KR101085949B1 - 폐 분류 장치 및 그 방법 - Google Patents

폐 분류 장치 및 그 방법 Download PDF

Info

Publication number
KR101085949B1
KR101085949B1 KR1020100019107A KR20100019107A KR101085949B1 KR 101085949 B1 KR101085949 B1 KR 101085949B1 KR 1020100019107 A KR1020100019107 A KR 1020100019107A KR 20100019107 A KR20100019107 A KR 20100019107A KR 101085949 B1 KR101085949 B1 KR 101085949B1
Authority
KR
South Korea
Prior art keywords
image
lung
lung image
value
feature
Prior art date
Application number
KR1020100019107A
Other languages
English (en)
Other versions
KR20110100037A (ko
Inventor
최태선
최욱진
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 KR1020100019107A priority Critical patent/KR101085949B1/ko
Publication of KR20110100037A publication Critical patent/KR20110100037A/ko
Application granted granted Critical
Publication of KR101085949B1 publication Critical patent/KR101085949B1/ko

Links

Images

Classifications

    • 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
    • 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
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images

Landscapes

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

Abstract

폐 분류 장치 및 그 방법이 개시된다. 본 폐 분류 장치는, 폐 영상으로부터 웨이블릿 에너지 및 정보 엔트로피 중 적어도 하나를 포함하는 폐 영상의 특징 값을 추출하는 특징 추출부, 특징 추출부에서 추출된 특징 값으로 벡터를 생성하는 벡터 생성부 및 서포트 벡터 머신의 최대 여백 분류 경계를 기준으로 벡터의 위치를 파악함으로써 폐 영상의 상태를 결정하는 상태 결정부를 포함한다. 그리하여 폐 영상이 정상적인 폐 영상인지 비정상적인 폐영상인지를 자동적으로 판별할 수 있다.

Description

폐 분류 장치 및 그 방법{THE APPARATUS FOR CLASSIFYING LUNG AND THE METHOD THERE0F}
본 발명은 폐 분류 장치 및 그 방법에 관한 것으로, 보다 구체적으로, 폐 영상을 서포트 벡터 머신을 이용하여 분류하는 방법 및 그 장치에 관한 것이다.
정상적인 폐 영상과 비정상적인 폐 영상을 분류하기 위해 검출자가 육안을 통해 폐 영상을 검토하였다.
그러나, 이러한 방법은 검출자의 피로도를 증가시킬 뿐만 아니라, 분류 속도가 저하되는 문제가 있다. 또한, 검출자의 주관적인 판단에 의해 정상적인 폐 영상과 비정상적인 폐 영상이 구분되기 때문에 에러가 발생할 확률이 크다.
본 발명은 상기한 문제점을 해결하기 위해 폐 영상이 입력되면 자동으로 정상적인 폐 영상인지 비정상적인 폐 영상인지를 구분하는 폐 분류 장치 및 그 방법을 제공한다.
상기 목적을 달성하기 위한 본 발명에 따른, 폐 분류 장치는, 폐 영상으로부터 웨이블릿 에너지 및 정보 엔트로피 중 적어도 하나를 포함하는 폐 영상의 특징 값을 추출하는 특징 추출부; 상기 특징 추출부에서 추출된 특징 값으로 벡터를 생성하는 벡터 생성부; 및 서포트 벡터 머신의 최대 여백 분류 경계를 기준으로 상기 벡터의 위치를 파악함으로써 상기 폐 영상의 상태를 결정하는 상태 결정부;를 포함한다.
그리고, 상기 특징 추출부는, 상기 폐 영상에 대해 적어도 1회 이상 웨이블릿 변환을 수행하여 복수의 서브 영상을 산출하는 웨이블릿 변환부;상기 복수의 서브 영상 각각에 대해 웨이블릿 에너지를 산출하는 제1 산출부; 및 상기 서브 영상의 웨이블릿 에너지 각각이 상기 복수의 서브 영상 전체에서 차지하는 비율을 산출하는 비율 산출부;를 포함하는 것이 바람직하다.
또한, 상기 폐 영상의 픽셀 값으로부터 상기 폐 영상에 대한 새논 값을 산출하는 제2 산출부;를 포함하는 것이 바람직하다.
그리고, 상기 폐 영상의 픽셀 값으로부터 상기 폐 영상에 대한 로그 에너지 엔트로피 값을 산출하는 제3 산출부;를 포함하는 것이 바람직하다.
또한, 상기 벡터 생성부는, 상기 특징 값의 개수와 동일한 차원의 공간에서 상기 특징 값을 갖는 벡터를 생성하는 것이 바람직하다.
그리고, 상기 상태 결정부는, 상기 폐 영상의 상태를 정상적인 폐 또는 벌집 모양의 폐로 결정하는 것이 바람직하다.
그리고, 상기 학습부는, 정상으로 판명된 폐 영상과 비정상으로 판명된 폐 영상을 구분하는 상기 서포트 벡터 머신의 최대 여백 분류 경계를 학습하는 것이 바람직하다.
한편, 상기 목적을 달성하기 위한 본 발명에 따른, 폐 분류 방법은, 폐 영상을 저역 통과 필터와 고역 통과필터를 적용시켜 적어도 1회 이상 다운 샘플링하여 폐 영상의 특징 값을 추출하는 단계; 상기 특징 값으로 벡터를 생성하는 단계; 및 서포트 벡터 머신의 최대 여백 분류 경계를 기준으로 상기 벡터의 위치를 파악함으로써 상기 폐 영상의 상태를 결정하는 단계;를 포함한다.
그리고, 상기 추출하는 단계는, 상기 폐 영상에 대해 적어도 1회 이상 웨이블릿 변환을 수행하여 복수의 서브 영상을 산출하는 단계; 상기 복수의 서브 영상 각각에 대해 웨이블릿 에너지를 산출하는 단계; 및 상기 서브 영상의 웨이블릿 에너지 각각이 상기 복수의 서브 영상 전체에서 차지하는 비율을 산출하는 단계;를 포함하는 것이 바람직하다.
또한, 상기 폐 영상의 픽셀 값으로부터 상기 폐 영상에 대한 새논 값을 산출하는 단계;를 포함하는 것이 바람직하다.
그리고, 상기 폐 영상의 픽셀 값으로부터 상기 폐 영상에 대한 로그 에너지 엔트로피 값을 산출하는 단계;를 포함하는 것이 바람직하다.
또한, 상기 벡터를 생성하는 단계는, 상기 특징 값의 개수와 동일한 차원의 공간에서 상기 특징 값을 갖는 벡터를 생성하는 것이 바람직하다.
그리고, 상기 상태를 결정하는 단계는, 상기 폐 영상의 상태를 정상적인 폐 영상 또는 벌집 모양의 폐 영상으로 결정하는 것이 바람직하다.
본 발명에 의하면, 폐 영상이 정상적인 폐 영상인지 비정상적인 폐 영상인지를 자동적으로 판별할 수 있다. 서포트 벡터 머신을 이용한 폐 영상을 구분하기 때문에 정확도가 향상된다.
도 1은 본 발명의 일 실시예에 따른 폐 분류 장치의 블록도,
도 2는 본 발명의 일 실시예에 따른 특징 추출부의 세부 블록도.
도 3a 내지 도 3c는 본 발명의 일 실시예에 따른 영상을 웨이블릿 변환하는 과정을 나타내는 도면,
도 4a 내지 도 4d는 본 발명의 일 실시예에 따른 폐 영상을 웨이블릿 변환한 결과에 대한 도면, 그리고,
도 5는 본 발명의 일 실시예에 따른 폐 분류 방법에 대한 흐름도이다.
이하에서는 도면을 참조하여 본 발명을 보다 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 폐 분류 장치의 블럭도이다. 도 1에 도시된 바와 같이 폐 분류 장치는 입력부(110), 특징 추출부(130), 분류부(150) 및 출력부(170)를 포함한다.
