생몰정보
소속
직위
직업
활동분야
주기
서지
국회도서관 서비스 이용에 대한 안내를 해드립니다.
검색결과 (전체 1건)
원문 있는 자료 (1) 열기
원문 아이콘이 없는 경우 국회도서관 방문 시 책자로 이용 가능
목차보기더보기
표제지
목차
논문요약 13
I. 서론 15
1-1. 연구 배경 15
1-2. 연구 목적 17
II. 문헌 개요 19
2-1. 내시경 기술개발 역사 19
2-1-1. 경성(硬性) 위경 시대 19
2-1-2. 섬유경 시대 20
2-1-3. 전자내시경시대 22
2-2. 국내연구 현황 24
2-3. 국외연구 현황 25
III. 이론적 고찰 28
3-1. 전자 내시경 28
3-1-1. 일반 컬러 CCD 카메라와의 비교 30
3-1-2. 내시경의 단말부(Distal tip)의 구조 31
3-1-3. 삽입부의 구조 32
3-1-4. 광원장치의 구조 33
3-2. 분광분석(Spectrum analysis) 35
3-2-1. 수학적 전처리(Mathematical preprocessing) 37
3-2-2. 회귀 분석모델(Regression model) 39
3-3. 영상 인자 44
3-3-1. 색채(色彩) 모델 44
3-3-2. 텍스쳐 분류 인자 48
3-4. BPN(Back propagation network) 알고리즘 55
3-4-1. 신경회로망(Neural Network) 55
3-4-2. BP(Back Propagation) 알고리즘 56
IV. 재료 및 방법 65
4-1. 내시경용 광원 장치 65
4-1-1. 1차 시스템 개발 66
4-1-2. 2차 시스템 개발 76
4-1-3/4-1-2. 3차 시스템 개발 82
4-2. NIR(Near infrared) 분광분석을 이용한 암 조직 판별 90
4-2-1. 실험 장치 및 재료 91
4-2-2. 실험 방법 98
4-3. 이상조직 판별을 위한 영상처리 100
4-3-1. 이상부위 검출을 위한 알고리즘 100
4-3-2. Texture 분석 및 인공 신경망을 이용한 환부 진행 정도 판단 107
V. 결과 및 고찰 115
5-1. 내시경용 광원 장치 개발 115
5-2. NIR(Near infrared) 분광분석을 이용한 암 조직 판별 120
5-2-1. 장파장(1100~2500nm) NIR에서의 분광분석 120
5-2-2. 단파장(700~1100nm) NIR에서의 분광분석 128
5-3. 이상조직 판별을 위한 영상처리 134
5-3-1. 이상부위 검출을 위한 알고리즘 134
5-3-2. Texture 분석 및 인공 신경망을 이용한 환부 진행 정도 판단 139
VI. 요약 및 결론 141
참고문헌 146
부록 156
〈부록 1〉 Back Propagation Network Program Source 156
〈부록 2〉 Texture Analysis Program Source 180
〈부록 3〉 일반조직, 순수 암조직, 피부에 둘러싸인 암조직의 스펙트럼 측정 데이터 189
ABSTRACT 212
〈Table 4-1〉 Specification of RC servo motor in filter wheel system 70
〈Table 4-2〉 Performance of motor in the system 75
〈Table 4-3〉 Specifications of NIRSystem 6500 92
〈Table 4-4〉 Specifications of MKN-45 95
〈Table 4-5〉 Experimental design 99
〈Table 4-6〉 Image parameters for esophagitis detection 103
〈Table 4-7〉 BPN learning factors for esophagitis detection 106
〈Table 4-8〉 LA Classification of esophagitis 109
〈Table 4-9〉 BPN Learning factors for esophagitis grade classification 113
〈Table 5-1〉 The spectrum comparison of each tissues in 975nm 132
〈Table 5-2〉 Success rate by neuron number of hidden layer 135
〈Table 5-3〉 The R² and mean error of threshold value equation 136
〈Table 5-4〉 Success rate of validation images 137
〈Table 5-5〉 The result of BPN learning 139
〈Table 5-6〉 The result of BPN validation 140
〈Table 5-7〉 The result of BPN re-learn after adding on 10 validation data 140
〈Fig. 2-1〉 Schindler & Wolf's semiflexible gastroscope 20
〈Fig. 2-2〉 The fiberscope(left) and gastrocamera(right) 21
〈Fig. 2-3〉 The digital endoscopy 23
〈Fig. 3-1〉 The structure of digital endoscopy 29
〈Fig. 3-2〉 The comparison between normal CCD camera and video endoscope 30
〈Fig. 3-3〉 The distal tip of endoscope(up) and front view of distal tip(down) 31
〈Fig. 3-4〉 The structure of bending section and method of angling control 32
〈Fig. 3-5〉 The structure of xenon light source 33
〈Fig. 3-6〉 Optic specification of UV cutoff filter 34
〈Fig. 3-7〉 Optic specification of CMY color filter 35
〈Fig. 3-8〉 Flowchart of spectrum analysis 36
〈Fig. 3-9〉 The color model of R. G. and B. coordinate 45
〈Fig. 3-10〉 HSI color model 46
〈Fig. 3-11〉 Normal vector of a plane 50
〈Fig. 3-12〉 Connection of local planes 50
〈Fig. 3-13〉 Delta learning method 57
〈Fig. 3-14〉 Block diagram of BPN algorithm 64
〈Fig. 4-1〉 The structure of filter wheel system for multi lighting system 66
〈Fig. 4-2〉 The design of filter wheel system compatible with normal light source 67
〈Fig. 4-3〉 The production of NIR filter wheel system 68
〈Fig. 4-4〉 Design of wheel driving system 69
〈Fig. 4-5〉 RC Servo motor 69
〈Fig. 4-6〉 Connection of the timing belt and the pulley 70
〈Fig. 4-7〉 Block diagram of filter-wheel control 71
〈Fig. 4-8〉 Control part in the system 72
〈Fig. 4-9〉 Combination of filter wheel system with normal system 73
〈Fig. 4-10〉 The photo of filter wheel system 73
〈Fig. 4-11〉 Flow chart of control programming 74
〈Fig. 4-12〉 The spectral response of monochrome CCD 77
〈Fig. 4-13〉 Design of NIR right source system 78
〈Fig. 4-14〉 Endoscopic light source system using halogen and NIR light 79
〈Fig. 4-15〉 Design of halogen and IR lighting system 80
〈Fig. 4-16〉 Halogen and IR LED(800nm) lighting system 80
〈Fig. 4-17〉 Transferring between halogen and NIR light, white light mode for normal view(up) and NIR light mode for NIR image view(down) 81
〈Fig. 4-18〉 Motor control using servo controller (PIC16C711-04/P) and one chip processor (PIC16C73B) 82
〈Fig. 4-19〉 Two types of color image acquisition using CCD sensor 83
〈Fig. 4-20〉 Scheme of NIR filter wheel for color NIR image 84
〈Fig. 4-21〉 Design of filter wheel 84
〈Fig. 4-22〉 3D view of filter wheel design 85
〈Fig. 4-23〉 The operation of normal color image view 86
〈Fig. 4-24〉 The operation of NIR color image view 86
〈Fig. 4-25〉 The image when NIR light beam down through normal fiber optics 87
〈Fig. 4-26〉 The image when NIR light beam down on object 87
〈Fig. 4-27〉 Spectral attenuation 88
〈Fig. 4-28〉 Transmission of VIS-IR 89
〈Fig. 4-29〉 The scope using quarts fiber optics 89
〈Fig. 4-30〉 Scheme of cancer discrimination system using NIR optic probe through scope 91
〈Fig. 4-31〉 Spectrophotometer & horizontal module 92
〈Fig. 4-32〉 Sample cell for reflectance measurement 92
〈Fig. 4-33〉 The photo of nude mouse (BALB/c-NU Slc) 94
〈Fig. 4-34〉 MKN-45 Cell line 95
〈Fig. 4-35〉 Normal tissue. H&E x40. 96
