• 정보처리학회논문지B
• /
• 제17B권4호
• /
• pp.303-308
• /
• 2010

본 논문에서는 기울기 벡터장과 조건부 엔트로피를 결합한 의료영상 정합 방법을 제안한다. 정합 방법은 조건부 확률의 엔트로피에 기반한 측도를 수행한다. 먼저 공간적 정보를 얻기 위해 윤곽선 정보의 방향을 제공하는 기울기 정보인 기울기 벡터장을 계산한다. 다음으로 주어진 두 영상에서 픽셀의 밝기정보와 에지정보를 결합하여 조인트 히스토그램을 계산하여 조건부 엔트로피를 구하고, 이것을 두 영상의 정합측도로 사용한다. 제안된 방법의 성능평가를 위해 자기공명 영상과 변환된 컴퓨터단층촬영 영상에 기존 방법인 상호정보기반의 측도, 조건부 엔트로피만을 사용한 측도와 비교 실험을 수행한다. 실험결과로부터 제안한 방법이 기존의 최적화 방법들 보다 더 빠르고 정확한 정합임을 알 수 있다.

• 응용통계연구
• /
• 제24권2호
• /
• pp.335-345
• /
• 2011

본 논문에서는 레벨 셋 방법을 이용하여 영상분할을 수행하는데 필요한 새로운 하이브리드 속도함수를 제안한다. 새롭게 제안하는 속도함수는 정확한 분할 결과를 위하여 영상의 객체가 가지고 있는 영역정보와 윤곽선정보를 함께 이용한다. 영역정보는 관심이 있는 물체영상내의 픽셀들의 밝기에 대한 확률분포의 정보를 이용하였고, 윤곽선정보는 영상의 에지의 기울기로부터 주어지는 기울기 벡터장을 이용하였다. 제안된 방법을 이용한 분할결과의 정확성을 확인하기 위하여 가상영상과 실제 사용되는 의료영상에 대하여 다양한 실험을 실시하고, 분할된 결과를 통하여 제안된 방법의 우수성을 입증하였다.

• 정보처리학회논문지B
• /
• 제18B권3호
• /
• pp.131-138
• /
• 2011

본 논문에서는 볼륨 의료영상 분할에 대한 기존의 레벨 셋 기법과 제안하는 방법의 성능을 비교하고자 한다. 기존의 방법들은 영역의 정보만을 이용하여 분할을 시행하므로, 영상의 종류에 따라서 정확한 분할을 못한 경우가 있다. 따라서 새롭게 제안하는 방법은 정확한 분할 결과를 위하여 영상의 객체가 가지고 있는 에지 정보와 영역 정보를 함께 이용한다. 에지 정보는 레벨 셋의 곡면이 객체의 표면에 잘 도달할 수 있도록 해주는 기울기 벡터장을 이용하고, 영역 정보는 각 영역에서 픽셀의 밝기 값을 가우시안 분포를 이용하여 통계적 모델로 적합시킴으로써 영상의 분할에 적용하였다. 또한, 곡면 주변 잡음의 영향을 최소화 시켜주는 정규화 항을 사용한다. 기존의 레벨 셋 기반의 방법들과 제안한 방법의 성능 평가를 위하여 실제 볼륨 의료영상에 대하여 다양한 실험을 실시하고, 분할된 결과의 비교를 통하여 제안된 방법의 우수성을 입증한다.

• 대한의용생체공학회:의공학회지
• /
• 제28권6호
• /
• pp.713-720
• /
• 2007

In image-guided surgery, automatic bone segmentation of Computed Tomography (CT) images is an important but challenging step. Previous attempts include intensity-, edge-, region-, and deformable curve-based approaches [1], but none claims fully satisfactory performance. Although active contour (AC) techniques possess many excellent characteristics, their applications in CT image segmentation have not worthily exploited yet. In this study, we have evaluated the automaticity and performance of the model of Chan-Vese Multiphase AC Without Edges towards knee bone segmentation from CT images. This model is suitable because it is initialization-insensitive and topology-adaptive. Its segmentation results have been qualitatively compared with those from four other widely used AC models: namely Gradient Vector Flow (GVF) AC, Geometric AC, Geodesic AC, and GVF Fast Geometric AC. To quantitatively evaluate its performance, the results from a commercial software and a medical expert have been used. The evaluation results show that the Chan-Vese model provides superior performance with least user interaction, proving its suitability for automatic bone segmentation from CT images.