KR101066468B1 - 벌집모양 폐 구분 방법, 장치 및 컴퓨터로 판독 가능한 저장매체 - Google Patents

벌집모양 폐 구분 방법, 장치 및 컴퓨터로 판독 가능한 저장매체 Download PDF

Info

Publication number
KR101066468B1
KR101066468B1 KR1020090104465A KR20090104465A KR101066468B1 KR 101066468 B1 KR101066468 B1 KR 101066468B1 KR 1020090104465 A KR1020090104465 A KR 1020090104465A KR 20090104465 A KR20090104465 A KR 20090104465A KR 101066468 B1 KR101066468 B1 KR 101066468B1
Authority
KR
South Korea
Prior art keywords
lung
honeycomb
image
wavelet
lung image
Prior art date
Application number
KR1020090104465A
Other languages
English (en)
Other versions
KR20110047723A (ko
Inventor
최태선
최욱진
사이드 말릭 아미르
Original Assignee
광주과학기술원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 광주과학기술원 filed Critical 광주과학기술원
Priority to KR1020090104465A priority Critical patent/KR101066468B1/ko
Publication of KR20110047723A publication Critical patent/KR20110047723A/ko
Application granted granted Critical
Publication of KR101066468B1 publication Critical patent/KR101066468B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Optics & Photonics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Pulmonology (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Image Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

본 발명은 폐를 CT 촬영한 영상에서 정상적인 폐와 벌집모양 폐를 구분하는방법에 관한 것으로서, 일면에 따른 벌집모양 폐 구분 방법은 CT 촬영한 폐 영상을 웨이블릿(wavelet) 변환하는 단계 및 K평균군집화(K-means clustering) 알고리즘을 적용하여 상기 변환된 결과로부터 상기 폐 영상이 정상적인 폐 영상인지 벌집모양 폐 영상인지 구분하는 단계를 포함한다.
폐 영상(lung image), 벌집모양 폐(honeycombed lung), 웨이블릿 변환, K평균군집화(K-means clustering) 알고리즘

