KR102039472B1 - 컴퓨터 단층촬영 영상 재구성 장치 및 방법 - Google Patents

컴퓨터 단층촬영 영상 재구성 장치 및 방법 Download PDF

Info

Publication number
KR102039472B1
KR102039472B1 KR1020180055080A KR20180055080A KR102039472B1 KR 102039472 B1 KR102039472 B1 KR 102039472B1 KR 1020180055080 A KR1020180055080 A KR 1020180055080A KR 20180055080 A KR20180055080 A KR 20180055080A KR 102039472 B1 KR102039472 B1 KR 102039472B1
Authority
KR
South Korea
Prior art keywords
sinogram
image
estimated
viewpoint
unit
Prior art date
Application number
KR1020180055080A
Other languages
English (en)
Inventor
황도식
박두현
오대중
김세원
Original Assignee
연세대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 연세대학교 산학협력단 filed Critical 연세대학교 산학협력단
Priority to KR1020180055080A priority Critical patent/KR102039472B1/ko
Application granted granted Critical
Publication of KR102039472B1 publication Critical patent/KR102039472B1/ko

Links

Images

Classifications

    • 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
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • 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
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/416—Exact reconstruction

Abstract

본 발명은 전체 시점 사이노그램보다 큰 각도 단위로 촬영되어 획득되는 희소 시점 사이노그램을 인가받고, 미리 학습된 패턴 추정 방식에 따라 희소 시점 사이노그램으로부터 추정 사이노그램을 추정하여 재구성하는 사이노그램 재구성부, 추정 사이노그램을 역라돈 변환하여 추정 CT 영상을 출력하는 역라돈 변환부 및 미리 학습된 패턴 추정 방식에 따라 추정 CT 영상으로부터 아티팩트가 제거된 CT 영상을 추정하여 재구성하는 CT 영상 재구성부를 포함하는 컴퓨터 단층촬영 영상 재구성 장치 및 방법을 제공할 수 있다.

