본 논문에서는 방사선 영상을 기반으로 관심 영역의 자동 추출 알고리즘을 제안한다. 제안 알고리즘은 입력 영상에서 병변부위를 검출하기 위해 세그먼테이션, 특징 추출 및 참조 이미지 매칭을 이용한다. 추출된 영역은 참조 DB에서 일치하는 병변 이미지를 검색하고, 일치된 결과는 칼만 필터 기반의 적합성 피드백을 이용해 병변을 자동 추출한다. 제안 알고리즘은 왼손 x-ray 입력 영상을 기반으로 성장판을 추출하기 위해 왼손 이미지의 윤곽선을 추출하고, 이것은 다중 스케일 해시안 행렬 기반의 세션화를 이용해 후보 영역을 생성 한다. 그 결과, 제안 알고리즘은 관심영역 분할 단계에서는 0.02초로 빠른 분할이 가능하였고, 분할 영상을 기준으로 ROI 추출시 평균 0.53, 강화 단계에서는 0.49초로 매우 정확한 이미지 분할이 가능한 것을 실험을 통해 알 수 있었다.
본 논문에서는 방사선 영상을 기반으로 관심 영역의 자동 추출 알고리즘을 제안한다. 제안 알고리즘은 입력 영상에서 병변부위를 검출하기 위해 세그먼테이션, 특징 추출 및 참조 이미지 매칭을 이용한다. 추출된 영역은 참조 DB에서 일치하는 병변 이미지를 검색하고, 일치된 결과는 칼만 필터 기반의 적합성 피드백을 이용해 병변을 자동 추출한다. 제안 알고리즘은 왼손 x-ray 입력 영상을 기반으로 성장판을 추출하기 위해 왼손 이미지의 윤곽선을 추출하고, 이것은 다중 스케일 해시안 행렬 기반의 세션화를 이용해 후보 영역을 생성 한다. 그 결과, 제안 알고리즘은 관심영역 분할 단계에서는 0.02초로 빠른 분할이 가능하였고, 분할 영상을 기준으로 ROI 추출시 평균 0.53, 강화 단계에서는 0.49초로 매우 정확한 이미지 분할이 가능한 것을 실험을 통해 알 수 있었다.
In this paper, we propose an automatic extraction algorithm of region of interest(ROI) based on medical x-ray images. The proposed algorithm uses segmentation, feature extraction, and reference image matching to detect lesion sites in the input image. The extracted region is searched for matching le...
In this paper, we propose an automatic extraction algorithm of region of interest(ROI) based on medical x-ray images. The proposed algorithm uses segmentation, feature extraction, and reference image matching to detect lesion sites in the input image. The extracted region is searched for matching lesion images in the reference DB, and the matched results are automatically extracted using the Kalman filter based fitness feedback. The proposed algorithm is extracts the contour of the left hand image for extract growth plate based on the left x-ray input image. It creates a candidate region using multi scale Hessian-matrix based sessionization. As a result, the proposed algorithm was able to split rapidly in 0.02 seconds during the ROI segmentation phase, also when extracting ROI based on segmented image 0.53, the reinforcement phase was able to perform very accurate image segmentation in 0.49 seconds.
