[논문]SIFT 특징을 이용한 의료 영상의 회전 영역 보정

김지홍; 장익훈

doi:10.9717/kmms.2015.18.1.017

SIFT 특징을 이용한 의료 영상의 회전 영역 보정
Correction of Rotated Region in Medical Images Using SIFT Features 원문보기

멀티미디어학회논문지 = Journal of Korea Multimedia Society, v.18 no.1, 2015년, pp.17 - 24

김지홍 (Dept. of Visual Information Engineering, Dong-Eui Univ.) , 장익훈 (Dept. of Avionic Electronics Engineering, Kyungwoon Univ.)

Abstract ▼ AI-Helper

In this paper, a novel scheme for correcting rotated region in medical images using SIFT(Scale Invariant Feature Transform) algorithm is presented. Using the feature extraction function of SIFT, the rotation angle of rotated object in medical images is calculated as follows. First, keypoints of both reference and rotated medical images are extracted by SIFT. Second, the matching process is performed to the keypoints located at the predetermined ROI(Region Of Interest) at which objects are not cropped or added by rotating the image. Finally, degrees of matched keypoints are calculated and the rotation angle of the rotated object is determined by averaging the difference of the degrees. The simulation results show that the proposed scheme has excellent performance for correcting the rotated region in medical images.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 의료 영상 또는 컴퓨터 비전 영상에 포함된 회전 영역을 보정하기 위해 SIFT 특징점을 활용하는 새로운 방법을 제안하였다. 제안된 방법에서는 기준 영상과 회전 영상에 대해 각각 SIFT를 수행하여 특징점들을 생성한 후, 특징점 서술자들의 유사성을 이용하여 특징점 정합 과정을 수행한다.
본 논문에서는 의료 영상 시스템을 통해 획득된 의료 영상의 회전 영역을 SIFT를 이용하여 보정하는 방법을 제안하였다. 제안된 방법의 효율성을 검증하기 위해, 서로 다른 인체 부위를 촬영한 Fig.
본 논문에서는 이와 같은 SIFT의 특성을 이용하여 회전된 의료 영상을 보정하는 새로운 방법을 제안한다. SIFT는 해리스 검출기(Harris detector), 모라벡 검출기(Moravec detector) 등과 같이 특징점 추출을 통한 물체 인식 기법 중의 하나이다[5-7].

제안 방법

정합 과정에서는 회전각 보정에 적절하지 않은 영상 중심점 인접 영역과 영상의 회전에 영향을 받는 가장자리 영역을 제외한 나머지 영역을 관심 영역(ROI)으로 설정한다. 그리고 관심 영역 내에 위치한 특징점들 중 가장 정합도가 높은 소수의 특징점들의 좌표를 이용하여 각도를 계산하고, 각도 차의 평균값을 회전 영상의 회전각으로 활용하여 보정한다. 제안된 방법은 입력 영상에 대한 전처리 과정을 필요로 하지 않으며, 또한 영상의 조명 변화, 회전 등에 거의 영향을 받지 않고 회전각을 추출할 수 있는 장점을 갖는다.
특히 영상 중심점 인접 영역과 영상의 회전으로 인해 추가되거나 삭제되는 영역을 제외한 나머지 영역을 관심 영역으로 설정하여 정합 과정을 실행한다. 그리고 관심 영역 내의 특징점들 중 가장 정합도가 높은 소수의 특징점 좌표를 이용하여 각도를 계산하고, 각도 차의 평균값을 회전 영상의 회전각으로 활용하여 보정한다.
그리고 특징점 추출 과정에서의 미세한 오차로 인해 큰 값의 각도 추정오차가 발생할 수 있는 영역을 제외한 나머지 영역을 관심 영역(ROI)으로 설정한 후, 관심 영역에 존재하는 특징점들에 대한 정합을 실행한다. 그리고 서로 정합되는 특징점들의 각도 차이를 회전 영상의 회전각으로 설정하고, 이를 이용하여 회전 영상을 보정한다.
그리고 시험 영상의 회전각 추출 과정에 있어서, 기준 영상과 시험 영상의 특징점 서술자 중 가장 우수한 정합도를 갖는 5∼7개씩의 특징점에 대해 각도 차를 계산한 후, 이들의 평균값을 최종적인 회전각으로 사용하였다.
그리고 영상에 포함된 특징점을 추출하기 위해 DoG 연산을 수행한다. DoG 영상 D(x,y,σ)는 식 (2)와 같이 각 옥타브에서 인접한 스케일 영상들 간의 차로부터 계산된다.
그리고 변환 적용의 결과값인 투영값들을 서로 비교하여 가장 유사한 투영값을 갖는 각도를 계산한다. 그리고 추출된 각도의 차(difference)를 회전 영상의 회전각으로 설정한 후, 회전 행렬을 이용하여 보정한다.
먼저 기준 영상과 회전 영상에 대해 각각 독립적으로 SIFT를 적용하여 특징점 서술자를 추출한다. 그리고 특징점 추출 과정에서의 미세한 오차로 인해 큰 값의 각도 추정오차가 발생할 수 있는 영역을 제외한 나머지 영역을 관심 영역(ROI)으로 설정한 후, 관심 영역에 존재하는 특징점들에 대한 정합을 실행한다. 그리고 서로 정합되는 특징점들의 각도 차이를 회전 영상의 회전각으로 설정하고, 이를 이용하여 회전 영상을 보정한다.
특징점을 추출하는 과정은 DoG 영상에서 특징점 후보로 사용될 극대 및 극소점(maxima/minima)을 검출하는 과정과 극대 및 극소점을 부화소(subpixel) 단위로 보정하는 과정으로 구성된다. 극대 및 극소점을 검출하는 방법은 먼저 DoG 영상의 각 화소에 대해 동일 스케일 영상에서 8개의 이웃 화소들과 상위 및 하위 레벨 스케일 영상에서 각각 9개씩의 이웃 화소들을 비교한다. 그리고 현재 처리 중인 화소의 값이 가장 크거나 또는 가장 작은 경우 후보 특징점으로 지정한다.
1과 같다. 먼저 기준 영상과 회전 영상에 대해 각각 독립적으로 SIFT를 적용하여 특징점 서술자를 추출한다. 그리고 특징점 추출 과정에서의 미세한 오차로 인해 큰 값의 각도 추정오차가 발생할 수 있는 영역을 제외한 나머지 영역을 관심 영역(ROI)으로 설정한 후, 관심 영역에 존재하는 특징점들에 대한 정합을 실행한다.
본 논문에서 제안한 SIFT를 이용한 회전각 측정 방법은 기준 영상과 시험 영상에서 추출된 특징점들의 서술자를 비교하여 서로 정합되는 특징점의 위치를 찾고, 이를 통해 회전각을 계산한다. 따라서 회전각 추출의 정확도와 정밀도를 향상시키기 위한 추가 과정이 요구되지 않을 뿐 아니라, 회전각을 매우 정밀하게 추출할 수 있는 장점이 있다.
본 논문에서는 회전된 의료 영상의 회전각 추출을 위해 기준 영상과 회전 영상에서 서로 정합도가 높은 소수의 특징점만을 사용한다. 이러한 점을 고려하여 #에 대한 임계치를 물체 인식 등 일반적인 경우에 비해 높게 설정하였다.
본 논문에서는 의료 영상 또는 컴퓨터 비전 영상에 포함된 회전 영역을 보정하기 위해 SIFT 특징점을 활용하는 새로운 방법을 제안하였다. 제안된 방법에서는 기준 영상과 회전 영상에 대해 각각 SIFT를 수행하여 특징점들을 생성한 후, 특징점 서술자들의 유사성을 이용하여 특징점 정합 과정을 수행한다. 특히 영상 중심점 인접 영역과 영상의 회전으로 인해 추가되거나 삭제되는 영역을 제외한 나머지 영역을 관심 영역으로 설정하여 정합 과정을 실행한다.
SIFT는 해리스 검출기(Harris detector), 모라벡 검출기(Moravec detector) 등과 같이 특징점 추출을 통한 물체 인식 기법 중의 하나이다[5-7]. 제안된 방법에서는 먼저 기준 영상과 회전 영상에 대해 각각 SIFT를 수행한 후, 추출된 특징점들에 대한 서술자의 유사성을 고려하여 정합 과정을 수행한다. 정합 과정에서는 회전각 보정에 적절하지 않은 영상 중심점 인접 영역과 영상의 회전에 영향을 받는 가장자리 영역을 제외한 나머지 영역을 관심 영역(ROI)으로 설정한다.
그리고 관심 영역 내에 위치한 특징점들 중 가장 정합도가 높은 소수의 특징점들의 좌표를 이용하여 각도를 계산하고, 각도 차의 평균값을 회전 영상의 회전각으로 활용하여 보정한다. 제안된 방법은 입력 영상에 대한 전처리 과정을 필요로 하지 않으며, 또한 영상의 조명 변화, 회전 등에 거의 영향을 받지 않고 회전각을 추출할 수 있는 장점을 갖는다.
특징점 방위 계산에 사용된 16×16 크기 영역을 16개의 4×4 크기 블록으로 분할한 후, 각 블록에 대해 이미 계산된 방위를 8개의 빈으로 다시 양자화를 하여 각 빈에 대한 크기 m(x,y)의 누적값을 계산한다.
식 (10)에서 N은 특징점 서술자의 차원을 나타내며, 128의 값을 갖는다. 특징점 서술자에 대한 정합 과정을 수행한 후, 서로 정합되는 특징점들에 대한 각도를 계산한다. 기준 영상과 회전 영상에서 서로 정합된 특징점을 X_r = (x_r, y_r ), X_t = (x_t, y_t)로 각각 표기하고 영상의 중심점을 X_c= (x_c, y_c)로 나타낼 때, 각 특징점의 각도 θ_r과 θ_t는 식 (11)과 같다.
회전각 측정을 위해 먼저 기준 영상과 회전 영상에 대해 SIFT를 실행한다. 3개의 옥타브와 4개의 스케일 영상으로 구성된 스케일 공간은 Fig.
후보 특징점들 중 에지와 평탄 영역 등 잡음에 민감한 후보 특징점들을 제거하고, Hessian 행렬의 행렬식(determinant)과 자취(trace)의 비(ratio)를 이용 하여 주곡률(principle curvature) 영역의 후보 특징 점을 최종 특징점으로 선택한다. Hessian 행렬은 식 (5)와 같으며, 행렬식과 자취의 비는 식 (6)과 같다.

대상 데이터

7. Test images(source: http://sun.aei.polsl. pl/~ rstaros/mednat/index.html).
모의실험에서는 Fig. 7의 영상을 기준 영상으로 설정한 후, 각 기준 영상들을 - 30º ∼+30º의범위 내에서 5º씩 회전시킨 총 48개의 회전 영상을 시험 영상으로 사용하였다.
모의실험의 시험 영상들은 256×256 크기의 그레이 스케일 의료 영상이다.
제안된 기법의 성능을 시험하기 위해 서로 다른 신체 부위를 촬영한 의료 영상들을 대상으로 모의실험하였다. 모의실험에서는 - 30º ∼+30º의 범위 내에서 5^o씩 회전된 총 48개의 시험 영상을 사용하였으며, 모의실험 결과 제안된 방식은 평균 0.

성능/효과

모의실험에서는 - 30º ∼+30º의 범위 내에서 5o씩 회전된 총 48개의 시험 영상을 사용하였으며, 모의실험 결과 제안된 방식은 평균 0.29o의 회전각 측정 오차를 갖는 우수한 성능을 나타내었다.
29º의 오차를 나타내었다. 모의실험을 통해 본 논문에서 제안한 방법이 회전된 의료 영상의 회전각 보정에 매우 효과적임을 볼 수 있었다.

질의응답

핵심어	질문	논문에서 추출한 답변
	영상에 포함된 특징점을 추출하기 위해 어떤 연산을 수행하는가?	그리고 영상에 포함된 특징점을 추출하기 위해 DoG 연산을 수행한다. DoG 영상 D(x,y,σ)는 식 (2)와 같이 각 옥타브에서 인접한 스케일 영상들 간의 차로부터 계산된다.
	SIFT의 특성을 이용하여 회전된 의료 영상을 보정하는 방법은 무엇을 고려하여 정합 과정을 수행하는가?	SIFT는 해리스 검출기(Harris detector), 모라벡 검출기(Moravec detector) 등과 같이 특징점 추출을 통한 물체 인식 기법 중의 하나이다[5-7]. 제안된 방법에서는 먼저 기준 영상과 회전 영상에 대해 각각 SIFT를 수행한 후, 추출된 특징점들에 대한 서술자의 유사성을 고려하여 정합 과정을 수행한다. 정합과정에서는 회전각 보정에 적절하지 않은 영상 중심점 인접 영역과 영상의 회전에 영향을 받는 가장자리 영역을 제외한 나머지 영역을 관심 영역(ROI)으로 설정한다.
	SIFT은 무엇인가?	본 논문에서는 이와 같은 SIFT의 특성을 이용하여 회전된 의료 영상을 보정하는 새로운 방법을 제안한다. SIFT는 해리스 검출기(Harris detector), 모라벡 검출기(Moravec detector) 등과 같이 특징점 추출을 통한 물체 인식 기법 중의 하나이다[5-7]. 제안된 방법에서는 먼저 기준 영상과 회전 영상에 대해 각각 SIFT를 수행한 후, 추출된 특징점들에 대한 서술자의 유사성을 고려하여 정합 과정을 수행한다.

참고문헌 (10)

A. Kingston, I. Svalbe, and J.P. Guedon, “The Discrete Radon Transform: A More Efficient Approach to Image Reconstruction,” Proceedings of the Society of Photo-optical Instrumentation Engineers, Vol. 7078, pp. G1-G10, 2008.
J. Kim, “Correction of Rotated Frames in Video Sequences using Modified Mojette Transform,” Journal of Korea Multimedia Society, Vol. 16, No. 1, pp. 42-49, 2013.

원문보기 상세보기
H. Jung and J. Kim, “Correction of Rotated Objects in Medical Images using the Mojette Transform,” Journal of Korea Multimedia Society, Vol. 15, No. 11, pp. 1341-1348, 2012.

원문보기 상세보기
B. Cho and S. Jung, “Efficient Correction of a Rotated Object using Radon Transform,” Journal of the Korean Institute of Information Scientists and Engineers, Vol. 14, No. 3, pp. 291-295, 2008.
C. Harris and M. Stephens, “A Combined Corner and Edge Detector,” Proceedings of Fourth Alvey Vision Conference, pp. 147-151, Manchester, 1988.
D.G. Lowe, “Distinctive Image Features from Scale-Invariant Keypoints,” International Journal of Computer Vision, Vol. 60, pp. 91-110, 2004.

상세보기
Y. Meng and B. Tiddeman, “Implementing the Scale Invariant Feature Transform(SIFT) Method,” http://huro-sift.googlecode.com/svn/tags/Final/Research/implementing.the.scale.invariant.feature.transform.sift.method.pdf (accessed July 15, 2014).
J. Kim, X. Cui, E. Park, H. Choi, and H. Kim, “Robust PCB Image Alignment using SIFT,” Journal of Institute of Control, Robotics and Systems, Vol. 16, No. 7, pp. 695-702, 2010.

원문보기 상세보기
Set of Medical and Natural Continuous Tone Grayscale Images for Evaluating Image Compression Algorithms, http://sun.aei.polsl.pl/~rstaros/mednat/index.html (accessed June 12, 2014).
S. Eom and J. Jang, “Robust AAM-based Face Tracking with Occlusion using SIFT Features,” Journal of the Korean Association of Geographic Information Studies, Vol. 17-B, No. 5. pp. 355-362, 2010.

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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