Description

벌집모양 폐 구분 방법, 장치 및 컴퓨터로 판독 가능한 저장매체{Method and apparatus for classifying honeycombed lung image and computer-readable medium}
본 발명은 폐를 CT 촬영한 영상에서 정상적인 폐와 벌집모양 폐를 구분하는 방법에 관한 것이다.
종래에는 정상적인 폐 영상과 벌집화 된 폐 영상은 일반적으로 검출자가 육안을 통해 영상을 검토하여 구분하였다.
이러한 방법은 검출자의 피로도를 증가 시키며 처리 속도가 저하된다. 또한 검출자의 육안에 의해 정상적인 폐와 비정상적인 폐를 구분하므로 에러가 발생할 가능성이 크다.
이에 본 발명이 이루고자 하는 기술적 과제는, 폐를 CT 촬영한 영상으로부터 자동적으로 정상적인 폐와 벌집모양 폐를 구분하는 방법을 제공하는 것을 목적으로 한다.
본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
전술한 목적을 달성하기 위한 본 발명의 일면에 따른 벌집모양 폐 구분 방법은, CT 촬영한 폐 영상을 웨이블릿(wavelet) 변환하는 단계 및 K평균군집화(K-means clustering) 알고리즘을 이용하여 상기 변환된 결과로부터 상기 폐 영상이 정상적인 폐 영상인지 벌집모양 폐 영상인지 구분하는 단계를 포함한다.
여기서 상기 변환하는 단계는 가역 쌍직교(Reversible Biorthogonal) 웨이블릿 변환을 수행하는 단계를 포함할 수 있다.
또는 상기 변환하는 단계는 상기 폐 영상의 슬라이스 별로 적어도 2단계 이상 상기 웨이블릿 변환을 수행하여, 세로(vertical) 성분, 가로(horizontal) 성분, 대각선(diagonal) 성분을 포함하는 고주파 성분(detail)과, 저주파 성분(approximation)에 대한 웨이블릿 에너지를 구하는 단계를 포함한다.
또한 상기 구분하는 단계는 코사인 거리(cosine distance)를 통해 상기 각 웨이블릿 에너지를 갖는 벡터들의 유사도를 측정하고, 측정된 유사도를 이용하여 군집화함으로써 상기 폐 영상이 정상적인 폐 영상인지 벌집모양 폐 영상인지 구분하는 단계이다.
본 발명의 다른 면에 따른 벌집모양 폐 구분 장치는, CT 촬영한 폐 영상을 웨이블릿(wavelet) 변환하는 웨이블릿 변환부 및 K평균군집화(K-means clustering) 알고리즘을 이용하여 상기 변환된 결과로부터 상기 폐 영상이 정상적인 폐 영상인지 벌집모양 폐 영상인지 구분하는 구분부를 포함한다.
기타 실시예들의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
본 발명의 실시예에 따르면, 본 발명은 CT 촬영한 폐 영상으로부터 정상적인 폐와 비정상적인 폐를 자동적으로, 매우 정확하게 구분할 수 있다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 한편, 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제 한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.
도 1 내지 도 4를 참조하여 본 발명의 실시예에 벌집모양 폐 구분 방법 및장치를 설명한다. 도 1은 본 발명의 실시예에 벌집모양 폐 구분 장치를 나타내는 구성도이고, 도 2는 본 발명의 실시예에 벌집모양 폐 구분 방법을 설명하기 위한 순서도이고, 도 3a 내지 도 3d는 웨이블릿 변환 과정을 설명하기 위한 예시도이고, 도 4는 본 발명의 실시예를 적용하여 실험한 실험결과를 나타내는 그래프이다.
도 1을 참조하면, 실시예에 따른 벌집모양 폐 구분 장치(100)는 웨이블릿 변환부(110)와 구분부(120)를 포함한다.
웨이블릿 변환부(110)는 CT 촬영한 폐 영상을 웨이블릿(wavelet) 변환하며(S210), 구분부(120)는 K평균군집화(K-means clustering) 알고리즘을 적용하여(S220), 상기 변환된 결과로부터 상기 폐 영상이 정상적인 폐 영상인지 비정상적인 폐, 즉 벌집모양 폐 영상인지 구분한다.
좀 더 구체적으로 설명하면, 폐 CT 영상에서 벌집모양 폐를 구분하기 위해 추출된 폐 영상들 중 정상적인 폐 영상과 비정상적인 폐 영상들 간의 패턴 비교를 하여 두 그룹간의 패턴을 구분하기 위해서는 영상의 특성을 정확하게 나타낼 수 있는 특징 기술자(feature descriptor)가 필요하다. 특징 기술자의 후보로는 DCT, 웨이블릿 에너지(wavelet engery), 픽셀의 그레이 레벨(gray-level) 값, 국소 블럭의 코히어런시(coherency), 가버 필터(gabor filter) 등이 있으며,　본 실시예에서는 웨이블릿 에너지(wavelet energy)를 이용하여 정상적인 폐 영상와 벌집모양 폐 영상을 구분할 수 있다.
따라서 본 실시예에서는 웨이블릿 변환부(110)가 웨이블릿 변환을 이용하여 폐 CT 영상으로부터 웨이블릿 에너지(wavelet energy)를 구한다(S210). 예컨대 폐 CT 영상을 적어도 2단계 이상(또는 3단계) 웨이블릿 변환을 수행한다. 웨이블릿 변환한 결과를 시각화하면 도 3a 내지 도 3c의 coefficient 영상이 도출된다. 그리고 저주파 성분(approximation, 웨이블릿 근사 정보), 고주파 성분(상세정보(detail), 세로(vertical) 성분, 가로(horizontal) 성분, 대각선(diagonal) 성분을 포함함) 정보에 대한 웨이블릿 에너지를 폐 CT 영상의 슬라이스(sclice)당 단계별로 4개씩 총 12개의 웨이블릿 에너지 값을 계산할 수 있다. 이러한 구체적인 예는 실험예로 자세하게 후술된다.
그리고, 각 폐 CT 영상들을 특징 공간(feature space) 내에서 분류하여 정상적인 폐의 데이터 군과 비정상적인 폐의 데이터 군을 구분하는 분류자(classifier)로 K평균군집화(k-means clustering) 분류 기법을 적용한다. 즉, 구분부(120)가 산출된 웨이블릿 에너지들에 대해 K평균군집화(k-means clustering)을 적용한다(S220). 여기서 k는, 벡터들로부터 정상적인 폐의 데이터 군과 벌집모양 폐의 데이터 군 2가지로 군집화하므로, 2가 된다.
여기서 K평균군집화(k-means clustering) 알고리즘을 설명하면, K평균군집화(k-means clustering) 알고리즘은 주어진 데이터를 특정 성질에 기초해 서 k개의 묶음으로 나누는 방법 중 하나다. 데이터가 벡터 공간을 이룬다고 가정하고, 이 알고리즘은 각 묶음의 분산도를 최소화한다. 이것을 식으로 나타내면 아래와 같다.
Figure 112009066981418-pat00001
여기서 k개의 묶음은 Si(i=1,2,.., k)으로 표시되고, μi는 각 묶음에 속한 점들 xj(xj∈Si)의 무게중심이다
맨 처음, 각 점들을 k개 집합으로 나눈다. 이 때 임의로 나누거나, 어떤 휴리스틱(huristic) 기법을 사용하여 각 점들을 k개 집합으로 나눌 수도 있다. 그 다음 각 집합의 무게 중심을 구한다. 그 다음, 각각의 점들을 무게 중심 중 가운데 제일 가까운 무게 중심에 연결지음으로써 새로이 집합을 나눌 수 있다. 이 작업을 반복하면 점들이 소속된 집합을 바꾸지 않거나, 무게중심이 변하지 않는 상태로 수렴될 수 있다. 이 알고리즘은 실제 사용될 때 빠르게 수렴하기 때문에 널리 쓰인다. 보통 처음 주어진 데이터의 개수보다 훨씬 적은 반복만 필요하다. 그러나 최근 Arthur와 Vassilvitskii가 이 알고리즘이 다항을 넘는(superpolynomial) 시간(
Figure 112009066981418-pat00002
)이 걸리는 경우가 있음을 보였다. 따라서 본 실시예에서는 일반적으로 쓰이는 유클리드 거리를 쓰지 않고 코사인 거리를(cosine distance) 사용하였다. 코사인 거리의 적용은 민코스키 공간(mincowski space)에서 고차원(high dimentionality)의 클러스터링 데이터에서 나타날 수 있는 문제점을 해결하기 위한 것이다.
이하에서 코사인 거리에 관해 좀더 구체적으로 설명한다.
Figure 112009066981418-pat00003
위 식은 Nd차원의 두 벡터 Zu와 Zw의 내적이다.
아래의 식은 두 벡터의 내적과 두 벡터 사이 각(Θ)의 코사인과의 관계를 나타낸다.
Figure 112009066981418-pat00004
따라서 벡터 내적과 코사인의 관계를 이용하여 아래와 같이 두 벡터 사이의 코사인 값을 구하는 식을 얻을 수 있으며 이를 통해 두 벡터 사이의 코사인 거리를 구할 수 있다.
Figure 112009066981418-pat00005
위의 식을 다시 정리 하면 아래와 같이 나타낼 수 있다.
Figure 112009066981418-pat00006
따라서 두 벡터 사이 각이 0도일 경우 두 벡터 사이의 유사도가 가장 높은 경우이며 코사인 거리는 1이 된다. 그리고 두 벡터 사이의 각이 90도 또는 270도 일 경우 0이 되고 두 벡터 사이의 각이 180도 일 때 -1이 되며 두 벡터 사이의 유 사도가 가장 낮은 경우이다.
본 실시예에서는 군집(cluster)내의 구성요소(member)들, 즉 전술한 단계에서 산출된 웨이블릿 에너지값들을 갖는 벡터들의 유사도를 측정하기 위해 코사인 거리(cosine distance)를 사용하였으며 각각의 군집(cluster)을 정의하기 위해 member objects와 무게중심(centroid)를 사용하였다. 각각의 군집(cluster)의 무게중심(centroid)은 군집(cluster)의 모든 objects에서의 거리의 합이 최소화 되는 점이고, member objects는 전술한 단계에서 산출된 웨이블릿 에너지값들을 갖는 벡터들이다.
<구체적인 실험예>
본 실험예에서는 가역 쌍직교(Reversible Biorthogonal) 웨이블릿 변환을 통해 폐 CT 영상으로부터 웨이블릿 에너지를 구하고, 이를 이용하여 정상적인 폐와 비정상적인 폐를 구분한다. 웨이블릿 에너지(wavelet energy)가 정상적인 폐와 비정상적인 폐를 명확하게 구분할 수 있는 feature임은, 실험을 통해 이하에서 설명되는 바와 같이 입증된다.
