[논문]랜덤 포레스트를 이용한 X-선 혈관조영영상에서의 혈관 자동 영역화 알고리즘

정성희; 이수찬; 심학준; 정호엽; 허용석; 장혁재

doi:10.9718/jber.2015.36.4.79

Abstract ▼ AI-Helper

The purpose of this study is to develop an automatic algorithm for vessel segmentation in X-Ray angiogram using Random Forest (RF). The proposed algorithm is composed of the following steps: First, the multiscale hessian-based filtering is performed in order to enhance the vessel structure. Second, ...

The purpose of this study is to develop an automatic algorithm for vessel segmentation in X-Ray angiogram using Random Forest (RF). The proposed algorithm is composed of the following steps: First, the multiscale hessian-based filtering is performed in order to enhance the vessel structure. Second, eigenvalues and eigenvectors of hessian matrix are used to learn the RF classifier as feature vectors. Finally, we can get the result through the trained RF. We evaluated the similarity between the result of proposed algorithm and the manual segmentation using 349 frames, and compared with the results of the following two methods: Frangi et al. and Krissian et al. According to the experimental results, the proposed algorithm showed high similarity compared to other two methods.

주제어

AI 본문요약
AI-Helper

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

문제 정의

따라서 본 연구에서는 혈관 검출 확률을 높이기 위해 기존 혈관 증강 필터링 기법에서 활용된 헤시안(Hessian) 행렬의 고윳값(eigenvalue) 및 고유벡터(eigenvector)를 특징벡터로 이용하는 랜덤 포레스트 판별기를 학습하여 이차원 혈관조영영상에서 자동으로 혈관을 영역화하는 기법을 제안한다. 헤시안 행렬을 기반으로 랜덤 포레스트 판별기를 결합한 연구로는 Fraz et al.
또한, 교차(cross)나 분기(branching) 등 혈관 내강(lumen)의 잡음으로 인해 혈관이 끊기는 경우가 발생하여 최종 영역화 단계에까지 영향을 미칠 수 있다. 따라서, 본 연구에서는 랜던포레스트 판별기 학습을 통해 혈관 검출의 확률을 높임으로써 영역화의 정확도를 높이고자 한다.
본 논문에서는 이차원 X-선 혈관조영영상에서 헤시안 행렬의 고윳값 분석과 랜덤 포레스트 판별기 학습을 통해 자동으로 혈관을 영역화하는 기법을 제안하였다. 먼저, 혈관의가 늘고 긴 특징를 추출하기 위해, 다중스케일 헤시안 기반필터링을 통해 혈관을 증강시킨다.

제안 방법

그림 4. ROC (receiver operating characteristic) 곡선을 이용한제안 기법 및 타 두 기법 간의 성능 비교.
[1]과 Krissian etal. [2] 이 제안한 자동 영역화 기법들과 비교하는 실험을 수행하였다.
각 기법을 통해 얻어진 결과는 다년간 훈련된 판독자가 수동으로 분할한 결과(manual segmentation)인 혈관 mask영상과의 민감도(sensitivity, 참값의 혈관 영역 가운데 자동 분할에서도 혈관으로 인식된 영역의 비율) 및 DSC(Dice Similarity Coefficient, 수동 또는 자동 분할된 결과에서 혈관인 영역 가운데 둘 모두에서 혈관인 영역의 비율)을 척도로 비교하였다.
의 기법 등 유사한 유형의 기존 기법들 대비 개선된 정확도를 보인다. 구체적으로는, 다중 스케일 헤시안들의 고윳값들(eigenvalues)을 토대로 한 특징 벡터(feature vector)를 정의한 후, 랜덤 포레스트 기반 회귀분석(regression)을 통해 혈관도 값에 대응되는 혈관 확률 값을 더 정확하게 도출하고자 한다.
본 논문에서는 이차원 X-선 혈관조영영상에서 헤시안 행렬의 고윳값 분석과 랜덤 포레스트 판별기 학습을 통해 자동으로 혈관을 영역화하는 기법을 제안하였다. 먼저, 혈관의가 늘고 긴 특징를 추출하기 위해, 다중스케일 헤시안 기반필터링을 통해 혈관을 증강시킨다. 그리고 고윳값과 다양한 스케일을 조합한 특징벡터를 기반으로 한 학습 데이터를 생성한 후, 랜덤 포레스트 판별기를 학습하고, 마지막으로 학습된 판별기를 통해 최종 영역화 결과를 얻는다.
그리고 고윳값과 다양한 스케일을 조합한 특징벡터를 기반으로 한 학습 데이터를 생성한 후, 랜덤 포레스트 판별기를 학습하고, 마지막으로 학습된 판별기를 통해 최종 영역화 결과를 얻는다. 즉, 제안기법은 다중스케일 기반 특징 벡터를 활용하며, 랜덤 포레스트 판별기를 학습할 때, 혈관과 배경을 구분하기 위해 스스로 유용한 스케일의 특징을 선택한다는 장점을 갖는다. 따라서 어느 정도 유용한 스케일 범위를 적용한다면, 스케일개수를 변화시키더라도 성능에 크게 영향을 미치지 않는다.

