뇌경색 감별진단을 위한 컴퓨터보조진단 응용: Brain CT Images 적용 Computer Aided Diagnosis Applications for the Differential Diagnosis of Infarction: Apply on Brain CT Image원문보기
본 연구는 통계적 속성에 기반한 질감특징값 분석을 바탕으로 뇌 전산화단층촬영 영상에서 정상과 뇌경색의 컴퓨터보조진단의 적용 가능성을 알아보고자 하였다. 실험은 질감특징값을 나타내는 6개의 파라미터를 이용한 질환인식률 평가와 ROC curve를 분석하였다. 그 결과 평균밝기 88%, 대조도 92%, 평탄도 94%, 균일도 88%, 엔트로피 84%의 높은 질환인식률을 나타내었다. 하지만 왜곡도의 경우 58%로 다소 낮은 질환 인식률을 나타내었다. ROC curve를 이용한 분석에서 각 파라미터의 곡선아래면적이 0.886(p=0.0001)이상을 나타내어 질환인식에 의미가 있는 결과로 나타났다. 또한 각 파라미터의 cut-off값 결정으로 컴퓨터보조진단을 통한 질환예측이 가능할 것으로 판단된다.
본 연구는 통계적 속성에 기반한 질감특징값 분석을 바탕으로 뇌 전산화단층촬영 영상에서 정상과 뇌경색의 컴퓨터보조진단의 적용 가능성을 알아보고자 하였다. 실험은 질감특징값을 나타내는 6개의 파라미터를 이용한 질환인식률 평가와 ROC curve를 분석하였다. 그 결과 평균밝기 88%, 대조도 92%, 평탄도 94%, 균일도 88%, 엔트로피 84%의 높은 질환인식률을 나타내었다. 하지만 왜곡도의 경우 58%로 다소 낮은 질환 인식률을 나타내었다. ROC curve를 이용한 분석에서 각 파라미터의 곡선아래면적이 0.886(p=0.0001)이상을 나타내어 질환인식에 의미가 있는 결과로 나타났다. 또한 각 파라미터의 cut-off값 결정으로 컴퓨터보조진단을 통한 질환예측이 가능할 것으로 판단된다.
In this study, based on the analysis of texture feature values of statistical properties. And we examined the normal and the applicability of the computer-aided diagnosis of cerebral infarction in the brain computed tomography images. The experiment was analyzed to evaluate the ROC curve recognition...
In this study, based on the analysis of texture feature values of statistical properties. And we examined the normal and the applicability of the computer-aided diagnosis of cerebral infarction in the brain computed tomography images. The experiment was analyzed to evaluate the ROC curve recognition rate of disease using six parameters representing the feature values of the texture. As a result, it showed average mean 88%, variance 92%, relative smoothness 94%, uniformity of 88%, a high disease recognition rate of entropy 84%. However, it showed a slightly lower disease recognition rate and 58% for skewness. In the analysis using ROC curve, the area under the curve for each parameter indicates 0.886 (p = 0.0001) or more, resulted in a meaningful recognition of the disease. Further, to determine the cut-off values for each parameter are determined to be the prediction of disease through the computer-aided diagnosis.
In this study, based on the analysis of texture feature values of statistical properties. And we examined the normal and the applicability of the computer-aided diagnosis of cerebral infarction in the brain computed tomography images. The experiment was analyzed to evaluate the ROC curve recognition rate of disease using six parameters representing the feature values of the texture. As a result, it showed average mean 88%, variance 92%, relative smoothness 94%, uniformity of 88%, a high disease recognition rate of entropy 84%. However, it showed a slightly lower disease recognition rate and 58% for skewness. In the analysis using ROC curve, the area under the curve for each parameter indicates 0.886 (p = 0.0001) or more, resulted in a meaningful recognition of the disease. Further, to determine the cut-off values for each parameter are determined to be the prediction of disease through the computer-aided diagnosis.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
[9] 디지털 의료영상 처리에 사용되는 질감 특징 분석(texture feature analysis) 방법에는 통계적 방법과 구조적방법 등이 있으며 영상처리에서 시공간적인 multi scale에서 분석하기 위해서 wavelet 변환을 적용해야 하는데 wavelet 변환은 최근 신호처리나 패턴 인식분야에서 자주 사용되는 방법으로 공간영역과 주파수영역에서 관심영역(region of interest)의 특징을 잘 나타내는 특성을 가지고 있어 질감특징분석에 아주 효과적이다.[10] 따라서 본 연구는 컴퓨터단층촬영 영상의 진단적 오류에 대한 문제를 최소화하고 수치상 정보를 전문의에게 제공하여 뇌경색의 대한 정확한 진단과 올바른 치료방향을 제시하기 위하여 질감특징분석을 이용한 통계적 wavelet 변환 기술 기반의 컴퓨터보조진단시스템을 제안하고 이를 컴퓨터단층촬영 영상에서 뇌경색 환자에 적용하고자 하였다.
[5] 뇌경색 주된 증상은 측 마비(hemiplegia), 언어장애, 시각장애, 어지럼증, 심한 두통으로 증상 나타났을 경우 3시간 이내에 병원에 내원하여 막힌 혈관을 뚫어야 증상이 호전될 수 있고, 뇌경색을 진단하기 위한 영상의학적 검사는 전산화단층촬영, MRI 검사가 있는데, 신속한 검사와 정확한 진단은 환자의 치료방향 결정과 예후를 결정하는데 중요한 역할을 한다.[6] 그래서 뇌경색으로 병원으로 내원한 응급환자에게 주로 시행되는 뇌 전산화단층촬영 영상을 이용하여, 뇌경색 환자에 대한 의료영상의 진단 오류를 줄이고 올바른 치료방향을 결정할 수 있도록 도움을 줄 수 있는 컴퓨터보조진단(Computer Aided Diagnosis) 시스템 구현을 위한 실험적 모형 연구를 실시하게 되었다. 그리고 의료영상의 진단오류를 최소화하기 위한 실험적 연구는 객체인식 기술을 기반으로 하는 질감특징분석, 주성분분석, 동적링크구조, 신경회로망을 이용한 방법 등 여러 분야에서 다양하게 연구되고 있다.
본 연구는 뇌 전산화단층촬영 영상에서 질감특징분석과 ROC curve 분석을 통한 컴퓨터보조진단시스템의 적용을 위한 실험적인 연구이다. 또한 보다 객관적인 의료 정보의 제공과 뇌질환의 정확한 진단과 치료 방향을 제시하고자 하였다. 이를 위해 정상 및 뇌경색 전산화단층촬영 영상을 실험영상으로 하여 질감의 특징값을 나타내는 6가지 파라미터로 통계적 분석 결과를 나타내었다.
본 연구는 뇌 전산화단층촬영 영상에서 질감특징분석과 ROC curve 분석을 통한 컴퓨터보조진단시스템의 적용을 위한 실험적인 연구이다. 또한 보다 객관적인 의료 정보의 제공과 뇌질환의 정확한 진단과 치료 방향을 제시하고자 하였다.
제안 방법
Fig. 8은 ROC 분석 결과이며, 전산화단층촬영 영상에서 뇌경색 질환의 감별진단을 위한 cut-off 값을 결정하기 위해 6개의 질감특징분석 파라미터의 곡선하면적(AUC; Area Under the Curve)을 정확도의 지표로 이용하였으며, 민감도와 특이도의 합이 가장 큰 값을 cutoff 값으로 선택하였다.
[7][8] 본 연구에서는 뇌경색 환자의 전산화단층촬영 의료영상을 이용하여 영상의 크기 및 방향, 세포간 거리 등에 대한 규칙성과 불규칙성은 뇌경색의 진행 정도를 판단하기 위한 척도가 되기 때문에 디지털 의료 영상의 특징(feature)을 분석하고 판단하기 위해서 질감특징분석이 필요하였다.
05이하일 경우 통계적으로 유의하다고 판정하였다. 전산화단층촬영 영상에서 뇌경색을 예측하기 위한 기준을 알아보고자 ROC Receiver Operating Characteristic curve를 분석하였으며, 검사의 합리성을 나타내는 지표인 AUC(Area Under the Curve),민감도(sensitivity) 및 특이도(specificity)를 구하였다.
