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
- 일반적인 연결 요소 레이블링을 사용할 경우, 레이블의 개수가 많아질수록 필요한 메모리 양이 많아지고, 계산시간도 많이 걸리는 문제점이 있다. 이를 해결하기 위하여 본 논문에서는 3차원 저해상도 연결요소 레이블링 기법을 사용한 폐 분할을 제안한다.
- 그러나 씨앗 영역 성장법은 사용자가 직접 씨앗 점을 입력해야 하므로 자동 폐 분할에는 적합하지 않으며, 내부 폐 영역에서 3차원 씨앗 영역 성장법을 수행하는 경우, 폐 내부의 혈관이 분할되지 않아 빈 공간이 생기므로 이를 채워주어야 하는 문제가 있다. 이를 해결하기 위하여 본 논문에서는 폐 영역 외부에서 자동으로 씨앗 점을 선택하여 씨앗 영역 성장법을 수행한 뒤 그 결과를 역전시키는 방법을 제안한다. 흉부 영역 분할은 3차원 자동 씨앗 영역성장법을 사용하고, 폐 영역 분할은 2차원 자동 씨앗 영역 성장법을 사용함으로써 빈 공간을 채워주는 추가 작업 없이 자동 분할을 수행한다.
제안 방법
- 폐 경계 근처에서 계산된 히스토그램을 통해 임계값을 선택하여 폐와 폐 주변을 구분한 후, 롤링 볼 알고리즘(rolling-ball algorithm)을 통해 폐 표면을 부드럽게 만드는 보정을 수행한다. McNitt-Gray⑸는 패턴 인식의 관점에서 흉부 X-선 사진에서의 폐 분할을 연구하였다. 화소 기반 특성들을 사용하여 선형 분류자(linear classifier)와 신경망(neural networks)을 만들고 학습하여 심장, 폐, 어깨, 배경 등의 영역으로 분류하였다.
- 본 논문에서 제안한 저해상도 연결요소 레이블링을 사용함으로써 메모리와 계산 시간 면에서 효율성을 향상시킬 수 있다. 각축의 축소 비율을 높일수록 효율성이 향상되지만 +보다 더 높였을 경우에는 향상되는 정도가 적으며 볼륨데이타의 복구 시 부정확한 결과가 나올 수 있으므로 본 논문에서는 각 축의 축소 비율을 +로 한다. 그림 7은 2차원 영상에서의 연결요소 레이블링의 과정을 보여준다.
- 첫 번째, 자동 씨앗 영역 성장법을 사용하여 3차원의 CT 영상으로부터 폐와 기관지를 자동으로 분할한다. 두 번째, 2차원 형태 학적 연산(morphological operation)]]」]과 저해상도 연결요소 레이블링 (connected component lab이ing)[12]를 사용하여 기관지를 분리하고 폐 영역만 분할한다. 마지막 단계에서 는 기관지를 분리하는 과정에서 기관지 외에 침식된 폐영역을 보정하여 정확한 폐 영역을 얻는다.
- 첫 번째, 3차원 자동 씨앗 영역 성장법을 사용하여 흉부를 분할한 뒤, 2차원 자동 씨앗 영역 성장법과 저해상도 연결요소 레이블링을 통하여 분할된 흉부에서 폐와 기관지 영역을 분할한다. 두 번째, 형태학적 연산과 저해상도 연결요소 레이블링을 반복적으로 적용하여 기관지를 제거하고 폐 부분을 분할한다. 세 번째, 영상차감 기법을 이용하여 폐 영역을 보정한다.
- 이후의 모든 연산을 최적경계 볼륨에 대해서 수행함으로써 계산시간을 단축할 수 있다. 둘째, 최적 경계 볼륨에 대해서 흉부 바깥의 공기 부분에 씨앗점을 선택하고 3차원 자동 씨앗 영역 성장법을 통하여 흉부를 분할한다. 흉부 바깥의 공기부분은 T000 HU을 가지고, 흉부는 30 HU 이상의 밝기 값을 가지므로 두 영역을 구분하기 위해 -500 HU[14] 밝기값을 임계값으로 사용하여 임계값보다 밝기값이 낮은 공기부분을 제거하고 흉부 영역을 분할한다.
