KR20040102038A - 이미지 픽셀 인코딩 방법, 이미지 처리 방법 및 하나이상의 이미지 픽셀들에 의해 재생된 객체의 특성 인식을위한 이미지 처리 방법 - Google Patents

Abstract

본 발명은 디지털 혹은 디지털화된 이미지들을 인코딩하는 방법에 관한 것으로, 이때 상기 이미지들은 2차원 이미지에서는 픽셀로, 3차원 이미지에서는 복셀로 불리는 이미지 도트의 집합으로 구성되며, 상기 픽셀들이나 복셀들 각각은 디스플레이 스크린이나 프린팅된 이미지에서 픽셀의 시각적 태양에 해당하는 값들의 집합으로 표현된다. 본 발명에 따르면, 디지털 혹은 디지털화된 이미지의 관심있는 부분의 픽셀이나 복셀(5, 14) 혹은 이미지를 형성하는 픽셀들이나 복셀들 집합의 각 픽셀이나 복셀(5, 14)은 하나의 벡터로 고유하게 식별되어지고, 이때 상기 벡터의 성분들은 인코딩될 픽셀이나 복셀의 데이터(5,14)에 의해서 및 인코딩될 픽셀 주변의 하나이상의 또는 일부의 또는 모든 픽셀의 데이터(1,2,3,4,5,6,7,8 ,9;1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27)에 의해서 주어지며 그리고 상기 이미지를 형성하는 픽셀들이나 복셀들의 전체 집합에 포함된 픽셀들이나 복셀들의 지정된 서브 집합내에 배열된다.

Description

이미지 픽셀 인코딩 방법, 이미지 처리 방법 및 하나 이상의 이미지 픽셀들에 의해 재생된 객체의 특성 인식을 위한 이미지 처리 방법{A METHOD FOR ENCODING IMAGE PIXELS, A METHOD FOR PROCESSING IMAGES AND A METHOD FOR PROCESSING IMAGES AIMED AT QUALITATIVE RECOGNITION OF THE OBJECT REPRODUCED BY ONE OR MORE IMAGE PIXELS}

여기서, 디지털이란 용어는 디지털 포맷의 출력 이미지를 갖는 가령, 디지털 카메라, 핵자기 공명 이미지 장치, 초음파 이미지 장치 등의 이미징 장치들(imaging apparatuses)에서 얻어진 이미지를 정의한다.

여기서, 디지털화된 이미지(digitized image)는 아날로그 시스템에서 획득된 이미지에 관한 것으로서, 이 아날로그 시스템에서 아날로그 이미지는 하드웨어 장치 혹은 소프트웨어 장치에 상관없이 스캐너로 알려진 장치에 의해서 또한 스캔되고, 상기 하드웨어 장치는 매체상에서 프린트되는 이미지를 판독하기 위한 장치이고, 상기 소프트웨어 장치는 신호들의 집합으로 이루어진 이미지를 샘플링하여 디지털 신호로 전환하도록 설계된 것을 말한다.

디지털 이미지의 광범한 사용으로 인해 상기 이미지를 수치 데이터 형태로 가질 수 있게 되었고, 이는 또 다른 처리를 가능하게 한다.

상기 이미지를 디지털로 구하거나 혹은 전통 시스템에서의 아날로그 방식으로 구하여 추가적으로 디지털화하거나(가령, 스캐너와 같은 디지타이징 장치에 의한 스캔)에 관계없이, 디지털 이미지는 이른바 픽셀(pixels)이라는 이미지 도트(image dots) 집합으로 구성되고, 이들은 서로 다른 밝기 조건(즉, 서로 다른 그레이 스케일 톤 혹은 서로 다른 컬러)을 가질 수 있다. 이미지의 각 픽셀은 또한 적절한 위치를 갖고 있어서 상기 디지털 이미지가 성분(P_i,j)의 2차원 또는 3차원 매트릭스로 표현될 수 있고, 각 픽셀은 상기 이미지를 형성하는 픽셀 집합의 지정된 픽셀에 해당하고, 상기 성분(P_i,j)은 특정 픽셀에 관한 밝기 및/또는 컬러 값을 추정하는 변수이다.

만일 범위가 블랙 이미지 및 화이트 이미지에 한정될 때, 상기 다른 픽셀 관련 밝기 값은, 디스플레이 장치의 디지털화된 이미징 장치의 능력에 따라, 일부 다른 중간 그레이 레벨을 통해 블랙에서 화이트로 확장하는 그레이 스케일로 표현되고, 이때 상기 그레이 레벨의 수는 사용자가 정의할 수 있다.

3차원 매트릭스의 경우, 이산 이미지 유닛 성분은 일반적으로 복셀(voxel)로 일컬어지고 상기 3차원 매트릭스는 성분(V_i,j,k)으로 구성된다.

본 발명은 디지털 또는 디지털화된 이미지의 픽셀을 인코딩하는 방법에 관한 것으로, 자동 이미지 처리 시스템에 사용가능한 각 픽셀의 정보 내용의 생성을 목적으로 하며, 특히 여기서 재생된 객체(objects)와 관련한 이미지 인식용으로 설계되었다.

도 1은 본 발명에 따라 2차원 공간에서 디지털 혹은 디지털화된 이미지 픽셀의 인코딩을 나타낸 개략도.

도 2는 도 1의 개략도를 3차원 이미징 공간에서 나타낸 개략도.

도 3은 디지털 혹은 디지털화된 이미지의 타임 시퀀스에서 동일한 픽셀에 대하여 상기 식별 벡터를 나타낸 개략도.

도 4는 앞서의 도면에서 주어진 픽셀 인코딩 방법에 따라 연산하는 이미지 처리 방법의 블록도.

도 5는 도 8이나 도 11과 같이 핵자기 공명 이미징에서 획득된 이미지에 대한 이미지 처리 결과들의 데이터 테이블 및 차트를 보여주며, 상기 처리 시스템은 단지 두 유형의 조직, 즉 양성 종양 조직 및 악성 종양 조직만을 포함하는 교육용 베이스에 의해 연산된다.

도 6은 도 8이나 도 11에 주어진 핵자기 공명 이미지에 대하여 이미지 처리 결과들의 차트를 보여주며, 여기서 상기 처리 시스템은 세 가지 유형의 조직, 즉 양성 종양 조직, 악성 종양 조직, 및 정상 조직을 포함하는 교육용 베이스를 사용한다.

도 7은 도 8이나 도 11에 보이는 핵자기 공명 이미지에 대하여 이미지 처리결과들의 데이터 테이블 및 그에 따른 차트를 보여주며, 여기서 상기 처리 시스템은 네 가지 유형의 조직 및 추가적인 객체 유형, 즉 양성 종양 조직, 악성 종양 조직, 정상 조직, 및 근육 조직, 및 배경 이미지(background image)를 포함하는 교육용 베이스에 의해 연산된다.

도 8은 제 1 핵자기 공명 이미지를 보여주고, 여기서 양성 종양 조직의 존재는 흰색 링으로 윤곽이 표시되어 진다.

도 9는 도 8과 동일한 이미지를 보여주지만, 양성 종양 조직만이 인식되는 모드로 처리된 이미지를 보여주며, 여기서 상기 시스템은 본래 획득된 이미지 상에서 하나 혹은 다른 종양 조직의 픽셀들에 서로 다른 태양을 할당한 결과를 디스플레이하고 있다.

도 10은 본 발명에 따라 처리된 도 8 및 도 9와 동일한 이미지를 보여주며, 여기서 상기 시스템은 네 유형의 조직과 배경을 인식하고 있으며, 또한 상기 시스템은 서로 다른 조직 유형 및 배경에 속하는 픽셀들에 서로 다른 상(aspects)을 할당함으로써 본래 획득된 이미지를 디스플레이하고 있다.

도 11 및 12는 악성 종양 조직(흰 색 링으로 윤곽이 표시)을 포함하는 또 다른 핵자기 공명 이미지이며, 상기 종양 조직을 포함하는 영역의 확대된 이미지이다.

도 13은 도 11과 동일한 이미지로서, 본 발명에 따른 이미지 처리 결과를 나타내며, 네 조직 유형(양성 조직, 악성 조직, 정상 및 근육 조직) 및 배경을 포함하는 다섯 개의 객체 유형으로 구별되어 디스플레이되어 있다.

도 14는 본 발명의 처리 방법을 사람의 눈 이하의 분해능에 따른 픽셀들을 디스플레이 하는 단계들과 조합하여 나타내고 있다.

따라서, 기술적 관점에서, 디지털 이미지는 가상의 이미지를 형성하는 데이터 매트릭스의 형태에서 특유의 등가 이미지를 가지며, 그 자체로서 알고리즘을 사용하는 시스템이나 방법에 의한 이미지 처리에 잠재적으로 적합한 구조를 가지고, 이 구조는 컴퓨터에 로딩된 소프트웨어 혹은 이미지 매트릭스상의 특정 기능을 실행하기 위한 전용 하드웨어를 포함한다.

하지만, 논리적 관점에서, 각 픽셀(P_i,j)이나 복셀(V_i,j,k)에 포함된 정보는 단순한 밝기 값(즉, 그레이 스케일 값)만을 표시하기 때문에, 어디에서 이미지 정보가 추출될 수 있는지에 관하여 아무런 의미가 없으며, 이 정보는 단지 상기 디스플레이 장치를 제어하는 데이터로만 작용하고, 이 디스플레이 장치는 이미징 프로세스동안 다루어져서 이미지의 일반적 상태(가령, 콘트라스트 및/또는 밝기 및/또는 사용자 선택 기능에 따른 특정 컬러)를 조정하게 된다.

다른 이미지 부분에서 픽셀에 의해 재생된 객체들의 모양과 특징에 관하여, 상기 획득된 이미지는 각 이미지 픽셀의 주변 픽셀과의 관계에서 유도된다. 따라서, 이미지 처리에 의해 각 픽셀을 조정하여 디스플레이되는 화질을 향상하기 위해서는, 각 픽셀과 주변 픽셀들 사이의 관계를 정의할 필요가 있다. 현재로서는 상기 이미지에 의해 재생된 객체들의 특징에 따라 그러한 관계를 결정짓는 규칙이 없으며, 예외적으로 가설에 근거한 규칙이나 추정에 의한 규칙이 있을 뿐이다.

그러나, 본 발명은 이미지 픽셀을 인코딩하는 방법을 제공하는 문제에 기초하며, 이 방법은 상기 이미지에서 특별히 재생된 객체의 특징에 관계없이 각 픽셀과 주변 픽셀들간의 관계를 설명하고, 다시 말해서 상기 방법은 이미지 데이터 집합을 제공하는데 사용될 수 있고 특히 상기 이미지에서 표현된 객체의 일부 특징을 인식하는 목적을 지닌 이미지 처리 절차에 적합하다.

추가적인 목적으로는 상기 설명된 인코딩 프로세스를 제공하는 것인데, 이 프로세스는 단순하여서 복잡한 처리 단계나 긴 처리 시간을 필요하지 않으며, 또한 인코딩된 데이터를 저장하는데 필요한 하드웨어가 오버로드되지 않도록 한다.

본 발명은 디지털 또는 디지털화된 이미지를 인코딩하는 방법을 제공함으로써 상기 목적들을 달성하는데, 이때 상기 이미지를 형성하는 픽셀 집합의 각 픽셀은 벡터로서 식별이 되어지며, 이때 이 벡터 성분은 인코딩될 픽셀의 데이터 및 인코딩될 픽셀의 주변 픽셀들의 일부 혹은 전부의 데이터로써 주어지고, 상기 주변 픽셀들은 이미지를 형성하는 전체 픽셀 집합에 포함되어 있는 픽셀들의 지정된 보조 집합내에 배치되어 있다.

제 1 근사(approximation) 방법으로서, 픽셀 식별 벡터의 성분들은 인코딩될 픽셀이 여러 픽셀에 둘러싸여져 있을 경우 상기 인코딩될 픽셀에 바로 근접한 모든 픽셀들을 선택함으로써 결정된다.

픽셀 식별 벡터의 성분들은 또한 상기 인코딩될 픽셀에 바로 근접한 픽셀을 둘러싸는 픽셀들의 일부 또는 전부로까지 확장될 수 있다.

이론적으로, 상기 픽셀 식별 벡터의 성분들을 정의하는데 사용될 수 있는 주변 픽셀들의 수와 위치에는 아무런 제한이 없다.

식별될 픽셀 및 주변 픽셀에 따른 상기 식별 벡터의 성분들은, 지정된 픽셀 판독 시퀀스를 참조로, 픽셀들의 배열을 상기 이미지를 이루는 픽셀 매트릭스내에서 반사(reflect)하는 방법으로 배열되어서 상기 벡터를 형성하게 된다.

특히, 상기 식별 벡터의 성분들은, 지정된 픽셀 판독 시퀀스를 참조로, 상기 픽셀들의 서로에 대한 거리 관계 및 인코딩될 픽셀과의 거리 관계에 따르는 방법으로 배열되어서 상기 벡터를 형성하게 된다.

상기 식별 벡터의 성분은, 주변 픽셀들에 관하여, 식별될 픽셀이 상기 이미지 픽셀 집합 중 하나에 따르는 중앙 위치를 갖는 방법으로 배열되며, 이때 픽셀 집합은 식별 벡터 성분을 결정하도록 선택된다.

상기 방법은 디지털 혹은 디지털화된 이미지를 이루는 각 픽셀에 대한 식별 벡터의 생성을 포함한다.

이러한 배열에 의해, 가상 픽셀 집합(즉, 실제 위치와 동일한 위치를 갖는 데이터 집합)에 해당하는 데이터 매트릭스로 이루어진 가상의 이미지는 하나의 매트릭스로 전환되고, 이때 이 매트릭스에서 각각의 구성요소는 어떤 픽셀 위치에서 상기 식별 벡터를 가지며, 따라서 이 매트릭스는 상기와 같은 수치 구조를 갖는다.

