결핵은 환자를 미리 발견하여 치료함으로서, 질병의 전파를 차단하여 새로운 감염자가 발생을 최소화하고, 결핵을 조기에 예방 및 진단하는 것이 중요하다. 그러므로 현재 의학에서는 디지털 의료영상을 활용하여 질병진단의 보조 수단으로서 컴퓨터자동진단시스템이 응용되고 있다. 본 연구에서 주성분 분석(PCA)과 질감분석(Texture features)의 알고리즘을 이용하여 결핵의 질병을 자동으로 판별 및 인식하였으며, 그 기준에 따라 디지털 흉부 방사선영상에서 컴퓨터자동진단의 실용화를 위한 선행연구를 하였다. 실험결과는 주성분분석을 이용한 병변 인식률은 전문의의 질병에 대한 판독률보다 낮게 나타났지만, 질감분석의 인식률은 전문의 판독결과보다 높은 병변 인식률을 나타내었다. 그러므로 제안하는 알고리즘을 활용한 컴퓨터자동진단시스템은 임상의사에게 부가적인 보조 수단으로서 예비판독 단계의 정보를 제공하여 질병의 조기진단 및 예방이 가능할 것으로 사료된다.
결핵은 환자를 미리 발견하여 치료함으로서, 질병의 전파를 차단하여 새로운 감염자가 발생을 최소화하고, 결핵을 조기에 예방 및 진단하는 것이 중요하다. 그러므로 현재 의학에서는 디지털 의료영상을 활용하여 질병진단의 보조 수단으로서 컴퓨터자동진단시스템이 응용되고 있다. 본 연구에서 주성분 분석(PCA)과 질감분석(Texture features)의 알고리즘을 이용하여 결핵의 질병을 자동으로 판별 및 인식하였으며, 그 기준에 따라 디지털 흉부 방사선영상에서 컴퓨터자동진단의 실용화를 위한 선행연구를 하였다. 실험결과는 주성분분석을 이용한 병변 인식률은 전문의의 질병에 대한 판독률보다 낮게 나타났지만, 질감분석의 인식률은 전문의 판독결과보다 높은 병변 인식률을 나타내었다. 그러므로 제안하는 알고리즘을 활용한 컴퓨터자동진단시스템은 임상의사에게 부가적인 보조 수단으로서 예비판독 단계의 정보를 제공하여 질병의 조기진단 및 예방이 가능할 것으로 사료된다.
There is no exact standard of detecting pulmonary tuberculosis(TB) in digital image of simple chest radiography. In this study, I experimented on the principal components analysis(PCA) algorithm in the past and suggested six other parameters as identification of TB lesions. The purpose of this study...
There is no exact standard of detecting pulmonary tuberculosis(TB) in digital image of simple chest radiography. In this study, I experimented on the principal components analysis(PCA) algorithm in the past and suggested six other parameters as identification of TB lesions. The purpose of this study was to develop and test computer aided diagnosis(detection) method for the detection and measurement of pulmonary abnormalities on digital chest radiography. It showed comparatively low recognition diagnosis rate using PCA method, however, six kinds of texture features parameters algorithm showed similar or higher diagnosis rates of pulmonary disease than that of the clinical radiologists. Proposed algorithms using computer-aided of texture analysis can distinguish between areas of abnormality in the chest digital images, differentiate lesions having pulmonary disease. The method could be useful tool for classifying and measuring chest lesions, it would play a major role in radiologist's diagnosis of disease so as to help in pre-reading diagnosis and prevention of pulmonary tuberculosis.
There is no exact standard of detecting pulmonary tuberculosis(TB) in digital image of simple chest radiography. In this study, I experimented on the principal components analysis(PCA) algorithm in the past and suggested six other parameters as identification of TB lesions. The purpose of this study was to develop and test computer aided diagnosis(detection) method for the detection and measurement of pulmonary abnormalities on digital chest radiography. It showed comparatively low recognition diagnosis rate using PCA method, however, six kinds of texture features parameters algorithm showed similar or higher diagnosis rates of pulmonary disease than that of the clinical radiologists. Proposed algorithms using computer-aided of texture analysis can distinguish between areas of abnormality in the chest digital images, differentiate lesions having pulmonary disease. The method could be useful tool for classifying and measuring chest lesions, it would play a major role in radiologist's diagnosis of disease so as to help in pre-reading diagnosis and prevention of pulmonary tuberculosis.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
결핵의 병변 판잔 및 인식은 본 연구에서는 영역의 질감(texture)의 내용(features)을 수량화하는 방법으로서 통계적인 방법을 이용하여 영상의 병변인식 결과를 알아보고자 한다. 질감분석으로 자주 사용되는 실험은 밝기 히스토그램에 대한 통계적 속성에 기반하는 분석 방법이다[12].
