본 논문은 흉부 엑스레이 영상에서 배경 제거 및 관심 영역을 분할하는 기법을 제안한다. 일반적으로 화질 개선 기법을 적용할 때 영상의 밝기 정보나 주파수 정보를 이용하여 영상 선명도와 대비를 개선하는 방법을 사용한다. 이러한 기법을 엑스레이 영상 전체에 적용하는 경우 배경과 같은 영상의 불필요한 정보 때문에 좋은 성능을 얻기 어렵다. 그래서 본 논문은 사용자가 원하는 영역에만 화질 개선 기법을 적용할 수 있도록 배경 제거 및 관심 영역 (ROI)을 분할하는 방법을 제안한다. 배경 제거를 위해 먼저 원본 영상의 히스토그램 분포를 분석하고 문턱치 처리로 몸체와 배경을 일차적으로 분리한다. 다음으로 유도 필터 (guided filter)를 이용하여 몸체 경계 혹은 배경 경계를 보정한다. 관심 영역 분할을 위해서는 먼저 폐의 위치 정보를 이용하여 폐의 주 밝기 값을 찾는다. 이를 이용하여 문턱치 처리를 한 후 번호 매김과 상기 배경 정보를 이용하여 분류 이외의 것을 제거한다. 마지막으로 폐만 검출된 이진영상을 통해 경계 상자 영역을 생성한다. 모의실험을 통해 제안하는 기법의 우수성을 검증하였다.
본 논문은 흉부 엑스레이 영상에서 배경 제거 및 관심 영역을 분할하는 기법을 제안한다. 일반적으로 화질 개선 기법을 적용할 때 영상의 밝기 정보나 주파수 정보를 이용하여 영상 선명도와 대비를 개선하는 방법을 사용한다. 이러한 기법을 엑스레이 영상 전체에 적용하는 경우 배경과 같은 영상의 불필요한 정보 때문에 좋은 성능을 얻기 어렵다. 그래서 본 논문은 사용자가 원하는 영역에만 화질 개선 기법을 적용할 수 있도록 배경 제거 및 관심 영역 (ROI)을 분할하는 방법을 제안한다. 배경 제거를 위해 먼저 원본 영상의 히스토그램 분포를 분석하고 문턱치 처리로 몸체와 배경을 일차적으로 분리한다. 다음으로 유도 필터 (guided filter)를 이용하여 몸체 경계 혹은 배경 경계를 보정한다. 관심 영역 분할을 위해서는 먼저 폐의 위치 정보를 이용하여 폐의 주 밝기 값을 찾는다. 이를 이용하여 문턱치 처리를 한 후 번호 매김과 상기 배경 정보를 이용하여 분류 이외의 것을 제거한다. 마지막으로 폐만 검출된 이진영상을 통해 경계 상자 영역을 생성한다. 모의실험을 통해 제안하는 기법의 우수성을 검증하였다.
This paper proposes methods to remove background area and segment region of interest (ROI) in chest X-ray images. Conventional algorithms to improve detail or contrast of images normally utilize brightness and frequency information. If we apply such algorithms to the entire images, we cannot obtain ...
This paper proposes methods to remove background area and segment region of interest (ROI) in chest X-ray images. Conventional algorithms to improve detail or contrast of images normally utilize brightness and frequency information. If we apply such algorithms to the entire images, we cannot obtain reliable visual quality due to unnecessary information such as background area. So, we propose two effective algorithms to remove background and segment ROI from the input X-ray images. First, the background removal algorithm analyzes the histogram distribution of the input X-ray image. Next, the initial background is estimated by a proper thresholding on histogram domain, and it is removed. Finally, the body contour or background area is refined by using a popular guided filter. On the other hand, the ROI, i.e., lung segmentation algorithm first determines an initial bounding box using the lung's inherent location information. Next, the main intensity value of the lung is computed by vertical cumulative sum within the initial bounding box. Then, probable outliers are removed by using a specific labeling and the pre-determined background information. Finally, a bounding box including lung is obtained. Simulation results show that the proposed background removal and ROI segmentation algorithms outperform the previous works.
This paper proposes methods to remove background area and segment region of interest (ROI) in chest X-ray images. Conventional algorithms to improve detail or contrast of images normally utilize brightness and frequency information. If we apply such algorithms to the entire images, we cannot obtain reliable visual quality due to unnecessary information such as background area. So, we propose two effective algorithms to remove background and segment ROI from the input X-ray images. First, the background removal algorithm analyzes the histogram distribution of the input X-ray image. Next, the initial background is estimated by a proper thresholding on histogram domain, and it is removed. Finally, the body contour or background area is refined by using a popular guided filter. On the other hand, the ROI, i.e., lung segmentation algorithm first determines an initial bounding box using the lung's inherent location information. Next, the main intensity value of the lung is computed by vertical cumulative sum within the initial bounding box. Then, probable outliers are removed by using a specific labeling and the pre-determined background information. Finally, a bounding box including lung is obtained. Simulation results show that the proposed background removal and ROI segmentation algorithms outperform the previous works.
본 논문은 상용 소프트웨어에 적용할 수 없는 이전 논문들의 연산량 문제를 해결하고 분할 정확도는 유지 하는 방법을 제안한다. 흉부 X- ray 영상에서 배경을 제거하고 관심영역인 폐를 효과적으로 분할하는 기법을 제안한다.
제안 방법
흉부 X-ray 영상의 특성상 장기의 위치가 대부분 동일한 위치에 있다는 점을 가정하여 폐의 초기 영역 즉, 가상 영역의 블록을 잡고 1차원 방향 밝기 값의 합을 통하여 폐를 초기 검출하기 위한 문턱치 값을 얻는다. 다음으로 몸의 경계 정보를 이용하여 분류 이외의 것을 제거하고 얻은 폐만 검출된 이진영상을 경계 상자 영역으로 관심영역으로 결정한다.
본 논문은 흉부 X-ray의 투과성에 밝기 특성과 폐의 위치 특성을 이용하여 몸체 분할 및 관심 영역 분할 방법을 제안하였다. 제안하는 몸체 분할 기법은 비교 기법과 비슷한 분할 성능은 유지하면서 평균 연산 시간은 약 0.
다음으로 영상의 관심영역 (ROI)을 분할하는 기법을 제안한다. 흉부 X-ray 영상의 특성상 장기의 위치가 대부분 동일한 위치에 있다는 점을 가정하여 폐의 초기 영역 즉, 가상 영역의 블록을 잡고 1차원 방향 밝기 값의 합을 통하여 폐를 초기 검출하기 위한 문턱치 값을 얻는다. 다음으로 몸의 경계 정보를 이용하여 분류 이외의 것을 제거하고 얻은 폐만 검출된 이진영상을 경계 상자 영역으로 관심영역으로 결정한다.
대상 데이터
본 논문의 테스트 영상으로 원본 영상에 로우패스필터로 노이즈 성분만 제거한 영상을 사용했으며, 3052x3052 해상도와 14 bit의 흉부 X-ray 영상 20개를 사용하였다. 알고리즘은 C언어로 구현되었고, 컴퓨터는 CPU i5-4570, 12GB RAM을 사용하였다.
이론/모형
특히 영상의 대비 개선으로 인하여 폐의 혈관이 더욱 두드러지게 보인다. 대비 개선 효과를 정량적 으로 측정하기 위해서 개선측정 (measure of enhancement, 이하 EME) 계수[11]와 마이컬슨 대비 (Michelson contrast)에 기반을 둔 대수 마이컬슨 대비 측정 (logarithmic Michelson contrast measure, 이하 AME)[12]을 이용하였다. EME와 AME는 식 (12)와 식 (13)으로 정의한다.
성능/효과
260초로 약 17배 빠르다. 제안하는 관심 영역 분할 기법도 0.5 초 내외의 빠른 검출 속도로 충분히 상용화 가능한 수준을 보인다. 제안하는 분할 기법은 영상 화질 개선에 도움이 될 뿐만 아니라 영상 대비 몸의 영역 비율을 계산하여 몸에 가해진 방사능 피폭량을 알 수있는 등 다양한 부분에서 활용될 여지가 있다.
본 논문은 흉부 X-ray의 투과성에 밝기 특성과 폐의 위치 특성을 이용하여 몸체 분할 및 관심 영역 분할 방법을 제안하였다. 제안하는 몸체 분할 기법은 비교 기법과 비슷한 분할 성능은 유지하면서 평균 연산 시간은 약 0.260초로 약 17배 빠르다. 제안하는 관심 영역 분할 기법도 0.
후속연구
5 초 내외의 빠른 검출 속도로 충분히 상용화 가능한 수준을 보인다. 제안하는 분할 기법은 영상 화질 개선에 도움이 될 뿐만 아니라 영상 대비 몸의 영역 비율을 계산하여 몸에 가해진 방사능 피폭량을 알 수있는 등 다양한 부분에서 활용될 여지가 있다. 향후 흉부 X-ray 영상 외에도 발, 다리, 손 등 다른 부위의 X-ray 영상에서 작동하는 연구와 분할 정확도를 높이기 위한 연구를 진행할 것이다.
제안하는 분할 기법은 영상 화질 개선에 도움이 될 뿐만 아니라 영상 대비 몸의 영역 비율을 계산하여 몸에 가해진 방사능 피폭량을 알 수있는 등 다양한 부분에서 활용될 여지가 있다. 향후 흉부 X-ray 영상 외에도 발, 다리, 손 등 다른 부위의 X-ray 영상에서 작동하는 연구와 분할 정확도를 높이기 위한 연구를 진행할 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
흉부 X-ray 영상에서 몸체 분할 기법에는 무엇이 있는가?
에지 같은 급격한 밝기 변화를 이용하여 영상을 분할하거나 히스토그램을 이용한 문턱치 처리[2], 각 화소나 영역의 특징 점을 이용한 분할 기법[8]등이 있다. 본 논문의 대상 영상인 흉부 X-ray 영상에서 몸체 분할 기법으로는 분수선 검출 방법을 이용하여 몸체의 경계를 찾아 분할하는 방식이 있고[16], 폐 분할 기법으로는 영상의 특징점을 이용하는 방법인 ASM (active shape model)[5], AAM (active appearance model)[6]과 화소 분류 (pixel classification) 방식으로 폐사이의 장기까지 분할하는 방법[7∼8]이 있다. 그러나 흉부 X-ray 영상에서 사용자가 보기 원하는 관심 영역은 폐와 폐사이의 장기들 전부를 포함한 영역이기 때문에 폐와 장기를 각각 분할할 필요가 없으며 오히려 분할하여 화질 개선 기법으로 영상을 처리했을 때 분할 경계 부근의 이질감이 사용자로 하여금 환자의 이상 유무를 오판할 가능성이 존재한다.
열림 연산이란 무엇인가?
본 논문에서는 열림 연산을 통하여 배경에 존재하는 잡음을 제거한다. 열림 연산은 침식과 팽창을 순서대로 수행하는 형태학적 방법을 말한다. 먼저 침식 연산을 수행하여 잡음을 제거한 뒤 몸의 경계에 침식 연산으로 줄어든 영역을 팽창 연산으로 복구한다.
본 논문에서 제안한 두 가지 분할 방법은 무엇인가?
본 논문은 두 가지 분할 방법을 제안한다. 먼저, 우리는 히스토그램 기반으로 배경과 몸체를 분할하고 몸의 경계 부근 분할 정확도를 개선하는 몸체 분할 기법을 제안한다. 다음으로 흉부 X-ray 영상에서 관심영역인 폐와 폐 사이의 장기 부분만 경계 상자 형태로 분할하는 관심영역 분할 기법을 제안한다.
참고문헌 (13)
A.M. Reza. "Realization of the contrast limited adaptive histogram equalization(CLAHE) for real-time image enhancement." J. VLSI Signal Processing Syst., pp. 35-44, Aug. 2004.
J.H. Jang, B. Choi, S.D. Him, and J.B. Ra, "Sub-band decomposed multiscale retinex with space varying gain." in Proc. IEEE Int. Conf. Image Process, pp. 3168-3171, Oct. 2008.
B.V. Ginneken, A.F. Frangi, J.J. Staal, B.M. ter Haar Romeny, Viergever, M.A., "Active shape model segmentation with optimal features." IEEE Trans. Medical Imaging, vol. 21, no. 8, pp. 924-933, Aug. 2002.
T.F. Cootes, G.J. Edwards and C.J. Taylor, "Comparing active shape models with active appearance models." Proceedings of the British Machine Vision Conference, pp. 173-182, 1999.
B.V. Ginneken and B.T.H. Romeny, "Automatic segmentation of lung fields in chest radiographs." Medical Physics, vol. 27, no. 10, pp. 2445-2455, 2000.
Y Shao, Y. Gao, Y. Guo, Y. Shi, X. Yang, D. Shen, "Hierarchical lung field segmentation with joint shape and appearance sparse learning." IEEE Trans. Medical Imaging, vol. 33, no. 9, pp. 1761-1780, Sept. 2014.
B.V. Ginneken, M. Stegmann, M. Loog, "Segmen tation of anatomical structures in chest radiographs using supervised methods : a comparative study on a public database", Medical Image Analysis. pp. 19-40, 2006.
S.S. Agaian, K. Panetta and A. Grigoryan, "Transform based image enhancement with performance measure", IEEE Trans. Image Process, vol. 10, no. 3, pp. 367-382, Mar 2001.
S.S. Agaian, B. Silver and K.A. Panetta,, "Transform coefficient histogram-based image enhancement algorithms using contrast entropy", IEEE Trans. Image Process, vol. 16, no. 3, pp. 471-758, Mar 2007.
X. Zhang, F. Jia, S. Luo, G. Liu, Q. Hu, "A marker-based watershed method for X-ray image segmentation," Computer Methods and Programs in Biomedicine, vol. 113, no. 3, pp. 894-903, March 2014.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.