KR101875004B1 - 캡슐 내시경 영상을 이용한 자동 출혈 감지 방법 및 컴퓨터 프로그램 - Google Patents

캡슐 내시경 영상을 이용한 자동 출혈 감지 방법 및 컴퓨터 프로그램 Download PDF

Info

Publication number
KR101875004B1
KR101875004B1 KR1020170001543A KR20170001543A KR101875004B1 KR 101875004 B1 KR101875004 B1 KR 101875004B1 KR 1020170001543 A KR1020170001543 A KR 1020170001543A KR 20170001543 A KR20170001543 A KR 20170001543A KR 101875004 B1 KR101875004 B1 KR 101875004B1
Authority
KR
South Korea
Prior art keywords
image
value
brightness
bleeding
hue
Prior art date
Application number
KR1020170001543A
Other languages
English (en)
Inventor
신수용
무하마드 아슬란 우스만
Original Assignee
금오공과대학교 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 금오공과대학교 산학협력단 filed Critical 금오공과대학교 산학협력단
Priority to KR1020170001543A priority Critical patent/KR101875004B1/ko
Application granted granted Critical
Publication of KR101875004B1 publication Critical patent/KR101875004B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
    • A61B1/04—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor combined with photographic or television appliances
    • A61B1/041—Capsule endoscopes for imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/001—Texturing; Colouring; Generation of texture or colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/001—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10068—Endoscopic image

Landscapes

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

Abstract

본 발명은 캡슐 내시경 영상을 이용한 자동 출혈 감지 방법 및 컴퓨터 프로그램에 관한 것으로서, 상기 방법은, 캡슐 내시경 기기로부터 수신한 원본 이미지에 대해 미리 정의된 기준에 따른 이미지 처리를 수행하여 변환된 이미지를 획득하는 이미지 프로세싱 단계; 변환된 이미지로부터 얻은 색조(hue, h), 채도(saturation, s), 명도(value, v)값을 이용하여 미리 정의된 알고리즘의 입력값을 논리 연산하고, 논리 연산을 통해 출혈부 식별 이미지를 획득하는 경계값(threshold) 분석 단계; 및 미리 정의된 필터를 이용하여 상기 출혈부 식별 이미지에 포함된 출혈부를 표시(label)하여 최종 이미지를 획득하는 형태학적 분류 단계를 포함한다.

