• 대한방사선기술학회지:방사선기술과학
• /
• 제47권1호
• /
• pp.29-37
• /
• 2024

This study aims to evaluate the performance of the U-Net based learning model that may vary depending on the histogram equalization algorithm. The subject of the experiment were 17 radiology students of this college, and 1,727 data sets in which the region of interest was set in the thyroid after acquiring ultrasound image data were used. The training set consisted of 1,383 images, the validation set consisted of 172 and the test data set consisted of 172. The equalization algorithm was divided into Histogram Equalization(HE) and Contrast Limited Adaptive Histogram Equalization(CLAHE), and according to the clip limit, it was divided into CLAHE8-1, CLAHE8-2. CLAHE8-3. Deep Learning was learned through size control, histogram equalization, Z-score normalization, and data augmentation. As a result of the experiment, the Attention U-Net showed the highest performance from CLAHE8-2 to 0.8355, and the U-Net and BSU-Net showed the highest performance from CLAHE8-3 to 0.8303 and 0.8277. In the case of mIoU, the Attention U-Net was 0.7175 in CLAHE8-2, the U-Net was 0.7098 and the BSU-Net was 0.7060 in CLAHE8-3. This study attempted to confirm the effects of U-Net, Attention U-Net, and BSU-Net models when histogram equalization is performed on ultrasound images. The increase in Clip Limit can be expected to increase the ROI match with the prediction mask by clarifying the boundaries, which affects the improvement of the contrast of the thyroid area in deep learning model learning, and consequently affects the performance improvement.

• 대한의용생체공학회:학술대회논문집
• /
• 대한의용생체공학회 1994년도 추계학술대회
• /
• pp.39-42
• /
• 1994

An automatic multi-threshold algorithm for segmentation of 2D ultrasound images based on average filtering and the characteristics of speckle noise in 2D ultrasound image is proposed. To do this, we investigate the histogram of difference between $7{\times}7$ averaging histogram and $3{\times}3$ averaging histogram. And, we find zero crossing points in the positive portion of the differenced histogram and select middle points of the zero crossing points. We assign these selected points to characteristic points. The thresholds are the center of two characteristic points. Then we segment 2D ultrasound image by using these thresholds and extract edges from applying edge operator to optimal segmented image. Experimental results show that the segmented regions are devided accurately around the homogeneous region.

• 한국컴퓨터정보학회논문지
• /
• 제18권8호
• /
• pp.27-31
• /
• 2013

본 논문에서는 요부 초음파 영상에서 퍼지 C-Means 클러스터링을 이용한 양자화 기법을 제안한다. 제안된 방법은 초음파 영상에서 나타난 명암도를 이용하여 n개의 그룹으로 클러스터링한다. 그리고 각클러스터의 중심 값을 기준으로 정렬한 뒤, 각 그룹에 지정된 색상을 요부 초음파 영상에 나타낸다. 본 논문에서 제안하는 기법과 히스토그램 기반 양자화 기법에 대해 15장의 요부 초음파 영상에 적용한 결과, 본 논문에서 제안된 양자화 방법이 효과적인 것을 확인할 수 있었다.

• International journal of advanced smart convergence
• /
• 제11권2호
• /
• pp.185-193
• /
• 2022

There have been various studies in Korea to develop a %IMF(Intramuscular Fat Percentage) estimation method suitable for Hanwoo. Recently, a %IMF estimation method using a convolutional neural network (CNN), a kind of deep learning method among artificial intelligence methods, has been studied. In this study, we performed a performance comparison when various preprocessing methods were applied to the %IMF estimation of ultrasound images using CNN as mentioned above. The preprocessing methods used in this study are normalization, histogram equalization, edge enhancement, and a method combining normalization and edge enhancement. When estimating the %IMF of Hanwoo by the conventional method that did not apply preprocessing in the experiment, the accuracy was 98.2%. The other hand, we found that the accuracy improved to 99.5% when using preprocessing with histogram equalization alone or combined regularization and edge enhancement.

• 한국임상수의학회지
• /
• 제24권4호
• /
• pp.568-572
• /
• 2007

This study was carried out to show at the fractal analysis complements the practical disadvantage of gray level histogram which is designed to measure the quantitative classification of echo patterns in ultrasonographic image of parenchymal organs such as spleen and kidney and it is a practical method of measurement for quantitative classification. By using ultrasonographs, kidney and spleen of 21 healthy Beagles were fixed under different gain settings to be scanned for echo patterns and results were analyzed with body gray level histogram and fractal analysis. Then it was compared based on the statistical data obtained. Although there was a proportionate increase in histogram along with gain settings, there were consistencies in the fractal dimension. In terms of quantitative analysis in ultrasonographic images, fractal analysis is concluded to complement the practical disadvantage of gray level histogram.

• 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.

