WO2015026050A1 - 의료 영상의 정량화 방법 - Google Patents

의료 영상의 정량화 방법 Download PDF

Info

Publication number
WO2015026050A1
WO2015026050A1 PCT/KR2014/004974 KR2014004974W WO2015026050A1 WO 2015026050 A1 WO2015026050 A1 WO 2015026050A1 KR 2014004974 W KR2014004974 W KR 2014004974W WO 2015026050 A1 WO2015026050 A1 WO 2015026050A1
Authority
WO
WIPO (PCT)
Prior art keywords
size
interest
region
regions
image
Prior art date
Application number
PCT/KR2014/004974
Other languages
English (en)
French (fr)
Inventor
이민호
김남국
서준범
Original Assignee
재단법인 아산사회복지재단
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 재단법인 아산사회복지재단 filed Critical 재단법인 아산사회복지재단
Publication of WO2015026050A1 publication Critical patent/WO2015026050A1/ko
Priority to US15/049,666 priority Critical patent/US10007984B2/en

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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computerised tomographs
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/50—Clinical applications
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration by the use of local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/30061—Lung
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]

Definitions

  • the present disclosure relates to a method of quantifying a medical image as a whole, and more particularly, to a method of quantifying a medical image that divides regions of interest according to sizes of regions of interest.
  • the lungs are organs that exchange blood CO 2 with O 2 in the air, and it is important that local alveoli in the lungs are constantly receiving fresh air (O 2 ) and blood.
  • Various methods are used to test diseases of the lung, such as chronic obstructive pulmonary disease (CODP), such as emphysema and chronic bronchitis.
  • CODP chronic obstructive pulmonary disease
  • the carbon monoxide diffusivity (DLco) test is a test for measuring the partial pressure difference of carbon monoxide in the inspiratory state and the exhaled state.
  • the carbon monoxide diffusivity test only gives average information on lung function and does not distinguish between left and right lungs or location.
  • CT computed tomography
  • LAA area ratio
  • LAA emphysema occupied by a low attenuation area
  • LAA% or EI using this CT shows left and right lungs distinct and shows the distribution of emphysema at the pixel level.
  • emphysema imaging and EI alone do not provide objective information about the local distribution and extent of emphysema.
  • the EI is almost similar in the left emphysema image (FIG. 1A) and the right emphysema image (FIG. 1B), but the size and distribution of emphysema are markedly different.
  • physicians can visually and intuitively determine size and distribution, there is a problem that they are not objective.
  • EI which is an intuitive judgment based on lung imaging or an average value, does not provide enough information about the association between the size and regional distribution of emphysema and the anatomical structure of the lung.
  • regions of interest are generated based on a medical image; And classifying the ROIs according to the sizes of the ROIs.
  • FIG. 1 is a view illustrating an example of an emphysema image obtained by thresholding a lung image
  • FIG. 2 is a view for explaining an example of a method for quantifying an image according to the present disclosure
  • FIG. 3 is a view for explaining an example of an emphysema image obtained by thresholding a lung image
  • FIG. 4 is a view for explaining an example of a method for removing noise from an emphysema image
  • FIG. 5 is a view for explaining an example of a hole filling effect (hole filling)
  • FIG. 6 is a diagram illustrating an example of a process in which regions of interest are filtered by a Gaussian low pass filter
  • FIG. 7 is a diagram illustrating an example of a process in which a region of interest is filtered by a Gaussian low pass filter to extract a set of pixels;
  • FIG. 8 illustrates an example of a process of forming an expansion region based on a set of pixels passing through a Gaussian low pass filter
  • FIG. 9 is a view for explaining an example of a process of generating a first size region from an expansion region
  • FIG. 10 is a view illustrating a process described in FIG. 9 as a spectral image of regions of interest
  • FIG. 11 is a diagram illustrating an example of a process of removing a first size region from an ROI image
  • FIG. 12 is a diagram illustrating an example of ROIs divided by size regions by repeatedly dividing according to sizes
  • FIG. 13 illustrates a phantom study in which emphysema is modeled as a sphere.
  • FIG. 2 is a view for explaining an example of a method for quantifying an image according to the present disclosure.
  • regions of interest are first generated based on the medical image (10, 15, 20). Thereafter, the regions of interest are classified according to the sizes of the regions of interest (40-80).
  • a medical image is acquired by the medical imaging apparatus, and the medical image is thresholded to extract regions of interest.
  • the regions of interest are image processed.
  • image processing the intensity of each region of interest is imaged to correlate with the size of the region of interest.
  • the size range of the ROIs is determined based on the intensity of the image-processed ROIs.
  • the size of the regions of interest is filtered by length scale analysis.
  • a region of interest (first size region) belonging to the first size range among the regions of interest is obtained.
  • the first size region is then removed from the regions of interest.
  • the size is filtered by length scale analysis for the regions of interest from which the first size region has been removed.
  • a region of interest (second size region) belonging to the second size range in the regions of interest is obtained.
  • the first size region and the second size region may be visualized to be distinguished on the medical image.
  • FIG. 3 is a diagram illustrating an example of an emphysema image obtained by threshing a lung image.
  • a medical image is acquired by the medical imaging apparatus (10, 15 of FIG. 2).
  • an image of an organ is acquired by a medical imaging apparatus such as computed tomography (CT) and magnetic resonance imaging (MRI). Thereafter, the medical image is thresholded to extract regions of interest (20 of FIG. 2).
  • CT computed tomography
  • MRI magnetic resonance imaging
  • FIG. 3 illustrates an emphysema image generated by thrash-holding a lung image acquired by a chest volume CT.
  • Lung images show the anatomy of the lungs and the ventilation of the air.
  • the air shown in the lung image is air in the lungs' normal air vent (airway), but the air is also filled in areas where the lung structure (eg alveoli) is damaged.
  • LAA attenuation area
  • Regions of interest may be equally intensified for later processing.
  • the region of interest may be given 225 as the Maximum density value (MDV).
  • FIG. 4 is a diagram illustrating an example of a method of removing noise from an emphysema image.
  • small holes determined to be noise appearing in the ROIs are filled (30 in FIG. 2). Holes appear in areas of interest due to partial volume effects or noise. These holes are about 1 or 2 pixels in size, but are removed from the areas of interest because later in the process, the accuracy of size filtering of the areas of interest is greatly degraded. For example, the holes are filled using an appropriate filling filter.
  • 5 is a view for explaining an example of the hole peeling effect.
  • the ROI image is obtained with 3D volume data. Regions with and without emphysema in a particular direction in the ROI image may be obtained in a spectral form, as shown in FIG. 5 (a). In Figure 5 (a), hole-shaped noise is illustrated (32, 34).
  • an error may occur when regions of interest are filtered by a kernel size by a Gaussian low pass filter.
  • the region of interest 35 blurred by the Gaussian low pass filter has an MDV smaller than the reference value.
  • MDV the region of interest 35 blurred by the Gaussian low pass filter
  • the process of quantification of the ROIs is performed by using the ROI image from which the noise is removed.
  • FIG. 6 is a diagram illustrating an example of a process in which regions of interest are filtered by a Gaussian low pass filter.
  • FIG. 7 illustrates an example of a process in which a region of interest is filtered by a Gaussian low pass filter to extract a set of pixels.
  • the ROI image from which noises have been removed is image processed.
  • image processing the intensity of each region of interest is imaged to correlate with the size of the region of interest.
  • the size range of the ROIs is determined based on the intensity of the image-processed ROIs.
  • length scale analysis may be used as an image processing method and a size filtering method.
  • a magnitude filtering method using a Gaussian low pass filter is used as an example of the length scale analysis (50 of FIG. 2).
  • the regions of interest are blurred as shown in FIG. 6 (b). do. That is, the regions of interest are imaged and the edges are smoothed.
  • a first kernel size eg, 15 mm
  • regions of interest of 15 mm or more have a set of pixels 100 whose intensity corresponds to MDV, as shown in FIG. 55 of FIG. 2).
  • the region of interest in which the pixels larger than the MDV remain is defined as the first size region.
  • the set of pixels 100 appears in the ROI image, as shown in FIG. 7.
  • FIG. 8 is a diagram illustrating an example of a process of forming an expansion region based on a set of pixels passing through a Gaussian low pass filter.
  • a dilation method can be used for image reconstruction, and the degree of dilation by the dilation technique is limited by the kernel size of the Gaussian low pass filter (70 in FIG. 2).
  • the kernel size of the Gaussian low pass filter takes into account the pixel-to-pixel spacing. Since the set of pixels is pixels that pass through the Gaussian low pass filter, the total width of the pixels arranged in a straight line in the set of pixels is less than or equal to the kernel size of the Gaussian low pass filter. In addition, the degree of expansion of the expansion region is determined by the kernel size.
  • FIG. 9 is a view for explaining an example of a process of generating a first size region from an expansion region.
  • FIG. 10 is a diagram illustrating a process described in FIG. 9 as a spectral image of regions of interest.
  • the expanded region 200 only extends from the set of pixels 100 to match the kernel size and differs from the contour of the original region of interest (see FIG. 10 (b)).
  • the shape of the ROI is restored by mapping the expanded region 200 to the ROI including the set of pixels (80 of FIG. 2).
  • the region of interest whose shape is restored by passing through the Gaussian low pass filter of the first kernel size condition is defined as the first size region 300.
  • FIG. 11 is a diagram illustrating an example of a process of removing a first size region from an ROI image.
  • the first size region 300 (see FIG. 11B) is removed from the ROI image (see FIG. 11A) obtained by thrashing the closed image. As a result, the ROI image from which the first size region 300 is removed is obtained (see FIG. 11C).
  • FIG. 12 is a diagram illustrating an example of ROIs divided by size regions by repeatedly dividing according to sizes.
  • the number of times of extraction of the size region is determined (40 of FIG. 2).
  • the second size region is extracted from the ROI image from which the first size region is removed.
  • the second size area is removed from the image from which the first size area is removed.
  • the third size region is extracted from the image from which the second size region is removed.
  • the third size region is removed from the image from which the second size region is removed.
  • the fourth size region is extracted from the image from which the third size region is removed.
  • the extracted first size region, second size region, third size region, and fourth size region may be visualized as shown in FIG. 12.
  • the area distribution is visually known from the ROI image (FIGS. 12A and 12C), but there is no significant difference in EI, that is, the area ratio.
  • EI the area ratio
  • an image in which the regions of interest are divided according to the size may be needed in order to quantify and objectively evaluate the region of interest.
  • the present disclosure may represent such a size distribution as a value.
  • FIG. 13 is a diagram illustrating a phantom study in which emphysema is modeled as a sphere.
  • Emphysema modeled as spheres was modeled to vary in size from 1 mm to 15 mm. Sigma values derived from Gaussian kernels were used. From the results of phantom studies, one can assess the accuracy or effectiveness of examples of methods for quantifying medical images.
  • the size of the emphysema is correctly filtered in the size filtering of the emphysema using a Gaussian low pass filter.
  • the size of the emphysema modeled as a sphere is underestimated.
  • Table 1 below shows the actual experimental results of the quantification method of the medical image according to the present example. Experiments were carried out on 20 CODP patients without local focal lesions, such as pneumonia and tuberculosis, and were validated by an experienced 7-year chest thoracic radiologist. There are 19 males and 1 female, with an average age of 62.2 years.
  • r-value * is a relationship between the results of blind visual evaluations of emphysema by chest thoracic radiologists and the results of the quantification method of medical images according to this example (Pearson correlation). r values). Incorrect estimation (%) represents underestimation probability and overestimation probability.
  • the step of distinguishing the ROIs may include: image processing of the ROIs, wherein the ROIs are image-processed so that the intensity of the image-processed ROI correlates with the size of the ROI; And determining a size range of the ROIs based on the intensities of the ROIs processed. 2.
  • the separating of the ROIs may include: obtaining a first size region of the ROIs by filtering the sizes of the ROIs by length scale analysis; Removing the first size region from the regions of interest; And obtaining a second size region by filtering the size of the ROIs from which the first size region has been removed by length scale analysis.
  • (4) generating the ROIs includes: obtaining a medical image by the medical imaging apparatus; And extracting the ROIs through the thresholding of the medical image.
  • Generating regions of interest may include: obtaining an organ image by computed tomography (CT); And determining the regions of lesions extracted by thrust-holding an image of the organ as regions of interest.
  • CT computed tomography
  • obtaining the first size region includes: blurring the regions of interest by a Gaussian LPF; And extracting a set of pixels having intensity greater than or equal to a reference value among the blurred regions of interest; Creating a dilated region from a collection of pixels using a dilation method; And generating a first size region by mapping the expanded region to a region of interest including a set of pixels to generate a first size region.
  • the total width of the pixels arranged in a straight line in the pixel set is equal to or less than the kernel size of the Gaussian low pass filter, and the degree of expansion of the expansion region is determined by the kernel size. Way.
  • Generating regions of interest may include: obtaining a lung image by a medical imaging apparatus; And determining the lesion areas extracted from the lung image through the lung-holding as the ROIs, wherein the ROIs are classified into: a Gaussian LPF filter in which the lesion areas have a first kernel size. Extracting a set of first pixels that are blurred by and whose intensity is greater than or equal to a reference value; Obtaining a first size region belonging to a first size range by a reconstruction process using a set of first pixels;
  • a computer-readable recording medium having recorded thereon a program for executing the method according to any one of claims 1 to 10 on a computer.
  • the quantification method of the medical image it is possible to accumulate data quantifying a region of interest in the medical image to improve the accuracy and effect of diagnosis and treatment.
  • the quantitative comparative evaluation of the region of interest can confirm the effect of response to a particular treatment, which is very useful for developing a therapy or drug.

Abstract

본 개시는 의료 영상을 기초로 관심 영역들(regions of interest)이 생성되는 단계; 그리고 관심 영역들의 크기(size)에 따라 관심 영역들이 구분(classification)되는 단계;를 포함하는 것을 특징으로 하는 의료 영상의 정량화 방법에 관한 것이다.

Description

의료 영상의 정량화 방법
본 개시(Disclosure)는 전체적으로 의료 영상의 정량화 방법에 관한 것으로, 특히 관심 영역들의 크기에 따라 관심 영역들을 구분하는 의료 영상의 정량화 방법에 관한 것이다.
여기서는, 본 개시에 관한 배경기술이 제공되며, 이들이 반드시 공지기술을 의미하는 것은 아니다(This section provides background information related to the present disclosure which is not necessarily prior art).
폐는 혈중 CO2를 공기 중의 O2와 교환해주는 기관으로서 폐의 지역적 폐포들이 지속적으로 새로운 공기(O2)와 피를 공급받는 것이 중요하다. 폐기종(emphysema) 및 만성 기관지염(chronic bronchitis)과 같은 만성 폐쇄성 폐질환(chronic obstructive pulmonary disease; CODP) 등 폐의 질병을 검사하는 방법으로 다양한 방법이 사용된다.
예를 들어, 일산화탄소확산능(DLco) 검사는 흡기 상태와 호기 상태에서 일산화탄소의 부분압 차이를 측정하는 검사이다. 그러나 일산화탄소확산능 검사는 폐 기능의 평균적인 정보를 줄 뿐, 좌우측 폐를 구분하거나 폐의 위치에 따른 정보는 주지 못한다.
한편, 고해상도 컴퓨터단층촬영(computed tomography; CT)은 CODP에 의한 폐 구조의 변화를 평가하는 비침습적(nonivasive) 수단으로 널리 사용되고 있다. 예를 들어, 도 1에 도시된 것과 같이, CT를 사용하여 폐 영상을 얻고, 폐 영상에서 폐기능의 손실과 연관이 있는 LAA(low attenuation area)가 차지하는 면적비(LAA%) 또는 폐기종 지표(emphysema index; EI)와 같은 지표를 사용하였다.
이와 같은 CT를 사용한 LAA% 또는 EI는 좌우측 폐를 구별하여 보여주고 픽셀 수준에서 폐기종의 분포를 보여준다. 그러나 폐기종 영상과 EI만으로는 폐기종의 지역적 분포(local distribution)와 정도(extent)에 관한 객관적 정보를 주지 못한다. 예를 들어, 좌측 폐기종 영상(도 1(a))과 우측 폐기종 영상(도 1(b))에서 EI는 거의 비슷하지만, 폐기종의 크기와 분포가 현저히 다른 것을 알 수 있다. 의사가 시각적으로 및 직관적으로 크기와 분포를 판단할 수 있지만, 객관적이지 못하다는 문제가 있다.
또한, 폐기종은 폐의 구조적 손상을 나타내므로 폐의 해부학적 구조와 폐기종의 크기 및 분포 간에는 연관성이 있다. 그러나 폐 영상에 의한 직관적 판단이나 평균적 수치인 EI로는 폐기종의 크기 및 지역적 분포와 폐의 해부학적 구조 간의 연관성에 대해 충분한 정보를 주지 못하는 문제가 있다.
논문 Longitudinal Study of Spatially Heterogeneous Emphysema Progression in Current Smokers with Chronic Obstructive Pulmonary Disease(Naoya Tanabe, Shigeo Muro, Susumu Sato, Shiro Tanaka, Tsuyoshi Oguma, Hirofumi Kiyokawa, Tamaki Takahashi, Daisuke Kinose, Yuma Hoshino, Takeshi Kubo, Toyohiro Hirai1, Michiaki Mishima)에는 LAA%와 폐기종 클러스터(cluster)들의 형태 및 개수의 연도별 변화를 측정하는 방법이 개시되어 있다. 그러나 폐기종 클러스터들 또는 폐기종 클러스터를 구성하는 폐기종 자체의 크기별로 구분하는 방법을 개시하지 못한다.
이에 대하여 '발명의 실시를 위한 구체적인 내용'의 후단에 기술한다.
여기서는, 본 개시의 전체적인 요약(Summary)이 제공되며, 이것이 본 개시의 외연을 제한하는 것으로 이해되어서는 아니된다(This section provides a general summary of the disclosure and is not a comprehensive disclosure of its full scope or all of its features).
본 개시에 따른 일 태양에 의하면(According to one aspect of the present disclosure), 의료 영상을 기초로 관심 영역들(regions of interest)이 생성되는 단계; 그리고 관심 영역들의 크기(size)에 따라 관심 영역들이 구분(classification)되는 단계;를 포함하는 것을 특징으로 하는 의료 영상의 정량화 방법이 제공된다.
이에 대하여 '발명의 실시를 위한 구체적인 내용'의 후단에 기술한다.
도 1은 폐 영상을 쓰레쉬홀딩(thresholding)하여 획득된 폐기종(emphysema) 영상의 일 예를 설명하는 도면,
도 2는 본 개시에 따른 영상의 정량화 방법의 일 예를 설명하는 도면,
도 3은 폐 영상을 쓰레쉬홀딩(thresholding)하여 획득된 폐기종(emphysema) 영상의 일 예를 설명하는 도면,
도 4는 폐기종 영상에서 노이즈가 제거되는 방법의 일 예를 설명하는 도면,
도 5는 홀필링(hole filling) 효과의 일 예를 설명하는 도면,
도 6은 관심 영역들이 가우시안 로우패스필터에 의해 필터링되는 과정의 일 예를 설명하는 도면,
도 7은 관심 영역들이 가우시안 로우패스필터에 의해 필터링되어 픽셀의 집합이 추출되는 과정의 일 예를 설명하는 도면,
도 8은 가우시안 로우패스필터를 통과한 픽셀의 집합을 기초로 팽창 영역이 형성되는 과정의 일 예를 설명하는 도면,
도 9는 팽창 영역으로부터 제1 크기 영역이 생성되는 과정의 일 예를 설명하는 도면,
도 10은 도 9에서 설명된 과정을 관심 영역들의 스펙트럼 영상으로 설명하는 도면,
도 11은 관심 영역 영상으로부터 제1 크기 영역이 제거되는 과정의 일 예를 설명하는 도면,
도 12는 크기에 따른 구분을 반복하여 크기 영역별로 구분된 관심 영역들의 일 예를 설명하는 도면,
도 13은 폐기종을 구(sphere)로 모델링한 팬텀 연구(phantom study)를 설명하는 도면.
이하, 본 개시를 첨부된 도면을 참고로 하여 자세하게 설명한다(The present disclosure will now be described in detail with reference to the accompanying drawing(s)).
도 2는 본 개시에 따른 영상의 정량화 방법의 일 예를 설명하는 도면이다.
의료 영상의 정량화 방법에서, 먼저, 의료 영상을 기초로 관심 영역들(regions of interest)이 생성된다(10, 15, 20). 이후, 관심 영역들의 크기에 따라 관심 영역들이 구분(classification)된다(40-80).
예를 들어, 의료 영상 장치에 의해 의료 영상이 획득되고, 의료 영상이 쓰레쉬홀딩(thresholding)되어 관심 영역들이 추출된다.
이후, 관심 영역들로부터 노이즈(nosies)가 제거되고, 관심 영역들이 영상 처리(image processing)된다. 영상 처리에서, 각 관심 영역들의 인텐시티가 해당 관심 영역의 사이즈와 상관 관계를 가지도록 영상 처리된다. 다음, 영상 처리된 관심 영역들의 인텐시티(intensity)를 기초로 관심 영역들의 크기 범위가 정해진다.
예를 들어, 랭스 스케일 분석(Length Scale Analysis)에 의해 관심 영역들의 크기가 필터링된다. 그 결과 관심 영역들 중 제1 크기 범위에 속하는 관심 영역(제1 크기 영역)이 획득된다. 이후, 관심 영역들에서 제1 크기 영역이 제거된다. 제1 크기 영역이 제거된 관심 영역들에 대해 랭스 스케일 분석에 의해 크기가 필터링된다. 그 결과 관심 영역들에서 제2 크기 범위에 속하는 관심 영역(제2 크기 영역)이 획득된다.
이후, 제1 크기 영역 및 제2 크기 영역이 의료 영상 위에서 구별되도록 시각화될 수 있다.
이하, 도면들을 참조하여 의료 영상의 정량화 방법이 상세히 설명된다.
도 3은 폐 영상을 쓰레쉬홀딩(thresholding)하여 획득된 폐기종(emphysema) 영상의 일 예를 설명하는 도면이다.
의료 영상의 정량화 방법에서, 먼저, 의료 영상 장치에 의해 의료 영상이 획득된다(도 2의 10, 15).
예를 들어, 컴퓨터단층촬영(CT), 자기공명영상(MRI) 등 의료 영상 장치에 의해 장기(organ)의 영상이 획득된다. 이후, 의료 영상이 쓰레쉬홀딩(thresholding)되어 관심 영역들이 추출된다(도 2의 20).
도 3에는 흉부 볼륨 CT(Volumetric Chest CT)에 의해 획득된 폐 영상이 쓰레쉬홀딩되어 생성된 폐기종(emphysema) 영상이 예시되어 있다. 폐 영상은 폐의 해부학적 구조(antomy)와 공기의 환기(ventilation)를 보여준다. 폐 영상에 나타난 공기는 폐의 정상적인 공기 환기 경로(에어 웨이)에 있는 공기도 있지만, 폐의 구조(예; 폐포)가 손상된 영역에도 공기가 채워져 있다.
예를 들어, CT에서 감쇠가 클수록 밝게 보인다. 따라서 공기는 저감쇠 영역(Low attenuation area; LAA)으로 나타난다. 쓰레휘홀드값 -950 HU으로 폐 영상을 필터링하면 정상적인 에어 웨이를 제외한 폐기종 영역들(관심 영역들)이 추출되어 폐기종 영상이 획득된다.
관심 영역들에는 이후의 과정을 위해 균등하게 인텐시티가 부여될 수 있다. 예를 들어, 관심 영역들에는 Maximum density value(MDV)로 225가 부여될 수 있다.
도 4는 폐기종 영상에서 노이즈가 제거되는 방법의 일 예를 설명하는 도면이다.
이후, 관심 영역들에 나타나는 노이즈로 판단되는 작은 홀들이 채워진다(filling)(도 2의 30). partial volume effect나 노이즈로 인해 관심 영역들에는 홀들이 나타난다. 이러 홀은 약 1, 2 개 픽셀 정도의 사이즈이지만 이후 과정에서 관심 영역들의 크기 필터링의 정확성을 많이 떨어뜨리기 때문에 관심 영역들에서 제거된다. 예를 들어, 적절한 필링 필터(filling filter)를 사용하여 홀들이 채워진다.
도 5는 홀필링 효과의 일 예를 설명하는 도면이다.
관심 영역 영상은 3차원 볼륨 데이터로 획득된다. 관심 영역 영상에서 특정 방향으로 폐기종이 있는 영역과 없는 영역이, 도 5(a)에 도시된 것과 같이, 스펙트럼 형태로 획득될 수 있다. 도 5(a)에서 홀 형태의 노이즈가 예시되어 있다(32, 34).
홀 형태의 노이즈가 제거되지 않으면 가우시안 로우패스필터(Gaussian LPF)에 의해 관심 영역들이 커널 크기에 따라 필터링될 때, 오류가 발생할 수 있다.
예를 들어, 도 5(b) 우측을 참조하면, 가우시안 로우패스필터에 의해 블러링(bluring)된 관심 영역(35)은 홀이 제거되지 않은 경우, MDV이 기준값보다 작게 나온다. 따라서 실질적으로 30 사이즈이지만 필터를 통과하지 못하게 되고, 큰 오류가 발생한다. 본 예에서는 이와 같은 노이즈가 미리 제거된다.
이와 같이, 노이즈가 제거된 관심 영역 영상을 사용하여 후술되는 것과 같이 관심 영역들의 정량화 과정이 수행된다.
도 6은 관심 영역들이 가우시안 로우패스필터에 의해 필터링되는 과정의 일 예를 설명하는 도면이다. 도 7은 관심 영역들이 가우시안 로우패스필터에 의해 필터링되어 픽셀의 집합이 추출되는 과정의 일 예를 설명하는 도면이다.
계속해서, 노이즈(nosies)가 제거된 관심 영역 영상이 영상 처리(image processing)된다. 영상 처리에서, 각 관심 영역들의 인텐시티가 해당 관심 영역의 사이즈와 상관 관계를 가지도록 영상 처리된다. 다음, 영상 처리된 관심 영역들의 인텐시티(intensity)를 기초로 관심 영역들의 크기 범위가 정해진다.
예를 들어, 영상 처리를 하고 크기를 필터링하는 방법으로 랭스 스케일 분석(Length Scale Analysis)이 사용될 수 있다. 본 예에서는 랭스 스케일 분석의 일 예로 가우시안 로우패스필터에 의한 크기 필터링 방법이 사용된다(도 2의 50).
먼저, 도 6(a)에 도시된 관심 영역 스펙트럼에 제1 커널(kernel) 크기 조건으로 가우시안 로우패스필터를 적용하면, 도 6(b)에 도시된 것과 같이, 관심 영역들이 블러링(bluring)된다. 즉 관심 영역들이 영상 처리되어 가장자리가 완만하게(smooth) 처리된다. 제1 커널 사이즈(예; 15mm) 이상으로 필터링 조건을 건 경우, 15 mm 이상의 관심 영역들은, 도 6(b)에 도시된 것과 같이, 인텐시티가 MDV에 해당하는 픽셀의 집합(100)을 가진다(도 2의 55). 이와 같이, MDV 이상의 픽셀들이 남는 관심 영역은 제1 크기 영역으로 크기 범위가 정해진다.
픽셀의 집합(100)은 관심 영역 영상에서, 도 7에 도시된 것과 같이, 나타난다.
도 8은 가우시안 로우패스필터를 통과한 픽셀의 집합을 기초로 팽창 영역이 형성되는 과정의 일 예를 설명하는 도면이다.
이후, 픽셀의 집합을 기초로 픽셀의 집합(100)을 포함하는 관심 영역이 복원된다. 이미지 복원을 위해 팽창 기법(dilation method)이 사용될 수 있으며, 팽창 기법에 의해 팽창되는 정도는 가우시안 로우패스필터의 커널 사이즈에 의해 제한된다(도 2의 70).
가우시안 로우패스필터의 커널(kernel) 사이즈는 픽셀간 간격을 고려한 것이다. 픽셀의 집합은 가우시안 로우패스필터를 통과한 픽셀들 이므로, 픽셀의 집합에서 직선상에 배열된 픽셀들의 전체 폭은 가우시안 로우패스필터의 커널 사이즈 이하이다. 또한, 팽창 영역의 팽창의 정도는 커널 사이즈에 의해 결정된다.
도 9는 팽창 영역으로부터 제1 크기 영역이 생성되는 과정의 일 예를 설명하는 도면이다. 도 10은 도 9에서 설명된 과정을 관심 영역들의 스펙트럼 영상으로 설명하는 도면이다.
팽창 영역(200)은 커널 사이즈에 부합하도록 픽셀의 집합(100)으로부터 연장된 것일 뿐 원래 관심 영역의 윤곽과는 차이가 있다(도 10(b) 참조). 따라서 관심 영역의 윤곽을 복원하기 위해 팽창 영역(200)을 픽셀의 집합을 포함하는 관심 영역에 매핑(mapping)하여 관심 영역의 형상이 복원된다(도 2의 80).
이렇게, 제1 커널 사이즈 조건의 가우시안 로우패스필터를 통과하여 형상이 복원된 관심 영역이 제1 크기 영역(300)으로 정의된다.
도 11은 관심 영역 영상으로부터 제1 크기 영역이 제거되는 과정의 일 예를 설명하는 도면이다.
폐 영상을 쓰레쉬홀딩하여 획득된 관심 영역 영상(도 11(a) 참조)으로부터 제1 크기 영역(300; 도 11(b) 참조)이 제거된다. 그 결과, 제1 크기 영역(300)이 제거된 관심 영역 영상이 획득된다(도 11(c) 참조).
도 12는 크기에 따른 구분을 반복하여 크기 영역별로 구분된 관심 영역들의 일 예를 설명하는 도면이다.
이후, 예를 들어 , 홀 필링을 한 후 크기 영역의 추출의 반복회수를 판단한다(도 2의 40). 반복 회수 판단에서 i=0, 커널 사이즈 k=15, i=1, 커널 사이즈 k=7,i=2, 커널 사이즈 k= 1.5이고, i > 3 이상이면 루프 종료와 같이 순환 과정을 정할 수 있다.
예를 들어, 제1 크기 영역이 제거된 관심 영역 영상으로부터 제2 크기 영역이 추출된다. 제1 크기 영역이 제거된 영상으로부터 제2 크기 영역이 제거된다. 제2 크기 영역이 제거된 영상으로부터 제3 크기 영역이 추출된다. 제2 크기 영역이 제거된 영상으로부터 제3 크기 영역이 제거된다. 제3 크기 영역이 제거된 영상으로부터 제4 크기 영역이 추출된다. 이와 같이, 추출된 제1 크기 영역, 제2 크기 영역, 제3 크기 영역 및 제4 크기 영역이 도 12에 도시된 것과 같이 시각화될 수 있다.
도 12에서 관심 영역 영상(도 12(a), (c))으로는 시각적으로 면적 분포를 알 수 있지만 EI, 즉 면적비로는 큰 차이가 없다. 그러나 시각적으로 관심 영역의 크기 분포를 알아도 이를 정량화하여 객관적 평가를 하기 위해서는 본 예와 같이 크기에 따라 관심 영역들이 구분된 영상(도 12(b), (d))이 필요함을 알 수 있다.
도 12(b)에서 제1 크기 영역(volume4)이 더 많고 폐의 하측 영역까지 제1 크기 영역이 분포함을 알 수 있다. 도 12(c)에는 제1 크기 영역의 개수가 작지만 제2 크기 영역이 보다 많이 분포함을 알 수 있다. 본 개시는 여기에 더하여 이와 같은 크기 분포를 값으로 나타낼 수 있다.
도 12(a) 및 도 12(c)를 참조하면, 2명의 환자는 EI은 비슷하지만 폐기종의 크기 분포가 지역적으로 다르고, 크기의 종류도 다름을 알 수 있다. 이로부터, 폐기종의 진행 정도가 다름을 알 수 있다.
도 13은 폐기종을 구(sphere)로 모델링한 팬텀 연구(phantom study)를 설명하는 도면이다.
구(sphere)로 모델링된 폐기종(emphysema)은 1mm 에서 15mm까지 다양한 크기를 가지도록 모델링되었다. 가우시안 커넬에서 유도된 표준편차(sigma values)가 사용되었다. 팬텀 연구(phantom study) 결과로부터 의료 영상의 정량화 방법의 예들의 정확성 또는 유효성을 평가할 수 있다.
폐기종이 서로 붙어있지 않은 경우(도 13의 상측) 가우시안 로우패스 필터를 사용한 폐기종의 크기 필터링에서 폐기종의 크기가 정확히 필터링된다. 그러나 폐기종이 서로 붙어 있는 경우(도 13의 하측)에는 구로 모델링된 폐기종의 크기가 저평가(underestimation)된다.
아래의 표1은 본 예에 따른 의료 영상의 정량화 방법의 실제 실험 결과를 나타낸다. 폐렴(pneumonia), 폐결핵(tuberculosis) 등 지역적 병소(focal lesion)를 갖지 않는 CODP 환자 20명에 대해 실험이 진행되었으며, 7년 경력의 흉부 방사선 전문가(expert thoracic radiologist)들에 의해 검증되었다. 남자 19명 여자 1명이며 평균 62.2세이다.
표 1
size <1.5mm <7mm <15mm 15mm<
Size-based EI(%) 3.48±1.97 12.85±7.07 7.07±7.88 4.11±8.22
r-value*(p-value**) 0.499 0.726 0.769 0.940
Incorrect estimation(%) 0.00±0.00 0.67±0.20 0.50±0.41 1.17±0.26
상기 표1에서 r-value*는 흉부 방사선 전문가(expert thoracic radiologist)들에 의해 폐기종이 시각적으로 평가(blind visual evaluations)된 결과와 본 예에 따른 의료 영상의 정량화 방법에 의한 결과의 관계(Pearson correlation r values)를 나타낸다. Incorrect estimation(%)는 underestimation probability 및 overestimation probability를 나타낸다.
상기 표1을 참조하면, 오차가 극히 작아서 본 개시에서 설명된 의료 영상의 정량화 방법이 실질적으로 유효함을 알 수 있다.
이하 본 개시의 다양한 실시 형태에 대하여 설명한다.
(1) 관심 영역들이 구분되는 단계는: 관심 영역들이 영상 처리되는 과정;으로서, 영상 처리된 관심 영역의 인텐시티가 해당 관심 영역의 사이즈와 상관 관계를 가지도록 관심 영역들이 영상 처리되는 과정; 그리고 영상 처리된 관심 영역들의 인텐시티(intensity)를 기초로 관심 영역들의 크기 범위가 정해지는 과정;을 포함하는 것을 특징으로 하는 의료 영상의 정량화 방법.
(2) 관심 영역들이 구분되는 단계는: 랭스 스케일 분석(Length Scale Analysis)에 의해 관심 영역들의 크기가 필터링되어 관심 영역들 중 제1 크기 영역이 획득되는 과정; 관심 영역들에서 제1 크기 영역이 제거되는 과정; 그리고 제1 크기 영역이 제거된 관심 영역들에 대해 랭스 스케일 분석(Length Scale Analysis)에 의해 크기가 필터링되어 제2 크기 영역이 획득되는 과정;을 포함하는 것을 특징으로 하는 의료 영상의 정량화 방법.
(3) 제1 크기 영역 및 제2 크기 영역이 의료 영상 위에서 구별되도록 시각화되는 단계;를 포함하는 것을 특징으로 하는 의료 영상의 정량화 방법.
(4) 관심 영역들이 생성되는 단계는: 의료 영상 장치에 의해 의료 영상이 획득되는 과정; 그리고 의료 영상이 쓰레쉬홀딩(thresholding)되어 관심 영역들이 추출되는 과정;을 포함하는 것을 특징으로 하는 의료 영상의 정량화 방법.
(5) 관심 영역들이 구분되는 단계 전에, 관심 영역들에 나타난 홀(hole)을 채워서(filling) 노이즈(nosies)가 제거되는 단계;를 포함하는 것을 특징으로 하는 의료 영상의 정량화 방법.
(6) 관심 영역들이 생성되는 단계는: 컴퓨터단층촬영(CT)에 의해 장기(organ)의 영상이 획득되는 과정; 그리고 장기의 영상을 쓰레쉬홀딩(thresholding)하여 추출된 병변 영역들(regions of lesion)이 관심 영역들로 정해지는 과정;을 포함하는 것을 특징으로 하는 의료 영상의 정량화 방법.
(7) 제1 크기 영역이 획득되는 단계는: 관심 영역들이 가우시안 로우패스필터(gaussian LPF)에 의해 블러링(blurring)되는 과정; 그리고 블러링된 관심 영역들 중 인텐시티가 기준 값 이상인 픽셀의 집합이 추출되는 과정; 팽창 기법(dilation method)을 사용하여 픽셀의 집합으로부터 팽창 영역(dilated region)이 생성되는 과정; 그리고 팽창 영역이 픽셀의 집합을 포함하는 관심 영역에 매핑(mapping)되어 제1 크기 영역이 생성되는 과정;을 포함하는 것을 특징으로 하는 의료 영상의 정량화 방법.
(8) 픽셀 집합에서 직선상에 배열된 픽셀들의 전체 폭은 가우시안 로우패스필터의 커널(kernel) 사이즈 이하이고, 팽창 영역의 팽창의 정도는 커널 사이즈에 의해 결정되는 것을 특징으로 하는 의료 영상의 정량화 방법.
(9) 관심 영역들이 생성되는 단계는: 의료 영상 장치에 의해 폐 영상이 획득되는 과정; 그리고 폐 영상이 쓰레쉬홀딩되어 추출된 병변 영역들이 관심 영역들로 정해지는 과정;을 포함하며, 관심 영역들이 구분되는 단계는: 병변 영역들이 제1 커널 사이즈를 가지는 가우시안 로우패스필터(gaussian LPF)에 의해 블러링되어 인텐시티가 기준 값 이상인 제1 픽셀의 집합이 추출되는 과정; 제1 픽셀의 집합을 사용한 복원 과정에 의해 제1 크기 범위에 속하는 제1 크기 영역이 획득되는 과정;
(10) 병변 영역들에서 제1 크기 영역이 제거되는 과정; 제1 크기 영역이 제거된 병변 영역들이 제2 커널 사이즈를 가지는 가우시안 로우패스필터(gaussian LPF)에 의해 블러링되어 인텐시티가 기준 값 이상인 제2 픽셀의 집합이 추출되는 과정; 그리고 제2 픽셀의 집합을 사용한 복원 과정에 의해 제2 크기 범위에 속하는 제2 크기 영역이 획득되는 단계;를 포함하는 것을 특징으로 하는 폐 영상의 정량화 방법.
(11) 청구항 1 내지 청구항 10 중 어느 한 항에 기재된 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체.
본 개시에 따른 의료 영상의 정량화 방법에 의하면, 의료 영상에서 관심 영역을 정량화한 자료를 축적하여 진단 및 치료의 정확성과 효과를 향상시킬 수 있다.
또한, 정량화된 자료와 폐의 해부학적 구조 간의 연관성을 기초로 특정 환자의 진단이나 폐기종의 변화 추세를 예측할 수 있다.
또한, 관심 영역의 정량적 비교 평가에 의해 특정 치료에 대한 반응 효과를 확인할 수 있어서 치료법 또는 약을 개발하는 데 매우 유용하다.

Claims (11)

  1. 의료 영상을 기초로 관심 영역들(regions of interest)이 생성되는 단계; 그리고
    관심 영역들의 크기(size)에 따라 관심 영역들이 구분(classification)되는 단계;를 포함하는 것을 특징으로 하는 의료 영상의 정량화 방법.
  2. 청구항 1에 있어서,
    관심 영역들이 구분되는 단계는:
    관심 영역들이 영상 처리되는 과정;으로서, 영상 처리된 관심 영역의 인텐시티가 해당 관심 영역의 사이즈와 상관 관계를 가지도록 관심 영역들이 영상 처리되는 과정; 그리고
    영상 처리된 관심 영역들의 인텐시티(intensity)를 기초로 관심 영역들의 크기 범위가 정해지는 과정;을 포함하는 것을 특징으로 하는 의료 영상의 정량화 방법.
  3. 청구항 1에 있어서,
    관심 영역들이 구분되는 단계는:
    랭스 스케일 분석(Length Scale Analysis)에 의해 관심 영역들의 크기가 필터링되어 관심 영역들 중 제1 크기 영역이 획득되는 과정;
    관심 영역들에서 제1 크기 영역이 제거되는 과정; 그리고
    제1 크기 영역이 제거된 관심 영역들에 대해 랭스 스케일 분석(Length Scale Analysis)에 의해 크기가 필터링되어 제2 크기 영역이 획득되는 과정;을 포함하는 것을 특징으로 하는 의료 영상의 정량화 방법.
  4. 청구항 3에 있어서,
    제1 크기 영역 및 제2 크기 영역이 의료 영상 위에서 구별되도록 시각화되는 단계;를 포함하는 것을 특징으로 하는 의료 영상의 정량화 방법.
  5. 청구항 1에 있어서,
    관심 영역들이 생성되는 단계는:
    의료 영상 장치에 의해 의료 영상이 획득되는 과정; 그리고
    의료 영상이 쓰레쉬홀딩(thresholding)되어 관심 영역들이 추출되는 과정;을 포함하는 것을 특징으로 하는 의료 영상의 정량화 방법.
  6. 청구항 1에 있어서,
    관심 영역들이 구분되는 단계 전에, 관심 영역들에 나타난 홀(hole)을 채워서(filling) 노이즈(nosies)가 제거되는 단계;를 포함하는 것을 특징으로 하는 의료 영상의 정량화 방법.
  7. 청구항 1에 있어서,
    관심 영역들이 생성되는 단계는:
    컴퓨터단층촬영(CT)에 의해 장기(organ)의 영상이 획득되는 과정; 그리고
    장기의 영상을 쓰레쉬홀딩(thresholding)하여 추출된 병변 영역들(regions of lesion)이 관심 영역들로 정해지는 과정;을 포함하는 것을 특징으로 하는 의료 영상의 정량화 방법.
  8. 청구항 3에 있어서,
    제1 크기 영역이 획득되는 과정은:
    관심 영역들이 가우시안 로우패스필터(gaussian LPF)에 의해 블러링(blurring)되는 과정; 그리고
    블러링된 관심 영역들 중 인텐시티가 기준 값 이상인 픽셀의 집합이 추출되는 과정;
    팽창 기법(dilation method)을 사용하여 픽셀의 집합으로부터 팽창 영역(dilated region)이 생성되는 과정; 그리고
    팽창 영역이 픽셀의 집합을 포함하는 관심 영역에 매핑(mapping)되어 제1 크기 영역이 생성되는 과정;을 포함하는 것을 특징으로 하는 의료 영상의 정량화 방법.
  9. 청구항 8에 있어서,
    픽셀 집합에서 직선상에 배열된 픽셀들의 전체 폭은 가우시안 로우패스필터의 커널(kernel) 사이즈 이하이고, 팽창 영역의 팽창의 정도는 커널 사이즈에 의해 결정되는 것을 특징으로 하는 의료 영상의 정량화 방법.
  10. 청구항 1에 있어서,
    관심 영역들이 생성되는 단계는:
    의료 영상 장치에 의해 폐 영상이 획득되는 과정; 그리고
    폐 영상이 쓰레쉬홀딩되어 추출된 병변 영역들이 관심 영역들로 정해지는 과정;을 포함하며,
    관심 영역들이 구분되는 단계는:
    병변 영역들이 제1 커널 사이즈를 가지는 가우시안 로우패스필터(gaussian LPF)에 의해 블러링되어 인텐시티가 기준 값 이상인 제1 픽셀의 집합이 추출되는 과정;
    제1 픽셀의 집합을 사용한 복원 과정에 의해 제1 크기 범위에 속하는 제1 크기 영역이 획득되는 과정;
    병변 영역들에서 제1 크기 영역이 제거되는 과정;
    제1 크기 영역이 제거된 병변 영역들이 제2 커널 사이즈를 가지는 가우시안 로우패스필터(gaussian LPF)에 의해 블러링되어 인텐시티가 기준 값 이상인 제2 픽셀의 집합이 추출되는 과정; 그리고
    제2 픽셀의 집합을 사용한 복원 과정에 의해 제2 크기 범위에 속하는 제2 크기 영역이 획득되는 단계;를 포함하는 것을 특징으로 하는 폐 영상의 정량화 방법.
  11. 청구항 1 내지 청구항 10 중 어느 한 항에 기재된 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체.
PCT/KR2014/004974 2013-08-20 2014-06-04 의료 영상의 정량화 방법 WO2015026050A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US15/049,666 US10007984B2 (en) 2013-08-20 2016-02-22 Method for quantifying medical image

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2013-0098549 2013-08-20
KR1020130098549A KR101521959B1 (ko) 2013-08-20 2013-08-20 의료 영상의 정량화 방법

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US15/049,666 Continuation US10007984B2 (en) 2013-08-20 2016-02-22 Method for quantifying medical image

Publications (1)

Publication Number Publication Date
WO2015026050A1 true WO2015026050A1 (ko) 2015-02-26

Family

ID=52483800

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2014/004974 WO2015026050A1 (ko) 2013-08-20 2014-06-04 의료 영상의 정량화 방법

Country Status (3)

Country Link
US (1) US10007984B2 (ko)
KR (1) KR101521959B1 (ko)
WO (1) WO2015026050A1 (ko)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101875468B1 (ko) * 2015-09-24 2018-07-09 주식회사 뷰노 질환 모델 기반의 의료 정보 서비스 제공 방법 및 장치
WO2018205922A1 (en) * 2017-05-08 2018-11-15 Suzhou Complexis Medical Inc. Methods and systems for pulmonary function test based on diagnostic medical imaging and machine learning
KR102099350B1 (ko) 2019-06-07 2020-04-09 주식회사 뷰노 의료 영상에서 병변의 정량화를 보조하는 방법 및 이를 이용한 장치
DE102019212103A1 (de) * 2019-08-13 2021-02-18 Siemens Healthcare Gmbh Surrogatmarker basierend auf medizinischen Bilddaten
KR102516154B1 (ko) * 2019-12-31 2023-03-30 주식회사 코어라인소프트 정량화 파라미터를 이용하는 의료 영상 분석 시스템 및 유사 증례 검색 시스템, 및 그 시스템에서 실행되는 방법
US11803831B1 (en) 2020-12-02 2023-10-31 Wells Fargo Bank, N.A. Systems and methods for utilizing a user expression map configured to enable contactless human to device interactions
US11587055B1 (en) * 2020-12-02 2023-02-21 Wells Fargo Bank, N.A. Systems and methods for generating a user expression map configured to enable contactless human to device interactions

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06339476A (ja) * 1992-11-25 1994-12-13 Arch Dev Corp 胸部ｘ線画像における間質性浸潤の幾何学的パターンの特徴を決定するための方法及びシステム
JP2003010171A (ja) * 2001-06-27 2003-01-14 Hitachi Medical Corp 医用画像診断支援方法及び装置
JP2003070781A (ja) * 2001-09-04 2003-03-11 Hitachi Medical Corp 医用画像診断支援装置
JP2004174254A (ja) * 2002-11-27 2004-06-24 General Electric Co <Ge> 疾患関連組織変化を測定する方法及びシステム

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07299053A (ja) * 1994-04-29 1995-11-14 Arch Dev Corp コンピュータ診断支援方法
US6898303B2 (en) 2000-01-18 2005-05-24 Arch Development Corporation Method, system and computer readable medium for the two-dimensional and three-dimensional detection of lesions in computed tomography scans
US20050207630A1 (en) * 2002-02-15 2005-09-22 The Regents Of The University Of Michigan Technology Management Office Lung nodule detection and classification
AU2003270687B2 (en) * 2002-09-13 2008-05-08 Life Technologies Corporation Interactive and automated tissue image analysis with global training database and variable-abstraction processing in cytological specimen classification and laser capture microdissection applications
US6993187B2 (en) * 2003-02-14 2006-01-31 Ikonisys, Inc. Method and system for object recognition using fractal maps
US20050259854A1 (en) * 2004-05-21 2005-11-24 University Of Chicago Method for detection of abnormalities in three-dimensional imaging data
US8090178B2 (en) * 2006-04-06 2012-01-03 Siemens Medical Solutions Usa, Inc. System and method for automatic detection of internal structures in medical images
US8600135B2 (en) * 2007-06-28 2013-12-03 Mayo Foundation For Medical Education And Research System and method for automatically generating sample points from a series of medical images and identifying a significant region
KR101144964B1 (ko) * 2010-10-21 2012-05-11 전남대학교산학협력단 간질성 폐질환 검출 시스템 및 그 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06339476A (ja) * 1992-11-25 1994-12-13 Arch Dev Corp 胸部ｘ線画像における間質性浸潤の幾何学的パターンの特徴を決定するための方法及びシステム
JP2003010171A (ja) * 2001-06-27 2003-01-14 Hitachi Medical Corp 医用画像診断支援方法及び装置
JP2003070781A (ja) * 2001-09-04 2003-03-11 Hitachi Medical Corp 医用画像診断支援装置
JP2004174254A (ja) * 2002-11-27 2004-06-24 General Electric Co <Ge> 疾患関連組織変化を測定する方法及びシステム

Also Published As

Publication number Publication date
KR101521959B1 (ko) 2015-05-20
US10007984B2 (en) 2018-06-26
KR20150021327A (ko) 2015-03-02
US20160171689A1 (en) 2016-06-16

Similar Documents

Publication Publication Date Title
WO2015026050A1 (ko) 의료 영상의 정량화 방법
Cid et al. Efficient and fully automatic segmentation of the lungs in CT volumes.
Giger et al. Image processing and computer-aided diagnosis
WO2019103440A1 (ko) 피검체의 의료 영상의 판독을 지원하는 방법 및 이를 이용한 장치
CN111415743B (zh) 肺炎分类方法、装置、介质及电子设备
JPH03170130A (ja) 画像処理方法および装置
US20110243403A1 (en) Medical image processing apparatus and method, and computer readable recording medium on which is recorded program for the same
WO2008149357A2 (en) Identifying ribs in lung x-rays
US20100260394A1 (en) Image analysis of brain image data
EP1884894A1 (en) Electronic subtraction of colonic fluid and rectal tube in computed colonography
JP2009153678A (ja) 動態画像処理システム
CN111260669A (zh) 基于ct图像的肺叶分割方法和装置
CN111415356B (zh) 肺炎征象的分割方法、装置、介质及电子设备
Chen et al. A parameterized logarithmic image processing method with Laplacian of Gaussian filtering for lung nodule enhancement in chest radiographs
WO2014168675A1 (en) Method of assessing heterogeneity in images
CN105354837B (zh) 一种基于人体解剖结构的x光消化道图像清晰度评价方法
Yang et al. A method of abstracting single pulmonary lobe from computed tomography pulmonary images for locating COPD
Guo et al. Integrated system for CT-based assessment of parenchymal lung disease
Likhitkar et al. Automated detection of cancerous lung nodule from the computed tomography images
Lin et al. Application of two-dimensional fractional-order convolution and bounding box pixel analysis for rapid screening of pleural effusion
JP6273940B2 (ja) 画像解析装置、画像撮影システム及び画像解析プログラム
CN115359878A (zh) Icu床旁胸部x线片自动对比诊断智能报告系统及方法
Mahdavi et al. A computer-based analysis for identification and quantification of small airway disease in lung computed tomography images: a comprehensive review for radiologists
CN113554640A (zh) Ai模型的训练方法、使用方法、计算机设备及存储介质
Wiemker et al. Toward computer-aided emphysema quantification on ultralow-dose CT: reproducibility of ventrodorsal gravity effect measurement and correction

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 14838521

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 14838521

Country of ref document: EP

Kind code of ref document: A1