정상 뇌 영상의 분석영역은 오른쪽 측내실 부위를 50×50 pixel 크기로 괸심영역으로 설정하여 실험을 시행하였다.
획득된 전산화단층촬영 영상에서 고유영상을 획득하기 위해 학습영상을 정상 뇌 전산화단층촬영영상으로 설정하였으며, 테스트영상으로 뇌경색 전산화단층촬영을 설정하였다. 6가지 질감특성 묘사자들에 대한 알고리즘 적용을 위해 질감특성들의 조합으로 차원을 축소시키는 특성 추출(feature extraction) 방법을 사용하였으며, 결과값 산출은 MATLAB(R2007a release, Ver.
대상 데이터
실험 대상의 선정은 영상의학과 전문의의 전산화단층촬영 영상의 판독결과를 토대로 하였으며, 정상적인 환자의 뇌 전산화단층촬영 영상 50증례, 뇌경색 환자 영상 50증례를 이용하여 관심영역(ROI) 부위의 실험영상을 획득하였다. 실험영상의 획득에 사용된 장비는 SOMATOM Definition CT(SIEMENS, Germany)이다.
실험영상의 획득에 사용된 장비는 SOMATOM Definition CT(SIEMENS, Germany)이다. 실험 영상의 획득 시 파라미터는 FOV 205X205, KVp 100, mAs 175(305mA, rotation time 0.5), window width 80, window level 25 이다. 실험영상의 객관성을 확보하기 위해 복합질환 포함되어 있는 영상은 실험에서 제외 하였고, 뇌경색 환자 전산화단층촬영 영상만 선정하여 50×50 pixel 크기로 관심영역을 선정하여 연구를 실시하였다.
실험영상의 객관성을 확보하기 위해 복합질환 포함되어 있는 영상은 실험에서 제외 하였고, 뇌경색 환자 전산화단층촬영 영상만 선정하여 50×50 pixel 크기로 관심영역을 선정하여 연구를 실시하였다.
실험 대상의 선정은 영상의학과 전문의의 전산화단층촬영 영상의 판독결과를 토대로 하였으며, 정상적인 환자의 뇌 전산화단층촬영 영상 50증례, 뇌경색 환자 영상 50증례를 이용하여 관심영역(ROI) 부위의 실험영상을 획득하였다. 실험영상의 획득에 사용된 장비는 SOMATOM Definition CT(SIEMENS, Germany)이다. 실험 영상의 획득 시 파라미터는 FOV 205X205, KVp 100, mAs 175(305mA, rotation time 0.
데이터처리
획득된 전산화단층촬영 영상에서 고유영상을 획득하기 위해 학습영상을 정상 뇌 전산화단층촬영영상으로 설정하였으며, 테스트영상으로 뇌경색 전산화단층촬영을 설정하였다. 6가지 질감특성 묘사자들에 대한 알고리즘 적용을 위해 질감특성들의 조합으로 차원을 축소시키는 특성 추출(feature extraction) 방법을 사용하였으며, 결과값 산출은 MATLAB(R2007a release, Ver. 7.4,MathWorks Inc., USA) program을 이용하였다.
또한 보다 객관적인 의료 정보의 제공과 뇌질환의 정확한 진단과 치료 방향을 제시하고자 하였다. 이를 위해 정상 및 뇌경색 전산화단층촬영 영상을 실험영상으로 하여 질감의 특징값을 나타내는 6가지 파라미터로 통계적 분석 결과를 나타내었다. 뇌경색에 대한 분석결과로 밝기의 상대적 부드러움인 평탄도에서 94% 가장 높은 인식률을 나타내었고, 측정값의 표준편차인 대조도에서 92%,히스토그램의 평균값을 나타내는 평균밝기에서 88%, 주변 회색조의 값의 유사정도를 나타내는 균일도에서 88%, 평균정보량을 나타내는 엔트로피에서 84%를 나타내었고, 히스토그램의 비대칭도를 측정하는 왜곡도에서 값의 큰 차이를 보이지 않아 58%로 상대적으로 낮은 인식률을 나타내었다.
통계분석은 MedCalc for window ver. 15.8((MedCalcsoftware, ostend, Belgium)의 프로그램을 이용하였으며, 모든 분석에서 p값이 0.05이하일 경우 통계적으로 유의하다고 판정하였다. 전산화단층촬영 영상에서 뇌경색을 예측하기 위한 기준을 알아보고자 ROC Receiver Operating Characteristic curve를 분석하였으며, 검사의 합리성을 나타내는 지표인 AUC(Area Under the Curve),민감도(sensitivity) 및 특이도(specificity)를 구하였다.
성능/효과
뇌경색에 대한 분석결과로 밝기의 상대적 부드러움인 평탄도에서 94% 가장 높은 인식률을 나타내었고, 측정값의 표준편차인 대조도에서 92%,히스토그램의 평균값을 나타내는 평균밝기에서 88%, 주변 회색조의 값의 유사정도를 나타내는 균일도에서 88%, 평균정보량을 나타내는 엔트로피에서 84%를 나타내었고, 히스토그램의 비대칭도를 측정하는 왜곡도에서 값의 큰 차이를 보이지 않아 58%로 상대적으로 낮은 인식률을 나타내었다. ROC curve를 이용한 분석에서 AUC의 경우 0.6이상일 때 의미가 있는 것으로 평가하며[16], 본 연구에 이용된 6가지의 파라미터 모두 0.886(p=0.0001)이상을 나타내어 질환인식에 의미가 있는 결과를 나타내었다. 또한 각 파라미터의 질환예측을 위한 cut-off 값은 평균밝기 132.
0033으로 나타났다. 균일도는 회색조가 동일한 값을 의미하기 때문에 두 분포가 겹쳐지지 않으면서 뇌경색 영상의 결과 값이 정상 뇌 영상의 균일도 범위를 벗어나면 질환의 구별이 가능하며, 전체 50증례에서 정상 뇌 영상의 최대값과 최소값의 범위를 벗어나는 뇌경색 영상은 44증례로 뇌경색의 인식률은 88%로 나타났다.
균일도의 분석 결과 AUC 0.985, 민감도 88.00%, 특이도 100%(95% 신뢰구간 0.937∼0.999), Youden index 0.8800에서 cut-off 값은 0.0298로 나타났다.
3135로 나타났다. 뇌경색 영상의 결과 값이 정상 뇌 영상의 범위를 벗어나면 질환의 구별이 가능하며, 전체 50증례에서 정상 뇌 영상의 최대값과 최소값의 범위를 벗어나는 뇌경색 영상은 44증례로 뇌경색의 인식률은 88%로 나타났다.
이를 위해 정상 및 뇌경색 전산화단층촬영 영상을 실험영상으로 하여 질감의 특징값을 나타내는 6가지 파라미터로 통계적 분석 결과를 나타내었다. 뇌경색에 대한 분석결과로 밝기의 상대적 부드러움인 평탄도에서 94% 가장 높은 인식률을 나타내었고, 측정값의 표준편차인 대조도에서 92%,히스토그램의 평균값을 나타내는 평균밝기에서 88%, 주변 회색조의 값의 유사정도를 나타내는 균일도에서 88%, 평균정보량을 나타내는 엔트로피에서 84%를 나타내었고, 히스토그램의 비대칭도를 측정하는 왜곡도에서 값의 큰 차이를 보이지 않아 58%로 상대적으로 낮은 인식률을 나타내었다. ROC curve를 이용한 분석에서 AUC의 경우 0.
2537으로 나타났다. 대조도는 측정값이 평균으로부터 떨어진 거리를 의미하기 때문에 두 분포가 겹쳐지지 않으면서 뇌경색 영상의 결과 값이 정상 뇌 영상의 대조도 범위를 벗어나면 질환의 구별이 가능하며, 전체 50증례에서 정상 뇌 영상의 최대값과 최소값의 범위를 벗어나는 뇌경색 영상은 46증례로 지방간의 인식률은 92%로 나타났다.
대조도의 분석결과 AUC 0.983, 민감도 92.00%, 특이도 100%(95% 신뢰구간 0.935 ∼0.998), Youden index 0.9200에서 cut-off 값은 73.7151로 나타났다.
