arXiv:1902.04207

Brain MRI Segmentation using Rule-Based Hybrid Approach

Mustansar Fiaz, Kamran Ali, Abdul Rehman, M. Junaid Gul, Soon Ki Jung

제출 2019-02-12

원문 초록

Medical image segmentation being a substantial component of image processing plays a significant role to analyze gross anatomy, to locate an infirmity and to plan the surgical procedures. Segmentation of brain Magnetic Resonance Imaging (MRI) is of considerable importance for the accurate diagnosis. However, precise and accurate segmentation of brain MRI is a challenging task. Here, we present an efficient framework for segmentation of brain MR images. For this purpose, Gabor transform method is used to compute features of brain MRI. Then, these features are classified by using four different classifiers i.e., Incremental Supervised Neural Network (ISNN), K-Nearest Neighbor (KNN), Probabilistic Neural Network (PNN), and Support Vector Machine (SVM). Performance of these classifiers is investigated over different images of brain MRI and the variation in the performance of these classifiers is observed for different brain tissues. Thus, we proposed a rule-based hybrid approach to segment brain MRI. Experimental results show that the performance of these classifiers varies over each tissue MRI and the proposed rule-based hybrid approach exhibits better segmentation of brain MRI tissues.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2610.00279v1cs.CV공통 태그 Anatomy, Image Segmentation, Medical Image Segmentation

자기공명영상 분할을 위한 다중 해상도 특징 융합 U-Net

Multi-Resolution Feature Fusion U-Net for Magnetic Resonance Imaging Segmentation

의료 영상, 특히 MRI 스캔에서 해부학적 구조를 분할하는 것은 임상 진단과 질병 진행 모니터링에 필수적이다. U-Net 및 그 확장 모델과 같은 심층 학습(Deep Learning, DL) 아키텍처는 의료 이미지 분할 작업에서 매우 효과적이지만, 미세한 세부 정보와 전역적인 맥락 정보를 동시에 보존하는 데 어려움을 겪는 경우가 많다. 이는 해부학적 구조가 불규칙한 경계와 형태, 대비, 크기의 변동을 특징으로 하는 MRI 데이터 분할에서 특히 어려운 문제이다. 이러한 문제를 해결하기 위해, 우리는 서로 다른 해부학적 구조에 대한 MRI 분할을 위한 새로운 DL 아키텍처를 제안한다. 구체적으로, 이 아키텍처는 임의의 U-Net 유사 아키텍처에 쉽게 통합될 수 있는 다중 해상도 특징 융합(Multi-Resolution Feature Fusion, MRFF)이라는 모듈을 도입한다. MRFF는 어텐션(attention) 메커니즘 및 스킵 연결(skip connection)과 함께 인코더-디코더 구조의 모든 레벨에 통합되어 여러 해상도에서 특징을 추출함으로써, 모델이 미세한 세부 정보와 전역적인 맥락 정보를 모두 포착할 수 있게 한다. 우리는 서로 다른 해부학적 대상에 대한 두 가지 공개 벤치마크 MRI 데이터셋에서 MRFFU-Net을 평가하였다; 하나는 척추 MR 스캔에서의 뇌척수액(Cerebrospinal Fluid, CSF) 분할이고, 다른 하나는 Medical Segmentation Decathlon(MSD) 챌린지에서 제공하는 좌심방(left atrium) 심장 분할이다. 실험 결과는 MRFFU-Net이 여러 평가 지표에서 최신(state-of-the-art) 모델들을 능가하며, MRI 분할에서의 효과성을 입증함을 보여준다.

arXiv:2609.26756v2cs.CV공통 태그 Anatomy, Segmentation, Medical Image Segmentation

FleXray: 범용 임상 X선 분할

FleXray: Universal Clinical X-ray Segmentation

X선(X-ray)은 의학 분야에서 가장 널리 사용되는 영상 양식이지만, 여전히 정량적 활용도가 가장 낮은 편에 속합니다. CT나 MRI 같은 볼륨(volumetric) 영상 양식과 달리 X선은 3차원 해부학적 구조를 2차원 투영으로 압축하므로 구조 간 중첩이 발생하고 전문가에게도 해부학적 경계가 모호해집니다. 그 결과, 범용 분할(segmentation) 시스템을 학습(training)하기 위해 X선 데이터베이스를 라벨링하는 것은 비현실적이며, 형태 계측 및 기능적 X선 분석은 좁은 해부학적 부위와 제한된 응용 분야에 국한되어 왔습니다. 이를 해결하기 위해 본 논문에서는 임상 X선에서 전신에 걸친 해부학적 분할을 수행하는 제너럴리스트 모델(generalist model)인 FleXray를 제시합니다. 대규모의 수동 주석 X선 데이터셋(dataset)을 구축하는 대신, 확장 가능한 물리 기반 생성형 X선 데이터 엔진을 구축합니다. 기존의 3차원 전신 CT 분할 데이터셋과 생성형 이미지 편집 모델을 활용하여 다양한 외관, 생리학적 특성 및 촬영 기하학적 조건을 갖춘 완전히 주석 처리된 2차원 X선을 시뮬레이션합니다. 이러한 시뮬레이션을 통해 학습된 FleXray는 학습에 사용되지 않은 연구용 데이터셋 및 야생(in-the-wild) X선에서 60개의 해부학적 구조를 정확하게 분할합니다. 나아가 FleXray가 X선을 정량적 분석에 직접 활용할 수 있도록 만들어, 질환 중증도 분류를 위한 자동 측정, X선 유도 중재 시술 중의 강건한 내비게이션, 병리학적 대상에 대한 데이터 효율적 학습을 가능하게 함을 보여줍니다. 본 연구진은 모델, 코드, 전신 X선 분할 데이터셋, 그리고 사용하기 쉬운 로컬 브라우저 기반 도구를 https://flexray.csail.mit.edu 에 공개합니다.

arXiv:2609.22760v1cs.AI공통 태그 Anatomy, Segmentation, Medical Image Segmentation

CTSpinoPelvic1K: 단일 좌표계의 척추·골반·늑골·대퇴골, 요천추 전환부 해부학 주석

CTSpinoPelvic1K: spine, pelvis, ribs and femora in one coordinate frame, annotated for lumbosacral transitional anatomy

목적: 요천추 접합부 천추는 전체 척추 영상에서 C2부터 caudal 방향으로 세어 이름을 붙이지만, 요추 수술 계획은 C2 없이 요추만 영상(T12–S1)으로 세운다. 복부·골반 CT는 그 구간에 최하위 늑골과 골반까지 포함한다. 요천추 전환 천추(lumbosacral transitional vertebra, LSTV)가 개수를 바꾸면 국소 해부는 모호해진다. 늑골 없는 천추가 네 개이면 요추 늑골을 동반한 L1일 수도 있고 천골에 동화된 L5일 수도 있으며, 여섯 개이면 제6요추, 무형성 늑골을 동반한 T12, 또는 요추화된 S1일 수 있다. CTSpinoPelvic1K는 개수 없이 국소 형태만으로 이를 판별할 수 있는지 묻는다. CTSpine1K의 천추와 CTPelvic1K의 골반은 동일 환자를 각각 다뤘으나 결합되지 않았고, 본 공개판은 한 시리즈에서 이를 결합하고 어느 쪽에도 없던 골을 추가한다. 802건의 CT 기록을 제공하며, 레벨별 늑골·대퇴골, 최하위 늑골 부착 천추와 S1에 고정된 레벨, L6·T13·분리된 S1·요추 늑골 클래스를 두어 이상을 그대로 기록한다. 취득 및 검증 방법: 각 환자의 골량이 가장 많은 시리즈에서 VerSe-native 체계 하에 CTSpine1K와 CTPelvic1K 라벨을 짝지었다. 검증은 기하 불변량(802/802 통과), 5,749개 늑골에 대한 늑골–천추 대응(0.035% 오차), 문헌값과 일치하는 척골–골반 측정을 포함했다. 데이터 형식 및 사용 안내: 환자 단위 그룹·LSTV 계층화 5-fold 분할과 로더가 있는 NIfTI 영상/라벨 쌍; https://doi.org/10.5281/zenodo.22139642 에 보관. 잠재적 응용: 국소 특징으로부터 천추 분류, cadaveric 형태계량 갱신, 척골–골반 평가, 기회적 스크리닝, 공개 수술 전 요추 코호트가 없는 상황에서의 수술 계획 연구(377건 prone). 한계: 흉추 ground truth는 시야(field-of-view) 제한, 자세 각도는 supine, 별도 test set 없음, 늑골은 triaged-review 의사라벨, Castellvi 등급은 33건에 대한 두 판독자 합의.

arXiv:2607.11287v1cs.CV공통 태그 Anatomy, Segmentation, Medical Image Segmentation

포괄적 심장 CT 분할 및 표현형 분석을 위한 통합 프레임워크: 휴먼-인-더-루프 데이터 어노테이션, 비전 파운데이션 모델 개발, 다기관 평가 및 임상 검증

A Unified Framework for Comprehensive Cardiac CT Segmentation and Phenotyping: Human-in-the-Loop Data Annotation, Vision Foundation Model Development, Multicenter Evaluation and Clinical Validation

전산화 단층촬영(CT)으로부터 심장 구조물을 포괄적으로 정량화하는 작업은 데이터 가용성이 아닌 측정의 확장성에 의해 제한되어 있어, 임상 현장에서의 일상적 활용이 비현실적이다. 본 연구에서는 휴먼-인-더-루프 어노테이션 파이프라인, 심장 CT 증강 기법, 그리고 60,000개의 레이블 없는 심장 CT 스캔으로 사전학습된 자기지도(self-supervised) 파운데이션 모델을 결합한 포괄적 심장 CT 분할 및 표현형 분석을 위한 통합 프레임워크를 제시한다. 이 방법을 통해 현재까지 구축된 것 중 가장 크고 포괄적인 전문가 어노테이션 심장 CT 분할 데이터셋을 구성하였으며, 총 1,598개 케이스와 14가지 심장 구조물로 이루어져 있다(학습용 1,000개, 외부 테스트 세트 598개). 다섯 개의 외부 데이터셋에서 본 프레임워크는 기존 오픈소스 도구보다 더 정확하고 포괄적으로 모든 구조물을 분할하였다. 자기지도 사전학습은 레이블링 효율성을 향상시켰으며, 저데이터 환경에서의 외부 평가에서 가장 두드러진 성능 향상이 관찰되었다. 합성곱, 트랜스포머, 상태 공간 아키텍처에 걸친 벤치마킹에서 유사한 성능이 나타나, 정확도를 결정하는 요인이 아키텍처가 아닌 데이터 품질과 사전학습임을 시사하였다. 본 프레임워크는 집단 수준의 표현형 분석으로 확장되었으며, 분할된 해부 구조는 인구통계학적 변수 이상으로 심실 기능 및 질병 중증도에 관한 기능적으로 유의미한 정보를 담고 있음이 확인되었다. 사람 레이블이 포함된 최대 규모의 데이터셋, 코드, 모델 가중치, CT 증강 라이브러리, 소프트웨어를 공개함으로써, 본 연구는 일상적으로 획득된 CT 스캔으로부터의 기회적 심장 표현형 분석을 위한 재현 가능한 기반을 제공한다.

arXiv:2607.09481v1cs.CV공통 태그 Image Segmentation, Segmentation, Medical Image Segmentation

텍스트 유도 의료 분할을 위한 백본으로부터의 언어 지도 분리

Decoupling Language Guidance from Backbones for Text-Guided Medical Segmentation

텍스트 유도 의료 이미지 분할은 임상 의미론을 활용하여 병변 윤곽 추출을 개선하지만, 기존의 많은 모델들은 크로스 모달 융합, 감독, 디코더 설계를 태스크 특화 아키텍처에 긴밀하게 결합시킨다. 이러한 강한 결합으로 인해 이질적인 비전 및 텍스트 백본 전반에 걸쳐 언어 지도 모듈을 재사용하기 어려우며, 인코더 쌍이 변경될 때마다 네트워크를 재설계해야 하는 경우가 많다. 본 논문은 텍스트 유도 의료 이미지 분할을 위한 백본 전이 가능 계층적 어댑터 프레임워크인 BTHA를 제안한다. BTHA는 안정적인 특징 수준 인터페이스를 기반으로 구축되었으며, 다중 스케일 시각적 특징과 텍스트 표현이 주어지면 형상 보존 어댑터를 통해 의미적 지도를 주입하면서 디코더 측 텐서 계약을 유지한다. 이 인터페이스를 효과적으로 만들기 위해, 학습을 전역 이미지-텍스트 정렬, 다중 스케일 보조 위치화, 경계 인식 최종 마스크 정제로 분해하는 계층적 거친-에서-세밀한 감독 전략(Hierarchical Coarse-to-Fine Supervision Strategy)을 도입한다. 또한 해상도별 게이트가 텍스트 주입을 적응적으로 제어하고 채널 재보정이 중복된 크로스 모달 응답을 억제하는 스케일 적응형 게이트 의미적 지도(SAGSG) 어댑터를 설계한다. 다양한 비전 및 텍스트 백본에 대한 평가 결과, 동일한 어댑터 및 감독 설계가 합성곱 기반 및 트랜스포머 기반 시각적 인코더와 서로 다른 언어 인코더에서도 효과적으로 작동함을 보인다. 네 개의 공개 데이터셋에 대한 실험을 통해 BTHA가 적은 계산 오버헤드로 강력한 텍스트 유도 기준 모델들을 개선함을 추가로 입증한다.

arXiv:2607.08679v1cs.CV공통 태그 Image Segmentation, Segmentation, Medical Image Segmentation

당뇨병성 망막병증 병변 분할을 위한 다중 해상도 특징 스템

Multi-Resolution Feature Stem for Diabetic Retinopathy lesion segmentation

당뇨병성 망막병증(Diabetic Retinopathy, DR)은 전 세계적으로 예방 가능한 실명의 주요 원인으로, 조기 발견 및 모니터링을 위해 심층 학습(deep learning) 모델을 이용한 자동화된 병변 분할이 요구된다. 그러나 DR 병변은 미세혈관류(microaneurysm)처럼 극히 작은 것부터 대형 출혈(hemorrhage) 및 삼출물(exudate)까지 크기가 매우 다양하다. 이러한 변동성은 모델 아키텍처와 입력 해상도에 상충되는 요구를 발생시켜 효과적인 설계를 어렵게 한다. 본 연구는 입력 해상도가 서로 다른 병변 유형에 미치는 영향을 조사한다. 512×512 및 1024×1024 해상도에서 다수의 아키텍처(U-Net, UNet++, Vision Transformer, DeepLabV3+)를 대상으로 체계적인 실험을 수행한 결과, 입력 해상도를 높이는 것이 병변 유형에 따라 상반된 효과를 나타내는 중요하고 직관에 반하는 현상을 규명하였다. 구체적으로, 높은 해상도가 미세한 미세혈관류를 정밀하게 식별하는 데 필수적인 반면, 더 큰 출혈에 대한 성능을 예상치 못하게 저하시킬 수 있음을 입증하였다. 이 결과는 높은 해상도가 일관되게 유익하다는 통념에 의문을 제기한다. 이를 해결하기 위해, UNet++ 백본에 통합된 입력 수준의 피라미드 구조인 새로운 다중 해상도 특징 스템(Multi-Resolution Feature Stem)을 제안한다. 이 아키텍처는 여러 스케일을 병렬로 처리하여 문맥 정보를 희생하지 않고 세밀한 세부 특징을 포착한다. 본 연구는 이러한 복잡한 해상도 의존적 동작에 대한 핵심적인 실증적 증거와, 이 트레이드오프를 성공적으로 해결하는 실용적이고 매개변수 효율적인 아키텍처를 제시한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.