흉부 ct영상에서 유전자 프로그래밍을 이용한 폐 결절 자동 검출

흉부 CT 영상에서 유전자 프로그래밍을 이용한 폐 결절 자동검출

광주과학기술원 정보기전공학부신호 및 영상처리 연구실

최욱진 최태선

2

목차• 서론• 3D 기반 폐 영역 분리• 폐 결절 후보 검출 및 특징 값 추출• 유전자 프로그래밍 기반 폐 결절 검출기• 실험결과• 결론• 참고자료

3

서론• 폐 암은 치사율이 높지만 조기에 발견하여 치료할 경우 5

년 생존율이 50% 까지 상승하는것으로 알려져 있다 .

• 폐 암의 주요 소견인 폐 결절의 검출이 중요하다 .

• 폐 결절의 조기검출을 위해 CT 영상을 사용하여 폐 결절을 검출 하는 방법이 제안되었다 .

• 폐 CT 의 경우 환자당 100 장 이상의 영상이 생성됨– 분석하는데 많은 시간이 소요되며 피로 누적으로 인한 오류발생이

우려 된다 .

• 폐 결절 검출을 자동화하기 위한 Computer-Aided De-tection (CAD) 시스템의 연구가 활발하다 .

4

관련 연구• Template matching methods

– Genetic Algorithm Template Matching [10]– 3D Template Matching [11]

• Model based methods– Patient-specific models [5]– Surface normal overlap model [7]

• Machine learning techniques– Neural network [6]– Fuzzy c-means clustering [9]

• Digital filtering – Quantized convergence index filter [8]– Iris filter [13]

• Statistical analysis [12]

5

제안 알고리즘

폐 결절 검출 CAD 시스템 흐름도

흉부 CT 3D 기반 폐 영역 분리

폐 결절 후보 검출 및 특징 값 추출

유전자 프로그래밍 기반 폐 결절 검출기

검출된 폐 결절

6

3D 기반 폐 영역 분리





7

3D 기반 폐 영역 분리• 폐 영역을 분리하기 위해 폐 영상의 대각선 픽셀에 대한 히스토그램에서

adaptive threshold [4] 값 T 를 구한다 .• T 값을 이용하여 폐 영역의 밝은 부분 ( 몸통 부분 - 검은색 ) 과 어두운

부분 ( 폐 내부 및 외부 - 흰색 ) 으로 이진화 한다 .

원본 CT 영상과 T 값을 이용하여 이진화된 영상

8

3D 기반 폐 영역 분리

3D connected component labeling 을 이용하여 추출한 폐 영역과 외곽선 정리가 끝난 후의 폐 영역

• 이진화 된 영상을 3D Connected Component Labeling 을 한다 .• 분리된 volume 중에서 영상 외곽과 맞닿아 있는 부분을 제거 한다 .• 추출된 폐 영역의 외곽선을 정리한다 .

9






10

ROI 추출

6 단계의 값으로 추출된 ROI

• Multiple adaptive thresh-old 를 이용한 ROI 추출– 각 슬라이스 별로 adap-

tive threshold 값 Tbase 를 구한 후 아래와 같이 추가적인 Threshold 를 구한 후 6 단계의 ROI 를 추출한다 .

• T1 = Tbase + 50• T2 = Tbase - 50• T3 = Tbase - 100• T4 = Tbase - 150 • T5 = Tbase - 200.

11

폐 결절 후보 검출• 추출된 ROI 에서 각각의 단계 별로

3D 구조를 분석하여 폐 혈관과 노이즈를 제거한다 .

• 폐 혈관 제거폐 혈관은 폐 영역 전체에 나뭇가지 형태로 퍼져 있다 . 또한 연결되지 않은 폐 혈관은 긴 막대 형태이다 .– 부피가 결절에 비하여 아주 큰 것 제거– 막대 형태 제거– 둥근 형태가 아닌 것 제거

• 노이즈 제거– 반지름이 3mm 보다 작거나 30mm 보다

큰 것 제거

• 추출된 ROI 에서 폐 혈관과 노이즈를 제거하여 폐 결절 후보를 검출한다 .

