KR20190060054A - 치과용 콘-빔 ｃｔ의 산란선 보정방법 및 보정장치 - Google Patents

치과용 콘-빔 ｃｔ의 산란선 보정방법 및 보정장치 Download PDF

Info

Publication number
KR20190060054A
KR20190060054A KR1020170157843A KR20170157843A KR20190060054A KR 20190060054 A KR20190060054 A KR 20190060054A KR 1020170157843 A KR1020170157843 A KR 1020170157843A KR 20170157843 A KR20170157843 A KR 20170157843A KR 20190060054 A KR20190060054 A KR 20190060054A
Authority
KR
South Korea
Prior art keywords
image
neural network
artificial neural
learning
ray
Prior art date
Application number
KR1020170157843A
Other languages
English (en)
Other versions
KR102020221B1 (ko
Inventor
이상철
장성호
Original Assignee
주식회사 레이
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 레이 filed Critical 주식회사 레이
Priority to KR1020170157843A priority Critical patent/KR102020221B1/ko
Priority to PCT/KR2018/013344 priority patent/WO2019103354A1/ko
Priority to US16/757,073 priority patent/US11380025B2/en
Publication of KR20190060054A publication Critical patent/KR20190060054A/ko
Application granted granted Critical
Publication of KR102020221B1 publication Critical patent/KR102020221B1/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
    • 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
    • A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computerised tomographs
    • A61B6/032—Transmission computed tomography [CT]
    • 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
    • A61B6/14—Applications or adaptations for dentistry
    • 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
    • A61B6/40—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment with arrangements for generating radiation specially adapted for radiation diagnosis
    • A61B6/4064—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment with 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 for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/42—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment with arrangements for detecting radiation specially adapted for radiation diagnosis
    • A61B6/4291—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment with arrangements for detecting radiation specially adapted for radiation diagnosis the detector being combined with a grid or grating
    • A61B6/51—
    • 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
    • A61B6/5258—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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30036—Dental; Teeth
    • 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
    • G06T2211/441—AI-based methods, deep learning or artificial neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/452—Computed tomography involving suppression of scattered radiation or scatter correction

Abstract

본 발명은 치과용 콘-빔 ＣＴ의 산란선 보정방법 및 장치에 관한 것으로서, 몬테카를로 시뮬레이션과 인공 신경망을 이용하여 학습하여 스캐터 보정을 하도록 함으로써 재구성 영상의 화질이 향상되도록 하는데 그 목적이 있다.
상기 목적을 달성하기 위한 치과용 콘-빔 CT의 산란선 보정방법은, 콘-빔 CT의 X선 선원을 일정 각도로 회전시키면서 평판 디텍터를 이용하여 각도별 CT 영상을 취득하여 3차원 CT 영상을 재구성하는 단계와; 재구성된 3차원 CT 영상을 이용하여 각도별로 몬테카를로 시뮬레이션을 수행하여 투사 영상의 2D 프로파일을 생성하는 단계와; 투사 영상의 2D 프로파일을 분해하여 디텍터까지 도달하면서 산란되지 않은 프라이머리 X선 영상과, 산란선들만이 영상 생성에 관여한 스캐터 영상으로 분해하는 단계와; 시뮬레이션에서 생성된 프라이머리 영상과 스캐터 영상을 목적함수로 하고 실제 획득된 투사 영상을 입력으로 하는 인공 신경망을 구성하고 학습하는 단계와; 인공 신경망에 따른 학습정보를 저장하고 이 학습정보를 스캐터 보정에 적용하는 단계;를 포함하는 것을 특징으로 한다.

