KR20140048449A - 의료영상에서의 간 영역 검출방법 - Google Patents

의료영상에서의 간 영역 검출방법 Download PDF

Info

Publication number
KR20140048449A
KR20140048449A KR1020120114150A KR20120114150A KR20140048449A KR 20140048449 A KR20140048449 A KR 20140048449A KR 1020120114150 A KR1020120114150 A KR 1020120114150A KR 20120114150 A KR20120114150 A KR 20120114150A KR 20140048449 A KR20140048449 A KR 20140048449A
Authority
KR
South Korea
Prior art keywords
map
region
image
equation
calculated
Prior art date
Application number
KR1020120114150A
Other languages
English (en)
Other versions
KR101423835B1 (ko
Inventor
황보택근
은성종
김재승
권정민
Original Assignee
가천대학교 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 가천대학교 산학협력단 filed Critical 가천대학교 산학협력단
Priority to KR1020120114150A priority Critical patent/KR101423835B1/ko
Publication of KR20140048449A publication Critical patent/KR20140048449A/ko
Application granted granted Critical
Publication of KR101423835B1 publication Critical patent/KR101423835B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/08—Volume rendering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30056—Liver; Hepatic

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Graphics (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Processing (AREA)

Abstract

본 발명은 의료영상에서의 간 영역 검출방법에 관한 것이다.
본 발명에 따른 의료영상에서의 간 영역 검출방법은 (a)MRI(Magnetic Resonance Imaging)의 T2 영상으로부터 R2 맵을 계산하는 과정과; (b)지역적 최대값을 이용하여 계산된 상기 R2 맵의 특징점(feature point)을 검출하는 과정; 및 (c)검출된 상기 특징점을 기반으로 3차원 영역 성장법을 통해 간 영역을 추출하는 과정을 포함하는 것을 특징으로 한다.

Description

의료영상에서의 간 영역 검출방법{LIVER SEGMENTATION METHOD IN A MEDICAL IMAGE}
본 발명은 의료영상 검출방법에 관한 것으로, 특히 MRI(Magnetic Resonance Imaging) 의료영상 촬영장치로부터 제공되는 의료영상에서 간(liver) 영역을 검출하기 위한 방법에 관한 것이다.
객체의 인식은 영상처리 분야에서 매우 중요한 분야이다. 이러한 객체 인식은 영역분할 및 영상분할에서 시작할 수 있는데, 영상분할은 그 결과가 영상의 해석에 있어 큰 영향을 미치게 되며, 영상 처리의 필수 불가결한 단계이다. 각각의 영상분할 방법들은 입력 영상의 특성에 따라 다른 성능을 보이면서 서로 다른 특징을 지니고 있어, 입력 영상에 따라 사용되는 분할 방법이 달라진다. 하지만 서로 다른 특징과 성능을 가지고 있어도 영상분할 시 발생하는 문제점은 동일한 원인을 내포하고 있다. 이는 서로 인접한 픽셀 값들의 분포 정도에 따라, 분할되지 않거나 과도하게 분할되는 것이다. 이러한 문제점은 여러 영상 분할 방법들 중에서 자주 볼 수 있는 고질적인 문제점으로, 이를 해결하기 위해 지금까지도 많은 연구가 진행되고 있다.
일반적으로 일반 영상에서의 대표 영상분할 알고리즘은 임계값 기법, 에지 검출 기법, 영역 성장법, 텍스처 특징값을 이용하는 기법 등 여러 가지 방법들이 사용되고 있다.
임계치에 의한 영상분할 방법인 임계값 기법(threshold value method)은 주어진 영상에 대하여 히스토그램(histogram)을 만들고, 임계치를 결정하여 영상을 물체와 배경으로 분리하는 방법을 말한다. 에지 검출 기법은 영상에서 그레이 레벨(gray level)이 불연속인 픽셀을 찾는 것을 말한다. 영역 성장법은 화소 간의 유사도를 측정하여 영역을 확장해 분할하는 방법이다. 텍스처 특징값을 이용하는 기법은 영상에서 픽셀 값의 불연속적인 변화를 정량화하는 방법으로, 기본적으로 통계학적 방법과 구조적 방법으로 나눌 수 있다.
이러한 일반적인 방법 외에 수동적인 방법으로 영역을 분할하는 연구도 많이 제안되어왔으며, 최근에는 다양한 영역 분할 방법들이 적용되고 있다. 그 중 사용자 개입을 최소화하는 방법으로 에너지를 최소화하는 경계면을 찾는 그래프 컷(Graph Cut) 방법과 그랩컷(GrabCut) 방법이 제안되었으나, 초기 영역을 설정해야 하는 문제점이 있다. 또한 영역별 적절한 방법으로 추출 가능한 RAA(Region Adaptive Alogorithm) 방법도 제안되었으나, 이 방법은 애매모호한 경계부분에서 부정확한 결과가 도출되는 단점이 있다. 이러한 단점을 해결하기 위해 지역적 최소값 기반의 커브 보정(Curve Fitting) 등의 추가 작업이 수행되고 있다. 이외에 ACM(Active Contour Model)인 Snake 방법으로 에너지 값이 최소가 되는 지점으로 수렴해 나가 최적의 경계선을 검출하는 방법도 제안되었다. 그러나 이러한 Snake 방법은 사용자 정보의 개입이 많은 점과 음영이 있는 곳은 에너지 값이 다른 영역으로 오인되는 문제점 등이 있다.
따라서, 본 발명은 상기와 같은 종래기술의 문제점을 해결하기 위하여 안출된 것으로, 본 발명의 일반적인 목적은 종래 기술에서의 한계와 단점에 의해 발생되는 다양한 문제점을 실질적으로 보완할 수 있는 의료영상에서의 간 영역 검출방법을 제공하는 것이다.
본 발명의 보다 구체적인 다른 목적은, 간 영역이 포함된 의료영상에서 경계가 모호한 영역에서도 검출 정확도를 개선할 수 있는 의료영상에서의 간 영역 검출방법을 제공하는 것이다.
이를 위해 본 발명의 일 실시예에 따른 의료영상에서의 간 영역 검출방법은 (a)MRI(Magnetic Resonance Imaging)의 T2 영상으로부터 R2 맵을 계산하는 과정과; (b)지역적 최대값을 이용하여 계산된 상기 R2 맵의 특징점(feature point)을 검출하는 과정; 및 (c)검출된 상기 특징점을 기반으로 3차원 영역 성장법을 통해 간 영역을 추출하는 과정을 포함하는 것을 특징으로 한다.
본 발명의 일 실시예의 의료영상에서의 간 영역 검출방법에서, 상기 (a)과정은 하기 수학식 2에 의해 T2 맵을 계산한 후, 계산된 상기 T2 맵의 역수를 취함으로써 R2 맵을 계산하는 과정으로 이루어질 수 있다.
수학식 2
Figure pat00001
상기 수학식 2에서, TE(echo time)는 반향시간, SI는 신호 강도(signal intensity), w는 T2 가중(weight) 영상, PD는 양성자 밀도(Proton Density)를 나타내고, SI는 하기 수학식 1에 의해 계산된다.
