폐 영역 분할 성능을 측정하기 위하여 Dice’s Overlap 방법을 사용하였다. MRA Level-set으로 분할한 결과 영상 A와 VESSEL12 DB에서 제공하는 분할 마스크 영상 B의 중첩 정도를 다음 식을 이용하여 계산하였다[78].
Score = 2(𝐴∩𝐵)
(𝐴+𝐵) (식 16)
정확도의 세부성능을 평가하기 위하여 2011년에 열린 LOLA11(Lobe and Lung Analysis 2011)에서 사용한 다음 표 7과 같은 평가지표를 사용하였다[79].
표 7. 정확도 평가지표
평가지표 설명
Mean 평균 Score
Std Score들의 표준편차
Min 최소값을 갖는 Score
Q1 첫번째 사분위수(First quartile)
Median Score의 중간값
Q3 세번째 사분위수(Third quartile)
Max 최대값을 갖는 Score
Q1과 Q3는 첫번째 사분위수와 세번째 사분위수를 나타낸다. Q1은 데이터 셋의 슬라이스들의 Score들을 낮은 순에서 높은 순으로 정렬한 후 4등분했을 때 1
4의 위치인 n1번째의 Score와 n1+1번째의 Score의 평균이다. Q3는 3
4위치인 n3번째의 Score와 n3+1번째 Score의 평균이다. 이 평가지표는 영상 분할의 성능이 얼마나 고른지를 판단할 수 있다.
그림 61. LOLA11 웹사이트
마지막으로 MRA set의 수행시간 개선을 측정하기 위하여 MRA Level-set과 MRA를 적용하지 않은 Level-set의 필요 Cycle 수를 측정하였다.
제２절 실험 내용
표 8. 폐 영역 분할에 대한 정확도 평가를 위한 실험내용 실험내용
1 Region Growing을 이용한 영상 분할
2 Watershed를 이용한 영상 분할
3 사용자 입력을 통한 Level-set
4 제안한 MRA Level-set
평균값
Wavelet Transform(WT)
본 논문에서 제안한 MRA Level-set의 성능을 평가하기 위하여 분할 정확도에 대한 실험과 속도 개선에 대한 실험을 수행하였다. MRA Level-set의 성능 평가를 위하여 다음 표 8과 같은 실험을 수행하였다. 기존 Level-set과의 성능을 비교하기 위하여 사용자의 입력을 통하여 생성된 초기 곡선을 이용하여 Level-set을 수행하였다. 그림 62와 같이 사용자가 폐의 형태에 맞게 초기 곡선을 입력하였다. 입력시간은 폐의 형태와 크기에 따라 10초에서 20초가 소요되었다.
그림 62. 사용자 입력을 통한 Level-set의 초기 곡선 입력
MRA Level-set을 위하여 제안한 CIM의 성능을 평가하기 위하여 기준영상의 분산 정도에 따른 폐 영역 분할 결과를 실험하였고 전체 데이터 셋에서 CIM를 적용한 실험과 적용하지 않은 실험을 수행하였다. 평균값과 Wavelet Transform을 이용한 MRA의 성능을 각각 실험하고 평가하였다.
표 9. CIM 성능 평가를 위한 실험내용
실험내용
1
제안한 MRA Level-set without CIM
평균값
Wavelet Transform(WT)
2
제안한 MRA Level-set with CIM
평균값
Wavelet Transform(WT)
기존 Level-set 방법과의 속도 개선을 비교하기 위하여 사용자 입력을 통한 Level-set의 필요 Cycle 수를 측정하였다. 여기서 측정된 필요 Cycle 수는 사용자의 초기 곡선 입력시간을 제외하고 Level-set이 수행된 필요 Cycle 수만을 측정하였다. 그리고 제안하는 MRA Level-set의 필요 Cycle 수와 MRA를 사용하지 않고 자동 초기곡선을 설정하는 Level-set의 필요 Cycle 수를 측정하여 속도 개선을 평가하였다.
표 10. 수행 속도 개선 평가를 위한 실험내용 실험내용
1 사용자 입력 Level-set
2 자동 초기 곡선 설정 Level-set without MRA
3 제안한 MRA Level-set
평균값
Wavelet Transform(WT)
실험에 사용된 Level-set의 속도 함수는 Li가 제안한 DRLES 속도 함수를 사용하였다[49-50]. DRLES 속도 함수는 CVPR 2005에서 발표된 Level-set 속도 함수를 개선한 것이다. DRLES 속도 함수를 제안한 Li의 논문은 Google의
인용지수가 950이상으로 여러 논문에 인용되고 있다.