KR101831340B1 - 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법 및 장치 - Google Patents

복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법 및 장치 Download PDF

Info

Publication number
KR101831340B1
KR101831340B1 KR1020160114926A KR20160114926A KR101831340B1 KR 101831340 B1 KR101831340 B1 KR 101831340B1 KR 1020160114926 A KR1020160114926 A KR 1020160114926A KR 20160114926 A KR20160114926 A KR 20160114926A KR 101831340 B1 KR101831340 B1 KR 101831340B1
Authority
KR
South Korea
Prior art keywords
atlas
new
probability
cut
training
Prior art date
Application number
KR1020160114926A
Other languages
English (en)
Inventor
홍헬렌
이재선
나군호
Original Assignee
서울여자대학교 산학협력단
연세대학교 산학협력단
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 서울여자대학교 산학협력단, 연세대학교 산학협력단 filed Critical 서울여자대학교 산학협력단
Priority to KR1020160114926A priority Critical patent/KR101831340B1/ko
Application granted granted Critical
Publication of KR101831340B1 publication Critical patent/KR101831340B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/174—Segmentation; Edge detection involving the use of two or more images
    • 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
    • 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
    • A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

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

Abstract

본 발명의 일 실시예에 의한 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법은, (a) 대상 영상과 훈련 아틀라스들 간의 피질 기반 유사 정합을 통하여 신실질에 대한 확률 아틀라스를 생성하는 단계; 및 (b) 상기 생성된 확률 아틀라스에 기반하여 그래프-컷의 초기 씨앗을 추출하고, 형상 제한 그래프-컷을 수행하여 신실질을 분할하는 단계를 포함하여, 피질 기반 3차원 유사 정합과 형상제한 그래프-컷 및 분할된 신실질 기반의 반복적인 정합 및 분할을 통해, 신실질과 유사한 밝기값을 갖는 주변 영역으로의 누출을 방지할 수 있고 정합 정확도를 높여 신실질 분할의 정확도를 향상시킬 수 있다.

