hae-koos

MOOC 강좌 '컴퓨터비전, 머신러닝, 딥러닝을 이용한 의료영상분석' 강의를 리뷰 및 정리한 게시물입니다. Graph Model을 어떻게 정의하고, 정의된 Model로부터 어떻게 최적화를 해서 Label을 얻는지에 관한 이야기다. 그전에 리뷰를 해보자. 위 그림처럼 노드가 N=9일 때는 각각 확률을 구해서 곱해주면 쉽지만 100x100 이미지만 생각해봐도 노드가 N=10,000이 되고, 0 ~ 1 사이의 확률값을 10,000번 곱하면 0에 가까운 값이 그 결과로 도출될 것이다. 이러한 경우가 발생하는 것을 예방하기 위해 Likelihood Probability와 Prior Probability의 곱에 - log 를 씌워준다. log 성질을 이용하면 진수의 곱은 로그의 덧셈으로 나누어지고, 결국 두 Pro..

MOOC 강좌 '컴퓨터비전, 머신러닝, 딥러닝을 이용한 의료영상분석' 강의를 리뷰 및 정리한 게시물입니다. Graph Cut Method를 이용하여 Segmentation Task를 진행할 때는 이미지를 Graph Model로 정의하고, Graph의 Label을 정의하는 문제로 생각한다. 우측 이미지의 검은색이 background, 흰색이 foreground라고 가정한다. Graph Model에서는 관찰된 영상의 color 값을 obsevation이라 한다. 푸른색과 보라색을 따로 분할한다고 하면 푸른색을 0, 보라색을 1이라고 지정해야 한다. (Labeling) 해당 이미지를 그래프화 한 그림이 우측 그림의 상단부이고, 우리가 구하고 싶은 것은 X값들이다. 이는 P(X1 ~ X9ㅣZ1 ~ Z9) 라는 ..

MOOC 강좌 '컴퓨터비전, 머신러닝, 딥러닝을 이용한 의료영상분석' 강의를 리뷰 및 정리한 게시물입니다. Region Growing 왼쪽 사진은 Thresholding Method의 결과물이고, 오른쪽 사진은 해당 사진에 Morphological Processing을 진행한 결과물이다. Noise와 Hole이 제거되었음을 확인할 수 있다. (마크업으로 칠한 사진이다. 실제로 해당 프로세싱 진행한 사진 아니다,,) 해당 이미지를 인풋으로 하여 사용자 입력 지점을 받으면 해당 지점으로부터 퍼져나가면서 픽셀값이 255가 아닌 지점까지 그 영역을 넓힌다. Region Growing에 해당하는 부분만 Labeling 되어 원하는 부분만 Segmentation 이 진행된 Binary Map을 얻을 수 있다. Bi..

MOOC 강좌 '컴퓨터비전, 머신러닝, 딥러닝을 이용한 의료영상분석' 강의를 리뷰 및 정리한 게시물입니다. 위 사진은 앞선 게시물에서 다뤘던 Thresholding의 결과물이다. 100% 원하는 결과는 아님을 쉽게 알 수 있다. Noise가 존재하고, 원하는 영역 내부에도 올바르게 Segmentation이 이루어지지 않은 흔적들이 존재한다. Morphological Processing을 이용하면 Noise를 제거하거나 Hole을 채워줄 수 있다. 1. Dilation 우측 그림에서 푸른색으로 표시된 Foreground를 확장하고 싶을 때, Dilation 기법을 사용할 수 있다. Morphological Processing은 Convolution 과정과 상당히 유사하다. 먼저, Convolution에서 ..

MOOC 강좌 '컴퓨터비전, 머신러닝, 딥러닝을 이용한 의료영상분석' 강의를 리뷰 및 정리한 게시물입니다. Segmentation이란, 영상을 분할하는 작업으로 시간 간격을 두고 촬영한 영상을 비교하는 Longitudinal Study를 비롯한 다양한 연구에서 활용된다. 현재 진행하고 있는 프로젝트에서도 ROI Cropping 전에 3D TOF MRA 영상에서 Skull Stripping 즉, Brain Extraction 과정을 선제적으로 진행하였다. 예를 들어, Axial Plane에서 관찰하고 싶은 Organ이나 이상 영역을 Segmentation 하는 작업은 진단을 할 때 그 판단 기준이 될 수 있다는 점에서 중요하다. 이를 위한 다양한 기법이 제안되었다. 1. Thresholding Method..