폐 CT영상에서 voxel classification을 이용한 폐 결절 검출

1. 폐 CT영상에서 Voxel Classification을
이용한 폐 결절 검출
광주과학기술원 기전공학부
신호 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
2

3. 서론
• 폐 암은 치사율이 높지만 조기에 발견하여 치료할 경우 5년 생존율
이 50%까지 상승하는것으로 알려져 있다.
• 폐 암의 주요 소견인 폐 결절의 검출이 중요하다.
• 폐 결절의 조기검출을 위해 CT 영상을 사용하여 폐 결절을 검출 하
는 방법이 제안되었다.
• 폐 CT의 경우 환자당 100장 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]
3

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]
4

5. 제안 방법
Voxel classification을 이용한 폐 결절 검출 방법
5

6. 폐 CT 영상에서의 폐 영역 분할
• 폐 영역을 분리하기 위해 폐 영상의 optimal threshold [4] 값 T를 구
한다.
• T값을 이용하여 폐 영역의 밝은 부분(몸통 부분 - 검은색)과 어두운
부분(폐 내부 및 외부 - 흰색)으로 이진화 한다.
6
원본 CT 영상과 T값을 이용하여 이진화된 영상

7. 폐 CT 영상에서의 폐 영역 분할
seed 포인트를 추출 한 것(흰색-
object, 검은색- background, 회색
-분할대상)
• Optimal threshold T를 이용하여 생성
한 이진영상에서 3D region growing
과 dilation 연산을 이용하여 폐 영역
추출
• 추출된 폐 영역에서 seed포인트를 추
출
– 추출된 폐 영역에서 T - 100 보다 작은 영역
은 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
7

8. 폐 CT 영상에서의 폐 영역 분할
wp,q  f 0
폐 외곽선 추출을 위해 그래프 알고리즘
이용
• 효과적인 폐 외곽선 추출을 위해 폐 영
상을 그래프로 변환하고 변환된 그래프
를 최소 그래프 컷(minimum graph cut)
알고리즘을 이용 하여 분할 한다.
• 영상을 그래프로 변환
영상의 각 픽셀은 그래프의 노드가 되고
각 픽셀별 관계를 아래의 식을 통해 구하
고 노드간의 가중치로 이용 한다.
  p,q p q w  f I  I
 
2
 
x
   
2 exp
f x K

 
  , 0 p q w  f
8

9. 폐 CT 영상에서의 폐 영역 분할
(a) (b)
(a) 분리된 폐 영역(밝은 부분)
(b) 제안된 방법으로 분리된 폐 영역을 삼차원으로 형상화한 것
9

10. 폐 내부 구조 분할
• HU를 이용하여 폐 내부 구조를 분석하기
위한 이진 영상 생성
10

11. 폐 내부 구조 분할
• Rule-based Classification을 이용하여 폐결절, 폐혈관, 구
분이 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 혈
관은 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
11

12. 분석대상 Voxel 추출
• Rule-based Classification에서 검출된 폐 혈관과
폐 결절을 주변의 voxel에 대하여 dilation 연산
과 HU 값을 이용하여 주변 영역 추가 (voxel 값
– 2)
12
폐결절 폐혈관
분석대상 추출
(밝은 회색부분)

13. Voxel Classification 기반 폐 결절 검출기
• 이전 단계에서 추출된 분
석 대상 voxel에서 특징
벡터 추출
– 특징벡터는 대상 voxel의
삼차원 6-connectedness
neighborhood를 이용
– Rule-based classifier를 통
해 생성된 voxel 값
13
3차원 6-connectedness
neighborhood (파랑색 –
분석대상 voxel, 회색-
neighborhood)

14. Voxel Classification 기반 폐 결절 검출기
– scale-space를 이용하여 다양한 크기의 결절 검출
– 네가지 scale (σ = 1, 2, 4, 8)의 Gaussian filter를 사용
– 각 단계별로 6개씩 총 30개의 값을 가지는 특징벡터
생성
14
(a) (b) (c) (d)
Scale-space를 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
machine (SVM) classifier를 이용하여 폐결
절 voxel과 비결절 voxel로 분류
– 폐결절 과 비결절(배경, 폐혈관, 기타) 두 가지
class로 분류
– Kernel function: radial basis fucntion, σ =
0.1, 0.125, 0.15, 0.175
– 7-fold cross-validation을 이용하여 검출기 성
능 검증
15

16. 실험결과
• Lung Image Database Consortium (LIDC) 데이터베이스
[14]
– 제안된 알고리즘의 검증과 평가를 위하여 LIDC 데이터베이스를
사용하였다.
– LIDC는 미국 NIH에서 CT를 이용한 폐 결절 검출 CAD 시스템의
발전을 촉진하기 위하여 개발된 공개 폐 결절 데이터베이스이다.
– 본 데이터베이스는 총 84개의 CT scan으로 구성되어 있으며 각
각의 CT scan은 100-400개의 Digital Imaging and
Communication (DICOM) 영상과 전문의들의 폐 결절 검출 의견
이 저장되어 있는 XML파일로 이루어져 있다.
• 본 논문에서는 76개의 결절이 포함된 10개의 영상을 사
용하였다. 사용된 영상은 총 2509개의 영상으로 구성되
어 있으며 영상의 pixel 크기는 0.65 ~ 0.75 mm 이다.
16

17. 실험 결과
입력 영상
Voxel
classification
결과 영상
17

18. 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 classification을 이용하여 CT 영상을
분석하는 방법 제안
• 93.76%의 높은 검출률로 폐결절을 검출할
수 있었으며 스캔당 4.34개의 false
positive가 발견 되었다.
19

20. 향후 계획
• 다양한 케이스에 적용가능 하도록 전처리
성능 강화
• 분석대상 voxel에 대한 classification방법
최적화
• Multi target classification으로 폐결절 이
외의 다른병변 검출
• 검출기 성능향상을 위한 특징벡터 개선
• 50개 이상의 폐 CT영상에서 검증
20

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, “Computerized
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 algorithm.,”
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.
21

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 Segmentation”,
International Journal of Computer Vision, vol. 70, no. 2, pp. 109-131, November 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 database consortium:
developing a resource for the medical imaging research community.,” Radiology, vol. 232, no.
3, pp. 739–748, Sep 2004.
22

23. 감사합니다.
23