선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
가설 설정
- 즉 두 Gray level 차인 유사도가 임계치 T보다 적으면 같은 영역으로 확장하고 그렇지 않으면 확장을 중단하여 영역을 분할한다. 그림 2의 (a)는 영역 확장 기법을 적용한 후의 이진화된 영상이고 (b) 영역 확장 기법을 적용하지 않고 이진화된 영상이다.
제안 방법
- 분할된 세포진 영상에서 Threshoding 기법으로 영상을 이진화한 후, 이진화된 영상에서 8 방향 윤곽선 추적 알고리즘을 이용해 세포핵 부분을 추출한다[6]. 그리고 추출된 세포핵 영역에서 HSI 모델의 Hue 정보를 오류 역전파 알고리즘을 적용하여 세포를 분류하고 인식한다.
- 명확한 기준을 세우기 힘들다. 따라서 본 논문에서는 세포 영역을 효율적으로 분할하기 위해 영역 확장 기법을 적용하였으며, 추출된 세포 영역에서 세포핵의 Hue값을 추출하여 오류 역 전파알고리즘을 적용하여 정상 세포와 비정상 세포를 분류하고 인식하였다.
- 세포는 정상 세포와 비정상 세포 및 암세포로 분류된다. 따라서 본 논문에서는 세포의 분류를 The Bethesda Sy stem 에서 분류한 WNL, ASCUS, LSIL, HSIL, SCC의 5등급으로 분류하였다. 여기서 WNL은 정상세포이고 뒤로 갈수록 악성도가 높은 비정상 세포이고, SCC로 분류되는 세포는 암세포를 의미한다.
- 그러나 이 학습 알고리즘은 학습 시간이 오래 걸리고, 새로운 패턴을 추가하여 학습할 때 기존의 학습한 패 턴에 영향을 주며, 필요한 정보가 모든 연결선에 고르게 분포되지 않아서 정보가 있는 연결선으로 들어온 오류의 중복으로 인하여 신경회로망 전체의 효율이 떨어지는 문제점을 가지고 있다[7]. 따라서 본 논문에서는 일반화된 델타 학습 방법에 Delta-bar-Delta 알고리즘을 적용하여 학습률을 동적으로 조정하는 개선된 오류 역전파 알고리즘을 적용하여 정상 세포와 비정상 세포를 인식한다. 개선된 오류 역전파 알고리즘은 그림 8과 같다.
- 본 논문에서는 세포 영역의 영상을 블록화 한 후, 각 블록의 RGB 화소를 R, G, B 채널로 각각 분리하여 K-means 알고리즘을 적용하여 그림 5 와 같이 클러스터링 한다. 한 블록에 대해 K-means 알고리즘을 적용하여 각각의 R, G, B 채널에서 10개의 클러스터가 각각 생성되고 25개의 블록에서는 세포핵 부분에 해당되는 중앙 9개 블록의 code book이 생성된다.
- 본 논문에서는 추출돤 세포 영역의 원 영상을 K-means 알고리즘을 적용하여 RGB 컬러 화소를 각각 R, G, B로 채널로 분리하여 클러스터링 한다. 클러스터링된 각각의 R, G, B 채널의 클러스터 값을 이용하여 HSI 모델로 변환한다.
- 또한 영역 중심 방법은 계산양이많아 상대적으로 시간이 많이 소요되지만, 지역적인 특성을 이용할 수 있다[5]. 본 논문에서는 획득된 자궁 세포진 영상을 그레이스케일 영상으로 변환한 후에 영역 확장 기법으로 세포진과 배경을 분할한다. 분할된 세포진 영상에서 Threshoding 기법으로 영상을 이진화한 후, 이진화된 영상에서 8 방향 윤곽선 추적 알고리즘을 이용해 세포핵 부분을 추출한다[6].
- 본 논문에서는 획득된 자궁 세포진 영상을 그레이스케일 영상으로 변환한 후에 영역 확장 기법으로 세포진과 배경을 분할한다. 분할된 세포진 영상에서 Threshoding 기법으로 영상을 이진화한 후, 이진화된 영상에서 8 방향 윤곽선 추적 알고리즘을 이용해 세포핵 부분을 추출한다[6]. 그리고 추출된 세포핵 영역에서 HSI 모델의 Hue 정보를 오류 역전파 알고리즘을 적용하여 세포를 분류하고 인식한다.
