• International journal of advanced smart convergence
• /
• 제7권2호
• /
• pp.1-6
• /
• 2018

In this paper, we propose an automatic left ventricle segmentation method in computed tomography angiography (CTA) using separating energy function. First, we smooth the images by applying anisotropic diffusion filter to remove noise. Secondly, the volume of interest (VOI) is detected by using k-means clustering. Thirdly, we divide the left and right heart with split energy function. Finally, we extract only left ventricle from left and right heart with optimizing cost function including orientation term.

• Korean Journal of Radiology
• /
• 제21권6호
• /
• pp.660-669
• /
• 2020

Objective: To evaluate the accuracy of a deep learning-based automated segmentation of the left ventricle (LV) myocardium using cardiac CT. Materials and Methods: To develop a fully automated algorithm, 100 subjects with coronary artery disease were randomly selected as a development set (50 training / 20 validation / 30 internal test). An experienced cardiac radiologist generated the manual segmentation of the development set. The trained model was evaluated using 1000 validation set generated by an experienced technician. Visual assessment was performed to compare the manual and automatic segmentations. In a quantitative analysis, sensitivity and specificity were calculated according to the number of pixels where two three-dimensional masks of the manual and deep learning segmentations overlapped. Similarity indices, such as the Dice similarity coefficient (DSC), were used to evaluate the margin of each segmented masks. Results: The sensitivity and specificity of automated segmentation for each segment (1-16 segments) were high (85.5-100.0%). The DSC was 88.3 ± 6.2%. Among randomly selected 100 cases, all manual segmentation and deep learning masks for visual analysis were classified as very accurate to mostly accurate and there were no inaccurate cases (manual vs. deep learning: very accurate, 31 vs. 53; accurate, 64 vs. 39; mostly accurate, 15 vs. 8). The number of very accurate cases for deep learning masks was greater than that for manually segmented masks. Conclusion: We present deep learning-based automatic segmentation of the LV myocardium and the results are comparable to manual segmentation data with high sensitivity, specificity, and high similarity scores.

• 한국정보과학회논문지:소프트웨어및응용
• /
• 제36권10호
• /
• pp.825-835
• /
• 2009

의학기술이 발전하면서 결핵, 폐렴, 영양실조, A형간염 등의 질병에 의한 사망률은 감소하는 반면, 심장 질환으로 인한 사망률은 증가하는 추세이다. 심장병을 예방하기 위하여 정기적인 검사가 중요하고, 인체에 무해한 자기공명영상을 활용하여 심장의 혈류량과 심박구출률을 계산하여 심장의 기능을 분석할 필요가 있다. 본 논문에서는 기존의 노동집약적이고 시간적 비용이 큰 수동윤곽분할을 대체하기 위한 자동 좌심실 분할 알고리즘을 제안하였다. 방사형 임계치 결정법을 통하여 심실을 분할하고 혈류량 및 심박구출률을 계산하였으며, 특히 기존 방법들에서 문제가 되었던 기저 영상도 사용자 간섭률을 최소화하여 자동분할을 수행하였다. 제안 알고리즘의 검증을 위하여 36명의 심장 자기공명영상 데이터를 사용하여 전문가에 의한 수동윤곽분할 및 제너럴일렉트로닉스 MASS 소프트웨어와 정량적 비교를 수행하였다. 실험을 통해 제안한 방법이 표준으로 간주되는 수동윤곽분할과 정확도가 유사하며, MASS 소프트웨어보다 높은 정확도를 갖고 있음을 알 수 있었다.

• 대한방사선기술학회지:방사선기술과학
• /
• 제45권2호
• /
• pp.151-158
• /
• 2022

The Cardiac Gated Blood Pool (GBP) scintigram, a nuclear medicine imaging, calculates the left ventricular Ejection Fraction (EF) by segmenting the left ventricle from the heart. However, in order to accurately segment the substructure of the heart, specialized knowledge of cardiac anatomy is required, and depending on the expert's processing, there may be a problem in which the left ventricular EF is calculated differently. In this study, using the DeepLabV3 architecture, GBP images were trained on 93 training data with a ResNet-50 backbone. Afterwards, the trained model was applied to 23 separate test sets of GBP to evaluate the reproducibility of the region of interest and left ventricular EF. Pixel accuracy, dice coefficient, and IoU for the region of interest were 99.32±0.20, 94.65±1.45, 89.89±2.62(%) at the diastolic phase, and 99.26±0.34, 90.16±4.19, and 82.33±6.69(%) at the systolic phase, respectively. Left ventricular EF was calculated to be an average of 60.37±7.32% in the ROI set by humans and 58.68±7.22% in the ROI set by the deep learning segmentation model. (p<0.05) The automated segmentation method using deep learning presented in this study similarly predicts the average human-set ROI and left ventricular EF when a random GBP image is an input. If the automatic segmentation method is developed and applied to the functional examination method that needs to set ROI in the field of cardiac scintigram in nuclear medicine in the future, it is expected to greatly contribute to improving the efficiency and accuracy of processing and analysis by nuclear medicine specialists.

• 정보처리학회논문지B
• /
• 제15B권6호
• /
• pp.507-516
• /
• 2008

최근 연구 결과에 따르면 여러가지 질환 중에 심장 질환으로 인한 사망률이 가장 높은 것으로 나타났다. 임상 실습에서 심장 기능은 좌심실을 수동윤곽검출하여 혈류량이나 심박구출률을 계산하여 분석하지만, 많은 시간과 비용을 필요로 한다. 본 연구에서는 심장을 촬영한 단축 자기공명영상을 사용하여 자동 좌심실 분할 알고리즘을 제안한다. 코일 위치에 따른 왜곡을 보상하고, 에지 정보를 검출하고 특성에 따라 분류한후에, 영역 확장 기법을 사용하여 좌심실을 분할하였다. 또한 부분 복셀소(voxel)의 영향을 고려하였다. 코넬대학교 IRB의 승인하에 38 명의 심장 자기공명영상을 사용하여 제안한 알고리즘을 수동윤곽검출 및 GE MASS 소프트웨어와 비교하였다. 심장의 이완기와 수축기에 혈류량은 부분 복셀소 영향을 고려하지 않을 경우 각각 $3.3mL{\pm}5.8$(표준편차)와 $3.2mL{\pm}4.3$, 부분 복셀소 영향을 고려한 경우 각각 $19.1mL{\pm}8.8$와 $10.3mL{\pm}6.1$의 정확도를 보였다. 심박구출률은 부분 복셀소 영향을 고려하지 않은 경우와 고려한 경우에 대해서 각각 $-1.3%{\pm}2.6$ 와 $-2.1%{\pm}2.4$의 정확도를 보였다. 이를 통해 제안한 알고리즘이 정확하고 정기적인 임상 실습에 유용함을 확인할 수 있다.

• 정보처리학회논문지B
• /
• 제18B권2호
• /
• pp.57-66
• /
• 2011

심장 질환을 예방하기 위해서는 정기적인 검진을 통해 심장 기능을 분석하고 관찰하는 것이 중요하다. 정기적인 검진에서 심장 기능은 심장을 촬영한 후에 관측자가 이를 수작업을 통하여 처리하여 혈류량과 심박구출률 등을 분석함으로서 이루어지나, 시간도 오래 걸리며 관측자에 따른 변이성이 문제가 된다. 본 논문에서는 심장 단축 자기공명영상에서 좌심실 영역을 분할하는 자동화된 알고리즘을 제안한다. 코일 위치에 따른 왜곡을 보정하고, K-평균 클러스터링 기법을 이용하여 좌심실 내부를 분할한다. 영상의 왜곡 및 잡음에 의하여 발생하는 분할 오류는 그래프 탐색 기법을 적용하여 수정하였다. 제안하는 알고리즘의 성능을 평가하기 위하여 38명의 지원자 그룹에 대하여 혈류량과 심박구출률을 계산하였고, 전문가에 의한 수동윤곽검출 결과와 GE MASS 소프트웨어와 비교하였다. 결과에 따르면 제안한 알고리즘의 수동윤곽검출과 혈류량의 차이는 평균적으로 이완기에 6.2mL${\pm}$5.6 및 수축기에 2.9mL${\pm}$3.0, 심박구출률의 차이는 2.1%${\pm}$1.5로 높은 정확성을 보였다. 특히 제안한 알고리즘은 기존 알고리즘에서 발생하던 사용자 간섭률을 최소화하여 자동화 성능을 향상하였다.

• 한국정보과학회논문지:소프트웨어및응용
• /
• 제37권4호
• /
• pp.273-281
• /
• 2010

본 논문에서는 CT 영상에서 밝기값 분포와 기울기 정보를 고려한 방사선 추적 기반의 좌심실 내외벽 자동 분할 기법을 제안한다. 첫째, 심근 내벽 경계는 임계값 기법과 영역확장법으로 분할하고, 꼭지근을 포함하는 위하여 방사형의 방사선 추적 기법을 이용하여 분할한다. 둘째, 심근 외벽 경계는 적응적 기울기 프로파일 내에 심근의 밝기값과 최대 기울기를 갖는 점을 추출한다. 마지막으로, 타원이나 원의 형태를 유지하기 위하여 내외벽의 잘못된 경계점들을 타원방정식으로 선형 보간하고 B-스플라인을 적용하여 최종 분할된 결과를 추출한다. 제안방법의 평가를 위해 육안평가와 정확성 평가, 수행시간을 측정하였다. 정확성 평가를 위하여 임상의의 수동 분할 결과와 제안 방법 분할 결과 간의 평균거리차이와 중복영역비율을 측정하였다. 실험 결과 평균거리차이는 $0.56{\pm}0.24mm$로 측정되었고, 평균 중복영역비율은 평균 $82{\pm}4.2%$로 측정되었다. 제안 방법을 적용한 수행 시간은 평균 1초로 수행을 완료하였다.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2010년도 추계학술발표대회
• /
• pp.561-564
• /
• 2010

의학과 기술 발달로 인해 질병과 사고에 의한 사망률은 줄어들었으나, 심장 관련 질환에 의한 사망률은 증가하였다. 심장 질환을 예방하는 데는 정기적인 검진을 통해 심장기능을 분석하고 관찰하는 것이 중요하다. 심장 기능의 분석은 이완기와 수축기 사이의 혈류량 및 심박구출률 계산을 통한 심장 운동능력 평가에 의해 이루어진다. 본 연구에서는 심장 단축 자기공명영상에서 좌심실 영역을 자동 분할하여 혈류량 및 심박 구출률을 계산하는 알고리즘을 제안한다. K평균 군집화 기법을 적용하여 좌심실을 분할하고, 그래프 탐색 기법에 기반하여 분할 오류를 수정하였다. 15명의 지원자에 대해 제안하는 알고리즘을 사용하여 혈류량과 심박구출률을 계산하였고, 수동윤곽검출 및 General Electronics 사의 MASS 소프트웨어와 비교하였다. 제안한 알고리즘의 수동윤곽검출과 차이는 혈류량의 경우 평균적으로 이완기에 $4.6mL{\pm}3.9$, 수축기에 $2.1mL{\pm}2.4$로 나타났고, 심박구출률은 $1.8%{\pm}1.7$이었다. 전반적으로 MASS소프트웨어에 비해 좋은 성능을 나타내었다.