KR102492949B1 - 의료영상의 처리장치 및 처리방법 - Google Patents

의료영상의 처리장치 및 처리방법 Download PDF

Info

Publication number
KR102492949B1
KR102492949B1 KR1020220001016A KR20220001016A KR102492949B1 KR 102492949 B1 KR102492949 B1 KR 102492949B1 KR 1020220001016 A KR1020220001016 A KR 1020220001016A KR 20220001016 A KR20220001016 A KR 20220001016A KR 102492949 B1 KR102492949 B1 KR 102492949B1
Authority
KR
South Korea
Prior art keywords
medical image
image
medical
quality
noise
Prior art date
Application number
KR1020220001016A
Other languages
English (en)
Inventor
박현숙
강상만
김태진
안철균
Original Assignee
주식회사 클라리파이
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 주식회사 클라리파이 filed Critical 주식회사 클라리파이
Priority to KR1020220001016A priority Critical patent/KR102492949B1/ko
Application granted granted Critical
Publication of KR102492949B1 publication Critical patent/KR102492949B1/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G06T3/4076—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution using the original low-resolution images to iteratively correct the high-resolution images
    • G06T5/002—
    • 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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/421—Filtered back projection [FBP]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

본 발명은 의료영상의 획득 과정에서 환자에게 노출되는 방사선량을 최소화하는 의료영상의 처리장치 및 처리방법을 제공하기 위하여, 설정된 신체 영역을 촬영한 고화질의 제1 의료영상을 획득하는 단계 및 상기 제1 의료영상이 촬영되는 시점 이후에 상기 신체 영역을 촬영한 저화질의 제2 의료영상을 획득하는 단계 및 상기 제1 및 제2 의료영상을 비교하여 변화가 발생된 변화영역을 제2 의료영상으로부터 결정하는 단계 및 상기 변화영역에 대한 잡음을 저감하는 단계 및 상기 제1 의료영상 및 상기 잡음이 저감된 변화영역을 합성하여 고화질의 제3 의료영상을 생성하는 단계를 포함한다.

