본 논문에서는 MRI뇌 영상에서 뇌실 영역을 검출하기 위하여 자동적으로 임계치를 설정하는 방법을 제안하였다. 웨이브릿 변환 후 수평 및 수직 신호의 상세 신호 크기를 이용하여 물체의 윤곽선에서 상세신호의 크기 평균을 의미하는 에지 선예도를 계산하였다. 영역 성장을 위한 임계치를 반복적으로 증가시켜 에지 선예도가 최대일 때 최적 임계치를 설정하여 뇌실 영역을 검출하였다. 본 논문에서는 제안한 방법과 지오데식 동적 윤곽선 모델을 수치적으로 비교하였으며, 실제 MRI 뇌영상에 적용시켜 제안한 알고리즘의 유효성을 검증하였다.
본 논문에서는 MRI 뇌 영상에서 뇌실 영역을 검출하기 위하여 자동적으로 임계치를 설정하는 방법을 제안하였다. 웨이브릿 변환 후 수평 및 수직 신호의 상세 신호 크기를 이용하여 물체의 윤곽선에서 상세신호의 크기 평균을 의미하는 에지 선예도를 계산하였다. 영역 성장을 위한 임계치를 반복적으로 증가시켜 에지 선예도가 최대일 때 최적 임계치를 설정하여 뇌실 영역을 검출하였다. 본 논문에서는 제안한 방법과 지오데식 동적 윤곽선 모델을 수치적으로 비교하였으며, 실제 MRI 뇌영상에 적용시켜 제안한 알고리즘의 유효성을 검증하였다.
In this paper, an algorithm that can define the threshold value automatically proposed in order to detect a brain ventricle in MRI brain images. After the wavelet transform, edge sharpness, which means the average magnitude of detail signals on the contour of the object, was computed by using the ma...
In this paper, an algorithm that can define the threshold value automatically proposed in order to detect a brain ventricle in MRI brain images. After the wavelet transform, edge sharpness, which means the average magnitude of detail signals on the contour of the object, was computed by using the magnitude of horizontal and vertical detail signals. The contours of a brain ventricle were detected by increasing the threshold value repeatedly and computing edge sharpness. When the edge sharpness became maximal, the optimal threshold was determined, and the detection of a brain ventricle was accomplished finally. In this paper, we compared the proposed algorithm with the geodesic active contour model numerically and verified the efficiency of the proposed algorithm by applying real MRI brain images.
In this paper, an algorithm that can define the threshold value automatically proposed in order to detect a brain ventricle in MRI brain images. After the wavelet transform, edge sharpness, which means the average magnitude of detail signals on the contour of the object, was computed by using the magnitude of horizontal and vertical detail signals. The contours of a brain ventricle were detected by increasing the threshold value repeatedly and computing edge sharpness. When the edge sharpness became maximal, the optimal threshold was determined, and the detection of a brain ventricle was accomplished finally. In this paper, we compared the proposed algorithm with the geodesic active contour model numerically and verified the efficiency of the proposed algorithm by applying real MRI brain images.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 웨이브릿 변환과 자동적인 임계치 설정이 가능한 영역 성장법을 제안하여 MRI 영상에서 뇌실 영역을 검출하였다. 먼저, 웨이브릿 변환 후수평 및 수직 신호의 상세 신호 크기를 이용하여 물체의 윤곽선에서 상세신호의 크기 평균을 의미하는 에지 선예도를 계산하였다.
본 논문에서는 웨이브릿 변환을 이용하여 자동적인 임계치 설정이 가능한 영역 성장법을 제안하여 MRI 영상에서 뇌실 영역을 검출하였다. 웨이브릿 변환 후 수평 및 수직 신호의 상세 신호 크기를 이용하여 에지 선예도를 계산하여 이를 영역 성장법의 자동적인 임계치 설정을 위하여 사용하였다.
제안 방법
CasellesEll] 등이 제안한 지오데식 동적 윤곽선 모델을 비교하였다. 그림 6의 테스트 패턴은 배경의 밝기는 128, 물체의 밝기는 223으로 설정하였으며 물체 우측상단에 물체와 배경사이의 휘도 준위 변화를 표현하기 위하여 블러링 처리를 하였다. 지오데식 동적 윤곽선 모델의 경우 그림 6(a)의 결과와 같이 물체와 배경의 구분이 불명확한 영역에서 윤곽선 검출이 어려움이 있는 것을 볼 수 있다.
뇌실 영역을 검출하였다. 먼저, 웨이브릿 변환 후수평 및 수직 신호의 상세 신호 크기를 이용하여 물체의 윤곽선에서 상세신호의 크기 평균을 의미하는 에지 선예도를 계산하였다. 영역 성장을 위한 임계치를 반복적으로 증가시켜 에지 선예도가 최대일 때 최적 임계치를 설정하여 뇌실 영역을 검출한다.
CasellesEll] 등이 제안한 지오데식 동적윤곽선 모델의 경우 초기 윤곽선과 무관하게 영역의 분할이 가능하기 때문에 최근의 영역 분할에 있어 주요한 기법이 되고 있다. 본 논문에서는 제안한 방법과 V. CasellesEll] 등이 제안한 지오데식 동적 윤곽선 모델을 비교하였다. 그림 6의 테스트 패턴은 배경의 밝기는 128, 물체의 밝기는 223으로 설정하였으며 물체 우측상단에 물체와 배경사이의 휘도 준위 변화를 표현하기 위하여 블러링 처리를 하였다.
영역 성장을 위한 임계치를 반복적으로 증가시켜 에지 선예도가 최대일 때 최적 임계치를 설정하여 뇌실 영역을 검출한다. 본 논문에서는 제안한 방법이 뇌실 영역을 효과적으로 검출할 수 있음을 다양한 척도를 이용하여 수치적으로 비교하였으며, 실제 MRI 뇌 영상에 적용시켜 뇌실 검출 과정을 시각적으로 비교하여 우수성을 검증하였다. 본 논문의 구성은 먼저 2장에서 웨이브릿 변환과 본 논문에서 사용하는 신호성분에 대해서 살펴보고, 3장에서 본 논문에서 제안하는 에지 선예도를 이용한 영역 성장 기법에 대해서 설명한다.
먼저, 웨이브릿 변환 후수평 및 수직 신호의 상세 신호 크기를 이용하여 물체의 윤곽선에서 상세신호의 크기 평균을 의미하는 에지 선예도를 계산하였다. 영역 성장을 위한 임계치를 반복적으로 증가시켜 에지 선예도가 최대일 때 최적 임계치를 설정하여 뇌실 영역을 검출한다. 본 논문에서는 제안한 방법이 뇌실 영역을 효과적으로 검출할 수 있음을 다양한 척도를 이용하여 수치적으로 비교하였으며, 실제 MRI 뇌 영상에 적용시켜 뇌실 검출 과정을 시각적으로 비교하여 우수성을 검증하였다.
Gauch[16]이 제안한 워터쉐드 알고리즘에 이용하여 뇌 자기공명영상을 분할하고 휘도 준위가 높은 영역들을 선정하여 초기 뇌실 영역을 검출한다. 워터쉐드 알고리즘에 의해 검출된 초기 뇌실 영역에서 최대 밝기를 가지는 화소 /(旳必)를 시작점으로 설정하여 영역 성장에 의한 뇌실 분할을 수행한다.
영상에서 뇌실 영역을 검출하였다. 웨이브릿 변환 후 수평 및 수직 신호의 상세 신호 크기를 이용하여 에지 선예도를 계산하여 이를 영역 성장법의 자동적인 임계치 설정을 위하여 사용하였다. 제안한 방법이 기존의 방법보다 뇌실 영역을 잘 검출할 수 있음을 다양한 척도를 이용하여 수치적으로 비교하였으며, 실제 정상과 질환자의 뇌 영상에 적용시켜 제안한 윤곽선 검출 방법의 타당성 을 검증하였다.
대상 데이터
그림 8에서는 제안한 방법에 의해 좌우 뇌실이 검출되었음을 볼 수 있다. 실험 영상은 1.5T (Magnetom Vision Simens, Eralngen Germany) 시스템으로부터 획득한 512x512 크기의 16비트 다이콤(digital imaging and communications in medicine, DICOM) 3.0 영상을 사용하였고, 슬라이스의 두께 (thickness)는 7mm 이고 2~3mm의 간격(gap)으로 축단면(axial plane) 영상을 획득하였다. 실험에서는 사용한 T2 강조 영상은 스핀 에코와 다중 스핀 에코를 이용하여 획득한 영상으로 TR/TE이 3600/102ms였다.
