안저 영상에서 평균값 필터를 이용한 드루젠 자동 검출

안저 영상에서 평균값 필터를 이용한 드루젠 자동 검출

김영재¹∙김광기¹∙남경원¹∙정창부¹∙ 김유신¹ 양희경²∙ 안지윤²∙박규형^{2, 3}∙황정민^{2, 3}

1국립암센터 융합기술연구부 의공학연구과

2분당서울대학교병원 안과

3서울대학교 의과대학 안과학교실

Automated Macular Drusen Detection from Fundus Images Using Mean Filters

Young Jae Kim

, Kwang Gi Kim

, Kyoung Won Nam

, Chang Bu Jeong

, Yu Shin Kim

, Hee Kyung Yang

, JeeYun Ahn

,

Kyu Hyung Park

, Jeong Min Hwang

1Biomedical Engineering Branch, National Cancer Center, Gyeonggi-do, Korea

2Department of Ophthalmology, Seoul National University College of Medicine, Seoul National University Bundang Hospital, Seongnam, Korea

= Abstract =

Age-related macular degeneration (ARMD) is a degenerative disease characterized by a progres- sive damage to a yellow spot, the center of retina. Drusen are tiny yellow or white extracellular materi- al accumulated between the retinal pigment epithelium (RPE) and the underlying choroid. They cause macular degeneration and could result in a loss of vision in severe cases. Thus, the accurate mea- surement of drusen, especially hard ones, is important for proper treatment of degenerative macular diseases. However, manual detection of drusen by clinicians is a time consuming and difficult process. In this study, an algorithm for the automatic detection of drusen was developed using image- processing techniques, a mean filter and thresholding. The algorithm was tested using images of five ARMD patients. Results showed that the sensitivity of the automatic drusen detection was 84.2~97.8% (mean = 92.7%). The proposed algorithm for automatic drusen detection is expected to effectively assist ophthalmologists in the diagnosis of drusen.

Key words: ARMD, drusen, mean filter, threshold

본 연구는 서울형산업 기술개발 지원사업 연구(ST090841)지원과 국립암센터 기관고유과제 ( NCC0810122)의 지원을 받은 연구비로 수행되었음.

통신저자: 김광기, (410-769) 경기도 고양시 일산동구 일산로 323 국립암센터

Tel: 031-920-2241, E-mail: [email protected]

서 론

녹내장, 당뇨병성 망막증과 함께 3대 실명질환 중 하나인 연 령관련황반변성(aged related macular degeneration, ARMD)은 퇴행성 질환으로, 망막에 있는 망막색소상피 속이 나 바깥에 쌓이는 황색 침전물인 드루젠(drusen)을 통해 질병 을 유발시키고, 심한 경우 실명까지 이어질 수 있는 질병이다.

2009년 저시력 환자의 임상 양상조사의 결과에 따르면 전체 환자 중 황반변성 환자의 비율이 13.4% 이며, 61세 이상에서 37.7%, 71세 이상에서 54.1%, 81세 이상에서 62.5%로 연령 대가 높아질수록 증가하는 양상을 보이며, 사회의 고령화와 함 께 황반변성과 같은 퇴행성 질환의 빈도가 높아질 것으로 예상 되고 있다[1].

황반변성의 진단은 망막의 안저영상을 통해 이루어진다. 황 반변성은 주로 망막의 중심부에 움푹 패인 부분인 중심와 (Fovea) 주변에 나타난다. 경성 드루젠의 경우 중심와 주변에 무수히 작고 둥근 점 형태로 나타나 직접 드루젠을 수동검출 하는데 어려움이 있다. 연성 드루젠의 경우는 옅고 넓게 퍼져 그 경계가 모호하여 수동검출이 힘들다. 이런 드루젠의 특성 때문에 사람이 수동으로 측정하는 것이 어렵고, 많은 시간이 소요된다. 또한 측정하는 사람의 주관적인 판단에 서로 다른 결과가 나올 가능성이 생겨 객관적이고 정량적인 평가가 힘들 다.