본 연구에서는 디지털 흉부 방사선영상에서 자동으로 결핵(Tuberculosis)을 검출하고, 향후 컴퓨터자동진단 시스템 구현 및 환자의 조기진단을 위한 프로토타입(prototype)의 선행연구 및 실험을 시행하였다.
에 대하여 E(Xk) = E(Yk)이면 X와 Y의 분포는 같다. 즉 두 분포가 같은지를 모멘트를 구해서 알아보는 것이다. 일반적으로 1차 적률은 E(X)로서 평균, 2차 적률은 E(X2)으로 분산을 나타내며, 3차 적률은 왜도(skewness, 분포가 한쪽으로 치우친 정도), 4차 적률은 첨도(kurtosis, 분포의 모양이 뾰족한 정도)를 나타내는 통계적 척도이다.
제안 방법
주성분분석과 질감분석을 이용한 제안 알고리즘의 분석결과로서 컴퓨터 자동진단시스템의 결핵 병변인식률과 객관적인 비교 대상으로 경력 10년 이상의 영상의학과 전문의 2명에게 판독을 의뢰하였다. 결핵으로 최종 진단한 디지털 흉부 방사선영상을 증례로 실시하여 전문의가 판독을 하는 후향적인 방법을 실시하였다. 주성분분석과 파라미터 알고리즘 분석에 사용되었던 정상 흉부영상 59증례와 결핵영상 41증례를 무작위로 하여 결핵영상이 몇 증례인지 미리 알려주지 않고, 정상 영상과 결핵영상의 판독을 실시하였다.
[그림 1]에서 학습영상을 얻기 위한 결핵의 호발부위 5곳을 표기 하였다. 두 번째, 주성분분석 실험의 동일한 영상을 질감분석으로 결과 값을 얻었다. 세 번째, 객관적인 실험결과의 비교로서 실험의 흉부영상을 경력 10년 이상의 영상의학과 전문의 2명에게 판독을 의뢰하고, 주성분분석 및 질감분석의 실험결과를 비교하였다.
디지털 흉부 방사선영상에서 결핵의 자동인식 및 진단을 위한 연구로서 질병유무 적용을 위한 알고리즘으로 주성분분석, 질감분석을 이용하여 결핵의 병변인식률을 실험하였고, 영상의학과 전문의의 판독률과 비교하였다. 이전 실험에서 주성분분석 실험의 결핵 인식률은 전문의의 판독에 비해 낮은 수치로 나타났다.
두 번째, 주성분분석 실험의 동일한 영상을 질감분석으로 결과 값을 얻었다. 세 번째, 객관적인 실험결과의 비교로서 실험의 흉부영상을 경력 10년 이상의 영상의학과 전문의 2명에게 판독을 의뢰하고, 주성분분석 및 질감분석의 실험결과를 비교하였다.
실험 방법은 획득 영상으로부터 병변 실험을 위해 정상 영역 및 결핵의 관심영역(ROI) 50×50 픽셀로 절단(cut-off)하여 실험을 하였다.
질감분석으로 자주 사용되는 실험은 밝기 히스토그램에 대한 통계적 속성에 기반하는 분석 방법이다[12]. 실험방법은 정상영상 및 결핵영상에 대하여 질감분석의 6가지 파라미터에 대한 수치를 산출하였다. 파라미터는 평균밝기(average gray level), 평균대조도(average contrast), 평탄도(measure of smoothness), 3차 적률(third moment), 균일도(measure of uniformity), 엔트로피(entropy) 알고리즘을 사용하였다[8][13-15].