〈Fig. 4-36〉 Poorly differentiated adenocarcinoma/gastric cancer cell line xenograft. Note the tumor mass in the subcutaneous tissue (T) with marked necrosis in the central region of the mass (N).... 97
〈Fig. 4-37〉 Poorly differentiated adenocarcinoma/gastric cancer cell line xenograft. Note the pleomorphic tumor cells with abundant cytoplasm and large round to oval nuclei.... 97
〈Fig. 4-38〉 Areal measurement method 99
〈Fig. 4-39〉 Endoscopic 4 esophagitis images. 101
〈Fig. 4-40〉 Local image segmentation 102
〈Fig. 4-41〉 BPN Program for esophagitis detection 104
〈Fig. 4-42〉 BPN Program flow chart 105
〈Fig. 4-43〉 Normal esophagus images 109
〈Fig. 4-44〉 Esophagitis images by LA classification 110
〈Fig. 4-45〉 Texture images of esophagitis 112
〈Fig. 4-46〉 Network design for esophagitis grade classification 114
〈Fig. 5-1〉 The filter wheel system 115
〈Fig. 5-2〉 Status that RGB color filter wheel operated 116
〈Fig. 5-3〉 Status that NIR filter wheel operated 117
〈Fig. 5-4〉 NIR filter wheel 118
〈Fig. 5-5〉 NIR image acquisition 119
〈Fig. 5-6〉 Filter wheel system combined light source 119
〈Fig. 5-7〉 Spectrum of pure cancer tissues and normal tissues 120
〈Fig. 5-8〉 Score for pure cancer tissues and normal tissues 121
〈Fig. 5-9〉 Loading for pure cancer tissues and normal tissues 122
〈Fig. 5-10〉 Calibration of pure cancer tissues and normal tissues by PLS 123
〈Fig. 5-11〉 Prediction of pure cancer tissues and normal tissues by PLS 123
〈Fig. 5-12〉 Spectrum of normal tissues and cancer tissues surrounded by skin 124
〈Fig. 5-13〉 Score for normal tissues and cancer tissues surrounded by skin 125
〈Fig. 5-14〉 Loading for normal tissues and cancer tissues surrounded by skin 125
〈Fig. 5-15〉 Calibration of normal tissues and cancer tissues surrounded by skin 126
〈Fig. 5-16〉 Prediction of normal tissues and cancer tissues surrounded by skin 127
〈Fig. 5-17〉 The spectrum of normal tissues and pure cancer tissues in 700~1100nm 129
〈Fig. 5-18〉 The standard deviation of normal tissues and pure cancer tissues spectrum 129
〈Fig. 5-19〉 The spectrum of normal tissues and cancer tissues surrounded by skin in 700~1100nm 131
〈Fig. 5-20〉 The standard deviation of normal tissues and cancer tissues, that surrounded by skin, spectrum 131
〈Fig. 5-21〉 The graph of spectrum comparing each tissues in 975nm 133
〈Fig. 5-22〉 Validated original and result images 138
초록보기 더보기
본 논문에서는 현재 상용중인 내시경 장치와 호환 및 연동 될 수 있는 근적외선 필터 휠을 사용한 광원 장치를 개발하여 새로운 내시경 시스템을 구축하였다. 또한, 근적외선(Near infrared) 분광분석을 통하여 체내의 암 조직과 일반 조직을 구분할 수 있는 근적외선 파장 영역을 결정하여 필터 휠에 적용하였다. 그리고 획득된 영상을 이용하여 이상부위를 검출하고 환부의 진행정도를 정량화하기 위한 영상처리 알고리즘을 개발하고 실제 내시경 영상을 이용하여 검증하였다.
가. 광원 시스템 개발
광원 시스템은 일반 검진상태로 조명(White light)이 조사될 때 컬러필터의 신호를 영상 신호처리부에 전달하며 컬러 영상을 유지하게 하였다. 또한, 선택에 따라 근적외선 필터 휠을 이용하여 근적외선 광원에 의해 영상이 보이도록 시스템을 구성하였다.
또한, 스코프의 광섬유는 석영 광섬유로 대체하여 2000nm까지의 파장을 가지는 근적외선까지 90% 이상의 투과 효율을 가지도록 하였다.
나. NIR분광분석을 이용한 암 조직 판별
700~1100nm까지 단파장의 근적외선 분광 분석을 통하여 암과 일반 조직의 명암도를 상이하게 표현할 수 있는 필터를 선정하였으며, 이를 이용하여 근적외선의 컬러화 표현이 가능하도록 하였다. 실험 결과 975nm 근처에서 암 조직이 일반 조직보다 높은 반사율을 나타내었다. 장파장(1100~2500nm)의 근적외선 분광 분석의 실험 결과 근적외선 영역인 1550~1650nm, 1750~1850nm 그리고 2100~2200nm 영역에서 암과 일반 조직을 구분할 수 있는 점수가 피크를 나타나는데, 이는 문헌에서와 같이 메틸기(CH₃ and CH₂)의 흡수 및 진동 영역과 대부분 일치함을 보여주고 있다. 따라서, 결과에 의한 주요 피크 대를 이용하여 암을 판단하기 위한 회귀식을 구현하면, NIR 분석기를 이용한 암 진단이 가능할 것으로 판단된다.
다. 이상조직 판별을 위한 영상처리 알고리즘 개발
1) 이상부위 검출을 위한 알고리즘
내시경 영상을 5x5의 로컬영상으로 나누고 각 로컬영상에 대한 색상 인자 및 텍스쳐 인자를 구하였다. 전체 20개의 영상인자를 오류역전파 학습 알고리즘을 이용하여 인공 신경망을 구성하였으며 10개 영상에서 26010개의 로컬영상에 대한 학습 및 검증을 수행하였다. 최고의 판단 성공률을 나타내기 위하여 신경망에서 은닉층의 뉴런 수를 최적화시켰으며, 이를 이용하여 이상 여부를 판단하기 위한 경계 값을 결정하였다. 실험 결과 총 10개의 영상을 통하여 평균 96.9%의 적중률을 나타내었다. 위 결과로 디지털 내시경 영상에서 식도염 등의 이상부위를 검출하기 위하여 PBN 알고리즘을 통하여 작은 병변도 검출할 수 있을 것으로 판단된다.
2) 병변의 진행 정도의 판단을 위한 알고리즘 개발
식도염은 LA분류법을 이용하여 A~D까지 4개의 단계로 구분하여 진단하고 있으며 점막의 손상 형태 및 길이에 의해 구분하고 있다. 식도염의 병변 단계를 구분하는데 있어서 색상 인자는 큰 영향을 끼치지 못하므로 텍스쳐 인자를 이용하였으며, BP 신경망을 이용하여 판단하였다. 20개의 영상을 가지고 학습을 하였으며 10개의 영상을 이용하여 검증하였을 때 평균 77%의 낮은 인식률을 나타내었다. 인공 신경망의 특성상 새로운 데이터를 추가하여 재학습이 가능하기 때문에 10개의 검증 영상을 추가하여 30개의 영상을 다시 학습하였다. 그 결과 평균 96%의 인식률을 보였으며, 새로운 데이터를 추가로 학습이 가능하고 높음 인식률을 유지하는 것이 가능한 것으로 판단되었다.
원문구축 및 2018년 이후 자료는 524호에서 직접 열람하십시요.
도서위치안내: / 서가번호:
우편복사 목록담기를 완료하였습니다.
* 표시는 필수사항 입니다.
* 주의: 국회도서관 이용자 모두에게 공유서재로 서비스 됩니다.
저장 되었습니다.
로그인을 하시려면 아이디와 비밀번호를 입력해주세요. 모바일 간편 열람증으로 입실한 경우 회원가입을 해야합니다.
공용 PC이므로 한번 더 로그인 해 주시기 바랍니다.
아이디 또는 비밀번호를 확인해주세요
