폐 CT 영상에서 Voxel Classifica-tion 을 이용한 폐 결절 검출

광주과학기술원 기전공학부신호 및 영상처리 연구실

최욱진 최태선

2

목차• 서론• 관련연구• 제안 방법

– 폐 CT 영상에서의 폐 영역 분할– 폐 내부 구조 분할 및 분석할 Voxel 추출– Voxel Classification 기반 폐 결절 검출기

• 실험결과• 결론• 향후계획• 참고자료

3

서론• 폐 암은 치사율이 높지만 조기에 발견하여 치료할 경우 5 년 생존율이

50% 까지 상승하는것으로 알려져 있다 .

• 폐 암의 주요 소견인 폐 결절의 검출이 중요하다 .

• 폐 결절의 조기검출을 위해 CT 영상을 사용하여 폐 결절을 검출 하는 방법이 제안되었다 .

• 폐 CT 의 경우 환자당 100 장 이상의 영상이 생성됨– 분석하는데 많은 시간이 소요되며 피로 누적으로 인한 오류발생이 우려 된다 .

• 폐 결절 검출을 자동화하기 위한 Computer-Aided Detection (CAD) 시스템의 연구가 활발하다 .

Reference [1~4]

4

관련 연구• Template matching methods

– Genetic Algorithm Template Matching [5]– 3D Template Matching [6]

• Model based methods– Patient-specific models [7]– Surface normal overlap model [8]

• Machine learning techniques– Neural network [9]– Genetic Programming [10]

• Digital filtering – Quantized convergence index filter [11]– Iris filter [12]

• Statistical analysis [13]

제안 방법

Voxel classification 을 이용한 폐 결절 검출 방법5

6

폐 CT 영상에서의 폐 영역 분할

• 폐 영역을 분리하기 위해 폐 영상의 optimal threshold [4] 값 T 를 구한다 .

• T 값을 이용하여 폐 영역의 밝은 부분 ( 몸통 부분 - 검은색 ) 과 어두운 부분 ( 폐 내부 및 외부 - 흰색 ) 으로 이진화 한다 .

원본 CT 영상과 T 값을 이용하여 이진화된 영상

7

폐 CT 영상에서의 폐 영역 분할

seed 포인트를 추출 한 것 ( 흰색 -object, 검은색 - background, 회색 - 분할대상 )

• Optimal threshold T 를 이용하여 생성한 이진영상에서 3D region grow-ing 과 dilation 연산을 이용하여 폐 영역 추출

• 추출된 폐 영역에서 seed 포인트를 추출– 추출된 폐 영역에서 T - 100 보다 작은 영역은

명확하게 폐 영역 (object)

– 추출된 폐 영역에서 T + 100 보다 큰 영역은

영역은 배경 (background)

• 추출된 폐 영역에서 T – 100 보다 크고

T + 100 보다 작은영역은 그래프 컷을

이용하여 폐 영역과 배경으로 분할

8

폐 CT 영상에서의 폐 영역 분할

, 0p qw f

폐 외곽선 추출을 위해 그래프 알고리즘 이용

• 효과적인 폐 외곽선 추출을 위해 폐 영상을 그래프로 변환하고 변환된 그래프를 최소 그래프 컷 (minimum graph cut) 알고리즘을 이용 하여 분할 한다 .

• 영상을 그래프로 변환영상의 각 픽셀은 그래프의 노드가 되고 각 픽셀별 관계를 아래의 식을 통해 구하고 노드간의 가중치로 이용 한다 .

,p q p qw f I I

2

2exp

xf x K

, 0p qw f

9

폐 CT 영상에서의 폐 영역 분할

(a) (b)

(a) 분리된 폐 영역 ( 밝은 부분 )(b) 제안된 방법으로 분리된 폐 영역을 삼차원으로 형상화한 것

10

폐 내부 구조 분할• HU 를 이용하여 폐 내부 구조를 분석하기

위한 이진 영상 생성

11

폐 내부 구조 분할• Rule-based Classification 을 이용하여 폐결절 , 폐혈관 ,

구분이 불가능한 영역 , 배경으로 분류– 폐 결절 (voxel 값 - 4)

• 폐 혈관이나 노이즈 제거에서 제거 되지 않는 모든 object

– 폐 혈관 (voxel 값 - 1)폐 혈관은 폐 영역 전체에 나뭇가지 형태로 퍼져 있다 . 또한 연결되지 않은 폐 혈관은 긴 막대 형태이다 .

• 부피가 결절에 비하여 아주 큰 것• 막대 형태• 둥근 형태가 아닌 것

– 노이즈 제거 (voxel 값 - 0)• 반지름이 3mm 보다 작거나 30mm 보다 큰 것 제거

12

분석대상 Voxel 추출• Rule-based Classification 에서 검출된 폐

혈관과 폐 결절을 주변의 voxel 에 대하여 dilation 연산과 HU 값을 이용하여 주변 영역 추가 (voxel 값 – 2)

폐결절 폐혈관

분석대상 추출( 밝은 회색부분 )

13

Voxel Classification 기반 폐 결절 검출기

• 이전 단계에서 추출된 분석 대상 voxel 에서 특징벡터 추출– 특징벡터는 대상 voxel 의

삼차원 6-connected-ness neighborhood 를 이용

– Rule-based classifier 를 통해 생성된 voxel 값

3 차원 6-connected-ness neighborhood ( 파랑색 – 분석대상 voxel, 회색 -neighbor-hood)

14

Voxel Classification 기반 폐 결절 검출기

– scale-space 를 이용하여 다양한 크기의 결절 검출– 네가지 scale (σ = 1, 2, 4, 8) 의 Gaussian filter 를

사용– 각 단계별로 6 개씩 총 30 개의 값을 가지는 특징벡터

생성

(a) (b) (c) (d)

Scale-space 를 이용한 특징값 추출 방법 각각 (a) 1, (b) 2, (c) 4, (d) 8 의 σ 를 가지는 Gaussian filter 통과

15

Voxel Classification 기반 폐 결절 검출기

• 추출된 특징벡터를 support vector ma-chine (SVM) classifier 를 이용하여 폐결절 voxel 과 비결절 voxel 로 분류– 폐결절 과 비결절 ( 배경 , 폐혈관 , 기타 ) 두

가지 class 로 분류– Kernel function: radial basis fucntion, σ

= 0.1, 0.125, 0.15, 0.175– 7-fold cross-validation 을 이용하여 검출기

성능 검증

16

실험결과• Lung Image Database Consortium (LIDC)

데이터베이스 [14]– 제안된 알고리즘의 검증과 평가를 위하여 LIDC 데이터베이스를

사용하였다 .– LIDC 는 미국 NIH 에서 CT 를 이용한 폐 결절 검출 CAD 시스템의

발전을 촉진하기 위하여 개발된 공개 폐 결절 데이터베이스이다 .– 본 데이터베이스는 총 84 개의 CT scan 으로 구성되어 있으며

각각의 CT scan 은 100-400 개의 Digital Imaging and Communication (DICOM) 영상과 전문의들의 폐 결절 검출 의견이 저장되어 있는 XML 파일로 이루어져 있다 .

• 본 논문에서는 76 개의 결절이 포함된 10 개의 영상을 사용하였다 . 사용된 영상은 총 2509 개의 영상으로 구성되어 있으며 영상의 pixel 크기는 0.65 ~ 0.75 mm 이다 .

실험 결과

입력 영상

Voxel classi-fication

결과 영상

17

실험 결과

σ Az Accuracy Sensitivity FPs/scan

폐결절 후보 검출 98.37 43.25

0.1 0.946 96.1 93.76 4.34

0.125 0.922 93.5 93.39 5.69

0.15 0.919 92.3 91.92 6.34

0.175 0.903 90.7 90.56 8.33

폐 결절 검출 결과

18

19

결론• Voxel classification 을 이용하여 CT

영상을 분석하는 방법 제안

• 93.76% 의 높은 검출률로 폐결절을 검출할 수 있었으며 스캔당 4.34 개의 false posi-tive 가 발견 되었다 .

20

향후 계획• 다양한 케이스에 적용가능 하도록 전처리 성능

강화• 분석대상 voxel 에 대한 classification

방법 최적화• Multi target classification 으로 폐결절

이외의 다른병변 검출• 검출기 성능향상을 위한 특징벡터 개선• 50 개 이상의 폐 CT 영상에서 검증

21

참고자료• [1] Ahmedin Jemal, Rebecca Siegel, ElizabethWard, Yongping Hao, Jiaquan Xu, and

Michael J Thun, “Cancerstatistics, 2009,” CA Cancer J Clin, vol. 59, no. 4, pp. 225–49, Jan 2009.

• [2] K-W Jung, Y-J Won, S Park, H-J Kong, J Sung, H-R Shin, E-Cl Park, and J S Lee, “Cancer statistics in korea: incidence, mortality and survival in 2005,” J Korean Med Sci, vol. 24, no. 6, pp. 995–1003, Dec 2009.

• [3] Qiang Li, “Recent progress in computer-aided diagnosis of lung nodules on thin-section ct.,” Comput Med Imaging Graph, vol. 31, no. 4-5, pp. 248–257, 2007.

• [4] S G Armato, M L Giger, C J Moran, J T Blackburn, K Doi, and H MacMahon, “Com-puterized detection of pulmonary nodules on ct scans,” Radiographics, vol. 19, no. 5, pp. 1303–11, Jan 1999.

• [5] Jamshid Dehmeshki, Xujiong Ye, Xinyu Lin, Manlio Valdivieso, and Hamdan Amin, “Automated detection of lung nodules in ct images using shape-based genetic algo-rithm.,” Comput Med Imaging Graph, vol. 31, no. 6, pp. 408–417, Sep 2007.

• [6] Onur Osman, Serhat Ozekes, and Osman N Ucan, “Lung nodule diagnosis using 3d template matching.,” Comput Biol Med, vol. 37, no. 8, pp. 1167–1172, Aug 2007.

• [7] M Brown, M McNitt-Gray, J Goldin, R Suh, J Sayre, and D Aberle, “Patient-specific models for lung nodule detection and surveillance in ct images,” IEEE TMI, vol. 20, no. 12, pp. 1242 – 1250, Dec 2001.

• [8] D Paik, C Beaulieu, G Rubin, B Acar, R Jeffrey, J Yee, J Dey, and S Napel, “Surface normal overlap: a computer-aided detection algorithm with application to colonic polyps and lung nodules in helical ct,” IEEE TMI, vol. 23, no. 6, pp. 661 – 675, Jun 2004.

22

참고자료• [9] K Suzuki, SG Armato III, F Li, S Sone, and K Doi, “Massive training artificial neural

network (mtann) for reduction of false positives in computerized detection of lung nodules in low-dose computed tomography,” Medical physics, vol. 30, pp. 1602, 2003.

• [10]  Wook-Jin. Choi, Tae-Sun. Choi, “Genetic Programming-based Feature Transform and Classification for the Automatic Detection of Pulmonary Nodules on Computed Tomography Images”, Information Sciences(2012), doi: http://dx.doi.org/10.1016/j.ins.2012.05.008

• [11] Sumiaki Matsumoto, Harold L Kundel, James C Gee, Warren B Gefter, and Hiroto Hatabu, “Pulmonary nodule detection in ct images with quantized convergence index filter.,” Med Image Anal, vol. 10, no. 3, pp. 343–352, Jun 2006.

• [12] JJ Su´arez-Cuenca, PG Tahoces, M Souto, MJ Lado, M Remy-Jardin, J Remy, and J Jos´e Vidal, “Application of the iris filter for automatic detection of pulmonary nodules on computed tomography images,” Computers in Biology and Medicine, 2009.

• [13] A El-Baz, G Gimel’farb, R Falk, and M Abo El-Ghar, “Automatic analysis of 3d low dose ct images for early diagnosis of lung cancer,” Pattern Recognition, vol. 42, no. 6, pp. 1041–1051, Jan 2009.

• [14] Yuri Boykov and Gareth Funka-Lea, “Graph Cuts and Efficient N-D Image Seg-mentation”, International Journal of Computer Vision, vol. 70, no. 2, pp. 109-131, No-vember 2006.

• [15] S G Armato, G McLennan, M F McNitt-Gray, C R Meyer, D Yankelevitz, D R Aberle, C I Henschke, E A Hoffman, E A Kazerooni, H MacMahon, A P Reeves, B Y Croft, L P Clarke, and Lung Image Database Consortium Research Group, “Lung image data-base consortium: developing a resource for the medical imaging research commu-nity.,” Radiology, vol. 232, no. 3, pp. 739–748, Sep 2004.

감사합니다 .

23