환자의 흉부 CT 영상을 입력으로 하여 폐 영역의 결절(nodule)을 효과적으로 분류하는 것이 목적인 컴퓨터 조력 진단(Computer Aided Diagnosis, CAD) 시스템에서는 대부분 폐 영역의 혈관 추출 단계가 우선적으로 진행된다. 혈관 조영제를 투여한 환자 영상에서 폐 혈관과 폐 결절은 흉부 CT 영상에서 비슷한 감쇄를 보이므로 혈관 추출 단계에서 혈관과 결절이 함께 추출될 수 있다. 때문에 폐 혈관이 제거된 나머지 영역에서 폐 결절을 탐지 및 분류하는 방식의 폐 결절 분류기는 혈관 추출 기법의 성능에 큰 영향을 받는다. 본 논문에서는 폐 결절이 혈관으로 오인식 되어 혈관과 함께 추출될 수 있는 문제를 극복하기 위해 혈관의 두께 패턴을 분석하여 폐 결절을 재분류하는 기법을 제안한다. 제안된 방법은 폐 영역 결정 단계, 폐 혈관 영역 추출 및 골격 형성 단계, 혈관 토폴로지 구성 및 보정 단계, 그리고 혈관 후보 내 결절 재분류 단계 등의 네 단계로 이루어져 있다. 제안한 방법의 정확도를 분석하기 위해 폐 결절이 혈관을 침투하여 분포하는 환자들의 입력 영상을 이용하여 판독 전문의의 도움을 받아 분류기의 정확도 평가를 진행하였다. 실험 결과에서는 제안한 혈관 추출 및 결절 재분류 기법을 사용한 CAD 시스템의 폐 결절 분류기 성능과 재분류 절차를 진행하지 않은 분류기 성능에 대해 비교하고 제안한 방법이 혈관 영역으로 잘못 포함된 결절을 자동으로 정확하게 재분류 할 수 있음을 보여준다.
환자의 흉부 CT 영상을 입력으로 하여 폐 영역의 결절(nodule)을 효과적으로 분류하는 것이 목적인 컴퓨터 조력 진단(Computer Aided Diagnosis, CAD) 시스템에서는 대부분 폐 영역의 혈관 추출 단계가 우선적으로 진행된다. 혈관 조영제를 투여한 환자 영상에서 폐 혈관과 폐 결절은 흉부 CT 영상에서 비슷한 감쇄를 보이므로 혈관 추출 단계에서 혈관과 결절이 함께 추출될 수 있다. 때문에 폐 혈관이 제거된 나머지 영역에서 폐 결절을 탐지 및 분류하는 방식의 폐 결절 분류기는 혈관 추출 기법의 성능에 큰 영향을 받는다. 본 논문에서는 폐 결절이 혈관으로 오인식 되어 혈관과 함께 추출될 수 있는 문제를 극복하기 위해 혈관의 두께 패턴을 분석하여 폐 결절을 재분류하는 기법을 제안한다. 제안된 방법은 폐 영역 결정 단계, 폐 혈관 영역 추출 및 골격 형성 단계, 혈관 토폴로지 구성 및 보정 단계, 그리고 혈관 후보 내 결절 재분류 단계 등의 네 단계로 이루어져 있다. 제안한 방법의 정확도를 분석하기 위해 폐 결절이 혈관을 침투하여 분포하는 환자들의 입력 영상을 이용하여 판독 전문의의 도움을 받아 분류기의 정확도 평가를 진행하였다. 실험 결과에서는 제안한 혈관 추출 및 결절 재분류 기법을 사용한 CAD 시스템의 폐 결절 분류기 성능과 재분류 절차를 진행하지 않은 분류기 성능에 대해 비교하고 제안한 방법이 혈관 영역으로 잘못 포함된 결절을 자동으로 정확하게 재분류 할 수 있음을 보여준다.
In the Computer Aided Diagnosis(CAD) System, the efficient way of classifying nodules from chest CT images of a patient is to perform the classification of the remaining part after the pulmonary vessel extraction. During the pulmonary vessel extraction, due to the small difference between the vessel...
In the Computer Aided Diagnosis(CAD) System, the efficient way of classifying nodules from chest CT images of a patient is to perform the classification of the remaining part after the pulmonary vessel extraction. During the pulmonary vessel extraction, due to the small difference between the vessel and nodule features in imaging studies such as CT scans after having an injection of contrast, nodule maybe extracted along with the pulmonary vessel. Therefore, the pulmonary vessel extraction method plays an important role in the nodule classification process. In this paper, we propose a nodule reclassification method based on vessel thickness analysis. The proposed method consist of four steps, lung region searching step, vessel extraction and thinning step, vessel topology formation and correction step and the reclassification of nodule in the vessel candidate step. The radiologists helped us to compare the accuracy of the CAD system using the proposed method and the accuracy of general one. Experimental results show that the proposed method can extract pulmonary vessels and reclassify false-positive nodules accurately.