- 본 제안방법은 자동 씨앗 영역 성장법을 이용함으로써 사용자가 씨앗점을 선택할 필요가 없으며 혈관에 생기는 빈 공간을 막아주는 추가 작업 없이 자동으로 정확하게 폐 분할을 수행할 수 있었다. 또한, 저해상도 연결요소 레이블링을 사용하여 수행시간과 메모리 사용량을 단축하였다.
- 마지막으로, 영상 차감을 이용한 폐 영역 보정을 통해 정확한 폐 영역을 분할하였다. 실험을 위하여 5명의 환자로부터 얻은 10개의 데이타를 사용하였다.
- 흉부에 3차원 자동 씨앗 영역 성장법을 적용할 경우, 폐 내부의 밝은 영역인 혈관이 분할되지 않아 빈 공간이 생기므로 2차원 자동 씨앗 영역 성장법을 적용한다. 마지막으로, 폐 영역 분할 결과, 폐와 기관지 이외에 흉부 내부에 폐와 밝기가 비슷한 부분들이 검출될 수 있으므로 저해상도 연결요소 레이블링을 수행하여 폐와 기관지를 분할한다. 저해상도 연결요소 레이블링에 대한 내용은 2.
- 폐 분할은 다음의 3단계로 구성된다. 먼저, 자동 씨앗 영역 성장법을 사용한 기관지 및 폐 분할의 결과에 반복적으로 침식 연산을 수행하여 기관지와 폐를 분리한다. 침식 연산의 반복 회수는 폐와 기관지를 분할할 수 있도록 하되 실험을 통해서 경험적으로 3회로 설정한다.
- 본 논문에서는 하이브리드 접근 기법을 사용하여 흉부 CT 영상에서 자동으로 폐 분할 방법을 제안하였다 이를 위하여 2, 3차원 자동 씨앗 영역 성장법으로 폐와 기관지를 자동 분할하였고, 2차원 형태 학적 연산과 저해상도 연결요소 레이블링을 사용하여 기관지를 분할하였다. 마지막으로, 영상 차감을 이용한 폐 영역 보정을 통해 정확한 폐 영역을 분할하였다.
- 두 번째, 형태학적 연산과 저해상도 연결요소 레이블링을 반복적으로 적용하여 기관지를 제거하고 폐 부분을 분할한다. 세 번째, 영상차감 기법을 이용하여 폐 영역을 보정한다. 실험에서는 5명의 환자로부터 얻은 10개의 흉부 CT 영상을 사용하여 제안 방법의 정확성과 효율성을 평가한다.
- 세 번째, 저해상도 볼륨데이타의 폐를 고해상도 볼륨 데이타로 복구한 후, 반복적으로 확장 연산을 수행한다. 저해상도 볼륨데이타의 복구는 씨앗 영역 성장법을 사용한다.
- 흉부 바깥의 공기부분은 T000 HU을 가지고, 흉부는 30 HU 이상의 밝기 값을 가지므로 두 영역을 구분하기 위해 -500 HU[14] 밝기값을 임계값으로 사용하여 임계값보다 밝기값이 낮은 공기부분을 제거하고 흉부 영역을 분할한다. 셋째, 흉부에 2차원 자동 씨앗 영역 성장법을 수행하여 폐 영역을 분할한다. 이때 임계 값은 -500 HU으로 하고 임계값보다 밝기값이 큰 흉부를 제거하고 페 영역만 분할한다.