수학식 1
Figure pat00002
수학식 1에서 SI0는 평형상태의 수조(water pool)에서 양자시스템(proton system)에 상응하는 MRI 신호의 강도를 나타낸다.
본 발명의 일 실시예의 의료영상에서의 간 영역 검출방법에서, 상기 (a)과정은 감마(Gamma)보정 및 CLAHE 방법을 이용하여 계산된 상기 R2 맵을 개선하는 단계를 포함할 수 있다.
본 발명의 일 실시예의 의료영상에서의 간 영역 검출방법에서, 상기 (b)과정은 텍스처 분석을 통해 상기 특징점 검출을 위한 후보 영역을 결정하는 단계와; 상기 후보 영역 내부의 픽셀들의 지역적 최대값(Local maximum)을 이용하여 특징점을 검출하는 단계를 포함할 수 있다.
본 발명의 일 실시예의 의료영상에서의 간 영역 검출방법에서, 상기 텍스처 분석시 동시발생 매트릭스(Co-occurance matrix)를 이용하여 동질의 특성을 갖는 영역을 간 후보 영역이라고 간주할 수 있다.
본 발명의 일 실시예의 의료영상에서의 간 영역 검출방법에서, 상기 (c)과정은
상기 R2 맵의 볼륨 렌더링을 통해 3차원 볼륨 데이터를 생성하는 단계와; 상기 3차원 볼륨데이터와 상기 특징점을 통해 3차원 영역 성장법을 수행하는 단계를 포함할 수 있다.
본 발명의 일 실시예의 의료영상에서의 간 영역 검출방법에서, 상기 볼륨 렌더링은 레이 캐스팅(ray casting) 알고리즘 또는 플래인 컴포지팅(plane compositing) 알고리즘에 의해 이루어질 수 있다.
본 발명에 따른 의료영상에서의 간 영역 검출방법에 의하면, 간 영역이 포함된 의료영상에서 경계가 모호한 영역에서도 효과적인 영역분할이 가능하도록 함으로써 검출 정확도를 크게 개선할 수 있다.
도 1은 본 발명의 일 실시예에 따른 의료영상에서의 간 영역 검출방법을 설명하기 위한 흐름도이다.
도 2는 본 발명의 일 실시예에 따른 R2 맵 계산 결과를 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따른 R2 영상에 대한 개선작업의 전반적인 흐름을 나타낸 도면이다.
도 4는 본 발명의 일 실시예에 따른 특징점을 검출할 후보 영역을 계산하는 과정을 나타낸 도면이다.
도 5는 본 발명의 일 실시예에 따른 특징점을 검출하는 과정을 나타낸 도면이다.
도 6은 본 발명의 일 실시예에 따른 간 영역 추출 과정을 나타낸 도면이다.
도 7은 본 발명의 일 실시예에 따른 3차원 영역 성장 결과를 나타낸 도면이다.
도 8은 본 발명의 일 실시예에 따라 검출된 간 영역을 나타낸 도면이다.
도 9는 종래의 영역 성장법과 Snake방법에 따른 결과를 나타낸 도면이다.
이하, 첨부 도면을 참조하여 본 발명의 실시 예를 상세히 설명하면 다음과 같다.
본 발명을 설명함에 있어서, 관련된 공지기능 혹은 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명은 생략한다. 또한, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 판례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도 1은 본 발명의 일 실시예에 따른 의료영상에서의 간 영역 검출방법을 설명하기 위한 흐름도이다.
1단계: R2 맵 계산
먼저, MRI(Magnetic Resonance Imaging) 영상 즉, T2 영상에서의 R2 맵을 계산한다(S110).
참고로, MRI는 병변 세포 분석에 자주 이용되는 방법으로, 스핀격자 완화시간(spinlattice relaxation time)인 T1과 스핀-스핀 완화시간(spin-spin relaxation time)인 T2의 완화시간이 다르다는 사실에 기반한 것이다. 쥐에 대한 T2값의 수량화를 위한 방법의 이론적인 분석에서, 획득된 영상은 역전회복(inversion recovery) 및 고속 스핀 에코 플러스 시퀀스(fast spin echo pulse sequences)를 이용하여 T2 맵을 확립하는데 사용된다. 역전시간 TI는 역전회복 플러스 시퀀스 및 반향시간(echo time)을 갖는 이미지 획득 동안의 값이고, TE는 고속 스핀 에코 플러스 시퀀스를 이용한 값이다. T2 맵을 확립하기 위한 정확한 해결책을 구하기 위해 신호 강도(signal intensity) SI는 아래 수학식 1과 같이 계산된다.
수학식 1
Figure pat00003
수학식 1에서 SI0는 평형상태의 수조(water pool)에서 양자시스템(proton system)에 상응하는 MRI 신호의 강도를 나타내고, T2 맵은 TR/TE: 3000/2.192ms, NE(에코 수): 5, 슬라이스 수: 25, 슬라이스 두께: 1mm, 슬라이스 간격: 0mm(간격이 없도록 간 영역 부위만을 촘촘하게 촬영)이다. 분석된 영역은 192x192 픽셀에 해당한다. 전술한 이미지 세트는 T2 맵의 정확한 계산을 위해 수학식 2와 같이 변형된다.
수학식 2
Figure pat00004
수학식 2에서 w는 T2 가중(weight) 영상, PD는 양성자 밀도(Proton Density)를 나타낸다. 즉, 촬영된 영상의 T2 가중(weight) SI값과 양성자 밀도 SI를 계산하여 이를 나눈 자연로그를 취해, 다시 TE를 나눔으로써 T2값을 구할 수 있다.
수학식 2에 의해 T2 맵을 계산한 후, 계산된 T2 맵의 역수(1/T2)를 취함으로써 R2 맵을 계산할 수 있다(S112). 일반적으로 T2 값의 경우, 조직의 철(Fe) 함유량에 따라서 달리 나타난다. 물론 개별적인 차이는 있겠지만 철 성분이 다량으로 함유되어 있는 조직에선 해당 T2 값이 낮게 산출되기 때문에 R2 값은 반대로 높은 값들의 균등한 분포를 갖게 된다. 본 발명에서는 이러한 이유로 간 영역이 포함된 R2 맵 정보를 토대로 영역 분할을 수행하고자 하였다.
R2 맵 계산 후, 계산된 R2 영상에 대한 개선작업을 수행할 수 있으며(S114), R2 영상에 대한 개선작업에 대해서는 후술하기로 한다.
2단계: R2 맵의 특징점 검출
다음으로, 계산된 R2 맵의 특징점(feature point)을 검출한다(S120). 여기서, 검출된 특징점은 다음 단계인 영역 성장법(Region Growing)의 씨앗점(Seed point)으로 설정된다.
특징점 계산은 크게 두 가지 작업으로 처리된다.
첫 번째는 특징점 검출을 위한 영역 범위를 설정하는 것이다. 이는 특징점 검출을 위한 후보 영역을 설정하는 것으로 해당 영역 내에서만 특징점을 검출하기 위함이다.
두 번째는 설정된 검출 영역에서 의미가 있다고 판단되는 몇 개의 픽셀들을 특징점으로 결정하는 것이다. 이렇게 검출된 특징점들은 다음에 처리될 영역 분할 알고리즘의 입력 정보로 사용된다.
특징점 계산 과정에 대해 구체적으로 설명하면 다음과 같다.
먼저, 텍스처 분석을 통해 특징점 검출을 위한 후보 영역을 결정한다(S122). 텍스처 분석 시 동시발생 매트릭스(Co-occurance matrix)를 이용하여 동질의 특성을 갖는 영역을 간 후보 영역이라고 간주한다. 여기서, 동시발생 매트릭스는 텍스처 영상 영역화에 많이 사용되는 방법 중 하나로서, (x1, y1) 위치의 화소값과 (x2, y2) 위치의 화소값 분포를 나타내는 2차 통계량을 바탕으로 하는 텍스처 분류 방법이다. 측정한 윈도우의 크기가 MxN(3x3)이고, 그레이 레벨(Gray level)이 L-레벨인 영상의 동시발생 매트릭스 C는 LxL 크기이며 하기 수학식 3과 같이 구해진다.
수학식 3
Figure pat00005
간 영역 검출에 있어 동시발생 매트릭스를 사용한 이유는 동질성을 갖는 영역을 유연하게 검출하기 위함으로, 본 발명에서는 ASM(Angular Second Moment)과 ENT(Entropy)를 이용하여 하나의 윈도우 내에 픽셀의 밝기값이 얼마나 질서 정연하게 변화하는지를 나타내는 영역을 찾고자 하였다. 하기 수학식 4는 ASM 계산식을 나타낸 것이고, 수학식 5는 ENT 계산식을 나타낸 것이다.
수학식 4
Figure pat00006
수학식 5
Figure pat00007
수학식 4, 5에서 Pi ,j는 각 셀의 경중률(weight)로 이용되는 것으로 ASM의 값이 클수록 픽셀의 밝기값 변화는 질서정연하다고 할 수 있다.
다음으로, 검출된 간 후보 영역 내에서의 특정점들을 검출하는 단계이다. 이를 위해 영역 내부의 픽셀들의 지역적 최대값(Local maximum)을 이용하여 특징점들을 찾는다(S124). 이는 동질성을 갖는 간 영역에서 철(Fe) 함유량에 차이가 있는 부분을 특징점이라고 간주하여, 해당 지점을 지역적 최대값을 통해 얻고자 한 것이다.
3단계: 간 영역 추출
세 번째로 추출된 특징점을 기반으로 볼륨데이터에서의 3차원 영역 성장법(3D Region Growing)을 통해 간(Liver) 영역을 추출한다.
영역 성장법을 이용하기 전에 해당 R2 맵의 볼륨 렌더링을 통해 3차원 볼륨 데이터를 생성한다(S132). 볼륨 렌더링 알고리즘은 크게 두 가지로 레이 캐스팅(ray casting)과 플래인 컴포지팅(plane compositing)이 있는데, 본 실시예에서는 레이 캐스팅 알고리즘을 통해 볼륨데이터를 생성하였다. 픽셀당 하나의 광선을 투상하여 그 광선과 만나는 각 복셀들의 값이 스크린에 투상되는 값을 프론트 투 백(front to back) 방식으로 볼륨 데이터의 앞에서부터 뒤쪽으로 계속 더하는 방법을 사용하여 Ui = (ui, vj)에 해당하는 컬러 값 C(Ui)를 구한다. 하기 수학식 6은 이러한 과정을 나타낸다.
수학식 6
Figure pat00008
수학식 6에서 픽셀 위치 Ui = (ui, vj), 복셀 위치 Xi = (xi, yj, zk)이고, C(Ui)는 최종 픽셀의 컬러값, c(Xi)는 레이 캐스팅에 의해 리샘플(resample)된 컬러값, a(Xi)는 복셀의 불투명도, 그리고 t(Xi)는 볼륨데이터의 처음부터 현 위치 복셀까지의 투명도를 나타낸다. 즉, t(Xi)=0이면 더 이상 계산을 하지 않고 다음 픽셀을 계산한다. 이후 최종 픽셀의 컬러값 결정은 MIP(Maximum Intensity Projection) 방법을 통해 처리한다.
끝으로, 생성된 볼륨데이터와 앞서 계산된 특징점들을 통해 3차원 영역 성장법을 수행한다(S134). 여기서, 영역 성장법은 동일 영역 내의 픽셀들이 밝기값, 텍스처 등에 있어 동질성을 갖는다는 특성을 이용하여 초기에 선택된 씨앗점(seed point)을 중심으로 인접한 픽셀들을 조사하여 동질성 기준(homogeneity criterion)을 만족하는 픽셀들을 하나의 영역으로 확장해 나가는 영상분할 기법이다. 따라서 영역을 확장하기 위해서는 이 동질성 기준값의 적절한 선택이 정확한 분할의 관건이 된다. 해당 방법을 3차원으로 진행하기 위하여 씨앗점은 앞서 계산된 특징점들의 3차원 좌표를 이용하여 설정하고, 복셀의 영역 확장시 임계값(Threshold)은 동시발생 매트릭스를 통해 얻어진 후보 영역의 평균 밝기값으로 설정한다. 이 후 확장시 다른 영역의 복셀을 포함하는 오류가 발생할 수 있는 부분은, 앞서 계산된 후보 영역의 경계선을 고려하여 피팅(fitting)하는 작업이 추가된다. 피팅 작업은 후보 영역의 경계선을 기준으로, 각 픽셀당 5x5의 윈도우를 중앙에 위치시켜 3차원 영역 성장의 결과가 경계선에서 벗어날 경우, 원래의 해당 경계선으로 수정해주는 작업을 말한다. 이러한 전반적인 과정을 거치면 최종 영역 검출 결과를 도출할 수 있다.
전술한 도 1의 의료영상에서의 간 영역 검출방법을 적용하여 간 영역을 검출하는 구체적인 예를 설명하면 다음과 같다.
도 2 내지 도 8은 쥐(rat)의 MRI 영상으로부터 간 영역을 추출해내는 각 과정을 구체적으로 나타낸 것이다.
먼저, 도 2에 도시된 바와 같이 T2 영상에서의 R2 맵을 계산한다.
도 2는 쥐의 T2 영상(MRI)으로부터 R2 맵을 계산한 결과를 나타낸 것으로, NE(number of echo)는 5이며 동일 슬라이스에서 획득한 서로 다른 T2 에코 영상을 이용하여 R2 맵을 계산한 처리 결과이다. 즉, 슬라이스 위치는 동일하지만 에코가 다르기 때문에 T2 영상의 특성상 점점 신호가 약해져 서로 다른 그레이 레벨(gray level)을 갖는 영상이 얻어진다. 이러한 5장의 영상에 대해 전술한 수학식 1, 2의 T2 맵 계산방법을 적용하여 T2 값을 계산한 다음 계산된 T2 값에 역수를 취함으로써 도 2에 도시된 바와 같은 R2 맵 결과를 도출할 수 있다. 도 2에서 간 영역 근처에서 계산된 값들은 의미 있는 값들로 균등하게 분포되어 있음을 알 수 있다.
다음으로, 도 3에 도시된 바와 같이 계산된 R2 영상에 대한 개선작업을 수행한다.
도 3은 R2 영상에 대한 개선작업의 전반적인 흐름을 나타낸 것으로, 먼저, R2 영상 개선을 위해 일반적인 감마(Gamma)보정과 CLAHECLAHE(Contrast-limited adaptive histogram equalization) 방법을 이용한다. 감마 보정과 CLAHE 방법 각각을 이용한 개선 결과의 차이를 통해 균일한 차이가 있는 부분이 간 영역이라고 간주하여 수행한다. 이는 일반적인 감마 보정과 달리 CLAHE의 경우 강도(intensity)의 분포가 넓은 영역일수록 강도의 계수 인자(scaling factor)의 크기가 증가하는 경향에 기인한 것이다. 이후, 입력 영상과의 논리곱 연산(AND operation)을 통해 의미 있는 특징점을 찾기 위한 간 영역을 추정한다.
다음으로, 도 4에 도시된 바와 같이 특징점을 검출할 후보 영역을 계산한다.
도 4는 특징점을 검출할 후보 영역을 계산하는 과정을 나타낸 것으로, 우선 텍스처 분석을 통해 간 영역 부분에 대해 흰 영역으로 넓게 분포하는 영상을 만들고(S41), 이진화 작업을 수행한(S42) 다음 넓은 간 영역을 검출하기 위해 이진 영상에서 거리 변환 영상을 생성한다(S43). 계산된 거리 변환 영상에서 전역적 최대값(Global maximum value)을 계산하여 간 영역의 무게중심점을 찾는다(S44). 검출된 무게중심점을 기반으로 거리변환 영상을 대상으로 영역 성장법을 수행하여 대략적인 간의 위치를 검출한다(S45). S45 단계에서 검출된 영상을 원본 그레이 영상과의 오버레이를 통해 비교한다(S46).
다음으로, 도 5에 도시된 바와 같이 특징점을 검출하는 작업을 진행한다.
도 5는 특징점을 검출하는 과정을 나타낸 것으로, 우선 개선된 영상(S51)을 기반으로 코너(Harris Corner) 매트릭스 기반의 지역적 최대값을 검출한다(S52). 이는 R2 맵의 특성상 간 영역 부분에 있어 지역적 최대값이 밀집해 있기 때문에 이를 전제로 코너매트릭스 기반의 지역적 최대값들을 검출한다. 물론 배경 부분의 임펄스 성격의 잡음(noise)으로 인해 특징점들이 검출되었지만, 앞서 검출된 특징점 후보 영역을 이용하여 해당 영역의 경계선에 인접한 특징점(지역적 최대값)들을 탐색하여 추출한다(S53, S54, S55) 후 이를 원본 개선 영상과 비교한다(S56).
다음으로, 도 6에 도시된 바와 같이 볼륨데이터를 생성한다.
도 6은 볼륨데이터를 생성 과정을 나타낸 것으로, 우선 각각의 2차원 영상을 스택으로 쌓아 3차원 데이터를 생성한다. 이를 위해 의미 있는 개선 영상을 통해 3차원 볼륨 데이터를 만들기 위해 해당 슬라이스의 결정은 다음과 같은 방법에 의해 처리된다. 첫 번째 에코 영상은 2번째 에코 영상과의 차이가 거의 없기 때문에 제외하고, 2~5번째의 에코 영상을 대상으로 이전 에코 영상과의 차 영상을 계산한다(S61). 계산된 차 영상의 평균 영상을 계산함(S62). S62 과정에서 계산된 영상을 한 장의 슬라이스 영상으로 하여 각각 스택을 쌓아 볼륨데이터를 생성한다(S63).
다음으로, 도 7에 도시된 바와 같이 3차원 영역 성장법을 통해 간 영역을 추출한다.
도 7은 3차원 영역 성장 결과를 나타낸 것으로, 초기 위치(initial position)에서 각각 붉은 라인 축을 기준으로 회전한 결과 화면이다. 3차원 영역 성장시 활용된 볼륨데이터는 도 6의 데이터이고, 사용된 씨앗점는 도 5의 과정에 의해 계산된 특징점을 활용한 것이다.
도 8은 전술한 도 2 내지 도 7의 과정에 의해 검출된 간 영역을 도시한 것으로, 도면부호 81은 최종 결과(Segmented liver volume data)이고 도면부호 82, 83, 84는 해당 라인의 검출된 슬라이스 영상을 나타낸다(Segment results). 또한, 붉은 점선은 계산된 최종 검출 라인을 나타내고, 오른쪽의 기준 이미지(Reference image, 82R, 83R, 84R)는 전문의에 의해 정리된 검출 가이드 라인이다.
한편, 각 슬라이스(총 25개)의 Rdiff(영역 차이)를 계산하고, 이들의 평균값을 계산하여 검출된 3차원 데이터의 검출 정확도를 산출할 수 있다.
도 9는 종래의 영역 성장법과 ACM인 Snake방법의 결과를 나타낸 것이다.
본 발명의 일 실시예에 따른 결과를 도시한 도 8과 종래 방법에 따른 결과를 도시한 도 9의 검출 정확도를 표로 나타내면 아래 표 1과 같다.
본 발명과 종래방법에 따른 평균 영역 차이 비율 비교
적용방법 평균 영역 차이 비율
영역 성장법 15.4%
Snake 10.2%
본 발명 8.5%
표 1에 나타낸 바와 같이, 본 발명에 의하면 평균 영역 차이 비율(Average area difference rate)이 대략 8.5%정도로 종래 영역 성장법과 Snake에 따른 비율인 15.4%, 10.2%에 비해 검출 정확도가 크게 개선됨을 알 수 있다.
한편, 본 발명의 상세한 설명 및 첨부도면에서는 구체적인 실시예에 관해 설명하였으나, 본 발명은 개시된 실시예에 한정되지 않고 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 있어 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 여러 가지 치환, 변형 및 변경이 가능하다. 따라서, 본 발명의 범위는 설명된 실시예에 국한되어 정해져서는 안되며 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 것들을 포함하는 것으로 해석되어야 할 것이다.
82, 83, 84 : 검출된 슬라이드 영상
82R, 83R, 84R : 기준 이미지

Claims (7)

  1. (a)MRI(Magnetic Resonance Imaging)의 T2 영상으로부터 R2 맵을 계산하는 과정과;
    (b)지역적 최대값을 이용하여 계산된 상기 R2 맵의 특징점(feature point)을 검출하는 과정; 및
    (c)검출된 상기 특징점을 기반으로 3차원 영역 성장법을 통해 간 영역을 추출하는 과정을 포함하는 것을 특징으로 하는 의료영상에서의 간 영역 검출방법.
  2. 제 1 항에 있어서, 상기 (a)과정은
    하기 수학식 2에 의해 상기 T2 맵을 계산한 후, 계산된 상기 T2 맵의 역수를 취함으로써 상기 R2 맵을 계산하는 과정임을 특징으로 하는 의료영상에서의 간 영역 검출방법.
    수학식 2
    Figure pat00009

    상기 수학식 2에서, TE(echo time)는 반향시간, SI는 신호 강도(signal intensity), w는 T2 가중(weight) 영상, PD는 양성자 밀도(Proton Density)를 나타내고, SI는 하기 수학식 1에 의해 계산된다.
    수학식 1
    Figure pat00010

    수학식 1에서 SI0는 평형상태의 수조(water pool)에서 양자시스템(proton system)에 상응하는 MRI 신호의 강도를 나타낸다.
  3. 제 1 항 또는 제 2 항에 있어서, 상기 (a)과정에서
    감마(Gamma)보정 및 CLAHE(Contrast-limited adaptive histogram equalization) 방법을 이용하여 계산된 상기 R2 맵을 개선하는 단계를 포함하는 것을 특징으로 하는 의료영상에서의 간 영역 검출방법.
  4. 제 1 항에 있어서, 상기 (b)과정은
    텍스처 분석을 통해 상기 특징점 검출을 위한 후보 영역을 결정하는 단계와;
    상기 후보 영역 내부의 픽셀들의 지역적 최대값(Local maximum)을 이용하여 상기 특징점을 검출하는 단계를 포함하는 것을 특징으로 하는 의료영상에서의 간 영역 검출방법.
  5. 제 4 항에 있어서, 상기 텍스처 분석시 동시발생 매트릭스(Co-occurance matrix)를 이용하여 동질의 특성을 갖는 영역을 상기 후보 영역이라고 간주하는 것을 특징으로 하는 의료영상에서의 간 영역 검출방법.
  6. 제 1 항에 있어서, 상기 (c)과정은
    상기 R2 맵의 볼륨 렌더링을 통해 3차원 볼륨 데이터를 생성하는 단계와;
    상기 3차원 볼륨데이터와 상기 특징점을 통해 3차원 영역 성장법을 수행하는 단계를 포함하는 것을 특징으로 하는 의료영상에서의 간 영역 검출방법.
  7. 제 6 항에 있어서, 상기 볼륨 렌더링은
    레이 캐스팅(ray casting) 알고리즘 또는 플래인 컴포지팅(plane compositing) 알고리즘에 의해 이루어지는 것을 특징으로 하는 의료영상에서의 간 영역 검출방법.
KR1020120114150A 2012-10-15 2012-10-15 의료영상에서의 간 영역 검출방법 KR101423835B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020120114150A KR101423835B1 (ko) 2012-10-15 2012-10-15 의료영상에서의 간 영역 검출방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020120114150A KR101423835B1 (ko) 2012-10-15 2012-10-15 의료영상에서의 간 영역 검출방법

Publications (2)

Publication Number Publication Date
KR20140048449A true KR20140048449A (ko) 2014-04-24
KR101423835B1 KR101423835B1 (ko) 2014-07-29

Family

ID=50654457

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020120114150A KR101423835B1 (ko) 2012-10-15 2012-10-15 의료영상에서의 간 영역 검출방법

Country Status (1)

Country Link
KR (1) KR101423835B1 (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104463816A (zh) * 2014-12-02 2015-03-25 苏州大学 一种图像处理方法及装置
CN104794705A (zh) * 2015-03-27 2015-07-22 努比亚技术有限公司 基于图像局部内容特征的图像去雾方法及装置
CN107481202A (zh) * 2017-08-14 2017-12-15 深圳市华星光电半导体显示技术有限公司 一种图像动态范围增强的方法
US9911224B2 (en) 2014-11-28 2018-03-06 Samsung Medison Co., Ltd. Volume rendering apparatus and method using voxel brightness gain values and voxel selecting model
WO2018159868A1 (ko) * 2017-02-28 2018-09-07 메디컬아이피 주식회사 의료영상의 영역 분리 방법 및 그 장치
US10402975B2 (en) 2017-02-28 2019-09-03 Medicalip Co., Ltd. Method and apparatus for segmenting medical images

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018512208A (ja) * 2015-03-17 2018-05-17 セルビシオ アンダルス デ サルＳｅｒｖｉｃｉｏ Ａｎｄａｌｕｚ Ｄｅ Ｓａｌｕｄ 肝臓の病変を定量化または決定するためのｍｒ（磁気共鳴）画像のコンピュータ化された光学的分析方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7899231B2 (en) 2005-01-28 2011-03-01 Siemens Medical Solutions Usa, Inc. System and method for splicing medical image datasets
KR101004342B1 (ko) 2007-10-23 2010-12-27 (주)토탈소프트뱅크 Ｃｔ 영상에서 간 영역 및 간 종양을 추출하는 방법
KR101126223B1 (ko) 2010-07-15 2012-03-22 가톨릭대학교 산학협력단 Ｍｒ 영상을 이용한 자동 간 분할 방법

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9911224B2 (en) 2014-11-28 2018-03-06 Samsung Medison Co., Ltd. Volume rendering apparatus and method using voxel brightness gain values and voxel selecting model
CN104463816A (zh) * 2014-12-02 2015-03-25 苏州大学 一种图像处理方法及装置
CN104794705A (zh) * 2015-03-27 2015-07-22 努比亚技术有限公司 基于图像局部内容特征的图像去雾方法及装置
WO2018159868A1 (ko) * 2017-02-28 2018-09-07 메디컬아이피 주식회사 의료영상의 영역 분리 방법 및 그 장치
US10402975B2 (en) 2017-02-28 2019-09-03 Medicalip Co., Ltd. Method and apparatus for segmenting medical images
CN107481202A (zh) * 2017-08-14 2017-12-15 深圳市华星光电半导体显示技术有限公司 一种图像动态范围增强的方法

Also Published As

Publication number Publication date
KR101423835B1 (ko) 2014-07-29

Similar Documents

Publication Publication Date Title
KR101423835B1 (ko) 의료영상에서의 간 영역 검출방법
Ahmed Comparative study among Sobel, Prewitt and Canny edge detection operators used in image processing
US7864997B2 (en) Method, apparatus and computer program product for automatic segmenting of cardiac chambers
Wang et al. Evaluating edge detection through boundary detection
US8948484B2 (en) Method and system for automatic view planning for cardiac magnetic resonance imaging acquisition
US7711167B2 (en) Fissure detection methods for lung lobe segmentation
US20070223815A1 (en) Feature Weighted Medical Object Contouring Using Distance Coordinates
WO2019071976A1 (zh) 基于区域增长和眼动模型的全景图像显著性检测方法
US8983199B2 (en) Apparatus and method for generating image feature data
CN106204570B (zh) 一种基于非因果分数阶梯度算子的角点检测方法
KR20230059799A (ko) 병변 검출을 위해 공동 훈련을 이용하는 연결형 머신 러닝 모델
CN103218788B (zh) 一种肝脏磁共振r2*参数的测量方法
Abdulraqeb et al. A novel segmentation algorithm for MRI brain tumor images
Kaur et al. Curvelet initialized level set cell segmentation for touching cells in low contrast images
EP2536123A1 (en) Image processing method and image processing apparatus
US9147250B2 (en) System and method for automatic magnetic resonance volume composition and normalization
CN112396618B (zh) 一种基于图像处理的晶界提取及晶粒度测量方法
Jazayeri et al. Automated 3D object reconstruction via multi-image close-range photogrammetry
CN104424653A (zh) 基于小波变换的图像边缘检测方法
Pécot et al. Non parametric cell nuclei segmentation based on a tracking over depth from 3d fluorescence confocal images
Chen et al. Medical image segmentation based on the Bayesian level set method
Quan et al. Segmentation of tumor ultrasound image via region-based Ncut method
Kumar et al. Semiautomatic method for segmenting pedicles in vertebral radiographs
Elnakib et al. A new framework for automated segmentation of left ventricle wall from contrast enhanced cardiac magnetic resonance images
Mulat et al. Axis detection of cylindrical objects in 3-D images

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20170622

Year of fee payment: 4