형태학적 특성과 베이지안 네트워크를 이용한 자동 세포 분할 및 분류 (Automatic cell segmentation and classification using morphological features and Bayesian networks)

서지정보

· 발행기관 : 한국화상학회
· 수록지 정보 : 한국화상학회지 / 14권 / 1호 / 31 ~ 38페이지
· 저자명 : 고병철, 정미라, 심정희, 남재열

초록

본 논문에서는 세포영상을 분할하고 분류하는 알고리즘을 제안한다. 우선, 배경으로부터 세포를 분할하기 위해 적응적 지역 임계값을 사용한다. 적응적 지역 임계값은 가우시안혼합모델과 세포의 명암도 값에 대한 최대 우도 함수를 사용하여 측정하였다. 적응적 임계값을 이용하여 세포들을 분할 한 뒤, 학습데이터로부터 얻은 compactness, smoothness, moments 와 같은 형태학적 특징을 추출하였다. 전경세포들이 분할된 후에, 보다 정밀한 세포 분석을 위해서 군집세포(overlapped cell)와 독립세포(isolated cell)를 분류 할 수 있는 알고리즘의 개발이 필수적이다. 이를 위해서 본 논문에서는 베이지안 네트워크와 각 노드에 대한 3개의 확률밀도함수를 사용한다. 현미경으로부터 얻은 세포영상에 대한 실험 결과는 이전 논문들에서 제안한 방법들과 비교했을 때, 겹쳐진 세포들에 대한 분리 이전에 세포 분류를 먼저 수행하였기 때문에 분할 성능이 크게 향상되었음을 보여준다.1. 서 론최근 대용량의 의료 영상들이 디지털화 되고 하나의 데이터베이스에서 통합 관리 되면서 디지털 영상 관리 및 전송시스템인 PACS(Picture Archiving Communication System)에 대한 관심이 증대되고 있다. 특히, PACS에서 관리되는 다양한 의료영상 중에서, 세포 및 분자 영상을 자동 분석하고 의사결정에 도움을 줄 수 있는 진단 보조 시스템의 중요성이 병리학자들에 의해 강조되고 있다. 일반적으로 병리학자들은 현미경으로 입력된 세포 영상을 자신의 주관에 의해 판단하지만, 이러한 주관성은 개인마다 달라질 수 있음으로 병리학자들이 객관적으로 영상을 분석하고 진단할 수 있도록 도와 줄 수 있는 시스템의 개발이 필요하다. 하지만 이러한 세포병리학 영상에는 여러 세포가 겹쳐져 있는 군집세포(overlapped cell)와 독립 세포(isolated cell)가 혼재되어 있음으로 보다 신뢰성 있는 세포 진단을 위해서는 군집세포와 독립세포에 대한 정밀한 분류가 필수적이다.우선, 세포 분할 및 분류와 관련된 기존 연구들을 살펴보면 다음과 같다. 먼저 세포 분할을 위해 Otsu[1]는 주어지는 영상의 픽셀 값들로부터 조건부 확률의 최대값을 찾고 이를 이용해 최적의 전역적 임계값(Global Threshold)을 구한 다음 이를 이용하여 전경과 배경을 분할하였다. Martinez 등은[2] 로그 결합 확률(Log Joint Probability)을 통해 임계값을 찾아내는 방법을 제안하였다. 임계값 결정을 위한 확률함수는 평균값과 분산 값들로 이루어진 두 개 이상의 확률 밀도 함수의 합으로 구성된 모집단 혼합 모델(Population Model)을 통해 만들어진다. Espinozal 등은[4] RANSAC(RANdom SAmple Consensus)을 이용하여 적응적 임계값을 계산하고 이를 통해 세포분할 하였으며, Refai 등은[5] 영상의 픽셀들에 대한 명암도 값들의 표준편차와 평균값들을 사용하여 임계값을 정하고 이 임계값을 이용하여 세포 영상을 분할한다. 기존에 제안된 방법들은 배경으로부터 세포를 분할함에 있어서 간편하고 기본적인 방법들을 적용하기 때문에 독립 세포와 군집세포를 구분하지 못하고 동일한 알고리즘을 가져오는 문제점이 있다. 따라서, 좀 더 정확한 세포진단을 위해서는 군집 세포들에 대한 정밀한 분류가 필요하다.본 논문에서는 적응적 임계값과 Active Contour Model을 사용하여 세포핵과 세포질을 포함하는 세포영역을 분할하고, 이후 추출된 세포 영역들에 대해 세포의 형태학적 특성들과 베이지안 네트워크를 이용하여 독립 세포와 군집 세포에 대한 분류방법을 제안한다.

영어초록

In this paper presents a new approach to the segmentation and classification of the microscopic nuclei images. First, for segmentation of the cell nuclei from background, the adaptive local thresholding is used. A threshold for adaptive local thresholding is estimated by using the gaussian mixture model and maximizing the likelihood function of gray value of cell images. After nuclei classification, this paper extracted the morphological features of the nuclei such as compactness, smoothness and moments from training data. For overlapped nuclei classification, this paper uses a Bayesian network with three probability density functions for evidence at each node. The probability density functions for each node are modeled using the three morphological features. The experimental results using microscopic nuclei images show that our system can indeed improve segmentation performance compared to previous researches, because we performed nuclei classification before separating overlapped nuclei.

참고자료

· 없음