실험은 크게 세 가지로 구분된다, 첫 번째 주성분분석(PCA)을 사용한 실험은 고유영상을 생성시키기 위한 학습영상을 위해 100증례의 정상 흉부영상 사용하였고, 영상의 인식률을 알아보기 위해 학습영상에 대해서 정상 흉부영상 50증례와 결핵영상 50증례의 유클리디언 거리(Euclidean distance)측정값을 계산하였다. [그림 1]에서 학습영상을 얻기 위한 결핵의 호발부위 5곳을 표기 하였다.
실험을 위해 정상영상 50 개를 학습영상으로 하고 또 다른 정상영상 50 개를 테스트영상으로 한 PCA 분석결과, 결핵영상 50 개를 학습영상으로 하고 결핵영상 50 개를 테스트영상으로 주성분분석 결과를 비교하였다.
주성분분석은 다루기 힘든 고차원의 데이터를 낮은 차원으로 줄이는 통계적 방법으로 주어진 데이터의 특징을 보전하는 선형 변환(linear transform)을 구하여 자료를 분석하는 방법이다. 이를 위해 데이터의 공분산행렬(covarience matrix)을 이용하여 고유벡터와 고유 값을 구한다. 구한 고유벡터를 이용하여 새로운 데이터를 생성하는데 기저(basis)로 사용하고, 고유값은 차원(dimension)을 감소하는 측정값으로 사용한다.
주성분분석과 파라미터 알고리즘 분석에 사용되었던 정상 흉부영상 59증례와 결핵영상 41증례를 무작위로 하여 결핵영상이 몇 증례인지 미리 알려주지 않고, 정상 영상과 결핵영상의 판독을 실시하였다. 주성분분석 및 파라미터 알고리즘의 신속한 병변인식률과 비교하므로 100증례의 디지털 흉부 방사선영상을 5분이라는 시간으로 제한하여 판독을 진행하였다.
결핵으로 최종 진단한 디지털 흉부 방사선영상을 증례로 실시하여 전문의가 판독을 하는 후향적인 방법을 실시하였다. 주성분분석과 파라미터 알고리즘 분석에 사용되었던 정상 흉부영상 59증례와 결핵영상 41증례를 무작위로 하여 결핵영상이 몇 증례인지 미리 알려주지 않고, 정상 영상과 결핵영상의 판독을 실시하였다. 주성분분석 및 파라미터 알고리즘의 신속한 병변인식률과 비교하므로 100증례의 디지털 흉부 방사선영상을 5분이라는 시간으로 제한하여 판독을 진행하였다.
대상 데이터
)를 사용하였다. 실험 대상 영상은 UD150L-40E(Shimadzu)장비를 이용한 디지털 흉부 방사선영상을 사용하였다.
실험 방법은 획득 영상으로부터 병변 실험을 위해 정상 영역 및 결핵의 관심영역(ROI) 50×50 픽셀로 절단(cut-off)하여 실험을 하였다. 실험에 사용되어진 영상은 영상의학과 전문의의 영상 진단과 진단검사의학과의 결핵균검사 결과를 토대로 후향적인 증례(case)를 기반으로 정상 진단의 디지털 흉부 방사선영상 100증례와, 결핵 진단의 디지털 흉부 방사선영상 50증례를 사용하여 질환부위의 영상을 획득하였다. 정상영상 획득은 폐를 구분하는 5개 구획구간인 좌폐상엽 30증례, 좌폐하엽 30증례, 우폐상엽 30증례, 우폐중엽 30증례, 우폐하엽 30증례를 획득 하였다(30증례 = 정상영상 20증례 + 결핵영상 10증례).
실험에 사용되어진 영상은 영상의학과 전문의의 영상 진단과 진단검사의학과의 결핵균검사 결과를 토대로 후향적인 증례(case)를 기반으로 정상 진단의 디지털 흉부 방사선영상 100증례와, 결핵 진단의 디지털 흉부 방사선영상 50증례를 사용하여 질환부위의 영상을 획득하였다. 정상영상 획득은 폐를 구분하는 5개 구획구간인 좌폐상엽 30증례, 좌폐하엽 30증례, 우폐상엽 30증례, 우폐중엽 30증례, 우폐하엽 30증례를 획득 하였다(30증례 = 정상영상 20증례 + 결핵영상 10증례). 환자의 자세는 선 자세에서 후전방향 검사를 원칙으로 하고 누운 자세(prone position) 및 기타 자세의 영상은 실험에서 제외 하였다.
실험방법은 정상영상 및 결핵영상에 대하여 질감분석의 6가지 파라미터에 대한 수치를 산출하였다. 파라미터는 평균밝기(average gray level), 평균대조도(average contrast), 평탄도(measure of smoothness), 3차 적률(third moment), 균일도(measure of uniformity), 엔트로피(entropy) 알고리즘을 사용하였다[8][13-15].
성능/효과
그리고 주성분분석 실험 결과에서 결핵의 인식 영역을 정상 영역과 비교하기 위하여 관심영역(ROI)을 50*50 픽셀로 실험을 하였으며, 이는 관심영역 50*50 픽셀은 병변 자동 인식에서 갈비뼈(rib) 정보를 거의 포함 시키지 않았지만, 100*100 픽셀의 경우 순수 폐 영역과 질환영역 뿐만 아니라 갈비뼈 정보를 많이 포함하게 되어 정확한 실험결과를 가져오지 못한 것으로 사료된다. 50*50 픽셀은 결핵인식률이 54%로 낮은 인식률을 나타내었지만, 100*100 픽셀에서는 병변에 대한 인식이 불가능한 결과를 나타내었다. 그리고 본 연구의 결과를 바탕으로 디지털 흉부 방사선영상의 컴퓨터자동진단시스템 응용 프로그램을 구현한다면, 일반적인 임상 증례 결핵의 자동 검출 및 진단을 예비판독(pre-reading)으로서 1차 질병 진단 자료로서 적용 가능하며, 최종 판독에서 정확성 및 진단 시간 단축에 유용할 것으로 기대한다.
이전 실험에서 주성분분석 실험의 결핵 인식률은 전문의의 판독에 비해 낮은 수치로 나타났다. 그러나 논문에서 제시하는 질감분석의 실험은 6가지 파라미터에서 영상의학과 전문의 결핵 판독률보다 높은 수치를 나타내었다. 그리고 주성분분석 실험 결과에서 결핵의 인식 영역을 정상 영역과 비교하기 위하여 관심영역(ROI)을 50*50 픽셀로 실험을 하였으며, 이는 관심영역 50*50 픽셀은 병변 자동 인식에서 갈비뼈(rib) 정보를 거의 포함 시키지 않았지만, 100*100 픽셀의 경우 순수 폐 영역과 질환영역 뿐만 아니라 갈비뼈 정보를 많이 포함하게 되어 정확한 실험결과를 가져오지 못한 것으로 사료된다.
두 번째 영상의학과 전문의는 정상영상을 정상영상으로 판독한 경우 59증례 중에 58증례를 정상영상으로 판독하였고, 결핵영상을 결핵영상으로 판독한 경우 41증례 중에서는 37증례만 정확하게 판독하였다. 그러므로 정상영상의 판독률은 98%이고, 결핵영상의 판독률은 90.2%를 나타내었다. 실험결과로서 주성분분석의 병변인식률과 6가지의 파라미터 알고리즘의 병변인식률, 영상의학과 전문의의 판독률을 비교하여 나타내었다[표 1].
그러나 논문에서 제시하는 질감분석의 실험은 6가지 파라미터에서 영상의학과 전문의 결핵 판독률보다 높은 수치를 나타내었다. 그리고 주성분분석 실험 결과에서 결핵의 인식 영역을 정상 영역과 비교하기 위하여 관심영역(ROI)을 50*50 픽셀로 실험을 하였으며, 이는 관심영역 50*50 픽셀은 병변 자동 인식에서 갈비뼈(rib) 정보를 거의 포함 시키지 않았지만, 100*100 픽셀의 경우 순수 폐 영역과 질환영역 뿐만 아니라 갈비뼈 정보를 많이 포함하게 되어 정확한 실험결과를 가져오지 못한 것으로 사료된다. 50*50 픽셀은 결핵인식률이 54%로 낮은 인식률을 나타내었지만, 100*100 픽셀에서는 병변에 대한 인식이 불가능한 결과를 나타내었다.
두 번째 영상의학과 전문의는 정상영상을 정상영상으로 판독한 경우 59증례 중에 58증례를 정상영상으로 판독하였고, 결핵영상을 결핵영상으로 판독한 경우 41증례 중에서는 37증례만 정확하게 판독하였다. 그러므로 정상영상의 판독률은 98%이고, 결핵영상의 판독률은 90.
정상인의 범위인 5733에서 7594이다. 이것을 벗어나는 결핵의 유클리디언 거리는 전체 50개의 중에서 27개로 나타났으며, 결핵 병변인식률이 54%로 나타났다[그림 3].
결핵영상의 결과 값이 정상영상의 범위를 벗어나면 질환의 구별이 가능하다. 정상 흉부영상 50 개와 결핵영상 50 개의 평균밝기 분석 결과로 결핵인식률이 100 %로 나타났다.
결핵영상의 결과 값이 정상영상의 범위를 벗어나면 질환의 구별이 가능하다. 정상 흉부영상 50개와 결핵영상 50개의 평균대조도 결과로 결핵인식률이 68%로 나타났다.
결핵영상의 결과 값이 정상영상의 범위를 벗어나면 질환의 구별이 가능하다. 정상 흉부영상 50증례와 결핵영상 50증례의 3차 적률 결과로 결핵인식률이 78%로 나타났다.
결핵영상의 결과 값이 정상영상의 범위를 벗어나면 질환의 구별이 가능하다. 정상 흉부영상 50증례와 결핵영상 50증례의 균일도 결과로 결핵인식률이 100%로 나타났다.
결핵영상의 결과 값이 정상영상의 범위를 벗어나면 질환의 구별이 가능하다. 정상 흉부영상 50증례와 결핵영상 50증례의 엔트로피 결과로 결핵인식률이 96%로 나타났다.
결핵영상의 결과 값이 정상영상의 범위를 벗어나면 질환의 구별이 가능하다. 정상 흉부영상 50증례와 결핵영상 50증례의 평탄도 분석 결과는 결핵인식률이 68%로 나타났다.
정상영상과 결핵영상의 3차 적률 결과에서 정상영상의 결과값은 최대 -0.3519, 최소 -2.5194으로 나타났으며, 결핵영상의 3차 적률값의 분포는 최대 -0.0058, 최소 -0.5353으로 나타났다[그림 7]. 결핵영상의 결과 값이 정상영상의 범위를 벗어나면 질환의 구별이 가능하다.
정상영상과 결핵영상의 균일도 결과에서 정상영상의 균일도 값은 최대 0.2034, 최소 0.0416으로 나타났으며, 결핵영상의 균일도 값은 최대 0.0404, 최소 0.0127으로 나타났다[그림 8]. 결핵영상의 결과 값이 정상영상의 범위를 벗어나면 질환의 구별이 가능하다.
정상영상과 결핵영상의 엔트로피 결과에서 정상영상의 엔트로피 수치는 최대 4.8786, 최소 2.4858으로 나타났으며, 결핵영상의 엔트로피 수치는 최대 6.3988, 최소 4.8013으로 나타났다[그림 9]. 결핵영상의 결과 값이 정상영상의 범위를 벗어나면 질환의 구별이 가능하다.
정상영상과 결핵영상의 평균대조도 결과에서 정상영상의 평균대조도 값의 분포는 최대 73.616, 최소 65.3587으로 나타났으며, 결핵영상의 평균대조도 값은 최대 74.8575, 최소 73.1231으로 나타났다[그림 5]. 결핵영상의 결과 값이 정상영상의 범위를 벗어나면 질환의 구별이 가능하다.
정상영상과 결핵영상의 평균밝기 정보의 결과에서 정상영상의 평균밝기 값의 분포는 최대 154.355, 최소 133.372으로 나타났으며, 결핵영상의 평균밝기 값은 최대 133.1732, 최소 129.5848으로 나타났다[그림 4]. 결핵영상의 결과 값이 정상영상의 범위를 벗어나면 질환의 구별이 가능하다.
정상영상과 결핵영상의 평탄도 결과에서 정상영상의 평탄도 값의 분포는 최대 0.0769, 최소 0.0616으로 나타났으며, 결핵영상의 평탄도 값은 최대 0.0793, 최소 0.076으로 나타났다[그림 6]. 결핵영상의 결과 값이 정상영상의 범위를 벗어나면 질환의 구별이 가능하다.
주성분분석과 질감분석을 이용한 제안 알고리즘의 분석결과로서 컴퓨터 자동진단시스템의 결핵 병변인식률과 객관적인 비교 대상으로 경력 10년 이상의 영상의학과 전문의 2명에게 판독을 의뢰하였다. 결핵으로 최종 진단한 디지털 흉부 방사선영상을 증례로 실시하여 전문의가 판독을 하는 후향적인 방법을 실시하였다.
첫 번째 영상의학과 전문의는 정상영상을 정상영상으로 판독한 경우 59증례 중에 59증례 모두를 정확하게 판독하였고, 결핵영상을 결핵영상으로 판독한 경우 41증례 중에서 37증례만 정확하게 판독하였다. 그러므로 정상영상의 판독률은 100%이지만, 결핵영상의 판독률은 90.
후속연구
컴퓨터단층촬영보다 많이 사용되는 디지털 흉부 방사선영상에서 임상의사의 경험부족의 착오, 일반영상(Simple Radiography)의 진단 한계 등의 요인에 의해 질병 판독이 어려운 경우가 있다. 그러므로 본 연구에서는 컴퓨터자동진단시스템의 기초연구를 위한 주성분 분석과 질감분석(Text features)알고리즘을 제안하며, 향후에 폐결핵 자동진단시스템의 프로그램 개발로서 프로토타입을 제시한다. 또한 제안하는 시스템을 활용하여 정확하게 폐 질병을 판독 및 조기 진단하는 장치로서 컴퓨터를 활용하여 의사가 판독하기 전에 예비 판단을 가능하리라 사료된다.
50*50 픽셀은 결핵인식률이 54%로 낮은 인식률을 나타내었지만, 100*100 픽셀에서는 병변에 대한 인식이 불가능한 결과를 나타내었다. 그리고 본 연구의 결과를 바탕으로 디지털 흉부 방사선영상의 컴퓨터자동진단시스템 응용 프로그램을 구현한다면, 일반적인 임상 증례 결핵의 자동 검출 및 진단을 예비판독(pre-reading)으로서 1차 질병 진단 자료로서 적용 가능하며, 최종 판독에서 정확성 및 진단 시간 단축에 유용할 것으로 기대한다.
향후 연구는 실험 영상의 임상 증례를 증가하여 결핵 검출 판독율의 신뢰성을 일반화 할 것이며, 그리고 본 연구에서 디지털 흉부 방사선영상에서 결핵의 단일 질환(lesion)을 실험 및 연구하였으나, 다른 여러 질환이 포함된 흉부영상을 판별 및 인식하는 연구도 같이 병행되어야 할 것이다. 또한 복합 질병 및 특이 질환에 대한 구체적인 연구가 필요할 것으로 사료된다.
그러므로 본 연구에서는 컴퓨터자동진단시스템의 기초연구를 위한 주성분 분석과 질감분석(Text features)알고리즘을 제안하며, 향후에 폐결핵 자동진단시스템의 프로그램 개발로서 프로토타입을 제시한다. 또한 제안하는 시스템을 활용하여 정확하게 폐 질병을 판독 및 조기 진단하는 장치로서 컴퓨터를 활용하여 의사가 판독하기 전에 예비 판단을 가능하리라 사료된다.
향후 연구는 실험 영상의 임상 증례를 증가하여 결핵 검출 판독율의 신뢰성을 일반화 할 것이며, 그리고 본 연구에서 디지털 흉부 방사선영상에서 결핵의 단일 질환(lesion)을 실험 및 연구하였으나, 다른 여러 질환이 포함된 흉부영상을 판별 및 인식하는 연구도 같이 병행되어야 할 것이다. 또한 복합 질병 및 특이 질환에 대한 구체적인 연구가 필요할 것으로 사료된다.
질의응답
핵심어
질문
논문에서 추출한 답변
객체를 인식하기 위한 방법으로 내용기반 검색방법의 장점은 무엇인가?
그리고 객체를 인식하기 위한 방법으로 내용기반 검색방법(Contents-based retrieval)이 있다. 영상이 가지는 색상, 질감(texture), 모양 등의 특징들을 이용하여 검색하는 방법으로써 개념과 의미를 충분히 포함하지 못한다는 단점은 있지만, 특징 추출 및 색인 과정이 자동으로 이루어진다는 장점이 있다.
의료 영역에서 컴퓨터자동진단시스템은 무엇인가?