In this paper, we propose an automatic extraction algorithm of region of interest(ROI) based on medical x-ray images. The proposed algorithm uses segmentation, feature extraction, and reference image matching to detect lesion sites in the input image. The extracted region is searched for matching lesion images in the reference DB, and the matched results are automatically extracted using the Kalman filter based fitness feedback. The proposed algorithm is extracts the contour of the left hand image for extract growth plate based on the left x-ray input image. It creates a candidate region using multi scale Hessian-matrix based sessionization. As a result, the proposed algorithm was able to split rapidly in 0.02 seconds during the ROI segmentation phase, also when extracting ROI based on segmented image 0.53, the reinforcement phase was able to perform very accurate image segmentation in 0.49 seconds.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
기계학습이나 영상처리 기술을 이용한 의료영상에서 관심영역을 추출하고 전문가 지식을 데이터베이스에서 찾아 정확도를 향상시킬 수 있는 보다 정확한 소아․청소년의 성장을 예측하고 골 연령을 객관적으로 판독할 수 있는 CAD 기반의 골 연령 자동예측 알고리즘이 요구된다. 따라서 제안 논문은 성장을 오차 없이 판독할 수 있도록 입력 영상에서 관심영역을 검출하고 특징을 추출하여 참조 이미지와 매핑을 수행하는 알고리즘을 제안한다. 방사선 이미지의 특징을 고려해 제안논문에서는 이진화 영상처리를 이용해 관심영역을 추출하고 정확한 매칭 값을 추출하기 위해 칼만 필터 기반의 적합성 피드백을 이용해 관심영역 추출의 정확도를 보장한다.
표 2의 실험 결과 히스토그램방식과 제안 알고리즘을 이용해 수집 영상을 실험하는데 문제없이 영상 손뼈 추출이 이루어지는 것을 확인하였다. 본 논문에서는 TW3법을 기반으로 주어진 영상에서 골 연령 측정을 위해 관심영역을 추출하고 기존 참조 이미지와 비교해 추출 이미지의 정확도를 판별하였다. 참조 이미지의 대상이 너무 많아 실험을 위해 표 2와 같이 연령별 그룹을 만들어 평균을 구하고 실험하였다.
본 논문에서는 입력 영상에서 관심영역을 추출하고 추출영역을 확보한 이미지와 매핑 해 정확도를 향상 시켰고, 반복 수행을 통해 재현율을 향상 시키는 것을 목표로 한다. 또한 이미지 처리를 위한 빠른 알고리즘 처리 시간을 기반으로 제안 알고리즘의 성능을 평가하기 위해 다음과 같이 인텔 i7-6700 CPU 3.
본 논문에서는 입력영상에서 관심영역에 대한 추출 이미지 전처리를 통해 참조 이미지와 비교해 보다 정확한 매칭 값을 찾고자 한다. 이에 기존에 사용되는 히스토그램 방식에 비해 관심영역 추출의 정확성과 동일 이미지에서 관심영역 추출의 정확성과 재현성을 높이기기위한 방법을 제안하였다.
본 논문에서는 입력영상에서 관심영역에 대한 추출 이미지 전처리를 통해 참조 이미지와 비교해 보다 정확한 매칭 값을 찾고자 한다. 이에 기존에 사용되는 히스토그램 방식에 비해 관심영역 추출의 정확성과 동일 이미지에서 관심영역 추출의 정확성과 재현성을 높이기기위한 방법을 제안하였다. 제안 방법은 입력 영상을 기반으로 윤곽선을 추출하고 다중 스케일 해시안 행렬 기반의 세선화를 이용해 후보 영역을 생성 후 알고리즘의 성능 분석 결과 분할 단계에서는 0.
제안 방법
Ti는 임계값 Ti-1을 이용하여 두 영역을 분리했을 때 각 영역의 밝기 값 평균인 μH(T0)의 산술평균이며 초기 임계 값 T0은 밝기 값 80으로 설정한다. Local 잡음을 계수g(IL)에 반영하기 위하여 중심 픽셀 Is와 주위 N개의 픽셀들 사이의 호환성을 분석하였다. 픽셀의 호환성을 나타내는 μIs는 식 4의 퍼지 멤버십 함수에 의해 결정되었다.
정확률은 얼마나 올바르게 영역이 검출되었는가를 나타내고, 재현율은 얼마나 검출된 영역이 올바른가를 나타낸다. 그리고 처리시간은 골 연령까지 자동 계산 시간을 검출하여 측정하였다. 다음을 측정하기 위해 식 9을 이용해 실험 결과를 측정한다.
