KR101052628B1 - Fast Feature Extraction from Chest City Image Using Integral Image - Google Patents
Fast Feature Extraction from Chest City Image Using Integral Image Download PDFInfo
- Publication number
- KR101052628B1 KR101052628B1 KR1020090066111A KR20090066111A KR101052628B1 KR 101052628 B1 KR101052628 B1 KR 101052628B1 KR 1020090066111 A KR1020090066111 A KR 1020090066111A KR 20090066111 A KR20090066111 A KR 20090066111A KR 101052628 B1 KR101052628 B1 KR 101052628B1
- Authority
- KR
- South Korea
- Prior art keywords
- image
- matrix
- chest
- feature extraction
- spatially dependent
- Prior art date
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 46
- 239000011159 matrix material Substances 0.000 claims abstract description 69
- 230000001419 dependent effect Effects 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 5
- 230000001131 transforming effect Effects 0.000 claims abstract description 3
- 230000010354 integration Effects 0.000 claims description 10
- 238000005315 distribution function Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 6
- 238000002591 computed tomography Methods 0.000 description 42
- 238000010586 diagram Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 238000004195 computer-aided diagnosis Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010014568 Empyema Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/46—Arrangements for interfacing with the operator or the patient
- A61B6/467—Arrangements for interfacing with the operator or the patient characterised by special input means
- A61B6/469—Arrangements for interfacing with the operator or the patient characterised by special input means for selecting a region of interest [ROI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- High Energy & Nuclear Physics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Human Computer Interaction (AREA)
- Architecture (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Pulmonology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
본 발명은 적분 영상을 이용한 흉부 CT영상에서 고속 특징 추출 방법에 관한 것으로서, 보다 구체적으로는 (1) 입력된 영상의 명암대비를 증대시켜 이진화한 후, 모폴로지 프로세싱(morphology processing)을 거쳐 특징을 추출하고자 하는 관심영역을 결정하는 전처리 단계; (2) 상기 전처리 단계에 의해 결정된 상기 관심영역을 다수 개의 단위영역으로 분리하여 공간 종속 행렬을 구성하는 단계; (3) 상기 다수 개의 단위영역에 대하여 구성된 공간 종속 행렬을 변환하여 적분 행렬을 구성하는 단계; 및 (4) 상기 구성된 적분 행렬을 이용하여 상기 단위영역에 대한 질감 특징(texture feature)을 추출하는 단계를 포함하는 것을 그 특징으로 한다.The present invention relates to a fast feature extraction method in chest CT images using an integrated image, and more specifically, (1) after increasing the contrast of an input image to binarize it, and then extracting the feature through morphology processing. A preprocessing step of determining a region of interest to be desired; (2) dividing the region of interest determined by the preprocessing into a plurality of unit regions to form a spatially dependent matrix; (3) forming an integral matrix by transforming a spatially dependent matrix configured for the plurality of unit regions; And (4) extracting a texture feature for the unit region by using the constructed integral matrix.
본 발명의 적분 영상을 이용한 흉부 CT영상에서 고속 특징 추출 방법에 따르면, 육안으로 판별하기 어렵거나 임상의의 주관적인 성향에 의해 영상 판독이 달라지는 문제점을 해결할 수 있고, 더욱 빠르고 정확한 진단 정보를 제공할 수 있다. 또한, 의료영상뿐만 아니라 다양한 타입의 영상에서 관심영역의 특징을 추출하는 기법으로 활용할 수 있으며, 추출 시간을 줄일 수 있다.According to the fast feature extraction method in chest CT image using the integrated image of the present invention, it is difficult to visually discriminate or the problem that the image reading is changed by subjective disposition of the clinician can be solved, and faster and more accurate diagnostic information can be provided. have. In addition, it can be used as a technique for extracting features of the ROI from various types of images, as well as medical images, and can reduce extraction time.
질감 특징, SGDLM, 적분 행렬, 의료영상, CT영상 Texture features, SGDLM, integral matrix, medical image, CT image
Description
본 발명은 CT영상 특징 추출 방법에 관한 것으로서, 보다 구체적으로는 적분 영상을 이용한 흉부 CT영상에서 고속 특징 추출 방법에 관한 것이다.The present invention relates to a CT image feature extraction method, and more particularly, to a fast feature extraction method in chest CT image using an integrated image.
컴퓨터 단층 촬영(Computed Tomography, 이하 CT)의 우수성 덕분으로, CT 스캔은 보통 신체 내부 조직의 병리학적인 변화를 검사하기 위해 응용된다. CT 스캔 영상은 고해상도와 고화질의 영상을 제공하므로, 질병을 발견하는 데 큰 장점이 있다. 그러나 CT 스캔 시 환자당 생성되는 CT영상이 평균 100장이 넘고, 이를 육안으로 확인하고 분석하는 일은 시간이 많이 걸리는 일이다. 또한, CT영상을 판독하는 의사에 따라서 또는 같은 의사가 판독하더라도 검사 회수에 따라서 그 결과가 달라질 수 있다. 따라서 의사가 CT영상을 보고 질병을 진단하는 데 도움이 되도록 컴퓨터 보조 진단(Computer Aided Diagnosis, 이하 CAD) 시스템이 개발되어 왔다. 이러한 CAD 시스템에서 질병의 정확한 진단을 위해 가장 중요한 것은 영상의 특징을 추출하는 단계로, 영상 특징을 추출하기 위하여 명암도 차이 기법(Gray Level Difference Method, GLDM), 명암도 연결 길이 기법(Gray Level Run-Length Method, GLRLM), 공간 명암도 의존 기법(Special Gray Level Dependent Method, 이하 SGLDM) 등과 같은 방법들이 이용되어 왔다. 이들 방법 중에서 SGLDM이 특징 분석 접근에 있어서 영상 특징을 추출하는 가장 강력한 도구로 이용되어 왔다.Thanks to the superiority of computed tomography (CT), CT scans are usually applied to examine pathological changes in internal tissues of the body. CT scan images provide high resolution and high quality images, which is a great advantage in detecting diseases. However, more than 100 CT images are generated per patient during CT scan, and it is time-consuming to check and analyze them visually. In addition, the result may vary depending on the number of examinations depending on the doctor reading the CT image or even by the same doctor. Therefore, Computer Aided Diagnosis (CAD) systems have been developed to help doctors diagnose CT diseases by viewing CT images. In the CAD system, the most important thing for accurate diagnosis of disease is extracting image features.Gray Level Difference Method (GLDM) and Gray Level Run-Length method to extract image features Methods, GLRLM), and SGLDM (Special Gray Level Dependent Method) have been used. Among these methods, SGLDM has been used as the most powerful tool to extract image features in the feature analysis approach.