의료 영역에서 컴퓨터자동진단시스템은 컴퓨터를 사용하여 진단에 도움을 주는 방법으로 정의되며, 디지털 방사선영상, 전산화단층촬영영상, 자기공명영상(Magnetic Resonance Imaging; MRI)검사 등과 같은 의료장비들을 통해 얻어지는 디지털 영상들을 컴퓨터가 분석하고, 그 분석된 결과를 토대로 특정 조건을 만족하는 이상부위를 표시함으로써 임상의사의 업무를 줄이고, 정상영상과 차별적 요소를 가진 영상에 대해 정량적 분석결과를 제공하여 전문의가 최종 진단을 내리는데 도움을 주는 시스템으로 정의한다[5].
디지털 흉부 방사선영상의 장점은 무엇인가?
폐결핵(Pulmonary Tuberculosis)은 정확한 진단을 위해서는 고해상도 일반영상이나 여러 가지 기법을 통해 다양한 영상을 얻을 수 있는 전산화단층촬영(Computed Tomography; CT)영상이 일반적으로 이용된다. 그리고 디지털 흉부 방사선영상(Digital Chest Radiography)은 짧은 검사시간, 간단한 검사과정, 피폭선량을 최소화하는 장점이 있고, CT와 함께 폐결핵을 진단하기 위하여 가장 많이 사용되고 있는 실정이다. 그러나 가슴영상(Chest image)은 임상의사의 실수로 오진율이 발생하는 경우도 있다.
참고문헌 (15)
A. M. R. Schilhum, B. van Ginneken, and M. loog, "A computer-aided diagnosis system for detection of lung nodules in chest radiographs with an evaluation on a public database," Medical Image Analysis Vol.10, Issue2, pp.247-258, 2006.
B. van Ginneken, B. M. ter Haar Romeny, and M. A. Viergever, "Computer-Aided Diagnosis in Chest Radiography : A survey," IEEE Transactions on Medical Imaging, Vol.20, No.12, pp.1228-1237, 2001.
Y. B. Lee, T. Hara, H. Fujita, S. Itoh, and T. Ishigaki, "Automated Detection of Pulmonary Nodules in Helical CT Images Based on an Improved Template- Matching Technique," IEEE Transactions on medical imaging, Vol.20, No.7, pp.595-604, 2001.
Y. Arzhaeva, D. Tax, B. van Ginneken, "Improving computer-aided diagnosis of interstitial disease in chest radiographs by combing one-class and two-class classifiers," Medical imaging, Proceedings of the SPIE6144, pp.1684-1691, 2006.
의료영상정보연구회, 의료영상정보학, 청구문화사, 2008.
강진숙, "주성분분석 기법과 Snake를 이용한 개선된 영상 특징 추출", 부산대학교 전자계산학과 박사학위논문, 2003.
이승철, "동적 링크 구조상에서의 얼굴 인식 기술에 관한 연구", 연세대학교 대학원 석사학위논문, 1999.
조재수, 강현수, 김흥수, 김성득, 멀티미디어 신호처리 이론 및 실습 2nd edition, 성진미디어, 2011.
J. Daugman, "Face and gesture recognition," IEEE Transactions. Pattern Analysis and Machine Intelligence, Vol.19, No.7, pp.675-676, 1997.
정병수, "PCA와 K-Nearest Neighbor 방법을 이용한 모델 기반형 물체인식", 전남대학교 대학원 석사학위논문, 2006.
박형후, "PCA를 이용한 단순 흉부영상에서 폐암 인식에 관한 연구", 부산가톨릭대학교 생명과학대학원 방사선학과 석사학위논문, 2008.
I. Christoyianni, A. Koutras, E. Dermatas, and G. Kokkinakis, "Computer aided diagnosis of breast cancer in digital in digitized mammograms," Computerized Medical Imaging and Graphics Vol.26, pp.311-314, 2006.
유현중, 김태우, Matlab을 이용한 디지털 영상처리, ITC, pp.465-520, 2004.
R. C. Gonzalez, R. E. Woods, Digital Image Processing 2nd Edition, Pearson Education, 2002.
R. M. Haralick, K. Shanmugam, Its'hak Dinstein, "Textural Feature for Image Classification," IEEE Transaction on system, Man, and Cybernetics, Vol.SMC-3, No.6, pp.610-621, 1973.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.