• 한국방사선학회논문지
• /
• 제11권6호
• /
• pp.443-451
• /
• 2017

본 연구는 흉부영상에서 심장저부 관심영역(region of interest; ROI)의 신호 대 잡음비(signal to noise ratio; SNR)를 커넬 크기 변화에 따르는 비교 평가하였다. 연구대상은 종합대학병원에서 흉부 검사한 환자 100명을 대상으로 하였다. 측정은 ImageJ 프로그램을 사용하여 표본의 사회학적 특성및 흉부영상들의 SNR평균 값, SNR평균차이, 95% 신뢰구간 값, 등을 분석하였다. 이때 SPSS Statistics21 통계프로그램으로 ANOVA 분석을 하였으며, 95%(p<0.05)에서 유의한 것으로 판단하였다. 흉부영상을 분석결과는 SNR이 kernel size 9*9 image, kernel size 7*7 Image, original chest image, kernel size 3*3 image순으로 높은 값으로 나타냈다(p<0.001). 결론적으로, 본 연구에서는 흉부 의료영상에서 커넬 크기 변화에 따라서 심장저부 음영의 정량화한 평가 결과를 방사선사의 보조적인 수단으로 활용할 수 있을 것으로 사료된다.

• 대한영상의학회지
• /
• 제81권3호
• /
• pp.577-582
• /
• 2020

대한영상의학회와 대한흉부영상의학회는 COVID-19 에서의 영상검사의 사용에 대하여 다양한 상황에서의 권고안을 마련하였다. 실제 현장의 상황을 파악하고, 흉부영상의학 전문의들의 의견을 수렴하였으며, 국외 학회의 권고안과 수집 가능한 문헌을 바탕으로 현 상황에서의 가장 합리적인 안을 제시하는 것이며 상황과 근거의 변화에 따라 유연하게 즉시 수정되어야 한다.

• 한국임상수의학회지
• /
• 제30권5호
• /
• pp.390-393
• /
• 2013

폐염전으로 진단한 소형견 4 마리의 흉부 방사선 사진 및 컴퓨터단층촬영 (CT) 영상을 평가하였다. 흉수 및 폐염전이 발생한 폐엽의 밀도 증가는 4 마리 환자의 흉부 방사선 사진 및 CT 영상에서 모두 확인되었다. 폐염전이 발생한 기시부에서의 기관지의 협착/허탈은 CT 영상을 통해 4 마리의 개에서 모두 확인된 반면, 흉부 방사선 사진에서는 오직 1 마리의 환자에서만 확인되었다. 폐포성 폐기종 패턴 (vesicular emphysema pattern) 역시, CT 영상을 통해 4 마리의 환자에서 모두 확인된 반면, 흉부 방사선 사진에서는 3 마리에서 관찰되었다. 폐염전의 특이소견은 폐포성 폐기종 패턴과 폐염전이 발생한 폐엽 기시부의 기관지의 협착/허탈이며, 이 소견은 흉부 방사선 사진보다 CT 영상을 통해 좀 더 용이하고 빈번하게 확인되었다.

• 한국방사선학회논문지
• /
• 제4권1호
• /
• pp.25-30
• /
• 2010

이 연구 목적은 흉부영상의 진단에 적절한 해상력과 음영에 대한 적절한 평가를 위해서다. 해상력을 비교하기 위해서, linear 해상력 팬텀을 사용하여 film/screen(선생님이 원하시는 conventional radiography : film/screen), CR, DR, 촬영했다. 해상력을 비교하기 위해 2명의 영상의학과 전문의와 3명의 방사선사가 블라인드 테스트를 통하여 평가했다. DR 은 3.95 필름/ 스크린은 3.58, CR은 3.48의 평가가 나왔다. 음영에 대해 분석은, CR, DR의 film/screen의 정상적인 흉부영상 50장을 선택했다. 이 흉부영상에서 7부위(폐야, 폐야 윤곽, 종격동 I, 종격동 II, 심장 음영 I, 심장음영 II, 횡격막)을 정하여 덴시토미터(농도계)을 사용하여 음영을 평가했다. 우리의 분석 방법은 낮은 영상(음영)을 0에서부터 가장 우수한 영상(음영) 2를 정한 일본의 흉부 x-ray 평가 방법을 적용했다. DR의 경우 종격동 1, 종격동2, 심장 1, 심장2, 횡격막에서 2점을 기록하여 우수했다. 이와 반대로 CR에서는 폐부위와 폐음영 부위에서 2점으로 우수했다. 결론적으로, 해상력과 음영에 비교하면 후처리 알고리즘과 작은 픽셀 사이즈에 의한 DR은 CR과 film/screen 보다 우수하다고 도출하였다.

• 대한방사선기술학회지:방사선기술과학
• /
• 제40권1호
• /
• pp.1-6
• /
• 2017

흉부방사선 영상의 평가는 시각에 의한 사진평가가 가장 실용적이고 효과적인 방법으로 알려져 있다. 미국 방사선 안전국 규정 평가표(Bureau of Radiological Health, BRH)는 흉부방사선 영상의 해부학적 평가와 물리적 평가를 합하여 평가하는 효율적인 영상 평가방법이다. 본 연구는 여성 351명의 흉부방사선 영상을 체질량지수(Body Mass Index, BMI)와 허리둘레, 관전류량(mAs)과의 관계를 비교하고, 미국 방사선 안전국 규정 평가표를 사용하여 흉부 방사선 영상품질평가를 시행하였다. 대상자의 평균 연령은 $30.17{\pm}4.73$세이고, 허리둘레는 평균 $66.91{\pm}4.67cm$이었다. 체질량지수 값의 평균은 $20.21{\pm}2.23$으로 나타났으며, 전체 대상자의 관전류량 평균값은 $3.04{\pm}0.78$이고, 미국 방사선 안전국 규정 평균값은 $79.83{\pm}8.45$이었다. 허리둘레가 커질수록 관전류량 값이 증가함으로 나타났으며, 체질량지수가 커질수록 mAs값도 증가하였다. 연구대상자의 허리둘레, 관전류량, 미국 방사선 안전국 규정 값은 체질량지수 값이 커지면 허리둘레와 관전류량 평균값이 증가하였고, 미국 방사선 안전국 규정 값은 체질량지수가 높은 그룹이 낮은 그룹에 비하여 상대적으로 낮게 나타났으며, 통계적으로 유의하였다. 흉부검사 시 피검자의 신체두께나 체질량지수에 따라 자동노출제어 장치의 노출제어가 적절히 잘 이루어진 것으로 생각되며, 체질량지수가 증가할수록 신체두께가 커지고 또한 여성의 유방 두께도 증가하여 자동노출제어 장치에 의한 노출량이 변화되어 영상품질에 영향을 미치는 것으로 생각되어진다.

• 한국방사선학회논문지
• /
• 제15권4호
• /
• pp.455-461
• /
• 2021

심장비대증은 흉부 X선 영상에서 흔히 보이는 질병 중 하나이지만 조기에 발견을 하지 못하면 심각한 합병증을 유발할 수도 있다. 이러한 점을 고려하여 최근에는 여러 과학기술 분야의 발전으로 인공지능을 이용한 딥러닝 알고리즘을 의료에 접목시키는 영상 분석 연구들이 많이 진행되고 있다. 본 논문에서는 Inception V3 딥러닝 모델을 흉부 X선 영상을 이용하여 심장비대증의 분류에 유용한 모델인지 평가하고자 한다. 사용된 영상의 경우 총 1026장의 경북대학교병원 내 정상 심장 진단을 받은 환자와 심장비대증 진단을 받은 환자의 흉부 X선 영상을 사용하였다. 실험결과 Inception V3 딥러닝 모델의 심장비대증 유무에 따른 분류 정확도와 손실도 결과값은 각각 96.0%, 0.22%의 결과값을 나타내었다. 연구결과를 통해 Inception V3 딥러닝 모델은 흉부 영상 데이터의 특징 추출 및 분류에 있어 우수한 딥러닝 모델인 것을 알 수 있었다. Inception V3 딥러닝 모델의 경우 흉부 질환의 분류에 있어 유용한 딥러닝 모델이 될 것으로 판단되며 조금 더 다양한 의료 영상 데이터를 이용한 연구를 진행하여 이와 같은 우수한 연구결과를 얻게 된다면 향후 임상의의 진단 시 많은 도움을 줄 수 있을 것으로 사료된다.

• 한국정보과학회:학술대회논문집
• /
• 한국정보과학회 1999년도 가을 학술발표논문집 Vol.26 No.2 (2)
• /
• pp.425-427
• /
• 1999

본 논문에서는 시간 간격을 두고 활영한 흉부의 단순 x선 영상의 차영상을 이용하여 컴퓨터 도움 진단에 활용할 수 있는 방법에 대해 연구하였다. 시간 간격을 두고 촬영한 흉부 단순 x선 영상의 차영상은 시간에 따른 변화를 명확히 보여줌으로써 질병의 조기진단 및 질병의 전개과정 등을 알아보는데 유용하게 쓰일 수 있다. 특히, 이 방법은 폐암과 같이 조기진단이 매우 어려운 질병에 대하여 정기검진 등에서 정기적으로 촬영한 단순 x선 영상을 이용하여 조기진단을 할 수 있는 방법으로 활용될 수 있다. 그러나, 촬영시의 여러 가지 조건들, x선의 세기와 조영시간, 환자의 촬영 자세 및 호흡 상태 등에 따라 단순 x선 영상이 크게 달라져 단순한 뺄셈에 의한 차영상은 진단에 도움이 되지 못한다. 진단에 도움을 주기 위해서는 두 영상 사이의 전체적인 밝기와 대조도를 맞추고 늑골, 쇄골 등 해부학적 구조물의 위치와 크기를 서로 맞추어 차영상을 얻는 영상처리 방법이 필요하다. 또한, 폐의 크기와 위치도 서로 맞추어 차영상을 얻어야 한다. 그러나, 이러한 방법도 늑골과 폐의 크기와 위치 변화가 서로 일치하지 않는 문제점을 가지고 있다. 본 논문에서는 이러한 영상처리를 통하여 차영상을 얻는 방법에 대하여 논하고 방법상의 문제점과 해결 방법을 제시한다.

• 전자공학회논문지
• /
• 제52권10호
• /
• pp.97-107
• /
• 2015

디지털 엑스레이 기기로부터 처음 획득된 엑스레이 영상은 데이터 범위가 일반 영상에 비해 넓고 밝기 레벨이 고르지 못하다. 특히 흉부 엑스레이 영상의 경우 다양한 이유로 촬영하기 때문에 갈비뼈와 혈관, 척추 뼈 등 특성이 다른 모든 부위들을 자연스럽게 개선할 필요가 있다. 이러한 엑스레이 영상의 경우 일반 영상과 특성이 다르기 때문에 기존의 화질 개선 알고리즘으로는 진단에 적합한 화질을 얻을 수 없다. 따라서 본 논문은 특정 밝기에 밀집된 정보들의 히스토그램 범위를 확장시키고, 주파수 대역 별 가중치 조절을 통한 선명도 개선 및 고주파 성분의 특성을 이용한 영상 융합 기법을 통해 최종적으로 영상의 대비를 적절하게 개선하는 흉부 엑스레이 영상용 화질 개선 방법을 제안한다. 또한 기존의 기법들과 비교하여 흉부 엑스레이 영상을 보다 자연스럽게 개선하는 것을 확인하고 discrete entropy와 saturation을 통해 정량적 평과 결과를 보인다.

• 대한방사선기술학회지:방사선기술과학
• /
• 제34권4호
• /
• pp.305-314
• /
• 2011

분진에 노출된 집단의 흉부 디지털영상에서 진폐 소견에 따라 흉부 저선량 CT영상에서 발견된 소견을 비교 분석하였다. 2007년 4월부터 2008년 8월 사이 일개 진폐정밀건강진단기관에 내원한 진폐정밀건강진단 대상자 남자 328명에 대해 저선량 CT촬영을 실시하였고, 진폐 판독경험이 많은 1명의 영상의학과 전문의가 판독하였다. 흉부 디지털영상의 진폐 소견은 국제노동기구 흉부 영상 분류법(ILO, 2000)따라 아날로그 표준 사진을 참조하여 2명의 영상의학과 전문의가 합의 판독한 결과로부터 얻었고, 소음영의 병형에 따라 진폐 소견이 없는군(87명, 26.5%)과 있는군(241명, 73.5%)으로 분류하였다. 진폐 소견이 있는군에서 나이(60.9 vs. 65.0, p<0.001)와 분진노출기간(17.0 vs. 19.2, p=0.024)이 통계학적으로 유의하게 높았지만, 흡연력은 차이가 없었다. 전체 대상자 328명 중 245명(74.7%)이 저선량 CT영상에서 13 종류의 소견이 발견되었다. 진폐 소견이 없는군 보다 있는군에서 관상동맥 석회화 소견이 통계학적으로 의미 있게 높은 빈도를 보였고(25.3% vs. 36.9%, p=0.049), 벌집모양 소견도 높은 빈도를 보였다(1.2% vs. 6.2%, p=0.079). 하지만, 저선량 CT영상에서 진폐 소음영을 시사하는 작은 결절은 진폐 소견이 없는 군에서 더 높은 빈도를 보여 흉부 디지털영상이 민감도가 낮았다. 이상의 결과에서 분진 노출에 의한 진폐 소견이 저선량 CT영상의 관상동맥 석회화 소견과 유의한 관련성을 보였지만, 독립적인 위험요인임을 규명하기 위해서는 관상동맥 혈관 조영술을 이용한 전향적인 추가 연구가 필요할 것으로 사료된다.

• 한국방사선학회논문지
• /
• 제14권6호
• /
• pp.773-780
• /
• 2020

4차 산업의 발전으로 의학·보건·바이오 등 여러 과학기술 분야에서는 질병을 예방하고 질병에 대한 피해를 줄이기 위한 연구가 이루어지고 있으며, 최근에는 ICT 기술의 발전과 더불어 인공지능 기술이 급부상하고 그 효용성이 입증되면서 영상의학 검사의 영상 분석에 인공지능 기술이 도입되어 연구되고 있다. 본 논문에서는 흉부 X선 영상을 이용하여 폐렴의 분류와 검출에 대한 딥러닝 모델을 직접 적용해보고 실제로 Inception 계열의 딥러닝 모델이 폐렴 검출에 있어 유용한 모델인지 평가하고자 한다. 실험재료는 캐글(Kaggle)에서 무료로 제공 및 공유하는 흉부 X선 영상 데이터 세트를 사용하였으며 전체 3,470개의 흉부 X선 영상 데이터 중 학습 데이터 세트 1,870개, 검증 데이터 세트 1,100개, 테스트 데이터 세트 500개로 분류하였다. 실험결과 Inception V3 딥러닝 모델의 Metric 평가에 대한 결과값은 정확도는 94.80%, 정밀도는 97.24%, 재현율은 94.00%, F1 스코어는 95.59의 결과값을 나타내었다. 그리고 흉부 X선 영상의 페렴 검출 및 분류에 대하여 Inception V3 딥러닝 모델링에 대한 최종 에포크의 정확도는 학습 모델링의 경우 94.91%, 검증 모델링은 89.68%의 정확도를 나타내었다. 손실함수 값의 평가는 학습 모델링은 1.127%, 검증 모델링은 4.603%의 손실함수 값을 나타내었다. 이러한 결과로 Inception V3 딥러닝 모델은 흉부영상 데이터의 특징 추출 및 분류에 있어 매우 우수한 딥러닝 모델이며 학습상태 또한 매우 우수하다고 평가하였다. 테스트 모델링에 대한 매트릭스 정확도 평가 결과 정상 흉부 X선 영상 데이터의 경우 96%, 폐렴 흉부 X선 영상데이터의 경우 97%의 정확도가 입증되었다. Inception 계열의 딥러닝 모델의 경우 흉부 질환의 분류에 있어 유용한 딥러닝 모델이 될 것이라고 판단되며 인력의 보조적인 역할 또한 수행할 수 있을 것이라고 기대되어 부족한 의료인력 문제에도 해결점이 될 것이라고 사료된다. 향후 딥러닝을 이용한 폐렴의 진단에 대한 유사 연구 시 본 연구는 유사 연구의 기초자료로 제시될 것이라고 기대된다.