논문에서는 개미 군집 최적화알고리즘을 이용하여 뇌 자기공명 영상의 백질 및 회백질 영역을 분할하는 방법을 제안한다. 확률적 조합 최적화에 적합한 알고리즘으로 알려진 개미 군집 최적화 알고리즘은 실제 개미들이 집에서 먹이를 찾아가는 동안의 방법을 기억하는 습성을 적용한 것이다. 논문에서 제안하는 방법은 개미가 먹이를 찾아가는 동안의 방법을 기억하는 습성처럼 영상에서 원하는 픽셀을 찾아갈 수 있다는 것이다. 원하는 픽셀을 찾은 개미들은 페로몬을 픽셀에 축적하게 되는데 이 페로몬은 이후에 지나가는 개미들이 다음 경로를 선택할 때 영향을 준다. 그리고 각각의 반복단계에서 상태전이 법칙에 따라 영상의 위치를 바꿔가면서 최종 목적지에 도달하게 되며, 마지막으로 페로몬 분포의 분석을 통해 영상에서 분할 된 결과를 얻는다. 제안한 알고리즘을 기존의 임계치 기반의 분할 알고리즘인 Otsu 방법, 메타휴리스틱 계열의 대표적인 방법인 유전자알고리즘, 퍼지방법, 원래의 개미 군집 최적화 알고리즘등과 비교하였다. 비교 실험을 통해 제안한 방법이 뇌의 특정 영역을 더 정확하게 분할함을 알 수 있었다.
논문에서는 개미 군집 최적화 알고리즘을 이용하여 뇌 자기공명 영상의 백질 및 회백질 영역을 분할하는 방법을 제안한다. 확률적 조합 최적화에 적합한 알고리즘으로 알려진 개미 군집 최적화 알고리즘은 실제 개미들이 집에서 먹이를 찾아가는 동안의 방법을 기억하는 습성을 적용한 것이다. 논문에서 제안하는 방법은 개미가 먹이를 찾아가는 동안의 방법을 기억하는 습성처럼 영상에서 원하는 픽셀을 찾아갈 수 있다는 것이다. 원하는 픽셀을 찾은 개미들은 페로몬을 픽셀에 축적하게 되는데 이 페로몬은 이후에 지나가는 개미들이 다음 경로를 선택할 때 영향을 준다. 그리고 각각의 반복단계에서 상태전이 법칙에 따라 영상의 위치를 바꿔가면서 최종 목적지에 도달하게 되며, 마지막으로 페로몬 분포의 분석을 통해 영상에서 분할 된 결과를 얻는다. 제안한 알고리즘을 기존의 임계치 기반의 분할 알고리즘인 Otsu 방법, 메타휴리스틱 계열의 대표적인 방법인 유전자알고리즘, 퍼지방법, 원래의 개미 군집 최적화 알고리즘등과 비교하였다. 비교 실험을 통해 제안한 방법이 뇌의 특정 영역을 더 정확하게 분할함을 알 수 있었다.
In this paper, we propose the regions segmentation method of the white matter and the gray matter for brain MR image by using the ant colony optimization algorithm. Ant Colony Optimization (ACO) is a new meta heuristics algorithm to solve hard combinatorial optimization problem. This algorithm finds...
In this paper, we propose the regions segmentation method of the white matter and the gray matter for brain MR image by using the ant colony optimization algorithm. Ant Colony Optimization (ACO) is a new meta heuristics algorithm to solve hard combinatorial optimization problem. This algorithm finds the expected pixel for image as the real ant finds the food from nest to food source. Then ants deposit pheromone on the pixels, and the pheromone will affect the motion of next ants. At each iteration step, ants will change their positions in the image according to the transition rule. Finally, we can obtain the segmentation results through analyzing the pheromone distribution in the image. We compared the proposed method with other threshold methods, viz. the Otsu' method, the genetic algorithm, the fuzzy method, and the original ant colony optimization algorithm. From comparison results, the proposed method is more exact than other threshold methods for the segmentation of specific region structures in MR brain image.
