KR101892949B1 - 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 방법 및 장치 - Google Patents

복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 방법 및 장치 Download PDF

Info

Publication number
KR101892949B1
KR101892949B1 KR1020170099533A KR20170099533A KR101892949B1 KR 101892949 B1 KR101892949 B1 KR 101892949B1 KR 1020170099533 A KR1020170099533 A KR 1020170099533A KR 20170099533 A KR20170099533 A KR 20170099533A KR 101892949 B1 KR101892949 B1 KR 101892949B1
Authority
KR
South Korea
Prior art keywords
atlas
mask
image
brightness value
training
Prior art date
Application number
KR1020170099533A
Other languages
English (en)
Inventor
홍헬렌
김현진
Original Assignee
서울여자대학교 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 filed Critical 서울여자대학교 산학협력단
Priority to KR1020170099533A priority Critical patent/KR101892949B1/ko
Application granted granted Critical
Publication of KR101892949B1 publication Critical patent/KR101892949B1/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
    • 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
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]

Landscapes

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

Abstract

본 발명의 일 실시예에 의한 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 방법은, (a) 복부 컴퓨터단층촬영(CT) 영상인 대상 영상 및 훈련 아틀라스 영상을 입력으로 하여, 뼈 영역 기반의 유사 정합 및 장기 영역 내 밝기값 유사도 측정을 사용하여 상기 대상 영상의 복부 장기 영역과 유사한 훈련 아틀라스 영상을 선정하는 단계; (b) 상기 대상 영상과 상기 선정된 훈련 아틀라스 영상 간 영상 기반 유사 정합을 통해 상기 대상 영상에서 초기 복부 장기 마스크를 분할하는 단계; 및 (c) 간, 좌우 신장 및 비장 영역에 대해 상기 초기 복부 장기 마스크와 상기 선정된 훈련 아틀라스 간 마스크 기반 어파인 정합을 수행하여 상기 대상 영상에서 간, 좌우 신장 및 비장에 대한 개선된 마스크를 최종 분할하는 단계를 포함한다.

Description

복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 방법 및 장치{METHOD AND APPARATUS FOR HIERARCHICAL ORGAN SEGMENTATION USING SHAPE AND INTENSITY INFORMATION BASED ON MULTI-ATLAS IN ABDOMINAL CT IMAGES}
본 발명은 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 방법 및 장치에 관한 것이다.
최근 복강경 및 로봇 수술이 많아짐에 따라 수술 전 리허설 및 수술계획을 위해 복부 컴퓨터 단층촬영(Computed Tomography, CT) 영상에서 복부 장기를 분할하여 모델링하는 것이 필요하다[1,2]. 또한 복부 장기에서 발생하는 암 주변 장기의 방사선 조사를 최소화하기 위한 방사선 치료 계획을 세우는데도 장기 분할이 선행되어야 한다[3,4]. 이때, 임상 전문의가 수동으로 장기를 분할하거나 반자동 분할 프로그램을 이용하여 복부 장기를 분할하는 경우, 시간이 오래 걸리고, 임상 전문의 간 분할 결과에 차이가 발생하는 한계가 있어 복부 장기를 자동으로 분할하는 연구가 진행되고 있다[1,3,4,5,6,7,8,9,10]. 그러나 도 1과 같이 복부 CT 영상에서 복부 장기들의 위치가 서로 인접해 있고, 밝기값이 유사하여 자동 분할 시 주변에 유사한 밝기값을 가진 장기로의 누출(leakage)이 발생하여 정확한 장기 분할에 한계가 있다.
복부 CT 영상에서 복부 장기를 자동 분할 연구는 변형모델 기반, 확률 아틀라스 기반, 분류 기반 방법으로 나누어 볼 수 있다. 변형모델 기반 방법에서는 주로 레벨-셋 기법을 이용하여 복부 장기를 분할하였으며 다음과 같은 연구가 있다.
Campadelli[3] 등은 복부 장기 중 간, 신장, 비장에 대하여 해당 장기를 포함한 몸통 박스(body box)를 수동으로 위치화한 후, 밝기값을 이용하여 대략적으로 장기를 추출하고, 거리 값 임계치를 달리한 두 번의 패스트 마칭 방법(fast marching method)을 통하여 분할 결과를 개선한 후 후처리를 수행하여 장기를 분할하였다. Wang[4] 등은 300HU 임계치로 하여 초기 씨앗점 영역을 추출하고, 이들 영역에서 레벨-셋 기법을 이용하여 0HU 밝기값 이내에서 피부층과 지방을 분할한 후, 레벨-셋 기법을 통해 첫 번째 레벨에서는 복부 체강(ventral cavity), 두 번째 레벨에서는 흉강(thoracic cavity) 및 복골반강(abdominopelvic cavity), 세 번째 레벨에서는 복부 장기의 모델을 이용하여 분할하는 순으로 전체 복강에서 장기까지 큰 영역 분할 후 그 내에서 작은 영역 분할 순으로 순차적으로 수행하였다.
하지만 변형모델 기반으로 복부 장기를 분할하는 경우 밝기값이 유사한 장기가 인접해 있을 경우 다른 장기로의 누출(leakage)이 발생하고 장기에 암이 있는 경우 밝기값이 상이하여 분할이 덜 되어 분할 정확도가 떨어지는 한계가 있다.
확률 아틀라스 기반 방법에서는 훈련 아틀라스들을 대상 영상에 정렬하여 정렬된 마스크의 확률값을 계산하여 나온 확률 아틀라스를 이용하여 복부 장기를 분할하였으며 다음과 같은 연구가 있다.
Burke[5] 등은 훈련 데이터를 이용하여 복부 장기의 가우시안 혼합모델(Gaussian Mixture Model, GMM)을 생성한 후 이를 이용하여 대상 영상에서 사후확률을 계산하고, 훈련 아틀라스와의 강체, 어파인, 비강체 정합을 통해 정렬하여 확률 아틀라스를 생성한 후 사후확률과 확률아틀라스를 결합하여 나온 최대 확률로 복부 장기를 분할하였다. Linguraru[6] 등은 하나의 훈련 아틀라스에 다른 훈련 아틀라스의 영상 및 장기 간 어파인 정합을 통하여 정렬하여 확률 아틀라스를 생성한 후 확률 아틀라스와 대상 영상 간 비강체 정합을 수행하고 최단거리 활성 외곽선(Geodesic Active Contour)을 이용하여 복부 장기를 분할한 후 장기의 밝기값 임계치를 설정하여 임계치 내에 있는 분할 결과만 선정함으로써 유사 밝기값의 다른 장기를 제거하여 분할 결과를 개선하였다. Kim[7] 등은 훈련 아틀라스들을 대상 영상에 정렬하여 정렬된 마스크에 밝기값 기반 가중치를 주어 초기 아틀라스를 생성한 후 이를 이용하여 마스크 기반 어파인 정합을 통해 분할 결과를 개선하였다. 하지만 확률 아틀라스를 이용하여 복부 장기를 분할하는 경우, 환자 다양성으로 인한 아틀라스 정합 오류로 인해 분할 정확성에 영향을 미치는 한계가 있다.
이와 같은 문제를 줄이기 위하여 Wolz[1] 등은 대상 영상과 훈련 아틀라스를 정렬하여 밝기값 유사도를 측정한 후 설정된 임계치 이하일 경우 유사 아틀라스로 선정하고, 정렬된 영상에서 장기 영역에서의 밝기값 유사도 및 각각 복셀의 패치와 주변 복셀의 패치 내 밝기값을 측정하여 유사도를 계산한 후 이를 이용하여 확률 아틀라스를 생성한 후 그래프-컷을 통하여 최종적으로 복부 장기를 분할하였다. Oda[8] 등은 훈련 영상 간 비강체 정합을 수행한 후 정규화된 상호 상관(Normalized cross correlation, NCC)을 측정하여 훈련 아틀라스 내에서 유사 아틀라스끼리 분류(clustering)하고, 분류 영역에서 각각 평균 영상을 생성한 후, 대상 영상과 분류 영역의 평균 영상을 비교하여 유사한 평균 영상의 분류 영역을 선택한 후 그 안에 있는 훈련 영상을 사용하여 확률 아틀라스 생성 및 그래프-컷을 통하여 복부 장기를 분할하였다. 하지만 훈련 영상을 분류하는 과정에서 영상 기반 밝기값 유사도를 통해 분류한 것으로 장기 내부의 밝기값 유사 정도를 반영하기 힘들다는 한계가 있다.
분류 기반 방법에서는 훈련 영상을 이용해서 특징을 추출하여 분류기를 생성한 후 대상 영상에 해당 분류기를 적용하여 복부 장기를 분할하였으며 다음과 같은 연구가 있다.
Zografos[9] 등은 훈련 영상을 이용하여 밝기값이 유사한 인접한 복셀들을 그룹화하여 슈퍼 복셀(super voxel)을 생성한 후 텍스처, 형태, 이웃 맥락(neighbourhood context)의 혼합 특징벡터를 사용하여 분류기를 생성한 후 대상 영상에 적용하여 복부 장기를 분할하였다. Selver[10] 등은 공간 정보, 밝기값, 공간적 텍스처 정보, 스펙트럼 텍스처 정보, 테두리 정보를 이용하여 멀티 레벨의 계층적 신경망(multi-level and hierarchical neural network, MHNN)을 생성한 후 이를 이용하여 슬라이스 별로 반자동으로 복부 장기를 분할하였다. 하지만 정확한 기관 형태를 고려하지 않기 때문에 정확한 장기 분할이 어려워 정확도가 떨어진다는 한계가 있다.
[1] R. Wolz, C. Chu, K. Misawa, M. Fujiwara, K. Mori, and D. Rueckert, "Automated Abdominal Multi-Organ Segmentation With Subject-Specific Atlas Generation," IEEE Transactions on Medical Imaging, Vol. 32, No. 9, pp. 1723-1730, 2013. [2] J. Bano, A. Hostettler, S.A. Nicolau, S. Cotin, C. Doignons, H.S. Wu et al, "Simulation of Pneumoperitoneum for Laparoscopic Surgery Planning," MICCAI'12 Proceedings of the 15th international Conference on Medical Image Computing and Computer-Assisted Intervention, Part 1, LNCS 7510, pp. 91-98, 2012. [3] P. Campadelli, E. Casiraghi, and S. Pratissoli, "A Segmentation Framework for Abdominal Organs from CT Scans," Journal of Artificial Intelligence in Medicine, Vol. 50, Issue 1, pp. 3-11, 2010. [4] C. Wang and O. Smedby, "Automatic Multi-organ Segmentation using Fast Model based Level Set Method and Hierarchical Shape Priors," Proceedings of the VISCERAL Organ Segmentation and Landmark Detection Challenge co-located with IEEE Internaational Symposium on Biomedical Imaging, pp. 25-31, 2014. [5] R.P. Burke, Z. Xu, C.P. Lee, and R.B. Baucom, "Multi-Atlas Segmentation for Abdominal Organs with Gaussian Mixture Models," SPIE Medical Imaging, Vol. 9417, No. 7, 2013. [6] M.G. Linguraru, J.K. Sandberg, Z. Li, F. Shah, and R.M. Summers, "Automated Segmentation and Qunatification of Liver and Spleen from CT Images using Normalized Probabilistic Atlas and Enhancement Estimation," Medical Physics, Vol. 37, No. 2, pp. 771-783, 2010. [7] H. Kim, H. Kim. H. Lee, and H. Hong, "Hierarchical Multi-Atlas Segmentation of Organs on Abdominal CT Images," Proceeding of Spring Conference of the Korea Multimedia Society 2016, Vol. 19, No. 1, pp. 183-184, 2016. [8] M. Oda, T. Nakaoka, T. Kitasaka, K. Furukawa, K. Misawa, and M. Fujiwara et al, "Organ Segmentation from 3D Abdominal CT Images Based on Atlas Selection and Graph Cut," MICCAI'11 Proceedings of the Third International Conference on Abdominal Imaging: Computational and Clinical Applications, pp. 181-188, 2011. [9] V. Zografos, A. Valentinitsch, M. Rempfler, F. Tombari, and B. Menze, "Hierarchical Multi-organ Segmentation without Registration in 3D Abdominal CT Images," MICCAI MCV Workshop 2015, LNCS 9601, pp. 37-46, 2016. [10] M.A. Selver, "Segmentation of Abdominal Organs from CT using a Multi-level, Hierarchical Neural Network Strategy," Computer Methods and Programs in Biomedicine, Vol. 113, Issue 3, pp. 830-852, 2014. [11] D. Kang and J. Ha, Digital Image Processing, INFINITYBOOKS, Korea, 2010. [12] H. Kim, H. Kim, H. Lee, and H. Hong, "Automatic Segmentation of Femoral Cartilage in Knee MR Images using Multi-atlas-based Locally-weighted Voting," Journal of Korean Institute Information Scientists and Engineers, Vol. 43, No. 8, pp. 869-877, 2016. [13] H. Jo, H. Hong, and J. Goo, "Pulmonary Nodule Registration in Serial CT Scans using Global Rib Matching and Nodule Template Matching," Computers in Biology and Medicine, Vol. 45, pp. 87-97, 2014.
본 발명이 해결하고자 하는 과제는 장기 분할 시 밝기값이 유사한 다른 장기로의 누출을 방지하고 환자 다양성으로 인한 아틀라스 정합 오류로 인해 분할 정확성이 떨어지는 것을 방지하며 위치적, 형태적 다양성에 대해 강인하게 분할을 수행하여 분할 정확도를 향상시킬 수 있는, 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 방법을 제공하는 것이다.
본 발명이 해결하고자 하는 다른 과제는 장기 분할 시 밝기값이 유사한 다른 장기로의 누출을 방지하고 환자 다양성으로 인한 아틀라스 정합 오류로 인해 분할 정확성이 떨어지는 것을 방지하며 위치적, 형태적 다양성에 대해 강인하게 분할을 수행하여 분할 정확도를 향상시킬 수 있는, 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 장치를 제공하는 것이다.
상기 과제를 해결하기 위한 본 발명의 일 실시예에 의한 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 방법은,
(a) 복부 컴퓨터단층촬영(CT) 영상인 대상 영상 및 훈련 아틀라스 영상을 입력으로 하여, 뼈 영역 기반의 유사 정합 및 장기 영역 내 밝기값 유사도 측정을 사용하여 상기 대상 영상의 복부 장기 영역과 유사한 훈련 아틀라스 영상을 선정하는 단계;
(b) 상기 대상 영상과 상기 선정된 훈련 아틀라스 영상 간 영상 기반 유사 정합을 통해 상기 대상 영상에서 초기 복부 장기 마스크를 분할하는 단계; 및
(c) 간, 좌우 신장 및 비장 영역에 대해 상기 초기 복부 장기 마스크와 상기 선정된 훈련 아틀라스 간 마스크 기반 어파인 정합을 수행하여 상기 대상 영상에서 간, 좌우 신장 및 비장에 대한 개선된 마스크를 최종 분할하는 단계를 포함한다.
또한, 본 발명의 일 실시예에 의한 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 방법은, (d) 주변의 분할 장기의 공간적 정보에 기반하여 상기 대상 영상에서 담낭과 췌장에 대한 개선된 마스크를 최종 분할하는 단계를 더 포함할 수 있다.
또한, 본 발명의 일 실시예에 의한 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 방법에 있어서, 상기 단계 (a)는,
(a-1) 상기 대상 영상의 밝기값을 정규화하는 단계;
(a-2) 상기 대상 영상과 상기 훈련 아틀라스 영상에서 밝기값이 255인 갈비뼈 및 흉골 영역을 임계값 기법으로 추출하는 단계;
(a-3) 상기 추출된 대상 영상의 뼈 영역과 훈련 아틀라스 영상의 뼈 영역을 이용하여 3D 유사 정합을 수행하여 변환 행렬을 획득하는 단계; 및
(a-4) 상기 대상 영상과 상기 변환 행렬에 의해 정렬된 훈련 아틀라스 영상 간의 간, 좌우 신장 및 비장에서의 밝기값 기반 유사도를 측정한 후 상기 대상 영상의 복부 장기 영역과 유사한 훈련 아틀라스 영상을 선정하는 단계를 포함할 수 있다.
또한, 본 발명의 일 실시예에 의한 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 방법에 있어서,
상기 단계 (a-3)은,
상기 추출된 대상 영상의 뼈 영역과 훈련 아틀라스 영상의 뼈 영역을 이용하여 3D 유사 정합을 수행하여,
Figure 112018055491760-pat00001
를 최소화하는 변환행렬(
Figure 112018055491760-pat00002
)을 획득하는 단계를 포함하고,
Figure 112017075819631-pat00003
는 대상 영역의 뼈 영역의 i번째 화소이고,
Figure 112017075819631-pat00004
는 j번째 훈련 아틀라스 영상의 뼈 영역의 i번째 화소이며,
Figure 112017075819631-pat00005
는 x, y, z축 이동, 회전 및 확대축소의 총 9개의 파라메터를 이용하여 만든 변환행렬일 수 있다.
또한, 본 발명의 일 실시예에 의한 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 방법에 있어서,
상기 단계 (a-4)는,
Figure 112017075819631-pat00006
에 기반하여 상기 대상 영상과 상기 훈련 아틀라스 영상 간의 간, 좌우 신장 및 비장에서의 밝기값 기반 유사도를 측정한 후,
Figure 112017075819631-pat00007
에 기반하여, 상기 대상 영상의 복부 장기 영역과 유사한 훈련 아틀라스 영상을 선정하는 단계를 포함하고,
Figure 112017075819631-pat00008
는 j번째 훈련 아틀라스 영상
Figure 112017075819631-pat00009
에서의 장기 영역의 픽셀 수이고,
Figure 112017075819631-pat00010
는 대상 영상의 최대 밝기값이며,
Figure 112017075819631-pat00011
는 장기 영역에서 대상 영상 I와 j번째 훈련 아틀라스 영상
Figure 112017075819631-pat00012
에서의 밝기값의 차이를 나타내고,
Figure 112017075819631-pat00013
는 모든 훈련 아틀라스에서의
Figure 112017075819631-pat00014
의 평균을 의미하며, n은 훈련 아틀라스의 개수를 의미하고,
Figure 112017075819631-pat00015
는 간, 좌우 신장, 비장의
Figure 112017075819631-pat00016
의 평균을 의미할 수 있다.
또한, 본 발명의 일 실시예에 의한 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 방법에 있어서, 상기 단계 (b)는,
(b-1) 상기 대상 영상과 상기 선정된 훈련 아틀라스 영상 간 3D 유사 정합을 수행하여 변환 행렬을 획득하는 단계; 및
(b-2) 상기 변환 행렬에 의해 정렬된 훈련 아틀라스 영상에서 밝기값 유사도 가중치를 적용한 지역적 가중 투표로 복부 장기 초기 분할을 수행하여 상기 대상 영상에서 상기 간, 좌우 신장, 비장, 담낭 및 췌장에 대한 초기 복부 장기 마스크를 분할하는 단계를 포함할 수 있다.
또한, 본 발명의 일 실시예에 의한 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 방법에 있어서,
상기 단계 (b-1)은,
상기 대상 영상과 상기 선정된 훈련 아틀라스 영상 간 3D 유사 정합을 수행하여
Figure 112017075819631-pat00017
를 최소화하는 변환 행렬을 획득하는 단계를 포함하고,
I는 대상 영상이며,
Figure 112017075819631-pat00018
는 j번째 훈련 아틀라스 영상이고,
Figure 112017075819631-pat00019
는 x, y, z축 이동, 회전 및 확대축소의 총 9개의 파라메터를 이용하여 만든 변환행렬이며,
상기 단계 (b-2)는,
상기 획득된 변환 행렬에 의해 정렬된 훈련 아틀라스 영상에 대해
Figure 112017075819631-pat00020
에 따른 밝기값 유사도 가중치를 적용한 지역적 가중 투표를 통해 상기 대상 영상에서 복부 장기 초기 분할을 수행하여 상기 초기 복부 장기 마스크(L)를 획득하는 단계를 포함하고,
Figure 112017075819631-pat00021
는 아틀라스에서 추출한 각 장기별 밝기값 히스토그램에서 대상 화소의 확률값이며,
Figure 112017075819631-pat00022
는 유사 정합을 통해 정렬된 아틀라스를 의미할 수 있다.
또한, 본 발명의 일 실시예에 의한 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 방법에 있어서, 상기 단계 (c)는,
(c-1) 간, 좌우 신장 및 비장 영역에 대해 상기 초기 분할 마스크와 상기 선정된 훈련 아틀라스 간 마스크 기반 어파인 정합을 수행하여 변환 행렬을 획득하는 단계; 및
(c-2) 상기 변환 행렬에 의해 정렬된 훈련 아틀라스에서 밝기값 기반의 지역적 가중투표를 통해 상기 대상 영상에서 간, 좌우 신장 및 비장에 대한 개선된 마스크를 최종 분할하는 단계를 포함할 수 있다.
또한, 본 발명의 일 실시예에 의한 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 방법에 있어서,
상기 단계 (c-1)은,
간, 좌우 신장 및 비장 영역에 대한 상기 초기 분할 마스크와 상기 선정된 훈련 아틀라스 간 마스크 기반 어파인 정합을 수행하여
Figure 112017075819631-pat00023
를 최소화하는 변환 행렬을 획득하는 단계를 포함하고,
L은 초기 분할 마스크이며,
Figure 112017075819631-pat00024
는 j번째 훈련 아틀라스이고,
Figure 112017075819631-pat00025
는 x, y, z축 이동, 회전, 확대축소 및 전단의 총 12개의 파라미터를 이용하여 만든 변환행렬이며,
상기 단계 (c-2)는, 상기 획득된 변환 행렬에 의해 정렬된 훈련 아틀라스에 대해
Figure 112017075819631-pat00026
에 따른 밝기값 기반의 지역적 가중투표를 통해 상기 대상 영상에서 간, 좌우 신장 및 비장에 대한 개선된 마스크(
Figure 112017075819631-pat00027
)를 최종 분할하는 단계를 포함하고,
Figure 112017075819631-pat00028
는 아틀라스에서 추출한 각 기관별 히스토그램에서 대상 화소의 확률값이며,
Figure 112017075819631-pat00029
는 어파인 정합을 통해 정렬된 기관별 아틀라스를 의미할 수 있다.
또한, 본 발명의 일 실시예에 의한 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 방법에 있어서,
상기 단계 (d)에서 담낭에 대한 개선된 마스크를 최종 분할하는 단계는,
(d-1) 초기 담낭 분할 마스크와 훈련 담낭 아틀라스 간의 간 마스크 기반 3D 어파인 변환을 이용하여 담낭 아틀라스를 정렬하는 단계;
(d-2) 상기 정렬된 담낭 아틀라스에 대한 담낭의 밝기값 기반의 지역적 가중투표를 통해 상기 대상 영상에서 담낭 마스크를 분할하는 단계;
(d-3) 상기 담낭 분할 마스크에서 밝기값에 제한을 두어 담낭의 밝기값 범위에 해당하지 않는 마스크 영역을 지우는 단계;
(d-4) 상기 밝기값에 제한을 두어 담낭의 밝기값 범위에 해당하지 않는 마스크 영역이 지워진 담낭 분할 마스크와 훈련 담낭 아틀라스 간 마스크 기반 3D 어파인 정합을 수행한 후 밝기값 기반의 지역적 가중 투표를 통해 담낭 마스크를 분할하는 단계; 및
(d-5) 상기 담낭 분할 마스크에 대해 밝기값 영역 내에서 영역성장 기법을 적용하여 담낭에 대한 개선된 마스크를 최종 분할하는 단계를 포함할 수 있다.
또한, 본 발명의 일 실시예에 의한 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 방법에 있어서,
상기 단계 (d-1)은,
상기 초기 담낭 분할 마스크와 선정된 훈련 담낭 아틀라스 간 마스크 기반 어파인 정합을 수행하여
Figure 112017075819631-pat00030
를 최소화하는 변환 행렬을 획득하고 상기 변환 형렬에 따라 훈련 아틀라스를 정렬하는 단계를 포함하며,
L은 초기 분할 마스크이고,
Figure 112017075819631-pat00031
는 j번째 훈련 아틀라스이고,
Figure 112017075819631-pat00032
는 x, y, z축 이동, 회전, 확대축소 및 전단의 총 12개의 파라미터를 이용하여 만든 변환행렬이며,
상기 단계 (d-2)는,
상기 정렬된 훈련 아틀라스에 대해
Figure 112017075819631-pat00033
에 따른 밝기값 기반의 지역적 가중투표를 통해 상기 대상 영상에서 담낭 마스크(
Figure 112017075819631-pat00034
)를 분할하는 단계를 포함하고,
Figure 112017075819631-pat00035
은 아틀라스에서 추출한 담낭의 히스토그램에서 대상 화소의 확률값이며,
Figure 112017075819631-pat00036
는 간의 어파인 변환을 통해 정합된 담낭 아틀라스를 의미하고,
상기 단계 (d-3)은,
Figure 112017075819631-pat00037
와
Figure 112017075819631-pat00038
에 따라, 상기 담낭 분할 마스크에서 밝기값에 제한을 두어 담낭의 밝기값 범위에 해당하지 않는 마스크 영역을 지우는 단계를 포함하며,
Figure 112017075819631-pat00039
은 담낭 영역의 밝기값을 의미하고,
Figure 112017075819631-pat00040
는 담낭 영역의 밝기값 히스토그램의 최빈값(peak)을 의미할 수 있다.
또한, 본 발명의 일 실시예에 의한 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 방법에 있어서,
상기 단계 (d)에서 췌장에 대한 개선된 마스크를 최종 분할하는 단계는,
(e-1) 초기 췌장 분할 마스크와 훈련 췌장 아틀라스 간의 간 마스크 기반 3D 어파인 변환을 이용하여 췌장을 정렬하는 단계;
(e-2) 상기 좌측 신장 및 비장에 대한 최종 분할 마스크와 훈련 아틀라스 간의 마스크 기반 3D 어파인 정합을 이용하여 췌장을 추가로 정렬하는 단계;
(e-3) 상기 추가로 정렬된 췌장 아틀라스에 대하여 췌장의 밝기값 기반의 지역적 가중투표를 통해 상기 대상 영상에서 췌장 마스크를 분할하는 단계; 및
(e-4) 상기 개선된 췌장 마스크와 훈련 췌장 아틀라스 간 마스크 기반 3D 어파인 정합을 수행한 후 췌장의 밝기값 및 중심선과의 거리값 기반의 지역적 가중투표를 통해 상기 대상 영상에서 개선된 췌장 마스크를 최종 분할하는 단계를 포함할 수 있다.
또한, 본 발명의 일 실시예에 의한 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 방법에 있어서,
상기 단계 (e-3)은,
상기 추가로 정렬된 췌장 아틀라스에 대하여
Figure 112017075819631-pat00041
에 따른 췌장의 밝기값 기반의 지역적 가중투표를 통해 상기 대상 영상에서 개선된 췌장 마스크를 분할하는 단계를 포함하고,
Figure 112017075819631-pat00042
는 아틀라스에서 추출한 췌장의 히스토그램에서 대상 화소의 확률값이고,
Figure 112017075819631-pat00043
는 간의 어파인 변환을 통해 정렬된 췌장 아틀라스이며,
Figure 112017075819631-pat00044
는 좌측 신장 및 비장의 어파인 변환을 통해 정렬된 췌장 아틀라스를 의미할 수 있다.
상기 다른 과제를 해결하기 위한 본 발명의 일 실시예에 의한 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 장치는,
복부 컴퓨터단층촬영(CT) 영상인 대상 영상 및 훈련 아틀라스 영상을 입력으로 하여, 뼈 영역 기반의 유사 정합 및 장기 영역 내 밝기값 유사도 측정을 사용하여 상기 대상 영상의 복부 장기 영역과 유사한 훈련 아틀라스 영상을 선정하기 위한 유사 아틀라스 선정부;
상기 대상 영상과 상기 선정된 훈련 아틀라스 영상 간 영상 기반 유사 정합을 통해 상기 대상 영상에서 초기 복부 장기 마스크를 분할하기 위한 초기 마스크 분할부; 및
간, 좌우 신장 및 비장 영역에 대해 상기 초기 복부 장기 마스크와 상기 선정된 훈련 아틀라스 간 마스크 기반 어파인 정합을 수행하여 상기 대상 영상에서 간, 좌우 신장 및 비장에 대한 개선된 마스크를 최종 분할하기 위한 제1 분할 개선부를 포함한다.
또한, 본 발명의 일 실시예에 의한 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 장치는, 주변의 분할 장기의 공간적 정보에 기반하여 상기 대상 영상에서 담낭과 췌장에 대한 개선된 마스크를 최종 분할하기 위한 제2 분할 개선부를 더 포함할 수 있다.
또한, 본 발명의 일 실시예에 의한 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 장치에 있어서,
상기 유사 아틀라스 선정부는,
(a-1) 상기 대상 영상의 밝기값을 정규화하는 동작;
(a-2) 상기 대상 영상과 상기 훈련 아틀라스 영상에서 밝기값이 255인 갈비뼈 및 흉골 영역을 임계값 기법으로 추출하는 동작;
(a-3) 상기 추출된 대상 영상의 뼈 영역과 훈련 아틀라스 영상의 뼈 영역을 이용하여 3D 유사 정합을 수행하여 변환 행렬을 획득하는 동작; 및
(a-4) 상기 대상 영상과 상기 변환 행렬에 의해 정렬된 훈련 아틀라스 영상 간의 간, 좌우 신장 및 비장에서의 밝기값 기반 유사도를 측정한 후 상기 대상 영상의 복부 장기 영역과 유사한 훈련 아틀라스 영상을 선정하는 동작을 수행할 수 있다.
또한, 본 발명의 일 실시예에 의한 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 장치에 있어서,
상기 동작 (a-4)는,
Figure 112017075819631-pat00045
에 기반하여 상기 대상 영상과 상기 훈련 아틀라스 영상 간의 간, 좌우 신장 및 비장에서의 밝기값 기반 유사도를 측정한 후,
Figure 112017075819631-pat00046
에 기반하여, 상기 대상 영상의 복부 장기 영역과 유사한 훈련 아틀라스 영상을 선정하는 동작을 포함하고,
Figure 112017075819631-pat00047
는 j번째 훈련 아틀라스 영상
Figure 112017075819631-pat00048
에서의 장기 영역의 픽셀 수이고,
Figure 112017075819631-pat00049
는 대상 영상의 최대 밝기값이며,
Figure 112017075819631-pat00050
는 장기 영역에서 대상 영상 I와 j번째 훈련 아틀라스 영상
Figure 112017075819631-pat00051
에서의 밝기값의 차이를 나타내고,
Figure 112017075819631-pat00052
는 모든 훈련 아틀라스에서의
Figure 112017075819631-pat00053
의 평균을 의미하며, n은 훈련 아틀라스의 개수를 의미하고,
Figure 112017075819631-pat00054
는 간, 좌우 신장, 비장의
Figure 112017075819631-pat00055
의 평균을 의미할 수 있다.
또한, 본 발명의 일 실시예에 의한 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 장치에 있어서,
상기 초기 마스크 분할부는,
(b-1) 상기 대상 영상과 상기 선정된 훈련 아틀라스 영상 간 3D 유사 정합을 수행하여 변환 행렬을 획득하는 동작; 및
(b-2) 상기 변환 행렬에 의해 정렬된 훈련 아틀라스 영상에서 밝기값 유사도 가중치를 적용한 지역적 가중 투표로 복부 장기 초기 분할을 수행하여 상기 대상 영상에서 상기 간, 좌우 신장, 비장, 담낭 및 췌장에 대한 초기 복부 장기 마스크를 분할하는 동작을 수행할 수 있다.
또한, 본 발명의 일 실시예에 의한 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 장치에 있어서,
상기 제1 분할 개선부는,
(c-1) 간, 좌우 신장 및 비장 영역에 대해 상기 초기 분할 마스크와 상기 선정된 훈련 아틀라스 간 마스크 기반 어파인 정합을 수행하여 변환 행렬을 획득하는 동작; 및
(c-2) 상기 변환 행렬에 의해 정렬된 훈련 아틀라스에서 밝기값 기반의 지역적 가중투표를 통해 상기 대상 영상에서 간, 좌우 신장 및 비장에 대한 개선된 마스크를 최종 분할하는 동작을 수행할 수 있다.
또한, 본 발명의 일 실시예에 의한 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 장치에 있어서,
상기 제2 분할 개선부는,
(d-1) 초기 담낭 분할 마스크와 훈련 담낭 아틀라스 간의 간 마스크 기반 3D 어파인 변환을 이용하여 담낭 아틀라스를 정렬하는 동작;
(d-2) 상기 정렬된 담낭 아틀라스에 대한 담낭의 밝기값 기반의 지역적 가중투표를 통해 상기 대상 영상에서 담낭 마스크를 분할하는 동작;
(d-3) 상기 담낭 분할 마스크에서 밝기값에 제한을 두어 담낭의 밝기값 범위에 해당하지 않는 마스크 영역을 지우는 동작;
(d-4) 상기 밝기값에 제한을 두어 담낭의 밝기값 범위에 해당하지 않는 마스크 영역이 지워진 담낭 분할 마스크와 훈련 담낭 아틀라스 간 마스크 기반 3D 어파인 정합을 수행한 후 밝기값 기반의 지역적 가중 투표를 통해 담낭 마스크를 분할하는 동작; 및
(d-5) 상기 담낭 분할 마스크에 대해 밝기값 영역 내에서 영역성장 기법을 적용하여 담낭에 대한 개선된 마스크를 최종 분할하는 동작을 수행하여 담낭에 대한 개선된 마스크를 최종 분할할 수 있다.
또한, 본 발명의 일 실시예에 의한 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 장치에 있어서,
상기 제2 분할 개선부는,
(e-1) 초기 췌장 분할 마스크와 훈련 췌장 아틀라스 간의 간 마스크 기반 3D 어파인 변환을 이용하여 췌장을 정렬하는 동작;
(e-2) 상기 좌측 신장 및 비장에 대한 최종 분할 마스크와 훈련 아틀라스 간의 마스크 기반 3D 어파인 정합을 이용하여 췌장을 추가로 정렬하는 동작;
(e-3) 상기 추가로 정렬된 췌장 아틀라스에 대하여 췌장의 밝기값 기반의 지역적 가중투표를 통해 상기 대상 영상에서 췌장 마스크를 분할하는 동작; 및
(e-4) 상기 개선된 췌장 마스크와 훈련 췌장 아틀라스 간 마스크 기반 3D 어파인 정합을 수행한 후 췌장의 밝기값 및 중심선과의 거리값 기반의 지역적 가중투표를 통해 상기 대상 영상에서 개선된 췌장 마스크를 최종 분할하는 동작을 수행하여 췌장에 대한 개선된 마스크를 최종 분할할 수 있다.
본 발명의 일 실시예에 의한 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 방법 및 장치에 의하면, 장기 분할 시 밝기값이 유사한 다른 장기로의 누출을 방지하고 환자 다양성으로 인한 아틀라스 정합 오류로 인해 분할 정확성이 떨어지는 것을 방지하며 위치적, 형태적 다양성에 대해 강인하게 분할을 수행하여 분할 정확도를 향상시킬 수 있다.
도 1은 문맥 정맥 상에서의 복부 CT 영상의 특징을 도시한 도면으로, 도 1a는 복부 장기의 인접성을 도시한 도면이고, 도 1b는 복부 장기의 밝기값 유사성을도시한 도면.
도 2는 본 발명의 일 실시예에 의한 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 방법의 흐름도.
도 3은 도 1에 도시된 유사 아틀라스 선정 단계의 상세 흐름도.
도 4는 도 1에 도시된 초기 마스크 분할 단계의 상세 흐름도.
도 5는 도 1에 도시된 간, 좌우 신장 및 비장에 대한 분할 개선 단계의 상세 흐름도.
도 6은 도 1에 도시된 담낭에 대한 분할 개선 단계의 상세 흐름도.
도 7은 도 1에 도시된 췌장에 대한 분할 개선 단계의 상세 흐름도.
도 8은 본 발명의 일 실시예에 의한 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 장치의 블록도.
도 9 내지 도 11은 복부 CT 영상에서의 분할 결과를 도시한 도면으로, (a)는 복부 CT 영상, (b)는 방법 A, (c)는 방법 B, (d)는 방법 C, (e)는 수동 분할을 도시한 도면.
도 12는 복부 CT 영상에서의 분할 결과를 도시한 도면으로, (a)는 방법 A, (b)는 방법 B, (c)는 방법 C를 도시한 도면.
도 13은 복부 장치 분할의 정확성 평가를 도시한 것으로, (a)는 방법 A, (b)는 방법 B, (c)는 방법 C를 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 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 방법 및 장치는 복부 CT 영상에서 간, 좌우 신장, 비장, 췌장 및 담낭의 위치적 다양성에 강인한 다중 아틀라스를 사용한 계층적 다기관 분할 방법을 제안한다. 본 발명의 일 실시예에 의한 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 방법 및 장치에서는, 훈련 아틀라스에서 대상 영상과 유사한 아틀라스를 선정하기 위해 3차원 뼈 기반 유사정합 및 주요 장기 내 밝기값 기반 유사도 측정을 통해 대상 영상의 장기 형상 변이가 큰 훈련 아틀라스를 제외하고, 복부 장기의 위치를 파악하기 위해 3차원 영상 기반 유사정합을 통하여 복부 장기를 초기 분할하며, 유사 밝기값 영역으로의 누출을 막기 위해 3차원 마스크 기반 어파인 정합을 통하여 간, 좌우 신장, 비장의 분할 결과를 개선하고, 주변 장기와의 위치관계 및 밝기값과 거리값을 이용하여 계층적으로 담낭과 췌장의 분할 결과를 개선한다.
다중 아틀라스 기반의 계층적 장기 분할
도 2는 본 발명의 일 실시예에 의한 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 방법의 흐름도를 도시한 것으로, 크게 세 단계로 구성된다.
첫째, 대상 영상의 복부 장기 영역과 유사한 아틀라스를 선정하기 위해 뼈 영역 기반의 3D 유사 정합을 통해 아틀라스를 정렬한 후 간, 좌우 신장 및 비장 영역의 밝기값 기반 유사도를 측정하여 유사 아틀라스를 선정한다(단계 S200).
둘째, 복부 장기별 위치를 파악하기 위해 영상 기반의 3D 유사 정합 및 밝기값 기반의 지역적 가중투표를 통해 복부 장기를 초기 분할한다(단계 S202).
셋째, 초기 분할 결과의 정확도를 높이기 위하여 간, 좌우 신장 및 비장 영역에 대하여 마스크 기반 3D 어파인 정합을 통하여 아틀라스를 정렬한 후 밝기값 기반의 지역적 가중투표를 통해 분할 결과를 개선한다(단계 S204). 그리고 위치적, 형태적 다양성을 갖는 담낭과 췌장에 대해서는 주변의 분할 장기의 상대적 위치 관계를 고려해 계층적으로 분할 결과를 개선한다(단계 S206).
장기 영역 밝기값 유사도 측정을 통한 유사 아틀라스 선정(단계 S200)
아틀라스 기반으로 장기를 분할하는 경우, 환자별 복부 장기 형상의 다양성으로 인해 아틀라스 정합 오류가 발생하고 이는 분할 정확도를 감소시키는 한계가 있다. 또한 영상 전체 영역에서 밝기값 기반 유사도를 측정하여 유사 아틀라스를 선정하는 경우, 남녀의 지방 및 근육량 차이가 존재하고 장기 간 밝기값이 유사하여 부정확한 유사 아틀라스를 선정할 수 있다. 따라서 본 절에서는 정합의 정확도를 높이고, 남녀 간 영상 차이에 의해 영향을 받지 않기 위해 뼈 영역 기반 정합을 통해 몸통의 위치를 맞춰주고 뼈 영역 내부 장기 중 데이터 간 장기의 모양이 사람마다 비교적 편차가 작은 장기를 이용해 장기 영역 내 밝기값 기반 유사도를 측정하여 유사 아틀라스를 선정한다.
도 3을 참조하면, 단계 S300에서, 복부 CT 영상(208)에서 서로 다른 분포를 갖고 있는 영상의 밝기값 간 범위를 맞춰주기 위하여 영상의 밝기값 I'를 수학식 1을 통해 0~255 사이로 정규화한다[11].
Figure 112017075819631-pat00056
이때, I는 원본 영상의 화소의 밝기값이고, tmin과 tmax는 각각 최소 임계치와 최대 임계치로 최소 임계치는 배경 영역의 밝기값이 포함되도록 설정하고, 최대 임계치는 뼈 영역의 밝기값이 포함되도록 설정하였으며 이는 실험을 통하여 각각 823HU, 1423HU로 산정한다.
단계 S302에서, 뼈 영역 기반 정합을 수행하기 위해 우선 대상 영상(208)과 훈련 아틀라스 영상(210)에서 밝기값이 255인 갈비뼈 및 흉골 영역을 임계값 기법으로 추출한다.
단계 S304에서, 추출된 대상 영상의 뼈 영역과 훈련 아틀라스 영상의 뼈 영역을 이용하여 3D 유사 정합(similarity registration)을 수행하여 수학식 2를 최소화하는 변환행렬
Figure 112017075819631-pat00057
를 구한다.
Figure 112017075819631-pat00058
이때,
Figure 112017075819631-pat00059
는 대상 영역의 뼈 영역의 i번째 화소이고,
Figure 112017075819631-pat00060
는 j 번째 훈련 아틀라스 영상의 뼈 영역의 i번째 화소이며,
Figure 112017075819631-pat00061
는 x, y, z축 이동, 회전 및 확대축소의 총 9개의 파라메터를 이용하여 만든 변환행렬이다. 수행 시간이 오래 걸리는 비강체 정합 대신 위치 및 크기를 맞춰줄 수 있는 유사 정합을 수행하였다.
그 후 단계 S306에서, 수학식 3을 통해 대상 영상과 j번째 훈련 아틀라스 영상의 간, 좌우 신장, 비장에서의 밝기값 기반 유사도
Figure 112017075819631-pat00062
(normalized average density difference, NADD)를 측정한 후 수학식 4에 기반하여 유사 아틀라스
Figure 112017075819631-pat00063
를 선정한다.
Figure 112017075819631-pat00064
Figure 112017075819631-pat00065
이때,
Figure 112017075819631-pat00066
는 j번째 훈련 아틀라스 영상
Figure 112017075819631-pat00067
에서의 장기 영역의 픽셀 수이고,
Figure 112017075819631-pat00068
는 대상 영상의 최대 밝기값이며,
Figure 112017075819631-pat00069
는 장기 영역에서 대상 영상 I와 j번째 훈련 아틀라스 영상
Figure 112017075819631-pat00070
에서의 밝기값의 차이를 나타내고,
Figure 112017075819631-pat00071
는 모든 훈련 아틀라스에서의
Figure 112017075819631-pat00072
의 평균을 의미하며, n은 훈련 아틀라스의 개수를 의미하고,
Figure 112017075819631-pat00073
는 간, 좌우 신장, 비장의
Figure 112017075819631-pat00074
의 평균을 의미한다.
유사 아틀라스 선정 단계에서 뼈 영역 기반 3D 유사 정합과 주요 장기 영역 내 밝기값 유사도를 사용함으로써 성별과 비만도에 따른 지방, 근육 등 장기 외 영역의 밝기값에 영향을 받지 않고 주요 장기 영역과 유사한 밝기값을 갖는 아틀라스를 선정할 수 있다.
영상 기반 정합을 통한 복부 장기 초기 분할(단계 S202)
복부 장기 분할 시, 장기별 마스크를 이용하여 정합을 수행해야 하므로 장기별 위치 파악이 가능한 대상 영상의 마스크가 필요하다. 따라서 본 절에서는 영상 기반 유사 정합을 통해 복부 장기 초기 분할을 수행하여 대상 영상의 마스크를 생성한다.
도 4를 참조하면, 단계 S400에서, 초기 복부 장기 마스크 추출을 위해 대상 영상과 선정된 j번째 훈련 아틀라스 영상 간 3D 유사 정합을 수행하여 수학식 5를 최소화하는 변환 행렬
Figure 112017075819631-pat00075
를 구한다[12].
Figure 112017075819631-pat00076
이때, I는 대상영상이고,
Figure 112017075819631-pat00077
는 j번째 훈련 아틀라스 영상이고,
Figure 112017075819631-pat00078
는 x, y, z축 이동, 회전 및 확대축소의 총 9개의 파라메터를 이용하여 만든 변환행렬이다. 전단 수행 시 장기 영역이 아닌 지방, 근육 등의 밝기값에 영향을 받아 영상 변형이 심하게 될 수 있으므로 위치 및 몸통의 크기만 조절하였다.
기존 다수투표(majority voting, MV) 기법은 훈련 아틀라스의 레이블을 이용하여 투표하여 누적 투표 값이 최대가 되는 영역을 채택하는 방법으로, 이를 사용하여 분할하는 경우 투표수로 결정되기 때문에 정합 오류에 크게 영향을 받는다. 따라서 단계 S402에서, 정합 오류에 대한 민감도를 줄이기 위해 정렬된 훈련 아틀라스 영상에서 밝기값 유사도 가중치를 적용한 지역적 가중투표로 초기 복부 장기 마스크를 추출한다. 선정된 j번째 다기관 아틀라스
Figure 112017075819631-pat00079
에 대하여 수학식 6과 같이 지역적 가중투표를 통해 초기 복부 장기 마스크(L)를 분할한다.
Figure 112017075819631-pat00080
이때, 는 아틀라스에서 추출한 각 장기별 밝기값 히스토그램에서 대상 화소의 확률값이며
Figure 112017075819631-pat00082
는 유사 정합을 통해 정렬된 아틀라스를 의미한다.
복부 장기 초기 분할을 수행함으로써 장기별 위치 파악이 가능하게 되어 대상 영상의 초기 마스크를 생성할 수 있고, 밝기값 기반의 지역적 가중투표를 사용하여 장기의 밝기값을 반영하여 정합 오류에 영향을 적게 받고, 분할 정확도를 높여준다.
계층적 마스크 기반 정합을 통한 복부 장기 분할 개선(단계 S204, S206)
초기 복부 장기 마스크는 영상 기반 정합에서의 정합 오류로 인해 초기 장기 위치화의 정확도가 떨어지면 경계가 불분명한 주변 영역으로의 누출(leakage)이 발생하는 한계가 있다. 따라서 본 절에서는 마스크 기반의 어파인 정합을 통해 정합의 정확도를 높여 분할 결과를 개선하며 위치적, 형태적 다양성으로 인해 초기 분할 정확도가 낮은 담낭과 췌장의 경우 다른 기관과의 위치적 관계를 이용하여 계층적으로 분할 결과를 개선한다.
도 5를 참조하면, 단계 S500에서, 간, 좌우 신장 및 비장은 초기 분할에서의 위치 정확도가 높아 초기 분할 마스크와 훈련 아틀라스 간 마스크 기반 3D 어파인 정합(affine registration)을 수행하여 수학식 7을 최소화하는 변환 행렬
Figure 112017075819631-pat00083
를 구한다.
Figure 112017075819631-pat00084
이때, L은 초기 분할 마스크이고,
Figure 112017075819631-pat00085
는 j번째 훈련 아틀라스이고,
Figure 112017075819631-pat00086
는 x, y, z축 이동, 회전, 확대축소 및 전단의 총 12개의 파라미터를 이용하여 만든 변환행렬이다. 위치와 크기를 맞춰주면서 전단을 수행함으로써 장기의 형태를 유사하게 맞춰줄 수 있다. 정합된 훈련 아틀라스 마스크에서 밝기값 기반의 지역적 가중투표로 초기 복부 장기 분할 결과를 개선한다.
단계 S502에서, 선정된 j번째 훈련 다기관 아틀라스
Figure 112017075819631-pat00087
에 대하여 수학식 8과 같이 지역적 가중투표를 통해 간, 좌우 신장 및 비장 영역에 대한 개선된 복부 장기 마스크
Figure 112017075819631-pat00088
을 최종 분할한다.
Figure 112017075819631-pat00089
이때,
Figure 112017075819631-pat00090
는 아틀라스에서 추출한 각 기관별 히스토그램에서 대상 화소의 확률값이며
Figure 112017075819631-pat00091
는 어파인 정합을 통해 정합된 기관별 아틀라스를 의미한다.
담낭은 장기의 크기가 작아 초기 분할에서의 위치 정확도가 낮고, 간과 위치적으로 붙어 나타나면서 밝기값 특성이 간과 상이하여 간의 분할 정보를 이용하여 밝기값 기반으로 분할한다.
도 6을 참조하면, 단계 S600에서, 수학식 6을 이용하여 초기 담낭 분할 마스크와 훈련 담낭 아틀라스 간의 간 마스크 기반 3D 어파인 변환(affine transformation)을 이용하여 담낭을 정렬한 후, 단계 S602에서 담낭 밝기값 기반의 지역적 가중투표로 초기 담낭 분할 결과를 개선한다. j번째 훈련 담낭 아틀라스
Figure 112017075819631-pat00092
에 대하여 수학식 9와 같이 지역적 가중투표를 통해 담낭 마스크
Figure 112017075819631-pat00093
을 분할한다.
Figure 112017075819631-pat00094
이때,
Figure 112017075819631-pat00095
은 아틀라스에서 추출한 담낭의 히스토그램에서 대상 화소의 확률값이며
Figure 112017075819631-pat00096
는 간의 어파인 변환을 통해 정합된 담낭 아틀라스를 의미한다.
그 후 단계 S604에서 수학식 10과 수학식 11과 같이 밝기값에 제한을 두어 담낭의 밝기값 범위에 해당하지 않는 마스크 영역을 지우고, 단계 S606에서 수학식 7과 수학식 8을 이용하여 담낭 마스크
Figure 112017075819631-pat00097
과 훈련 담낭 아틀라스 간 마스크 기반 3D 어파인 정합을 수행한 후 담낭 밝기값 기반의 지역적 가중투표를 통해 담낭 마스크를 분할하며, 단계 S608에서 수학식 11의 밝기값 영역 내에서 영역성장(region growing) 기법을 이용하여 담낭 마스크를 최종 분할한다.
Figure 112017075819631-pat00098
Figure 112017075819631-pat00099
이때,
Figure 112017075819631-pat00100
은 담낭 영역의 밝기값을 의미하고,
Figure 112017075819631-pat00101
는 담낭 영역의 밝기값 히스토그램의 최빈값(peak)을 의미한다.
췌장은 위치와 형태의 다양함으로 초기 분할 정확도가 낮고, 위치적으로 간과 좌측 신장 및 비장과 붙어서 나타나기 때문에 간과 좌측 신장 및 비장의 분할 정보를 이용한다.
도 7을 참조하면, 단계 S700에서 초기 췌장 분할 마스크와 훈련 췌장 아틀라스 간의 간 마스크 기반 3D 어파인 변환을 이용하여 췌장을 정렬하고, 단계 ㄴ702에서 좌측 신장 및 비장의 마스크와 훈련 아틀라스 간 마스크 기반 3D 어파인 정합을 수행하여 얻은 어파인 변환을 이용하여 췌장을 추가로 정렬한 후, 단계 S704에서 췌장 밝기값 기반의 지역적 가중투표로 초기 췌장 분할 결과를 개선한다. j번째 훈련 췌장 아틀라스
Figure 112017075819631-pat00102
에 대하여 수학식 12와 같이 지역적 가중투표를 통해 췌장 마스크
Figure 112017075819631-pat00103
을 분할한다.
Figure 112017075819631-pat00104
이때,
Figure 112017075819631-pat00105
는 아틀라스에서 추출한 췌장의 히스토그램에서 대상 화소의 확률값이고,
Figure 112017075819631-pat00106
는 간의 어파인 변환을 통해 정합된 췌장 아틀라스이며,
Figure 112017075819631-pat00107
는 좌측 신장 및 비장의 어파인 변환을 통해 정렬된 췌장 아틀라스를 의미한다.
그 후 단계 S706에서 수학식 7과 수학식 13을 이용하여 췌장 마스크
Figure 112017075819631-pat00108
과 훈련 췌장 아틀라스 간 마스크 기반 3D 어파인 정합을 수행한 후 췌장의 밝기값 및 중심선과의 거리값
Figure 112017075819631-pat00109
기반의 지역적 가중투표를 통해 췌장 마스크를 최종 분할한다.
Figure 112017075819631-pat00110
이때,
Figure 112017075819631-pat00111
은 아틀라스에서 추출한 췌장 히스토그램의 대상 화소의 확률값이고
Figure 112017075819631-pat00112
는 대상 영상의 췌장 마스크
Figure 112017075819631-pat00113
의 중심선으로부터의 거리값이고
Figure 112017075819631-pat00114
는 훈련 영상의 췌장 마스크의 중심선으로부터의 거리값이며
Figure 112017075819631-pat00115
는 어파인 정합을 통해 정합된 췌장 아틀라스를 의미한다.
복부 장기 분할 개선 단계에서 마스크 기반의 정합을 수행함으로써 장기 주변의 유사 밝기값 영역과 상관없이 장기의 형상을 이용하여 정합하므로 실제 장기 모양과 유사하게 정합이 가능하고, 담낭과 췌장의 경우, 주변 장기와의 위치적 관계를 이용하여 계층적으로 장기를 분할하고 영역성장기법 및 거리값 기반의 가중치를 활용함으로써 위치적, 형태적 다양성에 대해 강인하게 분할을 수행하여 분할 정확도를 높여준다.
도 8은 본 발명의 일 실시예에 의한 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 장치의 블록도를 도시한 것이다.
도 8을 참조하면, 본 발명의 일 실시예에 의한 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 장치는, 복부 컴퓨터단층촬영(CT) 영상인 대상 영상 및 훈련 아틀라스 영상을 입력으로 하여, 뼈 영역 기반의 유사 정합 및 장기 영역 내 밝기값 유사도 측정을 사용하여 상기 대상 영상의 복부 장기 영역과 유사한 훈련 아틀라스 영상을 선정하기 위한 유사 아틀라스 선정부(800), 상기 대상 영상과 상기 선정된 훈련 아틀라스 영상 간 영상 기반 유사 정합을 통해 상기 대상 영상에서 초기 복부 장기 마스크를 분할하기 위한 초기 마스크 분할부(802), 간, 좌우 신장 및 비장 영역에 대해 상기 초기 복부 장기 마스크와 상기 선정된 훈련 아틀라스 간 마스크 기반 어파인 정합을 수행하여 상기 대상 영상에서 간, 좌우 신장 및 비장에 대한 개선된 마스크를 최종 분할하기 위한 제1 분할 개선부(804), 및 주변의 분할 장기의 공간적 정보에 기반하여 상기 대상 영상에서 담낭과 췌장에 대한 개선된 마스크를 최종 분할하기 위한 제2 분할 개선부(806)를 포함한다.
상기 유사 아틀라스 선정부(800)는, 상기 대상 영상의 밝기값을 정규화하는 동작, 상기 대상 영상과 상기 훈련 아틀라스 영상에서 밝기값이 255인 갈비뼈 및 흉골 영역을 임계값 기법으로 추출하는 동작, 상기 추출된 대상 영상의 뼈 영역과 훈련 아틀라스 영상의 뼈 영역을 이용하여 3D 유사 정합을 수행하여 변환 행렬을 획득하는 동작, 및 상기 대상 영상과 상기 변환 행렬에 의해 정렬된 훈련 아틀라스 영상 간의 간, 좌우 신장 및 비장에서의 밝기값 기반 유사도를 측정한 후 상기 대상 영상의 복부 장기 영역과 유사한 훈련 아틀라스 영상을 선정하는 동작을 수행한다.
상기 대상 영상의 복부 장기 영역과 유사한 훈련 아틀라스 영상을 선정하는 동작은,
Figure 112017075819631-pat00116
에 기반하여 상기 대상 영상과 상기 훈련 아틀라스 영상 간의 간, 좌우 신장 및 비장에서의 밝기값 기반 유사도를 측정한 후,
Figure 112017075819631-pat00117
에 기반하여, 상기 대상 영상의 복부 장기 영역과 유사한 훈련 아틀라스 영상을 선정하는 동작을 포함하고,
Figure 112017075819631-pat00118
는 j번째 훈련 아틀라스 영상
Figure 112017075819631-pat00119
에서의 장기 영역의 픽셀 수이고,
Figure 112017075819631-pat00120
는 대상 영상의 최대 밝기값이며,
Figure 112017075819631-pat00121
는 장기 영역에서 대상 영상 I와 j번째 훈련 아틀라스 영상
Figure 112017075819631-pat00122
에서의 밝기값의 차이를 나타내고,
Figure 112017075819631-pat00123
는 모든 훈련 아틀라스에서의
Figure 112017075819631-pat00124
의 평균을 의미하며, n은 훈련 아틀라스의 개수를 의미하고,
Figure 112017075819631-pat00125
는 간, 좌우 신장, 비장의
Figure 112017075819631-pat00126
의 평균을 의미한다.
상기 초기 마스크 분할부(802)는, 상기 대상 영상과 상기 선정된 훈련 아틀라스 영상 간 3D 유사 정합을 수행하여 변환 행렬을 획득하는 동작, 및 상기 변환 행렬에 의해 정렬된 훈련 아틀라스 영상에서 밝기값 유사도 가중치를 적용한 지역적 가중 투표로 복부 장기 초기 분할을 수행하여 상기 대상 영상에서 상기 간, 좌우 신장, 비장, 담낭 및 췌장에 대한 초기 복부 장기 마스크를 분할하는 동작을 수행한다.
상기 제1 분할 개선부(804)는, 간, 좌우 신장 및 비장 영역에 대해 상기 초기 분할 마스크와 상기 선정된 훈련 아틀라스 간 마스크 기반 어파인 정합을 수행하여 변환 행렬을 획득하는 동작, 및 상기 변환 행렬에 의해 정렬된 훈련 아틀라스에서 밝기값 기반의 지역적 가중투표를 통해 상기 대상 영상에서 간, 좌우 신장 및 비장에 대한 개선된 마스크를 최종 분할하는 동작을 수행한다.
상기 제2 분할 개선부(806)는, 초기 담낭 분할 마스크와 훈련 담낭 아틀라스 간의 간 마스크 기반 3D 어파인 변환을 이용하여 담낭 아틀라스를 정렬하는 동작, 상기 정렬된 담낭 아틀라스에 대한 담낭의 밝기값 기반의 지역적 가중투표를 통해 상기 대상 영상에서 담낭 마스크를 분할하는 동작, 상기 담낭 분할 마스크에서 밝기값에 제한을 두어 담낭의 밝기값 범위에 해당하지 않는 마스크 영역을 지우는 동작, 상기 밝기값에 제한을 두어 담낭의 밝기값 범위에 해당하지 않는 마스크 영역이 지워진 담낭 분할 마스크와 훈련 담낭 아틀라스 간 마스크 기반 3D 어파인 정합을 수행한 후 밝기값 기반의 지역적 가중 투표를 통해 담낭 마스크를 분할하는 동작, 및 상기 담낭 분할 마스크에 대해 밝기값 영역 내에서 영역성장 기법을 적용하여 담낭에 대한 개선된 마스크를 최종 분할하는 동작을 수행하여, 담낭에 대한 개선된 마스크를 최종 분할한다.
상기 제2 분할 개선부(806)는, 초기 췌장 분할 마스크와 훈련 췌장 아틀라스 간의 간 마스크 기반 3D 어파인 변환을 이용하여 췌장을 정렬하는 동작, 상기 좌측 신장 및 비장에 대한 최종 분할 마스크와 훈련 아틀라스 간의 마스크 기반 3D 어파인 정합을 이용하여 췌장을 추가로 정렬하는 동작, 상기 추가로 정렬된 췌장 아틀라스에 대하여 췌장의 밝기값 기반의 지역적 가중투표를 통해 상기 대상 영상에서 췌장 마스크를 분할하는 동작, 및 상기 개선된 췌장 마스크와 훈련 췌장 아틀라스 간 마스크 기반 3D 어파인 정합을 수행한 후 췌장의 밝기값 및 중심선과의 거리값 기반의 지역적 가중투표를 통해 상기 대상 영상에서 개선된 췌장 마스크를 최종 분할하는 동작을 수행하여, 췌장에 대한 개선된 마스크를 최종 분할한다.
실험 및 결과
실험을 위해 사용된 데이터는 SIEMENS SOMATOM Definition Flash CT에서 획득한 12개의 복부 조영증강 정맥기 영상이다. 영상 해상도는 512×512이며, 슬라이스 장 수는 78∼97장이다. 화소 크기는 0.59∼0.63㎟이며, 슬라이스 간격은 3㎜인 영상을 사용하였다. 제안방법의 성능평가를 위해 육안평가와 정확성평가를 수행하였고, 실험은 12개의 영상 중 데이터 변형을 수행하지 않은 7개의 영상 각각에 대해 나머지 11개 영상을 훈련 영상으로 사용하는 단일잔류(leave-one-out) 교차검증을 수행하였다. 본 제안방법의 평가를 위해 실험 데이터는 방사선사에 의해 복부 장기가 수동으로 분할되었고, 영상 기반 정합을 통한 초기 분할 결과(방법 A(Method A)), 마스크 기반 정합을 통한 분할 개선 결과(방법 B(Method B)) 및 계층적 분할 개선 결과(방법 C(Method C))를 비교하였다.
도 9 내지 도 11은 각 비교방법으로 복부 장기를 추출한 결과이다. 도 9 내지 도 11의 (b)는 방법 A의 결과로 장기의 위치는 대략적으로 파악이 가능하나 주변의 유사 밝기값 영역으로 누출이 발생했다.
도 9 내지 도 11의 (c)는 방법 B(Method B)의 결과로 마스크 기반 정합 시 초기 분할 결과가 양호한 간, 좌우 신장, 비장의 분할 결과는 양호하나 초기 분할 결과의 정확도가 떨어지는 담낭과 췌장의 분할 결과에서 여전히 주변 유사 밝기값 영역으로 누출이 발생했다.
도 9 내지 도 11의 (d)는 담낭과 췌장에 계층적 방법을 적용한 방법 C(Method C)의 결과로 담낭의 경우 담낭과 붙어있는 간의 공간적 위치 정보와 담낭의 밝기값 정보를 함께 고려하였고, 췌장의 경우 췌장 근처에 있는 간과 좌측 신장 및 비장의 공간적 위치 정보와 췌장의 중심선과의 거리 정보를 함께 고려함으로써 주변으로의 누출이 최소화되는 것을 보였다.
정확성 평가를 위해 방사선사에 의한 수동 분할 결과(도 9 내지 도 11의 (e))와 비교방법 별 분할 결과를 다이스 유사계수(Dice similarity coefficient, DSC), 자카드 계수(Jaccard index, JI), 민감도(Sensitivity, Sens), 특이도(Specificity, Spec), 평균표면거리(Mean surface distance, MSD), 하우스도르프 거리(Hausdorff distance, HD)를 수학식 14를 통해 계산하여 비교하였다.
Figure 112017075819631-pat00127
이때, TP(True Positive)는 수동 분할한 장기 영역에서 자동 분할된 영역의 화소 개수, TN(True Negative)는 수동 분할한 장기 영역이 아닌 영역에서 자동 분할되지 않은 영역의 화소 개수, FP(False Positive)는 수동 분할한 장기 영역이 아닌 곳에서 자동 분할된 영역의 화소 개수, FN(False Negative)는 수동 분할한 장기 영역에서 자동 분할되지 않은 영역의 화소 개수, a는 자동 분할된 영역 A에서의 경계 화소, b는 수동 분할된 영역 B에서의 경계 화소, d(a,b)는 a에서 b까지의 거리를 의미한다.
도 12는 전체 복부 장기에 대하여 비교방법의 DSC, JI, 민감도, 특이도, MSD, HD를 Box plot을 통해 비교한 그래프이다.
방법 A(Method A)를 적용하였을 때 DSC, JI, 민감도, 특이도, MSD, HD는 각각 89.05%, 80.28%, 91.46%, 98.87%, 4.49㎜, 41.10㎜로 나타났고, 방법 B를 적용하였을 때 90.23%, 82.24%, 87.65%, 99.46%, 2.82㎜, 34.84㎜로 나타나 방법 A 대비 DSC, JI. 특이도가 각각 1.18%, 1.96%, 0.59% 향상되었고 MSD, HD가 1.67㎜, 6.26㎜ 감소되었으나 민감도는 방법 A에서 주변 영역으로의 누출(leakage)의 영향으로 인해 민감도가 높게 나타나 1.96% 감소되었다.
방법 C를 적용하였을 때 DSC, JI 및 특이도는 각각 90.56%, 82.80%, 87.97%, 99.49%, 2.64㎜, 32.42㎜로 나타나 방법 A(Method A) 대비 DSC, JI 및 특이도가 각각 1.51%, 2.52%, 0.62% 향상되었고 MSD와 HD가 각각 1.85㎜, 8.68㎜ 감소하였고, 방법 B(Method B) 대비 DSC, JI 및 특이도가 각각 0.33%, 0.56%, 0.03% 향상되었으며, MSD와 HD가 각각 0.18㎜, 2.42㎜ 감소하였다. 이때, 방법 C(Method C)의 평가지수가 비교 방법에 비해 증감율이 낮은 이유는 다른 장기 대비 상대적으로 부피가 작은 담낭과 췌장에만 계층적 방법이 적용되었기 때문에 계층적 방법을 사용하지 않은 분할 개선 대비 제안 방법의 분할 정확도 개선 반영이 적은 것으로 나타났다.
도 13은 간, 좌측 신장, 우측 신장, 비장, 담낭, 췌장 분할 결과의 정확성 평가 결과이다. 모든 장기에서 방법 C(Method C)를 수행했을 때 DSC가 가장 높은 것을 확인할 수 있다. 간, 좌측 신장, 우측 신장, 비장의 경우 방법 B(Method B)까지 수행하였을 때 방법 A(Method A)를 수행했을 때에 비해 DSC가 각각 0.62%, 4.83%, 0.42%, 3.95% 향상되었고, 담낭과 췌장에서 방법 C(Method C)를 수행했을 때, 방법 B(Method B)를 수행했을 때에 비해 DSC가 각각 2.02%, 20.74% 향상되었으며 육안으로 확인했을 때 장기 영역이 아닌 곳에서 분할되었던 눈에 띄는 노이즈가 줄어들고 분할이 되지 않았던 영역이 분할이 된 것을 확인할 수 있다.
결론
본 발명에서는 복부 CT 영상에서 뼈 기반 유사 정합과 유사도 측정을 통한 유사 아틀라스를 선정하고, 영상 기반 유사 정합을 통한 복부 장기 초기 분할 마스크를 생성하며, 마스크 기반 어파인 정합을 통한 계층적 장기 분할을 통해 분할을 개선하는 방법을 제안하였다.
유사 아틀라스 선정 시 뼈 영역 기반 정합과 주요 장기 영역 내 밝기값 유사도 측정을 통해 성별과 비만도에 따른 지방, 근육 등 장기 외 영역의 밝기값에 의한 정합 오류로 인해 분할 정확도가 낮아지는 것을 방지하고, 선정된 유사 아틀라스와 대상영상 간 시간이 많이 소요되는 비강체 정합 대신 유사 정합과 어파인 정합을 사용함으로써 소요 시간은 줄이면서 정합 정확도는 유지할 수 있도록 영상기반 정합 및 마스크 기반 정합을 순차적으로 수행하였다.
또한 복부 장기 초기 분할 결과 중 분할 결과가 양호한 간, 좌우신장, 비장과 달리 장기의 크기가 작아 초기 분할에서의 위치 정확도가 낮은 담낭 및 위치와 형태의 다양함으로 초기 분할 정확도가 낮은 췌장에 대해 다른 기관과의 위치적 관계를 이용하는 계층적 방법과 영역성장기법 및 췌장의 중심선과의 거리값 기반 가중치를 통해 분할 정확도를 향상시켰다.
실험 결과 전체 장기 분할 결과에 대하여 본 발명에 의한 방법의 계층적 복부 장기 분할 결과와 전문가에 의한 수동분할 결과 간의 DSC가 90.56%를 보였으며, 간, 좌측 신장, 우측 신장, 비장의 경우 영상 기반 정합을 통한 초기 분할 결과 대비 마스크 기반 정합을 통한 분할 개선 결과 간의 DSC가 각각 0.62%, 4.83%, 0.42%, 3.95% 향상된 분할 정확도를 보였고, 담낭, 췌장의 경우 영상 기반 정합을 통한 초기 분할 결과 대비 계층적 분할을 통한 분할 개선 결과 간의 DSC가 각각 21.53%, 7.02% 향상된 분할 정확도를 보였다. 본 발명은 복강경 및 로봇 수술의 수술 전 리허설 및 수술계획 과정에서 복부 장기의 사전 분할에 활용될 수 있으며, 복부 장기의 질병 진단 및 치료 계획을 위한 장기의 형태 파악에 사용될 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.
208 : 복부 CT 영상 210 : 다중 아틀라스 훈련 세트
212 : 복부 장기 분할 마스크 800 : 유사 아틀라스 선정부
802 : 초기 마스크 분할부 804 : 제1 분할 개선부
806 : 제2 분할 개선부

Claims (21)

  1. (a) 복부 컴퓨터단층촬영(CT) 영상인 대상 영상 및 훈련 아틀라스 영상을 입력으로 하여, 뼈 영역 기반의 유사 정합 및 장기 영역 내 밝기값 유사도 측정을 사용하여 상기 대상 영상의 복부 장기 영역과 유사한 훈련 아틀라스 영상을 선정하는 단계;
    (b) 상기 대상 영상과 상기 선정된 훈련 아틀라스 영상 간 영상 기반 유사 정합을 통해 상기 대상 영상에서 간, 좌우 신장, 비장, 담낭 및 췌장에 대한 초기 복부 장기 마스크를 분할하는 단계; 및
    (c) 간, 좌우 신장 및 비장 영역에 대해 상기 초기 복부 장기 마스크와 상기 선정된 훈련 아틀라스 간 마스크 기반 어파인 정합을 수행하여 상기 대상 영상에서 간, 좌우 신장 및 비장에 대한 개선된 마스크를 최종 분할하는 단계를 포함하는, 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 방법.
  2. 청구항 1에 있어서,
    (d) 담낭과 췌장 주변의 상기 분할된 간, 좌우 신장 및 비장의 공간적 정보에 기반하여 상기 대상 영상에서 담낭과 췌장에 대한 개선된 마스크를 최종 분할하는 단계를 더 포함하는, 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 방법.
  3. 청구항 1에 있어서,
    상기 단계 (a)는,
    (a-1) 상기 대상 영상의 밝기값을 정규화하는 단계;
    (a-2) 상기 대상 영상과 상기 훈련 아틀라스 영상에서 밝기값이 255인 갈비뼈 및 흉골 영역을 임계값 기법으로 추출하는 단계;
    (a-3) 상기 추출된 대상 영상의 뼈 영역과 훈련 아틀라스 영상의 뼈 영역을 이용하여 3D 유사 정합을 수행하여 변환 행렬을 획득하는 단계; 및
    (a-4) 상기 대상 영상과 상기 변환 행렬에 의해 정렬된 훈련 아틀라스 영상 간의 간, 좌우 신장 및 비장에서의 밝기값 기반 유사도를 측정한 후 상기 대상 영상의 복부 장기 영역과 유사한 훈련 아틀라스 영상을 선정하는 단계를 포함하는, 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 방법.
  4. 청구항 3에 있어서,
    상기 단계 (a-3)은,
    상기 추출된 대상 영상의 뼈 영역과 훈련 아틀라스 영상의 뼈 영역을 이용하여 3D 유사 정합을 수행하여,
    Figure 112018055491760-pat00128
    를 최소화하는 변환행렬(
    Figure 112018055491760-pat00129
    )을 획득하는 단계를 포함하고,
    Figure 112018055491760-pat00130
    는 대상 영역의 뼈 영역의 i번째 화소이고,
    Figure 112018055491760-pat00131
    는 j번째 훈련 아틀라스 영상의 뼈 영역의 i번째 화소이며,
    Figure 112018055491760-pat00132
    는 x, y, z축 이동, 회전 및 확대축소의 총 9개의 파라메터를 이용하여 만든 변환행렬인, 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 방법.
  5. 청구항 4에 있어서,
    상기 단계 (a-4)는,
    Figure 112017075819631-pat00133
    에 기반하여 상기 대상 영상과 상기 훈련 아틀라스 영상 간의 간, 좌우 신장 및 비장에서의 밝기값 기반 유사도를 측정한 후,
    Figure 112017075819631-pat00134
    에 기반하여, 상기 대상 영상의 복부 장기 영역과 유사한 훈련 아틀라스 영상을 선정하는 단계를 포함하고,
    Figure 112017075819631-pat00135
    는 j번째 훈련 아틀라스 영상
    Figure 112017075819631-pat00136
    에서의 장기 영역의 픽셀 수이고,
    Figure 112017075819631-pat00137
    는 대상 영상의 최대 밝기값이며,
    Figure 112017075819631-pat00138
    는 장기 영역에서 대상 영상 I와 j번째 훈련 아틀라스 영상
    Figure 112017075819631-pat00139
    에서의 밝기값의 차이를 나타내고,
    Figure 112017075819631-pat00140
    는 모든 훈련 아틀라스에서의
    Figure 112017075819631-pat00141
    의 평균을 의미하며, n은 훈련 아틀라스의 개수를 의미하고,
    Figure 112017075819631-pat00142
    는 간, 좌우 신장, 비장의
    Figure 112017075819631-pat00143
    의 평균을 의미하는, 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 방법.
  6. 청구항 1에 있어서,
    상기 단계 (b)는,
    (b-1) 상기 대상 영상과 상기 선정된 훈련 아틀라스 영상 간 3D 유사 정합을 수행하여 변환 행렬을 획득하는 단계; 및
    (b-2) 상기 변환 행렬에 의해 정렬된 훈련 아틀라스 영상에서 밝기값 유사도 가중치를 적용한 지역적 가중 투표로 복부 장기 초기 분할을 수행하여 상기 대상 영상에서 상기 간, 좌우 신장, 비장, 담낭 및 췌장에 대한 초기 복부 장기 마스크를 분할하는 단계를 포함하는, 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 방법.
  7. 청구항 6에 있어서,
    상기 단계 (b-1)은,
    상기 대상 영상과 상기 선정된 훈련 아틀라스 영상 간 3D 유사 정합을 수행하여
    Figure 112017075819631-pat00144
    를 최소화하는 변환 행렬을 획득하는 단계를 포함하고,
    I는 대상 영상이며,
    Figure 112017075819631-pat00145
    는 j번째 훈련 아틀라스 영상이고,
    Figure 112017075819631-pat00146
    는 x, y, z축 이동, 회전 및 확대축소의 총 9개의 파라메터를 이용하여 만든 변환행렬이며,
    상기 단계 (b-2)는,
    상기 획득된 변환 행렬에 의해 정렬된 훈련 아틀라스 영상에 대해
    Figure 112017075819631-pat00147
    에 따른 밝기값 유사도 가중치를 적용한 지역적 가중 투표를 통해 상기 대상 영상에서 복부 장기 초기 분할을 수행하여 상기 초기 복부 장기 마스크(L)를 획득하는 단계를 포함하고,
    Figure 112017075819631-pat00148
    는 아틀라스에서 추출한 각 장기별 밝기값 히스토그램에서 대상 화소의 확률값이며,
    Figure 112017075819631-pat00149
    는 유사 정합을 통해 정렬된 아틀라스를 의미하는, 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 방법.
  8. 청구항 2에 있어서,
    상기 단계 (c)는,
    (c-1) 간, 좌우 신장 및 비장 영역에 대해 상기 초기 분할 마스크와 상기 선정된 훈련 아틀라스 간 마스크 기반 어파인 정합을 수행하여 변환 행렬을 획득하는 단계; 및
    (c-2) 상기 변환 행렬에 의해 정렬된 훈련 아틀라스에서 밝기값 기반의 지역적 가중투표를 통해 상기 대상 영상에서 간, 좌우 신장 및 비장에 대한 개선된 마스크를 최종 분할하는 단계를 포함하는, 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 방법.
  9. 청구항 8에 있어서,
    상기 단계 (c-1)은,
    간, 좌우 신장 및 비장 영역에 대한 상기 초기 분할 마스크와 상기 선정된 훈련 아틀라스 간 마스크 기반 어파인 정합을 수행하여
    Figure 112017075819631-pat00150
    를 최소화하는 변환 행렬을 획득하는 단계를 포함하고,
    L은 초기 분할 마스크이며,
    Figure 112017075819631-pat00151
    는 j번째 훈련 아틀라스이고,
    Figure 112017075819631-pat00152
    는 x, y, z축 이동, 회전, 확대축소 및 전단의 총 12개의 파라미터를 이용하여 만든 변환행렬이며,
    상기 단계 (c-2)는, 상기 획득된 변환 행렬에 의해 정렬된 훈련 아틀라스에 대해
    Figure 112017075819631-pat00153
    에 따른 밝기값 기반의 지역적 가중투표를 통해 상기 대상 영상에서 간, 좌우 신장 및 비장에 대한 개선된 마스크(
    Figure 112017075819631-pat00154
    )를 최종 분할하는 단계를 포함하고,
    Figure 112017075819631-pat00155
    는 아틀라스에서 추출한 각 기관별 히스토그램에서 대상 화소의 확률값이며,
    Figure 112017075819631-pat00156
    는 어파인 정합을 통해 정렬된 기관별 아틀라스를 의미하는, 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 방법.
  10. 청구항 8에 있어서,
    상기 단계 (d)에서 담낭에 대한 개선된 마스크를 최종 분할하는 단계는,
    (d-1) 초기 담낭 분할 마스크와 훈련 담낭 아틀라스 간의 간 마스크 기반 3D 어파인 변환을 이용하여 담낭 아틀라스를 정렬하는 단계;
    (d-2) 상기 정렬된 담낭 아틀라스에 대한 담낭의 밝기값 기반의 지역적 가중투표를 통해 상기 대상 영상에서 담낭 마스크를 분할하는 단계;
    (d-3) 상기 담낭 분할 마스크에서 밝기값에 제한을 두어 담낭의 밝기값 범위에 해당하지 않는 마스크 영역을 지우는 단계;
    (d-4) 상기 밝기값에 제한을 두어 담낭의 밝기값 범위에 해당하지 않는 마스크 영역이 지워진 담낭 분할 마스크와 훈련 담낭 아틀라스 간 마스크 기반 3D 어파인 정합을 수행한 후 밝기값 기반의 지역적 가중 투표를 통해 담낭 마스크를 분할하는 단계; 및
    (d-5) 상기 담낭 분할 마스크에 대해 밝기값 영역 내에서 영역성장 기법을 적용하여 담낭에 대한 개선된 마스크를 최종 분할하는 단계를 포함하는, 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 방법.
  11. 청구항 10에 있어서,
    상기 단계 (d-1)은,
    상기 초기 담낭 분할 마스크와 선정된 훈련 담낭 아틀라스 간 마스크 기반 어파인 정합을 수행하여
    Figure 112017075819631-pat00157
    를 최소화하는 변환 행렬을 획득하고 상기 변환 형렬에 따라 훈련 아틀라스를 정렬하는 단계를 포함하며,
    L은 초기 분할 마스크이고,
    Figure 112017075819631-pat00158
    는 j번째 훈련 아틀라스이고,
    Figure 112017075819631-pat00159
    는 x, y, z축 이동, 회전, 확대축소 및 전단의 총 12개의 파라미터를 이용하여 만든 변환행렬이며,
    상기 단계 (d-2)는,
    상기 정렬된 훈련 아틀라스에 대해
    Figure 112017075819631-pat00160
    에 따른 밝기값 기반의 지역적 가중투표를 통해 상기 대상 영상에서 담낭 마스크(
    Figure 112017075819631-pat00161
    )를 분할하는 단계를 포함하고,
    Figure 112017075819631-pat00162
    은 아틀라스에서 추출한 담낭의 히스토그램에서 대상 화소의 확률값이며,
    Figure 112017075819631-pat00163
    는 간의 어파인 변환을 통해 정합된 담낭 아틀라스를 의미하고,
    상기 단계 (d-3)은,
    Figure 112017075819631-pat00164
    와
    Figure 112017075819631-pat00165
    에 따라, 상기 담낭 분할 마스크에서 밝기값에 제한을 두어 담낭의 밝기값 범위에 해당하지 않는 마스크 영역을 지우는 단계를 포함하며,
    Figure 112017075819631-pat00166
    은 담낭 영역의 밝기값을 의미하고,
    Figure 112017075819631-pat00167
    는 담낭 영역의 밝기값 히스토그램의 최빈값(peak)을 의미하는, 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 방법.
  12. 청구항 8에 있어서,
    상기 단계 (d)에서 췌장에 대한 개선된 마스크를 최종 분할하는 단계는,
    (e-1) 초기 췌장 분할 마스크와 훈련 췌장 아틀라스 간의 간 마스크 기반 3D 어파인 변환을 이용하여 췌장 아틀라스를 정렬하는 단계;
    (e-2) 상기 좌측 신장 및 비장에 대한 최종 분할 마스크와 훈련 아틀라스 간의 마스크 기반 3D 어파인 정합을 이용하여 췌장 아틀라스를 추가로 정렬하는 단계;
    (e-3) 상기 추가로 정렬된 췌장 아틀라스에 대하여 췌장의 밝기값 기반의 지역적 가중투표를 통해 상기 대상 영상에서 췌장 마스크를 분할하는 단계; 및
    (e-4) 상기 개선된 췌장 마스크와 훈련 췌장 아틀라스 간 마스크 기반 3D 어파인 정합을 수행한 후 췌장의 밝기값 및 중심선과의 거리값 기반의 지역적 가중투표를 통해 상기 대상 영상에서 개선된 췌장 마스크를 최종 분할하는 단계를 포함하는, 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 방법.
  13. 청구항 12에 있어서,
    상기 단계 (e-3)은,
    상기 추가로 정렬된 췌장 아틀라스에 대하여
    Figure 112017075819631-pat00168
    에 따른 췌장의 밝기값 기반의 지역적 가중투표를 통해 상기 대상 영상에서 개선된 췌장 마스크를 분할하는 단계를 포함하고,
    Figure 112017075819631-pat00169
    는 아틀라스에서 추출한 췌장의 히스토그램에서 대상 화소의 확률값이고,
    Figure 112017075819631-pat00170
    는 간의 어파인 변환을 통해 정렬된 췌장 아틀라스이며,
    Figure 112017075819631-pat00171
    는 좌측 신장 및 비장의 어파인 변환을 통해 정렬된 췌장 아틀라스를 의미하는, 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 방법.
  14. 복부 컴퓨터단층촬영(CT) 영상인 대상 영상 및 훈련 아틀라스 영상을 입력으로 하여, 뼈 영역 기반의 유사 정합 및 장기 영역 내 밝기값 유사도 측정을 사용하여 상기 대상 영상의 복부 장기 영역과 유사한 훈련 아틀라스 영상을 선정하기 위한 유사 아틀라스 선정부;
    상기 대상 영상과 상기 선정된 훈련 아틀라스 영상 간 영상 기반 유사 정합을 통해 상기 대상 영상에서 간, 좌우 신장, 비장, 담낭 및 췌장에 대한 초기 복부 장기 마스크를 분할하기 위한 초기 마스크 분할부; 및
    간, 좌우 신장 및 비장 영역에 대해 상기 초기 복부 장기 마스크와 상기 선정된 훈련 아틀라스 간 마스크 기반 어파인 정합을 수행하여 상기 대상 영상에서 간, 좌우 신장 및 비장에 대한 개선된 마스크를 최종 분할하기 위한 제1 분할 개선부를 포함하는, 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 장치.
  15. 청구항 14에 있어서,
    담낭과 췌장 주변의 상기 분할된 간, 좌우 신장 및 비장의 공간적 정보에 기반하여 상기 대상 영상에서 담낭과 췌장에 대한 개선된 마스크를 최종 분할하기 위한 제2 분할 개선부를 더 포함하는, 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 장치.
  16. 청구항 15에 있어서,
    상기 유사 아틀라스 선정부는,
    (a-1) 상기 대상 영상의 밝기값을 정규화하는 동작;
    (a-2) 상기 대상 영상과 상기 훈련 아틀라스 영상에서 밝기값이 255인 갈비뼈 및 흉골 영역을 임계값 기법으로 추출하는 동작;
    (a-3) 상기 추출된 대상 영상의 뼈 영역과 훈련 아틀라스 영상의 뼈 영역을 이용하여 3D 유사 정합을 수행하여 변환 행렬을 획득하는 동작; 및
    (a-4) 상기 대상 영상과 상기 변환 행렬에 의해 정렬된 훈련 아틀라스 영상 간의 간, 좌우 신장 및 비장에서의 밝기값 기반 유사도를 측정한 후 상기 대상 영상의 복부 장기 영역과 유사한 훈련 아틀라스 영상을 선정하는 동작을 수행하는, 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 장치.
  17. 청구항 16에 있어서,
    상기 동작 (a-4)는,
    Figure 112017075819631-pat00172
    에 기반하여 상기 대상 영상과 상기 훈련 아틀라스 영상 간의 간, 좌우 신장 및 비장에서의 밝기값 기반 유사도를 측정한 후,
    Figure 112017075819631-pat00173
    에 기반하여, 상기 대상 영상의 복부 장기 영역과 유사한 훈련 아틀라스 영상을 선정하는 동작을 포함하고,
    Figure 112017075819631-pat00174
    는 j번째 훈련 아틀라스 영상
    Figure 112017075819631-pat00175
    에서의 장기 영역의 픽셀 수이고,
    Figure 112017075819631-pat00176
    는 대상 영상의 최대 밝기값이며,
    Figure 112017075819631-pat00177
    는 장기 영역에서 대상 영상 I와 j번째 훈련 아틀라스 영상
    Figure 112017075819631-pat00178
    에서의 밝기값의 차이를 나타내고,
    Figure 112017075819631-pat00179
    는 모든 훈련 아틀라스에서의
    Figure 112017075819631-pat00180
    의 평균을 의미하며, n은 훈련 아틀라스의 개수를 의미하고,
    Figure 112017075819631-pat00181
    는 간, 좌우 신장, 비장의
    Figure 112017075819631-pat00182
    의 평균을 의미하는, 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 장치.
  18. 청구항 14에 있어서,
    상기 초기 마스크 분할부는,
    (b-1) 상기 대상 영상과 상기 선정된 훈련 아틀라스 영상 간 3D 유사 정합을 수행하여 변환 행렬을 획득하는 동작; 및
    (b-2) 상기 변환 행렬에 의해 정렬된 훈련 아틀라스 영상에서 밝기값 유사도 가중치를 적용한 지역적 가중 투표로 복부 장기 초기 분할을 수행하여 상기 대상 영상에서 상기 간, 좌우 신장, 비장, 담낭 및 췌장에 대한 초기 복부 장기 마스크를 분할하는 동작을 수행하는, 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 장치.
  19. 청구항 15에 있어서,
    상기 제1 분할 개선부는,
    (c-1) 간, 좌우 신장 및 비장 영역에 대해 상기 초기 분할 마스크와 상기 선정된 훈련 아틀라스 간 마스크 기반 어파인 정합을 수행하여 변환 행렬을 획득하는 동작; 및
    (c-2) 상기 변환 행렬에 의해 정렬된 훈련 아틀라스에서 밝기값 기반의 지역적 가중투표를 통해 상기 대상 영상에서 간, 좌우 신장 및 비장에 대한 개선된 마스크를 최종 분할하는 동작을 수행하는, 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 장치.
  20. 청구항 19에 있어서,
    상기 제2 분할 개선부는,
    (d-1) 초기 담낭 분할 마스크와 훈련 담낭 아틀라스 간의 간 마스크 기반 3D 어파인 변환을 이용하여 담낭 아틀라스를 정렬하는 동작;
    (d-2) 상기 정렬된 담낭 아틀라스에 대한 담낭의 밝기값 기반의 지역적 가중투표를 통해 상기 대상 영상에서 담낭 마스크를 분할하는 동작;
    (d-3) 상기 담낭 분할 마스크에서 밝기값에 제한을 두어 담낭의 밝기값 범위에 해당하지 않는 마스크 영역을 지우는 동작;
    (d-4) 상기 밝기값에 제한을 두어 담낭의 밝기값 범위에 해당하지 않는 마스크 영역이 지워진 담낭 분할 마스크와 훈련 담낭 아틀라스 간 마스크 기반 3D 어파인 정합을 수행한 후 밝기값 기반의 지역적 가중 투표를 통해 담낭 마스크를 분할하는 동작; 및
    (d-5) 상기 담낭 분할 마스크에 대해 밝기값 영역 내에서 영역성장 기법을 적용하여 담낭에 대한 개선된 마스크를 최종 분할하는 동작을 수행하여 담낭에 대한 개선된 마스크를 최종 분할하는, 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 장치.
  21. 청구항 19에 있어서,
    상기 제2 분할 개선부는,
    (e-1) 초기 췌장 분할 마스크와 훈련 췌장 아틀라스 간의 간 마스크 기반 3D 어파인 변환을 이용하여 췌장 아틀라스를 정렬하는 동작;
    (e-2) 상기 좌측 신장 및 비장에 대한 최종 분할 마스크와 훈련 아틀라스 간의 마스크 기반 3D 어파인 정합을 이용하여 췌장 아틀라스를 추가로 정렬하는 동작;
    (e-3) 상기 추가로 정렬된 췌장 아틀라스에 대하여 췌장의 밝기값 기반의 지역적 가중투표를 통해 상기 대상 영상에서 췌장 마스크를 분할하는 동작; 및
    (e-4) 상기 개선된 췌장 마스크와 훈련 췌장 아틀라스 간 마스크 기반 3D 어파인 정합을 수행한 후 췌장의 밝기값 및 중심선과의 거리값 기반의 지역적 가중투표를 통해 상기 대상 영상에서 개선된 췌장 마스크를 최종 분할하는 동작을 수행하여 췌장에 대한 개선된 마스크를 최종 분할하는, 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 장치.
KR1020170099533A 2017-08-07 2017-08-07 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 방법 및 장치 KR101892949B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170099533A KR101892949B1 (ko) 2017-08-07 2017-08-07 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170099533A KR101892949B1 (ko) 2017-08-07 2017-08-07 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 방법 및 장치

Publications (1)

Publication Number Publication Date
KR101892949B1 true KR101892949B1 (ko) 2018-08-29

Family

ID=63434520

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170099533A KR101892949B1 (ko) 2017-08-07 2017-08-07 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 방법 및 장치

Country Status (1)

Country Link
KR (1) KR101892949B1 (ko)

Cited By (3)

* 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
KR20210000542A (ko) * 2019-06-25 2021-01-05 서울여자대학교 산학협력단 의료영상에서의 특정연골 분할 방법 및 장치
CN116894842A (zh) * 2023-09-08 2023-10-17 南方医科大学南方医院 肿瘤腹腔种植转移病灶图像处理方法及相关装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101274283B1 (ko) * 2012-01-02 2013-06-13 서울여자대학교 산학협력단 간 자동분할 방법 및 시스템
JP2016112419A (ja) * 2014-12-15 2016-06-23 株式会社東芝 医用画像処理装置、医用画像処理方法及び医用画像処理プログラム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101274283B1 (ko) * 2012-01-02 2013-06-13 서울여자대학교 산학협력단 간 자동분할 방법 및 시스템
JP2016112419A (ja) * 2014-12-15 2016-06-23 株式会社東芝 医用画像処理装置、医用画像処理方法及び医用画像処理プログラム

Non-Patent Citations (15)

* Cited by examiner, † Cited by third party
Title
[1] R. Wolz, C. Chu, K. Misawa, M. Fujiwara, K. Mori, and D. Rueckert, "Automated Abdominal Multi-Organ Segmentation With Subject-Specific Atlas Generation," IEEE Transactions on Medical Imaging, Vol. 32, No. 9, pp. 1723-1730, 2013.
[10] M.A. Selver, "Segmentation of Abdominal Organs from CT using a Multi-level, Hierarchical Neural Network Strategy," Computer Methods and Programs in Biomedicine, Vol. 113, Issue 3, pp. 830-852, 2014.
[11] D. Kang and J. Ha, Digital Image Processing, INFINITYBOOKS, Korea, 2010.
[12] H. Kim, H. Kim, H. Lee, and H. Hong, "Automatic Segmentation of Femoral Cartilage in Knee MR Images using Multi-atlas-based Locally-weighted Voting," Journal of Korean Institute Information Scientists and Engineers, Vol. 43, No. 8, pp. 869-877, 2016.
[13] H. Jo, H. Hong, and J. Goo, "Pulmonary Nodule Registration in Serial CT Scans using Global Rib Matching and Nodule Template Matching," Computers in Biology and Medicine, Vol. 45, pp. 87-97, 2014.
[2] J. Bano, A. Hostettler, S.A. Nicolau, S. Cotin, C. Doignons, H.S. Wu et al, "Simulation of Pneumoperitoneum for Laparoscopic Surgery Planning," MICCAI'12 Proceedings of the 15th international Conference on Medical Image Computing and Computer-Assisted Intervention, Part 1, LNCS 7510, pp. 91-98, 2012.
[3] P. Campadelli, E. Casiraghi, and S. Pratissoli, "A Segmentation Framework for Abdominal Organs from CT Scans," Journal of Artificial Intelligence in Medicine, Vol. 50, Issue 1, pp. 3-11, 2010.
[4] C. Wang and O. Smedby, "Automatic Multi-organ Segmentation using Fast Model based Level Set Method and Hierarchical Shape Priors," Proceedings of the VISCERAL Organ Segmentation and Landmark Detection Challenge co-located with IEEE Internaational Symposium on Biomedical Imaging, pp. 25-31, 2014.
[5] R.P. Burke, Z. Xu, C.P. Lee, and R.B. Baucom, "Multi-Atlas Segmentation for Abdominal Organs with Gaussian Mixture Models," SPIE Medical Imaging, Vol. 9417, No. 7, 2013.
[6] M.G. Linguraru, J.K. Sandberg, Z. Li, F. Shah, and R.M. Summers, "Automated Segmentation and Qunatification of Liver and Spleen from CT Images using Normalized Probabilistic Atlas and Enhancement Estimation," Medical Physics, Vol. 37, No. 2, pp. 771-783, 2010.
[7] H. Kim, H. Kim. H. Lee, and H. Hong, "Hierarchical Multi-Atlas Segmentation of Organs on Abdominal CT Images," Proceeding of Spring Conference of the Korea Multimedia Society 2016, Vol. 19, No. 1, pp. 183-184, 2016.
[8] M. Oda, T. Nakaoka, T. Kitasaka, K. Furukawa, K. Misawa, and M. Fujiwara et al, "Organ Segmentation from 3D Abdominal CT Images Based on Atlas Selection and Graph Cut," MICCAI'11 Proceedings of the Third International Conference on Abdominal Imaging: Computational and Clinical Applications, pp. 181-188, 2011.
[9] V. Zografos, A. Valentinitsch, M. Rempfler, F. Tombari, and B. Menze, "Hierarchical Multi-organ Segmentation without Registration in 3D Abdominal CT Images," MICCAI MCV Workshop 2015, LNCS 9601, pp. 37-46, 2016.
복부 컴퓨터 단층촬영영상에서 다중 확률 아틀라스 기반 형상제한 그래프-컷을 사용한 신실질 자동 분할 *
조영증강 복부 전산화단층촬영영상에서 다단면도 해부 정보와 변형모델을 이용한 간 자동 분할 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210000542A (ko) * 2019-06-25 2021-01-05 서울여자대학교 산학협력단 의료영상에서의 특정연골 분할 방법 및 장치
KR102228087B1 (ko) 2019-06-25 2021-03-15 서울여자대학교 산학협력단 의료영상에서의 특정연골 분할 방법 및 장치
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
CN116894842A (zh) * 2023-09-08 2023-10-17 南方医科大学南方医院 肿瘤腹腔种植转移病灶图像处理方法及相关装置
CN116894842B (zh) * 2023-09-08 2023-12-22 南方医科大学南方医院 肿瘤腹腔种植转移病灶图像处理方法及相关装置

Similar Documents

Publication Publication Date Title
US9990712B2 (en) Organ detection and segmentation
US10593035B2 (en) Image-based automated measurement model to predict pelvic organ prolapse
Wu et al. Automatic liver segmentation on volumetric CT images using supervoxel‐based graph cuts
Wang et al. Shape–intensity prior level set combining probabilistic atlas and probability map constrains for automatic liver segmentation from abdominal CT images
US9092691B1 (en) System for computing quantitative biomarkers of texture features in tomographic images
EP2693951B1 (en) Image analysis for specific objects
CN108428233B (zh) 基于知识的自动图像分割
US9801601B2 (en) Method and system for performing multi-bone segmentation in imaging data
CN110766730B (zh) 图像配准及随访评估方法、存储介质及计算机设备
US20110158491A1 (en) Method and system for lesion segmentation
EP3188127A1 (en) Method and system for performing bone multi-segmentation in imaging data
Casiraghi et al. Automatic abdominal organ segmentation from CT images
KR20230059799A (ko) 병변 검출을 위해 공동 훈련을 이용하는 연결형 머신 러닝 모델
Shariaty et al. Texture appearance model, a new model-based segmentation paradigm, application on the segmentation of lung nodule in the CT scan of the chest
Song et al. Kidney segmentation in CT sequences using SKFCM and improved GrowCut algorithm
KR101892949B1 (ko) 복부 컴퓨터단층촬영 영상에서 다중 아틀라스 기반 형상 및 밝기값 정보를 이용한 계층적 장기 분할 방법 및 장치
US20150302603A1 (en) Knowledge-based automatic image segmentation
CN114463247A (zh) 用于确定3d z向病变连通性的逻辑模型
Gomathi et al. A computer aided diagnosis system for lung cancer detection using support vector machine
Fooladivanda et al. Localized-atlas-based segmentation of breast MRI in a decision-making framework
Jalab et al. Fractional Renyi entropy image enhancement for deep segmentation of kidney MRI
Jain et al. An automatic cascaded approach for pancreas segmentation via an unsupervised localization using 3D CT volumes
CN113348485A (zh) 异常检测方法、异常检测程序、异常检测装置、服务器装置以及信息处理方法
Mousavi Moghaddam et al. Lung parenchyma segmentation from CT images with a fully automatic method
Guzmán et al. Slice correspondence estimation using SURF descriptors and context-based search for prostate whole-mount histology MRI registration

Legal Events

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