KR101527656B1 - 의료 영상에서 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 방법 및 시스템 - Google Patents
의료 영상에서 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 방법 및 시스템 Download PDFInfo
- Publication number
- KR101527656B1 KR101527656B1 KR1020130154555A KR20130154555A KR101527656B1 KR 101527656 B1 KR101527656 B1 KR 101527656B1 KR 1020130154555 A KR1020130154555 A KR 1020130154555A KR 20130154555 A KR20130154555 A KR 20130154555A KR 101527656 B1 KR101527656 B1 KR 101527656B1
- Authority
- KR
- South Korea
- Prior art keywords
- intensity distribution
- distribution function
- point intensity
- interpolating
- image
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 238000003384 imaging method Methods 0.000 claims abstract description 15
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 9
- 238000004088 simulation Methods 0.000 claims abstract description 7
- 238000005315 distribution function Methods 0.000 claims description 171
- 230000006870 function Effects 0.000 claims description 38
- 238000002059 diagnostic imaging Methods 0.000 claims description 30
- 238000005070 sampling Methods 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 20
- 238000005457 optimization Methods 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 5
- 239000011148 porous material Substances 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000012800 visualization Methods 0.000 claims description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims 2
- 229910052799 carbon Inorganic materials 0.000 claims 2
- 229920013655 poly(bisphenol-A sulfone) Polymers 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 2
- 238000005452 bending Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/08—Volume rendering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20201—Motion blur correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
의료 영상에서 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 방법은 의료 영상 시스템의 대칭성을 기초로 MC 시뮬레이션(Monte-Carlo Simulation)을 수행하여 상기 의료 영상 시스템에 대한 복수의 복셀(Voxel) 위치 중 적어도 하나의 복셀 위치에 대한 점상 강도 분포 함수(Pont Spread Function; PSF) 사이노그램(Sinogram)을 측정하는 단계; 미리 설정된 영상 재구성 알고리즘을 이용하여 상기 측정된 점상 강도 분포 함수 사이노그램을 영상화하는 단계; 상기 영상화된 점상 강도 분포 함수간의 비강체 영상 정합을 수행하여 변형 필드(Deformation Field)를 획득하는 단계; 및 상기 획득된 변형 필드를 이용하여 상기 의료 영상 시스템에 대한 상기 복수의 복셀 위치 중 상기 적어도 하나의 복셀 위치를 제외한 나머지 복셀 위치에 대한 상기 점상 강도 분포 함수를 보간하는 단계를 포함한다.
Description
본 발명은 의료 영상 시스템에서 측정되는 점상 강도 분포 함수(Point Spread Function; PSF)를 보간하는 방법 및 장치에 관한 것으로서, 의료 영상 시스템에 대한 모든 복셀(Voxel) 위치에서의 점상 강도 분포 함수를 빠르고 효율적으로 획득하는 기술에 관한 것이다.
실제 의료 영상 시스템에서 모든 복셀 위치에서의 점상 강도 분포 함수를 측정하는 것은 불가능하다. 이에, 기존의 점상 강도 분포 함수 획득 기술은 MC 시뮬레이션(Monte Carlo Simulation)을 이용하여 특정 복셀 위치에서의 점상 강도 분포 함수를 측정할 수 있었다.
그러나, MC 시뮬레이션만을 이용하여 의료 영상 시스템에서 모든 복셀 위치에서의 점상 강도 분포 함수를 측정하는 경우, 많은 계산량이 요구되기 때문에 처리에 많은 시간이 소요되고, 저장되는 메모리 공간 역시 많은 공간을 필요로 하는 문제점이 발생한다.
이에, 본 명세서에서는 의료 영상 시스템에 대한 모든 복셀 위치에서의 점상 강도 분포 함수를 빠르고 효율적으로 획득하는 기술을 제안한다.
본 발명의 일실시예는 의료 영상 시스템에서 측정되는 점상 강도 분포 함수를 보간함으로써, 의료 영상 시스템에 대한 모든 복셀 위치에서의 점상 강도 분포 함수를 빠르고 효율적으로 획득하는 방법, 장치 및 시스템을 제공한다.
또한, 본 발명의 일실시예는 의료 영상 시스템의 대칭성을 기초로 의료 영상 시스템의 복셀 위치의 개수가 최소화되도록 복셀 위치에 대한 점상 강도 분포 함수 사이노그램을 측정함으로써, 점상 강도 분포 함수를 보간하는 방법, 장치 및 시스템을 제공한다.
또한, 본 발명의 일실시예는 점상 강도 분포 함수를 보간하는 과정에서, 비강체 영상 정합을 수행하는 방법, 장치 및 시스템을 제공한다.
본 발명의 일실시예에 따른 의료 영상에서 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 방법은 의료 영상 시스템의 대칭성을 기초로 MC 시뮬레이션(Monte-Carlo Simulation)을 수행하여 상기 의료 영상 시스템에 대한 복수의 복셀(Voxel) 위치 중 적어도 하나의 복셀 위치에 대한 점상 강도 분포 함수(Pont Spread Function; PSF) 사이노그램(Sinogram)을 측정하는 단계; 미리 설정된 영상 재구성 알고리즘을 이용하여 상기 측정된 점상 강도 분포 함수 사이노그램을 영상화하는 단계; 상기 영상화된 점상 강도 분포 함수간의 비강체 영상 정합을 수행하여 변형 필드(Deformation Field)를 획득하는 단계; 및 상기 획득된 변형 필드를 이용하여 상기 의료 영상 시스템에 대한 상기 복수의 복셀 위치 중 상기 적어도 하나의 복셀 위치를 제외한 나머지 복셀 위치에 대한 상기 점상 강도 분포 함수를 보간하는 단계를 포함한다.
