두개악안면 CBCT 영상에서 형상제약 정보를 사용한 하악골 자동 분할 Automatic Segmentation of the Mandible using Shape-Constrained Information in Cranio-Maxillo-Facial CBCT Images원문보기
본 논문에서는 두개악안면 CBCT 영상에서 형상제약 정보를 사용한 하악골 자동 분할 방법을 제안한다. 제안방법은 다음의 두 단계로 구생된다. 첫째, MDCT 영상을 사용하여 생성된 통계형상모델을 통해 전역적 형상정보 기반의 하악골 분할을 수행한다. 둘째, 하악골의 지역적 형태 정보 및 밝기값 특징을 고려하여 하악골 분할 개선을 수행한다. 제안 방법의 성능을 평가하기 위해 전문가에 의한 수동 분할 결과를 기준으로 제안방법을 정성적, 정량적으로 평가하였다. 실험결과 큰 곡률로 이루어진 좁은 영역을 포함한 하악골 체부 영역과 위치 변이가 큰 관절구 영역에서 제안방법의 다이스계수(DSC: Dice Similarity Coefficient)는 각각 95.64%, 90.97%를 보였다.
본 논문에서는 두개악안면 CBCT 영상에서 형상제약 정보를 사용한 하악골 자동 분할 방법을 제안한다. 제안방법은 다음의 두 단계로 구생된다. 첫째, MDCT 영상을 사용하여 생성된 통계형상모델을 통해 전역적 형상정보 기반의 하악골 분할을 수행한다. 둘째, 하악골의 지역적 형태 정보 및 밝기값 특징을 고려하여 하악골 분할 개선을 수행한다. 제안 방법의 성능을 평가하기 위해 전문가에 의한 수동 분할 결과를 기준으로 제안방법을 정성적, 정량적으로 평가하였다. 실험결과 큰 곡률로 이루어진 좁은 영역을 포함한 하악골 체부 영역과 위치 변이가 큰 관절구 영역에서 제안방법의 다이스계수(DSC: Dice Similarity Coefficient)는 각각 95.64%, 90.97%를 보였다.
In this paper, we propose an automatic segmentation method of the mandible using shape-constrained information in cranio-maxillo-facial CBCT images. The proposed method consists of the following two steps. First, the mandible segmentation based on the global shape information is performed through th...
In this paper, we propose an automatic segmentation method of the mandible using shape-constrained information in cranio-maxillo-facial CBCT images. The proposed method consists of the following two steps. First, the mandible segmentation based on the global shape information is performed through the statistical shape model generated using the MDCT images. Second, improvement of mandible segmentation is performed considering the local shape information and intensity characteristics of the mandible. To evaluate the performance of the proposed method, the proposed method was evaluated qualitatively and quantitatively based on the results of manual segmentation by expert. Experimental results show that the Dice Similarity Coefficient of the proposed method was 95.64% and 90.97%, respectively, in the mandible body region including the narrow region of large curvature and the condyle region with large positional variance.
In this paper, we propose an automatic segmentation method of the mandible using shape-constrained information in cranio-maxillo-facial CBCT images. The proposed method consists of the following two steps. First, the mandible segmentation based on the global shape information is performed through the statistical shape model generated using the MDCT images. Second, improvement of mandible segmentation is performed considering the local shape information and intensity characteristics of the mandible. To evaluate the performance of the proposed method, the proposed method was evaluated qualitatively and quantitatively based on the results of manual segmentation by expert. Experimental results show that the Dice Similarity Coefficient of the proposed method was 95.64% and 90.97%, respectively, in the mandible body region including the narrow region of large curvature and the condyle region with large positional variance.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 MDCT 영상으로부터 생성한 하악골 통계 형상 모델을 기반으로 활성형상모델 분할을 수행하여 잡음에 견고하게 CBCT 영상에서 하악골을 분할하고, 하악골 영역별 형태 정보 및 밝기값 특징을 고려하여 하악골 분할 결과를 개선한다.
본 논문에서는 두개악안면 CBCT 영상에서 하악골을 자동으로 분할하는 방법을 제안하였다. MDCT 영상을 사용하여 통계형상모델을 생성하고, 형상모델 기반의 분할을 수행하여 잡음이 많고 밝기값 대조대비가 낮은 두개악안면 CBCT 영상에서도 견고하게 하악골을 전역적으로 분할하였다.
제안 방법
분할하는 방법을 제안하였다. MDCT 영상을 사용하여 통계형상모델을 생성하고, 형상모델 기반의 분할을 수행하여 잡음이 많고 밝기값 대조대비가 낮은 두개악안면 CBCT 영상에서도 견고하게 하악골을 전역적으로 분할하였다. 또한, 영역별 형태 정보 및 밝기값 특징을 이용한 분할개선으로 큰 곡률로 이루어진 좁은 영역을 가진 하악골 체부 영역과 환자마다 위치가 상이한 관절구 영역에서 분할정확도가 향상되었다.
이 때, 통계형상모델은 MDCT 영상을 사용하여 생성된다. 둘째, 영역별 형태 정보 및 밝기값 특징을 고려하여 하악골을 지역적으로 개선한다.
화질이 상대적으로 낮아 밝기값 기반으로 하악골을 분 할하는데 한계가 있다. 따라서 본 절에서는 두개악안면 CBCT 영상보다 밝기값 대조대비가 상대적으로 명확한 MDCT 영상을 사용하여 통계형상모델을 생성하고, 형상 정보 기반의 분할을 수행함으로써 잡음에 견고하게 하악골을 분할한다.
못하는 한계가 있다. 따라서 본 절에서는 하악골의 형태학적 특성에 따라 상단의 관절구 영역과 하단의 하악골 체부 영역으로 나누고, 전역적 분할 형태 정보를 기반으로 관심 영역을 산정하고, 밝기값 및 기울기 정보를 사용하여 최종적으로 하악골을 분할한다.
분할 영역을 탐색하기 어려운 한계점이 있다. 따라서 비교적 정확한 분할 결과를 보이는 관절구 영역의 시작지점 슬라이스에서 분할된 관절구의 형태 정보를 고려하여 일정 범위의 밴드 형태의 윈도우를 산정하고, 윈도우 내에 서 강화된 기울기 지도(gradient map)를 생성하여 관절구 영역을 분할한다. 이 때, 관절구 영역은 밝기값 대조대비가 낮아 넓은 크기의 밴드를 지정하면 뼈 내부나 주변 잡음 등으 로 누출이 발생할 수 있으므로 이전 슬라이스의 분할 경계선(contour)에서부터 내.
외부로 좁은 밴드(narrow band) 형태의 윈도우를 생성하며 밴드의 두께는 실험적으로 10-화소 두께를 사용하였다. 이와 같이 설정한 밴드 내에서 뼈 경계를 강화하고 기울기가 약한 뼈 내부로의 누출을 방지하기 위해서 하위 30% 이하의 기울기 크기를 갖는 부분은 0으로 변환하여 강화된 기울기 지도를 생성한 후, 밴드 내 X, y 축으로 가장 큰 기울기 크기를 갖는 화소들을 관절구 영역의 경계선으로 하여 관절구 영역 분할 결과를 개선한다. Figure7(c)는 밴드 내에서 생성한 강화된 기울기 지도로 Figure 7(b)와 달리 큰 기울기 크기를 갖는 부분만 남게 되어 뼈내부나 주변 잡음으로의 누출을 방지할 수 있다.
제안방법(Method B)의 성능은 정성적 평가 및 정량적 평가를 통해 분석되었고, 제안방법과의 비교방법 (Method A)은 형상모델을 사용한 전역적 하악골 분할 방법을 사용하였다. 정성적 평가에서는 제안방법을 적용하여 얻은 영역별 분할 결과 영상의 육안평가를 통해 분석하였고, 정량적 평가에서는 전문가에 의해 수동으로 분할된 데이터와의 다이스계수(DSC: Dice Similarity Coefficient), 볼륨 중복 오차(VOE: Volumetric Overlap Error), 평균 거리 차이 (ADD: Average Distance Difference) 및 평균 제곱근 편차(RMSD: Root Mean Square Deviation)를 통해 제안방법의 분할 정확 도를 분석하였다.
순서도로 두 단계로 구성된다. 첫째, 통계형상모델 기반으로 활성형상모델을 수행하여 하악골을 전역적으로 분할한다. 이 때, 통계형상모델은 MDCT 영상을 사용하여 생성된다.
Wang[7, 8] 등은 아틀라스 생성을 위해 MDCT 영상을 이용해 비강체 정합을 통해 초기 아틀라스를 생성하고 환자 맞춤형 아틀라스 생성을 위해 패치 기반 표현(patch-based representation) 과 스파스 코딩 (sparse coding) 을 수행한 후, 최대사후확률 (maximum a posteriori probability)-®- 통해 악골 분할을 수행하였다. 후속 연구로는 아틀라스 생성 시 상악골과 하악골의 치아 구분을 정확하게 하기 위해 비강체 정합 대신 머리와 치아 부위의 해부학적 랜드마크(landmark)를 이용하여 영상을 정렬 시켜 환자 맞춤형 아틀라스를 생성하였다. Aghdasi[9] 등은 훈련 및 테스트 데이터에서 해부학적 랜드마크를 사용하여 하악골 영역을 관심영역으로 설정하고, 임계값 기법을 기반으로 골조직을 분할하여 3차원 포인트 클라우드(point cloud)를 생성하고 ICP (Iterative Closest Point) 알고리즘 기반의 어 파인 정합을 통해 하악골을 분할하였고, 분할 결과 하악골 전체영역에 대하여 평균 다이스 계수는 78%, 평균 Hausdorff 거리는 13.
대상 데이터
본 제안방법의 통계형상모델 생성을 위해 사용된 데이터는 SIEMENS Sensation 10에서 촬영된 10개의 30대 성인 남 성의 두개악안면 MDCT 영상이다. 영상의 해상도는 512x512, 화소 크기는 0.
성의 두개악안면 MDCT 영상이다. 영상의 해상도는 512x512, 화소 크기는 0.25〜0.48mm2, 슬라이스 간격은 0.5mm, 슬라이스 영상 장 수는 188〜243장이다. 하악골 분 할을 위해 사용된 데이터는 (주)덴티움 rainbow CBCT에서 촬영된 3개의 30대 성인 남성의 두개악안면 영상이고, 영상의 해상도는 512x512, 화소 크기는 0.
5mm, 슬라이스 영상 장 수는 188〜243장이다. 하악골 분 할을 위해 사용된 데이터는 (주)덴티움 rainbow CBCT에서 촬영된 3개의 30대 성인 남성의 두개악안면 영상이고, 영상의 해상도는 512x512, 화소 크기는 0.31mm2, 슬라이스 간격은 0.31mm, 슬라이스 영상 장 수는 616〜683장이다.
데이터처리
다. 정성적 평가에서는 제안방법을 적용하여 얻은 영역별 분할 결과 영상의 육안평가를 통해 분석하였고, 정량적 평가에서는 전문가에 의해 수동으로 분할된 데이터와의 다이스계수(DSC: Dice Similarity Coefficient), 볼륨 중복 오차(VOE: Volumetric Overlap Error), 평균 거리 차이 (ADD: Average Distance Difference) 및 평균 제곱근 편차(RMSD: Root Mean Square Deviation)를 통해 제안방법의 분할 정확 도를 분석하였다.
이론/모형
변형된 형상을 구한다. 최적 변형 모드는 최소 제곱법(least square method)을 사용하여 식 (3)을 통해 계산된다.
통계형상모델 생성을 위해 밝기값 정규화된 MDCT 영상을 사용하고, 생성 기법[11, 12]은 이전 연구로 수행된 방법을 사용하였다. 형상정보 기반의 활성형상모델 분할은 통계 형상 모델로부터 얻은 평균 형상을 밝기값 정규화된 두 개악 안면 CBCT 영상에 올려놓은 후 형상 예측과 변형 단계를 반복적으로 수행하여 하악골을 전역적으로 분할한다.
성능/효과
76p% 감소되었다. ADD와 RMSD는 각각 하악골 체부 영역에서 78.1%, 41.2%, 관절구 영역에서 88.4%, 78.3% 감소되었다.
Table 1은 실험데이터에 하악골 분할 제안방법을 적용하여 얻은 영역별 정량 평가 결과로 제안방법을 사용했을 때 비교 방법보다 DSC는 하악골 체부 영역에서 12.08p%, 관절구 영역에서 37.95p% 향상되었고, VOE의 경우 하악골 체부 영역에서 19.87p%, 관절구 영역에서 46.76p% 감소되었다. ADD와 RMSD는 각각 하악골 체부 영역에서 78.
또한, 분류기 훈련 단계와 분할 확률맵 개선단계를 반복적으로 수행하여 최종적으로 분류기를 개선 하여 악골을 분할하였고, 분할 결과 하악골 전체 영역에 대하여 평균 다이스 계수는 94%, 평균 Hausdorff 거리는 0.74mm로 측정되었다. 이러한 머신러닝 기반 분할 방법은 많은 수의 레이블된 훈련 데이터가 필요하며 훈련 데이터의 수가 분할 정확도에 영향을 미친다는 한계가 있다.
MDCT 영상을 사용하여 통계형상모델을 생성하고, 형상모델 기반의 분할을 수행하여 잡음이 많고 밝기값 대조대비가 낮은 두개악안면 CBCT 영상에서도 견고하게 하악골을 전역적으로 분할하였다. 또한, 영역별 형태 정보 및 밝기값 특징을 이용한 분할개선으로 큰 곡률로 이루어진 좁은 영역을 가진 하악골 체부 영역과 환자마다 위치가 상이한 관절구 영역에서 분할정확도가 향상되었다. 실험을 통해 제안한 방법이 형상 모델기반 방법인 비교방법보다 DSC가 하악골 체부 영역에서 12.
또한, 영역별 형태 정보 및 밝기값 특징을 이용한 분할개선으로 큰 곡률로 이루어진 좁은 영역을 가진 하악골 체부 영역과 환자마다 위치가 상이한 관절구 영역에서 분할정확도가 향상되었다. 실험을 통해 제안한 방법이 형상 모델기반 방법인 비교방법보다 DSC가 하악골 체부 영역에서 12.08p%, 관절구 영역에서 37.95p% 향상되었다. 향후 연구 방향으로는 공개 데이터를 추가로 사용하여 MDCT 영상과 두 개악 안면 CBCT 영상을 조합한 통계형상모델을 생성하고 머신 러닝 기법의 관련 연구 정확도와 비교하여 평가하고자 한다.
후속연구
95p% 향상되었다. 향후 연구 방향으로는 공개 데이터를 추가로 사용하여 MDCT 영상과 두 개악 안면 CBCT 영상을 조합한 통계형상모델을 생성하고 머신 러닝 기법의 관련 연구 정확도와 비교하여 평가하고자 한다.
참고문헌 (13)
A. Schramm, M. Rucker, N. Sakkas and R. Schon et al, "The use of cone beam CT in cranio-maxillofacial surgery," International Congress Series. Elsevier, Vol. 1281, 2005.
W. C. scarfe, A. G. Farman and P. Sukovic, "Clinical applications of cone-beam computed tomography in dental practice," Journal-Canadian Dental Association vol.72, no.1, pp. 75-80, 2006
C. Spampinato, C. Pino, D. Giordano and R. Leonardi, "Automatic 3D segmentation of mandible for assessment of facial asymmetry," In Medical Measurements and Applications Proceedings (MeMeA), 2012 IEEE International Symposium on. IEEE, pp. 1-4, 2012.
T. M. Nassef, "New segmentation approach to extract human mandible bons based on actual computed tomography data," American Journal of Biomedical Engineering, vol.2, no.5, pp. 197-201, 2012.
H. Lamecker, S. Zachow, A. Wittmers, B. Weber, H. C. Hege, B. Elsholtz and M. Stiller, "Automatic segmentation of mandibles in low-dose CT-data," International Journal of Computer Assisted Radiology and Surgery, vol.1, no.393, 2006.
F. Abdolali, R. A. Zoroofi, M. Abdolali, F. Yokota, Y. Otake and Y. Sato, "Automatic segmentation of mandibular canal in cone beam CT images using conditional statistical shape model and fast marching," International Journal of Computer Assisted Radiology and Surgery, vol.12, no.4, pp.581-593, 2017.
L. Wang, K. C. Chen, F. Shi, S. Liao, G. Li, Y. Gao et al, "Automated segmentation of CBCT image using spiral CT atlases and convex optimization," International Conference on Medical Image Computing and Computer-Assisted Intervention. Springer, Berlin, Heidelberg, pp. 251-258, 2013.
L. Wang, K. C. Chen, Y. Gao, F. Shi, S. Liao, G. Li et al, "Automated bone segmentation from dental CBCT images using patch-based sparse representation and convex optimization," Medical physics, vol.41, no.4,, 2014.
N. Aghdasi, Y. Li, A. Beerens, K. Moe and B. Hannaford, "Automatic Mandibke Segmentation on CT Images Using Prior Anatomical Knowledge," The MIDAS Journal - MICCAI Workshop Head and Neck Auto Segmentation Challenge, 2016.
L. Wang, Y. Gao, F. Shi, K. C. Chen, Z. Tang, J. J. Xia and D. Shen, "Automated segmentation of dental CBCT image with prior-guided sequential random forests," Medical physics, vol.43, no.1, pp. 336-346, 2016.
H. Hong, J. H. Lee, H. H. Jo and J. H. Yoo, "Automatic Generation of the Mandible Bones using Statistical Shape Model in CT Dataset," Proceeing of CARS, vol.2, pp. 522-526, 2007.
J. H. Yoo, H. Hong, "Building a Robust 3D Statistical Shape Model of the Mandible," Journal of KIISE : Software and Applications, vol.35, no.2, pp.118-127, 2008.
R. C. Gonzalez and R. E. Woods, "Digital Image Prosessing," No. 001.64044 G6, 1977.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.