Description

컴퓨터 단층촬영 영상 재구성 장치 및 방법{DEVICE AND METHOD FOR RECONSTRUCTING COMPUTED TOMOGRAPHY IMAGE}
본 발명은 컴퓨터 단층 촬영 영상 재구성 장치 및 방법에 관한 것으로, 특히 저선량 촬영된 컴퓨터 단층 촬영 영상 재구성 장치 및 방법에 관한 것이다.
컴퓨터 단층촬영(Computed Tomography: CT)은 비침습적으로 고해상도 인체 단면 영상을 획득하여 뼈와 장기, 혈관 등 인체 내부 조직을 관찰하는데 유용한 의료영상 기법이다. 그러나 엑스선을 이용하기 때문에 방사선 피폭이 가해진다는 문제점이 있으므로, 컴퓨터 단층촬영 시 방사선 조사량을 줄이는 방안이 제안되었다.
방사선 조사량을 줄이는 방안으로는 물리적으로 엑스선 조사선량을 줄이는 저선량(low-dose) 조사 방식과 엑스선 방사 횟수를 줄이는 희소 샘플링(sparsely sampled) 방식이 제안되었다. 그리고 희소 샘플링된 CT 데이터로부터 재구성된 영상에 첨가된 앨리어싱 아티팩트(aliasing artifact)를 줄이고자 하는 다양한 연구가 진행되었다.
이러한 아티팩트를 줄이기 위해, 기존에는 주로 화질 복원 모델을 구성하여 입력값에 대한 출력값을 다시 입력값으로 적용하는 반복적 재구성 방법이 이용되었으며, 희소 샘플링된 CT 데이터인 희소 시점 사이노그램(sparse view sinogram)을 보간법을 이용하여 영상 품질을 개선하는 연구도 진행되었다. 그러나 반복적 재구성 방법은 복원시간이 상당히 오래 걸린다는 문제점이 있으며, 보간법을 이용하는 방법은 보간에 의한 또다른 아티팩트를 유발한다는 문제점이 있다.
한편 최근에는 딥 러닝(deep learning)을 이용하여 반복적 재구성 방법보다 재구성된 복원 영상의 품질을 높이기 위한 연구가 진행되고 있다. 그러나 현재 딥 러닝을 이용하는 방법은 원 데이터인 사이노그램이 아닌 역라돈 변환된 CT 영상 차원 상에서 학습된 신경망 모델을 이용함에 따라 블러 아티팩트(blur artifact)가 강화되므로 미세 조직 구조를 복원하지 못하고 배경과 동일시해버리는 치명적인 단점이 존재한다. 또한 희소 샘플링된 원 데이터에 대한 처리가 아니기 때문에 근본적인 화질 복원에 대한 접근이 아니라는 한계가 있다.
한국 공개 특허 제10-2014-0055896호 (2014.05.09 공개)
본 발명의 목적은 희소 샘플링된 CT 데이터인 희소 시점 사이노그램으로부터 고화질의 영상을 재구성할 수 있는 컴퓨터 단층촬영 영상 재구성 장치 및 방법을 제공하는데 있다.
본 발명의 다른 목적은 피검사자의 방사선 피폭량을 줄일 수 있는 컴퓨터 단층촬영 영상 재구성 장치 및 방법을 제공하는데 있다.
본 발명의 또다른 목적은 고속으로 고화질의 CT 영상을 획득할 수 있는 컴퓨터 단층촬영 영상 재구성 장치 및 방법을 제공하는데 있다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 컴퓨터 단층촬영 영상 재구성 장치는 전체 시점 사이노그램보다 큰 각도 단위로 촬영되어 획득되는 희소 시점 사이노그램을 인가받고, 미리 학습된 패턴 추정 방식에 따라 상기 희소 시점 사이노그램으로부터 추정 사이노그램을 추정하여 재구성하는 사이노그램 재구성부; 상기 추정 사이노그램을 역라돈 변환하여 추정 CT 영상을 출력하는 역라돈 변환부; 및 미리 학습된 패턴 추정 방식에 따라 추정 CT 영상으로부터 아티팩트가 제거된 CT 영상을 추정하여 재구성하는 CT 영상 재구성부; 를 포함한다.
상기 사이노그램 재구성부 및 상기 CT 영상 재구성부는 컨볼루션 신경망(convolutional neural network: 이하 CNN) 기법에 따라 모델링되고 패턴 추정 방식이 학습될 수 있다.
상기 사이노그램 재구성부 및 상기 CT 영상 재구성부 각각은 각각 컨볼루션 필터층을 구비하는 다수의 레이어를 포함하고, 상기 다수의 레이어 중 최종 레이어를 제외한 나머지 레이어는 활성화 함수층을 더 포함할 수 있다.
상기 활성화 함수층은 기지정된 네거티브 기울기를 갖는 누설 ReLU(leaky ReLU)로 구성될 수 있다.
상기 컴퓨터 단층촬영 영상 재구성 장치는 상기 희소 시점 사이노그램을 역라돈 변환하고, 변환된 결과에 대해 상기 전체 시점 사이노그램에 대응하는 각도 단위로 라돈 변환하여 상기 사이노그램 재구성부로 전달하는 전처리부; 를 더 포함할 수 있다.
상기 전처리부는 상기 희소 시점 사이노그램을 인가받아 역라돈 변환하여 저선량 CT 영상을 획득하는 사전 역라돈 변환부; 및 상기 저선량 CT 영상을 상기 전체 시점 사이노그램에 대응하는 각도 단위로 라돈 변환하여 전처리 사이노그램을 상기 사이노그램 재구성부로 전달하는 사전 라돈 변환부; 를 포함할 수 있다.
상기 목적을 달성하기 위한 본 발명의 또다른 실시예에 따른 컴퓨터 단층촬영 영상 재구성 방법은 전체 시점 사이노그램보다 큰 각도 단위로 촬영되어 획득되는 희소 시점 사이노그램을 인가받아, 미리 학습된 패턴 추정 방식에 따라 상기 희소 시점 사이노그램으로부터 추정 사이노그램을 재구성하는 단계; 상기 추정 사이노그램을 역라돈 변환하여 추정 CT 영상을 획득하는 단계; 및 미리 학습된 패턴 추정 방식에 따라 추정 CT 영상으로부터 아티팩트가 제거된 CT 영상을 재구성하는 단계; 를 포함한다.
상기 추정 사이노그램을 재구성하는 단계 및 상기 CT 영상을 재구성하는 단계는 패턴 추정 방식이 학습된 CNN 기법을 이용하여 상기 추정 사이노그램을 추정할 수 있다.
상기 추정 사이노그램을 재구성하는 단계는 상기 희소 시점 사이노그램을 역라돈 변환하고, 변환된 결과에 대해 상기 전체 시점 사이노그램에 대응하는 각도 단위로 라돈 변환하여 전처리 사이노그램을 생성하는 단계; 및 상기 전처리 사이노그램으로부터 추정 사이노그램을 추정하여 재구성하는 단계; 를 포함할 수 있다.
상기 전처리 사이노그램을 생성하는 단계는 상기 희소 시점 사이노그램을 인가받아 역라돈 변환하여 저선량 CT 영상을 획득하는 단계; 및 상기 저선량 CT 영상을 상기 전체 시점 사이노그램에 대응하는 각도 단위로 라돈 변환하여 상기 전처리 사이노그램을 획득하는 단계; 를 포함할 수 있다.
본 발명의 컴퓨터 단층촬영 영상 재구성 장치 및 방법은 희소 샘플링된 CT 데이터로부터 정보 손실이 최소화된 고화질의 영상을 재구성할 수 있어, 고속으로 고화질의 CT 영상을 획득할 수 있도록 할 수 있다. 따라서 피검사자의 방사선 피폭량을 줄일 수 있고, 영상 오판독에 따른 재촬영 및 부가 비용을 저감할 수 있으며, 환자 및 의료진에게 편의를 제공할 수 있다.
도1 은 본 발명의 일 실시예에 따른 컴퓨터 단층촬영 영상 재구성 장치의 개략적 구성을 나타낸다.
도2 는 도1 의 사이노그램 재구성부와 컴퓨터 단층촬영 영상 재구성부의 개략적 구조의 일예를 나타낸다.
도3 은 도1 의 컴퓨터 단층촬영 영상 재구성 장치의 학습 과정을 설명하기 위한 도면이다.
도4 는 본 발명의 다른 실시예에 따른 컴퓨터 단층촬영 영상 재구성 장치의 개략적 구성을 나타낸다.
도5 는 도4 의 전처리부의 개략적 구조의 일예를 나타낸다.
도6 은 본 발명의 일 실시예에 따른 컴퓨터 단층촬영 영상 재구성 방법을 나타낸다.
도7 은 본 발명의 일 실시예에 따른 컴퓨터 단층촬영 영상 재구성 방법에 따라 획득되는 컴퓨터 단층촬영 영상의 성능을 비교하기 위한 도면이다.
본 발명과 본 발명의 동작상의 이점 및 본 발명의 실시에 의하여 달성되는 목적을 충분히 이해하기 위해서는 본 발명의 바람직한 실시예를 예시하는 첨부 도면 및 첨부 도면에 기재된 내용을 참조하여야만 한다.
이하, 첨부한 도면을 참조하여 본 발명의 바람직한 실시예를 설명함으로써, 본 발명을 상세히 설명한다. 그러나, 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 설명하는 실시예에 한정되는 것이 아니다. 그리고, 본 발명을 명확하게 설명하기 위하여 설명과 관계없는 부분은 생략되며, 도면의 동일한 참조부호는 동일한 부재임을 나타낸다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라, 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈", "블록" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
도1 은 본 발명의 일 실시예에 따른 컴퓨터 단층촬영 영상 재구성 장치의 개략적 구성을 나타낸다.
도1 을 참조하면, 본 실시예에 따른 컴퓨터 단층촬영(이하 CT) 영상 재구성 장치는 사이노그램 재구성부(SIC), 역라돈 변환부(IRT) 및 CT 영상 재구성부(MIC)를 포함한다.
사이노그램 재구성부(SIC)는 희소 시점 사이노그램(sparse view sinogram)(SVS)을 인가받고 미리 학습된 패턴 추정 방식에 따라 희소 시점 사이노그램(SVS)에서 누락된 영역을 추정하여 보완함으로써, 추정 사이노그램(ESG)을 획득한다. 즉 희소 시점 사이노그램을 전체 시점 사이노그램(full view sinogram)과 유사한 추정 사이노그램(ESG)으로 재구성한다.
통상적으로 CT 영상은 360° 회전하면서 지정된 각도 단위로 엑스선 촬영하며, 엑스선의 투과량을 측정하고, 각도별로 누적 측정된 CT 데이터를 역라돈 변환(Inverse Radon transform)함으로써 획득된다. 따라서 촬영 각도 단위가 클수록 더 적은 횟수로 촬영하게 되지만 획득되는 CT 영상의 화질이 저하되고 앨리어싱 아티팩트가 발생된다.
여기서 누적 측정된 CT 데이터를 시각화한 것이 사이노그램이며, 희소 시점 사이노그램(SVS)은 CT 영상 촬영장치가 일반적인 CT 영상에서 요구되는 기준 각도 단위(예를 들면 1°) 보다 큰 각도 단위(예를 들면 4°)로 회전하며 촬영한 CT 영상을 의미한다. 그리고 전체 시점 사이노그램은 CT 영상 촬영 장치가 기준 각도 단위이하의 각도 단위로 회전하며 촬영한 CT 영상을 의미한다.
본 실시예에서 CT 영상 재구성 장치가 희소 시점 사이노그램(SVS)을 이용하는 것은 CT 영상 촬영장치가 전체 시점 사이노그램을 획득하는 경우보다 더 적은 횟수로 엑스선 촬영을 하도록 함으로써, 고속 촬영이 가능하며 피험자의 방사선 피폭량을 줄일 수 있도록 하기 위함이다.
그러나 희소 시점 사이노그램(SVS)을 이용하여 CT 영상으로 변환하는 경우, 상기한 바와 같이 CT 영상의 화질이 저하되므로, 본 실시예에서는 희소 시점 사이노그램(SVS)을 CT 영상으로 변환하기 이전에 사이노그램 재구성부(SIC)를 통해 희소 시점 사이노그램(SVS)을 전체 시점 사이노그램과 유사한 추정 사이노그램(ESG)으로 재구성한다.
즉 사이노그램 재구성부(SIC)는 기준 각도 단위보다 큰 각도 단위로 촬영되어 획득된 희소 시점 사이노그램(SVS)으로부터 보다 작은 각도 단위로 촬영되어야 획득될 수 있는 전체 시점 사이노그램을 추론하여 추정 사이노그램(ESG)을 획득한다.
여기서 사이노그램 재구성부(SIC)는 인공신경망 모델에 따라 모델링되고 딥-러닝 알고리즘에 따라 미리 학습된 패턴 추정기로서, 일예로 컨볼루션 신경망(convolutional neural network: 이하 CNN) 기법에 의해 모델링되고 학습된 패턴 추정기일 수 있다. 컨볼루션 신경망 기법은 신경망(neural network)을 모델링하는 인공신경망 모델링 기법 하나로 특히 영상과 같은 2차원 입력 데이터의 패턴을 인식하고 추정하는데 유용한 기법으로 알려져 있다.
한편 역라돈 변환부(IRT)는 사이노그램 재구성부(SIC)에 의해 재구성된 추정 사이노그램(ESG)을 역라돈 변환하여 추정 CT 영상(ECTI)을 획득한다. 역라돈 변환은 라돈 변환(Radon transform)의 역 변환으로서, 라돈 변환은 주어진 선이나 에너지 전달 경로를 따라 대상체의 물성을 적분하는 변환을 의미한다. 상기한 바와 같이 사이노그램은 CT 영상 촬영장치가 지정된 각도 단위로 회전하며 획득된 영상이므로, 라돈 변환된 영상인 것으로 볼 수 있다. 이에 사이노그램에 대해 역라돈 변환을 수행하면, 2차원의 CT 영상이 획득될 수 있다.
역라돈 변환은 CT 영상을 획득하기 위해 일반적으로 이용되는 기법이므로 여기서는 상세하게 설명하지 않는다.
역라돈 변환부(IRT)에 의해 추정 CT 영상(ECTI)이 획득되면, CT 영상 재구성부(IMC)가 미리 학습된 패턴 추정 기법에 따라 역라돈 변환부(IRT)에서 획득된 추정 CT 영상(ECTI)을 재구성하여 CT 영상(CTI)을 출력한다.
사이노그램 재구성부(SIC)가 희소 시점 사이노그램(SVS)을 전체 시점 사이노그램과 유사한 추정 사이노그램(ESG)으로 재구성하였으나, 사이노그램 재구성부(SIC)에 의해 재구성된 추정 사이노그램(ESG)은 CT 촬영 장치가 실제 요구되는 각도에서 촬영하여 획득된 것이 아니라, 패턴 추정 기법에 따라 추정된 영상이다. 따라서 추정 사이노그램(ESG)에도 아티팩트가 포함될 수 있으며, 이러한 아티팩트는 역라돈 변환부(IRT)에 의해 획득된 추정 CT 영상(ECTI)에도 반영될 수 있다.
이에 CT 영상 재구성부(IMC)는 추정 CT 영상(ECTI)으로부터 CT 영상(CTI)을 재구성함으로써, CT 영상(CTI)의 화질을 향상 시킬 수 있다.
여기서 CT 영상 재구성부(IMC)는 사이노그램 재구성부(SIC)와 마찬가지로 인공신경망 모델에 따라 모델링되고 딥-러닝 알고리즘에 따라 미리 학습된 패턴 추정기로서, 일예로 CNN 기법에 의해 모델링되고 학습된 패턴 추정기일 수 있다.
결과적으로 도1 의 CT 영상 재구성 장치는 사이노그램 재구성부(SIC)와 CT 영상 재구성부(IMC)를 구비하여, 사이노그램 재구성부(SIC)가 희소 시점 사이노그램(SVS)으로부터 추정 사이노그램(ESG)을 추정하여 재구성하도록 하고, CT 영상 재구성부(IMC)가 추정 CT 영상(ECTI)으로부터 CT 영상(CTI)을 추정하여 재구성하도록 한다. 따라서 사이노그램 차원에서 패턴을 추정하는 사이노그램 재구성부(SIC)와 CT 영상 차원에서 패턴을 추정하는 CT 영상 재구성부(IMC)가 각각 지정된 딥-러닝 알고리즘에 따라 개별적으로 학습될 수 있으므로, 희소 시점 사이노그램(SVS)으로부터 고화질의 CT 영상(CTI)를 획득할 수 있다.
도2 는 도1 의 사이노그램 재구성부와 컴퓨터 단층촬영 영상 재구성부의 개략적 구조의 일예를 나타낸다.
도2 에서는 일예로 사이노그램 재구성부(SIC)의 구조만을 도시하였으나, 사이노그램 재구성부(SIC)와 CT 영상 재구성부(IMC)가 모두 CNN 기법에 의해 모델링되고 학습되는 것으로 설명하였으므로, CT 영상 재구성부(IMC)의 구조 또한 동일하게 구성될 수 있다.
그리고 CNN 기법에 의해 모델링된 사이노그램 재구성부(SIC)와 CT 영상 재구성부(IMC)는 도2 에 도시된 바와 같이, 각각 다수의 레이어(layer)를 포함할 수 있다.
도2 에서는 일예로 사이노그램 재구성부(SIC)와 CT 영상 재구성부(IMC)가 각각 25개의 레이어(L1 ~ L25)를 포함하는 것으로 가정하여 도시하였으나, 레이어의 개수는 조절될 수 있다. 그리고 다수의 레이어(L1 ~ L25) 중 최종 레이어(L25)를 제외한 나머지 레이어(L1 ~ L24)는 각각 컨볼루션 필터층(Convolution filter)(CF) 및 활성화 함수층(activation function)(AF)를 포함할 수 있다. 여기서 컨볼루션 필터층은 일예로 64개의 채널의 3 * 3 커널로 구성될 수 있으며, 활성화 함수층은 일예로 ReLU(Rectified Linear Unit)로 구성될 수 있다. 특히 활성화 함수층은 누설 ReLU(leaky ReLU)로 구성될 수 있다. 그리고 활성화 함수층이 누설 ReLU로 구성되는 경우, 누설 ReLU의 네거티브 기울기(negative slope)는 일예로 0.1로 설정될 수 있다.
한편, 최종 레이어(L25)는 컨볼루션 필터층만으로 구성될 수 있다. 다만 최종 레이어(L25)에서 컨볼루션 필터는 다른 레이어(L1 ~ L24)의 컨볼루션 필터와 달리 완전 연결(fully connect)을 위해 1개의 채널로 구성될 수 있다.
도3 은 도1 의 컴퓨터 단층촬영 영상 재구성 장치의 학습 과정을 설명하기 위한 도면이다.
상기한 바와 같이, 도1 의 CT 영상 재구성 장치는 사이노그램을 재구성하는 사이노그램 재구성부(SIC) 및 CT 영상을 재구성하는 CT 영상 재구성부(IMC)를 포함하고, 사이노그램 차원에서 패턴을 추정하는 사이노그램 재구성부(SIC)와 CT 영상 차원에서 패턴을 추정하는 CT 영상 재구성부(IMC)는 각각 개별적으로 학습되어야 한다.
이에 우선 사이노그램 재구성부(SIC)를 학습 시킬 수 있다. 사이노그램 재구성부(SIC)의 학습은 다수의 전체 시점 사이노그램을 이용하여 수행될 수 있다. 우선 다수의 전체 시점 사이노그램에 대해 필터링 또는 마스킹함으로써, 희소 시점 사이노그램(SVS)을 획득한다. 그리고 획득된 희소 시점 사이노그램(SVS)을 도2 와 같이 기설정된 신경망 모델(여기서는 일예로 CNN)로 구성되는 사이노그램 재구성부(SIC)에 입력한다.
이에 사이노그램 재구성부(SIC)는 추정 사이노그램(ESG)을 출력하고, 출력된 추정 사이노그램(ESG)을 대응하는 전체 시점 사이노그램과 비교하여 식별 오차를 판별한다. 판별된 식별 오차는 오차역전파법(Backpropagation)에 따라 최종 레이어(L25)로부터 역으로 전파되어 각 레이어의 가중치 및 바이어스가 조절된다.
이렇게 전체 시점 사이노그램에 대해 반복적으로 식별 오차를 판별하고 가중치 및 바이어스를 조절함으로써, 사이노그램 재구성부(SIC)는 학습될 수 있다.
한편 CT 영상 재구성부(IMC)의 학습은 사이노그램 재구성부(SIC)에서 추정된 추정 사이노그램(ESG)이 역라돈 변환부(IRT)에서 역라돈 변환된 추정 CT 이미지(ECTI)를 인가받아 수행된다.
CT 영상 재구성부(IMC)는 추정 CT 이미지(ECTI)를 인가받아 CT 이미지(CTI)를 출력한다. 그리고 CT 영상 재구성부(IMC)의 학습을 위해 출력된 CT 이미지(CTI)는 라돈 변환되어 변환 사이노그램이 된다. 이에 사이노그램 재구성부(SIC)의 학습과 유사하게 전체 시점 사이노그램과 변환 사이노그램을 비교하여 식별 오차를 판별하고, 판별된 식별 오차에 따라 CT 영상 재구성부(IMC)를 학습 시킬 수 있다.
이후 변환 사이노그램을 다시 역라돈 변환하여 CT 이미지(CTI)를 다시 획득할 수 있다.
여기서 CT 영상 재구성부(IMC)의 학습을 위해, CT 이미지(CTI)를 변환 사이노그램으로 라돈 변환하는 것은 전체 시점 사이노그램과 비교할 수 있도록 하기 위함이다. 그러나 만일 다수의 전체 시점 사이노그램 각각을 역라돈 변환한 다수의 정상선량 CT 이미지가 미리 획득되어 있다면, CT 영상 재구성부(IMC)에서 출력되는 CT 이미지(CTI)를 정상선량 CT 이미지와 비교하여 식별 오차를 판별할 수도 있으므로, 라돈 변환을 수행하지 않을 수 있다.