Description

복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법 및 장치{METHOD AND APPARATUS FOR AUTOMATIC SEGMENTATION OF RENAL PARENCHYMA USING GRAPH-CUTS WITH SHAPE CONSTRAINT BASED ON MULTI-PROBABILISTIC ATLAS IN ABDOMINAL CT IMAGES}
본 발명은 신실질 자동 분할에 관한 것으로, 특히 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법 및 장치에 관한 것이다.
최근 신장암 조기진단율이 상승함으로 인해 발견되는 종양의 크기가 작아지고, 암환자의 생존율 뿐 아니라 기능적 삶의 질도 중요해지는 가운데 신장조직을 최대한 보존하면서 종양을 제거하는 부분신장절제술(RPN: renal partial nephrectomy)이 치료의 표준으로 여겨지고 있다[1,2]. 조영된 동맥기 또는 정맥기 CT 영상에서 신기능을 담당하는 신실질(renal parenchyma)인 피질(renal cortex)과 수질(renal medulla)을 분할하는 것은 부분신장절제술 후 수술 부위의 신실질 및 반대측 신실질의 부피 변화 관찰을 통한 신기능 분석을 장기간 추적 관찰 가능하게 한다. 이는 신기능 예측 뿐 아니라 반대측 신장의 보상성 비대(contralateral hypertrophy)를 예측하여 부분신장절제술의 치료 근거를 마련하고 치료 대상자를 선별할 수 있게 한다[3].
그러나 조영된 복부 CT 영상에서 신실질 자동 분할은 영상 특성상 다음과 같은 한계점을 갖는다. 첫째, 도 1(a)와 같이 우측 신장은 주변 기관인 간(liver)과 인접해 있고, 좌측 신장은 비장(spleen)과 인접해 있을 뿐 아니라 이들 기관은 신장과 유사한 밝기값인 50-160HU(Hounsfield Unit)을 갖는다. 둘째, 도 1(b)와 같이 부분신장절제술로 인해 남은 신실질의 형태가 다양하다. 셋째, 도 1(c)와 같이 신실질 내부에 신기능을 하지 않는 신장 집뇨계(collecting system)와 신우 주위 지방(renal sinus fat)이 위치해 있다.
복부 CT 영상에서 신장분할 연구는 밝기값 기반, 변형 모델 기반, 사전지식 기반 방법으로 나누어 볼 수 있다. 밝기값 기반 분할 방법의 경우, 임계치 방법(thresholding)과 씨앗 영역 성장(seeded region growing) 방법을 적용하여 신장을 분할하였다. 그러나 임계치 기반 방법은 CT 영상에서 조영 정도에 따라 신장의 임계치를 일반화하기 어렵고, 씨앗영역 성장 방법은 간, 비장과 같이 밝기값이 유사한 주변 기관으로 누출(leakage)이 발생할 뿐 아니라, 씨앗점의 위치에 따라 분할 결과에 영향을 준다는 한계가 있다[5-8].
변형모델기반 분할 방법의 경우, 활성 윤곽선 모델(active contour model) 및 레벨-셋(level set) 등의 방법을 사용하였다. Tsagaan[9] 등은 3차원의 신장의 형상을 비정형 비유리 B-스플라인(non-uniform rational b-spline)으로 모델링하여 활성 윤곽선 방법을 통해 신장을 분할하였고, Houng[10] 등은 좌우측 신장에 별개의 레벨셋을 적용하여 좌우측 신장을 동시에 분할하는 다중 동적 형상 모델(multi-dynamic shape models)을 통해 신장을 분할하였으며, Khalifa[11][12] 등은 이웃 화소들과의 관계를 고려한 마코브-깁스 랜덤 장(Markov-Gibbs Random Field)과 확률속도함수(stochastic speed function)를 이용한 레벨-셋 방법을 통해 신장을 분할하였다. 그러나 변형모델기반 분할 방법은 초기 모델 위치에 민감하며, 신장의 경계가 명확하지 않는 지역에서 지역 최적화에 빠질 수 있다.
사전지식(prior knowledge) 기반 분할 방법의 경우, Asem[13] 등은 신장으로부터의 거리를 푸아송 분포(poisson distribution)를 이용하여 근사화한 거리확률모델(distance probabilistic model)을 사전지식으로 사용하였고, Freiman[14] 등은 훈련영상의 가중치를 기반으로 한 비-모수 형상모델(non-parametric shape model)을 통해 신장의 형상을 모델링하여 사전지식으로 사용하여 신장을 자동 분할하였다. 그러나 사전지식 기반 분할 방법은 신장 종양 및 부분신장절제술 등으로 신장의 형태가 다양한 경우 훈련영상 간 정합 정확도가 낮아져서 분할 정확도가 낮아지는 한계점이 있다.
[1] C. Weight, B. Larson, A. Fergany, T. Gao, B. Lane, and C. Campbell, "Nephrectomy induced chronic renal insufficiency is associated with increased risk of cardiovascular death and death from any cause in patients with localized cT1b renal masses," The Journal of urology, vol.183, no.4, pp.1317-23, 2010. [2] M. Maddox, S. Mandava, J. Liu, A. Boonjindasup, and B. Lee, "Robotic partial nephrectomy for clinical stage T1b Tumors: Intermediate oncologic and functional outcomes," Clinical genitourinary cancer, vol.13, no.1, pp.94-99, 2014. [3] D. Kim, Y. Jang, J. Lee, and H. Hong et al., "Two-year analysis for predicting renal function and contralateral hypertrophy after robot-assisted partial nephrectomy: A three dimensional segmentation technology study," International Journal of Urology, vol.22, pp. 1115-1111, 2015. [4] http://www.kestrelstudio.com/portfolio/medical-illustration/anat omic al/kidney-sinus.php [5] G. Yan and B. Wang, "An automatic kidney segmentation from abdominal CT images," Proc. of 2010 IEEE International Conference on Intelligent Computing and Intelligent Systems, vol.1, pp.280-284, 2010. [6] G. Yan and B. Wang, "Automatic segmentation of kidney without using contrast medium on abdominal CT images," Proc. of 2008 3rd Int. Conference on Intelligent System and Knowledge Engineering, vol.1, pp.1242-1246, 2008. [7] D. Lin, C. Lei, and S. Hung, "Computer-aided kidney segmentation on abdominal CT Images," IEEE Transactions on Information Technology in Biomedicine, vol.10, no. 1, pp.59-65, 2006. [8] G. Dai, Z. Li, J. Gu, L. Wang, X. Li, and Y. Xie, "Segmentation of kidneys from computed tomography using 3D fast growcut algorithm," Proc. of 2013 IEEE International Conference on Image Processing, pp.1144-1147, 2013. [9] B. Tsagaan, A. Shimizu, H. Kobatake, K. Miyakawa, and Y. Hanzawa, "Segmentation of kidney by using a deformable model," Proc. of 2001 IEEE International Conference on Image Processing, vol.3, pp.1059-1062, 2001. [10] Y. Huang, P. Chung, C. Huang, and C. Huang, "Multiphase level set with multi dynamic shape models on kidney segmentation of CT image," Proc. of 2009 IEEE Biomedical Circuits and Systems Conference, pp.141-144, 2009. [11] F. Khalifa, A. Elnakib, G. Beache, and G. Gimel'farb, et al., "3D kidney segmentation from CT images using a level set approach guided by a novel stochastic speed function," Proc. of MICCAI 2011, Part III. LNCS, vol.6893 , pp. 587-594, 2011. [12] F. Khalifa, G. Gimel'farb, and M. Abo et al., "A new deformable model-based segmentation approach for accurate extraction of the kidney from abdominal CT images," Proc. of 2011 IEEE International Conference on Image Processing, pp. 3393-3396, 2011. [13] A. Ali, A. Farag, and A. El-Baz "Graph cuts framework for kidney segmentation with prior shape constraints," Proc. of MICCAI 2007, Part I. LNCS, vol. 4791, pp.384-392, 2007. [14] M. Freiman, A. Kronman, S. Esses, L. Joskowicz, and J. Sosna, "Non-parametric iterative model constraint graph min-cut for automatic kidney segmentation," Proc. of MICCAI 2010, Part III. LNCS, vol.6363, pp.73-80, 2010. [15] H. Jo, and H. Hong, "Automatic nodule segmentation using intensity, curvature and morphology information in lung CT images," Journal of KIISE : software and applications, vol.39, no.7, pp.537-546, 2012. [16] M. Powell, "An efficient method for finding the minimum of a function of several variables without calculating derivatives", The computer journal, vol.7, no.2, pp.155-162, 1964. [17] A. Shimizu, R. Ohno, T. Ikegami, H. Kobatake, S.Nawano, and D. Smutek," Segmentation of multiple organs in non-contrast 3D abdominal CT Images," Int. J. Comput. Assist.Radiol. Surg. vol.2, pp.135-142, 2007. [18] V. Kolmogorov and R. Zabih, "What energy functions can be minimized via graph cuts?," Pattern Analysis and Machine Intelligence, vol. 26, no. 2, pp. 147-159, 2004. [19] Y. Boykov and G. Funka-Lea, "Graph cuts and efficient N-D image segmentation," International journal of computer vision, vol. 70, no. 2, pp. 109-131, 2006.
본 발명이 해결하고자 하는 과제는 피질 기반 3차원 유사 정합과 형상제한 그래프-컷 및 분할된 신실질 기반의 반복적인 정합 및 분할을 통해, 신실질과 유사한 밝기값을 갖는 주변 영역으로의 누출을 방지할 수 있고, 정합 정확도를 높여 신실질 분할의 정확도를 향상시킬 수 있는, 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법을 제공하는 것이다.
본 발명이 해결하고자 하는 다른 과제는 피질 기반 3차원 유사 정합과 형상제한 그래프-컷 및 분할된 신실질 기반의 반복적인 정합 및 분할을 통해, 신실질과 유사한 밝기값을 갖는 주변 영역으로의 누출을 방지할 수 있고, 정합 정확도를 높여 신실질 분할의 정확도를 향상시킬 수 있는, 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 장치를 제공하는 것이다.
상기 과제를 해결하기 위한 본 발명의 일 실시예에 의한 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법은,
(a) 대상 영상과 훈련 아틀라스들 간의 피질 기반 유사 정합을 통하여 신실질에 대한 확률 아틀라스를 생성하는 단계; 및
(b) 상기 생성된 확률 아틀라스에 기반하여 그래프-컷의 초기 씨앗을 추출하고, 형상 제한 그래프-컷을 수행하여 신실질을 분할하는 단계를 포함한다.
본 발명의 일 실시예에 의한 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법은, 상기 (b) 단계 이후에,
(c) 상기 분할된 신실질의 마스크와 훈련 아틀라스들의 신실질 마스크 간의 유사 정합을 통한 확률 아틀라스 생성 단계 및 형상 제한 그래프-컷을 통한 신실질 분할 단계를 반복적으로 수행하는 단계를 더 포함할 수 있다.
또한, 본 발명의 일 실시예에 의한 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법에 있어서, 상기 단계 (c)는, 대상 영상의 신실질 마스크의 윤곽선과 훈련 아틀라스의 신질질 마스크의 윤곽선 간 평균 거리 차이(ADD: Average Distance Difference)의 평균과 이전 정합시 의 ADD 평균의 차이가 소정값 이하가 될 때까지 수행될 수 있다.
또한, 본 발명의 일 실시예에 의한 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법에 있어서, 상기 단계 (a)는,
(a-1) 대상 영상과 훈련 아틀라스들에서 밝기값에 기반하여 피질을 분할하는 단계;
(a-2) 상기 대상 영상으로부터 분할된 피질과 상기 훈련 아틀라스들로부터 분할된 피질들을 정합하여 변환값들을 구하는 단계;
(a-3) 상기 변환값들을 상기 훈련 아틀라스들에 적용하는 단계; 및
(a-4) 상기 변환된 훈련 아틀라스들을 상기 대상 영상에 정합하여 확률 아틀라스를 생성하는 단계를 포함할 수 있다.
또한, 본 발명의 일 실시예에 의한 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법에 있어서, 상기 단계 (a-1)은,
(d-1) 대상 영상과 훈련 아틀라스들에서 신실질을 포함하는 직육면체 형태의 바운딩 볼륨(BV: Bounding Volume)을 지정하는 단계; 및
(d-2) 상기 바운딩 볼륨 내에서 피질의 밝기값을 임계치로 하여 임계값 기법을 적용하여 피질 마스크를 생성하는 단계를 포함할 수 있다.
또한, 본 발명의 일 실시예에 의한 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법에 있어서, 상기 단계 (a-2)는,
(e-1) 대상 영상과 훈련 아틀라스들로부터 추출된 피질들 간의 윤곽선 간 평균 거리 차이(ADD: Average Distance Difference)를 수학식 1을 이용하여 구하는 단계; 및
(e-2) 최적화 기법을 이용하여 상기 ADD 값의 변화가 없을 때까지 x, y, z축 각각의 이동, 크기 및 회전 변환값들을 구하는 단계를 포함하고,
[수학식 1]
Figure 112016087249449-pat00001
이며,
상기에서, N은 대상 영상의 피질 마스크의 윤곽선 화소 개수이고, Ci A, CB는 각각 훈련 아틀라스의 피질 마스크의 윤곽선과 대상 영상의 피질 마스크의 윤곽선의 화소를 나타내며, D는 Ci A, CB 피질 마스크 윤곽선 화소 간 최소 거리를 계산하는 함수이고, max(D)는 훈련 아틀라스의 피질 마스크의 윤곽선과 대상 영상의 피질 마스크의 윤곽선 간 최대 거리를 나타낼 수 있다.
또한, 본 발명의 일 실시예에 의한 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법에 있어서, 상기 단계 (a)에서 상기 확률 아틀라스(PA(L))는, 수학식 2에 기반하여 생성되며,
[수학식 2]
Figure 112016087249449-pat00002
상기에서, N은 훈련 아틀라스들의 수를 나타내고, Ai는 i번째 훈련 아틀라스를 나타내며, L은 신실질 또는 배경이 레이블링된 마스크를 나타낼 수 있다.
또한, 본 발명의 일 실시예에 의한 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법에 있어서, 상기 단계 (b)는,
(b-1) 상기 생성된 확률 아틀라스에 기반하여 상기 형상 제한 그래프-컷 분할에서 사용될 초기 씨앗을 자동으로 생성하는 단계; 및
(b-2) 상기 초기 씨앗을 사용하여, 신실질 및 배경 레이블의 밝기값과 해당 복셀간의 유사도를 나타내는 영역 에너지, 이웃하는 복셀간의 밝기값 차이를 나타내는 경계 에너지, 및 분할 대상의 위치 정보를 포함하는 형상 에너지의 합인 에너지 함수를 최소화하는 형상 제한 그래프-컷을 수행함으로써 신실질을 분할하는 단계를 포함할 수 있다.
또한, 본 발명의 일 실시예에 의한 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법에 있어서, 수학식 3 및 수학식 4의 최대사후확률 추정을 통해 구해지는 레이블(LMAP)이 상기 단계 (b-1)에서의 상기 초기 씨앗으로서 사용되고,
[수학식 3]
Figure 112016087249449-pat00003
[수학식 4]
Figure 112016087249449-pat00004
상기에서, P(L)은 신실질의 사전확률로서 다중 확률 아틀라스 정보를 기반으로 해당 위치에 있는 복셀이 신실질 레이블일 확률을 의미하며, P(I｜L)은 대상 영상(I)에 대한 신실질 및 배경 레이블(L)의 우도로서 훈련 아틀라스의 신실질 및 배경별 밝기값 분포를 기반으로 해당 복셀의 밝기값이 신실질 또는 배경에 속할 확률을 의미하고, P(I｜It,Lt)는 신실질 또는 배경 레이블(Lt)각각에 대한 훈련 아틀라스 영상(It)의 히스토그램에 대하여 대상 영상(I)의 밝기값의 확률일 수 있다.
또한, 본 발명의 일 실시예에 의한 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법에 있어서, 상기 에너지 함수(E(L))는 수학식 5에 의해 산출되고,
[수학식 5]
Figure 112016087249449-pat00005
상기에서, p∈I는 대상 영상의 복셀을 나타내며, Lp는 복셀 p에서 신실질 및 배경 레이블을 의미하고, N은 이웃한 복셀 쌍(p,q)들의 집합을 의미하며, R은 신실질 및 배경 레이블의 밝기값과 해당 복셀간의 유사도를 나타내는 상기 영역 에너지를 의미하고, B는 이웃하는 복셀간의 밝기값 차이를 나타내는 상기 경계 에너지를 의미하며, S는 분할 대상의 위치 정보를 포함한 상기 형상 에너지를 나타낼 수 있다.
또한, 본 발명의 일 실시예에 의한 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법에 있어서, 상기 형상 제한 그래프-컷 수행 시, 대상 영상에서 추출된 피질을 포함하는 컨벡스-헐(convex hull)을 생성하고 생성된 컨벡스-헐 내에서의 다중 확률 아틀라스의 확률값을 상기 형상 에너지로 적용할 수 있다.
또한, 본 발명의 일 실시예에 의한 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법은, 상기 단계 (b)와 상기 단계 (c) 사이에,
신실질 내부에 있는 신기능을 담당하지 않는 신장 집뇨계와 신우 주위 지방을 제거하기 위해 임계치 방법 및 연결 요소 레이블링(connected component labeling, CCL) 방법을 통한 후처리 과정(post-processing)을 수행하는 단계를 더 포함할 수 있다.
상기 다른 과제를 해결하기 위한 본 발명의 일 실시예에 의한 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 장치는,
대상 영상과 훈련 아틀라스들을 저장하고 있는 영상 저장부;
상기 대상 영상과 상기 훈련 아틀라스들 간의 피질 기반 유사 정합을 통하여 신실질에 대한 확률 아틀라스를 생성하는 확률 아틀라스 생성부;
상기 생성된 확률 아틀라스에 기반하여 그래프-컷의 초기 씨앗을 추출하고, 형상 제한 그래프-컷을 수행하여 신실질을 분할하는 신실질 분할부; 및
상기 분할된 신실질의 마스크와 훈련 아틀라스들의 신실질 마스크 간의 유사 정합을 통한 확률 아틀라스 생성 동작 및 형상 제한 그래프-컷을 통한 신실질 분할 동작을 반복적으로 수행하는 반복 분할부를 포함한다.
본 발명의 일 실시예에 의한 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 장치에 있어서, 상기 확률 아틀라스 생성부는,
상기 대상 영상과 상기 훈련 아틀라스들에서 밝기값에 기반하여 피질을 분할하는 동작;
상기 대상 영상으로부터 분할된 피질과 상기 훈련 아틀라스들로부터 분할된 피질들을 정합하여 변환값들을 구하는 동작;
상기 변환값들을 상기 훈련 아틀라스들에 적용하는 동작; 및
상기 변환된 훈련 아틀라스들을 상기 대상 영상에 정합하여 확률 아틀라스를 생성하는 동작을 수행하도록 구성될 수 있다.
또한, 본 발명의 일 실시예에 의한 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 장치에 있어서, 상기 확률 아틀라스(PA(L))는, 수학식 2에 기반하여 생성되며,
[수학식 2]
Figure 112016087249449-pat00006
상기에서, N은 훈련 아틀라스들의 수를 나타내고, Ai는 i번째 훈련 아틀라스를 나타내며, L은 신실질 또는 배경이 레이블링된 마스크를 나타낼 수 있다.
또한, 본 발명의 일 실시예에 의한 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 장치에 있어서, 상기 신실질 분할부는,
상기 생성된 확률 아틀라스에 기반하여 상기 형상 제한 그래프-컷 분할에서 사용될 초기 씨앗을 자동으로 생성하는 동작; 및
상기 초기 씨앗을 사용하여, 신실질 및 배경 레이블의 밝기값과 해당 복셀간의 유사도를 나타내는 영역 에너지, 이웃하는 복셀간의 밝기값 차이를 나타내는 경계 에너지, 및 분할 대상의 위치 정보를 포함하는 형상 에너지의 합인 에너지 함수를 최소화하는 형상 제한 그래프-컷을 수행함으로써 신실질을 분할하는 동작을 수행하도록 구성되고,
수학식 3 및 수학식 4의 최대사후확률 추정을 통해 구해지는 레이블(LMAP)이 상기 초기 씨앗으로서 사용되고,
[수학식 3]
Figure 112016087249449-pat00007
[수학식 4]
Figure 112016087249449-pat00008
상기에서, P(L)은 신실질의 사전확률로서 다중 확률 아틀라스 정보를 기반으로 해당 위치에 있는 복셀이 신실질 레이블일 확률을 의미하며, P(I｜L)은 대상 영상(I)에 대한 신실질 및 배경 레이블(L)의 우도로서 훈련 아틀라스의 신실질 및 배경별 밝기값 분포를 기반으로 해당 복셀의 밝기값이 신실질 또는 배경에 속할 확률을 의미하고, P(I｜It,Lt)는 신실질 또는 배경 레이블(Lt)각각에 대한 훈련 아틀라스 영상(It)의 히스토그램에 대하여 대상영상(I)의 밝기값의 확률일 수 있다.
또한, 본 발명의 일 실시예에 의한 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 장치에 있어서, 상기 에너지 함수(E(L))는 수학식 5에 의해 산출되고,
[수학식 5]
Figure 112016087249449-pat00009
상기에서, p∈I는 대상 영상의 복셀을 나타내며, Lp는 복셀 p에서 신실질 및 배경 레이블을 의미하고, N은 이웃한 복셀 쌍(p,q)들의 집합을 의미하며, R은 신실질 및 배경 레이블의 밝기값과 해당 복셀간의 유사도를 나타내는 상기 영역 에너지를 의미하고, B는 이웃하는 복셀간의 밝기값 차이를 나타내는 상기 경계 에너지를 의미하며, S는 분할 대상의 위치 정보를 포함한 상기 형상 에너지를 의미할 수 있다.
또한, 본 발명의 일 실시예에 의한 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 장치에 있어서, 상기 형상 제한 그래프-컷 수행 시, 대상 영상에서 추출된 피질을 포함하는 컨벡스-헐(convex hull)을 생성하고 생성된 컨벡스-헐 내에서의 다중 확률 아틀라스의 확률값을 상기 형상 에너지로 적용할 수 있다.
또한, 본 발명의 일 실시예에 의한 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 장치는, 상기 신실질 분할부와 상기 반복 분할부 사이에,
신실질 내부에 있는 신기능을 담당하지 않는 신장 집뇨계와 신우 주위 지방을 제거하기 위해 임계치 방법 및 연결 요소 레이블링(connected component labeling, CCL) 방법을 통한 후처리 과정(post-processing)을 수행하는 신장 집뇨계와 신우 주위 지방 제거부를 더 포함할 수 있다.
본 발명의 일 실시예에 의한 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법 및 장치에 의하면, 피질 기반 3차원 유사 정합과 형상제한 그래프-컷 및 분할된 신실질 기반의 반복적인 정합 및 분할을 통해, 신실질과 유사한 밝기값을 갖는 주변 영역으로의 누출을 방지할 수 있고 정합 정확도를 높여 신실질 분할의 정확도를 향상시킬 수 있다.
도 1(a) 내지 도 1(c)는 복부 CT 영상에서 신실질의 특성을 도시한 도면으로, 도 1(a)는 인접 기관의 유사한 밝기를 도시한 도면, 도 1(b)는 신장 덩어리(renal mass) 및 RPN의 큰 형상 변화를 도시한 도면, 그리고 도 1(c)는 신장 구조를 도시한 도면.
도 2는 본 발명의 일 실시예에 의한 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법의 흐름도.
도 3은 도 2에 도시된 신장 피질 기반 유사 정합을 통한 확률 아틀라스 생성 단계의 상세 흐름도.
도 4(a) 내지 도 4(d)는 복부 CT 영상에서 임계치의 결과를 도시한 도면.
도 5(a) 내지 도 5(e)는 복부 CT 영상에서 단계별 신실질 분할을 도시한 도면.
도 6은 본 발명의 일 실시예에 의한 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 장치의 블록도.
도 7(a) 내지 도 7(f)는 동맥기 복부 CT 영상에서의 신실질 분할 결과를 도시한 도면.
본 발명의 목적, 특정한 장점들 및 신규한 특징들은 첨부된 도면들과 연관되어지는 이하의 상세한 설명과 바람직한 실시예들로부터 더욱 명백해질 것이다.
이에 앞서 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이고 사전적인 의미로 해석되어서는 아니되며, 발명자가 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있는 원칙에 입각하여 본 발명의 기술적 사상에 부합되는 의미와 개념으로 해석되어야 한다.
본 명세서에서 각 도면의 구성요소들에 참조번호를 부가함에 있어서, 동일한 구성 요소들에 한해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 번호를 가지도록 하고 있음에 유의하여야 한다.
또한, "제1", "제2", "일면", "타면" 등의 용어는, 하나의 구성요소를 다른 구성요소로부터 구별하기 위해 사용되는 것으로, 구성요소가 상기 용어들에 의해 제한되는 것은 아니다.
이하, 본 발명을 설명함에 있어, 본 발명의 요지를 불필요하게 흐릴 수 있는 관련된 공지 기술에 대한 상세한 설명은 생략한다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시형태를 상세히 설명하기로 한다.
본 발명의 일 실시예에 의한 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법 및 장치에서는 신기능을 담당하는 신장 내 피질과 수질을 포함하는 신실질 자동 분할을 위해 신실질의 다양한 형상을 반영할 수 있는 다중 아틀라스를 사용하고, 훈련 아틀라스와 대상 영상 간 정합의 정확도를 개선하기 위해 피질기반 3차원 유사 정합을 제안하며, 주변기관으로의 누출(leakage)을 방지하기 위해 형상제한 그래프-컷을 제안한다. 또한, 대상 영상 내 신실질 형상과 훈련 아틀라스의 신실질 형상 간 변이가 커서 정합 정확도가 떨어지는 한계를 극복하기 위해 반복적 프레임워크 제안을 통해 정합 정확성을 개선한다.
다중 확률 아틀라스 정보를 이용한 신실질 자동 분할
도 2는 본 발명의 일 실시예에 의한 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법의 흐름도이다.
도 2를 참조하면, 본 발명의 일 실시예에 의한 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법은 다음의 세 단계로 구성된다. 첫째, 신실질의 다양한 형상정보를 이용하기 위해 피질기반 3차원 유사정합을 통해 신실질의 다양한 형상정보를 포함한 다중 확률 아틀라스를 생성한다(단계 S200). 둘째, 최대사후확률 추정을 통해 그래프-컷의 초기 씨앗을 추출하고, 형상제한 그래프-컷을 통해 신실질을 분할함으로써 신실질의 분할시 주변기관으로의 누출을 방지한다(단계 S202). 셋째, 대상영상의 신실질과 훈련 아틀라스의 신실질의 형상 차이가 큰 경우, 정합 및 분할을 반복적으로 수행하여 확률 아틀라스의 정합 오류를 줄여 분할 정확도를 개선한다(단계 S206).
한편, 본 발명의 일 실시예에 의한 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법은, 상기 단계 S202와 상기 단계 S206 사이에, 신실질 내부에 있는 신기능을 담당하지 않는 신장 집뇨계와 신우 주위 지방을 제거하기 위해 임계치 방법 및 연결 요소 레이블링(connected component labeling, CCL) 방법을 통한 후처리 과정(post-processing)을 수행하는 단계(S204)를 더 포함한다.
이하, 도 2 내지 도 6을 참조하여, 본 발명의 일 실시예에 의한 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법 및 장치에 대해 상세히 설명하기로 한다.
피질기반 3차원 유사정합을 통한 다중 확률 아틀라스 생성(단계 S200)
확률 아틀라스(probabilistic atlas) 생성을 위한 대상 영상과 훈련 아틀라스들과의 정합 시 영상 기반 정합을 적용하는 경우 신장의 밝기값과 형태가 다양하여 지역적 최적화 지점에 수렴되어 정합 정확도가 낮아지는 한계가 있다. 또한, 대상 영상과 훈련 아틀라스 간 정합 정확도를 높이기 위해 비강체 정합(non-rigid registration)을 적용하는 경우 수행시간이 오래 걸리는 한계점이 있다. 따라서, 본 발명의 일 실시예에 의한 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법은, 정합의 정확도를 향상시키는 동시에 효율적으로 정합을 수행하기 위해 신장의 피질 정보를 이용한 피질 기반 3차원 유사정합(similarity registration)을 제안한다.
한편, 도 2에 도시된 신장 피질 기반 유사 정합을 통한 확률 아틀라스 생성 단계(단계 S200)는, 도 3에 도시된 바와 같이, 대상 영상과 훈련 아틀라스들에서 밝기값에 기반하여 피질을 분할하는 단계(단계 S300), 상기 대상 영상으로부터 분할된 피질과 상기 훈련 아틀라스들로부터 분할된 피질들을 정합하여 변환값들을 구하는 단계(단계 S302), 상기 변환값들을 상기 훈련 아틀라스들에 적용하는 단계(단계 S304), 및 상기 변환된 훈련 아틀라스들을 상기 대상 영상에 정합하여 확률 아틀라스를 생성하는 단계(단계 S306)를 포함한다.
신장 피질은 신실질의 형상 및 위치 정보를 반영하고, 밝기값이 영상마다 균일하다는 특성을 지니고 있어 본 발명에서는 신장 피질만 추출하여 3차원 유사 정합을 수행한다. 먼저, 신장 피질을 추출하기 위해 도 4(a)와 같이 대상 영상과 훈련 아틀라스에서 신실질을 포함하는 직육면체 형태의 바운딩 볼륨(BV: Bounding Volume)을 지정하고, 도 4(b)와 같이 바운딩 볼륨 내에서 피질의 밝기값인 116-256HU을 임계치로 하여 임계값 기법을 적용하여 피질 마스크를 생성한다(단계 S300).
도 4(d)는 도 4(a)의 신실질 영상의 바운딩 볼륨 내에서의 밝기값 분포이고 도 4(c)는 전문가에 의해 수동 분할된 신실질 분할 영상이다.
대상 영상 및 훈련 아틀라스들로부터 추출된 피질 간 3차원 유사정합을 위해 유사성 척도로 수학식 1과 같이 추출된 피질의 윤곽선 간 평균 거리 차이(Average Distance Difference, ADD)가 산출된 후, 파웰의 최적화 기법(Powell's optimization method)을 이용하여 ADD 값의 변화가 거의 없을 때까지 반복 수행함으로써 최적의 x, y ,z 축 각각의 이동, 크기 및 회전 변환값이 구해진다(단계 S302).
Figure 112016087249449-pat00010
이때, N은 대상 영상의 피질 마스크의 윤곽선 화소 개수이고, Ci A, CB는 각각 훈련 아틀라스의 피질 마스크의 윤곽선과 대상 영상의 피질 마스크의 윤곽선의 화소를 나타내며, D는 Ci A, CB 피질 마스크 윤곽선 화소 간 최소 거리를 계산하는 함수이다. max(D)는 훈련 아틀라스의 피질 마스크의 윤곽선과 대상 영상의 피질 마스크의 윤곽선 간 최대 거리를 나타낸다.
그 다음 상기 변환값들을 상기 훈련 아틀라스들에 적용함으로써 상기 훈련 아틀라스들이 대상 영상에 맞게 변환된다(단계 S304).
그 다음 상기 변환된 훈련 아틀라스들을 상기 대상 영상에 정합하여 확률 아틀라스가 생성된다(단계 S306).
확률 아틀라스는 훈련 아틀라스들을 대상 영상으로 정합하여 생성된 확률 정보로 수학식 2를 통해 생성되며, 대상 영상에서 분할하고자 하는 위치를 확률적으로 제공한다.
Figure 112016087249449-pat00011
이때, N은 훈련아틀라스들의 수를 나타내고, Ai는 i번째 훈련 아틀라스를 나타내며 L은 신실질 또는 배경이 레이블링된 마스크를 나타낸다.
다중 확률 아틀라스 생성 단계에서 피질기반 3차원 유사정합을 사용함으로써 대상 영상과 훈련 아틀라스들과의 정합 시 신실질 주변의 밝기값이 유사한 기관의 영향을 받아 정합 정확도가 낮아지는 한계점을 개선한다.
사전형상 제한 그래프-컷을 통한 신실질 자동 분할(단계 S202)
기존의 그래프-컷 기반 분할에서는 초기 씨앗 정보가 필요하다는 점과 밝기값 기반의 정보를 사용하기 때문에 주변기관으로 누출이 발생하는 한계점이 있다. 따라서 본 발명에서는 초기 분할을 통한 그래프-컷 씨앗을 자동으로 생성하고, 다중 확률 아틀라스를 이용하여 형상정보를 추가한 형상제한 그래프-컷을 통한 신실질 분할을 제안한다.
그래프-컷 분할에서 사용될 초기 씨앗을 자동으로 생성하기 위해 최대사후확률 추청 과정을 통해 신장을 초기 분할한다. 최대사후확률 추정 과정에서는 수학식 3과 같이 대상 영상 I에 대한 신실질 및 배경의 마스크 L의 사후확률(posterior probability)을 각각 복셀에 대하여 최대화시키는 레이블 LMAP을 찾는다. 사후확률 P(L｜I)은 수학식 4와 같이 사전확률(prior probability) P(L)과 우도(likelihood) P(I｜L)의 곱으로 구할 수 있다.
Figure 112016087249449-pat00012
Figure 112016087249449-pat00013
이때, 신실질의 사전확률 P(L)은 다중 확률 아틀라스 정보를 기반으로 해당 위치에 있는 복셀이 신실질 레이블일 확률을 의미한다. 대상 영상 I에 대한 신실질 및 배경 레이블 L의 우도 P(I｜L)는 훈련 아틀라스의 신실질 및 배경별 밝기값 분포를 기반으로 해당 복셀의 밝기값이 신실질 또는 배경에 속할 확률을 의미한다.
P(I｜It,Lt)는 신실질 또는 배경 레이블 Lt 각각에 대한 훈련 아틀라스 영상 It의 히스토그램에 대하여 대상영상 I의 밝기값의 확률이다.
신실질 및 배경에 대한 레이블 LMAP은 다음 단계인 그래프-컷의 씨앗으로 사용하여 분할을 개선하며, 분할할 대상의 형상 및 위치정보를 반영하기 위하여 개선된 형상제한 그래프-컷을 사용한다. 제안한 형상제한 그래프-컷은 수학식 5와 같은 에너지 함수를 최대흐름-최소절단(max-flow min-cut) 알고리즘을 통해 최소화하도록 수행된다.
Figure 112016087249449-pat00014
이때, p∈I는 대상 영상의 복셀을 나타내고, Lp는 복셀 p에서 신실질 및 배경 레이블을 의미하며 N은 이웃한 복셀 쌍(p,q)들의 집합을 의미한다. R은 신실질 및 배경 레이블의 밝기값과 해당 복셀간의 유사도를 나타내는 영역 에너지를 의미하고, B는 이웃하는 복셀간의 밝기값 차이를 나타내는 경계 에너지를 의미하며, S는 분할 대상의 위치 정보를 포함한 형상에너지를 의미한다.
제안한 형상에너지는 다중 확률 아틀라스를 사용하는데 대상 영상과 훈련 아틀라스 간 정합 오류가 큰 경우, 생성된 다중 확률 아틀라스의 값을 형상제한에 사용하기에는 한계가 있다. 본 발명에서는 대상 영상에서 추출된 피질을 충분히 포함할 수 있는 컨벡스-헐(convex hull)을 생성하고, 생성된 컨벡스-헐 내에서의 다중 확률 아틀라스의 확률값을 형상에너지로 적용함으로써 그래프-컷 분할 수행 시 주변기관으로의 누출을 방지한다.
한편, 단계 S204에서는, 신실질 내부에 있는 신기능을 담당하지 않는 신장 집뇨계와 신우 주위 지방 등을 제거하기 위해 임계치 방법 및 연결 요소 레이블링(connected component labeling, CCL) 방법을 통한 후처리 과정(post-processing)이 수행된다.
신장 집뇨계는 신실질과 밝기값이 유사하지만 신장 지방으로 둘러싸여 있는 특징이 있다. 따라서 신장 지방의 밝기값인 -50~120HU에 해당하는 부분을 임계치 기법으로 제거하고 2D 연결요소 레이블링 방법을 통해 떨어져 있는 신장 집뇨계를 제거한다.
신실질 자동 분할 단계는 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용함으로써 밝기값 정보만 사용하고 있는 그래프-컷의 한계점을 개선하여 주변기관으로의 누출을 방지하고, 후처리를 통해 신장 집뇨계와 신우 주위 지방을 제거함으로써 신기능이 있는 신실질 영역에 대한 분할 정확성을 높여준다.
반복적 프레임워크를 통한 신실질 분할 개선(단계 S206)
대상 영상과 훈련 아틀라스 간 정합 시 계산 복잡도가 높은 비선형 정합(non-linear registration) 대신 선형 정합(linear registration)을 수행하기 때문에 확률 아틀라스 내 신실질 형상과 대상 영상의 신실질 형상 차이가 큰 경우 정합 오차로 신실실 분할 정확도가 낮아지는 한계가 있다. 따라서 본 발명에서는 대상 영상의 신실질과 훈련 아틀라스의 신실질의 형상 차이가 큰 경우, 대상 영상의 분할 정확도를 개선하기 위해 훈련 아틀라스 간 정합 및 형상제한 그래프-컷 분할을 반복한다(단계 S206).
