본 논문에서는 뇌 자기공명영상을 분류하기 위하여 결정트리알고리즘을 2 단계로 적용하는 영상 분류 시스템을 제안한다. 영상으로부터 얻을 수 있는 정보에는 두 종류가 있다. 하나는 크기, 색상, 질감, 윤곽선 등 영상으로부터 직접 얻을 수 있는 하위레벨 특징들이고, 다른 하나는 특정 객체의 존재 유무, 여러 부위 사이의 공간적 관계 등 분할된 영상들에 대한 해석을 통해서 얻을 수 있는 상위레벨 특징들이다. 의미에 따라 영상을 분류하기 위해서는 상위레벨 특징들을 기반으로 학습 및 분류가 수행되어야 한다. 제안하는 시스템에서는 결정트리 학습을 각각의 레벨에 개별적으로 적용하며, 하위레벨 분류 결과를 이용하여 상위레벨의 특징을 추출한다. 종양이 있는 뇌 자기공명영상 집합에 대하여 분류 실험을 수행하였으며, 몇 가지 실험 결과를 통해 제안된 시스템의 효과를 확인하였다.
본 논문에서는 뇌 자기공명영상을 분류하기 위하여 결정트리 알고리즘을 2 단계로 적용하는 영상 분류 시스템을 제안한다. 영상으로부터 얻을 수 있는 정보에는 두 종류가 있다. 하나는 크기, 색상, 질감, 윤곽선 등 영상으로부터 직접 얻을 수 있는 하위레벨 특징들이고, 다른 하나는 특정 객체의 존재 유무, 여러 부위 사이의 공간적 관계 등 분할된 영상들에 대한 해석을 통해서 얻을 수 있는 상위레벨 특징들이다. 의미에 따라 영상을 분류하기 위해서는 상위레벨 특징들을 기반으로 학습 및 분류가 수행되어야 한다. 제안하는 시스템에서는 결정트리 학습을 각각의 레벨에 개별적으로 적용하며, 하위레벨 분류 결과를 이용하여 상위레벨의 특징을 추출한다. 종양이 있는 뇌 자기공명영상 집합에 대하여 분류 실험을 수행하였으며, 몇 가지 실험 결과를 통해 제안된 시스템의 효과를 확인하였다.
In this paper we present a system that classifies brain MR images by using 2 level decision tree learning. There are two kinds of information that can be obtained from images. One is the low-level features such as size, color, texture, and contour that can be acquired directly from the raw images, a...
In this paper we present a system that classifies brain MR images by using 2 level decision tree learning. There are two kinds of information that can be obtained from images. One is the low-level features such as size, color, texture, and contour that can be acquired directly from the raw images, and the other is the high-level features such as existence of certain object, spatial relations between different parts that must be obtained through the interpretation of segmented images. Learning and classification should be performed based on the high-level features to classify images according to their semantic meaning. The proposed system applies decision tree learning to each level separately, and the high-level features are synthesized from the results of low-level classification. The experimental results with a set of brain MR images with tumor are discussed. Several experimental results that show the effectiveness of the proposed system are also presented.
In this paper we present a system that classifies brain MR images by using 2 level decision tree learning. There are two kinds of information that can be obtained from images. One is the low-level features such as size, color, texture, and contour that can be acquired directly from the raw images, and the other is the high-level features such as existence of certain object, spatial relations between different parts that must be obtained through the interpretation of segmented images. Learning and classification should be performed based on the high-level features to classify images according to their semantic meaning. The proposed system applies decision tree learning to each level separately, and the high-level features are synthesized from the results of low-level classification. The experimental results with a set of brain MR images with tumor are discussed. Several experimental results that show the effectiveness of the proposed system are also presented.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
객체 학습의 목적은 영상 객체의 해부학적인 명칭에 대한 규칙을 생성하여 뇌 구조와 형태에 대한 지식베이스를 생성하는 것이다. 영상은 영상 처리를 통하여 회백질, 백질, 뇌척수액 부위로 분할된다.
