KR102540320B1 - 적응적 샘플링 기반 cbct 영상 획득 방법 및 장치 - Google Patents
적응적 샘플링 기반 cbct 영상 획득 방법 및 장치 Download PDFInfo
- Publication number
- KR102540320B1 KR102540320B1 KR1020210094913A KR20210094913A KR102540320B1 KR 102540320 B1 KR102540320 B1 KR 102540320B1 KR 1020210094913 A KR1020210094913 A KR 1020210094913A KR 20210094913 A KR20210094913 A KR 20210094913A KR 102540320 B1 KR102540320 B1 KR 102540320B1
- Authority
- KR
- South Korea
- Prior art keywords
- cbct
- image
- images
- image capturing
- adaptive sampling
- Prior art date
Links
- 238000007408 cone-beam computed tomography Methods 0.000 title claims abstract description 176
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000005070 sampling Methods 0.000 title claims abstract description 52
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 44
- 238000003384 imaging method Methods 0.000 claims description 43
- 238000002591 computed tomography Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 28
- 238000010586 diagram Methods 0.000 description 20
- 238000004891 communication Methods 0.000 description 7
- 230000005855 radiation Effects 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000008685 targeting Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 206010016275 Fear Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
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 or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/40—Arrangements for generating radiation specially adapted for radiation diagnosis
- A61B6/4064—Arrangements for generating radiation specially adapted for radiation diagnosis specially adapted for producing a particular type of beam
- A61B6/4085—Cone-beams
-
- 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
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical 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
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5223—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data generating planar views from image data, e.g. extracting a coronal view from a 3D image
-
- 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
- A61B6/54—Control of apparatus or devices for radiation diagnosis
-
- 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
- A61B6/54—Control of apparatus or devices for radiation diagnosis
- A61B6/545—Control of apparatus or devices for radiation diagnosis involving automatic set-up of acquisition parameters
-
- 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
- A61B6/54—Control of apparatus or devices for radiation diagnosis
- A61B6/547—Control of apparatus or devices for radiation diagnosis involving tracking of position of the device or parts of the device
-
- 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
- G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
-
- 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
- G06T2211/424—Iterative
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Radiology & Medical Imaging (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pulmonology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
본 발명의 바람직한 실시예에 따른 적응적 샘플링 기반 CBCT 영상 획득 방법 및 장치는, 적응적 샘플링(adaptive sampling)을 기반으로 획득한 복수개의 CBCT(cone beam computed tomography) 영상을 재구성하여 최종 CBCT 영상을 획득함으로써, 대상 환자에 가해지는 선량을 감소시킬 수 있다.
Description
본 발명은 적응적 샘플링 기반 CBCT 영상 획득 방법 및 장치에 관한 것으로서, 더욱 상세하게는 CBCT(cone beam computed tomography) 영상을 획득하는, 방법 및 장치에 관한 것이다.
도 1은 종래의 CBCT 촬영 시스템의 동작 과정을 설명하기 위한 도면이고, 도 2는 도 1에 도시한 동작 과정의 일례를 나타내는 도면이다.
도 1을 참조하면, 종래의 CBCT(cone beam computed tomography) 촬영 시스템(10)은 회전되는 갠트리(gantry), 대상 환자가 위치하는 카우치(couch), 갠트리에 설치되어 방사선 빔을 조사하는 방사선 조사부, 갠트리에 설치되어 대상 환자를 투과한 방사선 빔을 감지하여 영상을 획득하는 영상 획득부 등을 포함할 수 있다.
종래의 CBCT 촬영 시스템(10)은 도 1 및 도 2에 도시된 바와 같이, 일정한 샘플링 간격으로 갠트리를 회전하면서 대상 환자에 대한 복수개의 CBCT 영상을 획득한다. 즉, 종래의 CBCT 촬영 시스템(10)은 균일한 샘플링(uniform sampling)을 통해 복수개의 CBCT 영상을 획득한다.
본 발명이 이루고자 하는 목적은, 적응적 샘플링(adaptive sampling)을 기반으로 획득한 복수개의 CBCT(cone beam computed tomography) 영상을 재구성하여 최종 CBCT 영상을 획득하는, 적응적 샘플링 기반 CBCT 영상 획득 방법 및 장치를 제공하는 데 있다.
본 발명의 명시되지 않은 또 다른 목적들은 하기의 상세한 설명 및 그 효과로부터 용이하게 추론할 수 있는 범위 내에서 추가적으로 고려될 수 있다.
상기의 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 적응적 샘플링 기반 CBCT 영상 획득 방법은, 대상 환자에 대해 기 획득된 의료 영상을 기반으로 복수개의 영상 촬영 지점을 획득하는 단계; 상기 복수개의 영상 촬영 지점을 기반으로 상기 대상 환자에 대한 복수개의 CBCT(cone beam computed tomography) 영상을 획득하는 단계; 및 상기 복수개의 CBCT 영상을 기반으로 상기 대상 환자에 대한 최종 CBCT 영상을 획득하는 단계;를 포함한다.
여기서, 상기 복수개의 영상 촬영 지점 획득 단계는, 상기 의료 영상을 기반으로 영상 촬영 지점별 영상을 획득하고, 획득된 상기 영상 촬영 지점별 영상 각각에 대한 정량적인 값을 기반으로 상기 영상 촬영 지점별 영상을 정렬하며, 정렬된 상기 영상 촬영 지점별 영상 중에서 미리 설정된 기준에 따라 복수개의 영상을 선택하고, 선택된 복수개의 영상 각각에 대응되는 영상 촬영 지점을 상기 복수개의 영상 촬영 지점으로 획득하는 것으로 이루어질 수 있다.
여기서, 상기 복수개의 영상 촬영 지점 획득 단계는, 획득된 상기 영상 촬영 지점별 영상 각각에 대한 엔트로피(entropy)를 기반으로 상기 영상 촬영 지점별 영상을 정렬하는 것으로 이루어질 수 있다.
여기서, 상기 복수개의 영상 촬영 지점 획득 단계는, 획득된 상기 영상 촬영 지점별 영상 각각에 대한 정량적인 값을 기반으로 상기 영상 촬영 지점별 영상을 내림차순으로 정렬하며, 정렬된 상기 영상 촬영 지점별 영상 중에서 정량적인 값이 큰 순서대로 복수개의 영상을 선택하는 것으로 이루어질 수 있다.
여기서, 상기 복수개의 영상 촬영 지점 획득 단계는, CBCT 촬영 시스템의 기하학적 정보를 이용하여 전방 프로젝션(forward projection)을 통해 상기 의료 영상으로부터 상기 영상 촬영 지점별 영상을 획득하는 것으로 이루어질 수 있다.
여기서, 상기 복수개의 CBCT 영상 획득 단계는, 상기 복수개의 영상 촬영 지점 각각에서 CBCT 촬영 시스템을 통해 상기 대상 환자를 촬영하여 상기 복수개의 CBCT 영상을 획득하는 것으로 이루어질 수 있다.
여기서, 상기 최종 CBCT 영상 획득 단계는, 분석적 재구성 알고리즘(analytical reconstruction algorithm) 및 반복적 재구성 알고리즘(iterative reconstruction algorithm) 중 하나를 이용하여 상기 복수개의 CBCT 영상을 기반으로 상기 최종 CBCT 영상을 획득하는 것으로 이루어질 수 있다.
여기서, 상기 의료 영상은, CT(computed tomography) 볼륨 영상이고, 상기 영상 촬영 지점은, 갠트리(gantry) 회전 인덱스(index)일 수 있다.
상기의 기술적 과제를 달성하기 위한 본 발명의 바람직한 실시예에 따른 컴퓨터 프로그램은 컴퓨터 판독 가능한 저장 매체에 저장되어 상기한 적응적 샘플링 기반 CBCT 영상 획득 방법 중 어느 하나를 컴퓨터에서 실행시킨다.
상기의 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 적응적 샘플링 기반 CBCT 영상 획득 장치는, 적응적 샘플링을 기반으로 획득한 복수개의 CBCT(cone beam computed tomography) 영상을 재구성하여 최종 CBCT 영상을 획득하는 CBCT 영상 획득 장치로서, 상기 적응적 샘플링을 기반으로 획득한 상기 복수개의 CBCT 영상을 재구성하여 상기 최종 CBCT 영상을 획득하기 위한 하나 이상의 프로그램을 저장하는 메모리; 및 상기 메모리에 저장된 상기 하나 이상의 프로그램에 따라 상기 적응적 샘플링을 기반으로 획득한 상기 복수개의 CBCT 영상을 재구성하여 상기 최종 CBCT 영상을 획득하기 위한 동작을 수행하는 하나 이상의 프로세서;를 포함하고, 상기 프로세서는, 대상 환자에 대해 기 획득된 의료 영상을 기반으로 복수개의 영상 촬영 지점을 획득하고, 상기 복수개의 영상 촬영 지점을 기반으로 상기 대상 환자에 대한 상기 복수개의 CBCT 영상을 획득하며, 상기 복수개의 CBCT 영상을 기반으로 상기 대상 환자에 대한 상기 최종 CBCT 영상을 획득한다.
여기서, 상기 프로세서는, 상기 의료 영상을 기반으로 영상 촬영 지점별 영상을 획득하고, 획득된 상기 영상 촬영 지점별 영상 각각에 대한 정량적인 값을 기반으로 상기 영상 촬영 지점별 영상을 정렬하며, 정렬된 상기 영상 촬영 지점별 영상 중에서 미리 설정된 기준에 따라 복수개의 영상을 선택하고, 선택된 복수개의 영상 각각에 대응되는 영상 촬영 지점을 상기 복수개의 영상 촬영 지점으로 획득할 수 있다.
여기서, 상기 프로세서는, 획득된 상기 영상 촬영 지점별 영상 각각에 대한 엔트로피(entropy)를 기반으로 상기 영상 촬영 지점별 영상을 정렬할 수 있다.
여기서, 상기 프로세서는, 획득된 상기 영상 촬영 지점별 영상 각각에 대한 정량적인 값을 기반으로 상기 영상 촬영 지점별 영상을 내림차순으로 정렬하며, 정렬된 상기 영상 촬영 지점별 영상 중에서 정량적인 값이 큰 순서대로 복수개의 영상을 선택할 수 있다.
본 발명의 바람직한 실시예에 따른 적응적 샘플링 기반 CBCT 영상 획득 방법 및 장치에 의하면, 적응적 샘플링(adaptive sampling)을 기반으로 획득한 복수개의 CBCT(cone beam computed tomography) 영상을 재구성하여 최종 CBCT 영상을 획득함으로써, 대상 환자에 가해지는 선량을 감소시킬 수 있다.
본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 종래의 CBCT 촬영 시스템의 동작 과정을 설명하기 위한 도면이다.
도 2는 도 1에 도시한 동작 과정의 일례를 나타내는 도면이다.
도 3은 본 발명의 바람직한 실시예에 따른 적응적 샘플링 기반 CBCT 영상 획득 장치를 설명하기 위한 블록도이다.
도 4는 도 3에 도시한 CBCT 영상 획득 장치의 구현 예시를 설명하기 위한 도면으로, 도 4의 (a)는 CBCT 영상 획득 장치와 CBCT 촬영 시스템이 서로 독립적인 장치로 구현된 경우를 나타내고, 도 4의 (b)는 CBCT 영상 획득 장치와 CBCT 촬영 시스템이 일체의 형태로 구현된 경우를 나타낸다.
도 5는 도 3에 도시한 CBCT 영상 획득 장치의 동작 과정을 설명하기 위한 도면이다.
도 6은 도 5에 도시한 동작 과정의 일례를 나타내는 도면이다.
도 7은 본 발명의 바람직한 실시예에 따른 적응적 샘플링 기반 CBCT 영상 획득 방법을 설명하기 흐름도이다.
도 8은 도 7에 도시한 복수개의 영상 촬영 지점 획득 단계의 세부 과정을 설명하기 위한 도면이다.
도 9는 도 7에 도시한 영상 촬영 지점별 영상 획득 과정을 설명하기 위한 도면이다.
도 10은 본 발명의 바람직한 실시예에 따른 적응적 샘플링을 기반으로 복수개의 CBCT 영상을 획득하는 과정의 일례를 설명하기 위한 도면이다.
도 11은 도 7에 도시한 최종 CBCT 영상 획득 과정의 세부 과정을 설명하기 위한 도면으로, 분석적 재구성 알고리즘을 이용하는 경우를 나타낸다.
도 12는 도 7에 도시한 최종 CBCT 영상 획득 과정의 세부 과정을 설명하기 위한 도면으로, 반복적 재구성 알고리즘을 이용하는 경우를 나타낸다.
도 2는 도 1에 도시한 동작 과정의 일례를 나타내는 도면이다.
도 3은 본 발명의 바람직한 실시예에 따른 적응적 샘플링 기반 CBCT 영상 획득 장치를 설명하기 위한 블록도이다.
도 4는 도 3에 도시한 CBCT 영상 획득 장치의 구현 예시를 설명하기 위한 도면으로, 도 4의 (a)는 CBCT 영상 획득 장치와 CBCT 촬영 시스템이 서로 독립적인 장치로 구현된 경우를 나타내고, 도 4의 (b)는 CBCT 영상 획득 장치와 CBCT 촬영 시스템이 일체의 형태로 구현된 경우를 나타낸다.
도 5는 도 3에 도시한 CBCT 영상 획득 장치의 동작 과정을 설명하기 위한 도면이다.
도 6은 도 5에 도시한 동작 과정의 일례를 나타내는 도면이다.
도 7은 본 발명의 바람직한 실시예에 따른 적응적 샘플링 기반 CBCT 영상 획득 방법을 설명하기 흐름도이다.
도 8은 도 7에 도시한 복수개의 영상 촬영 지점 획득 단계의 세부 과정을 설명하기 위한 도면이다.
도 9는 도 7에 도시한 영상 촬영 지점별 영상 획득 과정을 설명하기 위한 도면이다.
도 10은 본 발명의 바람직한 실시예에 따른 적응적 샘플링을 기반으로 복수개의 CBCT 영상을 획득하는 과정의 일례를 설명하기 위한 도면이다.
도 11은 도 7에 도시한 최종 CBCT 영상 획득 과정의 세부 과정을 설명하기 위한 도면으로, 분석적 재구성 알고리즘을 이용하는 경우를 나타낸다.
도 12는 도 7에 도시한 최종 CBCT 영상 획득 과정의 세부 과정을 설명하기 위한 도면으로, 반복적 재구성 알고리즘을 이용하는 경우를 나타낸다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세히 설명한다. 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 게시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 게시가 완전하도록 하고, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
본 명세서에서 "제1", "제2" 등의 용어는 하나의 구성 요소를 다른 구성 요소로부터 구별하기 위한 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 예컨대, 제1 구성 요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소도 제1 구성 요소로 명명될 수 있다.
본 명세서에서 각 단계들에 있어 식별부호(예컨대, a, b, c 등)는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 단계들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.
본 명세서에서, "가진다", "가질 수 있다", "포함한다" 또는 "포함할 수 있다" 등의 표현은 해당 특징(예컨대, 수치, 기능, 동작, 또는 부품 등의 구성 요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.
이하에서 첨부한 도면을 참조하여 본 발명에 따른 적응적 샘플링 기반 CBCT 영상 획득 방법 및 장치의 바람직한 실시예에 대해 상세하게 설명한다.
먼저, 도 3 내지 도 6을 참조하여 본 발명의 바람직한 실시예에 따른 적응적 샘플링 기반 CBCT 영상 획득 장치에 대하여 설명한다.
도 3은 본 발명의 바람직한 실시예에 따른 적응적 샘플링 기반 CBCT 영상 획득 장치를 설명하기 위한 블록도이고, 도 4는 도 3에 도시한 CBCT 영상 획득 장치의 구현 예시를 설명하기 위한 도면으로, 도 4의 (a)는 CBCT 영상 획득 장치와 CBCT 촬영 시스템이 서로 독립적인 장치로 구현된 경우를 나타내고, 도 4의 (b)는 CBCT 영상 획득 장치와 CBCT 촬영 시스템이 일체의 형태로 구현된 경우를 나타내며, 도 5는 도 3에 도시한 CBCT 영상 획득 장치의 동작 과정을 설명하기 위한 도면이고, 도 6은 도 5에 도시한 동작 과정의 일례를 나타내는 도면이다.
도 3을 참조하면, 본 발명의 바람직한 실시예에 따른 적응적 샘플링 기반 CBCT 영상 획득 장치(이하 'CBCT 영상 획득 장치'라 한다)(100)는 적응적 샘플링(adaptive sampling)을 기반으로 획득한 복수개의 CBCT(cone beam computed tomography) 영상을 재구성하여 최종 CBCT 영상을 획득한다.
여기서, 적응적 샘플링은 샘플링 간격을 일정하게 하지 않고, 대상 환자에 대해 기 획득된 의료 영상을 기반으로 샘플링 간격을 적응적으로 달리하여 복수개의 CBCT 영상을 획득하는 것을 말한다. 그리고, 의료 영상은 CT(computed tomography) 볼륨 영상일 수 있으며, 예컨대, 대상 환자의 계획(plan) CT 볼륨 영상일 수 있다. 물론, 의료 영상은 MRI(magnetic resonance imaging) 영상, PET(positron emission tomography) 영상 등과 같이 다른 유형의 의료 영상일 수도 있다.
즉, CBCT 영상 획득 장치(100)는 대상 환자에 대해 기 획득된 의료 영상을 기반으로 복수개의 영상 촬영 지점을 획득하고, 복수개의 영상 촬영 지점을 기반으로 대상 환자에 대한 복수개의 CBCT 영상을 획득하며, 복수개의 CBCT 영상을 기반으로 대상 환자에 대한 최종 CBCT 영상을 획득할 수 있다.
여기서, 영상 촬영 지점은 갠트리(gantry) 회전 인덱스(index)일 수 있다.
이를 위해, CBCT 영상 획득 장치(100)는 하나 이상의 프로세서(110), 컴퓨터 판독 가능한 저장 매체(130) 및 통신 버스(150)를 포함할 수 있다.
프로세서(110)는 CBCT 영상 획득 장치(100)가 동작하도록 제어할 수 있다. 예컨대, 프로세서(110)는 컴퓨터 판독 가능한 저장 매체(130)에 저장된 하나 이상의 프로그램(131)을 실행할 수 있다. 하나 이상의 프로그램(131)은 하나 이상의 컴퓨터 실행 가능 명령어를 포함할 수 있으며, 컴퓨터 실행 가능 명령어는 프로세서(110)에 의해 실행되는 경우 CBCT 영상 획득 장치(100)로 하여금 적응적 샘플링을 기반으로 획득한 복수개의 CBCT 영상을 재구성하여 최종 CBCT 영상을 획득하기 위한 동작을 수행하도록 구성될 수 있다.
컴퓨터 판독 가능한 저장 매체(130)는 적응적 샘플링을 기반으로 획득한 복수개의 CBCT 영상을 재구성하여 최종 CBCT 영상을 획득하기 위한 컴퓨터 실행 가능 명령어 내지 프로그램 코드, 프로그램 데이터 및/또는 다른 적합한 형태의 정보를 저장하도록 구성된다. 컴퓨터 판독 가능한 저장 매체(130)에 저장된 프로그램(131)은 프로세서(110)에 의해 실행 가능한 명령어의 집합을 포함한다. 일 실시예에서, 컴퓨터 판독 가능한 저장 매체(130)는 메모리(랜덤 액세스 메모리와 같은 휘발성 메모리, 비휘발성 메모리, 또는 이들의 적절한 조합), 하나 이상의 자기 디스크 저장 디바이스들, 광학 디스크 저장 디바이스들, 플래시 메모리 디바이스들, 그 밖에 CBCT 영상 획득 장치(100)에 의해 액세스되고 원하는 정보를 저장할 수 있는 다른 형태의 저장 매체, 또는 이들의 적합한 조합일 수 있다.
통신 버스(150)는 프로세서(110), 컴퓨터 판독 가능한 저장 매체(130)를 포함하여 CBCT 영상 획득 장치(100)의 다른 다양한 컴포넌트들을 상호 연결한다.
CBCT 영상 획득 장치(100)는 또한 하나 이상의 입출력 장치를 위한 인터페이스를 제공하는 하나 이상의 입출력 인터페이스(170) 및 하나 이상의 통신 인터페이스(190)를 포함할 수 있다. 입출력 인터페이스(170) 및 통신 인터페이스(190)는 통신 버스(150)에 연결된다. 입출력 장치(도시하지 않음)는 입출력 인터페이스(170)를 통해 CBCT 영상 획득 장치(100)의 다른 컴포넌트들에 연결될 수 있다.
한편, 본 발명에 따른 CBCT 영상 획득 장치(100)는 도 4의 (a)에 도시된 바와 같이, CBCT 촬영 시스템(10)과 서로 독립적인 장치로 구현될 수 있다. 이 경우, CBCT 영상 획득 장치(100)는 대상 환자에 대해 기 획득된 의료 영상을 기반으로 CBCT 영상을 촬영할 복수개의 영상 촬영 지점을 획득하고, 획득한 복수개의 영상 촬영 지점을 CBCT 촬영 시스템(10)에 제공할 수 있다. 그러면, CBCT 촬영 시스템(10)은 CBCT 영상 획득 장치(100)로부터 제공받은 복수개의 영상 촬영 지점을 기반으로 대상 환자를 촬영하여 복수개의 CBCT 영상을 획득하고, 획득한 복수개의 CBCT 영상을 CBCT 영상 획득 장치(100)에 제공할 수 있다. 그러면, CBCT 영상 획득 장치(100)는 CBCT 영상 촬영 시스템(100)으로부터 제공받은 복수개의 CBCT 영상을 기반으로 대상 환자에 대한 최종 CBCT 영상을 획득할 수 있다.
물론, 본 발명에 따른 CBCT 영상 획득 장치(100)는 도 4의 (b)에 도시된 바와 같이, CBCT 촬영 시스템(10)과 일체의 형태로 구현될 수도 있다. 이 경우, CBCT 영상 획득 장치(100)는 하드웨어 또는 소프트웨어 형태로 구현되어 CBCT 촬영 시스템(10)에 탑재될 수 있다.
다시 설명하면, 본 발명에 따른 CBCT 영상 획득 장치(100)는 도 5 및 도 6에 도시된 바와 같이, 일정하지 않은 샘플링 간격으로 갠트리를 회전하면서 대상 환자에 대한 복수개의 CBCT 영상을 획득할 수 있다. 즉, CBCT 영상 획득 장치(100)는 비균일한 샘플링을 통해 복수개의 CBCT 영상을 획득할 수 있다.
이때, CBCT 영상 획득 장치(100)는 대상 환자에 대해 기 획득된 의료 영상을 이용하여 CBCT 영상을 촬영할 복수개의 영상 촬영 지점을 획득하고, 획득한 복수개의 영상 촬영 지점 각각에서 대상 환자를 촬영하여 복수개의 CBCT 영상을 획득할 수 있다. 이와 같이, CBCT 영상 획득 장치(100)는 대상 환자의 과거 의료 영상을 기반으로 결정된 샘플링 위치에서 CBCT 촬영을 수행함으로써, 비균일한 샘플링 간격을 가지는 복수개의 CBCT 영상을 획득할 수 있다.
그러면, 도 7 내지 도 12를 참조하여 본 발명의 바람직한 실시예에 따른 적응적 샘플링 기반 CBCT 영상 획득 방법에 대하여 설명한다.
도 7은 본 발명의 바람직한 실시예에 따른 적응적 샘플링 기반 CBCT 영상 획득 방법을 설명하기 흐름도이고, 도 8은 도 7에 도시한 복수개의 영상 촬영 지점 획득 단계의 세부 과정을 설명하기 위한 도면이며, 도 9는 도 7에 도시한 영상 촬영 지점별 영상 획득 과정을 설명하기 위한 도면이고, 도 10은 본 발명의 바람직한 실시예에 따른 적응적 샘플링을 기반으로 복수개의 CBCT 영상을 획득하는 과정의 일례를 설명하기 위한 도면이며, 도 11은 도 7에 도시한 최종 CBCT 영상 획득 과정의 세부 과정을 설명하기 위한 도면으로, 분석적 재구성 알고리즘을 이용하는 경우를 나타내고, 도 12는 도 7에 도시한 최종 CBCT 영상 획득 과정의 세부 과정을 설명하기 위한 도면으로, 반복적 재구성 알고리즘을 이용하는 경우를 나타낸다.
도 7을 참조하면, CBCT 영상 획득 장치(100)의 프로세서(110)는 대상 환자에 대해 기 획득된 의료 영상을 기반으로 복수개의 영상 촬영 지점을 획득할 수 있다(S110).
즉, 프로세서(110)는 도 8에 도시된 바와 같이, 대상 환자에 대한 기 촬영된 의료 영상을 기반으로 영상 촬영 지점별 영상을 획득할 수 있다.
이때, 프로세서(110)는 도 9에 도시된 바와 같이, CBCT 촬영 시스템(10)의 기하학적 정보를 이용하여 전방 프로젝션(forward projection)을 통해 의료 영상으로부터 영상 촬영 지점별 영상을 획득할 수 있다.
그리고, 프로세서(110)는 도 8에 도시된 바와 같이, 획득된 영상 촬영 지점별 영상 각각에 대한 정량적인 값을 획득하고, 영상 촬영 지점별 영상 각각에 대한 정량적인 값을 기반으로 영상 촬영 지점별 영상을 정렬할 수 있다. 예컨대, 프로세서(110)는 획득된 영상 촬영 지점별 영상 각각에 대한 정량적인 값을 기반으로 영상 촬영 지점별 영상을 내림차순으로 정렬할 수 있다.
