• 한국정보통신학회:학술대회논문집
• /
• 한국정보통신학회 2018년도 춘계학술대회
• /
• pp.79-81
• /
• 2018

혈관내 초음파(Intravascular Ultrasound, IVUS)는 혈관 내벽의 단면을 보여주는 검사 방법으로 관상 동맥 내의 내강, 죽상 경화반, 그리고 혈관벽의 변화에 관한 직접적이고 구체적인 정보를 제공한다. 본 논문에서는 IVUS 영상에서 내막과 외막을 추출하고 각 막의 지름을 자동적으로 추출하는 방법을 제안한다. 제안된 방법은 IVUS 영상에 Histogram Equalization 기법을 적용하여 명암 대비를 강조한 후에 퍼지 이진화 기법과 평균 이진화 기법을 각각 적용하여 내막과 외막을 추출하기 위해 이진화한다. 이진화된 내막과 외막의 각 영역 중에서 혈관내 초음파 영상 중심에서 가장 큰 영역의 정보를 이용하여 라벨링 기법을 적용하여 내막과 외막 영역을 추출하고 각 막의 지름을 계산한다. 제안된 방법을 IVUS 영상을 대상으로 실험한 결과, 내막과 외막의 지름이 비교적 정확히 추출되는 것을 실험을 통하여 확인하였다.

• 한국정밀공학회:학술대회논문집
• /
• 한국정밀공학회 2013년도 춘계학술대회 논문집
• /
• pp.1635-1636
• /
• 2013

• 한국정밀공학회:학술대회논문집
• /
• 한국정밀공학회 2011년도 춘계학술대회 논문집
• /
• pp.1475-1476
• /
• 2011

• 한국정보통신학회논문지
• /
• 제23권12호
• /
• pp.1514-1519
• /
• 2019

혈관내 초음파(IVUS)는 인간 관상 동맥의 혈관 벽 구조를 관찰하고 평가하는데 적용되는 영상이다. IVUS는 정기적으로 관상 동맥에서 죽상 동맥 경화 병변을 찾는 데 적용된다. 혈관 구조의 자동 분할은 관상 동맥 장애를 감지하는데 중요하다. 따라서 본 논문에서는 혈관 내 영상에서 퍼지 이진화 기법을 적용하여 효과적으로 내막/외막 영역을 추출하는 방법을 제안한다. 제안된 방법에서는 혈관을 탐색하기 위해 기본적으로 퍼지 이진화 기법을 적용하지만 픽셀 강도의 상이한 균질성을 갖는 경우에는 평균 이진화 기법을 적용한다. 우리는 퍼지 이진화 결과와 평균 이진화 결과를 IVUS 이미지와 차별화하여 혈관벽의 내부/ 외부를 감지하기에 효과적인 자동 분할 방법을 구현하였다. 제안된 방법의 구현 결과로부터 Intima-Media Thickness (IMT) 또는 대상 영역의 부피와 같은 중요한 통계를 쉽게 계산할 수 있도록 하였다.

• 한국정보과학회:학술대회논문집
• /
• 한국정보과학회 2005년도 가을 학술발표논문집 Vol.32 No.2 (2)
• /
• pp.940-942
• /
• 2005

혈관내부의 초음파는 혈관 벽(vessel wail) 전체를 관찰할 수 있는 단면적 영상(cross-sectional image)으로부터 혈관 벽의 서로 다른 층을 평가할 수 있다. IVUS(Intravascular Ultrasound)영상은 잡음에 매우 민감하고 해상도가 낮기 때문에 혈관 벽의 서로 다른 층을 구분된다. IVUS영상이 내강, 혈관 벽, 외막을 둘러싸는 영역으로 구성되어있다고 가정하면 내부와 외부의 두 경계선으로 구분할 수 있다. 따라서 본 논문에서는 IVUS영상을 웨이블릿 변환하여 주파수 공간에서 관상동맥 벽의 두 경계선을 추출한다. 실험결과를 통하여 관상동맥 벽의 두 경계선이 잘 추출되는 것을 확인할 수 있다.

• Journal of Chest Surgery
• /
• 제41권6호
• /
• pp.768-771
• /
• 2008

관상동맥질환에서 경피적 관상동맥 중재술 시 IVUS는 혈관내강과 혈관벽의 상태 죽상경화의 위치 및 범위, 중재술 후의 혈관내강의 상태에 대한 다양한 정보를 제공한다. 근래에 스텐트 삽입 후 IVUS의 사용이 점차 증가하는 추세이지만 장기적 유용성은 아직 입증되지는 않았다. 스텐트 삽입술 후 IVUS로 확인하는 과정에서 카테터가 포획되었고 이를 제거라는 과정 중 골절이 발생한 경우를 외과적으로 치험하였기에 문헌고찰과 함께 보고하고자 한다.

• 한국콘텐츠학회논문지
• /
• 제12권10호
• /
• pp.349-356
• /
• 2012

관상동맥 죽상경화반(atheromatous plaque)의 진단에 있어 혈관내초음파(Intravascular Ultrasound: IVUS)와 비교하여 심장전산화단층촬영(Cardiac Computed Tomographic Angiography: CCTA)의 진단 정확도를 알아보고, IVUS에서 발견된 죽상경화반의 성상을 CCTA에서 전산화단층촬영 수치(Hounsfield Unit: HU)로 구하고자 하였다. 2006년 4월부터 2008년 8월까지 관상동맥질환(Coronary Artery Disease: CAD)으로 확진 되었거나 CAD가 의심스러운 환자들 중 CCTA를 시행하여 죽상경화반을 발견하고 추후 IVUS를 시행한 200명의 환자를 대상으로 하였다. CCTA후 IVUS를 시행한 200명의 환자에서 476개의 죽상경화반이 발견되었으며, CCTA에서는 460개의 죽상경화반이 발견되었다. IVUS의 결과는 soft plaque(n; 84), fibrous plaque(n; 63), mixed plaque(n; 97), calcific plaque(n; 232)이었다. 이 결과에 따라 IVUS에서 분류된 죽상경화반의 HU는 soft plaque : $53.8{\pm}10.5$, fibrous plaque : $108.1{\pm}20.0$, mixed plaque : $371.2{\pm}113.1$, 그리고 calcific plaque : $731.0{\pm}160.4$ 이었으며, CCTA에서 민감도와 신뢰구간은 97%, 95.0-98.3이었다. CCTA를 이용한 관상동맥 죽상경화반의 진단을 위한 이번 연구에서 IVUS와 비교하여 높은 민감도와 신뢰구간을 확인할 수 있었고, IVUS 결과를 기준으로 CCTA에서 분석한 HU를 통해 죽상경화반의 성상을 구분할 수 있어 CAD 환자의 치료에 도움을 줄 수 있을 것으로 기대된다.

• 한국음향학회지
• /
• 제22권4호
• /
• pp.329-336
• /
• 2003

본 연구에서는 혈관 내부 조영용으로 사용될 수 있는 원형 배열 초음파 트랜스듀서를 설계하고 제작하였다. 트랜스듀서는 알루미나 튜브 위에 부착된 32개의 압전 소자와 전면 절연층, 고분자 후면층으로 구성된다. 우선 트랜스듀서의 방사특성 해석을 통해 원주방향으로 무지향성을 가지는 원형 배열 구조를 설계하였다. 압전소자로는 2-2형 압전복합재료를 채택하였다. 설계 결과에 따라 직경 3㎜의 원형 배열 트랜스듀서를 제작하고 그 음향특성을 측정하였으며, 측정 결과는 설계치와 잘 일치하였다. 실험적으로 확인된 무지향성은 본트랜스듀서의 IVUS (Intra-Vascular Ultra-Sound)센서로의 적용가능성을 확인시켜 주는 것이었다.

• 한국컴퓨터정보학회:학술대회논문집
• /
• 한국컴퓨터정보학회 2020년도 제61차 동계학술대회논문집 28권1호
• /
• pp.29-31
• /
• 2020

제안된 방법은 외막의 경계선을 추출하기 위해 Max-Min 이진화를 적용하여 외막을 추출 한 후에 삼각 함수의 각도 값을 이용하여 외막의 경계점을 추출한다. 추출한 경계점들을 Bezier Curve 기법을 적용하여 외막의 경계점들을 연결하여 외막의 경계선을 추출한다. 그리고 내막 영역을 추출하기 위해 외막 영역을 ROI 영역으로 추출한다. 추출된 ROI 영역을 오목 파라볼라 기법을 적용하여 내막의 영역을 강조한다. 내막영역이 강조된 ROI 영역에 평균 이진화를 적용하여 내막의 영역을 추출한다. 추출된 영역에서 잡음을 제거하기 위해 내막 영역만 Labeling 기법을 적용한다. 제안된 방법을 IVUS 영상을 대상으로 실험한 결과, 내막과 외막간의 포함관계의 정도에 따라 환자의 수술 여부 결정에 대한 외막과 내막의 각 넓이 정보를 개관적으로 제공할 수 있는 가능성을 확인하였다.

• Korean Circulation Journal
• /
• 제54권1호
• /
• pp.30-39
• /
• 2024

Background and Objectives: Intravascular ultrasound (IVUS) evaluation of coronary artery morphology is based on the lumen and vessel segmentation. This study aimed to develop an automatic segmentation algorithm and validate the performances for measuring quantitative IVUS parameters. Methods: A total of 1,063 patients were randomly assigned, with a ratio of 4:1 to the training and test sets. The independent data set of 111 IVUS pullbacks was obtained to assess the vessel-level performance. The lumen and external elastic membrane (EEM) boundaries were labeled manually in every IVUS frame with a 0.2-mm interval. The Efficient-UNet was utilized for the automatic segmentation of IVUS images. Results: At the frame-level, Efficient-UNet showed a high dice similarity coefficient (DSC, 0.93±0.05) and Jaccard index (JI, 0.87±0.08) for lumen segmentation, and demonstrated a high DSC (0.97±0.03) and JI (0.94±0.04) for EEM segmentation. At the vessel-level, there were close correlations between model-derived vs. experts-measured IVUS parameters; minimal lumen image area (r=0.92), EEM area (r=0.88), lumen volume (r=0.99) and plaque volume (r=0.95). The agreement between model-derived vs. expert-measured minimal lumen area was similarly excellent compared to the experts' agreement. The model-based lumen and EEM segmentation for a 20-mm lesion segment required 13.2 seconds, whereas manual segmentation with a 0.2-mm interval by an expert took 187.5 minutes on average. Conclusions: The deep learning models can accurately and quickly delineate vascular geometry. The artificial intelligence-based methodology may support clinicians' decision-making by real-time application in the catheterization laboratory.