- 우선 하나의 중심 영역을 설정하여 인접 화소의 유사도를 측정하고 중심 영역에 속하는지를 판단한다. 두 인접 화소 A, B에 대한 유사도를 검증하는 식은 다음과 같다.
- 제거된 지점을 각각 새로운 최소, 최대값으로 설정하고 두 지점의 50% 지점을 영상의 임계치로 결정하여 영상을 이진화 한다. 이진화된 영상에서 8방향 윤곽선 추적 알고리즘을 적용하여 세포 영역을 추출한다. 추출된 세포는 1차적으로 정상과 비정상 세포로 분류하기 위해 세포의 면적(Area)과 세포의 둥근 정도(Circularity)를 이용한다.
- 5%의 지점까지 화소를 제거한다. 제거된 지점을 각각 새로운 최소, 최대값으로 설정하고 두 지점의 50% 지점을 영상의 임계치로 결정하여 영상을 이진화 한다. 이진화된 영상에서 8방향 윤곽선 추적 알고리즘을 적용하여 세포 영역을 추출한다.
- 클러스터링된 각각의 R, G, B 채널의 클러스터 값을 이용하여 HSI 모델로 변환한다. 변환된 HSI 모델에서 Hue 정보를 정상 세포와 비정상 세포를 분류하고 인식하기 위한 또 하나의 특징으로 적용한다.
대상 데이터
- 여기서 WNL은 정상세포이고 뒤로 갈수록 악성도가 높은 비정상 세포이고, SCC로 분류되는 세포는 암세포를 의미한다. 따라서 본 논문에서는 각 자궁 세포진 영상에서 WNL, ASCUS, LSIL에대해서는 각각 3개, HSIL에 대해서는 20개, SCC 에서는 10개를 학습데이터로 사용하였다. 따라서 학습 데이터는 총 210개이고 테스트 데이터는 316개이다.
- 따라서 본 논문에서는 각 자궁 세포진 영상에서 WNL, ASCUS, LSIL에대해서는 각각 3개, HSIL에 대해서는 20개, SCC 에서는 10개를 학습데이터로 사용하였다. 따라서 학습 데이터는 총 210개이고 테스트 데이터는 316개이다.
- 0으로 구현하였다. 실험 표본은 640*480 크기의 자궁 경부 세포 영상 20장을 대상으로 실험하였다. 제안된 자궁 경부 세포진 영상 추출 결과는 그림 9와 같다.
이론/모형
- 본 논문에서 세포핵의 Hue 값을 이용하여 정상 세포와 비정상 세포를 분류하기 위해 오류 역전파 학습 알고리즘을 적용한다. 오류 역전파 알고리즘은 비선형 판별 문제를 해결할 수 있어 최근에 가장 보편적으로 사용되고 있다.
- 표 2에서와 같이 총 210개의 단일 세포에서 추출된 핵의 Hue 정보를 오류 역전파 알고리즘을 적용하여 학습하였다. 신경망의 구성은 입력층의 입력 노드 수는 90개로 설정하였고 은닉층은 노드 수는 실험을 통하여 20개로 설정하는 것이 최적으로 나타났다.
성능/효과
- 학습하였다. 신경망의 구성은 입력층의 입력 노드 수는 90개로 설정하였고 은닉층은 노드 수는 실험을 통하여 20개로 설정하는 것이 최적으로 나타났다. 그리고 출력층의 노드 수는 3개로 설정하였다.
- 표 1에서 알 수 있듯이 본 연구를 통해 추출된 핵의 추출률은 85.4%의 정확도를 가졌다. 그리고 추출된 단일 세포에 대해 오류 역전파 알고리즘의 학습 데이터와 실제 테스트 데이터는 표 2와 같다.
- 표 3에서와 같이 각각의 악성 세포 등급에 따른 인식은 평균 69.7%의 인식률로 나타났고, 정상 및 비정상 세포의 인식률은 비교적 높은 평균 85.32%의 인식률을 보였다.
후속연구
- 향후 연구 과제는 세포의 형태학적 특징, 즉 구조적 변화와 비정상 세포의 색조 변화 특징을 모두 분석하여 세포 영역에서 세포핵을 분할하는 방법을 개선하여 임상적인 조직 검사와 비교 분석할 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.