관적인 판단으로 구분되던 뇌경색의 시기 구분에 활용될 수 있는 객관적으로 정량화된 자료를 제시할 수 있었다.
- 각 시기별 세 가지 영상을 한 조로 설정하여 뇌경색 시기를 분석하여 전문의의 판단과 실험결과를 비교한 결과는 표 5와 같다. 그리고 본 연구에서 산출된 뇌경색 시기별 EPI 와 T2, EP1 와 FLAIR 간의 gray value 차이 값과 수작업으로 산출된 값이 그림 18과 그림 19에서와 같이 차이가 없음을 알 수 있었다.
- 그러나 EPI와 T2 및 EPI와 FLAIR 영상 간에는 시기별로 구분이 확연하게 되었다. 따라서 EPI와 T2 및 EPI와 FLAIR 영상간의 gray value의 차이를 시기별로 색을 달리하여 pseudo-color로 나타내었다.
- 따라서 현재까지 전문의의 주관적인 판단으로 구별되던 뇌경색의 시기판단에 도움이 되는 객관적인 정량화된 자료를 제시할 수 있었다. 시기별로 정량화된 값을 뇌경색 시기 구분의 기준으로 설정하여 뇌경 색의 시기구분을 수행한 결과 전문의의 판단과 80%이상의 확률로 일치함을 확인하였다. 실험 결과 FLAIR와 T2에서 관찰 하기 어려운 정확한 뇌경색 부위와 EPI에서 관찰하기 어려운 정확한 해부학적인 위치를 두 영상의 정합에 의해 각 영상의 단점을 보완하여 뇌경색의 형태구조학적인 특징을 쉽게 판별할 수 있었고, 이를 이용하여 뇌경색 부위의 정확한 검출과 단계별 시기도 구분할 수 있었다.
- 시기별로 정량화된 값을 뇌경색 시기 구분의 기준으로 설정하여 뇌경 색의 시기구분을 수행한 결과 전문의의 판단과 80%이상의 확률로 일치함을 확인하였다. 실험 결과 FLAIR와 T2에서 관찰 하기 어려운 정확한 뇌경색 부위와 EPI에서 관찰하기 어려운 정확한 해부학적인 위치를 두 영상의 정합에 의해 각 영상의 단점을 보완하여 뇌경색의 형태구조학적인 특징을 쉽게 판별할 수 있었고, 이를 이용하여 뇌경색 부위의 정확한 검출과 단계별 시기도 구분할 수 있었다. 그러나 급성기와 아급성 사이의 구분이 잘 되지 않았으며, 초급성기에 비하여 급성기와 아급성기의 gray value는 변별도가 낮으므로 오차가 발생하였고, 뇌경색이 뇌척수액 근처에 발생할 경우의 오차로 인하여 T2와의 관계에서 정확도가 낮음을 알 수 있었다.
- 그리고 제안된 방법의 타당성을 검증하기 위하여 부산대학교병원에 내원한 뇌경색 환자의 MR 영상을 획득하여 실험하였다. 제안된 방법으로 얻어진 데이터를 바탕으로 구분된 뇌경색 시기 판단의 결과를 전문의의 판단과 비교한 결과 만족할 만한 결과를 얻었다. 따라서 현재까지 전문의의 주관적인 판단으로 구별되던 뇌경색의 시기판단에 도움이 되는 객관적인 정량화된 자료를 제시할 수 있었다.
후속연구
- 본 연구를 통하여 지금까지 전문의의 주관적인 판단으로 구분되던 뇌경색의 시기 구분에 활용될 수 있는 객관적으로 정량화된 자료를 제시할 수 있었다. 향후 뇌경색 시기 구분의 다양한 파라미터를 첨가한다면 뇌경색 진단 보조시스템의 개발에 적용 가능하리라 사 료된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.