대상 데이터

랜덤 포레스트 판별기 학습에 이용한 원본영상과 혈관 mask 영상은 각각 1,853 장씩으로 구성되며, 모든 영상의 해상도는 512 × 512이다.
그리고 식(4)에서 언급한 것과 같이 교윳값을 이용한 네 가지의 특징과 다섯 가지 스케일을 조합함으로써 각 픽셀은 20개의 특징 벡터를 갖게 된다. 랜덤 포레스트를 구성하는 트리의 최대 개수는 50개, 최대 깊이는 50으로 설정하여 실험을 수행하였다.

이론/모형

성능 실험은 Intel(R) Core(TM) i7-3770K CPU, 16 GBRAM 사양의 PC에 C++로 구현된 프로그램을 이용하여 수행되었다. 랜덤 포레스트의 학습 및 적용을 위한 코드는 OpenCV 라이브러리[8]를 활용하였다. 랜덤 포레스트 판별기 학습에 이용한 원본영상과 혈관 mask 영상은 각각 1,853 장씩으로 구성되며, 모든 영상의 해상도는 512 × 512이다.

성능/효과

[1]과 Krissian et al. [2] 기법에 비해 민감도는 약 38%, 28% 씩 높게, 그리고 DSC는 약 38%, 33% 씩 높게 측정되었다. 또한, 그림 3은 다섯 프레임에 대한 영역화 결과를 정리한 것으로, 육안으로 보았을 때, 제안 알고리즘을 적용한 영역화 결과에서 타 두 기법에 비해 false positive가 확연히 감소한 것을 확인할 수 있다.
[1]과 Krissian et al. [2] 기법에 비해 전반적으로 True positive rate(민감도)는 높고 False positive rate(1-특이도)는 낮은 결과를 보였다.
또한, 본 알고리즘은 다중스케일 기반이므로 스케일의 개수 변화에 따른 성능을 평가하기 위해 같은 스케일 범위 내에서 3개, 5개, 7개 스케일에 대해, 그리고 다른 스케일 범위를 가지는 5개의 스케일 세 종류에 대해 민감도와 DSC성능평가를 수행한 결과, 5개의 스케일을 사용했을 때에1.5% 내외의 차이로 조금 높은 유사도를 보였다. 또한, 제안한 알고리즘의 보다 객관적인 성능 평가를 위해, 그림 4와 같이 0 부터 1 까지 0.
랜덤 포레스트 판별기를 학습하는데 필요한 매개변수로는 트리의 최대 깊이와 최대 개수가 있다. 먼저, 트리의 최대깊이는 얕을수록 과소적합, 깊을수록 과대적합할 가능성이 있고 트리의 최대 개수는 많을수록 정확도는 높아지지만 예측 수행시간이 선형증가하게 된다.
본 연구에서 제안하는 알고리즘은 그림 1과 같이 크게 세단계로 구분할 수 있다. 첫째, 다중 스케일에서 헤시안 행렬의 고윳값 분석을 통해 혈관을 증강(enhancement)하고 둘째, 헤시안-고윳값 특징벡터를 이용하여 랜덤 포레스트 판별기를 학습하고 셋째, 학습된 판별기를 테스트함으로써 최종 영역화 결과를 얻는다.
총 349 테스트 프레임을 대상으로 수동 분할된 결과와의유사도(similarity)를 측정하는 실험을 수행한 결과, 제안하는 기법은 유사한 유형의 대표적인 기법들보다 정확도가 우수함을 실험을 통해 확인하였다.
총 349 프레임에 대해 각 영역화 기법의 유사도 측정 실험 결과 표 1에서 볼 수 있듯이, 제안 알고리즘은 67%의 민감도와 56%의 DSC를 보였으며, Frangi et al. [1]과 Krissian et al.

후속연구

첫 번째로 보통 X-선 혈관조영영상은 여러 장의 시퀀스로 구성되는데, 본 연구에서 제안한 알고리즘은 입력된 하나의 프레임에서 얻을 수 있는 정보만 이용하기 때문에 활용할 수 있는 특징 정보가 제한적이다. 따라서 인접한 프레임간의 연관성을 또 다른 특징 벡터로 활용함으로써 영역화 결과를 개선하는 후속 연구를 진행중이다.
본 알고리즘을 적용하여 얻은 이차원 혈관 영역화 결과는 관상동맥 중재술 과정에서 시술자가 혈관의 협착 정도를 보다 정확하게 파악하고, 삼차원 CT 혈관 영역화 결과와의 정합을 통해 더 이상 감에 의존하지 않고 올바른 방향으로 도관을 삽입할 수 있도록 유도하여 시술의 정확성을 높이는데 활용될 수 있을 것이다.
앞서 실험을 통해 제안 알고리즘을 이용한 영역화 결과의 정확도가 기존의 헤시안 기반 필터링 기법만을 적용한 결과와 비교하여 높다는 결론을 도출했으나, 몇 가지 한계점이 존재한다. 첫 번째로 보통 X-선 혈관조영영상은 여러 장의 시퀀스로 구성되는데, 본 연구에서 제안한 알고리즘은 입력된 하나의 프레임에서 얻을 수 있는 정보만 이용하기 때문에 활용할 수 있는 특징 정보가 제한적이다. 따라서 인접한 프레임간의 연관성을 또 다른 특징 벡터로 활용함으로써 영역화 결과를 개선하는 후속 연구를 진행중이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	경피적 관상동맥 중재술은 어떻게 진행되는가?	경피적 관상동맥 중재술(Percutaneous coronary intervention, PCI)은 시술자가 피부를 통해 도관(catheter)를삽입하여 관상동맥에 위치시킨 후, 방사선 조영제를 주입하여 촬영된 X-선 혈관조영영상(angiogram)을 바탕으로 진행된다. 하지만 도관을 삽입하는 도중에는 조영된 혈관을 실시간으로 확인할 수 없기 때문에 전적으로 시술자의 감에 의존할 수 밖에 없다.
	랜덤 포레스트는 어떤 기법인가?	랜덤 포레스트는 여러 개의 의사결정트리(Decision tree)로 구성된 Bagging 기법[5]과 Random subspace 기법[6]을 조합한 기법으로, 2001년에 Leo Breiman[7]에 의해 고안되었다. 각 노드에서 후보를 분할 때, Bagging은 현재 노드에 주어진 모든 변수에 대해 판단을 하지만, 랜덤 포레스트는 전체가 아닌 무작위로 샘플링한 일부 변수에 대해서만 판단하여 자식노드를 생성함으로써 Bagging에 비해 수행시간이 짧다는 장점이 있다.
	경피적 관상동맥 중재술의 단점은 무엇인가?	경피적 관상동맥 중재술(Percutaneous coronary intervention, PCI)은 시술자가 피부를 통해 도관(catheter)를삽입하여 관상동맥에 위치시킨 후, 방사선 조영제를 주입하여 촬영된 X-선 혈관조영영상(angiogram)을 바탕으로 진행된다. 하지만 도관을 삽입하는 도중에는 조영된 혈관을 실시간으로 확인할 수 없기 때문에 전적으로 시술자의 감에 의존할 수 밖에 없다. 또한 시술과정에서 얻어지는 영상은 이차원 평면에 투영(projection)된 영상이므로 삼차원 해부학적 정보는 제공해주지 못한다. 그로 인해 시술의 정확성을 담보하기 어려우며, 스텐트(stent) 등 체내 삽입기구가 잘못 삽입되어 이탈하는 경우가 발생하기도 한다.

참고문헌 (8)

A.F. Frangi, W.J. Niessen, K.L. Vincken, M.A. Viergever, "Multiscale vessel enhancement filtering," in Medical Image Computing and Computer-Assisted Intervention - MICCAI'98, Lecture Notes in Computer Science, vol. 1496 - Springer Verlag, Berlin, Germany, Oct. 1998, pp. 130-137.
K. Krissian, G. Malandain, N. Ayache, R. Vaillant, and Y. Trousset, "Model based detection of tubular structures in 3D images," Computer Vision and Image Understanding, vol. 80, no. 2, pp. 130-171, 2000.

상세보기
Fraz, M. M., Remagnino, P., Hoppe, A., Uyyanonvara, B. "An Ensemble Classification-Based Approach Applied to Retinal Blood Vessel Segmentation." Biomedical Engineering, IEEE Transactions on vol. 59, no. 9, pp. 2538-2548, 2012.

상세보기
Gupta, V., Kale, A., & Sundar, H. "A robust and accurate approach to automatic blood vessel detection and segmentation from angiography x-ray images using multistage random forests," in SPIE Medical Imaging 2012: Computer-Aided Diagnosis, vol. 8315, pp. 83152F-83152F-6
L. Breiman, "Bagging Predictors." Machine Learning, vol. 24, no. 2, pp. 123-140, 1996.

상세보기
T. Ho, "The random subspace method for constructing decision forests." Pattern Analysis and Machine Intelligence, IEEE Transactions on, vol. 20, no. 8, pp. 832-844, 1998.

상세보기
L. Breiman, "Random Forests," Machine Learning, vol. 45, no. 1, pp. 5-32, 2001.
Open Source Computer Vision Library, http://opencv.org.

이 논문을 인용한 문헌

저자의 다른 논문 :

LOADING...

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

랜덤 포레스트를 이용한 X-선 혈관조영영상에서의 혈관 자동 영역화 알고리즘
An Automatic Algorithm for Vessel Segmentation in X-Ray Angiogram using Random Forest 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (8)

이 논문을 인용한 문헌

저자의 다른 논문 :

연구과제 타임라인

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

랜덤 포레스트를 이용한 X-선 혈관조영영상에서의 혈관 자동 영역화 알고리즘 An Automatic Algorithm for Vessel Segmentation in X-Ray Angiogram using Random Forest 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (8)

이 논문을 인용한 문헌

저자의 다른 논문 :

정성희 (2) 심학준 (3) 허용석 (4) 장혁재 (5)

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

랜덤 포레스트를 이용한 X-선 혈관조영영상에서의 혈관 자동 영역화 알고리즘
An Automatic Algorithm for Vessel Segmentation in X-Ray Angiogram using Random Forest 원문보기

AI 본문요약
AI-Helper