본 논문에서는 자기 공명 영상에서 고속의 간 분할 기법을 제안한다. 제안 기법은 MR 영상을 정규화된 기울기 크기 정보를 바탕으로 효율적으로 객체와 경계로 구분한다. 다음으로 간 영역에 해당하는 객체를 직전에 분할된 슬라이스의 간 영역에서 추출된 씨앗점들로 2차원 씨앗점 영역 성장법을 이용하여 검출한다. 마지막으로 롤링 볼 알고리즘과 연결 요소 분석 기법을 사용하여 간 경계 부근의 위양성 오차를 최소화한다. 20명의 환자 데이터에 대하여 제안 기법으로 분할한 결과와 수작업으로 분할한 결과를 비교하여 정확성을 검증하였다. 평균 볼륨 오버랩 오차 5.2%였고, 평균 절대값 볼륨 측정 오차는 1.9%였다. 제안 기법으로 한 환자 데이터를 분할하는 데 소요되는 평균 시간은 약 3초 정도였다. 제안 기법은 빠르고, 정확한 간 분할을 필요로 하는 컴퓨터 보조 간 진단 기법에 사용될 수 있다.
본 논문에서는 자기 공명 영상에서 고속의 간 분할 기법을 제안한다. 제안 기법은 MR 영상을 정규화된 기울기 크기 정보를 바탕으로 효율적으로 객체와 경계로 구분한다. 다음으로 간 영역에 해당하는 객체를 직전에 분할된 슬라이스의 간 영역에서 추출된 씨앗점들로 2차원 씨앗점 영역 성장법을 이용하여 검출한다. 마지막으로 롤링 볼 알고리즘과 연결 요소 분석 기법을 사용하여 간 경계 부근의 위양성 오차를 최소화한다. 20명의 환자 데이터에 대하여 제안 기법으로 분할한 결과와 수작업으로 분할한 결과를 비교하여 정확성을 검증하였다. 평균 볼륨 오버랩 오차 5.2%였고, 평균 절대값 볼륨 측정 오차는 1.9%였다. 제안 기법으로 한 환자 데이터를 분할하는 데 소요되는 평균 시간은 약 3초 정도였다. 제안 기법은 빠르고, 정확한 간 분할을 필요로 하는 컴퓨터 보조 간 진단 기법에 사용될 수 있다.
In this paper, we propose a fast liver segmentation method from magnetic resonance(MR) images. Our method efficiently divides a MR image into a set of discrete objects, and boundaries based on the normalized gradient magnitude information. Then, the objects belonging to the liver are detected by usi...
In this paper, we propose a fast liver segmentation method from magnetic resonance(MR) images. Our method efficiently divides a MR image into a set of discrete objects, and boundaries based on the normalized gradient magnitude information. Then, the objects belonging to the liver are detected by using 2D seeded region growing with seed points, which are extracted from the segmented liver region of the slice immediately above or below the current slice. Finally, rolling ball algorithm, and connected component analysis minimizes false positive error near the liver boundaries. Our method was validated by twenty data sets and the results were compared with the manually segmented result. The average volumetric overlap error was 5.2%, and average absolute volumetric measurement error was 1.9%. The average processing time for segmenting one data set was about three seconds. Our method could be used for computer-aided liver diagnosis, which requires a fast and accurate segmentation of liver.
In this paper, we propose a fast liver segmentation method from magnetic resonance(MR) images. Our method efficiently divides a MR image into a set of discrete objects, and boundaries based on the normalized gradient magnitude information. Then, the objects belonging to the liver are detected by using 2D seeded region growing with seed points, which are extracted from the segmented liver region of the slice immediately above or below the current slice. Finally, rolling ball algorithm, and connected component analysis minimizes false positive error near the liver boundaries. Our method was validated by twenty data sets and the results were compared with the manually segmented result. The average volumetric overlap error was 5.2%, and average absolute volumetric measurement error was 1.9%. The average processing time for segmenting one data set was about three seconds. Our method could be used for computer-aided liver diagnosis, which requires a fast and accurate segmentation of liver.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서 제안한 기법과 MR 영상을 이용한 대표적인 기존 분할 기법[10,11]들과의 비교 및 분석 결과를 표 1에 제시하였다. 먼저 Farraher 등의 기법[10]에서는 혼합 고속 스핀에코 펄스 시퀀스 MR 영상의 촬영이 필요하였고, Gloger 등의 기법[11]에서는 다른 T1, T2 가중치를 갖는 다채널 MR 영상들의 촬영이 필요하였지만, 제안 기법에서는 간 분할을 위한 추가적인 MR 영상의 촬영이 필요가 없다는 장점이 있다.