In the Computer Aided Diagnosis(CAD) System, the efficient way of classifying nodules from chest CT images of a patient is to perform the classification of the remaining part after the pulmonary vessel extraction. During the pulmonary vessel extraction, due to the small difference between the vessel and nodule features in imaging studies such as CT scans after having an injection of contrast, nodule maybe extracted along with the pulmonary vessel. Therefore, the pulmonary vessel extraction method plays an important role in the nodule classification process. In this paper, we propose a nodule reclassification method based on vessel thickness analysis. The proposed method consist of four steps, lung region searching step, vessel extraction and thinning step, vessel topology formation and correction step and the reclassification of nodule in the vessel candidate step. The radiologists helped us to compare the accuracy of the CAD system using the proposed method and the accuracy of general one. Experimental results show that the proposed method can extract pulmonary vessels and reclassify false-positive nodules accurately.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서 개발한 혈관 영역 내 폐 결절 재분류 기법을 사용한 결절 자동 분류기의 성능을 직관으로 살펴보기 위해 폐 결절의 크기에 따른 판별 정확도의 변화 정도를 비교하였다.
본 논문에서는 흉부 CT 영상 내 폐 결절 자동 분류기에서 폐 결절의 효과적인 분류를 위하여 혈관 영역의 두께 분석을 통한 폐 결절 재분류 기법을 제안하였다. 실험에 사용한 영상에서 혈관을 침투한 폐 결절의 예는 전체 결절의 8.
기존의 혈관 추출 기법들은 이러한 경우에 결절을 혈관으로 오인식 하여 혈관과 함께 추출할 수 있는 가능성이 있다. 이를 극복하기 위하여 본 논문에서는 혈관으로 분류된 영역에서 결절을 효과적으로 재분류할 수 있는 혈관 두께 패턴 분석 기반 결절 재분류 기법을 제안한다.
한다. 이처럼 분류대상에 포함되지 않거나 잘못 분류되는 결절에 대해서도 CAD 시스템이 전문가에게 관련 부위를 효과적으로 환기시킬 수 있도록 하는 방향으로 연구를 진행하고자 한다.
혈관 골격선의 평활화는 중심부에서 벗어난 혈관의 골격선을 보정하는 역할을 하여 혈관 영역의 두께를 분석하는 데 신뢰할 수 있는 결과를 산줄하도록 한다. 평활화에서 사용되는 기준점들은 주변 기준점들의 분포에 의해서 새로운 위치가 결정되는데 주변 기준점들의 수에 따라 정확도의 변화 정도를 분석할 가치가 있다.
제안 방법
진행한다. 3차원 영상 데이터를 입력으로 하여 3차원 세선화를 진행한 후 결과로 산출된 골격선의 토폴로지를 구성한다.
II장에서는 폐 혈관추출 기법의 관련 연구를 기술하였다. HI장에서는 제안한 혈관 추출 및 결절 재분류 기법의 전체 구성과 각 모듈에서 사용된 방법들을 기술하였다. IV장의 실험 결과에서는 폐 결절 환자들의 영상을 입력으로 하는 폐혈관 추출 및 결절 재분류 기법의 실험 방법을 기술하고 결과를 논의하였다.
HI장에서는 제안한 혈관 추출 및 결절 재분류 기법의 전체 구성과 각 모듈에서 사용된 방법들을 기술하였다. IV장의 실험 결과에서는 폐 결절 환자들의 영상을 입력으로 하는 폐혈관 추출 및 결절 재분류 기법의 실험 방법을 기술하고 결과를 논의하였다. 이후 V장에서는 결론 및 향후 연구 방향을 기술하였다.
골격선의 시작 픽셀을 관리하는 큐를 사용하여 단위골격선의 시작 픽셀 s 와 n들을 관리하며 큐에 남은 요소가 없을 때까지 혈관 골격선 토폴로지 구성 방법을 반복하여 진행한다. 골격선 토폴로지는 트리 자료 구조를 사용하여 골격선 단위로 필요한 정보들을 관리한다.