Description

캡슐 내시경 영상을 이용한 자동 출혈 감지 방법 및 컴퓨터 프로그램 {AUTOMATED BLEEDING DETECTION METHOD AND COMPUTER PROGRAM IN WIRELESS CAPSULE ENDOSCOPY VIDEOS}
본 발명은 캡슐 내시경 영상을 이용한 자동 출혈 감지 방법에 관한 것으로서, 더 상세하게는, 비정상 이미지 검출 기법을 통해 내시경 영상으로부터 자동으로 출혈을 감지하는 방법에 관한 것이다.
최근 몇 년간 무선 캡슐 내시경(Wireless capsule endoscopy; WCE) 기술은 위장 질환을 검출하는데 중요한 역할을 수행하고 있다. 무선 캡슐 내시경은 도 1에 도시한 것과 같은 작은 알약 크기의 캡슐을 환자가 삼키면, 캡슐에 탑재된 마이크로캠이 환자의 위장관을 촬영하여 위장관에 대한 영상 또는 이미지를 획득하는 기술이다. 이러한 무선 캡슐 내시경 기술은 초기에 암과 같은 질병을 발견하여 치료할 수 있고 기존 유선 내시경의 이물감과 삽입 한계를 극복할 수 있어 각광받고 있다.
일반적으로 캡슐 내시경은 8~10시간 정도 동작하여 평균적으로 6만장의 이미지를 촬영하게 되는데, 저장된 이미지들에서 질병 또는 비정상적 부분을 선별하기 위해서는 많은 시간이 소비된다는 문제점이 있다. 또한 캡슐 내시경에 따른 이미지들은 육안으로 비정상부위를 검출하기에는 해상도가 매우 낮다는 문제점이 있다.
선행기술로서, 일본 공개 특허의 종양 검출 방법, 종양 검출 장치 및 프로그램과 같은 기술이 있으나, 이는 인체의 단층 화상에서, 장기 윤곽을 추출하고, 종양 영역을 신경망을 이용하여 검출하는 공정들을 개시하고 있으나, 이러한 기술은 각각의 공정에 시간이 많이 소요되고, 검출 오류 확률이 높아 실용성이 떨어진다는 문제점이 있었다.
일본 공개 특허 제2005-245830호(2005. 09. 15 공개)
본 발명은 상술한 문제점을 해결하기 위하여 도출된 것으로서, 캡슐 내시경 이미지를 통해 비정상 부위를 검출을 용이하게 할 수 있는 자동 출혈 감지 방법을 제안한다.
본 발명은 캡슐 내시경 영상을 이용한 자동 출혈 감지 방법 및 컴퓨터 프로그램에 관한 것으로서, 본 발명의 제1 측면에 따른 방법은, 캡슐 내시경 기기로부터 수신한 원본 이미지에 대해 미리 정의된 기준에 따른 이미지 처리를 수행하여 변환된 이미지를 획득하는 이미지 프로세싱 단계; 변환된 이미지로부터 얻은 색조(hue, h), 채도(saturation, s), 명도(value, v)값을 이용하여 미리 정의된 알고리즘의 입력값을 논리 연산하고, 논리 연산을 통해 출혈부 식별 이미지를 획득하는 경계값(threshold) 분석 단계; 및 미리 정의된 필터를 이용하여 상기 출혈부 식별 이미지에 포함된 출혈부를 표시(label)하여 최종 이미지를 획득하는 형태학적 분류 단계를 포함한다.
본 발명의 제2 측면에 따른 컴퓨터 프로그램은, 하드웨어와 결합되어 자동 출혈 감지 방법을 실행하도록 매체에 저장된 컴퓨터 프로그램으로서, 상기 자동 출혈 감지 방법은, 캡슐 내시경 기기로부터 수신한 원본 이미지에 대해 미리 정의된 기준에 따른 이미지 처리를 수행하여 변환된 이미지를 획득하는 이미지 프로세싱 단계;
상기 변환된 이미지로부터 얻은 색조(hue, h), 채도(saturation, s), 명도(value, v)값을 이용하여 미리 정의된 알고리즘의 입력값을 논리 연산하고, 논리 연산을 통해 출혈부 식별 이미지를 획득하는 경계값(threshold) 분석 단계; 및 미리 정의된 필터를 이용하여 상기 출혈부 식별 이미지에 포함된 출혈부를 표시(label)하여 최종 이미지를 획득하는 형태학적 분류 단계를 포함한다.
본 발명은 잠재적인 비정상들을 나타내는 이미지들에만 집중함으로써, 실제 검사자가 데이터를 검토하는데 걸리는 시간을 절감할 수 있다는 이점이 있다.
본 발명의 자동 출혈 감지 방법에 따른 이미지 처리 및 분석에 의하면, 기존의 분류기에 비해 정확도와 민감도가 높은 분류가 가능하여, 출혈부위의 정확한 검출이 가능해지고, 오검출 확률이 낮아진다는 이점이 있다.
도 1은 종래의 무선 캡슐 내시경에 사용되는 캡슐 기기를 도시한 것이다.
도 2는 본 발명의 일 실시예에 따른 이미지 프로세싱에 있어서, 이미지 향상 처리의 전후 이미지를 도시한 것이다.
3의 (a)는 엣지 영역을 가진 캡슐 내시경 이미지이고, (b)는 본 발명의 일 실시예에 따라 엣지를 제거한 캡슐 내시경 이미지를 나타낸다.
도 4는 본 발명의 일 실시예에 의한 자동 검출 방법에 의한 트레이닝 프로세스의 순서도를 도시한 것이다.
도 5는 본 발명의 일 실시예에 의한 자동 검출 방법의 순서도를 도시한 것이다.
도 6은 본 발명의 일 실시예에 의해 이미지 처리된 캡슐 내시경 영상들을 도시한 것이다.
다수의 도면에서 동일한 지시번호는 동일한 구성요소를 가리킨다.
본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시 예들에 대해서 특정한 구조적 또는 기능적 설명은 단지 본 발명의 개념에 따른 실시 예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시 예들은 다양한 형태들로 실시될 수 있으며 본 명세서에 설명된 실시 예들에 한정되지 않는다.
본 발명의 개념에 따른 실시 예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시 예들을 도면에 예시하고 본 명세서에서 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시 예들을 특정한 개시 형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만, 예컨대 본 발명의 개념에 따른 권리 범위로부터 벗어나지 않은 채, 제1구성 요소는 제2구성 요소로 명명될 수 있고 유사하게 제2구성 요소는 제1구성 요소로도 명명될 수 있다.
어떤 구성 요소가 다른 구성 요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성 요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성 요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성 요소가 다른 구성 요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는 중간에 다른 구성 요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성 요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
본 명세서에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로서, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 본 명세서에 기재된 특징, 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 나타낸다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
본 발명은 캡슐 내시경 영상으로부터 자동 출혈을 감지하기 위한 방법을 제시하며, 본 발명에 의한 방법은 이미지 프로세싱 단계, 경계값 분석 단계 및 형태학적 분류 단계를 포함할 수 있다. 먼저, 이미지 프로세싱 단계는 ⅰ) 이미지 향상 단계, ⅱ) 엣지 검출, 확장 및 제거 단계, ⅲ) HSV 컬러영역으로의 변환 단계를 포함할 수 있다.
도 2는 이미지 프로세싱에 있어서, 이미지 향상 처리의 전후 이미지를 도시한 것이다. 도 2의 (a)는 이미지 향상 처리 전의 이미지이고, (b)는 이미지 향상 처리 후의 이미지를 도시한 것이다. 캡슐 내시경 영상에서 낮은 조명은 진단 정보에 부정적인 영향을 미친다. 이러한 문제점은 이미지 향상(image enhancement) 처리를 통해 극복할 수 있다. 일 실시예로서, 이미지 향상 처리의 한 기법으로 히스토그램 균일화(histogram equalization, HE)를 통해 이미지의 대조(contrast)를 증대시킬 수 있다. 예를 들어, 낮은 대조값을 가진 영역들이 이미지 상에서 더 높은 대조값을 가진 영역들과 균일화될 수 있다. 이는 전체 히스토그램에 걸쳐 픽셀 강도를 균일하게 배분하는 처리과정이다.
본 발명의 일 실시예에서는 캡슐 내시경 영상에 HE를 적용한 후에 이미지 이미지 샤프닝(sharpening) 필터를 통해 이미지를 처리할 수 있다. 도 2의 (a)는 캡슐 내시경 영상의 오리지널 영상을 나타내고, (b)는 히스토그램 균일화와 이미지 샤프닝 처리를 완료한 후의 영상을 나타낸다. 도 2의 (a), (b)를 통해 알 수 있듯이, (a)는 화면이 어둡고 경계가 불명확한데 비해, (b)는 화면의 선명도가 더욱 향상된 것을 확인할 수 있다. 또한 이미지 품질을 평가하기 위한 툴로, PSNR, SSIM, UQI와 같은 이미지 평가 도구를 이용하여 영상의 품질을 평가할 수 있고, 실제로 도 2의 (a)에 비해 (b)가 이미지 품질이 향상된 결과를 g확인할 수 있다.
다음으로, 향상된 이미지에 대한 엣지 검출, 확장 및 제거 단계를 실시할 수 있다. 상술한 것처럼, 캡슐 내시경 영상에서 어두운 부분은 위장관에서 창자의 접힌 부분(folds)을 포함한다. 일반적으로, 이러한 어두운 부분들은 엣지 영역(edge regions)이라 불린다. 대부분의 경우에, 엣지 영역들은 출혈부의 픽셀과 동일한 색조(색상)를 갖는다. 따라서, 만약 엣지 영역들이 제거되지 않으면, 출혈부의 픽셀들로 잘못 검출될 수 있어, 엣지 검출이 필요하다.
일 실시예로서, 엣지 검출 기법으로 캐니 검출 알고리즘(Canny detection algorithm)을 사용할 수 있다. 캐니 검출 알고리즘은 실시간 시나리오에서 빠르고 신뢰성 높은 결과를 낸다. 먼저, 이미지 향상 처리를 통해 향상된 이미지들은 균일한 컬러를 갖는 CIELab으로 변환될 수 있다. CIELab으로 변환된 L 채널 밝기의 캡슐 내시경 이미지들에서 캐니 검출법을 실시할 수 있다. 검출 처리의 출력 결과는 기본적으로 엣지 영역들의 픽셀 위치들이다. 이후에 이러한 픽셀들은 픽셀 확장을 위해 RGB 컬러로 마스크된다.
이미지 확장 처리는, 캡슐 내시경 이미지들에서 어두운 영역들을 모두 커버하기 위하여 확장되는데 필요한 엣지 영역들을 마크함으로써 완료될 수 있다. 이 때, 확장 오퍼레이터(dilation operator)를 이용하는데, 엣지 영역들이 마크된 이미지(Imarked)와 좌표지점 세트 값(Idilate)를 입력값으로 하여 미리 정의된 기준에 따라 확장의 효과를 결정할 수 있다. 이러한 과정을 통해 엣지 검출 및 확장 처리는 RGB 컬러로 마스크된, 확장된 엣지 영역을 가진 이미지를 만들 수 있다.
그 다음으로, 엣지 영역들이 제거된 캡슐 내시경 이미지와 결합될 수 있다. 도 3에서, 캡슐 내시경 이미지의 엣지 제거 방법의 예시를 도시한다. 도 3의 (a)는 엣지 영역을 가진 캡슐 내시경 이미지이고, (b)는 엣지를 제거한 캡슐 내시경 이미지를 나타낸다. 도시된 이미지를 통해 알 수 있듯이, 도 3의 (a)는 엣지 영역들을 그대로 포함하여, 내장의 접힌 부분들이 어두운 색상의 엣지로 나타나는 반면, 엣지 검출, 확장 및 제거 처리 후에는 도 3의 (b)에 도시된 것처럼, 엣지 영역이 모두 제거된 것을 확인할 수 있다. 본 발명의 일 실시예에 따라, 이처럼 캡슐 내시경 영역에서, 엣지 영역들을 모두 제거함으로써, 출혈 부위 검출 시 혼동하지 않도록 구현할 수 있다.
다음으로, HSV 컬러영역으로의 변환 처리를 실시한다. 일반적으로 널리 알려진 RGB 컬러는 각각의 상관도(correlation)가 높다는 단점이 있다. 이에 반해, HSV 컬러는 육안으로 색상을 감지하는 것과 동일한 방식으로 색상을 표현한다. 즉, HSV 컬러는, 색조, 채도, 명도의 3가지 요소를 이용하여 색상을 표현한다. 본 발명의 일 실시예에서는 이미지 처리의 한 단계로서, HSV 컬러로의 변환을 실시할 수 있다. RBG 컬러를 HSV로 변환하기 위해서는 엣지를 제거한 이미지에서, 아래 식(1) 내지 (3)과 같은 등식을 통해 HSV 컬러로 변환할 수 있다.
Cmax=max(R,G,B) -식(1)
Cmin=min(R,G,B) -식(2)
Cdiff= Cmax-Cmin -식(3)
여기서 R, G, B 값은 RGB 컬러 영역에서 0 내지 1 사이의 정규화된 값을 의미하고, 상기 식(1) 내지 (3)으로부터 아래와 같이 색조(hue, h), 채도(saturation, s), 명도(value, v)를 구할 수 있다.
Figure 112017001275030-pat00001
-식(4)
Figure 112017001275030-pat00002
-식(5)
Figure 112017001275030-pat00003
-식(6)
이러한 과정을 통해, 모든 프레임이 HSV 컬러로 변환되고 나면, 색조 채널 범위는 0에서 1 사이의 값을 가질 수 있다. 상술한 것처럼, 이미지의 색조(hue)는 인간이 육안으로 감지하는 것(human visual system, HVS)와 동일한 방법을 갖는데, 출혈된 피의 색조는 짙은 붉은색을 갖지만, 밝은 붉은 색(light red)에서 검붉은색(dark red)까지 다양할 수 있다. 예를 들어, 일반적으로 작은 결장(colon)에서의 출혈이 일어나면, 조직이 붉은색, 분홍색 또는 밝은 보라색 색상으로 변할 수 있다. 변환된 캡슐 내시경 이미지에서 추출되는 첫번째 특징은 픽셀들의 색상에 의존(dependent)한다는 것이다. 색조의 특징은 식(4)로부터 도출된 변환된 캡슐 내시경 이미지로부터 추출된다.
명도 매트릭스인 H1으로부터 추출된 H2는, 경계값(λv)에 의존적이다. 이러한 경계값는 경험적으로 임의의 값을 적용해보는 시행착오(hit and trial) 방식을 통해 얻을 수 있다. H2는 아래 식(7)을 통해 얻을 수 있고, 경계값(λv)보다 작은 모든 색조 체널 픽셀들을 포함한다.
Figure 112017001275030-pat00004
- 식(7)
상술한 것처럼, 출혈부 픽셀의 색조와 엣지 영역의 색조는 거의 유사하여, 색조에 따른 잘못된 검출을 피하기 어렵다. 따라서, 본 발명의 일 실시예에 따라 엣지 검출 및 제거를 실시함으로써, 판단의 오류를 최소화할 수 있다. 또한 채도의 채널은 프레임드에서 색상의 강도 또는 순도를 나타낸다. 출혈부 픽셀의 경우 채도는 흰색에 가까운 밝은 붉은색에서 짙은 붉은색의 범위를 갖는다. 한편, 명도는 엣지 영역들과 출혈부 간에 구별할 수 있는 유일한 특징이다. 따라서, 명도를 분석하되, 제1 경계값(λv1)보다 작은 V2 값과 제2 경계값(λv2)보다 큰 V3 값을 구할 수 있다.
Figure 112017001275030-pat00005
- 식(8)
Figure 112017001275030-pat00006
- 식(9)
여기서, V2와 V3 값은 아주 밝은 영역(예컨대, 백색에 가까운 붉은색)과 어두운 영역(엣지 영역)을 각각 포함하지 않는 명도값이다. 이후에, H2, V2, V3 세가지 값을 AND 연산을 이용하여 아래 식(10)과 같이 결합할 수 있다.
Figure 112017001275030-pat00007
- 식(10)
상기 연산에 따른 I’는 H2, V2, V3의 공통 요소만을 포함하는 이미지를 나타내며, 후술하는 연산에도 이용된다. I’는 노이즈를 고려한 엣지 영역들의 나머지를 제거하는데 도움을 주는 형태학 처리(morphology process)로 전달되고, 일 실시예로서, bwareopen과 같은 필터를 이용할 수 있다. 예를 들어, bwareopen 필터를 이용할 경우, 이미지 I’와 제거될 필욕 있는 픽셀수를 입력값으로 할 수 있다. Bwareopen 필터는 p 픽셀들보다 적게 포함된 모든 목적물과 연결된 요소들을 제거할 수 있다. 다른 실시예로서, area opening 필터로 알려진 필터를 이용할 수도 있다.
필터를 통해 얻은 결과값은 본 발명의 자동 검출 방법을 위한 학습 알고리즘을 학습하는데 이용될 수 있다. 일 실시예로서, 결과값 If는 SVM(support Vector Machine)을 트레이닝하는데 사용될 수 있다. SVM 분류는 트레이닝 목적을 달성하기 위해 예측 변수(predictors)와 라벨(labels)값을 입력값으로 필요로 한다. 일 실시예로서, SVM 분류를 트레이닝하는 데, H1, S 및 V1이 예측변수로 사용될 수 있고, 벡터값인 If가 라벨값으로 사용될 수 있다. 예측변수는 캡슐 내시경 이미지로부터 관심 공간 영역(spatial region of interest, SROI)을 추출하고, 라벨 값은 출혈부의 픽셀들을 포함하는 영역들 표시(highlight)한다.
본 발명의 일 실시예에 의한 트레이닝 프로세스에서는, 25,000개의 출혈부 픽셀과, 50000여 개의 비-출혈부 픽셀들이 이용되었다. 총 HSV 특성들로 연산된 75,000개의 특성들은 최적 분류기(optimal classifier)을 트레이닝하는데 사용된다. 하나의 프레임을 시험하기 위해서, 변환된 WCE 이미지들은 분류기에 전달되고, 만약 프레임이 출혈부의 픽셀을 포함하고 있다면, 해당 프레임은 자동으로 저장된다.
도 4는 본 발명의 일 실시예에 의한 자동 검출 방법에 의한 트레이닝 프로세스의 순서도를 도시한 것이다. 먼저, 트레이닝을 위한 캡슐 내시경이 데이터 세트를 입력한다(410 단계). 캡슐 내시경이 입력되면 RGB에서 HSV로 컬러 스페이스를 변환(conversion)한다(420 단계). 컬러 스페이스 변환 단계에서는 상술한 것처럼, 색조(hue, h), 채도(saturation, s), 명도(value, v)를 구할 수 있다.
이후에, HSV 컬러 스페이스에서 경계값 분석을 실시한다(430 단계). 경계값 분석 단계에서는, 명도를 분석하여, 아주 밝은 색을 포함하지 않는 V2 값과, 어두운 색(엣지 영역)을 포함하지 않는 V3값을 구할 수 있다. 또한 경계값(λv)보다 작은 모든 색조 체널 픽셀들을 포함하는 H2값을 구할 수 있다(440 내지 444 단게).. 다음으로, 본 발명에 의한 자동 검출 시스템은 H2, V2, V3 세 가지 값을 AND 연산하여 결과값을 도출할 수 있다(450 단계). 여기서, AND 연산은 세가지 값이 모두 조건을 만족할 경우에만(입력값이 true인 경우), 출력값이 참(true)으로 나오는 연산을 말한다. AND 연산을 통해 도출한 I’값은 세 가지 값의 공통 요소만을 포함하는 이미지를 나타낼 수 있다.
다음으로, 형태학적 분석 프로세스를 진행하여, 필터링된 If 값을 얻는다(460 단계). 필터를 통해 얻은 결과값 If는 SVM(Support Vector Machine)을 트레이닝하는데 사용될 수 있다(470 단계). SVM 분류는 트레이닝 목적을 달성하기 위해 예측 변수(predictors)와 라벨(labels)값을 입력값으로 필요로 한다. 일 실시예로서, SVM 분류를 트레이닝하는 데, H1, S 및 V1이 예측변수로 사용될 수 있고, 벡터값인 If가 라벨값으로 사용될 수 있다. 예측변수는 캡슐 내시경 이미지의 색조, 채도 명도 값으로 H1, S, V1값이 이용될 수 있다. 예측변수는 캡슐 내시경 이미지로부터 관심 공간 영역(spatial region of interest, SROI)을 추출하고, 라벨 값은 출혈부의 픽셀들을 포함하는 영역들 표시(highlight)한다.
이러한 트레이닝 프로세스를 통해 수많은 다양한 출혈부 영역의 이미지를 얻을 수 있다. 라벨링은 출혈부를 포함하는 이미지들은 양성 샘플(positive sample)로 태그되고, 일반 이미지들은 음성 샘플(negative sample)로 태그되는 방식으로 이루어진다.