이때, 프로세서(110)는 획득된 영상 촬영 지점별 영상 각각에 대한 엔트로피(entropy)를 기반으로 영상 촬영 지점별 영상을 정렬할 수 있다. 여기서, 엔트로피는 시스템의 무작위성(randomness) 또는 무질서(disorder)의 정도를 측정하는 것이다. 높은 무질서를 가지면 엔트로피는 높아지고, 낮은 무질서를 가지면 엔트로피는 낮아지게 되며, 아래의 [수학식 1] 및 [수학식 2]를 통해 엔트로피를 계산할 수 있다. 영상에 대한 엔트로피를 계산하는 부분은 종래에 알려진 기술이므로 자세한 설명은 생략한다.
여기서, H는 엔트로피를 나타낸다. PDF(i)는 랜덤 변수 i에 대한 확률 밀도 함수(probability density function, PDF)를 나타낸다.
또한, 프로세서(110)는 획득된 영상 촬영 지점별 영상 각각에 대한 라디오믹 특징(radiomic feature)을 기반으로 영상 촬영 지점별 영상을 정렬할 수 있다. 여기서, 라디오믹 특징은 유형에 따라 아래와 같이 복수개의 클래스로 구분할 수 있으며, 각각의 클래스별로 복수개의 특징으로 이루어져 있다. 즉, 프로세서(110)는 라디오믹 특징에 따른 복수개의 특징 중에서 적어도 하나의 특징을 이용하여 영상 촬영 지점별 영상 각각에 대한 정량적인 값을 획득할 수 있다. 라디오믹 특징의 일부 클래스의 특징들에 대해서만 아래에 설명하였으나, 다른 클래스의 특징들을 이용할 수도 있다. 그리고, 영상에 대한 라디오믹 특징을 계산하는 부분은 종래에 알려진 기술이므로 자세한 설명은 생략한다.
- 클래스 : 2D Shape Features
2D Shape Features 클래스의 특징들은 관심 영역(region of interest, ROI)의 2차원 크기와 모양에 대한 특징이며, 구체적인 특징들은 아래와 같다.
1. Mesh Suruface Feature
2. Pixel Surface Feature
3. Perimeter Feature
4. Perimeter to Surface ratio Feature
5. Sphericity Feature
6. Spherical Disproportion Feature
7. Maximum 2D diameter Feature
최대 직경(maximum diameter)은 종양 표면 메쉬 정점(tumor surface mesh verices) 사이의 가장 큰 쌍의 유클리드 거리(Euclidean distance)로 정의된다.
8. Major Axis Length Feature
9. Minor Axis Length Feature
10. Elongation Feature
- 클래스 : Gray Level Co-occurrence Matrix(GLCM) Features
GLCM Feaures 클래스의 특징들은 마스크에 의해 제한된 이미지 영역의 2차 조인트 확률 함수(second-order joint probability function)에 대한 특징이며, 구체적인 특징들은 아래와 같다.
1. Autocorrelation Feature
2. Joint Average Feature
3. Cluster Prominence Feature
4. Cluster Shade Feature
5. Cluster Tendency Feature
6. Contrast Feature
7. Correlation Feature
8. Difference Average Feature
9. Difference Entropy Feature
10. Difference Variance Feature
11. Joint Energy Feature
12. Joint Entropy Feature
13. Informational Measure of Correlation(IMC) 1 Feature
14. Informational Measure of Correlation(IMC) 2 Feature
15. Inverse Difference Moment(IDM) Feature
16. Maximal Correlation Coefficient(MCC) Feature
17. Inverse Difference Moment Normalized(IDMN) Feature
18. Inverse Difference(ID) Feature
19. Inverse Difference Normalized(IDN) Feature
20. Inverse Variance Feature
21. Maximum Probability Feature
22. Sum Average Feature
23. Sum Entropy Feature
24. Sum of Squares Feature
- 클래스 : Gray Level Size Zone Matrix(GLSZM) Features
GLSZM Features 클래스의 특징들은 이미지에서 그레이 레벨 영역(gray level zone)의 정량화에 대한 특징이며, 구체적인 특징들은 아래와 같다.
1. Small Area Emphasis(SAE) Feature
2. Large Area Emphasis(LAE) Feature
3. Gray Level Non-Uniformity(GLN) Feature
4. Gray Level Non-Uniformity Normalized(GLNN) Feature
5. Size-Zone Non-Uniformity(SZN) Feature
6. Side-Zone Non-Uniformity Normalized(SZNN) Feature
7. Zone Percentage(ZP) Feature
8. Grey Level Variance(GLV) Feature
9. Zone Variance(ZV) Feature
10. Zone Entropy(ZE) Feature
11. Low Gray Level Zone Emphasis(LGLZE) Feature
12. High Gray Level Zone Emphasis(HGLZE) Feature
13. Small Area Low Gray Level Emphasis(SALGLE) Feature
14. Small Area High Gray Level Emphasis(SAHGLE) Feature
15. Large Area Low Gray Level Emphasis(LALGLE) Feature
16. Large Area High Gray Level Emphasis(LAHGLE) Feature
- 클래스 : Gray Level Run Length Matrix(GLRLM) Features
GLRLM Features 클래스의 특징들은 동일한 그레이 레벨 값(gray level value)을 갖는 연속 픽셀의 픽셀 수로 정의되는 그레이 레벨 런(gray level run)의 정량화에 대한 특징이며, 구체적인 특징들은 아래와 같다.
1. Short Run Emphasis(SRE) Feature
2. Long Run Emphasis(LRE) Feature
3. Gray Level Non-Uniformity(GLN) Feature
4. Gray Level Non-Uniformity Normalized(GLNN) Feature
5. Run Length Non-Uniformity(RLN) Feature
6. Run Length Non-Uniformity Normalized(RLNN) Feature
7. Run Percentage(RP) Feature
8. Grey Level Variance(GLV) Feature
9. Run Variance(RV) Feature
10. Run Entropy(RE) Feature
11. Low Gray Level Run Emphasis(LGLRE) Feature
12. High Gray Level Run Emphasis(HGLRE) Feature
13. Short Run Low Gray Level Emphasis(SRLGLE) Feature
14. Short Run High Gray Level Emphasis(SRHGLE) Feature
15. Long Run Low Gray Level Emphasis(LRLGLE) Feature
16. Long Run High Gray Level Emphasis(LRHGLE) Feature
물론, 정량적인 값은 엔트로피나 라디오믹 특징 외의 다른 측정 지수(입력된 이미지에 대응되는 정량적인 수치를 산출하는 다른 방법)를 이용할 수도 있다.
한편, 프로세서(110)는 획득된 영상 촬영 지점별 영상의 전체 영역을 대상으로 하여 영상 촬영 지점별 영상 각각에 대한 정량적인 값을 획득할 수 있다. 물론, 프로세서(110)는 획득된 영상 촬영 지점별 영상의 부분 영역을 대상으로 하여 영상 촬영 지점별 영상 각각에 대한 정량적인 값을 획득할 수도 있다. 예컨대, 방사선 치료에서 CBCT 촬영 전에 환자 plan을 위해 CT를 촬영하게 되는데, 얻어진 CT 영상에 plan을 위해 사용자들이 관심 장기들에 윤곽 형성(contouring)을 하게 된다. 이 경우, 프로세서(110)는 윤곽 형성(contouring)된 영역을 대상으로 하여, 획득된 영상 촬영 지점별 영상 각각에 대한 정량적인 값을 획득할 수 있다.
그리고, 프로세서(110)는 도 8에 도시된 바와 같이, 정렬된 영상 촬영 지점별 영상 중에서 미리 설정된 기준에 따라 복수개의 영상을 선택할 수 있다.
예컨대, 프로세서(110)는 정렬된 영상 촬영 지점별 영상 중에서 정량적인 값이 큰 순서대로 복수개의 영상을 선택할 수 있다. 여기서, 선택되는 영상의 개수는 특정 숫자(10개 등)로 미리 설정될 수 있다. 또한, 선택되는 영상의 개수는 전체 영상 촬영 지점의 개수를 기준으로 하는 미리 설정된 비율(30% 등)을 통해 획득될 수도 있다. 전체 영상 촬영 지점의 개수가 "20개"이고 미리 설정된 비율이 "25%"인 경우, 선택되는 영상의 개수는 "20개 * 25% = 5개"로 획득될 수 있다.
또한, 미리 설정된 기준이 "미리 설정된 임계값 이상의 영상"인 경우, 프로세서(110)는 정렬된 영상 촬영 지점별 영상 중에서 영상에 대응되는 정량적인 값이 미리 설정된 임계값보다 큰 영상들을 선택할 수도 있다.
그리고, 프로세서(110)는 도 8에 도시된 바와 같이, 선택된 복수개의 영상 각각에 대응되는 영상 촬영 지점을 복수개의 영상 촬영 지점으로 획득할 수 있다.
그런 다음, 프로세서(110)는 복수개의 영상 촬영 지점을 기반으로 대상 환자에 대한 복수개의 CBCT 영상을 획득할 수 있다(S130).
즉, 프로세서(110)는 복수개의 영상 촬영 지점 각각에서 CBCT 촬영 시스템(10)을 통해 대상 환자를 촬영하여 복수개의 CBCT 영상을 획득할 수 있다.
예컨대, 도 10을 참조하면, 프로세서(110)는 전체 영상 촬영 지점들(도 10의 가능한 영상 촬영 지점들) 중에서 대상 환자의 과거 의료 영상을 기반으로 선택된 영상 촬영 지점들(도 10의 선택된 영상 촬영 지점들) 각각에서 대상 환자를 촬영하여 복수개의 CBCT 영상을 획득할 수 있다. 즉, 선택된 영상 촬영 지점들(도 10의 선택된 영상 촬영 지점들) 각각에서, CBCT 촬영 시스템(10)의 방사선 조사부를 통해 대상 환자를 향해 방사선 빔을 조사하고, CBCT 촬영 시스템(10)의 영상 획득부를 통해 대상 환자를 투과한 방사선 빔을 감지하여 CBCT 영상을 획득할 수 있다.
이후, 프로세서(110)는 복수개의 CBCT 영상을 기반으로 대상 환자에 대한 최종 CBCT 영상을 획득할 수 있다(S150).
이때, 프로세서(110)는 분석적 재구성 알고리즘(analytical reconstruction algorithm) 및 반복적 재구성 알고리즘(iterative reconstruction algorithm) 중 하나를 이용하여 복수개의 CBCT 영상을 기반으로 최종 CBCT 영상을 획득할 수 있다.
예컨대, 도 11을 참조하면, 프로세서(110)는 분석적 재구성 알고리즘을 이용하여 복수개의 CBCT 영상을 재구성하여 대상 환자에 대한 최종 CBCT 영상을 획득할 수 있다. 즉, 프로세서(110)는 프로젝션 데이터(본 발명에 따른 적응적 샘플링을 통해 획득된 복수개의 CBCT 영상)을 기반으로, "미가공 데이터 도메인(raw data domain)에서의 노이즈 저감(noise reduction) 과정" -> "FBP(filtered backprojection) 재구성 방법을 통한 이미지 획득 과정" -> "이미지 도메인(image domain)에서의 노이즈 저감 과정"을 수행하여 최종 CBCT 영상을 획득할 수 있다. 분석적 재구성 알고리즘을 기반으로 영상을 재구성하는 부분은 종래에 알려진 기술이므로 자세한 설명은 생략한다.
또한, 도 12를 참조하면, 프로세서(110)는 반복적 재구성 알고리즘을 이용하여 복수개의 CBCT 영상을 재구성하여 대상 환자에 대한 최종 CBCT 영상을 획득할 수 있다. 즉, 프로세서(110)는 원본 프로젝션 데이터(본 발명에 따른 적응적 샘플링을 통해 획득된 복수개의 CBCT 영상)을 기반으로, "FBP(filtered backprojection) 재구성 방법을 통한 이미지 획득 과정"을 수행한 다음, "이미지를 기반으로 전방 프로젝션(forward projection)을 통해 계산된 프로젝션 데이터 획득 과정" -> "원본 프로젝션 데이터와 계산된 프로젝션 데이터 비교 과정" -> "비교 결과에 따른 이미지 업데이트 과정"을 반복적으로 수행하여 최종 CBCT 영상을 획득할 수 있다. 반복적 재구성 알고리즘을 기반으로 영상을 재구성하는 부분은 종래에 알려진 기술이므로 자세한 설명은 생략한다.
본 실시예들에 따른 동작은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능한 저장 매체에 기록될 수 있다. 컴퓨터 판독 가능한 저장 매체는 실행을 위해 프로세서에 명령어를 제공하는데 참여한 임의의 매체를 나타낸다. 컴퓨터 판독 가능한 저장 매체는 프로그램 명령, 데이터 파일, 데이터 구조 또는 이들의 조합을 포함할 수 있다. 예컨대, 자기 매체, 광기록 매체, 메모리 등이 있을 수 있다. 컴퓨터 프로그램은 네트워크로 연결된 컴퓨터 시스템 상에 분산되어 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수도 있다. 본 실시예를 구현하기 위한 기능적인(Functional) 프로그램, 코드, 및 코드 세그먼트들은 본 실시예가 속하는 기술 분야의 프로그래머들에 의해 용이하게 추론될 수 있을 것이다.
본 실시예들은 본 실시예의 기술 사상을 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100 : CBCT 영상 획득 장치,
110 : 프로세서,
130 : 컴퓨터 판독 가능한 저장 매체,
131 : 프로그램,
150 : 통신 버스,
170 : 입출력 인터페이스,
190 : 통신 인터페이스
110 : 프로세서,
130 : 컴퓨터 판독 가능한 저장 매체,
131 : 프로그램,
150 : 통신 버스,
170 : 입출력 인터페이스,
190 : 통신 인터페이스
Claims (13)
- 대상 환자에 대해 기 획득된 의료 영상을 기반으로 복수개의 영상 촬영 지점을 획득하는 단계;
상기 복수개의 영상 촬영 지점을 기반으로 상기 대상 환자에 대한 복수개의 CBCT(cone beam computed tomography) 영상을 획득하는 단계; 및
상기 복수개의 CBCT 영상을 기반으로 상기 대상 환자에 대한 최종 CBCT 영상을 획득하는 단계;
를 포함하고,
상기 복수개의 영상 촬영 지점 획득 단계는,
상기 의료 영상을 기반으로 영상 촬영 지점별 영상을 획득하고, 획득된 상기 영상 촬영 지점별 영상 각각에 대한 정량적인 값을 기반으로 상기 영상 촬영 지점별 영상을 정렬하며, 정렬된 상기 영상 촬영 지점별 영상 중에서 미리 설정된 기준에 따라 복수개의 영상을 선택하고, 선택된 복수개의 영상 각각에 대응되는 영상 촬영 지점을 상기 복수개의 영상 촬영 지점으로 획득하는 것으로 이루어지는,
적응적 샘플링 기반 CBCT 영상 획득 방법. - 삭제
- 제1항에서,
상기 복수개의 영상 촬영 지점 획득 단계는,
획득된 상기 영상 촬영 지점별 영상 각각에 대한 엔트로피(entropy)를 기반으로 상기 영상 촬영 지점별 영상을 정렬하는 것으로 이루어지는,
적응적 샘플링 기반 CBCT 영상 획득 방법. - 제1항에서,
상기 복수개의 영상 촬영 지점 획득 단계는,
획득된 상기 영상 촬영 지점별 영상 각각에 대한 정량적인 값을 기반으로 상기 영상 촬영 지점별 영상을 내림차순으로 정렬하며, 정렬된 상기 영상 촬영 지점별 영상 중에서 정량적인 값이 큰 순서대로 복수개의 영상을 선택하는 것으로 이루어지는,
적응적 샘플링 기반 CBCT 영상 획득 방법. - 제1항에서,
상기 복수개의 영상 촬영 지점 획득 단계는,
CBCT 촬영 시스템의 기하학적 정보를 이용하여 전방 프로젝션(forward projection)을 통해 상기 의료 영상으로부터 상기 영상 촬영 지점별 영상을 획득하는 것으로 이루어지는,
적응적 샘플링 기반 CBCT 영상 획득 방법. - 제1항에서,
상기 복수개의 CBCT 영상 획득 단계는,
상기 복수개의 영상 촬영 지점 각각에서 CBCT 촬영 시스템을 통해 상기 대상 환자를 촬영하여 상기 복수개의 CBCT 영상을 획득하는 것으로 이루어지는,
적응적 샘플링 기반 CBCT 영상 획득 방법. - 제1항에서,
상기 최종 CBCT 영상 획득 단계는,
분석적 재구성 알고리즘(analytical reconstruction algorithm) 및 반복적 재구성 알고리즘(iterative reconstruction algorithm) 중 하나를 이용하여 상기 복수개의 CBCT 영상을 기반으로 상기 최종 CBCT 영상을 획득하는 것으로 이루어지는,
적응적 샘플링 기반 CBCT 영상 획득 방법. - 제1항에서,
상기 의료 영상은,
CT(computed tomography) 볼륨 영상이고,
상기 영상 촬영 지점은,
갠트리(gantry) 회전 인덱스(index)인,
적응적 샘플링 기반 CBCT 영상 획득 방법. - 제1항, 제3항 내지 제8항 중 어느 한 항에 기재된 적응적 샘플링 기반 CBCT 영상 획득 방법을 컴퓨터에서 실행시키기 위하여 컴퓨터 판독 가능한 저장 매체에 저장된 컴퓨터 프로그램.