포함하는 대칭형 방법으로 방향을 잡는다. 그 이유는 방위를 전두엽(frontal lobe), 측두엽(徳mporal lobe), 후두엽(occipital lobe)과 일치시켜 활용하기 위해서다. 상위레벨 속성 추출에서는 이상 객체에 대한 방향 정보만을 속성으로 추출한다.
본 논문에서는 하나의 영상에 대하여 결정트리 (deci- sion tree) 알고리즘을 단계별로 적용하는 영상 분류 시스템을 제안한다. 단계를 분리하는 이유는 초기 단계에서 분류한 결과를 이용하여 다음 단계에서는 초기 단계보다 영상 분류에 논리적이고 의미 있는 특징 추출에 이용하기 위함이다.
객체 학습은 신체의 특정 부분인 뇌에 대한 구조와 형태를 학습한다. 학습은 하위레벨 속성만을 이용하여 이루어지고 각 부분의 해부학적 명칭을 구조화하는 것이 목적이다.
제안 방법
결정트리 알고리즘을 2 단계로 적용하는 영상 분류 시스템을 제안한다. 본 논문에서 제안한 영상 분류 시스템은 영상 처리를 통하여 영상을 각각의 작은 객체들로 나누고, 각 객체들로부터 하위레벨 속성을 추출하여 학습 및 분류를 수행한다.
그러나 영상에 대한 검색이나 분류에서는 영상의 표면적인 정보 자체보다는 그 정보들이 종합적으로 결합하여 나타내는 영상의 의미가 더욱 중요하다. 그러므로 본 논문에서 제안한 시스템은 영상에 대해 단계적으로 분석한다. 그리고 분석을 통하여 얻어낸 정보를 영상 하위레벨(low-level) 정보와 영상 상위레벨(high- level) 정보로 나눈다.
내용기반 이미지 분류에서는 하나의 영상이 하나의 속성 집합으로 표현되어야 한다. 그러므로 속성 집합은 영상 처리를 통하여 영상을 뇌 전체 부위, 백질, 회백질, 뇌척수액의 네 가지 객체로 분할하고, 각 객체에 대하여 히스토그램의 평균과 편차, 면적, 돌출도, 원형율을 추출하여 하나의 속성 집합으로 표현한다. 이상 부위는 영상 처리만으로 판별할 수 없으므로 분할하는 객체에서 제외된다.
객체 분류 규칙을 생성한다. 그리고 결정트리는 객체 분류의 결과를 활용하여 상위레벨의 속성을 추출하고, 상위레벨 속성을 이용해 영상 학습을 수행하여 영상분류 규칙을 생성한다. 이와 같이 단계적 결정트리를 사용하는 이유는 속성들의 특성을 최대한 유지하고 효과적으로 영상을 검색하기 위함이다 그림 2에 단계적 학습 및 분류 과정을 나타내었다.
결과이다. 내용기반 영상 분류 기법에서는 최근접 이웃을 사용하였으며, 유사도 측정에는 유클리드 거리를 사용하였다. 내용기반 기법은 94.
이 규칙 파일은 객체 분류에서 객체에 해부학적 명칭을 부여할 때 사용된다. 뇌의 구조는 매우 세밀하고 복잡하기 때문에 본 시스템에서는 백질, 회백질, 뇌척수액, 이상객체의 기본 구조로 분류한다. 그림 3 에 뇌 구조에 따라 조각난 영상 객체와 구축된 규칙을 나타내었다.
본 논문에서 제안한 영상 분류 시스템은 영상 처리를 통하여 영상을 각각의 작은 객체들로 나누고, 각 객체들로부터 하위레벨 속성을 추출하여 학습 및 분류를 수행한다. 다음으로 각 객체들 사이의 관계 그리고 원본 영상과 객체들 사이의 관계에서 논리적인 속성인 상위레벨 속성을 추출하여 영상을 학습 및 분류한다. 본 논문에서 제안한 시스템은 기존의 내용 기반 영상 분류 시스템과는 달리 하위레벨 속성과 상위레벨 속성을 개별적이고 단계적으로 적용함으로써 효과적인 학습 및 분류를 수행할 수 있는 장점이 있다.