In this paper, we propose the regions segmentation method of the white matter and the gray matter for brain MR image by using the ant colony optimization algorithm. Ant Colony Optimization (ACO) is a new meta heuristics algorithm to solve hard combinatorial optimization problem. This algorithm finds the expected pixel for image as the real ant finds the food from nest to food source. Then ants deposit pheromone on the pixels, and the pheromone will affect the motion of next ants. At each iteration step, ants will change their positions in the image according to the transition rule. Finally, we can obtain the segmentation results through analyzing the pheromone distribution in the image. We compared the proposed method with other threshold methods, viz. the Otsu' method, the genetic algorithm, the fuzzy method, and the original ant colony optimization algorithm. From comparison results, the proposed method is more exact than other threshold methods for the segmentation of specific region structures in MR brain image.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
마지막으로 메타-휴리스틱계열의 대표적인 응용방법으로 유전자 알고리즘[10], 개미 모델[1-5] 등이 있으며 특히 최근 들어 개미 모델은 확률적 조합 최적화에 적합한 효과적인 알고리즘으로 알려져 있다. 따라서 본 논문에서는 개미 군집 최적화 알고리즘을 뇌 자기공명 영상의 영역을 분할하는데 새롭게 적용하고자 한다.
본 논문에서는 뇌 자기공명 영상에서 해부학적 구조를 자동 분할하는 방법을 제안하였다. 실험 결과에서 확인했듯이 기존의 분할 방법에 비해 백질 및 회백질이 정확하게 분할됨을 알 수 있었다.
컴퓨터지원진단 시스템은 반복적이거나 빠뜨리기 쉬운 부분을 검출, 계산하는데 쓰이며 의사의 진단 시간과 소모적인 업무를 대신하여 진단 효율을 향상시키는데 목적을 두고 있다. 본 논문에서는 뇌 자기공명 영상의 영역 분할을 위하여 휴리스틱기법 기반의 개선된 개미 군집 알고리즘[1-5]을 적용하고자 한다. 이 알고리즘은 실제 개미들이 먹이에서 집까지 가장 짧은 경로를 찾는 능력을 모방한 메타 휴리스틱 기법이며, 최근들어 확률적 조합 최적화에 적합한 효과적인 알고리즘으로 알려지고 있다.
따라서, 자동으로 뇌 자기공명 영상에서 백질, 회백질 등의 분할을 수행하는 컴퓨터지원진단(CAD:Computer Aided Diagnosis) 시스템 개발의 의미는 크다. 컴퓨터지원진단 시스템은 반복적이거나 빠뜨리기 쉬운 부분을 검출, 계산하는데 쓰이며 의사의 진단 시간과 소모적인 업무를 대신하여 진단 효율을 향상시키는데 목적을 두고 있다. 본 논문에서는 뇌 자기공명 영상의 영역 분할을 위하여 휴리스틱기법 기반의 개선된 개미 군집 알고리즘[1-5]을 적용하고자 한다.
가설 설정
각 반복 단계에서 개미들은 현재 픽셀에서 다른 픽셀로 이동하며 개미들의 전이확률은 다른 개미들의 주변에도 영향을 미친다고 가정한다. 또한, 다른 개미들의 영향은 가중치 w로 주어지며, 시간 t에서 현재 픽셀에서 다른 픽셀로 이동하기 위한 정규화된 전이 확률은 다음과 같이 정의한다.
의료영상 분할에 개미 군집의 특성을 이용하고자 할 때, 개미들은 영상에서 먹이(food)를 구분할 수 있다고 생각한다. 즉, 개미들이 의료영상에서 찾고자 하는 먹이와 유사한 픽셀들을 찾을 수 있다고 가정하며, 유사한 픽셀들을 찾은 개미들은 픽셀들위에 다른 개미들의 움직임에 영향을 주는 페로몬을 축적한다. 그 다음 개미들은 각 반복단계에서 영상에 그들의 위치를 전이확률에 따라 변화시킨다.
제안 방법
4장에서 기술했듯이 개미 군집의 종료조건은 설정된 최종 반복 횟수가 종료되었을 때 알고리즘이 종료되게 설정하였다. 따라서 본 논문에서는 최적의 임계치를 얻는데 초점을 두고 반복실험에 의해 횟수를 설정하였다. 분할결과에서 보여주듯이 반복횟수가 너무 적게 설정이 되면 백질의 해부학적 구조가 정확하게 분할되지 않음을 확인할 수 있었고 반복횟수가 증가하면서 더 정확하게 백질이 분할됨을 확인할 수 있다.
반면에, 너무 큰 반복횟수가 설정이 된다면 최적의 임계치를 얻을 수는 있지만 계산시간이 오래 걸려 알고리즘의 효율성이 감소될 것이다. 따라서 본 논문에서는 최적의 임계치를 얻는데 초점을 두고 실험에 의해 반복횟수를 설정하였다.