Description

치과용 콘-빔 ＣＴ의 산란선 보정방법 및 보정장치{Scatter Correction Method and Apparatus of Cone-beam CT for Dental Treatment}
본 발명은 인체의 치아를 촬영하는데 사용되는 치과용 콘-빔 CT의 영상에서 산란선을 보정하는 방법 및 보정장치에 관한 것으로서, 더욱 상세하게는, 몬테카를로 시뮬레이션과 인공 신경망을 이용한 학습에 의해 스캐터 보정을 하도록 함으로써 재구성 영상의 화질을 향상시킬 수 있는 치과용 콘-빔 CT의 산란선 보정방법 및 보정장치에 관한 것이다.
일반적으로 빛은 직진성과 확산성을 모두 구비하고 있으며, 이러한 빛의 확산성으로 인해 CT(Computerized Tomography) 촬영시 산란선이 발생하게 된다.
또한 상기 산란선으로 인해 영상 전체에 저주파 성분의 노이즈가 포함되어, 재구성된 CT 영상에서 화질이 저하하게 된다.
이에 따라, CT 촬영시 선명한 화질의 영상을 얻기 위하여 실제 촬영된 영상으로부터 산란선을 제거하고 있다.
상기 산란선을 제거하는 방법으로는, 물리적으로 산란선을 제거하거나 산란분포를 예측하여 보정하는 방법이 있다.
물리적으로 산란선을 제거하는 방법으로, 도 1에 도시된 바와 같이, 의료용 CT에서 높은 종횡비(Aspect Ratio; h/d)를 갖는 콜리메이터(Collimator(1)를 사용하여, 이 콜리메이터(1)를 통과한 X선의 광자를 디텍터(Detector(2)로 감지함으로써 산란선의 영향을 최소화하는 방법이 있다.
이때, 상기 콜리메이터(1)와 디텍터(2)는, 도 1(a)와 같이 나란하게 배치될 수도 있고, 도 1(b)와 같이 약간 곡선 형태로 배치될 수도 있다.
또한 인체용 디지털 X선 촬영시 산란 X선을 줄이기 위한 방법으로, 도 2에 도시된 바와 같이, 안티 스캐터 그리드(Anti-scatter Grid(3)를 사용하여, 주 광선(Primary Ray(4)만 안티 스캐터 그리드(3)의 구멍(3')을 통과하도록 하는 방법이 있다.
즉, 상기 안티 스캐터 그리드(3)의 구멍(3')과 나란한 주 광선(4)만 통과하게 하고, 산란선(Scatter Ray)(5)은 안티 스캐터 그리드(3)의 구멍(3')을 통과하지 못하게 함으로써, 산란선(5)의 영향을 최소화하고 있다.
이때, 상기 안티 스캐터 그리드(3)를 통과한 주광선(4)의 데이터를 취득할 수 있도록, 평판형 디텍터를 사용하고 있다.
그런데 상기한 물리적 산란선 제거방식에 의하면, 치과용 콘-빔 CT에서는 픽셀의 크기와 간격 등 구조상의 제한이 있기 때문에, 인체용 CT와 같은 콜리메이터를 적용하기가 어렵다는 문제가 있다.
또한 인체용 디지털 X선 촬영에서와 같이 안티 스캐터 그리드를 사용하게 되면, 선량의 증가와 더불어 영상에서의 픽셀 크기와 그리드 라인 사이의 상관 관계에 따라 발생하는 그리드 라인의 처리에 많은 시간이 소요되는 문제점이 있다.
또한 산란선 예측을 통한 보정방법으로, 디텍터의 일부 면적을 산란선 측정에 이용한 후 전체 산란선 분포를 예측하는 방법이 있다.
그러나 이 경우에는, 디텍터의 일부 면적만 산란선 측정에 이용함에 따라 디텍터의 전체 면적을 활용하지 못하게 되고, CT 영상의 시야(FOV; Field of View)가 작아지는 단점이 있다.
또한 콘-빔 CT의 X선 선원을 일정 각도로 회전시키면서 평판 디텍터를 이용하여 각도별 CT 영상을 취득하여 CT 영상을 재구성하고, 이를 바탕으로 몬테 카를로(Monte Carlo) 시뮬레이션을 통해 산란선 분포를 예측한 후, 투사영상을 재보정한 다음 다시 CT 영상을 재구성하는 방법도 있다.
그러나 이 방식은, 시뮬레이션에 많은 시간이 소요되어 실제 제품에는 적용하기가 어려운 단점이 있다.
한편 본 발명과 관련된 선행기술을 검색한 결과 다수의 특허문헌이 검색되었으며, 그 중 일부를 소개하면 다음과 같다.
특허문헌 1은, 피검체를 향하여 X선을 방사하는 X선 발생원과, 상기 X선 발생원과 상기 피검체 사이에 배치되며, 그 길이방향이 상기 피검체의 원형 스캔 회전축과 평행하게 배열된 복수의 스트립 살과 빈 공간부가 교대로 배치되어 상기 X선 발생원에서 방사되는 X선의 일부를 차단하는 빔차단 스트립과, 상기 피검체를 사이에 두고 상기 X선 발생원과 대향하도록 배치되며, 상기 빔차단 스트립 및 상기 피검체로 인해 X선 산란된 영상을 포함한 X선 투과영상 데이터를 검출하는 평판형의 다열 X선 검출기와, 상기 피검체를 원형 스캔하고, 상기 다열 X선 검출기로부터 검출된 X선 투과영상 데이터를 제공받아 상기 스트립 살의 배열과 수직방향의 X선 검출기 각 열마다 1차원적인 산란보정을 수행하여 추정산란영상 데이터를 획득한 후, 상기 검출된 X선 투과영상 데이터에서 상기 획득된 추정산란영상 데이터를 제거하여 산란보정 투과영상을 획득하고, 상기 획득된 산란보정 투과영상을 기반으로 역투영 필터링 방법을 이용하여 영상재건을 통해 산란보정 후 재건된 단층영상을 획득하는 산란영상 보정장치를 포함함으로써, 추가적인 스캔에 따른 추가 피폭(exposure)을 피할 수 있으며, 영상 왜곡 없이 산란 오차를 크게 줄일 수 있는 X선 단층촬영 시스템 및 이를 이용한 산란 보정 방법을 개시하고 있다.
특허문헌 2는, 치료계획용 CT(Plan CT) 장치로 촬영 대상의 CT 영상이 촬영되어 영상 파일이 획득되는 단계; 획득된 영상 파일이 복셀 팬텀(voxel phantom)으로 변환되는 단계; 상기 복셀 팬텀을 이용하여 제1 콘빔 CT(conebeam CT) 영상이 획득되는 단계; 상기 제1 콘빔 CT 영상으로부터 몬테칼로 전산모사를 통해 산란선 분포가 획득되는 단계; 상기 촬영 대상이 실제로 콘빔 CT 장치로 촬영되어 제2 콘빔 CT 영상이 획득되는 단계; 및 획득된 상기 제2 콘빔 CT 영상으로부터 획득된 산란선 분포를 이용하여 산란선 분포가 제거되는 단계를 포함하며, 기존의 콘빔 CT 영상에 포함되는 고유 오차가 산란선 분포에 포함되지 않아 정확도가 증가하며, 매 치료시마다 신속하게 산란선 분포가 제거된 교정 영상을 획득할 수 있도록 한, 치료 계획용 CT 영상을 이용한 산란선 제거 방법을 개시하고 있다.
KR 10-2012-0138451 A KR 10-1613391 B1
본 발명은 상기한 종래 기술의 문제점을 해결하기 위한 것으로서, 몬테카를로 시뮬레이션과 인공 신경망을 이용한 학습에 의해 스캐터 보정을 하도록 함으로써, 재구성 영상의 화질을 향상시킬 수 있는 치과용 콘-빔 CT의 산란선 보정방법 및 장치를 제공하는데 그 목적이 있다.
상기 목적을 달성하기 위한 본 발명의 치과용 콘-빔 CT의 산란선 보정방법은, 콘-빔 CT의 X선 선원을 일정 각도로 회전시키면서 평판 디텍터를 이용하여 각도별 CT 영상을 취득하여 3차원 CT 영상을 재구성하는 단계와; 재구성된 3차원 CT 영상을 이용하여 각도별로 몬테카를로 시뮬레이션을 수행하여 투사 영상의 2D 프로파일을 생성하는 단계와; 투사 영상의 2D 프로파일을 분해하여 디텍터까지 도달하면서 산란되지 않은 프라이머리 X선 영상과, 산란선들만이 영상 생성에 관여한 스캐터 영상으로 분해하는 단계와; 시뮬레이션에서 생성된 프라이머리 영상과 스캐터 영상을 목적함수로 하고, 실제 획득된 투사 영상을 입력으로 하는 인공 신경망을 구성하고 학습하는 단계와; 인공 신경망에 따른 학습정보를 저장하고 이 학습정보를 스캐터 보정에 적용하는 단계;를 포함하는 것을 특징으로 한다.
또한 상기 몬테카를로 시뮬레이션은 Geant4, MCNP, Penelope, EGS를 포함하는 방사선 입자 수송 MC 시뮬레이션 프로그램을 이용하여 수행하는 것을 특징으로 한다.
또한 상기 스캐터 영상은 최소제곱법 또는 최적화 기법을 통해 서피스 핏(Surface Fit)을 수행한 후에 사용하는 것을 특징으로 한다.
또한 상기 인공 신경망은, 콘볼루션 인공 신경망(CNN; Convolutional Neural Network), 딥 빌리프 인공 신경망(DBN; Deep Belief Network), 딥 하이퍼 인공 신경망(DHN; Deep HyperNetwork), 생성적 적대 인공 신경망(GAN; Generative Adversarial Network), 영상을 기반으로 학습을 할 수 있는 인공 신경망 중 어느 하나이거나 이들의 조합 또는 변형에 의해 구성되는 것을 특징으로 한다.
또한 상기 산란 보정방법은, 저에너지와 고에너지의 두 에너지를 사용하는 듀얼 에너지 콘-빔 CT에 적용되는 것을 특징으로 한다.
또한 인공 신경망을 이용한 학습시, 관 전압과, 관 전류, 필터 물질의 종류, 필터의 두께를 포함하는 X선 조사 조건을 학습 데이터로 제공하는 것을 특징으로 한다.
그리고, 본 발명의 치과용 콘-빔 CT의 산란선 보정장치는, CT 영상이 바탕이 되는 각도별 투사 영상들을 입력으로 하고 학습 데이터를 바탕으로 생성된 스캐터 영상이나 복수의 1D 산란 프로파일 또는 2D 산란 프로파일로 하여, 투사 영상으로부터 스캐터 프로파일을 결정하는 인공 신경망과; 출력된 산란 X선 데이터를 투사 영상으로부터 제거하는 스캐터 제거 모듈;을 포함하는 컴퓨터 프로그램을 구비하는 것을 특징으로 한다.
또한 상기 인공 신경망은, 학습시 기 확보된 피검체의 CT 영상에 따른 각도별 X선 투사 영상에 대한 몬테카를로 시뮬레이션을 통해 획득한 스캐터 영상을 목적함수로 사용하는 것을 특징으로 한다.
또한 상기 인공 신경망은, 학습시 기 확보된 피검체의 CT 영상에 따른 각도별 X선 투사 영상에 대한 몬테카를로 시뮬레이션을 통해 획득한 스캐터 영상에 대해 서피스 핏을 수행한 영상 데이터를 목적함수로 사용하는 것을 특징으로 한다.
또한 상기 인공 신경망은, 학습시 기 확보된 피검체의 CT 영상에 따른 각도별 X선 투사 영상에 대한 몬테카를로 시뮬레이션을 통해 획득한 스캐터 영상 또는 서피스 핏을 수행한 영상 데이터를 보간하여 다른 각도에서의 목적함수로 사용하는 것을 특징으로 한다.
또한 상기 인공 신경망은, 학습시 기 확보된 피검체의 CT 영상에 따른 각도별 X선 투사 영상에 대한 몬테카를로 시뮬레이션을 통해 획득한 프라이머리 영상을 목적함수로 사용하는 것을 특징으로 한다.
또한 상기 인공 신경망은, 학습시 기 확보된 피검체의 CT 영상을 재구성하기 위한 투사 영상 중 목적 함수와 같은 각도에서 획득한 투사 영상을 입력으로 하는 것을 특징으로 한다.
또한 본 발명의 치과용 콘-빔 CT의 산란선 보정장치에 따르면, 상기 인공 신경망은, 학습시 투사 영상이 획득된 각도와 X선 초점과 영상획득장치 간의 거리를 포함하는 지오메트리 정보를 입력의 일부로 활용하는 것을 특징으로 한다.
또한 상기 인공 신경망은, 학습시 관 전압과, 관 전류, 필터 물질의 종류, 필터의 두께를 포함하는 X선 조사 조건 중 일부 또는 전체를 입력의 일부분으로 사용하는 것을 특징으로 한다.