- 의한 수동 분할 결과와 비교하였다. 수동 분할을 위해 두 명의 전문가가 실험 데이타에서 폐 경계를 분할하였다. 정확성은 자동 분할한 폐 경계와 수동 분할한 폐 경계 사이에 평균 거리차(mean distance), 제곱 근거리 차(root mean square distance), 최대 거리차(max distance)를 계산함으로써 측정하였다.
- 세 번째, 영상차감 기법을 이용하여 폐 영역을 보정한다. 실험에서는 5명의 환자로부터 얻은 10개의 흉부 CT 영상을 사용하여 제안 방법의 정확성과 효율성을 평가한다. 정확성 평가를 위하여 제안한 자동 분할 결과를 전문가의 수동분할 결과와 비교하고, 효율성 평가를 위하여 수행 시간과 메모리 사용량을 분석한다.
- 이를 해결하기. 위하여 본 논문에서는 2, 3차원 자동 씨앗 영역 성장법과 저해상도에서의 연결요소 레이블링, 2차원 형태 학적 연산을 결합한 하이브리드 기법을 이용하여 흉부 CT 영상에서 자동 폐 분할 기법을 제안한다. 본 제안방법은 다음과 같은 세 단계로 구성된다.
- 이 방법은 폐 분할의 정확도가 지식 수준에 매우 의존적이라는 단점이 있다. 은 흉부 CT 영상에서 최적 임계 값 기법(optimal thresholdinG을 적용하여 폐 내부와 비슷한 밝기값을 갖는 영역을 분할하고, 형태학적 연산과 연결요소 레이블링을 수행하여 폐를 검출하였다. 그러나 폐 보다 밝기값이 큰 폐 내부의 혈관 부분으로 인해 생기는 빈 공간을 막아주는 흘 필링(hole-filling)[ll]이 추가적으로 필요하다.
- 문제점이 있다. 이를 해결하기 위하여 본 논문에서는 그림 4와 같이 2차원 침식 연산을 반복적으로 적용하여 폐로부터 기관지를 분리시키고 연결요소 레이블링을 적용하여 폐를 분할한다. 일반적인 연결 요소 레이블링을 사용할 경우, 레이블의 개수가 많아질수록 필요한 메모리 양이 많아지고, 계산시간도 많이 걸리는 문제점이 있다.
- 폐로부터 기관지를 분리하기 위해 형태학적 연산을 적용하면 기관지 이외에 폐의 일부분도 침식되어 정확하게 폐 영역이 분할되지 않는 문제가 았다. 이를 해결하기 위하여 본 논문에서는 기관지 이외에 분할된 폐영역을 차감기법(subtraction)과 저해상도 연결요소 레이블링을 사용해 보정하여 폐 영역을 정확하게 분할한다.
- 실험을 위하여 5명의 환자로부터 얻은 10개의 데이타를 사용하였다. 정확성 평가를 위하여 전문가가 수동 분할한 결과와 제안 방법의 자동 분할 결과를 비교하였고, 수행시간과 메모리 사용량 측면에서 일반적인 연결요소 레이블링을 사용한 경우와 저해상도 연결요소 레이블링을 사용한 경우를 비교하였다. 저해상도 연결요소 레이블링을 사용한 경우 평균 31.
- 수동 분할을 위해 두 명의 전문가가 실험 데이타에서 폐 경계를 분할하였다. 정확성은 자동 분할한 폐 경계와 수동 분할한 폐 경계 사이에 평균 거리차(mean distance), 제곱 근거리 차(root mean square distance), 최대 거리차(max distance)를 계산함으로써 측정하였다. X:가 자동 분할한 폐 경계의한 화소이고 X;가 수동 분할한 폐 경계의 한 화소라고 할 때 식(1)과 같이 X?에 대해 수동분할한 폐 경계까지의 최소 거리가 계산된다.
