KR102260802B1 - 단층촬영 재구성에서 사용하기 위한 데이터의 딥러닝 기반 추정 - Google Patents

단층촬영 재구성에서 사용하기 위한 데이터의 딥러닝 기반 추정 Download PDF

Info

Publication number
KR102260802B1
KR102260802B1 KR1020197021386A KR20197021386A KR102260802B1 KR 102260802 B1 KR102260802 B1 KR 102260802B1 KR 1020197021386 A KR1020197021386 A KR 1020197021386A KR 20197021386 A KR20197021386 A KR 20197021386A KR 102260802 B1 KR102260802 B1 KR 102260802B1
Authority
KR
South Korea
Prior art keywords
data
delete delete
scan data
missing
processing
Prior art date
Application number
KR1020197021386A
Other languages
English (en)
Other versions
KR20190103227A (ko
Inventor
브루노 크리스티안 버나드 디 만
버나드 에리히 헤르만 클라우스
지앙 시에
옌난 진
짠펑 싱
Original Assignee
제너럴 일렉트릭 캄파니
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 제너럴 일렉트릭 캄파니 filed Critical 제너럴 일렉트릭 캄파니
Publication of KR20190103227A publication Critical patent/KR20190103227A/ko
Application granted granted Critical
Publication of KR102260802B1 publication Critical patent/KR102260802B1/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
    • G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformation in the plane of the image
    • G06T3/40—Scaling the whole image or part thereof
    • G06T3/4007—Interpolation-based scaling, e.g. bilinear interpolation
    • 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 by the use of local operators
    • 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 by the use of histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
    • G06T5/70—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G06K2209/05—
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/432—Truncation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Abstract

방법은, 다양한 타입의 누락된 투사 데이터 또는 다른 재구성되지 않은 데이터를 추정하기 위해, 트레이닝된 뉴럴 네트워크들(50)을 사용하여 구현될 수 있는 딥러닝 기법들의 사용에 관한 것이다. 유사하게, 본 방법은 또한 누락된 투사 데이터를 추정하는 것과는 대조적으로 손상된 또는 잘못된 투사 데이터를 대체 또는 보정하기 위해 채용될 수 있다.

Description

단층촬영 재구성에서 사용하기 위한 데이터의 딥러닝 기반 추정
본 명세서에 개시된 주제는 단층촬영 재구성에 관한 것이며, 특히 재구성 프로세스에서 누락된 데이터, 손상된 데이터, 또는 잡음포함 데이터를 추정하기 위한 딥러닝(deep learning) 기법들의 사용에 관한 것이다.
비-침습성 이미징 기술들은 환자/물체에 대한 침습성 시술을 수행함이 없이 환자/물체의 내부 구조물들 또는 특징부들의 이미지들이 획득되게 한다. 특히, 그러한 비-침습성 이미징 기술들은 데이터를 획득하고 이미지들을 구성하거나 환자/물체의 관찰된 내부 특징부들을 달리 표현하기 위해 다양한 물리적 원리들(예컨대, 타깃 체적을 통한 X-선의 차동 송신, 체적 내에서의 음향파의 반사, 체적 내에서의 상이한 조직들 및 재료들의 상자성 속성들, 체내에서의 타깃화된 방사성 핵종의 붕괴(breakdown) 등)에 의존한다.
예로서, X-선 기반 컴퓨터 단층촬영(computed tomography, CT)(예컨대, 다중 슬라이스 CT) 및 X-선 C-아암 시스템(예컨대, 콘-빔(cone-beam) CT)과 같은 다양한 이미징 양식들이 물체 또는 환자에 대한 다양한 각도들 또는 뷰들로부터의 물체 또는 환자의 투사 데이터를 측정한다. 투사 데이터는 라돈(Radon) 변환, 팬-빔(fan-beam) 변환, 또는 콘-빔 변환에 대응한다. 단층촬영 재구성 기법들을 사용하여, 단면 이미지들 또는 체적 이미지들이 투사 데이터로부터 추정 또는 "재구성"될 수 있다. 예를 들어, CT의 경우에, 단면 이미지들이 투사 데이터(즉, 라돈 변환 데이터)로부터 재구성될 수 있다.
다양한 이유로, 투사 데이터의 일부분은 주어진 검사에 대해 (이상적인 또는 수학적으로 완전한 투사 데이터세트에 비해) 손상되거나 누락될 수 있으며, 이는 이미지 아티팩트들로 이어질 수 있다. 전통적인 보간 기법들, 외삽 기법들, 또는 반복적 추정 기법들은 누락된 또는 불완전한 데이터의 그러한 경우를 항상 적절히 처리하지는 않고, 일부 경우에, 계산이 느릴 수 있다.
일 실시예에서, 단층촬영 재구성에서 사용하기 위한 누락된 데이터를 추정하기 위한 방법이 제공된다. 이 방법에 따르면, 스캔 데이터의 세트가 획득되거나 액세스된다. 스캔 데이터의 세트는 불완전한 또는 부적합한 데이터의 하나 이상의 영역들을 갖는다. 스캔 데이터의 세트는 하나 이상의 트레이닝된 뉴럴 네트워크들을 사용하여 프로세싱된다. 하나 이상의 트레이닝된 뉴럴 네트워크들을 사용하여 불완전한 또는 부적합한 데이터의 각각의 영역에 대한 추정된 데이터 세트가 생성된다. 추정된 데이터 세트들과 조합된 스캔 데이터의 세트는 보정된 스캔 데이터의 세트에 대응한다. 하나 이상의 재구성된 이미지들을 생성하기 위해 보정된 스캔 데이터의 세트의 단층촬영 재구성이 수행된다.
추가 실시예에서, 이미지 프로세싱 시스템이 제공된다. 이 실시예에 따르면, 이미지 프로세싱 시스템은 하나 이상의 저장된 프로세서 실행가능 루틴들을 실행시키도록 구성된 프로세싱 컴포넌트; 및 하나 이상의 실행가능 루틴들을 저장하는 메모리를 포함한다. 하나 이상의 실행가능 루틴들은, 프로세싱 컴포넌트에 의해 실행될 때, 스캔 데이터의 세트를 획득하거나 그에 액세스하는 것 - 스캔 데이터의 세트는 불완전한 또는 부적합한 데이터의 하나 이상의 영역들을 가짐 -; 하나 이상의 트레이닝된 뉴럴 네트워크들을 사용하여 스캔 데이터의 세트를 프로세싱하는 것; 하나 이상의 트레이닝된 뉴럴 네트워크들을 사용하여 불완전한 또는 부적합한 데이터의 각각의 영역에 대한 추정된 데이터 세트를 생성하는 것 - 추정된 데이터 세트들과 조합된 스캔 데이터의 세트는 보정된 스캔 데이터의 세트에 대응함 -; 및 하나 이상의 재구성된 이미지들을 생성하기 위해 보정된 스캔 데이터의 세트의 단층촬영 재구성을 수행하는 것을 포함하는 액션들이 수행되게 한다.
다른 실시예에서, 뉴럴 네트워크 트레이닝 방법이 제공된다. 이 방법에 따르면, 완전한 스캔 데이터의 복수의 세트들이 획득되거나 액세스된다. 완전한 스캔 데이터의 세트들은 측정되거나 시뮬레이션된다. 완전한 스캔 데이터의 각각의 세트 내의 하나 이상의 영역들은 타깃 출력 영역들로서 마킹된다. 타깃 출력 영역으로서 마킹되지 않은 완전한 스캔 데이터의 각각의 세트의 하나 이상의 영역들은 알려진 데이터 영역들로서 이용가능하다. 알려진 영역들에 대한 스캔 데이터 및 완전한 스캔 데이터의 각각의 세트에 대한 타깃 출력 영역들에 대한 대응하는 스캔 데이터를 뉴럴 네트워크에 제공함으로써 트레이닝된 뉴럴 네트워크를 생성하기 위해 뉴럴 네트워크가 트레이닝된다.
일 실시예에서, 뉴럴 네트워크 트레이닝 방법이 제공된다. 이 방법에 따르면, 스캔 데이터의 복수의 세트들이 획득되거나 액세스된다. 스캔 데이터의 각각의 세트의 하나 이상의 타깃 영역들 및 스캔 데이터의 각각의 세트의 하나 이상의 입력 영역들에 대한 하나 이상의 이미지 품질 메트릭들이 생성되거나 획득된다. 스캔 데이터의 세트들, 스캔 데이터의 각각의 세트에 대한 타깃 영역들에 대한 이미지 품질 메트릭들, 및 스캔 데이터의 각각의 세트에 대한 입력 영역들의 이미지 품질 메트릭들을 뉴럴 네트워크에 제공함으로써 트레이닝된 뉴럴 네트워크를 생성하기 위해 뉴럴 네트워크가 트레이닝된다.
본 발명의 이들 및 다른 특징부들, 태양들 및 이점들은 첨부 도면을 참조하여 하기의 상세한 설명을 읽을 때 더 잘 이해될 것이며, 첨부 도면에서 유사한 부호들은 도면 전체에 걸쳐서 유사한 부분들을 표현한다.
도 1은 본 발명의 태양들에 따른, 딥러닝 모델을 트레이닝하기 위한 인공 뉴럴 네트워크의 일례를 도시한다.
도 2는 본 발명의 태양들에 따른, 컴퓨터 단층촬영(CT) 이미징 시스템의 컴포넌트들을 도시한 블록도이다.
도 3은 본 발명의 태양들에 따른, 중심을 벗어난(off-center) 금속 물체 - 이에 의해 누락된 또는 손상된 데이터의 영역을 생성함 - 에 대응하는 누락된 데이터를 갖는 사이노그램(sinogram)의 일례를 도시한다.
도 4는 본 발명의 태양들에 따른, 중심에 있는 금속 물체 또는 누락된 검출기 영역에 대응하는 누락된 데이터를 갖는 사이노그램의 일례를 도시한다.
도 5는 본 발명의 태양들에 따른, 완전한 CT 뷰 또는 투사의 뷰의 일례를 도시한다.
도 6은 본 발명의 태양들에 따른, 횡축(transaxial) 방향으로 절단된 도 5의 CT 뷰 또는 투사를 도시한다.
도 7은 본 발명의 태양들에 따른, 종방향으로 절단된 도 5의 CT 뷰 또는 투사를 도시한다.
도 8은 본 발명의 태양들에 따른, 횡축 방향 및 종방향 둘 모두로 절단된 도 5의 CT 뷰 또는 투사를 도시한다.
도 9는 본 발명의 태양들에 따른, 트레이닝된 뉴럴 네트워크가 누락된 데이터 영역에서의 사이노그램 데이터를 추정하는 데 사용되는 프로세스 흐름의 시각적 표현을 도시한다.
도 10은 본 발명의 태양들에 따른, 사이노그램 데이터를 추정하기 위한 단계들의 프로세스 흐름도를 도시한다.
도 11은 본 발명의 태양들에 따른, 재-비닝(rebinning) 동작을 도시한다.
도 12는 본 발명의 태양들에 따른, 일측 패치 기반 추정 동작을 도시한다.
도 13은 본 발명의 태양들에 따른, 양측 패치 기반 추정 동작을 도시한다.
도 14는 본 발명의 태양들에 따른, 투사 데이터 추정 동작으로부터의 결과의 일례를 도시한다.
도 15는 본 발명의 태양들에 따른, 트레이스 기반 추정 동작을 도시한다.
도 16은 본 발명의 태양들에 따른, 재귀적 추정 동작을 도시한다.
도 17은 본 발명의 태양들에 따른, 공간적으로 변형성 추정 동작을 도시한다.
도 18은 본 발명의 태양들에 따른, 대안의 공간적으로 변형성 추정 동작을 도시한다.
하나 이상의 특정 실시예들이 하기에 기술될 것이다. 이러한 실시예들에 대한 간결한 설명을 제공하기 위한 노력으로, 실제 구현예의 모든 특징부들이 본 명세서에 기술되지는 않는다. 임의의 엔지니어링 또는 설계 프로젝트에서와 같은 임의의 그러한 실제 구현예의 개발에 있어서, 구현예마다 다를 수 있는 시스템 관련 및 사업 관련 제약들의 규정 준수와 같은 개발자들의 특정 목적들을 달성하기 위해 수많은 구현예 특정 결정들이 이루어져야 한다는 것이 이해될 것이다. 더욱이, 그러한 개발 노력은 복잡하고 시간 소모적일 수 있지만, 그럼에도 불구하고, 본 발명의 이익을 갖는 당업자들에 대해 설계, 제조, 및 제작의 일상적인 일일 것이라는 것이 이해될 것이다.
하기의 논의의 태양들이 의학적 이미징의 상황에서 제공되지만, 본 기법들이 그러한 의학적 상황들로 제한되지 않는다는 것이 이해될 것이다. 실제로, 그러한 의학적 상황에서의 예들 및 설명들의 제공은 단지 실세계 구현예들 및 응용예들의 경우들을 제공함으로써 설명을 용이하게 하는 것이다. 그러나, 본 접근법들은, 또한, 제조된 부품들 또는 상품들의 비파괴 검사(즉, 품질 관리 또는 품질 검토 응용예들) 및/또는 패키지, 박스, 수하물 등의 비-침습성 검사(즉, 보안 또는 스크리닝 응용예들)에서 사용되는 산업용 CT에 대한 단층촬영 이미지 재구성과 같은 다른 상황들에서 활용될 수 있다. 일반적으로, 본 접근법들은 임의의 이미징 또는 스크리닝 상황 또는 이미지 프로세싱 분야에서 바람직할 수 있는데, 여기서 획득된 데이터의 세트 또는 타입은 이미지 또는 체적을 생성하기 위해 재구성 프로세스를 겪고, 획득된 데이터는 생략, 잡음 또는 손상을 받을 수 있으며, 이는 재구성된 이미지(들)에 달리 영향을 줄 것이다.
CT 예들이 본 명세서에 주로 제공되지만, 본 접근법은 불완전한, 손상된, 또는 잡음포함 데이터가 하류측 단층촬영 재구성 프로세스들 또는 생성된 이미지들에 영향을 줄 수 있는 다른 이미징 양식 상황들에서 사용될 수 있다는 것을 이해하여야 한다. 예를 들어, 본 명세서에 기술된 접근법은, 또한, 양전자 방출 단층촬영(positron emission tomography, PET), 단일 광자 방출 컴퓨터 단층촬영(single photon emission computed tomography, SPECT), 위상차 이미징(phase-contrast imaging), 및/또는 자기 공명 이미징(magnetic resonance imaging, MRI)을 사용한 재구성을 포함하지만 이들로 제한되지 않는 다른 타입의 단층촬영 스캐너들과 함께 사용하기에 적합할 수 있다.
CT 상황 내에서(그리고 언급된 다른 이미징 양식들에서의 귀결들을 가질 수 있는 바와 같이), 사이노그램은 축방향 투사 데이터의 정준(canonical) 표현이며, 여기서 측정된 데이터는 하나의 축이 투사/시야각에 대응하고 다른 축이 투사/시야각에 본질적으로 수직인 공간 오프셋에 대응하는 2D 구성으로 배열된다. 예를 들어, 팬-빔 CT 획득에서, 제1 축은 갠트리 각도에 대응하고, 제2 축은 팬 내의 광선의 각도(또는, 동등하게, 검출기 어레이 내의 픽셀의 위치)에 대응한다. 따라서, 이러한 2D 상황에서, 본 명세서에서 참조될 수 있는 바와 같은, 누락된 데이터의 영역은, 측정들이 불완전하고/하거나, 손상되고/되거나, 달리 동일한 품질을 갖지 않는 이러한 사이노그램 도메인에서의 하나 이상의 인접 영역들을 지칭한다. 본 논의가 2D 상황에서의 예들에 중점을 두고 있지만, 간략함을 위해 그리고 설명을 용이하게 하기 위해, 본 접근법들은 또한 3D 상황(예컨대, 콘-빔 CT)에서 구현될 수 있으며, 여기서 제3 축은 방위각, 즉, 축방향 평면에 대한 투사 광선의 각도를 나타낸다. 따라서, 그러한 3D 구현예들에서, 투사 데이터는 3개의 치수들, 즉, 회전 각도(뷰 개수), 검출기 열(횡축으로), 및 검출기 행(종방향으로)을 갖는다. 그러한 상황에서, 누락된 데이터의 패치들 또는 트레이스들은 3차원일 수 있고, 이용가능한 또는 알려진 데이터의 이웃하는 패치들 또는 트레이스들은 3차원일 수 있고, 제3 치수에 대한 본 발명의 개념들의 외삽은 당업자들에게 명백해야 한다.
본 명세서에 언급된 바와 같이, 다양한 이유로, 단층촬영 재구성(예컨대, 단면 또는 체적 이미지들의 재구성)을 위해 획득된 투사(또는 다른) 데이터의 일부분이 손상되거나 누락될 수 있으며, 이는 재구성된 이미지들에서의 아티팩트들로 이어질 수 있다. 누락된 투사 데이터의 원인들의 예들은 하기를 포함하지만 이들로 제한되지 않는다: (1) 이미징된 체적 내의 금속 물체들 또는 고밀도 물체들 - 높은 감쇠 및 연관된 물리적 효과들로 인해, 금속 물체들의 섀도우에서의 투사 데이터는 손상될 수 있고 '누락된' 것으로 간주될 수 있음 -; (2) 횡축 절단 - 이미징된 물체 또는 환자가 스캔 시야의 외부로 연장될 때, 투사들은 절단된 것으로 칭해지고, 즉, 양호한 재구성을 위해 필요한 일부 투사 데이터가 누락되어 있음 -; (3) 종방향 절단 - 콘-빔 재구성에서, 재구성된 체적의 일부분이 유한 개수의 검출기 행들로 인해 불충분하게 샘플링되거나 측정되지 않음 -; 및 (4) 검출기 모듈들 사이의 갭들 또는 불량 검출기 픽셀들 - 개별 검출기 픽셀들 또는 검출기 픽셀들의 그룹들이 신뢰성있게 동작하지 않을 수 있고, 데이터는 누락된 것으로 간주됨. 유사하게, 검출기 모듈들 또는 패널들 사이에 갭들이 있을 수 있어서, 누락된 데이터로 이어진다.
누락된 또는 불완전한 투사 데이터에 관련된 문제들을 처리하기 위해, 본 접근법은 다양한 타입의 누락된 투사 데이터를 추정하기 위해 트레이닝된 뉴럴 네트워크들의 형태에서와 같은 딥러닝 기법들을 채용한다. 뉴럴 네트워크들은 투사 데이터를 사용하여 트레이닝될 수 있으며, 여기서 데이터의 일부분은 추정될 누락된 데이터로서 정의되고 나머지 데이터는 네트워크에 대한 입력으로서 사용될 수 있는 이용가능한 데이터이다. 유사하게, 본 접근법은 또한 (누락된 투사 데이터를 추정하는 것과는 대조적으로) 손상된 또는 잘못된 투사 데이터를 대체 또는 보정하기 위해 채용될 수 있다. 예를 들어, (빔 경화, 산란, 잡음 등으로 인한 것과 같은) 더 일반적인 데이터 오차들은 트레이닝된 뉴럴 네트워크 및 본 명세서에 일반적으로 기술된 방법론을 사용하여 이러한 접근법에 의해 처리될 수 있다. 그러한 경우에, 누락된 투사 데이터를 추정하는 대신에, 부정확한 데이터를 보정하기 위해 채용될 수 있는 하나 이상의 보정 항들이 추정될 수 있다. 대안으로, 보정된 투사 데이터는 직접 추정될 수 있으며, 이는 이어서 손상된 투사 데이터를 대체할 것이다.
전술한 서두의 언급을 염두에 두고, 본 명세서에 기술된 접근법들은 CT, PET, SPECT, 또는 MR 이미지들을 생성하는 데 사용되는 재구성 프로세스들과 같은, 단층촬영 재구성 프로세스들에서 사용되는 누락된 데이터를 추정하기 위해 딥러닝 기법들을 활용한다. 본 명세서에서 논의되는 바와 같이, 딥러닝 기법들(이들은 또한 딥 머신 러닝, 계층적 학습, 또는 구조화된 딥러닝으로도 알려질 수 있음)은 학습을 위해 데이터의 수학적 표현들 및 인공 뉴럴 네트워크들을 채용하는 머신 러닝 기법들의 일 분야이다. 예로서, 딥러닝 접근법들은 소정 타입의 관심 데이터의 하이-레벨 추상화(abstraction)를 추출하거나 모델링하기 위한 하나 이상의 네트워크 아키텍처들의 그들의 사용에 의해 특징지어질 수 있다. 이것은 하나 이상의 프로세싱 층들을 사용하여 달성될 수 있으며, 여기서 층들의 수 및 구성은 네트워크들이 복잡한 정보 추출 및 모델링 작업들을 처리하게 한다. 네트워크의 특정 파라미터들(일부 상황들에서 "가중치들" 및 "바이어스들"로 지칭됨)은 전형적으로 소위 학습 프로세스를 통해 추정되지만; 일부 실시예들에서는 학습 프로세스 자체가 또한 네트워크 아키텍처의 학습 요소들로 확장될 수 있다. 추정된/학습된 파라미터들은 전형적으로 네트워크를 생성하며, 여기서 각각의 층은 상이한 레벨의 추상화에 대응하고, 따라서 이전의 층의 출력들 또는 초기 데이터의 상이한 태양들을 잠재적으로 추출 또는 모델링하는데, 즉, 그러한 네트워크는 종종 층들의 계층구조 또는 캐스케이드를 나타낼 수 있다. 이미지 프로세싱 또는 재구성 상황에서, 이는 때때로 데이터에서의 상이한 특징부 레벨들 또는 해상도에 대응하는 상이한 층들로서 특징지어질 수 있다. 따라서, 프로세싱은 계층적으로 진행될 수 있는데, 즉, 더 앞선 또는 더 높은 레벨 층들은 입력 데이터로부터 "단순한" 특징부들을 추출하는 것에 대응할 수 있고, 이어서 이러한 단순한 특징부들을 더 높은 레벨의 복잡도를 나타내는 특징부들로 조합하는 층들이 이어질 수 있다. 실제로, 각각의 층(또는, 보다 구체적으로는, 각각의 층 내의 각각의 "뉴런")은 입력 데이터를 층에 대한 출력 데이터 표현으로 프로세싱하기 위해 하나 이상의 선형 및/또는 비선형 변환들(소위, 활성화 함수들)을 채용할 수 있다.
본 명세서에서 논의되는 바와 같이, 특정 문제를 해결하기 위한 딥러닝 프로세스의 초기 트레이닝의 일부로서, 알려진 입력 값들(예컨대, 입력 이미지들 또는 입력 투사 데이터 값들) 및 (다층 네트워크 아키텍처를 가정하여) 딥러닝 프로세스의 개별 층들에 대한 또는 딥러닝 프로세스의 최종 출력 중 하나 또는 둘 모두에 대한 알려진 또는 원하는 값들(예컨대, 타깃 이미지들 또는 투사 데이터 값들)을 갖는 트레이닝 데이터 세트들이 채용될 수 있다. 이러한 방식으로, 딥러닝 알고리즘들은, 초기 데이터와 원하는 출력(들) 사이의 수학적 관계들이 감별되고/되거나 각 층의 입력들과 출력들 사이의 수학적 관계들이 감별되고 특징지어질 때까지, 알려진 또는 트레이닝 데이터 세트들을 (감독된 또는 안내된 방식으로 또는 감독되지 않은 또는 안내되지 않은 방식으로) 프로세싱할 수 있다. 학습 프로세스는 전형적으로 입력 데이터(의 일부)를 활용하고 이 입력 데이터에 대한 네트워크 출력을 생성한다. 이어서, 생성된 출력은 이러한 데이터 세트에 대한 원하는(타깃) 출력과 비교되고, 생성된 출력과 원하는 출력 사이의 차이는 이어서 네트워크의 파라미터들(가중치들 및 바이어스들)을 반복적으로 업데이트하는 데 사용된다. 하나의 그러한 업데이트/학습 메커니즘은 네트워크의 파라미터들을 업데이트하기 위한 SGD(stochastic gradient descent) 접근법을 사용하고; 당업계에 알려진 다른 방법들이 또한 사용될 수 있다. 유사하게, 입력 및 원하는 타깃 값들 양측 모두가 알려져 있지만, 초기 값들만이 트레이닝된 딥러닝 알고리즘들에 공급되는 별개의 검증 데이터 세트들이 채용될 수 있으며, 이때 출력들은, 이어서, 사전-트레이닝을 검증하고/하거나 오버트레이닝을 방지하기 위해 딥러닝 알고리즘의 출력들과 비교된다.
시각화로서, 도 1은 본 명세서에서 논의된 바와 같은 딥러닝 모델 또는 네트워크로서 트레이닝될 수 있는 인공 뉴럴 네트워크(50)의 일례를 개략적으로 도시한다. 이러한 예에서, 뉴럴 네트워크(50)는 다층화되는데, 이때 입력 층(52) 및 다수의 층들 - 이들은 은닉 층들(58A, 58B, 58C 등), 및 출력 층(60)을 포함함 - 에 의해 수신 또는 획득되는 입력 데이터(51), 및 트레이닝 타깃(64)이 뉴럴 네트워크(50)에 존재한다. 각각의 층은, 이러한 예에서, 복수의 "뉴런들"(56)로 구성된다. 뉴런들(56)의 개수는 층들 사이에서 일정할 수 있거나, 또는, 도시된 바와 같이, 층마다 다를 수 있다. 각각의 층에서의 뉴런들(56)은 다음 계층구조 층의 뉴런들(56)에 대한 입력들로서의 역할을 하는 각자의 출력을 생성한다. 실제로, 추가된 바이어스를 갖는 입력들의 가중합(weighted sum)은 시그모이드(sigmoid) 활성화 함수, 또는 정류된 선형 유닛(rectified linear unit, ReLU), 또는 달리 특정되거나 프로그래밍된 것과 같은 활성화 함수에 따라 층들의 각각의 각자의 뉴런을 "여기"시키거나 "활성화"시키도록 계산된다. 본 상황에서, 최종 층의 출력들은 네트워크 출력(60)(예컨대, 예측된 투사 데이터)을 구성하는데, 이는, 타깃 투사 데이터 값들(64)과 함께, (SGD, 또는 다른 접근법들을 사용하여) 네트워크 트레이닝을 안내하기 위해 역전파될 일부 손실 또는 오차 함수(62)를 계산하는 데 이용된다. 본 명세서에서 논의되는 바와 같이, 소정의 투사 기반 상황들에서, 뉴럴 네트워크(50)의 출력(60)은 단일 투사 데이터 수(즉, 단일의 누락된 또는 보정된 투사 값), 투사 데이터 패치, 또는 투사 데이터의 트레이스 중 하나 이상일 수 있다. 도 1은 명백한 층상 아키텍처(layer-by-layer architecture)를 갖는 단순한 완전히 연결된 네트워크를 도시하지만, 개별 층들, 다수의 층들의 조합, 또는 전체 네트워크에 대해 다른 아키텍처들이 선택될 수 있다. 예를 들어, 하나 이상의 층들이 컨볼루션 뉴럴 네트워크(CNN) 또는 다른 아키텍처에 의해 표현될 수 있다. 유사하게, 네트워크의 일부 부분들은 엄격하게 순차적인 층상 프로세싱 아키텍처에 따라 구성되지 않는 하이브리드 아키텍처를 활용할 수 있다. 예를 들어, 일부 연결들은 하나 이상의 층들을 건너뛸 수 있거나(즉, 연속적이지 않은 층들에 존재하는 노드들을 직접 연결할 수 있음); 또는 명백한 층상 아키텍처에 대응하지 않는 네트워크 아키텍처가 선택될 수 있다.
손실 또는 오차 함수(62)는 네트워크 출력(즉, 예측된 투사 데이터 값들)과 대응하는 트레이닝 타깃(즉, 실제 또는 지상 실측 투사 데이터 값들) 사이의 차이를 측정한다. 소정 구현예들에서, 손실 함수는 평균 제곱 오차(MSE)일 수 있고/있거나 다른 이미지 또는 투사 데이터 특징부들을 수반하는 차이들을 고려할 수 있다. 대안으로, 손실 함수(62)는 당해 특정 작업과 연관된 다른 메트릭들에 의해 정의될 수 있다.
일 실시예에서, 뉴럴 네트워크(50)의 구성이 추정 문제의 사전 지식, 출력들, 입력들의 차원수 등에 의해 안내될 것이지만, 학습 자체는 "블랙박스(black-box)"로서 처리되고, 입력 데이터의 함수로서의 원하는 출력 데이터(60)의 최상의 근사치를 달성하는 것에 주로 또는 전적으로 의존한다. 그러한 시나리오에서, 뉴럴 네트워크(50) 내의 소정의 뉴런들(56)이 데이터 내의 소정의 특징부들에 대응할 수 있다는 사실은 학습 프로세스에 기인되며, 이는 전형적으로 그러한 해결책으로 자연스럽게 수렴한다. 다양한 대안의 구현예들에서, 데이터, 이미징 기하형상, 재구성 알고리즘 등의 소정 태양들 및/또는 특성들은 뉴럴 네트워크(50) 내의 소정 데이터 표현들에 대한 명시적 의미를 제공하도록 레버리지(leverage)될 수 있다. 이는 트레이닝을 가속하는 데 도움이 될 수 있는데, 왜냐하면 이것이 뉴럴 네트워크(50) 내의 소정 층들을 개별적으로 트레이닝(또는 사전-트레이닝)하거나 정의하기 위한 기회를 생성하기 때문이다.
예를 들어, 필터링된 역투사(filtered backprojection) 재구성 알고리즘에서의 램프-필터가 (각각의 투사 이미지 내의) 데이터의 도함수에 민감하다는 지식에 기초하여, 뉴럴 네트워크(50)의 초기 층(들)은, 본 명세서에서 논의된 바와 같이, 누락된 투사 데이터의 도함수를 나타내도록 사전-트레이닝될 수 있는 한편; 후속 층(들)은 누락된 데이터 자체를 도함수로부터 재구성하거나 추정하는 데 사용될 수 있다.
입력 데이터 및/또는 타깃 데이터는 또한, 하나 또는 둘 모두가 누락된 데이터를 추정하기 더 용이한 도메인으로 변환되도록 사전-프로세싱 단계를 겪을 수 있다. 누락된 데이터가 추정된 후에, 사전-프로세싱 단계의 역인 사후-프로세싱 단계가 적용되어 최종 추정된 데이터를 획득할 수 있다. 예를 들어, 1차원 또는 다차원 고역 통과 필터가 고주파수들을 강조하기 위한 사전-프로세싱 단계로서 적용될 수 있다. 누락된 데이터의 딥러닝 추정 후에, 1차원 또는 다차원 저역 통과 필터가 고역 통과 필터의 효과를 보상하기 위해 적용될 수 있다.
유사한 실시예에서, 사이노그램은 제안된 딥러닝 추정 기법을 적용하기 전에 재투사된 사이노그램으로 나누거나 이를 감산함으로써 정규화될 수 있다. 딥러닝 추정 후에, 이러한 정규화는 동일한 재투사된 사이노그램에 의해 곱하거나 그를 가산함으로써 실행취소될 수 있다. 재투사된 사이노그램은 초기 재구성의 재투사로서 얻어질 수 있으며, 여기서 초기 재구성은 표준 타입의 금속 아티팩트 감소를 사용하여 얻어질 수 있다. 그러한 실시예에서, 프로세싱의 목적은 누락된 데이터를 직접 추정하는 것이 아니라, 예컨대 보정 항을 추정함으로써, 종래 기술로부터의 방법에 의해 획득된 결과들을 개선하거나, 또는 원래 데이터 및 종래의 방법으로부터의 결과에 기초하여 보정된 데이터를 추정하는 것이다.
마지막으로, 입력 데이터에 더하여, 뉴럴 네트워크는 또한 가중치(또는 신뢰도) 데이터를 추가 입력들로서 수신할 수 있다. 가중치 데이터는 입력 데이터가 얼마나 신뢰할 수 있는지를 나타낸다. 예를 들어, 입력 데이터의 각각의 요소는 가중치 데이터에서의 대응하는 요소를 가질 수 있다. 더 신뢰할 수 있는 - 예를 들어, 잡음이 더 적게 포함되거나 덜 손상된 - 입력 데이터의 부분은 더 높은 연관된 가중치 데이터를 가질 수 있다. 덜 신뢰할 수 있는 - 예를 들어, 잡음이 더 많이 포함되거나 더 손상된 - 입력 데이터의 부분은 더 낮은 연관된 가중치 데이터를 가질 수 있다.
유사하게, (아래에서 더 상세히 논의되는 트레이스 기반 추정과 같은) 본 명세서에서 논의되는 소정 데이터 추정 접근법들의 경우, (아래에서 논의되는 바와 같이, 추정될 데이터에 대응하는 트레이스들에서뿐만 아니라, 입력 데이터에 대응하는 트레이스들 내에서와 같은) 데이터의 주기성에 관한 지식, 데이터의 푸리에 변환이 입력 및/또는 출력에 대해 사용될 수 있다. 추가 또는 후속 층들이 선택적으로 푸리에 또는 역푸리에 변환을 구현/근사화하는 데 사용될 수 있다.
또한, 본 명세서에서 논의되는 바와 같은 투사 데이터 추정 접근법들의 경우, 잡음에 대한 증가된 강건성을 위해, 거친 스케일의 투사 데이터 정보가 미세한 스케일의 정보로부터 (적어도 일부 층들에서) 개별적으로 프로세싱되는 다중 스케일 접근법이 사용될 수 있다. 거친 스케일 및 미세한 스케일 특징부들의 조합은 다시 별개의 층일 수 있다. 즉, 뉴럴 네트워크(50)의 상이한 층들이 상이한 레벨의 입도(granularity) 또는 해상도, 또는 그러한 스케일들의 조합들에 대응할 수 있다.
유사하게, 뉴럴 네트워크(50)의 아키텍처의 일부 요소들은 각자의 재구성 접근법의 요소들 또는 태양들을 레버리지하도록 구성, 사전-트레이닝 또는 트레이닝될 수 있다. 예로서, 제한된 각도 재구성 접근법들(예컨대, 단층합성(tomosynthesis))의 상황에서, 다중 스케일 프로세싱은 (예컨대, 스트릭(streak) 아티팩트들을 최소화하기 위해 소프트-임계화를 사용하여) 비선형 프로세싱과 조합되어, 달성된 이미지 품질의 상당한 개선으로 이어질 수 있다. 이와 같은 재구성 접근법의 특징부들이 식별될 수 있는 경우, 그러한 재구성 특징부들을 모방하거나 용이하게 하기 위해 네트워크 아키텍처가 구성될 수 있고/있거나 트레이닝이 수행될 수 있다. 그러한 방식으로, 뉴럴 네트워크에 의해 수행되는 바와 같은 누락된 데이터 추정 단계는 프로세싱된 투사 데이터로부터 3D 체적 이미지를 생성하는 데 활용되는 특정 재구성 프로세스와 조밀하게 통합될 수 있으며, 여기서 재구성 프로세스의 일부 태양들(예컨대, 다중 스케일 필터링, 램프-필터링 등)은 본 명세서에 개시된 바와 같은 프로세싱에 의해 이미 수행될 수 있다. 예로서, 뉴럴 네트워크(50)의 중간 층들은, 작은 각도 범위의 고려되는 시야각 내의 인접한 뷰들로부터의 데이터에 기초하여, 금속(또는 다른 방사선 불투과성) 영역의 후방 또는 전방의 구조물들의 제한된 각도 재구성을 위해 (일부 재구성 접근법에서) 요구되는 사전-프로세싱을 나타내거나 그에 대응하도록 구성 또는 트레이닝될 수 있다.
더욱이, 뉴럴 네트워크(50)의 제1 층(들)은 본질적으로 분석 기능들로 이루어지도록 구성 또는 트레이닝될 수 있다. 예를 들어, 제1 층의 출력은 본질적으로 분석 기능들을 갖는 입력 패치들 내부의 데이터의 스칼라 곱(scalar product)을 나타낼 수 있다. 사이노그램의 구조가 이해되기 때문에, 일 실시예에서, 그러한 분석 기능들(즉, 사이노그램을 구성하는 사인곡선형 프로파일들의 특성들을 반영하는 기능들)이 명시적으로 구성될 수 있다. 하나의 그러한 구현예에서, 그러한 뉴럴 네트워크(50)의 제1 층이 학습/트레이닝될 필요가 없기 때문에 트레이닝은 더 빠를 수 있다.
이러한 시나리오들 중 임의의 시나리오에서, 트레이닝 프로세스의 나중의 단계들은 여전히, 이전에 사전-트레이닝되거나 명시적으로 모델링되거나 선택된 뉴럴 네트워크(50)의 부분들을 업데이트/수정하도록 구성되어, 이에 의해 전체 네트워크의 성능을 추가로 개선할 수 있다는 것에 유의한다.
딥러닝 기법들을 이용하는 본 발명의 누락된 데이터 추정에 대한 설명을 용이하게 하기 위해, 본 발명은 주로 CT 시스템의 상황에서 이러한 접근법들을 논의한다. 그러나, 하기의 논의는, 또한, PET, SPECT, 및 MRI뿐만 아니라, 불완전한 또는 달리 누락된 데이터일 수 있는 이미지를 데이터 세트들로부터 재구성하는 데 단층촬영 재구성 단계들이 채용될 수 있는 비의학적 상황들 또는 임의의 상황을 포함하지만 이들로 제한되지 않는 다른 이미지 양식들 및 시스템들에 적용가능할 수 있다는 것이 이해되어야 한다.
이를 염두에 두고, 이미징 시스템(110)(즉, 스캐너)의 일례가 도 2에 도시되어 있다. 도시된 예에서, 이미징 시스템(110)은 환자(또는 다른 관심 피검체 또는 물체) 둘레의 다양한 뷰들에서 스캔 데이터(예컨대, X-선 감쇠 데이터)를 획득하도록 설계된, 그리고 본 명세서에서 논의된 바와 같은 데이터 완성 기법들을 이용하여 이미지 재구성을 수행하는 데 적합한 CT 이미징 시스템이다. 도 2에 도시된 실시예에서, 이미징 시스템(110)은 시준기(114)에 인접하게 위치된 X-선 방사선의 소스(112)를 포함한다. X-선 소스(112)는 X-선 튜브, 분포된 X-선 소스(예컨대, 고체-상태 또는 열전자 X-선 소스), 또는 의학적 또는 다른 이미지들의 획득에 적합한 X-선 방사선의 임의의 다른 소스일 수 있다.
도시된 예에서, 시준기(114)는 환자/물체(118)가 위치되는 영역 내로 통과하는 X-선(116)의 빔을 형상화하거나 제한한다. 도시된 예에서, X-선(116)은 이미징된 체적을 통과하는 원추형 빔, 즉, 콘-빔이도록 시준된다. X-선 방사선(120)의 일부는 환자/물체(118)(또는 다른 관심 피검체)를 통과하거나 그 둘레를 지나고, 일반적으로 도면 부호 122로 표현된 검출기 어레이에 충돌한다. 어레이의 검출기 요소들은 입사 X-선(120)의 세기를 표현하는 전기 신호들을 생성한다. 이러한 신호들은 획득되어 환자/물체(118) 내의 특징부들의 이미지들을 재구성하도록 프로세싱된다.
소스(112)는 시스템 제어기(124)에 의해 제어되는데, 이 제어기는 후속 스캔 프로토콜들을 위해 환자/물체 내의 관심 해부구조를 식별하는 데 사용되는 2차원 로컬라이저 또는 스카우트 이미지들의 획득을 포함하는 CT 검사 시퀀스들을 위한 제어 신호들 및 전력 양측 모두를 공급한다. 도시된 실시예에서, 시스템 제어기(124)는 시스템 제어기(124)의 컴포넌트일 수 있는 X-선 제어기(126)를 통해 소스(112)를 제어한다. 그러한 실시예에서, X-선 제어기(126)는 X-선 소스(112)에 전력 및 타이밍 신호들을 제공하도록 구성될 수 있다.
또한, 검출기(122)는 시스템 제어기(124)에 커플링되는데, 이 제어기는 검출기(122)에서 생성된 신호들의 획득을 제어한다. 도시된 실시예에서, 시스템 제어기(124)는 데이터 획득 시스템(128)을 사용하여 검출기에 의해 생성된 신호들을 획득한다. 데이터 획득 시스템(128)은 검출기(122)의 독출 전자장치에 의해 수집된 데이터를 수신한다. 데이터 획득 시스템(128)은 검출기(122)로부터 샘플링된 아날로그 신호들을 수신할 수 있고, 아래에서 논의되는 프로세서(130)에 의한 후속 프로세싱을 위해 데이터를 디지털 신호들로 변환할 수 있다. 대안으로, 다른 실시예들에서, 디지털-아날로그 변환은 검출기(122) 자체 상에 제공된 회로부에 의해 수행될 수 있다. 시스템 제어기(124)는 또한, 예컨대 동적 범위들의 초기 조정, 디지털 이미지 데이터의 인터리빙 등을 위해, 획득된 이미지 신호들에 관하여 다양한 신호 프로세싱 및 필터링 기능들을 실행시킬 수 있다.
도 2에 도시된 실시예에서, 시스템 제어기(124)는 회전 서브시스템(132) 및 선형 포지셔닝 서브시스템(134)에 커플링된다. 회전 서브시스템(132)은, 환자를 중심으로 주로 x,y-평면에서 회전되는 것과 같이, X-선 소스(112), 시준기(114) 및 검출기(122)가 환자/물체(118) 둘레를 1회 또는 다수회 회전되는 것을 가능하게 한다. 회전 서브시스템(132)은 각자의 X-선 방출 및 검출 컴포넌트들이 위에 배치되는 갠트리를 포함할 수 있음에 유의해야 한다. 따라서, 그러한 실시예에서, 시스템 제어기(124)는 갠트리를 동작시키는 데 활용될 수 있다.
선형 포지셔닝 서브시스템(134)은 환자/물체(118)가, 또는 보다 구체적으로는 환자를 지지하는 테이블이, 예컨대 갠트리의 회전에 대해 z-방향으로, CT 시스템(110)의 보어 내에서 변위되는 것을 가능하게 할 수 있다. 따라서, 테이블은 환자(118)의 특정 영역들의 이미지들을 생성하도록 하기 위해 갠트리 내에서 (연속 또는 계단식 방식으로) 선형으로 이동될 수 있다. 도시된 실시예에서, 시스템 제어기(124)는 모터 제어기(136)를 통해 회전 서브시스템(132) 및/또는 선형 포지셔닝 서브시스템(134)의 이동을 제어한다.
일반적으로, 시스템 제어기(124)는 검사 프로토콜들을 실행시키고 획득된 데이터를 프로세싱하도록 (예컨대, 전술된 소스(112), 검출기(122), 및 포지셔닝 시스템들의 동작을 통해) 이미징 시스템(110)의 동작을 커맨드한다. 예를 들어, 시스템 제어기(124)는, 전술된 시스템들 및 제어기들을 통해, 관심 피검체를 중심으로 소스(112) 및 검출기(122)를 지지하는 갠트리를 회전시킬 수 있어서, X-선 감쇠 데이터가 피검체에 대해 하나 이상의 뷰들에서 얻어질 수 있게 한다. 본 상황에서, 시스템 제어기(124)는, 또한, 신호 프로세싱 회로부, 컴퓨터에 의해 실행되는 프로그램들 및 루틴들(예컨대, 본 명세서에 기술되는 데이터 완성 프로세싱 또는 재구성 기법들을 실행하기 위한 루틴들)을 저장하기 위한 연관된 메모리 회로부뿐만 아니라, 구성 파라미터들, 이미지 데이터 등을 포함할 수 있다.
도시된 실시예에서, 시스템 제어기(124)에 의해 획득되고 프로세싱된 이미지 신호들은 현재 개시된 알고리즘들에 따른 이미지들의 재구성을 위해 프로세싱 컴포넌트(130)에 제공된다. 프로세싱 컴포넌트(130)는 하나 이상의 일반적인 또는 애플리케이션-특정 마이크로프로세서들일 수 있다. 데이터 획득 시스템(128)에 의해 수집된 데이터는 직접 또는 메모리(138)에의 저장 후에 프로세싱 컴포넌트(130)로 송신될 수 있다. 데이터를 저장하는 데 적합한 임의의 타입의 메모리가 그러한 예시적인 시스템(110)에 의해 활용될 수 있다. 예를 들어, 메모리(138)는 하나 이상의 광학, 자기, 및/또는 솔리드 스테이트 메모리 저장 구조물들을 포함할 수 있다. 또한, 메모리(138)는 획득 시스템 현장에 위치될 수 있고/있거나, 후술되는 바와 같이, 데이터, 프로세싱 파라미터, 및/또는 투사 데이터 완성을 위한 루틴들을 저장하기 위한 원격 저장 디바이스들을 포함할 수 있다.
프로세싱 컴포넌트(130)는, 전형적으로 키보드 및/또는 다른 입력 디바이스들을 갖춘 조작자 워크스테이션(140)을 통해 조작자로부터 커맨드들 및 스캐닝 파라미터들을 수신하도록 구성될 수 있다. 조작자는 조작자 워크스테이션(140)을 통해 시스템(110)을 제어할 수 있다. 따라서, 조작자는 재구성된 이미지들을 관찰할 수 있고/있거나, 달리 조작자 워크스테이션(140)을 사용하여 시스템(110)을 동작시킬 수 있다. 예를 들어, 조작자 워크스테이션(140)에 커플링된 디스플레이(142)는 재구성된 이미지들을 관찰하고 이미징을 제어하는 데 활용될 수 있다. 추가로, 이미지들은, 또한, 조작자 워크스테이션(140)에 커플링될 수 있는 프린터(144)에 의해 인쇄될 수 있다.
또한, 프로세싱 컴포넌트(130) 및 조작자 워크스테이션(140)은 표준 또는 특수 목적 컴퓨터 모니터 및 연관된 프로세싱 회로부를 포함할 수 있는 다른 출력 디바이스들에 커플링될 수 있다. 하나 이상의 조작자 워크스테이션들(140)이, 시스템 파라미터들을 출력하고, 검사를 요청하고, 이미지들을 보고, 등등을 하기 위해 시스템에 추가로 링크될 수 있다. 일반적으로, 시스템 내에 공급되는 디스플레이, 프린터, 워크스테이션, 및 유사한 디바이스는 데이터 획득 컴포넌트에 대해 국부적일 수 있거나, 또는 이러한 컴포넌트들로부터 원격으로, 예컨대, 인터넷, 가상 사설망 등과 같은 하나 이상의 구성가능한 네트워크들을 통해 이미지 획득 시스템에 링크된, 기관 또는 병원 내의 어딘가 다른 곳 또는 전체적으로 상이한 위치에 있을 수 있다.
조작자 워크스테이션(140)이, 또한, PACS(picture archiving and communications system)(146)에 커플링될 수 있다는 것에 추가로 유의해야 한다. PACS(146)는, 이어서, 원격 클라이언트(148), RIS(radiology department information system), HIS(hospital information system), 또는 내부 또는 외부 네트워크에 커플링되어, 상이한 위치들에 있는 다른 것들이 원시 또는 프로세싱된 이미지 데이터에 액세스할 수 있게 할 수 있다.
본 명세서에서 논의되는 바와 같이, 본 접근법은 단층촬영 재구성에 사용될 수 있는 데이터 또는 다양한 타입의 누락된 투사 데이터를 추정하기 위해 트레이닝된 뉴럴 네트워크로서 구현되는 딥러닝을 사용한다. 본 접근법들은 또한, 손상 또는 잡음이 투사 공간 내에 존재하는 것으로 알려진 영역들에 대한 보정된 또는 조정된 데이터를 생성하는 데 사용될 수 있다. 예로서, CT 구현예의 상황에서, 본 발명의 딥러닝 접근법은 (CT 상황에서 사이노그램으로도 지칭되는) 투사 데이터 도메인에서 직접 누락된 데이터를 추정하는 데 사용될 수 있다. 이용가능한 또는 알려진 투사 데이터의 적합한 서브세트는 뉴럴 네트워크의 입력으로서의 역할을 하고, 누락된 투사 데이터의 추정치는 원하는 출력을 나타낸다.
누락된 투사 데이터와 연관된 문제들을 예시하기 위해, 누락된 데이터를 나타내는 사이노그램들의 다양한 예들이 도시되어 있다. 예를 들어, 도 3 및 도 4를 참조하면, 시야(FOV)에 위치된 금속 물체(또는 다른 방사선 불투과성 재료)의 효과들(즉, "섀도우")이 사이노그램들(160)에 도시되어 있다. 이러한 효과는 사이노그램들(160)에서 누락된 데이터의 밴드들(162)로서 나타나며, 이때 도 3의 사이노그램은 방사선 불투과성 물체가 FOV 내에서 중심을 벗어나 있어서, 그에 따라서 사인곡선형 형태를 추적하는 일례를 나타내는 한편, 도 4는 방사선 불투과성 물체가 FOV 내에서 중심에 있어서, 그에 따라서 사이노그램의 중심을 통과하는 직선 또는 밴드를 추적하는 일례를 도시한다. 사이노그램에서 누락된 직선 밴드를 갖는 유사한 상황은, 검출기에 물리적 갭이 있을 때 또는 하나 이상의 손상된 검출기 셀들이 있는 경우에 발생한다. 누락된 데이터의 밴드들이 간략화를 위해 그리고 개념을 일반적으로 설명하기 위해 일정한(또는 거의 일정한) 폭의 밴드들로서 도시되어 있지만, 이들은, 예를 들어 원형 단면을 갖지 않는 금속 물체들에 대해, 폭이 (투사 각도의 함수로서) 변할 수 있음에 유의한다. 본 명세서에 개시된 누락된 데이터 영역들에서의 데이터를 추정하기 위한 방법들은 다양한 형상들의 누락된 데이터 영역들로 확장된다.
유사하게, 도 5 내지 도 8은 대응하는 완전한 CT 뷰 또는 투사(166)(도 5에 도시된 바와 같음)의 참조 뷰와 비교하여, 상이한 타입의 데이터 절단(도 6 내지 도 8)의 예들을 도시한다. 데이터 절단(예컨대, 절단된 사이노그램)은, 검출기가 물체의 전체 투사를 측정하기에 주어진 치수 또는 치수들(예컨대, 횡축 방향 또는 종방향 치수)이 너무 작을 때 야기될 수 있다. 그러한 예에서, 절단된 CT 뷰 또는 투사(164)와 관련하여 하나 이상의 밴드들(162)에서 데이터가 누락될 수 있다. 이미징된 물체의 특성들 및 이미징 시스템의 회전축에 대한 그의 위치에 따라, 스캔의 일부에 대해서만 (즉, 사이노그램의 전체 수평 길이에 걸쳐 있지 않는 각도 범위에서) 절단으로 인해 데이터가 누락될 수 있고, 누락된 데이터 영역들은 검출기 어레이의 양 측부들에서 대칭이 아닐 수 있다. 그러나, 간략함을 위해, 대칭 예들이 도 6 내지 도 8에 도시되어 있다. 이러한 예들에서, 도 6은 횡축으로 절단되어 있는 절단된 CT 뷰 또는 투사(164)의 일례를 도시하고; 도 7은 종방향으로 절단되어 있는 절단된 CT 뷰 또는 투사(164)의 일례를 도시하고; 그리고 도 8은 횡축으로 그리고 종방향으로 절단되어 있는 절단된 CT 뷰 또는 투사(164)의 일례를 도시한다.
누락된 데이터 영역들(162)과 관련하여, 도 3 내지 도 5에 도시된 바와 같이, 그러한 영역들의 존재, 정도 및 경계들은 하나 이상의 기법들 또는 기법들의 조합들을 사용하여 결정될 수 있다. 예로서, 누락된 데이터 영역(162)은 하기 중 하나 이상을 사용하여 결정될 수 있다: (1) 투사 도메인에서의 직접 임계화 또는 세그먼트화; (2) 초기 이미지 재구성, 이어서 이미지 도메인에서의 임계화 또는 세그먼트화, 이어서 재투사, 이어서 임계화 또는 마스킹; (3) 검출기 교정 실험들에 기초한 불량 픽셀 맵; (4) 검출기 모듈들 또는 패널들 사이에 갭들을 갖는 알려진 검출기 기하형상; 또는 (5) 고정된 수의 추가 검출기 행들 또는 열들을 추정된 절단된 투사 데이터에 추가하는 것. 일 실시예에서, 손상된 데이터의 영역들은 로컬 투사 이미지 품질의 평가에 의해 식별되거나 추정될 수 있는데, 이 평가 자체는 획득된 투사 데이터의 로컬 "품질"을 추정하기 위해 딥러닝 접근법(또는 당업계에 알려진 다른 접근법)을 사용할 수 있다. 투사 도메인에서 누락된/손상된 데이터의 영역들을 식별하기 위한 이들 및 다른 방법들의 조합들이 또한 사용될 수 있다.
표준 보간 및 외삽 방법들은 일반적으로, 예컨대 전술된 그러한 경우에, 누락된 데이터(162)의 추정치들을 제공하는 데 만족스럽지 못하였다. 대조적으로, 본 접근법은, 대신에, 누락된 데이터(162)를 추정하기 위해 트레이닝된 뉴럴 네트워크(50)로서 구현되는 딥러닝을 채용한다. 이것은 도 9에 개념적으로 도시되어 있다. 도면의 좌측에, 누락된 데이터(162)를 갖는 사이노그램(160)이 도시되어 있다. 재구성되는 경우, 이 사이노그램은 금속 아티팩트들을 갖는 재구성된 이미지(180)를 산출할 것이며, 여기서 FOV 내의 방사선 불투과성 (예컨대, 금속) 물체를 중심에 둔 "스타-버스트(star-burst)" 타입 패턴인 것으로 분명하다. 반대로, 도 9의 우측에, 동일한 사이노그램이, 트레이닝된 뉴럴 네트워크(50)를 이용하여 누락된 데이터 추정 또는 대체를 겪는 것으로 도시되어 있다. 이러한 예에서, 누락된 데이터(162)의 영역들에 대한 인접 영역들(170)은 트레이닝된 뉴럴 네트워크(50)에 대한 입력들로서 사용되어, 누락된 투사 값들의 추정치인 뉴럴 네트워크(50)의 출력(172)을 얻는다. 사이노그램(160)은 추정된 누락된 값들로 재구성되어서, 누락된 데이터(162)의 어떠한 추정도 수행되지 않은 이미지(180)와 동일한 타입의 스트리킹 아티팩트들을 나타내지 않는 재구성된 이미지(182)를 생성할 수 있다.
이것은, 전술된 단계들의 프로세스 흐름도를 도시하는 도 10에 추가로 도시되어 있다. 이러한 예에서, 불완전한 사이노그램(184)이 초기에 제공되는데, 그 중 전부 또는 일부가 트레이닝된 뉴럴 네트워크(50)에 대한 입력들로서 사용된다. 뉴럴 네트워크(50)는 사이노그램(184)으로부터 누락된(또는 손상되거나 달리 적합하지 않은) 투사 데이터를 추정하는 데 사용된다(단계 186). 추정된 데이터는 완전한 또는 보정된 사이노그램(188)을 생성하는 데 사용된다. 이어서, 완전한 또는 보정된 사이노그램(188)은 재구성된 이미지(192)를 생성하기 위해 적합한 재구성 접근법을 사용하여 재구성될 수 있다(단계 190).
그러한 접근법에 사용되는 뉴럴 네트워크(50)와 관련하여, 그러한 뉴럴 네트워크는 뉴럴 네트워크(50)의 타깃 출력이 알려져 있는 다수의(예컨대, 수십, 수백 또는 수천 개의) 트레이닝 데이터세트들을 사용하여 트레이닝될 수 있다. 뉴럴 네트워크(50)가 트레이닝된 후에, 그것은 뉴럴 네트워크의 출력이 트레이닝을 위해 사용되지 않은 데이터세트들에 대한 기대치들을 충족시키는지를 확인하기 위해 테스트 데이터세트들에 적용될 수 있다.
트레이닝 데이터세트를 정의하기 위한 하나의 접근법은, (실제 측정된 데이터를 사용하여 그리고/또는 시뮬레이션에 의해 생성될 수 있는) 누락된 데이터가 없는 데이터세트들(예컨대, 사이노그램들)로부터 시작하고 뉴럴 네트워크(50)를 트레이닝시킬 목적으로 데이터의 일부분(이는 이제 "누락된" 것으로 간주됨)을 생략하는 것이다. 따라서, "누락된"(즉, 제거된 또는 보류된) 데이터의 진정한 값이 알려져 있다. 이어서, 뉴럴 네트워크(50)는 그의 출력이 탈락된 데이터와 매우 유사하도록 트레이닝된다. 동일한 접근법이 뉴럴 네트워크를 테스트하는 데 사용될 수 있다. 성공적인 경우, 뉴럴 네트워크(50)의 출력은 테스트 데이터세트들에서의 누락된 데이터에 밀접하게 매칭될 것이다. 따라서, 트레이닝 동안, 데이터는 투사(사이노그램) 데이터 내의 일부 영역이 누락된 것으로 라벨링되는 변경되지 않은 데이터로 이루어질 수 있고, 원하는 출력은 누락된 데이터에 대응하는 변경되지 않은 사이노그램 데이터로 이루어진다. 트레이닝 데이터는 이러한 방식으로 실제 누락된 데이터의 경우에는 이용가능하지 않을 구조물들을 포함할 수 있다.
"지상 실측" 데이터세트가 이용가능하지 않을 수 있는, 환자 데이터를 이용하는 것과 같은 일부 경우에, 그러한 시나리오에서의 트레이닝은 대신에 (예컨대, 계산된 이미지 품질 측정치들, 관찰자 모델들, 또는 사람 관찰자들을 사용하여) 이미지 품질 메트릭들에 기초할 수 있다. 다른 경우에, "누락된 데이터" 제한이 없는 환자 데이터가 트레이닝 데이터로서 활용될 수 있다. 예를 들어, 고관절 임플란트(이는, 존재하는 경우, 투사 데이터에서의 누락된 데이터 영역들로 이어질 수 있음)의 상황에서, (누락된 데이터 문제들을 나타내지 않는) 예비-임플란트 스캔들이 트레이닝 데이터로서 활용될 수 있다. 일부 경우에, 다양한 이미징된 물체들/해부구조들에 널리 적용가능한 일반적인 데이터 추정 접근법들을 "학습"시킬 뿐만 아니라, 특정 임상 응용을 위한 네트워크(즉, 응용-특정 트레이닝된 뉴럴 네트워크들)를 트레이닝시키는 것이 바람직할 수 있다. 고관절 임플란트의 예에서, 다른 해부학적 구조물들에 대한 고관절 임플란트의 위치는 일반적으로 잘 알려져 있고, 그러한 경우에, 이 응용을 위해 특별히 트레이닝되는 네트워크는 환자의 이미징된 고관절 영역에 특정적인 특성들을 이용하여 누락된 데이터를 복구하도록 최적화될 수 있다. 유사하게, 뉴럴 네트워크는, 특정 해부학적 영역들에 공통적인 누락된 데이터 또는 데이터 손상 문제들을 처리하기 위해 (예컨대, 특정 해부학적 상황에 대해 생성되는 또는 그에 특정적인 데이터 세트들을 사용하는 트레이닝에 의해) 해부구조-특정적이도록 트레이닝될 수 있다. 예컨대 뉴럴 네트워크를 트레이닝시키거나 또는 트레이닝된 뉴럴 네트워크를 사용하기 위해, 특정 응용 및 해부구조(예컨대, 고관절 임플란트)에 특정적인, 해부구조-특정 및 응용-특정 인자들이 조합될 수 있다. 뉴럴 네트워크는 또한, 예컨대, 소정 타입의 오류들(예컨대, 데이터 절단, 금속 아티팩트들 등)에 특정적인 누락된 데이터 또는 데이터 손상을 처리하기 위해, 예컨대, 누락된 데이터 또는 데이터 손상 조건에 대해 생성되는 또는 그에 특정적인 데이터 세트들을 사용하는 트레이닝에 의해, 작업-특정적이도록 트레이닝될 수 있다. 다른 시나리오에서, 환자 이미지의 2차원(2D) 또는 3D 영역의 일부 부분은, 환자 데이터로부터 투사 데이터를 시뮬레이션하기 전에, "매끄러운" 보간에 의해 대체될 수 있다(즉, 이 영역은 임의의 이미지 구조물을 포함하지 않음). 고관절 임플란트의 예에서, 임플란트 자체는 균일할 것이고, 그것은 이전에 그 해부학적 위치에 존재했던 임의의 해부학적 구조물들을 대신할 것이다. 따라서, 대응하는 이미지 구조물이 "취출된" 데이터로 네트워크를 트레이닝시키는 것은 트레이닝을 위해 적합한 데이터세트를 나타낸다.
