Embed Size (px)
Citation preview
의료영상분야는 인체 내부조직의 형태, 해부학적인 영상정
보를 추출하여 실제 임상적인 진단에 이용하는 영상방법의 하
나이다. 최근에는 인체의 해부학적인 정보를 뛰어넘어 인간 대
뇌의 각 영역에 대한 기능을 밝히고자 하는 많은 연구들이 진
행되고 있다. 인간의 뇌는 부위별로 고유한 기능을 지니고 있
다. 인간이 특정한 활동을 하면 특정부위의 국소적 뇌혈류 및
대사가 증가하게 되고 뇌신경활동이 항진하게 한다. 뇌의 기
능에 대한 정보를 얻기 위하여 주로 사용되고 있는 영상기법
은 양전자방출 단층촬영(Positron Emission Tomography;
PET), 단일광자방출 전산화 단층촬영(Single Photon
Emission Computed Tomography; SPECT), 그리고 자기공
명영상(Magnetic Resonance Imaging; MRI) 등이 있다(1-
3). 그 중에서도 MRI기법은 비침습적인 영상기법으로서 특히
─ 165 ─
대한영상의학회지 2004;51:165-177
픽셀차분 알고리즘에 의한 대뇌 활성화도의 정성 및정량 분석 프로그램의 개발1
이진명·정광우1,2·김형중2·조성훈·강형근2·서정진2·박승진3
목적: 기능적 자기공명영상법으로부터 얻어진 대뇌의 활성화 영상을 이용하여 활성화 영역의
정확한 위치정보와 활성화도, 그리고 좌·우반구의 우세도를 해부학적, 기능학적 측면에서 정
량적으로 분석할 수 있는 FALBA(Functional and Anatomical Labeling of Brain Activation)
프로그램을 개발하는데 있다.
대상과 방법: 픽셀차분 알고리즘(pixel subtraction algorithm)을 사용하여 다음과 같이 구현하
였다. 먼저 SPM99(Statistical Parametric Mapping 99, The Wellcome Department of
Cognitive Neurology, University College London, UK)와 MRIcro(www.psychology.
nottingham.ac.uk)를 통하여 얻은 대뇌의 3차원적 활성화 지도를 T1강조영상의 template
(Montreal Neurological Institute)에 중첩시켜 이를 그림파일 형태인 활성화 영상(activation
image)으로 저장하였다. 이때 T1강조영상과 활성화 영상은 AC-PC선을 기준으로 상하 -59
mm와 +83 mm의 범위로부터 2 mm 간격으로 총 73개의 단면영상으로 재구성하였으며, 픽
셀차분방식의 알고리즘을 이용하여 각 단면에 따른 T1강조영상과 활성화 영상을 차분하여
“흑·백 차분영상”을 구하였다. 이때 영상을 구성하고 있는 각 픽셀은 24비트의 R, G, B 컬
러로 표현하였다. 다음단계에는 흑·백 차분영상을 기준으로“해부학적 지표영상”과 함께
Brodmann 영역을 기초로 한“기능학적 지표영상”으로부터 픽셀 별로 차분하여 해부학적, 기
능학적인 측면에서의 활성화율과 활성화도를 각각 계산하였다. 한편 대뇌의 좌·우반구 우세
도는 편재화 지수(lateralization index)를 구하여 결정하였으며, 그 결과의 값이 양(＋)일 때에
는 좌반구 우세, 음(－)일 때는 우반구 우세로 평가하였다.
결과: FALBA 프로그램의 특징은 정량분석의 정확도와 처리시간을 단축하였다는 점이다. 수
작업에 의한 처리시간이 약 10시간 소요된 반면 FALBA 프로그램을 사용할 경우 약 2.5분으
로서 수작업에 반하여 240배정도 빨리 처리할 수 있었다. 한편 FALBA 프로그램을 이용하여
측정한 픽셀수를 기준으로 하여 수작업에 의해 측정된 픽셀수와 비교해 보면 약 0.334±
0.007(%)의 오차율을 보였으며, 따라서 FALBA 프로그램이 보다 정확한 결과를 제공할 수
있었다.
결론: FALBA 프로그램은 해부학적, 기능학적 측면에서 대뇌의 활성화 영역과 활성화도 그리
고 좌·우반구 우세도 등을 수작업에 비하여 보다 빠르고 정확하게 측정할 수 있도록 하였다.
1전남대학교 대학원 의공학협동과정2전남대학교 의과대학 진단방사선과학교실3전남대학교병원 의공학과본 연구는 한국과학재단 목적기초연구(R01-2001-00138) 지원으로 수행되었음.이 논문은 2004년 4월 24일 접수하여 2004년 7월 5일에 채택되었음.
인체의 대뇌기능을 연구하는데 가장 많이 사용되고 있다(1).
특히 MRI의 기법중의 하나인 기능적 자기공명영상법
(Functional Magnetic Resonance Imaging ; fMRI)은 인체의
생리적 변화를 이용하여 뇌에 국소적 신경 활성(activation)을
유도한 후 그 기능의 위치를 영상으로 표현할 수 있는 방법으
로 현재는 혈중산소 의존도(Blood Oxygenation Level
Dependent, BOLD) (3-6)를 이용하여 영상화하는 방법을 가
장 많이 이용하고 있다.
fMRI 초기에는 일차적인 시각피질과 운동피질의 영상으로
시작하여 최근에는 언어기능을 포함한 인식기능(cognitive
function)을 영상화하기에 이르렀다. 또한 아직까지 임상적용
은 초보단계에 있으나 국소적인 뇌수술을 고려할 때 중요한
뇌기능의 위치를 사전에 파악함으로써 절제 범위와 수술 방
법을 결정하는 데에 도움을 줄 수 있으며, 수술로 인한 기능
손상을 예측하는 데에 이용될 수 있다. 이러한 기능적인 영
상은 여러 단계의 후처리과정을 거쳐서 만들게 되는데 현재
는 SPM99(Statistical Parametric Mapping 99, The Well-
come Department of Cognitive Neurology, University
College London, UK) 라는 통계 프로그램이 많이 사용되고
있다(7-9). 그러나 SPM99 소프트웨어를 사용하면 뇌의 활
성화 부위를 해부학적·기능학적 측면에서 정확하게 규명할
수 없을 뿐만 아니라, 각 활성화부위에 따른 활성화도를 정
량적으로 분석할 수 없기 때문에 뇌의 기능을 생리, 생화학
적인 측면에서 입증하는데에는 한계점을 안고 있다. 따라서
본 연구에서는 fMRI로부터 뇌의 해부학적, 기능학적인 활성
화 영역에 대한 정확한 활성화율, 활성화도, 그리고 대뇌반구
우세도 등을 신속하고 정확하게 결정할 수 있는
FALBA(Functional and Anatomical Labeling of Brain
Activation)라는 정성 및 정량 분석 프로그램을 개발하는 데
에 주 목적을 두고 있다.
대상과 방법
대 상
fMRI 실험에 참가한 지원자들은 모두 정상인으로서 오른손
잡이 남자 5명(20-28세, 평균 24세)을 대상으로 하였다.
fMRI의획득
fMRI를 얻기 위해서 1.5T Signa Horizon Echospeed
MRI(GE Medical Systems, Milwaukee, U.S.A.)와 표준 bird
cage 형의 두부코일을 사용하였다. 사용된 영상기법은 EPI-
BOLD 기법으로서 이때 사용된 영상변수로는 TR(repetition
time)/TE(time to echo)=3000/50 msec, 숙임각(flip angle)
90。, FOV(field of view) 26×26 cm, matrix 128×128, 절
편두께 6 mm, slice gap 1 mm, NEX(number of excitation)
1로 하였고, 전교련(anterior commissure: AC)과 후교련
(posterior commissure: PC)을 연장한 AC-PC 선을 기준으
로 하여 10개의 횡단면으로부터 각각 510개의 기초 영상을
얻었다. EPI 영상이 평형기(equilibrium state)를 이루기 전의
높은 신호를 보정하기 위해 활성화 영상을 얻기 전에 4초(1
phase)의 모조영상(dummy scan)을 추가로 얻었으며, 총 영
상획득시간은 154초였다.
대뇌 피질의 활성화 방법은 피검자를 대상으로 MRI를 통
하여 대뇌피질을 활성화하기 위하여 시각자극을 유발하는데
충분하다고 판단한 빛을 반투명 스크린에 투영시켜 피험자
가 두부 코일에 부착된 거울을 통해 영상을 보게 하여 시각
적인 자극을 유도하였다. 활성화를 위한 자극 제시방법은 1
분의 휴식기 후 3분 동안 시각을 통해 자극을 주었으며 다
시 1분간의 휴식기를 갖게 하여 기능적 자기공명영상을 획
득하였다.
영상의후처리방법
이상에서 얻은 기본적인 MRI를 BOLD 영상으로 만들기 위
해 fMRI 분석 소프트웨어인 SPM99 분석 프로그램(Statisti-
cal Parametric Mapping99, The Wellcome Department of
Cognitive Neurology, University College London, UK)을 이
─ 166 ─
이진명 외: 픽셀차분 알고리즘에 의한 대뇌 활성화도의 정성 및 정량 분석 프로그램의 개발
Table 1. Abbreviation Code for the Various Anatomical Areas inHuman Brain
Anantomical Area Abbr.Code
Superior frontal gyrus (상전두회) SFGMiddle frontal gyrus (중전두회) MFGInferior frontal gyrus (하전두회) IFGSupplementary motor area (보조운동영역) SMAPrecentral gyrus (중심전회) PRCSuperior temporal gyrus (상측두회) STGMiddle temporal gyrus (중측두회) MTGInferior temporal gyrus (하측두회) ITGSuperior parietal gyrus (상두정회) SPGInferior parietal gyrus (하두정회) IPGSupramarginal gyrus (상연회) SMGAngular gyrus (각회) AGPrecuneus (설전부) PCUPostcentral gyrus (중심후회) POCSuperior occipital gyrus (상후두회) SOGMiddle occipital gyrus (중후두회) MOGInferior occipital gyrus (하후두회) IOGHippocampus (해마) HIPParahippocampal gyrus (해마방회) PHIPAmygdala (편도체) AMYGCingulate gyrus (대상회) CINSeptal area (중격부) SEPPutamen (피각) PUTGlobus pallidus (창백핵) GLOCaudate nucleus (미상핵) CNThalamus (시상) THLHypothalamus (시상하부) HTHLInsula (뇌섬엽) INSCorpus callosum (뇌량) CCMidbrain (중뇌) MIDMedulla (연수) MEDPons (뇌교) PONCerebellar cortex (소뇌피질) CRBLVermis (소뇌충부) VER
용하여 분석하였다. 이때 실험 중에 발생하는 움직임에 의한
오류를 보정하고 표준화된 영상을 얻기 위하여 움직임 보정
(motion correction)과 재정렬(realignment) 과정을 거친 후,
ANCOVA를 적용하여 Talairach space 상에서 global
normalization을 하였고 이를 화소(pixel) 단위로 t-test를 시
행하였다. 각 과제별로 유의수준(p<0.05)을 기준으로 하여 활
성화 지도(activation map)를 얻은 후 표준화된 T1 강조영상
에 중첩하여 최종적인 기능적 자기공명영상을 얻었다. 이때, 신
호 대 잡음비(signal to noise ration: SNR)를 높이기 위해
Gaussian filter를 이용하여 시각자극에 의한 활성화 영상을 얻
었다.
FALBA 프로그램에의한분석방법
FALBA 프로그램을 이용하여 활성화 영상을 해부학적, 기
능학적 영역별로 분류하여 활성화율(%, 피검자수 기준), 활성
화도(%, 활성화된 픽셀수 기준), 그리고 좌우반구 우세도를
결정하였다. 이때 사용된 대뇌의 해부학적, 기능학적 영역의
명칭은 각각 Table 1과 Table 2와 같다.
FALBA 프로그램의 알고리즘
대뇌의 평균 활성화 지도(activation map)를 기초로 하여 활
성화율(%), 활성화도(%), 그리고 좌·우반구의 우세도(%)를
결정하기 위한 FALBA(Functional & Anatomical Labeling of
Brain Activation) 프로그램은 MFC(Microsoft visual C++
6.0) 언어와 픽셀차분 알고리즘(pixel subtraction algorithm)
을 사용하여 다음과 같이 구현하였다.
픽셀차분알고리즘(Pixel subtraction algorithm)
픽셀을 처리하는 기본적인 원리는 두 영상을 비교하여 동일
배열의 픽셀로부터 정보를 추출하게 되는데 일반적으로 산술
연산을 사용하여 결과를 출력할 수 있다. 컴퓨터는 0,1의 이
진수의 조합으로 처리되기 때문에, 픽셀의 정보를 미리 알게
되면 산술적 연산을 통해 새로운 영상을 만들어 낼 수 있다.