본 논문에서는 MR 영상에서 자동 간 분할 기법을 제안하였다. 제안 기법은 MR 영상을 정규화된 기울기 크기 영상을 바탕으로 효율적으로 객체와 경계로 구분하였다.
본 논문에서는 MR 영상에서 자동 간 분할 기법을 제안한다. 제안 기법은 MR 영상을 정규화된 기울기 크기 영상을 바탕으로 효율적으로 객체와 경계로 구분한다.
제안 방법
제안 기법은 MR 영상을 정규화된 기울기 크기 영상을 바탕으로 효율적으로 객체와 경계로 구분하였다. 다음으로 간 영역에 속하는 객체를 직전에 분할된 슬라이스의 간 영역에서 추출된 씨앗점들로 2차원 씨앗점 영역 성장법을 이용하여 검출하였다. 마지막으로 롤링 볼 알고리즘과 연결 요소 분석 기법을 사용하여 간 경계 부근의 위양성 오차를 더욱 감소시켰다.
제안 기법은 MR 영상을 정규화된 기울기 크기 영상을 바탕으로 효율적으로 객체와 경계로 구분한다. 다음으로 간 영역에 속하는 객체를 직전에 분할된 슬라이스의 간 영역에서 추출된 씨앗점들로 2차원 씨앗점 영역 성장법을 이용하여 검출한다. 마지막으로 롤링 볼 알고리즘과 연결 요소 분석 기법을 사용하여 간 경계 부근의 위양성 오차를 더욱 감소시킨다.
먼저 MR 영상의 촬영 시 발생하는 노이즈를 제거하여 밝기값 분포를 균일하게 만들기 위하여 평활화 과정을 수행한다. 하지만, 평활화 기법을 적용하면, 간 경계도 동시에 평활화가 되는 문제점이 있다.
본 논문에서 제안한 간 분할 기법은 크게 세 가지 단계로 구성된다. 먼저 변형된 곡률 확산 필터링으로 경계를 보존하면서 MR 영상을 평활화한다. 다음으로 전처리된 영상의 기울기 크기를 계산하고, 정규화한 영상을 임계값 T를 기준으로 객체와 경계로 구분하여 이진 영상을 생성한다.
제안 기법으로 간 분할을 수행하기 위하여 몇 가지 인자 설정이 선행되어야 한다. 변형된 곡률 확산 필터링을 위하여 반복 횟수는 10, 시간 간격은 0.125, 전도 인자 k는 3으로 설정하였다. 정규화된 기울기 크기 영상 생성을 위한 식 (2)의 인자 a가 4, 경계 임계값 T가 0.
본 논문에서 제안한 간 분할 기법은 크게 세 가지 단계로 구성된다. 먼저 변형된 곡률 확산 필터링으로 경계를 보존하면서 MR 영상을 평활화한다.
윗부분에 대한 간 분할은 가장 위 슬라이스로부터 최대 면적을 갖는 슬라이스 직전까지 동일한 방식으로 수행된다. 본 논문에서 제안한 방법은 가장 아래 슬라이스와 가장 위 슬라이스의 분할의 경우 기존 분할 정보가 없기 때문에 씨앗점을 사용자가 입력해 주어야 한다. 또한, 이전 슬라이스와 연결되지 않은 새로운 객체가 나타나는 영역에 대해서는 사용자가 추가적으로 씨앗점을 입력해야 한다.
제안 기법의 분할 정확성을 평가하기 위하여 영상 의학과 전문의가 MR 영상에서 수작업으로 분할한 간 A와 제안 기법으로 분할된 간 B를 비교하였다. 비교 척도로는 볼륨 오버랩 오차(Volumetric Overlap Error: VOE)와 절대값 볼륨 측정 오차(Absolute Volumetric Measurement Error: AVME)를 사용하였다. 볼륨 오버랩 오차는 아래 식 (3)으로 계산할 수 있다.
Gloger 등은 다른 T1, T2 가중치를 갖는 다채널 MR 영상들에 간 영역의 밝기값과 위치의 확률 분포 프레임워크를 생성하여 분할을 수행하였다[11]. 이 기법은 다중 클래스 선형 분류자를 이용하여 인자들의 차원을 감소하였고, 확률 맵을 생성하여 영역 성장법과 임계값 기법으로 분할을 수행하였다. 이 기법도 한 환자 당 간 분할 계산 과정에 평균적으로 11.
Farraher 등은 혼합 고속 스핀에코 펄스 시퀀스(Mixed fast spin-echo pulse sequence) MR 영상을 이용한 간 분할 기법을 제안하였다[10]. 이를 위하여 하나의 단면에 대하여 T1과 T2가 다른 비율로 가중치가 주어지는 4개의 영상인 혼합 고속 스핀 에코 펄스 시퀀스 영상을 생성하였고, 간 영역의 T1, T2, 양성자 밀도에 대한 범위를 지정하여 간 분할을 수행하고, 결과가 만족스럽지 못할 경우 범위를 조정하여 분할하는 과정을 반복하였다. 이 기법은 MR 영상에서 간 분할을 위하여 추가적으로 혼합 고속 스핀에코 펄스 시퀀스 영상을 얻어야 하고, 한 환자 당 간 분할 계산 과정에 6분에서 24분이 소요되고, 평균적으로 13.
본 논문에서는 MR 영상에서 자동 간 분할 기법을 제안하였다. 제안 기법은 MR 영상을 정규화된 기울기 크기 영상을 바탕으로 효율적으로 객체와 경계로 구분하였다. 다음으로 간 영역에 속하는 객체를 직전에 분할된 슬라이스의 간 영역에서 추출된 씨앗점들로 2차원 씨앗점 영역 성장법을 이용하여 검출하였다.
본 논문에서는 MR 영상에서 자동 간 분할 기법을 제안한다. 제안 기법은 MR 영상을 정규화된 기울기 크기 영상을 바탕으로 효율적으로 객체와 경계로 구분한다. 다음으로 간 영역에 속하는 객체를 직전에 분할된 슬라이스의 간 영역에서 추출된 씨앗점들로 2차원 씨앗점 영역 성장법을 이용하여 검출한다.
제안 기법의 분할 정확성을 평가하기 위하여 영상 의학과 전문의가 MR 영상에서 수작업으로 분할한 간 A와 제안 기법으로 분할된 간 B를 비교하였다. 비교 척도로는 볼륨 오버랩 오차(Volumetric Overlap Error: VOE)와 절대값 볼륨 측정 오차(Absolute Volumetric Measurement Error: AVME)를 사용하였다.
Lamecker 등은 43개의 수동 분할된 간 데이터에 대해서 주성분 요소 분석을 통하여 생성된 통계 모델을 이용한 간 분할 기법을 제안하였다[7,8]. 현재 분할되고 있는 간과 통계 모델들 간의 가중 최소 제곱 근사 오차를 최소화하도록 형태 모드의 숫자를 증가시키면서 최적의 모델을 탐색하였다. CT 영상에서 자동 또는 반자동으로 간을 분할하기 위하여 수행되었던 다양한 연구 결과 중에서 Lamecker 등의 연구 결과[7,8]를 발전시킨 통계 모델 기반 기법이 CT 영상에서 자동으로 간을 분할할 때, 수작업과 유사한 정확성을 보여준다는 사실이 보고되었다[9].
대상 데이터
8GHz CPU와 4GB 메모리를 갖는 시스템에서 수행되었다. 제안 기법은 20명의 환자 데이터에 적용되었고, 각 MR 영상은 x축으로 288픽셀, y축으로 288픽셀의 크기를 갖고, 간을 포함하는 슬라이스 숫자는 21장에서 24장까지 분포하고 있었다. 픽셀 크기는 1.
데이터처리
본 논문에서 제안한 기법의 간 분할 결과인 그림 7(e)와 영상 분할에서 일반적으로 많이 사용되는 Malladi의 레벨 셋 기반 분할 기법[18]과 Malladi의 기법에 더블릿 항을 추가한 Casselles의 레벨 셋 기반 분할 기법[19]의 간 분할 결과를 그림 9에 비교하였다. 레벨 셋 전파를 위한 초기 곡선은 간 내부에 반지름 25인 원으로 수작업으로 설정되었다(그림 9의 붉은색 원).
이론/모형
이 영역을 제거하기 위하여 다음의 두 단계 과정을 수행한다. 먼저, 롤링 볼 알고리즘에 의하여 새롭게 추가된 영역을 객체로 구분하기 위하여 고속의 연결 요소 분석 기법[17]을 적용한다. 각 객체들의 평균 밝기값을 계산하여 기존에 분할된 간 영역의 평균 밝기값과 비교하여 각 객체들의 평균 밝기값이 간 영역보다 크게 낮은 영역은 잘못 포함된 영역으로 제거한다.
하지만, 평활화 기법을 적용하면, 간 경계도 동시에 평활화가 되는 문제점이 있다. 본 논문에서는 원 영상을 평활하면서도 경계를 보존하는 변형된 곡률 확산 필터링[12]을 적용한다. 변형된 곡률 확산 필터링은 원 영상 f(x,y,0)을 초기 조건으로 하여 다음의 식 (1)의 시간에 따른 해를 구하여 구현할 수 있다.
성능/효과
20명의 환자 데이터에 대하여 제안 기법의 분할 결과와 수작업 분할 결과와의 정확성을 비교한 평균 VOE는 5.2%였고, 평균 AVME는 1.9%로 임상에서 사용되기에 충분한 정확성을 보여주었다. 또한, 20명의 환자 데이터에 대한 제안 기법의 한 환자의 MR 영상에서 간을 분할하기 위한 평균 수행 시간은 약 3초로 기존 기법들[10,11]과 비교하여 매우 빠른 처리 속도를 보여주었다.
또한, 전체 간을 분할하기 위해서는 매 슬라이스마다 간 내부에 초기 곡선을 사용자가 설정해주어야 하는 문제점도 있었다. 결과적으로 제안 기법은 기존 기법들[18,19]에 비하여 고속으로 정확한 분할이 가능하였다.
마지막으로 롤링 볼 알고리즘과 연결 요소 분석 기법을 사용하여 간 경계 부근의 위양성 오차를 더욱 감소시켰다. 다양한 환자 데이터들에 대한 실험 결과 제안 기법으로 기존 기법들에 비하여 빠르고, 정확하게 간을 분할할 수 있음을 확인하였다. 제안 기법은 빠르고, 정확한 간 분할을 필요로 하는 컴퓨터 보조 간 진단 기법에 사용될 수 있다.
9%로 임상에서 사용되기에 충분한 정확성을 보여주었다. 또한, 20명의 환자 데이터에 대한 제안 기법의 한 환자의 MR 영상에서 간을 분할하기 위한 평균 수행 시간은 약 3초로 기존 기법들[10,11]과 비교하여 매우 빠른 처리 속도를 보여주었다.
3분이라는 오랜 시간이 소요된다는 문제점이 있었다. 또한, 정확한 분할 결과를 얻기 위하여 3번에서 17번까지의 범위 조정과 재분할이 필요하고, 평균적으로 7번의 범위 조정과 재분할이 필요하다는 문제점이 있었다. Gloger 등은 다른 T1, T2 가중치를 갖는 다채널 MR 영상들에 간 영역의 밝기값과 위치의 확률 분포 프레임워크를 생성하여 분할을 수행하였다[11].
다음으로 간 영역에 속하는 객체를 직전에 분할된 슬라이스의 간 영역에서 추출된 씨앗점들로 2차원 씨앗점 영역 성장법을 이용하여 검출하였다. 마지막으로 롤링 볼 알고리즘과 연결 요소 분석 기법을 사용하여 간 경계 부근의 위양성 오차를 더욱 감소시켰다. 다양한 환자 데이터들에 대한 실험 결과 제안 기법으로 기존 기법들에 비하여 빠르고, 정확하게 간을 분할할 수 있음을 확인하였다.
이전에 분할된 슬라이스에서 자동으로 추출된 씨앗점들로 이진 영상에서 간 영역을 검출한다. 마지막으로 롤링볼 알고리즘과 잘못 분할된 영역의 제거를 통하여 최종 간 분할 결과를 얻을 수 있다. 그림 1은 본 논문에서 제안한 기법의 전체적인 과정을 보여준다.
그림 8은 다양한 MR 영상들에 대하여 제안 기법을 이용한 간 분할 결과를 보여주었다. 실험 결과 제안 기법으로 다양한 MR 영상에 대하여 정확한 간 분할이 가능함을 확인하였다.
후속연구
다양한 환자 데이터들에 대한 실험 결과 제안 기법으로 기존 기법들에 비하여 빠르고, 정확하게 간을 분할할 수 있음을 확인하였다. 제안 기법은 빠르고, 정확한 간 분할을 필요로 하는 컴퓨터 보조 간 진단 기법에 사용될 수 있다.
질의응답
핵심어
질문
논문에서 추출한 답변
Farraher 등이 제안한 혼합 고속 스핀에코 펄스 시퀀스 MR 영상을 이용한 간 분할 기법의 문제점은 무엇인가?
이를 위하여 하나의 단면에 대하여 T1과 T2가 다른 비율로 가중치가 주어지는 4개의 영상인 혼합 고속 스핀 에코 펄스 시퀀스 영상을 생성하였고, 간 영역의 T1, T2, 양성자 밀도에 대한 범위를 지정하여 간 분할을 수행하고, 결과가 만족스럽지 못할 경우 범위를 조정하여 분할하는 과정을 반복하였다. 이 기법은 MR 영상에서 간 분할을 위하여 추가적으로 혼합 고속 스핀에코 펄스 시퀀스 영상을 얻어야 하고, 한 환자당 간 분할 계산 과정에 6분에서 24분이 소요되고, 평균적으로 13.3분이라는 오랜 시간이 소요된다는 문제점이 있었다. 또한, 정확한 분할 결과를 얻기 위하여 3번에서 17번까지의 범위 조정과 재분할이 필요하고, 평균적으로 7번의 범위 조정과 재분할이 필요하다는 문제점이 있었다. Gloger 등은 다른 T1, T2가중치를 갖는 다채널 MR 영상들에 간 영역의 밝기값과 위치의 확률 분포 프레임워크를 생성하여 분할을 수행하였다[11].
MR 영상에서 평활화 과정을 수행하는 이유는 무엇인가?
먼저 MR 영상의 촬영 시 발생하는 노이즈를 제거하여 밝기값 분포를 균일하게 만들기 위하여 평활화 과정을 수행한다. 하지만, 평활화 기법을 적용하면, 간 경계도 동시에 평활화가 되는 문제점이 있다.
MR 영상에서 분할된 간 영역이 중요한 이유는 무엇인가?
MR 영상을 컴퓨터 보조 간 진단에 이용하기 위해서는 MR 영상에서 간 분할이 선행되어야 한다. MR 영상에서 분할된 간 영역은 간 체적 측정과 간암 검출을 위한 영역 설정, CT 영상과 MR 영상의 정합 시 해부학적 표식기 등으로 사용될 수 있기 때문에 중요하다.
참고문헌 (19)
Y. Masutani, K. Uozumi, M. Akahane, and K. Ohtomo, "Liver CT Image Processing: a Short Introduction of the Technical Elements," European Journal of Radiology, Vol. 58, No. 2, pp. 246-251, 2006.
K. W. Kim, J. Lee, H. Lee, W. K. Jeong, H. J. Won, Y. M. Shin, D. Jung, J. I. Park, G. Song, T. Ha, D. Moon, K. Kim, C. Ahn, S. Hwang, S. Lee, "Right Lobe Estimated Blood-free Weight for Living Donor Liver Trans plantation: Accuracy of Automated Blood-free CT Volumetry - Preliminary Results 1," Radiology, Vol. 256, No.2, pp. 433-440, 2010.
S. J. Lim, Y. Y. Jeong, and Y. S. Ho, "Automatic Liver Segmentation for Volume Measurement in CT Images," Journal of Visual Communication and Image Representation, Vol. 17, No.4, pp. 860-875, 2006.
A. Schenk, G. Prause, and H. O. Peitgen, "Efficient Semiautomatic Segmentation of 3D Objects in Medical Images," Proceedings of the 3rd International Conference on Medical Image Computing and Computer-Assisted Intervention, pp. 186-195, 2000.
S. Pan and B. M. Dawant, "Automatic 3D Segmentation of the Liver from Abdominal CT Images: a Level-set Approach," Proceedings of SPIE Medical Imaging, Vol. 4322, pp. 128-138, 2001.
J. Gao, A. Kosaka, and A. Kak, "A Deformable Model for Automatic CT Liver Extraction," Academic Radiology, Vol. 12, No.9, pp. 1178-1189, 2005.
H. Lamecker, T. Lange, and M. Seebass, "Automatic Segmentation of the Liver for Preoperative Planning of Resections," Studies in Health Technology and Informatics, Vol. 94, pp. 171-173, 2003.
H. Lamecker, T. Lange, and M. Seebass, "Segmentation of the Liver using a 3D Statistical Shape Model," ZIB-Report, Vol. 4, No. 9, pp. 1-25, 2004.
T. Heimann et al., "Comparison and Evaluation of Methods for Liver Segmentation from CT Datasets," IEEE Transactions on Medical Imaging, Vol. 28, No.8, pp. 1251-1265, 2009.
S. W. Farraher, H. Jara, K. J. Chang, A. Hou, and J. A. Soto, "Liver and Spleen Volumetry with Quantitative MR Imaging and Dual-space Clustering Segmentation," Radiology, Vol. 237, No. 1, pp. 322-328, 2005.
O. Gloger, J. Kuhn , A. Stanski, H. Volzke, and R. Puis, "A Fully Automatic Three-step Liver Segmentation Method on LDA-based Probability Maps for Multiple Contrast MR Images," Magnetic Resonance Imaging, Vol. 28, No.6, pp. 882-897, 2010.
R. T. Whitaker and X. Xue, "Variable-conductance, Level-set Curvature for Image Denoising," IEEE Proceedings of International Conference on Image Processing, Vol. 3, pp. 142-145, 2001.
W. K. Pratt, Digital Image Processing, John Wiley & Sons, Inc., pp. 414-417, 2001.
J. Lee, N. Kim, H. Lee, J. B. Seo, H. J. Won, Y. M. Shin, and Y. G. Shin, "Efficient Liver Segmentation Exploiting Level-set Speed Images with 2.5D Shape Propagation," Proceedings of MICCAI Workshop on 3D Segmentation in the Clinic: a Gand Challenge, pp. 189-196, 2007.
S. G. Armato, M. L. Giger, C. J. Moran, H. MacMahon, and K. Doi, "Automated Detection of Pulmonary Nodules in Helical Computed Tomography Images of the Thorax," Proceedings of SPIE Medical Imaging, Vol. 3338, pp. 916-919, 1998.
V. J. Tuominen, S. Ruotoistenmaki, A. Viitanen, M. Jumppanen, and J. Isola, "ImmunoRatio: a Publicly Available Web Application for Quantitative Image Analysis of Estrogen Receptor (ER), Progesterone Rceptor (PR), and Ki-67," Breast Cancer Research, Vol. 12, No. 4, pp. 1-12, 2010.
F. Chang, C. J. Chen, and C. J. Lu, "A Linear-time Component- labeling Algorithm using Contour Tracing Technique," Computer Vision and Image Understanding, Vol. 93, No. 2, pp.206-220, 2004.
R. Malladi, J. A. Sethian, and B. C. Vemuri, "Shape Modeling with Front Propagation: a Level Set Approach," IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 17, No. 2, pp. 158-175, 1995.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.