상기 점상 강도 분포 함수 사이노그램을 측정하는 단계는 상기 적어도 하나의 복셀 위치의 개수가 최소화되도록 상기 적어도 하나의 복셀 위치에 대한 점상 강도 분포 함수 사이노그램을 측정하는 단계일 수 있다.
상기 변형 필드를 획득하는 단계는 상기 영상화된 점상 강도 분포 함수를 업샘플링(Up-sampling)하는 단계를 더 포함할 수 있다.
상기 의료 영상에서 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 방법은 상기 보간된 점상 강도 분포 함수를 다운샘플링(Down-sampling)하는 단계를 더 포함할 수 있다.
상기 변형 필드를 획득하는 단계는 변형 함수에 기초한 B-스플라인(B-spline) 자유 형태 변형(Free Form Deformation; FFD)을 이용하여 상기 영상화된 점상 강도 분포 함수의 소스 영상을 국부적으로 변형하는 단계; 상기 변형된 소스 영상과 상기 영상화된 점상 강도 분포 함수의 타겟 영상 사이의 밝기 값을 기초로 계산된 2차원 접합 히스토그램을 이용하여 상기 소스 영상 및 상기 타겟 영상의 정규 상호 정보(Normalized Mutual Information; NMI)를 산출하는 단계; 상기 소스 영상 및 상기 타겟 영상의 정규 상호 정보에 기초한 비용 함수를 이용하여 상기 변형 함수를 갱신하는 최적화 과정을 수행하는 단계; 및 상기 변형 함수의 최적화 과정을 통해 산출된 변수들을 상기 소스 영상에 반영함으로써, 상기 타겟 영상에 정합된 영상을 생성하는 단계를 포함할 수 있다.
상기 측정된 점상 강도 분포 함수 사이노그램을 영상화하는 단계는 정렬된 부분 집합을 이용한 기대치 최대화 알고리즘(Ordered Subset Expectation Maximization; OSEM) 또는 반응선(Line-Of-Response; LOR) 기반의 OSEM 알고리즘 중 적어도 어느 하나를 이용하여 상기 측정된 점상 강도 분포 함수 사이노그램을 영상화하는 단계; 및 상기 영상화된 점상 강도 분포 함수에 Deblur 알고리즘 또는 초해상(Super Resolution) 알고리즘 중 적어도 어느 하나를 적용하는 단계일 수 있다.
본 발명의 일실시예에 따른 의료 영상에서 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 방법은 의료 영상 시스템의 대칭성을 기초로 MC 시뮬레이션(Monte-Carlo Simulation)을 수행하여 상기 의료 영상 시스템에 대한 복수의 복셀(Voxel) 위치 중 적어도 하나의 복셀 위치의 개수가 최소화되도록 상기 적어도 하나의 복셀 위치에 대한 점상 강도 분포 함수 사이노그램(Sinogram)을 측정하는 단계; 미리 설정된 영상 재구성 알고리즘을 이용하여 상기 측정된 점상 강도 분포 함수 사이노그램을 영상화하는 단계; 상기 영상화된 점상 강도 분포 함수를 업샘플링(Up-sampling)하는 단계; 상기 영상화된 점상 강도 분포 함수간의 비강체 영상 정합을 수행하여 변형 필드(Deformation Field)를 획득하는 단계; 상기 획득된 변형 필드를 이용하여 상기 의료 영상 시스템에 대한 상기 복수의 복셀 위치 중 상기 적어도 하나의 복셀 위치를 제외한 나머지 복셀 위치에 대한 상기 점상 강도 분포 함수를 보간하는 단계; 및 상기 보간된 점상 강도 분포 함수를 다운샘플링(Down-sampling)하는 단계를 포함한다.
본 발명의 일실시예에 따른 의료 영상에서 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 장치는 의료 영상 시스템의 대칭성을 기초로 MC 시뮬레이션(Monte-Carlo Simulation)을 수행하여 상기 의료 영상 시스템에 대한 복수의 복셀(Voxel) 위치 중 적어도 하나의 복셀 위치에 대한 점상 강도 분포 함수(Pont Spread Function; PSF) 사이노그램(Sinogram)을 측정하는 PSF 사이노그램 측정부; 미리 설정된 영상 재구성 알고리즘을 이용하여 상기 측정된 점상 강도 분포 함수 사이노그램을 영상화하는 영상화부; 상기 영상화된 점상 강도 분포 함수간의 비강체 영상 정합을 수행하여 변형 필드(Deformation Field)를 획득하는 변형 필드 획득부; 및 상기 획득된 변형 필드를 이용하여 상기 의료 영상 시스템에 대한 상기 복수의 복셀 위치 중 상기 적어도 하나의 복셀 위치를 제외한 나머지 복셀 위치에 대한 상기 점상 강도 분포 함수를 보간하는 보간부를 포함한다.
상기 PSF 사이노그램 측정부는 상기 적어도 하나의 복셀 위치의 개수가 최소화되도록 상기 적어도 하나의 복셀 위치에 대한 점상 강도 분포 함수 사이노그램을 측정할 수 있다.
상기 변형 필드 획득부는 상기 영상화된 점상 강도 분포 함수를 업샘플링(Up-sampling)하는 업샘플링부를 포함할 수 있다.
상기 의료 영상에서 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 장치는 상기 보간된 점상 강도 분포 함수를 다운샘플링(Down-sampling)하는 다운샘플링부를 더 포함할 수 있다.
본 발명의 일실시예는 의료 영상 시스템에서 측정되는 점상 강도 분포 함수를 보간함으로써, 의료 영상 시스템에 대한 모든 복셀 위치에서의 점상 강도 분포 함수를 빠르고 효율적으로 획득하는 방법, 장치 및 시스템을 제공할 수 있다.
또한, 본 발명의 일실시예는 의료 영상 시스템의 대칭성을 기초로 의료 영상 시스템의 복셀 위치의 개수가 최소화되도록 복셀 위치에 대한 점상 강도 분포 함수 사이노그램을 측정함으로써, 점상 강도 분포 함수를 보간하는 방법, 장치 및 시스템을 제공할 수 있다.
또한, 본 발명의 일실시예는 점상 강도 분포 함수를 보간하는 과정에서, 비강체 영상 정합을 수행하는 방법, 장치 및 시스템을 제공할 수 있다.
도 1은 복셀의 위치에 따른 점상 강도 분포 함수의 변화를 나타낸 도면이다.
도 2는 본 발명의 일실시예에 따른 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 과정을 설명하기 위한 도면이다.
도 3은 본 발명의 일실시예에 따른 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 방법을 나타낸 플로우 차트이다.
도 4는 도 3에 도시된 변형 필드를 획득하는 단계를 구체적으로 나타낸 플로우 차트이다.
도 5는 본 발명의 일실시예에 따른 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 장치를 나타낸 블록도이다.
도 2는 본 발명의 일실시예에 따른 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 과정을 설명하기 위한 도면이다.
도 3은 본 발명의 일실시예에 따른 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 방법을 나타낸 플로우 차트이다.
도 4는 도 3에 도시된 변형 필드를 획득하는 단계를 구체적으로 나타낸 플로우 차트이다.
도 5는 본 발명의 일실시예에 따른 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 장치를 나타낸 블록도이다.
이하, 본 발명에 따른 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 그러나, 본 발명이 실시예들에 의해 제한되거나 한정되는 것은 아니다. 또한, 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
도 1은 복셀의 위치에 따른 점상 강도 분포 함수의 변화를 나타낸 도면이다.
도 1을 참조하면, 일반적인 의료 영상 시스템에서 점상 강도 분포 함수(Point Spread Function; PSF)(110)는 복셀(Voxel) 위치에 따라 다르게 측정될 수 있다. 특히, 점상 강도 분포 함수(110)는 관측 시야(Field Of View; FOV)(120)의 외곽으로 갈수록 좌우로 퍼져서 나타나게 된다(130). 이 때, 복셀은 볼륨 픽셀(Volume Pixel)을 의미하며, 화소(Pixel)의 개념을 3차원 공간으로 확장한 것이다. 즉, 복셀은 정밀하게 얻어진 실제 부피의 데이터 표본을 의미할 수 있다.
따라서, 본 발명의 일실시예에 따른 점상 강도 분포 함수(110)를 보간하는 장치는 이와 같은 성질을 이용하여, 의료 영상 시스템의 복수의 복셀 위치 각각에 대한 점상 강도 분포 함수(110)를 측정하고, 미리 설정된 영상 재구성 알고리즘을 이용함으로써, 해상도가 개선된 영상을 획득할 수 있다. 이에 대한 상세한 설명은 아래에서 기재하기로 한다.
도 2는 본 발명의 일실시예에 따른 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 과정을 설명하기 위한 도면이다.
도 2를 참조하면, 본 발명의 일실시예에 따른 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 장치는 의료 영상 시스템의 대칭성을 기초로 MC 시뮬레이션(Monte-Carlo Simulation)을 수행하여 의료 영상 시스템에 대한 복수의 복셀 위치 중 적어도 하나의 복셀 위치에 대한 점상 강도 분포 함수 사이노그램(Sinogram)을 측정하여 영상화(210)할 수 있다.
이 때, 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 장치는 적어도 하나의 복셀 위치의 개수가 최소화되도록 적어도 하나의 복셀 위치에 대한 점상 강도 분포 함수 사이노그램을 측정할 수 있다. 예를 들어, 보간법을 적용하기 위해 필요한 최소한의 개수에 따라 적어도 하나의 복셀 위치가 선택되고, 선택된 적어도 하나의 복셀 위치에 대한 점상 강도 분포 함수 사이노그램이 측정될 수 있다.
또한, 측정된 점상 강도 분포 함수 사이노그램은 미리 설정된 영상 알고리즘을 이용하여 영상화(210)될 수 있다. 여기서, 미리 설정된 영상 재구성 알고리즘은 영상을 재구성하는 다양한 알고리즘들을 포함할 수 있다. 예를 들어, 미리 설정된 영상 재구성 알고리즘은 정렬된 부분 집합을 이용한 기대치 최대화 알고리즘(Order Subset Expectation Maximization; OSEM) 또는 반응선(Line-Of-Response; LOR) 기반의 OSEM 알고리즘을 포함할 수 있다. 이 때, 영상화(210)된 점상 강도 분포 함수에는 Deblur 알고리즘 또는 초해상(Super Resolution) 알고리즘 중 적어도 어느 하나가 적용될 수 있다.
따라서, 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 장치는 제1 복셀 위치(211), 제2 복셀 위치(212), 제3 복셀 위치(213), 제4 복셀 위치(214), 제5 복셀 위치(215) 및 제6 복셀 위치(216) 중 제1 복셀 위치(211) 및 제6 복셀 위치(216)에 대한 점상 강도 분포 함수 사이노그램만을 측정하여, 영상화(210)할 수 있기 때문에, 의료 영상 시스템에 대한 점상 강도 분포 함수 사이노그램을 측정하는데 소요되는 시간이 매우 짧을 수 있다.
이어서, 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 장치는 영상화된 점상 강도 분포 함수(210)를 업샘플링(Up-sampling)(220)할 수 있다. 이 때, 영상화된 점상 강도 분포 함수(210)를 업샘플링(220)하는 과정이 필요하지 않는 경우, 수행되지 않을 수도 있다. 또한, 영상화된 점상 강도 분포 함수(210)를 업샘플링(220)하는 과정이 수행되는 경우, 의료 영상 시스템에 대한 복수의 복셀 위치 중 적어도 하나의 복셀 위치를 제외한 나머지 복셀 위치에 대한 점상 강도 분포 함수를 보간한 이후에, 업샘플링(220)한 과정과 대응되도록, 보간된 점상 강도 분포 함수를 다운샘플링(Down-sampling)(250)하는 과정이 수행되어야 한다.
그 후, 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 장치는 영상화된 점상 강도 분포 함수간의 비강체 영상 정합(230)을 수행하여 변형 필드(Deformation Field)를 획득할 수 있다. 이 때, 비강체 영상 정합(230)의 목적은 영상화된 점상 강도 분포 함수의 소스 영상을 영상화된 점상 강도 분포 함수의 타겟 영상으로 변환시키는 과정에서 획득되는 변형 필드를 획득하는데 있다. 이에, 비강체 정합(230)을 위한 적절한 변형 함수를 찾기 위해 소스 영상과 타겟 영상 간의 밝기 값의 분포를 이용할 수 있다. 예를 들어, 비강체 정합(230)을 위해 두 영상의 밝기 값을 사용하여 2차원 접합 히스토그램을 만들고, 2차원 접합 히스토그램을 사용하여 두 영상의 정규 상호 정보(NMI)를 계산하여, 변형 함수를 갱신하는 최적화 과정을 수행함으로써, 타겟 영상에 정합된(230) 영상을 생성할 수 있다. 이 때, 정규 상호 정보 값에 음의 부호를 붙인 값을 두 영상(소스 영상과 타켓 영상)의 비용으로 사용할 수 있으며, 비용을 구하는 함수를 로 정의할 수 있다. 이 때, 비용 함수로는 NMI 뿐만 아니라, MSE(Mean Squared Error)가 이용될 수 있다. 따라서, NMI를 계산하지 않고, MSE를 계산하여, 변형 함수를 갱신하는 최적화 과정을 수행할 수도 있다.
비강체 영상 정합(230)을 수행하는 보다 구체적인 과정은 다음과 같다.
우선, 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 장치는 변형 함수에 기초한 B-스플라인(B-spline) 자유 형태 변형(Free Form Deformation; FFD)을 이용하여 영상화된 점상 강도 분포 함수의 소스 영상을 국부적으로 변형할 수 있다. 여기서, 자유 형태 변형(FFD) 변환식은 3차원 영상에서 균일한 간격을 갖는 제어점들의 변위(Displacement Of Control Points)로써 정의될 수 있으며, 제어점들의 변위는 변형 함수()로 표현될 수 있다. 이때, 변형 함수에 의해 변형하고자 하는 물체 전체에 대한 국부 변형은 고를 것으로 기대되기 때문에, 고른 변형(Smooth Transformation)으로 추정할 수 있다. 따라서, 금속 박판(Thin-Plate Of Metal)의 2D 구부림 에너지에 대응하는 3D 구속 을 정의하여 사용할 수 있다.
이어서, 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 장치는 변형된 소스 영상과 영상화된 점상 강도 분포 함수의 타겟 영상 사이의 밝기 값을 기초로 계산된 2차원 접합 히스토그램을 이용하여 소스 영상 및 타겟 영상의 정규 상호 정보(Normalized Mutual Information; NMI)를 산출할 수 있다. 또한, 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 장치는 앞에서 설명한 와 를 이용하여 아래의 수학식 1과 같은 비용 함수(Cost Function)을 형성할 수 있다.
그 후, 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 장치는 소스 영상 및 타겟 영상의 정규 상호 정보에 기초한 비용 함수를 이용하여 변형 함수를 갱신하는 최적화 과정을 수행할 수 있다. 예를 들어, 그레디언트 하강 방법(Gradient Descent Scheme)에 따라 다음의 수학식 2와 같이 비용 함수의 그레디언트를 이용하여 변형 함수()를 갱신하는 최적화 과정을 수행할 수 있다. 이러한 최적화 과정은 비용 함수에 의해 산출되는 비용을 최소화할 수 있다.
마지막으로, 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 장치는 변형 함수의 최적화 과정을 통해 산출된 변수들을 소스 영상에 반영함으로써, 타겟 영상에 정합된 영상을 생성할 수 있다. 여기서, 타겟 영상에 정합된 영상은 변형 필드를 포함할 수 있다. 예를 들어 타겟 영상에 정합된 영상은 의료 영상 시스템에 대한 복수의 복셀 위치 중 적어도 하나의 복셀 위치를 제외한 나머지 복셀 위치에 대한 점상 강도 분포 함수를 보간한(240) 영상일 수 있다.
비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 장치는 위에서 상술한 바와 같은 비강체 영상 정합(230)을 수행한 결과, 획득한 변형 필드를 이용하여 의료 영상 시스템에 대한 복수의 복셀 위치 중 적어도 하나의 복셀 위치를 제외한 나머지 복셀 위치에 대한 점상 강도 분포 함수를 보간(240)할 수 있다. 예를 들어, 제2 복셀 위치(212), 제3 복셀 위치(213), 제4 복셀 위치(214) 및 제5 복셀 위치(215)에 대한 점상 강도 분포 함수가 보간(240)될 수 있다.
그 후, 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 장치는 영상화된 점상 강도 분포 함수(210)를 업샘플링(220)하는 과정이 수행된 경우, 업샘플링(220)한 과정과 대응되도록, 보간된 점상 강도 분포 함수를 다운샘플링(250)하는 과정을 수행할 수 있다. 이 때, 영상화된 점상 강도 분포 함수(210)를 업샘플링(220)하는 과정이 수행되지 않은 경우, 업샘플링(220)한 과정과 대응되는, 보간된 점상 강도 분포 함수를 다운샘플링(250)하는 과정을 수행하지 않을 수 있다.
이와 같이 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 과정을 통하여, 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 장치는 의료 영상 시스템에 대한 모든 복셀 위치에서의 점상 강도 분포 함수를 적은 양의 메모리를 이용하여 빠르고 효율적으로 획득할 수 있다.
또한, 모든 복셀 위치에서의 점상 강도 분포 함수가 획득됨으로써, 정확한 시스템 매트릭스(System Matrix)가 모델링될 수 있다.
도 3은 본 발명의 일실시예에 따른 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 방법을 나타낸 플로우 차트이다.
도 3을 참조하면, 본 발명의 일실시예에 따른 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 장치는 의료 영상 시스템의 대칭성을 기초로 MC 시뮬레이션(Monte-Carlo Simulation)을 수행하여 의료 영상 시스템에 대한 복수의 복셀(Voxel) 위치 중 적어도 하나의 복셀 위치에 대한 점상 강도 분포 함수(Pont Spread Function; PSF) 사이노그램(Sinogram)을 측정한다(310). 이 때, 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 장치는 적어도 하나의 복셀 위치의 개수가 최소화되도록 적어도 하나의 복셀 위치에 대한 점상 강도 분포 함수 사이노그램을 측정할 수 있다.
또한, 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 장치는 미리 설정된 영상 재구성 알고리즘을 이용하여 측정된 점상 강도 분포 함수 사이노그램을 영상화한다(320). 이 때, 미리 설정된 영상 재구성 알고리즘을 이용하여 측정된 점상 강도 분포 함수 사이노그램을 영상화하는 단계(320)는 정렬된 부분 집합을 이용한 기대치 최대화 알고리즘(Ordered Subset Expectation Maximization; OSEM) 또는 반응선(Line-Of-Response; LOR) 기반의 OSEM(Ordered Subset Expectation Maximization) 알고리즘 중 적어도 어느 하나를 이용하여 측정된 점상 강도 분포 함수 사이노그램을 영상화하는 단계 및 영상화된 점상 강도 분포 함수에 Deblur 알고리즘 또는 초해상(Super Resolution) 알고리즘 중 적어도 어느 하나를 적용하는 단계를 포함할 수 있다.
또한, 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 장치는 영상화된 점상 강도 분포 함수를 업샘플링(Up-sampling)할 수 있다(330). 여기서, 영상화된 점상 강도 분포 함수를 업샘플링하는 과정(330)은 필요에 따라 생략할 수 있다. 이 때, 영상화된 점상 강도 분포 함수를 업샘플링(Up-sampling)하는 과정(330)이 수행되는 경우, 이와 대응되도록, 점상 강도 분포 함수를 보간한 이후에, 보간된 점상 강도 분포 함수를 다운샘플링(Down-sampling)하는 과정이 수행될 수 있다. 이에 대해서는 아래에서 기재하기로 한다.
또한, 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 장치는 영상화된 점상 강도 분포 함수간의 비강체 영상 정합을 수행하여 변형 필드(Deformation Field)를 획득한다(340).
또한, 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 장치는 획득된 변형 필드를 이용하여 의료 영상 시스템에 대한 복수의 복셀 위치 중 적어도 하나의 복셀 위치를 제외한 나머지 복셀 위치에 대한 점상 강도 분포 함수를 보간한다(350).
위에서, 영상화된 점상 강도 분포 함수를 업샘플링하는 과정이 수행된 경우, 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 장치는 보간된 점상 강도 분포 함수를 다운샘플링(Down-sampling)할 수 있다(360). 이 때, 영상화된 점상 강도 분포 함수를 업샘플링하는 과정(330)이 생략된 경우, 보간된 점상 강도 분포 함수를 다운샘플링하는 과정(360) 역시 생략될 수 있다.
도 4는 도 3에 도시된 변형 필드를 획득하는 단계를 구체적으로 나타낸 플로우 차트이다.
도 4를 참조하면, 본 발명의 일실시예에 따른 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 장치는 변형 함수에 기초한 B-스플라인(B-spline) 자유 형태 변형(Free Form Deformation; FFD)을 이용하여 영상화된 점상 강도 분포 함수의 소스 영상을 국부적으로 변형할 수 있다(410).
또한, 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 장치는 변형된 소스 영상과 영상화된 점상 강도 분포 함수의 타겟 영상 사이의 밝기 값을 기초로 계산된 2차원 접합 히스토그램을 이용하여 소스 영상 및 타겟 영상의 정규 상호 정보(Normalized Mutual Information; NMI)를 산출할 수 있다(420).
또한, 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 장치는 소스 영상 및 타겟 영상의 정규 상호 정보에 기초한 비용 함수를 이용하여 변형 함수를 갱신하는 최적화 과정을 수행할 수 있다(430).
또한, 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 장치는 변형 함수의 최적화 과정을 통해 산출된 변수들을 소스 영상에 반영함으로써, 타겟 영상에 정합된 영상을 생성할 수 있다(440).
도 5는 본 발명의 일실시예에 따른 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 장치를 나타낸 블록도이다.
도 5를 참조하면, 본 발명의 일실시예에 따른 PSF 사이노그램 측정부(510), 영상화부(520), 변형 필드 획득부(530), 보간부(540)를 포함한다.
PSF 사이노그램 측정부(510)는 의료 영상 시스템의 대칭성을 기초로 MC 시뮬레이션(Monte-Carlo Simulation)을 수행하여 의료 영상 시스템에 대한 복수의 복셀(Voxel) 위치 중 적어도 하나의 복셀 위치에 대한 점상 강도 분포 함수(Pont Spread Function; PSF) 사이노그램(Sinogram)을 측정한다.
이 때, PSF 사이노그램 측정부(510)는 적어도 하나의 복셀 위치의 개수가 최소화되도록 적어도 하나의 복셀 위치에 대한 점상 강도 분포 함수 사이노그램을 측정할 수 있다.
영상화부(520)는 미리 설정된 영상 재구성 알고리즘을 이용하여 측정된 점상 강도 분포 함수 사이노그램을 영상화한다.
이 때, 영상화부(520)는 정렬된 부분 집합을 이용한 기대치 최대화 알고리즘(Ordered Subset Expectation Maximization; OSEM) 또는 반응선(Line-Of-Response; LOR) 기반의 OSEM(Ordered Subset Expectation Maximization) 알고리즘 중 적어도 어느 하나를 이용하여 측정된 점상 강도 분포 함수 사이노그램을 영상화하고, 영상화된 점상 강도 분포 함수에 Deblur 알고리즘 또는 초해상(Super Resolution) 알고리즘 중 적어도 어느 하나를 적용할 수 있다.
변형 필드 획득부(530)는 영상화된 점상 강도 분포 함수간의 비강체 영상 정합을 수행하여 변형 필드(Deformation field)를 획득한다.
또한, 도면에는 도시되지 않았지만, 변형 필드 획득부(530)는 영상화된 점상 강도 분포 함수를 업샘플링(Up-sampling)하는 업샘플링부를 포함할 수 있다. 이 때, 업샘플링부는 변형 필드 획득부(530)와 별도의 블록으로 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 장치에 포함될 수 있다.
보간부(540)는 획득된 변형 필드를 이용하여 의료 영상 시스템에 대한 복수의 복셀 위치 중 적어도 하나의 복셀 위치를 제외한 나머지 복셀 위치에 대한 점상 강도 분포 함수를 보간한다.
또한, 도면에는 도시되지 않았지만, 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 장치는 보간된 점상 강도 분포 함수를 다운샘플링(Down-sampling)하는 다운샘플링부를 더 포함할 수 있다.
이 때, 업샘플링부 및 다운샘플링부는 필요에 따라 생략될 수도 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
Claims (10)
- 의료 영상 시스템의 대칭성을 기초로 MC 시뮬레이션(Monte-Carlo Simulation)을 수행하여 상기 의료 영상 시스템에 대한 복수의 복셀(Voxel) 위치 중 적어도 하나의 복셀 위치에 대한 점상 강도 분포 함수(Pont Spread Function; PSF) 사이노그램(Sinogram)을 측정하는 단계;
영상화된 점상 강도 분포 함수를 생성하기 위하여, 미리 설정된 영상 재구성 알고리즘을 이용하여 상기 측정된 점상 강도 분포 함수 사이노그램을 영상화하는 단계;
상기 영상화된 점상 강도 분포 함수간의 비강체 영상 정합을 수행하여 변형 필드(Deformation Field)를 획득하는 단계; 및
상기 획득된 변형 필드를 이용하여 상기 의료 영상 시스템에 대한 상기 복수의 복셀 위치 중 상기 적어도 하나의 복셀 위치를 제외한 나머지 복셀 위치에 대한 상기 점상 강도 분포 함수를 보간하는 단계
를 포함하는 의료 영상에서 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 방법.
- 제1항에 있어서,
상기 점상 강도 분포 함수 사이노그램을 측정하는 단계는
보간법을 적용하기 위해 필요한 최소 개수의 상기 적어도 하나의 복셀 위치에 대해, 점상 강도 분포 함수 사이노그램을 측정하는 단계인 의료 영상에서 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 방법.
- 제1항에 있어서,
상기 변형 필드를 획득하는 단계는
상기 영상화된 점상 강도 분포 함수를 업샘플링(Up-sampling)하는 단계
를 더 포함하는 의료 영상에서 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 방법. - 제1항에 있어서,
상기 점상 강도 분포 함수를 보간하는 단계 수행 후,
상기 보간된 점상 강도 분포 함수를 다운샘플링(Down-sampling)하는 단계
를 더 포함하는 의료 영상에서 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 방법. - 제1항에 있어서,
상기 변형 필드를 획득하는 단계는
변형 함수에 기초한 B-스플라인(B-spline) 자유 형태 변형(Free Form Deformation; FFD)을 이용하여 상기 영상화된 점상 강도 분포 함수의 소스 영상을 국부적으로 변형하는 단계;
상기 변형된 소스 영상과 상기 영상화된 점상 강도 분포 함수의 타겟 영상 사이의 밝기 값을 기초로 계산된 2차원 접합 히스토그램을 이용하여 상기 소스 영상 및 상기 타겟 영상의 정규 상호 정보(Normalized Mutual Information; NMI)를 산출하는 단계;
상기 소스 영상 및 상기 타겟 영상의 정규 상호 정보에 기초한 비용 함수에 의해 산출되는 비용을 최소화하도록 상기 변형 함수를 갱신하는 최적화 과정을 수행하는 단계; 및
상기 변형 함수의 최적화 과정을 통해 산출된 변수들을 상기 소스 영상에 반영함으로써, 상기 타겟 영상에 정합된 영상을 생성하는 단계
를 포함하는 의료 영상에서 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 방법.
- 제1항에 있어서,
상기 측정된 점상 강도 분포 함수 사이노그램을 영상화하는 단계는
상기 영상화된 점상 강도 분포 함수를 생성하기 위하여, 정렬된 부분 집합을 이용한 기대치 최대화 알고리즘(Ordered Subset Expectation Maximization; OSEM) 또는 반응선(Line-Of-Response; LOR) 기반의 OSEM(Ordered Subset Expectation Maximization) 알고리즘 중 적어도 어느 하나를 이용하여 상기 측정된 점상 강도 분포 함수 사이노그램을 영상화하는 단계; 및
상기 영상화된 점상 강도 분포 함수에 Deblur 알고리즘 또는 초해상(Super Resolution) 알고리즘 중 적어도 어느 하나를 적용하는 단계
를 포함하는 의료 영상에서 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 방법.
- 의료 영상 시스템의 대칭성을 기초로 MC 시뮬레이션(Monte-Carlo Simulation)을 수행하여 상기 의료 영상 시스템에 대한 복수의 복셀(Voxel) 위치 중 보간법을 적용하기 위해 필요한 최소 개수의 적어도 하나의 복셀 위치에 대해, 점상 강도 분포 함수 사이노그램(Sinogram)을 측정하는 단계;
영상화된 점상 강도 분포 함수를 생성하기 위하여, 미리 설정된 영상 재구성 알고리즘을 이용하여 상기 측정된 점상 강도 분포 함수 사이노그램을 영상화하는 단계;
상기 영상화된 점상 강도 분포 함수를 업샘플링(Up-sampling)하는 단계;
상기 영상화된 점상 강도 분포 함수간의 비강체 영상 정합을 수행하여 변형 필드(Deformation Field)를 획득하는 단계;
상기 획득된 변형 필드를 이용하여 상기 의료 영상 시스템에 대한 상기 복수의 복셀 위치 중 상기 적어도 하나의 복셀 위치를 제외한 나머지 복셀 위치에 대한 상기 점상 강도 분포 함수를 보간하는 단계; 및
상기 보간된 점상 강도 분포 함수를 다운샘플링(Down-sampling)하는 단계
를 포함하는 의료 영상에서 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 방법.
- 의료 영상 시스템의 대칭성을 기초로 MC 시뮬레이션(Monte-Carlo Simulation)을 수행하여 상기 의료 영상 시스템에 대한 복수의 복셀(Voxel) 위치 중 적어도 하나의 복셀 위치에 대한 점상 강도 분포 함수(Pont Spread Function; PSF) 사이노그램(Sinogram)을 측정하는 PSF 사이노그램 측정부;
영상화된 점상 강도 분포 함수를 생성하기 위하여, 미리 설정된 영상 재구성 알고리즘을 이용하여 상기 측정된 점상 강도 분포 함수 사이노그램을 영상화하는 영상화부;
상기 영상화된 점상 강도 분포 함수간의 비강체 영상 정합을 수행하여 변형 필드(Deformation Field)를 획득하는 변형 필드 획득부; 및
상기 획득된 변형 필드를 이용하여 상기 의료 영상 시스템에 대한 상기 복수의 복셀 위치 중 상기 적어도 하나의 복셀 위치를 제외한 나머지 복셀 위치에 대한 상기 점상 강도 분포 함수를 보간하는 보간부
를 포함하는 의료 영상에서 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 장치.
- 제8항에 있어서,
상기 변형 필드 획득부는
상기 영상화된 점상 강도 분포 함수를 업샘플링(Up-sampling)하는 업샘플링부
를 더 포함하는 의료 영상에서 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 장치. - 제8항에 있어서,
상기 보간된 점상 강도 분포 함수를 다운샘플링(Down-sampling)하는 다운샘플링부
를 더 포함하는 의료 영상에서 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 장치.
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020130154555A KR101527656B1 (ko) | 2013-12-12 | 2013-12-12 | 의료 영상에서 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 방법 및 시스템 |
US14/182,882 US9196063B2 (en) | 2013-05-02 | 2014-02-18 | Super-resolution apparatus and method |
US14/949,142 US9501819B2 (en) | 2013-05-02 | 2015-11-23 | Super-resolution apparatus and method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020130154555A KR101527656B1 (ko) | 2013-12-12 | 2013-12-12 | 의료 영상에서 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 방법 및 시스템 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR101527656B1 true KR101527656B1 (ko) | 2015-06-10 |
Family
ID=53505762
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020130154555A KR101527656B1 (ko) | 2013-05-02 | 2013-12-12 | 의료 영상에서 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 방법 및 시스템 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR101527656B1 (ko) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160028393A (ko) * | 2014-09-02 | 2016-03-11 | 건국대학교 산학협력단 | 3d기반의 비강 수술 시뮬레이션 방법 및 그 장치 |
KR101691654B1 (ko) * | 2015-07-08 | 2016-12-30 | 연세대학교 산학협력단 | 계산 시간 단축을 위한 닷 카운팅 투사 장치 및 방법 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006105975A (ja) * | 2004-09-30 | 2006-04-20 | General Electric Co <Ge> | 予備補正を備えたct再構成方法及びシステム |
KR20090127101A (ko) * | 2008-06-05 | 2009-12-09 | 주식회사 메디슨 | 밝기값과 그레디언트 정보를 이용한 초음파 영상과 ct 영상의 비강체 영상정합 시스템 |
WO2010098054A1 (ja) * | 2009-02-25 | 2010-09-02 | パナソニック株式会社 | 画像補正装置及び画像補正方法 |
KR20120127214A (ko) * | 2011-05-11 | 2012-11-21 | 한국과학기술원 | Gpu를 이용한 양전자 방출 단층 촬영 영상에서의 몬테카를로 시뮬레이션 감마선 산란 추정 방법 및 장치 |
-
2013
- 2013-12-12 KR KR1020130154555A patent/KR101527656B1/ko active IP Right Grant
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006105975A (ja) * | 2004-09-30 | 2006-04-20 | General Electric Co <Ge> | 予備補正を備えたct再構成方法及びシステム |
KR20090127101A (ko) * | 2008-06-05 | 2009-12-09 | 주식회사 메디슨 | 밝기값과 그레디언트 정보를 이용한 초음파 영상과 ct 영상의 비강체 영상정합 시스템 |
WO2010098054A1 (ja) * | 2009-02-25 | 2010-09-02 | パナソニック株式会社 | 画像補正装置及び画像補正方法 |
KR20120127214A (ko) * | 2011-05-11 | 2012-11-21 | 한국과학기술원 | Gpu를 이용한 양전자 방출 단층 촬영 영상에서의 몬테카를로 시뮬레이션 감마선 산란 추정 방법 및 장치 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160028393A (ko) * | 2014-09-02 | 2016-03-11 | 건국대학교 산학협력단 | 3d기반의 비강 수술 시뮬레이션 방법 및 그 장치 |
KR101693808B1 (ko) | 2014-09-02 | 2017-01-10 | 건국대학교 산학협력단 | 3d기반의 비강 수술 시뮬레이션 방법 및 그 장치 |
KR101691654B1 (ko) * | 2015-07-08 | 2016-12-30 | 연세대학교 산학협력단 | 계산 시간 단축을 위한 닷 카운팅 투사 장치 및 방법 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7308597B2 (ja) | 対象物の3-d計測を実施するための解像度適応型メッシュ | |
Kainz et al. | Fast volume reconstruction from motion corrupted stacks of 2D slices | |
US7990379B2 (en) | System and method for coronary segmentation and visualization | |
Bhandari et al. | 3D polycrystalline microstructure reconstruction from FIB generated serial sections for FE analysis | |
JP7051111B2 (ja) | デジタル画像とモデルに基づくフィルタ技術を用いた電気機械量の推定 | |
US10198815B2 (en) | Method and system for analyzing image data | |
WO2008024352A2 (en) | Methods and systems for registration of images | |
JP6093347B2 (ja) | 医療画像処理システム及び方法 | |
US20110206248A1 (en) | Imaging method for sampling a cross-section plane in a three-dimensional (3d) image data volume | |
EP2014233A1 (en) | Apparatus for the processing of perfusion images | |
US9196063B2 (en) | Super-resolution apparatus and method | |
CN111161269B (zh) | 图像分割方法、计算机设备和可读存储介质 | |
US9836891B2 (en) | Shape data generation method and apparatus | |
US9501819B2 (en) | Super-resolution apparatus and method | |
Zhou et al. | 3D harmonic phase tracking with anatomical regularization | |
KR101527656B1 (ko) | 의료 영상에서 비강체 영상 정합을 이용한 점상 강도 분포 함수를 보간하는 방법 및 시스템 | |
CN108805876B (zh) | 使用生物力学模型的磁共振和超声图像的可形变配准的方法和系统 | |
WO2020175445A1 (ja) | 学習方法、学習装置、生成モデル及びプログラム | |
Saha | Non-rigid registration of De-noised ultrasound breast tumors in image guided breast-conserving surgery | |
US20160203601A1 (en) | Method and device for restoring scan image and recording medium for storing same | |
EP2820619B1 (en) | System and method for determining confidence measurements of single volume elements in computer tomography | |
JP2012221448A (ja) | ボリュームデータセット内の表面様構造を可視化するための方法及び装置 | |
Zou et al. | Area-preserving surface flattening using lie advection | |
JP6739411B2 (ja) | 磁場歪み算出装置、方法およびプログラム | |
US20160210531A1 (en) | Robust automatic computation of ridges and valleys of a height field |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant | ||
FPAY | Annual fee payment |
Payment date: 20180525 Year of fee payment: 4 |
|
FPAY | Annual fee payment |
Payment date: 20190603 Year of fee payment: 5 |