또한 CT 영상이 바탕이 되는 각도별 투사 영상들을 입력으로 하고 학습 데이터를 바탕으로 생성된 산란선이 제거된 X선 영상으로 하여, 투사 영상으로부터 스캐터 프로파일을 결정하여 산란선이 제거된 이미지를 출력하는 인공 신경망을 포함하는 컴퓨터 프로그램을 구비하는 것을 특징으로 한다.
또한 상기 인공 신경망은, 학습시 기 확보된 피검체의 CT 영상에 따른 각도별 X선 투사 영상에 대한 몬테카를로 시뮬레이션을 통해 획득한 스캐터 영상을 목적함수로 사용하는 것을 특징으로 한다.
또한 상기 인공 신경망은, 학습시 기 확보된 피검체의 CT 영상에 따른 각도별 X선 투사 영상에 대한 몬테카를로 시뮬레이션을 통해 획득한 스캐터 영상에 대해 서피스 핏을 수행한 영상 데이터를 목적함수로 사용하는 것을 특징으로 한다.
또한 상기 인공 신경망은, 학습시 기 확보된 피검체의 CT 영상에 따른 각도별 X선 투사 영상에 대한 몬테카를로 시뮬레이션을 통해 획득한 스캐터 영상 또는 서피스 핏을 수행한 영상 데이터를 보간하여 다른 각도에서의 목적함수로 사용하는 것을 특징으로 한다.
또한 상기 인공 신경망은, 학습시 기 확보된 피검체의 CT 영상에 따른 각도별 X선 투사 영상에 대한 몬테카를로 시뮬레이션을 통해 획득한 프라이머리 영상을 목적함수로 사용하는 것을 특징으로 한다.
또한 상기 인공 신경망은, 학습시 기 확보된 피검체의 CT 영상을 재구성하기 위한 투사 영상 중 목적 함수와 같은 각도에서 획득한 투사 영상을 입력으로 하는 것을 특징으로 한다.
또한 상기 인공 신경망은, 학습시 투사 영상이 획득된 각도와 X선 초점과 영상획득장치 간의 거리를 포함하는 지오메트리 정보를 입력의 일부로 활용하는 것을 특징으로 한다.
또한 상기 인공 신경망은, 학습시 관 전압과, 관 전류, 필터 물질의 종류, 필터의 두께를 포함하는 X선 조사 조건 중 일부 또는 전체를 입력의 일부분으로 사용하는 것을 특징으로 한다.
본 발명의 치과용 콘-빔 CT의 산란선 보정방법 및 보정장치에 의하면, 콘-빔 CT 또는 듀얼 에너지 콘-빔 CT에서 각도별로 획득된 각각의 투사영상에 대하여 몬테카를로 시뮬레이션을 이용하여 분해하고, 인공 신경망을 이용하여 스캐터 정보를 학습한 후 학습정보를 스캐터 보정에 이용함으로써, 산란선의 영향을 최소화하고 재구성 영상의 화질을 향상시킬 수 있는 효과가 있다.
또한 인공 신경망을 이용한 반복학습을 통해 산란선 관련 사항을 보강함으로써, 오래 사용할수록 보정 품질이 향상되고 재구성 영상의 화질이 향상되는 효과가 있다.
또한 인공 신경망을 이용한 학습시 다양한 영상 데이터를 목적함수로 하여 학습하고, 이를 학습데이터로 저장한 후 학습된 데이터를 이용하여 산란선을 제거함으로서, 재구성 영상의 화질을 점차 향상시킬 수 있는 효과가 있다.
도 1은 콜리메이터를 이용한 종래의 산란선 제거방식을 나타낸 참고도.
도 2는 안티 스캐터 그리드를 이용한 종래의 산란선 제거방식을 나타낸 참고도.
도 3은 본 발명에 의한 치과용 콘-빔 CT의 산란선 보정방법을 나타낸 순서도.
도 4는 CT 획득 각도별로 몬테카를로 시뮬레이션하는 방식을 나타낸 예시도.
도 5는 동일 투사 영상의 어떤 선 상의 프라이머리 및 스캐터의 프로파일을 나타낸 예시도.
도 6은 몬테카를로 시뮬레이션에 따른 영상의 예시도.
도 7은 도 6의 스캐터 영상에 대한 서피스 핏 적용시의 예시도.
도 8은 본 발명에 따라 학습하는 인공 신경망의 모식도.
도 9는 본 발명에 따라 스캐터를 보정하는 인공 신경망의 모식도.
이하, 첨부된 도면을 참조하여 본 발명의 치과용 콘-빔 CT의 산란선 보정방법 및 보정장치의 바람직한 실시예을 설명한다.
본 발명에 의한 치과용 콘-빔 CT의 산란선 보정방법은, 도 3에 도시된 바와 같이, 콘-빔 CT의 X선 선원을 일정 각도로 회전시키면서 평판 디텍터를 이용하여 각도별 CT 영상을 취득하여 3차원 CT 영상을 재구성하는 단계와; 재구성된 3차원 CT 영상을 이용하여 각도별로 몬테카를로 시뮬레이션을 수행하여, 투사 영상의 2D 프로파일을 생성하는 단계와; 투사 영상의 2D 프로파일을 분해하여, 디텍터까지 도달하면서 산란되지 않은 프라이머리 X선 영상과, 산란선들만이 영상 생성에 관여한 스캐터 영상으로 분해하는 단계와; 시뮬레이션에서 생성된 프라이머리 영상과 스캐터 영상을 목적함수로 하고, 실제 획득된 투사 영상을 입력으로 하는 인공 신경망을 구성하고 학습하는 단계와; 인공 신경망에 따른 학습정보를 저장하고, 이 학습정보를 스캐터 보정에 적용하는 단계;를 포함하여 이루어진다.
이때, 상기 몬테카를로 시뮬레이션은 Geant4, MCNP, Penelope, EGS를 포함하는 방사선 입자 수송 MC 시뮬레이션 프로그램을 이용하여 수행한다.
그리고, 상기 스캐터 영상은 그대로 사용할 수도 있고, 최소제곱법 또는 최적화 기법을 통해 서피스 핏(Surface Fit)을 수행한 후에 사용할 수도 있다.
또한 상기 인공 신경망으로는 콘볼루션 인공 신경망(CNN; Convolutional Neural Network), 딥 빌리프 인공 신경망(DBN; Deep Belief Network), 딥 하이퍼 인공 신경망(DHN; Deep HyperNetwork), 생성적 적대 인공 신경망(GAN; Generative Adversarial Network), 영상을 기반으로 학습을 할 수 있는 인공 신경망 등을 사용할 수 있으며, 이들의 조합 또는 변형에 의해서도 구성될 수 있다.
또한 인공 신경망을 이용한 학습시에는, 관 전압과, 관 전류, 필터 물질의 종류, 필터의 두께를 포함하는 X선 조사 조건의 일부 또는 전체를 학습 데이터로 제공할 수 있다.
상기한 본 발명의 치과용 콘-빔 CT의 산란선 보정방법은 도 3에 도시된 바와 같이, 하나의 에너지를 사용하는 보통의 콘-빔 CT에서 사용할 수 있고, 저에너지와 고에너지의 두 에너지를 모두 이용하는 듀얼 에너지(Dual Energy) 콘-빔 CT에서도 사용할 수 있다.
상기한 듀얼 에너지 방식은, 서로 다른 에너지 준위를 갖는 X-레이를 방사하여 치아의 영상정보를 획득하는 방식이다.
상기 듀얼 에너지 방식에서, 상대적으로 높은 에너지를 하이 에너지(High Energy), 상대적으로 낮은 에너지를 로우 에너지(Low Energy)라 부른다.
예컨대 하이 에너지를 얻기 위해 120kV의 전압을 인가하고, 로우 에너지를 얻기 위해 60kV의 전압을 인가할 수 있다.
본 발명에 따른 콘-빔 CT의 산란선 보정방법은, 도 4에 도시된 바와 같이, 기존 환자의 재구성 된 3차원 CT 영상을 이용해, 각도별로 몬테카를로 시뮬레이션을 수행하여, 디텍터까지 도달하면서 산란되지 않은 프라이머리 X선과 스캐터 X선 영상 또는 프로파일을 생성한다.
이에 따라 도 5와 같이, 각 영상들의 같은 위치에서 획득한 프로파일을 얻을 수 있게 된다.
그리고, 도 6의 (a)와 같이 시뮬레이션을 통해 획득한 투사영상은, X선이 디텍터에 입사하기 전까지 어떠한 반응도 거치지 않은 프라이머리 영상(도 6의 (b) 참조)과 산란선들만이 영상 생성에 관여한 스캐터 영상(도 6의 (c) 참조)으로 ㅂ부분해할 수 있다.
또한, 스캐터 영상은 통계학적인 노이즈(noise)를 포함하고 있는 경우가 많으므로, 도 7과 같이 최소제곱법, 또는 다른 최적화 기법을 사용해서 서피스 핏(surface fit)을 수행한 후 사용하는 것이 바람직하다.
참고로, 도 7의 (a)는 스캐터 영상의 서피스 플롯을 나타내고, (b)는 서피스 핏이 끝난 스캐터 영상의 서피스 플롯이며, (c)는 서피스 핏이 완료된 스캐터 영상을 나타내고 있다.
한편, 상기 방법이 적용되는 본 발명의 치과용 콘-빔 CT의 산란선 보정장치는, 도 8에 도시된 바와 같이, CT 영상이 바탕이 되는 각도별 투사 영상들을 입력으로 하고 학습 데이터를 바탕으로 생성된 스캐터 영상이나 복수의 1D 산란 프로파일 또는 2D 산란 프로파일로 하여, 투사 영상으로부터 스캐터 프로파일을 결정하는 인공 신경망과; 출력된 산란 X선 데이터를 투사 영상으로부터 제거하는 스캐터 제거 모듈;을 포함하는 컴퓨터 프로그램을 구비한다.
상기 컴퓨터 프로그램은, 실제로 환자에게 얻은 투사영상을 인공 신경망의 입력으로 두고, 동일한 환자의 CT 영상 데이터를 사용해서 몬테카를로 시뮬레이션을 수행해서 획득한 프라이머리(primary) 또는 스캐터의 2D 프로파일을 목적 함수 또는 목적 데이터로 두고 인공 신경망을 학습시키고, 이 학습데이터를 바탕으로 실제 환자 촬영 시 얻어지는 각각의 투사 영상에 대해 스캐터 2D 프로파일 생성한 후, 각각의 투사영상에서 제거하거나 프라이머리 영상을 생성하는 것이다.
이때, 상기 인공 신경망은 학습시 기 확보된 피검체의 CT 영상에 따른 각도별 X선 투사 영상에 대한 몬테카를로 시뮬레이션을 통해 획득한 스캐터 영상을 목적함수로 사용하거나, 몬테카를로 시뮬레이션을 통해 획득한 스캐터 영상에 대해 서피스 핏을 수행한 영상 데이터를 목적함수로 사용할 수 있다.
또, 몬테카를로 시뮬레이션을 통해 획득한 스캐터 영상 또는 서피스 핏을 수행한 영상 데이터를 보간하여 다른 각도에서의 목적함수로 사용할 수도 있고, 몬테카를로 시뮬레이션을 통해 획득한 프라이머리 영상을 목적함수로 사용할 수도 있다.
그리고, 상기 인공 신경망은 학습시 기 확보된 피검체의 CT 영상을 재구성하기 위한 투사 영상 중 목적 함수와 같은 각도에서 획득한 투사 영상을 입력으로 할 수 있으며, 투사 영상이 획득된 각도와 X선 초점과 영상획득장치 간의 거리를 포함하는 지오메트리 정보를 입력의 일부로 활용할 수도 있다.
또, 관 전압과, 관 전류, 필터 물질의 종류, 필터의 두께를 포함하는 X선 조사 조건 중 일부 또는 전체를 입력의 일부분으로 사용할 수도 있다.
한편, 본 발명의 치과용 콘-빔 CT의 산란선 보정장치는, 도 9에 도시된 바와 같이, CT 영상이 바탕이 되는 각도별 투사 영상들을 입력으로 하고 학습 데이터를 바탕으로 생성된 산란선이 제거된 X선 영상으로 하여, 투사 영상으로부터 스캐터 프로파일을 결정하여 산란선이 제거된 이미지를 출력하는 인공 신경망을 포함하는 컴퓨터 프로그램을 구비하도록 할 수도 있다.
이상의 보정장치를 학습 데이터를 이용하여 산란선이 제거된 이미지를 출력하는 것을 제외하면 상기한 실시예와 실질적으로 동일하다.
이상에서는 본 발명의 바람직한 실시예를 예시적으로 설명한 것으로서 본 발명은 상기한 실시예에 한정되지 아니한다. 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면 본 발명의 기술적 사상의 범위를 벗어나지 않는 범위 내에서 다양한 변형 및 수정이 가능 하다는 것을 이해할 수 있을 것이다.

Claims (22)

  1. 콘-빔 CT의 X선 선원을 일정 각도로 회전시키면서 평판 디텍터를 이용하여 각도별 CT 영상을 취득하여 3차원 CT 영상을 재구성하는 단계와;
    재구성된 3차원 CT 영상을 이용하여 각도별로 몬테카를로 시뮬레이션을 수행하여 투사 영상의 2D 프로파일을 생성하는 단계와;
    투사 영상의 2D 프로파일을 분해하여 디텍터까지 도달하면서 산란되지 않은 프라이머리 X선 영상과, 산란선들만이 영상 생성에 관여한 스캐터 영상으로 분해하는 단계와;
    시뮬레이션에서 생성된 프라이머리 영상과 스캐터 영상을 목적함수로 하고 실제 획득된 투사 영상을 입력으로 하는 인공 신경망을 구성하고 학습하는 단계와;
    인공 신경망에 따른 학습정보를 저장하고 이 학습정보를 스캐터 보정에 적용하는 단계;를 포함하는 것을 특징으로 하는 치과용 콘-빔 CT의 산란선 보정방법.
  2. 제1항에 있어서,
    상기 몬테카를로 시뮬레이션은, Geant4, MCNP, Penelope, EGS를 포함하는 방사선 입자 수송 MC 시뮬레이션 프로그램을 이용하여 수행하는 것을 특징으로 하는 치과용 콘-빔 CT의 산란선 보정방법.
  3. 제1항에 있어서,
    상기 스캐터 영상은, 최소제곱법 또는 최적화 기법을 통해 서피스 핏(Surface fit)을 수행한 후에 사용하는 것을 특징으로 하는 치과용 콘-빔 CT의 산란선 보정방법.
  4. 제1항에 있어서,
    상기 인공 신경망은, 콘볼루션 인공 신경망(CNN, Convolutional Neural Network), 딥 빌리프 인공 신경망(DBN, Deep Belief Network, 딥 하이퍼 인공 신경망(DHN, Deep HyperNetwork), 생성적 적대 인공 신경망(GAN, Generative Adversarial Network), 영상을 기반으로 학습을 할 수 있는 인공 신경망 중 어느 하나이거나 이들의 조합 또는 변형에 의해 구성되는 것을 특징으로 하는 치과용 콘-빔 CT의 산란선 보정방법.
  5. 제1항에 있어서,
    인공 신경망을 이용한 학습시, 관 전압과, 관 전류, 필터 물질의 종류, 필터의 두께를 포함하는 X선 조사 조건을 학습 데이터로 제공하는 것을 특징으로 하는 치과용 콘-빔 CT의 산란선 보정방법.
  6. 제1항 내지 제5항 중 어느 한 항에 있어서,
    저에너지와 고에너지의 두 에너지를 사용하는 듀얼 에너지 콘-빔 CT에 적용되는 것을 특징으로 하는 치과용 콘-빔 CT의 산란선 보정방법.
  7. CT 영상이 바탕이 되는 각도별 투사 영상들을 입력으로 하고 학습 데이터를 바탕으로 생성된 스캐터 영상이나 복수의 1D 산란 프로파일 또는 2D 산란 프로파일로 하여, 투사 영상으로부터 스캐터 프로파일을 결정하는 인공 신경망과;
    출력된 산란 X선 데이터를 투사 영상으로부터 제거하는 스캐터 제거 모듈;을 포함하는 컴퓨터 프로그램을 구비하는 것을 특징으로 하는 치과용 콘-빔 CT의 산란선 보정장치.
  8. 제7항에 있어서,
    상기 인공 신경망은, 학습시 기 확보된 피검체의 CT 영상에 따른 각도별 X선 투사 영상에 대한 몬테카를로 시뮬레이션을 통해 획득한 스캐터 영상을 목적함수로 사용하는 것을 특징으로 하는 치과용 콘-빔 CT의 산란선 보정장치.
  9. 제7항에 있어서
    상기 인공 신경망은, 학습시 기 확보된 피검체의 CT 영상에 따른 각도별 X선 투사 영상에 대한 몬테카를로 시뮬레이션을 통해 획득한 스캐터 영상에 대해 서피스 핏을 수행한 영상 데이터를 목적함수로 사용하는 것을 특징으로 하는 치과용 콘-빔 CT의 산란선 보정장치.
  10. 제7항에 있어서,
    상기 인공 신경망은, 학습시 기 확보된 피검체의 CT 영상에 따른 각도별 X선 투사 영상에 대한 몬테카를로 시뮬레이션을 통해 획득한 스캐터 영상 또는 서피스 핏을 수행한 영상 데이터를 보간하여 다른 각도에서의 목적함수로 사용하는 것을 특징으로 하는 치과용 콘-빔 CT의 산란선 보정장치.
  11. 제7항에 있어서,
    상기 인공 신경망은, 학습시 기 확보된 피검체의 CT 영상에 따른 각도별 X선 투사 영상에 대한 몬테카를로 시뮬레이션을 통해 획득한 프라이머리 영상을 목적함수로 사용하는 것을 특징으로 하는 치과용 콘-빔 CT의 산란선 보정장치.
  12. 제7항에 있어서,
    상기 인공 신경망은, 학습시 기 확보된 피검체의 CT 영상을 재구성하기 위한 투사 영상 중 목적 함수와 같은 각도에서 획득한 투사 영상을 입력으로 하는 것을 특징으로 하는 치과용 콘-빔 CT의 산란선 보정장치.
  13. 제7항에 있어서,
    상기 인공 신경망은, 학습시 투사 영상이 획득된 각도와 X선 초점과 영상획득장치 간의 거리를 포함하는 지오메트리 정보를 입력의 일부로 활용하는 것을 특징으로 하는 치과용 콘-빔 CT의 산란선 보정장치.
  14. 제7항에 있어서,
    상기 인공 신경망은, 학습시 관 전압과, 관 전류, 필터 물질의 종류, 필터의 두께를 포함하는 X선 조사 조건 중 일부 또는 전체를 입력의 일부분으로 사용하는 것을 특징으로 하는 치과용 콘-빔 CT의 산란선 보정장치.
  15. CT 영상이 바탕이 되는 각도별 투사 영상들을 입력으로 하고 학습 데이터를 바탕으로 생성된 산란선이 제거된 X선 영상으로 하여, 투사 영상으로부터 스캐터 프로파일을 결정하여 산란선이 제거된 이미지를 출력하는 인공 신경망을 포함하는 컴퓨터 프로그램을 구비하는 것을 특징으로 하는 치과용 콘-빔 CT의 산란선 보정장치.
  16. 제15항에 있어서,
    상기 인공 신경망은, 학습시 기 확보된 피검체의 CT 영상에 따른 각도별 X선 투사 영상에 대한 몬테카를로 시뮬레이션을 통해 획득한 스캐터 영상을 목적함수로 사용하는 것을 특징으로 하는 치과용 콘-빔 CT의 산란선 보정장치.
  17. 제15항에 있어서,
    상기 인공 신경망은, 학습시 기 확보된 피검체의 CT 영상에 따른 각도별 X선 투사 영상에 대한 몬테카를로 시뮬레이션을 통해 획득한 스캐터 영상에 대해 서피스 핏을 수행한 영상 데이터를 목적함수로 사용하는 것을 특징으로 하는 치과용 콘-빔 CT의 산란선 보정장치.
  18. 제15항에 있어서,
    상기 인공 신경망은, 학습시 기 확보된 피검체의 CT 영상에 따른 각도별 X선 투사 영상에 대한 몬테카를로 시뮬레이션을 통해 획득한 스캐터 영상 또는 서피스 핏을 수행한 영상 데이터를 보간하여 다른 각도에서의 목적함수로 사용하는 것을 특징으로 하는 치과용 콘-빔 CT의 산란선 보정장치.
  19. 제15항에 있어서,
    상기 인공 신경망은, 학습시 기 확보된 피검체의 CT 영상에 따른 각도별 X선 투사 영상에 대한 몬테카를로 시뮬레이션을 통해 획득한 프라이머리 영상을 목적함수로 사용하는 것을 특징으로 하는 치과용 콘-빔 CT의 산란선 보정장치.
  20. 제15항에 있어서,
    상기 인공 신경망은, 학습시 기 확보된 피검체의 CT 영상을 재구성하기 위한 투사 영상 중 목적 함수와 같은 각도에서 획득한 투사 영상을 입력으로 하는 것을 특징으로 하는 치과용 콘-빔 CT의 산란선 보정장치.
  21. 제15항에 있어서,
    상기 인공 신경망은, 학습시 투사 영상이 획득된 각도와 X선 초점과 영상획득장치 간의 거리를 포함하는 지오메트리 정보를 입력의 일부로 활용하는 것을 특징으로 하는 치과용 콘-빔 CT의 산란선 보정장치.
  22. 제15항에 있어서,
    상기 인공 신경망은, 학습시 관 전압과, 관 전류, 필터 물질의 종류, 필터의 두께를 포함하는 X선 조사 조건 중 일부 또는 전체를 입력의 일부분으로 사용하는 것을 특징으로 하는 치과용 콘-빔 CT의 산란선 보정장치.
KR1020170157843A 2017-11-24 2017-11-24 치과용 콘-빔 ｃｔ의 산란선 보정방법 및 보정장치 KR102020221B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020170157843A KR102020221B1 (ko) 2017-11-24 2017-11-24 치과용 콘-빔 ｃｔ의 산란선 보정방법 및 보정장치
PCT/KR2018/013344 WO2019103354A1 (ko) 2017-11-24 2018-11-06 치과용 콘-빔 씨티의 산란선 보정방법 및 보정장치
US16/757,073 US11380025B2 (en) 2017-11-24 2018-11-06 Scatter correction method and apparatus for dental cone-beam CT

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170157843A KR102020221B1 (ko) 2017-11-24 2017-11-24 치과용 콘-빔 ｃｔ의 산란선 보정방법 및 보정장치

Publications (2)

Publication Number Publication Date
KR20190060054A true KR20190060054A (ko) 2019-06-03
KR102020221B1 KR102020221B1 (ko) 2019-09-10

Family

ID=66632044

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170157843A KR102020221B1 (ko) 2017-11-24 2017-11-24 치과용 콘-빔 ｃｔ의 산란선 보정방법 및 보정장치

Country Status (3)

Country Link
US (1) US11380025B2 (ko)
KR (1) KR102020221B1 (ko)
WO (1) WO2019103354A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200059712A (ko) * 2018-11-21 2020-05-29 이희신 엑스선 영상 산란 보정 시스템 및 방법
CN112288735A (zh) * 2020-11-06 2021-01-29 南京大学 一种基于神经网络的利用牙齿锥形束ct图自动检测牙折裂的方法

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019216329A1 (de) 2019-10-23 2021-04-29 Siemens Healthcare Gmbh Quantifizierung eines Einflusses von Streustrahlung bei einer tomographischen Analyse
US11023729B1 (en) 2019-11-08 2021-06-01 Msg Entertainment Group, Llc Providing visual guidance for presenting visual content in a venue
KR102382602B1 (ko) 2020-05-07 2022-04-05 연세대학교 산학협력단 3d 인공신경망 네트워크 기반 콘빔 아티팩트 보정 시스템 및 방법
CN111667571B (zh) * 2020-06-08 2021-09-17 南华大学 核设施源项三维分布快速重建方法、装置、设备及介质
CN113034636B (zh) * 2021-03-09 2022-04-29 浙江大学 基于跨尺度多能谱ct标签的锥束ct图像质量改善方法和装置
CN113409414B (zh) * 2021-06-08 2024-03-26 江苏一影医疗设备有限公司 X线图像的散射修正方法、装置、电子设备、存储介质
KR20230091422A (ko) 2021-12-16 2023-06-23 재단법인 아산사회복지재단 의료영상 처리 장치와 그 의료영상 학습 방법 및 의료영상 처리 방법

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003073377A2 (en) * 2002-02-21 2003-09-04 University Of Rochester Ct x-ray scatter correction
JP2009540941A (ja) * 2006-06-22 2009-11-26 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 デュアルｘ線管ゲーティング
KR20120138451A (ko) 2011-06-15 2012-12-26 한국과학기술원 Ｘ선 단층촬영 시스템 및 이를 이용한 산란 보정 방법
KR20140064524A (ko) * 2012-11-20 2014-05-28 삼성전자주식회사 방사선이 방출된 위치의 분포를 추정하는 방법 및 장치
KR101613391B1 (ko) 2015-02-11 2016-04-19 (의료)길의료재단 치료 계획용 ct 영상을 이용한 산란선 제거 방법 및 시스템
US9589373B2 (en) * 2013-02-05 2017-03-07 Carestream Health, Inc. Monte carlo modeling of field angle-dependent spectra for radiographic imaging systems
KR20170047423A (ko) * 2015-10-22 2017-05-08 한국디지털병원수출사업협동조합 Cad기반 디지털 엑스레이의 자동 결핵 진단 예측 시스템
KR20180059329A (ko) * 2016-11-25 2018-06-04 삼성전자주식회사 엑스선 장치 및 이의 의료 영상 획득

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8000435B2 (en) * 2006-06-22 2011-08-16 Koninklijke Philips Electronics N.V. Method and system for error compensation
CA2982526C (en) * 2015-04-13 2020-04-14 Case Western Reserve University Dual energy x-ray coronary calcium grading
EP3623848B1 (en) * 2015-06-26 2021-12-22 Prismatic Sensors AB Scatter estimation and/or correction in x-ray imaging
US20180330233A1 (en) * 2017-05-11 2018-11-15 General Electric Company Machine learning based scatter correction
JP6984010B2 (ja) * 2017-09-28 2021-12-17 コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. 深層学習ベースの散乱補正

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003073377A2 (en) * 2002-02-21 2003-09-04 University Of Rochester Ct x-ray scatter correction
JP2009540941A (ja) * 2006-06-22 2009-11-26 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 デュアルｘ線管ゲーティング
KR20120138451A (ko) 2011-06-15 2012-12-26 한국과학기술원 Ｘ선 단층촬영 시스템 및 이를 이용한 산란 보정 방법
KR20140064524A (ko) * 2012-11-20 2014-05-28 삼성전자주식회사 방사선이 방출된 위치의 분포를 추정하는 방법 및 장치
US9589373B2 (en) * 2013-02-05 2017-03-07 Carestream Health, Inc. Monte carlo modeling of field angle-dependent spectra for radiographic imaging systems
KR101613391B1 (ko) 2015-02-11 2016-04-19 (의료)길의료재단 치료 계획용 ct 영상을 이용한 산란선 제거 방법 및 시스템
KR20170047423A (ko) * 2015-10-22 2017-05-08 한국디지털병원수출사업협동조합 Cad기반 디지털 엑스레이의 자동 결핵 진단 예측 시스템
KR20180059329A (ko) * 2016-11-25 2018-06-04 삼성전자주식회사 엑스선 장치 및 이의 의료 영상 획득

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200059712A (ko) * 2018-11-21 2020-05-29 이희신 엑스선 영상 산란 보정 시스템 및 방법
CN112288735A (zh) * 2020-11-06 2021-01-29 南京大学 一种基于神经网络的利用牙齿锥形束ct图自动检测牙折裂的方法

Also Published As

Publication number Publication date
KR102020221B1 (ko) 2019-09-10
WO2019103354A1 (ko) 2019-05-31
US20200279410A1 (en) 2020-09-03
US11380025B2 (en) 2022-07-05

Similar Documents

Publication Publication Date Title
KR20190060054A (ko) 치과용 콘-빔 ｃｔ의 산란선 보정방법 및 보정장치
Sun et al. Improved scatter correction using adaptive scatter kernel superposition
US9307949B2 (en) X-ray CT device and method for correcting scattered X-rays
JP2022509306A (ja) イメージングにおける散乱評価および散乱補正を向上させるための方法および機器
JP6242631B2 (ja) 医用画像処理装置及びｘ線コンピュータ断層撮影装置
JP6325256B2 (ja) Ｘ線コンピュータ断層撮影装置及び医用画像処理装置
US8260023B2 (en) Forward projection for the generation of computed tomography images at arbitrary spectra
US10342503B2 (en) Medical image processing apparatus, X-ray diagnostic apparatus, and X-ray computed tomography apparatus
US11419566B2 (en) Systems and methods for improving image quality with three-dimensional scout
JP6912965B2 (ja) 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作動方法
CN108338802B (zh) 用于减少图像伪影的方法
US20140218362A1 (en) Monte carlo modeling of field angle-dependent spectra for radiographic imaging systems
US20170202532A1 (en) Data processing method, data processing device, and x-ray ct apparatus
JP2017189618A (ja) 放射線画像診断装置及び医用画像処理装置
Ingacheva et al. Polychromatic CT data improvement with one-parameter power correction
US10070841B2 (en) Arithmetic device, X-ray CT apparatus, and image reconstruction method
US20100054562A1 (en) Systems and methods for adaptive filtering
JP2021511875A (ja) スペクトルボリューム画像データを生成するように構成された非スペクトルコンピュータ断層撮影（ｃｔ）スキャナ
Inscoe et al. Demonstration of a scatter correction technique in digital breast tomosynthesis
Yang et al. An object-specific and dose-sparing scatter correction approach for a dedicated cone-beam breast CT system using a parallel-hole collimator
US11000248B2 (en) Systems and methods for accelerating transitions for dual energy computed tomography imaging
KR20160061555A (ko) 동적 시준을 이용한 임의의 형상을 가지는 관심 영역에 대한 단층촬영 방법 및 시스템
KR101685005B1 (ko) 저선량 엑스선 콘빔 ct 영상 장치 및 이를 이용한 영상 생성 방법
Wang et al. Image Restoration for Field Emission X-ray Source Array Based Radiographic Imaging
JP2013215472A (ja) 放射線断層画像生成装置、放射線断層撮影装置および放射線断層画像生成プログラム

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