Peripheral Equalization과 두께 보상(Thickness Compensation), Flatten¶

요약

압박된 유방은 가장자리(skin line 근처)로 갈수록 두께가 급격히 얇아진다. 두께가 얇으면 X-ray 감쇠가 적어 검출기에 도달하는 선량이 많아지고(밝게, 때로 포화), 내부의 두꺼운 부위는 어둡게 표현된다. 그 결과 진단상 중요한 외곽 조직(peripheral tissue) 이 잘 보이지 않는다. Peripheral equalization(말초 균등화)은 저주파 배경(두께·조도 맵)을 추정해 외곽만 선택적으로 밝기를 보정하여 영상 전체를 한 화면에서 판독 가능하게 만드는 공간적(spatial) 보정이다. 이 문서는 고전적 두께 모델 기반 기법에서 출발하여, 본 프로젝트 파이프라인이 채택한 normalized convolution + distance-transform soft fade 방식까지 단순→최신 순으로 정리한다. 이 단계는 이후 다중스케일 분해와 contrast enhancement의 전처리로서 결정적이다.

전체 기법 지형은 기법 개요를 참고하라.

1. 문제 정의: 두께 구배와 조도 불균일¶

1.1 외곽 얇아짐(peripheral thinning)¶

압박판 사이에서 유방은 중앙이 평평하고 외곽으로 갈수록 곡면을 이루며 얇아진다. 두께 \(t(x)\) 가 얇은 외곽에서는 Beer–Lambert 법칙(X-ray 감쇠)에 따라 투과 선량이 지수적으로 커진다.

\[ I_{\text{det}}(x) = I_0 \exp\!\left(-\int \mu\, t(x)\, dl\right) \]

디텍터/log선형화로 log 변환하면 신호는 두께에 대략 선형이 되지만, 여전히 외곽은 매우 밝고(또는 포화) 내부는 어두운 거대한 저주파 구배가 남는다. 이 구배가 windowing/flatten에서 좁은 window로 외곽 조직을 가려버리는 원인이다.

1.2 조도 불균일(heel effect 등)¶

X-ray 관의 heel effect 때문에 양극(anode)-음극(cathode) 방향으로 입사 선량이 기울어지고, 산란선·기하학적 요인까지 더해져 빈 영역(flat field)조차 균일하지 않다. 이는 두께와 무관한 추가 저주파 구배로, 함께 보정 대상이 된다.

flat-field 보정과의 차이

flat-field 보정은 피사체 없는 보정 영상(gain/offset)으로 검출기·조도의 고정 패턴을 제거한다(검출기 단계). Peripheral equalization은 피사체(유방) 영상 자체에서 두께 기인 저주파 배경을 추정해 보정한다는 점에서 다르다. 둘은 보완적이다.

2. (고전) 두께 모델 기반 vs 영상 기반 Peripheral Equalization¶

고전적 접근의 공통 골격은 저주파 배경(두께/조도 맵) 추정 → 외곽만 선택적 밝기 보정이다. 추정 방법에 따라 두 갈래로 나뉜다.

2.1 두께 모델 기반(model-based)¶

유방을 "중앙은 일정 두께(압박판 간격), 외곽은 반원/구형으로 얇아짐"으로 모델링하여 두께 \(t(x)\) 를 해석적으로 추정한다. Stahl 등은 두께 분포를 추정해 보정량을 산출했고¹, Byng 등은 외곽 영역의 밝기를 균등화하는 thickness equalization을 제안했으며², Snoeren & Karssemeijer는 검출기·기하 모델 기반의 thickness correction을 정식화했다³. 물리적 근거가 명확하나 압박 형상·환자 변이에 민감하다.

2.2 영상 기반(image-based)¶

영상 자체에서 저역 필터로 두께/조도 맵을 추정한다. 모델 가정이 적고 강건하지만, 내부의 실제 구조(저주파 성분)까지 배경으로 빨아들이지 않도록 주의해야 한다. 본 프로젝트는 영상 기반에 속한다.

3. 두께 맵 추정 방법¶

3.1 저역 필터 / 다항식 피팅¶

가장 단순하게는 큰 가우시안 저역 필터나 2D 다항식 surface fitting으로 배경 \(B(x)\) 를 얻는다. 그러나 단순 저역 필터는 마스크 경계(공기/유방 경계)에서 공기의 어두운(또는 밝은) 값이 섞여들어 경계 근처 추정이 오염되는 치명적 문제가 있다.

3.2 Normalized convolution (프로젝트 방식)¶

Normalized convolution(Knutsson & Westin, 1993)은 신뢰도 마스크 \(m(x)\in[0,1]\) 로 가중한 블러를 분자/분모로 정규화해, 마스크 밖(공기) 화소가 추정에 끼어들지 않게 한다⁴.

\[ B(x) = \frac{\big(m\cdot I\big) * g}{\,m * g\,} \]

분모 \(m*g\) 가 유효 가중치 합을 보정하므로, 유방 마스크 내부 화소만으로 외곽까지 매끄럽게 외삽된 두께/조도 맵을 얻는다. breast mask는 파이프라인 초반에 분리된다(프로젝트 파이프라인).

import cv2
import numpy as np

def normalized_convolution(img, mask, sigma):
    """마스크 가중 블러의 numer/denom 정규화로 두께/조도 맵 추정."""
    g = lambda a: cv2.GaussianBlur(a.astype(np.float32), (0, 0), sigma)
    numer = g(img * mask)
    denom = g(mask) + 1e-6        # 0 나눗셈 방지
    return numer / denom           # 마스크 밖 화소는 추정에 미기여

3.3 형태학적 배경 추정¶

morphological opening(또는 큰 구조요소의 grayscale opening)으로 작은 구조를 제거하고 거친 배경만 남기는 방법도 쓰인다. 미세 구조는 보존되지만 구조요소 크기 선택에 민감하다.

4. 외곽만 보정하는 트릭 (프로젝트 방식)¶

핵심 난제는 "외곽은 들어올리되 내부 신호와 대비는 건드리지 않고, 경계에 halo도 만들지 않는" 것이다.

4.1 reference 백분위 기준 차감¶

추정한 두께/조도 맵 \(B(x)\) 에서, 충분히 두꺼운 내부를 대표하는 reference 백분위(percentile) 값 \(B_{\text{ref}}\) (예: 마스크 내 상위 일정 백분위)를 기준으로 삼는다. 보정량은 각 화소가 기준보다 얼마나 "얇아서 밝은가"에 비례한다.

\[ C(x) = \max\!\big(B(x) - B_{\text{ref}},\, 0\big) \]

\(C(x)\) 를 원본에서 빼면(또는 부호 규약에 맞춰 더하면) 얇은 외곽만 reference 두께 수준으로 끌어올려진다. 내부(\(B(x)\le B_{\text{ref}}\))는 \(C=0\) 이라 건드리지 않아 내부 대비가 보존된다.

4.2 distance-transform soft fade로 halo 방지¶

보정을 외곽에 급격히 적용하면 보정 영역과 비보정 영역의 경계에 인공적인 띠(halo/역대비)가 생긴다. 이를 막기 위해 breast mask의 거리 변환(distance transform) \(d(x)\) (skin line으로부터의 거리)로 부드러운 가중치 \(\alpha(x)\) 를 만든다.

\[ \alpha(x) = \text{smoothstep}\!\big(d(x);\, d_0, d_1\big),\qquad I_{\text{out}}(x) = I(x) - \alpha(x)\,C(x) \]

skin line 근처(\(d\) 작음)에서 보정을 강하게, 내부 깊숙이(\(d\) 큼)에서는 0으로 매끄럽게 사라지게 하여 경계 halo를 제거한다.

def peripheral_equalize(img, mask, bg, ref_pct=95, d0=5, d1=80):
    ref = np.percentile(bg[mask > 0], ref_pct)
    corr = np.clip(bg - ref, 0, None)              # 얇은 외곽만 양수
    dist = cv2.distanceTransform((mask > 0).astype(np.uint8),
                                 cv2.DIST_L2, 5)
    a = np.clip((dist - d0) / (d1 - d0), 0, 1)
    fade = 1.0 - a                                 # 외곽=1, 내부=0
    return img - fade * corr

프로젝트에서의 위치

프로젝트 파이프라인에서 이 단계(peripheral thickness compensation)는 log-linearization과 breast mask 직후, 다중스케일 분해 직전에 놓인다. 두께 구배를 먼저 평탄화해야 이후 guided filter 분해의 global layer가 두께 구배가 아닌 진짜 조직 구조를 담게 된다.

5. 전역 조도 평탄화(flatten)와의 관계¶

"flatten"은 넓게 보면 영상에서 거대한 저주파 구배(두께+조도)를 제거해 전 영역을 비슷한 밝기 기준선 위에 올리는 작업이다. peripheral equalization은 그중 외곽 두께 구배에 특화된 선택적 flatten이다. 전역 flatten을 무차별로 적용하면 내부의 유용한 저주파 정보(예: 큰 종괴의 완만한 음영)까지 지워질 수 있어, §4처럼 외곽에 국한하는 것이 안전하다. window/level 관점의 flatten은 windowing/flatten, 톤 곡선 관점은 특성 곡선/톤매핑을 참고하라.

이 단계의 의의는 분명하다. 외곽을 균등화해 두면

이후 다중스케일 분해의 global layer가 두께가 아닌 조직 구조를 포착하고,
contrast enhancement·점 연산/CLAHE의 동적범위가 한쪽(외곽 포화)에 낭비되지 않는다.

6. 부작용과 검증¶

과보정의 위험

Halo / 역대비(contrast reversal): 보정량이 크거나 fade가 급격하면 skin line 안쪽에 밝은/어두운 띠가 생긴다. soft fade 폭(\(d_0,d_1\))과 reference 백분위를 보수적으로 둔다.
외곽 잡음 증폭: 외곽은 본래 SNR이 낮은데 밝기를 올리면 잡음이 두드러진다. smoothing/denoising과 순서·강도를 조율한다.
미세석회 왜곡: 두께 맵 추정에 작은 구조가 섞이면 외곽 미세석회가 배경으로 흡수돼 사라질 수 있다. normalized convolution의 \(\sigma\) 를 충분히 크게 해 미세 구조를 배경에 넣지 않는다.

검증은 정성(외곽 조직 가시성, 경계 halo 유무)과 정량을 함께 본다. 균등화 전후의 외곽/내부 밝기 분포 일치도, 그리고 MTF/엣지 보존이 깨지지 않았는지는 MTF/품질지표로 점검한다.

참고문헌¶

Stahl, M., Aach, T., & Dippel, S. (2000). Digital radiography enhancement by nonlinear multiscale processing. Medical Physics, 27(1), 56–65. (두께/배경 보정과 다중스케일 결합 맥락) ↩
Byng, J. W., Critten, J. P., & Yaffe, M. J. (1997). Thickness-equalization processing for mammographic images. Radiology, 203(2), 564–568. ↩
Snoeren, P. R., & Karssemeijer, N. (2004). Thickness correction of mammographic images by means of a global parameter model of the compressed breast. IEEE Transactions on Medical Imaging, 23(7), 799–806. ↩
Knutsson, H., & Westin, C.-F. (1993). Normalized and Differential Convolution: Methods for Interpolation and Filtering of Incomplete and Uncertain Data. CVPR 1993, 515–523. ↩