Micro-PET 영상 내 종양검출을 위한 영역분할 및 오류보정

Abstract

소동물을 이용한 종양학연구에서는 방사성의약품 기반 마이크로-양전자방출단층촬영(Micro-Positron Emission Tomography, μPET)을 사용하여 종양 내 대사변화를 분자수준에서 관측한다. 대사정보를 정량화하기에 앞서, μPET 내 종양영역을 정확히 검출하는 것은 중요한 문제이기 때문에, 영상 내 종양영역을 정확히 분할하는 것만 아니라 종양영역에 영향을 줄 수 있는 μPET 영상획득 시 발생하는 검출오류를 보정하는 것이 필요하다. 본 논문의 목표는 소동물을 대상으로 μPET 기기로부터 획득한 영상에서 종양영역을 자동으로 분할하고 검출시 발생하는 오류를 보정할 수 있는 컴퓨터 기반 영상처리 기법을 제시하는데 있다. 우선, μPET 내 종양영역을 획득하기 위해서 개선된 Fuzzy C-Means(FCM) 기반의 영역분할을 수행한다. FCM은 각 클러스터의 대표값과 원소의 소속값을 예측한 후 이를 개선함으로써 분할영역을 최적화하기 때문에 초기값에 민감한 결과를 갖는다. 따라서, 본 논문에서는 영상으로부터 클러스터의 대표값을 초기화함으로써 분할결과의 정확도를 높였다. 그러나, 자동분할된 종양영역은 두가지 검출오류(위양성 및 부분체적효과)를 포함한다. 본 논문에서는 다음과 같은 오류보정 방법을 제안한다. 위양성 오류영역은 방광이나 심장과 같은 정상기관에서 방사성의약품에 의해 활성화되기 때문에, 명암도 기반으로 분할된 종양영역 내에 위양성 오류영역이 포함될 수 있다. 기존 의료영상에서 위양성 오류영역의 판별은 전문가에 의해 수동적으로 판별되었다. 그러나, 인의적으로 종양을 주입한 소동물 실험에서는 종양의 위치정보를 알 수 있으므로 본 논문에서는 이를 기반한 위양성 오류영역 보정기법을 제안하며 거리기반의 분리기 K-Means 알고리즘과 그 성능을 비교하도록 한다. 부분체적효과 오류영역은 윤곽선 주변영역에서 습득기기의 물리적 크기 제한으로 명확한 윤곽선을 이루지 않고 그레이 레벨에서 점층적으로 변화하는 영역을 말한다. 따라서, 종양 윤곽선 주변영역은 이러한 부분체적효과에 의한 오류영역을 포함하기 때문에 이 영역을 보정할 수 있는 방법이 필요하다. 영상에서 정의된 종양영역과 부분체적효과를 가상으로 모델링한 영역과의 차이를 최소화하는 최적화 모델기법을 통해서 부분체적효과 오류영역을 보정할 수 있다. 본 논문에서는 최적화 모델기법의 두가지 개선기법을 제시한다. 종양영역을 자동영역 분할방법으로 정의하여 기존 수동분할방법에서 제한된 범위를 벗어나게 한다. 또한, 너비에 따라 부분체적효과 오류영역이 반비례하는 현상을 적용하여 가상종양영역을 모델링함으로써 실제 부분체적효과에 의해 발생하는 영역에 가깝게 예측한다.;In preclinical oncologic study using small animals, μPET with radiolabelled molecular probe is used to observe metabolic changes in the tumor at molecular level. Quantifying the metabolism provides information about activity in the tumor and response of anti-cancer therapy. But previous to quantification, detection of the extra tumor region in the image is more important issue. Therefore, in this paper, we present a tumor segmentation and error correction method which can lead accurate measurement of the tumor size or volume. The tumor has irregular broundary with gradation intensity in PET. For this reason, we used an improved Fuzzy C-Means (FCM) by giving the sorted initial mean of each cluster for getting out of the wrong optimization and for reducing the amount of time-consumed. However, the initial segmented tumor region includes the regions of false positive and partial volume effect induced by biochemical and physical factors during the PET scan. Thus error correction technique should be considered. Otherwise detection error can be propagated to quantification error. We present two error correction methods based on the computer image processing. First, we use connectivity-based separator to remove false positive error. This provides the ability to distinguish tumor tissue from other normal organ activated by the labeling compound. And then, for the second method, we only focus on partial volume effect error because that the partial volume effect has the blurring region around the contour of the tumor. Threfore, we suggest an error correction method of partial volume effect based on both the expected region from image and the 3-D phantom tumor model. And then, we minimize to the differential error between two regions. The partial volume effect is inversely proprtioinal to the size of the tumor. Thus, the expected region boundary of partial volume effect changes acoording to the size of the tumor. The artificial blurring effect of the 3-D pahntom tumor model is also the convolution of an ellipsoidal object with a 3-D anisotropic gaussian function with standard deviation from expected region. This thesis proposes a segmentation and error correction of the tumor region in the μPET. For this, we apply an improved FCM to segment the tumor region and error correction based on connectivity clustering and an enhanced the optimal model. Using the proposed method, we calculate the size and the volume of the tumor efficietly and exactly.