- 본 제안방법은 다음과 같은 세 단계로 구성된다. 첫 번째, 3차원 자동 씨앗 영역 성장법을 사용하여 흉부를 분할한 뒤, 2차원 자동 씨앗 영역 성장법과 저해상도 연결요소 레이블링을 통하여 분할된 흉부에서 폐와 기관지 영역을 분할한다. 두 번째, 형태학적 연산과 저해상도 연결요소 레이블링을 반복적으로 적용하여 기관지를 제거하고 폐 부분을 분할한다.
- 제안된 하이브리드 자동 폐 분할 과정은 다음의 세단계로 구성된다. 첫 번째, 자동 씨앗 영역 성장법을 사용하여 3차원의 CT 영상으로부터 폐와 기관지를 자동으로 분할한다. 두 번째, 2차원 형태 학적 연산(morphological operation)]]」]과 저해상도 연결요소 레이블링 (connected component lab이ing)[12]를 사용하여 기관지를 분리하고 폐 영역만 분할한다.
- 최적 경계 볼륨의 크기에 따라 데이타를 정렬하고 일반적인 연결요소 레이블링을 사용했을 때와 저해상도 연결 요소 레이블링을 사용했을 때의 수행시간을 비교하였다. 저해상도 연결요소 레이블링의 경우 수행시간이 최적 경계 볼륨의 크기에 상관없이 거의 일정함을 볼 수 있다.
- 그림 5에서 검은 부분의 값이 1이고 횐 부분의 값이 0이라고 할 때, 침식 연산은 그림 5(a)의 입력 영상과 그림 5(b)의 3×3 사각형 마스크를 논리적인 AND 연산하여 그림 5(c)와 같은 출력 영상을 얻는다 침식 연산의 결과 입력 영상의 겉부분이 깎인 것을 볼 수 있다. 침식 연산에 사각형 마스크를 반복적으로 사용하는 경우, 곡률이 큰 경계 부분이 계단 모양으로 깎여 왜곡이 생기게 되므로 본 논문에서는 그림 6과 같은 7x7 크기의 원형 마스크를 사용한다.
- 표 1은 폐암 환자 다섯 명의 흉부 CT 영상정보를 나타낸 것이다. 폐 분할 결과는 추후 폐변이 분석에 사용하기 위하여 각 환자마다 1~6개월 간격으로 촬영한 CT 영상 두 세트를 각각 실험하였다.
- 표 2는 일반적인 연결 요소 레이블링을 사용한 경우와 저해상도 연결요소 레이블링을 사용한 경우 자동 폐 분할의 단계별 수행시간과 전체 수행시간을 각각 비교하였다. 모든 데이타에 대해 저해상도 연결요소 레이블링을 사용한 경우, 평균 49.
- McNitt-Gray⑸는 패턴 인식의 관점에서 흉부 X-선 사진에서의 폐 분할을 연구하였다. 화소 기반 특성들을 사용하여 선형 분류자(linear classifier)와 신경망(neural networks)을 만들고 학습하여 심장, 폐, 어깨, 배경 등의 영역으로 분류하였다. Brown[6]은 모델기반 방법을 사용하여 흉부 X-선 영상을 분할하였다.
- 본 논문에서는.흉부 CT 영상에 그림 1과 같이 하이브리드 접근 기법을 사용한 자동 폐 분할 방법을 제안한다. 제안된 하이브리드 자동 폐 분할 과정은 다음의 세단계로 구성된다.
- 둘째, 최적 경계 볼륨에 대해서 흉부 바깥의 공기 부분에 씨앗점을 선택하고 3차원 자동 씨앗 영역 성장법을 통하여 흉부를 분할한다. 흉부 바깥의 공기부분은 T000 HU을 가지고, 흉부는 30 HU 이상의 밝기 값을 가지므로 두 영역을 구분하기 위해 -500 HU[14] 밝기값을 임계값으로 사용하여 임계값보다 밝기값이 낮은 공기부분을 제거하고 흉부 영역을 분할한다. 셋째, 흉부에 2차원 자동 씨앗 영역 성장법을 수행하여 폐 영역을 분할한다.