본 실험에 대해 구체적으로 설명하면, 폐 CT 영상에 대해 웨이블릿 변환을 3단계로 수행하였다. 각각의 단계별로 웨이블릿 변환을 하면 coefficient 매트릭스가 도출되며, 이것을 시각화하면 도 3a 내지 도 4d의 coefficient 영상이 도출된다. 도 3a 내지 도 3c는 각 단계별 coefficient 영상을 설명하기 위한 개념도이고, 도 4a는 CT 촬영한 폐 영상이고, 도 4b 내지 도 4d는 도 4a의 폐 영상을 각 단계별 coefficient 영상이다. 그리고 각각의 coefficient 매트릭스로부터 저주파 성 분(approximation, 웨이블릿 근사 정보), 고주파 성분(상세정보(detail), 세로(vertical) 성분, 가로(horizontal) 성분, 대각선(diagonal) 성분을 포함함) 정보에 대한 percentage of energy를 구해 폐 CT 영상의 슬라이스(sclice)당 단계별로 4개씩 총 12개의 웨이블릿 에너지 값을 계산하였고, 또한 Shannon 과 Log energy entropy 값을 각각의 슬라이스 별로 구하여 아래의 표 1과 같은 결과를 얻었다.
[표 1]
Patient # Shannon Log Energy Level 1
Approx Horizontal Vertical Diagonal
1 -5.73E+10 32469.3 42.0847 16.91027 15.0102 26.03083
2 -5.10E+10 491028 39.79653 16.77827 17.25227 26.1729
3 -6.43E+10 533710.3 44.99213 15.28007 14.89673 24.83103
　[표 1]은 세명의 환자(Patient 1, 2, 3)의 폐 영상에 웨이블릿 변환을 적용한 후 Shannon 값, Log energy 값, 그리고 첫 번째 단계(Level 1)에서의 approximation, 가로, 세로, 대각선의 energy percentage 값을 나타낸 것이다.
이와 같은 방법으로 폐 영상의 슬라이스 별로 총 14(=3(웨이블릿 변환 단계)×4(approximation, 세로, 가로, 대각선)+2(Shannon 과 Log energy entropy 값)개의 값을 가지는 벡터가 생성되며, 이렇게 생성된 벡터를 이용하여 K평균군집화(k-means clustering) 을 이용하여 정상적인 폐 영상과 벌집모양 폐로 구분한다.
　환자 15명(13명은 정상의 폐를 갖고 있고, 2명은 벌집모양의 폐를 갖고 있음)의 폐 CT 영상으로 본 발명에서 제안된 방법으로 실험을 수행하면, 도 3에 도시된 실험 결과를 얻을 수 있다. 도 4에서 cluster 1번은 정상적인 폐 CT 영상의 군집이고, 2번은 벌집모양 폐 CT 영상의 군집이다. 도 4의　silhouette diagram에 의 하면 cluster 1번의 거의 모든 silhouette 값이 0.8 이상임을 알 수 있으며 cluster 2번의 경우 0.7이상임을 알 수 있다. silhouette 값은 cluster에 대한 소속도를 나타내기 때문에 이러한 큰 값을 통해 각각의 cluster가 정확하게 분리됨을 알 수 있다. 여기서 K평균군집화를 적용하는 이유는 다음과 같다. 전술한 계층적인 방법(3단계의 웨이블릿 변환)에서는 구분하고자 하는 데이터의 개수가 커지면 실제로 표현되는 패턴은 상대적으로 작아지고, 따라서 환자의 수가 많아지면 이런 계층적 방법은 많은 오류가 발생할 수 있다. 그래서 많은 환자에게 적용할 경우에도 정상적으로 작동할 수 있도록 K평균군집화 방법을 classifier로 사용한 것이다.
본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 또한, 전술한 본 발명의 실시예에서 설명된 벌집모양 폐 구분 방법을 실행하는 프로그램은 컴퓨터로 판독가능한 저장매체에 여러 수단을 통하여 기록 및/또는 저장될 수 있다. 컴퓨터로 판독가능한 저장매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스크, 하드 디스크 등), 광학적 판독매체(예를 들면, 시디롬, 디브이디 등) 및 캐리어 웨이브(예를 들면, 인터넷을 통한 전송)와 같은 저장매체를 포함한다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구의 범위에 의하여 나타내어지며, 특허청구의 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
도 1은 본 발명의 실시예에 벌집모양 폐 구분 장치를 나타내는 구성도이다.
도 2는 본 발명의 실시예에 벌집모양 폐 구분 방법을 설명하기 위한 순서도이다.
도 3a 내지 도 4d는 웨이블릿 변환 과정을 설명하기 위한 예시도이다.
도 5는 본 발명의 실시예를 적용하여 실험한 실험결과를 나타내는 그래프이다.

Claims (8)

  1. CT 촬영한 적어도 2개 이상의 폐 영상을 웨이블릿(wavelet) 변환하는 단계; 및
    상기 각 폐 영상들을 특징 공간(feature space)내에서 분류하여 정상적인 폐의 데이터 군과 벌집모양인 폐의 데이터 군을 구분하는 분류자(classifier)로 K평균군집화(K-means clustering) 알고리즘을 적용하여 상기 변환된 결과로부터 상기 각 폐 영상이 정상적인 폐 영상인지 벌집모양 폐 영상인지 구분하는 단계
    를 포함하는 벌집모양 폐 구분 방법.
  2. 제1항에 있어서, 상기 변환하는 단계는
    가역 쌍직교(Reversible Biorthogonal) 웨이블릿 변환을 수행하는 단계를 포함하는 것
    인 벌집모양 폐 구분 방법.
  3. 제1항에 있어서, 상기 변환하는 단계는,
    상기 폐 영상의 슬라이스 별로 적어도 2단계 이상 상기 웨이블릿 변환을 수행하여 도출된 coefficient 매트릭스의 세로(vertical) 성분, 가로(horizontal) 성분, 대각선(diagonal) 성분을 포함하는 고주파 성분(detail)과, 저주파 성분(approximation)에 대한 웨이블릿 에너지를 구하는 단계를 포함하는 것
    인 벌집모양 폐 구분 방법.
  4. 제3항에 있어서, 상기 구분하는 단계는
    코사인 거리(cosine distance)를 통해 상기 각 웨이블릿 에너지를 갖는 벡터들의 유사도를 측정하고, 측정된 유사도를 이용하여 군집화함으로써 상기 폐 영상이 정상적인 폐 영상인지 벌집모양 폐 영상인지 구분하는 단계인 것
    인 벌집모양 폐 구분 방법.
  5. 제1 항 내지 제4항 중 어느 한 항의 벌집모양 폐를 구분하는 방법을 실행하는 프로그램이 저장된 컴퓨터로 판독가능한 저장매체.
  6. CT 촬영한 적어도 2개 이상의 폐 영상을 웨이블릿(wavelet) 변환하는 웨이블릿 변환부; 및
    상기 각 폐 영상들을 특징 공간(feature space)내에서 분류하여 정상적인 폐의 데이터 군과 벌집모양인 폐의 데이터 군을 구분하는 분류자(classifier)로 K평균군집화(K-means clustering) 알고리즘을 적용하여 상기 변환된 결과로부터 상기 폐 영상이 정상적인 폐 영상인지 벌집모양 폐 영상인지 구분하는 구분부
    를 포함하는 벌집모양 폐 구분 장치.
  7. 제6항에 있어서, 상기 웨이블릿 변환부는
    상기 폐 영상의 슬라이스 별로 3단계의 상기 웨이블릿 변환을 수행하여 도출된 coefficient 매트릭스의 세로(vertical) 성분, 가로(horizontal) 성분, 대각선(diagonal) 성분을 포함하는 고주파 성분(detail)과, 저주파 성분(approximation)에 대한 웨이블릿 에너지를 구하는 것
    인 벌집모양 폐 구분 장치.
  8. 제7항에 있어서, 상기 구분부는
    코사인 거리(cosine distance)를 통해 상기 각 웨이블릿 에너지를 갖는 벡터들의 유사도를 측정하고, 측정된 유사도를 이용하여 군집화함으로써 상기 폐 영상이 정상적인 폐 영상인지 벌집모양 폐 영상인지 구분하는 것
    인 벌집모양 폐 구분 장치.
KR1020090104465A 2009-10-30 2009-10-30 벌집모양 폐 구분 방법, 장치 및 컴퓨터로 판독 가능한 저장매체 KR101066468B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020090104465A KR101066468B1 (ko) 2009-10-30 2009-10-30 벌집모양 폐 구분 방법, 장치 및 컴퓨터로 판독 가능한 저장매체

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020090104465A KR101066468B1 (ko) 2009-10-30 2009-10-30 벌집모양 폐 구분 방법, 장치 및 컴퓨터로 판독 가능한 저장매체

Publications (2)

Publication Number Publication Date
KR20110047723A KR20110047723A (ko) 2011-05-09
KR101066468B1 true KR101066468B1 (ko) 2011-09-21

Family

ID=44238979

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020090104465A KR101066468B1 (ko) 2009-10-30 2009-10-30 벌집모양 폐 구분 방법, 장치 및 컴퓨터로 판독 가능한 저장매체

Country Status (1)

Country Link
KR (1) KR101066468B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109256023A (zh) * 2018-11-28 2019-01-22 中国科学院武汉物理与数学研究所 一种肺部气道微结构模型的测量方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050043614A1 (en) * 2003-08-21 2005-02-24 Huizenga Joel T. Automated methods and systems for vascular plaque detection and analysis

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050043614A1 (en) * 2003-08-21 2005-02-24 Huizenga Joel T. Automated methods and systems for vascular plaque detection and analysis

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109256023A (zh) * 2018-11-28 2019-01-22 中国科学院武汉物理与数学研究所 一种肺部气道微结构模型的测量方法
CN109256023B (zh) * 2018-11-28 2020-11-24 中国科学院武汉物理与数学研究所 一种肺部气道微结构模型的测量方法

Also Published As

Publication number Publication date
KR20110047723A (ko) 2011-05-09

Similar Documents

Publication Publication Date Title
JP5414416B2 (ja) 情報処理装置及び方法
US8406494B2 (en) Anatomical primitive detection
Zhang et al. Building an ensemble system for diagnosing masses in mammograms
US10628941B2 (en) Image processing apparatus, image processing method, and image processing program
US20060280348A1 (en) Method of screening cellular tissue
JP2011526508A (ja) 医療用画像の領域分割
JP2017500560A (ja) 欠陥指標の検出方法
Abdullah et al. Multi-sectional views textural based SVM for MS lesion segmentation in multi-channels MRIs
CN105654109B (zh) 分类方法、检查方法和检查装置
KR101066468B1 (ko) 벌집모양 폐 구분 방법, 장치 및 컴퓨터로 판독 가능한 저장매체
WO2007089940A2 (en) Method and apparatus for classifying detection inputs in medical images
Nagashree et al. Pneumonia chest X-ray classification using support vector machine
Jeyavathana et al. An efficient feature extraction method for tuberculosis detection using chest radiographs
Bojarczak Visual algorithms for automatic detection of squat flaws in railway rails
Gori et al. Lung nodule detection in screening computed tomography
CN110349662B (zh) 用于过滤肺部肿块误测结果的跨图像集合的离群样本发现方法和系统
KR101085949B1 (ko) 폐 분류 장치 및 그 방법
Al-Absi et al. A computer aided system for breast cancer detection and diagnosis
Xiao et al. A study: segmentation of lateral ventricles in brain MRI using fuzzy c-means clustering with Gaussian smoothing
Vinay et al. Predication of lung nodule characteristic rating using best classifier model
Tsevas et al. Measuring the relative extent of pulmonary infiltrates by hierarchical classification of patient-specific image features
Horsthemke et al. Predicting LIDC diagnostic characteristics by combining spatial and diagnostic opinions
Nivethitha et al. Deep Clustering with Convolution Autoencoders and Edge Detection Based Classifcation and Visualization of Alzheimer's Disease
Ali et al. Classification of lung diseases based on K-mean clustering
Lakshmi Devasena et al. Hybrid Image Classification Technique to Detect Abnormal Parts in MRI Images

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20140630

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20150730

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20160712

Year of fee payment: 6

LAPS Lapse due to unpaid annual fee