• 한국방사선학회논문지
• /
• 제10권4호
• /
• pp.247-253
• /
• 2016

초음파 장비는 여러 질환을 진단하는 장비로서 널리 사용되고 있으나, 초음파영상 품질의 평가방법에서는 정량적 표준이 없는 실정이다. 따라서 본 연구에서는 ATS-539 다목적 팬텀 내 8 mm 표적의 파라미터로서 주파수, Dynamic range, 초점수를 변화하여 예민도의 SNR과 영상의 히스토그램을 분석하고 왜곡도를 측정하여 표적별 적합한 주파수 및 파라미터를 도출하여 초음파영상의 병변 진단율을 향상 하고자 한다. 실험재료는 초음파 장비, ATS-539 다목적 팬텀을 사용하며, 실험방법은 영상 평가 팬텀의 8 mm를 주파수(2, 3, 4 MHz, 하모닉 3, 4, 4.5 MHz), Dynamic range(58, 68, 78, 88, 98), Focus(2, 4, 6개)를 변화시키면서 85장의 영상을 획득한다. 8 mm 영상의 예민도를 Image J 프로그램에서 각 표적별 SNR을 측정하고, 왜곡도는 신호의 히스토그램에서 백그라운드 값을 뺄셈하여 측정한다. 측정 결과 값에서 상위 40% 결과에서 파라미터 변화에 따라 예민도의 SNR, 왜곡도의 변화양상의 데이터 값을 산출하여 초음파 장비에서 적절한 영상의 품질을 나타내는 파라미터를 도출하였다. 결과는 초점수가 증가하면 SNR이 높고 왜곡도가 감소하며, 주파수 4 MHz에서 SNR값이 높고 왜곡도가 감소하였다. 그리고 Dynamic range 88, 98에서 최적의 영상을 나타내었으며, 실험 결과값을 기초로 초음파영상의 품질을 평가한다면 보다 정확한 초음파 진단이 가능할 것으로 사료된다.

• 한국컴퓨터정보학회논문지
• /
• 제19권6호
• /
• pp.11-17
• /
• 2014

초음파 영상은 미세한 명암도 차이 등에 의해 분석 과정에서 근육 영역의 위치와 크기를 판단하는데 어려움이 발생하고 이로 인해 근육 영역을 파악하는데 주관성이 개입된다. 본 논문에서는 근육 영역을 객관적으로 분석하기 위해ART2 신경망을 적용하여 양자화를 수행한 후, 국부적 영역에서 근육 영역을 추출한다. 초음파 영상에서 히스토그램 평활화와 엔드인 탐색 알고리즘을 적용하여 명암도의 분포와 밝기 값을 보정한 후, ART2 신경망을 이용하여 유사한 영역을 클러스터링 한다. 클러스터링 된 각 영역의 크기, 위치 및 명암도 정보를 분석하여 피하지방, 근막, 기타 배경 영역으로 분류한다. 최종적인 근육 영역은 근막 내부 객체들 간의 거리, 각도를 이용하여 추출된다. 실제 초음파 영상 대상 실험 결과, 일반적인 클러스터링 기법을 적용한 방법 보다 ART2 기반 양자화와 제안된 영역 확장 기법으로 근육 영역을 추출하고 분석하는 것이 효율적임을 확인하였다.

• 전자공학회논문지SC
• /
• 제47권5호
• /
• pp.24-32
• /
• 2010

본 연구에서는 Optical Flow Method의 추적 성능을 향상시키기 위한 전처리 알고리즘을 제안한다. 제안하는 알고리즘은 Median Filter, Binarization, Morphology, Canny Edge, Contour Detecting 및 Approximation Method를 기반으로 개발되었다. Optical Flow 추적 성능 향상 여부를 평가하기 위해 Lucas-Kanade Optical Flow 알고리즘에 개발된 전처리 알고리즘을 적용하고, 전처리 알고리즘이 적용되지 않은 Optical Flow 영상과 추적 결과를 비교 분석하였다. 또한, Median Filter와 Histogram Equalization으로 구성된 기존 전처리 알고리즘과의 결과 비교를 통해, 개발된 전처리 알고리즘의 추적 성능 향상여부를 평가하였다. 실험결과, 전처리 알고리즘을 적용하지 않은 영상과 기존 전처리 알고리즘을 적용한 영상은 특징영역의 분할이 이루어지지 않아, Optical Flow의 추적 정확도가 매우 낮게 나타났다. 반면, 개발된 전처리 알고리즘을 적용한 영상에서는 외곽선이 내외부로 세분화되고, 외곽선 트리가 구성됨에 따라 Optical Flow의 추적 성능이 매우 높게 나타났다.

• International journal of advanced smart convergence
• /
• 제8권1호
• /
• pp.24-34
• /
• 2019

In this research, a practical deep learning framework to differentiate the lesions and nodules in breast acquired with ultrasound imaging has been proposed. 7408 ultrasound breast images of 5151 patient cases were collected. All cases were biopsy proven and lesions were semi-automatically segmented. To compensate for the shift caused in the segmentation, the boundaries of each lesion were drawn using Fully Convolutional Networks(FCN) segmentation method based on the radiologist's specified point. The data set consists of 4254 benign and 3154 malignant lesions. In 7408 ultrasound breast images, the number of training images is 6579, and the number of test images is 829. The margin between the boundary of each lesion and the boundary of the image itself varied for training image augmentation. The training images were augmented by varying the margin between the boundary of each lesion and the boundary of the image itself. The images were processed through histogram equalization, image cropping, and margin augmentation. The networks trained on the data with augmentation and the data without augmentation all had AUC over 0.95. The network exhibited about 90% accuracy, 0.86 sensitivity and 0.95 specificity. Although the proposed framework still requires to point to the location of the target ROI with the help of radiologists, the result of the suggested framework showed promising results. It supports human radiologist to give successful performance and helps to create a fluent diagnostic workflow that meets the fundamental purpose of CADx.