KR20120041468A

KR20120041468A - 간질성 폐질환 검출 시스템 및 그 방법

Info

Publication number: KR20120041468A
Application number: KR1020100102937A
Authority: KR
Inventors: 박상철; 이귀상; 김수형; 나인섭
Original assignee: 전남대학교산학협력단
Priority date: 2010-10-21
Filing date: 2010-10-21
Publication date: 2012-05-02
Also published as: KR101144964B1

Abstract

본 발명의 바람직한 일실시예의 간질성 폐질환 검출 시스템 및 그 방법에 따르면, 초기 간질성 폐질환을 CT 영상을 이용하여 자동으로 검출하고 정량화할 수 있는 CAD 시스템 및 방법을 제공할 수 있다. 또한 본 발명에 따르면 대용량의 CT 영상을 이용한 처리 속도를 개선할 수 있는 CAD 시스템 및 방법을 제공할 수도 있다.
본 발명의 바람직한 일실시예의 간질성 폐질환 검출 시스템은 CT 영상으로부터 폐 영역만을 분할하여 추출하고, 추출된 폐의 총 체적을 산출하는 폐 분할부; 상기 폐 영역의 각 픽셀을 중심으로 미리 설정된 크기의 관심 영역을 위치시키고, 상기 관심 영역 내에서 하나 이상의 텍스처 특징점(Texture Feature)을 추출하는 특징점 추출부; 상기 하나 이상의 텍스처 특징점을 입력받아 간질성 폐질환에 대해 해당 픽셀의 양성 또는 음성 여부를 분류하는 분류부; 상기 분류부에서 양성으로 분류된 모든 픽셀을 카운팅하여 양성으로 분류된 모든 영역의 체적을 산출하는 검출 체적 산출부; 및 상기 폐의 총 체적에 대한 상기 양성으로 분류된 영역의 체적의 비를 산출하는 분류 스코어 산출부;를 포함하는 것을 특징으로 한다.

Description

간질성 폐질환 검출 시스템 및 그 방법{System for Detection of Interstitial Lung Diseases and Method Therefor}

본 발명은 간질성 폐질환 검출 시스템 및 그 방법에 관한 것으로, 더욱 상세하게는 CT 영상에서 초기 간질성 폐질환을 검출하기 위한 간질성 폐질환 검출 시스템 및 그 방법에 관한 것이다.

간질성 폐질환은 폐의 폐포, 말단 기도, 격벽 간극의 염증 및 섬유증을 수반하며, 이러한 증상들이 악화되면 만성적으로 변하는 특성이 있다. 간질성 폐질환은 또한 널리 번져 나아가는 경향이 있어서 단일 폐엽 또는 영역에 상관없이 발생하는 경향이 있다. 결국 간질성 폐질환은 폐 부피의 감소, 폐 컴플라이언스(lung compliance)의 감소, 제한적인 생리적 기능을 이끌고, 심각한 병증과 죽음에 이르게 한다. 간질성 폐질환의 초기 검출 및 치료는 병세의 호전, 최소화 및 병세의 악화 지연에 의해 환자의 생존율을 증가시킨다는 것에 대한 많은 연구와 임상적 근거들이 있다.

흉부 방사선학 및 CT(Computed Tomography)는 간질성 폐질환의 해석을 위해 일반적으로 사용되는 두 가지의 통상적인 영상 방법들이다. 생리학적 검사나 의사의 진단보다도 이들 영상에 기반한 검사는 더욱 효과적으로 질병을 검출할 수 있도록 하고, 질병의 형태학적 확장, 패턴, 그리고 심각성을 시각화할 수 있다. 또한, 이들 영상에 기반한 검사 방법은 질병의 임상학적 단계 및 치료에 대한 반응의 평가를 돕는다. CT 기술의 진보에 따라, 고해상도 CT는 간질성 폐질환의 검출 및 진단에 있어 좋은 도구가 되고 있다. 비록 고해상도 CT가 점진적으로 개선된 해부학적 해상도로 폐의 영상을 제공한다고 할지라도, 그러한 영상의 평가는 여전히 주관적이고, 영상 데이터의 방대한 양 때문에 그 검토의 과정은 훨씬 더 복잡하다. 그러므로 고해상도 CT를 이용하여 폐렴 의심 환자와 간질성 폐질환 환자를 구분하는 것은 의사에 있어 진단학적 도전이 되고 있다.

검출 및 진단의 효율성과 정확성의 개선을 위한 CAD(Computer Aided Detection) 시스템의 개발은 지난 20여년 동안 많은 관심을 받은 연구 분야가 되었다. CAD는 정상적인 폐와 질병이 있는 폐를 검출하고 분류하는 데 있어서 객관적이고 재생 가능한 측정 방법을 제공할 수 있다고 믿기어져 왔다. 그 결과, 많은 CAD 시스템이 흉부 방사선학을 사용하여 간질성 폐질환의 위치를 알아내고 검출하기 위한 목적으로 사용되고 있으며, 또한 대부분의 최근 시스템들은 CT 영상을 이용하고 있다. 초기 연구들은 CT 영상을 관심 영역(Regions of Interest, ROI)으로 분할하고, 정해진 크기의 ROI를 몇 가지 다른 간질성 폐질환 패턴으로 구별하고 분류하는 것에 집중하였다. 최근에는 CT 영상에서 간질성 폐질환으로 보이는 폐 영역을 분할하고 이들의 심각성을 조사하기 위한 몇몇 연구들이 제안되었다. 이들 연구에서는 run-length matrix textures, co-occurrence matrix, moments of histogram, fractal dimensions, multi-scale Gaussian filter bank, 그리고 wavelet-based texture features를 포함하는 다양한 영상 특징들이 정상 폐 조직과 간질성 폐질환과 관련된 조직 패턴의 다양성의 차이를 검출하고 분류하기 위해 이용되었다.

간질성 폐질환을 검출하고 분류하기 위한 기존 연구와 시스템의 문제점은 몇몇 CT 영상 슬라이스에서 수동으로 ROI을 선택하였고, 그 영역에 나타난 간질성 폐질환 패턴을 검출하고 몇몇 패턴으로 분류하였다. 또한 이미 양성으로 판별이 난 CT 영상 스라이스에서 간질성 폐질환의 심각성을 정량화하는 연구에 제한되었다. 더불어 이들 연구에서 나타나는 문제는 대용량의 CT 영상 데이터에서 폐질환을 검출하고 정량적 분석하는데 많은 시간이 소요된다.

본 발명은 전술한 바와 같은 기술적 과제를 해결하는 데 목적이 있는 발명으로서, CT 영상에서 초기 간질성 폐질환을 자동으로 검출하고 정량화할 수 있는 CAD 시스템 및 방법을 제공하는 것에 그 목적이 있다.

또한 본 발명은 대용량의 CT 영상을 이용한 처리 속도를 개선할 수 있는 CAD 시스템 및 방법을 제공하는 것에도 그 목적이 있다.

