KR102382192B1 - 3차원 산업용 컴퓨터 단층 촬영에서 발생하는 산란 보정을 위한 방법 및 장치 - Google Patents

3차원 산업용 컴퓨터 단층 촬영에서 발생하는 산란 보정을 위한 방법 및 장치 Download PDF

Info

Publication number
KR102382192B1
KR102382192B1 KR1020200116509A KR20200116509A KR102382192B1 KR 102382192 B1 KR102382192 B1 KR 102382192B1 KR 1020200116509 A KR1020200116509 A KR 1020200116509A KR 20200116509 A KR20200116509 A KR 20200116509A KR 102382192 B1 KR102382192 B1 KR 102382192B1
Authority
KR
South Korea
Prior art keywords
scattering
variables
estimating
kernel
values
Prior art date
Application number
KR1020200116509A
Other languages
English (en)
Other versions
KR20220034313A (ko
Inventor
이창옥
전수민
Original Assignee
한국과학기술원
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 한국과학기술원 filed Critical 한국과학기술원
Priority to KR1020200116509A priority Critical patent/KR102382192B1/ko
Priority to US17/217,452 priority patent/US11547379B2/en
Publication of KR20220034313A publication Critical patent/KR20220034313A/ko
Application granted granted Critical
Publication of KR102382192B1 publication Critical patent/KR102382192B1/ko

Links

Images

Classifications

    • 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]
    • 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
    • A61B6/52—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
    • 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
    • A61B6/5282—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise due to scatter
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • 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
    • G06T2207/10076—4D tomography; Time-sequential 3D tomography
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Optics & Photonics (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Pulmonology (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

다양한 실시예들은 3차원 산업용 컴퓨터 단층 촬영(CT)에서 발생하는 산란 보정을 위한 방법 및 장치에 관한 것으로, 컴퓨터 단층 촬영을 통해 피사체에 대해 획득되는 미가공 데이터 및 피사체의 선행 형상 정보로부터 획득되는 프라이머리 신호를 준비하고, 미가공 데이터와 프라이머리 신호에 기반하여, 산란 커널을 추정하고, 미가공 데이터에서 산란 커널에 기반하여 추정되는 산란 신호를 제거하여, 결과 데이터를 획득하고, 결과 데이터로부터 영상을 생성하도록 구성될 수 있다.

Description

3차원 산업용 컴퓨터 단층 촬영에서 발생하는 산란 보정을 위한 방법 및 장치{METHOD AND APPARATUS FOR SCATTER ARTIFACT CORRECTION IN INDUSTRIAL 3-DIMENSIONAL CONE BEAM COMPUTED TOMOGRAPHY}
다양한 실시예들은 3차원 산업용 컴퓨터 단층 촬영(CT)에서 발생하는 산란 보정을 위한 방법 및 장치에 관한 것이다.
컴퓨터 전산화 단층 촬영(X-ray Computed Tomography; X-ray CT)은 의료 및 산업 현장에서 가장 많이 사용되는 영상 기법 중 하나이다. 영상을 재구성하기 위하여 실제 장치에서 획득된 미가공 데이터에는 영상의 품질을 저하시키는 요인이 되는 산란 효과가 함께 포함되는데, 이를 산란 커널(scatter kernel)을 통해 표현할 수 있다는 연구 결과가 있다. 하지만, 주어진 시간 내에 효율적으로 산란 커널을 계산하는 방법이 없었고 산란 커널을 결정하는 변수에 대한 정확도에 대한 분석이 역시 보장되지 않아, 실제 현장에서 사용하기에는 여러 제약이 있다.
다양한 실시예들은, 3차원 산업용 컴퓨터 단층 촬영에서 발생하는 산란 보정을 위한 전자 장치 및 그의 동작 방법을 제공한다.
다양한 실시예들은, 산란 커널을 효율적으로 추정함으로써 미가공 데이터에서 산란 커널에 기반하여 추정되는 산란 신호를 제거할 수 있는 전자 장치 및 그의 동작 방법을 제공한다.
다양한 실시예들에 따른 전자 장치의 동작 방법은, 컴퓨터 단층 촬영을 통해 피사체에 대해 획득되는 미가공 데이터 및 상기 피사체의 선행 형상 정보로부터 획득되는 프라이머리 신호를 준비하는 동작, 상기 미가공 데이터와 상기 프라이머리 신호에 기반하여, 산란 커널을 추정하는 동작, 상기 미가공 데이터에서 산란 커널에 기반하여 추정되는 산란 신호를 제거하여, 결과 데이터를 획득하는 동작, 및 상기 결과 데이터로부터 영상을 생성하는 동작을 포함할 수 있다.
다양한 실시예들에 따른 전자 장치는, 컴퓨터 단층 촬영을 통해 피사체에 대해 획득되는 미가공 데이터 및 상기 피사체의 선행 형상 정보로부터 획득되는 프라이머리 신호를 준비하는 데이터 준비 모듈, 상기 미가공 데이터와 상기 프라이머리 신호에 기반하여, 산란 커널을 추정하고, 상기 미가공 데이터에서 상기 산란 커널에 기반하여 추정되는 산란 신호를 제거하여, 결과 데이터를 획득하는 산란 보정 모듈, 및 상기 결과 데이터로부터 영상을 생성하는 영상 생성 모듈을 포함할 수 있다.
다양한 실시예들에 따른 비-일시적인 컴퓨터-판독 가능 저장 매체는, 컴퓨터 단층 촬영을 통해 피사체에 대해 획득되는 미가공 데이터 및 상기 피사체의 선행 형상 정보로부터 획득되는 프라이머리 신호를 준비하는 동작, 상기 미가공 데이터와 상기 프라이머리 신호에 기반하여, 산란 커널을 추정하는 동작, 상기 미가공 데이터에서 상기 산란 커널에 기반하여 추정되는 산란 신호를 제거하여, 결과 데이터를 획득하는 동작, 및 상기 결과 데이터로부터 영상을 생성하는 동작을 실행하기 위한 하나 이상의 프로그램들을 저장할 수 있다.
다양한 실시예들에 따르면, 전자 장치는 산란 커널을 결정하는 변수들을 정확하게 추정함으로써, 산란 커널을 효율적으로 추정할 수 있다. 즉, 전자 장치는 물리적인 추가 작업 없이도, 산란 커널을 효율적으로 추정할 수 있다. 이를 통해, 전자 장치는 미가공 데이터에서 산란 신호를 제거함으로써, 컴퓨터 단층 촬영(CT)에서 발생하는 산란 효과를 효과적으로 보정할 수 있다. 즉, 전자 장치는 산란 효과를 포함하지 않는, 선명한 CT 영상을 생성할 수 있다.
도 1은 다양한 실시예들에 따른 전자 장치를 도시하는 도면이다.
도 2는 도 1의 산란 보정 모듈을 도시하는 도면이다.
도 3은 도 1의 산란 보정 모듈의 동작 알고리즘을 나타내는 도면이다.
도 4는 다양한 실시예들에 따른 전자 장치의 동작 방법을 도시하는 도면이다.
도 5 및 도 6은 도 4의 미가공 데이터 및 프라이머리 신호 준비 동작을 설명하기 위한 도면들이다.
도 7은 도 4의 산란 커널 추정 동작을 도시하는 도면이다.
도 8, 도 9 및 도 10은 다양한 실시예들에 따른 전자 장치의 동작 성능을 설명하기 위한 도면들이다.
이하, 본 문서의 다양한 실시예들이 첨부된 도면을 참조하여 설명된다.
도 1은 다양한 실시예들에 따른 전자 장치(100)를 도시하는 도면이다. 도 2는 도 1의 산란 보정 모듈(120)을 도시하는 도면이다. 도 3은 도 1의 산란 보정 모듈(120)의 동작 알고리즘을 나타내는 도면이다.
도 1을 참조하면, 다양한 실시예들에 따른 전자 장치(100)는 데이터 준비 모듈(110), 산란 보정 모듈(120) 및 CT 영상 생성 모듈(130)을 포함할 수 있다.
데이터 준비 모듈(110)은 산란효과를 포함한 미가공 데이터(contaminated raw data) 및 프라이머리 신호(primary signal)를 준비할 수 있다. 미가공 데이터는 컴퓨터 단층 촬영(CT)을 통해 피사체에 대해 획득되는 CT 데이터로서, 산란 효과(scatter effect)를 포함하고 있을 수 있다. 프라이머리 신호는 피사체의 선행 형상 정보(shape prior information)로부터 생성될 수 있다. 선행 형상 정보는 다양한 방식들을 이용하여, 획득될 수 있다. 일 예로, 선행 형상 정보는 CAD 데이터일 수 있으며, 프라이머리 신호는 CAD 데이터로부터 생성될 수 있다.
산란 보정 모듈(120)은 미가공 데이터에서 산란 효과를 보정할 수 있다. 이를 위해, 하기 [수학식 1]과 같은 최소화 문제가 정의될 수 있다. 하기 [수학식 1]에 따르면, 산란 커널(scatter kernel)은 복수의 변수들과 연관되며, 변수들에 의해 결정될 수 있다. 이 때 산란 커널의 공간 가우시안 커널(spatial Gaussian kernel) 부분은 컴퓨터 단층 촬영(CT)에서 발생되는 콤프턴(Compton) 산란 효과와 레일리히(Rayleigh) 산란 효과로 이루어지며, 산란 커널은 하기 [수학식 2]와 같이 정의될 수 있다. 이를 통해, 산란 커널과 연관되는 변수들이, 하기 [수학식 3]과 같은 그룹으로 정의될 수 있다.
Figure 112020096372531-pat00001
여기서,
Figure 112020096372531-pat00002
는 변수들을 나타내고,
Figure 112020096372531-pat00003
는 미가공 데이터를 나타내고,
Figure 112020096372531-pat00004
는 프라이머리 신호를 나타내고,
Figure 112020096372531-pat00005
는 산란 커널에 기반하여 추정되는 산란 신호를 나타낼 수 있다.
Figure 112020096372531-pat00006
Figure 112020096372531-pat00007
,
Figure 112020096372531-pat00008
Figure 112020096372531-pat00009
산란 보정 모듈(120)은, 도 2에 도시된 바와 같이 산란 커널 추정 모듈(221) 및 산란 신호 제거 모듈(223)을 포함할 수 있다.
산란 커널 추정 모듈(221)은 미가공 데이터와 프라이머리 신호에 기반하여, 산란 커널을 추정할 수 있다. 이를 위해, 산란 커널 추정 모듈(221)은 산란 커널과 연관되는 변수들에 대한 값들을 각각 추정할 수 있다. 일 실시예에 따르면, 산란 커널 추정 모듈(221)은 변수들에 대한 값들을 단계적으로 추정할 수 있다. 즉, 산란 커널 추정 모듈(221)은 변수들 중 일부에 대한 값들을 일차적으로 추정하고, 추정된 값들을 이용하여, 변수들 중 나머지에 대한 값들을 이차적으로 추정할 수 있다. 그리고, 산란 커널 추정 모듈(221)은 변수들에 대한 값들에 기반하여, 산란 커널을 추정할 수 있다. 즉, 산란 커널 추정 모듈(221)은 변수들에 대한 값들에 기반하여, 상기 [수학식 1]과 같은 최소화 문제를 해결하면서, 산란 커널을 추정할 수 있다.
예를 들면, 산란 커널 추정 모듈(221)은, 도 3에 도시된 바와 같은 재시작되는(restarted) PSO(particle swarm optimization) 알고리즘을 이용하여, 산란 커널을 추정할 수 있다. 재시작되는 PSO 알고리즘은, 일반적인 PSO 알고리즘과 달리, 일정 횟수의 반복이 지난 후에 파티클(particle)을 재초기화할 수 있다. 즉, 재시작되는 PSO 알고리즘은, gBest 주위에서 범위(range)를 좁혀나가면서, 파티클을 재초기화할 수 있다. 이를 통해, 재시작되는 PSO 알고리즘은, 파티클의 분포와 이동 방향을 개선할 수 있다.
산란 신호 제거 모듈(223)은 미가공 데이터에서 산란 커널에 기반하여 추정되는 산란 신호를 제거할 수 있다. 이를 통해, 미가공 데이터에서 산란 신호가 제거된, 결과 데이터가 획득될 수 있다.
CT 영상 생성 모듈(130)은 CT 영상을 생성할 수 있다. 즉 CT 영상 생성 모듈(130)은 산란 보정 모듈(120)로부터의 결과 데이터에 기반하여, CT 영상을 재구성(reconstruction)할 수 있다. 미가공 데이터에서 산란 신호가 제거됨에 따라 결과 데이터가 획득되므로, CT 영상은 산란 효과를 포함하지 않을 수 있다.
도 4는 다양한 실시예들에 따른 전자 장치(100)의 동작 방법을 도시하는 도면이다. 도 5 및 도 6은 도 4의 미가공 데이터 및 프라이머리 신호 준비 동작을 설명하기 위한 도면들이다.
도 4를 참조하면, 전자 장치(100)는 410 동작에서 미가공 데이터 및 프라이머리 신호를 준비할 수 있다. 데이터 준비 모듈(110)이 미가공 데이터 및 프라이머리 신호를 준비할 수 있다. 미가공 데이터는 컴퓨터 단층 촬영(CT)을 통해 피사체에 대해 획득되는 CT 데이터로서, 산란 효과를 포함하고 있을 수 있다. 예를 들면, 도 5에 도시된 바와 같이, 미가공 데이터가 획득될 수 있다. 프라이머리 신호는 피사체의 선행 형상 정보로부터 생성될 수 있다. 선행 형상 정보는 다양한 방식들을 이용하여, 획득될 수 있다. 일 예로, 선행 형상 정보는 CAD 데이터일 수 있으며, 프라이머리 신호는 CAD 데이터로부터 생성될 수 있다. 예를 들면, 도 6의 (a)에 도시된 바와 같이, 선행 형상 정보가 획득될 수 있으며, 이에 기반하여, 도 6의 (b)에 도시된 바와 같이, 프라이머리 신호가 생성될 수 있다.
전자 장치(100)는 420 동작에서 산란 커널을 추정할 수 있다. 이를 위해, 하기 [수학식 4]와 같은 최소화 문제가 정의될 수 있다. 하기 [수학식 4]에 따르면, 산란 커널은 복수의 변수들과 연관되며, 변수들에 의해 결정될 수 있다. 이 때 산란 신호는 하기 [수학식 5]와 같이 산란 커널과 연관되는 변수들에 의해 추정될 수 있다. 산란 커널과 연관되는 변수들이, 하기 [수학식 6]과 같은 그룹으로 정의될 수 있다.
Figure 112020096372531-pat00010
여기서,
Figure 112020096372531-pat00011
는 변수들을 나타내고,
Figure 112020096372531-pat00012
는 미가공 데이터를 나타내고,
Figure 112020096372531-pat00013
는 프라이머리 신호를 나타내고,
Figure 112020096372531-pat00014
는 산란 커널에 기반하여 추정되는 산란 신호를 나타낼 수 있다.
Figure 112020096372531-pat00015
Figure 112020096372531-pat00016
,
Figure 112020096372531-pat00017
Figure 112020096372531-pat00018
산란 보정 모듈(120)은 미가공 데이터와 프라이머리 신호에 기반하여, 산란 커널을 추정할 수 있다. 이를 위해, 산란 보정 모듈(120)은 산란 커널과 연관되는 변수들에 대한 값들을 각각 추정할 수 있다. 일 실시예에 따르면, 산란 커널 추정 모듈(221)은 변수들에 대한 값들을 단계적으로 추정할 수 있다. 즉, 산란 커널 추정 모듈(221)은 변수들 중 일부에 대한 값들을 일차적으로 추정하고, 추정된 값들을 이용하여, 변수들 중 나머지에 대한 값들을 이차적으로 추정할 수 있다. 이를 위해, 변수들은 적어도 하나의 서브 변수와 메인 변수들을 포함할 수 있다. 예를 들면, 상기 [수학식 6]과 같은 그룹에서,
Figure 112020096372531-pat00019
와
Figure 112020096372531-pat00020
가 서브 변수들이고,
Figure 112020096372531-pat00021
,
Figure 112020096372531-pat00022
,
Figure 112020096372531-pat00023
및
Figure 112020096372531-pat00024
이 메인 변수들일 수 있다. 이에 따라, 산란 보정 모듈(120)은 변수들에 대한 값들에 기반하여, 산란 커널을 추정할 수 있다. 즉, 산란 보정 모듈(120)은 변수들에 대한 값들에 기반하여, 상기 [수학식 4]와 같은 최소화 문제를 해결하면서, 산란 커널을 추정할 수 있다. 이에 대해, 도 7을 참조하여, 보다 상세하게 후술될 것이다.
도 7은 도 4의 산란 커널 추정 동작을 도시하는 도면이다.
도 7을 참조하면, 산란 보정 모듈(120)은 721 동작에서 서브 변수를 0으로 설정할 수 있다. 예를 들면, 산란 보정 모듈(120)은
Figure 112020096372531-pat00025
를 0으로 설정할 수 있다. 그리고, 산란 보정 모듈(120)은 723 동작에서 메인 변수들에 대한 값들을 추정할 수 있다. 예를 들면, 산란 보정 모듈(120)은
Figure 112020096372531-pat00026
,
Figure 112020096372531-pat00027
