[논문]디지털 흉부영상에서 주성분분석을 이용한 폐암인식

박형후; 옥치상; 강세식; 고성진; 최석윤

doi:10.6109/jkiice.2011.15.7.1573

문제 정의

인식 분야는 크게 Eigenface를 이용한 주성분분석(PCA, Principal Component Analysis) 방법론, 동적 링크구조를 이용한 방법론, 신경회로망을 이용한 방법론 등으로 나누어져서 연구되어지고 있다[3]. 본 연구는 PCA를 이용한 객체인식의 방법으로 인식에 적용된 사례를 의료영상에 적용해서 문제점과 활용가능성에 대해여 알아보고자 한다.
본 연구는 영상처리와 영상인식기술, 판독의사의 임상적인 경험을 바탕으로 컴퓨터 내에서 전문가적인 수준에 영상진단의 보조기능을 접목해서 진단하고자 하는 것이 다. 본 연구의 목적 은 인식 알고리즘에 많이 활용되어지고 있는PCA를 이용해 흉부X선영상에서의 폐암 인식 효율을 알아보고, 이를 다른 흉부질환의 CAD에 활용할 수 있는 방안에 대하여 알아보고자 한다.
것이 다. 본 연구의 목적 은 인식 알고리즘에 많이 활용되어지고 있는PCA를 이용해 흉부X선영상에서의 폐암 인식 효율을 알아보고, 이를 다른 흉부질환의 CAD에 활용할 수 있는 방안에 대하여 알아보고자 한다. 진단오류의 감소와 조기진단의 효율을 높이는 방안으로 PCA를 이용한 정상흉부영상과 질환영상의 구별에 관한 인식평가를 시 행하고 흉부 컴퓨터지원진단으로 활용 할 수 있는 방안에 관한 연구를 시 행하고자 한다.
본 연구의 목적 은 인식 알고리즘에 많이 활용되어지고 있는PCA를 이용해 흉부X선영상에서의 폐암 인식 효율을 알아보고, 이를 다른 흉부질환의 CAD에 활용할 수 있는 방안에 대하여 알아보고자 한다. 진단오류의 감소와 조기진단의 효율을 높이는 방안으로 PCA를 이용한 정상흉부영상과 질환영상의 구별에 관한 인식평가를 시 행하고 흉부 컴퓨터지원진단으로 활용 할 수 있는 방안에 관한 연구를 시 행하고자 한다.

제안 방법

평균영상을 구하는 방법에서는 미디 언필터를 이용하는 방법과 최대값, 최소값 필터를 이용하는 방법 등이 있는데 본 논문에 서 는 영상전체 의 특징 점 을 이 용 하는 PCA 방법에 적 합한 필터를 사용하였다. 식 은 다음과 같다.
그림을 유클리디언 거리를 구하고 작은 순서 에 서 큰 순서 로 정 렬한 후 가장 가까운 이 미 지 를 찾는다. 즉 최 소치 이 미 지 를 가지 고 비 교 분석하였다.
실험영상은 크게 두 가지로 학습 영상과 테스트 영상으로 구분한다. 고유영상을 생성시키기 위한 학습영상(training image)은 정상흉부영상과 BC 및 Granuloma가 있고, 랜덤 영상(randomimage)의 인식을 알아보기 위한 테스트영상으로 정상흉부영상, BC 및 Granuloma영상으로 실험하였다.
수치 중 유클리디언 거리에 가장 가까운 최소치를 가지고 흉부질환의 폐암 인식률을 비교하였다. 유클리디 언 거리를 바탕으로 정상흉부영상, BC와Granuloma의 인식효율을 그래프로 도식화 하였다.
흉부질환의 폐암 인식률을 비교하였다. 유클리디 언 거리를 바탕으로 정상흉부영상, BC와Granuloma의 인식효율을 그래프로 도식화 하였다. 그리고 질병영상인 BC, Granuloma에서는 정상영상과 질병들(BC, Granuloma) 의질환별로 구분하여 입력하고 질병의 인식 효율을 그래프로 도식 화 하였다.
질병영상인 BC와 Granuloma는 질환부위를 정확히 획득하기 위해서 그 환자 영상의 CT 단층영상(axial image)과 관상면영상(coronal image)을 참고 하였다. 흉부 영상의 질환 부위를 1*1000 0 pixel 크기로 cut off 하여 실험 영상을 생성하였다(그림 5, 그림 6).
유클리디 언 거리를 바탕으로 정상흉부영상, BC와Granuloma의 인식효율을 그래프로 도식화 하였다. 그리고 질병영상인 BC, Granuloma에서는 정상영상과 질병들(BC, Granuloma) 의질환별로 구분하여 입력하고 질병의 인식 효율을 그래프로 도식 화 하였다. 표 2는 유클리 디 언 거 리 분석 결과로 유클리디언 거리의 최대값과 최소값을 나타낸다.

대상 데이터

1.실험영상
실험에서 사용된 영상은 영상의학과 전문의의 영상진단과 진단검사의학과의 진단을 토대로 정상으로 진단된 단순흉부X선영상 50증례와 BC로 진단된 흉부 영상 38증 례, Granuloma로 진단된 흉부 영 상 32증례 의 영상으로 질환부위의 영상을 획득하였고, 정상흉부영상획 득은 폐 를 구분하는 5개 구획 구간인 좌폐상엽 10증 례좌폐하엽 10증례 우폐상엽 10증례, 우폐중엽 10증례, 우폐하엽 10증례를 고르게 획득하였다. 실험영상 획득원칙은 실험 영상 중 두개 이상의 질병 이 있어 영상에 중복되어 나타난 것은 실험 영상에 포함시키지 않았다.
자세의 영상은 실험에서 제외 하였다. 실험에 사용된 흉부X선 영상은 DCM파일 형식으로 크기가 15.4MB로 용량이 커서 분석이 적합하지 않아, 15.8KB의 BMP 파일 형식으로 변환하여 실험하였다. 영상변환은 Adobe Photo Shop-CS3 를 이용해 1*1000 0 Pixel의 크기로 실험 영상을 획득하였다.
8KB의 BMP 파일 형식으로 변환하여 실험하였다. 영상변환은 Adobe Photo Shop-CS3 를 이용해 1*1000 0 Pixel의 크기로 실험 영상을 획득하였다. 그림 3의 영상들은 실험에서 사용될 학습 영상이다.
정상흉부X선영상 50증례, 질환영상인 BC 38증려】, Granuloma 32증례를 실험영상으로 사용하였다. 정상 흉부 영상은 폐의 5개 구역에서 10개씩 균등히 획득한다.
32증례를 실험영상으로 사용하였다. 정상 흉부 영상은 폐의 5개 구역에서 10개씩 균등히 획득한다. 이때 정상흉부영상의 크기는 1*1000 0pixel 의 크기로cut off 하여 실험영상을 획득 하였다(그림 4).

데이터처리

실험에서는 Matlab 실험을 위한 프로그램 소스를 코딩하고 프로그램을 실행하여 디버깅 하였다. 그림을 유클리디언 거리를 구하고 작은 순서 에 서 큰 순서 로 정 렬한 후 가장 가까운 이 미 지 를 찾는다.
Granuloma를 학습영상으로 데이터베이스 내에서 고유영상을 생성하고 테스트영상으로 정상 흉부 영상, BC 영상, Granulora 로 PCA 알고리즘을 적용하였다. 분석과정은PCA분석이론에 따라Matlab프로그램을 이용하여 정상영상과 질병영상 간의 인식률을 알아보았다. 그림 7은흉부영상의 PCA과정이고 표1은 학습 영상의 실험 영상과 테스트영상의 관심영역을 나타낸다.

이론/모형

흉부정상영상을 학습영상으로 데이터 베이스 내에서 고유영상을 생성하고 테스트영상으로 정상흉부 영상과 Granuloma, BC로 PCA 알고리즘을 적용하였다. BC를 학습 영상으로 데이터베이스 내에서 고유영상을 생성하고 테스트 영상으로 BC영상, 정상흉부영상, (tamloma로 PCA 알고리즘을 적용하였다.
BC로 PCA 알고리즘을 적용하였다. BC를 학습 영상으로 데이터베이스 내에서 고유영상을 생성하고 테스트 영상으로 BC영상, 정상흉부영상, (tamloma로 PCA 알고리즘을 적용하였다. Granuloma를 학습영상으로 데이터베이스 내에서 고유영상을 생성하고 테스트영상으로 정상 흉부 영상, BC 영상, Granulora 로 PCA 알고리즘을 적용하였다.
BC를 학습 영상으로 데이터베이스 내에서 고유영상을 생성하고 테스트 영상으로 BC영상, 정상흉부영상, (tamloma로 PCA 알고리즘을 적용하였다. Granuloma를 학습영상으로 데이터베이스 내에서 고유영상을 생성하고 테스트영상으로 정상 흉부 영상, BC 영상, Granulora 로 PCA 알고리즘을 적용하였다. 분석과정은PCA분석이론에 따라Matlab프로그램을 이용하여 정상영상과 질병영상 간의 인식률을 알아보았다.

성능/효과

그림 10의 실험결과에서 총50개의 정상 흉부 영상 중어】서, 정상영상(N 으로 표기)25증례를 학습영상으로 하고 나머지 25개 정상영상 25증례를 테스트영상으로 해서 PCA 분석결과의 최소치와 학습된 정상흉부영상 25 증례와 테스트영상인 BC영상 25증례를 PCA 분석 결과의 최소치와 비교한 그래프로 25개증례 모두 구별이 가능하여 인식률이 100%를나타냈다.
정상영상25증례를 학습영상으로 하고 또 다른 정상흉부영 상 25증 례 를 테 스트 영 상으로 해 서 PCA 분석 결과의 최소치와 정상흉부 25증례를 학습영상으로 하고 G顽oma25증례를 테스트영상으로 한 비교에서도25 증례 모두 구별이 가능해서 인식률이 100%를 나타냈다. 그림 10은 학습영상으로 흉부영상의 데이터베이스 내에 기준영상으로 흉부정상영상으로 하고 질환영상(BC, Gt)을 입 력 영상으로 결과를 나타낸다.
그림 11 의 실험결과에서 BC₂₀증례를 학습 영상으로 정상 흉부 영상 20증례를 테스트영상으로 PCA 분석 후결과의 최소치와BC 20증례를 학습영상으로 Granuloma 20증례를 테스트영상으로 PCA 분석결과의 최소치를 비교 하였을 때의 그래프로 구별 가능한 증례가 9개로 구별확률이 45%를 나타냈다.
BC₂₀증례를 학습영상으로 정상영상 20증례를 테스트 영상으로 PCA 분석결과의 최소치와BC₂₀증례를 학습 영상으로 또 다른BC₂₀증례를 테스트영상으로 PCA 분석결과의 최소치를 비교한 그래프에서 보면 8 증례가 구별 가능하여 인식률이 40%를 나타냈다. 그림 11은 흉부 영상의 데이터베이스 내에 기준영상을 BC 영상으로 하고 질환영상인(BC, Gr)과 정상영상을 입력 영상으로 실험한 결과를 나타낸다.
그림 12의 실험결과에서 학습된 아 ranuloma20증례와테스트영상으로 정상영상 20증례를 PCA 분석 후에 결과의 최 소치 와 Granuloma 20증례를 학습영 상으로 BC 20증례를 테스트영상으로 PCA 분석 결과의 최소치를 비교 하였을 때의 그래프의 인식률은8개의 증례가 구별 가능하여 40%를 나타냈다. Granuloma 20증례를 학습 영상으로 정상영상 20증례를 테스트영상으로 PCA 분석 결과의 최소치와 Granuloma 20증례를 학습영상으로 Granuloma 20증례를 테스트영상으로 PCA 분석 결과의 최소치를 비교 하였을 때의 결과 그래프의 인식률은 11 개의 증례가 구별 가능하여 55%를 나타냈다.
40%를 나타냈다. Granuloma 20증례를 학습 영상으로 정상영상 20증례를 테스트영상으로 PCA 분석 결과의 최소치와 Granuloma 20증례를 학습영상으로 Granuloma 20증례를 테스트영상으로 PCA 분석 결과의 최소치를 비교 하였을 때의 결과 그래프의 인식률은 11 개의 증례가 구별 가능하여 55%를 나타냈다.
실험결과는 데이터베이스 내의 학습영상 기준에 따라 인식률이 달랐으며, 흉부 폐암인식률은 질환 흉부 영상보다 정상흉부영상에서 인식률이 100%로 높게 나타났다. 질환이 있는 데이터베이스에서 영상의 폐암 인식률은 정 상에 비 해 다소 미 흡하나, 단순 흉부영 상에서 일반적인 영상처리 알고리즘인 주성분분석을 적용하는 실험의 임상증례로 충분하게 의의가 있다고 사료된다.
질환이 있는 데이터베이스에서 영상의 폐암 인식률은 정 상에 비 해 다소 미 흡하나, 단순 흉부영 상에서 일반적인 영상처리 알고리즘인 주성분분석을 적용하는 실험의 임상증례로 충분하게 의의가 있다고 사료된다. 그리고 단순흉부영 상에서 검사 시 환자의 호흡과 자세, 관전압(KVP)과 관전류(mAs) 조건에 따라 영상의 표현이 달랐고 또한 같은 질환에 서 도 환자의 검사 조건에 따라 달리 표현되는 흉부영상으로 실험하였기 때문에 동일 PCA 알고리즘을 이용해 높은 인식률을 나타내지는 못하였으나 정규화과정을 통해 개선 방향을 찾을 수가 있었고 단순흉부영상의 컴 퓨터보조진단에 적용하기 위해서는 활용도가 높은 개선된 알고리즘의 개발이 필요로 하며, 정 확한 정 량적 인 분석을 통하여 여 러 가지 질환이 포함된 복합질환의 흉부영상을 구별해 내는 연구도 같이 병 행되어야 할 것이다.

후속연구

그리고 촬영된 영상이 의료영상저장전송시스템 (Picture Archiving and Communication System, PACS) 를이용하여 디지털 이미지로 변환하는 동시에 대용량 기억 장치 에 저 장시 켜 영 상의 학과 전문의 가 모니 터 를 통해 판독할 수 있도록 하고 있다' 최 근에 는 인공지 능 컴퓨터를 이용하여 컴퓨터가 암으로 의심되는 부위를 찾아 의사의 진료업무를 지원하는 기술인 컴퓨터 보조 진단(Computer Aided Diagnosis, CAD)도 발전하고 있다. 이러한기술의 발전으로 점점 정밀한 영상의학 기기가 개발되면서 의사가 없는 원거리에서의 진료와 진단이 가능하게 될 것으로 기 대된다.
이와 같이 CAD를 이용하여 반복적이거나 빠뜨리기 쉬운 부분을 검출, 계산 하는데 사용되어 진다면 의사의 진단 시간과 복잡한 업무를 대신 할 수 있고 진단 효율을 향상시키고업무능률의 향상으로 효과적이다[7]. CAD 시스템이 개발되면, 현재 의사의 육안적 인식과 판별능력의 한계로 인한 진단의 불확실성을 상당히 개선할 수 있을 것으로기 대하고, 폐 암과 유방암 등 다양한 질환에서 의 조기 에암 진단을 위 한 공익의 료사업에 국가적 의료비용을 대폭 절감 할 수 있어서 향후 의료영상기술에 지대한 발전을 가져올 것으로 기 대하며 이 에 따른 큰 규모의 경제적 시장형성도 예측되어 진다[8].
질환이 있는 데이터베이스에서 영상의 폐암 인식률은 정 상에 비 해 다소 미 흡하나, 단순 흉부영 상에서 일반적인 영상처리 알고리즘인 주성분분석을 적용하는 실험의 임상증례로 충분하게 의의가 있다고 사료된다. 그리고 단순흉부영 상에서 검사 시 환자의 호흡과 자세, 관전압(KVP)과 관전류(mAs) 조건에 따라 영상의 표현이 달랐고 또한 같은 질환에 서 도 환자의 검사 조건에 따라 달리 표현되는 흉부영상으로 실험하였기 때문에 동일 PCA 알고리즘을 이용해 높은 인식률을 나타내지는 못하였으나 정규화과정을 통해 개선 방향을 찾을 수가 있었고 단순흉부영상의 컴 퓨터보조진단에 적용하기 위해서는 활용도가 높은 개선된 알고리즘의 개발이 필요로 하며, 정 확한 정 량적 인 분석을 통하여 여 러 가지 질환이 포함된 복합질환의 흉부영상을 구별해 내는 연구도 같이 병 행되어야 할 것이다.
본 논문 결과를 토대로 흉부컴퓨터보조진단에 적용되는 프로그램을 개발한다면 영상의학과 전문의의 흉부 영상 판독의 보조수단으로서 판독 오진 감소와 판독 시 간을 단축 할 수 있으며, 조기 폐암 진단에 매우 중요한 역할을 하리라 기대 한다. 또한 다른 질병에도 컴퓨터 보조 진단의 임상적용 실험이 이루어진다면 실제로 상용화 되고 있는 유방영상과 같이 여 러 분야에 임상적 증례를 실험하는 계기가 될 것이며, 방사선 영상의학에서 다양한 분야에 질환별 적용도 가능하리라 사료된다.
하리라 기대 한다. 또한 다른 질병에도 컴퓨터 보조 진단의 임상적용 실험이 이루어진다면 실제로 상용화 되고 있는 유방영상과 같이 여 러 분야에 임상적 증례를 실험하는 계기가 될 것이며, 방사선 영상의학에서 다양한 분야에 질환별 적용도 가능하리라 사료된다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

[국내논문] 디지털 흉부영상에서 주성분분석을 이용한 폐암인식
Recognition for Lung Cancer using PCA in the Digital Chest Radiography 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

Keyword

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

참고문헌 (13)

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

[국내논문] 디지털 흉부영상에서 주성분분석을 이용한 폐암인식 Recognition for Lung Cancer using PCA in the Digital Chest Radiography 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

Keyword

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

참고문헌 (13)

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] 디지털 흉부영상에서 주성분분석을 이용한 폐암인식
Recognition for Lung Cancer using PCA in the Digital Chest Radiography 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper