본 논문은 자기공명 뇌영상을 대상으로 뇌종양 영역을 자동으로 분할하기 위한 방법을 제안한다. 정상적인 뇌영상은 좌우로 대칭인 특징을 지니는 반면에 종양이 존재하는 뇌영상은 종양세포와 부종 및 괴사로 인해 비대칭적인 특징을 가진다. 본 논문에서는 이러한 대칭성을 뇌영상내에 종양영역의 존재 유무를 판별할 수 있는 기준으로 이용한다. 대칭성 분석을 위해서 뇌영역의 윤곽선 정보를 이용해 중심축을 생성하였으며 이는 사전정보를 이용하지 않고 영상의 자체 정보만을 해석해서 중심축을 추출할 수 있다는 점에서 기존의 영상 정합을 통해 해부학적 위치 정보를 추출하고 이를 이용하여 중심축을 찾는 방법과 구별된다. 자기공명 영상에서 정상뇌의 조직은 크게 3가지 클러스터로 분할되며 각 클러스터가 포함하는 영역은 백질과 회백질영역을 포함하는 뇌 실질영역, 뇌척수액(csf)영역, 두개골, 지방 및 뇌막 영역 등으로 나뉜다. 종양이 포함된 영상은 종양과 부종 및 괴사 영역이 추가적으로 존재하며 이는 클러스터링을 이용한 분할을 통해서 구분될 수 있다. 분할된 종양 영역의 중심점은 다음 슬라이스의 종양 영역의 경계를 검출하기 위한 레벨셋 알고리즘에 적용되어 전체 볼륨의 종양 영역의 경계선을 추출하기 위한 초기 시드로 이용된다. 본 논문에서는 3차원 볼륨의 영상(슬라이스)중에서 종양 영역이 존재하는 슬라이스의 종양 영역을 분할하여 이후의 슬라이스에서는 분할작업을 수행하지 않고 영역의 경계선만 추출한다. 자카드 지수와 처리 시간의 비교 분석을 통해 기존의 방법과 비슷한 성능과 빠른 속도로 종양 영역을 분할할 수 있다는 것을 보인다.
본 논문은 자기공명 뇌영상을 대상으로 뇌종양 영역을 자동으로 분할하기 위한 방법을 제안한다. 정상적인 뇌영상은 좌우로 대칭인 특징을 지니는 반면에 종양이 존재하는 뇌영상은 종양세포와 부종 및 괴사로 인해 비대칭적인 특징을 가진다. 본 논문에서는 이러한 대칭성을 뇌영상내에 종양영역의 존재 유무를 판별할 수 있는 기준으로 이용한다. 대칭성 분석을 위해서 뇌영역의 윤곽선 정보를 이용해 중심축을 생성하였으며 이는 사전정보를 이용하지 않고 영상의 자체 정보만을 해석해서 중심축을 추출할 수 있다는 점에서 기존의 영상 정합을 통해 해부학적 위치 정보를 추출하고 이를 이용하여 중심축을 찾는 방법과 구별된다. 자기공명 영상에서 정상뇌의 조직은 크게 3가지 클러스터로 분할되며 각 클러스터가 포함하는 영역은 백질과 회백질영역을 포함하는 뇌 실질영역, 뇌척수액(csf)영역, 두개골, 지방 및 뇌막 영역 등으로 나뉜다. 종양이 포함된 영상은 종양과 부종 및 괴사 영역이 추가적으로 존재하며 이는 클러스터링을 이용한 분할을 통해서 구분될 수 있다. 분할된 종양 영역의 중심점은 다음 슬라이스의 종양 영역의 경계를 검출하기 위한 레벨셋 알고리즘에 적용되어 전체 볼륨의 종양 영역의 경계선을 추출하기 위한 초기 시드로 이용된다. 본 논문에서는 3차원 볼륨의 영상(슬라이스)중에서 종양 영역이 존재하는 슬라이스의 종양 영역을 분할하여 이후의 슬라이스에서는 분할작업을 수행하지 않고 영역의 경계선만 추출한다. 자카드 지수와 처리 시간의 비교 분석을 통해 기존의 방법과 비슷한 성능과 빠른 속도로 종양 영역을 분할할 수 있다는 것을 보인다.
In this paper, we proposed the method to detect brain tumor region in MR images. Our method is composed of 3 parts, detection of tumor slice, detection of tumor region and tumor boundary detection. In the tumor slice detection step, a slice which contains tumor regions is distinguished using symmetr...