- Brown[6]은 모델기반 방법을 사용하여 흉부 X-선 영상을 분할하였다. 흉부 영상의 여러 특징들로부터 해부학적 상호 관련성을 보여주는 시맨틱 네트워크(semantic network)를 블랙 보드 기반 제어 구조(blackboard-based control architecture)를 사용하여 만들었다. 그러나 흉부 X-선 영상은 인체의 3차원적인 구조를 2차원으로 투영시킨 것으로 해부학적 구조들이 겹쳐 보여 구분이 모호할 수 있어 정확한 폐 분할이 어렵다는 단점이 있다.
대상 데이터
- 본 실험은 2.5GHz CPU와 1.0GB 메모리를 장착한 펜티엄IV PC에서 수행하였다. 표 1은 폐암 환자 다섯 명의 흉부 CT 영상정보를 나타낸 것이다.
- 마지막으로, 영상 차감을 이용한 폐 영역 보정을 통해 정확한 폐 영역을 분할하였다. 실험을 위하여 5명의 환자로부터 얻은 10개의 데이타를 사용하였다. 정확성 평가를 위하여 전문가가 수동 분할한 결과와 제안 방법의 자동 분할 결과를 비교하였고, 수행시간과 메모리 사용량 측면에서 일반적인 연결요소 레이블링을 사용한 경우와 저해상도 연결요소 레이블링을 사용한 경우를 비교하였다.
데이터처리
- 본 논문에서 제안한 자동 분할 기법 적용 결과를 평가하기 위하여 자동 분할 결과와 전문가에 의한 수동분할 결과 사이의 거리차를 비교하여 폐 경계가 정확하게 분할하였는지 확인하였으며, 제안한 저해상도 연결요소 레이블링의 이점을 보여주기 위하여 수행시간과 메모리 사용량 측면에서 기존 연결요소 레이블링과 비교하였다.
- 본 논문에서 제안한 자동 폐 분할 방법의 정확성을 평가하기 위해 제안 방법에 의한 자동 분할 결과를 전문가에 의한 수동 분할 결과와 비교하였다. 수동 분할을 위해 두 명의 전문가가 실험 데이타에서 폐 경계를 분할하였다.
- 실험에서는 5명의 환자로부터 얻은 10개의 흉부 CT 영상을 사용하여 제안 방법의 정확성과 효율성을 평가한다. 정확성 평가를 위하여 제안한 자동 분할 결과를 전문가의 수동분할 결과와 비교하고, 효율성 평가를 위하여 수행 시간과 메모리 사용량을 분석한다.
이론/모형
- 다음과 같다. Armato[4]는 흉부 X~선 촬영 영상에서 폐 경계를 구분하기 위해 그레이 스케일 임계값기법 (grayscale thresholding)을 사용하였다. 폐 경계 근처에서 계산된 히스토그램을 통해 임계값을 선택하여 폐와 폐 주변을 구분한 후, 롤링 볼 알고리즘(rolling-ball algorithm)을 통해 폐 표면을 부드럽게 만드는 보정을 수행한다.
- 수행한다. 저해상도 볼륨데이타의 복구는 씨앗 영역 성장법을 사용한다. 저해상도 연결요소 레이블링을 수행한 결과의 좌 폐와 우폐에서 각각 씨앗점을 선택하고, 기관지 및 폐분할 결과에 침식 연산을 수행한 볼륨데이타에 씨앗 영역 성장법을 적용한다.
- 저해상도 볼륨데이타의 복구는 씨앗 영역 성장법을 사용한다. 저해상도 연결요소 레이블링을 수행한 결과의 좌 폐와 우폐에서 각각 씨앗점을 선택하고, 기관지 및 폐분할 결과에 침식 연산을 수행한 볼륨데이타에 씨앗 영역 성장법을 적용한다. 확장 연산 과정은 침식 연산 과정과 동일하게 .
- Armato[4]는 흉부 X~선 촬영 영상에서 폐 경계를 구분하기 위해 그레이 스케일 임계값기법 (grayscale thresholding)을 사용하였다. 폐 경계 근처에서 계산된 히스토그램을 통해 임계값을 선택하여 폐와 폐 주변을 구분한 후, 롤링 볼 알고리즘(rolling-ball algorithm)을 통해 폐 표면을 부드럽게 만드는 보정을 수행한다. McNitt-Gray⑸는 패턴 인식의 관점에서 흉부 X-선 사진에서의 폐 분할을 연구하였다.
성능/효과
- 영상이다. 곡률이 크고 복잡한 부분들도 정확하게 분할됨을 보여준다.
- 두 번째, 볼륨데이타를 X, y, z축으로 七씩 줄여 전체 击의 저해상 토로 줄인 후 저해상도 볼륨에 연결요소 레이블링을 수행하여 연결 요소들을 찾고 그 중 가장 큰 요소인 폐를 얻는다. 본 논문에서 제안한 저해상도 연결요소 레이블링을 사용함으로써 메모리와 계산 시간 면에서 효율성을 향상시킬 수 있다.
- 첫 번째, 기관지 및 폐 분할 단계의 결과인 그림 11(a)과 폐 분 할 단계의 결과인 그림 11(b)의 차감 영상을 계산해 그림 11(d)의 결과를 얻는다. 두 번째, 이차감 영상 중 가장 큰 요소는 기관지이므로 저해상도 연결요소 레이블링을 수행하여 기관지만 분할한다. 세 번째, 그림 11(a)과 분할된 기관지 영상의 차감 영상을 계산하여 정확한 폐 영상인 그림 11(e)을 얻는다.
- 모든 데이타에 대해 저해상도 연결요소 레이블링을 사용한 경우, 평균 49.65초, 최소 2.23초 최대 110.5 초의 수행시간을 단축하였다. 저해상도 연결요소 레이블링은 모든 단계에서 한 번씩 수행되므로 세 단계 모두 수행 시간에 영향을 받는다.
- 요소인 폐를 얻는다. 본 논문에서 제안한 저해상도 연결요소 레이블링을 사용함으로써 메모리와 계산 시간 면에서 효율성을 향상시킬 수 있다. 각축의 축소 비율을 높일수록 효율성이 향상되지만 +보다 더 높였을 경우에는 향상되는 정도가 적으며 볼륨데이타의 복구 시 부정확한 결과가 나올 수 있으므로 본 논문에서는 각 축의 축소 비율을 +로 한다.
- 75MB, 최대 308MB를 단축하였다. 본 제안방법은 자동 씨앗 영역 성장법을 이용함으로써 사용자가 씨앗점을 선택할 필요가 없으며 혈관에 생기는 빈 공간을 막아주는 추가 작업 없이 자동으로 정확하게 폐 분할을 수행할 수 있었다. 또한, 저해상도 연결요소 레이블링을 사용하여 수행시간과 메모리 사용량을 단축하였다.
- 일반적인 연결요소 레이블링을 사용한 경우 전체 데이타에 대해 저해상도 연결요소 레이블링을 사용한 경우보다 최대 메모리 사용량이 큰 것을 볼 수 있다. 저해상도 연결요소 레이블링을 수행함으로써 평균 146.4MB, 최소 45MB, 최대 258MB의 메모리 사용량이 감소되었다. 일반적인 연결요소 레이블링의 경우 CT 영상의 슬라이스 수가 증가함에 따라 필요한 최대 메모리 사용량이 늘어나고 수행시간도 오래 걸리는 문제점이 있다.
후속연구
- 기존 연구를 종합적으로 정리해보면, 복잡한 사용자 입력이 필요하거나, 특정 데이타에 대해서 정확한 결과를 얻지 못하거나, 임계값 기 법 적용 후 흘필링과 같은 추가 작업이 필요하다. 이를 해결하기.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.