KR20150059860A - 형태학적 연산을 이용한 이미지 분할 처리방법 - Google Patents

형태학적 연산을 이용한 이미지 분할 처리방법 Download PDF

Info

Publication number
KR20150059860A
KR20150059860A KR1020130143450A KR20130143450A KR20150059860A KR 20150059860 A KR20150059860 A KR 20150059860A KR 1020130143450 A KR1020130143450 A KR 1020130143450A KR 20130143450 A KR20130143450 A KR 20130143450A KR 20150059860 A KR20150059860 A KR 20150059860A
Authority
KR
South Korea
Prior art keywords
image
morphological
target
threshold value
generating
Prior art date
Application number
KR1020130143450A
Other languages
English (en)
Other versions
KR101590483B1 (ko
Inventor
권구락
김지인
Original Assignee
조선대학교산학협력단
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 조선대학교산학협력단 filed Critical 조선대학교산학협력단
Priority to KR1020130143450A priority Critical patent/KR101590483B1/ko
Publication of KR20150059860A publication Critical patent/KR20150059860A/ko
Application granted granted Critical
Publication of KR101590483B1 publication Critical patent/KR101590483B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

본 발명은 MRI 또는 CT로 촬영된 이미지 데이터를 형태학적 연산(Morphological Operation) 기법을 통해 환부의 이미지만을 정확하게 분할할 수 있도록 해주는 방법을 제공하는데 그 주된 목적이 있다.
상기한 목적을 달성하기 위해 제공되는 본 발명의 일측면에 따르면, 형태학적 연산을 이용한 이미지 분할 처리방법은, MRI 또는 CT 촬영된 원본 이미지[f(x,y)]를 형태학적 기울기(Morphological Gradient, Mor-grd) 연산 및 이미지 필터링 과정을 통해 전처리 이미지(I1)를 생성하는 단계; 상기 전처리 이미지(I1)의 평균값과 표준편차를 이용하여 이진화용 임계값(T)을 계산하고, 이 이진화용 임계값(T)을 이용하여 상기 전처리 이미지(I1)를 이진 이미지(I2)로 변환하는 단계; 상기 이진 이미지(I2)에 대해 형태학적 클로징 연산 및 오프닝 연산을 수행하여 개선용 임계값(Ithresh)을 계산하고, 이 개선용 임계값(Ithresh)을 이용하여 상기 이진 이미지(I2)를 개선 이미지(I3)로 변환하는 단계; 및 상기 개선 이미지(I3)로부터 환부만을 분할하여 타겟 이미지를 생성하는 단계;를 포함한다.

Description

형태학적 연산을 이용한 이미지 분할 처리방법{Method for processing image segmentation using Morphological operation}
본 발명은 형태학적 연산을 이용한 이미지 분할 처리방법에 관한 것으로서, 보다 상세하게는 의학적 진단을 위해 촬영된 영상 이미지로부터 환부를 새로운 이미지 처리 방법에 의해 명확하게 분할해 낼 수 있도록 해주는 방법에 관한 것이다.
MRI 또는 CT 사진으로부터 뇌종양 이미지만을 분할하는 작업은 매우 어려운 작업이다. 병리학, 방사선학, 방사선 전문의의 직관력뿐만 아니라 이미지의 강도, 모양 및 크기에 기초한 다양한 종류의 이미지 분석 방법이 이와 연관되어 있다. 국제보건기구(WHO)의 통계에 따르면, 매년 4,000,000 명 이상의 환자가 뇌종양 치료를 받고 있다. 뇌종양은 그 크기, 형태 및 위치에 따라 이미지가 달라지고, 같은 뇌종양이라 하더라도 위치에 따라서 강도가 달라진다.
뇌종양은 크게 두 가지로 분류된다. 1차 종양은 뇌에서 발생하여 다른 신체 부위로 전이되지 않는 것을 말하고, 2차 또는 악성 종양은 신체의 다른 부위에서 발생하여 뇌로 전이된 것을 말한다. 이러한 다양한 종류의 뇌종양을 찾아내기 위하여 환자는 MRI 또는 CT와 같은 방사선 촬영 과정을 거치게 되는데, 아무리 유능하고 경험이 풍부한 방사선 진단의가 있다 하더라도 촬영 이미지가 가지는 기본적인 불확실성과 노이즈 등으로 인해 뇌 사진 내에서 종양 이미지를 정확하게 진단하는 것은 매우 어려운 작업으로 인식되어 왔다.
MRI 또는 CT로 촬영된 사진에서 뇌종양 부위를 수동으로 찾아내는 과정은 항상 많은 시간이 소요될 뿐만 아니라, 진단 자체가 잘못되었을 경우 환자의 생명까지도 위협할 수 있는 위험한 작업이다. 따라서, 컴퓨터를 이용하여 의사가 뇌 사진 내에서 종양 이미지를 보다 정확하게 찾아낼 수 있도록 자동으로 종양 이미지를 분할하여 보여줄 수 있는 다양한 종류의 이미지 분할 프로그램이 계속 개발되어 왔다.
그 중 한 가지 방법이 가장자리 검출 방식(Edge detection method)이다. 이 방식은 높은 강도(intensity)를 가진 이미지에 대해서는 뛰어난 효과를 발휘하는데 반해, 약한 강도 기울기 값(gradient magnitude)를 갖는 대비도가 낮은 이미지에 대해서는 정확도가 크게 떨어지는 단점이 있었다.
다른 이미지 분할 방식으로서 K-means 클러스팅 방식이 있다. 이 방식은 큰 데이터 집합에서는 매우 빠른 처리 속도를 나타내지만, 임의로 할당되는 초기값에 의해 매번 수행할 때마다 결과가 조금씩 달라지는 문제점이 있었다.
이 밖에도, 다중 스케일의 이미지 분할 방식에 기초한 계층화된 자기 조직화 지도(Hierarchial self-organizing map)나, 3차원 스케일을 이용한 이미지 분할 방식이나, 통계학적 패턴 인식을 이용한 이미지 분할 방식도 사용되어 왔다. 이들 방식은 모두 건강한 뇌 모델을 기초로 기등록된 뇌 지도를 사용하여 비정상적인 부분을 찾아내도록 하는 것이다. 그러나, 이들 방식을 뇌종양이라는 특정 환부를 찾아내는데 사용하기 위해서는 일반 뇌 지도를 여기에 맞추어 거의 새로 작성해야할 필요가 있었고, 이러한 작업이 선행되지 않으면 뇌종양 검출 결과의 정확성이 떨어지는 문제점이 있었다.
이러한 점에서 MRI 또는 CT로 촬영된 사진으로부터 뇌종양 이미지를 정확하게 분할할 수 있는 새로운 형태의 분할 알고리즘의 개발이 시급이 요구되고 있는 실정이다.
본 발명은 이러한 종래 문제점을 해결하기 위하여 개발된 것으로서, MRI 또는 CT로 촬영된 이미지 데이터를 형태학적 연산(Morphological Operation) 기법을 통해 환부의 이미지만을 정확하게 분할할 수 있도록 해주는 방법을 제공하는데 그 주된 목적이 있다.
상기한 목적을 달성하기 위해 제공되는 본 발명의 일측면에 따르면, 형태학적 연산을 이용한 이미지 분할 처리방법은, MRI 또는 CT 촬영된 원본 이미지[f(x,y)]를 형태학적 기울기(Morphological Gradient, Mor-grd) 연산 및 이미지 필터링 과정을 통해 전처리 이미지(I1)를 생성하는 단계; 상기 전처리 이미지(I1)의 평균값과 표준편차를 이용하여 이진화용 임계값(T)을 계산하고, 이 이진화용 임계값(T)을 이용하여 상기 전처리 이미지(I1)를 이진 이미지(I2)로 변환하는 단계; 상기 이진 이미지(I2)에 대해 형태학적 클로징 연산 및 오프닝 연산을 수행하여 개선용 임계값(Ithresh)을 계산하고, 이 개선용 임계값(Ithresh)을 이용하여 상기 이진 이미지(I2)를 개선 이미지(I3)로 변환하는 단계; 및 상기 개선 이미지(I3)로부터 환부만을 분할하여 타겟 이미지를 생성하는 단계;를 포함한다.
또한, 상기 타겟 이미지 분할 단계는, 상기 개선 이미지(I3)를 플러드 필 알고리즘(Flood Fill Algorithm)을 사용하여 환부만을 분할한 타켓 분할 이미지(I4)를 생성하는 단계를 더 포함하는 것이 바람직하다.
또한, 상기 타겟 이미지 분할 단계는, 상기 타겟 분할 이미지(I4)에 대하여 픽셀 교체 연산을 수행하여 타겟 최종 이미지(I5)를 생성하는 단계를 더 포함하는 것이 바람직하다.
한편, 상기 전처리 이미지(I1)의 생성 단계는, 상기 원본 이미지에 대해 상기 형태학적 기울기를 연산하고, 상기 원본 이미지에 대해 상기 이미지 필터링 중 하나인 중간값 필터(Median Filter)를 거친 후에, 하기 식 (1)과 같이 상기 형태학적 기울기(Mor-grd) 및 중간값 필터링된 이미지(Filt_img)를 합하는 과정으로 이루어진다.
Figure pat00001
(1)
이 때, 상기 형태학적 기울기(Mor_grad)는 형태학적 팽창 연산 및 수축 연산을 하기 식 (2) 내지 식 (4)에 따라 수행하여 계산된다.
Figure pat00002
(2)
Figure pat00003
(3)
Figure pat00004
(4)
f(x,y): 원본 이미지의 전체 영역
Db: 환부 영역에 대응되는 마스크(mask) 영역
b: Db 내에 존재하는 구조적 요소(structuring element).
한편, 상기 이진 이미지(I2) 생성 단계는, 상기 이진화용 임계값(T)이 하기 식 (5) 내지 식 (8)에 따라 연산된다.
Figure pat00005
(5)
Figure pat00006
(6)
Figure pat00007
(7)
Figure pat00008
(8)
μ: 전처리 이미지(I1)의 평균값
σ: 전처리 이미지(I1)의 표준편차
μ1: 형태학적 기울기(Mor-grd)의 평균값
이 때, 상기 이진 이미지(I2) 생성 단계는, 하기 식 (9)를 이용하여 이진화 변환이 이루어진다.
Figure pat00009
(9)
한편, 상기 개선 이미지(I3) 생성 단계는, 상기 개선용 임계값(Ithresh)이 형태학적 클로징 연산 및 오프닝 연산을 하기 식 (10) 내지 식 (12)에 따라 수행하여 계산된다.
Figure pat00010
(10)
Figure pat00011
(11)
Figure pat00012
(12)
B: 이진 이미지(I2)에서 환부를 마스킹하기 위한 구조적 요소(Structuring element)
이 때, 상기 개선 이미지(I3) 생성 단계는, 하기 식 (13)를 이용하여 이미지 개선 작업이 이루어진다.
Figure pat00013
(13)
한편, 상기 타겟 최종 이미지(I5) 생성 단계는, 상기 픽셀 교체 연산이 하기 식 (14)를 이용하여 이루어진다.
Figure pat00014
(14)
본 발명에 따른 또 다른 측면으로서, 형태학적 연산을 이용한 이미지 분할 처리방법을 수행하는 프로그램이 기록된 컴퓨터 판독 가능 기록매체에 있어서, 상기 프로그램이 컴퓨터 상에서 수행되는 경우에 상기 컴퓨터가, MRI 또는 CT 촬영된 원본 이미지[f(x,y)]를 형태학적 기울기(Morphological Gradient, Mor-grd) 연산 및 이미지 필터링 과정을 통해 전처리 이미지(I1)를 생성하는 단계; 상기 전처리 이미지(I1)의 평균값과 표준편차를 이용하여 이진화용 임계값(T)을 계산하고, 이 이진화용 임계값(T)을 이용하여 상기 전처리 이미지(I1)를 이진 이미지(I2)로 변환하는 단계; 상기 이진 이미지(I2)에 대해 형태학적 클로징 연산 및 오프닝 연산을 수행하여 개선용 임계값(Ithresh)을 계산하고, 이 개선용 임계값(Ithresh)을 이용하여 상기 이진 이미지(I2)를 개선 이미지(I3)로 변환하는 단계; 및 상기 개선 이미지(I3)로부터 환부만을 분할하여 타겟 이미지를 생성하는 단계;를 수행하도록 하는 프로그램이 수록되고, 전자 장치에서 판독 가능한 기록매체가 제공된다.
이 때, 상기 타겟 이미지 분할 단계는, 상기 개선 이미지(I3)를 플러드 필 알고리즘(Flood Fill Algorithm)을 사용하여 환부만을 분할한 타켓 분할 이미지(I4)를 생성하는 단계를 더 포함할 수 있다.
또한, 상기 타겟 이미지 분할 단계는, 상기 타겟 분할 이미지(I4)에 대하여 픽셀 교체 연산을 수행하여 타겟 최종 이미지(I5)를 생성하는 단계를 더 포함할 수도 있다.
이와 같이 구성된 본 발명에 따른 형태학적 연산을 이용한 이미지 분할 처리방법에 따르면, MRI 또는 CT로 촬영된 영상 이미지로부터 환부에 해당하는 부분만을 명확하게 분할해 낼 수 있어 환부의 크기, 모양, 위치 등을 정확히 진단할 수 있도록 해준다. 특히, 환자의 뇌 사진으로부터 뇌종양을 정확히 검출해낼 수 있어, 종양의 진단 및 치료에 큰 도움이 된다.
또한, 형태학적 연산이라는 수학적 기법만으로 환부 이미지를 정확하게 분할해 낼 수 있기 때문에 기존의 통계 방식이나 뇌 지도를 이용하던 방식에 비하여 정확성 및 반복 신뢰성을 크게 향상시켜준다.
도 1 및 도 2는 본 발명에 따른 이미지 분할 처리방법을 나타낸 전체 순서도.
도 3은 원본 영상 이미지를 나타낸 도면.
도 4는 본 발명에 따른 형태학적 기울기 연산 후의 영상 이미지를 나타낸 도면.
도 5는 본 발명에 따른 이미지 필터링 후의 영상 이미지를 나타낸 도면.
도 6은 본 발명에 따른 전처리 이미지(I1)를 나타낸 도면.
도 7은 본 발명에 따른 이진 이미지(I2)를 나타낸 도면.
도 8은 본 발명에 따른 개선 이미지(I3)를 나타낸 도면.
도 9는 본 발명에 따른 타겟 분할 이미지(I4)를 나타낸 도면.
도 10은 본 발명에 따른 타겟 최종 이미지(I5)를 나타낸 도면.
도 11은 본 발명에 따른 여러 가지 분할 이미지를 나타낸 도면.
이하에서는 첨부된 도면을 참조로 본 발명에 따른 바람직한 일 실시예를 보다 상세히 설명한다. 본 실시예는 MRI로 촬영한 의학 진단용 영상 이미지로부터 뇌종양을 분할해 내는 과정을 설명하고 있다. 그러나, 본 발명은 이에 한정되지 아니하고 뇌종양을 포함해 다양한 종류의 환부 이미지를 분할해 내는데 적용될 수 있음은 당연하다 할 것이다.
도 1 및 도 2는 본 발명에 따른 이미지 분할 처리방법을 나타낸 전체 순서도이다.
먼저, MRI 또는 CT 등으로 촬영한 원본 이미지 데이터[f(x,y)]를 입력한다. 도 3은 뇌의 종단면을 촬영한 원본 이미지를 보여준다. 뇌의 좌두엽 상부에 뇌종양으로 보이는 환부가 밝게 나타나고 있으나, 인접한 뇌 주름 부분과 겹치면서 그 가장자리가 명확하게 드러나지 않는다. 따라서, 이 뇌종양의 크기, 모양, 위치 등을 명확하게 확인하기 위해서는 전체 뇌 사진으로부터 뇌종양 이미지만을 분할하여 보여줄 필요가 있다.
본 발명은 이러한 업계의 필요성을 충족시켜주기 위하여 형태학적 연산(Morphological equation)을 이용하여 환부 이미지만을 정확하게 분할 처리하는 방법을 제공한다.
본 발명의 이미지 분할 처리방법을 상세히 설명하기에 앞서, 형태학적 연산에 대한 간단히 설명한다. 수학적 형태학(Mathematical morphology)는 물체의 기하학 구조를 분석하고 처리하는 수학적 기법이다. 주로 디지털 이미지를 분석하는데 사용되며, 타겟의 크기, 형태, 굴곡, 거리 등을 기하학적으로 연속된 공간의 개념으로 규정하고 이를 분석하는 기법이다. 분석을 위해 몇 가지 형태학 연산이 사용되는데, 침식(erosion), 팽창(Dilation), 오프닝(opening), 클로징(closing)이 기본 연산을 구성한다.
침식(erosion)은 물체에 대한 배경을 확장시키고 물체의 크기를 감소시키는 연산으로서, 물체와 배경 사이에서 주변보다 밝고 작은 크기의 잡음들을 제거하는데 사용된다. 팽창(Dilation)은 물체의 크기를 확장시키고 배경을 축소시키는 연산으로서, 물체 안의 빈 공간을 채우는 역할을 하거나 짧은 거리만큼 끊어진 영역을 연결시키는데 사용된다. 오프닝(opening)은 침식과 팽창의 순서로 연산을 수행하여 주변보다 밝은 잡음을 제거하면서 영역을 보존하는데 사용된다. 클로징(closing)은 팽창과 침식의 순서로 연산을 수행하여 주변보다 어두운 잡음을 제거하면서 영역을 보존하는데 사용된다. 위 4가지 기본 형태학적 연산은 후술하는 본 발명의 주요 단계에서 모두 사용된다.
먼저, 본 발명은 MRI 또는 CT 촬영된 원본 이미지[f(x,y)]를 형태학적 기울기(Morphological Gradient, Mor-grd) 연산 및 이미지 필터링 과정을 통해 전처리 이미지(I1)를 생성한다. 이러한 이미지 전처리 공정(preprocessing)은 뇌종양 이미지를 명확하게 해 줌으로써 후속하는 공정에서 환부 이미지를 보다 정확하게 분할할 수 있도록 해준다.
보다 상세하게는, 상기 전처리 이미지(I1)의 생성 단계는, 상기 원본 이미지에 대해 상기 형태학적 기울기를 연산하고, 원본 이미지에 대해 이미지 필터링 중 하나인 중간값 필터(Median Filter)를 거친 후에, 하기 식 (1)과 같이 상기 형태학적 기울기(Mor-grd) 및 중간값 필터링된 이미지(Filt_img)를 합하는 과정으로 이루어진다.
Figure pat00015
(1)
본 발명의 이미지 전처리 공정은 크게 두 가지로 구성된다. 먼저 원본 이미지 데이터를 이용하여 형태학적 기울기(Mor-grd)를 계산한다. 이 형태학적 기울기(Mor-grd)는 하기 식 (2) 내지 (4)에 예시된 바와 같이 팽창(dilation)과 침식(erosion) 사이의 차이[팽창(dilation) - 침식(erosion)]로 계산된다. 디지털 데이터 영상에서 형태학적 기울기를 계산하면, 필요없는 부분은 제거되고 필요한 부분은 부각되어 최종 영상 이미지는 도 4에 도시된 바와 같이 영역의 외곽선만이 남게 된다.
Figure pat00016
(2)
Figure pat00017
(3)
Figure pat00018
(4)
f(x,y): 원본 이미지의 전체 영역
Db: 환부 영역에 대응되는 마스크(mask) 영역
b: Db 내에 존재하는 구조적 요소(structuring element)
여기서 Db 는 마스크로 사용되는 일정한 크기의 영역[f(x',y')]으로서 원본 이미지의 일정한 영역[f(x,y)]에 대응된다. b는 Db 내에 존재하는 좌표값으로서 형태학적 연산을 위한 구조적 요소(structuring element)가 된다.
두번째 전처리 공정으로서 중간값 필터(Median filter) 과정이 수행된다. 이 중간값 필터는 비선형식 디지털 필터링 기법 중 하나로서 주로 이미지 내의 잡음을 제거하는 사용된다. 중간값 필터링은 각각의 입력값에 대해 이웃하는 입력값들의 중간값으로 치환하는 방식으로 필터링된다. 예를 들어 3*3 마스크 처리일 경우에 중간값 필터링 된 출력값 f'(x,y) = median{f(x-1, y-1), f(x, y-1), f(x+1, y-1), f(x-1, y), f(x, y), f(x+1, y), f(x-1, y+1), f(x, y+1), f(x+1, y+1)}이 된다. 상기 필터링 된 f'(x,y)가 상술한 중간값 필터링된 이미지(Filt_img)가 된다. 도 5는 본 발명에 따른 이미지 필터링 후의 영상 이미지를 보여준다.
결과적으로, 상기 식 (1)과 같이 형태학적 기울기(Mor-grd) 및 중간값 필터링된 이미지(Filt_img)를 더함으로써 본 발명에 따른 전처리 이미지(I1)가 최종 생성된다. 도 6은 전처리 공정이 완료된 상태인 상기 전처리 이미지(I1)를 보여준다.
다음으로, 상기 전처리 이미지(I1)의 평균값과 표준편차를 이용하여 이진화용 임계값(T)을 계산하고, 이 이진화용 임계값(T)을 이용하여 상기 전처리 이미지(I1)를 이진 이미지(I2)로 변환한다.
상기 이진화용 임계값(T)는 이진화된 이미지를 만드는데 사용되는 기준값이 되는 것이므로, 이 이진화용 임계값(T)을 얼마나 정밀하게 계산하느냐에 따라 물체의 경계를 더욱 명확하게 나타낼 수 있다. 본 발명에서는 이러한 점을 고려하여 상기 이진화용 임계값을 하기 식 (5) 내지 식 (8)에 따라 계산하도록 구성한 것이다.
Figure pat00019
(5)
Figure pat00020
(6)
Figure pat00021
(7)
Figure pat00022
(8)
μ: 전처리 이미지(I1)의 평균값
σ: 전처리 이미지(I1)의 표준편차
μ1: 형태학적 기울기(Mor-grd)의 평균값
본 발명에서는 이진화용 임계값(T)을 3 가지의 수치값, 다시 말해 전처리 이미지(I1)의 평균값(μ), 전처리 이미지(I1)의 표준편차(σ) 및 형태학적 기울기(Mor-grd)의 평균값(μ1)을 모두 이용하여 계산함으로써 보다 정밀한 임계값을 제공한다. 즉, 디지털 이미지(I1)의 평균값 및 표준편차 값의 합에다가 형태학적 기울기(Mor-grd)의 평균값을 추가적으로 빼줌으로써 이미지 경계 상에 존재하는 잡음을 더욱 정교하게 제거할 수 있다. 이와 같은 이진화용 임계값(T)의 계산 방식은 본 발명에 따른 가장 중요한 기술적 특징 중 하나이다.
상술한 바에 따라 계산된 이진화용 임계값(T)을 기준으로 본 발명에 따른 이진 이미지(I2)는 하기 식 (9)를 이용하여 최종 생성된다. 즉, 전처리 이미지(I1)의 데이터값이 이진화용 임계값(T)보다 큰 경우에는 이진 이미지(I2)의 데이터값은 1로 세팅하여 하얀색으로 나타내고, 이진화용 임계값(T)보다 작은 경우에는 이진 이미지(I2)의 데이터값은 0으로 세팅하여 검은색으로 나타낸다. 도 7은 본 발명에 따라 생성된 이진 이미지(I2)를 보여준다.
Figure pat00023
(9)
다음으로, 상기 이진 이미지(I2)에 대해 형태학적 클로징 연산 및 오프닝 연산을 수행하여 개선용 임계값(Ithresh)을 계산하고, 이 개선용 임계값(Ithresh)을 이용하여 상기 이진 이미지(I2)를 개선 이미지(I3)로 변환한다.
이 개선 과정은 이진화된 이미지 내에 존재하는 불필요한 물체를 한번 더 제거함으로써, 뇌종양 부위를 보다 정확하게 분할 처리하기 위한 것이다. 즉, 본 발명에서는 이진화 변환 과정에서 이진화용 임계값(T)을 더욱 정밀하게 계산하여 불필요한 잡음을 1차로 제거하였다. 나아가, 또 다른 임계값(Ithresh)을 추가로 규정하고, 이 임계값을 사용하여 이진 이미지 내에 존재하는 잡음을 2차로 다시 제거함으로써 더욱 정확한 이미지를 획득할 수 있도록 해주는 것이다.
이를 위해 상기 개선용 임계값(Ithresh)은 형태학적 클로징 연산 및 오프닝 연산을 하기 식 (10) 내지 식 (12)에 따라 수행하여 계산된다.
