슈퍼픽셀 및 영역 성장 방식 기반 의료 영상 분할 기법

Abstract

본 논문에서는 다양한 의료영상에 대해서 관심영역을 분할하기 위한 방법으로 슈퍼 픽셀 및 영역 성장 방식 기반 의료 영상 분할 기법을 제안한다. 영역 성장 방식은 영상 처리 분야에서 고전적인 방식으로 다양한 분야에서 활용되었다. 하지만 의료영상에서 장기나 뼈 부위 등의 불균일한 강도의 특징으로 영역이 성장하기 위한 조건을 선택하는 것은 여전히 어려운 과제로 남아있다.

슈퍼픽셀은 지각적으로 의미 있는 특성을 가지는 픽셀들의 집합이다. 입력 영상을 전처리 하였기 때문에 각 특성들을 보다 편리하고 효과적으로 추출할 수 있다. 본 논문에서는 이러한 슈퍼픽셀을 활용하여 영역이 성장하는 방식을 사용하였다. 다양한 슈퍼픽셀 기법 중 널리 사용되고 기존 알고리즘에 비해 계산량도 많지 않고 형태와 크기를 제어하기 쉬운 SLIC 기법을 사용하였으며, 여기에 RANSAC 알고리즘을 활용하여 슈퍼픽셀 내에 이상치의 정도를 검출하였다. 또한 성장하기 위한 조건으로 RANSAC 알고리즘의 결과값과 슈퍼픽셀의 이웃 노드의 결과값의 평균을 사용하는 적응형 기법을 사용하였다.

실제 다양한 의료 영상에 대해서 성능 검증 결과 불균일한 강도를 갖는 의료영상에 대해서 사용자가 원하는 대상 영역을 적절히 분할하는 성능을 확인하였다.

성능 평가에서는 전처리 시간을 제외하고 슈퍼픽셀 기반 영역 성장 알고리즘이 픽셀 값의 범위 기반 방식에 비하여 30.2254% 높은 정확도와 2.0801ms 빠른 수행시간을 보였으며, 적응형 기반 영역 성장 방식에 대해서는 20.1431% 높은 정확도와 6.695ms 더 빠른 결과를 보였다. |In this paper, we propose a medical image segmentation technique based on superpixel and region growth method as a method for segmenting a region of interest for various medical images. The region growth method is a classical method in the image processing field and has been used in various fields. However, it remains a difficult task to select the conditions for growth of regions due to the characteristics of non-uniform strength of organs or bones in medical images.

A superpixel is a set of pixels with perceptually meaningful characteristics. By pre-processing the input image, region-based features can be more conveniently and effectively extracted from the image. In this paper, we used a method for region-growth using these superpixels. Among various superpixel techniques, the SLIC technique, which is widely used and easy to control the shape and size, is used without requiring much computation compared to the existing algorithms. Also, as a condition for growth, an adaptive technique using the average of the results of the RANSAC algorithm and the results of the neighboring nodes of the superpixel was used.

As a result of performance verification for various medical images, the performance of properly segmenting the target area desired by the user for medical images with non-uniform intensity was confirmed.

In the performance evaluation, excluding the preprocessing time, the superpixel-based region growth algorithm showed 30.2254% higher accuracy and 2.0801ms faster execution time than the pixel value range-based method. For the adaptive-based region growth method, 20.1431% higher accuracy and 6.695 ms faster results were obtained.