[논문]MPEG-7 시각 기술자와 멀티 클래스 SVM을 이용한 의료 영상 분류와 검색

심정희; 고병철; 남재열

MPEG-7 시각 기술자와 멀티 클래스 SVM을 이용한 의료 영상 분류와 검색
Medical Image Classification and Retrieval using MPEG-7 Visual Descriptors and Multi-Class SVM(Support Vector Machine) 원문보기

심정희 (계명대학교 컴퓨터공학과) , 고병철 (계명대학교 컴퓨터공학과) , 남재열 (계명대학교 컴퓨터공학과)

본 논문은 의료 영상에 대한 효과적인 분류와 검색을 위한 알고리즘을 제안한다. 영상 분류와 검색을 위해서 MPEG-7 표준 기술자인 색 구조 기술자와 경계선 히스토그램 기술자를 사용해 영상들에 대한 특징 값을 추출한다. 이렇게 구해진 특징 값들을 의료 영상의 분류와 검색에 적용해 본 결과 비교적 낮은 성능을 보여줌을 확인하고 앞서 구해진 특징 값들을 교사 학습 방법인 SVM(Support Vector Machine)과 비교사 학습 방법인 FCM(Fuzzy C-means Clustering)에 적용시켰다. 기존 연구에서는 SVM과 FCM의 통합으로 의료 영상에 대한 분류와 검색을 시행하였지만 본 논문에서 실험한 결과 SVM과 MPEG-7 시각 기술자 중에 하나인 EHD(Edge Histogram Descriptor)를 가중치 선형 결합하여 실험한 결과가 더 정확한 분류와 높은 검색 성능을 나타냄을 확인하였다.

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

따라서 Bhattacharya등[4]의 방법을 토대로 교사 학습 방법인 SVM(Support Vector Machine)과 FCM(Fuzzy C-means Clustering)이라는 비교사 학습 방법을 적용하여 시행해보고 보다 정확하고 세밀한 분류와 검색을 위한 알고리즘을 제안하고자 한다.
Bhattacharya등[4]은 MPEG-7 표준 기술자인 색 계층 기술자, 경계선 히스토그램 기술자를 사용해 추출한 특징 값들을 교사 학습 분리기인 SVM(Supprot Vector Machine)와 비교사 학습 분리기인 FCM(Fuzzy C-means Clustering)을 통해 의료 영상에 대한 분류를 시행했다. 본 논문에서는 현재 개발 중에 있는 내용 기반 검색시스템인 MISS(Medical Information Searching System)의 구현을 위한 의료 영상 분류와 검색 알고리즘을 제안한다. 의료 영상의 분류, 검색을 위한 전단계로 영상 안에 들어있는 색, 질감, 형태 등의 고유 정보를 사용하여 특징 값을 추출하고 그 값들을 교사 학습 분리기인 SVM과 경계선 히스토그램 기술자(EHD)를 결합하여 적용함으로써 기존의 Bhattacharya등[4]의 방법의 문제점을 개선하고 의료 영상의 분류와 검색 성능을 높이는 방법을 제안한다.

제안 방법

MPEG-7 시각적 기술자 중 특징 값 추출을 위해 사용된 색 공간 기술자와 경계선 히스토그램 기술자는 각각 128, 150개의 특징 값을 추출하여 실험에 사용하였다. SVM 적용을 위해 우선적으로 이루어진 학습 과정은 20개 카테고리에 대해 각각 일정 개수의 의료 영상을 학습시키도록 하였다. 표 1은 20개의 카테고리 별 명칭과 학습된 영상들의 개수를 보여준다.
의료 영상의 적절한 분류와 검색은 환자의 생명과도 직결된 사항이기 때문에 더욱더 높은 정확성이 요구되는 작업이다. 따라서 지역적 에지 히스토그램 값만으로는 불충분하다 판단되어 입력 영상 전체에 대한 5개의 국부적 경계선 히스토그램 값과 13개의 집단으로 그룹화한 Semi(반)-국부적 경계선 히스토그램 값을 추가하였다. 즉, 그림 5에서 보는 것과 같이 지역적 경계선 히스토그램 80개, 국부적 경계선 히스토그램 5개, Semi(반)-국부적 경계선 히스토그램 65개로 총 150개의 경계선 히스토그램을 생성하여 경계선 히스토그램 특징 값으로 사용하였다.
먼저 각 카테고리 별로 일정개수의 의료 영상들을 학습시키는 과정이 필요하다. 본 연구에서는 20개의 카테고리에 대해 각각 일정 개수의 의료 영상을 학습 시킨다. 적은 개수의 의료 영상을 가진 카테고리들인 발가락 48장, 허벅지 47장, 팔꿈치 21장, 발 38장의 의료 영상을 학습시킨 것을 제외하고 나머지 카테고리에 대해서는 각각 100장의 영상을 학습, 총 1,754장의 영상을 학습시켰다.
식(5)에서 X는 입력 영상을,K는 커널함수 값을 나타낸다. 본 연구에서는 의료 영상을 그 부위에 따라 20개의 클래스로 분류해야 하므로 Binary SVM이 아닌 멀티 클래스 SVM을 사용한다. 멀티 클래스 SVM에 대한 계산 방법으로는 One to others 방법과 Pair-wise 방법이 있는데 우리는 식(6)을 이용하여 One to others 방법을 사용하였다.
001의 값을 할당하였다. 성능 평가는 MPEG-7 기술자인 색 구조 기술자, 경계선 히스토그램 기술자, SVM, FCM을 독립적 혹은 결합하여 의료 영상 분류와 검색을 실시하였다. 기존에 Bhattacharya등[4]이 제안한 알고리즘은 SVM과 FCM의 결합을 통한 영상 검색이 가장 우수한 성능을 보인다 했지만 본 연구의 실험을 통해 식 (9)와 같이 SVM과 MPEG-7 시각적 기술자인 EHD를 결합했을 때 보다 뛰어난 성능을 나타냄을 확인하였다.
본 논문에서는 현재 개발 중에 있는 내용 기반 검색시스템인 MISS(Medical Information Searching System)의 구현을 위한 의료 영상 분류와 검색 알고리즘을 제안한다. 의료 영상의 분류, 검색을 위한 전단계로 영상 안에 들어있는 색, 질감, 형태 등의 고유 정보를 사용하여 특징 값을 추출하고 그 값들을 교사 학습 분리기인 SVM과 경계선 히스토그램 기술자(EHD)를 결합하여 적용함으로써 기존의 Bhattacharya등[4]의 방법의 문제점을 개선하고 의료 영상의 분류와 검색 성능을 높이는 방법을 제안한다.
이 기술자는 하나의 영상에 대해 16개의 겹치지 않는 서브영상으로 분할하고 5종류의 경계선(수직, 수평, 45° 대각선, 135° 대각선, 비방향성)을 사용하여 영상의 지역적 영역의 공간적인 분포를 표현한다.

대상 데이터

제안된 시스템의 성능평가를 위해 본 논문에서는 ImageCLEFmed2007[7]에 사용된 IRMA(Image Retrieval in Medical Applications) 영상 중 963장(20개 카테고리)을 테스트에 적용하였다. MPEG-7 시각적 기술자 중 특징 값 추출을 위해 사용된 색 공간 기술자와 경계선 히스토그램 기술자는 각각 128, 150개의 특징 값을 추출하여 실험에 사용하였다. SVM 적용을 위해 우선적으로 이루어진 학습 과정은 20개 카테고리에 대해 각각 일정 개수의 의료 영상을 학습시키도록 하였다.
이렇게 기록된 색 히스토그램을 이용하여 각각의 색의 히스토그램에 해당되는 구조화 성분의 개수 분포가 영상의 특징 값이 된다. 본 연구에서는 128개의 구조화 성분를 사용, 즉 총 128개의 특징 값을 사용하였다.
실험 데이터는 독일 RWTH Aachen 대학의 ImageCLEFmed2007에 사용된 IRMA(Image Retrieval in Medical Applications)영상을 사용하였습니다.
영상 자체의 개수가 적은 발가락, 허벅지, 팔꿈치를 제외한 나머지 카테고리에 대해서는 각각 100개의 영상을 학습시켜 총 1,754장의 학습 데이터를 생성하였다.
본 연구에서는 20개의 카테고리에 대해 각각 일정 개수의 의료 영상을 학습 시킨다. 적은 개수의 의료 영상을 가진 카테고리들인 발가락 48장, 허벅지 47장, 팔꿈치 21장, 발 38장의 의료 영상을 학습시킨 것을 제외하고 나머지 카테고리에 대해서는 각각 100장의 영상을 학습, 총 1,754장의 영상을 학습시켰다. SVM에서 가장 중요한 것은 정확한 분류를 위한 최적의 초평면을 찾는 것이다.
제안된 시스템의 성능평가를 위해 본 논문에서는 ImageCLEFmed2007[7]에 사용된 IRMA(Image Retrieval in Medical Applications) 영상 중 963장(20개 카테고리)을 테스트에 적용하였다. MPEG-7 시각적 기술자 중 특징 값 추출을 위해 사용된 색 공간 기술자와 경계선 히스토그램 기술자는 각각 128, 150개의 특징 값을 추출하여 실험에 사용하였다.
따라서 지역적 에지 히스토그램 값만으로는 불충분하다 판단되어 입력 영상 전체에 대한 5개의 국부적 경계선 히스토그램 값과 13개의 집단으로 그룹화한 Semi(반)-국부적 경계선 히스토그램 값을 추가하였다. 즉, 그림 5에서 보는 것과 같이 지역적 경계선 히스토그램 80개, 국부적 경계선 히스토그램 5개, Semi(반)-국부적 경계선 히스토그램 65개로 총 150개의 경계선 히스토그램을 생성하여 경계선 히스토그램 특징 값으로 사용하였다.
데이터베이스에 저장된 대용량의 의료 영상을 카테고리별로 보다 효과적으로 분류하고 진단하기 위해서 먼저 각 데이터베이스 안에 저장되어 있는 영상들에 대한 특징 값들을 추출해야 한다. 특징 추출에 사용되는 기술자로는 MPEG-7 표준에 정의되어 있는 색 구조 기술자(CSD)[5]로 색상 특징을 기술하며, 질감 특징은 경계선 히스토그램 기술자(EHD)[6]를 사용하여 추출한다.

데이터처리

본 논문에서는 Precision방법을 이용하여 성능을 비교하였고 실험 결과는 그림 8과 같다. Bhattacharya등[4]이 제안한 SVM과 FCM의 결합은 평균 58%의 성능을 보임에 반해 제안하는 방법은 SVM과 EHD의 결합은 평균 84%의 성능으로 기존 방법보다 우수한 성능을 나타냈다.

이론/모형

본 연구에서는 의료 영상을 그 부위에 따라 20개의 클래스로 분류해야 하므로 Binary SVM이 아닌 멀티 클래스 SVM을 사용한다. 멀티 클래스 SVM에 대한 계산 방법으로는 One to others 방법과 Pair-wise 방법이 있는데 우리는 식(6)을 이용하여 One to others 방법을 사용하였다.

