서 론
컴퓨터와 인터넷의 보급이 증가하면서 남녀노소를 막론하고 점차 컴퓨터 사용량이 증가하고 있다. 그러나 과도한 컴퓨터 작업은 안구건조, 결막충혈, 이물감, 눈물흘림, 두통 등을 일으
킬 수 있다. 이 중 안구건조는 눈 깜박임 횟수가 감소하고 눈물 의 증발이 일반인들에 비해 더 빠르게 발생하게 되며 이러한 경우 건성안 증상을 호소하게 된다[1].
안구건조증의 진단과 치료는 환자의 주관적인 증상, 결막 및 각막의 미란 염색 정도, 눈꺼풀염증, 눈물막 파괴 시간, 눈물분 비량 검사 등을 종합하여 안구건조증 진단 지침에 따라 1~4단 계로 나누어 단계별 치료를 시행하게 된다[2]. 안구건조증을 진단하는 방법들 중에 Corneal staining은 각막미란 영상을 분석하여 안구건조증을 진단하는 방법이다. 이를 위해 임상에 서 일 반 적 으 로 사 용 하 는 Grading system은 Van Bijsterveld system과 Oxford grading system, National
안구건조증 진단을 위한 미란영역 자동 검출 방법
윤웅배
1∙김영재
1∙전연숙
2∙김광기
11
국립암센터 의공학연구과
2
중앙대학교 의과대학 안과학교실
Automatic Detection of Corneal Erosion Area for the Diagnosis of Dry Eye Syndrome
Woong Bae Yoon1, Young Jae Kim1, Yeoun Sook Chun2, Kwang Gi Kim1
1Biomedical Engineering Branch Division of Convergence Technology, National Cancer Center, Goyang, Korea
2Department of Ophthalmology, Chung-Ang University College of Medicine, Seoul, Korea
= Abstract =
Along with the wide spread of personal computers and the Internet, people are spending increasing amount of time looking at their computer screens. However, excessive use of the Internet may cause dry eye syndrome. The ocular surface of dry eye syndrome may result in permanent damage. Several diagnosis methods for dry eye have been proposed, but their results is highly subjective and lack reli- ability. In this study, we propose a novel corneal erosion detection method based on background sub- traction, CLAHE (Contact limited adaptive histogram equalization) and DoG (Difference of Gaussian) for the diagnosis of dry eye syndrome. The proposed method can differentiate the progress of dry eye syndrome by four levels (level 1: 0.89%, level 2: 3.00%, level 3: 5.46%, level 4: 9.94%). We expect that this method allows a reliable, objective diagnosis of dry eye syndrome through an automated de- tection of erosion areas.
Key words: Corneal erosion, Dry eye syndrome
통신저자: 김광기1, 전연숙2
1(410-769) 경기도 고양시 일산동구 일산로 323(마두동) 국립암센터 연구동 7 의공학연구과층, 국립암센터 의공학연구과
2(156-755) 서울시 동작구 흑석로 102, 중앙대 안과학교실 Tel: 031-920-2241, Fax: 031-920-2507
E-mail: 1[email protected], 2[email protected]
이러한 문제점을 해결하기 위한 방법으로 컴퓨터 보조 진단 (Computer aided diagnosis, CAD) 기술은 객관적이고 일 관적인 결과를 제공하여 오진의 감소 할 수 있으며, 이 기술은 다양한 의료기기로부터 데이터를 받아 병변의 특성을 파악하 여 진단의가 효율적으로 진단을 내릴 수 있도록 하며, 완전 자 동화된 진단보다는 컴퓨터가 제공하는 정보를 참고하여 의사 가 최종 판단을 내리는 개념으로 개발되었고, 이러한 기술이 상용화되면서 다양한 장기에서의 진단 기술을 위한 연구가 이 루어졌다. 이와 관련하여 컴퓨터 기술을 사용한 안구건조증 진 단 방법에 대한 연구 또한 진행되고 있다[6].
Yedidya는 눈물막이 파괴되는 시간과 각막영역이 마르는 영역을 감지하고 분석을 통하여 임상에 이용할 수 있는 방법을 연구하였다. 30명의 환자에서 100개의 동영상을 이용하여 테 스트를 진행 하였으며, 눈물막 파괴시간(BUT, tear film- break up time)과 질병의 정도를 전문 검안사가 수행 및 분석 하였다. 이 연구에서 눈물막 파괴시간 측정과 안구가 건조한 영역을 검출하여 질병의 정도를 판단하였다[7, 8]. Yedidya 연구에서 21명 환자의 안구 건조 영역에 대한 임상의의 BUT 평가와 비교 테스트 결과, 평균 1.06초의 에러가 발생하였다.
대부분의 영상에 대해서 임상의보다 측정이 더 정확하였으나, 미묘하게 변하는 부분에 대해서는 임상의 보다 좋은 결과를 얻 지 못 하였다. Yedidya의 방법은 임상의가 직접 영상을 계속 해서 확인하기 때문에 진단에 걸리는 시간을 줄일 수 있으나, 눈물막 파괴시간 측정 방법은 환자를 최대 35초 동안 측정하여 환자에게 부담을 줄 수 있다.
본 연구에서 제안하는 방법은 영상을 이용하여 환자에게 부 담이 적고 정지된 영상을 사용하기 때문에 영상 변화에 따른 처리 과정 없이 미란 측정을 통한 안구 건조증 진단을 기대 할
출한다.
미란 검출을 위해 fluorescein 염색액을 한방울 점안하여 환 자의 각막을 염색한 후 코발트 블루 세극등으로 얻은 영상에서 미란을 검출하는 경우, 각막에 대한 정확한 관심영역을 통한 검출이 이루어져야 하며, 각막 내에서 눈썹, 눈물, 반사광 영역 등은 제거가 되어 관심영역에 대한 정확한 분석이 필요하다 [9]. 이러한 과정을 위하여 주로 사용되는 방법으로 화소의 밝 기 정보를 이용한 방법과 윤곽선 정보를 이용한 방법으로 나뉜 다. 밝기 정보를 이용한 방법으로 대표적으로 문턱치(thresh- old)에 의한 방법이 있다. 밝기정보를 이용한 방법은 관심영역 안에서 밝기 차이가 나는 영역에 대한 검출할 수 있는 장점이 있지만, 모호한 구간이 존재하는 영역에 대한 정확한 검출이 힘들고 잡음에 약하다는 단점이 있다. 윤곽선 정보를 이용한 방법은 잡음에 강하고 정확한 영역을 검출할 수 있다는 장점이 있으나 윤곽이 모호한 구간에 대해서는 검출이 힘든 단점이 있 다. 본 연구에서는 이러한 단점과 장점을 고려하여 미란 검출 을 위해 미란 영역의 밝기 값을 향상시키기 위해서 일반적으로 잡음제거에 사용되는 Median filter를 사용하여 전안부 영상 의 배경을 지우고 CLAHE(Contact limited adaptive his- togram equalization) 방법을 사용하였다. 외곽선을 추출하 기 위한 방법으로는 가우시안에 대한 차 연산자를 이용하였다.
이러한 영상 처리 방법을 사용하여 본 연구에서는 신뢰성 있으 며, 객관적인 안구건조증 진단을 위한 미란 자동검출 방법을 제안한다.
연구 방법
1. 전처리영상에서 관심영역인 각막 검출 방법으로 Daugman method를 사용하였다. Daugman method는 각막를 원으로 간주하여 각막을 검출하는 방법이다. 일반적으로 화소 값 정보 로 쉽게 추출이 가능한 동공의 위치를 기준으로 동공 내에서 식 (1)을 이용하여 그림 3와 같이 중점의 위치와 반지름의 길 이를 계속하여 변경해가면서 변화율이 최대가 되는 순간의 원 을 각막 영역으로 검출한다[10].
그림 1. 필터 처리 영상
영상
I(x,y)를 변화율이 최대가 되는 원을 찾기 위해 가우시
안 블러 함수(G
σ(r))를 적용하고, 원의 중심이 (x
0,y
0), 반지름 이 r인 원주상의 모든 픽셀 값을 2πr로 나누어 정규화 시킨다.
이 값을 반지름에 대한 변화율로 나타내면 원주의 변화 값이 된다. MAX(r,x
0,y
0)는 원형 경계 검출기를 통해 변화율이 가 장 큰 원의 중점을 반환한다. 원주의 변화 값이 최대일 때 중심 과 반지름은 각막 영역을 모델링하는 원을 나타낸다.
그림 3. 필터 처리 영상에서 각막 검출을 위한Daugman 방법
그림 2. 각막미란 검출 흐름도
a b
그림 4.(a) 원본영상, (b) Median 처리 영상, (c) 배경 제거 영상, (d) CLAHE 필터 적용 영 상
c d
(1)
상을 HSV 영상으로 변환 후에 컬러 값에 해당하는 H채널에서 미란에 해당하는 밝기 값 영역을 검출하였다.
그림 4(a)에 컬러 정보 검출을 위하여 주로 영상의 잡음제거 에 사용되는 Median 필터를 영상에 적용하여 그림 4(b) 영상 을 만든다. Median 필터는 일반적으로 영상의 잡음을 제거하 는 필터로 사용하지만, 커널을 일반적인 커널 사이즈인 3×3, 5×5 사이즈를 사용하지 않고, 제안한 방법에서는 99×99 사 이즈로 크게 하여 잡음 제거 뿐 아니라 전체 영상에 영역별로 중간 값을 적용하여 배경영상을 만들 수 있다. 원본 영상에서 Median 필터가 적용된 영상의 차 연산을 통하여 영상의 푸른 배경 영역을 제거하고 그림 4(c) 영상과 같이 미란에 해당하는 픽셀 밝기영역을 추출하고, 그림 4(d)처럼 CLAHE 필터를 적 용하여 미란에 해당하는 픽셀 밝기 영역을 강조한다[11]. 다음 HSV 영상으로 변환하여 미란을 검출한다. HSV 색 모델은 RGB 색 모델과는 다르게 사람의 시각과 비슷하게 디자인되어 있다. 기존의 RGB 색 모델은 인간의 시각보다는 물리적인 기 기에 맞추어 구성되어 있다. 하지만 RGB 보다 더 지각적으로 디자인된 HSV 색 모델은 H 채널은 컬러 값, S 채널은 채도, V 채널은 밝기에 대응 된다. CLAHE 필터가 적용된 영상을 HSV 모델로 변환 이후에 H 채널에서 녹색 영역 분할을 통해 미란을 검출 한다.
3. 경계 검출
색 모델을 이용한 미란 검출 시에 영상에 따라 미란이 아닌 흐릿한 눈물 영역까지 오검출하는 것을 보완하기 위하여 RGB
위하여 Otsu 문턱치 처리 방법으로 가우시안에 대한 차 연산 으로 추출한 윤곽선 영상을 이진화 하고, Open, Close연산을 수행하여 잡음 제거 과정을 거친 뒤 미란의 윤곽선을 강조한다 [12]. 그림 5(b)는 RGB 영상인 그림 5(a)에 가우시안에 대한 차 연산자 윤곽선 검출을 적용한 영상이다.
결 과
본 연구에서 미란 검출에 사용된 영상은 3008×1960 크기 의 24비트/픽셀 영상으로 총 10장으로 구성되어 있다. 검출에 사용된 소프트웨어의 개발 및 테스트는 i7 3.20GHz 16GB 메 모리의 PC에서 수행되었으며 주 개발언어는 Microsoft Visual C++ .NET(Ver. 2010, Microsoft, Redmond, WA, USA), 영상처리 라이브러리인 OpenCV가 사용되었다 [13].
그림 6에서 (a) ~ (d)까지는 원본 영상이며, 안구건조증 진 단 지침에 따라 진단의가 (a)는 1 Level, (b)는 2 Level, (c) 는 3 Level, (d)는 4 Level 로 평가를 하였다. (e) ~ (h)는 원본 영상에서 미란을 검출한 영역을 원본 영상에 씌운 결과 영상이다. 결과 영상에서 Labeling 연산을 수행하여 미란의 개수를 측정하였고, 홍채면적에서 미란면적에 대한 비율을 측 정하였다. 그림 7과 같이 level이 높아질수록 미란 하나가 점 (2)
a b
그림 5. 가우시안에 대한 차 연산자 윤곽선 검출
유하는 면적이 줄어들어 밀도가 높아지고 있으며, 그림 8과 같 이 홍채영역 내부에서 미란 영역이 차지하는 비율이 높게 측정 된다.
결론 및 토의
본 연구에서는 각막미란을 영상처리 하여 비교할 수 있는 방 법에 대해 제안하였다. 미란 검출을 위해 fluorescein 염색액 을 한 방울 점안하여 환자의 각막을 염색하고 코발트 블루 세 극등을 이용하여 영상을 획득 한 후, Daugman method를 사 용하여 홍채 영역을 분할 하였다. 분할 한 영상 내에서 눈썹 및 잡음 제거하고 미란의 검출을 위하여 Median filter 수행하여 배경 영역 제거 하였다. 배경 영역이 제거된 영상에 CLAHE 를 적용하여 미란영역을 강조하고 HSV 영상으로 변환하여 H 채널에서 미란의 픽셀 밝기 값에 해당하는 영역을 검출하였다.
색 모델을 이용한 미란 검출 시 픽셀 값이 비슷한 영역에 대한 오검출을 보완하기 위하여 가우시안에 대한 차 연산자 윤곽선
검출일 이용하여 미란 영역을 검출하고 색 모델을 이용한 결과 영상과 윤곽선 검출 결과 영상을 AND 연산하여 미란을 검출 하였다. 레벨(Level)이 높아짐에 따라서 미란의 개수가 많아 져 좁은 지역에 미란이 밀집되면서 미란으로 검출 되는 영역의 크기가 큰 경향을 보였으며, 밀집된 미란을 각기 따로 개수를 판단하는 것에는 한계가 있었다.
임상에서 진단에 쓰이는 가이드라인에 따른 레벨과 제안한 방법으로 영상 처리한 결과 영상과 비교 하였을 때 검출 결과 영역에 대한 면적과 미란의 수로 각 레벨에 대한 구분이 가능 함을 보였다. 이러한 결과를 바탕으로 개발된 각막미란 검출 프로그램은 환자의 영상만 입력하면 3~4초 내에 미란의 개수 와 영역에 따른 미란의 면적, 영상에서 검출된 미란의 밝기에 대한 특징 값 등. 객관적인 데이터를 진단의에게 제공하여 진 단에 도움을 줄 수 있을 것이라 기대한다. 또한 앞으로 검출 정 확도와 기능 향상을 통하여 사용이 편리하고 더욱 신뢰성 있는 진단이 이루어져 치료 및 경과 관찰에 도움을 줄 것으로 기대 한다.
a b c d
e f g h
그림 6. (a) level 1 원본, (b) level 2 원본, (c) level 3 원본, (d) level 4 원본, (e) level 1 결과, (f) level 2 결과, (g) level 3 결과, (h) level 4 결과
그림 7. 각막 한 개당 홍채 점유 면적 그림 8. 각막 영역 내의 미란 면적 비율
업 시간이 눈 깜박임 횟수와 안구건조에 미치는 영향. 대한안과 학회지 2007;48:1466-1472
2. A. Lemp, et al. The Definition and Classification of Dry Eye Disease: Report of the Definition and Classification Subcommittee of the International Dry Eye WorkShop (2007).
The Ocular Surface 2007;5:75-92
3. van Bijsterveld OP. Diagnostic tests in the Sicca syndrome.
Arch of ophthalmol 1969;82:10-14
4. Bron AJ, Evans VE, Smith JA. Grading of corneal and conjunc- tival staining in the context of other dry eye tests. Cornea 2003;22:640-650
5. Lemp MA. Report of the National Eye Institute/Industry work- shop on Clinical Trials in Dry Eyes. CLAO J 1995;21:221-232 6. Kunio Doi. Computer-aided diagnosis in medical imaging:
Historical review, current status and future potential.
Comput Assist Interv 2009;2:976-984
9. JS Wolffsohn, C Purslow. Clinical monitoring of ocular physi- ology using digital image analysis. Contact Lens & Anterior Eye 2003;26:27-35
10. J Daugman. How iris recognition works. IEEE Transactions on circuits and systems for video technology 2004;14:21-30 11. M Reza. Realization of the Contrast Limited Adaptive
Histogram Equalization (CLAHE) for Real-Time Image Enhancement. Journal of VLSI signal processing systems for signal, image and video technology 2004;38:35-44
12. N Otsu. A Tlreshold Selection Method. IEEE Transactions on systems, man, and cybernetics 1979;9:62-66
13. http://opencv.willowgarage.com
대한의학영상정보학회지 2013;19:51-56
