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.
문제 정의
- 향후 제안된 기법은 관심영역의 특징과 환자의 데이터 등 다양한 정보를 조합하여 의료영상 검색 시스템 구현에 이용될 것이다. 또한 자동적 진단 및 사용자 적합성 피드백을 통한 진단 보조 시스템으로 개발하고자 한다.
- 본 논문에서는 영상검색과 임상진단을 위해 적응적 관심 윈도우 기반의 세포영상 세그먼테이션 기법을 제안하였다. 적응적 관심윈도우는 영상처리 시간을 단축할 뿐 아니라, 정밀한 관심영역을 추출할 수 있다.
제안 방법
- 다음으로 임상 진단을 위한 자동적인 보조 진단 시스템 구성으로 제안기법의 적용가능성을 알아보기 위해, 각 기법을 통해 분리 된 영역의 중요도를 평가하였다. 평가를 위해 전체 200 개 영상에 존재하는 분리된 핵의 개수와, 정상세포와 이상세포가 포함된 95 개 영상의 분리된 이상 세포핵의 개수를 비교하였다.
- 따라서 영상 분석을 통해, 분할된 서브-블록에서 상대적으로 관심 영역이 분포 확률이 높은 중앙 4개의 블록에 가중치를 설정하고 명암지도의 평균값을 높여준다. 그림 6 은 중앙 4 영역에 대한 명암지도에 1.
- 먼저 명암지도(Z)를 생성하기 위해 본 영상에 대하여 1/2 로 크기를 줄인 회색도(gray-level) 영상(Z丿에 두 가지 크기의(12x12, 13x13) 필터를 적용하여 명암 대비를 측정한다. 필터 안의 중심 좌표와 주변 좌표들 사이의 차를 계산하고, 합을 중심점의 명암지도 값으로 설정한다.
- 배경영역들이 제거되면 각 영역의 크기를 구하고, 명암 지도의 값이 큰 n 개 영역을 클러스터링을 위한 seed 영역(RO4)으로 선정하여 이웃영역들을 비슷한 속성을 갖는 seed 영역으로 병합한다. 작은 이웃 영역의 seed 영역으로의 병합은 식(3)을 이용하여 주요 관심 영역의 바깥 경계와 닿거나 속한 비율을 판단한다.
- 본 논문에서는 초기단계에서 세그먼테이션 전에, 인간의 시각적 특징을 이용하여 관심윈도우를 추출한다. 관심윈도우의 주된 기능은 영상에서 비 관심영역을 제거하고, 세그먼테이션을 포함한 처리시간을 단축시키는 것이다.
- 본 논문에서는 쿼드-트리를 이용하여 초기 관심 윈도우를 최대한 관심영역의 크기와 유사한 적응적 관심 윈도우로 추출하는 방법을 제안하며 이를 위한 수도코드는 그림 4와 같다. 먼저 초기 관심윈도우 안에서 명암지도의 평균값(“期, )을 계산하고 영역 분할을 위한 임계 값으로 사용한다.
- 제안한 방법을 사용하였다. 이 방법에서는 에지와 베이지안 정리 및 3 종류의 변형된 원형 필터를 사용하여 영상을 세그먼테이션 한다
- 관심윈도우의 주된 기능은 영상에서 비 관심영역을 제거하고, 세그먼테이션을 포함한 처리시간을 단축시키는 것이다. 이를 위해 본 논문에서는 그림 2와 같이 명암지도(luminance map)를 이용하여 영상 내에서 초기 관심윈도우를 생성한다[1].
- 이를 위해 본 논문에서는 세포영상의 관심영역 추출을 위한 적응적 관심 윈도우(AAW: Adaptive Attention Window)의 자동 검출 및 영역 세그먼테이션 기법을 제안한다. 제안된 기법은 인간 시각에 기반한 초기관심 윈도우(Initial AW)를 생성하고 쿼드-트리 (quadtree) 분할을 이용하여 실제 관심영역에 가까운 적응적 관심윈도우를 생성한다.
- 제안된 기법은 인간 시각에 기반한 초기관심 윈도우(Initial AW)를 생성하고 쿼드-트리 (quadtree) 분할을 이용하여 실제 관심영역에 가까운 적응적 관심윈도우를 생성한다. 생성된 적응적 관심윈도우 내에서 세 ZL 먼테이션이 수행되고, 배경에 해당하는 경계영역의 제거와 주요 관심영역으로의 병합을 통해 최종적으로 인간 시각과 유사한 정밀한 관심 영역을 추출한다.
- 평가를 위해 전체 200 개 영상에 존재하는 분리된 핵의 개수와, 정상세포와 이상세포가 포함된 95 개 영상의 분리된 이상 세포핵의 개수를 비교하였다. <표 2>는 사람이 선별한 영상 전체의 세포핵의 개수와 이상 세포핵의 개수를 비교방법과 제안 알고리즘에 의해 분리된 핵의 개수와 이자 세포핵의 개수를 비교한 것이다.
대상 데이터
- 본 논문에서는 실험을 위하여 식물, 동물의 적혈구, 백혈구, 조직세포 등의 200 개 세포영상을 사용하였다. 실험에 사용된 영상은 정상 세포의 개수가 5 개 이하인 영상 105 개, 다수의 정상 세포와 1~3개의 이상 세포가 존재하는 영상 95 개로 구성되어 있다.