확률 아틀라스 생성 단계에서 대상 영상과 훈련 아틀라스 간 피질 기반 3차원 유사정합이 아닌 대상 영상의 분할된 신실질 마스크와 훈련 아틀라스 간 마스크 기반 3차원 유사정합을 수행하여 다중 확률 아틀라스를 생성한다. 이와 같은 반복은 수학식 6과 같이 대상 영상의 신실질 마스크와 훈련 아틀라스의 신실질 마스크 간 ADD 평균과 이전 정합 시의 ADD 평균의 차이가 일정값 이하가 될 때까지 수행된다.
Figure 112016087249449-pat00015
이때, ADDcurr는 현재 반복에서 대상영상과 훈련 아틀라스간의 ADD를 나타나고, ADDprev는 이전 반복에서 대상 영상과 훈련 아틀라스들 간의 ADD를 계산한 값을 나타낸다. ε는 허용 오차 범위로, 실험에 의해 0.2로 정의하였다.
도 5(a) 내지 도 5(e)는 복부 CT 영상에서 단계별 신실질 분할을 도시한 도면이다. 도 5(a)는 오리지널 영상을 도시한 것이고, 도 5(b)는 피질 기반 정합을 통한 확률 아틀라스를 도시한 것이며, 도 5(c)는 형상제한 그래프-컷을 통한 분할 결과를 도시한 것이고, 도 5(d)는 신장 집뇨계와 신우 주위 지방 제거 이후의 분할 결과를 도시한 것이다. 도 5(e)는 신실질의 수동 분할을 도시한 것이다.
한편, 도 6은 본 발명의 일 실시예에 의한 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 장치의 블록도이다.
도 6을 참조하면, 본 발명의 일 실시예에 의한 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 장치는, 대상 영상과 훈련 아틀라스들을 저장하고 있는 영상 저장부(600), 상기 대상 영상과 상기 훈련 아틀라스들 간의 피질 기반 유사 정합을 통하여 신실질에 대한 확률 아틀라스를 생성하는 확률 아틀라스 생성부(602), 상기 생성된 확률 아틀라스에 기반하여 그래프-컷의 초기 씨앗을 추출하고, 형상 제한 그래프-컷을 수행하여 신실질을 분할하는 신실질 분할부(604), 신실질 내부에 있는 신기능을 담당하지 않는 신장 집뇨계와 신우 주위 지방을 제거하기 위해 임계치 방법 및 연결 요소 레이블링(connected component labeling, CCL) 방법을 통한 후처리 과정(post-processing)을 수행하는 신장 집뇨계와 신우 주위 지방 제거부(606), 및 상기 분할된 신실질의 마스크와 훈련 아틀라스들의 신실질 마스크 간의 유사 정합을 통한 확률 아틀라스 생성 및 형상 제한 그래프-컷을 통한 신실질 분할을 반복적으로 수행하는 반복 분할부(608)를 포함한다.
상기 확률 아틀라스 생성부(602)는, 상기 대상 영상과 상기 훈련 아틀라스들에서 밝기값에 기반하여 피질을 분할하는 동작, 상기 대상 영상과 상기 훈련 아틀라스들의 분할된 피질들을 정합하여 변환값들을 구하는 동작, 상기 변환값들을 상기 훈련 아틀라스들에 적용하는 동작, 및 상기 변환된 훈련 아틀라스들을 상기 대상 영상에 정합하여 확률 아틀라스를 생성하는 동작을 수행하도록 구성된다.
상기 신실질 분할부(604)는, 상기 생성된 확률 아틀라스에 기반하여 상기 형상 제한 그래프-컷 분할에서 사용될 초기 씨앗을 자동으로 생성하는 동작 및 상기 초기 씨앗을 사용하여, 신실질 및 배경 레이블의 밝기값과 해당 복셀간의 유사도를 나타내는 영역 에너지, 이웃하는 복셀간의 밝기값 차이를 나타내는 경계 에너지, 및 분할 대상의 위치 정보를 포함하는 형상 에너지의 합인 에너지 함수를 최소화하는 형상 제한 그래프-컷을 수행함으로써 신실질을 분할하는 동작을 수행하도록 구성된다.
본 발명의 일 실시예에 의한 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 장치는, 이전에 설명된 본 발명의 일 실시예에 의한 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법을 수행하도록 동작하며, 각 구성의 동작은 본 발명의 일 실시예에 의한 신실질 자동 분할 방법의 각 단계를 수행하도록 구성되기 때문에, 이에 대한 자세한 설명은 생략하기로 한다.
본 발명의 일 실시예에 의한 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법의 성능을 평가하기 위해 정성적 평가 및 정량적 평가를 수행하였다. 실험결과 본 발명의 일 실시예에 의한 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법이 신실질과 유사한 밝기값을 갖는 주변 영역으로의 누출을 방지하여 개선된 분할 정확도를 보여줌이 확인되었다.
본 발명의 일 실시예에 의한 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법의 평가를 위해 SIEMENS의 Biograph 40, Sensation 64와 SOMATOM CT 기기 또는 GE의 Discovery CT 기기로 촬영된 총 10명의 조영된 동맥기 복부 CT 영상을 사용하였고, 부분신장절제술 후 환자의 4년 후 추적관찰(follow-up) 데이터에 대하여 신실질 분할을 수행하였다. 각 실험 영상의 크기는 512×512 화소, 화소 크기는 0.64×0.64㎟~0.98×0.98㎟이고, 슬라이스 간격은 3㎜, 슬라이스 장수는 151~344장이다. 모든 영상에서 2명의 전문가에 의해 신실질 수동 분할이 수행되었으며, 이는 제안방법의 결과 분석 및 평가에 활용되었다. 실험에서 훈련 아틀라스 및 대상 영상의 분리는 단일잔류(leave-one-out)를 통한 교차검증을 수행하였다.
본 발명의 일 실시예에 의한 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법의 성능은 정성적 평가 및 정량적 평가를 통해 분석하였고 비교방법으로 다중 확률 아틀라스 생성 시 영상기반 유사 정합을 수행한 방법(Method A), 다중 확률 아틀라스 생성 시 피질기반 유사 정합을 수행한 방법(Method B), Method B에서 그래프-컷 수행 시 형상에너지를 추가하여 수행한 방법(Method C), 그리고 Method C에서 반복적 프레임워크를 수행한 방법(Method D)을 사용하였고, 후처리 과정은 모두 동일하게 수행하였다.
정성적 평가에서는 본 발명의 일 실시예에 의한 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법을 적용하여 얻은 결과 영상의 육안평가를 통해 성능을 분석하였고, 정량적 평가에서는 다이스 유사계수(Dice similarity coefficient, DSC), 자카드 계수(Jaccard index, JI), 민감도(Sensitivity), 특이도(Specificity) 및 정확도(Accuracy)를 통해 본 발명의 일 실시예에 의한 신실질 자동 분할 방법의 분할 정확도를 분석하였다.
도 7은 비교 방법과 본 발명의 일 실시예에 의한 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법을 적용하여 신실질을 분할한 결과이다.
도 7(a)는 오리지널 영상을 나타내고, 도 7(b)는 Method A를 통해 신실질을 분할한 결과로 다중 확률 아틀라스의 정합 오차로 인해 신실질 주변 유사 밝기값 기관으로 누출이 상당히 크게 일어날 뿐만 아니라 과소분할(under segmentation) 된 것을 볼 수 있었다.
도 7(c)는 Method B를 통해 신실질을 분할한 결과로 Method A의 결과보다는 어느 정도 누출과 과소분할을 방지하였으나 여전히 주변 유사 밝기값 기관으로 누출이 발생하는 반면, 도 7(d)는 Method C를 통해 신실질을 분할한 결과로 그래프-컷 수행 시 형상정보로 인해 주변 유사 밝기값을 갖는 영역으로의 누출을 방지한 것으로 확인할 수 있었고, 도 7(e)는 Method D를 통해 신실질을 분할한 결과로 반복적인 정합 및 분할을 통해 분할 결과가 개선되어 수동분할 결과와 가장 유사한 것을 확인하였다. 도 7(f)는 수동 분할을 도시한 것이다.
본 발명의 일 실시예에 의한 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법의 분할 정확도를 검증하기 위해 다이스 유사계수(DSC), 자카드 계수(JI), 민감도(Sensitivity), 특이도(precificity) 및 정확도(Accuracy)는 수학식 7을 통해 측정하였다.
Figure 112016087249449-pat00016
이때, A는 수동분할한 신실질 영역이고, B는 본 발명의 일 실시예에 의한 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법을 통해 분할된 신실질 영역이다.
TP(True Positive)는 신실질로 수동분할한 영역에서 신실질로 자동 분할된 영역이고, FN(False Negative)는 신실질로 수동분할한 영역에서 신실질이 아닌 영역으로 자동분할된 영역이며, FP(False Positive)는 신실질이 아닌 영역으로 수동분할한 영역에서 신실질로 자동분할된 영역이고, TN(True Negative)는 신실질이 아닌 영역으로 수동분할한 영역에서 신실질이 아닌 영역으로 자동분할된 영역을 의미한다.
표 1은 실험 데이터에 본 발명의 일 실시예에 의한 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법을 적용하여 얻은 정량적 평가 결과로 Method B를 사용했을 때 Method A보다 다이스 유사계수, 자카드 계수, 민감도, 특이도, 정확도 측면에서 각각 5.7%, 5.9%, 6.8%, 1.1%, 0.5% 향상되었고, Method C를 사용했을 때 Method B보다 다이스 유사계수, 자카드 계수, 민감도, 특이도, 정확도 측면에서 각각 3.1%, 5.2%, 5.4%, 0.4%, 0.6% 향상되었다. 표 1에서 단위는 %이다.
DSC JI Sensitivity Specificity Accuracy
Method A 83.7
(±15.7)		 75.2
(±18.2)		 79.3
(±14.8)		 97.4
(±0.6)		 84
(±15.5)
Method B 89.4
(±3.6)		 81.1
(±5.9)		 86.1
(±4.9)		 98.5
(±0.5)		 84.5
(±1.5)
Method C 92.5
(±2.3)		 86.3
(±3.9)		 91.5
(±3.1)		 98.9
(±0.5)		 85.1
(±1.5)
Method D 92.9
(±2.1)		 86.7
(±3.6)		 92.6
(±2.5)		 98.9
(±0.5)		 86.1
(±1.5)
표 2는 대상 영상의 신실질 형상 변이가 훈련 아틀라스 보다 커서 정합과 분할을 반복하는 5개 데이터에 대하여 실험한 결과로 Method D를 사용했을 때 Method C 보다 다이스 유사계수, 자카드 계수, 민감도, 정확도 측면에서 각각 1.3%, 1.5%, 1.1%, 1.0% 향상되었다. 표 2에서 단위는 %이다.
DSC JI Sensitivity Specificity Accuracy
Method C 91.5
(±8.7)		 85.2
(±12.6)		 91.4
(±11.2)		 98.9
(±0.6)		 85.1
(±1.4)
Method D 92.8
(±2.6)		 86.7
(±2.7)		 92.5
(±2.2)		 98.9
(±0.5)		 86.1
(±1.5)
본 발명의 일 실시예에 의한 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법에서는 조영된 동맥기 복부 CT 영상에서 신실질을 자동으로 분할하는 방법을 제안하였다. 신실질의 다양한 형상정보를 반영하는 다중 확률 아틀라스를 사용하였고, 피질기반 3차원 유사정합을 통해 신장의 위치정보를 반영하였으며, 형상제한 그래프-컷을 통해 주변기관으로의 누출을 방지하였다. 또한, 반복적 프레임워크를 통해 정합의 정확성을 높여 신실질 분할을 개선하였다.
실험을 통해 신실질 분할 제안방법을 통해 얻은 정량적 평가 결과 Method C의 경우, 피질기반 정합과 형상제한 그래프-컷 분할을 수행함으로써 Method A, B 보다 다이스 계수가 향상되었으며, Method D의 경우, 분할과 반복을 한 데이터에 대하여 Method C 보다 다이스 계수가 향상된 것을 알 수 있었다.
본 발명의 일 실시예에 의한 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법은 부분신장절제술 후 환자의 신실질 분할을 통해 부피를 측정할 수 있으므로 시간에 따른 부피변화를 분석하여 부분신장절제술 후 환자의 신기능 예측에 도움을 줄 수 있다.
이상 본 발명을 구체적인 실시예를 통하여 상세하게 설명하였으나, 이는 본 발명을 구체적으로 설명하기 위한 것으로, 본 발명은 이에 한정되지 않으며, 본 발명의 기술적 사상 내에서 당 분야의 통상의 지식을 가진 자에 의해 그 변형이나 개량이 가능함은 명백하다고 할 것이다.
본 발명의 단순한 변형 내지 변경은 모두 본 발명의 영역에 속하는 것으로, 본 발명의 구체적인 보호 범위는 첨부된 청구범위에 의하여 명확해질 것이다.
S200 : 신장 피질 기반 유사 정합을 통한 확률 아틀라스 생성 단계
S202 : 형상 제한 그래프-컷을 통한 신실질 분할 단계
S204 : 신장 집뇨계와 신우 주위 지방 제거 단계
S206 : 정합 및 분할 반복 단계
600 : 영상 데이터 저장부
602 : 확률 아틀라스 생성부
604 : 신실질 분할부
606 : 신장 집뇨계와 신우 주위 지방 제거부
608 : 반복 분할부

Claims (19)

  1. (a) 대상 영상과 훈련 아틀라스들 간의 피질 기반 유사 정합을 통하여 신실질에 대한 확률 아틀라스를 생성하는 단계;
    (b) 상기 생성된 확률 아틀라스에 기반하여 그래프-컷의 초기 씨앗을 추출하고, 형상 제한 그래프-컷을 수행하여 신실질을 분할하는 단계; 및
    (c) 상기 분할된 신실질의 마스크와 훈련 아틀라스들의 신실질 마스크 간의 유사 정합을 통한 확률 아틀라스 생성 단계 및 형상 제한 그래프-컷을 통한 신실질 분할 단계를 반복적으로 수행하는 단계를 포함하고,
    상기 단계 (c)는,
    대상 영상의 신실질 마스크의 윤곽선과 훈련 아틀라스의 신질질 마스크의 윤곽선 간 평균 거리 차이(ADD: Average Distance Difference)의 평균과 이전 정합시 의 ADD 평균의 차이가 소정값 이하가 될 때까지 수행되는, 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법.
  2. 삭제
  3. 삭제
  4. 청구항 1에 있어서,
    상기 단계 (a)는,
    (a-1) 대상 영상과 훈련 아틀라스들에서 밝기값에 기반하여 피질을 분할하는 단계;
    (a-2) 상기 대상 영상으로부터 분할된 피질과 상기 훈련 아틀라스들로부터 분할된 피질들을 정합하여 변환값들을 구하는 단계;
    (a-3) 상기 변환값들을 상기 훈련 아틀라스들에 적용하는 단계; 및
    (a-4) 상기 변환된 훈련 아틀라스들을 상기 대상 영상에 정합하여 확률 아틀라스를 생성하는 단계를 포함하는, 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법.
  5. 청구항 4에 있어서,
    상기 단계 (a-1)은,
    (d-1) 대상 영상과 훈련 아틀라스들에서 신실질을 포함하는 직육면체 형태의 바운딩 볼륨(BV: Bounding Volume)을 지정하는 단계; 및
    (d-2) 상기 바운딩 볼륨 내에서 피질의 밝기값을 임계치로 하여 임계값 기법을 적용하여 피질 마스크를 생성하는 단계를 포함하는, 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법.
  6. 청구항 5에 있어서,
    상기 단계 (a-2)는,
    (e-1) 대상 영상과 훈련 아틀라스들로부터 추출된 피질들 간의 윤곽선 간 평균 거리 차이(ADD: Average Distance Difference)를 수학식 1을 이용하여 구하는 단계; 및
    (e-2) 최적화 기법을 이용하여 상기 ADD 값의 변화가 없을 때까지 x, y, z축 각각의 이동, 크기 및 회전 변환값들을 구하는 단계를 포함하고,
    [수학식 1]
    Figure 112016087249449-pat00017
    이며,
    상기에서, N은 대상 영상의 피질 마스크의 윤곽선 화소 개수이고, Ci A, CB는 각각 훈련 아틀라스의 피질 마스크의 윤곽선과 대상 영상의 피질 마스크의 윤곽선의 화소를 나타내며, D는 Ci A, CB 피질 마스크 윤곽선 화소 간 최소 거리를 계산하는 함수이고, max(D)는 훈련 아틀라스의 피질 마스크의 윤곽선과 대상 영상의 피질 마스크의 윤곽선 간 최대 거리를 나타내는, 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법.
  7. 청구항 6에 있어서,
    상기 단계 (a)에서 상기 확률 아틀라스(PA(L))는, 수학식 2에 기반하여 생성되며,
    [수학식 2]
    Figure 112016087249449-pat00018

    상기에서, N은 훈련 아틀라스들의 수를 나타내고, Ai는 i번째 훈련 아틀라스를 나타내며, L은 신실질 또는 배경이 레이블링된 마스크를 나타내는, 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법.
  8. 청구항 7에 있어서,
    상기 단계 (b)는,
    (b-1) 상기 생성된 확률 아틀라스에 기반하여 상기 형상 제한 그래프-컷 분할에서 사용될 초기 씨앗을 자동으로 생성하는 단계; 및
    (b-2) 상기 초기 씨앗을 사용하여, 신실질 및 배경 레이블의 밝기값과 해당 복셀간의 유사도를 나타내는 영역 에너지, 이웃하는 복셀간의 밝기값 차이를 나타내는 경계 에너지, 및 분할 대상의 위치 정보를 포함하는 형상 에너지의 합인 에너지 함수를 최소화하는 형상 제한 그래프-컷을 수행함으로써 신실질을 분할하는 단계를 포함하는, 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법.
  9. 청구항 8에 있어서,
    수학식 3 및 수학식 4의 최대사후확률 추정을 통해 구해지는 레이블(LMAP)이 상기 단계 (b-1)에서의 상기 초기 씨앗으로서 사용되고,
    [수학식 3]
    Figure 112016087249449-pat00019

    [수학식 4]
    Figure 112016087249449-pat00020

    상기에서, P(L)은 신실질의 사전확률로서 다중 확률 아틀라스 정보를 기반으로 해당 위치에 있는 복셀이 신실질 레이블일 확률을 의미하며, P(I｜L)은 대상 영상(I)에 대한 신실질 및 배경 레이블(L)의 우도로서 훈련 아틀라스의 신실질 및 배경별 밝기값 분포를 기반으로 해당 복셀의 밝기값이 신실질 또는 배경에 속할 확률을 의미하고, P(I｜It,Lt)는 신실질 또는 배경 레이블(Lt)각각에 대한 훈련 아틀라스 영상(It)의 히스토그램에 대하여 대상 영상(I)의 밝기값의 확률인, 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법.
  10. 청구항 9에 있어서,
    상기 에너지 함수(E(L))는 수학식 5에 의해 산출되고,
    [수학식 5]
    Figure 112016087249449-pat00021

    상기에서, p∈I는 대상 영상의 복셀을 나타내며, Lp는 복셀 p에서 신실질 및 배경 레이블을 의미하고, N은 이웃한 복셀 쌍(p,q)들의 집합을 의미하며, R은 신실질 및 배경 레이블의 밝기값과 해당 복셀간의 유사도를 나타내는 상기 영역 에너지를 의미하고, B는 이웃하는 복셀간의 밝기값 차이를 나타내는 상기 경계 에너지를 의미하며, S는 분할 대상의 위치 정보를 포함한 상기 형상 에너지를 나타내는, 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법.
  11. 청구항 10에 있어서,
    상기 형상 제한 그래프-컷 수행 시, 대상 영상에서 추출된 피질을 포함하는 컨벡스-헐(convex hull)을 생성하고 생성된 컨벡스-헐 내에서의 다중 확률 아틀라스의 확률값을 상기 형상 에너지로 적용하는, 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법.
  12. 청구항 11에 있어서,
    상기 단계 (b)와 상기 단계 (c) 사이에,
    신실질 내부에 있는 신기능을 담당하지 않는 신장 집뇨계와 신우 주위 지방을 제거하기 위해 임계치 방법 및 연결 요소 레이블링(connected component labeling, CCL) 방법을 통한 후처리 과정(post-processing)을 수행하는 단계를 더 포함하는, 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법.
  13. 대상 영상과 훈련 아틀라스들을 저장하고 있는 영상 저장부;
    상기 대상 영상과 상기 훈련 아틀라스들 간의 피질 기반 유사 정합을 통하여 신실질에 대한 확률 아틀라스를 생성하는 확률 아틀라스 생성부;
    상기 생성된 확률 아틀라스에 기반하여 그래프-컷의 초기 씨앗을 추출하고, 형상 제한 그래프-컷을 수행하여 신실질을 분할하는 신실질 분할부; 및
    상기 분할된 신실질의 마스크와 훈련 아틀라스들의 신실질 마스크 간의 유사 정합을 통한 확률 아틀라스 생성 동작 및 형상 제한 그래프-컷을 통한 신실질 분할 동작을 반복적으로 수행하는 반복 분할부를 포함하고,
    상기 확률 아틀라스 생성부는,
    상기 대상 영상과 상기 훈련 아틀라스들에서 밝기값에 기반하여 피질을 분할하는 동작;
    상기 대상 영상으로부터 분할된 피질과 상기 훈련 아틀라스들로부터 분할된 피질들을 정합하여 변환값들을 구하는 동작;
    상기 변환값들을 상기 훈련 아틀라스들에 적용하는 동작; 및
    상기 변환된 훈련 아틀라스들을 상기 대상 영상에 정합하여 확률 아틀라스를 생성하는 동작을 수행하도록 구성되며,
    상기 확률 아틀라스(PA(L))는, 수학식 2에 기반하여 생성되고,
    [수학식 2]
    Figure 112017105102012-pat00033

    상기에서, N은 훈련 아틀라스들의 수를 나타내며, Ai는 i번째 훈련 아틀라스를 나타내고, L은 신실질 또는 배경이 레이블링된 마스크를 나타내는, 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 장치.
  14. 삭제
  15. 삭제
  16. 청구항 13에 있어서,
    상기 신실질 분할부는,
    상기 생성된 확률 아틀라스에 기반하여 상기 형상 제한 그래프-컷 분할에서 사용될 초기 씨앗을 자동으로 생성하는 동작; 및
    상기 초기 씨앗을 사용하여, 신실질 및 배경 레이블의 밝기값과 해당 복셀간의 유사도를 나타내는 영역 에너지, 이웃하는 복셀간의 밝기값 차이를 나타내는 경계 에너지, 및 분할 대상의 위치 정보를 포함하는 형상 에너지의 합인 에너지 함수를 최소화하는 형상 제한 그래프-컷을 수행함으로써 신실질을 분할하는 동작을 수행하도록 구성되고,
    수학식 3 및 수학식 4의 최대사후확률 추정을 통해 구해지는 레이블(LMAP)이 상기 초기 씨앗으로서 사용되고,
    [수학식 3]
    Figure 112017105102012-pat00023

    [수학식 4]
    Figure 112017105102012-pat00024

    상기에서, P(L)은 신실질의 사전확률로서 다중 확률 아틀라스 정보를 기반으로 해당 위치에 있는 복셀이 신실질 레이블일 확률을 의미하며, P(I｜L)은 대상 영상(I)에 대한 신실질 및 배경 레이블(L)의 우도로서 훈련 아틀라스의 신실질 및 배경별 밝기값 분포를 기반으로 해당 복셀의 밝기값이 신실질 또는 배경에 속할 확률을 의미하고, P(I｜It,Lt)는 신실질 또는 배경 레이블(Lt)각각에 대한 훈련 아틀라스 영상(It)의 히스토그램에 대하여 대상영상(I)의 밝기값의 확률인, 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 장치.
  17. 청구항 16에 있어서,
    상기 에너지 함수(E(L))는 수학식 5에 의해 산출되고,
    [수학식 5]
    Figure 112016087249449-pat00025

    상기에서, p∈I는 대상 영상의 복셀을 나타내며, Lp는 복셀 p에서 신실질 및 배경 레이블을 의미하고, N은 이웃한 복셀 쌍(p,q)들의 집합을 의미하며, R은 신실질 및 배경 레이블의 밝기값과 해당 복셀간의 유사도를 나타내는 상기 영역 에너지를 의미하고, B는 이웃하는 복셀간의 밝기값 차이를 나타내는 상기 경계 에너지를 의미하며, S는 분할 대상의 위치 정보를 포함한 상기 형상 에너지를 의미하는, 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 장치.
  18. 청구항 17에 있어서,
    상기 형상 제한 그래프-컷 수행 시, 대상 영상에서 추출된 피질을 포함하는 컨벡스-헐(convex hull)을 생성하고 생성된 컨벡스-헐 내에서의 다중 확률 아틀라스의 확률값을 상기 형상 에너지로 적용하는, 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 장치.
  19. 청구항 18에 있어서,
    상기 신실질 분할부와 상기 반복 분할부 사이에,
    신실질 내부에 있는 신기능을 담당하지 않는 신장 집뇨계와 신우 주위 지방을 제거하기 위해 임계치 방법 및 연결 요소 레이블링(connected component labeling, CCL) 방법을 통한 후처리 과정(post-processing)을 수행하는 신장 집뇨계와 신우 주위 지방 제거부를 더 포함하는, 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 장치.
KR1020160114926A 2016-09-07 2016-09-07 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법 및 장치 KR101831340B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160114926A KR101831340B1 (ko) 2016-09-07 2016-09-07 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160114926A KR101831340B1 (ko) 2016-09-07 2016-09-07 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법 및 장치

Publications (1)

Publication Number Publication Date
KR101831340B1 true KR101831340B1 (ko) 2018-02-23

Family

ID=61387167

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160114926A KR101831340B1 (ko) 2016-09-07 2016-09-07 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법 및 장치

Country Status (1)

Country Link
KR (1) KR101831340B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111652890A (zh) * 2020-06-10 2020-09-11 湖南工业大学 一种基于阈值水平集的腹部cta序列图像肝脏分割方法
CN112328896A (zh) * 2020-11-26 2021-02-05 北京百度网讯科技有限公司 用于输出信息的方法、装置、电子设备和介质
CN117690551A (zh) * 2024-02-04 2024-03-12 福建自贸试验区厦门片区Manteia数据科技有限公司 基于等剂量线的并发症发生概率确定装置及电子设备
CN117690551B (zh) * 2024-02-04 2024-06-11 福建自贸试验区厦门片区Manteia数据科技有限公司 基于等剂量线的并发症发生概率确定装置及电子设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014135990A (ja) 2013-01-16 2014-07-28 Fujifilm Corp 医用画像処理装置および方法並びにプログラム

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014135990A (ja) 2013-01-16 2014-07-28 Fujifilm Corp 医用画像処理装置および方法並びにプログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
무릎 자기공명영상에서 지역적 확률 아틀라스 정렬 및 반복적 그래프 컷을 이용한 전방십자인대 분할

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111652890A (zh) * 2020-06-10 2020-09-11 湖南工业大学 一种基于阈值水平集的腹部cta序列图像肝脏分割方法
CN111652890B (zh) * 2020-06-10 2024-05-07 湖南工业大学 一种基于阈值水平集的腹部cta序列图像肝脏分割方法
CN112328896A (zh) * 2020-11-26 2021-02-05 北京百度网讯科技有限公司 用于输出信息的方法、装置、电子设备和介质
CN112328896B (zh) * 2020-11-26 2024-03-15 北京百度网讯科技有限公司 用于输出信息的方法、装置、电子设备和介质
CN117690551A (zh) * 2024-02-04 2024-03-12 福建自贸试验区厦门片区Manteia数据科技有限公司 基于等剂量线的并发症发生概率确定装置及电子设备
CN117690551B (zh) * 2024-02-04 2024-06-11 福建自贸试验区厦门片区Manteia数据科技有限公司 基于等剂量线的并发症发生概率确定装置及电子设备

Similar Documents

Publication Publication Date Title
Wu et al. Automatic liver segmentation on volumetric CT images using supervoxel‐based graph cuts
US9990712B2 (en) Organ detection and segmentation
Saha et al. Digital topology and geometry in medical imaging: a survey
US8457379B2 (en) Method for quantifying organ motion, apparatus therefor, method for estimating organ position, apparatus therefor, method for irradiating radiation, apparatus therefor, and apparatus for detecting abnormal organ
US10083515B2 (en) Method and system for segmenting medical imaging data according to a skeletal atlas
CN108324300B (zh) 用于血管分段的方法和装置
Moghbel et al. Automatic liver segmentation on computed tomography using random walkers for treatment planning
El-Baz et al. A framework for automatic segmentation of lung nodules from low dose chest CT scans
Casiraghi et al. Automatic abdominal organ segmentation from CT images
Jimenez-Carretero et al. Optimal multiresolution 3D level-set method for liver segmentation incorporating local curvature constraints
Arakeri et al. An effective and efficient approach to 3D reconstruction and quantification of brain tumor on magnetic resonance images
Mastmeyer et al. Patch-based label fusion using local confidence-measures and weak segmentations
Du et al. Real-time lesion detection of cardiac coronary artery using deep neural networks
Chen et al. Liver segmentation from CT images based on region growing method
KR101831340B1 (ko) 복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 방법 및 장치
Häme Liver tumor segmentation using implicit surface evolution
Liu et al. Left atrium segmentation in CT volumes with fully convolutional networks
Kitrungrotsakul et al. Interactive deep refinement network for medical image segmentation
Dou et al. Tooth instance segmentation based on capturing dependencies and receptive field adjustment in cone beam computed tomography
Zhang et al. Topology-preserving segmentation network: A deep learning segmentation framework for connected component
Kamencay et al. 3D image reconstruction from 2D CT slices
Alirr et al. Automatic liver segmentation from ct scans using intensity analysis and level-set active contours
Lu et al. An interactive approach to liver segmentation in CT based on deformable model integrated with attractor force
Jalab et al. Fractional Renyi entropy image enhancement for deep segmentation of kidney MRI
CN116051553A (zh) 一种在三维医学模型内部进行标记的方法和装置

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant