KR20180045473A - 이미지 분석을 이용한 흑색종 검사 시스템, 방법 및 컴퓨터 프로그램 - Google Patents

이미지 분석을 이용한 흑색종 검사 시스템, 방법 및 컴퓨터 프로그램 Download PDF

Info

Publication number
KR20180045473A
KR20180045473A KR1020160139855A KR20160139855A KR20180045473A KR 20180045473 A KR20180045473 A KR 20180045473A KR 1020160139855 A KR1020160139855 A KR 1020160139855A KR 20160139855 A KR20160139855 A KR 20160139855A KR 20180045473 A KR20180045473 A KR 20180045473A
Authority
KR
South Korea
Prior art keywords
image
region
calculating
interest
outline
Prior art date
Application number
KR1020160139855A
Other languages
English (en)
Inventor
최병구
김진수
황인준
유제혁
Original Assignee
(주)모임소프트
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 (주)모임소프트 filed Critical (주)모임소프트
Priority to KR1020160139855A priority Critical patent/KR20180045473A/ko
Publication of KR20180045473A publication Critical patent/KR20180045473A/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/44—Detecting, measuring or recording for evaluating the integumentary system, e.g. skin, hair or nails
    • A61B5/441—Skin evaluation, e.g. for skin disorder diagnosis
    • A61B5/444—Evaluating skin marks, e.g. mole, nevi, tumour, scar
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20096—Interactive definition of curve of interest
    • 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
    • G06T2207/30088—Skin; Dermal

Abstract

본 발명은 이미지 분석을 이용한 흑색종 검사 시스템, 방법 및 컴퓨터 프로그램에 관한 것이다. 본 발명에 따른 흑색종 검사 시스템은, 피부 이미지로부터 병변을 포함하는 관심영역 이미지를 생성하는 전처리부; 상기 관심영역 이미지를 복수의 부분으로 분할하고 분할된 부분들 사이의 유사도를 검출하는 대칭성 검사부; 상기 관심영역 이미지의 외곽선을 추출하고, 추출된 상기 외곽선에 포함된 코너점의 개수를 산출하는 불규칙성 검사부; 상기 피부 이미지에서 색상 유사도가 미리 설정된 기준값 이상인 영역들을 군집화함으로써 군집화된 이미지를 생성하고, 각 군집 내의 색상 표준편차를 산출하도록 구성된 색상 검사부; 및 상기 관심영역 이미지를 이용하여 병변 지름을 산출하도록 구성된 지름 검사부를 포함하는 것을 특징으로 한다. 이에 의하여, 의사가 환자의 병변을 보고 직접 진찰하는 기존 방식의 인력적, 시간적 및 비용적 소모를 줄일 수 있으며, 흑색종 의심 영역의 가장자리 분석을 통해 검사의 정밀도를 높일 수 있다.

Description

이미지 분석을 이용한 흑색종 검사 시스템, 방법 및 컴퓨터 프로그램 { SYSTEM, METHOD AND COMPUTER PROGRAM FOR MELANOMA DETECTION USING IMAGE ANALYSIS }
본 발명은 이미지 분석을 이용한 흑색종 검사 시스템, 방법 및 컴퓨터 프로그램에 관한 것이다. 보다 상세하게는, 종래의 임상적 흑색종 검사 방법을 이미지 분석에 의하여 자동화하고 흑색종 의심 영역의 가장자리 분석을 통해 검사의 정밀도를 높이는 기술에 관한 것이다.
흑색종은 피부에서 일어나는 질환 중 가장 위험한 유형의 피부암으로 규정되어 있다. 흑색종은 초기에 발견할 경우 대부분의 경우 완치할 수 있지만, 초기에 발견되지 않고 지나치면 다른 부위들로 퍼져 치료하기가 더 어려워지고 사망 가능성도 유발하는 위험한 질환으로서, 전문가들은 한 달에 한 번 자가 점검을 할 것을 권고하고 있다. 자가 진단 방법으로서 피부에 있는 점들과 그 외의 반점들의 패턴 변화와 새로 나타난 반점들의 모양을 확인할 것이 권유된다. 이는 일단 발생된 흑색종이 피부의 다음 층으로 퍼지기 전에 진단되면 흑색종을 치료하고 완치하기 훨씬 쉽기 때문이다.
정상적인 점들과 비정상적인 반점들을 구분하는 것은 쉽지 않은데, 기술의 발전과 지속적인 연구 덕분에 흑색종 진단에 대한 교육 및 지원 도구들이 점점 많아지고 있다. 이 중 흑색종 진단에 사용되는 임상적 방법론으로서 소위 ABCD 방법이라는 것이 알려져 있다. ABCD 방법은 의료진이 환자의 병변을 직접 보고 점 또는 반점의 비대칭(Asymmetry), 가장자리 불규칙성(Border irregularity), 색 불규칙성(Color irregularity) 및 지름(Diameter)을 각각 관찰함으로써 의심 부위를 특정하는 방법이며, 의심 부위가 특정되면 조직 검사를 통하여 진찰하게 된다.
하지만, 흑색종 병변을 가지는 환자의 수는 꾸준히 증가하고 있으나, 이를 진단하고 치료하는 의사의 수는 환자의 수에 비해 상대적으로 그다지 증가하고 있지 않다. 그 결과, ABCD 방법의 각 규칙을 의사가 모든 환자를 대상으로 직접 적용하는데 요구되는 인력, 시간 및 비용 측면의 소모를 감당하기 힘든 실정이다.
한국등록특허공보 제10-1015369호
따라서 본 발명은 흑색종 검사에서 있어서 의사가 환자의 병변을 보고 직접 진찰하는 기존 방식의 인력적, 시간적 및 비용적 소모를 줄이고 자동적으로 환자의 흑색종을 검사할 수 있는 시스템, 방법 및 컴퓨터 프로그램을 제공하는 것을 목적으로 한다.
상기 목적은, 피부 이미지로부터 병변을 포함하는 관심영역 이미지를 생성하는 전처리부; 상기 관심영역 이미지를 복수의 부분으로 분할하고 분할된 부분들 사이의 유사도를 검출하는 대칭성 검사부; 상기 관심영역 이미지의 외곽선을 추출하고, 추출된 상기 외곽선에 포함된 코너점의 개수를 산출하는 불규칙성 검사부; 상기 피부 이미지에서 색상 유사도가 미리 설정된 기준값 이상인 영역들을 군집화함으로써 군집화된 이미지를 생성하고, 각 군집 내의 색상 표준편차를 산출하도록 구성된 색상 검사부; 및 상기 관심영역 이미지를 이용하여 병변 지름을 산출하도록 구성된 지름 검사부를 포함하는 것을 특징으로 하는 이미지 분석을 이용한 흑색종 검사 시스템에 의해 달성된다.
상기 불규칙성 검사부는, 상기 관심영역 이미지로부터 서로 상이한 복수의 방법을 이용하여 상기 코너점을 검출하고, 상기 복수의 방법에서 공통적으로 검출된 상기 코너점의 개수를 산출하도록 더 구성될 수 있다.
상기 불규칙성 검사부는, 상기 관심영역 이미지의 외곽선에 상응하는 복수 개의 가우시안 곡선을 생성하고, 상기 복수 개의 가우시안 곡선으로부터 상기 코너점을 검출하도록 구성된 제1 코너점 검출부; 및 상기 관심영역 이미지의 외곽선상의 각 점에 대하여, 상기 각 점과 이격되어 상기 각 점의 양쪽에 위치하는 점들 사이의 거리를 합산한 값을 산출하고, 상기 외곽선 상의 각 점에 대해 산출된 상기 값을 비교하여 상기 코너점을 검출하도록 구성된 제2 코너점 검출부를 포함한다. 이 경우, 불규칙성 검사부는 제1 코너점 검출부 및 제2 코너점 검출부에 의하여 공통적으로 검출된 상기 코너점의 개수를 산출할 수 있다.
상기 전처리부는, 상기 피부 이미지로부터 병변을 포함하는 영역을 검출하고, 검출된 상기 영역의 밝기를 정규화함으로써 상기 관심영역 이미지를 생성하도록 더 구성될 수 있다.
상기 전처리부는, 밝기가 정규화된 이미지를 2진화하여 상기 관심영역 이미지를 생성하도록 더 구성될 수 있다.
상기 지름 검사부는, 상기 관심영역 이미지에 포함된 병변 내에 그릴 수 있는 가장 큰 내접원의 지름을 산출하도록 더 구성될 수 있다.
상기 대칭성 검사부, 상기 불규칙성 검사부, 상기 색상 검사부 및 상기 지름 검사부 각각의 측정 결과를 입력값으로 한 기계 학습에 의하여 흑색종을 분류 기준을 결정하도록 구성된 기계학습부를 더 포함할 수 있다.
한편, 피부 이미지로부터 병변을 포함하는 관심영역 이미지를 생성하는 단계; 상기 관심영역 이미지를 복수의 부분으로 분할하는 단계; 분할된 상기 복수의 부분들 사이의 유사도를 검출하는 단계; 상기 관심영역 이미지의 외곽선을 추출하는 단계; 추출된 상기 외곽선에 포함된 코너점의 개수를 산출하는 단계; 상기 피부 이미지에서 색상 유사도가 미리 설정된 기준값 이상인 영역들을 군집화함으로써 군집화된 이미지를 생성하는 단계; 상기 군집화된 이미지의 각 군집 내의 색상 표준편차를 산출하는 단계; 및 상기 관심영역 이미지를 이용하여 병변 지름을 산출하는 단계를 포함하는 것을 특징으로 하는 흑색종 검사 방법에 의해서도 상기 목적은 달성된다.
상기 코너점의 개수를 산출하는 단계는, 상기 관심영역 이미지로부터 서로 상이한 복수의 방법을 이용하여 상기 코너점을 검출하는 단계; 및 상기 복수의 방법에서 공통적으로 검출된 상기 코너점의 개수를 산출하는 단계를 포함할 수 있다.
상기 코너점의 개수를 산출하는 단계는, 상기 관심영역 이미지의 외곽선에 상응하는 복수 개의 가우시안 곡선을 생성하는 단계; 상기 복수 개의 가우시안 곡선으로부터 제1 코너점을 검출하는 단계; 상기 관심영역 이미지의 외곽선상의 각 점에 대하여, 상기 각 점과 이격되어 상기 각 점의 양쪽에 위치하는 점들 사이의 거리를 합산한 값을 산출하는 단계; 상기 외곽선 상의 각 점에 대해 산출된 상기 값을 비교하여 제2 코너점을 검출하는 단계; 및 상기 제1 코너점과 상기 제2 코너점이 동일한 것을 계수함으로써 상기 코너점의 개수를 산출하는 단계를 포함할 수 있다.
상기 관심영역 이미지를 생성하는 단계는, 상기 피부 이미지로부터 병변을 포함하는 영역을 검출하는 단계; 및 검출된 상기 영역의 밝기를 정규화하는 단계를 포함할 수 있다.
상기 관심영역 이미지를 생성하는 단계는, 밝기가 정규화된 이미지를 2진화하는 단계를 더 포함할 수 있다.
상기 병변 지름을 산출하는 단계는, 상기 관심영역 이미지에 포함된 병변 내에 그릴 수 있는 가장 큰 내접원의 지름을 산출하는 단계를 포함할 수 있다.
상기 유사도를 검출하는 단계; 상기 코너점의 개수를 산출하는 단계; 상기 색상 표준편차를 산출하는 단계 및 상기 병변 지름을 산출하는 단계 각각의 결과를 입력값으로 한 기계 학습에 의하여 흑색종 분류 기준을 결정하는 단계를 더 포함할 수 있다.
본 발명의 일 실시예에 따른 컴퓨터 프로그램은 전술한 실시예들에 따른 흑색종 검사 방법을 하드웨어에 의해 실현하기 위한 것으로서 컴퓨터로 판독 가능한 기록매체에 저장될 수 있다.
본 발명에 따른 흑색종 검사 시스템 및 방법에 의하면, 종래의 임상적 흑색종 검사 방법을 이미지 분석에 의하여 자동화하고 흑색종 의심 영역의 가장자리 분석을 통해 검사의 정밀도를 높임으로써, 의사가 환자의 병변을 보고 직접 진찰하는 기존 방식의 인력적, 시간적 및 비용적 소모를 줄일 수 있는 이점이 있다.
도 1은 본 발명의 일 실시예에 따른 흑색종 검사 시스템의 블록도이며,
도 2는 본 발명의 일 실시예에 따른 흑색종 검사 방법을 도시한 흐름도이며,
도 3은 본 발명의 일 실시예에 따른 흑색종 검사 방법에 사용된 피부 이미지이며,
도 4는 본 발명의 일 실시예에 따른 흑색종 검사 방법에 의해 도 3의 피부 이미지로부터 얻어진 관심영역 이미지이며,
도 5a는 본 발명의 일 실시예에 따른 흑색종 검사 방법에 의한 대칭성 검사를 위하여 회전된 관심영역 이미지이며,
도 5b은 본 발명의 일 실시예에 따른 흑색종 검사 방법에 의한 대칭성 검사를 위하여 도 5a의 관심영역 이미지를 복수의 부분으로 분할한 이미지이며,
도 6a는 일반적인 점 이미지에 대하여 본 발명의 일 실시예에 따른 흑색종 검사 방법에 의한 불규칙성 검사를 수행한 결과를 나타내는 이미지이며,
도 6b는 흑색종 이미지에 대하여 본 발명의 일 실시예에 따른 흑색종 검사 방법에 의한 불규칙성 검사를 수행한 결과를 나타내는 이미지이며,
도 7은 본 발명의 실시예들에 따른 흑색종 검사 방법에서 불규칙성 검사 방법에 따른 코너 검출 과정을 설명하기 위한 이미지이며,
도 8a 및 8b는 본 발명의 실시예들에 따른 흑색종 검사 방법에서 불규칙성 검사 방법에 따른 코너 검출 결과를 나타내는 이미지이며,
도 9는 본 발명의 일 실시예에 따른 흑색종 검사 방법에 의하여 피부 원본 이미지로부터 생성된 군집화(clustered) 이미지이다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 이미지 분석을 이용한 흑색종 검사 시스템, 방법 및 컴퓨터 프로그램에 대하여 상세히 설명한다.
도 1은 본 발명의 일 실시예에 따른 흑색종 검사 시스템의 블록도이다. 도 1을 참조하면, 흑색종 검사 시스템은, 전처리부(20), 대칭성 검사부(30), 불규칙성 검사부(40), 색상 검사부(50) 및 지름 검사부(60)를 포함할 수 있다. 대칭성 검사부(30), 불규칙성 검사부(40), 색상 검사부(50) 및 지름 검사부(60)는 종래의 임상적 진단에 사용되는 ABCD 방법을 이미지 분석에 의하여 자동화하는 부분이다. 또한, 전처리부(20)는 대칭성 검사부(30), 불규칙성 검사부(40), 색상 검사부(50) 및 지름 검사부(60) 중 하나 이상에 의한 이미지 분석에 사용되기 위하여 피부 원본 이미지를 처리한다.
본 발명의 실시예들에 따른 흑색종 검사 시스템은, 전적으로 하드웨어이거나, 또는 부분적으로 하드웨어이고 부분적으로 소프트웨어인 측면을 가질 수 있다. 예컨대, 흑색종 검사 시스템에 포함된 각 부(unit)는 특정 형식 및 내용의 데이터를 처리하거나 또는/또한 전자통신 방식으로 주고받기 위한 하드웨어 및 이에 관련된 소프트웨어를 통칭할 수 있다. 본 명세서에서 "부", "모듈", "장치", "단말기", "서버" 또는 "시스템" 등의 용어는 하드웨어 및 해당 하드웨어에 의해 구동되는 소프트웨어의 조합을 지칭하는 것으로 의도된다. 예를 들어, 하드웨어는 CPU 또는 다른 프로세서(processor)를 포함하는 데이터 처리 기기일 수 있다. 또한, 하드웨어에 의해 구동되는 소프트웨어는 실행중인 프로세스, 객체(object), 실행파일(executable), 실행 스레드(thread of execution), 프로그램(program) 등을 지칭할 수 있다.
또한, 본 발명의 실시예들에 따른 흑색종 검사 시스템을 구성하는 각각의 부는 반드시 물리적으로 구분되는 별개의 구성요소를 지칭하는 것으로 의도되지 않는다. 즉, 도 2에서 대칭성 검사부(30), 불규칙성 검사부(40), 색상 검사부(50) 및 지름 검사부(60) 등은 서로 구분되는 별개의 블록으로 도시되었으나, 이들 중 일부 또는 전부가 동일한 하나의 장치 내에 집적화될 수 있다. 또한, 각각의 부는 흑색종 검사 시스템이 수행하는 동작에 따라 이를 기능적으로 구분한 것일 뿐, 반드시 서로 분리된 별개의 소자를 의미하는 것이 아니다.
본 발명의 일 실시예에서, 흑색종 검사 시스템은 피부 원본 이미지가 입력되거나 수신되는 입력부(10)를 더 포함한다.
전처리부(20)는, 입력부(10)에 입력 또는 수신된 피부 원본 이미지로부터 병변을 포함하는 관심영역(Region of Interest; ROI) 이미지를 생성한다. 관심영역 이미지 생성을 위해, 전처리부(20)는 이미지에 대한 밝기 정규화 및 색상 반전 등을 수행할 수 있다.
대칭성 검사부(30)는, 종래의 ABCD 방법의 대칭성(Asymmetry) 관찰에 상응하는 동작을 수행하기 위한 것으로서, 관심영역 이미지를 복수의 부분으로 분할하고 분할된 부분들 사이의 유사도를 검출함으로써 병변의 대칭성을 검사할 수 있다.
불규칙성 검사부(40)는, 종래의 ABCD 방법의 가장자리 불규칙성(Border irregularity) 관찰에 상응하는 동작을 수행하기 위한 것으로서, 관심영역 이미지의 외곽선을 추출하고 추출된 외곽선에 포함된 코너점의 개수를 산출할 수 있다.
본 발명의 일 실시예에서, 불규칙성 검사부(40)는 곡률 단계 공간(Curvature Scale Space; CSS) 방법으로 외곽선을 추출하고 추출한 외곽선 내에 있는 점들을 곡률 단계점(Curvature Scale Point)으로 전환하여 코너점을 검출하기 위한 제1 코너점 검출부(401), 및 캐니 에지 검출기(Canny edge detector)를 사용하여 외곽선을 추출하고 코드-점 거리 축적(Chord-to-Point Distance Accumulation; CPDA) 방식으로 코너점을 검출하기 위한 제2 코너점 검출부(402)를 포함한다. 이 경우, 불규칙성 검사부(40)는 제1 및 제2 코너점 검출부(401, 402)에 의해 공통적으로 검출된 코너점의 개수를 계수할 수 있다.
색상 검사부(50)는, 종래의 ABCD 방법의 색 불규칙성(Color irregularity) 관찰에 상응하는 동작을 수행하기 위한 것으로서, 피부 원본 이미지의 색상을 이용하여 군집화된(clustered) 이미지를 생성하고, 군집화된 이미지의 각 군집 내의 색상 표준편차를 산출할 수 있다.
지름 검사부(60)는, 종래의 ABCD 방법의 지름(Diameter) 관찰에 상응하는 동작을 수행하기 위한 것으로서, 피부 원본 이미지 또는 관심영역 이미지를 이용하여 병변 지름을 산출할 수 있다.
본 발명의 일 실시예에서, 흑색종 검사 시스템은 대칭성 검사부(30), 불규칙성 검사부(40), 색상 검사부(50) 및 지름 검사부(60) 각각의 측정 결과를 입력값으로 한 기계 학습에 의하여 흑색종을 분류 기준을 결정하도록 구성된 기계학습(machine-learning)부(70)를 더 포함한다.
도 2는 본 발명의 일 실시예에 따른 흑색종 검사 방법을 도시한 개략적인 흐름도이다. 설명의 편의를 위하여, 도 1 및 도 2를 참조하여 실시예들에 따른 흑색종 검사 시스템 및 방법의 구체적인 구성에 대하여 설명한다.
먼저, 흑색종을 검사하고자 하는 피부 원본 이미지가 입력부(10)에 입력된다(S1). 여기서 입력이란 흑색종 검사 시스템에 구비된 촬영 수단 등에 의하여 피부를 촬영하는 것이나, 또는 별도의 촬영 수단에 의해 촬영된 이미지를 흑색종 검사 시스템에서 수신하는 것을 지칭할 수 있다.
전처리부(20)는 입력부(10)에 입력된 피부 원본 이미지를 처리하여 병변을 포함하는 관심영역 이미지를 생성한다(S2). 예를 들면, 전처리부(20)는 RGB 형태의 색상 영역을 가진 피부 이미지에서, 색상에 대한 정규화 및 이미지 이진화 과정 등을 거쳐 관심영역 이미지를 얻는다.
도 3은 본 발명의 일 실시예에 따른 흑색종 검사 방법에 사용된 피부 이미지이며, 도 4는 본 발명의 일 실시예에 따른 흑색종 검사 방법에 의해 도 3의 피부 이미지로부터 얻어진 관심영역 이미지이다.
본 발명의 일 실시예에서는, 전처리부(20)는 도 4에 도시된 것과 같은 관심영역 이미지를 얻기 위하여, 관심영역을 추출하기 전에 그라데이션 마스킹(gradation masking)을 이용하여 이미지의 비네팅(vignetting) 현상을 제거한다. 이는, 예컨대 이미지 중심으로 쏠린 빛의 세기를 골고루 조절하는 과정을 나타낼 수 있다.
본 발명의 일 실시예에서는, 전처리부(20)는 피부 이미지의 밝기를 정규화(normalize) 하는 과정을 수행하며, 이는 콘트라스트 스트레칭(Contrast stretching)으로도 지칭된다. 예를 들어, 콘트라스트 스트레칭은 하기 수학식 1과 같이 수행될 수 있다.
Figure pat00001
수학식 1에서 I(x, y)는 이미지의 좌표 (x, y)의 밝기를 나타내며, min(I) 및 max(I)는 각각 이미지 내 최소 밝기 및 최대 밝기를 나타낸다. 또한, max intensity는 이미지의 밝기의 최대값을 나타낸다.
본 발명의 일 실시예에서, 전처리부(20)는 콘트라스트 스트레칭이 수행된 후 이진화 방법을 통하여 피부 이미지를 흑백으로 반전시키고 관심영역을 추출한다. 흑백 반전을 통하여, 이미지 처리 과정을 간소화하고 처리 시간을 줄일 수 있다. 이진화 방법으로는, 배경영역과 관심영역을 자동적으로 분리하는 옷수 방법(Otsu's method)을 이용할 수 있으나 이에 한정되는 것은 아니다.
옷수 방법에 따라 이진화를 수행하는 경우, 이미지 I의 i번째 픽셀(pixel)에 대한 정보가 주어져 있을 때, 배경 차분을 수행할 수 있는 발생 확률(probability of occurrence)과 그에 따른 파생 수식은 다음과 같다.
Figure pat00002
상기 수학식 1에서 W0와 W1은 각각 배경영역과 전경영역으로 나눌 수 있는 객체 교차점(object intersect)에 대한 문턱값이며, 이는 그레이 레벨(gray level) 계수 pi를 순차적으로 변형해가면서 구할 수 있다. 그리고 L은 그레이 영역으로 변환된 픽셀의 히스토그램(histogram) 값을 의미한다. 자동적으로 영역을 분할하는 최적 문턱값인 t* 는 오차를 최소화 하는 확률 분포로서 하기 수학식 3과 같이 나타낼 수 있다.
Figure pat00003
최종 자동분할 상수 t* 는 하기 수학식 4와 같이 결정된다.
Figure pat00004
여기서 σB는 차분영상에서의 배경영역 히스토그램의 Variance, σT는 차분영상 전경영역 히스토그램의 Variance, T(t)는 분할상수 t에 따른 옵티멀 히스토그램(optimal histogram)의 Variance를 각각 의미한다.
이상의 과정에 의하여, 도 4에 도시된 것과 같이 관심영역을 제외한 부분이 검은색으로 표시된 관심영역 이미지를 얻을 수 있다. 옷수 방법에 대해서는 본 발명이 속하는 기술 분야에서 통상의 기술자에게 잘 알려져 있으므로, 발명의 요지를 명확하게 하기 위하여 자세한 설명을 생략한다.
이미지 전처리에 의해 관심영역 이미지가 얻어지면, 종래의 ABCD 방법의 각 과정에 상응하는 이미지 분석 과정이 대칭성 검사부(30), 불규칙성 검사부(40), 색상 검사부(50) 및 지름 검사부(60)에 의하여 수행되며, 도 2에서는 이들 각각의 의한 처리 과정이 단계 S2로부터 출발하는 4 개의 분기로서 도시되었다.
대칭성 검사부(30)는 관심영역 이미지 회전시키고 이미지의 대칭성 검사를 수행한다(S3). 존재하는 이미지 도메인에서 대칭성을 검출하기 위해서는 이미지를 정방향으로 교정할 필요가 있는데, 이미지의 대칭성을 검출하기 위해서는, 이미지를 일정 각도에 따라 분할한 후 접는(folding) 방식으로 진행할 수 있다. 대칭인 이미지의 경우 일정 각으로 영역을 분할하여 접었을 때, 영역과 모양이 대부분 일치한다.
도 5a는 본 발명의 일 실시예에 따른 흑색종 검사 방법에 의한 대칭성 검사를 위하여 회전된 관심영역 이미지이다. 도 5a의 이미지는, 도 4에 도시된 관심영역 이미지에서 가장 지름이 긴 선을 검출하고 해당 선이 접는 기준선이 될 수 있도록 이를 기초로 이미지를 회전시킨다. 이상의 과정을 기하 변환(Geometric transformation) 이라고 지칭하며, 변환 전의 특정 위치를 (x', y') 라고 하고 이를 정방향으로 교정했을 때의 위치 (x, y)라고 할 경우 이미지의 각도를 θ만큼 교정하는 기하 변환은 하기 수학식 5와 같이 나타낼 수 있다.
Figure pat00005
이미지의 방향이 교정되고 나면, 이미지의 회전 과정에서 기준선이 된 장축 방향을 기준으로 이미지를 분할하고, 분할된 이미지를 겹쳐 각 분할 얼마나 일치하는지, 즉, 전체 이미지가 얼마나 대칭적인지를 검사한다.
도 5b은 일 실시예에 따른 흑색종 검사 방법에 의한 대칭성 검사를 위하여 도 5a의 관심영역 이미지를 복수의 부분으로 분할한 이미지이다. 도 5에 도시된 것과 같이, 관심영역의 장축 방향을 기준으로 이미지를 상부 이미지와 하부 이미지로 나누고, 상부 및 하부 이미지 사이의 유사도를 검사할 수 있다. 예를 들어, 대칭성 검사부(30)는 하기 수학식 6에 의하여 유사도를 결정할 수 있다.
Figure pat00006
상기 수학식 6에서 ImageSim은 유사도를 나타내며, upperImg는 상부 이미지를 나타내고, LowerImg는 하부 이미지를 나타낸다. 또한, 상기 수학식 6에서 ∩는 각 이미지의 교집합, 즉, 각 이미지가 일치하는 영역의 크기를 표시하는 기호이며, ∪는 각 이미지의 합집합, 즉, 각 이미지의 공통 부분과 상이 부분을 모두 합한 영역의 크기를 표시하는 기호이다.
그러나 이는 예시적인 것으로서, 다른 실시예에서 대칭성 판단을 위한 유사도의 산출식 및 유사도 판단을 위하여 이미지를 분할하는 방향 등은 전술한 것과 상이할 수 있다.
불규칙성 검사부(40)는, 관심영역 이미지로부터 이미지의 외곽선을 추출하고(S4), 추출된 외곽선으로부터 코너점을 검출한다(S5). 피부 흑색종의 경우, 일반적인 점에 비해 가장자리가 균일하지 않은 특징이 있다. 일반적인 점의 경우는, 가장자리 영역의 각 변화가 고르기 때문에 코너점, 즉, 외곽선이 급격한 각도로 변하는 부분이 나타나지 않는다. 하지만, 흑색종의 경우는 전이가 피부 표피층에서 불규칙적으로 나타나기 때문에, 코너점이 일반적인 점에 비해 상대적으로 많고, 불규칙성 검사부(40)는 이를 위하여 관심영역 이미지로부터 코너점을 검출하여 이의 개수를 계수한다.
도 6a는 일반적인 점 이미지에 대하여 본 발명의 일 실시예에 따른 흑색종 검사 방법에 의한 불규칙성 검사를 수행한 결과를 나타내는 이미지이며, 도 6b는 흑색종에 이미지에 대하여 본 발명의 일 실시예에 따른 흑색종 검사 방법에 의한 불규칙성 검사를 수행한 결과를 나타내는 이미지이다. 도시되는 것과 같이, 도 6a에 비하여 도 6b에서 더 많은 개수의 코너점이 검출된다.
외곽선 및 코너점의 검출을 위한 방법은 다양할 수 있으나, 이미지 상에서 너무 많은 코너점을 탐색하게 되면 데이터의 일관성이 사라질 수 있고, 또한 시간이 오래 걸리며 원하는 영역에 대한 정확도가 떨어지는 문제가 있다. 이 때문에, 본 발명의 일 실시예에서 불규칙성 검사부(40)는 외곽선 추출 및 코너점 검출 과정을 동일한 관심영역 이미지를 대상으로 복수의 상이한 방법으로 수행하며, 복수의 방법에 의해 공통적으로 검출된 코너점을 최종 코너점 계수로 검출한다(S6). 구체적인 과정은 다음과 같다.
제1 코너점 검출부(401)는 코너점 검출을 위한 첫 번째 방법을 수행하기 위한 것이다. 먼저, 제1 코너점 검출부(401)는 전처리 과정을 활용하여 캐니 에지 검출기(Canny edge detector)를 이용하여 이진화된 이미지인 관심영역 이미지의 외곽선을 추출하고, 추출된 외곽선에 가우시안 커널(Gaussian kernel)을 컨볼루션(convolution)하여 각 픽셀 값을 조정함으로써 외곽선을 평탄화(smoothing) 한다. 컨볼루션 과정에서 평탄화 정도는 스케일 파라미터(scale parameter)를 이용하여 적절히 조절될 수 있다.
전처리 과정이 끝난 외곽선은 하기 수학식 7과 나타낼 수 있는데, 수학식 7에서 Γ은 연속적인 커브에 대한 수식을 나타내며, s는 곡선으로 구성된 외각선의 길이를 나타내고, x와 y는 각각 추출된 외곽선 내의 각 점을 나타낸다.
Figure pat00007
또한, 이 경우 외곽선의 곡선 함수(Curvature function)는 하기 수학식 8과 같이 정의될 수 있다.
Figure pat00008
본 실시예에서는, 길이 s의 외곽선을 1차원 가우시안 분포
Figure pat00009
를 따르는 곡선
Figure pat00010
및
Figure pat00011
로 변형하여 나타내고자 한다. 이에 대한 변환 수식은 하기 수학식 9 및 수학식 10과 같다.
Figure pat00012
Figure pat00013
수학식 9 및 10의 X와 Y는 각각 특정 가우시안 분포를 가지는 곡선이며, 이를 외곽선의 각 점에 대하여 매핑(mapping) 함으로써 외곽선 내의 모든 점을 하기 수학식 11 및 12와 같이 재정의할 수 있다.
Figure pat00014
Figure pat00015
수학식 11 및 12에서는 곡선 X만 설명하였으나 곡선 Y도 동일한 방식으로 재표현이 가능하다. 수학식 11 및 12에서 아래첨자 u는 곡선 X 내에 포함되는 점 u를 나타내며, 아래첨자 uu는 u에 대응되는 곡선 X의 다른 점을 의미한다.
최종적으로, 관심영역 이미지의 외곽선을 하기 수학식 13에 의하여 곡률 단계 변환할 수 있다.
Figure pat00016
상기 수학식 13을 이용하면 외곽선 이미지에 포함된 각 코너점을 결정할 수 있으며, 코너점들은 가우시안 분포 변수를 따르는 상기 수학식 13의 파라미터들의 형태로 나타내어질 수 있다.
다음으로, 제2 코너점 검출부(402)는 제1 코너점 검출부(401)에서 사용한 제1 방법과 상이한 제2 방법에 의하여 코너점을 검출한다. 구체적으로, 제2 코너점 검출부(402)는 캐니 에지 검출기(Canny edge detector)를 이용하여 이진화된 이미지인 관심영역 이미지의 외곽선을 추출한다. 이때, 캐니 에지 검출기는 0.2 내지 0.7의 문턱값을 이용하여 외곽선을 추출할 수 있다. 다음으로, 가우시안 함수를 이용하여 평탄화 수준을 조절해가면서 추출된 외곽선을 부드러운 형태로 전환한다.
다음으로, 제2 코너점 검출부(402)는 CPDA 방법을 사용하여 코너점을 검출한다. 도 7은 본 발명의 실시예에 따른 코너 검출 과정을 설명하기 위한 이미지로서, 도시되는 것과 같이 검출된 외곽선의 각 점을 Pn 형식으로 표현할 경우, 기준점 Pt 에서 양쪽으로 동일한 거리만큼 떨어진 양쪽 두 점(예컨대, Pt-n, Pt+n)을 추출한다. 다음으로, 두 점을 직선으로 잇는 코드(Chord)의 길이를 계산하고, 이를 Pt-n에서 n을 1씩 증가시키면서 Pt에 도달하기까지의 코드 길이를 모두 합산한다. 코드 길이가 커질수록 Pt는 코너점에 가까운 형태로 수렴하는 것이므로, 이를 이용하여 코너점을 검출할 수 있다.
이상의 코너점 검출 과정을 수식으로 나타내면 아래의 수학식 14와 같은데, 수학식 14는 코드 길이를 이용하여 특정 곡선에서 코너점을 판별할 수 있는 수치를 계산하는 방법에 대한 것이다.
Figure pat00017
수학식 14에서 hL(t)는 CPDA 곡선을 나타내고, L은 Pt를 이용한 코드 길이를 나타낸다.
또한 수학식 14에 의한 기준 코드 길이를 최대한계치(예컨대, 10, 20, 30등)로 하여 이를 변화시키며 코너점을 검출하는 수식은 하기 수학식 15와 같다. 수학식 15에서 j는 변화폭을 의미한다.
Figure pat00018
상기 수학식 15에 의해 누적된 값들을 이용해, 상대적으로 높은 수치를 가지는 위치의 점을 최종 코너점으로 검출할 수 있다.
마지막으로, 불규칙성 검사부(40)는 제1 코너점 검출부(401) 및 제2 코너점 검출부(402)에 의하여 공통적으로 검출된 코너점의 개수를 최종 코너점의 개수로 산출할 수 있다.
도 8a 및 8b는 본 발명의 실시예들에 따른 흑색종 검사 방법에서 불규칙성 검사 방법에 따른 코너 검출 결과를 나타내는 이미지로서, 도 8a는 제1 코너점 검출부(401)에 의해 검출된 코너점들을 나타내고, 도 8b는 제2 코너점 검출부(402)에 의해 검출된 코너점들을 나타낸다. 도시되는 것과 같이, 제1 코너점 검출부(401)에 의해서는 변화량이 적은 약한 코너점(weak corner)(800)이 다수 포함되어 검출되었으며, 제2 코너점 검출부(402)에 의해서는 변화량이 많은 코너점 위주로 검출되었다. 따라서, 각 검출부(401, 402)에 의해 공통으로 검출된 코너점의 개수만을 계수함으로써 데이터의 일관성과 정확도를 높이고 연산 부담을 줄일 수 있다.
색상 검출부(50)는 피부 이미지의 색상을 통하여 흑색종의 검사를 수행한다. 일반적인 점의 경우, 점 내의 색상 분포가 거의 균일하며, 색상의 밝기 차이가 균등하게 일정하고, 색 분류가 거의 일정한 형태를 지닌다. 반면, 흑색종의 경우에는 병변 영역에서, 하얀색, 붉은색, 짙은 갈색, 옅은 갈색, 검은색, 회색 등의 조직들이 불규칙하게 분포되어 있는 현상을 볼 수 있다.
색상 검출부(50)는, 위와 같은 병변 내 불규칙한 색상 분포를 관찰하기 위하여, 먼저 RGB 형태의 피부 이미지를 색상 유사도에 의해 군집화(clustering)한다(S7). 즉, 이미지에서 비슷한 색상을 가지는 픽셀들은 하나의 군집으로 묶이게 된다. 이와 같이 생성된 군집화 이미지의 각 군집 중에서 병변으로서 유효한 군집 영역을 판별하고, 해당 군집 내에서 색 분포에 대한 표준편차를 산출함으로써 색상의 불규칙성을 판단하게 된다(S8).
도 9의 (a)는 본 발명의 일 실시예에 따른 흑색종 검사 방법에 의하여 피부 원본 이미지로부터 생성된 군집화 이미지로서, K-평균 군집화(K-means Clustering) 알고리즘을 사용하여 생성된 군집화 이미지의 예시를 나타낸다. 군집의 개수를 나타내는 K를 증가시킬수록 군집이 더욱 세분화시켜 색상 영역 분포에 대한 분석이 가능하다. 도 9의 (a)에 도시된 예시의 경우 K=5로 하여 군집화를 수행하였으며, K-평균 군집화(K-means Clustering) 알고리즘의 구체적인 연산 과정은 잘 알려져 있으므로, 발명의 요지를 명확하게 하기 위하여 자세한 설명을 생략한다.
본 발명의 일 실시예에서는, 군집화 이미지에서, 병변 영역의 바깥부분은 피부의 일부의 색을 나타내므로 제외하고, 나머지 유효한 군집의 영역만 선택하여 사용한다. 도 9의 (b) 내지 (d)는 도 9의 (a)에 도시된 군집화 이미지를 각각의 군집으로 분할한 것으로서, 도 9의 (c) 내지 (e)에 도시된 군집은 피부 색과 색상 분포가 오차가 크지 않으므로, 도 9의 (a) 및 (b)에 도시된 군집에 대해서만 색상 값의 표준편차를 수행할 수 있다.
지름 검사부(60)는, 관심영역 이미지를 이용하여 병변의 지름을 산출한다(S9). 피부 흑색종 영역의 경우 일반적인 점과 비교하여 더 지름이 큰 경향을 갖는다. 예를 들면, 흑색종의 경우 지름이 6mm 이상인 경우가 많다. 종래의 경우 의사가 흑색종 영역으로 의심되는 병변에 직접 도구를 대고 지름을 육안으로 측정하였으나, 본 실시예에 의하면 지름 검사부(60)에 의해 자동화된 방법으로 병변 지름을 측정하게 된다. 예를 들어, 일 실시예에서 지름 검사부(60)는, 병변 영역 안에서 가장 큰 내접원을 그리고, 내접원의 지름을 측정하는 방식으로 병변의 지름을 검사한다.
본 발명의 일 실시예에서는, 전술한 대칭성 검사부(30), 불규칙성 검사부(40), 색상 검사부(50) 및 지름 검사부(60) 각각에 의하여 산출된 측정 결과를 이용하여 기계학습부(70)에서 기계학습을 수행함으로써 흑색종을 분류하기 위한 기준을 도출할 수 있다(S10). 기계학습은 컴퓨터로 가상머신을 학습시켜 자동으로 데이터를 라벨링(labeling)하거나 경향을 예측하는데 사용되는데, 본 실시예의 기계학습부(70)는 데이터를 정답으로 분류하는 과정에 주로 사용되는 서포트 벡터 머신(Support Vector Machine; SVM)을 이용하여 흑색종 분류 기준을 도출할 수 있다.
구체적으로는, 흑색종인지 여부를 미리 알고 있는 피부 원본 이미지에 대하여 대칭성 검사부(30), 불규칙성 검사부(40), 색상 검사부(50) 및 지름 검사부(60) 각각에 의하여 산출된 측정 결과를 훈련 셋(training set)에 해당하는 입력 데이터로서 기계학습부(70)에 입력할 수 있다. 예컨대, 입력 데이터는 비대칭성 수치(%), 코너점의 개수, 색상의 불규칙성(색상값 표준편차), 병변의 반경 등과 같은 정보를 특징(feature)으로 포함할 수 있다.
기계학습부(70)에서는 SVM을 이용하여 직관적으로 분류가 힘든 이상의 입력 데이터로부터 확률적으로 평가 모델을 구성함으로써, 흑색종 분류 기준을 도출할 수 있다. SVM의 구체적인 데이터 셋 형태 및 연산 과정 등은 통상의 기술자에게 잘 알려져 있으므로, 발명의 요지를 명확하게 하기 위하여 자세한 설명은 생략한다. 이상의 과정을 거친 후, 흑색종인지 여부를 알지 못하는 피부 이미지를 기계학습부(70)에 입력함으로써 확률적으로 흑색종인지 여부를 판별할 수 있다.
이상에서 설명한 실시예들에 따른 흑색종 검사 방법에 의한 동작은 적어도 부분적으로 컴퓨터 프로그램으로 구현되고 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다. 실시예들에 따른 흑색종 검사 방법에 의한 동작을 구현하기 위한 프로그램이 기록되고 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수도 있다. 또한, 본 실시예를 구현하기 위한 기능적인 프로그램, 코드 및 코드 세그먼트(segment)들은 본 실시예가 속하는 기술 분야의 통상의 기술자에 의해 용이하게 이해될 수 있을 것이다.
이상에서 살펴본 본 발명은 도면에 도시된 실시예들을 참고로 하여 설명하였으나 이는 예시적인 것에 불과하며 당해 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 실시예의 변형이 가능하다는 점을 이해할 것이다. 그러나, 이와 같은 변형은 본 발명의 기술적 보호범위 내에 있다고 보아야 한다. 따라서, 본 발명의 진정한 기술적 보호범위는 첨부된 특허청구범위의 기술적 사상에 의해서 정해져야 할 것이다.
10 : 입력부 20 : 전처리부
30 : 대칭성 검사부 40 : 불규칙성 검사부
401 : 제1 코너점 검출부 402 : 제2 코너점 검출부
50 : 색상 검사부 60 : 지름 검사부
70 : 기계 학습부

Claims (15)

  1. 피부 이미지로부터 병변을 포함하는 관심영역 이미지를 생성하는 전처리부;
    상기 관심영역 이미지를 복수의 부분으로 분할하고 분할된 부분들 사이의 유사도를 검출하는 대칭성 검사부;
    상기 관심영역 이미지의 외곽선을 추출하고, 추출된 상기 외곽선에 포함된 코너점의 개수를 산출하는 불규칙성 검사부;
    상기 피부 이미지에서 색상 유사도가 미리 설정된 기준값 이상인 영역들을 군집화함으로써 군집화된 이미지를 생성하고, 각 군집 내의 색상 표준편차를 산출하도록 구성된 색상 검사부; 및
    상기 관심영역 이미지를 이용하여 병변 지름을 산출하도록 구성된 지름 검사부를 포함하는 것을 특징으로 하는 흑색종 검사 시스템.
  2. 제1항에 있어서,
    상기 불규칙성 검사부는, 상기 관심영역 이미지로부터 서로 상이한 복수의 방법을 이용하여 상기 코너점을 검출하고, 상기 복수의 방법에서 공통적으로 검출된 상기 코너점의 개수를 산출하도록 더 구성된 것을 특징으로 하는 흑색종 검사 시스템.
  3. 제2항에 있어서,
    상기 불규칙성 검사부는,
    상기 관심영역 이미지의 외곽선에 상응하는 복수 개의 가우시안 곡선을 생성하고, 상기 복수 개의 가우시안 곡선으로부터 상기 코너점을 검출하도록 구성된 제1 코너점 검출부; 및
    상기 관심영역 이미지의 외곽선상의 각 점에 대하여, 상기 각 점과 이격되어 상기 각 점의 양쪽에 위치하는 점들 사이의 거리를 합산한 값을 산출하고, 상기 외곽선 상의 각 점에 대해 산출된 상기 값을 비교하여 상기 코너점을 검출하도록 구성된 제2 코너점 검출부를 포함하며,
    상기 제1 코너점 검출부 및 상기 제2 코너점 검출부에 의하여 공통적으로 검출된 상기 코너점의 개수를 산출하도록 더 구성된 것을 특징으로 하는 흑색종 검사 시스템.
  4. 제1항에 있어서,
    상기 전처리부는, 상기 피부 이미지로부터 병변을 포함하는 영역을 검출하고, 검출된 상기 영역의 밝기를 정규화함으로써 상기 관심영역 이미지를 생성하도록 더 구성된 것을 특징으로 하는 흑색종 검사 시스템.
  5. 제4항에 있어서,
    상기 전처리부는, 밝기가 정규화된 이미지를 2진화하여 상기 관심영역 이미지를 생성하도록 더 구성된 것을 특징으로 하는 흑색종 검사 시스템.
  6. 제1항에 있어서,
    상기 지름 검사부는, 상기 관심영역 이미지에 포함된 병변 내에 그릴 수 있는 가장 큰 내접원의 지름을 산출하도록 더 구성된 것을 특징으로 하는 흑색종 검사 시스템.
  7. 제1항에 있어서,
    상기 대칭성 검사부, 상기 불규칙성 검사부, 상기 색상 검사부 및 상기 지름 검사부 각각의 측정 결과를 입력값으로 한 기계 학습에 의하여 흑색종을 분류 기준을 결정하도록 구성된 기계학습부를 더 포함하는 것을 특징으로 하는 흑색종 검사 시스템.
  8. 피부 이미지로부터 병변을 포함하는 관심영역 이미지를 생성하는 단계;
    상기 관심영역 이미지를 복수의 부분으로 분할하는 단계;
    분할된 상기 복수의 부분들 사이의 유사도를 검출하는 단계;
    상기 관심영역 이미지의 외곽선을 추출하는 단계;
    추출된 상기 외곽선에 포함된 코너점의 개수를 산출하는 단계;
    상기 피부 이미지에서 색상 유사도가 미리 설정된 기준값 이상인 영역들을 군집화함으로써 군집화된 이미지를 생성하는 단계;
    상기 군집화된 이미지의 각 군집 내의 색상 표준편차를 산출하는 단계; 및
    상기 관심영역 이미지를 이용하여 병변 지름을 산출하는 단계를 포함하는 것을 특징으로 하는 흑색종 검사 방법.
  9. 제8항에 있어서,
    상기 코너점의 개수를 산출하는 단계는,
    상기 관심영역 이미지로부터 서로 상이한 복수의 방법을 이용하여 상기 코너점을 검출하는 단계; 및
    상기 복수의 방법에서 공통적으로 검출된 상기 코너점의 개수를 산출하는 단계를 포함하는 것을 특징으로 하는 흑색종 검사 방법.
  10. 제8항에 있어서,
    상기 코너점의 개수를 산출하는 단계는,
    상기 관심영역 이미지의 외곽선에 상응하는 복수 개의 가우시안 곡선을 생성하는 단계;
    상기 복수 개의 가우시안 곡선으로부터 제1 코너점을 검출하는 단계;
    상기 관심영역 이미지의 외곽선상의 각 점에 대하여, 상기 각 점과 이격되어 상기 각 점의 양쪽에 위치하는 점들 사이의 거리를 합산한 값을 산출하는 단계;
    상기 외곽선 상의 각 점에 대해 산출된 상기 값을 비교하여 제2 코너점을 검출하는 단계; 및
    상기 제1 코너점과 상기 제2 코너점이 동일한 것을 계수함으로써 상기 코너점의 개수를 산출하는 단계를 포함하는 것을 특징으로 하는 흑색종 검사 방법.
  11. 제8항에 있어서,
    상기 관심영역 이미지를 생성하는 단계는,
    상기 피부 이미지로부터 병변을 포함하는 영역을 검출하는 단계; 및
    검출된 상기 영역의 밝기를 정규화하는 단계를 포함하는 것을 특징으로 하는 흑색종 검사 방법.
  12. 제11항에 있어서,
    상기 관심영역 이미지를 생성하는 단계는, 밝기가 정규화된 이미지를 2진화하는 단계를 더 포함하는 것을 특징으로 하는 흑색종 검사 방법.
  13. 제8항에 있어서,
    상기 병변 지름을 산출하는 단계는, 상기 관심영역 이미지에 포함된 병변 내에 그릴 수 있는 가장 큰 내접원의 지름을 산출하는 단계를 포함하는 것을 특징으로 하는 흑색종 검사 방법.
  14. 제8항에 있어서,
    상기 유사도를 검출하는 단계; 상기 코너점의 개수를 산출하는 단계; 상기 색상 표준편차를 산출하는 단계 및 상기 병변 지름을 산출하는 단계 각각의 결과를 입력값으로 한 기계 학습에 의하여 흑색종 분류 기준을 결정하는 단계를 더 포함하는 것을 특징으로 하는 흑색종 검사 방법.
  15. 하드웨어와 결합되어,
    피부 이미지로부터 병변을 포함하는 관심영역 이미지를 생성하는 단계;
    상기 관심영역 이미지를 복수의 부분으로 분할하는 단계;
    분할된 상기 복수의 부분들 사이의 유사도를 검출하는 단계;
    상기 관심영역 이미지의 외곽선을 추출하는 단계;
    추출된 상기 외곽선에 포함된 코너점의 개수를 산출하는 단계;
    상기 피부 이미지에서 색상 유사도가 미리 설정된 기준값 이상인 영역들을 군집화함으로써 군집화된 이미지를 생성하는 단계;
    상기 군집화된 이미지의 각 군집 내의 색상 표준편차를 산출하는 단계; 및
    상기 관심영역 이미지를 이용하여 병변 지름을 산출하는 단계를 실행하도록 기록매체에 저장된 컴퓨터 프로그램.
KR1020160139855A 2016-10-26 2016-10-26 이미지 분석을 이용한 흑색종 검사 시스템, 방법 및 컴퓨터 프로그램 KR20180045473A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160139855A KR20180045473A (ko) 2016-10-26 2016-10-26 이미지 분석을 이용한 흑색종 검사 시스템, 방법 및 컴퓨터 프로그램

