연속 영상에서의 경계추출을 위한 유전자 알고리즘 기반의 B-spline 적합 = Genetic Algorithm based B-spline Fitting for Contour Extraction from a Sequence of Images

국문 초록 (Abstract)

본 연구에서는 유사한 여러 물체들이 인접하여 나타나는 영상열로부터 물체들을 개별적으로 분리할 수 있는 B-spline 적합(fitting) 알고리즘을 제안한다. 기존의 스네이크(snake) 알고리즘들은 초기화의 어려움과 다수의 극점 존재로 인해서 이러한 영상자료에서 물체의 영역을 개별적으로 분리하는 데는 어려움이 있다. 본 연구에서는 이 문제를 극복하고 다양한 형태의 물체가 인접해 있는 유사한 물체들로부터 효과적으로 분할 할 수 있는 유전자(genetic) 알고리즘 기반 B-spline 적합방안을 제안한다. 실제 상황을 고려하여 생성된 영상자료와 실제 치아 CT 영상을 이용한 평가에서 제안된 방법은 서로 인접해 있는 유사한 형태와 밝기의 물체들을 개별적으로 정확하게 분할할 수 있음을 보였다. 제안된 알고리즘의 결과는 이상적으로 추출된 영역과의 일치성과 false positive 오류 그리고 false negative오류가 계산되어 검증되었다.

다국어 초록 (Multilingual Abstract)

We present a B-spline fitting method based on genetic algorithm for the extraction of object contours from the complex image sequence, where objects with similar shape and intensity are adjacent each other. The proposed algorithm solves common malfitting problem of the existing B-spline fitting methods including snakes. Classical snake algorithms have not been successful in such an image sequence due to the difficulty in initialization and existence of multiple extrema. We propose a B-spline fitting method using a genetic algorithm with a new initial population generation and fitting function, that are designed to take advantage of the contour of the previous slice. The test results show that the proposed method extracts contour of individual object successfully from the complex image sequence. We validate the algorithm by false-positive/negative errors and relative amounts of agreements.

목차 (Table of Contents)

• 요약
• Abstract
• 1. 서론
• 2. B-spline을 사용한 영상 경계 적합
• 3. 유전자 알고리즘을 사용하는 적합방법
• 4. 실험 결과 및 응용
• 5. 결론
• 참고문헌

참고문헌 (Reference)

1 Liu, "Seed-growing segmentation of 3D surfaces from CT-contour data" pp.517-536 : 1999-, m

2 Annicchiarico, "Optimization of 2D boundary element models using B-splines and genetic algorithms Engineering analysis with boundary elements" 427-440, 2000

3 Ballerini, "Multiple genetic snakes for bone segmentation 2611 of LNCS" 346-356, 2003

4 A. P, "Morphometric analysis of white matter lesions in MR images" 13 : 716-724, 1994.

5 A. P, "Morphometric analysis of white matter lesions in MR images" 13 : 716-724, 1994.

6 Kass, "International Journal of Computer Vision" 321-331, 1998

7 Toet, "Genetic contour matching" pp.849-856 : 1995-, w.p

8 MacEachern, "Genetic algorithms for active contour optimization" 229-232, 1998

9 MacEachern, "Genetic algorithms for active contour optimization" 229-232, 1998

10 Han, "Detecting objects in image sequences using rule-based control in an active contour model" 705-710, 2003

11 Klemencic, "Deformable contour based algorithm for segmentation of the hippocampus from MRI 2124 of LNCS" 298-308, 2001

12 Farin, "Curves and surfaces for CAGD." Academic Press 141-168, 1996.

13 ADAS, "Co-evolutionary-based active contour models in tracking of moving obstacles" 58-62, 2001

14 Chong, "An introduction to optimization" 237-250, 2001.

15 M, "Adaptive probabilities of crossover and mutation in genetic algorithms" 656-667, 1994.

16 Saint-Marc, P, "Active contour models: Overview, implementation and applications" 194-1991990

17 Ahn,B, "A study on a high-speed Gaussian random number generator" 30-32, 1996.

18 Hoeg, "A flexible tool for parametric contour detection" 1484-1496, 2000