Journal of Korea Multimedia Society (한국멀티미디어학회논문지)

Korea Multimedia Society (한국멀티미디어학회)
권호 표지
DOI QR코드

DOI QR Code

A Hippocampus Segmentation in Brain MR Images using Level-Set Method

레벨 셋 방법을 이용한 뇌 MR 영상에서 해마영역 분할

  • 이영승 (인제대학교 컴퓨터공학부) ;
  • 최흥국 (인제대학교 컴퓨터공학부)
  • Received : 2012.05.29
  • Accepted : 2012.07.12
  • Published : 2012.09.30
Download PDF
⟨ Previous Next ⟩

Abstract

In clinical research using medical images, the image segmentation is one of the most important processes. Especially, the hippocampal atrophy is helpful for the clinical Alzheimer diagnosis as a specific marker of the progress of Alzheimer. In order to measure hippocampus volume exactly, segmentation of the hippocampus is essential. However, the hippocampus has some features like relatively low contrast, low signal-to-noise ratio, discreted boundary in MRI images, and these features make it difficult to segment hippocampus. To solve this problem, firstly, We selected region of interest from an experiment image, subtracted a original image from the negative image of the original image, enhanced contrast, and applied anisotropic diffusion filtering and gaussian filtering as preprocessing. Finally, We performed an image segmentation using two level set methods. Through a variety of approaches for the validation of proposed hippocampus segmentation method, We confirmed that our proposed method improved the rate and accuracy of the segmentation. Consequently, the proposed method is suitable for segmentation of the area which has similar features with the hippocampus. We believe that our method has great potential if successfully combined with other research findings.

영상분할은 의료 임상연구에서 가장 중요한 과정 중의 하나이다. 특히 뇌 MRI영상에서 해마의 위축은 알츠하이머병 진행과정의 초기 특정 표지자로서 해마의 볼륨은 초기 알츠하이머병의 임상적 진단에 도움이 된다. 정확한 볼륨 측정에 있어서 해마 영역의 분할은 중요한 역할을 한다. 하지만 MRI 영상에서 해마영역은 낮은 대조도, 낮은 신호 대 잡음 비율, 불연속성 경계의 특징을 보이며, 이러한 특징들은 MRI 영상에서 해마의 정확한 분할을 어렵게 만든다. 이 문제를 해결하기 위해 전처리 과정으로 실험영상에서 관심영역을 선택한 후 반전영상과 원본영상과의 차영상 대조도를 향상시킨 후 비등방성 확산(Anisotropic diffusion) 필터링, 가우시안(Gaussian) 필터링을 수행하였다. 마지막으로 두 개의 레벨 셋(Level Set)기반의 동적 윤곽선(Active Contour) 모델을 결합하여 해마를 분할하는 방법을 제안하였다. 제안된 해마분할방법의 유효성을 다양한 방법으로 평가한 결과 제안된 해마분할방법은 분할 속도와 정확도 면에서 뚜렷하게 개선이 되었음을 확인하였다. 결론적으로 제안된 방법이 해마와 같은 특징을 가진 영역을 분할하는데 적합하다고 할 수 있다. 향후 다른 연구 기법들과 결합할 경우 더욱 잠재성이 증대될 수 있을 것이다.

Keywords

References

  1. 구본대, 김신겸, 이준영, 박기형, 신준현, 김광 기, 윤영철, 이영민, 홍창형, 서상원, 나덕렬, 김 성윤, 정해관, 김도관, 이재홍, 이상윤, 연병길, 김수영, 한설희, "한국형 치매임상진료지침 소개," 대한의사협회지, 제54권, 제1호, pp. 861-875, 2011.
  2. 한설희, 구본대, 이준영, 김신겸, 박기형, 신준현, 김광기, 윤영철, 홍창형, 이영민, 치매임상진료 지침, 보건복지부, 서울, 2012.
  3. M. Kass, A. Witkin, and D. Terzopoulos, "Snakes: Active Contour Models," International J ournal of Computer Vision, Vol. 1, No. 4, pp. 321-332, 1998.
  4. J.R. Beveridge, J. Griffith, R.R. Kohler, A.R. Hanson, and E.M. Riseman, "Segmenting Images using Localized Histograms and Region Merging," International J ournal of Computer Vision, Vol. 2, No. 3, pp. 331-352, 1989.
  5. R. Adams and L. Bischof, "Seeded Region Growing," IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 16, No. 6, pp. 641-647, 1994. https://doi.org/10.1109/34.295913
  6. J. Haddon and J. Boyce, "Image Segmentation by Unifying Region and Boundary Information," IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 12, No. 10, pp. 929-948, 1990. https://doi.org/10.1109/34.58867
  7. R. Grzeszczuk and D. Levin, "Brownian Strings: Segmenting Images with Stochastically Deformable Contours," IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 19, No. 10, pp. 1100-1114, 1997. https://doi.org/10.1109/34.625111
  8. D.L. Pham, C. Xu, and J.L. Prince, "Current Methods in Medical Image Segmentation," Annual Review of Biomedical Engineering, Vol. 2, No. 1, pp. 315-337, 2000. https://doi.org/10.1146/annurev.bioeng.2.1.315
  9. E. Geuze, E. Vermetten, and J.D. Bremner, "MR-based in Vivo Hipp.ocampal Volumetrics: 1.Review of Methodologies Currently Employed," Molecular Psychiatry, Vol. 10, No. 2, pp. 147-159, 2005. https://doi.org/10.1038/sj.mp.4001580
  10. J. Ashburner and K.J. Friston, "Voxel-based Morphometry-the Methods," Neuroimage, Vol. 11, Issue 6, pp. 805-821, 2000. https://doi.org/10.1006/nimg.2000.0582
  11. K. Held, E.R. Kops, B.J. Krause, W.M. Wells, and H.W. Muller Gartner, "Markov Random Field Segmentation of Brain MR Images," IEEE Transactions on Medical Imaging, Vol. 16, Issue 6, pp. 878-886, 1997. https://doi.org/10.1109/42.650883
  12. L. Bergouignan, M. Chupin, Y. Czechowska, S. Kinkingnéhun, C. Lemogne, G.L. Bastard, M. Lepage, L. Garnero, O. Colliot, and P. Fossati, "Can Voxel Vased Morphometry, Manual Segmentation and Automated Segmentation Equally Detect Hipp.ocampal Volume Differences in Acute Depression," NeuroImage, Vol. 45, No. 1, pp. 29-37, 2009. https://doi.org/10.1016/j.neuroimage.2008.11.006
  13. 정원범, 손두범, 김영주, 김영훈, 은충기, 문치웅, "자기공명영상 획득 조건과 적용된 뇌 표준판에 따른 인체 뇌의 백질, 회백질 및 해마 체적비교 연구," 대한자기공명의과학회지, 제15권, 제3호, pp. 242-250, 2011.
  14. D.P. Jang, D.S. Lee, and S.I. Kim, "Contour Detection of Hippocampus using Dynamic Contour Model and Region Growing," Proceedings the 19th Annual International Conference of the IEEE/EMBS, Vol. 2, pp. 763-766, 1997.
  15. G. Amir, S.Z. Hamid, and P.W. Joe, "Segmentation of the Hipp.ocampus From Brain MRI using Deformable Contours," Computerized Medical Imaging and Graphics, Vol. 22, No. 3, pp. 203-216, 1998. https://doi.org/10.1016/S0895-6111(98)00026-3
  16. P.A. Yushkevich, J. Piven, H.C. Hazlett, R. G. Smith, S. Ho, J C. Gee, and G. Gerig, "Userguided 3D Active Contour Segmentation of Anatomical Structures: Significantly Improved Efficiency and Reliability," NeuroImage, Vol. 31, Issue 3, pp. 1116-1128, 2006. https://doi.org/10.1016/j.neuroimage.2006.01.015
  17. D. Zhang, X. Song, and W. Tan, "Segmentation of Hippocampus in MRI Images Based on the Improved Level Set," 2011 Fourth International Symposium on Computational Intelligence and Design, Vol. 1, pp.123-126, 2011.
  18. V. Caslles, F. Catte, T. Coll, and F. Dibos, "A Geometric Model for Active Contours in Image Processing," Numerische Mathematik, Vol. 66, No. 1, pp. 1-31, 1993. https://doi.org/10.1007/BF01385685
  19. C. Li, C. Xu, C.F. Gui, and M.D. Fox, "Level Set Evolution Without Re-initialization: A New Variational Formulation," Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, Vol. 1, pp. 430-436, 2005.
  20. 조경은, 채정숙, 송미영, 김준태, 엄기현, 조형제, "반전 이미지와의 차이에 의한 뇌 MR 영상 의 영역 분할 기법," 한국멀티미디어학회 춘계 학술발표논문집, pp. 185-188, 2001.
  21. P. Perona and J. Malik, "Scale-space and Edge Detection using Anisotropic Diffusion," IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 12, No. 7, pp. 629- 639, 1990. https://doi.org/10.1109/34.56205
  22. G. Gerig, O. Kubler, R. Kikinis, and F. A. Jolesz, "Nonlinear Anisotropic Filtering of MRI Data," IEEE Transactions on Medical Imaging, Vol. 11, No. 2, pp. 221-232, 1992 https://doi.org/10.1109/42.141646
  23. 송인환, 한찬희, 이시웅. "자동 세포 분할을 위한 밝기 및 기하학적 정보 기반의 새로운 Active Contour 모델," 한국컨텐츠학회논문지, 제11권, 제5호, pp. 1-8, 2011.
  24. 이봉렬, 이명진, "디지털 마모그램에서 Mass형 유방암 분할을 위한 초기 위치 자동 검출," 한국멀티미디어학회 논문지 제13권 제5호, pp. 702- 709, 2010.
  25. 배장표, 김광기, 정창부, 양희경, 황정민, "결막 충혈증, 측정을 위한 공막 영상 분할," 한국멀티미디어학회 논문지 제13권 제8호, pp. 1142- 1153, 2010.

Cited by

  1. Contrast-enhanced Bias-corrected Distance-regularized Level Set Method Applied to Hippocampus Segmentation vol.19, pp.8, 2016, https://doi.org/10.9717/kmms.2016.19.8.1236
  2. Iterative Attenuation Correction and Image Reconstruction Using Time-Of-Flight Positron Emission Tomography vol.19, pp.8, 2016, https://doi.org/10.9717/kmms.2016.19.8.1371
  3. 쥐 전체 뇌의 단면 이미지에서 뇌혈관의 구조 재현 및 정량적 측정 기법에 관한 연구 vol.22, pp.9, 2012, https://doi.org/10.9717/kmms.2019.22.9.1020