전술한 내용을 염두에 두고, 트레이닝된 뉴럴 네트워크(50)는 데이터 추정을 제공하기 위해 다양한 방식으로 사용될 수 있다. 다양한 구현예들 및 변형예들이 유용한 예들 및 추가 상황을 제공하기 위해 아래에서 논의된다.
딥러닝을 이용하는 누락된 데이터 추정의 구현예들을 논의하기 전에, 많은 그러한 추정들, 특히, 시야 내의 금속 또는 방사선 불투과성 물체들과 관련하여 수행되는 추정들이, 도 11에 도시된 바와 같이, 누락된 데이터(162)의 추정 이전에, 사이노그램 데이터의 재-비닝으로부터 이익을 얻을 수 있다는 것에 유의해야 한다. 특히, 기하학적 암시들은, 추정 단계들 이전에, 병렬 빔 기하형상에 대응하도록 데이터의 재-비닝(단계 230)이 수행되는 경우 간략화된다. 그러한 재-비닝은, 누락된 데이터 영역(162)이 사이노그램(160)에서 중심에 있도록 시프트와 조합되거나 또는 시프트에 의해 수행될 수 있다. 그 결과, 누락된 데이터 영역(162)의 트레이스는 직선(또는 밴드)으로서 표현된다.
이러한 방식으로, 획득된 데이터는 병렬 빔 획득을 이용하여 획득되는 데이터를 표현하도록 재-비닝될 수 있으며, 여기서 누락된 데이터 영역(162)은 시야의 중심에 있다. (재-비닝 이후에) 금속(또는 다른 방사선 불투과성) 물체를 중심 위치에 배치함으로써, 금속 영역의 트레이스에 대해 상대적으로 패치들 및 트레이스들의 기하학적 구조는 간단한데, 그 이유는 누락된 데이터 영역(162)이 사이노그램(160)을 통해 중심 직선/밴드를 추적하기 때문이다.
전술한 내용을 염두에 두고, 딥러닝 기반 누락된 데이터 추정의 일례에서, 트레이닝된 뉴럴 네트워크(50)를 사용하여 패치 기반 보간법이 수행될 수 있다.
이러한 접근법에서, 누락된 데이터 영역(162) 내의 픽셀 또는 작은 영역/패치(200)에서의 데이터는, 데이터가 이용가능한 영역 내의 데이터의 이웃 패치(202)에 기초하여 추정된다. 데이터가 이용가능한 패치(202)로부터의 데이터는, 일 구현예에서, 누락된 데이터 영역(162)의 경계에 가깝게 그리고 추정될 패치(200)에 가깝게 선택된다.
이러한 접근법은 도 12 및 도 13에 도시되어 있으며, 이 도면들은 금속 아티팩트 감소 문제에 대한 예들을 도시한다. 패치 영역들(200)은 추정되는 사이노그램 값들 또는 패치들의 예들이고, 알려진 영역(202)은 이들 각자의 누락된 데이터 패치들(200)을 추정하기 위해 뉴럴 네트워크(50)에 대한 입력으로서 사용되는 데이터이다. 다른 타입의 누락된 데이터에 대해 불량 픽셀 보정 또는 절단과 같은 유사한 접근법들이 사용될 수 있다.
이러한 예들에서, 입력 데이터를 나타내는 패치(202)는 직사각형 형상, 또는 "쐐기(wedge)" 형상의 섹션일 수 있으며, 이는 사이노그램 내의 상이한 구조물들의 사인곡선 트레이스들에 더 양호하게 적응될 수 있다. 다른 패치 형상들이 또한 선택될 수 있다. 일반적으로, 입력 패치(202)는 추정될 패치(200)보다 더 큰 각도 범위를 나타내고(즉, 입력 패치들은 일반적으로 각방향, 즉 수평 방향으로 "더 넓음"), 누락된 데이터 영역(162)에 인접한 검출기 상의 영역을 나타내는 것에 기초하여 선택된다. 누락된 데이터 영역(162)의 일 측부 상의 데이터만이 주어진 패치의 추정을 위한 입력으로서 사용되는 경우, 그것은 "일측" 추정으로 지칭될 수 있다(그 예들이 도 12에 도시됨). 누락된 데이터 영역(162)의 양측부들로부터의 데이터가 사용되는 경우, 이것은 "양측" 추정으로 지칭될 수 있다(그 예들이 도 13에 도시됨).
이러한 종류의 접근법을 사용함으로써, 누락된 데이터의 별개의 패치들(200)이 독립적으로 추정되어서, 데이터의 모든 추정된 패치들이 누락된 데이터 영역의 일부 또는 전체를 커버하도록 할 수 있다. 데이터가 추정되는 패치들(200)은 중첩되도록 선택될 수 있는데, 이는 이어서 중첩 영역들 내의 추정 결과들(200)을 누락된 데이터 영역(162) 내의 데이터의 단일의 매끄러운 전체 보간으로 조합하기 위해 별개의 평활화/압밀(smoothing/consolidation) 단계를 활용할 수 있다.
도 14를 참조하면, 결과의 일례가 도시되어 있다. 작은 직사각형 패치들은, 데이터가 이용가능한 인접 영역 내의 직사각형 패치들에 기초하는 일측 추정을 사용하여, 독립적으로 그리고 개별적으로 추정된다. 그 결과, 양측부들로부터의 추정치들이 충족되는 보간된 데이터에서 가시적 불연속부(210)가 존재한다. 이러한 문제는 중첩 패치들이 조합되는 적합한 단계로 처리될 수 있다. 예를 들어, 중첩 패치들 사이의 적합하게 가중된 매끄러운 전이를 사용함으로써, 대응하는 정보는 매끄러운 보간된 영역으로 조합될 수 있다. 예를 들어, 사이노그램 내의 각각의 픽셀에서의 데이터는 그 위치에서의 (즉, 다수의 추정치들이 존재하는 중첩 영역 내의) 여러 패치들의 가중 평균으로서 선택될 수 있으며, 여기서 가중치들은, 예컨대 패치들 사이의 매끄러운 전이를 보장하도록 선택된다. 대안으로, 추정된 중첩 패치들은 다른 뉴럴 네트워크 프로세싱 단계(또는 기존의 뉴럴 네트워크(50)의 하나 이상의 추가 층들)를 사용하여 조합될 수 있다.
딥러닝 기반 보간법의 추가 예에서, 일 구현예에서, 트레이스 기반 보간법이 수행되는데, 여기서 사이노그램 트레이스는 이미지 공간 내의 특정 영역에 대응하는 (전형적으로 사인곡선형 형상의) 사이노그램의 일부분인 것으로 이해된다. 예를 들어, 이미지 공간 내의 금속 물체에 대응하는 영역은 사이노그램 내의 대응하는 사인곡선형 트레이스에서의 섀도잉 또는 데이터 손상을 야기할 것이다. 그러한 실시예에서, 누락된 데이터 영역(162)의 하나 이상의 트레이스들(예컨대, 아래에서 논의되는 바와 같이, 데이터의 적합한 재-비닝 후의 누락된 데이터 영역을 통과하는 사인곡선 또는 직선)은, 도 15에 개략적으로 도시된 바와 같이, 데이터 이용가능 영역 내의 2개 이상의 트레이스들(예컨대, 선들)에 기초하여 추정된다.
일반적으로, 입력 데이터(202)는 누락된 데이터 영역에 가장 가까운 트레이스들에 대응하도록 선택될 것이다. 예를 들어, 누락된 데이터 영역에 가장 가까운 트레이스는 (여기서는 원형 형상인 것으로 가정되는) 누락된 데이터 영역에 접하는 광선들의 시퀀스에 대응한다. 네트워크는, 입력 데이터(200)를 사용할 때, 그것이 누락된 데이터 트레이스(200) 내의 투사 데이터의 추정치들을 생성하도록 트레이닝될 수 있다. 트레이스들이 각각 360도의 데이터를 표현하기 때문에, 각각의 트레이스 내의 데이터는 주기적이다 - 따라서, 프로세싱 시의 일부 스테이지에서 데이터의 푸리에 공간 표현을 활용하는 것이 유리할 수 있다.
이해될 수 있는 바와 같이, 패치 기반 접근법과 트레이스 기반 접근법 둘 모두에 기초하는 하이브리드 접근법들이 채용될 수 있다. 극한의 경우, 두 가지 시나리오들에서 모든 이용가능한 데이터가 입력으로서 사용될 수 있고 누락된 데이터 모두가 출력으로서 고려된다는 의미에서 두 접근법들은 동등한 것으로 간주될 수 있다. 그러나, 입력 데이터 또는 출력 데이터(또는 둘 모두)의 차원수가 너무 커지게 되는 경우, 프로세싱 및 트레이닝은 어려워지고/지거나 느려질 수 있다.
전술한 내용은 딥러닝 기반 추정 접근법들의 개요를 설명하지만, 추가 고려사항은, 이러한 접근법들 중 일부 또는 전부가 재귀적 방식으로 구현될 수 있다는 것이다. 예를 들어, 재귀적 추정이 수행될 수 있으며, 여기서 초기에는 누락된 데이터 영역(162)의 경계에 가까운 데이터의 패치 또는 영역(200)만이 하나 이상의 트레이닝된 뉴럴 네트워크들(50)을 사용하여 추정된다. 일례에서, 이것은 알려진 데이터로부터 바깥쪽으로 층상으로 누락된 데이터 층을 추정하는 것으로 이루어질 수 있다. 일단 단일 "층"이 (그것을 하나의 단일 데이터 벡터로서 추정함으로써, 또는 그것의 섹션들을 추정하고 나중에 조합함으로써) 추정되면, 전체 누락된 데이터 영역(162)이 충전될 때까지 앞서 추정된 층을 "알려진" 데이터의 일부로서 사용하여 다음 층이 추정될 수 있다. 이러한 전략은 패치 기반 추정 및 트레이스 기반 추정 둘 모두에 적용가능할 수 있다. 횡축 절단에 대한 일례가 도 16에 도시되어 있으며, 여기서 트레이스들(220A)이 먼저 추정된다. 이어서, 트레이닝된 뉴럴 네트워크(들)(50)는 트레이스들(200B)을 추정하기 위해 후속적으로 적용되고 트레이스들(200A)은 입력 데이터의 일부가 될 수 있는데, 이는 그들이 트레이스들(200C, 200D)과 관련하여 더 이상 누락 등이 없기 때문이다.
전술한 예(들)가 누락된 사이노그램 데이터를 추정하는 데 사용되는 단일의(즉, 공간적으로 불변성인) 트레이닝된 뉴럴 네트워크(50)의 사용을 제안하고 있지만, 실제로, 특정 경우(즉, 공간적으로 변형성인 딥러닝 네트워크들)에 사이노그램에 존재하는 패턴들 또는 공간적 배열들로 트레이닝되는 상이한 딥러닝 네트워크들이 채용될 수 있다는 것에 또한 유의할 수 있다. 예로서, 누락된 데이터(즉, 네트워크의 출력) 및 이용가능한 데이터(즉, 네트워크에 대한 입력)의 위치에 따라, 상이하게 트레이닝된 딥러닝 네트워크가 (예컨대, 상이한 구조들 및/또는 상이한 파라미터들에 대한) 상이한 공간적 상황들에 적합할 수 있다. 예를 들어, 재-비닝이 수행되지 않은 팬-빔 또는 콘-빔 사이노그램의 경우에, 사이노그램 공간 내의 상이한 위치들은 도 17에 도시된 바와 같이, 상이한 기하학적 속성들을 가지며, 여기서 알려진 영역들(202A, 202B, 202C)은 알려지지 않은 패치들(200)의 양측 보간법에 사용되는 사이노그램의 상이한 기하학적 영역들에 대응한다. 영역들 사이의 기하학적 차이들로 인해, 상이하게 트레이닝된 딥러닝 네트워크들이 이러한 상이한 영역들(202A, 202B, 202C)에 대해 채용될 수 있다. 유사하게, 도 18에 도시된 바와 같이, 상이하게 트레이닝된 딥러닝 네트워크들이 바람직할 수 있는 상황의 다른 예는, 추정되는 패치들(200)의 거리 및/또는 위치가 입력들(202D, 202E, 202F)로서 사용되는 알려진 영역들과 관련하여 변하는 경우이다. 즉, 딥러닝 뉴럴 네트워크들(50)은 누락된 데이터의 영역에 대한 공간적 위치에 기초하여 그리고/또는 입력 데이터(202)에 대한 추정된 패치(200)의 상대적 위치, 거리, 및/또는 배향에 기초하여 트레이닝 또는 특화될 수 있어서, 추정될 누락된 데이터의 특정 상황들에 기초하여 상이한 딥러닝 네트워크들이 사용될 수 있도록 한다.
본 발명의 기술적 효과는 다양한 타입의 누락된 투사(또는 다른 재구성되지 않은) 데이터를 추정하기 위해 트레이닝된 뉴럴 네트워크의 사용을 포함한다. 뉴럴 네트워크들은 투사 또는 다른 데이터를 사용하여 트레이닝될 수 있으며, 여기서 데이터의 일부분은 추정될 누락된 데이터로서 정의되고 나머지 데이터는 네트워크에 대한 입력으로서 사용될 수 있는 이용가능한 데이터이다. 유사하게, 본 접근법은 또한 (누락된 투사 데이터를 추정하는 것과는 대조적으로) 손상된 또는 잘못된 투사 데이터를 대체 또는 보정하기 위해 채용될 수 있다. 예를 들어, (빔 경화, 산란, 잡음 등으로 인한 것과 같은) 더 일반적인 데이터 오차들은 트레이닝된 뉴럴 네트워크 및 본 명세서에 일반적으로 기술된 방법론을 사용하여 이러한 접근법에 의해 처리될 수 있다. 그러한 경우에, 누락된 투사 데이터를 추정하는 대신에, 부정확한 데이터를 보정하기 위해 채용될 수 있는 하나 이상의 보정 항들이 추정될 수 있다. 이 경우에, 손상된 데이터 자체는 뉴럴 네트워크에 대한 추가 입력으로서의 역할을 할 수 있다.
기재된 본 설명은, 최상의 모드를 포함하는 예들을 사용하여 본 발명을 개시하고, 또한, 임의의 디바이스들 또는 시스템들을 제조하고 사용하는 것 및 임의의 통합된 방법들을 수행하는 것을 포함하여 당업자가 본 발명을 실시하는 것을 가능하게 한다. 본 발명의 특허가능한 범주는 청구범위에 의해 한정되며, 당업자에게 떠오르는 다른 예들을 포함할 수 있다. 그러한 다른 예들은, 그들이 청구범위의 문자 그대로의 언어와 상이하지 않은 구조적 요소들을 갖는 경우, 또는 그들이 청구범위의 문자 그대로의 언어와는 대단찮은 차이들을 갖는 등가의 구조적 요소들을 포함하는 경우, 청구범위의 범주 내에 있는 것으로 의도된다.

Claims (30)

  1. 단층촬영 재구성에서 사용하기 위한 누락된 데이터를 추정하기 위한 방법으로서,
    스캔 데이터의 세트를 획득하거나 그에 액세스하는 단계 - 상기 스캔 데이터의 세트는 불완전한 또는 부적합한 데이터의 하나 이상의 영역들을 가짐 -;
    상기 스캔 데이터의 세트에 대한 재-비닝(re-binning) 동작을 수행하는 단계;
    하나 이상의 트레이닝된 뉴럴 네트워크들을 사용하여 상기 스캔 데이터의 세트를 프로세싱하는 단계;
    상기 하나 이상의 트레이닝된 뉴럴 네트워크들을 사용하여 불완전한 또는 부적합한 데이터의 각각의 영역에 대한 추정된 데이터 세트를 생성하는 단계 - 상기 추정된 데이터 세트들과 조합된 상기 스캔 데이터의 세트는 보정된 스캔 데이터의 세트에 대응함 -; 및
    하나 이상의 재구성된 이미지들을 생성하기 위해 상기 보정된 스캔 데이터의 세트의 단층촬영 재구성을 수행하는 단계를 포함하는, 방법.
  2. 삭제
  3. 제1항에 있어서,
    상기 보정된 스캔 데이터의 세트를 형성하는 것의 일부로서 상기 추정된 데이터 세트들 및 상기 스캔 데이터의 세트에 대한 평활화 동작을 수행하는 단계를 추가로 포함하는, 방법.
  4. 제1항에 있어서, 상기 하나 이상의 트레이닝된 뉴럴 네트워크들을 사용하여 상기 스캔 데이터의 세트를 프로세싱하는 단계는, 하나의 프로세싱 단계의 추정된 데이터 세트들이 후속 프로세싱 단계에서의 입력의 일부분을 포함하도록 상기 스캔 데이터의 세트를 재귀적으로 프로세싱하는 단계를 포함하는, 방법.
  5. 제1항에 있어서,
    상기 하나 이상의 트레이닝된 뉴럴 네트워크들을 사용하여 프로세싱하기 전에 상기 스캔 데이터의 세트에 대한 사전-프로세싱 단계를 수행하는 단계; 및
    상기 추정된 데이터 세트에 대한 상기 사전-프로세싱 단계의 역인 사후-프로세싱 단계를 수행하는 단계를 추가로 포함하는, 방법.
  6. 제5항에 있어서, 상기 사전-프로세싱 단계는 고역 통과 필터 동작을 포함하고, 상기 사후-프로세싱 단계는 상기 고역 통과 필터 동작에 반대되는 저역 통과 필터링 동작을 포함하는, 방법.
  7. 제1항에 있어서,
    상기 하나 이상의 트레이닝된 뉴럴 네트워크들을 사용하여 프로세싱하기 전에 재투사된 사이노그램(sinogram)을 나누거나 감산함으로써 상기 스캔 데이터의 세트에 대한 정규화 단계를 수행하는 단계; 및
    상기 재투사된 사이노그램에 의해 곱하거나 그를 가산함으로써 상기 정규화 단계를 반전시키는 단계를 추가로 포함하는, 방법.
  8. 제1항에 있어서,
    상기 스캔 데이터의 세트에 더하여 상기 하나 이상의 트레이닝된 뉴럴 네트워크들에 가중치 데이터를 제공하는 단계를 추가로 포함하고, 상기 가중치 데이터는 상기 스캔 데이터의 세트의 신뢰도 또는 신뢰성의 척도에 대응하는, 방법.
  9. 제8항에 있어서, 상기 가중치 데이터는 상기 스캔 데이터의 세트 내의 각각의 대응하는 요소에 대한 가중치 요소를 포함하고, 더 높은 가중치들은 더 큰 신뢰도에 대응하는, 방법.
  10. 이미지 프로세싱 시스템으로서,
    하나 이상의 저장된 프로세서 실행가능 루틴들을 실행시키도록 구성된 프로세싱 컴포넌트; 및
    상기 하나 이상의 실행가능 루틴들을 저장하는 메모리를 포함하고, 상기 하나 이상의 실행가능 루틴들은, 상기 프로세싱 컴포넌트에 의해 실행될 때,
    스캔 데이터의 세트를 획득하거나 그에 액세스하는 것 - 상기 스캔 데이터의 세트는 불완전한 또는 부적합한 데이터의 하나 이상의 영역들을 가짐 -;
    상기 스캔 데이터의 세트에 대한 재-비닝(re-binning) 동작을 수행하는 것;
    하나 이상의 트레이닝된 뉴럴 네트워크들을 사용하여 상기 스캔 데이터의 세트를 프로세싱하는 것;
    상기 하나 이상의 트레이닝된 뉴럴 네트워크들을 사용하여 불완전한 또는 부적합한 데이터의 각각의 영역에 대한 추정된 데이터 세트를 생성하는 것 - 상기 추정된 데이터 세트들과 조합된 상기 스캔 데이터의 세트는 보정된 스캔 데이터의 세트에 대응함 -; 및
    하나 이상의 재구성된 이미지들을 생성하기 위해 상기 보정된 스캔 데이터의 세트의 단층촬영 재구성을 수행하는 것을 포함하는 액션들이 수행되게 하는, 이미지 프로세싱 시스템.
  11. 삭제
  12. 삭제
  13. 삭제
  14. 삭제
  15. 삭제
  16. 삭제
  17. 삭제
  18. 삭제
  19. 삭제
  20. 삭제
  21. 삭제
  22. 삭제
  23. 삭제
  24. 삭제
  25. 삭제
  26. 삭제
  27. 삭제
  28. 삭제
  29. 삭제
  30. 삭제
KR1020197021386A 2017-01-05 2017-01-05 단층촬영 재구성에서 사용하기 위한 데이터의 딥러닝 기반 추정 KR102260802B1 (ko)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2017/070283 WO2018126396A1 (en) 2017-01-05 2017-01-05 Deep learning based estimation of data for use in tomographic reconstruction

Publications (2)

Publication Number Publication Date
KR20190103227A KR20190103227A (ko) 2019-09-04
KR102260802B1 true KR102260802B1 (ko) 2021-06-07

Family

ID=62788922

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020197021386A KR102260802B1 (ko) 2017-01-05 2017-01-05 단층촬영 재구성에서 사용하기 위한 데이터의 딥러닝 기반 추정

Country Status (6)

Country Link
US (1) US11039805B2 (ko)
EP (1) EP3566207A4 (ko)
JP (1) JP7202302B2 (ko)
KR (1) KR102260802B1 (ko)
CN (1) CN110337673B (ko)
WO (1) WO2018126396A1 (ko)

Families Citing this family (46)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11039805B2 (en) 2017-01-05 2021-06-22 General Electric Company Deep learning based estimation of data for use in tomographic reconstruction
EP3384848B1 (de) * 2017-04-04 2021-06-23 Siemens Healthcare GmbH Flexibler einsatz eines klinischen entscheidungsunterstützungssystems
WO2018232388A1 (en) * 2017-06-16 2018-12-20 Rensselaer Polytechnic Institute Systems and methods for integrating tomographic image reconstruction and radiomics using neural networks
US10803984B2 (en) 2017-10-06 2020-10-13 Canon Medical Systems Corporation Medical image processing apparatus and medical image processing system
US11517197B2 (en) * 2017-10-06 2022-12-06 Canon Medical Systems Corporation Apparatus and method for medical image reconstruction using deep learning for computed tomography (CT) image noise and artifacts reduction
US11250600B2 (en) * 2018-01-12 2022-02-15 Korea Advanced Institute Of Science And Technology Method for processing X-ray computed tomography image using neural network and apparatus therefor
WO2019173452A1 (en) * 2018-03-07 2019-09-12 Rensselaer Polytechnic Institute Deep neural network for ct metal artifact reduction
EP3547254A1 (de) * 2018-03-29 2019-10-02 Siemens Healthcare GmbH Analyse-verfahren und analyseeinheit zur ermittlung radiologischer ergebnisdaten
KR102039472B1 (ko) * 2018-05-14 2019-11-01 연세대학교 산학협력단 컴퓨터 단층촬영 영상 재구성 장치 및 방법
JP7118798B2 (ja) * 2018-08-06 2022-08-16 キヤノンメディカルシステムズ株式会社 Ｘ線コンピュータ断層撮影装置
EP3629294A1 (en) * 2018-09-27 2020-04-01 Siemens Healthcare GmbH Method of providing a training dataset
US10984902B2 (en) 2018-09-28 2021-04-20 Varian Medical Systems International Ag Methods and systems for adaptive radiotherapy treatment planning using deep learning engines
US11475991B2 (en) * 2018-09-28 2022-10-18 Varian Medical Systems International Ag Methods and systems for adaptive radiotherapy treatment planning using deep learning engines
US11039806B2 (en) * 2018-12-20 2021-06-22 Canon Medical Systems Corporation Apparatus and method that uses deep learning to correct computed tomography (CT) with sinogram completion of projection data
US10945695B2 (en) 2018-12-21 2021-03-16 Canon Medical Systems Corporation Apparatus and method for dual-energy computed tomography (CT) image reconstruction using sparse kVp-switching and deep learning
US11013936B2 (en) 2018-12-21 2021-05-25 Varian Medical Systems International Ag Methods and systems for generating dose estimation models for radiotherapy treatment planning
EP3671647B1 (en) * 2018-12-21 2024-01-17 Canon Medical Systems Corporation X-ray computed tomography (ct) system and method
CN109767397B (zh) * 2019-01-09 2022-07-12 三星电子（中国）研发中心 一种基于人工智能的图像优化方法和系统
JP7271209B2 (ja) * 2019-02-06 2023-05-11 キヤノン株式会社 放射線撮像装置、放射線撮像システムおよび放射線撮像装置の制御方法
JP2020130498A (ja) * 2019-02-18 2020-08-31 学校法人順天堂 Ｍｒｉを利用してｃｓｆ抑制画像を合成するための画像処理装置、プログラムおよび画像処理方法
JP7233972B2 (ja) * 2019-03-04 2023-03-07 キヤノンメディカルシステムズ株式会社 Ｘ線診断システム
US11026642B2 (en) 2019-03-29 2021-06-08 Canon Medical Systems Corporation Apparatuses and a method for artifact reduction in medical images using a neural network
CN110021069B (zh) * 2019-04-15 2022-04-15 武汉大学 一种基于网格形变的三维模型重建方法
EP3725229A1 (en) * 2019-04-18 2020-10-21 DENTSPLY SIRONA Inc. Method of metal artefact reduction in x-ray dental volume tomography
WO2020217098A2 (en) * 2019-04-25 2020-10-29 Insightec, Ltd. Accelerated magnetic resonance thermometry
CN111915692A (zh) * 2019-05-08 2020-11-10 通用电气精准医疗有限责任公司 成像方法及装置
CN111915495A (zh) * 2019-05-08 2020-11-10 通用电气精准医疗有限责任公司 获取截断部分预测图像的方法及装置
CN110176047B (zh) * 2019-06-03 2022-12-06 上海联影医疗科技股份有限公司 一种提高ct图像质量的方法和系统
JP7362322B2 (ja) * 2019-07-08 2023-10-17 キヤノンメディカルシステムズ株式会社 Ｘ線ｃｔシステム及び医用処理装置
US11100684B2 (en) * 2019-07-11 2021-08-24 Canon Medical Systems Corporation Apparatus and method for artifact detection and correction using deep learning
JP7245740B2 (ja) * 2019-07-25 2023-03-24 富士フイルムヘルスケア株式会社 画像処理装置、画像処理方法及びｘ線ｃｔ装置
US11455755B2 (en) * 2019-09-05 2022-09-27 Siemens Medical Solutions Usa, Inc. Methods and apparatus for neural network based image reconstruction
KR102346517B1 (ko) * 2019-12-31 2022-01-03 (주)아인스에스엔씨 고스트 모델을 이용한 일시적 미수신 데이터에 대한 복구 및 가시화 장치
CN111190226B (zh) * 2020-02-18 2022-03-25 中国石油大学(华东) 一种三维地震数据面波噪声压制方法
CN111429545A (zh) * 2020-03-24 2020-07-17 浙江明峰智能医疗科技有限公司 一种基于深度学习的pet不完整数据的重建方法和系统
US20210319539A1 (en) * 2020-04-13 2021-10-14 GE Precision Healthcare LLC Systems and methods for background aware reconstruction using deep learning
TWI791979B (zh) * 2020-04-28 2023-02-11 長庚醫療財團法人林口長庚紀念醫院 三維醫學影像的建立方法
US20210342991A1 (en) * 2020-04-29 2021-11-04 University Of Southern California Ml-enabled assured microelectronics manufacturing: a technique to mitigate hardware trojan detection
CN111544022B (zh) * 2020-05-13 2023-11-28 上海联影医疗科技股份有限公司 一种pet衰减校正方法、装置和计算机设备
CN112509089B (zh) * 2020-11-26 2024-03-15 中国人民解放军战略支援部队信息工程大学 基于截断数据外推网络的ct局部重建方法
US11890124B2 (en) 2021-02-01 2024-02-06 Medtronic Navigation, Inc. Systems and methods for low-dose AI-based imaging
JP2022155027A (ja) 2021-03-30 2022-10-13 富士フイルム株式会社 画像処理装置、学習装置、放射線画像撮影システム、画像処理方法、学習方法、画像処理プログラム、及び学習プログラム
JP2022155026A (ja) 2021-03-30 2022-10-13 富士フイルム株式会社 画像処理装置、学習装置、放射線画像撮影システム、画像処理方法、学習方法、画像処理プログラム、及び学習プログラム
US11823354B2 (en) * 2021-04-08 2023-11-21 GE Precision Healthcare LLC System and method for utilizing a deep learning network to correct for a bad pixel in a computed tomography detector
KR20230053810A (ko) * 2021-10-15 2023-04-24 가천대학교 산학협력단 투영기반의 의료영상 재구성 시스템
CN117201691B (zh) * 2023-11-02 2024-01-09 湘江实验室 一种基于深度学习的全景扫描关联成像方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110142301A1 (en) * 2006-09-22 2011-06-16 Koninklijke Philips Electronics N. V. Advanced computer-aided diagnosis of lung nodules

Family Cites Families (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5732697A (en) * 1995-11-22 1998-03-31 Arch Development Corporation Shift-invariant artificial neural network for computerized detection of clustered microcalcifications in mammography
AU9474398A (en) * 1997-10-10 1999-05-03 Analogic Corporation Computed tomography scanning target detection
DE10241691A1 (de) * 2002-09-09 2004-03-25 Infineon Technologies Ag Einrichtung und Verfahren zur Durchführung von Korrelationen in einem Mobilfunksystem
US6973158B2 (en) * 2003-06-25 2005-12-06 Besson Guy M Multi-target X-ray tube for dynamic multi-spectral limited-angle CT imaging
US6944260B2 (en) * 2003-11-11 2005-09-13 Ge Medical Systems Global Technology Company, Llc Methods and apparatus for artifact reduction in computed tomography imaging systems
US7215734B2 (en) * 2004-06-30 2007-05-08 General Electric Company Method and system for three-dimensional reconstruction of images
WO2007039841A2 (en) * 2005-10-05 2007-04-12 Koninklijke Philips Electronics N.V. Method and system for pet image reconstruction using a surrogate image
JP2007201572A (ja) 2006-01-24 2007-08-09 Sony Corp 学習装置および学習方法、信号処理装置および信号処理方法、並びにプログラム
US7515676B2 (en) 2006-04-28 2009-04-07 Kabushiki Kaisha Toshiba Method, apparatus, and computer program product for sinogram completion
US8582855B2 (en) * 2007-01-04 2013-11-12 Koninklijke Philips N.V. Apparatus, method and computer program for producing a corrected image of a region of interest from acquired projection data
CN102215754B (zh) * 2007-08-15 2013-06-05 国立大学法人京都大学 X线ct装置及x线ct方法
CN102376097A (zh) * 2010-08-25 2012-03-14 东软飞利浦医疗设备系统有限责任公司 非对称检测器ct迭代重建方法
US9247919B2 (en) * 2011-02-01 2016-02-02 Koninklijke Philips N.V. Method and system for dual energy CT image reconstruction
CN102727230B (zh) * 2011-04-02 2014-06-04 沈阳东软医疗系统有限公司 Ct扫描图像重建方法及装置
JP2013003892A (ja) * 2011-06-17 2013-01-07 Sony Corp 画像処理装置および方法、プログラム、並びに記録媒体
US9659390B2 (en) * 2011-10-28 2017-05-23 Carestream Health, Inc. Tomosynthesis reconstruction with rib suppression
CN103364839B (zh) * 2012-04-01 2015-12-09 中国科学院高能物理研究所 基于光栅剪切成像的安检设备及方法
BR112014026073A2 (pt) * 2012-04-23 2017-06-27 Koninklijke Philips Nv sistema médico para obtenção de imagem e método para processamento de imagem
US8976190B1 (en) * 2013-03-15 2015-03-10 Pme Ip Australia Pty Ltd Method and system for rule based display of sets of images
US9495770B2 (en) * 2013-08-14 2016-11-15 University Of Utah Research Foundation Practical model based CT construction
CN103646410B (zh) * 2013-11-27 2016-06-08 中国科学院深圳先进技术研究院 磁共振快速参数成像方法和系统
US8917925B1 (en) 2014-03-28 2014-12-23 Heartflow, Inc. Systems and methods for data and model-driven image reconstruction and enhancement
CN103927531B (zh) * 2014-05-13 2017-04-05 江苏科技大学 一种基于局部二值和粒子群优化bp神经网络的人脸识别方法
WO2016002068A1 (ja) 2014-07-04 2016-01-07 三菱電機株式会社 画像拡大装置、画像拡大方法、及び監視カメラ、並びにプログラム及び記録媒体
WO2016017534A1 (ja) 2014-07-28 2016-02-04 株式会社日立メディコ Ｘ線撮像装置および画像再構成方法
CN104323789B (zh) * 2014-09-25 2017-08-25 沈阳东软医疗系统有限公司 一种ct扫描图像重建方法及ct扫描仪
CN107530040B (zh) 2015-04-01 2020-09-01 株式会社日立制作所 X射线ct装置、重构运算装置以及x射线ct图像生成方法
US9498179B1 (en) 2015-05-07 2016-11-22 General Electric Company Methods and systems for metal artifact reduction in spectral CT imaging
DE102015226400A1 (de) * 2015-12-22 2017-06-22 Siemens Healthcare Gmbh Automatisierte Ermittlung von Konturen auf Basis einer iterativen Rekonstruktion
US20170362585A1 (en) * 2016-06-15 2017-12-21 Rensselaer Polytechnic Institute Methods and apparatus for x-genetics
US10970887B2 (en) * 2016-06-24 2021-04-06 Rensselaer Polytechnic Institute Tomographic image reconstruction via machine learning
CN106296653B (zh) * 2016-07-25 2019-02-01 浙江大学 基于半监督学习的脑部ct图像出血区域分割方法及系统
CN106250707A (zh) * 2016-08-12 2016-12-21 王双坤 一种基于深度学习算法处理头部结构像数据的方法
CN106251383B (zh) * 2016-08-31 2018-11-27 东北大学 一种能谱ct基物质正弦图的估计方法
US11039805B2 (en) 2017-01-05 2021-06-22 General Electric Company Deep learning based estimation of data for use in tomographic reconstruction

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110142301A1 (en) * 2006-09-22 2011-06-16 Koninklijke Philips Electronics N. V. Advanced computer-aided diagnosis of lung nodules

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Gjesteby, Lars, et al. "Metal artifact reduction in CT: where are we after four decades." Ieee Access 4 (2016)*
Nuyts, et al. "Modelling the physics in the iterative reconstruction for transmission computed tomography." Physics in Medicine and Biology 58.12 (2013)*
Wang, Ge. "A perspective on deep imaging." IEEE access 4 (2016)*

Also Published As

Publication number Publication date
JP2020506742A (ja) 2020-03-05
EP3566207A4 (en) 2020-08-12
CN110337673B (zh) 2023-10-20
WO2018126396A1 (en) 2018-07-12
EP3566207A1 (en) 2019-11-13
CN110337673A (zh) 2019-10-15
US11039805B2 (en) 2021-06-22
US20190328348A1 (en) 2019-10-31
KR20190103227A (ko) 2019-09-04
JP7202302B2 (ja) 2023-01-11

Similar Documents

Publication Publication Date Title
KR102260802B1 (ko) 단층촬영 재구성에서 사용하기 위한 데이터의 딥러닝 기반 추정
CN110807737B (zh) 迭代图像重建框架
CN111492406B (zh) 训练机器学习算法的方法、图像处理系统和图像重建方法
CN110462689B (zh) 基于深度学习的断层摄影重建
US11026642B2 (en) Apparatuses and a method for artifact reduction in medical images using a neural network
US10628973B2 (en) Hierarchical tomographic reconstruction
WO2007095312A2 (en) Image reconstruction from limited or incomplete data
US10970885B2 (en) Iterative image reconstruction
JP7434402B2 (ja) 深層学習ネットワークを用いて計算機式断層写真法検出器の不良ピクセルを補正するシステム及び方法
Freitas et al. The formation of computed tomography images from compressed sampled one-dimensional reconstructions
Holmes et al. Artificial Intelligence-Based Image Enhancement and Reconstruction in Computed Tomography Imaging

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant