Int ern at i onal  Journ al of Ele ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l.   9 ,  No.   6 ,  Decem ber   201 9 , p p.   5227~ 5234   IS S N: 20 88 - 8708 ,  DOI: 10 .11 591/ ijece . v9 i 6 . pp5227 - 52 34          5227       Journ al h om e page :  http: // ia es core .c om/ journa ls /i ndex. ph p/IJECE   Estimati on of  objec t  loc ation pr obability  for  object d etectio n   usin g  bri ghtness f eatur e on ly       Hy u n  Ju n  Par k 1 , K w ang  Ba ek Kim 2   1 Division  of  Soft ware   Conve rge n ce ,   Cheong ju  Un ive rsit y ,   Repub lic  of  Kor ea   2 Division  of  Co m pute r  Software   Engi n ee ring ,   Si l la   Univ ersity ,   Re publi c   of  Kore a       Art ic le  In f o     ABSTR A CT    Art ic le  history:   Re cei ved   A pr   24 , 201 9   Re vised  Ju l  6 ,   201 9   Accepte d  J ul  17 , 2 01 9       Mos t  exi sting  ob je c t  detec t ion  m et hods  use  featur es  such  as  col or ,   shape ,   a nd  cont our.  If  th ere   are   no  consiste nt   fea tur es  c an  be  used,   we  n ee d  a  new  objec t   det e ct ion  m etho d.   Therefore,  in   thi s  paper,  we  propose  a  new  m et hod  for   esti m at ing  the  p roba bil i t y   th at  a n  object  ca n  b e  loc a te d  for   obj e ct   d et e ct ion   and  g ene r at ing   an  ob ject   lo ca t i on  proba b il i t y   m ap  using   onl y  brigh tne ss   in   a  gra y   image .   To  ev al ua te  the  per form ance  o f  the  proposed  m et hod,   w e   appl i ed  it   to  ga ll bla dd er  de tection.  Expe r iment al   resul ts  sho wed  98. 02%   succ ess  rate  fo r  gallbla dd er  d et e ct ion   in  u lt r asonogra m .   Th e ref ore ,   th e   proposed  m et ho d  accura t ely   est imate s  th e  obj e ct   lo cation  prob abi lit y   an d  eff ectivel y   d et e c te d  g al lb la dd er.   Ke yw or d s :   Gall blad der   Me dical  i m age pro ces sin g   Object  detect io n   O bject  loc at ion   Ultraso nogram   Copyright   ©   201 9   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   Kw a ng Bae k Kim ,    Divisio n of Co m pu te r  Softwa re E ng i neer i ng,    Sil la  U niv e rsit y,    140, Ba egya ng - dae ro   (Blv d)  700  be on - gil   ( Rd), Sasa ng - gu, B us a n 469 58,  R epubl i c  of   K ore a .   Em a il :   gb kim @sil la .ac.kr       1.   INTROD U CTION     Re search   f or  de te ct ing   obj ect s  in   im ages  is  on e   of  the   m os t  im po rt ant  fiel ds   i n  im age  processi ng.   In  ge ne ral,  t he   first   thi ng  f or  obj ect   detect io n  is   analy zi ng   the  featur e s  of  the   ob j ect .  Th eref or e ,  if   a n  obj ect   do e s  no t   ha ve   a  c onsist ent  siz e,  posit io n,  sh a pe,  c on t our ,  c olor,  et c .,  ob j e ct   de te ct ion  beco m es  di ff ic ult.   In   pa rtic ular,  wh e n  t he  relat ive  bri ghtnes s   is  the  on ly   usa ble  feat ur e ,  an  a dd it io nal  pro blem   of   thr esh old   set ti ng  is  occ urred, a nd the  de te ct ion  r es ult i s  d if fer e nt  dep e nd i ng on t he us ed  th res ho l d va lue [1,  2 ] .   Since   m os t  exi sti ng  ob j ect   de te ct ion   m et ho ds  us e   feat ur es   s uch  as   c olor,   s hap e ,   an d  co nt our,  if   the re   are  no  c onsist ent  feat ur es  i n  a   gr ay   im age  or   the  obj ect   ca n  be  detect ed  by   on ly   the   dif f eren ce   in  br i ghtness   with  the  s urroundin gs,  we  ne ed  a  ne w  ob je ct   detect ion   m et ho d.   The re fore,  in  t his  pa per,  we  pro po s e  a  new  m et ho d  to  e sti m at e  the  pro ba bili ty   that  an  obj ect   can   be   lo cat ed  in   a n  im age  us in g  only   bri ghtness   fea ture ,   and  ex plain  a   m e tho d  of  ge ner at in g  a n  obj ect   lo cat io n  pro bab il it y  m ap  that  e xpr esses  the   est im at ed   pro bab il it y as  an  im age.   In   orde r  to  est i m at e  the  obj ec t  locat ion   probabil it y,  we  en ha nce  the  c ontra st  us in g  the  e nds - i n  searc h  stret chin g  [ 3]  and  us e   the   co lor   qua ntiza ti on   m et ho d  us in g  c olor   im po rtance - base d  sel f - orga nizing  m ap  [ 4] .   The  pro po se d  m et ho d  ca n  est i m at e  the  locat ion   of  an  obj ec t  hav e  no  c on si ste nt  featu res  i n  gray   im age  even  it   cannot  be  dete ct ed  by  us i ng  ex ist ing  ob j ect   detect io n  m eth ods.   I n  ad diti on,  si nce  the re   is  no  pa ram eter   or  thres ho l d  set ti ng,  c onsta nt   re su lt   is   ge nerat ed  a nd   co ns ta nt   execu ti on   ti m e   is  re qu ire d.  T her e fore,   it   is   s uitable   for real - ti m e i m age pro ces sing.   Ultraso nogram s  are  gr ay   im a ges  a nd  the re  i s  no  c olor  in form ation .  Be ca use   of  the   featu r es  of  organs   in  ultras onogra m   are  ver y  dif f eren t  dep e ndin g  on  t he  pr of ic ie ncy  of  the  operator  [ 5],  the  orga ns   a pp ea ring   i n  ultraso nogram s  are  s hould   be   detect ed  on l y  by  the  dif fere nce  in  br i gh t ness  [ 6] .  Pa rtic ularly ,  the  gallbla dde r   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   6 ,  Dece m ber  2 01 9  :   5227   -   5234   5228   that  app ea rs  in   ultraso nogram   is  an  obje ct   w it h  no   c onsist ent  featu res  [ 7 - 10 ] .  T he refor e ,   it   is  a  go od  fi el d  to   app ly   the  pro po s ed  obj ect   l ocati on   pro ba bili ty   m ap,   so   the  pro posed   m et ho d  will   be  ex plaine d  us in g  ultraso nogram s which  is co nt ai nin g gall blad der.  A  relat ed  s tud ie s ca n be  f ound in  Refe re nce  [11 - 14] .       2.   OBJECT  LO CA TI ON PR OB ABILIT Y   MAP GE NER ATI O N MET HOD   Figure  1  show s  the  proces s  of  est im a ti ng   obj ect   l ocati on  pro ba bili ty   and   gen e rati ng  a   pro ba bili ty   m ap.   W e   est im at e  t he  area  wh e re  t he  obje ct   can  be  l oc at ed,   a nd  ge ne rate  10 0  m ulti - locat io n  in f orm at ion .     The  obj ect   l oc at ion   pro bab il it y  is  est i m a te d  base d  on   t he  m ulti - locat ion  in form ation ,  a nd   the  pro bab il it y  m ap  is ge ner at ed .           Figure  1. The   process  of esti m at ing   obje ct  locati on pr ob a bi li t y and   ge nerat ing  a  pro ba bili ty   m ap       2 . 1.     Prepr oce ssing   The  pr e process ing   us es  bilat eral  filt er  [ 15,  16]   an d  m edian  filt er  [17,  18]   to  rem ov e  noise .  Fig ur e   2  sh ows   the   res ult  of  a pply ing   bilat eral  filt er  a nd  m edian  filt er.   The   bi l at eral  filt er  is  non - li near  an d  is  wel l   known   as  a   no ise - re duci ng   sm oo thin g  fi lt er  that  rem ov es  noise   w hi le   pr ese r ving  edg e   of  a n  i m age .   The  m edian  filt er  ha s  t he  e ffec t  of  rem ov in g  t he  im pu lse   no ise   w hile  al so   preser ving  t he  e dge.   The r efore,   by u si ng the   ab ov e  tw o fil te rs, it  is possible t o pr ese r ve  the   edg e  and  rem ov e  no ise s .           (a)   (b)     Figure  2 .  Edge - preser ving  noise  r em ov al  usi ng b il at eral  filt er a nd m edian  filt er ,   (a)   O rigin al  im age ,  ( b)   N oise  rem ov ed  im age       2.2.   O b ject   lo cat i on   proba b il ity  represe ntati on  u sing  en ds - in se arc h stretchi n g   In   this  pa per ,   we  assum e  t he  ta rget   obj e ct ’s  br i gh t ness   is  l ow er  tha n  the  s urrou ndin g  are a .   If  the   br i gh t ne ss  of  the   obj ec t  is  higher   t ha n  t he   surr ound ing  area ,   set   it   to   the   opposit e  of   the   descr i ption  belo w.   Fig ure  3  s how s  how   to  represe nt  t he   ob j ect   locat io n  pro bab il it y  by   br i gh t ness.  The  ob j ect   loc at io n  pro bab il it y  is  def i ned   a s  the  pro bab il it y  that  the  obj ect   ca n  be   locat ed .    Sinc e  the  obj e ct   is  assum ed  to  ha ve   a  lo w   bri ghtne ss,  i f  t he  bri gh tness  T low   incl ud e d  in   the   bri gh t ness   ra nge  of  the   obj ect ,   t he  ra ng e   belo w  T low   beco m es  a  ra nge  in   w hic h  t he  obj ect   ca n  be  locat e d  a nd  def i nes  it   as   a  m ini m u m   l ocatable  range   R min .    The  obj ect   ca n  be  l ocated  i n  R min   with  a  high  pro bab il it y.  Con tra sti vely ,  if  we   kn ow   t he   m ini m u m   br ig htn es s   Thigh  that  t he   obj ect   ca nnot   be  locat e d,   t he n  a  br i gh t nes s  gr e at er  tha n  T high   is  a  range   in  w hich   the  obj ect   nev e r  ca n  be  locat ed.  The re f or e ,  the  range  exclu ding  gr ea te r  than   Thi gh  is  def i ned   a s  th e  m axi m u m   locat able  range  R max .   