상기 식별 벡터가 주변 픽셀들의 지정된 수에 관한 데이터로 주어진 성분들을 포함하기 때문에, 식별될 픽셀은 밝기에 해당하는 수치 값으로 정의될 뿐만 아니라 주변 픽셀들의 밝기에 해당하는 수치 값들에 의해서도 정의된다. 따라서, 픽셀들(즉, 픽셀들에 관한 밝기 데이터)의 매트릭스는 벡터 집합으로 변화된다.

상기 픽셀 식별 벡터는 가령, 서로 다른 시간에 선택된 픽셀들 값 및 식별될픽셀 값과 같은 다른 성분들에도 또한 확장될 수 있다. 예를 들어, 동일한 프레임에서 서로 다른 순간에 획득된 서로 다른 디지털 또는 디지털화된 이미지들이 사용가능할 때 상기와 같은 확장의 장점이 있다. 이런 경우에, 상기 벡터는 연속된 다른 성분 집합들에 관련될 것이며, 또한 식별될 픽셀 값 및 주변의 선택된 픽셀들의 값들을 포함하고, 각 벡터 집합은 다른 획득 순간에 동일 프레임과 관련된 이미지에 의해서 결정된다.

가급적, 상기 성분 집합은 그 캡쳐(capture)의 타임 시퀀스에 따라 연속으로 상기 식별 벡터내에 배열된다.

본 발명은 각 픽셀 수치에 따라 픽셀을 식별하고 상기 픽셀의 주변 픽셀들의 수와의 관계를 확인하는 것 외에도, 식별될 상기 픽셀의 시간 변이(time variation) 및 선택된 주변 픽셀들과의 관계들의 시간 변이에도 또한 확장된다. 본 발명의 인코딩 방법에 의해, 각 이미지 픽셀뿐만 아니라 심지어 움직이는 객체를 표현하는 이미지 시퀀스에 대해서도 수치적 설명이 제공될 수 있으며, 객체의 움직임에 의해서 발생된 어떤 변화는 상기 식별 벡터에 포함되어 있다.

앞서 설명된 방법은 2차원 및 3차원 이미징(imaging)으로 쉽게 구현될 수 있다. 3차원 이미징의 경우, 만일 모든 픽셀들이 식별될 픽셀 주위로 점점 멀어지는 셸(shells)을 형성하게 되면, 상기 식별 벡터 성분의 수는 입방체 진행(cubic progression) 방향으로 현저히 증가한다.

식별될 픽셀 주위에서 픽셀을 선택하는 패턴 및 픽셀 데이터(식별 벡터 성분을 형성)는 필요에 따라 변할 수 있다.

이미지 픽셀의 인코딩 방법의 추가 실시예에 따르면, 단지 하나의 픽셀만을 코딩될 최소의 이미지 표면으로 생각하지 않고, 다수의 인접한 픽셀들을 고려할 수 있다. 코딩용 사각형 픽셀의 서브 매트릭스에서, 코딩될 최소의 이미지 영역은 상기 서브 매트릭스의 네 개의 중심에 의해 형성될 수 있다. 이 경우, 상기 코딩 벡터 또는 매트릭스에서 네 개의 픽셀 그룹에 할당된 하나 이상의 값은 상기 네 개의 인접한 픽셀들의 밝기의 선형 또는 비선형 조합으로 형성된다.

상기 최소의 이미지 영역으로서 코딩될 픽셀들 그룹의 값은 몇몇 파라미터를 포함하는 조합값이 될 수 있고, 각 파라미터는 네 개의 픽셀 그룹의 밝기의 평균값과 같은 상기 네 픽셀들 밝기의 선형 혹은 비선형 조합을 나타내며, 또한 네 개의 픽셀들의 밝기 분산과 같은 통계값을 나타낸다. 상기 그룹화된 픽셀들의 수치 값들이 최소 이미지 영역을 나타내기 때문에, 만일 상기 이미지가 칼라 이미지이고 심지어 상기 밝기 및 칼라 값들의 시간에 관한 변화가 있을 경우, 상기 네 개의 그룹화된 픽셀들의 칼라 값이 고려될 수 있다. 또한 상기 그룹화된 화소들의 컬러 값들은 단일 픽셀들의 칼라 값들 및 분산과 같은 통계적 파라미터에 따른 값들의 선형 또는 비선형 조합의 형태가 될 수 있다.

상기 밝기 값들의 분산 및/또는 상기 그룹화된 픽셀들의 컬러 값들은 선형 혹은 비선형 조합들의 시간에 대한 변화들로 간주될 수 있고, 이러한 변화들에는 평균값 혹은 시간에 대한 다른 통계적 파라미터를 들 수 있다.

어떤 수 가령, 네 개의 그룹화된 픽셀들로 형성된 이러한 최소의 이미지 영역은 상기 설명된 식별 벡터와 유사하게도 밝기 및/또는 컬러 값 및/또는 시간에관한 주변 픽셀들 수의 분산을 포함할 수 있다.

코딩될 최소 이미지 영역에 관하여 몇몇 대안들이 선택될 수 있다. 제 1 대안적 실시예에서는, 코딩될 최소 이미지 영역을 형성하고 있는 그룹화된 픽셀들 주변의 각 선택된 픽셀이 독립적으로 혹은 그 자체로서 고려되어 진다.

제 2 대안 실시예에서, 상기 선택된 주변 픽셀들은 코딩될 픽셀들과 유사하게 그룹이 만들어지고 따라서 최소의 주변 이미지 영역을 형성하며, 이러한 주변 이미지 영역의 값은 선형 혹은 비선형 조합 또는 다른 통계적 함수에 의해 정의되고, 이때 상기 통계적 함수는 주변의 최소 이미지 영역으로 그룹화된 단일 픽셀들의 밝기 함수이다.

상기 설명된 실시예는 상기 이미지에 의해 재생된 대상(subject)과 비교하여 매우 작아서 계산시간을 줄일 수 있는 장점이 있고, 따라서 단지 하나의 픽셀 영역내에서는 상기 이미지 대상의 구조에 아무런 변화도 일어날 수 없다.

본 발명은 또한 이미지 처리 방법과 관련되며, 특히 객체 및/또는 객체 모양의 인식을 목적으로하고, 이때 이미지에서의 픽셀들은 식별 벡터로 인코딩된다.

디지털 혹은 디지털화된 이미지를 처리하는 방법은

- 디지털 혹은 디지털화된 이미지들을 픽셀 식별 벡터들로 인코딩하고, 이때 이미지 객체들은 선택된 특성 및 형태에 관하여 식별되며, 또한 다른 형태나 특성의 지정된 리스트와 관련하여 각각의 식별 벡터를 상기 식별된 각 픽셀에 의해 재생된 객체의 부합하는 형태 또는 특성으로 결합시키고,

- 전문가용 처리 시스템을 위한 교육용 데이터베이스를 생성하고, 이때 상기데이터베이스는 상기 식별 벡터들에 의해서 및 상기 재생된 객체와 관련된 형태나 특성에 의해서 형성된 이항들(binomials)을 포함하며,

- 상기 교육용 데이터베이스에 엔터링함으로써, 상기 전문가용 처리 시스템을 교육하고,

- 각 픽셀과 관련된 식별 벡터들에 의하여 평가되지 않는 이미지의 픽셀들을 인코딩하고, 그리고

- 상기 이미지 픽셀에 의해 표현된 객체의 형태나 특성을 얻기 위하여, 상기 처리 시스템의 출력에서 상기 처리의 결과로서, 상기 처리 시스템에서의 상기 이미지 픽셀 식별 벡터들을 엔터링하는

단계들을 포함한다.

객체의 특성이나 형태를 인식하고 이를 픽셀 식별 벡터에 할당하는 과정은 복잡하지 않은데, 이는 단지 비교 과정이기 때문이다. 그러나 상기 벡터가 상당한 수의 성분들을 가지는 점에서, 픽셀들 및 그에 따라 비교될 벡터들도 많은 수를 갖는 어려움이 있다. 인식될 픽셀에 대한 식별 벡터가 상기 전문가용 시스템에서의 교육용 데이터베이스에 포함된 식별 벡터와 비교되어지는 각 단계의 처리 시간을 고려할 때, 전체 시간은 실제로 매우 길고 수용하기가 어렵다. 이러한 응용 분야는 특별한 처리 알고리즘에 적합하고 특히 공지된 신경망에서 더욱 정확하다.

그러나, 처리 시스템으로서 신경망을 사용하는 것이 선호되는 실시예이지만, 본 발명은 상기 알고리즘에 한정되지 않으며, 처리될 이미지 픽셀들의 식별 벡터를 상기 교육용 데이터베이스와 비교하는 알고리즘에도 적용될 수 있으며, 이러한 알고리즘에는 단조로운 비교(dull comparison)를 하고 또한 식별 벡터가 객체의 형태 혹은 특성에 속하는가를 결정하는 이산화(discretizing) 알고리즘이 있다.

본 발명에 따른 픽셀 인코딩 방법은 매우 신뢰할 만하고 정확한 결과를 제공하는 점이 지금부터 명백해질 것이다.

이러한 알고리즘은 정확한 솔루션으로 재빨리 수렴될 수 있고 또는 최선의 솔루션으로 통계상 간주된 솔루션으로 수렴될 수 있는데, 이는 동일한 객체의 형태나 특성에 대하여 식별 벡터들의 상당한 편차를 고려함으로써 가능하다.

상기 전문가용 처리 시스템에서 제공된 결과는 리스트를 프린팅하거나 디스플레이하여 보여질 것이다. 상기 대안 및 조합으로써, 상기 처리 결과는 각 형태나 특성에 컬러를 결합함으로써 하일라이팅될 수 있고 또한 상기 디지털 혹은 디지털화된 이미지에 대한 솔루션을 상기 표현된 객체의 부합하는 형태나 특성의 컬러로 할당되어 있는 디지털화된 이미지의 각 픽셀로 나타냄으로써 하일라이팅될 수 있다.

상기 교육 단계는, 다른 시간대에서 동일한 프레임의 서로 다른 이미지들을 바탕으로 또는 그 형태나 특성이 지정된 옵션 중 하나인 다른 프레임들 혹은 객체들의 이미지들을 바탕으로, 상기 전문가용 프로세싱 시스템을 가능하게 하는데, 특히 가장 큰 태양(aspect) 편차를 갖는 특정 객체나 특성에 있어서 상기 식별 벡터의 태양이 어떠해야 하는가를 알려주는 신경망을 예로 들 수 있다.

상기 재생된 객체 및 특성의 인식은 상기 이미지의 전체 처리와는 무관하며 또한 상기 인식은 픽셀 집합이 상기 이미지내에서 나타내는 것과는 무관하게 픽셀별로 이루어진다.

어떤 객체의 유형이나 특성을 나타내는 픽셀들의 식별 벡터에 대하여 가능한 많은 편차를 제공함으로써, 상기 처리 시스템은 식별 벡터(픽셀)가 어떤 유형의 객체나 특성에 속하는지를 더욱 정확하게 인식할 수 있다.

픽셀 베이스(pixel-based) 처리 방법은 상기 이미지 대상으로부터 어떤 객체 유형이나 특성에 속하는 픽셀 식별 벡터의 인식을 언링크(unlink)한다.

상기 이미지 처리 방법은 다른 장점을 제공한다.

제 1 추가적 장점으로서, 상기 객체 형태나 특성들의 리스트는 앞서의 교육 과정에 영향을 주지 않고 언제든지 수정(즉, 제한 또는 확장)될 수 있는데, 이는 상기 처리 시스템에서 교육용 데이터베이스에서의 단순한 통합에 의해 가능하다. 또한 추가 확장에 영향을 주지 않고서, 상기 교육용 데이터베이스의 모든 형태나 특성 가운데 이미지 대상의 일부 형태나 특성을 인식하는 것에만 이미지 처리를 제한하는 것이 가능하다.

더욱이, 상기 시스템에서 획득된 정보를 포함하는 데이터베이스가 늘어남에 따라 정보나 기술이 향상되고 따라서 상기 처리 시스템의 정확성과 신뢰성을 향상시키게 된다.

픽셀의 특징을 객관적으로 평가하는 것은 사람에 의한 이미지 인식 및 해석에 있어서의 오류를 피할 수 있게 한다.

인식될 객체의 형태 및 특성의 선택 및 적절한 교육용 데이터베이스의 생성에 의해서, 상기 동일한 처리 시스템은 다른 기능을 수행하는데 사용될 수 있다.

객체의 형태나 특성을 단순히 인식하는 것 외에도, 디포커스(defocused) 이미지를 교정하고 동일한 대상의 두 디지털 이미지(가령, 핵자기 공명 이미지, 초음파 이미징, 방사선 혹은 사진 이미징 등 다른 이미징 방법에 의해 획득)를 정확하게 중첩하게 하는 교육용 데이터베이스를 생성할 수 있다.

본 발명의 인식 방법에 의해서 제공되는 또 다른 장점으로는 상기 이미지 획득 동안 이미지 해상도(definition)를 제한할 수 있고, 따라서 사람과 비교할 때 상기 방법에 의한 정확한 인식으로 인해 상기 획득된 이미지를 평가하는 가능성에 있어서 동일하거나 훨씬 좋은 결과를 획득하게 된다. 이는 가령, 핵자기 공명이나 초음파 혹은 다른 유사한 수단에 의해 중요한 장점, 즉 이미징 시간의 축소로 인한 더 작은 분해능을 제공한다. 이는 빠른 이미징 및 이미징 재구성 장치에 필요한 비용을 줄일 뿐 아니라, 오랫동안 조용히 지낼 필요가 없는 환자의 안정을 위한 긍정적인 기능을 함축하고 있다.

본 발명의 이미지 인식의 특별한 용도로는 핵자기 공명 이미징, 초음파 이미징, 또는 방사선(radiography) 등에 의한 진단 이미지(diagnostic images)로부터 조직 형태를 자동 인식하는 것이 있다.