In this paper, we proposed the method to detect brain tumor region in MR images. Our method is composed of 3 parts, detection of tumor slice, detection of tumor region and tumor boundary detection. In the tumor slice detection step, a slice which contains tumor regions is distinguished using symmetric analysis in 3D brain volume. The tumor region detection step is the process to segment the tumor region in the slice distinguished as a tumor slice. And tumor region is finally detected, using spatial feature and symmetric analysis based on the cluster information. The process for detecting tumor slice and tumor region have advantages which are robust for noise and requires less computational time, using the knowledge of the brain tumor and cluster-based on symmetric analysis. And we use the level set method with fast marching algorithm to detect the tumor boundary. It is performed to find the tumor boundary for all other slices using the initial seeds derived from the previous or later slice until the tumor region is vanished. It requires less computational time because every procedure is not performed for all slices.
In this paper, we proposed the method to detect brain tumor region in MR images. Our method is composed of 3 parts, detection of tumor slice, detection of tumor region and tumor boundary detection. In the tumor slice detection step, a slice which contains tumor regions is distinguished using symmetric analysis in 3D brain volume. The tumor region detection step is the process to segment the tumor region in the slice distinguished as a tumor slice. And tumor region is finally detected, using spatial feature and symmetric analysis based on the cluster information. The process for detecting tumor slice and tumor region have advantages which are robust for noise and requires less computational time, using the knowledge of the brain tumor and cluster-based on symmetric analysis. And we use the level set method with fast marching algorithm to detect the tumor boundary. It is performed to find the tumor boundary for all other slices using the initial seeds derived from the previous or later slice until the tumor region is vanished. It requires less computational time because every procedure is not performed for all slices.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 3차원 자기공명영상에서 군집화 알고리즘을 이용한 뇌종양의 비대칭적인 특성 분석과 레벨셋 방법을 통해 종양영역의 경계를 분할하는 방법을 제안한다.
그 중에서 자기공명영상(MRI)은 컴퓨터 단층 영상(CT) 와 더불어 뇌에서 발생하는 병변을 판단하기 위한 수단으로 이용된다. 본 논문에서는 다양한 뇌의 병변 중에서, 뇌종양을 검출하는 새로운 알고리즘을 제시하고자 한다. 뇌종양이란 뇌에서 발생하는 비정상적인 세포를 의미하며 두개골 내에서 발생하는 모든 종양을 일컫는다.
본 논문은 자기공명 뇌영상을 대상으로 군집화 알고리즘의 특성을 이용해 뇌의 대칭성을 분석하고, 종양 영역의 자동 경계선 검출 및 분할하는 방법을 제안하였다. 불필요한 연산 과정을 제외한 종양 경계선 검출과정을 통하여 3차원 볼륨 내에 존재하는 종양의 경계선 검출은 평균 1분 이하의 시간이 소요될 수 있었다.
본 절에서는 분할된 종양 영역의 경계선을 검출하는 방법을 설명한다. 그림 6은 종양 영역의 경계선 검출을 하기위한 시스템 구성도를 나타낸다.
본 절에서는 앞 단계에서 탐색한 종양을 포함하는 뇌 영상을 대상으로 종양 영역을 분할하는 방법에 대해서 설명한다. 종양 영역을 분할하기 위한 제안 알고리즘의 처리 과정은 그림 4와 같다.
먼저, 첫 번째 단계는 슬라이스에 종양이 존재하는지 판단하기 위한 과정이다. 좌뇌와 우뇌의 화소 데이터를 기반으로 대칭성을 분석하여 슬라이스 내에 종양영역이 존재하는지 판단하게 된다. 만약, 종양이 존재하지 않는다면 주변 슬라이스로 이동하여 다시 종양의 존재여부를 판단한다.
제안 방법
종양 영역은 뇌 영상에서 가장 밝은 값으로 나타나며, 백질과 회백질로 구성된 실질 영역은 중간 정도의 밝은 값으로 나타난다. 그러므로 본 논문에서는 가장 밝은 군집에 해당하는 화소들을 대상으로 연결성분 (connected component) 알고리즘을 이용하여 영역별 분할을 수행하여 1차 후보 종양 영역을 분할한다. 더불어 뇌실질 영역에 대해서도 동일한 처리과정을 수행한다.
종양 영역은 뇌실질 영역 내에 포함되는 특성을 가지기 때문에 중간 밝기값을 가지는 영역과 1차 후보 종양 영역들에 대한 위치적 상관관계를 고려하여 2차 후보 종양 영역을 분할한다. 마지막으로, 종양 슬라이스 탐색 단계에서 획득한 중심축을 기반으로 대칭축을 계산하고, 후보 종양 영역의 대칭성을 분석함으로써 최종적인 종양 영역의 시드를 검출한다. 그림 5의 (a)는 중간 평균 밝기값을 가지는 군집에 대해서 분할한 결과를 보여준다.
유클리디언 디스턴스를 이용해 좌뇌와 우뇌의 반구별 군집 평균 벡터들간의 거리가 일정 기준의 값을 초과할 경우에는 종양을 포함하는 뇌 영상으로 판단하여 종양 영역을 분할하기 위한 단계로 진행된다. 만약 그렇지 않을 경우에는 정상적인 뇌 영상으로 판단하고, 주변 슬라이스를 대상으로 종양의 존재 유무를 판단하기 위한 대칭성 분석과정을 재수행한다. 만약에 모든 뇌 영상이 좌우 대칭성을 가진다면 정상적인 환자의 뇌 영상으로 판단하고 전체 과정을 종료한다'
da伊e)으로 알려져 있다. 반면 종양 등의 병변이 뇌에 존재할 경우 괴사나 부종 등에 의해 다른 조직이 압박되며 이에 따라 뇌가 대칭성을 가지지 않게 되고 그 축을 직선이나 특정한 면으로 정의하기 어려운 것이 현실이대 15L 본 논문에서는 영상의 화소 정보를 이용해 뇌 영상의 중심축을 2차원 곡선의 형태로 추출한다이 떄 중심축을 계산하기 위한 특징정보로 영상의 윤곽선을 이용한다 윤곽선을 검출하여 영상 내에서 화소의 변화가 심한 부분을 나타낼 수 있으며, 이를 뇌 영상에 적용하여 중심점을 계산한다. 윤곽선을 이용하여 영상의 행별로 중심점을 계산하며, 이는 식 (1)과 같다.
본 논문에서 제안한 시스템은 인텔사의 Core2Duo 3.0GHz와 윈도우 XP 시스템 상에서 Visual Studio 20( 버전을 이용하여 구현하였다. 실험에 사용된 볼륨은 하버드 의과대학 SPL에서 제공한 종양 영상 데이터베이스[17] 중에서 총 5가지 사례의 축면영상들을 대상으로 하였으며, 수막종 볼륨 2개, 성상세포종 볼륨 2개, 그리고 정상 뇌의 볼륨 1개로 구성된다.
그 중에서 대표 적인 아틀라스에는 Talirach의 아틀라스와 국제 컨소시움 (ICBM : International Consortium for Brain Mapping)에서 제공하는 ICBM452 아틀라스 등이 있다. 의료영상에서 뇌종양을 분할할 때 영상의 화소 밝기값 정보나 텍스처 등의 특징들, 뇌 조직 또는 영역의 공간적 확률과 화소 평균값 정보를 이용하며. 정합을 위한 사전정보로써 뇌 조직에 대한 표준 데이터인 아틀라스를 많이 활용한다.
이때, 군집은 3개로 분류하고 반구별로 같은 순서의 군집들에 대한 평균 거리값을 비교함으로써 대칭도를 측정한다. 종양을 포함하는 반구는 정상적인 반구와 비교하였을 때 회백질과 백질 영역이 상대적으로 감소하고 종양 영역이 존재하기 때문에 군집화를 수행하였을 경우에는 군집들의 평균값이 달라진다.
전 단계에서 좌뇌와 우뇌로 나누어진 각 반구 영상에 대해서 군집화 알고리즘과 유클리디언 디스턴스를 이용하여 대칭도를 측정하며 비대칭일 경우 종양이 존재하는 슬라이스로 분류하여 다음 단계에서 종양 영역의 검출을 수행한다. 이때, 군집은 3개로 분류하고 반구별로 같은 순서의 군집들에 대한 평균 거리값을 비교함으로써 대칭도를 측정한다.
제안하는 방법은 뇌종양 영역분할을 위해 크게 3단계로 구성된다. 먼저, 첫 번째 단계는 슬라이스에 종양이 존재하는지 판단하기 위한 과정이다.
첫 번째 단계에서 종양이 존재하는 슬라이스가 탐색되면, 해당 슬라이스를 대상으로 두 번째 단계로 이동하여 종양 영역을 분할한다. 종양 영역이 분할되면 그 영역의 시드 정보를 이용해 주변 슬라이스에 적용하여, 종양 슬라이스의 탐색 및 종양 영역의 분할 단계를 수행하지 않고 시드 정보를 이용하여 주변 슬라이스를 대상으로 종양 영역의 경계선을 검출한다. 이러한 과정은 전체 슬라이스에 대해서 더 이상 종양이 발견되지 않을 때까지 반복 수행됨으로서 전체 볼륨의 종양 영역을 분할한다
표 2는 종양 영역을 검출하기 위해 이용된 다양한 기존방법들과의 자카드 스코어 성능지수를 비교 평가하였다.
대상 데이터
실험에 사용된 볼륨은 하버드 의과대학 SPL에서 제공한 종양 영상 데이터베이스[17] 중에서 총 5가지 사례의 축면영상들을 대상으로 하였으며, 수막종 볼륨 2개, 성상세포종 볼륨 2개, 그리고 정상 뇌의 볼륨 1개로 구성된다. 그리고 조영제가 투입된 T1 강조 자기공명영상을 이용하였으며, 슬라이스의 두께는 1.5mm이고, 화소의 크기는 0.75mmx0.9375mm이다. 본 논문에서는 정량적인 평가를 수행하기 위해 그림 8과 같이 전문가가 직접 분할한 영상을 이용하였다.
9375mm이다. 본 논문에서는 정량적인 평가를 수행하기 위해 그림 8과 같이 전문가가 직접 분할한 영상을 이용하였다.
0GHz와 윈도우 XP 시스템 상에서 Visual Studio 20( 버전을 이용하여 구현하였다. 실험에 사용된 볼륨은 하버드 의과대학 SPL에서 제공한 종양 영상 데이터베이스[17] 중에서 총 5가지 사례의 축면영상들을 대상으로 하였으며, 수막종 볼륨 2개, 성상세포종 볼륨 2개, 그리고 정상 뇌의 볼륨 1개로 구성된다. 그리고 조영제가 투입된 T1 강조 자기공명영상을 이용하였으며, 슬라이스의 두께는 1.
데이터처리
개괄적인 영역을 결정한다. 이렇게 검출된 개괄적인 영역을 기반으로 레벨셋 방법을 적용하여 전체 슬라이스에 대한 경계선 검출을 수행한다.
표 1은 5가지의 사례들을 대상으로 제안한 방법과 H. Khotanlou 등[13]의 방법간의 Tp 와 Fp 지수를 이용하여 성능을 비교 평가하였다.
이론/모형
q는 2/번째 행의 중심점이며, 중심점의 집합는 c= {G, …, 6}로 정의된다. 중심축은 계산된 중심점들을 대상으로 계산되며, 이를 위해 최소자승법을 이용한다. 식 (2)는 n개의 점이 주어졌을 때 최소자승법을 이용하여 오차를 최소화하는 함수를 구하기 위한 식을 나타낸다.
성능/효과
불필요한 연산 과정을 제외한 종양 경계선 검출과정을 통하여 3차원 볼륨 내에 존재하는 종양의 경계선 검출은 평균 1분 이하의 시간이 소요될 수 있었다. 또한, 실험에서 약 95%의 지수, 약 7%의 FP 지수, 그리고 약 85%의 자카드 스코어 등 우수한 성능 결과를 나타내어 종양 영역의 검출에 따른 적절한 초기 경계선의 결정에 의해 정밀한 경계선 검출이 가능한 것을 검증하였다.
7% 정도의 성능을 보였으며, 기존의 연구와 비교할 때 동등 이상의 결과를 보였다. 제안한 방법은 종양 영역의 경계선 검출을 위한 초기값의 정확한 결정에 의해서 더 나은 성능을 보였으며, 패스트 마칭과 레벨셋 알고리즘을 이용함으로써 보다 정밀한 경계선 검출이 가능하였다.
제안한 방법은 총 5개의 실험 사례에 대한 평균처리시간으로, 약 1분 미만의 소요시간을 보였으며, 기존의 방법들과 비교하였을 때 우수한 성능을 보였다. 이는 종양이 존재하는 슬라이스의 빠른 탐색, 종양 영역의 초기값 자동 설정, 그리고 볼륨 내 주변 슬라이스에 대한 빠른 경계선 검출 알고리즘에 의해서 가능하였다.
초기값은 분할된 종양 영역의 중심점을 이용하였으며, 이 떄 화소값의 밝기가 영상 살질영역의 평균 이상인 화소만 이용하고 종양이 발생하지 않는 어두운 영역은 종양 경계선 후보 위치에서 제외함으로써 보다 정확한 종양 영역 검출이 가능하다. 이렇게 생성한 초기 화소를 이용해 패스트 마칭 방법을 적용하여 개괄적인 초기 경계 정보를 자동으로 생성하며, 이는 보다 른 속도로 경계선을 검출하기 위해서 사용된다.
표 2에서 알 수 있듯이 제안한 방법은 5가지 실험 사례에 대해서 평균 85.7% 정도의 성능을 보였으며, 기존의 연구와 비교할 때 동등 이상의 결과를 보였다. 제안한 방법은 종양 영역의 경계선 검출을 위한 초기값의 정확한 결정에 의해서 더 나은 성능을 보였으며, 패스트 마칭과 레벨셋 알고리즘을 이용함으로써 보다 정밀한 경계선 검출이 가능하였다.
참고문헌 (17)
A.Robert, Noveline, Squire's fundamentals of radiology, Harvard University Press, 2004.
G.Moonis, J.Liu, J.K.Udupa and D.B.Hackney, "Estimation of tumor volume with fuzzy-connectedness segmentation of MR images," American Journal of Neuroradiology, vol.23, pp.352 - 363, 2002.
S.Dickson, B.Thomas, "Using neural networks to automatically detect brain tumours in MR images," International Journal of Neural Systems, vol.4, no.1, pp.91-99, 1997.
M.C.Clark, L.O.Lawrence, D.B.Golgof, R.Velthuizen, F.R.Murtagh and M.S.Silbiger, "Automatic tumor segmentation using knowledge-based techniques," IEEE Transaction on Medical Imaging, vol.17, no.2, pp.187 - 201, 1998.
K.Sikka, N.sinha, P.K.Sin and A.K.Mishra, "A fully automated algorithm under modified FCM framework for improved brain MR image segmentation," Magnetic Resonance Imaging, vol.27, pp.994-1004, 2009.
M.Prastawa, E.Bullitt, S.Ho and G.Gerig, "A brain tumor segmentation framework based on outlier detection," Proceeding of the Medical image computing and computer-assisted intervention, vol.8, no.3, pp.275 - 283, 2004.
J.J.Corso, E.Sharon and A.Yuille, "Multilevel segmentation and integrated Bayesian model classification with an application to brain tumor segmentation," Proceeding of the Medical image computing and computer-assisted intervention, vol.4191, pp.790 - 798, 2006.
W.Dou, S.Ruan, Y.Chen, D.Bloyet and J.M.Constans, "A framework of fuzzy information fusion for segmentation of brain tumor tissues on MR images," Image and Vision Computing, vol.25, pp.164 - 171, 2007.
K.Sikka, N.Sinha, P.K.Sin and A.K.Mishra, "A fully automated algorithm under modified FCM framework for improved brain MR image segmentation," Magnetic Resonance Imaging, vol.27, pp.994-1004, 2009.
A.Lefohn, J.Cates and R.Whitaker, "GPU-based level sets for 3D brain tumor segmentation," technical report, University of Utah, 2003.
Y.Zhu and H.Yang, "Computerized tumor boundary detection using a Hopfield neural network," IEEE Transaction on Medical Imaging, vol.16, no.1, pp.55-67, 1997.
S.Ho, E.Bullitt and G.Gerig, "Level set evolution with region competition: automatic 3D segmentation of brain tumors," Proceeding of 16th International Conference on Pattern Recognition, pp.532 - 535, 2002.
H.Khotanlou, O.Colliot, J.Atif and I.Bloch, "3D brain tumor segmentation in MRI using fuzzy classification, symmetry analysis and spatially constrained deformable models," Fuzzy sets and systems, vol.160, pp.1457-1473, 2009.
J.Talairach and P.Tiurnoux, Co-Planar stereotactic atlas of the human brain, 3-Dimensional Proportional System : An Approach to Cerebral lmaging, New York, Theme Medical Publishers, 1988.
A.Tuzikov, O.Colliot and I.Bloch, "Evaluation of the symmetry plane in 3D MR brain images," Pattern Recognition Letters, vol.24, no.14, pp.2219 - 2233, 2003.
J.A.Setihan and A.Wiegmann, "Structural boundary design via level set and immersed interface method," Journal of Computational Physics, vol.163, no.2, pp. 489 - 528, 2000.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.