상기에서는 다수의 전체 시점 사이노그램을 이용하여 사이노그램 재구성부(SIC)와 CT 영상 재구성부(IMC)를 학습시키는 것으로 설명하였다. 그러나 전체 시점 사이노그램을 획득하기 위해서는 피험자의 피폭량이 증대되므로, 다수의 전체 시점 사이노그램을 획득하는 것은 바람직하지 않다.
이에 전체 시점 사이노그램을 다수의 패치로 분할하고, 분할된 각 패치 단위로 사이노그램 재구성부(SIC)와 CT 영상 재구성부(IMC)를 학습시킬 수도 있다. 이 경우 적은 수의 전체 시점 사이노그램으로도 사이노그램 재구성부(SIC)와 CT 영상 재구성부(IMC)를 학습시킬 수 있다.
도4 는 본 발명의 다른 실시예에 따른 컴퓨터 단층촬영 영상 재구성 장치의 개략적 구성을 나타내고, 도5 는 도4 의 전처리부의 개략적 구조의 일예를 나타낸다.
도4 의 CT 영상 재구성장치는 전처리부(PRE)와 사이노그램 재구성부(SIC), 역라돈 변환부(IRT) 및 CT 영상 재구성부(MIC)를 포함한다. 여기서 사이노그램 재구성부(SIC), 역라돈 변환부(IRT) 및 CT 영상 재구성부(MIC)는 도1 의 CT 영상 재구성 장치에서와 동일한 구성이다. 즉 도4 의 CT 영상 재구성장치는 도1 의 CT 영상 재구성 장치에서 전처리부(PRE)를 더 포함하며, 전처리부(PRE)는 희소 시점 사이노그램(SVS)을 인가받아 기설정된 방식으로 전처리하여 전처리 사이노그램(PSG)을 사이노그램 재구성부(SIC)로 출력한다.
도4 에서와 같이, CT 영상 재구성장치가 전처리부(PRE)를 포함하는 경우, 사이노그램 재구성부(SIC)는 희소 시점 사이노그램(SVS)이 아닌 전처리 사이노그램(PSG)을 인가받아 추정 사이노그램(ESG)을 획득하도록 미리 학습될 필요가 있다. 즉 도3 에서 설명한 학습 방식에서 사이노그램 재구성부(SIC)이 전처리 사이노그램(PSG)를 인가받도록 구성될 필요가 있다.
도5 를 참조하면 전처리부(PRE)는 사전 역라돈 변환부(PIRT) 및 사전 라돈 변환부(PRT)를 포함한다. 사전 역라돈 변환부(PIRT)는 희소 시점 사이노그램(SVS)을 인가받아 역라돈 변환함으로써, 저선량 CT 영상(LCTI)을 획득한다. 그리고 사전 라돈 변환부(PRT)는 저선량 CT 영상(LCTI)을 다시 라돈 변환하여, 전처리 사이노그램(PSG)을 획득한다.
이때 사전 라돈 변환부(PRT)는 저선량 CT 영상(LCTI)을 희소 시점 사이노그램(SVS)에 대응하는 각도 단위가 아니라 전체 시점 사이노그램에 대응하는 각도 단위로 라돈 변환을 수행한다.
희소 시점 사이노그램(SVS)이 기준 각도 단위보다 큰 각도로 촬영되어 획득된 사이노그램이므로, 사전 역라돈 변환부(PIRT)에 의해 저선량 CT 영상(LCTI)은 화질이 낮다. 그러나 저선량 CT 영상(LCTI)은 전방향에 대한 영상으로 획득된다. 따라서 사전 라돈 변환부(PRT)가 저선량 CT 영상(LCTI)을 다시 전체 시점 사이노그램에 대응하는 각도 단위로 라돈 변환하면, 보간된 사이노그램이 획득되며, 보간된 사이노그램을 전처리된 사이노그램(PSG)으로서 사이노그램 재구성부(SIC)로 출력할 수 있다.
그리고 사이노그램 재구성부(SIC)는 데이터의 절대량이 부족한 희소 시점 사이노그램(SVS)이 아니라 보간된 전처리 사이노그램(PSG)을 인가받아 추정 사이노그램(ESG)을 추정함으로써, 추정의 정확도를 향상시킬 수 있다.
여기서 전처리부(PRE)가 역라돈 변환과 라돈 변환을 통해 보간하여 전처리 사이노그램(PSG)을 획득하는 것은 보간으로 인한 아티팩트가 추가로 발생되지 않도록 하기 위함이다.
만일 희소 시점 사이노그램(SVS)을 선형 보간법(Linear interpolation) 등의 방식을 이용하여 보간하게 되는 경우, 희소 시점 사이노그램(SVS) 자체의 데이터 량의 부족으로 인해 발생되는 아티팩트 이외에 보간에 의한 아티팩트도 발생하게 된다. 희소 시점 사이노그램(SVS) 자체의 데이터 량의 부족으로 인해 발생되는 아티팩트의 경우, 원 데이터에 대한 아티팩트인 반면, 보간으로 인해 발생되는 아티팩트는 원 데이터에 무관하게 발생되는 아티팩트일 뿐만 아니라 원 데이터에 대한 변형이 발생될 수 있어, 근본적인 CT 영상 화질에 대한 복원이 아니라는 문제가 발생한다.
이에 본 실시예에서는 기본적으로 CT 영상을 획득하기 위해 이용되는 역라돈 변환과 라돈 변환을 이용하여 희소 시점 사이노그램(SVS)을 보간함으로써, 원데이터의 왜곡이 없는 보간이 수행될 수 있도록 한다.
도6 은 본 발명의 일 실시예에 따른 컴퓨터 단층촬영 영상 재구성 방법을 나타낸다.
도1 내지 도5 를 참조하여, 도6 의 컴퓨터 단층촬영 영상 재구성 방법을 설명하면, 먼저 전처리부(PRE)가 희소 시점 사이노그램(SVS)을 인가받아 전처리하여 전처리 사이노그램(PSG)을 출력한다(S10).
이때 전처리부(PRE)는 희소 시점 사이노그램(SVS)을 역라돈 변환하여 저 선량 CT 영상을 획득하고, 저선량 CT 영상에 대해 전체 시점 사이노그램에 대응하는 각도 단위로 라돈 변환을 수행함으로써, 전처리 사이노그램(PSG)을 획득할 수 있다.
다만 경우에 따라서 전처리 단계는 생략될 수도 있다.
그리고 미리 지정된 패턴 추정 기법에 따라 학습된 사이노그램 재구성부(SIC)가 학습된 추론 방식에 따라 전처리 사이노그램(PSG)으로부터 패턴을 추정함으로써 추정 사이노그램(ESG)을 재구성한다(S20). 여기서 사이노그램 재구성부(SIC)는 일예로 CNN 기법에 따라 모델링되고 학습될 수 있다. 만일 전처리 단계가 생략된 경우, 사이노그램 재구성부(SIC)는 희소 시점 사이노그램(SVS)을 인가받아 추정 사이노그램(ESG)을 획득할 수도 있다.
한편, 역라돈 변환부(IRT)는 추정 사이노그램(ESG)을 인가받아 역라돈 변환하여 추정 CT 영상(ECTI)을 획득한다(S30). 그리고 미리 지정된 패턴 추정 기법에 따라 학습된 CT 영상 재구성부(IMC)는 학습된 추론 방식에 따라 추정 CT 영상(ECTI)으로부터 패턴을 추정하여 CT 영상을 재구성한다(S40). 여기서 재구성된 CT 영상은 사이노그램 재구성부(SIC)와 CT 영상 재구성부(IMC)가 각각 학습된 추정 방식에 따라 사이노그램 차원 및 CT 영상 차원에서 재구성하여 생성된 영상으로 비록 희소 시점 사이노그램(SVS)으로부터 획득되었음에도 전체 시점 사이노그램으로부터 획득되는 정상선량 CT 영상에 근접한 고화질의 CT 영상으로 획득될 수 있다.
도7 은 본 발명의 일 실시예에 따른 컴퓨터 단층촬영 영상 재구성 방법에 따라 획득되는 컴퓨터 단층촬영 영상의 성능을 비교하기 위한 도면이다.
도7 에서 (a)는 전체 시점 사이노그램으로부터 획득되는 정상 선량 CT 영상을 나타내며, 360° 회전하며 540회 촬영하여 획득된 전체 시점 사이노그램을 역라돈 변환하여 획득된 정상 선량 CT 영상을 나타낸다. 그리고 (b)는 360° 회전하며 45회 촬영하여 획득되는 희소 시점 사이노그램(SVS)을 역라돈 변환하여 획득된 CT 영상을 나타낸다. 한편 (c) 내지 (e)는 (b)의 희소 시점 사이노그램(SVS)에 대해 CNN 기법으로 패턴 추정하여 획득되는 CT 영상을 나타낸다.
여기서 (c)는 사이노그램 재구성부(SIC)만을 이용하여 희소 시점 사이노그램(SVS)으로부터 추정 사이노그램(ESG)을 재구성하고, 추정 사이노그램(ESG)을 역라돈 변환하여 획득된 CT 영상을 나타낸다. 그에 반해 (e)는 희소 시점 사이노그램(SVS)을 역라돈 변환하여 획득된 저선량 CT 영상을 CT 영상 재구성부(IMC)가 CT 영상(CTI)으로 재구성한 경우를 나타낸다.
한편 (d)는 본 발명의 실시예에 따라 사이노그램 재구성부(SIC)가 희소 시점 사이노그램(SVS)으로부터 추정 사이노그램(ESG)을 재구성하고, 추정 사이노그램(ESG)을 역라돈 변환하여 추정 CT 영상(ECTI)을 획득한 후, CT 영상 재구성부(IMC)가 추정 CT 영상(ECTI)으로부터 CT 영상(CTI)을 재구성한 경우를 나타낸다.
도7 에 도시된 바와 같이 (d)에 도시된 본 발명의 실시예에 따른 CT 영상(CTI)는 (b), (c) 및 (e)의 CT 영상에 비해, 아티팩트가 제거되고 화질이 개선되어 (a)의 정상 선량 CT 영상에 가장 근접한 영상으로 출력됨을 알 수 있다.
본 발명에 따른 방법은 컴퓨터에서 실행 시키기 위한 매체에 저장된 컴퓨터 프로그램으로 구현될 수 있다. 여기서 컴퓨터 판독가능 매체는 컴퓨터에 의해 액세스 될 수 있는 임의의 가용 매체일 수 있고, 또한 컴퓨터 저장 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함하며, ROM(판독 전용 메모리), RAM(랜덤 액세스 메모리), CD(컴팩트 디스크)-ROM, DVD(디지털 비디오 디스크)-ROM, 자기 테이프, 플로피 디스크, 광데이터 저장장치 등을 포함할 수 있다.
본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다.
따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 청구범위의 기술적 사상에 의해 정해져야 할 것이다.
SIC: 사이노그램 재구성부 IRT: 역라돈 변환부
IMC: CT 영상 재구성부 PRE: 전처리부
SVS: 희소 시점 사이노그램 ESG: 추정 사이노그램
ECTI: 추정 CT 영상 CTI: CT 영상
PSG: 전처리 사이노그램 PIRT: 사전 역라돈 변환부
PRT: 사전 라돈 변환부

Claims (11)

  1. 전체 시점 사이노그램보다 큰 각도 단위로 촬영되어 획득되는 희소 시점 사이노그램을 인가받고, 미리 학습된 패턴 추정 방식에 따라 상기 희소 시점 사이노그램으로부터 추정 사이노그램을 추정하여 재구성하는 사이노그램 재구성부;
    상기 추정 사이노그램을 역라돈 변환하여 추정 CT 영상을 출력하는 역라돈 변환부; 및
    미리 학습된 패턴 추정 방식에 따라 추정 CT 영상으로부터 아티팩트가 제거된 CT 영상을 추정하여 재구성하는 CT 영상 재구성부; 를 포함하되,
    상기 사이노그램 재구성부는 상기 사이노그램 재구성부에서 출력되는 상기 추정 사이노그램과 전체 시점 사이노그램을 비교하여 식별 오차를 판별하고 이를 역으로 전파하여 학습되는 콘볼루션 신경망을 포함하고,
    상기 CT 영상 재구성부는 상기 CT 영상 재구성부에서 출력되는 재구성된CT 영상을 라돈 변환한 변환 사이노그램과 상기 전체 시점 사이노그램을 비교하여 식별 오차를 판별하고 이를 역으로 전파하여 학습되는 콘볼루션 신경망을 포함하는 컴퓨터 단층촬영 영상 재구성 장치.

  2. 삭제
  3. 제1 항에 있어서, 상기 사이노그램 재구성부 및 상기 CT 영상 재구성부 각각은
    각각 컨볼루션 필터층을 구비하는 다수의 레이어를 포함하고, 상기 다수의 레이어 중 최종 레이어를 제외한 나머지 레이어는 활성화 함수층을 더 포함하는 하는 컴퓨터 단층촬영 영상 재구성 장치.
  4. 제3 항에 있어서, 상기 활성화 함수층은
    기지정된 네거티브 기울기를 갖는 누설 ReLU(leaky ReLU)로 구성되는 것을 특징으로 하는 컴퓨터 단층촬영 영상 재구성 장치.
  5. 제1 항에 있어서, 상기 컴퓨터 단층촬영 영상 재구성 장치는
    상기 희소 시점 사이노그램을 역라돈 변환하고, 변환된 결과에 대해 상기 전체 시점 사이노그램에 대응하는 각도 단위로 라돈 변환하여 상기 사이노그램 재구성부로 전달하는 전처리부; 를 더 포함하는 하는 컴퓨터 단층촬영 영상 재구성 장치.
  6. 제5 항에 있어서, 상기 전처리부는
    상기 희소 시점 사이노그램을 인가받아 역라돈 변환하여 저선량 CT 영상을 획득하는 사전 역라돈 변환부; 및
    상기 저선량 CT 영상을 상기 전체 시점 사이노그램에 대응하는 각도 단위로 라돈 변환하여 전처리 사이노그램을 상기 사이노그램 재구성부로 전달하는 사전 라돈 변환부; 를 포함하는 컴퓨터 단층촬영 영상 재구성 장치.
  7. 전체 시점 사이노그램보다 큰 각도 단위로 촬영되어 획득되는 희소 시점 사이노그램을 인가받아, 미리 학습된 패턴 추정 방식에 따라 상기 희소 시점 사이노그램으로부터 추정 사이노그램을 재구성하는 단계;
    상기 추정 사이노그램을 역라돈 변환하여 추정 CT 영상을 획득하는 단계; 및
    미리 학습된 패턴 추정 방식에 따라 추정 CT 영상으로부터 아티팩트가 제거된 CT 영상을 재구성하는 단계; 를 포함하되,
    상기 추정 사이노그램을 재구성하는 단계는 출력되는 상기 추정 사이노그램과 전체 시점 사이노그램을 비교하여 식별 오차를 판별하고 이를 역으로 전파하여 학습되는 콘볼루션 신경망을 이용하고,
    상기 CT 영상을 재구성하는 단계는 출력되는 재구성된 CT 영상을 라돈 변환한 변환 사이노그램과 상기 전체 시점 사이노그램을 비교하여 식별 오차를 판별하고 이를 역으로 전파하여 학습되는 콘볼루션 신경망을 이용하는
    컴퓨터 단층촬영 영상 재구성 방법.
  8. 삭제
  9. 삭제
  10. 제7 항에 있어서, 상기 추정 사이노그램을 재구성하는 단계는
    상기 희소 시점 사이노그램을 역라돈 변환하고, 변환된 결과에 대해 상기 전체 시점 사이노그램에 대응하는 각도 단위로 라돈 변환하여 전처리 사이노그램을 생성하는 단계; 및
    상기 전처리 사이노그램으로부터 추정 사이노그램을 추정하여 재구성하는 단계; 를 포함하는 하는 컴퓨터 단층촬영 영상 재구성 방법.
  11. 제10 항에 있어서, 상기 전처리 사이노그램을 생성하는 단계는
    상기 희소 시점 사이노그램을 인가받아 역라돈 변환하여 저선량 CT 영상을 획득하는 단계; 및
    상기 저선량 CT 영상을 상기 전체 시점 사이노그램에 대응하는 각도 단위로 라돈 변환하여 상기 전처리 사이노그램을 획득하는 단계; 를 포함하는 컴퓨터 단층촬영 영상 재구성 방법.
KR1020180055080A 2018-05-14 2018-05-14 컴퓨터 단층촬영 영상 재구성 장치 및 방법 KR102039472B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180055080A KR102039472B1 (ko) 2018-05-14 2018-05-14 컴퓨터 단층촬영 영상 재구성 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180055080A KR102039472B1 (ko) 2018-05-14 2018-05-14 컴퓨터 단층촬영 영상 재구성 장치 및 방법

Publications (1)

Publication Number Publication Date
KR102039472B1 true KR102039472B1 (ko) 2019-11-01

Family

ID=68535540

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180055080A KR102039472B1 (ko) 2018-05-14 2018-05-14 컴퓨터 단층촬영 영상 재구성 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102039472B1 (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111028210A (zh) * 2019-11-25 2020-04-17 北京航天控制仪器研究所 基于稀疏自动编码器的深度神经网络玻璃管端面缺陷检测方法
KR20210069389A (ko) * 2019-12-03 2021-06-11 서울대학교산학협력단 인공지능 기반의 단층촬영 영상 인공음영 제거 방법 및 장치
KR20220040977A (ko) * 2020-09-24 2022-03-31 한국전자통신연구원 필드프리 생성 장치, 나노 자성 입자 영상화 장치 및 방법
KR20220073156A (ko) 2020-11-26 2022-06-03 건양대학교산학협력단 딥 러닝 기반의 제한각도 컴퓨터 단층촬영상 재구성 시스템
KR20220144668A (ko) * 2021-04-20 2022-10-27 연세대학교 원주산학협력단 다중 레벨 웨이브렛 인공지능 기반 선량 저 감화를 위한 컴퓨터 단층영상 재구성 방법
WO2023063715A1 (ko) * 2021-10-15 2023-04-20 가천대학교 산학협력단 투영기반의 의료영상 재구성 시스템

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0714022A (ja) * 1990-12-21 1995-01-17 General Electric Co <Ge> 不完全な円錐状ビーム投射データから物体の三次元映像を再構成する方法および装置
JP2001299738A (ja) * 2000-04-14 2001-10-30 Toshiba Corp Ｘ線コンピュータ断層撮影装置
KR20120127214A (ko) * 2011-05-11 2012-11-21 한국과학기술원 Ｇｐｕ를 이용한 양전자 방출 단층 촬영 영상에서의 몬테카를로 시뮬레이션 감마선 산란 추정 방법 및 장치
KR20140055896A (ko) 2012-10-29 2014-05-09 한국과학기술원 소수의 저선량 ｃｔ 영상을 이용하여 ｐｅｔ 영상을 움직임 보상 및 감쇠 보정하는 방법
KR101431646B1 (ko) * 2013-02-12 2014-08-20 주식회사 쎄크 데이터처리장치, 데이터처리방법 및 컴퓨터 판독가능 기록매체
WO2017198909A1 (en) * 2016-05-20 2017-11-23 Curious Ai Oy Segmentation of data
KR101804699B1 (ko) * 2016-08-31 2017-12-06 연세대학교 산학협력단 컴퓨터 단층 촬영 영상의 아티팩트를 보정하는 방법 및 장치
US20180018757A1 (en) * 2016-07-13 2018-01-18 Kenji Suzuki Transforming projection data in tomography by means of machine learning
EP3300002A1 (en) * 2016-09-22 2018-03-28 Styria medijski servisi d.o.o. Method for determining the similarity of digital images
KR20190103227A (ko) * 2017-01-05 2019-09-04 제너럴 일렉트릭 캄파니 단층촬영 재구성에서 사용하기 위한 데이터의 딥러닝 기반 추정