분류 종류는 회백질(white matter), 백질(gray matter), 뇌척수액 (CSF, cerebralspinal fluid), 이상 객체로 네 가지이다. 두 번째 단계인 영상 학습에서는 객체의 분류 결과와 객체들 간의 논리적인 속성을 활용하여 질병에 대한 학습을 수행한다. 논리적인 속성은 이상 객체의 존재와 같이 영상의 의미적인 내용이나 객체들 사이의 공간적인 관계 등을 나타낸다.
뇌척수액의 존재 유무에 따라 뇌의 중간 부위인지 아닌지를 판별할 수 있다. 또한 뇌 영역의 중심과 이상 객체 중심 사이의 거리를 측정한다. 전체 뇌가 크고 이상 객체가 큰 경우와 전체 뇌가 작고 이상 객체가 큰 경우는 엄연히 다르기 때문에 단순히 이상 객체의 면적을 이용하기보다는 이상 객체의 면적 비율을 사용하는 것이 효과적이다.
본 논문에서 제안한 시스템에서는 결정 트리[10-12]를 이용한 학습 모듈을 사용한다. 학습 모듈은 의료 영상을 분류하고 학습하기에 적합한 속성을 추출하고, 이에 따라 객체, 영상 분류 규칙들을 생성한다.
단계를 분리하는 이유는 초기 단계에서 분류한 결과를 이용하여 다음 단계에서는 초기 단계보다 영상 분류에 논리적이고 의미 있는 특징 추출에 이용하기 위함이다. 본 논문에서 제안한 시스템은 먼저 영상 처리를 수행하여 하나의 영상을 여러 개의 객체들로 조각낸 후, 객체 학습에서 해부학적 명칭에 대한 학습을 수행하고 영상 학습에서 질병에 대한 학습을 수행한다.
제안한다. 본 논문에서 제안한 영상 분류 시스템은 영상 처리를 통하여 영상을 각각의 작은 객체들로 나누고, 각 객체들로부터 하위레벨 속성을 추출하여 학습 및 분류를 수행한다. 다음으로 각 객체들 사이의 관계 그리고 원본 영상과 객체들 사이의 관계에서 논리적인 속성인 상위레벨 속성을 추출하여 영상을 학습 및 분류한다.
본 논문에서 제안한 영상 분류 시스템은 크게 영상처리, 학습기, 분류기, 편집기로 나뉘며, 시스템 구조도를 그림 7에 나타내었다.
본 논문에서 활용한 결정트리는 영상에서 추출한 내용 기반 하위레벨 속성을 이용하여 객체 학습을 수행하고, 객체 분류 규칙을 생성한다. 그리고 결정트리는 객체 분류의 결과를 활용하여 상위레벨의 속성을 추출하고, 상위레벨 속성을 이용해 영상 학습을 수행하여 영상분류 규칙을 생성한다.
본 실험에서는 실험 데이타를 균등하게 10개의 집단으로 나눈 후, 9개의 집단으로 학습을 수행하고 나머지 1개의 집단을 이용하여 테스트를 수행하는 10회-교차검중을이용한다.
서 제시한 기법을 비교하였다. 실험에서는 10명의 정상인에게서 추출한 100개의 자기공명영상과 환자 30명에게서 추출한 300개의 자기공명영상을 실험용 데이타로사용하였다.
영상 처리에서는 색상 히스토그램 정보를 활용하여 머리 영역, 회백질, 백질, 뇌척수액 객체를 단계적으로 추출한다. 머리 영역을 구하기 위해서는 명암값이 작은 배경을 제거한다.
그러므로 ASSERT는 전문의가 수작업으로 질환 부위를 표시하고 그 영역에 대한 하위레벨 속성을 추출하여 영상 검색에 활용한다. 이 시스템은 영상 검색을 위하여 색상에 대한 히스토그램의 평균과 편차, 질감에 대한 명암과 동질성, 윤곽선의 면적과 폐의 소엽으로부터의 거리 정보들을 속성으로 사용한다. 그리고 영상 간의 유사도 측정을 위해 유클리드 거리(eu- clidean distance) 를 활용한다, ASSERT는 전문가가 질환과 영상 내에서의 질환 부위에 대한 정보를 제공하기 때문에 동일한 질환에 대한 서로 다른 형태의 영상이라도 효과적으로 검색할 수 있다.
이상 부위는 영상 처리만으로 판별할 수 없으므로 분할하는 객체에서 제외된다. 이미지 분류는 최근접 이웃과 결정트리를 적용하여 분류하였다. 최근접 이웃 방법에서 영상들 간의 유사도 측정은 내용기반 영상검색에서 대표적으로 활용되는 유클리드 거리를 사용한다.
머리 영역을 구하기 위해서는 명암값이 작은 배경을 제거한다. 회백질인 뇌 영역을 구하기 위해서 콘트라스트를 증가시켜 명암값이 두드러지게 한 후, 히스토그램 분석을 통해 머리의 외피와 뇌 영역을 분할한다. 이러한 처리 과정을 거친 후에도 제거되지 않은 눈과 외피가 존재하면 평균 두피와 근육층의 길이를 계산하여런렝스(runTength) 알고리즘으로 제거한다.
대상 데이터
객체 학습 및 분류 실험에서는 정상인 10명과 환자 30명의 영상에서 추출한 4, 998개의 객체를 활용한다. 본 실험에서는 실험 데이타를 균등하게 10개의 집단으로 나눈 후, 9개의 집단으로 학습을 수행하고 나머지 1개의 집단을 이용하여 테스트를 수행하는 10회-교차검중을이용한다.
본 논문의 실험에서 사용한 영상은 두개강내 종양 (intracranial neoplasm) 에 대한 자기공명영상이다. 두 개강 내 종양이란 뇌조직이나 뇌를 싸고 있는 막으로부터
본 실험에서는 16명의 환자에게서 촬영한 자기공명영상을 활용하였고, 실험에 사용된 자기공명영상 총수는 32장이다. 본 실험에서는 10회-교차검증 방법을 이용하였으며, .
최근접 이웃 방법에서 영상들 간의 유사도 측정은 내용기반 영상검색에서 대표적으로 활용되는 유클리드 거리를 사용한다. 본 실험에서는 질병별로 2명씩 총 12명의 환자로부터 질환 부위가 포함된 자기공명영상 110개를 추출하여 실험하였다.
본 실험에서는 10회-교차검증 방법을 이용하였으며, . 실험에 사용한 질병은 총 6가지이다. 정상인의 경우 이상 객체의 유무에 따라 극명하게 나뉘기 때문에 실험에서는 제외하였다.
서 제시한 기법을 비교하였다. 실험에서는 10명의 정상인에게서 추출한 100개의 자기공명영상과 환자 30명에게서 추출한 300개의 자기공명영상을 실험용 데이타로사용하였다. 환자 영상에서는 6가지 질병에 대해.
데이터처리
본 실험에서는 10회-교차검증 방법을 이용하였으며, . 실험에 사용한 질병은 총 6가지이다.
이론/모형
KMeD(Know- ledge-based Multimedia Medical Distributed Database) 시스템은 영상과 문자를 사용하여 의료용 멀티미디어 분산 DB에 질의하는 시스템으로 영상 처리 시 기본 속성으로 윤곽선(contour), 면적(area), 원형률(cir- cumference), 모양 등을 사용하고 논리적 속성으로 객체 쌍으로부터 방향(direction) 등을 사용한다. 분류 방법은 자체 개발한 사례-기반(Instance-based) MDISC (Multiple Distribution Sensitive Clustering) 알고리즘을 사용하고, 결과로 TAHCType Abstraction Hierarchy) 를 생성한다[17〕.
그리고 뇌 영역에 대한 반전 영상과 원시 영상과의 차이를 구하면 회백질 영역은 가장 낮은 명암값인 0으로 표현된다. 이 특징을 이용하여 백질 영역과 회백질 영역을 분리하고 각각에 대하여 블랍 칼라링(blob coloring) 알고리즘을 적용하여 각 객체를 생성한다. 이렇듯 순서적으로 처리하는 이유는 관련 연구에서 언급했듯이 뇌 부분이 매우 복잡하고 비슷한 흑백의 색상으로 표현되기 때문에 영상 임계치를 정하여 동시 처리할 수가 없기 때문이다.
성능/효과
2단계 결정트리를 적용한 기법의 평균 정확도는 65.8%로 가장 높았으며, 결정트리를 활용한 단일 단계 내용 기반 기법은 46.8%의 정확도를 나타내어 본 논문에서 제안한 기법보다 19% 낮은 정확도를 나타냈다. 최근접 이웃을 사용한 내용기반 기법은 33.
객체 학습 및 분류에 관한 실험에서 본 논문에서 제안한 기법은 97.86%의 정확도를 나타내어 내용기반 기법보다 3.84% 높은 정확도를 나타냈다. 영상 학습 및 분류에 관한 실험에서는 본 논문에서 제안한 기법이 65.
질병별 정확도에서도 2단계 결정트리를 적용한 기법이 대부분 높은 결과를 보였다. 그러나 Hemangioblastoma에서 최근접이 웃을 사용한 내용기반 기법과 2단계 결정트리를 적용한 기법은 Hemangioblastoma을 모두 Glioblastoma로 분류하여 정확도가 0%로 나타났다. 이와 같은 결과가 발생한 이유는 실험에 사용된 Hemangioblastoma 영상이 Glioblastoma와 유사한 상위레벨 속성값을 소유하였기 때문이다.
내용기반 영상 분류 기법에서는 최근접 이웃을 사용하였으며, 유사도 측정에는 유클리드 거리를 사용하였다. 내용기반 기법은 94.02%의 정확도를 나타내어 결정 트리 기법보다 정확도가 3.84% 낮았다, 그러나 이상 객체의 분류에서는. 내용기반 기법이 결정트리 기법보다 6.
84% 낮았다, 그러나 이상 객체의 분류에서는. 내용기반 기법이 결정트리 기법보다 6.11% 높은 정확도를 나타냈다.
이와 같은 결과가 발생한 이유는 실험에 사용된 Hemangioblastoma 영상이 Glioblastoma와 유사한 상위레벨 속성값을 소유하였기 때문이다. 반면 결정트리를 사용하는 내용기반 기법에서는 27.3%의 정확도를 나타내어 낮은 정확도 이지만 분류 가능함을 보였다.
다음으로 각 객체들 사이의 관계 그리고 원본 영상과 객체들 사이의 관계에서 논리적인 속성인 상위레벨 속성을 추출하여 영상을 학습 및 분류한다. 본 논문에서 제안한 시스템은 기존의 내용 기반 영상 분류 시스템과는 달리 하위레벨 속성과 상위레벨 속성을 개별적이고 단계적으로 적용함으로써 효과적인 학습 및 분류를 수행할 수 있는 장점이 있다.
표5에서 음영으로 나타낸 수치는 올바르게 분류된 영상의 수이다. 실험 결과로 볼 때 Glioblastoma와 Metastasis 는 비교적 높은 정확도를 나타냈지만, Hemangioblas- toma와 Oligodendroglioma의 경우에는 낮은 정확도를 나타냈다.
실험결과를 표 5에 나타냈고, 실험 결과에 따르면 전체 질병에 대한 분류 정확도는 71.88%로 나타났다. 표5에서 음영으로 나타낸 수치는 올바르게 분류된 영상의 수이다.
84% 높은 정확도를 나타냈다. 영상 학습 및 분류에 관한 실험에서는 본 논문에서 제안한 기법이 65.8%의 정확도를 나타내어 최근접 이웃을 이용한 내용 기반 기법과 결정트리를 이용한 내용기반 기법에 비해 각각 32.2%와 19.0% 더 높게 나타났다. 본 논문에서 제안한 2단계 결정트리 학습을 이용한 뇌 자기공명영상 분류 기법이 내용기반 기법들 보다 높은 정확도를 나타내는 이유는 자기공명영상에서 추출한 속성들을 표면적 속성과 논리적 속성으로 나누고, 각 속성들의 특성에 맞게 학습에 활용하게 때문이다.
나타내었다. 전체 분류 결과는 97.86%로 높은 정확도를 나타났으며, 상세 분류 결과에서는 회백질과 백질의 정확도가 98.28%와 98.43%를 나타내어 다른 부위보다 상대적으로 높은 정확도를 보였다. 표 3의 결과에 따르면 이상 객체는 회백질로 분류되는 경우가 있고, 회백질은 뇌척수액, 백질, 이상 부위로 분류되는 경우가 있다.
56%의 정확도를 나타내어 가장 낮은 정확도를 나타냈다. 질병별 정확도에서도 2단계 결정트리를 적용한 기법이 대부분 높은 결과를 보였다. 그러나 Hemangioblastoma에서 최근접이 웃을 사용한 내용기반 기법과 2단계 결정트리를 적용한 기법은 Hemangioblastoma을 모두 Glioblastoma로 분류하여 정확도가 0%로 나타났다.
후속연구
질환별로 나타나는 발생 부위, 호발 연령대, 남녀 비율과 같은 특징을 속성으로 활용할 수 있다면 의료 영상 분류에 효과적으로 적용될 수 있을 것이며, 이와 같은 통계학적 기법 적용이 향후 연구로 필요하다.
참고문헌 (18)
Sauer, F. and Kabuka, M., 'Multimedia technology in the radiology department,' Proceedings of the second ACM international conference on Multimedia, pp.263-269, 1994
Sonka, M., Hlavac, V., and Boyle, R., Image Processing Analysis and Machine Vision, PWS Publishing, 1999
Chu, W. W., Cardenas, A. F., and Taira, R. K., 'KMeD: A knowledge-based multimedia medical distributed database system,' Information Systems, Vol.20, No.2, pp.75-96, 1995
Rui, Y., Huang, T. S., and Chang, S. F., 'Image Retrieval: Current Techniques, Promising Directions and Open Issues,' Journal of Visual Communication and Image Representation, Vol.10, No.4, pp.39-62, 1999
Flickner, M. et al, 'Query by image content: The QBIC System,' IEEE Computer Special issue on Content Based Retrieval, Vol.28, No.9, pp.23-32, 1995
Chang, N. S. and Fu, K. S., 'Query-by pictorial-example,' IEEE Transactions on Software Engineering, Vol.6, No.6, pp.519-524, 1980
Chang, S. K. and Hsu, A., 'Image information systems: Where do we go from here?,' IEEE Transactions on Knowledge and Data Engineering, Vol.4, No.5, pp.431-442, 1992
Gudivada, V. N. and Raghavan, J. V., 'Special issue on content-based image retrieval systems,' IEEE Computer Magazine, Vol.28, No.9, pp.18-62, 1995
Niblack, W., Barber, R., Equitz, W., Flickner, M., Glasman, E., Petkovic, D., Yanker, P., Faloutsos, C., and Taubin, G., 'Efficient and effective querying by image content,' Journal of Intelligent Information Systems, Vol.3, No.3, pp.231-262, 1994
Quinlan, J. R., C4.5: Programs for machine learning, Morgan Kaufmann, 1993
Witten, I. H. and Frank, E., Data Mining: Practical Machine Learning Tools and Techniques with JAVA Implementations, Morgan Kaufmann, 2000
Mitchell, T. M., Machine learning, McGraw-Hill, New York, 1997
송곡아생, 뇌종양, 대학서림, 1991
대한신경외과학회, 신경 외과학, 대한신경외과학회, 2000
The Whole Brain Atlas, http://www.med.harvard.edu/AANLIB
Ogle, V. E. and Stonebraker, M., 'Chabot : Retrieval from a relational database of images,' Proceedings of International Conference on IEEE Computer, Vol.28, No.9, pp.40-48, 1995
Chu, W. W., Hsu, C. C., Ieong, I. T., and Taira, R. K., 'Content-based Image Retrieval Using Metadata and Relaxation Techniques,' Managing Multimedia Data, McGraw-Hill, 1998
Shyu, C. R., Brodley, C. E., Kak, A. C., Kosaka, A., Aisen, A., and Broderick, L., 'Assert: A physician in-the-loop content-based retrieval system for HRCT image databases,' Computer Vision and Image Understanding, Vol.75, No.12, pp.111-132, 1999
※ AI-Helper는 부적절한 답변을 할 수 있습니다.