도 5는 본 발명의 일 실시예에 의한 자동 검출 방법의 순서도를 도시한 것이다. 자동 검출 방법은 이미지 프로세싱 단계(510)와 분류 처리 단계(570)를 포함할 수 있다. 먼저 캡슐 내시경 영상을 입력하면, 이미지 프로세싱 단계(510)가 시작된다. 이미지 프로세싱 단계는 ⅰ) 이미지 향상 단계(520), ⅱ) 엣지 검출, 확장 및 제거 단계(535, 540), ⅲ) HSV 컬러영역으로의 변환 단계(550, 560)를 포함할 수 있다. 각 단계들은 순차적으로 진행되며, 하나의 프로그램이 한 단계를 완료하면, 다음 프레임이 순차적으로 단계를 진행하도록 구현될 수 있다.
이미지 향상 단계(520)는 히스토그램 균일화 및 이미지 샤프닝 과정을 실시할 수 있다. 이미지 향상 처리를 통해 향상된 이미지들은 균일한 컬러를 갖는 CIELab으로 변환될 수 있다(530). CIELab으로 변환된 L 채널 밝기의 캡슐 내시경 이미지들에서 캐니 검출법을 실시할 수 있다(535). 검출 처리의 출력 결과는 기본적으로 엣지 영역들의 픽셀 위치들이다. 엣지들은 제거되도록 엣지 마스킹을 하는데, 픽셀 확장을 위해 RGB 컬러로 마스크된다(540, 550).
다음으로, HSV 컬러로의 변환을 실시할 수 있다. RBG 컬러를 HSV로 변환하기 위해서는 엣지를 제거한 이미지에서, 미리 정의된 연산 방식을 통해 HSV 컬러로 변환할 수 있다(560).
이미지 프로세싱이 완료되면, 분류 처리를 실시한다. 도 4에 도시된 것처럼, 미리 학습된 분류기(예컨대, SVM 분류기)를 통해 출혈부의 픽셀을 추출해낼 수 있다(580). 추출된 이미지는 검사자의 검토를 위해 자동으로 디렉토리 내에 저장된다(585). 이러한 이미지 프로세싱(510) 및 분류 처리(570) 단계를, 영상의 모든 이미지 프레임에 대해 실시하고, 마지막 프레임에 대한 수행 후에는 시스템을 종료한다(590).
이러한 자동 검출 방법을 도입할 경우, 사람이 오랜 시간동안 물리적으로 영상을 판별해야 하는 시간을 줄일 수 있고, 효율적인 판독이 가능하다는 효과가 있다.
본 발명은 자동 검출 방법의 개발 과정에서, 실제 성능을 평가하기 위하여, 민감도(sensitivity), 특이성(specificity) 및 정확도(accuracy)를 측정하였다. 산출된 민감도 값이 높은 경우, 이는 출혈부를 포함하는 프레임들을 검출할 성능이 강력하다는 것을 의미하고, 특이성 값이 높은 경우는, 출혈부의 프레임들을 비출혈부 프레임들로 분류하는 것과 같은 오검출할 가능성이 적다는 것을 의미한다. 그러나 본 발명의 전체 기능은 정확도 산출에 의해 평가될 수 있다. 본 명세서에서 정확도는 본 발명의 주된 성능 평가기준으로 고려될 수 있으며, 민감도 또한 중요한 평가 기준이 된다. 일 실시예로서, 픽셀 기반의 방법인 PNN 분류 방식과 본 발명의 방식을 비교해보면 아래 표 1과 같이, 본 발명의 정확도, 민감도 및 특이성에 우수한 효과가 있음을 검증할 수 있었다.
본 발명
 PNN 분류기 (Pan et al., 2011)
민감도
 0.94
 0.87
특이성
 0.91
 0.86
정확도
 0.92
 0.86
도 6은 본 발명의 일 실시예에 의해 이미지 처리된 캡슐 내시경 영상들을 도시한 것이다. 도 6의 (a)는 출혈부를 포함한 캡슐 내시경 이미지를 나타낸 것이고, (b)는 HSV 컬러로 변환된 이미지의 색조 값 H2를 추출한 것이다. (b) 이미지는 엣지 영역이 포함된 출혈 영역을 갖는다. 이 이미지는 출혈부가 명백히 식별되지만 동시에 엣지 영역의 일부도 포함하고 있다. (c)는 HSV 이미지에서 엣지 영역을 포함하지 않는 V2 값 추출 이미지를 도시한 것이고, (d)는 아주 밝은 영역을 제거한 V3 값 추출 이미지를 도시한 것이다. (c), (d)를 보면 엣지 영역(검은색 영역)이 제거된 것을 확인할 수 있다. 도 6의 (b), (c), (d)의 3가지 이미지에 대하여 AND 연산을 수행하면, 그 결과는 도 6의 (e)에 도시된 것처럼 공통 부분 영역만을 포함한다. (e)는 본 발명의 자동 검출 방법에 따라, H2, V2, V3를 이용하여 연산한 출력값에 따라 라벨링된 이미지이고, (f)는 형태학적 분류 처리 후 추출된 출혈부 영역으로서, SVM의 트레이닝을 통해 라벨로 제공된 이미지를 나타낸다. 도 6의 (e)에서 일부 다른 픽셀들은 제거되지 않은 실제 남은 엣지 영역들로 식별되므로, 이러한 픽셀들은 형태학적 분류 처리의 도움으로 제거된다. 도 6의 (f)는 형태학적 분류 처리에 따라 이러한 픽셀들이 제거된 최종 필터링된 결과물(If)를 나타내고, 이는 SVM 트레이닝의 입력값 중 하나로 사용된다.
이처럼, 본 발명의 자동 검출 방법을 이용하여 내시경 캡슐 영상을 처리함에 따라, 용이하게 출혈부위의 검출이 가능해진다. 특히, 출혈부와 색조가 비슷한 엣지 영역을 제거함으로써, 검출 오류가 발생할 확률을 낮출 수 있다. 또한 본 발명의 검출 방법은 여러가지 검증 방법에 따라 정확도와 민감도가 우수하다는 결론을 얻을 수 있다.
본 발명은 도면에 도시된 일 실시 예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 등록청구범위의 기술적 사상에 의해 정해져야 할 것이다.

Claims (18)

  1. 캡슐 내시경 기기로부터 수신한 원본 이미지에 대해 미리 정의된 기준에 따른 이미지 처리를 수행하여 변환된 이미지를 획득하는 이미지 프로세싱 단계;
    상기 변환된 이미지로부터 얻은 색조(hue, h), 채도(saturation, s), 명도(value, v)값을 이용하여 미리 정의된 알고리즘의 입력값을 논리 연산하고, 논리 연산을 통해 출혈부 식별 이미지를 획득하는 경계값(threshold) 분석 단계; 및
    미리 정의된 필터를 이용하여 상기 출혈부 식별 이미지에 포함된 출혈부를 표시(label)하여 최종 이미지를 획득하는 형태학적 분류 단계를 포함하며,
    상기 경계값 분석 단계는, 색조 경계값(λv)보다 작은 모든 색조 채널 픽셀들을 포함하는 제2 색조값(H2), 제1 명도 경계값(λv1)보다 작은 제2 명도값(V2)과 제2 명도 경계값(λv2)보다 큰 제3 명도값(V3)을 산출하고,
    상기 제2 색조값(H2), 상기 제2 명도값(V2), 상기 제3 명도값(V3)을 AND 연산하여, 공통 부분을 추출해내는 것을 특징으로 하는, 캡슐 내시경 영상을 이용한 자동 출혈 감지 방법.
  2. 제 1 항에 있어서,
    상기 이미지 프로세싱 단계는, 이미지 향상 단계, 엣지 검출 및 제거 단계, 및 HSV 컬러영역으로의 변환 단계를 포함하는 것을 특징으로 하는, 캡슐 내시경 영상을 이용한 자동 출혈 감지 방법.
  3. 제 2 항에 있어서,
    상기 이미지 향상 단계는 히스토그램 균일화 처리 및 이미지 샤프닝(sharpening) 처리 중 적어도 하나의 처리를 수행하는 것을 특징으로 하는, 캡슐 내시경 영상을 이용한 자동 출혈 감지 방법.
  4. 제 2 항에 있어서,
    상기 엣지 검출 및 제거 단계는, 이미지 향상 단계를 거친 이미지에 대하여 균일한 색상을 갖도록 변환하고, RGB 컬러로 마스크하여 이미지를 확장하고, 확장된 이미지에서 엣지 영역을 제거하는 것을 특징으로 하는, 캡슐 내시경 영상을 이용한 자동 출혈 감지 방법.
  5. 제 2 항에 있어서,
    상기 HSV 컬러영역으로의 변환 단계는, RGB 컬러 영역에서 HSV 컬러 영역으로 변환하여 색조, 채도, 명도 값을 산출하는 것을 특징으로 하는, 캡슐 내시경 영상을 이용한 자동 출혈 감지 방법.
  6. 삭제
  7. 제 1 항에 있어서,
    상기 형태학적 분류 단계는, 예측변수를 통해 관심 공간 영역을 추출하고, 라벨값을 통해 출혈부의 픽셀들을 포함하는 영역을 표시하고,
    상기 예측변수는 상기 제2 색조값(H2), 상기 제2 명도값(V2), 상기 제3 명도값(V3)를 포함하고,
    상기 라벨값은 상기 AND 연산을 통해 공통 부분을 추출한 벡터값(If)인 것을 특징으로 하는, 캡슐 내시경 영상을 이용한 자동 출혈 감지 방법.
  8. 제 7 항에 있어서,
    상기 형태학적 분류 단계는, 라벨링을 통해 출혈부를 포함하는 이미지들은 양성 샘플(positive sample)로 태그되고, 일반 이미지들은 음성 샘플(negative sample)로 태그되도록 분류되어 각각의 최종 이미지를 획득하는 것을 특징으로 하는, 캡슐 내시경 영상을 이용한 자동 출혈 감지 방법.
  9. 제 7 항에 있어서,
    상기 라벨값은 SVM(support Vector Machine)을 트레이닝하기 위한 입력값이 되는 것을 특징으로 하는, 캡슐 내시경 영상을 이용한 자동 출혈 감지 방법.
  10. 하드웨어와 결합되어 자동 출혈 감지 방법을 실행하도록 매체에 저장된 컴퓨터 프로그램으로서, 상기 자동 출혈 감지 방법은,
    캡슐 내시경 기기로부터 수신한 원본 이미지에 대해 미리 정의된 기준에 따른 이미지 처리를 수행하여 변환된 이미지를 획득하는 이미지 프로세싱 단계;
    상기 변환된 이미지로부터 얻은 색조(hue, h), 채도(saturation, s), 명도(value, v)값을 이용하여 미리 정의된 알고리즘의 입력값을 논리 연산하고, 논리 연산을 통해 출혈부 식별 이미지를 획득하는 경계값(threshold) 분석 단계; 및
    미리 정의된 필터를 이용하여 상기 출혈부 식별 이미지에 포함된 출혈부를 표시(label)하여 최종 이미지를 획득하는 형태학적 분류 단계를 포함하며,
    상기 경계값 분석 단계는, 색조 경계값(λv)보다 작은 모든 색조 채널 픽셀들을 포함하는 제2 색조값(H2), 제1 명도 경계값(λv1)보다 작은 제2 명도값(V2)과 제2 명도 경계값(λv2)보다 큰 제3 명도값(V3)을 산출하고,
    상기 제2 색조값(H2), 상기 제2 명도값(V2), 상기 제3 명도값(V3)을 AND 연산하여, 공통 부분을 추출해내는 것을 특징으로 하는, 자동 출혈 감지 컴퓨터 프로그램.
  11. 제 10 항에 있어서,
    상기 이미지 프로세싱 단계는, 이미지 향상 단계, 엣지 검출 및 제거 단계, 및 HSV 컬러영역으로의 변환 단계를 포함하는 것을 특징으로 하는 자동 출혈 감지 컴퓨터 프로그램.
  12. 제 11 항에 있어서,
    상기 이미지 향상 단계는 히스토그램 균일화 처리 및 이미지 샤프닝(sharpening) 처리 중 적어도 하나의 처리를 수행하는 것을 특징으로 하는 자동 출혈 감지 컴퓨터 프로그램.
  13. 제 11 항에 있어서,
    상기 엣지 검출 및 제거 단계는, 이미지 향상 단계를 거친 이미지에 대하여 균일한 색상을 갖도록 변환하고, RGB 컬러로 마스크하여 이미지를 확장하고, 확장된 이미지에서 엣지 영역을 제거하는 것을 특징으로 하는, 자동 출혈 감지 컴퓨터 프로그램.
  14. 제 11 항에 있어서,
    상기 HSV 컬러영역으로의 변환 단계는, RGB 컬러 영역에서 HSV 컬러 영역으로 변환하여 색조, 채도, 명도 값을 산출하는 것을 특징으로 하는, 자동 출혈 감지 컴퓨터 프로그램.
  15. 삭제
  16. 제 10 항에 있어서,
    상기 형태학적 분류 단계는, 예측변수를 통해 관심 공간 영역을 추출하고, 라벨값을 통해 출혈부의 픽셀들을 포함하는 영역을 표시하고,
    상기 예측변수는 상기 제2 색조값(H2), 상기 제2 명도값(V2), 상기 제3 명도값(V3)를 포함하고,
    상기 라벨값은 상기 AND 연산을 통해 공통 부분을 추출한 벡터값(If)인 것을 특징으로 하는, 자동 출혈 감지 컴퓨터 프로그램.
  17. 제 16 항에 있어서,
    상기 형태학적 분류 단계는, 라벨링을 통해 출혈부를 포함하는 이미지들은 양성 샘플(positive sample)로 태그되고, 일반 이미지들은 음성 샘플(negative sample)로 태그되도록 분류되어 각각의 최종 이미지를 획득하는 것을 특징으로 하는, 자동 출혈 감지 컴퓨터 프로그램.
  18. 제 16 항에 있어서,
    상기 라벨값은 SVM(support Vector Machine)을 트레이닝하기 위한 입력값이 되는 것을 특징으로 하는, 자동 출혈 감지 컴퓨터 프로그램.
KR1020170001543A 2017-01-04 2017-01-04 캡슐 내시경 영상을 이용한 자동 출혈 감지 방법 및 컴퓨터 프로그램 KR101875004B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170001543A KR101875004B1 (ko) 2017-01-04 2017-01-04 캡슐 내시경 영상을 이용한 자동 출혈 감지 방법 및 컴퓨터 프로그램

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170001543A KR101875004B1 (ko) 2017-01-04 2017-01-04 캡슐 내시경 영상을 이용한 자동 출혈 감지 방법 및 컴퓨터 프로그램

Publications (1)

Publication Number Publication Date
KR101875004B1 true KR101875004B1 (ko) 2018-07-05

Family

ID=62920094

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170001543A KR101875004B1 (ko) 2017-01-04 2017-01-04 캡슐 내시경 영상을 이용한 자동 출혈 감지 방법 및 컴퓨터 프로그램

Country Status (1)

Country Link
KR (1) KR101875004B1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200094565A (ko) * 2019-01-30 2020-08-07 가톨릭대학교 산학협력단 인공지능 기반 캡슐 내시경 영상 판독 방법 및 시스템
WO2021112436A1 (ko) * 2019-12-05 2021-06-10 동국대학교 산학협력단 장 정결도의 자동화 계산 장치 및 방법
CN115082739A (zh) * 2022-07-01 2022-09-20 苏州慧维智能医疗科技有限公司 基于卷积神经网络的内窥镜评估方法及评估系统
CN115660990A (zh) * 2022-10-31 2023-01-31 安徽大学 基于亮度分类的内窥镜图像镜面反射检测与修复方法
KR20230039932A (ko) 2021-09-15 2023-03-22 안명천 출혈 감지 시스템 및 방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004521693A (ja) 2001-03-14 2004-07-22 ギブン・イメージング・リミテッド 生体内での比色分析の異常を検出するための方法およびシステム

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004521693A (ja) 2001-03-14 2004-07-22 ギブン・イメージング・リミテッド 生体内での比色分析の異常を検出するための方法およびシステム

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
논문1
논문2

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200094565A (ko) * 2019-01-30 2020-08-07 가톨릭대학교 산학협력단 인공지능 기반 캡슐 내시경 영상 판독 방법 및 시스템
KR102221943B1 (ko) * 2019-01-30 2021-03-04 가톨릭대학교 산학협력단 인공지능 기반 캡슐 내시경 영상 판독 방법 및 시스템
WO2021112436A1 (ko) * 2019-12-05 2021-06-10 동국대학교 산학협력단 장 정결도의 자동화 계산 장치 및 방법
KR20210071173A (ko) * 2019-12-05 2021-06-16 동국대학교 산학협력단 장 정결도의 자동화 계산 장치 및 방법
KR102595429B1 (ko) * 2019-12-05 2023-11-01 동국대학교 산학협력단 장 정결도의 자동화 계산 장치 및 방법
KR20230039932A (ko) 2021-09-15 2023-03-22 안명천 출혈 감지 시스템 및 방법
CN115082739A (zh) * 2022-07-01 2022-09-20 苏州慧维智能医疗科技有限公司 基于卷积神经网络的内窥镜评估方法及评估系统
CN115082739B (zh) * 2022-07-01 2023-09-01 苏州慧维智能医疗科技有限公司 基于卷积神经网络的内窥镜评估方法及评估系统
CN115660990A (zh) * 2022-10-31 2023-01-31 安徽大学 基于亮度分类的内窥镜图像镜面反射检测与修复方法

Similar Documents

Publication Publication Date Title
KR101875004B1 (ko) 캡슐 내시경 영상을 이용한 자동 출혈 감지 방법 및 컴퓨터 프로그램
CN107451998B (zh) 一种眼底图像质量控制方法
US9959618B2 (en) Image processing apparatus, image processing method, and computer-readable recording medium
US8131054B2 (en) Computerized image analysis for acetic acid induced cervical intraepithelial neoplasia
US5528703A (en) Method for identifying objects using data processing techniques
US20170004625A1 (en) Image processing apparatus, image processing method, and computer-readable recording medium
EP1875855B1 (en) Image processing apparatus, image processing method, and image processing program
CN109635871B (zh) 一种基于多特征融合的胶囊内窥镜图像分类方法
CN103327883A (zh) 医用图像处理装置和医用图像处理方法
CN110189303B (zh) 一种基于深度学习和图像增强的nbi图像处理方法及其应用
CN110866932A (zh) 多通道舌体边缘检测装置、方法及存储介质
Xiao et al. Retinal hemorrhage detection by rule-based and machine learning approach
Yuan et al. Automatic bleeding frame detection in the wireless capsule endoscopy images
KR20160118037A (ko) 의료 영상으로부터 병변의 위치를 자동으로 감지하는 장치 및 그 방법
Ghosh et al. A feature extraction scheme from region of interest of wireless capsule endoscopy images for automatic bleeding detection
KR102095730B1 (ko) 딥러닝 기반의 대장 병변 검출 방법
Ghosh et al. An automatic bleeding detection technique in wireless capsule endoscopy from region of interest
Chen et al. Ulcer detection in wireless capsule endoscopy video
Aleena et al. Retinal lesions detection for screening of diabetic retinopathy
CN110974121B (zh) 一种判断消化内窥镜检查是否染色的方法及系统
Zhou et al. Wireless capsule endoscopy video automatic segmentation
van Dongen et al. Automatic assessment of informative frames in endoscopic video
Ciobanu et al. Steps towards computer-assisted classification of colonoscopy video frames
KR102623871B1 (ko) 의료영상의 처리시스템 및 처리 방법
Cui et al. Detection of lymphangiectasia disease from wireless capsule endoscopy images with adaptive threshold

Legal Events

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