KR102170176B1 - 가상 패치 생성 모델의 학습 방법, 및 이를 이용한 전산화단층촬영 영상 잡음 보정 장치 및 방법 - Google Patents

가상 패치 생성 모델의 학습 방법, 및 이를 이용한 전산화단층촬영 영상 잡음 보정 장치 및 방법 Download PDF

Info

Publication number
KR102170176B1
KR102170176B1 KR1020190058065A KR20190058065A KR102170176B1 KR 102170176 B1 KR102170176 B1 KR 102170176B1 KR 1020190058065 A KR1020190058065 A KR 1020190058065A KR 20190058065 A KR20190058065 A KR 20190058065A KR 102170176 B1 KR102170176 B1 KR 102170176B1
Authority
KR
South Korea
Prior art keywords
training
patch
learning
virtual
image
Prior art date
Application number
KR1020190058065A
Other languages
English (en)
Inventor
유선경
박형석
Original Assignee
충남대학교병원
기초과학연구원
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 충남대학교병원, 기초과학연구원 filed Critical 충남대학교병원
Priority to KR1020190058065A priority Critical patent/KR102170176B1/ko
Application granted granted Critical
Publication of KR102170176B1 publication Critical patent/KR102170176B1/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
    • 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
    • A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
    • G06T5/002—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Veterinary Medicine (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Optics & Photonics (AREA)
  • Public Health (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pulmonology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

본 발명의 일 실시예에 따른 전산화단층촬영 영상 잡음 보정 장치는, 타겟 저선량 영상으로부터 복수의 타겟 패치를 추출하는 추출부; 및 짝이 없는 학습 저선량 영상 및 짝이 없는 학습 표준선량 영상을 포함하는 학습 영상을 기초로 학습된 가상 패치 생성 모델에 상기 추출된 복수의 타겟 패치를 입력하여, 복수의 타겟 가상 패치를 획득하고, 상기 복수의 타겟 가상 패치를 합성하여 상기 타겟 저선량 영상에 대응되는 타겟 표준선량 영상을 획득하는 보정부를 포함한다.

