[논문]CT영상의 텍스처 주성분 분석을 이용한 간종양 검출

서형수; 정민영; 이칠우

doi:10.3745/kipstb.2006.13b.6.601

[국내논문] CT영상의 텍스처 주성분 분석을 이용한 간종양 검출
Liver Tumor Detection Using Texture PCA of CT Images 원문보기

정보처리학회논문지. The KIPS transactions. Part B. Part B, v.13B no.6 = no.109, 2006년, pp.601 - 606

서형수 (전남대학교 컴퓨터공학과) , 정민영 (광주여자대학교 교육미디어학과) , 이칠우 (전남대학교 컴퓨터공학과)

초록
AI-Helper

의료기술의 비약적인 발전과 함께 의료기관에서 사용되는 영상 데이터량이 급속히 증가하고 있다. 따라서 대용량 의료 영상의 해석을 위해서는 의사들의 육안 검사보다 영상처리 기술을 이용한 자동화 방법이 필요하다. 본 논문에서는 복부 CT영상의 간 영역에 대해 GLCM(Gray Level Co-occurrence Matrix)을 이용하여 텍스처 정보를 취득하고, 이 데이터로부터 주성분 분석을 통해 간종양을 자동으로 검출하는 방법에 대해 제안한다. 기존의 간종양 검출은 명암도 한 가지 특징에 의한 방법이 대부분이었으나, 본 논문에서 CT영상에 대해 GLCM의 텍스처 정보 8가지를 이용해서 4개의 주성분 누적 영상으로 변환시켰다. 실험결과 4개의 주성분 누적 영상의 백분율 분산값은 89.9%였으며, 이를 명암도 한 가지 만을 이용한 간종양 검출방법과 면적을 비교했을 때 약 92%의 일치도를 보였다. 이는 영상데이터의 차원을 8개의 차원에서 그 절반인 4개의 차원으로 줄여도 간종양을 검출할 수 있음을 의미한다.

Abstract ▼ AI-Helper

The image data amount that used in medical institution with great development of medical technology is increasing rapidly. Therefore, people need automation method that use image processing description than macrography of doctors for analysis many medical image. In this paper. we propose that acquire texture information to using GLCM about liver area of abdomen CT image, and automatically detects liver tumor using PCA from this data. Method by one feature as intensity of existent liver humor detection was most but we changed into 4 principal component accumulation images using GLCM's texture information 8 feature. Experiment result, 4 principal component accumulation image's variance percentage is 89.9%. It was seen this compare with liver tumor detecting that use only intensity about 92%. This means that can detect liver tumor even if reduce from dimension of image data to 4 dimensions that is the half in 8 dimensions.

Keyword

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

소수의 특징을 가지고 간종양을 판단하는 것은 false-negative(실제 간 종양이지만 간종양으로 추출되지 않음) 오류를 유발할 수 있다. 따라서 본 논문에서는 복부 CT여상에서 GLCM을 이용하여 8가지의 텍스처 정보를 취득하고, 이 데이터로부터 주성분 분석을 통해 차원을 축소시켜 간종양을 자동으로 검출하는 방법에 대해 제안한다.
본 논문에서는 복부 CT 영상의 간 영역에 대해 GLCM을이용하여 텍스처 정보를 취득하고, 이 데이터로부터 주성분 분석을 통해 간종양을 자동으로 검출하는 방법에 대해 제안했다. 실험결과 4개의 주성분 누적 백분율 분산값은 89.
또한 본 논문에서는 다섯 명의 환자의 CT영상에 대해 실험을 하였다. (그림 5)는 여러 환자에게 본 알고리즘을 적용하여 간종양을 검출한 결과이다.

제안 방법

또한 중요한 변수 중의 하나인 거리 d에 대해서도 1에서 3까지 각.각 0°, 45°, 90°, 135° 방향에 대한 행렬들을 계산했다. 그리고 계산한 행렬에 대해 contrast, correlation, energy, imr, max, variance, uniformity, entropy 등 8가지를 GLCM의 특징 표현으로 사용하였다.
각 0°, 45°, 90°, 135° 방향에 대한 행렬들을 계산했다. 그리고 계산한 행렬에 대해 contrast, correlation, energy, imr, max, variance, uniformity, entropy 등 8가지를 GLCM의 특징 표현으로 사용하였다. 이러한 특징들에 대해 간략히 설명하면 旺.
마지막으로 entropy 는 변화하는 주기의 관찰에 대한 정보의 정도, 즉 좀 더 임의로 될수록 변수는 예측할 수 없고 구조가 없어지는 것을 말한다. 본 논문에서는 8가지의 텍스처 특징을 이용하여 (그림 1)과 같이 원시 영상을 변환하였다.
본 논문에서는 먼저 입력되는 복부 CT 영상에 대하여 GLCM의 8가지 텍스처 특징을 이용해서 8장의 영상으로 변환한 후 주성분 분석을 수행하였고, 주성분 영상으로 변환 후 분산을 누적한 영상에서 간종양을 검출한다. 텍스처의 특징을 이용하여 주성분 변환한 영상들에 대해 우리는 과분할을 방지하기 위해서 중간값 필터(median filter)를 적용하였다.
텍스처의 특징을 이용하여 주성분 변환한 영상들에 대해 우리는 과분할을 방지하기 위해서 중간값 필터(median filter)를 적용하였다. 우리는 중간값 필터에서 그 화소의 3×3 이웃점내에서명암도 중간값으로 화소 값을 교체하였으며 주성분 변환 분산 누적 영상 잡음의 경우, 덜 흐려지면서 잡음감소의 효과가 있었다.
우리는 중간값 필터에서 그 화소의 3×3 이웃점내에서명암도 중간값으로 화소 값을 교체하였으며 주성분 변환 분산 누적 영상 잡음의 경우, 덜 흐려지면서 잡음감소의 효과가 있었다. 그리고 간종양을 검출하기 위해 지역적인 기울기와 모서리 방향을 이용했다. 따라서 모서리점은 그 크기가 기울기 방향에서 지역 최대값인 점으로 정의된다.
기존의 간종양 검출은 명암도 한 가지 특징에 의한 방법이 대부분이었으나 이러한 소수의 특징을 가지고 간종양을 판단하는 것은 false-negative 오류를 유발할 수 있다. 따라서 본 논문에서는 GLCM의 8가지 틱스처 특징 정보를 이용하였다. 기존의 명암도에 의한 간종양 검출영역과 4개의 주성분 변환 누적 영상에 의한 간종양 검출영역의 면적을 비교한 결과 약 92%의 일치도를 보였으며, 이는 영상데이터의 차원을 8개의 차원에서 그 절반인 4개의 차원으로 줄여도 간종양을 검출할 수 있음을 의미한다.

대상 데이터

이원리를 적용하면 거리가 d이며, 45°간격으로 각도가 양자화된 GLCM의 빈도수를 나타낼 수 있다. 일반적으로 CT 영상은 256 그레이 레벨로 표현되나, 본 논문에서는 256 그레이레벨 전부를 사용하지 않고 행렬을 축소하기 위해 64 단계의 그레이 레벨만을 사용하였다. 또한 중요한 변수 중의 하나인 거리 d에 대해서도 1에서 3까지 각.
실험에 사용된 CT영상은 조영제를 삽입하여 촬영된 영상이며 그 크기는 512x512화소의 bmp 파일이다. 우리는 (그림 3)과 같이 원시 영상과 주성분 분석 후 분산 누적 비율이 89.
그 크기는 512x512화소의 bmp 파일이다. 우리는 (그림 3)과 같이 원시 영상과 주성분 분석 후 분산 누적 비율이 89.9%인 변환1에서 변환4 영상을 합한 영상 그리고 분산 누적 비율이 100%인 변환1부터 변환8까지를 합한 3장의 영상에 대해 간종양을 검출하였다.

이론/모형

행렬의 고유값(eigenvalue)이라고 한다. 본 논문에서는 고유값들의 계산과 크기순으로 정렬하기 위하여 특이값재구성 (Singular Value Decomposition: SVD)°1] 의한 방법 으로 주성분 분석을 하였다[31

성능/효과

텍스처의 특징을 이용하여 주성분 변환한 영상들에 대해 우리는 과분할을 방지하기 위해서 중간값 필터(median filter)를 적용하였다. 우리는 중간값 필터에서 그 화소의 3×3 이웃점내에서명암도 중간값으로 화소 값을 교체하였으며 주성분 변환 분산 누적 영상 잡음의 경우, 덜 흐려지면서 잡음감소의 효과가 있었다. 그리고 간종양을 검출하기 위해 지역적인 기울기와 모서리 방향을 이용했다.
기존의 명암도에 의한 간종양 검출 영역과 4개의 주성분 분산 누적 영상에 의한 간종양 검출 영역의 면적을 비교한 결과 약 92%의 일치도를 보였다.
실험결과 4개의 주성분 누적 백분율 분산값은 89.9% 로 이는 4개의 주성분이 거의 대부분의 정보를 가지고 있음을 알 수 있었다. 기존의 간종양 검출은 명암도 한 가지 특징에 의한 방법이 대부분이었으나 이러한 소수의 특징을 가지고 간종양을 판단하는 것은 false-negative 오류를 유발할 수 있다.
따라서 본 논문에서는 GLCM의 8가지 틱스처 특징 정보를 이용하였다. 기존의 명암도에 의한 간종양 검출영역과 4개의 주성분 변환 누적 영상에 의한 간종양 검출영역의 면적을 비교한 결과 약 92%의 일치도를 보였으며, 이는 영상데이터의 차원을 8개의 차원에서 그 절반인 4개의 차원으로 줄여도 간종양을 검출할 수 있음을 의미한다. 또한, 한가지 특징이 아닌 8가지 특징을 이용하므르 의사들이 최종적인 간종양 판단시 신뢰성을 부여할 수 있다.

후속연구

향후 간종양의 특성을 더욱 잘 나타낼 수 있는 텍스처 특징을 개발해야 하며 또한, 간종양을 효율적으로 검출할 수 있는 알고리즘의 개발이 필요하다.

참고문헌 (7)

서형수, 정민영, 이칠우, 'CT영상의 텍스처 주성분 분석을 이용한 간종양 검출', 신호처리합동학술대회 논문집, pp. 99, 2006
M. S. Brown, J. G. Goldin, S. Rogers, H. J. Kim, 'Computer-aided lung nodule detection in CT: results of large-scale observer test', Acad. Radiol, Vo1.12, No.5, pp.681 -686, 2005

상세보기
H. S. Sur, C. W. Lee, M. H. Ju, 'Automatic Liver Tumor Detection Using Statistical Feature's Based on ？Matrix Representation of CT Images', IFIU., pp.243-248, 2006
I. T. Jolliffe, 'Principal Component Analysis, 2nd Edition', Springer, 2002
M. L. Giger, N. Karssemeijer, S. G. Armato, 'Guest Editorial Computer-Aided Diagnosis in Medical Imaging', IEEE Trans. On Medical Imaging, vol. 20, No.l2, pp.l205-1208, 200l

상세보기
R. M. Haralick, 'Statistical and structural approaches to texture', Proc. Of the IEEE, Vo1.67, No.5, pp.786-804, 1979
S. J. Lim, Y. Y. Jeong, C. W. Lee, Y. S. Ho, 'Automatic segmentation of the liver in CT images using the watershed algorithm based on morphological filtering', Proc. In Biomedical Optics and Imaging of SPIE., Vol.5, No.24, pp.1658-1666, 2004

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증