영상 화소 밝기 특징강화를 통한 딥러닝 기반 의료영상 분할성능 개선 (Pixel-wise Intensity Feature Enhancement for Improving Deep Learning based Medical Imaging Segmentation)

서지정보

· 발행기관 : 대한전자공학회
· 수록지 정보 : 전자공학회논문지 / 59권 / 2호 / 51 ~ 58페이지
· 저자명 : 우동원, 정성문

초록

영상판독을 통한 임상 의사결정 지원시스템 개발에 있어서, 분석하고자 하는 병변 또는 장기만을 효과적으로 추출할 수 있는 영상 분할 기술은 활발한 연구가 진행되어 왔다. 특히, 영상내의 형태특징정보를 효과적으로 추출할 수 있는 딥러닝 계열의 Convolutional Neural Network (CNN) 모델을 기반으로 한 U-net 모델은 의료 영상 분할 연구에서 가장 중요한 모델중 하나로 사용되어지고 있다. 하지만, 특정 병변 및 장기의 경우 형태특징정보뿐만 아니라 병변 및 장기의 물리적 특성에 따른 영상에서의 화소 밝기 특징정보 또한 중요한 역할을 하지만 형태특징정보에 더욱 의존적인 U-net 모델의 경우에는 모델 학습과정에서 밝기 특징 정보가 누락될 수 있는 단점이 있다. 이에 본 논문에서는, 세밀한 영상 분할을 위해 특정 병변 및 장기가 가지고 있는 밝기 특징 정보를 가우시안 혼합모델(Gaussian Mixture Model: GMM)을 통해 모델링 및 강화하여 영상분할에 필요한 사전지식으로 사용할 수 있도록 기존 U-net 모델을 개선하였다. 제안한 알고리즘의 성능 검증을 위해 구강X-ray 영상에서의 치아 분할, 뇌 CT영상에서의 뇌출혈 분할 및 뇌MR 영상에서의 뇌종양 분할 실험을 진행하였으며, 영상의 밝기정보를 강화한 제안 모델이 기존의 U-net에 비해 더욱 세밀한 영상분할이 가능한 것을 확인하였다. 제안한 영상 화소 밝기 특징강화 접근방법은 영상분할외에도 영상분류, 예측 등 다양한 영상분석 방법에 적용되어 영상전처리로써 중요한 역할을 할 수 있을 것이다.

영어초록

In the development of a clinical decision support system using medical image analysis, image segmentation technology that can automatically extract a specific region of interest (ROI) such as lesion or organ has been actively studied. Especially, U-net model based on Convolutional Neural Network(CNN) has been widely used as a baseline approach to segment an ROI by effectively analyzing medical image contents. Because of the CNN architectures, CNN based U-net model is more proper to extract shape features from a group of pixels than intensity features from a single pixel in training process. However, in case of specific lesions or organs in medical images, intensity features can also provide valuable information to segment ROI because intensity features considered a physical characteristic of sensed signal from lesions or organs by using medical imaging devices. In this paper, we enhanced intensity features of ROI designed by Gaussian Mixture Model(GMM) and improved the existing U-net model to use intensity features as prior knowledge for more accurate segmentation. To evaluate the performance of the proposed algorithm, we experimented with three multi-modal medical imaging datasets: tooth segmentation from X-ray images, cerebral hemorrhage segmentation from CT images and brain tumor segmentation from MR images. The structure of the proposed model, which can combine shape and intensity features, enables more detailed image segmentation compared to the existing U-net. The proposed intensity feature enhancement approach might be used as an important pre-processing technique to improve a performance of deep learning based image analyzer such as image classification, prediction and so on.

참고자료

· 없음