검출된 폐 결절 후보

12

특징 값 추출• 3D 기하학적 특징

• 부피 , 최장축의 길이• 추정 반지름 , 좌표• Bounding Box 의 크기

• 2D 기하학적 특징• 전체 폐 결절 후보의 슬라이스 중에서 가장 면적이 큰 슬라이스 사용• 면적 , 둘레 , 반지름 , Compactness

• 2D 명암도 기반 특징• 전체 폐 결절 후보의 슬라이스 중에서 가장 면적이 큰 슬라이스 사용• 폐 결절 후보 영상의 크기를 세가지로 정규화

• < 5mm : the size of image matrix is 8x8.• 5mm ~10mm : the size of image matrix is 16x16.• > 10 mm : the size of image matrix is 32x32

• 영상에서 아래와 같은 명암도 기반 특징 값 추출• 평균 , 분산 , skewness, kurtosis, 8 biggest eigenvalues.

13

특징 값 추출Index Feature

1 KVP

2 평균

3 분산

4 Skewness

5 Kurtosis

6 면적

7 2D 반지름

8 둘레

9 Compactness

10~17 Largest Eigen value 1~8

18 X 중심좌표

19 Y 중심좌표

20 Z 중심좌표

21 Width

22 Height

23 Depth

24 3D 반지름

14






15


• 유전자 프로그래밍 (Genetic Programming : GP) – 진화론을 이용한 최적화 기법 [14].

• 기본 구조는 유전자 알고리즘 (Genetic Algo-rithm : GA) 과 흡사하다 .

• GP 와 GA 의 염색체– GP : 프로그램 ( 트리 또는 그래프로 나타냄 )– GA : 숫자 또는 문자열 ( 이진수 , 염색체 염기 문자열 )

16


트리로 나타낸 수식

17


• 제안된 GP 기반 검출기는 낮은 false positive (FP) 와 반면에 높은 true positive (TP) 값을 가지는 검출기를 생성하는 것을 목표로 한다 .

• 제안된 GP 기반 검출기는 폐 결절 후보에서 추출된 특징 값에서 적절한 특징 값들을 선택하고 수학 연산자를 이용하여 선택된 특징 값을 조합하여 폐 결절을 검출할 수 있는 검출식을 생성한다 .

• GP 는 생성된 각각의 검출식을 본 논문에서 제안하는 tit-ness function 을 이용하여 검증하고 최적의 검출 식을 찾는다 .

• GP 를 이용하여 생성된 검출식은 복잡한 특징 벡터를 간단한 실수로 변환하여 폐 결절을 검출 할 수 있다 .

18


• GP 염색체 – The terminal set – 입력된 특징 값 벡터의 요소와 랜덤하게 생성된 0~1

사이의 실수를 이용한다 .

– The function set – 기본 사칙연산과 log, exp, abs, sin, cos 과 같은 연산을 사용하며 각각의 연산은 모두 오류를 피할 수 있도록 구현하였다 .

• GP 는 the terminal set 과 function set 의 조합을 진화 시켜 최적화된 검출식을 생성한다 .

19


• Fitness Function – GP 를 통하여 생성된 검출식 검증

– True positive rate (TPR)

– Specificity (SPC)• SPC 는 FPR 에서 1 을 뺀 값으로 true negative rate(TNR) 이라고도 부른다 .

– Area under the ROC curve (Az)• ROC 커브 는 TP 와 FP 간의 관계를 다양한 Threshold 에 대하여 나타낸 그래프이다 .• Az 는 ROC 커브 아래의 면적을 나타내며 검출기나 분류기의 성능을 나타내는 중요한

지표이다 .

– Fitness Function

TPTPR

TP FN

1 1TN FP

SPC FPRTN FP FP TN

* *f TPR SPC Az

20


Objective To evolve maximum fitness

Selection Generational

Population Size 300

Generation Size 80

Initial Tree Depth

Limit6

Initial population Ramped half and half

GP Operators prob Variable ratio of crossover mutation is used

Sampling Tournament

Survival mechanism Keep the best individuals

Real max. tree level 30

유전자 프로그래밍 parameter

21

특징 값 벡터 입력

Initial population 생성

Fitness 검증

종료조건

New generation· Crossover· Mutation· Repication

GP 기반 검출기


GP 기반 검출기 학습

22


• GP 로 생성된 검출식– minus(minus(F_21,exp(F_23)),minus(mypower(mylog(plus(time

s(F_14,minus(F_23,mypower(mylog(plus(times(F_12,minus(F_11,mypower(F_13,F_13))),F_22)),F_13))),minus(F_20,cos(exp(F_7))))),mypower(exp(F_7),F_7)),times(minus(minus(mypower(exp(F_23),F_7),F_11),times(exp(F_23),F_12)),F_11)))

– minus(minus(plus(F_4,F_7),sin(minus(F_7,mypower(F_24,plus(minus(F_7,F_11),mypower(F_15,F_7)))))),mypower(mypower(mypower(F_24,exp(F_11)),minus(plus(F_10,mypower(plus(minus(F_13,sin(exp(F_12))),mypower(F_24,plus(F_13,F_4))),plus(plus(minus(0.35089,0.35089),F_3),F_7))),F_11)),minus(plus(F_10,minus(F_4,plus(F_10,F_7))),mypower(minus(plus(F_4,exp(F_2)),minus(F_9,F_4)),F_11))))

23

실험결과• Lung Image Database Consortium (LIDC) 데이터베이스 [15]

– 제안된 알고리즘의 검증과 평가를 위하여 LIDC 데이터베이스를 사용하였다 .– LIDC 는 미국 NIH 에서 CT 를 이용한 폐 결절 검출 CAD 시스템의 발전을 촉진하기

위하여 개발된 공개 폐 결절 데이터베이스이다 .– 본 데이터베이스는 총 84 개의 CT scan 으로 구성되어 있으며 각각의 CT scan 은

100-400 개의 Digital Imaging and Communication (DICOM) 영상과 전문의들의 폐 결절 검출 의견이 저장되어 있는 XML 파일로 이루어져 있다 .

• 본 논문에서는 153 개의 결절이 포함된 32 개의 영상을 사용하였다 . 사용된 영상은 총 7528 개의 영상으로 구성되어 있으며 영상의 pixel 크기는 0.65 ~ 0.75 mm 이다 .

• 사용된 32 개의 scan 중 16 개는 제안된 GP 기반 검출기의 학습에 사용되었으며 나머지 16 개의 scan 은 검증에 사용되었다 .

24

Experimental Results

(a) (b)

폐 결절 검출결과 : (a) 43 번째 slice, (b) 3D volume rendering 영상

25


Data set TPR FPR Az

learn 93.33% 0.127 0.934

test 91.67% 0.138 0.897

all 92.31% 0.133 0.912

폐 결절 검출 결과

26


세가지 데이터에 대한 ROC 커브

27

Conclusion• 본 논문에서는 흉부 CT 영상에서 폐 결절을 검출하는 새로운 CAD 시스템을

제안하였다 . • Adaptive threshold 와 3D Connected Component Labeling 을

이용하여 폐 영역을 분할하였으며• 폐 영역 내에서 multiple adaptive threshold 를 사용하여 ROI 를 추출 후

3D 형태 분석을 이용하여 폐 결절 후보를 검출하였다 .• 또한 폐 결절 후보에서 2D 및 3D 특징 값을 추출하였으며 • 추출된 특징 값을 GP 기반 폐 결절 검출기를 이용하여 폐 결절을 검출 하였다 .• 제안된 알고리즘은 미국 NIH 의 LIDC 데이터베이스를 이용하여 검증하였으며

FP 를 효과적으로 제거하였다 .• 제안된 CAD 시스템은 Scan 별로 6.5 개의 FP 가 발생할 때 90% 이상의

검출률을 보였다 .• 이러한 실험 결과는 기존의 방법에 비하여 월등히 좋은 성능을 나타낸다 .

28

References• [1] Ahmedin Jemal, Rebecca Siegel, ElizabethWard, Yongping Hao, Jiaquan Xu, and

Michael J Thun, “Cancerstatistics, 2009,” CA Cancer J Clin, vol. 59, no. 4, pp. 225–49, Jan 2009.

• [2] K-W Jung, Y-J Won, S Park, H-J Kong, J Sung, H-R Shin, E-Cl Park, and J S Lee, “Cancer statistics in korea: incidence, mortality and survival in 2005,” J Korean Med Sci, vol. 24, no. 6, pp. 995–1003, Dec 2009.

• [3] Qiang Li, “Recent progress in computer-aided diagnosis of lung nodules on thin-section ct.,” Comput Med Imaging Graph, vol. 31, no. 4-5, pp. 248–257, 2007.

• [4] S G Armato, M L Giger, C J Moran, J T Blackburn, K Doi, and H MacMahon, “Com-puterized detection of pulmonary nodules on ct scans,” Radiographics, vol. 19, no. 5, pp. 1303–11, Jan 1999.

• [5] M Brown, M McNitt-Gray, J Goldin, R Suh, J Sayre, and D Aberle, “Patient-specific models for lung nodule detection and surveillance in ct images,” IEEE TMI, vol. 20, no. 12, pp. 1242 – 1250, Dec 2001.

• [6] K Suzuki, SG Armato III, F Li, S Sone, and K Doi, “Massive training artificial neural network (mtann) for reduction of false positives in computerized detection of lung nodules in low-dose computed tomography,” Medical physics, vol. 30, pp. 1602, 2003.

• [7] D Paik, C Beaulieu, G Rubin, B Acar, R Jeffrey, J Yee, J Dey, and S Napel, “Surface normal overlap: a computer-aided detection algorithm with application to colonic polyps and lung nodules in helical ct,” IEEE TMI, vol. 23, no. 6, pp. 661 – 675, Jun 2004.

• [8] Sumiaki Matsumoto, Harold L Kundel, James C Gee, Warren B Gefter, and Hiroto Hatabu, “Pulmonary nodule detection in ct images with quantized convergence index filter.,” Med Image Anal, vol. 10, no. 3, pp. 343–352, Jun 2006.

29

References• [9] N Memarian, J Alirezaie, and P Babyn, “Computerized detection of lung nodules

with an enhanced false positive reduction scheme,” IEEE ICIP 2006, pp. 1921 –1924, Sep 2006.

• [10] Jamshid Dehmeshki, Xujiong Ye, Xinyu Lin, Manlio Valdivieso, and Hamdan Amin, “Automated detection of lung nodules in ct images using shape-based genetic algo-rithm.,” Comput Med Imaging Graph, vol. 31, no. 6, pp. 408–417, Sep 2007.

• [11] Onur Osman, Serhat Ozekes, and Osman N Ucan, “Lung nodule diagnosis using 3d template matching.,” Comput Biol Med, vol. 37, no. 8, pp. 1167–1172, Aug 2007.

• [12] A El-Baz, G Gimel’farb, R Falk, and M Abo El-Ghar, “Automatic analysis of 3d low dose ct images for early diagnosis of lung cancer,” Pattern Recognition, vol. 42, no. 6, pp. 1041–1051, Jan 2009.

• [13] JJ Su´arez-Cuenca, PG Tahoces, M Souto, MJ Lado, M Remy-Jardin, J Remy, and J Jos´e Vidal, “Application of the iris filter for automatic detection of pulmonary nodules on computed tomography images,” Computers in Biology and Medicine, 2009.

• [14] J Koza, “Genetic programming: On the programming of computers by means of natural selection,” The MIT Press, Jan 1992.

• [15] S G Armato, G McLennan, M F McNitt-Gray, C R Meyer, D Yankelevitz, D R Aberle, C I Henschke, E A Hoffman, E A Kazerooni, H MacMahon, A P Reeves, B Y Croft, L P Clarke, and Lung Image Database Consortium Research Group, “Lung image data-base consortium: developing a resource for the medical imaging research commu-nity.,” Radiology, vol. 232, no. 3, pp. 739–748, Sep 2004.

30

감사합니다 .

흉부 ct영상에서 유전자 프로그래밍을 이용한 폐 결절 자동 검출

Technology