Radiomics and Deep Learning for Lung Cancer Screening
무릎 Magnetic Resonance 영상에서 Statistical Shape Model을 이용한 무릎관절 삼차원 모델 생성방법
1. 무릎 Magnetic Resonance 영상에서
Statistical Shape Model을 이용한 무릎관절 삼
차원 모델 생성방법
최욱진 최태선
광주과학기술원 기전공학부
GIST
2. 목차
• 서론
• 관련연구
• 제안 방법
– Statistical Shape Model을 이용한 골 모델 생
성
– 밝기 값 분포를 이용한 연골 모델 생성
• 실험결과
• 결론
2
3. 서론
• 인공 슬 관절 전치환술은 정형외과 분야에서 많이 시행되는 수술
– (정확한 골 절제에 의한 이상적인 하지 정렬 회복이 가장 중요한 요소)
• 고식적 골 절제 유도장치는 슬 관절의 일반적인 해부학적 특징에 맞
게 고안
– (해부학적 구조가 다른 모든 환자에 표준화 어려움, 20-30% 환자에서
이상적인 하지 정렬을 얻기 힘듦)
• 환자 개별적인 특성에 맞춘, 보다 정밀하고 이상적인 수술적 치료
방법으로서 정립
• 임상적 결과의 개선에 따른 재수술의 위험 줄이고 장기적으로 재수
술에 따르는 경비 절감
• 환자 맞춤형 골절제 유도장치의 상용화에 따른 부수적인 경제적 효
과
• 수술 시 필요한 수술 기구를 줄일 수 있어 멸균 소독에 필요한 경비
절감
• 인공 슬관절 생존율을 증가시켜 환자로 하여금 재수술에 대한 두려
움으로부터 해방
3
4. 관련연구
• 한국인의 3차원 무릎관절 구축 및 형상 측정 (부산
대, 2004)
– 2차원 CT영상을 이용한 무릎 뼈 3차원 모델 생성
– 연골 조직에 대한 모델이 없음
• 골 관절염 진단을 위한 3차원 멀티에코 무릎MR
영상처리 가시화 (인하대,2011)
– 멀티에코 기반의 인공혈류물 제거 및 에코패턴을 이
용한 조직분할
– Bone Cartilage Interface (BCI) 구성을 위한 무릎 뼈
추출 알고리즘
– 골 관절염 진단을 위한 방법으로 관절부위만 고려하
기 때문에 하지 정렬 회복을 위한 측정이 불가능 하여
슬관절 진치환술에 부적합
4
5. 관련연구
• 서양인에 맞는 환자-맞춤형 골 절제 유도장치 초기개
발 (Biomet, Zimmer 등)
– 주로 컴퓨터 단층 촬영을 이용한 삼차원 모델이용
– 연골에 대한 정보 부족으로 실제 수술 시 뼈 구조에 잘 맞
지 않음
– 유용성 및 정확성에 대한 평가 부족
• Custom-Fit Total Knee Arthroplasty: Our Initial
Experience in 32 Knees (Concord Repatriation
General Hospital, University of New South Wales,
Sydney, Australia, 2012)
– 컴퓨터 단층 촬영을 이용한 삼차원 모델이용
– 환자 맞춤형 골절제 유도 장치를 사용 했을 경우와 기존
방법을 비교 분석하여 하지 정렬 회복 정확성 향상 입증
– 한국인을 위한 환자-맞춤형 골 절제 유도장치 개발이 시급
5
6. 제안방법
MR
Image
Statistical Shape
Model
Bone Segmentation
Cartilage
Segmentation
3D Shape
Model
6
7. Statistical Shape Model을 이용한 골 모델
생성
– 자기공명영상에서 statistical shape model을
이용하여 대퇴골(femur)와 경골(tibia)의 골 모
델을 생성
• MR영상에서 전문가에 의해 정확하게 분할되어 있
는 무릎관절 모델을 이용(atlas)
• 각각의 volume 모델에 marching tetrahedrons 알
고리즘을 적용하여 isosurface (vertex, face)를 생
성
• Shape context를 이용하여 isosurface에서
landmark 생성
7
8. Statistical Shape Model을 이용한 골 모델
생성
– Shape Context 기반 Statistical Shape Model
생성
• 마스터 모델 선정
• Iterative shape context matching
• Statistical shape model을 생성에 필요한 shape
vector 생성
• Shape vector들을 PCA를 이용하여 statistical
shape model을 만든다
8
k
k
i
k
i i v v Pb v p b
9. Shape Context
• 서로 다른 shape에서 비슷한 형태를 가지
는 부분을 찾는 방법
• Shape내부의 임의의 점에서 나머지 모든
점과의 거리를 히스토그램으로 나타낸 것
• 히스토그램의 bin은 log polar
좌표계를 이용한다.
9
h (k) #{q p : (q p ) bin(k)} i i i
10. Shape Context
10
50개의 landmark 의 normal vector와 특정점에서 다른 점들과의 관계
12. Statistical Shape Model을 이용한 골 모델
생성
– 자기공명영상에서 statistical shape model을
이용하여 대퇴골(femur)와 경골(tibia)의 골 모
델을 생성
• Shape model의 vertex주변의 밝기값 분포를 이용
하여 무릎관절에 대한 appearance model을 생성
• Statistical shape model을 appearance model
fitting을 이용하여 MR영상에 맞게 변형 시켜 골모
델을 생성한다.
12
대퇴골의 Statistical Shape Model
13. 밝기 값 분포를 이용한 연골 모델 생성
• 생성된 골 모델의 표면에서 4mm내에 존재하
는 연골을 분할하여 연골 모델 생성
– 생성된 골 모델 표면의 4mm이내의 영역을 관심
영역(region of interest, ROI)로 지정
– ROI 내부의 밝기 값을 이용하여 연골 부분 분할
13
연골 ROI 생성된 연골 모델
14. 실험결과
• 분할결과 검증
– 총 100개의 MR영상을 사용
• Training data: 20개의 영상을 랜덤 하게 선정
• Test data: 나머지 80개의 영상 사용
– Sagittal plane 영상
– Pixel spacing: 0.4 x 0.4 mm
– Slice distance: 1mm
– Contrast agents는 사용 안함
– Field strength: 1.5T - 90%, 나머지 3T
– T1-weighting 영상
14
15. 실험결과
분할결과 검증
골 모델
d ( v , S ( A )) min
v
s
Average symmetric surface distance (AvgD)
1
d s S B d s S A
( , ( )) ( , ( ))
Root-mean-square symmetric surface distance (RMSD)
연골 모델
1
d s S B d s S A
Volumetric overlap error (VOE)
Volumetric difference (VD)
15
( ) ( )
( ) ( )
( , )
s S B
B
s S A
A
A B
S A S B
AvgD A B
( )
2
( )
2 ( , ( )) ( , ( ))
( ) ( )
( , )
s S B
B
s S A
A
A B
S A S B
RMSD A B
A
B
A B
VOE(A, B) 100 1
A B
B
VD(A, B) 100
A
s S A
A
( )
16. 실험결과
• 무릎관절 분할 결과
AvgD(mm) RMSD(mm)
16
대퇴골 1.39 1.99
경골 2.34 3.29
VOE(%) VD(%)
관절연골 25.0 -24.5
반월판연골 20.8 -34.3
Statistical Shape Model을 이용하여 무릎관절의 대퇴골과 경골 그리고 연골 부분 분할 결과
18. 결론
• 인공 무릎관절 전치환술을 위한 무릎관절
삼차원 형상모델 생성 방법 제안
– MR 영상에서 Statistical Shape Model을 이용
하여 골 영역 자동 분할 방법 제안
– 연골 영역 자동분할 방법 제안
– 자동 분할 결과 검증 및 삼차원 모델 생성
• 제안된 방법을 이용하여 연골을 포함한 정
밀한 무릎관절 모델을 생성 할 수 있다.
18
이렇게 생성된 training data vi (I = 1, .. N)를 이용하여 principal component alnalysis (PCA) 기법을 이용하여 shape 모델을 생성한다.
(1)
여기서 v bar는 shape 모델의 평균이며 P = {p^k} 는 covariance matrix의 eigenvector matrix이다. 대응 되는 eigenvalue는 eigenvector의 방향에 대한 변화량이다. 그리고 는 shape parameter로써 모델의 변화에 대한 제어를 가능하게 한다.