3차원 자기 공명 영상의 마코브-깁스 분류 = MRF-GRF Classification for Volumetric Magnetic Resonance Images

국문 초록 (Abstract)

자기 공명 메디칼 영상으로부터 정상적인 세포조직(tissue) 또는 뇌종양 (brain tumor)과 같은 비정상적인 세포조직의 가시화 (visualization) 또는 분석을 위해서는 대상 세포조직의 적절한 분류 (classification)를 필요로 한다. 본 논문 에서는 마코브 렌덤휠드 (MRF)와 깁스 렌덤휠드 (GRF) 및 스토 케스틱 릴렉세이션에 기반을둔 새로운 3 차원 자기공명 영상의 분류 방법을 제시한다. 통상적으로 디지탈 영상은 정사각형의 격자 (lattice) 구조상에 정의원 2 차원 렌덤휠드로 간주되어 왔 으며 이때 영상 분류의 영역(domain)은 E²이다. 그러나, 볼륨 영상의 분류는 3 차원 자기공명영상 (Volumetric MRI) 데이타, 즉 E³를 그 분류 영역으로 한다. 다중 스펙트럴과 3 차원 데이타로 형성된 자기공명 영상의 분류을 위하여, 베이지안 의사결정 방법이 선택 되었으며 3차원 영상에 MRF-GRF 스토케스틱 모델을 구축 하였다. 영상의 분류 결과는 Maximum A Posteriori (MAP)를 갖는 클레스 맵의 형태로 표현되며 MAP를 획득하기 위하여 릴렉세이션과 에닐링에 근거한 새로운 context-dependent 분류방법이 개발 되었다.

다국어 초록 (Multilingual Abstract)

This paper describes a new three dimensional Magnetic Resonance Image (volumetric image) classification technique which is based on the Markov Random Field (MRF)-Gibbs Random Field (GRF) model together with a stochastic relaxation algorithm. Conventionaly, a digital image is considered as a two-dimensional random field defined over rectangular lattice structure and the domain of image classification is the plane. However, in the volumetric image classification, we use volumetric images, i.e., three dimensional image data sets.
For the classification of Multi-Echo (multispectral) and multivolume Magnetic Resonance Images (MRI), a Bayesian decision rule is adopted and an MRF-GRF stochastic model is introduced. To obtain the maximum a posterior probability (MAP) classification a new multivariate image context-dependent classification based on relaxation and annealing is developed.

목차 (Table of Contents)

• 요약
• Abstract
• 1. Introduction
• 2. Background
• 3. MRF-GRF Model
• 4. Statistical Preliminaries for Classification
• 5. MRF-Gibbs Classification
• 6. Experimental Results
• 7. Conclusion
• References
• 저자소개