KR20190067551A - 통계적 적응식 추정함수 모델링 기법을 통한 진단 의료 영상의 대비 향상 방법 - Google Patents

통계적 적응식 추정함수 모델링 기법을 통한 진단 의료 영상의 대비 향상 방법 Download PDF

Info

Publication number
KR20190067551A
KR20190067551A KR1020170167605A KR20170167605A KR20190067551A KR 20190067551 A KR20190067551 A KR 20190067551A KR 1020170167605 A KR1020170167605 A KR 1020170167605A KR 20170167605 A KR20170167605 A KR 20170167605A KR 20190067551 A KR20190067551 A KR 20190067551A
Authority
KR
South Korea
Prior art keywords
value
pixel
medical image
diagnostic medical
pixel value
Prior art date
Application number
KR1020170167605A
Other languages
English (en)
Other versions
KR102007525B1 (ko
Inventor
전준현
조운
정대원
Original Assignee
동국대학교 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 동국대학교 산학협력단 filed Critical 동국대학교 산학협력단
Priority to KR1020170167605A priority Critical patent/KR102007525B1/ko
Publication of KR20190067551A publication Critical patent/KR20190067551A/ko
Application granted granted Critical
Publication of KR102007525B1 publication Critical patent/KR102007525B1/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Image Processing (AREA)
  • Facsimile Image Signal Circuits (AREA)

Abstract

진단 의료 영상의 대비 향상 방법으로서, (a) 입력된 진단 의료 영상의 통계적 파라미터를 추출하는 단계; (b) 추출된 통계적 파라미터에 기반하여 활성화 픽셀 영역과 비활성화 픽셀 영역을 구분하는 단계; (c) 상기 입력된 진단 의료 영상 중 상기 비활성화 픽셀 영역에 대해서는 해당 원본 영상의 확률밀도함수를 그대로 적용하고, 상기 활성화 필셀 영역에 대해서는 기모델링된 감마분포곡선에 따른 확률밀도함수를 적용하는 적응식 맵핑 함수를 획득하는 단계; 및 (d) 상기 획득된 적응식 맵핑 함수에 기반하여 상기 입력된 진단 의료 영상에 관한 영상 히스토그램을 재조정하는 단계를 포함하는 진단 의료 영상의 대비 향상 방법이 제공된다.

Description

통계적 적응식 추정함수 모델링 기법을 통한 진단 의료 영상의 대비 향상 방법{METHOD FOR CONTRAST ENHANCEMENT OF MEDICAL DIAGNOSTIC IMAGE USING STATISTICAL ESTIMATION AND MAPPING FUNCTION MODELING TECHNIQUE}
본 발명은 진단 의료 영상의 대비 향상 방법에 관한 것으로서, 보다 구체적으로는 통계적 적응식 추정함수 모델링 기법을 이용한 진단 의료 영상의 대비 향상 방법에 관한 것이다.
오늘날 과학기술의 발전과 의료시스템의 첨단화에 따라 임상에서의 진단의료영상은 정확한 진단을 위하여 필수적인 요소로 자리잡게 되었다. 그러나 현재까지 병증 진단은 전문의료인의 시각적 판단으로 이루어지고 있고, 이에 진단의료영상 처리 기법이 진단율 향상에 도움을 줄 수 있는 단계까지 도달하였다.
고화질 디지털 진단의료영상의 화질을 개선하기 위한 영상 처리 기법 중 하나로써 영상의 대비 향상(Contrast Enhancement) 기법이 존재한다. 이러한 대비 향상 기법은 영상에 포함된 주요 부분에 대한 대비를 극대화시켜 영상이 지닌 정보를 좀더 정확히 표현해 낼 수 있기 때문에, Human & Computer Vision, 텍스처 합성, 진단의료영상처리 등 여러 분야에서 활용되고 있다.
기존의 대비 향상 기법으로는 히스토그램 평활화(Histogram Equalization, HE) 기법이 보편적으로 사용되고 있다. HE는 입력 영상 Gray Level의 누적 확률 분포를 기반으로 영상의 히스토그램을 재조정 하는 방법이다. 간단한 방법이지만 연산에 비해 효과가 두드러져 여러 분야에서 빈번하게 사용된다. 그러나 이 기법은 입력영상의 통계특성에 유연하게 대처하지 못한다는 단점을 지닌다.
특히 진단 의료 영상의 경우 대부분의 영상의 배경이 검은색이고 히스토그램 상에서도 검은색을 띄는 픽셀의 분포가 다른 픽셀에 비해 압도적으로 많기 때문에, 히스토그램 평활화 기법을 적용하더라도 효과적인 대비 향상을 기대하기는 어렵다.
본 발명은 일반 영상과 통계적 특성이 다른 진단 의료 영상의 대비 향상(contrast enhancement)을 위한 적응식 추정함수 모델링 기법에 관한 것으로, 원 진단 의료 영상으로부터 통계적 파라미터를 추출하여 활성화 픽셀을 구분하고 맵핑 함수를 모델링하여, 영상의 주요 활성화 픽셀을 강화하여 대비를 향상시키는 기법을 제공하고자 한다.
본 발명의 일 측면에 따르면, 진단 의료 영상의 대비 향상 방법으로서, (a) 입력된 진단 의료 영상의 통계적 파라미터를 추출하는 단계; (b) 추출된 통계적 파라미터에 기반하여 활성화 픽셀 영역과 비활성화 픽셀 영역을 구분하는 단계; (c) 상기 입력된 진단 의료 영상 중 상기 비활성화 픽셀 영역에 대해서는 해당 원본 영상의 확률밀도함수를 그대로 적용하고, 상기 활성화 필셀 영역에 대해서는 기모델링된 감마분포곡선에 따른 확률밀도함수를 적용하는 적응식 맵핑 함수를 획득하는 단계; 및 (d) 상기 획득된 적응식 맵핑 함수에 기반하여 상기 입력된 진단 의료 영상에 관한 영상 히스토그램을 재조정하는 단계를 포함하는 진단 의료 영상의 대비 향상 방법이 제공된다.
본 발명의 다른 측면에 따르면, 입력된 진단 의료 영상을 저장하는 메모리와, 상기 진단 의료 영상의 처리를 위한 적어도 하나의 프로세서를 포함하는 진단 의료 영상 처리 시스템이 제공된다. 여기서, 상기 프로세서는, 입력된 진단 의료 영상의 통계적 파라미터를 추출하고, 추출된 통계적 파라미터에 기반하여 활성화 픽셀 영역과 비활성화 픽셀 영역을 구분하며, 상기 입력된 진단 의료 영상 중 상기 비활성화 픽셀 영역에 대해서는 해당 원본 영상의 확률밀도함수를 그대로 적용하고 상기 활성화 필셀 영역에 대해서는 기모델링된 감마분포곡선에 따른 확률밀도함수를 적용하는 적응식 맵핑 함수를 획득하고, 상기 획득된 적응식 맵핑 함수에 기반하여 상기 입력된 진단 의료 영상에 관한 영상 히스토그램을 재조정함으로써, 상기 입력된 진단 의료 영상의 대비(contrast)를 향상시킬 수 있다.
본 발명의 실시예에 의하면, 각 진단 의료 영상 별 통계적 파라미터를 이용하여 히스토그램을 조정하고 대비를 향상 시킨다는 점에서 적응식이고 최적화된 알고리즘이라 할 수 있으며, 또한 활성화/비활성화 영역을 구분하여 처리하므로 기존의 대비 향상 알고리즘 보다 나은 연산 효율을 보이는 이점이 있다.
도 1은 본 발명의 실시예에 따른 진단 의료 영상의 대비 향상 방법에 관한 전체 시스템 플로우.
도 2 및 도 3은 본 발명의 실시예에 따라 활성화 영역과 비활성화 영역의 경계점을 찾아가는 알고리즘에 관한 순서도.
도 4는 진단 의료 영상의 히스토그램의 일 예시.
도 5는 입력된 진단 의료 영상 중 활성화 영역의 확률밀도함수의 일 예시.
도 6은 입력된 진단 의료 영상으로부터 추출된 통계적 파라미터를 기반으로 하는 감마 분포 곡선의 일 예시.
도 7은 본 발명의 실시예에 따라 획득된 맵핑 함수의 일 예시.
도 8은 본 발명의 실시예에 따라 대비 향상된 진단 의료 영상의 예시들.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
본 발명을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 명세서의 설명 과정에서 이용되는 숫자(예를 들어, 제1, 제2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.
또한, 명세서 전체에서, 일 구성요소가 다른 구성요소와 "연결된다" 거나 "접속된다" 등으로 언급된 때에는, 상기 일 구성요소가 상기 다른 구성요소와 직접 연결되거나 또는 직접 접속될 수도 있지만, 특별히 반대되는 기재가 존재하지 않는 이상, 중간에 또 다른 구성요소를 매개하여 연결되거나 또는 접속될 수도 있다고 이해되어야 할 것이다.
또한, 명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하나 이상의 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 조합으로 구현될 수 있음을 의미한다.
도 1은 본 발명의 실시예에 따른 진단 의료 영상의 대비 향상 방법에 관한 전체 시스템 플로우이고, 도 2 및 도 3은 본 발명의 실시예에 따라 활성화 영역과 비활성화 영역의 경계점을 찾아가는 알고리즘에 관한 순서도이다. 또한, 도 4는 진단 의료 영상의 히스토그램의 일 예시이고, 도 5는 입력된 진단 의료 영상 중 활성화 영역의 확률밀도함수의 일 예시이며, 도 6은 입력된 진단 의료 영상으로부터 추출된 통계적 파라미터를 기반으로 하는 감마 분포 곡선의 일 예시이고, 도 7은 본 발명의 실시예에 따라 획득된 맵핑 함수의 일 예시이며, 도 8은 본 발명의 실시예에 따라 대비 향상된 진단 의료 영상의 예시들이다.
이하, 도 1 ~ 도 3을 중심으로 함께 첨부된 다른 도면들을 참조하여 본 발명의 실시예를 상세히 설명한다.
본 발명의 실시예에 따른 진단 의료 영상의 대비 향상 방법은, (a) 입력된 진단 의료 영상의 통계적 파라미터를 추출하는 단계[도 1의 S10 및 S20 참조]; (b) 추출된 통계적 파라미터에 기반하여 활성화 픽셀 영역과 비활성화 픽셀 영역을 구분하는 단계; (c) 상기 입력된 진단 의료 영상 중 상기 비활성화 픽셀 영역에 대해서는 해당 원본 영상의 확률밀도함수를 그대로 적용하고, 상기 활성화 필셀 영역에 대해서는 기모델링된 감마분포곡선에 따른 확률밀도함수를 적용하는 적응식 맵핑 함수를 획득하는 단계[도 1의 S30]; 및 (d) 상기 획득된 적응식 맵핑 함수에 기반하여 상기 입력된 진단 의료 영상에 관한 영상 히스토그램을 재조정함으로써, 입력된 진단 의료 영상의 대비(contrast)를 향상시키는 단계[도 1의 S40 참조]를 포함한다.
즉, 본 발명에서는 진단 의료 영상을 입력 받아 통계적 파라미터를 추출한 후, 이를 바탕으로 활성화/비활성화 픽셀 영역을 구분한 뒤, 비활성화 픽셀 영역으로 판단된 픽셀들에 대해서는 기존 입력 영상 그대로의 확률밀도함수를 적용하고(결국, 비활성화 픽셀 영역에 해당하는 픽셀들에 대해서는 아무런 대비 향상 처리를 하지 않고), 활성화 픽셀 영역으로 판단된 픽셀들에 대해서는 감마 분포 곡선을 유도하여 입력 영상의 히스토그램을 최적화하는 방식에 의함으로써 그 효율(대비 향상율 및 연산 속도)을 높였다.
여기서, 비활성화 픽셀 영역은 진단 의료 영상의 배경에서와 같이 비정상적인 분포를 가지거나 또는 정보적인 측면에서 중요하지 않은 픽셀들을 칭한다. 또한 여기서, 상기 통계적 파라미터는, 그레이 스케일(gray scale)의 진단 의료 영상을 기준으로 할 때, 해당 영상의 전체 픽셀값들의 평균값(μ)과, 해당 영상의 전체 픽셀값들에 관한 분산값(σ2) 및 표준편차값(σ) 중 어느 하나와 관련된다. 또한, 본 발명에서는 비활성화/활성화 영역 간의 경계점을 찾아 활성화 픽셀 영역만을 분리한 후, 비활성화 픽셀 영역으로 판단된 픽셀들은 기존 입력 영상의 확률밀도함수를, 활성화 픽셀 영역으로 판단된 픽셀들은 기 모델링 된 감마분포 곡선을 각각 사용하여 하기의 수학식 1과 같이 하나의 적응식 맵핑 함수를 설계하게 된다. 이에 대해서는 이하의 설명으로부터 보다 쉽게 이해될 수 있을 것이다.
이에 관한 설명으로서, 활성화 픽셀 영역 및 비활성화 픽셀 영역을 분리해내는 알고리즘에 관하여 도 2 및 도 3를 참조하여 설명하면 다음과 같다.
먼저, 도 2를 참조하면, 활성화 픽셀 영역과 비활성화 픽셀 영역을 구분함에 있어서, 상기 입력된 진단 의료 영상 중 픽셀값(i)이 상기 평균값(μ) 보다 작은 값을 갖는 픽셀들의 경우,
(STEP1) 상기 입력된 진단 의료 영상의 상기 평균값(μ)과 2σ 간의 대소 비교 결과에 따라[도 2의 S210 참조], 상기 평균값이 2σ보다 작은 값을 갖는 경우 상기 평균값(μ)에 대한 정수값(int(μ))을, 그렇지 않은 경우 상기 평균값(μ)에서 2σ를 뺀 값에 대한 정수값(int(μ-2σ))을 제1 기준 픽셀값으로 설정한다.
(STEP2) 상기 제1 기준 픽셀값으로부터 시작하여 제1 조건을 만족할 때까지 픽셀값을 1씩 감산함으로써 제1 경계점을 획득한다. 여기서, 상기 제1 조건은 해당 픽셀값이 나올 확률(p(i))이 상기 진단 의료 영상의 전체 픽셀값들에 관한 확률의 평균(Pt)보다 커지는 조건을 의미한다. 이에 따라, p(i)가 Pt보다 커지는 최초의 픽셀값이 상기 제1 경계점으로 획득될 수 있다[도 2의 S220 참조].
(STEP3) 이에 따라, 상기 제1 경계점의 픽셀값(Tl) 이하의 픽셀값들은 제1 비활성화 픽셀 영역으로 구분되고, 상기 제1 경계점의 픽셀값(Tl)을 초과하는 픽셀값들은 제1 활성화 픽셀 영역으로 구분되게 된다.
아울러, 도 3을 참조하면, 활성화 픽셀 영역과 비활성화 픽셀 영역을 구분함에 있어서, 상기 입력된 진단 의료 영상 중 픽셀값이 상기 평균값(μ) 보다 큰 값을 갖는 픽셀들의 경우,
(STEP1) 상기 입력된 진단 의료 영상의 상기 평균값(μ)과 2σ의 합산값과 최대 픽셀값(본 예에서는 255임) 간의 대소 비교 결과에 따라[도 3의 S310 참조], 상기 합산값이 상기 최대 픽셀값 보다 큰 값을 갖는 경우 상기 평균값(μ)에 대한 정수값(int(μ))을, 그렇지 않은 경우 상기 합산값에 대한 정수값(int(μ+2σ))을 제2 기준 픽셀값으로 설정한다.
(STEP2) 상기 제2 기준 픽셀값으로부터 시작하여 제2 조건을 만족할 때까지 픽셀값을 1씩 가산함으로써 제2 경계점을 획득한다. 여기서, 상기 제2 조건은 해당 픽셀값이 나올 확률(p(i))이 상기 진단 의료 영상의 전체 픽셀값들에 관한 확률의 평균(Pt)보다 커지는 조건을 의미한다. 이에 따라, p(i)가 Pt보다 커지는 최초의 픽셀값이 상기 제2 경계점으로 획득될 수 있다[도 3의 S320 참조].
(STEP3) 이에 따라, 상기 제2 경계점의 픽셀값(Th) 미만의 픽셀값들은 제2 활성화 픽셀 영역으로 구분되고, 상기 제2 경계점의 픽셀값(Th) 이상의 픽셀값들은 제2 비활성화 픽셀 영역으로 구분되게 된다.
상술한 바와 같은 방식으로 활성화 픽셀 영역과 비활성화 픽셀 영역이 구분되면, 각 픽셀 영역에 따라 하기 수학식 1과 같은 적응식 맵핑 함수를 모델링할 수 있다.
Figure pat00001
여기서, p(x)는 입력된 진단 의료 영상의 본래의 확률밀도함수를 나타내고, pl(x) 및 ph(x)는 제1 및 제2 활성화 픽셀 영역 각각의 픽셀값들의 평균값 및 분산값에 기반하여 모델링되는 감마분포곡선에 따른 확률밀도함수를 나타낸다.
즉, 수학식 1의 첫번째 행의 맵핑 함수는 제1 비활성화 픽셀 영역에 관한 맵핑 함수로서 진단 의료 영상 본래의 확률밀도함수를 적용한 것이고, 두번째 행의 맵핑 함수는 제1 활성화 픽셀 영역에 관한 맵핑 함수로서 제1 활성화 픽셀 영역의 픽셀값들의 평균값 및 분산값에 기반하여 모델링된 감마분포곡선에 따른 확률밀도함수를 적용한 것이며, 세번째 행의 맵핑 함수는 제2 활성화 픽셀 영역에 관한 맵핑 함수로서 제2 활성화 픽셀 영역의 픽셀값들의 평균값 및 분산값에 기반하여 모델링된 감마분포곡선에 따른 확률밀도함수를 적용한 것이고, 네번째 행의 맵핑 함수는 제2 비활성화 픽셀 영역에 관한 맵핑 함수로서 진단 의료 영상 본래의 확률밀도함수를 적용한 것이다.
이에 따르면, 일 예로서 도 4와 같은 히스토그램을 가지는 진단 의료 영상을 앞서 설명한 도 2 및 도 3의 알고리즘을 이용하여 픽셀 영역을 분리 했을 때 활성화 픽셀 영역의 확률밀도함수는 도 5와 같고, 이와 같이 분리된 활성화 픽셀 영역를 바탕으로 추출된 통계적 파라미터(즉, 각 활성화 픽셀 영역의 픽셀들의 평균값 및 분산값)를 이용한 감마 분포 곡선은 도 6과 같다. 이러한 방식으로 분리된 각 영역의 맵핑 함수를 종합하여 수학식 1과 같은 하나의 함수로 설계하고 이를 도시하면 도 7과 같다. 도 8의 (a)는 상-복부 CT, (b)는 하-두부 x-ray에 관하여, 최종적으로 얻어진 하나의 적응식 맵핑 함수를 가지고 진단 의료 영상에 적용했을 때 결과이다.
상술한 본 발명의 실시예에 따른 진단 의료 영상의 대비 향상 방법은, 입력된 진단 의료 영상을 저장하는 메모리와, 상기 진단 의료 영상의 처리를 위한 적어도 하나의 프로세서를 포함하는 진단 의료 영상 처리 시스템으로서, 상기 프로세서에 의해 실행될 수 있다.
또한, 상술한 본 발명의 실시예에 따른 진단 의료 영상의 대비 향상 방법은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로서 구현되는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체로는 컴퓨터 시스템에 의하여 해독될 수 있는 데이터가 저장된 모든 종류의 기록 매체를 포함한다. 예를 들어, ROM(Read Only Memory), RAM(Random Access Memory), 자기 테이프, 자기 디스크, 플래쉬 메모리, 광 데이터 저장장치 등이 있을 수 있다. 또한, 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 통신망으로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 읽을 수 있는 코드로서 저장되고 실행될 수 있다.
이상에서는 본 발명의 실시예를 참조하여 설명하였지만, 해당 기술 분야에서 통상의 지식을 가진 자라면 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 쉽게 이해할 수 있을 것이다.

Claims (11)

  1. 진단 의료 영상의 대비 향상 방법으로서,
    (a) 입력된 진단 의료 영상의 통계적 파라미터를 추출하는 단계;
    (b) 추출된 통계적 파라미터에 기반하여 활성화 픽셀 영역과 비활성화 픽셀 영역을 구분하는 단계;
    (c) 상기 입력된 진단 의료 영상 중 상기 비활성화 픽셀 영역에 대해서는 해당 원본 영상의 확률밀도함수를 그대로 적용하고, 상기 활성화 필셀 영역에 대해서는 기모델링된 감마분포곡선에 따른 확률밀도함수를 적용하는 적응식 맵핑 함수를 획득하는 단계; 및
    (d) 상기 획득된 적응식 맵핑 함수에 기반하여 상기 입력된 진단 의료 영상에 관한 영상 히스토그램을 재조정하는 단계
    를 포함하는 진단 의료 영상의 대비 향상 방법.
  2. 제1항에 있어서,
    상기 통계적 파라미터는, 그레이 스케일(gray scale)의 진단 의료 영상을 기준으로 할 때, 해당 영상의 전체 픽셀값들의 평균값(μ)과, 해당 영상의 전체 픽셀값들에 관한 분산값(σ2) 및 표준편차값(σ) 중 어느 하나와 관련되는, 진단 의료 영상의 대비 향상 방법.
  3. 제2항에 있어서,
    상기 단계 (b)에서, 상기 입력된 진단 의료 영상 중 픽셀값이 상기 평균값(μ) 보다 작은 값을 갖는 픽셀들의 경우,
    (b1) 상기 입력된 진단 의료 영상의 상기 평균값(μ)과 2σ 간의 대소 비교 결과에 따라, 상기 평균값이 2σ보다 작은 값을 갖는 경우 상기 평균값(μ)에 대한 정수값(int(μ))을, 그렇지 않은 경우 상기 평균값(μ)에서 2σ를 뺀 값에 대한 정수값(int(μ-2σ))을 제1 기준 픽셀값으로 설정하는 단계;
    (b2) 상기 제1 기준 픽셀값으로부터 시작하여 제1 조건을 만족할 때까지 픽셀값을 1씩 감산함으로써 제1 경계점을 획득하는 단계-여기서, 상기 제1 조건은 해당 픽셀값이 나올 확률(p(i))이 상기 진단 의료 영상의 전체 픽셀값들에 관한 확률의 평균(Pt)보다 커지는 조건을 의미하며, p(i)가 Pt보다 커지는 최초의 픽셀값이 상기 제1 경계점으로 획득됨-;
    (b3) 상기 제1 경계점의 픽셀값(Tl) 이하의 픽셀값들은 비활성화 픽셀 영역으로 구분되고, 상기 제1 경계점의 픽셀값(Tl)을 초과하는 픽셀값들은 제1 활성화 픽셀 영역으로 구분되는 단계
    를 포함하는, 진단 의료 영상의 대비 향상 방법.
  4. 제3항에 있어서,
    상기 단계 (b)에서, 상기 입력된 진단 의료 영상 중 픽셀값이 상기 평균값(μ) 보다 큰 값을 갖는 픽셀들의 경우,
    (b4) 상기 입력된 진단 의료 영상의 상기 평균값(μ)과 2σ의 합산값과 최대 픽셀값 간의 대소 비교 결과에 따라, 상기 합산값이 상기 최대 픽셀값 보다 큰 값을 갖는 경우 상기 평균값(μ)에 대한 정수값(int(μ))을, 그렇지 않은 경우 상기 합산값에 대한 정수값(int(μ+2σ))을 제2 기준 픽셀값으로 설정하는 단계;
    (b5) 상기 제2 기준 픽셀값으로부터 시작하여 제2 조건을 만족할 때까지 픽셀값을 1씩 가산함으로써 제2 경계점을 획득하는 단계-여기서, 상기 제2 조건은 해당 픽셀값이 나올 확률(p(i))이 상기 진단 의료 영상의 전체 픽셀값들에 관한 확률의 평균(Pt)보다 커지는 조건을 의미하며, p(i)가 Pt보다 커지는 최초의 픽셀값이 상기 제2 경계점으로 획득됨-;
    (b6) 상기 제2 경계점의 픽셀값(Th) 미만의 픽셀값들은 제2 활성화 픽셀 영역으로 구분되고, 상기 제2 경계점의 픽셀값(Th) 이상의 픽셀값들은 비활성화 픽셀 영역으로 구분되는 단계
    를 포함하는, 진단 의료 영상의 대비 향상 방법.
  5. 제4항에 있어서,
    상기 단계 (c)에서, 상기 적응식 맵핑 함수는 하기 수학식 1에 의해 정의되는, 진단 의료 영상의 대비 향상 방법.

    [수학식 1]
    Figure pat00002


    여기서, p(x)는 입력된 진단 의료 영상의 본래의 확률밀도함수를 나타내고, pl(x) 및 ph(x)는 제1 및 제2 활성화 픽셀 영역 각각의 픽셀값들의 평균값 및 분산값에 기반하여 모델링되는 감마분포곡선에 따른 확률밀도함수를 나타냄.
  6. 진단 의료 영상 처리 시스템으로서,
    입력된 진단 의료 영상을 저장하는 메모리와, 상기 진단 의료 영상의 처리를 위한 적어도 하나의 프로세서를 포함하되, 상기 프로세서는,
    입력된 진단 의료 영상의 통계적 파라미터를 추출하고,
    추출된 통계적 파라미터에 기반하여 활성화 픽셀 영역과 비활성화 픽셀 영역을 구분하며,
    상기 입력된 진단 의료 영상 중 상기 비활성화 픽셀 영역에 대해서는 해당 원본 영상의 확률밀도함수를 그대로 적용하고, 상기 활성화 필셀 영역에 대해서는 기모델링된 감마분포곡선에 따른 확률밀도함수를 적용하는 적응식 맵핑 함수를 획득하고,
    상기 획득된 적응식 맵핑 함수에 기반하여 상기 입력된 진단 의료 영상에 관한 영상 히스토그램을 재조정함으로써, 상기 입력된 진단 의료 영상의 대비(contrast)를 향상시키는 것을 특징으로 하는, 진단 의료 영상 처리 시스템.
  7. 제6항에 있어서,
    상기 통계적 파라미터는, 그레이 스케일(gray scale)의 진단 의료 영상을 기준으로 할 때, 해당 영상의 전체 픽셀값들의 평균값(μ)과, 해당 영상의 전체 픽셀값들에 관한 분산값(σ2) 및 표준편차값(σ) 중 어느 하나와 관련되는, 진단 의료 영상 처리 시스템.
  8. 제7항에 있어서,
    상기 프로세서는, 상기 활성화 픽셀 영역과 상기 비활성화 픽셀 영역을 구분함에 있어서, 상기 입력된 진단 의료 영상 중 픽셀값이 상기 평균값(μ) 보다 작은 값을 갖는 픽셀들의 경우,
    상기 입력된 진단 의료 영상의 상기 평균값(μ)과 2σ 간의 대소 비교 결과에 따라, 상기 평균값이 2σ보다 작은 값을 갖는 경우 상기 평균값(μ)에 대한 정수값(int(μ))을, 그렇지 않은 경우 상기 평균값(μ)에서 2σ를 뺀 값에 대한 정수값(int(μ-2σ))을 제1 기준 픽셀값으로 설정하고,
    상기 제1 기준 픽셀값으로부터 시작하여 제1 조건을 만족할 때까지 픽셀값을 1씩 감산함으로써 제1 경계점을 획득하며-여기서, 상기 제1 조건은 해당 픽셀값이 나올 확률(p(i))이 상기 진단 의료 영상의 전체 픽셀값들에 관한 확률의 평균(Pt)보다 커지는 조건을 의미하며, p(i)가 Pt보다 커지는 최초의 픽셀값이 상기 제1 경계점으로 획득됨-,
    상기 제1 경계점의 픽셀값(Tl) 이하의 픽셀값들은 비활성화 픽셀 영역으로 구분되고, 상기 제1 경계점의 픽셀값(Tl)을 초과하는 픽셀값들은 제1 활성화 픽셀 영역으로 구분되는 것을 특징으로 하는, 진단 의료 영상 처리 시스템.
  9. 제8항에 있어서,
    상기 프로세서는, 상기 활성화 픽셀 영역과 상기 비활성화 픽셀 영역을 구분함에 있어서, 상기 입력된 진단 의료 영상 중 픽셀값이 상기 평균값(μ) 보다 큰 값을 갖는 픽셀들의 경우,
    상기 입력된 진단 의료 영상의 상기 평균값(μ)과 2σ의 합산값과 최대 픽셀값 간의 대소 비교 결과에 따라, 상기 합산값이 상기 최대 픽셀값 보다 큰 값을 갖는 경우 상기 평균값(μ)에 대한 정수값(int(μ))을, 그렇지 않은 경우 상기 합산값에 대한 정수값(int(μ+2σ))을 제2 기준 픽셀값으로 설정하고,
    상기 제2 기준 픽셀값으로부터 시작하여 제2 조건을 만족할 때까지 픽셀값을 1씩 가산함으로써 제2 경계점을 획득하며-여기서, 상기 제2 조건은 해당 픽셀값이 나올 확률(p(i))이 상기 진단 의료 영상의 전체 픽셀값들에 관한 확률의 평균(Pt)보다 커지는 조건을 의미하며, p(i)가 Pt보다 커지는 최초의 픽셀값이 상기 제2 경계점으로 획득됨-,
    상기 제2 경계점의 픽셀값(Th) 미만의 픽셀값들은 제2 활성화 픽셀 영역으로 구분되고, 상기 제2 경계점의 픽셀값(Th) 이상의 픽셀값들은 비활성화 픽셀 영역으로 구분되는 것을 특징으로 하는, 진단 의료 영상 처리 시스템.
  10. 제9항에 있어서,
    상기 적응식 맵핑 함수는 하기 수학식 2에 의해 정의되는, 진단 의료 영상 처리 시스템.

    [수학식 2]
    Figure pat00003


    여기서, p(x)는 입력된 진단 의료 영상의 본래의 확률밀도함수를 나타내고, pl(x) 및 ph(x)는 제1 및 제2 활성화 픽셀 영역 각각의 픽셀값들의 평균값 및 분산값에 기반하여 모델링되는 감마분포곡선에 따른 확률밀도함수를 나타냄.
  11. 제1항 내지 제5항 중 어느 하나에 따른 진단 의료 영상의 대비 향상 방법이 기록되며 컴퓨터로 읽을 수 있는 기록 매체 제품.
KR1020170167605A 2017-12-07 2017-12-07 통계적 적응식 추정함수 모델링 기법을 통한 진단 의료 영상의 대비 향상 방법 KR102007525B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170167605A KR102007525B1 (ko) 2017-12-07 2017-12-07 통계적 적응식 추정함수 모델링 기법을 통한 진단 의료 영상의 대비 향상 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170167605A KR102007525B1 (ko) 2017-12-07 2017-12-07 통계적 적응식 추정함수 모델링 기법을 통한 진단 의료 영상의 대비 향상 방법

Publications (2)

Publication Number Publication Date
KR20190067551A true KR20190067551A (ko) 2019-06-17
KR102007525B1 KR102007525B1 (ko) 2019-08-05

Family

ID=67064933

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170167605A KR102007525B1 (ko) 2017-12-07 2017-12-07 통계적 적응식 추정함수 모델링 기법을 통한 진단 의료 영상의 대비 향상 방법

Country Status (1)

Country Link
KR (1) KR102007525B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115018741A (zh) * 2022-06-07 2022-09-06 成都微光集电科技有限公司 一种图像处理方法和装置
CN116758069A (zh) * 2023-08-17 2023-09-15 济南宝林信息技术有限公司 用于肠道内镜的医学图像增强方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20030067037A (ko) * 2002-02-06 2003-08-14 삼성전자주식회사 히스토그램 매칭을 이용한 콘트라스트 향상 장치 및 방법
JP2005175933A (ja) * 2003-12-11 2005-06-30 Hitachi Advanced Digital Inc 画像処理方法
JP2007068852A (ja) * 2005-09-08 2007-03-22 Hitachi Medical Corp 医用画像表示方法及び医用画像診断装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20030067037A (ko) * 2002-02-06 2003-08-14 삼성전자주식회사 히스토그램 매칭을 이용한 콘트라스트 향상 장치 및 방법
JP2005175933A (ja) * 2003-12-11 2005-06-30 Hitachi Advanced Digital Inc 画像処理方法
JP2007068852A (ja) * 2005-09-08 2007-03-22 Hitachi Medical Corp 医用画像表示方法及び医用画像診断装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115018741A (zh) * 2022-06-07 2022-09-06 成都微光集电科技有限公司 一种图像处理方法和装置
CN116758069A (zh) * 2023-08-17 2023-09-15 济南宝林信息技术有限公司 用于肠道内镜的医学图像增强方法
CN116758069B (zh) * 2023-08-17 2023-11-14 济南宝林信息技术有限公司 用于肠道内镜的医学图像增强方法

Also Published As

Publication number Publication date
KR102007525B1 (ko) 2019-08-05

Similar Documents

Publication Publication Date Title
US7623728B2 (en) Method and product for processing digital images
JP6507846B2 (ja) 画像ノイズ除去方法及び画像ノイズ除去装置
JP5671533B2 (ja) 立体画像対における遠近感および視差の調整
US20160063684A1 (en) Method and device for removing haze in single image
US20090279778A1 (en) Method, a system and a computer program for determining a threshold in an image comprising image values
CN111696064B (zh) 图像处理方法、装置、电子设备及计算机可读介质
Ebrahimnejad et al. Adaptive Removal of high-density salt-and-pepper noise (ARSPN) for robust ROI detection used in watermarking of MRI images of the brain
CN111192241A (zh) 一种人脸图像的质量评估方法、装置及计算机存储介质
Kumarganesh et al. An efficient approach for brain image (tissue) compression based on the position of the brain tumor
JP5914843B2 (ja) 画像処理装置及び画像処理方法
KR20190067551A (ko) 통계적 적응식 추정함수 모델링 기법을 통한 진단 의료 영상의 대비 향상 방법
Veluchamy et al. Brightness preserving optimized weighted bi‐histogram equalization algorithm and its application to MR brain image segmentation
CN112052854B (zh) 一种实现自适应对比度增强的医疗图像可逆信息隐藏方法
CN116433695B (zh) 一种乳腺钼靶图像的乳腺区域提取方法及系统
Pooja et al. Adaptive sparsity through hybrid regularization for effective image deblurring
CN116402816B (zh) 一种体检ct影像数据的管理方法及系统
JP2016083417A (ja) 画像処理装置、画像処理方法、プログラムおよびコンピュータ記録媒体
US9536317B2 (en) Region segmentation apparatus, recording medium and method
CN114299081B (zh) 一种上颌窦cbct图像分割方法、装置、存储介质及电子设备
JP6564158B2 (ja) 画像処理装置、画像処理方法、および画像処理プログラム
CN114298927B (zh) 一种cbct图像去噪方法、装置、存储介质及电子设备
US11501417B2 (en) Image processing apparatus for estimating the number of specific objects in an image
Sindhu et al. A method for removing PET/CT imaging artifact using combination of standard deviation and computational geometry technique
KR101462421B1 (ko) 히스토그램 압축 평활화를 이용한 영상 명암대비 개선 방법 및 장치
JP6625165B2 (ja) 画像処理装置、画像処理方法、およびプログラム

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