입력부(110)를 통해 폐 영상이 입력된다. 상기한 폐 영상은 CT(computed tomography)에 의해 촬영된 영상이고, 슬라이스 별로 입력되는 것이 바람직하다.
특징 추출부(130)는 입력된 폐 영상을 저역 통과 필터와 고역 통과필터를 적용시켜 적어도 1회 이상 다운 샘플링하여 폐 영상의 특징을 추출한다.
도 2는 본 발명의 일 실시예에 따른 특징 추출부의 세부 블록도이다. 도 2에 도시된 바와 같이, 특징 추출부(130)는 영상에 대해 적어도 1회 이상 웨이블릿 변환을 수행하여 복수 개의 서브 영상을 산출하는 웨이블릿 변환부(210), 복수 개의 서브 영상 각각에 대해 웨이블릿 에너지를 산출하는 제1 산출부(220), 각 서브 영상의 웨이블릿 에너지 각각이 서브 영상 전체에서 차지하는 비율을 산출하는 비율 산출부(230), 영상에 대한 새논(shannon) 값을 산출하는 제2 산출부(240) 및 영상에 대해 로그 에너지 엔트로피(log energy entropy) 값을 산출하는 제3 산출부(250)를 포함한다.
한편, 폐 영상들 중 정상적인 폐 영상과 비정상적인 폐 영상으로 구분하기 위한 영상의 특징을 특징 기술자(feature descriptor)라고 한다. 특징 기술자의 후보로는 DCT(Discrete Cosine Transform), 웨이블릿 에너지(wavelet engery), 픽셀의 그레이 레벨(gray-level) 값, 국소 블럭의 코히어런시(coherency), 가버 필터(gabor filter) 등이 있을 수 있다. 특히 정상적인 폐 영상과 벌집모양의 폐 영상을 구분시키는 특징 기술자로는 웨이블릿 에너지인 것이 바람직하다. 이하에서는 설명의 편의를 도모하기 위해 웨이블릿 에너지를 이용하여 폐 영상을 구분하는 방법에 대해 설명한다.
웨이블릿 변환부(210)는 폐 영상을 적어도 한 번 이상의 웨이블릿 변환을 수행한다.
먼저 웨이블릿 변환법에 대하여 살펴본다.
영상 압축에 널리 사용되는 웨이블릿 변환은 이산 웨이블릿(Discrete Wavelet) 함수에 해당하는 계수 값을 갖는 필터들의 집합에 기반을 둔다. 영상에 대해 한 쌍의 필터를 적용시켜 영상을 저주파 대역과 고주파 대역으로 분리한다. 각 대역은 2라는 요소로 서브 샘플링 되었으므로 n/2개의 샘플을 포함한다. 2차원 이미지의 각 행에 대하여 저역 통과 필터와 고역 통과필터를 적용시키고 2로 다운 샘플링을 수행하면 4개의 서브 영상(approximation, vertical, horizontal, diagonal)가 생성된다. 이러한 4개의 서브 밴드 영상을 결합하여 원본 영상과 동일한 샘플의 개수를 갖는 출력 영상이 만들어진다.
도 3a 내지 도 3d는 본 발명의 일 실시예에 따른 영상을 웨이블릿 변환하는 과정을 나타내는 도면이다.
도 3a에 도시된 바와 같이, 영상을 수직 방향 및 수평 방향의 저주파 필터 및 고주파 필터를 적용하면 4개의 서브 영상으로 분해된다. 4개의 서브 영상에 대하여 알아보면 다음과 같다.
웨이블릿 근사(approximation) 영상(LL)은 원 영상에 수평과 수직방향으로 저역 통과 필터를 적용하여 공간적인 저주파 정보는 유지되고, 고주파 경계 정보가 손실된 영상으로서, 에너지 집중도가 높고 영상의 중요한 정보를 가지고 있다.
고주파 성분 중 수직(vertical) 성분의 영상(LH)은 수직방향으로 고역 통과 필터를 적용한 것으로 수직 방향의 주파수의 오차 성분을 포함하는 영상이고, 고주파 성분 중 수평(horizontal) 성분의 영상(HL)은 수평 방향으로 고역 통과 필터를 적용한 것으로 수평 방향 주파수의 오차 성분을 포함하는 영상이다. 그리고, 고주파 성분 중 대각선(diagonal) 성분의 영상(HH)은 수평과 수직 방향에 고역 통과 필터를 적용하여 대각선 방향 경계를 표시한 영상이다. LH, HL, HH는 공통적으로 에너지 집중도가 낮고 물체의 윤곽 부분에 해당하는 상세 정보를 가지고 있다.
도 3b는 1차 웨이블릿 변환된 웨이블릿 근사(approximation) 영상을 수직 방향 및 수평 방향의 저주파 필터 및 고주파 필터를 적용한 결과인 2차 웨이블릿 변환 영상을 나타낸 도면이고, 도 3c는 2차 웨이블릿 변환된 웨이블릿 근사(approximation) 영상을 수직 방향 및 수평 방향의 저주파 필터 및 고주파 필터를 적용한 결과를 나타낸 도면이다.
도 4a 내지 도 4d는 본 발명의 일 실시예에 따른 폐 영상을 웨이블릿 변환한 결과에 대한 도면이다. 도 4a 내지 도 4d에 도시된 바와 같이, 저역통과 필터를 적용하면 영상의 집중도가 높아지고, 고역 통과 필터를 적용하면 폐의 윤곽 부분에 대한 정보가 향상됨을 알 수 있다.
1차 웨이블릿 변환만으로도 물체 즉 폐의 윤곽 부분에 해당하는 상세 정보를 오차 범위 밖에서 획득할 수 있으면 1차 웨이블릿 변환만으로 충분하다. 그러나, 1차 웨이블릿 변환된 정보가 오차 범위 내에 있으면, 2차 이상의 웨이블릿 변환을 수행하는 것이 보다 정확하게 폐의 상태를 판별할 수 있다.
제1 산출부(220)는 웨이블릿 변환된 서브 영상 각각에 대해 웨이블릿 에너지를 산출한다. 웨이블릿 변환된 영상을 이용하여 웨이블릿 에너지를 산출하는 방법은 당업자에게 자명하므로 구체적인 설명은 생략한다.
비율 산출부(230)는 웨이블릿 변환된 서브 영상의 웨이블릿 에너지 각각이 웨이블릿 변환된 영상 전체에서 차지하는 비율을 산출한다. 폐가 벌집 모양인지 여부는 폐의 형태에 기초하여 알 수 있으므로 웨이블릿 에너지 자체가 아닌 웨이블릿 에너지의 비율을 이용하는 것이 보다 용이하다.
제2 산출부(240)는 폐 영상의 픽셀 값으로부터 상기 폐 영상에 대한 새논(Shannon) 값을 산출한다.
한편, 정보 엔트로피는 신호의 불확정성을 수치화 한 것으로 이 값을 통해 해당 신호의 정보량을 측정할 수 있다. 정보 엔트로피는 하기 수학식1을 통해 구할 수 있다.
Figure 112010013707137-pat00001
여기서 N은 폐 영상에 대한 픽셀의 수, x는 영상의 픽셀 값, p는 각 픽셀 값에 대한 확률이며, b는 log에 대한 지수 값으로 일반적으로 2, 자연상수 e, 10 이 주로 사용된다. 본 실시예에서는 log에 대한 지수 값으로 2를 사용하는 것이 바람직하다.
그리고 Shannon 값은 픽셀 값에 대한 정보 엔트로피의 평균으로서 픽셀의 불확정성을 수치화하여 나타낸 것으로 하기 수학식 2와 같다.
Figure 112010013707137-pat00002
그리고 상기 수학식 2을 정리하면 아래와 같은 형태로 나타낼 수 있다.
Figure 112010013707137-pat00003
이와 같이 섀논 값을 사용하는 이유는 크기가 다양한 폐 영상을 효율적으로 표현하기 하기 위함이다.
제3 산출부(250)는 폐 영상의 픽셀 값으로부터 상기 폐 영상에 대한 로그 에너지 엔트로피(Log energy entropy) 값을 산출한다.
영상을 수치화 하는데 있어서 새논 값 자체로도 충분히 영상을 나타내는데 문제가 없지만 새논 값의 경우 영상과 같은 2차원 신호 보다 1차원 신호를 나타내기 위해 제안된 것이다.
따라서 2차원 신호인 영상을 나타내는데 적합한 로그 에너지 엔트로피를 추가적으로 사용하면 보다 정밀하게 영상을 분석할 수 있다. 제2 산출부(250)은 로그 에너지 엔트로피 값을 하기 수학식 4와 같이 산출한다.
Figure 112010013707137-pat00004
상기한 로그 에너지 엔트로피 값도 새논 값과 마찬가지로 정보 엔트로피로부터 획득된다.
상기한 새논 값 및 로그 에너지 엔트로피 값은 폐 영상을 촬영할 때의 상황 정보가 반영되어 있다. 폐 영상은 다양한 각도와 위치에서 CT에 의해 촬영된다. 촬영되는 각도와 위치에 따라 폐 영상이 다소 다르지만 웨이블릿 에너지에는 상기한 특징이 반영되지 않는다. 그리하여, 촬영 각도가 반영된 새논 값 및 로그 에너지 엔트로피 값을 적용한다.
분류부(150)는 특징 추출부(130)에서 추출된 영상의 특징을 이용하여 폐 영상이 정상 영상인지 비정상 영상인지 분류하고, 그 결과는 출력부(170)를 통해 출력된다.
구체적으로, 분류부(150)는 특징 추출부(130)에 의해 추출된 값으로 벡터를 생성하는 벡터 생성부(151), 서포트 벡터 머신의 최대 여백 분류 경계를 기준으로 벡터 생성부(151)에서 생성된 벡터의 위치를 파악함으로써 폐 영상의 상태를 결정하는 상태 결정부(153)를 포함한다.
먼저 벡터 생성부(151)는 특징 추출부(130)에서 산출된 값의 개수와 동일한차원의 공간에서 산출된 값을 갖는 벡터를 생성한다. 앞서 설명한 비율 산출부(230)는 12개의 웨이블릿 계수에 대한 비율을 산출하였고, 제2 산출부(240)는 1개의 새논 값을 산출하였으며 제3 산출부(250)는 1개의 로그 에너지 엔트로피 값을 산출하였기 때문에 특징 추출부(130)에서 산출된 값은 14개이다. 그리하여 벡터 생성부(151)는 14차원의 공간에서 산출된 값들을 갖는 벡터를 생성한다.
상태 결정부(153)는 서포트 벡터 머신의 최대 여백 분류 경계(maximal margin hyperplane)를 기준으로 벡터 생성부(151)에서 생성된 벡터가 정상 폐 영상의 공간에 있는지 비정상 폐 영상의 공간에 있는지 여부에 따라 폐 영상의 상태를 결정한다. 즉, 벡터 생성부(151)에서 생성된 벡터가 정상 폐 영상의 공간에 있으면 정상 폐 영상으로 결정하고, 벡터 생성부(151)에서 생성된 벡터가 비정상 폐 영상의 공간에 있으면 비정상 폐 영상으로 결정한다.
한편, 최대 여백 분류 경계는 학습부(155)에 의해 기결정된다.
본 발명에서 폐 영상들을 특징 공간(feature space) 내에서 분류하여 정상적인 폐 영상 군과 비정상적인 폐 영상 군을 구분하는 분류자(classifier)로 서포트 벡터 머신 분류 기법을 적용한다.
서포트 벡터 머신은 이진 분류방법으로서, 데이터를 두 개의 군으로 분류하기 위해 두 개의 군으로 분리할 수 있는 많은 경계 중에서 마진이 최대가 되는 경계 즉, 최대 여백 분류 경계를 결정하여 데이터를 분류하는 기법이다. 이러한 방법은 데이터 분류에서 발생되는 오류를 최소화 할 수 있다. 분류 경계는 커널 함수로 표현되며 일반적으로 사용되는 커널함수는 선형커널, 다항커널, RBF 커널 등이 있다.
이러한 최대 여백 분류 경계를 결정하기 위해, 타겟 데이터 즉 상태를 결정하기 위한 폐 영상이 입력되기 이전에, 폐 분류 장치에는 정상인 것으로 판명된 다수의 폐 영상 및 비정상인 것으로 판명된 다수의 폐 영상(이하 ‘학습 데이터’라고 한다)이 입력된다. 입력된 학습 데이터 각각에 대해 웨이블릿 변환이 수행되어 특징이 추출되고, 상기한 특징을 기초로 벡터가 생성된다.
그리고, 학습부(155)는 학습 데이터를 정상 폐 영상 군과 비정상 폐 영상군에 배치시키고, 정상 폐 영상군과 비정상 폐 영상군을 분류하는 부류하는 마진이 최대가 되는 경계 즉, 최대 여백 분류 경계를 결정하는 것이다.
또한, 상태 결정부(153)에 의해 결정된 폐 영상에 대한 정보는 출력부(170)를 통해 출력될 뿐만 아니라 학습부(155)로 인가되어 학습부(155)는 최대 여백 분류 경계를 업그레이드할 수 있다.
도 5는 본 발명의 일 실시예에 따른 폐 분류 방법에 대한 흐름도이다.
도 5에 도시된 바와 같이, 폐의 상태를 분류하기에 앞서 최대 여백 분류 경계를 결정하기 위한 학습 단계가 선행된다. 그러나, 이미 최대 여백 분류 경계에 대한 정보가 기저장되어 있는 경우에는 학습 단계는 수행되지 않을 수 있다.
분류 단계 이전에 학습 단계가 수행된다는 것을 전제하에, 입력부(110)를 통해 다수의 학습 데이터가 입력된다(S510).
특징 추출부(130)는 학습 데이터인 폐 영상을 저역 통과 필터와 고역 통과필터를 적용시켜 적어도 1회 이상 다운 샘플링하여 폐 영상의 특징 값을 추출한다(S520).
벡터 생성부(151)는 특징 추출부(130)에서 추출된 특징 값으로 벡터를 생성한다(S530).
그리고, 학습부(155)는 상기한 벡터들이 있는 공간에서 정상 폐 영상 군과 비정상 폐 영상 군을 분류하는 최대 여백 경계를 결정한다(S540).
한편, 타겟 데이터인 폐 영상이 입력되면(S550-Y), 웨이블릿 변환부(210)는 입력된 폐 영상에 대해 적어도 1회 이상 웨이블릿 변환을 수행하여 복수의 서브 영상을 산출한다(S560).
그리고, 제1 산출부(220)는 복수의 서브 영상 각각에 대해 웨이블릿 에너지를 산출하고, 비율 산출부(230)는 서브 영상의 웨이블릿 에너지 각각이 상기 복수의 서브 영상 전체에서 차지하는 비율을 산출한다(S565).
뿐만 아니라, 제2 산출부(240)는 영상 전체에 대한 새논 값을 산출하고(S570), 제3 산출부(250)는 영상 전체에 대한 로그 에너지 엔트로피 값을 산출(575)함으로써 타겟 데이터에 대한 특징 값이 산출된다(S575).
그리고 나서, 벡터 생성부(151)는 타겟 데이터의 특징 값의 개수와 동일한 차원의 공간에서 상기한 특징 값을 갖는 벡터를 생성한다(S580). 본 실시예에서, 웨이블릿 변환을 3차 수행하였다면, 타겟 데이터의 특징 값은 14개이므로 벡터 생성부(151)는 14차원의 공간에서 상기한 특징 값을 갖는 벡터를 생성한다.
상태 결정부(153)는 최대 여백 분류 경계를 기준으로 상기한 벡터가 정상 폐 영상 군에 있는지 비정상 폐 영상 군에 있는지를 판단하여 폐 영상의 상태를 결정한다(S590).
이와 같이, 폐 분류 장치 및 방법을 이용하면 폐 영상이 정상 폐 영상인지 비정상 폐 영상인지를 자동으로 분류할 수 있다. 그리고, 폐를 분류하는데 소요되는 시간을 단축할 수 있다.
이상에서 언급된 본 발명의 적어도 일 실시예에 의한 폐 분류 방법을 컴퓨터에서 실행시키기 위한 프로그램은 컴퓨터로 읽을 수 있는 기록매체에 저장될 수 있다. 여기서, 컴퓨터로 읽을 수 있는 기록매체는 마그네틱 저장매체(예를 들면, 롬(ROM), 플로피 디스크, 하드 디스크 등), 및 광학적 판독 매체(예를 들면, 시디롬(CD-ROM), 디브이디(DVD: Digital Versatile Disc))와 같은 저장매체를 포함한다.
또한, 이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.
110: 입력부 130: 특징 추출부
150: 분류부 151: 벡터 생성부
153: 상태 결정부 155: 학습부
170: 출력부 210: 웨이블릿 변환부
220: 제1 산출부 230: 비율 산출부
240: 제2 산출부 250: 제3 산출부

Claims (18)

  1. 학습대상 폐 영상 데이터들을 정상 폐 영상 군 또는 비정상 폐 영상 군으로 분류하고 서포트 벡터 머신을 사용하여 최대 여백 분류 경계를 설정하는 학습부;
    측정대상(target) 폐 영상을 입력받아 상기 측정대상 폐 영상의 웨이블릿 에너지 및 정보 엔트로피 중 적어도 하나를 포함하는 상기 측정대상 폐 영상의 특징 값을 추출하는 특징 추출부;
    상기 특징 추출부에서 추출된 특징 값의 개수와 동일한 차원의 공간에서 상기 특징 값을 갖는 벡터를 생성하는 벡터 생성부; 및
    상기 최대 여백 분류 경계를 기준으로 상기 벡터가 상기 정상 폐 영상 군에 속하는지 비정상 폐 영상 군에 속하는지 여부에 따라 상기 측정대상 폐 영상의 상태를 결정하는 상태 결정부를 포함하는 것을 특징으로 하는 폐 분류 장치.
  2. 제 1항에 있어서, 상기 특징 추출부는
    상기 측정대상 폐 영상에 대해 적어도 1회 이상 웨이블릿 변환을 수행하여 복수의 서브 영상을 산출하는 웨이블릿 변환부;
    상기 복수의 서브 영상 각각에 대해 웨이블릿 에너지를 산출하는 제1 산출부; 및
    상기 서브 영상의 웨이블릿 에너지 각각이 상기 복수의 서브 영상 전체에서 차지하는 비율을 산출하는 비율 산출부를 포함하는 것을 특징으로 하는 폐 분류 장치.
  3. 제 2항에 있어서, 상기 특징 추출부는
    상기 측정대상 폐 영상의 픽셀 값으로부터 상기 측정대상 폐 영상에 대한 새논 값을 산출하는 제2 산출부를 포함하는 것을 특징으로 하는 폐 분류 장치.
  4. 제 3항에 있어서, 상기 새논 값은
    하기 수학식과 동일한 것을 특징으로 하는 폐 분류 장치.
    Figure 112011040991740-pat00005

    (여기서, N은 폐 영상에 대한 픽셀의 수, x는 영상의 픽셀 값, p는 각 픽셀 값에 대한 확률이며, b는 log에 대한 지수 값으로 2임)
  5. 제 3항에 있어서, 상기 특징 추출부는
    상기 측정대상 폐 영상의 픽셀 값으로부터 상기 측정대상 폐 영상에 대한 로그 에너지 엔트로피 값을 산출하는 제3 산출부를 더 포함하는 것을 특징으로 하는 폐 분류 장치.
  6. 제 5항에 있어서, 상기 로그 에너지 엔트로피 값은
    하기 수학식과 동일한 것을 특징으로 하는 폐 분류 장치.
    Figure 112011040991740-pat00006

    (여기서, N은 폐 영상에 대한 픽셀의 수, x는 영상의 픽셀 값, p는 각 픽셀 값에 대한 확률이며, b는 log에 대한 지수 값으로 2임)
  7. 제 1항에 있어서, 상기 상태 결정부는
    상기 결정된 측정대상 폐 영상의 상태에 관한 정보를 상기 학습부로 인가하고,
    상기 학습부는
    상기 상태 결정부에서 인가하는 상기 측정대상 폐 영상의 상태에 관한 정보에 서포트 벡터 머신을 적용하여 상기 최대 여백 분류 경계를 재설정하는 것임을 특징으로 하는 폐 분류 장치.
  8. 삭제
  9. 삭제
  10. 학습대상 폐 영상 데이터들을 정상 폐 영상 군 또는 비정상 폐 영상 군으로 분류하고 서포트 벡터 머신을 사용하여 최대 여백 분류 경계를 설정하는 단계;
    측정대상(target) 폐 영상을 입력받아 상기 측정대상 폐 영상의 웨이블릿 에너지 및 정보 엔트로피 중 적어도 하나를 포함하는 상기 측정대상 폐 영상의 특징 값을 추출하는 단계;
    상기 특징 추출부에서 추출된 특징 값의 개수와 동일한 차원의 공간에서 상기 특징 값을 갖는 벡터를 생성하는 단계;
    상기 최대 여백 분류 경계를 기준으로 상기 벡터가 상기 정상 폐 영상 군에 속하는지 비정상 폐 영상 군에 속하는지 여부에 따라 상기 측정대상 폐 영상의 상태를 결정하는 단계를 포함하는 폐 분류 방법.
  11. 제 10항에 있어서, 상기 특징 값을 추출하는 단계는
    상기 측정대상 폐 영상에 대해 적어도 1회 이상 웨이블릿 변환을 수행하여 복수의 서브 영상을 산출하는 단계;
    상기 복수의 서브 영상 각각에 대해 웨이블릿 에너지를 산출하는 단계; 및
    상기 서브 영상의 웨이블릿 에너지 각각이 상기 복수의 서브 영상 전체에서 차지하는 비율을 산출하는 단계를 포함하는 것을 특징으로 하는 폐 분류 방법.
  12. 제 11항에 있어서, 상기 특징 값을 추출하는 단계는
    상기 측정대상 폐 영상의 픽셀 값으로부터 상기 측정대상 폐 영상에 대한 새논 값을 산출하는 단계를 더 포함하는 것을 특징으로 하는 폐 분류 방법.
  13. 제 12항에 있어서, 상기 새논 값은
    하기 수학식과 동일한 것을 특징으로 하는 폐 분류 방법.
    Figure 112011040991740-pat00007

    (여기서, N은 폐 영상에 대한 픽셀의 수, x는 영상의 픽셀 값, p는 각 픽셀 값에 대한 확률이며, b는 log에 대한 지수 값으로 2임)
  14. 제 12항에 있어서, 상기 특징 값을 추출하는 단계는
    상기 측정대상 폐 영상의 픽셀 값으로부터 상기 측정대상 폐 영상에 대한 로그 에너지 엔트로피 값을 산출하는 단계를 더 포함하는 것을 특징으로 하는 폐 분류 방법.
  15. 제 14항에 있어서, 상기 로그 에너지 엔트로피 값은
    하기 수학식과 동일한 것을 특징으로 하는 폐 분류 방법.
    Figure 112011040991740-pat00008

    (여기서, N은 폐 영상에 대한 픽셀의 수, x는 영상의 픽 셀 값, p는 각 픽셀 값에 대한 확률이며, b는 log에 대한 지수 값으로 2임)
  16. 삭제
  17. 삭제
  18. 제 10항 내지 제 15항 중 어느 한 항의 방법을 컴퓨터에서 실행시키기 위한 컴퓨터 프로그램을 저장한 컴퓨터로 읽을 수 있는 기록매체.
KR1020100019107A 2010-03-03 2010-03-03 폐 분류 장치 및 그 방법 KR101085949B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020100019107A KR101085949B1 (ko) 2010-03-03 2010-03-03 폐 분류 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020100019107A KR101085949B1 (ko) 2010-03-03 2010-03-03 폐 분류 장치 및 그 방법

Publications (2)

Publication Number Publication Date
KR20110100037A KR20110100037A (ko) 2011-09-09
KR101085949B1 true KR101085949B1 (ko) 2011-11-22

Family

ID=44952670

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020100019107A KR101085949B1 (ko) 2010-03-03 2010-03-03 폐 분류 장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR101085949B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101601041B1 (ko) * 2014-08-05 2016-03-08 연세대학교 산학협력단 기능적 자기 공명 영상의 패턴 분류 장치 및 방법
CN109741349B (zh) * 2019-01-24 2021-12-07 江门市中心医院 一种缺血性脑卒中图像分割的方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020006216A1 (en) 2000-01-18 2002-01-17 Arch Development Corporation Method, system and computer readable medium for the two-dimensional and three-dimensional detection of lesions in computed tomography scans
KR100399051B1 (ko) 2001-03-12 2003-09-26 한국전자통신연구원 흉부 단순 엑스선 영상에서 늑골의 경계를 자동으로추출하는 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020006216A1 (en) 2000-01-18 2002-01-17 Arch Development Corporation Method, system and computer readable medium for the two-dimensional and three-dimensional detection of lesions in computed tomography scans
KR100399051B1 (ko) 2001-03-12 2003-09-26 한국전자통신연구원 흉부 단순 엑스선 영상에서 늑골의 경계를 자동으로추출하는 방법

Also Published As

Publication number Publication date
KR20110100037A (ko) 2011-09-09

Similar Documents

Publication Publication Date Title
US9480439B2 (en) Segmentation and fracture detection in CT images
AlZubi et al. Multiresolution analysis using wavelet, ridgelet, and curvelet transforms for medical image segmentation
EP3333768A1 (en) Method and apparatus for detecting target
Zhang et al. Intelligent scanning: Automated standard plane selection and biometric measurement of early gestational sac in routine ultrasound examination
CA2908717C (en) Multi-scale active contour segmentation
US9330336B2 (en) Systems, methods, and media for on-line boosting of a classifier
CN106228528B (zh) 一种基于决策图与稀疏表示的多聚焦图像融合方法
JP6945253B2 (ja) 分類装置、分類方法、プログラム、ならびに、情報記録媒体
CN109363697B (zh) 一种乳腺影像病灶识别的方法及装置
KR101926015B1 (ko) 영상 처리 장치 및 방법
Eddaoudi et al. Microcalcifications detection in mammographic images using texture coding
Akkasaligar et al. Classification of medical ultrasound images of kidney
CN112313718A (zh) 材料样品的基于图像的新颖性检测
CN117237736A (zh) 一种基于机器视觉和深度学习的大曲质量检测方法
KR101085949B1 (ko) 폐 분류 장치 및 그 방법
JP7531648B2 (ja) 医療用画像解析方法
Haji et al. A novel run-length based wavelet features for screening thyroid nodule malignancy
CN116977895A (zh) 用于通用相机镜头的污渍检测方法、装置及计算机设备
Bojarczak Visual algorithms for automatic detection of squat flaws in railway rails
CN117746314B (zh) 一种基于多级联合判定ood物体的方法、设备及介质
Setiawan et al. Improved Edge Detection Based on Adaptive Gaussian Smoothing in X-Ray Image
Rao et al. Assessment of diverse quality metrics for medical images including mammography
TWI828096B (zh) X光影像分析方法
Jing et al. Case-adaptive classification based on image retrieval for computer-aided diagnosis
AMMAR et al. IQI-UNet: A Robust Gaussian Noise Removal in Image Quality Improvement]{IQI-UNet: A Robust Gaussian Noise Removal in Image Quality Improvement

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: 20141001

Year of fee payment: 4

LAPS Lapse due to unpaid annual fee