이 경우 있어서, 상기 방법은

- 공지된 디지털 혹은 디지털화된 진단 이미지들을 인코딩함으로써 얻어진 픽셀 식별 벡터를 바탕으로, 상기 전문가용 프로세싱 시스템을 교육하기 위한 데이터베이스를 생성하고, 이때 상기 진단 이미지 픽셀들은 전문가에 의해 이미 조직 유형에 관련되어 있으며, 이때 상기 픽셀 식별 벡터들은 부합하는 공지된 조직 유형에만 유일하게 관련되어 있고,

- 상기 처리 알고리즘 형태와 관련된 모드뿐 아니라 상기 교육용 데이터베이스를 엔터링함으로써 상기 전문가용 시스템을 교육하고,

- 동일 프레임의 이미지 혹은 이미지들의 타임 시퀀스를 본 발명의 방법에 따라 픽셀 식별 벡터들로 인코딩하고, 이때 상기 이미지 혹은 시퀀스는 디지털로 획득되거나 혹은 디지털화되지만 번역되지 않으며, 그리고

- 상기 처리 시스템에 들어있는 상기 번역되지 않은 이미지용 픽셀 인코딩 벡터들을 엔터링하고, 이때 상기 처리 시스템은 각 픽셀 식별 벡터에 대한 조직 유형이나 조직 특성을 처리하고 또한 처리 결과를 디스플레이하는

단계들을 포함한다.

특히, 상기 결과는 할당된 컬러로 디스플레이되고, 선정된 컬러들은 한 객체의 유형이나 특성에 속하는 픽셀들의 서로 다른 유형이나 특성들로 할당되어 있다.

이 경우, 상기 방법은 아무런 진단 기능을 가지지 않지만 상기 획득된 이미지 평가의 책임을 지고 있는 의사 혹은 기술자에게 신뢰할 만한 정보를 생성한다. 즉, 아무런 직접적인 치료 대안도 제공되지 않지만, 상기 이미지에서 쉽게 발견될 수 있는 조직 유형을 단순히 나타낸다. 최종 진단에 관한 전체 결과가 확실해지기 위해서는 상기 이미지가 자격을 가진 사람에 의해 판독되고 해석되어야 하며 또한 다른 진단 방법에 의해 비교 검사가 이루어져야 한다.

그러나, 방사선 플레이트, 초음파 이미지 혹은 핵자기 이미지와 같은 진단 이미지를 판독하고 해석하는 것은 쉽지가 않으며, 특히 상기 이미지에서 재생된 질병이 매우 작은 범위를 가질 경우에는 더욱 어렵다. 본 발명에서 제공된 도구는 잠재적인 병리적 요소들에 관하여 신뢰할 만한 신호를 보내게 함으로써, 의사나 자격을 가진 자가 상기 병리적 요소들을 보지 못하거나 오판하는 위험을 줄여준다.

도 1은 픽셀 집합(이미지 단위 성분)으로 구성된 2차원의 디지털 혹은 디지털화된 이미지에 있어서의 인코딩 방법을 개략적으로 나타내고 있다.

여기서, 상기 픽셀 집합 중에서 픽셀(5)은 어떤 처리에 유용한 정보를 얻도록 인코딩 되어진다.

이러한 경우, 상기 이미지는 일정한 수의 픽셀 및 본 발명의 방법에 따른 몇몇 단계들을 포함하며, 도 1 에서는 픽셀(5)에 관하여 논의될 것이다. 본 발명의 인코딩 방법에 있어서, 특정 픽셀(5) 주변의 픽셀들은 픽셀(5)에 대한 식별 벡터를 형성하는데 사용될 것이다. 주변 픽셀들을 달리 선택하는 지정된 원칙에 따라 상기 주변 픽셀들은, 식별 벡터의 구성 성분으로 선택될 주변 픽셀들의 수 및 인코딩될 픽셀(5)과 관련한 주변 픽셀들의 위치와 관련하여, 식별 벡터의 구성 성분으로 선택될 수 있다.

일반적인 선택 방법으로는 인코딩될 픽셀에 바로 인접하고 있는 모든 픽셀들, 즉 도 1에서 픽셀(5)에 인접하고 있는 주변 픽셀들(1,2,3,4 및 6,7,8,9)을 식별 벡터의 구성 성분으로 사용하는 것이다.

흑백 또는 그레이 스케일의 이미지에서, 각 픽셀이 나타내는 값은 밝기 값으로 주어지며, 즉 이 값은 이미징 장치의 컬러 분해능에 관한 디지털 이미지의 특성에 따라 일정 수의 중간 레벨을 거쳐 흰 색에서 검정색으로 확장되는 그레이 스케일에서 그레이 값으로 주어지는 것을 말하며, 이때 그레이 스케일은 일정한 수의 그레이 톤을 가질 수 있다.

컬러 이미지에서 컬러 인코딩의 유형에 따라, 각 픽셀은 할당될 컬러를 나타내는 하나의 변수를 가질 수 있다.

본 발명의 단계들을 잘 설명하기 위해 도면의 예에서는 흑백 또는 그레이 스케일 이미지에 한정될 것이다. 당분야의 기술자는 분명 변수들을 나타내는 픽셀 컬러로 확장할 수 있으며, 이는 식별 벡터에서 많은 수의 구성 성분이 존재할 수 있음을 말한다.

도 1은 픽셀(5)과 관련하여 한 픽셀에 대한 식별 벡터의 구조를 보여준다.

픽셀 매트릭스내의 픽셀 인덱싱 시퀀스에서, 상기 벡터는 성분을 구성하는 픽셀(1)에서 픽셀(9)까지의 모든 픽셀들로 이루어져 있다. 이 경우에, 픽셀 매트릭스의 중앙에 위치한 픽셀(5)은 식별 벡터 성분의 시퀀스에서 중앙의 위치를 차지한다.

인코딩될 픽셀에 관한 식별 벡터를 형성하는 픽셀들이 인덱스되는 방식은 그 자체로서는 관련이 없다. 중요한 것은 이런 방식의 선택이 모든 인코딩 과정에서 일관되고 정확하게 이루어지는가이다. 그렇지 않으면 두 픽셀 벡터사이에 아무런 비교가 가능하지 않은데, 이는 벡터 성분들이 서로 다른 배열 순서를 가질 것이기 때문이다.

따라서, 이 인코딩 연산에 있어서 픽셀(5)에 대한 식별 벡터는 그레이 스케일 밝기(즉, 식별될 픽셀에 대한 픽셀 태양 정보)를 포함하고 또한 주변 픽셀들에관한 밝기 정보도 포함하고 있다.

이 벡터의 구조는 이미지의 콘텐츠가 각 픽셀의 태양을 바탕으로 인식되는 것이 아니라 특정 픽셀의 태양과 주변 픽셀들의 태양 사이의 관계를 바탕으로 인식될 수 있음을 근거로 한다. 실제로, 만일 주변 도트나 영역의 태양에 관해서 평가되지 않는다면, 각 이미지 도트는 그 자체로서 중요하지 않다. 시각적 관점에서, 한 이미지에서 보이는 것은 이미지내의 서로 다른 영역들 간의 상대적 평가를 바탕으로 인식된다.

앞서 언급된 바와 같이, 인코딩될 픽셀에 대한 식별 벡터를 생성하기 위하여 주변 픽셀들을 선택하는 것은 어떤 특정 규칙에 지배를 받지는 않는다.

예를 들어, 식별 벡터를 생성하기 위하여 주변 픽셀들의 수를 증가시키는 것이 가능한데, 이는 인코딩될 중앙 픽셀로부터의 거리가 증가할 때 상기 인코딩될 중앙 픽셀 주위의 픽셀 링의 픽셀들의 일부 혹은 전부를 벡터 성분으로 사용함으로써 가능하다.

앞서 도시된 예에서, 중앙 픽셀(5)에 직접 이웃하고 있는 픽셀 링을 둘러싸고 픽셀들(즉, 픽셀 1, 2, 3, 4, 6, 7, 8, 9)의 일부 혹은 전부를 고려할 수 있다.이 경우, 벡터 성분은 급격히 증가하고, 식별 벡터 처리 환경을 오버로드하게 된다. 픽셀(5)에 대한 식별 벡터가 가령, 도시된 3× 3 픽셀 매트릭스를 둘러싸는 모든 픽셀을 포함하도록 배열된다면, 식별 벡터의 성분들 수는 9에서 25로 증가한다.

이 경우에서, 처리는 더욱 정확한 솔루션을 제공할 수 있다.

더욱이, 인코딩될 픽셀로부터 더 먼 거리에서 상기 추가 픽셀은 서로 다른방법으로 적절히 위치하여 상기 식별 벡터상의 효과를 감쇠하게 된다.

도 2는 3차원 이미지의 경우를 보여주며, 여기서 중앙 픽셀(14)은 3× 3× 3 입방체를 형성하는 주변의 모든 픽셀들의 값을 성분(즉, 27개의 성분)을 갖는 식별 벡터에 의해 인코딩된다.

2차원 구현에서 제시된 사항들은 3차원 구현에서도 적용될 수 있다. 이는 만일 다른 픽셀들이 가령, 입방체를 둘러싸는 3차원 입방체 픽셀 껍질의 픽셀들로 설명될 경우, 상기 식별 벡터의 오버로드 처리를 잘 보여준다. 이 경우, 만일 상기 식별 벡터에서 5× 5× 5 입방체의 모든 픽셀들이 고려된다면, 벡터 성분들의 수는 입방체 진행 방향으로 27에서 125로 증가하게 된다.

본 발명의 추가 특징에 따르면, 동일한 프레임의 이미지들의 시퀀스가 사용가능할 경우, 픽셀 벡터의 인코딩 방법으로 인해 상기 식별 벡터에서 검사 중인 픽셀의 시간에 따른 작용을 통합할 수 있다.

상기 이미지들의 시퀀스는 가령, 영화 프레임으로 구성되거나 혹은 연속된 순간에서 취해진 동일한 프레임의 각 이미지들로 구성될 수 있다. 연속된 순간들에서 동일한 프레임의 이미징으로는 조영제 관류(contrast agent perfusion)의 진단 초음파 이미징을 예로 들 수 있다. 이 경우, 혈관 순환의 흐름에 의한 조영제의 관류는 순간(Tc)에서 검사 중인 해부 부분에 조영제를 주입함으로써 이미징 되고, 또한 계속해서 동일한 부분을 지정된 시간 간격으로 이미징된다. 상기 이미지의 시간 변화는 상기 주입 순간으로부터 일정한 주기 이후에, 조영제의 존재 여부를 검사하도록 한다. 이러한 이미지들은 혈관 질환 및 종양의 존재 여부를 검사하는 유용한정보나 추론을 제공할 수 있다.

앞서의 경우, 상기 재생된 객체의 인식은 그 태양을 바탕으로 할 뿐 아니라, 상기 태양의 시간 변화(time variation)를 바탕으로도 한다. 따라서, 상기 픽셀 벡터 인코딩 과정은, 각 픽셀의 식별 벡터에서 이미지 픽셀에 의해 재생된 객체의 특성이나 유형을 특징짓는 모든 데이터를 포함하는 것을 목적으로 하며, 특히 상기 인코딩된 픽셀의 시간 변이를 설명할 수 있어야 한다.

이 경우, 도 1과 관련하여 지정된 픽셀(가령, 픽셀(5))에 대한 식별 벡터는 해당 이미지가 캡쳐된 각 순간에 대하여, 상기 적절한 타임 시퀀스에서 픽셀들(1부터 9까지)에 관해 9개의 성분 세트를 포함한다.

도시된 실시예는 순간(T=0, T=1, T=2, T=3, T=4, T=5)에서 획득된 상기 동일 프레임의 여섯 개의 이미지를 보여준다. 더욱이, 상기 실시예는 조영제가 주입된 후, 상기 동일한 해부 부분의 초음파 이미지의 시퀀스를 획득하는 것에 관한 것이다. 조영제가 주입되는 순간(TC)은 화살표에 의해 표시된다.

상기 식별 벡터는 순간(T=0, T=1, T=2)에서 획득된 세 이미지의 픽셀들(1~9)을 설명하고, 이 경우 상기 식별 벡터는 27개의 성분을 갖는다. 상기 타임 시퀀스의 6개 이미지가 모두 설명될 경우, 성분은 54개로 증가할 것이다. 이는 9 픽셀 매트릭스를 설명하는 인코딩 과정에 관한 것으로서 인코딩될 픽셀은 중앙의 픽셀이다. 상기 인코딩 과정이, 각 순간에서 상기 식별 벡터의 25개 성분을 갖는 5× 5 픽셀 매트릭스에서, 상기 인코딩될 픽셀 주위의 픽셀들을 포함하게 되면, 상기 시퀀스의 모든 이미지가 고려될 경우, 각 식별 벡터는 150개의 성분을 가지게 될 것이다.

도 2와 같은 3차원 이미지에서 3× 3× 3 입방체 픽셀 공간에서 27개의 성분을 갖는 식별 벡터의 경우, 도 3의 예에 따른 인코딩 벡터는 타임 시퀀스의 6개 이미지 모두에 대하여 162개의 성분을 포함할 것이다. 만약 5× 5× 5의 3차원 픽셀 공간으로 확장된다면, 상기 식별 벡터는 750개로 증가할 것이다.

본 발명의 인코딩 방법은 단순하고 빠른 방식으로 이루어질 수도 있으며, 상기 인코딩 방법은 픽셀 값을 통하여 이미지 픽셀의 특징을 확인하게 하고, 또한 주변 픽셀 및 인코딩될 픽셀과 주변 픽셀들의 시간 변화와 관련해서도 이미지 픽셀의 특징을 확인할 수 있게 한다.

이러한 인코딩 방법은 이미지 대상과는 무관한 인코딩 목적의 제한된 검사 분야의 픽셀만을 설명하게 된다.

명백하게도, 이미지 혹은 이미지 시퀀스에 대한 인코딩 타임은 이미지 사이즈, 즉 픽셀들의 수에 순전히 의존한다.

상기 픽셀 코딩 방법에 관한 추가 실시예에 따르면, 단일 픽셀들에 의해 형성된 이미지를 고려하는 대신, 하나 이상의 인접한 픽셀로 형성된 상이한 사이즈의 최소 이미지 영역이 정의될 수 있다.

상기 논의된 방법, 특히 도 1에서의 픽셀(5) 및 도 2에서의 픽셀(14)에 관하여, 단일 픽셀이 식별되지는 않고 대신 일정 수의 픽셀에 의해 형성된 상기 최소 이미지 영역(가령, 네 개의 인접 픽셀이나 9개의 인접 픽셀들의 매트릭스에 의함)이 식별되어 있다.

이 경우, 그룹화된 인접한 픽셀들로 형성된 상기 최소 이미지 영역의 값은 선형 혹은 비선형 조합으로 계산될 수 있고 또한 밝기의 하나 이상의 통계적 함수 값으로 또는 상기 최소 이미지 영역을 형성하기 위해 함께 그룹화된 단일 픽셀들의 컬러 값으로 계산될 수도 있다.

단순한 예로서, 상기 최소 이미지 영역을 형성하는 단일 픽셀들의 밝기 값의 평균값을 고려해 볼 수 있다. 이를 위해, 픽셀들의 컬러와 관련한 정보가 평균 혹은 분산값의 형태로 추가될 수 있다. 더욱이, 밝기 및 컬러에 관한 값들의 시간 의존성은 도 3과 관련하여 앞서 설명된 바와 유사하게 추가될 수 있다. 이 경우, 상기 단일 픽셀들의 밝기 및 컬러 값들의 조합 및 통계 함수의 시간 의존성이 고려될 수 있으면, 이는 상기 최소 이미지 영역을 형성하는 단일 픽셀들의 밝기 평균이나 컬러 값들의 시간에 대한 변화 및 상기 통계 함수 값의 시간에 대한 변화가 고려될 수 있음을 말한다.

상기 최소 이미지 영역을 식별하는 벡터에 관하여 이웃한 픽셀들이 선택되는 것처럼, 여러 대안들 사이에서 선택이 이루어질 수 있다.

제 1 대안에서는, 상기 선택된 이웃한 픽셀들이 그 자체로서 고려될 수 있다.

제 2 대안에서는, 상기 이웃한 픽셀들이 최소 이미지 영역을 형성하도록 함께 그룹화될 수 있다. 이러한 아이디어를 잘 설명하기 위해서, 도 1의 예에서 픽셀(1~4) 및 픽셀(6~9)로 표시된 이미지 영역은 앞서 설명된 단일 픽셀이 아니라 인접한 픽셀들의 일정한 수에 의해 형성된다. 이러한 일정한 수는 코딩될 최소 이미지영역을 정의할 때와 같거나 혹은 코딩될 최소 이미지 영역을 형성하도록 그룹화된 픽셀 수와는 다를 수 있다.

하나 이상의 픽셀을 포함하는 최소 이미지 영역을 다룬 이러한 코딩 방법의 장점은 코딩 연산 시간을 빠르게 하고, 또한 특히 이미징된 대상이 몇몇 픽셀들의 영역내에서 어떤 구조적 변화를 보이지 않는 경우에 오류가 발생하지 않도록 하며, 또는 이미지 분해능이 매우 작아서 이미지를 형성하는 둘 이상의 주변 픽셀들에 대한 영역내에서 어떠한 구조적 변이도 감지되지 않는 경우에도 오류가 발생하지 않도록 한다.

진단 분야에서는 실용적이고 경제적인 이유로 이미지 픽셀들의 수는 일반적으로 2차원 이미지에서 256× 256 픽셀들로 제한되고, 인코딩은 매우 빨리 이루어진다. 이 경우, 도 1 내지 도 3과 관련한 상기 방법에 따른 코딩은 상기 코딩 절차가 너무 긴 지속시간을 갖지 않도록 사용될 수 있다.

앞서 논의된 인코딩 방법은 주변 픽셀 및 주변 픽셀들의 시간 변이와 관련하여 픽셀의 태양에 관한 정보를 포함하고 있고, 또한 픽셀에 의해 재생된 객체의 특성이나 유형을 인식하는 이미지 처리 방법을 가능하게 하고, 그리고 상기 동일한 처리 시스템이나 소프트웨어에 의하여 객체의 특성이나 유형을 자동으로 인식하게 된다.

도 4는 앞서 논의된 인코딩 방법을 바탕으로 디지털 혹은 디지털화된 이미지를 처리하는 방법의 블록도이다.

상기 처리 방법은 이 처리 시스템을 교육하는 단계 및 처리 단계를 포함한다.

상기 처리는 처리될 이미지 픽셀들에 관한 식별 벡터들과 데이터베이스 사이의 비교를 수행하는 알고리즘에 의해 이루어지고, 이때 데이터베이스는 객체의 유형이나 특성에 관하여 픽셀들에 대한 일정한 수의 식별 벡터를 포함하고 있다.

처리될 이미지의 각 픽셀에 관한 식별 벡터 및 상기 데이터베이tm에 포함되어 있는 픽셀들에 대한 식별 벡터들 사이의 비교 결과로서, 상기 비교 알고리즘은 상기 데이터베이스에 포함된 픽셀 식별 벡터의 가장 적합한 객체 유형이나 특성을 상기 처리될 이미지내의 각 픽셀 인코딩 벡터에 할당하거나 혹은 지정된 부분에 할당한다.

상기 처리 알고리즘은 LDA 알고리즘(Linear Discriminant)(S.R.Searle, 1987, Linear Models for unbalanced data, New York, John Wiley & Sons)과 같은 단순한 식별 알고리즘이나 혹은 신경망(neural networks)과 같은 복잡한 알고리즘이 될 수 있다. 사용될 이미지 처리 절차는 수많은 단순 연산이 필요한 신경망에서 주로 응용되며, 여기서는 상당한 수의 동일한 처리 단계들로 인해 정확한 수치적 솔루션을 발견하지 못한다. 실제로, 처리될 이미지 픽셀들에 대한 식별 벡터들을 참조(reference) 데이터베이스의 픽셀에 대한 식별 벡터들과 비교하는 단계의 단조로운 실행은 매우 긴 연산 시간을 필요로 하기 때문에 바람직하지 않다.

많은 신경망이 다음과 같이 사용될 수 있다: MetaGen1, MetaGen, MetanetAf, MetaBayes, MetanetBp, MetanetCm (M.Buscema(ed), 1998, SUM Special Issue on ANNs and Complex Social Systems, Volume 2, New York, Dekker, pp 439-461 andM.Buscema and Semeion Group, 1999, Artificial Neural Networks and Complex Social Systems[in Italian], Volume 1, Rome, Franco Angeli, pp 394-413 and M.Buscema, 2001, Shell to program Feed Forward and Recurrent Neural Networks and Artificial Organisms, Rome, Semeion Software n.12, ver 5.0), TasmSABp, TasmSASn (M.Buscema and Semeion Group, 1999, Artificial Neural Networks and Complex Social Systmes [in Italian], Volume 1, Rome, Franco Angeli, pp. 440-464), FF-Bm, FF-Bp, FF-Cm, FF-Sn et al. (D.E.Rumelhart, G.E.Hinton, and R.J.Williams, 1986, Learning representations by back-propagating errors, Nature, 23: 533-536; M.Buscema, 2000, Squashing Theory and Contractive Map Network, Rome, Semeion Technical Paper n.23i-23e; M.Buscema, 1995, Self-Reflexive Networks. Theory, Topology, Applications in Quality & Quantity, Kluwer Academic Publishers, Dordtrecht, The Netherlands, vol.29(4), 339-403, November). 상기 신경망을 설명하고 있는 간행물들은 본 발명의 일부로 고려될 것이다.

상기 교육 단계는 디지털 혹은 디지털화된 이미지의 픽셀들에 의해 재생된 객체의 유형이나 특성과 유일하게 관련되어 있는 픽셀 식별 벡터의 데이터베이스를 생성한다. 각 픽셀의 식별 벡터는 상기 픽셀에 의해 재생되는 특성이나 객체의 유형과 관련되어 있고, 이때 객체의 유형이나 특성들의 리스트는 이미 정의되어 있으며, 상기 픽셀은 이미지의 대상에 상기 처리 알고리즘에 제공된 지식 데이터베이스를 생성하는데 사용된 디지털 혹은 디지털화된 이미지의 대상과 일치한다.

상기 처리 알고리즘을 교육하기 위한 지식 데이터베이스는 선택되는 처리 알고리즘의 특정 교육 모드에 따라, 상기 처리 알고리즘에 의해 접근가능하다.

상기 처리 알고리즘을 교육하기 위한 단계의 끝에서 이미지 대상의 디지털 혹은 디지털화된 이미지는 앞서 설명된 방법과 함께, 상기 처리 알고리즘의 지식 데이터베이스에 포함된 방식들 가운데 상기 지식 데이터베이스를 형성하기 위한 이미지들에서 사용된 방식과 호환되는 방식으로, 인코딩된다. 상기 처리 알고리즘은 상기 인코딩 과정에서 생성된 각 픽셀들의 식별 벡터들을 비교하고, 그리고 상기 재생된 객체의 가장 적합한 유형이나 특성을 각 픽셀에 할당한다.

각 식별 벡터와 관련된 객체의 유형들이나 특성들은 리스트를 프린트하거나 혹은 처리될 이미지 픽셀들을 이미지상에 차별적으로 하일라이팅 함으로써(가령, 컬러에 의해) 서로 다르게 표시될 수 있다.

픽셀들의 총 수에 따라서 그리고 각 픽셀에서 재생된 객체의 특성이나 유형의 리스트에 필요한 정확도에 따라서, 유형들이나 특성들의 전부 혹은 서브세트(subsets)가 선택될 수 있다.

디지털 혹은 디지털화된 이미지들은 상기 인코딩 방법에 따라 2차원 혹은 3차원이 될 수 있고, 또한 동일한 프레임에서 서로 다른 순간에 획득된 이미지들의 각 시퀀스로 구성될 수 있다.

상세히 설명할 경우, 도 4는 교육 단계 및 처리 단계를 보여주고 있으며, 여기서 10은 디지털 혹은 디지털화된 이미지 세트를 나타낸다. 11은 상기 이미지들의 각 픽셀을 해당하는 식별 벡터로 인코딩하는 절차를 나타낸다. 12는 각 픽셀에 의해 재생된 객체의 특성이나 유형을 지정된 객체 유형이나 특성의 리스트를 바탕으로 한 해당 식별 벡터로 고유 상관시키는 단계를 나타낸다. 13 및 14는 상기 이미지 처리 알고리즘에 대한 참조(reference) 혹은 교육용(teaching) 데이터베이스를 나타낸다.

처리 단계에서는, 디지털 혹은 디지털화된 이미지, 또는 동일한 프레임에서의 이미지들의 시퀀스와 같은 상기 이미지들의 집합은 18로 표시되고, 픽셀을 식별 벡터들로 인코딩하는 단계는 19로 표시되며, 상기 식별 벡터는 처리 알고리즘(17)으로 제공되며, 상기 처리 알고리즘에는 리스트(13)에 포함된 유형들 및 특성들의 리스트가 제공되고, 따라서 상기 교육용 데이터베이스(14)는 상기 처리 알고리즘(17)에 의해 접근가능하다. 상기 처리 알고리즘은 이미지(18)의 픽셀들에 대한 각각의 식별 벡터로 객체의 유형이나 특성을 할당하고, 상기 식별 벡터는 20에서 부합하는 픽셀로 디코딩되고, 상기 부합하는 픽셀은 가령 컬러 등으로써 그 유형에 고유하게 상관된 어떤 픽셀 태양 변화가 할당된다. 그렇게 표시된 픽셀들은 본래의 이미지를 통해 및/또는 처리될 디지털 이미지 픽셀들에 대한 식별 벡터의 리스트를 통해 스크린에 디스플레이되고, 그리고/또는 스크린에 디스플레이된 이미지는 프린트된다.

대안으로서, 상기 알고리즘에서 얻어진 데이터는, 상기 처리 알고리즘으로 인해 각 픽셀에 의해 재생된 객체 특성이나 유형의 인식을 바탕으로 추가 프로세싱용으로 사용될 수 있다.

따라서, 상기 처리 방법은 픽셀들에 의해 재생된 객체들의 조건이나 상태,또는 특성들을 단순히 인식하는데 사용될 수 있다.

이런 방식의 처리는 의료 분야에 유리하게 사용되며, 진단용 이미지, 특히 방사선 이미지, 초음파 이미지, 핵자기 공명 이미지 등의 판독 및 해석에의 해부학적 지원용으로 사용된다.

대안으로서, 본 발명의 방법은 다른 방법으로 촬영되고 획득되지만 동일한 대상 및 동일한 프레임을 갖는 이미지에서의 객체들의 모양이나 유형을 인식하는데 사용될 수 있다. 이 경우, 동일한 대상 및 동일한 프레임을 보여주는 이미지들 각각은 본 발명의 처리 방법으로 처리될 것이고, 그 결과 실제로 동일한 위치를 가지며 동일한 객체 유형이나 특성에 관련된 다른 이미지들 픽셀들은 중첩된 위치에 보이게 되고, 따라서 상기 세 방법의 이미징으로써 상기 동일한 대상의 세부 사항을 포함하는 이미지를 제공한다. 이는 단일 이미지로 통합되는데 유리할 수 있는데, 상기 세부사항은 상기 획득이나 이미징 기술로써 인식 및 재생될 수 있을 뿐 아니라 다른 획득이나 이미징 기술로써도 인식 및 이미징될 수 있다.