Description

의료영상의 처리장치 및 처리방법{PROCESSING APPARATUS AND METHOD FOR MEDICAL IMAGE}
본 발명은 의료영상의 처리장치 및 처리방법에 관한 것으로, 보다 상세하게는 의료영상의 화질을 개선하는 의료영상의 처리장치 및 처리방법에 관한 것이다.
일반적으로 의료영상의 획득에서는 X-ray, CT 및 MRI 등과 같은 의료장비가 사용되고 있다. 이러한 의료장비로부터 취득되는 의료영상은 환자의 진단 및 치료 과정에서 병변의 존재 여부와 그 특징을 판별하여 의사의 결정을 내리는데 매우 중요한 근거로 활용된다. 다만, 병변의 크기, 모양 및 방향이 매우 다양하기 때문에 병변의 특징을 정밀하게 관찰하고 파악할 수 있게 하는 고화질의 의료영상 획득이 요구된다.
종래의 의료영상 처리에 대한 기술은 이미 "대한민국 공개특허공보 제2014-0134903호(의료영상 화질 개선 방법 및 그 장치, 2014.11.25.)"에 의해 공개되어 있다. 상기 공개발명은 의료영상의 노이즈 보정 계수를 이용하여 의료영상의 화질을 개선할 수 있다. 이와 같이, 고화질의 의료영상을 획득하는 것은 의료영상 검사에서 매우 불가결한 요구 조건이다.
이러한 의료영상의 획득 과정에서는 방사선을 환자에게 조사하여 병변에 대한 의료영상을 획득한다. 고화질의 의료영상을 획득하기 위해서는 고선량의 방사선을 환자에게 조사해야 한다. 이에, 방사선 노출에 따른 문제점이 심각하게 대두되고 있다. 특히, 의료영상 촬영은 일회성으로 종료되는 것이 아니라, 병변의 진행, 병변의 발생 및 신체 장기의 움직임 발생 등과 같은 이유로 수차례 진행될 수 있다. 이러한 과정에서도 고화질의 의료영상 획득은 불가결한 요구 조건임에 따라 환자가 고선량의 방사선에 수차례 노출되는 문제점이 있었다. 또한, 고화질의 의료영상을 획득하기 위해서는 영상 촬영마다 영상처리가 함께 진행되어야 한다. 이에, 영상처리에 따른 시간 지연 발생으로 환자의 진단이 지연되는 문제점이 있었다.
대한민국 공개특허공보 제2014-0134903호(의료영상 화질 개선 방법 및 그 장치, 2014.11.25.)
본 발명의 목적은 의료영상의 획득 과정에서 환자에게 노출되는 방사선량을 최소화하는 의료영상의 처리장치 및 처리방법을 제공하기 위한 것이다.
또한, 본 발명의 다른 목적은 의료영상의 화질 개선에 있어서 처리 속도를 향상하는 의료영상의 처리장치 및 처리방법을 제공하기 위한 것이다.
본 발명에 따른 의료영상의 처리방법은 설정된 신체 영역을 촬영한 제1 의료영상을 획득하는 단계 및 상기 제1 의료영상이 촬영되는 시점 이후에 상기 신체 영역을 촬영한 제2 의료영상을 획득하는 단계 및 상기 제1 및 제2 의료영상을 비교하여 변화가 발생된 변화영역을 제2 의료영상으로부터 결정하는 단계 및 상기 변화영역에 대한 잡음을 저감하는 단계 및 상기 제1 의료영상 및 상기 잡음이 저감된 변화영역을 합성하여 고화질의 제3 의료영상을 생성하는 단계를 포함한다.
상기 제3 의료영상을 생성하는 단계는 상기 제1 의료영상 및 상기 잡음이 저감된 변화영역의 합성을 사이노그램 차원에서 수행할 수 있다.
상기 제3 의료영상을 생성하는 단계는 상기 고화질의 제1 의료영상을 합성 사이노그램으로 변환하는 단계와, 상기 잡음이 저감된 변화영역에 대한 영상을 합성 사이노그램으로 변환하는 단계와, 상기 제1 의료영상의 합성 사이노그램과 상기 잡음이 저감된 변화영역에 대한 합성 사이노그램을 합성하는 단계와, 상기 제3 의료영상이 생성되도록 상기 합성이 완료된 합성 사이노그램을 이미지 차원으로 변환하는 단계를 포함할 수 있다.
상기 이미지 차원으로 변환하는 단계는 상기 합성이 완료된 합성 사이노그램을 필터된 투영(Filtered Back Projection) 연산에 적용하여 상기 제3 의료영상을 생성할 수 있다.
상기 결정하는 단계에서는 사전에 학습된 머신러닝을 기반으로 상기 제1 및 제2 의료영상의 비교하여 구조적 차이점이 존재하는 영역을 상기 변화영역으로 추출할 수 있다.
상기 저감하는 단계에서는 상기 변화영역에 대한 영상을 합성 사이노그램으로 변환하는 단계와, 상기 변환된 합성 사이노그램으로부터 잡음 성분을 추출하는 단계와, 상기 추출된 잡음 성분에 대한 영상을 생성하는 단계와, 상기 변화영역에 대한 영상 및 상기 잡음 성분에 대한 영상을 기반으로 상기 변화영역의 잡음을 저감하는 단계를 포함할 수 있다.
상기 변환하는 단계에서는 상기 제2 의료영상의 의료정보를 기반으로 상기 변화영역에 대한 영상을 합성 사이노그램으로 변환할 수 있다.
상기 제1 의료영상은 상기 신체 영역을 촬영하는 과정에서 고화질로 취득될 수 있다.
상기 제1 의료영상은 저화질로 취득되어 고화질로 변환될 수 있다.
상기 제1 의료영상을 획득하는 단계에서는 저화질의 제1 의료영상에 대한 합성 사이노그램을 생성하는 단계와, 상기 합성 사이노그램으로부터 잡음 성분을 추출하는 단계와, 상기 잡음 성분에 대한 영상을 생성하는 단계와, 상기 제1 의료영상에 대한 영상 및 상기 잡음 성분에 대한 영상을 기반으로 상기 제1 의료영상의 잡음을 저감하는 단계를 포함할 수 있다.
상기 제3 의료영상을 생성하는 단계는 상기 제1 의료영상 및 상기 잡음이 저감된 변화영역의 합성을 이미지 차원에서 수행할 수 있다.
상기 제3 의료영상을 생성하는 단계는 상기 고화질의 제1 의료영상에 상기 잡음이 저감된 상기 변화영역의 영상을 합성하여 상기 제3 의료영상을 생성할 수 있다.
상기 의료영상의 처리방법은 상기 제3 의료영상을 생성하는 단계 이후에, 상기 제3 의료영상에 대한 화질 개선을 수행하여 상기 제3 의료영상에 포함된 픽셀의 인텐시티를 조절할 수 있다.
상기 제3 의료영상은 상기 제2 의료영상과 구조적으로 유사 또는 동일할 수 있다.
한편, 본 발명에 따른 의료영상의 처리장치는 설정된 신체 영역을 촬영한 제1 의료영상과, 상기 제1 의료영상이 촬영되는 시점에 이후에 상기 신체 영역을 촬영한 저화질의 제2 의료영상이 제공되는 통신모듈; 및 상기 제1 및 제2 의료영상을 기반으로 고화질의 제3 의료영상을 생성하는 처리모듈을 포함하고, 상기 처리모듈은 상기 제1 및 제2 의료영상을 비교하여 변화가 발생된 변화영역을 제2 의료영상으로부터 결정하고, 상기 변화영역에 대한 잡음을 저감하고, 상기 제1 의료영상 및 상기 잡음이 저감된 변화영역을 합성하여 고화질의 제2 의료영상을 생성할 수 있다.
한편, 본 발명에 따른 의료영상의 처리방법은 설정된 신체 영역을 촬영한 제1 의료영상을 획득하는 단계 및 상기 제1 의료영상이 촬영되는 시점 이후에 상기 신체 영역을 촬영한 저화질의 제2 의료영상을 획득하는 단계 및 상기 제1 및 제2 의료영상을 비교하여 변화가 발생된 변화영역을 제2 의료영상으로부터 결정하는 단계 및 상기 변화영역에 대한 잡음을 저감하는 단계 및 상기 제1 의료영상에 대한 합성 사이노그램을 생성하는 단계 및 상기 잡음이 저감된 변화영역에 대한 합성 사이노그램을 생성하는 단계 및 상기 제1 의료영상 및 상기 잡음이 저감된 변화영역에 대한 합성 사이노그램을 합성하여 제3 의료영상을 생성하는 단계를 포함한다.
본 발명에 따른 의료영상의 처리장치 및 처리방법은 다음과 같은 효과를 포함한다.
첫째, 고화질의 영상을 이용하여 후속 촬영된 저화질의 영상을 고화질의 영상으로 변환하여 영상 촬영 과정에서 환자에게 노출되는 방사선량을 최소화하는 효과가 있다.
둘째, 후속 촬영된 저화질의 영상을 고화질의 영상으로 변환하는 과정에서 전체 영상처리 시간을 단축하고 컴퓨팅 성능의 부하를 방지하여 신속 정확하게 영상처리를 수행하는 효과가 있다.
이상과 같은 본 발명의 기술적 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않은 또 다른 기술적 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 실시예에 따른 의료영상의 처리장치를 개략적으로 나타낸 개념도이고,
도 2는 본 실시예에 따른 의료영상의 처리방법을 나타낸 흐름도이고,
도 3은 본 실시예에 따른 의료영상의 처리장치가 고화질의 제1 의료영상을 획득하는 방법을 나타낸 개념도이고,
도 4는 본 실시예에 따른 의료영상의 처리장치가 고화질의 제1 의료영상을 획득하는 방법을 나타낸 흐름도이고,
도 5는 본 실시예에 따른 의료영상의 처리장치가 제2 의료영상으로부터 변화영역을 추출하여 잡음을 저감하는 방법을 나타낸 개념도이고,
도 6은 본 실시예에 따른 의료영상의 처리장치가 제2 의료영상으로부터 변화영역을 추출하여 잡음을 저감하는 방법을 나타낸 흐름도이고,
도 7은 본 실시예에 따른 의료영상의 처리장치가 사이노그램 차원에서 제1 의료영상과 변화영역을 합성하는 방법을 나타낸 개념도이고,
도 8은 의료영상의 처리장치가 사이노그램 차원에서 제1 의료영상과 변화영역을 합성하는 방법을 나타낸 흐름도이고,
도 9는 본 실시예에 따른 의료영상의 처리장치가 이미치 차원에서 제1 의료영상과 변화영역을 합성하는 방법을 나타낸 개념도이다.
이하 첨부된 도면을 참조하여 본 발명의 실시예를 상세히 설명한다. 그러나 본 실시예는 이하에서 개시되는 실시예에 한정되는 것이 아니라 서로 다양한 형태로 구현될 수 있으며, 단지 본 실시예는 본 발명의 개시가 완전하도록 하며, 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 도면에서의 요소의 형상 등은 보다 명확한 설명을 위하여 과장되게 표현된 부분이 있을 수 있으며, 도면 상에서 동일 부호로 표시된 요소는 동일 요소를 의미한다.
도 1은 본 실시예에 따른 의료영상의 처리장치를 개략적으로 나타낸 개념도이다.
도 1에 도시된 바와 같이, 본 실시예에 따른 의료영상의 처리장치(1000)는 의료장비(10)로부터 의료영상을 획득하여 고화질의 의료영상을 생성한다.
여기서, 의료장비(10)는 컴퓨터단층촬영기(Computed Tomography, CT), 자기공명 영상장치(Magnetic Resonance Imaging, MRI) 및 양전자 방출 단층 영상장치(Position Emission Tomography, PET) 등일 수 있으나, 의료장비(10)의 종류는 한정하지 않는다.
이하에서는 의료장비(10)로부터 제공되는 의료영상을 기반으로 고화질의 의료영상을 생성하는 실시예에 대하여 설명하도록 한다. 그러나 이는 본 실시예를 설명하기 위한 것으로, 의료영상은 의료장비(10)로부터 제공되는 것이 아니라 의료영상을 사전에 저장하고 있는 데이터베이스로부터 제공될 수 있다.
이러한 처리장치(1000)는 통신모듈(100) 및 처리모듈(200)을 포함할 수 있다. 다만, 처리장치(1000)의 구성이 이에 한정되는 것은 아니며, 컴퓨터 시스템 등과 같은 단일 또는 복수의 프로세스에서 영상처리를 위한 일련의 프로세스가 수행될 수 있다.
한편, 통신모듈(100)은 의료장비(10)로부터 제1 의료영상(31) 및 제2 의료영상(32)을 획득할 수 있다. 여기서, 제1 의료영상(31)과 제2 의료영상(32)은 시간을 두고 촬영된 영상일 수 있다. 즉, 제1 의료영상(31)과 제2 의료영상(32)은 서로 다른 시점에 촬영된 영상일 수 있다.
그리고 처리모듈(200)은 통신모듈(100)로부터 제1 의료영상(31)과 제2 의료영상(32)을 획득한다. 처리모듈(200)은 제1 의료영상(31)과 제2 의료영상(32)을 비교하고, 제1 의료영상(31)과 제2 의료영상(32)을 부분적으로 합성하여 고화질의 제3 의료영상(33)을 획득할 수 있다.
이하에서는 첨부된 도면을 참조하여 제1 의료영상(31)과 제2 의료영상(32)으로부터 제3 의료영상(33)을 획득하는 방법에 대하여 상세히 설명하도록 한다.
도 2는 본 실시예에 따른 의료영상의 처리방법을 나타낸 흐름도이다.
도 2에 도시된 바와 같이, 본 실시예에 따른 처리장치(1000)에는 제1 의료영상(31) 및 제2 의료영상(32)이 제공된다.
제1 의료영상(31)은 고선량에 의해 고화질로 촬영된 영상일 수 있다. 그러나 이와 다르게 제1 의료영상(31)은 환자에게 노출되는 방사선량을 줄이기 위하여 저선량으로 촬영된 저화질의 영상일 수 있다. 이때, 처리모듈(200)은 저화질의 제1 의료영상(31)을 고화질의 영상으로 변환할 수 있다. 일례로, 처리모듈(200)은 사전에 훈련된 머신러닝(Machine Learning)을 이용하여 제1 의료영상(31)을 고화질의 영상으로 변환한다(S100).
그리고 제2 의료영상(32)은 저화질의 영상일 수 있다(S200). 이때, 제2 의료영상(32)은 제1 의료영상(31)과 다른 시점에 획득된 영상으로 병변의 진행, 병변의 발생 및 신체 장기의 움직임 등과 같은 원인으로 제1 의료영상(31)과 차이점이 존재할 수 있다.
이에, 처리모듈(200)은 제1 의료영상(31)과 제2 의료영상(32)을 비교하여 제2 의료영상(32)으로부터 차이점이 발생된 변화영역을 추출한다(S300). 일례로, 처리모듈(200)은 사전에 변화영역을 추출할 수 있도록 훈련된 머신러닝을 이용하여 변화영역을 자동으로 추출할 수 있다.
그리고 처리모듈(200)은 추출한 변화영역을 고화질의 영상으로 변환할 수 있다. 일례로, 처리모듈(200)은 머신러닝을 이용하여 변화영역에 대한 화질 개선을 수행할 수 있다.
이후, 처리모듈(200)은 고화질의 제1 의료영상(31)에 변화영역을 부분적으로 합성하여 제2 의료영상(32)과 동일 또는 유사한 형태의 고화질의 제3 의료영상(22)을 생성할 수 있다(S400). 즉, 처리장치(1000)는 시점이 서로 다른 저화질의 영상들의 조합으로 고화질의 판독 영상을 생성하거나, 고화질의 영상과 저화질의 영상의 조합으로 고화질의 판독 영상을 생성할 수 있다. 일례로, 처리모듈(200)은 사전 훈련된 머신러닝을 이용하여 제1 의료영상(31)과 제2 의료영상(32)을 기반으로 제3 의료영상(33)을 생성할 수 있다.
또한, 처리모듈(200)은 합성된 제3 의료영상(33)에 대한 화질을 개선할 수 있다. 일례로, 제3 의료영상(33)은 변화영역의 합성으로 포함된 픽셀(Pixel)의 인텐시티(Intensity)가 서로 상이할 수 있다. 이에, 판독의사에게 전달되는 제3 의료영상(33)이 어색할 수 있는 문제점을 해결하기 위하여, 처리모듈(200)은 화질 개선(SR: Super Resolution) 등의 기법으로 영상처리를 수행할 수 있다. 그러나 이는 본 실시예를 설명하기 위한 것으로 화질 개선 단계는 선택적으로 진행할 수 있다.
한편, 이하에서는 첨부된 도면을 참조하여 고화질의 제1 의료영상(31)을 획득하는 방법에 대하여 상세히 설명하도록 한다.
도 3은 본 실시예에 따른 의료영상의 처리장치가 고화질의 제1 의료영상을 획득하는 방법을 나타낸 개념도이고, 도 4는 본 실시예에 따른 의료영상의 처리장치가 고화질의 제1 의료영상을 획득하는 방법을 나타낸 흐름도이다.
도3 및 도 4에 도시된 바와 같이, 본 실시예에 따른 처리유닛(1000)으로는 통신모듈(100)을 통해 저화질의 제1 의료영상(31)이 제공될 수 있다(S110).
이에, 처리모듈(200)은 제1 의료영상(31)을 기반으로 합성 사이노그램(Sinogram)을 생성한다(S120).
일례로. 여기서, 처리모듈(200)은 제1 의료영상(31)의 의료정보를 기반으로 제1 의료영상(31)의 화소별 감쇠계수, 엑스선 소스의 초점과 검출기 사이의 거리정보 및 엑스선 소스의 초점과 환자 사이의 거리 정보를 결정한다. 예를 들어, 처리모듈(200)은 제1 의료영상(31)에 대응되는 관전압 정보를 획득하여 화소별 감쇠계수를 결정하고, 제1 의료영상(31)의 이미지 정보를 기반으로 엑스선 소스의 초점과 검출기 사이의 거리정보 및 엑스선 소스의 초점과 환자 사이의 거리 정보를 결정할 수 있다.
그리고 처리모듈(200)은 화소별 감쇠계수, 엑스선 소스의 초점과 검출기 사이의 거리정보 및 엑스선 소스의 초점과 환자 사이의 거리 정보를 기반으로 제1 의료영상(31)에 대한 합성 사이노그램을 생성할 수 있다. 이때, 합성 사이노그램은 결정된 화소별 감쇠계수, 엑스선 소스의 초점과 검출기 사이의 거리정보 및 엑스선 소스의 초점과 환자 사이의 거리 정보를 기반으로 회전각도별 투영연산을 수행함으로써 생성될 수 있다.
이후, 처리모듈(200)은 생성된 합성 사이노그램으로부터 잡음 성분을 추출하여 잡음 성분에 대한 합성 사이노그램을 획득할 수 있다(S130).
일례로, 처리모듈(200)은 합성 사이노그램에 사전에 지정된 규칙에 따라 필터커널을 결정하고, 이를 기반으로 잡음 성분을 추출할 수 있다. 이때, 처리모듈(200)은 잡음 성분과 구조적 성분의 국소적 변화 차이를 기반으로 잡음 성분의 분리가 용이하도록 사전에 지정된 규칙에 따라 필터커널을 결정한다. 그리고 처리모듈(200)은 필터커널로 합성 사이노그램을 필터링하여 잡음 성분을 추출할 수 있다.
일례로, 처리모듈(200)은 합성 사이노그램에 2차원 푸리에 변환(Fourier Transform)을 적용하여 잡음 성분을 추출할 수 있다. 이때, 처리모듈(200)은 합성 사이노그램을 2차원 푸리에 변환하고, 고주파 대역에 사전에 결정된 가중치를 곱한 뒤에 이를 역변환하여 합성 사이노그램으로부터 잡음 성분을 추출할 수 있다.
일례로, 처리모듈(200)은 생성된 합성 사이노그램에 2차원 웨이블릿 변환(Wavelet Transform)을 적용하여 잡음 성분을 추출할 수 있다. 이때, 처리모듈(200)은 잡음 성분이 2차원 웨이블릿 영역에서 구조적 성분과 다른 고주파 영역에 위치하는 특성을 이용하여 잡음 성분을 추출할 수 있다. 처리모듈(200)은 합성 사이노그램을 2차원 웨이블릿 변환하고 사전에 결정된 가중치를 곱한 뒤에 이를 역변환하여 합성 사이노그램으로부터 잡음 성분을 추출할 수 있다.
일례로, 처리모듈(200)은 합성 사이노그램에 헤시안(Hessian) 행렬의 고유성분 분해에 기초하여 잡음 성분을 추출할 수 있다. 헤시안 행렬은 각 화소에서 수직 및 수평 방향에 대한 2차 편미분을 행렬화 한 것으로서 헤시안 행렬에서 고유성분을 분해하였을 때 얻을 수 있는 첫 번째 고유성분은 구조적 성분을, 두 번째 고유성분은 잡음 성분을 나타내는 특징이 있다. 이에, 처리모듈(200)은 합성 사이노그램의 각 화소에서 헤시안 행렬의 두 번째 고유성분을 포함하여 합성 사이노그램으로부터 잡음 성분을 추출할 수 있다.
그리고 처리모듈(200)은 추출된 잡음에 대한 성분 합성 사이노그램을 변환하여 잡음 성분 영상을 생성한다(S140). 일례로, 처리모듈(200)은 잡음 성분에 대한 합성 사이노그램에 필터된 역투영(Filtered Back Projection) 연산을 적용하여 잡음 성분 영상을 생성할 수 있다.
이후, 처리모듈(200)은 잡음 성분 영상을 기반으로 제1 의료영상(31)의 잡음을 저감할 수 있다(S150).
일례로, 처리모듈(200)은 제1 의료영상(31)의 각 화소값에서 각 화소값에 대응되는 잡음 성분 영상의 각 화소값을 제외하여, 제1 의료영상(31)의 잡음을 저감할 수 있다.
일례로, 처리모듈(200)은 제1 의료영상(31)으로부터 조직정보를 추출하고, 추출된 조직정보에 기초하여 제1 의료영상(31)의 잡음을 저감할 수 있다. 여기서, 조직정보는 제1 의료영상(31)의 유효성분, 조직 또는 장기별로 알려진 감쇠수치의 범위를 의미할 수 있다. 이에, 처리모듈(200)은 추출된 조직정보에 기초하여 제1 의료영상(31)에서 잡음 성분 영상을 적응적으로 감산하여, 제1 의료영상(31)의 잡음을 저감할 수 있다. 예를 들어, 처리모듈(200)은 특정 조직정보에 대응하는 영역에서 잡음 저감 정도를 감소할 수 있다.
일례로, 처리모듈(200)은 잡음 성분 영상에서 화소의 픽셀 값이 일정범위를 벗어나는 화소를 선택하고 그 픽셀 값에 사전에 정한 규칙에 따라 저감함으로써 화질의 손상을 방지할 수 있다. 예를 들어, 처리모듈(200)은 전체 잡음 성분 영상의 화소 픽셀 값에 대해 계산한 표준편차의 일정배수 이상의 픽셀값을 갖는 화소를 선택하거나, 상위 5%의 크기의 픽셀값을 갖는 화소를 선택할 수 있다.
일례로, 처리모듈(200)은 제1 의료영상(31)의 각 화소별 구조방향 및 신호 응집성을 추출하고, 구조방향, 신호 응집성 및 잡음 성분 영상의 픽셀 값에 기초하여 설정된 규칙에 따라 제1 의료영상(31)의 잡음을 저감할 수 있다.
이와 같이, 처리장치(1000)는 저화질의 제1 의료영상(31)으로부터 잡음 성분을 제거하여 고화질의 제1 의료영상(31)을 생성할 수 있다(S160). 다만, 상술된 잡음 저감 방법은 본 실시예를 설명하기 위한 것으로 잡음 저감 방법은 한정하지 않는다.
한편, 처리장치(1000)는 제1 의료영상(31)과 다른 시점에 촬영된 저화질의 제2 의료영상(32)이 제공되면, 제2 의료영상(32)으로부터 변화영역을 추출하여 고화질의 변화영역 영상을 생성한다.
도 5는 본 실시예에 따른 의료영상의 처리장치가 제2 의료영상으로부터 변화영역을 추출하여 잡음을 저감하는 방법을 나타낸 개념도이고, 도 6은 본 실시예에 따른 의료영상의 처리장치가 제2 의료영상으로부터 변화영역을 추출하여 잡음을 저감하는 방법을 나타낸 흐름도이다.
도 5 및 도 6에 도시된 바와 같이, 본 실시예에 따른 처리장치(1000)에는 제2 의료영상(32)이 제공될 수 있다(S210).
이에, 처리모듈(200)은 제1 의료영상(31)과 제2 의료영상(32)을 비교하여 구조적 차이점이 존재하는 변화영역을 제2 의료영상(32)으로부터 추출한다(S220). 여기서, 변화영역의 추출은 사전에 학습된 머신러닝을 이용할 수 있다. 그리고 처리모듈(200)은 변화영역에 대한 변화영역 영상을 생성한다.
이후, 처리모듈(200)은 저화질의 변화영역 영상에 대한 합성 사이노그램을 생성한다(S230).
일례로. 여기서, 처리모듈(200)은 제2 의료영상(32)의 의료정보를 기반으로 제2 의료영상(32)의 화소별 감쇠계수, 엑스선 소스의 초점과 검출기 사이의 거리정보 및 엑스선 소스의 초점과 환자 사이의 거리 정보를 결정한다. 예를 들어, 처리모듈(200)은 제2 의료영상(32)에 대응되는 관전압 정보를 획득하여 화소별 감쇠계수를 결정하고, 제2 의료영상(32)의 이미지 정보를 기반으로 엑스선 소스의 초점과 검출기 사이의 거리정보 및 엑스선 소스의 초점과 환자 사이의 거리 정보를 결정할 수 있다.
그리고 처리모듈(200)은 화소별 감쇠계수, 엑스선 소스의 초점과 검출기 사이의 거리정보 및 엑스선 소스의 초점과 환자 사이의 거리 정보를 기반으로 변화영역 영상에 대한 합성 사이노그램을 생성할 수 있다.
이후, 처리모듈(200)은 변화영역에 대한 합성 사이노그램으로부터 잡음 성분을 추출하여 변화영역에 대한 잡음 성분 합성 사이노그램을 획득할 수 있다(S240).
일례로, 처리모듈(200)은 변화영역에 대한 합성 사이노그램에 사전에 지정된 규칙에 따라 필터커널을 결정하고, 이를 기반으로 잡음 성분을 추출할 수 있다. 이때, 처리모듈(200)은 잡음 성분과 구조적 성분의 국소적 변화 차이를 기반으로 잡음 성분의 분리가 용이하도록 사전에 지정된 규칙에 따라 필터커널을 결정한다. 그리고 처리모듈(200)은 필터커널로 합성 사이노그램을 필터링하여 잡음 성분을 추출할 수 있다.
일례로, 처리모듈(200)은 변화영역에 대한 합성 사이노그램에 2차원 푸리에 변환(Fourier Transform)을 적용하여 잡음 성분을 추출할 수 있다. 이때, 처리모듈(200)은 합성 사이노그램을 2차원 푸리에 변환하고, 고주파 대역에 사전에 결정된 가중치를 곱한 뒤에 이를 역변환하여 합성 사이노그램으로부터 잡음 성분을 추출할 수 있다.
일례로, 처리모듈(200)은 변화영역에 대한 합성 사이노그램에 2차원 웨이블릿 변환(Wavelet Transform)을 적용하여 잡음 성분을 추출할 수 있다. 이때, 처리모듈(200)은 잡음 성분이 2차원 웨이블릿 영역에서 구조적 성분과 다른 고주파 영역에 위치하는 특성을 이용하여 잡음 성분을 추출할 수 있다. 처리모듈(200)은 합성 사이노그램을 2차원 웨이블릿 변환하고 사전에 결정된 가중치를 곱한 뒤에 이를 역변환하여 합성 사이노그램으로부터 잡음 성분을 추출할 수 있다.
일례로, 처리모듈(200)은 변화영역에 대한 합성 사이노그램에 헤시안(Hessian) 행렬의 고유성분 분해에 기초하여 잡음 성분을 추출할 수 있다. 헤시안 행렬은 각 화소에서 수직 및 수평 방향에 대한 2차 편미분을 행렬화 한 것으로서 헤시안 행렬에서 고유성분을 분해하였을 때 얻을 수 있는 첫 번째 고유성분은 구조적 성분을, 두 번째 고유성분은 잡음 성분을 나타내는 특징이 있다. 이에, 처리모듈(200)은 합성 사이노그램의 각 화소에서 헤시안 행렬의 두 번째 고유성분을 포함하여 합성 사이노그램으로부터 잡음 성분을 추출할 수 있다.
이후, 처리모듈(200)은 변화영역에 대한 잡음 성분 합성 사이노그램을 변환하여 변화영역의 잡음 성분 영상을 생성한다(S250). 일례로, 처리모듈(200)은 변화영역에 대한 잡음 성분 합성 사이노그램에 필터된 역투영 연산을 적용하여 변화영역의 잡음 성분 영상을 생성할 수 있다.
이후, 처리모듈(200)은 변화영역의 잡음 성분 영상을 기반으로 변화영역 영상의 잡음을 저감할 수 있다(S260).
일례로, 처리모듈(200)은 변화영역 영상의 각 화소값에서 각 화소값에 대응되는 변화영역의 잡음성분 영상의 각 화소값을 제외하여, 변화영역 영상의 잡음을 저감할 수 있다.
일례로, 처리모듈(200)은 변화영역 영상으로부터 조직정보를 추출하고, 추출된 조직정보에 기초하여 변화영역 영상의 잡음을 저감할 수 있다. 여기서, 조직정보는 제2 의료영상(32)의 유효성분, 조직 또는 장기별로 알려진 감쇠수치의 범위를 의미할 수 있다. 이에, 처리모듈(200)은 추출된 조직정보에 기초하여 변화영역에서 변화영역의 잡음 성분을 적응적으로 감산하여, 변화영역의 잡음을 저감할 수 있다. 예를 들어, 처리모듈(200)은 특정 조직정보에 대응하는 영역에서 잡음 저감 정도를 감소할 수 있다.
일례로, 처리모듈(200)은 변화영역의 잡음 성분 영상에서 화소의 픽셀 값이 일정범위를 벗어나는 화소를 선택하고 그 픽셀 값에 사전에 정한 규칙에 따라 저감함으로써 화질의 손상을 방지할 수 있다. 예를 들어, 처리모듈(200)은 전체 변화영역에서 잡음 성분 영상의 화소 픽셀 값에 대해 계산한 표준편차의 일정배수 이상의 픽셀 값을 갖는 화소를 선택하거나, 상위 5%의 크기의 픽셀 값을 갖는 화소를 선택할 수 있다.
일례로, 처리모듈(200)은 변화영역 영상의 각 화소별 구조방향 및 신호 응집성을 추출하고, 구조방향, 신호 응집성 및 변화영역의 잡음 성분 영상의 픽셀 값에 기초하여 설정된 규칙에 따라 변화영역 영상의 잡음을 저감할 수 있다.
이에, 처리모듈(200)은 잡음이 저감된 고화질의 변화영역 영상을 생성할 수 있다.
이후, 처리장치(1000)는 고화질의 제1 의료영상(31)에 잡음이 저감된 변화영역 영상을 합성하여 고화질의 제3 의료영상(33)을 생성할 수 있다. 이때, 제1 의료영상(31)과, 제2 의료영상(32)으로부터 추출된 변화영역의 합성은 사이노그램 차원에서 수행되거나 이미지 차원에서 수행될 수 있다.
먼저, 이하에서는 제3 의료영상(33)의 생성이 사이노그램 차원에서 수행되는 실시예에 대하여 설명하도록 한다.
도 7은 본 실시예에 따른 의료영상의 처리장치가 사이노그램 차원에서 제1 의료영상과 변화영역을 합성하는 방법을 나타낸 개념도이고, 도 8은 의료영상의 처리장치가 사이노그램 차원에서 제1 의료영상과 변화영역을 합성하는 방법을 나타낸 흐름도이다.
도 7 및 도 8에 도시된 바와 같이, 본 실시예에 따른 처리장치(100)는 사이노그램 차원에서 고화질의 제1 의료영상(31) 및 변화영역 영상을 합성할 수 있다.
처리모듈(200)은 고화질의 제1 의료영상(31)을 합성 사이노그램으로 변환한다(S310). 이때, 고화질의 제1 의료영상(31)을 합성 사이노그램으로 변환하는 과정은 앞서 설명한 저화질의 제1 의료영상(31)을 합성 사이노그램으로 변환하는 과정과 동일할 수 있다.
이후, 처리모듈(200)은 고화질의 변화영역 영상을 합성 사이노그램으로 변환한다(S320). 이때, 고화질의 변화영역 영상을 합성 사이노그램으로 변환하는 과정은 앞서 설명한 저화질의 변화영역 영상을 합성 사이노그램으로 변환하는 과정과 동일할 수 있다.
그리고 처리모듈(200)은 제1 의료영상(31)의 합성 사이노그램에 변화영역 영상의 합성 사이노그램을 합성한다. 일례로, 처리모듈(200)은 사전 훈련된 머신러닝을 기반으로 합성 사이노그램 간의 합성을 진행할 수 있다.
이후, 변화영역의 합성 사이노그램이 부가된 사이노그램이 생성되면, 처리모듈(200)은 합성 사이노그램을 이미지 차원으로 변환하여 제3 의료영상(33)을 생성할 수 있다. 이때, 처리모듈(200)은 변화영역의 합성 사이노그램이 부가된 합성 사이노그램을 필터된 역투영(Filtered Back Projection) 연산을 적용하여 제3 의료영상(33)을 생성할 수 있다.
한편, 이하에서는 제3 의료영상(33)의 생성이 이미지 차원에서 수행되는 실시예에 대하여 설명하도록 한다.
도 9는 본 실시예에 따른 의료영상의 처리장치가 이미치 차원에서 제1 의료영상과 변화영역을 합성하는 방법을 나타낸 개념도이다.
도 9에 도시된 바와 같이, 본 실시예에 따른 처리장치(1000)는 이미지 차원에서 고화질의 제1 의료영상과 고화질의 변화영역 영상을 합성할 수 있다.
처리모듈(200)은 고화질의 제1 의료영상(31)에 고화질의 변화영역 영상을 부가하는 방식으로 합성을 수행할 수 있다. 여기서, 처리모듈(200)은 사전 훈련된 머신러닝을 기반으로 이미치 차원에서 합성을 진행할 수 있다.
이에, 본 발명에 따른 의료영상의 처리장치 및 처리방법은 고화질의 영상을 이용하여 후속 촬영된 저화질의 영상을 고화질의 영상으로 변환하여 영상 촬영 과정에서 환자에게 노출되는 방사선량을 최소화하는 효과가 있다.
또한, 본 발명에 따른 의료영상의 처리장치 및 처리방법은 후속 촬영된 저화질의 영상을 고화질의 영상으로 변환하는 과정에서 전체 영상처리 시간을 단축하고 컴퓨팅 성능의 부하를 방지하여 신속 정확하게 영상처리를 수행하는 효과가 있다.
앞에서 설명되고, 도면에 도시된 본 발명의 일 실시예는 본 발명의 기술적 사상을 한정하는 것으로 해석되어서는 안 된다. 본 발명의 보호범위는 청구범위에 기재된 사항에 의하여만 제한되고, 본 발명의 기술분야에서 통상의 지식을 가진 자는 본 발명의 기술적 사상을 다양한 형태로 개량 변경하는 것이 가능하다. 따라서 이러한 개량 및 변경은 통상의 지식을 가진 자에게 자명한 것인 한 본 발명의 보호범위에 속하게 될 것이다.

Claims (16)

  1. 설정된 신체 영역을 촬영한 고화질의 제1 의료영상을 획득하는 단계;
    상기 제1 의료영상이 촬영되는 시점 이후에 상기 신체 영역을 촬영한 저화질의 제2 의료영상을 획득하는 단계;
    상기 제1 및 제2 의료영상을 비교하여 변화가 발생된 변화영역을 제2 의료영상으로부터 결정하는 단계;
    상기 변화영역에 대한 잡음을 저감하는 단계;
    상기 제1 의료영상 및 상기 잡음이 저감된 변화영역을 합성하여 고화질의 제3 의료영상을 생성하는 단계; 및
    상기 제3 의료영상에 대한 화질 개선을 수행하는 단계를 포함하는 의료영상의 처리방법.
  2. 제1 항에 있어서,
    상기 제3 의료영상을 생성하는 단계는
    상기 제1 의료영상 및 상기 잡음이 저감된 변화영역의 합성을 사이노그램 차원에서 수행하는 것을 특징으로 하는 의료영상의 처리방법.
  3. 제2 항에 있어서,
    상기 제3 의료영상을 생성하는 단계는
    상기 고화질의 제1 의료영상을 합성 사이노그램으로 변환하는 단계와,
    상기 잡음이 저감된 변화영역에 대한 영상을 합성 사이노그램으로 변환하는 단계와,
    상기 제1 의료영상의 합성 사이노그램과 상기 잡음이 저감된 변화영역에 대한 합성 사이노그램을 합성하는 단계와,
    상기 제3 의료영상이 생성되도록 상기 합성이 완료된 합성 사이노그램을 이미지 차원으로 변환하는 단계를 포함하는 것을 특징으로 하는 의료영상의 처리방법.
  4. 제3 항에 있어서,
    상기 이미지 차원으로 변환하는 단계는
    상기 합성이 완료된 합성 사이노그램을 필터된 투영(Filtered Back Projection) 연산에 적용하여 상기 제3 의료영상을 생성하는 것을 특징으로 하는 의료영상의 처리방법.
  5. 제1 항에 있어서,
    상기 결정하는 단계에서는
    사전에 학습된 머신러닝을 기반으로 상기 제1 및 제2 의료영상의 비교하여 구조적 차이점이 존재하는 영역을 상기 변화영역으로 추출하는 것을 특징으로 하는 의료영상의 처리방법.
  6. 제1 항에 있어서,
    상기 저감하는 단계에서는
    상기 변화영역에 대한 영상을 합성 사이노그램으로 변환하는 단계와,
    상기 변환된 합성 사이노그램으로부터 잡음 성분을 추출하는 단계와,
    상기 추출된 잡음 성분에 대한 영상을 생성하는 단계와,
    상기 변화영역에 대한 영상 및 상기 잡음 성분에 대한 영상을 기반으로 상기 변화영역의 잡음을 저감하는 단계를 포함하는 것을 특징으로 하는 의료영상의 처리방법.
  7. 제6 항에 있어서,
    상기 변환하는 단계에서는
    상기 제2 의료영상의 의료정보를 기반으로 상기 변화영역에 대한 영상을 합성 사이노그램으로 변환하는 것을 특징으로 하는 의료영상의 처리방법.
  8. 제1 항에 있어서,
    상기 제1 의료영상은
    상기 신체 영역을 촬영하는 과정에서 고화질로 취득되는 것을 특징으로 하는 의료영상의 처리방법.
  9. 제1 항에 있어서,
    상기 제1 의료영상은
    저화질로 취득되어 고화질로 변환되는 것을 특징으로 하는 의료영상의 처리방법.
  10. 제9 항에 있어서,
    상기 제1 의료영상을 획득하는 단계에서는
    저화질의 제1 의료영상에 대한 합성 사이노그램을 생성하는 단계와,
    상기 합성 사이노그램으로부터 잡음 성분을 추출하는 단계와,
    상기 잡음 성분에 대한 영상을 생성하는 단계와,
    상기 제1 의료영상에 대한 영상 및 상기 잡음 성분에 대한 영상을 기반으로 상기 제1 의료영상의 잡음을 저감하는 단계를 포함하는 것을 특징으로 하는 의료영상의 처리방법.
  11. 제1 항에 있어서,
    상기 제3 의료영상을 생성하는 단계는
    상기 제1 의료영상 및 상기 잡음이 저감된 변화영역의 합성을 이미지 차원에서 수행하는 것을 특징으로 하는 의료영상의 처리방법.

  12. 제11 항에 있어서,
    상기 제3 의료영상을 생성하는 단계는
    상기 고화질의 제1 의료영상에 상기 잡음이 저감된 상기 변화영역의 영상을 합성하여 상기 제3 의료영상을 생성하는 것을 특징으로 하는 의료영상의 처리방법.
  13. 제1 항에 있어서,
    상기 제3 의료영상에 대한 화질 개선에서는
    상기 제3 의료영상에 포함된 픽셀의 인텐시티를 조절하는 것을 특징으로 하는 의료영상의 처리방법.
  14. 제1 항에 있어서,
    상기 제3 의료영상은
    상기 제2 의료영상과 구조적으로 유사 또는 동일한 것을 특징으로 하는 의료영상의 처리방법.
  15. 설정된 신체 영역을 촬영한 고화질의 제1 의료영상과, 상기 제1 의료영상이 촬영되는 시점에 이후에 상기 신체 영역을 촬영한 저화질의 제2 의료영상이 제공되는 통신모듈; 및 상기 제1 및 제2 의료영상을 기반으로 고화질의 제3 의료영상을 생성하는 처리모듈을 포함하고,
    상기 처리모듈은
    상기 제1 및 제2 의료영상을 비교하여 변화가 발생된 변화영역을 제2 의료영상으로부터 결정하고,
    상기 변화영역에 대한 잡음을 저감하고,
    상기 제1 의료영상 및 상기 잡음이 저감된 변화영역을 합성하여 고화질의 제3 의료영상을 생성하고,
    상기 제3 의료영상에 대한 화질 개선을 수행하는 것을 특징으로 하는 의료영상의 처리장치.
  16. 설정된 신체 영역을 촬영한 고화질의 제1 의료영상을 획득하는 단계;
    상기 제1 의료영상이 촬영되는 시점 이후에 상기 신체 영역을 촬영한 저화질의 제2 의료영상을 획득하는 단계;
    상기 제1 및 제2 의료영상을 비교하여 변화가 발생된 변화영역을 제2 의료영상으로부터 결정하는 단계;
    상기 변화영역에 대한 잡음을 저감하는 단계;
    상기 제1 의료영상에 대한 합성 사이노그램을 생성하는 단계;
    상기 잡음이 저감된 변화영역에 대한 합성 사이노그램을 생성하는 단계; 및
    상기 제1 의료영상 및 상기 잡음이 저감된 변화영역에 대한 합성 사이노그램을 합성하여 제3 의료영상을 생성하는 단계; 및
    상기 제3 의료영상에 대한 화질 개선을 수행하는 단계를 포함하는 의료영상의 처리방법.
KR1020220001016A 2022-01-04 2022-01-04 의료영상의 처리장치 및 처리방법 KR102492949B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220001016A KR102492949B1 (ko) 2022-01-04 2022-01-04 의료영상의 처리장치 및 처리방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220001016A KR102492949B1 (ko) 2022-01-04 2022-01-04 의료영상의 처리장치 및 처리방법

Publications (1)

Publication Number Publication Date
KR102492949B1 true KR102492949B1 (ko) 2023-01-31

Family

ID=85108907

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220001016A KR102492949B1 (ko) 2022-01-04 2022-01-04 의료영상의 처리장치 및 처리방법

Country Status (1)

Country Link
KR (1) KR102492949B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240149140A (ko) 2023-04-05 2024-10-14 주식회사 엠티이지 실시간 의료 시나리오 정보를 제공하는 방법 및 디바이스

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008093172A (ja) * 2006-10-11 2008-04-24 Olympus Corp 画像処理装置、画像処理方法、および画像処理プログラム
KR20140134903A (ko) 2013-05-15 2014-11-25 세종대학교산학협력단 의료 영상 화질 개선 방법 및 그 장치
KR20160065674A (ko) * 2014-12-01 2016-06-09 삼성전자주식회사 의료 영상 장치 및 의료 영상 처리 방법
KR20190058285A (ko) * 2017-11-20 2019-05-29 주식회사 클라리파이 딥러닝 기반 ct 이미지 잡음 저감 장치 및 방법
KR102313652B1 (ko) * 2020-12-30 2021-10-19 뉴로핏 주식회사 의료 영상 분석 방법, 의료 영상 분석 장치 및 의료 영상 분석 시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008093172A (ja) * 2006-10-11 2008-04-24 Olympus Corp 画像処理装置、画像処理方法、および画像処理プログラム
KR20140134903A (ko) 2013-05-15 2014-11-25 세종대학교산학협력단 의료 영상 화질 개선 방법 및 그 장치
KR20160065674A (ko) * 2014-12-01 2016-06-09 삼성전자주식회사 의료 영상 장치 및 의료 영상 처리 방법
KR20190058285A (ko) * 2017-11-20 2019-05-29 주식회사 클라리파이 딥러닝 기반 ct 이미지 잡음 저감 장치 및 방법
KR102313652B1 (ko) * 2020-12-30 2021-10-19 뉴로핏 주식회사 의료 영상 분석 방법, 의료 영상 분석 장치 및 의료 영상 분석 시스템

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
H. Yeoh, et al., "Deep Learning Algorithm for Simultaneous Noise Reduction and Edge Sharpening in Low-Dose CT Images: A Pilot Study Using Lumbar Spine CT", Kor. jnl. of radiology vol.22(2021.08.19.)* *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240149140A (ko) 2023-04-05 2024-10-14 주식회사 엠티이지 실시간 의료 시나리오 정보를 제공하는 방법 및 디바이스

Similar Documents

Publication Publication Date Title
JP6145889B2 (ja) 放射線画像処理装置および方法並びにプログラム
JP4841874B2 (ja) 断層合成造影における直接再生方法及び装置
US11839501B2 (en) Image creation device
US9852527B2 (en) Apparatus and method for denoising CT images
JP3995854B2 (ja) 画像処理方法および装置並びに記録媒体
CN101129266B (zh) X线图像处理系统
CN102024251B (zh) 用于双源ct的基于多图像虚拟非对比图像增强的系统和方法
JP6214226B2 (ja) 画像処理装置、断層撮影装置、画像処理方法およびプログラム
CN102428478A (zh) 多尺度图像归一化和增强
US6751284B1 (en) Method and system for tomosynthesis image enhancement using transverse filtering
Yang et al. High-frequency sensitive generative adversarial network for low-dose CT image denoising
CN111353958A (zh) 图像处理方法、装置及系统
CN111065335A (zh) 医用图像处理装置和医用图像处理方法
KR102472464B1 (ko) 영상처리방법 및 이를 이용한 영상처리장치
US20220414832A1 (en) X-ray imaging restoration using deep learning algorithms
JP2018033745A (ja) 画像処理装置、方法およびプログラム
KR102492949B1 (ko) 의료영상의 처리장치 및 처리방법
KR102399792B1 (ko) 인공지능 기반 Hounsfield unit (HU) 정규화 및 디노이징 (Denoising)을 통한 전처리 장치 및 방법
JP5223266B2 (ja) Ｘ線画像システム
CN107464219A (zh) 连续图像的运动检测及降噪方法
JP6671267B2 (ja) 画像処理装置、方法およびプログラム
WO2009110260A1 (ja) 画像処理装置
KR20200083122A (ko) 전역 변형 저감화 기법을 이용한 저선량 콘빔 전산화 단층 촬영 시스템
CN111091514B (zh) 一种口腔cbct图像去噪方法及系统
US20060165271A1 (en) Method for reducing cupping artifacts in cone beam CT image data sets

Legal Events

Date Code Title Description
GRNT Written decision to grant