2715으로 나타났다. 엔트로피는 정보량을 나타내는 척도로 뇌경색 영상의결과 값이 정상 뇌 영상의 엔트로피 범위를 벗어나면 질환의 구별이 가능하며, 전체 50증례에서 정상 뇌 영상의 최대값과 최소값의 범위를 벗어나는 뇌경색 영상은 42증례로 지방간의 인식률은 84%로 나타났다.
0346으로 나타났다. 왜곡도는 히스토그램 분포가 치우친 정도를 나타내기 때문에 두 분포가 겹치지 않으면서 히스토그램 분포가 치우친 정도가 클수록 질환의 구별이 가능하며, 전체 50증례에서 정상 뇌 영상의 최대값과 최소값의 범위를 벗어나는 뇌경색 영상은 29증례로 지방간의 인식률은 58%로 나타났다.
왜곡도의 분석결과 AUC 0.886, 민감도 66.00%, 특이도 96.00%(95% 신뢰구간 0.807∼0.941), Youden index 0.6200에서 cut-off 값은 -0.3505로 나타났다.
정상 뇌 영상의 균일도 값은 최대 0.0399, 최소 0.0309, 평균 0.0355±0.0024로 나타났으며, 뇌경색 영상의 균일도 값은 최대 0.0328, 최소 0.0208, 평균 0.0258±0.0033으로 나타났다.
정상 뇌 영상의 엔트로피 값은 최대 5.3565, 최소 4.7624, 평균 5.1083±0.1494로 나타났으며, 뇌경색 영상의 엔트로피 값은 최대 6.2233, 최소 5.1750, 평균 5.7522±0.2715으로 나타났다.
정상 뇌 영상의 왜곡도 값은 최대 -0.3500, 최소 -0.4384, 평균 -0.3961±0.0306로 나타났으며, 뇌경색 영상의 왜곡도 값은 최대 -0.2769, 최소 -0.3993, 평균 -0.3339±0.0346으로 나타났다.
정상 뇌 영상의 평균 밝기 값은 최대 133.2381, 최소 132.1012, 평균 132.5925±0.2767로 나타났으며, 뇌경색 영상의 평균 밝기 값은 최대 132.2675, 최소 131.0275, 평균 131.5017±0.3135로 나타났다.
정상 뇌 영상의 평균대조도 값은 최대 74.4182, 최소 73.9216, 평균 74.1211±0.1374로 나타났으며, 뇌경색 영상의 대조도 값은 최대 74.0023, 최소 73.0727, 평균 73.3772±0.2537으로 나타났다.
정상 뇌 영상의 평탄도 값은 최대 0.0784, 최소 0.0773, 평균 0.0778±0.0002로 나타났으며, 뇌경색 영상의 평탄도 값은 최대 0.0774, 최소 0.0760, 평균 0.0765±0.0004으로 나타났다.
평균밝기의 분석결과 AUC 0.994, 민감도 98.00%, 특이도 94.00%(95% 신뢰구간 0.952∼1.000), Youden index 0.9200에서 cut-off 값은 132.2132로 나타났다.
0004으로 나타났다. 평탄도는 일정한 밝기 영역을 0, 밝기가 크게 벗어나는 영역은 1에 근접하기 때문에 두 분포가 겹치지 않고 일정한 정상 뇌 영상은 0, 밝기 영역이 불규칙한 뇌경색 영상은 1에 근접할수록 질환의 구별이 가능하며, 전체 50증례에서 정상 뇌 영상의 최대값과 최소값의 범위를 벗어나는 뇌경색 영상은 50증례로 지방간의 인식률은 94%로 나타났다.
평탄도의 분석결과 AUC 0.996, 민감도 94%, 특이도 100%(95% 신뢰구간 0.955∼1.000), Youden index 0.9400에서 cut-off 값은 0.0772로 나타났다.
후속연구
본 연구의 결과는 뇌경색 컴퓨터단층촬영 영상에서 의료영상용 컴퓨터보조진단 시스템의 발전된 프로그램구현 가능성을 나타내었으며 디지털 의료영상의 자동진단 및 의사가 질환을 최종진단 하기 위한 예비 자료로서 적용 가능할 것이다. 또한 최종 진단에서 객관적인 판단과 및 판독시간 단축에 유용하게 적용 될 수 있을 것으로 기대한다. 향후 뇌경색 질환 중 뇌출혈 및 뇌종양 등이 포함된 복합질환의 판별 및 인식에 관한 연구도 같이 병행되어야 될 것이다.
본 연구의 결과는 뇌경색 컴퓨터단층촬영 영상에서 의료영상용 컴퓨터보조진단 시스템의 발전된 프로그램구현 가능성을 나타내었으며 디지털 의료영상의 자동진단 및 의사가 질환을 최종진단 하기 위한 예비 자료로서 적용 가능할 것이다. 또한 최종 진단에서 객관적인 판단과 및 판독시간 단축에 유용하게 적용 될 수 있을 것으로 기대한다.
9200로 나타났다. 이러한 결과를 바탕으로 뇌 전산화단층촬영 영상에서 결정된 cut-off값 보다 높은 값을 나타낼 경우 뇌경색을 예측 할 수 있을 것으로 판단된다. 본 연구 결과와 관련하여 Lin et.
또한 최종 진단에서 객관적인 판단과 및 판독시간 단축에 유용하게 적용 될 수 있을 것으로 기대한다. 향후 뇌경색 질환 중 뇌출혈 및 뇌종양 등이 포함된 복합질환의 판별 및 인식에 관한 연구도 같이 병행되어야 될 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
질감특징값을 나타내는 6개의 파라미터를 이용한 질환인식률 평가와 ROC curve를 분석한 결과는 어떠한가?
실험은 질감특징값을 나타내는 6개의 파라미터를 이용한 질환인식률 평가와 ROC curve를 분석하였다. 그 결과 평균밝기 88%, 대조도 92%, 평탄도 94%, 균일도 88%, 엔트로피 84%의 높은 질환인식률을 나타내었다. 하지만 왜곡도의 경우 58%로 다소 낮은 질환 인식률을 나타내었다. ROC curve를 이용한 분석에서 각 파라미터의 곡선아래면적이 0.
뇌에 질환이 생기면 어떠한 현상이 발생하는가?
5% 크기에 불과하지만 신체의 모든 기능을 조절하는 통제기관으로써의 역할뿐 아니라 정신적인 조절기능도 관장하는 아주 중요한 기관이다.[1] 그리고 뇌는 물질대사가 매우 활발하고 산소 부족에 민감하며 신경세포가 복잡한 구조로 구성되어 있어 뇌에 질환이 생기면 신체적인 기능 뿐 만 아니라 정신적인 능력도 문제가 생겨 사회생활이 힘들어 지게 된다.[2] 뇌 질환은 일반적으로 3가지로 나누는데 뇌졸중, 뇌종양, 치매로 나누어진다.
뇌는 어떠한 기관인가?
뇌는 머리뼈 안에 있고 신경세포가 모여 있으며 온몸의 신경을 지배하고 있는 기관으로 사람의 몸에서 차지하는 비중이 2%-2.5% 크기에 불과하지만 신체의 모든 기능을 조절하는 통제기관으로써의 역할뿐 아니라 정신적인 조절기능도 관장하는 아주 중요한 기관이다.[1] 그리고 뇌는 물질대사가 매우 활발하고 산소 부족에 민감하며 신경세포가 복잡한 구조로 구성되어 있어 뇌에 질환이 생기면 신체적인 기능 뿐 만 아니라 정신적인 능력도 문제가 생겨 사회생활이 힘들어 지게 된다.
참고문헌 (18)
Jung. Hee. Kim, "Usefulness of Functional MRI for the Study of Brain Function", Korean Brain Society, Vol. 1, No. 1, pp. 65-761, 2001.
Jung. Eun. Byun, Eun. Bum. Kang, "The effects of senior brain health exercise program on basic physical fitness, cognitive function and BDNF of elderly women - a feasibility study", Journal of exercise nutrition & biochemistry, Vol. 20, No. 2, pp. 8-18, 2016.
Sung. Hoon. Lee, "Stroke Update 2009: Diagnosis and Stroke Imaging", Korean journal of stroke, Vol. 11, No. 2, pp. 53-55, 2009.
Philip. B. Gorelick, "Primary and Comprehensive Stroke Centers : History Value and Certification Criteria", Korean journal of stroke, Vol. 15, No. 2, pp. 78-89, 2013.
Matsumoto, Hiroaki, Yoshida, Yasuhisa, "Rapid Progression of Cerebral Infarction after Intraventricular Hemorrhage in Adult Moyamoya Disease", Journal of Korean Neurosurgical Society, Vol. 54, No. 5, pp. 411-414, 2013.
Young. Dae. Kwon, Sung. Sang. Yoon, Hye. Jung. Chang, "Impact of an Early Hospital Arrival on Treatment Outcomes in Acute Ischemic Stroke Patients", Journal of preventive medicine and public health, Vol. 40, No. 2, pp. 130-136, 2007.
S. Selvan, S. Ramakrishnan, "SVD-Based Modeling for Image Texture Classification Using Wavelet Trans formation", IEEE transactions on image processing, Vol. 16, No. 11, pp. 2688-2696, 2007.
Montseny. E, Oliver. G, Sobrevilla. P, "Multi-Processor System for Polygonal Object Recognition by Means of Fuzzy Algorithms", International Conference on Pattern Recognition, Vol. 11, No. 4, pp. 170-172, 1992.
Dae. Hun. Kim, Seong. Jin. Ko, Se. Sik. Kang, Jung. Hoon. Kim, Chang. Soo. Kim, "Computer-Aided Diagnosis for Pulmonary Tuberculosis using Texture Features Analysis in Digital Chest Radiography", The Korea Contents Society, Vol. 11, No. 11, pp. 185-193, 2011.
Ji. Hyun. Yoo, Seong. Yong. Ohm, Min. Gyo. Chung, "Maximum-Entropy Image Enhancement Using Brightness Mean and Variance", Korean Society for Internet Information, Vol. 13, No. 3, pp. 61-73, 2012.
Fangyan. Nie, Pingfeng. Zhang, "Image Segmentation Based on Framework of Two-dimensional Histogram and Class Variance Criterion", International Journal of Signal Processing Image Processing and Pattern Recognition, Vol. 8, No. 7, pp. 79-88, 2015.
Suk. Hyung. Hwang, Hae. Sul. Yang, Jung. Ho. Park, "Flattening class hierarchy for reorganization of object-oriented software", Korea Information Processing Society, Vol. 8, No. 6, pp. 853-860, 2001.
Chang. Mo. Yang, Kwang. Sue. Chung, "Embedded Image Compression Scheme Using Rate-Distortion Optimized Block Coding of Wavelet Coefficients", The Journal of the KICS, Vol. 39, No. 11, pp. 625-636, 2014.
IJHIT, "Assessment of Spatial Distribution Uniformity in 2-Dimensional Discrete Space", International Journal of Hybrid Information Technology, Vol. 8, No. 3, pp. 339-346, 2015.
Kue. Bum. Lee, Dong. Keun. Chung, Kwang. Seok. Hong, "An Implementation of Gaze Direction Recognition System using Difference Image Entropy", The KIPS Transactions : Part B, Vol. 16, No. 2, pp.93-100, 2009.
Yeon. Ok. Park, Eun. Kyung. Jung, Yeon. Jung. Park, So. Ra. Nam, Ji. Young. Jung, Hee. Joung. Kim, "The Evaluation of CR and DDR chest image using ROC analysis", Journal of the Korean Society of Radiology, Vol. 1, No. 1, pp. 25-30, 2007.
Lin. X, Wang. D, "Texture classification using spectral histograms", IEEE Trans Image Process, Vol. 12, No. 6, pp. 661-670, 2003.
Wu. D, Chen. X. J, He. Y, Lin. S, "Study on application of multi-spectral image texture to discriminating rice categories based on wavelet packet and support vector machine", Guang Pu Xue Yu Guang Pu Fen Xi, Vol. 29, pp. 222-225, 2009.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.