KR101126223B1

KR101126223B1 - Liver segmentation method using MR images

Info

Publication number: KR101126223B1
Application number: KR1020100068627A
Authority: KR
Inventors: 이정진; 김경원; 이호
Original assignee: 가톨릭대학교 산학협력단; 울산대학교 산학협력단
Priority date: 2010-07-15
Filing date: 2010-07-15
Publication date: 2012-03-22
Also published as: KR20120007862A

Abstract

본 발명은, MR 기법을 통해 3차원 복부 볼륨 데이터를 획득하는 단계와, 상기 복부 볼륨 데이터의 전처리를 수행하는 단계와, 상기 전처리된 복부 볼륨 데이터에 대한 기울기 크기 영상을 생성하는 단계와, 상기 기울기 크기 영상의 기울기 크기를 설정된 범위로 정규화하여, 정규화된 기울기 크기 영상을 생성하는 단계와, 상기 정규화된 기울기 크기 영상으로부터 객체와 경계를 구분한 이진 영상을 생성하는 단계, 및 상기 이진 영상으로부터 간 영역을 검출하는 단계를 포함하는 MR 영상을 이용한 자동 간 분할 방법 및 시스템을 제공한다.
본 발명에 따른 MR 영상을 이용한 자동 간 분할 방법 및 시스템에 따르면, MR 영상에서 정규화된 기울기 크기 영상을 이용하여 간 영역을 고속으로 자동 분할할 수 있는 이점이 있다. 또한, 간 분할 이후 롤링 볼 알고리즘과 연결 요소 분석 기법을 사용하는 경우, 간 경계 부근의 위양성 오차를 더욱 감소시킬 수 있다.The present invention provides a method for acquiring 3D abdominal volume data through an MR technique, performing preprocessing of the abdominal volume data, generating a gradient size image of the preprocessed abdominal volume data, Normalizing the gradient size of the size image to a set range, generating a normalized gradient size image, generating a binary image separating an object and a boundary from the normalized gradient size image, and an inter-region from the binary image It provides an automatic liver segmentation method and system using an MR image comprising the step of detecting.
According to the method and system for automatic liver segmentation using an MR image according to the present invention, there is an advantage in that the liver region can be automatically segmented at high speed using a normalized gradient size image in the MR image. In addition, when the rolling ball algorithm and the connection element analysis technique are used after the liver segmentation, the false positive error near the liver boundary may be further reduced.

Description

Liver segmentation method using MR images

본 발명은 MR 영상을 이용한 자동 간 분할 방법에 관한 것으로서, 보다 상세하게는 정규화된 기울기 크기 영상 정보를 이용하여 간 영역을 자동으로 분할하는 MR 영상을 이용한 자동 간 분할 방법에 관한 것이다.The present invention relates to an automatic liver segmentation method using an MR image, and more particularly, to an automatic liver segmentation method using an MR image for automatically segmenting a liver region using normalized gradient size image information.

최근 의학과 공학 기술의 급격한 발전으로 컴퓨터 보조 간 진단에 대한 연구가 시작되어 복부의 다중 페이즈 컴퓨터 단층 촬영(Computed Tomography, CT) 영상에서 영상처리 기술을 사용하여 간의 체적을 자동으로 측정하거나 간암을 자동으로 검출하는 다양한 기법들이 연구되고 있다. Recent advances in medical and engineering technology have led to the study of computer-assisted liver diagnostics, using image processing techniques on multiple-phase computed tomography (CT) imaging of the abdomen to automatically measure the volume of the liver or to automatically detect liver cancer. Various techniques for detecting are being studied.

임상에서는 해부학적인 정보를 담고 있는 CT 영상과 기능적 정보를 담고 있는 자기 공명(Magnetic Resonance, MR) 영상을 동시에 참조하여 판독을 수행하고 있지만, 아직까지 MR 영상에 영상처리 기술을 사용하여 컴퓨터 보조 간 진단에 이용하는 연구는 CT 영상과 비교하여 초기 단계에 머물고 있다. MR 영상을 컴퓨터 보조 간 진단에 이용하기 위해서는 MR 영상에서 간 분할이 선행되어야 한다. MR 영상에서 분할된 간 영역은 간 체적 측정과 간암 검출을 위한 영역 설정, CT 영상과 MR 영상의 정합 시 해부학적 표식기 등으로 사용될 수 있기 때문에 중요하다.In clinical practice, reading is performed by simultaneously referring to CT images containing anatomical information and Magnetic Resonance (MR) images containing functional information.However, computer-assisted liver diagnosis is still performed using image processing technology on MR images. The research used in the study remains in its infancy compared to CT imaging. In order to use MR imaging for computer-assisted liver diagnosis, liver segmentation must be preceded in MR images. The segmented liver region in the MR image is important because it can be used as an anatomical marker when measuring the volume of the liver, setting the region for detecting liver cancer, and matching the CT image with the MR image.

CT 영상에서 간 분할을 위하여 많은 연구가 수행되었지만, MR 영상에서 간 분할을 위한 연구는 CT 영상에 비하여 매우 적은 수의 연구가 수행되었다. 또한, 기존 연구들은 MR 영상에서 간 분할을 수행하기 위하여 특수한 MR 영상들을 촬영해야 한다는 문제점이 있었고, 대표적인 기존 연구들은 다음과 같다. Although many studies have been conducted for liver segmentation in CT images, very few studies have been performed for liver segmentation in MR images compared to CT images. In addition, the existing studies had a problem in that special MR images were taken to perform liver segmentation in MR images.

Farraher 등은 혼합 고속 스핀에코 펄스 시퀀스(Mixed fast spin-echo pulse sequence) MR 영상을 이용한 간 분할 기법을 제안하였다. 이를 위하여 하나의 단면에 대하여 T1과 T2가 다른 비율로 가중치가 주어지는 4개의 영상인 혼합 고속 스핀에코 펄스 시퀀스 영상을 생성하였고, 간 영역의 T1, T2, 양성자 밀도에 대한 범위를 지정하여 간 분할을 수행하였으며, 결과가 만족스럽지 못할 경우 범위를 조정하여 분할하는 과정을 반복하였다. Farraher et al. Proposed a liver segmentation technique using a mixed fast spin-echo pulse sequence MR image. For this purpose, a mixed fast spin-echo pulse sequence image is generated, in which four images are weighted at different ratios for one section, and the segmentation is performed by specifying the ranges for T1, T2, and proton density in the liver region. If the results were not satisfactory, the process of adjusting the range was repeated.

이 기법은 MR 영상에서 간 분할을 위하여 추가적으로 혼합 고속 스핀에코 펄스 시퀀스 영상을 얻어야 하고, 한 환자당 간 분할 계산 과정에 6분에서 24분이 소요되고, 평균적으로 13.3분이라는 오랜 시간이 소요된다는 문제점이 있었다. 또한, 정확한 분할 결과를 얻기 위하여 3번에서 17번까지의 범위 조정과 재분할이 필요하고, 평균적으로 7번의 범위 조정과 재분할이 필요하다는 문제점이 있었다. This technique requires additional mixed high-speed spin-echo pulse sequence image for liver segmentation in MR image, and it takes 6 to 24 minutes and 13.3 minutes on average for liver segmentation calculation process per patient. there was. Also, in order to obtain accurate division results, range adjustments and repartitions from 3 to 17 are required, and on the average, 7 range adjustments and repartitions are required.

Gloger 등은 다른 T1, T2 가중치를 갖는 다채널 MR 영상들에 간 영역의 밝기값과 위치의 확률 분포 프레임워크를 생성하여 분할을 수행하였다. 이 기법은 다중 클래스 선형 분류자를 이용하여 인자들의 차원을 감소하였고, 확률 맵을 생성하여 영역 성장법과 임계값 기법으로 분할을 수행하였다. 이 기법도 한 환자당 간 분할 계산 과정에 평균적으로 11.22분이라는 오랜 시간이 소요된다는 문제점이 있었다.Gloger et al. Performed the segmentation by generating the probability distribution framework of the brightness value and the position of the liver region in multichannel MR images having different T1 and T2 weights. This technique reduces the dimensions of the factors using a multi-class linear classifier, generates a probability map, and divides it using the region growth method and the threshold method. This technique also suffered from the fact that it took 11.22 minutes on average for each patient to calculate the intersegment.

본 발명은 MR 영상에서 정규화된 기울기 크기 영상을 이용하여 간 영역을 고속으로 자동 분할하는 MR 영상을 이용한 자동 간 분할 방법을 제공하는데 목적이 있다.An object of the present invention is to provide an automatic liver segmentation method using an MR image for automatically segmenting a liver region using a normalized gradient size image in an MR image.

본 발명은, MR 기법을 통해 3차원 복부 볼륨 데이터를 획득하는 단계와, 상기 복부 볼륨 데이터의 전처리를 수행하는 단계와, 상기 전처리된 복부 볼륨 데이터에 대한 기울기 크기 영상을 생성하는 단계와, 상기 기울기 크기 영상의 기울기 크기를 설정된 범위로 정규화하여, 정규화된 기울기 크기 영상을 생성하는 단계와, 상기 정규화된 기울기 크기 영상으로부터 객체와 경계를 구분한 이진 영상을 생성하는 단계, 및 상기 이진 영상으로부터 간 영역을 검출하는 단계를 포함하는 MR 영상을 이용한 자동 간 분할 방법을 제공한다.The present invention provides a method for acquiring 3D abdominal volume data through an MR technique, performing preprocessing of the abdominal volume data, generating a gradient size image of the preprocessed abdominal volume data, Normalizing the gradient size of the size image to a set range, generating a normalized gradient size image, generating a binary image separating an object and a boundary from the normalized gradient size image, and an inter-region from the binary image It provides an automatic liver segmentation method using an MR image comprising the step of detecting.

여기서, 상기 MR 영상을 이용한 자동 간 분할 방법은, 상기 검출된 간 영역의 간 경계를 따라 롤링 볼 알고리즘(Rolling Ball Algorithm)을 적용하여, 상기 간 경계에 인접하여 누락된 영역을 상기 간 영역 내에 포함시키는 단계와, 상기 포함된 간 경계 부분을 객체로 구분하도록, 상기 간 경계 부분 상에 연결 요소 분석 기법(Connected Component Analysis)을 적용하는 단계, 및 상기 객체로 구분된 상기 간 경계 부분의 밝기값 분포를 분석하여, 상기 간 경계 부분 상의 굴곡 부분을 상기 간 영역에서 제외시키는 단계를 더 포함할 수 있다.The automatic liver segmentation method using the MR image includes a rolling ball algorithm along a liver boundary of the detected liver region to include a missing region within the liver region adjacent to the liver boundary. And applying a connected component analysis technique on the liver boundary portion so as to classify the included liver boundary portion into an object, and distributing brightness values of the liver boundary portion separated by the object. The method may further include excluding the curved portion on the liver boundary portion from the liver region.

또한, 상기 전처리를 수행하는 단계는, 상기 복부 볼륨 데이터 상에, 변형된 곡률 확산 필터링(Modified Curvature Diffusion Filtering)을 적용할 수 있다.In the performing of the preprocessing, Modified Curvature Diffusion Filtering may be applied to the abdominal volume data.

또한, 상기 정규화된 기울기 크기 영상을 생성하는 단계는, 상기 기울기 크기를 0과 1 사이의 값으로 정규화할 수 있다.In addition, generating the normalized gradient size image may normalize the gradient size to a value between 0 and 1. FIG.

그리고, 상기 이진 영상을 생성하는 단계는, 상기 정규화된 기울기 크기 영상에서, 상기 설정된 범위 안의 특정 임계값을 기준으로 하여 상기 객체 부분과 상기 경계 부분을 구분하는 단계, 및 상기 경계 부분의 밝기값은 1, 상기 객체 부분의 밝기값은 0으로 하여 상기 이진 영상을 생성하는 단계를 포함할 수 있다.The generating of the binary image may include: dividing the object portion from the boundary portion based on a specific threshold value within the set range in the normalized gradient size image, and the brightness value of the boundary portion is 1, the brightness value of the object portion may be set to 0 to generate the binary image.

여기서, 상기 객체 부분과 상기 경계 부분을 구분하는 단계는, 상기 임계값보다 작은 기울기 크기의 영역은 상기 객체 부분, 상기 임계값보다 큰 기울기 크기의 영역은 상기 경계 부분으로 구분할 수 있다.The distinguishing of the object portion from the boundary portion may include: an area having a slope size smaller than the threshold value may be divided into the object portion, and an area having a slope size larger than the threshold value may be divided into the boundary portion.

또한, 상기 간 영역을 검출하는 단계는, 이전 슬라이스에서 기 분할된 간 영역에서 추출된 씨앗점을 이용하는 2차원 씨앗점 영역 성장법을 적용할 수 있다.In the detecting of the liver region, a two-dimensional seed point region growth method using a seed point extracted from a liver region previously divided in a previous slice may be applied.

그리고, 본 발명은 상기 MR 영상을 이용한 자동 간 분할 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공한다.The present invention also provides a computer-readable recording medium having recorded thereon a program for executing the automatic liver segmentation method using the MR image on a computer.

그리고, 본 발명은, MR 기법을 통해 3차원 복부 볼륨 데이터를 획득하는 획득부와, 상기 복부 볼륨 데이터의 전처리를 수행하는 전처리부와, 상기 전처리된 복부 볼륨 데이터에 대한 기울기 크기 영상을 생성하는 제1생성부와, 상기 기울기 크기 영상의 기울기 크기를 설정된 범위로 정규화하여, 정규화된 기울기 크기 영상을 생성하는 정규화부와, 상기 정규화된 기울기 크기 영상으로부터 객체와 경계를 구분한 이진 영상을 생성하는 제2생성부, 및 상기 이진 영상으로부터 간 영역을 검출하는 검출부를 포함하는 MR 영상을 이용한 자동 간 분할 시스템을 제공한다.In addition, the present invention includes an acquisition unit for acquiring three-dimensional abdominal volume data through an MR technique, a preprocessor for preprocessing the abdominal volume data, and a gradient size image for the preprocessed abdominal volume data. And a generator for generating a normalized gradient size image by normalizing the gradient size of the gradient size image to a set range, and generating a binary image that separates an object and a boundary from the normalized gradient size image. It provides an automatic liver segmentation system using an MR image comprising a two generation unit, and a detection unit for detecting a liver region from the binary image.

여기서, 상기 MR 영상을 이용한 자동 간 분할 시스템은, 상기 검출된 간 영역의 간 경계를 따라 롤링 볼 알고리즘(Rolling Ball Algorithm)을 적용하여, 상기 간 경계에 인접하여 누락된 영역을 상기 간 영역 내에 포함시키는 제3생성부와, 상기 포함된 간 경계 부분을 객체로 구분하도록, 상기 간 경계 부분 상에 연결 요소 분석 기법(Connected Component Analysis)을 적용하는 제1분석부, 및 상기 객체로 구분된 상기 간 경계 부분의 밝기값 분포를 분석하여, 상기 간 경계 부분 상의 굴곡 부분을 상기 간 영역에서 제외시키는 제2분석부를 더 포함할 수 있다.In this case, the automatic liver segmentation system using the MR image includes a rolling ball algorithm along a liver boundary of the detected liver region to include a missing region in the liver region adjacent to the liver boundary. A third generation unit configured to apply a connected component analysis technique on the liver boundary portion to separate the included liver boundary portion into an object, and the liver divided into the objects. The method may further include a second analyzer configured to analyze the distribution of brightness values of the boundary portion to exclude the curved portion on the liver boundary portion from the liver region.

또한, 상기 정규화부는, 상기 기울기 크기를 0과 1 사이의 값으로 정규화하는 MR 영상을 이용할 수 있다.The normalization unit may use an MR image for normalizing the gradient magnitude to a value between 0 and 1. FIG.

또한, 상기 제2생성부는, 상기 정규화된 기울기 크기 영상에서, 상기 설정된 범위 안의 특정 임계값을 기준으로 하여 상기 객체 부분과 상기 경계 부분을 구분한 후, 상기 경계 부분의 밝기값은 1, 상기 객체 부분의 밝기값은 0으로 하여 상기 이진 영상을 생성할 수 있다.The second generator may be further configured to classify the object portion and the boundary portion based on a specific threshold value within the set range in the normalized gradient size image, and then the brightness value of the boundary portion is 1, the object. The binary value may be generated by setting the brightness value of the portion to zero.

여기서, 상기 제2생성부는, 상기 객체 부분과 상기 경계 부분의 구분시, 상기 임계값보다 작은 기울기 크기의 영역은 상기 객체 부분, 상기 임계값보다 큰 기울기 크기의 영역은 상기 경계 부분으로 구분할 수 있다.Here, the second generation unit, when distinguishing the object portion and the boundary portion, the area of the slope size smaller than the threshold value may be divided into the object portion, the area of the slope size larger than the threshold value may be divided into the boundary portion. .

본 발명에 따른 MR 영상을 이용한 자동 간 분할 방법 및 시스템에 따르면, MR 영상에서 정규화된 기울기 크기 영상을 이용하여 간 영역을 고속으로 자동 분할할 수 있는 이점이 있다. 또한, 간 분할 이후 롤링 볼 알고리즘과 연결 요소 분석 기법을 사용하는 경우, 간 경계 부근의 위양성 오차를 더욱 감소시킬 수 있다.According to the method and system for automatic liver segmentation using an MR image according to the present invention, there is an advantage in that the liver region can be automatically segmented at high speed using a normalized gradient size image in the MR image. In addition, when the rolling ball algorithm and the connection element analysis technique are used after the liver segmentation, the false positive error near the liver boundary may be further reduced.

도 1은 본 발명의 MR 영상을 이용한 자동 간 분할 방법의 흐름도이다.
도 2는 도 1을 위한 시스템의 구성도이다.
도 3은 도 1의 S140단계에서 생성된 정규화된 기울기 크기 영상의 예시도이다.
도 4는 도 1의 S150단계를 통해 얻어진 객체 구분 영상의 예시도이다.
도 5는 도 1의 S160단계를 통해 추출된 간 영역의 예시도이다.
도 6은 도 1의 S190단계의 결과 예시도이다.1 is a flowchart of an automatic liver segmentation method using an MR image of the present invention.
2 is a schematic diagram of a system for FIG. 1.
FIG. 3 is an exemplary diagram of a normalized gradient size image generated in step S140 of FIG. 1.
4 is an exemplary diagram of an object classification image obtained through operation S150 of FIG. 1.
5 is an exemplary diagram of a liver region extracted through step S160 of FIG. 1.
6 is an exemplary view of the result of step S190 of FIG.

도 1은 본 발명의 MR 영상을 이용한 자동 간 분할 방법의 흐름도이다. 도 2는 도 1을 위한 시스템의 구성도이다.1 is a flowchart of an automatic liver segmentation method using an MR image of the present invention. 2 is a schematic diagram of a system for FIG. 1.

상기 시스템(100)은 획득부(110), 전처리부(120), 제1생성부(130), 정규화부(140), 제2생성부(150), 검출부(160), 제3생성부(170), 제1분석부(180), 제2분석부(190)를 포함한다. 이하에서는, 상기 MR 영상을 이용한 자동 간 분할 방법에 관하여 도 1 및 도 2를 참조로 하여 상세히 설명한다. The system 100 may include an acquirer 110, a preprocessor 120, a first generator 130, a normalizer 140, a second generator 150, a detector 160, and a third generator ( 170), a first analysis unit 180, and a second analysis unit 190. Hereinafter, an automatic liver segmentation method using the MR image will be described in detail with reference to FIGS. 1 and 2.

먼저, 상기 획득부(110)에서, MR 기법을 통해 3차원 복부 볼륨 데이터를 획득한다(S110).First, the acquirer 110 acquires 3D abdominal volume data through an MR technique (S110).

다음, 전처리부(120)를 통해 상기 복부 볼륨 데이터의 전처리를 수행한다(S120). 이때, 상기 복부 볼륨 데이터 상에, 변형된 곡률 확산 필터링(Modified Curvature Diffusion Filtering)을 적용하여 전처리를 수행한다.Next, the pre-processing unit 120 performs the pre-processing of the abdominal volume data (S120). In this case, pre-processing is performed on the abdominal volume data by applying Modified Curvature Diffusion Filtering.

상기 변형된 곡률 확산 필터링은 영상의 경계를 보존하면서 잡음을 제거할 수 있는 방식이다. 즉, 이는 MR 영상의 잡음을 제거하기 위하여 영상을 평활화하면서도 경계를 보존하는 방식이다.The modified curvature spreading filtering is a method of removing noise while preserving the boundary of an image. That is, in order to remove noise of the MR image, the image is smoothed while preserving the boundary.

상기의 필터링은 아래의 수학식 1을 통해 이루어진다.The filtering is performed through Equation 1 below.

여기서,

는 원 영상이다.here,

Is the original image.

그리고,

이다. 이때,

는 필터링에 의하여 영항을 받는 경계의 대조를 결정하는 인자이다. 이러한 변형된 곡률 확산 필터링에 따르면, 경계를 보존하면서 MR 영상을 평활화한다.And,

to be. At this time,

Is a factor that determines the contrast of the boundary affected by filtering. According to this modified curvature diffusion filtering, the MR image is smoothed while preserving the boundary.

상기 전처리를 수행한 다음에는, 제1생성부(130)에서는 상기 전처리된 복부 볼륨 데이터에 대한 기울기 크기 영상을 생성한다(S130). 즉, 이러한 S130단계는 상기 전처리된 영상의 기울기 크기를 계산하여 기울기 크기 영상을 생성한다. After performing the preprocessing, the first generation unit 130 generates a gradient size image of the preprocessed abdominal volume data (S130). That is, step S130 generates a gradient size image by calculating the magnitude of the gradient of the preprocessed image.

보다 상세하게는, 상기 전처리를 통해 평활화된 영상에, 가우시안 1차 미분을 컨볼루션(convolution)하면, 기울기 크기 영상을 생성할 수 있다. MR 영상의 복셀(voxel)들의 밝기값의 범위는 어느 정도 정해진 범위 안에 있지만, 기울기 크기의 범위는 영상에 따라서 매우 다양한 분포를 갖는다. In more detail, when the Gaussian first derivative is convolved in the image smoothed through the preprocessing, the gradient size image may be generated. Although the range of brightness values of voxels of the MR image is within a predetermined range, the range of the magnitude of the gradient has a very wide distribution depending on the image.

따라서, 상기 S130단계 이후, 상기 정규화부(140)에서는 상기 기울기 크기 영상에 대한 기울기 크기(GM;Gradient Magnitude)를 설정된 범위로 정규화하여, 정규화된 기울기 크기 영상을 생성한다(S140). 즉, 아래의 수학식 2를 사용하여 기울기 크기의 범위를 0에서 1 사이의 값으로 정규화한다. Therefore, after the step S130, the normalizer 140 normalizes the gradient magnitude (GM) for the gradient size image to a set range, and generates a normalized gradient size image (S140). That is, the range of the gradient magnitude is normalized to a value between 0 and 1 using Equation 2 below.

여기서,

는 기울기 크기를 매핑할 때, 기울기 크기를 스케일링하는 정도를 조절하는 상수이다.here,

Is a constant that controls the degree of scaling the magnitude of the gradient when mapping the magnitude of the gradient.

도 3은 이러한 과정을 통해 생성된 정규화된 기울기 크기 영상의 예시도이다. 즉, 상기 S120단계를 통해 상기 MR 복부 볼륨 데이터 즉, MR 영상을 평활화하고, 상기 S130단계를 통해 가우시안 1차 미분을 컨볼루션하여 기울기 크기 영상을 생성한 다음에, 상기 S140단계를 통해 수학식 2를 적용하면, 도 3과 같은 정규화된 기울기 크기 영상을 생성할 수 있다.3 is an exemplary diagram of a normalized gradient size image generated through this process. That is, in step S120, the MR abdominal volume data, that is, MR image is smoothed, and in step S130, a convolution of the Gaussian first derivative is generated to generate a gradient size image, and then Equation 2 is performed in step S140. By applying, a normalized gradient size image as shown in FIG. 3 may be generated.

그런 다음, 제2생성부(150)에서는 상기 정규화된 기울기 크기 영상으로부터 객체와 경계를 구분한 이진 영상을 생성한다(S150). 이러한 S150단계를 상세히 설명하면 다음과 같다.Next, the second generation unit 150 generates a binary image that distinguishes an object from a boundary from the normalized gradient size image (S150). This step S150 will be described in detail below.

먼저, 상기 정규화된 기울기 크기 영상에서, 상기 설정된 0 ~ 1 범위 안의 특정 임계값 T을 기준으로 하여 상기 객체 부분과 상기 경계 부분을 구분한다. 즉, 상기 임계값 T보다 작은 기울기 크기의 영역(기울기 크기: 0~T 영역)은 상기 객체 부분으로, 상기 임계값 T보다 큰 기울기 크기의 영역(기울기 크기: T~1 영역)은 상기 경계 부분으로 구분한다. 다음, 상기 경계 부분의 밝기값은 1, 상기 객체 부분의 밝기값은 0으로 하여 상기 이진 영상을 생성한다.First, in the normalized gradient size image, the object part and the boundary part are distinguished based on a specific threshold value T within the set 0 to 1 range. That is, an area having a slope size smaller than the threshold T (tilt size: 0 to T region) is the object portion, and an area having a slope size larger than the threshold T (tilt size: T ~ 1 region) is the boundary portion. Separated by. Next, the binary image is generated by setting the brightness value of the boundary portion to 1 and the brightness value of the object portion to zero.

정규화된 기울기 크기 영상에서, 임계값 T부터 1까지의 범위를 갖는 부분, 즉 기울기 크기 값이 큰 부분은, 간에 해당하는 영역과 그 이외의 다른 영역 사이를 서로 구분하는 경계에 해당한다고 볼 수 있다. 따라서, 정규화된 기울기 크기 영상을 임계값 T를 기준으로 하여 객체 부분(밝기값: 0)과 경계 부분(밝기값: 1)으로 구분할 수 있게 된다.In the normalized gradient size image, a portion having a range from the threshold value T to 1, that is, a portion having a large gradient size value, may be regarded as a boundary for distinguishing between a region corresponding to the liver and other regions. . Therefore, the normalized gradient size image can be divided into an object portion (brightness value: 0) and a boundary portion (brightness value: 1) based on the threshold value T.

도 4는 이러한 S150단계에 의해 구분되어 얻어진 객체 구분 영상의 예시도를 나타낸다. 결국, 공간적으로 연속된 정보를 갖는 MR 영상을 기울기 정보와 연결 상태를 바탕으로 비교적 균일한 영역으로 이루어진 간 내부에 해당하는 영역을 포함하는 객체들의 집합으로 구분할 수 있다.4 shows an example of the object classification image obtained by being divided by the step S150. As a result, the MR image having spatially continuous information may be classified into a set of objects including a region corresponding to the inside of the liver, which is composed of a relatively uniform region based on the slope information and the connection state.

상기와 같이 이진 영상이 얻어진 다음에는, 상기 검출부(160)를 통해 상기 이진 영상으로부터 간 영역을 검출한다(S160). 이러한 간 영역의 검출은, 이전 슬라이스에서 기 분할된 간 영역에서 추출된 씨앗점을 이용하는 2차원 씨앗점 영역 성장법을 적용하여 이루어진다. 이렇게 검출된 간 영역의 예시는 도 5를 참조한다.After the binary image is obtained as described above, the liver region is detected from the binary image through the detection unit 160 (S160). The detection of the liver region is performed by applying a two-dimensional seed point region growth method using the seed point extracted from the liver region previously divided in the previous slice. An example of the detected liver region is shown in FIG. 5.

상기 S160단계는, 도 4의 객체 구분 영상으로부터 간에 해당하는 영역을 2차원 씨앗점 영역 성장법을 이용하여 추출한다. 이를 위해, 인접 슬라이스에서 이미 분할된 간 영역으로부터 2차원 세선화 기법을 이용하여 뼈대에 해당하는 씨앗점들을 추출한다. 이러한 방법으로 찾아진 씨앗점들을 이용하여 객체 구분 영상에 2차원 씨앗점 영역 성장법을 적용하면, 도 5와 같이 간에 해당하는 영역을 검출할 수 있다. In step S160, the region corresponding to the liver is extracted from the object division image of FIG. 4 by using the 2D seed point region growth method. To do this, seed points corresponding to the skeleton are extracted from the liver region already divided in adjacent slices using a two-dimensional thinning technique. When the two-dimensional seed point region growth method is applied to the object separation image using the seed points found in this manner, the region corresponding to the liver can be detected as shown in FIG. 5.

객체 구분 영상은 이진 영상이므로, 2차원 영역 성장법을 위한 밝기값 범위는 0에 해당하는 영역이다. 상기의 씨앗점을 이용한 영역 성장법은 기존에 공지된 기술이므로 보다 상세한 설명은 생략한다.Since the object classification image is a binary image, the brightness value range for the 2D region growth method is a region corresponding to zero. Since the region growth method using the seed point is a known technique, a detailed description thereof will be omitted.

그리고, 상기 S160단계를 통해 얻어진 간 영역의 MR 영상에서, 간 경계 근방의 주변에 비하여 밝거나 어두운 영역을 간 영역 안에 포함시키기 위하여 아래와 같은 후처리 과정이 필요하다. In the MR image of the liver region obtained through the step S160, the following post-processing process is required to include a brighter or darker region in the liver region than the vicinity of the vicinity of the liver boundary.

먼저, 상기 S150단계에서 검출된 간 영역의 간 경계를 따라 롤링 볼 알고리즘(Rolling Ball Algorithm)을 적용하여, 상기 간 경계에 인접하여 누락된 영역을 상기 간 영역 내에 새로 포함시킨다(S170). 이러한 S170단계는 상기 제3생성부(170)를 통해 수행된다.First, a rolling ball algorithm is applied along the liver boundary of the liver region detected in the step S150 to newly include a missing area in the liver region adjacent to the liver boundary (S170). This step S170 is performed through the third generation unit 170.

이러한 롤링 볼 알고리즘은 상기와 같이 누락될 가능성이 있는 영역에 대하여 상기 간 경계에 원형 필터를 돌려서, 경계상의 두 점이 원형 필터에 동시에 만나는 경우 그 두 점을 이어주는 기법이다. 즉, 2차원 원형 필터를 간 경계를 따라 적용하면서, 원형 필터와 간 경계가 두 점에서 만나는 위치를 탐색하여 두 점들을 잇는 새로운 경계를 생성하는 것이다. 이에 따르면, 예를 들면 누락된 간 혈관들을 간 영역에 포함하는 과정을 거치게 된다.This rolling ball algorithm is a technique that connects a circular filter to the boundary between the edges of a region that may be missing as described above, and connects the two points when two points on the boundary meet the circular filter at the same time. In other words, while applying a two-dimensional circular filter along the boundary of the liver, the position where the circular filter and the boundary of the boundary meet at two points is created to create a new boundary connecting two points. According to this, for example, the missing liver blood vessels are included in the liver region.

전체 간 경계에 대한 탐색을 마치면, 배경에 대하여 2차원 씨앗점 영역 성장법을 적용하여 새로운 경계 내부의 영역을 추출하여 최종 분할 결과를 얻을 수 있다. 하지만, 이 과정에서, 간 외부의 구부러진 영역 등이 잘못 포함될 수 있다. After searching the boundary between the whole, the final segmentation result can be obtained by extracting the area inside the new boundary by applying the two-dimensional seed point region growth method to the background. However, in this process, the curved area outside the liver may be incorrectly included.

즉, 이러한 위양성(False-Positive) 오차를 제거하기 위하여, 다음의 과정을 거친다. 앞서 새로 포함된 간 경계 부분을 객체로 구분하도록, 상기 제1분석부(180)를 통해 상기 간 경계 부분 상에 연결 요소 분석 기법(Connected Component Analysis)을 적용한다(S180). 즉, 이러한 S180단계의 과정을 통해, 새롭게 추가된 영역을 객체로 구분하게 된다.That is, in order to remove such false-positive errors, the following process is performed. In order to distinguish the newly included liver boundary part into an object, a connected component analysis technique is applied on the liver boundary part through the first analyzer 180 (S180). That is, through the process of step S180, the newly added area is divided into objects.

상기 연결 요소 분석 기법은 2차원 영상에서 4방향 연결(위, 아래, 좌, 우) 되어 있는 픽셀들의 집합을 하나의 객체로 인식하여, 전체 영상에서 서로 구분되어 있는 연결 요소 객체에 각각 번호를 부여하여 구분하는 분석 기법이다. 상기 연결 요소 분석 기법은 본 분야에서 공지된 기술로서 보다 상세한 설명은 생략한다.The connection element analysis technique recognizes a set of pixels connected in four directions (up, down, left, right) in a two-dimensional image as one object, and assigns a number to each connection element object separated from each other in the entire image. It is an analysis technique to distinguish. The connection element analysis technique is well known in the art, and a detailed description thereof will be omitted.

이때, 간 경계의 구부러진 굴곡 부분이 상기 간 영역에 잘못 포함되는 경우를 방지하기 위하여, 상기 객체로 구분된 상기 간 경계 부분의 밝기값 분포를 제2분석부(190)를 통해 분석하여, 상기 간 경계 부분 상의 굴곡 부분을 상기 간 영역에서 제외시킨다(S190). 예를 들어, 각 객체들의 평균 밝기값이, 기존 S160단계에서 분할된 간 영역의 평균 밝기값보다 크게 낮은 영역은 잘못 포함된 영역으로 판단하여 제거한다. In this case, in order to prevent the curved bent portion of the liver boundary from being incorrectly included in the liver region, the brightness value distribution of the liver boundary portion divided into the object may be analyzed through the second analyzer 190 to determine the liver. The curved portion on the boundary portion is excluded from the liver region (S190). For example, an area in which the average brightness value of each object is significantly lower than the average brightness value of the liver region divided in the existing step S160 is determined as an incorrectly included area and removed.

이상과 같이, 상기 S160단계의 간 분할 이후, 상기 롤링 볼 알고리즘과 상기 연결 요소 분석 기법을 사용함에 따라, 간 경계 부근의 위양성 오차를 더욱 감소시킬 수 있게 된다.As described above, after the liver segmentation in step S160, the rolling ball algorithm and the connection element analysis technique are used to further reduce false positive errors near the boundary of the liver.

도 6은 상기 S190단계를 수행한 결과의 예시도로서, 본 발명의 방법을 이용한 간 분할 결과를 보여준다. 이러한 결과로부터, 간과 밝기값이 유사한 췌장, 비장으로의 리키지(leakage) 없이, 정확한 분할이 가능함을 확인할 수 있다. 6 is an exemplary view showing the results of performing the step S190, showing the liver segmentation results using the method of the present invention. From these results, it can be seen that accurate division is possible without leakage to the pancreas and spleen which have similar liver and brightness values.

또한, 본 발명의 방법을 Intel Core i7 2.8GHz CPU와 4GB 메모리를 갖는 시스템에서 수행할 경우, 한 환자의 간 분할에 평균 3초 정도가 소요되었으며, 10분 이상 소요되는 기존 기법에 비하여 매우 빠른 속도를 보여주었다.In addition, when the method of the present invention is carried out on a system with an Intel Core i7 2.8GHz CPU and 4GB memory, it takes an average of about 3 seconds to divide the liver of a patient, which is much faster than the conventional technique which takes 10 minutes or more. Showed.

물론, 상술한 각 단계(S110~S190)에 따른 각종 영상들은 표시부(미도시)를 통해 표시되며, 의사 등으로부터의 각종 조작은 입력부(미도시)를 통해 수행된다.Of course, the various images according to the above-described steps (S110 to S190) are displayed through a display unit (not shown), and various operations from a doctor or the like are performed through an input unit (not shown).

이상과 같은 본 발명은, 간 체적 측정과 간암 검출을 위한 영역 설정, CT 영상과 MR 영상의 정합 시 해부학적 표식기 등으로 사용될 수 있어서, 실제 임상에 즉시 적용 가능한 진단 도구를 제공할 수 있다. 나아가, 현재 의사의 수작업에 의존한 정성적인 판독 방법을 자동화시키고 이를 검증하는 방식으로 의료 형태가 변경되어 보다 객관적이고 정교한 판독이 가능하다. As described above, the present invention can be used as an anatomical marker during registration of a region for liver volume measurement and liver cancer detection, registration of CT images and MR images, and can provide a diagnostic tool that can be immediately applied to actual clinical practice. Furthermore, medical forms have been altered by automating and validating qualitative reading methods that depend on the manual hand of a physician now, resulting in more objective and sophisticated reading.

또한, 이러한 시스템을 기존의 3차원 MR 장치나 의료영상저장및전달장치(Picture archive and communication system)에 접합하면, 상당 규모의 소프트웨어 판매 및 수출효과를 가져올 수 있으며, 나아가 세계시장에서 국내 의료시스템의 경쟁력을 강화시킬 수 있을 것으로 보인다.In addition, when these systems are connected to existing 3D MR devices or picture archive and communication systems, they can bring a significant amount of software sales and exports. It seems to be able to strengthen its competitiveness.

상기 MR 영상을 이용한 자동 간 분할 방법은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 매체로서 데이터가 저장되는 모든 종류의 기록장치를 포함한다.The automatic liver segmentation method using the MR image may be embodied as computer readable codes on a computer readable recording medium. The computer-readable recording medium includes all kinds of recording devices in which data is stored as a medium that can be read by a computer system.

컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CO-ROM, 자기 테이프, 플로피디스크, 광데이터 저장장치 등이 있으며, 또한 캐리어 웨이브(예를 들어 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. Examples of computer-readable recording media include ROM, RAM, CO-ROM, magnetic tape, floppy disks, optical data storage devices, and the like, which are also implemented in the form of carrier waves (for example, transmission over the Internet). Include. The computer readable recording medium can also be distributed over network coupled computer systems so that the computer readable code is stored and executed in a distributed fashion.

본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시예가 가능한 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.Although the present invention has been described with reference to the embodiments shown in the drawings, these are merely exemplary and those skilled in the art will understand that various modifications and equivalent other embodiments are possible. Therefore, the true technical protection scope of the present invention will be defined by the technical spirit of the appended claims.

100: MR 영상을 이용한 자동 간 분할 시스템
110: 획득부 120: 전처리부
130: 제1생성부 140: 정규화부
150: 제2생성부 160: 검출부
170: 제3생성부 180: 제1분석부
190: 제2분석부100: automatic liver segmentation system using MR image
110: acquisition unit 120: preprocessor
130: first generation unit 140: normalization unit
150: second generation unit 160: detection unit
170: third generation unit 180: first analysis unit
190: second analysis unit

Claims

Acquiring three-dimensional abdominal volume data through an MR technique;
Performing preprocessing of the abdominal volume data;
Generating a gradient size image of the preprocessed abdominal volume data;
Generating a normalized gradient size image by normalizing the gradient size of the gradient size image to a set range;
Generating a binary image by dividing an object and a boundary from the normalized gradient size image; And
Automatic liver segmentation method using an MR image comprising the step of detecting a liver region from the binary image.

The method according to claim 1,
Applying a rolling ball algorithm along a liver boundary of the detected liver region to include a missing area within the liver region adjacent to the liver boundary;
Applying a connected component analysis technique on the liver boundary portion so as to classify the included liver boundary portion into an object; And
And analyzing the distribution of brightness values of the liver boundary portions separated by the object, and excluding the curved portion on the liver boundary portion from the liver region.

The method according to claim 1,
Performing the pretreatment,
Automated liver segmentation method using MR image applying Modified Curvature Diffusion Filtering on the abdominal volume data.

The method according to claim 1,
Generating the normalized gradient size image,
An automatic liver segmentation method using MR images for normalizing the magnitude of the gradient to a value between 0 and 1.

The method according to claim 1,
Generating the binary image,
Distinguishing the object part from the boundary part based on a specific threshold value within the set range in the normalized gradient size image; And
And generating the binary image by setting the brightness value of the boundary portion to 1 and the brightness value of the object portion to 0. 2.

The method according to claim 5,
The step of distinguishing the object portion from the boundary portion,
And an area of the gradient size smaller than the threshold value is divided into the object portion, and an area of the gradient size larger than the threshold value is divided into the boundary portion.

The method according to claim 1,
Detecting the liver region,
An automatic liver segmentation method using an MR image applying a two-dimensional seed point region growth method using a seed point extracted from a previously segmented liver region from a previous slice.

A computer-readable recording medium having recorded thereon a program for executing the method according to any one of claims 1 to 7.

An acquisition unit for acquiring three-dimensional abdominal volume data through an MR technique;
A preprocessor configured to preprocess the abdominal volume data;
A first generator configured to generate a gradient size image of the preprocessed abdominal volume data;
A normalizer for generating a normalized gradient size image by normalizing the gradient size of the gradient size image to a set range;
A second generator configured to generate a binary image that distinguishes an object from a boundary from the normalized gradient size image; And
Automatic liver segmentation system using an MR image including a detection unit for detecting a liver region from the binary image.

The method according to claim 9,
A third generation unit configured to apply a rolling ball algorithm along a liver boundary of the detected liver region to include a missing region in the liver region adjacent to the liver boundary;
A first analyzer configured to apply a connected component analysis technique on the liver boundary portion so as to classify the included liver boundary portion into an object; And
And a second analyzer configured to analyze a distribution of brightness values of the liver boundary portions divided into the objects and exclude a curved portion on the liver boundary portions from the liver region.

The method according to claim 9,
The normalization unit,
Auto liver segmentation system using MR image normalizing the magnitude of the gradient to a value between 0 and 1.

The method according to claim 9,
The second generation unit,
In the normalized gradient size image, after dividing the object portion and the boundary portion based on a specific threshold value within the set range, the brightness value of the boundary portion is 1 and the brightness value of the object portion is 0. Automatic liver segmentation system using MR image to generate the binary image.

The method of claim 12,
The second generation unit,
When the object portion and the boundary portion is divided, the area of the slope size smaller than the threshold value is divided into the object portion, the area of the slope size larger than the threshold value is divided into the automatic liver segment system using an MR image.