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0714022A (ja) * 1990-12-21 1995-01-17 General Electric Co <Ge> 不完全な円錐状ビーム投射データから物体の三次元映像を再構成する方法および装置
JP2001299738A (ja) * 2000-04-14 2001-10-30 Toshiba Corp Ｘ線コンピュータ断層撮影装置
KR20120127214A (ko) * 2011-05-11 2012-11-21 한국과학기술원 Ｇｐｕ를 이용한 양전자 방출 단층 촬영 영상에서의 몬테카를로 시뮬레이션 감마선 산란 추정 방법 및 장치
KR20140055896A (ko) 2012-10-29 2014-05-09 한국과학기술원 소수의 저선량 ｃｔ 영상을 이용하여 ｐｅｔ 영상을 움직임 보상 및 감쇠 보정하는 방법
KR101431646B1 (ko) * 2013-02-12 2014-08-20 주식회사 쎄크 데이터처리장치, 데이터처리방법 및 컴퓨터 판독가능 기록매체
WO2017198909A1 (en) * 2016-05-20 2017-11-23 Curious Ai Oy Segmentation of data
US20180018757A1 (en) * 2016-07-13 2018-01-18 Kenji Suzuki Transforming projection data in tomography by means of machine learning
KR101804699B1 (ko) * 2016-08-31 2017-12-06 연세대학교 산학협력단 컴퓨터 단층 촬영 영상의 아티팩트를 보정하는 방법 및 장치
EP3300002A1 (en) * 2016-09-22 2018-03-28 Styria medijski servisi d.o.o. Method for determining the similarity of digital images
KR20190103227A (ko) * 2017-01-05 2019-09-04 제너럴 일렉트릭 캄파니 단층촬영 재구성에서 사용하기 위한 데이터의 딥러닝 기반 추정

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Lee, et al., "View-interpolation of sparsely sampled sinogram using convolutional neural network." Medical Imaging, Image Processing. Vol.10133(2017)* *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111028210A (zh) * 2019-11-25 2020-04-17 北京航天控制仪器研究所 基于稀疏自动编码器的深度神经网络玻璃管端面缺陷检测方法
KR20210069389A (ko) * 2019-12-03 2021-06-11 서울대학교산학협력단 인공지능 기반의 단층촬영 영상 인공음영 제거 방법 및 장치
KR102342954B1 (ko) 2019-12-03 2021-12-24 서울대학교산학협력단 인공지능 기반의 단층촬영 영상 인공음영 제거 방법 및 장치
KR20220040977A (ko) * 2020-09-24 2022-03-31 한국전자통신연구원 필드프리 생성 장치, 나노 자성 입자 영상화 장치 및 방법
KR102655930B1 (ko) 2020-09-24 2024-04-11 한국전자통신연구원 필드프리 생성 장치, 나노 자성 입자 영상화 장치 및 방법
KR20220073156A (ko) 2020-11-26 2022-06-03 건양대학교산학협력단 딥 러닝 기반의 제한각도 컴퓨터 단층촬영상 재구성 시스템
KR20220144668A (ko) * 2021-04-20 2022-10-27 연세대학교 원주산학협력단 다중 레벨 웨이브렛 인공지능 기반 선량 저 감화를 위한 컴퓨터 단층영상 재구성 방법
KR102553068B1 (ko) 2021-04-20 2023-07-06 연세대학교 원주산학협력단 다중 레벨 웨이브렛 인공지능 기반 선량 저 감화를 위한 컴퓨터 단층영상 재구성 방법
WO2023063715A1 (ko) * 2021-10-15 2023-04-20 가천대학교 산학협력단 투영기반의 의료영상 재구성 시스템

Similar Documents

Publication Publication Date Title
KR102039472B1 (ko) 컴퓨터 단층촬영 영상 재구성 장치 및 방법
EP3608877B1 (en) Iterative image reconstruction framework
JP7202302B2 (ja) 断層撮影再構成に使用するためのデータのディープラーニングに基づく推定
US11120582B2 (en) Unified dual-domain network for medical image formation, recovery, and analysis
JP2017094097A (ja) 医用画像処理装置、ｘ線コンピュータ断層撮像装置及び医用画像処理方法
US8442353B2 (en) Incorporation of mathematical constraints in methods for dose reduction and image enhancement in tomography
AU2019271915A1 (en) Method and system for motion correction in CT imaging
US10970885B2 (en) Iterative image reconstruction
CA2729607A1 (en) Incorporation of mathematical constraints in methods for dose reduction and image enhancement in tomography
CN114548238A (zh) 图像三维重建方法、装置、电子设备及存储介质
KR102037117B1 (ko) 구조유사도를 이용한 아티펙트 저감방법 및 프로그램 및 의료영상획득장치
KR102382602B1 (ko) 3d 인공신경망 네트워크 기반 콘빔 아티팩트 보정 시스템 및 방법
Desai et al. Interpolation based low dose ct image reconstruction
KR102441033B1 (ko) 딥 러닝 기반의 제한각도 컴퓨터 단층촬영상 재구성 시스템
JP4282991B2 (ja) 核医療用撮像における有限−角度周波数−距離分解能回復方法
CN111542268B (zh) 改进的基于多焦点非平行准直器的成像
CN112446840A (zh) 一种基于深度学习的ct图像黑带伪影消除方法及系统
KR102553068B1 (ko) 다중 레벨 웨이브렛 인공지능 기반 선량 저 감화를 위한 컴퓨터 단층영상 재구성 방법
US20230097196A1 (en) Ultra-Fast-Pitch Acquisition and Reconstruction in Helical Computed Tomography
Meyrat Spatiotemporal PET reconstruction with Learned Registration
Omer Reconstruction of high resolution computed tomography image from sinogram space using adaptive row projection
CN114638907A (zh) 基于深度学习的骨硬化伪影校正方法及装置

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant