• Proceedings of the Korea Information Processing Society Conference
• /
• 2021.11a
• /
• pp.903-906
• /
• 2021

인공지능 기술 발전으로, 의료영상 분야에서도 딥러닝 기반 질병 진단 연구가 활발히 진행되고 있다. 딥러닝 모델 개발 시, 학습 데이터 품질은 모델의 성능과 신뢰성에 매우 큰 영향을 미친다. 그러나 의료 분야의 경우 도메인 지식에 대한 진입 장벽이 높아 개발자가 학습에 사용되는 의료영상 데이터의 품질을 평가하기 어렵다. 이로 인해, 많은 의료영상 분야에서는 각 분야의 특성(질병의 종류, 관찰 아나토미 등)에 따른 영상 품질 평가 방법을 제시해왔다. 그러나 기존의 방법은 특정 질병에 초점이 맞춰져, 일반화된 품질 평가 기준을 제시하고 있지 않다. 따라서 본 논문에서는 대부분의 흉부 질환을 진단하기 위한 흉부 X선 영상의 품질을 평가할 수 있는 기준을 제안한다. 우선, 흉부 X선 영상을 대상으로 관찰된 영역인 심장, 횡격막, 견갑골, 폐 등을 분할하여, 3D 히스토그램을 기반으로 각 영역별 통계적인 정밀 품질 평가 기준을 제안한다. 본 연구에서는 JSRT, Chest 14의 오픈 데이터셋을 활용하여 적용 실험을 수행하였으며, 민감도는 97.6%, 특이도는 92.8%의 우수한 성능을 확인하였다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2020.11a
• /
• pp.1064-1065
• /
• 2020

본 연구는 한국인 뇌MRI영상을 이용하여 대뇌 영역별 분석 프로토콜과 정량 평가방법을 개발하여 정상인을 대상으로 뇌용적량을 정량 분석하고자 한다. 뇌MRI영상 분석 프로토콜을 최적화하기 위해 먼저 뇌용적 변화에 있어 평가방법을 선정하고, VBM 후처리과정은 MRI영상 신호불균질성 교정, 조직세분화 방법, 대뇌 표준영상 제작, 신호 편평화(smoothing) 과정을 단계별로 최적화하였다. 이 정량분석 프로토콜은 정상인과 뇌질환 환자의 뇌용적 비교뿐만 아니라 환자 약물 치료 전·후에 나타나는 용적 변화를 정량적으로 평가하는 연구에 활용할 수 있을 것으로 기대한다.

• The KIPS Transactions:PartB
• /
• v.8B no.2
• /
• pp.164-172
• /
• 2001

본 논문에서는 시각화와 공간적, 속성 혼합 쿼리를 수행할 수 있는 관계형 데이터베이스를 설계하고 구현하였다. 쿼리에 사용되는 데이터형은 슬라이스, MPR, 볼륨 렌더링으로 시각화할 수 있으며, 쿼리는 아탈라스를 이용하는 경우와 그렇지 않는 경우를모두 고려하였다. 영상 데이터는 공간충전 곡선으로 공간적으로 클러스트링한 후 무손실 압축하여 데이터베이스에 저장된다. 본 논문은 저장 데이터의 양을 줄이기 위하여 관심영역의 크기에 따라 창의 크기가 변하는 적응적 Hibert 곡선을 제안하였으며, 실험에서 Hibert 곡선의 적용한 데이터보다 약 1.15배 높은 압축율을 보였다. 또한 아틀라스에 대한 뇌종양의 공간적 쿼리 결과를 통하여 본 의료 영상 데이터베이스의 유용성을 보였다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2008.11a
• /
• pp.1095-1098
• /
• 2008

최근 디지털 의료영상 자료들이 급격히 증가하고 의학과 임상에서 많은 병원과 기관 사이의 협업연구가 증가함에 따라 지리적으로 분산된 외부 기관과의 원격 데이터 공유 및 원격의 데이터 접근이 필요하게 되었다. 의료 장비 사이의 데이터 교환을 위한 DICOM은 외부 기관의 방화벽으로부터 의료 이미지 데이터 접근을 지원하는 보안 방법과 전송 속도 문제로 인해 협업 환경에 적합하지 않으며, 의료 이미지 데이터 관리 기능을 제공하지 못한다. 본 논문에서는 그리드 기반의 협업 환경을 제안하고 웹 서비스를 이용한 그리드 데이터 관리 기능을 구현하여 의료 분야의 PACS 통합과 의료 이미지 데이터 교환 문제를 해결하였다.

• The KIPS Transactions:PartB
• /
• v.13B no.6 s.109
• /
• pp.601-606
• /
• 2006

The image data amount that used in medical institution with great development of medical technology is increasing rapidly. Therefore, people need automation method that use image processing description than macrography of doctors for analysis many medical image. In this paper. we propose that acquire texture information to using GLCM about liver area of abdomen CT image, and automatically detects liver tumor using PCA from this data. Method by one feature as intensity of existent liver humor detection was most but we changed into 4 principal component accumulation images using GLCM's texture information 8 feature. Experiment result, 4 principal component accumulation image's variance percentage is 89.9%. It was seen this compare with liver tumor detecting that use only intensity about 92%. This means that can detect liver tumor even if reduce from dimension of image data to 4 dimensions that is the half in 8 dimensions.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2019.10a
• /
• pp.1019-1022
• /
• 2019

최근의 영상 처리 분야는 딥러닝 기법들의 성능이 입증됨에 따라 다양한 분야에서 이와 같은 기법들을 활용해 영상에 대한 분류, 분석, 검출 등을 수행하려는 시도가 활발하다. 그중에서도 의료 진단 보조 역할을 할 수 있는 의료 영상 분석 소프트웨어에 대한 기대가 증가하고 있는데, 본 연구에서는 캡슐내시경 영상에 주목하였다. 캡슐내시경은 주로 소장 촬영을 목표로 하며 식도부터 대장까지 약 8~10시간 동안 촬영된다. 이로 인해 CT, MR, X-ray와 같은 다른 의료 영상과 다르게 하나의 데이터 셋이 10~15만 장의 이미지를 갖는다. 일반적으로 캡슐내시경 영상을 판독하는 순서는 위장관 교차점(Z-Line, 유문판, 회맹판)을 기준으로 위장관 랜드마크(식도, 위, 소장, 대장)를 구분한 뒤, 각 랜드마크 별로 병변 정보를 찾아내는 방식이다. 그러나 워낙 방대한 영상 데이터를 가지기 때문에 의사 혹은 의료 전문가가 영상을 판독하는데 많은 시간과 노력이 소모되고 있다. 본 논문의 목적은 캡슐내시경 영상의 판독에서 모든 환자에 대해 공통으로 수행되고, 판독하는 데 많은 시간을 차지하는 위장관 랜드마크를 찾는 것에 있다. 이를 위해, 위장관 랜드마크를 식별할 수 있는 CNN 학습 모델을 설계하였으며, 더욱 효과적인 학습을 위해 전처리 과정으로 학습에 방해가 되는 학습 노이즈 영상들을 제거하고 위장관 랜드마크 별 특징 분석을 진행하였다. 총 8명의 환자 데이터를 가지고 학습된 모델에 대해 평가 및 검증을 진행하였는데, 무작위로 환자 데이터를 샘플링하여 학습한 모델을 평가한 결과, 평균 정확도가 95% 가 확인되었으며 개별 환자별로 교차 검증 방식을 진행한 결과 평균 정확도 67% 가 확인되었다.

• Journal of Biomedical Engineering Research
• /
• v.19 no.2
• /
• pp.189-198
• /
• 1998

3D medical image reconstruction techniques are useful to figure out complex 3D structures from the set of 2D sections. In the paper, 3D medical image reconstruction system is constructed under PC environment and programmed based on modular programming by using Visual C++ 4.2. The whole procedures are composed of data preparation, gradient estimation, classification, shading, transformation and ray-casting & compositing. Three speed optimization techniques are used for accelerating 3D medical image reconstruction technique. One is to reduce the rays when cast rays to reconstruct 3D medical image, another is to reduce the voxels to be calculated and the other is to apply early ray termination. To implement 3D medical image reconstruction system based on PC, speed optimization techniques are experimented and applied.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2023.11a
• /
• pp.608-610
• /
• 2023

의료 분야에서 AI 모델의 활용이 증가하고 있지만, 모델의 예측 불확실성을 정확하게 평가하고 표현하는 것이 중요하다. 본 연구는 이러한 문제를 해결하기 위해 AI-driven 방식을 제안하며, 특히 의료 영상 변환 모델에 대한 불확실성 표현과 데이터 한계 극복 방법론을 제안한다. 제안된 AI-driven 안저영상 변환 모델은 기존 GAN과는 다르게 구조가 이루어져 있으며, 신뢰도가 낮은 영역을 구분하고 시각화하여 표현할 수 있다. 실험 결과, 제안된 방법은 기존 모델과 비교하여 영상 변환 성능이 크게 향상되었으며, 불확실성에 대한 정확도 평가에서도 AI-driven 방식이 높은 성능을 보인다. 결론적으로, 본 연구는 AI-driven 방식을 통해 의료 AI에서의 불확실성 표현의 가능성을 확인하였으며, 이 방식이 데이터의 한계와 불확실성을 극복할 수 있을 것으로 기대된다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2000.04a
• /
• pp.299-302
• /
• 2000

의료영상의 크기가 커짐에 따라 처리해야 할 데이터량이 많아졌다. 또한 점점 더 많은 사람들이 빠른 3차원 가시화 결과를 기대한다. 하지만 이전에 제시된 많은 방법들은 실시간 응답 결과를 기대하기는 힘들다. 본 논문은 하드웨어를 이용하여 의료영상을 빠른 속도로 3차원 가시화하는 방법과 그 구현 결과에 대해 기술한다. 구현에 있어 자바를 이용함으로써 플랫폼 독립적이며 OpenGL을 기반으로 한 자바 3D API를 사용함으로써 쉽고 빠르게 3차원 가시화 결과를 디스플레이할 수 있다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2003.05a
• /
• pp.595-598
• /
• 2003

본 논문에서는 방사선투영영상을 기존 압축방법인 JPEG 압축과 새로운 표준으로 채택중인 JPEG2000을 적용하여 압축율 및 영상의 품질을 비교 실험하였다. 기존의 의료영상압축 표준의 하나인 JPEG 압축은 압축비율이 높아짐에 따라 블륵킹 현상의 발생으로 원 영상이 회손되는 압축의 한계를 인식하고 있다. 따라서 원 영상의 보호와 압축율 증가의 두 가지 면을 만족시키기 위해 Wavelet 을 사용하는 JPEG2000을 실험 평가하여 의료영상압축에 적용하고자 한다. 실험대상으로 환자 10명 정상인 10명의 투영영상을 사용하였으며, 영상의 품질, 손상도 등을 평가하기 위해 PSNR( Peak Signal to Noise Ratio )과 판독의에 의한 ROC( Receiver Operating Characteristic )분석을 실행하였다. 실험결과, 영상의 품질, 손상도를 평가하기 위한 PSNR 은 15:1 압축에서 $46.05{\pm}1.1dB$의 값을 얻었으며, JPEG의 같은 압축비율에 비해 $1.78{\pm}0.1dB$의 값이 높음을 알 수 있었다. 종합적으로 3명의 판독의에 의해 ROC 분석을 실행한 결과 15:1의 압축비율에서 압축비율과 품질을 종합하였을 때 진단에 적합한 최적 압축비율임을 보였다.