본 연구는 초음파영상에서 컴퓨터보조진단으로 유방질환의 병변인식률을 알아보고자 6가지 질감특성분석 파라미터(평균밝기, 대조도, 평탄도, 왜곡도, 균일도, 엔트로피) 알고리즘을 제안하였다. 2013년 8월에서 2014년 1월까지 부산소재 대학병원을 내원한 환자 중 영상의학과 전문의의 판독과 세포병리학 진단 결과를 토대로 한 90증례의 유방 초음파영상을 대상으로 하였다. 연구방법은 유방 초음파영상에서 관심영역을 $50{\times}50$픽셀 크기로 설정하였으며, 획득된 실험영상(정상, 양성, 악성)에 히스토그램 평활화의 전처리 과정 후 MATLAB을 이용한 질감특성분석 알고리즘의 결과값을 산출하였다. 그 결과 제안된 질감특성분석 파라미터 중 평균밝기, 왜곡도, 균일도, 엔트로피의 정상과 악성의 병변인식률은 100%로 높게 나타났으며. 정상과 양성의 병변인식률은 약 83~96%를 나타내었다. 이러한 결과는 유방질환에서 감별진단의 전처리 단계로 자동진단의 가능성을 나타내며, 향후 제안된 알고리즘의 추가적인 연구와 다양한 임상증례에 대한 신뢰성과 재현성이 제공된다면 컴퓨터보조진단의 실용화기반을 마련할 수 있을 것이고, 다양한 초음파 영상에 대한 적용이 가능할 것으로 사료된다.
본 연구는 초음파영상에서 컴퓨터보조진단으로 유방질환의 병변인식률을 알아보고자 6가지 질감특성분석 파라미터(평균밝기, 대조도, 평탄도, 왜곡도, 균일도, 엔트로피) 알고리즘을 제안하였다. 2013년 8월에서 2014년 1월까지 부산소재 대학병원을 내원한 환자 중 영상의학과 전문의의 판독과 세포병리학 진단 결과를 토대로 한 90증례의 유방 초음파영상을 대상으로 하였다. 연구방법은 유방 초음파영상에서 관심영역을 $50{\times}50$ 픽셀 크기로 설정하였으며, 획득된 실험영상(정상, 양성, 악성)에 히스토그램 평활화의 전처리 과정 후 MATLAB을 이용한 질감특성분석 알고리즘의 결과값을 산출하였다. 그 결과 제안된 질감특성분석 파라미터 중 평균밝기, 왜곡도, 균일도, 엔트로피의 정상과 악성의 병변인식률은 100%로 높게 나타났으며. 정상과 양성의 병변인식률은 약 83~96%를 나타내었다. 이러한 결과는 유방질환에서 감별진단의 전처리 단계로 자동진단의 가능성을 나타내며, 향후 제안된 알고리즘의 추가적인 연구와 다양한 임상증례에 대한 신뢰성과 재현성이 제공된다면 컴퓨터보조진단의 실용화기반을 마련할 수 있을 것이고, 다양한 초음파 영상에 대한 적용이 가능할 것으로 사료된다.
This paper suggests 6 cases of TFA parameters algorithm(Mean, VA, RS, SKEW, UN, EN) to search for the detection of recognition rates regarding breast disease using CAD on ultrasound images. Of the patients who visited a university hospital in Busan city from August 2013 to January 2014, 90 cases of ...
This paper suggests 6 cases of TFA parameters algorithm(Mean, VA, RS, SKEW, UN, EN) to search for the detection of recognition rates regarding breast disease using CAD on ultrasound images. Of the patients who visited a university hospital in Busan city from August 2013 to January 2014, 90 cases of breast ultrasound images based on the findings in breast US and pathology were selected. $50{\times}50$ pixel size ROI was selected from the breast US images. After pre-processing histogram equalization of the acquired test images(negative, benign, malignancy), we calculated results of TFA algorithm using MATLAB. As a result, in the TFA parameters suggested, the disease recognition rates for negative and malignancy was as high as 100%, and negative and benign was approximately 83~96% for the Mean, SKEW, UN, and EN. Therefore, there is the possibility of auto diagnosis as a pre-processing step for a screening test on breast disease. A additional study of the suggested algorithm and the responsibility and reproducibility for various clinical cases will determine the practical CAD and it might be possible to apply this technique to range of ultrasound images.
This paper suggests 6 cases of TFA parameters algorithm(Mean, VA, RS, SKEW, UN, EN) to search for the detection of recognition rates regarding breast disease using CAD on ultrasound images. Of the patients who visited a university hospital in Busan city from August 2013 to January 2014, 90 cases of breast ultrasound images based on the findings in breast US and pathology were selected. $50{\times}50$ pixel size ROI was selected from the breast US images. After pre-processing histogram equalization of the acquired test images(negative, benign, malignancy), we calculated results of TFA algorithm using MATLAB. As a result, in the TFA parameters suggested, the disease recognition rates for negative and malignancy was as high as 100%, and negative and benign was approximately 83~96% for the Mean, SKEW, UN, and EN. Therefore, there is the possibility of auto diagnosis as a pre-processing step for a screening test on breast disease. A additional study of the suggested algorithm and the responsibility and reproducibility for various clinical cases will determine the practical CAD and it might be possible to apply this technique to range of ultrasound images.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구는 유방초음파에서 컴퓨터보조진단을 이용한 유방영상의 정상과 악성, 양성종괴 구분의 알고리즘 연구와 예비 판독단계의 적응성을 알아보고자 하였다. 또한 병변인식률을 통해 판독자간의 변동성을 최소화화고 환자의 치료 및 조기진단에 도움을 주고자 하였다.
본 연구는 유방초음파에서 컴퓨터보조진단을 이용한 유방영상의 정상과 악성, 양성종괴 구분의 알고리즘 연구와 예비 판독단계의 적응성을 알아보고자 하였다. 또한 병변인식률을 통해 판독자간의 변동성을 최소화화고 환자의 치료 및 조기진단에 도움을 주고자 하였다.
이에 본 연구는 영상의 그레이레벨(gray level)이 가지는 특성들을 고려하여 부드러움(smooth), 대조도(contrast), 왜곡도(skewness), 균일도(uniformity), 엔트로피(entropy)등의 요소를 통하여 질감의 특성을 나타낸 6가지 파라미터를 이용한 질감특성분석(texture feature analysis, TFA)을 유방 초음파영상의 컴퓨터보조진단에 적용하여 병변 인식률을 알아보고자 하였으며, 이러한 결과를 바탕으로 질환 감별을 위한 판독자간의 변동성차이를 최소화하고 진단적 오류를 감소시켜 정확한 진단과 치료방향의 제시에 도움을 주고자 한다.
일반적으로 정상조직과 종괴의 초음파영상은 통계적으로 각각의 조직이 가지는 다른 히스토그램 분포를 나타낸다[13,14]. 이에 본 연구에서는 질감분석에 사용되는 평균밝기(average gray level, Mean), 대조도(variance, VA), 평탄도(relative smoothness, RS), 왜곡도(skewness, Skew), 균일도(uniformity, UN), 엔트로피(entropy, EN)의 영역 밝기 히스토그램에 기초한 질감 묘사자[Table 1]들로 병변인식률 결과를 나타내었다[15-18].
컴퓨터보조진단은 영상에 대한 특징을 정량화하여 진단에 유용하게 활용하며, 질병의 감별진단에 도움을 주고자 하는 것이 목적이다. 영상의학과의 많은 영역에서 컴퓨터보조진단이 시도되고 있으며, 특히 단순 흉부영상(simple chest image)에서 폐결절 및 질환의 검출과 유방 영상에서의 종괴 및 미세석회화의 검출에 많은 연구가 폭넓게 진행되어 왔다.
제안 방법
1]. 또한 고유영상을 생성시키기 위해 학습영상을 정상영상 30증례로 설정하였으며, 테스트영상으로 양성과 악성영상 각각 30증례로 구분하여 설정하였다. 획득된 실험영상에 대해 히스토그램 평활화의 전처리 과정을 적용하고 제안된 6가지 질감특성분석 알고리즘을 MATLAB Ver.
대상 데이터
2013년 8월부터 2014년 1월까지 부산 소재 대학원에 내원한 환자 중 BI-RADS 분류에 의한 유방영상의 판독과 세포병리학 진단 결과를 바탕으로 정상(Negative)으로 진단된 30증례(Category 1)와 양성(Benign)으로 진단된 30증례(Category 2, 3), 악성(Malignancy)으로 진단된 30증례(Category 4a 이상)의 유방 초음파영상을 대상으로 후향적인 실험을 하였다.
실험영상은 초음파 장비(IU-22, Philips, USA)로 획득한 영상으로 dcm 파일을 bmp 파일로 변환하여 이용하였으며, 유방 초음파영상에서 관심영역(ROI)을 설정하고 Adobe Photo Shop-CS3(Adobe System Inc. USA)를 이용해 50×50 픽셀 크기로 절단하여 실험영상을 획득하였다[Fig. 1].
데이터처리
또한 고유영상을 생성시키기 위해 학습영상을 정상영상 30증례로 설정하였으며, 테스트영상으로 양성과 악성영상 각각 30증례로 구분하여 설정하였다. 획득된 실험영상에 대해 히스토그램 평활화의 전처리 과정을 적용하고 제안된 6가지 질감특성분석 알고리즘을 MATLAB Ver.7.4 (R2007a, MathWorks Inc., USA)을 이용하여 그 결과값을 산출하였다[10].
성능/효과
대조도(VA), 평탄도(RS) 2개의 파라미터는 각각 13.3%와 3.3∼13.3%로 다소 낮은 병변인식률을 나타내었다[Table 2].
22로 나타났다. 악성 종괴 영상의 결과 값이 정상영상의 범위를 벗어나면 질환의 구별이 가능하며, 엔트로피 분석 결과 정상영상 30증례의 최대값과 최소값의 범위에 대해서 악성종괴 영상의 30증례가 인식되어 100%의 인식률을 나타내었다[Fig. 8].
27로 나타났다. 악성종괴 영상의 결과 값이 정상 영상의 범위를 벗어나면 질환의 구별이 가능하며, 대조도 분석 결과 정상영상 30증례의 최대값과 최소값의 범위에 대해서 악성종괴 영상의 4증례가 인식되어 13.3%의 인식률을 나타내었다[Fig. 4].
00으로 나타났다. 악성종괴 영상의 결과 값이 정상영상의 범위를 벗어나면 질환의 구별이 가능하며, 균일도 분석 결과 정상영상 30증례의 최대값과 최소값의 범위에 대해서 악성종괴 영상의 30증례가 인식되어 100%의 인식률을 나타내었다[Fig. 7].
04로 나타났다. 악성종괴 영상의 결과 값이 정상영상의 범위를 벗어나면 질환의 구별이 가능하며, 왜곡도 분석 결과 정상영상 30증례의 최대값과 최소값의 범위에 대해서 악성종괴 영상의 30증례가 인식되어 100%의 인식률을 나타내었다[Fig. 6].
24로 나타났다. 악성종괴 영상의 결과 값이 정상영상의 범위를 벗어나면 질환의 구별이 가능하며, 평균밝기 분석 결과 정상영상 30증례의 최대값과 최소값의 범위에 대해서 악성종괴 영상의 30증례가 인식되어 100%의 인식률을 나타내었다[Fig. 3].
00으로 나타났다. 악성종괴 영상의 결과 값이 정상영상의 범위를 벗어나면 질환의 구별이 가능하며, 평탄도 분석 결과 정상영상 30증례의 최대값과 최소값의 범위에 대해서 악성종괴 영상의 4증례가 인식되어 13.3%의 인식률을 나타내었다[Fig. 5].
30로 나타났다. 양성 종괴 영상의 결과 값이 정상영상의 범위를 벗어나면 질환의 구별이 가능하며, 엔트로피 분석 결과 정상영상 30증례의 최대값과 최소값의 범위에 대해서 양성종괴 영상의 27증례가 인식되어 90%의 인식률을 나타내었다[Fig. 14].
11로 나타났다. 양성 종괴 영상의 결과 값이 정상영상의 범위를 벗어나면 질환의 구별이 가능하며, 왜곡도 분석 결과 정상영상 30증례의 최대값과 최소값의 범위에 대해서 양성종괴 영상의 29증례가 인식되어 96.7%의 인식률을 나타내었다[Fig. 12].
00으로 나타났다. 양성종괴 영상의 결과 값이 정상영상의 범위를 벗어나면 질환의 구별이 가능하며, 균일도 분석 결과 정상영상 30증례의 최대값과 최소값의 범위에 대해서 양성종괴 영상의 27증례가 인식되어 90%의 인식률을 나타내었다[Fig. 13].
52로 나타났다. 양성종괴 영상의 결과 값이 정상영상의 범위를 벗어나면 질환의 구별이 가능하며, 대조도 분석 결과 정상영상 30증례의 최대값과 최소값의 범위에 대해서 양성종괴 영상의 4증례가 인식되어 13.3%의 인식률을 나타내었다[Fig. 10].
42로 나타났다. 양성종괴 영상의 결과 값이 정상영상의 범위를 벗어나면 질환의 구별이 가능하며, 평균밝기 분석 결과 정상영상 30증례의 최대값과 최소값의 범위에 대해서 양성종괴 영상의 25증례가 인식되어 83.3%의 인식률을 나타내었다[Fig. 9].
00으로 나타났다. 양성종괴 영상의 결과 값이 정상영상의 범위를 벗어나면 질환의 구별이 가능하며, 평탄도 분석 결과 정상영상 30증례의 최대값과 최소값의 범위에 대해서 양성종괴 영상의 1증례가 인식되어 3.3%의 인식률을 나타내었다[Fig. 11].
유방초음파 영상에서 정상과 악성종괴, 정상과 양성종괴의 병변인식률 비교 결과에서 제안된 6가지 질감특성 분석 파라미터 중 평균밝기(Mean), 왜곡도(Skew), 균일도(UN), 엔트로피(EN)의 4가지 파라미터는 83∼100%의 높은 병변인식률을 나타내었으며, 실제 전문의의 판독결과와 세포병리 진단결과를 바탕으로 하였기 때문에 진단 일치율이 100%에 가까운 결과이다.
이상의 결과에서 질감특성분석 알고리즘을 이용하여 정상 유방영상과 유방질환의 초음파영상 간 병변인식률 결과는 정상과 악성, 정상과 양성에서 평균밝기(Mean), 왜곡도(Skew), 균일도(UN), 엔트로피(EN) 4개 파라미터의 병변인식률이 각각 100%와 83.3∼96.7%로 높은 병변 인식률을 나타내었다.
정상 영상과 악성종괴 영상에 엔트로피 정보를 이용하여 결과로서 정상영상의 엔트로피 값은 최대 6.30, 최소 4.80, 평균 5.57±0.35이며, 악성종괴 영상의 균일도 값은 최대 7.34, 최소 6.31, 평균 6.90±0.22로 나타났다.
정상 영상과 양성종괴 영상에 균일도 정보를 이용하여 결과로서 정상영상의 균일도 값은 최대 0.042, 최소 0.015, 평균 0.02±0.00이며, 양성종괴 영상의 균일도 값은 최대 0.022, 최소 0.007, 평균 0.011±0.00으로 나타났다.
정상 영상과 양성종괴 영상에 엔트로피 정보를 이용하여 결과로서 정상영상의 엔트로피 값은 최대 6.30, 최소 4.80, 평균 5.57±0.35이며, 양성종괴 영상의 균일도 값은 최대 7.19, 최소 5.89, 평균 6.69±0.30로 나타났다.
정상 영상과 양성종괴 영상에 왜곡도 정보를 이용한 결과로서 정상영상의 왜곡도 값은 최대 -0.13, 최소-0.53, 평균 0.24±0.08이며, 양성종괴 영상의 왜곡도 값은 최대 0.49, 최소 -0.17, 평균-0.04±0.11로 나타났다.
정상영상과 악성종괴 영상에 균일도 정보를 이용하여 결과로서 정상영상의 균일도 값은 최대 0.042, 최소 0.015, 평균 0.024±0.00이며, 악성종괴 영상의 균일도 값은 최대 0.014, 최소 0.006, 평균 0.009±0.00으로 나타났다.
정상영상과 악성종괴 영상에 대조도 정보를 이용한 결과로서 정상영상의 대조도 값은 최대 74.34, 최소 73.28, 평균 73.79±0.28이며, 악성종괴 영상의 대조도 값은 최대 74.03, 최소 73.04, 평균 73.79±0.27로 나타났다.
정상영상과 악성종괴 영상에 왜곡도 정보를 이용한 결과로서 정상영상의 왜곡도 값은 최대 -0.13, 최소-0.53, 평균 0.24±0.08이며, 악성종괴 영상의 왜곡도 값은 최대 0.05, 최소 -0.11, 평균-0.04±0.04로 나타났다.
정상영상과 악성종괴 영상에 평탄도 정보를 이용한 결과로서 정상영상의 평탄도 값은 최대 0.078, 최소 0.076, 평균 0.077±0.00이며, 악성종괴 영상의 평탄도 값은 최대 0.077, 최소 0.075, 평균0.076±0.00으로 나타났다.
정상영상과 악성종괴 영상의 평균밝기 정보를 이용한 결과로서 정상영상의 평균밝기 값은 최대 133.29, 최소 129.80, 평균 131.11±0.81이며, 악성종괴 영상의 평균 밝기 값은 최대 129.76, 최소 128.76, 평균 129.18±0.24로 나타났다.
정상영상과 양성종괴 영상에 대조도 정보를 이용한 결과로서 정상영상의 대조도 값은 최대 74.34, 최소 73.28, 평균 73.79±0.28이며, 양성종괴 영상의 대조도 값은 최대 74.10, 최소 71.13, 평균 73.67±0.52로 나타났다.
정상영상과 양성종괴 영상에 평탄도 정보를 이용한 결과로서 정상영상의 평탄도 값은 최대 0.078, 최소 0.076, 평균 0.077±0.00이며, 양성종괴 영상의 평탄도 값은 최대 0.077, 최소 0.072, 평균0.077±0.00으로 나타났다.
정상영상과 양성종괴 영상의 평균밝기 정보를 이용한 결과로서 정상영상의 평균밝기 값은 최대 133.29 최소 129.81, 평균 131.11±0.81이며, 양성종괴 영상의 평균 밝기 값은 최대 129.41, 최소 128.91, 평균 129.41±0.42로 나타났다.
후속연구
제안된 질감특성분석 알고리즘은 유방질환에서 감별 진단의 전처리 단계로서 자동진단의 가능성을 나타내며, 향후 알고리즘의 추가적인 연구와 다양한 임상 질환을 적응 대상으로 할 수 있는 구체적인 알고리즘의 연구가 진행되어야 할 것이다. 또한 보다 많은 임상증례를 통한 질환 인식률의 신뢰성과 재현성이 확보된다면 추적검사 및 유방 조직검사 이전의 보완적인 수단으로 활용 가능할 것이다. 이러한 컴퓨터보조진단 시스템의 개발은 일차적 선별검사 방법으로서의 적용과 임상의와 전문의 최종의사결정 과정에서 중요한 역할을 할 것으로 기대되며, 유방질환의 치료와 판독자간 변동의 최소화에 큰 도움을 줄 수 있을 것이다.
이와 더불어 임상증상, 병력, 이학적 소견등과 함께 최종평가분류에 적용시킨다면 더욱더 정확한 병변인식률을 얻을 수 있을 것이다. 또한 컴퓨터보조진단에서의 병변인식률을 보다 더 높이고, 이를 적용하기 위하여 좀 더 다양한 임상증례를 이용한 연구를 통해 신뢰성을 일반화 하여야 할 것이다. 본 연구에서는 정상과 악성종괴, 정상과 양성 종괴를 가지고 연구를 진행 하였으나, 정확한 알고리즘의 정량적인 분석을 통하여 악성과 양성, 그리고 다른 질환이 포함된 영상을 판별하는 추가적인 연구도 같이 병행되어야 할 것이다.
또한 컴퓨터보조진단에서의 병변인식률을 보다 더 높이고, 이를 적용하기 위하여 좀 더 다양한 임상증례를 이용한 연구를 통해 신뢰성을 일반화 하여야 할 것이다. 본 연구에서는 정상과 악성종괴, 정상과 양성 종괴를 가지고 연구를 진행 하였으나, 정확한 알고리즘의 정량적인 분석을 통하여 악성과 양성, 그리고 다른 질환이 포함된 영상을 판별하는 추가적인 연구도 같이 병행되어야 할 것이다.
또한 보다 많은 임상증례를 통한 질환 인식률의 신뢰성과 재현성이 확보된다면 추적검사 및 유방 조직검사 이전의 보완적인 수단으로 활용 가능할 것이다. 이러한 컴퓨터보조진단 시스템의 개발은 일차적 선별검사 방법으로서의 적용과 임상의와 전문의 최종의사결정 과정에서 중요한 역할을 할 것으로 기대되며, 유방질환의 치료와 판독자간 변동의 최소화에 큰 도움을 줄 수 있을 것이다.
그러므로 초음파 검사만으로 악성과 양성을 구별하는 것은 어려운 일이다. 이에 본 연구에서 제안된 질감특성분석 파리미터 중 진단 일치률이 높은 평균밝기(Mean), 왜곡도(Skew), 균일도(UN), 엔트로피(EN)를 적용한 컴퓨터보조진단을 예비판독(preliminary reading) 단계에 적용한다면 최종 판독에 있어 정확성 및 진단 시간 단축에 충분한 기여를 할 것으로 사료된다. 이와 더불어 임상증상, 병력, 이학적 소견등과 함께 최종평가분류에 적용시킨다면 더욱더 정확한 병변인식률을 얻을 수 있을 것이다.
이에 본 연구에서 제안된 질감특성분석 파리미터 중 진단 일치률이 높은 평균밝기(Mean), 왜곡도(Skew), 균일도(UN), 엔트로피(EN)를 적용한 컴퓨터보조진단을 예비판독(preliminary reading) 단계에 적용한다면 최종 판독에 있어 정확성 및 진단 시간 단축에 충분한 기여를 할 것으로 사료된다. 이와 더불어 임상증상, 병력, 이학적 소견등과 함께 최종평가분류에 적용시킨다면 더욱더 정확한 병변인식률을 얻을 수 있을 것이다. 또한 컴퓨터보조진단에서의 병변인식률을 보다 더 높이고, 이를 적용하기 위하여 좀 더 다양한 임상증례를 이용한 연구를 통해 신뢰성을 일반화 하여야 할 것이다.