,
Figure 112020096372531-pat00028
및
Figure 112020096372531-pat00029
에 대한 값들을 추정할 수 있다. 또한, 산란 보정 모듈(120)은 725 동작에서 메인 변수들에 대한 값들을 이용하여, 서브 변수에 대한 값을 추정할 수 있다. 예를 들면, 산란 보정 모듈(120)은
Figure 112020096372531-pat00030
,
Figure 112020096372531-pat00031
,
Figure 112020096372531-pat00032
및
Figure 112020096372531-pat00033
에 대한 값들을 이용하여,
Figure 112020096372531-pat00034
와
Figure 112020096372531-pat00035
에 대한 값들을 추정할 수 있다. 이에 따라, 산란 보정 모듈(120)은 727 동작에서 메인 변수들과 서브 변수에 대한 값들에 기반하여, 산란 커널을 추정할 수 있다. 산란 보정 모듈(120)은 상기 [수학식 4]와 같은 최소화 문제를 해결하면서, 산란 커널을 추정할 수 있다. 이 후, 산란 보정 모듈(120)은 도 4로 리턴하여, 430 동작으로 진행할 수 있다.
전자 장치(100)는 430 동작에서 미가공 데이터에서 산란 커널에 기반하여 추정되는 산란 신호를 제거할 수 있다. 산란 보정 모듈(120)이 미가공 데이터에서 산란 신호를 제거할 수 있다. 이를 통해, 미가공 데이터에서 산란 신호가 제거된, 결과 데이터가 획득될 수 있다.
전자 장치(100)는 440 동작에서 CT 영상을 생성할 수 있다. CT 영상 생성 모듈(130)은 산란 보정 모듈(120)로부터의 결과 데이터에 기반하여, CT 영상을 재구성할 수 있다. 구체적으로, CT 영상 생성 모듈(130)은 결과 데이터로부터 사이노그램(sonogram)을 생성할 수 있다. 여기서, CT 영상 생성 모듈(130)은 결과 데이터에 대한 로그 변환(log transform)을 통해, 사이노그램을 생성할 수 있다. 이 후, CT 영상 생성 모듈(130)은 사이노그램에 기반하여, CT 영상을 재구성할 수 있다. 따라서, 미가공 데이터에서 산란 신호가 제거됨에 따라 결과 데이터가 획득되므로, CT 영상은 산란 효과를 포함하지 않을 수 있다.
도 8, 도 9 및 도 10은 다양한 실시예들에 따른 전자 장치(100)의 동작 성능을 설명하기 위한 도면들이다. 도 8, 도 9 및 도 10에서, (a)는 피사체에 대해 획득되는 미가공 데이터를 나타내며, (b)는 다양한 실시예들에 따라 미가공 데이터로부터 보정된 CT 영상을 나타낼 수 있다. 그리고, 도 8 및 도 9에서, (c)는 산란 효과 없이, 피사체에 대해 획득된 기준 영상(reference image)(GT(ground truth)로도 지칭됨)을 나타낼 수 있다. 여기서, 기준 영상은 몬테카를로 시뮬레이션(Monte-Carlo simulation)에 의해 획득되었으나, 일반적으로 몬테카를로 시뮬레이션에는 장시간이 소요되는 단점이 있을 수 있다. 도 10은 실제 CT 촬영 영상이어서 기준 영상이 없다. 도 8과 도 9의 (d) 및 도 10의 (c)는 다양한 실시예들에 따라 보정된 CT 영상의 선명도를 나타낼 수 있다.
도 8, 도 9 및 도 10을 참조하면, 다양한 실시예들에 따른 전자 장치(100)는 피사체에 대해 획득되는 미가공 데이터로부터, 효과적으로 산란 신호를 제거할 수 있다. 이 때 전자 장치(100)는 기준 영상과 매우 유사한 정도로 선명한 CT 영상을 생성할 수 있다. 여기서, 전자 장치(100)는 도 8의 (a)와 같은 미가공 데이터로부터, 산란 커널과 연관되는 변수들에 대한 값들(5.998e-04, -3.000e-01, 1.500e+00, 1.000e+01, 2.008e+00, 2.004e-04)을 추정하였으며, 이 값들은 도 8의 (c)와 같은 기준 영상에 대해, 산란 커널과 연관되는 변수들에 대한 값들(6.000e-04, -3.000-e01, 1.500e+00, 1.000e+01, 2.000e+00, 2.004e-04)과 매우 유사하였다. 한편, 전자 장치(100)는 도 9의 (a)와 같은 미가공 데이터로부터, 산란 커널과 연관되는 변수들에 대한 값들(9.9476e-04, -2.999e-01, 1.500e+00, 8.022e+00, 2.052e+00, 2.045e-04)을 추정하였으며, 이 값들은 도 9의 (c)와 같은 기준 영상에 대해, 산란 커널과 연관되는 변수들에 대한 값들(10.000e-04, -3.000e-01, 1.500e+00, 8.000e+00, 2.000e+00, 2.004e-04)과 매우 유사하였다. 이는, 전자 장치(100)가 산란 커널과 연관되는 변수들을 정확하게 추정함을 의미할 수 있다. 따라서, 전자 장치(100)는 컴퓨터 단층 촬영(CT)에서 발생하는 산란 효과를 효율적으로 보정함이 확인될 수 있다.
다양한 실시예들에 따르면, 전자 장치(100)는 산란 커널을 결정하는 변수들을 정확하게 추정함으로써, 산란 커널을 효율적으로 추정할 수 있다. 즉, 전자 장치(100)는 물리적인 추가 작업 없이도, 산란 커널을 효율적으로 추정할 수 있다. 이를 통해, 전자 장치(100)는 미가공 데이터에서 산란 커널에 기반하여 추정되는 산란 신호를 제거함으로써, 컴퓨터 단층 촬영(CT)에서 발생하는 산란 효과를 효과적으로 보정할 수 있다. 즉, 전자 장치(100)는 산란 효과를 포함하지 않는, 대조도가 향상된 선명한 CT 영상을 생성할 수 있다.
다양한 실시예들에 따른 전자 장치(100)는, 컴퓨터 단층 촬영을 통해 피사체에 대해 획득되는 미가공 데이터 및 피사체의 선행 형상 정보로부터 획득되는 프라이머리 신호를 준비하는 데이터 준비 모듈(110), 미가공 데이터와 프라이머리 신호에 기반하여, 산란 커널을 추정하고, 미가공 데이터에서 산란 커널에 기반하여 추정되는 산란 신호를 제거하여, 결과 데이터를 획득하는 산란 보정 모듈(120), 및 결과 데이터로부터 영상을 생성하는 영상 생성 모듈(예: 도 1의 CT 영상 생성 모듈(130))을 포함할 수 있다.
다양한 실시예들에 따르면, 산란 커널을 결정하기 위한 복수의 변수들이 정의될 수 있다.
다양한 실시예들에 따르면, 산란 보정 모듈(120)은, 변수들에 대한 값들을 각각 추정함으로써, 산란 커널을 추정할 수 있다.
다양한 실시예들에 따르면, 산란 보정 모듈(120)은, 변수들 중 적어도 하나의 서브 변수를 0으로 설정하고, 변수들 중 메인 변수들에 대한 값들을 추정하고, 메인 변수들에 대한 값들을 이용하여, 서브 변수에 대한 값을 추정하고, 메인 변수들과 서브 변수에 대한 값들에 기반하여, 산란 커널을 추정할 수 있다.
다양한 실시예들에 따르면, 산란 보정 모듈(120)은, 상기 [수학식 1]과 같은 최소화 문제에 기반하여, 변수들에 대한 값들을 추정할 수 있다.
다양한 실시예들에 따르면, 변수들은, 산란 신호가 상기 [수학식 2]와 같이 정의될 때, 상기 [수학식 3]과 같은 그룹으로 정의될 수 있다.
다양한 실시예들에 따르면,
Figure 112020096372531-pat00036
와
Figure 112020096372531-pat00037
가 서브 변수이고,
Figure 112020096372531-pat00038
,
Figure 112020096372531-pat00039
,
Figure 112020096372531-pat00040
및
Figure 112020096372531-pat00041
이 메인 변수들일 수 있다.
다양한 실시예들에 따르면, 영상 생성 모듈(130)은, 결과 데이터로부터 사이노그램을 생성하고, 사이노그램에 기반하여, 영상을 재구성할 수 있다.
다양한 실시예들에 따르면, 선행 형상 정보는, 피사체에 대해 획득되는 CAD 데이터로부터 검출될 수 있다.
다양한 실시예들에 따른 전자 장치(100)의 동작 방법은, 컴퓨터 단층 촬영(CT)을 통해 피사체에 대해 획득되는 미가공 데이터 및 피사체의 선행 형상 정보로부터 획득되는 프라이머리 신호를 준비하는 동작, 미가공 데이터와 프라이머리 신호에 기반하여, 산란 커널을 추정하는 동작, 미가공 데이터에서 산란 커널에 기반하여 추정되는 산란 신호를 제거하여, 결과 데이터를 획득하는 동작, 및 결과 데이터로부터 영상을 생성하는 동작을 포함할 수 있다.
다양한 실시예들에 따르면, 산란 커널을 결정하기 위한 복수의 변수들이 정의될 수 있다.
다양한 실시예들에 따르면, 산란 커널을 추정하는 동작은, 변수들에 대한 값들을 각각 추정함으로써, 산란 커널을 추정할 수 있다.
다양한 실시예들에 따르면, 산란 커널을 추정하는 동작은, 변수들 중 적어도 하나의 서브 변수를 0으로 설정하는 동작, 변수들 중 메인 변수들에 대한 값들을 추정하는 동작, 메인 변수들에 대한 값들을 이용하여, 서브 변수에 대한 값을 추정하는 동작, 메인 변수들과 서브 변수에 대한 값들에 기반하여, 산란 커널을 추정하는 동작을 포함할 수 있다.
다양한 실시예들에 따르면, 산란 커널을 추정하는 동작은, 상기 [수학식 4]와 같은 최소화 문제에 기반하여, 변수들에 대한 값들을 추정할 수 있다.
다양한 실시예들에 따르면, 변수들은, 산란 신호가 상기 [수학식 5]와 같이 정의될 때, 상기 [수학식 6]과 같은 그룹으로 정의될 수 있다.
다양한 실시예들에 따르면,
Figure 112020096372531-pat00042
와
Figure 112020096372531-pat00043
가 서브 변수이고,
Figure 112020096372531-pat00044
,
Figure 112020096372531-pat00045
,
Figure 112020096372531-pat00046
및
Figure 112020096372531-pat00047
이 메인 변수들일 수 있다.
다양한 실시예들에 따르면, 영상을 생성하는 동작은, 결과 데이터로부터 사이노그램을 생성하는 동작, 및 사이노그램에 기반하여, 영상을 재구성하는 동작을 포함할 수 있다.
다양한 실시예들에 따르면, 선행 형상 정보는, 피사체에 대해 획득되는 CAD 데이터로부터 검출될 수 있다.
본 문서의 다양한 실시예들은 기기(machine)(예: 전자 장치(100))에 의해 읽을 수 있는 저장 매체(storage medium)에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어로서 구현될 수 있다. 예를 들면, 기기의 프로세서는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, ‘비일시적’은 저장매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.
다양한 실시예들에 따른 비-일시적인 컴퓨터-판독 가능 저장 매체는, 컴퓨터 단층 촬영을 통해 피사체에 대해 획득되는 미가공 데이터 및 피사체의 선행 형상 정보로부터 획득되는 프라이머리 신호를 준비하는 동작, 미가공 데이터와 프라이머리 신호에 기반하여, 산란 커널을 추정하는 동작, 미가공 데이터에서 산란 커널에 기반하여 추정되는 산란 신호를 제거하여, 결과 데이터를 획득하는 동작, 및 결과 데이터로부터 영상을 생성하는 동작을 실행하기 위한 하나 이상의 프로그램들을 저장할 수 있다.
본 문서에 개시된 다양한 실시예들에 따른 전자 장치는 다양한 형태의 장치가 될 수 있다. 전자 장치는, 예를 들면, 휴대용 통신 장치(예: 스마트폰), 컴퓨터 장치, 휴대용 멀티미디어 장치, 휴대용 의료 기기, 카메라, 웨어러블 장치, 또는 가전 장치를 포함할 수 있다. 본 문서의 다양한 실시예들에 따른 전자 장치는 전술한 기기들에 한정되지 않는다.
본 문서의 다양한 실시예들 및 이에 사용된 용어들은 본 문서에 기재된 기술을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 해당 실시 예의 다양한 변경, 균등물, 및/또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및/또는 B 중 적어도 하나", "A, B 또는 C" 또는 "A, B 및/또는 C 중 적어도 하나" 등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. "제 1", "제 2", "첫째" 또는 "둘째" 등의 표현들은 해당 구성요소들을, 순서 또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다. 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에 "(기능적으로 또는 통신적으로) 연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제 3 구성요소)를 통하여 연결될 수 있다.
본 문서에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구성된 유닛을 포함하며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로 등의 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 모듈은 ASIC(application-specific integrated circuit)으로 구성될 수 있다.
다양한 실시예들에 따르면, 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있다. 다양한 실시예들에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 통합 이전에 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 다양한 실시예들에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.

Claims (20)

  1. 전자 장치의 동작 방법에 있어서,
    컴퓨터 단층 촬영을 통해 피사체에 대해 획득되는 미가공 데이터 및 상기 피사체의 선행 형상 정보로부터 획득되는 프라이머리 신호를 준비하는 동작;
    상기 미가공 데이터와 상기 프라이머리 신호에 기반하여, 산란 커널을 추정하는 동작;
    상기 미가공 데이터에서 상기 산란 커널에 기반하여 추정된 산란 신호를 제거하여, 결과 데이터를 획득하는 동작; 및
    상기 결과 데이터로부터 영상을 생성하는 동작
    을 포함하는, 방법.
  2. 제 1 항에 있어서,
    상기 산란 커널을 결정하기 위한 복수의 변수들이 정의되며,
    상기 산란 커널을 추정하는 동작은,
    상기 변수들에 대한 값들을 각각 추정함으로써, 상기 산란 커널을 추정하는,
    방법.
  3. 제 2 항에 있어서, 상기 산란 커널을 추정하는 동작은,
    상기 변수들 중 적어도 하나의 서브 변수를 0으로 설정하는 동작;
    상기 변수들 중 메인 변수들에 대한 값들을 추정하는 동작;
    상기 메인 변수들에 대한 값들을 이용하여, 상기 서브 변수에 대한 값을 추정하는 동작; 및
    상기 메인 변수들과 상기 서브 변수에 대한 값들에 기반하여, 상기 산란 커널을 추정하는 동작
    을 포함하는, 방법.
  4. 제 3 항에 있어서, 상기 산란 커널을 추정하는 동작은,
    하기 수학식과 같은 최소화 문제에 기반하여, 상기 변수들에 대한 값들을 추정하는, 방법.
    Figure 112020096372531-pat00048

    여기서, 상기
    Figure 112020096372531-pat00049
    는 상기 변수들을 나타내고, 상기
    Figure 112020096372531-pat00050
    는 상기 미가공 데이터를 나타내고, 상기
    Figure 112020096372531-pat00051
    는 상기 프라이머리 신호를 나타내고, 상기
    Figure 112020096372531-pat00052
    는 상기 산란 커널에 기반하여 추정되는 산란 신호를 나타냄.
  5. 삭제
  6. 삭제
  7. 제 1 항에 있어서, 상기 영상을 생성하는 동작은,
    상기 결과 데이터로부터 사이노그램을 생성하는 동작; 및
    상기 사이노그램에 기반하여, 상기 영상을 재구성하는 동작
    을 포함하는, 방법.
  8. 제 1 항에 있어서, 상기 선행 형상 정보는,
    상기 피사체에 대해 획득되는 CAD 데이터로부터 검출되는, 방법.
  9. 전자 장치에 있어서,
    컴퓨터 단층 촬영을 통해 피사체에 대해 획득되는 미가공 데이터 및 상기 피사체의 선행 형상 정보로부터 획득되는 프라이머리 신호를 준비하는 데이터 준비 모듈;
    상기 미가공 데이터와 상기 프라이머리 신호에 기반하여, 산란 커널을 추정하고, 상기 미가공 데이터에서 상기 산란 커널에 기반하여 추정되는 산란 신호를 제거하여, 결과 데이터를 획득하는 산란 보정 모듈; 및
    상기 결과 데이터로부터 영상을 생성하는 영상 생성 모듈
    을 포함하는, 장치.
  10. 제 9 항에 있어서,
    상기 산란 커널을 결정하기 위한 복수의 변수들이 정의되며,
    상기 산란 보정 모듈은,
    상기 변수들에 대한 값들을 각각 추정함으로써, 상기 산란 커널을 추정하는, 장치.
  11. 제 10 항에 있어서, 상기 산란 보정 모듈은,
    상기 변수들 중 적어도 하나의 서브 변수를 0으로 설정하고,
    상기 변수들 중 메인 변수들에 대한 값들을 추정하고,
    상기 메인 변수들에 대한 값들을 이용하여, 상기 서브 변수에 대한 값을 추정하고,
    상기 메인 변수들과 상기 서브 변수에 대한 값들에 기반하여, 상기 산란 커널을 추정하는,
    장치.
  12. 제 11 항에 있어서, 상기 산란 보정 모듈은,
    하기 수학식과 같은 최소화 문제에 기반하여, 상기 변수들에 대한 값들을 추정하는, 장치.
    Figure 112020096372531-pat00063

    여기서, 상기
    Figure 112020096372531-pat00064
    는 상기 변수들을 나타내고, 상기
    Figure 112020096372531-pat00065
    는 상기 미가공 데이터를 나타내고, 상기
    Figure 112020096372531-pat00066
    는 상기 프라이머리 신호를 나타내고, 상기
    Figure 112020096372531-pat00067
    는 상기 산란 커널에 기반하여 추정되는 산란 신호를 나타냄.
  13. 삭제
  14. 삭제
  15. 제 9 항에 있어서, 상기 영상 생성 모듈은,
    상기 결과 데이터로부터 사이노그램을 생성하고,
    상기 사이노그램에 기반하여, 상기 영상을 재구성하는,
    장치.
  16. 제 9 항에 있어서, 상기 선행 형상 정보는,
    상기 피사체에 대해 획득되는 CAD 데이터로부터 검출되는, 장치.
  17. 비-일시적인 컴퓨터-판독 가능 저장 매체에 있어서,
    컴퓨터 단층 촬영을 통해 피사체에 대해 획득되는 미가공 데이터 및 상기 피사체의 선행 형상 정보로부터 획득되는 프라이머리 신호를 준비하는 동작;
    상기 미가공 데이터와 상기 프라이머리 신호에 기반하여, 산란 커널을 추정하는 동작;
    상기 미가공 데이터에서 상기 산란 커널에 기반하여 추정되는 산란 신호를 제거하여, 결과 데이터를 획득하는 동작; 및
    상기 결과 데이터로부터 영상을 생성하는 동작
    을 실행하기 위한 하나 이상의 프로그램들을 저장하기 위한 컴퓨터-판독 가능 저장 매체.
  18. 제 17 항에 있어서,
    상기 산란 커널을 결정하기 위한 복수의 변수들이 정의되며,
    상기 산란 커널을 추정하는 동작은,
    상기 변수들에 대한 값들을 각각 추정함으로써, 상기 산란 커널을 추정하는,
    컴퓨터-판독 가능 저장 매체.
  19. 제 18 항에 있어서, 상기 산란 커널을 추정하는 동작은,
    상기 변수들 중 적어도 하나의 서브 변수를 0으로 설정하는 동작;
    상기 변수들 중 메인 변수들에 대한 값들을 추정하는 동작;
    상기 메인 변수들에 대한 값들을 이용하여, 상기 서브 변수에 대한 값을 추정하는 동작; 및
    상기 메인 변수들과 상기 서브 변수에 대한 값들에 기반하여, 상기 산란 커널을 추정하는 동작
    을 포함하는, 컴퓨터-판독 가능 저장 매체.
  20. 제 19 항에 있어서, 상기 산란 커널을 추정하는 동작은,
    하기 수학식과 같은 최소화 문제에 기반하여, 상기 변수들에 대한 값들을 추정하는, 컴퓨터-판독 가능 저장 매체.
    Figure 112020096372531-pat00078

    여기서, 상기
    Figure 112020096372531-pat00079
    는 상기 변수들을 나타내고, 상기
    Figure 112020096372531-pat00080
    는 상기 미가공 데이터를 나타내고, 상기
    Figure 112020096372531-pat00081
    는 상기 프라이머리 신호를 나타내고, 상기
    Figure 112020096372531-pat00082
    는 상기 산란 커널에 기반하여 추정되는 산란 신호를 나타냄.
KR1020200116509A 2020-09-11 2020-09-11 3차원 산업용 컴퓨터 단층 촬영에서 발생하는 산란 보정을 위한 방법 및 장치 KR102382192B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020200116509A KR102382192B1 (ko) 2020-09-11 2020-09-11 3차원 산업용 컴퓨터 단층 촬영에서 발생하는 산란 보정을 위한 방법 및 장치
US17/217,452 US11547379B2 (en) 2020-09-11 2021-03-30 Method and apparatus for scatter artifacts correction in industrial 3-dimensional cone beam computed tomography

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200116509A KR102382192B1 (ko) 2020-09-11 2020-09-11 3차원 산업용 컴퓨터 단층 촬영에서 발생하는 산란 보정을 위한 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20220034313A KR20220034313A (ko) 2022-03-18
KR102382192B1 true KR102382192B1 (ko) 2022-04-04

Family

ID=80627462

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200116509A KR102382192B1 (ko) 2020-09-11 2020-09-11 3차원 산업용 컴퓨터 단층 촬영에서 발생하는 산란 보정을 위한 방법 및 장치

Country Status (2)

Country Link
US (1) US11547379B2 (ko)
KR (1) KR102382192B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019063760A1 (en) 2017-09-28 2019-04-04 Koninklijke Philips N.V. DISPERSION CORRECTION BASED ON DEEP LEARNING
JP2020116377A (ja) * 2019-01-18 2020-08-06 キヤノンメディカルシステムズ株式会社 医用処理装置、医用処理方法及び記憶媒体

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7912180B2 (en) * 2009-02-19 2011-03-22 Kabushiki Kaisha Toshiba Scattered radiation correction method and scattered radiation correction apparatus
KR101744080B1 (ko) * 2014-07-04 2017-06-09 주식회사 인스바이오 치과 시술 시뮬레이션을 위한 치아모델 생성 방법
KR20200095859A (ko) * 2019-02-01 2020-08-11 삼성전자주식회사 엑스선 영상 처리 방법 및 그에 따른 엑스선 영상 처리 장치

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019063760A1 (en) 2017-09-28 2019-04-04 Koninklijke Philips N.V. DISPERSION CORRECTION BASED ON DEEP LEARNING
JP2020116377A (ja) * 2019-01-18 2020-08-06 キヤノンメディカルシステムズ株式会社 医用処理装置、医用処理方法及び記憶媒体

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Soomin et al, "Shape prior metal artefact reduction algorithm for industrial 3D cone beam CT", Nondestructive Testing and Evaluation, ISSN: 1058-9759(2020.01.03.)*

Also Published As

Publication number Publication date
US20220079542A1 (en) 2022-03-17
US11547379B2 (en) 2023-01-10
KR20220034313A (ko) 2022-03-18

Similar Documents

Publication Publication Date Title
Song et al. Solving inverse problems in medical imaging with score-based generative models
Sreehari et al. Plug-and-play priors for bright field electron tomography and sparse interpolation
Trinh et al. Novel example-based method for super-resolution and denoising of medical images
KR101703790B1 (ko) 흐린 이미지에 기초하여 선명한 이미지를 생성하는 이미지 생성 방법 및 이미지 생성 장치
JP2021521993A5 (ko)
Ye et al. Deep residual learning for model-based iterative ct reconstruction using plug-and-play framework
RU2014125247A (ru) Устранение шума в области изображения
JP2014140158A (ja) オクルージョンを意識した明視野像からの３次元シーンの再構成
Chan et al. A multiplicative iterative algorithm for box-constrained penalized likelihood image restoration
McLeod et al. An incompressible log-domain demons algorithm for tracking heart tissue
JP2015100702A5 (ko)
CN108124489B (zh) 信息处理方法、装置、云处理设备以及计算机程序产品
EP2887310B1 (en) Method and apparatus for processing light-field image
KR20100054973A (ko) 2차원 영상으로부터 3차원 영상을 재구성하는 방법 및 장치
Pfister et al. Tomographic reconstruction with adaptive sparsifying transforms
Badri et al. Robust surface reconstruction via triple sparsity
Oh et al. Robust estimation of motion blur kernel using a piecewise-linear model
Yan et al. EM+ TV based reconstruction for cone-beam CT with reduced radiation
KR102382192B1 (ko) 3차원 산업용 컴퓨터 단층 촬영에서 발생하는 산란 보정을 위한 방법 및 장치
Yilmaz et al. Noise removal of CBCT images using an adaptive anisotropic diffusion filter
Sheer et al. The effect of regularization parameter within non-blind restoration algorithm using modified iterative wiener filter for medical image
KR101803139B1 (ko) 3d 홀로그램 왜곡 보정 방법 및 장치
US11080900B2 (en) Method and apparatus for metal artifact reduction in industrial 3-dimensional cone beam computed tomography
JP6253962B2 (ja) 情報処理装置及び方法
Han et al. Combined patch-wise minimal-maximal pixels regularization for deblurring

Legal Events

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