- 사용하였다. 실험에 사용된 영상은 정상 세포의 개수가 5 개 이하인 영상 105 개, 다수의 정상 세포와 1~3개의 이상 세포가 존재하는 영상 95 개로 구성되어 있다. 제안된 기법에 의한 세그먼테이션의 성능을 평가하기 위해서, 제안기법에 의해 추출된 관심영역을 Comaniciu 와 Meer 의 기법을 이용한 관심영역 세그먼테이션[4]과 비교하였다.
데이터처리
- 실험에 사용된 영상은 정상 세포의 개수가 5 개 이하인 영상 105 개, 다수의 정상 세포와 1~3개의 이상 세포가 존재하는 영상 95 개로 구성되어 있다. 제안된 기법에 의한 세그먼테이션의 성능을 평가하기 위해서, 제안기법에 의해 추출된 관심영역을 Comaniciu 와 Meer 의 기법을 이용한 관심영역 세그먼테이션[4]과 비교하였다. 이 기법에서 사용자는 초기 관심윈도우를 사용자가 수동으로 설정한다.
- 이 기법에서 사용자는 초기 관심윈도우를 사용자가 수동으로 설정한다. 평가를 위해 각 기법의 세그먼테이션 결과는 사람의 판단과 비교하고 식(5)를 이용하여 under 및 over 세그먼테이션 오차율을 평가하였다.
이론/모형
- 본 논문에서는 세그먼테이션을 위해 Ko 와 Byun[3] 이 제안한 방법을 사용하였다. 이 방법에서는 에지와 베이지안 정리 및 3 종류의 변형된 원형 필터를 사용하여 영상을 세그먼테이션 한다
성능/효과
- 또한 122개의 이상세포에 대해서도 74 개만을 검출함으로써 전반적인 이상세포의 핵 추출 비율이 낮다. 그러나 제안기법은 703 개로서 더 많은 핵을 추출하였으며, 이상 세포핵도 108 개를 검출하여 약 89%의 근접한 핵 추출 비율을 나타내었다.
- 그러나 제안기법은 적응적 관심윈도우를 찾고, 추출된 영역에서 세그먼테이션 함으로써 비교기법에 비해 over 오차율이 약 2.9 배로 감소했고, 정확도 AVG_S 도 약 1.6 배 높게 나타냈다. 또한 under 및 over 오차율의 표준편차도 비교적 고르게 나타낸다.
- 수 있었다. 따라서 제안기법은 이상세포를 감지하는 보조적 진단기법으로서의 사용 가능성을 보여준다.
- 비교방법에 의한 관심영역의 추출은 over 오차율을 많이 발생시키기 때문에 정밀하게 이상 세포를 분리하지 못하며, 상당히 낮은 핵 추출 결과를 보였다. 또한 122개의 이상세포에 대해서도 74 개만을 검출함으로써 전반적인 이상세포의 핵 추출 비율이 낮다. 그러나 제안기법은 703 개로서 더 많은 핵을 추출하였으며, 이상 세포핵도 108 개를 검출하여 약 89%의 근접한 핵 추출 비율을 나타내었다.
- 세포핵이나 정상세포에 속한 이상 세포핵은 염색물질에 의해 명암지도의 대비가 전체 평균보다 크기 때문에 초기 관심윈도우 안에서 정상세포의 명암지도의 평균 값과 상이한 대비 값을 가진 이상세포의 영역으로 분할하여 적응적 관심영역을 생성하고, 세그먼테이션을 수행함으로써 이상 세포핵을 효과적으로 추출할 수 있었다. 따라서 제안기법은 이상세포를 감지하는 보조적 진단기법으로서의 사용 가능성을 보여준다.
- 적응적 관심윈도우는 영상처리 시간을 단축할 뿐 아니라, 정밀한 관심영역을 추출할 수 있다. 실험에서 제안기법은 향상된 분리 결과와 이상 세포의 보조 진단으로서의 응용 가능성을 나타내었다. 향후 제안된 기법은 관심영역의 특징과 환자의 데이터 등 다양한 정보를 조합하여 의료영상 검색 시스템 구현에 이용될 것이다.
- 오차율의 분석 결과, 비교기법은 관심영역을 세그먼테이션 할 수는 있지만, 유사형태의 관심 윈도우가아닌 사용자가 지정한 사각 윈도우의 세그먼테이션으로 그림 9 와 같이 over 오차율을 크게 발생시켰고, 주요 관심영역인 핵이 아닌 다수의 단편들을 만들어내었다. 그러나 제안기법은 적응적 관심윈도우를 찾고, 추출된 영역에서 세그먼테이션 함으로써 비교기법에 비해 over 오차율이 약 2.
- 수행된 세그먼테이션의 비교 실험 결과는 그림 8 과 그림 9 에 각각 나타난다. 제안 기법은 적응적 관심 윈도우를 생성하지 않은 비교기법과 비교하여 그림 8 과 같이 유사한 under 세그먼테이션 비율을 가지는 반면, over segmentation 의 오차 비율은 그림 9 와 표 1 의 결과와 같이 비교방법의 43.1%의 오차율에 비하여 훨씬 줄어든 14.8%의 오차율을 나타냈다.
후속연구
- 실험에서 제안기법은 향상된 분리 결과와 이상 세포의 보조 진단으로서의 응용 가능성을 나타내었다. 향후 제안된 기법은 관심영역의 특징과 환자의 데이터 등 다양한 정보를 조합하여 의료영상 검색 시스템 구현에 이용될 것이다. 또한 자동적 진단 및 사용자 적합성 피드백을 통한 진단 보조 시스템으로 개발하고자 한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.