이 방향을 혈관 외벽의 방향으로 판단하여 이 방향의 반대쪽으로 기준점의 위치를 이동시켜 구형 모델의 사이즈를 측정하였다. 구형 모델의 크기가 확장되면서 혈관 영역을 벗어난 픽셀의 비율이 확장된 혈관 모델의 0.1 이상이 되면 확장을 멈추고 한 단계 축소된 구형 모델의 크기를 선택하였다.
따라서 재귀적인 방법으로 구형 모델의 위치를 변경할 수 있도록 하였다. 구형 모델의 크기를 점점 확장하면서 혈관 영역 내부에 존재하지 않는 픽셀들을 26방향으로 나누어 카운트하였다. 이 방향을 혈관 외벽의 방향으로 판단하여 이 방향의 반대쪽으로 기준점의 위치를 이동시켜 구형 모델의 사이즈를 측정하였다.
필요성이 적다. 그러므로 본 논문에서는 임계 값을 미리 연산하여 사용하였다. 시스템에서 사용할 폐 영역 결정 임계값을 계산하기 위하여 12 명의 정상인 환자 영상에서 배경 영역을 제거한 환자의 신체 내부영역만을 Otsu의 입력으로 하여 임계값을 계산하였다.
혈관 두께 분석 단계에서는 혈관 골격선 토폴로지를 구성하는 각 단위 골격선에서 모두 진행된다. 기관지와 가장 가까운 단위 골격선을 시작으로 토폴로지 트리를 순회하며 모든 단위 골격선에 대해 진행한다.
두께를 분석하기 위하여 혈관 토폴로지를 구성하는 각 단위 골격선을 순회하면서 골격선에 포함된 기준점들을 대상으로 방사형 모델 및 구형 모델의 크기를 변경하면서 두께를 분석하였다. 판별 대상으로 하는 폐 결절의 크기를 혈관 두께 변화 감지의 임 계값으로 사용하여 결절을 감지하도록 하였다.
두께를 측정하는 방법은 골격선으로 부터 혈관 영역에 방사형으로 이르는 직경 측정을 기반으로 하는 방사형 모델 기반 두께 측정 방법과 혈관 영역에 내접하는 구의 반지름을 측정하는 구형 모델 기반 두께 측정 방법 등의 두 가지 방법을 사용하였다.
방사형 모델의 26방향 중 서로 반대 방향으로 위치하는 픽셀의 길이를 더하여 측정하여 총 13개의 길이를 측정한다. 혈관의 방향과 비슷한 길이는 길고 혈관의 방향에 수직으로 향하는 방향의 길이는 짧기 때문에 이 13개의 길이 중 가장 짧은 두 방향의 평균값을 사용하여 혈관의 두께로 인식하도록 하였다.
본 논문에서는 환자의 전체 CT 영상을 사용하여 3차원 영상을 먼저 구성하였다. 이후 3차원 영상 데이터를 이용하여 폐 영역의 Otsu 이진화를 위한 단일 임계값을 산출하였고 이를 이용하여 폐 영역을 결정하였다.
그러므로 본 논문에서는 임계 값을 미리 연산하여 사용하였다. 시스템에서 사용할 폐 영역 결정 임계값을 계산하기 위하여 12 명의 정상인 환자 영상에서 배경 영역을 제거한 환자의 신체 내부영역만을 Otsu의 입력으로 하여 임계값을 계산하였다.
실험은 본 논문에서 제안한 혈관 추출 및 폐 결절 재분류 기법이 컴퓨터 조력 진단 시스템의 정확도에 미치는 영향을 알아보기 위해 평활화 유무, 두께 측정 방식 및 폐 결절 크기에 따른 정확도의 변화 정도를 평가하였다.
실험을 위한 환경은 인텔 코어 2 듀오 2.4GHz CPU 및 2GB의 RAM이 탑재된 PC를 사용하였고, 제안한 방법은 마이 크로소프트사의 윈도우 XP 운영 체 제에서 Visual C++ 6.0 통합 개발 환경을 이용하여 구현하였다. 실험에 사용한 영상 데이터는 인하대학교 병원 영상의학과에서 제공받은 남녀 폐암 환자 32명의 흉부 CT 영상을 사용하였으며 12명의 정상인, 21명의 폐 결절 환자 영상을 사용하였다.
구형 모델의 크기를 점점 확장하면서 혈관 영역 내부에 존재하지 않는 픽셀들을 26방향으로 나누어 카운트하였다. 이 방향을 혈관 외벽의 방향으로 판단하여 이 방향의 반대쪽으로 기준점의 위치를 이동시켜 구형 모델의 사이즈를 측정하였다. 구형 모델의 크기가 확장되면서 혈관 영역을 벗어난 픽셀의 비율이 확장된 혈관 모델의 0.
영상을 먼저 구성하였다. 이후 3차원 영상 데이터를 이용하여 폐 영역의 Otsu 이진화를 위한 단일 임계값을 산출하였고 이를 이용하여 폐 영역을 결정하였다.
그러므로 단일 CT 영상의 세선화 작업에 의한 골격선은 혈관 영역을 대표하는 골격선이라고 할 수 없다. 전후 영상의 조직 분포 상태를 고려할 수 있도록 본 논문에서는 3차원 영상의 데이터를 입력으로 하여 3차원 세선화를 적용하였다⑹ 세선화 결과로 얻어진 골격선은 다음 단계인 혈관 토폴로지 구성 및 보정 단계에서 사용된다.
제안된 방법은 크게 폐 영역 결정 단계, 폐 혈관 영역 추출 및 골격 형성 단계, 혈관 토폴로지 구성 및 보정 단계, 그리고 혈관 후보 내 결절 재분류 단계 등의 네 단계로 이루어져 있다.
이때 13개의 길이를 짧은 순서로 나열하여 5개 이상의 길이가 서로 비슷하면 혈관이 굽어진 형태이거나 폐 결절이 존재할 확률이 높아진다. 추후에 해당 기준점에 쉽게 접근할 수 있도록 해당 기준점의 위치 정보 및 13쌍의 길이 정보를 별도로 보관하도록 하였다. 길이에 대한 비율이 0.
두께를 분석하였다. 판별 대상으로 하는 폐 결절의 크기를 혈관 두께 변화 감지의 임 계값으로 사용하여 결절을 감지하도록 하였다.
혈관 영역의 두께를 측정하는 방식은 방사형 모델 기반 측정 방법과 구형 모델 기반 측정 방법을 사용하여 자동 결절 분류기의 판별 정확도를 측정하였다.
혈관의 방향과 비슷한 길이는 길고 혈관의 방향에 수직으로 향하는 방향의 길이는 짧기 때문에 이 13개의 길이 중 가장 짧은 두 방향의 평균값을 사용하여 혈관의 두께로 인식하도록 하였다. 이때 13개의 길이를 짧은 순서로 나열하여 5개 이상의 길이가 서로 비슷하면 혈관이 굽어진 형태이거나 폐 결절이 존재할 확률이 높아진다.
대상 데이터
포함하도록 선택하였다. 각 영상은 5mm 두께의 정보를 압축한 영상으로 환자당 80~100장 정도 존재하며 실험에서는 정상인 및 폐 결절 환자를 포함한 33명의 龄2장의 영상을 사용하였다.
실험에 사용된 흉부 CT 영상은 512x512의 해상도와 8bit의 색상 깊이를 가지는 bmp 영상으로 혈관에 내접, 외접 및 고립되어있는 등의 다양한 타입을 가지는 병변을 포함하도록 선택하였다. 각 영상은 5mm 두께의 정보를 압축한 영상으로 환자당 80~100장 정도 존재하며 실험에서는 정상인 및 폐 결절 환자를 포함한 33명의 龄2장의 영상을 사용하였다.
0 통합 개발 환경을 이용하여 구현하였다. 실험에 사용한 영상 데이터는 인하대학교 병원 영상의학과에서 제공받은 남녀 폐암 환자 32명의 흉부 CT 영상을 사용하였으며 12명의 정상인, 21명의 폐 결절 환자 영상을 사용하였다. 정상인 영상은 폐 결정 임계 값 및 혈관 영역 임계값을 미리 계산하기 위하여 사용하였다.
실험에 사용한 영상 데이터는 인하대학교 병원 영상의학과에서 제공받은 남녀 폐암 환자 32명의 흉부 CT 영상을 사용하였으며 12명의 정상인, 21명의 폐 결절 환자 영상을 사용하였다. 정상인 영상은 폐 결정 임계 값 및 혈관 영역 임계값을 미리 계산하기 위하여 사용하였다. 폐 결절 환자의 영상은 그룹별 폐 결절의 수가 비슷하도록 3명 씩 총 7개의 그룹을 구성하여 정확도 비교 실험의 입력 영상으로 사용하였다.
정상인 영상은 폐 결정 임계 값 및 혈관 영역 임계값을 미리 계산하기 위하여 사용하였다. 폐 결절 환자의 영상은 그룹별 폐 결절의 수가 비슷하도록 3명 씩 총 7개의 그룹을 구성하여 정확도 비교 실험의 입력 영상으로 사용하였다.
데이터처리
폐 혈관 분할을 위해 히스토그램 분석을 사용하여 환자데이터에 따라 적절한 임계값을 계산하여 밝기 값 기반 임계값을 적용하여 혈관 구조물을 분할하는 방법을 사용하였다.
이론/모형
폐 영역 결정 단계에서는 명암도 감쇄의 비율이 비교적 적은 흉부 CT 영상을 수식 (1)을 이용하여 영상을 보정한 후 Otsu 이진화 기법을 적용하여 영상을 이진화한다团 보정을 위한 감마값은 1.7을 사용하였다.
폐 영역 결정 임계값의 경우와 마찬가지로 매 번 폐영역 내 혈관 영역 구분용 임계값을 계산하기 위한 비용 소모를 줄이기 위하여 폐 영역에 포함된 원본 영상 데이터를 사용하여 Otsu 기법을 적용 후 혈관 영역 결정 임계값을 계산하였다.
폐 영역 내에서 혈관 영역을 구분하기 위해 Otsu 이진화 기법을 이용한다.
성능/효과
15% 정도를 차지하였다. 9개의 주변 기준점을 활용하고 구형 모델을 사용할 경우 결절 자동분류기의 정확도가 혈관 영역 내 결절 재분류 방법을 적용하지 않았을 경우보다 평균 4.37% 정도 향상되었음을 확인하였다.
실험 결과 9개의 주변 기준점을 사용한 경우의 정확도가 평활화를 사용하지 않았을 경우보다 기준점을 평균적으로 0.57%정도 향상된 성능을 보여주었다.
있다. 실험 결과 구형 모델을 이용한 방법이 방사형 모델을 이용한 방법 보다 평균적으로 1.41% 정도 높은 성능을 보여주었다.
실험 결과 폐 결절이 3~5mm, 5~7mm, 7~9mm 일 때 평균적으로 각각 95.91%, 97.11%, 98.34%의 정확도를 보여 주었다.
후속연구
이 점을 고려하면 본문에서 제안한 방법의 실험 결과는 진행 중인 흉부 CT 영상 내 폐 영역 CAD 시스템의 성능향상에 기여할 수 있음을 알 수 있다.
제안된 혈관 내 폐 결절 재분류 기법은 폐 영역에 한정된 방법이 아니므로 혈관 형태의 조직을 침투한 다른 병변의 재분류에도 활용될 수 있어 다양한 영역의 의료영상에서 활용될 수 있을 것이다.
향후 연구로는 폐 벽에 근접하여 존재하는 결절의 경우 결절이 폐 영역에서 제외되어 결절이 분류 대상에 포함되지 않을 수 있는 단점을 보완하여 폐 벽에 근접하여 존재하는 결절에 대해서도 분류기의 관심 영역에 포함시키기 위해 보다 온전한 폐 영역을 찾고자 한다. 이처럼 분류대상에 포함되지 않거나 잘못 분류되는 결절에 대해서도 CAD 시스템이 전문가에게 관련 부위를 효과적으로 환기시킬 수 있도록 하는 방향으로 연구를 진행하고자 한다.
참고문헌 (10)
C. Kirbas and F. Quek, 'A review of vessel extraction techniques and algorithms', ACM Computing Surveys, 2004
Y. Yim, H. Hong, J. B. Seo, Y. G. Shin, ,Accurate Extraction of the Lungs and Pulmonary Vessels from Chest CT: Gradient-based Method,, RSNA, 2007
임예니, 홍헬렌, '흉부 CT 영상의 밝기값 정보를 사용한 폐 구조물 자동 분할,' 한국정보과학회 논문지:소프트웨어 및 응용, 제33권, 제11호, 2006년 11월
N. Otsu, 'A threshold selection method from gray level histograms', IEEE Transaction on Systems, Man and Cybernetics, 1979
R. Plamondon and S. N. Srihari, 'On-line and Off-line Handwriting Recognition : A Comprehensive Survey,' IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 22, pp. 63?84, January 2000
A. Teramoto, M. Tsuzaka, T. Hara, H. Fujita, 'High-speed Detection Method of Solitary Nodules in 3D Chest CT images Based on Cylindrical Filter', International Forum on Medical Imaging in Asia, 2009
S. H. Peng, H. S. Kim, D. H. Kim, 'Speeded Up Feature Extraction for CT Image Based on Integral Image Technique', International Forum on Medical Imaging in Asia, 2009
이덕운, 남우현, 나종범, '진단 및 치료를 위한 3차원 의료 영상의 응용', 대한전자공학회 전자공학회지, 제35권, 제4호, pp. 67-75, 2008년 4월
※ AI-Helper는 부적절한 답변을 할 수 있습니다.