유사하게, 상기 처리 방법은 가령, 디포커스된(defocused) 이미지를 정확히 교정하는 것과 같은 이미지 교정에 사용될 수 있다. 여기서, 디포커스된 이미지의 식별 벡터를 포함하는 적절한 교육용 데이터베이스를 상기 부합하는 픽셀에 의해 재생된 고유의 상관된 객체 유형이나 특성에 제공함으로써, 본 발명은 포커스된(focused) 이미지를 생성하는데 사용될 수 있고, 이는 언포커스된 테두리(unfocused borders)를 재생하는 픽셀들을 식별해내어 제거 혹은 수정함으로써 상기 포커스된 이미지를 얻게 된다.

앞서 설명된 두 가지 응용 방식은 의료 분야에서 분명히 사용될 수 있다.

특히, 동일한 대상의 동일한 프레임에서 중첩된 이미지들을 획득하기 위해 상기 처리 방법을 사용함으로써, 가령, 초음파, 방사선, 및 MR 이미징과 같은 서로 다른 기술들에 의해 획득된 모든 데이터는 단일 이미지로 통합될 수 있다.

객체의 다른 특성들 및 유형들을 인식할 수 있는 가능성은, 공간상 상이한 프레임들의 상대적 배열을 고려하게서도, 심지어 다른 이미징 기술들에 의해 동일한 대상에서 상이한 프레임들의 이미지를 제공하는 경우에도 정보를 통합할 수 있다.

도 5 내지 13은 의료 분야에 적용되고 진단 기능을 지원하도록 응용된 본 발명의 실시예의 결과를 보여준다.

특히, 도 5 내지 13에서 주어진 예는 진단용 핵자기 공명 이미지에서 서로 다른 조직 유형을 선택적으로 인식하는 처리 방법을 사용하는 것과 관련된다.

예 1.(도 5)

대상	가슴
이미징 방법	핵자기 공명
목적	조직 유형의 인식
조직 유형	1. 양성 종양2. 악성 종양
픽셀 인코딩	3× 3 픽셀 매트릭스인코딩된 픽셀은 중앙 픽셀임.
이미지 선명도	256× 256 픽셀

예 1에서, 상기 이미지 처리 알고리즘에 대한 교육용 데이터베이스는 두 조직 유형, 즉 가슴 부분에서 양성 종양 및 악성 종양을 인식하도록 생성된다.

환자의 가슴 부분에서 악성 종양 및 양성 종양이 진단된 상기 가슴 부분의핵자기 공명 이미지들이 앞서 설명된 방법에 따라 픽셀로 인코딩된다. 픽셀들에 대한 식별 벡터는 그 성분으로 3× 3 픽셀 매트릭스에서 주변의 모든 픽셀들을 포함하며, 이때 상기 픽셀 매트릭스에서 인코딩될 픽셀은 중앙의 픽셀이다(도 1).

각 픽셀에 대한 식별 벡터는 이미지내의 픽셀에 의해서 재생된 조직의 유형으로 할당된다.

그러므로, 상기 이미지 처리 알고리즘에 대한 교육용 데이터베이스는 두 조직 유형, 즉 가슴 부분의 악성 종양 조직 및 양성 종양 조직과 관련된 이미지 픽셀들의 식별 벡터들을 포함한다.

소위, 신경망으로 이루어진 아래의 알고리즘이 처리 알고리즘으로 사용된다.

처리 알고리즘

MetaGen1

MetaGen

MetanetAf

FF-Bm

MetaBayes

MetanetBp

MetanetCm

FF-Sn

TasmSABp

TasmSASn

FF-BP

FF-Cm

교육용 데이터베이스를 생성하는데 사용되지 않았던 다른 환자들의 가슴 부분 핵자기 공명 이미지들의 시퀀스는, 상기 처리 알고리즘에 관하여 교육용 데이터베이스를 생성하는데 사용된 이미지들을 인코딩하기 위한 픽셀 인코딩 방법에 따라, 도 1과 관련하여 상기 설명된 바와 같이 인코딩된다. 이러한 이미지들의 예가 도 8에 주어져 있다. 흰색 링은 양성 종양 조직의 존재를 나타낸다.

각 픽셀들에 대한 식별 벡터들은 재생된 조직 유형의 인지를 위한 처리 알고리즘으로 제공된다.

상기 알고리즘은 상기 교육용 데이터베이스에 따라 재성된 조직의 유형을 서로 다른 식별 벡터들로, 즉 해당하는 픽셀들로 할당한다.

그 결과는 상기 픽셀들을 적절히 그리고 차별적으로 컬러링함으로써 상기 양성 혹은 악성 종양 조직의 유형이 할당된 곳으로 디스플레이된다.

도 9는 도 8의 이미지에 관한 조직 유형 인식 결과의 예를 보여주며, 여기서 흰색의 윤곽 지역은 상기 양성 종양 조직을 나타낼 때 시각적 분석에 의해 인식되었던 곳이다.

도 9에서, 상기 블랙 스크린된(black screened) 흰색 영역은 상기 처리 알고리즘에 의해 양성 종양 조직의 유형이 할당된 픽셀들을 나타낸다.

흰색으로 둘러싸인 블랙 영역은 상기 처리 알고리즘에 의해 악성 종양 조직의 유형이 할당된 픽셀들을 나타낸다.

의사의 시각적 분석을 통해 얻어진 악성 혹은 양성 종양 조직 유형들을 인식하는 것과 비교하여, 일부 픽셀에 대해, 상기 알고리즘은 일치하지 않는 표시를 제공하여 일시적으로 잘못된 것으로 분류한다.

도 5는 상기 서로 다른 신경망들로써 처리된 조직 유형의 인식에 관한 예상 신뢰도(prediction reliability) 결과를 데이터 표 및 차트를 이용하여 보여주고 있다. 여기서 획득된 결과들은 양성 혹은 악성 종양 조직의 정확한 인식률, 인식 민감도, 정확한 인식의 가중 및 산술 평균으로 표현되며, 절대 오차가 포함되어 있다. 차트에서는 두 조직 유형의 인식률 및 오차 만을 보여주고 있다.

상기 설명은 처리 알고리즘으로 획득된 조직 인식에 관한 높은 신뢰도를 분명히 보여주며, 따라서 진단용 이미지 분석 방법으로 사용될 때, 상기 조직 유형들의 존재 여부를 인식 및 표시하기 위한 처리 방법은 높은 신뢰성을 제공하게 된다.

상기 방법에 의해 제공된 표시들이 매우 신뢰할 만하지만, 진단에 관한 어떠한 확실성이나 대체 수단을 제공할 수도 없고 또한 전체적인 진단에 필요한 추가적인 특수 분석이나 시험을 행하지도 못하기 때문에, 상기 방법은 순전한 진단용 방법은 아니라고 할 수 있다.

본 발명은 실제로 이미지에서 표현된 특정 조직을 인식하기 위해 진단용 이미지 판독 및 해석에 관한 도움을 준다. 초음파나 방사선 이미지 및 MRI에 의한 진단 이미지를 판독하고 해석하는데 있어서 어려움은 도 8에서 분명히 나타난다.

명백하게도, 인코딩 규칙을 바꿈으로써 더 좋은 결과를 얻을 수도 있는데, 이는 인코딩될 픽셀 주변의 픽셀들, 즉 인코딩될 픽셀의 식별 벡터의 성분을 형성하는 주변 픽셀들의 수를 증가시킴으로써 더 나은 결과를 얻을 수 있음을 말한다.

더 나은 결과는 또한 아래의 예와 같이, 상기 교육용 데이터베이스에 포함된 조직 유형들의 수를 증가시킴으로써도 가능하다.

예 2

예 2는 예 1과 비슷하게, 인식 데이터베이스에 포함된 추가 조직 유형, 즉 정상 조직에 관한 것이다. 따라서, 교육용 데이터베이스가 생성될 때, 상기 이미지들의 픽셀들에 관한 인코딩된 벡터들은 그에 따라 표현된 조직 유형들(즉, 양성 종양 조직, 악성 종양 조직, 혹은 정상 조직)에 각각 고유 상관되어 있다.

이 추가 유형은 많은 수의 픽셀들에 의존하고 또한 확실한 의미를 갖는 해당 식별 벡터들을 가능하게 한다. 앞서의 예에서는, 이러한 픽셀 식별 벡터들 및 해당 픽셀들은 상기 처리 알고리즘에 대한 아무런 의미를 갖지 못했지만, 이 두 번째 예에서 상기 처리 알고리즘은 조직의 추가적인 명확한(well-defined) 분류 및 유형을 할당할 수 있다.

이러한 추가 가능성은 오차를 줄여주는데, 이는 상기 알고리즘이 식별 벡터에 할당될 세 개의 조건 혹은 상태(statuses)로부터 선택할 수 있기 때문이다.

본 예는 앞서 예 1에 관하여 설명된 바와 같이 실행되어 진다.

이 예에서는, 아래의 신경망만이 처리 알고리즘으로 선택되었다.

처리 알고리즘

MetaGen1

MetaGen

MetanetAf

MetaBayes

MetanetBp

MetanetCm

FF-Sn

FF-BP

FF-Cm

수치 결과는 도 6에 주어져 있다.

서로 다른 신경망들에 의한 조직 유형의 인식은 더욱 신뢰할 만하다.

예 3

예 3은 상기 예들과 비슷하지만, 다섯 개의 조직 유형 즉, 양성 종양 조직, 악성 종양 조직, 정상 조직, 근육 조직 및 이미지 배경을 포함하고 있다.

교육용 데이터베이스는 앞서의 예에서와 같이 생성되며 픽셀 식별 벡터들을 포함하고, 각 식별 벡터는 상기 다섯 유형 중 하나로 할당된다.

이미지 픽셀에 대한 조직 유형의 인식 결과는 도 7 및 아래의 알고리즘에 관하여 주어져 있다.

처리 알고리즘

MetanetAf

MetaBayes

MetanetBp

MetanetCm

FF-Bm

FF-Sn

FF-BP

FF-Cm

LDA

LDA를 제외한 모든 이러한 알고리즘은 신경망들이다. LDA는 차별 알고리즘이다.

상기 결과는 조직 유형 인식의 매우 높은 신뢰성을 나타낸다. 상기 차별 알고리즘에 의한 결과가 신경망들에 의해 획득된 결과들보다 분명히 낮지만, 정상 조건과 비교하여 그 능력에 관하여 예상되지 않은 결과들도 제공할 수 있음에 또한 유의해야 한다.

차트는 각각의 서로 다른 알고리즘에 관한 오차를 보여주고 있다.

도 10은 도 8의 예와 관련하여, 인식된 서로 다른 유형들에 따라 결과를 차별화된 픽셀 컬러링으로 시각화하여 보여주고 있다.

상기 근육 조직, 배경, 정상 조직 및 양성 종양 조직은 적절히 인식되어 있다. 예 1과 관련하여, 일부 작은 부분에서 양성 종양 조직이 잘못 위치하고 있는 도 9에 검출된 표시들은 여기에 빠져 있다.

도 11, 12 및 13은 악성 종양 조직을 포함하는 가슴 부분의 핵자기 공명 디지털 사진의 예를 보여주고 있으며, 이는 도 11에서 흰색 링으로 강조되어 있고 그에 따라 도 12에서는 부분적으로 확대하여 보여주고 있다.

도 13은 본 발명의 방법에 따라 그리고 처리 알고리즘으로서 신경망 네트워크를 사용하여, 상기 이미지 픽셀들에 의해 재생된 조직 유형들의 인식에 따른 결과를 보여주고 있다. 교육용 데이터베이스는 다섯 개의 모든 조직 유형들을 포함하여 도 3에 있는 것과 동일하다.

악성 종양 조직, 배경, 및 근육 조직의 정확한 인식은 도 13에서 인식 처리 결과를 시각화함으로써 분명히 나타난다.

본 발명의 상기 처리 방법 및 예에 관하여, 상기 예에서는 동일한 프레임들이 항상 사용되지만, 상술된 방법은 프레임의 유형에 반드시 한정되지는 않음에 유의해야 할 것이다. 본 발명에 따른 인코딩 방법에서 상기 인코딩된 픽셀과 주변 픽셀들 사이의 관계가 설명될 수 있기 때문에, 상기 교육용 데이터베이스는 실제로 특정 이미지 프레임에 관계없이 상기 동일한 해부 부분이나 혹은 가능한 다른 해부 부분의 디지털 이미지의 픽셀에 의해 재생된 조직 유형을 식별 및 인식할 수 있다.

이는 이미징을 상당히 단순화시키는데, 이미지들이 동일한 프레임에서 항상 획득될 필요가 없기 때문이다.

상기 교육용 데이터베이스는 연속적인 처리 절차를 통하여 수집되고 확인된 데이터의 합에 의해 다이나믹하게 늘어날 수 있다는 것에 또한 유의해야 할 것이다. 실제로, 상기 알고리즘에 의해 조직 유형이 지정된 픽셀 및 그에 따른 식별벡터로 할당되면, 식별 벡터-조직 유형의 쌍은 상기 방법으로 늘어나는 교육용 데이터베이스에 로딩되며, 따라서 성가 처리 알고리즘은 점차 능숙하게 되어서 미결정(indecision)이나 오차의 마진을 줄이게 된다.

인식될 조직 유형을 단순히 추가하고 이를 교육용 데이터베이스를 생성하는데 사용된 이미지들의 픽셀 식별 벡터들로 할당함으로써, 상기 인식 처리 과정은 인식될 서로 다른 조직 유형의 수에 관하여 변화될 것이다.

상기 교육용 데이터베이스를 완전히 바꿈으로써, 다른 유형의 대상들에서 다른 조직 유형을 인식할 수 있고, 또한 동일한 대상에서 서로 다른 기술로써 획득된 이미지들을 교정하거나 중첩할 수도 있다.

조직 유형이나 특성의 인식을 위한 이미지 처리과정은 픽셀 벡터 인코딩 방법에 의해 또한 가능하고, 이 인코딩 방법은 특정 객체(즉, 도 3의 인코딩 예에 따른 유형)를 재생하는 픽셀의 시간 변화를 설명한다. 상기와 같이, 이러한 인코딩 방식은 이미지 시퀀스들의 픽셀들을 인코딩하게 한다.

진단 분야에서, 조직 인식 방법은 가령, 초음파 이미징과 같은 경우에 심장의 움직이는 대상들에 대하여 제공될 수 있다.

현재, 심전도 제어에서, 초음파 이미지들의 시퀀스들은 습득되며, 추가로 저장되고 가령 영화 시퀀스에서 연속적으로 디스플레이된다. 시퀀스내에서 상기 이미지들을 해석하는 것은 특히, 특정 질병과 관련해서는 쉽지가 않고 비교적 불확실하다. 도 3에 관하여 설명된 동일한 유형의 이미지 시퀀스들의 이미지 픽셀들을 인코딩하는 방법과 조합하여, 상기 예 1, 2, 3과 관련하여 설명된 처리 방법 덕분에, 이미지 시퀀스의 각 픽셀들에 의해 재생된 조직 유형을 자동 분석 및 인식하는 것이 수행될 수 있으며, 이때 상기 유형들은 의사나 자격자가 관찰하기 쉽도록 시퀀스 이미지상에서 차별화된 방식으로 하일라이팅된다.

디지털 혹은 디지털화된 이미지 시퀀스들에 있어서의 조직 유형 인식을 위한 처리 방법 및 상기 시퀀스 이미지들의 픽셀들에 대한 픽셀 인코딩 방법에 있어서, 상기 두 방법 모두는 이미지 시퀀스의 각 이미지의 각 픽셀에 대하여 인코딩될 픽셀값 및 주변 픽셀들의 값을 갖는 식별 벡터를 이용하며, 상기 두 방법을 조합한 유사한 응용 분야는 조영제 관류를 인식 및 측정하는 것뿐만 아니라 조영제를 주입하여 혹은 주입하지 않고서 조직, 혈관, 혹은 림프 흐름을 인식하는 것에 해당한다.

이 경우, 조영제를 주입한 후 시간에 따라 획득된 이미지들의 시퀀스는 도 3과 관련하여 설명된 방법으로 인코딩된다. 상기 처리 알고리즘에 대한 교육용 데이터베이스는 가령, 동맥 혈류 혹은 림프 혈류 혹은 정맥 혈류와 같은 작용 형태 및 움직이지 않는 조직들 및/또는 혈관벽 조직들을 포함한다. 이후, 인식 결과들은 서로 다른 유형들에 관한 픽셀들을 적절히 컬러링하여 디스플레이된다.

상기 모든 경우에 있어서, 특정 검사를 위하여 상기 관련된 객체 유형들이나 특성들을 포함하는 적당한 교육용 데이터베이스를 생성하는 것이 중요하다.

상기 동일한 처리 유닛(즉, 처리 소프트웨어가 로딩되는 하드웨어)은, 상기 처리 소프트웨어에 처리될 이미지들에 대한 적절한 교육용 데이터베이스를 단순히 제공함으로써 그리고 처리될 이미지들을 분명히 인코딩함으로써, 상기 인식 처리 순서들을 실행할 수 있다.

이미지 교정 순서(즉, 인공물을 서프레스(suppressing)하거나 혹은 인식하기 위한 처리 과정 및/또는 디포커싱된 영역을 인식하고 이미지를 포커싱함으로써 디포커싱된 영역을 교정하는 처리 과정)에 관하여, 본 발명의 처리 방법은 실제로 변하지 않는다.

인공물과 관련하여, 상기 인공물(artifact) 유형을 인공물-재생용 픽셀들로 할당하고 그리고 올바른 픽셀 유형을 올바른 객체 재생용 픽셀들로 할당함으로써, 인공물을 갖거나 갖지 않는 알려진 이미지들이 인코딩되는 교육용 데이터베이스가 생성될 것이다. 이미지 혹은 이미지들의 시퀀스는 한번 인식되면 쉽게 교정될 수 있는데, 이는 인공물-관련 픽셀들을 서프레싱하거나 혹은 인공물-관련 픽셀들로 가령, 주변 픽셀들과 관련하여 상기 인공물-관련 픽셀들이 가질 수 있는 조직 유형들이나 특성들을 할당함으로써 가능하다.

디포커싱은 유사한 방법으로 교정될 수 있다.

본 발명의 처리 방법은 핵자기 공명 이미징, 초음파 이미징 및 X-레이 이미징과 같은 서로 다른 기술들에 의해 획득된 것과 동일한 대상의 각 이미지로 구성된 이미지들을 생성하는데 유리하게 사용될 수 있다.

이 경우, 상기 교육용 데이터베이스는 상기 세 개의 서로 다른 기술들로 획득된 세 개의 모든 이미지들에 대한 픽셀 인코딩 벡터들 및 상기 벡터들과 고유하게 상관되는 상기 픽셀들에 따른 조직 유형들이나 특성들을 포함할 것이다. 따라서, 이미지 부분들은 특정 조직 유형들에 고유하게 상관되며, 상기 명확한(well-defined) 부분들은 중첩된 부분들이나 단일 이미지내의 다른 결합된 배열들에서 디스플레이될 것이다.

초음파 혹은 핵자기 공명 이미징과 같은 이미징 방법을 결합하여 진단 목적으로 본 발명의 인식 방법을 추가로 적용한 예는, 덜 정확하지만 상당히 빠른 이미징 시퀀스들이나 기술들로써 이미징이 실행되어지며 또한 상기 디스플레이된 이미지가 본 발명의 인식 방법으로 처리되어진다.

이러한 점은 각 이미지 픽셀들에 의해 재생된 유형들이나 특성들의 인식에 있어서 높은 신뢰성 수준을 유지하게 하고 또한 진단 이미징 시간을 줄여주게 한다. 이는 긴 이미징 시간을 요하는 초음파 혹은 핵자기 공명 이미징에서 특히 매우 유용하다.

본 발명의 처리 방법은 또한 초기 단계의 종양 조직과 같은 잠재적 질병 조직의 유형들을 인식하는데 있어서 상당한 이점을 갖고 있다. 예를 들어, 현재 X-레이 유방암 검사(mammography)는 약 7 마이크론의 공간 분해능으로 이루어진다. 그래서, 이러한 이미지들 혹은 이미지들과 상관된 데이터는 매우 빠른 성장 레벨에서 몇몇 세포 단위로 혹은 그룹 단위로 서로 다른 조직 유형들이 식별될 수 있도록 하는 분해능을 가진다. 그럼에도 불구하고, 인간의 눈은 100 마이크론의 공간 분해능을 가진다. 따라서 큰 이미징 분해능은 현재 사용될 수 없다.

반대로, 본 발명의 방법은 이미지 디지타이징 수단에 관련된 한계들을 제외하고는 어떠한 공간적 분해능 한계를 가지지 않는다.

따라서, 인간의 눈의 공간적 분해능의 한계는 상기 이미징 단계에서 가용의 공간 분해능에 잠재적으로 도달하기 위해서 적절한 이미지 디지타이징 수단 혹은 디지털 샘플링 수단을 이용하여 낮추어질 수 있다.

그러므로, 본 발명의 방법을 이용하여, 2차원, 3차원, 혹은 다차원 세트로 구성된 디지털화된 가상 이미지를 생성하는 것이 가능하며, 상기 세트에서 가상의 이미지는 인간의 눈보다 낮은 공간 분해능과 관련한 이미지 유닛 도트용 이미지 데이터로 구성되어 있다.

상기 처리 방법은 기본적으로 상기 설명된 동일한 단계들 즉, 픽셀 인코딩 벡터들을 생성하고 또한 조직들에 대한 유형 및 특성을 인식하는 처리 과정을 포함한다. 여기에 설명된 바와 같이, 서로 다른 객체 유형들이나 특성들은 가령 적절하게 차별화된 컬러링에 의해 픽셀의 태양을 바꿈으로써 하일라이팅될 수 있다.

픽셀 식별 벡터들의 세트로부터, 상기 픽셀 데이터 매트릭스는 재구성될 수 있고 또한 상기 데이터는 가령, 프린터 및/또는 디스플레이 스크린을 제어하는데 사용될 수 있다.

상기 프린터 혹은 디스플레이는 각 픽셀들이 이미지 변이를 이용하여 인간 눈의 분해능으로 또한 디스플레이 되도록 제어될 수 있으며, 이때 상기 이미지 변이에서는 고 분해능(즉, 인간 눈의 분해능보다 작은 분해능을 갖는)의 각 픽셀 데이터가 상기 프린터나 디스플레이의 픽셀들의 단위 그룹을 제어하기 위해 사용되고, 이때 상기 프린터나 디스플레이의 픽셀들은 디스플레이될 해당 픽셀과 동일한 태양을 갖는다. 상기 이미지는 확대되기보다는 팽창되어지며, 각각의 고 분해능 픽셀은 픽셀 서브 매트릭스를 디스플레이하여 표현되며, 이때 상기 픽셀 서브 매트릭스는 인간의 눈과 동일한 차원의 크기의 혹은 그 이상의 분해능을 갖는 이미지 부분을 생성하기 위해 충분한 수의 픽셀들을 포함한다.

사이즈가 7 마이크론의 분해능에 해당하는 픽셀들로 구성된 이미지에 있어서는, 14× 14 = 196 픽셀들의 단위 그룹들을 형성하는 것이 가능하며, 따라서 98 마이크론의 분해능을 시뮬레이팅하게 된다.

여기서, 상기 단위 그룹의 196 픽셀들은 상기 부합하는 고 분해능 픽셀로 할당된 동일한 태양을 취하도록 제어되고, 이에 의해 인간의 눈에 보일 수 있는 이미지 포인트를 생성하게 된다.

분명히, 상기 디스플레이 단계들은, 실제로 각각의 고 분해능 픽셀들의 더 큰 혹은 더 작은 확대(enlargement)에 따라서, 더 큰 혹은 더 작은 수의 픽셀들을 가질 수 있는 고 선명도(definition) 픽셀들의 단위 그룹들을 생성하게 한다.

상기 확대 인자(factor)는 또한 사용자에 의해 선정(user-preset)될 수 있는데, 이는 확대 디스플레이 단계가 적용되어지는 이미지 부분의 범위를 정하거나 그 이미지 부분을 정의함으로써 그리고 서로 다른 확대 및 분해능 인자들을 갖는 연속적이고 서로 다른 확대 단계들을 대하여 확대될 상기 이미지 부분을 수정할 수 있게 함으로써 가능하다.

앞선 설명은 본 발명에 따른 인식 방법은 상기 픽셀 인코딩 기술을 바탕으로,심지어 인간의 눈으로 인식할 수 없는 정보들에 관해서도, 매우 신뢰할 만한 징후(indications)를 처리, 평가 혹은 제공한다는 것을 분명히 보여준다.

분명히, 상기 설명된 방법에 있어서, 진단용 이미지 처리와 관련하여 그리고 건강하거나 정상적인 조직 혹은 병든 조직, 특히 양성 및 악성 종양 조직들의 인식과 관련하여 다수의 적용 분야가 제공될 수 있다.

후자의 적용 분야에 있어서, 앞서 설명된 진보 사항은 조직 유형을 분석 가능하게 하고 그리고 초기 단계에 7 마이크론의 분해능으로 매우 작은 수의 세포들로 이루어진 양성 및 악성 종양 조직들의 존재 여부에 관한 징후를 얻게 한다.

Claims (40)

1. 디지털 혹은 디지털화된 이미지들의 픽셀들을 인코딩하는 방법으로서,

   상기 이미지들은 이미지 도트의 집합으로 구성되고, 2차원 이미지에서는 픽셀로, 3차원 이미지에서는 복셀로 불려지며,

   상기 픽셀 및 복셀의 각각은 디스플레이 스크린이나 출력되는 이미지에서의 픽셀의 시각적 태양에 해당하는 값들의 집합으로 표현되고,

   디지털 혹은 디지털화된 이미지의 관심있는 하나 이상의 부분의 픽셀들이나 복셀들(5, 14) 혹은 상기 이미지를 형성하는 픽셀들이나 복셀들 집합의 각 픽셀이나 복셀(5, 14)은 하나의 벡터로 고유하게 식별되고, 이때 상기 벡터의 성분들은 인코딩될 픽셀이나 복셀의 데이터(5,14)에 의해 주어지고 그리고 상기 인코딩될 픽셀 주변의 하나이상의 또는 일부의 또는 모든 픽셀들의 데이터(1,2,3,4,5,6,7, 8,9;1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27)에 의해 주어지며 그리고 상기 이미지를 형성하는 픽셀이나 복셀들의 전체 집합에 포함된 픽셀이나 복셀들의 지정된 서브 집합내에 배열되는

   것을 특징으로 하는 디지털 혹은 디지털화된 이미지들의 픽셀들을 인코딩하는 방법.
2. 제 1 항에 있어서,

   식별될 픽셀 주변의 픽셀이나 복셀들로서, 상기 인코딩될 픽셀이나 복셀에바로 인접한 모든 픽셀들 혹은 복셀들(1,2,3,4,5,6,7,8,9;1,2,3,4,5,6,7,8,9,10, 11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27)을 선택함으로써 상기 픽셀이나 복셀(5, 14) 식별 벡터의 성분들이 결정되어지는

   것을 특징으로 하는 디지털 혹은 디지털화된 이미지들의 픽셀들을 인코딩하는 방법.
3. 제 1 항 또는 제 2 항에 있어서,

   인코딩될 픽셀이나 복셀(5, 14)의 식별 벡터 성분들은 상기 인코딩될 픽셀이나 복셀(5, 14)에 바로 인접하고 있는 상기 픽셀들이나 복셀들(1,2,3,4,5,6,7,8, 9;1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27)을 둘러싸고 있는 하나이상의 또는 일부의 또는 모든 픽셀들이나 복셀들로 또한 구성되는

   것을 특징으로 하는 디지털 혹은 디지털화된 이미지들의 픽셀들을 인코딩하는 방법.
4. 제 1 항 내지 제 3 항 중 어느 한 항에 있어서,

   상기 식별 벡터의 성분들은, 주변 픽셀들 혹은 복셀들(1,2,3,4,5,6,7,8, 9;1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27)의 지정된 판독 시퀀스와 관련하여, 인코딩될 픽셀이나 복셀(5, 14) 및 주변 픽셀들 혹은 복셀들(1,2,3,4,5,6,7,8,9;1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27)에 따라, 상기 픽셀들 또는 복셀들(1,2,3,4,5 ,6,7,8, 9;1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27)의 서로에 대한 거리 관계 및 인코딩될 픽셀이나 복셀(5, 14)과의 거리 관계에 따르는 방법으로 배열되는

   것을 특징으로 하는 디지털 혹은 디지털화된 이미지들의 픽셀들을 인코딩하는 방법.
5. 제 1 항 내지 제 4 항 중 어느 한 항에 있어서,

   상기 식별 벡터의 성분들은, 상기 인코딩될 픽셀 혹은 복셀(5,14)을 둘러싸고 있으며 상기 식별 벡터를 결정하기 위해 선택되어진 픽셀들 혹은 복셀들(1,2,3,4,5,6,7,8,9;1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22, 23,24,25,26,27)과 관련하여, 상기 인코딩될 픽셀이나 복셀(5, 14)이 상기 이미지 픽셀이나 복셀 집합에서 취해진 하나의 위치에 해당하는 중앙의 위치를 갖는 방식으로 배열되는

   것을 특징으로 하는 디지털 혹은 디지털화된 이미지들의 픽셀들을 인코딩하는 방법.
6. 제 1 항 내지 제 4 항 중 어느 한 항에 있어서, 상기 방법은

   단일 대상의 디지털 혹은 디지털화된 이미지들의 시퀀스를 인코딩하는 단계를 포함하고, 이때 상기 시퀀스는 시간 간격을 두고 획득된 두개 이상의 이미지들을 포함하고, 이때 상기 시퀀스 이미지들을 형성하는 픽셀 매트릭스에서 동일한 위치를 갖는 인코딩될 픽셀 혹은 복셀(5,14)에 대한 식별 벡터는 상기 인코딩될 픽셀 혹은 복셀(5,14)의 값에 의해서 그리고 상기 이미지 시퀀스의 일부인 각 이미지에 대한 상기 식별 벡터의 성분을 구성하기 위해 선택된 주변 픽셀들 혹은 복셀들에 의해서 형성되는

   것을 특징으로 하는 디지털 혹은 디지털화된 이미지들의 픽셀들을 인코딩하는 방법.
7. 제 6 항에 있어서,

   디지털 혹은 디지털화된 이미지들의 시퀀스내의 인코딩될 픽셀 혹은 복셀(5,14)에 대한 식별 벡터는 상기 인코딩될 픽셀 혹은 복셀의 값을 포함하고 그리고 상기 시퀀스의 모든 이미지들의 식별 벡터 성분을 형성하기 위해 선택된 픽셀들이나 복셀들의 값을 포함하며, 이때 상기 인코딩될 픽셀 혹은 복셀(5,14)의 값 및 상기 식별 벡터들의 성분들을 형성하기 위해 선택된 주변 픽셀들 및 복셀들의 값은 상기 시퀀스의 각 이미지들이 획득된 순간에 관하여 배열되고, 상기 배열은 상기 이미지 시퀀스의 동일한 이미지 혹은 상기 동일한 획득 순간과 관련하여 식별 벡터 성분들의 서브 집합을 형성하는 방식으로 이루어지는

   것을 특징으로 하는 디지털 혹은 디지털화된 이미지들의 픽셀들을 인코딩하는 방법.
8. 제 7 항에 있어서, 이미지 시퀀스의 서로 다른 이미지들에 관한 식별 벡터 성분들의 서브 집합은 상기 인코딩될 이미지 시퀀스의 해당 이미지가 획득되었던 순간에 관하여 연속적으로 배열되는

   것을 특징으로 하는 디지털 혹은 디지털화된 이미지들의 픽셀들을 인코딩하는 방법.
9. 디지털 혹은 디지털화된 이미지들을 처리하는 방법에 있어서,

   제 1 항 내지 제 8 항 그리고 제 35 항 내지 제 39 항의 어는 한 항에서 청구된 이미지 픽셀 또는 복셀 인코딩에 기초하여, 상기 방법은

   교육용 데이터베이스 생성 단계 및 상기 처리 시스템의 교육 단계를 포함하는 것을 특징으로 하고,

   상기 방법은

   - 지정된 수의 디지털 혹은 디지털화된 이미지들을 픽셀이나 복셀 식별 벡터들로 인코딩하고,

   - 각각의 식별 벡터를, 지정된 서로 다른 유형들 혹은 특성들의 리스트에 관하여, 부합하는 객체 유형 혹은 부합하는 특성에 고유하게 상관시키고, 이때 상기 유형 혹은 특성은 종래의 이미지 분석에 의해 결정되고 그리고 부합하는 식별 벡터에 의해 인코딩된 각 픽셀 혹은 복셀에 의해 재생되며,

   - 처리 시스템에 대한 교육용 데이터베이스를 생성하고, 이때 상기 데이터베이스는 상기 식별 벡터들에 의해 형성된 그리고 상기 부합하는 픽셀이나 복셀에 의해 재생된 객체의 유형 혹은 특성에 의해 형성된 이항식(binomials)을 포함하고, 그리고

   - 상기 교육용 데이터베이스에 진입 및 로딩함으로써 그리고 상기 처리 시스템으로 하여금 상기 데이터베이스에 접근가능하게 함으로써 상기 처리 시스템을 교육하는

   단계들을 포함하고,

   상기 교육 단계를 반복할 필요없이 서로 다른 이미지들 혹은 이미지 시퀀스들에 대한 반복가능한 처리 단계는

   - 각 픽셀이나 복셀과 관련된 식별 벡터들에 의해 평가되지 않은 이미지의 픽셀들 혹은 복셀들을 인코딩하고,

   - 상기 교육용 데이터베이스에 포함된 객체의 유형들 혹은 특성들에 관하여, 상기 처리 시스템의 출력에서 및 상기 처리의 결과로서, 각각의 이미지 픽셀 혹은 복셀로 표현된 객체의 유형이나 특성을 얻기 위해 상기 처리 시스템에서 상기 이미지 픽셀 혹은 복셀 식별 벡터들에 진입하는

   단계들을 포함하는

   는 것을 특징으로 하는 디지털 혹은 디지털화된 이미지들을 처리하는 방법.
10. 제 9 항에 있어서,

    상기 처리 시스템은 상기 교육용 데이터베이스의 픽셀 식별 벡터들을 상기 처리될 인코딩된 이미지들의 픽셀 식별 벡터들과 또는 상기 처리될 인코딩된 이미지들의 시퀀스의 픽셀 식별 벡터들과 비교하는 알고리즘으로 구성되는

    것을 특징으로 하는 디지털 혹은 디지털화된 이미지들을 처리하는 방법.
11. 제 9 항 또는 제 10 항에 있어서,

    상기 처리 시스템은 LDA로 알려진 방식의 차별적 알고리즘으로 구성되는

    것을 특징으로 하는 디지털 혹은 디지털화된 이미지들을 처리하는 방법.
12. 제 9 항 또는 제 10 항에 있어서,

    상기 처리 시스템은 신경망으로 알려진 알고리즘으로 구성되는

    것을 특징으로 하는 디지털 혹은 디지털화된 이미지들을 처리하는 방법.
13. 제 9 항 내지 제 12 항 중 어느 한 항에 있어서,

    객체의 유형이나 특성이 인식된 상기 처리된 이미지의 픽셀들 혹은 복셀들은

    각 객체의 유형 혹은 특성의 옵션에 대해서, 가령 특정 태양(aspect)에 따라, 미리 지정된 상이한 컬러와 같은 이미지로 서로 다르게 디스플레이되는

    것을 특징으로 하는 디지털 혹은 디지털화된 이미지들을 처리하는 방법.
14. 제 13 항에 있어서,

    객체의 유형이나 특성이 인식된 상기 처리된 이미지의 픽셀들 혹은 복셀들은

    각 객체의 유형 혹은 특성의 옵션에 대해서 및 본래의 이미지를 통하여, 가령 특정 태양(aspect)에 따라, 미리 지정된 상이한 컬러와 같은 이미지로 서로 다르게 디스플레이되는

    것을 특징으로 하는 디지털 혹은 디지털화된 이미지들을 처리하는 방법.
15. 제 14 항에 있어서, 상기 본래의 이미지는 단색광 모드로, 특히 블랙 및 화이트 또는 그레이 스케일로 디스플레이되는

    것을 특징으로 하는 디지털 혹은 디지털화된 이미지들을 처리하는 방법.
16. 제 9 항 내지 제 15 항 중 어느 한 항에 있어서,

    상기 이미지 처리의 결과는 상기 처리 시스템에 대한 상기 교육용 데이터베이스에 저장되는

    것을 특징으로 하는 디지털 혹은 디지털화된 이미지들을 처리하는 방법.
17. 제 16 항에 있어서, 상기 이미지 처리 결과는, 상기 교육용 데이터베이스에 저장되기 전에, 시각적 제어 및/또는 다른 분석 수단에 의해 확인되는

    것을 특징으로 하는 디지털 혹은 디지털화된 이미지들을 처리하는 방법.
18. 제 16 항 또는 제 17 항에 있어서,

    상기 이미지 처리 결과들은 상기 처리동안 할당된 객체 유형이나 특성과 관련하여, 처리된 이미지의 픽셀들이나 복셀들에 대한 식별 벡터들의 형태로 저장되는 것을 특징으로 하는 디지털 혹은 디지털화된 이미지들을 처리하는 방법.
19. 제 9 항 내지 제 18 항 중 어느 한 항에 있어서, 상기 방법은

    이미지 픽셀들 혹은 복셀들에 의해 재생된 객체들의 유형을 인식하기 위한 방법인 것을 특징으로 하는 디지털 혹은 디지털화된 이미지들을 처리하는 방법.
20. 제 1 항 내지 제 9 항 그리고 제 35 항 내지 39 항 중 어느 한 항에 있어서,

    상기 방법은 디지털 혹은 디지털화된 진단용 이미지들에 대한 방법으로서, 한 종류 이상의 조직 혹은 해부학적 객체 혹은 생리적 객체 혹은 하나 이상의 객체 특성의 인식을 목적으로 하는

    것을 특징으로 하는 디지털 혹은 디지털화된 이미지들을 처리하는 방법.
21. 제 20 항에 있어서, 상기 방법은

    진단용 이미지들의 픽셀들 혹은 복셀들에 의해 재생된 양성 종양 조직 및 악성 종양 조직을 인식 및 구별하기 위한 진단용 이미지 처리 방법이고,

    이때, 상기 교육용 데이터베이스는 부합하는 조직 유형에 고유하게 상관된 상기 악성 종양 조직 및 양성 종양 조직을 표시하는 이미지 픽셀들 혹은 복셀들에 대한 식별 벡터들로 구성되는

    것을 특징으로 하는 디지털 혹은 디지털화된 이미지들을 처리하는 방법.
22. 제 21 항에 있어서, 상기 방법은

    상기 진단용 이미지들의 픽셀들 및 복셀들에 의해 재생된 양성 종양 조직, 악성 종양 조직 및 정상 조직을 인식 및 구별하기 위한 방법이고,

    이때, 상기 교육용 데이터베이스는 상기 악성, 양성 종양 및 정상 조직을 표시하는 이미지 픽셀들 혹은 복셀들에 대한 식별 벡터들로 구성되고,

    이때, 상기 벡터들은 상기 벡터들로 인코딩된 픽셀들 혹은 복셀들에 의해서 재생된 상기 부합하는 조직 유형에만 고유하게 상관되는

    것을 특징으로 하는 디지털 혹은 디지털화된 이미지들을 처리하는 방법.
23. 제 22 항에 있어서, 상기 방법은

    상기 처리될 진단용 이미지의 픽셀들 혹은 복셀들에 의해 재생된 양성 종양 조직, 악성 종양 조직, 정상 조직 및 근육 조직을 인식 및 식별하기 위한 방법이고,

    이때, 상기 교육용 데이터베이스는 악성 및 양성 종양 조직, 정상 및 근육 조직을 표시하는 이미지 픽셀들 혹은 복셀들에 대한 식별 벡터들로 구성되고,

    이때, 상기 식별 벡터들은 상기 벡터들로 인코딩된 픽셀들 혹은 복셀들에 의해서 재생된 상기 부합하는 조직 유형에만 고유하게 상관되는

    것을 특징으로 하는 디지털 혹은 디지털화된 이미지들을 처리하는 방법.
24. 제 21 항 내지 제 23 항 중 어느 한 항에 있어서, 상기 방법은

    상기 처리될 진단 이미지의 픽셀들 혹은 복셀들에 의해 재생된 양성 종양 조직, 악성 종양 조직, 정상 조직 및 근육 조직 및 이미지 배경을 인식 및 식별하기 위한 방법이고,

    이때, 상기 교육용 데이터베이스는 양성 종양 조직 및/또는 악성 종양 조직 및/또는 정상 조직 및/또는 근육 조직 및 이미지 배경을 표시하는 이미지 픽셀들 혹은 복셀들에 대한 식별 벡터들로 구성되고,

    이때, 상기 벡터들은 상기 벡터들로 인코딩된 픽셀들이나 복셀들에 의해서 재생된 상기 부합하는 조직 유형 혹은 배경에만 고유하게 상관되는

    것을 특징으로 하는 디지털 혹은 디지털화된 이미지들을 처리하는 방법.
25. 제 9 항 내지 제 20 항 중 어느 한 항에 있어서, 상기 방법은

    조영제 관류를 측정하기 위한 방법이고,

    이때, 환자의 지정된 해부 부분의 초음파 혹은 핵자기 공명 이미지들의 시퀀스는 상기 해부 부분에 조영제를 주입한 후에 감지되며,

    상기 방법은

    - 픽셀이나 복셀 또는 상기 조영제가 있을 때 획득된 이미지 시퀀스에 대한 식별 벡터들을 포함하는 전문가용 처리 시스템에 대한 교육용 데이터베이스를 생성하고, 이때 서로 다른 관류 형태나 특성들 가운데에서 하나의 관류 형태 특성이나 유형이 상관되며,

    - 상기 교육용 데이터베이스의 데이터에 진입하거나 상기 데이터를 취급함으로써, 상기 처리 시스템을 교육하고,

    - 조영제를 주입한 후 해부 부분 이미지들의 시퀀스를 획득하고, 그리고 상기 시퀀스의 이미지들의 픽셀들이나 복셀들을 제 1 항 내지 제 8 항 중 어느 한 항에서와 같이, 상기 이미지 시퀀스의 픽셀들에 대한 식별 벡터들로 인코딩하고,

    - 상기 교육용 데이터베이스내의 상기 식별 벡터 처리 알고리즘에 의하여 처리를 하고, 이때 상기 알고리즘은 관류 작용의 형태나 관류 특성을 각각의 식별 벡터로 즉, 상기 이미지 시퀀스의 각 픽셀 혹은 복셀에 상관시키며, 그리고

    - 상기 이미지 시퀀스를 디스플레이하고, 그리고 상기 픽셀 혹은 복셀의 고유한 시각적 태양(aspect)의 특성화를 위한 수단에 의해서 서로 다른 관류 작용의 형태 혹은 특성들과 관련된 픽셀들 혹은 복셀들을 하일라이팅하는

    단계들을 포함하는 것을 특징으로 하는 디지털 혹은 디지털화된 이미지들을 처리하는 방법.
26. 제 9 항 내지 제 20 항 중 어느 한 항에 있어서, 상기 방법은

    제 1 항 내지 제 8 항 중 어느 한 항에서 청구된 인코딩 방법에 따른 이미지 픽셀 혹은 복셀 인코딩 방법을 포함하고,

    운동 기관이나 생리학적 구조, 특히 심장 부분을 인식 및 디스플레이하기 위한 방법이고, 이때 심장이나 다른 기관 혹은 생리적 구조의 초음파 혹은 방사선 혹은 핵자기 공명 이미지들의 시퀀스가 획득되어지고, 또한 상기 방법은

    - 교육용 데이터베이스를 생성하고, 이때 이 교육용 데이터베이스에서 제 1항 내지 제 8 항 중 어느 한 항에서 청구된 방법으로 인코딩된 심장이나 다른 기관 혹은 생리학적 구조의 다수의 이미지 시퀀스의 픽셀이나 복셀에 대한 각각의 식별 벡터는 상기 부합하는 픽셀 혹은 복셀에 의해 재생된 객체의 형태나 특성으로 할당되어 있고,

    - 상기 교육용 데이터베이스에 진입 혹은 취급에 의해서, 상기 처리 시스템을 교육하고,

    - 제 1 항 내지 제 8 항 중 어느 한 항에서 청구된 방법을 이용하여, 추가 처리를 위해 심장이나 다른 기관 혹은 생리적 구조의 이미지 시퀀스를 인코딩하고,

    - 상기 교육용 데이터베이스에 기초하여, 상기 처리 알고리즘이 상기 인코딩된 이미지 시퀀스의 각 픽셀 혹은 복셀에 의해 재생된 특성이나 형태를 할당하기 위해 이미지들의 상기 인코딩된 시퀀스를 처리하고, 그리고

    - 각 특성이나 특정 유형에 따라 이러한 픽셀들 혹은 복셀들의 태양을 고유하게 변화시킴으로써, 결과를 디스플레이하고 특성이나 특정 형태에 부합하는 픽셀들이나 복셀들을 시각적으로 하일라이팅하는

    단계들을 포함하는 것을 특징으로 하는 디지털 혹은 디지털화된 이미지들을 처리하는 방법.
27. 제 9 항 내지 제 20 항 중 어느 한 항에 있어서, 상기 방법은

    제 1 항 내지 제 8 항 중 어느 한 항에서 청구된 인코딩 방법과 조합하여 이미지 결함 또는 수차(aberrations)를 인식하기 위한 것이고, 이때 상기 방법은

    - 제 1 항 내지 제 8 항 중 어느 한 항에서와 같이, 이미지 픽셀들이나 복셀들을 식별 벡터들로 인코딩함으로써 교육용 데이터베이스를 생성하고, 이때 상기 이미지들의 픽셀들 혹은 복셀들에 대한 각 식별 벡터는 상기 부합하는 픽셀 혹은 복셀이 상기 결함이나 수차를 재생하는지 혹은 재생하지 않는지에 따라 상기 이미지 결함 혹은 수차의 존재 혹은 부존재를 정의하는 특성이나 형태로 할당되고,

    - 상기 교육용 데이터베이스에 진입 혹은 취급에 의해서, 상기 처리 시스템을 교육하고,

    - 제 1 항 내지 제 8 항 및 제 35 항 내지 제 39 항 중 어느 한 항에서 청구된 방법을 이용하여 이미지들을 인코딩하고,

    - 상기 교육용 데이터베이스에 기초하여, 상기 인코딩된 이미지들의 각 픽셀이나 복셀에 대한 이미지 결함이나 수차의 존재 혹은 부존재를 정의하는 특성이나 유형을 할당하기 위해 상기 인코딩된 이미지들을 처리하고, 그리고

    - 그 결과를 디스플레이하고 그리고 태양(aspect)의 변화에 따라 결함이나 수차의 존재 혹은 부존재를 정의하는 유형을 할당한 픽셀들 혹은 복셀들을 시각적으로 하일라이팅하고, 그리고 태양의 추가적 차별화에 의해서 서로 다른 결함 혹은 수차 특성에 고유하게 관련된 다른 픽셀들 혹은 복셀들에 할당된 특성과는 다르게 픽셀이나 복셀에 할당된 결함 혹은 수차의 특성을 표시하는

    단계들을 포함하는 것을 특징으로 하는 디지털 혹은 디지털화된 이미지들을 처리하는 방법.
28. 제 27 항에 있어서, 상기 방법은

    결함을 제거하는 단계를 추가로 포함하고, 상기 결함을 제거하는 단계는

    - 상기 식별 벡터들을 픽셀 수차의 존재 혹은 부존재를 정의하는 상기 부합하는 유형들에 상관시킴으로써, 이미지 결함이나 수차를 가지거나 혹은 가지지 않는 인코딩된 이미지들의 교육용 데이터베이스 쌍을 추가하고,

    - 이미지의 픽셀들 혹은 복셀들을 인코딩하고 그리고 결함들이나 수차들의 존재 혹은 부존재를 정의한 유형을 할당하기 위해서 그리고 상기 결함들이나 수차들의 특성들을 상기 이미지의 각 픽셀이나 복셀로 할당하기 위해서 이미지를 처리하며, 그리고

    - 상기 교육용 데이터베이스에 결합되어 있는 상기 이미지의 결함없는 혹은 수차없는 픽셀들이나 복셀들의 태양을 상기 결함들이나 수차들을 갖는 해당 이미지로 할당함으로써 결함들이나 수차들을 가지는 것으로 확인된 픽셀들 혹은 복셀들의 태양을 교정하는

    단계들을 포함하는 것을 특징으로 하는 디지털 혹은 디지털화된 이미지들을 처리하는 방법.
29. 제 27 항 또는 제 28 항에서,

    상기 처리된 이미지들은 상기 픽셀들에 의해 표시된 객체 유형들의 특정한 인식을 위해 미리 처리되거나 혹은 나중에 처리되어지는

    것을 특징으로 하는 디지털 혹은 디지털화된 이미지들을 처리하는 방법.
30. 제 27 항 내지 제 29 항 중 어느 한 항에 있어서,

    결함이나 수차의 유형은 디포커싱 결함 및/또는 인공물 및/또는 잘못된 노출(exposure) 및/또는 잘못된 현상(development)인

    것을 특징으로 하는 디지털 혹은 디지털화된 이미지들을 처리하는 방법.
31. 제 9 항 내지 제 20 항 중 어느 한 항에 있어서,

    상기 방법은 제 1 항 내지 제 8 항 및 제 35 항 내지 제 39 항 중 어느 한 항에서 청구된 이미지 픽셀이나 복셀의 인코딩 방법과 조합하여, 서로 다른 이미징 기술에 의해서 획득된 동일한 대상의 디지털 혹은 디지털화된 이미지를 중첩시키는 방법이고, 상기 방법은

    - 제 1 항 내지 제 8 항 및 제 35 항 내지 제 39 항 중 어느 한 항에서 청구된 바와 같이, 서로 다른 이미징 기술에 의하여 동일한 대상의 각 이미지를 인코딩하고,

    - 제 9 항 내지 제 26 항 중 어느 한 항에서 청구된 바와 같이, 객체의 유형들 혹은 특성들을 인식하기 위해 서로 다른 이미지 기술로써 획득된 동일한 대상의 각 이미지를 처리하고, 그리고

    - 동일한 유형의 객체에 할당되어 있는 서로 다른 이미지들의 픽셀들에 의해 제공된 정보를 단일 이미지로 결합하는

    단계들을 포함하는 것을 특징으로 하는 디지털 혹은 디지털화된 이미지들을처리하는 방법.
32. 제 27 항 내지 제 31 항 중 어느 한 항에서, 상기 방법은 제 9 항 내지 제 26 항 중 어느 한 항에서 청구된 방법과 조합하여 제공되는 것을 특징으로 하는 디지털 혹은 디지털화된 이미지들을 처리하는 방법.
33. 제 1 항 내지 제 32 항 중 어느 한 항에 있어서,

    상기 디지털화된 이미지는 사람 눈의 분해능보다 작은 고 분해능에 해당하는 픽셀 데이터를 갖는 이미지이고,

    제 9 항 내지 제 32 항 중 어느 한 항에 있어서 청구된 인식 과정에 대하여 처리되는 픽셀 데이터는 고 분해능의 픽셀 단위 그룹의 모든 픽셀들을 제어하기 위해 사용되고, 이때 상기 픽셀 단위 그룹은 각 픽셀 단위 그룹의 모든 픽셀들의 태양이 고 분해능 픽셀의 태양과 동일하고, 그리고 상기 픽셀 단위 그룹의 디스플레이되거나 프린트된 이미지는 사람 눈이나 혹은 그보다 나쁜 분해능에서 감지되거나 보여질 수 있는

    것을 특징으로 하는 디지털 혹은 디지털화된 이미지들을 처리하는 방법.
34. 제 33 항에 있어서, 픽셀 단위 그룹을 형성하는 고선명 픽셀들의 수는 조정가능하여 서로 다른 확대 레벨들을 정의할 수 있는 것을 특징으로 하는 디지털 혹은 디지털화된 이미지들을 처리하는 방법.
35. 제 1 항 내지 제 8 항 중 어느 한 항에 따른 방법에 있어서,

    단일 픽셀에 의해 형성된 이미지를 고려하는 대신에, 코딩 목적으로 서로 다른 크기의 최소 이미지 영역이 정의될 수 있으며, 이때 상기 최소 이미지 영역은 지정된 수의 인접한 픽셀들로 형성되고, 상기 지정된 수의 인접한 픽셀들로 형성된 상기 최소 이미지 영역의 값은 상기 최소 이미지 영역을 형성하는 단일 픽셀들의 밝기 및/또는 컬러 값들의 선형 또는 비선형 조합으로서 그리고/또는 하나이상의 통계적 함수들로서 계산되는

    것을 특징으로 하는 디지털 혹은 디지털화된 이미지들을 처리하는 방법.
36. 제 34 항에 있어서, 상기 최소 이미지 영역의 값은 상기 최소 이미지 영역을 형성하는 단일 픽셀들의 밝기 값들의 평균 및/또는 분산으로 사용되고 그리고/또는 부가적으로 단일 픽셀들의 컬러 값들의 평균 및/또는 분산으로 사용되는

    것을 특징으로 하는 디지털 혹은 디지털화된 이미지들을 처리하는 방법.
37. 제 35 항 또는 제 36 항에 있어서,

    상기 최소 이미지 영역을 형성하는 단일 픽셀들의 밝기 및/또는 컬러에 관한 값들의 시간 의존성이 또한 추가되고, 단일 픽셀들의 밝기 및/또는 컬러 값들의 조합 및/또는 통계적 함수들의 시간 의존성이 사용되는

    것을 특징으로 하는 디지털 혹은 디지털화된 이미지들을 처리하는 방법.
38. 제 35 항 내지 제 37 항 중 어느 한 항에 있어서,

    코딩될 최소 이미지 영역(area)의 최소 인접한 이미지 영역의 지대들(zones)이 정의되어 있으며, 상기 최소 인접한 이미지 영역 지대들 각각은 코딩될 최소 이미지 영역에 인접한 단일의 선택된 픽셀들로 형성되거나 혹은 상기 코딩될 최소 이미지 영역의 인접하고 있는 특정 수의 상기 픽셀들로 형성되는

    것을 특징으로 하는 디지털 혹은 디지털화된 이미지들을 처리하는 방법.
39. 제 38 항에 있어서,

    상기 코딩될 최소 이미지 영역의 최소 인접한 이미지 영역 지대들은 각 지대에 대하여 다수의 픽셀들을 가지며, 상기 각 지대는 상기 코딩될 최소 이미지 영역을 형성하는 픽셀들과 동일한 혹은 서로 다른 형태인

    것을 특징으로 하는 디지털 혹은 디지털화된 이미지들을 처리하는 방법.
40. 제 9 항 내지 제 34 항 중 어느 한 항에 있어서,

    상기 디지털화된 이미지는 제 35 항 내지 제 39 항 중 어느 한 항의 코딩 방법에 따라 코딩되는 것을 특징으로 하는 디지털 혹은 디지털화된 이미지들을 처리하는 방법.