According to living environment, the number of deaths due to thyroid diseases increased. In this paper, we proposed an algorithm for recognizing a thyroid detection using texture analysis based on shape, gray level co-occurrence matrix and gray level run length matrix. First of all, we segmented the...
According to living environment, the number of deaths due to thyroid diseases increased. In this paper, we proposed an algorithm for recognizing a thyroid detection using texture analysis based on shape, gray level co-occurrence matrix and gray level run length matrix. First of all, we segmented the region of interest (ROI) using active contour model algorithm. Then, we applied a total of 18 features (5 first order descriptors, 10 Gray level co-occurrence matrix features(GLCM), 2 Gray level run length matrix features and shape feature) to each thyroid region of interest. The extracted features are used as statistical analysis. Our results show that first order statistics (Skewness, Entropy, Energy, Smoothness), GLCM (Correlation, Contrast, Energy, Entropy, Difference variance, Difference Entropy, Homogeneity, Maximum Probability, Sum average, Sum entropy), GLRLM features and shape feature helped to distinguish thyroid benign and malignant. This algorithm will be helpful to diagnose of thyroid nodule on ultrasound images.
According to living environment, the number of deaths due to thyroid diseases increased. In this paper, we proposed an algorithm for recognizing a thyroid detection using texture analysis based on shape, gray level co-occurrence matrix and gray level run length matrix. First of all, we segmented the region of interest (ROI) using active contour model algorithm. Then, we applied a total of 18 features (5 first order descriptors, 10 Gray level co-occurrence matrix features(GLCM), 2 Gray level run length matrix features and shape feature) to each thyroid region of interest. The extracted features are used as statistical analysis. Our results show that first order statistics (Skewness, Entropy, Energy, Smoothness), GLCM (Correlation, Contrast, Energy, Entropy, Difference variance, Difference Entropy, Homogeneity, Maximum Probability, Sum average, Sum entropy), GLRLM features and shape feature helped to distinguish thyroid benign and malignant. This algorithm will be helpful to diagnose of thyroid nodule on ultrasound images.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 갑상선 결절 검출 알고리즘을 제안한다. 전처리 과정 후 획득된 영상에서 질감특징을 추출하였다.
제안 방법
활성 윤곽선 모델은 분할 하고자 하는 물체 경계를 따라 영상 데이터, 사용자가 지정한 초기 포인터, 윤곽선 특성과 외부 제약들을 통합하여 윤곽선을 찾아낸다[7]. 갑상선 병변 주위에 초기 포인터들을 설정하고 병변의 윤곽선을 추출하였다. 윤곽선은 식(1)와 같이 표현된다.
갑상선 초음파의 양성종양과 암의 형태를 비교하기 위해 모양 묘사자인 원형도(circularity)를 적용하였다. 원형도는 객체의 원형성을 측정하는 척도로 1 값을 기준으로 원의 형태를 수치로 나타낸 것을 말한다.
GLCM을 이용한 방법은 원영상에서 해당 그레이 레벨 쌍의 출현횟수를 기본으로 한다[12][13]. 마스크 영역 내의 중심화소와 그 이웃하는 화소의 밝기 값(Digital number)의 관계를 이용하여 설정된 방향으로 동시에 존재하는 화소 값의 순서쌍의 발생 빈도를 행렬 방식으로 정리한 것이다. 좌표 값의 출현 방향은 영상에서 \(0°, 45°, 90°, 135°\ \) 4가지가 있다.
또한, 좌표 값의 출현 방향은 영상에서 \(0°, 45°, 90°, 135°\ \)4가지가 있다. 본 논문에서는 Low gray level run Emphasis, High gray level run Emphasis 2가지 파라미터를 이용하 였고 좌표 값의 출현 방향은 \(0°\)로 적용하여 텍스쳐를 정량화하였다(Table 2).
좌표 값의 출현 방향은 영상에서 \(0°, 45°, 90°, 135°\ \) 4가지가 있다. 본 논문에서는 총 10가지 파라미터를 적용하였고, \(0°\ \)방향으로 고려하여 텍스쳐를 정량화하여 표현하였다(Table 3)
본 연구에서는 갑상선 초음파 판독의 제한적 문제를 최소화하고 갑상선 양성 종양과 암 종양의 구분을 위해 다양한 텍스쳐를 사용하였다. 명확한 텍스쳐를 분석하기위해 양선형 보간법을 사용하여 갑상선 초음파영상의 화질을 높였고, 활성 윤곽선 모델(Active contour model algorithm)을 이용하여 갑상선 병변 영역을 분할하였다.
본 연구에 사용된 영상의 전처리, 영상 분할, 그리고 질감 특성은 MATLAB(R2014a release, Ver 7.4, MathWorks Inc, USA)를 기반으로 개발되었다. Fig.
본 연구에서는 갑상선 초음파 판독의 제한적 문제를 최소화하고 갑상선 양성 종양과 암 종양의 구분을 위해 다양한 텍스쳐를 사용하였다. 명확한 텍스쳐를 분석하기위해 양선형 보간법을 사용하여 갑상선 초음파영상의 화질을 높였고, 활성 윤곽선 모델(Active contour model algorithm)을 이용하여 갑상선 병변 영역을 분할하였다.
석회화 부분에서는 양성과 암 모두 비슷하게 나타났으나 거친 석회화나 미세석회화는 주로 악성 종양에서 확인하였다. 실험 방법의 전처리 과정으로 양선형 보간법(Bilinear interpolation)을 사용하여 갑상선 초음파 영상의 화질을 높였고, 각 획득된 영상에 대해 제안된 알고리즘은 MATLAB(R2014a release, Ver 7.4, MathWorks Inc, USA)를 기반으로 개발되었다.
Seong-Jin ko(2013) 등의 연구에 의하면 정상 갑상선 영상과 갑상선 유두암(Papillary cancer)을 대상으로 질감분석을 이용하여 컴퓨터 자동진단의 검출 효율을 나타내었다. 이 연구에서는 초음파 영상에서, 관심영역을 50x50 픽셀의 크기로 분할 한 뒤, 히스토그램 평활화로 전처리 후 6가지 질감 파라미터(평균 밝기, 평균 대조도, 평탄도, 왜도, 균일도, 엔트로피)를 적용하였다. 그러나 이 연구는 병리 학적으로 진단된 양성과 암에 대한 영상을 바탕으로 실험하지 않았으며, 임상 증례의 수가 적다는 한계가 있다.
본 논문에서는 갑상선 결절 검출 알고리즘을 제안한다. 전처리 과정 후 획득된 영상에서 질감특징을 추출하였다. 도출된 결과를 가지고 통계적인 방법인 t검정을 이용하여 통계적 유의성을 검증하였다.
초음파 영상의 텍스쳐 특성을 잘 드러내기 위해 GLCM을 적용하였다. GLCM을 이용한 방법은 원영상에서 해당 그레이 레벨 쌍의 출현횟수를 기본으로 한다[12][13].
대상 데이터
그 중 텍스쳐분석으로 자주 사용되는 방법은 밝기 히스토그램에 대한 통계적 속성을 기반한다 [9]. 본 논문에서 사용한 밝기 히스토그램에 기초한 묘사자들로 5가지 파라미터를 사용하였다(Table 1) [10].
본 연구에 사용된 갑상선초음파 영상은 갑상선 양성 종양과 갑상선 암을 실험대상으로 하였다. 갑상선 양성 종양(Fig.
데이터처리
전처리 과정 후 획득된 영상에서 질감특징을 추출하였다. 도출된 결과를 가지고 통계적인 방법인 t검정을 이용하여 통계적 유의성을 검증하였다. Fig.
7은 갑상선 양성 종양과 암 종양의 밝기 히스토그램 파라미터 4가지인 Energy, Entropy, Smoothness, Skewness를 적용하였을 때의 결과를 나타낸 것이다. 두 집단의 평균의 차이유무를 판단하는 t-검정(t-test)을 통해 통계적 유의성이 있는지 확인하였다. 갑상선 암은 갑상선 양성 종양보다 높은 Skewness 값(0.
10가지 파라미터 모두 0° 방향에 대해 적용하였다. 또한, 두 집단의 평균의 차이유무를 판단하는 t-검정(t-test)을 통해 통계적 유의성이 있는지 확인하였다. 갑상선 양성 종양은 영상의 각 화소들 사이의 밝기 변화가 적어서 상관관계(correlation)값에서는 큰 값을 가졌다.
명확한 텍스쳐를 분석하기위해 양선형 보간법을 사용하여 갑상선 초음파영상의 화질을 높였고, 활성 윤곽선 모델(Active contour model algorithm)을 이용하여 갑상선 병변 영역을 분할하였다. 분할된 갑상선 영역의 텍스쳐를 분석하기 위해 18개의 파라미터를 적용하였고, t-검정을 통해 통계적 유의성을 검증하였다.
명확한 텍스쳐를 분석하기위해 양선형 보간법을 사용하여 갑상선 초음파영상의 화질을 높였고, 활성 윤곽선 모델(Active contour model algorithm)을 이용하여 갑상선 병변 영역을 분할하였다. 분할된 갑상선 영역의 텍스쳐를 분석하기 위해 18개의 파라미터를 적용하였고, t-검정을 통해 통계적 유의성을 검증하였다.
이론/모형
본 연구에서는 갑상선 초음파 판독의 제한적 문제를 최소화하고 갑상선 양성 종양과 암 종양의 구분을 위해 다양한 텍스쳐를 사용하였다. 명확한 텍스쳐를 분석하기위해 양선형 보간법을 사용하여 갑상선 초음파영상의 화질을 높였고, 활성 윤곽선 모델(Active contour model algorithm)을 이용하여 갑상선 병변 영역을 분할하였다. 분할된 갑상선 영역의 텍스쳐를 분석하기 위해 18개의 파라미터를 적용하였고, t-검정을 통해 통계적 유의성을 검증하였다.
본 연구에서는 갑상선 초음파 판독의 제한적 문제를 최소화하고 갑상선 양성 종양과 암 종양의 구분을 위해 다양한 텍스쳐를 사용하였다. 명확한 텍스쳐를 분석하기위해 양선형 보간법을 사용하여 갑상선 초음파영상의 화질을 높였고, 활성 윤곽선 모델(Active contour model algorithm)을 이용하여 갑상선 병변 영역을 분할하였다. 분할된 갑상선 영역의 텍스쳐를 분석하기 위해 18개의 파라미터를 적용하였고, t-검정을 통해 통계적 유의성을 검증하였다.
본 논문에서는 갑상선 병변 부위를 초음파 영상 배경과 분할하기 위해 활성 윤곽선 모델(Active contour model)을 사용하였다. 활성 윤곽선 모델은 분할 하고자 하는 물체 경계를 따라 영상 데이터, 사용자가 지정한 초기 포인터, 윤곽선 특성과 외부 제약들을 통합하여 윤곽선을 찾아낸다[7].
텍스쳐를 나타내는 통계적 접근 방법인 명암도 작용 길이(Gray Level run length matrix)를 적용하였다. 명암도 작용 길이(Gray level run length matrix)는 같은 그레이 레벨 값을 가진 픽셀이 연속적으로 나타나는 길이를 말한다[11].
성능/효과
또한, 갑상선 양성종양에선 명암도 차이를 측정하는 척도인 대조도는 낮게 나왔다. 갑상선 암에선 밝기값의 랜덤 분포가 커서 엔트로피 값이 크게 나타남을 확인 할 수 있었다. 즉, 갑상선 암은 갑상선 양성 종양보다 높은 contrast (p<0.
0001)값을 가졌다. 이로써, 갑상선 암 종양과 양성 종양을 구분하는데 히스토그램 파라미터 Skewness, Entropy, Energy, Smoothness 와 Gray level co-occurrence matrix의 Energy, Entropy, Contrast, Correlation 외 6가지 그리고 Gray Level run length matrix의 Low gray level run Emphasis, high gray level run Emphasis, 모양 묘사자인 원형도(circularity)가 갑상선 양성종양과 암을 구별하는 특징임을 알 수 있다.
분할된 갑상선 영역의 텍스쳐를 분석 하기 위해 18개의 파라미터를 적용하였고, t-검정을 통해 통계적 유의성을 검증하였다. 적용결과 갑상선 암 종양과 양성 종양을 구분하는데 히스토그램 파라 미터 Skewness, Entropy, Energy, Smoothness와 Gray level co-occurrence matrix의 Energy, Entropy, Contrast, Correlation 외 6가지 그리고 Gray Level run length matrix의 Low gray level run Emphasis, high gray level run Emphasis, 모양 묘사자인 원형도(circularity)가 갑상선 양성종양과 암을 구별하는 특징임을 알 수 있다.
즉, 갑상선 암은 갑상선 양성 종양보다 높은 contrast (p<0.0001), Entropy (p<0.0001), Difference variance (p<0.0001), Difference Entropy (p<0.0001), Sum Average, Sum Entropy (p<0.0001) 을 가졌다.
6은 선형보간법을 적용한 뒤 활성윤곽선 모델을 사용하여 갑상선 병변 영역을 분할한 결과이다. 초음파 영상은 인공 음영이 가미 될 수 있어 분할의 어려움이 있으나, 활성윤곽선 모델을 적용을 하여 갑상선 병변의 영역이 알맞게 분할 된 것을 확인할 수 있었다.
후속연구
이 연구에서는 초음파 영상에서, 관심영역을 50x50 픽셀의 크기로 분할 한 뒤, 히스토그램 평활화로 전처리 후 6가지 질감 파라미터(평균 밝기, 평균 대조도, 평탄도, 왜도, 균일도, 엔트로피)를 적용하였다. 그러나 이 연구는 병리 학적으로 진단된 양성과 암에 대한 영상을 바탕으로 실험하지 않았으며, 임상 증례의 수가 적다는 한계가 있다. 또한, ROI 선정에 있어 임의적으로 부분을 선택함으로써 주관 개입을 고려할 수 있다[6].
질의응답
핵심어
질문
논문에서 추출한 답변
세침흡인검사에 대한 논란이 많은 이유는?
이 검사는 시술의 편리성, 안정성 및 정확성으로 인해 갑상선 암을 진단하기 위한 중요한 검사로 사용되고 있다. 그러나 초음파 검사를 이용하여 부합하는 세포 표본을 얻지 못하는 경우가 많아 세침흡인검사에 대한 논란이 계속되고 있다. 이전 연구에 따르면 갑상선 암을 표현하는 특징적인 초음파 상의 소견들이 있으며 이는 세침검사의 적응기준이 된다고 주장하였다.
초음파 검사의 장점은?
인체를 검사하는 방법은 매우 다양하며 그 중 가장 쉽게 접근 할 수 있는 방법 중 하나가 초음파 검사이다. 특정 부위를 제외한 인체 거의 모든 부분을 검사할 수 있는 것이 큰 장점이며 검사를 위해 피부를 뚫거나 약물 투약 없이 사용이 간편하다[1]. 최근 생 활환경과 식생활의 변화에 따라 과거에 비해 갑상선 질환 및 갑상선 암의 발생 빈도가 급속도로 증가하고 있다[2].
갑상선의 특징은?
최근 생 활환경과 식생활의 변화에 따라 과거에 비해 갑상선 질환 및 갑상선 암의 발생 빈도가 급속도로 증가하고 있다[2]. 갑상선은 후두와 기관 앞에 붙어있는 내분 비기관으로 해부학적으로 피부와 가깝고 초음파상으로 균일한 에코발생도로 주변 구조물과 잘 구별되는 특징이 있다. 갑상선은 초음파상에서 갑상선 질환의 초기 진단 뿐만 아니라 양성 결절 및 갑상선 암의 수술 후 상태 관찰에서도 매우 중요한 역할을 수행한다[3].
참고문헌 (13)
Kim, Mi Young; Park, Young Sun "The Clinical Usefulness of Ultrasound-Guided Fine Needle Aspiration Cytology in Thyroid Nodules", Journal of the Korean Society of Radiological Technology; ISSN 1226-2854; Worldcat; v. 31(2); p. 141-147, 2008.
Ho-Cheol Kang "Ultrasonographic, cytologic and genetic diagnosis of thyroid cancers", (Korean J Med, Vol. 77, No. 5, pp. 543-551, 2009.
G.H. Tan and H. Gharib, "Thyroid Incidentalomas : Management Approaches Nodules Discovered Incidentally on Thyroid Imaging," Annals of Internal Medicine, Vol. 126, No. 3, pp. 226-231, 1997.
D.S. Ross, "Neopalpable Thyroid Nodules: Managing an Epidemic," Journal of Clinical Endocrinology & Metabolism, Vol. 87, No. 5, pp. 1938-1940, 2002.
E.L. Mazzaferri, "Thyroid Cancer in Thyroid Nodules: Finding a Needle in the Haystack," The American Journal of Medicine, Vol. 93, No. 4, pp. 359-362, 1992.
S.J. Ko, J.S. Lee, S.Y. Ye, and C.S. Kim, "Application of Texture Features Algorithm Using Computer Aided Diagnosis of Papillary ThyroidCancer in the Ultrasonography," Journal Of The Korea Contents Association, Vol. 13, No. 5, pp. 303-310, 2013.
Yang, Hwan-Seok, "(A) Study on the Contour Detection using Dual Active Contour Model", Graduate School of Chosun University, 1998.
Rafael C. Gonzalez, Richard E. Woods, Steven L. Eddins Digital Image Processing Using MATLAB , McGraw-Hill, United States, 2011.
Lee, Jin-Soo;Ko, Seong-Jin, "Detection Efficiency of Microcalcification using Computer Aided Diagnosis in the Breast Ultrasonography Images " Korean Society of Radiological Science, Vol. 35, No. 3, pp. 227-235, 2012.
M.M. Galloway, "Texture Analysis Using Gray Level Run Lengths," Computer Graphics and Image Processing, Volume 4, Issue 2, pp. 172-179, 1975.
R.M. Haralick, K. Shanmugam, and I. Dinstein, "Textural Features for Image Classification," IEEE Transactions on Systems, Man, and Cybernetics, Vol. SMC-3, No. 6, pp. 610-621, 1973.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.