Description

가상 패치 생성 모델의 학습 방법, 및 이를 이용한 전산화단층촬영 영상 잡음 보정 장치 및 방법 {LEARNING METHOD FOR VIRTUAL PATCH GENERATION MODEL, AND CORRECTING APPARATUS AND METHOD FOR X-RAY COMPUTED TOMOGRAPHY IMAGE USING THE SAME}
본 발명은 전산화단층촬영(X-ray Computed Tomography, X-ray CT)에서의 저선량 영상을 표준선량 영상으로 보정하기 위한 가상 패치 생성 모델의 학습 방법, 및 이를 이용한 전산화단층촬영 영상 잡음 보정 장치 및 방법에 관한 것이다.
엑스선 영상 장치는 대상체에 엑스선을 조사하고 대상체를 투과한 엑스선을 분석하여 대상체의 내부구조를 파악할 수 있도록 하는 장치이다. 대상체를 구성하는 조직에 따라 엑스선의 투과성이 다르므로 이를 수치화한 감쇠계수(Attenuation Coefficient)를 이용하여 대상체의 내부구조를 영상화할 수 있다.
엑스선 영상 장치는 엑스선을 한 방향에서 투과시켜 대상체의 투영 영상(Projection Image)을 얻는 일반 라디오그래피(Radiography) 장치와 엑스선을 여러 방향에서 투과시켜 컴퓨터로 영상을 재구성하는 CT 장치로 구분할 수 있다. CT 장치는 컴퓨터 단층 촬영장치 또는 전산화 단층 촬영장치 등으로 지칭된다.
한편, 의료 영역에서 CT 장치의 사용이 증가함에 따라 대상체로 조사되는 방사선량에 대한 관심이 증가하고 있다.
대한민국 공개특허공보 제10-2013-0052802호 (2013.05.23. 공개)
본 발명이 해결하고자 하는 과제는, 짝이 없는 학습 저선량 영상 및 학습 표준선량 영상을 기초로 학습된 가상 패치 생성 모델을 이용하여 저선량 영상을 표준선량 영상으로 보정하기 위한 가상 패치 생성 모델의 학습 방법, 및 전산화단층촬영 영상 잡음 보정 장치 및 방법을 제공하는 것이다.
다만, 본 발명이 해결하고자 하는 과제는 이상에서 언급한 바로 제한되지 않으며, 언급되지는 않았으나 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있는 목적을 포함할 수 있다.
본 발명의 일 실시예에 따른 전산화단층촬영 영상 잡음 보정 장치는, 타겟 저선량 영상으로부터 복수의 타겟 패치를 추출하는 추출부; 및 짝이 없는 학습 저선량 영상 및 짝이 없는 학습 표준선량 영상을 포함하는 학습 영상을 기초로 학습된 가상 패치 생성 모델에 상기 추출된 복수의 타겟 패치를 입력하여, 복수의 타겟 가상 패치를 획득하고, 상기 복수의 타겟 가상 패치를 합성하여 상기 타겟 저선량 영상에 대응되는 타겟 표준선량 영상을 획득하는 보정부를 포함한다.
또한, 상기 학습 영상을 기초로 상기 가상 패치 생성 모델을 학습하는 학습부를 더 포함할 수 있다.
또한, 상기 학습부는, 상기 학습 영상으로부터 추출된 복수의 학습 패치 중 상기 학습 저선량 영상에 대한 제 1 학습 패치로부터 학습 가상 패치를 생성하는 상기 가상 패치 생성 모델을 학습하는 생성부; 및 상기 추출된 학습 패치 중 상기 학습 표준선량 영상에 대한 제 2 학습 패치와 상기 생성된 학습 가상 패치를 판별하는 가상 패치 판별 모델을 학습하는 판별부를 포함할 수 있다.
또한, 상기 생성부는, 상기 가상 패치 판별 모델의 판별 결과를 이용하여 상기 가상 패치 생성 모델을 학습할 수 있다.
또한, 상기 생성부는, 상기 생성된 학습 가상 패치가 상기 제 1 학습 패치의 형태 구조(Morphological Structure)를 포함하도록 상기 가상 패치 생성 모델을 학습할 수 있다.
또한, 상기 생성부는, 상기 생성된 학습 가상 패치와 상기 제 1 학습 패치의 차이가 최소가 되도록 상기 가상 패치 생성 모델을 학습할 수 있다.
본 발명의 일 실시예에 따른 영상 보정 방법은, 타겟 저선량 영상으로부터 복수의 타겟 패치를 추출하는 단계; 짝이 없는 학습 저선량 영상 및 짝이 없는 학습 표준선량 영상을 포함하는 학습 영상을 기초로 학습된 가상 패치 생성 모델에 상기 추출된 복수의 타겟 패치를 입력하여, 복수의 타겟 가상 패치를 획득하는 단계; 및 상기 복수의 타겟 가상 패치를 합성하여 상기 타겟 저선량 영상에 대응되는 타겟 표준선량 영상을 획득하는 단계를 포함한다.
또한, 상기 학습 영상을 기초로 상기 가상 패치 생성 모델을 학습하는 단계를 더 포함할 수 있다.
또한, 상기 가상 패치 생성 모델을 학습하는 단계는, 상기 학습 영상으로부터 복수의 학습 패치를 추출하는 단계; 상기 추출된 학습 패치 중 상기 학습 저선량 영상에 대한 제 1 학습 패치로부터 학습 가상 패치를 생성하는 상기 가상 패치 생성 모델을 학습하는 단계; 및 상기 추출된 학습 패치 중 상기 학습 표준선량 영상에 대한 제 2 학습 패치와 상기 생성된 학습 가상 패치를 판별하는 가상 패치 판별 모델을 학습하는 단계를 포함할 수 있다.
또한, 상기 제 1 학습 패치로부터 상기 가상 패치 생성 모델을 학습하는 단계는, 상기 가상 패치 판별 모델의 판별 결과를 이용하여 상기 가상 패치 생성 모델을 학습할 수 있다.
또한, 상기 제 1 학습 패치로부터 상기 가상 패치 생성 모델을 학습하는 단계는, 상기 생성된 학습 가상 패치가 상기 제 1 학습 패치의 형태 구조(Morphological Structure)를 포함하도록 상기 가상 패치 생성 모델을 학습할 수 있다.
또한, 상기 제 1 학습 패치로부터 상기 가상 패치 생성 모델을 학습하는 단계는, 상기 생성된 학습 가상 패치와 상기 제 1 학습 패치의 차이가 최소가 되도록 상기 가상 패치 생성 모델을 학습할 수 있다.
