[논문 리뷰] Ultrasound Confidence Maps of Intensity and Structure Based on Directed Acyclic Graphs and Artifact Models

Alex Ling Yu Hung, Wanwen Chen외 1명|arXiv (Cornell University)|2020. 11. 24.

Medical Image Segmentation Techniques참고 문헌 18인용 수 5

한 줄 요약

이 논문은 방향성 있는 비순환 그래프(DAGs)와 잡음 모델을 사용하여 초음파 영상의 픽셀 수준에서 강도 및 구조적 신뢰도를 평가하는 새로운 신뢰도 맵 프레임워크를 제안한다. 깊이에 따라 가중치가 조절되는 원인적 DAG를 통해 감쇠, 회절, 스펙클, 그림자 및 반사 잡음과 같은 잡음을 모델링함으로써, 이 방법은 이전 연구에 비해 그림자 탐지 및 영상 복합 처리에서 더 뛰어난 신뢰도 추정 성능을 보이며, 특히 혈관 경계를 잘 유지하고 잡음을 효과적으로 억제한다.

ABSTRACT

Ultrasound imaging has been improving, but continues to suffer from inherent artifacts that are challenging to model, such as attenuation, shadowing, diffraction, speckle, etc. These artifacts can potentially confuse image analysis algorithms unless an attempt is made to assess the certainty of individual pixel values. Our novel confidence algorithms analyze pixel values using a directed acyclic graph based on acoustic physical properties of ultrasound imaging. We demonstrate unique capabilities of our approach and compare it against previous confidence-measurement algorithms for shadow-detection and image-compounding tasks.

연구 동기 및 목표

• 초음파 영상의 잡음(그림자, 감쇠, 회절, 스펙클 등)이 영상 분석의 신뢰성을 떨어뜨리는 문제를 해결한다.
• 기존의 신뢰도 추정 방법은 기울기 변화에 민감하고 반사 및 회절 효과를 잘 모델링하지 못하므로 이를 보완한다.
• 깊이에 따라 자연스럽게 감쇠하는 강도 신뢰도 맵을 개발하여 구조적 경계를 유지한다.
• 실제 해부학적 경계의 가능성도 수량화하는 새로운 구조적 신뢰도 맵을 제안한다.
• 제안된 신뢰도 맵을 융합 알고리즘의 불확실성 측정치로 대체하여 영상 복합 처리 성능을 향상시킨다.

제안 방법

• 신뢰도 추정 이전에 스peckle 노이즈를 제거하기 위해 Canny 경계 인식 계수를 사용한 이방성 확산을 적용한다.
• 각 픽셀의 신뢰도가 위에 있는 행의 일정 범위 내 픽셀의 가중합에만 의존하는 방향성 있는 비순환 그래프(DAG)를 구성한다.
• 이웃한 상단 행 픽셀의 영향을 모델링하기 위해 가우시안 유사 가중치 함수 ψ(k)를 사용하며, 정상적으로 위에 있는 픽셀이 가장 큰 기여를 한다.
• 이미지 기울기와 깊이를 고려한 엣지 가중치 wi,j,k를 정의하여 물리적 감쇠 및 회절 효과를 통합한다.
• 초기 조건으로 첫 번째 영상 행에서 신뢰도를 1.0로 설정하고, 식 (3)을 사용해 아래로 방향으로 신뢰도를 전파한다: C(i+1,j) = Σ ψ(k)wi,j+k,kC(i,j+k).
• 경계 및 텍스처 특징을 별도로 사용하여 실제 해부학적 경계를 식별하고, 잡음과의 차이를 구분하는 구조적 신뢰도를 계산한다.

실험 결과

연구 질문

• RQ1 기존의 무작위 보행 방법에 비해 DAG 기반의 신뢰도 모델이 균일한 초음파 영역에서 급격한 강도 기울기를 더 잘 다룰 수 있는가?
• RQ2 감쇠 및 회절을 명시적으로 모델링하면 깊은 조직 영역에서의 신뢰도 추정 성능이 얼마나 향상되는가?
• RQ3 제안된 구조적 신뢰도 맵이 실제 해부학적 경계와 반사 또는 그림자와 같은 잡음 간에 효과적으로 구분할 수 있는가?
• RQ4 침대나 반사와 같은 특수 잡음 모델링을 포함함으로써 영상 복합 처리 성능이 어떻게 향상되는가?
• RQ5 융합 알고리즘에서 불확실성 대신 신뢰도를 사용할 경우 복합 작업에서 더 나은 영상 품질을 달성할 수 있는가?

주요 결과

• 강도 신뢰도 맵은 패치 A(잡음 없음)에서 중앙값 0.92, 패치 C(침대)에서 0.75, 패치 B(반사)에서 0.49를 기록하여 기대되는 감쇠 및 잡음에 의한 품질 저하를 정확히 반영한다.
• 구조적 신뢰도 맵은 패치 A와 C(잡음 없음)에서 중앙값 0.96을 기록하지만, 패치 B(반사)에서는 0.65로 떨어지며, 잡음과 실제 구조를 효과적으로 구분한다.
• [8]과 비교해 본 결과, 본 방법은 기울기 변화에 더 강건하여 균일한 영역에서 비현실적으로 낮은 신뢰도를 기록하지 않는다.
• 영상 복합 처리에서 본 연구의 고급 신뢰도 맵(침대 및 반사 모델링 포함)은 [8]의 방법보다 반사 점을 더 효과적으로 억제하며, 그림 4의 세 번째 열에서 이를 확인할 수 있다.
• 표 1의 정량적 결과는 설계 원칙을 확인한다: Cint(A) > Cint(C) > Cint(B) 및 Cstr(A) ≈ Cstr(C) >> Cstr(B), 이는 모델의 의도된 동작 방식을 검증한다.
• 강도 신뢰도 맵은 그림자 영역 및 반사 영역에서 과도한 신뢰도를 줄이며, 그림자 패치 B에서 중앙값 0.27을 기록하여 효과적인 잡음 억제를 보여준다.