그러나 SGLDM을 이용하여 영상 특징을 추출하는 방법은 계산이 매우 복잡하고 시간이 많이 소요되므로, 특히 실시간 시스템에 있어서 그 응용에 한계가 있다는 문제점이 있다. 따라서 이러한 문제점을 해결하기 위해, 256가지 이상으로 표현될 수 있는 그레이 레벨을 24개의 범위로 축소하여 특징 추출 속도를 향상하는 방법이 제안되기도 하였으나, 이 방법을 이용하여 영상 특징을 추출하는 경우 원본 영상의 정보가 손실되어 생성된 영상의 품질이 저하되므로 정확한 특징을 얻을 수 없다는 큰 문제점이 있다.However, the method of extracting image features using SGLDM has a problem that the calculation is very complicated and time consuming, and therefore its application is limited, especially in a real-time system. Therefore, in order to solve this problem, a method of improving the feature extraction speed by reducing the gray level, which can be represented by 256 or more, into 24 ranges has been proposed, but when extracting the image feature using this method, the original image is proposed. There is a big problem that accurate information cannot be obtained because the quality of the generated image is degraded due to the loss of information.
본 발명은 기존에 제안된 방법들의 상기와 같은 문제점들을 해결하기 위해 제안된 것으로서, 적분 영상을 이용하여 원본 영상의 그레이 레벨의 범위를 축소하지 않고도 계산 시간을 크게 줄여, 관심영역에 대한 특징을 고속으로 추출할 수 있는 적분 영상을 이용한 흉부 CT영상에서 고속 특징 추출 방법을 제공하는 것을 그 목적으로 한다.The present invention has been proposed to solve the above problems of the conventionally proposed methods, and greatly reduces the computation time without reducing the gray level range of the original image by using the integrated image, thereby speeding up the feature of the region of interest. It is an object of the present invention to provide a fast feature extraction method in chest CT images using an integral image that can be extracted by using the.
상기한 목적을 달성하기 위한 본 발명의 특징에 따른 적분 영상을 이용한 흉부 CT영상에서 고속 특징 추출 방법은,A fast feature extraction method in chest CT images using an integrated image according to the features of the present invention for achieving the above object,
(1) 입력된 영상의 명암대비를 증대시켜 이진화한 후, 모폴로지 프로세싱(morphology processing)을 거쳐 특징을 추출하고자 하는 관심영역을 결정하는 전처리 단계;(1) a preprocessing step of determining a region of interest to which a feature is to be extracted through morphology processing after binarizing by increasing the contrast of the input image;
(2) 상기 전처리 단계에 의해 결정된 상기 관심영역을 다수 개의 단위영역으로 분리하여 공간 종속 행렬을 구성하는 단계;(2) dividing the region of interest determined by the preprocessing into a plurality of unit regions to form a spatially dependent matrix;
(3) 상기 다수 개의 단위영역에 대하여 구성된 공간 종속 행렬을 변환하여 적분 행렬을 구성하는 단계; 및 (3) forming an integral matrix by transforming a spatially dependent matrix configured for the plurality of unit regions; And
(4) 상기 구성된 적분 행렬을 이용하여 상기 단위영역에 대한 질감 특징(texture feature)을 추출하는 단계를 포함하는 것을 그 구성상의 특징으로 한다.(4) extracting a texture feature for the unit region by using the constructed integration matrix.
바람직하게는, 상기 단계 (2)의 공간 종속 행렬은,Preferably, the spatially dependent matrix of step (2) is
공간 명암도 의존 방법(Special Gray Level Dependent Method, SGLDM)에 기초하여, 영상에서 특정한 거리(d)와 방향성(θ)을 가지는 그레이 레벨(i,j) 쌍의 분포를 나타내는 확률 분포 함수 f(i,j|d,θ)의 요소들로 구성될 수 있다.Based on the SGLDM, a probability distribution function f (i, which represents the distribution of pairs of gray levels ( i, j ) with a specific distance ( d ) and directionality ( θ ) in the image . j | d, θ) .
여기서, i와 j는 단위영역의 영상에서 각각 그레이 레벨을 나타내고, d는 i와 j간의 거리, θ는 i와 j가 이루는 각도로, 예를 들어 0, 45, 90, 135, 180, 225, 270 및 315의 값을 가질 수 있음.Here, i and j represent gray levels in the image of the unit region, d is a distance between i and j , θ is an angle formed by i and j , for example, 0, 45, 90, 135, 180, 225, Can have values of 270 and 315.
바람직하게는, 상기 단계 (3)의 적분 행렬은,Preferably, the integration matrix of step (3) is
상기 공간 종속 행렬의 구성요소의 위치를 나타내는 (x, y)에 대하여, 다음과 같은 수학식으로 정의될 수 있다.For ( x , y ) representing the position of components of the spatially dependent matrix, the following equation may be defined.
[수학식][Equation]
여기서, x는 행렬의 구성요소의 행의 위치, y는 행렬의 구성요소의 열의 위치, L은 영상에서 그레이 레벨을 나타냄.Where x is the position of the row of the components of the matrix, y is the position of the column of the components of the matrix, and L is the gray level in the image.
바람직하게는, 상기 단계 (3)의 적분 행렬은,Preferably, the integration matrix of step (3) is
상기 공간 종속 행렬을 다음과 같은 수학식으로 정의되는 적분 행렬로 변환 시킬 수 있다.The spatially dependent matrix may be converted into an integral matrix defined by the following equation.
[수학식][Equation]
여기서, R(0≤R≤L-1)는 행렬의 구성요소의 행의 위치를 나타내고, C(0≤C≤L-1)는 행렬의 구성요소의 열의 위치를 나타냄.Where R (0 ≦ R ≦ L-1) represents the position of a row of components of a matrix and C (0 ≦ C ≦ L-1) represents the position of a column of components of a matrix.
바람직하게는, 상기 단계 (4)는,Preferably, step (4),
상기 구성된 적분 행렬을 이용하여 다음과 같은 수학식으로 정의되는 부함수(sub-function) 값을 미리 산출하고, 상기 산출된 부함수 값을 이용하여 질감 특징을 추출할 수 있다.A sub-function value defined by the following equation may be calculated in advance using the constructed integration matrix, and texture features may be extracted using the calculated sub-function value.
[수학식][Equation]
여기서 0≤C, 0≤R임.Where 0≤ C, 0≤ R Im.
본 발명의 적분 영상을 이용한 흉부 CT영상에서 고속 특징 추출 방법에 따르면, 육안으로 판별하기 어렵거나 임상의의 주관적인 성향에 의해 영상 판독이 달라 지는 문제점을 해결할 수 있고, 보다 빠르고 정확한 진단 정보를 제공할 수 있다. 또한, 의료영상 뿐만 아니라 다양한 타입의 영상에서 관심영역의 특징을 추출하는 방법으로 활용할 수 있으며, 추출 시간을 줄일 수 있다.According to the fast feature extraction method in chest CT image using the integrated image of the present invention, it is difficult to visually discriminate or the problem that the image reading is changed by the subjective tendency of the clinician can be solved, and to provide faster and more accurate diagnostic information. Can be. In addition, it can be used as a method of extracting features of the ROI from various types of images as well as medical images, and extraction time can be reduced.
이하에서는 첨부된 도면들을 참조하여, 본 발명에 따른 실시예에 대하여 상세하게 설명하기로 한다.Hereinafter, exemplary embodiments of the present invention will be described in detail with reference to the accompanying drawings.
도 1은 본 발명의 일실시예에 따른 적분 영상을 이용한 흉부 CT영상에서 고속 특징 추출 방법의 흐름도이고, 도 2 내지 도 6은 본 발명의 일실시예에 따른 적분 영상을 이용한 흉부 CT영상에서 고속 특징 추출 방법의 각 전처리 단계의 수행 시에 나타나는 영상을 나타낸 도면이다. 도 1에 도시된 바와 같이, 본 발명의 일실시예에 따른 적분 영상을 이용한 흉부 CT영상에서 고속 특징 추출 방법은, 입력된 영상의 명암대비를 증대시켜 이진화한 후, 모폴로지 프로세싱(morphology processing)을 거쳐 특징을 추출하고자 하는 관심영역을 결정하는 전처리 단계(S100), 전처리 단계에 의해 결정된 관심영역을 다수 개의 단위영역으로 분리하여 공간 종속 행렬을 구성하는 단계(S200), 다수 개의 단위영역에 대하여 구성된 공간 종속 행렬을 변환하여 적분 행렬을 구성하는 단계(S300) 및 구성된 적분 행렬을 이용하여 단위영역에 대한 질감 특징(texture feature)을 추출하는 단계(S400)를 포함한다.1 is a flowchart of a fast feature extraction method in a chest CT image using an integrated image according to an embodiment of the present invention, and FIGS. 2 to 6 are high speeds in a chest CT image using an integrated image according to an embodiment of the present invention. FIG. 11 is a diagram illustrating an image that appears when each preprocessing step of the feature extraction method is performed. FIG. As shown in FIG. 1, a fast feature extraction method in chest CT images using an integrated image according to an embodiment of the present invention is performed by increasing the contrast of an input image and binarizing the morphology processing. Pre-processing step (S100) of determining a region of interest to extract features, step S200 of separating the region of interest determined by the pre-processing step into a plurality of unit regions (S200), configured for a plurality of unit regions Converting the spatial dependent matrix to form an integral matrix (S300) and extracting a texture feature of the unit region using the configured integral matrix (S400).
단계 S100은, 입력된 영상의 명암 대비를 증대시켜 이진화한 후, 모폴로지 프로세싱을 거쳐 특징을 추출하고자 하는 관심영역을 결정하는 전처리 단계로, 다음과 같은 4가지 단계를 포함한다.Step S100 is a preprocessing step of determining a region of interest to extract a feature through morphology processing after binarizing the input image by increasing the contrast, and including four steps as follows.
첫 번째로, 도 2에 도시된 것과 같은 CT영상 데이터베이스로부터 입력된 영상에 대하여 다음 수학식 1에 의해 감마 보정을 수행하여 명암대비를 증대시킨 영상을 얻는다. 자연에 존재하는 색상의 종류를 0~255까지의 L단계의 컴퓨터 데이터로 표현하기 위해서는 정보의 양 및 표현력이 많이 줄어들 수 있다. 이러한 정보들을 선형적으로 기록하면, 사람이 보기에 양이 변할 때 부드럽게 연결되지 않고 단절되어 보이는 현상이 발생한다. 주어진 정보 표현량의 한계 내에서 사람이 보다 잘 느끼도록, 사람에게 적합한 정보를 기록하기 위해서는 비선형적으로 정보를 부호화할 필요가 있는데, 이때 사용하는 비선형적 부호화 방법이 명암 보정 방법, 또는 감마 보정 방법이다. 도 2에 도시된 영상에 대하여 감마 보정을 수행하여 명암 대비를 증대시킨 영상은 도 3에 도시되어 있다.First, gamma correction is performed on an image input from a CT image database as shown in FIG. 2 by using
여기서, G new 는 보정된 영상의 새로운 감마값, G old 는 입력된 영상의 원래 감마값, γ는 감마 보정을 위한 인자이다.Where G new is the new gamma value of the corrected image, G old is the original gamma value of the input image, and γ is a factor for gamma correction.
두 번째로, 명암대비를 증대시킨 영상을 OTSU 방법을 이용한 이진화(binarization)를 통해 도 4에 도시된 것과 같은 흑백으로 변환한 영상을 얻을 수 있다. OTSU 방법은, 영상의 히스토그램을 보고 편차가 최대일 때의 명암을 경계값으로 정하는 것으로, 히스토그램이 두 개의 확률분포를 가지는 경우 특별히 유효한 방법이다. 이진화란 경계값을 이용해 값이 두 개만 있는 이진 영상, 즉 흑백 영상으로 변환할 때 사용하는 것으로, 명암대비가 낮은 영상에서 배경과 물체를 쉽게 구분할 수 있게 해 준다.Second, an image obtained by converting an image having increased contrast to a black and white image as illustrated in FIG. 4 may be obtained through binarization using the OTSU method. The OTSU method is based on the histogram of the image and sets the contrast when the deviation is the maximum as a threshold value. This method is particularly effective when the histogram has two probability distributions. Binarization is used to convert a binary image, which has only two values, using a boundary value, that is, a black and white image. This makes it easier to distinguish objects and backgrounds from low-contrast images.
세 번째로, 모폴로지 방법(Morphological Method)을 이용하여, 이진화된 흑백 영상에서 노이즈와 관심영역 외의 다른 영역을 제거하고, 도 5에 도시된 것과 같은 관심영역을 결정한 영상을 얻을 수 있다.Third, by using a morphological method, an image other than noise and a region of interest may be removed from the binarized black and white image, and an image obtained by determining a region of interest as shown in FIG. 5 may be obtained.
네 번째로, 도 5에 도시된 것과 같은 관심영역을 결정한 영상에서 도 4에 도시된 것과 같은 흑백으로 변환한 영상을 제거함으로써, 원하는 관심영역만의 영상을 얻을 수 있으며, 이는 도 6에 도시되어 있다.Fourth, by removing the image converted to the black and white as shown in Figure 4 from the image of the region of interest as shown in Figure 5, it is possible to obtain an image of only the region of interest, which is shown in FIG. have.
단계 S200은, 전처리 단계를 거쳐 얻어진 관심영역의 영상을 단위영역으로 분리하여 공간 종속 행렬을 구성하는 단계로서, 먼저, 도 6에 도시된 것과 같은 관심영역만의 영상을 30× 30의 단위영역으로 분리하여 도 7과 같은 영상을 얻는다.Step S200 is a step of constructing a spatially dependent matrix by dividing an image of the ROI obtained through the preprocessing step into a unit region. First, an image of only the ROI as shown in FIG. 6 is converted into a 30 × 30 unit region. Separated to obtain an image as shown in FIG.
다음으로, 공간 명암도 의존 방법(Special Gray Level Different Method, 이하 SGLDM)을 이용하여 공간 종속 행렬을 구성한다. SGLDM은 특정한 거리와 방향성을 가지는 그레이 레벨 쌍의 특별한 분포에 의해 질감 특징을 추출한다. 이 방법으로 확률 분포 함수 f(i,j|d,θ)에 따른 2차 결합을 추정할 수 있으며, 각 확률 분포 함수 f(i,j|d,θ)는 화소간 거리 d와 방향각 θ를 가지는 그레이 레벨 i에서 그레이 레벨 j까지의 그레이 레벨의 확률을 나타낸다. 여기서 i와 j는 단위영역의 영상에서 각각 그레이 레벨을 나타내고, d는 i와 j간의 거리,θ는 i와 j가 이루는 각도로, 예를 들어 0, 45, 90, 135, 180, 225, 270 및 315의 값을 가질 수 있으며, 특징 추출이 필요한 응용 프로그램에 따라 변경될 수 있다. 즉, 확률 분포 함수 f(i,j|d,θ)는 단위영역의 영상에서 그레이 레벨이 i인 화소와 그레이 레벨이 j인 화소간의 거리가 d, 방향각이 θ인 경우를 세어, 전체 화소 수와의 비율을 나타낸다. 예를 들어, i가 10, j가 20이고, 두 화소간의 거리가 1, 두 화소가 이루는 각도가 45도라고 할 때, 이러한 화소 쌍이 30×30 화소를 가지는 단위영역 내에 20개 존재한다면, f(10, 20|1,45)는 20/900으로 나타낼 수 있다.Next, a spatial dependency matrix is constructed by using a spatial gray scale dependency method (hereinafter, SGLDM). SGLDM extracts texture features by special distributions of gray level pairs with specific distances and directions. In this way, we can estimate the quadratic combination according to the probability distribution function f (i, j | d, θ) , and each probability distribution function f (i, j | d, θ) is the inter-pixel distance d and the direction angle θ. The probability of gray levels from gray level i to gray level j having Where i and j represent gray levels in the image of the unit region, d is a distance between i and j , and θ is an angle formed by i and j , for example, 0, 45, 90, 135, 180, 225, 270 And 315, and may be changed according to an application requiring feature extraction. That is, the probability distribution function f (i, j | d, θ) counts the distance between the pixel having the gray level i and the pixel having the gray level j being d and the direction angle θ in the image of the unit region. It shows ratio with number. For example, if i is 10, j is 20, the distance between two pixels is 1, and the angle between the two pixels is 45 degrees, if 20 such pairs of pixels exist in the unit area having 30 × 30 pixels, f ( 10, 20 | 1,45 may be represented by 20/900.
도 8은 본 발명의 일실시예에 따른 적분 영상을 이용한 흉부 CT영상에서 고속 특징 추출 방법의 확률 분포 함수 f(i,j|d,θ)를 나타낸 도면이다. 도 8에 도시된 바와 같이, 본 발명의 일실시예에 따른 확률 분포 함수 f(i,j|d,θ)를 나타낸 영상의 각 화소들은 0∼255까지 256개의 그레이 레벨로 표현되는데, 확률 분포 함수에서 대상으로 하는 두 화소간의 거리와 방향각이 주어지면 256× 256의 크기를 가지는 공간 종속 행렬 M(d,θ)은, 확률 분포 함수 f(i,j|d,θ)를 이용하여 다음 수학식 2와 같이 나타낼 수 있다.8 is a diagram illustrating a probability distribution function f (i, j | d, θ) of a fast feature extraction method in a chest CT image using an integrated image according to an embodiment of the present invention. As shown in FIG. 8, each pixel of the image representing the probability distribution function f (i, j | d, θ) according to an embodiment of the present invention is represented by 256 gray levels from 0 to 255. Given the distance and direction angle between two target pixels in the function, the space-dependent matrix M (d, θ) with a size of 256 × 256 is given by the probability distribution function f (i, j | d, θ) It may be represented as in
이 공간 종속 행렬을 사용하여 질감 특징을 추출할 수 있다. 다음은 보통 의료영상 분석에 빈번하게 사용되는 일반적인 특징들이나, 복잡한 계산을 필요로 한다.This spatially dependent matrix can be used to extract texture features. The following are common features that are frequently used in medical image analysis, but require complex calculations.
1) 대비(contrast)를 구한다. 대비는 국부 변화량의 정도를 의미하며, 다음 수학식 3과 같이 나타낼 수 있다.1) Find the contrast. Contrast means the degree of local change, and can be expressed as
여기서, L은 영상에서 0∼255까지의 그레이 레벨을 나타내고, f x -y (n)는 다음 수학식 4와 같이 나타낼 수 있다.Here, L denotes a gray level from 0 to 255 in the image, and f x -y ( n ) can be expressed by
2) 합 평균(sum average)을 구한다. 합 평균은 흑백 영상에서 대각방향으로 정규화된 평균을 의미하며, 다음 수학식 5와 같이 나타낼 수 있다.2) A sum average is obtained. The sum mean refers to the average normalized in the diagonal direction in the black and white image, and may be represented by
여기서 f x +y (n)는 다음 수학식 6과 같이 나타낼 수 있다.Here, f x + y (n) can be expressed as Equation 6 below.
3) 합 엔트로피(sum entropy)를 구한다. 합 엔트로피는 흑백 영상에서 대각방향으로 정규화된 일정하지 않은 정도인 난수성이나 복잡성을 의미하며, 다음 수학식 7과 같이 나타낼 수 있다.3) Sum entropy is obtained. Sum entropy means randomness or complexity, which is a non-uniform degree normalized in a diagonal direction in a black and white image, and may be represented by Equation 7 below.
4) 합 분산(sum variance)을 구한다. 합 분산은 흑백 영상에서 대각방향으로 정규화된 공간 종속 행렬의 요소들이 가지는 분포도를 의미하며, 다음 수학식 8과 같이 나타낼 수 있다.4) Find the sum variance. The sum variance means a distribution of elements of a spatially dependent matrix normalized in a diagonal direction in a black and white image, and may be represented by
5) 차 엔트로피(different entropy)를 구한다. 차 엔트로피는 흑백 영상에서 합 엔트로피와는 다른 대각방향으로 정규화된 공간 종속 행렬의 요소들이 가지는 분포도를 의미하며, 다음 수학식 9와 같이 나타낼 수 있다.5) Find the differential entropy. The difference entropy means a distribution of elements of a spatially dependent matrix normalized in a diagonal direction different from the sum entropy in a black and white image, and may be expressed as in Equation 9 below.
6) 차 분산(different variance)을 구한다. 차 분산은 흑백 영상에서 합 엔트로피와는 다른 대각방향으로 정규화된 공간 종속 행렬의 요소들이 가지는 난수성(복잡성)을 의미하며, 다음 수학식 10과 같이 나타낼 수 있다.6) Find the differential variance. The difference variance means randomness (complexity) of elements of a spatially dependent matrix normalized in a diagonal direction different from sum entropy in a black and white image, and may be expressed as in Equation 10 below.
이러한 특징들은 영상의 특징을 추출하는 대상을 분류하는 데 유용하다. 그러나 복잡한 연산으로 인해 특징을 추출하는 효율성이 떨어짐을 알 수 있다. 특히, fx+y(n)와 fx-y(n)와 같은 부함수(Sub function)들은 공간 종속 행렬의 합계의 집합으로 이루어지는데, 이러한 부함수들을 계산하려면 엄청난 시간이 소요된다. 따라서 공간 종속 행렬 M(d,θ)을 적분 행렬로 변환하여 계산시간을 단축시킬 수 있다. 공간 종속 행렬의 x번째 행, y번째 열의 위치에서 적분 행렬은, 공간 종속 행렬의 x번째 행, y번째 열을 포함한 오른쪽 아래 구성요소들의 합으로 이루어지며, 다음 수학식 11과 같이 나타낼 수 있다. 이때, 수학식 11에서 i(x',y')은 적분 행렬(I)을 구성하기 위해 합하는 공간 종속 행렬의 원소를 나타낸다.These features are useful for classifying objects for extracting features of an image. However, it can be seen that the complexity of extracting features reduces the efficiency of complex computations. In particular, subfunctions such as f x + y (n) and f xy (n) consist of a set of sums of spatially dependent matrices, which take a great deal of time to calculate. Therefore, the calculation time can be shortened by converting the spatially dependent matrix M (d, θ) into an integral matrix. The integral matrix at the position of the x-th row and the y-th column of the spatially dependent matrix is composed of the sum of the lower right components including the xth and yth columns of the spatially dependent matrix, and can be expressed by Equation 11 below. In this case, i (x ', y') in Equation 11 represents the elements of the spatially dependent matrix summed to form the integral matrix (I).
도 9는 본 발명의 일실시예에 따른 적분 영상을 이용한 흉부 CT영상에서 고속 특징 추출 방법의 적분 행렬을 나타낸 도면이다. 도 9에 도시된 바와 같이 본 발명의 일실시예에 따른 적분 행렬을 나타낸 도면에서, H는 EAGH 영역의 합이고, I는 DAGI 영역의 합, F는 BAEF 영역의 합, C는 DABC 영역의 합이다. CFHI 영역의 합은 다음 수학식 12와 같이 나타낼 수 있다.9 is a diagram showing an integration matrix of a fast feature extraction method in a chest CT image using an integrated image according to an embodiment of the present invention. In the diagram showing the integration matrix according to an embodiment of the present invention as shown in Figure 9, H is EAGH And the sum of area, I is the sum of DAGI area, F is the sum of BAEF region, C is the sum of the areas DABC. The sum of the CFHI regions may be expressed as in Equation 12 below.
앞서 설명한 수학식 11의 적분 행렬을 사용하면, 수학식 2의 공간 종속 행렬을 적분 행렬로 변환할 수 있으며, 이는 다음 수학식 13과 같이 나타낼 수 있다.Using the integral matrix of Equation 11 described above, the spatially dependent matrix of
여기서 s(R,C)는 공간종속행렬의 R, C 우측 하단의 요소들의 총합을 나타내며, 다음 수학식 14와 같이 나타낼 수 있다.Here, s ( R, C ) represents the sum of the elements of the lower right of R, C of the spatial dependent matrix, and can be expressed by Equation 14 below.
여기서, R(0≤R≤L-1)는 행렬의 구성요소의 행의 위치를 나타내고, C(0≤C≤L-1)는 행렬의 구성요소의 열의 위치를 나타낸다.Where R (0 ≦ R ≦ L-1) represents the position of a row of components of a matrix and C (0 ≦ C ≦ L-1) represents the position of a column of components of a matrix.
수학식 13의 구성요소를 치환하여, 수학식 2에서 오른쪽 아래 영역의 합을 얻을 수 있다. 즉, 적분 행렬의 구성요소는 공간 종속 행렬의 동일한 위치 구성요소의 오른쪽 아래 구성요소들의 합을 나타내며, 공간 종속 행렬의 구성요소들의 임의의 직사각형 요소의 합을 구하기 위해서는 직사각형의 꼭지점을 이루는 적분 행렬의 4개의 요소를 알면 직사각형의 크기에 상관없이 상기 수학식 3의 연산이 가능 해진다. 이때, 부함수 f x +y (n) 및 f x -y (n)는 다음 수학식 15와 같이 간단하게 나타낼 수 있다.By substituting the component of Equation 13, the sum of the lower right regions may be obtained in
여기서 0≤C, 0≤R이다. R+C=n일 경우에 s(R,C)은 f x +y (n)로, |R-C|=n일 경우에 s(R,C)은 f x -y (n)로 치환 가능하다.Where 0 ≦ C and 0 ≦ R. R + C = n to s (R, C) is x + y f (n) by, in case of | RC | = n to s (R, C) if it is available substituted with f x -y (n) .
도 10은 본 발명의 일실시예에 따른 적분 영상을 이용한 흉부 CT영상에서 고속 특징 추출 방법에서 적분 행렬의 형성 과정을 의사 코드(pseudo-code)로 나타낸 도면이다.FIG. 10 is a diagram illustrating a process of forming an integration matrix in pseudo-code in a fast feature extraction method in chest CT images using an integrated image according to an embodiment of the present invention.
본 발명의 일실시예에 따른 적분 영상을 이용한 흉부 CT영상에서 고속 특징 추출 방법의 성능을 실험하기 위하여, 인하대 병원에서 제공한 흉부 CT영상에 대하여 종래의 특징 추출 방법과 본 발명의 일실시예에 따른 적분 영상을 이용한 흉부 CT영상에서 고속 특징 추출 방법을 시행하였다. 실험 대상 영상은 92장의 그레이 레벨 256, 해상도 1024× 1024인 흉부 CT영상이고, 실험 환경으로는 듀얼 코어(TM) 2.4GH의 CPU, 2GB의 메인 메모리, 프로그램 작성을 위한 통합개발환경은 VC++ 6.0, 운영체제는 윈도우 XP을 이용하였다. 흉부 CT영상의 특징을 추출하기 위하여, 전처리 단계를 거쳐 관심영역인 폐 영역의 영상을 156개의 단위영역으로 분리하였다. 표 1은 본 발명의 일실시예에 따른 적분 영상을 이용한 흉부 CT영상에서 고속 특징 추출 방법의 실험 결과를 나타낸 표이다. 표 1에서 실험결과는 156개의 단위영역에 대한 8 방향에 대한 특징을 추출하는 데 걸리는 평균 소요시간을 나타내고, 평균은 모든 방향에 대한 특징 추출 시간을 나타낸다. 표 1에 나타난 바와 같이, 본 발명의 일실시예에 따른 적분 영상을 이용한 흉부 CT영상에서 고속 특징 추출 방법은 종래의 특징 추출 방법의 소요시간의 0.0822%에 불과할 정도로, 그 특징 추출 속도가 빠르다.In order to test the performance of the fast feature extraction method in the chest CT image using the integrated image according to an embodiment of the present invention, the conventional feature extraction method and the embodiment of the present invention for the chest CT image provided by Inha University Hospital A fast feature extraction method was performed on chest CT images using integral images. The test subject image is 92 gray level 256, chest CT image with 1024 × 1024 resolution.For the experiment environment, dual core (TM) 2.4GH CPU, 2GB main memory, integrated development environment for programming is VC ++ 6.0, The operating system used Windows XP. In order to extract the features of chest CT images, images of the lung region, which is the region of interest, were separated into 156 unit regions through pre-processing steps. Table 1 is a table showing the experimental results of the fast feature extraction method in chest CT images using an integrated image according to an embodiment of the present invention. In Table 1, the experimental results show the average time required to extract features in 8 directions for 156 unit areas, and the average shows the feature extraction time for all directions. As shown in Table 1, the fast feature extraction method in the chest CT image using the integrated image according to an embodiment of the present invention is only 0.0822% of the required time of the conventional feature extraction method, the feature extraction speed is fast.
45
90
135
180
225
270
3150
45
90
135
180
225
270
315
4912.0244
4914.0139
4905.3381
5042.0404
5062.5268
5035.8549
5011.23155044.7642
4912.0244
4914.0139
4905.3381
5042.0404
5062.5268
5035.8549
5011.2315
3.9819
4.1540
3.9910
4.0187
3.9571
4.3087
4.12944.2749
3.9819
4.1540
3.9910
4.0187
3.9571
4.3087
4.1294
표 2는 본 발명의 일실시예에 따른 적분 영상을 이용한 흉부 CT영상에서 고속 특징 추출 방법의 다른 그레이 레벨에 대한 실험 결과를 나타낸 표이다. 각 영상의 그레이 레벨을 32, 64, 128의 3가지 그레이 레벨로 변환하고, 156개의 단위영역의 모든 방향에 대한 특징을 추출하였다. 표 2에서 그레이 레벨이 축소되면 종래 기술의 특징 추출 시간 또한 감소함을 볼 수 있으나, 모든 경우에서 본 발명에 따른 기술의 특징 추출 시간이 종래 기술보다 더 빠름을 확인할 수 있다.Table 2 is a table showing the results of experiments on the different gray levels of the fast feature extraction method in chest CT images using an integrated image according to an embodiment of the present invention. The gray levels of each image were converted into three gray levels of 32, 64, and 128, and features of all directions of 156 unit regions were extracted. In Table 2, the gray level is reduced, it can be seen that the feature extraction time of the prior art is also reduced, in all cases it can be seen that the feature extraction time of the technology according to the present invention is faster than the prior art.
64
128
25632
64
128
256
19.6247
311.3018
4990.97431.4036
19.6247
311.3018
4990.9743
0.3290
0.8809
4.10200.1434
0.3290
0.8809
4.1020
본 발명의 일실시예에 따른 적분 영상을 이용한 흉부 CT영상에서 고속 특징 추출 방법은, 반복되는 계산수식이 필요한 특징들을 추출하는 과정에 적분 영상을 이용하여, 중복된 연산을 미리 계산해 두는 공간을 마련하여 반복적으로 중복되는 연산을 간단히 함으로써, 특징 추출 속도를 향상시킬 수 있다. 따라서, 그레이 레벨의 범위를 축소하여 원래 영상의 정보를 손실하면서 특징 추출 속도를 향상시키는 종래 기술의 문제점인 영상 품질의 저하 없이 정확한 특징을 얻을 수 있다. 또한, 흉부 CT영상 뿐만 아니라 X-ray 및 MRI 등의 의료영상에서도 병변의 특징을 추출하는 방법으로 사용이 가능하고, 폐기흉(Emphysema) 등의 특정 병변에 한정된 것이 아닌 다양한 병변들에 대해서도 동일하게 적용이 가능하다. 또한 의료영상이 아닌 다른 멀티미디어 검색을 위한 관심영역의 특징 추출을 위한 방법으로 활용이 가능하므로, 이를 이용하여 의료영상을 활용한 진단 외에도 원격진료용 진단 지원 시스템, 디지털 도서관, 의료영상 판단에 익숙하지 않은 인턴이나 레지던트들의 의료영상 진단 교육 등 다양한 분야로 응용할 수 있다.The fast feature extraction method in the chest CT image using an integrated image according to an embodiment of the present invention, by using the integrated image in the process of extracting features that require repeated calculation equations, provides a space for pre-computing duplicate operations By simplifying the repetitive overlapping operations, the feature extraction speed can be improved. Therefore, it is possible to obtain accurate features without deterioration of image quality, which is a problem of the prior art of reducing the gray level range and improving the feature extraction speed while losing information of the original image. In addition, chest CT images as well as medical images such as X-rays and MRI can be used as a method of extracting the characteristics of the lesion, and the same is true for various lesions that are not limited to specific lesions such as empyema. Application is possible. In addition, it can be used as a method for extracting features of the region of interest for multimedia search other than medical image, so in addition to the diagnosis using medical image, it is not familiar with diagnosis support system, digital library, and medical image judgment. It can be applied to various fields such as medical image diagnosis education of interns or residents.
이상 설명한 본 발명은 본 발명이 속한 기술분야에서 통상의 지식을 가진 자에 의하여 다양한 변형이나 응용이 가능하며, 본 발명에 따른 기술적 사상의 범위는 아래의 특허청구범위에 의하여 정해져야 할 것이다.The present invention described above may be variously modified or applied by those skilled in the art, and the scope of the technical idea according to the present invention should be defined by the following claims.
도 1은 본 발명의 일실시예에 따른 적분 영상을 이용한 흉부 CT영상에서 고속 특징 추출 방법의 흐름도.1 is a flowchart of a fast feature extraction method in a chest CT image using an integrated image according to an embodiment of the present invention.
도 2는 본 발명의 일실시예에 따른 적분 영상을 이용한 흉부 CT영상에서 고속 특징 추출 방법의 전처리 단계에서 CT영상 데이터베이스로부터 입력된 영상을 나타낸 도면.2 is a view showing an image input from the CT image database in the pre-processing step of the fast feature extraction method in the chest CT image using an integrated image according to an embodiment of the present invention.
도 3은 본 발명의 일실시예에 따른 적분 영상을 이용한 흉부 CT영상에서 고속 특징 추출 방법의 전처리 단계에서 명암 대비를 증대시킨 영상을 나타낸 도면.3 is a view showing an image of increasing contrast in the pre-processing step of the fast feature extraction method in the chest CT image using an integrated image according to an embodiment of the present invention.
도 4는 본 발명의 일실시예에 따른 적분 영상을 이용한 흉부 CT영상에서 고속 특징 추출 방법의 전처리 단계에서 이진화를 통해 흑백으로 변환한 영상을 나타낸 도면.FIG. 4 is a diagram illustrating an image converted to black and white through binarization in a preprocessing step of a fast feature extraction method in a chest CT image using an integrated image according to an embodiment of the present invention; FIG.
도 5는 본 발명의 일실시예에 따른 적분 영상을 이용한 흉부 CT영상에서 고속 특징 추출 방법의 전처리 단계에서 관심영역을 결정한 영상을 나타낸 도면.5 is a view showing an image of a region of interest determined in a preprocessing step of a fast feature extraction method in a chest CT image using an integrated image according to an embodiment of the present invention.
도 6은 본 발명의 일실시예에 따른 적분 영상을 이용한 흉부 CT영상에서 고속 특징 추출 방법의 전처리 단계에서 원하는 관심영역만의 영상을 나타낸 도면.6 is a view showing an image of only a desired region of interest in a preprocessing step of a fast feature extraction method in a chest CT image using an integrated image according to an embodiment of the present invention.
도 7은 본 발명의 일실시예에 따른 적분 영상을 이용한 흉부 CT영상에서 고속 특징 추출 방법의 전처리 단계를 거쳐 얻어진 관심영역의 영상을 단위영역으로 분리한 영상을 나타낸 도면.7 is a diagram illustrating an image of a region of interest obtained by performing a preprocessing step of a fast feature extraction method in a chest CT image using an integrated image according to an embodiment of the present invention, divided into unit regions;
도 8은 본 발명의 일실시예에 따른 적분 영상을 이용한 흉부 CT영상에서 고속 특징 추출 방법의 확률 분포 함수 f(i,j|d,θ)를 나타낸 도면.8 is a diagram illustrating a probability distribution function f (i, j | d, θ) of a fast feature extraction method in a chest CT image using an integrated image according to an embodiment of the present invention.
도 9는 본 발명의 일실시예에 따른 적분 영상을 이용한 흉부 CT영상에서 고속 특징 추출 방법의 적분 행렬을 나타낸 도면.9 is a diagram showing an integral matrix of a fast feature extraction method in a chest CT image using an integrated image according to an embodiment of the present invention.
도 10은 본 발명의 일실시예에 따른 적분 영상을 이용한 흉부 CT영상에서 고속 특징 추출 방법을 의사 코드로 나타낸 도면.10 is a diagram illustrating a fast code extraction method using a pseudo code in a chest CT image using an integrated image according to an embodiment of the present invention.
<도면 중 주요 부분에 대한 부호의 설명><Explanation of symbols for main parts of the drawings>
S100: 입력된 영상의 관심영역을 결정하는 전처리 단계S100: Preprocessing step of determining the ROI of the input image
S200: 공간 종속 행렬을 구성하는 단계S200: step of constructing a spatial dependent matrix
S300: 적분 행렬을 구성하는 단계S300: step of constructing the integral matrix
S400: 단위영역에 대한 질감 특징을 추출하는 단계S400: extracting texture features for the unit area
Claims (5)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020090066111A KR101052628B1 (en) | 2009-07-20 | 2009-07-20 | Fast Feature Extraction from Chest City Image Using Integral Image |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020090066111A KR101052628B1 (en) | 2009-07-20 | 2009-07-20 | Fast Feature Extraction from Chest City Image Using Integral Image |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20110008658A KR20110008658A (en) | 2011-01-27 |
| KR101052628B1 true KR101052628B1 (en) | 2011-07-29 |
Family
ID=43614629
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020090066111A KR101052628B1 (en) | 2009-07-20 | 2009-07-20 | Fast Feature Extraction from Chest City Image Using Integral Image |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101052628B1 (en) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100836740B1 (en) * | 2006-08-28 | 2008-06-10 | 계명대학교 산학협력단 | Video data processing method and system thereof |
| KR100850173B1 (en) * | 2006-12-29 | 2008-08-04 | 포스데이타 주식회사 | The method and apparatus for image binarization |
-
2009
- 2009-07-20 KR KR1020090066111A patent/KR101052628B1/en not_active IP Right Cessation
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100836740B1 (en) * | 2006-08-28 | 2008-06-10 | 계명대학교 산학협력단 | Video data processing method and system thereof |
| KR100850173B1 (en) * | 2006-12-29 | 2008-08-04 | 포스데이타 주식회사 | The method and apparatus for image binarization |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20110008658A (en) | 2011-01-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tang et al. | An image feature approach for computer-aided detection of ischemic stroke | |
| AU706993B2 (en) | Computerized detection of masses and parenchymal distortions | |
| Jaffar et al. | Fuzzy entropy based optimization of clusters for the segmentation of lungs in CT scanned images | |
| Antonelli et al. | Segmentation and reconstruction of the lung volume in CT images | |
| Khan et al. | PMED-net: Pyramid based multi-scale encoder-decoder network for medical image segmentation | |
| Sun et al. | Automated template-based PET region of interest analyses in the aging brain | |
| Kaur et al. | Computer-aided diagnosis of renal lesions in CT images: a comprehensive survey and future prospects | |
| Widodo et al. | Lung diseases detection caused by smoking using support vector machine | |
| Hamad et al. | Segmentation and measurement of lung pathological changes for COVID-19 diagnosis based on computed tomography | |
| Qian et al. | An improved method of region grouping for microcalcification detection in digital mammograms | |
| Celaya-Padilaa et al. | Local image registration a comparison for bilateral registration mammography | |
| Kayode et al. | An explorative survey of image enhancement techniques used in mammography | |
| KR101052628B1 (en) | Fast Feature Extraction from Chest City Image Using Integral Image | |
| Tufail et al. | Extraction of region of interest from brain MRI by converting images into neutrosophic domain using the modified S-function | |
| Susomboon et al. | Automatic single-organ segmentation in computed tomography images | |
| Rao et al. | Deep learning-based medical image fusion using integrated joint slope analysis with probabilistic parametric steered image filter | |
| Noviana et al. | Axial segmentation of lungs CT scan images using canny method and morphological operation | |
| JP4483250B2 (en) | Image diagnosis support apparatus, image diagnosis support method, and program | |
| JP2005052329A (en) | Abnormal shadow candidate detector and program | |
| Wadhwani et al. | Computer Aided Diagnosis System for Breast Cancer Detection | |
| Ali et al. | Automatic Detection of Benign Brain Tumors Using Statistical Analysis | |
| Nanavati et al. | Implementation and Comparative Study of Pyramid-based Image Fusion Techniques for Lumbar Spine Images | |
| Dimililer et al. | Image preprocessing phase with artificial intelligence methods on medical images | |
| Supriyanti et al. | Comparison of conventional edge detection methods performance in lung segmentation of COVID19 patients | |
| Kayode et al. | Preparing mammograms for classification task: Processing and analysis of mammograms |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| FPAY | Annual fee payment |
Payment date: 20140612 Year of fee payment: 4 |
|
| FPAY | Annual fee payment |
Payment date: 20150626 Year of fee payment: 5 |
|
| FPAY | Annual fee payment |
Payment date: 20160602 Year of fee payment: 6 |
|
| LAPS | Lapse due to unpaid annual fee |