본 발명의 일 실시예에 따른 가상 패치 생성 모델의 학습 방법은, 입력된 저선량의 타겟 패치에 대응하여 표준선량의 타겟 가상 패치를 출력하는 가상 패치 생성 모델의 학습 방법에 있어서, 짝이 없는 학습 저선량 영상 및 짝이 없는 학습 표준선량 영상을 포함하는 학습 영상으로부터 복수의 학습 패치를 추출하는 단계; 상기 추출된 학습 패치 중 상기 학습 저선량 영상에 대한 제 1 학습 패치로부터 학습 가상 패치를 생성하는 상기 가상 패치 생성 모델을 학습하는 단계; 및 상기 추출된 학습 패치 중 상기 학습 표준선량 영상에 대한 제 2 학습 패치와 상기 생성된 학습 가상 패치를 판별하는 가상 패치 판별 모델을 학습하는 단계를 포함한다.
또한, 상기 제 1 학습 패치로부터 상기 가상 패치 생성 모델을 학습하는 단계는, 상기 가상 패치 판별 모델의 판별 결과를 이용하여 상기 가상 패치 생성 모델을 학습할 수 있다.
또한, 상기 제 1 학습 패치로부터 상기 가상 패치 생성 모델을 학습하는 단계는, 상기 생성된 학습 가상 패치가 상기 제 1 학습 패치의 형태 구조(Morphological Structure)를 포함하도록 상기 가상 패치 생성 모델을 학습할 수 있다.
또한, 상기 제 1 학습 패치로부터 상기 가상 패치 생성 모델을 학습하는 단계는, 상기 생성된 학습 가상 패치와 상기 제 1 학습 패치의 차이가 최소가 되도록 상기 가상 패치 생성 모델을 학습할 수 있다.
본 발명의 실시예에 의하면, 대응되는 표준선량의 영상을 이용하지 않고도, 짝이 없는 저선량 영상만을 기초로 가상 패치 생성 모델을 학습할 수 있다. 동일한 대상체에 대해 한 쌍의 저선량 영상 및 표준선량 영상을 함께 확보하는 것은 윤리적인 문제가 수반될 수 있으나, 저선량의 영상에 기초한 가상 패치 생성 모델을 이용함으로써 실제 임상 환경에 적용가능할 수 있다.
특히, 별도의 전산화단층촬영 영상 잡음 보정 장치 및/또는 방법이 탑재되지 않은 종래의 CT 장치에도 직접 적용함으로써, 저선량 영상으로부터 노이즈가 제거된 표준선량 영상을 획득할 수 있다.
본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 전산화단층촬영 영상 잡음 보정 장치의 기능 블록도이다.
도 2는 본 발명의 일 실시예에 따른 가상 패치 생성 모델의 학습 방법의 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 가상 패치 생성 모델의 학습 방법을 개념적으로 도시하는 개념도이다.
도 4는 본 발명의 일 실시예에 따른 영상 보정 방법의 흐름도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명의 범주는 청구항에 의해 정의될 뿐이다.
본 발명의 실시예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명은 본 발명의 실시예들을 설명함에 있어 실제로 필요한 경우 외에는 생략될 것이다. 그리고 후술되는 용어들은 본 발명의 실시예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
이하 사용되는 '…부', '…기' 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어, 또는, 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
도 1은 본 발명의 일 실시예에 따른 전산화단층촬영 영상 잡음 보정 장치의 기능 블록도이다.
본 발명의 전산화단층촬영 영상 잡음 보정 장치는 타겟 영상 내 노이즈를 제거하여 보정된 영상을 획득하는 장치를 의미할 수 있다. 이 때, 전산화단층촬영 영상 잡음 보정 장치는 다양한 종류의 영상을 타겟 영상으로서 입력받을 수 있다. 예를 들어, 본 발명의 일 실시예에 따른 전산화단층촬영 영상 잡음 보정 장치는 낮은 관전압에 의한 저선량의 CT 영상을 타겟 영상으로 입력받아, 저선량 영상 내 노이즈가 제거된 표준 관전압에 의한 표준선량 영상을 보정 영상으로서 획득할 수 있다.
CT 장치에 의한 CT 영상 촬영에 있어서, 방사선량은 관전압(Kilovoltage, kVp)과 직접적으로 연관되므로, 낮은 관전압을 이용하는 것이 바람직할 수 있다. 그러나, 낮은 관전압에 의해 획득되는 CT 영상에는 노이즈가 증가하여 영상의 품질이 저하될 수 있다. 그 결과, 종래에는 판독이 가능한 수준의 노이즈까지만을 허용하는 관전압에 의해 CT 영상을 촬영하였다. 그러나, 이와 같은 방법에는 영상 품질의 한계가 존재할 수밖에 없다.
보다 개선된 영상 품질을 획득하기 위해, 영상 내 노이즈를 제거하는 보정을 수행하는 알고리즘을 저선량 영상에 적용할 수 있다. 이와 같은 알고리즘 중의 하나는 딥러닝에 의해 학습되는 것으로서, 짝이 있는 데이터 세트(Paired Dataset)를 이용할 수 있다. 구체적으로, 딥 러닝에 의한 알고리즘 생성 방법의 실시예에 따르면, 판톰(Phantom)을 서로 다른 관전압, 예를 들어 저선량에 대응되는 관전압과 표준선량에 대응되는 관전압 각각으로 촬영하여 저선량 영상 및 표준선량 영상을 획득하고, 저선량 영상 및 표준선량 영상을 짝으로 하여 짝이 있는 데이터 세트를 구성한 후, 해당 데이터 세트를 딥러닝에 의해 학습함으로써 알고리즘을 생성할 수 있다.
다른 실시예로서 수치 시뮬레이션으로 저선량 영상을 생성함으로써 짝이 있는 데이터 세트를 획득하고, 이렇게 획득된 짝이 있는 데이터 세트를 이용하여 딥 러닝을 수행하는 방법이 있다.
이와 같은 방법들은 CT 영상, 특히 저선량 영상의 노이즈를 제거하는데 어느 정도 가능성을 보인다. 그러나, 판톰 실험 및/또는 수치 실험은 실제 임상 환경과 상이하므로, 상술한 방법에 의해 생성된 알고리즘을 실제 임상 환경에 직접 적용하기는 어렵다.
만약, 임상 환경, 즉 실제 환자를 대상체로 하여 짝이 있는 데이터를 확보하기 위해서는 대상체에 서로 다른 관전압에 따라 적어도 두 번의 CT 촬영을 진행하여야 하는데, 동일한 환자에 복수 회의 CT 촬영을 진행하는 것에는 윤리적인 문제가 따른다.
이를 해결하기 위해, 본 발명의 일 실시예에 따른 전산화단층촬영 영상 잡음 보정 장치(100)는 짝이 없는 학습 저선량 영상 및 학습 표준선량 영상을 기초로 가상 패치 생성 모델을 학습하고, 이렇게 학습된 가상 패치 생성 모델을 이용하여 저선량 영상을 표준선량 영상으로 보정할 수 있다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 전산화단층촬영 영상 잡음 보정 장치(100)는 추출부(110), 학습부(120), 저장부(130), 및 보정부(140)를 포함할 수 있다.
추출부(110)는 입력된 영상으로부터 패치를 추출할 수 있다. 예를 들어, 추출부(110)는 입력된 학습 저선량 영상 및 학습 표준선량 영상을 포함하는 학습 영상으로부터 학습 영상보다 작은 크기의 복수의 학습 패치를 추출할 수 있다. 여기서, 학습 표준선량 영상의 관전압을 기준 관전압(예를 들어, 120kVp)라 할 때, 학습 저선량 영상의 관전압은 기준 관전압 이하(예를 들어, 80kVp)로 설정될 수 있다. 이 때, 입력되는 학습 영상은 짝이 없는 영상일 수 있다.
또한, 추출부(110)는 입력되는 타겟 저선량 영상으로부터 타겟 저선량 영상보다 작은 크기의 복수의 타겟 패치를 추출할 수 있다. 이 때, 학습 패치와 타겟 패치의 크기는 동일할 수 있으나, 이에 한정되는 것은 아니다.
또한, 추출부(110)에 의해 추출되는 복수의 학습 패치 및/또는 복수의 타겟 패치 각각은 인접하는 다른 학습 패치 및/또는 타겟 패치와의 관계에서 중첩 영역을 형성할 수 있다. 예를 들어, 512×512 크기의 영상이 입력되고, 이로부터 128×128 크기의 패치를 추출하는 경우, 추출부(110)는 복수의 패치 각각이 중첩 영역을 형성하도록, 적어도 17개의 패치를 추출할 수 있다. 이렇게 형성된 중첩 영역은 추후 학습 패치 및/또는 타겟 패치를 합성할 때 기초 정보로 활용될 수 있다.
본 발명의 일 실시예에 따른 전산화단층촬영 영상 잡음 보정 장치(100)는 영상으로부터 추출된 패치 단위로 학습을 수행할 수 있다. 노이즈는 패치 내에도 원 영상과 동일한 패턴을 보이기 때문에, 패치 단위의 학습이 가능할 수 있다. 패치는 원 영상 보다 작은 크기(Size) 및/또는 차원(Dimension)이 작고, 제한된 원 영상으로부터 학습을 위한 패치의 개수를 기하 급수적으로 늘릴 수 있어, 학습 효율을 높일 수 있다.
학습부(120)는 추출된 학습 패치를 기초로 가상 패치 생성 모델을 학습할 수 있다. 여기서, 가상 패치 생성 모델이란 저선량 영상에 대한 패치가 입력되면, 표준선량 영상에 대한 가상 패치를 생성하는 모델을 의미할 수 있다. 이를 위해, 학습부(120)는 생성적 대립 네트워크(Generative Adversarial Network, GAN)를 구성하는 생성부(121)(150)와 판별부(122)를 이용하여 가상 패치 생성 모델을 학습할 수 있다.
생성부(121)는 추출된 학습 패치 중 학습 저선량 영상에 대한 제 1 학습 패치로부터 학습 가상 패치를 생성하는 가상 패치 생성 모델을 학습할 수 있다. 또한, 판별부(122)는 추출된 학습 패치 중 표준선량 영상에 대한 제 2 학습 패치를 학습된 가상 패치 생성 모델에 의해 생성된 학습 가상 패치를 판별하는 가상 패치 판별 모델을 학습할 수 있다. 아울러, 생성부(121)는 가상 패치 판별 모델의 판별 결과를 이용하여 가상 패치 생성 모델을 학습할 수 있다.
저장부(130)는 학습부(120)에 의해 학습된 가상 패치 생성 모델을 저장할 수 있다. 구체적으로, 저장부(130)는 학습부(120) 중 생성부(121)에 의해 학습된 가상 패치 생성 모델을 저장하고, 추후 보정부(140)의 요청에 따라 가상 패치 생성 모델을 보정부(140)로 제공할 수 있다.
이를 위해, 저장부(130)는 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), PROM(Programmable Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory)와 같은 저장매체로 구현되거나, 전산화단층촬영 영상 잡음 보정 장치(100)와 유무선 통신 가능한 외부의 서버 장치 또는 클라우드로 구현될 수 있다.
보정부(140)는 입력되는 타겟 저선량 영상 내 노이즈가 제거된 타겟 표준선량 영상을 획득할 수 있다. 이를 위해, 보정부(140)는 적용부(141), 및 합성부(142)를 포함할 수 있다.
추출부(110)에 의해 타겟 저선량 영상으로부터 복수의 타겟 패치가 추출되면, 적용부(141)는 추출된 복수의 타겟 패치를 저장부(130)에 저장된 가상 패치 생성 모델에 입력할 수 있다. 그 결과, 적용부(141)는 입력된 복수의 타겟 패치 각각에 대응되는 복수의 타겟 가상 패치를 획득할 수 있다. 이렇게 획득된 타겟 가상 패치는 타겟 패치 내 노이즈가 제거된 결과일 수 있다.
합성부(142)는 획득된 복수의 타겟 가상 패치를 합성할 수 있다. 상술한 바와 같이, 추출부(110)는 입력된 영상으로부터 중첩 영역을 가지는 복수의 패치로 추출하므로, 합성부(142)는 획득된 복수의 타겟 가상 패치 내 중첩 영역을 이용하여 복수의 가상 패치를 하나의 영상으로서 합성할 수 있다. 합성 결과, 합성부(142)는 입력된 타겟 저선량 영상에 대응되는 타겟 표준선량 영상을 획득할 수 있다.
도 1에서는 학습부(120)에 의해 학습된 가상 패치 생성 모델이 저장부(130)에 미리 저장되고, 필요에 따라 가상 패치 생성 모델이 보정부(140)에 제공되는 실시예를 설명하였으나, 가상 패치 생성 모델이 전산화단층촬영 영상 잡음 보정 장치(100)와 별개의 외부 장치에 의해 학습되어 저장부(130)에 저장될 수도 있고, 가상 패치 생성 모델이 전산화단층촬영 영상 잡음 보정 장치(100)와 별개의 외부 장치에 의해 학습되어 외부의 저장 장치에 저장되었다가 필요에 따라 전산화단층촬영 영상 잡음 보정 장치(100)에 제공되는 것도 가능할 수 있다.
상술한 실시예에 따른 전산화단층촬영 영상 잡음 보정 장치(100)를 구성하는 추출부(110), 학습부(120), 및 보정부(140) 각각은 마이크로프로세서(Microprocessor)를 포함하는 연산 장치로 구현될 수 있고, 예를 들어 중앙 처리 장치(Central Processing Unit, CPU) 및 그래픽 처리 장치(Graphic Processing Unit, GPU) 중 적어도 하나로 구현될 수 있다. 이와는 달리, 전산화단층촬영 영상 잡음 보정 장치(100)의 각각의 구성 중 적어도 두 개가 SOC(System On Chip)으로 구현되는 것도 가능할 수 있다.
지금까지는 본 발명의 일 실시예에 따른 전산화단층촬영 영상 잡음 보정 장치(100)의 각 구성에 대해 설명하였다. 이하에서는 상술한 전산화단층촬영 영상 잡음 보정 장치(100)에 의해 수행되는 동작에 대해 설명한다. 구체적으로, 전산화단층촬영 영상 잡음 보정 장치(100)에 의해 수행되는 가상 패치 생성 모델의 학습 방법을 설명한 후, 전산화단층촬영 영상 잡음 보정 장치(100)에 의해 수행되는 영상 보정 방법을 설명한다.
본 발명의 일 실시예에 따르면 가상 패치 생성 모델의 학습 방법과 영상 보정 방법을 실행하기 위해 각각의 단계를 수행하는 명령어를 포함하는 프로그램을 기록한 컴퓨터 판독 가능한 기록매체를 제공한다.
도 2는 본 발명의 일 실시예에 따른 가상 패치 생성 모델의 학습 방법의 흐름도이고, 도 3은 본 발명의 일 실시예에 따른 가상 패치 생성 모델의 학습 방법을 개념적으로 도시하는 개념도이다.
먼저, 전산화단층촬영 영상 잡음 보정 장치(100)는 학습 저선량 영상 및 학습 표준선량 영상을 포함하는 학습 영상으로부터 복수의 학습 패치를 추출할 수 있다(S100). 구체적으로, 전산화단층촬영 영상 잡음 보정 장치(100)의 추출부(110)는 입력된 학습 영상으로부터 학습 영상보다 작은 크기의 복수의 학습 패치를 추출할 수 있다. 이 때, 추출되는 복수의 학습 패치 각각은 인접한 학습 패치와 중첩 영역을 형성할 수 있다.
그 다음, 전산화단층촬영 영상 잡음 보정 장치(100)는 추출된 제 1 학습 패치로부터 표준선량에 대한 학습 가상 패치를 생성할 수 있다(S110). 여기서, 제 1 학습 패치란 학습 영상 중 학습 저선량 영상으로부터 추출된 학습 패치를 의미할 수 있다. 구체적으로, 전산화단층촬영 영상 잡음 보정 장치(100)의 학습부(120)는 제 1 학습 패치로부터 표준선량에 대한 학습 가상 패치를 생성함으로써 가상 패치 생성 모델을 학습할 수 있다.
학습 가상 패치가 생성되면, 전산화단층촬영 영상 잡음 보정 장치(100)는 학습 가상 패치와 추출된 제 2 학습 패치 각각을 판별할 수 있다(S120). 여기서, 제 2 학습 패치란 학습 영상 중 학습 표준선량 영상으로부터 추출된 학습 패치를 의미할 수 있다. 구체적으로, 전산화단층촬영 영상 잡음 보정 장치(100)의 학습부(120)는 학습 가상 패치와 제 2 학습 패치 각각을 판별함으로써 가상 패치 판별 모델을 학습할 수 있다.
이 후, 전산화단층촬영 영상 잡음 보정 장치(100)는 학습이 더 필요한지 여부를 결정할 수 있다(S130). 만약, 학습이 더 필요하다고 판단되면, 전산화단층촬영 영상 잡음 보정 장치(100)는 다시 제 1 학습 패치로부터 학습 가상 패치를 생성함으로써 가상 패치 생성 모델을 학습할 수 있다.
이 때, 전산화단층촬영 영상 잡음 보정 장치(100)는 가상 패치 판별 모델의 판별 결과를 이용하여 가상 패치 생성 모델을 학습할 수 있다. 즉, 전산화단층촬영 영상 잡음 보정 장치(100)는 가상 패치 생성 모델을 학습하는 생성부(121)와 가상 패치 판별 모델을 학습하는 판별부(122) 각각에 의해 생성적 대립 네트워크를 구성할 수 있다.
도 3을 참조하면, 생성부(121)는 가상 데이터, 즉 가상 패치를 생성할 수 있다. 그 다음, 판별부(122)는 생성된 가상 데이터(학습 가상 패치) 또는 실제 데이터(제 2 학습 패치)를 입력받고, 이렇게 입력된 데이터가 실제 데이터(제 2 학습 패치)인지 아니면 가상 데이터(학습 가상 패치)인지를 판별할 수 있다.
이 과정에서, 생성부(121)가 가상 데이터(학습 가상 패치)를 생성하는 과정 또는 이러한 가상 데이터(학습 가상 패치)의 생성에 이용되는 모델(가상 패치 생성 모델)은 반복된 학습을 통해 개선될 수 있다. 생성부(121)에 대한 학습 방향은 판별부(122)가 가상 데이터(학습 가상 패치)를 실제 데이터(제 2 학습 패치)로 착각해서 판단하도록 하는 것이다. 예컨대 생성부(121)는 학습이 반복될수록 실제 데이터(제 2 학습 패치)의 확률 분포에 보다 가까운 가상 데이터(학습 가상 패치)를 생성할 수 있게 된다.
뿐만 아니라, 판별부(122)가 입력받은 데이터를 실제 데이터(제 2 학습 패치) 또는 가상 데이터(학습 가상 패치) 중 어느 하나로 판별하는 과정 또는 이렇게 판별하는데에 이용되는 모델은 반복된 학습을 통해 생성 또는 개선될 수 있다. 즉, 판별부(122)의 판별 모델은 생성부(121)가 생성한 가상 데이터(학습 가상 패치)를 실제 데이터(제 2 학습 패치)라고 판별하지 않고 가상 데이터(학습 가상 패치)라고 판별하도록 학습될 수 있다.
즉, 생성부(121)와 판별부(122) 각각에 대한 학습이 반복될수록, 생성부(121)는 가상 데이터(학습 가상 패치)를 더욱 실제 데이터(제 2 학습 패치)에 가깝게 생성할 수 있게 되고, 판별부(122)는 입력받은 데이터가 가상 데이터(학습 가상 패치)인지 실제 데이터(제 2 학습 패치)인지를 보다 정확하게 판별할 수 있게 된다. 생성부(121)와 학습부(120)가 이렇게 서로 대립되는(Adversarial) 방향으로 학습되는 과정에서 생성부(121)와 판별부(122) 각각은 보다 정교하게 학습될 수 있다. 그 결과, 생성부(121)는 실제 데이터(제 2 학습 패치)와 거의 동일한 가상 데이터(학습 가상 패치)를 생성할 수 있게 된다. 여기서 생성부(121)와 판별부(122)의 각각의 학습 과정 그 자체는 생성적 적대 신경망에 관한 공지된 기술이므로, 이에 대한 설명은 생략하기로 한다.
한편, 생성적 적대 신경망은 가상 패치 생성에 아무런 제약 조건이 없어, 제 1 학습 패치의 형태 구조(Morphological Structure)가 소실될 수 있다. 따라서, 일 실시예에 따른 전산화단층촬영 영상 잡음 보정 장치(100)는 생성적 적대 신경망에 제 1 학습 패치의 형태 구조를 유지하면서 잡음을 제거할 수 있도록 제약 조건을 설정할 수 있다. 구체적으로, 일 실시예에 따른 전산화단층촬영 영상 잡음 보정 장치(100)는 제약 조건으로서 가상 영상인 학습 가상 패치와 원 영상인 제 1 학습 패치의 차이(Distance)를 최소화하도록 설정할 수 있다.
상술한 학습 방법은 수학식 1에 의해 정의될 수 있다.
Figure 112019050628397-pat00001
여기서, G는 가상 패치 생성 모델을 의미하고, D는 가상 패치 판단 모델을 의미하고, E는 기댓값을 의미하고, z와 x 각각은 제 1 학습 패치 및 제 2 학습 패치를 의미할 수 있다. 또한, GAN(G,D)는 수학식 2에 의해 정의될 수 있다.
Figure 112019050628397-pat00002
이처럼, 가상 패치 생성 모델은 제 2 학습 패치와 더욱 유사한 학습 가상 패치를 생성하도록 학습되고, 가상 패치 판별 모델은 입력된 패치가 가상된 학습 가상 패치인지 실제의 제 2 학습 패치인지 보다 정확하기 판별하도록 학습될 수 있다.
또한, 수학식 1을 참조하면, GAN 함수와 함께 우측의 제약 조건 Term이 존재함을 확인할 수 있다. 여기서, Ψm은 제 1 학습 패치 z 내 노이즈의 크기를 측정하도록 설계될 수 있다. 구체적으로, Ψm은 학습 영상을 학습한 합성곱 신경망(Convolution Neural Network)의 전결합 층(Fully Connected Layer)에 입력되기 전의 특징맵(Feature Map)을 의미할 수 있다. 또는, Ψm이 항등함수(Identity Map)일 경우, 상술한 제약 조건은 가우시안 노이즈(Gaussian Noise)의 크기를 측정하는데 이용될 수 있다. 이를 통해, 합성곱 신경망의 Ψm은 영상 내 대상체의 특징을 추출할 수 있다.
상술한 학습이 완료되어 추가적인 학습이 더 필요하지 않은 경우, 전산화단층촬영 영상 잡음 보정 장치(100)는 학습된 가상 패치 생성 모델을 저장할 수 있다(S140). 이렇게 저장된 가상 패치 생성 모델은 추후 필요에 따라 전산화단층촬영 영상 잡음 보정 장치(100)의 보정부(140)에 제공될 수 있다.
지금까지는 전산화단층촬영 영상 잡음 보정 장치(100)에 의해 수행되는 가상 패치 생성 모델의 학습 방법을 설명하였다. 이하에서는, 전산화단층촬영 영상 잡음 보정 장치(100)에 의해 수행되는 영상 보정 방법을 설명한다.
도 4는 본 발명의 일 실시예에 따른 영상 보정 방법의 흐름도이다.
먼저, 전산화단층촬영 영상 잡음 보정 장치(100)는 타겟 저선량 영상으로부터 복수의 타겟 패치를 추출할 수 있다(S200). 구체적으로, 전산화단층촬영 영상 잡음 보정 장치(100)의 추출부(110)는 타겟 저선량 영상으로부터 타겟 저선량 영상보다 작은 크기의 복수의 타겟 패치를 추출할 수 있다. 이 때, 복수의 타겟 패치의 크기는 가상 패치 생성 모델의 학습 시 이용된 학습 패치의 크기와 같을 수 있다. 또한, 추출되는 복수의 타겟 패치 각각은 인접한 학습 패치와 중첩 영역을 형성할 수 있다.
그 다음, 전산화단층촬영 영상 잡음 보정 장치(100)는 가상 패치 생성 모델에 추출된 복수의 타겟 패치를 입력하여, 타겟 가상 패치를 획득할 수 있다(S210). 구체적으로, 전산화단층촬영 영상 잡음 보정 장치(100)의 보정부(140)는 저장부(130)에 미리 저장된 가상 패치 생성 모델에 복수의 타겟 패치를 입력하고, 가상 패치 생성 모델로부터 출력되는 복수의 타겟 가상 패치를 획득할 수 있다. 여기서, 복수의 타겟 가상 패치 각각은 복수의 타겟 패치로부터 노이즈가 제거된 것일 수 있다.
마지막으로, 전산화단층촬영 영상 잡음 보정 장치(100)는 획득된 타겟 가상 패치를 합성하여 타겟 표준선량 영상을 생성할 수 있다(S220). 구체적으로, 전산화단층촬영 영상 잡음 보정 장치(100)의 보정부(140)는 획득된 복수의 타겟 가상 패치 내 중첩 영역을 이용하여 복수의 타겟 가상 패치를 하나의 영상인 타겟 표준선량 영상으로서 합성할 수 있다. 이렇게 획득된 타겟 표준선량 영상은 타겟 저선량 영상으로부터 노이즈가 제거된 것일 수 있다.
상술한 가상 패치 생성 모델의 학습 방법, 및 전산화단층촬영 영상 잡음 보정 장치 및 방법은, 대응되는 표준선량의 영상을 이용하지 않고도, 짝이 없는 저선량 영상만을 기초로 가상 패치 생성 모델을 학습할 수 있다. 동일한 대상체에 대해 한 쌍의 저선량 영상 및 표준선량 영상을 함께 확보하는 것은 윤리적인 문제가 수반될 수 있으나, 저선량의 영상에 기초한 가상 패치 생성 모델을 이용함으로써 실제 임상 환경에 적용가능할 수 있다.
특히, 별도의 전산화단층촬영 영상 잡음 보정 장치 및/또는 방법이 탑재되지 않은 종래의 CT 장치에도 직접 적용함으로써, 저선량 영상으로부터 노이즈가 제거된 표준선량 영상을 획득할 수 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 품질에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 명세서에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 균등한 범위 내에 있는 모든 기술사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 전산화단층촬영 영상 잡음 보정 장치
110: 추출부
120: 학습부
130: 저장부
140: 보정부

Claims (17)

  1. 타겟 저선량 영상으로부터 복수의 타겟 패치를 추출하는 추출부; 및
    실제 제1 피검자로부터 획득된 짝이 없는 학습 저선량 영상 및 실제 제2 피검자로부터 획득된 짝이 없는 학습 표준선량 영상을 포함하는 학습 영상을 기초로 학습된 가상 패치 생성 모델에 상기 추출된 복수의 타겟 패치를 입력하여, 복수의 타겟 가상 패치를 획득하고, 상기 복수의 타겟 가상 패치를 합성하여 상기 타겟 저선량 영상에 대응되는 타겟 표준선량 영상을 획득하는 보정부를 포함하는
    전산화단층촬영 영상 잡음 보정 장치.
  2. 제 1 항에 있어서,
    상기 학습 영상을 기초로 상기 가상 패치 생성 모델을 학습하는 학습부를 더 포함하는
    전산화단층촬영 영상 잡음 보정 장치.
  3. 제 2 항에 있어서,
    상기 학습부는,
    상기 학습 영상으로부터 추출된 복수의 학습 패치 중 상기 학습 저선량 영상에 대한 제 1 학습 패치로부터 학습 가상 패치를 생성하는 상기 가상 패치 생성 모델을 학습하는 생성부; 및
    상기 추출된 학습 패치 중 상기 학습 표준선량 영상에 대한 제 2 학습 패치와 상기 생성된 학습 가상 패치를 판별하는 가상 패치 판별 모델을 학습하는 판별부를 포함하는
    전산화단층촬영 영상 잡음 보정 장치.
  4. 제 3 항에 있어서,
    상기 생성부는,
    상기 가상 패치 판별 모델의 판별 결과를 이용하여 상기 가상 패치 생성 모델을 학습하는
    전산화단층촬영 영상 잡음 보정 장치.
  5. 제 3 항에 있어서,
    상기 생성부는,
    상기 생성된 학습 가상 패치가 상기 제 1 학습 패치의 형태 구조(Morphological Structure)를 포함하도록 상기 가상 패치 생성 모델을 학습하는
    전산화단층촬영 영상 잡음 보정 장치.
  6. 제 5 항에 있어서,
    상기 생성부는,
    상기 생성된 학습 가상 패치와 상기 제 1 학습 패치의 차이가 최소가 되도록 상기 가상 패치 생성 모델을 학습하는
    전산화단층촬영 영상 잡음 보정 장치.
  7. 타겟 저선량 영상으로부터 복수의 타겟 패치를 추출하는 단계;
    실제 제1 피검자로부터 획득된 짝이 없는 학습 저선량 영상 및 실제 제2 피검자로부터 획득된 짝이 없는 학습 표준선량 영상을 포함하는 학습 영상을 기초로 학습된 가상 패치 생성 모델에 상기 추출된 복수의 타겟 패치를 입력하여, 복수의 타겟 가상 패치를 획득하는 단계; 및
    상기 복수의 타겟 가상 패치를 합성하여 상기 타겟 저선량 영상에 대응되는 타겟 표준선량 영상을 획득하는 단계를 포함하는
    영상 보정 방법.
  8. 제 7 항에 있어서,
    상기 학습 영상을 기초로 상기 가상 패치 생성 모델을 학습하는 단계를 더 포함하는
    영상 보정 방법.
  9. 제 8 항에 있어서,
    상기 가상 패치 생성 모델을 학습하는 단계는,
    상기 학습 영상으로부터 복수의 학습 패치를 추출하는 단계;
    상기 추출된 학습 패치 중 상기 학습 저선량 영상에 대한 제 1 학습 패치로부터 학습 가상 패치를 생성하는 상기 가상 패치 생성 모델을 학습하는 단계; 및
    상기 추출된 학습 패치 중 상기 학습 표준선량 영상에 대한 제 2 학습 패치와 상기 생성된 학습 가상 패치를 판별하는 가상 패치 판별 모델을 학습하는 단계를 포함하는
    영상 보정 방법.
  10. 제 9 항에 있어서,
    상기 제 1 학습 패치로부터 상기 가상 패치 생성 모델을 학습하는 단계는,
    상기 가상 패치 판별 모델의 판별 결과를 이용하여 상기 가상 패치 생성 모델을 학습하는
    영상 보정 방법.
  11. 제 9 항에 있어서,
    상기 제 1 학습 패치로부터 상기 가상 패치 생성 모델을 학습하는 단계는,
    상기 생성된 학습 가상 패치가 상기 제 1 학습 패치의 형태 구조(Morphological Structure)를 포함하도록 상기 가상 패치 생성 모델을 학습하는
    영상 보정 방법.
  12. 제 11 항에 있어서,
    상기 제 1 학습 패치로부터 상기 가상 패치 생성 모델을 학습하는 단계는,
    상기 생성된 학습 가상 패치와 상기 제 1 학습 패치의 차이가 최소가 되도록 상기 가상 패치 생성 모델을 학습하는
    영상 보정 방법.
  13. 입력된 저선량의 타겟 패치에 대응하여 표준선량의 타겟 가상 패치를 출력하는 가상 패치 생성 모델의 학습 방법에 있어서,
    짝이 없는 학습 저선량 영상 및 짝이 없는 학습 표준선량 영상을 포함하는 학습 영상으로부터 복수의 학습 패치를 추출하는 단계;
    상기 추출된 학습 패치 중 상기 학습 저선량 영상에 대한 제 1 학습 패치로부터 학습 가상 패치를 생성하는 상기 가상 패치 생성 모델을 학습하는 단계; 및
    상기 추출된 학습 패치 중 상기 학습 표준선량 영상에 대한 제 2 학습 패치와 상기 생성된 학습 가상 패치를 판별하는 가상 패치 판별 모델을 학습하는 단계를 포함하는
    가상 패치 생성 모델의 학습 방법.
  14. 제 13 항에 있어서,
    상기 제 1 학습 패치로부터 상기 가상 패치 생성 모델을 학습하는 단계는,
    상기 가상 패치 판별 모델의 판별 결과를 이용하여 상기 가상 패치 생성 모델을 학습하는
    가상 패치 생성 모델의 학습 방법.
  15. 제 13 항에 있어서,
    상기 제 1 학습 패치로부터 상기 가상 패치 생성 모델을 학습하는 단계는,
    상기 생성된 학습 가상 패치가 상기 제 1 학습 패치의 형태 구조(Morphological Structure)를 포함하도록 상기 가상 패치 생성 모델을 학습하는
    가상 패치 생성 모델의 학습 방법.
  16. 제 15 항에 있어서,
    상기 제 1 학습 패치로부터 상기 가상 패치 생성 모델을 학습하는 단계는,
    상기 생성된 학습 가상 패치와 상기 제 1 학습 패치의 차이가 최소가 되도록 상기 가상 패치 생성 모델을 학습하는
    가상 패치 생성 모델의 학습 방법.
  17. 제 7 항 내지 제 16 항 중 어느 한 항에 기재된 방법에 따른 각각의 단계를 수행하는 명령어를 포함하는 프로그램이 기록된 컴퓨터 판독 가능 기록매체.
KR1020190058065A 2019-05-17 2019-05-17 가상 패치 생성 모델의 학습 방법, 및 이를 이용한 전산화단층촬영 영상 잡음 보정 장치 및 방법 KR102170176B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190058065A KR102170176B1 (ko) 2019-05-17 2019-05-17 가상 패치 생성 모델의 학습 방법, 및 이를 이용한 전산화단층촬영 영상 잡음 보정 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190058065A KR102170176B1 (ko) 2019-05-17 2019-05-17 가상 패치 생성 모델의 학습 방법, 및 이를 이용한 전산화단층촬영 영상 잡음 보정 장치 및 방법

Publications (1)

Publication Number Publication Date
KR102170176B1 true KR102170176B1 (ko) 2020-10-26

Family

ID=73006222

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190058065A KR102170176B1 (ko) 2019-05-17 2019-05-17 가상 패치 생성 모델의 학습 방법, 및 이를 이용한 전산화단층촬영 영상 잡음 보정 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102170176B1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130052802A (ko) 2011-11-14 2013-05-23 삼성전자주식회사 컴퓨터 단층 촬영 장치 및 그 제어방법
KR20140055896A (ko) * 2012-10-29 2014-05-09 한국과학기술원 소수의 저선량 ｃｔ 영상을 이용하여 ｐｅｔ 영상을 움직임 보상 및 감쇠 보정하는 방법
US20170024634A1 (en) * 2015-07-22 2017-01-26 Siemens Medical Solutions Usa, Inc. Method for 2-D/3-D registration based on hierarchical pose regression
WO2019074879A1 (en) * 2017-10-11 2019-04-18 General Electric Company GENERATING IMAGES USING MACHINE LEARNING
KR20190051384A (ko) * 2017-11-06 2019-05-15 삼성전자주식회사 X선 단층 영상 데이터를 생성하는 방법 및 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130052802A (ko) 2011-11-14 2013-05-23 삼성전자주식회사 컴퓨터 단층 촬영 장치 및 그 제어방법
KR20140055896A (ko) * 2012-10-29 2014-05-09 한국과학기술원 소수의 저선량 ｃｔ 영상을 이용하여 ｐｅｔ 영상을 움직임 보상 및 감쇠 보정하는 방법
US20170024634A1 (en) * 2015-07-22 2017-01-26 Siemens Medical Solutions Usa, Inc. Method for 2-D/3-D registration based on hierarchical pose regression
WO2019074879A1 (en) * 2017-10-11 2019-04-18 General Electric Company GENERATING IMAGES USING MACHINE LEARNING
KR20190051384A (ko) * 2017-11-06 2019-05-15 삼성전자주식회사 X선 단층 영상 데이터를 생성하는 방법 및 장치

Similar Documents

Publication Publication Date Title
CN110570492B (zh) 一种基于神经网络的ct伪影抑制方法、设备以及介质
US11494957B2 (en) Automated correction of metal affected voxel representations of x-ray data using deep learning techniques
JP7134017B2 (ja) 画像処理装置、画像処理方法、及びプログラム
US11080895B2 (en) Generating simulated body parts for images
CN107865658B (zh) 用于修正合成电子密度图的方法和设备
KR20200137768A (ko) 두부경부 컴퓨터단층촬영영상에서의 안와뼈 분할 방법 및 장치
US11854158B2 (en) Medical image enhancement
CN111524109A (zh) 头部医学影像的评分方法和装置、电子设备及存储介质
EP3665643B1 (en) X-ray image processing method and system and computer storage medium
Lappas et al. Automatic contouring of normal tissues with deep learning for preclinical radiation studies
CN112200780B (zh) 骨组织定位方法、装置、计算机设备和存储介质
JP2018535746A (ja) 組織分類の方法、コンピュータプログラム、及び磁気共鳴イメージングシステム
KR102170176B1 (ko) 가상 패치 생성 모델의 학습 방법, 및 이를 이용한 전산화단층촬영 영상 잡음 보정 장치 및 방법
Edmund et al. Cone beam computed tomography based image guidance and quality assessment of prostate cancer for magnetic resonance imaging-only radiotherapy in the pelvis
CN118043846A (zh) 用于深度学习自动分割的基于ai的图集映射切片定位器
US20220414402A1 (en) Automatic localized evaluation of contours with visual feedback
EP4057292A1 (en) On-site training of a machine-learning algorithm for generating synthetic imaging data
CN111062998B (zh) 图像重建方法、装置、ct系统及存储介质
US11138736B2 (en) Information processing apparatus and information processing method
JP2022059493A (ja) モデル生成方法、モデル生成装置、画像処理方法及び画像処理装置
JP7277536B2 (ja) 画像処理装置、画像処理方法、及びプログラム
CN110678123A (zh) 改进的x射线图像中的几何测量
KR102643269B1 (ko) 3d ct 데이터에서 가상 x-레이 영상을 생성하는 방법 및 영상처리장치
US20160140708A1 (en) Radiation-image processing device and method
KR102373370B1 (ko) Mr 영상유도 방사선 치료를 위한 합성 ct 영상 생성 방법 및 이를 이용한 방사선 치료계획 수립방법

Legal Events

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