본 발명의 바람직한 일실시예의 간질성 폐질환 검출 시스템은 CT 영상으로부터 폐 영역만을 분할하여 추출하고, 추출된 폐의 총 체적을 산출하는 폐 분할부; 상기 폐 영역의 각 픽셀을 중심으로 미리 설정된 크기의 관심 영역 내에서 하나 이상의 텍스처 특징점(Texture Feature)을 추출하는 특징점 추출부; 상기 하나 이상의 텍스처 특징점을 입력받아 간질성 폐질환에 대해 해당 픽셀의 양성 또는 음성 여부를 분류하는 분류부; 상기 분류부에서 양성으로 분류된 모든 픽셀을 카운팅하여 양성으로 분류된 모든 영역의 체적을 산출하는 검출 체적 산출부; 및 상기 폐의 총 체적에 대한 상기 양성으로 분류된 영역의 체적의 비를 산출하는 분류 스코어 산출부;를 포함한다.

구체적으로 상기 폐 분할부는 2차원 영상에서 폐 영역과 배경 영역을 히스토그램을 이용하여 분할하는 분할 모듈; 상기 분할 모듈로부터의 다수의 분할된 2차원 영상을 그룹화하는 방법인 3차원 영역 확장 기법을 적용하여 3차원 형상의 폐를 생성하는 3차원 폐 생성 모듈; 및 롤링 볼 알고리즘을 이용하여 상기 3차원 형상의 폐 영역의 경계를 매끄럽게 하기 위한 롤링 볼 모듈;을 포함하는 것을 특징으로 한다.

바람직한 일실시예의 상기 3차원 폐 생성 모듈은 폐의 중간 부분에 위치한 가장 큰 2차원 폐 분할 부분을 나타내는 CT 영상으로부터 출발하여, 분할된 폐 영역의 윗쪽 방향(꼭대기 방향)과 아랫쪽 방향(격막 방향)으로 각각 스캐닝을 하고, 스캐닝 동안 인접 영상에서 분할된 2차원 영상을 연결하고, CT 영상에서 고립된 2차원 분할 부분을 제거하는 것에 의해 점진적으로 3차원 형상의 폐를 생성하는 것을 특징으로 한다.

또한, 상기 하나 이상의 텍스처 특징점은 평균, 분산, 왜도 및 첨도의 통계적 특징에 기반한 4개의 히스토그램; 및 상기 관심 영역으로부터 0도와 90도 방향에 있는 22개의 런 랭스 매트릭스(Run Length Matrix) 텍스처 특징점;의 26개의 텍스처 특징점으로부터 하나 이상 선택할 수 있는 것을 특징으로 한다.

바람직한 일실시예에 따른 상기 검출 시스템은, 망상 격자를 이용하는 영역 확장 기법에 기반하여 양성인 픽셀과 음성인 픽셀을 분류하는 영역 확장부;를 더 포함하는 것을 특징으로 하되, 상기 특징점 추출부가 상기 격자의 교차점에 위치한 시드 포인트의 픽셀을 중심으로 미리 설정된 크기의 관심 영역에 대해서만 텍스처 특징점을 추출하며, 상기 분류부가 상기 시드 포인트 픽셀을 텍스처 특징점에 의해 양성 또는 음성으로 분류하고, 상기 영역 확장부는 상기 분류부에서 시드 포인트가 음성으로 분류된 경우 해당 격자 내의 픽셀에 대한 텍스처 특징점 추출 및 양성/음성 여부의 분류를 스킵(Skip)하고 다른 격자 교차점을 시드 포인트로 하며, 상기 영역 확장부는 시드 포인트가 양성으로 분류된 경우 해당 시드 포인트의 인접한 이웃 픽셀을 시드 포인트로 하는 것에 의해, 어떠한 양성 픽셀도 발견되지 않을 때까지 계속적인 분류를 진행하는 것을 특징으로 한다.

아울러 상기 분류부는 인공 신경망을 이용하되, 상기 특징점 추출부로부터의 하나 이상의 텍스처 특징점 중에서 하나 이상의 최적의 특징점을 선택하기 위하여 유전 알고리즘을 사용하는 것을 특징으로 한다. 또한, 상기 분류부는 입력층, 은닉층 및 출력층을 포함하되, 상기 입력층은 상기 하나 이상의 최적의 특징점들과 하나의 바이어스를 포함하는 뉴런으로 구성되며, 상기 출력층은 간질성 폐질환에 대해 양성과 음성의 두 개의 뉴런으로 구성되는 것을 특징으로 한다.

상기 검출 시스템은 다수의 학습을 위한 입력 영상을 이용하여 상기 분류부의 인공 신경망을 최적화하고, 최적화된 인공 신경망을 이용하여 간질성 폐질환 여부를 판별하는 것이 바람직하며, 상기 분류 스코어 산출부로부터 산출된 스코어인 체적의 비가 미리 설정된 문턱값 이상일 경우, 간질성 폐질환으로 판별하는 것을 특징으로 한다.

또한 본 발명의 바람직한 일실시예에 따른 간질성 폐질환 검출 방법은 (a) 상기 폐 분할부가 CT 영상으로부터 폐 영역만을 분할하여 추출하고, 다수의 분할 영상으로부터 분할된 폐의 총 체적을 산출하는 단계; (b) 상기 영역 확장부가 상기 (a) 단계에서 하나의 2차원 영상에서 분할된 폐 영역 위에 망상 격자를 설정하는 단계; (c) 상기 영역 확장부가 상기 (b) 단계의 망상 격자의 교차점에 위치한 픽셀을 시드 포인트로 설정하는 단계; (d) 상기 특징점 추출부가 상기 (c) 단계의 시드 포인트를 중심으로 관심 영역을 설정하고, 관심 영역 내에서의 하나 이상의 텍스처 특징점을 추출하는 단계; (e) 상기 분류부가 상기 (d) 단계의 텍스처 특징점을 입력받아 간질성 폐질환에 대해 해당 시드 포인트의 양성 또는 음성 여부를 분류하는 단계; (f) 상기 (e) 단계의 분류 결과 해당 시드 포인트가 음성인 경우 상기 영역 확장부가 폐 영역의 다른 망상 격자의 교차점의 픽셀을 다음 시드 포인트로 설정하고, 상기 (e) 단계의 분류 결과 해당 시드 포인트가 양성인 경우, 상기 영역 확장부가 해당 시드 포인트에 인접한 이웃 픽셀을 다음 시드 포인트로 설정하는 단계; (g) 상기 (f) 단계에서 해당 2차원 영상에서 다음 시드 포인트로 설정할 픽셀이 없는 경우, 다른 2차원 영상에 대해 상기 (b) 단계 이후의 단계를 반복하여 실시하는 단계; (h) 모든 2차원 영상에 대해 시드 포인트로 설정할 픽셀이 없는 경우, 상기 검출 체적 산출부가 상기 분류부에서 양성으로 분류된 모든 픽셀을 카운팅하는 것에 의해 양성으로 분류된 모든 영역의 체적을 산출하는 단계; 및 (i) 상기 분류 스코어 산출부가 상기 (a) 단계에서 산출한 상기 폐의 총 체적에 대한 상기 (h) 단계에서 산출한 상기 양성으로 분류된 영역의 체적의 비를 산출하고, 산출된 체적의 비가 미리 설정된 문턱값 이상일 경우, 간질성 폐질환으로 판별하는 단계;를 포함할 수 있다.

또한, 상기 (f) 단계에서 다음 시드 포인트가 설정된 경우, 설정된 다음 시드 포인트를 이용하여 상기 (d) 단계 이후의 단계를 실시하는 것을 특징으로 한다.

구체적으로 상기 (a) 단계는 (a-1) 히스토그램을 이용하여 2차원 영상을 폐 영역과 배경 영역으로 분할하는 단계; (a-2) 3차원 영역 확장 기법을 적용하는 것에 의해 상기 (a-1) 단계에서 다수의 분할된 2차원 영상을 그룹화하여 3차원 형상의 폐를 생성하는 단계; 및 (a-3) 롤링 볼 알고리즘을 이용하여 상기 (a-2) 단계에서 생성된 3차원 형상의 폐 영역의 경계를 매끄럽게 하는 단계;를 포함하는 것이 바람직하다.

또한, 상기 (a-2) 단계는 폐의 중간 부분에 위치한 가장 큰 2차원 폐 분할 부분을 나타내는 CT 영상으로부터 출발하여, 분할된 폐 영역의 윗쪽 방향(꼭대기 방향)과 아랫쪽 방향(격막 방향)으로 각각 스캐닝을 하고, 스캐닝 동안 인접 영상에서 분할된 2차원 영상을 연결하고, CT 영상에서 고립된 2차원 분할 부분을 제거하는 것에 의해 점진적으로 3차원 형상의 폐를 생성하는 것을 특징으로 한다.

바람직한 일실시예의 상기 (e) 단계는, 상기 분류부에 포함된 인공 신경망을 이용하여 실시되는 것을 특징으로 하되, (e-1) 유전 알고리즘에 의해 상기 특징점 추출부로부터의 하나 이상의 텍스처 특징점 중에서 하나 이상의 최적의 특징점을 선택하는 단계; (e-2) 상기 (e-1) 단계에서 선택된 하나 이상의 최적의 특징점과 하나의 바이어스로 구성된 입력층, 다수의 은닉층 및 간질성 폐질환에 대해 양성과 음성의 두 개의 뉴런으로 구성되는 출력층에 의해 상기 인공 신경망을 최적화하는 단계; 및 (e-3) 최적화된 인공 신경망에 의해 텍스처 특징점을 입력받아 간질성 폐질환에 대해 해당 시드 포인트의 양성 또는 음성 여부를 분류하는 단계;를 포함하는 것을 특징으로 한다.

본 발명의 바람직한 일실시예의 간질성 폐질환 검출 시스템 및 그 방법에 따르면, 초기 간질성 폐질환을 CT 영상을 이용하여 자동으로 검출하고 정량화할 수 있는 CAD 시스템 및 방법을 제공할 수 있다.

또한 본 발명에 따르면 대용량의 CT 영상을 이용한 처리 속도를 개선할 수 있는 CAD 시스템 및 방법을 제공할 수도 있다.

도 1은 본 발명의 바람직한 일실시예에 따른 간질성 폐질환 검출 시스템의 구성도를 나타낸다.
도 2는 폐 분할부의 구성도를 나타낸다.
도 3은 본 발명의 바람직한 일실시예에 의해 추출된 특징점을 나타낸다.
도 4는 본 발명의 바람직한 일실시예에 따른 연산 시간을 나타낸다.
도 5는 유전 알고리즘에 의해 최종적으로 선택된 특징점을 나타낸다.
도 6은 본 발명의 일실시예에 대한 ROC 형태의 성능 평가 결과이다.
도 7은 음성(normal)과 양성(abnormal) 케이스에 대한 분류 스코어를 각각 나타낸다.
도 8은 본 발명의 바람직한 일실시예에 따른 간질성 폐질환 검출 방법의 흐름도를 나타낸다.
도 9은 폐 영역 분할 단계의 흐름도를 나타낸다.
도 10은 본 발명의 주요 단계에 있어서의 영상 처리 결과를 나타낸다.

이하, 첨부된 도면을 참조하면서 본 발명의 일실시예에 따른 간질성 폐질환 검출 시스템 및 그 방법에 대해 상세히 설명하기로 한다.

본 발명의 하기의 실시예는 본 발명을 구체화하기 위한 것일 뿐 본 발명의 권리범위를 제한하거나 한정하는 것이 아님은 물론이다. 본 발명의 상세한 설명 및 실시예로부터 본 발명이 속하는 기술 분야의 전문가가 용이하게 유추할 수 있는 것은 본 발명의 권리범위에 속하는 것으로 해석된다.

먼저, 본 발명의 바람직한 일실시예의 간질성 폐질환(Interstitial Lung Diseases, ILD) 검출 시스템에 사용될 CT(Computed Tomography) 영상의 준비 과정에 대해 간단히 설명하기로 한다.

CT 영상의 준비

본 발명에 사용될 CT 영상을 위해 폐암이라고 판정받은 36명의 환자들로부터 37개의 흉부 CT 검사 (CT examination) 데이터가 선택되었다. 이들 검사(examination)에 대한 방사선학자들에 의한 진단 결과에 따르면 ILD가 18명의 환자에게서 검출되었고, 나머지 18명의 환자에게서는 검출되지 않았다. ILD라고 진단된 한 환자는 1년 간격으로 2번의 CT 검사를 했기 때문에, 18개의 정상(ILD에 대해 음성) 데이터세트와 19개의 비정상(ILD에 대해 양성) 데이터세트에 대해 조사가 이루어졌다.

본 발명은 적은 방사선으로 촬영된 CT 영상을 이용하여 비교적 초기 단계에서 ILD를 검출하기 위한 CAD 시스템 및 그 방법을 개발하는 것에 초점을 맞추고 있어, 모든 심각한 ILD 케이스들은 제외되었다. 임상적 판단에 따르면 모든 19개의 양성 ILD 검사 데이터는 가볍거나 중간 정도의 ILD에 해당하며, 어떠한 합병증 패턴도 없다. 데이터세트는 훈련 서브세트(4개의 비정상과 4개의 정상)와 테스트 서브세트(15개의 비정상과 14개의 정상)로 다시 나뉘어졌다.

이들 CT 검사에 따른 영상 데이터는 GE Healthcare에 의한 Light-Speed Plus 또는 Light Speed Ultra에 의해 획득되었다. CT 프로토콜은 서브젝트의 크기에 따라 변화한다. 특별히 이들 CT 촬영에서 x-ray tube 전압은 120 또는 140 kVp이고, tube 전류의 평균은 22.8~51.92mA이었다. 이들 CT 검사에서 픽셀의 크기는 스캔되는 환자의 몸 크기의 따라 0.56~0.82mm까지로 다양하다. CT 영상의 해상도는 512x512이며, 2.5mm의 슬라이스 섹션 두께로 재구성되었다.

다음으로 본 발명의 바람직한 일실시예에 따른 간질성 폐질환 검출 시스템 및 그 방법에 대해 구체적으로 설명하기로 한다.

간질성 폐질환 검출 시스템 및 그 방법

도 1은 본 발명의 바람직한 일실시예에 따른 간질성 폐질환 검출 시스템의 구성도를 나타낸다.

도 1로부터 알 수 있는 바와 같이 본 발명의 바람직한 일실시예에 따른 간질성 폐질환 검출 시스템은 CT 영상으로부터 폐 영역만을 분할하여 추출하고, 추출된 폐의 총 체적을 산출하는 폐 분할부(10); 상기 폐 영역의 각 픽셀을 중심으로 미리 설정된 크기의 관심 영역(Region of Interest, ROI)을 위치시키고, 상기 관심 영역 내에서 하나 이상의 텍스처 특징점(Texture Feature)을 추출하는 특징점 추출부(20); 상기 하나 이상의 텍스처 특징점을 입력받아 간질성 폐질환에 대해 해당 픽셀의 양성 또는 음성 여부를 분류하는 분류부(30); 상기 분류부(30)에서 양성으로 분류된 모든 픽셀을 카운팅하여 양성으로 분류된 모든 영역의 체적을 산출하는 검출 체적 산출부(40); 상기 폐의 총 체적에 대한 상기 양성으로 분류된 영역의 체적의 비를 산출하는 분류 스코어 산출부(50); 및 망상 격자(mesh grid)를 이용하는 영역 확장(Region Growing) 기법에 기반하여 양성인 픽셀과 음성인 픽셀을 분류하는 영역 확장부(60);를 포함한다.

폐 분할(Lung Segmentation)

도 2는 상기 폐 분할부(10)의 구성도를 나타낸다.

도 2에 의해 상기 폐 분할부(10)의 역할에 대해 좀더 상세히 설명하기로 한다.

도 2로부터 알 수 있는 바와 같이 상기 폐 분할부(10)는 2차원 영상에서 폐 영역과 배경 영역을 히스토그램을 이용하여 분할하는 분할 모듈(11); 상기 분할 모듈(11)로부터의 다수의 분할된 2차원 영상을 그룹화하는 방법인 3차원 영역 확장 기법을 적용하여 3차원 형상의 폐를 생성하는 3차원 폐 생성 모듈(12); 및 롤링 볼 알고리즘(Rolling Ball Algorithm)을 이용하여 상기 3차원 형상의 폐 영역의 경계를 매끄럽게 하기 위한 롤링 볼 모듈(13);을 포함할 수 있다.

즉, 상기 분할 모듈(11)은 CT 슬라이스 영상에서 분할 문턱값(Threshold)을 결정한다. 자동으로 문턱값을 결정하기 위하여, 영상 밝기 값에 의한 히스토그램에서 폐 영역과 배경의 중심을 각각 나타내는 두 개의 피크 사이의 최소 계곡(valley)을 검색(Search)한다. 이에 따라 '2-D segments'라고 이름 지워지는 다수의 분할되고 고립된 영역이 생성된다. 그 분할 부분 중의 일부분은 폐 영역을 나타내며, 다른 부분은 비 폐 영역 또는/그리고 CT 테이블과 관계되어 있다.

또한 상기 3차원 폐 생성 모듈(12)은 각 CT 영상에서 폐 영역을 식별하고 3차원 폐의 체적(Volume)을 재구성하기 위하여, 2차원 분할 부분의 그룹화를 바탕으로 한 3차원 확장 기법을 이용한다. 즉, 폐의 중간 부분에 위치한 가장 큰 2차원 폐 분할 부분을 나타내는 CT 영상으로부터 출발하여, 분할된 폐 영역의 윗쪽 방향(꼭대기 방향)과 아랫쪽 방향(격막 방향)으로 각각 스캐닝을 하고, 스캐닝 동안 인접 영상에서 분할된 2차원 영상을 연결하고, CT 영상에서 고립된 2차원 분할 부분을 제거하는 것에 의해 점진적으로 3차원 형상의 폐를 생성하는 것을 특징으로 한다.

마침내 상기 롤링 볼 모듈(13)이 롤링 볼 알고리즘(Rolling Ball Algorithm)을 이용하여 매끄러운 폐 분할의 경계를 생성한다.

하기에 본 발명의 바람직한 일실시예에 따른 특징점 추출부(20)에 의한 특징점 추출 방법에 대해 구체적으로 설명하기로 한다.

특징점 추출

각 픽셀을 IDL에 대해 양성 또는 음성으로 분류하기 위하여, 본 발명에서는 해당 픽셀을 중심점으로 하는 ROI로부터 통계적 특징(평균:mean, 분산:variance, 왜도:skewness 그리고 첨도:kurtosis)에 기반한 4가지 히스토그램과 0도와 90도 방향에 있는 22개의 런 랭스 매트릭스(run-length matrix, RLM) 텍스처 특징점을 산출하였다.

도 3은 본 발명의 바람직한 일실시예의 의해 추출된 특징점을 나타낸다.

도 3에 나타낸 바와 같은 특징점은 ILD의 분류와 정량화 그리고 심각한 ILD를 포함한 CT 영상에서 폐를 분할하는데 사용되었고 효과적이었음이 보고되었다. 또한 폐 CT의 히스토그램으로부터 산출된 인덱스는 ILD 환자에 대한 폐기능 검사(Pulmonary Function Test, PFT)의 결과와 상관 관계가 있음이 알려져 왔다.

런 랭스 매트릭스에서 한 run은 주어진 방향에서의 동일한 그레이 레벨의 연속적인 픽셀들로 이루어진다. 다른 그레이 레벨과 길이를 갖는 다양한 run들이 그레이 레벨과 길이에 따라 배열되고 런 랭스 매트릭스라고 불리는 2차원 행렬을 구성한다.

텍스처 특징점은 ROI의 크기의 변화에 따라 바뀌므로, 최적화된 성능을 갖는 분류부(30)를 만들기 위해 이들 텍스처 특징점을 사용하는 데 있어 가장 어려운 문제 중 하나는 최적화된 ROI 크기를 정의하는 것이다. 본 발명에서는 다양한 ROI 크기를 선택하여 일련의 실험을 수행하고, 그들의 성능을 비교하였다.

본 발명에서는 분류부(30)에서 텍스처 특징점을 입력받아 간질성 폐질환에 대해 해당 픽셀의 양성 또는 음성 여부를 분류하기 위해 인공 신경망을 사용할 수 있다.

하기에 본 발명의 바람직한 일실시예에 따른 인공 신경망에 대해 구체적으로 설명하기로 한다.

인공 신경망

인공 신경망(Artificial Neural Network, ANN)은 다른 의료 영상을 이용한 CAD 시스템에서 많이 사용되어지는 기계적 학습 툴이다. 본 발명에서는 특징점을 추출한 후, ILD 영역에 속한 ROI인지 여부를 분류하기 위하여 ANN를 구현하고 feedforward 방법에 의해 이를 학습시켰다. ANN은 입력층, 은닉층 및 출력층의 세 개의 층을 포함하며, ANN 출력의 총 제곱 오차(total squared error)를 최소화하기 위하여 가장 보편적으로 사용되어 지는 방법 중 하나인 역전파 알고리즘(back propagation algorithm)에 의해 학습 되었다. 26개의 특징점의 원본 특징점 풀(pool)로부터 최적의 특징점의 세트를 선택하기 위하여, 유전 알고리즘(generic algorithm, GA)이 사용되었다. 그래서, 입력층은 GA에 의해 선택 되어진 최적의 텍스처 특징점들에 하나의 바이어스를 더한 수와 뉴런의 동일한 수를 갖는다. 그리고, 은닉층은 10개의 뉴런, 출력층은 정상적인 폐 조직과 ILD 패턴의 두 개의 뉴런을 갖는다. ANN의 학습율과 바이어스는 각각 0.005와 0.95로 설정되었다. 각 뉴런은 활성 함수로 시그모이드 함수를 사용한다. 학습 단계에서, ANN은 1146개의 음성 ROI와 674개의 양성 ROI로부터 추출된 텍스처 특징점들을 포함하는 학습 데이터를 읽는다. 뉴런 사이의 각 가중치(weight)는 총 제곱 오차가 변화가 없거나 또는 미리 설정된 반복 횟수(본 발명에서의 예로는 500회)에 도달할 때까지 반복적으로 역전파에 의해 조정된다.

분할된 폐 영역 상에서 각 픽셀에 대한 ROI로부터 텍스처 특징을 추출하는 것은 매우 시간이 많이 소요되는 작업이다. 따라서 본 발명에서는 연산 시간을 줄이기 위하여, 영역 확장 기반 픽셀 분류 방법을 제안하고 적용하였다.

영역 확장 기반 픽셀 분류(region growing based pixel classification)

본 발명의 바람직한 일실시예에 따르면 망상 격자(mesh grid)를 이용하는 영역 확장 기법에 기반하여 양성인 픽셀과 음성인 픽셀을 분류하는 영역 확장부(60)를 포함할 수 있다.

구체적으로 각 CT 검사에서, 가상 망상 격자(mesh grid)가 분할된 폐 영역을 커버하기 위하여 적용된다. 분할된 폐 영역에서 모든 픽셀들을 연산하는 대신, 격자의 교차 지점에 위치한 픽셀들만 성장 시드(growth seed)로 사용된다. 격자의 크기는 8x8 픽셀이고, 경험적인 관찰과 실험 데이터 분석에 기반하여 결정되었다.

본 발명의 영역 확장 기법에 따르면, 먼저 상기 특징점 추출부(20)가 상기 격자의 교차점에 위치한 시드 포인트의 픽셀에 대해서만 텍스처 특징점을 추출하며, 상기 분류부(30)가 상기 시드 포인트 픽셀의 텍스처 특징점에 의해 양성 또는 음성 여부를 분류하고, 상기 영역 확장부(60)는 상기 분류부(30)에서 시드 포인트가 음성으로 분류된 경우 해당 격자 내의 픽셀에 대한 텍스처 특징점 추출 및 양성/음성 여부의 분류를 스킵(Skip)하고 다른 격자 교차점을 시드 포인트로 하며, 상기 영역 확장부(60)는 시드 포인트가 양성으로 분류된 경우 해당 시드 포인트의 인접한 이웃 픽셀을 시드 포인트로 하는 것에 의해, 어떠한 양성 픽셀도 발견되지 않을 때까지 계속적인 분류를 진행하여 검사를 실시한다. 이러한 방법으로 본 발명에서는 ILD에 대해 음성인 픽셀의 높은 비율에 대해 연산과 검출을 스킵할 수 있다.

상기 검출 체적 산출부(40)는 상기 분류부(30)에서 양성으로 분류된 모든 픽셀을 카운팅하여 양성으로 분류된 모든 영역의 체적을 산출하고, 분류 스코어 산출부(50)가 상기 폐의 총 체적에 대한 상기 양성으로 분류된 영역의 체적의 비를 산출하게 된다. 하기에 분류 스코어 산출부(50)에 의한 분류 스코어(Score) 산출 기법에 대해 설명하기로 한다.

분류 스코어 산출 기법

본 발명의 최종적인 목적은 환자들(또는 낮은 투여량에 의한 CT 검사 참가자들)의 CT 검사 분석에 기반하여 ILD 보유 여부를 검출하는 것에 있기 때문에, 본 발명에서는 ILD를 평가하기 위하여 새로운 측정 인덱스, 즉 분류 스코어를 제안한다. 이 인덱스 또는 분류 스코어는 [수학식 1]에 나타낸 바와 같이 1~100까지의 범위에서 ILD 의심 영역의 체적(Vol_ILD)과 총 폐 체적(Vol_Lung) 사이의 비율에 의해 산출된다.

일반적으로, 분류 스코어가 크면 클수록 ILD의 가능성이 더 높은 것을 의미한다. CT 영상을 사용하여 폐기종을 검출하고 정량적으로 평가한 밀도 마스크(density mask)를 사용하는 것과 비슷하게 ILD에 대해 음성 케이스는 ILD에 대해 양성으로 판명난 경우보다 더 작은 픽셀 부분을 가지며, 이에 따라 문턱값이 정의될 수 있다. [수학식 2]에 나타낸 바와 같이 만약 분류 스코어가 미리 설정된 문턱값 보다 높다면 그 테스트 케이스는 ILD에 대해 양성으로 분류되고, 그렇지 않으면 음성으로 분류된다.

하기에 본 발명에 따른 간질성 폐질환 검출 시스템 및 그 방법에 의한 실험 절차와 성능 평가에 대해 설명하기로 한다.

실험 절차와 성능 평가

ILD의 텍스처 특징점을 추출하기 위한 ROI의 효과적인 크기를 선택하기 위하여 본 발명에서는 다섯 가지 크기의 ROI에 대해 테스트하고 평가하였다(9x9픽셀, 15x15픽셀, 21x21픽셀, 33x33픽셀, 63x63픽셀). 또한, 다섯 가지 다른 ROI를 사용하여 학습하고 테스트하였다. 각 학습 단계에서, 검색된 1146개의 정상 픽셀(ILD에 대해 음성인 픽셀)과 674개의 비정상 픽셀(ILD에 대해 양성인 픽셀)을 샘플 파일에 저장하였다. 그 다음으로, CT 영상(검색된 픽셀이 중심에 위치하고, 정의된 ROI 크기를 사용)으로부터 각 픽셀을 포함하는 ROI를 추출하고 26개의 텍스처 특징점을 추출하였다. 두 개의 영상 특징 파일(하나는 1146개의 음성 ROI에 관한 것이며, 다른 하나는 674개의 양성 ROI에 관한 것)을 만든 후에, 26개의 특징점 사이에 최적화된 특징점 세트를 찾기 위하여 유전 알고리즘(GA)을 적용하였다. 즉, 이진화 코딩 방법 GA 염색체를 만들기 위하여 적용되었다, 각 추출된 특징점은 GA 염색체의 하나의 유전자에 대응한다. '1'은 그 특징이 선택되었음을 의미하고, '0'은 버려진 것을 의미한다. 그래서, 각 GA 염색체는 이 실험에서 26개 유전자를 포함한다. 각 GA 염색체에서, N개의 특징점(N≤26)이 선택되고, 나머지 26-N개의 특징점이 버려졌다. 그래서, N+1개의 입력 뉴런을 사용하는 ANN과 10개의 은닉층이 고정된 학습 반복 횟수(반복적인 학습의 잠재적인 마이너스 효과를 최소화하기 위해 500회로 설정)를 사용하여 훈련된 ROI를 사용하여 학습되었다. ANN에 의한 분류 정확도는 정확하게 분류된 ROI 비율(또는 Hit rate)에 의해 측정되었다. GA 최적화 프로세스는 새로운 세대에서 분류 정확도의 더 나은 개선이 없거나, 서치(search) 세대가 미리 설정된 최대수(300개)에 도달할 때까지 계속된다. 최종적인 GA 선택 염색체(또는 특징 세트)는 최적화 ANN을 만들기 위해 사용된다. 이 GA 최적화 프로세스는 다섯 가지 다른 크기의 ROI를 사용하여 다섯 번 반복되었다. 또한, 다섯 ANN의 정확도를 비교하고, 가장 높은 분류 정확도를 갖는 ROI를 선택하였다.

본 발명에서는 최적화된 ANN을 구현하기 위하여, 남겨둔 14개의 음성과 15개의 양성 검사 결과를 포함하는 29개의 CT 테스팅 검사 결과를 적용하였다. 본 발명에서는 각 CT 영상에 대해 하나의 분류 스코어를 생성한다. 다음으로, ROC(receiver operating characteristic) 커브를 생성하고, ROC 커브 아래의 영역을 계산(Az 값)하고, 음성과 양성 케이스의 CAD 생성 분류 스코어에 기반한 표준 편차를 계산하기 위하여 ROC Data fitting과 분석 프로그램을 적용하였다. ROC 방법은 본 발명에서 최종적인 성능을 평가하기 위하여 사용되었다.

결과

도 4는 개인용 PC(AMD Athlon 64x2 듀얼 코어 프로세서 5000 + 2.61 GHz with 3.5GB RAM)를 사용하여 9x9 픽셀로부터 63x63 픽셀의 ROI 크기에서 26개의 텍스처 특징점을 추출하고 계산하기 위한 연산 시간을 보여준다. 학습 단계에서, GA는 5가지 ROI 크기로 부터 초기 26개의 특징점 중에서 8 내지 18개의 특징점을 선택했다. ANN의 분류 정확도(hit rate)는 초기 9x9 픽셀로부터 33x33 픽셀로 증가하는 ROI 크기에 따라 90.1%로부터 95.4%로 단순 증가하였다. 그런데, ROI 크기가 63x63으로 증가할 때 91.7%로 분류 정확도가 떨어지기 시작하였다. 결론적으로 GA에 의해 선택되고 본 발명에서 최종적으로 선택된 최적 ANN은 12개의 입력 뉴런(33x33 픽셀의 ROI를 사용하여 산출된 11개의 텍스처 특징점을 사용)을 갖는다. 이 11개의 특징점은 1개의 히스토그램 기반 통계 특징점과 10개의 런 랭스 매트릭스 특징점을 포함한다(도 5). 결론적으로, 33x33 픽셀의 ROI로부터 계산된 특징점을 사용하는 ANN은 다른 4가지 크기의 ROI에 기반한 ANN 보다 뛰어난 분류 정확도(95.44%)를 달성하였다. 이 ANN이 본 발명에서 선택되고 구현되었다.

본 발명에서는 테스팅 데이터세트에서 2.5mm 슬라이스 두께를 갖는 CT 검사에 대해 분할된 폐 영역에서 픽셀의 평균 개수는 4,317,211개를 나타내었다. PC를 사용하여 전체 폐 영역에서의 4,317,211개로부터 생성된 ROI를 처리하고 분류하는 데 약 7시간이 걸렸다. 그러나, 도 4로부터 알 수 있는 바와 같이 제안된 망 격자(mesh grid)에 기반한 영역 성장 방법을 적용한 후에, 처리되는 픽셀의 평균 수는 양성 검사의 경우에 280,592개(93.5% 감소)로 감소되었으며, 280,592개로부터 ROI 처리 및 분류를 위한 시간은 27분으로 감소되었다. 음성 검사에서 본 발명의 바람직한 일실시예에 따른 간질성 폐질환 검출 시스템은 91,074 픽셀을 평균적으로 처리하고 분류하며, 약 9분의 시간이 소요되었다.

또한, 테스팅 데이터세트를 적용했을 때, 본 발명은 Az가 0.884ㅁ0.064에 해당하는 성능을 달성하였다(도 6). 상세한 데이터 분석에 의해 음성(normal) 검사에 대한 분류 스코어의 분포가 0.91~4.60으로 좁게 나타남을 알 수 있다. 반면, 양성(abnormal) 검사에 대한 분류 스코어는 1.07~15.40(도 7)로 넓은 범위에 분포하였다. 이들 분류 스코어의 분포로부터, 본 발명은 94.1%의 분류도 (Specificity)에서 84.2%의 민감도 (Sensitivity)를 달성하였다. 달리 표현하면, 3.05의 분류 스코어를 가지고, 정확히 29개의 CT 검사 중 25개를 정확히 분류할 수 있었고(86.2%), 4개의 케이스(하나의 음성, 3개의 양성)에 대해 잘못 분류하였다(13.8%).

도 8은 본 발명의 바람직한 일실시예에 따른 간질성 폐질환 검출 방법의 흐름도를 나타낸다.

도 8로부터 알 수 있는 바와 같이 본 발명의 바람직한 일실시예에 따른 간질성 폐질환 검출 방법은 상기 폐 분할부(10)가 CT 영상으로부터 폐 영역만을 분할하여 추출하고, 다수의 분할 영상으로부터 분할된 폐의 총 체적을 산출하는 단계(S10); 상기 영역 확장부(60)가 상기 S10 단계에서 하나의 2차원 영상에서 분할된 폐 영역 위에 망상 격자를 설정하는 단계(S20); 상기 영역 확장부(60)가 상기 S20 단계의 망상 격자의 교차점에 위치한 픽셀을 시드 포인트로 설정하는 단계(S30); 상기 특징점 추출부(20)가 상기 S30 단계의 시드 포인트를 중심으로 관심 영역을 설정하고, 관심 영역 내에서의 하나 이상의 텍스처 특징점을 추출하는 단계(S40); 상기 분류부(30)가 상기 S40 단계의 텍스처 특징점을 입력받아 간질성 폐질환에 대해 해당 시드 포인트의 양성 또는 음성 여부를 분류하는 단계(S50); 상기 S50 단계의 분류 결과 해당 시드 포인트가 양성인 경우(S60) 상기 영역 확장부(60)가 해당 시드 포인트의 인접한 이웃 픽셀을 다음 시드 포인트로 설정하고(S70), 상기 S50 단계의 분류 결과 해당 시드 포인트가 음성인 경우(S60) 상기 영역 확장부(60)가 폐 영역의 다른 망상 격자 교차점의 픽셀을 다음 시드 포인트로 설정하는 단계(S80); 상기 S70 및 S80 단계에서 해당 2차원 영상에서 다음 시드 포인트로 설정할 픽셀이 없는 경우, 다른 2차원 영상에 대해 상기 S20 단계 이후의 단계를 반복하여 실시하는 단계(S90, S100);를 포함한다.

또한, 모든 2차원 영상에 대해 시드 포인트로 설정할 픽셀이 없는 경우, 상기 검출 체적 산출부(40)가 상기 분류부(30)에서 양성으로 분류된 모든 픽셀을 카운팅하는 것에 의해 양성으로 분류된 모든 영역의 체적을 산출하는 단계(S110); 및 상기 분류 스코어 산출부(50)가 상기 S10 단계에서 산출한 상기 폐의 총 체적에 대한 상기 S110 단계에서 산출한 상기 양성으로 분류된 영역의 체적의 비를 산출하고, 산출된 스코어가 미리 설정된 문턱값 이상일 경우, 간질성 폐질환으로 판별하는 단계(S120);를 포함하는 것을 특징으로 한다.

또한, 상기 S90 단계에서 다음 시드 포인트가 설정된 경우, 설정된 다음 시드 포인트를 이용하여 상기 S40 단계 이후의 단계를 반복적으로 실시하는 것이 바람직하다.

도 9는 S10 단계의 폐 영역의 분할을 좀 더 구체적으로 설명하기 위한 흐름도이다. 도 9로부터 알 수 있는 바와 같이 상기 S10 단계는 히스토그램을 이용하여 2차원 영상에서 폐 영역과 배경 영역으로 분할하는 단계(S11); 3차원 영역 확장 기법을 적용하는 것에 의해 상기 S11 단계에서 다수의 분할된 2차원 영상을 그룹화하여 3차원 형상의 폐를 생성하는 단계 (S12); 및 롤링 볼 알고리즘을 이용하여 상기 S12 단계에서 생성된 3차원 형상의 폐 영역의 경계를 매끄럽게 하는 단계(S13);를 포함하는 것을 특징으로 한다.

구체적으로 상기 S12 단계는, 폐의 중간 부분에 위치한 가장 큰 2차원 폐 분할 부분을 나타내는 CT 영상으로부터 출발하여, 분할된 폐 영역의 윗쪽 방향(꼭대기 방향)과 아랫쪽 방향(격막 방향)으로 각각 스캐닝을 하고, 스캐닝 동안 인접 영상에서 분할된 2차원 영상을 연결하고, CT 영상에서 고립된 2차원 분할 부분을 제거하는 것에 의해 점진적으로 3차원 형상의 폐를 생성하는 것을 특징으로 하는 한다.

또한, 상기 S50 단계는 상기 분류부(30)에 포함된 인공 신경망을 이용하여 실시되는 것을 특징으로 하되, 유전 알고리즘에 의해 상기 특징점 추출부(20)로부터의 하나 이상의 텍스처 특징점 중에서 하나 이상의 최적의 특징점을 선택하는 단계(S51); 상기 S51 단계에서 선택된 하나 이상의 최적의 특징점과 하나의 바이어스로 구성된 입력층, 다수의 은닉층 및 간질성 폐질환에 대해 양성과 음성의 두 개의 뉴런으로 구성되는 출력층에 의해 상기 인공 신경망을 최적화하는 단계(S52); 및 최적화된 인공 신경망에 의해 텍스처 특징점을 입력받아 간질성 폐질환에 대해 해당 시드 포인트의 양성 또는 음성 여부를 분류하는 단계(S53);를 포함하는 것을 특징으로 한다.

도 10은 본 발명에 따른 CT 영상의 처리 결과의 예시도이다.

도 10의 (a)는 S10 단계의 결과 2차원 영상에서 폐 영역이 분할된 것을 나타내며, 도 10의 (b)는 S20 단계의 망상 격자가 설정된 결과이다.

또한, 도 10의 (c)는 하나의 2차원 영상에서의 양성으로 분류된 픽셀을 나타내며, 도 10의 (d)는 다수의 2차원 영상을 축적해 가는 과정을 간략하게 도시한 것이다.

상술한 바와 같이 본 발명의 바람직한 일실시예의 간질성 폐질환 검출 시스템 및 방법에 따르면, 향상된 처리 속도로 CT 영상을 이용하여 간질성 폐질환을 자동으로 검출하고, 정량화할 수 있는 CAD 시스템 및 방법을 제공할 수 있음을 알 수 있다.

10 : 폐 분할부 20 : 특징점 추출부
30 : 분류부 40 : 검출 체적 산출부
50 : 분류 스코어 산출부 60 : 영역 확장부
11 : 분할 모듈 12 : 3차원 폐 생성 모듈
13 : 롤링 볼 모듈

Claims

CT 영상으로부터 폐 영역만을 분할하여 추출하고, 추출된 폐의 총 체적을 산출하는 폐 분할부;
상기 폐 영역의 각 픽셀을 중심으로 미리 설정된 크기의 관심 영역을 위치시키고, 상기 관심 영역 내에서 하나 이상의 텍스처 특징점(Texture Feature)을 추출하는 특징점 추출부;
상기 하나 이상의 텍스처 특징점을 입력받아 간질성 폐질환에 대해 해당 픽셀의 양성 또는 음성 여부를 분류하는 분류부;
상기 분류부에서 양성으로 분류된 모든 픽셀을 카운팅하여 양성으로 분류된 모든 영역의 체적을 산출하는 검출 체적 산출부; 및
상기 폐의 총 체적에 대한 상기 양성으로 분류된 영역의 체적의 비를 산출하는 분류 스코어 산출부;를 포함하는 간질성 폐질환 검출 시스템.
제 1 항에 있어서,
상기 폐 분할부는,
2차원 영상에서 폐 영역과 배경 영역을 히스토그램을 이용하여 분할하는 분할 모듈;
상기 분할 모듈로부터의 다수의 분할된 2차원 영상을 그룹화하는 방법인 3차원 영역 확장 기법을 적용하여 3차원 형상의 폐를 생성하는 3차원 폐 생성 모듈; 및
롤링 볼 알고리즘을 이용하여 상기 3차원 형상의 폐 영역의 경계를 매끄럽게 하기 위한 롤링 볼 모듈;을 포함하는 것을 특징으로 하는 간질성 폐질환 검출 시스템.
제 2 항에 있어서,
상기 3차원 폐 생성 모듈은,
폐의 중간 부분에 위치한 가장 큰 2차원 폐 분할 부분을 나타내는 CT 영상으로부터 출발하여, 분할된 폐 영역의 윗쪽 방향(꼭대기 방향)과 아랫쪽 방향(격막 방향)으로 각각 스캐닝을 하고, 스캐닝 동안 인접 영상에서 분할된 2차원 영상을 연결하고, CT 영상에서 고립된 2차원 분할 부분을 제거하는 것에 의해 점진적으로 3차원 형상의 폐를 생성하는 것을 특징으로 하는 간질성 폐질환 검출 시스템.
제 1 항에 있어서,
상기 하나 이상의 텍스처 특징점은,
평균, 분산, 왜도 및 첨도의 통계적 특징에 기반한 4개의 히스토그램; 및
상기 관심 영역으로부터 0도와 90도 방향에 있는 22개의 런 랭스 매트릭스(Run Length Matrix) 텍스처 특징점;의 26개의 텍스처 특징점으로부터 하나 이상 선택할 수 있는 것을 특징으로 하는 간질성 폐질환 검출 시스템.
제 1 항에 있어서,
상기 검출 시스템은,
망상 격자를 이용하는 영역 확장 기법에 기반하여 양성인 픽셀과 음성인 픽셀을 분류하는 영역 확장부;를 더 포함하는 것을 특징으로 하되,
상기 특징점 추출부가 상기 격자의 교차점에 위치한 시드 포인트의 픽셀을 중심으로 미리 설정된 크기의 관심 영역에 대해서만 텍스처 특징점을 추출하며, 상기 분류부가 상기 시드 포인트 픽셀을 텍스처 특징점에 의해 양성 또는 음성으로 분류하고, 상기 영역 확장부는 상기 분류부에서 시드 포인트가 음성으로 분류된 경우 해당 격자 내의 픽셀에 대한 텍스처 특징점 추출 및 양성/음성 여부의 분류를 스킵(Skip)하고 다른 격자 교차점을 시드 포인트로 하며, 상기 영역 확장부는 시드 포인트가 양성으로 분류된 경우 해당 시드 포인트의 인접한 이웃 픽셀을 시드 포인트로 하는 것에 의해, 어떠한 양성 픽셀도 발견되지 않을 때까지 계속적인 분류를 진행하는 것을 특징으로 하는 간질성 폐질환 검출 시스템.
제 1 항 내지 제 5 항 중 어느 한 항에 있어서,
상기 분류부는,
인공 신경망을 이용하며, 상기 특징점 추출부로부터의 하나 이상의 텍스처 특징점 중에서 하나 이상의 최적의 특징점을 선택하기 위하여 유전 알고리즘을 사용하는 것을 특징으로 하는 간질성 폐질환 검출 시스템.
제 6 항에 있어서,
상기 분류부는,
입력층, 은닉층 및 출력층을 포함하되,
상기 입력층은 상기 하나 이상의 최적의 특징점들과 하나의 바이어스를 포함하는 뉴런으로 구성되며, 상기 출력층은 간질성 폐질환에 대해 양성과 음성의 두 개의 뉴런으로 구성되는 것을 특징으로 하는 간질성 폐질환 검출 시스템.
제 7 항에 있어서,
상기 검출 시스템은,
다수의 학습을 위한 입력 영상을 이용하여 상기 분류부의 인공 신경망을 최적화하고, 최적화된 인공 신경망을 이용하여 간질성 폐질환 여부를 판별하는 것을 특징으로 하는 간질성 폐질환 검출 시스템.
제 1 항에 있어서,
상기 검출 시스템은,
상기 분류 스코어 산출부로부터 산출된 스코어인 체적의 비가 미리 설정된 문턱값 이상일 경우, 간질성 폐질환으로 판별하는 것을 특징으로 하는 간질성 폐질환 검출 시스템.
폐 분할부, 특징점 추출부, 분류부, 검출 체적 산출부, 분류 스코어 산출부 및 영역 확장부를 포함하는 간질성 폐질환 검출 시스템을 이용하는 간질성 폐질환 검출 방법에 있어서,
(a) 상기 폐 분할부가 CT 영상으로부터 폐 영역만을 분할하여 추출하고, 다수의 분할 영상으로부터 분할된 폐의 총 체적을 산출하는 단계;
(b) 상기 영역 확장부가 상기 (a) 단계에서 하나의 2차원 영상에서 분할된 폐 영역 위에 망상 격자를 설정하는 단계;
(c) 상기 영역 확장부가 상기 (b) 단계의 망상 격자의 교차점에 위치한 픽셀을 시드 포인트로 설정하는 단계;
(d) 상기 특징점 추출부가 상기 (c) 단계의 시드 포인트를 중심으로 관심 영역을 설정하고, 관심 영역 내에서의 하나 이상의 텍스처 특징점을 추출하는 단계;
(e) 상기 분류부가 상기 (d) 단계의 텍스처 특징점을 입력받아 간질성 폐질환에 대해 해당 시드 포인트의 양성 또는 음성 여부를 분류하는 단계;
(f) 상기 (e) 단계의 분류 결과 해당 시드 포인트가 음성인 경우 상기 영역 확장부가 폐 영역의 다른 망상 격자의 교차점의 픽셀을 다음 시드 포인트로 설정하고, 상기 (e) 단계의 분류 결과 해당 시드 포인트가 양성인 경우, 상기 영역 확장부가 해당 시드 포인트에 인접한 이웃 픽셀을 다음 시드 포인트로 설정하는 단계;
(g) 상기 (f) 단계에서 해당 2차원 영상에서 다음 시드 포인트로 설정할 픽셀이 없는 경우, 다른 2차원 영상에 대해 상기 (b) 단계 이후의 단계를 반복하여 실시하는 단계;
(h) 모든 2차원 영상에 대해 시드 포인트로 설정할 픽셀이 없는 경우, 상기 검출 체적 산출부가 상기 분류부에서 양성으로 분류된 모든 픽셀을 카운팅하는 것에 의해 양성으로 분류된 모든 영역의 체적을 산출하는 단계; 및
(i) 상기 분류 스코어 산출부가 상기 (a) 단계에서 산출한 상기 폐의 총 체적에 대한 상기 (h) 단계에서 산출한 상기 양성으로 분류된 영역의 체적의 비를 산출하고, 산출된 체적의 비가 미리 설정된 문턱값 이상일 경우, 간질성 폐질환으로 판별하는 단계;를 포함하는 것을 특징으로 하는 간질성 폐질환 검출 방법.
제 10 항에 있어서,
상기 (f) 단계에서 다음 시드 포인트가 설정된 경우, 설정된 다음 시드 포인트를 이용하여 상기 (d) 단계 이후의 단계를 실시하는 것을 특징으로 하는 간질성 폐질환 검출 방법.
제 10 항 또는 제 11항에 있어서,
상기 (a) 단계는,
(a-1) 히스토그램을 이용하여 2차원 영상에서 폐 영역과 배경 영역으로 분할하는 단계;
(a-2) 3차원 영역 확장 방법을 적용하는 것에 의해 상기 (a-1) 단계에서 다수의 분할된 2차원 영상을 그룹화하여 3차원 형상의 폐를 생성하는 단계; 및
(a-3) 롤링 볼 알고리즘을 이용하여 상기 (a-2) 단계에서 생성된 3차원 형상의 폐 영역의 경계를 매끄럽게 하는 단계;를 포함하는 것을 특징으로 하는 간질성 폐질환 검출 방법.
제 12 항에 있어서,
상기 (a-2) 단계는,
폐의 중간 부분에 위치한 가장 큰 2차원 폐 분할 부분을 나타내는 CT 영상으로부터 출발하여, 분할된 폐 영역의 윗쪽 방향(꼭대기 방향)과 아랫쪽 방향(격막 방향)으로 각각 스캐닝을 하고, 스캐닝 동안 인접 영상에서 분할된 2차원 영상을 연결하고, CT 영상에서 고립된 2차원 분할 부분을 제거하는 것에 의해 점진적으로 3차원 형상의 폐를 생성하는 것을 특징으로 하는 간질성 폐질환 검출 방법.
제 10 항 또는 제 11항에 있어서,
상기 (e) 단계는,
상기 분류부에 포함된 인공 신경망을 이용하여 실시되는 것을 특징으로 하되,
(e-1) 유전 알고리즘에 의해 상기 특징점 추출부로부터의 하나 이상의 텍스처 특징점 중에서 하나 이상의 최적의 특징점을 선택하는 단계;
(e-2) 상기 (e-1) 단계에서 선택된 하나 이상의 최적의 특징점과 하나의 바이어스로 구성된 입력층, 다수의 은닉층 및 간질성 폐질환에 대해 양성과 음성의 두 개의 뉴런으로 구성되는 출력층에 의해 상기 인공 신경망을 최적화하는 단계; 및
(e-3) 최적화된 인공 신경망에 의해 텍스처 특징점을 입력받아 간질성 폐질환에 대해 해당 시드 포인트의 양성 또는 음성 여부를 분류하는 단계;를 포함하는 것을 특징으로 하는 간질성 폐질환 검출 방법.