Sin ce  R m ax   has  h i gher  brig htn ess   than  R min ,  R max   has  a  r el at ively  low ob j ect  loc at ion   pro bab il it y.   B i l a t e r a l   f i l t e r M e d i a n   f i l t e r C h a n g e   p a r a m e t e r s   o f   e n d s - i n   s e a r c h   s t r e t c h i n g E n d s - i n   s e a r c h   s t r e t c h i n g Q u a n t i z a t i o n G e n e r a t e   a  l o c a t a b l e   i m a g e 20  l o c a t a b l e   i m a g e s ? G e n e r a t e   m u l t i p l e - l o c a t i o n   i n f o r m a t i o n No Y e s O r i g i n a l i m a g e P r o b a b i l i t y m a p G e n e r a t e   o b j e c t   l o c a t i o n   p r o b a b i l i t y   a n d   m a p 2 . 1 2 . 2 2 . 4 2 . 5 2 . 3 Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Esti ma ti on  of object  loc ation  pr ob ab il it y for  ob je ct   detect io n usin g brig htne ss featu re  on l y  ( Hyun  J un P ar k )   5229       Figure  3 .  Th e  re la ti on sh i p between  brig htn es s and  obj ect  l oc at ion   pro bab il it y       En ds - i n  searc h  stret chin g  [3 ]   is  on e   of  the   c on t rast  stret chi ng  m et ho ds   in   wh ic h  a   ce rtai n  am ou nt  of  pix el s  is  set   to  wh it e  or  bl ack  a nd  the  r e m ai nin g  pix e ls  are  stret c he d  to   a  value  betwee n  0  a nd  255.   The  (1)  e xpla ins t he  e nd s - in   search  stretchi ng.     ) , ( , ) , ( , ) , ( , 255 ) /( ) ) , ( ( 255 0 )) , ( ( y x i h i g h f o r h i g h y x i l o w f o r l o w y x i f o r l o w h i g h l o w y x i y x i o u t p u t   (1)     wh e re  i ( x ,  y )  i s  the  br i gh t nes s  of  the   x ,  y   c oor din at e  pix el   of  the  im age,  l ow   is  a  t hr e shold  f or   set ti ng   pix el s   with  a  l ow e r  br i gh t ness  th a n  low   t o  black  ( 0),  a nd  hi gh   is  a  t hr es ho ld  f or   set ti ng   pix el s  with  a  higher   br i gh t ness   tha n  hi gh   to   wh it e  ( 255).   If  low   =   50   an d  high   =   150,  pixe ls  wit h  a   br i ghtness   lo wer  t ha n  50   in   the  i m age  are  set   to  black,   a nd   pix el s  with   a  br ig htn es s  higher  tha n  150  are  set   to  w hite.  A nd   pix e ls  wit h   the brig htn es s  betwee n 51 an d 149 is  stretch ed  to  b et ween  0  a nd  25 5.   If   the  par am et er  of  en ds - i n  se arch   stret c hing   low   is  se t  to  T low   and   hi gh   is  set   to  T high ,  we   can  obta in  the  re su lt   that   the  bri ghtnes s  bel ow  T low   i s  blac k,  the  bri ghtness   ab ov e  T high   is  wh it e,  a nd  the   bri gh t ness   betwee n  T low   a nd  T high   is  0  t o  255.  Sin ce  we   assum ed  that  the  ob j ect ’s  bri gh tne ss  is  lo w ,  the  obj e ct   l oc at ion  pro bab il it y  increases  as   the  br i gh t ness  dec reases,   an d  de creases  as   the   bri ghtness   in creases.   The re fore ,   by  en han ci ng  the  co ntrast  by  us i ng   e nds - in  sea rch   st r et ching,  the  obj ect   lo cat ion  pro bab il it y   can  be   appr opriat el y expresse d  by th e  bri ghtn ess .       2.3.  De termin ing  ob j ect l oc atab le  r ange  u sing  c olo r  qua nt iz at ion   Since  t he  c on t r ast   en han ce d  im age  sti ll   has  a  bri ghtness   be tween   0  an d  255,  th ere  is   a  pro blem   that  the  br i gh t ness   ra nge  i n  w hich  t he   ob j ect   can   be   locat ed  finall y  is   determ ined.   T he  pro posed   m et ho d  determ ines  the   bri ghtness   ra nge  by  usi ng  c ol or   quantiz at io n  m et ho d.   Col or  qua ntiza ti on   [ 19 - 25]   is  a  m et hod   to  re p resen t   th e  col or s   of orig inal  im age  with  li m i te d  num ber  o f   col or s . I t cl us te rs  or  le ar ns   t he  or i gin al  co lo rs   and  c onve rts  t he  c olors   with in  a   certai n  ra ng e   int o  opti m iz ed  re pr ese ntati ve  c olor.   That  is,   by  a pply ing   the  qua ntiza ti on ,  t he  br i gh t ne ss  of o ri gin al   i m age  is  di vid e d  int o  s pecific ranges,   an d  t he   pix el s   co rr es pondin g  to each  r a nge a re c onver te d  i nt o  re pr e sentat ive c olors.   In  the   propose d  m et ho d,   we   qu a ntize   t he  c on t rast  e nhanc ed  im age  with  8  c olors   (C 1   ~  C 8 )  by  us i ng   colo r  qu a ntiza ti on   m et ho d  us in g  c olor   im po rtance - bas ed  sel f - orga nizing  m aps  [ 4] .   Fig ur e   4  s hows   the  pr ogress   of  determ ining   the  ob j ect   loc at able  ra ng e s.   Since  we  as sum ed  the  obj ec t  is  da rk,  it   is   al s o  expresse d  i n  dark  c olor  i n  the  quantiz at ion  res ult.  T he refor e ,  the   bri ghtness   ra ng e  of  t he  tw o  darkest   represe ntati ve  colo rs  (C 1 ,   C 2 )  is   a   hi gh  prob a bili ty   that  the  obj ect   can   be   l ocated,   a nd  this   is   de fi ned  as   the m ini m u m  o bj ect  loc at able  range  LR min . O n  the c on t rar y,  t he  bri ghtness  range e xcep t f or  t he  bri ghte st colo r   (C 8 )  is  a  relat ively   low  pr obabili ty   that  the  ob j ect   can  be  locat e d,   a nd  is  de fine d  a s  a  m axi m u m  obj ect   locat able ra nge   LR max .   0 255 T l o w =   low T h i g h =   high Not loca table   ra ng e Min.  loca table   ra ng e   R m i n Or ig inal R e s u l t   o f   c o n t r a s t e n h a n c e m e n t   0 0~ 255 255 Ma x .  loc a ta ble   r a ng e R m a x Obje c t  ra ng e Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   6 ,  Dece m ber  2 01 9  :   5227   -   5234   5230       Figure   4 .  D et er m ining  the   br i gh t ness ra ng e   of an  ob j ect   lo cat able re gion  us in g q uan ti zat ion       2.4.  Estim at i ng   m ultipl e - l oc at i on   in fo r m at i on     The  locat io n  in form ation   m ea ns   an  im age  in  wh ic h  the  obj e ct   locat able  re gions  are  m arked,  a nd   it   is   est i m at ed  by  app ly in g  AND  op e rati on  to  t he   m ini m u m   locat able  i m age  LI min   an d  the   m axi m u m   locat able   i m age  LI max .   LI min   is  an  im age  obta ined   by  conve rting  pi xe ls  inclu ded   i n  LR min   into  bla ck  ( 0)  a nd   t he   rest  pix el s a re c onve rted  i nto   w hite ( 255), a nd  LI max   is an im age co nve rted  as  a bove usi ng  LR max .   The  pro posed   m et ho d  ge ner a te s  LI min   an d  LI max   re peatedly   (20  ti m es)  whil e  c hangin g  t he  lo w  a nd   high  values   of   the  e nds - i n  se arch  stret chi ng  pa ram et ers.   Since  it   is  im po ssible  to   kn ow  the  e xact  valu es  of   T low   and   T high   for  est im a ti ng   the  ob j ect ' s  br ig htn ess  ra nge,  it   is  intende d  to  est im at e   the  ob j ect   lo cat io n  pro bab il it y  in  var i o us   bri ghtness  c onditi on s  by  ass um ing   T low   and   T high   as  var i ous  val ue s.   Fig ur e  5  s ho ws  a n  exam ple o f  LI m in   and  LI max . T he  p a ram et er v al ues used t o ge ner at e  LI min   a nd  LI max   are  sho wn in Fi gure  5.           Figure  5. Mi nim u m  an d  m axi m u m   locat able i m ages,    (a)   Mi nim u m  l ocatable i m ages ,   ( b) Maxim um   locat able im ages       AND  op e rati on  ext racts  only   the  re gions  in dicat ed  by  bla ck  in  LI min   an d  LI max .  I n  the  t wo   im ages,  black   m eans  that  the   obj ect   locat able  reg i on,   so  it   is  t he  sam e  as  extrac ti ng   t he  reg i ons  w he re  in dica te d  as   obj ect   locat abl e.  Be cause  LI min   and   LI max   are   gen e rated  us i ng   t he  assum ed  T low   an d  T high   values,   s o  it   m ay   be  Q u a n t i z a t i o n r e s u l t C 1 C 2 C 8 … R e p r e s e n t a t i v e ER m i n 0 255 T low =   low T high =   high R e s u l t   o f   c o n t r a s t e n h a n c e m e n t   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Esti ma ti on  of object  loc ation  pr ob ab il it y for  ob je ct   detect io n usin g brig htne ss featu re  on l y  ( Hyun  J un P ar k )   5231   inaccu rate,  A ND  op e rati on  extracts  t he   re gion  w her e   the   ob j ect   lo cat io n  pro ba bili ty   i s  hi gher   by   ex tract in g  the  com m on   r egio ns .  I n  a ddit ion ,  the   com bin at io n  of   LI min   and   LI max   i s  inten ded  to  est i m at e  m or e  locat ion  inf or m at ion   in   m or e  var i ou s   cases   a nd  to   est im a te   m or e   acc ur at e  ob je ct   l ocati on  pro ba bili ty   ther eafter.   In   the  e stim at e d   locat io n  in form ation ,  the  re gions  to o  bi g  or   to o  sm al l  ar e  rem ov ed  usi ng   siz e  filt er  be cause   the  obj ect   ha s  a  c ertai n  si ze.   Fi gure   6  sh ows   the   process   of  e sti m at ing   a  l oca ti on   i nfor m at i on  o f   the g al lbla dder  in ult rason ogr a m .                (a)   (b)   (c)   (d)     Figure   6 .  Th e   process  of esti m at ing  a locati on in form at ion ,    (a)   LI min , ( b)   LI max , ( c)  AND o per at io n,  ( d) L ocati on in form at ion   (size fil te r  is a pp li ed )       The  pr opos e d  m et ho d  est im a te s  a  total   of   100  pieces  of  posit ion   i nfor m at ion   by  a pp ly ing   a n  A ND  op e rati on  to   e ach  of   10  LI min   and  LI max   al te rn at el y,  a nd  def i nes  it   as  m ul ti - locat ion   inf or m at ion .  F igure  7  sh ows  25  of   t he  total   100  m ul ti - locat ion   inf or m at ion   im ages  f or   det ect ing   gallbla dder  i n  ultraso nogram .    The   act ual   gall blad der  reg i on  is  i nclu de d  i n  21   of  25   im a ges.  Howe ver ,   the   non - gallbl add e r   re gions   can  be   seen  only  in  s om e i m ages.             Figure  7. Mult iple - locat io n  i nfor m at ion   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   6 ,  Dece m ber  2 01 9  :   5227   -   5234   5232   2.5.  Ob ject  lo cat i on   proba b il ity  estim at i on a nd pro babi li ty  m ap   gene rat i on   By   aver agi ng  the  est i m at ed  m ulti ple - locat ion   in form at i on,  it   is  po ssi ble  to  in direct ly   est i m at e   the  pro ba bili ty  that  an  obj ec t  can  be   locat ed  at   eac h  pi xe l  po sit io n  us ing  bri ghtness .   This  pro bab il it y  is   def i ned  as  the   obj ect   l ocati on  pro bab il it y,  and  the  im age  re pr ese ntati on  is  de fine d  as   the  pr ob a bili ty  m ap.   Figure  8  sho w s  an   exam ple  of  ob j ect   locat ion   pro ba bili ty  m ap  for  detect ing   gallbla dde r  in   ultras onog ram .   In  ob j ect   locat ion  pro ba bili ty  m ap,   the  da r k  reg i ons  in di cat e  that  the   obj ect   ca n  be   hi gh ly   lo cat ed ,   an d   the act ual  gallb la dd e r  re gion  a pp ea rs da rk e r  t han o t her re gions.           Figure   8 .  O bje ct   l ocati on  pro bab il it y m ap       3.   E X PERI MEN T AL   RES UL TS A ND AN A LYSIS     The  e xperim e ntal  en vir on m ent  f or  eval uating  t he  pro po s ed  obj ect   loc a ti on   pro bab il it y  m ap  is  as   fo ll ows.   W e  use d  PC  with  I nt el   i5 - 44 60  3.2 0  GH z   CPU   an d  8.0  GB  RAM,   an d  the  m et hod  is  im ple m ent ed  in   Visu al   Stu dio  2015  with   MF C - base d  C   ++  la nguag e .  O pe nCV  3.1 0   was   us e d  as   a n   im a ge  processi ng  l ibrar y.   The  98  ultraso nogram s  us ed  i n  the   e xp e rim e nt  we re  ta ke n  us in g  PHILI PS   I U  22  Ultras ound  e quipm ent  from   Novem ber   2013 to  J uly 2 016. All ult ras onog ram s ar e u se d  i n  the   te rtia ry  hosp it al .     3.1.    Gr ou n d  t ruth   f or test  ima ges    To   eval uate  t he   pe rfo rm ance  of  the   pro po se d  m et hod,  gro und  tr uth s   wer e   gen e rated   for  t he  c ollec te d  ultraso nogram s.  T he  gro und  truth  is  c om po sed  of  the   cent er  po i nt  of  t he  gallbla dder ,  th e  le ng t h  of  the   m ajor   axis  a nd  t he   le ng t h  of  t he   m i nor   axis,   a nd  t he  a rea   of   the   gallbla dder .   Ta ble  1  sho ws   ex a m ples  of   ge ne rated   gro und  trut h.  The   gal lbla dd e r  a rea  was   dire ct ly   m ark ed   by   the   pe rs on,  an d  t he  ce nter   point,  le ngt h,  an d  are a   of   t he  gallbla dder  wer e   obta ined  us i ng   t he  pro gr am .  If   the   gallbla dder   lo ok s   li ke  se par a te d  [ 26,  27]   as  sh ow n  in  Table  1  ( b),  the  area  is  c al culat ed  as  th e  su m   of   the  t wo   ar eas,  a nd  the  ce nter  point  an d  le ngt h  are  cal culat ed  as t he  a ver a ge of  t he  tw o  a rea.       Table  1 .  E xam ples  of   gro und  truth  ( un it :   pixe l )     (a)   (b)   (c)   Grou n d  tr u th         Cen ter   p o in t ( x ,  y )   (30 6 ,  2 2 6 )   (16 7 ,  2 0 8 )   (19 8 ,  1 7 8 )   L en g th   ( m ajo r ,  m i n o r)   (15 7 ,  8 2 )   (16 6 ,  4 9 )   (33 3 ,  1 3 1 )   A rea   9 ,59 8   1 2 ,81 5   3 1 ,37 0       3.2.    Perf orm ance  evalu at i on o f obj ec t  l ocation  pr obabil ity     We  ex per im ented  how  m any  the  act ual  obj e ct   reg io ns   is  in cl ud e d  in  the  ge ner at e d  pro ba bili ty   m ap  to  eval uate  the   perform ance  of   t he  est im a ted   ob j ect   locat ion   pro ba bili ty .   To  do   t his,  th e  pro bab il it y  m ap  is   bin a rized w it h t he  th res ho l d  of 8 5  (=   25 5   ×  1/ 3)   t o  gen e rate a  can did at e  im age.  If  the   can did at es  c onta in   m or e  than   70%   of  t he   gallbla dd e r  r egio n  i n  gro und  tr uth,  it   is  ju dg e d  that  the   obj ect   locat io n  pro bab il it y  est im at ion   is success f ul.  T able 2 s hows  t he result  of ob je ct  cand i date  ge ner at io n.     Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Esti ma ti on  of object  loc ation  pr ob ab il it y for  ob je ct   detect io n usin g brig htne ss featu re  on l y  ( Hyun  J un P ar k )   523 3   Table  2 . Res ult o f  ca nd i date ge ner at io n usi ng obj ect  l ocati on  pro bab il it y   Res u lt   Total cand id ates   270   #  of  ob ject   101   Hit r atio   3 6 .67 % (99 /2 7 0 )   Esti m atio n  su ccess  r ate   9 8 .02 % (99 /1 0 1 )       A  total   of   270  cand i dates  we re  ge ner at e d  f r om   the  cand id at e  i m ages.  Since  ther e  are  3  im ages  of   gallbla dder  d i vi ded  i nto  t wo in th e  98 e xperi m ent i m ages,  there  are  101 ac tual o bj ect s . T he  re su lt  s how s 99 of   the  10 1  obj ect   wer e   inclu de d  in  the  c an did at es,  w hic h  s how ed   98. 02%  obj ect   su cces s  r at e,  a nd  99  of  t he  27 0  cand i dates a re  est i m at ed  as act ual obj e ct s,  a nd the  h it   rate i s  36.67% .   In   a ddit ion ,  w e  cal culat ed  th e  differe nce  in   br i gh t ness  between   t he  obj e ct   (g al lblad de r )  re gion  a nd   the  non - ob j ect   ( non - ga ll blad der)   re gion   in   the   gen e rated   pr ob a bili ty   m ap.  T he   ob j ect   re gion   is   bas ed   on   gro und  t ru t h.   Table  3  s how s  the  ave rag e   bri ghtness   of   the  obj ect   re gi on  a nd  the   non - ob j ect   re gi on  i n   the pr ob a bili ty  m ap.       Table  3 . A ve ra ge bri gh t ness o f object  a nd no n - obj ect   reg i on s in pro bab il it y m ap     Av erage brig h tn ess  of    o b ject r eg io n   Av erage brig h tn ess  of    n o n - o b ject r eg io n   M in i m u m   1 5 .66   1 9 7 .65   M ed ian   7 3 .71   2 2 8 .86   M ax i m u m   2 4 8 .47   (t op   1 0 % = 13 6 .88 )   2 5 0 .71   ( t op   1 0 % = 24 3 .75 )   A v erage   7 9 .77   2 2 7 .38       In  a  pro bab il it y  m ap,   br i gh t ne ss  m eans  the   obj ect   l ocati on  pro ba bili ty ,  and  the   lo wer  th e  bri ghtness ,   the  highe r  the  pro bab il it y.  Th e  aver a ge  br i ghtness  of  the  obj ect   reg i on   is  about  35%  of  the  ave ra ge  bri gh t ness   of  the   no n - obj ect   re gion ,  s o  that  it   c onfir m ed  that  th e  est i m at ed  obj e ct   locat ion  prob a bili ty   is  hi gh  in   the  re gion  w he re  the  act ua l  obj ect   is  loc at ed.   Wh e n  t he  est im a te d  obj ect   locat io n  is  not  accu ratel y,   the  a ver a ge   br igh tne ss  of  t he   ob j ect   reg i on  inc reases   up  t o  248.4 7.  I t   is   a  c ounte rev i de nce  t hat  the   obj ect   locat ion   pro ba bili ty  is accur a te ly  estim at ed.       4.   CONCL US I O N   In   this  pa per ,  we  pro pose d  a  new   m et ho d  for  est i m at ing   the  prob a bili ty   t hat  an  obj ect   c an  be  l ocate d  for  ob j ect   dete ct ion   a nd   ge ne rati ng   a n  obj ec t  locat ion   pro ba bili ty   m ap  us ing   only   bri ghtness  in   a  gray   i m age  wh e re  i nfor m at ion   s uc h  as   c olor,  sh a pe,  a nd  co nt our  ca nnot  be  us e d.   The   propose d  m et ho d  repre sented   the  pro bab il it y  that   an   obj ect   ca n  be   locat e d  us i ng  th e  bri gh tne ss   us i ng  the   e nds - in   s earch   stret c hing  a nd   qu a ntiza ti on,  and  gen e rate d  t he  m ulti - l ocati on  in f orm at ion .  Ba se d  on  m ulti - l ocati on  i nf orm at ion ,   the  pr opos e d  m et ho d  e stim a te d  the  obj ect   locat ion   pro ba bili ty   and   generate d  t he  loca ti on   pro bab il it y  m ap .   To  e valuate  the  pe rfo rm ance  of   t he  pr opos e d  m et ho d,   we  ge nera te d  the  gr ound  trut hs   of   t he  98  ultraso nogram s  of  gallbla dd er  a nd   a ppli ed  the   pro pose d  m et ho d  t o  gallbla dder   de te ct ion .  E xper i m ental   resu lt s   sho wed  98. 02%   s ucce ss  rate  by  ge ne rati ng  the   ca ndidate s   inclu di ng  99  of  101  gallbla dder   re gions.  The pr opose d  m et ho d  e ff e ct ively  locate d ga ll bladd e r  in  u lt rason ogram  an d  ca n be a pp li e d  in  v a rio us   fie lds .       REFERE NCE S      [1]   S.  J.   Sree   an d  C.   Vasan thana y aki,   “ Ultra sound  Fet al  Im age  Segm ent a tion  T ec hniqu es:   A  R eview, ”     Curr ent   Me di cal Imaging  R evie w s ,   vol. 15, no. 1 pp.  52 - 60 ,   2019 .   [2]   N.  Shrivasta v a  and  J.   Bharti,   “ A  Com par at ive  Anal y sis  of   Medical   Im ag e  S egmenta t ion,”  I n  Inte rnation a l   Confe renc e  on   A dvanc ed   Comput ing  Ne tworki ng  and  Informatic s ,   vol. 870, pp. 45 9 - 467,   2019 .   [3]   J.  A.  Hid es,   et  a l. ,   “ Us e  of  r ea l - t ime  ult r asound  i m agi ng  f or  f ee d bac k  in  r eha b il i t at ion , ”   Manual  t herapy ,   vol.  3,   no.   3 ,   pp .   125 - 1 31,   1998 .   [4]   H.  J.  Park ,   e t  al . ,   “ An  eff e ct iv e  col or  qu ant i za t i on  m et hod  usin g  col or   importa nce - base d   self - o rga nizing  m aps, ”   Neural  Ne twork Wor ld ,   vol .   25 ,   n o.   2 ,   pp .   121 - 13 7,   2015 .   [ 5]   T.   Yam ad a,   et al . ,  Text boo k  o f  ga stroente rology   ( Vol .   5) .   W il e y - B la ckwe ll ,   2009.   [6]   T.  C.   Noone ,   e t  al. ,   “ Abdom ina l   imaging  stud ie s:   compar ison  of   dia gnostic  accur ac i es  r esult ing   fr om   ult rasoun d ,   computed  tomo gra ph y ,   and  m a gnet i c  reson anc e   imaging  in  t h e  sam e  indi vidu al, ”  Magne ti c   resonance   imaging ,  vol.     22,   no.   1,   p p.   19 - 24 ,   2004 .   [7]   D.  Abraha m ,   et  al. ,    “ Eme rgen c y  Me d ic in e  Sono graphy:  Pocke t  Guide  to   Sonographic  Anat omy  and  Pat holog y ,”   Jones &   Bar tlett  Le arn ing, 2009.   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   6 ,  Dece m ber  2 01 9  :   5227   -   5234   5234   [8]   S.  Bodzi och   and   M.  R.   Ogi el a ,   “ New  appr oac h   t o  gal lb la dde r  ultrasonic  imag es  a naly s is  and  le sio ns  rec ognition, ”   Computerized  M edi ca l  Imaging   a nd  Gr aphic s ,   vo l .   33 ,   no .   2 ,   pp .   1 54 - 170,   2009 .   [9]   S.  Bodz ioc h ,   “ Autom at ed  D et e ct ing   S y m ptoms   of   Sel ec t ed   Ga ll bla dd er   Il lne ss   Based   on   A   St a tic  Ul tra soun d   Im age s Anal y s is,”   Bio - Al gorithm s and  Me d - S ystem s ,   vol. 2, no. 3, pp. 33 - 42,   2006 .   [10]   C.   T .   Bo ll ig er ,   e t   al. ,   “ Cli n ical  Ch est  Ultr asound, ”   Progress   in  Re s piratory  R ese arc h ,   vol .   37 ,   pp .   18 2 - 188,   2009 .   [11]   V.  Munee sw ar a n  and   M.   P.  R a ja seka r an,  “ Autom at ic  Segm entati on   of   Gall b ladder  Us ing   Intu it ioni st ic  Fuz z y   Based  Act ive Co ntour  Model , ”   M ic roel ec troni cs,   El e ct rom agnet i c s and  Telecomm unic ati ons ,   pp .   6 51 - 658,   2019 .   [12]   M.  Cie cho le ws ki,   “G all bladd er  segment ati o n  in  2 - D  ultr asound  images  using  def orm able   cont our   methods, ”   Intern at ion al  Confer e nce  on   Modeling  Dec isions  f or  Artif ic i al  In te lligen ce,  Spri nger ,   Ber li n ,   Heide lb erg ,   201 0.   [13]   J.  Li an ,   e t   al. ,   “ Autom at ic   ga ll b la dder   and  ga ll s tone   reg ions  segm ent at ion  i n  ultrasound  image,”   Inte rnat iona l   journal  of   comp ute r ass iste d  rad iol ogy   and  sur ge ry ,   vol .   12 ,   no .   4 ,   pp .   553 - 568 ,   2 017.   [14]   V.  Munee sw ar a n  and   M.  P .   R ajaseka ran ,   “ Autom at ic   s egmenta t ion  of   gallbla dd er  using   bio - ins pire d  al gor it hm   base d  on  a  spid e r  web c onstructi on  m odel , ”  The   Journal  of   Super computi ng ,   pp.   1 - 26,   2018 .   [15]   C.   Tomasi  and   R.   Mandu chi,   “ Bi lateral   filte rin g  for   gray  and   col or  images , ”   Proce edi ngs   of   the  1998   IE E E   Inte rna ti ona l  Co nfe ren c e  on   Co m pute r  Vision,   p p.   839 - 846 ,   Jan .   1998.   [16]   A.  Yoza ,   et  al . ,   “ A  Stud y   on   Eff ec t ive  Repetitio n  of  B ilate r al  Fil te r   for  Med ical   I m age s,”   Bul l etin   of  N et working ,   Computing,   S yst ems,  and  So ft wa re ,   vol .   8 ,   no .   1 ,   pp.   41 - 44 ,   2019 .   [17]   T.   Huang ,   et   al . ,   “ A  fast  two - di m ensiona l  m edian  filter ing  a lgo rit hm , ”  IE E E  Tr ansacti ons  on  A cousti cs,   Sp eech ,   and  Signal P roc essing ,   vol .   27 ,   n o.   1 ,   pp .   13 - 18 ,   1979.   [18]   R.   C.   Gonza lez a nd  R.   E. Woods ,   “ Digit al image pr oce ss ing  3rd e dit ion , ”   Pren tice Hall ,   Nueva   Jers e y ,   2008 .   [19]   M.  E .   C el eb i,   et  al. ,   “ An  eff ec t iv e  re al - ti m e   col or   quantiz at ion   m e thod  base d   on   di visive   h ie r arc hi c al   cl uste ring,”  Journal  of   R eal - Time  Image Proce ss ing ,   vo l. 10,  no.   2 ,   pp .   329 - 3 44,   2012 .   [20]   Y.  C.   Hu  and  B .   H.  Su ,   “ Acc e le r at ed   K - m ea ns  c l usteri ng  al gor it h m   for  col our   im age   qu antization , ”   The  Imagi ng   Sci en ce J ournal ,   vol. 56, no. 1, p p.   29 - 40 ,   2008 .   [21]   G.  Schae f er  an d  H.  Zhou,   “ Fuzz y   c luste ri ng   for  col our  r ed uct ion  in  image s,”   Telecomm unic ati on   S yste ms ,    vol.   40 ,   no .   1 - 2 ,   pp.   17 - 25 ,   2009 .   [22]   Q.  W en   and   M.   E.  Celebi ,   “ Hard   ver sus   Fuz z y   c - m ea ns  cl ust eri ng   for   col or   qu ant i za t ion, ”   EURA S IP  Jo urnal  o n   Adv anc es  in   Sig nal  Proc essing ,   vol.   2011 ,   no .   1 ,   pp.   118 - 129 ,   20 11.   [23]   K.  L.  Chung,   et   al . ,   “ Speedu p  of  co lor  pa l et t e  ind exi ng  i n  self - orga n izat ion   of  kohon en   feature  m ap, ”    Ex pert   Syste ms   wit h  App licati on s ,   vol. 39, no. 3,  pp.   2427 - 2432 ,   2012.   [24]   J.  Rast i,   e t  a l. ,   “ Color  red u ct io n  using   a   m ult i - stage  kohonen   self - orga ni zi ng   m ap  with   red un dant  fe at ure s , ”   Ex pert   Syste ms   wit h  App licati on s ,   vol. 38, n o.   10 ,   pp . 13188 - 1319 7,   2011 .   [25]   G.  Schae f er,  “ Inte lligent  approache s  to  col our   pale t te   d esign , ”  Innova ti ons  i n  Inte l li g ent   Im age   Ana l y s is,   Springer  Ber li n   Heide lb erg ,   pp.   275 - 289,   2011 .   [26]   T.   Yam ad a ,   et al . ,   “ Text book   of  g astroente rology ,”   (vol.   5 ), W i ley - Bla ckwe ll ,   200 9.   [27]   D.  Abraha m ,   e t  al. ,   “ Emerge nc y  Medicine   Sonograph y :  Pock et  Guide  to   Sonogr aphi c   Anatom y   and  Patho lo g y , ”   Jone s  &   Bartl et t   Learning ,   2009 .       BIOGR AP H I ES   OF  A UTH ORS       Hy un   Jun   Park ,  He  recei ved   his  M.S.  and  Ph.D.  degr ee s  fro m   the   Depa rtme nt  of  Com pute r  Engi ne eri ng,   Pus an  Nati ona l  Univer sit y ,   Busan,   Korea ,   in   2009  a nd  2017,   r espe ct iv ely .   In   2017,   he  was  a  postdo ct ora l  rese arc h er   at   BK21P LUS,  Crea t ive   Hum an  Resourc e  Dev elopm ent   Program   for  IT  Converg enc e ,   Pus an  Na ti onal  Univer sit y ,   Korea .   From   2018  to  th e  p rese nt,  he  is  an   associa t e   p rofe s sor  at  the  Divis ion  of   Softwar e   Converg ence,  Cheongj u   Unive rsit y ,   Korea .   Hi s   rese arc h   in te rest s  inc lud e  computer   v ision,  image   proc essing,   fa ctor y   aut o m ation,   neur al  net work ,   and  de ep le a rnin g  applications.         K w ang  Ba ek  K im ,  Kw ang   Ba e k  Kim   recei ved   his  M.S.  and  Ph. D.  degr ee s  from   the  Depa r tment  of  Com pute r   Sci enc e ,   Pus an   Nat iona l   Univer si t y,   Busan ,   Kor ea,  in  1993   and   199 9,   r espe ctive l y .   From   1997  to  the   pr ese nt ,   h e   is  a  prof essor  at  th e  Div isio n  of  Com pute r   and   Inform at io n   Engi ne eri ng,   Sill a  Univer sit y ,   Ko rea .   He  is  cur r en tly   an  associate   edi tor  for  Journ a l  of  Intelli g ence  and  Inform ation   S y st ems   a nd   T he  Open   Com pute r   Scie n ce  Jour nal  (US A).  His  rese arc h   int er est s  inc lud e  fuz z y   n e ura l  n et work  and   applications, bi oinformati cs,   an d  image   proc essi ng.     Evaluation Warning : The document was created with Spire.PDF for Python.