크리깅과 마르코프렌덤필드모델을 이용한 의학영상의 3차원 객체 재구성

Abstract

최근 보편화된 CT나 MRI로부터 획득한 연속된 2차원 의학 영상을 대상으로 3차원 객체 재구성(reconstruction)하는 과정은 등방의 해상도를 얻기 위한 보간, 3차원 객체를 인식하기 위한 분할 및 볼륨렌더링(volume rendering)의 단계로 이루어진다. 지금까지 재구성과 관련 없이 여러 알고리즘에 의한 영상의 보간 및 분할 방법이 개발되어 왔으나, 단층영상으로부터 3차원 분할에 적합한 보간에 대한 연구와 영상 데이터를 3차원 공간에서 입체적으로 인식하려는 재구성에 관한 영상 분할 방법에 대한 연구는 미비한 실정이다. 3차원 재구성을 위한 보간 및 분할기법으로 통계적인 방법에 속하는 크리깅 보간기법과 3D-MRF 모델을 이용한 분할기법을 사용하였다. 크리깅(Kriging)은 공간적으로 분포된 스칼라 값에 대한 불편 추정(unbiased estimation)이 가능한 보간 기법으로, 본 논문에서는 기존의 크리깅 기법보다 속도를 개선시키면서도 영상의 질을 유지하여 3차원 분할 결과의 신뢰도를 높일 수 있는 semivariogram과 인접시스템을 정의한다. 3차원 분할을 위하여 의학영상 데이터를 공간상의 확률분포로 모델화할 수 있는 3D-MRF(Markov Random Field) 모델을 이용하여, 이 모델과 기존의 2차원 영역확장 분할기법을 3차원으로 확장한 분할 기법 조합(combination)함으로써, 재구성하고자하는 대상 객체만을 빠른 시간 내에 배경이나 다른 조직으로부터 분할해내는 것이 가능한 새로운 알고리즘을 제안한다. 재구성 실험에서는 무릎부위 자기공명 영상을 대상으로 대퇴골만을 3차원 재구성하였으며, 크리깅 보간과 3D-MRF 분할에 의한 통계적인 재구성 결과가 기존에 사용되는 결정적인 보간 및 분할에 의한 재구성 결과보다 영상의 질이 우수한 것으로 나타났다.;X-ray CT images and MRIs are the most generalized diagnostic medical images these days. Generally, it is necessary to interpolate original 2D image for the acquisition of isotropic image resolution, and it is essential to segment the desired object for its 3D reconstruction. Without special regard to the 3D reconstruction, a number of image interpolation and segmentation methods have been developed and achieved partial success respectively. However, it still needs to improve the conventional methods for the volume visualization of 3D object. Kriging is an interpolation technique developed in the geosciences. Kriging has been mathematically proven to be the best linear unbiased estimation for spatially distributed data. In this thesis, the semivariogram and neighborhood system were modified to increase speed of interpolation for MRI data. The 3D-MRF model was used to modelize the 3D spatial probability distribution of the voxel data in order to segment the interested object. I suggested a new 3D segmentation algorithm in which we can extract a 3D object directly in volume data by combining 3D-MRF model with the region growing segmentation method. Using the new semivariogram and neighborhood system, I could reduce the execution time for interpolation while keeping similar high quality of 3D reconstruction. And the 3D-MRF region growing segmentation algorithm is also found to be more applicable to the medical images than the conventional segmentation algorithm using a MRF model.