- 적응적 샘플링을 기반으로 획득한 복수개의 CBCT(cone beam computed tomography) 영상을 재구성하여 최종 CBCT 영상을 획득하는 CBCT 영상 획득 장치로서,
상기 적응적 샘플링을 기반으로 획득한 상기 복수개의 CBCT 영상을 재구성하여 상기 최종 CBCT 영상을 획득하기 위한 하나 이상의 프로그램을 저장하는 메모리; 및
상기 메모리에 저장된 상기 하나 이상의 프로그램에 따라 상기 적응적 샘플링을 기반으로 획득한 상기 복수개의 CBCT 영상을 재구성하여 상기 최종 CBCT 영상을 획득하기 위한 동작을 수행하는 하나 이상의 프로세서;
를 포함하고,
상기 프로세서는,
대상 환자에 대해 기 획득된 의료 영상을 기반으로 복수개의 영상 촬영 지점을 획득하고,
상기 복수개의 영상 촬영 지점을 기반으로 상기 대상 환자에 대한 상기 복수개의 CBCT 영상을 획득하며,
상기 복수개의 CBCT 영상을 기반으로 상기 대상 환자에 대한 상기 최종 CBCT 영상을 획득하고,
상기 프로세서는,
상기 의료 영상을 기반으로 영상 촬영 지점별 영상을 획득하고, 획득된 상기 영상 촬영 지점별 영상 각각에 대한 정량적인 값을 기반으로 상기 영상 촬영 지점별 영상을 정렬하며, 정렬된 상기 영상 촬영 지점별 영상 중에서 미리 설정된 기준에 따라 복수개의 영상을 선택하고, 선택된 복수개의 영상 각각에 대응되는 영상 촬영 지점을 상기 복수개의 영상 촬영 지점으로 획득하는,
적응적 샘플링 기반 CBCT 영상 획득 장치. - 삭제
- 제10항에서,
상기 프로세서는,
획득된 상기 영상 촬영 지점별 영상 각각에 대한 엔트로피(entropy)를 기반으로 상기 영상 촬영 지점별 영상을 정렬하는,
적응적 샘플링 기반 CBCT 영상 획득 장치. - 제10항에서,
상기 프로세서는,
획득된 상기 영상 촬영 지점별 영상 각각에 대한 정량적인 값을 기반으로 상기 영상 촬영 지점별 영상을 내림차순으로 정렬하며, 정렬된 상기 영상 촬영 지점별 영상 중에서 정량적인 값이 큰 순서대로 복수개의 영상을 선택하는,
적응적 샘플링 기반 CBCT 영상 획득 장치.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210094913A KR102540320B1 (ko) | 2021-07-20 | 2021-07-20 | 적응적 샘플링 기반 cbct 영상 획득 방법 및 장치 |
| US17/812,289 US20230030889A1 (en) | 2021-07-20 | 2022-07-13 | Method and apparatus for acquiring cbct image based on adaptive sampling |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210094913A KR102540320B1 (ko) | 2021-07-20 | 2021-07-20 | 적응적 샘플링 기반 cbct 영상 획득 방법 및 장치 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230013881A KR20230013881A (ko) | 2023-01-27 |
| KR102540320B1 true KR102540320B1 (ko) | 2023-06-07 |
Family
ID=85039358
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210094913A KR102540320B1 (ko) | 2021-07-20 | 2021-07-20 | 적응적 샘플링 기반 cbct 영상 획득 방법 및 장치 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20230030889A1 (ko) |
| KR (1) | KR102540320B1 (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117115172B (zh) * | 2023-10-25 | 2024-01-12 | 山东鲁润阿胶药业有限公司 | 一种基于机器视觉的阿胶品质检测方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009172380A (ja) | 2008-01-25 | 2009-08-06 | General Electric Co <Ge> | 画像再構成の方法及びシステム |
| JP2013529491A (ja) | 2010-06-21 | 2013-07-22 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 低線量ｃｔイメージングを実行するための方法及びシステム |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150016054A (ko) * | 2013-08-01 | 2015-02-11 | 삼성전자주식회사 | Ｃｔ 장치 및 ｃｔ 장치에 의한 이미지 생성 방법 |
| EP2866045A1 (en) * | 2013-10-23 | 2015-04-29 | Samsung Electronics Co., Ltd | Magnetic resonance imaging apparatus and method |
| KR101663229B1 (ko) * | 2013-10-23 | 2016-10-06 | 삼성전자주식회사 | 자기 공명 영상 장치 및 그에 따른 자기 공명 영상의 이미징 방법 |
| KR20170032818A (ko) * | 2015-09-15 | 2017-03-23 | 삼성전자주식회사 | 단층 촬영 장치 및 단층 촬영 장치의 제어 방법 |
| PL3362987T3 (pl) * | 2015-10-14 | 2022-01-10 | Shanghai United Imaging Healthcare Co., Ltd. | Układ i sposób korekcji obrazu |
| US11037338B2 (en) * | 2018-08-22 | 2021-06-15 | Nvidia Corporation | Reconstructing image data |
-
2021
- 2021-07-20 KR KR1020210094913A patent/KR102540320B1/ko active IP Right Grant
-
2022
- 2022-07-13 US US17/812,289 patent/US20230030889A1/en active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009172380A (ja) | 2008-01-25 | 2009-08-06 | General Electric Co <Ge> | 画像再構成の方法及びシステム |
| JP2013529491A (ja) | 2010-06-21 | 2013-07-22 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 低線量ｃｔイメージングを実行するための方法及びシステム |
Also Published As
| Publication number | Publication date |
|---|---|
| US20230030889A1 (en) | 2023-02-02 |
| KR20230013881A (ko) | 2023-01-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7179757B2 (ja) | ディープ畳み込みニューラルネットワークを使用した医用画像化のための線量低減 | |
| RU2413245C2 (ru) | Обработка изображений позитронно-эмиссионной томографии с использованием анатомической маски режима списка | |
| CN107133996B (zh) | 产生用于pet数据重建的衰减图的方法及pet/ct系统 | |
| US8611626B2 (en) | System and methods for fast implementation of equally-sloped tomography | |
| Leuschner et al. | The lodopab-ct dataset: A benchmark dataset for low-dose ct reconstruction methods | |
| RU2568321C2 (ru) | Реконструкция изображения изучаемой области | |
| US11941786B2 (en) | Image noise reduction method and device | |
| US10593071B2 (en) | Network training and architecture for medical imaging | |
| US8532350B2 (en) | Dose reduction and image enhancement in tomography through the utilization of the object's surroundings as dynamic constraints | |
| US8781198B2 (en) | High contrast imaging and fast imaging reconstruction | |
| US11037338B2 (en) | Reconstructing image data | |
| CN110415311B (zh) | Pet图像重建方法、系统、可读存储介质和设备 | |
| US20140016847A1 (en) | Multi-phase computed tomography image reconstruction | |
| KR102540320B1 (ko) | 적응적 샘플링 기반 cbct 영상 획득 방법 및 장치 | |
| CN112351738A (zh) | 患者自适应核成像 | |
| KR102137765B1 (ko) | 사전 영상을 이용하는 고품질의 4차원 콘빔 전산화 단층 촬영 시스템 | |
| US10565748B2 (en) | Medical imaging apparatus and method of operating the same | |
| EP4148680A1 (en) | Attenuation correction-based weighting for tomographic inconsistency detection | |
| CN113168721A (zh) | 用于重建对象的图像的系统 | |
| US11810228B2 (en) | Network determination of limited-angle reconstruction | |
| US11574184B2 (en) | Multi-modal reconstruction network | |
| JP6974159B2 (ja) | 画像処理装置および画像処理方法 | |
| Reader et al. | Adaptive correction of scatter and random events for 3-D backprojected PET data | |
| Leuschner et al. | The LoDoPaB-CT Dataset | |
| KR102077387B1 (ko) | 인공지능 기반 핵의학 영상 획득 방법 및 장치 |
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 |