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160139855A KR20180045473A (ko) 2016-10-26 2016-10-26 이미지 분석을 이용한 흑색종 검사 시스템, 방법 및 컴퓨터 프로그램

Publications (1)

Publication Number Publication Date
KR20180045473A true KR20180045473A (ko) 2018-05-04

Family

ID=62199557

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160139855A KR20180045473A (ko) 2016-10-26 2016-10-26 이미지 분석을 이용한 흑색종 검사 시스템, 방법 및 컴퓨터 프로그램

Country Status (1)

Country Link
KR (1) KR20180045473A (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102036052B1 (ko) * 2019-05-14 2019-10-24 주식회사 에프앤디파트너스 인공지능 기반으로 비규격화 피부 이미지의 의료 영상 적합성을 판별 및 변환하는 장치
KR20210014267A (ko) * 2019-07-30 2021-02-09 주식회사 힐세리온 초음파 이미지상의 특징점들을 이용한 초음파 지방간 자동 진단 장치 및 이를 이용한 원격 의료 진단 방법
KR20220070816A (ko) * 2020-11-23 2022-05-31 한림대학교 산학협력단 인공지능 기반 피부암 판단을 위한 제어 방법, 장치 및 프로그램
WO2022170970A1 (zh) * 2021-02-09 2022-08-18 西安大医集团股份有限公司 放疗计划的生成方法、放疗计划系统及存储介质
CN116258968A (zh) * 2023-05-10 2023-06-13 蒙阴县国有林场总场(蒙阴县国有岱崮林场) 一种林果病虫管理方法及系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102036052B1 (ko) * 2019-05-14 2019-10-24 주식회사 에프앤디파트너스 인공지능 기반으로 비규격화 피부 이미지의 의료 영상 적합성을 판별 및 변환하는 장치
KR20210014267A (ko) * 2019-07-30 2021-02-09 주식회사 힐세리온 초음파 이미지상의 특징점들을 이용한 초음파 지방간 자동 진단 장치 및 이를 이용한 원격 의료 진단 방법
KR20220070816A (ko) * 2020-11-23 2022-05-31 한림대학교 산학협력단 인공지능 기반 피부암 판단을 위한 제어 방법, 장치 및 프로그램
WO2022170970A1 (zh) * 2021-02-09 2022-08-18 西安大医集团股份有限公司 放疗计划的生成方法、放疗计划系统及存储介质
CN116258968A (zh) * 2023-05-10 2023-06-13 蒙阴县国有林场总场(蒙阴县国有岱崮林场) 一种林果病虫管理方法及系统

Similar Documents

Publication Publication Date Title
Amin et al. A method for the detection and classification of diabetic retinopathy using structural predictors of bright lesions
Abbas et al. Melanoma recognition framework based on expert definition of ABCD for dermoscopic images
US11638522B2 (en) Automated determination of arteriovenous ratio in images of blood vessels
Cavalcanti et al. Automated prescreening of pigmented skin lesions using standard cameras
Seoud et al. Red lesion detection using dynamic shape features for diabetic retinopathy screening
Zortea et al. A simple weighted thresholding method for the segmentation of pigmented skin lesions in macroscopic images
Marin et al. Obtaining optic disc center and pixel region by automatic thresholding methods on morphologically processed fundus images
KR20180045473A (ko) 이미지 분석을 이용한 흑색종 검사 시스템, 방법 및 컴퓨터 프로그램
EP2847738B1 (en) Method and apparatus for image scoring and analysis
Messadi et al. Segmentation and ABCD rule extraction for skin tumors classification
Hsu et al. Chronic wound assessment and infection detection method
Aquino Establishing the macular grading grid by means of fovea centre detection using anatomical-based and visual-based features
CN111028206A (zh) 一种基于深度学习前列腺癌自动检测和分类系统
US11321841B2 (en) Image analysis method, image analysis device, image analysis system, and storage medium
Madooei et al. Automatic detection of blue-white veil by discrete colour matching in dermoscopy images
Riaz et al. Detecting melanoma in dermoscopy images using scale adaptive local binary patterns
WO2012078636A1 (en) Optimal, user-friendly, object background separation
Celik et al. Bioimage informatics approach to automated meibomian gland analysis in infrared images of meibography
Cavalcanti et al. Macroscopic pigmented skin lesion segmentation and its influence on lesion classification and diagnosis
Ribeiro et al. Handling inter-annotator agreement for automated skin lesion segmentation
KR20160012114A (ko) 스펙트럼 이미지화에 의해 생물학적 시료를 분석하기 위한 방법 및 시스템
Ba et al. Diagnostic assessment of deep learning for melanocytic lesions using whole-slide pathological images
KR20150063995A (ko) 영상 처리 장치 및 방법
Tavakoli et al. Unsupervised automated retinal vessel segmentation based on Radon line detector and morphological reconstruction
Jiang et al. Structural performance evaluation of curvilinear structure detection algorithms with application to retinal vessel segmentation

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