Mammogram Processing for All¶
이 문서는
유방촬영(mammography) RAW 영상을 진단·판독에 적합한 표시 영상으로 변환하는 영상 처리(image processing) 전 과정을, 물리적 기초부터 최신 알고리즘까지 서베이(survey) 수준으로 정리한 기술 문서입니다. 임상 개념과 X-ray 물리, 디지털 디텍터의 비선형 응답에서 출발하여, 특성 곡선·windowing·LUT 같은 톤 매핑 도구, MTF 등 영상 품질 지표, 그리고 가장 단순한 점 연산에서 다중스케일·딥러닝까지 이어지는 처리 기법을 다룹니다. 마지막으로 이 모든 이론이 실제 코드에서 어떻게 결합되는지 3-Tier 파이프라인 사례로 묶습니다.
왜 맘모그램 영상 처리인가¶
유방촬영은 저대조도 병변(종괴) 과 수십 µm 크기의 미세석회화(microcalcification) 를, 지방조직과 섬유선조직이 겹쳐 만드는 넓은 동적 범위(dynamic range) 안에서 동시에 보여 주어야 합니다. 디텍터가 받아 낸 RAW 신호는 조직 두께·밀도에 대해 지수적(비선형)으로 변하기 때문에, 그대로는 사람 눈이나 디스플레이에 맞지 않습니다. 이 간극을 메우는 것이 영상 처리의 역할입니다.
문서 구조¶
이 문서는 "물리 → 표현 → 측정 → 기법 → 실제 구현" 순서로 읽도록 구성했습니다.
graph LR
A[기초<br/>Foundations] --> B[영상 형성<br/>Image Formation]
B --> C[품질 지표<br/>Image Quality]
C --> D[처리 기법<br/>Techniques]
D --> E[사례 연구<br/>Pipeline]
1. 기초 (Foundations)¶
| 페이지 | 내용 |
|---|---|
| 맘모그램의 개념과 임상적 배경 | 유방촬영의 목적, 정상 해부, 주요 소견, 촬영 뷰, BI-RADS |
| 유방촬영 장비의 기본 구조 | X-ray tube·필터·압박·grid·AEC·검출기로 이어지는 영상 사슬 |
| X-ray의 성질과 감쇠 | X-ray 생성, 물질 상호작용, Beer–Lambert 지수 감쇠, 대조도 |
| 디지털 디텍터와 신호의 비선형성 | 검출기 응답, RAW 신호가 두께에 대해 비선형인 이유, log 선형화의 동기 |
2. 영상 형성과 톤 매핑 (Image Formation)¶
| 페이지 | 내용 |
|---|---|
| 처리 파이프라인 개요 | RAW→표시 영상 전체 흐름, For Processing vs For Presentation |
| 특성 곡선과 톤 매핑 | H&D 곡선, log·gamma·sigmoid, DRC, DICOM GSDF |
| Windowing, WW/WL, Flatten | window width/level, 조도 평탄화, 자동 windowing |
| LUT (Look-Up Table) | 톤 매핑 가속, 1D/3D LUT, DICOM Modality/VOI/Presentation LUT |
3. 영상 품질 지표 (Image Quality)¶
| 페이지 | 내용 |
|---|---|
| 영상 품질 지표 | 분해능·PSF/LSF, MTF, NPS, DQE, SNR/CNR, ROC, 팬텀 |
4. 처리 기법 (Techniques) — 가장 단순한 것부터 최신까지¶
| 페이지 | 내용 |
|---|---|
| 기법 개요와 분류 | 분류 체계와 연대기적 발전, 읽는 순서 |
| 점 연산 | windowing·gamma·히스토그램 평활화·CLAHE |
| Smoothing과 Denoising | 선형 필터→에지보존 필터→morphology |
| Sharpening과 Edge Enhancement | 미분 연산자, unsharp masking, 적응형 강조 |
| Contrast Enhancement | 전역·국소·다중스케일 대조도 향상, DRC |
| 다중스케일 분해와 변환영역 | 라플라시안 피라미드, 웨이브렛, MUSICA, local Laplacian |
| Peripheral Equalization과 두께 보상 | 외곽 두께 보정, flatten, normalized convolution |
| 최신 동향: 학습 기반 처리 | 딥러닝 denoising·enhancement·복원과 그 위험 |
5. 사례 연구 (Pipeline)¶
| 페이지 | 내용 |
|---|---|
| 3-Tier 맘모그래피 향상 파이프라인 | 실제 구현 코드로 보는 전체 파이프라인 |
처음 읽는다면¶
- 빠르게 큰 그림부터: 처리 파이프라인 개요 → 기법 개요 → 사례 연구
- 물리부터 차근차근: 기초부터 순서대로
이 사이트의 마크다운 작성 규칙과 사용 가능한 확장 문법은 Markdown 작성 가이드를 참고하세요. 유방촬영(mammography) 영상의 전처리와 임상 배경을 다루는 오픈 문서입니다.
Preprocessing — 픽셀 단계의 모든 것¶
DICOM 적재부터 디스플레이·모델 입력까지의 한 줄기 흐름을 다룹니다.
- Pipeline Overview — 전체 단계의 연결 지도부터 보기
- DICOM Basics — 표준, 헤더, MONOCHROME1 함정
- Windowing, LUT — 16비트를 8비트로 펴는 법
- Breast Masking — Otsu / Multi-Otsu / 적응형
- Histogram Matching — CDF 기반 비선형 매핑
- CLAHE, Denoising, Laplacian Pyramid — 대비 강화
- RAW → DCM Restoration — 강도 선형화·halo 방지·톤 매핑을 묶은 복원 가이드
- Quality Metrics — MAE/SSIM/PSNR/IoU/Tenengrad
Clinical Background — 영상이 의미하는 것¶
모델이 "잘 잡았다"고 말할 수 있으려면 임상 용어를 알아야 합니다.
- Views (CC/MLO) — 왜 한 검사에 4장인가
- Lesion Types — 종괴·미세석회화·구조왜곡·비대칭