성능/효과

성능 평가는 MPEG-7 기술자인 색 구조 기술자, 경계선 히스토그램 기술자, SVM, FCM을 독립적 혹은 결합하여 의료 영상 분류와 검색을 실시하였다. 기존에 Bhattacharya등[4]이 제안한 알고리즘은 SVM과 FCM의 결합을 통한 영상 검색이 가장 우수한 성능을 보인다 했지만 본 연구의 실험을 통해 식 (9)와 같이 SVM과 MPEG-7 시각적 기술자인 EHD를 결합했을 때 보다 뛰어난 성능을 나타냄을 확인하였다.
Bhattacharya등[4]이 제안한 SVM과 FCM의 결합은 평균 58%의 성능을 보임에 반해 제안하는 방법은 SVM과 EHD의 결합은 평균 84%의 성능으로 기존 방법보다 우수한 성능을 나타냈다. 실험을 통해 비슷한 형태의 특징을 가진 척추, 목 카테고리와 손, 발 카테고리의 유사성 검색은 비교적 낮은 성능을 보였다. 향후 연구로는 보다 정확한 유사성 검색을 위한 알고리즘 개발과 각 카테고리별 자동적인 주석 처리기능에 대한 연구를 할 계획이다.
앞서 MPEG-7 특징 기술자인 색 구조 기술자와 경계선 히스토그램 기술자를 통해 추출한 특징 값들만을 사용하여 내용기반 검색 시스템인 MISS에 적용시킨 결과 의료 영상 분류를 하기엔 정보가 불충분하다고 판단되었다. 따라서 Bhattacharya등[4]의 방법을 토대로 교사 학습 방법인 SVM(Support Vector Machine)과 FCM(Fuzzy C-means Clustering)이라는 비교사 학습 방법을 적용하여 시행해보고 보다 정확하고 세밀한 분류와 검색을 위한 알고리즘을 제안하고자 한다.

후속연구

실험을 통해 비슷한 형태의 특징을 가진 척추, 목 카테고리와 손, 발 카테고리의 유사성 검색은 비교적 낮은 성능을 보였다. 향후 연구로는 보다 정확한 유사성 검색을 위한 알고리즘 개발과 각 카테고리별 자동적인 주석 처리기능에 대한 연구를 할 계획이다.

핵심어

질문

논문에서 추출한 답변

경계선 히스토그램 기술자란?

경계선 히스토그램 기술자[6]는 영상의 지역적 경계선의 분포를 나타낼 수 있는 기술자이다. 이 기술자는 하나의 영상에 대해 16개의 겹치지 않는 서브영상으로 분할하고 5종류의 경계선(수직, 수평, 45°대각선, 135°대각선, 비방향성)을 사용하여 영상의 지역적 영역의 공간적인 분포를 표현한다.

경계선 히스토그램 기술자는 하나의 영상에 대해 어떻게 표현을 하는가?

경계선 히스토그램 기술자[6]는 영상의 지역적 경계선의 분포를 나타낼 수 있는 기술자이다. 이 기술자는 하나의 영상에 대해 16개의 겹치지 않는 서브영상으로 분할하고 5종류의 경계선(수직, 수평, 45°대각선, 135°대각선, 비방향성)을 사용하여 영상의 지역적 영역의 공간적인 분포를 표현한다. 경계선 히스토그램 기술자는 먼저 입력된 영상들에서 동일한 크기로 나누어진 서브영상들에 대해 아래 식(2)를 적용하여 영상 블록의 크기를 결정한다.

색 구조 기술자란?

MPEG-7에서 현재 정의되어 있는 색 기술자 중 하나인 색 구조 기술자는 영상의 유사한 색상 간의 히스토그램과 지역 공간 구조의 분포를 나타내는 기술자로써, 그 검색 성능이 다른 기술자에 비하여 상대적으로 뛰어나고 구현 또한 간단하다. 이 기술자에 사용되어지는 구조화 성분은 영상의 크기에 따라 유동적으로 그 크기와 서브샘플링 수가 정해지게 된다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

MPEG-7 시각 기술자와 멀티 클래스 SVM을 이용한 의료 영상 분류와 검색
Medical Image Classification and Retrieval using MPEG-7 Visual Descriptors and Multi-Class SVM(Support Vector Machine) 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

MPEG-7 시각 기술자와 멀티 클래스 SVM을 이용한 의료 영상 분류와 검색 Medical Image Classification and Retrieval using MPEG-7 Visual Descriptors and Multi-Class SVM(Support Vector Machine) 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

MPEG-7 시각 기술자와 멀티 클래스 SVM을 이용한 의료 영상 분류와 검색
Medical Image Classification and Retrieval using MPEG-7 Visual Descriptors and Multi-Class SVM(Support Vector Machine) 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper