Journal of Korea Multimedia Society (한국멀티미디어학회논문지)

Korea Multimedia Society (한국멀티미디어학회)
권호 표지
DOI QR코드

DOI QR Code

Automatic prostate segmentation method on dynamic MR images using non-rigid registration and subtraction method

동작 MR 영상에서 비강체 정합과 감산 기법을 이용한 자동 전립선 분할 기법

  • 이정진 (가톨릭대학교 디지털미디어학부) ;
  • 이호 (스탠포드대학교 방사선종양학과) ;
  • 김정곤 (울산대학교 의과대학 영상의학과) ;
  • 이창경 (울산대학교 의학과 의과학) ;
  • 신영길 (서울대학교 컴퓨터공학부) ;
  • 이윤철 (서울장신대학교) ;
  • 이민선 (선문대학교 통합의학대학원)
  • Received : 2010.08.17
  • Accepted : 2011.02.07
  • Published : 2011.03.31
Download PDF
⟨ Previous Next ⟩

Abstract

In this paper, we propose an automatic prostate segmentation method from dynamic magnetic resonance (MR) images. Our method detects contrast-enhanced images among the dynamic MR images using an average intensity analysis. Then, the candidate regions of prostate are detected by the B-spline non-rigid registration and subtraction between the pre-contrast and contrast-enhanced MR images. Finally, the prostate is segmented by performing a dilation operation outward, and sequential shape propagation inward. Our method was validated by ten data sets and the results were compared with the manually segmented results. The average volumetric overlap error was 6.8%, and average absolute volumetric measurement error was 2.5%. Our method could be used for the computer-aided prostate diagnosis, which requires an accurate prostate segmentation.

본 논문에서는 동적 자기 공명 영상에서 자동 전립선 분할 기법을 제안한다. 제안 기법은 평균 밝기값 분석을 통하여 동적 MR 영상들 중에서 전립선 영역이 조영증강이 잘 된 영상을 찾는다. 다음으로 조영전 MR 영상과 조영증강된 MR 영상을 B-스플라인 비강체 정합 기법으로 매칭 후 감산하여 전립선 후보 영역을 검출한다. 마지막으로 외부 방향으로 확장 연산을 수행한 후 내부 방향으로 연속적인 형태 전파를 수행하여 전립선 경계를 검출한다. 10명의 환자 데이터에 대하여 제안 기법으로 분할한 결과와 수작업으로 분할한 결과를 비교하여 정확성을 검증하였다. 평균 볼륨 오버랩 오차는 6.8%였고, 평균 절대값 볼륨 측정 오차는 2.5%였다. 제안 기법은 정확한 전립선 분할을 필요로 하는 컴퓨터 보조 전립선 진단 기법에 사용될 수 있다.

Keywords

References

  1. H. Lee, J. Lee, N. Kim, S. J. Kim, and Y. G. Shin, "Robust feature-based registration using a Gaussian-weighted distance map and brain feature points for brain PET/CT images," Computers in Biology and Medicine, Vol.38, No.9, pp.945-961, 2008. https://doi.org/10.1016/j.compbiomed.2008.04.001
  2. H. Hong, J. Lee, and Y. Yim, "Automatic lung nodule matching on sequential CT images," Computers in Biology and Medicine, Vol.38, No.5, pp.623-634, 2008. https://doi.org/10.1016/j.compbiomed.2008.02.010
  3. T. Heimann et al., "Comparison and evaluation of methods for liver segmentation from CT datasets," IEEE Transactions on Medical Imaging, Vol.28, No.8, pp.1251-1265, 2009. https://doi.org/10.1109/TMI.2009.2013851
  4. R. Zwiggelaar, Y. Zhu. and S. Williams, "Semi- automatic segmentation of the prostate," Lecture Notes in Computer Science, Vol. 2652, pp.1108-1116, 2003.
  5. M. Samiee, G. Thomas, and R. F. Rezai, "Semi-automatic prostate segmentation of MR images based on flow orientation," 2006 IEEE International Symposium on Signal Processing and Information Technology, pp. 203-207, 2006.
  6. D. Flores-Tapia, G. Thomas, N. Venugopal, B. McCurdy, and S. Pistorius, "Semi automatic MRI prostate segmentation based on wavelet multiscale products," 30th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, pp. 3020-3023, 2008.
  7. S. Klein, U. A. van der Heide, I. M. Lips, M. van Vulpen, M. Staring, and J. P. Pluim, "Automatic segmentation of the prostate in 3D MR images by atlas matching using localized mutual information," Medical Physics, Vol.35, No.4, pp.1407-1417, 2008. https://doi.org/10.1118/1.2842076
  8. S. Martin, J. Troccaz, and V. Daanenc, "Automated segmentation of the prostate in 3D MR images using a probabilistic atlas and a spatially constrained deformable model," Medical Physics, Vol.37, No.4, pp.1579-1590, 2010. https://doi.org/10.1118/1.3315367
  9. R. Malladi, J. A. Sethian, and B. C. Vemuri, "Shape modeling with front propagation: a level set approach," IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.17, No.2, pp.158-175, 1995. https://doi.org/10.1109/34.368173
  10. V. Caselles, R. Kimmel, and G. Sapiro, "Geodesic active contours," International Journal of Computer Vision, Vol.22, No.1, pp. 61-97, 1997. https://doi.org/10.1023/A:1007979827043
  11. S. Lee, G. Wolberg, and S. Y. Shin, "Scattered data interpolation with multilevel B-splines," IEEE Transactions on Visualization and Computer Graphics, Vol.3, No.3, pp.228-244, 1997. https://doi.org/10.1109/2945.620490
  12. C. Studholme, D. L. G. Hill, and D. J. Hawkes, "An overlap invariant entropy measure of 3D medical image alignment," Pattern Recognition, Vol.32, pp.71-86, 1999. https://doi.org/10.1016/S0031-3203(98)00091-0
  13. 권혁봉, 권동진, 장언동, 윤영복, 안재형, "YCbCr 색공간에서 피부색과 윤곽선 정보를 이용한 얼굴 영역 검출," 한국멀티미디어학회논문지, Vol.7, No.1, pp.27-34, 2004.

Cited by

  1. 참외 수확로봇을 위한 타원 정합기반의 인식 기법 개발 vol.15, pp.11, 2011, https://doi.org/10.9717/kmms.2012.15.11.1273