디지털 유방영상에서 미세석회화의 자동군집화 기법 개발
Development of Automatic Cluster Algorithm for Microcalcification in Digital Mammography
0
조회
0
다운로드
2
인용
0
참고문헌
키워드
초록
유방 촬영술(Digital mammography)은 유방암의 조기 진단에서 매우 중요한 진단 방법으로서 비촉지성 유방암의 조기 발견율을 높여 유방암에 따른 여성의 사망률을 감소시키고 있다. 그 중에서도 유방 병변의 미세석회화(Microcalcification)는 조기 유방암의 진단에 있어서 중요한 병변으로 보고 되고 있으며, 선별 검사로 임상적 유용성이 확립된 상태이다. 유방 촬영술에서 미세석회화 소견은 영상의학과 전문의가 판독하여 조직검사에서 양성 및 악성 병변에 대하여 각각 군집의 개수, 군집 당 석회화 수, 미세석회화 크기와 범위, 미세석회화 형태, 동반 종괴의 유무 등을 분석하여 최종적으로 진단을 확정한다. 그러므로 군집화된 미세석회화의 정보는 유방암 예측에 있어 임상적인 실질 정보를 가지고 있으며, 의사에게 진단을 위한 검사의 기본적인 가이드라인을 제시한다. 따라서 본 연구에서는 유방 촬영술의 디지털 영상에 나타난 미세석회화의 정량적인 계산을 위해서 DoG filter, Adaptive thresholding, Expectation Maximization의 3단계를 제안한다. 제안한 알고리듬을 실험을 통하여 군집화 및 각 클러스터 내의 미세석회화의 분포 개수, 길이를 측정하였으며, 임상의사에게 디지털 유방영상의 분석을 통하여 초기 유방암 진단의 지표를 제시할 것으로 사료된다. 그리고 이는 객관적인 유방암 컴퓨터자동검출(CAD)에 사용될 수 있는 병변의 정보로서 가능성을 보였다.
Abstract
Digital Mammography is an efficient imaging technique for the detection and diagnosis of breast pathological disorders. Six mammographic criteria such as number of cluster, number, size, extent and morphologic shape of microcalcification, and presence of mass, were reviewed and correlation with pathologic diagnosis were evaluated. It is very important to find breast cancer early when treatment can reduce deaths from breast cancer and breast incision. In screening breast cancer, mammography is typically used to view the internal organization. Clusterig microcalcifications on mammography represent an important feature of breast mass, especially that of intraductal carcinoma. Because microcalcification has high correlation with breast cancer, a cluster of a microcalcification can be very helpful for the clinical doctor to predict breast cancer. For this study, three steps of quantitative evaluation are proposed : DoG filter, adaptive thresholding, Expectation maximization. Through the proposed algorithm, each cluster in the distribution of microcalcification was able to measure the number calcification and length of cluster also can be used to automatically diagnose breast cancer as indicators of the primary diagnosis.
참고문헌 (18)
- 임인숙, "유방암, 손상된 몸과 여성성의 위기감", 한국여성학, 22(4), pp.5~46 (2006), 한국여성학회
- 김홍병, "유방촬영술상 석회화의 의미", 대한외과학회지, 55(1), pp.22~27 (1998)
- 강선희, "단순 유방촬영술상 발견된 미세석회화의 병리학적 결과: 77예의 분석", 대한외과학회지, 66(1), pp.5~9 (2004), 대한외과학회
- Holland R, "mammographycally occult breast cancer : radiological presentation : phatologic and radiologic study", Cancer, 52, pp.1810~1983 (1983)
- Kopans DB, "Benign lymph nodes associated with dermatitis presenting as breast masses", Radiology, 137, pp.15~ (1980)
- Kopans DB, "Palpable breast masses, The importance of preoperative mammography", JAMA, 246, pp.2819~ (1981)
- Rilniks, Leis HP Tr, "Clinical diagnosis of breast lesion, The breast", pp.75~ (1978), The CV Mosby Company
- 신진욱, "An Effective Microcalcification Detection in Digitized Mammograms Using Morphological analysis and Multi-stage Neural Network", 한국통신학회, 29(3c), pp.374~386 (2004)
- Unser M, "A review of wavelet in biomedical applications", Proc of IEEE 84, pp.624~638 (1999)
- Zhang M, "Hough spectrum and geometric texture feature analysis", Proc. of IEEE international conference on Pattern Recognition, pp.583~585 (1994)
- Li H, "Markov Random Filed for tumor detection in digital mammography", IEEE TMI, 14, pp.565~576 (1995)
- Howe JR, "Needle localization breast biopsy : A Model for multidisciplinary quality assurance", journal of Surgical Oncololgy, 98, pp.233~239 (1995)
- 이정철, "맘모그램 영상에서의 군집화된 미세석회질 컴퓨터 보조 검출 시스템 구현", 한국정보과학회학술대회, 33(2A) (2006)
- Tahoces PG, "Computer-assisted diagnosis : The classification of mammographic breast parenchymal pattern", Physics of Medicine and Biology, 40(1), pp.103~117 (1995)
- Sullivan GD, "Use of multiple difference-of-gaussian filters to verify geometric models", image and vision computing, 3(4), pp.192~197 (1986)
- Gonzalez RC, "Digital image processing, 3rd Edition", pp.104~198 (2007), Prentice hall
- Paradopoulos A, "Improvement of microcalcification cluster detection in mammography utilizing image enhancement techniques", Computers in biology and medicine, 38, pp.1045~1055 (2008)
- Cheung YM, "k-Means : A new generalized k-means clustering algorithm", Pattern Recognition Letters, 24, pp.2883~2893 (2003)