마지막으로 현재 임상에서 이용되는 TW3 법은 1990년대 유럽과 북미 소아 자료를 추가하여 개발한 것으로, 이는 산업화의 영향으로 생겨난 조기 성숙과 신장 증가를 반영하기 위해 만들어졌다. 또한 골 성숙점수를 산출시 사용하는 뼈의 개수를 20개에서 13개로 감소시켜 검사 시간을 단축시켰다. TW3 측정에 이용될 부위는 요골과 척골을 포함한 13개 손뼈로 그림 1과 같다.
본 논문에서는 그림 2와 같이 왼손 수골 x-ray영상을 이용해 신호 처리 기법인 웨이블릿 변환으로부터 세그먼테이션, 특징 추출 및 템플릿 매칭을 이용해 관심영역의 부위를 검출하고, 셀 영상 검색 기법을 이용해 검출 부위의 영상과 유사한 영상들을 TW3-Ref 데이터베이스와 매핑 한다. 매핑 결과의 정확성을 위해 칼만 필터 기반의 적합성 피드백을 이용해 성장판을 기반으로 한 골 연령 정밀 분석 및 자동 계산하는 알고리즘을 제안한다.
따라서 제안 논문은 성장을 오차 없이 판독할 수 있도록 입력 영상에서 관심영역을 검출하고 특징을 추출하여 참조 이미지와 매핑을 수행하는 알고리즘을 제안한다. 방사선 이미지의 특징을 고려해 제안논문에서는 이진화 영상처리를 이용해 관심영역을 추출하고 정확한 매칭 값을 추출하기 위해 칼만 필터 기반의 적합성 피드백을 이용해 관심영역 추출의 정확도를 보장한다. 또한 빠른 추출을 보장하기 위해 분할 단계를 수행하며 강화단계를 통해 빠른 매칭의 학습 능력을 지원한다.
본 논문에서는 그림 2와 같이 왼손 수골 x-ray영상을 이용해 신호 처리 기법인 웨이블릿 변환으로부터 세그먼테이션, 특징 추출 및 템플릿 매칭을 이용해 관심영역의 부위를 검출하고, 셀 영상 검색 기법을 이용해 검출 부위의 영상과 유사한 영상들을 TW3-Ref 데이터베이스와 매핑 한다. 매핑 결과의 정확성을 위해 칼만 필터 기반의 적합성 피드백을 이용해 성장판을 기반으로 한 골 연령 정밀 분석 및 자동 계산하는 알고리즘을 제안한다.
필터 커널의 선정은 TW3에서 판별하는 13곳으로 TW3-Ref DB에 저장된 참조이미지를 필터 커널로 사용하고 커널의 크기 M×N이 적절히 선정되도록 한다. 이때 필터 커널은 손뼈 중 성장 판을 판별하기 위한 역할로 저주파 성분이 분리된 IL영상에서 손뼈와 성장 판을 구분하는 임계값을 설정하고 이를 통해 저주파 성분 영상을 분리 하였다. 이때 위해 픽셀의 density의 분포를 정의하는 확률밀도 함수를 이용하는 maximum likelihood classification 기법을 이용하였다.
즉 입력 영상의 경계선 픽셀이 가까울수록 0에 가까운 값을 가지고 멀수록 255에 가까운 값을 가지게 되는 것이다. 정합도 측정을 위해 입력영상의 거리영상으로 변환하고 경계선 값을 저장해 정합정도를 측정한다. 이 때 거리평균 픽셀 값을 위해 식 7 경계선 거리를 이용한다.
참조 이미지의 대상이 너무 많아 실험을 위해 표 2와 같이 연령별 그룹을 만들어 평균을 구하고 실험하였다. 제안 논문에서는 기존 히스토그램 기법과 비교해 정확률과 재현율 그리고 처리시간을 실험하였다. 실험결과 표 2와 같이 기존 히스토그램을 이용했을 때보다 제안 기법은 각 그룹별에서 우수한 성능으로 관심영역을 추출했고 처리시간 또한 빠르게 계산이 가능함을 보였다.
제안 논문에서는 수골 방사선 영상의 효과적인 증강을 위하여 저주파 및 고주파 성분으로 분리한 후에 각각을 별도로 처리 하였다. 저주파 성분 영상과 고주파 성분 영상은 식 2에 의해 획득되었다.
본 논문에서는 TW3법을 기반으로 주어진 영상에서 골 연령 측정을 위해 관심영역을 추출하고 기존 참조 이미지와 비교해 추출 이미지의 정확도를 판별하였다. 참조 이미지의 대상이 너무 많아 실험을 위해 표 2와 같이 연령별 그룹을 만들어 평균을 구하고 실험하였다. 제안 논문에서는 기존 히스토그램 기법과 비교해 정확률과 재현율 그리고 처리시간을 실험하였다.
4GHz의 32GB RAM 환경에서 실험하였다. 평가 지표로는 정확률(Pc), 재현율(Rc) 그리고 처리시간(Tp)을 사용하였다. 정확률은 얼마나 올바르게 영역이 검출되었는가를 나타내고, 재현율은 얼마나 검출된 영역이 올바른가를 나타낸다.
대상 데이터
본 논문에서는 입력 영상에서 관심영역을 추출하고 추출영역을 확보한 이미지와 매핑 해 정확도를 향상 시켰고, 반복 수행을 통해 재현율을 향상 시키는 것을 목표로 한다. 또한 이미지 처리를 위한 빠른 알고리즘 처리 시간을 기반으로 제안 알고리즘의 성능을 평가하기 위해 다음과 같이 인텔 i7-6700 CPU 3.4GHz의 32GB RAM 환경에서 실험하였다. 평가 지표로는 정확률(Pc), 재현율(Rc) 그리고 처리시간(Tp)을 사용하였다.
필터 커널의 선정은 TW3에서 판별하는 13곳으로 TW3-Ref DB에 저장된 참조이미지를 필터 커널로 사용하고 커널의 크기 M×N이 적절히 선정되도록 한다.
데이터처리
이 식을 이용해 기존 이미지 처리에서 사용되었던 히스토그램 방식과 제안 방식을 비교 실험하기 위해 영상을 수집하고 연령을 그룹화하고 평균 경계선 추출을 실험한 결과 표 1과 같은 결과를 얻을 수 있었다.
이론/모형
이때 필터 커널은 손뼈 중 성장 판을 판별하기 위한 역할로 저주파 성분이 분리된 IL영상에서 손뼈와 성장 판을 구분하는 임계값을 설정하고 이를 통해 저주파 성분 영상을 분리 하였다. 이때 위해 픽셀의 density의 분포를 정의하는 확률밀도 함수를 이용하는 maximum likelihood classification 기법을 이용하였다. 여기서 임계값은 수골과 성장 판을 구분하는 경계 값(T)이 된다.
따라서 TW3-Ref DB의 골 연령 점수를 매핑해서 가져오기 위해 추출이미지를 변환해줘야 한다. 제안 논문에서는 입력영상의 뼈 경계선과 TW3-ref DB영상의 골 경계선을 매핑하기 위해 챔버 거리와 변환 방법을 사용한다[8-11]. 영상 정합 기법은 경계선 검출 영상으로부터 특정 물체를 인식하는 방법으로 추출된 영상을 거리영상으로 변환한다.
성능/효과
k는 에지의 민감도를 조절하는 상수이다. k와 반복횟수에 따른 비등방성 확산 필터링의 결과로 비등방성 확산 필터를 적용한 결과로 k값이 커질수록 상대적으로 많은 잡음이 제거되지만 영상이 많이 다듬어 지는 결과를 보인다. 그림 3은 k값의 변화에 따라 추출되는 영상의 결과를 보여준다.
49초로 매우 정확한 이미지 분할이 가능한 것을 실험을 통해 알 수 있었다. 또한 x-ray 영상에서 가장 많이 사용되는 히스토그램 방식보다 제안방식은 평균 처리시간이 20%정도 향상된 것으로 빠르고 정확하게 처리할 수 있음을 실험을 통해 확인할 수 있었다. 제안 알고리즘은 향후 의료분야의 특성을 고려해 재현성 및 정확성의 성능을 향상시켜 의료영상처리에 활용이 가능할 것으로 사료된다.
제안 논문에서는 기존 히스토그램 기법과 비교해 정확률과 재현율 그리고 처리시간을 실험하였다. 실험결과 표 2와 같이 기존 히스토그램을 이용했을 때보다 제안 기법은 각 그룹별에서 우수한 성능으로 관심영역을 추출했고 처리시간 또한 빠르게 계산이 가능함을 보였다. 그림 5를 보면 제안 기법을 이용하면 기존 방법보다 관심영역 추출에 걸리는 시간이 약 20%가량 빠르게 처리됨을 알 수 있다.
이에 기존에 사용되는 히스토그램 방식에 비해 관심영역 추출의 정확성과 동일 이미지에서 관심영역 추출의 정확성과 재현성을 높이기기위한 방법을 제안하였다. 제안 방법은 입력 영상을 기반으로 윤곽선을 추출하고 다중 스케일 해시안 행렬 기반의 세선화를 이용해 후보 영역을 생성 후 알고리즘의 성능 분석 결과 분할 단계에서는 0.02초로 분할이 가능하고 분할 영상을 기준으로 관심영역 추출 시 평균 0.53초, 강화 단계에서는 0.49초로 매우 정확한 이미지 분할이 가능한 것을 실험을 통해 알 수 있었다. 또한 x-ray 영상에서 가장 많이 사용되는 히스토그램 방식보다 제안방식은 평균 처리시간이 20%정도 향상된 것으로 빠르고 정확하게 처리할 수 있음을 실험을 통해 확인할 수 있었다.
표 2의 실험 결과 히스토그램방식과 제안 알고리즘을 이용해 수집 영상을 실험하는데 문제없이 영상 손뼈 추출이 이루어지는 것을 확인하였다. 본 논문에서는 TW3법을 기반으로 주어진 영상에서 골 연령 측정을 위해 관심영역을 추출하고 기존 참조 이미지와 비교해 추출 이미지의 정확도를 판별하였다.
후속연구
또한 x-ray 영상에서 가장 많이 사용되는 히스토그램 방식보다 제안방식은 평균 처리시간이 20%정도 향상된 것으로 빠르고 정확하게 처리할 수 있음을 실험을 통해 확인할 수 있었다. 제안 알고리즘은 향후 의료분야의 특성을 고려해 재현성 및 정확성의 성능을 향상시켜 의료영상처리에 활용이 가능할 것으로 사료된다.
질의응답
핵심어
질문
논문에서 추출한 답변
DR 시스템이란?
디지털 방사선 영상법은 크게 CR(Computed Radiography)과 DR(Digital Radiography)로 구분된다. CR 시스템은 저장성 인광체를 포함하는 영상판(image plate)과 검출과정을 거쳐서 영상을 획득하는 반면에, DR 시스템은 X선을 직접적 검출과정을 통해서 전기적 신호로 변환하는 방법으로 검출에 사용되는 X선 변환물질에 따라서 직접방식(direct conversion)과 간접방식(indirect conversion)으로 나누어진다. 방사선 투과영상에 영향을 미치는 인자로는 농도(density), 대조도(contrast) 그리고 투과도계식별도(resolution)를 들 수 있다.
의료영상에서 CAD 기반의 골 연령 자동예측 알고리즘이 필요한 이유는?
최근 의료기술 응용 뿐 아니라, 의료영상에서 기관이나 암 부위 등의 추출 및 분할이나 영상 정합, 영상 검색 등 전반적인 의료영상 분석 분야에 널리 활용되고 있다[2]. 기계학습이나 영상처리 기술을 이용한 의료영상에서 관심영역을 추출하고 전문가 지식을 데이터베이스에서 찾아 정확도를 향상시킬 수 있는 보다 정확한 소아․청소년의 성장을 예측하고 골 연령을 객관적으로 판독할 수 있는 CAD 기반의 골 연령 자동예측 알고리즘이 요구된다. 따라서 제안 논문은 성장을 오차 없이 판독할 수 있도록 입력 영상에서 관심영역을 검출하고 특징을 추출하여 참조 이미지와 매핑을 수행하는 알고리즘을 제안한다.
영상을 기반으로 관심 영역의 자동 추출 알고리즘을 통해 단계별 실험결과는 어떠한가?
제안 알고리즘은 왼손 x-ray 입력 영상을 기반으로 성장판을 추출하기 위해 왼손 이미지의 윤곽선을 추출하고, 이것은 다중 스케일 해시안 행렬 기반의 세션화를 이용해 후보 영역을 생성 한다. 그 결과, 제안 알고리즘은 관심영역 분할 단계에서는 0.02초로 빠른 분할이 가능하였고, 분할 영상을 기준으로 ROI 추출시 평균 0.53, 강화 단계에서는 0.49초로 매우 정확한 이미지 분할이 가능한 것을 실험을 통해 알 수 있었다.
참고문헌 (11)
H. J. Kang, "National-Level Use of Health Care Big Data and Its Policy Implications," International Journal of Health and welfare policy forum, vol.2384, no.6, pp. 55-71, Aug. 2016.
P. Rakwatin, W. Takeuchi, and Y, Yasuoka, "Stripe noise reduction in MODIS data by combining histogram matching with facet filter", International Journal of the IEEE Transactions on Geoscience and Remote Sensing, vol. 45, no.6, pp.1844-1856, June 2007.
L. Molinari, T, Gasser, and R. H. Largo. "TW3 bone age: RUS/CB and gender differences of percentiles for score and score increments," International Journal of the Annals of human biology vol.31, no.4 pp.421-435, May 1997.
M. J. Yaffe., and J. A. Rowlands. "X-ray detectors for digital radiography." International Journal of the Physics in Medicine and Biology, vol. 42, no.1, January 1997.
Y. B. Cho. S. H Woo. S. H. Lee and C. S. Han, "Genetic lesion matching algorithm using medical image," Journal of the korea institute of information and communication engineering, vol 21, no.5, pp.960-966, May 2017.
H. Bay, A. Ess, T. Tinne, and L. V. Gool, "Speeded-Up Robust Features (SURF)", International Journal of Computer Vision and Image Understanding, vol. 110, no. 3, pp. 346-359, June 2008.
L. Zhang, L. Zhang, D. Zhang, and H. Zhu, "Ensemble of Local and Global Information for Finger-knuckle-print Recognition," International Journal of Pattern Recognition, vol. 44, no. 9, pp. 1990-1998, Sept. 2011.
Y. B. Cho and S. H. Woo, "The Kirsch-Laplacian Edge Detection Algorithm for Predicting Iris-based Disease," In Proceedings of the 2017 IEEE 21st International Conference on Computer Supported Cooperative Work in Design, pp.551-555, New Zealand. 2017.
Y. B. Cho. S.H Woo. S. H. Lee and M. K. Kim, "An Efficient Approach in Iris Genetic Lesion Detection Algorithm using SURF and SVM," In Proceedings of the 2017 IEEE Signal Processing algorithms architectures arrangements and applications(SPA 2017) conference proceedings, pp.412-417, Poland. 2017.
J. R. Kim, Y. S. Lee and Y.S. Yu, "Assessment of Bone Age in Prepubertal Healthy Korean Children: Comparison among the Korean Standard Bone Age Chart, Greulich-Pyle Method, and Tanner-Whitehouse Method," Journal of the Korean Journal of Radiology, vol.16, no.1, pp. 201-205, Jan. 2015.
H. M. Sim, P. Ishvi, "Analysis of an Axial T2 Weighted Brain MRI," Asia-pacific Journal of Convergent Research Interchange, vol.3, no.1, pp. 45-55, March 2017.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.