KR20200027202A - 컴퓨터 보조 진단 시스템을 이용한 식도암 확대 내시경 영상 분석 방법 및 장치 - Google Patents

컴퓨터 보조 진단 시스템을 이용한 식도암 확대 내시경 영상 분석 방법 및 장치 Download PDF

Info

Publication number
KR20200027202A
KR20200027202A KR1020180105219A KR20180105219A KR20200027202A KR 20200027202 A KR20200027202 A KR 20200027202A KR 1020180105219 A KR1020180105219 A KR 1020180105219A KR 20180105219 A KR20180105219 A KR 20180105219A KR 20200027202 A KR20200027202 A KR 20200027202A
Authority
KR
South Korea
Prior art keywords
region
blood vessel
esophageal cancer
vascular
extracted
Prior art date
Application number
KR1020180105219A
Other languages
English (en)
Other versions
KR102223263B1 (ko
Inventor
김광하
김광백
이경윤
Original Assignee
부산대학교 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 부산대학교 산학협력단 filed Critical 부산대학교 산학협력단
Priority to KR1020180105219A priority Critical patent/KR102223263B1/ko
Publication of KR20200027202A publication Critical patent/KR20200027202A/ko
Application granted granted Critical
Publication of KR102223263B1 publication Critical patent/KR102223263B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Endoscopes (AREA)
  • Image Analysis (AREA)

Abstract

컴퓨터 보조 진단 시스템을 이용한 식도암 확대 내시경 영상 분석 방법 및 장치가 제시된다. 본 발명에서 제안하는 컴퓨터 보조 진단 시스템을 이용한 식도암 확대 내시경 영상 분석 방법은 내시경 영상을 입력 받아 관심 영역을 추출하고, 추출된 관심 영역에서 어두운 명암도 값을 갖는 혈관과 밝은 명암도 값을 갖는 배경 영역의 명암대비를 강조하는 단계, 명암대비가 강조된 관심 영역에서 이진화 기법을 적용하여 혈관 후보 영역을 추출하는 단계, 추출된 혈관 후보 영역에서 잡음을 제거하고, 잡음이 제거된 혈관 후보 영역으로부터 혈관의 경계선을 추출하여 제거하고, 양자화 기법을 적용하여 최종 혈관 영역을 추출하는 단계 및 추출된 최종 혈관 영역에서 복수의 식도암 패턴을 분류하기 위해 SVM 알고리즘 및 혈관 객체 두께 측정 기법을 이용하여 혈관의 형태학적 특징을 추출하는 단계를 포함한다.

Description

컴퓨터 보조 진단 시스템을 이용한 식도암 확대 내시경 영상 분석 방법 및 장치{Method and Apparatus for Interpretation of Magnifying Endoscopy Images of Esophageal Cancer using Computer Aided Diagnostic System}
본 발명은 컴퓨터 보조 진단 시스템을 이용한 식도암 확대 내시경 영상 분석 방법 및 장치에 관한 것이다.
표재성 식도암에서 초기 변화는 정상 점막의 미세혈관(intrapapillary capillary loop; IPCL)에서부터 시작된다. 정상 식도 점막에서는 확대 내시경 검사 시 IPCL이 규칙적인 형태로 관찰되나, 식도암이 발생하는 부위에서는 IPCL이 불규칙인 형태로 확장되고 직경의 변화를 보이게 된다. 이러한 IPCL의 변화는 식도암의 침윤 깊이에 따라 다른 것으로 알려져 있다. 실제 임상에서 표재성 식도암의 침윤 깊이 예측은 내시경 절제술을 시행할 시 치료 적응증을 결정하는 중요한 요소이다. 최근 Japan Esophageal Society (JES)에서는 표재성 식도암의 침윤 깊이를 추정하는 방법으로 IPCL을 기반으로 한 단순화된 분류법을 제시하였다. JES에서 제시한 식도암 혈관의 분류 기준은 IPCL의 형태 변화에 기반을 두고 있다. 최근 211명의 표재성 식도암 환자를 대상으로 한 일본 연구에서 JES 분류의 정확도는 90.5%였으며, 69명의 표재성 식도암 환자를 대상으로 한 국내 연구에서는 JES 분류법의 정확도는 78.6%였다.
그러나 JES 분류 시 사용되는 IPCL의 형태 변화는 검사자의 지식과 경험에 따라 좌우되는 주관적인 측면이 있어, 이를 객관화하는 과정이 필요하다. 그러므로 표재성 식도암의 침윤 깊이를 예측하기 위해 IPCL의 특징을 자동으로 분석하는 소프트웨어는 검사자의 주관성을 배제하며, 또한 검사자 간의 진단 차이를 줄일 수 있다. 따라서 이러한 소프트웨어를 실행하여 자동으로 추출된 특징 패턴들의 지표가 이미 검증된 임상 결과와 일치한다면 표재성 식도암의 침윤 깊이 예측에 대한 정확한 정보를 검사자에게 제공할 수 있다.
본 발명이 이루고자 하는 기술적 과제는 표재성 식도암 환자에서 확대 내시경으로 획득된 영상으로부터 식도암의 침윤 깊이와 연관이 있는 IPCL의 패턴을 영상처리와 기계 학습 방법을 적용하여 식도암을 분류하고 분석하는 방법 및 장치를 제공하는데 있다.
일 측면에 있어서, 본 발명에서 제안하는 컴퓨터 보조 진단 시스템을 이용한 식도암 확대 내시경 영상 분석 방법은 내시경 영상을 입력 받아 관심 영역을 추출하고, 추출된 관심 영역에서 어두운 명암도 값을 갖는 혈관과 밝은 명암도 값을 갖는 배경 영역의 명암대비를 강조하는 단계, 명암대비가 강조된 관심 영역에서 이진화 기법을 적용하여 혈관 후보 영역을 추출하는 단계, 추출된 혈관 후보 영역에서 잡음을 제거하고, 잡음이 제거된 혈관 후보 영역으로부터 혈관의 경계선을 추출하여 제거하고, 양자화 기법을 적용하여 최종 혈관 영역을 추출하는 단계 및 추출된 최종 혈관 영역에서 식도암 패턴을 분류하기 위해 SVM 알고리즘 및 혈관 객체 두께 측정 기법을 이용하여 혈관의 형태학적 특징을 추출하는 단계를 포함한다.
내시경 영상을 입력하여 관심 영역을 추출하고, 추출된 관심 영역에서 어두운 명암도 값을 갖는 혈관과 밝은 명암도 값을 갖는 배경 영역의 명암대비를 강조하는 단계는 스트레칭 기법들 중 퍼지 스트레칭 기법을 이용하여 내시경 영상의 평균 밝기 값을 기준으로, 가장 낮은 픽셀 값과 가장 높은 픽셀 값과의 각 거리를 계산하여 밝기 조정율을 구한다.
상기 명암대비가 강조된 관심 영역에서 이진화 기법을 적용하여 혈관 후보 영역을 추출하는 단계는 미리 정의된 윈도우 영역 내에서 평균과 표준편차 값을 이용하여 임계치를 설정하는 국소적 이진화 기법을 적용하여 혈관 후보 영역을 추출한다.
상기 추출된 혈관 후보 영역에서 잡음을 제거하고, 잡음이 제거된 혈관 후보 영역으로부터 혈관의 경계선을 추출하여 제거하고, 양자화 기법을 적용하여 최종 혈관 영역을 추출하는 단계는 내시경 영상을 주파수 공간으로 변환하고, 주파수 공간에서 영상을 필터링하는 고속 푸리에 변환을 적용하여 추출된 혈관 후보 영역에서 잡음을 제거하고, 자율 학습 알고리즘인 ART2 알고리즘을 적용하여 입력 패턴에 대하여 자율적으로 학습하여 특징들을 클러스터링한다.
상기 추출된 최종 혈관 영역에서 식도암 패턴을 분류하기 위해 SVM 알고리즘 및 혈관 객체 두께 측정 기법을 이용하여 혈관의 형태학적 특징을 추출하는 단계는 혈관의 유형을 분류하기 위해 혈관의 복수의 정보를 이용하여 SVM 알고리즘에 적용할 학습 데이터를 구성하고, 혈관의 가로와 세로 비율을 정확하게 측정하기 위해 방향성 경계 박스 형식을 채택하여 혈관의 정보를 추출한다.
상기 추출된 최종 혈관 영역에서 식도암 패턴을 분류하기 위해 SVM 알고리즘 및 혈관 객체 두께 측정 기법을 이용하여 혈관의 형태학적 특징을 추출하는 단계는 혈관 객체 두께 측정을 위해 혈관의 중심축을 추출하고, 이를 토대로 혈관의 후보 영역에 세선화 알고리즘을 적용하여 혈관 객체의 두께를 측정한다.
또 다른 일 측면에 있어서, 본 발명에서 제안하는 컴퓨터 보조 진단 시스템을 이용한 식도암 확대 내시경 영상 분석 장치는 내시경 영상을 입력 받아 관심 영역을 추출하고, 추출된 관심 영역에서 어두운 명암도 값을 갖는 혈관과 밝은 명암도 값을 갖는 배경 영역의 명암대비를 강조하는 관심 영역 추출부, 명암대비가 강조된 관심 영역에서 이진화 기법을 적용하여 혈관 후보 영역을 추출하고, 추출된 혈관 후보 영역에서 잡음을 제거하고, 잡음이 제거된 혈관 후보 영역으로부터 혈관의 경계선을 추출하여 제거하고, 양자화 기법을 적용하여 최종 혈관 영역을 추출하는 혈관 영역 추출부 및 추출된 최종 혈관 영역에서 식도암 패턴을 분류하기 위해 SVM 알고리즘 및 혈관 객체 두께 측정 기법을 이용하여 혈관의 형태학적 특징을 추출하는 분석부를 포함한다.
본 발명의 실시예들에 따르면 표재성 식도암의 침윤 깊이를 예측하기 위해 IPCL의 특징을 자동으로 분석하여 검사자의 주관성을 배제하며, 또한 검사자 간의 진단 차이를 줄일 수 있다. 따라서 자동으로 추출된 특징 패턴들의 지표가 이미 검증된 임상 결과와 일치한다면 표재성 식도암의 침윤 깊이 예측에 대한 정확한 정보를 검사자에게 제공할 수 있다.
도 1은 본 발명의 일 실시예에 따른 컴퓨터 보조 진단 시스템을 이용한 식도암 확대 내시경 영상 분석 방법을 설명하기 위한 흐름도이다.
도 2는 본 발명의 일 실시예에 따른 삼각형 타입의 소속함수를 나타내는 도면이다.
도 3은 본 발명의 일 실시예에 따른 색채항등성 착시 현상을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 혈관의 후보 영역 추출을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 고주파 필터 차단 주파수 값에 따른 결과를 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 고속 푸리에 변환을 이용하여 추출한 혈관 경계 영역을 나타내기 위한 도면이다.
도 7은 본 발명의 일 실시예에 따른 ART2 알고리즘을 설명하기 위한 흐름도이다.
도 8은 본 발명의 일 실시예에 따른 ART2 기반 양자화 및 이진화 결과를 나타내는 도면이다.
도 9는 본 발명의 일 실시예에 따른 윤곽선 추적 방향을 나타내는 도면이다.
도 10은 본 발명의 일 실시예에 따른 윤곽선 추출 영상이다.
도 11은 본 발명의 일 실시예에 따른 JES 분류법에 따른 B type의 영상이다.
도 12는 본 발명의 일 실시예에 따른 혈관의 형태학적 특징을 나타내는 도면이다.
도 13은 본 발명의 일 실시예에 따른 특징 검출 마스크를 나타내는 도면이다.
도 14는 본 발명의 일 실시예에 따른 특징 검출 마스크를 이용한 연산과정을 나타내는 도면이다.
도 15는 본 발명의 일 실시예에 따른 교차점 패턴을 나타내는 도면이다.
도 16은 본 발명의 일 실시예에 따른 끝점 패턴을 나타내는 도면이다.
도 17은 본 발명의 일 실시예에 따른 세선화된 영상에서 교차점을 제거하고 추출한 혈관의 중심축을 나타내는 도면이다.
도 18은 본 발명의 일 실시예에 따른 혈관 객체를 나타내는 도면이다.
도 19는 본 발명의 일 실시예에 따른 각도 값을 이용한 두께 측정 방법을 설명하기 위한 도면이다.
도 20은 본 발명의 일 실시예에 따른 점과 점사이의 각도를 나타내는 도면이다.
도 21은 본 발명의 일 실시예에 따른 혈관 두께 측정 방법을 나타내는 도면이다.
도 22는 본 발명의 일 실시예에 따른 혈관 두께 측정 결과를 나타내는 도면이다.
도 23은 본 발명의 일 실시예에 따른 컴퓨터 보조 진단 시스템을 이용한 식도암 확대 내시경 영상 분석 장치의 구조를 나타내는 도면이다.
이하, 본 발명의 실시 예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 컴퓨터 보조 진단 시스템을 이용한 식도암 확대 내시경 영상 분석 방법을 설명하기 위한 흐름도이다.
제안하는 컴퓨터 보조 진단 시스템을 이용한 식도암 확대 내시경 영상 분석 방법은 내시경 영상을 입력 받아 관심 영역을 추출하고, 추출된 관심 영역에서 어두운 명암도 값을 갖는 혈관과 밝은 명암도 값을 갖는 배경 영역의 명암대비를 강조하는 단계(110), 명암대비가 강조된 관심 영역에서 이진화 기법을 적용하여 혈관 후보 영역을 추출하는 단계(120), 추출된 혈관 후보 영역에서 잡음을 제거하고, 잡음이 제거된 혈관 후보 영역으로부터 혈관의 경계선을 추출하여 제거하고, 양자화 기법을 적용하여 최종 혈관 영역을 추출하는 단계(130) 및 추출된 최종 혈관 영역에서 식도암 패턴을 분류하기 위해 SVM 알고리즘 및 혈관 객체 두께 측정 기법을 이용하여 혈관의 형태학적 특징을 추출하는 단계(140)를 포함한다.
단계(110)에서, 내시경 영상을 입력 받아 관심 영역을 추출하고, 추출된 관심 영역에서 어두운 명암도 값을 갖는 혈관과 밝은 명암도 값을 갖는 배경 영역의 명암대비를 강조한다. 스트레칭 기법들 중 퍼지 스트레칭 기법을 이용하여 내시경 영상의 평균 밝기 값을 기준으로, 가장 낮은 픽셀 값과 가장 높은 픽셀 값과의 각 거리를 계산하여 밝기 조정율을 구한다.
단계(120)에서, 명암대비가 강조된 관심 영역에서 이진화 기법을 적용하여 혈관 후보 영역을 추출한다. 미리 정의된 윈도우 영역 내에서 평균과 표준편차 값을 이용하여 임계치를 설정하는 국소적 이진화 기법을 적용하여 혈관 후보 영역을 추출한다.
단계(130)에서, 추출된 혈관 후보 영역에서 잡음을 제거하고, 잡음이 제거된 혈관 후보 영역으로부터 혈관의 경계선을 추출하여 제거하고, 양자화 기법을 적용하여 최종 혈관 영역을 추출한다. 내시경 영상을 주파수 공간으로 변환하고, 주파수 공간에서 영상을 필터링하는 고속 푸리에 변환을 적용하여 상기 추출된 혈관 후보 영역에서 잡음을 제거한다. 이때, 자율 학습 알고리즘인 ART2 알고리즘을 적용하여 입력 패턴에 대하여 자율적으로 학습하여 특징들을 클러스터링한다.
단계(140)에서, 추출된 최종 혈관 영역에서 식도암 패턴을 분류하기 위해 SVM 알고리즘 및 혈관 객체 두께 측정 기법을 이용하여 혈관의 형태학적 특징을 추출한다. 혈관의 유형을 분류하기 위해 혈관의 정보를 이용하여 SVM 알고리즘에 적용할 학습 데이터를 구성하고, 혈관의 가로와 세로 비율을 정확하게 측정하기 위해 방향성 경계 박스 형식을 채택하여 혈관의 정보를 추출한다. 그리고, 혈관 객체 두께 측정을 위해 혈관의 중심축을 추출하고, 이를 토대로 혈관의 후보 영역에 세선화 알고리즘을 적용하여 혈관 객체의 두께를 측정한다.
본 발명의 실시예에 따르면, 식도 확대 내시경 영상은 내시경 검사 시 발생하는 반사와 그림자로 인해 하나의 임계치로 배경과 혈관을 구분할 수 없는 경우가 발생한다. 따라서 내시경 영상에서 촬영 정보 등과 같이 불필요한 정보를 제거하여 관심 영역을 추출한다. 추출된 관심 영역에서 어두운 명암도 값을 가지는 혈관과 밝은 명암도 값을 가지는 배경 영역의 명암대비 강조 하기 위해 퍼지 스트레칭 기법을 적용한다. 명암 대비가 강조된 region of interest (ROI) 영역에서 Niblack's 이진화 기법을 적용하여 혈관의 후보 영역을 추출한다. 이후 추출한 혈관의 후보 영역에서 잡음을 제거하는 과정을 수행한다. 명암 대비가 강조된 ROI 영역에서는 고속푸리에 고주파 필터를 적용하여 혈관의 경계선을 추출하여 혈관의 후보 영역에서 혈관의 경계선을 제거한다. 그리고 명암 대비가 강조된 ROI 영역에 ART2 기반 양자화 기법을 적용하여 배경 영역을 추출하여 혈관의 후보 영역에서 배경 영역을 제거한 후에 최종 혈관 영역을 추출한다. 추출된 혈관에서 B1 유형(type), B2 유형, B3 유형 3가지 식도암 패턴을 분류하기 위해 다음과 같은 과정을 거친다. 추출된 혈관 영역에서 객체의 형태학적인 특징, X축, Y축, 둘레, 면적, 행분산, 열분산, 혼합분산, 둥근 정도 등과 같은 8가지의 정보를 SVM 알고리즘의 학습 데이터들로 적용하여 B1 유형과 비-B1 유형(다시 말해, B2 유형과 B3 유형)으로 분류한다. 그리고 B2 유형과 B3 유형을 분류하기 위해서 JES에서 제시한 기준인 B3 유형의 혈관은 B2 유형의 혈관과 비교하여 혈관의 두께가 3배 이상 두껍다는 형태학적 특징을 이용한다. 이 형태학적 특징을 이용하기 위해 B2 유형의 혈관들을 면적과 둘레의 비율 값으로 5개의 혈관을 선정한 후 두께 측정 기법을 적용한다. 혈관의 두께를 측정한 후, 대표 혈관 10개 중에서 가장 두꺼운 두께 값과 선정된 B2 유형 혈관과의 평균 두께 값을 비교하여 3.7배 이상이면 B3 유형의 혈관으로 분류한다.
도 2는 본 발명의 일 실시예에 따른 삼각형 타입의 소속함수를 나타내는 도면이다.
내시경 영상은 내시경 검사 시 발생하는 반사와 그림자 때문에 혈관과 배경의 명암도가 불규칙적인 분포를 보이며, 객체들과 배경 사이의 명암 대비가 낮아서 미세 혈관을 추출하지 못하는 경우가 있다. 따라서 본 발명에서는 스트레칭 기법을 이용하여 영상의 명암 대비를 강조한다. 스트레칭 기법 중에 퍼지 스트레칭 기법은 영상의 평균 밝기 값을 기준으로, 가장 낮은 픽셀 값과 가장 높은 픽셀 값과의 각 거리를 계산하여 밝기 조정율을 구한다. 계산된 밝기 조정률을 이용하여 삼각형 소속 함수의 상한 값과 하한 값을 계산하여 소속 함수 구간을 설정한 후, 영상에 적용하여 스트레칭한다.
Figure pat00001
(1)
식(1)에서
Figure pat00002
값은 각각의RGB값이고,
Figure pat00003
과
Figure pat00004
은 영상의 가로와 세로 길이이다. 식(1)을 적용하여 중간 밝기 값
Figure pat00005
을 구한다.
Figure pat00006
(2)
식(1)에서 구한
Figure pat00007
,
Figure pat00008
,
Figure pat00009
중간 밝기 값을 이용하여
Figure pat00010
,
Figure pat00011
,
Figure pat00012
밝은 픽셀의 거리 값과
Figure pat00013
,
Figure pat00014
,
Figure pat00015
가장 어두운 픽셀의 거리 값을 식(2)를 적용하여 계산한다.
Figure pat00016
Figure pat00017
Figure pat00018
Figure pat00019
(3)
식(2)에서 구한
Figure pat00020
,
Figure pat00021
,
Figure pat00022
,
Figure pat00023
,
Figure pat00024
,
Figure pat00025
를 식(3)에 적용하여 밝기 조정률(
Figure pat00026
) 값을 구한다.
Figure pat00027
(4)
중간 밝기 값(
Figure pat00028
,
Figure pat00029
,
Figure pat00030
과 밝기 조정률 값(
Figure pat00031
,
Figure pat00032
,
Figure pat00033
)을 이용하여 식(4)에 적용하여, 최대 밝기 값(
Figure pat00034
,
Figure pat00035
,
Figure pat00036
)과 최소 밝기 값(
Figure pat00037
,
Figure pat00038
,
Figure pat00039
)을 구한다. 그리고 최대 밝기 값(
Figure pat00040
,
Figure pat00041
,
Figure pat00042
)과 최소 밝기 값(
Figure pat00043
,
Figure pat00044
,
Figure pat00045
)을 도 2와 같은 삼각형 타입 소속함수에 적용한다.
Figure pat00046
(5)
도 2와 같은 소속함수에 최대 밝기 값(
Figure pat00047
,
Figure pat00048
,
Figure pat00049
)과 최소 밝기 값(
Figure pat00050
,
Figure pat00051
,
Figure pat00052
)을 식(5)을 적용하여 소속도가 1이 되는 중간 밝기 값(
Figure pat00053
)을 구한다.
Figure pat00054
Figure pat00055
Figure pat00056
Figure pat00057
(6)
그리고 식(6)를 적용하여 소속 함수에 적용할
Figure pat00058
와 같은 각 채널의 소속 함수 구간을 소속 함수에 적용하여 소속도를 구한다.
Figure pat00059
(7)
식(6)에서 구한 소속도
Figure pat00060
를 식(7)에서 구한
Figure pat00061
에 적용하여 상한 값
Figure pat00062
과 하한 값
Figure pat00063
을 구한다. 각각의 상한 값(
Figure pat00064
과 하한 값(
Figure pat00065
을 식(8)에 적용하여 영상을 스트레칭을 한다. 식(8)의
Figure pat00066
는 이전 명암도 값이며,
Figure pat00067
,
Figure pat00068
는 스트레칭이 적용된 새로운 명암도 값이다.
Figure pat00069
(8)
도 3은 본 발명의 일 실시예에 따른 색채항등성 착시 현상을 설명하기 위한 도면이다.
내시경 영상은 내시경 검사 시 생기는 반사와 그림자로 인해 혈관과 배경의 명암도 값의 차이가 적어서 혈관을 추출할 수 없는 경우가 발생한다. 그러나 컴퓨터와는 달리 사람의 눈은 내시경 영상에서 혈관과 배경을 쉽게 구분할 수 있다. 이러한 특징은 색채 항등성(color constancy) 현상으로 도 3과 같이 설명할 수 있다. 도 3에서 A와 B는 같은 색상이지만 주변 배경에 따라 다른 색으로 보인다. 사람은 색채 항등성 현상으로 조명 조건과 관찰 조건이 변하더라도 색상을 비교적 일정하게 지각할 수 있다.
도 4는 본 발명의 일 실시예에 따른 혈관의 후보 영역 추출을 설명하기 위한 도면이다.
내시경 영상에서 혈관은 주변 배경 영역보다 어두운 채도 값을 가지므로, 색채 항등성의 원리를 이용하여 국소 영역에서 평균값보다 낮은 명암도 값을 가지면 혈관의 후보 영역으로 정의한다. 혈관의 후보 영역을 추출하기 위해 전통적인 국소적 이진화 기법인 Niblack's 이진화를 이용한다. Niblack's 이진화는 미리 정의된 윈도우(window) 영역 내에서 평균과 표준편차 값을 이용하여 임계치를 설정하는 방법으로, 일반적으로 문서 영상에서 널리 적용되고 있다. 본 발명에서는 윈도우 크기를 내시경 영상의
Figure pat00070
크기로 나누어 설정한다. 도 4는 퍼지스트레칭이 적용된 ROI영역에 Niblack's 이진화를 적용한 결과이다.
도 5는 본 발명의 일 실시예에 따른 고주파 필터 차단 주파수 값에 따른 결과를 설명하기 위한 도면이다.
이진화를 적용하여 추출한 혈관 후보 영역은 혈관 영역뿐만 아니라 잡음도 추출된다. 따라서 정확한 혈관 영역을 추출하기 위해서 혈관이 아닌 배경 영역을 제거한다. 명암 대비가 강조된 ROI 영역에서 혈관 영역과 배경 영역을 분리하기 위한 첫 번째 단계로 고속 푸리에 변환(fast Fourier transform; FFT)을 적용한다. 푸리에 변환은 영상을 주파수 공간으로 변환하는 가장 일반적인 방법으로 주파수 공간에서 영상을 필터링하는 방법이다. 일반적으로 영상은 디지털 데이터이기 때문에, 연속 푸리에 변환에 직접적으로 적용할 수 없다. 따라서 이산 푸리에 변환(discrete Fourier transformation)을 이용하여 디지털 신호를 주파수 영역으로 변환한다. 2차원 영상에서 푸리에 변환 공식은 식(9)와 같다.
Figure pat00071
(9)
식(9)에서
Figure pat00072
이고,
Figure pat00073
의 범위
Figure pat00074
범위를 가진다.
Figure pat00075
는 원 영상이고
Figure pat00076
과
Figure pat00077
은 영상의 각각 넓이와 길이이다. 푸리에 변환 결과인
Figure pat00078
함수는 복소수 값을 가진 복소 함수이다.
Figure pat00079
는 식(10)의 역 변환 공식에 의해 원 영상으로 변환할 수 있다.
Figure pat00080
(10)
Figure pat00081
과
Figure pat00082
은 영상의 넓이와 길이를 가진 영상을 이산 푸리에 변환 공식에 적용하면 주파수 공간으로 변환할 때
Figure pat00083
개의 곱셈 연산이 필요하므로, 연산의 계산 복잡도가
Figure pat00084
으로 시간이 많이 소요된다. 따라서 본 논문에서는 계산 복잡도가 낮은 고속 푸리에 변환을 적용한다. 고속 이산 푸리에 변환은 이산 푸리에 변환의 속도를 향상시킨 알고리즘으로써 입력 데이터의 개수가 2의 승수일 때만 적용 가능하며, 계산 복잡도가
Figure pat00085
으로 데이터의 개수가 증가할 수로 효과적으로 적용할 수 있다.
Figure pat00086
(11)
식(11)는 식(12)의
Figure pat00087
에 대한 정의와, 입력 데이터의 개수
Figure pat00088
을 2의 승수로 정의한 것을 표현한 것이다.
Figure pat00089
Figure pat00090
(12)
고속 이산 푸리에 변환은 기본적으로 짝수와 홀수의 데이터를 각각 분리하여 계산하므로 짝수와 홀수의 데이터를 분리하여 식(12)를 식(13)과 같이 정의한다.
Figure pat00091
(13)
식(13)에서
Figure pat00092
는 짝수 데이터만 계산한 결과이며,
Figure pat00093
는 홀수 데이터만 계산한 결과를 나타내고,
Figure pat00094
는 식(14)와 같이 정리하여 표현할 수 있다.
Figure pat00095
(14)
Figure pat00096
(15)
복소수 계수
Figure pat00097
는 식(15)과 같이 주기성과 대칭성을 가진다. 식(14)의
Figure pat00098
에
Figure pat00099
대신에
Figure pat00100
를 적용하여 전개하면
Figure pat00101
와
Figure pat00102
를 만족하므로
Figure pat00103
값은 식 (16)과 같이 표현할 수 있다.
Figure pat00104
(16)
식(16)에서 짝수와 홀수의 데이터들을
Figure pat00105
개의 푸리에 변환에 적용하면
Figure pat00106
개의 푸리에 변환에 대해서 복잡한 연산과정 없이 쉽게 값을 구할 수 있다. 고속 푸리에 변환으로 얻은 주파수 영역의 영상에서 가우시안 고주파 통과 필터의 차단 주파수
Figure pat00107
값(1, 10, 20, 30)에 따라 적용하여 4개의 레이어를 만든다. 고주파 필터는 고주파 영역은 통과시키고 저주파 영역은 통과시키지 않는 필터로 식(17)과 같이 1에서 저주파 영역을 빼면서 구할 수 있다.
Figure pat00108
(17)
영상에 고주파 필터를 적용하면 날카롭게 강조하는 샤프닝 효과가 있다. 이 특징은 혈관의 형태와 상관없이 혈관과 배경의 경계 부분을 효과적으로 구분해주는 역할을 한다. 도 5는 고주파 필터를 적용한 각각의 영상과 혈관의 경계 영역을 추출한 결과이다. 고주파 필터를 적용한 영상에서 혈관 주변의 배경 부분이 밝은 명암도를 가지는 특징을 이용하여 임계치를 고주파 필터를 적용한 영상의 평균 픽셀 값으로 설정하여 혈관의 경계 영역을 추출한다.
도 6은 본 발명의 일 실시예에 따른 고속 푸리에 변환을 이용하여 추출한 혈관 경계 영역을 나타내기 위한 도면이다.
차단 주파수 이진화 결과인 도 5(b), 도 5(d), 도 5(f), 도 5(h)를 합쳐서 도 6과 같은 혈관 경계 영역을 추출하고 추출한 혈관의 경계 영역을 제거한다.
도 7은 본 발명의 일 실시예에 따른 ART2 알고리즘을 설명하기 위한 흐름도이다.
고속 푸리에 변환을 적용하여 고주파 필터를 통해 혈관 영역과 배경 영역의 경계 부분에 있는 잡음을 효과적으로 제거할 수 있다. 그러나 전체적인 배경 영역을 제거할 수는 없다. 따라서 배경 후보 영역을 추출하기 위해 본 발명에서는 ART2 기반 양자화 기법을 적용한다. ART2는 자율 학습 알고리즘으로, 입력 패턴에 대하여 자율적으로 학습하여 특징들을 클러스터링하는 방법이다. ART2알고리즘은 이미 학습한 패턴을 기억하므로 안정성이 있다. 그리고 새로운 패턴에 대해 학습하며 적응성의 특징을 가진다. 그리고 속도가 빨라서 실시간 학습이 가능하다. 도 7은 ART2 알고리즘의 처리 구성도이다.
먼저, 입력 벡터를 제시(710)하고, 출력층의 출력 값을 계산한다(720). 이후 승자노드를 선택(730)하고, 유사도 검증(740)을 수행한다. 유사도 검증을 수행하여 미리 정해진 기준 이상일 경우, 연결 가중치를 조절한다(760). 반면에, 유사도 검증을 수행하여 미리 정해진 기준 이하일 경우, 새로운 클러스터를 생성(750)한 후, 연결 가중치를 조절한다(760). 그리고 모든 패턴에 대한 학습을 완료했는지 여부를 판단(770)한 후 알고리즘을 종료한다.
도 8은 본 발명의 일 실시예에 따른 ART2 기반 양자화 및 이진화 결과를 나타내는 도면이다.
본 발명에서는 ART2 알고리즘에서 경계 변수
Figure pat00109
값을 0.1로 설정한다. 클러스터들 중에서 밝은 명암도를 가진 클러스터에 속하는 픽셀들을 배경 영역으로 설정하고 배경 영역과 그 외의 영역으로 이진화 한다. 도 8(a)는 ART2 알고리즘을 적용하여 양자화된 결과와 이진화된 결과이다.
혈관의 경계 영역이 제거된 혈관 후보 영역에서 도 8(b)의 배경 영역을 제거하여 최종 혈관 영역을 추출한다.
도 9는 본 발명의 일 실시예에 따른 윤곽선 추적 방향을 나타내는 도면이다.
윤곽선 추적(contour tracing) 방법은 객체의 윤곽선을 따라 이동하면서 윤곽선 좌표를 탐색하는 방법이다. 윤곽선 추적은 이진 영상에서 객체 정보를 획득하는 좋은 방법으로써 널리 적용되고 있다. 표 1은 윤곽선 추적 알고리즘의 수행 방법이다.
<표 1>
Figure pat00110
도 10은 본 발명의 일 실시예에 따른 윤곽선 추출 영상이다.
도 10(a)의 혈관 영역 영상에 윤곽선 추적 알고리즘을 적용하여 도 10(b)와 같은 혈관의 윤곽선을 추출한다.
도 11은 본 발명의 일 실시예에 따른 JES 분류법에 따른 B type의 영상이다.
JES기준으로 분류한 식도암 내시경 영상이다. 도 11(b) 및 도 (c)에서와 같이 식도암 내시경 영상에서는 여러 종류의 혈관들이 섞여 존재한다. 예를 들어, B1 유형을 제외하고 도 11(b)에서 B2 유형 영상은 B1혈관과 B2혈관이 같이 존재한다. 따라서 본 발명에서는 혈관의 윤곽선을 추출하기 위해서, B2 유형과 B3 유형의 혈관이 B1 유형의 혈관보다 가늘고 길다는 형태학적 특징을 적용한다. 제안된 혈관 추출 방법은 혈관의 윤곽선을 정렬한 후, 정렬된 윤곽선에서 가장 큰 10개의 혈관을 추출한다. 그리고 추출된 10개의 혈관을 내시경 영상의 대표 혈관으로 설정한다.
도 12는 본 발명의 일 실시예에 따른 혈관의 형태학적 특징을 나타내는 도면이다.
혈관의 유형을 B1 유형과 비-B1 유형으로 분류하기 위해 도 12와 같은 혈관의 8가지 정보를 이용하여 SVM에 적용할 학습 데이터를 구성한다. 객체는 크게 인클로징 박스(enclosing box)와 경계 박스(bounding box)와 같이 두 가지 방식으로 나눌 수 있다. 혈관의 가로와 세로 비율을 정확하게 측정하기 위해 도 12(b)와 같은 지향성 경계 박스(oriented bounding box) 형식을 채택하여 혈관의 정보를 추출한다. 혈관 정보는 1. X축, 2. Y축, 3. 둘레, 4. 면적, 5. 행분산, 6. 열분산, 7. 혼합분산, 8. 둥근정도를 포함할 수 있다.
도 13은 본 발명의 일 실시예에 따른 특징 검출 마스크를 나타내는 도면이다.
혈관의 두께 측정을 위한 첫 단계로 혈관에서 혈관의 중심축을 추출한다. 중심축을 추출하기 위해서 혈관의 후보 영역에 세선화 알고리즘을 적용한다. 식도암에서 혈관의 형태는 불규칙적이므로, 정확한 두께 측정을 위하여 혈관의 중심축을 지나는 모든 곳을 측정한다. 따라서 세선화 알고리즘이 적용된 혈관 객체는 나뭇가지 형태로 교차점을 가지고 있다. 교차점은 중심축을 기준으로 탐색할 방향을 결정하기가 어려우므로 제거한다.
도 14는 본 발명의 일 실시예에 따른 특징 검출 마스크를 이용한 연산과정을 나타내는 도면이다.
혈관의 끝점과 교차점을 구하기 위해 Olsen이 제안한 도 12의 마스크를 적용한다. 도 14는 세선화된 영상을 도 13과 같은 마스크를 적용하여 연산하는 과정이다.
도 15는 본 발명의 일 실시예에 따른 교차점 패턴을 나타내는 도면이다.
도 15는 세선화된 영상에서 교차점이 나타날 수 있는 모든 패턴과 그 패턴에 대한 연산 결과이다.
도 16은 본 발명의 일 실시예에 따른 끝점 패턴을 나타내는 도면이다.
도 16은 세선화된 영상에서 모든 끝점과 그 끝점에 대한 연산 결과이다.
도 17은 본 발명의 일 실시예에 따른 세선화된 영상에서 교차점을 제거하고 추출한 혈관의 중심축을 나타내는 도면이다.
도 17(a)와 같은 혈관의 세선화된 영상에서 Olsen이 제안한 마스크를 적용하여 도 17(b)와 같이 교차점을 제가하여 추출된 혈관의 중심축이다.
도 18은 본 발명의 일 실시예에 따른 혈관 객체를 나타내는 도면이다.
도 18과 같은 혈관 객체에서, 빨간색 실선은 혈관의 중심축이고, 파란색 원은 각각 중심축의 픽셀이다. 예를 들어, 중심축의 픽셀의 개수를 1, ..., m 개라고 가정하면,
Figure pat00111
과
Figure pat00112
은 혈관 객체의 끝점이다.
도 19는 본 발명의 일 실시예에 따른 각도 값을 이용한 두께 측정 방법을 설명하기 위한 도면이다.
점
Figure pat00113
에서 혈관의 두께는 도 19(a)와 같이
Figure pat00114
과
Figure pat00115
의 각도 값
Figure pat00116
을 이용하여 계산한다. 도 19(b)에서 혈관의 두께는
Figure pat00117
와
Figure pat00118
의 위치를 지나는 직선이고, 각도 값
Figure pat00119
을 계산하기 위해 각 중심축의 점들을 거리 순으로 정렬한다. 따라서 혈관의 중심축의
Figure pat00120
에서
Figure pat00121
까지의 거리는 식(18)을 이용하여 계산한다. 본 발명에서는 거리를 계산하기 위해서 유클리디안 거리법을 적용한다.
Figure pat00122
(18)
도 20은 본 발명의 일 실시예에 따른 점과 점사이의 각도를 나타내는 도면이다.
정렬된 중심축의 점들 중에서 인접한 점
Figure pat00123
와
Figure pat00124
가 있다고 가정하면,
Figure pat00125
는 도 20과 같고 식(19)와 같이 계산한다.
Figure pat00126
(19)
도 21은 본 발명의 일 실시예에 따른 혈관 두께 측정 방법을 나타내는 도면이다.
Figure pat00127
를 이용한 혈관의 두께 측정 방법은 도 21과 같이 계산된다. 측정할 중심축의 점을
Figure pat00128
이라고 가정하면, 두께 측정 방법은 다음 표 2와 같다.
Figure pat00129
Figure pat00130
과
Figure pat00131
및
Figure pat00132
위치 및 좌표 값은 식(20)을 이용하여 계산한다.
Figure pat00133
(20)
식(20)에서
Figure pat00134
와
Figure pat00135
는 각각
Figure pat00136
이다.
도 22는 본 발명의 일 실시예에 따른 혈관 두께 측정 결과를 나타내는 도면이다.
혈관의 두께 측정 기법을 적용하여 구한 두께 측정 결과는 도 22와 같다.
도 23은 본 발명의 일 실시예에 따른 컴퓨터 보조 진단 시스템을 이용한 식도암 확대 내시경 영상 분석 장치의 구조를 나타내는 도면이다.
컴퓨터 보조 진단 시스템을 이용한 식도암 확대 내시경 영상 분석 장치(2300)는 관심 영역 추출부(2310), 혈관 영역 추출부(2320) 및 분석부(2330)를 포함한다.
관심 영역 추출부(2310)는 내시경 영상을 입력 받아 관심 영역을 추출하고, 추출된 관심 영역에서 어두운 명암도 값을 갖는 혈관과 밝은 명암도 값을 갖는 배경 영역의 명암대비를 강조한다. 관심 영역 추출부(2310)는 스트레칭 기법들 중 퍼지 스트레칭 기법을 이용하여 내시경 영상의 평균 밝기 값을 기준으로, 가장 낮은 픽셀 값과 가장 높은 픽셀 값과의 각 거리를 계산하여 밝기 조정율을 구한다.
혈관 영역 추출부(2320)는 명암대비가 강조된 관심 영역에서 이진화 기법을 적용하여 혈관 후보 영역을 추출하고, 추출된 혈관 후보 영역에서 잡음을 제거하고, 잡음이 제거된 혈관 후보 영역으로부터 혈관의 경계선을 추출하여 제거하고, 양자화 기법을 적용하여 최종 혈관 영역을 추출한다. 혈관 영역 추출부(2320)는 미리 정의된 윈도우 영역 내에서 평균과 표준편차 값을 이용하여 임계치를 설정하는 국소적 이진화 기법을 적용하여 혈관 후보 영역을 추출한다. 혈관 영역 추출부(2320)는 내시경 영상을 주파수 공간으로 변환하고, 주파수 공간에서 영상을 필터링하는 고속 푸리에 변환을 적용하여 상기 추출된 혈관 후보 영역에서 잡음을 제거하고, 자율 학습 알고리즘인 ART2 알고리즘을 적용하여 입력 패턴에 대하여 자율적으로 학습하여 특징들을 클러스터링한다.
분석부(2330)는 추출된 최종 혈관 영역에서 식도암 패턴을 분류하기 위해 SVM 알고리즘 및 혈관 객체 두께 측정 기법을 이용하여 혈관의 형태학적 특징을 추출한다. 분석부(2330)는 혈관의 유형을 분류하기 위해 혈관의 복수의 정보를 이용하여 SVM 알고리즘에 적용할 학습 데이터를 구성하고, 혈관의 가로와 세로 비율을 정확하게 측정하기 위해 방향성 경계 박스 형식을 채택하여 혈관의 정보를 추출한다. 분석부(2330)는 혈관 객체 두께 측정을 위해 혈관의 중심축을 추출하고, 중심축을 추출하기 위해서 혈관의 후보 영역에 세선화 알고리즘을 적용하여 혈관 객체의 두께를 측정한다.
본 발명에서는 식도암 확대 내시경에서 혈관을 추출하여 식도암의 침윤 깊이를 추정하기 위한 미세혈관의 패턴을 JES기준으로 자동으로 분류하는 방법을 제안하였다. 확대 내시경 영상에서 미세 혈관의 특징을 이용하여 혈관을 추출하고, 추출된 혈관에서 SVM 알고리즘과 제안된 두께 측정 방법을 적용하여 JES 기준에 적합한 B1 유형, B2 유형, B3 유형으로 분류하였다. B1 유형과 비-B1 유형을 분류하는 과정에서 적용한 SVM 알고리즘은 선형 타입의 Kernel을 사용하여 학습하였다. 제안된 방법의 성능을 평가하기 위해 식도암 확대 내시경 영상 114장을 대상으로 실험한 결과에서 정확도는 83.3%, 민감도와 특이도는 각각 74.5%와 89.6%로 확인되었다. 그리고 비-B1 유형에서 B2 유형과 B3 유형의 분류 방법은 혈관의 두께를 측정하여 비교하였다. B2 유형 혈관에서 5개의 평균 두께 값과 대표 혈관의 가장 두꺼운 두께 값의 비율을 3.7의 컷-오프-값(cut-off-value)을 설정하여 실험한 결과에서는 정확도 73.1%, 민감도 73.7%, 특이도 72.9%로 나타났다. 본 발명에서 알 수 있듯이 제안된 방법으로 식도암 확대 내시경 영상에 대한 객관적인 데이터를 제공할 후 있어 실제 임상에서 컴퓨터 보조 시스템으로서의 가능성을 확인하였다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, arithmetic logic unit (ALU), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, field programmable array (FPA), programmable logic unit (PLU), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다.　 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다.　 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다.　 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다.　 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다.　 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다.　 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다.　 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.　 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.　 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.　 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.　
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다.　 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (14)

  1. 내시경 영상을 입력 받아 관심 영역을 추출하고, 추출된 관심 영역에서 어두운 명암도 값을 갖는 혈관과 밝은 명암도 값을 갖는 배경 영역의 명암대비를 강조하는 단계;
    명암대비가 강조된 관심 영역에서 이진화 기법을 적용하여 혈관 후보 영역을 추출하는 단계;
    추출된 혈관 후보 영역에서 잡음을 제거하고, 잡음이 제거된 혈관 후보 영역으로부터 혈관의 경계선을 추출하여 제거하고, 양자화 기법을 적용하여 최종 혈관 영역을 추출하는 단계; 및
    추출된 최종 혈관 영역에서 복수의 식도암 패턴을 분류하기 위해 SVM 알고리즘 및 혈관 객체 두께 측정 기법을 이용하여 혈관의 형태학적 특징을 추출하는 단계
    를 포함하는 식도암 확대 내시경 영상 분석 방법.
  2. 제1항에 있어서,
    상기 내시경 영상을 입력 받아 관심 영역을 추출하고, 추출된 관심 영역에서 어두운 명암도 값을 갖는 혈관과 밝은 명암도 값을 갖는 배경 영역의 명암대비를 강조하는 단계는,
    스트레칭 기법들 중 퍼지 스트레칭 기법을 이용하여 내시경 영상의 평균 밝기 값을 기준으로, 가장 낮은 픽셀 값과 가장 높은 픽셀 값과의 각 거리를 계산하여 밝기 조정율을 구하는
    식도암 확대 내시경 영상 분석 방법.
  3. 제1항에 있어서,
    상기 명암대비가 강조된 관심 영역에서 이진화 기법을 적용하여 혈관 후보 영역을 추출하는 단계는,
    미리 정의된 윈도우 영역 내에서 평균과 표준편차 값을 이용하여 임계치를 설정하는 국소적 이진화 기법을 적용하여 혈관 후보 영역을 추출하는
    식도암 확대 내시경 영상 분석 방법.
  4. 제1항에 있어서,
    상기 추출된 혈관 후보 영역에서 잡음을 제거하고, 잡음이 제거된 혈관 후보 영역으로부터 혈관의 경계선을 추출하여 제거하고, 양자화 기법을 적용하여 최종 혈관 영역을 추출하는 단계는,
    내시경 영상을 주파수 공간으로 변환하고, 주파수 공간에서 영상을 필터링하는 고속 푸리에 변환을 적용하여 상기 추출된 혈관 후보 영역에서 잡음을 제거하는
    식도암 확대 내시경 영상 분석 방법.
  5. 제4항에 있어서,
    자율 학습 알고리즘인 ART2 알고리즘을 적용하여 입력 패턴에 대하여 자율적으로 학습하여 특징들을 클러스터링하는
    식도암 확대 내시경 영상 분석 방법.
  6. 제1항에 있어서,
    상기 추출된 최종 혈관 영역에서 복수의 식도암 패턴을 분류하기 위해 SVM 알고리즘 및 혈관 객체 두께 측정 기법을 이용하여 혈관의 형태학적 특징을 추출하는 단계는,
    혈관의 유형을 분류하기 위해 혈관의 복수의 정보를 이용하여 SVM 알고리즘에 적용할 학습 데이터를 구성하고, 혈관의 가로와 세로 비율을 정확하게 측정하기 위해 방향성 경계 박스 형식을 채택하여 혈관의 정보를 추출하는
    식도암 확대 내시경 영상 분석 방법.
  7. 제1항에 있어서,
    상기 추출된 최종 혈관 영역에서 복수의 식도암 패턴을 분류하기 위해 SVM 알고리즘 및 혈관 객체 두께 측정 기법을 이용하여 혈관의 형태학적 특징을 추출하는 단계는,
    혈관 객체 두께 측정을 위해 혈관의 중심축을 추출하고, 중심축을 추출하기 위해서 혈관의 후보 영역에 세선화 알고리즘을 적용하여 혈관 객체의 두께를 측정하는
    식도암 확대 내시경 영상 분석 방법.
  8. 내시경 영상을 입력 받아 관심 영역을 추출하고, 추출된 관심 영역에서 어두운 명암도 값을 갖는 혈관과 밝은 명암도 값을 갖는 배경 영역의 명암대비를 강조하는 관심 영역 추출부;
    명암대비가 강조된 관심 영역에서 이진화 기법을 적용하여 혈관 후보 영역을 추출하고, 추출된 혈관 후보 영역에서 잡음을 제거하고, 잡음이 제거된 혈관 후보 영역으로부터 혈관의 경계선을 추출하여 제거하고, 양자화 기법을 적용하여 최종 혈관 영역을 추출하는 혈관 영역 추출부; 및
    추출된 최종 혈관 영역에서 복수의 식도암 패턴을 분류하기 위해 SVM 알고리즘 및 혈관 객체 두께 측정 기법을 이용하여 혈관의 형태학적 특징을 추출하는 분석부
    를 포함하는 식도암 확대 내시경 영상 분석 장치.
  9. 제8항에 있어서,
    상기 관심 영역 추출부는,
    스트레칭 기법들 중 퍼지 스트레칭 기법을 이용하여 내시경 영상의 평균 밝기 값을 기준으로, 가장 낮은 픽셀 값과 가장 높은 픽셀 값과의 각 거리를 계산하여 밝기 조정율을 구하는
    식도암 확대 내시경 영상 분석 장치.
  10. 제8항에 있어서,
    상기 혈관 영역 추출부는,
    미리 정의된 윈도우 영역 내에서 평균과 표준편차 값을 이용하여 임계치를 설정하는 국소적 이진화 기법을 적용하여 혈관 후보 영역을 추출하는
    식도암 확대 내시경 영상 분석 장치.
  11. 제8항에 있어서,
    상기 혈관 영역 추출부는,
    내시경 영상을 주파수 공간으로 변환하고, 주파수 공간에서 영상을 필터링하는 고속 푸리에 변환을 적용하여 상기 추출된 혈관 후보 영역에서 잡음을 제거하는
    식도암 확대 내시경 영상 분석 장치.
  12. 제11항에 있어서,
    자율 학습 알고리즘인 ART2 알고리즘을 적용하여 입력 패턴에 대하여 자율적으로 학습하여 특징들을 클러스터링하는
    식도암 확대 내시경 영상 분석 장치.
  13. 제8항에 있어서,
    상기 분석부는,
    혈관의 유형을 분류하기 위해 혈관의 복수의 정보를 이용하여 SVM 알고리즘에 적용할 학습 데이터를 구성하고, 혈관의 가로와 세로 비율을 정확하게 측정하기 위해 방향성 경계 박스 형식을 채택하여 혈관의 정보를 추출하는
    식도암 확대 내시경 영상 분석 장치.
  14. 제8항에 있어서,
    상기 분석부는,
    혈관 객체 두께 측정을 위해 혈관의 중심축을 추출하고, 중심축을 추출하기 위해서 혈관의 후보 영역에 세선화 알고리즘을 적용하여 혈관 객체의 두께를 측정하는
    식도암 확대 내시경 영상 분석 장치.
KR1020180105219A 2018-09-04 2018-09-04 컴퓨터 보조 진단 시스템을 이용한 식도암 확대 내시경 영상 분석 방법 및 장치 KR102223263B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180105219A KR102223263B1 (ko) 2018-09-04 2018-09-04 컴퓨터 보조 진단 시스템을 이용한 식도암 확대 내시경 영상 분석 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180105219A KR102223263B1 (ko) 2018-09-04 2018-09-04 컴퓨터 보조 진단 시스템을 이용한 식도암 확대 내시경 영상 분석 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20200027202A true KR20200027202A (ko) 2020-03-12
KR102223263B1 KR102223263B1 (ko) 2021-03-04

Family

ID=69803052

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180105219A KR102223263B1 (ko) 2018-09-04 2018-09-04 컴퓨터 보조 진단 시스템을 이용한 식도암 확대 내시경 영상 분석 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102223263B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4133991A4 (en) * 2020-04-08 2023-09-27 FUJIFILM Corporation MEDICAL IMAGE PROCESSING SYSTEM, DETECTION DATA PROCESSOR PROCESSOR, AND OPERATING METHODS FOR THE MEDICAL IMAGE PROCESSING SYSTEM

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008073332A (ja) * 2006-09-22 2008-04-03 Gifu Univ 医用画像処理装置、画像処理方法及びプログラム
KR20120000731A (ko) * 2010-06-28 2012-01-04 주식회사 사이버메드 엑스레이 이미지를 이용한 혈관의 경로 추출 방법
KR101328729B1 (ko) * 2012-09-14 2013-11-11 이화여자대학교 산학협력단 영상 내 혈관 분할 방법 및 장치

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008073332A (ja) * 2006-09-22 2008-04-03 Gifu Univ 医用画像処理装置、画像処理方法及びプログラム
KR20120000731A (ko) * 2010-06-28 2012-01-04 주식회사 사이버메드 엑스레이 이미지를 이용한 혈관의 경로 추출 방법
KR101328729B1 (ko) * 2012-09-14 2013-11-11 이화여자대학교 산학협력단 영상 내 혈관 분할 방법 및 장치

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4133991A4 (en) * 2020-04-08 2023-09-27 FUJIFILM Corporation MEDICAL IMAGE PROCESSING SYSTEM, DETECTION DATA PROCESSOR PROCESSOR, AND OPERATING METHODS FOR THE MEDICAL IMAGE PROCESSING SYSTEM
US11954897B2 (en) 2020-04-08 2024-04-09 Fujifilm Corporation Medical image processing system, recognition processing processor device, and operation method of medical image processing system

Also Published As

Publication number Publication date
KR102223263B1 (ko) 2021-03-04

Similar Documents

Publication Publication Date Title
Oliveira et al. A computational approach for detecting pigmented skin lesions in macroscopic images
Sheng et al. Retinal vessel segmentation using minimum spanning superpixel tree detector
Lupascu et al. FABC: retinal vessel segmentation using AdaBoost
Fathi et al. Automatic wavelet-based retinal blood vessels segmentation and vessel diameter estimation
Lazar et al. Retinal microaneurysm detection through local rotating cross-section profile analysis
Zhang et al. Retinal vessel segmentation using multi-scale textons derived from keypoints
WO2020107717A1 (zh) 视觉显著性区域检测方法及装置
CN111340789A (zh) 眼底视网膜血管识别及量化方法、装置、设备及存储介质
Hou Automatic segmentation of retinal blood vessels based on improved multiscale line detection
Esmaeili et al. Automatic detection of exudates and optic disk in retinal images using curvelet transform
Abbasi-Sureshjani et al. Automatic detection of vascular bifurcations and crossings in retinal images using orientation scores
US9070043B2 (en) Method and apparatus for analyzing video based on spatiotemporal patterns
JP2017531883A (ja) 画像の主要被写体を抽出する方法とシステム
He et al. Automatic skin lesion segmentation based on texture analysis and supervised learning
JP2009523265A (ja) 画像中の虹彩の特徴を抽出する方法
Cavalcanti et al. Macroscopic pigmented skin lesion segmentation and its influence on lesion classification and diagnosis
JP2009523266A (ja) 目に関して取得される画像中の虹彩を表す画素を特定する方法
JP2007188504A (ja) 画像中の画素強度をフィルタリングする方法
Sabouri et al. A cascade classifier for diagnosis of melanoma in clinical images
Pachade et al. Retinal vasculature segmentation and measurement framework for color fundus and SLO images
CN108280448B (zh) 指静脉按压图的判别方法及装置、指静脉识别方法
KR102223263B1 (ko) 컴퓨터 보조 진단 시스템을 이용한 식도암 확대 내시경 영상 분석 방법 및 장치
Fondón et al. Automatic optic cup segmentation algorithm for retinal fundus images based on random forest classifier
CN106372593B (zh) 一种基于血管收敛的视盘区定位方法
Soni et al. A Matlab Based High Speed Face Recognition System Using SOM Neural Networks

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