Figure pat00024
(10)
Figure pat00025
(11)
Figure pat00026
(12)
B: 이진 이미지(I2)에서 환부를 마스킹하기 위한 구조적 요소(Structuring element)
여기서, B는 형태학적 연산을 위한 구조적 요소(structuring element)이며, 이진 이미지(I2)를 마스크 할 수 있는 영역으로 정의된다. B가 크면 타겟 이미지가 잘 뽑아지지 않고, B가 작으면 타겟의 경계선을 잘 추출되나 계산량이 많아진다.
앞서 설명한 바와 같이, 클로징(closing)은 팽창과 침식의 순서로 연산을 수행하여 주변보다 어두운 잡음을 제거하면서 영역을 보존하는데 사용되고, 오프닝(opening)은 침식과 팽창의 순서로 연산을 수행하여 주변보다 밝은 잡음을 제거하면서 영역을 보존하는데 사용되며, 본 발명에 따른 개선용 임계값(Ithresh)은 클로징 및 오프닝 연산의 합으로 정의된다.
이와 같이 계산된 개선용 임계값(Ithresh)을 기준으로, 본 발명에 따른 개선 이미지(I3)는 하기 식 (13)을 이용하여 최종 생성된다. 즉, 이진 이미지(I2)의 데이터값이 개선용 임계값(Tthresh)보다 작은 경우에는 개선 이미지(I3)의 데이터값은 1로 세팅하여 하얀색으로 나타내고, 개선용 임계값(Tthresh)보다 큰 경우에는 개선 이미지(I3)의 데이터값은 0으로 세팅하여 검은색으로 나타낸다. 도 8은 본 발명에 따라 생성된 개선 이미지(I3)를 보여준다. 도 7과 비교해 보면, 이진 이미지(I2) 내에서 환부인 뇌종양 부위 이외에 불필요한 검은색 부분이 대부분 제거되었음을 확인할 수 있다.
Figure pat00027
(13)
마지막으로, 상기 개선 이미지(I3)로부터 환부만을 분할하여 타겟 이미지를 생성한다. 지금까지의 전처리, 이진화, 개선 과정은 뇌종양 부위의 경계선 부근의 잡음을 제거하여 뇌종양의 가장자리를 명확히 하고, 뇌종양 부위 이외의 불필요한 물체를 제거하는 과정이었다. 상기 타켓 이미지 분할 단계는 전술한 과정을 통해 명확해진 뇌종양 부위만을 분할 처리함으로써 그 크기, 형태, 위치 등을 명확히 진단할 수 있도록 하는 과정이다.
검은색 뇌종양 부위만을 분할하는데는 여러가지 분할 알고리즘이 사용될 수 있으나, 본 발명에서는 상기 개선 이미지(I3)를 플러드 필 알고리즘(Flood Fill Algorithm)을 사용하여 환부만을 더욱 정밀하게 분할한 타켓 분할 이미지(I4)를 생성한다. 이 플러드 필 알고리즘은 영상 분할 공정에서 범용되고 있는 것 중 하나이므로, 이에 대한 상세한 설명은 생략한다. 본 발명에서는 뇌종양 부위 또는 그 경계선 부근의 하나의 화소(x,y)를 대상으로 주위 영역과 유사성을 평가하여 유사도가 있는 영역끼리 병합하는데 사용된다. 도 9는 플러드 필 알고리즘이 사용되어 생성된 타겟 분할 이미지(I4)를 보여준다.
이와 같이, 플러드 필 알고리즘을 통해 생성된 상기 타겟 분할 이미지(I4)에 대하여 픽셀 교체(Pixel Replacement) 연산을 수행하여 타겟 최종 이미지(I5)를 생성할 수 있다. 상기 픽셀 교체 연산은 뇌종양 이미지만을 부각시키기 위한 공정으로서 하기 식 (14)를 이용하여 이루어진다. 즉, 타겟 분할 이미지(I4)의 데이터값이 1인 경우에는 동일하게 1로 세팅하고, 타겟 분할 이미지(I4)의 데이터값이 1이 아닌 경우에는 원본 이미지의 데이터값을 세팅한다. 도 10은 픽셀 교체 연산이 사용되어 생성된 타겟 최종 이미지(I5)를 보여준다.
Figure pat00028
(14)
도 11은 몇 가지 형태의 뇌종양 사진과 여기에 본 발명의 분할 처리방법을 적용하여 분할한 뇌종양 이미지를 함께 나타낸 것이다. 왼쪽의 뇌종양 사진에서는 뇌종양 부위의 경계선이 명확하게 나타나지 않으나, 본 발명의 분할 처리방법을 적용하면 뇌종양 이미지만이 정확하게 보여지므로, 그 크기, 형태 및 위치 등을 명확히 진단할 수 있음을 확인할 수 있다.
한편, 형태학적 연산을 이용한 이미지 분할 처리방법을 수행하는 프로그램이 기록된 컴퓨터 판독 가능 기록매체에 있어서, 상기 프로그램이 컴퓨터 상에서 수행되는 경우에 상기 컴퓨터가, MRI 또는 CT 촬영된 원본 이미지[f(x,y)]를 형태학적 기울기(Morphological Gradient, Mor-grd) 연산 및 이미지 필터링 과정을 통해 전처리 이미지(I1)를 생성하는 단계; 상기 전처리 이미지(I1)의 평균값과 표준편차를 이용하여 이진화용 임계값(T)을 계산하고, 이 이진화용 임계값(T)을 이용하여 상기 전처리 이미지(I1)를 이진 이미지(I2)로 변환하는 단계; 상기 이진 이미지(I2)에 대해 형태학적 클로징 연산 및 오프닝 연산을 수행하여 개선용 임계값(Ithresh)을 계산하고, 이 개선용 임계값(Ithresh)을 이용하여 상기 이진 이미지(I2)를 개선 이미지(I3)로 변환하는 단계; 및 상기 개선 이미지(I3)로부터 환부만을 분할하여 타겟 이미지를 생성하는 단계;를 수행하도록 하는 프로그램이 수록되고, 전자 장치에서 판독 가능한 기록매체가 제공된다.
이 때, 상기 타겟 이미지 분할 단계는, 상기 개선 이미지(I3)를 플러드 필 알고리즘(Flood Fill Algorithm)을 사용하여 환부만을 분할한 타켓 분할 이미지(I4)를 생성하는 단계를 더 포함할 수 있다.
또한, 상기 타겟 이미지 분할 단계는, 상기 타겟 분할 이미지(I4)에 대하여 픽셀 교체 연산을 수행하여 타겟 최종 이미지(I5)를 생성하는 단계를 더 포함할 수도 있다.
상기한 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있도록 프로그램 및 데이터가 저장되는 모든 종류의 기록매체를 포함한다. 그 예로는, 롬(Read Only Memory), 램(Random Access Memory), 하드디스크(Hard Disk), CD(Compact Disk), DVD(Digital Video Disk)-ROM, 자기 테이프, 플로피 디스크, 광데이터 저장장치 등이 있으며, 또한 케리어 웨이브(예를 들면, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함된다. 또한, 이러한 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.
따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.

Claims (13)

  1. MRI 또는 CT 촬영된 원본 이미지[f(x,y)]를 형태학적 기울기(Morphological Gradient, Mor-grd) 연산 및 이미지 필터링 과정을 통해 전처리 이미지(I1)를 생성하는 단계;
    상기 전처리 이미지(I1)의 평균값과 표준편차를 이용하여 이진화용 임계값(T)을 계산하고, 이 이진화용 임계값(T)을 이용하여 상기 전처리 이미지(I1)를 이진 이미지(I2)로 변환하는 단계;
    상기 이진 이미지(I2)에 대해 형태학적 클로징 연산 및 오프닝 연산을 수행하여 개선용 임계값(Ithresh)을 계산하고, 이 개선용 임계값(Ithresh)을 이용하여 상기 이진 이미지(I2)를 개선 이미지(I3)로 변환하는 단계; 및
    상기 개선 이미지(I3)로부터 환부만을 분할하여 타겟 이미지를 생성하는 단계;를 포함하는 형태학적 연산을 이용한 이미지 분할 처리방법.
  2. 청구항 1에 있어서,
    상기 타겟 이미지 분할 단계는, 상기 개선 이미지(I3)를 플러드 필 알고리즘(Flood Fill Algorithm)을 사용하여 환부만을 분할한 타켓 분할 이미지(I4)를 생성하는 단계를 더 포함하는 것을 특징으로 하는 형태학적 연산을 이용한 이미지 분할 처리방법.
  3. 청구항 2에 있어서,
    상기 타겟 이미지 분할 단계는, 상기 타겟 분할 이미지(I4)에 대하여 픽셀 교체 연산을 수행하여 타겟 최종 이미지(I5)를 생성하는 단계를 더 포함하는 것을 특징으로 하는 형태학적 연산을 이용한 이미지 분할 처리방법.
  4. 청구항 1 또는 청구항 3 중 어느 한 청구항에 있어서,
    상기 전처리 이미지(I1)의 생성 단계는, 상기 원본 이미지에 대해 상기 형태학적 기울기를 연산하고, 상기 원본 이미지에 대해 상기 이미지 필터링 중 하나인 중간값 필터(Median Filter)를 거친 후에, 하기 식 (1)과 같이 상기 형태학적 기울기(Mor-grd) 및 중간값 필터링된 이미지(Filt_img)를 합하는 과정으로 이루어지는 것을 특징으로 하는 형태학적 연산을 이용한 이미지 분할 처리방법.
    Figure pat00029
    (1)
  5. 청구항 4에 있어서,
    상기 형태학적 기울기(Mor_grad)는 형태학적 팽창 연산 및 수축 연산을 하기 식 (2) 내지 식 (4)에 따라 수행하여 계산되는 것을 특징으로 하는 형태학적 연산을 이용한 이미지 분할 처리방법.
    Figure pat00030
    (2)
    Figure pat00031
    (3)
    Figure pat00032
    (4)
    f(x,y): 원본 이미지의 전체 영역
    Db: 환부 영역에 대응되는 마스크(mask) 영역
    b: Db 내에 존재하는 구조적 요소(structuring element)
  6. 청구항 5에 있어서,
    상기 이진 이미지(I2) 생성 단계는, 상기 이진화용 임계값(T)이 하기 식 (5) 내지 식 (8)에 따라 연산되는 것을 특징으로 하는 형태학적 연산을 이용한 이미지 분할 처리방법.
    Figure pat00033
    (5)
    Figure pat00034
    (6)

    Figure pat00035
    (7)
    Figure pat00036
    (8)
    μ: 전처리 이미지(I1)의 평균값
    σ: 전처리 이미지(I1)의 표준편차
    μ1: 형태학적 기울기(Mor-grd)의 평균값
  7. 청구항 6에 있어서,
    상기 이진 이미지(I2) 생성 단계는, 하기 식 (9)를 이용하여 이루어지는 것을 특징으로 하는 형태학적 연산을 이용한 이미지 분할 처리방법.
    Figure pat00037
    (9)
  8. 청구항 7에 있어서,
    상기 개선 이미지(I3) 생성 단계는, 상기 개선용 임계값(Ithresh)이 형태학적 클로징 연산 및 오프닝 연산을 하기 식 (10) 내지 식 (12)에 따라 수행하여 계산되는 것을 특징으로 하는 형태학적 연산을 이용한 이미지 분할 처리방법.
    Figure pat00038
    (10)
    Figure pat00039
    (11)
    Figure pat00040
    (12)
    B: 이진 이미지(I2)에서 환부를 마스킹하기 위한 구조적 요소(Structuring element)
  9. 청구항 8에 있어서,
    상기 개선 이미지(I3) 생성 단계는, 하기 식 (13)를 이용하여 이루어지는 것을 특징으로 하는 형태학적 연산을 이용한 이미지 분할 처리방법.
    Figure pat00041
    (13)
  10. 청구항 9에 있어서,
    상기 타겟 최종 이미지(I5) 생성 단계는, 상기 픽셀 교체 연산이 하기 식 (14)를 이용하여 이루어지는 것을 특징으로 하는 형태학적 연산을 이용한 이미지 분할 처리방법.
    Figure pat00042
    (14)
  11. 형태학적 연산을 이용한 이미지 분할 처리방법을 수행하는 프로그램이 기록된 컴퓨터 판독 가능 기록매체에 있어서, 상기 프로그램이 컴퓨터 상에서 수행되는 경우에 상기 컴퓨터가,
    MRI 또는 CT 촬영된 원본 이미지[f(x,y)]를 형태학적 기울기(Morphological Gradient, Mor-grd) 연산 및 이미지 필터링 과정을 통해 전처리 이미지(I1)를 생성하는 단계;
    상기 전처리 이미지(I1)의 평균값과 표준편차를 이용하여 이진화용 임계값(T)을 계산하고, 이 이진화용 임계값(T)을 이용하여 상기 전처리 이미지(I1)를 이진 이미지(I2)로 변환하는 단계;
    상기 이진 이미지(I2)에 대해 형태학적 클로징 연산 및 오프닝 연산을 수행하여 개선용 임계값(Ithresh)을 계산하고, 이 개선용 임계값(Ithresh)을 이용하여 상기 이진 이미지(I2)를 개선 이미지(I3)로 변환하는 단계; 및
    상기 개선 이미지(I3)로부터 환부만을 분할하여 타겟 이미지를 생성하는 단계;를 수행하도록 하는 프로그램이 수록되고, 전자 장치에서 판독 가능한 기록매체.
  12. 청구항 11에 있어서,
    상기 타겟 이미지 분할 단계는, 상기 개선 이미지(I3)를 플러드 필 알고리즘(Flood Fill Algorithm)을 사용하여 환부만을 분할한 타켓 분할 이미지(I4)를 생성하는 단계를 더 포함하는 것을 특징으로 하는 전자 장치에서 판독 가능한 기록매체.
  13. 청구항 12에 있어서,
    상기 타겟 이미지 분할 단계는, 상기 타겟 분할 이미지(I4)에 대하여 픽셀 교체 연산을 수행하여 타겟 최종 이미지(I5)를 생성하는 단계를 더 포함하는 것을 특징으로 하는 전자 장치에서 판독 가능한 기록매체.
KR1020130143450A 2013-11-25 2013-11-25 형태학적 연산을 이용한 이미지 분할 처리방법 KR101590483B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020130143450A KR101590483B1 (ko) 2013-11-25 2013-11-25 형태학적 연산을 이용한 이미지 분할 처리방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020130143450A KR101590483B1 (ko) 2013-11-25 2013-11-25 형태학적 연산을 이용한 이미지 분할 처리방법

Publications (2)

Publication Number Publication Date
KR20150059860A true KR20150059860A (ko) 2015-06-03
KR101590483B1 KR101590483B1 (ko) 2016-02-01

Family

ID=53504620

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020130143450A KR101590483B1 (ko) 2013-11-25 2013-11-25 형태학적 연산을 이용한 이미지 분할 처리방법

Country Status (1)

Country Link
KR (1) KR101590483B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105374045A (zh) * 2015-12-07 2016-03-02 湖南科技大学 一种基于形态学的图像特定形状尺寸目标快速分割方法
CN110097012A (zh) * 2019-05-06 2019-08-06 苏州国科视清医疗科技有限公司 基于N-range图像处理算法的眼动参数监测的疲劳检测方法
CN112580642A (zh) * 2020-11-27 2021-03-30 国网上海市电力公司 一种结合边缘特征和纹理特征的图像混合分割方法及设备
KR20210038987A (ko) * 2018-08-30 2021-04-08 어플라이드 머티어리얼스, 인코포레이티드 자동 종양 검출 및 분류를 위한 시스템

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102185893B1 (ko) * 2018-08-07 2020-12-02 주식회사 딥바이오 뉴럴 네트워크를 이용한 질병의 진단 시스템 및 방법

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050011313A (ko) * 2003-07-22 2005-01-29 삼성전자주식회사 병렬처리에 의한 이미지 이진화 방법 및 장치
KR20080103705A (ko) * 2007-05-25 2008-11-28 전남대학교산학협력단 얼굴영상을 이용한 질병분류시스템
KR20120079931A (ko) * 2011-01-06 2012-07-16 건국대학교 산학협력단 의료 영상 분할 처리 장치와 방법 및 컴퓨터 프로그램이 기록된 기록매체

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050011313A (ko) * 2003-07-22 2005-01-29 삼성전자주식회사 병렬처리에 의한 이미지 이진화 방법 및 장치
KR20080103705A (ko) * 2007-05-25 2008-11-28 전남대학교산학협력단 얼굴영상을 이용한 질병분류시스템
KR20120079931A (ko) * 2011-01-06 2012-07-16 건국대학교 산학협력단 의료 영상 분할 처리 장치와 방법 및 컴퓨터 프로그램이 기록된 기록매체

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105374045A (zh) * 2015-12-07 2016-03-02 湖南科技大学 一种基于形态学的图像特定形状尺寸目标快速分割方法
CN105374045B (zh) * 2015-12-07 2017-11-14 湖南科技大学 一种基于形态学的图像特定形状尺寸目标快速分割方法
KR20210038987A (ko) * 2018-08-30 2021-04-08 어플라이드 머티어리얼스, 인코포레이티드 자동 종양 검출 및 분류를 위한 시스템
US11688188B2 (en) 2018-08-30 2023-06-27 Applied Materials, Inc. System for automatic tumor detection and classification
CN110097012A (zh) * 2019-05-06 2019-08-06 苏州国科视清医疗科技有限公司 基于N-range图像处理算法的眼动参数监测的疲劳检测方法
CN110097012B (zh) * 2019-05-06 2022-11-08 苏州国科视清医疗科技有限公司 基于N-range图像处理算法的眼动参数监测的疲劳检测方法
CN112580642A (zh) * 2020-11-27 2021-03-30 国网上海市电力公司 一种结合边缘特征和纹理特征的图像混合分割方法及设备

Also Published As

Publication number Publication date
KR101590483B1 (ko) 2016-02-01

Similar Documents

Publication Publication Date Title
Maitra et al. Technique for preprocessing of digital mammogram
Sharma et al. Application of edge detection for brain tumor detection
Nagi et al. Automated breast profile segmentation for ROI detection using digital mammograms
Xu et al. Marker-controlled watershed for lesion segmentation in mammograms
Al-Hafiz et al. Red blood cell segmentation by thresholding and Canny detector
Rad et al. Automatic computer-aided caries detection from dental x-ray images using intelligent level set
Priya et al. Lung cancer detection using image processing techniques
Sneha et al. Cervical cancer detection and classification using texture analysis
KR101590483B1 (ko) 형태학적 연산을 이용한 이미지 분할 처리방법
KR102307995B1 (ko) 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 시스템 및 이의 동작 방법
Shareef Breast cancer detection based on watershed transformation
Ribeiro et al. Handling inter-annotator agreement for automated skin lesion segmentation
Ramasamy et al. Segmentation of brain tumor using deep learning methods: a review
Koehoorn et al. Effcient and effective automated digital hair removal from dermoscopy images
CN110060246B (zh) 一种图像处理方法、设备及存储介质
KR101126224B1 (ko) 동적 ｍｒ 영상을 이용한 자동 전립선 분할 방법 및 시스템
Janan et al. RICE: A method for quantitative mammographic image enhancement
Sharma et al. Roi segmentation using local binary image
Elmorsy et al. K3. A region growing liver segmentation method with advanced morphological enhancement
Marzuki et al. Demarcation of lung lobes in ct scan images for lung cancer detection using watershed segmentation
CN112634280B (zh) 基于能量泛函的mri图像脑肿瘤分割方法
Xiao et al. A derivative of stick filter for pulmonary fissure detection in CT images
Taheri et al. Automated single and multi-breast tumor segmentation using improved watershed technique in 2D MRI images
Franchi et al. A shape-based segmentation algorithm for X-ray digital subtraction angiography images
KR101494975B1 (ko) 3차원 자동 유방 초음파 영상의 유두 자동 검출 시스템 및 그 검출 방법

Legal Events

Date Code Title Description
E90F Notification of reason for final refusal
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: 20191224

Year of fee payment: 5