제안된 질감특성분석 알고리즘은 유방질환에서 감별 진단의 전처리 단계로서 자동진단의 가능성을 나타내며, 향후 알고리즘의 추가적인 연구와 다양한 임상 질환을 적응 대상으로 할 수 있는 구체적인 알고리즘의 연구가 진행되어야 할 것이다. 또한 보다 많은 임상증례를 통한 질환 인식률의 신뢰성과 재현성이 확보된다면 추적검사 및 유방 조직검사 이전의 보완적인 수단으로 활용 가능할 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
유방암은 우리나라 여성의 암 발생률중 몇프로를 차지하는가?
국가암정보센터의 최신 통계(2011)에 따르면 우리나라 여성의 암발생률 중 유방암은 두 번째로 높은 발생률(14.1%)을 보이고 있으며, 증가율 또한 갑상선을 제외하고 가장 빠른 것으로 보고되어 있다[1]. 이런 유방암의 치료를 위해서는 초기 진단이 매우 중요하다.
유방암의 치료를 위한 초기 진단에는 어떤 방법들이 있는가?
이런 유방암의 치료를 위해서는 초기 진단이 매우 중요하다. 유방촬영술, 유방초음파, 바늘 총 생검(needle biopsy)등이 유방 질환의 기본 진단 방법으로 사용되고 있으며, 이 진단방법들에는 각각 장점과 제한점이 있으므로 한 가지 방법에만 의존하는 것 보다는 상호보완해서 진단하여야 한다. 이 중 초음파는 안전하고 영상획득이 실시간으로 가능하여 의료 영상 획득 방안으로 각광받고 있다[2].
유방암의 치료는 무엇이 중요한가?
1%)을 보이고 있으며, 증가율 또한 갑상선을 제외하고 가장 빠른 것으로 보고되어 있다[1]. 이런 유방암의 치료를 위해서는 초기 진단이 매우 중요하다. 유방촬영술, 유방초음파, 바늘 총 생검(needle biopsy)등이 유방 질환의 기본 진단 방법으로 사용되고 있으며, 이 진단방법들에는 각각 장점과 제한점이 있으므로 한 가지 방법에만 의존하는 것 보다는 상호보완해서 진단하여야 한다.
참고문헌 (23)
National Cancer Information Center, "htt://www.cancer.go.kr/mbs/cancer/subview.jspid, 2011.
H. J. Yoon, M. H. Kim, Y. H. Choi, "Effective Computer-Aided Diagnosis Analysis for the Plaque Measurement on the Ultrasound image of the Carotid Artery", J Korean Soc. Ultrasound in Medicine, 23, 2, pp.105-111, 2004.
S. H. Choi, S. Y. Chung, W. K. Lee, I. K. Yang, H. D Kim, J. S. Shin, B. H. Jung, W. J. Shin, H. H. Kim, S. H. Kim, "Ultrasonography in Paget's Disease of Breast:Comparison with Mammographic Finding", J Korean Soc. Ultrasound in Medicine, 20, 2, pp.137-142, 2001.
Y. W. Sun, Y. J. Song, H. Y. Yun, D. H. Ryu, "Management fo Breast Masses Detected Only by Ultrasonography" Journal of Breast Cancer, 7, 1, pp.43-48, 2004.
P. H. Arger, C. M. Sehgal, E, F. Conant, J. Zukerman, S. E. Rowling, J. A. Patton. "Interreader variability and predictive value of US descriptions of solid breast masses: pilot study", Acad Radiol, 8, 4, pp.335-342, 2001.
E. H. Lee, J. H. Cha, B. J. Cho, Y. H. Koh, B. J. Youn, W. K. Moon "Breast Imaging Reporting and Data System9BI-RADS) US leexion and Final Assesment Category for Solid Breast Masses: the Rates of Inter-and Intraobserver Agreement" J. Korean Soc. Radiology, 56, 6, pp.593-601, 2007.
M. R. De Mello, D. M. Albuquerque, F. G. Pereira-Cunha, K. B. Albanez, K. B. Pagnano, F. F. Costa, K. Metze, I. Lorand-Metze, "Molecular characteristics and chromatin texture features in acute promyelotic leukemia", Diagn Pathol, 28, 7, pp.75, 2012.
H. S. Choi, "A Study on the Multi-View Based Computer Aided Diagnosis and 3-Dimentional Display System" The graduate school of Hanyang University, 2007.
J. S. Lee, "Detection of Microcalcification using Computer Aided Diagnosis in the Breast US" The graduate school of Catholic University of Pusan, 2011.
C. S. Kim, S. J. Ko, S. S. Kang, J. H. Kim, D. H. Kim, S. Y. Choi, "Computer-Aided Diagnosis for Liver Cirrhosis using Texture Features Information Analysis in Computed Tomography", Journal of the Korea Contents Association, 12, 4, pp.358-366, 2012.
J. S. Cho, H. S. Kang, H. S. Kim, S. D. Kim, "Multimedia signal processing: fundamentals and practice", 2nd edition, sungjin media, 2011.
H. H. Park, " A Study of Recognition for Lung Cancer using Principle Component Analysis in Chest Radiography", The graduate school of Catholic University of Pusan, 2009.
I. Christoyianni, A. Koutras, E. Dermatas, G. Kokkinakis, "Computer aided diagnosis of breast cancer in digitized Mammograms", Computerized Medical Imaging and Graphics, 26, 54, pp.309-319, 2002.
R. C. Gonzalez, R. E. Woods, S. L. Eddins, "Digital Image Processing using MATLAB", Prentice Hall, 2004.
M. Gletsos, S. G. Mougiakakou, K. S. Nikita, A. S. Nikita, D. Kelekis, "A computer-aided diagnosis system to characterize CT focal liver lesion: design and optimization of a neural network classifier", IEEE Trans Inf Technol Biomed, 7, 3, pp.153-162, 2003.
D. Kontos, L. C. Ikejimba, P. R. Bakic, A. B. Troxel, E. F. Conant, A. D. Maidment, "Analysis of parenchymal texture with digital breast tomosynthesis: comparison with digital mammography and implications for cancer risk assessment", Radiology, 261, 1, pp.80-91, 2011.
X. J. Chen, D. Eu, Y. He, S. Liu, "Study on application of multi-spectral image texture to discriminating rice categories base on wavlet packet and support vector machine", Guang Pu Xue Yu Guang Pu Fen Xi., 29, 1, pp.222-225, 2009.
D. H. Kim, S. J. Ko, S. S. Kang, J. H. Kim, C. S. Kim, "Computer-Aided Diagnosis for Pulmonary Tuberculosis using Texture Features Analysis in Digital Chest Radiography", Journal of the Korea Contents Association, 11, 11, pp.185-193, 2011.
S. J. Ko, J. S. Lee, S. Y. Ye, C. S. Kim, "Application of Texture Features Algorithm using Computer-Aided Diagnosis of Papillary Thyroid Cancer in the Ultrasonography", Journal of the Korea Contents Association, 13, 5, pp.303-310, 2013.
J. E. Yoo, T. S. Jun, J. Y. Jeong, I. C. Im, J. S. Lee, H. H. Park, "Application of Texture Feature Analysis Algorithm used the Statistical Charaterristics in the Computed Tomography: A base on the Hepatocellular Carcinoma(HCC)", J. Korean Soc. Radiology, 7, 1, pp.9-15, 2013.
S. J. Kim, N. R. Y. Cho, J. H. Cha, H. K. Jeong, S. H. Lee, K. S. Cho, S. M. Kim, Y. K. Moon, "Reprducibility of Computer-Aided Detection System in Digital Mammograms", J. Korean Soc. Radiology, 52, 2, pp.137-142, 2005.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.