또한, 알고리즘의 견고성을 평가하기 위하여 같은 원본영상에 블러링을 적용하여 기존 분할방법들과 비교하였다. (그림 7)의 결과에서 볼 수 있듯이 블러링된 영상에서도 기존의 분할 방법보다 제안한 방법이 더 견고함을 알 수 있다.
실험에 사용된 영상의 한 슬라이스는 256x256크기이고, 각 픽셀은 8bit로서 0에서 255범위의 명암 값으로 표현되며, 논문에서는 BMP(bitmap)형식의 파일로 변환하여 처리하였다. (그림 3) (a)는 전처리과정을 거쳐 외피를 제거한 뇌 자기공명 T1 강조영상이고, (b)는 T2 강조영상이다.
다음으로 먹이가 정의되었을 때, 개미들은 유사한 특성들을 가지고 픽셀들을 찾는 과정(먹이 소스 선택)을 수행한다. 이러한 유사한 픽셀들을 찾기 위하여 개미들은 그들이 찾고자 하는 객체와 유사한 픽셀들을 비교한다.
제안한 방법을 실제 뇌 자기공명 영상에 적용하였다. 뇌 자기공명 영상은 원래 다이콤(DICOM) 형태의 영상포맷이다.
이론/모형
영상 분할 결과의 성능평가 방법으로써 논문에서는 객관적인 평가항목으로 영상의 해상도 측정치인 엔트로피 H[11]값을 사용하였다. H는 다음 식 (7)과 같이 정의한다.
성능/효과
다음 (그림 5)는 반복횟수에 따른 T2 강조영상의 회백질 부분의 분할결과를 나타냈다. 백질의 분할결과와 마찬가지로 (그림 5) (a), (b) 처럼 반복횟수가 너무 적게 설정이 되면 회백질의 해부학적 구조가 정확하게 분할되지 않음을 확인할 수 있었고 반복횟수가 증가하면서 더 정확하게 회백질이 분할됨을 확인할 수 있다.
첫 번째 행의 T1 강조영상의 백질 분할결과에서 (a) Otsu 방법, (b) 유전자 알고리즘, (c) 퍼지 방법을 이용한 결과는 정확한 백질이 분할되지 못했음을 알 수 있으며, (d) 기존의 개미 군집 최적화 방법을 이용한 결과와 비교했을 때도 (e) 제안한 방법이 백질의 구조적인 부분을 더 정확하게 분할함을 알 수 있다. 두 번째 행 T2 강조영상의 회백질 분할결과를 보면 (a) Otsu와 (b) 유전자 알고리즘을 적용한 결과는 회백질의 내부가 거의 분할되지 못하였고, (c) 퍼지 방법을 이용한 결과는 회백질의 내부가 많이 제거됨을 알 수 있다. (d) 기존의 개미 군집 최적화 방법의 결과는 기존의 방법보다는 보다 정확하게 분할됨을 알 수 있지만 회백질이 아닌 부분까지 분할결과에 포함하고 있는걸 확인할 수 있다.
두 번째 행 T2 강조영상의 회백질 분할결과를 보면 (a) Otsu와 (b) 유전자 알고리즘을 적용한 결과는 회백질의 내부가 거의 분할되지 못하였고, (c) 퍼지 방법을 이용한 결과는 회백질의 내부가 많이 제거됨을 알 수 있다. (d) 기존의 개미 군집 최적화 방법의 결과는 기존의 방법보다는 보다 정확하게 분할됨을 알 수 있지만 회백질이 아닌 부분까지 분할결과에 포함하고 있는걸 확인할 수 있다. (e) 제안한 방법의 결과는 논문에서 제시한 기존의 방법들과 비교했을때 정확하게 회백질 부분이 분할됨을 확인할 수 있다.
(d) 기존의 개미 군집 최적화 방법의 결과는 기존의 방법보다는 보다 정확하게 분할됨을 알 수 있지만 회백질이 아닌 부분까지 분할결과에 포함하고 있는걸 확인할 수 있다. (e) 제안한 방법의 결과는 논문에서 제시한 기존의 방법들과 비교했을때 정확하게 회백질 부분이 분할됨을 확인할 수 있다.
첫 번째 행은 T1 강조영상, 두 번째 행은 T2 강조영상에 대한 결과이며, 왼쪽부터 (a) Otsu 방법, (b) 유전자 알고리즘, (c) 퍼지 방법, (d) 기존 개미 군집 최적화 방법, (e) 제안한 방법을 나타내고 있다. 첫 번째 행의 T1 강조영상의 백질 분할결과에서 (a) Otsu 방법, (b) 유전자 알고리즘, (c) 퍼지 방법을 이용한 결과는 정확한 백질이 분할되지 못했음을 알 수 있으며, (d) 기존의 개미 군집 최적화 방법을 이용한 결과와 비교했을 때도 (e) 제안한 방법이 백질의 구조적인 부분을 더 정확하게 분할함을 알 수 있다. 두 번째 행 T2 강조영상의 회백질 분할결과를 보면 (a) Otsu와 (b) 유전자 알고리즘을 적용한 결과는 회백질의 내부가 거의 분할되지 못하였고, (c) 퍼지 방법을 이용한 결과는 회백질의 내부가 많이 제거됨을 알 수 있다.
또한, 알고리즘의 견고성을 평가하기 위하여 같은 원본영상에 블러링을 적용하여 기존 분할방법들과 비교하였다. (그림 7)의 결과에서 볼 수 있듯이 블러링된 영상에서도 기존의 분할 방법보다 제안한 방법이 더 견고함을 알 수 있다.
그 다음 개미들은 각 반복단계에서 영상에 그들의 위치를 전이확률에 따라 변화시킨다. 본 논문에서 제안한 의료영상 분할은 개미들이 먹이 소스 즉, 영상 분할의 최적 임계치를 얻기 위하여 특징 벡터를 찾는 과정이며 페로몬의 농도 뿐 만 아니라 상태전이 확률 분포에 먹이정의를 추가함으로써 기존의 개미 군집 최적화 방법보다 더 정확한 영역 분할을 할 수 있다. 제안된 분할 방법의 블록 다이어그램을 (그림 2)에 나타냈다.
따라서 본 논문에서는 최적의 임계치를 얻는데 초점을 두고 반복실험에 의해 횟수를 설정하였다. 분할결과에서 보여주듯이 반복횟수가 너무 적게 설정이 되면 백질의 해부학적 구조가 정확하게 분할되지 않음을 확인할 수 있었고 반복횟수가 증가하면서 더 정확하게 백질이 분할됨을 확인할 수 있다.
본 논문에서는 뇌 자기공명 영상에서 해부학적 구조를 자동 분할하는 방법을 제안하였다. 실험 결과에서 확인했듯이 기존의 분할 방법에 비해 백질 및 회백질이 정확하게 분할됨을 알 수 있었다. 이는 컴퓨터지원진단 시스템에 적용할 수 있는 효과적인 알고리즘임을 확인했으며, 뇌 질환의 조기 진단에 유용할 것이라 예상된다.
<표 1>의 결과와 같이 제안한 방법이 전통적인 분할방법을 사용한 것보다 엔트로피의 값이 작게나옴을 알 수 있으며, 제안한 방법을 이용한 분할된 결과가 더 효과적임을 확인할 수 있다.
실험 결과에서 확인했듯이 기존의 분할 방법에 비해 백질 및 회백질이 정확하게 분할됨을 알 수 있었다. 이는 컴퓨터지원진단 시스템에 적용할 수 있는 효과적인 알고리즘임을 확인했으며, 뇌 질환의 조기 진단에 유용할 것이라 예상된다.
후속연구
향후 연구주제로는 제안한 방법이 T1, T2 영상의 구분없이 백질 및 회백질을 구분할 수 있도록 향상 시킬 필요성이 있으며, 종양을 포함하고 있는 것과 같이 다양한 자기공명뇌 영상에 적용 할 수 있도록 알고리즘을 향상 시킬 필요가 있다. 이에 페르몬 갱신 방법을 다양하게 적용할 필요가 있으며 알고리즘 수행시간을 단축시키는 연구가 진행될 예정이다.
향후 연구주제로는 제안한 방법이 T1, T2 영상의 구분없이 백질 및 회백질을 구분할 수 있도록 향상 시킬 필요성이 있으며, 종양을 포함하고 있는 것과 같이 다양한 자기공명뇌 영상에 적용 할 수 있도록 알고리즘을 향상 시킬 필요가 있다. 이에 페르몬 갱신 방법을 다양하게 적용할 필요가 있으며 알고리즘 수행시간을 단축시키는 연구가 진행될 예정이다.
질의응답
핵심어
질문
논문에서 추출한 답변
개미 군집 최적화 알고리즘이란 무엇을 적용한 것인가?
논문에서는 개미 군집 최적화 알고리즘을 이용하여 뇌 자기공명 영상의 백질 및 회백질 영역을 분할하는 방법을 제안한다. 확률적 조합 최적화에 적합한 알고리즘으로 알려진 개미 군집 최적화 알고리즘은 실제 개미들이 집에서 먹이를 찾아가는 동안의 방법을 기억하는 습성을 적용한 것이다. 논문에서 제안하는 방법은 개미가 먹이를 찾아가는 동안의 방법을 기억하는 습성처럼 영상에서 원하는 픽셀을 찾아갈 수 있다는 것이다.
영상분할이란 무엇인가?
영상분할은 영상을 동질의 특성을 갖는 균일한 영역으로 구분해 내는 과정으로서 영상검색, 영상인식, 영상이해 등의 컴퓨터 비전에서 필수적인 과정 중의 하나이며 최근에는 고도의 의료 영상 촬영 장비가 개발되면서 선명도가 좋은 디지털 영상의 획득이 가능해짐에 따라 영상처리 및 영상해석을 활용한 의료진단에 영상분할 기술이 중요한 역할을 차지하게 되었다. 또한, 근래 뇌 질환 환자의 수가 급증하면서 뇌 영상 분할에 관한 많은 논문들이 나오고 있다.
컴퓨터를 이용한 의료영상 처리기술의 개발에 대한 필요성이 제기되는 이유는 무엇인가?
오늘날 의료진단을 위하여 일반적으로 사용되고 있는 진단용 영상으로부터 관심 대상 부위를 분할하는 영상 분할은 삼차원 가시화, 해부학적 구조의 연구, 모의 수술 계획 등 다양한 의료 영상 활용 분야에 가장 먼저 수행되어야 하는 중요한 작업이다. 그러나 대상 영상과 분할하고자 하는 관심 대상 영역의 다양성 및 복잡성으로 인해 자동화된 영상 분할 방법의 개발은 쉽지 않다. 따라서 정확한 영상 분할은 단순히 눈으로 신체 특정 부위의 모양과 상태를 보거나 조사하는 정도에서 벗어나 원하는 신체 부위를 정확히 찾아내어 최상의 수술 계획을 세우거나 또는 질병의 진행 모습을 추적하는 데에도 유용하게 이용된다. 이러한 이유로 컴퓨터를 이용한 의료영상 처리기술의 개발에 대한 필요성이 제기되며 영상처리 과정의 첫 단계에서 가장 중요시 되는 성능이 우수한 영상분할 기술의 개발에 있다.
참고문헌 (11)
A. Colorni, M.Dorigo, and V. Maniezzo, 'An investigation of some properties of an ant algorithm,' Proeedings of the Parallel Parallel Problem Solving from Nature Conference (PPSn 92), R. Manner and B. Manderick(Eds.), Elsevier Publishing, pp.509-520, 1992
A.Colorni, M.Dorigo, and V. Maniezzo, 'Distributed optimization by ant colonies,' Proceedings of Ecal91-European Conference of Artificial Life, Paris, France, F.Varela and P.Bourgine(Eds.), Elsevier Publishing, pp.134-144, 1991
L.M. Gambardella and M.Dorigo, 'Ant Colony System: A Cooperative Learning approach to the Traveling Salesman Provlem' IEEE Transcctions on Evolutionary Computation, Vol.1, No.1, 1997
M. Dorigo, V.Maniezzo, and A.Colorni, 'The ant system: optimization by a colony of cooperation agents,' IEEE Transctions of Systems, Man, and Cybenetics-Part B, Vol.26, No.2, pp.29-41, 1996
R. C. Gonzalez, R. E. Woods, S. L. Eddins, 'Digital Image Processing using Matlab', Prentice Hall, 2004
A. P. Dempster, N. M. Laird and D. B. Rubin, 'Maximum Likelihood from Incomplete Data via the EM Algorithm', J. Royal Statistical Society Ser. B, Vol.39, pp.1-38, 1977
L. Bosco, 'A genetic algorithm for image segmentation', Image Analysis and Proceedings, Sept., pp.262-266, 2001
H. M. Yao, J. F. Wang, X. Z. Liu, 'A Minimum Entropy Spectrum Extrapolation Technique and Its Application to Radar Super Resolution', Modern Radar, Vol.27, No.3, pp.18-19, 2005
※ AI-Helper는 부적절한 답변을 할 수 있습니다.