0 영상을 사용하였고, 슬라이스의 두께 (thickness)는 7mm 이고 2~3mm의 간격(gap)으로 축단면(axial plane) 영상을 획득하였다. 실험에서는 사용한 T2 강조 영상은 스핀 에코와 다중 스핀 에코를 이용하여 획득한 영상으로 TR/TE이 3600/102ms였다.
테스트 패턴에 대한 실험을 하였다. 테스트 패턴의 243의 밝기인 중앙의 사각형을 중심으로 좌측 상단에서부터 시계방향으로 각각 128, 167, 192, 및 50 의 밝기인 사각형을 배치하였다. 10%의 유니폼 잡음과 랜덤 잡음을 실어서 실험한 결과를 그림 5(b), 그림 5(c)에 보였으며, 제안한 알고리즘에 의하여 임계치 貞가 각각 35와 36으로 자동적으로 설정되어 영역이 분할되었으며, 중앙의 사각형을 효과적으로 검출함을 알 수 있다.
데이터처리
그림 6의 테스트 영상에 대하여 참조 윤곽선 상의 점들과 검출된 윤곽선의 점들을 비교하여 동적 윤곽선 모델의 유효성을 제곱근 평균 오차 (root mean square) Erms와 평균 절대 오차 (mean absolute error) Emae 를 이용하여 수치적으로 검증하였다. Erms는 다음 식 (9)와 같이 표시되며 거리 오차 실효 값을 나타낸다.
이론/모형
전처리 과정으로서 J.M. Gauch[16]이 제안한 워터쉐드 알고리즘에 이용하여 뇌 자기공명영상을 분할하고 휘도 준위가 높은 영역들을 선정하여 초기 뇌실 영역을 검출한다. 워터쉐드 알고리즘에 의해 검출된 초기 뇌실 영역에서 최대 밝기를 가지는 화소 /(旳必)를 시작점으로 설정하여 영역 성장에 의한 뇌실 분할을 수행한다.
성능/효과
테스트 패턴의 243의 밝기인 중앙의 사각형을 중심으로 좌측 상단에서부터 시계방향으로 각각 128, 167, 192, 및 50 의 밝기인 사각형을 배치하였다. 10%의 유니폼 잡음과 랜덤 잡음을 실어서 실험한 결과를 그림 5(b), 그림 5(c)에 보였으며, 제안한 알고리즘에 의하여 임계치 貞가 각각 35와 36으로 자동적으로 설정되어 영역이 분할되었으며, 중앙의 사각형을 효과적으로 검출함을 알 수 있다.
Erms, 願"는 기준 윤곽선과 비교 윤곽선의 오차를 의미하며 값이 작을수록 정확한 검출이 이루어짐을 의미한다. Erms과 Emae 경우 모두 지오데식 동적 윤곽선 모델에 의한 방법보다 제안한 방법이 더 작은 오차를 가짐을 알 수 있었다.
보여주고 있다. 뇌실과 회백질의 경계가 불명확한 영역에서 지오데식 동적 윤곽선 모델의 경우 뇌실 영역의 검출에 어려움이 있지만 제안한 방법에서는 효과적으로 검출할 수 있었다.
웨이브릿 변환 후 수평 및 수직 신호의 상세 신호 크기를 이용하여 에지 선예도를 계산하여 이를 영역 성장법의 자동적인 임계치 설정을 위하여 사용하였다. 제안한 방법이 기존의 방법보다 뇌실 영역을 잘 검출할 수 있음을 다양한 척도를 이용하여 수치적으로 비교하였으며, 실제 정상과 질환자의 뇌 영상에 적용시켜 제안한 윤곽선 검출 방법의 타당성 을 검증하였다. 뇌실에 대한 진단 파라미터를 도출하여 뇌질환의 조기발견, 진행정도 및 치유과정 추적에 유용하게 사용될 수 있을 것으로 기대한다.
후속연구
제안한 방법이 기존의 방법보다 뇌실 영역을 잘 검출할 수 있음을 다양한 척도를 이용하여 수치적으로 비교하였으며, 실제 정상과 질환자의 뇌 영상에 적용시켜 제안한 윤곽선 검출 방법의 타당성 을 검증하였다. 뇌실에 대한 진단 파라미터를 도출하여 뇌질환의 조기발견, 진행정도 및 치유과정 추적에 유용하게 사용될 수 있을 것으로 기대한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.