픽셀처리 알고리즘을 이용하여 두 영상을 각각 비교하여 차분
(subtraction)한 픽셀값을 통하여 두 영상의 미세한 차이를 쉽
게 알 수 있다.
Fig. 1은 해부학적, 기능학적 차분 영상을 구하는 주요과정
을 보여주고 있다. 먼저 해부학적으로 해상도가 뛰어난 T1강
─ 167 ─
대한영상의학회지 2004;51:165-177
Table 2. Correlation of Anatomical Regions and Brodmann’s Areas
Abbr. Code BA* Function
SFG 6,8,9,10,11,32MFG 6,8,9,10,11,44,45,46,47IFG 6,11,38,44,45,47 Speech, movement, planningSMA 6PRC 4,6STG 21,22,36,38,41,42 Hearing, speechMTG 20,21,22,36,37,38 Form visionITG 20,37 Form visionSPG 2,5,7IPG 2,3,40SMG 2,40,41,42 Reading, speech, movementAG 39 Perception, vision, reading, speechPCU 5,7,23,27,30 Multimodal area for spatial body sencePOC 1,2,3,43SOG 17,18,19 Vision, depthMOG 18,19,39 Vision, depth, color, motionIOG 18,19,37 Vision, depth, color, motionHIP 20,27,28,35,36 Smell, emotion, memoryPHIP 27,28,30,35,36 Smell, emotion, memoryAMYG 28,34 Emotion, memoryCIN 10,11,24,26,29,30,32 Emotion, attention, detection of errorSEPPUT 48 Part of involuntary movement, selectionGLO of willed movement, regulation, memoryCN initiationTHL Regulation of emotional behaviorHTHL Emotion, function related survivalINS 48 Taste, GI tractCC 25 Principal fiber bundle for connection
*BA : Brodmann’s area
조영상(Fig. 1A)으로 구성된 3차원적인 template(McCon-
nell Brain Imaging Centre, Montreal Neurological Institute)
에 활성화된 지도를 중첩시켜 이를 그림파일 형태인 활성화
영상(activation image) (Fig. 1B)으로 저장하였다. 이때 T1
강조영상과 활성화 영상은 AC-PC선을 기준으로 상하 -59
mm와 +83 mm의 범위로부터 2 mm 간격으로 총 73개의
단면영상으로 재구성하였다. 이때 각 단면영상은 39,277(181
×217)개의 픽셀로 구성되어 있으며, 사용된 영상은 Raw
image 형태이고, 각 픽셀은 24 bit의 R, G, B true color로
표현하였다. 일반적으로 24비트 컬러를 표현하기 위해 R, G,
B(Red, Green, Blue) 값으로 구분하여 표현할 수 있다. 24
비트로 표현할 수 있는 색상의 범위는 약 1670만(224) 종
류로서, 보통 인간이 자연에서 볼 수 있는 색상을 모두 표현
할 수 있게 때문에 투루컬러라고 부른다. R, G, B컬러는 좌
표계에 따라 각각 1바이트(8비트)씩 할당받게 되고, 따라서
R, G, B의 채도는 각각 28(=256)가지로 나타낼 수 있다. 보
통 인간이 느낄 수 있는 R, G, B 채도값은 보통 120-150정
도 되므로 인간이 분별하기 어려운 처리까지 가능하고, 각 픽
셀들은 R, G, B 각각의 값에 의해 색깔로 표현된다. Table 3
─ 168 ─
이진명 외: 픽셀차분 알고리즘에 의한 대뇌 활성화도의 정성 및 정량 분석 프로그램의 개발
Fig. 1. Main protocol for obtaining the anatomical and functional differentiation images. (A) T1-weighted image, (B) activation image, (C)black and white differentiation image, (D) anatomical index image, (E) functional index image, (F) anatomical differentiation image, and(G) functional differentiation image.
Fig. 2. A color-cube representing RGB pixel values.
A
B
C
D F
GE
은 해부학적, 기능학적 영역별로 할당된 색상의 R, G, B값을
나타내고 있다. R, G, B 모형은 Fig. 2와 같이 각 축의 모서
리가 빨강, 초록, 그리고 파랑인 3차원입방체로 표현된다. 검
정색은 원점이고 흰색은 입방체의 대각선 끝에 위치하며,
Gray scale은 검정색에서 흰색으로 이어지는 선을 따라서 표
현된다. 컬러 채널당 8비트를 가지고 24비트 컬러 그래픽 시
스템에서 빨간색은 (255, 0, 0)이며 컬러 입방체 상에서는
(1, 0, 0)이 된다. Fig. 1에서 T1강조영상(Fig. 1A)과 활성
화 영상(Fig. 1B)으로부터 활성화된 면적을 구하기 위하여
픽셀차분 알고리즘(pixel subtraction algorithm)을 이용하였
으며, 이때 영상을 구성하고 있는 각 픽셀에서 R, G, B값의
차이를 계산하였다. 즉 각 단면에 따른 활성화 영상으로부터
T1강조영상을 픽셀 대 픽셀별로 차분하여“B/W 차분 영상
(black & white differentiation image) (Fig. 1C)”을 구하였
다. 여기에서 B/W 영상은 T1강조영상(Fig. 1A)과 활성화영
상(Fig. 1B)을 비교하여 변화가 있는 영상의 결과를 차분값
이‘0’이 아닌 부분만 White(255,255,255)값으로 처리하였
고, 변화가 없는 부분은 Black(0,0,0)값으로 표현하였다. 이
러한 처리과정에서 R,G,B 동일 배열값을 비교하면 활성화가
일어나지 않는 부분은 R, G, B값의 차분값이 0이 되며
─ 169 ─
대한영상의학회지 2004;51:165-177
Table 3. Color Coded RGB Values Corresponding to the Anatomical and Functional Area
Anatomical R G B Functional R G B
SFG 196 223 155 01 146 039 143MFG 255 247 153 02 240 030 230IFG 244 154 193 03 020 245 240GR 130 202 156 04 255 128 035OC 146 039 143 05 121 000 000SCA 068 014 098 06 000 089 082SMA 000 000 200 07 210 026 110PRC 000 089 082 08 198 156 109STG 242 101 034 09 168 252 252MTG 015 035 235 10 196 223 155ITG 000 114 188 11 130 202 156SPG 210 026 110 17 242 109 125IPG 248 176 172 18 158 011 014SMG 240 030 230 19 235 010 015AG 000 084 166 20 000 114 188PCU 121 000 000 21 015 035 235POC 020 245 240 22 242 101 034SOG 102 045 145 23 013 000 076MOG 235 010 015 24 189 140 191IOG 141 198 063 25 171 160 000FUSI 236 000 140 26 099 004 096LING 158 011 014 27 046 049 146CU 096 092 168 28 096 057 019INS 057 181 074 29 000 174 239HIP 046 049 146 30 130 123 000PHIP 096 057 019 32 000 000 200AMYG 255 242 000 34 255 242 000CIN 189 140 191 35 096 092 168SEP 082 216 226 36 236 000 140PUT 033 087 081 37 141 198 063GLO 000 191 243 38 102 045 145CN 171 160 000 39 000 084 166THL 000 165 081 40 248 176 172HTHL 168 252 252 41 027 020 100CC 198 156 106 42 068 014 098PCL 255 128 035 43 000 166 081RO 013 000 076 44 000 191 243HES 030 240 020 45 244 154 193CAL 242 109 125 46 255 247 153MID 247 148 029 47 33 087 081PON 163 043 049MED 080 032 217CRBL 115 226 120VER 160 065 013
Black(0, 0, 0)값으로 표현하였다. 다음 단계에는 B/W 차분
영상을 이용하여 해부학적, 기능학적 위치정보를 표시하는
“해부학적 지표영상(anatomical index image) (Fig. 1D)”과
“기능학적 지표영상(functional index image) (Fig. 1E)”으
로부터 픽셀별로 차분하여“해부학적 차분영상(anatomical
differentiation image) (Fig. 1F)”과“기능학적 차분영상
(functional differentiation image) (Fig. 1G)”을 얻었다. 이
때 얻은 영상은 R, G, B값을 갖는 24비트 컬러 이미지를 사
용하였다. 해부학적, 기능학적 지표영상(Fig. 1D, 1E)으로부
터 B/W 영상(Fig. 1C)을 차분하기 위하여 각각 동일한 [Xij,
Ykl] 픽셀값을 이용하였다. 참고로 Table 4, 5, 6은 각각 B/W
영상(Fig. 1C), 기능학적 지표영상(Fig. 1E), 기능학적 차분
영상(Fig. 1G)을 R, G, B pixel 값으로 배열한 것이다. Table
3에서 Table 4를 차분하면 최종적으로 Table 5와 같은 결
과가 나오며, 이 결과를 이용하여 최종적으로 대뇌영역에 따
른 활성화의 특성을 정성, 정량적인 측면에서 분석할 수 있
다.
해부학적, 기능학적영역별활성화도측정
3차원적인 대뇌 전 영역에 대한 활성화도를 측정을 위해서
─ 170 ─
이진명 외: 픽셀차분 알고리즘에 의한 대뇌 활성화도의 정성 및 정량 분석 프로그램의 개발
Table 4. Array of RGB Pixel Values Representing a B/W Differentiation Image (Fig. 1C)
(1, 1) (2, 1) (101, 1) (102, 1) (103, 1) (180, 1) (181, 1)0,0,0 0,0,0
‥‥‥‥0,0,0 0,0,0 0,0,0
‥‥‥‥0,0,0 0,0,0
(1, 2) (2, 2) (101, 2) (102, 2) (103, 2) (180, 2) (181, 2)0,0,0 0,0,0
‥‥‥‥0,0,0 255,255,255 255,255,255
‥‥‥‥0,0,0 0,0,0
(1, 3) (2, 3) (101, 3) (102, 3) (103, 3) (180, 3) (181, 3)0,0,0 255,255,255
‥‥‥‥255,255,255 255,255,255 255,255,255
‥‥‥‥255,255,255 255,255,255
‥‥‥‥ ‥‥‥‥ ‥‥‥‥ ‥‥‥‥ ‥‥‥‥ ‥‥‥‥ ‥‥‥‥ ‥‥‥‥ ‥‥‥‥
(1, 216) (2, 216) (101, 216) (102, 216) (103, 216) (180, 216) (181, 216)0,0,0 0,0,0
‥‥‥‥255,255,255 255,255,255 255,255,255
‥‥‥‥0,0,0 0,0,0
(1, 216) (2, 217) (101, 217) (102, 217) (103, 217) (180, 217) (181, 217)0,0,0 0,0,0
‥‥‥‥0,0,0 0,0,0 0,0,0
‥‥‥‥0,0,0 0,0,0
Table 5. Array of RGB Pixel Values Representing a Functional Index Image (Fig. 1E)
(1, 1) (2, 1) (101, 1) (102, 1) (103, 1) (180, 1) (181, 1)0,0,0 0,0,0
‥‥‥‥0,0,0 0,0,0 0,0,0
‥‥‥‥0,0,0 0,0,0
(1, 2) (2, 2) (101, 2) (102, 2) (103, 2) (180, 2) (181, 2)0,0,0 0,0,0
‥‥‥‥196,223,155 196,223,155 196,223,155
‥‥‥‥0,0,0 0,0,0
(1, 3) (2, 3) (101, 3) (102, 3) (103, 3) (180, 3) (181, 3)0,0,0 244,154,193
‥‥‥‥196,223,155 196,223,155 210,26,110
‥‥‥‥255,247,153 255,247,153
‥‥‥‥ ‥‥‥‥ ‥‥‥‥ ‥‥‥‥ ‥‥‥‥ ‥‥‥‥ ‥‥‥‥ ‥‥‥‥ ‥‥‥‥
(1, 216) (2, 216) (101, 216) (102, 216) (103, 216) (180, 216) (181, 216)0,0,0 0,0,0
‥‥‥‥235,10,15 235,10,15 158,11,14
‥‥‥‥0,0,0 0,0,0
(1, 216) (2, 217) (101, 217) (102, 217) (103, 217) (180, 217) (181, 217)0,0,0 0,0,0
‥‥‥‥0,0,0 0,0,0 0,0,0
‥‥‥‥0,0,0 0,0,0
Table 6. Array of RGB Pixel Values for Functional Differentiation Image Obtained by Pixel Differentiation Method from B/W Differenti-ation and Function Index Images (Fig. 1G)
(1, 1) (2, 1) (101, 1) (102, 1) (103, 1) (180, 1) (181, 1)0,0,0 0,0,0 ‥‥‥‥ 0,0,0 0,0,0 0,0,0 ‥‥‥‥ 0,0,0 0,0,0
(1, 2) (2, 2) (101, 2) (102, 2) (103, 2) (180, 2) (181, 2)0,0,0 0,0,0 ‥‥‥‥ 59,32,100 59,32,100 59,32,100 ‥‥‥‥ 0,0,0 0,0,0
(1, 3) (2, 3) (101, 3) (102, 3) (103, 3) (180, 3) (181, 3)0,0,0 11,101,62 ‥‥‥‥ 59,32,100 59,32,100 45,229,145 ‥‥‥‥ 0,8,102 0,8,102
‥‥‥‥ ‥‥‥‥ ‥‥‥‥ ‥‥‥‥ ‥‥‥‥ ‥‥‥‥ ‥‥‥‥ ‥‥‥‥ ‥‥‥‥
(1, 216) (2, 216) (101, 216) (102, 216) (103, 216) (180, 216) (181, 216)0,0,0 0,0,0 ‥‥‥‥ 20,245,240 20,245,240 97,244,241 ‥‥‥‥ 0,0,0 0,0,0
(1, 216) (2, 217) (101, 217) (102, 217) (103, 217) (180, 217) (181, 217)0,0,0 0,0,0 ‥‥‥‥ 0,0,0 0,0,0 0,0,0 ‥‥‥‥ 0,0,0 0,0,0
총 73장의 단면영상에서 얻은 값을 산술적인 차분에 의하여
계산하였다. 만일 대뇌의 전 영역이 포함되지 않을 경우(즉,
단면 영상의 위치가 AC-PC선을 기준으로 하여 상하 각각 -
59 mm와 +83 mm이하의 임의의 값까지만 가능할 경우)에
는 해당되는 단면을 부분적으로 선택하여 계산할 수 있도록
하였다. 또한 해부학적, 기능학적 영역에 기초하여 대뇌의 각
반구별로 활성화된 픽셀 수를 계산하여 활성화도(%, 픽셀수
를 기준)를 측정하였다. 이때 해부학적 영역과 기능학적 영역
의 픽셀 값들은 White(255,255,255)보다 작기 때문에 항상
양(+)의 값이 된다. Fig. 3은 특정단면에 대한 대뇌의 해부학
적, 기능학적 차분영상에 대한 픽셀값과 대뇌 전 영역을 포함
하는 fMRI 영상에 대한 계산결과를 나타내고 있다. 만일 대뇌
의 활성화 영역이 대뇌의 전 영역에 포함되지 않을 경우에는
아래 Fig. 4와 같이 해당되는 단면을 부분적으로 선택하여 계
산할 수 있도록 하였다.
좌·우반구우세도결정
대뇌의 좌·우반구 우세도는 좌반구의 활성화를 기준으로
측정하였다(Fig. 5). 먼저 좌반구에서 활성화된 픽셀값만을 계
산하여 좌·우반구 전체 활성화 픽셀수로부터 우반구 픽셀수
를 계산한 다음 좌·우반구 우세도를 결정하였다.
결 과
대뇌영역별활성화도
본 실험에 참가한 5명의 지원자를 대상으로 대뇌의 활성화
영역과 함께 활성화도, 그리고 좌·우반구 우세도등을 해부학
적, 기능학적 영역별로 구분하여 정량적으로 분석한 결과는 다
음과 같다.
해부학적영역
해부학적 영역으로 정의된 대뇌의 총면적은 613,326 픽셀
이었고 이중 93,335 픽셀에서 활성화가 관찰되어 대뇌 전체
에서 15.2%의 활성화도가 나타났다. 그 중에서 후두엽의
MOG(middle occipital gyrus: 중후두회)에서는 13,060 픽셀
의 활성화가 일어났으며 이는 전체 MOG의 면적에서 54.1%
를 차지하고 있었다. 한편 IOG(inferior occipital gyrus: 상후
두회)의 경우 5,637 픽셀이 활성화를 나타냈으며 전체 IOG의
면적의 74.5%를 차지하게 되어 가장 높은 활성화도를 보였
다. 또한 간뇌의 HTHL(hypothalamus: 시상하부)에서는 29
픽셀로서 가장 적은 활성화가 일어났으며 이는 전체 HTHL의
면적에서 4.9%를 차지하였다. 기저핵의 GLO(gliobus pallidus:
창백핵)의 경우에는 42 픽셀로서 HTHL에 비하여 보다 많은
활성화를 나타났으나 전체 GLO의 면적에서 2.2%를 차지하여
가장 낮은 활성화도를 보였다.
대뇌영역별로 분석해보면 후두엽이 34,171 픽셀로서 37.5%
의 가장 높은 활성화도를 나타냈고, 전두엽이 8,600 픽셀로서
4.4%의 가장 낮은 활성화도를 보였다.
기능학적영역
기능학적 영역으로 정의된 대뇌의 총면적은 610,839 픽셀
이었고 이중 98,012 픽셀에서 활성화가 관찰되어 대뇌 전체
에서 16.1%의 활성화도가 나타났다. 그 중에서 후두엽의 BA-
18이 20,104 픽셀로서 가장 많은 활성화가 일어났으며 이는
전체 BA-18의 면적에서 49.6%를 차지하였다. 한편 BA-17
의 경우에는 8,482 픽셀에서 활성화를 나타냈으며 전체 BA-
17의 면적에서 53.2%를 차지하여 가장 높은 활성화도를 나
타냈다. 또한 변연엽의 BA-34는 48 픽셀로서 가장 적은 활
성화가 일어났으며 이는 전체 BA-34의 면적에서 2.0%를 차
지하였으며 전두엽의 BA-6의 경우 643 픽셀로서 전체 BA-
6의 면적에서 1.3%를 차지하여 가장 낮은 활성화도를 나타냈
다.
좌·우반구우세도
해부학적 영역의 경우 총 활성화 영역 93,335 픽셀중에서
좌반구가 51,170 픽셀을 나타내어 54.8%가 좌반구 활성화도
를 나타냈고, 기능학적 영역의 경우 총 활성화 영역 98,012
픽셀중에서 52,681 픽셀이 나타나 53.8%가 좌반구에서 활성
화가 나타났다. 이를 바탕으로 편재화 지수(lateralization
index)를 계산한 결과 해부학적 영역의 경우 9.6%의 좌반구
우세도를 나타냈고, 기능학적 영역의 경우 7.5%의 좌반구 우
세도를 나타냈다.
데이터처리시간및오차율의비교
기능적 대뇌영상이 SPM99 처리과정을 거친 후 얻어진 영
상은 볼륨영상으로 FALBA를 위한 분석을 하기 위해서는 단
면영상으로 변환해야 한다. 이때 소요된 시간은 대략 2-2.5분
정도 되었고, 얻어진 단면영상이 FALBA 프로그램에서 처리되
는 시간은 15초 이내였다. 결국 영상변환에서 FALBA 프로그
램에 의한 데이터 처리에 소요되는 시간은 대략 2-3분이었으
나 수작업에 의한 처리시간은 약 10시간 소요되었다. 따라서
FALBA 프로그램을 사용할 경우 수작업에 비하여 240배 정
도 빨리 처리할 수 있었다. 한편 FALBA 프로그램을 이용하여
측정한 픽셀수를 기준으로 하여 수작업에 의하여 계산된 픽셀
수와 비교해 보면 약 0.334±0.007(%)의 오차율을 보였다.
고 찰
현재 널리 사용되고 있는 의료영상기법은 전산화단층촬영법
(Computed Tomography, CT)과 MRI, 그리고 핵의학 영상기
법인 SPECT와 PET 등을 들 수 있다. 이러한 의료 영상기법
들은 신체 내부를 직접 열어보지 않고도 인체의 해부학적인
단면영상 정보를 보여준다는 큰 장점을 지닌다. 아울러 컴퓨
터와 전자기술의 비약적인 발전에 힘입어 오늘날에는 이러한
의료 영상기법 등은 다기능 소프트웨어를 통하여 한 차원 높
은 수준에서 영상정보를 가공하여 보다 정확하고 신속하게 질
병을 진단할 수 있는 새로운 의미의 영상진단으로 개발되고
있다. 특히 컴퓨터의 데이터 처리 속도와 처리할 수 있는 용
─ 171 ─
대한영상의학회지 2004;51:165-177
─ 172 ─
이진명 외: 픽셀차분 알고리즘에 의한 대뇌 활성화도의 정성 및 정량 분석 프로그램의 개발
Fig. 3. An example of measuring the number of activated pixels and brain activities from the anatomical and function differentiation im-ages in a single slice.
─ 173 ─
대한영상의학회지 2004;51:165-177
Fig. 4. Quantitative analysis of the number of activated pixels and brain activity in both (A) whole brain area and (B) partially selectedbrain area, where the slice in red indicates AC-PC line.
A B
─ 174 ─
이진명 외: 픽셀차분 알고리즘에 의한 대뇌 활성화도의 정성 및 정량 분석 프로그램의 개발
Fig. 5. Lateralization indices (%) of cerebrocortical regions based on the anatomical and functional areas, respectively.
량이 늘어나면서 단순한 2차원 영상의 한계를 넘어서 신체 내
부의 장기를 실물과 유사하게 볼 수 있는 3차원적 볼륨영상
으로 발전해 가고 있다. 이러한 3차원 영상을 통하여 정확한
해부학적인 위치와 크기 등을 계산할 수 있기 때문에 질병의
진단뿐만 아니라 수술 계획 등을 수립하는데 큰 도움을 줄 수
있게 되었다.
최근에는 인체의 형태, 해부학적인 정보를 뛰어넘어 특히 인
간 대뇌의 각 영역에 대한 기능을 밝히고자 하는 많은 연구들
이 진행되고 있다. 현재 뇌의 기능에 대한 정보를 얻기 위하
여 주로 사용되고 있는 영상기법은 PET, SPECT, 그리고 fMRI
등이 있다. 그 중에서도 fMRI는 핵의학 영상기법과는 달리 방
사성 물질을 사용하지 않고 뇌의 기능을 촬영할 수 있는 비침
습적인 영상기법으로서 반복하여 실험할 수 있기 때문에 오늘
날에는 인체의 대뇌 기능을 신경, 생리학적 측면에서 연구하
는데 특히 많이 사용되고 있다(1, 2). fMRI는 MRI의 기법중
의 하나로서 인체의 생리적 변화를 이용하여 뇌에 국소적 신
경 활성을 유도한 후 뇌의 기능적인 특성을 영상으로 표현할
수 있는 방법으로서 현재는 운동과 감각 기능에서부터 상위의
인지기능에 이르기까지 다양한 의학분야에서 많이 응용되고
있다(3, 4).
현재 fMRI의 활성화 영상을 얻기 위해서 사용되는 후처리
방법은 SPM99(Statistical Parametric Mapping 99, The
Wellcome Department of Cognitive Neurology, University
College London, UK)라는 통계 프로그램을 많이 사용하고 있
다(7-9). 그러나 SPM99는 Talairach 좌표상에서 통계학적인
t-값을 이용하여 대뇌의 활성화에 대한 기초적인 정보만을 제
공하기 때문에 뇌의 각 영역에 따른 정성, 정량적인 활성화 특
성을 정확하고 신속하게 분석 할 수 없으며, 따라서 임상분야
에서 활용하는 데에는 큰 한계점을 안고 있다. 이러한 문제점
을 해결하여 임상분야에서의 활용도를 높이기 위하여 본 연구
에서는 SPM99로 부터 얻은 활성화 영상을 이용하여 뇌의 해
부학적, 기능학적인 측면에서 대뇌의 활성화 영역에 대한 보
다 정확한 정보를 얻을 수 있는 FALBA라는 분석 프로그램을
개발하게 되었다. FALBA 프로그램을 통하여 활성화된 대뇌
중추를 확인하고, 각 영역에 따른 활성화율, 활성화도, 그리고
대뇌반구우세도 등을 자동으로 결정할 수 있도록 하였다.
최근 Tzourio-Mazoyer 등(7)은 T1강조 MR 영상을 기초
로 하여 대뇌의 회백질 부위를 45개의 해부학적인 영역으로
분할하여 활성화 정도를 정량적으로 평가할 수 있는 프로그램
을 개발하였다. 그러나 그들은 Talairach 지도를 기초로 한 해
부학적 영역에만 국한하였을 뿐 Brodmann의 기능학적인 영
역을 고려하지 않았으며, 또한 축상면의 영상만을 이용하여 활
성화에 대한 정보를 추출하였기 때문에 임상응용의 유용성에
대해서는 한계점을 가지고 있다. 한편, Lancaster 등(8)은
Talairach 좌표를 이용하여 대뇌의 기능적인 지도화에 대한 연
구를 시도하였으나 Brodmann 영역과는 서로 상치한다는 문
제점이 남아 있다. 또한 Rademacher 등(10)과 Rajkowska 등
(11)은 세포 구조학적인 측면에서 대뇌 피질의 지도화에 대
한 연구를 시행하였으나 대뇌피질의 일차영역을 제외한 나머
지 영역에서는 신빙성이 결여된다는 단점을 가지고 있다. 그
밖에 다양한 연구 등(12, 13)을 통하여 대뇌의 영역을 해부
학적 측면에서 표지할 수 있는 방법등을 제시하였으나 fMRI
영상을 임상응용에 직접적으로 활용할 수 있는 기능에는 많은
한계점을 안고 있다. 따라서 본 연구에서는 fMRI 영상을 통하
여 해부학적, 기능학적 측면에서 각 영역별 활성화율과 활성
화도, 그리고 대뇌반구의 우세도 등을 동시에 분석할 수 있는
자동화된 분석 프로그램을 개발하게 되었다. 본 연구의 특징
은 단순한 픽셀차분 알고리즘(14-16)을 이용하여 대뇌 활성
화에 대한 다양한 정보를 정성, 정량적인 측면에서 정확하고
신속하게 분석할 수 있도록 하였다는 점이다.
본 연구에서는 먼저 SPM99와 MRIcro(www.psychology.
nottingham.ac.uk)를 통하여 얻은 대뇌의 3차원적 활성화 지
도를 T1강조 영상의 template(Montreal Neurological
Institute)에 중첩시켜 이를 그림파일 형태인 활성화 영상으로
저장하였다. 이때 T1강조 영상과 활성화 영상은 AC-PC선을
기준으로 상하 -59 mm와 +83 mm의 범위로부터 2 mm 간
격으로 총 73개의 단면영상으로 재구성하였으며, 픽셀차분방
식의 알고리즘을 이용하여 각 단면에 따른 T1강조영상과 활
성화 영상을 차분하여“흑·백 차분영상”을 구하였다. 이때 영
상을 구성하고 있는 39,277(181×217)개의 픽셀은 R, G, B
24비트로 표현하였다(Table 3 참조). 흑·백 차분영상을“해
부학적 지표영상”과“기능학적 지표영상”으로부터 픽셀 별로
차분하여 해부학적, 기능학적인 측면에서의 활성화율과 활성
화도를 각각 계산하였다. 대뇌의 좌·우반구 우세도는 편재화
지수(lateralization index)를 구하여 결정하였으며, 그 결과의
값이 양(+)일 때에는 좌반구 우세, 음(-)일때는 우반구 우세
로 평가하였다.
본 연구의 또 하나의 특징은 R, G, B값을 갖는 24비트 컬
러 이미지를 사용하였으며, 아울러 일반적인 영상형태와는 달
리 헤더정보가 없는 순수한 이미지 정보만을 갖는 Raw 파일
을 사용하였다는 점이다. Raw data 파일은 영상정보를 갖지
않은 원시 데이터로서 파일 호환성을 위해 파일의 고유 특성
을 나타내는 헤더 부분이 없고 서식 정보나 편집 정보도 갖지
않은 데이터를 말한다. 따라서 raw 확장자의 텍스트 파일을
일반 텍스트 에디터로 읽으면 라인피드나 캐리지리턴, 문서의
끝 정보 등을 인식하지 않고 그냥 일렬로 나열한다. 또한 raw
확장자의 그래픽 파일은 단순한 화소 정보의 나열이기 때문에
원래의 해상도와 컬러에 대한 정보를 정확히 일치시켜준 상태
에서 읽어들여야 한다. 즉 사용자가 영상헤더의 고유한 정보
를 직접 입력시킴으로서 원래의 영상정보를 읽을 수 있다. 이
미지 파일에 헤더 정보가 없으면 컴퓨터가 이미지의 크기나
컬러 수, 해상도 등을 인식할 수 없어 영상표현을 할 수 없기
때문이다. 영상처리 구현에서 raw 파일 포맷을 사용하는 또
다른 이유는 일반 그래픽용 파일 포맷들(BMP, GIF, JPG, TIF
등)은 헤더 정보를 이미지 자체에 가지고 있기 때문에 이미지
를 읽어 들일 경우 헤더정보를 분석하는 작업이 필요하여 프
로그램의 길이가 커지며 코딩작업 역시 어려워지기 때문이다.
반면 raw 파일포맷을 사용하면 이미지 파일에 대한 헤더 정
─ 175 ─
대한영상의학회지 2004;51:165-177
보가 없으므로 영상처리를 위하여 헤더를 분석할 필요가 없
고, 영상 데이터를 직접 처리하게 되므로 부가적인 코드가 필
요하지 않게 된다. 반면 단점으로는 영상정보를 개발자가 알
고 있어야 하고, 또한 프로그램의 유연성이 작아진다는 점이
다(17-20).
본 연구의 또 다른 특징은 총 73장의 단면영상을 순차적으
로 일괄처리 하였으며 또한 MS-excel 파일로 결과를 저장할
수 있도록 하였기 때문에 원활한 데이터 처리와 함께 결과분
석을 보다 신속하게 처리할 수 있다는 점이다. 데이터 처리시
간은 수작업에 비하여 약 240배정도 신속하게 처리할 수 있
었으며, 또한 excel 파일에는 각 영역별로 활성화된 픽셀수를
저장하였기 때문에 활성화율과 활성화도를 자동적으로 계산할
수 있도록 하였다. 한편 FALBA 프로그램을 이용하여 측정한
픽셀수와 수작업에 의해 측정된 픽셀수를 상호 비교해 보면
프로그램을 이용하는 것이 보다 정확한 결과를 보였다.
결론적으로 픽셀차분 영상기법을 이용한 FALBA 프로그램
을 사용하면 뇌기능 영상에서 대뇌중추의 활성화 위치와 면적
을 고려한 대뇌의 각 영역별 활성화도와 활성화율, 그리고 좌?
우반구 우세도 등을 해부학적, 기능학적 영역에 따른 정량적
인 분석이 가능하였으며, 또한 수작업에 비하여 보다 신속하
고 정확하게 측정할 수 있었다.
참 고 문 헌
1. Ogawa S, Lee TM, Nayak AS, Glynn P. Oxygenation-sensitive con-trast in magnetic resonance image of rodent brain at high magneticfield. Magn Reson Med 1990;14:68-78
2. Ogawa S, Lee TM, Kay AR, Tank DW. Brain magnetic resonanceimaging with contrast dependent on blood oxygenation. Proc NatlAcad Sci USA 1990;87:9868-9872
3. Duyn JH, Moonen CT, Van Yperen GH, de Boer RW, Luyten PR.Inflow versus deoxyhemoglobin effects in BOLD functional MRIusing gradient echoes at 1.5T. NMR Biomed 1994;7:83-88
4. Duong TQ, Silva AC, Lee SP, Kim SG. Functional MRI of calcium-dependent synaptic activity: cross correlation with CBF and BOLDmeasurements. Magn Reson Med 2000;43:383-392
5. Lee SP, Silva AC, Ugurbil K, Kim SG. Diffusion-weighted spin-echo fMRI at 9.4 T: microvascular/tissue contribution to BOLD sig-nal changes. Magn Reson Med 1999;42:919-928
6. Gati JS, Menon RS, Ugurbil K, Rutt BK. Experimental determina-tion of the BOLD field strength dependence in vessels and tissue.
Magn Reson Med 1997;38:296-3027. Tzourio-Mazoyer N, Landeau B, Papathanassiou D, Crivello F,
Etard O, Delcroix N, et al. Automated anatomical labeling of acti-vations in SPM using a macroscopic anatomical parcellation of theMNI MRI single-subject brain. Neuroimage 2002;15:273-289
8. Lancaster JL, Woldorff MG, Parsons LM, Liotti M, Freitas CS,Rainey L, et al. Automated Talairach atlas labels for functionalbrain mapping. Hum Brain Mapp 2000;10:120-131
9. Kiebel SJ, Poline JB , Friston KJ, Holmes AP, Worsley KJ. Robustsmoothness estimation in statistical parametric maps using stan-dardized residuals from the general linear model. Neuroimage1999;10:756-766
10. Rademacher J, Galaburda AM, Kennedy DN, Filipek PA, CavinessVS. Human cerebral cortex: localization, parcellation, and mor-phometry with magnetic resonance imaging. J Cogn Neurosci1992;4:352-374
11. Rajkowska G, Goldman-Rakic PS. Cytoarchitectonic definition ofprefrontal areas in the normal human cortex: II. variability in thelocations of areas 9 and 46 and relationship to the Talairach coordi-nates system. Cereb Cortex 1995;5:323-337
12. Rademacher J, Caviness VS Jr, Steinmetz H, Galaburda AM.Topographical variation of the human primary cortices: implica-tions for neuroimaging, brain mapping, and neurobiology. CerebCortex 1993;3:313-329
13. Caviness VS Jr, Meyer J, Makris N, Kennedy DN. Specifiedmethod with estimate of reliability. J. Cogn. MRI-based topograph-ic parcellation of human neocortex: An anatomically. Neuroscience1996;8:566-587
14. Wu DC, Tsai WH. A steganographic method for images by pixel-value differencing. Pattern Recognit Lett 2003;24:1613-1626
15. Philipp I, Rath T. Improving plant discrimination in image process-ing by use of different color space transformations. ComputElectron Agric 2002;35:1-15
16. Hwang KF, Chang CC. A fast pixel mapping algorithm using prin-cipal component analysis. Pattern Recognit Lett 2002;23:1747-1753
17. Yue ZQ, Chen S, Tham LG. Finite element modeling of geomateri-als using digital image processing. Comp Geotech 2003;30:375-397
18. Zhao W, Busto R, Truettner J, Ginsberg MD. Simultaneous mea-surement of cerebral blood flow and mRNA signals: pixel-based in-ter-modality correlational analysis. J Neurosci Methods 2001;108:161-170
19. Friedlinger M, Schroder J, Schad LR. Ultra-fast automated brainvolumetry based on bispectral MR imaging data. Comput MedImaging Graph 1999;23:331-337
20. Yule B, Roberts S, Marshall JE. Quantitative spore color measure-ment using image analysis. Org Geochem 1998;28:139-1490
─ 176 ─
이진명 외: 픽셀차분 알고리즘에 의한 대뇌 활성화도의 정성 및 정량 분석 프로그램의 개발
─ 177 ─
대한영상의학회지 2004;51:165-177
J Korean Radiol Soc 2004;51:165-177
Address reprint requests to : Gwang-Woo Jeong, Ph.D., Department of Radiology, Chonnam National University Medical School8 Hack-dong, Dong-gu, Kwang-ju 501-757, Korea.Tel. 82-62-220-5881 Fax. 82-62-226-4380 E-mail: [email protected]
Qualitative and Quantitative Measurement of Human Brain Activity Using Pixel Subtraction Algorithm1
Jin-Myoung Lee, Gwang-Woo Jeong, Ph.D.1,2, Hyung-Joong Kim, Ph.D.2, Seong-Hoon Cho, Heoung-Keun Kang, M.D.2, Jeong-Jin Seo, M.D.2, Seung-Jin Park, Ph.D.3
1Interdisciplinary Program of Biomedical Engineering, Chonnam National University Graduate School2Department of Radiology, Chonnam National University Medical School
3Department of Biomedical Engineering, Chonnam National University, Hospital
Purpose: To develop an automated quantification program, which is called FALBA (Functional & AnatomicalLabeling of Brain Activation), and to provide information on the brain centers, brain activity (%) and hemi-spheric lateralization index on the basis of a brain activation map obtained from functional MR imaging. Materials and Methods: The 3-dimensional activation MR images were processed by a statistical parametricmapping program (SPM99, The Wellcome Department of Cognitive Neurology, University College London,UK) and MRIcro software (www.mricro.com). The 3-dimensional images were first converted into 2-dimen-sional sectional images, and then overlapped with the corresponding T1-weighted images. Then, the imagedataset was extended to -59 mm to 83 mm with a 2 mm slice-gap, giving 73 axial images. By using a pixel sub-traction method, the differences in the R, G, B values between the T1-weighted images and the activation im-ages were extracted, in order to produce black & white (B/W) differentiation images, in which each pixel isrepresented by 24-bit R, G, B true colors. Subsequently, another pixel differentiation method was applied totwo template images, namely one functional and one anatomical index image, in order to generate functionaland anatomical differentiation images containing regional brain activation information based on theBrodmann's and anatomical areas, respectively. In addition, the regional brain lateralization indices were auto-matically determined, in order to evaluate the hemispheric predominance, with the positive (+) and negative(-) indices showing left and right predominance, respectively. Results: The manual counting method currently used is time consuming and has limited accuracy and reliabil-ity in the case of the activated cerebrocortical regions. The FALBA program we developed was 240 timesfaster than the manual counting method: -10 hours for manual accounting and -2.5 minutes for the FALBAprogram using a Pentium IV processor. Compared with the FALBA program, the manual quantificationmethod showed an average error of 0.334±0.007 (%). Thus, the manual counting method gave less accuratequantitative information on brain activation than the FALBA program. Conclusion: The FALBA program is capable of providing accurate quantitative results, including the identifi-cation of the brain activation region and lateralization index with respect to the functional and anatomical ar-eas. Also, the processing time was dramatically shortened in comparison with the manual counting method.
Index words : BrainBrain, functionBrain, MR