최근에는 이러한 수동검출의 어려움을 해결하기 위해 영상 처리기법을 이용한 자동검출 연구사례가 발표되고 있다[2- 10]. Kose은 영역확장(region growing) 과 역분할(inverse segmentation)을 통해 드루젠을 검출하였는데, 수동으로 검 출한 결과와 평균 91%의 면적이 겹쳐졌다고 발표하였다. 하지 만 겹친 정도의 정보만으로는 알고리즘의 정확성과 객관성을 판단하기 어렵다[4]. Brandon 은 다단계 분류(multi-level classification) 방법을 사용하여 드루젠을 검출하였다. 드루젠 분류를 화소(pixel), 영역(region), 면적(area) 등 3개 단계로 나누어 수행하였고, 다소 낮은 87%의 검출율을 보였다[2].

본 논문에서는 평균값 필터를 이용한 드루젠 검출 방법을 제 안하였고, 제안 방법의 성능 평가를 위하여 전문의가 수동으로

검출한 결과와의 비교 평가를 수행하였다.

재 료

본 연구는 분당서울대학교병원에서 황반변성 진단을 받은 환자 5명의 영상을 수집하여 사용하였다. 각 환자별 왼쪽 3장, 오른쪽 2장, 총 5장의 영상을 사용하였으며, 영상은 32bit 칼 라 RGB 영상이며 해상도는 1536×1024이다. 연구에 사용된 툴은 MATLAB(Ver. 7.0.4, Mathworks, Natick, Mass)와 Microsoft VIsual Studio (Ver. 2005, MICROSOFT)를 사 용하여 개발 및 실험을 하였다.

방 법

1. 드루젠 수동검출

드루젠의 수동검출은 전문의가 실험에 사용한 5장의 안저영 상을 통해 드루젠을 판단하고, 수작업에 의해서 직접 관심영역 (ROI)을 수동 검출하였다. 이는 전문의에 의해서 검증하였다.

작업은 영상처리프로그램인 ImageJ(Ver. 1.33, NIH, Bethesda, MD, USA)를 통해 이루어졌고, 저장된 관심영역 파일은 자체적으로 개발한 프로그램을 통해 관심영역의 좌표 값을 읽어들여 자동검출된 영역과 비교 실험을 진행하였다.

2. 드루젠 자동검출

드루젠의 자동검출은 영상처리 기법중 평균값 필터와 문턱 치화(thresholding)를 이용해 구현하였다. 자동검출을 위한 단계는 드루젠이 발견된 안저영상을 입력한 후[1] 영상의 칼라 공간에서 RGB 각각의 채널을 분리한 후 녹색 채널 영상을 획 득한다[2]. 드루젠이 주로 나타나는 지역인 중심와 주변부의 지역을 ROI로 자동설정한다[3]. 서로 다른 크기의 평균값 필 터 영상간 차이영상을 구해 드루젠 후보군을 검출한다[4]. 후 보군들 중 문턱치화를 이용하여 비드루젠을 제거한다. 그림 1 은 안저영상에서의 드루젠 자동검출에 대한 순서도이다.

2.1 관심영역 설정

황반변성의 원인인 드루젠은 안구의 중심와의 주변에 나타

난다. 실제 안저영상의 바깥쪽에 나타나는 드루젠은 시력에 크 게 영향을 주지 않기 때문에 큰 의미가 없다. 본 논문에서는 안 저영상의 바깥쪽에 나타나는 드루젠은 제외하고 중심와 주변 의 드루젠만을 검출하기 위해 관심영역을 설정하였다. 중심와 주변을 수렴하는 관심영역을 설정하기 위해 우선 관심영역의 중심점을 찾았다. 중심점은 시신경 원반(optic disk)으로부터 안구의 반대쪽 끝까지를 지름으로 하는 직선의 중앙으로 지정 하였다. 이 지점을 중심으로 직선의 길이 70%를 지름으로 하 는 원을 그려 관심영역을 설정하였다. 이런 관심영역은 드루젠

이 나타나는 중심와 주변을 포함하고 있으며 설정된 관심영역 을 통해 의미가 없는 영역의 계산을 줄이고 알고리즘의 속도를 향상시킬 수 있다.

2.2 RGB 채널 분리

RGB(red-green-blue), HSI(hue-saturation-intensi- ty), CMYK(cyan-magenta-yellow-black) 등 영상의 다양 한 색 공간 중 본 연구에서는 RGB 채널 중 녹색성분을 사용하 였다. Rapantzikos의 연구에 따르면 드루젠 검출에 있어 RGB 채널 중 빨간색 채널은 반사율을 위한 정보를 주지만 불 균형한 빛에 강한 영향을 받고, 파란색 채널은 드루젠을 검출 하기 위한 정보가 상대적으로 작고, 녹색 채널에서 드루젠이 가장 잘 나타났으며 드루젠에 대한 명암대비가 뚜렷하다고 하 였다[8]. 이 결과를 토대로 본 연구에서는 RGB성분을 각 채 널별로 나누어 녹색 채널의 영상을 재구성하여 실험을 진행하 였다.

2.3 평균값 필터간 차이영상 계산

본 논문에서는 드루젠을 검출하기 위해 우선 후보군을 검출 하였다. 후보군은 영상처리기법중 평균값 필터를 응용하여 검

그림 2. 관심영역 설정

그림 3. RGB 채널분리. (1) RGB 영상(2) Red 채널(3) Green 채널(4) Blue 채널

그림 4. 평균값 필터 적용(1) 마스크 사이즈4 x 4 (2) 마스크 사이즈50 x 50

출하였다. 평균값 필터는 영상의 특정 좌표값을 주변 픽셀들의 그레이스케일 값들의 산술 평균 값으로 대체하는 필터이다. 결 과 영상은 경계선이 무뎌지고, 전체적으로 영상이 흐릿해져 블 러링 (blurring)되는 효과를 얻을 수 있다. 또한 영상이 흐려 지면서 영상에 존재하는 잡음의 영향이 감소되는 효과를 가지 고 있다. 본 논문에서는 영상이 블러링되면서 잡음의 영향이 감소하는 효과를 이용하여 드루젠 후보군을 검출하였다. 평균 값 필터의 경우 마스크의 크기에 따라 블러링 되어지는 정도가 달라진다. 마스크의 크기가 클수록 블러링의 정도는 커지고 작 을수록 블러링의 정도도 작아진다.

본 논문에서는 이와 같은 특성과 드루젠이 작고 둥근모양의 점형태를 띄고 있다는 특성을 이용하여 평균값 필터간의 차이 영상을 구하여 후보군을 검출하였다. 처음 영상은 드루젠은 남 고 주변잡음만 제거될 수 있는 크기의 마스크를 통해 평균값 필터를 적용한 영상으로 배경과 드루젠이 남아있고, , 다른 영 상은 드루젠까지 모두 없어질 수 있는 크기의 마스크를 통해 평균값 필터를 적용한 영상으로 배경만 남는다. 두 영상의 배

경은 같지만 처음 영상에는 드루젠이 존재하고 다른 영상에는 드루젠이 블러링을 통해 없어지기 때문에 두 영상간의 차이영 상을 구하면 드루젠만 남게된다. 영상에 사용된 마스크의 크기 의 설정은 실험에 사용된 영상의 드루젠의 크기에 따라 설정하 였다. 실험에 사용된 영상에서의 드루젠의 크기를 직접 측정한 결과, 드루젠의 최소 직경은 평균 5픽셀이고, 최대 직경은 평 균 45픽셀의 크기를 가졌다. 측정된 드루젠의 직경을 토대로 작은 마스크는 최소 크기의 드루젠이 필터의 영향을 받지 않도 록 4×4 픽셀 크기로 설정하였고, 큰 마스크는 최대 크기의 드 루젠까지 필터의 영향을 받을 수 있도록 50×50 픽셀 크기로 설정하였다. 각각 다른 크기로 설정되어진 마스크를 통해 평균 값 필터를 같은 영상에 적용시켜 차이영상을 구한 결과 배경은 제거되고 평균값 필터의 영향을 받지 않은 영역만 남은 영상을 구하였다. 구해진 영상에 남아있는 영역에는 드루젠을 포함하 여 일부 지워지지 않은 배경등의 위음성 드루젠이 포함하고 있 기에 후처리 알고리즘을 통해 비드루젠을 제거하였다.

그림 5. 평균값 필터 적용한 두 영상간의 차이영상 그림 6. 문턱치화를 통해 비 드루젠을 제거

그림 7. 수동측정 및 자동측정 결과. (1) 수동측 정 결과(2) 자동측정 결과

2.4 문턱치화를 통한 비드루젠 제거

그림 5와 같은 차이영상을 보면, 두 영상간의 밝기값의 차이 에 따라 차이영상의 화소값이 달라짐을 확인 할 수 있다. 드루 젠과 같은 주변 픽셀들에 비해 밝기값의 차이가 심하고 평균값 필터의 영향을 적게 받은 픽셀들은 차이영상에서도 높은 밝기 값을 가진다. 반면, 배경과 같은 영역의 픽셀들처럼 주변 픽셀 들과 밝기값의 차이가 적고, 평균값 필터의 영향을 많이 받을 수록 차이영상에서는 화소값들이 0에 가깝다. 이 결과를 토대 로 본 연구에서는 앞서 구해진 드루젠 후보군들 중 비드루젠 제거를 위해 문턱치화 알고리즘을 사용하였다. 문턱치화는 물 체와 배경을 찾아내기 위한 방법으로 문턱치 값을 통해 물체와 배경으로 나누어 이진영상을 만드는 것을 말한다. 차이영상에 서 나타난 영역들 중에서 비드루젠의 경우 일부 배경이 지워지 지 않았거나 잡음이 약하게 남아서, 차이영상을 구하는 과정에 서 미세하게 밝기값이 남아있는 경우다. 이를 제거하기 위해 문턱치 값보다 작은 픽셀값들은 비드루젠으로 간주하여 제거 하고 최종 드루젠을 검출하였다.

결 과

평균값 필터를 응용하여 차이영상을 구해 후보군을 검출하 고 문턱치화를 이용하여 비드루젠을 제거하여 드루젠을 검출 하였다. 그림 7은 본 논문에서 제안한 드루젠 자동검출 알고리 즘을 통해 검출된 드루젠 영역과 전문의가 수동으로 직접 측정 한 드루젠 검출결과를 보여준다.

본 논문에서 제안한 방법의 평가는 실험영상에 대하여 전문 의가 수동으로 측정한 드루젠 영역의 결과와 비교하여 평가하 였다. 성능의 평가는 총 5개 영상에 대하여 실시하였으며 표 1 과 표 2는 각 영상에 대한 실험결과를 보여준다.

표 1은 드루젠의 검출결과를 면적단위로 평가한 결과이다.

이 결과에서 Automatic은 자동검출을 통해 검출되어진 드루 젠의 면적이고, Manual은 수동검출을 통해 검출되어진 드루 젠의 면적을 나타낸다. TP(true positive)는 자동검출 알고리 즘을 통해 검출한 드루젠 영역들 중 수동으로 검출한 드루젠이 맞는 경우의 면적이다. FP(false positive)는 자동검출 알고리

즘을 통해 검출한 드루젠 영역들 중 수동으로 검출한 드루젠이 아닌 경우의 면적이고, FN(false negative)는 자동검출 알고 리즘을 통해 드루젠을 검출하였지만 수동검출한 드루젠 영역 이 아닌 경우의 면적이다. TN(true negative)는 자동검출 알 고리즘을 통해 드루젠이 아닌 영역이 수동측정에서도 드루젠 이 아닌 영역인 경우를 의미한다. 또한위의 TP, FP, FN, TN, 4가지의 지표를 이용하여 민감도와 특이도를 계산하였는데, 민감도는 29.4~44.5%로 다소 낮은 수치를 보였지만, 특이도 는 98.4~99.2%의 높은 수치를 보였다.

표 2는 드루젠 검출결과를 검출 영역의 개수단위로 평가한 결과이다. 여기서 TP는 자동검출을 통해 검출되어진 드루젠의 영역이 수동검출을 통해 검출되어진 영역과 일치할 경우의 갯 수를 의미하고, FP는 자동검출을 통해 검출되어진 드루젠의 영역이 수동검출을 통해 검출되어진 영역이 아닌 영역의 갯수 이다. FN는 자동검출을 통해 검출되지 않았지만 수동검출에 서는 드루젠이라 검출되어진 영역의 갯수를 의미한다. 여기서 TN의 경우 수동검출에서 검출되지 않은 영역과 자동검출에서 검출되지 않은 영역은 측정을 할 수 없기에 제외하였다. 영역 의 갯수를 측정한 결과를 통해 민감도를 측정한 결과, 84.2~95.0%의 높은 결과를 보였다.

토 의

본 논문에서는 기존 수동측정의 어려움이 있던 드루젠 검출 을 자동으로 검출하기 위한 방법을 제안하고 수동측정과의 비 교평가를 실시하였다. 평가결과 드루젠 영역의 개수단위로 측 정한 민감도는 훌륭한 수치를 보였지만, 픽셀 단위로 측정한 특이도에서는 대체적으로 낮은 수치를 보였다.

표 1. 픽셀단위 면적으로 비교한 수동검출과 자동검출간의 평가

Automatic Manual TP FP FN TN Sensitivity(%) Specificity(%)

1 10941 12009 7153 3788 4856 314064 59.56 98.80

2 12460 19058 9498 2962 9560 307841 49.83 99.04

3 04705 05013 2725 1980 2288 322868 54.35 99.39

4 11375 13167 5195 6180 7972 310514 39.45 98.04

5 14630 16050 7442 7188 8608 306623 46.36 97.70

표 2. 영역단위로 비교한 수동검출과 자동검출간의 평가

TP FN Sensitivity (%)

1 78 3 96.29

2 66 2 97.05

3 45 1 97.82

4 48 9 84.21

5 52 7 88.13

영역의 개수단위로 측정한 민감도가 높은 수치를 보인 것은 자동검출 결과가 수동으로 측정한 드루젠의 영역과 차이가 없 는 것을 의미한다. 이는 본 논문에서 제안한 알고리즘이 드루 젠을 검출하는 데에 있어 사람이 집적 측정하는 것과 차이가 없다는 것을 나타낸다.

픽셀 단위의 측정에서 낮은 수치를 보인 이유는 자동 검출 방식과 수동 검출 방식의 차이에 대해서 화소값의 숫자에 의한 다면 관심영역의 숫자에 의한 것보다는 많은 에러로서 나타난 다. 수많은 화소 중 사람이 직접 그려서 검출 결과와 자동검출 통해 얻어진 영역간에 완벽히 일치하긴 어렵기 때문으로 파악 된다. 데이터에서 TP는 영역은 안구의 중심와(Fovea)영역에 서 가깝고, 명암대비가 뚜렷한 경우이고, FP, FN인 경우에는 혈관 부분이거나 다른 질병등에 의해서 화소값이 증강된 경우 이다. 향후 조영제등에 의해서 혈관과 구분되는 안저영상이 얻 어진다면 좋은 결과를 얻을 수 있으리라 판단된다. 본 연구에 서의 경우 연구에 사용한 케이스의 수가 적고, 결과를 보면 대 체적으로 수동으로 검출한 영역보다 자동으로 검출한 영역의 크기가 작은데, 이는 평균값필터에 의해 블러링 되면서 손상된 픽셀에 의한 것으로 예상된다. 향후 픽셀 손실의 단점을 영역 확장 등의 알고리즘으로 보완하고, 실험 케이스를 늘려 더 많 은 경우에서 실험하여 알고리즘의 객관성과 정확성을 증명하 면 임상에서 의사가 객관적이고 정량적으로 드루젠을 측정하 는데 더 많은 도움을 줄 수 있을 것이라 예상된다.

참 고 문 헌

1. S. B. Han, Clinical Aspect of Low Vision Patients due to Macular Degeneration 대한안과학회, vol. Feb 050, 2009 2. L. Brandon and A. Hoover, Drusen detection in a retinal image

using multi-level analysis, Medical Image Computing and Computer-Assisted Intervention-MICCAI 2003, pp. 618-625, 2003

3. S. Garg, et al. Automatic Drusen Detection from Colour Retinal Images, 2006, pp. 84-88

4. C. Kose, et al. Automatic segmentation of age-related macular degeneration in retinal fundus images, Computers in Biology and Medicine, vol. 38, pp. 611-619, 2008

5. F. Moitinho, et al. Image Segmentation for Drusen Spots Detection and Modelling, 2007

6. W. H. Morgan, et al. Automated extraction and quantification of macular drusen from fundal photographs, Aust N Z J Ophthalmol, vol. 22, pp. 7-12, Feb 1994

7. E. Peli and M. Lahav, Drusen measurement from fundus pho- tographs using computer image analysis, Ophthalmology, vol.

93, pp. 1575-80, Dec 1986

8. K. Rapantzikos and M. Zervakis, Nonlinear enhancement and segmentation algorithm for the detection of age-related macu- lar degeneration (AMD) in human eye¡?s retina, 2001, pp.

1055-8

9. K. Rapantzikos, et al. Detection and segmentation of drusen deposits on human retina: potential in the diagnosis of age-re- lated macular degeneration, Med Image Anal, vol. 7, pp. 95- 108, Mar 2003

10. A. Tha¨baoui, A Fuzzy Logic Approach to Drusen Detection in^│ Retinal Angiographic Images, ICPR, vol. 4, 2000

대한의학영상정보학회지 2010;16:31-36

=초 록=

연령관련황반변성(aged-related macular degeneration, ARMD)은 나이가 들면서 퇴행성으로 망막의 중 심인 황반(Yellow Spot)에 손상이 진행되는 질환이다. 황반변성의 원인인 드루젠(drusen)은 망막에 있는 망막 색소상피(RPE) 속이나 바깥에 쌓이는 황색 침전물로 질병을 유발시키고, 심한 경우 실명으로까지 이어질 수 있 다. 드루젠의 측정은 중요하며, 특히 경성 드루젠의 정확한 측정은 환자의 황반변성 질병을 예방하는데 큰 도움 이 된다. 하지만 드루젠의 특성상 임상의가 직접 수동으로 측정하는 것은 시간이 오래걸리고 어렵다. 드루젠 검 출의 어려움을 해결하기 위해 본 논문에서는 영상처리기법중 평균값필터와 문턱치화를 사용하여 드루젠 자동검 출 알고리즘을 개발하였다. ARMD 질병이 있는 5장의 영상으로 실험하였으며, 실험결과 결과 84.2~

97.8%(평균 92.7%)의 높은 검출율을 보였다. 본 연구에서 제안한 알고리즘을 통해 임상에서 의사가 드루젠을 진단하는데 도움을 줄 수 있을 것이라 예상한다.